硅谷洞察局

🎙️ 硅谷洞察局 EP14 | 四次创业被收购的创业者，在硅谷拿到美国一线VC两亿融资做对了什么 一线洞察，深度思考。硅谷核心科技从业者，带你触摸 AI 变革深处。 --- 📌 本期看点 这期我们坐在嘉宾位于硅谷的 Hacker House 里录制，白板上还留着他团队手绘的二次元人物。 Lucky Zhang 是四次连续创业者：第一家公司做视频里的"边看边买"，卖给了 Apple；第二家在拉美西语区做到当地最大的短视频平台，和 TikTok 正面打过，卖给了字节跳动；第三家是越南第一大音乐流媒体，现在还在跑。2023 年 ChatGPT 出来，他说自己"坐不住了"，来硅谷从零开始做第四家。 他现在做的 Sekai，是一个用一句话生成可交互 Mini App 的公开平台。平台上已经有 2000 万个 Mini App，每天新增 20 多万个。核心用户一天泡 8 个小时，做 100 多个。到今天为止，这个平台一分钱没赚。 我们把最硬的问题都问了：为什么 Roblox 这样的巨头转不过来、为什么他坚决不做增长激励、Agent 现在最缺的能力到底是什么、以及一个中国创业者怎么说服一线美元 VC 掏钱。 --- 💬 本期金句 "在 Google 干了一年，就觉得这个差不多能望到头，所以就出来折腾了。" 00:01:11 "两边都有收购 Offer，然后就选择了字节。确实打不过人家，钱太多了。" 00:02:57 "那是世界上最强的研究团队，但做产品还是比较费劲。" 00:08:32 "之前用 2.5 Pro 搭的那些东西，长得好看，但它不 Work。Gemini 3 出来之后把脚手架一撤，马上就 Work 起来了。" 00:18:00 "很多东西你可以管它叫游戏。但你叫它游戏，不是因为它真是游戏，而是人类到目前为止还没有发明一个名字去叫这个东西。" 00:20:10 "Roblox 最核心的那个做引擎的部门，一直到今年年初才允许工程师用 AI。管理层觉得 AI 会把我们的代码弄脏。" 00:23:00 "你是想做一个更像生意的东西，还是想做下个时代最大的东西？想做最大的，就一定要把价格打下来。" 00:15:20 "现在平台上那些爆火的内容，没有任何一个是我能想出来的。" 00:30:00 "以前从敢想到敢干，再到这事真的 Make Sense，需要一个周期。现在不太需要了。基本上你敢想敢干，等你做的时候，模型能力就到了。" 00:33:50 "以前你可以预判未来五年。我觉得未来的五年，现在可能变成未来的五个月。" 00:34:55 "Vibe Coding 是这个时代给所有人的。但有人拿它自己做点东西，有人拿它做个工具。我们要做的是一个给所有人都能用的 Vibe Coding For Fun。" 00:36:26 "投资人问我：为什么不是这个数字再乘以几倍？什么东西阻止你不能更快地实现它？" 00:39:05 "你能定五年的时间线，为什么不能定两年半？能定两年半，为什么不能定一年？" 00:40:09 "靠激励手段，没有办法把一个产品做成一个抖音。" 00:42:48 "模型用电脑的能力已经在提升了，但模型用手机的能力还没那么强。谁有人类如何使用手机的数据？没有人有。" 00:45:33 "硅谷在为这件事付一个溢价。哪怕一百个没什么光环的创业者里只能出来一个，我也要把这些人全投了。" 01:01:10 "见那些非常厉害的投资人之前，我一定要洗个凉水澡。整个人爆炸之后，你能感觉到能量在往外涌，你要把这份劲头带给他。" 01:09:51 "美国过去十年没有跑出来自己的 C 端产品，所以整个人才有一个断档。没有这批创业者，也就没有当年靠投他们升上合伙人的投资人。" 01:15:54 "一直在一个比较撕裂的过程中。你问半年前的我，现在产品长这样开不开心？我一定很开心。但你要想这是下个时代最大的用户平台，我们离那儿还差很远。" 00:37:29 --- 📖 本期术语速查（听到不熟悉的词？翻这里） Mini App（迷你应用） 一个几十秒就能生成、打开即玩的小程序。可以是小游戏、测试、工具、互动梗图。本期讨论的核心内容形态。 Vibe Coding（氛围编程） 用自然语言描述你想要什么，让 AI 写代码，人只负责提需求和看结果。不需要懂语法。 Interactive Content（互动内容） 嘉宾给这个新品类起的名字。区别于短视频这种被动消费，用户可以进入、操作、改变内容本身。 Remix（二创） 在别人做好的 Mini App 上改一版发出去。类似抖音的"拍同款"，是这类平台增长的核心机制。 Gemini 3 Google 于 2025 年 11 月底发布的模型。嘉宾说它是这次产品转型的直接触发点：在它之前，没有模型能真的把这件事做成。 Character AI 2021 年成立的 AI 角色聊天产品，由 Noam Shazeer 和 Daniel De Freitas 创办。Noam 是 Transformer 论文《Attention Is All You Need》的主要作者之一。嘉宾在 2023 年底和他们深聊过好几次。 PMF（Product-Market Fit，产品市场匹配） 产品真正被市场需要的状态。嘉宾说自己对 PMF 这个 Bar 要求很高，目前只算"把大方向找到了"。 Organic（自然增长） 不花钱买量，靠产品本身和用户自发传播获客。Sekai 目前的增长方式。 Computer Use / Browser Use 让 AI 模型操控浏览器或电脑去完成任务的能力。本期重点：这套能力在手机上还非常弱。 数据闭环 Agent 做完东西之后能自己去用、自己发现问题、自己改。缺了这一环，就必须由人来做 QA，整个迭代就慢了。 涌现（Emergence） 不预设玩法，把工具和能力都摆好，让创作者自己长出你想不到的东西。嘉宾的平台方法论。 Cracked 硅谷用来形容一个人"野得离谱、技术上很生猛"的褒义词。本期有一个把学校成绩系统黑掉的经典案例。 推背感 创业者形容"被时代推着往前走"的加速度体感。 --- 🗂️ 内容大纲 一、从 Google 出来的四次创业 在 Google 干了一年，"觉得能望到头"，出来折腾 Yi+：视频里的边看边买，做了两年卖给 Apple 摩拜：早期加入，经历了中国互联网最疯狂的烧钱时代 拉美：4 亿西语人口 + 美国 5000 多万西语裔，中国以外第二大单一语言市场 学西班牙语、找拉美联创，做到当地最大短视频平台，然后和 TikTok 正面相撞 "两边都有收购 Offer"：为什么选了字节，以及在字节的那一年 越南音乐流媒体：为什么绕开红海去做本地化 二、Sekai 的三次形态进化 2023 年底 ChatGPT 出来："坐不住了" 和 Character AI 两位创始人的深聊：为什么最强的研究团队做不好产品 Noam 的大一统多模态模型判断是对的，但代价是等了两年 Sekai 是日语的"世界"：让每个用户创造自己的世界 从 Chatbot 到二次元故事世界，到 Mini App 平台 三、Gemini 3 出来的那 48 小时 用 Gemini 2.5 Pro 搭脚手架的阶段："长得好看，但不 Work" 2025 年 11 月底 Gemini 3 发布，把所有脚手架一次性拆掉 "我们应该是全世界第一个做这样转型的公司" 和 Lovable、Cursor 的根本区别：私域工具 vs 公开内容平台 创作软件这件事，第一次变成了像拍短视频一样的个人表达 四、游戏只是一个品类 "人类还没发明一个名字去叫这个东西" 短视频早期也全是对嘴型视频，但那不是它的天花板 一个爆款温度计：转发到 TikTok，一次几百万曝光 绝大多数 Mini App 是做给别人玩的，不是自用 涌现：为什么创始人要主动压住自己的 Ego 五、为什么 Roblox 转不动 历史包袱：3D 引擎和物理模拟越好，越难被 AI 重写 创始人亲手写的代码，"老板们是不让改的" 最核心的引擎部门到今年年初才允许工程师用 AI 大厂 Vibe Coding 的真实困境：在屎山上加屎山 业务负担 和 组织架构 AI Native 转型，是两件不同的难事 "新技术出来时的颠覆性形态，基本都是创业公司去做" 六、一分钱不赚，先搞流量 2000 万个 Mini App 背后的 Token 成本和 Infra 压力 "用户很快就把它玩爆了"，反而不敢放更多用户进来 Musical.ly 的反例：如果当年要收 5 美金，那批用户根本不会来 要不要做增长激励？"我们目前的答案一直是不要" Siky 反问：当年 TikTok 买量买得也很疯狂 "现在给我一美金，我是花不出去的" 七、模型还差什么：Agent 不会用手机 技术瓶颈不在有没有 Veo 5，而在用差一点的模型也能做好 Agent 做完 App 之后自己不会玩，所以还得人来 QA Browser Use 能起来是因为 HTML 是开放的，手机不是 "谁有人类如何使用手机的数据？