AI Coding与Agent能力跃迁 - AI Coding能力已跨越奇点，人类介入比例从过去的10%降至约0.1%，系统可自主运转[5][8] - 对AI Coding能力评分：25年初不及格，后提升至60分（小局部工作），再到80分（大模块架构与组织），目标90分（复杂项目设计与审查）[9][10][11] - 在10万行代码以内的项目中，AI的表现优于高级工程师团队，且速度更快[12] - 个人重度使用案例显示，每日消耗近十亿级别Token，产出数万行代码，相当于数十人月工作量[12] - 部分公司内部代码已100%由AI编写，未来软件开发可能呈现两极分化：100%人类手写或100%AI生成[13][14][16] 关键产品与技术演进 - **Claude Code**：定义了本轮Agent的形态基础，标志着大模型能够操控现实世界，从编程切入因其可控性，未来通用Agent形态很可能就是编程Agent[16] - **长上下文信息召回率**：关键指标从GPT-5.1的约30%提升至GPT-5.2的近90%，这对Agent在多轮复杂任务中的准确性至关重要[17] - **Agent的Context Engineering**：在System Prompt和Tool Use编排上的最佳实践由Claude Code引领并快速传播[17] - **Cowork**：本质是Claude Code的插件，封装了Computer Use能力，底层逻辑无重大突破[18][19][20] - **Skills**：优于MCP的封装方案，因其组合性更强（自然语言可叠加）、更易上手（可直接让Coding Agent现场编写）[25][26][27][29][30] - **Clawdbot**：运行在本地电脑的全能助手，能以自然语言交互，控制鼠标键盘完成几乎所有操作，底层是类似Claude Code的编程Agent[31][32][33][34] - Clawdbot被猜想为未来操作系统的雏形：内核是聪明的编程Agent，上层是Skills，最外层是交互界面[34] - Clawdbot设计包含记忆系统，可长期积累和成长，并能通过编程自我补强能力，实现一定程度的自我演化[41][42][46][47] - **moltbook**：一个AI社区，Clawdbot等AI可接入并互相交流技巧、改进工作流，展现了多智能体协作与能力涌现的潜力[47] 市场影响与未来趋势 - AI Coding能力的成熟使得直接套用AI Coding和Agent的壳成为新趋势，而非简单套用大模型[34] - 技术平权仍处早期，Clawdbot等高门槛产品的意义在于展现新的可能性，预计未来将有更多团队推出易用产品，让更多人体验[48] - 2026年AI应用层预计将迎来大爆发，AI Coding带来的体验升级将快速扩展到设计等其他领域[49][61] - 全球算力出现短缺，叙事重回堆算力，因AI Coding、多模态应用等对Token的消耗远高于早期Chatbot[59][60][62] - 未来创业方向可能集中于两个极端：追求极致“人味”（解决AI无法替代的人际连接与长尾需求）和追求极致效率（用AI将效率提升数个数量级）[52][53][54][55] - 介于“极致人味”与“极致AI”之间的业务将越来越难做[56] 组织形态与人才需求演变 - 未来组织可能由独立模块构成，每个模块由一位高级工程师负责，带领一群Agents工作，核心能力是判断与决策[67] - 模块与Agents之间协作需求降低，因单元效率极高，协作易引入问题，清晰的边界和共同目标变得更为重要[67][74][75] - 对工程师的建议是思考如何成为更有趣的人，因为编程将日益工具化，想法和创造力变得更为重要[64][65] - 编程可能分化为不同赛道：用AI满足刚需、满足竞技/艺术/审美需求、以及创造本身带来成就感的Builders[66][67] 基础设施与概念创新 - **Box概念**：作为Skills的延展或组合基础设施，将技能与完整的执行环境绑定，隔离副作用，使原子能力可被稳定、重复调用和组合[68][70][71][72] - Box的实践案例包括封装登录、下单等固定流程，为Agent提供稳定的执行空间[71] - AI当前的主要瓶颈从技术能力转向经济学问题，即算力成本与使用ROI的权衡[50][51] - AI已能覆盖所有在电脑上完成的任务，但物理世界任务（如取外卖）仍是局限[49]

