即刻App年轻人的同好社区
下载
想创业，永远卡在第一步
- 我要做什么生意
- 有什么点子可以做
- 做什么才不会踩坑、浪费时间
这篇文章只想说明一件事：
找项目，其实是可以有结构、有步骤地做的
01｜先别问“做什么”，先搞清楚“你是谁”
1）你到底想要哪种结果
- 想要一个能带来稳定现金流的小项目
- 想要一个可以押5–10年的大项目
建议是
- 先给自己一个相对清晰的定位
- 接下来这几年，你更在意的是“现金流”，还是“长期事业”
2）你的资源和限制是什么
- 项目不是在“理想状态”里做出来的
- 是在你“现在这个人生状态”里做出来的
3）写下“三行创始人简介”
- 我最擅长的三件事
- 我手上最独特的一两样资源
- 我愿意为一个项目付出的最大代价
02｜好点子不是天降灵感，而是反复被忽视的“烦心事”
- 看报告：今年什么赛道最火
- 看新闻：谁又融了几千万、几亿
- 看榜单：还有哪些领域没人做
他的做法完全相反
1）从“痛点”开始，不是从“风口”开始
捕捉三类
- 反复发生
- 让人很烦
- 跟钱有关系
2）7 天“痛点小本本”练习
- 在手机里新建一个备忘录
- 连续 7 天，每天晚上睡前做三件事
- 写下今天最让你烦的3件事（工作或生活都行）
- 标记它是偶尔发生，还是经常发生
- 想一想：如果有人帮我搞定，我愿意不愿意付钱
03｜别在脑子里纠结，用一张小表选项目
三个维度
1. 上线速度
2. 市场潜力
3. 自己的优势感
04｜别只改 PPT，先找到愿意付钱的人
MVP的目的不是“好看”，而是尽快验证三件事
1. 问题是不是真的存在，且足够痛
2. 解决方案有没有人愿意为之付钱
3. 以可接受的成本持续找到这类用户
这个阶段目标
- 先证明“这个问题确实存在，而且有人愿意让你来解决”然后再看“他们愿不愿意为此付钱”
05｜验证之后，别老盯着“下一个更好的点子”
结论是真正拉开差距的，是你能不能在一个“还不错的项目”里，持续做深、做久
最后三件今天能做的小事
1. 写下那段“三行创始人简介”
2. 连续七天，给每件事打个“频率+痛感+付费意愿”的分
3. 从这些烦心事里选出三个，画一张小表，打分，选一个，两周时间试一下，第一个愿意付钱的人出现
#创投好文推荐 #AI工作流
- 我要做什么生意
- 有什么点子可以做
- 做什么才不会踩坑、浪费时间
这篇文章只想说明一件事：
找项目，其实是可以有结构、有步骤地做的
01｜先别问“做什么”，先搞清楚“你是谁”
1）你到底想要哪种结果
- 想要一个能带来稳定现金流的小项目
- 想要一个可以押5–10年的大项目
建议是
- 先给自己一个相对清晰的定位
- 接下来这几年，你更在意的是“现金流”，还是“长期事业”
2）你的资源和限制是什么
- 项目不是在“理想状态”里做出来的
- 是在你“现在这个人生状态”里做出来的
3）写下“三行创始人简介”
- 我最擅长的三件事
- 我手上最独特的一两样资源
- 我愿意为一个项目付出的最大代价
02｜好点子不是天降灵感，而是反复被忽视的“烦心事”
- 看报告：今年什么赛道最火
- 看新闻：谁又融了几千万、几亿
- 看榜单：还有哪些领域没人做
他的做法完全相反
1）从“痛点”开始，不是从“风口”开始
捕捉三类
- 反复发生
- 让人很烦
- 跟钱有关系
2）7 天“痛点小本本”练习
- 在手机里新建一个备忘录
- 连续 7 天，每天晚上睡前做三件事
- 写下今天最让你烦的3件事（工作或生活都行）
- 标记它是偶尔发生，还是经常发生
- 想一想：如果有人帮我搞定，我愿意不愿意付钱
03｜别在脑子里纠结，用一张小表选项目
三个维度
1. 上线速度
2. 市场潜力
3. 自己的优势感
04｜别只改 PPT，先找到愿意付钱的人
MVP的目的不是“好看”，而是尽快验证三件事
1. 问题是不是真的存在，且足够痛
2. 解决方案有没有人愿意为之付钱
3. 以可接受的成本持续找到这类用户
这个阶段目标
- 先证明“这个问题确实存在，而且有人愿意让你来解决”然后再看“他们愿不愿意为此付钱”
05｜验证之后，别老盯着“下一个更好的点子”
结论是真正拉开差距的，是你能不能在一个“还不错的项目”里，持续做深、做久
最后三件今天能做的小事
1. 写下那段“三行创始人简介”
2. 连续七天，给每件事打个“频率+痛感+付费意愿”的分
3. 从这些烦心事里选出三个，画一张小表，打分，选一个，两周时间试一下，第一个愿意付钱的人出现
#创投好文推荐 #AI工作流
3 01
顶级孵化器YC合伙人Diana Hu分享：AI不是工具，是公司运行的操作系统
Diana在YC Startup School上做了一场演讲，主题是“How To Build A Company With AI From The Ground Up”，把AI对于公司的意义，从"提效工具"提升到了"操作系统"的维度。
主要内容摘要：
AI是操作系统，不是生产力工具。
她认为现在大多数人聊AI，还在谈"怎么让程序员多写两行代码"，这个框架从根上就错了。AI应该成为公司运行其上的操作系统，每一个workflow、decision、process都应该流经一个持续学习和改进的智能层。
开环系统天然损耗，闭环才是未来。
开环就是靠人传信息、靠人同步进度、靠管理层汇报决策，每一个"人类路由层"都是速度损耗。而闭环系统会持续捕获状态、决策和结果，自动反馈到智能层，让公司始终掌握真实情况。
token maxing > 人力 maxing。
一个人配上AI工具，现在能完成以前需要一个团队才能完成的工作。StrongDM的代码库里已经没有手写代码了，只有specs和test harnesses：1000x工程师的时代已经来了。
早期创业者有巨大优势。
没有legacy systems，没有数千人要重新训练。你可以从第一天就正确地构建。
---
原视频链接：www.youtube.com
Diana Hu | Y Combinator Partner
How To Build A Company With AI From The Ground Up | Y Combinator Startup School
