陶芳波

本场讨论反复指向的关键分水岭不是需求，而是能否把每次调用的单位经济做正。 朱哲清估计，行业平均80%—90%的成本已落在推理端；一次超过100万token的Deep Research，用国内模型约3—4美元、海外顶级模型约8—10美元，Grok甚至十几美元，目前他“没有看到一家公司能够把成本打平”的C端案例。生存路径包括模型路由、上下文压缩、垂类fine-tune与自建serving；对C端而言，还要看模型厂商能否把价格打掉约80%并留下利润，否则继续烧钱最终会崩溃。

Cursor的100亿美元估值与20美元套餐限额风波同时出现，说明应用层增长并不会自动变成毛利。 泓君援引其今年6月融资9亿美元、Anthropic去年约40亿美元收入中Cursor与GitHub合计贡献约12亿美元的口径；陈志博直言Cursor“基本上是在给Anthropic打工”。当Claude、OpenAI、Gemini、xAI都把coding列为主战场，Cursor既要承受上游推理成本，又要与上游产品正面竞争；泓君推测此次改价也可能是在为下一轮融资改善gross margin。

Poke AI试图把全网工具变成模型自身的动作空间，以同时破解工具发现与上下文成本。 单个模型上下文只有十几万到100万token，而全网工具描述可能达到几千万token；传统Agent每一步都重放历史和工具信息，同一内容会被处理20、30甚至50次。Poke的目标是让开发者像调用ChatGPT API一样调用Agent，但模型面对上千个高度相似工具时可靠性仍会明显下降。

三家公司押注的是三种不同护城河：工具生态、身份网络与设计交付。 Second Me区分职业的“doing”与人的“being”，希望每个人都有代表自己的身份Agent并形成网络；Lovart则不与Nano Banana等foundation model争单点生成，而以设计师式planner、审美memory和可编辑画布完成个性化交付。对Lovart而言，模型能力是原料，“只有足够深的水位才能承载足够大的船”。

训练范式正因数据瓶颈从SFT转向RFT与RL，但“边用边学”仍远未解决。 朱哲清认为SFT最贵的已是授权数据与复杂任务标注，RFT/RLVR则以更长、更不稳定的训练和更差的泛化为代价；陶芳波把变化概括为“SFT时代找数据，RFT时代找环境”。两人的关键分歧在下一代是否进入经验时代：陶芳波相信在线使用会让Agent变聪明，朱哲清则强调few-shot反馈可能是outlier，安全的inference-time更新“非常难”。

B端Agent已能看见成本打平，C端则分化为订阅、网络效应和结果分成三种赌法。 Poke的B端可覆盖成本，C端订阅即使覆盖推理也无法覆盖人力；Lovart按credit分层订阅，以用户是否愿意持续购买检验交付价值；Second Me为建立身份网络选择“能不收费就不收费”，未来是否形成类似AI原生广告的模式，是泓君提出的增长押注，陶芳波表示认同。Pine按替用户处理账单争议的金额抽成，则给出了最直接的答案：“按最终交付的结果去提成。”

高价KOL流量的信任与持续性在减弱，Community和Agent内核成为更受关注的分发与平台筹码。 Bill认为高价KOL带来的traffic掉得快、信任也弱，Runway和Luma早期依靠Discord共创更可持续；陶芳波则把Claude Code SDK视为被严重低估的“coding kernel”，甚至可能成为Agent时代的CUDA。泓君对Cluely、Lovable与Replit的改观也说明，价值未必来自完全自动交付，实时总结、原型沟通和人的信心提升同样可以构成真实需求。

🔗 原始收听与视频来源： E207｜智能体创业者们的成本突围与商业落地

陶方波押注的不是更好的 AI 助手，而是每个人独有、可训练且可分发的“身份大模型”。 贾维斯式的 him 和《她》式的 her 都是外在角色，Second Me 则要把记忆、偏好、情感与价值观内化为参数，使 AI 能以“我”的身份自主连接服务、他人及其他 Agent。其平台级想象是：人类社会拥有一个结构近似的 AI 复制版，但连接、协商和决策效率更高。

Mindverse 的技术分水岭，是拒绝用同一基座模型加不同 RAG 知识库来假装个性化。 陶方波认为思考发生在模型参数里，若所有人共享同一模型，“本质上我和你没有区别”；团队先把原始数据改写成第一人称、围绕人物与议题组织的主观记忆，再微调出 AI-native memory。现阶段约 100 份记忆、相当于约 20 小时的数据即可起步，7B 被视为较合适区间，每日持续训练一次的成本可能低于 1 美元。

开源是这类敏感基础设施最关键的信任策略。 Second Me 支持本地训练和部署，个人数据不必上云、模型可以连接互联网；项目约三周获得 10K GitHub Stars，节目时累计约 12K，甚至有超过 10 位用户为训练自己花数万元购买电脑。社区把它定义成“数字身份的中间层”乃至“AI 时代人的接口”，显示需求不只来自功能效率，也来自“把自己保留下来”的强烈心理动机。

近期最可落地的产品不是全自动办事，而是表达、判断与信息压缩。 Me.bot 的 Talks 能从个人记忆中生成面向特定对象的 1—3 分钟声音表达，并允许听众实时追问；陶方波一次只写约 30 秒 prompt、等待约两分钟，就完成了原本需 1—2 小时准备的创业分享。“共鸣”则让两个 Second Me 在手机相碰后约 5—10 秒完成匹配和破冰，或让一条不完全公开也不完全私密的记录找到真正相关的回应者。

