一个技术创业者决定不再迷信技术
AI 时代，最值钱的不是会做，
而是知道什么值得做
有一类 AI 创业者，特别容易被外界误解。
他们看起来最懂技术，最会写代码，最知道模型能力边界，最容易把产品做出来。于是大家自然会以为，这类人创业最大的优势就是“技术”。
但跟智敦科技创始人李标聊完，我反而觉得，他身上最值得写的地方，不是技术，而是他对技术的克制。
他在旷视科技待了 6 年半，经历过上一波 AI 浪潮，也见过很多 AI 公司从技术理想到项目交付，再到商业回款之间的巨大落差。2024 年离开旷视后，他没有立刻关起门写代码，而是先跑出去见客户。
京津冀、珠三角，不同行业的老板，工厂、办公室、仓库、运营团队、生产环节，他都去看。
这件事听起来不酷。
但对一个技术创业者来说，这可能是最重要的一课：别急着证明自己能做什么，先搞清楚市场到底在为什么痛。
李标有一句话我印象很深：
“AI 能力已经很强，每个人都能用 AI 写代码。问题不在能不能做出来，问题在做出来的东西到底解不解决真问题。”
技术创业者最容易犯的错，是把锤子当成答案
技术出身的人，往往有一种很强的掌控感。
一个复杂系统，只要架构清楚、数据流清楚、模块拆清楚，最后总能做出来。过去十几年，中国互联网和 AI 工程体系训练出了一批非常强的技术人，他们习惯用工程能力解决问题，也习惯相信，只要技术足够好，市场自然会买单。
但创业不是这样。
李标把这种误区称为“拿着锤子找钉子”。
市场上的钉子，可能根本不是你那把锤子能敲的。更现实一点说，客户不关心你用了什么模型，不关心你后面接了多少套 Agent，不关心你架构有多漂亮。
客户只关心一件事：
这个东西能不能帮我把问题解决掉。
智敦科技早期也走过弯路。
他们曾经接触过移动、保险、设计、文创、电商、跨境、教育等多个行业。那时候的逻辑很朴素：什么都试，什么不会就学，先把“好学生”做好。
但后来发现，很多看起来像机会的需求，其实是时间黑洞。
写标书、补材料、做 PoC、做 demo、反复解释产品能力、陪客户走漫长流程，团队被消耗得很厉害。更扎心的是，真正能转化成合同和营收的比例并不高。
这不是一个技术问题。
这是一个创业公司生态位的问题。
大公司有足够多的人去培育市场、陪客户教育内部、做长期关系维护。小公司没有这个余量。小公司最大的优势，应该是决策快、贴身服务、迭代快。如果把时间花在漫长的说服和消耗里，优势就没了。
所以李标后来形成了一个判断标准：
不要只看金额，要看双向匹配效率。
客户是否知道自己要什么？付款意愿是否清晰？决策链是否短？需求是否能沉淀为可复用能力？
如果答案是否定的，哪怕看起来有钱，也要慎重。
这对很多 AI 创业公司都很关键。因为 AI 时代最大的问题不是机会太少，而是机会看起来太多。每个行业都说自己需要 AI，每个老板都说自己想降本增效，每个场景都能包装成 Agent。
但真正值得做的，永远不是“听起来很 AI”的需求，而是那些痛感足够强、付费足够清楚、交付后能复用的需求。
定制化不是原罪，但不能把公司拖成人肉外包
过去一年，很多 AI 公司都卡在一个地方：到底做项目，还是做产品？
做产品太慢，现金流压力大。
做项目能活下来，但很容易把团队拖进交付泥潭。
李标没有简单否定定制化。他认为定制化在两个阶段是必要的。
第一，早期没钱的时候。
公司刚成立，没有稳定收入，做定制化拿现金、养团队、活下来，这很正常。
第二，进入新行业的时候。
做几个同行业项目，比关起门来做调研更快。客户真实想要什么，流程哪里卡，预算怎么走，谁拍板，哪类功能会被反复提，这些东西只有在现场才能学到。
但定制化一旦变成公司主要利润来源，就很危险。
因为它本质是人力密集型生意。项目越多，人越多，管理成本越高，交付风险也越高。上一代 AI 公司里，很多大项目看起来金额很大，但账期长、垫资重、服务器和人力成本高，长期算下来并不划算。
所以智敦科技现在判断一个定制项目要不要做，只看一个核心问题：
它能不能为产品化服务？
如果一个项目能沉淀出可复用能力，能成为下一个客户的样板，能抽象成产品组件，就值得做。
如果只是一次性对人交付，哪怕钱看起来不少，也要谨慎。
这其实是 AI 创业最容易被忽略的分界线。
项目机会，是别人把一个问题抛给你，让你解决一次。
产品机会，是你解决一次之后，发现后面还有一群人有相似问题，并且解决方案可以复用、可以规模化、可以通过系统持续变强。
很多公司不是死在没有机会，而是死在每个机会都想抓。
企业真正需要的，不是一个 AI 工具，而是智能执行层
现在企业买 AI，最容易买到什么？
一个 demo。
一个看起来很炫的聊天框。
一个能在演示时让老板点头，但回到真实工作流里就没人打开的“智能摆设”。
李标说，企业最不应该买的，就是这种玩具。
但他没有停留在“别买玩具”这个浅层结论上。他更关注的是，企业怎么提高买到好东西的概率。
因为企业真正需要的不是 AI 工具，而是一层能嵌进业务流程里的智能执行层。
普通 AI 工具给的是通用能力。聊天、写文案、查资料、总结文件，做到一个差不多的水平。
但真正有价值的 Agent，衡量标准只有一个：
结果是否符合预期，甚至超越预期。
这件事听起来简单，做起来很难。
它要求 Agent 真懂用户诉求，知道上下文和约束条件；它要求数据有效，来源准确，覆盖完整；它要求系统能联动客户已有流程，而不是孤零零站在一边；它要求结果能溯源，交付形态能直接用，交付节奏也在用户预期内。
反过来，一个 Agent 为什么没价值？
也很简单：结果不符合预期。
数据不全，结果不对，时间不对，形态不对，该有的没有。
李标每天自己也在大量使用 Agent。写代码、code review、跑自动化任务。他对 Agent 的要求很朴素：
交付节点上的方差要小。
今天能做的事，明天还得能做。不能今天聪明、明天犯傻；不能今天稳定、明天漂移。稳定、专业、超出预期，这才是企业愿意长期买单的 Agent。
这也是“卖工具”和“卖结果”的分水岭。
工具卖的是能力。
结果卖的是确定性。
AI 落地失败，很多时候不是失败，而是没搞清楚节奏
很多人问企业 AI 落地为什么失败。
李标的回答很有意思：先别急着定义失败。
AI 跟企业流程的契合，不是非黑即白，而是一个渐变光谱。
一个企业有 20 个工作环节。有些 AI 原生企业，可能 20 个环节都用 AI 串起来，甚至外延更多场景。有些务实型企业，先覆盖 3 到 5 个环节，剩下仍然人工审核。还有一些政府、医疗、严肃工业行业，只在个别环节试点。
这都不能简单叫失败。
行业属性不同，风险承受能力不同，数据安全要求不同，决策链不同，AI 覆盖节奏当然不同。
营销、广告、电商行业对新技术更敏感，试错成本相对低，所以 AI 可以跑得很快。
医疗、政府、严肃工业、施工领域，天然要谨慎。因为很多场景里，AI 的一个概率性错误，可能会带来很大后果。
李标举了一个装修设计的例子。
