# 复盘 2C 和 2B Agent 发展脉络｜对谈 Afk.surf 创始人嘉琛

42章经 · 2026-11-14

<https://42.podhood.com/0cfe4cb6-ae63-4a10-ae42-d95509a2a7d4>

本期42章经由主持人曲凯对谈 Afk.surf 创始人贺嘉琛，复盘从 AFFiNE、VoidZero 到 ToB Governing Agent 的 Agent 发展脉络，核心判断是：Agent 产品形态已相对固化，接下来竞争在智能与组织层面的持续学习。嘉琛回顾 AFFiNE 因在 22 年就押注"多模态工作空间"而踩中需求，但也因具体编辑环境在 AI 走向 autonomous 后反成掣肘而选择重新出发；他与尤雨溪共同孵化的 VoidZero 则被 Cloudflare 收购。他解释 Afk.surf 给全公司提供同一个高并发、千人千面的 Agent，而非每人一个 Personal Agent，因为 100 个 Agent 会放大噪声——比如产品经理让 AI 生成 300 页 PRD、工程师再总结回一句话；企业一号位愿意"被 hack"以换取端到端价值，是 ToB 更快 adoption 的原因。他还论证工作流、skill 等外挂生命周期极短，确定性固化已从模型外转向模型内；公司实际训练 task routing model 和 20-40B 的 worker model，用蒸馏把大模型确定能做的事变成低成本"肌肉记忆"。他判断所有软件都可被 AI 逆向而正在消亡，两三年内 AGI 模型供给充裕，Agent 正在跨越拐点；最后分享招人心得：与聪明、善良、勇敢的人一起 shoot for the moon。

## Questions this episode answers

### 为什么嘉琛选择做 ToB 的 Governing Agent，而不是 ToC 的 Personal Agent？

贺嘉琛认为技术上 ToC 的 Personal Agent 用户之间几乎没有规模效应，难以形成数据或智力壁垒；而企业内多个 Agent 可以相互学习、共享缓存。商业上 ToC 太卷，要拼产品外的东西，还要与外卖、差旅平台攻防；ToB 离客户价值更近，能更快捕获价值，更适合小团队。

[13:50](https://42.podhood.com/0cfe4cb6-ae63-4a10-ae42-d95509a2a7d4?t=830000)

### Afk.surf 为什么能签下大客户？企业买单的痛点是什么？

贺嘉琛说切入点找得好：Personal Agent 在 C 端要拿用户全部权限，用户天然抗拒；但在 B 端，企业一号位乐意被 hack。只要把 AI 的 knowhow 展现到 C-level，告诉老板以前 8 个人干的事今天 AI 能端到端完成，业务、财务数据都能被捋顺，真正赚钱的公司反而有很强动力配合改造。

[18:51](https://42.podhood.com/0cfe4cb6-ae63-4a10-ae42-d95509a2a7d4?t=1131000)

### Afk.surf 自己训练什么模型？和直接用大模型有什么区别？

贺嘉琛介绍他们训两种小模型：一是 task routing model，把 SOTA 大模型完成任务后的 trajectory 蒸馏下来，对齐用户偏好，像给聪明的大脑配上脑干和脊髓，让重复任务变成低成本条件反射；二是 20 到 40B 参数的 worker model，面向企业内部，能做更强的逆向，处理特定任务限制更少。

[33:52](https://42.podhood.com/0cfe4cb6-ae63-4a10-ae42-d95509a2a7d4?t=2032000)

### 为什么 N8N、工作流和 skill 这类外挂工具正在被淘汰？

贺嘉琛认为当模型越来越强，它不再依赖任何工作流，skill、工作流这些外挂的生命周期会非常短，因为模型本身把它们学了进去。到 26 年下半年，Opus 5.5、GPT-6、Astra 这类模型在大多数场景已配得上 AGI，用新模型第一件事反而是卸载旧 skill、删掉 system prompt，否则是副作用。

[27:06](https://42.podhood.com/0cfe4cb6-ae63-4a10-ae42-d95509a2a7d4?t=1626000)