文章核心观点 - AI行业已完整走过第一个三年周期，市场从早期非共识走向广泛参与和竞争 [2] - 投资机构最正确的决策是All in AI，但反思在早期应更开放、更激进地投资全球机会，并认识到算力是未来支配智力的核心资产 [3][4][6][9][10][13] - 未来三年将进入“大科学时代”，AI将极大赋能科学家，推动科学大爆发，而构建AI与人的“主体性”是未来十年的核心议题 [22][60][61][66] - 在AI时代，个体“活出自己”是几乎唯一的生存和发展策略，AI将放大个体的独特点，而真实和执行力变得比思考和演算更有价值 [24][29][31][57][58][151][153] - 对AI“泡沫”的讨论是产业变迁中的噪声，关键在于方向正确，AGI是人类当下最有价值的命题 [33][37][38][39] 对过去三年的复盘与反思 - **最正确的决策**：All in AI，并在早期非共识时投资大模型而非垂直模型，投资Agent而非应用，预言了超级个体时代 [3][14] - **最错误的决策/反思**：早期投资心态可以更猛，项目性价比更高，例如23年具身智能项目估值仅1-2亿人民币，贵的也才10亿人民币 [3] - **错失的机会**：因顾虑地缘等因素，错过了投资美国具身智能公司Figure AI的机会，其估值从8亿美金增长至400亿美金 [4] - **认知变化**：大方向判断正确，但低估了全球大公司（如Google、微软、Meta）对AI的反应速度、投入决心和战略能力，这反过来压低了创业公司的天花板 [15][16][17][18] - **投资方法论的进化**：在快速变化的AI领域，对人的判断比事更重要，更珍惜创始人的执行力、动态解决问题和实事求是的能力 [51][52][53][54][55] 对AI技术与产业的前瞻判断 - **AGI的信念与定义**：相信AGI会很快到来，其定义并非全知全觉的生命，而是在任何可验证结果的环境中超越人类的AI [19][20][21] - **多模态与具身智能的重要性**：多模态是AI发展的关键，而具身智能是提供多模态训练数据、通往AGI的重要路径（“北坡”） [82][83][84][87] - **AI与具身的关系演进**：认知经历了三个阶段：从“能干活的机器人”，到“AI的载体”（Embodied AI），再到“Robotics就是AI本身”，最终价值在于通过机器训练出的AI [89][90][92][93][94] - **算力的核心地位**：未来是智力时代，算力是支配智力的关键，可能越来越稀缺并受监管，未来慈善可能是捐赠免费算力 [10][11][12] - **未来重点方向**：关注AI与科学的深度结合、Agent基础设施（Agent Infra）以及具身智能，中国在具身智能（北坡）有巨大机会和领先潜力 [98][99] 市场与投资环境分析 - **市场阶段变化**：市场从早期能完全覆盖信息，发展到25年公司数量激增、噪音变多，类似早年的移动互联网，需要做取舍和聚焦主要矛盾 [47][48][49][50] - **退出路径变化**：香港市场成为重要的新退出通道，同时市场参与者结构变化，如智谱、MiniMax等头部公司中人民币基金和政府基金占比显著 [78][79][80][81] - **当前市场信号**：高频信号是火热的融资市场（一周可达四十几个TS），但这可能是噪声；低频信号是创始人是否在解决真正重要的问题 [72][73][74] - **资产配置逻辑**：在AI时代应“Long Action, Short Thinking”（做多行动，做空空想），执行力比空想更值钱 [57][58] - **对融资市场的展望**：对26年融资市场乐观，全球前沿科技看中美，当前资金有从美国减仓并流向中国的趋势，且中国式创新（如DeepSeek、MiniMax、宇树）正获得全球关注 [100][102][103][104] AI时代下的个体与组织发展 - **个体的生存策略**：AI时代个体必须“活出自己”，AI将放大每个人独特的美学或能力点，使其能服务更多人；即使不参与AI变革，活出自己也能成为无法被替代的部分 [24][25][29][31] - **执行力的价值**：在AI能力强大的背景下，人的核心优势在于定义问题、保持初心和快速执行，获取AI无法获得的体感反馈 [55][56] - **注意力的优化**：如同优化AI的注意力机制，人也应优化自身注意力，关注长期低频信号而非短期噪声，以提升生命质量 [124][125][126][127][128] - **组织与伙伴关系**：好的合作伙伴是能让彼此变得更真实、能毫无保留表达真实看法的人，合作中应追求“一层真实”而非层层计算 [151][152] - **创始人的特质**：优秀的创始人特质是“真”与“知行合一”，例如不看竞争对手融资，只聚焦AGI目标与技术研发 [155][156][157][158][159] 中国创新的全球角色 - **中国创始人的全球视野**：新一代中国创始人具备全球眼光和创新决心，正在走向全球市场并引导全球创新，尤其在智能硬件领域（如极壳、大疆、拓竹） [159][160] - **中国在AI发展路径中的优势**：在通往AGI的“北坡”（具身智能）上，中国拥有巨大的机会并处于领先地位 [99] - **本土资本体系的构建**：中国正在搭建自己的科技公司估值体系和资本成长体系，尽管退出市场尚年轻，但方向正确 [81] - **全球创新范例**：如MiniMax从创立第一天就是全球格局，致力于全球创新、产品和用户 [160]

