创业快三百天,做过的10个选择:一个AI应用创业者的真实复盘

AITNT-国内领先的一站式人工智能新闻资讯网站
# 热门搜索 #
创业快三百天,做过的10个选择:一个AI应用创业者的真实复盘
8430点击    2026-05-30 10:06

SophiaPro 成立于 2025 年 6 月。


最早,他们做的是一款叫 Karis.im 的 ToB 产品,给出海企业提供市场营销数字员工。后来转向 C 端产品,先是做了浏览器插件 TryClico,最近又推出了桌面端产品 Invoko.ai,一个长在 Mac 灵动岛位置的 notch 工具,帮用户在不同 app 之间自由切换上下文。


创业快三百天,做过的10个选择:一个AI应用创业者的真实复盘


在这背后,创始人程梦琪在近 300 天里,经历了多次产品、方向上的 pivot。从垂直 Agent 到 workflow,从 ToB 到 C 端,从营销 Agent 到浏览器插件,再到桌面客户端,她几乎把 AI 应用创业能踩的坑走了个遍。


最近,她在锦秋小饭桌 × Google 的活动上,分享了她的 AI 应用创业心路历程。这些纠结、选择,可能是每一个做 AI 应用的人都正在面对的。


以下是程梦琪的分享,内容转载自「锦秋集」,略有删减与调整。


我们创业大概一周年。这一年我们从垂直 Agent 转型到了 C 端产品,中间几乎把 AI 应用创业能踩的坑全踩了一遍。很多坑是当时觉得逻辑上绝对正确,后来发现全是错的。


我把这些选择一个一个摊开来讲。不是因为我找到了正确答案,而是这些选择题,可能每一个做 AI 应用的人现在都在面对。


01 


General Agent 还是 Vertical Agent?


去年 5 月,我们开始创业。当时最火的是 Manus,市面上已经出现了十几个「我也是 general Agent」的产品,人均发一个 launch video。


我们做了第一个决策:不做 general Agent,做 vertical Agent。逻辑很通顺,赛道太挤了,而且所有人都说 Manus 迟早被基模吃掉。我们找更聚焦的问题、更聚焦的场景,去交付比通用 Agent 更好的局部结果。


这是我后来复盘认为最大的一个错误决策。


不是说垂直 Agent 这个方向本身一定不成立,也许某些垂类比如合规之类是可以的。但我们做了六个月之后发现,大部分垂类 Agent 公司都面临一个结构性困局:你的客户其实不用你的产品,但你又想挣钱,最后就变成你出人去服务他。垂直 Agent 公司在过渡阶段都被迫变成了 agency。


我在旧金山聊了大概一百家做类似事情的公司,大家的困境都一样。


更极端的案例是:有些公司的 Agent 产品就是给投资人看的,交作业用。真正挣钱靠服务。内部做服务的人自己都不用那个产品。


如果时光倒流,真的回到去年 5 月,也许就应该做个 general Agent。起码你能积累一大批用户的 query,知道 C 端用户的行为。也比你做了六个月 ToB 发现此路不通要好。


02 


选哪个垂直场景?


既然决定做 vertical,就得选一个方向。我们画了三个圆,自己的经验、市场大小、Agent 擅长的事,选了营销。我以前在 TikTok 做过海外市场,这是背景上的原因。


但我们当时还讲了一个更性感的故事:coding 有明确的 reward 信号,数学也有,那下一个有点反馈信号的领域是什么?是 marketing,因为你发的内容天然有曝光和互动率,你能拿到信号来训模型。


这故事我当时讲了一百遍。现在听到别人讲类似的,我都想笑。创业公司做个毛线的训练。你确实有这样的数据,你也确实能训。但你训出来的东西,基模厂商随便改一改,比你带来的收益大多了。


我后来反复想为什么当时每一步都觉得自己对。答案就两个字:虚荣。我不是在基于市场需求做决策,是在基于「我得装一下」做决策。刚拿到融资都是创始人的愚昧之巅,觉得自己太聪明了,太能造概念了,太能融会贯通了。


所以我这里下一个暴论:大部分纯应用的创业公司不要招算法。你用不上。快放人家去训模型吧,你让人家在你这干什么?纯属给投资人看阵容。


03


在营销里选哪个切入点?


