摘要

Tasklet押注，以模型为核心的Agent将取代确定性工作流，因为Agent可以绕开那些让流程图失效的现实例外。 Andrew Lee承认，对于许多商业应用，今天的模型“可能”仍略逊一筹，但他预计这一差距将在6个月内消失，并最终反转：“不是由软件包裹LLM，而是由LLM包裹软件。”
产品正从周期性自动化，演变为一种持续运行、原生使用语言的虚拟员工。 高层Agent保留职责和反馈，子Agent负责执行单次任务；用户也可以回来临时交办工作，而尽管几乎每个付费用户都设置了自动化，大多数消息已经属于这类临时请求。一些客户会给Agent起名、配备专属邮箱，并把它们当作同事：“这是Joe，我的EA。”
Lee仍然凭“感觉”选模型，尽管GPT-5公布的任务时长结果更强、价格也更低，他依然明确偏好Anthropic，尤其是在长链路工具调用中。 他的意思不是Sonnet总能给出最好的第一份答案，而是微小优势会在100次迭代中不断累积；GPT-5的价格不到Sonnet的一半，却没有引发大规模迁移，在他看来，这说明Sonnet的“现实世界效用”更高。
Tasklet的分发切口不是精选的少数集成，而是普适连接能力。 它整合了3,000多个集成和商业工具、任意API、MCP服务器及电脑操作；甚至有一位付费客户放弃Notion官方MCP，改用Tasklet由模型生成的直接API连接，因为后者效果更好。Lee对MCP正在形成的看法很直接：如果工具只是镜像已公开的端点，而模型本身就能发现这些端点，“那MCP有什么意义？”
长生命周期Agent真正有技术含量的部分，不是基础Agent循环，而是上下文工程和算力基础设施。 Tasklet把运行一两周后变得难以维护的、始终存在且可变的JSON记忆，替换成由Agent管理的SQL数据库，同时推进压缩、选择性检索，以及未来对旧历史进行“解压缩”。它的北极星，是一种在经济上不可能、但体验上极具价值的幻觉：“一段很长的聊天”，其中所有内容始终可用，并会被智能地纳入考虑。
经济模型仍处早期且并不友好，但Lee看到了熟悉的成本曲线，以及近期Haiku 4.5带来的杠杆。 Shortwave曾从可能让公司破产的发布阶段，走向健康但低于90%的毛利率；Tasklet目前“毛利率严重为负”，消耗的token多得多，还必须管控免费用户中的“僵尸自动化”。Haiku 4.5的成本约为Sonnet的三分之一，有望在不造成同等幅度毛利损伤的情况下，大幅提高配额。
战略终局是一个值得信任的横向Agent平台，但Lee认为眼下唯一的护城河是速度。 他预计通用模型和生成式界面将消灭大量垂直SaaS，最终甚至会改变当前形态的Shortwave；直接API和电脑操作也会抹平多年积累的连接器库。Tasklet上线后单位时间新增收入的速度远超Shortwave历史表现，但持久的企业机会取决于它能否成为“最值得信任的Agent部署方式”，并提供权限、可审计性、合规能力，甚至保险。

精读

1. Tasklet诞生于Shortwave用户要求Agent无人值守工作的时刻

Nathan Labenz认为，Tasklet模糊了聊天机器人与结构化工作流或Agent之间的边界，并表示自己已经测试了大约1个月。
Lee把这个想法追溯到Shortwave的MCP集成：客户把信息从邮箱搬到Notion、Asana和HubSpot，随后开始追问，为什么同一个提示词不能在每天早上他们醒来之前自动运行。
当Agent可以在没有人坐在电脑前时工作，继续紧密绑定邮件界面就失去了意义。团队随后把项目扩展为通用自动化，从大约6月开始写代码，并在这次对谈前不久上线。

2. 把模型置于工作流之上，改变了可靠性的上限

Zapier、n8n和OpenAI的AgentKit等传统产品，仍由常规软件掌控流程：用户指定第1步到第4步，方框中偶尔调用LLM。Lee认为，这在“1、2年前模型已经很聪明，但还没那么聪明”时是合理的。
Tasklet反转了这套架构：“不是由软件包裹LLM，而是由LLM包裹软件。”模型负责规划和做出大决策，普通代码负责执行工具，并可强制落实诸如推断出的类型限制等约束。
Labenz的反驳值得保留：结构化工作流搭建成本高，但配置完成后更可靠。Lee的回答是，它们的可靠性上限始终有限，因为一旦出现未预料到的错误，流程就会直接中断；Agent则可以理解情境、处理细节，并寻找另一条路径。
Lee承认当前现实：对于大多数商业应用，今天的Agent方案“可能”仍略逊一筹。他的判断却是明确的，而且变化会很快——“我给你6个月”——最终，以模型为核心的系统在几乎所有场景下都会更容易使用，也更可靠。

