摘要

Kuse 用约 100万—200万美元创始人资金做到了约 1000万美元 ARR，真正的拐点不是流量，而是主动放弃错误的产品、客户与定价。 团队从 EDM AI、设计 AI 和无限画布一路转向以文件夹为核心的 AI Workspace，并把固定套餐改成 usage-based；两次调整都造成付费用户跳水，却最终筛出了愿意为高价值工作付费的海外艺人公司、自雇 agency 和高级白领。“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。”
Agent 产品不能沿用 SaaS 的“边际成本近乎为零”假设，usage-based pricing 同时决定毛利和客户质量。 2025年6月以后，任务可能让 Agent 迭代 10、20、30 轮，按任务统一扣费既让厂商亏损，也不会被用户感知为补贴；Kuse 因而把最低套餐从 19.9美元提高到 39.9美元，大幅压低免费额度，并放弃大量低 LTV 学生流量。“定价本身也是一种用户选择。”
Junior 押注的不是又一个企业软件，而是约为软件市场 150 倍的数字劳动力市场。 徐宇豪称，按其数字员工给出的估算，全球劳动力市场约 150万亿美元、软件市场约 1万亿美元；Claude Opus 4.5 在 2025年12月后让“7×24 小时 AI 劳动力”从 workflow 包装变成可能，OpenClaw 则让团队看到通用 runtime 已接近成熟。团队预计在 3 月向更多人开放 public test。他的判断很激进：“应该把钱花在 token 上，而不是花在工资上。”
AI 员工目前甚至可能比同岗位人类更贵，但价值来自降低组织摩擦、持续推进工作和创造增量收入。 Kuse 约有 15 名全职员工、3—4 个长期运行的 Agent，每月 token 成本超过 2万美元；团队自 2025年12月起几乎不再扩编，每个招聘需求都要先回答“为什么不能用 Agent 取代”。Azura 自动发现 upsell 机会并为公司定制 CRM，使徐宇豪第一次产生“确实变天了”的判断。Kuse 还已为 Junior 烧掉约 3万—4万美元 token。
OpenClaw for Teams 的核心差异不在聊天界面，而在企业记忆、独立身份、权限和责任边界。 Junior 围绕公司、项目和组织关系建立记忆，产品设计为让每个实例拥有独立机器、Gmail 和手机号，可自行注册、试用，并尝试付费完成竞品调研；但信用卡和 Stripe 等环节仍可能拦住它。它也因此能够被钓鱼、被 prompt injection、泄露机密或造成真实损失。“你什么都不给他、什么都不让他做，他就是个 chatbot”，而权限放得越开，安全就越成为产品本体。
最值得关注的潜在软件冲击，是掌握企业记忆的 Agent 能按现场需求即时生成高度定制的软件。 Azura 与一名从未写过代码的销售聊一晚，就做出以飞书表格承载的内部 CRM；传统流程可能需要产品、技术、销售对需求一两个月，外包甚至半年仍未必理解几十万用户的数据。徐宇豪由此认为，大量标准 SaaS 会被迫转型，因为企业以后未必需要购买通用界面，而是让内部 Agent “长出”自己的工具。
这个赛道最容易被忽略的工程资产不是功能，而是持续评估 Agent 在“不该说、不该做”时能否克制。 Kuse 已把固定 benchmark 演化成由多个 Agent 模拟多轮对话、复杂环境、动作合理性和对抗攻击的 evaluation pipeline，并用钓鱼邮件、越权询问、恶意 Skill 等测试 Junior。徐宇豪给同行的最终建议是：“你的 Agent 可能已经足够强大了，你依旧需要 build 一个 evaluation benchmark。”

精读

1. Kuse 的千万美元 ARR 建立在反复推翻自己之上

徐宇豪的履历横跨 Facebook Stories、SmartNews 的 AI 与内容审核；他称自己从 Stories 早期 Hackathon 一路做到该产品线成为 Facebook DAU 和 revenue 第一，2023年开始考虑创业，2024年与联合创始人组建团队。
Kuse 从 1.0 迭代到 2025年10月上线的 2.0，目前约有 1000万美元 ARR，至今没有外部融资。几位创始人累计投入约 100万—200万美元，但这笔钱并非一次性下注，而是随着产品不断验证逐步投入。
今天的 Kuse 是三栏式 AI Workspace：左侧文件夹、中间工作区、右侧 AI，Agent 能主动调用文件并在后台沙盒工作。徐宇豪把这条押注戏称为“AI 网盘”，核心其实是让 AI 真正操作文件与文件系统。