#AI工作流 #创投好文推荐 #AI的神奇用法
Diana在YC Startup School上做了一场演讲，主题是“How To Build A Company With AI From The Ground Up”，把AI对于公司的意义，从"提效工具"提升到了"操作系统"的维度。
主要内容摘要：
AI是操作系统，不是生产力工具。
她认为现在大多数人聊AI，还在谈"怎么让程序员多写两行代码"，这个框架从根上就错了。AI应该成为公司运行其上的操作系统，每一个workflow、decision、process都应该流经一个持续学习和改进的智能层。
开环系统天然损耗，闭环才是未来。
开环就是靠人传信息、靠人同步进度、靠管理层汇报决策，每一个"人类路由层"都是速度损耗。而闭环系统会持续捕获状态、决策和结果，自动反馈到智能层，让公司始终掌握真实情况。
token maxing > 人力 maxing。
一个人配上AI工具，现在能完成以前需要一个团队才能完成的工作。StrongDM的代码库里已经没有手写代码了，只有specs和test harnesses：1000x工程师的时代已经来了。
早期创业者有巨大优势。
没有legacy systems，没有数千人要重新训练。你可以从第一天就正确地构建。
---
原视频链接：www.youtube.com
Diana Hu | Y Combinator Partner
How To Build A Company With AI From The Ground Up | Y Combinator Startup School
#AI工作流 #创投好文推荐 #AI的神奇用法
3 01
AI让你的竞争壁垒消失了？这7个护城河反而更强💪
2026年，95%的企业仍无法从AI投资中获得回报。
更震撼的是：两年前构建复杂SaaS功能需要数周，今天独立开发者用Cursor周末就能完成MVP。
如果你的护城河是代码，那你根本没有护城河。
什么不再是护城河？
❌ "我们使用AI" — 每家公司都在用，6个月就被追上
❌ "我们是第一" — 产品构建速度快10倍，先发优势只剩几个月
❌ "功能更多" — 没深度的广度是反护城河
AI时代的7大护城河
1️⃣ 数据网络效应（最强）
每个用户交互让所有用户受益。Gong拥有数百万销售电话标注数据，竞争对手永远追不上。
2️⃣ 工作流集成深度
四个层级：数据存储（弱）→ 流程执行 → 决策自动化 → 机构记忆（最强）
Level 4不是替换软件，是替换组织多年积累的直觉。
3️⃣ AI模型专业化
针对50万份法律合同微调的模型会优于GPT-5 — 因为见过更多相关案例。
从提示工程（几小时可复制）到领域推理链（需要多年），层层递进。
4️⃣ 专有数据资产
拥有竞争对手无法获取的独特数据。策展深度被低估。
5️⃣ 生态系统
时间积累的合作伙伴网络、模板和社区资源。
6️⃣ 社区与信任
AI颠覆带来不确定性，信任成为稀缺资源。
7️⃣ 执行速度
AI放大了速度优势 — 快的团队变得更快。
护城河要堆叠
单一护城河不够，要组合：
数据网络 + AI专业化 = 改进速度更快
工作流 + 专有数据 = 无法复制
社区 + 生态系统 = 自我强化
投资人共识
24位顶级VC一致认为：2026年预算集中化，只有真正交付价值的产品才能拿到钱。
"模型性能和提示词的优势几个月就消失。" — Wing VC
窗口期在缩短
"可防御"和"商品化"之间的时间比以往都短。
未来赢家不是有最佳AI模型的公司，而是构建了AI无法复制的护城河 — 信任、数据、工作流集成、时间带来的复合优势。
翻到最后一页，用17个问题自查你的护城河👉
💭 如果你也在做AI+SaaS
我每周会拆解1-2个真实案例，分析它们的护城河打法。
评论区说说你最关心哪个护城河，数据网络？工作流集成？还是AI专业化？
下期根据大家的投票来深挖🔍
#AI工作流 #AI的神奇用法
2026年，95%的企业仍无法从AI投资中获得回报。
更震撼的是：两年前构建复杂SaaS功能需要数周，今天独立开发者用Cursor周末就能完成MVP。
如果你的护城河是代码，那你根本没有护城河。
什么不再是护城河？
❌ "我们使用AI" — 每家公司都在用，6个月就被追上
❌ "我们是第一" — 产品构建速度快10倍，先发优势只剩几个月
❌ "功能更多" — 没深度的广度是反护城河
AI时代的7大护城河
1️⃣ 数据网络效应（最强）
每个用户交互让所有用户受益。Gong拥有数百万销售电话标注数据，竞争对手永远追不上。
2️⃣ 工作流集成深度
四个层级：数据存储（弱）→ 流程执行 → 决策自动化 → 机构记忆（最强）
Level 4不是替换软件，是替换组织多年积累的直觉。
3️⃣ AI模型专业化
针对50万份法律合同微调的模型会优于GPT-5 — 因为见过更多相关案例。
从提示工程（几小时可复制）到领域推理链（需要多年），层层递进。
4️⃣ 专有数据资产
拥有竞争对手无法获取的独特数据。策展深度被低估。
5️⃣ 生态系统
时间积累的合作伙伴网络、模板和社区资源。
6️⃣ 社区与信任
AI颠覆带来不确定性，信任成为稀缺资源。
7️⃣ 执行速度
AI放大了速度优势 — 快的团队变得更快。
护城河要堆叠
单一护城河不够，要组合：
数据网络 + AI专业化 = 改进速度更快
工作流 + 专有数据 = 无法复制
社区 + 生态系统 = 自我强化
投资人共识
24位顶级VC一致认为：2026年预算集中化，只有真正交付价值的产品才能拿到钱。
"模型性能和提示词的优势几个月就消失。" — Wing VC
窗口期在缩短
"可防御"和"商品化"之间的时间比以往都短。
未来赢家不是有最佳AI模型的公司，而是构建了AI无法复制的护城河 — 信任、数据、工作流集成、时间带来的复合优势。
翻到最后一页，用17个问题自查你的护城河👉
💭 如果你也在做AI+SaaS
我每周会拆解1-2个真实案例，分析它们的护城河打法。
评论区说说你最关心哪个护城河，数据网络？工作流集成？还是AI专业化？
