对话 Seede AI：帮人类创作只是第一步，我们想帮人类理解 Agent 产出的内容

上线一年后，Seede AI 推出了他们的海外版产品 Veeso AI，主打把原始素材转化成可交付的设计稿。

与 Lovart 这种面向懂设计的人群的产品相比，Seede AI 更容易上手，面对的人群也更大众一些，比如一家书店想做个小活动的海报、一家二线城市的医院想张贴个宣传告示、或者是一家健身房想在公众号里放一张会员招募活动海报等等，他们可以不用去研究配色、搭配，只需要找到一张他们喜欢的模版，放上自己的原素材，2 到 3 次对话，一张可交付的设计稿就出来了。

门槛足够低，但因为使用了各家 SOTA 模型，上限也足够好。

创始人 Longyi 早年在美团负责系统架构的工作，甚至从零手搓了一个美团内部版的「Vercel」。后来加入了创业公司 Dora AI——「面向建站领域的 Figma」，在 GPT-4 出来后意识到，传统的无代码架构，不彻底转向 AI-Native 是没救的。

这才有了现在的 Seede AI，单人 2 个月开发出产品的雏形、依靠微信转账验证了产品的 PMF。

有技术有洞察，产品有用户，并且已经跑通了 PMF，一步一步朝着更大的目标前进。

也许 FOMO，但目标很坚定。「设计工具的本质是帮人类创作，而 Seede 最终想做的是帮人类理解 Agent 产出的内容。」

人类理解世界的方式是视觉。当 Agent 成为信息的生产者，谁来帮人类『看懂』这些信息？Seede AI 想做这个尝试。

在海外版产品上线之际，我们跟 Longyi 聊了聊，想知道一款面向大众的 AI 设计产品，应该怎么做，又打算如何走。

产品官网：https://seede.ai

01

单人 2 个月搓出 Seede，

并且跑通了 MVP

Founder Park：介绍下过往的创业经历？为什么决定出来创业？

Longyi：我的经历相对比较特别。大二就直接出来实习了，一开始在百词斩和掘金实习，发现实战学到的东西远比学校多，期间自己做的一个开源项目攒了一万六千多 Star，大四我就索性退学了。在得到一个刚孵化的业务里历练过之后，想去更大的平台看看，于是 2017 年我加入了美团。

在美团的四年（2017-2021），是我在底层架构和复杂系统上真正脱胎换骨的阶段。当时我负责团队的「扫码支付」业务，做架构设计不仅要扛住千万量级的并发，还要解决真实场景里的痛点——比如很多用户在网络环境不好的时候打开页面慢，我们就专门定制了一套缓存加速方案。

到了 18 年，Serverless 理念开始进入实用化阶段。我发现我们的前端团队在做业务时，很多逻辑其实放在服务端更好，但如果让前端去写 Node.js、Python 或 Java，那一整套运维部署又超级麻烦。为了解决这个痛点，我花了几个月时间，从零手搓了一个美团内部版的「Vercel」。这段经历让我不仅在复杂前端架构上有了沉淀，还深度切入了后端分布式计算领域。到 21 年，我觉得在大厂能做的挑战我都做过了，开始渴望真正的创业。

21 年刚好有一个绝佳的机会，我作为前五号核心成员加入了出海创企 Dora AI。最初，我们花了一年半时间死磕了一个「面向建站领域的 Figma」，产品上线后顺利积累了五六十万用户。但到了 22 年底 ChatGPT 爆发，团队意识到：生成式 AI 绝对会颠覆现有的无代码产品形态。我们迅速在 23 年转向 AI 化，靠着「一句话提示词生成网站」的超前理念，直接拿下了 Product Hunt 月榜第一，在 X 等平台彻底出圈，几个月内引爆了近 100 万新增用户。

但那波爆发背后，也让我看清了技术路线的局限。当时的基模能力（只有 GPT-4）还不足以支撑真正的 AI-Native，我们只能靠硬核工程去弥补——利用 Diffusion 生成设计稿，再手搓复杂的 AI Pipeline，串联 YOLO、SAM 等多个模型，花了六七个月才勉强把生成的丰富内容还原到无代码编辑器中。虽然效果不错，也有人付费，但我发现，只要底层依然是传统的「无代码架构」，用户后续的人工操作门槛就依然很高，这是一种范式上的落后。

