开篇0:00
There's something there.
我们今天很开心又请到了 Dify 的 —— 但你们现在自己叫 Dify 对吧 ？D-I-F-Y。
Dify。
因为老外是怎么读的 ？ 是 ， 所以我们今天很开心请到 Dify 的创始人路宇 。其实我们上一期大概两年左右的时间了 。
那个是让多少个团队用上什么的男人 ？ 对 ， 当时是让 5 万个团队用上 AI 的男人。 现在是让多少个了 ？
几十万团队吧 。 你要说 STARS 的话 ， 看应该是 11 万多 。 对 ， 应该是全球 Top 50 GitHub 上的开源项目 。 对 ， 我觉得国内肯定 Dify 算是最有名的项目之一了 。在 AI 这个领域里面 ，而且确实做得也很早 。
应该是我们最早开源的时候大概是 23 年四 、 五月吧 ， 我记得 。
2023 年的 5 月份的第二周 。
对 ， 开始开源 ， 然后就开始一路起飞 。 然后到今天 。 而这个过程其实很多人是没想到的 。 我跟很多人讲 ， 大家都觉得说 Dify 是他们过去两年里面没有想到能发展这么好的一个项目 。
所以我觉得我们今天正好可以复盘一下这两年 Dify 的发展吧 。 这两年其实整个市场经历了蛮多事情的 ， 包括 AI 其实变化非常快的 。
我记得两年前其实大家不怎么会用 AI 的 ， 所以那期本质上在聊的是怎么用 AI， 什么是 RAG 之类的 ， 解释那些基础的东西 。
但其实到今天大家已经对这些问题都很熟悉了 。 所以要不你先简单讲讲这两年你总的感受 。
我们可以回顾一下我们之前的这个时间线 ，也就是 23 年， 现在已经 25 年了 。 整个市场的认知和技术的变化 ， 这里是有一些趋势的 。2023 年的时候 ，Dify 的第一个版本发布的时候 ， 当时是一个什么样的状况呢 ？
就是你只要是一个能够把这项技术让人可以被理解的产品 ， 你就能一炮走红或怎么样 。 因为当时市场认知是这样的 ， 你看当时的 Dify 是什么 ？
就是我们是一个可视化的 Prompt 工程 ， 我们是世界上第一个可视化的一个 RAG， 虽然非常简陋 ， 对吧 ？ 以及说我们有一个 Backend Service 的架构和理念 ， 然后看起来非常友好界面 ， 就足够了 。
对 ， 我在想现在其实都没人提 Prompt 工程这件事情了 。23 年大家都在讲的就是 Prompt 这些东西 。
对 ， 现在提上下文工程 。
对 ，Prompt， 然后到 RAG， 然后又到什么上下文 、Context。
对 ， 这是 23 年的情况 。 那么到了 24 年的情况呢 ？ 这个市场就会有一些变化了 。 因为 24 年严肃的用户 ， 像企业这样的用户 ， 基本上是从年中到下半年开始进来的 。
那么我们的这个产品的目标用户肯定是 ToB， 对吧 ？ 我们能感受到这里的变化 。 也就是说 ， 当新的技术出现的时候 ， 距离真正大规模有付费能力的这些生产者进来 ， 这里有半年到一年的时延 ，并不像大家想象的那么快 。
有足够多的时间让你去做 。 所以在去年的三 、 四月份的时候 ，Dify 发了我们叫 Workflow，是今天大部分的用户去用我们主要的那个产品 。在这个基础上， 我们又构架了插件生态啊 ， 什么东西 。
然后这些东西解决的是一个复杂的应用或者智能的流程过程中， 怎么去消除模型的幻觉 ， 怎么在今天的技术的 API 啊 ， 什么基础设施和 LLM 的这个东西去做结合 ，是解决这个问题 。
然后到 25 年的时候呢 ， 我们看到了一些模型的更大的进步 ， 包括开源模型比以前更好 ， 包括多模态的一些技术 。
现在你看 ， 没有人再去讨论什么开源模型更强 ， 还是什么闭源模型更强的问题了 。 我记得我们当时讨论了这个问题 。
所以我们一开始的一些假设 ， 包括说模型中立啊 ，是不是需要一个中间件啊 ， 这些问题今天都已经被验证是真的 。
对 ，在 23 年的时候其实大家会提非常多的问题 ， 很多基础假设都没有被验证 。 我觉得我们可以复盘一下， 到底从 23 年到现在 ， 哪几件事情是想对的做对 ， 然后也有哪些是可能是中间需要调整的吧 。
竞对与壁垒4:11
我记得 23 年那轮我们一起跑融资的时候 ， 大家其实最主要质疑几个问题 ， 比如说 ， 比如那个时候其实是 LangChain 已经很火了 ， 对吧 ？
大家第一质疑的是 Dify 跟 LangChain 到底是什么区别 。 到目前为止 ，其实 Dify 跟 LangChain 也是同时存在的 ， 对吧 ？LangChain 也没有说就做得不行 。
所以你今天回头来看这个问题 ， 你会怎么想 ？
两年前我觉得我回答这个问题的时候 ， 回答得不够清楚 。 我会说可能我们的体验工程什么的更好 ， 这是我们简单一个粗暴的答案 。
我们今天再回头看的时候 ， 我觉得我们和 LangChain 这样的产品 ， 本质的区别在于定位的用户不同 。LangChain 偏向的用户更多是有相当多编码能力 ， 希望通过一个工具去加速它的编码开发和调试 。
例如说它有一些什么 LangSmith 这样的产品 ， 就辅助它这个开发调试更快 ， 这是它的受众 。 而 Dify， 我们这个产品 ， 它越来越多的向这个弱技术甚至无技术的这个受众去偏移 。
比如说你去看到我们在日本市场的发展 ，有相当多的白领的用户 ，他们是没有技术的 ，但是在他们的工作中， 用我们去解决大量的这些 SOP 的构建和企业内部的 Agent 的这些问题 。
那这两类用户其实受众上是不一样的 。 所以我把今天的工程师或者 Firm 工程师 ， 如果我们画一个光谱的话 ， 从左到右 ， 就是一边是非常硬核懂技术的 ， 一边是完全不懂技术的 。
这里的尺度你需要去找到一个点 。 你去看今年 OpenAI Day 发的那个 AgentKit，其实也是这个问题 。 它在中间找到了一个点 ， 它甚至比 N8n 这样的产品可能更左一点 ， 更向技术人员偏移 。
而我们可能越来会越来越往右走 。
但你现在其实是在很左的 ， 对吧 ？ 只是你希望越来越往右走 。
我们可能如果说是 1 到 10 的话 ， 我可能会把自己今天分到 5 这个点 ， 中间这个点 。 但是我要越来越往右走 。
n8n 现在是几 ， 你觉得 ？
我觉得他们比我们左一点 ， 技术属性可能更高一点 。
Coze 呢 ？Coze 是更偏右的吗 ？
Coze 是更偏右的 ，但是它的这个生产属性又不左 。
那我觉得正好把 LangChain 聊完 ， 就这几个顺着聊一下， 对吧 ？ 就是从几个典型的竞品来讲的话 ，GPTs 应该是在 Coze 之前 。
GPTs 是在 Coze 之后，2023 年的 Dify。
对 ， 所以就是从一开始的时候是跟 LangChain 去竞争 ， 然后中间呢是 Coze 出来了 ， 对吧 ？ 然后大家又有一波质疑说自己做了 Dify 还怎么办 ？
这个过程你觉得是怎么样 ？
这是个有意思的 ， 就是作为一个创业公司来说 ， 我们已经经历了各种规模的竞争了 。 你看和字节这样的大厂掰过手腕了 ， 和硅谷的创业公司掰过手腕了 ， 和以 OpenAI 为代表的 ， 还有很多模型厂商为代表的自由的平台掰过手腕了 。
就是当年别人问我你的这个潜在对手 ， 三类对手 ， 我们都已经掰过手腕了 。 所以今天我们的一些生存能力 ， 可能已经被证明是没有问题的了 。OpenAI 在 2023 年的时候发 GPTs 的时候 ， 我觉得它一定是一个没有想清楚的产品 。
它有一个很好的理念 ， 叫做我让人人去创作一些什么 Bot。
对 ， 当时是 Bot 的年代嘛 。
对 ， 发到一个 UGC 的市场里面 。 这个逻辑是不是和 Coze 是一样的 ？ 其实逻辑是类似的 。 虽然它当年发的那个产品 ， 跟我们早期那个产品出行是非常非常接近的 ， 对吧 ？
但是它没有想清楚的一个问题是 ， 这些简单的 Bot 应该会被谁创作出来 。 因为我觉得绝大多数的人并不具备创作那些再分发的有实用价值的东西 。
这个就好比你去做这个剪映和抖音的关系 ， 短视频之间 ， 那人人都可以做 ， 每个人都可以活 5 分钟嘛 。
所以每个人都可以去拍一些这样的东西去发出去 。 它是一个很容易被消费的东西 。 可是你使用 Agent 的脚手架 、 框架 、 开发平台做东西 ， 最终它再小 ， 它也是一个产品 。
产品是要能解决人的问题的 。 这里当然有能不能解决什么样的问题和解决得好不好的问题 。 后来呢 ， 我把拿 AI 做产品这件事细想一下， 分了几个维度 ， 就是到底拥有什么能力 、 什么资源能做出一个好的产品 。
你去在国内看项目 ， 你应该也能总结出一些东西 ， 什么人什么样的属性做成了 。 我可能有几个简单的分类啊 。
第一类 ， 你是有硬科技的 ， 这个硬科技就是什么硬件啊 、 算法啊 ， 然后呢把模型什么做得最低啊之类的东西 。