## Key moments

- **[0:00] 开场介绍**
- **[1:35] AFFiNE 复盘**
  - [2:09] AFFiNE 创始人贺嘉琛：22 年就押注多模态工作空间，24 年发布全球首个多模态 deep research 工作空间
  - [3:28] 贺嘉琛复盘 AFFiNE 下半场失误：具体编辑环境对越来越接近 AGI 的模型反而成了掣肘
- **[5:44] 新产品 AFK**
  - [5:47] 占位
  - [5:47] 贺嘉琛介绍 Afk.surf：给企业配同一个持续学习的 Governing Agent，把公司业务像 X 光一样透视
- **[8:20] Agent 形态演进**
  - [8:51] 贺嘉琛判断：Agent 产品形态已固化，变成无处不在、像人一样可从任何渠道找到的东西
  - [10:01] 从 OpenClaw 到 Poke 到 TALL：贺嘉琛梳理海外 Personal Agent 各赛道定位与背后不变的基线
- **[13:40] ToB 对 ToC**
  - [13:50] 贺嘉琛解释为何不做 2C Personal Agent：C 端没有规模效应、太卷，2B 离客户价值更近
  - [16:46] Amazon 封禁 Muse 之后：贺嘉琛称没有平台想从入口变成供应商，中美皆然
- **[18:29] 大客户刚需**
  - [18:51] 为什么大客户愿意买单：贺嘉琛称 C 端在跟用户对抗，B 端老板乐意让你 hack 他的公司
- **[20:52] 超越 AI Coding**
  - [21:13] 贺嘉琛：AI 正在消灭软件，他们公司设计师已经替代了前端和客户端工程师
  - [23:36] 贺嘉琛举例：产品经理让 AI 写 300 页 PRD，工程师再让 AI 总结成一句话，放大的是噪声不是信号
- **[24:12] Mono 仓范式**
- **[25:11] 工作流兴衰**
  - [27:06] 贺嘉琛判断 skill 和工作流生命周期会非常短：新模型第一件事就是把旧 skill 卸载掉
  - [29:01] 工作流固化从模型外转向模型内：贺嘉琛称缓存命中和小模型蒸馏比僵化工作流强得多
- **[33:25] 自训小模型**
  - [33:52] 贺嘉琛讲企业训模型：用大蒸小把 SOTA 模型的任务变成条件反射，小模型是企业的植物神经
- **[40:02] 未来判断**
  - [40:11] 贺嘉琛预测：所有软件都成了开源软件，两三年内 AGI 模型供给充裕后将迎来血腥的大洗牌
  - [42:35] 贺嘉琛：Agent 正在跨越奇点，接下来 AI 会在几乎所有企业场景端到端超越人类
- **[44:58] 人才与组织**
  - [45:54] 贺嘉琛的人才心得：跟聪明善良勇敢的人 shoot for the moon，AFFiNE 出走成员成了创业者和 Cloudflare Principal Engineer

## Speakers

- **贺嘉琛** (guest)

## Topics

智能代理, AI创业

## Mentioned

AFK (company), Cloudflare (company), Manus (company), TALL (company), VoidZero (company), AFFiNE (product), Cursor (product), Helms (product), Humans (product), LangChain (product), Muse (product), OpenClaw (product), Poke (product), n8n (product)

## Transcript

### 开场介绍

**Guest** [0:03]
There's something there.

**Host** [0:20]
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 ？

**贺嘉琛** [0:25]
呃 ， 我叫贺嘉琛 ， 然后在 20 年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 20 年到现在 ， 呃 ， 主要参与 、 创办过 3 家公司 ， 分别是开源的 AI 文档协作与知识库 AFFiNE， 然后它大概还是做到了开源这个品类的第一名 ， 然后也有比较多的用户和比较多的 star。

然后第二家是与 Evan、 尤 、 尤雨溪老师 、 尤心一起做了一家基于 Void 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， 然后参与了它的创立 ， 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。

