從SaaS到RaaS：打造可盈利AI Agent的全景方法論

當下，AI Agent正迎來全球性發展大爆發，AI產業的下一個大階段已拉開序幕。然而，在大模型能力突飛猛進、AI產業鏈被重塑的同時，尋求殺手級應用也成為業界共同面臨的核心命題。

為此，5月15日盛景舉辦以“面向技術經理的AI Agent開發”為主題的投后賦能培訓，線上線下聯動吸引近300名參與者，其中數十家科技賽道的盛景被投企業創始人攜骨干團隊現場出席。

盛景網聯高級合伙人、AIC人工智能創業孵化器創始合伙人顏艷春，從技術落地和產品經理的角度，深度拆解了“如何打造AI Agent爆款應用”這一破局命題，助力被投企業跨越“從技術到價值”的鴻溝，在智能體革命中搶占戰略高地。

盛景網聯董事長、盛景嘉成創投創始合伙人彭志強，也在活動中做了深入點評，犀利指出“只從技術談技術是死路一條，一定要從結果反推”。AI應用技術開發要回歸“第一性原理”——商業意識與結果導向。

這一務實主張，既為活動奠定基調，亦彰顯盛景投后賦能的長期使命——以深度認知與實戰賦能，助力被投企業在智能時代逆勢突圍。

小編將兩位大咖的發言分享精編如下，以饗讀者，enjoy~

盛景網聯董事長

盛景嘉成創投創始合伙人彭志強

硅谷流傳著一句廣為認同的用人法則：“用最少、但最好的人，做最重要的事?！?/p>

什么才是最重要的事情？什么才是最好的人？這其實就是“關鍵任務，關鍵人才”，兩者之間要匹配，要match。

對技術經理而言，真正的挑戰不僅是判斷什么是“最好的人”，更在于如何識別“最重要的事”。這個答案必須回到AI應用開發的第一性原理：商業意識與結果導向。

隨著大模型底座能力的躍升，AI應用開發的模式也正在發生根本變化。未來技術的核心價值，不再是技術本身，而是其能否創造“結果”。這一趨勢催生了“RaaS（Result-as-a-Service，結果即服務）”的商業模式：企業必須敢于以結果定價、以結果收費、以結果盈利。如果一項技術不能帶來清晰的商業閉環，那它的存在就缺乏持續意義。

當今SaaS和傳統軟件的服務邏輯正遭遇徹底重構。大模型具備廣譜能力，堪稱“1萬米寬、10米深”的技術平臺，幾乎可以勝任所有輕量任務。因此，如果你的產品只是實現表層數字化，極易被通用大模型直接替代。唯有將AI的能力聚焦于“1米寬、1000米深”的垂直場景中，真正服務于特定結果，才有可能建立競爭壁壘。所以，只從技術談技術必然是死路一條，一定要從結果反推！

對于“最重要的事”，過去大多數人普遍認為競爭對手重要，但盛景一直強調：要用99%的時間研究客戶，1%的時間研究競爭對手。從內部的工作角度來講，要用90%的時間研究客戶需求，10%的時間開發產品。

原因在于，絕大多數的開發都是在浪費時間、浪費人工、浪費金錢，體現在產品或服務上，就是無法達到預期的銷售額。所以，真正需要花時間精力的地方，是在研究客戶的需求上，而不是盲目開發一個沒人用沒人買的產品。

基于此，今天的AI應用一定要堅決控制研發投入，這里的控制投入不是給員工降薪，而是要聚焦客戶的剛需，且最終必須能賺到錢。這也是技術經理要時刻提醒自己的重點。

那么如何才能做到“少投入大產出”？一定要堅持核心大單品邏輯。先把一個最主要的應用做深做透，應用要同時符合前述兩個條件：客戶剛需能被滿足、企業能夠賺到錢。否則研發費就不值得花。然后，這一主要應用要從MVP（Minimum Viable Product）做起。

什么是MVP？推薦一部紀錄片形式的電影《大創業家》，影片講述了麥當勞的創業過程。你會看到麥當勞高速餐廳的雛形，居然是用粉筆在網球場上畫出來的，所有員工在畫出的場地里模擬工作時的操作，不斷實踐不斷修改，最后根據圖紙定制化打造出高效廚房，讓出餐時間從30分鐘縮短到30秒。這就是MVP。

當前，AI時代已經來臨，希望大家能運用這些新的認知，走在AI的正確道路上，少投入大產出，把握住這一波AI RaaS的時代機會。

面向技術經理的AI Agent開發

——盛景網聯高級合伙人、AIC人工智能創業孵化器創始合伙人顏艷春

2024年，AI創業在全球范圍內持續升溫，硅谷尤為顯著。Y Combinator（YC）最新一批項目幾乎100%都與AI相關，OpenAI黑幫前員工所創的十五家初創企業累計估值已達2500億美元，這不僅預示著AI的資本浪潮，更反映出一個關鍵趨勢的確立：AI將全面重塑產業格局，開啟以“結果交付”為核心的智能體經濟。

AI正在以前所未有的速度重塑企業的權利版圖，AI Agent 的崛起標志著人類正式進入“結果經濟”時代。尤其對創業公司而言，產品定義不再是對功能的簡單組合，而是從結果出發的系統性再構。很多企業延續著舊有的軟件思維方式，試圖在傳統框架中塞進大模型組件，最終難以走出困境。真正突破的關鍵，是徹底拋棄“舊馬車裝新引擎”的思維。

因此，下一個偉大十年，是一個“結果經濟”的十年，強調結果交付的RaaS（Result as a Service）型智能體產品的開發是其中的核心之一。

尤其對于創業公司而言，如何走出屬于自己的成長曲線？最難的其實是對產品的定義。

守舊會限制我們的行動力。如果我們仍然沿襲過去傳統軟件的開發邏輯，是不可能開發出一個偉大的智能體產品。

打個比方，大模型就像是蒸汽機，蒸汽機是一個偉大的發明，對于蒸汽機來說火車是一個偉大的應用，但火車并沒有滲透到每一個家庭里。

反而是德國人本茨先生把蒸汽機小型化，發明了單缸發動機，這又是一大創舉，但是它在最初定義產品的過程中，卻不能算作一個偉大的產品經理。為什么？這是去年我在奔馳博物館看到的人類第一輛汽車：在三輪馬車這樣一個老的硬件上加裝了單缸發動機。

同樣的還有諾基亞，它在自己傳統的鍵盤手機上加了一個觸摸屏，便認為可以與喬布斯的蘋果手機抗衡，結果可想而知。

它們都沒有真正的改變世界。

反觀是亨利·福特，領導了世界的汽車工業革命，用自動組裝線生產出了廉價的T型車，讓汽車這個最初的“昂貴玩具”真正走進大眾生活，令普通工薪階層也能買得起，美國由此成為“跑在輪子上的國家”。福特汽車改變汽車工業的同時，也讓自己崛起為世界上最大的車企之一，至今仍在汽車行業占有重要一席。

所以一個偉大的產品經理作用是非常重大的，但要沖破慣有的舊思維，重新歸零，實際上也是最難的一件事。

回到現在，DeepSeek的崛起充滿了大模型“下凡”的意味。它不僅是中國創新的覺醒，更是撕開了AGI工業化的鐵幕，就像福特T型車碾碎馬車時代。

未來十年，將會發生三個重大改變：

第一，AI大模型將從奢侈品變為水電煤基礎設施，AIOS（Artificial Intelligence Operating System，人工智能操作系統）的“Android時刻”其實已經到來；

第二，未來將誕生上千億AI智能體和機器人大軍，軟件工業將第一次成為AI勞動力；

第三，AI+產業，將迎來真正的生產力核聚變時刻。

從AI智能進化的趨勢來看，大模型從感知AI、生成式AI，現在已經進入到智能體AI，未來3-5年有可能會看到物理智能大突破的時刻。

那么當下的智能體革命意味著什么呢？宣告了AGI通用人工智能，進入福特T型車流水線工業化量產時代。

而DeepSeek帶給各行各業的巨大改變，體現在每一個智能體都可以真正運行在若干個小模型之上，這種小模型可能運行在我們的手機、耳機、AI眼鏡、AI桌玩、機器人里。

那么智能體未來的機會是什么？護城河到底在哪里？其中非常關鍵的，就是互聯網的公開的數據集。很多人認為把私有數據集準備好就可以了，其實是還遠遠不夠。

在私有數據集之外，清楚記錄人類實時的、動態的互聯網的公開數據集也是價值巨大的，我們需要從大量的2C用戶、2B用戶數據找到真正的我們需要的信息，這將是一個考驗。在這個過程中，數據飛輪也將變得更為重要。

不可否認，私有數據集的作為護城河依然有很大價值，而真正形成你能力的，還是你的思維鏈 (Chain-of-Thought, CoT) 或思維樹 (Tree-of-Thought, ToT) 數據，這些記錄了模型推理過程的數據。嚴格來講，DeepSeek本身就是一個智能體，它之所以能夠很好地回答問題，得益于其背后80萬條規模的COT數據，這構成了它最核心的競爭力壁壘。

所以，眼下企業無論是做消費品市場2C的用戶，還是做工業品市場、產業互聯網平臺抑或是出海，要建立自己的智能體，就要想盡辦法通過各種渠道先收集數據，因為未來數據會越來越貴。

