Z Waves｜00后钢琴系女生要用Agent重做CRM，见到的第一家风投就决定投资

在大模型狂飙的时代，AI 创业被裹挟进一种“技术正统性”的焦虑：要不要训练模型？有没有算力资源？底层自研是不是护城河？但 Yiran，一位本科学钢琴、靠一段自动发邮件脚本开启创业旅程的 00 后女性创业者，选择了另一种路径——她不训练模型，不押技术论文，而是把 AI 做成一个真正能“成事”的销售助理。

她创办的 Streaml，是一个 AI 驱动的自动成交工具，从“找人—聊人—成交”实现全链路自动化。在她看来，今天的 AI 创业者面临的核心挑战不是技术，而是找到一个能让 AI 真正发挥作用的“痛场景”，把 AI 嵌进工作流，解决那些重复、低价值但高频刚需的问题。她常说：“用户不在乎你是不是用的自研模型，他们只在乎这个产品能不能帮我‘搞定’。”

这场对话里，我们聊了很多现实问题：创业之初如何踩过“只卖数据没人买单”的坑？早期客户为什么在 demo 环节直接劝退？面对“套壳 AI”的质疑，如何正面回应？一个五人小团队如何把强化学习、知识图谱和调度系统串起来跑？我们也谈了她对 AI Agent 赛道的趋势判断：不是 Agent 做得不够强，而是大家找不到该 Agent 去解决哪个“具体问题”。

当其他创业者还在为融资或团队规模焦虑时，Yiran 已经在用自己的 AI 工具为自己找客户、成交订单。她是 Streaml 的 CEO，也是它的第一批用户。

AI 创业不一定非得是科研出身，也不必卷技术垒高墙。它可以从一段重复劳动、一份岗位实习里开始。从“自动发邮件”这种最朴素的动机出发，她走出了一个属于非典型创业者的典型路径。

这期节目，我们和 Yiran 聊聊产品、创业、技术与情绪，以及——在高速燃烧的技术浪潮里，一个年轻创始人如何保持长期主义的执行力、市场感与创作温度。

主持人：今天，我们请到了一位非常特别的嘉宾，她是00后女性创业者，钢琴专业却做了一个ai产品。在见到了第一家美元基金时，就拿下了投资他stream的创始人兼ceo, 依然大学期间创业，毕业后没有进入大厂上岸，而是选择踏上一段从零到一的ai创业旅程，从宿舍里写下第一行代码。到如今，为一线金融机构以产业客户提供自动化交易助手，他和他的团队正试图用ai重塑人与人之间达成交易的方式。

主持人：Yiran 你好，欢迎做客我们的节目，可以先简单介绍下你自己吗？

Yiran：大家好，我叫 Yiran，目前是美国范德堡大学的一名在读学生，也是一位 00 后创业者。和很多创业者相比，我的背景可能有些不同——我最早是学钢琴出身的，大学专业也是钢琴。

但进入大学之后，我发现世界远比钢琴谱有趣得多，于是开始探索各种可能性，尝试了很多不同的实习机会：我去过投行和私募，也做过销售，还在一家猎头公司实习过。

让我印象最深的是，无论在哪个行业、哪个岗位，我每天都在重复一件事情：找人，发邮件。比如在私募公司，如果想投资一家企业，就得找到对的人对接；在猎头公司，要寻找合适的候选人，或是帮他们联系潜在雇主，还是得不断找人、建立连接、发邮件。

渐渐地我开始想，为什么没有一个工具，能把这些重复、琐碎却关键的事情整合起来、自动化处理？如果没有，那我干脆自己来试试看。就是从这个问题出发，我萌生了创业的想法。

主持人：好的，谢谢你，Yiran。为了让大家更快地了解你，我们接下来准备了一组快问快答。你可以简单直接地回答就好。第一个问题是——你的 MBTI 类型是什么？

Yiran：我的 MBTI 是 ENFP，也就是传说中的“快乐小狗”类型（笑）。如果说最近我手机上最常用的 App，应该是 ChatGPT 和 YouTube。ChatGPT 是我特别喜欢用的一个工具，我经常和它对话，它能给我很多灵感和启发，尤其是在思考产品和写文案的时候。而 YouTube，我喜欢看一些创业者拍的短视频，分享他们的创业故事、踩过的坑和成长的瞬间，感觉特别真实，也很有代入感。

