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

我们今天的嘉宾是 AFFiNE 的创始人嘉琛。你可以先简单跟大家介绍一下自己。

我叫贺嘉琛。2020 年之前，我在读深度学习与天体物理学的 PhD；2020 年之后，我退学成为创业者。从 2020 年到现在，我主要参与创办过 3 家公司。

第一家是开源的 AI 文档写作与知识库 AFFiNE，大概做到了开源这个品类的第一名，也有比较多的用户和 Star。第二家是和尤雨溪老师一起做的公司，基于 Vite 和我们的一些 Rust 基建，为 AI 时代提供打包与部署基础设施，叫 Void Zero。我参与了它的创立，后续公司也被 Cloudflare 收购。

从 2026 年初到现在，我们在硅谷做了一家面向企业持续学习的治理型 Agent 公司，叫 AFK，也就是 Away From Keyboard。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，大概是这么一件事。

我相信很多人对你的认知和了解，主要还是来自 AFFiNE 那段经历。AFFiNE 应该有非常多亮眼的成绩，有很多 Star，又是 Product Hunt 的年度项目。我挺好奇，你觉得那几年做下来，你们做对的事情最主要是什么？你们做成了一个非常成功的开源项目；但踩的坑又是什么？为什么最终没有在商业化或融资上继续发展下去？

我觉得内外都有一些问题。拆开揉碎来讲，有很多乱七八糟的原因和运气。主要来说，首先我们一开始做对的事情，肯定是在合适的时间推出了大家需要的产品。

1. AFFiNE 的成败经验

当时我发现的第一个爆点是，人类的工作是多模态的。也就是说，大家的文档、录音、画布和数据处理应该放在一起。

我插一句。我在想，那个时候其实还没有“多模态”这个词吧？

对，或者说大家至少还不怎么讲这个东西。现在听起来，这已经是一个非常自然而然的词了。

我们在 2022、2023 年融资的时候，就在讲“多模态工作空间”这个概念。这也让我们在 AI 到来的时候，很自然地训练了自己的 Embedding Model，也训练了自己的多模态模型。实际上，2024 年 4 月 AFFiNE AI 发布的时候，AFFiNE 是世界上第一个可以基于多模态信息进行检索、Deep Research 和生成的工作空间。

在 AFFiNE 创业的上半场，我们认为自己踩准了需求：大家想要一个 App，能处理不同模态的信息，并让 AI 理解、加工和生成内容的过程变得更自然。这是我们在产品上做对的事情。

但下半场就不是这样了。对越来越接近 AGI 的 AI 模型来说，具体的编辑工具或编辑环境反而可能变成一种掣肘。从公司内部来看，我们经历了一个类似于从 Cursor 转向以 Terminal 为主的 Agent，再到今天无处不在的 Agent 的产品形态变化。类似的事情也发生在 AFFiNE 上。

我们觉得 2023、2024 年的 AFFiNE 有过高光时刻。那时我们更像是给不写代码的人用的画布，类似于 Cursor 给工程师用的画布。Cursor 加工代码，我们加工文档、表格、设计稿以及各种各样的东西。

但就像后来从 Cursor 到 Claude Code，再到今天各种 Grokbot 以及有待发展的 Proactive Agent 的趋势一样，我们觉得 AI 本身会变得越来越自主。所以从 2024 年到 2025 年，再往后，我们内部也越来越想做更 AI 的东西。整个世界的资本市场和很多事情都变化很快，所以也是时候重新出发，做一点更有创新性的东西。这大概是之前的经验教训。

我记得上次见你时，你刚开始创业，大概是一年前吧？我们在上海见的时候。我很早就认识你了。一开始说实话，我对你一个很典型的印象就是年轻有冲劲，但觉得自己很牛，有点年少无畏的感觉。

但我重点想讲的是，一年前遇到你时，我真的觉得你改变挺大的，确实变得更成熟了。我不知道你自己有没有这种感觉。

我觉得创业让人进步很快。每一年，我跟前一年的自己相比，不管是内在、外在，甚至体重上，变化都挺大的。

所以你觉得这是创业带来的变化？总归会遇到各种各样的问题，让人变得更成熟，是吗？

对。先是理解产品、理解技术，后面就要理解创业这件事情本身，理解你的产品和市场，理解怎么跟人打交道，最后还要理解怎么赚到钱。这些说起来都挺复杂的，但我觉得成长确实是创业最大的回报。

我们讲讲吧，你现在做的是什么事情？

我们现在做的是一个主打持续学习，也就是 Continuous Learning 的企业级 Agentic System。我们不太想把它归类为一个具体的软件，因为从 2026 年开始，我们发现 Agent 已经不像软件了，它没有具体的界面和形态。

