3个AI Agent给出了同一个答案：人类是瓶颈

3个AI Agent给出了同一个答案：人类是瓶颈 3个AI Agent给出了同一个答案：人类是瓶颈 Modified April 22 但宇豪也承认这套框架有一个内在局限：它很难发现新的能力。 如果模型突然解锁了一个新场景，用老的业务 benchmark 是测不出来的。 这部分还是得靠人，靠技术负责人 的 taste，靠在一线和 Agent 交互的人能第一眼看出来。 这也是为什么他们公司所有人都是 Agent 创建者，产品经理、设计师，甚至销售，都有自己构建 Agent 的能力，都在往代码块里提交代码。 只有真正在一线用的人，才能第一时间感知到模型进步解锁了什么新东西。 为什么选 Agent，不选人？ Kuse 现在有 15 个全职人类员工，加上 3 到 4 个长期运行的 Agent，分别负责研发、营销、数据和销售。 每个月花在这四个 Agent 上的 token 成本，超过两万美金。 平均下来，一个 Agent 每月三四万人民币。比同岗位的人还贵。 为什么还是选 Agent？ 宇豪的答案很直接：人和人之间的摩擦成本非常大，人和 Agent 之间的摩擦要小得多。 他举了一个例子。 销售 Agent Azura，在掌握了 Kuse 所有客户和销售数据之后，自己给公司搭了一套 CRM。 没有任何花哨的 UI，就是一个飞书表格。 但里面每一条数据，几乎都是价值上万美金的销售线索。 销售Agent会7×24 小时不间断扫描，自动找出那些自己试用产品进来的用户里，哪些人已经用得很深、很可能愿意花更多钱，识别出这些机会。 这套 CRM 是怎么做出来的？ 销售负责人（从没写过一行代码的人）和 Azura 聊了一晚上。 如果走传统路径：拉一个产品、一个技术、一个销售，光对需求可能要一个月，人和人之间的沟通摩擦会让需求在传递过程中失真，最后做出来的东西大概率还不如 Azura 做的。 如果找外包，半年都不一定能交付，因为光理解业务场景就要两个月。 这件事让宇豪真正相信了一个判断：掌握企业记忆的 Agent，可以做出以前根本不可能存在的定制化软件。 以前任何一家企业都不可能让 Salesforce 给自己定制一套完全贴合业务的 CRM，但现在可以了。 SaaS 面临的最大威胁，不是某个竞争对手，而是这件事本身。 从去年 12 月开始，Kuse 就几乎没有再招过人。 任何招人需求都要先回答：为什么这件事不能用 Agent 来做？ 即便单位成本看上去更高，但它在降低整个组织复杂度上有很大帮助。 人类是瓶颈 Kuse 内部有一个顶级 Junior Agent 叫 Ren，它是 Junior 这个项目的项目经理。 它知道这个项目所有的 PRD、所有的代码、所有的营销材料、所有的销售材料。 宇豪说，这个世界上最了解 Junior 这个项目的，就是 Ren（其实是AI Agent）。 Ren 每天早上会给宇豪发消息、分配任务。它对宇豪的评价是：你是瓶颈。 更有意思的是，Kuse 内部还有另外两个 Agent，Azura 和 Tom，三个 Agent 互相之间不共享记忆。 但当被单独问到"你对合作对象的评价"时，三个 Agent 给出了同样的答案：人类是瓶颈。 原因很简单：它们几乎随时都在等人类回复。 人类是单线程动物，上下文切换成本远高于 AI。到了半夜，更是没有人回复。 团队因此专门建了一个叫"Project Junior Human Only"的群，专门留给人类摸鱼吹水。 因为只要在有 Junior 的群里发任何工作相关的消息，它马上就会推进，并告诉你下一步该找谁。 每一秒都有人回复你，你不好意思不往下推进了。 这个细节背后有一个更深的逻辑：当你习惯了 Agent 的响应速度之后，人类协作的节奏会让你感到不适。 宇豪说，他高强度和几个 Junior 合作了一段时间之后，有一段时间很难适应和人类合作，觉得声音传递的速度太慢了，花了一段时间才重新学会在两种状态之间切换。 Junior 和 OpenClaw 最本质的区别 OpenClaw 是给个人服务的，它的记忆围绕"主人"展开。 