作者 | 邓咏仪 编辑 | 杨轩 如果你在4月27日这一周走进美国旧金山艺术宫，也许你会感到惊讶——这不像一个艺术圣地，更像一场包罗万象的博览会。 来自50多个国家的媒体、KOL、客户挤在展区里。映入眼帘的产品，小至智能吊坠、吹风机、LED 美容面罩、扫地机，大至洗地机、空调、冰箱、手机，甚至还有一辆“火箭车”的概念超跑。 Nebula NEXT 01 在舞台台上，图灵奖得主 David Patterson、7-Eleven 前 CEO James Keyes、Meta 前 VP来谈论AI如何重塑物理世界；而苹果联合创始人沃兹尼亚克（Steve Wozniak）以及NBA传奇球星德怀恩·韦德施然从会场走出，和扫地机互相PK。 韦德与扫地机互动 这是2026年4月27日，追觅“DREAME NEXT”的发布会的现场。追觅也由此成为世界第一家在硅谷拥有一整个发布会周的科技企业。 这家公司仍处于高速扩张之中。2025年，追觅营收突破400亿元，连续六年增速超过100%。如今，追觅的主力市场也已经转向海外，营收占比近80%，产品覆盖120多个国家和地区，线下门店超过6500家。 追觅的野心还不仅如此。仅在半年之内，这家公司在 CES、春晚、超级碗、AWE 展开了声势浩大的宣传和产品展示。追觅创始人兼 CEO 俞浩也不止一次公开表示，要把追觅做到百万亿美金的营收规模——这约等于25个苹果公司的市值。 追觅全宇宙 概括整场发布会的主题，也许只有一点：一家公司的版图到底能扩到多大？ 至少目前，追觅几乎把触角伸向几乎所有你能想到的消费电子品类——它的版图中既包含最复杂的民用消费品，比如追觅“星空计划”的概念旗舰 Nebula NEXT 01 JET Edition。 尽管这辆车目前更接近一份雄心勃勃的技术宣言：官宣的参数是150毫秒响应，100千牛推力，0.9秒破百。这相当于世界顶级超跑的参数，直接把目标拉到了超跑甚至航天器的维度。而量产车型也会在明年发布。 甚至，在2025年，追觅正式官宣入局手机，这又是一个早已饱和的市场。 追觅AURORA 手机负责人刘扬对36氪表示，追觅AURORA首笔将投入100亿元押注手机创新研发。同时，追觅计划2026年将团队保底扩容至2000人、2027年扩大至5000人。 处在这次发布产品矩阵中的另一极，则是一批处在不同成熟度阶段的庞大产品矩阵。 除了扫地机、洗地机、吸尘器、吹风机、空调、冰箱、洗衣机这些成熟品类之外——还有早至一些尚处原型阶段的产品，如近期大热的AI智能录音卡片、AI吊坠等等。品类之多，让人眼花缭乱。 追觅智能戒指 事实上，这更像是将互联网的逻辑放到了硬件行业——穷举、配列组合、试错、快速迭代。“字节做 APP 工厂，我就在机器人时代做1000个产品。”俞浩曾在访谈中表示。 边界，是习惯的复制 问题是，支撑着一家公司能够扩张到如此规模的能力，到底是什么？ 尽管品类繁多，但追觅的扩展逻辑几乎没有发生太大变化，围绕“N+1”来进行——早期做吹风机时，追觅将马达转速提高，加上 AI 算法，把一个品类在一个功能点上做到最好，从而实现规模化的扩张。 “追觅的延展是‘习惯的复制’，”2022年，俞浩曾在采访中表示，“只要大方向不错，过程中的微调很多是没问题的。” 而当转向海外市场和高端化战略后，这个产品创新飞轮转动的速度甚至更快了。 界面新闻曾报道，追觅如今已经形成一个庞大的“创新矩阵”，以单个产品单位，将250个产品一号位和250个销售一号位交叉组合，形成6万多个矩阵格子。追觅并不追求每个格子都成功，但只要有一个跑通，就迅速压上资源，极致执行，达到商业化胜利。 这套逻辑的技术基础，是大量可复用的底层能力。 一个例子是机械臂。在发布会现场，多个产品都接上了“机械臂”——扫地机、割草机有仿生双机械臂；洗护机器人Z1搭载的多关节机械臂，以及多模态感知系统，则可以自主打开洗衣机门，精准识别和拾取衣物。 带机械臂的割草机器人 履带也是同样的原理。