我们最近主要对标、也想超过的一些对手，像 Humans，还有 Grokbot、Tolan 这些产品，基本都是从一个 Agent 变成凡是人类能用的工具，它都能接管。就是说，不光你能跟它 Chat，它还会主动找你；找你的时候，可能通过飞书、Slack、会议软件给你打电话，甚至给你发微信。这是一种什么都能做的 Proactive Agent。

我们在这类 Proactive Agent 之上提供的额外价值，是给它引入持续学习的能力。今天对很多企业来说，给每个人配一个 Personal Agent，它已经能替你把工作基本完成了，因为它可以接管你的电脑、线上线下环境和各种硬件，基本上能替你干所有的活。

但对企业来说，这些 Personal Agent 之间没有联动，也没有学习过程。对公司的业务层或决策层来说，你原本要处理 100 个员工带来的信号和噪声，现在变成了 100 个员工加 100 个 Agent，很多时候放大的可能是噪声，不一定是信号。

我们做的事情是，所有人有一个共同的 Agent。每个人跟它私聊时，它还是类似 Personal Assistant，有单独的记忆和运行环境。但同时，它会在所有员工、所有软件的各个业务切面上持续学习。

持续学习给企业带来的价值，第一是你第一次可以像 X 光一样透视公司所有业务的细节。它真的能把每一行代码、每一个 API、每一场会议，以及跟客户的每次沟通都学习下来。第二是它能产生公司自己真正的知识产权。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，让公司拥有持续学习的结果。

所以你们做的还是整个 Agent 大赛道的延续。

对，它还是一个 Agent 产品，只是帮企业自动运行而已。

明白。你怎么看现在整个 Agent 的发展？我感觉 Personal Agent 这波火了以后，Agent 这条路似乎已经走到比较尾部的阶段了吧？如果 C 端也都能用起来，那其实也差不多了。之前大家在讲的时候，都是程序员在用。

我的经历比较复杂，因为我做过算法、产品和技术。这个话题背后有很多架构、产品以及人们对产品的认知变化。

我们还是从产品形态上讲。过去两年我们经历了很多震荡，比如 GUI 的兴起、TUI 的兴起、CLI 的兴起。到了 Codex 之后，好像大家又开始更常用 Artifact，再到 Personal Agent。2025 到 2026 年，AI Agent 的产品形态变化非常剧烈。

但我认为最近出现了一个大的过滤器：今天的 Proactive Agent 或 Agent System 已经不依赖特定的人机交互界面，也不依赖特定的 UI 或 UX，它已经变成无处不在的东西。所以从产品意义上讲，接下来智能和工具能力的提升可能是纵向扩展的，但 Agent 的产品形态可能已经比较固化了。它变得特别像一个人，你可以通过各种渠道、在各种地方找到它。

国内大家在聊 Personal Agent 时，我觉得对它有一个模糊的概念，觉得它火了。但海外其实有各种分类和赛道。包括你刚才提到的 Hermes，它其实是 OpenClaw 的一个延续。OpenClaw 主要是那个哥们去上班了，没怎么管了，但 Hermes 其实仍然发展得很好，最近也公布了融资。

像 Instinct 的 Grokbot 也有不同定位，包括 Muse。美国还有 Tolan AI，它更多讲一个 To B 的故事，最近又拿到融资。还有一个做 AI 陪聊的产品，本来就是 AI 伴侣，接上 Agent 能力以后，也说自己是 Personal Agent。海外有各种不同定位，所以我好奇你怎么看这些定位，你们的定位大概落在哪一块？

作为创业者，首先 2026 年是我们经历的所谓 Buzzword 最多的一年。开始做现在这件事情时，我们就说要做一个完全自动化、无处不在的 Autonomous Agent，我们叫 Full Autonomous Agent。我们内部的定位是：它完全自动化、永远开机、永远在线，可以在任何地方、跨环境地被找到，这是我们的目标。

年初的 OpenClaw 有类似的目标。去年年底到今年第二季度，Personal Agent 从无处不在，发展到人们找到更高频的使用场景、知道怎么找到它，并发现它什么都能干。这个方向的先驱其实是一个叫 Poke 的产品。Poke 最近也被收购了。它是第一个让人们意识到，你可以在海外用 iMessage 给它发短信，然后它什么事情都能帮你做的产品。相当于在国内，你可以在微信里跟各种 Agent 对话，它还能主动来找你、主动推进事情。Poke 从 2025 年下半年一直做到 2026 年上半年。

