文章核心观点 - AI Agent时代的到来正在引发传统SaaS行业的根本性重构，而非简单的终结 [1] - 市场正在用真金白银投票，认为传统SaaS商业模式在新时代可能面临巨大挑战 [3] - 行业当前经历的不是终点，而是一场漫长重构的开始，这既是危险也充满可能性 [15] PS估值的死亡：当“赌未来”变成“算不过账” - SaaS行业过去依赖的高市销率（PS）估值逻辑正在崩塌，市场不再为“下一个Salesforce”的叙事买单 [6] - 以HubSpot为例，其年度经常性收入（ARR）为30亿美元，市值270亿，PS约9倍，但按20倍市盈率（PE）倒推，需要14亿美元净利润才能支撑当前市值，这账算不过来 [6] - 当公司ARR从3亿膨胀到30亿后，维持高增长与高利润率的难度呈指数级上升，硅谷的“Rule of 40”对大型公司而言几乎是一道天堑 [6] - 估值锚点正从应用软件向大语言模型（LLM）基础设施转移，企业预算大规模流向后者，例如Anthropic和OpenAI的ARR增长远超预期，预计2026年将远超200亿美元 [7] NDR回踩100%：“旱涝保收”变“只涝不收” - 净美元留存率（NDR）回踩至100%生死线对投资人心理冲击巨大，超过100%是SaaS商业模式的核心护城河，跌破则意味着存量客户流失 [9] - Salesforce是典型案例，尽管在2023年Dreamforce大会就宣布All in AI，但到2025年财报，其AI相关收入占比仍只有百分之几，导致其股价在2024年开始下跌，2025年全年跌幅约30% [9] - 财务数据不及预期是短期问题，而预期被AI降维打击则是根本性危机，AI正在重新定义软件价值，威胁传统SaaS作为“流程入口”的地位 [10] 护城河重构：从“转换成本”到“数据半透膜” - 传统SaaS的核心壁垒——转换成本和网络效应——正在AI时代被解构甚至摧毁 [12] - 一批AI Native玩家正以更敏捷的架构、更低成本和更优体验，直接抢夺传统SaaS的存量生意，并通过“功能被动折叠”使传统软件复杂的图形界面（GUI）功能失效 [12] - 传统SaaS厂商的底牌在于“数据的半透膜效应”，即特定行业和企业的私有数据与经营上下文仍沉淀在其系统中，形成双向壁垒 [12] - 新的护城河正在形成，包括架构设计能力、深度客户理解、高效交付能力等，AI可能使软件开发成本降低100倍，但软件需求可能增长1000倍 [12] - 与业务场景的耦合度、行业知识积累、API对接能力和长期客户关系等核心价值并未消失，只是技术载体从本地部署（On-Premise）到SaaS再到AI Native的演变 [12] 未来图景：不是SaaS的终结，而是“软件”定义的重写 - 行业共识包括：PS估值信仰崩塌不可逆转、AI Native公司将侵蚀传统SaaS市场份额、行业将剧烈洗牌 [14] - 分歧在于冲击的深度，部分观点强调短期预算转移和估值模型失效的冲击，另一部分则更关注长期软件需求爆发和新护城河形成的机遇 [15] - 一个关键变量是AI渗透的速度，它将决定传统SaaS厂商转型窗口期的长短 [15] - 资本市场需要重新锚定AI Native软件与传统SaaS的边界、商业模式差异以及如何为不同形态的企业软件定价，这些问题尚无现成答案 [15]

文章核心观点 文章核心观点认为，大模型与人工智能的发展正在引发一场根本性的商业范式变革，其核心是从“工业时代的妥协”转向“智能时代的解放”[9][12]。这场变革的本质是“反工业化”的个性化，将导致竞争颗粒度无限细化，并引发平庸的灭绝、过程价值归零和边际效应逆转三大颠覆性变革[13][16]。企业必须重新审视其护城河，避免将传统时代的“固态”资产在AI时代异化为“负资产”，并应从“消费智能”转向“积累智能”，构建以场景定义权、数据飞轮为核心的动态竞争壁垒[34][40][43][53]。AI时代产品的第一性原理是“依赖倒置”，即机器适配人类，承担信息压缩的复杂度，实现意图传递的零损耗[65][73]。真正的AI Native产品需通过生存测试、包容性测试、逻辑韧性测试和责任转移测试，其设计核心是从“控制”转向“流动”[75][76][77][85]。 AI时代的商业推演与颠覆性变革 - 当前AI行业呈现“冰火两重天”局面：供给侧在算力、模型、应用层面大爆发，但需求侧面临落地困境，**95%的AI项目未实现回报**[6] - AI发展路径可借鉴电力，从基建、替代走向流程重构与原生创新，最终实现从“工业的妥协”到“智能的解放”的跃迁[9] - 工业时代为节省昂贵脑力而推行标准化，本质是**智能的妥协**，牺牲个性化换取效率[10][11] - AI时代实现了脑力的无限扩张与廉价化，竞争范式从服务“宏观群体”转变为服务每一个“微观个体”，引发**颗粒度革命**[12][13] - 若智能可被无限复制且成本极低，将引发三大变革：**平庸的灭绝**（市场从正态分布坍缩为幂率分布，89分服务将彻底失去价值）、**过程价值的归零**（人们只为最终结果付费，依赖信息不对称的行业将重组）、**边际效应的逆转**（服务业从“规模不经济”转变为“规模超级经济”）[16][17][20][26][27] AI时代护城河的结构性变革 - AI的普及如同地壳运动，可能使企业埋头深挖的**传统护城河变得无效甚至成为“负资产”**[31][34] - 最危险的竞争来自**不同维度的降维打击**，当竞争规则转变为结果交付时，以过程维度定义的护城河会出现根本性错配[32][34] - **90%的企业**仍试图用AI优化旧流程（如从铁锹换挖掘机），而未改变“挖河”行为本身的结构性局限[34] - 以传统视频SaaS企业为例，其建立在脚本库、特效模板、编辑工具、版权资产四道关卡上的护城河，可被AI原生智能体通过**意图生成、端到端样式生成、代码重构编辑逻辑、生成式AI**等方式全面击穿[35][36][37][38] - 新时代的护城河必须从“固态”转向“液态”，随竞争环境动态演化，**持续创新的速度才是真正的壁垒**[40] - 构建新护城河的三个核心维度是：**场景定义权、数据飞轮、场景价值**[43] 企业智能资产的积累层次 - 企业拥有智能的程度分为三个层次：**租用智能**（如“套壳”应用，智能是运营支出和消费品）、**拥有智能**（将企业专家的“碳基经验”转化为私有化智能能力，在垂域能力上限高于通用模型）、**增值智能**（构建私有场景和“用户反馈—智能迭代”闭环，使智能持续进化）[49][50][52][53] - “拥有智能”的核心是将专家知识、人工标注数据、博弈数据、合成数据及复杂业务流程转化为**无法被复制的核心智能资产**[49] - “增值智能”的本质是构建**私有场景和动态流转机制**，即使竞争对手拿走架构，若无对应场景和闭环也无法复制能力[53] - 企业在AI战略落地中面临六大决策悖论：顶层设计悖论（技术vs业务问题）、责任悖论（谁主导）、路径悖论（试错vs设计）、数据悖论（数据量vs模型能力）、边界悖论（自研vs外包）、ROI悖论（长期布局vs短期回报）[55][57] AI时代产品的第一性原理与设计 - 产品的本质是**人机交互的媒介**，是碳基与硅基大脑间的“编解码器”，核心目标是提升交互效率，实现意图零损耗传递[63][65] - AI时代实现了**“依赖倒置”**：从人类适配机器转变为机器适配人类，交互维度从数十维跃升至数千维，语言成为“超导通道”[65][73] - AI产品的第一性原理是“**谁来完成压缩**”，真AI产品由机器解压人类意图，允许用户自由输入、机器推理解压、界面适配意图[66] - AI产品经理的角色从设计“确定性流程”的“建筑师”，转变为驾驭“非确定性概率”的“园丁”，需具备数据思维与表达思维结合的“半人马”式双重思维[68][69] - AI产品设计的核心是**复杂度的守恒与转移**，应尽量将认知负载转移给机器（GPU计算负载）[81] - AI Native产品设计的核心方法论包括：**拥抱混乱**（消化零散输入）、**意图的超导**（自然语言实现意图瞬移）、**过程的彰显**（将AI逻辑显性化）、**界面的液态化**（灵活适配）、**高保真解压与还原**（构建共同上下文）[84][85] AI Native的真伪辨别标准 - 判断AI Native的四大标准（基因测序法）： 1. **生存测试**：脱离AI模型，产品是否无法存在（AI是“心脏”而非“阑尾”）[75] 2. **包容性测试**：产品是否“不挑食”，由机器承担信息压缩工作，能包容各类混乱输入（如NotebookLM兼容多格式文件）[75][76] 3. **逻辑韧性测试**：产品逻辑是“反脆弱的生物态”（基于概率推理，能处理未知任务）还是“脆弱的机械态”（依赖if-else，遇未知即崩溃）[76][77] 4. **责任转移测试**：产品交付的是“Auto-pilot”（自动驾驶，AI为结果负责）而非“Co-pilot”（辅助驾驶），能实现局部工作替代，降低组织“排异反应”[77][78] - AI Native的核心逻辑是**用模型能力理解并包容混乱**，而非用规则训练用户[76] - 设计AI产品时应将其视为**一个同事或员工**，接受其概率性和不完美，并通过明确边界进行引导，如同教育孩子[80]

文章核心观点 旧的SaaS（软件即服务）范式正在瓦解，AI Native（人工智能原生）的黄金时代刚刚开启。AI Agent（智能体）能力的突破性进展，尤其是其能够绕过图形界面直接操作软件并串联业务流程，对传统SaaS的估值逻辑、商业模式、产品形态和竞争壁垒构成了根本性冲击。行业正处于一场深刻的战略、产品和组织的全面转型之中。 