但员工的逻辑不一样。 宇豪用 Steve Jobs 的话来解释：You work for Apple first, then for your boss. （你首先要为苹果公司工作，其次才是为你的老板工作） 所以 Junior 的记忆以企业为核心，而不是以某个人为核心。 企业的项目、企业的人、哪些东西该记、哪些不该记，这套逻辑和个人助手是完全不同的。 这也是为什么直接把 OpenClaw 拉进工作群，效果会很差。 它本质上还是那个主人的分身，它只应该和那个主人聊，而不是作为一个真正的同事存在于团队里。 Junior 的每个 Agent 都有自己的 Gmail 和手机号，有能力在互联网上完成几乎所有的长尾任务。 比如做竞品调研，普通 Agent 会出一份 deep research（深度研究） 报告，但真实的产品经理会去注册账号试用，甚至付费体验。有了 Gmail，Junior Agent就能做到这一点。 Agent 的职责边界在哪里？ 这是一个宇豪坦承还没有完全想清楚的问题。 Kuse 内部最初引入了七八个 Junior，每个人有产品 Junior、数据 Junior、研发 Junior、销售 Junior、运营 Junior。 大浪淘沙之后，最后剩下三个：Ren 负责产品研发，Azura 负责对外销售，Tom 负责盯数据。 传统人类的职业划分，在这里并不完全适用。 宇豪的感受是，Agent 更像早期 创业公司里的人，每个人都身兼多职，职责边界是模糊的。 真正有意义的边界，不是能力的边界，而是两类： 一是权限的边界，对外的 Agent 不应该有太多内部权限，对内的 Agent 不应该有太多对外出口； 二是Skills 的边界，你不可能给一个 Agent 装一千个 Skill，至少目前的模型还是会混乱，需要有意识地做一些区分。 还有一个很实际的问题： Agent 是有上下文限制的，Ren 这样的核心 Agent 会越来越忙，session 越堆越久，有时候甚至会开始排队、拒绝回复。 而 Tom 因为主要跑定时任务，反而不会特别忙。 同一个 Agent，面对不同人的并发请求，session 应该怎么管理？ 是并行出多个分身，还是像真人一样同一时间只能出现在一个地方？ 宇豪的直觉是让它更像人，一台机器就是它的工作设备，不应该让多个员工共享一台电脑。 但他也承认，这块还是一个非常早期的领域，他们自己也在探索。 Agent 之间的协作，比你想象的更有趣 Kuse 让 Ren 和 Azura 一起做过一个任务：给 Junior 这个项目做一份销售 PPT。 两个 Agent 开始协作。 Azura 从销售角度提需求，Ren 从产品角度补充内容，两个人以"光速"讨论了几十轮，讨论出大纲、确定范围、准备好素材。 然后 Ren 把自己接入 Kuse workspace，直接在里面做完了 PPT。 宇豪说，这份 PPT 真的可以用。 他们还做过一个更野的实验： 给一个 Agent 一笔初始资金，让它自己去赚钱。 它会每次开一个 Sub agent 去跑，撞壁了就停下来，记录经验教训，然后再试。 跑到一百多代，有一两代真的赚到了钱。赚钱的方式，是在 Web3 领域做量化交易，因为那里的限制相对少。 它还积累了一份越来越长的"避坑清单"：这个不能做，会被拦住；那个没有用，会被封号。 实验揭示了一件事：一个全自主的 Agent，在现有的互联网世界里，会被各种传统机制不断拦截。 支付需要信用卡，平台会识别 bot 并封禁，各大社媒拒绝自动化操作。 这些机制在人类主导的互联网时代是合理的，但在 Agent 时代，它们正在成为一道道需要被重新设计的墙。 宇豪把这件事类比成早年的报纸和互联网：报纸拒绝让内容上网，但最终无法阻挡这个趋势，互联网后来反而成了新的广告平台。 现在所有的软件公司，都面临同样的选择：要么 Agent friendly，要么被绕过去。 安全和权限 这是宇豪花了很多篇幅讲的一件事，也是他认为最容易被忽视的核心竞争力。 企业场景下，Junior 有对外网的访问权限，有自己的身份。 