那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 。

**Host** [1:35]
嗯哼 ， 对 ，其实我我相信很多人对你的认知和了解 ， 最主要还是那个 AFFiNE 的那段经历嘛 ， 对吧 ？ 因为 AFFiNE 应该有非常多很亮眼的成绩的 ， 非常多的 star， 然后又是 Product Hunt 年度的项目什么的 。

### AFFiNE 复盘

**贺嘉琛** [1:48]
嗯 ， 确实是 。

**Host** [1:49]
对 ， 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吧 ， 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融资的发展下去 ？

**贺嘉琛** [2:09]
嗯 ， 我觉得内外都有一些问题 ， 可能这个 backlight 如此讲的话 ，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嘛 ， 那也就是说大家的呃 ， 文档 、 录音 、 画布 、 数据处理应该在一起 。

**Host** [2:34]
我插一句 ， 我在想那个时候其实还都没有多模态那个词吧 。

**贺嘉琛** [2:38]
哦 ， 对 。

**Host** [2:39]
或者说大家至少都还不讲这个东西 ， 对 ， 现在感觉听起来非常自然而然的一个词了 。

**贺嘉琛** [2:44]
啊 ，是是是 ，但我们确实在 22 年、23 年融资的时候 ， 我们就在讲多模态工作空间这个概念 。

**Host** [2:51]
嗯哼 。

**贺嘉琛** [2:53]
所以这也导致 AI 来的时候 ， 我们就很自然的训练了我们自己的 embedding model， 然后也训练了我们自己的多模态 RAG。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 。

**Host** [3:27]
嗯哼 。

**贺嘉琛** [3:28]
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会越来越接近 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 AFFiNE 上发生 ， 我们觉得 23、24 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 ToB 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 24 到 25 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 那一条的东西 。

**Host** [4:40]
嗯哼 。

**贺嘉琛** [4:41]
这大概是之前的 lesson learned。

**Host** [4:42]
嗯 ， 我记得上次见你的时候 ， 你是刚开始创业吗 ？ 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 。

**贺嘉琛** [4:49]
是 。

**Host** [4:49]
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 ，但觉得自己很牛逼的那种感觉 。

**贺嘉琛** [4:57]
哈哈哈 。

**Host** [4:58]
就是有点那个年少无畏的感觉 ， 对 ，但我终于想讲的是 ， 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 。

**贺嘉琛** [5:08]
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 。

**Host** [5:16]
哈哈哈 ，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嘛 ，是吧 ？

**贺嘉琛** [5:26]
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 ， 我觉得 。

**Host** [5:44]
嗯 ， 对 ， 所以我们讲讲吧 ， 你现在做的是个什么事情 ？

### 新产品 AFK

**贺嘉琛** [5:47]
我们现在做的是一个主打持续学习和 continuous learning 的这么一个 RLaaS service 的企业级 Agent，Agentic system。 我们不太想把它归类为一个具体的软件 ，因为自从 26 年开始 ， 我发现 Agent 开始不像软件了 ， 它没有具体的界面跟形态了 。

那最近的我们主要对标以及要超过的一些对手 ， 像是 Humans， 然后还有像 Grok Bot， 然后 TALL 这些产品 ， 基本都是从一个 Agent 变成了凡是人类能用的工具 ， 它都能接管 。

就是说不光是你能跟它 chat， 它还会主动找你 ，而且找你的时候可能是从飞书 、Slack、 会议软件给你打电话 ， 甚至给你发微信 ， 全部能做的这么一种 Proactive Agent。

然后这种 Proactive Agent 我们在它之上提供的额外的创新和价值是 ， 我们给它引入了持续学习的能力 。 也就是说今天可能对很多企业来说 ， 你去给每一个人配一个 Personal Agent， 它已经能替你去把你的工作基本完成了 ，因为它可以接管你的电脑 ， 接管你的线上线下和各种硬件 ， 所以基本上它能把所有的活都替你干了 。

但是对企业来说 ， 这些 Personal Agent 之间是没有联动 ， 没有学习过程的 。 对于公司的业务层或者决策层来说 ， 反而你本来要处理 100 个员工带来的信号和噪声 ， 现在是 100 个员工加 100 个 Agent，其实很多时候放大的可能是噪声 ，而不一定是信号 。

