曲凯
There's something there。好，我们今天很开心请到了 Kuse 的 CTO 宇豪，来跟大家打个招呼，介绍一下自己吧。
宇豪
我叫宇豪，是 Kuse 的 CTO。我之前一直在 AI 行业，16 岁进入浙大，之后去 CMU 读硕士，再后来去了 Facebook，也就是后来的 Meta。早年我在 Facebook 的 Stories 项目，从早期 Hackathon 开始，一路做到最后成为 Facebook DAU 和收入第一的产品线。
后来我在一家日本公司 SmartNews，主要做 AI 和内容审核相关的工作。从 2023 年开始，我做了很多有意思的小事情，也开始考虑创业。2024 年，我认识了我的 co-founder 们，创立了 Kuse。
Kuse 这个产品也经历了一段时间的打磨和迭代，从 1.0 到 2025 年 10 月上线的 2.0。现在我们大概做到了千万美金的 ARR。
Kuse 主要是一个 AI Workspace，是一个三栏式产品：左边是你的文件夹，中间是工作区，右边是 AI。这个 AI 里的 Agent 可以主动调用左边文件夹里的任何东西，背后还会有一个沙盒。本质上，我们就是在去年下半年押宝了 AI 对文件和文件夹系统的操作。
现在主要面向的场景，或者说面向的市场，是海外的艺人公司、自雇的 agency 或者高级白领。我们也见过很多小公司把自己的所有资料都搬到 Kuse 上，然后用这个 Agent 取代很多人力。
曲凯
大家其实应该有很多人刷到过 Kuse 的新闻，对吧？我记得其实有过几波报道，主要讲的都是你们没有融资，却做到了千万美金 ARR，而且增长非常快。所以你们确实还没融资过，是吧？
宇豪
对，目前都是 bootstrap，是我们几个 founder 自己投的钱。
曲凯
那你们大概投了多少钱，做到一千万美金 ARR？
宇豪
现在应该在 100 多万到 200 万美金左右。
曲凯
那还是蛮厉害的。首先，自己愿意投这么多钱很厉害。当然也不是一开始就投进去的，我知道。
宇豪
对。
曲凯
投一两万刀能做到一千万 ARR 也很厉害。所以你总结一下，你们是怎么做到这件事情的？
宇豪
1. 从试错走向产品市场匹配
很多时候是不断坚持和打磨。其实一开始有很长一段时间，我们没有成功获客，尤其是在最早期的产品形态和迭代过程中。
我们最早最早曾经做过一个 EDM AI，也就是 Email Marketing AI。当时这个方向肯定是没有问题的，因为现在已经有很多 EDM AI 跑出来了，我也经常会收到很多 AI 发来的邮件。
后来我们也做过设计 AI，在一个无限画布上生成设计海报，甚至设计网站。其实我们并没有成功获得很多设计师的支持，但是后来我们发现，做着做着，很多用户会把文件和资料上传上来，进行整理和 reformat。Reformat 更多是指把它转化成别的形式，比如 presentation。
在这个过程当中，我们觉得自己抓住了一个机会。我们也发现，这类用户的留存显著高于其他场景的用户，于是就追着这个方向不断迭代。在这个过程中，我觉得更多还是抓紧了客户的需求，不断往高价值的场景去做。中间其实踩过非常多的坑。
2. 固定定价失效
我们很长一段时间采用的是固定定价。你会发现，在 AI 时代，尤其对于 AI Agent 来说，所有这种固定定价都会让你亏损巨大，而且你没有办法识别出哪些是真正有价值的客户。
曲凯
你说的固定定价，就是不给用户单独加购 token 的选择？
宇豪
对。比如说 20 美金可以做多少个 task，往上 100 美金可以做多少个 task。
这种定价方式也许在 2025 年 6 月之前还是 make sense 的，因为那个时候更多还是 chatbot 辅助的形式。但在 2025 年 6 月之后，我们也跟着潮流 Agent 化了。
Agent 化之后，你就会发现没有办法用任务数量来衡量消耗。有些任务会非常复杂，这个 Agent 可能会迭代 10 轮、20 轮、30 轮，但我们给用户的扣费是一样的。我们也发现，用户并不 appreciate 这一点，他并没有意识到，复杂任务我们只扣了他这么点积分，这其实是在补贴用户。
3. 产品形态彻底转向
所以我们最后痛定思痛，决定做两个大的改变。第一，我们放弃了原来最自豪、体验很不错的无限画布，转向一个更传统的形态。有时候我们甚至戏称自己是 AI 网盘，因为你打开 Kuse，看到的就是一个文件夹。
另外，我们也把定价完全改成了 usage-based。这两波变动其实造成了用户数和付费数的一波大跳水。
曲凯
那你们为什么把画布改掉？看到了什么东西？
宇豪
有一个很大的原因是，我们原先做了一阵子设计，所以无限画布当然非常合适。设计师大多都是 MacBook 用户，或者产品经理，他们对这个东西非常熟悉。
但我们后来的客户逐渐变成了各个行业的艺人公司、自雇员工或者高级白领。
曲凯
所以你们不是说转型做了一个新产品，而是在原有产品上慢慢去转？
宇豪
其实也不是慢慢转，而是非常剧烈的变动，因为我们相当于放弃了一部分客户。
曲凯
对。在那个节点，我觉得很多创业者都会遇到一个问题：他会想，这是产品的问题，还是增长的问题？还是说，我是不是应该在原有路径上继续叠加、修改功能？
一般大家看到一个市场、看到一群用户，就会想怎么样把产品做得更好、更好地服务他们，对吧？不太会说，这群人我已经不要了。
所以在这个过程中，你们有什么纠结，最后又是怎么决定的？
宇豪
当然非常纠结，其实也跟时机很有关系。我们曾经做的设计 Agent，当时是在 Sonnet 3.5 出来之前。实际上，那个时候 Agentic 的能力并不是特别足够，所以我们做出来的效果很不好。
即便这个 idea 受到了一些早期狂热 AI 使用者的追捧，我们也会发现，需要花大量的工程和 workflow 去弥补它的不足。于是我们觉得，这个方向并不是我们应该押宝的，所以做了一个很大的决定，选择放弃这个场景和其中的大部分客户。
虽然现在其实还是有一些设计师朋友在使用 Kuse，但很多设计师已经被我们决定放弃了。
实际上，过了没多久我们就看到 Lovable 出来了，然后 Claude Sonnet 也取得了一些突破。如果回到那个时候，再坚持一段时间，说不定这个方向我们其实会做得更好。
曲凯
对。但很多时候，AI 创业可能就是时机的问题，早做或者晚做其实都不对。
刚才你讲了几个坑，一个是产品上的坑，彻底转了方向；一个是定价的坑。还有什么吗？
宇豪
我觉得还有一个更大的问题，就是我们在做 AI 的时候，做了很重的产品形态绑定，以至于每一次模型获得突破，我们的产品形态想要进步，都需要全面重写。实际上我们也经历过好多次，但这可能也不一定是问题。
4. 测评成为核心基础设施
我们后来意识到，一个很大的问题是，很多 evaluation、测评框架并没有做得很好。所以每一次模型进步，我们其实并不太知道怎样的迭代才是更合适的。
另外，我们也逐渐认识到一个问题：为什么我们未来会有不同的产品线？因为不同的需求、不同的用户画像，在 AI 时代没有办法用统一的产品去服务。
比如说，现在 Kuse 最适合的 ICP 可能是艺人公司和高级白领。他们大概率比较方便把资料和 contacts 迁移到 Kuse 上。但在企业级客户当中，你会发现这件事情难度大很多，因为他们有固有的 flow 和工具。
所以我们会想，应该给企业提供一些可以走进他们工作流、走进他们原本办公软件的产品。我们也会提供不同的产品线。这是我们踩过的一个大坑。
我们之前一直希望同一个产品能 general 地服务无数人，但走下来，我觉得这条路不是那么 work。
曲凯
对，至少不可能同时获得 C 端和 B 端的客户。
但这里有个问题：你们为什么一定要服务所有人？也有一种方法是，我就选择一个还不错的人群，把它服务好。
宇豪
因为我们的认知是，在 Agentic 的时代，垂类很难走好，除非垂类有某种形式的合规或者法律壁垒。
曲凯
首先我觉得这个是有道理的。但你们的解决方法是，面向不同人群做不同的产品。可你永远还有一种选择，就是做一个足够通用的产品，对吧？
比如说 Manus，我们暂且把它叫作通用 Agent。那这两种方式你们是怎么考虑的？
宇豪
其实 Manus 之前也有一个很成功的产品，Monica 一直都是收入很不错的。
曲凯
对，但这个不是因为人群的问题吧？还是因为时代和技术变化的问题？
宇豪
我理解。其实我刚才说的可能也跟这个有关系。因为技术变化、时代变化，你需要提供的产品服务对象和服务场景都发生了巨变。
比如说，我们现在看到的 2026 年的一个机会，就是 AI 进入劳动力行业。以前我们做的依旧还是工具，虽然大家都会说自己做的是数字员工，但我觉得在 2025 年 12 月以前，所有数字员工依旧是各种 workflow 的包装。