近期 SaaS 股价暴跌：预期遭受降维打击 - 北美软件股在短短两个月内蒸发了超过1.6万亿美元市值，暴跌主因并非财务收入不及预期，而是市场预期遭受“降维打击”[2][5] - 核心冲击在于：AI Agent（如Claude Cowork）能够自主操控电脑、接管业务流程，使得传统“流程化软件”可能退化为“智能Agent的插件”，这动摇了SaaS厂商通过掌握业务流程“出入口”获得溢价权的根基[5] - 企业付费预算正大规模从应用层向LLM（大语言模型）基础设施转移，例如Anthropic等AI公司收入增长迅猛，市场此前预计OpenAI和Anthropic到2026年的年度经常性收入（ARR）为200亿美元，但实际很可能远超此数[5][24] - SaaS的估值体系（尤其是市销率PS）正在松动，许多北美SaaS公司的净收入留存率（NDR）已回踩至100%，若继续下探，PS估值模型将失效[5][25] - 以Salesforce为例，尽管其持续强调AI，但2025年财报中AI相关收入占比可能仅百分之几，其股价从2024年开始下跌，2025年全年跌幅约30%，反映出市场对AI如何转化为实际ToB收入的疑虑[6][26] SaaS 护城河：部分被击穿，仍存底牌 - AI对SaaS的冲击本质是对传统护城河的重构，核心力量“转换成本”与“网络效应”受到挑战[8] - 冲击体现为两点：一是“打劫逻辑”，即AI Native公司以更敏捷的架构、更低成本和更好体验抢夺传统SaaS存量市场；二是功能“被动折叠”，即AI Skills或自然语言交互可能使传统图形界面（GUI）体验优势消失[8][28] - 传统SaaS厂商仍握有重要底牌：1）企业经营数据沉淀形成的“数据半透膜”；2）长期积累的客户关系与品牌认同[8] - 从业务价值看，SaaS厂商的壁垒依然存在，主要体现在：与企业业务流程的深度耦合、长期沉淀的行业知识（know-how）、以及厂商与客户之间持续的服务关系[9][30] - “专业分工”规律不会改变，AI（如AI编程）带来的是“岗位上移”而非岗位消失，同时软件开发成本下降可能激发更大量的软件需求[9][29] - AI将催生新的行业壁垒，如更强的架构设计能力、更深入的客户需求理解以及更高效的产品交付与系统集成能力[30] 商业模式：按坐席收费模式难以为继 - 三位嘉宾一致认为，未来按坐席（Seats-based）收费的SaaS逻辑在AI时代很难继续成立[12] - 原因在于：1）企业因AI应用可能导致裁员缩编，组织规模变小，直接导致按席位收费的收入缩水（例如1万人的公司裁员至8000人，相关SaaS收入直接减少20%）[12][41]；2）“一个人的公司”正在兴起，个人借助AI可完成过去团队的工作[41] - 未来的商业模式将转向按tokens使用量、消耗量或按结果/价值计费[12][34] - 关于利润分配的争论：一种观点认为顶尖模型厂商因智能质量的显著差异（SOTA模型与普通模型是“零与一”的区别）将拥有很强溢价权，利润可能向上游集中[13][45]；另一种观点认为大模型厂商可能“管道化”，利润将留在更贴近业务价值的应用层，因为管道（模型）可随时切换，且专业分工将长期存在[13][46] - SaaS公司自身形态正在向“制造业”演变：1）商业模式从“订阅制”转向“消耗制”，收入与产出规模直接挂钩；2）成本结构从“人力为主”变为“人+Token”，业务规模不再完全依赖人力线性增长[14][45] 产品形态：GUI意义消解，Agent编排能力崛起 - AI正在重塑软件形态，GUI（图形界面）的意义正在消解，未来软件设计将更多考虑“让Agent好用”，而非“让人爽”[16] - 未来的SaaS产品可能深度集成到飞书、钉钉等工作平台中，以API形式提供能力，用户通过统一入口（如Chat界面）调用[16][49] - 当软件使用主体从人变为Agent时，评价标准将重构，重点从功能多寡、界面美观转向任务完成成本、效率和Token消耗[17][52] - 传统SaaS公司需要将原有API能力重新封装成“Skill”（能力模块），供Agent调用和编排，这种编排能力将愈发重要[17][53] - 软件正从“操作界面”变为“任务黑盒”，用户只需提出目标，AI Agent自动完成背后复杂的流程编排，许多工作流将被产品化封装[17][54] 实践与未来：战略、产品、组织的全面转型 - 对于传统SaaS公司，转型涉及缩短协作链条、提升组织密度，例如将技术团队拆分为更小单元，让市场、销售、产品、研发的协作链条缩短一半[19][57] - 产品经理职能需迁移，不仅要懂功能设计，还要懂叙事、销售和影响客户使用[19][57] - 海外市场呈现两条路径分化：一类是纯粹的AI Native公司，从原有体系分裂，打法激进；另一类是传统SaaS厂商，需要在组织、人才、战略、产品层面进行深度调整以适应AI[20][58] - AI时代SaaS公司的新打法包括：1）小团队探索，利用10%-15%的资源支持单人或双人团队进行规模化创新；2）快速试错迭代，尝试周期缩短至3-6个月评估；3）组织逻辑变革，投资决策需更灵活，支持规模化快速验证[20][60] - 内部采用AI已带来显著效率提升，例如有技术团队内部效率提升了约40%-50%[60] - 共识是AI不会杀死SaaS，但会彻底改变定义成功的方式，行业需要拥抱AI Native的新世界[20][21][62]

