即刻App年轻人的同好社区
下载
置顶Hi👋 各位即友们中秋快乐，来即刻刚好一年了，正式和大家做个自我介绍～
我叫Guava，来自台湾台北，叫Guava是因为我很爱吃芭乐（番石榴）。我因为长得像新疆人，曾不止一次在巴依老爷门口被当成是店员。
我现在在清华学法律（普通法、公司法、数据资产）和人工智能，之前做过AI战略，也从0→1→100地开发运营过一款产品。后来就一直在AI产品这条路上——尤其是在AI Agent领域，我既在创业公司探索过通用Agent的场景与边界，也在大厂打磨过垂直Agent在产业的应用与落地。
对我来说，任何结果都不是终点，而是两个新问题的开始：「它背后的原理是什么？」以及「我们如何能做得更好？」。我喜欢研究系统，研究之间如何协同——人、组织、商业、技术。无论是在清华创协从零搭建制度，带领一个近百人的组织；还是在产品中设计技术该如何更好的服务于人，我都在寻找那个能让整体效率最大化的支点。
我相信这个支点无法凭空想出来，必须亲自下场，Get hands dirty。 我享受卷起袖子，一头扎进代码、销售和跟扯皮的过程，因为最深刻的认知，永远藏在最泥泞的细节里。
有时候我写文章，有时候做产品，有时候我发癫。
这种“癫”，来自于我对自由和解放感的追求，我需要那些充满即兴、灵魂和原始力量的声音。因此我痴迷于黑人音乐，Blues、Jazz、R&B、Soul，我人生清单中有一个todo就是去黑人教堂唱福音。我也很喜欢摇滚，尤其是Classic Rock，最爱的乐队是Queen，因为他们的音乐里有一种华丽而无所畏惧的生命力。
最后，我看似表面上在做不同的事，底层都是同一件事——
理解自我，了解世界，用系统化的思考去解决问题，用真实的热情去影响人；最终，去撬动一点积极的改变。
我的方法论很简单：Stay Humble, Stay Foolish.
Humble，是我永远承认自己的无知，所以永远对世界保持好奇；
Foolish，是敢于提出那个没人敢问的问题，大胆地下场去找答案。
我会在这儿持续分享关于AI，产品，商业的思考和观察，很开心认识大家🙇🏾♂️🙏
个人网站：www.humbleguava.top
公众号：
芭乐Humilitas
微信
lty112500
我叫Guava，来自台湾台北，叫Guava是因为我很爱吃芭乐（番石榴）。我因为长得像新疆人，曾不止一次在巴依老爷门口被当成是店员。
我现在在清华学法律（普通法、公司法、数据资产）和人工智能，之前做过AI战略，也从0→1→100地开发运营过一款产品。后来就一直在AI产品这条路上——尤其是在AI Agent领域，我既在创业公司探索过通用Agent的场景与边界，也在大厂打磨过垂直Agent在产业的应用与落地。
对我来说，任何结果都不是终点，而是两个新问题的开始：「它背后的原理是什么？」以及「我们如何能做得更好？」。我喜欢研究系统，研究之间如何协同——人、组织、商业、技术。无论是在清华创协从零搭建制度，带领一个近百人的组织；还是在产品中设计技术该如何更好的服务于人，我都在寻找那个能让整体效率最大化的支点。
我相信这个支点无法凭空想出来，必须亲自下场，Get hands dirty。 我享受卷起袖子，一头扎进代码、销售和跟扯皮的过程，因为最深刻的认知，永远藏在最泥泞的细节里。
有时候我写文章，有时候做产品，有时候我发癫。
这种“癫”，来自于我对自由和解放感的追求，我需要那些充满即兴、灵魂和原始力量的声音。因此我痴迷于黑人音乐，Blues、Jazz、R&B、Soul，我人生清单中有一个todo就是去黑人教堂唱福音。我也很喜欢摇滚，尤其是Classic Rock，最爱的乐队是Queen，因为他们的音乐里有一种华丽而无所畏惧的生命力。
最后，我看似表面上在做不同的事，底层都是同一件事——
理解自我，了解世界，用系统化的思考去解决问题，用真实的热情去影响人；最终，去撬动一点积极的改变。
我的方法论很简单：Stay Humble, Stay Foolish.