本质上，我们觉得那个不变的极限是：模型越来越聪明以后，它掌握复杂系统和工具的能力，会从一个 API 进化到很多 API 组成的复杂系统，再到今天能组织超越操作系统级复杂度的各种工具。也就是说，当它可以操作多个操作系统级的系统时，你在手机上、电脑上都可以找到它，因为它可以同时接管所有这些环境，把它们处理成各种工具调用。

它在 C 端的体现可能是，有的 Agent 还是有一个 App，比如 Muse；有的没有 App，比如 Poke、Instinct。你给它打电话也行，发短信也行。无论你用什么接口跟它交互，它都能用 Browser Use、Computer Use、CLI、MCP 等方式调度各种工具，替你把活干完，而且干得可能比人类更好、更省钱。

这是 C 端的体现。由于它的本质是 AI 调度复杂系统，所以 B 端也会出现更多变化。首先是 SaaS 的崩溃，各种 SaaS 会被动态生成的软件取代。其次会出现像我们、像 Tolan，以及其他团队一样，尝试研究能不能让整个公司、整个企业作为一个复杂系统也被 AI 接管。

从产品和技术角度来看，我觉得 B 端和 C 端的 Personal Agent、Proactive Agent，是技术上比较一致的东西：AI 操作复杂系统，面向多个终端和多个用户。

那做企业和做个人，实际区别是什么？我在想，你做企业，最后也是企业里的人在用。

技术上有很大区别，商业上也有比较大的区别。

技术上的区别是，我觉得 To C 的 Personal Agent 还是一个平台型机会。今天 AI 创业跟以前互联网创业的很大区别是，规模效应和网络效应被极大地减弱了。以前你有更多用户，积累更多用户行为，就能帮助你迭代出更好的产品。但这件事在 AI 产品上往往不成立。你做一个聊天机器人，用户量再大，他们自己的数据也未必能让你进化成 Agent。模型本身的智能提升才是最大的决定性因素。

所以我们觉得，在 To C 产品上，大家长期以来没办法形成数据或智力层面的壁垒。你有 N 个用户，这些用户之间的协同或规模效应几乎不存在。

但做 B 端产品就不是这样。比如给公司每个人都配一个 Personal Agent，他们做的事情可能有大量重复，有些事情不需要重复做那么多遍。信息沟通时也可能有损耗。如果企业里的 Agent 和 Agent 之间、人和 Agent 之间都能互相学习，那在很多人做事、但整个企业有统一目标的情况下，规模效应或持续学习就是可以实现的。这是产品和技术上的区别。

另一个商业上的区别，我真的觉得 To C Personal Agent 太卷了。所有能在 To C Personal Agent 上活下来的公司，拼的可能都是产品之外的东西，比如供应链能力，能不能让大家省更多钱、买更多东西，以及怎么跟供应链攻防。你看我们很多 Personal Agent 都在被外卖或差旅平台封禁。所以 Instinct 和 Muse 在美国讲的更像是一个重新发明平台电商、重新定义消费供应链的故事。

但 To B Agent 控制的同样是复杂系统，可能有更直接的价值：帮公司用更少的成本完成更多工作。你把 1 块钱投到 AI Token 里，它学到什么、产出了多少东西，我们可以让它变得更透明，帮企业赚更多钱、用更低成本。这样我们也能更快捕获价值。我觉得对我们这种小团队来说，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 C Personal Agent 的核心原因。

美国的生态确实更开放。它为什么能有这么多基于短信的产品？我觉得很多产品在美国可能原地就能好用很多倍，瞬间能接入各种服务、各种生态，一开始就能获取人的很多 Context。

但最近看新闻说 Amazon 好像封禁了 Muse。也同时存在你说的那个情况：新一代产品会不会是在压住新一代的 Amazon 和各个平台？

它们都要面对这个命题，因为没有平台想从入口变成供应商，这在中美都一样。所以你需要非常大的业务体量才能重构这些东西。我觉得这应该是未来几年的一个核心命题。

如果这个事情真的被创业公司跑成了，可能就真的是一次大洗牌。现在大家经常用的这些产品，包括滴滴、美团这种生活服务类的平台，如果 AI 真的那么好，它们其实就都变成后台供应商了。大家不会再去它们那里做第一入口，它们的品牌价值、用户价值可能就都不存在了。

是的。但反过来，像滴滴、美团这样的公司现在也还挺强的，它们一定也会下场做 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的大洗牌可能还不一样，因为这些公司还挺强。

