與釘釘新 CEO 陳宇森的兩次訪談：未來的軟件和 Agent 推演

軟件也可以 “3D 打印” 了。

2026 年 6 月 11 日，阿里巴巴宣布釘釘管理層調(diào)整：陳航卸任釘釘 CEO，92 年技術(shù)極客陳宇森接棒。這是我們在 2025 年 12 月和 2026 年 1 月上旬對陳宇森的兩次訪談。

訪談丨程曼祺

整理丨實習(xí)生裴雨桐

當(dāng) agent 構(gòu)造變得越來越簡單，會發(fā)生什么？agent 交易平臺 MuleRun 創(chuàng)始人陳宇森分享了他的觀察和創(chuàng)業(yè)實踐。

陳宇森是一名少年成名的連續(xù)創(chuàng)業(yè)者，22 歲從浙大畢業(yè)后創(chuàng)辦網(wǎng)絡(luò)安全公司長亭科技，5 年后賣給阿里云，現(xiàn)在他帶著對 AI agent 的理解重新出發(fā)。

MuleRun 基于這樣一個核心假設(shè)，當(dāng) Vibe Coding 大幅降低了應(yīng)用開發(fā)門檻，Claude Code 帶來 agent 創(chuàng)作新方法，大量非技術(shù)背景的人也能把自己的工作知識和流程封裝成一個個勤懇的 AI 騾子，實現(xiàn)個人工作的自動化。

這期內(nèi)容包含兩次聊天，分別發(fā)生在 25 年 12 月和 26 年 1 月上旬，不到 1 個月里，隨著 MuleRun Agent Builder 開始內(nèi)測，陳宇森和 MuleRun 的思路已發(fā)生了一些變化。

他認(rèn)為，未來的 market place 不再會是過去我們熟悉的貨架形態(tài)，而是在對話中觸發(fā)交易。MuleRun 的調(diào)整本身，也是當(dāng)前 AI 應(yīng)用瞬息萬變的一個縮影。

這期節(jié)目的后半段，我們也聊了一個創(chuàng)業(yè) 10 年，成立過 4 家公司，經(jīng)歷過成敗起伏的創(chuàng)業(yè)者，如何以「用心」避免陷入平庸和對抗自我懷疑。

以下是播客的文字整理，有部分精簡。

尋找方向、Agent 交易平臺的機(jī)會與難點

晚點：你的這次創(chuàng)業(yè)是什么時候開始的？為什么會想到做 Agent market place？

陳宇森： 我們是在 2024 年年底開始構(gòu)思這件事的。當(dāng)時我們看到一個明確的信號：Cursor 這類產(chǎn)品已經(jīng)找到了 PMF（產(chǎn)品市場契合點）。這表明，隨著大語言模型能力的提升，它開始在特定應(yīng)用領(lǐng)域（如編程）產(chǎn)生真正的生產(chǎn)力價值。

我們認(rèn)為編程是一項非常通用的能力，它是讓 AI 能做更多事情的橋梁——既然人類通過編程能實現(xiàn)眾多功能，那么如果 AI 能替代或輔助人類編程，很多事情就可以直接由 AI 完成。

我們在 4 月份上線了一個 Vibe Coding 產(chǎn)品，當(dāng)時也規(guī)劃了一些差異化的功能，比如讓模型更精通少數(shù)幾個框架，或在運(yùn)行時調(diào)試方面做得更好。但后來發(fā)現(xiàn)，在 AI 應(yīng)用領(lǐng)域，如果做一個別人已經(jīng)做了且團(tuán)隊同樣優(yōu)秀的產(chǎn)品，很難獲得流量和用戶。內(nèi)測后發(fā)現(xiàn)，用同樣的 prompt 在我們產(chǎn)品和頭部產(chǎn)品上跑，結(jié)果差不多，因為大家都依賴于 Claude 的 API 能力。

這一年下來，競爭格局并沒有發(fā)生明顯變化，沒有哪個產(chǎn)品通過獨特設(shè)計顯著超越對手。不過，近期 Anthropic 自己做的 Claude Code 以及 OpenAI 的 CodeX 進(jìn)展非常迅猛，用戶數(shù)提升很快。Claude Code 確實讓我感覺到了更大的變化，因為它啟發(fā)了一種全新的 agent 創(chuàng)作范式。

晚點：具體是怎樣的創(chuàng)作范式？

陳宇森： 簡單來說，目前最強(qiáng)的 General Agent 就是 Claude Code。早期大家做 agent，往往是通過外掛方式來實現(xiàn) SOP 與大模型的結(jié)合，比如在 LangGraph 里寫一段代碼，或者純代碼化的方式，而不是僅僅在模型上加 prompt。

但隨著大模型能力進(jìn)步，我們發(fā)現(xiàn)只要確保復(fù)雜任務(wù)不超出上下文窗口（避免產(chǎn)生大量幻覺），直接給模型足夠復(fù)雜的提示詞，它就能處理足夠復(fù)雜的事情。這雖然需要做一些 Context Engineering，但本質(zhì)上已經(jīng)是 “怎么用好大模型” 的問題了。

我們的底層假設(shè)是：當(dāng)大模型具備了編程能力后，理論上它可以在一到兩年內(nèi)，完成人類在電腦上能做的所有事情。

基于這個認(rèn)知，我們判斷目前 AI 做不好的，主要是那些沉淀在線下或人類大腦中的經(jīng)驗與知識。如果能將個人的線下知識、經(jīng)驗與大模型的理解和判斷能力結(jié)合，就能把個人的能力 80% 到 90% 復(fù)制到一個 agent 中。面臨同類問題的人，只需花點小錢使用這個 Agent，就能免去從頭操作的繁瑣，實現(xiàn) “花小錢辦大事”。這樣創(chuàng)作者能賺錢，使用者能提效，從而形成一個很好的交易生態(tài)。