主持人：最近让你感到兴奋的一款ai产品是什么？

Yiran：我最近特别看好一些能在 Excel 里直接操作的 AI 产品，比如说 Genspark。因为现在很多行业，其实还在非常手动地使用 Excel 或 PowerPoint 来完成各种重复性的工作。所以我对这类能把 AI 深度融入 Excel 工作流的工具挺感兴趣的，也很期待能亲自试用一下，看看它们到底能帮我们提高多少效率。

主持人：你最喜欢的创业者是谁？

Yiran：我最喜欢的创业者是 Elon Musk。不是因为他做的事情最多，而是因为他总是在选择那些最难、也最不被看好的方向去挑战。

比如说火箭发射这个本身几乎不赚钱的行业，或者像脑机接口这样前景极度不确定、技术难度极高的项目。他对长期价值的坚持、对未来的执着探索，让我特别佩服。这种愿意直面难题、无惧质疑的创业精神，真的很打动我。

主持人：能用简单的一句话介绍一下Streaml做的事情吗？

Yiran：一句话介绍的话，Streaml 就是：你打开电脑，对它说，“我有个产品，想卖给 200 个人，能不能帮我找到他们，并卖出去？”它就开始工作了。

它会先从全网爬取数据，找到这些潜在客户，然后通过各种渠道——无论是邮箱、LinkedIn 还是短信——逐一触达，最终帮你把产品卖出去。

主持人：明白了。听起来 Streaml 有点像是传统 CRM 的一次进化——甚至可以说是把 CRM 和后续整个销售流程的 SaaS 工具全都打通了。而我们也确实在看到，AI 正在全面重构传统的 SaaS 流程。

那我好奇，你当时在做这件事的时候，刚好也碰上了 ChatGPT 的爆发。你当时是怎么想的？它有没有影响你对创业方向的判断，或者带来一些新的启发？

Yiran：一开始接触 ChatGPT 的时候，我的第一反应是：它只是一个帮你整合信息、梳理数据的工具，不能真正“执行”动作。而传统的 CRM 系统其实也存在类似问题——大多数功能都建立在用户主动输入数据的基础上，本质上还是一个“被动记录系统”。

但 Streaml 想做的不是这种被动型工具。我们希望它能像一个真正“有感知力”的销售助手。它通过数据融合，自动为每个潜在客户建立一个立体的画像，理解这个人是谁、他在什么公司、处于什么阶段、关注什么内容。

举个例子，如果一个目标公司刚刚发布了“招聘销售副总裁”的公告，我们的系统就会识别出这可能是他们进入销售扩张期的信号。Streaml 会基于这个信号，自动触发后续的跟进动作，比如发邮件、发 LinkedIn 消息等等，实现真正意义上的“感知—判断—执行”闭环。

主持人：作为一位 00 后的女性创业者，你怎么看待自己和上一代移动互联网创业者之间的差异？你觉得在思维方式、产品理念，或者做事风格上，有哪些不一样的地方？

Yiran：我觉得最大的不同可能是在思维方式上吧。对我来说，我是一个比较依靠创造力驱动的人。我在做事情的时候，不太会用那种特别刻板、线性的方式，比如坐在那儿五个小时逼自己把一个东西“憋”出来。

相反，我更倾向于去散散步、弹弹琴，让思维流动起来，从另一个角度去想——有没有更聪明的、更新颖的方式来实现目标？一旦我想到一个感觉不错的方案，我就会迅速去尝试执行。我思维比较跳跃，也习惯不断寻找更好的点子和工具。

比如说，要写一个方案、写段小程序、做个 MVP，我第一反应往往是：有没有什么新的 AI 工具可以帮我把这个过程变得更高效？

再比如以前如果我想做一个宣传视频，可能得请一个团队来拍、剪、调色，现在我甚至可以用 AI 一个人完成整个视频的制作。

我觉得这是我们这一代创业者天然的一种方式——更轻、更灵活、更依赖工具，也更开放去尝试新的工作流。

主持人：好呀，Yiran，我们接下来聊聊你正在做的产品——Streaml。很多人听完都觉得你们像是在做一个“自动成交”的 AI，听起来既酷又很有未来感，仿佛整个销售流程都可以不用人参与了。