这种人是不是非常稀缺的 ？ 当然是 。 第二类是你有这个极佳的用户体验的构建能力的 ，有可能你原来是做例如游戏 ， 你在一个 LLM 的模型之上， 你可以构建出一套非常生动的体验 ， 把用户留住 ， 尤其是那些什么情感陪伴啊 、 语言学习啊这样的应用 。
这是交互构建和创意的能力 。 这种能力是不是稀缺的 ？ 我觉得也是稀缺的 。 第三种是你拥有一些特殊壁垒 ， 例如说你有别人没有的数据 ， 这个就是和你原来做的某一种生意有关系 ， 你有了积累 。
第四种呢 ， 我觉得是流程 ， 就是类似于 SOP 的东西 。 因为这个世界上的不同的人和不同的企业 ，他们做事的本质上的差距是 ，他们对流程的理解是相对不同的 。
比如说你是一个银行 ， 我也是一个银行 ， 两家银行可能都做一样的业务 ，但是我们在流程上就是有区别 。
这个代表我们的某一种价值观 。 我经常给人举的一个例子是 ， 每个公司都有这个报销 ， 对吧 ？ 但是你报销有的流程长 ，有的流程短 ， 这个事情一定有最短路径 。
比如说我们公司就没这事 ， 海外的员工他直接刷信用卡就结束了 ， 公司给他一张卡结束了 ， 就没有这个流程 。
但是别人不一定这么理解 ，因为流程的理解不一样 。 你看我前面说的这个四类能让产品有竞争力的属性中， 只有流程是可以被复用的 ， 剩下的三类是没有什么复用性的 ， 就没有什么可泛化性的 ，因为它本质上这个能力稀缺 。
那换句话说 ， 你今天放到这个大众的 ， 无论是 Coze 也好 ，GPTs 也好 ， 这些产品 ， 那你套在这个模型上， 你看一样的 ， 你让谁拥有什么能力去做这么样一个事情 ？
绝大多数的大众 ，他也许可以用你的这个产品 ， 可以捏出一个东西来 ，但是他由于前面的这个四类的提供产品价值的要素没有 ，他必然做不出好东西 。
所以你觉得是他们定位就造成了最后跟 ， 我觉得从定位角度来讲 ，他跟 Dify 甚至不是直接竞争 。
从来不是啊 。
对 ，但很多人其实都会觉得说它是一个大类 ， 对吧 ？ 大家会觉得说 ， 哎 ， 那你跟 Dify 跟 Coze 怎么选 ， 怎么竞争 ， 或者跟这个跟那个的 。
但其实你从一开始就没有觉得是一个同类竞争 。
2023 年 7 月份 ，Coze 这个产品发布的时候呢 ， 我确实焦虑了一会儿 ， 这个焦虑呢没有超过两天 ， 然后就再也没有看过这个产品了 。
我今天也没有打开过 ， 原因就是我知道我们的受众不同 ， 我们的背后这个组织能力 ， 还有很多东西都不同 。
我们把 Dify 你看是放在一个企业的上下文里 ， 连接它的人才 、 工具 、 数据 ， 还有我刚才说的非常重要的流程 。
我们是在这个环境中去把 LLM 的能力放进去去生长起来的 ， 我们一直解决的是这个问题 。 所以大家都是基于 LLM 的产品 ，但是大家的上下文不同 。
我有一个同事举的例子挺好的 ， 就是他说模型就像一条鱼 ， 你把它放到不同的鱼缸里 ， 那么它产生不一样的结果 。
你把这个 LLM 放到 IDE 里 ， 它产生了 Cursor， 你把 LLM 放到了 Web2 的这个沙盒环境里 ， 它产生了 Manus， 你把 LLM 放到企业里 ， 它就是 Dify。
然后 GPTs 是哪一波呢 ？ 我记得其实那一波呢 ， 大家也很紧张 ， 对吧 ？ 我觉得因为那是第一次真的模型自己来做这件事 。
自媒体嘛 ， 自媒体炒得比较那个 ， 你看每次标题都是 OpenAI 刚刚发布了什么什么什么 ， 然后什么什么什么要被杀死了 ， 对吧 ？
这个在 23 年、24 年， 还有今年都发生了一样的事 ， 结果其实没有谁被杀死 ， 对吧 ？GPTs 我觉得它的逻辑几乎完全遵循刚咱们讲的这个事 ， 就是它的受众创造什么啊 ，有没有价值 ， 即使放到它一个巨大的流量入口里 。
因为你在 ChatGPT 里面有一个一级导航 ， 这个 GPTs 导进去 ， 对吧 ？ 流量是非常非常大的 ，但它仍然没有起来 ， 这个根本的原因没有换位 。
但我记得那波其实 Dify 做了很好的一个品牌的动作 ， 然后借着 GPTs 也涨了很多吧 ？
我不记得了 。
当时讲的是说 ， 就是 GPTs 出来 ， 很多企业觉得说原来 AI 是能这么用的 ， 那我也想要这么个东西 ，但它呢无法直接用 GPTs， 它就会部署 Dify， 然后它到里面 。
我觉得 OpenAI 发的一些产品中， 它在它的最终的定位上和效果上未必好 ，但是它在市场教育这个角度是非常受用的 。
因为我们需要费很大的劲跟用户解释说我们是一个什么 ，但像 OpenAI 这样的厂商就发一个这样东西 ，他一夜之间就明白了啊 ， 你是什么 。
是 ， 然后就是到 n8n 了 ，n8n 应该是半年前开始热起来 。 我当时看到的时候觉得这个公司从名字到它的主体到什么 ，其实都是一个很海外的那种犄角旮旯的公司的感觉 。
但现在确实包括甚至小红书啊什么各种地方 ， 大家都在讲这几个东西了 ， 对吧 ？ 我觉得是会更把 n8n 跟 Dify 放在一起了 ，其他的其实反而放得不多 。
对 。
所以 n8n 这个事你怎么看 ？
n8n 是一个 2019 年成立的欧洲的一个创业公司 。 我认为它的早期的理念和我们早期理念有很多接近了 ， 提供一种低成本的 、 开源的 、 中立的 、 自动化的方案 ， 和 AI 一点关系都没有 。
它当时其实要替代的是 Zapier 这样的产品 ，因为 Zapier 的这个调用成本很高嘛 ， 然后数据主权啊什么东西会让企业客户去担忧 。
那么它做的是一个开源的这样的一个方案 。其实它真正和这个模型结合 ，其实是从去年往后开始 ， 包括他们今年做的还不错的营销 ， 那么起来的 。
那么其实借助的关键力量是它在过去的数年， 从它成立开始到现在 ， 今天这个生态建立比较好 ， 就是在积累的链接件 ， 就是工具和模板上面有了一定的数量优势 ， 然后再配合一些 UGC 的营销 ， 产生了一个非常好的效果 。
所以从你刚才讲的像定位的理论啊等等 ， 你觉得 n8n 跟 Dify 是一个很强的竞争对手吗 ？
我认为在用户的认知角度 ， 可能是 ，因为我们的很多客户他确实同时在用这两个产品 ，其实是有一定的交集的 。
比如说它有自动化的优势 ，但是它在涉及 LLM 的 ， 比如说做 RAG 这种多模态的上下文的处理等等很多方面 ，其实是非常简陋的 ，其实就是把 LangChain 包进去 ， 然后完了 ， 对吧 ？
而这方面是我们极具优势的地方 ，因为我们是一个 AI native 的工程 。 那么在自动化上面 ，因为它链接的件可以更多 ， 比如说你练一个 Salesforce 或者其他什么更多 ， 那么这个是我们起步较晚的一个劣势 。
这是有一些区别的 ，但是我们的这个 Dify 的交互形态 ， 比如说我要构建一个 Agent， 一个 Bot， 各种形式的应用 ，其实我们是可以提供端到端的交付的 。其实我从 Dify 的界面创建一个应用开始 ， 到最终这个应用交付给你 ， 这个流程是通的 ， 这是它做不到的 。
所以其实这两者需要有某种程度的结合 。
然后就到最近 OpenAI 发这个 AgentKit。 我觉得比较有意思的是说 ， 中间反正一直会出来新的公司 ， 然后呢 OpenAI 发完了 ， 经常会有人讲 ， 可能比如去年是什么 Coze 跟 Dify 被杀死了 ， 今年呢我看很多人讲说 n8n 跟 Dify 要被杀死了 ， 就是每次杀死的不同的排列组合吧 。
我觉得这是一种非黑即白的观点 ，有的时候会出现 ， 确实这个上位产品替代下位 ，有的时候不会出现 ， 尤其是在 to be 这个领域中 。
因为你和客户之间有长期的信任关系 ， 你和客户之间建立的是一种非常多元的一种链接 。 比如说我前面说了 ， 我们从第一天开始选了三件事 ： 开源 、to be、 全球化 。
从这三个逻辑之上衍生出了很多细的逻辑 ， 比如说你的开放的生态 ， 比如说你的模型的中立 ， 比如说你的这个工程的优先等等一系列的这个点 。
不同的产品即使看起来是一个样子 ， 它背后的内核完全不一样 。 尤其在 OpenAI 今年发这个 AgentKit 的时候 ， 那从站在大众和自媒体的角度来说 ， 哦 ， 这个游戏也许有替代工 ， 可是这群人恰恰是不用这些产品的人。
大家只能说一眼看过去长得是一样的 ， 对吧 ？ 就是反正偷拉拽的 workflow 嘛 。
对 。
你看你今天在美国 ， 你如果去看那个电子书 ， 就是那个墨水瓶 ， 你可以看到什么 Kindle 啊 、Remarkable 啊 、Supernote 啊 ， 各种各样的产品 ， 它们看起来都是一样的 ，但是它们有完全不同的受众 。
有的专注于书写 ，有的专注于零延迟 ，有的专注于书库的生态的发达 ， 都能卖出很好的价格 ， 很好的销量 。
所以你觉得 AgentKit 也是一个类似的情况 ？
这个产品我觉得比较早期 ， 我觉得六个月内不会对其他任何的产品产生威胁 。在 23 年的时候 ，其实讲的一个核心逻辑就是未来会是多模型共存的 ， 对吧 ？