所以我们做的事情是说 ， 第一 ， 所有人有一个共同的 Agent， 每个人在跟它私聊 、 单独聊天的时候 ， 实际上还是类似 PA 的这种一个有单独的记忆 、 单独的运行环境的这么一个东西 。

但是它会同时在业务的所有的员工和所有软件的所有前面上持续学习 。 那这种持续学习给企业带来的价值是 ， 第一 ， 你第一次可以真正的像 X 光一样透视你公司的所有业务的所有细节 ， 它真的能把每一行代码 、 每一个 API、 每一场会议和跟客户的每次沟通都学习下来 。

然后第二 ， 这个持续学习可以产生公司自己真正的知识产权 ，因为我们可以通过参数化的方式训练一个有持续学习能力的模型 ， 来让公司去拥有这个持续学习的结果 。

**Host** [8:10]
嗯哼 ， 所以首先你们做的还是整个大的 Agent 赛道的一个延续 。

**贺嘉琛** [8:14]
对 ，是的是的 ， 它还是一个 Agent 的产品 ， 只是它说帮企业去自动运行而已 。

**Host** [8:20]
明白 ， 对 ， 你怎么看现在整个 Agent 的发展 ？ 我感觉就是 Personal Agent 这波火了以后， 似乎 Agent 这条路应该已经走到了比较尾部的这个节奏了吧 ， 对吧 ？

### Agent 形态演进

**Host** [8:31]
就是 C 端如果也都能用起来的话 ， 那其实也就差不多了 ， 对吧 ？ 因为之前其实大家在讲的时候都是程序员在用嘛 。

**贺嘉琛** [8:37]
对 ， 我的经历比较复杂 ，因为我又做过算法 ， 我又做过产品 ， 然后我做过技术 ， 所以这个话题背后有很多很多 ， 比如架构的变化 、 产品的变化 ， 然后人们怎么做产品的认知上的变化 。

但我们还是从产品形态上讲的话 ， 我认为过去两年我们经历了很多震荡 ， 比如说有这个 GUI 的兴起 ， 然后是 TUI 的兴起 ， 然后 CLI 的兴起 ， 又到有了 Codex 之后， 好像大家又开始更常用 Artifact， 然后再到有 Personal Agent。在 25 年到 26 年，AI Agent 的产品形态变化是非常剧烈的 ，但是我认为一个大的过滤器在最近发生了 ，因为今天的 Proactive Agent 或者今天的 Agentic system 已经不依赖于特定

的人机交互界面 ， 然后也不依赖于特定的 UI 或者 UX， 它已经变成了一个无处不在的一个东西 。 所以就产品意义上来讲 ， 接下来智能的提升和工具级的提升可能是纵向扩展的 ，但 Agent 的这个产品形态可能相对我觉得已经比较固化了 ， 就是它变得特别像一个人了 ， 你可以各种渠道 、 各种地方无处不在的找到它 。

**Host** [9:50]
嗯哼 ， 然后国内其实大家在聊 Personal Agent 的时候 ，其实我觉得大家是模糊的有个概念 ， 就觉得 Personal Agent 很火 ，但其实我们看海外， 它里面是有各种的分类跟赛道的 ， 对吧 ？

包括你刚才提的那个 Humans， 它其实是 OpenClaw 的一个延续 ， 然后 OpenClaw 虽然那个我觉得主要是那个哥们去上班了 ， 对吧 ？

没怎么管了 。 对 ，但 Humans 其实仍然又很好办 ， 最近也公布了融资 ， 然后像 Instinc 的什么 Grok Bot 其实也有不同定位的 ， 包括 Muse， 然后以及美国其实还有 TALL， 对 ， 还有 TALL AI，其实它更多的讲一个 ToB 的故事 ，也是最近又拿到融资了 。

**贺嘉琛** [10:24]
是 。

**Host** [10:24]
包括有一个那个做 AI 陪聊的一个产品 ， 它也说我有很多的用户 ， 然后我有个 AI， 它本来就是就是有个 AI 的这个伴侣吧 ， 类似的 ， 然后我接上 Agent 能力 ， 我也是个 Personal Agent。

