本文来自 Grasp 创始人雷磊的播客及分享，有删减。 曲凯： Agent 今年这波热潮其实是 Manus 带起来的，到现在为止，各种 Agent 大家已经投得不少了。那下一个热点可能在哪里？ 在这个服务主体转移的过程中，人类和 AI 的行为模式确实存在区别。 我们觉得可能是 Agent Infra。 正好雷磊现在做的 Grasp 就是一个给 Agent 用的浏览器。你是怎么想到要做Agent Infra 的？ 雷磊： 首先，我相信未来 Agent 的数量会不断增加，至少会达到现在 SaaS 数量的几千倍。 而且 Agent 能直接交付结果，因此它其实就是一个数字员工，我们应该把它视为像人类一样的终端用户。但因为 Agent 与人类的形态截然不同，所以当下互联网的 很多基础设施都是不适合 AI 使用的，都需要为 Agent 重构一遍。 那基于这两点，Agent Infra 就是一个非常大的市场机会。 曲凯： 那未来 Agent 和人类到底会怎么协作？你提到说 Agent 和人类完全不同，具体有哪些体现？ 雷磊： 现阶段大家普遍认为 Agent 是为人类服务的，但在我看来，未来应该是人类为 Agent 服务，因 ...

Agent赛道热度与机会 - Agent赛道热度持续数月 多个方向项目已获融资 行业关注下一波机会 [1] - Agent Infra被视为新兴机会 涉及基础设施层创新 [1] - 硅谷热门项目E2B和Browserbase引发行业讨论 [1] Agent Infra发展路径 - 产品设计从"面向人类"向"面向Agent"演化 需重构交互逻辑 [2] - Agent专属浏览器成为关键基础设施 需解决差异化需求 [2] - 行业探索长期记忆解决方案 技术进展受关注 [2] 行业实践动态 - Grasp创始人提出Agent Infra方法论 强调实践观察 [1][2] - 线下活动聚焦一线创业者经验 覆盖浏览器实践等主题 [2] - 行业交流趋向垂直化 限定非投资领域从业者参与 [2]

全球化战略与心态 - 全球化必须被视为"不做就会死"的战略而非第二曲线尝试 否则难以真正投入资源与决心 [2][4] - "出海"与"全球化"存在本质差异 前者缺乏明确市场聚焦 后者需从day 1就选定具体地区突破 [6][8] - 美国市场具有最高辐射价值 其成功案例能带动其他地区 而日本/东南亚市场无法反向影响美国 [11][12] - 美国企业软件客户支付意愿强 系统宕机5分钟造成的股价损失远超服务费用 百万美金级测试预算很常见 [13] 市场选择与执行策略 - 日本市场业务极度可预测 但增长节奏不受供应商push影响 客户具有强烈契约精神 [15][17][18] - 必须摒弃"出差心态" 需要团队常驻海外才能建立深度客户关系 临时拜访难以形成长期合作 [19] - 团队组建应岗位差异化 销售/解决方案需本地化 研发初期可从国内派遣但需逐步过渡 [20][22] - 中国团队三大竞争优势：技术工程能力、供应链管理、7×24小时贴身服务响应速度 [24][25][26] 产品与商业化关键 - 安全合规优先级高于产品性能 需提前1-2年准备SOC/HIPAA等认证 否则将错失金融医疗客户 [32][33] - 海内外产品本质不同 国内侧重私有化部署 海外主推云服务 开源内核是最大公约数 [34] - UI/UE设计ROI极高 直接影响客户第一印象 美国市场特别重视Storytelling能力 [35] - 客户选择应聚焦LTV 北美客户实际价值可能是预估值的3-5倍 年贡献100w美金才算大客户 [39][41][42] 组织与资源配置 - 创始人需预留300w美金学费 做好3年零产出准备 PingCAP曾犯过5000w美金级错误 [29] - 早期应招聘本地销售并共同拜访客户 销售背景负责人更易衡量产出 最终各地区一号位多为销售出身 [29] - 全英文办公和使用国际化工具是检验团队国际化水平的重要里程碑 [48] - 国内业务增长反而可能拖累全球化进度 其他地区已盈利情况下中国区仍在亏损 [49] 行业认知与建议 - 无需过度关注竞争对手 美国市场足够大 主要威胁来自传统云厂商而非同规模公司 [27][28] - PLG/SLG选择取决于产品DNA 本质应追求Value-LG LTV长短决定商业模式 [46] - Marketing应后置于客户口碑 早期重点获取能主动传播产品的标杆客户 [47] - 企业服务行业在海外利润率显著高于中国 全球化需要坚决all-in的决策 [49][50]