未來在研、產、供、銷、服、人、財稅、物、IT、合規、每一個節點做智能體的開發，都離不開小參數高性能的小模型的支持，這正是小模型時代智能體的邊際成本很快變成零。

同時我們認為，小模型有一個超長尾的分布效應，首先各個行業這種中大型的模型，領域的中小模型、產品的模型或者企業的模型、個人模型，將來都要形成自己的小模型的能力。而且從整個開發的UI來說，智能體不僅可以運行在手機、iPad上，還可以運行在AI眼鏡、機器人上，賦能各行各業，機會非常多。

具體來講，智能體一般有三個容器：AI分身、機器人、AI智器。它們會成為我們人類硅基性的同事，我們不僅僅是開發軟件，而是迎來了一個新的互聯網時代：

• 2007年，iphone開啟移動互聯網時代，60億消費者已經實時連接；

• 2022年，ChatGPT、DeepSeek開啟開啟AI時代；

• 未來30年，所有人類和他們上千億的AI智能體（包括AI分身、機器人、智器）實時連接，進入智能體互聯網時代。智能互聯網 3.0 遵循梅特卡夫定律，其價值可能會超過現有互聯網價值的 100 倍。

那么智能體的第一性（本質）到底是什么？是AI勞動力。如果忽視這一點，就不可能開發出任何一款偉大的智能體產品。而可以預見的是，未來也沒有公司可以僅靠一款智能體打天下，一定是若干種智能體組隊形成一個“能力池”。

那么智能體產品規劃應該怎么做？無論是2B還是2C，都可以用這四個象限來呈現，時間（效率型、殺時間型）是橫坐標，情商/智商是縱坐標。

舉例來說，AI購物、AI教練、AI營養師、AI醫生智商越高，就越能獲得用戶的信任。而AI銷售、AI主播、AI旅行、AI冥想教練，顯然不能只懂產品，還需要有共情的能力，所以單培養高情商這一方向，就有可能會誕生出非常好的智能體公司，并且這四個象限種中的每一個關鍵詞，也都存在誕生千億甚至萬億美金級別經濟體的可能性。

真正有潛力的Agent，不一定最聰明，但一定是最能形成“情感連接 + 結果價值”的復合體。要構建這樣的Agent，不能只依賴模型本身的能力，更需要在人設、語氣、角色記憶、場景適配等維度進行精細設計。AI Agent開發從此不再是工程導向的過程，而是兼具交互設計、心理學、語言建模與商業思維的跨學科融合。

DeepSeek的成功正是這種新范式的縮影。它不僅是一種模型架構的革新，更是智能體范式落地的標志。在其背后，支撐它核心競爭力的并非參數量本身，而是規模龐大、持續優化的思維鏈（Chain of Thought, CoT）數據。這些數據記錄了問題被理解、被拆解、被解決的全過程，為智能體的推理能力提供了“演化基因”。

第二勞動力的崛起

自亞里士多德定義“第一性原理”以來，我們總在追問：某個現象背后最基本、不可再分的本質是什么？若將這一哲學鏡頭投射到當下AI智能體的浪潮中，或許我們會得出一個驚人的結論：智能體的第一性，并非代碼、模型、或數據，而是勞動力。它不是一段等待調用的函數，而是一位等待派遣的“數字員工”。

當AI智能體變成基本勞動力單元，組織將迎來深度重構。公司不再是各部門之間的接口，而是一個基于“任務流”的系統。每一個任務，從生成需求到資源調配到結果交付，都由AI智能體網絡自動完成。Clay AI、Deel、Harvey、Sierra、Cursor、Synthflow 等先鋒公司，正是在這樣的架構下進行自我演化。

而如果AI智能體的本質是一種勞動力形態，那么軟件世界的價值錨點也必須重構。從“賣功能”走向“賣結果”，從“軟件工具”演化為“勞動力即服務（Result-as-a-Service，RaaS）”。這不僅僅是商業模式的更新換代，更是一次生產力與生產關系的根本性遷移。企業不再為工具買單，而是為智能體帶來的真實商業結果買單，這背后是一場軟件業“賣代碼”到“賣勞動力”的深刻物種進化。

這一變化的底層驅動力在于，AI 正在成為“第二種勞動力”。傳統的軟件賣的是“授權”——授權你使用這套系統、這個功能。而 RaaS 賣的是“結果”——賣我幫你完成了什么。

員工的角色，也將重塑。不再是“崗位職能”的執行者，而是智能體編排的“導演”和“編舞者”。管理者將像一位編曲師，利用一支支由AI構成的“數字交響樂隊”來完成目標的落地。

而這一切的極致狀態，就是“一人獨角獸公司”的出現。通過構建1000個專用智能體協同的系統化方法論，一個人就能完成產品、市場、銷售、客服、財務、合規甚至戰略的全部運作。這樣的創業者，不再依賴“擴招”或“融資”，而是靠“智能協作密度”贏得未來。

傳統SaaS軟件的時代，以“賣代碼”和“賣功能”為核心，用戶為界面、模塊、調用次數買單，這種模式的價值錨點清晰但也漸趨疲軟。進入智能體時代，AI不僅僅是工具，而是一支可以24小時不眠的“數字勞動力軍團”，真正替代甚至超越人類完成重復性、高強度且需要情緒理解的任務。

SaaS時代有它的黃金年輪——云端部署、多端協同、按月計費，曾被譽為“永不凋零的訂閱之花”。企業為模塊、接口、并發數買單，軟件公司為功能堆砌、用戶習慣而卷生卷死。彼時的競爭邏輯，是誰跑得快，誰定義了“供給效率”的邊界。

AI Agent 正在不動聲色地改寫規則。你不再為“系統”買單，而是為“結果”付費——銷售額提升了多少，退貨率下降了多少，客戶滿意度上升了多少。這不是理想主義者的幻夢，而是實打實在企業財報里兌現的現實。

由OpenAI前高管Bret Taylor與Google前重臣Clay Bavor創立的Sierra，是這場革命的先鋒。其誕生源自一個樸素但深刻的觀察：傳統客服SaaS平臺雖多，但企業依然需要雇傭大量坐席人員，系統雖在，卻“成果未至”。它的誕生源于對傳統SaaS模式的深刻洞察：企業采購客服軟件后，仍需投入大量人力操作，初始成本高企卻效果難測。Sierra摒棄按席位收費的舊邏輯，開創“結果即服務”（RaaS）模式，讓企業為實際解決的客戶問題付費，而非工具的使用權。

2023年在硅谷成立的 Sierra AI，也許是這一潮流的先行者。他們提供的不是 又一個CRM 軟件，也不是另一個“聊天客服平臺”，而是一位全?！癆I 銷售代表”——可以7×24小時接待客戶、講解產品、推薦方案、推動轉化和成交完成支付，乃至在后續幾天持續追蹤復購和滿意度跟蹤。并且不斷通過真實對話優化自身話術與策略，甚至根據你的品牌語氣調整表達風格。

更重要的是，它不再按使用時長或并發數計費，Sierra 不按月收費，而是根據實際成交的銷售額分成。這不是在賣軟件，而是在雇傭一位“永不抱怨、永不疲憊”的數字銷售員。你可以把它想象成一個超級銷售員，它不需要 KPI 壓力。而在實際案例中，Sierra 已在多個 DTC 品牌中幫助完成百萬級美金的閉環交易，交付結果，變現。在一家北美DTC品牌中，Sierra接管了夜間客服與銷售任務，僅三個月便交付了超過180萬美元GMV，轉化率提升68%，退單率下降42%。它不僅是“解決方案”，而是真正成為公司KPI的一部分——交付結果，參與分成，承擔風險。

另一家快速崛起的 RaaS 公司是 Clay AI。他們不是給你銷售工具，而是直接給你一條智能銷售流水線。自動找客戶、自動生成 cold email、自動追蹤反饋，再自動調整策略。你要的不是一個更好用的 CRM，你要的是更高的轉化率。這是一家用 AI 自動發現客戶、生成郵件、進行互動跟進的銷售鏈平臺。它不是“教你怎么做銷售”，也不是“提高 SDR 的效率”，而是替你直接完成這部分銷售動作。用 Clay 的公司無需招募大批 Cold Email 寫手與數據爬蟲，它們只需設定目標客戶類型，然后等待 AI agent 自動找人、撰寫郵件、追蹤打開率并根據反饋不斷微調策略。

Clay AI則以其獨特的FETE框架（Finding-Enriching-Transforming-Exporting）撬動了AI勞動力的經濟價值。Claygent智能體融合75個數據源，整合LinkedIn、Salesforce等商業數據平臺，通過深度學習為客戶挖掘高價值銷售線索。OpenAI客戶拓展項目中，Clay單月幫助企業發現了1200萬美元的潛在訂單，客戶為此支付了20%GMV分成，實質是雇傭了一支永不疲倦、不斷學習優化的“數字銷售軍團”。在這場變革中，軟件商不再是簡單工具提供者，而是業務價值的直接貢獻者，AI勞動力的“皇冠上的夜明珠”開始閃耀。