文章核心观点 - 资深投资人Jerry Murdock认为，当前AI浪潮的核心是**自主智能体**，而不仅仅是广义的AI，这代表着一场根本性的商业变革[7][9] - Cursor等代表当前初级形态的AI工具已经过时，行业正快速向由自主智能体驱动开发、决策和采购的新范式转型[2][4][11] - 未来的软件经济将由自主智能体主导，它们将作为“AI员工”购买和使用软件，并重塑技术栈、算力格局和商业模式[7][23][32] 对AI浪潮本质与阶段的判断 - 即将到来的海啸核心是**自主智能体**，而不仅是某个单一产品或广义AI，其真正冲击在于拍上海滩（落地应用）时的混乱与颠覆[7][8][9] - 行业正处于快速变革期，许多公司试图通过“外挂式”AI策略应对，但只有具备 **“AI Native”思维** 的公司才能成为真正出色的公司[10] - 大量涌现的**开源社区**是产生重大影响的力量，它们正在加速集成与创新[10] 对现有AI公司及工具的影响 - **Cursor已经过时**，它代表的只是AI辅助开发的初级产品形态[2][7][11] - 真正的AI初创公司（如E2B、Eventual、Lotus AI）已在全面使用OpenClaw或自研的自主智能体实际编写代码，这种转变发生在**最近不到两个月内**[11] - Cursor估值达两三百亿美元，但其团队需拥抱自主智能体趋势进行转型，在AI领域必须奔向未来而非停留在过去[12] 未来技术栈与算力格局的演变 - 行业**必然会迎来一个“Claw技术栈”或自主智能体的专属技术栈**，其作用类似2004年极大降低建站成本的LAMP架构[13] - 未来将出现一个**编排层**，智能体可在此调度多个不同的大语言模型进行工作流分流，例如复杂任务调用Claude，简单部分分发给DeepSeek或Llama 3等开源模型[13] - 一旦编排层稳固，**智能体将直接决定算力负载的流向**，这将有效带动开源模型的崛起，进而推动更适合特定负载调优的**ASIC芯片**需求[15] - 算力向ASIC迁移对英伟达的影响取决于其执行力，Meta重仓押注ASIC即是为了减少对通用GPU的依赖[16] - 未来在技术选型上，**自主智能体将掌握绝对话语权**，它们会通过实际测试（如在10个不同沙箱中运行）来选择最佳方案，而非仅凭开发者经验[7][17] 对现有软件与记录系统公司的冲击 - 自主智能体的爆发对现有记录系统（如Carta、Salesforce）的影响是两极的：若能利用智能体激活数据上下文，其价值将飙升；若被智能体绕过并建立新系统，则可能变得一文不值[7][18] - 评估企业价值的视角已变，需关注其生态系统的健康状况，例如若建立在Salesforce之上的成千上万家公司开始倒下，其底层价值也会缩水[18] - 企业的价值将取决于**管理层适应新形势的能力**，掌握数据并能通过自主智能体有效利用的公司价值会上升，反之则会衰退[19] 软件购买方与商业模式的根本性转变 - 目前所有软件最终由人类购买，但**未来软件将由自主智能体购买和使用**[7][23] - 无论投资何种业务，都需要思考其未来是由人控制还是由智能体控制和使用[7][23] - 商业模式将向**基于实际消耗的定价模式**转变，智能体在授权沙箱内按使用量付费，并在额度快用完时主动请求批复[24] - 为自主智能体开发软件且其有理由使用的公司前景良好，而仍认为人类会购买其软件的公司将在未来6到18个月内面临严峻挑战[25] 自主智能体作为“AI员工”对劳动力市场的影响 - 自主智能体已从“AI助手”进化成**“真正的员工”**，能独立工作，无需持续审核[32][34] - 任何在电脑前处理数据、排班等白领工作（如行政助理、客服、初级营销、初级开发者）大概率会被自主智能体更好地完成，企业将首先放缓或停止这类岗位的招聘[26][27] - 就业市场影响不均衡，**中小型企业**可能成为首批采用者，因为一个AI“秘书”就能显著改变其运营，而大型企业动作可能最慢[28][29] - 由于可能造成的失业冲击，**全民基本收入**在两年半后很可能成为现实或核心投票议题[30] - 未来可能出现**十亿美元营收的单人公司**，其关键在于智能体的智能程度以及部署和倾听它们的能力[32] - 个人的未来竞争力优势在于**使用智能体并成倍放大产出的能力**，甚至可带着自己的OpenClaw去参加面试以展示此能力[33][34] 对投资机构与创业者的启示 - 当前是**创办新基金的最佳时机**，因为人类将不再是软件的决策者，自主智能体才是，这场巨变与过去所有情况都不同[38] - 未来的风投和私募机构都必须拥有自己的自主智能体，用于寻找市场空白和评估创业者[37] - 评估创业者时，不仅要看其本人，更要看**他们使用自主智能体的能力和质量**，风投与创业者将在同一赛道上比拼驾驭智能体的能力[37] - 率先拥抱新模式的人，相比在旧模式中成功但转型缓慢的人，将拥有巨大优势[38]