用 AI 辅助设计师快速生成效果图，这个方向很适合。因为扩散模型在建筑、人像、空间效果表达上已经比较成熟，可以快速提升沟通效率。
但如果客户进一步要求直接对接 CAD、平面图、3D 建模、整套渲染，甚至让设计院、项目经理按图施工，问题就完全不一样了。
施工尺寸不能错，工业软件不能靠概率凑。技术可以做一部分，但成熟度和场景要求还不匹配。
所以他有一个很实用的判断公式：
技术成熟度 vs 场景要求。
技术 80 分，场景要求 50 分，这是 AI 最容易形成碾压优势的地方。比如写文案、做电商图、生成素材、跨境视频、报告初稿、知识分析。
技术 80 分，场景要求 98 分，就很危险。医疗、自动驾驶、严肃工业、施工领域都属于这一类。
创业者要做的，不是证明 AI 什么都能做。
而是找到那些技术已经足够成熟、场景价值足够高、风险又可控的地方，先打透。
小团队为什么反而可能更强？
过去判断一家公司强不强，很容易看规模。
多少员工，多少研发，多少销售，多少融资，多少办公室。
但 AI 时代，这个判断正在失效。
李标说，规模不再等于公司能力。规模只能说明这家公司需要这么多人。
更重要的是，那些对技术、能力、用户场景“有感觉”的人。
因为大量执行性工作正在被 AI 接管。写代码、做资料整理、跑数据、生成文案、剪视频、做调研，越来越多任务可以由 Agent 完成。
这时候，人的价值会往前移。
你能不能定义问题？
你能不能判断什么是好？
你能不能区分三星级、五星级、十星级的差异？
你能不能听懂客户没有说出来的话？
你能不能知道一个行业真正的决策链、预算节奏、信任关系、风险边界？
AI 让“做”变容易了，但让“判断”更值钱了。
李标分享了一个生活里的例子。
今年年初，他和家人在东南亚三个国家出差旅居了快一个月。从 10 平米的小酒店，到 100 多平米的五星级酒店，都去住、去感受。并不是因为真的需要那么大空间，而是为了亲身理解不同级别服务、招待、餐饮、设施之间的差异。
一个 100 块的产品和一个 1000 块的产品，差别不是靠想象能想出来的。
要现场体验过，才知道“好”到底好在哪里。
这就是品味。
而在 AI 时代，品味会变成生产力的一部分。
因为 AI 可以执行，但它需要有人定义标准。什么叫快，什么叫稳，什么叫美，什么叫专业，什么叫超出预期，什么叫用户真的愿意付钱。
能定义这些标准的人，会越来越贵。
出海的核心不是海外更香，而是验证效率更高
智敦科技从 2026 年开始加速海外 SaaS 场景，第一个产品是 PainHunt。
这个产品的定位很有意思：不是直接做一个应用，而是先做“AI 产品工厂”的第一环。
它每天从海外 22 个主流社媒平台、80 多个数据源里，抓取真实的购买信号、抱怨、吐槽和未被满足的需求。然后通过强模型和工程能力，把这些原始信号提纯、归类、分析，变成结构化的高价值判断。
比如，哪个赛道还有蓝海？哪个用户群在哪里愿意付多少钱？哪些需求已经强到可以变成一个新产品？
这套能力一方面驱动智敦自己的产品孵化，另一方面也开放给需要做上游决策的人。
为什么关注海外？
李标的回答不是“海外更高级”，也不是“海外一定比国内好”。
他说，核心是这个阶段海外的验证效率更高。
支付基础设施成熟，付费意愿更清晰，产品上线到拿到第一个真实用户的路径更短，客单价也相对更高。对创业公司来说，最珍贵的是反馈速度。
同样一笔钱，在一个市场一年周转 10 次，和在另一个市场一年周转 2 次，复利完全不同。
同样一个产品，在一个市场一个月能迭代 3 到 4 次，和在另一个市场一个月只能迭代 1 次，最后也会拉开巨大差距。
但他也很清楚，中国 AI 公司出海最容易高估自己的产品生产能力，最容易低估营销获客和品牌建立的难度。
中国团队做产品、做工程、做复杂交付，有优势。
但出海真正难的，是把产品送到用户手里。
用户在哪个渠道？信任怎么建立？支付习惯是什么？营销文案怎么写？当地文化怎么理解？怎么持续拿反馈？怎么把增长做起来？
这些事情，不是把网站翻译成英文就完成了。
从旷视到智敦，一个技术人的创业底色
这次访谈里，最打动我的部分，其实不是商业判断，而是李标讲自己为什么离开旷视。
2017 年加入，2024 年离开。
6 年半，是他职业生涯里待过最久的一家公司。他对旷视有感恩，也承认那里的人才密度、技术积累、工程能力都很强。
但到了 2023 到 2024 年，他开始意识到一个问题：
很多工作逐渐进入舒适圈。
不是做不好，而是太能做了。
当一件事从“我能突破”变成“我能完成”，对他来说，这就是一个信号。
疫情几年，他看到很多人精神状态、生活状态都不太好，也开始反复问自己：能不能用技术和专业能力，帮到更多人，让他们越来越好、越来越幸福？
所以在 ChatGPT 出来之前，他就构思过一个“幸福教练”产品。基于 NLP 和对话机器人，结合积极心理学、东西方哲学里关于情绪、幸福、快乐的理解，给用户一个对话入口。
ChatGPT 出来后，他第一时间拿到 OpenAI API，拉了小分队做出一个小程序，就叫“幸福教练”，很快有用户付费。
后来没有继续做大，是因为他意识到自己在 C 端经验不够，而 B 端场景更接近自己的舒适带。
这也解释了“智敦”这个名字。
智，是人的智慧和 AI 的智慧。
敦，是敦厚、敦实，扎扎实实为客户做事，不投机取巧。
李标说，不管是公司 logo，还是他做事的底层动机，里面始终有一个词：爱。
这句话如果放在一篇商业报道里，可能会显得有点“不商业”。
但放在一个从上一波 AI 工程体系走出来、又亲自下场创业的人身上，反而变得具体。
因为真正长期的创业，最后一定不只是赚钱。
赚钱是商业结果，但支撑你熬过混乱、焦虑、反复试错、不断被现实教育的，通常是更深的东西。
他的一天，已经像一家小型 AI 公司
李标说，AI 已经渗透到他生活和工作的方方面面。
写代码，他永远用当下最强的模型。不是性价比最高，而是最强。他认为前沿代码模型上不能省钱。
个人记录和日记，他有自己的私有模型和“第二大脑”。灵感、语音、图片、视频、复盘、待办、自媒体选题，都会被结构化记录在本地。AI 不只是记录，还会帮他总结、提炼、同步到滴答清单。
研究、市场调研、阅读、学习，AI 帮他做资料整理、润色、分析数据。他每天读书时间很长，眼睛不够用时，就用耳朵，把听和看同时调动起来。
海外社媒运营，他用 PainHunt 抓取数据，再用 Agent 判断哪些信号值得发，生成候选推文，然后接入 Twitter 流量、粉丝和访问数据，继续分析下一步策略。
视频内容更夸张。
他的视频号最近的视频，一条命令行就能自动完成标题、封面、CTA、音乐、字幕。他甚至不需要打开剪映。
这不是一个人在用 AI 工具。
这更像一个人带着一组 Agent 在工作。
他团队内部甚至有一个 Agent 叫“老一”，是 Agent 们的老大哥，也被他称为“全能战神”。接的是他认为目前体验最强的一类模型。服务器、代码、文档、知识库、关键操作，很多都托管给这些 Agent。