3. 持续运行的老板Agent，把任务分派给边界清晰的子Agent

Tasklet的高层Agent维持持续的关系、职责和指令；触发器随后为每次执行生成子Agent。每次运行都有明确的权限边界和独立轨迹，用户可以据此查看究竟发生了什么。
Lee把周边产品工作归为3类：连接异构互联网服务、自动启动封装运行的触发器，以及组织协作。最后一类仍处于早期，目标是覆盖核心业务流程中的共享、监督、审计和成本控制。
模型掌控流程并不排斥硬性护栏。Tasklet已经要求LLM为动态构建的连接推断类型，并在代码中强制执行这些类型；Lee设想，未来Agent甚至可以在某个阶段确实必须按规定步骤推进时，自动生成自己的流程约束。

4. 模型选择仍靠感觉，因为客户要求立刻用上前沿模型

当被问及评估理念是否已经成熟时，Lee回答：“仍然凭感觉。”Tasklet变化太快，无法让一套评估机制限制发布节奏；客户又在施压，要求公司几乎立即部署每一个新的Anthropic模型。
团队可以切换模型，并手动测试不同用例。Lee发现，在单问题、单答案任务上，OpenAI模型可能与Anthropic持平甚至更强；但在反复执行“LLM调用、工具调用”循环时，Anthropic表现更好，单轮的小优势会在100次迭代中变得明显。
Labenz追问了METR的任务时长估计：Sonnet 4.5低于GPT-5，但在约2小时的区间仍沿着更广泛的曲线前进。Lee坦率地没有答案：“我不知道为什么会有这个差异。”随后他又提出一个略带讽刺的可能性：有些人比另一些人更擅长钻研如何操纵公开指标。
他采用的另一种信号是价格发现：如果GPT-5在这些工作流中同样有用，而成本不到一半，用户理应大举切换。但他们没有；Anthropic也在OpenAI降价后维持Sonnet 4.5的定价。在Lee看来，这说明买家更看重它的现实世界效用。

5. Tasklet当前的前沿由轮数定义，而不是人类等价工时

Tasklet不会把工作换算成人类需要多少小时，而是测量轮数，因为轮数与成本直接相关。Lee把人与机器的时间比较留给研究人员：“我们只是想做一个人们愿意付费的东西。”
50轮上限最初是为防止Bug生成无限账单而设置的紧急刹车，但用户现在经常触及这一上限。电脑操作是主要原因：在LinkedIn上找10个人并逐一发送消息，每次界面操作至少需要1轮模型调用，有时则需要数轮。
Sonnet 4.5的电脑操作令人“印象极其深刻”，但智能已经不再是主要瓶颈；依赖截图的导航速度慢得多，而且成本极高。Tasklet考虑过使用更便宜的Gemini子Agent，但把结果蒸馏回主Agent会损失智能；Haiku 4.5当时刚部署不久，Lee还无法判断。

6. Agent的电脑必须像专属设备，却不能为闲置状态付费

目前每个Agent都会获得一个SQL数据库、代码执行能力、有限的文件能力，以及可选的完整Linux虚拟机，后者配备浏览器和文件系统。Tasklet放弃了Windows，因为它昂贵、从休眠中唤醒速度慢，而且除了浏览器里的能力，很少提供额外价值。
路线图是把shell、文件系统、数据库、代码运行环境、集成和图形界面连接成一台统一的电脑。Lee举了一个刻意平凡的例子：用户要求Agent转换视频格式，而配备终端的Agent可以立刻用FFmpeg完成。
理想体验包括：挂起后保留状态，同时不让Agent破坏永久配置。基础设施难题在于，既不能持续配置100台机器，也不能运行100份操作系统；Lee称这些需求仍属未知领域，并提到了这一专业云层中的Blaxel。