文章核心观点 - 中国AI硬件行业正从过去的“追随者”角色，转变为主动定义未来的探索者，这得益于在信心、工程师储备和完备供应链上的积累[6] - 当前市场主要由两股力量塑造：一是大模型厂商与传统硬件结盟，对现有品类进行“+AI”改造；二是具有大厂背景的精英创业者，致力于定义“AI Native”的原生硬件[6] - 行业在2025年经历了从喧嚣探索到理性聚焦的过程，AI玩具等早期尝试迅速遇冷，而聚焦于具体场景（如教育、健康管理）的产品取得了更好的市场表现[12][14][16] - 投资人的共识和资金在2025年下半年显著转向AI硬件领域，尤其青睐具备“AI+软件”深度整合能力的原生硬件创业项目[20][22][23] - 创业者们在产品路径上存在分歧，主要围绕“AI的物理载体”与“更智能的消费硬件”两种逻辑进行探索，市场仍处于早期阶段，成功定义并普及新产品形态面临挑战[25][26][27][32] 根据相关目录分别进行总结 01 最早的推动者：大模型公司 - AI硬件行业的起点源于大模型厂商（如字节跳动）为探索模型落地和商业化而推动[8] - 2024年底，字节跳动豆包大模型的Token费用降至原来的十分之一，促使其与芯片商、硬件方案商结盟，思考AI与硬件融合[8] - 合作模式借鉴了IoT行业玩法，字节与乐鑫、中科蓝讯等芯片商合作，推动“豆包概念股”乐鑫科技股价一度涨停[8] - 联盟选择玩具作为早期落地“壳”，因其技术门槛低、有部分市场验证（如字节非卖品“显眼包”被炒至500元），且家庭消费意愿和对错误的容忍度较高[9] - 2025年3月DeepSeek完成市场教育后，市场加速，汕头、扬州、茶山等玩具产业基地开始接入AI[12] - 阿里云初期因人才流失慢了一拍，但在2026年初硬件展上发布“交互套件”降低开发门槛，并将收费模式改为按硬件终端提供服务的License模式[12] - 阿里云加入是认为AI硬件是能最快形成商业闭环的场景之一，其价值在于改变人机交互并拓展流量入口[12] 02 一个快速的失败，以及留下的经验 - 2025年上半年由平台推动的AI玩具热潮在618达到顶点后迅速熄火，市场销量未达预期且售后率极高[13] - 一家小芯片商的客户数从几家激增至三四十家，但收入仅增长两三倍，因大部分客户未赚到钱[13] - 产品生命周期短暂，平均使用时间输入仅6小时，输出不到8小时，儿童兴趣仅维持“三分钟热度”[14] - 市场迅速内卷成红海，仅少数自带IP或高附加值的产品（如Haivivi售出近30万台）获益[14] - 早期测试（如奇点灵智2023年的真人互动毛绒玩具测试）已显示纯语音互动对儿童效果不佳，难以持续[15] - 市场教训是：需家长买单的儿童AI产品必须解决真实痛点，因此注意力转向应试类、教育类产品[16] - 成功案例如网易有道的K12答疑笔销售额达1亿元，名校堂的AI闹钟在2025年下半年出货量超100万，逼近200万台，其中单月峰值超50万台[16][17] - 该闹钟成功在于聚焦家长对孩子的“时间管控”需求，采用低成本方形屏幕，售价199元成本约50多元，利润空间大使大规模广告投放成为可能[17][18] - 2025年全年销量超100万台的AI硬件屈指可数，消费者尚未普遍接受“+AI”硬件，但方案商仍在开发新产品，并计划转向欧美市场出海[18] 03 投资人达成共识 - 2025年下半年，投资热情显著转向AI硬件，尤其青睐由高学历、大厂背景创业者主导的“AI Native”项目[20][22] - 创业者如灵宇宙顾嘉唯、Looki孙洋、Lightwear董红光、odyss潘宇扬等是代表，其产品瞄准全球市场且定价更高[20] - Looki在2025年产品上市后融资变得顺利，近期完成2000万美元融资，投资方包括美团和蚂蚁集团[21] - odyss创始人潘宇扬2025年7月才创业，但快速获得高额融资和高估值[21] - 创业者赵之赫的AI手链SPIRO主打情绪价值，虽功能“抽象”但比其上一款产品更容易获得融资[22] - 投资情绪升温源于大疆系创业成功、影石上市带来的示范效应，以及AI软件创业闭环困难使硬件成为更受青睐的押注方向[22] - 红杉资本2025年9月领投珞博智能，关联基金投资Looki，其投资具有风向标作用；线性资本超三分之一项目与AI硬件相关，下半年看项目频率加快至每两周一次[23] - 投资人共识在于：硬件能在物理世界采集数据，提供更多上下文，这是AI硬件创业的共同出发点[24] - 投资逻辑从关注硬件能力转向更关注软件能力，一家AI硬件公司超过50%的投入需用于软件、算法和内容[24] - 2025年下半年进入AI硬件领域的资金，很大部分来自原本关注软件和AI的机构，如美团龙珠、红杉中国、高瓴资本、五源资本等[24] 04 创业者还在探索 - 创业者在“AI硬件应是AI的物理载体还是更智能的消费硬件”上存在根本分歧[25] - 北京创业者（如Looki孙洋、Lightwear董红光）倾向于做通用型产品，最大化释放AI能力，为未来探索多种场景[26] - Looki作为第一视角AI相机，功能持续开发；Lightwear套装希望完成手机不便的任务；灵宇宙“小方机”旨在成为儿童的第一台智能手机[26] - 通用产品面临的问题是缺乏明确的直接购买理由[27] - 深圳创业者（如odyss潘宇扬）走务实路线，聚焦具体垂直场景，其产品Odyss专注精确记录饮食与健康建议[27] - 垂直路线的挑战在于场景是否过小，以及未来可能被通用产品覆盖或陷入供应链内卷与价格战，如AI录音卡片Plaud的现状[28] - 创业者赵之赫采取不同策略，其产品SPIRO定位为“带记忆的幸运符”AI饰品，从“美和艺术”的审美溢价切入，旨在与用户建立情感链接而非强调工具性[28][29][31] - 他认为陪伴是产品最终应交付的心理感受，而非卖点，并拒绝为情绪产品加入摄像头[31] - 创造并让市场接受全新硬件形态难度极高，Plaud在售出150万台后也进入增长瓶颈[31] - Meta CTO的观点被引用作为行业常识：AI应解决真实问题，且硬件设计必须让用户愿意佩戴[32] - 行业整体处于起步阶段，“曙光已经出现，但黎明还没有到来”[32]