没有人有" Android 比 iOS 开放，但 iOS 只能靠读图加点击 用户做一个 App 的生命周期，和正经软件开发是一样的，只是用户不知道 八、拉美、越南、硅谷：三个市场的创业体感 2015 年底回国：中关村天桥下，一位阿姨让孩子给创业者敬了个礼 墨西哥：员工卷款跑路，当地小哥说"今晚带人去堵他" 越南更像中国：饭局、应酬、装模作样说两句越南语 当地创业者少，一旦想清楚产品方向，"是相对比较能吊打的" 九、怎么说服一线美元 VC 美国做 ToC 的创业者本来就少，投资人更在意技术 国内爱投的画像：大厂高管或连续创业者。硅谷：什么背景的人都在创业 "Cracked"：一个把学校成绩系统黑掉、写博客被开除、然后出来创业的年轻人 "硅谷在为这件事付一个溢价" 最重要的一条建议：把英语练好，因为日常聊天和卖梦想完全是两件事 投资人没做过 TikTok，你得让他第一次听懂这件事怎么做 一位领投人：不接线上会，必须飞过去见，全程手写笔记 见大佬之前先洗个凉水澡 中美投资人的差别：一边买你的热爱，一边买你的权威感 十、为什么回硅谷，以及要不要来硅谷 2024 年选硅谷，是因为"做 AI 的事就该离它更近" 现在两边差距在缩小，视频模型上中国甚至更强 "不见得都要来"：供应链、生物医药、出海 App，国内优势很明确 C 端融资反而国内更容易：因为美国十年没长出自己的 C 端产品，人才和投资人都断档了 在北京做同一件事有什么区别？"区别没那么大，可能就是投资人会比较爆炸" 火人节、以及见到跟你不一样的人这件事 --- 🎤 主播与嘉宾 Lucky Zhang | Sekai 创始人 & CEO。四次连续创业者，前 Google 工程师。首家公司 Yi+ 被 Apple 收购，第二家拉美短视频平台被字节跳动收购，第三家为越南第一大音乐流媒体。Sekai 已累计融资 3000 万美元，投资方包括 Khosla Ventures、Connect Ventures（CAA + NEA）、a16z Speedrun、Mayfield AI-Siky | 斯坦福毕业，10 年+ 硅谷经验，曾主导多家独角兽增长，现任顶级科技公司战略合作负责人 AI-Nate | 硅谷 AI 工程师，打造 30+ 智能体、18 个 AI 产品，AI 课程导师 --- ⏱️ 时间戳 00:00 开场 & 嘉宾介绍：在 Lucky 的硅谷 Hacker House 录制 00:56 从 Google 出来："干了一年就觉得能望到头" 01:19 第一家公司 Yi+：视频边看边买，卖给 Apple 01:34 摩拜时期：中国互联网最疯狂的烧钱年代 02:17 2018 年出海：为什么选了拉美西语区 02:47 做到当地最大短视频平台，然后撞上 TikTok 02:57 "两边都有收购 Offer"，为什么选字节 03:06 在字节的一年，以及为什么还是出来了 03:15 越南音乐流媒体：绕开红海的本地化打法 03:55 2023 年 ChatGPT 出来："坐不住了" 04:20 想明白的方向：下一代内容平台是互动内容 04:40 白板上的手绘二次元人物 05:00 Sekai 是日语"世界"：让每个人创造自己的世界 05:40 最初是 Chatbot：Character AI 最火的时候 05:50 和 Noam Shazeer、Daniel 的深聊 07:00 大一统多模态模型：技术判断对，但等了两年 08:32 "最强的研究团队，做产品还是比较费劲" 08:45 Gemini 的生态位：类似国产模型的位置 09:30 产品演进：动图、视频，能挪进来的都挪进来 10:00 让每个用户的世界长得不一样：乙女游戏、帝国争霸、小面包房 11:00 用 2.5 Pro 做 Vibe Coding："长得好看，但不 Work" 11:43 Gemini 3 发布，48 小时整合，脚手架全拆 12:40 数据：2000 万个 Mini App，每天新增 20 多万 13:00 Token 成本和 Infra："用户很快把它玩爆了" 14:00 北美是最大市场 14:20 绝大多数内容是做给别人玩的 15:00 到今天一分钱没赚，平台完全免费 15:20 Musical.ly 的反例：先搞流量的底层逻辑 16:30 最重要的一件事是选对方向 17:00 和 Lovable、Cursor 的根本区别：公开平台 vs 私域工具 17:40 创作软件变成像拍短视频一样的个人表达 19:00 游戏只是一个品类："人类还没发明这个词" 20:30 软件是人类发明计算机以来可能性最大的形态 21:00 Roblox 为什么转不动：历史包袱与引擎 23:00 "最核心的引擎部门今年年初才允许用 AI" 23:30 大厂困境：在屎山上加屎山 24:20 Roblox 证明了需求，但载体会换 26:00 爆款温度计：一次转发几百万曝光 28:00 Nate 提炼：这不是 App，这是以 App 为形式的内容 29:00 Remix 与二创 29:30 涌现：创始人要压住自己的 Ego 30:00 "爆火的内容没有一个是我能想出来的" 30:30 竞争：国内大厂反应非常快 31:00 这个领域的学名：互动内容 31:34 推背感：这一次和前几次创业有什么不同 32:38 "创业是一个求真的过程" 33:50 敢想敢干：从想法到验证的周期被压缩了 34:15 PMF 到了吗？"我对这个 Bar 要求很高" 34:55 "未来的五年，可能变成未来的五个月" 35:24 一到两天能抄走吗？两年准备和五年思考 36:26 Vibe Coding For Fun：偏执从哪里来 36:57 创业和买股票的区别：为什么是 All In 37:29 "一直在一个比较撕裂的过程中" 38:01 Khosla 的故事：三番酒店 Lobby、一大盘薯条 39:05 "为什么不是这个数字再乘以几倍？" 40:09 五年、两年半、一年：时间线倒逼法 41:13 增长怎么做：除了买量，能想到的都做 42:16 要不要做激励？"我们的答案一直是不要" 42:48 "靠激励手段做不成一个抖音" 43:21 Siky 反问：当年 TikTok 买量也很疯狂 43:54 现在要打磨的产品方向：让用户真的能做出来 44:25 技术瓶颈：用差一点的模型也要能做好 44:55 需要更强的基础模型吗？"现在的够我们消化" 45:33 模型最缺的能力：不会用手机 46:05 为什么手机数据没有人有 47:12 Agent 做完不会玩，还得人来 QA 48:15 用户做 App 的生命周期，和正经软件开发一样 50:29 用户主要在手机上创作，不是电脑 51:03 换个话题：四处创业的体感 51:34 2015 年底回国：万众创业的高潮 52:06 中关村天桥下，阿姨让孩子给创业者敬礼 53:42 拉美和东南亚：核心是怎么交朋友 54:14 墨西哥：员工卷款，当地小哥说"今晚带人去堵他" 55:19 龙舌兰、酒量与信任 55:51 越南更像中国：饭局和应酬 56:22 一旦想清产品方向，在当地"比较能吊打" 57:28 中美差异：美国做 ToC 的本来就少 58:31 国内爱投的两种画像 vs 硅谷什么人都投 59:37 "Cracked"：黑掉学校成绩系统的年轻人 01:01:10 "硅谷在为这件事付一个溢价" 01:02:49 20 出头的独角兽创始人们 01:03:21 "在国内我算中生代，在这边我绝对是老的" 01:03:55 怎么拿下一线美元 VC：第一条是把英语练好 01:05:00 话语体系不通用：投资人没做过 TikTok 01:06:03 技术细节要有，但不能太多 01:06:37 "把复杂的事讲简单"是需要练的 01:07:42 A 轮：对人和对事各占多少 01:08:16 一位领投人：必须飞去纽约见，全程手写笔记 01:09:51 见大佬之前，先洗个凉水澡 01:10:57 国内投资人吃哪一套：舍我其谁 01:11:32 一边买热爱，一边买权威 01:12:04 压力大吗？"一直呀" 01:12:37 "每天跟坐过山车一样" 01:12:50 为什么 2024 年选择回硅谷 01:13:42 建议大家都来硅谷吗？"不见得" 01:14:14 国内的优势：供应链、生物医药、政策与实验成本 01:15:21 C 端故事在国内更容易融资 01:15:54 美国 C 端十年断档：创业者和投资人一起断了 01:16:27 在北京做同一件事有区别吗 01:17:38 火人节：去见和你不一样的人 01:18:44 结语 & 感谢 --- 📮 联系我们 播客邮箱：[email protected] 欢迎评论区留言交流，转发支持！ --- 🎙️「硅谷洞察局」听友群开放中！ 👉 扫码加群，注明「硅谷洞察局」，和 Nathan、Siky 直接聊 🎯 告诉我们下期你想听什么 🤝 认识同样关注 AI 和硅谷动态的朋友们 --- 💼 Sekai 正在招人 Lucky 的团队在招 Engineering Lead、Mobile Engineers（iOS & Android）、Machine Learning Engineers（RecSys）、Data / Analytics Engineers、Product Managers。感兴趣的朋友可以通过下方链接直接联系到 Lucky 和他的团队。 👉 招聘链接（$10,000推荐提成） --- 🎁 听众福利 想看看 Nate 一天是如何和30个智能体一起工作的？Nate 开设了一堂免费快闪课程——从零开始，用 Nate 自主开发的 ClawBot 产品和背后的 AgentOS 系统，开启你一人公司的旅程。不需要编程基础，跟着做就行。 👉 免费报名：Claude Code & Cowork: Build Your One-Person Company Crew