所以我意识到，不彻底转向 AI-Native 是没救的。24 年下半年，我决定出来自己做，完全围绕 AI 生成能力设计了 Seede AI。

Founder Park：选择出来单干，为什么会选择设计或者海报设计方向？

Longyi：我一直很关注这个领域。从大厂出来做的上一个产品，就是因为对「所见即所得」的设计工具非常感兴趣。很早我就开始用 PS、Canva、Figma、Sketch 了，虽然不是专业设计师，但对这类产品天然感兴趣，这类产品通过简单的拖拉拽，能让小白完成设计作品。

24 年我看到，传统工具似乎都可以通过 AI 变得更易用、门槛更低，就考虑出来做。当时我也评估过，有了之前的架构经验结合 AI，稍微努力一下，两三个月就能搭出来 MVP，可以快速测试有没有人买单。走了一个相对短的研发周期，尽量快地拿到反馈。后来拿到了正反馈，所以就在持续做。

Founder Park：初期阶段怎么验证 PMF 的？

Longyi：借助 Cursor，加上过去在美团积累的架构底子，Dora 十个人花了一年半，Seede 我一个人花两三个月就做出来了。因为产品极度依赖大模型，我非常看重商业化验证，早期甚至没写支付系统，就直接贴了个人微信，谁要买积分就加我详聊。其实那时候并不是想收钱，只是想看看究竟哪些人在用、愿意付钱。愿意付钱才会扫我，正好能跟他聊聊，然后送积分。到了 3 月份左右，每天都有不少人加我，看到挺强的付费信号，我才去把公司和支付系统搞出来。

当然，Seede 的工程成本还是高的，持续迭代了快一年，工程细节非常多。另外，要打造面向大众的产品，交互细节也多，比如「复制粘贴」该出现在哪儿，都有讲究。

02

Seede：一句话，

把你的想法变成可交付的设计稿

Founder Park：如果用两句话来介绍产品，会怎么说？

Longyi：Seede AI 可以把你的想法变成可交付的设计稿。你提一个设计需求，Seede 就会在画布中生成一个包含版式、文字、图像的可编辑设计。并且我们可以保证，这个作品可以直接用于交付发布、投放或者打印。

Founder Park：这里说的「设计稿」是指？比如长海报之类的？

Longyi：不只是海报。「可交付」这个点上，我们和普通文生图有区别。

我们内部的定义是，首先尺寸正确，边距、字体都是 OK 的；其次，信息清晰可读，我们通过 AI 的 Coding 能力，把层级、对比等专业排版知识应用进去，让内容组织得层次清晰；另外，用户会有品牌诉求，比如颜色、Logo 位置，这些都可以在结构化设计稿里有很好的呈现。这些都通过 AI 搞定，最后可以直接导出使用。

这个过程减掉了一个很重要的环节，就是设计代理。比如原来得依赖专业设计师，或者去打印店、淘宝店反复沟通，等很长时间。但 Seede 可以完成整个设计闭环，从提需求到拿结果，进度自己把控。很多用户反馈，用了产品后发现，原来找的美工反复说都听不懂，但 AI 能很好地理解他的意思。

Founder Park：怎么定义「可交付」？

Longyi：第一，很多人用 Midjourney 做图，会发现生成的图整体不错，但关键信息漏掉了，或者文字模糊。如果海报里的关键信息不可控、改不对，他就觉得发不出去，不能用。

第二，交付设计稿不光是「抽卡」生成一张图，还要能沿着同一种风格把东西都搞出来。举个例子，会议嘉宾的名牌，如果用 Nano Banana 来做，每个嘉宾的图除了名字不一样，其他地方可能也变了。但是对于我们的结构化设计，这一点就很有优势。

Founder Park：是不是意味着「可交付」也需要提供固定、可复用的能力？就像刚才说的嘉宾图，我可能要做 30 个，每次都得保证它们是一样的，同一个设计稿要频繁来用。

