2026 年 11 月 4 日,Meta 收购了 Conductor。
这家公司的产品:让开发者把多个 Coding Agent 放进彼此隔离的工作空间,分头处理不同任务,再把结果汇总回来。
但收购消息里最刺眼的部分,不是 Meta 买了它。
当时,Conductor 一度宣布 Cloud 将在 11 月 20 日关闭,用户需要导出或迁移云端工作空间。但最新官方 changelog 已将这套关停安排整体划线撤回,并更新称:Conductor 不会关闭,团队正在继续开发产品。
一家公司被大厂收购,通常被视为价值被验证。Conductor 的特别之处在于,它先宣布过 Cloud 关停,随后又撤回了这一安排。短时间内的急转,反而让用户看见了这个新市场最不稳定的一面:当 Agent 的工作环境、历史任务和协作状态托管在某个平台上,产品路线的一次变化,就可能直接改写用户的工作方式。
这件事有点荒诞。
它一面说明,多 Agent 编排已经重要到 Meta 愿意将 Conductor 纳入体系;另一面也提醒所有人:当独立产品被平台收购后,用户最在意的不只是产品会不会继续存在,还包括它会不会继续保持原来的开放性、模型选择、数据可迁移性与产品节奏。
Conductor 不是一个孤立事件。
OpenAI 在做 Codex Cloud;GitHub 把 Copilot Cloud Agent 放进 Issue、Pull Request 和 Actions 工作流;Cursor 把 Cloud Agents、Automations、多仓库环境和事件触发接进自己的产品;一批独立玩家则在试图讲一个更大的故事:不要只给开发者一个 AI,而要给每个 Agent 一台长期在线的电脑。
表面上,这是云端 Coding Agent 的竞争。
往深处看,它争夺的其实是另一件事:
当 Agent 不再只是聊天、补全和协作,而开始替人持续执行任务时,谁拥有它的执行权?
谁决定它在哪里运行、能访问什么、如何调用模型、什么时候停止、谁来审核结果、出了错如何恢复、成本由谁承担?
模型只是这场战争的第一层。
真正的战争,在模型之下,也在人类点击“开始”之后。
01 Cloud Agent,不是把 Agent 放到云上那么简单
今天“云 Agent”这个词已经很容易被说得太泛。
有人把任何一个网页里的 AI 助手叫云 Agent;有人把远程桌面上的 Claude Code 叫云 Agent;也有人把云端虚拟机加上一个模型 API,称作 Agent Computer。
这些说法都不够准确。
一个真正意义上的 Cloud Agent,至少要完成下面这条链路:
任务 / Issue / Prompt
↓
Agent
↓
云端运行环境
↓
终端 / 浏览器 / 文件 / Git / API
↓
持续执行与恢复
↓
Diff / Commit / Branch / PR / 结果这里面最关键的,不是“云端”两个字。
而是 Agent 是否获得了一种独立的、可持续的执行环境。
它不只会生成代码,还能进入仓库、安装依赖、调用终端、运行测试、打开浏览器、等待外部服务、保存中间状态、继续未完成的工作,并最终把结果交到一个可审查的位置。
这与传统云服务器不同。
云服务器是人远程使用一台机器。Cloud Agent 是人派发一个任务,由 Agent 使用一台机器。
两者的主语变了。
过去是:
人 → 电脑 → 软件 → 结果
本地 Coding Agent 出现后,变成:
人 → Prompt → Agent → 本机电脑 → 结果
Cloud Agent 再往前推了一步:
人 → 任务 → 云端 Agent → 长时间执行 → 可交付结果
人不再需要持续坐在电脑前,盯着每一条命令和每一个文件改动。
人开始像管理一位远程同事那样管理 Agent:派任务、看进度、补充信息、审核结果、决定是否合并。
这就是 Cloud Agent 真正改变的地方:把软件开发从“人机同步协作”,推向“任务异步交付”。
02 为什么本地 Agent 不够了?
