瞄准 AI 做 SEO，正成为一个新的流量入口。 AI SEO、GEO、AEO，虽然还没有一个统一的标准命名，但做好了，也许是一条全新的产品重要增长路径。作为应用/品牌方，如何让 AI 知道并有效推 荐自己，从传统的 SEO 到 AI SEO 思维的转变非常重要。 在这篇博客文章中，Kyle Poyar 通过采访 AI 搜索公司 Profound 的 AEO 策略与研究主管 Josh Blyskal，提炼并分享了九条关于 AEO（Answer Engine Optimization）非常实用的建议。 以下为原博客文章内容，Founder Park 进行了编译和精炼。 进群后，你有机会得到： 关于如何「破解」ChatGPT、Perplexity 和 Google Gemini 的算法逻辑，市面上并不缺乏夸张的建议。但关键在于：这些 AI 工具正迅速成为 B2B 采购决策 中最具影响力的「守门人」，而它们所遵循的逻辑，与传统搜索引擎截然不同。 单以 ChatGPT 为例，它目前的月活跃用户已超过 10 亿，在 2025 年 6 月跃升为全球访问量第五的网站。每日交互次数达到惊人的 25 亿，正在逼近 Google ...

具身智能技术进展 - 公司Physical Intelligence(π)由OpenAI和红杉资本领投，估值达20亿美元，已开源π0 VLM模型并展示机器人自动叠衣服案例[1] - 2023年发布π0模型展示复杂任务执行能力，2024年4月推出π0.5模型实现开放世界泛化能力，可在陌生家庭环境完成整理房间等任务[1][8][9] - 技术发展轨迹类似自动驾驶，预计将经历长期积累后突然实现突破性应用[14] 技术瓶颈与突破 - 当前主要瓶颈在于智能软件而非硬件，硬件早在十多年前就已"准备就绪"[17][19][20] - 三大技术难关：复杂任务能力(已突破)、环境泛化能力(已突破)、高可靠性性能(当前最大障碍)[6][8] - 模型在约100个多样化家庭环境训练后即可实现良好泛化，环境共性被低估[6][51] 技术实现路径 - 采用"大模型+大数据"模式，但需解决真实数据收集、硬件适配等复杂系统问题[23] - 创新性使用"知识绝缘"技术，将机器人动作标记化处理，训练速度提升10倍[44][45] - 利用图像修复技术解决推理延迟问题，实现动作预测与执行的同步[47] 行业认知与展望 - 通用机器人基础模型价值被严重低估，形态不重要而智能是关键[52][53] - 预计5年内实现家庭机器人普及，5-10年达到百万家庭应用规模[55] - 行业仍处早期阶段，开源策略有助于推动整体技术进步[60][61] 数据与评估挑战 - 机器人数据量巨大且持续增长，数据基础设施成为关键挑战[34][35] - 评估依赖真实世界测试，需大量重复运行和统计分析，操作繁重[40][41] - 采用新旧模型同步测试的相对评估方法，避免环境变量干扰[40]

创业筹备与启动 - 创业初期不建议立即辞职 可考虑边工作边创业 通过自动化日常任务腾出时间 例如作者通过自动化将每日工作时长压缩至2小时[6] - 建议通过接咨询项目积累启动资金 同时保持全职身份更稳妥 购房可作为保值资产和未来融资筹码[6] - 个人品牌建设至关重要 可通过开源项目、出版书籍、技术会议发言等方式建立影响力 作者通过生成式AI通讯积累20万订阅者并与Nvidia合作[7] 团队组建与管理 - 技术创业者不必担任CEO角色 应聚焦专业领域 作者团队由财富100强企业AI负责人和资深销售高管组成 采用股权激励模式[8] - 采用全球远程协作模式 从主动联系的技术人才中选拔 分布在印度、巴西等地 薪酬采用现金+股权组合 资金消耗仅为竞争对手十分之一[9] - 避免招聘技术背景过于接近竞品的员工 防止其固守原有工具而非创新 同时优化税务结构 在税务友好地区设立公司[10] 资金与运营策略 - 初创公司应严格控制成本 实现100%线上办公 不设实体办公室和HR部门 使用AI工具自动化工作[10] - 专利投入控制在总支出的3%以内 可自行提交临时专利 避免高额法律支出[11] - 通过多种渠道增加现金流 包括房产出租、写书收入、广告分成、企业内训等 这些客户可能成为产品早期用户[12] 融资与人脉建设 - 做好2-3年无法获得VC融资的准备 建议先实现10万美元年收入再接触VC 早期可尝试天使投资或自筹资金[15] - 构建专业人脉网络至关重要 优先通过LinkedIn寻找活跃用户 初次接触应提供价值而非推销 警惕动机不纯的VC套取商业情报[14] - 海外客户和投资人可能比美国市场更具吸引力 应等待投资人主动接洽 警惕要求预付"服务费"的虚假投资者[16] 创业者特质 - 成功创业者需具备"风险智商" 能在不确定性中持续推进 适应收入波动并构建长期安全感[17] - 关键能力包括抗挫力、多路径尝试能力、资源优化能力等 年龄不是障碍 可与年轻人合作互补[17] - 健康问题常与长期高压相关 创业者需平衡风险与安全线 提前预判行动后果的能力可减少弯路[17]

