Vivian在哪里
Vivian在哪里47
6人深度对谈,投资人与创业者视角:从Jev决策到Personal Agent到主动式 Agent
- 时长
- 85分钟
- 播放
- 4,081次
- 发布
- 1个月前
Show notes
节目简介
本期播客《Vivian在哪里》由Vivian联合成为资本 / C Engine 成智引擎共同发起。我们邀请到了来自 AI 投资、Personal OS创业、主动式 Agent 研发以及 AIGC 互动体验领域的一线从业者——张辰 Chris、李晶晶、乐元、石天放与郭秉钰。
在长达两小时的高浓度碰撞中,大家围绕“Jev 与决策型模型的本质”、“Personal Agent 的爆发逻辑”、“主动式 Agent 的四大工程瓶颈”以及“LLM 双轨驱动下的创业红利”四大核心议题,展开了一场信息密度极高的深度对话。
以下为本期播客的全文精编实录。
本期嘉宾与主持人
主持人:Vivian AI 早期投资与孵化基金合伙人,声量创投生态主理人,《Vivian在哪里》主播。持续关注 AI 时代下的技术变革、出海形态与年轻创业者成长。
嘉宾:张辰 Chris / 李晶晶 成为资本: 深耕科技领域的老牌美元基金,长期押注前沿技术、企业软件与 AI 赛道,陪伴多家硬核科技企业穿越周期。C Engine 成智引擎:聚焦 Physical AI、世界模型、AI4S 等前沿科技方向,面向技术创业者提供“-1到0”、“0到1”的资源、场景与资本对接,挖掘下一代 AI 基础设施与应用机会。
嘉宾:乐元 Vibemyspace 创始人,个人 AI 操作系统(Personal OS)探索者
嘉宾:石天放 Personal AI 产品 & 主动式 Agent 从业者
嘉宾:郭秉钰 AIGC 产品 & 主动式 Agent 从业者
暖场分享:Jev 模型背景、生态位与应用洞察
晶晶:谢谢大家!在进入今天的正式圆桌讨论前,我先花大约 10 分钟时间,提纲契领地帮大家回顾一下 Jev 这个模型,做个抛砖引玉。
大家对 Jev 这个名字的来源应该有所了解,无论在 TypeSafe AI 团队内部还是开发者社区中,它都被赋予了一个极其响亮的名字——System 1 模型。这个名字取自经济学里的杰文斯(Jevons),也就是杰文斯悖论(Jevons Paradox)的提出者。这深刻反映了其创始人 Di(此前在 OpenAI 深度参与 RLHF 与 Alignment 研发)对未来大模型产业生态的宏大构想:他并不希望看到少数头部巨头以垄断姿态吞噬所有场景,而是主张用大量轻量、高频、细小的专用模型去填充数字世界的每一个缝隙。
Jev 最早引爆开发者社区的核心特征,在于它的输出机制与传统 LLM 的长文本生成完全不同。它彻底剥离了自然语言输出,仅保留三种最基础的原子化结构输出:
Choice(离散选择):在给定的预设选项中输出最佳选择;
Score(标尺打分):对特定维度打出精准的分值;
Noul(概率/置信度度量):输出基于伯努利分布等演化而来的概率度量。
大家能看到,在 Jev 9 月 15 日发布后的短短半个月内,OpenAI 迅速在 DevDay 上推出了 Decisions API。这充分说明,仅从云端 API 调用的模型架构来看,巨头复制同类功能的门槛并不高。但 Jev 真正的价值在于它在速度、准确度以及 Token 成本这三维坐标系中,开辟了一个全新且极度精准的生态位。
无论是在 Token 消耗量的降本幅度上,还是在特定高频任务的表现上,Jev 都展现出了惊人的效率。在其发布后的 5 天内,GitHub 上迅速涌现出超过 500 个基于 Jev 开发的开源项目。通过我们对其下游应用场景的梳理,其核心落地方向主要集中在以下四大领域:
大模型评估与数据标注(LLM Evaluation & Data Labeling):过去传统的 Evaluation 依赖人类专家或昂贵的通用大模型(LMS),成本高且速度慢。Jev 能够在极低成本下精准输出结构化打标结果,成为 Model Evaluation 的极佳入口。
轻量化系统级路由器(System Router):在 Agent 架构中承担中间连接器的角色(例如 JavaUse 等开源项目),毫秒级评估任务复杂度并分发至最合适的下游模型。
端侧 Phone Use 与 Computer Use 提速:在 Personal Agent 执行终端任务时,Jev 展示出了极其惊艳的执行力,例如在 7 秒内快速完成复杂的国际航班搜索与条件过滤,大幅抹平了传统 Agent 的卡顿感。
连接软件与物理硬件的桥梁(Physical Hardware Integration):在 Embodied AI 与智能家居领域,通过简单传感器信号输入,Jev 可以毫秒级做出逻辑判断(例如:结合视觉传感器判断洗衣机内的衣服是否已被拿走,并联动 Personal Agent 发送提醒)。此外,在 SEO 营销、海量数据分析等场景中,Jev 也展现出了极高的数据提取效率。
如果说其他厂商都在追求做更复杂、更像人的“小红书”或“豪华购物中心”,那么 Jev 实际上就是在极致效率与低成本赛道上做出了“得物”或者“拼多多”。它为 AI 智能向全社会扩散的过程,提供了一个全新的工程坐标。
下面,就把时间交给 Vivian 和各位嘉宾,正式进入我们今天的深度圆桌讨论!
* 话题一:聊聊 Jev
Jev 是什么,为什么火?
彻底砍掉文本生成的“离散决策”革命
Vivian:各位《Vivian在哪里》的听友们,大家晚上好!欢迎收听本期节目。今天这场讨论,起源于我和成为资本以及 C Engine 成智引擎的几位朋友前段时间交流时的一个强烈感受:AI 的底层风向好像变了。前两年大家都在卷“谁的模型能写更长、更漂亮的文章”,但最近硅谷和国内突然爆火了一批完全相反的模型——比如 TypeSafe AI 发布的 Jev 模型,以及 OpenAI 推出的 Decisions API。
这类模型有一个极其反直觉的特征:它完全不生成任何自然语言文本,不能陪你聊天,甚至不能输出一个完整的句子。它只接收上下文,然后毫秒级地直接输出分类选择(Choice)、概率打分(Score)或者置信度/概率度量判断(Noul)。也就是大家说的“只决策,不聊天”(Decisions, not strings)。
Chris,如果让你给刚进直播间的观众一句话解释,为什么“彻底砍掉文本生成”反而是一件划时代的大事?
Chris:谢谢 Vivian,也感谢晶晶刚才非常精彩的抛砖引玉。一句话总结:Jev 的本质是用“限定输出”换取了极致的速度、确定性与极低的 Token 算力成本(Decisions, not strings)。
过去两年,整个行业陷入了一个巨大的思维定势,以为只要做 Agent,就必须把所有的逻辑判断都塞进开放式的 Prompt 里。让通用 LLM 去判断“用户刚才点击了什么按钮”、“这封邮件该发给财务还是法务”,背后要消耗巨大的 Token 算力,生成一堆像“好的,根据您的要求,我认为应该选择选项 A”这样在毫秒级场景下毫无必要的废话。
我们不妨回过头去拆解一下 AI 决策机制演进的三大历史阶段:
在第一阶段,传统规则树依赖程序员写死的 if-else 分支。这种方式成本低、响应快,但极其脆弱,遇到稍微复杂一点的语言模糊性就哑火。
