【十字路口】新的創業機會，正在 Claude Code 和 Codex 周圍長出來｜對談 Treg【影片播客】

Treg 創辦人 Jason Zhou 認為，模型越強，AI 應用公司越應放棄自建 agent 全棧，轉而圍繞 Claude Code 與 Codex 生態做單點增益——他的團隊在九個月內三次轉型後，靠一個 Codex 外掛找到增長曲線，最終做出「給 agent 用的資料與 API 市場」。這集節目大部分時間在復盤這段轉型史：SuperDesign 為何被模型能力追上、Coolant 為何無法交付結果、以及 Treg 上線三週營收即達 SuperDesign 數倍；標題所說的「新創業機會」主要體現在後半段對生態內工具（Apify、Firecrawl、Exa、Orca、Vibe Island 等）的盤點，篇幅約佔全片三分之一。

與談者 Jason Zhou（前 Relevance AI 產品與 AI 團隊負責人，1993 年生）與石天鑫（前阿里、位元組十年工程師，1994 年生）以親歷者身份說明：為什麼「零人公司」在未來六到十二個月不成立、為什麼開源與外掛市場是 AI 產品最有效的營銷、以及 loop engineering 在運營層面能做什麼、不能做什麼。讀者可以從中得到一套判斷 AI 應用定位的具體坐標，而非泛泛的「模型吞噬應用」敘事。

三次轉型：從設計 agent 到 agent 的資料市場

Treg 的定位是「Open Router for data and tooling」——用一個 key 就能呼叫各類資料與 API，不必逐個訂閱。這條路徑是三次轉型的產物，每一次轉型的觸發因素都不同：第一次是模型能力追上應用，第二次是交付結果太難，第三次則是被一次意外的外掛流量點醒。

| 階段 | 產品 | 做什麼 | 轉型原因 |
|---|---|---|---|
| 第一階段 | SuperDesign | 設計 agent，最初是 Cursor 外掛，後轉網頁版 | 模型前端能力增強（Jason 稱自 Gemini 3 起各大廠開始捲前端），加上使用者湧向 Claude Code / Codex，外掛形態的商業化路徑不明 |
| 第二階段 | Coolant（2026 年 4–6 月） | 全自動增長 agent，替已有業務的公司做 SEO、社媒、ads、找客戶 | 無法交付結果，做了約一個多月後叫停 |
| 過渡期 | 用 AI 運營 SuperDesign（約兩個月） | 不做產品開發，只搭自動化 loop 驗證「零人公司」 | 得出兩個結論後轉向 |
| 第三階段 | Treg | 把 Coolant 內部的中轉服務抽出來，做成 agent 用的資料與 API 市場 | 外掛帶來的流量與低 churn 顯示生態機會 |

SuperDesign 的起點是一個週末專案：因為 Jason 自己的 YouTube 頻道做 UI 設計內容流量很大，他們做了一個 Cursor 外掛，開源後幾個月內在 GitHub 上拿到六千多 star，且完全是 organic 增長。Jason 稱這讓他決定辭職創業，但創業後第一件事反而是放棄開源路線——理由是外掛形態看不到好的商業化路徑，且希望網頁版能覆蓋更多非 Cursor 使用者。他事後承認判斷失誤：「但沒想到後面一年的變化是大家全都湧入了 Codex 跟 Claude。」

Coolant 的靈感來自 Posia。Jason 說他 2026 年 2 月看到這個產品時 ARR 大約十幾萬美元，但體驗讓他「大為震撼」：註冊後不給任何資訊，Posia 只憑郵箱就查出他是誰、在做什麼，隨即生成兩三個創業 idea，選定後直接搭好 landing page，甚至幫他找客戶、發 cold email，而且真的有人回信。Koji 也試用並充值數百美元開了「godmother」模式，讓它做一個 AI 播客後臺工具，結論是「沒有幫我賺到錢，只幫我花了錢」。

Jason 說，真正做下去才發現 Posia 最聰明的地方：它賣的是「AI 掌管整個公司」的願景，但實際交付的只有從零到一那一段——把網站和工具搭起來，做到極致絲滑；一旦進入真實業務線、要交付結果，難度就完全不同。Coolant 想服務已有業務、想 scale 的創辦人，結果撞上同一堵牆。

增長沒有 silver bullet，所以 agent 交付不了結果

Coolant 失敗的技術原因，Jason 歸結為兩點：資料拿不精準，以及增長本身依賴 human taste。工具市場極度分散，而 marketing 沒有萬能解——真正有效的渠道往往來自大量嘗試後發現的、別人做得少但適合自己的那一條，然後持續加碼；但當所有人都做同一件事時，渠道又失效了。這種動態過程很難交給 agent 全自動完成。