下期根据大家的投票来深挖🔍
#AI工作流 #AI的神奇用法
2 01
在EonervaX社群里待久了，和不同的Founder接触过，会发现一件有意思的事：
这波AI创始人，比以前任何一波都多元特别。有中科院出来的研究员，有连续创业的老兵，有从美元基金跳出来自己干的，也有二十出头刚辞职出来的应届生。
我把典型的Founder类型总结了一下，来看看你属于哪种。
所有Founder都面临的3个共同难题
不管你是哪种Founder，有几个问题是你绕不过去的：
第一，AI技术迭代速度太快。
不管你是什么背景，你都在同一条学习曲线上。技术出身Founder的优势是代码能力，但新技术一出来，你三年积累的某些技术直觉可能就得更新。商业出身Founder以前靠对用户的理解建立壁垒，但用户的期望也在被AI不断重塑。这条学习曲线，对所有人都是平等的。
第二，找人是所有Founder的第一难题。
技术/商业/行业经验，组合起来才是完整的团队。但问题是你能找到的那个人，是不是真的愿意跟你？技术强的商业弱，商业强的技术弱，行业深的但不会讲融资故事。完美组合在现实里几乎不存在，所以每个Founder都在用自己最弱的那块板去装水。
第三，融资叙事和真实能力之间永远有Gap。
你知道自己的产品好，你知道自己有壁垒，但你怎么让投资人相信？融资叙事是把真实能力压缩成一段话，这段话需要说服一个没有深度行业背景的人。这件事，技术出身Founder觉得投资人听不懂，商业出身Founder觉得自己的技术描述不够有说服力，大家都在这个Gap里挣扎。
---
EonervaX能给你什么
我们是一个面向 AI 创业者的AI原生创投社区与工作室，将创始人、优秀人才、资源与资本连接在一起，为所有有兴趣有能力投身于AI领域的朋友提供触手可得的实际帮助。
无论你是什么类型的Founder，在这里都能得到你要的东西。
我们有：
一个开源知识库（即将上线）。
EonervaX的知识库覆盖多个学习路线板块，从股权设计到融资节奏，从团队搭建到产品化路径，从产品设计到底层技术。你遇到的问题，知识库里大概率有答案。
一个内容出口。
EonervaX的内容团队，可以把你做的项目、走过的弯路、验证过的判断变成内容，帮你在行业里建立影响力，同时帮EonervaX的读者看到真实的创业过程。
一群真正的同行者。
社群里有一线的创业者、有专注AI的极早期投资人、有擅长增长擅长落地的优秀人才、有提供资源的资源方。我们定期举办各种线上线下活动，很多人是真正带着问题来、带着连接走的。
一条真实的孵化路径。
如果你准备好了，EonervaX可以深度介入，从帮你梳理BP到陪见投资人，从产品定位到Growth策略。真正的优秀产品我们不收学费，但我们会要求你拿出真东西。
---
你是哪种Founder？
在评论区说出来。
这波AI创始人，比以前任何一波都多元特别。有中科院出来的研究员，有连续创业的老兵，有从美元基金跳出来自己干的，也有二十出头刚辞职出来的应届生。
我把典型的Founder类型总结了一下，来看看你属于哪种。
所有Founder都面临的3个共同难题
不管你是哪种Founder，有几个问题是你绕不过去的：
第一，AI技术迭代速度太快。
不管你是什么背景，你都在同一条学习曲线上。技术出身Founder的优势是代码能力，但新技术一出来，你三年积累的某些技术直觉可能就得更新。商业出身Founder以前靠对用户的理解建立壁垒，但用户的期望也在被AI不断重塑。这条学习曲线，对所有人都是平等的。
第二，找人是所有Founder的第一难题。
技术/商业/行业经验，组合起来才是完整的团队。但问题是你能找到的那个人，是不是真的愿意跟你？技术强的商业弱，商业强的技术弱，行业深的但不会讲融资故事。完美组合在现实里几乎不存在，所以每个Founder都在用自己最弱的那块板去装水。
第三，融资叙事和真实能力之间永远有Gap。
你知道自己的产品好，你知道自己有壁垒，但你怎么让投资人相信？融资叙事是把真实能力压缩成一段话，这段话需要说服一个没有深度行业背景的人。这件事，技术出身Founder觉得投资人听不懂，商业出身Founder觉得自己的技术描述不够有说服力，大家都在这个Gap里挣扎。
---
EonervaX能给你什么
我们是一个面向 AI 创业者的AI原生创投社区与工作室，将创始人、优秀人才、资源与资本连接在一起，为所有有兴趣有能力投身于AI领域的朋友提供触手可得的实际帮助。
无论你是什么类型的Founder，在这里都能得到你要的东西。
我们有：
一个开源知识库（即将上线）。
EonervaX的知识库覆盖多个学习路线板块，从股权设计到融资节奏，从团队搭建到产品化路径，从产品设计到底层技术。你遇到的问题，知识库里大概率有答案。
一个内容出口。
EonervaX的内容团队，可以把你做的项目、走过的弯路、验证过的判断变成内容，帮你在行业里建立影响力，同时帮EonervaX的读者看到真实的创业过程。
一群真正的同行者。
社群里有一线的创业者、有专注AI的极早期投资人、有擅长增长擅长落地的优秀人才、有提供资源的资源方。我们定期举办各种线上线下活动，很多人是真正带着问题来、带着连接走的。
一条真实的孵化路径。
如果你准备好了，EonervaX可以深度介入，从帮你梳理BP到陪见投资人，从产品定位到Growth策略。真正的优秀产品我们不收学费，但我们会要求你拿出真东西。
---
你是哪种Founder？
在评论区说出来。
3 01
Claude Design拆解：我总结了几个产品落地可复用的思路。
Anthropic 4 月 17 号把 Claude Design 这款设计工具挂上了 Labs 预览，底层跑的是 Opus 4.7 的视觉能力。
大厂已经不想只卖底层了，直接往设计生产链里切。模型从理解需求到出图，Copilot 和 Autopilot 的边界早晚会模糊。如果还在抠软件操作的熟练度，回报会越来越少。
往后能拉开距离的，大概就三样：能把模糊需求拆成能干的活儿，能攒一套好用的提示词控制体系，能在模型够不到的地方补上增量。
一、产品上几个值得看的地方