那个时候肯定也很难看清楚 ， 对 ，但至少到今天证明这件事是对的 ， 这个判断是很正确的 。 所以确实也有些人跟我讲说 ， 就是尤其是过去几个月 ，AI coding 在美国这边竞争很激烈 ， 对吧 ？
谁又把谁模型停了 ， 影响很大之类的 。 好像现在大家确实会比较忌讳只用一家的模型 ， 大家还是希望有更多的选择 。
所以从这个角度来讲 ，是不是就是模型商自己或者大厂自己做的东西 ，也是更不如可选模型的这种开源的项目 。
这种产品在和云厂商和这个模型厂商的竞争中， 我觉得优势非常明显 。 因为我接触了很多的企业的决策者 ， 当他们要去选择一个中间件或者开发平台时 ，他其实会非常谨慎 。
你在所有的合规 、 开放性等等方面 ， 能不能满足它未来许多年的技术投资要求 ？ 注意这是一个技术投资 ， 是一个基础建设 。
那么这是一个谨慎的选择 。 但是当它去和不同的模型去合作的时候 ， 它会更谨慎 。 为什么呢 ？ 因为你让我把我自己的技术战略和你的战略完全绑定到一块 ，是还有模型加我的技术的开发者套件 ， 还有所有东西 。
我觉得没有一个技术决策者敢去做这个选择 。 你理解我的意思吗 ？ 是没有办法选择 。 但是如果说我今天只是买了一个这个插座回来 ， 我可以插上各种各样的标准 ， 那这个投资我不会犯错 。
然后我想当时大家还有的质疑是什么呀 ？ 当时其实到目前为止也是 ， 大家一直觉得中间层比较薄嘛 ， 对吧 ？
这个也是挺有意思的问题 ， 就是你刚才讲的 ， 为什么像 Dify 能防守到今天 ， 然后有这么多竞争者 ， 最后呢仍然是 Dify 在存在 ，而且整个的涨势都很好 。
n8n 已经 20 亿美金的估值了 ， 对不对 ？ 那这个薄和厚的问题其实没什么好讨论的 。 我觉得大家的一个误区 ， 或者说缺少经验和技术投资者的视角去看的话 ，他们会觉得工程不值钱 。
可是我们认为最值钱的就是工程 。 因为一个工程意味着说你需要去做分层的设计 ， 你需要在你的目标的用户和业务群体做抽象的时候 ， 把所有可变的和不可变的东西都分得非常的清楚 。
这个是最费脑力的 ， 这个是需要和现实世界做更多接触的 。 我举一个例子 ， 比如说你会看到大量的 Workflow 的产品 ， 那么这些 Workflow 的产品中， 它有一个节点颗粒度的概念 。
你这个节点颗粒度做得太细 ， 你就很像编程 ， 那一般人用不懂 。 你做得太粗 ， 它能力就不足 ，因为你抽象的这个程度可能太高了 。
那么这两者加起来 ， 你中间会有一个平衡点 。 那么这里是人要去做判断的地方 。 做我们这样的产品 ，有无数的这样的决策需要人去判断 。
我看到一个消息说 ，OpenAI 新发的那个 AgentKit，80% 的代码是 Codex， 就是自动编码去做的 。 它不重视工程 ， 所以它是薄的 ， 它一定是薄的 。
但是你在但凡一个做了几年的这样产品中， 它和不同的客户 、 不同的开发者 、 生产的情景去做磨合的过程中， 这个磨合出来背后交的是无数的团队 ，他们放进去 AI 的这个投资的钱 。
这个钱是一种学费 ， 会教你把这个东西怎么去捏成一个客户想要的样子 。
有没有某个具体产品点的例子 ，是这么一套流程和方法做出来的 ？ 就是你讲的 ， 就是如果用 Codex 做出来的这些东西 ， 跟你人做出来的到底具体的在产品上体现的区别 ， 会是某个具体的什么点 ？
举个例子来说 ， 你在 Dify 这个产品中的 Workflow 和 RAG 中的关键组件 ， 这些组件可能是链接你现有的某一个知识库和一个算法 ， 这些东西在 Dify 中是完全可扩展的 。
也就是说 ， 你可以去用我们原生的套件 ，也可以去自己开发一个东西去替换它 ， 然后这两者可以热插拔 ， 独立的升级 。
你可以去从 Dify 的 1.0 升到 1.9， 这个版本可以持续的往上升 ，但是你原来开发的那个套件一直可以用 。 这个对于开发者来说就非常重要 ，因为我既要最新的技术 ， 同时我过去开发的技术资产你得给我留着 ，不然的话我过去的投资就废掉了 ， 我一升级我的业务就会挂掉 。
产品哲学22:26
明白 。 话说 Dify 确实升级很快 ， 这是很多人在讲的东西 ， 对吧 ？ 就隔三差五就会发一个新版 ，而且我记得大概是过了一两年才发到 1.0.0 的版本 ， 对吧 ？
你还正式把它命名成一个 1.0 的版本 。
今年才有 1.0。
对 ， 这个过程你的思考是怎么样的 ？
我们几乎有接近两年的时间在 0.x 的版本 。 这意味着说我们认为它不成熟 。 我们在做一种柔性的工程 。
柔性工程的意思是说 ， 当你去做一个这个时代的技术基础设施的时候 ， 你的外部环境正在剧烈的变化 。
就好比说你在这个波涛汹涌的海水中， 你开一艘船 ， 甚至说你要在上面建一个浮动的码头 ，是这么一个画面 。
我们在接近两年的时间中， 我们其实看到外部的这个技术一直在变化 。 模型厂商谁会赢啊 ， 对吧 ？RAG 这个技术还在不在啊 ？
模型微调的技术还会不会在啊 ？ 有什么新的模型的这个模态会出来啊 ？ 这些外部环境在变的过程中， 你其实就没有办法去找到自己的这个定位 。
而我现在过早的宣布我是 1.0， 那么实际上我的这个股价到时候会发生巨大的撕裂和漂移 ， 对用户来说是不可信的 。
你看我们在这个问题上就处理的特别谨慎 。 我们在今年某一个时候发布这个 1.x， 它其实说明了两件事 。
第一是我们认为外部的技术环境已经非常稳定了 。 第二是我觉得我们今天的架构是值得信赖的 ， 三到五年了 。
有个小问题啊 ， 就是我看很多人会讲说 Dify 升级以后 bug 很多 。
哎呀 ， 这是我们这样的项目 ， 它的开发者构成是这样的 ， 一个是我们原厂的团队 ， 一个是我们社区的 ， 现在是超过 1000 多个贡献者 。
对 ，在外部的贡献者和内部的开发团队共同协作的情况下， 你要去保障这个质量的测试是一张非常困难的事情 。
你要把这件事做好 ， 你需要把你的自动化测试的程度做到比史无前例的高 。
但你是说所有其他的类似的规模的开源项目 ，也都会有这个问题吗 ？
全部都有 。 这时候你要需要在你的稳定性和你的激进的技术迭代之间找一个平衡 。 我们的企业用户可以买我们的那个 enterprise 的版本 ，他们其实是没有这个问题的 。
但社区版 ， 例如说 MCP 啊 ， 一些新的特性出来的时候 ， 你其实跟进会要快一些 。
OK， 所以就是用户版是说很快的先发了一个版本 ， 然后就里面有可能会有些因为各种原因的 bug， 然后企业版呢可能会更稳一点 ， 再测试的多一点 ， 然后发的稍微慢一点就会更稳定 。
对 ， 那当然 。 那当然 。
然后关于 Workflow 这个问题 ， 至少过去半年吧 ，也有非常多人在讲说到底未来 Workflow 是不是存在 ，有没有必要性 ， 对吧 ？
因为各种自动化 ， 各种 AI coding 现在都已经是做得非常好 。
Workflow 之所以存在 ，是因为人们对与工作有关系的生产流程和推理逻辑给到 LLM 之后 ，他们需要高度的结果的可预测性 。
换句话说 ， 对于一个企业来说 ，他们需要有 95% 甚至更高的可靠性 。 我认为这点是永恒不变的一件事 。
我们既然说我们未来相信一个把所有的工作会交给 AI 的话 ， 那么只是说大家去实现这件事的路径不同 。
你可以想象这么一个画面 ， 当我要拿模型去解决一个复杂的任务 ， 比如说自动帮我去找一个房子 ， 然后呢签这个租房的合同 ， 整个的这个通信这个流程中， 你可以看到 123456789 有很多很多中间的节点 ， 这个节点其实就是 Workflow，但这个节点的颗粒度的大小和流程有多长 ， 这个是由当今的技术和用户的预期决定的 。
我们可以想象一个画面 ， 就是极端情况下是一个节点解决所有问题 ，其实就是今天大家看到的一些东西 ， 输入框 ， 结束 ， 给我结果 。
那用户面临的选择就是我啊 ， 要这个东西还是不要这个东西 ，不要就扔掉再来一遍 ，不要就扔掉再来一遍 。
你是不是需要有更多的检查点去控制 ， 或者说你需要它在关键的时候去回来去和人类去做协作 ， 那么你在中间就要去设计检查点 ， 这个流程就拉长了 。
所以这件事本身就存在 ， 这是人类的工作方式决定的 ， 只不过在实现我们所谓的最终的 AGI， 或者说那个相对最短路径的这个 Agent 的路径中， 大家选了不同的技术方向 。Dify 选择的技术方向是从一个今天 high code， 就是大规模编码 ， 极度可靠性的东西 ， 慢慢往智能化转换 。在这个转换的过程中， 我们最终也会通向一个非常智能的东西 。
这个过程我们也许说不清楚有多长 ， 三年、 五年 。 但是我能提供在这三年和五年中给所有的技术投资者一直可靠的东西 ， 就像外面满大街开的丰田车一样 ， 开不坏的丰田 ， 用户对你的感觉是轻松 、 安全 、 可靠 。
虽然技术在变 ， 我也在变 ，但是我给你的感觉没有变 。 另一条技术路线是我们冲啊 ， 直接上去叫 AGI 吧 ， 我们试图用一个 Bot 解决所有的问题 ，但用户在这里是什么感觉呢 ？