你能不能具体讲讲，Streaml 是怎么做到从找客户、跟客户聊、再到最后完成成交的？这个“自动成交”的流程到底是怎么运作的？

Yiran：我们的目标是让 Streaml 像一个全职员工一样，把从找客户、聊客户到最终成交的整个流程实现自动化。

第一步是找人。我们整合了几十个数据源，系统会自动爬取并进行推理分析，找出最匹配的潜在客户或投资人。举个例子，比如有一个客户在 Meta 上卖一款软件，那我们就会去识别最近刚购买了 Meta Glasses 的人，或者正在寻找某种新插件的用户，然后精准地联系这些人。

第二步是沟通跟进。我们设计了多个智能 Agent，比如 Sales Agent、Recruiter、VC Analyst 等，每个 Agent 都有自己的人设（persona），会根据角色和场景自动发送定制化的信息，判断客户意向并持续跟进。

第三步是成交阶段，目前这是唯一一个我们保留人工参与的环节，因为很多客户在做决策前，还是希望能进行一场面对面的沟通。我们认为这种人与人之间的真实连接依然非常重要。

但在会议之后，Streaml 依然会接手所有后续流程——自动整理会议内容，判断客户状态，并持续发送后续消息，直到完成转化。

整个流程的核心，就是让 AI 不只是提供工具，而是主动完成销售动作，把传统销售流程里繁琐、重复、机械的那一部分全部交给机器。

主持人：听起来，数据在你们的产品里扮演了非常关键的角色。我了解到你们整合了很多不同类型的来源——包括公开数据库、专利、新闻等等，涵盖面非常广。

在你看来，这种跨数据源的整合是不是 AI 时代的一个基础能力？它和像 ChatGPT 这样的语言模型工具相比，又有什么本质上的不同？

Yiran：是的，我认为这种跨数据源的融合非常关键，特别是在 AI 时代，它几乎是一切智能判断的基础。我们会从多个不同的线索去推断一个人是不是最合适的目标客户，而不仅仅是依靠标签或者简单的关键词匹配。

其实 ChatGPT 这类语言模型，和我们做的事不是完全一类。更合适的对比对象，其实是传统 CRM 系统，比如 Salesforce 或 HubSpot。这些我自己以前也用过，最大的痛点就是“被动”和“手动”——所有信息都需要自己来填，比如客户的邮箱、电话、当前状态、沟通过程等等。

而 Streaml 是自动化的。我们不仅能帮你找到最匹配的客户，还能自动获取他们的联系方式，无需你手动输入。同时，在后续的跟进过程中，系统也会自动识别这个客户是否有回复、跟进到了哪一步，并自动更新状态。

所以，相比于传统 CRM，我觉得 Streaml 不仅省力得多，而且在效率和智能程度上，是质的提升。它不是一个“记录本”，而更像是一个主动帮你推进成交流程的智能合伙人。

主持人：明白了。你刚才提到，Streaml 会判断谁是最合适的客户，那我挺好奇的：这个“合适”到底是怎么定义的？我们是怎么教 AI 去理解和评估一个客户是否匹配的？在这个背后，你们具体做了哪些工作？

Yiran：还是以刚才提到的那个卖 Meta 软件的客户为例吧。我们的 AI Agent 会在 LinkedIn、Twitter、小红书、Instagram、Reddit 等各种社交平台上进行搜索，去找有没有人最近发过“我买了 Meta Glasses”这样的动态，或者比如在猎头场景中，有没有人提到“我最近在找工作”之类的关键词。

一旦发现这些信号，Agent 就会自动在用户的那条 post 底下评论或者互动，引发对方注意。这种基于上下文的、非常精准的互动，我们发现回复率是非常高的。

所以我认为，在目前这个阶段，AI SDR（销售开发代表）或 AI BDR（业务开发代表）最关键的评估标准其实就是“回复率”。而我们在这方面的表现，已经远远超出了传统工具的平均水平。我们不只是找到客户，而是找到会回应你、可能真正转化的客户。这才是“合适”的定义。