那就就海外有各种各样不同的定位 ， 所以我好奇你怎么看大家这些不同的定位 ， 然后你们的定位大概会是落在哪个上面 ？

**贺嘉琛** [10:44]
做一个创业者 ， 首先 2026 年是我们经历的这种所谓 buzzword 最多的一年， 就是我们在开始做我们现在做的事情的时候 ， 我们就说我们要做一个完全自动化的 、 无处不在的 autonomous agent， 我们叫 fully autonomous agent。

那内部这么定位 ， 就是完全自动化的 ， 永远开机 ， 永远在线 ， 可以在任何地方跨环境的找到它 ， 这是我们的目标 。

那它在年初的时候 ， 龙虾 OpenClaw 有类似的目标 ， 然后在去年底到今年第二季度的时候 ，其实 Personal Agent 从无处不在到人们找到更高频率使用的场景能找到它 ， 然后发现它什么都能干的祖师爷 ，其实是一个叫 Poke 的产品 ， 这个 Poke 最近也被收购了 。

然后 Poke 是第一个让人们意识到说 ， 你可以在海外用 iMessenger 给它发短信 ， 然后它什么事情都给你干了 。

这其实跟国内相当于你在微信里面就能跟你的各种 Agent 的对话 ，而且它还能主动的来找你 ，proactive 的来推进事情的概念类似 。

然后 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基线是 ， 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 。

那也就是说 ， 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 。

那它在 C 端的体现 ， 可能是人们发现说 Agent 有的还是有一个 APP 啊 ， 比如说 Muse，有的比如就没有 APP 的 ， 比如说 Poke、Instinc， 那它们就是你给它打电话也行 ， 你给它发短信也行 ， 然后无论如何 ， 你这个 interface 用最原始的方法还是怎么样 ， 你跟它交互 ， 它去用 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干完 ，而且干的比人类可能更快 、 更

好 、 更省钱 ， 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 TALL， 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 。

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、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 。

### ToB 对 ToC

**Host** [13:40]
嗯哼 ， 那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 。

**贺嘉琛** [13:50]
对 ， 呃 ， 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 say the Personal Agent 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的减弱 。

就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 产品上是往往不成立的 。

你做一个聊天机器人 chatbot， 然后你的用户量再大 ， 可能它自己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 。

所以我们觉得在 to say 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 。

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 之间可以相互的学习 ， 然后人和 Agent 之间也可以相互的学习的话 ， 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 。

这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 say 的 Personal Agent 太卷了 ， 所有能在 to say 的 Personal Agent 上活下来的公司 ， 可能拼的都是产品外的东西 ， 比如说你的工业能力 ， 你能不能让大家更多的省钱 ， 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 Instinc 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 。 但 ToB 的 Agent 控制的同样是复杂系统 ， 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的捕获价值 。 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 say 的 Personal Agent 的核心原因 。

**Host** [16:38]
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信本身的产品 ， 对吧 ？

包括我觉得很多产品在美国可能原地就能好用很多倍 ， 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。

**贺嘉琛** [16:56]
对 。

**Host** [16:56]
但是这个现最近因为看新闻说 Amazon 好像封禁了 Muse 吧 ？

**贺嘉琛** [17:00]
对 。

**Host** [17:01]
好像是 ， 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 ， 就大家在加注的是新一代的 Amazon， 新一代的各个平台 。

**贺嘉琛** [17:12]
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 。

**Host** [17:23]
对 ， 我觉得这个应该是未来几年的一个核心命题 。

**贺嘉琛** [17:26]
对 。

**Host** [17:26]
就是如果这个事真的被创业公司跑成了 ， 可能就真的是一个大洗牌啊 ， 就现今的大家经常在用的这些产品 ， 对吧 ？

包括我记得我们从 23 年开始就在讲这个事 ， 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 ， 大家就都不会去它那边去做一个第一入口 ， 它的品牌价值 、 用户价值可能就都不存在了 。

