跳到正文
42章經(xiaoyuzhoufm.com)· 賀嘉琛·· 8 天前品質評分58

覆盤 2C 和 2B Agent 發展脈絡|對談 Afk.surf 創始人嘉琛

覆盤 2C 和 2B Agent 發展脈絡|對談 Afk.surf 創始人嘉琛

重點導讀

Afk.surf 創始人賀嘉琛比較 to B 與 to C agent 的技術與商業差異,認為 to C 競爭激烈、to B 更貼近客戶價值,並指出工作流確定性正從外掛轉向模型內,agent 已跨越價值爆發的基點。

AI 伴隨問答

自備 Key 深度分析

針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:

Podcast 專家音訊節目

收錄於 888news Podcast 智庫專區,包含精華摘要與上市公司即時行情

正文

Afk.surf 創始人賀嘉琛認為,AI agent 的產品形態已基本固化為「無處不在、可主動找上門」的形態,下一階段的競爭在於企業能否讓 agent 持續學習、把公司當成一個可被 AI 接管的複雜系統。他同時判斷,工作流、skill 這類外掛的生命週期正在急劇縮短,因為模型本身會把它們學進去。

這期訪談以他個人的創業脈絡為線:先復盤 AFFiNE 從開源爆款到商業化未竟的經驗,再展開 to C 與 to B personal agent 的賽道分野、Afk.surf 的「全公司共用一個 agent」設計、自訓小模型(task broken model 與 20–40B work model)的邏輯,最後談 AI 消滅軟體與 SaaS 的判斷、以及他對人才與團隊成長的心得。標題所稱的 2C/2B 脈絡確實是主線,但真正佔篇幅的是他對 agent 產品形態演化與模型蒸餾的具體技術判斷。

AFFiNE 贏在上半場的多模態,輸在下半場 AI 變得太自主

賀嘉琛把 AFFiNE 的成敗拆成兩段。上半場做對的事,是在合適的時間推出一個大家需要的產品:他觀察到人類的工作是多模態的,文件、錄音、畫布、資料處理應該在一起。二二、二三年融資時他們就在講「多模態工作空間」這個概念,這讓 AI 到來時他們很自然地訓練了自己的 embedding model 與多模態 AI。他稱二四年四月發布的 AFFiNE AI 是世界上第一個可以在多模態技術上檢索、deep research 並生成的工作空間。

下半場的問題在於產品形態本身。他用一個類比說明:二三年、二四年的 AFFiNE 像是「給不寫程式碼的人用的 Cursor」,Cursor 加工程式碼,AFFiNE 加工文件、表格、設計稿;但就像 Cursor 之後出現 Claude Code、再出現各種 Grok Bot 與 to B productive agent 的趨勢一樣,AI 本身會越來越 autonomous,具體的編輯工具與編輯環境反而變成對 AI 模型的掣肘。他歸納的教訓是:從二四到二五再往後,團隊想做更 AI 的東西,而資本市場變化很快,「也是時候重新出發去做一點別的更 neat 的東西」。

主持人提到一年前在上海見他時,對他的印象是「年輕有衝勁、覺得自己很牛逼」的年少無畏,但那次已感覺他成熟不少。賀嘉琛自己的說法是,創業讓人進步很快,「每一年跟前年的我,不管是內在還是外在,甚至體重上變化都挺大的」,而成長是創業最大的回報。

Agent 形態已固化,to B 才是小團隊離錢更近的路

他對 agent 產品形態的判斷很明確:過去兩年經歷了 GUI、TUI、CLI 的震盪,Codex 之後大家又開始更常用 artifact,再到 personal agent,變化非常劇烈;但最近發生了一個「大的過濾器」——今天的 proactive agent 已不依賴特定的人機互動介面、UI 或 UX,變成無處不在的東西。因此接下來智慧與工具集的提升是縱向的,產品形態則相對固化,「它變得特別像一個人了,你可以各種渠道、各種地方無處不在的找到它」。

他把 to C 與 to B 的差異拆成技術與商業兩層:

維度To C personal agentTo B agent system
規模/網路效應幾乎不存在,使用者量再大也難形成資料或智力壁壘員工工作大量重複,agent 之間與人機之間可互相學習,規模效應成立
競爭焦點拼產品外的東西:供應能力、省錢、與供應鏈攻防拼端到端完成業務、降低成本、捕獲價值
與使用者的關係與使用者對抗(要許可權、拿 context 很難)企業一號位樂意讓你 hack 他的系統
代表產品Poke、Instinct、MuseAfk.surf、Tell

他點名 to C 賽道「太捲了」,很多 personal agent 正在被外賣或差旅平臺封禁,並提到 Amazon 封禁 Muse 的新聞;Instinct 和 Muse 在美國講的故事更像「重新發明平臺電商、重新定義消費供應鏈」。他認為沒有平臺想從入口變成供應商,這在中美都一樣,需要非常大的業務體量才能重構。主持人則把這件事稱為未來幾年的核心命題:如果創業公司跑成,滴滴、美團這類生活服務會變成後臺供應商,品牌與使用者價值不復存在;賀嘉琛的回應是這些公司「現在也還是挺年富力強」,一定會下場做 personal agent,所以「這就是創業中比較血腥的戰爭」,而且補貼更重了——「以前你補貼商品,現在你又得補貼商品,又得補貼 token,還得補貼廣告」。

Afk.surf 的核心設計:全公司共用一個高並發、千人千面的 agent

Afk.surf 的定位是面向企業持續學習的 agent system,對標 Hermes、Grok Bot、Tell 這類「凡是人類能用的工具它都能接管」的 proactive agent,差別在於額外引入持續學習能力。他的問題意識是:給每個人配一個 personal agent,個人工作或許能被完成,但 agent 之間沒有聯動、沒有學習;對決策層而言,原本要處理一百個員工的訊號與噪聲,現在變成一百個員工加一百個 agent,「放大的可能是噪聲而不一定是訊號」。

Afk.surf 的做法是所有人共用同一個 agent,每個人私聊時仍有單獨的記憶與執行環境,但這個 agent 同時在所有員工、所有軟體的切面上持續學習。他舉了兩個價值:一是像 X 光一樣透視公司業務細節,每一行程式碼、每一個 API、每一場會議、每一次客戶溝通都被學下來;二是這種學習可以引數化,訓練出有持續學習能力的模型,讓公司真正擁有自己的智慧財產權。

與 Hermes、Grok Bot 的具體差異,他用「讀一份程式碼再修改」舉例:過去一百個人要讀一百次,在 Afk.surf 裡同事讀過一次,其他人可複用快取,浪費大幅減少。另一個差異是協同基座——過去公司裡最會用 AI 的兩三個人與其他人效率差距極大,老闆很難靠培訓說清楚;而如果同一個 AI 能看到所有工作流,就能端到端看出誰做得好、卡在哪裡。他直言,若問 Grok 或 Hermes「大家幹了什麼、公司業務進展如何」,一百個人加一百個 personal agent「可能還是會輸出兩百個不同的答案」。

他強調 to B 的切入點在於老闆有比使用者更強的動力改造系統,讓 AI 拿到更多 context;只要把 AI 的能耗展現到 C level 級別,真正賺錢的公司反而願意配合改造。他也回應了「大家都在用 AI coding」的疑問:coding agent 只解鎖了工程師的生產力,產品經理、設計師的工作流牽扯 GUI、更多環境與資料採集,對模型要求更高,要到二六年模型能力達標才被覆蓋。他舉自家公司為例,設計師已替代前端與客戶端工程師,用 artifact 看真實程式碼,產物可以是新功能、新 UI、宣傳影片或 user onboarding;產品經理則變成定義功能邏輯的工程師。他警告單純給每個人配 AI 會放大噪聲:產品經理讓 AI 把需求翻譯成三百頁 PRD,工程師再讓 AI 總結成一句話去寫程式碼,「這裡放大的大機率是噪聲而不是訊號」。

主持人把這條線與 Manus 發布的 mono 內部 AI 組織改造相比,賀嘉琛認為兩者很像,並稱把不寫程式碼的人掰到同一個 mono repo、用 artifact 即時構建預覽直接改最終結果,「應該是 AI 時代開發的一個標準範式」,但很多公司還沒意識到或完成改造。