我站在外围说话不腰疼，但我觉得这样才有意思。不然长期都是那几家也没什么意思。最后哪怕还是那几家，至少从用户角度来说，这个过程中肯定要补贴，要做点什么吧？

对，现在补贴更严重了。以前你补贴商品，现在你既要补贴商品，又得补贴 Token，还得补贴广告。

你们现在我记得已经有几个大客户了，是吧？我觉得这还蛮难得的，因为过去几年做这种 AI 产品的大多还停留在讲故事的阶段，或者只有小范围 C 端用户在用。你们真的做到大客户了，你觉得原因是什么？大家的痛点、刚需和买单的点到底是什么？

我觉得我们切入点找得比较好，说实话，这么说不太谦虚。Personal Agent 或者今天的 Agent System 是一个非常黑客、非常 Hack 的东西。比如获取那么多 Context、拿到那么多权限，在 To C 的时候很难划定用户的信息边界。Personal Agent 几乎可以用你的所有信息去做任何事情，所以要通过很多巧妙的方法和逆向工程才能拿到这些东西。

但在 To B 场景里，企业的一号位负责人是乐意让你去 Hack 他的。比如我今天告诉一个 C 端用户，我拿到你手机的所有权限，能看到你的所有照片，目的是推测你是什么样的人，再给你推荐广告。这就是 Personal Agent 的逻辑，只不过广告不是以前那种贴片广告，可能就是一次 Chat 或一次消费行为。听起来就很吓人。

但在 B 端，我们告诉老板，以前有 8 个人干的事情，今天我用 AI 就可以端到端地做完。你的业务数据、财务数据、产品迭代，以及员工花钱买的每一个 Token 最后怎么变成代码、流到哪里、有没有通过上线和测试，都能由 AI 端到端地理顺。这些大客户比我更有动力去对他们的系统做必要的改造，就是为了让 AI 拿到更多 Context，产生更多产出。

所以在 C 端，你是在跟用户对抗；但在 B 端，只要我们把 AI 的 Know-how 展现到 C-level，这些真正赚钱的公司反而有很大的动力配合 AI 改造自己的公司。我觉得，如果你能做出比较好的全自动 Agent 系统，在 B 端前期有更好的 Adoption 是很自然的事情。

但这些公司，我的理解是绝大多数互联网公司已经全员 AI Coding 了。有的在讲 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。大家都在用各种 AI Coding 软件，你这个东西进去，跟之前有什么区别？

首先，这是一个比较大的悖论：AI 已经在消灭软件。我们这句话背后想表达的是，以前人是在适应工具做事。你必须有一个财务系统，在里面处理跟财务有关的数据。产品研发的流程里，除了工程师写代码，产品经理和设计师可能不写代码，他们跟写代码的人之间就有天然的壁垒。

所以 2025 年大家观察到，工程师加 Coding Agent 已经解锁了 100 倍、1000 倍的生产力。可是人和人之间需要交互，产品经理怎么办？设计师怎么办？这些人的工作流会牵涉到 GUI、更多的环境和更多的数据采集，本身就不像工程师的工作那么干净，对模型的要求其实更高。直到 2026 年模型能力达标之前，通用办公或代码以外的场景都没有被覆盖。

另一个点是，一旦 AI 可以端到端地优化这些事情，它就可以生成一次性软件，Hack 一个一次性系统。以前我们用软件做这件事，现在 AI 可能端到端地给自己写一套代码或做一个脚本，就把活干完了。以前很多岗位的工作流就不应该存在了。比如产品经理是不是就不写 PRD 了？设计师是不是就不用再画那么多设计稿了？

我们公司在设计和 UI 上也投入了比较多功夫，但我们的设计师现在已经能替代前端和客户端工程师。他用 Artifact 看真实代码长什么样，产物可以是新上线的功能，也可以是时尚界的 UI、宣传视频或 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。

所以，一方面要给每个人提供更好的工具；另一方面，每个人的工作流和角色也发生了根本变化。这使得你第一没办法用 Coding Agent 解决所有问题；第二，提效的地方可能不光来自个人效率提升多少倍，还来自系统之间交互产生了多少信息浪费。

你单纯给每个人配一个 AI，它可能经常用 AI 产生很大的 Slop。想象一个场景，一个产品经理让 AI 把需求翻译成 300 页的 PRD；另一个工程师看到这 300 页的 PRD，又让 AI 总结成一句话的需求，再去写代码。这里放大的大概率是噪声，而不是信号，因为人和人联调、讨论业务需求的环节反而被略过去了。所以很多公司给大家配了 Max Plan 以后，效率反而降低了，而不是提升了。