晚點：基于 Claude Code 是目前最好的通用智能體這一前提，未來很多需求可以直接通過 agent 實現(xiàn)，市場更需要的是一個交易平臺，而不是去重復(fù)做 Claude Code 已經(jīng)做得很好的事情，可以這樣理解嗎？

陳宇森： 是的，這也是我們思路的演進(jìn)過程。最初我們覺得市場缺乏一個好的 agent 交易平臺，所以想做一個框架中立的部署與交易平臺——無論你在哪里開發(fā)，都可以在這里部署和賺錢，因為賺錢是推動生產(chǎn)力發(fā)展的基礎(chǔ)。

但做到現(xiàn)在我們發(fā)現(xiàn)，要讓行業(yè)專家去創(chuàng)作 agent，哪怕是低代碼都顯得太復(fù)雜。能用低代碼的人，本質(zhì)上已經(jīng)具備了 coding 的能力。要讓普通人真正能夠 coding ，門檻必須降到只需使用自然語言，不需要理解參數(shù)、拖拉拽、循環(huán)或條件語句。最自然的方式就是直接描述需求和工作過程。

比如，HR 清楚每天的招聘流程，客服知道如何調(diào)取知識庫處理客訴和退換貨。只要他們把這些日常工作流程描述得足夠清晰，AI 就能高準(zhǔn)確率地完成。如果有成百上千的人每天都要做同樣的任務(wù)，他們就可以花錢讓比人類更高效的 agent 去做，創(chuàng)作者也能因此獲益。

晚點：既然 MuleRun 是一個雙邊交易平臺，一個 market place，平臺目前的供需雙方是怎樣的嗎？在供給端，一種是完全沒有開發(fā)經(jīng)驗的人，通過你們提供的環(huán)境直接用自然語言生成業(yè)務(wù)流程；另一種是傳統(tǒng)開發(fā)者把做好的 agent 上傳到平臺。這兩種供給現(xiàn)在都有嗎？哪種是更重要的呢？

陳宇森： 主要是第二種。目前我們平臺上的供給主要還是傳統(tǒng)的應(yīng)用。但真正讓我們覺得這個商業(yè)模式成立的前提，其實是 Vibe Coding 的普及。過去開發(fā)軟件成本很高，很難為幾十個人甚至一個人的小眾需求去定制軟件；但現(xiàn)在有了代碼能力強(qiáng)的大模型，我們完全可以為極少數(shù)人的需求開發(fā)應(yīng)用。

因為現(xiàn)在的供給還不夠豐富，無論是用戶的創(chuàng)作過程還是我們的上架流程都有些復(fù)雜。我們的核心假設(shè)是：未來的應(yīng)用生態(tài)會無比豐富且極度長尾。可能我今天有個奇怪的需求，只要另外十個人里有一個人把應(yīng)用做出來了，我就可以直接去用。當(dāng)這種長尾需求被大量滿足時，產(chǎn)品才算真正達(dá)到了 PMF。

目前我們雖然上線了交易功能，用戶增長也做得不錯，積累了挺多注冊用戶，但遺憾的是還沒有看到大規(guī)模的 PMF 發(fā)生。反思下來，核心問題在于供給豐富度不夠、上架門檻太高。目前平臺支持 n8n 工作流或 LangGraph 制作的復(fù)雜 agent 上線，但這仍依賴一定的人工審核，且創(chuàng)作門檻依然存在。

所以繞了一圈回到剛才的話題：Claude Code 是極強(qiáng)的通用智能體。對于大多數(shù)開發(fā)者或普通人來說，只要能向它描述清楚需求，再配合我們提供的一個足夠豐富的 skills market，就能大幅降低開發(fā)門檻。官方主要負(fù)責(zé)提供清晰的技能模塊，比如操作 Excel、控制瀏覽器或調(diào)用特定軟件，普通人只需描述需求并選擇對應(yīng)技能，Claude Code 就能將這些打包成一個容器或虛擬機(jī)，穩(wěn)定交付任務(wù)。整個創(chuàng)作過程的核心就是極大地降低開發(fā)門檻。

晚點：這聽起來有點像我們在電腦上做的一些自動化操作？比如手機(jī)上可以用蘋果的 “快捷指令” 做一個截圖自動化流程，截圖后自動按比例裁剪并上傳到云盤，電腦上就能直接看。你們在電腦上實現(xiàn)的是類似的功能嗎？

陳宇森： 非常同意，這是個好例子。我們團(tuán)隊也有同事把內(nèi)部平臺的登錄憑證放在手機(jī)上，通過快捷指令調(diào)用 agent 幫他處理事務(wù)。但這還比較簡單。

對于稍微復(fù)雜的場景，則需要加入個人判斷。過去，軟件很難通過規(guī)則代碼去實現(xiàn)人的業(yè)務(wù)判斷；但現(xiàn)在，只要教會大模型怎么去判斷，它就能把這個步驟做掉。比如供應(yīng)鏈員工發(fā)現(xiàn)缺貨需要補(bǔ)貨，過去是基于個人判斷去操作 ERP 系統(tǒng)，現(xiàn)在大模型可以作為中間的 “膠水”，替代這些智力挑戰(zhàn)不大的判斷工作，實現(xiàn)全流程自動化。

半自動化和全自動化的區(qū)別是巨大的，因為 AI 可以 24 小時工作，還能復(fù)制成百上千份。所以我們認(rèn)為，Claude Code 目前的狀態(tài)已經(jīng)足以將創(chuàng)作 agent 的門檻降到極低。

晚點：Claude Code 是目前最強(qiáng)的通用智能體，它強(qiáng)大的能力足以極大地豐富 Agent 的供給。因此，現(xiàn)在是否是做 Agent 交易平臺的絕佳時機(jī)？

