播客整理稿

本文目录 23

嘉宾与创业经历

00:18 主持人 我们今天的嘉宾是 AFK 的创始人嘉琛,你可以先简单跟大家介绍一下自己。

00:25 嘉宾 我叫何嘉琛,在 20 年之前是一个读深度学习与天体物理学的 PhD,然后在 20 年之后 quit 了学业成为了一个创业者。在二零年到现在,主要参与创办过三家公司,分别是开源的 AI 文档协作与知识库 AFFiNE,它大概还是做到了开源这个品类的第一名,也有比较多的用户和比较多的 star。

00:51 嘉宾 第二家是与 Evan、尤雨溪老师、刘星一起做的一家基于 Vite 和我们的一些 Rust 基建做的一个 AI 时代的打包与部署的这么一个 infra 公司叫 VoidZero,参与了它的创立,后续也是被 Cloudflare 收购。然后从 26 年初一直到现在,我们在硅谷做了一家面向企业持续学习的这么一个 governing agent 公司,叫 AFK,Away From Keyboard。我们致力于让企业能完全接管并持续学习公司运行的各个环节,大概是这么一个东西。

AFFiNE 做对与踩坑

01:34 主持人 其实我相信很多人对你的认知和了解最主要还是 AFFiNE 的那段经历,因为 AFFiNE 应该有非常多很亮眼的成绩,非常多的 star,然后又是 Product Hunt 的年度的项目什么的。所以 AFFiNE 的经历我挺好奇的,就是你觉得你那几年做下来,首先你们做对的事情,你觉得最主要是什么?就是能做到一个算是非常成功的一个开源项目,然后但其中你觉得踩的坑又是什么?就为什么那个最终没有特别好的可能商业化或者融资的发展下去?

02:08 嘉宾 我觉得内外都有一些问题,可能这个掰开来揉碎讲的话,有很多乱七八糟的原因和运气。但我讲主要的话,首先我觉得我们一开始做对的事情,肯定是我们在合适的时间推出了一个大家需要的产品。因为当时 AFFiNE 的第一个爆点是人类的工作是多模态的,那也就是说大家的文档、录音、画布、数据处理应该在一起。

02:34 主持人 我插一句,我在想那个时候其实还都没有多模态那个词吧?或者说大家至少都还不讲这个东西。现在感觉听起来非常自然而然的一个词了。

02:44 嘉宾 是是是,但我们确实在二二年、二三年融资的时候,我们就在讲多模态工作空间这个概念。所以这也导致 AI 来的时候,我们就很自然地训练了我们自己的 embedding model,然后也训练了我们自己的多模态 AGI。Actually,24 年 4 月,AFFiNE AI 发布的时候,AFFiNE 是世界上第一个可以在多模态基础上检索 deep research 并生成的工作空间。这也导致在 AFFiNE 创业的上半场,我们认为我们踩准了这个大家想要一个 App 能处理不同模态的信息,并且让 AI 去理解和加工生成的过程变得更自然,这是我们产品上做对的事情。

03:24 嘉宾 但是下半场就不是这样了。下半场我们觉得可能具体的编辑工具或者具体的编辑环境对越来越接近 AGI 的 AI 模型来说,反而变成了一种掣肘。所以从公司内部来讲的话,我觉得我们经历了一个类似从 Cursor 转向到后来的以 Terminal 为主的 Agent,再到今天的这种无处不在的 Agent,有这个产品形态上的变化。那类似的事情也在发生,我们觉得二三二四年的 AFFiNE 有它的高光时刻,那个时候我们更像是一个,那 Cursor 是给工程师用的画布,我们是给不写代码的人用的画布。那 Cursor 加工代码,我们加工你的文档、表格、设计稿各种各样的东西。但就如后边发生在这个从 Cursor 到 Claude Code 再到今天各种 Grok Bot 以及 To B 的 proactive Agent 所发生的趋势一样,我们觉得 AI 本身会变得越来越 autonomous,所以 internally 从二四到二五再往后,我们觉得想要做跟 AI 的东西,以及我觉得整个世界的资本市场和很多事情的变化都很快,所以也是时候重新出发去做一点别的更 AI native 的东西。这大概是之前的 lesson learned。

创业带来的成长

04:42 主持人 我记得上次见你的时候,你是刚开始创业嘛?大概一年前吧,我们在上海见的时候,因为很早的时候我们就认识嘛。然后一开始呢,说实话,我对你的一个很 typical 的印象就是年轻有冲劲儿,但觉得自己很牛逼的那种感觉,就是有点那个年少无畏的感觉。但我重点想讲的是,我一年前在遇到你的时候,我真的觉得你其实改变挺大的,就确实变得更成熟了。我不知道你自己有没有这种感觉?

05:08 嘉宾 我觉得创业让人进步很快,每一年跟前一年的我,不管是内在还是外在,甚至体重上变化都挺大的。

05:16 主持人 OK,所以你觉得这个就是创业带来的变化是吧?就是总归会遇到各种各样的问题,然后就会让人变得更成熟了,是吧?