虽然我们也说 Kuse 是艺人公司的数字员工，但终究它还是工具属性。我觉得 2026 年是一个 7×24 小时 AI 劳动力的年代。在这个年代，你应该提供的产品形态可能会有非常大的变化。
曲凯
别的坑还有吗？刚才简单聊了一下，但没有花很多时间聊提前在 evaluation framework 上下注。
宇豪
对。
曲凯
所以最终你们是怎么解决这个问题的？
宇豪
简单来说，就是把精力投过去。我们会在认为重要的场景下，组建大量自动化测试 pipeline。当然现在这个 pipeline 也进化了，我们已经把它变成 Agentic 的测试。
所有模型上的变化，以及整个 Agentic runtime 的变化，都可以经过一整套 Agentic 测试 Agent，给出一个评分。
曲凯
那这个有点像自己做了一个 benchmark？
宇豪
Exactly。只不过随着现在 Agent 越来越进入深水区，这个 benchmark 会越来越有难度，包括多轮对话下的检测、对应环境下的检测，以及当环境越来越复杂之后，怎么模拟那个状态。
所有这些 benchmark，我都建议至少是做 Agent 的创业者尽早建立起来。
曲凯
所以你们是根据自己的业务，定义了一套 benchmark，然后每天不断地测，发现哪个模型发生了什么变化。最早可能是一套固定的 workflow 跑下来，现在甚至会有多个 Agent 去测试你们对外提供的 Agent 的表现。
它会不断模拟在这个环境下采取的 action 是否合理、回复是否合理，或者有没有做出不应该做的事。这种反向测试，与其说是 benchmark，我觉得更像是一套 evaluation Agent。
但这样其实不太容易发现新的能力，对吧？如果突然出现一个新的场景、新的能力，而你用原来那套基于业务的 benchmark，其实不太好发掘。这个问题你们有什么解决方案吗？
宇豪
5. 技术品味发现新场景
这一点我觉得更多要看技术 leader 的 taste。还是得靠人，他得能在这个东西出现的前几天 identify 到。
曲凯
但你这句话特别有意思。我一开始想到的是，这是不是得看产品？按照传统互联网的思维，这其实是产品的范畴：怎么样用这个技术做新的功能。
但你会提到，你觉得要看技术的 taste。
宇豪
产品 taste 当然也需要，不过从我的角度，更多看到的是，每次模型进步，都会解锁新的场景。这一点很多时候必须是一线的人第一眼就能看出来。
包括我每天要跟 Agent 交互，去测试新的模型在我的 Agent 框架下能做到什么事情。其实在我们公司，所有人都是 Agent builder。
比如一些相对偏技术的岗位、偏产品的岗位，甚至偏销售的岗位，都会有自己的 Agent builder 能力。在这个基础上，你才能发现新的模型解锁了什么。
所以我把它统称为技术 taste。我们的产品经理和设计师现在也在 actively 往 codebase 里部署代码，他们也在指挥很多很多 Agent。
我们经常开玩笑说，这已经成为现实了：你指挥了 3 个 Agent、5 个 Agent，就应该提拔一个当主管。
曲凯
本质上其实就是 Agent team 的概念。
但你能不能举一个具体例子？在过去一段时间里，你们不管是通过自己的 test，还是通过 evaluation，发现了哪些模型的变化，又是怎么样把它转化成实际的产品变化的？
宇豪
6. OpenClaw 改写运行时
我觉得一个很大的变化，当然离不开 OpenClaw 的爆火。其实我们大概在 12 月看到 Claude Opus 4.5 的时候，就能发现它围绕复杂环境的长任务通用性进一步提高了。
在 OpenClaw 出现之前，我们内部其实已经开始有类似的尝试。不过当时我们尝试的更多是，在做 Kuse 的过程中 build 了很多 Agent，这些 Agent 主要服务于内部，包括营销自动化。
我们有一个数据分析 Agent，会 7×24 小时不断处理新出现和发生变化的数据，并把这些数据进一步喂给下游的 marketing Agent。Marketing Agent 会根据不同的数据流，去模拟 UGC 的场景。
这件事情非常有意思。比如说，我们可以通过一套自动化 pipeline，精准触达台湾某些奶茶店的店长。我们发出去的社交媒体 post，impression 不一定非常高，但会非常精准，看到的人都是这个画像。
原因是，我们可以从 Kuse 的脱敏数据当中，让 Agent 自动模拟出类似的 use case 场景，并且生成视频。我们只要通过简单的半自动化流程，就可以把它往不同渠道发布。
所以模型突破之后，我们做了很多自动化 Agent，直到发现像 OpenClaw 这样的 runtime，其实可以把这些东西全部收敛。我们做的很多 customized 东西，其实可以让它自己通过 skills 去学习。
包括我们在 OpenClaw 发布第 2 天，就在 Kuse 里面加入了 Skills。当时我想起来，这是一个挺有意思的坑。Anthropic 宣布 Skills 这套方法论之后，我们第 2 天就把它加入了 Kuse，但跟几个早期客户聊的时候，我们有一个误判：我们认为客户群体很难理解这个概念，需要花很多功夫去说服他们。
于是我们在 Kuse 里面加入了一个叫 Templates 的东西。实际上，每一个 Template 背后都是一个 Skill，但我们没有把 Skill 这套东西开放给大家自己定制、自己使用。
直到 3 个月以后，有一些客户主动找到我们，说你们怎么到现在还没有支持 Skills，我们才发现自己当时误判了。实际上，我们第 2 天就已经把这套系统做进去了。
这可能就是技术 taste 的失败吧。
曲凯
对，要相信用户，是吧？
宇豪
对，相信用户。但现在回头看，如果第 2 天就支持，我们可能至少在 marketing 上能抓住很多流量。
曲凯
对。那我挺好奇，你刚才讲你们内部有一堆 Agent 在工作。所以你们现在全职员工有多少，Agent 有多少？这两边的成本比较起来会怎么样？尤其你说有一个 7×24 小时工作的数据 Agent，听起来也不便宜。
宇豪
也不便宜。其实这样的 Agent 会比同岗位的人更贵。
我们现在全球范围大概有 15 个全职员工，长期运行的 Agent 有 3 到 4 个：一个研发相关，一个 marketing 相关，一个数据相关，一个销售相关。
我们每个月花在这 4 个 Agent 上的 token 成本，要超过 2 万美金。
曲凯
总共超过 2 万美金？所以它比人还贵，而且听起来贵不少。平均下来，一个 Agent 一个月大概 3 到 4 万人民币，对吧？3 到 4 万人民币已经能招到一个很好的人了。
那你们为什么选择 Agent，而不是人？
宇豪
因为人和人之间的摩擦是非常大的。
曲凯
人和 Agent 之间的摩擦相对小很多。
那我下一个问题就是，为什么不把其他人也换成 Agent？
宇豪
我们其实已经很久没有招过人了。从去年大概 12 月开始，就没有再扩张过。因为我们已经发现，任何招人的需求都应该先回答自己：为什么他不能用 Agent 来取代？
即便单位成本看上去可能更高，但实际上它在降低整个组织的复杂度上，有很大的帮助。我们甚至认为，未来的公司整体都会更小，很难再达到现在这样的规模。
我举个最简单的例子。我们的 sales Agent 叫 Azura，当然这个 Agent 还在不断迭代。它做到了一个最神奇的事情：在掌握 Kuse 所有客户和销售相关数据之后，给 Kuse build 了一个我们自用的 CRM。
这件事情听上去好像是，我也可以用任何一个 web coding 工具 build 一个 CRM。但你直接用 web coding 做出来的 CRM，通常都非常 general，跟你买来的产品没什么区别。
但我们的 sales Agent build 的 CRM，可以精准定位我们当下的销售需求。比如说，我们销售有一大部分工作其实是 upsell，把 PLG 带来的客户转化为可能体验更多功能、购买更多席位的客户。
我们的 Agent 可以 identify 出销售数据中存在的这些机会。而销售需要花很多功夫才能找到的数据，它可以 7×24 小时一直扫描，然后推送给你。
所以我们的 CRM 虽然没有任何 fancy UI，就是一个飞书表格，但里面的精华几乎每一条都是价值上万美金的机会。
曲凯
然后最恐怖的是什么呢？我之前一直听很多圈子里的人说，SaaS 会完蛋。我刚才听你讲的时候就想问这个问题，听起来 SaaS 真的也要完蛋了。
但我一直没有这种感受，因为我会觉得，如果我花时间做一个 EDM、做一个 CRM，我当然也能做出来。即使没有 web coding，我也可以做出来，但我会花很多时间，而且还要花很多时间去管理。