陳宇森： 是的，這正是我們一直在等待的、能夠讓創(chuàng)作變得足夠簡單的時機(jī)。Anthropic 的官方博客也提到，他們最初做 Claude Code 是為了輔助編程，但內(nèi)部員工發(fā)現(xiàn)它可以很好地處理查看郵件、電腦操作等各種通用任務(wù)。大家對通用任務(wù)的需求其實非常旺盛。

而要讓 Claude Code 把這些事情做得更好，核心就是為它提供足夠好的運(yùn)行時環(huán)境，也就是 runtime。比如，不給它瀏覽器，它就沒法做網(wǎng)頁操作；給了它，它就能自己去執(zhí)行。就像近期英偉達(dá)發(fā)布的能幫人打游戲的 AI 一樣，只要你給 Claude Code 一個 Windows 環(huán)境，并講清楚游戲操作的技能，理論上它也能幫你打游戲。所以在擁有足夠好的運(yùn)行時環(huán)境和清晰的技能設(shè)定下，理論上現(xiàn)在的 Claude Code 已經(jīng)可以做電腦上的任何操作。

晚點：所以你們目前在做的核心是否就是這兩件事：為模型提供足夠好的運(yùn)行時環(huán)境和清晰的 Skills，同時配合一套交易系統(tǒng)？

陳宇森： 對。這套系統(tǒng)聽起來似乎誰都能做，但真正做好需要花很多時間。我們的創(chuàng)作者只需編寫需求描述、prompt 或 SOP，我們就能將其連接成各種各樣豐富的 agent。

我們認(rèn)為目前市場上有一個沒有被充分商業(yè)化的點：一個足夠好的 prompt 是具有極大商業(yè)價值的。現(xiàn)在很多 AI 博主的做法只是免費(fèi)分享，比如之前 Nano Banana 生圖模型火爆時，那個生成 “桌面手辦模型” 的絕佳 prompt，最早想出來的人雖然無從考證，但他分享出來后引發(fā)了極大的傳播。

晚點：“降低門檻” 在你們產(chǎn)品的優(yōu)先級里排在第一位嗎？

陳宇森： 是的，它是非常強(qiáng)的優(yōu)先級，幾乎就是第一優(yōu)先級。因為在模型能力不斷提升的情況下，要想做成雙邊市場，核心依然是解決供給豐富度的問題，而供給豐富的前提就是極致降低創(chuàng)作門檻。

前面提到的 Nano Banana 就是個很好的例子。當(dāng)時大家都想做桌面手辦圖，但自己實現(xiàn)需要能訪問大模型，還需要懂得使用搜索引擎去找到那段關(guān)鍵的 prompt，這個門檻把很多人擋在了門外。于是就有人在閑魚上幫人代做，一次收 5 塊錢。

圈內(nèi)人覺得理所當(dāng)然的新技術(shù)，對大多數(shù)普通人來說依然存在極高的使用門檻。如果你能提供一個足夠便捷的使用方式，他們是愿意買單的。這就是我們正在做的事情的商業(yè)價值。

晚點：這個受眾基數(shù)確實很大。我之前遇到過一件有意思的事：在餐廳吃飯時，一個十幾歲的服務(wù)員聽到我們聊 AI，就跑來問我們。他說他在一個群里，跟著別人用 AI 給人 P 頭像賺錢——其實就是利用免費(fèi)工具套個濾鏡。這種需求其實一直都在。

陳宇森： 是的。幾年前生圖模型還沒和語言模型結(jié)合得這么好時，比如早期的 Stable Diffusion 或 Midjourney，寫 prompt 就像寫代碼一樣，格式嚴(yán)格，不像自然語言。那時候就有朋友靠幫人生成特定風(fēng)格的卡通頭像，一次也能賺 10 塊錢。所以在技術(shù)門檻還不夠低的時候，做一個連接 AI 能力和普通人之間的 “翻譯中介” 是能賺到錢的。

最近 Gemini 3 的核心工程師在接受采訪時，解釋了為什么模型會這么強(qiáng)。他說大模型的 Scaling Law 還遠(yuǎn)沒有撞墻，智力還能繼續(xù)提升；更有意思的是，哪怕現(xiàn)在大語言模型的智力停止演進(jìn)，我們距離 “榨干” 它現(xiàn)有的能力，可能還有一到兩年的時間。

所以大家常說 2025 年是 agent 元年，2026 年會迎來應(yīng)用大爆發(fā)。目前的模型能力已經(jīng)能夠支撐做出很多不一樣的東西，只是整個行業(yè)，無論是創(chuàng)業(yè)公司還是大廠，還沒有把它的能力上限完全挖掘出來。在這個前提下，我們依然有非常多事情可以做。

同樣的技術(shù)變化，MuleRun 與競品不同的做法

晚點：關(guān)于競品，市場上在做類似事情的其他玩家目前處于什么狀態(tài)？

陳宇森： 早期在 agent 或 workflow 領(lǐng)域，大家都在卷創(chuàng)作工具，最知名的三家是 n8n、Dify 和 Coze 。當(dāng)時他們產(chǎn)出了大量形態(tài)類似 Chatbot 的產(chǎn)品，但輸入輸出的維度還不夠豐富。

這幾家優(yōu)秀的創(chuàng)業(yè)公司或大廠團(tuán)隊有著不同的發(fā)展現(xiàn)狀。Dify 目前更專注商業(yè)化，尤其是 ToB 市場，他們在日本和美國都做得不錯。因為大公司內(nèi)部的軟件無法對外暴露，Dify 能夠幫助他們在安全的內(nèi)部環(huán)境中運(yùn)行工作流。 Coze 早期的核心邏輯是低代碼和 Chatbot，但他們變化很快，近期的發(fā)布會顯示他們也在轉(zhuǎn)向類似 Vibe Coding Agent 的方向，即放棄拖拉拽，直接通過自然語言需求生成應(yīng)用，這是一種我們非常尊重的變化。