场景收得特别窄，只盯商业视觉。原型、PPT、品牌规范等，都是高频活儿。与其什么都掺一脚，不如扎进一两个垂直领域往深做。
设计和代码是打通的。跟 Claude Code 联动，稿子定了直接打包资产和说明，扔过去就能写前端。
交互主要靠聊，批注和滑块只是辅助。不用跟面板死磕。专业的人把行业经验转成结构化指令和模板更划算。
工具会记对话历史、偏好和品牌规范。需求含糊了它会追着问受众、风格。
二、提示词那点事
泄露的那份系统提示词就四层。第一层定个“资深商业视觉设计师”的身份，输出锁在设计圈。第二层逼它生成前必须追问。第三层靠文字规则管视觉质量。第四层要求产出能跟代码接上，自己先查一遍布局和规范。
通用框架三步走：先定角色、场景、目标；再给需求、规范、约束；最后说清输出格式、怎么联动、怎么查。
几个要点：少用“好看”这种虚词，加负面约束，别跳过追问，别脱离场景聊设计，需求得分主次。
三、Copilot 和 Autopilot，后面怎么走
Copilot 卖提效，抢软件订阅预算。Autopilot 卖成品，替掉外包人力。
巨头用大模型做底，Design、Code、Chat 几条线串起生产流程。他们强在模型和生态，弱在垂直深度、个性化和本地化。这几个弱处就是别人的机会。
现在能上手四件事：能力上从执行转管理，练提示词、拆需求、判价值。场景上找门槛深的领域扎下去。协同上划清人机分工。生态上别硬刚，做垂直模板、部署培训，变成服务方。
做同类产品的团队，三件事现在能做：场景往深扎；提示词别省功夫；收费想清楚。
企业盯三条线：业务分层、能力建设、风险防控。
四、最后
Claude Design 拆解下来，印象深的是它的路数明确。场景收窄、链路拉通、交互别复杂、记习惯会追问，这几招放别的 AI 应用一样管用。巨头往下压，你只要比它钻得深、转得快、离用户近，位置就有了。
#AI工作流 #AI的神奇用法 #创投好文推荐
Anthropic 4 月 17 号把 Claude Design 这款设计工具挂上了 Labs 预览，底层跑的是 Opus 4.7 的视觉能力。
大厂已经不想只卖底层了，直接往设计生产链里切。模型从理解需求到出图，Copilot 和 Autopilot 的边界早晚会模糊。如果还在抠软件操作的熟练度，回报会越来越少。
往后能拉开距离的，大概就三样：能把模糊需求拆成能干的活儿，能攒一套好用的提示词控制体系，能在模型够不到的地方补上增量。
一、产品上几个值得看的地方
场景收得特别窄，只盯商业视觉。原型、PPT、品牌规范等，都是高频活儿。与其什么都掺一脚，不如扎进一两个垂直领域往深做。
设计和代码是打通的。跟 Claude Code 联动，稿子定了直接打包资产和说明，扔过去就能写前端。
交互主要靠聊，批注和滑块只是辅助。不用跟面板死磕。专业的人把行业经验转成结构化指令和模板更划算。
工具会记对话历史、偏好和品牌规范。需求含糊了它会追着问受众、风格。
二、提示词那点事
泄露的那份系统提示词就四层。第一层定个“资深商业视觉设计师”的身份，输出锁在设计圈。第二层逼它生成前必须追问。第三层靠文字规则管视觉质量。第四层要求产出能跟代码接上，自己先查一遍布局和规范。
通用框架三步走：先定角色、场景、目标；再给需求、规范、约束；最后说清输出格式、怎么联动、怎么查。
几个要点：少用“好看”这种虚词，加负面约束，别跳过追问，别脱离场景聊设计，需求得分主次。
三、Copilot 和 Autopilot，后面怎么走
Copilot 卖提效，抢软件订阅预算。Autopilot 卖成品，替掉外包人力。
巨头用大模型做底，Design、Code、Chat 几条线串起生产流程。他们强在模型和生态，弱在垂直深度、个性化和本地化。这几个弱处就是别人的机会。
现在能上手四件事：能力上从执行转管理，练提示词、拆需求、判价值。场景上找门槛深的领域扎下去。协同上划清人机分工。生态上别硬刚，做垂直模板、部署培训，变成服务方。
做同类产品的团队，三件事现在能做：场景往深扎；提示词别省功夫；收费想清楚。
企业盯三条线：业务分层、能力建设、风险防控。
四、最后
Claude Design 拆解下来，印象深的是它的路数明确。场景收窄、链路拉通、交互别复杂、记习惯会追问，这几招放别的 AI 应用一样管用。巨头往下压，你只要比它钻得深、转得快、离用户近，位置就有了。
#AI工作流 #AI的神奇用法 #创投好文推荐
3 01
做 B2B SaaS 别再一上来搞大平台了：拆解 Hightouch 如何用一个小模块，吃下上千家品牌预算。
Hightouch 的故事很好玩：2019 年刚出来的时候，还是一个完全没名气的小团队，主打一个听上去很「工具人」的能力：把数据仓库里的数据，推回 Salesforce、HubSpot 这种一线工具里，也就是后来大家说的 Reverse ETL。
但他们踩中了三个关键点：
1. 不跟大厂 CDP 正面刚，绕开「大而全」的平台路线，先把一个小模块做到极致。
2. 死磕「连接」：谁家在用 Snowflake、BigQuery、Redshift，他们就优先打通谁家的生态，做 Marketplace、做官方合作，把分发交给渠道。
3. 只盯一个人群：已经有现代数据栈、愿意为数据激活买单的中大型客户，而不是谁来都接单。
更有意思的是，它一路「变形」升级：
第一阶段：Reverse ETL，「帮你把仓库数据同步到业务工具」；
第二阶段：Composable CDP，「你不用再买一整套 CDP，我帮你把仓库 + 各种工具拼成一个 CDP」；
第三阶段：AI Marketing Platform / AI Decisioning，「我不只是帮你搬数据，还直接帮你做营销决策、自动化投放」。
背后其实是一套很朴素的产品策略：
先占据一个数据链路里的「小节点」：Reverse ETL。这个点足够细，但离钱很近。
用这条数据链路往两端扩：一端连更多的数据源（Snowflake、Databricks 等），一端连更多营销、销售工具（Salesforce、广告平台、邮件平台等）。等连接做厚之后，再往「价值更高」的抽象层走，从「同步」变「洞察」，最后变成「决策」和「自动执行」。所以，Hightouch 真正牛的地方，不只是产品形态上的迭代，而是它始终站在一个位置——离钱最近的地方，是「让现有数据更快产生收入」。