Longyi：对。重复使用是一个很重要的点。另外就是系列图，虽然每一个不一样，但要延续某种关键的风格或版式。比如做会议海报，页脚得统一。这种延续性很关键。一个良好的结构，就是延续多种产物、对模型非常友好的上下文。

03

Nano Banana 会赋能我，

而不是颠覆我 

Founder Park：以前做产品，图片生成模型连文字都生成不好，所以代码生成是更好的选择。但 Nano Banana 出现之后，你还会这么想吗？

Longyi：我们很早也接入了 Nano Banana。它的能力确实让人兴奋，但恰恰是它的出现，让我们更清楚地看到：端到端生成和代码结构化生成，解决的是两个完全不同的问题。

端到端生成的魅力在于「快」——你给一句话，它给你一张图。但代价是「黑盒」——你拿到的是像素，是素材，不是结构。想改个标题？想换个颜色？重新生成。你对结果没有掌控权。

而代码生成的本质，是让模型「理解视觉」而不是「模仿视觉」。当模型用代码回应你的需求时，它在说：「我理解了什么是标题、什么是重点、什么是视觉引导——现在我把我的理解写成结构，你可以检查、修改。」

所以我们的定位很清楚：Nano Banana 是非常强的端到端素材生成器，负责底图、氛围、视觉冲击力。而 Seede 是那个「容器」——把 Nano Banana 生成的素材，与标题、价格、结构化信息组织在一起，变成一个用户真正可编辑、可交付的设计。

端到端生成的是「素材」，代码生成的是「方案」。前者交付像素，后者交付掌控权。

至于这个容器里，有多少来自端到端模型、多少来自代码，对用户不重要。我们只关心一件事：帮小白用户或没时间做设计的人，做出专业级的可交付设计。

Founder Park：不管怎么样，最终这些都是你们能力的一部分。下面的素材生成能力越强，我给用户的交付就越好。你们赌的不是模型本身，就像 ChatGPT 在创作和代码上都很强，但最终出圈的产品，还是要在这个模型基础上做工程化和产品包装。

Longyi：对。模型是引擎，我们是产品经理——同样是电动机加螺旋桨，可以造电风扇，也可以造电动飞机，取决于你理解用户的真实需求。

Token 成本意味着 AI 产品的成本结构和传统互联网完全不一样。

传统产品用户用多少次，边际成本都趋近于零。但 AI 产品不一样——每一次生成都在消耗真金白银。我们非常关注 Token Efficiency，不只是技术优化，而是商业模式的起点。

Seede 用结构化数据生成视觉，同样的算力成本，信息密度是端到端生成的 10 倍以上。当你要规模化服务大众用户时，这个差距会从「技术优势」变成「竞争优势」。

再说一个观察：大众用户很少直接用大厂的第一方产品——因为大厂在做模型的「说明书」，而不是用户的「工具」。NotebookLM 这种特例太少了。

AI 应用的渗透才刚刚开始。最近很多尝试过 OpenClaw 的用户就是 AI 先行者，有很多吐槽「养不起」。这个阶段，我们要做的不是跟模型赛跑，而是用模型的能力，去高效率服务那些还没被真正服务好的大众用户。

04

AI 时代，

上下文即模板

Founder Park：你们当时觉得产品的竞品是谁？现在呢？

Longyi：如果一定要找一个符号来类比，可能是 Canva——不是因为我们想做同样的东西，而是因为它在「让普通人能做设计」这件事上，建立了一个时代的认知。我们思考的维度在变。