文章核心观点 - 文章通过投资人与AI创业者俊杰的对话与观察，阐述了对新一代创业者的核心投资理念：卓越的创始人应具备超越个人需求的宏大出发点（如“Intelligence with Everyone”）和长期专注于愿景的坚韧智慧，而非仅仅关注竞争或短期商业利益 [2][3][5][15] - 中国新生代创业者正发生结构性改变，他们成长于经济高速发展期，具有底层的丰盈感，因此更可能超越个人需求，定义新方向并引领全球前沿创新 [15] - 真正的技术价值在于“User In the Loop”，即用户可感知的技术产品，而非单纯的技术调用 [2] 对创业者俊杰的观察与评价 - 创业者俊杰坚信AGI（通用人工智能）必将实现，其创业出发点是推动AGI发生并让技术服务每个人，即“Intelligence with Everyone” [2] - 俊杰认为AGI是技术、产品、商业、公司整体结合的系统工程，因此选择从应用切入，因为“技术是奢侈品”，单纯技术（如商汤曾每日调用超10亿次的人脸识别）若无产品化则收入有限 [2] - 其在决策离职创业时，核心自问“这是不是人生一定要做的事”，并展现出极强的专注力，不关注竞争对手的营销与融资动态，只专注于通往AGI之路 [2][6][10] - 其创业过程并非一帆风顺，但非常笃定并逐步实现了当初描绘的愿景 [13] 投资机构（绿洲资本）的核心理念 - 投资机构在早期投资中，更关注创业者的出发点和关注点，而非商业模式和短期业绩 [3] - 卓越的创始人是稀缺的，其核心能力是能长期专注在正确事情上的智慧 [5][8] - 机构致力于发现并投资那些具备“生命力”的企业家，即拥有坚韧、进化力量并能引领时代结构性变革的创业者 [25] - 机构专注于早期和成长期投资，单笔投资金额为300万至3000万美元，重点投资领域包括机器人、人工智能、科技服务等 [25][26] 中国新生代创业者的特征 - 新生代创业者成长于中国高速增长年代，底层的丰盈感使其中的一些人能够超越个人需求，去定义新方向、构建新范式并敢为天下先 [15] - 他们长期专注在自己真正感兴趣的前沿创新上（如宣称“生命是可以设计的”、“具身智能通往AGI”），但在个人生活上可能极为简朴（如使用宜家99元的办公桌） [16][17] - 他们并非世俗意义上的完美形象（可能穿着破洞衣服、不善社交），但因相信自己的愿景并专注践行，从而活出了强大的生命力 [16][17][19]

AI行业发展趋势与共识演变 - 2023年，中美投资共识是集中投资大模型公司，如OpenAI和Anthropic，这些公司拿走了行业大部分利润[3] - 2023年普遍认为AI应用只是“套壳”，价值不大[3] - 2024至2025年，判断发生变化，应用层公司如Cursor、Perplexity逐渐建立起自己的特色和护城河[4] - 最近两年AI Agent概念火热，但落地困难，核心问题是稳定性不足[5] - 行业叙事从讲AI Agent故事转向更强调企业化落地，创业者整体变得更务实[6] 模型与应用的未来方向 - 在模型侧，Scaling Law被认为已经走到终点[7] - 提升模型性能的途径转向使用医疗、生物等细分领域数据进行微调[7] - 在应用层面，机会依然很大，硅谷看到的大多数机会集中在ToB领域[8] - ToB场景中普遍存在产品准确性不够稳定、反而增加人工核查成本的问题，这意味着巨大的改进空间[8][9] - ToG是另一个重要机会，美国很多政府软件落伍，但前提是AI产品必须做到稳定性万无一失[10] - 大多数应用公司，尤其是早期公司，没有必要走用自己数据训练模型的道路，因为成本高且大模型迭代快，微调的优势可能迅速消失[72][74] - 真正有能力自训模型的应用公司需同时具备大体量独家专有数据和非常强的技术团队[73] - 大部分应用公司，尤其是coding等与模型关系密切的方向，容易被模型公司直接吃掉；但更细分的赛道如AI法律、AI金融，给创业者留下了空间[75] 中美市场与创投生态差异 - 美国AI创投几乎都集中在ToB和ToG，甚至有美国投资人表示看不懂ToC，这与国内形成反差[10] - 差异根源在于市场性质：中国是高度统一的大市场，用户需求集中；美国是极度多元的社会，难以形成“一个产品吃下大盘”的TAM[10] - 美国企业付费意愿更强，更愿意为“软件”付费，而中国企业更习惯为“服务”付费[11] - 美国人工成本高，软件直接替代人力的付费动机明确；中国许多企业倾向用人力、外包或服务解决问题，压缩了纯软件的定价空间[11] - 美国的小费文化使其对小额高频付费更习惯，每月20美金的订阅费更容易被接受[11] - 对于Prosumer产品，在中国通常划为ToC（用户自掏腰包），在美国则划为ToB（常由公司采购）[12][13] - 在美国，Prosumer产品走向ToB是最优解，因为B端用户支付意愿和粘性非常强[17] - 美国的ToB应用，包括开发者工具公司，退出路径明确，容易被微软、谷歌等大公司或中型公司收购[23] - 相比之下，ToC公司很难被收购，因为C端用户画像差异太大，多独立存在[23] 美国投资逻辑与估值体系 - 