它也不是一夜爆发，从 4 个早期客户，到 1000 多个品牌（Spotify、Dominos、Chime、PetSmart 等），中间是非常长的一条路：不断拆客户用例、补连接、做内容、做 SEO、做 ABM、做 Partner-led Growth，一点点滚出来的。
这类公司，对国内做 AI / 数据基础设施 / SaaS 的创业者挺有参考价值的：
你未必要一上来就 All-in 「大平台」，也可以先选一个数据链路中最被忽视、但离业务结果最近的小口子，打穿之后再反向扩张。
如果你也想一起拆这种 AI 创业案例 / 增长策略分析，
欢迎在评论区留「HT」，或者私信我关键词，我们拉你进入社群，慢慢聊。
Hightouch 的故事很好玩：2019 年刚出来的时候，还是一个完全没名气的小团队，主打一个听上去很「工具人」的能力：把数据仓库里的数据，推回 Salesforce、HubSpot 这种一线工具里，也就是后来大家说的 Reverse ETL。
但他们踩中了三个关键点：
1. 不跟大厂 CDP 正面刚，绕开「大而全」的平台路线，先把一个小模块做到极致。
2. 死磕「连接」：谁家在用 Snowflake、BigQuery、Redshift，他们就优先打通谁家的生态，做 Marketplace、做官方合作，把分发交给渠道。
3. 只盯一个人群：已经有现代数据栈、愿意为数据激活买单的中大型客户，而不是谁来都接单。
更有意思的是，它一路「变形」升级：
第一阶段：Reverse ETL，「帮你把仓库数据同步到业务工具」；
第二阶段：Composable CDP，「你不用再买一整套 CDP，我帮你把仓库 + 各种工具拼成一个 CDP」；
第三阶段：AI Marketing Platform / AI Decisioning，「我不只是帮你搬数据，还直接帮你做营销决策、自动化投放」。
背后其实是一套很朴素的产品策略：
先占据一个数据链路里的「小节点」：Reverse ETL。这个点足够细，但离钱很近。
用这条数据链路往两端扩：一端连更多的数据源（Snowflake、Databricks 等），一端连更多营销、销售工具（Salesforce、广告平台、邮件平台等）。等连接做厚之后，再往「价值更高」的抽象层走，从「同步」变「洞察」，最后变成「决策」和「自动执行」。所以，Hightouch 真正牛的地方，不只是产品形态上的迭代，而是它始终站在一个位置——离钱最近的地方，是「让现有数据更快产生收入」。
它也不是一夜爆发，从 4 个早期客户，到 1000 多个品牌（Spotify、Dominos、Chime、PetSmart 等），中间是非常长的一条路：不断拆客户用例、补连接、做内容、做 SEO、做 ABM、做 Partner-led Growth，一点点滚出来的。
这类公司，对国内做 AI / 数据基础设施 / SaaS 的创业者挺有参考价值的：
你未必要一上来就 All-in 「大平台」，也可以先选一个数据链路中最被忽视、但离业务结果最近的小口子，打穿之后再反向扩张。
如果你也想一起拆这种 AI 创业案例 / 增长策略分析，
欢迎在评论区留「HT」，或者私信我关键词，我们拉你进入社群，慢慢聊。
3 01
Copilot到Autopilot：红杉没告诉你的三件事
一
红杉合伙人Bek说：
下一个万亿美金的公司
不是做出更好用的软件
而是直接帮你把活干完
这就是Copilot和Autopilot的区别。
Copilot卖工具 🚗
Autopilot卖结果 🎯
卖工具，你永远在和模型赛跑。
卖结果，模型每次进步都让你的服务更快、更便宜、更难被竞争。
Bek给了一个让所有人停下来算账的数字：
$1软件 = $6服务
一家公司花$1万买财务软件
花$12万雇会计完成结账
下一个传奇公司不做好用的财务软件
直接帮你把账平掉
---
二
Autopilot最佳切入点：外包
一件事如果已经外包，意味着三件事同时成立：
✅ 企业接受外部主体完成
✅ 已有现成预算项
✅ 客户已接受按结果付费
替换外包合同 = 供应商切换 ✅
替换内部岗位 = 组织架构调整 ❌
前者摩擦远小于后者。
---
三
但在中国落地，有三个具体的坑。
❶ 信任土壤不同
美国卖专业判断
中国买的是"出了问题找得到人"
❷ 定价逻辑不同
美国按结果付费有合同法支撑
中国采购要"花了多少钱"作基准
❸ 数据壁垒高
医疗/法律/合同数据高度碎片
Autopilot护城河来自专有数据
这是中国市场的硬伤
中国有在做这件事的公司。
幂律MeCheck：合同审查95%准确率，更接近Autopilot方向，但还没到按结果定价。
秘塔MetaLaw：订阅制，更偏工具逻辑。
更现实的是部分结果交付：
帮客户完成一个具体任务
而不承接整个工作流
---
四
判断一个赛道能不能做Autopilot
问三个问题：
这个行业的专业人士是不是正在变贵变少？
客户是不是已经在为"更快的XX"付溢价？
产出能不能量化到按结果收费？
三个都是Yes → 就是你的Autopilot机会
---
五
把视角拉回自己的位置
Bek真正在问的是三个问题：
① 你在卖软件，还是帮客户完成工作？
② 你的定价是按工具还是按结果？
③ 三年后客户能不能说"不用招那么多人了"？
最后一个问题最关键。
如果人力结构没变化
做的还是工具生意
不是结果的生意
---
Bek说：
AI创业最值钱的
不是让机器更好地辅助人
而是让机器把人从工作里替代出去
能想清楚这件事的人
正在建立下一个万亿美金的公司
红杉原文链接：Sequoia "Services: The New Software" — Julien Bek，2026.3.5
sequoiacap.com
#提示词工程 #AI工作流 #AI的神奇用法
一
红杉合伙人Bek说：
下一个万亿美金的公司
不是做出更好用的软件