7. 周期性任务是切入口，但持续的临时工作才驱动参与度

Tasklet最初把设置与执行分开，自动化运行后，用户便无法继续与Agent对话。客户对此提出异议：他们已经配置好邮件分拣、Notion、Asana和大量偏好，不想仅仅为了让这个掌握相关知识的Agent起草一封邮件，就把所有内容重新创建一遍。
让同一个Agent同时处理触发器和对话，改变了产品模型。用户开始给Agent起名——“这是Joe，我的EA”——Lee也开始设想可能持续数年的深度关系，不同于ChatGPT或Claude里不断累积的、用完即弃的对话列表。
使用结构支持了这种重新定位：几乎每个付费客户都有自动运行的周期性任务，但大多数消息都是发给这些已配置Agent的临时请求。已知工作流包括账单运营、行政助理工作、音乐场馆日历和利益相关方更新，以及一位监测现实世界事件并据此推荐交易的商品交易员。
Lee表示，他大量使用产品进行营销，Shortwave或Tasklet的内容都是通过“Lindy”写成的；他描述过一个Agent读取自己的笔记和表格，然后按需生成LinkedIn帖子或播客口播。Labenz也用自己的Agent做研究、寻找底特律播客嘉宾，以及发现采访提纲中的空白。

8. 高层反馈把执行轨迹转化为员工式辅导

Labenz的找论文Agent通过阅读The Cognitive Revolution网站推断他的兴趣，并把这种理解嵌入后续运行。当他发现论文重复出现时，便告诉高层Agent先查阅已存储的历史；Agent更新了长期执行流程，无需他重写工作流。
这次互动产生了“虚拟员工”的感觉：查看已完成的工作，识别反复出现的弱点，再让执行者把宽泛反馈转化为未来的工作方法。价值恰恰在于避免逐步重新编程。
Tasklet此前让用户更容易与单次运行对话，但用户面对“20个地方”可以与AI交流，很少真正使用。Lee现在希望用户只与主Agent进行一段对话，并由一套内省系统赋予它足够的知识和控制力，继续、检查或重定向最近的子Agent运行。

9. 即时生成指令，可能消除一整类提示词冲突

Tasklet曾经持久化保存子Agent的中间指令，并允许用户直接编辑。这造成了歧义：用户告诉主Agent的内容、主Agent生成的内容，以及用户后来手动修改的内容彼此交错，即使用户已经解释了修改原因。
Lee正在考虑放弃预先生成指令。另一个独立流程可以根据所有相关信息，在需要时、以脱离主流程的方式组装指令，从而避免一个缓慢且容易出错的要求：主Agent既要完成眼前请求，又要决定是否修改长期提示词。
用户仍可以通过语言掌控这一过程：要求Agent总结当前理解，纠正这份总结，并明确哪些内容必须严格遵守。Lee认为，这种方式既保留了具体性和可检查性，又不会在界面中制造相互竞争的真相来源。
提示词一致性获得了不同寻常的高管关注。Lee亲自审查每一个触及主提示词的pull request，尽管他通常既不担任CTO，也不做代码审查，因为当完整指令层级放在一起时，各自合理的新增内容“发生冲突的次数高得惊人”。

10. 上下文工程，是维持多年关系的核心幻觉

Labenz提出了有限的200,000-token预算：一个处理过100,000封邮件、还要重新访问不同日期运行记录的Agent，不可能真的让所有内容同时存在。Lee认为，“上下文工程”比被过度泛化的RAG更适合描述那些把正确信息接入模型的系统。
目标体验是让用户感觉，过去说过、处理过或学到的一切都在持续被考虑，而实际实现完全不是这样。“你必须给用户这种幻觉”：历史和模型对历史进行推理的能力，实际上都是近乎无限的。
Tasklet可以隐藏旧的工具输出，用基于模型的压缩总结大段历史，也可以向子Agent提供定制化的信息子集，而不是完整对话。未来的工具可以只在需要时检索某一次历史运行，让正常执行保持精简，同时保留表面上的连续性。