Canva 的伟大之处在于「模板化设计」——用专业人士沉淀的模板，让小白用户也能做设计。但模板的本质是静态的上下文预置，匹配度最多 60-70%。

而 AI 让上下文流动起来。当用户说清场景和诉求，AI 能像设计师一样思考，把匹配度提到 90% 以上。

但更重要的是，这个变化指向一个更大的未来：Canva 时代是为「人类生产内容」设计的，AI 时代是为「Agent 生产、人类消费」设计的。

今天，越来越多信息来自 Agent 而非人手。谁来把它们变好看？谁来理解它们要出现在什么场景？

这就是 Seede 要做的事——不是又一个工具，而是一个理解场景的界面层。一端接入 Agent 输出的任何信息，一端输出人类可本能理解的视觉语言。

Canva 拥有巨大的模板数量，但是我们在探索场景理解。它服务「人找模板」的时代，我们服务「Agent 生成、场景呈现」的时代。

生成式模式替代传统模板，不是工具的迭代，是时代的更替。

Founder Park：模板之所以流行，是因为用户的审美不够或者表达能力不够。审美不够可能是 AI 可以解决的，但表达不够这个问题，如果没有模板了，这个问题解决了吗？

Longyi：这里的关键是理解一件事：在 AI 时代，「模板」的定义变了。

过去，模板是骨架——一个固定的版式，你往里填内容。它的确解决了表达不够的问题，因为用户只需要「找到对的」然后「填空」。

但在 AI 时代，上下文即模板。

第一，AI 本身有足够强的设计语料。设计领域数据丰富，即使用户表达得模糊，模型也能凭借泛化能力匹配出超出预期的结果——你给个大概方向，它比你更懂怎么落地。

第二，很多用户确实没想清楚自己要什么。所以我们会延续「模板」这个概念，因为这是当前这一代人的基础认知。但这里的模板不再是固定骨架，而是可 Remix 的上下文。

比如一个餐厅老板看到竞对的风格，可以拍下来发给 AI：「参考这个，帮我生成我家的。」他不需要描述「什么是工业风、什么是暖色调」，一张图就是他的模板。

我们也在鼓励用户分享作品，沉淀的不是传统模板，而是设计过程中的关键上下文——就像是 Skills。我们认为所有东西都可以 Remix：你想要麦当劳的结构，配奈雪的色调，AI 能理解并组合。

所以模板没有消失，它从固定的版式进化成了流动的上下文。从「人找模板」变成「AI 理解模板」。

Founder Park：如果 Canva 做 AI，对你们冲击大吗？

Longyi：冲击肯定会有。但如果 Canva 重构底层架构来做 AI，反而证明我们的方向是对的。

但更根本的区别是：我们不是「加了 AI 的设计工具」，而是 Agent to Human 时代的视觉界面。

Canva 再怎么变，核心依然是「帮人做设计」。而 Seede 是一个界面层——一端连接 Agent 输出的信息，一端输出人类可读的视觉语言。当未来内容由 Agent 生产、由人类消费，中间需要这层「呈现层」。这是两个时代的区别。

回到竞争：设计领域足够分散，巨头不可能全面垄断。我们的策略是瞄准具体场景，用用户反馈循环打磨产品——观察高频需求，深挖真实痛点，让用户愿意付费、愿意反馈，认知就越滚越深。

只要这个循环在，我们就能从小到大。等巨头转过弯来，我们已经跑远了。

未来 Seede 可以不只是图文生成产品。当代码描述的如果是内容结构，那它其实可以被渲染成任意形态：图、H5、视频、应用……当模型生成多模态内容的速度不断加快，Seede 就能支持实时、可交互的内容生成，而这已经是非常可见的未来了。

Founder Park：Canva 过往的数据积累没用吗？范式转换后，在旧范式下收集的数据，对于做一个 AI-Native 产品帮助没那么大？

Longyi：对，产品架构不一样。一个是产品优化循环，一个是数据优化循环。数据这部分确实不行。用户选哪个模板、填什么内容，可能只有一点点用，但这数据怎么和模型能力做对齐？这里有很大 gap。而我们积累的数据是模型生成的结果、用户对结果做了微调得到的最终产物。这部分数据对模型来说，是高质量的增量数据。

Founder Park：举个极端的例子，如果 Canva 或者 PS 照抄你们的产品，你觉得威胁大吗？

Longyi：巨头本来就有这类产品，Canva 的 Magic Studio 也迭代一两次了。但 AI-Native 产品有一个关键点，巨头的成本模型不对齐。传统 SaaS 和 AI-Native 的成本模型完全不同。以 Canva 的营收规模，很难把 AI 产品作为核心业务放出来。它原来只收 10 美金订阅费，绝对不希望大家都用 AI，因为这会导致毛利率从 95% 掉到 50% 甚至更低，营收受损太严重。巨头要等 AI 产品能占到核心营收的大头，才会给予同等量级的定位。他们也在内部不断做尝试，比如 Canva 就招募了一个在 AI Coding 设计方向很牛的人。