不過， Coze 目前是一個封閉生態(tài)，編輯好的應(yīng)用很難部署到其他地方，而 n8n 和 Dify 是可以在我們的環(huán)境中運(yùn)行的。至于字節(jié)跳動，按照他們的習(xí)慣，未來大概率也會做一個完整的大閉環(huán)。雖然目前市場上大家對產(chǎn)品的思考和優(yōu)先級不同，路徑選擇也各異，但殊途同歸，所有人都想打造一個屬于新時代的 App Store，最終要看誰的選擇能跑到最后。

晚點：螞蟻集團(tuán)現(xiàn)在做的 “靈光” 和 Agent market place 有什么關(guān)系？

陳宇森： 螞蟻的 “靈光” 可以理解為高配版的 “馬卡龍”，本質(zhì)上是我們對生產(chǎn)關(guān)系的選擇不同。靈光的邏輯是 “自己做給自己用”，并將其視為社交網(wǎng)絡(luò)的一部分；而我們秉持的是 “做出來給別人用” 的交易市場邏輯。

這就像攝影的發(fā)展史：早期數(shù)碼相機(jī)極其昂貴，拍照只是一種記錄；但智能手機(jī)普及后，基于照片這種載體長出了 Instagram 和 Snapchat 等完全不同的產(chǎn)品。Vibe Coding 產(chǎn)生的新事物也是如此，不同平臺對其定義和應(yīng)用路徑做出了不同選擇。我們將平臺上的 agent 純粹視為解決工作痛點的生產(chǎn)力工具。如果發(fā)展得好，我們可以被視為一家全球最大的勞動力外包公司。

晚點：平臺正式上線三個月了，你剛才提到并沒有涌現(xiàn)出想象中那么多的 PMF，你們原本的預(yù)想是怎樣的？

陳宇森： 我們原本的預(yù)想是切入一些非常 niche 的場景，希望每個場景能有幾十到一百個 DAU，每天用它來解決特定問題。但雙邊市場的冷啟動非常困難：沒有用戶時，創(chuàng)作者不愿意來部署產(chǎn)品；沒有優(yōu)質(zhì)供給時，用戶來了也留不住。

目前我們?nèi)〉昧艘欢ㄟM(jìn)展，在某些場景下發(fā)現(xiàn)了幾個或十幾個強(qiáng)需求的用戶。接下來的核心任務(wù)是深挖這些具備機(jī)會的單點場景，并極大地豐富供給。只要能把這個核心指標(biāo)跑通，后續(xù)的規(guī)模化擴(kuò)張將不會有太大阻礙。

晚點：在啟動階段，官方會自己做很多 agent 放上來熱場子嗎？

陳宇森： 就像蘋果應(yīng)用商店一樣，官方必須提供計算器這類基礎(chǔ)工具。我們平臺上也有官方制作的基礎(chǔ)產(chǎn)品，比如 General Browser Operator。早期我們沒有投入大量精力做官方 agent，是因為我們選擇了 “框架中立” 的路線，需要耗費(fèi)大量工程精力去兼容各種產(chǎn)品的部署方式，團(tuán)隊確實做不過來。

現(xiàn)在回過頭看，如果最初幾個月多花時間去做一些看準(zhǔn)場景的官方 Agent，效果可能會更好。不過隨著新的創(chuàng)作范式（Claude Code + Runtime + Skills）的到來，如果我們能充分擁抱它，僅靠我們自己團(tuán)隊也能在一個月內(nèi)上架非常多好用的 agent。

晚點：你們現(xiàn)在的團(tuán)隊規(guī)模是多少？

陳宇森： 我們現(xiàn)在有 50 個人左右，規(guī)模不算小，整體成本也不低。

晚點：你們提到在工作和生產(chǎn)場景中需要 “大量 SOP 加少量大模型” 來實現(xiàn)高成功率。這在你們平臺的產(chǎn)品上是如何體現(xiàn)的？是通過上架審核來控制嗎？

陳宇森： 我們不會限定創(chuàng)作者的工作思路，如果有人能用一小段 SOP 或 prompt 就讓任務(wù)穩(wěn)定運(yùn)行，那說明他很厲害。但作為交易平臺，我們的底線是交付極高的任務(wù)完成率。比如一個任務(wù)跑 100 次或 1000 次只能錯 1 次；如果跑 10 次錯 5 次，這就是不合格的商品，必須下架。

為此，我們一直在開發(fā)復(fù)雜的 benchmark 和評估監(jiān)控系統(tǒng)，持續(xù)檢驗 agent 的有效性。同時，平臺也會引入用戶評論反饋和退款機(jī)制。這些聽起來不性感的 “苦活”，恰恰能沉淀出極具價值的輸入輸出數(shù)據(jù)，幫助我們更好地洞察 agent 的演進(jìn)方向。

這其實與 Anthropic 開發(fā) Claude Code 的底層思考一致，也就是《苦澀的教訓(xùn)的邊界》中所提到的：很多確定性的事情，比如比較 9.11 和 9.2 的大小，就應(yīng)該交給代碼去執(zhí)行，大模型的任務(wù)是判斷何時調(diào)用代碼并提取結(jié)果，而不是把冗長的上下文塞進(jìn)提示詞里讓模型自己去瞎猜，那樣極不穩(wěn)定。

晚點：隨著模型能力的不斷提升，你認(rèn)為 “大量 SOP 加少量大模型” 這個策略會持續(xù)有效嗎？

陳宇森： 如果能夠瞬間完成人類所有任務(wù)的強(qiáng) AGI 真的實現(xiàn)了，那我們可能確實就沒有存在的空間了，因為全人類都可以直接躺平。但我們判斷這種形態(tài)的 AGI 短期內(nèi)不會出現(xiàn)。在它出現(xiàn)之前，我們平臺的價值極其巨大。而且，由于人類的大量知識依然沉淀在個人的大腦和線下環(huán)境中，模型廠商很難在邏輯上瞬間獲取這一切，同時人類也會不斷涌現(xiàn)出全新的需求。