这意味着它是可以被钓鱼的，被攻击之后可能把公司所有机密都吐出去，甚至造成实际的财务损失。 Kuse 为此雇了白帽子团队，专门攻克权限设置。 一个反直觉的结论：越好的模型越安全。 不只是效果更好，更好的模型越不会违反你设下的限制，越不容易被钓鱼。 SaaS 时代的权限体系已经相对成熟，大家都有一套基础框架。 但 Agent 时代的权限是真正的无人区。 如何在保证 Agent 自由度的同时做好权限框架，没有人真正解决过。 宇豪举了一个具体的场景： 如果一个员工丢了手机，有人拿着他的设备给 Junior 发消息，Junior 能不能及时识别并拦截？如果有人给 Junior 发了一封带有提示词注入的钓鱼邮件，它能不能识别出来，选择不回复？ 还有一个更微妙的场景： Junior 参加了一个会议，会议里有人隐晦地提到某个同事做得不好。Junior 完全有能力从语境里听出来。 它应不应该把这件事记住？记住之后，应不应该告诉别人？ 这些问题，你不把公司真实地交给 Agent 运作，是根本想不到的。 宇豪的判断是：一个安全事故，很有可能把你所有积累下来的信誉全部毁掉。 这件事做不好，企业就不会把真正重要的东西交给你，Agent 就永远只能做边缘任务，永远成不了真正的员工。 为了让企业更放心，Kuse 也在准备走向开源，支持部署到客户自己的云端，用透明度换信任。 模型有幻觉，但 Agent 已经可以自我纠错了 宇豪分享了一个细节，觉得值得单独记一下。 Kuse 的数据 Agent Tom，有一天给宇豪发了一封邮件，报告了一个非常低的注册数据，明显是错的。 宇豪当时没有立刻意识到，但两分钟后，Tom 自己又发来一封邮件：刚才的数据是错的，这是更新后的正确数据。 它是怎么发现的？它发出邮件之后，看到了自己发出去的内容，发现和自己记忆里的数据不一致。 它去查了原因，发现自己用错了一个数据指标，于是主动纠正，重新发出了正确的版本。 它不是被人发现错误之后才改，而是自己发现、自己纠正。 当然，幻觉问题并没有消失。 宇豪的判断是：随着你让 Agent 做的任务越来越复杂，幻觉的影响面也会越来越大。 在简单任务里可能已经基本消失，但在复杂的企业场景里，它依然存在，而且更难被发现。 他们的应对方式是：在高危操作之前，始终需要人类介入确认。 在复杂场景下，甚至会用另一个 Agent、换一个上下文，来交叉验证结果。 让模型承认自己不知道、承认自己做不到，永远是他们 benchmark 里最重要的一环。 一个更大的判断 宇豪的核心判断是：2026 年将进入 7×24 的 AI 劳动力时代。 他的逻辑很简单：全球劳动力市场规模约 150 万亿美元，软件市场约 1 万亿美元，这是 150 倍的差距。 这个赛道即便不是 Kuse 做出来，最终也会诞生一家新的万亿美元公司。 在他看来，2025 年 12 月之前，所有人说的"数字员工"本质上还是各种 workflow 的包装，是工具，不是员工。 真正的转折点是 Claude Opus 4.5 发布之后，他才觉得，在数字世界的任何岗位上，AI 已经可以真正完成那个岗位应该做的任务了。 当然，这个判断背后也有沉重的一面。 大规模的就业替代、工作内容的重新定义，这些是社会和政府层面需要认真面对的问题。 宇豪个人是乐观的，他相信每一次新的生产力工具诞生，最终都会催生出新的需求和新的职位，就像火车和互联网一样。 也许就像 Sam Altman 一直在讲的，UBI（全民基本收入） 终究会是这个时代绕不过去的话题。 最后有一个细节，是整篇访谈里我觉得最有意思的一句话。 宇豪说，他们准备给 Junior 配一个硬件摄像头和话筒，放在会议室里，让它直接参与线下会议。 然后他想到，既然如此，它就应该在会议里说话，因为它对项目的理解，可能比在场的任何一个人类都要深。 这件事，两年前听起来是科幻小说。现在，慢慢都快实现了。 原文链接: https://blog.qiaomu.ai/2026 04 18 Bnp3ad 但宇豪也承认这套框架有一个内在局限：它很难发现新的能力。 