05:26 嘉宾 对,就是理解产品、理解技术可能是一开始,然后再到后面就要理解创业这件事情本身,然后理解你的产品、理解你的市场、理解怎么跟人打交道,最后怎么赚到钱。我觉得说起来都挺复杂的,但确实成长是创业最大的回报吧。

完全自动化 Agent 的定位

11:36 嘉宾 这个 Poke 最近也被收购了,Poke 是第一个让人们意识到说你可以在海外用 iMessenger 给他发短信,然后他什么事情都给你干了。其实跟国内相当于你在微信里面就能跟你的各种 agent 对话,而且它还能主动地来找你,proactive 地来推进事情的概念类似。

11:47 嘉宾 Poke 从 25 年下半年一直做到 26 年上半年,本质上我们觉得那个不变的极限是模型越来越聪明以后,它掌握复杂系统和工具的能力,从一个 API 进化到很多 API 组成的复杂系统,再到今天,它已经可以组织超越一个操作系统级别复杂度的各种工具。

12:12 嘉宾 那也就指说,它可以操作多个这种操作系统级别的系统的时候,你就可以做到说,你在手机上也可以找它,电脑上也可以找它,因为它可以同时接管你的所有这些环境,然后把它们处理成各种各样的工具调用。

12:27 嘉宾 它在 C 端的体现,可能是人们发现说,agent 有的还是有一个 APP,比如说 Muse,有的比如就没有 APP 的,比如说 Poke Instinct。他们就是你给他打电话也行,你给他发短信也行。然后无论如何,你这个 interface 用最原始的方法还是怎么样,你跟他交互,他去用 Browser Use 也好,Computer Use 也好,CLI 也好,MCP 也好,调度乱七八糟的工具替你把活儿干完,而且干得比人类可能更快、更好、更省钱。

12:59 嘉宾 这是 C 端的体现。那自然,由于它的本质是 AI 能调度复杂系统嘛,所以在 B 端也会出现更多的。首先是 SaaS 的崩溃,就是各种 SaaS 都被动态生成的软件取代了。其次就是出现了像我们,然后像 Tang,像各种各样的人尝试研究说能不能让整个公司、整个企业作为一个复杂系统也被 AI 接管。

13:26 嘉宾 实际上,在这个产品的角度和技术角度来看,我觉得 B 端和 C 端的 Personal Agent 和 Proactive Agent 是一个技术上比较一致的东西,就是 AI 操作复杂系统,面向多个终端和多个用户。

To B 与 To C 的差异

13:40 主持人 嗯哼,但对于做企业跟做个人到底实际的区别是什么呀?就是因为我在想,你做企业其实最后也是企业里的个人在用嘛。

13:51 嘉宾 对,技术上有很大区别,然后商业上也有比较大的区别。技术上的区别是说,To C 的 personal agent 呢,我觉得还是一个平台型的机会。因为实际上今天 AI 创业跟以前互联网创业的很大区别是规模效应跟网络效应被极大地减弱。以前你有更多的用户,你有更多的用户的 user pattern,它就能帮助你迭代出更好的产品。但这件事情在 AI 产品上往往是不成立的。你做一个聊天机器人 Chatbot,然后你的用户量再大,可能他借的数据也不能让你进化到一个 agent,就是模型本身智能提升是最大的决定性因素。

14:34 嘉宾 所以我们觉得在 To C 的产品上,第一是大家长期以来没有办法形成数据或者智力层面上的壁垒,因为你有 N 个用户,这 N 个用户之间的协同或者规模效应是几乎不存在的。

14:50 嘉宾 然后在做 B 端产品的时候不是这样的。比如说,如果你给公司的每个人都配一个 personal agent,那他们可能这些人做的事情有大量的重复。那其实有些事情是不需要被重复做这么多遍的,其次信息在沟通的时候可能会有损耗。但是如果在企业里面,这个 agent 和 agent 之间可以相互地学习,然后人和 agent 之间也可以相互地学习的话,那其实我们认为在这种多个人做,但是最后整个企业有统一的目标的情况下,可能规模效应或者说持续学习是一个可以做的事情。

15:27 嘉宾 这个是产品和技术上的一些区别。另一个商业上,我真的觉得啊,就是 To C 的 Personal Agent 太卷了。所有能在 To C 的 Personal Agent 上活下来的公司,可能拼的都是产品外的东西,比如说你的供应链能力,你能不能让大家更多地省钱?买更多的东西,然后你需要去跟供应链去有这个攻防。比如说,你看我们很多 personal agent 都在被点外卖或者差旅平台所封禁,所以 Instinct 和 Muse 啊,其实在美国讲的更像是一个在美国重新发明平台电商、重新定义消费供应链的这么一个故事。

16:07 嘉宾 但 To B 的 agent 控制着同样是复杂系统,可能就有更直接的价值,就是你帮这个公司用更少的成本完成了更多的内容,你把一块钱投到你的 AI 人工智能 token 里面,它学到什么东西,产出了多少东西,我们可以让它变得更透明,赚更多的钱,用更低的成本。那实际上我们可以更快地捕获价值。所以我觉得对我们这种小团队来说,我们还是更想做离客户价值更近的东西。这也是我们没有选择做 To C 的 personal agent 的核心原因。

平台入口与生态博弈

16:37 主持人 嗯哼,对,我在想说美国的那个生态确实是更开放,包括它为什么能有这么多基于短讯本身的产品,对吧?包括我觉得很多产品在美国可能原地就能好就很多倍,对吧?它就瞬间能接入各种服务、各种生态,然后就能一开始就能获取人的很多 context。对,但这个最近因为看新闻说 Amazon 好像封禁了 Muse 吧?对,好像是的。对,就是所以我也在想,也同时存在你说那个情况,就是新的一代是不是它有可能是,就大家在押注的是新一代的 Amazon、新一代的各个平台。

