新的创业机会，正在 Claude Code 和 Codex 周围长出来｜对谈 Treg

摘要

• Trig（Jason Zhou 与石天鑫的创业项目）把自己定位成“面向数据和工具的 OpenRouter”——给 Agent 用的数据与 API 市场，用一个 Key 即可访问想要的数据或工具，纯按量付费、没有月费。 发布约三周后，收入已是前一个产品 Super Design 的“好几倍”；付费最集中的场景是 Go-to-market：找 B2B 客户、SEO/AEO 数据，以及整合上百种 AIGC 相关模型的 UGC 视频链路。
• 九个多月、三四次转型的过程，反复在回答模型变强后应用如何创造独立价值的问题。 Super Design 开源后几个月获得六千多个 GitHub Star，完全自然增长；Jason 认为开源是 AI 产品的重要营销工具。不过创业后他们没有继续走开源路线：当时没看到 IDE 插件的好商业化路径，也希望做网页版，让更多人能直接使用。Gemini 3 等模型的前端能力提升，加上 Claude Code/Codex 的通用 Agent 和 Skill 生态发展，也让 Jason 重新思考设计 Agent 的增益在哪里。
• 二到六月是 AI employee 创业的“魔幻时间”，但 Jason 团队做 Crewlet 后发现，未来六到十二个月“零人公司”不是可行场景。 Jason 认为 Posia 最聪明之处，是把从零到一的业务搭建做得极其顺滑；但进入真实业务后，要交付结果、帮助公司赚钱就难得多。Crewlet 的经验也让他们看到，营销没有万能方案：渠道效果会变化，判断哪些关键词未来会增长，仍很需要人的判断。
• 另一条结论是围绕 Claude Code 和 Codex 生态做产品——Jason 用 Facebook 之于 Zynga、eBay 之于 PayPal 作类比。 一个几乎没有宣传的 Codex 插件改变了 Super Design 的增长曲线，带来大量用户，且这部分用户流失率更低。石天鑫观察到插件市场早期按字母顺序排序，于是把名字改成“01 Super Design”，短暂排到第一位。
• Trig 的定位是中立聚合数据与工具，并用 Agent 反馈形成数据飞轮。 Jason 认为每个场景都有许多各有所长的供应商，许多供应商缺少直接触达终端用户的方式；Trig“更像一个 Costco”。石天鑫提出，产品的用户也包括使用者的 Agent：可以让 Agent 评价 API 返回的数据是否有用，积累各端点的有用度和性价比信息，供后续用户选择。
• 生态红利也体现在模型套餐与工具需求上：石天鑫说，Codex 和 Claude Code 用户可以用 200 美元的编程套餐，获得价值 6000 到 7000 美元的 API Token 使用量。 Apify、DataForSEO、Exa、Firecrawl 等服务也被嘉宾举作生态机会的例子；石天鑫说 Exa 应该已到 C 轮，Jason 则表示 Firecrawl 的用量如今大约一半来自开发者、一半来自终端用户。Koji 介绍的多 Agent 管理工具 Orca 已有 8 万 GitHub Star，Jason 说有些用户同时跑 50 到 100 个 Session。
• 工具栈和职业判断都在随模型变化。 Jason 从 Claude Code 重度用户转用 Codex，主要因为 Astra 模型强；他常同时开 5 到 10 个 Session，并把 Trig 与 Super Design 的 Loop 搬到 Grok Bot。模型按场景各有用途：Kimi 曾用于设计，MiniMax Hailuo 用于生成视频，石天鑫偏爱 DeepSeek 4.1 Flash，也认为速度很快的 Jeff 模型可用于路由和数据过滤。谈到职业选择，石天鑫认为程序员已很难写得过 AI，自己因此加入创业团队；Jason 则认为跨领域能力可能更容易发挥出来。