而是直接帮你把活干完
这就是Copilot和Autopilot的区别。
Copilot卖工具 🚗
Autopilot卖结果 🎯
卖工具，你永远在和模型赛跑。
卖结果，模型每次进步都让你的服务更快、更便宜、更难被竞争。
Bek给了一个让所有人停下来算账的数字：
$1软件 = $6服务
一家公司花$1万买财务软件
花$12万雇会计完成结账
下一个传奇公司不做好用的财务软件
直接帮你把账平掉
---
二
Autopilot最佳切入点：外包
一件事如果已经外包，意味着三件事同时成立：
✅ 企业接受外部主体完成
✅ 已有现成预算项
✅ 客户已接受按结果付费
替换外包合同 = 供应商切换 ✅
替换内部岗位 = 组织架构调整 ❌
前者摩擦远小于后者。
---
三
但在中国落地，有三个具体的坑。
❶ 信任土壤不同
美国卖专业判断
中国买的是"出了问题找得到人"
❷ 定价逻辑不同
美国按结果付费有合同法支撑
中国采购要"花了多少钱"作基准
❸ 数据壁垒高
医疗/法律/合同数据高度碎片
Autopilot护城河来自专有数据
这是中国市场的硬伤
中国有在做这件事的公司。
幂律MeCheck：合同审查95%准确率，更接近Autopilot方向，但还没到按结果定价。
秘塔MetaLaw：订阅制，更偏工具逻辑。
更现实的是部分结果交付：
帮客户完成一个具体任务
而不承接整个工作流
---
四
判断一个赛道能不能做Autopilot
问三个问题：
这个行业的专业人士是不是正在变贵变少？
客户是不是已经在为"更快的XX"付溢价？
产出能不能量化到按结果收费？
三个都是Yes → 就是你的Autopilot机会
---
五
把视角拉回自己的位置
Bek真正在问的是三个问题：
① 你在卖软件，还是帮客户完成工作？
② 你的定价是按工具还是按结果？
③ 三年后客户能不能说"不用招那么多人了"？
最后一个问题最关键。
如果人力结构没变化
做的还是工具生意
不是结果的生意
---
Bek说：
AI创业最值钱的
不是让机器更好地辅助人
而是让机器把人从工作里替代出去
能想清楚这件事的人
正在建立下一个万亿美金的公司
红杉原文链接：Sequoia "Services: The New Software" — Julien Bek，2026.3.5
sequoiacap.com
#提示词工程 #AI工作流 #AI的神奇用法
4 01
Github项目分享：挖到宝了，收藏这个项目，用上所有主流免费LLM API
挖到宝了，16个免费LLM API接口，收藏备用。
做 AI 应用的开发者都知道，免费 LLM API 水很深。
很多标着"free"的 API，其实要么是限时trial，要么要绑信用卡，要么配额少到根本没法用。
这个项目干了件事：把真正永久免费、不用绑卡、配额能用的 LLM API 全整理到一起了。
目前收录了16个供应商，覆盖了从 GPT-4 到国产模型，从通用推理到代码生成的各类场景，很适合想法验证阶段的产品👇
Groq — llama-70B/qwen-32b/deepseek-r1，30RPM/14K RPD，推理最快
OpenRouter — 35+免费模型，自动路由+fallback，新用户$10奖励
Cloudflare — 42+模型，10K Neurons/天，完全不花钱
NVIDIA — 90+型号，40RPM无日限，100+模型随便调
硅基流动 — Qwen3-8B/DeepSeek-R1，1000RPM/50K TPM，国产首选
Cerebras — llama-3.1-8B/Qwen-3-235B，100万token/天，~2600 tok/s
HuggingFace — 1000+开源模型，自动路由
Kilo.ai — DeepSeek-R1/Qwen-3/Nemotron，~200 req/hr
LLM7 — DeepSeek-R1/V3/Qwen-2.5-Coder-32B，30RPM
Azure AI — GPT-4.1/o3-mini/Llama-4，45+模型
Mistral — Mistral Large/Small/Nemo/Codestral，500K TPM
Cohere — Command R+/R7B，256K context，1000次/月
智谱GLM — GLM-4.7-Flash，永久免费，国产模型
Ollama Cloud — 400+模型，本地部署体验
怎么选：
→ 做生产项目 → Groq或NVIDIA
→ 想试各种模型 → OpenRouter
→ 中文场景 → 硅基流动
→ 预算极低 → Cloudflare
亲测稳定可用。
这个项目 GitHub 上 7k 多星，维护得很勤，各平台的免费层政策变化基本会及时更新。收藏等于用到。
GitHub：GitHub - mnfst/awesome-free-llm-apis: Permanent Free LLM API List (API Keys)
---
#AI工具 #GitHub #LLM #免费API #AI开发
挖到宝了，16个免费LLM API接口，收藏备用。
做 AI 应用的开发者都知道，免费 LLM API 水很深。
很多标着"free"的 API，其实要么是限时trial，要么要绑信用卡，要么配额少到根本没法用。
这个项目干了件事：把真正永久免费、不用绑卡、配额能用的 LLM API 全整理到一起了。
目前收录了16个供应商，覆盖了从 GPT-4 到国产模型，从通用推理到代码生成的各类场景，很适合想法验证阶段的产品👇
Groq — llama-70B/qwen-32b/deepseek-r1，30RPM/14K RPD，推理最快
OpenRouter — 35+免费模型，自动路由+fallback，新用户$10奖励
Cloudflare — 42+模型，10K Neurons/天，完全不花钱
NVIDIA — 90+型号，40RPM无日限，100+模型随便调
硅基流动 — Qwen3-8B/DeepSeek-R1，1000RPM/50K TPM，国产首选
