---
title: "把脑子里的经验卖10000次：AI时代，请停止单纯出卖劳动力"
id: "20251204A04RSJ00"
publicationAccount: "非凡产研"
originalPublishedAt: "2025-12-04T14:33:13+08:00"
canonical: "https://ffcap.cn/research/20251204a04rsj00"
source: "https://view.inews.qq.com/a/20251204A04RSJ00"
sourceAccount: "https://news.qq.com/omn/author/21759984"
language: "zh-CN"
tags: ["办公协作","AI Agent","AI 教育","非凡大赏"]
---

# 把脑子里的经验卖10000次：AI时代，请停止单纯出卖劳动力

文章中的“非凡产研”是原始发布账号署名，不代表已核实个人执笔作者。引用访谈或圆桌观点时，应按正文标明具体发言人及当时身份；无法确认时不要推断。日期为原始发表日期，历史信息以发布时点为准。

如果有一天，你脑子里的专业经验可以 24 小时在云端替你工作，你还会像现在这样赶路讲课、连轴开会、按小时卖时间吗？

在2025北京非凡大赏的一场圆桌现场，StudyX 创始人 & CEO 李令，把学生和老师的学习难题交给 AI；孚知流科技创始人 & CEO 白双，试图把专家脑子里的隐性经验，变成可以交易的 Agent 资产；世纪天鸿 AI 产品负责人张民松，这位做了 30 年教辅的老兵，正在为老师打造一套 AI 备课外脑；ChatExcel 创始人 & CEO 逄大嵬，用聊天的方式帮职场人搞定 Excel 和数据库背后的数据世界；必优科技创始人 & CEO 周泽安，则盯上了上班族的“PPT 噩梦”，想让文档回到“表达结果”本身。

主持人是，非凡产研内容合伙人薛倩。她开场的第一个要求就很不“专家”：“请用**最不专家**的方式介绍你们自己，你们到底在帮谁解决什么问题？你们撬动的，又是哪一种专业能力？”

这一刻，其实已经把今天这场对话的主题抽出来了：在 AI 时代，专家的价值，正在从“我懂的比你多”，悄悄变成“我能把这套知识复制给多少人、用多少种方式交付出去”。

而坐在台上的这几位，大概就是五种不同的杠杆：有人用它去撬动学生的学习曲线，有人用它去撬动老师的备课效率，有人用它撬动职场人的数据能力和表达能力，还有人干脆把“专家本人”拆解成一套可运行的 Agent 系统。

![把脑子里的经验卖10000次：AI时代，请停止单纯出卖劳动力 · 原文图片 1](https://inews.gtimg.com/om_bt/OAER2_fWvcy71Lb12NyjR3m2gc0oT85E_nEfccwglHdcgAA/1000)

**一、从“专家介绍自己”，看懂五种专业杠杆**

如果你把头衔抹掉，只看他们用“最不专家”的方式介绍自己，其实特别有意思。

**李令的 StudyX**，干的事情很直白：帮学生学得更好，帮老师教得更好。

对学生，是给他一条效率更高的“知识获取通道”；对老师，是帮他把教研内容、自己的专业积累，转化为真正被学生吸收的“结果”。

这里的杠杆，是**学习方法论与教研能力**。

![把脑子里的经验卖10000次：AI时代，请停止单纯出卖劳动力 · 原文图片 2](https://inews.gtimg.com/om_bt/O73TbXAZIFy-5a-Uk-UhIzGui3QiEX_RjNXajWoo4ip_8AA/1000)

**白双的孚知流**，则是干一件很多专家嘴上说厉害、但从没系统做过的事：把你脑子里那些“说不太清，却一直在用”的隐性经验，变成一种可以交易、可复制、可持续运转的**专家 Agent 资产**。

你以前靠时间收费，现在可以靠“专家 Agent”替你持续工作。

这里撬动的是专家的隐性知识和决策流程，也就是我们所说的Know-how。

![把脑子里的经验卖10000次：AI时代，请停止单纯出卖劳动力 · 原文图片 3](https://inews.gtimg.com/om_bt/OylDU_9wV2ACoTs0W8Q9JF4XGG8jPdKYgLxGJs1u1t-8cAA/1000)

