主题 先锋 趋势 方法 作者
返回

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

·42章经

正在生成长图…

本篇主题 Agent重构SaaS与软件形态 个人AI助理落地与变现 AI如何重构企业组织与流程 大模型推理成本优化 专有小模型与通用大模型 企业AI落地ROI与成本控制 开源闭源大模型对决
本篇先锋 贺嘉琛

摘要

  • Agent 的产品形态可能正趋于稳定,竞争开始转向接管复杂系统的能力。 贺嘉琛从 AFFiNE 转向 AFK,背后的判断是:模型越来越自主,具体编辑环境反而可能成为掣肘。Agent 不再绑定某个界面,而是通过短信、电话、办公软件随处响应;接下来更重要的是智能与工具能力的纵向提升。
  • 2C personal agent 是平台机会,也意味着创业公司必须进入供应链与入口争夺战。 嘉琛认为,用户数量未必能积累智能壁垒,模型进步仍是最大变量;真正拉开差距的可能是购买能力、价格与服务供给。平台不愿从入口变成供应商,平台可能封禁或反击;竞争还要同时补贴商品、token 和广告。
  • 全员配备 AI,并不必然提高公司的整体效率。 产品经理让 AI 把需求扩成 300 页 PRD,工程师再让 AI 压成一句话,可能只是绕过必要沟通:“放大的大概率是噪声,而不是信号。”AFK 的选择是让全员使用同一个、具有个人记忆和运行环境的 Agent,尝试把缓存、工作经验与业务理解变成组织共享能力。
  • 工作流的确定性与成本优势,正在被模型能力和底层复用机制重新定义。 曲凯追问,企业过去采用工作流,正是为了保证闭环与降低成本;嘉琛的回答是,这些功能正“从模型外转向模型内”。他将指令遵循、强化学习、KV cache、prompt cache 和蒸馏视为替代部分外部编排的路径,也提醒旧 skill 和 system prompt 可能开始产生副作用。
  • 创业公司训练小模型的机会,是复现大模型已经做对的任务,而非争夺更高能力上限。 嘉琛曾因算力、人才与基建差距而强烈怀疑这条路线,现在转向“肌肉记忆”:保存先进模型的任务轨迹,再按用户偏好蒸馏,以更低成本、更快响应完成重复工作。AFK 同时训练 task routing model,以及面向企业内部操作的约 20—40B 参数 work model。
  • 企业采用 Agent 的动力,来自可解释的投入产出和主动提供业务上下文的意愿。 嘉琛认为,当负责人看到原来 8 个人的工作能够被端到端完成,以及 token 如何流入代码、测试和上线,企业会主动配合系统改造。这也是小团队选择 2B 的理由:“更想做离客户价值更近的东西。”
  • 未来两到三年,AGI 模型供给可能变得充裕,现阶段的模型优势未必长期稀缺。 嘉琛判断,开源追赶正在加速,当前可以先帮助已有盈利能力的企业提高价值捕获效率;更远处,动态生成的软件可能重构应用与商业规则。曲凯认为 Agent 最近才开始接近陪伴、视频已有的商业成熟度,嘉琛认同其前提:必须端到端完成任务,价值才会释放。

精读

1. AFFiNE 的经验是踩中了多模态,也遇到了编辑环境的边界

  • 嘉琛把 AFFiNE 的早期成绩归因于时机:人的工作本来就包含文档、录音、画布和数据处理,应该放在一起。团队在 2022—2023 年融资时已经讲“多模态工作空间”,他称项目后来大概做到了开源这一品类的第一名。
  • 团队自行训练了 Embedding Model 和多模态模型;据嘉琛回顾,2024 年 4 月发布 AFFiNE AI 时,它是首个能够基于多模态信息检索、做 Deep Research 并生成内容的工作空间。当时的定位类似“给不写代码的人用的画布”,加工文档、表格和设计稿。
  • 但到了下半场,他认为具体编辑工具开始成为越来越接近 AGI 的模型的“掣肘”。从 Cursor 到 Claude Code,再到无处不在的 Agent,产品正随自主性增强而变化;AFFiNE 内部在 2024—2025 年也经历了类似转向,加上资本市场变化,促使他重新出发。