第二阶段,大家以为有了 LLM 就能解决一切,但强行用生成式文本做离散路由,不仅每次调用需要花费几美分甚至更贵,而且延迟往往在 1 到 3 秒。更可怕的是,LLM 随时可能因为输出 Token 格式错乱导致下游解析代码报错。
到了第三阶段,像 Jev 这种决策模型,它保留了大模型在海量预训练中获得的复杂上下文理解力与泛化能力,但彻底把“自然语言输出”这层冗余抹掉了。它直接输出精准的概率矩阵或结构化 JSON(包含 Choice、Score 以及 Noul 这三种原子决策 Primitive)。
大家在构建多 Agent 系统(Multi-Agent System)时会发现,80% 的中间环节根本不需要“说人话”。比如 Agent 矩阵在后台协同(Agent-to-Agent,A2A 通信),A 节点处理完数据,要判断下一步是调取 SQL 数据库,还是向 B 节点发送拦截信号。这本质上是机器与机器之间的通信。以往大家用 LLM 强制让它们用文本对话,相当于两个 CPU 之间通信还要先翻译成英语和汉语,效率低得可怕。
像 Jev 这样的模型,本质上是给后台协同的 Agent 矩阵装上了一套数字世界里的“脑机接口”。它让机器间通信重返原生的高维信号传导,这才是构建高并发、复杂多 Agent 系统真正的工程底座。
System 1 与 System 2 的分工对 Agent 架构的重塑
Vivian:乐元,如果用丹尼尔·卡尼曼《思考快与慢》的理论框架来定位:LLM 这几年一直在卷 System 2(长思维链 CoT、慢思考、深度推理),而 Jev 占的恰恰是 System 1(毫秒级直觉判断,官方响应 70–500ms,小规模实测中位数大约在 0.3 秒)。这个快慢分工对你做 Personal OS 和 Agent 架构到底意味着什么?
乐元:这是个很好的问题,我们也在做这个方向。先谈环境(Environment),它的边界正在持续拓宽,以往很多工具、权限调度模块,连同 Agent 自身,都可以归入环境范畴。很多人关注点集中在基础模型,但 Agent 应用的构建复杂度其实很高。围绕任务的全链路都属于 Agent 体系,核心疑问是:Jev 在这套系统里承担什么角色?
本质是:收到用户请求后,系统该在何种条件下路由至专家模型。任务路由并非新概念,业界已有不少实践,典型如调度模型调用图像生成模型,抽象看就是任务分类、打分与分发。
但要权衡路由的实际收益:Jev 仍是基于基座大模型后训练得到,没有硬件层面的特殊加速,提速局限在特定场景。
另一种可能性是,路由能力未来会被模型内化。推理使用同一个模型,识别特定任务时自动切换推理分支,实现 System1 快速判断,不再需要外部工程层做任务分发。
所以回到 System1/System2 的划分,对大模型来说,快思考和慢思考未必是两套完全独立的系统,这点仍有待持续验证
从第一性原理看“极限信息压缩器”
Vivian:天放,从技术角度拆,Jev 本质上是不是“通用分类器 + 大模型的理解力与多模态能力”?它用“限定输出”换来了“低成本和高速度”(比如输入 $0.042/百万 Token,输出免费),这个 Trade-off 的技术含量到底在哪一层?
天放:我觉得它绝不是一个简单的“静态分类器”。从第一性原理(First Principles)来看,它更像是一个比 LLM 还要进阶一层的“极限信息压缩器”。
当年大模型第一次震撼人类的底层逻辑是什么?是它把过去人类寻找知识的复杂查找链路压缩了。过去你需要 Google 搜几百个网页,LLM 直接把知识压缩在权重里给你答案。
而今天的 Jev 决策模型,在压缩的道路上比 LLM 更进了一步:它把 LLM 输出自然语言文本的那一层冗余 Output Bits 也给抹掉了!