追觅不仅把履带放在割草机器人这样的产品上，也放到了扫地机上——因为发现了用户对让扫地机器人进房间、上下楼的痛点确定是刚需之后，再将履带放在扫地机之上。 爬楼扫地机 用这套打法来看，追觅现场的数十款产品更像是一组庞大的测试用例：扫地机是已经跑通的成功模型，手机和智能戒指是正在验证的新品类，而火箭车这样的新品类，则是用来测试技术天花板的极端实验。 在开发周期中，硬件通常被认为比软件行业漫长，耗费更多的开模、生产成本，但追觅并不看待这件事——在进军每一个新品类时，追觅都用极少的资金来进行早期验证，从数万到更多不等。俞浩曾经回应，“造车不像大家想的那么费钱，是造错车了才费钱；手机也是，不是造手机费钱，是造错手机才费钱。” 2026年春天的硅谷，或许也提供了一个理解追觅的角度。 就在发布会举办的同一周，硅谷在2026年前四个月裁员超7.3万人。Anthropic CEO 预言“软件工程将被AI终结”。事实上，这是关于技术范式转移时，对既有商业模式彻底失效的恐惧。 没有人知道18个月后的行业会变成什么样。追觅的激进与硅谷的焦虑，某种程度上也是互为镜像：都在试图用一种极端，去对冲另一种极端。或许，在一个增长总体停滞的年代，先把自己推向极限的风险，可能比原地停滞还要小一些。
访谈｜邓咏仪 周鑫雨 文｜周鑫雨 编辑｜杨轩 乍一使用，你很难给Ribbi一个准确的定义。 若说这是一个多模态内容创作工具，Ribbi能做得不止于此。比起一个“死”的工具，Ribbi更像一个可以自动管理创作全链路的“人”。 它能将用户的创作流程，自动沉淀为Skill；也能监测社交媒体的数据表现，总结复盘，并 自动对后续的创作进行优化。 Ribbi官网首页。 对绝大多数创作者而言，这又是一个使用体验极度“陌生”的产品。区别于Figma、Lovart等设计产品，Ribbi没有醒目的画布，所有的创作、编辑交互，都集中在一个小小的对话框中。 而与你对话的Ribbi，被设定为一只个性十足的“青蛙”：爱吐槽，偶尔还能爆点粗口。 与Ribbi的对话。 这款有些“怪”的产品，却在 上线封测一周内，收到了全球4万多用户的使用申请。 用户群从上线第一天的20人，快速扩张成了20个几乎满员的大群。闲鱼上，Ribbi的内测码，一度被炒到了200元。 “我们上线Ribbi，本来是为了找100多个种子用户做封闭测试，验证PMF（产品-市场适配率），都没正式开始做营销和投放。”Ribbi创始人兼CEO Robin告诉我们，用户通过口碑传播的裂变速度，远超他的预期。 在4月初和《智能涌现》的交流中，Robin的嗓子已经哑了。半个月内，他见了多家投资机构，官方Linkedin的私信箱，也堆满了合作邀约。 毕业于工业设计专业，Robin做过4A和品牌企划，后续还在几家头部大厂，主导多款明星AI产品的创作功能设计、创意Agent落地等工作。 创业前，Robin就一直在探索：如何让创意实现的过程更简单。他发现， 市面上的创作工具，都彼此独立，用户创作的上下文互不相通。 这就导致，当用户要创作内容，每涉及一个环节，就要切换一款工具，还需要重新和工具对齐创作的需求。 “市面上不少AI设计工具，仍然把内容创作视作单点环节的拼接。但事实上， 创作应该是涵盖创意生成、内容生成、发布、数据监测、复盘、优化的完整链路 。”Robin告诉《智能涌现》。 基于这一认知，2025年末决定创业时，Robin做了不少“非共识”的决定： 不做Multi-Agent（多Agent架构）的产品 ，因为不同专家Agent在传递过程中，会造成Context的损耗； 不做单点的内容生成， 而是用一个Agent，打通创作、发布、效果监测、复盘优化等创作中所有的链路； 不做“画布类”的产品， 而是用Chat作为UI，给Agent更多的自由度； 自训VLM（视觉-语言模型）、自研名为Contxt Layer的Agent架构， 沉淀创作经验和反馈，让AI自主进化。 