AI智能体开发范式的演进 - 行业从1.0时代的Chatbot（单次LLM推理对话）[16]，进化到2.0时代的Agent（依赖工具调用，需多轮LLM推理）[16]，再发展到当前的3.0时代，即AI Native范式[13][16] - 在AI Native范式下，AI智能体能够自我管理工具和技能，甚至自行编写代码实现功能，整个过程无需人类干预，被视作一个黑箱[16] AI Native范式的核心思想与实践 - AI Native的核心思想是摒弃传统框架的强制约束，不将AI当作“滚筒上的小白鼠”[11]，所有指令仅通过自然语言Prompt下达，AI是否遵循完全自主决定[5][18] - 实践上追求最小化框架，框架仅保留一个推理核心作为AI的“大脑”[11]，将更多自由留给AI，让其通过基础工具（如bash、文件读写）自行组合和创建所需功能[11] - 该范式的实现高度依赖大模型能力的进步，在模型能力较弱时无法达成[13] 项目“Bub”的复刻与进化实践 - 项目初期通过为已有的Agent（如Codex、Claude Code）增加Telegram消息处理器，快速复现了OpenClaw的核心聊天与任务执行功能[8][9] - 为应对群聊等复杂场景，项目通过AI辅助修改了消息接收器以支持消息ID回复、用户身份识别（需在上下文中加入用户元数据），并改进了消息发送功能以支持图片、贴纸等[10] - 关键的范式转变在于，后续让AI通过Skill（文本描述）而非框架固定的Tool来自我演进，例如让AI自行创建Telegram消息发送技能，其效果超越了框架自带功能[14] - 项目进一步实现了“去框架化”部署：利用Docker的进程管理，让AI通过自己编写的startup脚本驱动自身运行，替代了框架原有的消息监听与Agent Loop触发机制[14][15] - 通过上述方式，创建一个最小化智能体仅需三步：1) 启动一个会写代码的Agent编写startup脚本；2) 准备以该脚本为启动项的Dockerfile；3) 构建并运行容器[17]。开发者全程只需使用自然语言，无需编写或查看代码[15] AI应用形态与开发者思维的转变 - AI应用的形态从ChatGPT诞生之初的Chatbot，发展到强力的编程助手Claude Code，再进化到如今的OpenClaw等通用型AI智能体[6] - 这种进化伴随着开发思维模式的根本性转变，开发者需要从传统的“古法编程”（如抽象消息总线、编写适配器）[8]，过渡到完全依赖自然语言与Prompt驱动AI完成工作的新范式[7][15] - 这种转变被描述为像看着一个孩子成长，其成果中不包含开发者自己的一行代码，全部由人类通过自然语言指令“喂养”而成，带来与传统编程不同的成就感[18]

文章核心观点 - 字节跳动旗下产品“扣子”经历了从无代码聊天机器人构建平台到聚焦“职场AI”伙伴的战略演进，其发展路径并非顶层规划，而是内部创业团队基于用户反馈和市场变化不断“辗转腾挪”的结果，最终通过Vibe Coding、技能商店、长期计划等能力，定位为“白领用户的技术伙伴”[1][2][20][22] 产品定位与战略演进 - 产品定位从“扣子开发平台”升级为“扣子编程”，并明确迈向Vibe Coding方向，最新版本定位为“职场AI，就用扣子”[1] - 扣子并非字节技术路线下的规划产品，更像一个内部早期创业团队“野生”生长，其从0到1的过程具有研究价值[2] - 团队最初目标是打造让每个人获得编程能力的平台，但因2023年大模型编码能力及工程环节不成熟而放弃，转而从“无代码聊天机器人构建平台”切入[4] - 项目于2023年底以Coze为名在海外上线，2024年初在国内上线名为“扣子”，上线至今已两年[5] - 早期增长依靠用户新鲜感红利，但留存不理想，团队曾焦虑迷茫[6] - 团队通过分析用户行为，发现高频场景来自企业内部，从而统一思想，全力投入工作流开发，使产品价值得到认可，从“抢跑”变为“领先”[7] - 团队将核心用户定义为“严肃开发者”，即有商业化目的或用于提升工作效率的开发者，这标志着一个战略转向[10] - 产品最终进化方向是从“做工具”转向“造伙伴”，旨在建立AI与用户间新的协作关系，提升粘性与长期价值[20][21] 关键功能与产品形态发展 - 工作流调用量持续攀升且用户稳定，这个为解决大模型不稳定性而设计的方案，意外决定了产品下一阶段的“腾挪”方向[6] - 2025年4月发布“扣子空间”，主攻办公Agent，覆盖AI写作、PPT、设计、Excel、网页、播客等场景[10][11] - 扣子空间上线后，团队对大模型进步变得渴望，例如豆包大模型升级至1.6版本时，扣子空间留存率直接上涨10个百分点[11] - 团队通过Agent