是受挫 、 不可靠 、 焦虑 ， 我又被骗了 ，是这样的感觉 。 那么你可以说它对应的是一种技术的保守者和一种技术的激进者之间的区别 。
但是你猜这个世界上是所谓的保守者更多 ， 还是激进者更多 ？
这个是不是也跟 2B2C 的不同场景相关 ？ 比如说 Manus 这种 ， 包括其他的 ， 现在大家生图生视频 ， 比如经常要抽卡 ， 一次可能抽个几十次 ， 最后抽出来一个还 OK 的 。
对于系统来讲 ， 可能觉得说我最后反正你看像之前 Nano Banana， 对吧 ？ 我也去试了一下， 我觉得我抽个十次出来一个我也还觉得还 OK， 我也能接受 ，但可能 2B 是不是更不能接受一点 ， 就它影响会更大 。
你刚才说的这个十次或者更多的结果 ，是不是最终的结果是你挑的 ？ 是你挑的 ， 对不对 ？ 你其实在做一种有人值守的工作 ， 就是你不停的判断说你给我 1000 个生成结果 ， 我要还是不要 ， 要还是不要 ， 要还是不要 ， 对吧 ？
可是我们似乎想去做到一种目的是无人值守的结果 。 那么在无人值守的结果下， 你需要把标准告诉这个所谓的 Agent， 让它真正的可以无人值守 。
大家目标肯定都是这个嘛 。 理解你讲的就是大家的路径是不同的 ， 就是你是一个更务实的路径 ， 对吧 ？
就是你当下弊端就能把我用起来 ， 然后相当于说比如说模型进步了呢 ，Dify 跟着模型一起进步就好了 。
我们不去探索那个前沿 ， 探索前沿的可能故事很好 ，但是稳定性 、 确定性就很差 ， 就需要人来交学费嘛 。
这里的线叫做我们要始终给用户交付可投产的技术 ，因为技术每年都在变 ，但是我的这条风险的水准线不变 。
但我能想到的这个与时代的问题 ， 就是经常会有一个新的概念 ， 至少从资本方面和故事方面 ， 或者说从自媒体方面去冲击 Dify， 对吧 ？
就类似于 AgentKit 或者 n8n， 或者可能未来又出来一个新的东西 ，但是我又是一套新的范式 ， 一个讲一个新的故事 ， 说我能怎么怎么样 。
而且这里面的点在于说它确实在 ， 比如说我们说极端 ，100 个 case 里面它有一个 case 能跑通了 ， 这个 case 非常的惊艳 ， 对吧 ？
那大家就觉得说那 Dify 是不是落后了 ， 对吧 ？ 那务实就会吃这个亏嘛 。 我们经常说身边某个人很务实 ， 很踏实 ， 对吧 ？
踏实就感觉会被人欺负 。
我们需要有去噪能力 。
但你在过去两年里面有没有某些时间点你是会焦虑的 ， 会看到这些外边的这些讲故事的产品啊什么的 ？
我认为这里的基本逻辑没有变啊 。 我们兴奋的技术路线可以把它学术上称之为神经符号 AI，因为今天我们看到的所有的 LLM， 还有一些生成 ， 还有一些 Transformer 的模型 ， 它们都可以归结为神经网络 AI。
这是深度学习之后的突破 。 但是在此之前很多年， 有一个这个古早的技术叫做符号 AI。 符号 AI 是更逻辑化的 ， 更基于判断的 。
我们未来相信所有的所谓的 Agent 在良好工作的情况下， 必须遵循一个神经符号 AI，也就是混合的形式 ， 它有一定的这个神经网络的成分 ， 联想啊 ， 展开数据啊 ，但是有符号的部分就是逻辑 。
那么这个不是空穴来风啊 ， 这是我们从仿生学或者说认知科学上得到的一种理论 。 你发现人脑是一个开销很小的一个智能 ，但今天的这个 LLM 你知道这个费电啊 ， 费什么很多 ， 为什么会有这么大的区别 ？
是因为人脑除了它有神经网络的联想能力之外， 它内置了符号能力 。 比如说我可以去看到我眼前这个小朋友 ，他是一个男孩还是一个女孩 ，他是个老人还是个小朋友 ， 听起来像个二叉树 ， 对吧 ？
这种在人脑中的快速分别 ， 就让我们可以去快速的预测眼前这个人可能会做出什么样的行为 ，其实是一种节能系统 。
就是说因为有这种判断 ， 所以人在做很多判断的时候会非常非常快 ，因为它内生了因果关系的认知 。
这是一个我们认为学术上坚定的一个方向 。 所以在你有一个基础的认知去定义什么是智能的情况下， 你会非常坚定的相信你的技术路线 。
而今天市面上的大多数的自媒体 ， 包括以这个 Sam Altman 为首的大佬们 ，他花了相当多的这个篇幅和资金和故事 ， 让大家去相信像 Transformer 这样的纯神经网络路线可以解决一切问题 。
我不相信这个 ， 我从来没有相信过这个 。
讲回来 ， 我们刚才其实聊了很多竞争跟路线的问题啊 ，但最终从结果来讲 ， 我感觉好多 2B 的客户 ，他其实不是做比较 ，他是组合着来用的 ， 比如 Dify 加 LangChain 啊 ，有的 Dify 加 n8n 啊什么的 ， 这个现象你怎么理解 ？
其实刚才提了一点 ， 对吧 ？ 就是每一家可能有不同的侧重点 。
这是一个普遍的现象 ， 原因可以归结为两点 。 第一是今天构建一个好的 Agent 的那个新的编程范式还没有形成 ， 大家各用各的范式在解决问题 。
另外是不同的团队和企业 ，他们的工程师的技术水平不一样 。 我们在我们的这个用户画像里面就能看到 ， 比如说这个北美的程序员厉害一些 ，他们就更喜欢 LangChain。
有一些东亚国家他可能弱一些 ，他就不喜欢 LangChain。
这个其实也是挺典型的 2B 市场的情况嘛 ， 对吧 ？ 最后其实你说 2B 市场也挺难讲说就一家独大 。
但市场够大 。
对 ， 你觉得未来我们之前其实有聊过一个畅想 ， 对吧 ？ 包括像前段时间 OpenAI、Sam Altman 什么的 ， 好多人在讲说未来的 SaaS 是一种快时尚的 SaaS， 就是现在是每个企业它需要买各种各样的外部的三方的 SaaS， 然后这些 SaaS 呢是为了一个普世的场景跟需求去做的 ， 它也没法做很多客制化定制化的东西 。
那未来是不是会有更多的公司它自己在内部 ，不管是用 Dify 还是用什么样的工具 ， 它就把这些问题都解决掉了 ？
比如说财税 ， 它可能不用买一个财税 SaaS， 它就财税的人自己跟技术一起用 AI 做一个 Workflow 就 OK 了 。
我觉得从人机交互的角度啊 ， 这点是可以实现的 。 但从软件工程上来说呢 ， 它一些基础的东西不会变 ， 比如说你的数据结构 ， 比如说你是以刚才说财税的例子 ， 那你这会发票 ， 对吧 ？
发票上有多少个字段是要长久保存 ， 哪些是敏感的 ， 哪些是不敏感的 ， 这些东西是不能随便去结构上去进行挪位的 。
也就是说未来呢 ， 我们再去看编程范式的时候 ， 可能我们会有大量的精力会放在定义什么是结果 ， 什么是稳固的结构上面 。
而这个稳固的结构之外的这些部分 ，是可以交给 AI 去做这个客制化的定义的 。 所以我觉得你刚才这个说法可能说对了一半吧 。
明白 。 所以过去两年里面 ， 两年半了吧 ， 快 ，有什么是你觉得当时判断不准确的 ， 或者过程中有调整的 ？
因为我们刚才讲了很多 ，其实感觉都还预测的蛮正确的嘛 。
让我想想啊 。
我想到一个点啊 ， 你先提一下 。 是不是我记得中间一度其实你会说说 Dify 不做 Agent， 就 Agent 来的速度是不是会比你自己想的要快 ？
Agent 这个定义当然很泛啊 ，但我们今天看到在编程啊一些领域说这个 ， 我们就说它自主化程度变高吧 ， 它其实的关键突破点是几次模型的进步 。
这个其实是不在大家的预测范围之内的 ， 或者说你在过去的从 GPT-4 左右开始往后看的时候 ， 那个时候没有办法去想象哦 ， 这个模型在什么时间内能突破到多好 ， 你没有办法去预估那个未来的水平有多高 。
那么当这个基点一旦出现的时候 ， 那么就会有一波公司受益 ，因为你会发现这些公司全部是在技术还没有成熟的时候 ，在那里提前布局等着的 ， 就是守株待兔 。
比如说像 Cozer。
我现在听蛮多人讲 ，其实会有一些人开始用这个思路来做产品 ， 就是我得先有一个基础的产品 ， 然后可能有些小范围的用户 ， 然后呢我就是等待那个转折点 ， 然后我如果判断转折点在半年一年到达 ， 那我就会是第一个用上这个的人。
然后呢很多人会觉得说 ， 比如说那个 Nano Banana 还用这个比较泛的举例 ， 如果你是第一个把 Nano Banana 推出去的人 ，因为这个模型能力可能很 fancy， 大家很喜欢 ， 所以大家就会涌过来 ， 那你就爆了 ， 你就变成这个模型能力在产品上的代表 。
从风险偏好上来说 ， 我们不会这么做 ，但是如果是你去做风口上的产品 ， 需要去捕捉一个短期机会的话 ， 这个无疑是对的 。
这是 Agent 的 ，其他的你刚才还有想到别的吗 ？ 也不一定是就是预判错的 ， 可能就是中间你觉得踩过的一些坑啊 ， 或者重来一遍你觉得会有不同做法的事情 。
我觉得我们在团队建设上不够激进 ， 就是在 24 年初的时候 ， 我们当时团队人还很少 ， 十几二十个人 ，但是年底已经翻了好几倍了 ， 我们没有为这个业务的增长做好准备 。
这和我们基于财务的考虑啊 ， 或者其他考虑有关系 ， 就在这点上我们信念不够坚定 。
你说到年底的时候是业务翻了好几倍 ，是吧 ？ 但人没有跟上还是 ？