这种极限压缩体现在三个维度:
模型体积与算力压缩:可以在 1B 到 3B 的极其微小的参数规模下,继承百亿参数大模型的泛化理解能力,直接把 Token 成本降到每百万 Token 几美分(如 $0.042/1M input tokens)。
思维链开销压缩:传统 LLM 为了保证推理正确率,需要显式输出一大串“Thinking Token”(CoT)。决策模型通过内部隐向量空间(Latent Space)直接得出结论,省去显式输出思考 Token 的开销。
杂音过滤压缩:在海量的上下文(Context)中,自动提取最关键的微小信号,抹平无关杂音。
当然,按照信息论的法则,这种 Trade-off 必然有代价——你牺牲了中间 Reasoning 的可解释性,过程变成了纯黑盒。但你换来了毫秒级的确定性响应速度。
对互动娱乐与高频场景的颠覆
Vivian:秉钰,互动剧情里的节点选择、分支判断,本质也是高频、低延迟的决策——Jev 这类“只做判断、不生成文本”的模型,对互动娱乐内容的产品形态有什么启发?会不会让剧情分支从“预置选项”走向“实时判断、实时生成”?
秉钰:这对互动体验是颠覆性的。
我之前做车载 Agent 和多模态交互时发现,如果你只是把 AI 用在单次一问一答里,用户对 200 毫秒和 1 秒的感知可能没那么强烈。但如果你把 Agent 放在高频、连续的多轮交互场景中,这种毫秒级决策模型带来的提升是质变。
比如在开放世界 AI 游戏或者实时语音交互中,系统要求响应延迟必须死死控制在 200 毫秒以内(人类无感卡顿的临界值)。决策模型能够在极短的窗口内,持续对用户的表情、语调、文本信号做概率打分。
更重要的是,它让未来的剧情分支彻底告别了“预置选项树”。
传统互动剧情最大的痛点是每到一个节点就会弹出一个突兀的选择框(A. 攻击 B. 逃跑),这会瞬间破坏沉浸感。而有了基于 Jev 的实时路由后,系统不再需要强迫用户做出显式选择,而是根据用户在场景里的隐式行为(比如视线停留、语速变化、操作轨迹),在后台悄无声息地做概率判断,自然地推演剧情,真正走向“实时判断、实时生成”。
* 壁垒之争 —— Jev 的护城河高不高?
编程原语(Programming Primitive)的定义者红利
Vivian:Chris,你曾经提到过一个很犀利的判断:Jev 本身的技术壁垒其实不高——大模型火之前大家本来就在训练分类模型,区别只是“类别由用户实时提供,而不是预先写死”。真正值钱的是它定义了一个 Programming Primitive 来判断“分类讨论”这个概念。
Chris:没错。如果单看模型架构,它确实没有极其高深的技术壁垒。很多顶尖的模型工程师基于开源底层做裁剪和微调,几周内就能搭出一套接口。区别只在于:过去传统的分类模型是“类别预先写死在代码里”,而 Jev 是“类别由用户在 Request 里实时输入”。
但它真正值钱的地方,在于它定义了一个全新的 Programming Primitive(编程原语)——它把“分类讨论与离散决策”这个抽象概念,抽象成了一个通用的、极简的开发标准。
回顾科技史,范式革命早期最报贵的资源永远是对开发者心智与编程原语的占领:
Manus第一次定义了 Sandbox Agent 的工作流,瞬间占领了全球开发者对个人 Agent 范式的想象;
Open Canvas率先定义了协同画布交互范式,后续所有巨头都在跟进这个 UI 框架。
谁先定义了 API 的标准形态并让全球开发者形成代码习惯,谁就占据了生态最顶端的位势。
面对巨头全线跟进,创业公司的生存壁垒
Vivian:天放,巨头已经在跟进:OpenAI 发布了 Decisions API(还支持图片输入),Anthropic 跟进大概率只是时间问题。如果巨头在 API 层直接提供同类能力,轻量决策模型公司还剩什么?
天放:巨头的杀入是必然的。当 OpenAI 把 Decisions API 集成进自己的生态后,普通的 API 贩子会瞬间被清场。
轻量决策模型公司能够活下来并形成壁垒的路径只有两条:
深度绑定端侧与物理世界(Edge / Physical AI):通用巨头的 API 依赖云端 HTTP 请求,即使再快也有网络延迟。但在机器人避障、车载交互、智能硬件等场景,必须在端侧(Edge Device)毫秒级完成。
垂直场景的数据飞轮(RLHF/RLAIF):深入工业自动化、垂直营销等场景,积累特定领域的“动作-反馈”数据,这才是巨头摸不到的绝密护城河。
资本视角:叙事泡沫还是估值重估?