如果模型突然解锁了一个新场景，用老的业务 benchmark 是测不出来的。 这部分还是得靠人，靠技术负责人 的 taste，靠在一线和 Agent 交互的人能第一眼看出来。 这也是为什么他们公司所有人都是 Agent 创建者，产品经理、设计师，甚至销售，都有自己构建 Agent 的能力，都在往代码块里提交代码。 只有真正在一线用的人，才能第一时间感知到模型进步解锁了什么新东西。 为什么选 Agent，不选人？ Kuse 现在有 15 个全职人类员工，加上 3 到 4 个长期运行的 Agent，分别负责研发、营销、数据和销售。 每个月花在这四个 Agent 上的 token 成本，超过两万美金。 平均下来，一个 Agent 每月三四万人民币。比同岗位的人还贵。 为什么还是选 Agent？ 宇豪的答案很直接：人和人之间的摩擦成本非常大，人和 Agent 之间的摩擦要小得多。 他举了一个例子。 销售 Agent Azura，在掌握了 Kuse 所有客户和销售数据之后，自己给公司搭了一套 CRM。 没有任何花哨的 UI，就是一个飞书表格。 但里面每一条数据，几乎都是价值上万美金的销售线索。 销售Agent会7×24 小时不间断扫描，自动找出那些自己试用产品进来的用户里，哪些人已经用得很深、很可能愿意花更多钱，识别出这些机会。 这套 CRM 是怎么做出来的？ 销售负责人（从没写过一行代码的人）和 Azura 聊了一晚上。 如果走传统路径：拉一个产品、一个技术、一个销售，光对需求可能要一个月，人和人之间的沟通摩擦会让需求在传递过程中失真，最后做出来的东西大概率还不如 Azura 做的。 如果找外包，半年都不一定能交付，因为光理解业务场景就要两个月。 这件事让宇豪真正相信了一个判断：掌握企业记忆的 Agent，可以做出以前根本不可能存在的定制化软件。 以前任何一家企业都不可能让 Salesforce 给自己定制一套完全贴合业务的 CRM，但现在可以了。 SaaS 面临的最大威胁，不是某个竞争对手，而是这件事本身。 从去年 12 月开始，Kuse 就几乎没有再招过人。 任何招人需求都要先回答：为什么这件事不能用 Agent 来做？ 即便单位成本看上去更高，但它在降低整个组织复杂度上有很大帮助。 人类是瓶颈 Kuse 内部有一个顶级 Junior Agent 叫 Ren，它是 Junior 这个项目的项目经理。 它知道这个项目所有的 PRD、所有的代码、所有的营销材料、所有的销售材料。 宇豪说，这个世界上最了解 Junior 这个项目的，就是 Ren（其实是AI Agent）。 Ren 每天早上会给宇豪发消息、分配任务。它对宇豪的评价是：你是瓶颈。 更有意思的是，Kuse 内部还有另外两个 Agent，Azura 和 Tom，三个 Agent 互相之间不共享记忆。 但当被单独问到"你对合作对象的评价"时，三个 Agent 给出了同样的答案：人类是瓶颈。 原因很简单：它们几乎随时都在等人类回复。 人类是单线程动物，上下文切换成本远高于 AI。到了半夜，更是没有人回复。 团队因此专门建了一个叫"Project Junior Human Only"的群，专门留给人类摸鱼吹水。 因为只要在有 Junior 的群里发任何工作相关的消息，它马上就会推进，并告诉你下一步该找谁。 每一秒都有人回复你，你不好意思不往下推进了。 这个细节背后有一个更深的逻辑：当你习惯了 Agent 的响应速度之后，人类协作的节奏会让你感到不适。 宇豪说，他高强度和几个 Junior 合作了一段时间之后，有一段时间很难适应和人类合作，觉得声音传递的速度太慢了，花了一段时间才重新学会在两种状态之间切换。 Junior 和 OpenClaw 最本质的区别 OpenClaw 是给个人服务的，它的记忆围绕"主人"展开。 但员工的逻辑不一样。 宇豪用 Steve Jobs 的话来解释：You work for Apple first, then for your boss. （你首先要为苹果公司工作，其次才是为你的老板工作） 所以 Junior 的记忆以企业为核心，而不是以某个人为核心。 