对 ， 业务翻倍了 ，但是人员完全没有跟上 。 对 ，因为你一旦业务增长起来的时候 ， 你一夜之间就需要很多好的人。
如果你人不够的话 ， 你这时候你会做得非常吃力 。
所以就是你觉得人还是要预先做储备的 。 但这个很 tricky， 就是大多数尤其是国内的初创公司 ，其实融的钱也没有那么多 ， 对吧 ？
这是个非常艰难的选择 。
对 ，而且现在大家其实整个尤其美国其实大家有个论调 ， 就是觉得 AI 公司的人不应该那么多 ，但这个可能跟国内的情况又不一样 ， 对吧 ？
这是团队方面吧 ， 还有别的产品和技术方面的吗 ？ 或者说对 AI 的认知方面的 ， 你觉得有哪些是你过去两年里面比较大的转变吗 ？
我觉得我们的产品其实今天发展的不够快 ， 重要的原因是我们似乎在早期的时候我们想清楚我们要做什么 ，但是我们没有想清楚那个五年到十年的使命是什么 。
你知道这个 Dify 最早要做一个开源的中间件 ， 一个流行的 ， 一个技术好的 ， 受大家欢迎的这么一个东西 ， 这个都很清楚 ，因为这个就是你一种短期的愿景或者市场竞争策略 。
但是你的这个产品出现的使命一定会和人类社会某一件事有关 。 对于我们来说 ， 我们今天的产品其实它的个体化程度更高 ， 对吧 ？
我们做一些小的应用或者什么都很好 ，但是我们没有去思考说它怎么在更大的规模的组织中应用 ， 或者说未来有很多这种我们说小的公司 ， 十几人的公司 ， 或者几个人一个人的公司 ， 要通过你人工去解决大规模的工作流程的时候 ， 你怎么去适应这种新的生产方式 。
我把它定义为说我们今天的使命叫做思考未来人与 AI 的生产和组织关系 ， 这个是我今天想清楚的 ，但是我在过去一段时间没有想清楚 。
所以我们在技术上投入了更多的时间 ，但是我们在怎么去适应系统性的社会结构的变革上欠一些功夫 。
我们两年前聊的时候 ， 我记得很多人在用 Dify 做的仍然是 bot 啊 ， 陪聊啊 ， 知识库啊 ， 问答啊 ， 客服啊这些东西 。
企业落地39:26
两年过去了 ，在你看来有什么很大的转变吗 ？
我记得我在两年前跟你说过一个假设 ， 我认为不应该存在那么多 bot， 对吧 ？ 谁需要每天打个 20 个聊天框呢 ？
这个事情从来就不会是一个真正泛化的需求 ，但它是让很多人去快速的了解这项能力和拥有一种上帝感的 、 造物主的感觉的技术 。在实际我们的观察中 ，因为我们有很多投产的客户 ，其实相当多的开发者和团队在用我们做一些非常复杂的流程 。
我们看到最复杂的一个 Workflow 可能有四五百个节点 ， 去链接了企业内的各种组织的关系和数据 ， 然后去生成一个东西 。
这个我原来都没有办法想象啊 ，但实际上其实今天有很多公司在用我们这样的框架去做大规模的企业智能化的改造 。
比如说我知道一些企业 ， 例如说 Anker 吧 ， 它可能利用 Dify 去做了上千个工作流 ， 集成了上万个原子化的能力 。
它们在做一件非常伟大的事情 ， 它们把 Agent 的资源和企业的 HR 人力资源放到对等的态度上去看待 。
比如说你今天有一项新业务 ， 我们来分析这个业务需要哪些能力 ， 设计什么样的流程 ，也就是一个 SOP。
当这个流程清楚之后， 它下一步想的是我这里是放人还是 Agent？
已经这么先进了吗 ？
是不是听起来非常的对吧 ？ 这已经把 Agent 上升到了一种企业的生产资产的这么一个角度 。 我们今天不是看到一家企业 ， 我们确实看到很多企业这样做 ， 这个太牛逼了 ， 这个比我想的要快很多 。
今年 DeepSeek 那波起来是不是也是把市场带得更快得多了 ？
当然 ，因为开源的低成本的模型普及 ， 然后我们又是一个中立的中间件 。
还有什么 case 是能看到用 Dify 搭出来你觉得很有意思的一些具体的场景了吗 ？ 比如说就是类似于你刚才说 Anker 这种例子里面 ， 最终它在哪些领域里面会选用 Agent 来完成这个东西 ， 然后能完成到什么程度 ？
因为我觉得还是很多人现在想到 AI 在企业里应用 ， 就是想的是知识库啊 ， 客服啊这些东西 。
我会给你一个答案叫做我们抽象出的情景最标准的特征 ， 就是不标准 。
OK。
什么意思 ？ 就是我们那些最常见的应用范例 ， 当我要解决一个财务或者说税务市场营销 ， 你看了很多这个垂直的 B 端的产品 ， 或者说原来的一些厂商在做这个特定的 SaaS，他们就是干这个的 ，他们这些事干得很专业 ，20 美金真香 ， 你可以拿它解决一个特定经理的问题 。
这就是我们叫所谓的标准 。 标准的情景有很多 ， 或者说一旦一个情景非常标准之后， 它就应该被一个厂商把它做得非常垂直 。
就已经有个很大的垂直的 SaaS 公司了 。
对不对 ？ 我们曾经花了一段时间去想这个事 ， 我们要不要把我们最标准的情景提炼出来 ， 后来发现我们用的最好的用户都是不标准的 。
原因是你需要一种类似于胶水性质的东西 ， 去链接你原来业务流程中 、 产品中 、 各种东西中的东西 ， 去连起来 ， 去形成一个复杂的一个协作关系 。
这件事在不同的工种 、 不同的组织中都不一样 。 过去这件事非常难做的原因是它需要有这个 IT 人员 ， 需要有工程师去完成复杂的系统集成 、 编码什么这件事 。
但今天因为 LLM 的出现 ，因为 AI Coding 的出现 ，因为大家可以在一个画布上协同把这个流程给搭建清楚 ， 所以这件事的成本降低了 ， 这个是我们学到的 。
所以最后从这个角度来讲 ， 最后 Dify 它对企业来讲 ， 企业到底把它定义成它是个脚手架 ，是个开发工具 ， 是一个你说的胶水 ， 还是它最终会形成一个类似于操作系统的东西 ， 还是一个什么东西 ？
我认为它会变成一个新的组织的协作方式 ， 一个企业的大部分可以被抽象出标准化的东西 ， 未来都应该在一个智能化的平台上去运作 。
这个平台要解决的是内部的各种原子能力怎么插上去 ， 就是一个 hub，以及说所有的人怎么去跟它协作 ， 谁负责设计这个流程 ， 谁负责作为这个流程中的人类反馈节点 。
比如说我每天早上 9 点钟上班 ， 我打开手机 ， 这是一个看板 ，有很多很多任务已经等待我提取结果了 ，有些需要我去 review，有些需要我去给予反馈 。
当我点进一个流程的时候 ， 我可以看到这个业务的一个生产全景 ， 这是未来的工作方式 ， 你可以理解为它是一个操作系统 。
对 ， 这个让我想到也是最早两年多前开始聊的时候 ，其实你提了一个很重要的点 ， 就是你觉得 LLM 这件事情不只是开发者在用 ， 它应该是更多的 involve 到实际的使用者 ， 使用者也要有能力去跟这套系统去做互动 ， 去给反馈 ， 用户也要参与到这套系统里面来嘛 。
比如说财务啊什么那些 ， 就你当时讲的是说未来不是只有技术人员才能去跟 AI 互动的 ， 那目前你这个观点你觉得 ？
你说的这个事是当年我们说的那个崇高的理念 ， 叫 LLM 推动技术平权 ， 让那些不需要去在技术上花很多时间的人， 可以去把自己的专业知识自动化 、Agent 化 ， 让他们变成 10 倍的工程师或者 10 倍的什么别的工种 。
这个方向现在是非常非常的坚定 ， 对吧 ？ 原来我们可能还会怀疑这个方向 ， 我觉得今天这件事情不用怀疑 ， 这个是一定在未来会发生的一件事情 ，而且这个时间可能会在两年到三年以内 。
所以如果有人问你一个问题是说 Dify 到底谁在用 ， 你会怎么最简单的回答这个问题 ？
这个问题很难回答 ， 各行各业白领什么 。
有没有比如说客户问销售 ， 然后提一些客户案例啊什么这种角度的 ？
今天财富 500 强企业中 20% 的企业都在用 Dify。
它完全就是开源带来的竞争优势吗 ？ 我可以这么理解吗 ？ 因为你们其实没有什么 go-to-market 什么市场主动的去做很多销售的动作吧 ？
我们基本就是一个零销售的状态 。
所以我可以说 Dify 发展到今天最大的一个正确的选择就是很早的开源 ， 可以这么讲吗 ？
这是我们做的最重要的一个决策 ， 没有这个决策后面的不成立 。 因为你要全球化嘛 ， 对吧 ？ 你要解决信任的问题 ， 你要解决快速传播的问题 ， 你要推广自己的技术标准 。
日本市场其实挺神奇的是吧 ？ 因为也有很多人知道 Dify 其实现在最大的或者说最成功的市场是在日本嘛 ， 可以这么讲吗 ？
Dify 今天在日本可能是一种接近于垄断地位加一种现象级的工具 ， 你会在电视上看到 ， 你会在书店里面看到大量的教材 ， 你会在任何一个咖啡店里看到大家在用 Dify， 这个真的很有意思 。
所以大家经常问我的问题是为什么是日本 ，以及说我们做了什么 ， 为什么是日本 ？ 其实我们在 23 年产品刚发布的时候 ， 我们就有日语的版本 ， 起初我们没有太当回事 ，但实际上到了 23 年的四五月份的时候 ， 我就看到这个社区舆论一下就引爆了 ，因为大量的 QR 在传播我们的产品 。