投资人会担心公司前两三个大客户占收入60%–70%的情况，这可能说明公司尚未找到真正的产品市场契合[18][19] - 大量定制化服务在美国投资人眼中是一个很大的忌讳[20] - 到A、B轮之后，大客户占收入30%–40%被认为是更合理的状态[21] - 天使轮估值常见为1000万美金，贵的能到2000万美金[41] - 种子轮第一轮估值在2000万到2500万美金之间，YC背景的公司可能达到3000万甚至4000万美金[41] - 背景特别好的公司，可能什么都还没有，估值就能达到1至2亿美金[41] - A轮估值基本都在1亿美金以上，门槛已提高到需达到300-500万美金ARR才能融到较好的A轮[41] - AI公司不应沿用传统SaaS的估值方式（ARR乘以20或30），其倍数应该更低，因为每多提供一份服务都会产生额外的Token成本[42][43] - 很多头部AI公司如Cursor和Perplexity的估值被认为是偏高的，投资人忽视了其结构性问题[44] 创业者画像与融资实践 - 美国发展最好的100家AI公司创始人最常见年龄是26、27岁，中位数在28-29岁，大约10%–15%的创始人在18-25岁之间[33] - 最流行的创始人画像是二十七八岁、从大厂出来有很强技术背景的人，或学术能力强有博士学历的人（后者更适合做CTO），以及有过成功经验的连续创业者[37][38] - 硅谷也存在年龄歧视，35岁以上且无很大成绩的创业者再创业会面临更多质疑[39] - 美国融资流程：第一步是调整或承诺调整为Delaware公司架构[45]；第二步是建议先在硅谷居住1-2个月融入当地生态，避免使用FA（可能扣分）[46]；第三步是约见投资人，首次会议通常只有30分钟，需简洁清晰[47]；后续会议会深入讨论细节并审查资料[48][49]；整个流程在目标基金内大约需要两周，见创始人3-4次[53] - 给创始人的建议：找准第一个接触的、能独立做决定的投资人作为内部倡导者[54]；一开始接触四五十家基金，因为最后通常只有两三家愿意投[55]；可以先融一小轮天使投资，相关领域的天使投资人能提供巨大背书和帮助[55] - 美国有至少大几千家投AI早期的机构[55] - 融资时，创始人可以直接询问机构的投资情况、方向和风格[56] - 熟人介绍与Cold Email效果差异巨大：熟人介绍约有一半基金会愿意聊，Cold Email可能只有10%甚至更低[58] 产品偏好与投资方向 - 美国更偏好“一个产品解决一件事”，如Granola专门做笔记；中国更习惯功能叠加，如飞书[60] - 美国整体更偏好纯软件、偏ToB；中国更倾向做ToC和软硬件结合[61] - 从用户体验看，ChatGPT近期做得特别好，Anthropic因拿到很多大客户订单、企业端增长快而被看好[62] - 看不懂在做什么的大模型公司不被看好，因为赛道太卷[63] - 中间位置的AI公司如Cursor、Perplexity，因与大厂走得太近容易被吃掉，不被看好[64] - 在特别早期公司中，更看好细分垂直领域，如AI生物数据分析公司Kepler[65] - 基金当下主要投资方向：在某一垂类中深耕，同时具备技术、数据和行业壁垒，且AI能力到位的公司[84] - 核心投资逻辑是：做的事情一定要替代人，而不仅仅是赋能人，因为只有真正替代人，企业才愿意给出非常大的订单额度，这在美国人工成本高的背景下尤其成立[86][87] 市场展望与风险预警 - 预测2026年美国AI泡沫会破，就像一个大气球只差一根针[66] - 尤其担心英伟达和OpenAI，这两家公司只要有一点点变化都可能戳破泡沫[67] - 担心Gemini通过完全免费的方式获客，这会对OpenAI造成非常大冲击，并可能整体压低一级市场估值[68] - 在技术层面，所有AI大厂在“模型智力”方向上提升已经非常难，但在应用层面还有很多优化空间[77][78] - 关于AI是否带来生产力提升存在两派观点：一派认为AI正在取代工作，LinkedIn上初级岗位从23年到25年减少了20%甚至更多[81][82]；另一派引用MIT研究称95%的企业AI落地最终失败，但认为失败主因是大企业选择自己做而非与创业公司合作[83]

文章核心观点 - 文章探讨了人类与人工智能在奖励函数构建上的相似性 提出个人应构建可持续且具有正外部性的人生追求 以实现长期幸福与成就 [3][4][5][6] - 文章强调自我认知、人际关系、对痛苦的理解以及杠杆运用等是影响个人成长与幸福感的关键因素 [7][8][9][10][11][12] - 文章认为在内容创作领域 长期的积累与精进是核心 其价值在于思想杠杆而非短期商业回报 [14][15][16] 论人生的奖励函数 - 社会进化出的奖励函数如求知欲、钱权名、自我实现会自我强化 每上一个台阶后快感短暂 随即产生对更高台阶的渴望 难以建立持久满足感 [4] - 自然进化出的奖励函数如对食物、性的渴望具有边际效益递减特性 随欲望满足而弱化 [6] - 理想的人生追求应具备三个特点：奖励函数不会边际效益递减且实现难度不会指数级提高 具有正外部性 能积累复利 [6] - 