不要只问 agent 能为你做什么，要问你能为 agent 做什么。
搜索即智能 (Search is Intelligence)
几乎任何任务剥到内核，往往只剩同一骨架：找到正确信息，再以正确方式处理。模型在第二半越来越擅长——推理更谨慎、规划更深、从错误中恢复更从容。但推理只能作用于可见之物；没有眼睛的头脑再敏锐也是盲的。 第一半——找到正确信息——正是多数真实系统悄然失败之处。尤其在企业里，「正确方式」很少应由模型临场发明；更常见的是规范胜过灵活性——找到正确规范并遵循，或找到正确先例并模仿。这也是 Skills 成为现代 agent 基石、记忆层几乎可被任意 agent 接入的原因。 因此，多数智能形态似乎都可归结为一项能力：搜索。找到正确的数据与工具、规范与工作流，有时甚至是合适的 agent。搜索越精准，智能上限越高。这也是数据可观测性往往比单次模型升级更重要、统一数据接口能悄然释放系统中闲置能力的原因——这是 agent 中不会被模型升级替换的那一部分。Agent 也是数据 (Agent is Data)
在电商系统里，订单、客户与商品是数据，这显而易见。更隐晦的论点是：agent 周围的一切也是数据。Prompt 是数据，有自己的版本、翻译与评测。模型选择是数据，受更新、调优与路由影响。工作流、各 agent 的记忆与工具、会话与消息，以及留下的日志与反馈，亦然。 这呼应 von Neumann 的存储程序思想：指令与普通数据终于共处同一内存、以同一方式寻址。agent 时代似乎需要类似一步：用我们管理业务数据的同一数据抽象，存储 agent 是什么——Prompt、沙箱、记忆、知识与模型选择。有了统一的管理界面与一点自引用，系统才有空间维护、演化并逐步优化自身。 一旦这样看，编排就不再是独立学科，而像搜索的又一实例：找到合适的规范、Prompt、工具、记忆与模型，再为当前任务组合。当 agent 能像管理业务数据一样管理自身数据，它便可开始自我改进——搜索更好的 Prompt 或工作流，并写回结果——在覆盖数据、agent 与二者循环的同一抽象之下。知识是统一的 (Knowledge is Unified)
随着 agent 时代成熟，某些形态反复出现。几乎每种 agent 制品——无论底层来源——往往都带有名称（标识）、短描述（渐进披露）、长描述（细节）、若干示例、用于分类与治理的元数据，或许还有更多。Prompt、函数、数据集与工作流都趋向同一「信封」。 Unified Knowledge Format (UKF) 试图捕捉的正是这一点。UKF 不是强迫一切重写的新物理格式；它更像共享的入口——引导 agent 在不先知道来源或存储的情况下理解一条知识。单条 UKF 记录大致是 agent 理解并使用某物的最小单元，因此可作为 agent 与数据对话、人类与 agent 讨论数据的共同语言。 它也缓和层级与扁平的旧张力。单个单元格可以是 UKF 记录；单元格集合、表或整库也可以。同一词汇在各粒度都适用，这正是 agent 系统在成长中保持可组合的一部分原因。 重要字段大致分为七组：- 标识 (Identity) — name、version、type：区分不同知识片段。
- 载荷 (Payload) — summary、instructions、examples、artifacts、confidence：实际构成发给 LLM 的 Prompt。
- 检索 (Searchable) — desc、keywords、tags、priority：驱动检索但不必进入载荷。
- 治理 (Governance) — workspace、active、visible、创建/更新时间戳、过期与新鲜度策略、creator、owner、authentication、metadata、note。
- 血缘 (Lineage) — source、parent、history、transforms。
- 使用 (Usage) — statistics、feedback、annotations。
- 关联 (Reference) — related knowledge、related automations。
MetaSchema 与 Catalog，并会随我们对 agent 需要了解什么而演进。与此同时，用户自定义 schema 可与 UKF 字段结合，捕获特定应用所需的领域属性。
世界是结构化的 (World is Structured)
多数记忆层把世界想象得相当非结构化：自然语言文件或片段、任意图边、或模型内权重。我们认为这忽略了现实一个不易察觉的属性：单个事实与链接可以任意，但它们的类型很少如此。类型往往呈幂律分布——少数数据与关系类型高频出现，长尾类型几乎不出现。 以「巴伐利亚在德国」为例。非结构化本能是把它存成又一句句子，或图上的又一条边。结构化本能则注意到「State」与「Country」都是「Administrative Region」下反复出现的类型。与其记忆每个事实，不如构建如Region(Continent, Country, State, City) 的 schema，此后每个新的州—国家关系都属于该 schema。agent 只需被告知 Region 概念，即可像面对表中的行一样推理与检索，而非面对一堆句子或图边。
换言之，我们不背字典；我们学会如何查字典。这与数据库中的 schema、编程语言中的类型系统同源——它让不断增长的知识体不致塌成不可搜索的句子堆。