17:12 嘉宾 对,他们都要肩负这个命题,因为没有平台想要从入口变成供应商,这在中美是一样的,所以你需要非常大的业务体量才能重构这些东西。

17:22 主持人 对,我觉得这个应该是未来几年的一个核心命题。对,就是如果这个事儿真的被创业公司跑成了,可能就真的是一个大洗牌啊!就是现今的大家经常在用的这些产品,对吧?包括我记得我们从二三年开始就在讲这个事儿,如果 AI 是真的那么好的话,那像滴滴、美团这种生活服务类的,其实就都变成个后台的供应商了啊,大家就都不会去他那边去做一个第一入口,他的品牌价值、用户价值可能就都不存在了。是的,嗯哼。

17:52 嘉宾 但反过来,像滴滴美团这样的公司现在也还是挺年富力强的,他们也一定会下场做 personal agent 有关的东西。所以这就是创业中比较血腥的战争。我觉得跟之前移动互联网这种大洗牌可能还不一样,就因为这些公司还挺强。

18:08 主持人 对,但我站在外围站着胯不腰疼,我觉得这样才有意思啊!啊,不然是,不然长期都是那几家也没什么意思,对吧?最后哪怕还是那几家,那你至少从用户角度来说,那过程当中你肯定你是要是不是要带什么补贴是要干嘛的吧?

18:23 嘉宾 对对对对对。那现在补贴更严重嘛?以前你补贴商品,现在你又得补贴商品,又得补贴 token,还得补贴广告。

大客户切入与 To B 优势

18:30 主持人 嗯,是。诶,你你们现在我记得是已经有几个大客户了嘛,是吧?对对对对,我觉得这个还蛮难得的,因为过去几年其实做这种 AI 产品的大多其实停留在讲故事的阶段,对吧?或者说有些小范围的 C 端用户的使用。嗯,但你真的做到大客户,你觉得这个的原因是什么?就大家痛点、刚需和买单的点到底是什么?

18:50 嘉宾 我觉得我们切入点找得比较好,说实话,这个不太谦虚地说是这样的,因为 Personal Agent 或者说今天的 Agent System 是一个非常黑客、非常 Hack 的东西。比如说,你获取那么多的 context,拿到那么多的权限,其实是你在 To C 的时候怎么划定一个用户的信息边界是很难的。就是其实 personal agent 几乎可以用你的所有信息去做任何的事情,所以大家天然要很多奇技淫巧和很多逆向工程才能拿到这些东西。

19:26 嘉宾 但在 To B 的场景里面,企业的要位负责人,就他是乐意让你去 hack 他的。比如说,我今天告诉一个 C 端的用户说,我拿到你手机的所有权限,我能看到你的所有短剧、所有照片,然后就为了推测一下你是一个什么样的人,给你推荐一些广告。这是 PA 的逻辑,只不过这广告不是以前那种贴片广告啊,可能就是一个 Chat 或者一次消费行为。呃,听起来就很吓人,但在 B 端,我们告诉老板说:“你看以前有 8 个人干的事情,今天我端到端地用 AI 可以做完。你的业务数据、财务数据、产品迭代、员工的每一个花钱买的 token,最后怎么变成了代码流入了哪里?有没有通过上线跟测试都能由 AI 端到端地捋顺的话,实际上这些大客户有比我更强的动力去对他们的系统做必要的改造,就是为了让 AI 能拿到更多的 context 进行更多的产出。”

20:25 嘉宾 所以在 C 端你在跟用户对抗,可是在 B 端的情况下,只要我们把 AI 的这个 know how 展现到 C level 级别,这些真正赚钱的公司反倒有非常大的动力去配合 AI 来改造自己的公司。所以我觉得在 To B,如果你能做出比较好的这种全自动化的 agent 系统,在 B 端其实前期有更好的 adoption 应该是一个比较自然的事情。

AI 消灭软件与工作流变革

20:52 主持人 诶,但你看这些公司,我的理解是他们绝大多数啊,我觉得我们现在聊的,尤其是互联网公司,其实已经是全员 AI coding 了,对吧?有的是在讲 Max Planck,有的可能没提这个概念,但基本上很少还有代码是手写的了。那在大家都在用各种 AI coding 的软件的时候,你这个东西进去跟它之前的区别是什么呢?

21:12 嘉宾 首先是,这是一个比较大的悖论,就是 AI 已经在消灭软件了。我们在说这件事情的背后说的事情是以前人是在适应工具做一些事情的,你必须有一个财务系统在里面再去做你跟财务有关的数据。你的产品研发的这个 loop 里面,除了工程师在写代码以外,你的产品经理的设计师可能不写代码,那他们跟写代码人之间沟通就有天壤的壁垒。

21:39 嘉宾 所以在 25 年大家就观察到说,工程师加上 coding agent 呢,已经解锁了一百倍、一千倍的生产力。可是,人和人之间是要交互的。产品经理怎么办?设计师怎么办?一方面,这些人的工作流会牵扯到 GUI,牵扯到更多的环境,牵扯到更多的数据采集,本身就不像工程师那么干净,所以他对模型要求其实更高的。其实,在 26 年模型能力达标之前,通用办公或者走向代码以外的场景没有被覆盖。然后另一个点是说,一旦这些东西被 AI 端到端地可以优化了,AI 可以。

AI 消灭软件与角色重构

22:15 嘉宾 其实,在 26 年模型能力达标之前,通用办公或者走向代码以外的场景没有被覆盖。然后另一个点是说,一旦这些东西被 AI 端到端的可以优化了,AI 可以生成一次性的软件,hack 一个一次性的系统。就以前我们通过软件来做件事情,现在 AI 可能端到端的自己给自己写套代码或者做一个脚本就能把活干完的时候,以前的很多岗位的工作流就不应该存在。