Claude Code、Codex、Cursor 等本地 Agent 已经很强。
它们能读代码、改文件、跑测试、解释报错、执行命令,很多开发者已经习惯在本机终端里和 Agent 并肩工作。
但本地 Agent 有一个天然限制:它仍然绑在人的电脑上。
电脑合盖,任务可能停了。
网络不稳定,执行会中断。
一个复杂任务跑两个小时,开发者很难一直守着。
多个 Agent 同时运行,会抢占 CPU、内存、端口、仓库目录和人的注意力。
更麻烦的是,本地环境往往很脏。个人文件、SSH 密钥、临时脚本、未提交代码、私人配置都在同一台机器上。一个权限过大的 Agent,不只可能改坏一个项目,也可能碰到它本不该碰到的东西。
于是,Cloud Agent 的需求开始出现。
它解决的不是“本地写不了代码”,而是下面这些更具体的事情:
本地 Agent 的限制 | Cloud Agent 的回答 |
|---|---|
笔记本合盖后任务中断 | Agent 在云端继续运行 |
一次只能盯住一两个任务 | 多个 Agent 并行处理不同任务 |
本机环境容易被污染 | 每个任务运行在隔离环境中 |
长任务需要反复守着 | 可以异步查看、追加指令、等待交付 |
工作状态散落在个人电脑 | 环境、日志、上下文与产物可持续保存 |
团队协作靠手工交接 | 任务、分支、PR 和审核进入同一套流程 |
固定时间才能工作 | 可被定时任务、Webhook、Issue 或 Slack 触发 |
OpenAI 对 Codex Cloud 的描述非常直接:任务运行在 OpenAI 管理的计算机里,可以在电脑休眠后继续执行,并在桌面、网页或移动端继续查看和推进。
GitHub 的表述更像软件工程版的“异步委派”:Copilot Cloud Agent 可以研究仓库、制定计划、修改分支、运行测试,最后由人决定是否创建或合并 Pull Request。
Cursor 也在把这件事向前推进。它的 Cloud Agents 运行于隔离云环境,可以处理多仓库任务,支持环境配置、密钥、网络访问,以及由 GitHub、Slack、Linear、PagerDuty 或 Webhook 触发的自动化任务。
这些功能看上去像产品列表。
但它们合起来,其实指向同一个变化:
人类的工作时间,正在被转换成 Agent 的持续计算时间。
以前,开发者下班,电脑就闲置,项目也停在那里。
未来,开发者下班后,Agent 可能还在修一个 Bug、补一组测试、排查 CI 失败、整理一份迁移方案。第二天早上,人看到的不是空白聊天框,而是一组 Branch、一份报告、几个待审核的 Pull Request,和一些需要自己做决定的问题。
03 真正的战场,是六个控制点
如果只看产品表面,Cloud Agent 的竞争像是“谁的 Agent 更聪明”。
但把整个系统拆开,事情会变得不一样。
控制点 | 谁在争夺 | 它决定什么 |
|---|---|---|
模型 | OpenAI、Anthropic、Google、xAI 等 | Agent 能力、速度与推理成本 |
用户入口 | ChatGPT、Cursor、GitHub、IDE、手机 | 用户从哪里发起任务 |
代码与协作数据 | GitHub、GitLab、企业内部系统 | Agent 能得到什么上下文、结果交到哪里 |
Runtime | Codex Cloud、Cursor、AIHubMix、E2B、Daytona 等 | Agent 在什么环境中工作、是否隔离、能否恢复 |
Orchestration | Conductor、AIHubMix类产品与平台控制面 | 多个 Agent 如何拆分、协作、重试和汇总 |
权限与支付 | 企业、云厂商、平台 | 谁能授权、谁付账单、谁承担风险 |
这六个控制点里,模型最显眼,Runtime 最容易被忽略。
但 Agent 一旦开始执行真正的任务,Runtime 往往比模型更早成为问题。
模型知道要做什么,不代表它有合适的环境去做。
它可能需要一个预装依赖的项目目录;需要能访问测试服务;需要一个浏览器;需要 Git 凭证;需要一个临时数据库;需要在任务失败后恢复现场;需要在某一步等人类审批;需要在成本超支前被叫停。
这些事情并不在模型权重里。