11X AI的案例則將RaaS的“結果驅動”模式推向極致。作為AI銷售助理的創新者，11X采用“零底薪+3-5%GMV分成”模式，為客戶打造了一個可復制的AI銷售團隊。其智能體Alice和Jordan不僅支持30種語言，還通過模擬人類語音特征（如停頓、咳嗽）提升客戶溝通的真實感和親和力，客戶銷售線索因此暴增120%。11X的客戶續費率高達95%，顯示出基于結果的商業模式極大地提升了客戶滿意度和粘性。公司最近7600萬美元融資背后，是資本對RaaS商業邏輯的認可：AI銷售代表正成為企業可復制、可擴展的印鈔機。

作為企業財務自動化的明星公司，Ramp正是RaaS模式在B2B SaaS領域演進的典型案例。它不再只是提供報銷管理工具，而是構建了一整套“AI財務助理”，幫助企業主動發現節省空間、優化支出結構并預測現金流波動。Ramp以“節省的錢”作為計費基礎，客戶支付的是一個明確的ROI。例如，某科技公司通過Ramp自動發現并砍掉了14個冗余訂閱，年節省支出超過27萬美元。這類用結果換付費的機制，正讓傳統的“訂閱制”看起來過時而低效。這個看似簡單的機制，背后卻是強大的自動識別、談判建議與系統接入能力的支撐——AI 在扮演著財務顧問的角色，并用“節省額”而非“功能量”來計價。它通過 AI 來識別企業中所有不合理的支出，幫助你談判供應商，優化預算。

在全球范圍，RaaS 的浪潮也不再局限于銷售和財務。例如 Adept，這家由前 OpenAI 成員創立的公司，打造的智能操作系統 Agent 可以自主完成如“查找房源并預約看房”、“搜集公司資料并生成競品對比”這樣的復雜任務。Adept 的目標從來不是成為另一個工具集，而是構建“懂事、能做”的數智員工。Fixie AI 則更進一步，它專注為企業部署定制化 Agent，不再出售代碼，而是出售“問題的解決方案本身”。

“勞動力”就從人類的勞動力變成了AI勞動力，而當智能體大規模進入人類市場以后，所產生的改變是巨大的。

未來，每個人、每個組織、每個國家乃至每個軍隊都能低成本訓練并部署，一支由高智商或高情商的智能體和機器人組成的AI勞動力團隊。

0 1

如何系統性構建AI Agent：

從0到1的實踐路徑

打造一個真正可用、可成長、可商業化的AI Agent，并非簡單地調用大模型接口或拼裝幾個插件，而是一個結構化、系統化的設計過程。近年來，我通過與全球范圍內的各個開發團隊進行交流，總結出從0到1構建智能體產品，你需要知道的七件事。

第一，要選擇明確的任務場景。你的智能體從一開始就要越垂直越好，越小越好，越能夠產生效果越好。比如“自動報價”、“客服引導”、“文件分析”就是很明確的任務場景。

第二，設計角色人格。過去我們開發智能體，可能只考慮智商，數據不要有幻覺等，但如今我們要創造既有高情商又有高智商的復合智能體時，在做產品設計時，人設該如何設置，它的語氣、能力邊界、個性該如何調整時需要考慮的。

第三，設定調用權限與數據源。哪些API可調？有哪些文件？什么工具？從一開始做產品設計時就要想起楚。比如設計一個物流的智能體系統，智能體（機器人）之間要協同完成包裹的分揀，其實就是相互調用的權限，數據源開放程度的綜合呈現。

第四，構建初版意圖識別與執行流。僅把數據簡單喂給AI，效果并不會好，手動標注高質量的小樣本的數據是非常重要的。這一階段真的需要某一領域的專家來識別用戶意圖，做相應的標注，并與執行形成閉環，循環往復。

第五，加上記憶與反饋機制。好的智能體系統一定要有記憶的反饋，執行的反饋。最開始別太復雜，可以先只記錄“是否完成任務”“完成的好不好”。因為沒有反饋就沒法訓練，且智能體的后訓練階段，很多人并不重視，這樣出來的智能體基本沒法用，浪費時間。

第六，用10個真實用戶內測。觀察他們如何誤用、用偏、用錯，這些數據非常寶貴。這些“異常路徑”往往揭示出產品設計的盲區。

第七，建立你專屬的數據飛輪。隨著用戶使用增加，逐步收集“高質量成功案例”、“反復失敗樣本”、“偏好偏移趨勢”等關鍵數據點，不斷優化Agent的行為策略，從而構建出專屬的核心壁壘。

0 2

構建有效 Agent 的三個核心思想

Anthropic 公司的工程師 Barry Zhang 在 AI Engineer 工作坊上做了一場名為“如何構建有效的 Agent”的分享。其中的三個核心思想，我認為同樣適用于國內的智能體開發，結合案例來做一下深入分析。

具體來看，構建有效 Agent 的三大要點分別為：

1、不要為所有事情都構建智能體。構建智能體的成本相對較高，且可能存在潛在的錯誤累積風險。許多任務使用簡單的工作流程或直接調用大型語言模型就能很好地完成，無需構建復雜的智能體系統。

比如，AI 銷售公司 Clay，它預定義了工作流與智能體分層。在客戶數據整合中，70%的流程使用聯邦學習框架的預定義工作流（如FETE框架的Finding、Enriching步驟），僅在高價值線索篩選、動態定價等需要實時決策的場景，才啟用Claygent智能體。

2、保持簡單。簡單的系統更易于理解、調試和維護。核心邏輯是從最小可行智能體（MVA）起步，通過模塊化降低復雜度。

Sierra 作為一個AI客服平臺，它的做法是，先部署“工單分類”單一功能智能體，驗證效果后再擴展至“賠償計算”“話術推薦”等模塊。

3、像智能體一樣思考。其核心邏輯是，通過“開發者-智能體認知對齊”提升任務完成率，避免工具與環境的“信息差”。

比如在給智能客服對話 Agent設計對話流程時，要充分考慮用戶可能的提問方式和意圖，因為通常情況下，用戶提問不會長篇大論，可能只有兩三個關鍵詞，所以針對這類模糊的用戶提問，設置智能體要先進行簡單的意圖確認，再提供相應的答案。同時，對智能體的回答進行嚴格的測試和評估，確保其準確性和友好性。

0 3

技術與商業挑戰：

智能體落地的三重障礙與應對策略

盡管AI智能體在功能演示與理論模型層面已取得突破，但真正落地為可用、可靠的產品系統，仍面臨嚴峻挑戰，具體可分為技術層面、商業層面與倫理風險三大類。

在技術方面，“幻覺”問題依然是智能體最致命的隱患。即使是最先進的大模型，在缺乏足夠上下文或任務約束時，仍可能產生看似合理但實則錯誤的信息。這在業務場景中尤其危險，可能造成決策誤導、客戶投訴，甚至合規風險。同時，多輪推理所帶來的延遲問題也顯著影響用戶體驗，當響應時間超過3秒，用戶中斷率將大幅上升。此外，安全性控制不到位也可能導致API誤調用、數據泄露或違規操作，這些都要求在系統層引入“最小權限+沙盒機制”進行約束。

在商業層面，智能體所面臨的第一個門檻是用戶信任的建立周期。即使Agent準確率很高，用戶也可能在早期因一次錯誤而失去信心，尤其在醫療、法律、財務等高風險領域，用戶更傾向于依賴人工判斷。同時，Agent的ROI（投資回報）難以在短期內量化，給內部預算審批帶來阻力。第三則是護城河問題——簡單依賴API集成的大模型應用極易被競品復制，必須通過數據飛輪、業務鏈路或垂直模型微調建立差異化能力。

在倫理層面，智能體還面臨算法偏見、透明性不足以及數據隱私合規等挑戰。訓練數據中潛藏的結構性偏見，可能在Agent行為中被放大，甚至引發爭議性結果；與此同時，許多用戶可能無法判斷自己正在與Agent而非真人互動，這帶來了交互公平性問題；GDPR、PIPL等合規法規對數據采集與處理也提出了更高要求。

0 4

為什么

智能體優先落地在“銷售”場景？

如前文所述，當智能體大規模進入人類市場以后，將會引發巨大的改變，不僅是“勞動力”的形式，也包括商業模式。而商業付費方式的巨大變革也隨之而來，即從傳統的功能訂閱（SaaS）轉變為按結果付費（RaaS）的價值分成模式。

眾所周知，每一個公司都有一張損益表，我們把全世界所有的智能體，大致分成了8大類（如下圖）。比如，供應鏈智能體解決的是BOM（物料清單）成本的問題，工業機器人智能體解決的是工人成本的問題。

你會發現，在損益表的每一個節點、每一行都可以看到智能體的身影，AI 智能體覆蓋藍領工人以及大量白領的工作場景是完全可能的，包括前端的AI銷售，中后臺的 AI面試、AI 會計等。那么面對這8大類智能體，你的重點要放在哪里？這是需要認真思考的。

從生意的底層邏輯來看，我們認為，AI銷售是最可能實現 RaaS 模式（按結果來付費）的場景。銷售是企業中最明確“以結果衡量價值”的場景之一。不同于客服、招聘、財務等職能，銷售的每一次轉化都可被清晰量化，直接反映在營收曲線上。這使得銷售智能體天然適配RaaS（Result-as-a-Service）模式，即企業愿意“按結果付費”，而不是按使用時間、調用次數或賬號數量定價。