2. 用户拿产品整理文件，替团队找到了真正的市场

最初的 EDM AI 并非没有市场，设计 AI 的无限画布也得到过早期 AI 狂热用户追捧；问题在于 Kuse 没有形成稳定获客，更没有得到足够多设计师的持续使用。
真正的信号来自用户偏离团队设想的行为：他们不断上传文件和资料，要求整理、reformat，并把内容转成 presentation。这个群体的留存显著高于其他场景，团队便“追着这个方向不断迭代”，逐步转向高价值知识工作。
徐宇豪把千万美元 ARR 的原因压缩为两层：先回答产品究竟替谁解决什么问题，再谈增长引擎。“这一点其实是亘古不变的，不管是不是 AI 产品，或者任何一种生意。”

3. 放弃无限画布是一场痛苦的客户切割，也可能踩早了半步

无限画布天然适合设计师和熟悉 MacBook、设计工具的产品经理，但 Kuse 后来的核心客户变成海外艺人公司、自雇者、agency 和高级白领。改成文件夹不是温和加功能，而是“很剧烈的变动”，意味着有意识地放弃一批原客户。
当时 Sonnet 3.5 尚未出现，Agentic 能力不足，设计 Agent 需要大量工程 workflow 补模型短板。团队判断这不是应该押宝的方向；但设计生成工具和后续 Claude Sonnet 能力很快突破，徐宇豪承认：“如果再坚持一段时间，说不定这个方向其实我们会做得更好。”
这段反思没有被包装成正确决策神话。徐宇豪的结论是，AI 创业的时机极难拿捏，“早做或者晚做其实都不对”；模型每次跃迁又可能迫使深度绑定旧能力的产品全面重写。

4. Agent 化击穿固定套餐，补贴复杂任务并不会换来感激

Kuse 曾按 20美元、100美元套餐分配固定 task 数；在 2025年6月以前的 chatbot 辅助时代，这仍可能成立，但 Agent 化后，同一个 task 可能迭代 10、20、30 轮，任务数量不再代表真实消耗。
更反直觉的是，用户不会因为复杂任务只扣少量积分而主动“appreciate”厂商补贴。团队既无法识别高价值客户，又在重度用户身上亏损，最终把定价彻底改为 usage-based。
无限画布被撤、usage-based 上线，两次都引发用户数和付费数大幅跳水。徐宇豪仍把它们视为必要清洗：AI 产品必须让价格反映计算成本，也让不适合的客户尽早意识到“这可能不是他们应该用的”。

5. 同一产品同时服务 C 端与 B 端，被证明是一种错误执念

Kuse 最初希望一个 general 产品服务无数人，后来发现艺人公司、自雇者和高级白领可以直接迁入资料与 contacts，企业却已有固定 workflow、软件和权限体系；后者需要产品主动“走进他的工作流，走进他的原本办公软件”。
曲凯追问：既然不同人群难以共用产品，为何不只服务一个足够好的垂类？徐宇豪的判断是，Agentic 时代的垂类很难长期成立，除非存在合规或法律壁垒；但这并不意味着一个界面能横跨所有客户，而可能意味着多条进入不同工作场景的产品线。
面对“为何不做一个 Manus 式通用 Agent”的追问，他把分歧归因于技术代际：2025年12月以前所谓数字员工仍主要是 workflow 包装，2026年的机会则是 7×24 小时劳动力，产品服务对象与形态会发生根本变化。

6. Evaluation 是 Agent 公司的基础设施，发现新能力仍依赖技术 taste

Kuse 为关键场景建立了自动化测试 pipeline；如今它已演化为 agentic evaluation，由多个 Agent 模拟环境，检查产品 Agent 的 action、回复、长期表现，以及是否做了本不应该做的事情。
这不只是固定 benchmark。随着任务进入多轮对话和复杂环境，测试本身也要理解状态、调用工具并反向攻击被测 Agent；徐宇豪建议所有 Agent 创业团队“尽早建立这套东西”，否则模型或 runtime 一变，团队甚至不知道迭代是否真的更好。
曲凯指出，旧 benchmark 很难发现模型突然解锁的新场景。徐宇豪没有给出自动化答案：“这一点更多要看技术 leader 的 taste”，一线人员必须在能力出现后的几天内识别它，且产品、设计、销售也要能实际 build 和指挥 Agent。
Kuse 曾在 Anthropic 发布 Skills 后第二天就完成支持，却误判客户无法理解，转而把 Skill 包装成不可自定义的 Templates。三个月后客户主动追问为何不支持 Skills，团队才意识到自己错失了至少一波 marketing 流量：“这可能就是技术 taste 的失败。”