AI搜索行业现状与趋势 - AI搜索已成为日常高频使用工具，但存在数据来源模糊、学术论点无依据、信息滞后等技术瓶颈 [1] - 微软Bing Search API停用事件暴露市场缺口，AI搜索从"边缘需求"升级为"核心基建"，需满足全球化服务、数据多样化、响应稳定性三大硬指标 [3][7] - 行业竞争格局类似云计算早期，大厂聚焦C端入口，创业公司面临高资金门槛（需投入数千万至上亿级资金）[8] 微软Bing战略调整动因 - 流量入口防御：API客户如Perplexity等AI Agent可能成为新流量入口，威胁Bing核心价值 [4] - 数据资源控制：实时数据是AI时代战略资源，微软通过限制API巩固信息主导权 [7] - 业务升级转型：转向"搜索+AI处理"捆绑式高客单价服务，增强客户粘性 [7] 小宿科技竞争优势 - **技术能力**： - 全球2800+边缘节点，支持35+语言，国内语种覆盖最全 [9] - 全文抓取、多模态检索、Agent场景化工具等深度优化能力 [10][15] - **商业模式**： - 定价仅为Bing API的1/3（5美元/千次请求 vs 15美元）[17] - 覆盖国内超50%头部AI原生应用，形成需求共创闭环 [16][22] - **基础设施**： - SkyRouter.ai模型聚合平台可接入100+大模型 [14] - 分布式网络覆盖北美、欧洲、东南亚，实现本地化合规+低时延 [14][20] 行业竞争壁垒分析 - **人才壁垒**：30+核心团队来自百度/360，具备千亿级数据处理能力，组建周期需1-2年 [14] - **技术壁垒**：需同时实现多语言支持、多模态检索、全球化合规等复合能力 [16] - **时间窗口**：小宿提前3个月布局，在Bing退场时快速承接流量 [19][20] AI搜索未来发展方向 - 评估标准变革：从人类点击率转向机器可处理的"反馈链优化" [22] - 市场重心转移：从C端流量争夺转向B端基础设施竞争 [22] - 基础设施价值凸显：AI企业隐性痛点（如实时数据获取、模型调用）催生新商业机会 [23]

以下文章来源于投资实习所 ，作者StartupBoy 投资实习所 . 以产品视角洞察趋势 在过去的一年中，AI 行业正在出现一种全新的交易形态： HALO（Hire And License Out，雇佣 并授权）。 Kevin Kwok 近期写了一篇文章《The HALO Effect》，针对 HALO 这种新型的交易形态以及 过 去一年中 AI 领域独特的"收购"案例进行了解读。 HALO 是一种介于收购与招聘之间、同时具备两者特征却又不完全相同的替代方式。Inflection、 Character AI、Adept、Covariant，以及最近的 Windsurf 等公司，都以类似的模式使用了这种 新结构。 创业公司的核心团队——通常包括创始人和研究团队——被另一家公司雇佣，同时这家公司获得该 创业公司知识产权的非独家授权。作为交换，创业公司收到可观的授权费用，并将这些费用以分红 形式分配给其投资人和员工。但让外界困惑的是，这家创业公司在新的领导下依然继续运营。 但这并不是"人才收购"（acquihire）。收购方没有收购公司本身，而是雇佣了人员并获得了知识 产权授权。 同时，这些交易还有一些其他共同特征 ...