这一切设计的最终目标，Robin告诉我们，是让Ribbi不仅仅局限于一个“工具”，而是成为理解完整创作闭环的“人”。 以下，是Ribbi创始人兼CEO Robin关于Agent创业的20条“暴论”： 🐸 大厂中，业务、模型和顶层之间的对齐是最困难的事，除非已经有业内共识。 比如，当Coding成为业内共识，不管是大厂，还是“AI六小虎”，都不约而同朝这个方向冲。 但在看到Taste的确切价值之前，为审美、品味构建模型，是大厂不愿意做的。只有当视觉创意生成从非共识，变成共识，才能激发更多大厂和顶尖人才参与进来。 🐸 一旦团队变大，对Context的折损就会增加。 大厂的基模能力很强，但模型团队对业务的认知有偏差。一旦团队变大，每个团队之间信息传递的过程，会折损大量的Context。 这也是Ribbi团队只有6个人的原因。我们只有3个程序员，他们现在是全栈设计师、全栈工程师，什么都能开发，并且可以做得很好。 这就是Claude Code带来的代码生产力的进化。 我相信，Ribbi会带来内容生产力的进化。 🐸 很多AI产品都在虚假宣传。 我们在宣发的过程中搞了很多“抽象”，比如“72小时ARR破亿”“一夜百万用户”，本质上是为了讽刺很多AI产品的虚假宣传。 只是我们讽刺做得不够好，很多用户信以为真了（无奈笑）。 我们在X上的CEO账号也是虚假的，根本没有“Robin Bisset”这个人。账号上的很多内容，包括Robin的外国人形象，都是Ribbi生成的。 △Ribbi的虚拟老外CEO。图源：X 🐸 AI行业正在逐渐“币圈化”。 我花了很长时间才研究明白Harness。圈内很喜欢造概念，又是“马鞍”，又是“驾驭”，搞得很玄乎。 其实Harness很简单，就是一个脚本，或者一个workflow，让模型不偏离目标，更好地发挥价值。 在Harness这个概念出现之前，依靠框架或者Agent去优化AI执行任务的上下文，本身就是一个共识。如今行业只是把这件事抽象了出来，给了一个核心定义。 🐸 画布类的产品，把模型的可能性“锁死”了。 我们没有把Ribbi做成画布类的产品。画布类的AI产品看起来交互很酷炫，能让投资人眼前一亮，专业用户使用起来也很顺手。 但它们有一个“致命伤”：把模型的可能性提前“锁死”了。因为画布的本质，是将工作流拆成一个个节点，模型只能沿着这条路径走。 我们一直以来的判断是， AI时代的UI应该是容器化的，而不是功能化的。 产品应该给AI创造一个容器，让它可以自由决定调用什么样的工具、怎么组合工具，甚至按照什么样的顺序执行任务。 🐸 具身智能成熟之前，Chat是AI最好的UI。 在互联网时代，我们就习惯通过Chat完成信息的传递，比如微信上可以拍图片、拍视频，也可以发链接、小程序。 在我看来， Chat是一个足够简单，并且灵活兼容一切的容器。 比如豆包DAU跑得很快，其中一个原因在于，它的移动端App设计得很轻量。用户不需要打开新的对话框，只要在一个session中疯狂Chat就能生图、生视频。 它将用户的交互和AI的行为，统一在一个非常简单的框架中。 用户认为Ribbi好用的点，就在于他们可以随时把X、Instagram、Pinterest等平台上的素材，采集、保存在Ribbi中，底层的AI再自主学习其中的审美。这其实就是人与AI Chat的过程。 作为AI产品经理，我非常讨厌用复杂的交互去操作AI。AI应该很聪明，不用我时时刻刻盯着，就把活干了。当你产品的交互门槛、使用门槛足够低的时候，自然而然就能吸引更多人。 🐸 真实的创作需求从来不是单一维度的。 很多人会疑惑：为什么要往Ribbi里塞这么多功能（图片/视频/音乐创作、社交媒体监测、编辑器）？这样会不会导致定位模糊，或者每个功能都做不深？ 我们一直认为，真正的创作需求从来不只有单一维度。比如一条抖音视频的制作，就涵盖了想选题、写文案、写脚本、生成分镜、配音、剪辑、编辑封面、发布、数据监测、复盘等流程。 