22:31 嘉宾 比如说是不是产品经理就不写 PRD 了?设计师是不是就不用再画那么多的设计稿了?比如说我们公司也在设计跟 UI 上投入比较大的功夫,但我们的设计师今天就已经替代了前端和替代客户端工程师,他用 artifact 去看他的真实代码长什么样子。他的产物可以是新上线的功能、新上线的 UI,也可以是我们的宣传视频,也可以是 user 的 onboarding。

22:57 嘉宾 所以设计师变成了面向界面交互的某种意义上的工程师,尽管他可能不会写代码,是 AI 来替他写代码。产品经理变成了定义功能逻辑的工程师。那在这些意义上,一方面要给每个人提供更好的工具,另一方面是每个人的工作流和他的角色发生了根本上的变化。

23:21 嘉宾 所以这是使得你第一没办法用 coding agent 解决所有的问题;第二是那些提效的地方可能不光来源于每个人个人的效率被提升多少倍,还有这个系统之间的交互产生了什么样的信息浪费。

23:35 嘉宾 你单纯给每个人配一个 AI 的话,他可能经常用 AI 产生比较大的 slump。我们想象一个场景:一个产品经理让 AI 把他的一个需求翻译成一个 300 页的 PRD 文档,然后另一个工程师看到这个 300 页的 PRD 文档,又让他总结成一句话的需求,再去写代码。那这里放大的大概率是噪声,而不是信号,因为那个人跟人联调或者说讨论业务需求的环节反而被略过去了,所以很多公司在给大家配的这个 token maxing 以后,反倒效率降低了而不是提升。

Mono 与代码库协作范式

24:12 主持人 嗯哼,诶,你说这个让我想到最近那个 Manus 他们发那个 Mono 的那个东西吧,我不知道你看到没有?就内部 Manus 怎么去做 AI 组织改造的

24:20 嘉宾 那个那个事儿,看到了看到了。

24:21 主持人 对,是不是跟那个会有一点像?

24:23 嘉宾 其实比较像,而且这应该是做 personal agent 共识,或者说做企业协作的共识,就是以前大家在做软件开发的时候。代码库是只面向工程师的东西。今天把那些不写代码的人也掰到面向一个 Mono Repo 或者说一个代码库去开发,然后用 Artifact 的快速的实时构建、实时预览,演出法随着去直接修改,最终结果应该是 AI 时代开发的一个标准范式。但很多公司可能还没有意识到这件事情,或也没有完成这样的改造。

Agent 演进与工作流消亡

24:57 主持人 嗯,这条线是不是又有点像从那个 Long Chain 到 DeFi 到 N8N,然后再到 Open Cloud 到今天的 Hermes 这条线?所以就是你们其实也是一定程度上去对标 Hermes 啊什么这些东西,

25:10 嘉宾 是有类似的地方的。就是在工作流时代,你更希望 AI 去替你补全打字儿,就是你还是在规划整个东西嘛。那当 AI 聪明到一定程度了以后,它从替你打字变成了替你决策,就是说他看到的信息比你多,做的决策比你多,提供的智力比你多。那这在组织里发生的事情是一样的。就在 25 年的时候,他可能是个工具,他还是在替工程师写代码,替产品经理写 PRD,替设计师出设计稿。但现在 AI 端到端交付东西的能力变得非常强以后,就应该反过来人去适应它了,就应该是产品经理、设计师和工程师们都在面对同一套以代码为底的这么一套 Mono Repo 或者叫它的本体,然后去开发所有的东西。那所以像你说的这个类比,Agent 系统变得越来越广泛,越来越智能,所以人们用它的方式其实也是有越来越高的抽象层级的。这背后的原因是一致的。

26:11 主持人 嗯,这条线那感觉是不是也是到一个比较尾声的阶段了?就是从我们刚才捋的那条线来讲的话,嗯,就因为我在想,你看之前前就这条线,其实每一家刚出来的时候,Star 都涨得非常快,对吧?不管是 Long Chain 还是 DeFi 还是 N1,当时也非常火,对吧?那个 Star 涨得我记得飞快,对吧? Open Cloud 更不用讲了。

26:34 嘉宾 对,甚至还有很多开发的 Scale 嘛,就是 26 年上半年还有很多非常火的,比如说什么那个 YC 的老板做了很多个什么 G Brain 啊、

26:43 主持人 G Stack。

26:44 嘉宾 还有什么 Andrew Caparazzi、LM's Wiki 完全拔走了。

26:47 主持人 对,但我感觉今天呢,像 N8N 应该好久没有人提过了,对吧?当年这个你不管刷哪也都是一堆的啊。然后 Hermes 呢好像提的很少,但还是偶尔能刷到,而且他们最近也还是拿到钱了。对,那我就不知道这个这里面大家的一个现状啊和未来的发展趋势什么的,你怎么看?呃,我提这些点是

27:07 嘉宾 因为可能 N8N 二五年底的时候大家就觉得已经不太新了,就不太提了,但是。即便 26 年 4 到 6 月大家会做的很多单点优化,这种 skill 层面的单点优化在 GitHub 上拿到非常多星,到 26 年下半年也没人提哦。就是因为当模型能力越来越强的时候,不是说有一种更好的工作流替代了以前粗糙的工作流,而是说模型就不依赖任意的工作流,所以 skill 也好、技也好、工作流也好,很多这些外挂的东西生命周期会变得非常短。因为模型本身把它们学了进去。我们今天你用一个新的、更聪明的模型,或者一个新的、更好的 harness,第一件事情可能就是把之前的各种 skill 卸载掉,把这个 system prompt 给删掉,否则它对 AI 带来的可能是副作用。