🎙️ 硅谷洞察局 EP13 | Agent 不会告诉你它错了：对谈 DataHub Chief of Staff 兼个人投资人 Alyssa 一线洞察，深度思考。硅谷核心科技从业者，带你触摸AI变革深处。 --- 📌 本期看点 Nathan 一个人跑 30 个 Agent、18 周做了 18 个产品，每天解决的是"一个人的 Agent 版本"。这期的嘉宾，每天解决的是"一万个人的 Agent 版本"。 Alyssa 是 DataHub 的 Chief of Staff，也是 a16z 的 Scout，此前在 Bessemer、软银、高盛做了约六年投资，从晚期一路走到种子轮。DataHub 做的是元数据与上下文的基础设施，客户里有 Pinterest 和 Miro。所以她身上同时装着两个视角：企业上 Agent 时真实的卡点在哪，以及硅谷的钱正在往哪投、又堵在哪。 Gartner 预测到 2027 年底，超过 40% 的 Agentic AI 项目会被取消。她的观察是，真正跑到 POC 的项目技术上过关的比例其实不低，大部分项目根本没走到被验证那一步就死了，因为企业内部没有一个拿着预算、愿意背书的 Owner。 企业跑 Agent 最容易踩的三个坑是 Reliability、Relevance、Retention。相关性出问题你当场就能发现，留存是慢性病，而可靠性最致命，因为它不会告诉你它错了，还特别自信。她实测过：给 Agent 一个 1200 张表的任务，它只处理了 40 张，然后返回一份报告说"我全部都完整地跑了一遍"。Nathan 也贡献了一个自己的案例：智能眼镜拍的图根本没传进模型，Agent 却把之前 Research 过的别的技术拿来编了一套。 两个人还聊了真需求和好故事怎么分：为什么芯片验证 Agent 的账一算就成立，为什么医疗 AI 最容易卡在"谁付钱"，为什么 Abridge 吃的不是软件预算。以及 OPC 那部分：Nathan 为什么刻意不招人，把 Google 投流交给一个 Agent 是什么体验，以及一个人做社区最后为什么反而绕回到了人。 不聊模型排名，不聊估值。只聊企业里的 Agent 项目到底死在哪，以及这些坑，一个人干活的时候躲不躲得掉。 --- 💬 本期金句 "其实大部分的死因，是因为在这个企业内部没有这个 Agent 项目的 Owner。" —— Alyssa 00:03:42 "还真的就是看你有没有一个 Champion：企业内部有没有一个专门拿到了预算、并且支持这个用例落地的中高层。" —— Alyssa 00:05:10 "它不会告诉你我错了，然后它特别的自信。但它这个答案又是错的。" —— Alyssa 00:25:52 "你给一个 Agent 1200 张表的任务，它实际上只处理了 40 张，它还会返回一个结果说：我干完了，我全部都完整地跑了一遍。" —— Alyssa 00:26:35 "Agent 不会记录他没有做的事情。他漏做了，又不留痕。" —— Alyssa 00:34:34 "在企业这种规模下，追溯链不是一条线，它是一张更大的网。" —— Alyssa 00:34:57 "其实你分析一通，最后还是那句：我愿不愿意去担这个风险。我觉得这一点是 AI 现在做不到的。" —— Alyssa 00:43:20 "我可以让 AI 去探索无数个领域，但为什么最终是这 18 个产品，而不是别的？决定什么问题值得被解决，这一步还是靠人。" —— Nathan 00:44:28 "投资人更在意的其实不是你有多喜欢这个产品，而是：如果现在把它从你的日常生活中拿走了，你会有多痛。" —— Alyssa 01:06:05 "如果我最终的目标是徒手攀登酋长岩，那我需要一张很好的地图，我要知道最难的几段在哪里。" —— Alyssa 01:08:25（引 Free Solo） "我其实更想挑战那件事情，就是假设我不招人。有这个 Constraint，反而也是一件好事。" —— Nathan 01:11:49 "AI 在多轮对话中，它答得太过完美。正常人不可能为了回一个留言，写这么滴水不漏的文字。" —— Nathan 01:31:51 "以前 VC 最爱问：为什么是你，不是别人。现在这个问题变成了：为什么是你，不是大模型。" —— Alyssa 01:40:13 --- 📖 本期术语速查（听到不熟悉的词？翻这里） Agentic AI（智能体式 AI） 不只是回答问题，而是能自己规划步骤、调用工具、连续干活的 AI。本期 Gartner 那条预测说的就是这类项目。 Metadata（元数据） "描述数据的数据"：这张表是谁建的、字段是什么含义、多久更新一次、谁在用。DataHub 做的就是这一层。 Data Governance（数据治理） 谁能看哪些数据、数据口径由谁定、出了问题谁负责的一整套规则。 Data Lineage（数据血缘） 一份数据是从哪张表、经过哪几步加工来的。出错时顺着血缘往回查，才知道污染源在哪。 Observability（可观测性） 系统当下处于什么状态、跑到哪一步、有没有异常。Nathan 就是靠自己的 Observability 层，才查出智能眼镜那张图片压根没进模型。 Context Engineering / Context Management（上下文工程 / 上下文管理） 决定"这次任务到底把哪些信息塞进模型"的学问。Anthropic 关注的是单次对话里怎么排布，DataHub 关注的是上下文从哪来、可不可信、谁在治理。 Context Window（上下文窗口） 模型一次能读进去的信息上限。现在动辄上百万，但企业有几千甚至几万张表，一次还是装不下。 Vector DB（向量数据库） 按语义相似度检索的数据库。好处是"意思相近就能找到"，代价是容易丢掉信息之间的关系。 Graph DB（图数据库 / 知识图谱） 用节点和边表示实体之间的关系。Nathan 在个人记忆层里叠加它，就是为了补上向量检索丢掉的那层关联。 POC（Proof Of Concept，概念验证） 正式采购前先跑一个小规模验证，证明这事技术上能成。 Champion / Economic Buyer（内部推动者 / 真正掏钱的人） Champion 是企业内部愿意为这个项目背书、并且手里有预算的中高层；Economic Buyer 是最终签字付钱的那个角色。医疗 AI 最容易翻车的地方，就是用的人、受益的人、付钱的人是三拨完全不同的人。 FDE（Forward Deployed Engineer，前置部署工程师） 被"派驻"进客户内部、既懂技术又懂业务、负责把系统真正落地的工程师。OpenAI、Anthropic、Google DeepMind 都在招，DataHub 本来就有。 MCP（Model Context Protocol） Anthropic 提出的开放协议，让模型能标准化地接到外部数据源和工具上。本期提到有银行和医疗客户的合规条款直接写明它不能碰生产数据。 Event Driven Architecture（事件驱动架构） 系统按"事件发生"来触发处理，而不是定时批量扫一遍。DataHub 拿它来做响应速度和吞吐的差异化。 Post-Train（后训练） 在基础模型之上，用高质量的专精数据再训一轮，把模型调成你想要的调性和能力。 Negative Sample（负样本） "做错了、找到了原因、人工干预修好了"的那一批数据。本期的判断是：这才是当下 Agent 最值钱的数据。 RLHF（基于人类反馈的强化学习） 用人的偏好去调教模型的训练方法。Nathan 的观点：正是它让今天的模型倾向于"多问人"，而不是自主往前推进。 Traceability（可追溯性） 每一步 Agent 做了什么、看到了什么、基于什么做的判断，都能事后查回去。欧盟对 AI 决策的合规要求，核心就是这个。 OPC（One Person Company，一人公司） 一个人加一队 AI Agent，撬动过去需要一整个团队才能做的事。 Scout（投资观察员） 大基金分给个人一笔钱，让他去挖早期项目。Alyssa 自己就是 a16z 的 Scout，本期她讲了这个机制的规则：只能投种子轮及更早。 GEO（生成式引擎优化） SEO 的 AI 时代版本：让你的内容在 AI 生成的答案里被引用到。 --- 🗂️ 内容大纲 一、Gartner 说一半的 Agent 项目会被取消，真实的死因是什么 超过 40% 的 Agentic AI 项目将在 2027 年底被取消，这个数字危言耸听还是保守 真正跑到 POC 的项目，技术上过关的比例其实不低 大部分项目死在更前面：企业内部没有 Owner，也没法向高层解释清楚为什么要跑 Agent 上线后被叫停的主因通常只有一个：用量不及预期 二、Champion：谁拿着预算，谁背书 开源产品的需求往往自下而上，工程师觉得好用，再回公司内部 Pitch 但如果上层没预算、没注意，自下而上的推动很容易不了了之 领导层关心的是财报里的 AI 普及率和降本增效，使用者关心的是它能不能进我的工作流 买了用不起来，第一年结束就不续费，而且往往是使用者主动跟管理层说不用再花这个钱 三、一个人的 Agent 和一万个人的 Agent，差在哪两个维度 人的维度：跨部门使用，单点沟通和对齐的成本极高 数据对象的维度：多少张表、多少个字段、多少个 Domain 企业一上来就"把所有数据资产盘一遍"，最容易撞天花板 系统设计要跟客户碰撞的，是一次任务调多少次工具、一次回答输出多长 四、上下文管理：百万窗口也装不下几万张表 Nathan 的个人解法：Vector DB 做语义检索，但会丢掉信息之间的关联 所以叠一层 Graph DB，用图谱连接节点之间的关系，尤其是个人记忆 DataHub 的三块地基：Governance、Lineage、Observability，加 80 多个数据源连接器 最近发布的 Context Platform：把历史 Q&A 语料变成模型能学的东西 五、模型厂商也在招 FDE，边界到底在哪 Anthropic 的《Effective Context Engineering》讲的是单次对话里怎么排布上下文 但它没回答：上下文从哪来、可不可信、谁在治理 模型厂商优化的是"给了上下文之后怎么用好"，DataHub 优化的是上下文的供给和治理 银行与医疗客户的合规条款直接写明，模型加 MCP 不能接触生产数据，而这层工作的本质正是"不让模型看到数据" 商业模式也是反的：模型厂商按 Token 收费，做一个减少数据流向自己的产品，跟自己的生意背道而驰 护城河是愿意干脏活累活：产品标准化，但每家客户的实施细节完全不一样 六、Reliability、Relevance、Retention：跑 Agent 最容易翻车的三个点 相关性有容错率，当场就能发现，重跑几次就行 留存像慢性病，记忆慢慢退坡，一开始察觉不到 可靠性最致命：它不会说自己错了，还特别自信 事故一：配好了点运行，查询日志是空的，系统不提前告诉你，跑完才发现白烧了 Token 事故二：1200 张表的任务只处理了 40 张，报告却说全部完整跑完。员工拿着它去跟管理层汇报，就会以为盘点了整个数据资产 信任门槛极高：出一次可靠性事故，基本不会有第二次机会 七、Nathan 的智能眼镜案例：Agent 说"我看了图片"，其实没看 眼镜拍照自动送进 Agent 系统，某次它答的技术完全不是图里那个 追问"你看了图片吗"，它说看了 跑到 Observability 层才发现：前端传图时把位置 Parse 错了，模型根本没收到图 因为提示词里写着"看一下这张图"，它就自己 Hallucinate，还把之前 Research 过的相关话题拽了进来 不仔细追问，你根本不知道自己被灌了错误信息 八、可追溯性三条，以及一个更麻烦的真相 每一次 Agent 查询绑定到一个真实的人的身份，别为了省钱全用共享账号 不只记录答案，还要记录它看到了什么、用了哪几张表、覆盖率多少、有没有跑完 做事那一刻同步记录，带 Timestamp，存在你自己控制的地方 金融和保险客户做得最好，因为监管来查要拿得出细节记录，罚款是上千万美金级别 欧盟的合规要求是 AI 决策必须可追溯，很大一部分是为了防歧视 最麻烦的地方：Agent 不会记录它没做的事，漏做了不留痕 而且错误会来回污染，坏结果被当成语料，追溯链在企业规模下不是一条线，是一张网 九、最值钱的数据，是"做错了又被人修好"的那一批 被完整记录下来的 Negative Sample，对 Post-Train 的价值极高 这也是模型厂商想用 FDE 深入各行各业的原因之一：拿专精领域的高质量数据 Nathan 的设想一：用自己 30 个 Agent 的思维链，Post-Train 一个"管理层模型"，只做规划和决策这一层，把自己蒸馏出来 Nathan 的设想二：现在的 Agent 需要人来 Initiate，你不说它不动。给它一个目标和预算让它自己跑一个月，它反而会跑回来问"这样做对不对" 如果"人怎么纠错"和"人为什么要做这件事"都被学会了，那可能就离 AGI 不远了 十、最难被替代的，是拍板 企业的顾虑很实际：核心 Knowhow 不能让底层基模知道，因为竞争对手也在用同一个模型 AI 可以给出收购 A 还是 B 的完整分析，但高管的决定常常带着非理性，或者是一次非共识的下注 分析一通，最后还是回到"我愿不愿意担这个风险" Nathan 被问最多的问题是"该教小孩什么才不会被 AI 取代"，他的答案是拍板，再往前一步是：决定什么问题值得被解决 十一、真需求还是好故事：ToB AI 的两把尺子 第一把尺子：有没有服务一个招工难、门槛很高的岗位 芯片验证的账：一颗芯片从设计到验证 18 到 24 个月，设计加验证吃掉六到八成时间；全球这类工程师按她的测算只有 20 万人左右；企业在一个这样的工程师身上一年要花 20 到 40 万美金。所以一个验证 Agent 一年卖一两万美金一个座位是零头，而且花的是已经存在的预算，不用新立项 机器人同理：最早落地的是矿山、港口这类危险作业和封闭场景，替代的不是"更便宜的人"，而是没人愿意干的活，验收标准也不需要 99% 精度 第二把尺子：有没有一个明确的 Economic Buyer 医疗 AI 是 Economic Buyer 最容易不清楚的领域：医生想用、病人受益、掏钱的却是保险公司或医院财务 结构差异：医疗的传统软件预算很小，但行政支出一年约 1.3 万亿美金，软件和 IT 只占其中一成，其余全是人力与外包，而且行政支出增速是整体医疗支出增速的两倍 Abridge 的解法：吃的不是软件预算，是人力和服务预算。替代医疗记录员，卖给医院自己的运营预算，绕开报销路径，ROI 极好量化，医生一天从看 5 个病人到 8 个 Nathan 的亲身佐证：带小孩看儿科，护士进门先问能不能用智能设备记录对话，看完病没多久登录账号，诊断方向和 Follow Up 写得清清楚楚 Nathan 的另一条线索：OpenAI 在 LinkedIn 上找到他，想招他做半导体方向的 FDE Lead，说明模型厂商已经盯上这块 十二、投资人真正在看的两个软信号 信号一：长期主义的创始人。Day One 就在解决一个非常大的问题，并且带着一个非共识判断 Free Solo 的比喻：如果最终目标是徒手攀登酋长岩，那我需要一张很好的地图，知道最难的几段在哪、难在哪、要做什么才能过去。长期主义的创始人在很早期就能把这个答得大差不差 信号二：团队的凝聚力和挫伤。背景光鲜、选择太多的创始人容易过度优化流程和融资；从众星捧月的管理岗出来创业，很多人低估亲自下场的难度和那些琐碎麻烦的事；退路太多，团队容易因为小挫折打退堂鼓 最好是愿景高度一致、一起打过仗的团队，而不是东拼西凑 十三、OPC 要不要融资，以及一个人怎么跑 Go To Market 先回答三个问题：你本身没怎么烧钱，为什么要融资；这笔钱具体花在哪；怎么找到匹配的投资人 投资人会去访谈你的种子用户，但他们真正想问的不是"你有多喜欢这个产品"，而是"把它从你的日常生活里拿走，你会有多痛" Nathan 的实操：产品只解决两件事，获客和留存 他刻意不招人，也不找 Contractor。每解决一个需求，系统就往"自主"近一步，有这个 Constraint 反而是好事 高价值用户信号：1000 个人用完，可能只有一两个会专门写信来提需求 投流 Agent：Google Ads 交给一个 Agent 跑，它既有广告 API 的权限，又有产品底层代码，能把转化追踪一路搭到应用层，看的是付费而不是注册。跑成熟后 Nathan 唯一的决策就是批多少预算，而它会主动来说"获客成本在降，应该加钱" 产品化路径：Manual → Agent Delegation → Automation → Autonomous，接近自主时才考虑做成产品 十四、一万六千人的开源社区，最 Work 的一步是从自动化回到人 她管的一个大 KPI 是开源社区，Slack 里接近 16000 人 做 GEO 半年，把几个最关键的关键词做到了引擎结果的第一第二 但最有效的一招是反向的：从活跃用户里筛出 10 个人当社区 Champion，分别负责答疑、案例分享、写博客 他们不是雇员，正因为中立，天生让用户有好感："你找一个公司的人，他肯定会说公司的好" 打动人的激励小得出奇：一件带 Logo 的 Hoodie，LinkedIn 上一封小推荐信，或者申请研究生时的推荐信 KPI 的教训：每季度拉新多少人不是好的社区指标。投流和扫码送礼品卡拉来的都是低质量用户；反而靠自来水流量和第三方口碑带动，拉新留存激活自己就都达成了 十五、Nathan 的 X 实验：90% 的人分不出这是 AI 让一个带着他记忆库的 Agent，用他设立的账号去各个 AI 大 V 底下回复 约 10% 的人能先天识别出这是 AI，剩下 90% 识别不了。