2. Agent 开始摆脱固定界面,底层能力是调度复杂系统

  • 曲凯追问,personal agent 已经走向普通用户,是否意味着这条产品演进线接近尾声?嘉琛认为,产品形态“可能已经比较固化了”:它越来越像一个人,可以从各种渠道找到;后续提升主要来自智能和工具能力。
  • 嘉琛把 Poke 视为重要先例:从 2025 年下半年到 2026 年上半年,用户通过 iMessage 发短信,就能让它处理事情,也会被它主动联系。“永远开机,永远在线”,比是否拥有独立 App 更接近这一代产品的共同目标。
  • 背后的能力变化,是从调用一个 API,到管理复杂 API 系统,再到跨多个操作系统组织工具。Browser Use、Computer Use、CLI、MCP 都只是手段;因此,2C 与 2B 在技术上的共同问题,是让 AI 面向多个终端、多个用户操作复杂系统。

3. 2C 要重构消费平台,2B 更容易直接捕获价值

  • 嘉琛对 2C 壁垒的判断偏谨慎:更多用户和行为数据,未必带来过去互联网产品那样的规模效应;一个 chatbot 不会因为用户多就自然进化成 Agent。企业则不同,多人围绕统一目标工作,重复劳动与信息损耗提供了共同学习的空间。
  • 他认为 Instinct、Muse 等产品在美国讲的,更像重新发明平台电商、重构消费供应链。能否替用户省钱、买到东西,以及能否应对外卖和差旅平台封禁,可能比 Agent 产品本身更决定胜负。
  • 曲凯提出,如果创业公司跑通,滴滴、美团等生活服务平台可能退居后台供应商;嘉琛提醒,这些公司仍然强大,也会亲自下场。“没有平台想从入口变成供应商。”竞争中,以前只补贴商品,现在还要补贴 token 和广告。
  • 对小团队而言,2B 的价值链更直接:投入一块钱 token,学到了什么、产出了什么、是否降低成本,都可以更透明。嘉琛选择企业市场,核心是能更快捕获客户价值,而非先承担重构整个消费平台的成本。

4. 全员 AI coding 之后,组织协作仍可能成为瓶颈

  • 嘉琛将拿下大客户归因于切入点:消费者未必愿意为了推荐和消费交出全部上下文,企业负责人看到原来 8 个人的工作能被端到端完成,却有动力配合改造系统。他希望贯通业务、财务,以及每笔 token 如何变成代码、通过测试和上线。
  • 曲凯追问,互联网公司已经普遍使用 AI coding,AFK 还增加什么?嘉琛指出,工程师之外的工作牵涉 GUI、更多环境和数据,要求更高;而当 AI 能直接交付,设计师可以交付上线功能、视频或 onboarding,产品经理则更像定义功能逻辑的工程师。
  • 最尖锐的反例是一份 300 页 PRD:产品经理先让 AI 扩写需求,工程师再让 AI 总结成一句话,然后写代码。真正需要的人际讨论反而被略过。他认为,有些公司配齐 Max Plan 后效率下降,原因就是“放大的大概率是噪声,而不是信号”。
  • 嘉琛主张,让产品经理、设计师和工程师共同面对以代码为底的 Monorepo,用 Artifact 实时构建、预览并修改结果。AI 从“替你打字”走向“替你决策”之后,人的角色和工作流也必须改变。

5. 工作流的确定性与复用,正在向模型内部迁移

  • 嘉琛观察到,n8n 在 2025 年底已少被讨论,2026 年 4—6 月获得很多关注的单点 Skill,到下半年也迅速失温。他的解释是,模型未必需要一种更好的工作流,而是开始不依赖原来的工作流:“模型本身把它们学进去了。”
  • 这也改变了工程投入的意义:很多 Harness 和开发平台过去是在给 AI 补短。换用更聪明的模型或更好的 Harness 后,第一步可能反而是卸载旧 Skill、删除 System Prompt,因为原来的指导可能带来副作用。
  • 曲凯保留了企业用户的反问:工作流原本解决的是闭环确定性,以及重复执行的成本。嘉琛回应,过去模型幻觉较强、指令遵循较弱,需要外部固定输出;现在他认为强化学习与指令遵循的进步,已让许多 API 操作更可靠。
  • 成本复用也不必都依靠显式编排。嘉琛认为 Agentic 工作负载的 KV Cache、Prompt Cache 命中率很高,值得重复使用的调用还可以被蒸馏;他把这个变化概括为,工作流固化“从模型外转向模型内了”。