**贺嘉琛** [17:50]
是的 。

**Host** [17:51]
嗯哼 。

**贺嘉琛** [17:52]
但反过来像滴滴 、 美团这样的公司 ， 现在也还是挺年复力强的 ，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 。

**Host** [18:08]
对 ，但我站在外围站着说话不腰疼 ， 我觉得这样才有意思啊 。

**贺嘉琛** [18:12]
哈哈哈 。

**Host** [18:13]
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 ， 那你至少同用户角度来说 ， 那过程当中你肯定你是要 ，是不是要带什么补贴 ， 要干嘛 ， 对吧 ？

**贺嘉琛** [18:23]
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 。

### 大客户刚需

**Host** [18:29]
嗯 ，是 。 哎 ， 你们现在我记得是已经有几个大客户了嘛 ，是吧 ？

**贺嘉琛** [18:34]
对对对 。

**Host** [18:35]
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 ？

**贺嘉琛** [18:51]
我觉得我们切入点找的比较好 ， 说实话 ， 这个不太谦虚的说是这样的 ，因为 Personal Agent 或者说今天的 Agentic 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 say 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 ， 所以大家天然呃要很多奇技淫巧和很多逆向工程才能拿到这些东西 。

但在 ToB 的场景里面 ， 企业的一号位负责人， 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 ， 我能看到你的所有的所有照片 ， 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面广告啊 ， 可能就是一个 chat 或者一次消费行为 ， 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 ， 今天我端到端的用 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 端到端的捋顺的话 ， 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 。 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 knowhow 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 ToB， 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 。

### 超越 AI Coding

**Host** [20:52]
哎 ，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 Plan，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 ？

**贺嘉琛** [21:13]
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 、 你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然的壁垒 。

所以在 25 年大家就观察到说 ， 工程师加上 coding agent 已经解锁了 100 倍 、1,000 倍的生产力 ， 可是人和人身上是要交互的 ， 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这件事情 ， 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 。

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了客户端工程师 。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 onboarding。

所以设计师变成了面向界面交付的某种意义上的工程师 ， 尽管他可能不会写代码 ，是 AI 在替他写代码 。

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 。

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 。

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 slope。 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 。 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 。

**Host** [24:12]
嗯哼 。 哎 ， 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 组织改造的那个 ， 那个事 。

### Mono 仓范式

**贺嘉琛** [24:21]
看到了 ， 看到了 。

**Host** [24:22]
对 ，是不是跟那个会有一点像 ？

**贺嘉琛** [24:23]
其实比较像 ，而且这应该是做 Personal Agent 共识 ， 或者说做企业写作的共识 。 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 ， 言出法随的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 。

**Host** [24:57]
嗯 ， 这条线是不是又有点像从那个 LangChain 到 DeFi 到 N8N， 然后再到 OpenClaw， 到今天的 Helms 这条线 ？ 所以就是你们其实也是一定程度上去对标 Helms 啊 ， 什么这些东西 。

**贺嘉琛** [25:11]
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 ， 就是你还是在规划整个东西嘛 。

### 工作流兴衰

**贺嘉琛** [25:20]
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 ， 就是说它看到的信息比你多 ， 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 ， 它可能是个工具 ， 它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 。

**Host** [26:11]
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 LangChain、DeFi 还是 N8N， 当时也非常火 ， 对吧 ？

那个 STAR 涨的我记得飞快 ， 对吧 ？OpenClaw 更不用讲了 。

**贺嘉琛** [26:34]
对 ， 甚至还有很多开发的 skill 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 Gbring、Gstack， 还有什么 Andrew Kavarsky、Adam Swiky， 完全拔糙的 。

**Host** [26:48]
对 ，但我感觉今天的像 N8N 应该好久没有人提过了 。

**贺嘉琛** [26:51]
对 。

**Host** [26:51]
当年这个你不管刷哪都是一堆的啊 ， 然后 Helms 呢 ， 好像提的人少 ，但还是偶尔能刷到 ，而且他们最近也还是拿到钱了 。

**贺嘉琛** [27:00]
对 。

**Host** [27:01]
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 ？

**贺嘉琛** [27:06]
呃 ， 我提这个点是因为可能 N8N 25 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 4-6 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 年下半年也没人提了 。