但他并不追求 Agent 越多越好。
因为 Agent 也需要管理。上下文空间就是它的工作记忆。如果一个 Agent 又写代码、又记录素材、又做调研、又分析运营数据，上下文会被污染，效果会下降。
所以他们的分工是：
老一负责高层判断、战略架构、复杂问题。
代码 Agent 专心写代码、code review、部署。
记录 Agent 维护第二大脑。
运营 Agent 跑社媒数据、生成推文、分析流量。
少而精，每个 Agent 都用强模型，每个都有清晰边界，每个都有约定好的工作习惯。
这其实就是未来很多公司的雏形。
公司不一定先扩人。
而是先扩智能执行层。
未来三年，跑出来的 Agent 公司会是什么样？
李标对未来三年的判断很清楚。
AI Agent 将无处不在，有效整合上一波互联网浪潮的软件生态。人们会越来越轻松地完成更多事情，得到更好的结果。
但真正吃到红利的，不是所有人。
而是两类人：
一类是善于用好 AI 能力的人。
另一类是知道“好”的标准是什么的人。
未来真正跑出来的 Agent 公司，也会有几个共同特征。
第一，跟客户深度扎在一起。
不是单次成交，而是一起成长。产品今天能满足客户需求，未来也能不断匹配客户变化。
第二，跟技术成长曲线同步。
不能做那种过两天就被基础模型直接吞掉的应用。基础模型变强，不应该让你害怕，而应该让你兴奋。因为技术变强，你的产品也能变强。
第三，交付不能随客户增长线性加人。
合规、成本控制、自服务能力、客户成功，都要用科技和 AI 的方式扩展。否则你只是把旧时代的人力交付换了个 AI 包装。
第四，既能用好当下技术，又能为未来能力提前设计。
“吃着碗里的，看着锅里的，想着田里的。”
这句话很适合 AI 创业。
今天的客户要交付，明天的产品要迭代，后天的技术变化也要提前预留位置。
这个时代很好，但别浪费它
这次访谈最有价值的地方，不在于它给出了一个标准答案。
恰恰相反，它把 AI 创业里最容易被忽略的那些真实问题摊开了：
技术创业者为什么容易自嗨？
定制化项目什么时候是现金流，什么时候是陷阱？
企业买 AI 到底应该买什么？
Agent 的价值怎么判断？
小团队怎么建立优势？
出海到底难在哪里？
创始人怎么用 AI 重构自己的一天？
这些问题没有一句漂亮口号能解决。它们都需要在真实客户、真实产品、真实交付、真实现金流里反复校准。
李标最后给同类技术创业者的建议很朴素：
算好底线账，然后专注做你最擅长的事情。
能容忍多久没收入，家庭基本开支会不会受影响，有多少时间和资源能投入，从哪里切入，这些要先算清楚。
别卖房创业，别用家人的生活质量去赌一个不确定的故事。
也别以为一定要融很多钱才能开始。很多时候，自筹资金反而让 0 到 1 阶段更自由、更快、更少摩擦。
这不是鸡汤。
这是一个技术人从大厂出来，真正下场做公司之后，给出的现实建议。
AI 时代确实给了小团队前所未有的杠杆。
但杠杆不是免费的。
它要求你更快判断，更准选择，更狠取舍，更会用工具，也更知道什么值得做。
李标说：“这个时代非常美好，不要浪费它。”
这句话听起来轻，但落到创业者身上，其实很重。
因为时代给了你杠杆，也会更快淘汰你。
真正决定你能不能留下来的，不是你会不会用 AI，而是你能不能用 AI 做出客户真正愿意付钱、愿意复购、愿意推荐的结果。
一、技术创业者为什么容易走弯路？
Q1. 用一句"人话"解释你们在做什么？
我们从创办第一天开始，就坚定相信 AI 未来会给人们带来更多美好。
近期聚焦的工作，一句话讲：帮 AI 时代的人，看清楚这个世界真实在抱怨什么、在需要什么、在愿意为什么付钱。
具体两条线：
国内， 我们用 AI Agent 的能力帮企业客户提升办公、研究、知识挖掘的效率。覆盖学校、科研、企业知识库、办公文档、数据分析等场景，把客户内部分散的海量数据打通，交付多个真正能用起来的智能系统。
海外， 从 2026 年开始我们加速做 SaaS 场景。第一个产品是 PainHunt（painhunt.dev），它是我们构建"AI 产品工厂"的第一环。这个工厂分三层：
第一层（信号获取）：每天从海外 22 个主流社媒平台、80 多个数据源，抓取真实的购买信号、抱怨、吐槽、未被满足的需求；
第二层（信号识别）：借助强 AI 模型 + 我们大数据时代积累的工程能力，对原始信号做提纯、归类、策略分析，得到结构化的高价值信号——比如"哪个赛道还是蓝海"、"哪个用户群在哪里愿意付多少钱"；
第三层（决策辅助）：基于这些信号，我们一方面用它驱动我们自己的下一个产品，另一方面把这套能力开放给需要做"上游决策"的用户。
底层信念， 是我们对人和 AI 协作的判断。我们相信这件事会经历三个阶段：
第一阶段：人做大部分工作，AI 在旁边看；
第二阶段：人和 AI 结对，部分工作 AI 做；
第三阶段：大部分工作 AI 完成，人只负责定义系统、设计带反馈循环的系统。
我们坚信第三阶段不会太远。我们的使命，是通过我们的用心创造，让更多的人越来越幸福——不只是赚钱省钱，而是让每个人能有更多时间，去做真正有价值的事。
Q2. 技术创业者最容易犯的第一个错误是什么？
过度相信技术。
技术出身的人在自己领域里有强烈的"掌控感"，但这种掌控感很容易变成"拿着锤子找钉子"——市场上的钉子可能根本不是你那把锤子能敲的。
我自己创办智敦科技之后，最早的几个月一行代码都没写。
我做的事情是访谈，从需求出发、从问题出发。京津冀和珠三角加起来，几十个不同行业的老板我都聊过。在广东朋友的工厂里待过几天，从办公室运营团队的工作流，到仓库生产环节怎么走，我都看过。我观察的是：他们的真实痛苦在哪里，他们已经在花钱买什么，什么是市场哭着喊着求你帮他解决的问题。
这个东西，比技术重要得多。
AI 能力在 2026 年已经非常强，每个人都能用 AI 写代码。问题不在能不能做出来，问题在做出来的东西到底解不解决真问题。
技术创业者最该警惕的另一件事，是生产环节熟，但分发营销弱。研发流程大家都熟，但你把东西做出来后，怎么让用户知道你？怎么让他们愿意试？这个环节对技术背景的人是真挑战。
Q3. 你自己踩过的最大一个坑是什么？
最大的坑，是早期把"什么都接"当成"做好学生"。
我们早期聊了几十个潜在客户，覆盖移动、保险、设计、文创、电商、跨境、教育等多个行业。当时的逻辑很朴素：什么不会就学什么，先把好学生做好。
后来发现一个非常残酷的事实——很多需求虽然看起来是机会，但周期特别长、招投标流程繁琐。光是写标书、补材料、做 PoC、做产品 demo 给潜在客户证明能力，就消耗了团队大量时间。
最痛的是回头看：这些动作里，真正能转化成营收和合同的，比例非常低。大量动作其实是无效的。
但这些时间也不能完全说浪费——它们是必须交的学费。否则你不会知道：
什么类型的行业值得长期做
什么类型的客户值得合作
什么样的人合作起来痛快、什么样的人合作起来痛苦