至于其他公司，其实已经有产品在像素级抄袭我们了。连我没想明白的核心逻辑、UI 结构全抄了一遍，甚至连我想砍掉的功能都抄过去了。结果他刚抄完，我们新版本迭代就把那些部分砍掉了。

Founder Park：换个角度，如果你站在 Canva 的角度，你会怎么选？

Longyi：我当然是等一个足够亮眼的新产品跑起来后再去做，让他们先探索，到一定量级再去收购。

Founder Park：内部转型的压力确实比收购大多了。

Longyi：对。比如 Canva 市值两三百亿美金，如果有公司很快做到四五十亿，可能就像 Meta 收购 Instagram，内部孵化不一定成，不如直接买。对于 Adobe，Adobe 在狙击 Figma 和 Canva 上做了很多尝试。Figma 火了之后，Adobe 也很快跟进，出了他们的产品叫 Adobe XD，做 UI 原型设计，价格上更像 Figma。但他们做的那个差距就很尴尬，后来好像已经直接废弃了，所以后来才去收购 Figma，但又被反垄断调查了。

05

首次付费的关键是降低上手门槛

Founder Park：用户画像大概是什么样的？Seede 的人群更大众，离 AI 重度用户远一些？

Longyi：我们关注的用户主要是内容创作者、小商家运营、海外电商，还有自媒体或创业者。目前 90% 收入来自 C 端。主要场景是社交媒体、广告营销以及活动海报。

心智上，我们的用户一方面是接受新鲜事物的年轻人，另一波是中年人，门槛足够低让他们也能做。用户中位数在 30 岁左右。

还有一部分学生，学生群体跟 Canva 一样，对我们的未来发展很有帮助，但对商业化帮助有限，因为同样的产品，让学生付钱比较困难。国内大学生生活费有限，如果每月收 99，我大概率也不会买。未来我们也计划针对教育用户提供更多免费额度。

Founder Park：长图、海报、社媒图片的比例大概是多少？

Longyi：长图挺多，占 40% 左右；活动海报和社媒各占 20% 多；PPT 最近用的人也挺多，占比 10%。剩下就是易拉宝、展板这种线下物料。

Founder Park：画布形态对于你们的目标用户有门槛吗？

Longyi：我觉得现在的设计不算有门槛。为什么做画布？因为设计领域需要一个东西承载设计空间。画布是基础，不一定需要无限画布。有了画布，你才能放大看细节，缩小看总体感觉。所以一个可以缩放的空间是必须的。

无限画布是在这个基础上组织堆叠更多元素。但考虑到大多数用户没用过无限画布，我们早期虽然引擎是无限的，但只提供简单的垂直布局，通过上下滑动来交互，这套模式仍然是我们默认的模式。当然，也有不少熟练用户在用无限画布模式，方便组织复杂的多页内容。

无限画布其实是触控友好的，但我们 70% 的用户是 Windows 键鼠用户，所以我们现在让键盘鼠标也可以通过上下滑动轻松控制。对于有经验的用户，我们会推荐他用无限画布。

另外一个有意思的点是，用 iPad 做设计的用户也有，我们在纯触控设备上也会做一些优化。

Founder Park：默认有限画布，熟练后轻易切换。

Longyi：对。画布是所有视觉设计类的基础载体。我们现在也在把画布和对话这两部分进一步融合，把「所见即所得」的理念进一步 AI-Native 化。比如，传统设计工具的目标是让你选中元素，去调整属性。我们的思路是，你选中元素，甚至不用选中，通过 AI 对话的方式，它去帮你调整属性。

比如一些专业设计师能把字体调得艺术风格非常好，但普通用户可能就只会加粗、换颜色，调不出来好效果。但 AI 可以理解所有的设计属性定义，根据用户的需求组合出一个良好的设计。比如用户说「我这想要一个火辣的标题」，那它可能会配出来一个比较红、带金色火焰风格之类的组合。