**张民松背后的世纪天鸿**，是很多人童年阴影的来源——教辅《优化设计》

30 年做教辅，本质上做的是一件事：就是服务好教师，AI产品的切入点是备课场景，备课是一个兼具教师较大工作量和创造力需求的工作，本质是教师对教学内容进行获取、组织加工和创作的过程，现在做的“小鸿助教是通过模型与教育资源库的整合，实现备课资源「个性化定制+动态生成」的创新模式。

杠杆的是**学科内容的个性化和知识整合能力**。

![把脑子里的经验卖10000次：AI时代，请停止单纯出卖劳动力 · 原文图片 4](https://inews.gtimg.com/om_bt/O8qwqv3r2egebGFjRSCan6r-J0aACwdwo8pcNHN_F2EtQAA/1000)

**逄大嵬的 ChatExcel**，听起来最“务实”：就是帮普通人，用聊天的方式搞定 Excel 和各种表格、数据库里的数据处理。清洗、透视、报表、看板——过去你要么去学函数，要么找同事帮忙。现在，一个数据智能体帮你把数据从“看不懂的表”，变成“能直接用于决策的结构化信息”。

这里的杠杆，是**数据理解、建模与分析能力**。

![把脑子里的经验卖10000次：AI时代，请停止单纯出卖劳动力 · 原文图片 5](https://inews.gtimg.com/om_bt/OrXUlGdYn38-ykocD4Nc6I56nR8svVHGNpRZnSzwvvQ9sAA/1000)

**周泽安的必优科技**，则把手伸进了上班族的“精神内耗三大件”之一，PPT。

他们做了 ChatPPT，有 1500 万注册用户，还是不少大厂背后的“文档引擎”。

但他们真正想做的，不是“帮你多几页好看的 PPT”，而是：你要讲的这场路演、这次复盘、这份报告，**有没有被准确、有效地表达出来**？

换句话说，他们试图把“内容产出”从“我会不会用工具”，变成“我能不能把这件事讲清楚、传达出去”。

![把脑子里的经验卖10000次：AI时代，请停止单纯出卖劳动力 · 原文图片 6](https://inews.gtimg.com/om_bt/Ol92Dd6ljsr5k2Ha3WsOnF7bNkLgSMeHkgRRoityPEdcsAA/1000)

这五种路径背后，其实是在回答同一个问题：

专业人士的价值，能不能从“卖时间”变成“卖系统”、“卖结果”？

AI 就是那根杠杆，但真正决定你撬多高的，是你掌握的那部分 **“不可替代的专业链路”**。

**二、严肃场景里，AI 凭什么让人“敢托付”？**

聊到这儿，问题就来了：这些场景都不轻，一旦错一次，用户可能就**永远不用你**了。

小数点差一位，财务报表直接报废；教辅内容有问题，是学生真正在试卷上栽跟头；PPT 讲错一页，可能是一个项目黄掉。

在这些“容错率接近于零”的场景里，AI 凭什么让人信任？

**1\. ChatExcel：数据世界里，“差一位小数”等于死亡**

逄大嵬说得很直白：“**在 Excel 这种场景里，小数点差一位，你基本就不会再用第二次了**。”

所以他们从四个层面，把“准确性”拉到几乎变态的程度。他没有用特别技术化的语言去炫耀，而是讲了几个特别具体的做法：

处理链路要严谨——Agent 每一步做什么，不能“随缘发挥”；

做自己的专有解析模型，专盯数据集这种“细活”；

把处理过程**可视化**——100 行数据，人眼还能扫一下，100 万行你只能看规则，把思维链（CoT）摊给用户看，让用户能“拆箱”“封箱”；

不同行业的数据模型不一样：物流、电商、医药……背后都是专门的知识模型。

你会发现，他们其实做了一件事：

把“模型可能犯的错”，尽量暴露在用户能理解、能验证的层面，而不是“端给你一个黑盒结果，让你自己去赌”。

**2\. ChatPPT：文档场景不是“不需要可信”，而是“隐性可信更高”**

很多人以为 PPT 不需要那么严肃，反正好看就行。

但周泽安的判断刚好反过来：“**Excel 是客观可信，PPT 是演讲者内在的可信。**”