11. SQL取代可变提示词记忆，因为模型已经懂得如何操作它

Tasklet最初的跨运行记忆非常原始：一个JSON对象存在系统提示词中，子Agent通过工具调用编辑它。Lee说：“这是我们能想到的最蠢的东西。”但它出乎意料地有效，因为信息始终可见。
失败发生在一两周后：对象膨胀到足以拖累性能，而在系统提示词中反复改变可变状态，也不断破坏缓存复用。无需检索的便利，无法抵消它在扩展性和经济性上的问题。
替代方案是为每个Agent配置独立的SQL数据库。模型“非常擅长写和使用SQL”，因此Agent可以存储状态、检索子集，并维护状态应如何演进的指令，而无需Tasklet强行规定一套统一的记忆模式。
Lee明确表示，SQL并不是终点：Agent仍可能天真地加载一张不断增长的表。Tasklet可能增加能够“解压缩”选定旧对话的工具。Lee说，公司没有使用其他记忆服务商，因为它把这视为核心问题；他还没有试过Anthropic最新的记忆功能，但认为其上下文编辑方法可以在内部实现。

12. Tasklet更愿意押注模型推理能力，而不是搭建通用知识图谱

Labenz提出了一种HippoRAG式流程，定期把存储的事实连接成图，通过相邻节点改善后续检索。Lee认为类似方案可能有效，但不认为这应当成为Tasklet最值得投入的商业方向。
内部记忆只是信息来源之一；Agent还必须搜索Gmail、Salesforce、Notion和许多其他系统，而这些数据集大到不可能由Tasklet统一摄入。因此，完善内部图谱只能改善整体检索问题中的一小部分。
Shortwave展示了这项权衡：在使用同一个前沿模型的情况下，它的定制语义邮件搜索优于Tasklet调用普通服务搜索，但整套系统复杂且昂贵。Tasklet的押注是，模型会逐渐擅长处理传统搜索，而Gmail等服务最终也可能自行提供高质量的语义搜索API。

13. 直接发现API，把计划中的10个集成扩展为普适连接

团队原本预计像为Shortwave做集成那样，手工打造大约10个优先集成。一次Pipedream连接意外让更大的目录在几乎无需定制提示词的情况下运行起来，随后MCP也取得了类似成功。
关键实验是任意HTTP：Tasklet在网上搜索API文档，提取可用描述，再让模型生成受约束的调用。结果“好得令人震惊”；一位付费客户放弃Notion官方MCP，转而使用Tasklet完全由模型生成的直接API连接，因为后者更可靠。
最终形成的技术栈，把Tasklet自建集成、集成平台、服务商MCP服务器、用户提供的MCP、任意API和电脑操作，统一置于一套配置与权限界面之后。战略信息刻意说得绝对：“我们什么都能连接。没有我们连接不了的东西。”
当不存在API，或者LinkedIn这类服务商不希望自动化时，电脑操作填补了最后的缺口。Tasklet仍会对最重要的连接器进行手工优化，但模型和浏览器避免了长尾需求变成一项持续数年的连接器建设工程。

14. 连接是可复用的凭证，权限仍然属于特定Agent

连接是与外部服务之间经过认证、带状态的链接。初始设置可能使用OAuth，也可能要求API key、服务器信息和自定义请求头；一旦创建，它就属于用户，可以重复使用，而不必为每个Agent重新构建。
可复用不等于无差别访问。每个Agent都必须获得明确指定的工具和权限，这符合Lee的员工类比：公司不会让每个人类员工都访问每个系统，也不应让虚拟员工这样做。
企业路线图是把连接迁移到团队层，让IT部门建立获批凭证、分配访问权、监控审计日志和成本，并执行政策。届时，员工可以基于经过审查的连接构建Agent，而不是随意把各种AI产品接入公司系统。

15. MCP在认证上仍有价值，但工具层面看起来岌岌可危

Lee年初对MCP“极度看好”：社区增长迅速，解决了明显的连接缺口，也启发了Tasklet本身。Claude 4迫使团队重新审视这一判断，因为模型已经能够端到端发现并调用有文档记录的API。
他的核心质疑带有明确前提：如果MCP的工具定义只是镜像公开API调用，“那MCP有什么意义？”模型可以抓取文档，自行生成描述，并直接调用端点，无需依赖服务商设计工具。
认证仍是实质性优势。Tasklet曾使用Notion的MCP授权获得整个工作区的访问权限，同时用自己的工具定义覆盖Notion原有工具；如今它同时提供MCP、直接API和集成平台选项，让用户自行选择。
Labenz提出了“智能MCP”，即表达意图并封装多次调用的MCP。Lee接受Gmail的例子——转发实际上意味着构建并发送一封格式正确的新邮件——但他认为，模型最终可能自行生成这些逻辑分组，从而使手工维护的高层MCP同样面临威胁。