基模公司下场做通用 Agent 了。 OpenAI 这么介绍 ChatGPT Agent——第一个在计算机上完全「具身化」的 Agent。在叠加了 Deep Research 和 Operator 两者能力之后，ChatGPT Agent 实现了多种工具共享状态，使用户能够在单一环境 中，流畅地在视觉浏览、文本分析和代码执行之间切换。同时， 能够在执行长达一个小时的复杂任务 时「不失控」。 怎么做到的？ 他们没有为特定的工具使用模式编写程序，而是让模型通过在数千个虚拟机上进行 RL，自行发现最优 策略。用核心研究者 Casey Chu 的原话，更形象地来说：我们基本上是给了模型一堆工具，然后把它 「锁在房间里」让它自己去实验。我们并不会明确告诉它什么时候该用什么工具，它会自己琢磨出来。 在 ChatGPT Agent 发布后，红杉资本与团队的三位核心成员 Issa Fulford、Casey Chu 和 Edward Sun 进 行对话，探讨了 ChatGPT Agent 背后的训练方法、如何解决 Agent 实际与现实世界交互的风险问题，以 及未来的 Agent 交互形态等。 虽然下场略晚，但基模公司对于 ...

模型发布与性能 - 阿里通义团队发布并开源Qwen3-Coder系列代码模型，其中Qwen3-Coder-480B-A35B-Instruct是最强版本，拥有480B参数激活35B参数的MoE结构，原生支持256K token上下文并可通过YaRN扩展到1M token [3][4] - 该模型在Agentic Coding、Agentic Browser-Use和Agentic Tool-Use等任务上达到开源模型SOTA水平，性能媲美Claude Sonnet4 [5] - 在Terminal-Bench测试中得分为37.5分，优于Claude Sonnet4的35.5分和OpenAI GPT-4.1的25.3分 [6] - SWE-bench Verified测试中达到69.6分（500轮交互）和67.0分（100轮交互），接近Claude Sonnet4的70.4分和68.0分 [6] 技术架构与训练 - 预训练数据总量达7.5T，其中代码数据占比70%，在保持通用与数学能力的同时强化编程能力 [12] - 采用Code RL训练方法，通过自动扩展测试样例构建高质量训练实例，显著提升代码执行成功率 [15] - 实现Long-Horizon RL训练系统，可同时运行20k独立环境，在SWE-bench Verified上取得开源模型SOTA效果 [16] - 利用Qwen2.5-Coder对低质数据进行清洗与重写，提升整体数据质量 [12] 产品应用与集成 - 模型已在Qwen Chat网页版上线供免费体验 [6] - 推出开源命令行工具Qwen Code，基于Gemini Code二次开发，优化了Agentic Coding任务表现 [17] - 支持通过OpenAI SDK调用，只需配置环境变量即可接入 [20][21] - 可与Claude Code集成使用，通过阿里云百炼平台申请API Key实现 [22][23] - 支持与社区工具如Cline结合，通过OpenAI兼容模式接入 [27] 性能对比数据 - WebArena测试得分49.9分，优于DeepSeek-V3的40.0分，接近Claude Sonnet4的51.1分 [6] - Mind2Web测试得分55.8分，优于Claude Sonnet4的47.4分和OpenAI的49.6分 [6] - BFCL-v3测试得分68.7分，优于OpenAI的62.9分，接近Claude Sonnet4的73.3分 [6] - TAU-Bench Retail测试得分77.5分，优于DeepSeek-V3的59.1分，接近Claude Sonnet4的80.5分 [6]

产品迭代与定位 - TRAE 2 0 推出SOLO模式 实现全流程自主开发功能 覆盖规划 编码 测试 部署等环节 用户仅需自然语言或语音输入需求即可完成开发[1] - 产品定位从Cloud IDE转向AI Native IDE 原MarsCode团队通过半年技术优化发现商业天花板后转型[3] - SOLO模式标志着AI从辅助角色转向主导角色 IDE Terminal等工具成为AI的执行载体[36][38] 技术架构与性能 - Cloud IDE技术实现端到端启动性能P90达5秒 远超GitHub Codespace(30秒)和Google IDX(1分钟)[9] - 技术架构分为前端交互层与业务逻辑层 支持本地 远端K8S容器 WebContainer等多种部署方式[8][12] - Cloud IDE面临实时调度+有状态的独特挑战 需处理磁盘代码数据依赖且无法负载均衡[12] AI编程发展阶段 - 划分为三阶段：AI辅助编程→AI结对编程→AI自驱编程 当前主流产品聚焦结对编程阶段[16] - 辅助编程阶段实现代码补全→超级补全→代码生成的跃迁 补全效率从字符预测升级为编辑位置预测[17][18][19] - 结对编程阶段通过Agent架构实现 1 0版本采用固定Workflow 2 0版本赋予LLM更大自主权[25][29][33] 产品理念与未来方向 - 定义AI为"高潜实习生" 强调需匹配任务难度与模型能力 管理预期[44] - 预测未来IDE将颠覆"以代码为中心"形态 3年内可能发生范式变革[46] - 正在研发Trae Agent 3 0架构 支持Multi Agent和Remote Agent等前沿探索[46] 技术细节与优化 - 代码生成依赖项目理解 Context裁剪和模型能力 Cursor凭借Claude Sonnet 3 5优势脱颖而出[21] - Fast Apply代码合并采用全文重写 Search Replace Diff合并等多种技术方案[21][23] - 通过PUA策略优化AI执行效率 Claude 3 5轮次显著下降 但需针对3 7版本调整激励方式[37]