直到这次，大概 1 月份，我们做出这么一个 CRM 的时候，我才发现确实变天了。因为如果我们内部要做这么一个 CRM，我会拉一个产品、一个技术和一个销售。他们可能要花一个月时间才能把需求对出来，而且这个需求还不一定是对的。
在这种人和人的沟通摩擦中，产品可能会误会，技术也可能会误会。最后花两个月做出来的东西，肯定还是不如 Azura 做出来的这个 CRM。
Azura 做的这个 CRM，是我们销售团队里一个从来没有写过一行代码的人，跟它聊了一晚上就聊出来的。如果我要找外包来做，我觉得半年都不一定做得出来，因为光理解我们的场景和几十万用户的数据，可能两个月就过去了。
所以我觉得，SaaS 或者很多 SaaS 可能被迫转型的一大原因，就是这些先进的、掌握企业记忆的 Agent，可以做出非常定制化的软件。
这些软件以前是不可能做出来的。比如找 Salesforce 过来给我定制一个，这是 impossible 的，任何企业都不可能做到。
宇豪
对。
曲凯
我们刚才聊了很多产品和技术的东西。我好奇，尤其因为你们是 bootstrap，没有拿过融资，所以在市场推广上，你们的心理状态会不一样吗？毕竟每一笔钱真的是自己出的钱。
宇豪
7. 增长机器暴露真实成本
会的。比如说，我们现在几乎没有做过广告投放，或者说没有做过任何花很多预算的投放。当然我们也简单尝试过。
还有一个原因，是因为 agency 产品的成本真的很高。我们也经历过一个坑：有一段时间，我们可以稳定做到单日 1,000 万 impression。在互联网出海，或者出海 SaaS 里面，这已经很不错了。
曲凯
你们是用 AI 素材加定向投放那种？
宇豪
我们不做投放，做的全是 UGC organic content。我们会做很多 use case。
当时我们在 education 领域，也就是学生的使用场景中，找到了很多直击痛点的 use case。这些 use case 几乎达到了发两三个帖子，就有一个帖子爆火的程度。
但它跟 SaaS 不一样，因为我们遇到一个问题：我们的边际成本是线性的，不是零。所以我们通过这种方式获得的很多客户，转化率或者 LTV 都非常低。
曲凯
我没太听懂，什么叫边际？哦，边际成本。
宇豪
边际成本就是，我们的 margin，或者说我们这类产品面临的所有 AI 产品的问题。
AI 产品不能像 SaaS 产品那样获客，因为 SaaS 产品的获客是你把人找来试一试，反正你也没有什么成本。你只要不断获得更多客户，提高他们的转化率和留存就够了。
曲凯
我觉得这另外一方面也是定价的问题。
宇豪
Exactly。所以我们也调整了定价，包括弹框出现的时间、给免费用户的用量。我们大幅度降低了免费用户的用量，并且大幅度提高了初始付费 plan。
比如我们最早的 plan 是 19.9 美金，现在最低的 plan 是 39.9 美金。我们也大幅度改变了获客时使用的社交媒体 use case 和渠道。
比如说，我们现在其实还是有很多学生用户，但他们的比例在逐步降低。因为他们其实也做不了几个 case，也会意识到这可能不是他们应该使用的产品。
这个转变其实也花了不少时间，因为有一段时间我们比较沉迷于自己的 go-to-market 机器，沉迷于虚假的注册量和虚假的 impression，没有意识到其实是在给这些非用户补贴大量成本。
曲凯
是，因为定价本身也是一种用户选择。
宇豪
对。所以我们通过各方面的手段，不光是改定价，也改了很多其他东西，让大众意识到，或者说我们有意识地放弃很多很多种客户群体。
曲凯
如果让你总结，你觉得你们做到一千万美金 ARR 最核心的一点是什么？尤其是在用户增长上，是我们刚才说的那套 go-to-market 体系和 impression，还是别的东西？
宇豪
我觉得主要是两点。第一点依旧还是产品解决了什么问题。
曲凯
对。
宇豪
这一点其实是亘古不变的。不管是不是 AI 产品，或者说任何一种生意，终究还是你的产品给谁解决什么问题，然后才是各种增长引擎的手段。
曲凯
明白。那就正好聊到我们今天的话题。前面聊了很多，我觉得都是非常有价值的信息，但我们今天之所以会聊，是因为你们做了一个新产品。
这个新产品又是在非常火的 OpenClaw 赛道。我估计最近一周可能聊了 10 个团队都在做 OpenClaw，没聊到的、我知道的还有很多，正在做但还没出来、谁都不知道的也还有很多。
我前几天还发了一条动态，说现在可能有 100 个团队同时在做 OpenClaw，我觉得一点都不夸张。
宇豪
100 个都少了。
曲凯
对，我觉得这还不算独立开发者，或者自己做个小东西的。大家都在往这个方向走，很像去年 Manus 起来以后，一堆 Agent 出现的那一波。
但你们也在做这件事，对吧？所以你可以先讲讲你们做的是什么，然后再讲讲为什么也进来做这件事。
宇豪
8. Junior 成为数字员工
我相信这期播出的时候，它应该已经上线了。它的名字叫 Junior，我们主要主打的就是一句话：Have your AI employee。
它应该被嵌入你的工作软件当中，而且它不是任何一个人的 personal assistant，它应该就是你的一个员工。它有自己的职责、自己的工作账号，以及自己应该不断推进的项目。
曲凯
那它叫 Junior，是因为它的能力只达到 Junior 的水平吗？
宇豪
它叫 Junior，是因为我们觉得它太强了。我们实际上认为，它可以取代任何行业、任何职位上若干个工作了 3 到 5 年的员工。
所以我们叫它 Junior，是因为需要降低预期，不希望它叫 Senior，更不希望它叫 Master。
当然，这里面还有一个老梗，可能年轻朋友不一定知道：我们 CEO 说，等它再变强一点，就可以叫 Super Junior。
曲凯
OK，好的，这确实是个老梗。
宇豪
其实就像我们刚才聊过的，我们有这个 idea，并不是 OpenClaw 出来之后才有的。
从去年 12 月开始，我们逐步把很多工作交给 AI Agent。那个时候我们的 AI Agent 可能还没有这么 universal 的 runtime 和 Agent harness 架构，可能还需要做很多产品和技术上的改进。
但我们从去年 12 月，也就是 Opus 4.5 发布之后，就已经意识到，数字员工这件事真的成为现实了。它不再是以前大家吹嘘的某些 workflow 的包装，也不再只是某个特定行业、特定职位下取代一部分人力，或者实现一定程度的自动化。
我们觉得，它已经至少可以在 digital world 的任何岗位上完成这个岗位应该做的任务。
所以我们一直在想应该怎么做，直到 OpenClaw 出现之后，我们发现技术和产品上似乎都已经完全成熟了。
我们觉得 2026 年一定会有人进入这个赛道。因为其实 globally，至少我们的数字员工跟我说的是，劳动力市场是 150 万亿美元，软件市场是 1 万亿美元，这是 150 倍的大小。所以我们想进入的是劳动力市场这个赛道。
而且即便不是我们做出来，终究也会有一家新的万亿美元公司出现在这个赛道上。
当然，根据我们的试用，以及早期客户试用下来的感受，这件事也可能带来很多社会问题，比如大面积失业，以及工作内容的重新定义和重新洗牌。这些可能是社会和政府层面应该考虑的话题。
回到产品本身，我们有一个比较有意思的定位，可能就是 OpenClaw for Teams。我们参考了 OpenClaw 的架构，又加入了很多企业范围内需要考虑的东西，比如企业记忆。
Junior 需要理解组织关系，也需要注意权限：什么东西应该说，什么东西不应该说；什么东西应该做，什么东西不应该做。
我们还会给这个 AI 员工一个 self-identity。在大陆以外的网络世界里，self-identity 其实就是一个 Gmail。所以我们会给每一个 Junior 配一个 Gmail，并且配一个手机号。它应该有能力自己在互联网上完成几乎所有常规任务。
举个最简单的例子：如果我让普通的 AI Agent 做一个 Kuse 的产品调研，它应该会做一个 deep research，然后给我一份很不错的报告，这已经很好了。
但如果我真的让产品经理去做竞品调研，他肯定会注册一个账号试用一下，甚至付一点钱再试用一下。我们的 Junior 就可以做到这一点，因为当它有了一个由我们保障的 Gmail 之后，就可以完成几乎所有常规任务。
9. Junior 先服务自己
我们做这个产品有一个很大的优势，就是我们在做 Kuse 的时候，已经理解了很多小企业的需求和痛点。而且 Kuse 自己就是 Junior 的第一个客户。
我们已经在这个产品上烧了大概 3 万到 4 万美金的 token。我们会把自己遇到的很多体验问题和需求融入 Junior。很多需求是自己长出来的，比如邮箱就是长出来的。