分发策略刻意绕开双边网络冷启动：接受 Talks 的人不必先拥有自己的 Second Me。 内容可通过 H5 页面进入招聘、社交等既有场景；更长期则由类似 MCP 的 Second Me Server 向网站和服务提供个性化评分、筛选与判断。陶方波承认中国互联网当前“孤岛封闭”、API 接入不足，但判断通用身份与封闭数据循环最终会发生冲突，谁能成为用户信任的中立身份层，谁就可能占据新基础设施位置。

商业化的近端答案是向高频使用身份服务的个人用户收费，远端设想是向调用身份的服务商收费。 如果身份模型由用户掌握，电商、内容平台或广告系统为获得更准确的偏好和决策信息，理论上应向身份所有者付费，Mindverse 再抽取服务费；这会把个人从“平台的商品”变成自己身份资产的拥有者。陶方波明确称它仍是“一个美好的设想，我不确定能不能实现”，真正的商业闭环尚未验证。

主要待解问题包括数据采集、实时护栏、平台接入和用户习惯。 微信、iPhone 等既有平台天然拥有更多数据，大厂也能进入；创业公司的窗口来自“新物种”先服务那一小群强烈认同者，再跨越鸿沟，而非比拼存量分发。陶方波给出的下一节点是把身份桥梁模式做成事实标准，并把“共生”和“连接”改善到足以带来 10 倍、100 倍增长——这仍是一个非共识、长期且商业闭环有待验证的赌注。

🔗 原始收听与视频来源： 125: 用AI复刻一个「我」，与心识宇宙陶芳波聊身份模型

2025 年 Agent 的加速来自代码模型、RFT 与 MCP 三层同时推进，融资与估值随后给出了市场信号。 Sonnet 3.5 带来代码生成质变，OpenAI 在1月、2月先后推出 Operator 与 Deep Research，Manus 3月出圈、5月获 Benchmark 领投7500万美元、估值5亿美元；录音当日另有外媒传出 OpenAI 拟以30亿美元收购 Windsurf，Cursor 母公司 Anysphere 则融资9亿美元、估值90亿美元。“Agent 真的时代来了”的底层含义，是基础组件开始组合，而非又多了几个聊天框。

这一轮范式变化不是模型更会说话，而是它开始能依据环境奖励调整行动策略。 23、24年的 Agent 依靠知识库、工具和人工 workflow，模型训练目标仍是对话；RFT 把推理模型放进编程、电脑操作等环境，允许它探索路径、失败后重试。陶芳波称之为“语言模型的 AlphaGo 的时刻”：思考能力可以根据环境反馈学习，这是新旧 Agent 之间的“big gap”。

Coding 正在成为数字世界的通用行动层，因此 Cursor、Windsurf、Devin 的上行空间可能远大于传统 IDE 插件。 Windsurf 的 context engine 能识别代码、测试、配置、命令行和技术文档；Devin 更把浏览器、IDE、测试区及可反复修改的“策略室、作战室”纳入环境。随着 MCP 接入，Cursor 甚至可能从“以代码产出为目标”转向“以完成任务为目标”。

通用 Agent 可能吞掉大量原本可独立创业的消费场景，真正可守的机会反而更偏“小而美”。 一个 Deep Research 可能覆盖过去的学术、市场研究工具，一个 Operator 可能覆盖买菜、订票、比价和旅行规划；大厂占据的单个产品边界也会比 App 时代更宽。陶芳波因此怀疑 C 端还能容纳多少服务型 Agent，却看好保险、招投标等拥有专属“武器库”、评价标准和数据环境的垂直产品，以及能表达个人独特性的“第二自我”。

Manus 的优势首先是产品化与可控感，短板则是通用定位、数据壁垒和断裂的网络效应。 Kolento 更愿意用它做进入新领域时“广而不深”的研究：过程白盒、可随时 jump to live 接管，并能把报告变成交互网站；其指令式记忆也比普通 RAG 记忆更有行为感知。但“world’s first general AI agent”既能抓住 early adopter，也意味着“通用性更等于没有第一的联想场景”，而登录、权限、小红书或 Facebook 等数据墙，远非 coding、GUI、命令行这只“八爪鱼”都能穿透。

Agent 产品真正的能力中心可能不是 prompt，而是贯穿意图、工具调用、执行和输出的 evaluation。 Kolento 的比喻是：“prompt 是那把武器，但是 evaluation 是你的准心”；只有每次改动都可量化，Demo 才能变成持续迭代的产品。若面向真实环境的 evaluation 能升级为可重复生成的 reward，Agent 就能自主探索和对齐；但据节目讨论，RFT 相比 SFT 可能只提升约25%，成本却增加数倍，商业化必须计算这部分边际收益。

行业节奏会出现明显错位：产品制作快到“甚至有点恐怖”，大众采用和生态建设却仍可能按年计算。 Kolento 已从重 PRD、重 planning 转向更快执行，却也把“做过200多个 Agent”修正为多数只是 chatbot 或 workflow；陶芳波则从“2025 是 the year of agent”转为更谨慎。MCP 目前更像“API 的 AI 化封装”，认证、隐私、数据开放和平台商业化尚无统一答案，技术通道出现不等于 Agent 已能自由进入环境。

🔗 原始收听与视频来源： E191｜小而美的机会来了，聊聊这轮AI Agent进化新范式