主持人：明白，这种做法确实和当下用户的社交习惯高度契合。我还听说你们在产品里引入了强化学习的反馈机制，还有知识图谱的融合，听起来技术含量很高，但实现难度也不小。

那我挺好奇的——在你们这样一个团队规模不大、资源相对有限的创业早期，怎么有能力去做这样“重技术、强反馈”的系统？你们是怎么做到的？

Yiran：其实我们在系统设计上是做了很多模块化和 API 化的处理。举个例子，像我们要从不同网站获取数据，一开始会写一些自定义的爬虫模块，有的是用开源模型，有的是调用外部 API，还有的是我们内置的爬虫系统，这些组件都通过一个统一的调度系统串联起来，整体运行效率是很高的。

至于强化学习部分，我们目前主要集中在两个方面：一个是用户的行为反馈，另一个是消息内容的优化。比如我们内置了一个评分机制，用户可以对对话的质量进行打分，我们会用 reward modeling 的方式，持续改进我们的对话策略。

此外，在信息收集阶段，我们也会观察客户最近在搜索什么、关注什么主题，这些行为数据也会作为信号，进一步反馈到模型中，帮助我们优化判断和推荐的精准度。

所以虽然我们是一个小团队，但通过模块化架构和精准聚焦的策略，其实可以在资源可控的范围内做出比较复杂的系统能力。

主持人：那这样听下来，其实你们在上层的系统设计和调度上做了很多工作。但我也想代替一些听众问一个比较尖锐的问题——会不会有人觉得你们的产品只是一个“套壳 AI”？比如说没有自己训练底层模型，或者没有做某些垂直行业里的深度建模。你会在意这样的评价吗？或者说你怎么看待“底层建模”和“产品落地”之间的关系？

Yiran：我觉得类似于 Manus 或 Cursor 这样的产品，在某种程度上也没有去训练自己的底层大模型，但这并不一定是坏事。相反，这是一种更高效的方式——你不是一个人在战斗，而是和整个 AI 社区在协同进化。如果你所依赖的大模型变得更强了，那你的产品自然也会随之提升。

而且从用户的角度出发，他们最关心的其实不是你底层技术有多“自研”，而是结果：你能不能帮我提升回复率？能不能帮我真正转化一个 deal？只要你能提供结果，他们其实不太在意你是不是“套壳”。这是我自己的看法。

主持人：你之前应该听说过朱啸虎的观点吧，他提到现在很多 Agent 工具主要在做“脏活累活”。那你怎么看这件事？在 Streaml 的实际使用过程中，你们是怎么帮客户承担这些“重复性劳动”的？

Yiran：对，其实我们做的“脏活累活”主要集中在几个关键环节，都是高频重复、低价值但又非常“刚需”的工作。

第一，是跨平台找人。在做 Streaml 之前，我自己找人是这样的流程：先在 LinkedIn 上搜索——如果你没开会员，显示的结果非常有限；然后再去 RocketReach 或 Apollo 上一个个查联系方式；有时候还得去官网找蛛丝马迹，非常耗时。

第二，是个性化写信。这点其实是最消耗精力的，我得一封一封看客户的背景、看他最近说了什么，再写一封对应的邮件。而 AI 可以根据用户画像自动生成定制化文案。

第三，是持续跟进。很多销售场景中，一个 SDR 可能跟到第三轮就放弃了，但 AI 不会。它可以不厌其烦地通过不同渠道、不同方式持续触达，直到对方真的响应或者明确拒绝。

这些工作虽然“看起来不聪明”，但却非常关键——真正决定了销售效率和转化率。而我们就是想把这些脏活累活，从人手里解放出来，交给 AI 去做。

主持人：明白。那你们目前的客户主要集中在哪些行业？他们通常是用 Streaml 来解决什么样的问题？

Yiran：我们目前的客户主要集中在几个方向：包括 B2B 销售团队、私募和 VC、招聘与猎头公司，还有一个相对偏 B2C 的场景，就是一些在找工作的用户，用 Streaml 来辅助投递和找机会。