这一段经历后，我对客户和需求的判断方式发生了根本性变化——不是看金额，而是看双向匹配的效率。这个变化我会在 Q5 里展开。
Q4. 定制化项目什么时候是必要的？什么时候是陷阱？
定制化要分阶段看。
必要的时候， 有两种：
早期没钱——刚成立的公司没有别的好选择，做定制化能拿到现金、能活下来，无可厚非；
进入新行业的时候——做几个同行业项目，比任何调研都更快让你感受到行业客户真实在要什么。这是一个学习过程，撸起袖子干比关起门来分析有效得多。早期很多互联网公司都这样起步，比如小鹅通早期跟吴晓波合作之前也做过很多场景，最后才在知识付费这个点上跑通。
变成陷阱的时候， 通常是这两个信号：
公司只想靠定制项目交付获取利润：这条路天花板低，因为定制本质是人力密集型——10 个项目铺三四十个人，更多项目铺更多人，管理成本和项目风险会指数级上升；
账期长 + 垫资大：我之前在旷视服务过多年，能很清楚看到上一代 AI 企业里的这种问题——项目大、垫资重，长期算账其实是赔钱的。搭进去的时间、人力、资金、服务器，对于想做大的公司来说不划算。
我现在的判断标准是：定制化要不要做，看它能不能为产品化服务。如果一个定制项目能让我们提炼出可复用的能力、能成为下一个客户的样板、能沉淀成可标准化的产品组件——可以做。如果只是一次性堆人交付，再多钱也要慎重。
项目机会，是别人把一个问题抛给你，让你解决一次。产品机会，是你解决一次之后，发现后面还有一群人有相似问题，并且解决方案可以复用、可以规模化、可以通过系统持续变强。
Q5. 判断一个客户需求值不值得做，看哪几个指标？
我会从两个维度看——项目层 和 需求层。
项目层（决定要不要接）：
最重要的不是付费金额，是双向效率。我会优先选三类客户：
付费意愿清晰、知道自己要什么的客户——这类客户决策快、需求明确，我们不需要消耗大量时间去培育和教育市场；
付款习惯快的客户——客户积极付钱，我们就积极服务好。先把已经签单的客户服务到位，远处的客户自然会被吸引过来；
决策链短的客户——交易摩擦小。
反过来，几个高摩擦信号 我们会本能 say no：
大量时间花在反复说服、招标、写标书、做 PoC 上
决策链长，需要无数次澄清和谈判才能定下来
关系驱动型决策（比如必须靠喝酒吃饭才能推进）
为什么本能 say no？ 不是嫌这些事麻烦，而是小公司的生态位不允许。我们没有大企业那么大的营销和培训预算去培育市场。但作为创业团队我们有自己的优势——决策链短、贴身服务、迭代快，像朝气蓬勃的青年。把这个优势发挥到极致比什么都重要。
需求层（决定怎么做）：
如果项目已经定下来，需求基本都已谈好。如果中途遇到不合适或有更好方案的能力，我们会跟客户商量放进二期、三期。
本质上看四个匹配：实现范围 / 费用价值 / 周期成本 / 用户预期。能匹配就做，做的核心永远是满足用户诉求。
二、企业真正需要的不是 AI 工具，而是智能执行层
Q6. 真正有价值的 Agent 和普通 AI 工具，最大的区别是什么？
有价值的 Agent，是真正能满足用户在特定场景下的结果预期，甚至超越他的预期。
普通 AI 工具——你手机里、电脑上一大堆——给你的是通用能力，聊天、查资料，做到一个"差不多"水平的及格线。在某些任务上甚至连及格线都达不到。
有价值的 Agent 不一样。它的核心衡量标准只有一个：结果是否符合预期，甚至超越预期。
要做到这一点，反推回来你必须能做好这几件事：
真懂用户诉求——以及他要解决这个问题的约束条件、上下文、真实意图；
数据有效——数据全不全、来源准不准；
系统联动——Agent 是不是能调用客户已有的系统；
数据溯源——结果能不能追溯到来源；
结果呈现——交付形态是不是用户能直接用的；
交付节奏——周期是不是在用户预期内。
反过来，一个 Agent 没价值，永远是一句话：结果不符合预期。 拆开看，原因无非这几个——数据不全、结果不对、时间不对、形态不对、该有的没有。
我自己每天都在用 Agent 写代码、做 code review、跑大量自动化任务。我对它们的要求只有一个：在交付节点上方差极小。今天能做的事情明天还能做，不会突然变弱、变慢、变蠢。稳定、专业、超出预期——这就是好 Agent 的核心。
Q7. Agent 怎么帮企业赚钱？怎么帮企业省钱？
赚钱和省钱有时候是一个数学题的两面——帮你省钱本身就是在帮你赚钱。
赚钱场景（PainHunt 例子）：
我们的系统里捕获了大量社媒上的用户购买意愿和未满足诉求。我们给做外贸出海的朋友们跑过报告——结合 PainHunt 抓的数据 + 各类信息源，告诉他们：
哪些地方用户的诉求没被满足
哪些地方用户愿意花多少钱
后面的营销策略怎么做
有效的商机被对接到有效的供给手里——这就变成订单。 我们本质上帮他们提升了订单量，这就是在赚钱。
省钱场景（国内 AI Agent 例子）：
我们的国内客户经常要花大量时间撰写报告、做学术研究、做知识挖掘。原来要查阅大量报告、分析复杂关系。
我们交付的系统让用户把大量数据和文档喂进去，AI 自动分析其中的人物关系、地点关系、事件关系，通过知识图谱让用户从全局快速洞悉整件事。
原来一份报告要花几天，现在几十分钟就能出初稿，质量还不差。这就是在省时间——时间就是成本。
我们的使命是让人们越来越幸福。"赚钱省钱"是它在商业层面的表达。但人生不只是赚钱花钱——我们希望帮用户把时间从重复劳动里解放出来，去做更有价值的事。
Q8. 企业买 AI，最不应该买的是什么？
最不应该买的，是一个"玩具"——一个炫酷的 demo、一个没接入业务流程的智能摆设。
但我想跳出"该不该买"去聊一个更深层的问题——我们每个人在市场里既是消费者也是生产者。
从消费者角度，我们都希望买到的东西能满足自己的预期，甚至超越预期。一个手机不只是能打电话，里面有特别贴心的小巧能力，会让你觉得物超所值。AI 也是一样——你买的东西要能真正解决你的问题。
从生产者角度，我们当然希望用户买得越多越好。但我们也希望用户买回去之后真的发挥价值，而不是放在那不动——因为不发挥价值就没有复购、没有下一次交易。
综合两个视角看：关键不在"别买玩具"这个 don't，关键在"提升买到好东西的概率"这个 do。
我自己每个月都在买大量 AI 工具的套餐——国内的、国外的，各种模型。你很难说每个套餐都用得满。有的额度用不完。这是浪费吗？
我会说：适度的"浪费"其实是验证、是试错。就像营销有句老段子："广告预算总有 30%-50% 浪费 你说不清是哪部分在起作用，但你不能因为说不清就不投。" 做事情都是这样——你不多尝试，怎么知道哪个对你有用。
很多关键系统的灾备、供应商备份、方案备选——本质上都是花钱买安全、买信息、买速度。这些"打引号的浪费"，是值得的。
整个市场需要这种快速验证、快速迭代的氛围，才能繁荣起来。反复纠结一个细节、买卖双方都很累——这种状态对生态没好处。