一份路演稿、年度总结、战略汇报，AI 写的内容如果和你心里的真实想法不一致，即便逻辑顺一点、排版好一点，你在台上都会觉得“别扭”。

所以他们也做了四件事：

天然聊天化：2023 年 3 月就上线 ChatPPT，让用户通过来回 Chat，把自己的观点、语气、细节一点点“喂”进去；

鼓励用户用自己的原始内容：飞书、钉钉日报、旧文档……通通丢进来，AI 做的是“结构化、重组和表达”；

做“溯源”：每一个观点、每一个关键词，都能点回原文，甚至连数学推导过程都能看到；

区分身份与场景：老师的课件、互联网人的周会汇报、销售的客户方案，本质完全不同，系统会主动判断，走不同的逻辑。

这背后其实是一个简单但经常被忽视的原则：**越是“看起来不那么严肃”的场景，越藏着对信任的苛刻要求。**

**3\. 世纪天鸿：当学科内容遇上幻觉，先承认“模型不够格”**

学科教育可能是对 AI 最严苛的场景之一。

你可以接受娱乐内容“有点飘”，但一道题、一个概念错了，影响的是一批学生的认知。

张民松的判断非常冷静：“**以目前原生模型的状态，还完全达不到学科教育对可信度的要求。**”

于是他们的选择是：不把希望全部压在“模型再聪明一点”上，而是用工程手段把模型“框”在可信的轨道里，外挂知识库、外挂工具库、外挂教研团队，寻求适配的解决方案。

教案、课件、习题看上去是“AI 生成”，但背后有一整套内容体系、审查逻辑在托底。

他们做的是一件更难，但更稳的事：**让 AI 变成内容团队的“放大器”，而不是“替代者”。**

**4\. 孚知流：真正风险在“规划”，不是“执行”**

白双从 Agent 的两步——规划与执行——切入，这个角度很有意思。

执行环节，错就错在工具调用不当、模型 over-react，其实可以通过模型评测、工具治理、生态建设逐步完善。

但**规划环节**，才是决定“这套 Agent 到底是不是专家水准”的关键。

他举了个对比：大模型通过 DeepSeek R1 之类能力给出的思维链，看上去很完整，但那是“模型觉得合理的路径”；而真正的行业专家，心里那套链路，往往和模型不一样，甚至完全不在一个维度。

所以他们干脆摒弃了画布式拖拽，把规划这一步拉回自然语言：让专家用自己习惯的语言，说明“我是怎么一步步做判断的”；实在写不出来，就用“知识萃取 Agent”跟你聊天，把你的输入输出、例子、思考过程一点点扒出来。

最后沉淀成一条条可以复用的思维链，变成专家的 Agent 资产。

这就是为什么一个做紫微斗数的老师，在他们平台上把“看命盘”的思路梳理成 Workflow 之后，他的 Agent 在圈子里直接“自来水”一样传播。

你会发现，AI ” “ 在这里扮演的角色，是成为你的身外化身，按照你的专家标准去对“ 外提供生产力，并且这种生产力是无限大的。

**5\. StudyX：学生与老师，两重“可信”标准**

StudyX 一开始是做学生解题，后来走到老师教研。

在学生端，他们用的是我们耳熟能详的一套：RAG、知识库、针对不同学科和题型的解题链路。

但当他们开始服务老师，就发现一个新问题：“**对老师来说，‘专业可信’不等于‘模型给的答案是对的’，而是‘这是不是我认可的教法、讲法和标准’。**”

于是他们做了一件看起来“不 AI”的事：让内容回到老师手里，接受二次校准。

在特定学科、特定地区的教研场景下，让 AI 输出不只是技术正确，而是**符合这群专业人士、这条教育体系的共同理解**。

这也是一个重要的转折点：当你从“技术视角”转到“场景视角”，你会发现“可信度”其实有很多层。有的是数学意义上的对错，有的是专业社群内部达成的共识，还有的是演讲者内心的确信感。