以往 SaaS 的本質是賣工具，收的是工具（功能）的訂閱費。

從客戶視角看，軟件或者 SaaS 公司仍是個 IT 公司，在客戶的心理賬戶中只有千分之一到千分之三的預算；如果我們把 AI 看成一個勞動力，比如一個銷售的智能體，就完全改變了這個邏輯，可以按效果實現 3% 甚至 10% 的收費。

比如 CLay、Sierra、11X 等公司從傳統軟件訂閱模式，發展到按任務收費或基于任務與結果的混合定價模式。Sierra 可以幫助像 OpenAI 或者谷歌等公司搜索或者打電話，按照銷售金額分傭 3% ~ 8%。

此外，大多數企業主對銷售的態度是“只要能賣出，就愿意分成”，這在實踐中為AI銷售智能體的商業模型提供了快速閉環的基礎。無論是按簽約金額分成，還是按轉化線索計費，銷售Agent都可以在短周期內創造可感知的回報，進而推動更大規模的部署與復制。

這也意味著，未來那些能夠創造銷售收入的智能體將在 AI 勞動力市場中占據重要地位，就如同奪得皇冠上的夜明珠一樣。

0 5

技術與數據維度：

SaaS vs RaaS（AI銷售+AI中后臺）

上述問題清晰之后，我們從技術和數據維度，來對比一下傳統SaaS和AI銷售智能體，以及AI中后臺智能體之間的不同：AI智能體不僅是用戶體驗的升級，更代表著軟件產品底層邏輯的徹底變化。RaaS（Result-as-a-Service）與傳統SaaS（Software-as-a-Service）之間的差異，不僅體現在計費方式和業務邏輯，更體現在技術框架、數據路徑與模型策略上。

傳統SaaS以“模塊化功能 + 規則系統”為核心，通過用戶界面觸發預設流程，實現標準化任務的自動化。其價值依賴于用戶覆蓋面與流程效率的提升，但數據增量的邊際價值往往有限。例如，CRM系統中的用戶行為數據并不直接增強系統能力，更多用于運營統計。

相比之下，RaaS中的AI智能體基于大模型與強化學習技術構建，強調任務結果與能力迭代之間的閉環反饋。尤其是在銷售智能體場景中，系統通過實時收集對話內容、客戶響應、成交結果等數據，不斷微調推理路徑、話術策略和行動優先級，形成“結果驅動能力 → 能力提升帶來更多結果”的數據飛輪。

但AI銷售智能體則要更加開放，是一個多渠道的數據整合，包括公開數據、合作伙伴數據、客戶授權數據等，甚至需要抓取競爭對手的一些數據。

在數據來源結構上，SaaS主要依賴企業私有數據；而銷售智能體需要整合多元化的信息源：包括公開網絡數據、用戶授權數據、合作伙伴數據，甚至實時抓取競爭對手市場動態。這種“數據開放性”帶來了更強的感知能力，但也要求更高的權限控制與隱私合規能力。

另一方面，傳統SaaS并不涉及模型推理路徑的訓練；而RaaS智能體的核心資產之一是思維鏈（Chain of Thought, CoT）數據——即模型是如何逐步拆解用戶意圖、判斷任務路徑、執行行為并收到反饋的。這些推理鏈數據，是推動模型持續進化、構建競爭壁壘的核心。

不過，值得注意的是，銷售智能體問世以后，就基本可以看做是“透明的”，別人也會來“偷學”你的CoT，接入到自己的數據中。所以，依然還是要具備動態的、實時的對全網數據的搜集抓取能力。

同時，新的付費模式也完全有可能產生。比如，AI中后臺智能體按底薪付費，每個月收固定底薪，完完全全數字員工的邏輯。再比如，AI銷售智能體可以按商品交易總額（GMV）提成付費。甚至未來還有可能出現AI員工勞動力平臺，共享邏輯按次付費，比如你可以在平臺上聘請AI律師、AI員工等。

0 6

AI Agent將賦能

每一個人、每一個企業、每一個產業

當智能體構建出來之后，如何為產業服務？

去年 11 月底正式發布了 MCP 協議，所有的智能體、模型以及數據源都可以通過該協議進行連接。它會帶來一種新的商業模式，我稱之為 “A2A 模式”，即 Agent to Agent（智能體到智能體）的新商業模式。

而世界級的品牌和企業家完全有可能借助消費者到制造商（C2M）、企業到工廠（b2f，產業路由器）以及智能體到智能體（A2A，智能體路由器）的模式，重新改變每個行業的命運，改變每個市場的競爭格局。

簡單舉例，你可以運用專注不同垂直領域的智能體找線索、聯系客戶，歸集需求之后合并同類項，通過智能體和產業互聯網，對接供給端的產業集群，由此創造出千億規模經濟體的可能性是存在的。

當這一天到來的時候，在智業文明的偉大召喚下，我們希望每個行業都能夠被重新構建一遍。

0 7

智能體的核心結構與記憶機制

要理解智能體的構建，首先可以參考一個業界公認的精簡表達，即：AI Agent=大模型+記憶+規劃+工具使用。

而對于AI Agent 系統而言，用戶在與其交互過程中產生的信息和數據都可以認為是Agent的記憶，而記憶支持AI Agent的決策和行為。

那么從數據架構角度，如何讓智能體擁有“前世今生”的記憶呢？設計原則只有一個：讓智能體的每一次的行為都應“可解釋、可學習、可復現”。

長期記憶包括：用戶身份、歷史偏好、情感畫像等，除了要經常總結以外，還要把它寫到相應的數據庫里。

短期記憶也很重要，它決定了每次你與智能體的對話質量。另外還有工具調用日志，Agent調動工具、API的行為軌跡，要記到我們的日志系統里，要把它結構化。

用戶的反饋也非常重要，點擊率、滿意度打分、重試次數等，都需要記錄寫進JSON日志，便于開發團隊進行優化。

下圖是一個極簡的RaaS智能體結構，用戶通過WEB瀏覽器進入，在通過前端與智能體的主機建立連接，遠程開始通過A2A的協議去調用LangGraph智能體，或者谷歌智能體和Crew Al智能體，當然現在智能體的開發平臺有很多。

我們設計了一個RaaS智能體服務平臺應用架構，當然并非短期能開發完，但想強調的是，在整個過程中，最重要的要先把AI銷售智能體做出來，當轉化率達到一定程度后，再考慮投資流量，最后才是履約智能體的建立。以電商平臺為例，它們大部分都有履約能力，將來開發時稍微對接之后相對是容易的。

智能體產品迭代是一個持續優化的過程，比傳統軟件產品更復雜?；谖覀儗lay等成功案例的研究，推薦以下結構化的智能體迭代策略：

1. 基于數據的智能體迭代模型

迭代周期 = 收集數據 → 分析失敗模式 → 優化策略 → 驗證效果 → 再次收集數據

2. 迭代四階段詳解

• 第一階段：快速原型期（1-4周）- 目標：驗證核心功能可行性- 方法：- 使用現有LLM能力實現MVP- 只關注1-2個核心場景- 手動標注50-100組高質量訓練數據- 關鍵指標：基本功能完成率

• 第二階段：內部測試期（2-6周）- 目標：消除明顯的體驗斷點- 方法：- 10-20名內部用戶使用- 重點收集"卡殼時刻"數據- 實施A/B測試優化提示工程- 關鍵指標：關鍵任務成功率、響應時間

• 第三階段：小規模用戶期（1-3月）- 目標：構建數據飛輪機制- 方法：- 100-500真實用戶使用- 建立用戶反饋收集機制- 根據反饋訓練專用微調模型- 實施標簽化的錯誤追蹤- 關鍵指標：任務完成率、用戶滿意度

• 第四階段：規?；A段（持續）- 目標：持續學習優化- 方法：- 實施自動化數據收集與分析- 建立"成功案例庫"- 開發用戶偏好個性化引擎- 智能體行為主動調優- 關鍵指標：重復使用率、推薦率、商業ROI

0 8

智能體的用戶旅程五步曲

無論是移動互聯網還是AI時代，有一個大的共同點就是：要有用戶思維，你永遠要站在用戶的角度去思考。AI Agent 的真正價值，不僅在于“能不能完成任務”，而在于“用戶是否愿意持續使用”。因此，從產品設計的視角，智能體的成長路徑本質上是一段“用戶與數字人格逐步建立信任”的演化過程。

Agent 用戶旅程（User Journey）是一個從“陌生工具”到“信任拍檔”的演化過程，它與傳統SaaS產品的旅程非常不同，更像是在運營一個“準人格體”的數智員工。整個過程一共有五個階段：

第一階段：喚醒，從陌生到初識。在用戶第一次接觸時，通過快速成功、認知共鳴，令其“一見鐘情”的能力。比如在使用智能體時第一句歡迎詞，或者能夠通過簡短的對話就能快速清楚使用者的意圖等。