16. 午餐订购揭示了为什么人工审批比听起来更难

每日通过DoorDash订午餐，是Tasklet内部最典型的自动化任务，因为它同时涉及出席情况、饮食偏好、来客、餐厅变化、取消、截止时间和各种例外。Lee的团队曾与人类行政助理合作处理类似工作，却仍然偶尔忘记，说明一个简单的午餐流程也会迅速变得混乱。
Tasklet目前只完成了一半：它会通过邮件发送餐厅推荐和DoorDash链接，之后由某个人选择餐厅并启动团体订单。Lee认为电脑操作可以填补这一缺口，但来客、参与者或所选餐厅仍可能需要审批。
子Agent可以请求输入并给用户发邮件，但这一功能很少被使用，而且“效果不太好”。Lee希望把例外升级给主Agent，由主Agent判断是否需要人工帮助；要做好这一点，可能需要移动应用和推送通知，而不是再发一封邮件。

17. Tasklet自己搭建Agent技术栈，也越来越多地用Tasklet测试自己

基础设施方面，简短的推荐名单是Pipedream、Google Cloud和Anthropic。Google Cloud负责虚拟机；Agent实现采用内部TypeScript，而不是LangChain；运营栈的其他部分则使用Sentry和Statsig。
编码工作大量依赖Claude Code和Cursor，部分工程师更偏好Codex，或将Codex与Cursor并用。Lee猜测，AI如今起草的代码行数已经占大多数，但“写代码行往往不是难点”，也不代表底层推理的大多数。
当架构已经支持清晰修复时，从工单到pull request的自动化可以正常工作。否则，Agent可能会“硬塞一个解决方案”，在本地测试通过，却破坏整个系统；相比之下，Tasklet的定价、发布说明和条款页面基本都是Claude Code一次性完成的。
Tasklet也在测试自己：Agent会运行集成工具、诊断虚拟机休眠和远程桌面配置问题，并操作产品界面。最具递归意味的一次演示，是通过电脑操作打开Tasklet，编辑正在运行它自己的那个Agent——一座让Lee觉得“笑死了”的“镜厅”。

18. SOC 2解决的是公司控制问题，不是Agent是否行为良好

Lee强调，Tasklet非常重视隐私，并计划在上线后不久推进SOC 2。他不接受这只是形式主义的说法：员工访问权限和客户数据控制仍然重要，尽管它们并不约束Agent自身的行为。
缺失的标准在于，Agent本身是否会做正确的事。安全专业人士实际上告诉Lee：“我们完全不知道；现在就是狂野西部。”不过，尽管普通Bug的报告很多，Tasklet尚未收到Agent失控的投诉。
Lee认为，早期结果部分源于预期管理：自主性就是产品本身，而用户会选择连接和权限。他预计，随着客户规模扩大、任务价值提高，审视会加剧，使信任而不只是能力成为公司的中长期基础。

19. 保险可能成为Agent部署所缺失的信心层

Labenz介绍了AI Underwriting Company提出的AIUC-1标准，以及通过保险为Agent风险定价的更广泛想法：通过追问保险公司能否有利可图地承保，迫使各方明确判断风险发生的可能性、严重程度和控制措施。
Lee认为这个概念很有吸引力，并提到早期Airbnb：房东房屋受损后，Airbnb推出保险政策，帮助恢复了人们对这一高风险新市场的信任。一份金额可观的保单既可以提供赔偿，也能具体表明有人评估过底层风险敞口。
他的战略结论是，未来许多产品都会跨多个工具自动化工作；Tasklet必须把自己定位为企业部署这些Agent时“最值得信任的地方”。合规、可审计性、权限和保险都能支撑这一定位，尽管相关的Agent风险标准仍未定型。