工作流與 skill 正在被模型吸收,確定性與成本優勢雙雙內化

從 LangChain、Dify、n8n 到 OpenClaw、Hermes 這條線,他的判斷是生命週期越來越短。n8n 在二五年底大家就覺得不太行、不太提了;二六年四到六月很多 skill 層面的單點最佳化在 GitHub 上拿到很多 star,到二六年下半年也沒人提了。原因是模型變強後不是出現更好的工作流替代粗糙的工作流,而是「模型就不依賴任意的工作流」——skill、agent、工作流這些外掛會被模型學進去,換新模型或新 harness 的第一件事往往是把之前的 skill 卸掉、system prompt 刪掉,否則帶來的是副作用。他認為去年到今年上半年很多 harness 與 AI 開發平臺本質是在「教 AI 做事」,是在給 AI 補短而非錦上添花;到二六年下半年,他點名的 Office 5.5、GPT 6 Astra 這類模型在大多數場景上「已經配得上 AGI 這三個字」。

主持人追問工作流原本的兩個賣點——to B 的確定性閉環與成本復用——是否失效。他的回答是兩者都從模型外轉向模型內:過去模型隨機性大、幻覺強、指令遵循不夠,KV cache、prompt cache 最佳化與 loop transformer 等技術也還沒出現,所以需要外掛把輸出固定下來;現在模型的指令遵循與強化學習在控制任意 API 時「甚至比很多所謂的規則為主的確定性的系統還要更準」,而 agentic 工作負載的 KV cache、prompt cache 命中率非常高,值得蒸餾的工具呼叫已經存在快取裡。他提到自家做小模型蒸餾大模型,就是讓小模型把大模型確定能做的事「背誦下來」,比寫一個僵化的工作流強得多。主持人補充的體感是,現在用 agent 產品時它會說「我發現你上次是怎麼做的」,這正是記憶層面的復用。

自訓小模型:把大模型的 reasoning 變成企業的肌肉記憶

他先交代背景:二五年下半年、Afk.surf 成立前,他參與了國內第一個 1T 引數以上多模態模型(他稱「一站 T 跟 MoDo」)的訓練,仔細做了 sandbox 與 RL 基建。正因為深度參與過,那段時間他「特別不相信創業公司的模型訓練這個趨勢」——大規模 RL 需要非常聰明的人、非常多的卡與科學的資料合成,開源模型是劣化版的閉源模型,小模型又是劣化版的開源模型,創業公司難有貢獻。

二六年發生變化:scaling law 越來越近使訓練成本下降;不再需要靠第三方 RL 服務在 benchmark 上打 SOTA,也就避開了大量過擬合與 leaderboard 停留時間短的問題;JEPA 這類模型的出現說明架構本身在變,小模型不必比大模型更強,只需提供「肌肉記憶」,用更低成本、更快響應把它確定能做對的事做出來。他把這稱為「二六年 RL 文藝復興的一個點」:規模化的大蒸小,把大模型經過長 reasoning 才能得到的結果變成 system one model。商業上成立的條件是同時具備有使用者偏好作為 reward 的場景,以及有強 SOTA 模型的正確結果作為 ground truth。

他們訓兩種小模型:

模型規模作用
task broken model小模型用類似 JEPA 的 prefill 方式,把 SOTA 模型做過的任務低成本復現;從公司呼叫 GPT、Anthropic 時留下的 trajectory 中蒸餾,並對齊使用者偏好
work model20–40B 引數面向企業內部,提供更強的逆向能力、更少的限制,處理閉源模型有安全限制的場景

他用生理學比喻:很聰明的模型是大腦皮層,他們做的是給它配上腦幹與脊髓——「AI system 的植物神經或周圍神經」。企業使用時就像學游泳、騎腳踏車,第一次需要大量思考,觀察幾次後變成條件反射式的肌肉記憶。主持人把這個聯想為《巨神領域》的大腦小腦設定,他回應「反倒巨神的大腦小腦最近正在被顛覆」。