这和日本当地的社会结构和用工关系是离不开的 。 第一是他们的技术人员非常的匮乏 ， 第二是他们企业中的大部分的业务都是被高度的流程化的 ， 所以他们看到 Dify 就好像当年的用只写那个财务报表的会计看到的 Excel 一样 ， 这个它有一定的社会结构的原因 。
那当然还有别的原因 ， 比如说我们这个团队所在的位置 ， 实际上我们相对北美的团队 ， 我们服务它更有时间上的优势 ， 再比如说我们的这个用户界面可能更符合某一种东亚的审美 ，但这个都是次要的原因 。
第二点 ， 我们在日本做了什么 ？ 我们什么也没做 ， 火了以后做了一些事是吧 ？ 其实火的过程是没有什么 。
当我们发现已经在那边传播的不行的时候 ， 我们那个时候在日本一个员工还没有 ， 那今天我们已经有接近一个 10 人的团队了 ， 当时什么都没有 。
那你面临的问题是大量的当地的大企业都来找你的时候 ， 你都没有办法去承接 。 我们团队那个时候甚至一个会日语的人都没有 。
但你现在其实已经建立起了一个相对 OK 的团队了 。
对 ，因为日本市场传统上认为是软件行业特别难进入的一个市场 ，因为当地老鼠啊 。
对 ， 我觉得各行各业吧 。
对 ， 传统啊 ， 这个营商的壁垒非常高啊 ， 都是这些印象 。 但是我们就是很幸运的从一个现象级的流行中切进去了 。
所以如果真的找到的话 ， 仍然是刚才讲的就是很早的开源是最正确的一个 。
开源是非常非常重要的 。
全球组织48:34
对 ， 我想问的就是我们这两年也看到很多国内的做 AI 的创始人会面临一个很大的全球化 、 国际化的问题 。
我们经常开玩笑讲说哪怕是今天的阿里腾讯 ， 它甚至于都不是一个这么真的国际化的集团 ，但现在很多初创公司的 AI 创始人在第一天开始就会面临非常大的挑战 ， 说我要在中国建 office， 对吧 ？
我要在日本建 office， 我在美国建 office， 然后各个 office 之间怎么配合 ， 怎么协作之类的 。 就你应该过去两年遇到非常多这样的问题吧 ？
我们为此做了比别人更早的准备 。 有一些最近入职我们公司的同事 ，他们看到我们内部的技术设施 ， 还有文档 ， 还有文化的这些积累 ，他会说哇 ， 你们居然是一个两年的创业公司 ， 我从没有在这个阶段公司看到这么完善的设施 。
因为我们第一天就做了一些假设 ， 我们必然全球化协作 ， 必然异步协作 ， 必然要迎接这个全球市场的挑战 。
所以你中间需要去做大量的工作 ， 比如说你需要去招聘一些有各种国际化背景的人才 ， 比如说我们今天团队里面有很多 QS50 大学毕业的非常优秀的人， 我自己你知道的 ， 对吧 ？
初中没读完 。
对 ，但我确实感受你们公司英语讲得好的人很多的 。
对 ， 这是一个硬门槛 。 再比如说你的这个工具的选择 ， 你会用大量本身是美国的 SaaS， 我们一年在 SaaS 上花的钱可能有上万美金吧 ， 就是为了把全球的工具链给链起来 ， 谁去处理邮件 ， 谁去处理财务 ， 谁去处理各种东西 。在这个过程中我们自然也学会了啊 ， 美国人是这么玩的 ， 美国人的这个各种 SaaS 之间的集成是这样的 ， 这个对我们来说本身是在
学习产品能力 。
还有没有别的比较怎么讲 ， 就是像你讲的它就是一个两年的公司 ， 你两年前你也没有接触过什么日本市场 、 美国市场 ， 对吧 ？
你最多对国内市场有些了解 ， 那这个过程你是怎么样快速去学起来的 ？ 因为我现在去想 ， 我觉得任何人去想说两年的时间我得把一个日本公司建立起来 ， 对吧 ？
我得搞透日本的那一套整个的规则 、 法律 ， 还要招日本的人， 还要做落地实施 ， 我还得在美国这边再搭个团队 ， 还要搞定所有这套东西 ， 然后还涉及到过程当中的各种招聘 、 融资 、 市场等等的问题 。
所以你回首这两年你的感受如何 ？
这个事放到两年或者更早前我也没有办法想象 。 就像曲老师我们以前聊天说你们是个国际大集团了 ， 对吧 ？
可能还真是这样 。 我们在这里做的工作呢 ， 我觉得第一点 ，因为 AI 我们牛逼 ， 想要了解任何一个国家的营商环境和准入门槛的时候 ， 你原来需要通过大量的顾问啊 、 律师啊去解决 。
这里比如说有一个用工的问题 ， 那里有一个移民的问题 ， 今天我们可以去迅速的获得这个信息 ， 你只要提正确的问题 ， 解决问题的路径一定是清晰的 。
第二是人， 我们今天能做到一定的这个多文化融合 ，是因为我们自己的组织在建立第一天的时候有一些遵循普世价值的东西 ，他们天然有吸引力去吸引一些最好的人才 ， 相信的一个东西 。
我给你举个例子 ， 比如说我们有一条文化叫对投资者透明 ， 我们的任何一个投资人可以去看到我们内部的所有的文档 ， 我们不会去为他去修饰好看的数据啊或者什么东西 ，他可以去参与我们的 team building 或者一切的活动 ， 我们对内对外对管理层都是一套数据 。
就像这样的东西 ， 坦诚清晰透明 ， 这样东西我们做了很多 。 再比如说我们这个财务政策 ， 我前面提到了 ， 我们每一个员工入职我们公司 ，1000 美金的信用卡拿去花 ， 我不会管你怎么花的 ， 你事后只要把你的这个凭据上传上来就行了 。
我们没有事先的在这里去卡报销啊什么的 ， 都是事后去审查 ， 事后去做这个 review， 确保风控上没有问题就可以了 。
有很多信任先行的文化 ，在我们的组织里第一天就是这样的 。 那这样的话 ， 你去吸引像日本或者一些其他地方的一个高级的人才 ， 这个天然对他们有吸引力 。
我觉得这个在科技公司始终都没有变 ， 就是你用什么样的文化去吸引那些最好的人。 我们的新闻的理念就是彼得 · 德鲁克那套 ， 激发善意 。
我看你在 Twitter 最近啊 ， 尤其最近经常发一些关于公司管理啊 、 组织啊等等这些的 Twitter 吧 ，也有很多人把你发的那些帖子转到小红书啊什么的 ，在讲说工程师文化这件事情 。
你现在是怎么理解这件事 ？
我极度同意 42 章经你们前段时间发的那个 。
就 AI 最重要的能力是组织 。
对 ，因为我们必须承认一点 ， 人与人之间的 I/O 是很低的 。 你像我是一个大模型 ， 所有东西都在一个模型里 ， 没有什么通讯成本 ， 所以它非常的强 。
可是今天模型和人之间 ， 人与人之间 ， 我们把一个问题讲清楚是多么多么的难 。 这是因为我们原来的通讯方式 ， 信息系统 ， 它能传递的带宽是有限的 ， 那只能通过一些有限的文字或者别的 。
工程师文化其实它的背后的那个逻辑是服务于超级个体的最优的工作方式 。 我们相信未来是有很多超级个体 ，他可能同时跟 10 个 AI 去协作 ， 达到超级高的产能 。
可是它需要什么 ？ 它需要足够的上下文 ， 这个上下文必须是清晰准确的 。 我们所谓的工程师文化本质上就是去提前到未来 ， 就是异步的服务于超级单兵的这种工作模式 。
你这两年对 AI 的理解有什么变化吗 ？ 我在想啊 ， 就是全世界这么多做 AI 的 ，其实你们这一层做的事情的人是最直接跟 AI 的模型能力打交道 ，以及说要想清楚到底该怎么利用这些能力 ，以及要对它有预判吧 ， 然后以及要判断你刚才讲的哪些是现在这个节点能用的 ， 能有确定性结果的 ， 哪些可能是下一阶段要用的等等。
所以你过去两年里面对 AI 这件事的理解有什么变化吗 ？
AI再认知55:02
我现在相信我们遇到的绝大多数问题 ，在今天这个模型的基准线上都能被很好的解决 。 这在两年前你的对模型的置信度可能只有 60%、70%， 今天可能你对它信任度可能可以高达 95% 以上 ，但前提是你要把你的问题描述清楚 ，也就是说你要给它准确上下文 。
你和模型交互的过程中 ，其实它是一个巨大的数据球 ， 你要先相信你要找的东西在里面 ，但是你需要输入正确的密码去把那个你要找的东西提取出来 。
你首先需要跟它有一个交互的过程 ， 哎 ， 我们磨合一下， 切磋一下， 看看这个里面有没有我要的东西 ， 然后你慢慢的慢慢的慢慢的你找到了 ， 大概在这个位置 ， 你就能把它拿出来 。
那我们今天为什么人类和它没有很好的协作起来呢 ？ 就是这个路径寻找的能力还不是所有人具备的 ，而且我认为这件事很难被快速的教学 ，因为它考验你的自己本有的认知框架和你提问题的能力 。
但是我相信像 Dify 这样的产品可以帮那些预先设计好的地图交付给用户 。 当你在解决某一类问题的时候 ， 我这里有一张地图 ， 然后你顺着我这个地图去模型 ， 你就能找到正确的答案 。
另一个点就是说 ， 我觉得人类今天更多的充当的是模型的现实世界传感器的作用 ，因为你从治理和逻辑上来说 ， 你比不过它 。
但是人类还有一项能力 ， 就是和人和现实世界感官的这种交流 ， 把你收集到的数据和反馈跟模型进行交互 。
所以我们今天是一个传感器 。
而且我刚听你讲 ， 我觉得有个概念可以讲 ， 就是 Dify 就是人去寻找大模型答案的藏宝图啊 。
对 ，是 ， 未来一定有这种东西 。
而且你刚才这个说法 ，其实我最近连续的听到好几个人讲到 ， 就是其实现在虽然已经没有人在提 AGI 了 ，而且经常大家对于模型的这个进展和更新的程度吧 ， 觉得不如以前那么大了 ， 对吧 ？