Vivian:Chris,我们可以看到 TypeSafe 甚至喊出了 100 亿美金级别的估值,这应该怎么理解——是叙事泡沫,还是 Decision AI 赛道价值重估的开始?投资人核心看什么?
Chris:资本买的其实是新一代 Agent 间通讯语言标准的期权。如果它能成为“Agent 决策路由”的代名词,占领开发者心智,它就拥有了极强的先发优势。
结合我们成为资本的“AI 应用剪刀差理论”,大家可以更清晰地理解这个空间:
剪刀差的上轨:底层模型的智能上限(推理能力、多模态理解力、泛化决策力)。
剪刀差的下轨:调用底层 API 的算力与 Token 成本。
在 2022 到 2023 年大模型爆发初期,算力成本极高,而智能上限极其有限,两条线紧紧交织在一起,没有任何剪刀差。
而到了 2026 年的今天,智能上限随算法突破陡峭上升,Token 成本呈指数级下探,两条曲线交织出的阴影面积(剪刀差空间)正以几何级数扩大!决策模型就是把下轨的 Token 成本进一步拉到了极致。投资人核心看的就是:你做的事情,究竟是不是基于当前剪刀差空间做出的“AI Native 原生定义”?
一线团队的落地实践与自研成本考量
Vivian:乐元、秉钰,你们的产品现在是否有用到 Jev?怎么用的?如果让你带团队复刻一个 Jev,你觉得需要多少资源,多长时间,对你的产品是否有意义?
乐元:在 Vibemyspace 中,我们已经在路由层和动态 UI 生成前置判断里使用了类似 Jev 的轻量决策机制。
至于复刻,我认为技术上可行,而且成本未必很高。直接基于开源大模型,对推理阶段的 Token、注意力机制和决策输出方式进行改造,就有机会实现类似能力,特定任务上的效果甚至可能更好。
但复刻一个模型不难,难的是复刻整个生态。对于我们产品来说,目前自研这种通用决策模型的意义还不大,但我们可能会考虑在核心场景做一些后训练。
秉钰:我们的产品在视频生成与互动分发中,早就有在实践“多模型路由”——非核心场景用开源模型控成本,核心视频场景调 Seedance、H3 这类成熟模型。复刻 Jev 本身在工程上不难,但对我们团队而言,核心精力应该放在场景编排和体验设计上,而不是重复造底层轮子。
* 话题二:硅谷个人 Agent 为什么突然爆发
为什么是现在?—— Muse 和 Instinct 做对了什么?
模型能力突破与算力成本塌缩的双重临界点
Vivian:聊完底层决策模型,我们进入今天的第二个重磅话题。最近硅谷和国内的 Personal Agent(个人代理)突然迎来了一波爆发式的讨论和融资。
先看一组数据:Muse 上线两三周获得了 340 万下载量,甚至带动 Meta 股价上涨约 11%;Instinct 几个月内估值冲到 100 亿美金,创始人称用户平均每月通过它消费超 1300 美元。个人助理这个 idea 从 Siri 时代做到现在,为什么偏偏这一波爆了?
Chris:因为两个条件同时成熟了:
模型能力突破:尤其是 Computer Use / Browser Use 能力终于突破了临界点,能够真正走完真实世界的复杂跨应用流程。
算力成本塌缩:几个月内,同档智能的推理成本降到了约原来的 1/6。一年前用 Browser Use 操作几步就要几美金,日常小事根本算不过账;现在算得过来账了。
Muse 和 Instinct 极度敏锐地感知到了这种剪刀差的变化,重新设计了符合当下技术供给的产品形态。Muse 借力 Meta 庞大的消费级社交网络分发矩阵快速触达泛人群,而 Instinct 则将复杂的自动化闭环直接塞进了离用户最近的交互窗口。
Personal Agent 的三种主流模式解构
Vivian:乐元,我们看到头部 Personal Agent 的三种打法:Muse:免费 + 靠 Meta 在 Facebook/Instagram 疯狂投放出圈;Instinct:邀请制 + iMessage 交互,像一个真人私人助理;OpenAI DOTS:起步就是 $100/月,嵌套在 Codex 内。哪种形态更可能跑出来?为什么?
