Posts

1913 年，福特高地公园工厂引入移动装配线，汽车底盘的装配时间从 12 小时 28 分压缩到 1 小时 33 分。这不是效率的改良，而是生产范式的重构。今天，AI 正在对创业做同样的事。 一场安静的换轨 1913 年之前，汽车是工匠在固定工位上逐件组装的。每个底盘架在同一个位置，工人围着它转。福特做了一件听起来很简单的事：让底盘动起来，让工人站着不动。装配线不是新工具，它是新范式——它改写了"造车"这件事本身。 The Founder’s Playbook: Building an AI-Native Startup 描述的就是这样一个时刻。2026 年的 AI 不是在"改良"创业流程，而是在重构"创办一家公司"这个行为的内在脉络。 过去几年，我们见证了几个关键节点的到来。2022 年底 ChatGPT 发布，AI 从实验室走进客厅。2024 年 agentic coding 工具成熟，一个人可以在一个下午做出过去一个团队几个月才能交付的产品。2025 年，YC 批次的创业公司中，单人创始的比例显著上升——不是因为他们更孤独，而是因为 AI 让一个人能跑出一个团队的节奏。 这不是"效率提升"。效率提升是在同一个范式里做得更好。换轨是——你不再需要优化旧范式，因为你换了一个。 什么是 AI Native？ 先说它不是什么。AI Native 不等于"用了 AI 的公司"。就像"移动互联网原生"不等于"做了个 App 的公司"——诺基亚有 App，但它不是移动原生。 AI Native 是一种组织范式：AI 在这里不是工具层，而是基础设施层。就像电力对工业革命的意义——你可以买发电机，但真正的变革来自整个工厂围绕电力重新设计。 在 AI Native 公司里，创始人的工作不是写代码、做研究、起草融资材料——这些 AI 都能做。创始人的工作是编排：决定用什么工具、在什么阶段、解决什么问题、达到什么效果。这就像福特工厂里的生产工程师，他不拧螺丝，但他设计螺丝被拧的顺序。 为什么是现在 三个条件同时成熟了。 最根本的变化在构建这一层。过去，做一个软件产品需要技术联合创始人、外包团队，或者足够长的 runway 去招人。现在，一个没有工程背景的创始人可以用自然语言描述需求，让 AI 生成、测试、调试、重构生产级代码。从"有想法"到"有产品"的距离被压缩到几乎为零。 研究这一层也跟着变了。创始人在第一年需要知道的事情——怎么发工资、怎么规划产品迭代、怎么写投资人备忘录——几乎全是创业前不懂的。过去答案是"找个懂的人"，现在 AI 成了随叫随到的跨领域专家。 ...

什么才算是AI Native：从卖工具到卖结果的新叙事 AI原生服务公司正在重写创业剧本：不是卖工具，而是直接交付结果。 YC Startup School最近一期节目中，主讲人Charlie Warren提出了一个颠覆性的观点：十年内，会出现一部分AI巨头公司，主业并不是做开发，而是被AI重新组织起来的服务公司。A16Z的投资团队也在多个场合强调，AI时代的创业机会不止于产品，更在于服务交付的重构。 这种转变正在发生。保险、税务、法务、审计、医疗文书、财务外包、合规服务、企业申报——这些传统、笨重、不互联网的行业，正在成为AI创业的新战场。根据麦肯锡研究，到2030年，AI有望自动化全球服务行业约30%的工作任务，市场规模预计超过万亿美元。 从SaaS到AI Native Service，一场从"卖工具"到"卖结果"的转向正在悄然发生。 从工具到结果：两种完全不同的商业逻辑 传统软件公司卖的是工具。客户买CRM是为了管理销售线索，买财务软件是为了处理账目，买合同工具是为了起草和审核文档。软件本身并不保证结果，它只是让客户内部的人更高效。 AI原生服务公司卖的则是结果。客户不再购买"合同审查工具"，而是购买"合同审查完成"；不再购买"报税软件"，而是购买"税务申报完成"；不再购买"合规助手"，而是购买"合规文件交付"。 