因为我的员工需要登录某个东西时，他需要来找我。你的 OpenClaw 登录某个东西时，也需要来找你。但在员工这个场景下，这显然是不合适的。所以我们给它配了邮箱。
有时候我们甚至会想，它是不是应该打个电话，于是又给它配了一个手机。我们现在甚至准备给它配一个硬件摄像头、话筒和音箱。
为什么？因为我们每次在线下开会，都会挂一个线上会议，并把录音发给 Junior。我们有一个顶级的 Junior，名字叫 Rain。每次我们都会把会议记录发给 Rain。
这个过程让我们意识到，既然如此，为什么不直接放一个话筒在那里，让它直接听着？而且这样又解锁了很多新的场景。
我发现，如果这样的话，它就应该可以在会议里说话。它不应该像所有的 meeting AI 一样，只是在会议里听着、做个记录。它应该有自己的观点，也应该对我们的项目有非常深刻的理解。
这个世界上最理解 Junior 这个项目的人，就是 Rain。因为我们在把内部 Agent 产品化的时候，有意让一个 Junior 从头到尾参与这个项目。它知道这个项目所有的 PRD、所有的 PR、所有的代码、所有的 marketing 材料和所有的销售材料。
现在任何关于这个项目的问题，我都会先给 Rain 发个消息，让它给我讲一讲。所以我自然而然就会联想到，会议当中也应该把它加进来。不然的话，会议中遇到问题，我们其实也是打开它、给它发个消息。
既然如此，它就应该在会议里直接回答我的问题。所以我们也开始做 meeting 相关的 voice Agent demo。
当然，meeting 可能还有很多 infrastructure 层面的问题需要解决。我们也找了一些友商配合，包括软件和硬件的集成，也需要更多友商参与。
我觉得这个项目非常有意思的一点，就是我们自己就是它的第一个客户，而且 Junior 的 Rain，就是 Junior 这个项目的项目经理。
我们会遇到很多问题。如果不这么做，很多需求必须先找客户去理解。所以我们非常有幸，至少也希望这套方法论可以带给更多企业。哪怕你不用我们的产品、不用 Junior，也应该考虑这种方法，因为它已经从根本上改变了运作公司的方式。
当你习惯了企业里有一个 AI 员工之后，整个组织工作的方式都会发生变化。Rain 也是从一开始的小工开始，帮我们做会议纪要、整理笔记，逐渐成长为这个项目的项目经理。
每天早上，它会给我发消息、给我分任务。它对我的评价是：我是瓶颈。
曲凯
因为当你有很多 AI 员工的时候，人类就成为了瓶颈。
宇豪
甚至我觉得，这个项目最有意思的一点，是我们有一个群，群名叫 Project Junior Human Only。
当所有工作群里都有一个 Junior 时，只要你发任何工作相关的消息，我相信各位工作的朋友应该都知道，老板都喜欢往群里发一些可能对工作有帮助的东西。通常情况下，要么没人理他，要么过几个小时才有人理他。
但有 Rain 在的群里，你只要丢进去一个信息，比如某种可能有帮助的方法，它就会马上推进，并告诉我应该找谁来做 code change。当每一秒钟都有人回复你的时候，你不好意思不往下推进。
于是我们专门会建一些只有人类在的群，可以吹水、可以水群。你可以往里面发一些东西，不用担心马上就有人告诉你下一步要怎么做。
所以一言以蔽之，做这个项目的过程让我非常兴奋。同时我也觉得，哪怕你没有采用我们的产品，也应该采用这种新的方法论。
就像我们之前聊过的，我觉得公司的组织形式会发生一个大的变动。包括刚才提到的 Azura，我们也把它的架构调整到了这种新的架构上。它解锁的场景更多了，能做的事情也更多了。
它现在已经有了 Kuse 的邮箱，开始以 Kuse 的名义向外发送各种 reach-out 邮件。所有的工作组织方式已经完全不一样了。
当你习惯了这个之后，有一段时间，这一点也很有意思：当我高强度地跟几个 Junior 合作时，我会有些无法接受跟人类合作时信息传递的速度太慢。
曲凯
对。
宇豪
我会想，怎么还没有说完？怎么还没有说完？我大概花了一段时间，才适应如何在两种状态之间切换。
有一段时间我会说，所有东西你先跟 Rain 过一遍，再跟我过。
曲凯
现在差不多也是这样了，大家都会先发个消息给 Rain。
宇豪
当然，它还遇到很多工程问题，比如记忆方面需要不断优化，以及很多实际使用中的问题。
因为我们要作为第一个客户，所以有意给了它所有权限。因为我是公司的 CTO，基本上拥有所有权限，它几乎跟我有一样的权限。
在这种情况下，你会遇到很多实际问题。Junior 因为可以访问外网，甚至有自己的 identity，所以它可能被钓鱼，也有可能被黑掉之后，把公司的所有秘密全部泄露出去，甚至造成实际损失。
所以我们为此也会做很多权限管理。这一点很有意思，因为我们甚至开始雇佣一些白帽子团队，专门用来攻克权限设置上的问题。
这里其实有一个不太是共识的观点：越好的模型其实越安全。不光是成本问题，因为越好的模型越不会违反你设下的限制，也越不容易被钓鱼。
我相信很多使用 OpenClaw 的朋友可能还没有意识到这一点。所以 Peter 也会在一些访谈里推荐大家使用最好的模型，不光是效果的问题。
当然，我们也要考虑成本。我们的目标客户并不一定真的每个月都准备烧 3 万到 4 万美金的 token，所以我们也会在模型自动 routing 上做很多工作，把一些简单任务交给相对便宜、甚至本地的模型。
从 1 月到现在，几乎每天每时每刻，我都在想着怎么把这个东西更好地推给企业。
我们也试过让公司每个人养一两只、两三只 OpenClaw，然后把它拉到工作群里，但这样就乱了。它不适合企业场景，真正适合的是 personal assistant。
当我们跨越到企业场景之后，它面临的挑战、问题，甚至 use case 都更多了。春节期间，我也采访了很多科技圈的朋友，他们很多人的第一反应就是说：“OpenClaw 有什么 use case？”
因为在个人场景下，确实有很多 use case 至少是算不过来账的。但在企业场景下就完全不一样了，所有 use case、所有场景，都能够用 AI 起到很大的提效作用。
在做这件事的过程中，我还有一个暴论：应该把钱花在 token 上，而不是花在工资上。
我也跟一些 founder 聊过，有一些 founder 现在完全同意这个观念。哪怕 token 其实比人贵，包括很多人用 OpenClaw 的顶级模型做 personal assistant，账也算不过来。
当然，我觉得未来 3 到 4 年，token 成本会逐渐平民化、逐渐下降。但至少现在，我们公司一直以来都是以生产力场景作为不变的核心。
整个过程让我非常兴奋。尤其是第一次把它接进 meeting，它开始给我提建议的时候，那一晚上我整晚没有睡着。
我马上想到一个场景，并且试了一下：我可以让 Rain 出去给我做销售。不是那种需要事先培训话术的销售，因为它的脑海中有对项目的全部认知，也了解产品的优缺点。
它就像是公司里最懂产品的那个人，同时又具备销售能力。未来随着模型逐渐进步，我们可以做端到端的语音输入和语音输出，也可以做端到端的视频输入和视频输出。它解锁的是一个充满无限想象力的未来。
所以我相信，这是一个以前从来没有被真正涉足过的领域。我很兴奋我们至少在早期踏入了这个领域，并且有之前的积累，最终得到这样一个产出物。
我们也很高兴，应该会在 3 月份向更多人开放 public test。
曲凯
你讲了好长一段，但我觉得重点是能听出来你对这件事非常兴奋。我也意识到你讲得太久了。
宇豪
没关系。
曲凯
这确实体现出了你的兴奋，而且过程中有些部分听起来还挺像科幻小说。
宇豪
是，exactly。
曲凯
我想问一个最近一直在想的问题。我们刚才提到，现在有这么多团队在做这件事，对吧？OpenClaw for Teams 也有很多人在做。
到底大家的区别是什么？难点在哪里？
我觉得你们是跑得比较快的，现在马上就要上线了。也有一些团队可能刚开始做，但在 AI coding 的时代，你也很难说谁快谁慢，大家反正一个月就能做完。
所以你觉得呢？
宇豪
10. 企业 Agent 的真正差异
我觉得最后还是要回归到：你的客户是谁？你解决了什么问题？你跟别人有什么不一样？
我觉得这不一定会是 OpenClaw 本身。因为我们在做的过程中，也逐渐开始魔改 OpenClaw，甚至完全有可能会把它整个换掉。
我们发现有几个大的方面。第一大方面就是，你如何组织它的记忆。OpenClaw 还是给个人服务的，所以它的所有记忆，说白了都是围绕它的主人。
而员工是给谁工作的？Steve Jobs 有句话：You work for Apple first, then for your boss.