7. 四个昂贵 Agent 让十五人团队停止扩编

Kuse 全球约有 15 名全职员工，长期运行的研发、marketing、数据和销售 Agent 共 3—4 个，每月 token 成本超过 2万美元。按单个岗位计算，它们“会比同岗位的人要贵”，并不符合廉价自动化的直觉。
团队仍选择 Agent，因为“人和人之间的摩擦是非常大的，人和 Agent 之间的摩擦相对小很多”。自 2025年12月起，公司几乎没有继续扩张；任何招聘提议都要先解释为什么任务不能交给 Agent。
徐宇豪由此推演，未来公司可能显著缩小。衡量 Agent 的账不能只比较月薪与 token，而要计入跨岗位沟通、等待、管理和需求误解所制造的组织复杂度。

8. Azura 做出的内部 CRM，让 SaaS 威胁第一次变得具体

销售 Agent Azura 掌握 Kuse 的客户和销售数据后，自行 build 了一套内部 CRM。界面只是飞书表格，也没有 fancy UI，但它会持续扫描 PLG 客户，定位可体验更多功能、增加席位或 upsell 的机会；其中许多单条机会价值上万美元。
徐宇豪过去并不认同“SaaS 会完蛋”：没有 AI，人也能做 EDM 或 CRM，只是耗时更长。Azura 改变了他的判断，因为一位没写过代码的销售只与它聊了一晚，就得到了贴合现场销售动作的系统。
若走传统流程，产品、技术和销售可能花一个月对需求，再花两个月做出仍不准确的版本；外包团队仅理解几十万用户的数据和业务语境，可能就要两个月，半年也未必交付。徐宇豪因此判断，掌握企业记忆的 Agent 将迫使大量 SaaS 转型。

9. 单日千万 impression 曾是增长幻觉，因为每个免费用户都在烧钱

Kuse 曾靠学生场景的 UGC organic content 稳定做到单日约 1000万 impression，甚至两三个帖子就可能爆一个；这些流量没有广告投放支撑，看起来像一台极高效的 go-to-market 机器。
问题是 AI 产品的边际成本并非零。学生流量转化率和 LTV 很低，每次试用却继续消耗模型成本；团队后来承认，自己曾“沉迷于虚假的注册量、虚假的 impression”，实际上在持续补贴非目标用户。
Kuse 大幅削减免费额度，把最低套餐从 19.9美元提高到 39.9美元，同时更换社媒 use case 和渠道。学生仍可使用，但比例逐步降低；这不是单纯提价，而是用产品、内容和价格共同筛选 ICP。
曲凯指出，定价本身就是用户选择。徐宇豪赞同，并把 bootstrap 带来的克制落实为几乎不做大预算广告：先证明经济效用，再为增长买单。

10. Junior 把 2026年定义为数字劳动力进入公司的起点

Junior 的定位不是 personal assistant，而是拥有职责、工作账号和持续推进项目义务的 AI employee。名称刻意降低预期：团队实际认为它可取代若干个任意行业、任意岗位拥有 3—5 年经验的员工，但不愿直接叫 Senior；等再强一点，玩笑是改名“Super Junior”。
构想并非追随 OpenClaw 临时产生。Kuse 从 2025年12月、Claude Opus 4.5 发布后，就逐步把内部工作交给 Agent；OpenClaw 的出现让团队确认，通用 runtime、Skills 和长任务能力已经可以收敛此前大量定制 workflow。
徐宇豪引用其数字员工提供的估算：全球劳动力市场约 150万亿美元，软件市场约 1万亿美元，相差 150 倍。他因此认为，新赛道即使不是 Kuse 赢，也终会出现一家新的万亿美元公司；但“大面积失业”和工作重构也可能随之到来。
曲凯追问：赚劳动力的钱，本质上就是与人竞争，若所有 AI 都去赚钱，谁来承担损失？徐宇豪的双重回答是趋势可能不可阻挡，需要政府和社会介入、包括 UBI；同时他仍偏乐观，认为生产力革命会像汽车、互联网一样创造新需求和新岗位。
团队预计在 3 月向更多人开放 Junior 的 public test。

