传统信息系统只有数据和行为两个元素，AI 是第三个。我从一个图生视频小应用出发，把它逐项对齐到现有的 Agent 平台，剩下的问题只有一个：控制流归谁。由此分出两条路：数据平台为主、Agent 平台供给工作流，这是 Workflow 模式；Agent 平台为主、数据平台以 MCP 供给数据与行为，这是 Agent 模式。本文拆开两条路的拓扑、契约、状态与副作用处理、改造清单和控制力的具体去向，再看产业现状如何在两条路上同时走。结论没有通用答案，只有场景变量。
半年前我判断 Agent 平台难以破圈、个人助手终将爆发。半年后回看：方向对了，诊断错了。模型对 Agent 的理解、Harness 的操作系统化、沙箱的迅猛发展、Skills/MCP/Plugin 的标准化，把"平台 vs 助手"的二分法彻底消解了。
当AI逐渐成为下一代的日常工具，我们需要一起思考：除了教会孩子使用AI，还应该为他们保留哪些独立思考的空间？
M5 Pro / 64GB 上用 oMLX 部署 Qwen3.8-27B-Uncensored，DFlash2 投机解码在代码任务上把 16.4 tok/s 拉到 30–45 tok/s。附完整 Profile 配置、acceptance 实测数据，以及一个反直觉的结论：draft 接受率取决于任务类型，而不是权重是否被 abliterate 过。