就是因为当模型能越来越强的时候 ，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 。

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 ， 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 。

**Host** [28:37]
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 ToB 端 ， 大家追求的是一个工作闭环的确定性 ， 那就是如果纯 AI 生成的确定性还是不够强 ， 工作流呢 ， 可能固化一个确定性 。

另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 ？

**贺嘉琛** [29:01]
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 24 年、25 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 Queue Catchy 和 Prompt Catchy 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 。

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 ，Queue Catchy 和 Prompt Catchy 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 infrastructure 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 Queue Catchy 或者 Prompt Catchy 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 。

**Host** [30:39]
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 ：" 哎 ， 我发现你上次是怎么怎么做 ， 对吧 ？

我要按照上次的什么什么来帮你完成这个任务 。"

**贺嘉琛** [30:48]
是 ， 这是一种技艺层面的复用嘛 。 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 Queue Catchy 里面就有 ， 你划转命中率很高 。

**Host** [31:00]
嗯哼 ，OK， 明白 。 但从这个层面的话 ， 比如说像你们现在签的那些大客户 ，他为什么不去选择现有的那些 Helms 啊 ， 什么那些东西 ？

就你们跟那些去比的话 ， 主要的点在哪 ？

**贺嘉琛** [31:12]
我们最大的区别是 ， 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 100 个人， 那之前像 Helms 或者 Grok 这样的解决方案 ， 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 100 个 Agent 就得读 100 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 。 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 Helms 或者 Grok 他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 ， 那同样的 ， 你这个老板如果去问一个 Grok 或者一个 Helms， 说大家都干了什么 ， 我们上了公司 ， 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 。

但今天我们就可以把所有的信息聚到一起 ， 然后告诉老板说 ：" 哎 ， 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由这里是更好的 ， 我们觉得这个地方是怎么改的 。"

它不光可以变得更 proactive， 对吧 ？ 那它肯定是有一个更快的学习的过程 。

**Host** [33:14]
用俗话来讲 ， 就是打通了闭环了 ，align 了 ，是吧 ？

**贺嘉琛** [33:20]
你这个就很会啊 ， 哈哈 ， 我怕挨骂 ，但你说的对 。

**Host** [33:25]
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 。

### 自训小模型

**贺嘉琛** [33:32]
对 ，是的 。

**Host** [33:32]
就是这几个月大家一直在讲说 ， 应用公司自己学模型 ， 就模型一体的故事 ， 然后有很多公司讲自己未来要学模型 ，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 ， 包括里面遇到的一些难点啊 ， 或者现在这个节点多这事的一些意义啊 ， 这边 。

**贺嘉琛** [33:52]
呃 ，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 基建等一系列事情 。 但是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 。

因为因为我们觉得很难找到客户 。 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 ， 非常科学的数据合成过程的 。

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 。

那如果一个创业公司去做这种事情的话 ，是真的比较难的 。 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 。

所以当时我们就特别不相信去做 IL 环境 ， 或者去提供 IL 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 IL 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 。

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 待的时间比较短 。 但到 26 年以来 ， 我们看到了有 Java 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 。

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 ， 我给它提供机又机 ， 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 。

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争小 ， 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 。

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 choice， 那这个大争小才能创造价值 。

而这件事情是同时要满足说架构也变化了 ， 然后机模的能力也达标了才可以做 ， 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 。

**Host** [37:17]
所以你们现在都在训的是什么模型啊 ？

**贺嘉琛** [37:20]
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 model， 实际上它是会把机模在完成过任务以后， 可以相当于是我们用 List Java 这样的 prefill model 去做了一种能把 SOTA 模型做过的任务低成本复现的这么一种东西 。

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， 我们是可以训练我们自己的模型去把它蒸馏下来 ， 然后在蒸馏的时候 ， 可以对齐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 5 条不同的路径都是能做完的 。