退一步講，哪怕未來出現(xiàn)了超級大模型，只要我們的供給足夠豐富，我們依然可以成為那個入口級的 agent：用戶提出需求，我們在數(shù)以百萬計的供給中精準(zhǔn)匹配解決方案。在那一天到來之前，我們只需要專注做好當(dāng)前階段的事情。

晚點：在現(xiàn)在的階段，你們要做框架中立的產(chǎn)品，提供好的運(yùn)行時環(huán)境和清晰的 skills，這其中的難度是什么？遇到過哪些問題，又是怎么解決的？

陳宇森： 大方向其實很容易想到，但要考慮：如果未來要并行啟動很多實例，啟動時間、穩(wěn)定性如何？創(chuàng)作時讓用戶定義什么、不定義什么？這涉及產(chǎn)品設(shè)計的復(fù)雜性，是讓每個創(chuàng)作者可以定義它的環(huán)境，還是更暴力地所有東西塞在一起只做選擇？這個選擇涉及鏡像變更與否，有很多小細(xì)節(jié)。

但大邏輯上，Anthropic 已經(jīng)把謎底寫在謎面上了：Claude Code 是非常強(qiáng)的通用 agent，就應(yīng)該讓它做很多事情。但怎么讓它服務(wù)每一家不同的產(chǎn)品、做不同的事情，大家的選擇會不一樣。把一個東西做出來很簡單，但把它做好，細(xì)節(jié)太多了。

晚點：怎樣算 “做好”？

陳宇森：樸素的標(biāo)準(zhǔn)：簡單、穩(wěn)定、好用。

晚點：長期來看，如果未來 AI 外包平臺能滿足大量長尾的分散需求，那獨立的 General Agents 還有多少生存空間？這感覺就像淘寶這種平臺的體量最終超越了絕大多數(shù)獨立的消費(fèi)品牌。

陳宇森： 完全同意。在中國的電商市場，獨立站的模式很難成立，因為平臺能以更低的成本匯聚并分發(fā)流量。我們認(rèn)為同樣的邏輯也適用于 AI 領(lǐng)域：未來大量垂直的 AI 應(yīng)用，如 AI 招聘、AI 繪圖、AI 營銷等，最好不要獨立發(fā)展，而是應(yīng)該長在一個統(tǒng)一的大平臺上，由我們?nèi)ツ圻@股強(qiáng)大的生產(chǎn)力。

但 General Agents 和我們是兩個不同層面的生態(tài)，互相之間不存在嚴(yán)重的擠壓。General Agents 還涉及 memory，比如一個深度使用 ChatGPT 的人很難遷移到其他產(chǎn)品，因為模型已經(jīng)充分了解了他的習(xí)慣和偏好，能提供高度匹配的建議。這兩者服務(wù)于不同的用戶心智和需求場景，會各自長期存在。

時隔一個月：Agent Builder 內(nèi)測開啟、交易平臺不會再是貨架式

以下內(nèi)容，是 1 月晚點與宇森的第二次訪談。

此時， MuleRun Agent builder 已開始內(nèi)測，我們更詳細(xì)地聊了 Caude code 開啟的 skills，MuleRun 如何做 Agent builder，為何貨架式的 Marketplace 可能不再適用。

晚點：上次提到，MuleRun 主要提供清晰的 skills 和良好的 runtime。現(xiàn)在 skills 是非常熱門的實踐，agent 里的 skills 究竟是什么？實質(zhì)是一些文檔嗎？

陳宇森：skills 的核心在于幫助 agent 處理復(fù)雜任務(wù)時進(jìn)行分層加載，本質(zhì)上它是 Context Engineering 的一部分。過去處理復(fù)雜任務(wù)需要編寫很長的提示詞，而長文本壓縮容易導(dǎo)致模型丟失信息。通過 skills 機(jī)制，agent 一開始不需要讀取所有內(nèi)容，而是先查看所有 skills 的元數(shù)據(jù)信息，了解它們分別能解決什么問題。當(dāng)遇到特定問題時，agent 再決定加載并讀取特定的 skills。

skills 大多數(shù)是文檔，但有時也附帶工具、預(yù)先寫好的程序或 API。例如，當(dāng)遇到特定問題時，skills 會指示 agent 直接調(diào)用某段代碼或 API 獲取結(jié)果，而不是讓大模型自己去推理和處理。因為大模型的上下文窗口非常寶貴，輸入過長會導(dǎo)致其產(chǎn)生幻覺且邏輯能力下降。在調(diào)用時，agent 何時讀取哪個 skill 完全由模型自行判斷。

這正是 agent 與傳統(tǒng)軟件最核心的區(qū)別：傳統(tǒng)軟件的邏輯是寫死的，依賴大量的條件判斷分支來解決特定問題；但在現(xiàn)實世界中，許多問題無法完美分類，此時就需要大模型充當(dāng)決策者，一邊分析問題，一邊審視系統(tǒng)內(nèi)現(xiàn)有的 skills，動態(tài)匹配并深入讀取最合適的 skill 來解決問題。

晚點：既然 MuleRun 平臺致力于提供清晰的 skills，這些 skills 是官方編寫的嗎？

陳宇森：官方肯定會編寫一些高頻常用、且需要與我們平臺的運(yùn)行時環(huán)境高度配合的 skills。目前網(wǎng)絡(luò)上 skills 的編寫門檻不高，數(shù)量龐大，比如僅在 GitHub 上就能抓取到數(shù)萬個。因此，我們目前的核心工作是建立一套高可信度的 skills 評價系統(tǒng)。