乐元:我抛个“暴论”,我觉得目前这几种形态可能都还不够。
最近看到一份 Assistant Benchmark,整理了超过 100 家 Personal Agent 产品,主要使用场景还是 Social 和 Travel。
这些场景的问题是有需求,但频次不够高,Token 消耗也有限,很难支撑持续、高频的使用。大量复杂、高价值的任务仍然发生在 PC 端,所以我感觉这些产品未来很可能还是会向 PC 回归,最后殊途同归:移动端负责低门槛交互,PC 端承担更复杂的任务执行。
Muse 选择流量投放,Instinct 选择原生消息入口,DOTS 选择高价值的专业用户,本质上是在AI时代的人口红利期,争夺不同的用户入口。短期是交互和获客效率的竞争,长期还是任务频次和用户价值的竞争。
用户真实留存与付费意愿的判定公式
Vivian:天放,你自己也在做 Personal Agent,从一线体感上,你怎么判断“时机到了”?哪些功能用户真正留下来、愿意付费?
天放:我总结了一个极简的付费意愿公式:用户付费意愿 = AI 提供的确定性价值 -用户自己解决的成本
只有当某件事情极其繁琐、高频、像「“脸上的痘”式刚需场景」一样不扣掉就浑身难受(极其痛苦的刚需场景)时,用户才会有强烈的付费意愿。比如:自动处理每天几十封杂乱邮件并提炼待办、跨系统自动报销、多来源信息监控汇总。
多模态技术与个人 Agent 的深度重组
Vivian:秉钰,多模态如何和个人 Agent 结合?个人 Agent 又给多模态互动创作带来哪些可能?多模态领域是否可能诞生类似 Muse/Instinct 的爆款?
秉钰:多模态让 Agent 拥有了“看”和“听”的能力,而不仅仅是读文字。未来的多模态 Agent 可以根据你拍摄的照片、浏览的视频,实时生成专属你的个性化互动内容。
如果多模态领域诞生类似 Muse 的爆款,它绝不会是一个静态的创作工具,而会是一个“高频互动的内容伴侣 Agent”——它既懂你的视觉偏好,又能实时帮你生成、剪辑甚至亲自扮演故事中的角色。
个人 Agent 的下一个战场“主动式 Agent” —— 主动性、上下文与生态
主动式 Agent(Proactive Agent)的四大工程瓶颈
Vivian:用户主动发起的请求,各家 Agent 能力其实差不多;真正的差异在 Proactive(主动性)。天放,请从技术视角拆解:主动式 Agent 难在哪?
天放:主动式 Agent 的研发极其折磨工程团队,难点是全方位的:
信号源捕获与数据壁垒:系统事件如何无感且毫秒级地捕获?
意图对齐与“过度打扰”的分寸:频繁弹窗会毁掉产品,必须精准把握触发时机。
记忆与上下文提取:模型上下文有限且昂贵,如何高效管理长短期记忆?
验证与反馈闭环:执行动作后,如何根据用户反应进行隐式强化学习?
生态割裂与数据隐私防线
Vivian:Always-on Agent 要接 Gmail、日历、硬件,上下文越全越好用。但这带来了生态打通与隐私安全的双重考验。比如 Instinct 刚和 Shopify 合作打包购物全流程,Amazon 转头就封禁了 Muse;国内豆包手机发布一周内,小红书、滴滴、微信等也出现了交互屏障。天放,你怎么看这个问题?