他舉的具體例子是 SEO：給 agent 的工作流是抓取相關 keywords、看流量與競爭度、然後下注。實際執行才發現大部分 keywords 早已被搶得差不多，真正的機會在於判斷某個目前流量不高的詞在一到三個月後會不會起來——這一步 agent 做不了。

過渡期的兩個月驗證（用 AI 運營 SuperDesign）給出更明確的邊界：support 可以全自動化，bug fixing 也可以，但增長相關的 use case 很少能自動化，因為需要人介入的場景太多。由此得出第一個結論：未來六到十二個月「零人公司」不成立，真正要解決的是人與 agent 大量協作的場景。

「未來六到十二個月零人公司它一定不是一個可能的場景，更需要解決的問題可能是你在人和 agent 大量協作的這個場景下去做這個事情。」

第二個結論來得更偶然：那段時間做了很多 growth experiment「都沒什麼鳥用」，真正改變增長曲線的是石天鑫某天做的 Codex 外掛——上線後增長曲線突然改變，海量使用者湧入，而且來自這個 segment 的使用者 churn 也變低了。

外掛市場的早期紅利：改名排到第一，零宣發拿到流量

石天鑫復盤了那次增長的具體操作，幾乎沒有技術含量：Codex 剛推出 plugin marketplace 時，市場上沒有太多有意思的外掛，他們只是把原本的 Cursor 加 skill 發布上去。因為 ChatGPT 與 Codex 本身已有巨大使用者基數，外掛容易被看到，只要有吸引力就會被使用並轉化。

最戲劇性的一個細節是排序規則：當時外掛市場按字母順序排列，他們把名字從 SuperDesign 改成「01 SuperDesign」，就排到了第一位。石天鑫說這個位置只維持了幾天，平臺很快改成按自己的邏輯排序，但這個起步給了他們自己的量。他的結論是：早期工具與市場都值得嘗試，因為你不知道哪一次嘗試就會帶來流量。

Jason 由此提出一個類比：Codex 與 Claude Code 現在有海量使用者但體驗不夠好，圍繞它們做體驗增益，類似當年 Facebook 之上長出 Zynga、eBay 之上長出 PayPal。而 Coolant 時期做的一堆東西裡，最有遷移價值的其實是工具層——各家 harness 差別不大，但要做真實的 go-to-market 或任何專業工作，需要大量專業資料與工具，所以他們當時在內部做了一層中轉服務。Treg 就是把這層抽出來單獨賣。

商業化結果：Treg 上線約三週，營收已是 SuperDesign 的數倍（具體數字不公開）。收費完全按用量，沒有月費。目前付費最集中的場景是 go-to-market 中的找客戶——海外 B2B 找客戶原本要分別買 Apollo、RocketReach 等多家 vendor，每家只覆蓋一部分資料，且都收月費，導致用戶往往只能選一家；整合後可以按場景和行業選最合適的 endpoint。其他主要場景包括 SEO / AEO（整合 SERP ranking 與 AI visibility 資料來源）、社媒與 UGC（整合生圖生影片 endpoint，打通整條鏈路）。

中立市場的護城河：資料飛輪與 agent 給 API 打分

面對「模型公司或頭部資料商為何不直接對接、繞過中間層」的質疑，Jason 的回答是現實中不存在單一頭部供應商：每個場景都有幾十家提供商，各自強項與價格都不同，企業要找對人需要多種不同資訊。石天鑫則把 Treg 比作 Costco——站在中立位置，替使用者篩出市場上最好的資料，以較高價效比提供。他也提到跨平臺價值：即使從 Claude Code 切到 Codex，之前積累的工具呼叫與資料都留在 Treg。

石天鑫還提出一個觀察：未來各家 agent harness 可能因為接入的獨特資料而吸引使用者。他舉例一位朋友用 Kimi 的原因是它接入了萬得的股票交易資料。

Treg 正在建的資料飛輪，核心機制是讓 agent 而非人來評價工具。石天鑫的判斷是，很多產品的真正使用者已經不是人，而是人的 agent，所以只有 agent 對產品有最真切的體感。系統會隨機挑選使用者讓其 agent 給反饋，日常持續讀取這些反饋：簡單 bug 直接修掉，有趣的 feature request 收下評估。更進一步，他們讓 agent 對每一次 API 呼叫做脫敏評價——資料有沒有用、哪個欄位起了作用——沉澱後得到每個 endpoint 在「有用度」與「價效比」上的得分圖表，再展示給後續使用者，讓 agent 按需求選型：要精確性就挑最貴最好的端點，要廣度與低價就挑價效比高的。