核心区别在于责任边界：卖工具，客户需要学习工具、设计流程、承担执行结果；卖结果，服务公司要把业务的流程、质量控制、异常处理和最终交付都承担下来。这要求AI原生服务公司，既要具备传统服务外包BPO的运营能力，又要构建领先的AI驱动运营系统。 选市场：找到AI能真正创造价值的领域 不是所有服务行业都适合AI原生服务这条路。YC节目中指出，值得做的市场有几个关键特征。 第一，客户预算充足且持续。理想的入口是那些客户已经长期付费、但体验很差的服务：贵、慢、不透明、沟通成本高、结果不稳定。税务、保险、法务、审计、医疗、财务外包就特别典型。 第二，任务可拆解，能量化，有标准。AI擅长处理大量的、可以被验收、相对结构化、流程比较明确的工作，比如读取海量文件、提取关键信息、汇总撰写初稿、核对成百上千条规则。如果一个服务完全依赖专家经验判断，很难在早期直接自动化，但可以拆成一连串小任务，让AI先吃掉大部分工作量。 第三，客户关心结果，而不关心你的人力成本。客户只在意事情有没有办成、风险有没有降低、要求有没有达到、速度有没有提升。只要结果可信、交付稳定、责任清楚，新的供给方式就有机会替代旧方式。 Sam Altman测试：你的价值是否依赖模型本身？ 很多AI产品本质只是给大模型包了一层界面。YC节目中提到的"Sam Altman测试"提供了一个判断标准：6-12个月后，GPT模型能力继续大幅提升，你的公司会因此更强，还是会被OpenAI的新功能覆盖掉？ 如果你的服务价值只是"调用模型生成一段内容"，那会很危险，因为客户迟早自己就可以用模型完成同样的事情。但如果你的价值是精通复杂的行业流程、与客户建立深度信任、拥有独特的数据沉淀、质量控制能力出色、责任边界清晰、交付能力有保障，那么模型越强，你反而越有价值。 更强的模型会降低交付成本、提高处理速度、扩大服务范围、改善毛利结构。因此，顶尖的AI原生服务公司，必须建立在模型进步之上。 稳定交付是最大的壁垒，也是最大的难点 AI原生服务公司最大的挑战，是能不能稳定交付结果给到客户。服务行业卖的是信任，客户要的是确定性。 YC节目里有一句话：“variance kills these businesses faster than anything else”——不稳定性会比任何东西更快杀死这类公司。 想象一下：同样的问题，这次答对下次答错；同样的客户，这次体验好下次体验差；同样的流程，这个案例顺利，另一个案例失控。只要这种波动存在，客户对你的信任就会迅速被消耗掉。 一个真实案例：美国AI法律服务公司DoNotPay最初以"AI律师"的噱头吸引了大量关注，但因为AI回答的不稳定性，导致客户投诉激增，最终不得不转型为更注重人工复核的混合模式。 因此，AI原生服务公司的核心能力不是炫耀"全自动"，而是知道哪些环节要自动、哪些环节要人工、什么时候要多重审核、什么时候拒绝回答并升级给专家处理。人与AI协作不是为了让商业故事更好听，而是为了把风险控制在客户可接受的范围内。 不要被早期客户拖成定制外包 AI原生服务公司还有一个常见陷阱：早期客户需求很多，什么都想接，结果变成了定制外包。 为了获得收入，每个客户都有特殊要求，每个项目都要临时救火，每一单都要重新设计流程。公司收入会增长，团队也会扩张，但底层没有形成可复制的交付系统。 真正的优势在于：扎根某类服务场景，借助AI把过去没法标准化的环节做到标准化、把过去没法流程化的功能做到流程化、把过去复杂的工序做到简洁化，永远让下一单比上一单更容易交付。 对AI原生服务公司最重要的营收指标，不是全部收入，而是其中能复用的收入。 定价：不要让自己陷入低价困境 AI会让交付成本下降，但这并不意味着公司应该靠低价竞争。传统服务里，律师、顾问、会计按小时收费，但AI原生服务公司如果继续按小时收费，就浪费了自己的优势。 你卖给客户的不是时间，而是结果。如果你能够帮客户节省十万块，收一万块的服务费合情合理。但如果你主打的是"我们比传统顾问便宜50%"，客户反而会继续压价。 AI降低交付成本，价值定价保留利润空间。