这是一个完整的链路。没有All in one的工具意味着，用户需要切换不同的工具，重新对齐创作的上下文。 人一定是懒的动物。 没有用户希望做一个产品、完成一个环节，就换一个模型、换一套工具。比如做一个视频，要先用ChatGPT生成文案，再用Gemini生成分镜，最后还要用剪映拼接视频，是很麻烦的。 我们设计Ribbi功能的出发点，不是为了把功能做全面，而是为了 让创作链路的Context完整连通。 🐸 Ribbi构建Agent的核心在于自主进化。 互联网平台的核心是UGC， Ribbi的核心是AGC，Agent Generated Content。 创业前，我就在寻找可以让“Agent自主进化”落地的场景，创作就是一个很好的答案。 首先，Taste会自主进化，这就是我们设计Pond和训练VLM的原因。 其次，Skills也会随着用户的使用自主进化。用户在使用Skill地过程中，会产生新的场景、需求和Context，这些Context就会凝练成专属用户个人的Skill。 这些个人Skill，都会经过Context Layer中的Skill Agent的评估、去重、去隐私化，再贡献给平台全端。因此，平台的Skill也会循环进化，用户使用越多，Skill就越多，能力也越强。 最后，用户的创作也会自主进化。我们建立完整创作工具的原因，就在于用户的创作是连续的过程，涵盖搜索、发现素材、生成内容、编辑优化、发布到社媒、数据监测等流程。 社交媒体，是Agent在线进化落地的核心训练场， 将作品发布到社交媒体，是Agent与真实世界的一种交互。监测数据表现后，Ribbi能够自主迭代和优化创作路径，交付更好的结果。最终，平台就能够形成一个自主进化的创作闭环。 🐸 Multi-Agent本质上是对模型能力的低估，产品要让Agent更自由。 Multi-Agent架构中，大部分专家Agent的底层能力，都来源于Claude。既然底层模型一样，为什么还要通过提示词工程，把模型拆分成不同的Agent？ 提示词工程，本质上是对模型能力的约束。 与此同时， 任务在多层Agent架构中的传递，都会造成Context的损耗。 我们做Ribbi的时候，核心观点是：让Agent足够自由。 Agent要在一个非常丰满、质量足够高的Context中，发挥自己的能力。因此， 我们的核心架构其实是一条Single-Agent链路。 除此之外，我们构建了一个中间层， Context Layer。 它由Memory、Taste 、Skills等不同层级构成，每一层都有对应的Agent。它们的作用不是执行任务，而是辅助Single-Agent收集Context。 这样做的好处是 Single-Agent对上下文的感知不会折损，Token的损耗也会降低，这是我们的核心优势。 与此同时，其他Agent又能补足一些上下文信息。 🐸 Ribbi不是OpenClaw的“套壳”，大家只是对Agent有相同的想象。 2025年11月，那时还没有OpenClaw，我就在公众号上写了一篇文章，构想了Agent发展的路径：第一，Agent会从被动，发展为更主动；第二，Agent的Context会不断自我进化。 这两点在OpenClaw上得到了具体的体现。但我们的产品定义和OpenClaw非常不一样： 首先我们提出了Context Layer，为Agent提供了很干净的Context；其次我们不希望为用户提供一个部署门槛很高的产品；最后我们整体的功能链路都是为内容创作服务，所以Ribbi提供了100多个可以自由组合、循环进化的Skills。 我相信世界上很多人对Agent的想象是一致的。OpenClaw很多的底层思考来源于Claude Code，我们的核心想象也出自Claude Code。 Claude Code为Agent创造了一个非常简洁的系统： Coding是Agent的环境，Function Call是Agent的手。 