Q9. 企业 AI 落地失败最常见的原因是什么？
我们要定义这个语境下——什么叫"失败"？
在我看来这不是非黑即白的事。AI 跟企业流程的契合，是一个渐变光谱。
假设一个企业有 20 个工作环节：
激进派（"前排好学生"）——20 个环节全部用 AI 串起来，甚至外延更多场景。OpenAI、Anthropic 这类 AI 原生企业、新型小团队接近这种状态。但你看他们的播客和访谈，会发现连他们自己也不是 100% 全 AI 化——还在演化中；
务实派——20 个环节里覆盖 3-5 个，剩下还有人工审核。你说他失败吗？他其实是按照他能承受的速度在演化；
保守派——主要在试点几个环节。这通常是机关、政府、医疗这类对数据安全、风险敏感、决策严谨的行业。
这不是失败，这是行业本身的适配度差异。
营销、广告、电商这些行业天然对新技术敏感——用户愿意试、敢承受风险，AI 可以快速覆盖。
医疗、政府、严肃工业行业——天然要谨慎，先在某个环节试一试就是好开始。
我对这件事的整体判断是乐观的：
DeepSeek R1 刚出来的时候，大年初二我就接到一堆客户电话问"能不能给我们部署一套"。这说明市场愿意试。
几年前你说自己用了"信息化系统"还觉得时髦，现在已经见怪不怪。AI 也会走这条路。
国内行业急需 AI 提升效率——只是"毛细血管"还没完全覆盖。有志之士都可以参与到这波浪潮里来去解决问题、获得价值。这是一个非常好的时代问题。
Q10. 哪些场景看起来很适合做 Agent，但你反而会劝客户先别做？
核心判断：当一个场景的"难度要求"超过当前技术能力的"成熟度"时，先别做。
我举我们自己的一个真实经历：
我们之前做过一个偏室内装修设计的方向。容易做的部分：辅助设计师快速生成效果图，让客户更快看到房子最终样子。这个见效非常快，因为扩散模型（diffusion model）在建筑、人像领域已经迭代多年，非常成熟。
客户后来提了一个更大的诉求：希望我们直接对接 CAD、平面图、3D 建模、整套渲染——一条龙包办。我们花了不少时间研究 CAD 集成、给 CAD 写插件、理解 3D 建模能力。
但最后判断这是个吃力不讨好的事。 因为：
设计院在很多环节要拿你的图严格验收；
项目经理勘察时严格按你图上的尺寸单位施工；
工业软件领域里一旦概率性模型有误差，会导致灾难性后果——施工过程整个出问题。
这不是技术不能做，是技术成熟度跟场景要求不匹配。
我用一个公式来判断："技术成熟度 vs 场景要求"——
技术 80 分 + 场景要求 50 分 = 碾压式优势，这是 AI 能跑得最快的地方（写文案、做电商图、生成内容、做素材、跨境视频）；
技术 80 分 + 场景要求 98 分 = 灾难（医疗、自动驾驶、严肃工业、施工领域）。
我作为创业者永远在算这个匹配度——用形成绝对优势的成熟技术，去覆盖对成熟度要求不那么苛刻的场景。
所以我们对客户会说：那些技术边界还没到、投入大、效果差的场景，先放一放。我们一起去找那些高价值、高密度、高人力成本的环节，先把那打透，让用户先看到效益。技术每天都在快步向前。代码模型能力的爆发让原来很多解决不了的问题，现在都可以了。这是个动态过程。
Q11. 一个能在企业真实运转的 Agent，必须具备哪些基础能力？
还是回到那个核心：满足甚至超越用户的结果预期。倒推回来需要这些基础能力：
意图理解——模型要足够强，能理解用户意图。但这不等于一定要用最强、最贵的模型；
数据绑定——Agent 必须跟用户量身定制的、自己积累的经验、信息、数据有机绑定。否则就是空壳——这是企业 Agent 的灵魂；
成本和预期的平衡——这点最容易被忽略。早期我们跑过 DeepSeek 671B 满血版，当时用户要让 AI 跑起来，光买硬件（H100/H800）就需要 3-5 百万。哪个团队上来就愿意花几百万去试一个还没验证的场景？所以我们当时反而在几十 B 的模型下交付的场景多——硬件投入十几万到几十万，加上软件，整体可控；
工具使用、调用、分析、结果呈现——这些市面上 Agent 该有的基础能力都要齐备。
ROI 才是终极指标——不是用最强的模型就好。 模型选择、硬件配置、软件层、数据接入——每一步都要算账。
Q12. 智敦科技想沉淀的核心能力是什么？
四块：
第一，对行业和技术演化的理解。
我 2017 年加入旷视，2024 年离开，在 AI 1.0 时代里扎进一个行业 6 年半。在那之前我已经在互联网行业干了多年。从基础模型到客户手上的价值——这条 0 到 1 的链路我们做过大量工作，工程化能力沉淀很深。
第二，对客户场景的判断力。
我自己做智敦以来，光访谈调研就聊了至少五六十个不同规模的公司老板——从几百万、几千万到几亿规模的公司，他们各自面临的问题是什么。这种对客户场景的"嗅觉"，是花了很多时间才长出来的。
第三，开箱即用的工程套件。
我们已经积累了一大堆工程优化能力——RAG 知识库、查询算法、性能优化、大数据量场景的落地能力等等。这些套件让我们能在相对快的时间里满足用户诉求，不是从 0 开始。
第四，最关键——AI 化的生产能力。
这是我特别想强调的。
我们内部大部分代码编写、code review、部署都已经 AI 化——大量 Agent 在我们工作流里写代码、改代码。我们对这些工具的边界使用、整合，处于行业前沿。
未来我们会按照"AI 产品工厂"的模式去走：把研究发现的、交付过的场景、PainHunt 抓取分析到的市场信号，持续变成一个个产品交付到市场。
这一切的底层是——我闭上眼睛能看清楚一个产品的核心架构应该长什么样。就像一个建筑架构师闭上眼睛能看到房子里那些用户看不到的钢筋水泥结构。这是十多年带工程团队、做架构师、写代码沉淀下来的，是我最稀缺的资产。
PainHunt.dev 会成为这个工厂的第一环——既是产品，也是底层数据基础。让越来越多人能享受到技术的快乐和美好——这是我们的方向。
三、从做项目到做产品：AI 创业公司怎么不被交付拖死？
Q13. 你怎么区分"项目机会"和"产品机会"？哪些客户需求短期能赚钱但你们会选择不接？
有，而且我们已经拒掉了不少。
去年我在深圳待了大半年，深圳让我特别欣赏的一点是——节奏快、不磨叽。坐下来喝杯茶聊一聊，能做不能做立刻有结果。这种环境逼你练出快速判断的能力。
我的判断标准简单直接：
会主动 say no 的几类需求：
算账其实是赔钱的——表面有现金，但搭进去的时间、人力、风险算下来是负的；
客户自己没想清楚要什么——需要我们花大量时间去说服、教育，做产品论证；
场景不匹配——超出我们的能力优势区域。
如果客户提的事我们做不到或不擅长，我们会主动给他备选方案，或者推荐圈子里口碑好的同行。不接订单，但保留关系——这是长期主义。
会优先合作的几类客户：
客户预算到位，主动性、积极性高；
自己想变得更好，不需要我们说服他做什么；
节奏匹配——他想快、我们也想快。