有趣的是，人工智能正通过不断演进的注意力机制，变得更专注、更目标导向、更具长期思维；而人类却在汹涌的生成式内容中愈发迷失，变得迷茫、割裂，碎 片化。 之所以会出现这种差异，本质上是因为 AI 和人类的注意力机制截然不同。 信息越密集，对注意力的要求就越高，能耗也越大。然而，AI 消耗的是算力，可以通过增加计算单元做加法；人类消耗的则是心力，只能靠聚焦与克制做减法。 前者容易，后者难。 自从那篇著名的论文《Attention is All You Need》问世以来，Transformer 架构不仅首次赋予了机器 Attention、推动了 AI 技术的飞跃，也进一步促进了人类对注意 力机制的研究，促使我们以全新的视角重新审视自身对信息的感知与理解。 特别是随着世界运转速度的加快，保持专注和收拢注意力变得越来越困难。我们的注意力机制正在逐渐失效，甚至崩溃，导致许多人失去了独立判断的能力。 结果是，世界的分化程度日益加剧。 这种分化在社会的各个层面都有所体现，包括宏观的地缘政治、中观的贫富差距，以及微观的夫妻关系。 过去，人们能够在面对波动时进行独立判断，之后形成共识，然后携手共渡难关，形成「你好我也好，你差我也 ...

23 年 4 月以 AutoGPT 为代表的那一波里，Agent 更像是一个玩具，demo 都很炫，但实际应用价值很有限。 经过两年的发展，这波 Agent 确实能够在实际的工作和生活场景中解决问题，为大家带来价值了。 曲凯： Agent 是当下绝对的风口。关于 Agent 这个话题，我自己有一些核心在思考的问题，相信也是很多人同样会有疑问的地方。所以今天我们请来了长时间对 Agent 有研究和实操的文锋，想就这些问题展开一些讨论。 首先我想问，到底怎么定义 Agent？ 文锋： 我认为最好的就是 Anthropic 的定义：Agent 是让模型基于环境反馈去使用工具的一个程序。 曲凯： 那你怎么看最近这波 Agent 热？ 文锋： 这波 Agent 跟过去非常不一样。 之所以会有这种跃迁，一是因为底层模型能力有了很大的进步，尤其是在结合了 RL 之后，以 o1 为代表的模型还赋予了 Agent 长思维能力。 二是因为 Agent 的工程侧和产品侧也有很大的突破，主要表现就是大家更知道该怎么给 Agent 构建一个合适的 Context，从而更好地解决问题了。 曲凯： 怎么理解这个 Context？ 文锋： ...

技术原理 - 强化学习（RL）是用于解决多步决策问题的算法框架，与传统机器学习不同，无标准答案但有反馈机制评判结果[3][7] - 大语言模型（LLM）本质是预测下一个词，存在不遵从指令的缺陷，通过与 RL 结合解决该问题[8][9][10] 行业应用 - RL+LLM 应用广泛，海外 OpenAI 的 RL 已从纯推理进化到 Agent 范式，实现多轮交互和上网互动[21] - 国内豆包和 DeepSeek 等团队在探索 RL+LLM 的新可能性，不同公司在该路径上出现编程、Agent、通用泛化能力等分支[21][26][27][28] 发展趋势 - 预训练的规模法则收益变小，但仍有数据和模型小型化两个发展方向；RL 的规模法则处于初始阶段，决策能力将持续提升[26] 人才与基建 - RL 人才稀缺，因门槛高、工业界应用少、对工程要求高；开源工作可降低使用门槛，如 AReaL - boba 框架[33][34][35][36] 训练与评估 - RL 训练中基建最重要，其次是数据和算法；评估可看准确率和多轮交互体验[29] 组织架构 - 大模型团队最好将 LLM 和 RL 两条线融合，至少设预训练和后训练团队，再按目标细分[31]

曲凯： 今天我们请来了国内强化学习 (RL) 领域的专家吴翼，吴翼目前是清华大学交叉信息研究院助理教授，他曾经在 OpenAI 工作过，算是国内最早研究强化学 习的人之一，我们今天就争取一起把 RL 这个话题给大家聊透。 首先吴翼能不能简单解释一下，到底什么是 RL？ 因此，RL 其实更通用一些，它的逻辑和我们在真实生活中解决问题的逻辑非常接近。比如我要去美国出差，只要最后能顺利往返，中间怎么去机场、选什么航 司、具体坐哪个航班都是开放的。 但 RL 很不一样。 RL 最早是用来打游戏的，而游戏的特点和分类问题有两大区别。 第一，游戏过程中有非常多的动作和决策。比如我们玩一个打乒乓球的游戏，发球、接球、回球，每一个动作都是非标的，而且不同的选择会直接影响最终的结 果。 第二，赢得一场游戏的方式可能有上万种，并没有唯一的标准答案。 所以 RL 是一套用于解决多步决策问题的算法框架。它要解决的问题没有标准答案，每一步的具体决策也不受约束，但当完成所有决策后，会有一个反馈机制来评 判它最终做得好还是不好。 吴翼： RL 是机器学习这个大概念下一类比较特殊的问题。 传统机器学习的本质是记住大量标注过正确答案的数据对。 ...

