# 【十字路口】OpenClaw 之后，谁将定义主动式 AI 的新战场？｜对谈 AirJelly 黄柏特【视频播客】 Koji杨远骋 · 2026-03-25 黄柏特带着他的主动式AI产品AirJelly来到十字路口，详解为何将Enter键视为人类意图的最高频入口——每次按下都是高光时刻，比全量录屏更精准。他讲述了从开源项目MineContext到创业的跌宕历程，并在被OpenClaw等基础能力冲击后，最终选择将上下文感知与强执行能力结合，构建用户难以迁移的记忆护城河。投资⼈李一豪则分享了看好的领域：敢做通用Agent的团队，以及能在垂直行业发挥价值的AI原生应用。 ## Key moments - **[0:00] 开场** - [0:00] Koji开场暴论："我们今天与ChatGPT、与OpenClaw、与Minds、与Claude Code的互动方式，很可能不是最有效率的方式。" - **[1:20] Context到Agent** - [1:31] 黄柏特解释AirJelly从MineContext的演进：从每15分钟截图改为事件驱动分析，并借由集成OpenClaw获得执行能力。 - **[3:18] Enter即意图** - [3:18] 黄柏特提出AirJelly的核心创新：重新定义Enter键，因为IM、chatbot和搜索都在Enter时表达用户意图。 - [4:35] 李一豪描述AirJelly的魔法时刻：有一个人看着你工作，感知跨应用、跨文件的连续上下文并主动交互。 - [5:21] 李一豪讲述投资黄柏特的故事：注意到MineContext的激进context方案，见面后欣赏其长时间思考和雄心。 - **[6:56] 壁垒在脏活** - [7:04] 黄柏特回忆Cowork和Claude Code更新对他们产品方向的冲击：验证了直觉但也被吞噬，意识到单纯简化没有壁垒。 - [9:22] 黄柏特分享判断创业方向可行性的方法：尝试用web coding实现，如果得分60-80就表明没有壁垒，不值得做。 - [11:28] 黄柏特分享内部使用AirJelly的惊喜案例：用AirJelly编写AirJelly代码，设计师看demo后立即加入，以及跨平台找回未保存的简历。 - **[14:53] 主动式AI定义** - [15:07] 黄柏特定义广义和狭义的主动式AI：真正的主动式AI需要捕获用户场景中的明确意图和上下文，AirJelly通过Enter实现这一点。 - [16:25] 黄柏特指出Preactor和游戏助手等垂直主动式AI产品的局限：因只能获取单一场景上下文，无法实现通用主动式AI。 - [17:35] 黄柏特解释AirJelly如何组织上下文：将捕获的意图上下文加工成事件(event)和实体(entity)，以实现更精准的召回和预测。 - [20:09] 黄柏特用历史类比AirJelly的上下文哲学：如同历史书只记录关键事件，AirJelly只捕获输入Enter时的意图高光时刻，而非全量记录。 - [21:13] Koji与黄柏特辩论：ChatGPT等chatbot能否实现主动式AI？黄柏特认为对话模态仅获取极少上下文，视觉模态占95%以上，且大公司有隐私顾虑，因此创业公司有机会。 - **[23:10] 记忆护城河** - [23:10] 黄柏特认为2C Agent应用的核心壁垒是用户记忆：长时间积累的个人记忆难以迁移，形成护城河。 - [24:33] 李一豪补充：在构建成本越来越低的AI时代，定义问题本身最有价值，AirJelly能先接触用户并沉淀高价值问题。 - [25:16] 黄柏特反思主动式AI的非共识：大多数产品做发散（如ChatGPT的Pause），增加认知负担；AirJelly做收敛，顺着用户意图推动下一步。 - **[26:15] 主动时机学** - [26:39] 黄柏特分享AirJelly平衡主动提醒的经验：在用户切换应用等低专注状态介入，并利用dismiss/pause信号实现千人千面的频率调整。 - [27:42] 李一豪分享CreekStone在2026年重点关注的三大方向：agent talker、agent基础设施和为agent打造的硬件。 - [30:13] 黄柏特阐释AirJelly与OpenClaw的代表性比较：龙虾象征强大执行但感知有限，水母代表多模态感知，叠加记忆和上下文产生更强效果。 - [31:43] 黄柏特解释AirJelly如何管理无限增长的上下文：个人每日截图量级小，通过事件合并更新和带时间衰减的混合检索保持效率。 - [33:02] 黄柏特分享OpenClaw对AirJelly的两点启发：采用开源的Pi框架，以及类似“养龙虾”的养成式产品理念以增加用户耐心。 - [34:10] Koji观察到OpenClaw的线下“养虾”聚会现象：用户将对工具的容忍转变为对养成品的耐心，工具人格化趋势明显。 - **[35:29] 通用之争** - [35:48] 黄柏特解释AirJelly选择通用方向的原因：受Minds启发，先做通用让用户实践收敛具体场景，同时也是对AI能力的尊重和对用户创造力的谦逊。 - [37:51] 李一豪分析通用与垂直的创业选择：通用需要定义新框架的雄心和全球宣发能力，对多数创业者而言，用新框架解决垂直深问题更实际。 - [40:31] 黄柏特宣布AirJelly正在大力招聘市场营销、全栈开发和研究人员，支持远程和project形式。 - [41:40] 黄柏特描述AirJelly的“零会议”文化：日常线下流式沟通，用AirJelly团队版实现代理间进度同步，战略讨论在黑板上进行。 - [43:51] 黄柏特阐释公司名“持续低熵”的哲学：源自热力学（有序）、生物学（生命需要负熵）和信息学（降低预测与真实的差距），寓意用硅基token增强碳基人类。 - **[45:18] 隐私与魔法** - [45:40] 黄柏特回应隐私信任问题：技术上采取端到端加密、本地存储和PII脱敏，情感上设计可爱水母形象，且隐私限制大公司入场将成为护城河。 - **[47:50] 跨平台融合** - [47:50] Q: 移动端缺失上下文会造成记忆残缺，如何解决？黄柏特表示PC端已覆盖大部分生产闭环，移动端将开发触发机制，并与硬件厂商合作通过VLM打通全场景。 - [50:21] 黄柏特解释从微信获取完整上下文的方案：通过一问一答的截图合并，以及用户手动按Enter补充长对话，未来还会加入组合键输入额外信息。 - **[52:32] 巨头挑战** - [52:32] 李一豪分享CreekStone应对巨头竞争的三点策略：与创业者动态学习，提供复合型人才网络，拓展异业合作。 - [54:13] 李一豪介绍CreekStone的AI原生实践：用Claude Code自动化项目发掘和沉淀知识，并计划用AirJelly打造基金的知识水母。 - [56:20] 黄柏特预测AirJelly可能失败的两个原因：触达用户不够快而被大厂覆盖，或在隐私与效率的平衡上失控；并预告3月18日开放内测。 - **[58:36] 未来畅想** - [58:36] 黄柏特畅想AirJelly成功后的未来图景：每个人拥有一个全量上下文的personal agent，代理间可协作，实现生产力高度发达和心灵慰藉。 - [59:50] 黄柏特提出人与agent的关系将是一对一：因为一对一具备稳定性和特殊性，符合哲学底层，多对一则沦为奴隶。 - [1:00:52] 黄柏特分享辩论经历如何塑造创业思维：辩论教会他从不同角度深化认知，与创业中打磨不完美方向的过程一致。 - [1:03:24] 黄柏特说：“童年是和平年代的假象”，AI时代如同战争，时间窗口在缩紧，所有人不论资历都应立刻投入创业。 - [1:04:59] 李一豪和黄柏特展望2026：期待跨越OpenClaw概念，关注上下文和主动式突破；黄柏特希望AirJelly成为优秀年轻人才的归属。 - [1:07:17] Koji总结：2025年AI行业发生跳变，相信2026年同样会有跳跃式变化，期待AirJelly上线。 ## Speakers - **Koji杨远骋** (host) - **李一豪** (guest) - **黄柏特** (guest) ## Topics 智能体, 记忆机制, 投资趋势 ## Mentioned Boss直聘 (company), CreekStone (company), OpenAI (company), 字节跳动 (company), AirJelly (product), ChatGPT (product), Claude Code (product), Cowork (product), Cursor (product), Gemini (product), Manus (product), Minds (product), MineContext (product), OpenClaw (product), Pi (product), Preactor (product), Typeless (product), 微信 (product), 豆豆游戏伙伴 (product), 龙 (product) ## Transcript ### 开场 **Koji杨远骋** [0:00] 哎 ， 我是 Koji。 那我们今天与 ChatGPT、 与 OpenClaw、 与 Minds、 与 Claude Code 的互动方式 ， 很可能不是最有效率的方式 。 那这一个暴论啊 ， 相信它的人还不少 ， 那也有一些创业者在为之努力 。 我们今天的嘉宾之一 ， 黄柏特也是其中之一 。 你好 ， 柏特 ， 欢迎来到十字路口 。 **黄柏特** [0:19] 哈喽 ， 大家好 ， 我叫柏特 。 **Koji杨远骋** [0:21] 柏特呢是 AirJelly 这款产品的创始人 ， 那今天和柏特一起来十字路口也是我们老朋友 ， 一豪 ， 他的天使投资人 。 **黄柏特** [0:28] 谢谢 Koji。 **Koji杨远骋** [0:29] 我们还是先从快问快答开始哈 ， 因为一豪之前已经快问快答过了 ， 所以我们就直接从柏特来 。 那请问你的年龄 。 **黄柏特** [0:36] 啊二十四 。 **Koji杨远骋** [0:37] 毕业院校 。 **黄柏特** [0:38] 呃 ， 西安电子科技大学 。 **Koji杨远骋** [0:39] 你的这个 MBTI 和星座 。 **黄柏特** [0:41] ENTP， 摩羯座 。 **Koji杨远骋** [0:43] 一句话介绍一下 AirJelly。 **黄柏特** [0:44] AirJelly 是你的主动式上下文感知伙伴 ， 它能够记住你 ， 呃 ， 在任何地方做的事情 ， 并且在恰到好处的时候主动来帮助你 。 **Koji杨远骋** [0:53] 嗯 ， 然后咱们目前的融资的情况 。 **黄柏特** [0:56] 呃 ， 我们是刚完成了天使轮 ， 然后第二轮正在紧锣密鼓地推进中 。 **Koji杨远骋** [1:02] 那目前团队的规模有多大 ？ **黄柏特** [1:04] 呃 ， 八个人 。 **Koji杨远骋** [1:04] 可以介绍一下创业前在做什么吗 ？ **黄柏特** [1:07] 校招的时候进了字节 ， 做了半年的开源项目的产品经理 ， 叫 MineContext， 通过周期性的屏幕截图去捕获你的上下文信息 ， 然后进行存储和分析 。 **Koji杨远骋** [1:20] 它在 GitHub 上面有五千多个 star。 我第一次知道柏特也是因为 MineContext。 对 ， 可不可以讲一讲 ， 就从 MineContext 到今天创业做 AirJelly， 就这个中间的旅程 。 ### Context到Agent **黄柏特** [1:31] MineContext 的话是我在字节做的一个开源项目 ， 然后我们当时的理解是 ， 现在所有的 AI 对话还是 chat 来获取 context。 那我们认为说 ， 呃 ， 直接对视觉进行理解应该是更第一性 、 更本质的 ， 所以就做了这样一个产品 。 当时我们的理解是通过周期性的截图 ， 然后周期性每十五分钟进行分析 ， 做了这样一个东西 。 然后当时的话 ， 其实做了就单 纯是一个记录 。 后续我们其实 ， 呃 ， 看了很多的产品 ， 也做很多思考 。 现在升级成的 AirJelly 它有几点不同 ， 第一点的话是我们不再是 ， 呃 ， 按十五分钟的周期性分析 ， 我们是去分析你具体的事件 。 比如说你可以理解过去它是一个 ， 呃 ， 编年体的史书 ， 然后现在是一个纪传体的东西 ， 所以它能更精确地了解你的任务和意图 。 那第二点是 ， 呃 ， 过去我们没有做太多执行上的东西 ， 现在我们让它加上了非常强的执行能力 ， 我发现它形成了一加一大于十的效果 。 **Koji杨远骋** [2:34] 什么样的执行能力 ？ **黄柏特** [2:36] 呃 ， 就是我们相当于原生接入了 ， 呃 ，OpenClaw 它底层的框架 ， 所以让它具有了非常强的一个执行能力 ， 它可以各种调用 skill， 然后 ， 呃 ， 操作你的电脑 ， 使用浏览器 ， 然后叠加上你过去的 ， 呃 ， 获取到的各种记忆 。 所以它相当于是一个既有最强的 context， 同时又有非常前沿的一个 ， 呃 ， 模型执行能力 。 **Koji杨远骋** [3:00] 嗯 。 **黄柏特** [3:00] 所以有一个非常好的 magical 的效果 。 **Koji杨远骋** [3:03] 嗯 ， 哎 ， 咱们刚才是说这个总结从十五分钟变成这个按事件去 trigger 嘛 。 **黄柏特** [3:06] 嗯 。 **Koji杨远骋** [3:07] 那目前咱们截图的频率是这个多快 ？ **黄柏特** [3:10] 我们过去截图频率其实是十五秒 、 三十秒 ， 就是我们其实也做了大量的方案 ， 但我们现在想到一件最 sharp 的事情 。 ### Enter即意图 **Koji杨远骋** [3:18] 嗯 。 **黄柏特** [3:18] 就今天要给大家分享出来 。 呃 ，Cursor 重新定义了 tab。 **Koji杨远骋** [3:24] 嗯 。 **黄柏特** [3:24] 呃 ，Typeless 重新定义了 FN。 我们今天其实想占据的一个新域或者重新定义的就是一个键 ， 一个键 ，enter。 **Koji杨远骋** [3:34] 嗯 。 **黄柏特** [3:34] Enter 的意思就是我们判断说当前乃至未来长期的趋势 ， 人与人的聊天还是要通过 IM， 那人与 AI 的聊天其实通过 chatbot， 人与外界信息交互的方式其实是通过 ， 呃 ， 浏览器的 search。 这三种方式它表达意图其实都是通过 enter。 也就是说我们会在 enter 的那一刻进行截图 ， 获取你 enter 那一刻的意图和相关的上下文 ， 从而对你的意图和行为轨迹有一个最 棒的建模 。 **Koji杨远骋** [4:02] 欸这个还挺有意思的 。 **黄柏特** [4:04] 是 。 **Koji杨远骋** [4:04] 嗯 ， 就是每次 enter 的时候就截一个图 ， 因为那是一个关键的用户在表达自己意图的时间点 。 **黄柏特** [4:09] 对 ， 那是一个可以理解为是一个高光 。 **Koji杨远骋** [4:12] 嗯 。 哎 ， 你们已经在内部开始测试 ， 就是用 enter 作为 trigger 去截图 ， 和之前比如说每隔 ， 呃 ， 五秒 、 十五秒 ， 就哪种的效果更好呀 ？ **黄柏特** [4:21] 用了 enter 之后 ， 首先它没有了噪音 ， 因为我们之前一直解决不太好的一个问题是 ， 它可能到时间了 ， 可能你是一个无序的浏览 ， 它也截下来了 。 但 enter 的话 ， 我们能确保它一定是你的意图 。 **Koji杨远骋** [4:35] 一豪 ， 就作为天使投资人 ， 你应该 ， 这个 ， 可以最先用到 AirJelly 吧 ， 然后目前你这个用下来有一些什么样的体会感受啊 ？ **黄柏特** [4:43] 对 ， 我觉得 AirJelly 最大的这种魔法时刻是有人看着你工作 ， 这是一种非常神奇的体验 。 其实我们都用了 Minds 啊 ， 用了这个 OpenClaw。 **Koji杨远骋** [4:53] 嗯 。 **黄柏特** [4:53] 它的体验也非常好 。 **Koji杨远骋** [4:54] 嗯 。 **黄柏特** [4:54] 它有一部分来自于对你本地文件的理解 ， 其实有个大量的 context 注入 ， 但是实际上我们的很多跨 APP、 跨扉书 、 跨不同的工具上的连续性的 context， 它可以很好地感知基于这些又主动性的跟你交互 ， 甚至规划特别长程和复杂性的任务 ， 我们捕获的就是最有价值的 context。 **Koji杨远骋** [5:13] 就是你是在什么时间点这个发现柏特 ， 然后他是什么地方打动了你 ， 然后让你决定做出投资的这个决策 。 **黄柏特** [5:21] 对 ， 又到这个恋爱故事环节 。。 就是我们是 ， 呃 ， 在去年 ， 其实一个是九月底的时候 ，Claude Code Agent SDK 发布 ， 那个时候包括伴随着 instruction modeling 出来 ， 我们一直其实很关注 ， 呃 ， 垂直方向 context 收集 。 然后那时候正好其实还是我们投的豆包的小伙伴也跟我们讲到说 ， 就在应该是九月三十号可能 ， 啊 ， 是 ， 发布的 MineContext， 呃 ， 自己的一个开源产品 ， 它 有非常激进的 context 截取的方案 ， 我们就觉得这个太 sharp 了 。 **李一豪** [5:53] 然后就找到了这个百特 ， 然后我们在北京 ， 在星巴克这个喝了一次咖啡 。 我觉得这次给我的感觉就是他对这个问题背后实际上是有非常长时间的连续性思考 。 **Koji杨远骋** [6:03] 嗯 。 **李一豪** [6:03] 第二点就是百特身上散发的 ， 就是我觉得有代表性的年轻创业者的这种雄心 。 **Koji杨远骋** [6:09] 嗯 。 **李一豪** [6:09] 而且不设限 ， 然后对于任何事情都有非常主动性的 ， 呃 ， 思考 。 就是他做 proactive， 他自己也是个比较 proactive 的人 。 然后我觉得第二点特别打动我们的是 ， 在我们就是来回碰撞 、 来回思考的过程中 ， 其实经历了一些变化 ， 经历了 Cowork 的发布 。 **Koji杨远骋** [6:24] 对 。 **李一豪** [6:24] 甚至到其实 ， 呃 ， 一月初 OpenClaw 出现 。 **Koji杨远骋** [6:27] 是 。 **李一豪** [6:27] 其实这里边给我们提出的挑战也有机会 ， 对吧 。 有一些功能可能就被更广域地被做出来了 ， 被宣发了 。 有些东西其实更 ， 更把这个创业者推到了这个极限外 。 在这个思考过程中 ， 其实百特的体现出来是非常独立的思考 ， 非常坚定的信念 ， 包括对这个打法 ， 对市场布局 ， 对优秀人才的这种渴望 ， 都是自然而然地不断出来 。 这就是相当于在我们判断体系里面不断地加分 ， 不断加分 ， 那我们就非常非常想来早点去投进来 。 ### 壁垒在脏活 **Koji杨远骋** [6:56] 然后刚才一豪有说到 ， 就是 Cowork 发布其实带来的这种冲击还是蛮大的 ， 你可以具体讲一讲 ， 就在那个时刻 ， 那个冲击具体是什么 。 **黄柏特** [7:04] 我们大概在去年十二月多出来 ， 当时其实定了一个方向是做 task engineering， 就是围绕 ， 呃 ，task 进行建模 ， 然后也是同时呢我们把 Claude Code 做得简易化 。 呃 ， 其实就是 Cowork 以及说 ， 呃 ，Claude Code 现在发展的这个形态 。 所以我们第一个说觉得 Claude Code 当时它那个 to do 是不够的 ， 我们把它建模成 task。 一开始我们是非常兴奋的 ， 就感觉事情做得非常对 。 但是我 们后来在十二月 20 号就是 Cowork 出了 ， 包括一月多 Claude Code 它最新把 to do 改成 task 之后 ， 就是既是兴奋又是有点崩溃吧 。 就是兴奋的点在于 ， 呃 ， 我们确实 ， 呃 ， 产品的直觉是非常对的 ， 我被验证了 。 然后我们内部的小伙伴也都觉得 ， 哇 ， 确实这就是我们预演的方向 。 但是绝望或者叫悲伤的点在于 ， 我们完全处在了 Claude Code 的延长线 上 ， 所以它的框架的改进 ， 然后它的简易化就完全把我们吃掉了 。 那我们其实十二月到一月那一会儿做的一个尝试就 ， 呃 ， 相当于是白费了 。 呃 ， 或者其实凝聚了我们本身吧 ， 因为 ， 呃 ， 那会儿就让我觉得 ， 我靠 ， 我原来这产品直接这么对 ，Astorafic 可能应该把我招过来才对 。 **Koji杨远骋** [8:21] 呃 ， 那 ， 那在那个时候做了什么调整呢 ？ **黄柏特** [8:24] 对 ， 我们当时 ， 呃 ， 我们去分析一个产品的机会 ， 我们大概分了几层 。 第一层是做简易化 。 呃 ， 我们认为简易化是第一层 ， 也是最容易想到的事情 ， 但是我们发现它其实没有什么价值 。 第二层的话其实我们做了 ， 呃 ， 多进程和人机协作的编排流 。 呃 ， 这个事情我们尝试完 ， 其实内部测了一下 ， 感觉也非常不错 ， 但是我 们发现 Claude Code 其实很快又在逐 ， 逐渐蚕食这一块 ， 所以我们认为这个长期也没有壁垒 。 那后来我们想到其实核心的话 ， 还是把我们之前在 My Context 积累的这一块 context 的获取和 ， 呃 ， 存储以及召回这一块做好 ， 因为 context 这一块应该是 Claude Code 没法直接涉猎的 ， 所以我们相当于是采取了把简易化的这一波的执行能力 ， 加上过去的 context 最容易 组成现在的一个产品 。 **Koji杨远骋** [9:16] 所以其实是被冲击了之后 ， 产品的定义才慢慢地这个浮现得越来越清晰 。 **黄柏特** [9:22] 我们 ， 呃 ， 也总结出一个思考 ， 就我们现在内部判断一个方向值不值得创业 ， 其实看一个点 ， 你试着把它 web coding 出来 ， 如果 web coding 出来发现它已经有六十分 、 百分之八十分了 ， 呃 ， 那这样的产品可能就不需要做了 ， 因为它就毫无任何壁垒了 。 