Claude Code的出现让任何人可以成为全栈工程师，Ribbi的出现是让任何人能成为全栈的创作者。 🐸 我们不把Ribbi定义为“工具”，而是理解完整创作闭环的“人”。 首先，Ribbi是一个可以自我进化的内容引擎。其中，“Pond”是它的审美输入端，Skills是流程的沉淀，主动发布和数据监控是内容创作的最后一公里。 其次，我们希望Ribbi有活人感。如果你和Ribbi对话，就会发现ta是一只嘴上嘟囔、但会认真干活的青蛙。 🐸 Taste is all you need。 创作过程中最难用语言表达的，就是审美和品味。 为了解决审美建立的问题，我们为Ribbi设计了一个叫做“Pond”的板块。 用户在浏览Behance、Pinterest等设计平台时，可以通过Ribbi插件，将喜欢的设计采集并保存到Pond中。通过对Pond中资产的学习，Ribbi可以建立对用户审美的认知，未来创作的设计也会更符合用户的偏好。 除了学习用户个体的审美，Ribbi也会凝练平台所有用户的审美，成为平台共识。这么做的意义在于，让用户在不输入Prompt的情况下，也能获得高质量的设计。 支撑Ribbi学习、积累、迭代用户审美的核心，是我们基于开源的千问8B小模型训练的VLM（视觉-语言模型）模型。 它可以将图片、视频转化为文本Context，并将Context压缩进用于构建审美的Taste层，再基于Taste层生成新的设计。 对审美的不断沉淀，也是Ribbi产生用户粘性的核心。平台上，用户不断贡献新的审美Context，这些Context都会沉淀为Ribbi对你审美的认知。 在Pond中可以上传个人资产。 🐸 不能让模型，不知道你的操作。 目前，我对Ribbi主要有两个不满意的地方，一方面，稳定性还不够，包括性能和服务器、API负载； 另一方面，创作流程还不够灵活。因为没有编辑器，所以诸如“把字幕往上挪一点点”等简单调整，都需要用户去Chat。因此我们需要上线一些后编辑的功能。 但迭代的卡点在于，我们必须让底层模型知道用户的所有操作，对齐用户所有的上下文。只有这样，在后续创作过程中，Agent才能记住用户的偏好。 让模型感知到用户的后编辑，目前来看还有很高的开发门槛。 🐸 Ribbi的壁垒在于对技术的想象。 我们自主训练的VLM模型，目前多多少少算壁垒。当然，技术壁垒很容易被超越，Claude发布一个新模型可能就可以做到。 Ribbi的核心价值在于，我们不仅希望只做一家应用层的公司，而是在未做模型层的探索。训练VLM是现阶段探索的开始，包括中间层Context Layer的设计，都是基于我们对行业的Know-How和共识去完成的， 这些事说出来其实不难，难的是把它想象出来。所有的事最重要的就是想象，而 我们是第一个把技术领域的AI自主进化想象、并且落地的团队。 而且我们对Agent的认知一直在往前走，这是我们的想象保持领先性、建立壁垒的前提。 🐸 把Token消耗转化为扣积分的商业模式，不够诚实清晰。 我们的商业化会做得比较诚实。虽然模式还没完全确定，但一定不会是积分制。 △Ribbi会显示每个环节消耗的Token量。图源：作者试用 不少AI产品会采用积分发放的方式。个人觉得挺绕，用户还得把积分转化为Token消耗量，不够清晰。 也有平台会告诉你，“充值一次，无限Token”，但实际上用户天天在排队。这样的商业模式不诚实，而且平台还会亏本。 🐸 好的内容平台应该有广告。 我最近也在研究一些好的内容平台的商业模式。YouTube几乎是免费的，因为有足够多的广告商在视频中分发贴片广告。 广告的好处在于，让平台把用户的成本转嫁给广告商，同时也让创作者通过广告，有直接的收入，从而激励他们在平台上的创作。 🐸 Ribbi的北极星指标，是Skill的增长。 目前，网站上有20多个Skill，其实我们内部已经有100多个Skill，比如一键消除、做PPT等技能。