27:56 嘉宾 所以你看到产品也是这样,就去年和今年上半年的很多 harness 也好,很多这些以组织 AI 为生的。开发平台或者公司都是想在教 AI 做事儿,所以那里面的 engineering 都是在给 AI 去补短,而不是给它锦上添花。那到 26 年下半年,Opus 5.5、GPT 6、Astra 这样的模型,在大多数场景上,我们觉得已经配得上 AGI 这三个字了。那其实这些外挂类的东西就作用会。越来越小,然后甚至被大家就没法用或者淘汰掉。我觉得是这样。

确定性与成本的新解法

28:38 主持人 嗯,但我记得当时大家在提到工作流啊什么这个的时候,其实一般会主要讲两个点吧。第一个点就是说,尤其在 To B 端,大家追求的是一个工作闭环的确定性啊,就是如果纯 AI 生成的确定性还是不够强,工作流呢可能能固化一个确定性。另外一个就是成本的问题,就是很多工作流是可以复用的。对,那现在这两个点会有什么变化吗?

29:01 嘉宾 会的,会的,会的,会的。嗯,这其实是一个很好的问题。我觉得是工作流的固化这件事情本身也从模型外转向模型内了。因为在二四年、二五年的时候,模型生成的结果还是有比较大的随机性的,包括它有比较强的幻觉以及指令遵循不够强。然后当时的 QV Catchy。和 prompt catching 层面的优化,和像现在的 loop transformer 这样的技术也都还没有出现,所以人们需要外挂的东西来把模型确定化的输出给固定下来。

29:36 嘉宾 但现在一方面是模型的指令遵循和强化学习已经做到说它在控制任意的 API 输出任意的指令的时候不会有什么错误,甚至比很多所谓的。规则为主的确定性的系统还要更准。另一方面就是模型的结果开始变得可以复用了。你发现在 agentic 的工作负载里面, KV catch 和 problem catch 的命中率是非常高的。也就是说,如果你想有一个确定性的输出的话,在之前你可能靠的是外挂的东西把它存下来,然后让模型反复的调同一个 API 和同一个工作流。在现在可能它在 infra 层面就被优化掉了。如果有几次工具调用或者用户的工作是值得被蒸馏下来的,那它可能已经存在在 KV cache 或者 prompt cache 里面。甚至像我们做的这种小模型蒸馏大模型,为的就是让小模型把大模型确定能做的东西给背诵下来。那这要比你写一个非常僵化的工作流要强非常多。

30:38 主持人 哦,对你说这个我想到就是现在我用一些 agent 产品,我提一个诉求,它会说:“诶,我发现你上次是怎么怎么做,对吧?我会按照上次的什么什么来帮你完成这个任务。”

30:48 嘉宾 是,这是一种记忆层面的复用嘛?那工作流层面也是复用。对你就是你反复调同一个 API,它生成的这个 JSON,只要它之前生成过,那可能 KV K 上面就有,你缓存命中率很高。

与 Hermes 等方案的差异

31:00 主持人 嗯哼, OK 明白。但从这个层面的话,比如说像你们现在签那些大客户,他为什么不去选择现有的那些那 Hermes 呀什么那些东西?就你们跟那些去比的话,主要的点在哪儿?

31:12 嘉宾 我们最大区别是,就比如说缓存命中和持续学习这一条,我们以软件开发或者像产品经理去。读这个 GitHub 上的代码,然后让他去写 PRD 是一样的过程。假设一家公司有一百个人,那之前像 Hermes 或者 Groq book 的这样解决方案,还是给他们每个人配一个 Agent。这个 Agent 和 Agent 之间是没有一个协作的概念的。那在我们这里是我们给所有人配同一个 Agent,但这个 Agent 是高并发且千人千面的,仅就刚刚我们要阅读一份代码。然后对它做出某种修改,这一个场景举例,那之前的这一百一一整就得读一百次。那今天在我们这里可能,呃,你的同事读过一次以后,在你这里也能利用到缓存而不会重复命中,所以它的浪费本身就减少了很多。

32:03 嘉宾 另一个就是你的 skill 或者你的持续进化有了一个基座,可能以前你这个 Hermes 或者 Grok bot 它们之间没有这个协同的。作用,所以可能公司里面最会用 AI 的两三个人跟其他人效率差距是非常大的。那你作为老板,你想知道说怎么让别人变得像那些效率最高的人一样?但这个事情也很难通过培训或者通过某种人跟人的沟通方式去说得清楚,因为这些系统本来就是 AI 主导的嘛。那现在如果是同一个 AI 能看到所有的工作流,而后它能端到端的看到。谁做得好,哪个点卡到哪里?

缓存与协同减少浪费

32:43 嘉宾 那同样的,你这个老板如果去问一个 Grok bot 或者一个 Hermes 说大家都干了什么,我们上市公司整个公司的业务进展是什么样的?100 个人和 100 个 personal agent 可能还是会输出 200 个不同的答案。

32:55 嘉宾 但是今天我们就可以把所有的信息聚到一起,然后告诉老板说:诶,你看这个代码的构建,这个 PRD 的书写和这个工作流在这个环节就应该是有这里是更好的。

33:06 嘉宾 我们觉得这个地方是怎么改的?他不光可以变得更 proactive,对吧?那他肯定是有一个更快的学习的过程。

33:14 主持人 用俗话来讲,就是打通了闭环了,align 是吧?