它们构成的是一层 Agent 的执行平面。
OpenAI 现在已经开始把这一层明确产品化。其 Agents API 不只是调用模型,而是提供托管会话、上下文管理、恢复、沙箱与编排能力。模型调用按 API 计费,托管 Sandbox 也成为独立的基础能力。
这意味着模型公司不只想卖智能,它们也想卖 Agent 工作的场所。
GitHub 则更进一步。它不必从零创造用户入口,因为开发者的 Issue、仓库、分支、PR、CI、团队身份和协作流程本来就在 GitHub 上。Cloud Agent 只要接入这条链路,就能自然成为软件生产流程的一部分。
Cursor 的优势则在开发者工作台。它拥有编辑器、终端、模型选择、规则、上下文和用户习惯,再把任务送到云端,就完成了从“同步结对编程”到“异步任务执行”的延伸。
所以,Cloud Agent 的战争不只是模型公司、IDE 公司和创业公司在互相模仿。
它们是在争夺一个新位置:
谁能成为 Agent 工作的默认操作系统。
04 Conductor 被买走,说明了什么
Conductor 是理解这个市场的一个好样本。
它做的并不是“让一个 Agent 写代码”,而是让开发者同时管理多个 Agent:它们各自拥有隔离工作空间,可以处理不同部分的项目,并把变更集中到可审查的结果中。
这种能力很容易被低估。
单个 Agent 写代码,仍然像一个增强版助手。
多个 Agent 被派到不同任务上、共享目标但隔离环境、各自交付结果,再由人汇总和审核,才开始接近一种新的软件生产方式。
Meta 收购 Conductor 时,外界很难知道它买下的究竟是收入、用户、团队,还是具体技术;但至少可以确定,它买的不会只是一个漂亮界面。
因为模型平台和代码平台都可以做界面。真正稀缺的是如何把多个 Agent 组织起来:谁先做研究,谁写实现,谁跑测试,谁审查变更,谁在失败时接手,谁在任务之间传递足够但不过载的上下文。
这就是 Orchestration 编排。
Conductor 的变化也暴露了独立产品最现实的风险。
风险不再是“被收购后产品一定消失”,真正的问题是:产品被纳入平台之后,谁来决定它的模型选择、开放边界、定价、数据策略和路线图?
如果一个产品的价值只是“为 Claude Code、Codex 或 Cursor 做一个更好用的多开面板”,平台迟早可以把类似能力做进自己的产品里。平台拥有更低的模型成本、更强的分发能力、更自然的身份系统和更多的用户上下文。
Conductor 的故事,是更复杂的一条信号:
云 Agent 的需求是真的;独立产品能否长期保有对用户工作流的控制权,仍然没有答案。

05 四条路线,正在通往不同终局
现在的产品大致可以分成四条路线。
第一条:模型平台原生路线
代表是 Codex Cloud,以及 Anthropic、Google 等模型平台正在建设的托管 Agent 能力。
它们的优势是最直接的。
模型、推理、Agent Harness、工具调用、沙箱、会话和计费,都可以放进同一套体系里。用户不需要考虑部署,不需要自己处理环境恢复,也不需要把不同服务拼起来。
这是体验最顺的一条路。
但它也有一个问题:用户很容易被锁进某一种模型和某一套任务系统。
对个人开发者来说,这未必是问题。
对企业来说,则未必愿意把所有关键 Agent 工作流、代码上下文、权限体系和成本控制都交给同一个模型平台。
第二条:代码平台原生路线
代表是 GitHub Copilot Cloud Agent。
它的强项不只是模型,而是工作已经在那里。
Issue 是任务入口,Repository 是上下文,Branch 是隔离环境,PR 是结果载体,Actions 是执行底座,团队权限和审核流程也已经存在。
GitHub 不是在给软件开发添加一个 Agent。
它是在把 Agent 变成软件协作流程中的新角色。
这种路线对独立产品的压力很大。因为很多企业真正愿意付钱的,不是“一个很聪明的 Agent”,而是“一个能进入既有流程、留下审计记录、交出可审查 PR 的 Agent”。
第三条:独立 Agent 工作空间路线
Conductor、AIHubMix Cloud、boxes.dev 等产品,代表的是另一种可能。