6. 同一个企业 Agent,尝试把个人经验变成组织能力

  • AFK 的方案是“给所有人配同一个 Agent”,同时做到高并发、千人千面:每个人私聊时仍有自己的记忆和运行环境,但系统在员工、软件与业务各个切面持续学习,而非形成彼此不相通的个人助手。
  • 嘉琛用一个假设说明缓存价值:100 人分别使用独立 Agent,可能要把同一份代码读 100 次;共享系统则可能复用同事已经读过的上下文。他更看重的是,让公司最会用 AI 的两三个人所形成的有效做法,也有机会被其他人利用。
  • 他希望 Agent 同时看见代码、API、会议与客户沟通,识别业务卡点,并通过参数化训练,让公司拥有持续学习的结果。否则,老板面对 100 名员工加 100 个 Personal Agent,可能仍然得到“200 个不同的答案”。

7. 小模型不必赢过 SOTA,训练的商业逻辑发生了变化

  • 嘉琛在 2025 年下半年参与过国内第一个超过 1T 参数的多模态 Agentic Model 的训练。那段经历反而让他“特别不相信创业公司的模型训练这个趋势”:大规模 RL 需要人才、算力与科学的数据合成,前沿实验室的端到端条件明显更强。
  • 过去发布模型往往要在某些 Benchmark 打到 SOTA,容易带来过拟合,榜单优势也短暂。他认为 2026 年的新机会,是训练成本下降、架构变化和基础模型能力达标后,小模型可以不用提高能力天花板,只复现大模型已经能够做对的事。
  • 这套“大蒸小”的目标,是把长 Reasoning Process 变成无需反复推理的 System 1。他强调商业成立的两个条件:存在用户偏好作为 Reward,同时有强 SOTA Model 的正确结果作为 Ground Truth;满足这些条件,低成本、低延迟才有实际价值。

8. AFK 训练的是肌肉记忆,以及企业内部操作能力

  • 第一类是 Task Routing Model:记录先进模型完成任务的工具调用轨迹,再蒸馏到小模型。嘉琛举例,一项任务有五条可行路径,用户可能偏好其中一两条;小模型要同时记住“怎么做”和“用户偏好什么”。
  • 他的比喻是学骑自行车、游泳:第一次需要大量思考,练习后形成条件反射。聪明的大模型类似大脑皮层,小模型则提供“脑干和脊髓”,形成低成本的“肌肉记忆”。曲凯联想到 DeepSeek 的大脑、小脑分工,嘉琛提醒,DeepSeek 的这种分工最近也正在被颠覆。
  • 第二类是约 20—40B 参数的 Work Model,面向企业内部任务。嘉琛称,闭源模型操作某些系统或动态软件时仍有安全限制;例如企业需要逆向自己的系统或接口时,AFK 希望提供更强的相关能力与更少的任务限制。

9. 动态软件与更充裕的模型供给,可能重构下一轮竞争

  • 嘉琛以一项 Skill 为例:它能为不同 Switch 游戏和安卓设备动态编写指令集与渲染管线,使游戏在设备上运行。他据此设想,未来每个人的每项任务,都可能由高度定制的软件完成,通用软件的边界会继续收缩。
  • 他的激进判断是:“今天所有的软件都是开源软件。”这里指的不是源码实际公开,而是只要知道软件做什么、拿到 API Spec,AI 就能逆向或重写相同功能;越来越多的软件逻辑因此可能转入模型智能。
  • 对时间窗口,他预计两到三年后 AGI 模型供给可能非常充裕,开源追赶也在加速。现阶段,最强模型仍主要来自 Anthropic、OpenAI,AFK 可以先帮助已经赚钱的企业提高价值捕获效率,并从中取得利润。
  • 曲凯以已跑通商业闭环的陪伴、视频追问 Agent 是否刚趋成熟。嘉琛认同端到端交付是关键,又以 Opus 5.5 剪视频、GPT-6 Astra 控制机器人的世界模型能力说明,通用模型也在挑战先成熟的赛道:“这个桶开始变满。”

10. 创业的回报,还包括让参与者获得更强的下一次机会

  • 被问到人才组织,嘉琛没有给出具体招聘方法论。他更看重让有才华、有想法的人获得比大厂更少的限制,和“聪明的、善良的、可以坚持的、勇敢的人”一起做事;即使不是每家公司都上市,能力、身价与下一次成功概率仍可能提高。
  • 他以 AFFiNE 前 CTO 太郎后来成为 Cloudflare Principal Engineer,以及参与 Void Zero 从创立到被 Cloudflare 收购、获得退出回报的经历说明这种积累。“成长是创业最大的回报”,而“Shoot for the Moon”未必保证抵达目标,却可能让参与者超越原来的自己。