33:20 嘉宾 你这个就很互联网了。我怕挨骂,但你说的对。

自训模型的实践与思考

33:24 主持人 嗯,OK,好的理解了。然后你刚才也提到你们自己搞模型那一块,我知道你们也自己实际就在训一些模型嘛。

33:31 嘉宾 对,是的。

33:32 主持人 就是这几个月大家一直在讲说运营公司自己训模型,就模型一体的故事,然后也有很多公司讲自己未来要训模型,但其实。我觉得真的能落地的还是少的,对,能不能给大家介绍一下说你们实际训模型的这件事情,包括里面遇到一些难点呀,或者现在这个节点多这事儿的一些意义啊这边。

33:51 嘉宾 其实 25 年下半年就是现在的 AFK 这家公司成立前,我去参与了国内第一个 1T 参数以上的多模态 agentic model 的训练过程,我们去很仔细的做了 sandbox 和 IL 集结等一系列事情,但是。

34:11 嘉宾 就是当你深度的参与过模型训练之后,其实在那段时间我是特别不相信创业公司的模型训练这个叙事的,因为啊,因为我们觉得很难找到客户。

34:24 嘉宾 嗯哼,就是因为去做大规模的 IL 是需要非常聪明的人,以及更重要的是非常多的卡,非常科学的数据核证过程的。

34:34 嘉宾 所以它听起来不像是一个创业公司能去贡献什么东西的地方。可能那些 New Lab 和那些前沿的这些厂家们从 OpenAI、Anthropic 到国内的这些 Kimi 啊、DeepSeek 啊、智谱啊这些团队,他们的卡、他们的人才密度和他们的基建端到端都比其他第三方的东西要好非常多。

34:56 嘉宾 那如果由创业公司去做这种事情的话,实际上比较难的,因为开源模型可以被理解成劣化版的闭源模型,然后呢,小模型又是一个劣化版的开源模型,那。

35:08 嘉宾 所以当时我们就特别不相信去做 IO 环境或者去提供 IO 服务的这一条创业路径。可是在 26 年这件事情发生了比较大的变化,一方面是 ISI 变得越来越近以后,训练模型的成本本身下降;然后二是你不需要再去说我我要通过一个第三方的 IO 服务去做一个比闭源的模型或者比这个更大规模、更大参数的模型在某个方面。

35:37 嘉宾 天花板更高的东西。以前我们训练模型总需要告诉别人说,我就是在某个任务上比所有人都强。大家随便掏出哪个 benchmark 来,只要你发模型,你总需要在几个 benchmark 上打到 SOTA,你才能发。

35:51 嘉宾 然后这个事情就会带来大量的过拟合,以及可能你这里面你在这个 leaderboard 大家的时间比较短。但到 26 年以来,我们看到了有 JAB 这样的模型开始出现,也就是说大模型的架构本身发生了变化。

36:06 嘉宾 你在今天训练小模型的时候,你是可以做到说,我不需要比 AGI model 更强,我只需要做到说,我给它提供肌肉记忆,我能把它确定能做对的东西,用更低的成本、更快的响应速度去做出来。

36:25 嘉宾 这是一个我们认为 26 年 IL 文艺复兴的一个点,就是今天规模化的大增小,把大模型可以经过一个很长的 reasoning process 才能得到的结果,变成一个 system one model,一个不需要经过 reasoning 就能快速判断、快速吐出结果的这么一个过程,是一个系统性的机会。

36:46 嘉宾 而且这个事情在商业上是很 make sense 的,因为你必须要找到有用户偏好作为 reward 的场景,且有非常强的 sota model 的正确结果作为你的 grounding truth。

37:00 嘉宾 那这个大整小才能创造价值,而这件事情是同时要满足说架构也变化了,然后积模的能力也达标了才可以做。

37:12 嘉宾 那这件事情也就是现在才刚刚可以去有这么一个机会,然后我们又变得很兴奋。

当前训练的模型类型

37:16 主持人 所以你们现在都在训的是什么模型啊?

37:19 嘉宾 我们现在训的主要是两种模型,两种都是小模型啊。第一种模型我们叫做 Task Routing Mode,实际上。它是会把基模在完成过任务以后,可以相当于是我们用 List Dev 这样的 Prefill Model 去做了一种能把 SOTA 模型做过的任务。

37:38 嘉宾 低成本复现等这么一种东西。那当你的公司都在使用我们的模型的时候,肯定会有大量的任务已经通过了。

37:46 嘉宾 公司在调用像 GPT 或者 Anthropic 这样的先进模型的时候,产生了它的工具调度的过程和它的结果。那这样的 Trajectory 在被我们记下来之后,

37:56 主持人 我们是可以训练我们自己

37:57 嘉宾 的模型去。去把它蒸馏下来,然后在蒸馏的时候可以对其这个用户的使用习惯和偏好。相当于说,对那个 SOTA model 来说,完成这件任务可能有五条不同的路径都是能做完的。

模型的肌肉记忆

38:10 嘉宾 那用户在第一次使用 SOTA model 的时候,可能倾向于这五条路径中的一条或者两条。在我们观察它怎么做下来之后,我们的小模型会把这个怎么做的以及用户偏好是什么有样学样地记下来。我们管它叫模型的肌肉记忆,然后我们管我们训练这种模型叫 agentic system 的植物神经,或者叫周围神经。因为那个很聪明的模型可能是大脑皮层,但我们干的事情可能是我们给它配上了脑干跟脊髓。

38:38 嘉宾 那企业用它来做事情的时候,就很像是一个人类在学习怎么游泳、怎么骑自行车的过程。你在第一次骑的时候,可能你的运动神经、你的脑子需要很多的思考才能把这件事情做完。但是我们的植物神经,我们的小模型来观察这件事情,这样你再执行几次之后,它就变成一种肌肉记忆了,就帮助你可以快速条件反射地、低成本地把这事情做完。