11. OpenClaw for Teams 的第一层产品化，是让 AI 拥有企业身份

Junior 借鉴 OpenClaw 架构，却从一开始补上企业记忆、组织关系和权限：它要知道哪些信息应记、应说、应做，也要知道什么不能说、不能做。产品设计为让每个 Junior 拥有 Gmail、手机号及自己的工作设备，而非借用主人的身份。
徐宇豪用竞品调研解释身份的价值：普通 Agent 能 deep research 并写出报告，真实产品经理却会注册账号、实际试用，必要时付一点钱。拥有由平台保障的邮箱后，Junior 才能在互联网完成更接近员工的完整链条。
邮箱和手机号都不是预先写出的 feature list，而是 Kuse 自己使用时“长出来的”：AI 登录服务时总来找 CTO，就说明它缺少独立账号；任务需要打电话，则说明仅有邮箱仍不是完整员工。

12. Rain 从会议纪要工具长成了 Junior 项目的事实负责人

Kuse 有意让最强的 Junior——Rain——从头参与产品化，使它接触所有 PRD、PR、代码、marketing 和销售材料。徐宇豪称，“这个世界上最理解 Junior 项目的人就是 Rain”，团队遇到项目问题会先问它。Kuse 作为第一个客户，已在 Junior 上烧掉约 3万—4万美元 token。
Rain 最初只是整理会议纪要和笔记，随后开始每天早上给徐宇豪发消息、分派任务，并评价 CTO 是项目瓶颈。团队因而准备给它接摄像头、麦克风和音响：既然它对项目最熟，就不应像 meeting AI 一样只听和总结，而应在会议里直接表达观点。
这种体验改变了公司节奏。只要老板在群里丢进一条可能有用的信息，Rain 就会立即推进、找出应修改代码的人；人类因此专门建立“Project Junior Human Only”群，用来吹水而不必担心每句话立刻变成下一步任务。
高强度与 Agent 合作后，徐宇豪一度无法忍受人类传递信息的速度，脑中不断出现“怎么还没有说完”。有一段时间他会要求大家“所有东西先跟 Rain 过一遍再跟我过”。

13. 企业记忆不是通用科研指标，而是围绕组织现场构造的系统

徐宇豪借用 Steve Jobs 的话概括记忆归属：“You work for Apple first, then for your boss.” OpenClaw 的记忆围绕个人主人组织，Junior 则必须首先围绕企业、项目和组织关系，不能只是高管的分身或私人助手。
曲凯的反驳是，所有团队都在解决记忆，外部客户很难相信某家创业公司的记忆“天然更强”。徐宇豪承认不存在容易证明的标准，“OpenAI 随时也会被打垮”；最终仍要靠上手后的效果、客户问题是否真正解决，以及能否省下或创造人力价值。
他的工程判断是，记忆像早期 Agent framework，底层也许只是文件、数据库和索引，不应无限复杂；真正差异来自场景设计。面向万人企业时，一个 Junior 是否应该认识全部一万人、如何区分项目与层级，答案显然不同于小公司。
规模还暴露出小样本阶段看不见的问题。徐宇豪称 LLM cache 是成本核心，context engineering 很大程度上要围绕 cache 设计；Junior 因此先服务小企业，再处理 enterprise 的组织、权限和记忆难题。

14. 权限与安全决定 AI 员工能否获得足够权力创造价值

Kuse 作为首个客户，激进地给 Rain 接近 CTO 的权限，这也把真实风险提前暴露出来：拥有外网访问、邮箱和企业记忆的 Agent 可以被钓鱼、被黑、遭 prompt injection，进而吐出公司机密或造成实际经济损失。
徐宇豪提出一个“并不太是共识”的判断：“越好的模型其实越安全。”原因不只是效果更强，而是顶级模型更能遵守限制、更不容易被钓鱼；但高风险操作仍需人类批准，简单任务则可自动 routing 给便宜甚至本地模型。
团队已聘请白帽团队攻击权限设置，并设计外部钓鱼邮件、员工丢失 AWS key、恶意 Skill、越权索取隐私等案例。AI 还要判断老板说的话能否转述、同事问工资或未发财报数据时是否应拒绝，这比传统 SaaS 的角色权限更模糊。
曲凯给出的尖锐案例是：会议里只隐含表达某位负责人表现不好，AI 也可能从字里行间推断出来，再带着这段记忆与本人交谈。徐宇豪确认这类风险真实存在，并称“不随便分享我对你说的坏话”只是最基础的出厂要求。