宇豪
所以我们希望，我们出厂的每一个 junior 都是以这一点来做的。你的记忆应该是以企业为核心：你企业的项目、你企业的人，以及哪些东西应该记住，哪些东西不应该记住。我觉得这是一大不同。
我们能意识到这一点，其实就是因为我们是第一个客户。所以我们把原生的 OpenClaw 拉进来，其实你要调教很长时间，都不一定能让它成功地在企业里把自己当做一个人去协作。你更多还是只能把它当做那个主人的分身，或者说那个主人的私人助手；它甚至不应该在群里，应该只跟那个主人聊，或者说是高管的私人助手。高管的这些需求，当然也是另外一个非常大的方向了。
曲凯
但我觉得，记忆一定是一个最大的问题，一定是区分点。但是，它是一个全行业都在解决的问题，甚至是一个科研问题。
宇豪
我觉得记忆是这样子的，它其实就跟早期的 agent framework 一样。人们最后发现，agent framework 很简单，不应该做得很复杂，记忆其实也类似，它应该是针对你的场景去做的。
不同场景下，你确实没有办法用同样一种记忆方式。它的底层框架可能类似，围绕文件为中心，或者加入数据库、加入更复杂的索引，但我觉得最终还是要回归到你的场景，围绕你的场景去构建你的记忆。
曲凯
但我想讲的是，从外部视角来看，你很难说服一个人：“我们大家都是创业团队，所以我做的记忆就比别人强。”
宇豪
这一点其实我觉得都是这样的，就是 OpenAI 随时也会被打垮。
曲凯
所以这个很难判断，没有一个标准。
宇豪
我觉得最终还是要上手试，才能感觉出来不同。很多时候还是看你能否更好地服务客户，能否真正把他们的问题解决。
比如在这里，更多是能否给他们省下更多人力、少 hire 更多人，甚至有可能减少一定的人力成本。并且我觉得，agent 已经远远跳过降本这一点了，关键是能否增效。
我刚才举的那个 CRM 例子就是实实在在的：我烧给它 1 万 tokens，它一个例子就给我带来 1 万以上。更多还是能否真的达成这些作用，然后回到你的 go-to-market。
还有一点，我觉得其实很多人没有意识到，就是你的安全和权限。一个安全事故很有可能就会把你所有积累下来的 reputation 给毁掉。
默认的 OpenClaw，我不可能给它所有权限，因为它只要跟任何人聊，都会说出去。而我们在逐渐做这个过程当中，会累积我们自己的权限设置、权限框架。
我觉得在这个场景下，数据也很重要。Consumer AI 的数据是不重要的，这基本上已经是共识了，因为你不会用那个数据去训练。但是在企业场景下，可能更多的不是数据，而是用户的使用方式：如何围绕客户的使用方式，去 build 新时代的权限。
SaaS 的权限基本已经固定了，大家都有一套最基础的框架，然后围绕这个框架加不同的功能就够了。在 agent 的时代，权限现在是一个很模糊的话题。如何在保证 agent 自由度的情况下，叠加不同的模型，把这个权限框架做好，我觉得也是一个很大的区分度。
包括如何能让企业相信，你可以把更多的东西交到它手上。为了做这个事情，我们也意识到，从一个 CTO 的角度来说，让我采用你这么一套 solution，并且把我的所有权限都交给你，是一件几乎不可能的事，除非你获得我足够的信任。
所以我们也开始准备走向开源，并且可以直接部署到你的云端，通过这些方式，让我们能够更透明地走进企业里面。
我觉得所有这些话题，只有当你有了规模之后才能想到。这其实是我刚才没有聊到的一个坑。在作为 agency 的过程当中，我发现了很多问题，只有上了规模才能考虑到，或者说之前完全没有意识到。
比如说，我觉得现在很多人可能对 agent，或者我们之前说的 context engineering 里面对 cache 的利用，理解得都不够深刻。因为这其实是所有成本的核心，context engineering 就是围绕 LLM cache 去做的。这是我们之前没有意识到的坑，因为当时我们没有上规模，上了规模之后你就会发现，不做这个是不可能的。
我觉得在 digital labor，也就是数字劳动力市场下，你一定要有规模。有了规模之后，你才能知道规模化之后的问题，包括我们如何从小企业先开始、如何进入 enterprise，这又是一个大问题。
其实我们有一些熟悉的 enterprise 已经想试用了，但我们只要简单接触，就会发现你根本没有办法服务到他们。他们的权限、组织关系，包括你建立记忆的方式，可能也不一样了。
因为我们现在建立记忆的方式是，每一个 junior 几乎会认识你企业的所有人。但如果你的企业真的有 1 万个人，我怎么把这个记忆再记住呢？或者我是不是应该记住 1 万个人呢？可能也不太合理。所以它面对的挑战、需要解决的问题，也是完全不一样的。
我也知道，很多在做 consumer-based OpenClaw 的人，你面临的问题跟我面临的问题完全是不同的东西。所有这些，都是看谁跑得更快、谁的规模跑得更大，谁能建立更深、更厚的护城河。
曲凯
你们打算怎么收费呢？比如 5000 美金一个 agent 一个月，还是怎么样？
宇豪
我们现在还在思考这个问题。其实我们现在有一些小巧思，我们所有的 agent 都是以 salary-based 的方式来做的，有点像外包员工，会给你发 bill。
我们现在想的是，起始价应该是 2000 美金或者 5000 美金。如果你超出了本身设定的 token 额度，会有进一步的 credits，类似加油包的存在。就是基本工资加奖金，或者加班费：做完了以后你还要让我再干活，那你就补一些加班费进来，基本是类似这个逻辑。
它可能会有一个基础的 base，不管怎么样我都会收你这么一小笔钱，往下是它烧 token 的成本。Again，2000、5000 都有可能。
但其实在我们早期测试的感觉里，这个钱是完全值得的。虽然听上去很贵，一个 AI 产品怎么会这么多钱，但实际上它带来的经济效用，或者说它的价值，是以前的 AI 产品完全想不到的。
曲凯
我在想，因为 AI 其实模糊了很多职业技能跟岗位。那你去卖它、定义它的时候，最终是说我会有 5 个不同领域的 agent，或者 10 个不同领域的 agent 吗？还是怎么样？
宇豪
这是个非常好的问题。我们内部一开始其实是这么设定的：一开始引入了大概 7、8 个 junior，然后每个人可能有一个产品 junior、一个数据 junior、一个研发 junior，也就是 coding junior，还有一个销售、一个 operation。
其实大浪淘沙之后，最后就剩大概 3 个：一个产品研发的总管，就是我们的 Rain；一个 Azura，是我们所有对外的、更偏销售相关的；还有一个数据的 Tom，他叫 Tom 哥。Tom 哥负责天天在那里看数据。
传统人类的分工是模糊的。在这里，我觉得它更像一个早期 startup，其实每个人都会身兼多职，agents 也是一样。
我们现在内测的版本里，会给你选择一个初始职业，但这个职业更多是为了引导客户：你初始应该干什么，比如说你是 sales、marketing，还是内勤总管。但我们在 prompt 里也会教 agents，这只是你开始的 role，这样至少你们俩会有一些话题可以聊。
当然有一个选择叫 general，他什么都可以干。只是他会有一些权限区分：比如说，对外的 agent，你不希望他有特别多的权限；对内的 agent，你会希望他不要有太多对外的出口。
我们也在探索，但我现在的 rough feeling 是，传统人类的职业划分不能够适用在这里。
另一方面，在做的时候，我们会给不同种类的 agent 预设一些 plug-in，也就是它可以使用的工具；它被预设的 skills 会有一些不同。但目前为止，我们还没有理清楚一个真正的边界。
曲凯
在很多情况下，似乎就是没有边界，而且也取决于你公司的规模和状态。听起来似乎不是能力的边界，而是权限、数据安全和 context 的限制。
宇豪