Humble，是我永远承认自己的无知，所以永远对世界保持好奇；
Foolish，是敢于提出那个没人敢问的问题，大胆地下场去找答案。
我会在这儿持续分享关于AI，产品，商业的思考和观察，很开心认识大家🙇🏾♂️🙏
个人网站：www.humbleguava.top
公众号：
芭乐Humilitas
微信
lty112500
32 53
“5. Task Agent（任务型 Agent），现在这一块的产品整正慢慢可卖，商业化的前提是任务边界清晰、能持续替代人工、可监控，一旦Agent能稳定帮人少干一件事，那商业化就成立，但中短期可卖，长期潜力大 ”
这一个tarck我很有共鸣，我自己是付钱付的最多的（Claude code）年支出近万元，目前monetization的进程也很快，现在Claude code的Run rate revenue 已经超过1b，唯一的问题是帐能不能算的过来
这一个tarck我很有共鸣，我自己是付钱付的最多的（Claude code）年支出近万元，目前monetization的进程也很快，现在Claude code的Run rate revenue 已经超过1b，唯一的问题是帐能不能算的过来
42Growth: 1. 中间层 infra tools——API、向量库、工作流、n8n、Langfuse，这类别是商业化的模范生，用户基本是是工程 / CTO，付费明确，而且直接绑定成本 / 稳定性 / 效率，订阅+用量计费也非常自然，可以说是AI时代的云服务，强商业化+强产品化，但不吃认知优势，吃工程与生态 2. 通用效率 Horizontal Tools——写作、翻译、PPT、笔记，表面很好，实际很卷，用户的选择空间很大，非常容易被模型吞噬，所以必须要带个CLG，而且定价上限低，能产品化，但商业化靠规模和渠道，不靠结构 3. 行业垂直型 AI SaaS / Vertical AI，这是最稳健的一类，因为商业化和产品化都非常强，能绑定明确的业务指标（成交率、转化率、合规），有预算、付费习惯，代替的是人工成本，而且行业流程稳定、数据结构明确，可复用，这是AI商业化的现金奶牛 4. AI 知识库 / 决策系统，这是我目前最看好的一类，很多人低估它，因为大部分人只做成了内容，但最有应该做的是决策判断系统，它满足所有条件：1. 决策者明确（创始人 / 负责人）、2. 场景明确（要不要投 / 要不要停）、3. 可结构化（规则 + 判断）、4. 可升级（Agent / 企业版），同时满足商业化&产品化 5. Task Agent（任务型 Agent），现在这一块的产品整正慢慢可卖，商业化的前提是任务边界清晰、能持续替代人工、可监控，一旦Agent能稳定帮人少干一件事，那商业化就成立，但中短期可卖，长期潜力大 6. AI OS / System Level，这个商业化是最难的，因为决策链太长、切换成本极高、用户不愿为“系统抽象”付费，而且这是生态产品，不是SKU 7. Consumer AI / IP / 陪伴类，他的商业化靠情绪，不靠结构，爆款可以很猛，但不可预测，不可复制，产品化弱于内容驱动，更像娱乐工业，不是系统生意 8. LLM基础模型 Anthropic这一层，产品化极强、商业化偏弱；用户买的不是模型，而是他的能力，而且这个层面的定价已经被算力/资本/补贴严重扭曲，商业化也不是靠用户意愿，而是规模博弈，这都是国家级别的资本产品，不是普通商业产品
3 00
硅谷行旅思考1:Treat Agent not as a tool, but as a labor.