本月有三场 AI 创业者大赛值得关注： 两场为 AI 低代码大赛，分别来自美团 NoCode 社区、 YouWare，以及还有一场 外滩大会主办的人工智能硬件科创大赛。 8 月，还有一场 2025 Google 开发者大会，将在上海举办。 此外，Founder Park 联合 Google 推出的「从模型到行动」系列 AI 工作坊活动，本周六将迎来最后一站 「北京站」，仍在火热报名中。 此前深圳站、上海站两场线下，现场开发者反馈收获满满。 我们还整理了近期值得参与的一些活动，对更多活动感兴趣的小伙伴，可以点击文末的 「阅读原文」 查看。 跟着 Google 出海：教你怎么落地 Gemini【最后一站】 主办方： Founder Park x Google 活动&报名时间： 7 月 26 日（周六） 14:00–17:00 @Google 北京办公室，7 月 24 日截止报名 活动亮点： 面向人群： 报名方式： https://mp.weixin.qq.com/s/WFScFd2yDeryo-kOeLiwRw NoCode 7 月「晒作品，赢奖励」 主办方： NoCode 社区 比赛时间： 2025.07 活动 ...

核心观点 - AI创业公司应重视Dogfooding（内部试用），通过解决自身问题开发突破性产品[1][47] - Claude Code的成功证明内部真实需求驱动的产品具有不可复制的竞争优势[1][6][47] - 产品开发应从市场研究导向转向真实问题解决导向，形成"模型飞轮"和"数据飞轮"[26][41][47] 产品起源与开发路径 01 产品源于内部真实需求 - Claude Code最初是Anthropic内部工具，为解决团队效率痛点而开发[6][7] - 设计初衷非抢占市场，而是提升内部开发效率（如安全工程事件响应时间从15分钟缩短至5分钟）[7][13] - 50%自定义斜杠命令由团队自主开发，深度融入工作流[14] 02 第一批用户是内部开发者 - 开发团队使用Claude Code自建产品，形成紧密反馈循环[9] - 采用"自动接受模式"实现快速原型开发（如Vim键位绑定功能70%代码由AI自主完成）[10][11] - 开发流程变革：从设计文档主导转向快速生成3个原型版本比较[12] 跨部门应用场景 03 意想不到的应用场景 - **法务团队**：零编码开发预测文本应用（1小时内完成），创建电话树系统/G Suite自动化工具[17][18] - **增长营销**：广告文案创作时间从2小时缩短至15分钟，创意输出效率提升10倍[19][21][22] - **产品设计**：设计-工程协作效率提升2-3倍，复杂项目协调时间从1周缩短至1小时[24][25] - **数据基础设施**：实现非技术团队自助数据查询（如财务团队纯文本描述自动生成Excel报表）[16] 产品迭代机制 04 模型与数据飞轮效应 - 内部自动使用最新模型快照，实时反馈驱动模型改进[26] - 真实使用模式揭示两类核心用户：开发者（效率工具）和非技术用户（能力拓展）[27][28] - 工程师通过Claude Code每日创造数千美元价值，验证密集工作流潜力[27][36] 05 内部试用到公开上线 - 2025年2月以研究预览版发布，功能已通过数月内部验证[29] - 外部用户获得与内部一致的效率提升（45分钟任务一次完成）[29] - 2025年5月全面上线新增功能均源自内部需求（VS Code/JetBrains集成、GitHub Actions后台任务）[30][31] 成功因素分析 06 关键成功要素 - 解决真实痛点：安全/法律/营销等跨部门需求验证产品普适性[32][34] - 高强度使用：团队每日投入数千美元测试极限能力[36] - 持续改进机制：开发者即用户确保需求优先级准确[37][38] - 真实案例背书：内部成功故事比营销更具说服力（如事件响应效率提升67%）[39][45] 行业范式创新 07 AI产品开发新范式 - 重新定义开发路径：从市场机会导向转向问题-解决方案验证导向[41][42] - 内部创新溢出：法务/设计等非技术团队催生意外应用场景[43][44] - 透明度构建信任：公开内部使用数据增强产品可信度[45][46] - 核心方法论：自身作为首任客户可降低产品失败风险[47]