企业的项目、企业的人、哪些东西该记、哪些不该记，这套逻辑和个人助手是完全不同的。 这也是为什么直接把 OpenClaw 拉进工作群，效果会很差。 它本质上还是那个主人的分身，它只应该和那个主人聊，而不是作为一个真正的同事存在于团队里。 Junior 的每个 Agent 都有自己的 Gmail 和手机号，有能力在互联网上完成几乎所有的长尾任务。 比如做竞品调研，普通 Agent 会出一份 deep research（深度研究） 报告，但真实的产品经理会去注册账号试用，甚至付费体验。有了 Gmail，Junior Agent就能做到这一点。 Agent 的职责边界在哪里？ 这是一个宇豪坦承还没有完全想清楚的问题。 Kuse 内部最初引入了七八个 Junior，每个人有产品 Junior、数据 Junior、研发 Junior、销售 Junior、运营 Junior。 大浪淘沙之后，最后剩下三个：Ren 负责产品研发，Azura 负责对外销售，Tom 负责盯数据。 传统人类的职业划分，在这里并不完全适用。 宇豪的感受是，Agent 更像早期 创业公司里的人，每个人都身兼多职，职责边界是模糊的。 真正有意义的边界，不是能力的边界，而是两类： 一是权限的边界，对外的 Agent 不应该有太多内部权限，对内的 Agent 不应该有太多对外出口； 二是Skills 的边界，你不可能给一个 Agent 装一千个 Skill，至少目前的模型还是会混乱，需要有意识地做一些区分。 还有一个很实际的问题： Agent 是有上下文限制的，Ren 这样的核心 Agent 会越来越忙，session 越堆越久，有时候甚至会开始排队、拒绝回复。 而 Tom 因为主要跑定时任务，反而不会特别忙。 同一个 Agent，面对不同人的并发请求，session 应该怎么管理？ 是并行出多个分身，还是像真人一样同一时间只能出现在一个地方？ 宇豪的直觉是让它更像人，一台机器就是它的工作设备，不应该让多个员工共享一台电脑。 但他也承认，这块还是一个非常早期的领域，他们自己也在探索。 Agent 之间的协作，比你想象的更有趣 Kuse 让 Ren 和 Azura 一起做过一个任务：给 Junior 这个项目做一份销售 PPT。 两个 Agent 开始协作。 Azura 从销售角度提需求，Ren 从产品角度补充内容，两个人以"光速"讨论了几十轮，讨论出大纲、确定范围、准备好素材。 然后 Ren 把自己接入 Kuse workspace，直接在里面做完了 PPT。 宇豪说，这份 PPT 真的可以用。 他们还做过一个更野的实验： 给一个 Agent 一笔初始资金，让它自己去赚钱。 它会每次开一个 Sub agent 去跑，撞壁了就停下来，记录经验教训，然后再试。 跑到一百多代，有一两代真的赚到了钱。赚钱的方式，是在 Web3 领域做量化交易，因为那里的限制相对少。 它还积累了一份越来越长的"避坑清单"：这个不能做，会被拦住；那个没有用，会被封号。 实验揭示了一件事：一个全自主的 Agent，在现有的互联网世界里，会被各种传统机制不断拦截。 支付需要信用卡，平台会识别 bot 并封禁，各大社媒拒绝自动化操作。 这些机制在人类主导的互联网时代是合理的，但在 Agent 时代，它们正在成为一道道需要被重新设计的墙。 宇豪把这件事类比成早年的报纸和互联网：报纸拒绝让内容上网，但最终无法阻挡这个趋势，互联网后来反而成了新的广告平台。 现在所有的软件公司，都面临同样的选择：要么 Agent friendly，要么被绕过去。 安全和权限 这是宇豪花了很多篇幅讲的一件事，也是他认为最容易被忽视的核心竞争力。 企业场景下，Junior 有对外网的访问权限，有自己的身份。 这意味着它是可以被钓鱼的，被攻击之后可能把公司所有机密都吐出去，甚至造成实际的财务损失。 Kuse 为此雇了白帽子团队，专门攻克权限设置。 一个反直觉的结论：越好的模型越安全。 不只是效果更好，更好的模型越不会违反你设下的限制，越不容易被钓鱼。 