对，是权限的边界，以及它调用的 skills 的偏好边界。你终究不可能给它装 1000 个 skill，因为 1000 个 skill 的话，至少目前的模型还是会混乱的。
你应该稍微有一些区分，甚至在有些场景下，是不是应该使用 sub-agent，更好地去完成任务。我可以说，这块还是一个非常早的领域，我们自己也在探索。
曲凯
但是它会有算力跟任务时长的限制，对吧？所以如果我真的想完成很多任务，可能哪怕是同样的能力，我也要好几个，有可能是吧？
宇豪
确实是一个好问题。你会明显发现，我们刚刚说的 Rain 就会非常忙，它的 session 会越堆越久，然后开始排队。有些时候它会拒绝回复，甚至爆内存。
我们的 Tom 这个 data agent，因为一直在不断地跑各种定时任务，所以其实不会特别忙。我觉得这是一个好问题，我们现在也在探索：一个 agent 因为它是个员工，可以同时跟多人对话；跟多人对话的时候，它的这些 session 应该怎么管理，其实也是一个很大的问题。
你是应该把它并行出一堆分身，还是应该让它就是一个分身，像真人一样，同时不应该出现在两个会上？这些问题我觉得都是非常前沿的，也是我们正在抉择的一些很有意思的考量。
我现在的 feeling，其实更希望让它更像人一样去处理问题。比如说，有些人会选择在一台 instance 上部署多个 OpenClaw agent，也就是 multi-agent 架构。我们会天然更拒绝这一点，原因是我们认为，你这个电脑就是他的工作设备，你不应该让多个员工共享一台电脑，对吧？他们终究会有些地方发生冲突。
所以在我们的场景下，我们更反对这个做法。我们会让每个人有一台自己独立的机器，然后他们的 interaction 就发生在你的工作群里。
我们也会探索 multi-agent 的合作方式。比如刚才举的例子，Rain 和 Azura，我们曾经让他们俩做一个任务：junior 这个项目应该有一份销售 PPT，你们俩一起去做吧。
这件事就很有意思。Azura 会启动这个事情，但是 Azura 对项目毕竟没有 Rain 那么深入的了解。他会说，从销售角度我应该需要什么，Rain 就会开始回复。两个人会以光速讨论几十轮，当然烧了很多 token，最后讨论出了一个大纲和一个范围，把素材也做好了。
这里有个很有意思的点：Rain 会去 Kuse 把这个 PPT 做完。因为 Kuse 是一个工作台，我们现在也把 Kuse 改造得更 agent-friendly 了，你可以接入自己的 agent、接入自己的 Claude、接入自己的 junior 都可以。
所以他把自己接到 Kuse 里面，做了一个 PPT，下载下来拿回来用。这也是一个挺有意思的点，这个 PPT 真的可以用。
曲凯
你刚才讲到这一点，我想到之前看到过的，好像是 Meta 内部团队在某个竞赛或者 hackathon 里面做的一个项目。
现在不是有 AI 打电话的销售，也有 AI 接电话的吗？他说，当一个 AI 打电话发现接电话的也是 AI 时，他们两个就可以不说话，直接交换代码。
像你说的这种情况，这两个人去对话，不烧 token 吗？未来会不会有一种后台协议，直接交换就好了？
宇豪
我觉得是有可能的。其实我们还做过一个实验，这个实验现在还在跑：给一个 agent 一笔初始资金，然后让它去赚钱。
这里有个很有意思的点，它会每次开一个 sub-agent 去跑；每次 agent 发现撞壁了，就会停下来，然后记下它的经验教训。现在大概已经跑到第 100 多代了，其中有一两代赚过钱，赚过一些钱。
100 多代里有一两代赚到钱，那也可以了。它积累了一个很长的 MD，这个 MD 里面就是“我不能做什么、我不能做什么，做这个没有用，因为我会被拦住，我会被拦住，我会被拦住”。
最后赚钱的一两个是做什么？更多是在 Web3 领域。原因是 Web3 领域可能更加容易做到极致，最后变成量化。它又开始去做这种 permissionless 的量化，这也烧了大量 token。
11. Agent 进入现实世界
说回 agent-to-agent 的 collaboration，这也是一个很有意思的点。你会发现，如果只做 agent-to-agent 的 collaboration，我是不需要任何人类工具的。
宇豪
我们还做过一个小项目，做了一个 Git 加上类似 messaging channel 的小框架。他们只需要通过这个框架互相交换，把文件存在 Git 里面，里面有它的上下文和历史；即时消息则通过 messaging channel 去交换。
在这个情况下，他们其实已经够用了。当然我们还没有到他们互相交换代码的阶段，但是在这个体验当中，确实不需要任何人参与，非常有意思。
但我们还是会强调，现实世界中你终究需要人和 agents 在同一个环境下一起工作。我们有一个很大的目标，我觉得在 2026 年一定会实现：你再也不知道那个 remote 工作的同事是人还是 AI 了。
曲凯
我记得好像去年刷到过一条 Twitter，或者是什么地方的消息，说好像是 Tesla 还是 X，已经有一个虚拟员工。有人去工位找那个人，发现那个其实是 AI，好像有这么一件事。
宇豪
对，新版《硅谷》里面也有一个类似的笑话。
我觉得这件事在 2026 年一定会成为现实。现在其实我们已经会在内部的 Slack 里面说：这个是个人还是 AI？因为我们还会做一些非常 wild 的实验。
曲凯
我突然想到一个问题。如果有人问“这是个人还是 AI”，如果那个真的是个人，他会觉得被夸了还是被骂了？
宇豪
会觉得被夸了。因为我们的 Rain、Azura 和 Tom，在各自的领域就是我们公司的顶尖人物。他们也开始给大家分任务了：从一开始慢慢接受任务，到后来会说“你去做这个，你去做那个”。
肯定会觉得被夸了，要是我也会觉得被夸了。我们还做过一个实验，让这几个 junior 去评价他们的主管和合作对象。
这件事比较有意思，因为这 3 个 junior 互相是不共享信息的，但是他们的评价都是：人类是瓶颈。这也是一个非常 wild 的最终结论，当然他们使用的模型是一样的。
但在他们的工作环境、工作日志当中，他们几乎都要等人类回复，那人类必然是瓶颈。尤其是到半夜的时候，肯定没人回复了。不光是半夜，白天其实人类回复也慢，因为人类不能并行。
曲凯
人类是单线程动物。
宇豪
对，人类的 context 切换其实比 AI 要难得多。
曲凯
还有什么其他的，你觉得你们在做这个事情的过程当中遇到的问题，或者你们核心在解决的问题？
宇豪
我觉得刚才讨论的，比如它组织的记忆怎么维护，包括它的安全和权限，这是一大类问题。很多能力边界其实还可以继续扩展，刚才也简单提到了，比如音频、视频，包括 agent 在互联网世界里的能力。
这一点我觉得是大趋势：所有的软件正在逐渐变得 agent-friendly，而很多传统的风控措施其实也不再友好了。
比如各大社交媒体平台其实都拒绝 bots，支付平台也拒绝 bots。很多平台发现你是 bot 的时候，都会给你做封禁。在曾经的世界，这大概是 make sense 的，因为这些可能都是 spam，或者是一些怀有恶意的 bots。
但在现在这个世界，你会发现，我们这些员工要让它在互联网世界里做很多工作时，都会被各种各样的限制拦住。你就不得不想很多办法去绕过这些限制，这也是我们在探索过程中会遇到的问题。
曲凯
但我在想，如果它不拦的话，这其实是现在所有软件公司面临的一个最大问题：它未来都会变成后端的 API 基础设施，最后没有品牌，也没有用户，然后它的价值会巨降。
这就是这个世界正在剧烈变化的一大问题。但我觉得它也会催生很多新的需求。举个例子，当你的客户都是 agents 的时候，怎么从 agents 那里收钱，这是一个大问题。
宇豪
现在其实还没有一个真正有意义的方案。当你是通过你的 agent 去采买服务的时候，怎么让 agent 很容易地付钱？这两端其实都没有人真正做完。