20. Tasklet正在重复Shortwave从危险成本走向可行毛利率的路径

Shortwave早期发布时曾提出一个生死问题：“这会让公司破产吗？”使用成本很高，但从未达到破产级别；随着变现、模型降价、缓存和优化逐步推进，最终形成了健康的毛利率，尽管不是接近90%的传统SaaS毛利率。
Tasklet重新定义了经济模型，因为几乎所有价值都由AI生成，而且每个客户消耗的token多得多。Lee说，公司目前“毛利率严重为负”，通过每日配额计量进行管理，同时团队预计它会沿着同样的长周期，走向盈亏平衡、正毛利，最终达到非常高的正毛利。
Haiku 4.5是眼前的杠杆：不同于此前长期没有更新的Haiku，它速度快、足以胜任许多任务，价格约为Sonnet的三分之一。对谈期间，Tasklet正在加入Haiku 4.5，让用户获得大幅增加的配额，而成本不会同比增长。
免费周期性任务制造了“僵尸”问题：一些用户可能每天消耗约1美元，却完全不查看任何输出。Lee预计，付费用户仍会保留自主决定权；但对于不活跃的免费账户，公司可能先发出警告，随后停用自动化，除非用户重新回到应用中。

21. 不可变历史与选择性状态放置，推动缓存命中率达到85%

Lee的缓存规则是，Agent转录应当像不可变日志一样运行。编辑早期消息会使其后的所有内容失效，因此提示词和历史只能追加；不同片段则根据预期复用情况，分别采用不缓存、5分钟缓存或1小时缓存。
Shortwave已将缓存命中率推升至约85%。一项关键技术，是把可变信息从系统提示词移出，放入与新用户消息一起追加的隐藏系统消息块，从而保留此前已经缓存的前缀。
当前时间体现了这种权衡：把它放进系统提示词，每分钟都会使缓存失效；完全省略，模型又缺乏有用上下文；通过工具检索，每个答案都要额外付出一轮调用。追加一个隐藏块，则可以低成本提供当前时间，同时不改写历史。
同样的模式可以承载用户状态和Shortwave记忆，压缩则负责减少旧历史。Tasklet放弃的可变JSON记忆违反了这套经济架构，因此后来迁移到SQL既是扩展性改进，也是缓存决策。

22. 更长周期的智能，更偏向一个掌握全部上下文的Agent，而不是Agent群

Lee偏好的进展指标是自主任务时长。单次回答已经普遍显得很聪明，但如果模型每一轮都提升“0.01%”，到第100轮或第1,000轮时，整体效果就会发生巨大变化；他预计，这条复利式前沿还会推进很长时间。
在单个用户的应用内部，他没有找到把职责拆给多个平级Agent的好理由。给一个强大模型配备全部相关工具和上下文，表现始终更好；多Agent结构更适合不同参与方必须保留私密信息，或需要进行对抗性协商的场景。
Labenz提出，可以把不同工作路由给营销Agent或HR Agent，并增加一个独立的质量控制主管。Lee的回答仍然相同：当底层基础模型已经跨领域具备专家能力时，专业化主要只是改变上下文和工具；Tasklet的实验也尚未发现单独的审查者能够改善结果。
Labenz的外推相当激进：每4个月翻倍，意味着任务时长每年增长8倍，从现在的大约2小时，走向2天、2周，再到2028年的季度级项目。Lee预计任务会变得更长，但认为涉及勒索的研究情景在很大程度上受冲突目标影响，不能直接视为对生产环境行为的明确预测。

23. 横向Agent威胁垂直SaaS，因此速度仍是唯一护城河

Lee预计，能够“精通一切”的基础模型，将驱动横向平台按需生成建筑、医疗或营销领域的界面和流程。垂直整合的企业仍然可以存在，但许多处于中间层的垂直SaaS产品可能会消失。
Labenz把这种交互变化概括为“AI击败UI”。Lee甚至把这一判断应用到Shortwave：一旦用户可以要求Agent生成一个带有指定约束、用于快速分拣邮件的客户端，当前形态的Shortwave就会失去价值；不过他认为，这一时点还在数年之后，而不是几个季度之后。
Tasklet更近的目标，是让一个员工式Agent从邮件分拣和发票处理，逐步扩展到运营一家小企业的全部营销职能。Lee起初回避“虚拟员工”这个说法，因为相关产品经常过度承诺；但用户给Agent起名、为其配置邮箱身份，说明这一范式已经开始成形。
Tasklet上线后增长迅速，单位时间新增收入的速度超过Shortwave历史上的任何时期，但Lee认为除了执行速度之外，公司没有其他护城河。直接API抹平了多年连接器积累；下一步，生成式软件将侵蚀应用层护城河。运营原则是：在竞争对手复制当前能力之前，先找到下一项能力。

创意为何会比代码更重要｜Kevin Rose 与 Anish Acharya E210｜日本“失去的30年”，炼成了中国餐厅排队王？