两者结合，才可能形成高毛利业务。否则，公司名义上是"AI原生服务"，实际上只是"AI低价外包"。 AI杠杆最终要体现在财务上 AI原生服务公司需要从一开始就把财务账算清楚。收入怎么来？交付成本是什么？毛利有多高？AI Token成本会不会失控？人工审核、异常处理、客户支持、数据处理分别占多少成本？每新增一个客户，需要增加多少人？ 关键财务指标：优秀的AI原生服务公司，应该随着规模扩大，毛利越来越好。早期可以有较多人工参与，但随着流程稳定、数据积累、模型能力提升，人应该逐渐从执行者变成监督者。 衡量标准：收入增长曲线要比人力增长曲线更陡。如果收入增长100%只需要增加30%的人力，说明AI杠杆在起作用。反之，如果收入和人力同步增长，那只是一家用了AI工具的传统服务公司。 行业数据：据A16Z报告，成功的AI服务公司毛利率通常在60%以上，而传统BPO公司毛利率普遍在20-30%之间。 对国内创业者的启发 中国SaaS长期难做，最大的敌人是企业客户都在"自研"软件产品。但是，企业过去就有许多业务是天然在持续付费和外包的：获客、财税、合规、申报等各种"办事"的服务。 这反而让AI原生服务公司有机会。国内有大量服务行业仍然低效、分散、不透明，但客户需求真实存在，比如财税、法务、外审、知识产权、跨境合规、企业资质申报、保险理赔、医疗文书、留学申请、审计内控、供应链单证等。 谁能把复杂服务拆成AI可执行的，谁能控制交付质量的方差，谁能建立客户信任，谁能围绕结果定价，谁就可能在传统服务业里做出新一代AI公司。 说到底，AI的机会不仅是"卖给客户"，也有可能是"交付结果"。过去的软件公司把工具卖给客户，让客户自己完成工作。AI原生服务公司则把客户需要的结果直接交付出来。 这要求创业者不只是懂AI，更要懂行业、懂流程、懂运营、懂质量控制、懂客户信任。这里的壁垒不仅在于用好AI，还得把传统服务做成一套稳定、可复制、可规模化的系统。 只要模型在继续变强，成本就能继续下降；只要通用AI覆盖率继续提高，你就能解决客户更多的新问题。下一代AI大机会，改变也许就在那些最传统、最繁琐、最贵、最慢、最不稳定的服务业深处。 AI原生服务公司的本质，就是把这些旧服务重新做一遍——不是卖产品，而是卖结果。 - FIN -

当AI泡沫遇见持续买入：一个数据分析师的自我怀疑与坚持 引言：连《持续买入》的作者都动摇了 2026年5月，全球股市涨得让很多人开始怀疑人生。 标普500连创新高，日韩台股同步起飞。Nvidia一家公司的市值超过中美之外任何一个国家的GDP。巴菲特手持将近4000亿美金历史最高仓位现金，连他都在等。 满仓AI的人怕这是顶，一路加仓的人怕自己是高位接盘的傻子，攒着现金等机会的人越等越觉得错过了。 而《持续买入》（Just Keep Buying）的作者Nick Maggiulli，在节目中说了一句让很多人震惊的话： “一年前，我变得有点悲观了。这可是破天荒头一次。我把股票仓位从100%减到了80%。” 连写《持续买入》的人都动摇了，这个市场到底怎么了？持续买入还管用吗？ 带着这些问题，我重新审视了Nick在这期播客中的观点。比起"持续买入"的投资建议，我更感兴趣的是——一个数据分析师如何在自我怀疑中坚持原则。 这才是这个故事最有意思的地方。 一、AI：泡沫还是换轨？答案是两者都是 Nick在节目中给出了一个相当诚实的回答： “可能两者都有点。如果你回顾任何重大技术变革的历史，总会有大量玩家蜂拥而至，也会有大量资金涌入。过度投资总是难免的。但与此同时，对于很多领域来说，它确实是一场换轨。” 这个回答没有给出明确结论，但恰恰说明了为什么现在的市场让人困惑。如果答案显而易见——要么是2000年的互联网泡沫，要么是真正的历史性变革——我们就不需要讨论了。 市销率的警讯 Nick看跌的理由很有意思：他用市销率（P/S）比较了Nvidia和1999年的Microsoft，发现两者几乎一模一样。 他喜欢市销率而不是市盈率，因为"盈利可以通过各种财务技巧来操纵，销售额则是实打实的。