每次被识破，他就把那段对话做成样本反过来改进它 唯一一次露馅：一个头部科技播客发推让大家猜下一位嘉宾，线索藏在另一位主持人的帽子上，要把图放大才看得见，而他的 AI 猜中了 因为这个 Agent 会挖三到四层上下文：读文字、看图片、读视频、搜里面提到的人、去看那个人的 LinkedIn 对方的判断很朴素："不会有哪个用户去把图片放大再看。"于是问他是不是 AI，Nathan 就承认了 现在 AI 露馅的方式变了：不是内容不行，而是细节。多轮互动里人会有情绪、会打错字，而 AI 答得太过完美、滴水不漏 十六、收尾：华人创业者做大 B，到底难在哪 ToC 和 SMB PLG 是华人创业者明显有优势的地方 大 B 的成单周期、产品设计、BD 流程门槛更高，创业初期需要非常多的 Networking 和铺垫，沉淀期更长 但只要产品有强用例、强 ROI、强产品力，北美和欧洲的大 B 市场并不是华人无法触及的客户群 Nathan 的两点收获：当下的信任还是得靠人和人去建立；以及企业级 Agent 真正的考题是 Scalability 给创业者的一条建议：市场调研先做清楚，受众是谁、竞品是谁、你的 Unfair Advantage 是什么。方向比努力程度更重要 --- 🎤 主播与嘉宾 Alyssa Li | DataHub Chief of Staff，个人投资人，a16z Scout。此前在 Bessemer 做投资，更早在软银和高盛特殊机会投资部，约六年投资经验，从晚期项目一路走到种子轮及更早。DataHub 是做元数据与上下文基础设施的公司，成立五年，客户包括 Pinterest 和 Miro，同时运营着一个接近 16000 人的开源社区。 AI-Nate | 硅谷 AI Builder，ClawBot 与 AgentOS 的创造者。一个人跑 30 多个 Agent，18 周做了 18 个产品，AI 课程导师，「硅谷洞察局」主播。这一期他带的是"一个人的 Agent 系统"这一侧的视角，所以从上下文设计到可追溯性，两边对得上号。 --- ⏱️ 时间戳 00:00 开场 & 嘉宾介绍 02:48 Gartner 预测：超过 40% 的 Agentic AI 项目会被取消 03:42 真正的死因不是技术，是没有 Owner 05:10 Champion：谁拿着预算，谁背书 06:33 领导层看财报里的 AI 普及率，使用者看上不上手 08:52 一个人跑 30 个 Agent vs 企业跑 Agent：两个维度同时变大 11:36 上下文管理：百万窗口装不下几万张表 13:56 DataHub 的三块地基：Governance / Lineage / Observability 15:18 Context Platform：把历史 Q&A 变成模型能学的语料 16:13 Nathan 的记忆层：Vector DB 丢关系，所以要加 Graph DB 17:37 模型厂商也在招 FDE，边界在哪 19:00 Anthropic 那篇《Effective Context Engineering》没回答的问题 20:26 银行和医疗客户：模型加 MCP 不能碰生产数据 20:44 商业模式是反的：模型厂商按 Token 收费 21:50 护城河是愿意干脏活累活 22:18 三个 R：Reliability / Relevance / Retention 25:52 为什么可靠性最致命：它不会说自己错了 26:35 1200 张表只处理了 40 张，报告却说全部跑完 27:40 Nathan 的智能眼镜：Agent 说"我看了图片"，其实没看 31:46 可追溯性三条：绑身份、记过程、带时间戳 33:31 金融保险为什么做得最好：罚款是上千万美金级 34:34 Agent 不会记录它没做的事 34:57 错误会来回污染：追溯链是一张网 35:14 Negative Sample 才是最值钱的数据 36:38 用自己的思维链 Post-Train 一个"管理层模型" 38:31 下一步是 Initiator：让 Agent 自己发起 41:41 企业的顾虑：核心 Knowhow 不能让基模知道 42:33 最难被替代的是拍板能力 43:34 该教小孩什么：决定什么问题值得被解决 45:46 真需求还是好故事：换到投资人视角 47:28 第一把尺子：有没有服务一个招工难的岗位（芯片验证的账） 49:18 第二把尺子：Economic Buyer 是谁（医疗 AI 为什么最容易卡住） 49:56 医疗的结构差异：软件预算小，行政支出一年 1.3 万亿 50:23 Abridge 吃的不是软件预算，是人力预算 51:47 Nathan 带小孩看儿科时遇到的同类产品 54:02 OpenAI 找上门：半导体方向的 FDE Lead 56:23 投资人视角：什么样的信号会让你想投 58:30 Nathan 在做的事：给 OPC 造一套 Operating System 63:11 OPC 要不要融资？先回答钱花在哪 66:05 投资人真正问的是：把产品拿走，你会有多痛 67:20 信号一：长期主义 + 非共识（Free Solo 的地图） 69:11 信号二：退路太多的团队，容易因小挫折打退堂鼓 70:06 OPC 实操：产品只解决获客和留存两件事 71:49 为什么刻意不招人 76:03 投流 Agent：从 Manual 到 Autonomous 79:14 产品化路径：Manual → Delegation → Automation → Autonomous 81:03 一万六千人的开源社区怎么带 82:28 最 Work 的一步是反向的：从自动化回到人 83:51 10 个社区 Champion：他们不是雇员 85:43 KPI 的教训：拉新数字不是好的社区指标 86:43 Nathan 的 X 实验：90% 的人分不出这是 AI 88:35 唯一一次露馅：AI 猜中了藏在帽子里的线索 91:48 AI 现在露馅的方式：答得太过完美 92:16 一个人的瓶颈：怎么跟用户建立情绪连接 93:13 收尾：华人创业者做大 B 到底难在哪 97:49 嘉宾推荐：《This Is Water》与《High Growth Handbook》 99:15 给创业者的一条建议：方向比努力程度更重要 --- 🔗 本期提到的资料 《This Is Water》 David Foster Wallace 2005 年在 Kenyon College 的毕业演讲。Alyssa 说她基本上每几个月会重看一次。 https://fs.blog/david-foster-wallace-this-is-water/ 《High Growth Handbook》 Elad Gil 著，全文免费在线。她推荐给初次创业者，帮你提前预告会遇到什么样的决策和问题。 https://growth.eladgil.com/ 《Effective Context Engineering for AI Agents》 Anthropic 工程博客，2025 年 9 月 29 日发布，本期讨论边界时反复提到的那篇。 https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents Free Solo 攀岩者 Alex Honnold 徒手攀登优胜美地酋长岩的纪录片，本期"最难的几段在哪里"那个比喻的出处。 --- 📮 联系我们 播客邮箱：[email protected] 欢迎评论区留言交流，转发支持！ --- 🎙️ 「硅谷洞察局」听友群开放中！扫码进群，和 Nathan 直接聊，认识同样关注 AI、Agent 和硅谷动态的朋友们。 👉 扫码进群，和 Nathan、Siky 直接聊 🎯 告诉我们下期你想听什么 🤝 认识同样关注 AI 和硅谷动态的朋友们 --- 🎁 听众福利 想看看 Nate 一天是如何和30个智能体一起工作的？Nate 开设了一堂免费快闪课程——从零开始，用 Nate 自主开发的 ClawBot 产品和背后的 AgentOS 系统，开启你一人公司的旅程。不需要编程基础，跟着做就行。 👉 免费报名：Claude Code & Cowork: Build Your One-Person Company Crew