第二階段：建立信任，從工具到習慣。就是用戶在使用幾次之后，仍能理解用戶的想法，并準確執行，讓用戶覺得“靠譜”。注意這一階段信任的建立，不僅是靠成功率本身，更多是靠出錯可控及反饋的呈現，很多時候把Agent決策過程的思維鏈展示出來，能加速信任的建立，比如DeepSeek為什么用戶體驗那么好，這這有很大關系。

第三階段：人格綁定，從助手到拍檔。隨著用戶與智能體交流得越來越久，通過長期行為一致性塑造出的特定喜好?？梢酝ㄟ^語調的訓練，命名換膚等操作讓用戶更有參與感，或者提供“Agent成長記錄”：“過去30天你教會了我4件事”。讓用戶有當老師、調教智能體的成就感。

第四階段：任務飛輪，從使用到依賴。這一階段用戶開始用Agent處理多個高頻任務，由于有了基礎數據，經過路徑優化之后，系統也更懂他們的流程偏好，用戶開始出現“我更喜歡Agent來做這件事”的心理轉變，就會產生依賴。

在這一階段，在功能設計上一定要有任務自動化鏈條，這是任務飛輪的關鍵。舉個例子，Clay此時加入Lead Management Flow，不是只寫郵件，而是整合成“篩選-寫信-追蹤-歸因”一體化。智能體開始推薦任務，比如根據客戶的行為，智能體建議下周主動觸達他們，使用者根據智能體的任務建議，安排見面或會議。

第五階段：社交裂變，從個人信任到公開推薦。這個時候個人信任建立起來以后，用戶就會公開推薦，曬出自己與Agent協作的成果，主動傳播。

11X與Notion AI的玩法很像：完成一個任務后生成可視化“戰報卡片”，促使用戶分享到X平臺或朋友圈。

這一過程中，激勵機制的建立很重要。比如任務完成后的可視化“戰報卡片”，內容可以是：“我用Agent完成30封郵件發送，回復率35%”。又或者可以是Agent生成的“周報”：“你與Agent上周共處理X任務，回復率Y%，節省Z小時”等等。

有兩點需要注意：第一，Agent旅程 ≠ 功能使用，這與過去做SaaS軟件傳統的開發不一樣。第二，用戶與智能體逐步共建信任，是一個過程，相當于用戶與智能體一起在進化。

0 9

智能體開發落地9個關鍵事項

推動Agent真正落地，還需要一系列架構、工具與管理機制支撐。以下是九項關鍵落地事項：

1、Agent運行核心依賴

以下圖中的“資深購物顧問”為例，我們要跟智能體的各種數據源要打穿，從客戶端到大模型工具的調用，到開發的平臺，再到外部的WEB端的數據以及公共資源的實時的獲取，另外還有沙盒，生成文件、文件暫存、代碼執行，包括整個建立虛擬的環境，這些都是我們開發Agent的核心。

2、多智能體協作關系

如前文所述，單個智能體肯定不能成事兒，很難形成閉環。數據飛輪、增長飛輪、業務飛輪和產品飛輪要轉動起來，背后都是智能體集群，或者說智能體的協作關系非常重要。

比如，未來活動推廣、商品推薦、智能銷售代表、資深購物顧問再到訂單交付等智能體，要共同協作才能完成一張訂單的所有流程。所以此時需要調度智能體（Coordinator Agent），類似于一個“智能體編排器”。讓每個獨立的功能體，通過message passing和狀態共享協作完成任務。技術選型可參考LangGraph（用于agent workflow graph）或CrewAI（類協作框架）。

多智能體協作目前大概有5種組織方式（如下圖）

3、人格訓練手法

智能體的人格是它的“沉默提示”（silent prompt），由以下三部分構成：語言風格訓練（Tone Finetuning）、行為策略訓練（Action Policy）、人格標簽嵌入（Persona Embedding）

4、界面設計與平臺適配：Agent UI設計，支持Mobile和DeskTop

需要注意到是，對于用戶的需求最初Agent并不知道，所以最初始的意圖設計，需要相關領域的資深專業人士來做，因此未來意圖工程師會變得很重要。在做原型的時候，就要把相關數據喂進去并開始標注。

5、渠道集成和商家集成

國內目前企業微信相對友好，飛書、釘釘也很支持，抖音、小紅書現在也在跟進，它們現在都開始支持MCP，因此智能體的接入相對容易。將來對于企業自己的不同客戶，由于產品不同，偏好不同，怎么去調API企業內部的知識庫，你不可能用一套智能體去服務所有客戶，此時MCP就為我們提供了非常好的工具。

6、項目管理工具選擇，用于Agent執行項目任務管理和自身開發項目管理

Agent不僅是業務執行者，也可成為項目協調者。支持任務分解、進度跟蹤、資源管理等功能。

7、選擇關鍵技術選擇參考

8、產品迭代策略

引入用戶反饋 → 策略優化 → 行為更新 → 效果驗證的學習閉環，保障Agent持續成長。

Clay 智能體進化閉環很重要，如何確保智能體全天候24小時自主學習、自主進化和自主行動。

9、數據飛輪：AI智能體的永動機

“智能體不是一次性交付，而是持續學習的循環?！睙o論什么是哪種智能體，最終肯定需要時間驗證，不能指望一開始就效果很好，通常需要三個月的數據飛輪，把 COT（包括公有數據、私有數據）轉動起來，形成數據飛輪效應，才能慢慢找到感覺，切入目標賽道，找到可以放大的機會。數據飛輪一旦高速自主、自動轉動，智能體將越用越聰明。

0 10

數據飛輪：AI智能體的“永動機”

在 AI 智能體系統中，真正決定智能邊界的，從來不是參數量的多少，而是有沒有構建起一種可以自我進化的生態機制。這，就是數據飛輪的本質：一種通過用戶使用—模型反饋—性能優化—再次使用的正向回路，讓智能體越用越聰明，越走越快，最終走向“自增長”。

你可以把它想象成 AI 的“代謝系統”——沒有代謝，再強的模型也終將衰老；一旦代謝通暢，哪怕一個小模型，也能煥發出遠超初始邊界的生命力。

數據飛輪不是神話，而是一種結構性優勢。它無法被輕易復制，因為它要求產品設計、數據架構、反饋機制與組織運作的協同共振。只有當一個 AI 系統進入了真正的飛輪狀態，它才不再依賴燒錢獲客、運營留存，而是依靠內在學習實現自我增長。在未來的智能體互聯網中，每一個頂級系統都將是飛輪的藝術品，每一個推動飛輪轉動的用戶，都是這個生態體的隱形共創者。

人類與 AI 的默契，也許從未如此深刻。不是誰在控制誰，而是在共同進入一個越來越聰明的循環。

飛輪不是結構，而是循環

數據飛輪并不是一個靜態結構，而是一組彼此嵌套、層層加速的循環機制。最基礎的，是“數據—模型—反饋”的自學習回路：用戶使用產品，系統收集行為數據，經標注與清洗反饋進訓練體系，生成更優模型，再推向用戶使用。

這個回路聽起來簡單，真正的威力在于：反饋不是“平均值”，而是“結構性改進信號”。

比如 Perplexity 的搜索系統，不會因為某條結果沒被點擊就粗暴判定其錯誤。它會結合關鍵詞置信度、語境相似度、用戶偏好歷史等維度，推測“可能失敗原因”，并將這些精細誤差反哺模型生成策略。這種“類認知修正”，讓飛輪不是盲轉，而是精準校準，越轉越準。

飛輪的加速器：信任—任務—遷移

進入中階層級后，飛輪變成一個“任務成功率—用戶信任度—數據質量”的復合回路。

模型答得越準，用戶越信；信任越強，就會把更多復雜任務交給系統，生成的反饋也越高質量。Clay 正是依賴這種機制，在聯系人事務管理中推動智能體從“輔助”到“代理”。一次聯系人提醒設置，不僅完成了任務，更留下了一個包含動機、語境、后果的行為鏈——這種“有意圖的行為數據”，遠比傳統CRM里的標簽記錄更適合 fine-tune 模型。

共創飛輪：用戶即訓練者

再進一步，就是“人機共創飛輪”。

以 HeyGen 為例，用戶在生成視頻后常會進行微調，比如二次配音、調整語速、更改人設。這些操作不僅體現用戶品味，更為系統提供了極有價值的學習信號——人是怎么“改寫 AI 輸出”的。

HeyGen 開發了一種基于編輯日志反向生成提示詞的新機制，讓模型理解人類的修改邏輯。這種“從共創中學習”的能力，是模型真正“理解用戶”的關鍵。

一旦飛輪真正運轉起來之后，所形成的不是線性增長，而是乘數效應，這正是飛輪的真正奇妙之處。每一個用戶行為都會帶來兩個回報：一是完成當下的任務，二是推動系統向未來變得更好，使系統變得比一秒前更聰明。

用戶不是數據的產出者，而是系統的共同訓練者。他的每一次猶豫、微調、贊同、沉默，都會成為模型成長的養料。AI 不再是被動的應答者，而是一位有意識的觀察者、學習者與協作者。

這就是數據飛輪的“增強回路”（reinforcing loop）之所在——它的增長不是靠市場拉動，而是靠內在學習。你用它一次，它記住你；你用它一百次，它理解你；你不再使用它，它反思你為何離開，并優化下一位用戶的體驗。