你不能伪造销售额，那直接就是诈骗了"。 2021年的SPAC热潮、市盈率的高企，让他产生了强烈的既视感。 但增长确实来了 然而，Nick也承认自己错了。他原本认为Anthropic一年内把ARR从30亿做到450亿是"天方夜谭"，结果他们轻轻松松就做到了。 “也许我当时太悲观了，因为我觉得这种增长预期简直是天方夜谭，结果它们真的实现了。” 这种认知冲突——既觉得像泡沫，又看到真实增长——正是当下每个投资者面临的困境。 二、《持续买入》的核心信条：三个支柱 Nick的核心投资建议只有一句话： “持续买入多样化的创收资产。” 这三个支柱各有深意： 持续买入：不需要择时，哪怕你掌握了关于未来的所有信息，每月坚持买入仍然是更好的选择。Nick在书中用数据证明了这一点。 多样化：不把鸡蛋放在一个篮子里。股票、债券、房地产——这些都是创收资产。黄金、比特币不算，因为它们不产生收入。 创收资产：能够产生某种收入的资产。黄金可以持有，但不应该成为投资组合的绝大部分。 Nick的实践：他从未停止买入，但会根据市场情况调整买什么——少买点美股，多买点国际股或债券。“关键是，我始终在买入”。 三、数据不会骗人：为什么择时是个伪命题 Nick最重要的论点是：数据压倒性地支持"持续买入"。 SPIVA数据：90%的主动基金跑输指数 这是一个让所有"选股高手"尴尬的事实。在长期，大多数专业投资者无法跑赢市场。 Nick的逻辑很直接：如果你不想付出任何努力就想战胜市场，这是不可能的。但如果你愿意花时间提升职业收入，那才是真正的财富来源。 “你在某一天，股市大涨或大跌，你赚的或亏的，可能比你当初在非常好的工作大半年里赚的还要多。” 随着投资组合越来越大，市场波动的影响超过工资收入。专注于职业，利用市场建立财富——这才是正道。 收入与财富相关性最高 Nick查阅了大量数据，得出的结论是：收入与财富相关度最高。这不是争议，是事实。 高收入人群存更多钱，存下来的钱去投资，形成正向循环。“人们最常见的致富途径，要么是有一份工作然后长期攒钱，要么是创办企业卖掉赚大钱。” 四、市场恐慌时怎么办？ 2020年3月23日的教训 Nick分享了他最尴尬的一次投资经历。2020年疫情崩盘时，他被恐慌情绪左右，在市场最底部附近卖出了股票。 结果呢？市场随后大涨，他完美错过了最肥的一段。 “我写《持续买入》这本书，结果连我自己都在那一刻违背了原则。” 这个故事告诉我们：情绪是投资最大的敌人。哪怕你懂所有道理，在极端市场面前，人性的弱点依然会让你犯错。 大萧条不是常态 很多人担心"大萧条重演"，但Nick指出这种可能性被高估了： 如果你在1929年高点买入标普500，持有到1950年代就回本了 持有20年，实际回报接近4% 100年的股票实际回报约为4% 时间会熨平波动。如果你有20-30年的投资期限，市场最终会给你惊喜。 五、要不要止盈？ 这是很多人现在最纠结的问题：市场这么高了，要不要卖出一部分？ Nick的反问很犀利： “你卖出的目的是什么？” 如果你卖掉是为了买房、支付婚礼费用等现实需求，止盈完全合理。但为了"分散投资"或"套现"而卖？“如果你不知道自己为什么要这么做，你就不应该做。” 另外，别忘了应税事件。卖出是要交税的，所以在做决定前要把这个因素考虑进去。 六、分散化比你想象的更难 Nick的仓位大致是80/20——80%股票、20%债券。股票部分一半美国、一半国际。 S&P 500集中度问题：Nick提醒，很多人觉得持有Nvidia、Microsoft、Apple就是"分散投资"，但实际上他们在科技股上非常集中。S&P 500本身已经集中于科技股，个股持仓只会更糟。 如果你担心集中度问题，可以考虑等权重配置，而不是盲目认为"我买S&P 500就是分散投资"。 Nick的特殊调整：正准备买房，现金储备增加——这是合理的，因为他有具体的资金需求。一旦买房完成，他会恢复80/20。 留下的提醒：分散化不是买几只股票就算完事，而是要理解你真正持有什么。 ...