軟體與 SaaS 正在消亡,兩三年後模型供給過剩會重寫商業規則

他的兩個根本判斷:第一,今天所有軟體都是開源軟體——即便不交出原始碼,別人只要知道你在做什麼、拿到 API spec,就能讓 AI 逆向出整個軟體或重寫一個功能一模一樣的替代品,所以軟體本身在消亡,更多能力轉向模型智慧。第二,模型普惠在兩到三年內會有非常大變化:今天最好的模型主要來自 Anthropic 和 OpenAI,但開源模型進化速度與追趕加速度都很快,兩到三年後供給會非常充裕,屆時 B 端、C 端重構世界的軟體與商業規則「會變得非常血腥、非常 exciting」。

他舉遊戲引擎為例:AI 可以為每個遊戲定製專屬渲染管線、為每臺裝置專門最佳化;近期很火的 Ryujinx 能讓任何安卓平板跑任何 Switch 遊戲,等於為每個遊戲動態寫一套指令集與專屬渲染管線,「這樣的事情在以前是不可想像的」。他預期以後每個人的每個任務都由高度定製的軟體完成。短期內,Afk.surf 的生意是幫本來就能捕獲價值的公司提高效率並從中分成。

主持人觀察到 AI 陪伴與影片賽道已能賺錢、賽道整體在漲而非被頭部吃光,因為交付結果可預期、能商業閉環;賀嘉琛同意這是厚積薄發——AI system 必須端到端完成任務才有價值,「這個桶只要缺一個環它就沒有解鎖很大的價值」。他補了一個反轉:過去以 diffusion model 為主的影像、影片生成,如今也被自回歸模型顛覆,「Office 5.5 是最會剪影片的模型,然後 GPT 6 Astra 是最會控制 robotic 的世界模型,這簡直就是倒反天罡」。

人才回報是創業最被低估的部分

主持人盤點從 AFFiNE 走出去的人:VoidZero 被 Cloudflare 收購後,核心研發與演算法人員在 Cloudflare 地位重要;AFFiNE 前產品負責人出來做的 Airtable 最近在推特上火;生薑做自媒體加 vendor 增長服務也做得很好。賀嘉琛的回應是感謝創業這件事本身——把一堆真正想做事的聰明人聚在一起,共同成長速度非常嚇人,從進入 AFFiNE 到離開的大多數人「還是超越了本來的自己」,產生了若干創業者、技術負責人與在不同領域發光的人。

他點名幾位:盛蘭(他也有投資)從王慧文老師那裡拿到比較好的融資結構;前 CTO 太郎不只做出優秀開源專案、把 AFFiNE 推到新高度,現在是 Cloudflare 的 principal engineer 之一,Afk.surf 最近做的大模型 token 透視技術有很大一部分由他開源的專案主導;與尤雨溪一起參與和目睹 VoidZero 從成立、Vite 從公益開源專案變成商業產品、最後被 Cloudflare 收購,讓團隊有了一定的退出與回報。他的招人心得沒有具體方法論,只有一句:「還是要跟聰明的、善良的、可以堅持的、勇敢的人一起去創業」,並引用「should follow moon」——不一定能 land 到哪顆 star 上,但大家都會比本來的自己強得多。

值得追蹤的張力

這期最值得盯的,是他兩套判斷之間的張力。一邊說 agent 產品形態已固化、護城河要靠企業內部的持續學習與引數化智慧財產權;另一邊又說軟體在消亡、模型供給兩三年後會過剩——如果模型本身持續把 skill 與工作流吸收掉,Afk.surf 的 task broken model 所蒸餾的「肌肉記憶」能保值多久,取決於大模型迭代速度與企業資料封閉性的賽跑。另一個未解的變數是 to C 入口爭奪:他判斷沒有平臺願意從入口變成供應商,Amazon 封禁 Muse、personal agent 被外賣與差旅平臺封禁都是這場攻防的早期訊號,而滴滴、美團這類「年富力強」的公司下場後,創業公司的視窗會有多寬,目前沒有人給出答案。

來源: 42章經 (xiaoyuzhoufm.com)
開啟原文

讀者討論

理性交流 · 即時討論