這背后的哲學近乎優雅：AI 不再只是一個被動響應的工具，而是一個主動進化的生態體。你的行為、情緒、偏好、反饋，甚至沉默，都會成為它成長的燃料。

飛輪是一種系統性競爭力

飛輪從不是神話，它是一種結構性優勢。

它依賴的不是某個功能點，而是設計、維護、監管、反饋系統的全鏈條協同。真正成熟的飛輪，不依賴燒錢拉新，也無需運營死磕留存。它靠的是——系統內部的學習能力。

在未來的智能體互聯網中，每一個頂級 AI 系統，都將是一部飛輪藝術品：既能從千萬人那里習得智慧，也能為每一個人定制回應。而每一個推動飛輪轉動的用戶，本質上也都是這個系統的隱形共創者與訓練者。

這也許是 AI 與人類最深層的默契：不是誰控制誰，而是我們正在共同進入一場“越來越聰明的循環”。

數據飛輪的構建與運轉

如果說大模型是智能體的“認知大腦”，那么數據飛輪就是它的“代謝系統”。沒有飛輪，模型再強也會在時間中枯萎；有了飛輪，哪怕起點很低的系統，也可能在不斷的自我進化中煥發出驚人的能力。

數據飛輪的本質是一種正反饋循環，讓每一次交互都反哺系統本身。你可以把它想象成一個自學習機器的“新陳代謝”：用戶交互產生數據，數據優化模型，模型提供更好服務，從而帶來更多更高質量的用戶交互，飛輪由此滾動起來。

實際上，飛輪并不是一個，而是多個協同存在的系統層級網絡，常見的有行為數據飛輪、標注反饋飛輪、人機協同飛輪與業務閉環飛輪。每一種都像是一個感官與肌肉系統，連接著用戶、模型與場景之間的信息循環。

行為數據飛輪是最基礎的一環，比如在 Perplexity 上，用戶的點擊、跳出、持續閱讀時間，都會反饋進模型的排序邏輯中，進而影響后續用戶看到的結果組合。而 Clay 在其聯系人推薦引擎中，通過用戶是否收藏、忽略、設置提醒等動作來“投票”優化個性化優先級。

標注反饋飛輪更進一步，涉及對結果質量的顯性評價。像 HeyGen 這樣的產品中，用戶對生成視頻進行微調、二次配音、調整語速，其實每一個動作都蘊含著模型“哪里做錯了”的線索。這類“弱標注信號”經過結構化提取，能讓模型獲得極強的迭代能力。

人機協同飛輪則是飛輪系統中的“共同演練場”。在一些高價值場景中，如 Sierra 的客戶支持智能體，模型往往并不直接給出終極答案，而是先列出幾個可能路徑，由人工運營團隊選擇最佳方案。這一過程中，人的判斷力提升了模型的質量，而模型也在不斷吸收人的決策習慣。就像是在訓練一位學徒，逐步掌握師傅的手藝，甚至最終青出于藍而勝于藍。

在這個過程中，人機之間的邊界變得模糊：不是誰指揮誰，而是像合奏那樣，彼此的節奏彼此成就。Sierra 正是依靠這種“共同演練”的機制，讓其智能客服在 B2B 企業中迅速形成差異化優勢。據稱，他們的智能體已能自動處理 70% 以上的請求，而剩下的 30% 也在持續學習中，不斷縮小人機差距。

最后是業務閉環飛輪，這是一種更具戰略意義的飛輪系統，它將數據、服務、商業目標串成一個封閉循環，推動系統在真實商業環境中自我成長。例如 Scale AI，不僅為客戶提供數據標注服務，更通過部署端到端閉環的智能體系統，把“數據 → 模型 → 場景 → 反饋 → 數據”變成可計量、可監控的高速通道。這種閉環不僅加速了模型訓練，也創造了數據的復利價值。

總結來看，數據飛輪不只是讓模型更聰明，更是讓智能體像生命體那樣具備“成長性”。它不是外掛的優化手段，而是系統本身的一種存在方式——像細胞代謝那樣持續演化，像生態系統那樣多層協同。

未來，誰能構建出多層協同、自我進化的數據飛輪系統，誰就掌握了 AI 智能體時代真正的“永動機”。

飛輪啟動：預熱式訓練

當然，飛輪不可能憑空啟動，也沒有哪一個飛輪從一開始就自然運轉。在最初的“冷啟動期”，往往需要設計一套“偽數據—真優化”的流程。早期系統往往要依賴人工冷啟動，甚至模擬用戶行為來生成初始反饋。冷啟動階段最需要的，不是用戶增長，而是偽數據的真實感。

Sierra 在早期開發客戶支持智能體時，專門招募運營人員模擬用戶投訴流程，讓模型在“假裝真實”的對話中逐步形成應對邏輯。通過假裝真實的交互來錘煉模型輸出。這種“預熱式訓練”提供了飛輪起步所需的初始扭矩，一旦性能達到臨界點，用戶的自然使用行為便會接替人工，加速整個系統進入指數級自我增強。

這個“偽數據—真優化”的階段極為關鍵，這個階段沒有大規模用戶數據，但通過“人扮用戶”+結構化反饋，打出了模型最初的磨合弧線。直到系統回答能力達到某個臨界點，飛輪才真正進入正向加速。這個階段，就像點燃一枚火箭所需的“初始推力”，并非靠市場拉動，而是靠結構設計。一旦系統表現達到臨界點，用戶自然會留下更真實、更復雜的反饋，飛輪才真正進入正向加速期。

數據飛輪就是一個代謝系統

在理解人工智能系統的自我進化機制時，數據飛輪是一組極具穿透力的隱喻。如果說大模型是智能體的“認知大腦”，那么數據飛輪便是它的“代謝系統”。正如生命體無法依靠一次性智慧維持長期活力，AI 系統也無法僅靠預訓練參數維持性能領先。真正決定智能邊界的，不是算力，也不是參數量，而是系統是否構建起了持續反饋、自我演化的生態循環。飛輪不轉，模型終將衰竭；飛輪一旦啟動，哪怕起點平平，也能滾出燎原之勢。

這個飛輪并非單一結構，而是一組嵌套交錯、彼此強化的回路：行為數據、用戶反饋、模型優化、場景拓展，在一次次交互中織成一張巨大的學習網絡。在 Perplexity 的搜索引擎中，用戶的每一次點擊、跳出與停留時長都會被記錄下來，不是作為統計參考，而是參與模型生成策略的“結構性修正”。如果一個結果沒有被點擊，系統并不會草率地得出“這答案不好”這一結論，而是分析上下文語義、關鍵詞置信度、用戶過往偏好等線索，從而生成失敗的可能原因。這些推理反哺進模型訓練，使每一次失誤成為下一次成功的基礎。飛輪在這里不僅轉動，更是在有意識地“校準”。

而在 Clay 的聯系人智能體中，數據飛輪則更像一場帶有情感色彩的交互舞蹈。每當用戶對推薦聯系人采取收藏、忽略、設提醒等操作，系統都會捕捉這些動作背后的動機和判斷，從而調整后續推薦的優先級。這不僅僅是“行為投票”，更是系統對“人類關系邏輯”的逐步學習。久而久之，AI 不只是記住你在找誰，更理解你為什么在這個時刻、以這個方式去聯絡這個人。

Netflix 的數據飛輪是另一個極致案例，它將數據反饋延伸到內容創作本身。從觀眾的觀影偏好中提煉出類型、節奏、演員偏好，再反過來指導原創劇集的制作方向。你看到的《紙牌屋》不是編劇拍腦袋想出來的，而是 Netflix 從千萬人次數據中“反演”出的敘事策略。連劇集封面都在實時 A/B 測試中進化，不同觀眾看到不同視覺封面，系統據此學習視覺誘因背后的心理機制。這種“觀看—調整—共創”的機制，使得用戶不再只是消費者，而成為了內容共創的無形合作者。

飛輪不是神話，它是一種結構性優勢。它需要設計、維護、監管和反饋系統的全鏈路聯動。也只有當一個 AI 系統進入了飛輪狀態，它才真正具備“自增長”的能力，而不是靠燒錢堆用戶、靠運營拉留存。

在未來的智能體互聯網中，每一個頂級系統都將是飛輪的藝術品：它既能從千萬人那里習得智慧，也能為每一個人量身定制回應。而每一個推動飛輪轉動的用戶，本質上都是這個系統的共同訓練者與隱形共創者。這也許是 AI 與人類協作最深層的默契——不是誰控制誰，而是共同進入一種越來越聰明的循環。

案例：CLay AI的飛輪故事

Clay AI 的故事，是一個關于數據飛輪如何與人性深度融合的范本。作為一款定位于「關系智能體」的產品，Clay 并不滿足于做一個靜態的聯系人管理工具，而是試圖捕捉人與人之間復雜而微妙的關系脈絡。它的飛輪機制建立在一種“行為即偏好”的理解之上——每一個用戶的動作，不只是操作，而是關于他們人際認知的線索。當你收藏某個聯系人，系統記錄的不是“你喜歡這個人”，而是“在這個上下文中，你認定了此人值得未來聯系”；當你忽略或刪除一條建議，系統便更新自己的“社交地圖生成器”，嘗試理解你不感興趣的并不僅是這條記錄本身，而是你當前人生階段的關注重心。