API中转站的本质是Token经济在AI时代的特殊表现形式——通过破解信息壁垒和准入壁垒，将原本稀缺的计算资源转化为可套利的数字商品。 当OpenAI、Anthropic等厂商构建起技术壁垒时，中转站生态正在以轻量技术实现撬动巨大的连接红利。根据CISPA亥姆霍兹信息安全中心2026年3月发布的《真金白银，假冒模型》研究报告，17家被测中转站中有近50%存在模型替换行为，这揭示了行业的核心矛盾：技术门槛低、监管套利空间大、数据安全风险高。本文从Token的本质、技术实现、商业模式、风险评估四个维度展开深度研究，并新增分销商模式与边缘计算整合模式的分析。 Token的本质：AI时代的数字货币 Token是AI模型的"燃料"，是衡量AI服务价值的基本单位。Token的本质在于它将复杂的计算资源（GPU算力、模型参数、训练数据）转化为可计量、可交易的数字商品。一个GPT-4的Token约对应0.75个英文单词或1.5个中文字符，背后是数千亿参数模型的推理计算。Token经济的核心逻辑是：算力成本 → Token定价 → 服务变现，中转站正是在这个链条中找到了套利空间。 Token与AI模型的逻辑纽带： 环节 技术本质 经济意义 中转站角色 Token生成 模型推理计算 价值创造 无（厂商完成） Token定价 成本+利润 价值分配 重新定价套利 Token流通 API调用消费 价值交换 渠道垄断 Token结算 按Token计费 价值实现 截留价差 技术实现：轻量架构下的接口统一 中转站的技术实现远比想象中简单，核心是一个API网关层的封装。你可以把它想象成一个"翻译官"——接收用户的请求，翻译成目标模型能理解的语言，拿到结果后再翻译回来。核心技术栈包括：反向代理（Nginx/Envoy）、API路由与鉴权（自定义或使用Kong/Gateway）、请求转换层（将非OpenAI格式转换为标准格式）、负载均衡与限流。以new-api为例，其核心代码不超过5000行，主要实现三个功能：格式转换、密钥管理、请求转发。这个轻量架构正是中转站能低成本运作的关键——技术门槛低意味着任何人都能进入，这也为灰色和黑色模式的滋生提供了土壤。 技术方案对比： 技术方案 实现复杂度 性能表现 扩展性 代表项目 成本估算 纯反向代理 低 高 低 简单中转脚本 <1万元 API网关封装 中 中高 中 new-api 5-10万元 企业级架构 高 高 高 OpenRouter 50-100万元 关键技术细节： 格式转换：将Claude的XML格式、Gemini的JSON格式统一转换为OpenAI格式 密钥管理：用户密钥与上游密钥解耦，支持多租户管理 流量控制：防止单个用户耗尽额度，实现公平分配 商业模式：五级光谱下的套利逻辑 商业模式可清晰分为五个层级，从合规到违法形成完整光谱。 白色模式：正规平台费 以OpenRouter为代表：5.5%充值手续费、300+模型接入、月处理70万亿Token，透明合规但利润微薄。国内的CloseAI宣称服务阿里、腾讯等大客户，通过正规企业合作协议获取批量折扣。 分销商模式：返利与折扣整合 这是一种更高级的商业模式。中转站作为中间商，与多家模型厂商（OpenAI、Anthropic、Google等）谈判大客户价格，获取批量折扣和季度返利。然后通过高于供应商成本但低于官方零售价的价格，以分销商模式卖给小型商家或个人用户。小商家可以在多模型中自由对比和切换使用。价值创造：通过规模效应降低成本，为中小客户提供多模型选择的便利。安全风险：数据仍需经过中转站，存在泄露风险；依赖上游厂商政策变化。 灰色模式：暴利操作 Web2API逆向：就像把ChatGPT Plus的网页界面"扒"下来，做成API接口对外售卖。一个20美元/月的Plus账号，能拆成API卖给几十个人用。Sub2API拼车更有意思，它专门做订阅账号共享，一个账号同时给5-20人用。20美元的订阅费，5个人分摊每人只要4美元，中转站转手卖8美元，净赚100%。这种模式本质是把个人订阅权限当成"批发商品"来卖，成本几乎为零。 边缘计算整合模式：算力资源最大化 这是最高级的模式。中转站将边缘计算的算力资源整合，将不同时段的折扣（如夜间低峰期折扣）整合，实现算力资源和API资源的最大化利用。例如： ...