RL参与推动模型变强，利用用户提出的复杂真实问题作为高质量训练素材[12] - 以做PPT场景为例，团队基于豆包大模型进行后训练和自标注数据，使产品能力依赖模型跃迁，实现了从“雕琢工程”到同时“雕琢模型”的转变[12] - 扣子空间App已更名为扣子，成为主入口，未来将是一个整合扣子空间、扣子编程、技能商店等能力的all-in-one产品[13] - 扣子2.0提出了包含Vibe Agent、Vibe Workflow和Vibe App三层的Vibe Coding，并配套推出Vibe Infra，用户只需用日常语言描述需求即可生成应用[14] - Vibe Infra通过与火山引擎结合，一键完成云端开户、发布、域名注册、上线运维等复杂流程，提供了生产级一站式体验[15] - 技能商店允许用户上传和下载技能包，将人的“经验”沉淀为可被大模型调用的长期资产，企业也可借此沉淀公司“Skill资产”[16][17] - “长期计划”功能可帮助用户持续完成某项任务，如每天早上7点汇总新闻发至邮箱[17][19] 商业模式与生态构建 - 工作流功能成功后，产品推出了更明确的付费路径，且团队在2025年初设定的半年目标已达成[7] - Vibe Infra的推进可能为火山引擎带来大量C端用户，因为小白用户的第一个AI应用和云服务账户可能来自火山引擎[15] - 企业可以直接利用扣子企业版完成组织全面AI化，因为产品门槛低而上限高[15] - 当AI被视为工作伙伴而非工具时，其价值才能放大，这可能使AI应用超越上一代移动互联网App[21][22] - 产品的最终目标是建立类似“白领们的私人技术伙伴”般的信任基础与持续“履约能力”循环，服务目标是那些想构建工作Agent却未被很好服务的白领，以及期待利用AI增效的企业管理者[23]

文章核心观点 - 文章探讨了AI代理公司GIC及其产品Cofounder如何通过“Agent managing Agent”的平台模式，旨在自动化企业全栈业务流程，其愿景是构建“一人创造十亿美元价值”的高效未来，这本质上是对传统公司组织与管理形式的挑战 [2][3][33] 公司概况与融资 - GIC (The General Intelligence Company of New York) 成立于2025年1月，其产品Cofounder是一个AI代理平台，旨在让AI成为拥有核心记忆的尽调员、工程师和行政官 [2][3] - 公司发展迅速，2025年4月获200万美元Pre-Seed轮融资，同年12月完成由Union Square Ventures领投的870万美元种子轮融资，总融资额超1000万美元 [7] - 公司团队仅有5人，Cofounder作为“第六人”承担了从调研分析、日程管理到代码修复、视觉设计等广泛工作，支撑公司高效运转 [8] 产品功能与工作模式 - Cofounder的核心模式是“Agent managing Agent”，通过将管理自动化，让用户只需一句话就能让公司组织自行运转 [19] - 产品集成了维持现代科技公司运转的全套生产力工具栈，包括Linear、Slack、GitHub、Supabase、Devin、Cursor等超过100个工具和19类集成 [17][20] - 公司将运营解构为可重复的工作流（Flows），支持事件触发、定时触发和手动执行三种模式，实现任务自动化 [20] - 产品具备三层记忆系统架构：用于维护当前会话上下文的工作记忆、提炼用户偏好与风格的核心记忆、存储公司关键信息的长期记忆，使其在MemoryAgentBench测试中表现优于MemGPT等现有架构 [24][25] - 产品引入了“休眠期计算”思路，在系统低负载时进行后台推理与信息重组，以优化上下文信息的调用并缓解准确率衰减问题 [26] 产品应用场景与数据 - Cofounder已累计自动化执行59,191个任务，其代理系统每月处理超180亿个Token [17] - 产品上线后首周注册用户突破5000人，远超500人的原定目标 [17] - 具体应用场景包括：自动错误处理与代码修复、开发进度同步、生成每日简报、系统健康监控、自动生成会议纪要并分类、将自然语言转化为工单、企业知识库检索、邮件摘要等 [21][22] 市场定位与竞争格局 - AI Agent市场规模预计在2030年飙升至470亿至520亿美元之间 [30] - 市场玩家主要分为垂类代理（如估值102亿美元的AI软件工程师Devin、估值100亿美元的客户服务公司Sierra AI）和平台操作系统两类 [31] - GIC定位于平台级Agent，旨在横向勾连并管理调度垂直Agent，以自动化全栈业务流程，其理念与Google提出的Agent2Agent协议类似 [31][32] - 公司面临来自科技巨头的潜在竞争，通用流程化Agent被证明是大厂的游戏 [32] 面临的挑战与局限 - 经济成本挑战：作为高频调用Devin、Gemini 1.5 Pro等昂贵算力的“中间商”，其长链条的Agent自主运行模式可能导致高昂的Token消耗成本 [4][32] - 生态整合挑战：需要强大的生态整合能力，将不同的Agent集合到Cofounder调度系统中 [32] - 产品功能局限：目前缺乏网页感知与操作能力，高度依赖API兼容性，复杂逻辑仍需人工介入 [27] - 隐私与合规挑战：全天候监听与数据上传涉及商业机密、代码库等核心资产，对企业级用户构成“合规噩梦”，官网隐私政策目前略显笼统 [4][27]