39:03 嘉宾 那这是我们训练最主要的模型,我们管它叫一种 Task Routing Model。第二就是我们在训练大概 20 到 40B 参数的这种 Worker Model。那这种 Worker Model 是专门面向企业内部的,因为今天很多操作系统和很多动态软件在使用闭源模型的时候,可能还是有比较多的安全限制,比如说公司可能需要逆向自己的一些操作系统层面的产品或者接口,那我们可能可以提供更强的逆向能力,它可能可以更快地去在处理企业内部的特定任务的时候有更少的限制,这也是我们为企业提供的一种服务,所以大概就这两种。

AI 消灭软件层

39:44 主持人 嗯嗯,明白。那我听你讲这个让我这个唤视到了巨深领域,有点类似于巨深那个大脑小脑的那个故事。

39:52 嘉宾 嗯,对,但是又跟巨神不太一样,反倒是巨神的大脑小脑最近正在被颠覆啊。

39:59 主持人 嗯,大脑被颠覆了。

40:00 嘉宾 对,是的。

40:02 主持人 嗯,所以你你们后面大概的规划是怎么样的?包括你对于这个整个的 Agent AI 什么这些市场后面的一些看法是什么?

40:11 嘉宾 就首先我觉得 AI 真的是会端到端地消灭操作系统、网络以及应用层的各种逻辑,我们最近能看到很多通用软件在加速消亡。比如说今天游戏引擎有点消亡,AI 可以为每个游戏定制一个专门为它优化的渲染管线,然后可以为每个不同运行它的设备去专门地优化。所以最近一个很火的 skill 像 REA,它可以做到说在任何安卓平板上运行任何的 Switch 游戏。要做到这一点,相当于它给每一个游戏动态地协调指令集和专门为那个安卓平板所优化的渲染管线,然后让它能跑起来。这样的事情在以前是不可想象的。它已经做到了每个游戏、每个设备的高度定制化。那以后可能每个人的每个任务做的每件事情都是一个高度定制的软件去做的。

两个根本判断

41:05 嘉宾 我们有两个比较根本的判断:第一是我们觉得说,今天所有的软件都是开源软件。就是今天,即便你不把源代码给出去,别人只要能知道你在做什么,然后只要能拿到你的 API spec,他就能把整个软件让 AI 给逆向出来,或者让 AI 重写一个功能一模一样的东西来替代你。所以软件本身在消亡,然后更多的软件转向了模型智能里面,这也是根本上发生的变化。

41:32 嘉宾 二是我们觉得模型的普惠在两三年内可能会有非常大的变化。这一到两年,两到三年内,我们在给企业提供用最好的模型和最先进的算法创造更大的价值这样的服务。我们在帮本来就能捕获价值的公司去提高它捕获价值的效率,然后我们从中分一些钱作为我们的利润,是做 To B 比较直接的事情。但这背后是今天最好的 agentic model,AGI 级别的 model 还主要来自于 Anthropic 和 OpenAI。可是开源模型的进化速度是越来越快了,以及追赶的进度也是有非常大的加速度的。所以我觉得两到三年以后,由 AGI 模型的供给会变得非常充裕。那那个时候,在 B 端、C 端重构这个世界的软件和商业规则会是什么样子的?会变得非常血腥,非常 exciting。

42:29 主持人 嗯。

42:30 嘉宾 很难想象,可是最近我们觉得可能还是搞企业还要靠谱一点。

Agent 进展与商业化

42:34 主持人 是是,我感觉整个 AI 的,尤其在 Agent 这块的进展,是不是开始相对成熟和慢下来了?因为你看这两年,其实最后大家看起来整个赛道挣到钱的一个是 AI 陪伴,里面有很多赚钱的,其实大家很多是都活得不错的。另外一个就是视频赛道,对吧?就各种除了大家看到的 Higgsfield 和 DeepLeap,其实这个赛道里所有的玩家都在增长的啊,不只是前面那几个对吧?但没有被前面的都吃掉,而是整个赛道一起在涨。我觉得核心就是因为那个聊天能力和视频生成能力其实相对是很成熟的了。是的,就这块它的交付结果是非常可预期,而且是能商业化闭环的。对的,Agent 这件事儿呢,大家一直在讲,然后一直在出新东西,然后似乎在近期才开始渐渐达到那个程度。

43:21 嘉宾 我的感觉是是,对我

43:23 主持人 我不知道你的体感,我体感

视频赛道整体增长

43:24 主持人 是这样的,也是厚积薄

43:26 嘉宾 发的嘛,因为 AI 系统

43:26 主持人 必须端到端完成任务才能创造价值,所以之前这个桶只要缺一个环,它就没有解锁很大的价值。但是这个环最近开始被补上,甚至像刚刚说的之前赚到过钱的视频、语音陪伴类的赛道,也在被今天的通用基建和通用模型所挑战。

43:50 主持人 所以我觉得事实上发生的事情是在过去两到三年间。你看当年的图像生成、视频生成还是以 diffusion model 为主的,不一定大家是用今天 GPT 这样自回归模型来做的。但这件事最近也被几摩颠覆了,就 Opus 5.5 是最会剪视频的模型,然后 GPT 六 Astra 是最会控制 robotic 的世界模型,这简直就是倒反天罡。