举几个例子会更直观：

在 B2B 销售场景，我们服务过一家出海的 SaaS 公司。他们原来是靠内部 marketing team 手动去 LinkedIn 上找人、写邮件、跟进客户，整个流程重复性特别高。用了 Streaml 之后，短短几天内就约到了 7～9 场客户会议，并且成功拿下了两个试用订单。

在 VC 投资场景，我们之前帮一家投资机构寻找潜在投资标的，比如 YC 孵化的项目，或者是拿到过 AI Grant 的初创公司。通过 Streaml，我们帮他们在一周内安排了 2～3 场初轮会议，极大提高了他们的筛选和对接效率。

在猎头招聘场景，我们最近刚帮一家猎头公司解决了一个很细分的招聘问题。他们一直在找通过了 ASC 740 认证的会计师，而且地理位置限定在一个非常小的区域，靠人工搜索效率极低。用了 Streaml 之后，我们帮他们精准找到了大约 10 位符合条件的候选人，他们随后就开始批量触达，最终联系上了一位非常合适的候选人。

所以无论是找客户、找项目，还是找人，Streaml 的核心价值就是：高效、精准、自动化地完成那些本来要靠人工苦干的流程。

主持人：听起来你们的效率非常高，而且还在帮客户做到很多他们自己都很难做到的事情。那你们目前的收费模式是怎样的呢？

Yiran：我们采用的是比较传统的订阅制（subscription）收费模式。最低的订阅 Tier 是每月 59 美元，大概可以获得 500 到 1000 个精准的潜在客户联系人。

如果用户需要更多的 contact，比如 5000 个、1 万个，就可以按照梯度递增。整个定价结构是按需扩展的，比较灵活。

主持人：所以其实可以说，Streaml 本质上是一个跨行业的“找人＋联系”的智能工具？

Yiran：对，我们的核心逻辑就是——只要你需要“找人”和“触达人”，不管你是做销售、招聘、投融资，Streaml 都可以帮你把这件事做得更快、更准、更自动化。

主持人：明白。很多软件产品之所以有价值，是因为它能在使用中不断产生“复利效应”。你觉得 Streaml 在用户推广和行业渗透中，最大的复利体现在哪？

Yiran：我们最大的复利就是：我们自己就是自己的第一个客户。

我们现在很多客户的 sales call，其实就是用 Streaml 自己找来的——系统帮我们筛选最合适的目标客户、自动预约会议、跟进转化，最后成交变成真正的用户。

这种“产品自己带来用户”的能力，不仅帮我们验证了产品的实用性，还能让我们不断从真实使用中迭代优化。这个闭环本身，就是 Streaml 最强的复利来源。

主持人：方便透露一下，现在 Streaml 有多少比例的客户是通过你们自己的产品带来的？

Yiran：我觉得至少有 50% 以上的客户，都是我们用 Streaml 自己找来的。

主持人：OK，那听起来 Streaml 未来其实是可以由一个非常小的团队来运作的，因为大部分执行层面的工作其实都是交给 AI 完成了。

Yiran：是的。

主持人：明白。那我还想问一个行业内比较核心的问题：很多人认为数据是 AI 公司未来最重要、最长期的竞争壁垒。那对于 Streaml 来说，你们是怎么在服务客户和不同行业的过程中积累自己的数据资产的？

Yiran：这个问题很好。我们现在在做的是：每当客户在某个行业里进行一次搜索，我们都会把这些结果数据结构化地存入自己的数据库。

这样一来，如果之后有别的客户搜索类似的内容，比如“某大厂的在职员工”或“正在找工作的特定类型候选人”，我们就可以直接从已有的数据库中提取结果，实现“秒级响应”，不需要再去实时爬取。

但如果用户的需求更偏向实时、动态，比如“昨天在罗马会议上出席的人是谁”，那 Streaml 就会自动调度爬虫去抓取最新的数据。

所以可以说，我们一边服务客户，一边也在不断反哺和丰富自己的数据资产库，这就是我们独有的数据壁垒形成路径。随着使用者越来越多，Streaml 的数据能力也会越来越强，响应速度和准确性都会持续提升。