文章核心观点 - AI Agent正从割裂的工具进化为深度嵌入工作环境、理解完整职业上下文的“长期合伙人”，其核心在于直接交付最终结果的能力 [1][2][3] - MiniMax推出的AI原生工作台Agent 2.0，通过Desktop App与Expert Agents两大载体，旨在实现这一愿景，将内部已验证的高效工作流产品化并开放给外部用户 [4][40][41] Agent 2.0的核心组件与能力 - **Desktop App：打通云端与本地，具备强大执行力** - 核心逻辑是将云端模型能力连接到本地电脑，能直接读取本地文件与操控网页，介入实际工作流 [5][6][7] - 可主动调取本地资源处理任务，例如处理人才库表格、审核历史合同、调用创作素材，使用户无需手动搬运信息 [7][8] - 通过实际案例验证能力：能独立联网调研20款Micro-SaaS产品，自动检索其盈利模式、流量来源等信息，并将结果填回本地表格 [9][10][11][12] - 执行复杂任务时采用分组搜索的“串并联混合”方式，平衡速度与并发 [15] - 能基于调研数据自动生成图文并茂的深度调研报告，并调用专家模块生成完整的PPT文档 [12][20][22][28] - **Expert Agents：注入私有知识，成为垂直领域专家** - 专注于让AI适应具体任务场景，解决通用模型在处理高度专业化任务时的不足 [24][25] - 用户可将私有知识库（如SEO玩法、量化交易策略）注入Agent，使其产出符合特定标准的高质量结果 [26] Agent作为“长期合伙人”的三大核心能力 - **记忆的连续性**：理想的Agent应像老练的同事，能逐渐理解并记住用户的工作偏好与习惯，而非每次对话都重新开始 [31][32] - **对隐性经验的消化能力**：Agent需能将行业标准与团队内部操作流程内化为本能，直接交付符合团队标准的专业成果 [33][34] - **对业务环境的敏锐嗅觉**：Agent应连通业务系统，主动感知环境变化并实时响应，这是区分演示工具与实战工具的关键 [35] Agent在MiniMax内部的实际应用案例 - **全球商务组**：Agent能快速处理涉及20个不同国家潜在客户的名单，自动进行背景调查并生成20封定制化的破冰邮件 [36] - **设计组**：设计师可通过“Vibe Coding”直接指挥Agent修改代码，例如调整官网字体，无需等待前端排期 [37] - **产品经理**：Agent能像侦探一样介入调查用户投诉（如积分消耗异常），查明原因（用户上传37个超大文件）并主动拟定安抚方案与邮件草稿 [37] - **研发部门**：Agent能通读晦涩的运维手册，在系统报警时自动分析并给出建议；能像技术负责人一样自动拆解需求列表，接管基础代码的编写与测试 [38][39][40]

文章核心观点 - AI浪潮正引发科技行业人才与创业生态的深刻变革，其核心特征是创始人年轻化、创业模式“禁欲化”以及科技巨头内部进行“静默换血”式的人才更替 [1][3][4] AI领域创始人年轻化趋势 - AI独角兽创始人平均年龄从2021年的40岁骤降至2024年的29岁，而同期非AI领域创始人平均年龄从30岁升至34岁 [8] - 年轻创始人案例频现：Scale AI创始人汪韬29岁执掌Meta新研究院，22岁的团队创办的Mercor估值突破百亿美元，AnySphere核心成员平均年龄仅二十出头 [9][10][11] - AI初创公司成长速度比其他行业快两年，平均仅需4.7年即可成为独角兽 [11] - 资本逻辑认为年轻创始人思维未被固化，能更快掌握前沿技术，而传统行业经验在技术快速迭代的AI领域可能成为负担 [4][11] “禁欲式”创业成为新常态 - 新一代创业者采取极简生活方式，系统性舍弃社交、娱乐甚至亲密关系，将全部精力投入创业 [15] - 数据揭示结构性压力：旧金山科技圈2023年女性创始人占比仅13.2%，且AI技术半衰期缩短至数月，时间窗口压迫感强 [16] - 极端实践者将创投逻辑用于社交，对潜在约会对象进行类似KPI的评估 [16] - 湾区周末商务消费额攀升，旧金山办公楼在休息日人流保持高位，反映高强度工作常态 [17] 科技巨头内部“静默换血” - 科技巨头裁员潮进入精准的“静默换血”阶段，裁撤传统业务线人员，同时高薪招聘垂直AI人才 [20] - 新岗位薪资高出同级别30%以上，需求集中于MLOps工程师、推理优化专家、AI安全合规官等高度专业化角色 [20] - Meta下达“全员AI化”指令，招聘彻底转向需要极少数技术底色极“硬”的垂直实战派人才 [21] - 市场对初级通用型程序员需求冰封，但对有3-5年系统经验且能驾驭AI工具链的人才竞争白热化 [21] - 新一代从业者更年轻，常直接从顶尖实验室或学术竞赛走出，跳过了传统职业阶梯 [21]