然后我们现在这个尝试是我们用了很棒的 web coding 的时间 ， 结果发现只有三十分 ， 就是 它的 context 获取理解有大量的 ， 呃 ， 就 bad case， 然后一些边缘的东西做得不好 。 哎 ， 那我发现说 ， 哎 ， 这是对的 ， 因为这样才不会让它有壁垒 。 **Koji杨远骋** [9:53] 啊 ， 这 web coding 出来的产品不够好 ， 才有空间 。 如果 web coding 就已经可以做出一个七八十分的产品 ， 那别人也可以迅速地做个七八十分的东西出来 。 MineContext 是一个这个开源的一个工具 ， 然后它在开源世界确实也引起了很好的反响 。 呃 ， 你刚才也提到这个对开源有比较多的理解 ， 所以这个可以讲一讲 ， 就你现在这是怎么理解开源吗 ？ **黄柏特** [10:17] 我本科的时候其实是有参与 D2L， 就他们是有开源项目 ， 包括我在自己的工作室其实也做了一个开源的项目 ， 叫 Surian Lab， 现在应该有三千多 star， 然后它是一个模型训练监测的国产化替代 。 呃 ， 它当时某种程度是两类开源 。 第一类开源其实是面向谱规划 ， 然后我认为这种开源其实也非常有价值 。 然后第二类开源其实是一种 ， 呃 ， 你 理解为是一种框架 。 然后我做的第三个开源项目其实是 My Context。My Context 的话它就是一个应用 。 我现在的感觉是开源还是最应该做框架 ， 因为框架的话能够让 ， 呃 ， 社区真正去不断完善 ， 同时它也是让大家去适配你的生态的一种最好的方式 。 对创业公司 ， 呃 ， 包括我们自己未来吧 ， 我觉得是如果没有一个基建 ， 然后希望它成为某 种生态的话 ， 就一定要把它开源出来 ， 借助社区的力量去把它做大 。 **Koji杨远骋** [11:17] 咱们团队应该都已经内部在用 AirJelly 这个产品了吗 ？ 就用的过程中有哪些啊 ， aha moment 吗 ？ 就是尤其是你们发现 ， 哇 ， 这个功能只有我们能做 ， 别人都做不了 ， 就是这样的一些时刻 。 **黄柏特** [11:28] 对 ， 就是太多 ， 我可以随便举几个 。 第一个是我现在算是担任我们团队的产品方向的工作 ， 那我最早的工作流其实是在 Gmail 或者 ChatGPT 聊天 ， 然后去 Cursor 去写代码 ， 但它其实有一些问题是 Gmail 上其实没有 AirJelly 相关的信息 ， 同时在 AirJelly 传输到 Cursor 上 ， 它有大量的 context 的损耗 。 那我后来有一天就尝试 ， 哎 ， 我能不能直接用 AirJelly 自己写 AirJelly， 哎我发现 真可以 。 就是我去跟 AirJelly 聊 ， 哎你目前的一个功能是怎么实现的 ， 然后它就分析出了它通过我们过去看到的文档 ， 它通过一些代码 ， 它读到了自己是怎么实现的 。 然后我说 ， 哎 ， 你觉得这个能怎么改进 ， 然后它可以给一个大概的方向 。 然后这个时候我直接说 ， 哎 ， 那你帮我直接写一下 ， 然后帮我提交一个 PR。 我发现它真的 可以 ， 就是我们在第一次大概是在二月多实现了这样一个闭环 ， 就是用 AirJelly 写 AirJelly 之后 ， 就我现在每天疯狂地在 AirJelly 上问它你怎么接待自己 ， 然后它就自己在这写自己 ， 然后它就实现了 。 所以我们的现在的设计同学其实也都是在 AirJelly 开发 AirJelly。 我们让 AirJelly 写一个需求 ， 就让我们桌面这个水母带上一个帽子 ， 然后大概它很快地写出来 ， 然后水母就真的戴上帽子 。 然后我印象特别深 ， 就是我们那个设计同学 ， 他看到了我们这个 case 视频之后 ， 呃 ， 二十分钟直接从学校打车过来 ， 就马上加入我们 。 然后第三个的话 ， 我们最近其实在招聘 ， 然后拿简历 ， 然后可能有的就发到微信群里 ， 而有的可能保存在桌面上 ， 然后我让 AirJelly 会去帮我找 ， 哎 ， 你把某某人的简 历直接找回来 。 然后有一个 case 我记得大概是这样的 ， 就是他没有直接发 PDF， 他发的是个图片 ， 然后我们在本地文件搜索之后其实没有找到这个文件 。 那这个的时候 AirJelly 召回了一个记忆 ， 是我之前在 Boss 直聘上可能看过叉叉叉 ， 然后他叉叉叉可能跟我想问的那个人是一样的 ， 然后这个时候他去 ， 呃 ，Boss 直聘验证了那条信息之后 ， 再去 ， 呃 ， 微信就是聊天记录 ， 它会存在本地 ， 它再把那张图片给捞出来 ， 然后它分析 。 这个 case 真的非常震惊到我 ， 就是它不再是一种你拿到某一个信息检索到之后 ， 它发现找不到就断掉了 ， 而是它会不断地去搜索相关的事件 。 而因为我们其实存了你所有 cross app context， 所以它其实有很大可能在某个地方找到一个蛛丝马迹 ， 然 后还会顺藤摸瓜把它找出来 。 **Koji杨远骋** [14:03] 因为确实微信会把它来回传的这个图片文件都存在本地 ， 所以这是不是意味着 ， 啊 ， 类似 AirJelly 或者其他的这个有桌面的文件授权的这样的 agent 就是可以去用上微信里面的文件 。 **黄柏特** [14:16] 微信它本身 ， 呃 ， 数据是有加密的 ， 但是如果你想找到文件的话 ， 它可能跟聊天是另外的逻辑 。 就是我们觉得聊天它是一个比较加密的事情 ， 但文件的话它是会存在本地 ， 就是比如说你某一些文件夹里的 。 但如果是传统的应用 ， 你直接去找 ， 因为它具备的 context 太少 ， 它其实很难检索到 。 那因为我们有一些你聊天相关的事 件记忆 ， 所以它就能找到 ， 哎 ， 你可能在什么时候讲了一个什么事情 ， 发了一个什么文件 ， 再基于此去找的话 ， 它就可以顺藤摸瓜找到 。 **Koji杨远骋** [14:50] 我觉得这个可以解锁蛮多东西的 。 **黄柏特** [14:52] 是 。 ### 主动式AI定义 **Koji杨远骋** [14:53] 嗯 。 主动式 AI 其实 2026 年非常热门的一个方向 ，AirJelly 也显然是主动式 AI 里面一个很典型的产品 。 那可不可以请这个柏特给我们先介绍一下 ， 在主动式 AI 的领域里面 ， 现在有哪些主要的大家的产品方向 ， 然后各有什么优劣 。 **黄柏特** [15:09] 主动式 AI 它是一个比较泛的词吧 。 我是打辩论出身的嘛 ， 就我们先定义先行吧 ， 就是我们广义的主动式 AI， 只要是 AI 主动推送给你的都算 。 那它包括一些定时任务 ， 就比如说像一些 reminder， 然后像 ChatGPT， 它提出的 pose， 就是它每天早上固定推给你 ， 也包括说现在小龙虾它有一个 heartbeat 的机制 ， 它可能每过十五秒或者什么时候扫一下来给你进 行一个判断 ， 就我们认为这是一种主动式 AI 的场景 ， 但我认为它是一个比较太广义的吧 ， 我认为不是一种真正的主动式 AI 智能 。 呃 ， 真正的主动式 AI 智能 ， 我们认为它需要得到两个东西 ， 第一个是你在某一个场景明确的意图 ， 第二个是你在某一个场景的上下文 ， 那它基于你的意图和上下文 ， 才能对你进行一个主动式的 推送 。 目前实现这个东西其实非常难 ， 就市面上是有一些玩家 ， 比如说 Preactor， 他们做的是会议场景 ， 再比如说有豆豆游戏伙伴 ， 他们其实做的是游戏场景 。 你可以看到说他们都不是一个真的 general 的 proactive， 它其实限定死了某个场景 。 最大的原因是因为他们获取 context 的方式没有那么广泛 ， 所以他们要想知道意图和上下文 ， 只能限定在一 个场景 ， 一个小的场景 ， 比如说我知道你在打游戏 ， 你可能下一步 ， 呃 ， 要打 Boss 了 ， 或者是我知道你在开会 ， 那其实整个会议的主题和文字内容就是你的上下文输入 。 那我们做的一个事情其实是我们通过 enter， 这 enter 是获取了你人和人通过 IM， 然后人和 AI 通过 chatbot， 以及人的信息检索 ， 通过互联网 ， 我们获取的是你最想要的意图 ， 那这个意图获取来只是第一步 ， 然后我们其实还会对你进行一系列的加工 ， 把你加工成 event， 然后加工成 task， 是你的任务 。 那这个任务的话 ， 我们会包含两部分的内容 ， 其中有一部分是 task 的 progress， 就是我知道你当前的进展 。 第二的话 ， 我们会有一个东西叫 next step， 就是我根据你的进展和你的意图去判断你接下来可能要做的事情 ， 然后 我们会基于这个 next step 做一个 proactive 的 trigger， 从而去最大程度确保说我在一个 general 的生产力场景 ， 我都能获取你当时的上下文和你当时的意图 ， 并且给你做最直接的推送 。 **Koji杨远骋** [17:29] 所以这里是不是还是有一种 ， 呃 ， 感受是获得的 context 越多就越好 。 **黄柏特** [17:35] 我们之前做 MineContext 也做了一些 context engineering 的实验 ， 我觉得 context 分几种吧 ， 不同的形态的 context 带的信息是不一样的 。 比如说意图 context， 我们认为是对主动式最有帮助的 ， 某种程度也是最有价值的 。 那还有的 context 可能是一些信息的 context， 可能是一些文本的 context， 我们那个 context 也有价值 ， 对 ， 但它可能价值相对要小 ， 因为它可能可以通过 ， 呃 ， 读你的文件或 者去网络搜索去搜到 。 这是 context 的属性吧 。 那第二个我们认为 context 的组织形式 。 呃 ， 我们认为说过去为什么 Coding Agent 率先取得了最好的发展 ， 是因为 ， 呃 ，Coding Agent 它其实它的 context 不只说是代码文件 ， 其实还有代码目录 ， 能获得很多增量的信息 ， 那所以它的效果会非常好 。 那我们的做法其实也是把获取到的意图 context 进行进一步的加工 ， 我 们会加工成两类 。 那第一类其实是 event， 就是事件 ， 就是你 context 的原始意图 ， 然后后续的不断的迭代是什么样的 ， 把组成的事件 ， 从而有一个比较清晰的全局的认知和下一步的预测 。 第二类的 context 其实是 entity， 就像人或者一些关键的私域的事 ， 关键的私域的物 ， 我们把它组成 entity， 然后 entity 的话 ， 它类似于一种 graph 的形式 ， 大概是通过这样 一种形式 ， 那我们在召回的时候也只需要召回 entity 和 event 就足够 。 **Koji杨远骋** [18:56] entity 比较容易理解 ， 嗯 。 然后 event 这里面其实是有一些识别在的 。 **黄柏特** [19:01] 是 。 **Koji杨远骋** [19:01] 嗯 ， 这个有 ， 背后有一些什么样的这个实践的经验吗 ？ **黄柏特** [19:05] 首先 event 这个事情 ， 它如果你通过传统的 chat， 它其实是很难获得全量的上下文的 。 **Koji杨远骋** [19:13] 嗯 。 **黄柏特** [19:13] 所以我们其实采取了 VLM 加 OC2。 当然我们会有一系列的 ， 呃 ， 工程上的步骤 ， 然后但是我们确保能得到的结果是说我们能获取你某一刻的意图 ， 然后当前所有的上下文 ， 以及说一些前因后果 ， 然后通过这样的方式能够组织出你的 event。 然后 event 的话我们也对应设计了 event 的召回 ， 然后 event 的合并 ， 然后包括 event 随时间的衰减 ， 做了大量 这样的配套的记忆方面的工作 。 **Koji杨远骋** [19:44] 嗯 。 那它会不会就是有一种可能啊 ， 就是当我们说这个 context 越多就越好的时候 ， 其实真正掌握我们最多 context 的还是电脑和手机 ， 呃 ， 或者未来如果有了眼镜或者耳机呢 ， 它们也是 OSR 一直在录 ， 那它们才是拥有最多 context 的王者 ， 那你作为它们上面的一个软件或一个插件 ， 你得到的也永远只是它其中一部分 context。 就你这个怎么看呢 ？ **黄柏特** [20:09] 这里我引 ， 引一个比较有意思的 ， 就是我本身是一个大量读历史的人 。 **Koji杨远骋** [20:15] 嗯 。 **黄柏特** [20:15] 然后历史它其实有个特点 ， 就不是发生的每一个事件 ， 它都是历史 ， 呃 ， 不是发生的每一个事情 ， 它都会被记录在历史书里 。 历史书里其实记录的是关键性的 ， 对世界产生影响 ， 对之后 ， 呃 ， 有决定性改变的事件 。 那全量的信息 ， 其实它有点类似于全量的记录 ， 就是我每一天的录音 ， 然后每一天的录屏 ， 我全部把它记 录下来 ， 其实它是包含了大量的噪音的 ， 以及说它所有 ， 呃 ， context 的权重是一样的 。 我们认为这其实是不对的 ， 我们认为更本质的事情是去捕获其中的高光 ， 去把意图以及一些关键性的节点记录下来 ， 我认为这是历史 。 然后当然我觉得这也是人生吧 ， 就是人生就是一些关键性的节点组成的 。 **Koji杨远骋** [21:04] 嗯 。 **黄柏特** [21:04] 所以我们长期来看 ， 捕获的意图会比那些全量记录更有价值 。 **Koji杨远骋** [21:09] 这确实是一个挺有意思的角度的 。 **黄柏特** [21:13] 嗯 。 **Koji杨远骋** [21:13] 嗯 。 这还有另外一个观点啊 ， 会认为主动式 AI 它或许是今天比如说 ChatGPT 或者 Manus， 或者这个 Siri， 对吧 ？ **黄柏特** [21:21] 哦 。 **Koji杨远骋** [21:21] 是他们的机会 ， 因为他们只需要在自己已有的这个 agent 能力之上 ， 加上更多的 context 的获取和整理 。 呃 ， 你怎么看 ？ **黄柏特** [21:32] 我觉得 ， 呃 ， context 最重要的是你的意图 ， 以及意图那一刻的上下文 。 我们发现说像 Manus 也好 ，ChatGPT 也好 ， 他们本质还是 chatbot，chatbot 其实都是通过对话来获取上下文 。 那其实对于人来说 ， 视觉 ， 呃 ， 获取周围的上下文和意图其实占了百分之九十五以上 ， 所以他们通过单一的这种对话模态 ， 其实拿到的上下文是非常少的 。 所以我认为如果不 从 context 获取的源头去改变这一切的话 ， 那其实就是他们是没法实现我们能够达到的主动式的 。 但另一个角度说 ， 其实像 Mac 啊 ， 或者像一些 ， 呃 ， 手机 ， 他们可能是能从源头获取这一部分的机会的 。 但我觉得 context 的像我们这么激进地获取 ， 其实是大量地用隐私去 trade off efficiency。 那对于一些大的公司来说 ， 它会有很多隐私方面的担忧 。 同时呢 ， 对于用户来说 ， 他其实也担心大公司拿这一部分的隐私去作恶 。 我们对 —— 作为一个创业公司 ， 其实对于这一部分的机会 ， 其实可以有一个更精准的冲锋 ， 然后找到小部分的死忠的人群 ， 这就够 。 **Koji杨远骋** [22:46] 嗯 。 哎 ， 刚才说 ChatGPT 和 Manus 他们是今天只能通过对话上下文获得 context 嘛 。 但是如果有一天 ， 比如说 AirJelly 获得 context 的这个方法被证明有效 ， 那他们本来也有客户端吧 ， 他们这个也通过他们自己的客户端去学习你们已经实践出来的工程经验 ， 也捕捉了类似的 context， 那对你们来说会是一种什么样的竞争局面 ？ 在那个时候 ， 你们的优势和差异 又是什么 ？ **黄柏特** [23:10] 其实我们本身 ， 呃 ， 作为 AI 时代的一份子 ， 我们也是希望人类把整体在智能这一块是能往前推进的 。 所以如果越来越多的人能跟进 ， 其实也证明我们做对了 ， 我们是开心的 。 然后再讲讲我们的壁垒和趋势吧 。 首先我认为所有 2C Agent 应用最核心的壁垒还是记忆 。 就是假如说你在我们这儿已经用了一个月 ， 用了三个月 ， 所以 ### 记忆护城河 **黄柏特** [23:33] 会有大量的记忆留存下来 ， 而这部分记忆他想迁走其实是比较困难的 。 如果这个范式被证明最终是成功的话 ， 那其实已经把大量原始的用户 ， 呃 ， 相当于他们的心智已经留在我们这儿了 ， 所以他们迁不走记忆也就不容易迁走 。 第二块是那个工程实践 ， 其实可以 callback 一下我之前讲的那个什么事情值得做 。 就是我们其实 Vibe Coding 尝试过 ， 呃 ， 屏幕截图记录这个事儿 ， 包括其实海外有个产品叫 Day Flow， 他们其实也做了这个事情 。 那就大家可以体验一下 ， 就是这个事情听上去很符合直觉 ， 然后 ， 呃 ， 也比较简单 ， 但其实想要做好 ， 会有大量的工程细节去调试 ， 然后需要大量的 case 去调整 。 呃 ， 所以我觉得一时半会儿他们也是没法做出我们这样的效果 。 大概是从能力以及说记这两个方面 。 **Koji杨远骋** [24:22] 嗯嗯嗯 ， 这也是一个很有趣的角度 。 就是如果我们先发布 ， 然后先占领市场心智 ， 然后有一批用户先用起来 ， 之后它要迁移是困难的 ， 因为它的使用习惯和记忆在这里 。 **黄柏特** [24:33] 以及我觉得这里面还 enable AI 时代创业公司一个机会 ， 就是你有最早第一批用户 ， 然后有一个核心的 user case 的群 ， 从这里你还是能发现一些高价值的客户本身和高价值的这种问题 。 就是到了 AI 时代 ， 构建成本越来越低的这种渐进的过程中 ， 其实定义问题本身就是最有价值的 。 因为理论上存在你可能定义出问题它就能被解决 ， 但 AirJelly 还是有机会第一批遇到这一波人 ， 并且把他们的这些高价值问题 trap 进去 。 那也许会有很多 general 的问题 ， 始终会被巨头的产品一波一波地去撸走 ， 但最终剩下的那个象牙塔可能就是 AirJelly。 **Koji杨远骋** [25:11] 主动式 AI 有什么大家都比较认可的 ， 但是你自己持非共识的观点 。 **黄柏特** [25:16] 我们其实国内外看了大量主动式 AI 的项目 ， 不管说是 Praetor， 还是 Bro， 还是到了游戏伙伴 ， 以及各种可能 Open AI 的 Copilot， 然后比如说龙虾它的一个 Harpy 的机制 。 **Koji杨远骋** [25:32] 嗯 。 **黄柏特** [25:32] 然后我们发现主动式 AI 大家其实经常在做的事情是发散 。 **Koji杨远骋** [25:36] 嗯 。 **黄柏特** [25:37] 就是说我基于你现有的信息 ， 我猜测你可能想额外了解什么 。 所以你看像 Pause， 它会根据你每天的对话 ， 它给你额外推送一些你可能想了解的事情 ， 它做的是一个发散的事 ， 某种程度是一个增加你认知负担的事情 。 但我们的话 ， 我们的主动是其实是围绕着你的意图和你的下一步 ， 所以我们的主动式是顺着你的延长线做一个 推动 。 也就是说我们不会额外增加你的负担 ， 而是说你当前在做什么 ， 我们推测出你下一步要做啥 ， 然后主动式地递给你 ， 帮你推进当前的任务 。 其实用户是非常乐意说 ， 诶 ， 那你帮我执行一下吧 。 ### 主动时机学 **Koji杨远骋** [26:15] 然后这里就有另一个问题啊 ， 就是主动式 AI 一定要去提醒用户吗 ？ 或者要去主动地向用户举手汇报 ， 我这里有一个工作帮你完成 。 但在这里呢 ， 就有可能提醒得很频繁 ， 用户觉得很烦 ， 然后或者你提醒的不是到位的这个问题 ， 他也会觉得你在打扰我 。 但是如果总不提醒 ， 很保守 ， 用户又觉得你没有存在感 。 那你们现在 实践下来有一些什么样的经验吗 ？ 如何找这个 balance？ **黄柏特** [26:39] 对 ， 然后我觉得主动式也分两类 ， 第一类其实是提醒 ， 就属于 reminder， 比如说我今天下午要来 Code 制做播客 ， 那像这样的情况 ， 它肯定得来通知我 。 第二类其实是就像我刚刚讲的 ， 不管是执行还是其他家可能做的发散 ， 我们日前观察到的场景其实是需要去阅读用户他的工作状态 ， 就比如说用户从一个应用中 switch 到了其他的应用 ， 这时候可能是他的一个相对没有那么专注的状态 ， 这个时候你去主动式地说 ， 哎 ， 是不是要我来帮你完成叉叉叉 ， 这个时候他去执行的话 ， 用户的接受度会更高 ， 而且也不会觉得受到打扰 。 同时还有一个东西 ， 就是用户的反馈信号 ， 就是其实不同的用户 ， 他对于主动式的频率能接受的程度都是不太一样 。 **Koji杨远骋** [27:25] 嗯 。 **黄柏特** [27:25] 那有的用户可能觉得说 ， 呃 ， 你 15 分钟一次太多了 ， 那这个时候其实我们会设计对应的 dismiss 或者 pause 这样的信号会反馈去迭代它的频率 ， 大概从这两个方面能够做到千人千面地做到最适合他们的主动式 。 **Koji杨远骋** [27:42] 嗯嗯 。 诶 ， 一豪 ， 就主动式 AI 也是今年 CreekStone 你们基金重点看的方向吗 ？ **黄柏特** [27:47] 是 。 **Koji杨远骋** [27:47] 嗯 。 **黄柏特** [27:47] 其实我们去年大概在八九月份的时候 ， 其实我们在这方面已经投了两个团队 ， 除了バイト ， 还有豆包的一个小伙伴的团队 ， 都是非常激进在 proactive 这个方向 ， 并且看好 continue sovereign 方向的这个团队 。 就是你前面说的 ， 在 right timing 给你最好的结果本身 ， 因为人一定会被推向是在这个时间把结果 、 把范围到你嘴边的这样体验 ， 这种神奇体验 本身是可能最魔法时刻的 。 **Koji杨远骋** [28:15] 除了主动式 AI， 在 2026 年你们还有哪些重点在看的方向呢 ？ **黄柏特** [28:18] 我们其实始终是三大方向 。 