主持人：对，明白。我们确实正在积累一个关于“人”的超级数据库，我相信未来它会成为 Streaml 非常重要的核心资产，也将和 AI 能力深度结合。那我们接着聊聊行业层面的问题吧——你怎么看待 AI Agent 在不同行业的落地？未来哪些行业最容易被 AI 重塑？又有哪些岗位的人，会最早被“解放”出来？

Yiran：我自己的感觉是，凡是信息密集、又大量依赖人际沟通的行业，都会被 AI Agent 优先影响到。

比如说 ToB 销售：过去你可能需要一个团队里 5 个人来收集客户数据、撰写邮件、跟进线索，但未来有了 Agent，可能一个人配一个 Streaml 就能完成同样甚至更好的效果。

除了 Streaml 所主打的销售场景，我觉得像投行这类也会很快受到影响。因为他们日常有大量在 Excel 和 PowerPoint 里做格式化、数据汇总、材料撰写的工作，其实这些都是 AI 非常擅长的环节。像 Manus 或其他通用型 Agent 工具，未来都可能在这些场景中发挥巨大作用。

主持人：让我们回到创业的起点。Streaml 的第一个版本是怎么做出来的？

Yiran：最早其实是我在找投行实习时写的一个自动发邮件脚本，纯粹是为了提升效率。后来有朋友看到，就问我：“你这个能不能也给我用一下？我想拿它来找客户，甚至找投资人。”于是我稍微包装了一下，测了个小的 MVP，那就是 Streaml 最早的雏形。

主持人：从最初的 idea 到 MVP，再到后来的产品化，你觉得中间有哪些坑是你踩过的？有没有什么经验可以跟大家分享？

Yiran：踩坑真的蛮多的（笑）。我一开始其实是想做一个“数据公司”，完全没考虑清楚客户拿到数据之后要干什么。比如有个客户让我帮他找在纳什维尔做 Airbnb 的人，我确实找到了，也整理好了数据。但他最后说：“这些数据看着挺好，但我完全不知道接下来该做什么，也不打算为此付费。”

还有一个更大的投行客户，他们想找高净值人群。我也按他们的条件，在加州某些地区找到了很多资产在某个门槛以上的潜在人群。但对方的反应也是：“看起来不错，但我不觉得这些数据足以让我花钱。”

那段时间我尝试了各种 MVP：可视化、格式包装、行业定制……但每次都要为每个客户“定制一套流程”，非常耗时。后来我和一位投资人聊，他说：“你这个模式一点都不 scalable（不可扩展），你现在不是在做产品，而是在做人力外包。”

我当时真的有点迷茫。原本只是想做一个数据集成公司，但发现根本行不通。

直到有一天，我在复盘自己找工作、找实习的经历，突然意识到：不管是找工作、找客户还是找投资人，大家其实真正需要的不是“数据”，而是“结果”——他们想要的是和这些人建立联系，并达成某个目标。

这才让我意识到，必须把整个流程打通：从“找到人”到“联系上”再到“转化为合作”——Streaml 不该只是提供数据，而应该成为一个能完成整个链路的 AI 工具。

当我把这个思路重新跑了一遍，原本那些犹豫的客户也开始觉得这个方向“有道理”，他们反而更愿意为这个完整的解决方案买单了。这个转变对我来说是很重要的一次认知跃迁。

主持人：我其实想再追问一下，也就是说对美国客户来说，只要你帮他把触达的邮件真正发出去、形成一个闭环，那他们就愿意为这个过程付费，对吧？

Yiran：对。因为如果我们只是给他们一个 Excel 表，他们往往会觉得：“OK，我拿这个表要干嘛呢？”缺了后面的执行环节，用户其实是没有太多感知价值的。

主持人：明白。那你们现在有融资吗？可以透露一下目前的情况吗？

Yiran：有的，我们刚刚完成 Pre-Seed 轮融资，拿到了来自知名美元基金的数百万美元投资。接下来会主要用于扩充技术团队，加快产品迭代。如果有朋友对 Streaml 感兴趣，也欢迎加入我们。