你说这个让我想到最近 Manus 发的 Mono，那是他们内部怎么做 AI 组织改造的事情，不知道你看了没有？

看到了。

是不是跟那个有一点像？

其实比较像，而且这应该是做 Personal Agent 或企业协作的共识。以前大家做软件开发时，代码库是面向工程师的东西。今天把那些不写代码的人也拉到一个 Monorepo 或者代码库里开发，用 Artifact 快速构建、实时预览、言出法随地直接修改。最终这应该是 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，或者还没有完成这样的改造。

这条线是不是又有点像从 LangChain 到 Dify、到 n8n，再到 OpenClaw、今天的 Hermes？你们其实也在一定程度上对标 Hermes 这些东西。

有类似的地方。在工作流时代，你更希望 AI 替你补全打字，但你还是在规划整个东西。等 AI 聪明到一定程度，它就从替你打字变成替你决策：它看到的信息比你多，做的决策比你多，提供的智力也比你多。

这在组织里也是一样的。2025 年，AI 可能还是工具，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，人就应该反过来适应它。产品经理、设计师和工程师都应该面对同一套以代码为底的 Monorepo，或者说同一个本体，去开发所有东西。

所以就像你说的，Agent 系统变得越来越广泛、越来越智能，人们使用它的方式也有越来越高的抽象层级，背后的原因是一致的。

这条线是不是也到了比较尾声的阶段？从我们该梳理的这条线来看，之前每一家刚出来的时候 Star 都涨得非常快。不管是 LangChain、Dify，还是 n8n，当时都非常火，Star 涨得飞快；OpenClaw 更不用说了。甚至还有很多开发 Skill，2026 年上半年也有很多特别火的，比如 YC 的老板做了很多东西，什么 G Brain、G Stack，还有 Andrew 的 [?]、MCP Wiki，乱七八糟的。但我感觉今天 n8n 已经好久没人提了。当年不管刷哪里都是一堆。Hermes 好像提的人少，但偶尔还能刷到，而且最近也拿到钱了。我不知道这里面大家的现状和未来发展趋势是什么，你怎么看？

我提这个，是因为可能到 2025 年底，大家就觉得 n8n 不太行、不太提了。但即便到了 2026 年 4 月到 6 月，大家做的很多单点优化、Skill 层面的优化，在 GitHub 上拿到很多关注，到 2026 年下半年也没人提了。

这是因为模型能力越来越强的时候，不是说有一种更好的工作流替代了以前粗糙的工作流，而是模型不再依赖任意的工作流。Skill 也好、工具也好、工作流也好，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进去了。

今天你用一个新的、更聪明的模型，或者一个新的、更好的 Harness，第一件事可能就是把之前的各种 Skill 卸载掉，把 System Prompt 删掉，否则它们对 AI 可能会有副作用。产品也是这样。去年和今年上半年，很多 Harness、很多以组织 AI 为生的开发平台或公司，都是在教 AI 做事。里面的工程工作是在给 AI 补短，而不是锦上添花。

到 2026 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 3 个字了。外挂类东西的作用就会越来越小，甚至没法用或者被淘汰。我觉得是这样。

但我记得当时大家提工作流的时候，一般会讲两个点。第一，尤其在 To B 端，大家追求工作闭环的确定性；如果纯 AI 生成的确定性不够强，工作流可能能固化确定性。第二是成本，很多工作流可以复用。现在这两个点有什么变化吗？

会的。这其实是一个很好的问题。我觉得工作流的固化本身也从模型外转向模型内了。

2024、2025 年的时候，模型生成的结果还有比较大的随机性，包括比较强的幻觉，以及指令遵循不够强。当时 KV Cache、Prompt Cache 层面的优化和 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性的输出固定下来。

现在一方面是模型的指令遵循和强化学习已经做到：控制任意 API 输出、遵循任意指令时，不会有什么错误，甚至比很多所谓以规则为主的确定性系统还要准。另一方面，模型结果开始变得可以复用。你会发现，在 Agentic 工作负载里，KV Cache 和 Prompt Cache 的命中率非常高。

如果你想要一个确定性的输出，以前可能靠外挂的东西把它存下来，让模型反复调用同一个 API、同一个工作流；现在可能在 Infra 层面就被优化掉了。如果几次工具调用或用户的工作值得被蒸馏下来，它可能已经存在 KV Cache 或 Prompt Cache 里，甚至像我们这样用小模型蒸馏大模型，让小模型把大模型确定能做的东西背诵下来。这要比写一个非常僵化的工作流强很多。