Founder Park：怎么判定用户生成的是「好设计」？

Longyi：其实现在整体还非常主观。说起来有点好笑，有个马来西亚华裔用户用我们产品跟我们交流，说「你们的产品审美很好，非常符合我们这种马来西亚华人的审美和用户习惯」。其实我们感觉并没有做什么特别的设定，但用起来就是感觉挺符合华人审美的。这可能是模型和我们自己团队审美的一个交叉点。

我们的思路是，在用户没有提供风格诉求的情况下，尽量让用户采用到我们精心匹配的设计。我们团队有两个核心部分，一个是审美，另一个是产品工程。所以我们希望用户在没有明确风格预期的情况下，会使用到我们预设的一些比较好的设计。未来我们把用户社区引入进来，可能在不同的地区、不同的场景，设计会更加本地化。但我们希望，我们平台至少都要比直接使用基模有更多一些风格倾向。这是一方面是我们的审美的独特性，另一方面也是和基模保持一定的审美偏差。如果同样一段提示词，在 Gemini 生成和在 Seede 生成一模一样，那我们就没有特别多独特价值了。

Founder Park：你们付费流程是怎么优化的，可以详细说说吗？

Longyi：我们做得其实很简单，就是观测用户从进入官网、注册、得到第一个设计作品、到最终导出的全链路。早期版本基准就比较高，因为 AI 减掉了上一代产品的搜索填充流程。但我们发现如果把上手门槛进一步降低，整体转化率还能提高。

核心优化几个点：第一步是引导用户知道这个产品能干什么，我们有场景引导，让用户快速得到第一印象。在产品层面我们只提供相对简单的定制，更多是利用模型的 Coding 能力，组织好 Context 让它生成对应领域的设计。第二步是优化首次生成效果，我们内部叫 One-shot——如果生成出来非常丑或者画面混乱，用户直接就走了。

第三是把免费试用从 5 积分提高到了 10 积分。5 积分只能用高级模型生成两次，10 积分能让他用高级模型生成 5 次以上，对产品的理解会更深。

如果进一步把付费墙做好，付费率应该还会更高。但是我不希望让 Seede 这个产品过于商业化，现在还在打磨阶段，不希望在商业化上那么激进。因为我们是积分制，不同的设计、素材用量消耗不同。有的用户用得猛，其实是微亏的。

06

关注用户做了什么，

而不是说了什么

Founder Park：现阶段对于国内产品，你会看重哪些指标？

Longyi：核心关注付费、激活和留存。留存的话，我们现在的周度和月度留存，在同类工具里是比较顶尖的。

我们有几个关键阶段的数据：从生成到导出的流程，包括观测导出率、导出场景、分辨率和格式。另外我们会算每天新增用户的 ARPU，去看付费意愿。还有一个很关键的指标是错误率。

Founder Park：错误率怎么判定？是用户点了「不喜欢」，还是系统出错了？

Longyi：「不喜欢」这个设计我们早期有，后来砍掉了。之前跟模型团队交流后发现，像豆包这种 Chatbot，用户点的「Yes/No」的数据噪声太大，没有那么大用处。我们更关注实际的交互。有的设计不错，用户点「不满意」只是个人审美问题。所以我们关注更真实的「导出」行为。

单页面项目至少得导出一次，我们才知道他可能是真的要采用。复杂项目他会反复做小调整再导出，我们能从这种数据节奏观测满意度。还有基础交互，比如把某些东西反复拖来拖去，我们能推测出他对 AI 结果里哪些地方觉得不够好。目前我们 90% 的精力都在「One-shot」的优化阶段。

Founder Park：One-shot 的优化具体做了哪些事？

Longyi：我们在这件事上投入是最多的，而且持续做了很久，主要拆分成三部分。

第一，最重要的是模型基础。所有 AI 产品 80% 的效果都归功于模型，没有好模型，AI-Native 产品就是空中楼阁。

第二，剩下的部分里，60% 投入在 Context Engineering 上。首先得保证代码正确，Agent 输出代码没有致命错误的概率，我们内部优化后在 99.5% 到 99.8% 左右，当然这也取决于不同模型。