没有放出来的核心原因在于，我们的设计师对审美的要求很高。 所以我们的北极星指标是不断裂变出更多高质量、高审美的Skill。 并且我们不希望Ribbi成为一个工具集。 工具聚合网站，更像是一个个的小程序，它们之间是相互独立、互不连通的状态。 但我们的Skill会在同一个Single-Agent中连通。这样的好处是Agent可以在接管创作全流程中，灵活串联不同的Skill。 另一点，我也希望Ribbi上的工具数量能不断增长。目前我们的100多个Skill，靠的是100多个工具的不同组合。一旦我们的工具数量扩大到1000多个，Skill会进化产生我们想象不到的价值。 △Ribbi上沉淀的Skills。图源：Ribbi官网 🐸 应用公司探索模型层是有必要的。 只有自己亲身训练和使用，才能知道当下模型的限制，以及实现AI自主进化的逻辑路径。我们现在实现AI自主进化的路径，是基于Context实现的。 但未来， 自主进化一定会在模型层上实现 ，并且会有非常多的人探索。自己训练模型，是为了提前积累经验。 🐸 我们不把自己定义为创业团队，而是独立开发者的组织。 我们不会像某些友商那样，不断花钱买量、烧各种补贴。我们不想做一家为估值而奋不顾身的公司。 融资当然也很重要。你要确保账上有足够的资金，去支撑研发-获得用户反馈-迭代的循环。 我们现在正在推进下一轮融资，并非是有意的，而是如今Ribbi获得的用户声量，远超我们的预期。现在的状态，有点像时代推着你往前走。 我们收到了很多投资意向书，但我希望愿意投资我们的机构，是真正对AI有价值判断的、长期看好AI的自主进化，而不是出于FOMO（错失恐慌）。 🐸 我立志成为硅基生命的垫脚石。 我们一直在找一个符号表达“自主进化”的理念。Ribbi LOGO是一只青蛙的原因，是因为蝌蚪进化为青蛙是一种非线性的变态发育，“Ribbi”就是呱呱叫（ribbit）的拟声词。 我相信AGI一定会到来。无论是训练模型，还是做Context Layer，这些看起来“很重”的事，目的都是为了加快AGI到来的进程，哪怕只留下一点点痕迹。 假设某一天，某家模型厂商实现了AI的自主进化，即便功不在我，我愿意贡献我们对Context Layer自主进化的Know-How、开源我们的技术架构，帮助模型厂商训练更好的自主进化模型。 欢迎交流！
文｜王欣逸 编辑｜邓咏仪 36氪获悉，近日，攀峰智能已完成数千万元天使轮融资，本轮融资由华控资本领投、云时资本跟投，将用于模型研发、团队增长以及市场扩张。 攀峰智能（K2 Lab）成立于2025年10月，成立仅一个月，便拿到了来自云时资本的数千万元融资。其三位联合创始人均来自阿里钉钉团队。CEO王铭曾是钉钉最年轻的副总裁，在钉钉近五年间负责AI创新产品、SaaS生态、大模型与AI生态、产业生态和战略终端等业务；联合创始人兼CSO汤明磊，此前深耕产业数字化和产业AI的投资与研究十年，在钉钉期间负责战略生态和投资；联合创始人兼CTO赵先烈，曾任钉钉AI PaaS及AI运营负责人。 攀峰智能面向To C市场，打造了一个内容电商场景的Agent OS——Moras。Moras为TikTok上的达人和商家服务——用户只需通过和Moras互动，它便能实现自动化学习，完成选品推荐、脚本生成、内容创作、智能剪辑、视频预检和发布、数据分析等环节，实现出单。 目前，Moras的用户画像主要为粉丝体量在五千至五万的达人和商家群体，带货品类涵盖服装、生活用品、家居、节日用品等。 过去三个月，Moras已完成了首批达人用户的共创测试。邀测用户数据显示，活跃达人通过使用Moras平均月度成交GMV接近1万美元，有达人实现了月度GMV突破10万美金的成绩。 从具体数据来看，有达人实现了注册首周GMV破万美元，使用Moras的首周出单率已经达到了70%以上，而这一时间还在继续变快。 Moras采用的是Multi-Agent架构，能实现自主进化。