你说这个让我想到，现在我用一些 Agent 产品，提一个诉求，它会说：“我发现你上次是怎么做的，我会按照上次的方式来帮你完成这个任务。”

这是一种记忆层面的复用，工作层面也能复用。比如反复调用同一个 API，它生成的 JSON 只要之前生成过，KV Cache 的命中率就可能很高。

明白。但从这个层面来看，像你们现在签的一些大客户，为什么不选现有的 Hermes 或者那些东西？你们跟它们比，主要的差别在哪儿？

我们最大的区别是缓存命中和持续学习。我们用软件开发来举例，就像产品经理去读 GitHub 上的代码，然后根据代码写 PRD 一样。

假设一家公司有 100 个人。像 Hermes 或 Grokbot 这样的 Agent，还是给每个人配一个 Agent，Agent 之间没有协作的概念。我们这里是给所有人配同一个 Agent，但它是高并发、千人千面的。还是刚才那个例子，我们要读一份代码，然后对它做某种修改。以前可能 100 个人就得读 100 次；今天在我们这里，你的同事读过一次之后，你也能利用到缓存，就不会重复做那么多次。

另一个区别是，你的 Skill 或持续进化有了一个基座。以前 Hermes 或 Grokbot 之间没有协同作用，所以公司里最会用 AI 的两三个人跟其他人的效率差距可能非常大。作为老板，你想知道怎么让其他人变得像那些效率最高的人一样，但这很难通过培训或人和人之间的沟通讲清楚，因为这些系统本来就是 AI 主导的。

现在如果是同一个 AI，它能看到所有工作流，就能端到端地看到谁做得好、哪个环节卡在哪里。老板问 Grokbot 或 Hermes “大家都干了什么？我们整个公司的业务进展是什么样的？”100 个人和 100 个 Personal Agent 可能会输出 200 个不同的答案。但今天我们就可以把所有信息聚到一起，告诉老板：“你看，代码构建、PRD 书写和工作流在这个环节有问题，我们觉得这里可以这样改。”

它不光能变得更主动，肯定也有更快的学习过程。

用俗话来说就是打通了、闭环了、对齐了。你这个就很互联网了。

我怕挨骂，但你说得对。

好的，理解了。你刚才也提到你们自己搞模型。我知道你们也在实际训练一些模型。

对。

这几个月大家一直在讲公司自己训模型、模型一体的故事，也有很多公司说未来要训模型。但我觉得真的能落地的还是少。能不能给大家介绍一下，你们实际训练模型这件事遇到什么难点？现在这个节点做这件事有什么意义？

其实在 2025 年下半年，也就是现在的 AFK 公司成立前，我参与了国内第一个 1T 参数以上的多模态 Agentic Model 的训练过程。我们很仔细地做了一系列事情，包括 Sandbox 和 IL 机制。但深度参与过模型训练之后，那段时间我特别不相信创业公司的模型训练趋势。

因为我们觉得很难找到客户。做大规模 RL 需要非常聪明的人，更重要的是需要非常多的卡，以及非常科学的数据合成过程。所以这听起来不像是创业公司能有什么贡献的地方。那些 New Lab 和前沿厂商，从 OpenAI、Anthropic 到国内的 Kimi、DeepSeek、智谱，他们的卡、人才密度和基建端到端都比第三方好很多。创业公司做这件事情比较难。

开源模型可以理解成劣化版的闭源模型，小模型又是劣化版的开源模型。所以当时我们特别不相信做 RL 环境或提供 RL 服务这条创业路径。

但到了 2026 年，这件事情发生了很大的变化。一方面是 AGI 越来越近以后，训练模型的成本本身下降了。另一方面，你不需要再说“我通过第三方 RL 服务做一个在某个方面比闭源模型更强，或者比更大规模、更多参数的模型天花板更高的东西”。

以前我们训练模型，总需要告诉别人说我在某个任务上比所有人都强。你发布模型时，总需要在几个 Benchmark 上打到 SOTA 才能发布。这会带来大量过拟合，而且你在 Leaderboard 上待的时间也可能很短。

但到 2026 年以来，我们看到了像 Java 这样的模型开始出现，说明大模型的架构本身发生了变化。今天训练小模型，可以做到不需要比 AGI Model 更强，只需要给它提供肌肉记忆，把大模型确定能做对的东西用更低成本、更快响应速度做出来。这是我们认为 2026 年 RL 文艺复兴的一个点。