**三、当大模型和巨头挤进来，专家型产品怎么不被“顺手做掉”？**

所有做 AI 应用的人，都绕不开两个压力：

大模型越来越强；

大厂越来越爱“顺手”做应用。

那这些围绕专家场景的小而精产品，凭什么不被一波带走？

**1\. “问题感”比“技术感”更重要**

周泽安说了一句很扎心的话：“如果你只是简单复用技术，而不深度思考用户场景，那确实很危险。”

文档生成这件事，大厂当然可以做，甚至还可以做得更快、更通用。

但当你认真去拆用户场景：

路演的人要的，是拿到钱；

销售要的，是客户点头；

老板要的，是团队真正理解战略；

你就会发现，真正难的是“从结果往回推”，看这份 PPT、这篇文档，怎么才能在复杂的人际场景里发挥作用。

所以他们才会往下延展出 AI 路演页、AI 语音克隆、AI 回答观众提问，甚至和 AR 眼镜结合做提词器。

PPT 不再是一个“文件”，而是一整套“说服系统”的入口。

逄大嵬也有类似的判断：**AI 出现之后，需求不是变少，而是变多**。

数据更复杂、来源更多、结构更乱。真正有场景感的团队，会在这些“麻烦事”里看见新的机会。

**2\. 把“重的东西”当成壁垒**

做教辅内容，是一件“重而累”的事。但在 AI 时代，这种“重”，反而变成壁垒。

张民松说：内容公司很苦，但一旦你有一整套教研体系、内容资产、审核机制，AI 就能帮你把这套价值释放得更快、更广。你越是能沉下心做“重内容”，大模型的迭代反而对你越友好。

这句话，反过来也可以理解成提醒：**如果你只做“轻包装”，是最容易被大厂顺手做掉的那一块。**

**3\. 重新定义自己的“物种”：不是工具，是生态节点**

白双给自己下的定位，是 Uber 而不是车厂：“**我不做通用 Agent，也不做垂直 Agent，我做的是让专家的 Know-how 得以沉淀、以 Agent 形态去服务终端用户的平台。**”

这背后是一个更大的判断：AI 时代，单点工具会越来越多；真正稀缺的，是**能够把专家、工具、需求方、培训、IP、投资方串成完整链条的“专家智能体经济”生态位**。

他们提的“Value-as-a-service”（价值即服务），本质就是一句话：别再按接口、按 Token、按时长收费了，让用户只为有价值的结果付费。

当你的商业模式本身，已经围绕“价值”而不是“功能”，你就已经从工具出发，走向了生态角色。

**4\. 在“效率”之外，守住“成长”与“身份认同”**

李令从学习场景的视角，提了一个很关键的补充：通用大模型更多关注“效率”和“替代人”，但在学习场景里，我们真正关心的是：**这个学生有没有变得更好？**

这意味着，产品必须对学生的成长路径、知识图谱、情绪状态负责，而不是只对“一道题有没有解出来”负责。

这和白双提到的品牌理念，有异曲同工：“**我们希望让 AI 代替生产力，让人去做更有创造力的事。**”