第一个其实是更多以垂直追问 ， 但是敢于做一些 general 探索的这种 agent talker。 我们可以说得非常直接 ， 其实就是 agent talker。 **Koji杨远骋** [28:30] 嗯 。 **黄柏特** [28:30] 但是比如说更激进地应用在垂直方向 ， 这是我们 ， 呃 ， 罚精力最多的 。 就像バイト也好 ， 我们豆包的团队也好 ， 然后包括 ， 呃 ， 之前像 Beezer 呀 ，Memu Bot 也好 ， 大家都是在垂直和 ， 呃 ， 这个 ， 呃 ， general 的方向 。 而且今年随着我觉得 OpenClaw 这样壳出来 ， 随着更好的模型出来 ， 有一些我们在 23 年 、24 年不敢探索的问题 ， 也许今年可以探索 。 比如说在社交上 ， 比如说在个人代理上 ， 比如说在对外的一个深网络甚至社会性的这种网络探索上 。 **Koji杨远骋** [29:00] 嗯 。 **黄柏特** [29:00] 呃 ， 其实这些问题在现在这个时间点都可以探索了 ， 这我们特别感兴趣 。 第二块肯定是在这背后的 agent infra。 现在这个其实 OpenClaw 遇到了很多现实层落地的问题 ， 跟它的身份验证 、 安全 ， 然后背后整个对于数据库 ， 对 ， 呃 ， 网络 ， 然后云端本地之间的相互结合 ， 之间有太多的工程的漏洞 ， 就你的 web coding 可能 30 分的大部分场景都与这 些会有关 ， 这就意味着很多像包括像 Recent 也好 ， 像之前的 Sofa Base 也好 ， 像 Member 也好 ， 这样的重要基建还会出来更多 ， 这也是我们特别关注的方向 。 然后第三块 ， 虽然我们精力花得比较少 ， 但是基于我们的 performance 去延展的一块 ， 是 build for agent hardware， 就这些应用本身是为了获取更多 context， 是让你的人生 、 你的环境信息更多地去给予你重要的几个 agent。 这一类的 hardware 就像我们之前投的 Odis 本身 ， 虽然它是 focus 在健康饮食 ， 但实际上大家都知道 ， 在它的信息里面已经有大量的这些 context。 **Koji杨远骋** [29:58] 嗯 。 **黄柏特** [29:58] 我相信这些 context 未来会对 AirJelly 可能也有帮助 。 一个程序员在关注他的健康饮食的同时 ， 实际上他的工作也一定同样被很好地劫持了 。 **Koji杨远骋** [30:09] 嗯 。 **黄柏特** [30:09] 是不是能够帮助他的工作 ， 这是我们今年非常想去 ， 呃 ， 探索的方向 。 **Koji杨远骋** [30:13] 之前バイト有一个宣传片 ， 就是在讲这个水母和龙虾 ， 就是在做对比 ， 然后当时在讲说龙虾是瞎的 ， 它眼睛看不到 ， 但是水母其实感知能力非常强 。 可以展开讲讲吗 ？ 就是当时这个 ， 呃 ， 为什么那么强调这一点 。 **黄柏特** [30:29] 我们跟龙虾一个比较大的区别吧 ， 就龙虾我觉得它最典型的意象其实是它的钳子 ， 它代表它执行能力非常强 。 但其实你看龙虾它是在水底爬行的 ， 感知到的事情是非常少的 。 **Koji杨远骋** [30:44] 嗯 。 **黄柏特** [30:44] 其实本质也是因为我们在龙虾这一层上核心还是通过 chat， 那 chat 能获取的信息是非常有限的 。 而我们水母的话 ， 因为做到了更多的模态 ， 然后更智能的一同获取 ， 所以说它感知到的 context 是要比龙虾 ， 呃 ， 可以说是几何倍数增加的 。 所以那有了这样几何倍数增加的感知能力 ， 同时再加上我们的 agent 的框架 ， 其实我们 agent 的框架也是 参考了龙虾 ， 因为龙虾其实我觉得它最核心是它背后的 Pi， 它 Pi 的那套框架非常简洁 ， 只有四个工具 ， 但是配合上模型能力有非常强大的效果 。 所以我们的话也是同样用了 Pi 那个框架 ， 搭配上我们这一套 context 和 memory， 哦 ， 应该是有比龙虾要强非常多的体验的 。 **Koji杨远骋** [31:33] 刚才提到 AirJelly 要不断地截图 ， 要不断地去这个把 memory、context 越做越大 ， 但是它怎么在无限膨胀的过程当中还是保持它的效率呢 ？ **黄柏特** [31:43] 我们可以看几个点 。 第一个点是上限 。 你可以思考啊 ， 其实现在的数据库和 rerank 的能力 ， 它在企业场景的应用可能是把一万个文档丢进去 ， 那一万个 PDF 它其实有海量的切片 ， 所以它能之载的上限的能力是非常强的 。 而我们 AirJelly， 就是作为一个个人来说 ， 它那个记录的量级其实是非常小的 ， 我们一天可能就是 ， 呃 ， 两百多张截 图 ， 然后对应的一些 chunk 的 context， 所以在量级这个上限上 ， 它的能力是没有任何的减损的 。 那第二点我们聊的其实是它的效果 ， 它的效果其实是比如说你越来越多的信息 ， 会比如说对于过去造成污染 ， 那我们其实有两个机制 ， 第一个机制叫 merge， 就是我们有新的 entity 的信息进来的话 ， 它会和过去的 entity 合并来 update 你的信息 。 比如你今年 可能是二十四岁了 ， 去年是二十三岁 。 那第二个其实我们对 event 和 task 也是有 merge 的 ， 就是新的 ， 呃 ， 事件进来之后 ， 我们会 update 你的 progress， 那确保你时刻保持的是最新的 ， 不会过时 。 那第二个其实是我们会有一系列复杂的召回算法 ， 它可能会有时间的衰减系数 ， 确保 ， 呃 ， 最新的东西可能是优先的 ， 同时它可能用上各种混合检索 和重排来确保它实现的一个效果 。 **Koji杨远骋** [33:02] 龙虾发了之后有给你们什么样的启发吗 ？ 就让你们某一些 ， 比如说产品上的决策呀 ， 技术上的架构啊 ， 有产生变化吗 ？ **黄柏特** [33:09] 最核心的有两个点吧 。 第一个点其实是 agent 的框架 ， 其实我们最早的一版有想过只做记录 ， 然后分析 。 **Koji杨远骋** [33:18] 嗯 。 **黄柏特** [33:18] 但后来我们发现接了龙虾的 Pi 之后 ， 它真的好强大呀 。 **Koji杨远骋** [33:23] 嗯 。 **黄柏特** [33:23] 就是有各种 magic 的效果 ， 所以我们认为要把龙虾这个底层的框架接进来 。 **Koji杨远骋** [33:29] 框架是一个开源的框架 。 **黄柏特** [33:30] 对 ， 它是一个开源的框架 。 那第二的话其实是养龙虾这个概念 ， 就其实像 Midas， 它可能是一个很好用的工具 ， 那我对它的耐心可能就是你能不能第一次进去就帮我完成任务 。 **Koji杨远骋** [33:44] 嗯 。 **黄柏特** [33:44] 但龙虾它其实是一个不断养成的过程 ， 那它可能效果不好 ， 可能是你觉得我没有养好 。 **Koji杨远骋** [33:49] 嗯 。 **黄柏特** [33:49] 对 ， 那我觉得这是一个非常有意思的点 ， 因为我们其实也是一个海洋动物 ， 那我们其实也会结合水母在 enter 上有一个养的方式 ， 就是我们可能 enter 得越多 ， 那水母它可能积攒的记忆和 context 就越多 ， 它可能效果也会越来越好 ， 从而来最大化地让用户的耐心能够强一些 。 **Koji杨远骋** [34:10] 对 ， 这个真的很有意思 ， 就是现在有些龙虾的线下聚会说自己是什么养虾园聚会 ， 大家聚在一起讨论养虾心得 。 但我就在想说 ， 它其实本质也是一个工具啊 ， 那之前人们对工具的耐心是你一旦出了 bug， 我觉得就是工具没做好 。 但今天大家龙虾出 bug， 只会觉得 ， 哎呀 ， 我的龙虾怎么又偷懒了 ， 是不是我没养好 ， 我要去参加线 下聚会 ， 去找高手学一学他们是怎么养虾的 。 嗯 ， 它是一个很有趣的变化 。 **李一豪** [34:36] 是 ， 但有一个混合性的变化 ， 就是从这些 proactive 的产品出现以后 ， 就一旦它 proactive 跟你 —— 人是一个情感性的 ， 包括这些信息素驱动的一个生物 ， 当你与它有了一定的陪伴和交流属性以后 ， 其实也提高了你的容忍度也好 ， 留存你的更多记忆也好 ， 正是记忆又在反过来循环你和它的共情能力 。 也许从今年开始的产品本身就会天然有 这种属性 ， 它已经不再是个工具 ， 它是个长程陪伴 ， 然后相互互动 、 主动性的一个产品 。 **黄柏特** [35:04] 其实应该是从 Llama 开始吧 。Llama 是羊驼 ， 其实 Llama、 千问 ， 然后现在龙虾 ， 我觉得其实 ， 呃 ， 有一个动物形象我觉得是非常关键 ， 就是它能够延展出很多的可能性 ， 同时呢 ， 它也更加亲切 ， 尤其是如果要做一个 personal 或者 proactive agent。 水母的话我觉得非常棒 ， 但我们已经抢 ， 就大家可以想想别的东西 。 **Koji杨远骋** [35:29] 嗯 ， 然后我们在一开始其实有提到 ， 就做主动式 AI， 其他的很多产品选择的是一些垂直的方向 ， 对吧 ？ 比如说兜的桌面助手是游戏 ，Proactive 是会议 ， 然后你们呢 ， 其实选的是通用的方向 ， 然后是什么原因让你们坚定地要选通用 ， 而不是先找一个垂直 ？ ### 通用之争 **黄柏特** [35:48] 我觉得其实是两个吧 。 第一个是其实在去年的三月份 ，Midas，Midas 是我觉得是对我们这个年代的创业者一个很大的启发 ， 就包括其实我记得 Midas 发了那天 ， 我刚好其实在西湖做 research， 然后我当天走回家里 ， 然后听他的播客 ， 然后当时也觉得 ， 哎 ， 我以后也 ， 也想做一个什么样的事情 。 没想到一年后的今天 ， 真就是一年后的今天 ， 我也在 做这样的实验 。 **Koji杨远骋** [36:20] Midas 还是激发了 、 鼓励了很多的这个创业者吧 ， 去做自己的东西 。 **黄柏特** [36:25] 我们对 Midas 的一个观察是 ， 它其实一开始只用上了最前沿的模型能力 ， 加上它的一些套壳 ， 它的一些组合 ， 让大家感受到了 magic， 然后大量的用户其实就涌进去了 。 那涌进去之后 ， 其实它最后会收敛到几个场景 。 那我们其实挺好判断 ， 因为你看 Minds 它底层的 feature 就是它把 PPT， 然后它把一些呃 wide research， 就是额外做的一些模板把它做越厚 。 所以我们认为说先做通用 ， 让大家涌进来 ， 然后让大家的实践去收敛具体的场景是非常棒的一种呃产品思考 。 但我觉得背后更本质其实是两件事情 ， 就是第一个是其实谦虚 ， 谦虚是我作为一个产品开发者 ， 我不是要教用户说这个东西必须要这么用 ， 而是说第一 ， 我相信用户他会有一些奇思妙想 ， 然后他可能会有一个很 好的用法 ， 那我们需要把这部分好的用法吸收进我们的产品迭代 。 