Cerebras — llama-3.1-8B/Qwen-3-235B，100万token/天，~2600 tok/s
HuggingFace — 1000+开源模型，自动路由
Kilo.ai — DeepSeek-R1/Qwen-3/Nemotron，~200 req/hr
LLM7 — DeepSeek-R1/V3/Qwen-2.5-Coder-32B，30RPM
Azure AI — GPT-4.1/o3-mini/Llama-4，45+模型
Mistral — Mistral Large/Small/Nemo/Codestral，500K TPM
Cohere — Command R+/R7B，256K context，1000次/月
智谱GLM — GLM-4.7-Flash，永久免费，国产模型
Ollama Cloud — 400+模型，本地部署体验
怎么选：
→ 做生产项目 → Groq或NVIDIA
→ 想试各种模型 → OpenRouter
→ 中文场景 → 硅基流动
→ 预算极低 → Cloudflare
亲测稳定可用。
这个项目 GitHub 上 7k 多星，维护得很勤，各平台的免费层政策变化基本会及时更新。收藏等于用到。
GitHub：GitHub - mnfst/awesome-free-llm-apis: Permanent Free LLM API List (API Keys)
---
#AI工具 #GitHub #LLM #免费API #AI开发
2 01
从Hermes Agent看记忆系统的设计维度哲学
一、Hermes 记忆系统的设计特点
大多Agent解决怎么记住。Hermes解决记住什么值得留。
这个差异有点虚，我说几个机制。
1.Periodic Nudge 周期触发机制
系统会周期性给Agent发信号，让它去看最近发生了什么，判断有没有值得写进记忆的。
2.Skill 文件自生成
Agent会评估这个任务里用的方法是不是值得固化成可复用的文件。
3.Bounded Memory+冷热分层
意思是有限制的记忆，MEMORY.md最多2,200字符，USER.md最多1,375字符。超过上限的内容进session archive冷存储，移到后台存着，保留备查但不影响主窗口的响应速度，等主窗口的记忆因为合并而失效的时候，冷存储里的内容可以重新被激活使用。
二、记忆系统设计维度
结合其他Agent的记忆系统设计，聊一个话题：记忆系统的设计维度。
第一个问题：记忆是谁的责任？
Hermes选Agent自主。如果Agent记有效路径，记怎么做，那才往做事的方向走。Skill Self-Evolution就是这样的设计。
其他的记忆系统是用户负责，Claude Code让用户写CLAUDE.md告诉它记什么。Cursor让用户设计Memory Bank结构。OpenClaw是用户在文件里写框架Agent执行。
第二个问题：记忆有成本，你愿意付多少？
记忆有两层成本：容量成本和检索成本
容量成本分为bounded（有硬限制记忆）和unbounded（无硬限制记忆）
检索成本不直观，你记了很多但怎么找
Hermes选全量加载，检索时直接扫描，快但贵。
另一种语义搜索，检索时用语义相似度匹配，能存很多但准确率不稳。
MemGPT是语义搜索加冷热分层，bounded加全量加载是用容量换检索速度和质量。语义搜索加unbounded是用检索精度换容量。
第三个问题：记忆能进化吗？
有进化的系统每次完成后会回顾，这次用到的方法哪些值得固化，下次直接调用。记忆系统从存信息变成长能力。
Cursor的四层Memory Bank也在这条路上探索。
OpenClaw的compaction和dreaming是另一种进化，它不固化路径但定期把高频内容压缩成长记忆，保留核心且减少体积。
三、记忆系统的设计哲学
记忆系统的设计表面上是在设计怎么让AI记住更多，但真正设计的是我们和AI之间的关系。
AI不仅要知道用户，用户也应该感知到AI在记什么，学什么，进化什么。
未来我们和AI是一种什么样的关系，答案最终体现在记忆系统里。
一、Hermes 记忆系统的设计特点
大多Agent解决怎么记住。Hermes解决记住什么值得留。
这个差异有点虚，我说几个机制。
1.Periodic Nudge 周期触发机制
系统会周期性给Agent发信号，让它去看最近发生了什么，判断有没有值得写进记忆的。
2.Skill 文件自生成
Agent会评估这个任务里用的方法是不是值得固化成可复用的文件。
3.Bounded Memory+冷热分层
意思是有限制的记忆，MEMORY.md最多2,200字符，USER.md最多1,375字符。超过上限的内容进session archive冷存储，移到后台存着，保留备查但不影响主窗口的响应速度，等主窗口的记忆因为合并而失效的时候，冷存储里的内容可以重新被激活使用。
二、记忆系统设计维度
结合其他Agent的记忆系统设计，聊一个话题：记忆系统的设计维度。
第一个问题：记忆是谁的责任？
Hermes选Agent自主。如果Agent记有效路径，记怎么做，那才往做事的方向走。Skill Self-Evolution就是这样的设计。
其他的记忆系统是用户负责，Claude Code让用户写CLAUDE.md告诉它记什么。Cursor让用户设计Memory Bank结构。OpenClaw是用户在文件里写框架Agent执行。
第二个问题：记忆有成本，你愿意付多少？
记忆有两层成本：容量成本和检索成本
容量成本分为bounded（有硬限制记忆）和unbounded（无硬限制记忆）
检索成本不直观，你记了很多但怎么找
Hermes选全量加载，检索时直接扫描，快但贵。
另一种语义搜索，检索时用语义相似度匹配，能存很多但准确率不稳。
MemGPT是语义搜索加冷热分层，bounded加全量加载是用容量换检索速度和质量。语义搜索加unbounded是用检索精度换容量。
第三个问题：记忆能进化吗？
有进化的系统每次完成后会回顾，这次用到的方法哪些值得固化，下次直接调用。记忆系统从存信息变成长能力。