品牌如果只是“一个工具名字”，很难在今天的世界活得长。

真正有生命力的品牌，往往带着一种**生活方式的期待，**你用它，不只是为了省两小时，而是为了变成一个“更好的自己”。

**四、专家的下一步：从“讲课的人”变成“运行在云端的系统”**

如果要用一句话总结这场对话给我的感觉，是这样的：

**过去，专家是“讲课的人”、“写方案的人”、“改报表的人”；**

**未来，专家更像是“运行在云端的一套系统的作者”。**

StudyX、孚知流、世纪天鸿、ChatExcel、必优科技这几条路，其实已经画出了一条清晰的路径：

先承认：**大模型本身是不够的**。

再找到：你真正独特的那部分，学科体系、行业 know-how、隐性经验、内容资产、问题分解方式。

**然后用 AI，把这些东西变成：面向学生的学习路径；面向老师的教研外脑；面向职场人的数据智能体与文档生成系统；面向专家本人的 Agent 资产与被动收入来源。**

在这条路上，“去专家化”并不是要抹掉专家，而是：

用更日常的语言，讲清楚你到底在帮谁解决什么问题；

把你那些过去只存在于脑子、习惯、直觉里的东西，一点点拆出来、写下来、固化下来；

让 AI 和系统，去替你重复那些“可复用”的部分，把你腾出来做更有创造力的决策。

真正的危险，不是 AI 把专家干掉。

而是专家仍然把自己困在“按小时卖时间”的旧模式里，看着一代又一代的工具，从 Word、Excel、PPT，一路进化到大模型与 Agent，却从未认真问过自己：

**如果有一天，我的经验不再只能通过“我亲自出场”来交付，我想让它以什么形式，长久地留在这个世界上？** 

* * *

  

**更多对话细节**

**第一部分：嘉宾自我介绍与“去专家化”解读**

**薛倩：**大家好，我是非凡产研的薛倩。今天的主题我觉得跟我们在座的每一个人都密切相关。大家现场在座的可能都是专家，拥有非常多的专业知识。那我们怎么用 AI 去杠杆化我们自己的专业知识呢？今天在座的五位是“手握五把杠杆”的嘉宾，我们就来好好聊一下他们各自在做的事情。

先请各位嘉宾做一个自我介绍。我有个小要求，请大家用“最不专家”的方式来介绍一下：你们的产品或服务是帮谁解决什么问题？以及你们其实是在撬动哪一种专业能力？先从 StudyX 李总开始。

**李令：**大家好，我是 StudyX 的创始人李令。如果在座的各位“不专家”地说，我们是帮助学生学得更好，帮助老师教得更好。

从学生的角度，我们试图用 AI 的能力帮助学生更好地去学习知识，或者说给他更好的知识获取方式；对老师来说，我们想帮助老师把他的专业知识更好地教给学生，甚至说 AI 能帮他直接提高专业知识对学生的交付质量。

**白双：**大家好，我是白双，大家可以叫我双双。我们的公司叫孚知流科技（Fuzflo），核心产品叫 Leapility。

用一个简单的方式介绍：如果在座各位是各个领域的专家，你们一定有一些“隐性知识经验”，这是在网上搜不到的。我们要做的，就是把你们脑子里的隐性专家知识经验，通过产品和商业模式变成可交易的专家 Agent 资产。这样既能为你带来被动式收入，又能把你从劳动力中解放出来。这就是我们在做的事情。

**张民松：**大家好，我是世纪天鸿的 AI 负责人张民松。我算是一位教育行业的创业老兵，我们公司做了30年，是老牌的教辅出版公司。我们的核心产品《优化设计》目前累计发行量已经达到数亿册，相信在座的各位上学时可能都经历过被我们产品“折磨”的过程。

虽然教辅是一个特殊的行业，使用者是学生，但从业务架构来说，教师是我们服务的第一用户。如何服务好教师，是我们一直在思考的事。所以在2023年左右，我们推出了 AI 产品，主要是解决教师备课相关的问题。

备课对于老师来说是一个兼具较大工作量和创造性的工作，本质上是老师对资源的获取、加工、处理和创作的过程。之前老师受限于环境，而在 AI 出来之后，比如个性化资源获取、跨学科知识融合等方面，跟我们现在的备课产品是密切契合的。我们推出的助教产品——“小鸿助教”，主要解决教师备课的“四大件”：教案生成、课件生成、习题生成，以及导学案的生成。谢谢。

**逄大嵬：**大家好，我是来自 ChatExcel 的逄大嵬。我们的产品跟名字一样，ChatExcel，就是用聊天的方式帮助大家解决日常办公中的 Excel 问题。并且除了支持 Excel，我们也能支持数据库处理。

我们的定位很简单，就是帮助普通人快速应用所有的 Excel 和表格数据，帮你实现数据处理、清洗、报表分析、图表生成、数据看板等等。围绕数据链路，给普通人提供整个数据智能体，帮助大家更好地使用数据。谢谢。