那第二 ， 我觉得更核心是 AI 时代一定要相信 AI 的能力 ， 就如果你把 AI 限定死功能 ， 其实是一种呃 ， 隐性的 workflow， 就是你隐性框定了它应该是数据这样的流转 ， 这样的执行 。 所以作为一个 general， 我觉得本质就是尊重最前沿模型能力的发展 ， 然后尊重用户的奇思妙想 ， 然后尊重 AI， 相信 AI 的能力 。 **Koji杨远骋** [37:50] 那一豪怎么看 ， 就垂直和通用 。 **李一豪** [37:51] 我 - 我前面先被它又一次被感动了 。 其实我觉得这个对创业者来说 ， 最重要是 self uh positioning， 就是你怎么理解自己在整个市场里面 ， 如果创业公司 CEO 也是一种供给的话 ， 怎么理解自己的这个定位 。 呃 ， 我们也很看好 ， 就是当你有极大的雄心和资源驾驭能力的时候 ， 你应该勇敢地走向 general。 但反过来要问自己的一个问题是 ， 你有没有 啊设计新的框架 、 定义新的框架和定义新的游戏的能力 ， 和全球宣发能力 ， 这很客观 。 有这样能力的团队 ， 我们觉得 AirJelly 绝对是有这样能力的团队和野心团队 ， 你就应该 go for it。 因为每年这样的窗口期实际上是在越来越短 。 我们这次看到是新框架的应用上 ，AstroPaper 也好 ，OpenAI 也好 ， 这个 Gemini、Antenna 也好 ， 大家的跟进速度比去年的 Minds 跟进速度要 快得多 ， 这是天然会越来越激烈的竞争 。 但对于可能更大部分的创业者来说 ， 我们还是鼓励大家去做垂直 ， 用更新的呃框架 ， 用每一年的更新的框架去解决一个垂直的问题 ， 甚至是推向去解决这个行业里面更根本性和更高价值的问题 。 而思维在 OpenClaw 出现那一刻其实也改变了 ， 这也结合咱们前面说的人格化的产品本身 ， 就 是针对一个行业的社会定位 ， 一个职业本身 ， 一个个体去创造产品 ， 这个产品已经完全跟上一个时代产品不一样了 ， 你本质上在造一个人 ， 而且你的路径可能也不一样 ， 是你需要这个行业里面只需要也许 10 个 ， 最多 100 个专家能用起你的产品 ， 能够在你这儿把他的专业能力复制出来 ， 能够代理出来的产品已经是一个垂直 行业里面几好产品了 。 有可能这样一条路更适合更多的创业者 。 **黄柏特** [39:30] 我这也有点补充 。 其实你知道做 research 的人 ， 他天然就是要追求再没有一个 benchmark 的 SOTA。 但我觉得我的机缘巧合在于是 ， 呃 ， 第一是我其实 ， 呃 ， 比较耐挫折吧 ， 虽然我 - 我其实 research 做也很烂 ， 然后我 ， 呃 ， 高考考得一般 ， 但其实我觉得我的野心或者我的志向还是 ， 呃 ， 第一流的 。 第二是我因为其实之前做过 research 嘛 ， 所以我其实也天 然会带有说我要去做最 SOTA 最前沿的事情的一个原始的出厂设置吧 。 所以我觉得这也是我独特的经历 ， 就带给我不同的点 。 我们这样插播一下招聘啊 ， 就是 ， 呃 ， 我们第一轮已经融了钱了 ， 然后第二轮 ， 呃 ， 目前为止还非常顺利 ， 就肯定会融到钱的 ， 然后我们手头应该会有 ， 呃 ， 几千万 ， 然后我们目前的公司会分为三块 ， 第一块的话是宣发侧 ， 我们认为 marketing 会成为科技公司超级有价值的部分 ， 所以我们会招当然 marketing 的人才 。 第二类的话是我们会招开发 ， 不管你是过去的产品经理 ， 还是 ， 呃 ， 比如说后端开发 ， 前端开发 ， 只要你能够熟练使用 AI 工具 ， 你都可以加入我们 。 第三的话是 research， 以下几个方向了 。 第一可能是跟 RL 相关的 ， 不管是 agent RL 还是 skilled RL。 第二块的话 ， 我们其实长期会迈向 ， 呃 ，GUI 的 agent， 所以可以来我们这里做一些 ， 呃 ，computer use。 再有的话 ， 其实我们因为会涉及到大量视觉的理解 ， 以及说视觉的召回 ， 所以你可以来我们这做一些 ， 呃 ，VLM 相关的一些模型的微调 ， 模型的后续链 。 我们非常开放 ， 就是我们可以支持以 project 形式 ， 然后也支持 remote 的形式 ， 大家 —— 反正 我们非常渴望人才 。 **Koji杨远骋** [41:31] 我听说这个你们是一家不开会的公司 ， 这是非常 AI native 的一个做法是吧 ？ 但是肯定很多人都很好奇 ， 一个不开会的公司要怎么运作 。 **黄柏特** [41:40] 我们认为说会议这件事本质是对信息的批次处理 ， 它是一种积压 ， 然后进行 ， 呃 ， 统一的一个对齐 。 那我们的一个做法其实是通过 ， 呃 ， 首先我们日常都是坐在线下 ， 那简单的问题我们就直接流式地沟通掉了 。 那再有一个其实是我们在内部实验 ， 在 team 版本我们大概能够实现两方面的功能 ， 第一个功能其实是我们把 AirJelly 放 到同一个 group 里 ， 那 AirJelly 和 AirJelly 之间进行对话 ， 然后帮助我们弥补某一个 gap， 比如说它可能最新实现了一个 feature， 可能和你那个 feature 会 ， 呃 ， 生成一些 conflict， 那我们就会提醒你 。 再有一个呢 ， 我们也可以提问某一个人的 AirJelly， 这样我就可以知道他当前在工作上的进度 ， 而不需要说我去打扰他 ， 然后把他的 ， 呃 ， 工作状态给打断了 。 啊当然这里 我们要特别强调一点 ， 就是我们现在 AirJelly 的这个 team 的分享是我们的伙伴们 ， 他可以自己选择 share 自己的一些工作的重心啊 ， 你知道绝对不可能说存在我们去做一些监视 ， 就大家是呃 ， 非常鄙视这种过去那种监视软件或者监控软件的这样一种行为 。 我们要额外补充一个 ， 就如果是我们去和客户聊的话 ， 因为客 ， 客户目前还没 有 AirJelly 嘛 ， 那我们会跟客户进行 ， 呃 ， 会议 。 当然我们的一个构想是 ， 呃 ，Team 在进步完善之后 ， 我们会和我们的投资人有个 group， 这样投资人可以直接在 ， 呃 ，Team 里问我的 AirJelly， 我们最近的进展是什么 ， 然后他就可以很方便地知道我 ， 我们最近的一些 update。 呃 ， 再有一个的话 ， 其实我们在一些长期的目标上 ， 我们大家会轮流在黑板上写一 些东西 ， 然后有一些战略的讨论 ， 我认为这个其实不是会议 ， 我们把这个定义成古希腊的一种广场 ， 就我们轮番上广场来发表演讲和改想 ， 然后进行一个长期的愿景的规划 。 对 ， 所以 ， 呃 ， 综合在此的话 ， 我们可以说我们是一个没有会议的公司 。 **Koji杨远骋** [43:45] 咱们的公司的名字我注意到叫持续低熵 。 嗯 ， 可不可以讲讲这个名字它是怎样一个由来啊 ？ **黄柏特** [43:51] 熵这个词其实很有意思 ， 它是一个热力学第二定律 ， 就是它是衡量一个系统的混乱程度 。 所以熵的第一层意思其实是有序 ， 那我们其实所做的产品也是希望说带给人们有序 。 第二个是熵其实在生物学上 ， 呃 ， 薛定谔其实提出过生命以负熵为始 ， 也就是说生命它想维持有序 ， 它想维持机体 ， 它想维持行动 ， 都需要不断地 输入能量 ， 然后降低它的熵 。 所以我们想做的其实也是通过我们这样的产品 ， 使用到硅基的 token， 去增强碳基的人的有序性和活力 。 同时呢 ， 我觉得我们的公司因为现在还是一个小的 startup， 但可能后续也会成长 ， 然后也会长大 ， 我们不希望说带上一些大公司病 ， 所以这一块机体的有序 ， 我们希望我们公司能够一直保持 ， 呃 ， 一 个比较有活力的 、 不僵死的一个状态 。 第三块的话 ， 其实是 ， 呃 ， 信息学以及 AI 的角度 。 信息学角度 ， 熵其实是衡量信息的密度 。 那在 AI 的角度 ， 其实在模型训练的时候会有交叉熵的概念 ， 它其实衡量的是你预测的分布和真实分布的一个接近程度 。 那我们在这两点做到低熵 ， 其实也是希望说通过我们这样的一个产品 ， 能够让未来的人机协作越来越接近某一种真相 ， 然后越来越接近某一种更高级的一个知识的形态 。 ### 隐私与魔法 **Koji杨远骋** [45:18] 我们刚才其实也有聊到啊 ， 就主动式 AI 要尽量多地采集用户的数据 ， 但是采集数据背后呢 ， 确实也是一种信任 。 呃 ， 作为一个新的创业公司 ， 就 AirJelly 你们要怎么去说服用户信任你们 ， 把他的这么多的屏幕截图都开放给你们 ， 尤其因为屏幕截图就意味着微信都能被你们看到啊 ， 这个信任要怎么建立 ？ **黄柏特** [45:40] 对 ， 我觉得我们会分几个方向吧 。 第一个是 ， 呃 ， 技术上 ， 就技术上 ， 呃 ， 大家肯定放心 ， 不管是我们在哪个市场 ， 一定会符合当地的法规 ， 我们会有 ， 呃 ， 最全的端到端的加密 ， 然后确保我们中间不会去取你的信息 。 再有一个就是我们所有的信息 ， 像图片 ， 像 ， 呃 ， 不知道 ，context， 都会存在你的本地 ， 所以你不用担心会有 上我们的云进行分析 。 再有的话是我们会有有一套 ， 呃 ，PII 的系统 ， 它会自动把一些相关的人名 ， 一些相关的机密信息去 ， 呃 ， 脱敏化 ， 比如说把某一个人名改成 Person 1 这样的形式进行分析 ， 来保证我们不会拿到你的一些机密的信息的分析 。 呃 ， 第二个的话 ， 我觉得其实是情感上 ， 就是情感上的话 ， 我们会设计一个非常可 爱的水母的形象 ， 通过这样一种方式 ， 其实是 ， 就让用户觉得我们这样的更加可以接受 。 对 ， 大概会从技术和情感两个方面 。 但我觉得长期其实 ， 呃 ， 这也是一个用户教育的问题 ， 因为 ， 呃 ， 用隐私换便利 ， 那其实在最早期可能就是一些 ， 呃 ， 可能说是几十万量级的用户能接受 ， 那其实我觉得这也是一个好事 ， 因为对 于我们一个创业公司来说 ， 呃 ， 这样量级的用户对我们来说已经是非常可口的美食了 ， 那大公司可能觉得太少就不会去做 。 所以在 ， 呃 ， 竞争上 ， 其实我觉得隐私也是我们的一个护城河 。 **Koji杨远骋** [47:10] 咱们现在只有这个 PC 端吧 ， 移动端还没有上线 ， 而且我在想移动端上了之后 ， 是不是也比较难做到定时的截图这个去获取 context 的这个功能 。 那就会出现一个情况是用户的这种记忆 ， 呃 ， 或用户的 context 你们只捕捉了其中一部分 ， 那手机上这一部分就是残缺的 ， 那带来的结果可能就是比如说我不知道什么东西是你知道的 ， 什么 是不知道的 ， 因为用久了之后就晕了 ， 我也忘了 ， 比如说我和一豪是在手机上聊的天 ， 还是在电脑上聊的天 。 那当我再去和水母互动的时候 ， 我就不知道它到底知道哪些东西 ， 不知道哪些东西 ， 这是不是一个挺大的麻烦呀 ？ 这个你们要怎么看待 ， 怎么去处理 ？ **黄柏特** [47:50] 我觉得这个是某种程度也是一个幸福的烦恼吧 ， 因为如果真的到那种程度 ， 可能会有很多死忠用户 。 呃 ， 不过我们也可以尽情地畅想一下这个事情 。 