个人可持续的追求包括理解万物运作规律、爱人与助人、创造 [5] 论自我与人际关系 - 奖励信号在不同时空尺度作用不同 例如“比较心”短期有效但长期有害 “节俭”微观有益但宏观可能是拖累 [9] - 高薪可能并非是对贡献的嘉奖 而是对牺牲个人机会成本的补偿 [9] - 周围人群深刻影响个人的奖励函数构建 人成长中学得最透的是欲望而非知识或能力 [9] - 优秀常源于强大的欲望 而强大欲望常源于强大的匮乏 “无欲则刚”是比功成名就更难得的境界 [9] - 个人的优势往往会成为其最大的问题 人只有特点 优缺点只是不同场景下的表现形式 [9] - 在决定人生成就感和幸福感的事情上 “有多想要”是最关键的因素 其次是能力 具备能力和意愿后几乎总能找到所需资源 [9] - 与谁一起工作最大程度上决定了职场幸福感 尽管平台、岗位、薪资通常更受考量 [9] - 财富可被定义为“一个人愿意捐掉一个肾的人数” [9] 论幸福与痛苦 - 自信从根本上来自于爱 [13] - 幸福相关性最高的是对短时间内未来的预期 人是被生活境遇的导数所支配的动物 [13] - 情绪问题本质多是认知问题 充分理解人事物运转规律应是高优先级的人生KPI [13] - 找到长期喜欢做的事意味着找到自己愿意忍受的痛苦 而非单纯的快乐 [13] - 人生存在许多低垂的果实可作为事业低谷期的“回血包” 例如运动带来的情绪价值相当于一年多赚17万 养宠物相当于一年多赚60万 [13] - 人实际感知到的痛苦等于真实的痛苦乘以对它的抗拒程度 折磨来自企图控制痛苦而非痛苦本身 [13] - 经历无法轻易绕过的痛苦是一大幸事 能促使人进行足够彻底的反思 [13] - 很多时候痛苦根源在于失望得不够彻底 绝望的本质是断绝无谓的期望 是一种解放 [13] 一些被低估的能力与杠杆 - 优先级设定是关键能力 包括识别最要紧的事以及为最重要的事投入足够资源 并能在不重要的事上忍受做不好的痛苦 [13] - 需要有意识地学习使用多种杠杆 包括媒体杠杆、代码杠杆、资本杠杆、平台杠杆、劳动力杠杆以及AI杠杆 [13] - 应更多结识成长斜率高的同龄人或更年轻的朋友 并促进朋友间的相互认识 [13] - 坦诚沟通、过度沟通远好于沟通不足 [13] - 要敢于并善于主动寻求一切能获得的帮助 [13] - 大多时候拼勤奋无效 更关键的是拼选择、拼优先级定义、拼方法 [13] 论做内容 - 创造性思维有两种模式：“咖啡模式”是全神贯注的有意识思考 “泡澡模式”是漫不经心的无意识思考 [14] - 最有创造力的思考往往来源于“泡澡模式” 一项针对上千人的研究发现灵感多发生在洗澡时占30%、通勤时占13%或运动时占11% [15] - 灵光乍现的要义是给予大脑足够时间进行无意识活动 避免总是处于忙碌紧绷状态 [15] - 审美的觉醒往往早于能力的成熟 这是创作者痛苦的根源 许多因“审美好”入场的人需经历痛苦的“眼高手低”起步期 [15] - 深入研究创作者成功路径发现 所有人都有一个共性 即经历了一段漫长到超出想象的积累期 [15] - “持续创作 + 努力精进”是成功创作者最核心且容易被忽略的竞争力 [15] - 从赚钱角度看 做深度内容是非常差的商业模式 但从满足意义感、创造价值角度看 则是投资回报率相当高的职业 [15] - 内容是用文字和思想做杠杆 其对世界的影响和改变可能比金钱杠杆更根本、彻底和广泛 [16] 其他洞见 - 时间管理是伪命题 真命题是能量管理 [16] - 短期自律的本质是欲望间的博弈 长期来看自律并不存在 存在的只有习惯 [16] - 高强度运动后分泌的内啡肽是对高强度工作的最佳补偿 肉体与精神疲惫可相互抵消 [16] - 一个悖论是 未来的每一次下跌都像是一种风险 而过去的每一次下跌都更像是一个机会 [16] - 长期主义是一种高维度的品质 如同三维生物无法被二维生物直接感知 [16]

公司业务与招聘计划 - 公司从媒体、叙事、FA、投资等角度全方位服务AI时代的创业者[2] - 计划年底再招聘1-2名FA同事，共同服务AI领域的创始人[2] - 招聘岗位将参与FA的各项工作，包括行业研究、项目搜寻、商业计划书制作、对接投资人等[2] - 公司鼓励跨边界参与，该岗位可视为管培生项目，员工可被鼓励从事自媒体、学习编程、组织活动及接触一线创始人[2] - 对于特别优秀的非传统人才，公司可因人设岗[2] 人才招聘偏好 - 最看重候选人拥有强烈的好奇心、很强的自驱力以及自己热爱的事情[3] - 看重候选人在过往经历中取得过结果，无论该结果多么冷门或偏门[4] - 要求候选人具备良好的实习或全职经验，拥有过关的职业素养和沟通能力[5] - 尤其欢迎应届生或刚工作时间不长的同学，认为公司是进入AI行业最好的跳板[9] - 认为最顶尖的FA差异点在于“最想要”，即拥有超强的目标感、要性和自驱力[12] 公司文化与价值观 - 公司认为个人成长和逻辑是员工应共同信奉的准则[13] - 公司给予个人自由，这对优秀人才是祝福，对不够优秀的人则是诅咒[15] - 公司强调人与人的关系优先于职位头衔的关系，领导风格是基于真诚的换位思考[17] - 