44:16 主持人 然后因为 AGI 和这个基点开始变得近,所以这个桶开始变得满。那所以之前的一些人把 AI 当成一个新物种,可能在视频或者陪伴、在聊天这件事情上有些单点的突破,开始做到一些 AI 尝鲜的价值。但接下来可能更大的革命在于,AI 在几乎所有的企业、所有的场景、所有的生产过程中,都能端到端地体现出比人类高效得多的能力,那他们也会开始爆发。那你说的对,我觉得 Agent 已经正在跨越这个基点。

招人与人才组织

44:58 主持人 嗯哼,对,最后我想问一下啊,就是你看包括我们提到的那个刘雨琦那边,我知道包括现在还在 Cloudflare,当时被收购那几个人,其实当时也是你们核心的那些研发算法什么的嘛,是的,现在也在 Cloudflare 里面是非常重要的这个人吧。对吧?非常重要的一些算法跟研发的人,然后 Cloudflare 可能很多人不太熟,但是其实是过去两年里面涨势非常好的、少有的逆势增长的端侧的这么一个一只股票吧,对吧?也是一家公司和产品。然后呢,最近推特上比较小火的那个 Air build,其实也是 AFFiNE 之前的产品负责人出来做的啊。然后包括升江,其实很多人都听过他这个,还算算是一个偏自媒体网红加上做一些 vendor 增长服务的嘛,对吧?其实也做得很好啊。所以我就想说,你对于招人跟人才组织这个事儿,你有什么心得?是能搞到这么多很好的人,包括你现在的团队也是背景都非常好的嘛。

45:54 嘉宾 我觉得首先还是非常感谢创业这个事情,就是它是一个非常怎么说呢,就是你把一堆真正想要做事的聪明人聚在一起的时候,大家共同成长的速度是会非常吓人的。所以我觉得刚刚像提到的很多人,也是我们至少证明了从进入 AFFiNE 到出去 AFFiNE 的大多数人还是超越了本来的自己啊。所以这里面产生了若干的创业者,然后产生了若干的技术负责人,产生了若干的在不同的领域发光发热的群体。

46:29 嘉宾 我觉得至少我们在创业中证明我们还实实在在地做了并学习到了很多的事情,你要非说人才组织的话,我觉得创业有意思的点就是,当你真的去塑造一个有才华的人和有想法的人,可以放开手脚,获得比大厂更少的限制来发挥他才华的环境的时候,你真的能做出一些比较美好的事情。即便我觉得创业在运气时机很多事情上还是很重要。所以并不是每家公司都能上市,但是能不能让自己变得更强,能不能让人变得更值钱,能不能提升下一次成功的概率,还是一个会被人们忽略的回报。

47:19 嘉宾 所以我其实你要非要说招人和做事情,可能也没有很多非常巨的心得。我最大的心得就是还是要跟聪明的、善良的、可以坚持的、勇敢的人一起去创业,做些有意思的事情,然后 shoot for the moon。嗯哼,那不一定你能 land 到那颗 star 上,但绝对大家都会比本来的自己要强得多。

团队成员的成果

47:45 嘉宾 嗯,所以从 Alpha 出去的很多成员,就还是有非常好的结果的。比如说像盛兰啊,当然我也投了他,然后他也从王慧文老师这里有比较好的融资结果,包括 Air build 在 Twitter 也火了,然后像是我们之前的给 AFFiNE 贡献最大的 CTO 太郎,他不光做出了优秀的开源项目,然后把 AFFiNE 推到了新的高度,现在也成为了 Cloudflare 的 Principal Engineer 之一。我们最近做的这个大模型 Token 的透视技术啊,有很大一部分就是他开源的项目所主导的。然后由于谢老师,我们能参与和目睹 VoidZero 这家公司从成立,然后 Wait 从一个公益性质的开源项目变成了 Void 这么一个成功的商业产品。最后被 Cloudflare 收购,然后让我们也有了一定的退出跟回报。我觉得这都是一些非常神奇的 amazing journey。还有很多人,比如说我们的产品、我们的设计、我们的运营,都在各个大厂和各个创业公司里面还是挺开枝散叶的。这其实也是一种收获吧?

48:52 主持人 是,我还是觉得很牛逼的,很厉害的,就不枉费。所以你创业这么多年,还是拿到了一些结果。包括我觉得你带的团队都能拿到一些结果,这个是还挺难得的了。

49:05 嘉宾 嗯,啊希望这次可以拿到更大的结果。

49:08 主持人 好的,那加油。那我们今天这样,谢谢。

方法与来源

正文根据播客转录整理,保留原有顺序。转录和整理稿可能存在错误,请通过章节时间核对原音频。

节目笔记

在前几期播客中,我们聊过 Personal Agent,聊过 RLaaS,这期的嘉宾贺嘉琛做的事情有点像是两者的结合,他把 Personal Agent 运用在 2B 领域,并给这些企业训练私有模型。

嘉琛原本研究深度学习与天体物理学,2020 年从博士阶段退学创业,此后创办了开源文档协作与知识库产品 AFFiNE,一度做到 700 万用户、Product Hunt 年度第四,后来又与尤雨溪等人一起孵化了开发者工具公司 VoidZero,被 Cloudflare 收购。

现在,他在做一款新的 To B Governing Agent 产品 Afk.surf,想让企业能真正接管并持续学习自己运行的各个环节,在服务不同员工的同时,对齐整个组织的业务、工作方式和使用偏好。这个产品或许和过去很多产品听上去都差不太多,但和很多仍在讲故事、还没看到明确正反馈的团队不同,他们已经有了几个大客户。

其实嘉...去小宇宙查看完整单集简介

在小宇宙查看该单集文稿