AI探索指南

  1. 2019年我刚加入Scale时,Linear的联合创始人Tuomas——我在Uber的前同事,也是Linear的CTO——给我发了一封邮件

    2019年我刚加入Scale时,Linear的联合创始人Tuomas——我在Uber的前同事,也是Linear的CTO——给我发了一封邮件。他先是恭喜我加入Scale,然后提到难怪最近在Uber没碰到我,接着介绍了他做的新app Linear,问我要不要试用。我们很快安排了demo,虽然Scale成为Linear的客户是后来的事。

    后来我回国创业期间,LinkedIn上有一段时间大家都在讨论:一个公司是否必须进行疯狂扩张才能成功。Linear团队分享了他们的经验——公司可以不用疯狂扩张,专注做好产品也能成为优秀的公司。当时我们在Uber共同的leader Ganesh(他后来转做VC)comment说:Linear找到了很好的发展路径,但在竞争残酷且赢家通吃的市场中,很难实现这种高效增长方式。

    事实证明,Linear团队的扩张确实很克制,但业务增长表现相当出色。我一直在使用Linear,也向我advise的公司推荐。相比传统的Jira、Asana、Trello等工具,Linear的用户友好度高出很多。可以明显看出,这是一家认真做产品、做工程、听用户反馈的公司,通过效率而非资源投入来打造更好的产品。

    上周Linear宣布了新一轮融资。在此之前他们只融过两轮,这次由在AI领域斩获颇丰的Accel领投,融资后Linear成为独角兽。观察最新的各种工具——AI Coding工具如Devin, Claude Code等——会发现它们官方文档公开支持的任务管理工具通常只有一到两家:如果只有一家,那就是Linear;如果有两家,就是Linear和Jira。

    2019年Linear刚起步时还没有大语言模型,很难想象AI Agent会为任务管理系统创造颠覆性机会。按照现在很多方法论去分析,几个人的创业公司在任务管理领域挑战Jira这样的百亿美元市值巨头,结论必定是不可能成功。但今天我们已经看到Linear超越Jira的可能性,而这种可能性源于对产品效率的追求、对工程设计的taste、扩张上的克制,以及对工程效率的极致提升。

    我认为这正是很多做软件的人缺乏的信念。大家做软件时,要么觉得必须大干快上,要么觉得只能赚点小钱。我希望看到越来越多像Linear这样的成功案例。

  2. 宇树王兴兴说今年人形爆单?深度聊了13家一线具身智能公后的商业化真相(截止5月):

    宇树王兴兴说今年人形爆单?深度聊了13家一线具身智能公后的商业化真相(截止5月):

    1. 技术落地至少还需要三五年或更久,摇操商业模式需要考虑承压能力。
    - VLA各家都在尝试,但普遍反映难做、ROI低,只有智元有初步成果,卡点在技术路线和数据
    - 有几家聚焦Local Motion,在短期的品牌和商业化上具有较好表现

    2. 目前市场上没有基于效率的付费,都是导览交互、展示、研究教学、数采目的,纯做C的没有,但尝鲜者C端是个短期结构性机会,不过天花板有限

    3. 比较有潜力的市场方向:
    - 康养场景(有长期潜力)
    - 导览类市场(车企、景区等,市场准入有一定门槛)
    - 数据采集服务(相对比较确定的机会,未来可以聚焦UMI)
    - 尝鲜C端和教育市场(短线结构性机会,但空间有限)
    - 具身手办IP的C端市场(新市场、新产线机会,有较大想象空间)

    4. 早期技术行业,品牌驱动很重要,创业公司需要重视早期的品牌资产

  3. 从郎瀚威will 通用Agent 5月数据看几个Agent

    从郎瀚威will 通用Agent 5月数据看几个Agent

    1 Manus非常稳,流量基本横盘

    已经成为了Agent的BenchMark
    你做Agent必定绕不过的品牌

    2 GenSpark逐渐崛起

    8个人团队拼命更新新功能
    还是让人满震惊的
    并且有不少有创意的idea

    3 Flowith靠牛皮癣打兴奋剂

    邀请码权益和超长邀请文案让人震惊
    靠自传播就没起来过
    这次品宣还和数据造假的自媒体关联在一起
    如果6月的数据稳不住
    说明这种产品形态完全不被C接受

    4 Lovart & SkyWork

    新秀,刚出来,留待观察

    5 Fellou

    浏览器形态的Agent,留待观察

  4. 今天很有趣,两家知名的公司各出了一篇文章,争论要不要使用多智能体系统

    今天很有趣,两家知名的公司各出了一篇文章,争论要不要使用多智能体系统。

    Claude 的官方 Anthropic :如何构建多智能体系统
    Devin 的官方 Cognition :不要构建多智能体系统

    这核心的争议点在于:Context 上下文到底应该共享还是分开?

    Claude 这边的观点是,搜索信息的本质是压缩,单个智能体的上下文有限,面对无限的信息,压缩比太大就会失真。
    这就好比一个老板能力再强,也不可能搞定所有的事情,还是需要雇人去解决。
    通过多智能体系统,老板让不同的智能体分别研究、汇报重点,老板最后整合到一起。由于每个智能体有自己的专长,具有多样性,减少了单一路径依赖现象,实际效果上,多智能体也超过但智能体 90%。

    这是集体智慧,一起协作获得的胜利。

    Devin 这边的观点是,多个智能体的上下文不一致,会导致信息割裂、误解、他们汇报给老板的信息经常充满了矛盾。
    而且很多时候,智能体的每一步行动都是依赖前一个步骤产生的结果,而多智能体通常分别跟老板沟通,互相之间缺乏沟通,这样很容易导致互相矛盾的结果。
    这体现出了个体智慧的完整性和高效性。

    两边观点看下来,是否使用多智能体架构,特别像是人类运行一家公司的选择。

    一人公司还是多人公司?

    一人公司,一个人的脑力、体力、时间都是非常有限的。
    优点是一人公司的沟通成本为0 ,可以把所有的时间都高效使用。

    而多人公司,人越多,沟通成本就越高,管理难度就越大,总体效率下降。
    但因为人数多,脑力多,体力多,整体的价值产出也就有可能更多。
    多智能体的设计很有难度,这其实很正常,就像运行一家公司一样,很难。
    难就难在建立有效协作的系统。
    而且 1个人,3个人,10个人,100人,1000人,所需要的协作系统又不大相同。

    参考人类历史,依靠集体智慧,人类在近代获得了文明的指数级发展。
    多智能体的集体智慧,也许就是在 Scaling Law 逐渐放缓后,AI 获得指数级发展的那个萌芽。

    而关于上下文,人类的协作至今也无法做到完美的上下文管理。

    这让我想到,软件工程从来不是追求完美,而是持续迭代。

  5. 使用AI的三条路:

    使用AI的三条路:

    1. 以我为主,AI 为辅。 人要比AI 凶。我曾经站这条路,现在改了。

    2. AI 为主,我为仆人。我觉得现在市面上很多人以为的vibe coding,都是这条路。把错误信息粘贴给AI,自己不断地重复「它报错了,是这个」「能再好看点吗?」之类的话。

    3. 人+AI。核心是"+",修炼的是「协作共创」能力. 真正的vibe coding, vibe writing, 我理解就是这个。 我现在站这条路。