它们不把自己绑定到单一模型或单一代码平台,而是把重点放在工作空间本身:长期在线、可并行、可跨设备、可连接不同 Agent 和不同模型。
AIHubMix Cloud 的公开页面把这种主张说得很直白:给你的 Agent 一台自己的电脑。
其 Plus 方案公开价格为 99 美元/月,配置包括 4 vCPU、8GB 内存、120GB 存储和 1TB 流量;支持 Claude Code、Codex、OpenCode、Pi、DeepSeek 等多种 Agent。
这种路线的想象力在于:把自己定义为多模型时代的 Agent 工作环境。
用户可以换模型,换 Agent,换任务类型,但项目环境、文件、运行状态、任务记录和工作习惯仍留在同一个地方。
它的难点也同样明显:如果只是提供一台 VM,云厂商做得更便宜;如果只是接几个模型,平台做得更顺;如果没有形成跨模型编排、长期状态、团队协作和权限治理的价值,它很容易沦为一个昂贵的远程开发机。
第四条:Agent Runtime 基础设施路线
E2B、Daytona、Modal、Cloudflare、各类沙箱和容器服务,更接近底层。
它们不直接面对“帮我改这个 Bug”的最终用户,而是让其他产品有能力为 Agent 提供隔离环境、短期容器、浏览器、文件系统、网络权限、恢复机制和可扩展算力。
这条路线离最终用户更远,但也可能更稳定。
因为无论上层 Agent 是 Claude、Codex、Cursor 还是未来的新模型,只要 Agent 要运行、要调用工具、要隔离权限、要保存状态,它就需要某种 Runtime。
问题是:这一层究竟会成为独立基础设施,还是最终被 AWS、Azure、GCP、Cloudflare 和模型平台吸收?
现在还没有答案。
06 云 Agent 到底卖什么:Token、云主机,还是结果
Cloud Agent 的商业模式看起来很多,本质上却都绕不开同一笔账。
用户看到的可能是:
- 每月 20 美元、60 美元、99 美元或 200 美元的订阅;
- 一台持续在线的云主机;
- 一定额度的 Agent 使用;
- 一组可并行运行的任务;
- 一套团队协作和审计能力。
平台真正承担的却是:
- 模型推理成本;
- CPU、内存、存储与带宽;
- 长时间运行的容器或虚拟机;
- 浏览器自动化;
- 沙箱隔离;
- 日志、监控、恢复和安全;
- 支持、支付、合规与企业集成。
因此,Cloud Agent 并不是一个天然高毛利的生意。
尤其当模型越来越强、任务越来越长、多 Agent 并行越来越普遍时,成本会变得很难预测。
Cursor 的现有定价就反映了这种现实:用户购买订阅后,Cloud Agents 等能力可以获得使用资格,但不同模型和任务仍会带来不同的用量消耗,第三方模型通常也会按 API 价格计费。
GitHub 的路线则是把 Agent 放入既有席位、Credits 和 Actions 体系之中。用户买的不只是模型使用,而是整个代码协作流程的一部分。
独立玩家通常会更重视 BYOK,也就是让用户自带 API Key、模型订阅或云账号。
这看似降低了产品的一体化体验,却可能是独立公司最重要的生存策略。
因为它把最不可控的推理成本交回用户,把自己的收费重点放到更稳定的部分:
- 工作空间;
- Agent 编排;
- 权限与日志;
- 多模型调度;
- 长期状态;
- 团队协作;
- 结果验证。
换句话说:
单卖 Token,护城河很浅。
单卖云主机,护城河也很浅。
真正可持续收费的,是把任务稳定变成可审核、可交付、可复用的结果。
07 平台会吞掉什么,独立公司还能留下什么
这大概是整个市场最值得问的问题。
平台会吞掉的东西,已经越来越清楚:
- 云端运行一个 Agent;
- 读取代码、改文件、跑测试、提 PR;
- 让用户从网页、手机或 IDE 发起任务;
- 常见的定时任务、后台任务与事件触发;
- 基础的任务日志、环境管理与模型调用。
这些能力对 OpenAI、GitHub、Cursor、Anthropic、Google 来说,都是必须具备的基础设施。
它们不仅能增加模型用量,也能锁住最有价值的开发者和企业客户。
独立公司真正可能留下的位置,则在平台之间、模型之间、组织之间。