短期能赚钱不等于值得做。我们不希望花太多时间在"说服别人"——这种事情很消耗。我们更愿意把精力花在"已经有共识"的客户身上。
Q14. AI 创业公司最难的平衡是什么？
两件事：方向 和 精力分配。
方向， 是在大量未被满足的细分场景中选哪几个深耕，还是服务特定行业的客户。这是一个角色定位问题——选错方向，后面再努力效果都打折。
精力分配， 是更微观但同样关键的平衡：
在用户现场扎根多深，在自己产品打磨上多深？
营销和市场的精力，跟产品研发的精力比例是多少？
国内重点放多少，海外重点放多少？
这没有"放之四海而皆准"的答案。每个阶段都要重新评估、重新校准。
从产品能力上讲——现在大部分场景已经没有太大的纯技术问题了。原因是技术和用户场景的匹配，我们其实已经在 Q10 里讲得很清楚——技术能力与场景成熟度的匹配，是动态判断。
真正难的是节奏。 是创始人有没有持续校准方向、持续重新分配精力的能力。
Q15. 智敦科技最希望把哪些能力标准化？
以前张一鸣讲"一家公司就是一个产品"——我会认为现在一家公司就是一个 Agent。
我们希望这个"Agent"的各个环节都能高度智能化。从两个层面看：
第一层：内部生产层
我们之前做过很多大型系统——大数据、云计算、电商、AI 都涉及。从市场需求到客户手里，每个环节我们都有清晰的感觉：
市场需求 → 方向选定
研究 → 产品设计 → 研发 → 测试
运维 → 发布 → 灾备 → 容量增长
市场 → 客户成功
我们希望每个环节都能标准化、可量化——每个环节配一大堆 Agent 去满足需求。
举一个具体例子：你写代码用 Claude Code 时，可以把它当成一家公司的入口——拆任务、起多个子 Agent 去做事。现实生活中的公司其实也可以这样架构：飞书、钉钉、企业微信、Confluence、Wiki、Jira 都是知识管理工具，公司大量信息已经架在上面。
人需要做的事情变了：
不是去执行每一个环节
而是定义整套系统、定义每个环节的标准、定义正反馈和负反馈链路——然后把这一切交给 AI 去放大、去执行
这有一个前提：当你把每个环节的标准输入输出定义好之后——就像写代码定义好函数——它是一个稳定结构，只要不突然把背后的推理模型换成更弱的，它能在长期里非常稳。
定义好之后，可以横向扩展——通过算力、服务器扩大倍数效应，把交付速度做到极致。
这一切的关键是什么？ 是有人能定义"什么是好"——三星级酒店是什么样、五星级酒店是什么样、十星级酒店是什么样。有人定义标准，AI 执行——这是新的分工。
第二层：客户交付层
回到目标——满足用户预期。原来的软件研发是层层传递的瀑布流。我现在的判断是这件事会变得快很多。
甚至前面我们讨论过的"定制化困境"——有了 AI Agent 后定制化反而可以成批量、成规模交付。原来定制化堆 100 个人，现在堆 100 个 AI Agent。但你必须懂这个领域，能预留好接口、抽象出能力——用上软件工程的封装、抽象、多态、企业架构模式——它就可以友好地批量定制化。
每个环节的评分、验证、校正——这就是我们说的“AI 产品工厂”的本质——怎么构建一个能自我 check 又稳定输出的系统。
用户最后感受到什么？"提给你们的需求做得越来越快了，反馈节奏越来越快了。" 还在用老模式的公司，会被快、稳、好的公司抢占市场——毫无疑问。
这就是我们要积累的能力——从内部生产到外部交付，把所有环节系统化整合到工作流和客户交付里，让用户和团队都能享受到生产力红利。
Q16. "卖工具" 和 "卖结果" 的区别？
我们核心还是会跑软件这条赛道。
软件是我们最擅长的事情——能成规模、成批量地服务更多用户。这种事情就像"福报"——你做的事能赋能更多人、能帮到更多人，就是美好的事情。回到现实商业，它就是更大的营收。两件事相辅相成。
服务模式 我们会做，但通常会做"重 AI 协助"的服务。我们希望大部分服务自动化——大量 bot 已经在帮我们承载日常工作。
结果模式 我们也认可。我们用 PainHunt 给特定用户跑垂直报告，跟一批用户聊下来一下子收到 8-9 个不同方向的需求。我们不可能全做。可能未来某些时刻，我们把数据 + 洞察 + 算法策略变成在线服务——用户直接拿结果付费。
像我们之前在广州的电商产业园，有老板提议过"我帮你提销量，你跟我做分成"——按结果付费。这种模式也未尝不可。
但当下精力还是聚焦在软件上——把最擅长的事情先做扎实、做透彻、做到最好。
Q17. "我为什么不用大厂模型，非要用你们？"——你怎么回答？
我们交付的东西就不是大厂交付的。
第一，大厂自己能做得很好的东西，我们不会去做。这是基本生态位判断。
第二，大厂的模型只是我们交付链条中的一环。这个问题可以反过来问——"为什么不直接买英伟达硬件，自己训练模型？" 显然答案是：生态分工。一个市场里大家分工不同，大厂偏向基础设施，我们偏向场景整合。
我们擅长的是：把用户的诉求、跟漫天飞的 AI 工具和生产力能力联合起来，给到用户拎包入住的体验。
打个比方——用户不会自己买砖头、水泥、刷墙——你会找装修公司。你也可以直接买已经建好的房子。大家分工不一样，市场才能繁荣。
第三，当我们跟客户聊需求时，我们用的是过去所有的经验、知识、踩过的坑、交过的学费——这是给客户省时间的最大价值。客户不需要纠结底层细节，只需要关注他想要的结果。本质上还是分工问题。 大厂、创业公司、客户——每个角色都有自己的位置，匹配好了大家都能各取所需。
四、小团队、AI 工具和海外市场：为什么"人少"反而可能是优势？
Q18. 你对"小团队创业"有什么新的理解？
规模确实不再等于公司能力。规模只能证明这家公司需要这么多人。
更重要的是什么？是那些对技术、能力、用户场景"有感觉"的人。这种人的价值会越来越大。
我把它理解成一个矩阵——左边是你的能力边界，右边是市场诉求的边界。能在任意一边扎得深、有洞察、有自己"品味"的人，会变得稀缺。
为什么？ 因为大量执行性工作已经被 AI 解放了——
举例：写代码这件事，你只要能想清楚：
数据从哪来、流向哪
结果的标准是什么
怎么评判好不好、美不美、快不快、稳不稳
只要你能定义出来，事情就解决一半，甚至一半还多——剩下交给最强的 AI 就行。
市场端也是一样。客户提的问题里有大量"没说出来的"——
你能不能听懂他真正要的是什么？
这个问题在他的领域（电商、保险、医疗、跨境）里背后还有什么深层维度？
行业现在能做到什么、我们能做到什么？
用户的节奏、预期、预算、信任关系、决策链条——你有没有把握？
单方面深、或者多面手能定义清楚的人，最值钱——他能区分"三星级标准 vs 五星级标准 vs 十星级标准"。
这种人通常长什么样？ 大厂出来的、见过复杂系统、搭建过大体量系统、在坑里摸打滚爬过的人——这些经验现在反而更值钱。AI 让"做"变容易了，"判断"才是壁垒。
我想分享一个跟工作没直接关系的事——我会鼓励团队（包括我自己）多去亲身体验不同的东西。