當(dāng)用戶提出一個特定任務(wù)，例如挑選餐廳，或轉(zhuǎn)換 PDF 格式，而網(wǎng)上有多個相關(guān) skills 時，我們需要通過算法分析并推薦最優(yōu)選。同時，我們還要進(jìn)行嚴(yán)格的安全審計，防止惡意的 skills 獲取用戶環(huán)境的控制權(quán)。作為一個好用的交易市場，我們需要在底層做大量的優(yōu)化與篩選工作，確保最終提供給用戶的 skills 在同類中表現(xiàn)優(yōu)異且絕對安全無害。

晚點：你們主要關(guān)注哪類 skills 的優(yōu)化？

陳宇森：在具體方向上，我們會重點優(yōu)化瀏覽器操作和網(wǎng)頁自動化相關(guān)的 skills。現(xiàn)在許多工作都在瀏覽器內(nèi)完成，如果能自動協(xié)助用戶完成這些任務(wù)，將產(chǎn)生巨大的價值。我們不僅自己研發(fā)，也會積極優(yōu)化社區(qū)中優(yōu)秀的 skills，使其與我們的運(yùn)行時環(huán)境及工具完美結(jié)合。

晚點：你們的基建更多是關(guān)注長尾需求，這是否意味著過去那種集中式、高成本的軟件開發(fā)模式將發(fā)生改變？如何看待未來軟件的組織形態(tài)和商業(yè)模式？

陳宇森：過去的軟件開發(fā)成本高昂，必須服務(wù)成千上萬人的共同需求才能支撐其商業(yè)模式。但現(xiàn)在的 AI 開發(fā)就像 3D 打印一樣，你可以專門為自己或三五個朋友的少數(shù)特定場景需求去開發(fā)一款 agent，而且體驗非常完善。門檻的降低使得開發(fā)的組織形態(tài)變得極其分散。展望未來十年，如果不進(jìn)行自我革命，傳統(tǒng)軟件公司很可能會被 AI 公司全面取代。

未來的軟件甚至可能是 “日拋型” 的，即代碼僅為執(zhí)行特定目的而精準(zhǔn)生成，執(zhí)行完畢后即刻銷毀。雖然這種絕對的 “一次性代碼” 狀態(tài)在短期內(nèi)難以完全實現(xiàn)，但目前創(chuàng)建一個受眾小卻能讓特定人群感到好用的 agent，已經(jīng)是一件極具價值的事情。

當(dāng)然，這種長尾且分散的 AI 模式本質(zhì)上是一種制造業(yè)，每一次執(zhí)行都在消耗算力和 token，對能源的需求極大。只要 AI 能力還存在顯著的層級差距且未形成完全壟斷，token 的成本在短期內(nèi)很難大幅降低。但由于 AI 作為先進(jìn)生產(chǎn)力能全面滲透并重組人類社會的勞動力，其未來的需求幾乎是沒有上限的，這甚至可能會倒逼人類加速發(fā)展可控核聚變或太空數(shù)據(jù)中心等前沿科技。

晚點：你們在 1 月中旬開始內(nèi)測的 Agent Builder，其設(shè)計思路是什么？它是如何幫助普通用戶更簡單地開發(fā) Agent 的？

陳宇森：agent 的本質(zhì)是一個可交互的大模型 API，并在其中構(gòu)建了 Agent Loop 和 Context Engineering 。Agent 在處理任務(wù)時不是一步到位的，而是需要多次循環(huán)交互，并在此過程中謹(jǐn)慎管理有限的上下文窗口，以防模型智商下降。同時，還需要為其配備工具，使其能夠操作瀏覽器或調(diào)用外部接口。

我們的 Agent Builder 思路是站在巨人的肩膀上，在目前市面上表現(xiàn)極佳的基礎(chǔ) agent 的基礎(chǔ)上進(jìn)行封裝，為其構(gòu)建優(yōu)質(zhì)的 skills 和運(yùn)行時環(huán)境，并提供易用的云端編輯與架構(gòu)工具。普通用戶無需編寫復(fù)雜的代碼或提示詞，只需通過自然語言交互定義任務(wù)，系統(tǒng)就會自動協(xié)助配置所需的 skills 和環(huán)境，讓完全沒有技術(shù)背景的人也能輕松在云端構(gòu)建屬于自己的 agent。

晚點：在基礎(chǔ) Agent 之上做一層易用性封裝，可能在部分技術(shù)人員看來顯得沒有太多技術(shù)含量。你如何看待這種降低使用門檻對產(chǎn)品的價值？

陳宇森：雖然從短期技術(shù)角度看這層封裝似乎較淺，但技術(shù)出身的人往往容易忽略 “降低門檻” 對一款產(chǎn)品的巨大商業(yè)價值。以 DeepSeek 為例，它之所以能引爆全網(wǎng)，并非僅僅因為技術(shù)上顯著領(lǐng)先于 OpenAI 的 o1，而是因為它在可觸達(dá)性、價格親民以及直觀展示思維鏈方面做得更好，大眾體驗得到了極大提升。純粹追求技術(shù)先進(jìn)性固然重要，但如果不重視用戶體驗的進(jìn)步，產(chǎn)品思路就會顯得狹隘。

我們發(fā)現(xiàn)，過去讓用戶通過復(fù)雜的 n8n 或 LangChain 框架去開發(fā)和部署 agent 門檻實在太高，許多擁有獨特領(lǐng)域知識的專家根本不具備代碼能力。因此，我們致力于打造這套免除復(fù)雜配置的工具。內(nèi)測幾天來效果非常顯著，比如我們完全不懂技術(shù)的運(yùn)營同學(xué)，現(xiàn)在已經(jīng)能通過自然語言交互，讓 agent 自動操作瀏覽器去完成 KOL 的背景調(diào)研和數(shù)據(jù)篩選，并直接將結(jié)果同步到釘釘文檔中。這種極低門檻的工具極大地豐富了供給端，激發(fā)了大眾的創(chuàng)造力。