天放:这正是当前最刺眼的现实问题。生态割裂:各大超级 App 都想把数据围在自己的篱笆里。海外可以通过开放 API 或 Browser Use 突破部分限制,而国内的超级 App 孤岛现象更严重,这逼着 Agent 创业者要么做深垂直场景,要么走向 OS 级合作。隐私边界:Instinct 的数据条款曾引发极大的争论(用户授予其存储和训练的权利)。技术上要做到理性隔离,产品上要给用户充分的感性掌控感。一旦隐私防线崩塌,产品将面临毁灭性打击。
Personal Agent 与 Personal OS 的维度差
Vivian:乐元,你提到你在做 Personal OS,为什么这么说?它和 Personal Agent 有什么区别?
乐元:Personal Agent 是一个“打工人”,而 Personal OS 是“整个办公室和基础设施”。Personal Agent:侧重于单点任务的执行(如订票、发邮件)。Personal OS:侧重于为用户构建高密度上下文(High-Density Context)环境,管理个人的数字资产、身份权限与本地数据,并根据任务动态编排 UI 界面。Agent 只是运行在 Personal OS 之上的调度节点。
4. 娱乐型 Agent 与效率型 Agent 的底层背离
Vivian:秉钰, Muse、Instinct 都是效率型个人助理;你之前有个判断——普通人消费 Token 的核心场景大概率是娱乐。娱乐型 Agent 的“主动性”应该长什么样?
秉钰:这两者的底层逻辑是完全背道而驰的:效率型 Agent:核心诉求是帮用户减少做功。任务完成,立刻“隐形”。娱乐型 Agent:核心目的是增加用户的参与感、戏剧性与沉浸感!在一个虚拟社区或生成式游戏中,娱乐 Agent 的主动性体现在:主动制造悬念、主动挑起戏剧冲突、主动抛出引子,引导用户产生情绪波动与注意力投入。
* 话题三:LLM 与 Jev 两条腿,模型发展态势对 Agent 创业方向的影响
LLM 与 Jev 两条腿,会怎样重新定义 Agent 的产品设计
双轨架构下最先被重构的三大架构层
Vivian:Chris,Jev 本身壁垒不高,但它对 Agent 创业的影响会非常大——它重新定义了产品设计思路。哪些环节会最先被重做?
张辰 Chris:过去所有判断都走生成式 LLM(贵、慢、有幻觉);现在可以彻底拆成“Jev 类模型做路由与触发(System 1) + 生成式模型做执行与表达(System 2)”。
我们建议团队重构以下三层架构:路由层(Routing Layer):极速判断意图,精准分发至小模型/大模型/API/决策模型。触发层(Trigger Layer):明确定义 Proactive Agent 在何种条件/时机主动执行任务。全天候成本控制层(Always-on Cost Layer):混合极低成本决策模型与高阶 LLM,实现 24/7 低成本在线。
“Agent 积木化”与工作流编排的新范式
Vivian:乐元,假如未来在不同细分的能力上出现更多类似 Jev 的专用模型,对大家做产品会有什么样的影响?
乐元:这会导致“ Agent 积木化”。产品经理和架构师不再需要指望一个通用大模型包打天下,而是像搭积木一样,把最适合做离散判断的模型放在前端做路由,把最擅长写代码的模型放在中台,把最擅长情感共鸣的模型放在输出端。
产品设计的核心竞争力将从“写 Prompt”全面转向“系统级工作流编排与上下文调度能力”。
工程理性的回归:决策模型与确定性代码的结合
Vivian:天放,“站在 18 个月后看现在,你认为今天大家疯狂用生成式 LLM 做的很多应用中,有哪些会被证明其实用‘简单的决策模型 + 确定性代码’就能优雅解决?” 这种是不是一种“智能的倒退”?