今年年初我和家人在东南亚三个国家出差旅居了快一个月。从 10 平米的小酒店到 100 多平米的五星级大酒店，我们其实根本住不了那么多——但我们就是要去亲身感受不同级别的服务、招待、餐饮、设施。
只有现地、现场、亲身体验过，你才会真的知道：三星级是这样、五星级是这样、十星级又是怎么不一样的。 你才知道一个 100 块的产品和一个 1000 块的产品真的不一样在哪里。
这种"品味"——是产品力的源泉。人对很多东西的感知，源自之前真实体验过的东西。 这些独特感受、过往积累——在 AI 时代反而变成了最稀缺的资产。
Q19. 什么岗位或能力最应该被 AI 放大？
先从你最擅长的事情开始。
人对自己越懂的东西，越容易用 AI 把它做好——一个东西你自己都不懂是什么，很难指挥 AI 做好。
技术创业团队特别要警惕一件事——容易陷入技术细节里自嗨，忽略市场反馈和增长。把研发用 AI 加速到位之后，腾出来的时间一定要投回市场、增长、客户。
Q20. 你怎么看 AI 公司出海这件事？为什么关注海外？
核心一句话：在这个阶段，海外的"验证效率"更高。
具体表现：
支付基础设施成熟——付费意愿、支付通道都更顺；
产品上线的路径短——从产品到第一个真实用户的距离更近；
客单价相对更高——同样的产品价值，定价空间更大；
某些场景在海外跑得更快——这是核心。
核心在反馈速度。
我做事比较喜欢有效率——拖拉、磨蹭这种事情我不太能接受。这是浪费自己生命，也是浪费别人生命。
举个例子：同一笔 10 万块的资金，
在 A 市场一年能周转 10 次——产生的复利收益巨大
在 B 市场一年只能周转 2 次——同样的资金、不同的结果
迭代次数也是一样：
A 市场一个月能迭代 3-4 次
B 市场一个月可能只能迭代 1 次
这是创业者最大的差异化。
但出海要克服的也很多——文化习俗、消费习惯、用户体验、本地信任——这些都需要快速学习、快速验证。没有哪个市场是绝对的好或坏，看团队资源匹配。 我们是阶段性选择把一部分精力放海外去跑。国内未来也会有大量机会——我们也会持续看。
Q21. 中国 AI 创业公司出海，最容易高估什么？最容易低估什么？
最容易高估：自己的产品生产能力。
最容易低估：营销获客 + 品牌建立的难度。
这一年随着 AI 能力进化，做产品本身的成本和效率都在变好——但这反而把"分发"这件事的相对难度衬托出来了。
真正的挑战是：
你的产品怎么真正送到用户手里？
怎么快速拿到反馈、持续进化？
怎么按当地文化、习俗、消费节奏调整？
用户用什么银行卡支付？什么银行的支付效率最高？
什么样的营销文案、什么样的渠道，才能真正送达到目标用户？怎么把增长真正做起来？
产品技术打造，中国团队是有优势的——我们已经趟过比这个场景更复杂的问题。反而是"交付到用户手里"和"获客"——是我们出海的真挑战。 这是我们自己的真实感受。
五、最后，想请你留下几个判断
Q22. 未来三年，AI Agent 真正跑出来的公司，会有什么共同特征？
两个核心特征：
第一，跟客户深度扎在一起。
不是单次成交，是一起成长。你的产品在现在能很好满足客户需求，在未来也能不断匹配。客户和你一起进化，产品越来越强。
第二，跟技术成长曲线同步。
不要做那种"过两天就被 OpenAI、Anthropic、智谱、豆包模型取代掉"的产品。
我们看到过去几年——一些 AI 应用公司拿了很多钱但最终结果不好，原因都是基础模型快速进化把上层应用的空间压得很薄。
两个对待技术发展的视角：
一种是怕——晚上睡觉怕这个技术把自己颠覆掉；
一种是盼——盼着春天来了，技术变得更强了。
第二种态度才是真正的"和技术做朋友"。技术变强 → 整合到自己产品 → 产品变更强。这是顺势的姿态。
其他几个特征：
合规、成本控制、用户自服务能力 — 不能让交付随客户基数线性增加人力，必须用科技和 AI 的方式扩展；
既能用好现在的技术，又能为未来的能力提前设计 — 吃着碗里的，看着锅里的，想着田里的。
Q23. 用一句话总结：企业 AI 落地最容易被误解的地方是什么？
最容易被误解的，是两个极端——一种认为 AI 无所不能，一种认为 AI 啥也干不了。正确做法：回到自己的场景、自己的业务、自己重成本、繁琐、重人力、重复的事情，挑出那么 2-3 个先把市面上的工具用起来，看看怎么发挥效益，然后慢慢享受技术变化带来的红利。
Q24 用一句话总结：你对 AI Agent 未来三年的判断是什么？
AI Agent 将无处不在，有效地整合上一波互联网浪潮的软件生态，人们可以越来越轻松地完成更多事情、得到更好的结果。而那些"善于用好 AI 能力 + 知道'好'的标准是什么"的群体，会拿到最大的时代红利。
六、关于"创业心路、AI 时代的一天" — 人物侧写
Q25. 从旷视科技到智敦科技，2024 年离开是一个什么样的决定？
这是一个酝酿很久的决定，不是一时冲动。
我对旷视心怀感恩。
2017 年加入，2024 年离开，待了 6 年半——这是我职业生涯里待过最久的一家公司。在上一波 AI 浪潮里，旷视的人才密度、技术积累、工程能力都是顶级的，跟一群非常强的人共事，我学到了很多东西。
但到了 2023-2024 年，我心里有几件事在交织。
第一，舒适圈的信号。
大部分工作都在我的舒适圈里，能够起到的杠杆效应逐步降低。我不是一个特别"闲得住"的人，对自己时间的使用要求极高——之前在很多家企业待过，旷视是我唯一一家长期扎根的公司。当一件事慢慢变成"我能做"而不是"我能突破"，对我来说这就是一个内在的信号。
第二，疫情几年带来的内观。
疫情那几年我看到身边很多人状态不太好——精神层面的、情绪层面的、生活层面的都有。有朋友这样评价我："看到你就看到了利他两个字"，"你的能量怎么都用不完"。
我开始反复问自己一个问题：我能不能用我的技术、我的专业能力，帮到更多人——让他们越来越好、越来越幸福？
第三，找到了一个产品入口的雏形。
ChatGPT 出来之前，我就在构思一个东西——基于传统 NLP + 对话机器人，做一个"幸福教练"或"心理教练"。
我花了大量时间研究积极心理学，读了清华大学的积极心理学课程，研究东西方哲学里关于"人的情绪、人的幸福、人的快乐"的定义。我想做一套系统，把这些经典的思想吸纳进来，提供一个对话入口，让用户能从中得到帮助。
ChatGPT 出来后，我第一时间拿到OpenAI 的API 权限，拉小分队火速做了一个小程序——名字就叫"幸福教练"。很快就有用户付费。那个时候是业余时间在搞，但已经能感觉到这件事的雏形。
后来没有把它做大，是因为我意识到自己在toC 这一端的经验不多，同时，在职不太好充分和新玩家竞争。出来创业之后，我先回到自己的舒适带——B 端场景。我之前的职业生涯大部分是 B 端交付，确定性更大。
关于"智敦"这个名字。
智 = 人的智慧 + AI 的智慧；
敦 = 敦厚、敦实，扎扎实实为客户做事，不投机取巧。