今天规模化地蒸馏大模型，可以把大模型经过很长 Reasoning Process 才能得到的结果，变成一个 System 1 Model：不需要 Reasoning，就能快速判断、快速输出结果。这是一个系统性的机会，而且商业上很合理。你必须找到有用户偏好作为 Reward 的场景，也要有非常强的 SOTA Model 给出正确结果，作为 Ground Truth。只有同时满足架构变化、基模能力达标，蒸馏大模型这件事才能做。现在才刚有这样的机会，所以我们又变得很兴奋。

你们现在训练的是什么模型？

我们现在主要训练两种模型，都是小模型。

第一种叫 Task Routing Model。实际上，我们用类似 Java 这样的 Preference Model，在基模完成任务后，把它做过的任务以低成本复现出来。当你的公司都在使用我们的模型时，一定会有大量任务已经通过调用 GPT 或 Anthropic 这样的先进模型完成，并产生工具调度过程和结果。我们把这些 Trajectory 记下来之后，就能训练自己的模型，把这些东西蒸馏下来，并对齐用户的使用习惯和偏好。

对 SOTA Model 来说，完成一项任务可能有 5 条不同的路径，都能做完。用户第一次使用 SOTA Model 时，可能倾向于其中一两条。我们观察它怎么做之后，小模型会把做法和用户偏好有学样地记下来，我们管这个叫模型的肌肉记忆。

我们管训练这种模型叫 Agentic System 的植物神经或周围神经。那个很聪明的模型可能是大脑皮层，我们做的事情可能是给它配上脑干和脊髓。企业用它做事，就像人类学习游泳、骑自行车：第一次骑的时候，运动神经和大脑需要很多思考才能完成；但小模型观察几次之后，就变成了肌肉记忆，帮助你快速、低成本地条件反射，把事情做完。这是我们训练最主要的模型，我们管它叫一种 Task-Growing Model。

第二种是大概 20B 到 40B 参数的 Work Model，专门面向企业。今天很多操作系统和动态软件使用闭源模型时，可能还是有比较多的安全限制。比如公司可能需要逆向自己的一些操作系统层产品或接口，我们可以提供更强的逆向能力，让模型更快地处理企业内部的特定任务，也少一些限制。这也是我们为企业提供的一种服务。

明白。我听你讲这个，脑子里浮现出 DeepSeek 领域有点类似的大脑、小脑故事。

对，但又跟 DeepSeek 不太一样。反倒是 DeepSeek 的大脑、小脑最近正在被颠覆。

大脑被颠覆了。

对。

你们后面大概的规划是什么？你对整个 Agent 市场后续的发展有什么看法？

首先我觉得 AI 真的会端到端地消灭操作系统、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。比如今天游戏引擎有点消亡了，AI 可以为每个游戏定制一个专门优化的渲染管线，也可以为每种运行设备专门优化。

最近一个很火的 Skill，像 Rea [?]，可以做到在任何安卓平板上运行任何 Switch 游戏。要做到这一点，相当于它给每个游戏动态写一套指令集和专门为那台安卓平板优化的渲染管线，让游戏跑起来。这样的事情以前不可想象。它已经做到为每个游戏、每台设备高度定制了。以后可能每个人的每项任务、每件事情，都是用高度定制的软件完成的。

我们有两个比较根本的判断。第一，今天所有的软件都是开源软件。即便你不把源代码给出去，只要别人知道你在做什么，拿到你的 API Spec，就能让 AI 把整个软件逆向出来，或者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，更多软件的能力会转到模型智能里面。这是一个根本性的变化。

第二，我们觉得模型的普惠在两三年内可能会有很大变化。未来一到三年，我们给企业提供用最好的模型和最先进算法创造更大价值的服务，帮本来就能捕获价值的公司提高捕获价值的效率，我们从中分一部分钱作为利润。这是做 To B 比较直接的事情。

但这背后，今天最好的 AGI 级别模型主要来自 Anthropic 和 OpenAI。开源模型的进化速度越来越快，追赶进度也在加速。所以我觉得两三年以后，AGI 模型的供给会变得非常充裕。那时候在 B 端、C 端重构世界的软件和商业规则会是什么样？会变得非常血腥，也非常 exciting。

很难想象，但最近我们觉得可能还是做企业更靠谱一点。

我感觉整个 AI 游戏、Agent 这块的进展是不是开始相对成熟、慢起来了？这两年最后大家看起来能挣到钱的，一个是 AI 陪伴，里面有很多赚钱的产品，大家很多都活得不错；另外也有视频赛道。除了大家看到的 Higgsfield 和 DeepLive，其实这个赛道里的玩家都在增长，不只是前面那几个，没有被前面几家吃掉，而是整个赛道一起在涨。