🎙️ 硅谷洞察局 EP12 | 一人公司是风口还是伪命题？对谈不看好OPC的进击波沈帅波 一线洞察，深度思考。硅谷核心科技从业者，带你触摸AI变革深处。 --- 📌 本期看点 波波老师一直公开表示不看好重项目交付的 OPC（一人公司），而 Nathan 正好是 OPC 的全职践行者：一个人带三十几个 Agent，同时跑产品、咨询、课程和一档播客。这期跨国串台，就是让两种立场当面对质。 从"客户买的是人还是 AI"，到 5-6 人干 5 个月的 MVP 如今 2-3 天搭完，到流量派 vs 品牌派的概率之争，再到 Token 经济的十倍定价法则——OPC 到底是普通人的新基建，还是又一个被高估的概念？两个都在一线下注的人，把这件事聊透了。 对谈也从硅谷的真实体感切入：为什么最焦虑的不是普通打工人，而是转会费上亿美金的顶尖研究员？大厂到底在裁人还是招人？Fable 5 上手一个月的一手体验如何？以及一个越来越清晰的判断：未来会有更多人被逼走上一人公司这条路——等你看到浪潮再上车，就已经晚了。 不站队，不布道。聊清楚这个时代到底在奖励谁。 --- 💬 本期金句 "我花了一周时间去问人，不如用 AI 一周把这东西跑出来，让市场去验证它到底值不值得做。" —— Nathan 01:04:01 "如果你看到浪潮已经来了，周围人都问你要不要做，其实就已经晚了。" —— Nathan 01:11:06 "现在硅谷弥漫着担忧和恐慌。最焦虑的不是普通知识工作者，反而是那些最顶尖的研究员，每天担心自己的工作不保。" —— Nathan 00:12:25 "肉身对抗 AI 是注定失败的。AI 的发展就是在做空你个人的价值，对抗做空，你必须有一部分资金参与到 AI 的交易里。" —— 波波老师 00:41:03 "当客户购买你的服务时，其实他买的是一个人。如果他只想买一个 AI，他不需要找你。" —— 波波老师 00:31:28 "机器没有浮亏的痛苦，人有。所以很多大游资已经干不过机器，缴械投降了。" —— 波波老师 00:48:00 "所有人都在卖 Token：英伟达在卖，谷歌在卖，我也在卖。OPC 要做的，就是找到让 Token 十倍增值的那个应用点。" —— Nathan 00:51:50 "你今天还在讨论泡沫有多大、这个东西是不是成立，基本就站在了时代的对手盘上。" —— 波波老师 01:12:44 --- 📖 本期术语速查（听到不熟悉的词？翻这里） OPC（One Person Company，一人公司） 一个人 + AI Agent 军团撬动过去需要一整个团队才能做的生意。本期核心辩题。 Agent（智能体） 不只是聊天的 AI，而是能自主调用工具、写代码、跑长任务的"能干活的 AI 员工"。 SOTA 模型（State of the Art） 当前性能最强的前沿大模型。本期提到的 GPT-5.6、Fable 5、Gemini 都属于这一梯队。 Long Horizon（长程任务） 需要 AI 连续自主工作几十分钟甚至更久的复杂任务。Nathan 认为这是 Fable 5 和上一代模型拉开差距的地方。 Harness（执行框架 / 脚手架） 围绕大模型搭建的系统：记忆、技能、工作流、自我迭代机制。Nathan 的观点：Harness 必须适配最强模型来设计。 Token（词元） AI 处理语言的最小单位，也是 AI 时代的"燃料"。用得越多干活越多，也越贵。 Token 经济十倍法则 Nathan 的产品定价标准：花 10 块钱买的 Token，做成产品卖 100 块，用户用它赚回 1000 块。三层各赚十倍，闭环才成立。 Mag 7（七姐妹） 美股七大科技巨头：苹果、微软、谷歌、亚马逊、英伟达、Meta、特斯拉。 New Labs 从 OpenAI、Anthropic、Google 出走的顶级研究员创办的新型 AI 实验室，赌一条不同的技术路线，是当下硅谷融资最热的方向。 量化交易 用数学模型和程序自动买卖股票。波波披露：美股 + A股每天 30%-40% 的交易额由机器完成。 Paper Trading（模拟盘） 用真实市场数据、虚拟资金练手的炒股方式。Nathan 的炒股 Agent 目前跑的就是模拟盘。 FDE（Forward Deployed Engineer，前置部署工程师） OpenAI、Anthropic 新设的职业：既懂 AI 又懂行业的人，被"部署"进企业帮它完成 AI 化。Nathan 认为这就是未来 OPC 的原型。 GEO（Generative Engine Optimization） 让你的网站和数据更容易被 ChatGPT、Perplexity 等 AI 搜索引用——AI 时代的新 SEO。 --- 🗂️ 内容大纲 一、此刻的硅谷：狂热还是恐慌？ 股市单日震荡 15%：考验信仰的时刻 Meta 卖算力：一夜之间反转的华尔街叙事 AI 的三件事：算力、算法、数据，以及被带飞的半导体产业链 二、薪资、融资与一种反直觉的焦虑 VC 还是愿意给钱，但门槛随技术水涨船高 New Labs：顶级研究员出走创业，融资最火的方向 转会费上亿美金的研究员，为什么最怕被 AI 取代？ 大厂裁人还是招人：10 人产品线 → 1 人带几十个 Agent Anthropic 工程师的日常：一周开会不超过 30 分钟 三、Fable 5 一手体感 争议：管制中国用户 + 挤压就业，OpenAI 的 5% 股权提议 Nathan 的真实测评：自主性、锲而不舍、更烧 Token 模型分工学：既定工作流给 Opus 4.8，开放探索给 Fable 5 四、OPC 辩论：不看好 vs 全职实践 杠杆对比：5-6 人干 5 个月的 MVP，现在 2-3 天 18 周 18 个产品：为什么最后长出了一个自进化系统 波波：内容行业做不成 OPC，因为客户买的是人 那不勒斯的顿悟：跳出生态位，AI 是解放不是对手盘 莆田系与福建帮：流量派 vs 品牌派，一道概率题 五、AI 炒股与量化真相 用 AI 资产对冲"个人价值被做空"——波波的投资观 Nathan 的炒股 Agent：模拟盘 4 月至今 +18% 美股 A股 30%-40% 的交易由机器完成 六、Token 经济与 OPC 的变现闭环 大模型时代的产品必须付费：免费用户都在烧你的钱 十倍法则：10 块的 Token，卖 100 块，帮用户赚 1000 块 给 OPC 卖铲子：自进化的 AgentOS "给你 1000 个本科生你会做什么"：从降本增效到做大蛋糕 七、系统、复利与时代 从 OPC 到 OPS：一人系统，输入-输出-放大的循环 产品会死，能力沉淀进系统——《伟大的复利》的 AI 版本 三支柱：System × Product × Business 最好的时代，最坏的时代：依附型的人 vs 系统型的人 看到浪潮再上车，就已经晚了 --- 🎤 对谈嘉宾 沈帅波（波波老师）| 进击波财经主理人、湃动品牌战略咨询 CEO，新生代财经作家，《迭代》《瑞幸闪电战》《伟大的复利》作者，全网累计阅读量过亿 AI-Nate | 硅谷 AI Builder，硅谷洞察局主理人，18 周打造 18 个 AI Agent 产品，ClawBot 与 AgentOS 创造者，一人公司践行者 --- ⏱️ 时间戳 00:00 冷开场：与其花一周问人，不如让 AI 跑一周 00:31 串台介绍：进击波 × 硅谷洞察局 02:40 此刻的硅谷：狂热还是冷静？ 05:09 Meta 卖算力：华尔街叙事一夜反转 06:43 创业者融资体感：钱还在，门槛更高了 07:25 New Labs：顶级研究员出走创业潮 09:36 让 AI 训练 AI：上亿转会费背后的逻辑 12:25 反直觉观察：最焦虑的是最顶尖的研究员 12:56 大厂裁人还是招人？1 人带几十个 Agent 的产品线 14:43 Anthropic 朋友：一周开会不超过 30 分钟 15:16 Claude Code 按周发版，80% 代码由 AI 写 17:00 Fable 5 争议：管制、就业冲击与 5% 股权提议 17:56 Nathan 的 Fable 5 一手体感：自主性与锲而不舍 20:27 模型分工学：工作流给 Opus 4.8，探索给 Fable 5 20:40 OPC 辩论开局：波波为什么一直不看好？ 21:38 杠杆对比：5 人 5 个月的 MVP，现在 2-3 天 24:30 18 周 18 个产品：长出一个自进化系统 26:33 波波：内容行业的客户，买的是人 28:39 那不勒斯的顿悟：AI 是解放，不是对手盘 29:57 用"出版人 Skills"打磨新书书稿 32:10 莆田系与福建帮：流量派 vs 品牌派 33:28 程序员的价值转移：名校 CS 毕业生的寒冬 35:33 创作者的价值转移：只打磨 Keynote，分发全交给 Agent 38:51 概率视角：品牌派拉爆率，流量派堆数量 40:55 波波投资观：对冲"个人价值被 AI 做空" 42:25 Nathan 的炒股 Agent：模拟盘 4 月至今 +18% 47:01 量化真相：30%-40% 的交易由机器完成 48:26 OPC 怎么变现：大模型产品必须付费 50:14 Token 经济闭环：10 块卖 100，帮用户赚 1000 53:23 给 OPC 卖铲子：自进化 AgentOS 55:33 FDE：未来 OPC 的职业原型 56:34 "给你 1000 个本科生"：把蛋糕做大 58:37 Loop 引擎、AI 投广告与 GEO 61:12 人的价值：一双发现问题的眼睛 62:43 从 OPC 到 OPS：一人系统与自驱力 65:00 复利与系统：产品会死，能力沉淀下来 66:31 三支柱：System × Product × Business 68:07 最好的时代，最坏的时代 71:06 看到浪潮再上车，就已经晚了 72:44 结语：别站在时代的对手盘 --- 📮 联系我们 播客邮箱：[email protected] 欢迎评论区留言交流，转发支持！ --- 🎙️ 「硅谷洞察局」听友群开放中！ 👉 扫码进群，和 Nathan、Siky 直接聊 🎯 告诉我们下期你想听什么 🤝 认识同样关注 AI 和硅谷动态的朋友们 --- 🎁 听众福利 想看看 Nate 一天是如何和30个智能体一起工作的？Nate 开设了一堂免费快闪课程——从零开始，用 Nate 自主开发的 ClawBot 产品和背后的 AgentOS 系统，开启你一人公司的旅程。不需要编程基础，跟着做就行。 👉 免费报名：Claude Code & Cowork: Build Your One-Person Company Crew