如果你看我们的 logo——不管是之前还是现在——永远有爱在其中。
这不是装饰，是 founder 对自己最深的提醒。我所做的所有事情，都是由"爱"在驱动。希望通过 AI 和科技去传递更多的能量、传递更多美好。从近到远，让越来越多的人能越来越好。
关于 founder 的内核。
中国古人讲"穷则独善其身，达则兼济天下"。横渠四句也始终在我的内核里。
我是湖南人，湖湘文化对我的影响很深——家国天下。但要做这件事的前提是——你首先要让自己、你的团队、你的公司真正成长起来，有更大的实力，才能更好地帮助这个社会。
所以从旷视离开之后，我没有休假太久，火速动手研究市场、和老板们对话、做事情。
期待我们这个小小的火苗、这个小小的公司，能够慢慢强壮起来——有更大的能量、更大的实力，去帮到更多人。这个时代非常美好，不要浪费它。
Q26. 描述一下你的"普通一天"。从早上起来到睡前，AI 工具在你的生活/工作里扮演什么角色？
我可以这么说——AI 已经渗透到我生活的方方面面。
简单聊几个场景。
写代码 — 永远用最强的模型。
不是性价比最高，是当下能体验到的最强。在前沿的代码模型上面省不得钱——这一点我非常坚定。
个人记录与日记 — 私有模型 + 我的"第二大脑"。
我写日记很多年了。
我的做法现在是：在我自己设备里跑一个私有模型，能处理图像、视频、语音的理解。我有想法时就用机器人对话——它会把我说的全部记下来，自动帮我做每天的复盘、思考、总结、洞察。
它还会跟我的滴答清单打通，结合我当天的待办、我对外要发的内容、我的自媒体选题——自动识别我对什么有判断、什么值得讲，通过 API 同步回滴答清单。
所有素材最后都以结构化文档形式保存在本地——图片、信息、片段，全部成体系。这是我的"第二大脑"。
越多的数据积累，在未来技术变得越强，AI也就越能够深刻理解你，能够形成越大的复利。
研究、市场调研、阅读、学习。
这一块的时间我每天投入很多。AI 帮我做调研、润色、分析数据。
我每天读书的时间很长——眼睛有时候不够用。所以我也会充分用耳朵——把眼睛、耳朵都同时调动起来。这一点对所有现代知识工作者应该都一样。
阅读、写作、思考、创作、生产、交付——这些环节都已经离不开 AI 了。
海外社交媒体运营 — 数据驱动 + Agent 闭环。
我之前一直没怎么发海外的内容。最近我开始系统性运营——做法是：
PainHunt 每天抓的数据，对应有专门的 skills 工具会跑出最新情况；
这些工具自动判断哪些信号值得发、哪些值得宣传；
给我跑出几条候选推文，大部分我直接就发了；
Twitter 的流量、粉丝、访问数据，对接给我的 Agent；
Agent 自动分析这些数据，给我下一步的优化策略。
视频内容 — 一条命令行搞定全流程。
这个事情可能很多人不信。我视频号最近的视频——一条CLI 自动完成：写标题、加封面、加CTA、配音乐、加字幕。我都不需要打开剪映。
虽然这些剪辑软件的年度会员我都买了，但现在基本不用了。语音输入代替打字，剪视频用命令行工具——大量原本需要工具操作的事情，现在 AI 都能做。
这些工具未来都可以变成产品。 有些是开源项目，我们用得多就直接 PR 反馈回去；有些是我们自己积累出来的能力，未来会变成 PainHunt 之外的产品。
总的来讲：能用 AI 做的事情，我已经全用 AI 来做。 AI 不是工具，是协作者。
Q27. 如果有一个跟你一样背景的人（技术资深、家庭责任、考虑创业）要做 AI Agent 创业，你最想给他的一条建议是什么？
算好底线账，然后专注做你最擅长的事情。
不需要算得特别细，但一定要清楚：
能容忍多久没收入？ 这是周期。
没收入这段时间，家庭基本开支会不会被影响？生活条件会不会降级？ 这是底线。
你有多少时间、多少资源能投入到这件事？ 这是边界。
你打算从什么地方切入？ 这是方向。
把这几件事算清楚，底线风险就锁定了。
锁定之后，你会发现剩下的事情其实都好解决。
为什么我觉得"底线风险"是第一原则？
因为我看到太多人在创业上犯过两类错误：
一类是底线没算清——以前讲什么"卖房创业""卖房炒股"，这种风险敞口太大。万一中间需要 1.5 年才看到第一笔像样的现金流，家人会跟着你一起过得很痛苦——这是不应该的。
另一类是对资金需求估错了——总觉得"我得融到很多钱才能开始"。
我自己的真实感受是——自筹资金做事情，很多时候反而比拿了大钱更好。
钱多有它的好处，但钱多也带来很多副作用：摩擦变多、决策变慢、要做的额外事情变多、报表压力变大。在产品验证迭代期，这些都是反向 leverage。
自筹资金的决策速度、响应速度、节奏自由度——是创业 0-1 阶段最大的优势之一。
关于"专注做你最擅长的事情"。
你跟那些大资本玩家相比，确实没办法高举高打——招最厉害的人、用最大的预算做营销和市场。但这就跟打仗一样——你要选择你最擅长的战场、最擅长的敌人、最擅长的时间空间去打。
不能说你一个小团队，你去跟人家千军万马去打。
一定要找到你自己的优势。
我的总结只有 14 个字：
搞清楚底线风险，搞清楚你的优势，
用有限的资源最大化放大你的价值和杠杆。
每个人擅长切入的地方不一样。有些人还没出来订单就有了；有些人需要摸打滚爬之后才能搞定团队和资金。没有什么东西是一成不变的，但底线意识必须先有。
Q28. 你团队内部有个 Agent 叫"老一"，聊聊这背后的文化和你们日常怎么和 AI 一起工作。
老一是我团队Agent 们的"老大哥"，我也叫他全能战神。
他接的是 Opus 4.7 1M 模型——目前我体验下来最强的之一。
除了老一以外，我还有好几个得力的 AI 伙伴——大家分工不同，各司其职。我团队内部对他们的定位非常明确——他们不是工具，是团队成员。
老一现在在做什么？
简单讲：所有的服务器、代码、文档、知识库、关键的操作——我基本上已经全部托管给他们了。 我现在通过手机跟他们对话，就能搞定基本上所有事情。
具体例子：我前段时间用 Claude Code 体系搭建了一套协作系统。从服务器选型、部署、验证、上线、运维——基本上全部由老一和他的 sub-agent 体系完成。
但我不会让老一干所有事情。 我把他定位成"high-level 战略伙伴"——我跟他讨论的是相对架构层面的、判断层面的问题。具体的执行——我会用其他 Agent，通过 IM 对话，或者通过 Claude Code 来分流。
为什么要分流？
因为上下文管理是真问题。
每个 Agent 的上下文空间是它的"工作记忆"。如果一个 Agent 又写代码、又记录素材、又做调研、又分析数据——它的上下文会被各种主题污染，效果会变差。
所以我的分工原则是：
老一：高层判断、战略架构、复杂问题
代码 Agent：专心写代码 / code review / 部署
记录 Agent：帮我维护我的"第二大脑"——日记、复盘、素材库
运营 Agent：跑社媒数据、生成推文、分析流量