公司致力于培养优秀的个体，而非机器或平台中的一员[11] - 公司过去三年决策的核心是绝不为了短期利益牺牲品牌与审美[15] 对一级市场的看法 - 公司认为明年的一级市场前景“好”[6] - 公司认为拉长到3年、5年甚至10年看市场长期走向没有意义，关键是要抓住眼前确定性的机会[7] - 认为大多数人一辈子能抓到两三年的机会点就可以实现阶级跃迁[7] 公司提供的价值与员工成长 - 公司能为顶级人才提供的最稀缺价值在于其审美、品味、坚持、所触达人群的质量以及讲故事的能力[8] - 公司是一个综合平台，员工有机会接触内容、运营、一二级市场投资等各种事务，成长取决于个人对自己能力的信心[10] - 公司平台能解决商业研究者不懂看人、懂看人者不懂AI、懂内容者不懂运营、懂运营者不懂内容等复合能力缺失的问题[10] - 公司老板非常在乎员工成长，其领导特质源于个人主义和自由主义思想，旨在通过每个人管好自己来让整体变好[16][17]

活动背景与形式 - 该讨论会由深耕国内一级市场的资深人士与熟悉硅谷二级市场的资深从业者共同主持[3] - 自2023年底起保持每隔几个月复盘一次AI市场的节奏 通过跨视角对照碰撞出超前且准确的结论[5] - 过去一年已录制三期相关播客 主题涵盖二级市场热潮、硅谷AI转向及AI泡沫探讨[5] - 自2024年秋季起 将季度复盘延伸为更小范围、更高密度的线上讨论会形式[5] - 每期活动由多位长期研究产业与投资的朋友共同主持 围绕近期重点主题进行小范围交流[5] 活动核心议题与展望 - 2025年末场活动旨在对当年一、二级市场进行复盘 并对2026年进行展望[6] - 计划共同探讨今明两年的AI关键词 包括Agent、多模态、AI硬件、具身智能、自动驾驶、大模型泡沫、OAI下一个观测点以及港股模型上市[6] - 活动时间定于北京时间2025年12月27日上午11:00[7]

公司年度内容回顾与成果 - 2025年是公司“All in AI”战略的第三年，全年共更新22期播客和18篇文章 [2] - 公司播客订阅数增长至近11万，节目3次被小宇宙首页推荐 [2] - 公司播客“42章经”两年内粉丝突破十万，被认为是垂类播客中的头部，已发布51期节目，平均播放量达25000 [36][37] - 公司坚持深度、垂直的内容定位，不接广告，专注于服务对信息密度和认知有高要求的受众 [37][38] 行业核心观点与趋势判断 - 组织能力被严重低估，被认为是AI公司真正的核心壁垒 [3] - AI基础设施不仅是降本的后台支持，更是决定AI公司发展上限的核心战斗力 [6] - 对2025年AI发展持极度乐观态度，认为早入场和乐观的参与者往往会获得回报 [8] - 2024年末市场出现“AI有泡沫”的讨论，但认为泡沫的存在并不重要，关键在于其他因素 [34] - 创业公司在AI时代最大的机会在于设计不同的交互方式 [36] 热门技术领域探讨 - Agent是年初由Manus带火的热门赛道，但其开发的上半场焦点在于环境、工具和上下文如何决定Agent [9] - 强化学习因DeepSeek的发布成为AI从业者必修模块，其原理与人生过程有类比性 [11] - AI发展进入下半场，定义和评估的重要性日益凸显，Benchmark与Evaluation成为关键议题 [24] - Agent基础设施是继Agent应用之后的新热点领域，其中蕴藏着大量机会 [28] 公司增长与商业化路径 - 海外增长方法论强调在每个阶段聚焦做最关键的一件事 [17] - 全球化是AI创业者从第一天起就必须面对的问题，其中包含已验证的方法论和经验教训 [30] - 业务在3个月内实现10倍增长，其关键可能在于“信念感” [21] - 世界上赚钱的方式有两种：组合与拆分，这为分析AI时代提供了有趣的路径 [36] - 对250家公司的AI产品定价经验进行了总结 [36] 市场竞争与案例分析 - 复盘了2018至2020年抖音超越快手的关键三年，涉及关键决策、组织文化和一线交锋 [15] - Dify从被低估的项目成长为全球顶级的开源项目，其成功路径提供了完整答案 [22] - Mercor作为当年的明星公司，其高速增长秘诀和人才策略值得关注 [25] - Figma战胜Adobe的本质、在线强化学习的进展以及AI产品留存率等案例被深入分析 [36]