首先我们先做 PC 的一个判断是 PC 是最贴近生产力 ， 那在绝大多数的生产力场景都是在 PC 上完成闭环的 。 那我觉得这样其实某种程度已经覆盖了你百分之五十 ， 呃 ， 就全量的 ### 跨平台融合 **黄柏特** [48:15] 上下文 ， 其实已经足够多的覆盖掉了 ， 那它整体的效果就已经非常棒 。 那也可能有像寇巨刚刚提到的 ， 有些东西可能在手机上 ， 甚至有些东西可能需要你有一个硬件去捕获这部分的 context。 那我们的做法是我们会逐步地去扩展我们 context 获取的途径 。 那第一步肯定是手机了 ， 那手机我们可能会有一个 ， 比如说也是一个悬浮球 ， 可 能你点一下可能可以获取 ， 或者通过一些按键的触发来获取这样的信息 。 再有的话是硬件 。 长期的话 ， 我们应该也会试着和一些硬件的厂商合作 ， 就比如说我们在 CreekStone 的 Mafia 有一个叫 Audacy， 他们 ， 像一豪提的 ， 他们其实是会从硬件获取信息 。 而且我觉得一个非常巧合但本质必然的一个事情是 ， 硬件获取的信息和我们屏幕截图都 是通过 VLM。 **Koji杨远骋** [49:11] 嗯 。 **黄柏特** [49:12] 你是说它直接是获取呃世界本身的样子和本身的信息 。 **Koji杨远骋** [49:16] 嗯 。 **黄柏特** [49:17] 所以它天然是打通的 。 **Koji杨远骋** [49:19] 嗯 。 **黄柏特** [49:19] 那我们未来可能通过一些硬件上的适配 ， 然后做到把硬件的信息 ， 然后手机上的信息和 PC 上的信息打通 ， 实现一个最全量的工作场景的 context。 **Koji杨远骋** [49:33] 嗯 。 然后有另外一个也是关于 context 获取的问题啊 ， 就是大家大量的聊天 、 工作都在微信上面 ， 是吧 。 所以微信的数据可以说就是 context 最大的宝藏之一 。 但是微信又像一座城堡 ， 就是你几乎基本上不可能通过 hack 或者 API 的方式去得到它 。 那咱们是通过截图 ， 可是截图又有一个问题是 ， 怎么才能确保 ， 就是截到的就是重要的呢 ？ 因为像刚才提到的 ， 我们也不能够一直每一秒来一下 ， 每一秒来一下 。 那如果只是通过 Enter， 在一个群聊里面 ， 也很可能他 Enter 的时候 ， 就前面另外的人聊了很多已经被滚走了 ， 他 Enter 的就是也只是截到了群聊里面和他发的那句话相关的几句聊天记录 ， 不代表着这个事件的全貌 。 我不知道你们就是要怎么去思考解决就这样的麻 烦 。 **黄柏特** [50:21] 首先判断第一个事情是我们 Enter 的话能拿到用户的意图 ， 这个是对的 。 然后我们其实也一直思考了 ， 如果拿到用户意图 ， 那呃反馈怎么办 ？ 就是我们意图完它可能反馈的这部分的信息要怎么获取 。 因为我们其实不可能去破解微信 ， 所以全量的反馈信息我们肯定是拿不到的 。 但我们做了大概两方面的工作呢 ， 确保说 ， 呃去 弥补这一块 。 第一个是 ， 其实你可以理解 ， 绝大多数的聊天场景或者跟你相关的聊天场景都是一问一答 。 那一问一答的话 ， 其实你当前回复的这句话和用户可能之前回答的那个内容 ， 它是能拼接在一起的 。 当然这里会有我们大量呃 event 的一个设计 ， 会把不同的截图把它合并在一起 ， 从而能做到在大量的这样的短的对话上 ， 其实他说了啥 ， 回复了啥 ， 你都是能联系在一起的 。 第二个其实是 ， 如果用户有大量长段的对话 ， 我们拿不到 ， 这个时候我们的一个弥补措施其实是通过 Enter， 就是我们的 Enter 其实不只是你在爬虫对话的时候可以按 ， 你平时也可以按 ， 就你平时按的话 ， 它也会捕获你额外的信息 ， 这样如果有真的有非常关键的信息 ， 你可能 会遗漏掉 ， 那这个时候你按一下 Enter， 它也会补充到 。 那在长期的话 ， 我们可能还会做一个设计 ， 就是 Typeless 它短按 、 长按 ， 其实连按两下 ， 它可能会有不同的功能 。 **Koji杨远骋** [51:49] 对 。 **黄柏特** [51:49] 然后你可以额外输入语音 ， 那我们其实也参考这样的设计 ， 我们可能结合 Enter 和比如 Command 或者什么键 ， 我们可以在截某张图的时候也输入一部分你的话作为补充 ， 从而最大化地优化相关的上下文信息 。 **Koji杨远骋** [52:05] 就是让用户把按 Enter 也变成一种习惯 ， 就是他不断地在喂这个水母 ， 给它主动地提供 context。 **黄柏特** [52:13] 对 ， 其实我觉得 Enter 这个习惯是 ， Enter 应该是我认为是键盘上最重要的一个键 ， 只是它一直被遗忘 。 让用户想起来 ， 其实 Enter 是你表达意图最好的方式 。 在 AI 时代就更要多用 Enter， 然后多用我们 ， 因为我们就代表了 Enter， 代表了意图 。 ### 巨头挑战 **Koji杨远骋** [52:32] 又有一个问题想问一下一豪啊 ， 就是模型今天还是在不断地进步 ， 然后巨头呢也越来越狼性 ， 马 ， 马化腾都在发朋友圈给小龙虾打 Call。 那你怎么看在这样一个背景之下 ， 就是作为投资人 ， 作为创业者 ， 你们要怎么应对这样的挑战 ？ **李一豪** [52:49] 非常好的问题 ， 我觉得这也是我们对自己的这个要求 ， 我觉得就在三个方面 。 就第一方面真的是动态地一起学习和一起成长 ， 这件事情很重要 。 我一直在思考 ， 呃 ， 这个时代 ， 快速变化的时代 ， VC 能提供价值是什么 ？ 有一个很重要就是市场水位在哪里 ， 都有些什么前沿的方向 ， 这些可能被解释为是简单的信息 ， 但如果 你带在信息上有一定自己的思考 ， 有自己的总结 ， 本身这对创业者来说很重要 。 就是不管你是选择垂直还是选择 general 本身 ， 你做事情到底有多新奇特 ， 你到底是守正还是出奇 。 呃 ， 投资人是一个 benchmark， 可以用来校准 ， 因为毕竟我们可能在市场看的项目会更多 ， 我们也关注美国的创业项目和最前沿的进展 。 我觉得这是第一点 ， 我们要求自己必须勤勉 ， 必须及时地跟创业者一起去沟通的地方 。 第二点是我觉得对于一个早期创业公司来说 ， 重要是人才 ， 就是我们的 network 里面有些什么样人 ， 尤其复合型的人才 。 我们现在有 ， 有三四个团队的可能联创是我们介绍进去的 ， 当然我们还希望能够更多地帮助到这些团队 。 第三块我觉得就的确是我们也要不 断拓展异业的合作 ， 包括可能从 HR， 从视频的制作 ， 从跟最优秀的 CoG 合作 。 我觉得这都是很重要 ， 就是也许只是举手之劳 ， 问题是你能不能想到 ， 啊 ， 这个为创业者去做这些事情 ， 为创业者去提供更多维度的服务 ， 这种觉得在这个时代里面 ， 投资人真的要做的事情 。 **Koji杨远骋** [54:13] 我们说到 AN Native 啊 ， 就 CreekStone 也是 AN Native 基金啊 ， 那你们的工作方式或者一些管理的一些原则 ， 有没有也有 AN Native 的部分 ？ **黄柏特** [54:22] 是 。 呃 ， 我觉得就随着去年 Claude Code 这一出来 ， 然后到今年 Open Cloud， 其实对我们的帮助 ， 尤其我们这种新创的人又很少基金来说 ， 帮助实在太大了 。 其实主要几个方面 ， 我觉得第一阶最简单的就是大量的工作可以自动化和龙虾化 ， 不管是我们去扫 GitHub 的项目也好 ， 扫小红书项目也好 ， 尤其是我们带着一些大量复杂的零散的 context 去寻 找这类东西和人的时候 ， 它的效率非常高 ， 以及它在网络世界里面本身使用工具啊 ， 这方面能力都非常强 。 除此之外 ， 我们在内部实际上也是希望 ， 呃 ， 不管是我去聊的项目 **李一豪** [54:56] 还是大家接触的 LP， 接触的业务的合作方 ， 接触到这个大厂里面的大佬啊 ， 或者是技术专家也好 ， 所有这些信息能够非常有趣地 ， 呃 ， 这个向量化地存储下来 ， 然后并且有类似于 task， 然后其实对我们来说重要 entity 就是项目和人 ， 以及它相互交缠 ， 就这两个核心的维度 ， 以这样的维度去 ， 呃 ， 知识结构存下来 。 它更大的好处是 说 ， 对 ， 呃 ， 我也好 ， 对荒哥也好 ， 对我们第一个小伙伴 Gary 也好 ， 每一个人对外的时候都可以全量地知识性的输出 ， 并且有更好的这个结构性的知识的表达 。 对于 ， 呃 ， 来的信息都能有更好地去反馈 ， 去帮到创业者本身 。 更重要的是 ， 我们可能甚至有机会更统一地表达我们的文化 ， 表达我们的沟通风格 。 然后我们想做 第二件事情 ， 叫 ， 呃 ， 当 AirJelly 做得更好以后 ， 我们就会用他们的系统去把我们的这些甚至平时开会对外讲的一些东西都能很好沉淀下来 ， 然后去塑造我们的 Jelly， 我们就不做龙虾了 ， 我们就做我们的水母 ， 希望我们的水母其实能够更主动性去接触更多的创业者 ， 也许去塑造是创业者的水母 ， 这也是一件很好事情 。 **Koji杨远骋** [56:04] 我们再聊一下未来啊 ， 啊 ， 我们先聊一个这个比较大家不愿意发生的未来 ， 就 what if， 就假如三五年之后 AirJelly 没做好 ， 然后它 ， 呃 ， 这个失败了 ， 你觉得最大的失败的可能会发生在哪些地方 ？ **黄柏特** [56:20] 啊 ， 对 ， 我觉得可能在 AI 时代三五年是一个微命题吧 ， 就是我觉得可能就是 ， 呃 ， 一到两年内 AirJelly 的失败 。 我觉得第一个最大的问题可能是不够快 ， 不够快指的是可能我们提出了一个比较好的新范式 ， 但可能触达用户太慢了 ， 这个时候如果等到大厂下场 ， 我们还没有积累到足够的用户和 ， 呃 ， 足够多的用户留存记忆 ， 那 大厂会把我们吃掉 。 这是我觉得 AirJelly 失败的第一个可能性 。 那第二个可能性还是一个点 ， 因为 AirJelly 的研发我觉得某种程度是一个 ， 一个非常精妙的艺术 。 一方面我们要用隐私去换取 efficiency， 我们既要保证说我们要拿到足够多的 context， 让 ， 呃 ，agent 的执行效果足够的好 ， 让用户感到足够的 magical， 甚至说拿到一些 context， 分析出一些 ， 呃 ， 社区的团队的 一些玩法 。 但另一方面说 ， 用户对我们隐私他到底能够接受到什么程度 ？ 比如说如果在一个用户还没有准备好的时间 ， 直接要了太多的隐私 ， 可能对团队的声誉不够好 ， 那如果臭掉了 ， 那我觉得这不对了 。 所以我们需要一个丝滑的切入节点 ， 一个让少部分人能够心安理得接受的一个隐私度 ， 同时还要具备一个足够好的 efficiency 的提升 ， 我觉得这个是一个火候的艺术 。 这里我可以说一下 ， 就是我们预计在三月十八号左右就要开放内测了 ， 啊 ， 这大概在这个视频播出之后吧 。 **Koji杨远骋** [58:06] 嗯 。 **黄柏特** [58:06] 那我们已经开放内测 ， 如果你 ， 呃 ， 看到了这个视频 ， 呃 ， 回复 Koji， 我们直接给你一个邀请码 。