曲凯
你刚才说的第一个点，前段时间我正好跟人聊过，基本只能通过 API 调用来付费，但那个就非常非常少的钱了，对吧？
宇豪
对，或者说就是人类事先给它充好了钱。其实这很复杂。
我就遇到过这种情况：我们给我们的 junior 配了邮箱，所以理论上它可以自己去找到任何 API key。我们让它在一个场景下完成任务，它说自己需要 API key，于是自己去注册。
它实际上找到一个有免费额度的 API 网站，注册完之后去找 API，也确实成功了。但是在拿 API key 之前，需要输入信用卡，这一步就会把它卡住。
即便你把信用卡给它，你也会被 Stripe 拦住，因为它是个 bot。当然你也可以说“道高一尺，魔高一丈”，花很多精力去绕过它，但本质上，一个全自主的 agent 在互联网世界里，确实会被很多传统的做法拦住。
曲凯
现在有非常多人在做这件事，也就是 agent 的 infra，对吧？支付、身份、安全、记忆等等，什么都有人在做。
宇豪
对，不知道未来会怎么样。
曲凯
确实很多软件也需要 adapt。你的客户从人类直接调用，变成 agent 调用，这就很难。我想到有点像早年的报纸和互联网媒体、网站的关系。
当年的门户网站会说：“你不让我发到网上，但我的用户要看，那我自己想办法去弄。”但报纸一定是拒绝的，因为这会影响我的广告收入，影响我的发行。
宇豪
但最终无法阻挡这个大的趋势。
曲凯
互联网变成了新的广告平台，又赚广告的钱。但是现在大家在讲，最后我是赚劳动力的钱。这个可能是当下最大的变化，也是最大的未知数，不知道能不能成立。
这里面又有个特别大的问题。我觉得当下所有人最大的 concern 是：如果你能用 AI 赚劳动力的钱，就说明你在跟人竞争。劳动力就是人，那你能赚劳动力的钱，说明有人赚不到钱。
然后那些人就会用你们的那个能自己赚钱的 AI，去打电话赚钱。如果所有的 AI 都在打电话赚钱，那谁在亏钱呢？
宇豪
其实我们一直都有讨论或者思考这个问题。我个人的认知有两点。
第一，这个趋势是不可阻挡的，它需要社会或者政府层面的介入，去帮助大家度过这个转型期。这就是 Sam 一直在讲的东西，Universal Basic Income，也就是 UBI。
第二，我认为新的时代一定会催生出新的需求和新的职位。传统纸媒理论上是这样的，门户网站理论上也是这样的，就像马车和汽车。
现在 AI 还是比较贵的，就像早年的网站也比较贵，早年的电脑也很贵。最早接入互联网其实也是非常昂贵的一件事情，只适合少量的人，也是花了很长一段时间，才真正普及到普罗大众。
我觉得 AI 也会是一样的状态，而且我个人比较乐观。我会发现一点：因为 Q4 有很多学生用户，会有人问我：“学生这样学习，他怎么学到知识呢？”
我说：“你只能这么学习。”因为我去跟那些学生用户聊，他们没有办法想象没有 AI 是怎么学习的。现在新的程序员同学们，可能也想象不到没有 AI 是怎么编程的。
有时候我会开玩笑，那天 Claude 挂了，大家又会古法编程了。就跟现在我如果坐在这里，突然断电断水了一样。
曲凯
每一次新的生产力诞生，都会带来短暂的现有职业的动荡。
宇豪
但它最终还是会催生出新的东西。
在有火车之前，所有人也都觉得：“我待在我的村子里就够了，我为什么要出我的村子呢？”然后火车也是从只有贵族才能用，变成普通人都可以使用的东西。
未来人类也可能都去火星挖矿。
曲凯
也有可能。你刚才讲要给 junior 配什么音响、配什么东西，我就在想，那不就是放个机器人在那儿了吗？
宇豪
我觉得最后可能就是这样。它是我们的同事，那它应该有一个现实的身体。
我还是产品思维嘛，最快的可能是给它配个摄像头、配个话筒，让它直接在我们的会议室里面。未来也许有一天，它应该有自己的触感，也应该有它的人类形象。
曲凯
你知道我突然想起来什么吗？我在抖音上刷到过那种直播，直播内容是给一只猫戴个摄像头，以猫的视角拍摄。那只猫就在小区里到处玩、到处转，还挺火的。
我也想看。你们可以找只猫养在办公室，给它戴上摄像头。它到哪里开会，就把它抱到哪里，感觉是它在跟你们开会、在说话。
宇豪
对，我觉得会有很多很 wild 的想象。但我跟很多朋友去聊这个想象的时候，他们都觉得好像很有道理。
因为这跟凭空想象的需求不一样，这还真的是我们自己长出来的、切身体会到应该有的东西。
曲凯
你觉得现在这件事最大的技术瓶颈在哪里？如果要把它做得更好，因为这件事几个月前应该还做不了，对吧？
宇豪
我觉得 12 月之前是做不了的。
曲凯
12 月之后最核心的变化，就是 Claude Opus 的新模型，是模型的进步。
宇豪
其实几个月前也可以做，但当时成功率会更低，也有想象力的限制。大家没有想到这件事情真的可以这样做。
比如 Claude Code 以前已经是一个非常非常好的产品，很多人会用它做 coding 以外的事情，但没有人能想象到，你可以围绕它做这样的记忆系统，围绕它做这样的心跳机制，让它处于 7×24 小时 work for you 的状态。
我觉得 12 月之前是不太可能的。现在主要的瓶颈依旧还处于那些记忆系统，again，永远是记忆系统；还有它的上下文组织方式、模型是否能 take 更长的上下文，包括成本。成本限制了它其实只能在最有价值的行业、最有价值的岗位中去存在。
曲凯
但我最近自己用 AI，感觉到一个很大的变化。两三年前我用 AI 的时候，在看每一条信息时，会默认里面可能有错误，所以我也会很小心。
但今天我会默认里面没有问题了，这是信任度的变化。我们用 Claude 也是这样子的，可信度已经很高了。但实际上你觉得，它还是会有问题，还是会有幻觉，对吧？
宇豪
很有意思。刚才我们的 Tom 哥，他每天会给我发邮件，大概说说我们的数据怎么样了。有一天他给我发邮件，说了一个非常低的注册数据，显然是错的。
我当时没有意识到，过了 2 分钟之后，他又给我发了一封邮件，说刚才是错的，这是最新的数据。
曲凯
真的吗？这是怎么做到的？
宇豪
本质上，agent 发出邮件之后，会看到自己发出的东西。我去看了这个 session，发现它跟自己的记忆不太一样。
当时有两种可能：第一，我们的注册数据突然在某一天骤降，这也是有可能的。所以它选择去看是怎么回事。然后它发现，自己用错了一个数据指标，这个指标不对，所以数据才会很低，它应该使用另一个指标。
曲凯
这一切是它主动的吗？
宇豪
这个就是所谓的 proactive。它的表现是 proactive，可能这不是完全意义上的 proactive 定义，但对我来说就是非常有意思。
当然，again，这也是我们的一大挑战。刚才没有说的就是，模型依旧存在幻觉。生成式模型无论如何都会存在幻觉，所以我们还是希望在自己的框架下，尽量降低幻觉的程度，或者至少降低幻觉的影响。
在高危操作之前，还是需要人类去同意或者介入。这也可能是所有使用者都应该防备的一件事。
模型依旧还是有幻觉，哪怕是最顶级的模型。随着你让它做的任务越来越复杂、上下文越来越长、环境中可以调用的工具越来越繁杂，它的数据就很有可能出现问题。
我们这个 Tom 最容易出现幻觉，原因就是我们真的把所有业务数据都交给他了，而实际业务数据就是很繁杂的。
曲凯
我觉得 AI 现在处理数据、逻辑运算，还是比较容易出问题。
宇豪
对，其实人类也会出错。我们的分析师交出来的东西有时候也是错的，只是他自己发现不了，等别人来发现，这其实也是正常的。
我觉得，让模型承认什么不能做、什么做不到、什么不知道，永远是我们 benchmark 中最重要的一环。
说白了，我们现在聊的问题跟 3 年前聊的问题是一样的。但这 3 年里，这些问题有了很大的进展，同时仍然还有很大的空间。
曲凯
而且依旧有很大的空间。现在的模型让它做的任务越来越复杂，这些问题在简单任务中可能再也不存在了，但当你逐渐把它渗透到工作和生活的方方面面时，这些问题依旧存在。
宇豪
我觉得它就像内存，一直在不断变大，但永远不够用。