独立公司可能留下的价值 | 为什么平台未必天然做好 |
|---|---|
多模型编排 | 企业很难永远只使用一家模型 |
成本路由 | 不同任务需要不同模型、上下文和算力 |
持久工作空间 | 企业项目需要长期状态,而非一次性任务 |
跨系统执行 | GitHub、Slack、Linear、Jira、内部系统需要协同 |
权限与预算控制 | 企业需要更细粒度的审批、审计和责任边界 |
可迁移性 | 关键工作流不能完全被某个平台锁住 |
结果验证与恢复 | Agent 会失败、循环、越权,需要可靠的兜底机制 |
独立 Cloud Agent 公司如果想活下来,不能把自己理解为“让 Agent 上云的工具”。
那太容易被平台吞掉,它必须成为一个更难被替代的位置:
管理一支 Agent 团队的控制台。
让十个 Agent 在不同模型、不同仓库、不同权限、不同成本约束下,仍能稳定协作、可控交付。
08 未来可能是“一个人一组 Agent Computer”
如果今天把 Cloud Agent 只理解为远程 Coding Agent,很容易低估它。
它真正可能带来的,是一种新的计算关系。
过去,一个人通常拥有一台电脑。
未来,一个人可能拥有一组 Agent Computer:
一个人
├── 研究 Agent:持续搜集、整理与更新信息
├── Coding Agent:维护仓库、修复 Bug、补测试
├── 运维 Agent:监控异常、生成排障建议
├── 内容 Agent:整理素材、产出初稿、更新资料库
└── 管理 Agent:分配任务、记录预算、等待审批每个 Agent 都不只是一个聊天窗口。
它可能有自己的文件系统、工具权限、工作记忆、定时任务、网络边界和长期环境。
人类不再逐一操作每台电脑,人类开始管理目标、预算、权限和验收。
这也是为什么“Agent Computer”比“Cloud Computer”更准确。
Cloud Computer 仍然是人远程使用电脑。
Agent Computer 则是 Agent 获得了计算机。
当然,这个未来不会自动到来。
当 Agent 有了自己的电脑,安全、权限、成本、数据泄露、错误传播和责任归属都会变得更复杂。一个会写代码的 Agent 出错,可能只是产生一个坏 Patch;一个能访问生产环境、云账号、支付接口和内部数据库的 Agent 出错,后果会完全不同。
所以,未来的 Cloud Agent 不只是运行环境,还必须是一套控制环境。
谁能启动,谁能停止,谁能授权,谁能查看,谁能恢复,谁来承担成本与责任,这些问题最终会比“模型到底有多聪明”更重要。
09 云 Agent 的战争,是执行权之争
Conductor 一度宣布 Cloud 关停、随后又宣布继续开发,恰恰说明,这个市场正在进入更现实的阶段:需求已经被看见,但产品的长期归属、开放边界和控制权仍在快速变化。
需求已经被验证:人们确实希望 Agent 在自己离线时继续工作,希望同时管理多个 Agent,希望任务能够从 Issue、消息、网页和手机进入,希望第二天醒来时看到可以审查的结果。
但供给方还没有稳定下来。
模型平台想拥有 Agent 的运行环境。
代码平台想拥有 Agent 的任务入口和交付位置。
IDE 想把同步协作延伸到异步执行。
独立公司想成为跨模型、跨工具、跨任务的工作空间与控制面。
云厂商则希望所有这些 Agent 最终都运行在自己的基础设施上。
所以,Cloud Agent 的真正战场,从来不在“谁的模型更聪明”。
它在模型之后。
当一个 Agent 接到任务、开始调用工具、持续运行数小时、和其他 Agent 协作、修改代码、访问系统、产生结果时——谁拥有对这一过程的控制权?
谁控制这件事,谁就可能控制下一代软件工作。
>/作者:王零壹,920.org.cn(AI Research Institute)创始人,港大AIBT研究生,前上市公司 CMO。长期研究 AI 产品、Agent 架构与商业增长,并持续观察技术变迁如何重塑人的工作、判断与生活。
*著有《AIGC从0到1》系列丛书、及东方寓言小说《飞将军》;
*善于洞察先机,1月26日中文互联网第1个意识到OpenClaw(小龙虾)范式价值的人;
关注我,一起AIGC从0到1~







