Coze下线背后：AI工作流时代终结与大厂路径依赖

字节跳动旗下AI工作流平台Coze在烧掉10亿元后即将下线，这一消息在AI圈引发震动。作为曾经最火的AI产品之一，Coze的落幕不仅是一个产品的失败，更折射出AI工作流形态的集体困境，以及中美AI发展路径的深层差异。

Coze为何从巅峰跌落

Coze的崛起源于大模型能力尚不成熟的阶段。当时，模型无法稳定完成长任务，工作流通过将任务拆解为多个步骤，在前几步硬编码、只在关键节点调用大模型，从而降低幻觉、保证输出质量。这种工程化思路让Coze迅速成为AI应用开发的明星工具，也带动了影刀RPA、Dify、N8N等一批同类产品。

但问题在于，这条路本质上是传统互联网思维做AI产品——用固定流程弥补模型能力不足。随着大模型迭代速度远超预期，尤其是AI编程能力在近期取得突破，模型已经能够自主规划并执行多步任务。此时，预先编排工作流的逻辑显得笨拙且低效， Coze的衰落也就不可避免。

AI工作流（AI Workflow） 是一种将复杂任务拆解为多个步骤、通过可视化连线或流程图编排执行顺序的开发范式。在Coze等平台中，用户可以把一个任务（如“生成一份行业报告”）拆成检索、摘要、写作、审核等节点，每个节点可以硬编码固定逻辑，也可以调用大模型。这种方式的优势在于可控性强、输出稳定，尤其适合模型能力不足、容易产生幻觉的阶段。但它本质上是用人类预设的流程来约束模型，假设模型无法自主完成多步推理。随着大模型自主规划能力增强，工作流中大量“人工编排”的节点反而成为效率瓶颈——模型本可以一步完成的任务，被拆成多步并引入人为规则，增加了延迟和维护成本。

工作流是过渡形态，AGI才是终局

工作流产品的核心矛盾在于：它假设大模型能力有限，需要人类预先设计流程。但AGI的终极形态要求模型自主完成所有推理和逻辑，而非依赖硬编码。当AI编程工具能够自主梳理复杂问题、规划路线时，工作流的存在价值就被大幅削弱。

博主在视频中坦言，自己曾基于开源Coze做过工作流平台，但几个月后便发现方向错误。他判断，大模型迭代速度被低估，原本以为需要三五年才能达到自主执行多步任务的水平，实际进展快得多。如今，直接让AI编程自主规划路线（即Harness工程）成为更高效的解法，而工作流式的逐步连线、规定输出显得“很傻”。

Harness工程 是AI编程领域近年兴起的一种实践思路，指为AI智能体搭建一套“执行框架”（harness），让模型在其中自主规划、调用工具、编写并运行代码，而不是由人类预先规定每一步。与工作流不同，Harness不预设任务分解路径，而是把规划权交给模型本身，人类只提供目标、工具接口和验证机制。这种模式依赖模型具备较强的代码生成与自我纠错能力，因此在大模型编程能力突破后才变得可行。它的核心价值在于：模型可以动态应对未知任务，而不像工作流那样只能处理预先设想好的场景。文章所说的“直接让AI编程自主规划路线”，正是Harness思路的体现。

中美AI路径分化：商业化焦虑 vs 终极问题

Coze的结局凸显了中美AI发展的路径依赖差异。美国大厂如OpenAI、Anthropic（Claude）从第一天就瞄准终极问题，不急于推出中间过渡产品，因此不会投入资源做工作流这类形态。而国内大厂和创业公司面临资本回报压力，必须尽快商业化，于是催生了Coze这类通过工程手段稳定模型能力并变现的产品。

这种路径选择导致精力分散：持续完善过渡性产品，就无法专注解决终极问题。长此以往，技术差距逐渐拉大。博主指出，国内大厂中，腾讯的Work Body本质上没有智能，只是调用他人模型的应用层产品；字节的豆包、飞书也集中在应用层，甚至用AI做短剧（红果短剧）来变现。真正瞄准AGI的只有DeepSeek^广告，其开源Harness Agent不为盈利，只为收集编程数据训练模型——编程数据是最高质量的数据。

AGI（通用人工智能） 指能够在广泛任务上达到或超越人类水平的AI系统，而非只擅长某一特定领域。文章语境下，AGI意味着模型能够自主完成推理、规划、工具调用和多步执行，不需要人类预先编排流程。与之相对的是“应用层产品”——在现有模型能力之上做界面、流程和场景封装，本身不追求模型能力的根本突破。美国大厂从第一天瞄准“终极问题”，指的是把资源投入提升模型本身的能力上限；国内大厂因资本回报压力，更倾向于快速做出可变现的应用层产品。这两种路径的分歧，决定了工作流这类过渡形态在不同市场的命运。

应用层内卷与创业生态困境

国内大厂扎堆应用层，导致AI创业生态畸形。应用层本质是流量生意，谁有流量谁就能抢占用户，小创业团队几乎没有机会。博主认为，大厂应该去做Codex、Claude这类底层模型和工具，把应用层留给小团队，但国内大厂恰恰相反。

结果就是，中国最纯粹的AI公司只有DeepSeek一家。博主甚至断言：“DeepSeek能跑出来中国就能赢，DeepSeek跑不出来中国的AI就完了。”而大厂把大量资源投入短剧等变现业务，红果短剧日活1.6亿、人均每日使用120分钟，在博主看来这是对宝贵时间的消耗。

编程数据 被视为训练大模型最高质量的数据之一，因为它包含严密的逻辑结构、明确的输入输出和可验证的正确性。代码天然带有“对错”信号，模型可以通过运行测试来验证自己的输出，这使得编程数据在提升模型推理能力方面效率极高。DeepSeek开源Harness Agent、让开发者免费使用，本质上是在收集真实场景下的编程交互数据，用于反哺模型训练。这与单纯做应用层变现的逻辑截然不同：前者积累的是模型能力资产，后者消耗的是流量红利。理解这一点，就能明白为什么文章认为DeepSeek的路线在中国AI公司中独树一帜。

结语：工作流的黄昏，AGI的黎明

Coze的下线并非孤立事件，它标志着以工作流为代表的AI过渡产品时代走向终结。当模型能力足够强，工作流这种“脚手架”必然被抛弃。对于从业者而言，认清技术趋势、避免在过渡形态上过度投入，或许比追逐短期商业化更重要。而中国AI能否在AGI竞赛中胜出，取决于是否有更多公司愿意解决终极问题，而非沉迷于流量变现。