如果它输出的东西不能被正确地运行，用户看到的就是空白。所以我们做了几件事：在 Context 层做一些 Badcase 的验证，通过评估知道哪些模型容易犯某些可以被修复的小错误，然后让它避免出现。解决不了的部分，我们会在模型生成产物后，用算法去做代码修复。如果算法也搞不定，比如一些很致命的语法错误，我们又会引入一个专门做 Hotfix 的 Agent，去做异常代码的检测和修复。我们发现，如果一个模型老犯某个错误，你让它自己去修，大概率也修不好，所以这里也得搞成混合模型的模式。这就基本解决了稳定性。

第三，如何让它生成的东西好看。我们让设计师按场景去做了一个内部叫「审美数据库」的东西，把很多好看的设计做了拆解，把一些通用的部分，比如版式设计、元素风格、配图风格等维护成了一个库。最近我们又在参考像 Claude 的模式，把这些进一步抽象成了 Agent 在设计层面的 Skill。也就是说，一个好的模型可能基础是 60 分，但叠加了我们由设计师精心组织的上下文或者 Skill 之后，整个设计能力能从 60 分提升到 80 分。

Founder Park：上下文工程的核心包括哪些？

Longyi：我们在设计 Memory 概念，包含用户记忆和项目记忆。通过多次交互，积累用户的审美倾向。因为我们是无限画布，也能累积到项目层级的风格。

不过，用户的 Memory 一直都还没有上线，我们在海外的新产品 Veeso 上想更好地做一次架构升级，顺带就会把这些加上。Veeso 上的 Context 和 Memory，除了项目级和用户级的 Memory，我们还全新规划了一个自研的 Agent。

Agent 运行在浏览器中，面向的是我们的设计工具，我们自己全新设计了一个基于文件系统的 Agent Loop，并且为它设计了很多面向设计任务领域的 API，让 Agent 能够充分理解到它是在一个无限画布、一个视觉化的编辑器里工作。这和很多其他领域的 Agent 区别还挺大的。

整体架构上，我们参考了 Claude Code、OpenClaw 的概念，只不过是让它运行在浏览器和编辑器中。上下文最核心的部分，还是我们的设计师调教出来的设计 Skill。至少包含两部分，一部分是它在这个场景的工作模式，另一部分是一些拆解下来的风格。我们没有用像 RAG 那种生硬的方式，而是类似 Agentic Search 的模式，让 Agent 根据用户的意图，在我们的设计审美数据库里面，更加智能化地去做语义搜索和匹配，拿到相关的 Skill，甚至可以做混合。比如做一个会展活动的易拉宝，那它得知道什么是「会展活动」，什么是「易拉宝」，有了这些 Skill 之后才能输出一个专用于会展活动的、专业的科技风格的易拉宝。

Founder Park：你们会对基模做强化学习吗？还是核心在工程能力？

Longyi：还是在 Context Engineering 上。这样不管哪个模型只要能力强，随时可以拿来用。我们现在应该更多做「模型解耦」，不去基于某个模型做定义、做 fine-tune。我们这种场景，用纯外挂式的 Context 就能解决。

Founder Park：也就是说你们不会被任意一个模型绑定，只要有最强的，随时可以拿来用。

Longyi：对，我们的上下文是跨模型共享的。

07

如果回到最初，

第一步就出海

Founder Park：国内这边，你们前期增长主要来自哪些渠道？之后有什么调整？

Longyi：现在基本没做增长，主要靠自媒体和口碑。我们的策略是再打磨一下产品，等海外新产品 Veeso 发布后，再让 Seede 在国内做正常推广。

我们在 12 月才勉强做了第一次花钱的营销。市场团队去跑内容合作流程，找达人、谈内容、发视频、观测效果。投了 1.5 万预算，聊了十多个 KOC，效果非常好。我们走更真实的 KOC 路线，因为用户更偏传统渠道，可能对技术、对 AI 产品关注都不是那么多，反而是办公场景、电商运营、学生这些。算下来我们的 ROI 非常好，应该投了 1.5 万，新增了三四万的付费收入。

