摘要

Agent融资已进入百亿美元估值与巨头抢人的阶段，但价格更多反映战略稀缺性，不等于创业公司的壁垒已经坐实。 Cursor母公司Anysphere融资9亿美元、估值近100亿美元；谷歌以24亿美元吸纳Windsurf核心团队，Cognition AI再接洽剩余团队；Thinking Machines Lab融资20亿美元、估值120亿美元。周炜的提醒是，全球资金挤向少数优质资产，“钱都不是钱了”，巨头既会自研，也会高价并购。
Agent热潮来自模型、开源生态进步和端到端产品开始落地，而不只是概念突然出现。 张璐把Agent定义为能自主决策、处理复杂多步骤任务，并在工具库与垂类知识库支持下端到端完成工作；过去半年，传统行业即使只有Excel和Email也能被接入。她强调开源模型降低了垂类微调和小模型创新门槛，周炜则认为行业终于从讨论底层技术转向“做一个真正让用户能实现最终目标的Agent”。
AI Coding最危险的错觉，是把先发优势当成长期护城河。 Claude既是Cursor的底层引擎之一，又用Claude Code直接与其竞争；张璐观察到研究型开发者中有“百分之七八十”在用Claude Code，一些独角兽公司也从Cursor或Windsurf迁移。Cursor的UI/UX、上下文联动和已有集成能制造migration cost，但周炜判断，大模型“一晚上的训练”就可能补齐能力，没有独有数据和真正技术壁垒时，“该卖就卖了”。张璐还将AI Coding定义为偏to C，而Fusion Fund主要关注直接销售给企业的to B机会。
垂类to B Agent的可投性来自高价值工作流，而不是行业名称听起来有多大。 张璐举例，沃尔玛一年约发行600亿美元商业票据；一家不到7人的被投企业把原本依赖人工和银行的流程自动化，一周生成60亿美元票据，收费比例仅“0.01到0.02”，仍对应可观业务。其投资逻辑是找到高频、重要、重复而无聊的流程，因为“很多垂类，它是一个比较巨大的市场”。
高监管行业的技术路线不是承诺零幻觉，而是把错误率压进可控范围，并让成本、隐私和部署方式同时成立。 张璐看重大语言模型与reinforcement learning结合：LLM负责理解、分析和表达，强化学习补上决策、驱动、学习与记忆；重复任务还可复用已验证答案，而非每次重新生成。她强烈偏好垂类小模型，因为其推理、训练和耗能更低，并可本地部署；一款规模表述为“不到一个亿、10亿这样的token规模”的模型甚至能在Raspberry Pi运行，表现被描述为与GPT-4类似。
通用Agent技术上可能成立，创业公司的经济账和竞争账却更难成立。 它必须调用GPT-4、Claude、Gemini等强模型，覆盖跨行业任务又推高推理成本；若“人工智能劳动力的成本比人力劳动力还要高”，企业就缺乏采用理由。更致命的是，底座模型公司也会亲自做通用Agent；周炜仍愿意下注，因为“没有梦想那跟咸鱼有什么区别”，但直言成功希望“非常渺茫”。
更扎实的投资壁垒，包括多层业务流程、非公开数据和明确付费价值。 周炜用《黑客帝国》的章鱼机器比喻：General AI可快速突破外层，行业know-how、细流程和私有数据则迫使巨头“一层一层突破”；这类公司未必达到100亿美元，却可能形成一批10亿美元级企业。美国企业只要看到商业价值就愿意付费，中国客户则更容易压价并给用量收费设cap，因此中国团队往往需要从创立之初就面向全球。
to C下一轮可能不是又一个通用聊天入口，而是用本地记忆和情感关系制造真正的转换成本。 周炜看好本地部署、持续训练的伴侣机器人：云端模型“每个模型各领风骚100天”，用户随时切换。泓君设想，若每月29美元订阅中断就让专属AI忘掉共同经历，情感连接可能反而形成付费动力。周炜判断AI native一代爱上机器人会变得普遍，跨越恐怖谷的拟真人产品“两年内”可能出现；与此同时，本轮高价并购也意味着创业公司不必只押终局，中途退出本身就是可接受路径。