這種對數據的深加工能力，使得 Clay 不僅能識別聯系人之間的關系強度，還能逐漸預測用戶在何種情境下愿意重啟舊聯系，或者推遲某個提醒。更重要的是，Clay 將這些微觀行為轉化為用于微調其大語言模型的動態信號，從而讓推薦結果越來越貼近用戶的社交習慣。這種個性化不是靠粗暴的標簽打分實現的，而是一種長期浸潤式的交互反哺，就像一個貼身助理在觀察你如何判斷重要與否、親疏遠近。

Clay 的飛輪已經在很多用戶中實現了自我驅動：用得越多，推薦越準；推薦越準，使用頻率越高，產生的數據也越豐富。這種正向反饋，不是靠補貼和提醒推動的，而是源于一種細水長流的信任感——AI 懂你，不是因為它看了你的數據，而是因為它“理解”了你的行為邏輯。而理解，本身就是關系的最高形式。

在 AI 進入深水區的今天，Clay 提供了一個重要啟示：最好的智能，不是驚艷的回答，而是無聲的陪伴；不是快速的反應，而是對你的長期理解。飛輪不是炫技的手段，而是連接人與系統之間真實默契的橋梁。

案例：亞馬遜的飛輪

在談論亞馬遜的數據飛輪時，人們常常聚焦于那張經典的“成長飛輪圖”——客戶體驗驅動流量、吸引更多賣家、帶來更大規模經濟，從而進一步壓低價格、提升體驗。那張圖像是電商的心臟泵動節律，但它真正的奇跡發生在轉向數據智能之后。當這個飛輪被AI系統接入、由數據實時驅動時，它從一個物理系統蛻變成一個智能生態。此時的亞馬遜，已不是一個“賣書的公司”，而是一個用數據寫劇本、用AI配速的全球物流與消費計算機。

從用戶的第一個點擊開始，亞馬遜便啟動了一套精密的行為記錄系統。這一系統不僅記錄“買了什么”，還記錄用戶在頁面上停留了多長時間，是否瀏覽了評論，是否點進了類似商品頁，甚至是否在最后一刻放棄購買。每一次猶豫都是信號，每一次選擇都是標簽。而這些微小的信號積累起來，構成了用戶畫像的“細節紋理”，為推薦算法訓練提供養料。它不僅知道你買過什么，更能判斷你將要買什么——甚至你還沒意識到你會買它。

推薦引擎是這套飛輪中的主角之一。它像是一名無形的私人導購，熟知你的興趣與需求變化，并通過協同過濾與深度學習模型生成高度個性化的商品列表。這種推薦不是簡單地“人買了你也買”，而是“理解你是誰后，為你準備好了下一步的驚喜”。當用戶點擊推薦商品時，這種個性化反饋又進一步豐富了模型的輸入，形成了正反饋閉環。而每一輪優化都不只是提升銷售額，更是提升了“系統認知用戶的能力”。

但這只是飛輪的一側。另一邊，是亞馬遜在語音交互上的探索——Alexa。這個家居助手聽起來像一個小工具，實則是一個語音數據的富礦。在數億次的對話請求中，Alexa不僅理解人類的語言，更開始理解人類的“意圖結構”：什么時候我們在尋找商品，什么時候只是在問天氣，什么時候其實是在尋找一種情緒陪伴。每一次語音互動，都是語義識別系統的一次試煉，每一條語音命令都成為訓練模型的真實語料。Alexa 的成長，不依賴于工程師的調參，而依賴于全球用戶的實時使用，讓模型逐步掌握自然語言的模糊性與上下文之間的流動。

而這還只是“前臺”的用戶端。在亞馬遜的“后臺”，另一個更龐大也更隱秘的飛輪在高速運轉：倉儲與物流的智能化。從用戶下單的那一刻起，系統便開始自動匹配最優的發貨路徑，動態調度揀貨員與機器人協同作業。在某些物流中心，這已經不再是人類在貨架中穿梭，而是機器人在無聲地滑動，甚至會“預判”訂單趨勢，在你下單前就把商品提前移動到最近的出貨口。這種前置調度的背后，是對數百萬訂單行為的長期建模，是對節假日波動、地區喜好、天氣因素等變量的系統整合。在這個飛輪中，訂單越多，模型越精準，效率越高，客戶體驗越好，訂單又繼續增長——一個看不見的強化學習系統在幕后演奏物流交響樂。

更妙的是，亞馬遜把這一飛輪機制“外包”給了世界——這就是 AWS（Amazon Web Services）的魔法所在。AWS 并不僅僅是一個云服務提供商，它是另一個“飛輪中的飛輪”。每一個企業將其系統托管在 AWS 上，每一次 API 的調用、每一次延遲反饋、每一次容量爆表，都會被記錄、分析、反饋。AWS 基于這些行為數據持續優化其底層架構和產品體驗，從 Lambda 到 S3，從 Bedrock 到 SageMaker，每一個服務的進化，都是由數百萬開發者與企業用戶“共創”的結果。這個飛輪的妙處在于，它不僅獲取數據，還通過服務讓用戶自發貢獻更多數據，從而實現“邊用邊優化、邊優化邊吸引更多用戶”的動態系統。

換句話說，亞馬遜真正的競爭力并不在于某一項技術多領先，而在于它構建了一個可以不斷自我學習、自我增強的多層飛輪系統。它不靠一個大腦來運轉，而靠一張由數據回路織就的“神經網絡”——每個節點都能反饋、每個環節都能學習。推薦系統是認知神經元、Alexa 是感知神經元、倉儲是運動神經元，而 AWS 則像是一個不斷拓展的外部大腦。

這個飛輪之所以難以復制，不僅因為亞馬遜擁有海量數據，更因為它對反饋機制的理解與設計近乎偏執。它深知，單純的數據本身不會轉動飛輪，唯有將數據置于正確的鏈路中、激活其流動性，才會釋放復利。而要做到這一點，需要的不只是技術實力，更是一種“系統性創造”的文化能力——跨團隊協作、統一目標感、對延遲回報的長期信仰。

亞馬遜的飛輪也早已超越傳統推薦引擎的邏輯，成為了涵蓋推薦系統、物流系統、語音交互、企業云服務在內的復雜自進化網絡。用戶購買行為不僅優化推薦算法，還會推動倉儲物流 AI 優化揀貨路徑，影響 Alexa 的語義理解能力，甚至提升 AWS 在全球開發者社區的微服務設計。這個飛輪的本質是：每一個用戶行為，都會在不同系統間激發“多重反饋”，最終歸一為體驗的整體提升。這不是某一模型的精進，而是整個生態的聯動。

案例：Netflix的飛輪

在所有數據飛輪案例中，Netflix 的原創內容優化飛輪是最具“導演性”的一環，它將觀眾的喜好數據直接反饋至劇集的策劃與制作環節，從而構建起一種數據驅動的“反演創作”機制。這個飛輪的魅力在于，它不僅提升了點擊率和續訂率，更重要的是改變了影視內容創作的范式，從“導演拍什么你看什么”變成了“你想看什么我來拍什么”。

這套機制的起點，其實是極其細膩的行為數據：不僅僅是“看沒看完”這樣粗粒度指標，更包括快進的時間點、暫停的位置、退出的時機、重看的片段、甚至在多設備間切換播放的方式。每一個行為都成為一條“情緒線索”，在系統中被打上標簽：緊張、高能、無聊、心動、沖突升級……然后這些標簽被匯聚成了用戶的“觀看情緒畫像”。

以此為基礎，Netflix 便能夠將過往幾十萬小時的影視內容切分成若干“情緒段落”，并基于這些數據去訓練模型判斷：哪種結構組合、哪種節奏變化，更容易讓用戶持續觀看甚至“一口氣追完”。在這一過程中，推薦系統、A/B 測試、片頭封面選擇，以及后期剪輯的方式，全部被納入了數據反饋鏈路中，形成一個從“情緒識別”到“結構重建”的完整閉環。

然而，飛輪真正加速的轉折點出現在 Netflix 決定拍《紙牌屋》時。這個項目在傳統內容公司中或許需要依靠資深制片人的經驗、導演的風格偏好和演員號召力來拍板，但 Netflix 卻反其道而行之：他們先觀察到政治題材、美劇+英劇混搭結構、凱文·史派西與大衛·芬奇的受歡迎程度，這幾個要素在各類劇集中都表現出色，于是“數據共振”的結果便是：用大數據去“預測”這部劇應該火，然后再拍。這個邏輯在當時遭到不少傳統影視從業者的嘲笑，甚至被視為“反創意”，但結果證明，數據理解的觀眾心理，反而可能比創作者自己更清晰。

從此之后，Netflix 不再只是一個播放平臺，它開始像算法工程師一樣“編寫劇情”，像數據科學家一樣“選角”，甚至像運營產品一樣“調節情緒節奏”。在《怪奇物語》《獵魔人》《愛死機》等原創作品中，觀眾能感受到的是一種近乎精準的“審美合謀”，仿佛每一幕、每一節奏變化，都踩中了某種群體共識的節拍。這種精準來自模型對“人群潛意識”的理解，而非單一用戶的喜好。