我觉得核心是聊天能力和视频生成能力已经相对成熟了。这些赛道的交付结果非常可预期，也能商业化闭环。Agent 这件事大家一直在讲，一直在出新东西，似乎近期才渐渐达到那个程度。我的体感是这样的，你的体感呢？

也是厚积薄发。AI 系统必须端到端完成任务才能创造价值。之前这个桶只要缺一个环，它就没有解锁很大的价值；但最近这个环开始被补上了。甚至像刚才说的，之前赚到过钱的视频和语音陪伴赛道，也在被今天的通用基建和通用模型挑战。

事实上，过去两三年间，当年的图像生成、视频生成还是以 Diffusion Model 为主，不一定是用今天 GPT 这样的自回归模型做的。但最近这件事也被模型颠覆了。Opus 5.5 是最会剪视频的模型，GPT-6 Astra 是最会控制机器人的世界模型，简直倒反天罡。

AGI 开始变得接近，桶也开始变满。之前有些人把 AI 当成新物种，在视频、陪伴和聊天上做了一些单点突破，带来 AI 尝鲜的价值。但接下来更大的革命可能是 AI 在几乎所有企业、所有场景和所有生产过程中，都能端到端地展现出远比人类高效的能力。它们也会开始爆发。你说得对，我觉得 Agent 正在跨越这个基点。

最后我想问一下人才组织的事。包括我们提到的尤雨溪那边，我知道现在还在 Cloudflare、当时被收购的那些人，其实也是你们核心的研发和算法人员，现在也在 Cloudflare 里面非常重要，对吧？Cloudflare 可能很多人不太熟，但它是过去两年涨势非常好的、少有的逆势增长的端侧股票之一。

最近 Twitter 上比较小火的 Airbuild，其实也是 AFFiNE 之前的产品负责人出来做的。还有生姜，很多人都听过他，算是偏自媒体网红，也做一些 Vendor 增长服务，做得很好。所以我想说，你对招人和人才组织有什么心得？怎么能找到这么多很好的人？你现在的团队背景也都非常好。

首先还是非常感谢创业这件事情。它是一个很特别的过程：当你把一群真正想做事的聪明人聚在一起，大家共同成长的速度会非常吓人。

刚才提到的很多人，至少证明了从进入 AFFiNE 到离开 AFFiNE 的大多数人都超越了原来的自己。这里面产生了好几位创业者、技术负责人，也有很多人在不同领域发光发热。至少我们在创业中证明，自己实实在在做了很多事情，也学到了很多。

你要非说人才组织的话，我觉得创业有意思的地方是：当你真的去塑造一个环境，让有才华、有想法的人可以放开手脚，比在大厂受到更少限制，发挥自己的才华时，你真的能做出一些比较美好的事情。创业的运气、时机和很多事情还是很重要，所以并不是每家公司都能上市。但能不能让自己变得更强、让人变得更值钱、提升下一次成功的概率，仍然是一个容易被忽略的回报。

我其实没有很多非常具体的招人和做事心得。最大的心得就是，还是要跟聪明、善良、可以坚持、勇敢的人一起创业，做些有意思的事情，然后 Shoot for the Moon。你不一定能 Land 到那颗 Star 上，但大家绝对都会比原来的自己更强。

所以 AFFiNE 出去的很多成员还是有非常好的结果。比如圣兰，我也投了他，他也从王慧文老师那里拿到了比较好的融资结果。Airbuild 在 Twitter 上也火了。

还有之前对 AFFiNE 贡献最大的 CTO 太郎。他不光做出了优秀的开源项目，也把 AFFiNE 推到了新的高度，现在还成了 Cloudflare 的 Principal Engineer。我们最近做的大模型 Token 透视技术，有很大一部分就是他开源的项目所主导的。

还有尤雨溪老师。我们有幸参与并目睹了 Void Zero 从成立，到让 Vite 从一个公益性质的开源项目变成成功的商业产品，最后被 Cloudflare 收购，也让我们有了一定的退出和回报。我觉得这都是一些非常神奇的 Amazing Journey。

还有很多产品、设计、运营的同事，现在在各个大厂和创业公司里开枝散叶，这其实也是一种收获。

我还是觉得很牛、很厉害，不枉费你创业这么多年，还是拿到了一些结果。包括我觉得你带的团队都能拿到一些结果，这挺难得的。

希望这次可以拿到更大的结果。

好的，那加油。我们今天就这样，谢谢。

静まれ、嵐。静まれ、暴力。静まれ、意味のない。难以让人着迷。