1. 商业模式的问题：我认为现在90%的AI产品是门烂生意？
目前的现实很残酷：传统软件“卖铲子”的商业逻辑在 AI 时代几乎失效了。
- 毛利锁死： 我在做 Vertical Agent 项目时感触极深。要跑通业务闭环，光 API 调用成本就占到收入的 60%-70%，毛利被压缩在 30% 左右，这根本不是软件生意，更像是传统加工制造业，毛利低，上游供应商议价权高，下游竞争激烈。
- 规模效应缺失： 随着用户增长，token成本线性上升，边际成本无法递减
- 无网路效应： AI 产品没有天然的网络效应，用户极度缺乏忠诚度。ChatGPT 的月活正受到 Gemini 的强力挑战。AI 产品的第一性原理是“模型效果决定价值”，一旦竞品模型更迭，且能提供更合理的价格，用户对于产品的无黏着点。
2. 那个“成本骤降”的bet，可能成真的概率不高
许多 AI 公司在赌一个假设：三年内 API 成本会降至现在的 1%，届时低毛利将自动转为暴利。但我认为这个 Bet 有问题：
- 模型Vendor 并非慈善家： OpenAI 和 Google 面临巨大的盈利压力，绝甘心只做廉价的管道。
- 成本的主动权不在你手里： 最近 Gemini 关闭旧版模型、强制用户升级到 3.0 就是信号。除非自建开源模型，否则只要依赖闭源生态，你的成本命脉就永远掌握在他人手中。为了维持产品竞争力，你必须追逐最强（也最贵）的模型，成本下行的红利会被模型升级的刚需对冲
-
- 3. 从“成本定价”转向“结果导向的价值定价”
这就是为什么我们必须告别 Tool 模式。工具的价值存在巨大的“人为因素”——同样是 Mac，在高手和菜鸟手里创造的生产力天差地别。如果卖的是工具，用户用不好会归咎于产品，而非自身水平。
拥抱 Labor 逻辑，意味着直接交付专家级的结果（Result）。
- 定价逻辑的范式转移：
- 旧逻辑（基于成本）： 成本 $10，卖 $20，赚的是辛苦钱。
- 新逻辑（基于结果）： 成本 $10，但交付的成果创造了 $100 的商业价值。我基于这 $100 产生的增量来收费。
未来的机会在于
高知识密度工种的替代以及高价值劳动成果的相对低成本交付，不要做让用户亲自动手的工具，要直接交付价值的。我认为这是 AI 产品后续更值得探索的商业模式，但是也存在一个关键问题
如何对结果产生的价值归因定价
1. 商业模式的问题：我认为现在90%的AI产品是门烂生意？
目前的现实很残酷：传统软件“卖铲子”的商业逻辑在 AI 时代几乎失效了。
- 毛利锁死： 我在做 Vertical Agent 项目时感触极深。要跑通业务闭环，光 API 调用成本就占到收入的 60%-70%，毛利被压缩在 30% 左右，这根本不是软件生意，更像是传统加工制造业，毛利低，上游供应商议价权高，下游竞争激烈。
- 规模效应缺失： 随着用户增长，token成本线性上升，边际成本无法递减
- 无网路效应： AI 产品没有天然的网络效应，用户极度缺乏忠诚度。ChatGPT 的月活正受到 Gemini 的强力挑战。AI 产品的第一性原理是“模型效果决定价值”，一旦竞品模型更迭，且能提供更合理的价格，用户对于产品的无黏着点。
2. 那个“成本骤降”的bet，可能成真的概率不高
许多 AI 公司在赌一个假设：三年内 API 成本会降至现在的 1%，届时低毛利将自动转为暴利。但我认为这个 Bet 有问题：
- 模型Vendor 并非慈善家： OpenAI 和 Google 面临巨大的盈利压力，绝甘心只做廉价的管道。
- 成本的主动权不在你手里： 最近 Gemini 关闭旧版模型、强制用户升级到 3.0 就是信号。除非自建开源模型，否则只要依赖闭源生态，你的成本命脉就永远掌握在他人手中。为了维持产品竞争力，你必须追逐最强（也最贵）的模型，成本下行的红利会被模型升级的刚需对冲
-
- 3. 从“成本定价”转向“结果导向的价值定价”
这就是为什么我们必须告别 Tool 模式。工具的价值存在巨大的“人为因素”——同样是 Mac，在高手和菜鸟手里创造的生产力天差地别。如果卖的是工具，用户用不好会归咎于产品，而非自身水平。
拥抱 Labor 逻辑，意味着直接交付专家级的结果（Result）。
- 定价逻辑的范式转移：
- 旧逻辑（基于成本）： 成本 $10，卖 $20，赚的是辛苦钱。
- 新逻辑（基于结果）： 成本 $10，但交付的成果创造了 $100 的商业价值。我基于这 $100 产生的增量来收费。
未来的机会在于
高知识密度工种的替代以及高价值劳动成果的相对低成本交付，不要做让用户亲自动手的工具，要直接交付价值的。我认为这是 AI 产品后续更值得探索的商业模式，但是也存在一个关键问题
如何对结果产生的价值归因定价
7 01
今天在使用Google guided learning用的很爽也很不爽，爽的点是在于能帮助我快速get到一个领域的知识重点，不爽的点在于chatbot的交互形式限制了建立知识框架及全局观的可能性。像现在的milanote、obsidian、ponder、heptabase等产品已经证明了基于画布+拖拽卡片交互在知识学习上的有效性，如果我是guided learning的PM我下一步会思考如何将这个场景与这个交互形态结合在一起
9 12
最近是收获满满的一周，我始终相信成长最快的方式就是fly bitch。在真实的环境中获得反馈 建立闭环。马上要踏上新的旅程，非常期待未来的两个月，i have strong belief its gonna be a great one
8 10