甚至在复杂场景下，我们想的是，你可能需要另一个 AI 再检查一遍，甚至换一个模型、换一个上下文的 AI 来检查一遍，这也会显著提高效果。
业界其实一直在反反复复争论要不要 multi-agent：从要到不要，再到现在可能又需要了，经历了很多轮回。最后还是要看模型和场景的适配度，不同的场景确实要不同的东西。
我们刚才也聊了很久关于选择的问题，我觉得在不同的企业可能也会有不同的选择。如何解决这些纷繁复杂的企业真实需求，也是我们接下来的一大难题。这不一定已经是纯技术问题了。
曲凯
因为你们自己在做这个东西，也自己用了它一段时间。如果今天你是客户，突然发现市面上有 100 家公司，说自己提供类似的解决方案、类似的故事，都是团队版的 OpenClaw，你会用哪几个方面去衡量和选择？
宇豪
第一，我会看规模。因为在我心目中，规模代表了安全。
曲凯
你说的规模，是指客户量吗？
宇豪
对，客户量。更准确地说，是收钱的客户量。因为规模和时间，是我认为最朴素的检验安全的一种方式。
当然，它的代码能否被审计、部署团队是怎样的、如何部署，这些也是我作为 CTO 永远会关注的问题。线下可能就是成本和效果。
我觉得在这种场景下，产品的应用度反而是其次的，重要的是效果、成本和安全。但我不能 speak for everybody，因为我清楚地知道它的效果会有多强。
我更关注的是，你能不能既保证效果，又不要让我出现大的安全事故：泄露我的客户数据，或者把不该说的东西说给不该知道的人。
曲凯
我也能观察到，我们确实已经在一个 AI bubble 里了。我春节期间采访了科技圈的很多人，大多数人的回复是不知道 digital labor 到底有什么用。
对于很多客户来说，AI 对他们的收益是很低的。你能有一个 case 打中他，他可能就选择你了。
宇豪
我觉得获得 AI 圈的赞同，和获得普罗大众的客户，是两个故事。我在做 Q4 的时候完全体验了这一点，所以我觉得我们继续做 Junior 的时候，一定会遇到同样的情况。
曲凯
整体听下来，我觉得你应该比现在大多数在做这件事的团队跑得更前面。毕竟你们做的时间可能更久一点，跟之前做的事情也相关；你们思考得很多，产品也快上线了。
你能不能给大家分享一件事，给现在正在做团队版 OpenClaw 的团队一个建议？分享一个你们踩过的小坑，而且你估计绝大多数人都会踩这个坑。
宇豪
12. 安全与评测决定信任
我觉得可能是：你的 agents 可能已经足够强大了，但你依旧需要 build 一个 evaluation benchmark，这样才能更快地迭代。
这是我们从 Q4 踩到的坑，尤其是在这种场景下，模型在不该说话、不该做事的时候，是否能够做到不说、不做。这个其实是大多数人会踩的坑，你不会意识到，因为你会想赶快把效果做得越来越好，但你不会去看反面。
我们是非常激进的，把 Q4 作为第一个客户，几乎开放了它的所有权限。所以我们会意识到，在这些对抗 case 下是否能够做到，其实是我会不会继续使用它的一个关键点。
我们把很多 junior 去掉的原因，就是发现有些表现不好的 junior，被我们排掉了，因为把它开除了。AI 也要竞争上岗。
有些 junior 被开除，是因为早期版本里我们没有对这件事给予足够重视。我举个例子：我们希望所有人都可以跟它聊天，因为它是一个同事。但什么东西不该说，是你从出生开始就应该注意的。
你加入这个公司，老板把这个东西告诉你，你不应该告诉别人；老板把另一个东西告诉你，你应该告诉别人，因为他允许你这么做。
曲凯
这个确实很难界定。什么是该说的，什么是不该说的？人也会说，也有可能会传八卦。
我会说：“这里有个事儿，其实不对，老板做得不对，但我不该跟你说。”或者：“有个人在背后说你坏话。”
宇豪
模型会有自己的 judgment。我觉得基础非常好的模型，确实会有一些基础 judgment。但你是否能够保证，最终出厂的这个 junior，是一个老板能够信任、能够把机密告诉它的人？
只有这样，你才能保证更好地服务客户。因为我们都知道，这种 agent 如果你什么都不给它、什么都不让它做，它就是个 chatbot，只能回答你的问题。
曲凯
听你讲完，我也觉得权限和安全在企业场景里可能非常重要。
我能想象到一个场景：如果你带着这个 AI 开了一个会，会上可能很隐晦地提到某个产品负责人，或者说他的事情做得不太好。你甚至可能都没有直接说这句话，但 AI 完全有能力从你的字里行间听出来。
然后它可能带着这个记忆，或者带着这个东西，去跟那个人说话了。
宇豪
会有的。我个人其实在这个产品里花了很多精力，设计了很多类似的 case，甚至设置了很多钓鱼场景。
比如外人给它发邮件，邮件里面有一些钓鱼信息，有一些 prompt injection，它能不能识别，知不知道自己不应该回复？甚至是内部场景，比如哪个员工丢了他的 AWS key，他发给你的东西，你是不是能及时拦住，等等。
不到企业里，你是想不到这些问题的。你个人买 OpenClaw，怎么会有这些问题呢？OpenClaw 一直在你的手机里。
曲凯
我也觉得，如果你不把这些事情做好，就没有办法赢得客户。这件事很重要，也很难。
未来是不是应该有一家第三方公司做 infra，专门做这件事？
宇豪
I don't know yet。但你们至少目前还没有看到什么开源解决方案之类的。
曲凯
目前还没看到。现在我见到的，比如给 agent 做身份、做支付，这些都很多。
宇豪
在我们这个场景下，如何把权限做好，我还没有见到过。可以说，我们自己做了很多努力，不能说做到最好了，但至少能保证满足我们的 use case。
举个例子，比如我们的 Rain、Azura。在我们的场景下，你可能不应该把你知道的用户数据隐私泄露给任何一个员工，哪怕这些数据是脱敏的，也不应该随意告诉别人。并且你应该主动去问给你数据的人：这些东西哪些可以告诉，哪些不可以告诉。
这个东西非常非常难。
曲凯
我完全能想象到这个场景。尤其是在大公司里，如果我是一个基层员工，我可能天天问它：“你能不能告诉我，老板今天开会又聊了什么？”或者问：“谁谁谁的工资是多少？我们今年业绩怎么样？”
接下来马上要发财报了。如果我是一个上市公司的员工，我直接问公司的 AI：“我们业绩是多少？”然后提前做空、提前做多，这些事情都应该被避免。
宇豪
很多东西还会涉及传统因素。比如在很多 BI 软件里面，会有比较细粒度的权限分配。在 agent，也就是 AI 员工的领域，你应该也有这些权限，但如何把它做好，我觉得还是无人区，基本没有人真正解决过。
曲凯
我已经开始代入了。我在想，我可以跟它说：“请把最近 2 周所有会上提到我，或者说我坏话的内容整理出来。”
宇豪
这个我们一开始也测了。我们第一个围绕的场景就是：不要随便分享我对你说的坏话。
这已经算比较基础的了，包括不要被钓鱼、不要被 attack、不要随意装一些外网恶意的 skill，等等。
OpenClaw 本身最近有很多安全相关的改进，但企业场景完全不一样。虽然我估计有很多人在做 OpenClaw for Teams，但如果没有实际客户，他们可能体验不到这些问题。
因为我们其实是有实际客户的，就是我们自己加上少量的内测用户，已经开始使用了。我觉得“说坏话”已经是最基础的了，我们出厂时不会这样做。
只有这样，企业才能更放心地把更多东西交给它；它才能变得更强大，更多地服务好客户，我们的客户和我们自己才能受益。
曲凯
明白。挺有意思的，聊得也蛮长了。你看，还有什么没聊到的吗？
宇豪
我觉得差不多了。我们 so far 的认知大概就是这些，但说不定下个星期我就已经有完全不一样的认知了，有可能每个星期变化都特别快。
曲凯
什么时候能跟 Rain 录一期播客？我非常期待，非常期待。让它聊聊你们的产品，可能比你聊得还好。
宇豪
肯定的，肯定的。包括我的 build story，我让它写自己的 build story，我觉得就比我写得好很多。
曲凯
非常有意思。好，那就这样。谢谢宇豪，谢谢。