**周泽安：**大家好，我是必优科技的周泽安。我们的产品其实很简单，就是帮助大家写文档。我们有好几款产品，比如大家熟知的 ChatPPT，现在有1500万的注册用户，也是很多大厂背后的支柱，不管是金山还是360，背后的很多 API 都是我们提供的。在文档生成领域，我们应该算是国内的隐形冠军。

对我们自己来讲，我们要解决的事情很简单：希望大家能回到创作文档的本身，而不是工具本身。像上一代工具，无论是 WPS 还是微软，我们会沉溺于“怎么做”本身。我们更希望的是：你写这份 PPT 如果是需要路演，我让你快速写出来，并且按照你的意愿触达到投资人；你写的这份报告能让你的客户理解你，这更重要。所以我们交付的更多是以文档内容结果为导向的产品。

**薛倩：**我用“最不专家”的方式再总结一下：StudyX 是解决个人学习需求；孚知流是帮助每个人提取自己的专家知识并规模化，创造更大价值；世纪天鸿可以理解为教师的“AI 外脑”；ChatExcel 是让用 Excel 变得简单；必优科技就是解决上班族的三大噩梦之一——PPT，帮我们做好 PPT。

**第二部分：严肃场景下的“幻觉”与准确性控制**

**薛倩：**讲起来听起来很轻松，但其实各位都在处理比较严肃的场景。我们对产品结果的容错率非常低，可能用一次觉得结果是错的，就不再相信这个产品了。这就是专家产品面临的严格要求。

我想问一下各位：面对大模型不可避免的“幻觉”风险，在追求专业知识精准度的同时，各位从产品设计或技术方面是怎么样解决这个问题的？先从容错率风险最高的 ChatExcel 庞总开始。

**逄大嵬：**这是个好问题。因为我们做 ChatExcel，定义成处理数据，天然就跟准确率百分之百挂钩。处理数据的产品容忍度几乎为零。

我经常举个例子：在 Excel 场景下，小数点差一位，你基本就不会用了。而且在数据场景下，所谓的“不会用”不是这次不用，是永远都不会再用了。因为你不会相信这个产品能把你的财务报表做准。

所以我们在几个维度去处理这个问题：

第一，从处理的链路（Flow）上，Agent 的处理链路要严谨；

第二，做自己的专有模型，包括解析模型，专门做数据集的处理；

第三，从用户交互维度，让处理过程可视化。比如你处理100行数据，人眼能扫出来，但处理100万行数据时你验证不了。怎么办？我们把处理规则（CoT，思维链）放出来，让用户看到规则，支持“拆箱封箱”的介入方式。

第四，匹配行业知识模型。物流、电商、医药的数据模型和知识完全不一样，这些都需要多维度来解决损失问题。

**薛倩：**能不能分享一个您的用户用 ChatExcel 处理的最复杂的案例？

**逄大嵬：**最复杂的其实是财务场景。我们有审计公司，比如“四大”实务中的审计公司，用来做月底的财务报表处理、对账。这种场景比较复杂，第一是对准确度要求极高；第二是表结构特殊，利润表、损益表各种结构不同；第三是服务不同客户（如物流、电商）的模型和知识也不一样。

**周泽安：**大家可能天然以为 PPT 是不是不用追求可信？“说得好不如 PPT 写得好”，感觉好像用 AI 生成得更好看就行。其实不是的。

PPT 场景是一种“隐性的可信”，要求更高。Excel 的小数点是客观的可信问题，而 PPT 是演讲者内在的可信。比如我要讲必优科技，AI 生成的信息必须高度跟我内在无法用口语表达的信息一致。市面上很多竞品搞 AI 生成 PPT，请想象一下，生成的 PPT 代表你出去路演，如果只有三个词，这三个词能否代表你的观点？