公司发展历程与核心策略 - 公司自成立之初即确立了三大核心策略：开源、To B、全球化，并由此衍生出开放生态、模型中立、工程优先的整体逻辑，这些判断在过去两年多被市场验证为正确 [3][4] - 公司发展经历了三波市场与技术变迁：2023年凭借界面友好的基础版本抓住AI产品化早期红利；2024年推出核心的workflow能力并搭建插件生态，迎来第一批有付费能力的企业客户；2025年受益于开源模型与多模态技术的成熟，早期关于需要“中间层”的假设得到验证 [5][6] - 公司坚持“耐心”与务实的技术路线，从Day 1起就围绕清晰的目标和标准搭建团队，并长期坚持既定策略，这是其成功发展的核心原因 [86] 市场定位与竞争分析 - 公司产品定位介于技术光谱的中间，并逐渐偏向弱技术或无技术用户，这与更偏向硬核开发者的LangChain、OpenAI Agent Kit等产品形成差异化 [9][10] - 与GPTs、Coze等面向大众的产品不同，公司专注于解决企业流程问题，致力于将LLM与企业中的人、工具、数据连接起来，因此并非直接竞品 [12][16][17] - 公司认为模型厂商（如OpenAI）很难直接替代下游To B产品，因为长期建立的客户信任关系与各种连接难以被替代，并且企业客户普遍忌讳将技术栈绑定在单一模型上 [25][26] - 开源模式是公司全球化成功的关键，它高效地解决了信任问题并推广了技术标准，例如在日本市场，公司产品因适配当地技术人员稀缺、业务高度流程化的特点而成为现象级工具 [61][62][63][64] 产品核心能力与技术理念 - 公司的核心产品能力是workflow（工作流），通过设置检查点和允许人类介入协作，为AI应用提供高度的可预测性、稳定性和可靠性，这条务实的技术路线将在智能化过渡期长期存在 [36][37][38] - 公司坚信未来的技术方向是“神经网络AI”（负责联想）与“符号AI”（强调逻辑）的结合，这源于对仿生学和认知科学的理解，旨在构建能耗更低、更智能的系统 [41][42][43] - 公司的工程能力构筑了核心壁垒，通过分层设计、业务场景抽象、厘清可变与不可变部分，并做出成百上千个关于“节点颗粒度”等细节的关键决策，这些“看不见的苦工”堆起了产品的真正厚度 [31][32][34][35] - 产品具备“热插拔”和模型中立的特性，允许开发者像使用“插座”一样接入不同的外部工具和模型，并能保障其开发的技术资产在平台迭代中持续可用，这降低了企业的长期技术风险 [27][28][29][30] 企业应用场景与未来愿景 - 企业客户使用公司产品已从早期的聊天机器人、知识库，发展到编排包含四五百个节点的复杂流程，进行大规模智能化改造，例如客户安克已搭建上千个工作流，集成上万个原子能力，将智能体视为与人力资源平等的生产资产进行管理 [50][51] - 最成功的应用场景往往是“不标准”的，产品扮演着“胶水”的角色，将企业原有业务中各种分散的流程和能力粘合起来，形成复杂的个性化协作 [53][54][55] - 公司的长期愿景是成为企业内新的“操作系统”，支撑大部分可被抽象和标准化的生产活动，整合内部原子能力，实现人与智能体的高效协作与流程调度 [56][57] - 公司的理念是推动技术平权，让LLM不仅服务于开发者，也让真正的业务使用者能够与系统互动和反馈，预计这一变化将在未来两到三年内发生 [58][59] 行业洞察与机会判断 - 当前AI在B端场景的生产力远未释放，一份MIT报告指出95%的公司在AI试点上失败，表明大多数企业的工具体系和学习能力不足 [71] - 下一个真正的机会窗口不在于继续提升模型智能，而在于“建桥”，即弥合模型能力与人类使用能力之间鸿沟的基础设施、人机交互范式以及高效协同工作流的构建，这些是AI应用的“最后一公里”问题 [72][73][74] - 随着模型能力变得普遍（对称），个体与组织的核心竞争力将体现在决策能力、注意力机制以及对特定上下文（Context）的理解和运用上，这些是非对称的优势 [75][76][80] - 未来的软件范式更可能是：人类在定义“结果”和“结构”等关键不变部分上投入时间，其余部分交由AI完成个性化和客制化，而非SaaS完全被取代 [48][49]

文章核心观点 文章围绕“交互”主题，探讨了AI时代软件开发和产品设计的变革性趋势，核心观点认为，AI的超能力在于“深度个性化”，这将催生全新的软件形态（如Personal Software）、交互范式（如语音操作系统、创新的GUI设计）以及产品设计理念（如系统思维、节奏分层）[4][17][95] (一) 为什么独立的 Vibe Coding 必死，但 Personal Software 会火？ - **软件行业正经历“应用的YouTube化”变迁**：软件开发将从全球约2000万开发者的特权，泛化为80亿创作者的日常媒介，软件将像快消品一样，用于解决特定、即时的需求[6][7] - **独立的Vibe Coding工具存在三大短板**：1) **信任与稳定问题**：缺乏专业开发能力可能导致严重的安全漏洞和用户数据泄露[10]；2) **集成能力不足**：难以方便地调用用户的其他服务（如健康数据、邮箱、银行账户）[11]；3) **缺乏分发与协作机制**：难以形成社交传播和多人协作网络[13] - **平台化是Personal Software成功的关键**：平台能提供信任层以解决安全、隐私和数据持久化问题，提供连接一切的API，并内置社交图谱与协作功能，让个人开发的Mini App得以流转和生长[10][11][13][14] - **AI的超能力是“深度个性化”**：这包含三个层次：1) **应用层个性化**：用户可修改App功能和提示词[18]；2) **平台层个性化**：平台提供用户的基础信息（年龄、地点等）作为上下文给所有App[19]；3) **跨应用个性化**：不同Mini