一、引言
一家 AI 公司值不值钱，不看它烧了多少 token，看它烧完之后留下了什么。
这是 MOAT 的第一个判断，也是取名为护城河的原因。本文把 AI 公司定义为蒸馏者：深入行业，把散落在客户脑子里、SOP 文档里、对话历史里的隐性知识，提取出来，蒸馏成可复用的资产。模型可以被任何人买到，蒸馏转过的圈数，复制不了。
二、Harness 的归零机制
先说明不做什么。不训练基础模型，也不做通用的 Agent 框架，后者行业里叫 Harness。
Harness 正在归零，原因有四。第一，模型升级：模型公司每升一级，Harness 就薄一层，去年需要精心编排的能力，今年模型原生就会了。第二，MCP 标准化：协议层解决了工具连接，任何人都能写一个 MCP Server，连接不再是壁垒。第三，Skills 注入：应用层解决了知识注入，用户自己就能定义任务执行模式。第四，模型公司平台化：主流模型公司在把自己从模型提供商重新定位成平台，Harness 正在变成赠品。
这是一条残酷的规律：你做的东西不是被竞品打败的，是被上游吃掉的。当模型公司把能力下放，中间层的每一层都在归零。Harness 层的问题在于：它不积累场景数据。协议层归零，应用层部分归零，真正值钱的，是 MCP Server 背后的数据，你的企业数据库、你的对话历史、你的行业知识。这些，Harness 公司没有，也拿不到。
三、方案永生：领域问题的壁垒
那什么不会归零？答案是领域问题。把十年旧流程重构为 Agent 能跑通的逻辑，技术难度低，领域壁垒极高。人 Agent 交互范式的设计，技术难度低，领域壁垒极高。垂直领域的数据整理与维护，技术难度低，领域壁垒极高。
这三件事有一个共同特征：难度不在技术，在于你必须真的在那个行业里。技术问题早被解决了，剩下的是领域问题。模型公司不会做，他们离行业太远，远到甚至不知道这些问题存在。
一个类比：Agent 是这个时代的操作系统，模型是内核，Harness 是系统调用。微软做了 Windows，上面跑着几百万个应用，应用生态比操作系统值钱得多。Agent 不会例外。关键是：你是不是那个领域里的人？如果你不在那个领域里，你怎么知道它最需要什么？靠看报告？等你搞明白的时候，里面的人自己已经把事做完了。
四、资产飞轮三问
本文用一个三问框架判断任何 AI 项目的质地。它同样适用于判断你自己的 AI 投入值不值。
（1）你在 token 化什么？token 化流程，天花板是效率，审批流、客服话术、SOP，都是水面上的东西；token 化判断，天花板是决策替代，为什么这个客户不能赊账、为什么那个供应商不能碰，这些才是水面下的东西。两条路技术难度差不多，差的是认知：你到底觉得公司什么东西最值钱。
（2）烧完留下了什么？每次 AI 交互都是一次信号探测：用户问了什么、Agent 在哪犹豫了、哪类问题反复失败、哪里需要人工介入。这些信号比输出值钱一百倍。结构化了、打了标签、存进知识库的，是矿；没留的，是灰。大多数公司把探测器扔了，只留了探测结果。
（3）留下的怎么喂回去？数据没被喂回系统，就只是占硬盘；喂回去了，才是资产。Agent 遇类似场景自动调取历史最优解，知识库更新触发 prompt 微调，场景反复出问题自动拉起人工复核。只有自动化的回流才算数。手动回流等于没回流。
五、估值三层
三问回答得怎么样，直接决定一家 AI 公司值多少钱。本文将其分成三层。
（1）第一层：只答了第一问，AI 是电费。你省了 20 个人力，隔壁也省了，大家重新回到起跑线。这类公司按 SaaS 估值，天花板是效率。