「我理解我們現在的很多產品的真正使用者其實並不是一個人了，而是這個人的 agent，所以它才對我們的產品有最時刻的、真切的體感。」

Jason 把這套機制稱為 Treg 的資料飛輪，並認為這是應用層 AI 團隊的通用解法：既然無法訓練自己的模型，總要讓一些資料反哺產品。

生態地圖：infra 公司開始直接服務終端使用者

節目後半段盤點了在 Claude Code / Codex 周圍長出來的一批產品，這是標題所指「新創業機會」的具體內容。Jason 提到一個結構性變化：過去被視為 infra 的公司，如今服務的不只是 to B 開發者——用量裡大約一半是開發者，另一半是不會寫程式的終端白領，他們只知道接了 Firecrawl 之後 Claude Code 抓網頁更高效，不需要管 API 怎麼呼叫。

| 產品 | 類別 | 節目中的描述 |
|---|---|---|
| Apify | API marketplace | Jason 稱是 2026 年增長最快的公司之一，可找長尾爬蟲埠；公司存在已久，今年突然大量增長 |
| DataForSEO | SEO 資料提供商 | 同上，Jason 稱今年莫名大量增長 |
| Exa | 為 agent 做的搜尋 | 石天鑫稱已做得很大，到 C 輪，證明為 agent 做搜尋工具場景很大 |
| Composio / Firecrawl | 工具類（網頁抓取、OAuth 授權） | 石天鑫稱近期獲得較大增長 |
| Paper | 設計 | Jason 稱增長很快，提供畫布讓使用者對比不同設計、手動微調，嵌在 Codex 既有工作流裡 |
| Vibe Island | macOS 工具 | 把 MacBook 靈動島用起來提示 Claude Code / Codex 多執行緒任務完成狀態，帶畫素小人與聲音；Koji 稱是 AI Hacker House 週日駭客松冠軍產品，在 X 上發布後賣出很多份，Jason 與石天鑫都付費了 |
| Orca | Agent IDE（ADE） | 同時管理 Claude Code、Codex 等多工具，可在額度用完時把做到一半的任務平滑轉移；Koji 稱 GitHub 已達八萬 star |
| ChatCut | Codex 外掛（剪影片） | 提供可拖拽的中間編輯狀態，避免每次修改都重新生成整段影片、耗費大量 token |
| Ego | 瀏覽器 | Koji 稱其賣點是用 Codex / Claude Code 做 computer use 時效率極高 |

Jason 補充了 Orca 的一個觀察：其使用者已不是同時跑十個 session，有些是同時跑五十個、一百個。他認為有意思的是，在這種用量下能提供什麼新的人機互動，可能是 Codex 與 Claude Code 團隊尚未集中處理的場景。石天鑫則提到，ChatCut 是他們做 SuperDesign 外掛時參考的物件，稱其接入與使用體驗最絲滑。

工具選擇：Astra 之後轉向 Codex，但兩邊都留著

Jason 說自己幾個月前是 Claude Code 重度使用者，很難遷移，直到最近 Astra 模型出來後換到 Codex，主因是模型確實很強。他舉了一個具體案例：把一段影片交給它，它 one-shot 一比一完全復刻，甚至聰明到從原影片裡截圖、裁剪成合適樣式再放進新影片——而做影片需要素材，這一步原本需要人來準備。

石天鑫則兩邊都用，理由是兩者沒有絕對領先，Fable 某天強一點、Astra 立刻反超，所以保持長期都用，有些任務讓兩個模型同時做再挑更好的版本。他的說法是「在這個時代你就是需要長期用著世界上最好的模型」。

其他工具方面，Jason 稱 Grok Bot 用得很多，並認為它是 OpenClaw 之後少數真正拿到大眾使用的產品——創新不多，但把雲端沙盒體驗做到極致絲滑。他把 Treg 與 SuperDesign 的所有 loop 都搬到 Grok 上，因為穩定性好、隨時可檢視。他說用了 Grok Bot 之後才理解它收購 Cursor 有多合理：Cursor 做得最好的是沙盒，保證每個 coding task 有對應沙盒，本地很難同時測五六個環境；現在簡單的前端修改和 bug fix 他直接在 Grok Bot 上做，PR 裡有連結可隨時點進沙盒測試。

國產模型方面：SuperDesign 時期曾嘗試用 Kimi 作主模型，因為設計能力強；MiniMax 用的是生影片模型 H3，石天鑫稱質量高、價格好；石天鑫個人喜歡 DeepSeek 4.1 Flash，效率高、速度快，曾想把 SuperDesign 的第一道 agent 換成 DeepSeek，但大量請求下 Claude 仍更穩定，所以生產環境沒切。兩人都提到當週很火的 Jeff 模型：Jason 認為它速度足夠快且場景非常簡單，因此能做到原本只有它能做的場景；石天鑫剛開始接觸，設想用於兩處——endpoint 呼叫路由（等幾百毫秒就是浪費）與大規模召回資料的清洗過濾（兩三千條逐條比對）。