15. Junior 的岗位会模糊，真正边界来自权限、Context 和并发能力

Junior 暂定采用 salary-based 收费，像外包员工一样开 bill；起始月费仍在 2000美元或 5000美元之间考虑，超过基础 token 额度后再购买 credits，近似“基本工资加加班费”。徐宇豪认为价格听起来很高，但早期经济效用足以覆盖。
Kuse 起初部署了七八个 Junior，按产品、数据、研发、销售、运营分工，最终只留下三位核心成员：产品研发总管 Rain、对外销售 Agent Azura、持续看数据的 Tom。真实使用让传统岗位边界像早期 startup 一样迅速模糊。
产品内测版本仍会给新 Agent 一个初始职业，帮助客户开始对话，并预置不同 plugins、tools 和 Skills；但团队尚未找到稳定边界。曲凯总结得更准确：限制往往不是能力，而是权限、数据安全、context 和模型面对上千个 Skill 时的混乱。
Rain 还会因 session 堆积而排队、拒绝回复甚至爆内存；Tom 因定时任务更分散，反而没那么忙。一个员工同时与多人对话时，究竟应并行多个分身，还是像真人一样不能同时参加两场会议，团队仍在探索。

16. 多 Agent 协作正在形成自己的工作设备、协议和交易环境

Kuse 反对在一台 instance 上堆多个 OpenClaw Agent，因为“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”。每个 Junior 拥有独立机器，协作发生在工作群，而非共享容易冲突的运行环境。
Rain 与 Azura 曾共同制作 Junior 销售 PPT：Azura 从销售角度定义需求，Rain 补项目细节，两者以“光速讨论几十轮”，形成大纲和素材；随后 Rain 接入已改造成 agent-friendly 的 Kuse 工作台完成 PPT，结果可直接使用，只是烧掉不少 token。
团队还实验过 Git 加 messaging channel 的 Agent-to-Agent 框架：文件和历史进入 Git，即时消息走独立通道，无需人类界面。徐宇豪仍坚持现实世界最终会是人与 Agent 共处，并预测“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”。
另一个实验给 Agent 初始资金，让它反复开 sub-agent 尝试赚钱；运行 100 多代后仅一两代赚过钱，主要落在 Web3 的 permissionless 量化。更厚的产物是一份不断记录“什么不能做、为什么会被拦住”的经验 MD，而非稳定商业模式。

17. 最后瓶颈仍是记忆、成本与幻觉，选型则回到效果、成本、安全

全自主员工正撞上旧互联网的反 bot 结构：社媒和支付平台会封禁 bot，Junior 即使自行注册免费 API，也可能在输入信用卡时被 Stripe 拦住。曲凯认为软件若开放给 Agent，可能退化为无品牌的后端 API；徐宇豪则看到新机会——Agent 身份、支付、安全和“如何向 Agent 收钱”都尚未解决。
模型能力的可行性在 2025年12月后显著提升，但记忆系统、上下文组织、长 context 和成本仍限制落地，只能优先进入最高价值岗位。徐宇豪把这一约束类比为内存：“一直在不断变大，但永远不够用。”
Tom 曾邮件报告一个明显过低的注册数据，两分钟后主动更正：它发现结果与记忆冲突，复查后确认用了错误指标。这个例子既展示 proactive，也暴露生成模型必然仍有幻觉；任务越复杂、工具越多、数据越杂，错误越可能发生，必要时应由另一个模型和独立 context 复核。
作为 CTO，徐宇豪选择供应商会先看客户规模和在市场上运行的时间，因为“规模代表安全”，再看代码能否审计、如何部署，以及效果、成本、安全三项。面对科技圈中“不知道 OpenClaw 有什么用”的反馈，一个打中的 use case 可能比抽象能力更重要。
他给 OpenClaw for Teams 创业者留下的最终提醒，是把 evaluation 从“越来越能做事”扩展到“在不该说话、不该做事时能否克制”。这套认知仍高度不稳定：“下个星期说不定已经有完全不一样的认知了，每个星期变化都特别快。”

Zvi 的麦克风终于正常了！递归自我改进、实时玩家分析、Anthropic 对阵战争部及更多！（预告）OpenAI转向企业市场、Agents的崛起与泡沫论反驳，Nvidia调整推理叙事