（2）第二层：答了前两问，AI 是杠杆。场景数据在涨，但引擎没跟着变强。这类公司按数据公司估值，数据是资产，但还没有自我进化。
（3）第三层：三问全答，AI 是资产。今天关掉所有模型调用，积累的场景数据与决策逻辑，够跑赢所有重新起步的对手。这类公司还没有共识的估值框架，因为它们的价值在模型之外。
判断一家 AI 公司值不值钱，不用看它的发布会，只用问三个问题：它在 token 化什么？烧完留下什么？留下的怎么喂回去？大多数公司止步于第一层，它们不是被竞争对手打败的，是被自己烧掉的 token 打败的。
六、Palantir 的飞轮实现
这个框架不是本文的发明，Palantir 是它最完整的组织级实现。Palantir 第二位工程师、前 OpenAI 首席研究官 Bob McGrew用一句话概括了它的机制。
FDE 带着产品进场，把路线先铺成碎石路。总部的产品与工程团队再把这些现场做法抽象、泛化，修成能服务接下来五到十个客户的高速公路。
碎石路到高速公路，就是飞轮：FDE 深入现场，碰到重复痛点，开发临时方案；产品团队观察，提炼为标准工具；工具聚合成平台；新功能降低下一个客户的交付成本；FDE 被释放去解决更深层的问题。循环。Palantir 二十年的 ontology 积累，就是这条飞轮转过圈数的总和。它的护城河从来不是某个模型，而是二十年现场交付沉淀下来的、对行业结构的理解。
七、个人认知飞轮
这个三问框架，可以直接套用到个人认知管理上。你读的书、踩的坑、做的判断，是 token 化；结构化笔记、可复用模板、决策清单，是信号留存；下一次判断调取历史经验，是反哺引擎。
大多数人卡在同一个地方：只在烧，没在留。读了一百本书，没有一张卡片；踩了十个坑，没有一条复盘。你的笔记、思考、判断，是不是也只在写文章，没在留可复用的信号？飞轮每转一圈，护城河厚一层。模型可以复制，飞轮转过的圈数复制不了。这句话对个人成立，对公司同样成立。
八、中国市场的实现路径
在中国做蒸馏，有一个绕不开的挑战：客户习惯把 AI 当电费，不当资产。买一送三的预期、按人头付费的惯性、人天单价十年没涨的行情，都在逼着服务商把价格打下来，把资产交出去。
应对是合同层面的事：在合同里写入数据回流条款。客户享有价格折扣，但 MOAT 有权将脱敏的场景数据用于产品迭代。这不是占客户便宜，这是飞轮运转的前提：没有引擎燃料，飞轮就转不起来，客户最终也会因为服务商做不下去而受损。让利换数据，数据换能力，能力换更好的交付，这是中国市场能让飞轮转起来的唯一路径。
九、双向蒸馏
MOAT 的元规则只有一条：每个项目都要双向蒸馏，既帮客户沉淀 tribal knowledge，也提取自己的 SOP 与 Skill。
只做客户蒸馏、不做自己蒸馏的，是外包，每单都在卖人头，公司没有资产积累；只做自己蒸馏、不深入客户的，是咨询，报告写得再漂亮，落不了地。两条路都长不出护城河。只有双向蒸馏，才让每个项目的终点变成下一个项目的起点。
知识库，就是这条飞轮的物理实现：每个项目结束一周内，必须产出至少一个可复用的 Skill、SDK 或 CLI；每个卷宗，都是下一次交付更快一点的证据。不指望一次交付就改变行业，只指望每一次交付都比上一次快 5%。一百次之后，就是别人追不上的距离。
十、结论
AI 时代真正的护城河，不在模型，不在框架，而在数据、场景与蒸馏能力的复利。模型公司会越来越强，Harness 会持续归零，只有真正深入行业、持续蒸馏的公司，会在每一次模型升级中活得更好。因为模型越强，蒸馏出来的方案越值钱。
Beyond SOTA. Build the Moat.，超越当前最先进，然后，把转过的每一圈，都变成别人追不上的距离。