晚點：隨著產(chǎn)品思路的轉(zhuǎn)變，你們目前對 “貨架式” 的 Skills 交易市場，也就是 market place 模式有什么新的思考？未來的產(chǎn)品形態(tài)會發(fā)生怎樣的變化？

陳宇森：幾個月前我們執(zhí)著于做貨架式的交易市場，現(xiàn)在反思來看確實有些逆潮流而動。貨架電商模式對新用戶來說選擇難度太大，用戶進(jìn)入平臺后往往一頭霧水，如果隨便試用兩個沒有獲得好效果，就會直接流失。

當(dāng)前的應(yīng)用入口已經(jīng)迭代到了第三代，即對話式的交互形態(tài)。因此我們正在進(jìn)行調(diào)整，未來的核心入口將轉(zhuǎn)變?yōu)閷υ捠浇缑妗１砻嫔纤雌饋硐褚粋€超級通用 agent，但底層連接著龐大的創(chuàng)作者生態(tài)。用戶只需陳述想解決的問題，系統(tǒng)就會自動匹配到某位創(chuàng)作者預(yù)制好的、最適合處理該任務(wù)的 agent 來執(zhí)行，原來的貨架市場則會被降級為二級入口，供目標(biāo)明確的用戶自行挑選。

不過，我們現(xiàn)在還沒有想清楚如何讓提供優(yōu)質(zhì) skills 和 agent 的創(chuàng)作者獲得合理的收益分配，目前是以免費(fèi)分享為主還是交易為主，還在持續(xù)探討和測試中。

晚點：在你們測試 Agent Builder 的同時，Anthropic 也發(fā)布了基于 Claude Code 且?guī)в薪换ソ缑娴?Claude Coworker。相比之下，你們的產(chǎn)品與它有何異同？

陳宇森：Claude Coworker 的發(fā)布完全在預(yù)期之內(nèi)，因為 Anthropic 在 agent 能力上本就處于全球最前沿。它的核心優(yōu)勢在于龐大的桌面客戶端裝機(jī)量，它將原本需要在終端命令行里運(yùn)行的 Claude Code 封裝成了圖形界面，降低了普通人的使用門檻，并能直接讀取本地文件和日歷等強(qiáng)相關(guān)上下文。

而我們的產(chǎn)品更側(cè)重于云端環(huán)境。云端的好處在于權(quán)限嚴(yán)格受控，我們可以為特定的云端 agent 創(chuàng)建獨立的賬號體系，它只能在限定權(quán)限內(nèi)執(zhí)行特定任務(wù)，這在面向工作和效率相關(guān)的場景下更具安全性和可控性，而本地端則需要用戶賦予極高的信任。

晚點：你如何預(yù)判未來的市場競爭格局？

陳宇森：在未來的市場競爭中，像 Manus、字節(jié)的 AnyGen 等大概率會向通用 agent 方向深耕。我們堅信，引導(dǎo)用戶去開發(fā)簡單的 AI 網(wǎng)頁或小游戲價值較為單薄，真正的核心壁壘在于利用我們極低門檻的框架，讓各行各業(yè)的專家將那些大量存在于線下、尚未數(shù)字化的 SOP 和領(lǐng)域知識轉(zhuǎn)化為高價值的專業(yè) agent，這是我們一直以來創(chuàng)業(yè)的核心驅(qū)動力。

創(chuàng)業(yè)十年的反思：痛苦帶來韌性，在低谷重新找回「用心」

以下內(nèi)容，回到 12 月的那次聊天，宇森分享了他從大學(xué)開始，起起落落的創(chuàng)業(yè)故事和個人成長。

晚點：你最近有嘗試那個很流行的 ChatGPT 提示詞嗎？讓它基于對你的了解，告訴你一個關(guān)于你的 “殘酷真相”。

陳宇森： 它說我目標(biāo)模糊、行動保守，容易在瑣事和自我驗證上內(nèi)耗。我覺得不完全準(zhǔn)確，因為很多問題是帶著目的性問的，不代表真實狀態(tài)。

不過它說我不夠聚焦，倒讓我想到第二段創(chuàng)業(yè)同時做兩家公司的經(jīng)歷——一家游戲公司，一家數(shù)據(jù)安全公司。那大概是年輕人都會有的階段，覺得自己無所不能。游戲公司后來關(guān)掉了，安全公司還在運(yùn)營，但這幾年企業(yè)軟件和安全賽道整體都不好做。

晚點：你從 20 歲浙大畢業(yè)后就開始創(chuàng)業(yè)，2014 年到 2019 年做了長亭科技，后來賣給了阿里云。這次創(chuàng)業(yè)為什么沒有選擇 AI 安全，而是走了完全不同的方向？

陳宇森： 目前 AI 產(chǎn)業(yè)整體還處于相對早期的階段，與其去做 AI 的安全防御，不如直接投身到 AI 浪潮的核心本身。從個人追求來看，我也非常希望能夠拓寬自己人生的廣度。

回顧之前跨界做游戲的經(jīng)歷，我確實顯得操之過急了。當(dāng)時因為融到了比較充裕的資金，我們一上來就想做一個在玩法和題材上都有創(chuàng)新的中大型 PC 游戲項目。其實游戲行業(yè)有句名言，一個人做出來的前十款游戲大概率都是垃圾，必須踏踏實實從底層做起。當(dāng)時我們?nèi)狈ξ粗I(lǐng)域的敬畏心，總覺得自己學(xué)習(xí)能力強(qiáng)，第一次出手就能做成大事。