天放:这绝不是智能的倒退,而是工程合理性与商业理性的回归。
过往大家把所有逻辑都塞给生成式大模型,是用巨大的算力去弥补工程设计的懒惰。18 个月后大家会发现:复杂的表单校验、接口路由、状态机跳转,用决策模型做分类 + 确定性代码(Deterministic Code)去执行,既零幻觉、又便宜了 99%。
真正的智能,是在正确的节点上用最合适的算力消耗去解决问题,而不是盲目追求“全局生成”。
视频生成爆发前夜:互动娱乐的平行宇宙
Vivian:秉钰,你在自己的产品里已经在实践“多模型路由”。在视频生成成本和一致性未来 2–3 年明显改善的判断下,互动娱乐视频创业现在最该卡住的位置是什么?视频是否是继 Coding 之后下一个有确定性商业模式的 AI 方向?如果 18 个月后视频生成像今天的 LLM 一样便宜,互动内容平台会长成什么样?
秉钰:视频和多模态绝对是继 Coding 之后最具确定性的 AI 商业化方向之一。
现在团队最该卡住的位置是:用户参与感编排与核心 IP / 社群生态的构建。当生成技术同质化后,决定谁能赢的一定是“谁的产品能让用户深度参与并产生情绪羁绊”。
如果 18 个月后视频生成极其便宜,互动内容平台将彻底撕掉传统电影与游戏的边界,形成类似《头号玩家》式的“平行宇宙”——用户不再是静态的观影者,而是随时可以穿梭进入不同 IP 故事中,与具备高度 System 1 直觉和 System 2 深度的 AI Agent 共同推演剧情的参与者。
Vivian:感谢四位嘉宾今天带来的极具深度和前瞻性的精彩分享!也感谢成为资本与 C Engine 成智引擎对本期播客的大力支持。AI 生态正在以月为单位狂飙突进,期待下一次能与大家继续碰撞出思想的火花!我们下期《Vivian在哪里》不见不散!
(本文根据播客实录整理,未经嘉宾本人书面审阅,仅供交流学习使用)
免责声明:本期播客实录仅为行业观点交流,所有嘉宾发言均代表个人看法,不代表所属机构立场,亦不构成任何投资、商业或技术落地建议。文中提及的 Muse、Instinct 等产品的下载量、估值、用户消费、股价关联等数据,均引自行业媒体与创始人公开表述,未经独立审计核验,仅作讨论参考。技术预判、产业推演属于前瞻性观点,不保证未来落地。本内容版权归节目所有,转载请注明出处。
Listeners say
小宇宙热评
-
2Sunny珍妮 TOP 1
· 江苏
Jev模型“只决策不聊天”,直接砍掉废话毫秒级输出。别人卷写文章,它卷打分和选择。AI风向真变了,不陪聊的模型反而更实用,简直是降维打击!
-
1米君子 TOP 2
· 北京
之前只关注聊天大模型,这期讲到决策型AI,打开了新思路,忍不住去搜了下Muse。😁😁
-
1
小小四叶草66 TOP 3
· 四川
两个小时的圆桌对话密度很高,很多观点需要停下来反复回味,值得AI从业者收藏反复听。
-
1栗子壳壳儿
· 广东
现在很多Agent产品踩坑,就是没拿捏好主动的边界。
-
1茉莉花香茶
· 山东
干货浓度很高,没有太多行业空话,决策模型和传统差异讲的很明白。
-
1韭菜大蒜榴莲饼
· 贵州
这期内容不错,对于AI的应用有了很多新的认知。
-
1迎着风心动
· 四川
当前AI赛道变化太快,听完这期对主动式Agent接下来的发展方向,心里有了更清晰的判断。
-
1阁主打烊了
· 广东
原来Agent不一定都要会聊天,System1负责快速决策,System2做深度生成,非常有启发
-
1
一旭1
· 黑龙江
AI技术势不可挡的袭来,技术也在拔节生长,给我们展现的是视觉的流畅性和高精度画面,未来会不会分不清真假啊
-
1半杯苏打l
· 四川
两小时信息量太大了。别啥都硬塞给大模型,该省算力就省,让适合的模型干适合的事