進一步說，這個飛輪之所以強大，不是因為它有“最多的數據”，而是因為它掌握了“正確的反饋鏈路”：從內容感知到行為采集，從行為采集到模型訓練，從模型訓練到創作反饋，每一步都經過了精密的工程設計與組織協作。這種鏈路的難度在于跨職能融合——讓內容制片人、AI 工程師、產品經理、運營團隊一起參與飛輪設計，而不是割裂地工作。飛輪之所以難以復制，本質上是因為這種“文化共振”的組織形式稀缺，而不是技術壁壘本身高不可攀。

如今，這套飛輪已被進一步延伸至全球化語境。Netflix 會基于不同國家地區的觀影數據，捕捉出本地觀眾的內容偏好，然后反哺投資策略。例如，在韓國用戶中，懸疑、復仇、青春劇表現亮眼，于是他們先后推出《王國》《黑暗榮耀》《京城怪物》，結果不僅本地大火，還逆流沖上全球榜單，帶來了新的用戶增長和數據源擴展。于是一個“內容本地化 → 全球熱播 → 用戶數據豐富 → 更好內容投資”的復合飛輪便開始加速。

可以說，Netflix 并不是靠“猜用戶喜歡什么”成功的，而是通過構建系統，讓自己變成那個“不斷猜得更準”的組織。數據飛輪不是一次性的勝利，而是一種持續進化的能力。這種能力的關鍵，不在于一開始就能預測未來，而在于每一次預測都在被行為數據實時修正，從而讓“系統性智慧”不斷自我增強。就像是一個會寫劇本的鏡子，鏡中投射的是我們自身的欲望、情緒與好奇，而 Netflix 做的，僅僅是比任何人都更敏銳地捕捉到了這一點。

如果說 Netflix 是用數據創作劇情的導演，那么亞馬遜則是用數據運行國家的宰相。它規劃、調度、預判、分發，每一環都在向智能化演進，但又不失對人類基本需求的把握——想要更快、更便宜、更準確地得到所需。它讓一家公司變成了一臺沒有終點的優化機器，一旦轉動，便難以停下。正如貝索斯所言：“我們唯一不變的，是對變化的偏執?！倍@種偏執，正是數據飛輪真正轉動的燃料。

0 11

COT：讓 AI 像人一樣思考

在人類認知中，“會答”與“會想”是兩碼事。前者是對問題的回應，后者是對世界的理解。在構建 AI 智能體的過程中，越來越多工程師意識到一個殘酷事實：大模型的答案雖多，卻缺乏鏈條，它們可以回答問題，卻常常無法“思考問題”。

Chain of Thought（思維鏈）推理，正是對這一缺口的回應。它并不是一個特定算法，而是一種促使模型逐步構建邏輯過程的范式轉變。當你讓模型“先想后答”，它所展現的能力會產生質變。原本無法處理的多步計算、條件推理、道德判斷，開始變得清晰、有條理、甚至令人信服。

我們可以把 COT 想象成一條通向“可信”的小徑。沒有它，模型的每一次輸出都像是在黑箱中擲骰子；有了它，AI 的思維過程被“拉出來”，成為可以閱讀、可以優化、甚至可以共情的軌跡。在教育、醫療、金融、法律這些對邏輯嚴謹性有極高要求的場景中，COT 推理為 AI 提供了一種“可解釋的透明”，讓人類第一次真正看見了機器是如何“得出這個答案”的。

Perplexity 在回答學術類搜索時引入了思維鏈技術，讓用戶不僅能看到結論，還能一步步回溯推理路徑；Sierra 在處理客戶投訴時，通過讓智能體在內部“思考三種解決方案再匯總”來生成更為穩妥的建議；Clay 在判斷一個聯系人優先級時，不是簡單地根據標簽排序，而是引入了“交互頻率—任務相關性—用戶歷史行為”三重推理路徑，從而得出更自然的建議。

思維鏈的真正價值，不是讓 AI 更聰明，而是讓 AI 更“像人”。它給了模型一種“暫?！钡哪芰Α葎e急著回答，先把問題想清楚。而這正是人類智慧最迷人的特征。

0 12

常見誤區與深刻教訓

智能體開發從來不是復制模型的參數，更不是搬運 GPT 的 API。許多創業者在踏入這個新領域時，往往帶著開發傳統軟件的舊思維，結果一次次撞在看不見的墻上。

最典型的誤區之一，是將“擁有一個大模型”視為勝利的終點。事實上，大模型只是一個尚未成形的引擎，它缺乏對真實場景的感知能力。你可以用它生成優美的文案，但無法確保它在十萬用戶互動時依舊穩定。聰明的團隊會讓模型從一開始就浸入具體任務，貼近用戶的行動軌跡與反饋行為，讓訓練從實驗室走進街頭。

另一個反復出現的陷阱，是誤以為“數據量越大，智能越高”。智能體不是靠吞噬信息成為神，而是靠結構化反饋形成認知。這就像一個讀遍圖書館的人未必比一個經歷真實生活的人更有判斷力。真正推動模型演化的，是精準標注、高質量互動、失敗樣本的提煉與再利用。

你要開發一款AI銷售智能體，如果一開始訓練的時候，就把所有銷售團隊成員的全量數據喂給它的時候，哪效果一定很差的。我們在觀察一個開發項目的過程中，從deepSeek R1的后訓練過程哪里得到啟發。我們只喂給人類親自標注的小樣本高質量的績效靠前的20%銷售過去與客戶互動的數據，反而轉化率超過了人類銷售的平均水平。

同時那些未被轉化的客戶對話數據，也是寶貝。這也解釋了為何 Sierra 更關注“未成功客服”的對話，而非滿意度高的案例；為何 HeyGen 的核心進化機制在于“用戶手動微調后的視頻數據”，而非一開始就生成的版本。

不少團隊也忽略了智能體的“人格穩定性”。一個系統如果今天輸出一套語氣，明天又完全改變風格，用戶很難建立信任。這背后涉及提示工程、后訓練一致性以及上下文保持機制的穩定化。Perplexity 為此設計了“多回合上下文繼承邏輯”，確保用戶在連續提問中能獲得風格連貫、立場一致的回答。

智能體產品的失敗，往往不是技術問題，而是反饋機制出了問題。系統不知道自己做得好不好，沒人告訴它哪里錯了，也沒有結構化方式修正。這種“無回音開發”狀態，是一場看似高效實則盲目的內卷。正是在這一點上，構建數據飛輪變得如此重要。飛輪不僅用于增強模型，更用于構建一個“系統能聽懂自己行為”的世界。

還有一個常被低估的風險，是人機邊界的模糊性。AI 做得越像人，用戶對它的要求就越像對待一個人。一旦模型犯錯，用戶會從容錯切換成批評模式。這在法律、醫療、教育等高敏感行業尤其危險。如果團隊沒有清晰的可解釋機制與責任歸屬定義，任何一次模型“胡說八道”都可能引發巨大的信任崩塌。

因此，構建一個智能體系統，必須是一種“反脆弱式”的工程過程。不是構建一個完美的模型，而是構建一個即便出錯也能自我修復的系統。不是追求一次性上線，而是打造可以迭代的認知基礎設施。不是依賴某個“超級天才工程師”，而是搭建一支能不斷與模型共舞、與現實互動的運營機制。

AI 的不確定性，是風險，也是財富。在舊軟件世界中，錯誤是BUG；而在智能體世界中，錯誤是下一次成長的門票。前提是你有系統接得住它。

0 13

技術經理五點行動建議

基于上述分析和預測，技術經理應采取的五點行動建議：

1. 從高ROI場景切入

聚焦銷售、客服、報價等業務閉環明確、結果可量化的場景，以低投入驗證高回報路徑。

2. 構建跨部門能力矩陣

組建“智能體開發小隊”，由提示工程師、模型調優專家、業務專家組成，形成高效協同機制。

3. 打造數據資產護城河

啟動私域數據收集、企業知識庫構建與用戶反饋機制，構建智能體的獨占知識基礎。

4. 制定分階段實施路線圖

明確12個月內的四個階段目標：MVP驗證 → 內測試用 → 數據飛輪 → 多Agent協同部署。

5. 重構產品與商業模型

從功能驅動轉向結果驅動；將Agent作為新產品線規劃；設計從用戶信任到任務依賴的完整旅程。

結 語：

擁抱智能體革命，

共創結果經濟時代

彭志強董事長從商業本質出發，強調了AI應用開發必須以“結果導向”（RaaS）為核心，聚焦客戶剛需并實現商業閉環。顏艷春老師則深入剖析了智能體的第一性是勞動力，AI Agent的技術趨勢、產品構建方法論和落地關鍵，指明了打造爆款智能體應用的路徑，并同樣強調了“AI勞動力”和RaaS模式的重要性。

兩位老師的分享共同揭示了AI Agent時代的巨大機遇與挑戰。對于技術經理而言，理解并踐行“結果導向”的商業思維，掌握從0到1構建智能體的方法，并有效驅動數據飛輪，將是在這場智能革命中搶占先機的關鍵。未來已來，智能體將深刻重塑各行各業，我們應積極擁抱變化，以創新和實干共同開創“結果經濟”的新十年。