我们做了四层处理：

**交互侧：** PPT 天然融入演讲者的理解，一句话搞不定，需要来回 Chat。我们在2023年3月4日就上线了 ChatPPT，比微软 Copilot 还早。我们坚信用户需要通过对话不断反馈和补充信息。

**内容来源：** 我们崇尚用户把自己原本的内容（如飞书/钉钉日报）投喂过来，基于你的内容生成。

**溯源（Traceability）：** 我们目前做到了业内领先的“溯源”功能。生成的每一个观点、每一个关键词，都可以找到出处。比如你投喂了100MB的文章，点击观点进入溯源视图，它会告诉你这句话来自第5篇文章第2段，甚至数学计算的逻辑也能展示。

**专业化版本（Persona）：** 针对不同行业做差异化。比如老师的课件内容和职场商业分析完全不同，模型会主动判断你的身份，从相应角度生成，并调用权威信息。

**薛倩：**谢谢周总。张总（世纪天鸿），您是怎么控制正确与准确率的？

**张民松：**我们做学科教育，对数据可信度的严谨度基本上是“零容忍”。从我的认知来看，目前原生模型的可信度完全达不到学科教育属性的要求。

要解决这个问题无非两种模式：一是从模型本身，二是从模型之外。经过两年的摸索，我们选择了后者——通过产品能力和工程能力去解决模型已知的问题。比如我们要出一份教案、课件或习题，目前模型本身做不到可信，我们就通过外挂 RAG（检索增强生成）、外挂知识库去解决。我的意思是，不要非盯着单向的能力，要综合地去解决问题。

**白双：**我尽量从第一性原理来讲。我们做 Agent（智能体），大家都知道 Agent 主要分两步：规划（Planning）和执行（Execution）。

人类专家和实习生的区别主要在“规划”的专业性上。如果你用 DeepSeek R1 出来的思维链，那是大模型认为的正确，但真正在企业或专业维度，专家的思维链跟 AI 是不一样的。所以我们要做的是把专家的思维方式沉淀下来，变成 Agent 资产。

市面上有像 Coze、Dify 这种画布式（Canvas）拖拉拽的产品，我认为它们天然排除了真正有业务 Know-how 的专家，因为业务专家往往不是技术背景，用不起来。

所以在**规划**这一步，我们摒弃了画布，回归自然语言。我们的产品 Leapility 强调让用户用自然语言把思维链沉淀下来，而不是拖拉拽。

在**执行**这一步，底层模型能力很重要。我们评测了国内外很多模型，非常遗憾，国内现在很难有一款模型能支撑 Agent 系统科学地调用工具（Tool use ），往往会 Over-react（过度反应）。海外模型，如GPT，Gemini , Claude等已经能很好地支撑了。

此外是工具的丰富性。如果专家规划了流程要调5个工具，其中2个不可用，结果就无法执行。所以我们认为 Agent 是柔性系统，但也需要“刚性系统”（即第三方工具集成）来做支撑。这是一个生态的事情。

**薛倩：**我想追问一下白总，有没有专家使用孚知流的实际案例？

**白双：**虽然我们从画布变成了自然语言，但有些专家还是“不知道自己知道”，无法在空白文档上书写。所以我们做了一个“知识萃取 Agent”，模拟人和你对话，研究你的输入输出和思维链，用户只需在80%的基础上调整。

举个案例：大家有信玄学的吗？我们在专家社区里出现了一位做紫微斗数的专家。他把他看紫微命盘的方式变成了工作流（Workflow）。这个 Agent 在我们还没正式上线前就在圈子里传开了，爆发性很好。

这位专家满足了几个点：一是有上手能力；二是能把方法论讲清楚；三是这事儿本身以交付结果为主（算命结果），且准确率高。这完全实现了专家 Agent 替他工作。

未来我们面向的专家画像是：事情本身被市场需要、不是靠灵感而是靠科学方法论、且 Agent 形态能很好交付结果。

**李令：**StudyX 面向海外学生群体。在解题场景下，对于可信度的处理，我们也用了 RAG、知识库，甚至针对不同学科、题型有对应的解题流（Flow）和技术实现。

现在我们开始服务老师，帮助老师把教研内容做得更好。这时我们不仅仅是做工程化，而是结合传统教育场景，让内容经过人（专家）的二次确认或校准。我们非常关注垂直细分场景下，老师教研的具体场域和标准，希望方案能符合他们的理解，这样他们才会觉得可信。