没有那么多质变了 ，但其实你去看它的各项评分和能力 ， 它其实很多方面已经远超人类了 。
当然 。
所以更多的不是说人怎么让 AI 更进步 ，而是怎么样能够把 AI 用好 。
我相信今天即使不是商业模型 ， 开源模型来说 ， 它的大量的潜能都没有被发掘出来 ，因为人没有去主动的去探索它的能力边界 ，也没有花那么高的频次 、 那么多的投入 、 那么多的时间去探索它的能力边界 。
那用大白话说 ， 就是今天的大部分模型对大部分人来说绝对是够用 ， 甚至是奢侈的 。
OK， 你会做多久的技术路径规划 ， 或者对于 AI 模型能力的预判啊之类的 ？
我们从来不做模型技术的预判 ，因为我以前跟你说过一句话 ， 叫做我是那个教大家用电的 ， 我为什么研究怎么发电 。
但你 Dify 本身产品的技术路径规划你会做 。
今天我们做了三年的规划 。
做了三年的规划 。
对 ， 原来我不是这个说法的吧 ， 原来我认为我们不要去做规划 ， 或者只做半年的规划 ，但今天来说我们可能做了三年的规划 ，因为你能看到技术的变量基本都已经稳定了 ，但是你与现实世界连接有很多很多事情要做 ，但这个不是一家厂商能去实现的 。
比如说这里有很多细微的组件 ， 比如说什么 memory 啊 、MCP 啊 ，是整个生态需要去做的事情 。 我想问你个问题 ， 你看今天的模型里面有几乎无限多的世界知识 ，有可能接近硕士生或者更高的逻辑水平 ， 这是不是我们传统上认为的所谓的智力 ， 对吧 ？
那么这个东西今天它已经变得非常的普世了 ， 甭管模型成本是多少 ， 人人触手可得 ， 全在那个数据包里 。
那我问你 ， 人类或者说组织的竞争力还剩下什么 ？
我想一下啊 。
你看阳光 、 空气和水对于所有人来说是对称的 。 模型让刚才我说的这些东西智力对称了 ， 那么必然还留下一些非对称的东西 ， 变成未来竞争力 。
我觉得我可以这么来回答这个问题 ， 就是如果你现在把 AI 和人当做一个水平 ，其实你找人跟 AI 之间的竞争力 ， 你就是在找人和人之间的竞争力 。
所以最后你就是看人和人之间的区别是什么 ， 对吧 ？ 为什么有的人更厉害 ，有的人发展的更好 。
那我觉得说 ， 比如说决策能力 、 注意力机制都是答案 ， 就是你把重点放在哪 。 我经常举的例子就是 ， 比如说我们今天这期播客可能最后剪出来不知道 ， 比如一个小时的播客 ，1 万个人听完 ， 我说你写一篇总结 ， 这 1 万个人可能能写出 1 万个版本的总结 ， 每个人提到的东西是不一样的 ， 给 AI 也是一样的 ， 对吧 ？
我把这个播客完全给到 AI 已经是一个很完整的 context， 我甚至于说我给了上一期播客 ， 我在让它查所有的 Dify 的资料 ， 最后这么多东西里面它到底挑出来什么东西 ， 它把重点放在哪 ， 然后这些东西怎么样去引导它做下一步的动作 ， 我觉得不同的都是不一样的 。
那不同的人就是在决策能力跟注意力机制上， 我觉得是会有区别的 。
是不是价值观 ？
价值观很难讲 ， 你看你怎么定义价值观 ？ 价值观可能是一个隐藏在更下面的一层吧 ， 就是你的不同的价值观让你看到不同的东西 。
比如我今天刚跟 TikTok 人聊 ， 对吧 ？ 他们说在中东美女扭屁股是违法的 ，在巴西美女扭屁股可能是被鼓励的 ，也不叫被鼓励吧 ， 就是它从流量角度来讲是被鼓励的 。
所以这个也是一种不同 context， 最后有不同的结果 。 我觉得背后就是你 AI 的能力再强 ， 不同人最后结果是不一样的 。
所以我有很多人， 尤其是年轻人也会跟我聊 ，他担心未来被 AI 取代 ， 我其实是从来没有这个担心的 。
然后我仔细去想 ， 我为什么不担心被 AI 取代 ，因为我觉得人里面我就不能被取代啊 ， 我就有信心说我比别的人都强 ， 那 AI 大不了就是跟别的人一样嘛 ， 那为什么我要担心我被 AI 取代 ？
以及就是我刚才讲的一个点 ， 我有信心说现在给我一篇文章 ， 甚至于未来 10 年不管 AI 怎么变 ， 我就会把这篇文章总结的和写的能比 AI 更好 。AI 写出来就是 12345 条 ， 我就会跟大家讲说你看这篇文章后面四点不重要 ， 我们具体讲一下第一点 ， 为什么它最重要 。
我问你这个问题其实是我前段时间想到的一个问题 ， 就是 Dify 能不能把模型对称之后， 人们组织之间 、 企业之间非对称的这一部分保存下来 ？
因为这些东西都对称了 ， 所以最终每一个个体和组织都有一些非对称的部分 ， 它和这个模型一块共同产生合作效应 ， 形成所谓的 Agent。
那么我们能不能通过一种方式 ， 无论是 memory 还是我们今天的这个 Workflow 画布或者一些别的东西 ， 把这部分保存起来 ？
我明白 ， 就是你一上来就是用它来交付一个 60 分的结果 ， 然后慢慢的随着模型的进步 ， 或者随着这个 context 提升 ， 随着反馈更好 ， 你从 60 慢慢的涨到 70， 涨到 80。
那我刚给的答案就是说 ， 我觉得你要做一个 90 分的 ，100 分的人吧 ， 那就无法被取代了 ，60 分的是很有可能被取代的 。
OK。
你最近还在想什么其他问题吗 ？
你看我们这样的公司已经不小了啊 ， 七八十号人， 然后全球的办公室 。 我今天想的是怎么把组织里的所有的东西变成一条高效的信息总线 。在这个总线里 ， 它可能有一个次序 ， 可能有一个共同的 memory，Agent 在去回答任何问题的时候 ， 可以立即连上整个 context 的这个 ， 我们说是一个数据库吧 ， 能够精准的找到那个东西再回来 。
这是今天所有 Agent 的用户面临的问题 ， 就是上下文的组织 。 因为原来的这个上下文的组织是不被重视的 、 无序的 ， 甚至有很多噪音的 。
但是今天来说 ， 这个是所有组织面临的一个最重要的问题 ， 就是你只要把你这个上下文的信息总线链起来了 ，不仅对你的团队有好处 ， 对你的模型也非常有好处 。
因为模型瞬间可以定位到你要的是一个什么样的东西 ， 然后能给你精准的回答这个问题 。 我觉得这个是接下来所有组织建设的一个方向 。
所以每一个企业都要有一个首席上下文官 ，CCO。
OK， 你们招了吗 ？ 创始人自己就是最大的这个 CCO。
自己也是 ， 自己也是 。
成功之道1:04:08
好几个投资人都跟我讲说 ， 没有想到 Dify 会发展到现在这个样子这么好 。 你觉得他们看走眼的是什么 ？
或者你觉得能走到这步最核心的原因是什么 ？
我们前面说了这么多 ， 你发现我们在做一件似乎要有一些耐心的事情 。
是 。
这似乎与今天很多 AI 的初创公司做的事情有点背道而驰 。
对 。
但是由于我们这件事想的很清楚 ， 所以吸纳到这个团队里的人都是这种素质 ， 理性的 ，有战略性耐心的 ， 所以他们可以认真的把这件事按照这件事需要的标准去做 。
这是我们今天积累的那个最大的竞争力 ， 从 Day one 就开始了 。 所以我们一旦有了这样的一个团队之后， 我们在这件事上就必然赢 。
就其实你讲回答就是更务实 、 更踏实 ， 然后结果就是会更后期播发 ， 或者说是更稳定的在一条线上去前进的 。
它不会像其他的一些公司 ， 可能就是我们看到很多过去两年它突然某一波概念起来 ， 然后很快又下去啊什么的 。
我觉得包括 Sora2，其实现在很多人讨论 Sora2， 然后一出来很多人讲它是不是什么下一个 TikTok， 对吧 ？ 就又杀死了谁谁谁 。
那我就见过太多这种一波流的东西了 。
我不觉得我们是那种什么精耕细作 、 厚积薄发呀这些东西 。 我觉得我们只是在提前用一个成熟市场的做法做产品 。
你看今天美国大街上这些车跑的最好的 ， 丰田啊 、 本田啊 ， 还是 BMW 啊 ， 汽车是不是一个非常成熟的市场 ， 巨成熟 。
那这些企业是怎么生得下来的 ？ 是因为每一个企业都能找到自己准确的那个定位 。 丰田就是成本可靠 ， 沃尔沃斯巴鲁安全 ， 特斯拉自动驾驶 。其实在一个成熟的市场里 ， 每一个产品都要给自己打上一个厚重的标签 ，是 10 年、20 年不变的 。Dify 之所以是 Dify，是因为我们在工程优先 、 长期主义 、 稳定可靠 、 开放协同这些标签上从第一天坚持到了现在一直都没有变 。
所以你与其问我们一直做了什么 ， 应该去问我们什么东西是自始至终没有变的 。 就这是一种成熟市场的打法 ， 就是问你第一反应 ， 你对一个产品是什么感觉 ？
你蹦出来三个词 ， 这三个词就是你对这个产品的印象 。
所以可能反而是因为这两年其他的 AI 公司太跳了 ， 显得你们务实了 。 就务实肯定是务实 ，但你觉得只是在用一个成熟市场的正确的方式在做事情而已 。
对 。
你那里还有啥吗 ？
关于刚才那个模型能力已经很强 ， 对于大部分人已经溢出 。 这是其实我想再说两句 ， 就是很显然 LLM 诞生是生产力的代际飞跃 ，他们能加速代码生成 ， 例如 Cursor， 对吧 ？
及时完成很多问题的回答 ， 结构化的数据处理 ， 极低的成本 ， 完成复杂的知识工作 。 但是这股强大的生产力今天来说远远没有被释放 。