随着达人互动频次的增加，这一工具的选品、脚本、分析等能力会逐渐增强，出单能力也随之提高。 而受OpenClaw和Claude Code的Agent能力启发，攀峰智能如今也在快速革新，已着手建立起A2A原生电商操作系统，来服务更广泛的客群。 “人类不想in the loop” 在邀测阶段，攀峰智能发现海外用户对操作流程的容忍度远比预期更低——哪怕只是多一步确认，用户也倾向于放弃。 “人类不想in the loop。”王铭说。在王铭看来，目前阶段，AI还没有替代人的能力，但AI能把人的短板补齐，把人的长板超级放大。 Moras产品最初的测试版本设计的比较简单，尽管如此，海外的用户依然觉得很复杂，这也让他们意识到另一种商业模式的可能：AI“雇佣”人类。 成立之初，Moras设计了两种提供服务的方式，原意也是想测试哪一种更适合市场： 第一种是用户为Moras付底薪，让Moras起协助作用，如调整选品、制作视频等，即 人类雇佣AI ，这种方式平台会抽成50%。 第二种则是Moras完全托管，包括账号资产、形象等，AI完全帮助用户做内容、带货，即 AI“雇佣”人类 。在这种模式下，用户只能拿到极低比例的分成收益。 在邀测阶段，攀峰智能将两种模式同步测试，有意思的是，选择第二种商业模式的用户越来越多。 这意味着，在这一场景下，Agent能力越来越强，Human反而不想in the loop（人类不想参与决策）。 “但人类不想in the loop，并不意味着AI可以完全脱离人类。”王铭说，在实际使用过程中，达人和商家授权登录Moras后，平台会通过多模态理解分析粉丝画像、过往视频的用户画像和视频调性，来推送个性化的选品。其中，达人和商家仍然拥有对选品、文案、视频的倾向性，可以对内容进行审核、修改调整。 王铭告诉《智能涌现》，Moras正在灰度测试另一个版本，达人和商家可以直接和平台对话，告诉Moras个性化的风格、审美和表达方式等。未来可能还会上线更复杂的PC端操作系统，支持用户上传专业知识和Skills等。 坦白来讲，Moras目前有60分的带货能力，这或许能让它帮达人实现几千到一两万美元的月度营收，但离稳定输出大几万美元的能力还有一段距离。 对于Agent而言，“活人感”“网感”等独特的表达方式和销售能力很重要，要实现这些能力，还需要大量和人类的连接——这也是攀峰智能正在自研电商场景多模态理解模型的原因。 而在内容电商场景中，理解什么是爆款、理解用户的风格和审美，远比生成本身更关键。 王铭认为，AI雇佣人类的结果会是，人类发现AI真的能赚钱，随即被带入行业之中来，对Moras提出更多诉求，同时也参与到创收的更多环节中来。 为了让产品离钱更近，王铭还透露，Moras正在 训练一个自研的电商场景的多模态理解模型 。 在他看来，通用模型更多的是优化生成能力，忽略了理解世界的能力，本质上还是在批发Token。如果产品只是在帮助用户更低门槛消耗Token，而不是帮助用户提高效果，最后作为批发商，Token的ROI大概率很低。 这也反映了攀峰智能路线的本质不同：选择了做离商业化更近的事情——自研爆款理解模型、爆款商品和爆款脚本，从最开始就专注于效果的打磨，让模型理解爆款的逻辑。 王铭表示，当前攀峰的团队中，有来自字节的多位内容电商专家，将专家的最佳实践让AI学会后，由AI来做选品模型；人类专家则变成AI的数据标注员，判断AI选出来的商品，哪些是真正的爆款。与此同时，所有发出去的内容的数据结果会回流到分析Agent，再反馈给前面的选品模型，形成自进化闭环。 用户愿意付费，产品能带来盈利，Token本身价值随之提高 ，这就形成一套“ROI Token 经济学”。 而对于大厂的竞争，王铭表示，目前，大厂的第一优先级仍是抢夺AI入口，AI+电商的垂直场景尚未进入其核心视野，这也正是中小企业切入垂直场景的窗口期。 