Loop engineering 的邊界：運營可以，創新不行

石天鑫對 loop 的判斷很清晰：創新那部分 loop 完成不了，否則「幫我造一個創業公司」就能造出來；但運營層面有很多踏實可做的事。他引用《系統之美》的框架，認為公司是需要穩定跑下去並保持健壯的複雜系統，關鍵在於搭建開環與閉環反饋。

他給出的方法論是：loop 不要一開始就建得複雜，短小精煉更有用——一個 loop 只監控 DDoS 與安全風險，另一個只做程式碼整理，每次做的事都小到不容易出錯。當你建了十幾個這樣的小 loop，它們自然形成一個複雜系統，彼此配合提供健壯性：某個 loop 發現 bug 報上去，線上監控的 loop 會找到並提示你。

安全問題是他舉的例項：創業前沒想到要處理大量駭客攻擊，但只要產品有邀請新使用者、贈送 credits 這類激勵機制，就會被持續攻擊；四人團隊每天花精力折騰這些非常痛苦，而長期監控風險行為、發現小漏洞就直接堵上的 loop 能省下很多精力。

協作方式上，兩人都說同時跑的 session 比過去多得多。Jason 說 Fable 等模型發布後基本同時開五到十個 session，因為自完成的質量已很高；另一個變化是從純本地轉向雲端加本地的 hybrid，隨時可交換 context。石天鑫提到 YouTube 上一位叫坤的資深工程師做的 First Mate 工具——船長只跟大副佈置任務，大副再去跟其他 coding session 溝通——他沒直接用這個專案但學下了思想，現在會用 Herder 這類新一代 terminal 管理工具，讓 agent 之間互相對話，或由一個主 agent 轉達任務。

兩次「至暗時刻」與一個判斷：AGI 來了也要做價效比

Jason 承認想過放棄，最掙扎的是 Coolant 那段時間：不確定的東西太多，每天想下一步卻想不出好答案，但還是得往前走。他的決策規則是——想這個方向上現在能做什麼真正改變處境的事，想不到就換方向，想到了就繼續試。他也坦言靠 YouTube 頻道過小康生活比較容易，所以放棄的念頭確實出現過；但每次度過之後找到新方向、發現它很有希望時，那種刺激非常大，尤其是發現自己在不斷學習、進化的過程。

石天鑫說的崩潰時刻更具體：長期看不到增長、又不斷被打擊，某天醒來發現 credits 被盜四千美元，「你覺得天都塌了」。他認為團隊一直在尋找別的方向和機會，所以每次至暗時刻到來總能找到有曙光的地方。他的另一條原則是：如果一件事確定要失敗，不如讓它快速失敗，換新東西嘗試，反而可能得到意想不到的驚喜。

被問到是否屬於「相信 AGI 會到來、且相信它由模型進化帶來，同時還在創業」的人，Jason 的回答是模型是必要條件，但路徑太多；團隊每個人都是 AI 重度使用者，他自己因為做內容基本把市面上最新的東西都試一遍，以保持對 frontier 的直覺，判斷未來六到十二個月最大的機會在哪裡。石天鑫則認為即使 AGI 到來，做有價效比的事依然有用：假設有一個萬能模型，它也需要工具和資料，如果它花一千美元 token 才拿到一份資料，而我們能讓它一百美元拿到，它會直接選我們。

值得追蹤的張力

這集最值得留意的是兩個未解的張力。其一，Treg 的價值建立在「沒有單一頭部資料商」這個前提上——如果某個場景出現贏家通吃，或模型公司自己把資料接入做深，中間層的空間就會被壓縮；Jason 與石天鑫給出的答案是中立性、跨平臺與資料飛輪，但飛輪目前仍在早期，agent 打分的機制能否形成足夠的選型壁壘，節目中沒有資料支撐。其二，團隊自己承認「零人公司」在六到十二個月內不成立，而這個判斷是他們放棄 Coolant 的核心理由；如果模型能力在 2027 年出現躍升，這個時間視窗的判斷會被重新檢驗。

方法論層面，這集提供的可遷移經驗有三條：開源與早期外掛市場是 AI 產品成本最低的獲客渠道（六千 GitHub star、改名排第一都是例項）；應用層公司要選一層做到極好再嵌入大生態，而不是自建 harness、memory、沙盒全棧；loop 要用來做運營與安全這類小而確定的任務，不要指望它承擔創新與增長判斷。石天鑫從寫 React 的前端工程師轉向創業時說的那句話，或許是整集最直白的時代註腳——「對於程式設計師來說，你再也寫不過 AI 了」。