主持人：你们现在团队大概多少人？

Yiran：团队有五个人。

主持人：我能理解，作为 CEO，在一个初创公司里除了做产品，还要管销售、融资、团队管理、客户支持等等，几乎所有事都得你来做。你是怎么在这么小的团队里，平衡这些身份和任务的？

Yiran：有时候真的像打仗（笑）。我会把每天拆成不同的“角色时间段”。比如早上写代码+聊客户，下午专注跟客户开会，晚上再复盘和继续开发。印象最深的是有一次我去参加一个活动，结果在活动现场的洗手间里接了一个客户电话，真的有种“人分两半”的感觉。

但我也在学习放权，包括用 AI 帮我自己找客户。其实这个过程也会反过来启发我：客户是怎么被找到的？哪里体验不好？这对产品的迭代特别有帮助。

主持人：那你有没有哪一刻真的差点就想放弃了？又是什么时刻让你觉得这事可以成？

Yiran：最想放弃的时候大概是我们做 Demo，系统没能搜索出准确结果，还被几位客户当场劝退。当时挺打击的。

但有一天，连续好几个在找工作的朋友跟我说：“这真是我用过最牛的工具！”那一刻我突然觉得，我们真的在改变一些人的工作方式——这个事情是值得坚持下去的。

主持人：这段时间的创业，对一个没有正式全职经验的 00 后来说，应该是成长非常大的。你觉得你最大的收获是什么？

Yiran：我觉得成长特别大，有两个方面特别明显。

第一是人与人之间的沟通。做销售的时候，我学会了如何真正去理解客户的痛点、如何建立信任感、如何和他们长期保持良好的关系。

第二是在技术落地层面，学会了怎么用最先进的工具，怎么和程序员有效协作，把一个产品从想法变成真正可用的系统。

主持人：从创始人的角度，你怎么看整个 AI Agent 行业的趋势？过去半年很多通用 Agent 产品快速出现，垂类应用也越来越多，甚至开始商业化。你觉得 Streaml 会朝哪个方向发展？

Yiran：我觉得现在 AI Agent 的技术迭代很快，反而真正的瓶颈在于：怎么找到最适合它发挥价值的场景。比如我自己就特别需要一个强大的 Excel 插件或 PPT 插件，但试了一圈都找不到真的能满足需求的。

明明这些 Agent 的原理并不复杂，但就是没有人把它做好。所以我们未来也会往这些具体高频、但未被好好解决的场景走。大家可以小小期待一下，Streaml 的 Agent 系列可能也会扩展到这些方向。

主持人：那如果以“一年”为一个阶段，你希望 Streaml 实现哪些里程碑？

Yiran：我希望我们能验证 1000 个付费用户，并且覆盖多个行业，证明我们是一个具有可复制性的系统。同时，我们想真正打通从线索获取、客户跟进、会议预约、合同签署、付款在内的全流程 AI 成交闭环。虽然现在还有一些人工介入，但我希望未来能大幅减少。

主持人：最后一个问题，给那些也想创业的 00 后一些建议吧？

Yiran：我有两个建议，一是关于产品，二是关于心态。

第一，一定要以客户为中心。在你动手做产品之前，先搞清楚客户到底需不需要这个东西，不断地去问反馈，最好自己也变成产品的用户——你不愿意用的东西，客户也不会用。

第二，是心态。我其实有这个创业想法很久了，但拖延了三四个月都没有行动。真正让我启动的是身边有个朋友也在创业，大家天天一起聊想法、交流进展，那种氛围真的给了我很大动力。

所以如果你也想创业，我建议你去找一群志同道合的人，一起待着，哪怕还没做出什么东西，光是那个氛围，就能让你坚持下去，而且很快乐。

主持人：太好了，节目的最后，推荐一首你在创业最焦虑最煎熬的时候反复听的歌吧。

Yiran：这首歌是我特别喜欢的歌手王OK唱的，叫《我是一条小鱼》。里面有句歌词我印象特别深：“像大海里的小鱼，就这样不停地游。”但每一条小鱼，最终都能找到属于自己的一片海洋。这句话一直在鼓励我。

主持人：太棒了。谢谢 Yiran，今天特别开心，也学到了很多，那我们这期就先聊到这儿了～拜拜！

文章来自于微信公众号“Z Finance”。