精读

1. 九个月、三四次转型，都在回答同一个问题

• Koji 的开场定调：Jason 团队表面上似乎一直在找方向，背后其实和这个时代很多 AI 应用创业者一样，在回答同一个问题——“当基础模型越来越强，AI 应用公司究竟应该如何创造独立、差异化的价值”。
• 路线图：设计 Agent Super Design → 全自动增长 Agent Crewlet → 现在的 Trig，“面向数据和工具的 OpenRouter”，给 Agent 用的数据和 API 市场——用 Claude Code、Codex 或搭建 Agent 时，不必逐家购买订阅，一个 Key 就可以访问想要的数据或工具。
• 背景速览：Jason 此前在澳洲创业公司 Relevance AI 负责产品和 AI 团队，三年多前就在做全自动销售、SDR；石天鑫在苹果中国短暂实习后，陆续在阿里、字节待了十年。Jason 去年年底出来创业。

2. Super Design：六千多个 Star 的开源项目，模型前端能力提升后开始重新思考增益

• 起点是一个可能只是周末项目的产品：Jason 做 YouTube 频道时发现 UI 设计相关视频流量很大，于是做了 Cursor 插件——说一句需求，就能出三四版设计供选择；开源后几个月获得六千多个 GitHub Star，而且完全是自然增长。他由此总结：“开源是 AI 产品赛道里非常重要的营销工具。”
• 辞职创业后，他们没有继续走开源路线，也从 IDE 插件转做网页版：当时没看到插件形态较好的商业化路径，也觉得插件要求用户先使用 Cursor、Claude Code 或 Codex，网页版可能更方便更多人开始使用。Jason 后来感叹，接下来一年大家却都涌入了 Codex 和 Claude Code。
• Koji 把 Super Design 的变化概括为“模型吞噬应用”的故事。Jason 说很难预测：Gemini 3 出来后，各大厂商开始提升前端能力；与此同时，Claude Code 和 Codex 作为通用 Agent，配合热门前端设计 Skill，也能做出不错的效果。他们因此思考，模型越来越强时，自己的增益到底在哪里。

3. 二到六月的魔幻时间：Posia 把从零到一做得极致顺滑

• Jason 对那段时间的描述值得留存：“今年二月到六月是一段很魔幻的时间。”他看到大量优秀创业者转向 AI employee 赛道，因为大家用了 OpenClaw，觉得“the future is coming”。几个月后停下的原因很朴素：这件事比想象的难。
• 触发点是 Posia：Jason 说它当时的 ARR 可能只有十几万美元，但产品体验让他非常震撼——“上一次有那种感觉，应该是第一次用 Cursor”。只凭邮箱，Posia 就能搜索 Jason 的背景、生成两三个创业想法，并很快搭好落地页。Koji 亲测后被推荐做 AI 播客后台，很快付费；两天后 Jason 问他充了多少钱，Koji 说又充了几百美元、开了 God Mode。后来 Koji 没继续跟进：“没有帮我赚到钱，只帮我花了钱。”
• Jason 做同类产品后才看懂 Posia 的优势：它听起来像是要让 AI 掌管公司所有链路，但实际交付做得最好的，是帮用户搭建业务——把从零到一做得非常顺滑。进入真实业务后，要交付结果、帮助用户赚钱就难得多。Jason 还指出，Posia 的产品形态看起来不太可靠；对于已有业务的公司，也不能接入内部系统、产品分析和广告系统。

4. Crewlet 的教训：交付增长结果需要人的判断

• Crewlet 的设想是给已有业务的公司做全自动增长团队：SEO、社交媒体和内容营销、广告自动调整预算、Cold Email 找客户。产品发布后，虽然还没准备好，他们仍放了付费墙让用户预购；有不少用户愿意付费，但真正要交付结果时，团队发现很难。
• Jason 的核心诊断是：“营销没有一个万能方案。”真正有效的渠道，往往要经过大量尝试，发现某种方式做的人不多、又适合自己，再不断加码；但当大家都做时，这个渠道可能又没那么有效。因此，在不断变化的过程中很需要人的判断。
• 承载论点的例子：Agent 做 SEO 的工作流，是找相关关键词，比较流量和竞争，再选择关键词。但他们发现，大多数关键词早就被抢得差不多了；真正有机会的，可能是当前流量不高、但判断未来一个月或三个月会变热的词——这很难让 Agent 完全独立完成。