這種自信心爆棚的心態(tài)，很大程度上來源于第一次創(chuàng)辦長亭科技時的順利。當(dāng)時我們團(tuán)隊的技術(shù)實力在國內(nèi)那一批年輕人中是最頂尖的，做的是自己最擅長的事情，加上商業(yè)化迭代也很成功，被收購時我們的收入規(guī)模在同類創(chuàng)業(yè)公司中名列前茅，這很容易讓人產(chǎn)生一種無所不能的錯覺。

晚點：當(dāng)時為什么選擇將長亭科技賣給阿里云，而不是繼續(xù)獨立發(fā)展？

陳宇森： 做出這個選擇主要基于對行業(yè)和資本兩個層面的判斷。

首先，當(dāng)時各大云廠商的發(fā)展非常迅猛，阿里云、騰訊云、華為云發(fā)展很快，云廠商的銷售在基礎(chǔ)設(shè)施層面會直接吃掉客戶需求，跟大的云廠商深度合作是一個選擇。二是 2018 年已經(jīng)看到融資環(huán)境開始惡化，要走到上市可能還需要一兩輪融資，時機(jī)判斷上覺得不如在高點做一次合并。

晚點：從大學(xué)時藍(lán)蓮花戰(zhàn)隊在各種頂級安全比賽中奪冠，到后來創(chuàng)業(yè)過程中的起起伏伏，這些經(jīng)歷對你現(xiàn)在的心態(tài)產(chǎn)生了怎樣的影響？

陳宇森： 大學(xué)時我們?nèi)ゴ蚓W(wǎng)絡(luò)安全比賽，不管是解題模式還是高強(qiáng)度的紅藍(lán)對抗模式，我們在國內(nèi)外都拿到了頂級的成績，那種突破極限的正反饋是非常震撼的。

后來第一段創(chuàng)業(yè)經(jīng)歷雖然也會遇到跑銷售吃閉門羹之類的困難，但只要看長線的數(shù)據(jù)，公司業(yè)務(wù)始終保持著每年翻倍的高速增長，處于快速發(fā)展期的勢頭可以掩蓋和解決絕大多數(shù)內(nèi)部問題。然而，隨后的創(chuàng)業(yè)經(jīng)歷讓我徹底體會了走下坡路的殘酷。當(dāng)糟心的事情成倍增加，團(tuán)隊向心力開始渙散時，你能清晰地感知到核心團(tuán)隊對你的信任正在一點點流失。

2023 年中下旬準(zhǔn)備關(guān)停游戲公司的那段時間是我人生的絕對低谷。我陷入了重度的焦慮和失眠，整天都在極度的自我懷疑中煎熬，甚至覺得過去的成功全憑運(yùn)氣。公正來講，運(yùn)氣成分肯定有，但能力的成長和進(jìn)步也是真實的，并不全是運(yùn)氣。但在巨大的失敗面前，人很難保持這種清醒，會陷入對自己人生的全面懷疑。

晚點：2023 年時，外部大環(huán)境中的 AI 浪潮已經(jīng)爆發(fā)，整個科技界都處于極度興奮的狀態(tài)，當(dāng)時你是如何應(yīng)對并最終走出低谷的？

陳宇森： 那時候 ChatGPT 已經(jīng)非常火，外部極度興奮，但我的狀態(tài)根本不在。走出來靠的是陪伴和分心。兩個初中同學(xué)主動來找我，說感覺你最近不順，一起去網(wǎng)吧打兩天游戲吧。" 勝敗乃兵家常事 " 這類話自己已經(jīng)說給自己聽了一萬遍，再聽沒有意義，那種陪伴反而真正有幫助。

晚點：很多人看到大廠在 AI 上的重金投入，會覺得留給創(chuàng)業(yè)公司的生存縫隙越來越小了，如何看待這個問題？

陳宇森： 我的推論恰恰相反。大廠對 AI 展現(xiàn)出巨大的熱情并積極轉(zhuǎn)型，證明了這確實是一個顛覆性的系統(tǒng)級機(jī)會。而大廠沉重的歷史包袱和龐雜的傳統(tǒng)產(chǎn)品體系，反而為外部毫無顧忌的創(chuàng)業(yè)公司留下了更廣闊的操作空間。創(chuàng)業(yè)公司在戰(zhàn)場上面對的從來不是大廠的本體，而是大廠麾下的某一個具體業(yè)務(wù)部門。

晚點：這次創(chuàng)業(yè)你給自己的核心原則是什么？

陳宇森： 一是做和自己能力、認(rèn)知真正匹配的事，不被外部條件推著走。二是用心。它不等于仔細(xì)認(rèn)真，仔細(xì)認(rèn)真只是在完成任務(wù)；用心是你熱愛它，持續(xù)思考它。第一次創(chuàng)業(yè)幾乎醒著每一刻都在想怎么把事做成，第二次有了驕傲，覺得想到這里差不多了——有這種心態(tài)的時候，事情基本不可能成功。

晚點：對接下來最近的目標(biāo)和 2026 年行業(yè)有什么判斷？

陳宇森：最近最重要的里程碑是做出真正簡單好用的創(chuàng)作者工具，讓沒有編程能力的人也能做出 agent 解決實際問題，從而激活平臺的雙邊市場，希望半年內(nèi)看到成果。

對行業(yè)來說，2026 年是應(yīng)用兌現(xiàn)的關(guān)鍵一年。全球?qū)?AI 的投入已到峰值，必須看到真正的價值落地。目前大模型更聰明本身沒有產(chǎn)生足夠直接的實際價值，大多數(shù)人最主要的 AI 應(yīng)用依然是 chatbot，真正意義上的大規(guī)模采用還沒出現(xiàn)。我期待能出現(xiàn)真正 AI native 的新公司，年收入達(dá)到五億甚至十億美元量級。對模型本身，希望它在 coding 和 agentic 能力上持續(xù)強(qiáng)化，不是在評測上刷分，而是能更準(zhǔn)確、更高效地使用工具，這對我們做的事情意義更直接。

題圖來源：長亭科技官方微博