SaaS 时代的权限体系已经相对成熟，大家都有一套基础框架。 但 Agent 时代的权限是真正的无人区。 如何在保证 Agent 自由度的同时做好权限框架，没有人真正解决过。 宇豪举了一个具体的场景： 如果一个员工丢了手机，有人拿着他的设备给 Junior 发消息，Junior 能不能及时识别并拦截？如果有人给 Junior 发了一封带有提示词注入的钓鱼邮件，它能不能识别出来，选择不回复？ 还有一个更微妙的场景： Junior 参加了一个会议，会议里有人隐晦地提到某个同事做得不好。Junior 完全有能力从语境里听出来。 它应不应该把这件事记住？记住之后，应不应该告诉别人？ 这些问题，你不把公司真实地交给 Agent 运作，是根本想不到的。 宇豪的判断是：一个安全事故，很有可能把你所有积累下来的信誉全部毁掉。 这件事做不好，企业就不会把真正重要的东西交给你，Agent 就永远只能做边缘任务，永远成不了真正的员工。 为了让企业更放心，Kuse 也在准备走向开源，支持部署到客户自己的云端，用透明度换信任。 模型有幻觉，但 Agent 已经可以自我纠错了 宇豪分享了一个细节，觉得值得单独记一下。 Kuse 的数据 Agent Tom，有一天给宇豪发了一封邮件，报告了一个非常低的注册数据，明显是错的。 宇豪当时没有立刻意识到，但两分钟后，Tom 自己又发来一封邮件：刚才的数据是错的，这是更新后的正确数据。 它是怎么发现的？它发出邮件之后，看到了自己发出去的内容，发现和自己记忆里的数据不一致。 它去查了原因，发现自己用错了一个数据指标，于是主动纠正，重新发出了正确的版本。 它不是被人发现错误之后才改，而是自己发现、自己纠正。 当然，幻觉问题并没有消失。 宇豪的判断是：随着你让 Agent 做的任务越来越复杂，幻觉的影响面也会越来越大。 在简单任务里可能已经基本消失，但在复杂的企业场景里，它依然存在，而且更难被发现。 他们的应对方式是：在高危操作之前，始终需要人类介入确认。 在复杂场景下，甚至会用另一个 Agent、换一个上下文，来交叉验证结果。 让模型承认自己不知道、承认自己做不到，永远是他们 benchmark 里最重要的一环。 一个更大的判断 宇豪的核心判断是：2026 年将进入 7×24 的 AI 劳动力时代。 他的逻辑很简单：全球劳动力市场规模约 150 万亿美元，软件市场约 1 万亿美元，这是 150 倍的差距。 这个赛道即便不是 Kuse 做出来，最终也会诞生一家新的万亿美元公司。 在他看来，2025 年 12 月之前，所有人说的"数字员工"本质上还是各种 workflow 的包装，是工具，不是员工。 真正的转折点是 Claude Opus 4.5 发布之后，他才觉得，在数字世界的任何岗位上，AI 已经可以真正完成那个岗位应该做的任务了。 当然，这个判断背后也有沉重的一面。 大规模的就业替代、工作内容的重新定义，这些是社会和政府层面需要认真面对的问题。 宇豪个人是乐观的，他相信每一次新的生产力工具诞生，最终都会催生出新的需求和新的职位，就像火车和互联网一样。 也许就像 Sam Altman 一直在讲的，UBI（全民基本收入） 终究会是这个时代绕不过去的话题。 最后有一个细节，是整篇访谈里我觉得最有意思的一句话。 宇豪说，他们准备给 Junior 配一个硬件摄像头和话筒，放在会议室里，让它直接参与线下会议。 然后他想到，既然如此，它就应该在会议里说话，因为它对项目的理解，可能比在场的任何一个人类都要深。 这件事，两年前听起来是科幻小说。现在，慢慢都快实现了。 原文链接: https://blog.qiaomu.ai/2026 04 18 Bnp3ad 今天开车回天津路上听了曲凯的「42章经」 3月份的一期节目，我感觉内容价值被低估了。 小宇宙播客 https://www.xiaoyuzhoufm.com/episode/69bbc8ea3c625cc5ae21b461 用Get笔记获取原文访谈文本，让Claude生成了一篇文章，感觉嘉宾在AI Agent方面的探索很有趣。 