精读

1. 融资狂潮与模型能力、应用落地同时加速

泓君铺开的估值地图已经不只是“独角兽”：Anysphere在2025年6月融资9亿美元、估值近100亿美元；Windsurf与OpenAI谈崩后，谷歌以24亿美元吸纳核心团队，Cognition AI再洽购其余团队；Devin母公司估值约40亿美元。
垂直赛道同样拥挤：企业搜索Agent Glean融资1.5亿美元、估值72亿美元，法律Agent Harvey AI融资3亿美元、估值近50亿美元；Genspark与Manus分别融资1亿美元和7500万美元，估值均超过5亿美元。
张璐认为Agent并非新概念，业内已讨论近十年；变化在于垂类公司的惊人增速、模型快速迭代，以及开源生态把微调小模型的门槛和成本降下来。传统行业只有Excel、Email，也开始具备被Agent整合的条件。周炜则认为，行业终于从讨论底层技术转向做真正让用户能够完成目标的端到端产品。

2. Agent的边界是自主完成复杂任务，而非一次模型调用

张璐给出的投资定义很明确：Agent必须处理复杂而非单线任务，能够自主决策，并从头到尾完成多步骤流程；团队仍需提供工具库，垂类产品还需知识库，这也是她筛选项目的基本标准。
她列举的形态横跨Cognition Devin、Rabbit OS、You.com、Glean及医疗垂类Clarity；You.com最近刚成为独角兽。若问个人体验，她最喜欢Anthropic的Claude。节目恰逢Grok 4发布，她对其参数表现“非常惊艳”，也期待尚未正式发布的Coding Model。
泓君据此把市场拆成三类：Cursor、Windsurf、Devin等AI Coding工具，Manus式通用Agent，以及Harvey、Cresta和医疗Agent等垂类产品。三类都叫Agent，却有完全不同的成本结构、护城河和投资人池。

3. Claude Code证明底座模型随时可以下场抢走应用层用户

张璐把Claude Code视为Cursor的直接竞争者：Claude虽然也是Cursor内置引擎之一，但原厂产品整合更深，复杂代码分析、解释、生成和长上下文能力更强，10万、20万token级的大型项目也能处理。
开发环境是迁移的直接诱因。她接触的一批研究型开发者中，“百分之七八十”已在使用Claude Code；一些过去大量采用Cursor或Windsurf的独角兽公司，也开始转向Claude Code，其Slack、Notion插件集成尤其顺手。
xAI则展示了另一种威胁。张璐转述其内部信息：xAI已有“百分之七八十”的代码由自有内部代码模型编写；若该模型开放给第三方，其原生表现可能超过简单内置Grok 4的外部工具。
新玩家还包括Google的Gemini CLI，它通过terminal进行自然语言交互，未必与完整IDE正面竞争，却给AI Coding创业者提供了新平台，也进一步说明模型公司正在沿整个工具链向上延伸。

4. Cursor的产品优势真实存在，却必须靠极限迭代续命

Cursor突破Copilot的关键，不只是模型能力，而是为AI编程重做UI/UX：自动补全、代码解释与修改、自然语言驱动的上下文联动都更顺畅。材料科学背景的张璐也能借它结合ChatGPT或Gemini搭建小应用，“大大降低了门槛”。
Windsurf的拥趸则更看重多步骤执行的流畅性，尤其可能更适合搭建AI Agent。既有团队若已深度整合Windsurf，并不会因新模型出现立即迁走；这种migration cost是真实但有限的防线。
张璐提到她看过Cursor创始人的访谈，并认为Anthropic在2024年7月更新后，Copilot没有及时把代码能力飞跃变成产品迭代，Cursor却抓住了窗口。创业公司的增长不是线性的，而是在模型跃迁时迅速把体验差距产品化。
张璐用一个字总结竞争：“卷。”其被投企业中，约百分之七八十曾在一年内实现20倍收入增长，快者从零到数千万美元，甚至有一家从50万美元增至上亿美元；但增长越快，越说明窗口短，停下来就难以保持护城河。
张璐还将AI Coding定义为偏to C；Fusion Fund长期偏好直接向企业销售的to B产品，因此对C端通用Agent看得较少。