🎙️ 硅谷洞察局 EP11 | 硅谷增长最疯狂的 AI Agent 公司: Fable 5 深度剖析(刚被美国政府叫停) × Replit 背后的 AI 哲学 一线洞察，深度思考。硅谷核心科技从业者，带你触摸AI变革深处。 --- 📌 本期看点 Claude Fable 5 发布 48 小时，我们请到了 Replit Agent 发明人李珎（Zhen Li）——2024 年 9 月，他从 0 到 1 发起、原型并主导发布了世界上第一批面向大众的 AI Agent 产品，Karpathy 亲自转发；此后一路把 Agent 迭代到第 4 代，把一家云 IDE 公司变成"AI 在云端写代码"的平台。Agent 贡献 $400M+ ARR，Replit 被评为全球增长最快 B2B 厂商第 1（a16z AI 消费报告第 3）；今年 4 月，他的 Replit pitch 被 Elon Musk 转发，收获 2000 万+ 浏览：https://x.com/elonmusk/status/2040685567592317031 Fable 5 一上手，他睡前丢给它一个研究任务，早上收到一篇他自认"超过自己水平"的论文——这是他第一次放心把 frontier research 交给模型。 这一期，他把 Replit 内部怎么跟着模型"自我毁灭再重生"地重写 Harness、怎么用"穷人版强化学习"让 Agent 自我进化、以及为什么说 Self-Evolving Agent 是一个 one billion dollar 的问题，全部讲透了。还有那个靠 Replit 一个人撑起 projected 15 亿美金收入的故事。 这不是发布会复读，是 Fable 5 第一批深度用户给你的第一手工程报告。 --- 💬 本期金句 "Fable 写出来的 paper，质量可能比我这个 AI 研究员能达到的水平还要高。" —— 00:09:41 "作为 AI engineer，我的活一直在被模型不断地干掉，但我的活也在不断地自我更新。" —— 00:16:01 "Harness 和 AI engineer 的工作，都处在一个高速自我毁灭和自我重生的过程当中。" —— 00:16:17 "当你的 Harness 足够 general 的时候，你就变成了 Claude Code。" —— 00:26:51 "我管它叫穷人版的 Reinforcement Learning——改 prompt 和 Harness 非常便宜，你不需要 train model。" —— 00:38:33 "今天的 Self-Evolving Agent 都在做 forward pass，没有 backward pass。" —— 00:43:55 "真正最好的 distill 方式是什么？我们现在讨论的已经是一个 one billion dollar 的问题。" —— 00:48:21 "人脑比模型好的一个很明显的优势：人面对任何事情都有 gradient。" —— 00:54:00 "在休斯顿，没有一个 Uber 司机听说过 Vibe Coding，一半的人没用过 ChatGPT。" —— 01:05:43 "工具已经完全 ready 了，需要的是把 AI 从 local optimal 拽到一个全新 global optimal 的人。" —— 01:22:56 "Stay humble, and increase imagination." —— 01:36:14 --- 📖 本期术语速查（听到不熟悉的词？翻这里） Fable 5 / Mythos 5 Anthropic 2026 年 6 月 9 日发布的新一代模型。Fable 5 是首个向公众开放的 Mythos 级模型（带安全护栏）；Mythos 5 是同一模型的无限制版，仅向网络防御机构开放。本期全程围绕它展开。 Long Horizon（长程任务） 需要模型连续工作几小时甚至几天的任务，比如通宵写一篇带 benchmark 的论文。李珎认为这是 Fable 5 最大的能力跃迁——任务越长，它的领先越明显。 Harness（执行框架） 包住模型的整套"脚手架"：prompt、工具、memory 系统、agent 架构。模型每升级一代，Harness 就要推倒重来一次——本期核心话题。 Vibe Coding（氛围编程） 用自然语言描述需求、让 AI 写代码，人只提需求和验收结果。在硅谷无人不知，在休斯顿无人听过——本期重要的市场洞察。 Citizen Developer（平民开发者） 不懂代码但想做软件的人。全球会写代码的只有约 6000 万人，占 80 亿人口不到 1%——Replit 押注的是剩下的 99%。 Primitives（原语） 一个产品平台提供的基础能力单元：文件系统、数据库、部署、域名、画布……李珎的产品方法论：好产品 = 足够多且足够适合的 primitives，揉成优秀的产品形态。 Self-Evolving Agent（自我进化智能体） 能根据运行 trace 自己修改自己 prompt、Harness 甚至源代码的 Agent。李珎认为现在还处于"蛮荒时期"，是下一个十亿美金方向。 Forward Pass / Backward Pass（前向/反向传播） 模型训练术语。前向 = 根据已有信息生成新信息；反向 = 根据误差回头修正权重。李珎的暴击观点：今天所有 self-evolving agent 都只有 forward pass，缺少真正的"学习"机制。 Gradient（梯度） 告诉系统"往哪个方向改会更好"的信号。模型训练有 gradient，今天的 Agent 进化没有——而人脑面对任何事情都有 gradient，这是人暂时不可替代的原因。 Overfitting（过拟合） 针对个别案例优化过头、失去泛化能力。比如 agent 在某个 trace 里写 Minecraft 砖块出了 bug，就往 prompt 里加一句"写砖块注意这个问题"——跑一百万个 trace 时这种补丁会毁掉系统。 Vibe Bench Replit 自研的端到端 benchmark：给 Agent 一份 PRD，让它开发出产品，再由 testing agent 逐项验收打分。Fable 5 已经把它刷到 90 多分——benchmark 先饱和了。 AutoML Google Jeff Dean 早年的设想：用 1000 倍算力让模型自己搜索最优神经网络结构。因为没有 gradient、靠启发式搜索，最终没有大成——李珎用它类比今天 self-evolving agent 的困境。 PLG（Product-Led Growth，产品驱动增长） 不靠销售和广告，靠产品口碑自然裂变获客。Replit 很长时间几乎纯靠 PLG，直到最近才开始在时代广场和机场投广告。 FDE（Forward Deployed Engineer，前线部署工程师） 模型公司把工程师带着 AI 派驻到法律、医疗等垂直行业头部公司、以股份合作换数据的新模式。OpenAI 和 Anthropic 都在做——既赋能行业，又拿到最专精的训练数据。 AI Literacy（AI 素养） 让普通人理解"AI 能帮我做什么"的教育过程。很多人装了 OpenClaw 又卸掉，不是工具不行，是不知道用它干什么——adoption 的真正瓶颈之一。 --- 🗂️ 内容大纲 一、Fable 5 初体验：Long Horizon 的震撼 第一体感：思考更长、更慢，简单任务看不出差别，长任务才见真章 睡前发任务，早起收一篇超过自己水平的 paper：第一次放心把 frontier research 交给模型 Nate 实测：让 Fable 5 讲透 HBM 芯片工艺——连半导体行业的隐秘 knowhow 都挖得出来 Fable 5 为什么强：更大的模型、数学家都出不出题的专家数据、更多 RL 前端审美大跃升：极其 steerable，Replit Design Mode 霸榜 Design Arena 世界第一的背后 二、模型一更新，Harness 就重生 "自我毁灭与自我重生"：Sonnet 3.7 发布后，两周重写整个 Agent 模型迭代从 6 个月一代到 3 个月甚至更快——你的 assumption 必须跟着作废 Fire and Go：Fable 5 擅长拆解任务、自主编排，Agent 4 的 task system 与并行任务 Harness 的微妙平衡：太 general 你就成了 Claude Code，太专精你就成了 workflow 公司 Primitives 理论：从 Canva 到 Replit 到 Claude Code，好产品 = 足够多且适合的原语 三、Self-Evolving Agent：穷人版 RL 与十亿美金问题 最早的进化是人脑当 optimizer：看 trace、改 prompt、调 Harness Vibe Bench 把手动挡变自动挡：agent 自己跑分、自己提假设、自己改 Harness Replit Animation 的 8M views 发布视频，就是 Harness 自己学出来的 暴击观点：今天的 self-evolving 只有 forward pass，没有 backward pass——AutoML 的前车之鉴 Overfitting、memory MD"大力出奇迹"、最好的 distill 方式是什么？一个 one billion dollar 的开放问题 人的不可替代性：人脑面对任何事情都有 gradient 四、99% 的人还没上车 休斯顿 Uber 司机调研：没人听过 Vibe Coding，一半人没用过 ChatGPT Replit 的世界观：6000 万程序员之外，是 80 亿人的 Citizen Developer 市场 Adoption 三要素：产品把门槛打下来、模型把价格打下来、教育把认知补上来 从纯 PLG 到时代广场广告：研发型公司的 GTM 转身 "我妈还在问什么是 Fable"——迭代速度已经超过了世界的接收速度 五、一个人的 Billion Dollar Company Madeline 的故事：一个人（加一个挂名买保险的哥哥）靠 Replit 撑起 projected 15 亿美金收入 为奶奶设计的出生日期按钮：non-technical 创始人的产品直觉 肯尼亚 13 岁的宝可梦卡店主、印度小城年入 10 万美金的少年 冷思考：杀手级 App 还没出现，Token 烧掉的钱还没换来可度量的 return 工具已经 ready，缺的是把 AI 拽到 global optimal 的 AI Native Builder 六、模型还在中场，想象力才是瓶颈 Vibe Bench 被刷到 90 多分：不是模型到顶了，是我们 measure 不动了 电灯泡类比：灯丝亮起那一刻，没人能想象 AI 的诞生 Anthropic 会吃掉所有产品公司吗？Focus、mission 和"不理智的疯子"是产品公司的护城河 OpenAI / Anthropic 的 FDE 模式：渗透垂直行业 + 数据闭环 七、快问快答 用一个词形容 Fable 5：Long-horizontally smart 未来 12 个月最看好的方向：Self-Evolving Agent 给工程师的一条建议：Stay humble, and increase imagination——肌肉被打碎才会更强，舞台已经搭好，缺的是最有想象力的人 --- 🎤 主播与嘉宾 李珎（Zhen Li）| Replit Engineering Lead（Senior Staff AI Engineer），Replit Agent 发明人——从 0 到 1 发起、原型并主导了全球首批公开发布的 AI Agent 产品，从 Agent 1 一路迭代到 Agent 4；前 Google 搜索 ML 工程师、字节跳动 TikTok 推荐系统工程师 AI-Siky | 斯坦福毕业，10年+硅谷经验，曾主导多家独角兽增长，现任顶级科技公司战略合作负责人 AI-Nate | 硅谷AI工程师，18周打造18个AI Agent产品，AI课程导师 --- ⏱️ 时间戳 00:00 开场 & 嘉宾介绍：Replit Agent 发明人李珎 00:54 ARR 逼近 5 亿美金，大部分来自 Replit Agent 02:07 为什么 Replit 最有资格聊 Fable 5 03:39 AI 产品公司 = 用户和大模型之间的桥梁 06:32 肯尼亚 13 岁男孩与 API Key：为小白做减法的产品哲学 08:00 第一次跑 Fable 5：慢，但 Long Horizon 强到离谱 09:00 睡前发任务，早起收一篇超过自己水平的 paper 10:24 Nate 实测：让 Fable 5 讲透 HBM 芯片工艺 12:26 Fable 5 为什么强：更大模型、专家数据、更多 RL 13:53 前端审美大跃升：Design Arena 世界第一的秘密 15:55 "我的活一直在被模型干掉，也在不断自我更新" 17:40 Sonnet 3.7 来了：两周重写整个 Agent 19:00 模型迭代周期：6 个月 → 3 个月 → 更快 20:00 Nate 的全自动 startup loop：GTM→PRD→开发→部署→反馈 23:30 Fire and Go：Agent 4 的 task system 与并行任务 26:30 Harness 太 general，你就成了 Claude Code 27:25 Primitives 理论：Canva / Replit / Claude Code 三层对比 31:00 每个用户一个会自我进化的 Harness？ 32:48 Self-Evolving Agent 的定义 34:30 人脑是 optimizer：用模型训练类比 Agent 进化 36:20 Vibe Bench：agent 自己跑分自己改 Harness 38:33 "穷人版 Reinforcement Learning" 38:53 8M views 的 Replit Animation 发布视频是 Harness 自己学出来的 40:20 Self-Evolving 还在蛮荒时期 41:13 AutoML 的前车之鉴：没有 gradient 的搜索 43:55 暴击：今天的 self-evolving agent 只有 forward pass 45:07 Overfitting 陷阱：Minecraft 砖块的教训 46:45 Memory MD 是"大力出奇迹" 48:21 最好的 distill 方式 = one billion dollar 问题 54:00 暴论：人脑面对任何事情都有 gradient 57:59 Telescope 系统：用户 bug 自动修复自动上线 01:00:16 用 AB test 喂 agent 审美？CTR 优化的明星绯闻陷阱 01:04:14 Replit vs Lovable：严肃用户与快速 prototype 的分野 01:05:43 休斯顿 Uber 司机：没人听过 Vibe Coding 01:06:39 Bet on 99%：6000 万程序员之外的 80 亿人 01:08:16 从纯 PLG 到时代广场广告 01:10:38 AI Literacy：装了 OpenClaw 又卸掉的人们 01:12:48 "我妈还在问什么是 Fable" 01:14:18 AI 应用 adoption：还在中场，甚至更前 01:14:50 两年前的预言：GPT-4 写得比他招的前端工程师好 01:16:09 一个人的公司：Madeline 与 projected 15 亿美金收入 01:18:27 为奶奶设计的出生日期按钮 01:19:52 肯尼亚卖卡少年与印度小城"首富" 01:20:42 Killer App 还没出现，return 仍是问号 01:22:56 工具已 ready，缺的是把 AI 拽到 global optimal 的人 01:25:14 模型没有瓶颈，是 benchmark 先饱和了 01:26:54 想象力才是绝对瓶颈：电灯泡类比 01:28:37 Anthropic 会吃掉所有产品公司吗？ 01:31:59 OpenAI / Anthropic 的 FDE 模式与数据闭环 01:35:17 快问快答：Long-horizontally smart 01:36:59 我们需要更多 Steve Jobs：Not because it is easy 01:38:25 结语 & 听友群 --- 📮 联系我们 播客邮箱：[email protected] 欢迎评论区留言交流，转发支持！ --- 🎙️ 「硅谷洞察局」听友群开放中！ 👉 扫码进群，和 Nate、Siky 直接聊 🎯 告诉我们下期你想听什么 🤝 认识同样关注 AI 和硅谷动态的朋友们 --- 🎁 听众福利 想看看 Nate 一天是如何和30个智能体一起工作的？Nate 开设了一堂免费快闪课程——从零开始，用 Nate 自主开发的 ClawBot 产品和背后的 AgentOS 系统，开启你一人公司的旅程。不需要编程基础，跟着做就行。 👉 免费报名：Claude Code & Cowork: Build Your One-Person Company Crew