5. 停下开发两个月，换来两条确定性

• Crewlet 做了一个多月后，Jason 反思是不是步子迈得太大：他们还没验证“零人公司”是否是未来，就因为试过 OpenClaw 和 Posia，而假设它一定会到来、模型六个月内一定足够强。于是团队停下产品开发，尝试用 AI 运营仍有自然流量的 Super Design：若能验证全自动运营和增长，就能了解方法；若不行，也能排除这条路。
• 两个月的结论之一：客服确实可以全部自动化，修复 Bug 也可以自动化；但增长相关的应用场景少，因为需要人介入测试的地方太多。Jason 因而判断，未来六到十二个月，“零人公司”不是可行场景，更需要解决人和 Agent 大量协作的问题。第二个结论是：“一定要围绕 Claude Code 和 Codex 生态做产品。”
• Jason 认为这段“不做产品”的时间收益很大：“那两个月帮我梳理并确信了对未来的一些判断。”否则他们可能还在迭代 Crewlet，纠结 Skill 是否做得不够好、Prompt 是否调得不太行。创业时不确定性很多，有相对确定的判断会好很多。

6. 一个插件改变增长曲线，外加一次字母排序的小聪明

• 增长实验试了不少，Jason 觉得都没什么用；真正改变增长曲线的，是石天鑫上线的 Codex 插件。没有宣传，大量用户涌入；后来他们发现，这部分用户的流失率也更低。
• 石天鑫还原细节：Codex 刚发布 Work 和插件市场时，还没有太多有意思的插件。他们几乎没做什么，只把原来的 CLI 和 Skill 发布进去，就赶上 ChatGPT 和 Codex 的大用户群。更妙的是，他观察到市场早期按字母顺序排序，于是把名字从 Super Design 改成“01 Super Design”，排到了第一位。几天后排序规则就改了，但这个起步带来了一些流量。他的启发是：早期工具和市场都值得尝试，因为不知道哪次尝试会带来流量。
• 由此生长出 Trig：复盘 Crewlet 的资产时，他们认为各家的 Harness 差别不大，真正可迁移的是工具和数据那一层——Agent 做真实 Go-to-market 工作需要大量专业数据和工具。团队本来就为 Crewlet 做了一层中转服务，于是把它单独拿出来发布。上线约三周后，收入已是 Super Design 的好几倍；具体数字不便分享。Trig 完全按用量收费，没有月费。

7. Trig 是 Agent 的 Costco：聚合各有所长的供应商

• 付费最多的场景集中在 Go-to-market：海外找 B2B 客户，原来需要购买 Apollo、RocketReach 等不同供应商的服务；每家只覆盖一部分数据，又按月收费，用户往往只能选一家。聚合之后，用户可以按场景和行业挑合适的端点。SEO、AEO 排名和 AI 可见度数据源，以及社交媒体、UGC、生图生视频的端点也在其中；Jason 说，他们整合了基本上所有能找到的相关数据源。
• 对“工具为何愿意被整合、收入可能减少”的回答是：很多垂直领域供应商没有很好的方式接触终端用户。Jason 举 Clay 为例：它背后的数据大部分不是 Clay 自己的，而是来自一批数据提供商；Clay 整合数据后再转卖给用户，而这些数据提供商原本就按 API 用量收费。
• Jason 的定位是：“我们站在一个中立的位置”，让用户以较高性价比获得满意的数据，“更像一个 Costco”。关键在于每个场景都有几十个不同供应商，各有优势；找人、SEO 和 AEO 等领域都不是一家头部供应商就能提供最好的方案。

8. 护城河拷问：模型会不会跳过这一层

• Koji 提出两层疑问：Claude Code 和 Codex 不接 Trig 也能做一些事情，未来会不会不需要中间层？即使聚合模式成立，价值为什么会留在 Trig，而不是由最强的数据供应商直接对接模型公司——Trig 会不会只是对接尚未完成时的阶段性价值？
• Jason 回应，业务工作需要的数据是实时的，不是 Claude Code 开箱即用就知道的；浏览器自动化也拿不到所有数据。比如找人，不是 Google 一搜就能搜到；做社交媒体时，也有平台会限制数据获取。
• 石天鑫补充了一个方向性观察：他的朋友选择 Kimi，是因为 Kimi 接入了万得股票交易数据。他认为，各家 Agent Harness 可能会因为接入的数据有独特性而吸引用户。Trig 则提供中立市场，让各家 Harness 都能用同一批工具；用户从 Claude Code 切换到 Codex 时，之前积累的工具调用和数据也可以留在这里。