Harness时代：一场从"信任人"到"信任AI"的组织革命 引言：当AI从工具变成主导者 2026年的春天，硅谷传来一个令技术圈震动的数据：一家25人的公司，99%的代码由AI完成，每天平均3到8次生产部署，过去需要六周的产品开发流程，如今一天就能跑完。这不是科幻，而是CreaoAI在《Why Your “AI-First” Strategy Is Probably Wrong》中展示的真实案例。 这篇博文之所以在X上获得百万级阅读，不是因为它描述了一个美好的愿景，而是因为它撕开了"AI-First"转型中最那道最难跨越的伤疤——信任。不是对AI能力的信任，而是对AI作为生产力主导者的信任，是对整个组织从"人驱动AI"转向"AI驱动人"这一根本性变革的信任。 CreaoAI成立于2025年11月，25名员工中只有10名工程师。创始人Peter Pang在2026年1月做出了一个大胆的决定：从零开始重构整个产品架构和工程工作流。两周后，新系统上线。如果产品能够自我构建，它就能work。 一、Harness Engineering：工程团队的首要任务不再是写代码 从概念到实践：OpenAI的定义 2026年2月，OpenAI发表了一篇文章，阐述了"Harness Engineering"的概念：Creao其实早就在践行这一理念，只是没有给它命名。 Peter Pang对Harness Engineering的核心定义： “工程团队的首要任务不再是写代码，而是使Agent能够做有用的工作。当某件事失败时，修复方案永远不是’再努力试试’。修复方案永远是：缺了什么能力？我们如何让这个能力对Agent可见且可执行？” 这个定义揭示了Harness的本质：从"人修复问题"到"系统获得能力"。传统思维是"人出了错，人来修"；Harness思维是"系统缺能力，系统补能力"。 从Prompt Engineering到Harness：认知的三次跃迁 回溯大模型应用的历史，我们经历了三个认知阶段： 第一阶段：Prompt Engineering（提示词工程） 这个阶段人们相信，只要写好提示词，AI就能乖乖听话。但prompt的边界太明显——它太依赖人的表达能力和对AI的理解，同样的需求，换一个表述，结果可能天差地别。 第二阶段：Context Engineering（上下文工程） RAG（检索增强生成）技术风靡一时，核心逻辑是"喂给AI足够多、足够准确的上下文"。但上下文是静态的，而AI处理的任务是动态的；上下文是过去的经验，而任务总是面向未知的场景。 第三阶段：Harness Engineering（挽具工程） Harness不是静态的配套系统，而是"驯化"通用智能的动态过程。它解决的是如何让一个AI系统从"能干活"进化到"会自我优化"的问题。 而Harness要做的是，让整个系统成为一个人机共生的生态系统：AI不仅执行任务，还能根据执行结果调整策略；系统不仅能工作，还能识别自身的缺陷并自我修复。 “Prompts are disposable”：一个反直觉的真相 Peter在原文中提到了一个反直觉的观点： “A production system needs to be stable, reliable, and secure. You need a system that can guarantee those properties when AI writes the code. You build the system. The prompts are disposable.” ...