App能相互对话，协同工作（如健身App修改营养方案）[20] - **催生“软件即内容”的新GTM模式**：1) **新商业模式**：内容创作者可通过发布Mini App（如一套训练方案）直接变现[23]；2) **新流量入口**：内容（如旅游攻略）可被封装成功能极简的Mini App（如专属地图）[23]；3) **新社区形态**：Mini App本身成为“社区启动器”，聚集同好，衍生线下活动与共创[24][25][26] - **Wabi类产品的本质是“Prompt容器的平台”**：它将裸奔的文本Prompt配以合适的UI外壳和沙盒环境，使其成为可保存、复制、分发的个人应用，是从“Chatbot”走向“Chat+GUI结合”的交互形态进化[28][33][34] - **软件民主化的实际形态是“人人参与迭代”**：预计从零开始原创的用户不会超过10%，但很多人会参与修改和迭代，平台通过提供“Fork（混音）”和“Request（提需求）”功能来落地[34][35][36] (二) 我们是不是低估了输入法的想象力？ - **输入法正从打字工具进化为“语音操作系统”**：其进化分为三步：1) **接管输入**：从键盘打字转向语音输入，核心价值在于“减负”——消除思考时的认知负荷，并鼓励用户提供更多背景细节，从而提升AI输出质量[39][40][41][42]；2) **代你表达**：基于对用户过往输入的全局了解，能主动帮助写作（如撰写邮件），并学会根据应用场景和用户语气自动调整表达风格[44][45][47]；3) **反客为主**：凭借高系统权限（尤其在PC端可读屏），未来可能主动跳出提供建议或完成任务[48][49] - **AI语音输入法赛道近期融资活跃**：例如海外公司Wispr在4个月内融资了8100万美元[38] - **输入法成为高价值数据管道**：其掌握的实时、高频的一手数据对训练大模型至关重要，包括：1) 训练模型理解人类偏好和意图；2) 让模型跟上人类语言的实时变化（如新梗、新电影）[50][51] - **输入法的战略定位可能提升**：它有望成为用户与所有软件之间最高频的交互接口，以及用户与大模型之间最完整的数据管道[52] (三) 最近见过最好的 5 个 AI 交互设计 - **1. 参数滑块**：用于弥补自然语言在描述“程度”时的无力感，实现“Prompt负责定性，滑块负责定量”，让用户通过拖拽快速调整输出效果（如简洁与详尽的区间），同时提供实时反馈回路，增强用户的控制感和创作归属感[57][58][60][61][64] - **2. 反向Onboarding**：将传统的重流程注册（填信息）反转为先让用户零成本体验核心价值，例如AdComposer.ai仅需输入公司网址即可生成广告创意，旨在将TTV（价值感知时间）压到接近零[65][68][70][71] - **3. 善用等待时间**：将AI生成所需的几十秒等待时间转化为低成本的“二次交互窗口”，例如Gamma让用户选择PPT主题风格，Perplexity询问是否需要补充细节，以此提升结果准确度并优化成本[71][72][73] - **4. 用“命名”控制用户预期**：通过叙事设计降低用户对AI能力的过高期待，例如tldraw将AI助手命名为“小精灵”、“小鬼”等，将其错误行为包装成调皮特性，从而提升用户容忍度和留存率[74][75][76][80][81] - **5. 视角滤镜**：将特定的思维风格或人格特质封装成可打包、共享、调用的“滤镜”或“思维调音台”，用户可像选字体一样选择（如“乔布斯思考滤镜”），未来可能形成交易“脑回路”的新市场，甚至发展出公司级的“品牌滤镜”[83][84][85][86][88][91] (四) 产品设计的终极形态 - **未来产品设计的核心竞争力是“系统思维”而非“品味”**：因为未来的UI将是千人千面的，最终形态更多由用户自身的品味决定[95][96] - **产品设计的工作重心转移**：从设计具体界面转向：1) **定结构**：搭建清晰、耐用的概念体系和可插拔的能力接口[101]；2) **定属性**：明确系统中哪些元素底层共享，哪些可个性化[102]；3) **定逻辑**：设计系统的思考与响应规则（如在用户犹豫时展示更多灵感图片）[103] - **未来的软件像“建筑”一样有机生长**：借鉴《建筑如何学习》的观点，优秀建筑/软件是随用户需求进化而来的有机体，其进化由六个变化速度不同的层级共同构成（从寿命数天的“物品”到数百年的“地基”）[97][100] - **有韧性的系统依靠“节奏分层”维持**：复杂系统（如人类文明）由不同速度的层级（如快速的“时尚”、慢速的“文化”、极慢的“自然”）叠加而成，快层负责试错创新，慢层负责记忆约束，共同维持系统在时间中的韧性与平衡[107][109][114][115] - **设计的本质是建造包容矛盾的结构**：无论是软件、建筑还是制度，都是人类为了在多重时间尺度中生存而做出的结构性尝试，需要容纳不同维度上复杂而矛盾的需求[120][121]