Cursor的四层Memory Bank也在这条路上探索。
OpenClaw的compaction和dreaming是另一种进化，它不固化路径但定期把高频内容压缩成长记忆，保留核心且减少体积。
三、记忆系统的设计哲学
记忆系统的设计表面上是在设计怎么让AI记住更多，但真正设计的是我们和AI之间的关系。
AI不仅要知道用户，用户也应该感知到AI在记什么，学什么，进化什么。
未来我们和AI是一种什么样的关系，答案最终体现在记忆系统里。
4 01
顶级 VC + 明星团队 + 130 万用户，
一家 AI 公司从上线到关停只用了 不到 10 个月。
这家公司叫 Yupp AI。
他们到底在做什么？
Yupp 总部在硅谷山景城，母公司 Ber Sarai Labs。
一句话概括：普通人免费用 800+ 个 AI 模型，顺手帮 AI 实验室打分。
你提问 → 系统同时调用两个模型 → 你选出更好的那个 → 拿积分、积分能提现。
C 端：免费用 ChatGPT / Claude / Gemini，还能「边用边赚钱」。
B 端：买到真实用户偏好数据，用来做 RLHF、模型对齐训练。
本质上是一个 「用户 ↔ 偏好数据 ↔ AI 实验室」双边市场。
真正的问题：站错了时代的那一层
1️⃣ 技术进步太快，模型差异被抹平
GPT / Claude / Gemini 飞速演进，普通用户已经很难说清「哪个明显更好」。当模型都「够好」时，大众点选产生的偏好数据，边际价值开始下降。
2️⃣ AI 实验室要的是专家数据，不是薅羊毛用户
Scale AI、Mercor 证明：AI labs 愿意为 PhD 专家、高质量标注付高价，而不是为「为了赚钱随便点几下」的用户付费。Yupp 的积分+现金裂变把 130 万用户训练成了「薅羊毛型」用户，而不是高质量标注者。
3️⃣ 行业从「比回答」进化到「交任务」
Yupp 生在大家还在 PK「哪个回答更好」的时期，但 2025–2026 的趋势已经变成 agentic AI：谁能帮我完成任务、跑完 workflow。交互从「问答」变成「任务委托」，在两个静态回答之间投票这件事，自然被边缘化。
4️⃣ 收入结构太单一，转型空间被锁死
Yupp 基本只靠「卖偏好数据给 AI 实验室」赚钱。B 端一旦发现这类数据不如专家数据值钱，水龙头关掉，公司就没第二条腿可以站。
5️⃣ 免费给用户，本质在替 OpenAI 打工
800+ 模型大部分要付 API 费。C 端完全免费，用户用得越多，Yupp 付给 OpenAI / Anthropic 的钱越多——这是一个 增长和亏损高度正相关 的结构。
留给我们的几个问题
如果你也在做 AI 产品，真的可以问问自己：
你现在做的是 技术栈里的哪一层？这层 3 年后还在吗？
你的增长，带来的是高价值用户，还是被补贴喂大的流量？
一旦核心假设失效（比如某类数据不再值钱），你的模型还有第二条收入腿吗？
Failory 对 Yupp 的评价很扎心：他们在正确的时间，为错误的堆栈层，构建了正确的产品。
在 AI 时代，被技术浪潮淘汰的速度，真的可能快过你把产品打磨完善的速度。
如果你也想一起拆这种 AI 创业成败案例 / 产品层选错的坑，
欢迎在评论区留「Yupp」，我们慢慢聊。
#AI工作流 #AI的神奇用法 #创投好文推荐
一家 AI 公司从上线到关停只用了 不到 10 个月。
这家公司叫 Yupp AI。
他们到底在做什么？
Yupp 总部在硅谷山景城，母公司 Ber Sarai Labs。
一句话概括：普通人免费用 800+ 个 AI 模型，顺手帮 AI 实验室打分。
你提问 → 系统同时调用两个模型 → 你选出更好的那个 → 拿积分、积分能提现。
C 端：免费用 ChatGPT / Claude / Gemini，还能「边用边赚钱」。
B 端：买到真实用户偏好数据，用来做 RLHF、模型对齐训练。
本质上是一个 「用户 ↔ 偏好数据 ↔ AI 实验室」双边市场。
真正的问题：站错了时代的那一层
1️⃣ 技术进步太快，模型差异被抹平
GPT / Claude / Gemini 飞速演进，普通用户已经很难说清「哪个明显更好」。当模型都「够好」时，大众点选产生的偏好数据，边际价值开始下降。
2️⃣ AI 实验室要的是专家数据，不是薅羊毛用户
Scale AI、Mercor 证明：AI labs 愿意为 PhD 专家、高质量标注付高价，而不是为「为了赚钱随便点几下」的用户付费。Yupp 的积分+现金裂变把 130 万用户训练成了「薅羊毛型」用户，而不是高质量标注者。
3️⃣ 行业从「比回答」进化到「交任务」
Yupp 生在大家还在 PK「哪个回答更好」的时期，但 2025–2026 的趋势已经变成 agentic AI：谁能帮我完成任务、跑完 workflow。交互从「问答」变成「任务委托」，在两个静态回答之间投票这件事，自然被边缘化。
4️⃣ 收入结构太单一，转型空间被锁死
Yupp 基本只靠「卖偏好数据给 AI 实验室」赚钱。B 端一旦发现这类数据不如专家数据值钱，水龙头关掉，公司就没第二条腿可以站。
5️⃣ 免费给用户，本质在替 OpenAI 打工
800+ 模型大部分要付 API 费。C 端完全免费，用户用得越多，Yupp 付给 OpenAI / Anthropic 的钱越多——这是一个 增长和亏损高度正相关 的结构。
留给我们的几个问题
如果你也在做 AI 产品，真的可以问问自己：
你现在做的是 技术栈里的哪一层？这层 3 年后还在吗？
你的增长，带来的是高价值用户，还是被补贴喂大的流量？
一旦核心假设失效（比如某类数据不再值钱），你的模型还有第二条收入腿吗？
Failory 对 Yupp 的评价很扎心：他们在正确的时间，为错误的堆栈层，构建了正确的产品。
在 AI 时代，被技术浪潮淘汰的速度，真的可能快过你把产品打磨完善的速度。
如果你也想一起拆这种 AI 创业成败案例 / 产品层选错的坑，
欢迎在评论区留「Yupp」，我们慢慢聊。
#AI工作流 #AI的神奇用法 #创投好文推荐
3 01