自建Personal AI系统 今年初，OpenClaw横空出世，其架构由Channel层（通道层）、Agent层（智能体层）和Tools层（工具层）组成，实现了一个完整的AI操作系统，迅速引发了行业对Agent OS的广泛讨论。 这给攀峰智能的产品带来了新的启发。王铭表示，团队也尝试过基于OpenClaw进行开发，但发现其现阶段还无法达到稳定的企业级使用标准，基于OpenClaw做简单二开的产品，短期内仍难以真正落地。 攀峰智能并没有走把所有产品基于OpenClaw架构重构的路线，而是借鉴了类似OpenClaw、Claude Code、Hermes Agent等架构的设计思想——包括多层记忆架构、做梦机制等——自己开发完整的Agent OS。具体来说，他们想 把内容平台生态的超级个体和商家的Context信息Agent化，整合接入，形成达人和商家的“Agent OS” ，用一个扎实的OS系统来服务好客户群体。 在王铭的构想中，Personal AI的Memory做好了，A2A（Agent to Agent）的世界才会出现。目前，用户使用ChatGPT、Gemini、豆包等中心化AI助手时，不仅需要多平台切换，不同平台给出的答案可能还会出现冲突，且记忆无法跨平台沉淀。 倘若一个系统中不同模型能被自动调用，生成结果可以被自动做对比和整合，并持续积累历史上下文，用户的体验将会发生质变。 “未来，每个人可能都会拥有这样一个消费级的通用Personal AI（个人AI）助手，也会拥有一批垂直场景的Agent OS。”王铭解释，Personal AI的系统能支持用户自由调度模型、用自然语言添加Skills、拥有长期的个人记忆等功能。用户能够更好地使用产品，也才能更好地被留在平台上。 基于这样的判断，攀峰智能对其产品作出了方向调整——要帮达人和商家建立属于自己的Agent OS，进而自建Personal AI系统。 未来，攀峰智能计划将产品作为Skill接入到OpenClaw、Hermes Agent等去中心化的Personal AI生态中，相当于把一批商家和达人的数字分身直接带到下一个时代的流量入口里去。 王铭认为，Personal AI系统的不断完善，正是实现 A2A 的重要基础。从更近的目标而言，Personal AI的下一步，是实现真正的A2A（Agent to Agent）的商业系统。 用Agent开发Agent 除了产品方向的变化之外，攀峰智能的开发范式也在经历剧烈的重构。 尽管公司才成立数月，但他们已经经历了3个阶段的开发范式演进：第一阶段是AI Coding几乎没有约束，什么都交给AI去做，结果各种bug的速度让人改不过来；第二阶段是引入rules和结构化约束，借鉴了Harness的思想以及Claude Code泄露出的架构，用更多的条条框框去驾驭Agent；第三阶段则是通过通过自研的开发Agent调用Coding来开发Agent，最后交给人类做验收。 王铭表示，目前公司99%以上的代码都是由AI编写，甚至很多开发工作不是由程序员完成的——产品经理、人力资源、财务、运营同学都在开发系统。而在最新的阶段，他们开发了专门的Coding Agent，能够在某个垂直场景里持续地帮助开发和迭代，周末团队休息时，Agent还在工作。 随之而来的，生产力正在指数级提升。一个原来需要两周实现的复杂需求，开发时长能缩短至1天。 毫无疑问，大模型的发展速度，仍然是跳脱于人类想象的。对接下来的Agent技术曲线演进，王铭分享了他对于今年Agent发展的三个判断：其一，Agent的Memory会有巨大突破；其二，Multi-Agent自主进化能力会日趋成熟；其三，Agent自己Coding出各种工具，来解决响应问题。千人千面个性化产品的时代快速到来。 对于未来发展计划，团队透露，下半年攀峰智能将持续扩张团队至50人以上，并加速打造Agent OS系统。随着产品全量上线，公司也将进入快速市场扩张期，同时着手搭建Agent化的供应链体系，抢跑A2A原生电商。