5. 垂类to B的市场规模藏在高价值而乏味的工作流里

Fusion Fund长期偏好to B：不仅看产品是否直接卖给企业，还区分大模型“套壳”与能否训练垂类模型或微调小模型。张璐认为AI竞争已从模型竞争延伸为“数据和成本的竞争”，企业客户会认真比较每次调用的价格。
最能承载这套逻辑的是商业票据发行。沃尔玛全球员工众多，一年约发行600亿美元商业票据补充发薪现金流；这个频繁、金额大、重要却重复乏味的过程，过去主要靠人工与传统银行完成。
一家不到7人的被投企业将流程自动化，一周完成60亿美元商业票据生成，并签下沃尔玛这样的客户。张璐称其收费比例仅“0.01到0.02”——节目未进一步说明计价单位，但她的结论清晰：细分不等于市场小，行业经验让投资人看见隐藏的巨大交易量。

6. 高监管Agent的目标是可控错误率，而不是虚构百分之百准确

面对泓君“如何让结果百分之百准确”的追问，张璐没有承诺消灭幻觉。金融、保险、医疗和法务不能像C端产品那样容忍随意错误，现实目标是通过新架构把错误率控制在一定的可控范围。
她观察到的“小圈子共识”是把LLM与reinforcement learning结合：大语言模型赋予理解、分析和表达能力，强化学习负责决策、驱动、学习、强化与记忆，两者相互“查漏补缺”；强化学习可能成为Agent架构中必不可少的一层。
企业任务还有一个天然优势：十次调用中可能有五次需要相同功能。系统无需每次让大模型重新生成答案，而可调用过去已成功验证的准确结果，以记忆和复用降低随机性，同时减少重复推理调用。

7. 小模型的优势同时落在精度、能耗、隐私和部署上

张璐对可微调垂类小模型有“非常强的偏好”：任务边界越窄，模型越容易优化得精准；体量下降还同时减少训练、inference、算力和耗能成本，而电力已成为AI扩张的现实约束。
企业也未必愿意把核心数据全部上传云端。既有IT架构、隐私与合规要求，会迫使金融、医疗等客户选择本地网络或设备部署；大型模型所需算力和电力可能超过现场设备能力，小模型则能在边缘端完成工作。
她举例称，一家被投企业最小模型是“不到一个亿、10亿这样的一个token规模”——原话的数量口径略含混——却能直接在Raspberry Pi运行，表现被描述为与GPT-4类似。这种部署能力带来成本与本地运行优势。

8. 通用Agent的能力上限很高，创业公司的经济上限却更紧

泓君追问为何美国少见Manus式通用Agent，张璐先修正前提：Mira Murati出来做的Thinking Machines Lab也想做类似通用终端；节目剪辑期间，该公司又被曝获得a16z领投的20亿美元融资、估值120亿美元，资本并未放弃这个方向。
障碍首先是成本。跨行业、跨任务泛化要求强大的底层模型和极高的Agent优化能力；若“人工智能劳动力的成本比人力劳动力还要高”，不少行业宁可继续用人，垂类Agent则能用小模型和微调获得更低成本及更高精度。
障碍其次是竞争：通用产品需要调用GPT-4、Claude、Gemini等模型，而这些模型公司也会做自己的通用Agent。泓君追问的是：“你跟它们的竞争性在哪里呢？”技术上可以实现，不代表初创企业拥有结构性优势。