Founder Park：如果国内已经跑通 PMF 且毛利为正，为什么现阶段要去铺海外？

Longyi：做海外有个关键点，就是得尽早启动，产生初步声量，这个时间点非常关键。如果我现在专注国内做大半年再去做海外，这个时间差会让海外同类产品先触达关键传播节点，让大家先入为主。

我们产品有必要尽早面向海外。要进入主流用户市场，可能得花三四个月甚至更长时间去测试、找曝光渠道，所以得尽快搞定。

如果海外版能达到像国内 Seede AI 一样，每天都有大量用户实时反馈，那收入上会有巨大不同。同样的精力，在国内可能赚 10 万人民币，在海外可能是 10 万美金，甚至可能会更高，汇率和付费意愿都有区别。出于团队稳步发展考虑，把海外跑通是最高优先级。对于国内，我希望它良性发展，到今年年中，Seede 能通过营收覆盖国内研发团队的一部分支出。

Founder Park：在你的规划里，海外和国内产品在付费模式、设计上有大区别吗？

Longyi：是的。比如海外我们会切换成订阅制加 Usage-based 的增量模式，而不是简单的纯积分制。这样收入更稳定，高频用户体验也更好。国内很多高频用户也在问多久出包月或年费。另外在 Agent 架构这块，我们在新产品上做了新架构，不影响 Seede 已有用户的体验。等新架构跑得相对稳定，再放到国内的升级版本上。

它是全新的产品，可以放心大胆改造。可以认为海外版是全新的 2.0 版本，没有历史包袱。

Founder Park：如果有机会回到 2025 年初重新开始做 Seede，你会做出哪些不一样的决策吗？

Longyi：会。而且这个「如果」我最近确实想过很多次。

我可能会在工程上做好一定的基础之后，更早、更激进地去做一些市场的东西。作为技术出身的创始人，我的本能是把产品打磨到「足够完美」再推向市场。但这一年走过来，我们验证到一个非常亮眼的 PMF——用户不仅喜欢我们，而且愿意为「掌控权」付费，愿意为「生成即编辑」这种看似反直觉的体验买单。

如果重来一次，我会更早相信：当你的直觉告诉你这件事是对的，市场的反馈会比你的工程标准更早到来。

Founder Park：会尽快第一步就出海吗？

Longyi：有可能，可能会更加激进地去做出海。

现在回头看，视觉语言是没有国界的。我们做的「内容优先、设计随行」这件事，本质上是在解决一个全球性问题：当 Agent 开始大规模生成信息，人类怎么「看懂」这些信息？这个问题在中国存在，在美国、欧洲、东南亚同样存在。

因为人类理解世界的方式是视觉，所以抢占瞳孔的机会窗口是全球同步的。Seede 要做的就是面向全球用户。海外版 Veeso 的发布，就是我们对这个判断的回应。

Founder Park： 你希望 Seede 成为一个什么样的代名词？

Longyi：我希望我们是第一个面向 Agent to Human 时代的「场景化视觉界面」。

当 Agent 拥有世界上最聪明的大脑，把全世界的信息都挖出来、想清楚了，它最后是怎么给到你的？人类不读 JSON，不看向量——我们理解世界的方式是视觉。

Seede 不做另一个设计工具，而是一个界面层：一端接入 Agent 输出的任何信息，一端输出人类可本能理解的视觉语言。就像 GUI 是人与操作系统的界面，Seede 是人与 Agent 世界的界面。

今天我们能做一部分 Canva、Word、Excel 的事，因为信息本身就是多样的。但那些工具是为「人类生产内容」的时代设计的，Seede 是为「Agent 生产、人类消费」的新时代而生。

我希望未来人们提到「把信息变好看」的时候，想到的不是某个工具，而是一种格式、一种界面、一种本能——就像今天提到「把文字排整齐」会想到 Word。

我们有机会成为一个新的名词，或一个新的文档格式：帮助每个人美化手上的信息，无论它来自哪里，无论它是什么形态。

文章来自于“Founder Park”，作者 “Founder Park”。