OK。 **Koji杨远骋** [58:15] 好 ， 谢谢 。 **黄柏特** [58:17] 嗯 。 **Koji杨远骋** [58:17] 那我们这个最后一个问题啊 ， 也是回到我们开场的那一句话 ， 就我们今天还是相信说人类和 AI 最佳的工作配合方式还没有被真的发明出来 。 那如果回头看 ， 有一天它真的被发明出来了 ， 然后它也很幸运的是 AirJelly 发明出来的 ， 你畅想一下那会是一个什么样的画面 。 ### 未来畅想 **黄柏特** [58:36] 我最想实现的事情是通过研发一个产品 ， 它实施作用在生产力 ， 它改变了未来的人机协作 。 我觉得未来的人机协作一定是人机高度共生的 ， 每个人都会有自己的一个 ， 可能是 AirJelly 或者是其他的 personal agent， 然后它有你最全量的生产力相关的信息 ， 那有了大量这样生产力的信息之后 ， 会有一个网络吧 ， 或者一个 group， 呃 ，AI 和 AI 之间可以 进行协作 ， 呃 ， 它起两个作用 ， 第一个是它可能把你的一些 personal skill 的能力带出去 ， 这样的话可以代替你进行打工或者生产 。 **Koji杨远骋** [59:18] 嗯 。 **黄柏特** [59:18] 第二个的话也是 ， 呃 ， 它可能也会成为你的一种新型的伙伴 ， 就是它非常了解你 ， 然后它也跟你一起协作 ， 有点类似于 ， 呃 ， 宠物小精灵的感觉 。 我们认为未来会是一个生产力极度发达 ， 同时 ， 呃 ， 这样的一个 personal agent 才能够让你感到不孤独 ， 就是让你的心灵会有非常好的慰藉 。 **Koji杨远骋** [59:44] 它又在提高生产力 ， 但同时呢又给了你很好的情感陪伴 ， 是一个非常完美的一个搭档 。 **黄柏特** [59:50] 然后为什么是 ， 呃 ， 一个 personal agent 呢 ？ 然后我觉得这个源自于一个比较朴素的哲学思考 ， 就是 ， 呃 ， 婚姻制之所以是一对一 ， 因为一对一其实它具备一种稳定的特殊性 。 **Koji杨远骋** [1:00:08] 所以你觉得这个人和 agent 不会是一对多 ， 是吗 ？ 就到最后还是会类似一夫一妻制一样 ， 会只有一人一 A 制 。 **黄柏特** [1:00:15] 对 ， 我觉得一定会是这样的 ， 因为它有非常底层的一个考量 ， 就是它某种程度是一个 ， 你可以说是自己的延伸 ， 或者是自己的影子 ， 但如果是一对多的话 ， 可能就是你的 slave。 但在 agent 的能力注定超过人类的情况下 ， 可能它成为你的 slave， 这在哲学上就说不通 。 **Koji杨远骋** [1:00:38] 哇 ， 这非常有趣的一个观点 。 **黄柏特** [1:00:40] 非常面向应用 。 **Koji杨远骋** [1:00:41] 刚才提到你曾经打过辩论吧 ， 对吧 ？ 但我们也发现 ， 比如说明朝平 、 陈冕也是辩论队的 ， 就怎么有那么多在打过辩论的同学今天在 AI 领域创业啊 ， 你觉得这背后有一些规律吗 ？ **黄柏特** [1:00:52] 很多人对辩论有误解 ， 因为很多人对辩论的误解是你为什么要明确去讲一个单一的或者是有一定偏激的方向 ， 你去全力地认同它 ， 而不是你认为说两边都是讲的对的 。 那我可以从辩论以及说辩论对我们的影响上来讲一讲 。 呃 ， 第一个点是辩论它双方都持自己的观点 ， 其实是一个逐渐深化的过程 。 如果我们简单地说 A 是 对的 ， 那 B 也是对的 ， 那结果就是 A 和 B 都是对的 ， 这不够了 。 但如果我们持自己双方的观点 ， 那我说 A 的 A 部分是对的 ，A 的 B 部分是 ， 呃 ， 没那么对 ， 但是也不错的 ，C 部分是 ， 呃 ， 可能在某一定场景是对的 ， 我们就可以找到说我们这个 A 到底在哪些场景 ， 在哪些情况下 ， 到底是什么时候会比 B 更对 。 呃 ， 我认为这是 能够让我们的认知进行一个不断的深化 。 那再有个点是 ， 我觉得辩论其实是一件和创业非常像的事 。 首先你出来之后一定会有一个问题是为什么别人没有做 ， 为什么是现在做 ？ 一定是因为它现在可能存在着一定问题 ， 它可能长期能被解决 ， 或者是 ， 呃 ， 在某种一小类的 case 下 ， 在某个 variable 场景下能成立 。 那辩论其实也是一 样 ， 我们在 ， 呃 ， 打了几年 ， 啊 ， 我这插播一下 ， 我是两届西电十佳辩手 。OK， 呃 ， 我们在锻炼辩论的过程中 ， 也是说我们抱着一个注定不那么完美的观点去不断地打磨它 ， 去不断地想到它在什么情况是合适的 ， 它在什么场景是最优的 ， 那其实把它 ， 呃 ， 这一部分思考的能力换算成创业上也是一样的 。 我们这个产品不需要 在所有的人群 ， 所有的场景 ， 在所有的时刻都是棒的 ， 我们只需要找到某一类人群 、 某一类场景 ， 在现在甚至是可能三个月后的某一刻 ， 它是对的 ， 这就足够 。 所以我认为这是 ， 呃 ， 辩论思维对于创业 ， 呃 ， 非常大的一个 ， 非常大的一个训练吧 。 **Koji杨远骋** [1:02:54] 还蛮有意思的 。 **李一豪** [1:02:55] 我觉得辩论很重要的一点是 ， 其实大学生他对社会本身的各行各业很多社会问题还没有亲身的体验 ， 就辩论是一个大家对事情都没有实体的绝对体感情况下持所持不同角度进行思维完善 、 互驳这样一个动态的过程 ， 所以我觉得这个对年轻人来说特别好的帮助 。 **Koji杨远骋** [1:03:16] 其实你刚毕业嘛 ， 工作时间只有半年 ， 对吧 ？ 为什么在这个时候想着要创业 ， 而不是在大厂再多积累一些经验 ？ **黄柏特** [1:03:24] 我觉得可以用一句话去概述这个事情 ， 呃 ， 这句话是源自一个类比 ， 这个类比是童年是和平年代的假象 。 呃 ， 这句话的意思是我们惯常认知的 ， 比如从一到十八岁 ， 它本身是和平时代的产物 ， 因为和平时代每一年都是一样的 。 像我们人的话 ， 就是每个人都是十八岁去迎接高考 ， 所以你可以做到充分的准备 ， 只在你那一 届和十八岁的人竞争 。 但我觉得 AI 时代来了之后 ， 其实不是这样 。AI 时代其实对所有的人类都是一样的 ， 它在 22 年底出了 ChatGPT， 在 25 年 agent 已经 ， 呃 ， 发展得非常不错了 ， 它其实创业的时间窗口在缩紧 ， 所以在 26 年 ， 我觉得不管你在任何的一个阶段 ， 就是你都应该去 ， 呃 ， 这个赛道去尝试一下 。 就像我才刚校招 ， 或者你已经工 作几年了 ， 或者你是三十几岁 、 二十几岁 ， 其实我觉得大家都是一样的时间 ， 大家一起去 ， 呃 ， 去冲刺 。 所以它是一个 AI 时刻 ， 我觉得某种情况是一个 ， 呃 ， 硅基对全人类现况的一个宣战 ， 就是它是一个战争时刻 ， 所以没有你的童年去发育了 ， 就大家赶紧冲吧 。 **Koji杨远骋** [1:04:40] 这还蛮有意思的 。 **李一豪** [1:04:41] 我觉得这个东西就很共鸣 ， 感觉很强烈 ， 就是总有一些人对一些时代浪潮或节点会更敏感 。 **Koji杨远骋** [1:04:48] 嗯 。 **李一豪** [1:04:48] 同时在敏感背后还有一种时不我待 。 **Koji杨远骋** [1:04:50] 嗯 。 **李一豪** [1:04:50] 有一种天下之大任于斯人也 ， 就我必须要冲出去的这种 urge。 **Koji杨远骋** [1:04:54] 嗯 。 **李一豪** [1:04:55] 呃 ， 我觉得这个是非常强烈的 ， 就作为投资人来说 ， 肯定要投这种人 。 **Koji杨远骋** [1:04:59] 我们录这期播客还是 2026 年 3 月初 ， 然后但是短短的这个两三个月已经发生了非常多的事情 ， 我们都觉得 2026 一定是一个大年 ， 所以也想这个问一下二位 ， 就你们认为 2026 会发生一些什么 ？ **李一豪** [1:05:14] 我觉得首先是 ， 呃 ， 尽快地渡过 OpenClaw 这个 ， 这个浪潮 ， 这只是一个概念 ， 但是我们要做的事情是更 AI 原生本身 ， 关注 context， 关注 proactive， 关注模型最前沿的进展 ， 因为今年肯定在 computer use 方向 ， 在各行结合技上 ， 在更长程的任务上能够更大突破 ， 然后每次对创业者来说都还是基于新的模型进展 、 新的框架去找结合的应用点 ， 这个是不变 道理 。 所以 226 年我们还是充满了期待 ， 也希望更多的创业者能够跟 CreekStone 一起 ， 能够给我们这种机会 ， 能够给大家提供一点点帮助 。 **黄柏特** [1:05:51] 好 ， 那我也讲一下我对 ， 呃 ，2026 的一个构想 ， 就是聊 2026 前肯定要先聊 2025。 就是 2025 年的 3 月份 ， 我还是一个在听 minus 播客的人 ， 那一年之后我就上了 Koji 的播客 。 在 2025 的年底 ， 就是 minus 被收购了 ， 我同样又听了他们一期跟 Pig 的播客 ， 然后那个时候我也已经自己出来创业了 。 所以我觉得整个 2025 的发展确实完全超出了我的预期 。 所以我 对 2026 其实没有 ， 呃 ， 一个上限上的考量 ， 不给自己设天花板 。 呃 ， 唯一我觉得 2026 我希望达成的一个事情是 ， 我在 25 年底最终决定出来创业的时候 ， 其实看了大量的创业公司 ， 然后我也在想是不是要加入他们 。 呃 ， 当时我其实是作为一个可能有一定代表作的年轻人 ， 呃 ， 身处自己的迷茫 。 呃 ， 我发现最终他们可能有各种 各样的原因 ， 我觉得可能是自己出来做是更好的 。 那在 26 年 ， 我或许希望 ， 呃 ， 成为这样的一家公司 ， 我希望把我们的公司 、 我们的产品 ， 我们的 ， 呃 ， 文化吧 ， 打造成一种如果在 2026 年的一个年底 ， 有一个可能也是做出了某个开源项目 ， 或者是发了一个很厉害 paper 的年轻人 ， 他希望去找一个要加入的地方 ， 我希望那里会 是我们 。 **Koji杨远骋** [1:07:17] 非常好 。 你刚才说到这个 2025 难以想象的时候 ， 啊 ， 我就想到其实 2025 年初我们录了一期播客 ， 和肖虹 ， 那是她创业十周年 ， 那期播客录完之后 ， 我们标题也定了 ， 就是肖虹说 2025 一定会跳变 ， 就跳跃式的变化 ， 跳变 。 她说了很多遍 ， 这个她自己的预期 ， 她觉得会跳变 ， 但是会怎么变不知道 ， 因为那个时候 minus 还刚开始在酝酿 。 嗯 。 呃 ， 但那些播客已经在等待一个很好的发布时机 。 对 ， 所以我觉得 2025 会跳变 ， 我相信 2026 也会跳变 。 今天非常开心 ， 柏特和一豪来十字路口 ， 我们非常期待 AirJelly 的上线 ， 希望上线一切顺利 。 好 ， 谢谢 。 那我们拜拜 ， 今天到这里 。 **黄柏特** [1:07:57] 拜拜 。 --- 本节目库由 PodHood（https://podhood.com）提供支持——播客网站平台。