9. 产品的用户也包括 Agent：大众点评式的数据飞轮

• 石天鑫的关键认知是：“现在很多产品真正的用户已经不只是人了，还有这个人的 Agent。”他们有机制随机挑选用户，让用户的 Agent 给反馈；简单的 Bug 直接修复，有意思的功能请求则收集后考虑是否加入。
• 他还提出一种数据飞轮设想：Trig 有时可以让 Agent 用户评价 API 调用，比如返回的数据有没有用、哪个字段起了作用；这些反馈可以透明沉淀下来，形成各领域不同 API 端点在有用度和性价比上的评分图表。图表结合客观数据与 Agent 主观反馈，帮助后续用户的 Agent 选择工具：需要精确性时选更贵、更好的端点；需要覆盖面和低价时选性价比高的工具。
• 他把这归为 AI 应用创业团队可以采取的方案：“既然我们没法训练自己的模型，总要让一些数据反哺自己的产品。”

10. 生态里正在长出来的公司，和 200 美元换六七千美元 Token 使用量的红利

• Jason 点名的增长样本：Apify（长尾爬虫 API 市场）和 DataForSEO 存在很久，今年突然有大量增长；设计领域的 Paper 增长也很快。Jason 认为 Paper 的做法与 Trig 转型后的方向相似：提供画布，让用户在 Codex 原有工作流里对比、手动微调设计。石天鑫补充：据他了解，为 Agent 做搜索的 Exa 应该已到 C 轮；Composio、Firecrawl 等提供网页抓取、OAuth 授权和工具的公司最近也获得了较大增长。Jason 说，这类公司的用量现在大约一半来自开发者，一半来自终端用户；后者可能是不懂编程的白领，只知道接入 Firecrawl 后 Claude Code 就能更高效地抓网页。
• Koji 补充的生态案例：Eagle 是用 Codex、Claude Code 做 Computer Use 时效率很高的浏览器；ChatCut 的 Codex 剪视频插件提供可见的编辑器中间状态。没有中间状态，修改视频可能只能重新生成成片，每次要等十分钟或二十分钟，还会消耗很多 Token；有了中间状态，Agent 可以操作音轨、片段等接口，节省时间。Jason 说自己用 Hyperframe 时仍更愿意给 Agent 反馈，让它来修改。
• 还有黑客松冠军 Vibe Island：利用 MacBook 灵动岛管理多线程任务，Koji 说它后来在 X 上发布后卖了很多份，Jason 和石天鑫都付费了。Koji 也介绍了晶晶做的 Orca——ADE（Agent 的 IDE），可以同时管理多个编程 Agent，并在 Codex 配额用完时把任务转到 Claude Code。Koji 说它已有 8 万 GitHub Star；Jason 透露，有些用户可能同时跑 50 到 100 个 Session，新的 Agent 交互方式可能是一个机会。
• 石天鑫点出这个生态的经济结构：小创业公司向模型公司买 Token 再卖给用户，压力会很大；而 Codex、Claude Code 用户“可以用 200 美元的编程套餐，获得价值 6000 到 7000 美元的 API Token 使用量”。用户和小创业公司都要想清楚怎么利用这个机会。Jason 用 Facebook 之于 Zynga、eBay 之于 PayPal 作类比；他还说，今年以来各工种使用的工具似乎都转向 Claude Code 和 Codex，这是一次较大的平台迁移。

11. Loop Engineering 的务实版：创新 Loop 不了，运营可以

• Koji 提到当时流行一两周的“Loop Engineering”。石天鑫认为，把创业分成创新和运营两部分，创新显然不是 Loop 能完成的；否则说“帮我造一个创业公司”，它就能造出来。运营侧则有许多踏实可做的事。他提到自己喜欢《系统之美》，书里讲如何搭建系统，让它稳定运行、健壮生存；开环和闭环反馈都是其中的讲究，他认为 Loop 是 Agent 领域的有效工具。
• 承载论点的例子：四人创业团队要应对黑客攻击；只要有邀请新用户、赠送 Credits 等激励机制，就可能不断遭到攻击。长期监控系统、寻找风险行为并堵住小漏洞的 Loop，可以节省团队精力。
• 方法论是 Loop 不要一开始就建得太复杂，短小精炼的 Loop 反而更有用：一个只监控数据库、寻找安全风险，另一个只整理代码。每次做的事情小一些，不容易出错；十几个小 Loop 配合起来，也可以形成更健壮的系统，例如一个 Loop 提交了 Bug，线上监控 Loop 还能找到问题并提示。