「东升西落」的叙事 曲凯： 最近我又来美国了，发现市场真是变化太快，这边突然有人开始提到一个所谓「东升西落」的叙 事。 莫傑麟： 对，二级市场今年 1 月以来一直在演绎这个剧本，但其实 24 年就已经在为这个叙事做铺垫了。 24 年美国的宏观环境和各项经济数据都比较好。他们一方面非常重视 AI，在所有前沿创新上也一直绝对领 先，另一方面又凭借美元的强势吸引着全球的投资。 但今年 Trump 上台之后，情况发生了变化。 Trump 在关税、财政支出上都做了很多调整，一套大刀阔斧去杠杆的动作下来，大家关注的重点从 AI 转向 了宏观问题，也对未来多了很多不确定性。 又因为过去几年，美国股市一直走高，投资人的预期已经被拉得很满。所以大家现在极度厌恶风险，股市 就会出现剧烈的震荡。 而今年的中国刚好是美国的镜像。 其实国内的股价从 24 年开始就有回升，但并不明显，直到今年 DeepSeek 的发酵才彻底引爆。 归根结底，还是因为大家之前对于中国科技行业和宏观环境的预期都太低了。 曲凯： 对，我觉得「东升西落」本质上是一种价值评判的回归，之前大家确实过于低估国内 AI 了，而 DeepSeek 就是一个典型代表。 所 ...

「东升西落」的叙事 曲凯： 最近我又来美国了，发现市场真是变化太快，这边突然有人开始提到一个所谓「东升西 落」的叙事。 莫傑麟： 对，二级市场今年 1 月以来一直在演绎这个剧本，但其实 24 年就已经在为这个叙事做 铺垫了。 24 年美国的宏观环境和各项经济数据都比较好。他们一方面非常重视 AI，在所有前沿创新上也一 直绝对领先，另一方面又凭借美元的强势吸引着全球的投资。 但今年 Trump 上台之后，情况发生了变化。 Trump 在关税、财政支出上都做了很多调整，一套大刀阔斧去杠杆的动作下来，大家关注的重点 从 AI 转向了宏观问题，也对未来多了很多不确定性。 又因为过去几年，美国股市一直走高，投资人的预期已经被拉得很满。所以大家现在极度厌恶风 险，股市就会出现剧烈的震荡。 而今年的中国刚好是美国的镜像。 其实国内的股价从 24 年开始就有回升，但并不明显，直到今年 DeepSeek 的发酵才彻底引爆。 归根结底，还是因为大家之前对于中国科技行业和宏观环境的预期都太低了。 曲凯： 对，我觉得「东升西落」本质上是一种价值评判的回归，之前大家确实过于低估国内 AI 了，而 DeepSeek 就是一个典型代表。 ...

美国顶级孵化器 HF0 为什么有效 曲凯： 所以你的经验就是硬讲。 Joe： 是的。 曲凯： 明白。美国有很多孵化器，甚至很多基金都在搞孵化。 如果有国内的创始人有兴趣去美国的孵化器，根据你自己的体验，你觉得他们该去吗？又该怎么选？ Joe： 我是觉得 HF0 跟其他孵化器都不一样。 曲凯： 你们只用了 3 个月的时间就把收入翻了 10 倍，其中一个重要的契机是你们去年 9 月参加了美国顶尖 的孵化器 HF0。 我想好奇先问下，英语水平会限制你们的表达和造成一些问题吗？ Joe： 肯定会有这样的情况。但我觉得沟通中的很多问题，本质上可能并不是语言的问题。 举个例子，如果我们和另外一个中国公司合作，他们不懂我们的技术，我们也不懂他们的技术，但双方 去讨论 怎么整合 API，必然会出现的一个情况是：前半小时你觉得对方是个傻子，对方也觉得你是个 傻子。 我是觉得在沟通深入到一定程度之前，大家就是很难相互理解。只不过当我们用英语跟别人交流的时 候，往往会把所有的问题都归结于自己英语不好，然后就不自信了。 HF0 一直说自己不是一个 accelerator，而是一个 residency。 它非常强调一个名词叫「cont ...