9. Coding是巨头的战略基础设施，负毛利也挡不住竞争

周炜解释AI Coding为何率先商业化：代码本身是一种语言，天然适配大模型；它又是所有数字技术的基础，市场极大；程序员成本长期很高，因此替代价值可以直接量化。这是底座模型之外最早出现清晰收入模式的方向之一。
泓君提到Google的Gemini CLI、Anthropic的Claude Code，以及Grok 4和即将推出的Coding Model；周炜则强调OpenAI、微软等巨头不会放弃这一领域。Windsurf的24亿美元交易和Cursor近99亿美元估值，让他想起互联网泡沫与移动互联网初期，只是如今并购金额从1亿美元膨胀到数十亿美元。
他认为大模型显著压缩了先发窗口：过去团队需要一两年学习新行业，现在模型可能“一晚上的训练，它就已经差不多该有都有了”。若能力来自公开互联网数据、没有独有数据和技术壁垒，Cursor类公司应认真考虑“该卖就卖了”。
巨头还可为战略价值承受负毛利。周炜以每月20美元的ChatGPT为例，说明用户使用产生的推理和API成本可能很高；类似滴滴、快的补贴战，拥有支付等额外战略价值的巨头可以承受收入覆盖不了成本的竞争。同理，Coding关系到“让AI自己去写代码”的基础，模型巨头可能持续投入。

10. 真正可投的Agent必须让巨头一层层突破

周炜认为行业此前“很像Blockchain圈子”，过度讨论底层技术，却没有认真做可用产品。Manus未必最终成功，但它指出了正确方向：用户在意的是任务能否端到端完成，“至于它背后指挥了哪几个AI，谁关心呢”。
他用《黑客帝国》中章鱼机器进攻Zion作比：General AI可能迅速突破最外层，第二层是行业独有知识，第三层是更细的know-how与业务流程。层数越多，巨头越要花时间；若细分市场又不够大，大厂短期更不愿投入。
私有数据是周炜尤其喜欢的壁垒。医疗等行业存在公共网络无法取得的数据，大模型公司难以直接找到这些数据训练；这类企业未必成为100亿美元公司，但达到10亿美元规模并不困难。相反，General Agent虽“成功的希望非常渺茫”，他仍继续下注：“没有梦想那跟咸鱼有什么区别。”
to C则同时面对高成本、成熟巨头和低忠诚度。基础模型与豪华团队项目主要由Amazon、Google、Microsoft、a16z、软银、Rive Capital等“深口袋”投资人参与；用户又处于尝鲜期，买来的流量随时迁移，正如泓君所说，“每个模型各领风骚100天”。

11. 本地记忆可能创造C端锁定，中美市场则决定兑现路径

周炜最看好的下一波to C产品，是带本地AI大脑的陪伴机器人。它应由用户自己训练，拥有独特记忆和沟通方式。泓君进一步设想，若每月29美元订阅中断就让专属AI忘掉共同经历，这个略带《黑镜》色彩的设计可能因情感链接产生付费意愿。
周炜以家庭经历说明长期记忆的价值：ChatGPT能关联孩子多天前的检查报告并分析趋势，还曾从血检和B超材料判断可能是EB病毒，后续医院针对该病毒检查并予以确认。这个例子在他的论证中不是单次问答，而是个性化历史数据逐渐形成产品价值。
对人机关系，周炜给出明确预测：“我完全相信，人是可以跟机器人谈恋爱的，而且我认为这是必然的未来。”AI native一代从小由智能玩具陪伴，接受拟人机器人会像iPad native接受电子书一样自然；跨越恐怖谷阈值的产品，他判断“两年内”可能出现。
商业落地仍有地域差异：美国to B客户只要看到价值，付费意愿和付费比例都较清楚；中国客户更可能压价、拒绝按用量无限增长并设置收入cap，因此中国团队需尽早全球化。周炜在年中最大的变化是确认市场已由巨头和巨型企业主导，但端到端产品终于成为共识，高价并购也给创业者提供了“不必玩到终极游戏”的退出通道。

Windsurf x Google x Cognition：全盘拆解：谁赚了钱，谁没赚到动态 AI 的黎明：RFT 上线，专访 Predibase CEO Dev Rishi——来自 Turing Post 的《Inference》