那用户在第一次使用 SOTA model 的时候 ， 可能倾向于这 5 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 ，有样学样的记下来 。

我们管它叫模型的机又机 ， 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的脑干跟脊髓 。

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， 它就变成一种机又机了 ， 然后就帮助你可以快速条件反射的低成本的把这事情

做完 。 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

更快的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 。

**Host** [39:45]
嗯嗯 ， 明白 。 我听你讲这个 ， 让我这个幻视到了巨身领域啊 ，有点类似于巨身那个大脑小脑的那个故事 。

**贺嘉琛** [39:52]
嗯 ， 对 ，但是又跟巨身不太一样 ， 反倒是巨身的大脑小脑最近正在被颠覆啊 。

**Host** [39:59]
嗯 ， 大脑被颠覆了 。

**贺嘉琛** [40:01]
对 ，是的 。

**Host** [40:02]
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 啊 ， 什么这些市场后面的一些看法是什么 ？

### 未来判断

**贺嘉琛** [40:11]
就首先我觉得 AI 真的是会端到端的消灭操作系统 、 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就在消亡 ，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的优化 。

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的写一套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 。

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， 它就能把整个软件让 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 ， 这是一个根本上发生的变化 。 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。

嗯 ， 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 。

**Host** [42:35]
是是 ， 我感觉整个 AI 的游戏的 Agent 这块的进展 ，是不是开始相对成熟和慢下来了 ？ 因为你看这两年呢 ，其实最后的看起来整个赛道 ， 最早前的一个是 AI 陪伴 ， 里面有很多赚钱的 ， 今天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 DeepLab，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 ，Agent 这件事呢 ， 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 。

我的感觉是 ，是 。 对 ， 我不知道你的体感 。

**贺嘉琛** [43:24]
我体感是这样的 ，也是厚积薄发的嘛 。 因为 AI 系统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 。

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 。

但这个这件事情最近也被几模颠覆了 ， 就 Opus 5.5 是最会剪视频的模型 ， 然后 GPT-6 Astra 是最会控制 Robotic 的世界模型 ， 这简直就是倒反天罡 。

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， 都能端到端的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 。

**Host** [44:58]
嗯哼 ， 对 ， 最后我想问一下啊 ， 就是你看 ， 包括我们提到的那个尤雨溪那边 ， 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 。

### 人才与组织

**Host** [45:09]
是的 ，是的 ，在 Cloudflare 里面是非常重要的这个人吧 ， 对吧 ？ 非常重要的一些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支股票吧 ， 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 Aff.surf 之前的产品负责人出来做的 。

是 ， 然后包括生姜 ，其实很多人都听过它 ， 这个还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 ， 你有什么心得啊 ？ 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吗 ？

**贺嘉琛** [45:54]
呃 ， 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 Aff.surf 到出去 Aff.surf 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 。

我觉得至少我们在创业中证明 ， 我们还实实在在的做了 ，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 。

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具体的心得 。 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 到哪颗 star 上 ，但绝对大家都会比本来的自己要强得多 。 嗯 ， 所以从 Aff.surf 出去的很多成员 ， 就还是有非常好的结果的 ， 比如说像慎蓝啊 ， 当然我也投了他 ， 然后他也从王浩源老师这里有比较好的融资结果 ， 包括 Air Build 在推特也火了 。

然后像是我们之前的给 Aff.surf 贡献最大的 CTO 太郎 ，他不光做出了优秀的开源项目 ， 然后把 Aff.surf 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 。 然后尤雨溪老师 ， 我们能参与和目睹 VoidZero 这家公司从成立 ， 然后 Void 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 。

**Host** [48:52]
是 ， 我还是觉得很牛逼的 ， 很厉害的 。 就不枉费你创业这么多年， 呵呵 ， 还是拿到一些结果 ， 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 。

嗯 ， 那希望这次可以拿到更大的结果 。

**贺嘉琛** [49:08]
好的 ， 那加油 ， 那我们今天这样 ， 谢谢 。。

---

本节目库由 PodHood（https://podhood.com）提供支持——播客网站平台。