前段时间 MIT 有一个报告 ， 叫 95% 的公司在人工智能的试点都失败了 ， 这一定不是模型的原因 。 它其实报告里面揭示了一个问题 ， 就是绝大多数的企业 AI 试点失败 ，是因为工具和组织的学习能力差距 。
工具不够 ， 组织的学习能力不够 ， 所以下一个机会的窗口不在制造模型本身 ， 模型肯定是够用的 ，而在于去建桥 ， 就是打造能够弥合这个鸿沟的基础设施 ， 人机交互的范式 ，以及与 AI 高效协同的工作流 ， 让怎么去和 AI 快速的提取数据完成工作的这个知识 ， 这个知识本身形成更广泛的传播 。
所以我觉得接下来几年的机遇都在怎么解决 LLM 应用最后一公里的问题 。
那就正好是你们在解决问题 。
那当然了 。
对 ， 那当然了 。
那最后吧 ，因为你们接触了非常多实际在用 AI、 在用模型的人， 不管是大的企业 ， 还是创业公司 ， 还是个人开发者 ， 你现在整体看起来有没有一些建议想给到大家 ？
快乐创业1:08:23
不客气的说 ， 能把 AI 用好的真的是少数人。
怎么定义用好 ？
我认为一个极端情况是认为 AI 不够用 。 我刚才说模型对于大部分人是溢出的 ，但是还有一些人他觉得今天的 AI 还不够用 ， 速度不够快 ，token 不够多等等不够 。
甚至现在今天我们内部的同事会去衡量每一个开发者自己的那个模型的消耗量 。 我们看到的很明显的趋势 ， 一些人在如何用模型上用的巨好无比 ， 还有一些可能就是问模型今天吃了吗 ？
这个差距分布其实比 82 原则可能要更明显 。 所以我觉得说最重要的就是找到这些人， 找到这些超级个体 。
你们看起来他们用的好的核心原因是什么 ？ 他怎么就能用的更好 ？
他们不断的在模型的边界上游走 ， 这些人的特质是充满好奇心 。
OK， 我好奇一个问题啊 ，因为我看你很早前其实在 Twitter 什么地方就写 ， 就是我觉得你们公司的福利真的非常好 ， 对吧 ？
各方面的福利 。
倒不是福利本身啊 ， 我们就是还是那句话 ， 激发善意 ， 创造一个对那些超级个体友好的环境 。
你看我们今天公司已经 Dify 已经很多人了 ， 遍布全球 ， 我们的员工的流失率是非常非常低的 。 据我所知数据应该是低于 5% 以下 。
你接触这么多 AI 公司 ， 你应该知道这个数据意味着什么 。 另一个点就是我们其实今天因为我们的全球化发展 ， 可以给各种想出去各种国家看看这世界有多大的人， 提供这么一个窗口和机会 。
所以你们最近也还在招人， 对吧 ？
对啊 ， 我们在中国 ，在日本 ，在硅谷 。
主要缺什么样的人 ？
产品 、Marketing、 后端研发 ， 还有 CCO。
就基本都在招了 。
对 。
所以欢迎大家感兴趣的去哪里能找到具体的招聘信息跟投递的渠道 ？
可以关注 Dify 的公众号 ， 下面菜单有招聘链接 。
OK， 或者到时看能不能留个邮箱 ， 大家感兴趣可以把简历都发过来 。
join@dify.ai。
OK， 还有什么要聊的吗 ？
就是作为创始人要快乐 。
你现在快乐吗 ？
非常快乐 。 我觉得作为一个两年的创业者 ， 我今天的状态比最开始的时候还要好 。 一方面呢是我现在所处这个环境 ， 加州本来就非常舒服 ， 另外一个方面是我重新给自己调整了自己的定位 。
传统的社会观里有很多作为创业者的 CEO 的什么的责任背负在身上， 这是我们通常的印象 。 你但凡跟朋友说哎我们这个现在创业咋样 ， 人家会跟你说你怎么现在看起来没有那么苦逼啊 ， 怎么一点都不辛苦啊 ， 就这样的概念 。
我认为这个恰恰是错的 。 创始人一定要让自己快乐 ， 快乐意味着说你把自己的身心放在一个最好的状态中 。
最好的想法是来自你头脑中的自然的涌现 ， 就你把问题放在自己的头脑里 ， 然后你可能去斯坦福的大学的校园里走一走 ， 它会出来的 。
它是一个天上掉下来的礼物 ，而你在自己重压之下是不行的 。 这个同样对于团队管理也是这样 ， 就是当你一味的需要去照顾许多人的感受的时候 ， 你的同事 、 你的投资人 、 你的什么 ， 就是你身上是背满了压力 ， 你就没有那个最初创作产品那种表达的状态 ， 你就没有那种改变世界的动力 ，因为你只是在负重前行 。
所以我选择主动让自己快乐起来 。
合理 。 我其实听到蛮多人也讲过这种类似的观点 ， 就很多时候吧 ， 你在应付的是当下眼前的问题 ，但眼前的问题已经把你精力耗光了 。
这个有点像我之前写文章 ， 我们之前比如说是一周写一篇文章 ， 后来呢因为开会跟大家聊天就没心思写了 。
你真的理论上来讲 ， 比如说你如果真的理性去拆 ， 写一篇文章可能两天时间 ， 对吧 ？ 你开会你开五天 ， 那你是有时间写的 。
或者哪怕你开会开三天 ， 你写东西写两天 ， 对吧 ？ 一周五天你是 OK 的 。 但每个人的那个 mindset 和状态真的是完全不一样 。
你这周你就会觉得说我就是在处理这些事情 ， 我就真的完全没有心思做别的事情了 。 反正 anyway， 把自己稍微放空一点 ， 让自己开心一点 ， 才是一个更长期的可产出的状态 。
就创业者的使命本来就是把未来带到现在 。
但我要帮你升华一下这个点 ， 我觉得不只是创始人， 每个人都应该要开心 ， 对吧 ？
你不能被地心引力牵制住 。
对 ， 我觉得就每个人都应该在做自己开心的事情 ， 就是你应该做自己热爱的事情 。
放开跑 。
对 ， 如果你现在觉得自己没有那么开心 ， 你要反思一下到底问题是什么 ， 要解决这个问题的话 ， 让自己开心起来 。
我是觉得至少对我自己而言 ， 加班使我开心 。 就我至少我在做自己喜欢的事情的时候是这样的 。
你看我在做公司的时候 ， 就是有两个看起来相悖的价值观 。 第一个叫做我们不喜欢那种 996 长期的加班 、 超时的工作 ， 这个东西是我们不想要的 。
因为我认为这个给人背上的巨重的负担 ， 一定不快乐 。 但与此同时， 我又反对 8 小时工作制 ， 就是朝九晚五 。
我觉得这不是一个人的正常的创作状态 。 一个人的正常创作状态就是说我今天有个想法 ， 我想去追它 ， 然后我进入了心流 ， 然后我的注意力投射在这件事情上， 然后我忘却了时间 ， 然后我去做做做做做 ，不停的把这个事情吐出来 。
这是一个智力工作者最好的一个状态 。他和 8 小时工作制是背道而驰的 。
我不知道你后面有没有答案 ， 或者是不是你已经讲完 ，但我最近有一个很深的体会 ，因为我刚在纽约待了一周嘛 ， 我对纽约最大的一个印象就是那边的人真的全都闯红灯 。
我就跟人开玩笑说 ， 我说现在国内都没有素质这么差的地方了 。 那边人跟我讲的是什么呢 ？ 他说你看这些人虽然会闯红灯 ，但他如果判断到这个车过去的时候 ，他会影响这个车去行进了 ，他就不会闯 。他去判断说这辆车他就是开的很慢 ， 前面就是堵车了 ， 那他就是往前走 。
然后这让我想到一个什么点呢 ？ 我在想说所谓的规则 ， 比如我们今天要求 996， 还是说这边就要求是 8 小时不能加班 。
我觉得所有所谓的规则是为了约束人的 ，是为了达到一个约束统一的一个结果 。 但实际上最好的规则就是没有规则 ， 就是所有人的目标和方向是一致的 。
我知道我说我的目的是最大化交通的效率 ， 那其实所谓的红绿灯就不重要的 。 不然一定会有一种情况是说明明没有行人 ，但车遇到红灯还要在那等 ， 规则是为了方便最小成本管理大多数人的 。
对 ， 所以我觉得最好的状态是那种没有规则 ， 相对混沌 ，但是所有人的心在往一处驶的那个状态 ， 然后还要开心 。
然后我觉得至少从我们两个最近的心得体会来讲 ， 如果你真的是不开心 ， 你尝试换个环境 ， 对吧 ？
你自己真的是出去旅游一下， 待个两天 ，其实是很有帮助的 。 至少我最近是这个感觉 。 好 ， 那最后落在希望大家都开心了 ，AI 不 AI 就那样 ， 对吧 ？
开心一点 。
对 。
好 ， 那谢谢路宇 ， 我们争取明年后年， 再过几年再聊一下 。
那个时候我们就是标准定义者了 。
可以可以 。 好 ， 拜拜 。
时间 ， 时间 ， 总就站在门口的终点 ， 但指指间不能进线 ， 让我从青春少年到如今 。
时间 ， 时间 ， 你那转头一切的视线 ， 看我欢笑 ， 看我哭泣 ， 看我从童少年到如今 。
时间 ， 时间 ， 终究站在门口的终点 ，但指指间不能进线 ， 让我从青春少年到如今 。
时间 ， 时间 ， 你那转头一切的视线 ， 看我欢笑 ， 看我哭泣 ， 看我从童少年到如今 。
时间 ， 时间 ， 终究站在奔跑的终点 ，但指指间不能进线 ， 让我从青春少年到如今
。
终究是时间 ， 终究没办法穿透的另一面 ， 带走欢笑 ， 带走哭泣 ， 空余爱在光影中流转 。 终究是时间 ， 终究是时间 ， 终究会瞑目的站在终点 ，但指指间不能进线 ， 让我从青春少年到如今 。
终究是时间 ， 终究是时间 ， 终究没办法穿透的另一面 ， 带走欢笑 ， 带走哭泣 ， 空余爱在光影中流转 。
终究是时间 ， 终究是时间 ， 终究会瞑目的站在终点 ，但指指间不能进线 ， 让我从青春少年到如今
。