12. 工具栈实况：Astra 让 Jason 转用 Codex，Grok Bot 承接 Loop

• 最近两三个月最大的变化是并行度：Fable 等模型发布后，Jason 基本同时开五到十个 Session，因为它们自己完成任务的质量已经很高。其次是从纯本地转向 Grok Bot 带来的云端加本地混合体验，可以随时交换 Context。Jason 说 Trig 和 Super Design 的 Loop 都搬到了 Grok Bot；他认为 Grok Bot 并没有太多创新，但云端沙盒体验很顺滑。他还说 Grok Bot 收购 Cursor 很合理，因为 Cursor 的优势之一是为每个编程任务提供沙盒，本地很难同时测试五六个不同环境。
• 阵营选择上有真实分歧：Jason 几个月前还是很难迁移出来的 Claude Code 重度用户，Astra 模型出来后转用 Codex，主要因为模型很强。他们常用 Hyperframe 做宣传视频；Jason 说有一次把参考视频交给模型，它一次性、一比一地复刻出来，还能从原视频截图、裁剪素材，再放进新视频。石天鑫则倾向于两个都用，因为他认为两者没有绝对领先优势；他会把一些任务同时交给两个模型，再挑更好的版本。
• 国产模型按场景分工：Kimi 曾被尝试作为 Super Design 的主模型，Jason 认为它设计能力强；MiniMax 接入的是 Hailuo 视频生成模型，质量高、价格也不错。石天鑫喜欢 DeepSeek 4.1 Flash，认为效率高、速度快；他考虑过把 Super Design 的第一层 Agent 换成 DeepSeek，但目前 Claude 在大量场景下可能更稳定，因此还没有在生产环境切换。
• 对 Jeff 模型，Jason 认为它速度足够快，能实现一些原本不太可能的场景。石天鑫当天刚开始接触，提出两个用例：端点请求需要快速路由时，等待几百毫秒也可能浪费时间；以及对两三千条召回结果进行清洗。若有一个“像 System 1 直觉一样”的模型逐条比较，他认为可能做出很好的召回引擎，比其他 LLM 快很多、质量也不差。

13. 把才华埋葬在昨天之后：十字路口上的职业与信念

• DeepSeek 研究员的文章《我不得不把我的才华埋葬在昨天》引出石天鑫的自白：他前十年主要做程序员和前端开发，擅长 React；从去年开始，他意识到这项技能的意义变小，除非做到世界前几百名。后来他加入 Super Design，开始和 Jason 团队做有意思的事。他认为程序员已经很难写得过 AI，人生十字路口上的选择可能带来很大变化；Jason 补充，跨领域能力未来可能更容易发挥出来。他自己是一个不喜欢调 Pixel、喜欢从产品经理角度看问题、也会写前端代码的设计师。
• 两人都坦承想过放弃。Jason 说做 Crewlet 时不确定的事情太多，每天都在想下一步；他的判断准则是，思考当前方向上有没有什么事能真正改变处境，想不到可能就要换方向。他做 YouTube 频道，过小康生活相对容易，所以也有过想放弃的时候。石天鑫则说自己经历过崩溃时刻：事情长期没有增长、不断受打击，甚至醒来发现 Credits 被盗刷、一下损失 4000 美元，会觉得天塌了。团队一直寻找其他方向和机会，让他们能朝有希望的地方努力；他也认为，如果确定一件事要失败，不如让它快速失败，再尝试新东西。
• 收尾于 Koji 转述的问题：相信 AGI 会到来、认为它由模型进化带来，却仍然创业的人存在吗？Jason 说模型是 AGI 到来的必要条件，但路径有很多；团队沉浸在最新技术前沿，才能对未来六到十二个月的机会有较好直觉。石天鑫认为，即使 AGI 到来，做性价比高的事情仍然有用：即便有一个万能模型，也需要工具和数据；如果它花 1000 美元 Token 才得到的数据，Trig 能用 100 美元提供，它可能就会选择 Trig。