**第三部分：面对大模型进化与巨头的压力**

**薛倩：**大模型进步速度非常快，巨头也在发力。我们如何面对这种双重风险或压力？如何确保差异化？

**周泽安：**压力肯定有，但如果你只是简单复用技术，而不深度思考用户场景，那确实很危险。不管技术如何迭代，永远要回归到：**你解决的是什么人群的什么问题？**

比如文档，以前是工具，现在 AI 可以生成了。如果你只是做一个“AI 版 PPT 生成器”，意义不大，因为大厂也能做。但回到场景：用户写 PPT 是为了路演打动投资人、为了让客户理解。这需要深度的场景挖掘，比如我们的“溯源”功能，这是大模型本身不解决的。

其次，要善于利用技术延伸场景。PPT 的留存率天然很低，因为它是短频快的东西。但我们发现 PPT 后端的场景是演讲。所以我们延伸了场景：

**AI 路演：** 生成演讲稿后，一键发布为路演页面，克隆你的声音自动演讲，甚至 AI 可以代替你回答观众提问，获取线索。

**AI 眼镜结合：** 我们跟雷鸟合作，把演讲稿投射到 AR 眼镜里，带有提词器功能，自动翻页。这才是彻底解决人群痛点。如果没有 AI，我们只能盯着“写”这个过程。所以技术迭代让我们能做更多事情，而不是恐慌。

**逄大嵬：**我非常认同。

第一，回到用户需求，AI 出现后需求场景是不断增长的，做垂类可做的东西非常多。

第二，技术上要深耕。比如我们支持更多数据源（PDF、网页、数据库），把所有非结构化数据变成结构化数据，这件事情本身壁垒很高，不可能有一家大厂把所有事情做完。

第三，拥抱生态。做 AI 应用一定要开放，跟大厂合作，跟三方应用合作。我不相信未来会有一个模型覆盖所有人，生态多样化是自然规律。

**张民松：**这其实是一个认知问题。世纪天鸿做了30年，本质是内容公司。虽然大家觉得做内容又累又重，但这正是壁垒。AI 对我们来说是利好，能提升生产效率。做好自己擅长的事，多拥抱变量。

**白双：**AI 时代最大的竞争力是认知。认知决定了你的生态位。

第一，我看待知识像一座冰山。冰山水面之上是公域知识，被大模型训练了；我们要做的，是冰山水面之下的隐性知识。

第二，关于通用还是垂直。投资人问我做通用 Agent 还是垂直？我说我都不是。我不做“造车厂商”（垂直 Agent），我也不做通用，我要做 Uber（平台）。也就是提供平台，让专家的 Know-how 沉淀，通过专家 Agent 服务终端用户。

我们的商业模式是“Value-as-a-service”（价值即服务）。用户只为有价值的结果付费。

除了产品，我们构建的是生态。围绕我们生态有做培训的、做 IP 的、做投资的。我们希望构建“专家智能体经济”，让供应链各方获益。

最后是品牌。AI 时代产品要做成一种“生活方式”。我们主张：让 AI 代替生产力，让人去做更有创造力的事。我们的品牌名 Leapility 来自 "Leap your ability"，给用户一种身份认同。

**李令：**我们看到，美国有些教育公司因为大模型市值跌了很多，但也有像duolingo这样收入和市值上涨的。

通用大模型关注“效率”或“替代人”，但在学习场景下，我们关注“学习者能否变得更好”。我们会关注学生的成长路径、知识图谱，甚至学生的情绪激励。这些是通用大模型不会持续去做的。这就好比微信解决了大部分问题，但依然需要钉钉和飞书这样的垂直产品。

**薛倩：**非常感谢各位嘉宾的精彩分享。虽然还有问题想交流，但时间到了。谢谢大家！

---

原始发布版本：https://view.inews.qq.com/a/20251204A04RSJ00

本站阅读页：https://ffcap.cn/research/20251204a04rsj00