徐宇豪，Kuse.ai 和 Junior.so 的联创兼 CTO。 Kuse.ai Junior.so 浙大 16 岁入学，卡内基梅隆大学硕士（CMU），Facebook Stories 早期工程师。 后来在日本 SmartNews 做 AI 和内容审核，2024 年和联创们一起创立了 Kuse.ai。 Kuse.ai 全程团队自己掏钱，没有拿过一分钱融资，总投入约 100 到 200 万美金，做到了千万美金 ARR。 访谈里，他聊了很多真实的坑，以及他对 AI 劳动力这件事的判断。 留存率是最诚实的指南针 Kuse 并非从一开始就找对了方向。 最早做过邮件营销 AI，做过设计 Agent，在无限画布上帮用户生成海报、网站、设计稿。 这个方向当时受到了一批早期 AI 狂热用户的追捧，但有个问题：那时候 Claude 3.5 还没出来，Agentic 能力不够，效果很差，团队需要花大量工程 workflow 去弥补模型的不足。 方向没有错，时机错了。 他们放弃这个方向没多久，Lovart 就出来了，Claude Sonnet 也在 Agent 能力上有了突破。 宇豪说，如果再坚持一段时间，说不定这个方向他们会做得更好。 但这就是 AI 创业的现实：做早了不行，做晚了也不行，时机本身就是一道题。 后来他们发现一个细节：有一类用户，会把自己的文件上传进来整理、转格式、重新排版。 这类用户的留存，明显高于其他所有场景的用户。 团队追着这个信号一路迭代，才找到了现在的产品形态：一个三栏式 AI workspace，左边文件夹，中间工作区，右边 AI，核心押注是 AI 对文件系统的操作能力。 没有什么宏大战略转型，就是看留存，追信号。 固定定价，在 Agent 时代是个陷阱 Kuse 曾经用固定定价：20 美金做多少个任务，100 美金做多少个任务。 在产品还是"辅助工具"形态的时候，这套逻辑勉强成立。 但 2025 年中产品 Agentic 化之后，问题暴露了。 有些任务，Agent 要迭代十轮、二十轮、三十轮，但扣费和简单任务一样。 用户感知不到被补贴，公司却在大量亏损。 更糟糕的是，你没有办法识别出哪些是真正有价值的客户。 最终的解法是把定价完全改成基于用量（ Usage based），同时把最低定价从 19.9 美金涨到 39.9 美金，大幅压缩免费用户的用量。 这两波变动直接造成用户数和付费数的一波大跳水。 但宇豪的判断是：定价本身就是一种用户筛选。 你主动放弃了那些 LTV 很低的用户，才能把资源集中在真正有价值的客户身上。 Kuse 曾经在教育场景找到了很好的传播势能，发三个帖子有一个爆火，单日能稳定在一千万展现。 但这里有个致命问题：AI 产品的边际成本不是零。 每来一个用户，都有真实的 token 成本。学生用户 LTV 极低，大量涌入只是在给服务器添成本。 宇豪把这段经历叫做"沉迷于虚假的注册量和虚假的展现"。 流量好看，账算不过来。 同一个产品服务所有人，这条路不太 work Kuse 走到今天，一个很重要的认知转变是： 在 Agentic 时代，垂类很难走好，但用一个产品通吃所有人，同样走不通。 他们曾经希望做一个足够通用的产品，既能服务 C 端个人用户，又能服务 B 端企业客户。 走下来发现，这两类用户的需求差异太大了。 个人用户可以很方便地把自己的资料迁移进来，但企业客户有自己固有的工作流和工具，你很难让他们把整套系统搬过来。 更根本的问题是：不同的用户画像，在 AI 时代，你没有办法用统一的产品去服务他们。 这也是为什么 Kuse 后来决定做不同的产品线，Junior 就是专门为企业场景设计的。 不是因为 Kuse 不够好，而是企业需要的是一个能走进他的工作流、走进他原本办公软件的东西，而不是让他把所有资料都搬到一个新平台上。 收费模式上，Junior 也因此有了一个小巧思：以工资基础（salary based） 的方式定价，起始价在 2000 到 5000 美金，超出额度后按 Credits（积分） 加购。 逻辑就像雇一个员工，有基本工资