我们先选了达人营销,帮品牌找 KOC 做推广。当时想的是,你找明白了达人,就能找明白候选人、专家、客户。Sourcing 是一个能泛化的能力。


做了两三个月发现,sourcing 这件事百分之七八十取决于你 API 和数据质量。我们花了一万多美金买了很贵的达人数据库,但本质上你就是在用别人洗过的数据、做了一个跟人家差不多的界面。


更要命的是,sourcing 只占用户整个工作的大概 30%。你选了价值链上最简单的部分来做,后面来回聊、谈价格、跟进交付,这些最浪费人力的环节你都 skip 掉了。


当 sourcing 这个点的价值不够 strong 的时候,我们面临了一个选择:是横着打,把 sourcing 能力泛化到找候选人、找客户?还是纵着打,在达人营销这一个场景里做深?


我们做对了这个决策,选了纵着打。逻辑很简单,我当时想了一个比喻:我现在掌握了面粉和鸡蛋,我要开个店,你说我卖大饼加鸡蛋和意大利面,都是面粉鸡蛋做的,很 make sense。但你见过谁同时来你店里说「给我一份大饼加鸡蛋,再给我一份意大利面」吗?


横着打 sourcing,找达人、找候选人、找客户,这几个场景之间几乎不可能交叉销售。什么人会同时有这些需求?只有 founder。但 founder 自己是不会用产品的。


04


Agent 还是 Workflow?


第四个选择:


这是去年 6 月几乎所有 Agent 创业者都要做的技术决策。


我们公司当时的算法合伙人是从 OpenManus 出来的,他说做 Agent,Agent 最领先。我非常坚定地选了 Agent。


做到后面非常痛苦。Agent 不稳定,同一个问题问两次给你不同的答案。你没法跟客户保证结果的一致性。


今天让我重新选,哪怕现在所有人都知道 Agent 更先进,我选 workflow。


因为这是一个 ToB 产品。ToB 客户要的不是最领先的技术,是「你稳定给我答案,我第二次问你同样的问题,你不要给我不一样的结果」。考虑成本、速度、质量、交付稳定性、客户不要跑出来骂你,workflow 都更合适。


当时为什么没选?就是技术虚荣心。我是 AI 创业者,我怎么能选 workflow 呢?


这个世界很参差。对大部分企业来说,能把 workflow 用上就已经解决大部分问题了。


05


听专业用户还是听非专业用户?


产品上线之后,两类人给我们提需求。


创始人说:你别跟我讲中间要点什么、按什么,我什么也不想按,你给我结果就行。


公司里专门负责达人的人说:不行,中间需要可审计,这一步需要我确认了才能继续,这些指标我要自己定义。


两类人的需求完全不一样。当时市面上很火的概念是蒸馏专家经验,把高认知能力浓缩成产品,再卖给非专业的人。我们觉得应该先服务专业用户,把他们的经验蒸馏出来。


这又是一个错误。


你一旦选定服务专业用户,你就是在给他做工具。你问一个专业剪辑师他需要什么样的 Agent,他会一直给你提需求,直到你长得跟 Adobe 差不多他才收手。专业用户对过程的把控非常严谨,所以这条路必然走向 SaaS。


有一天我对比了一下我们的产品和这个行业里八年前创业的 SaaS 公司的界面,长得几乎一模一样。那一刻我觉得完蛋了,你创了半天业,把人家 SaaS 走过的路又走了一遍。


06


ToB 做不动了,


要不要硬撑?


做到 12 月的时候,信号已经非常清晰了。


我们在帮 Manus 做增长,如果 Manus 用不明白我们的产品,中国没有任何公司能用明白,因为 Manus 是我见过的最 AI native 的组织。他们都用不懂,那一定不是他们智商不够,一定是我的产品和商业模式错配。


同时我发现,我们公司 40 个人,团队的性格更适合做 C 端。我发现这件事的契机是:我们有个同学在服务大客户的时候,在群里跟客户抬杠。客户说 CPM 太高了,他说不高啊。客户说你能不能找低一点的,他说这已经很低了。永远在抬杠。


我以前做 ToB 的时候,只会说「卑职收到了,卑职遵旨」。被包养就不要谈独立人格。但我们的同学做不到这个,他们性格上就不是干 ToB 的人。那段时间就我一个人在舔客户。


2 月份我跑去旧金山,把那边做垂直 Agent 的公司聊了一遍。大概一百家公司,困境都很相似。而且我发现大部分创业公司连基本的 ToB 组织都建不起来,我问他们你知道 CSM 是什么吗,一半人不知道。很多技术背景创业者对 ToB 的理解就是「我身边有两个朋友我劝他用一下」,互相买、互帮互助刷到 100 万美金 ARR。但到了 100 万之后,集体性的迷茫。


这是一个结构性问题:你的产品模式是 Agent,但你的商业模式是 ToB。ToB 在中国是贬义词,在美国华人做的天花板也非常明显。而且 ToB 吃不到新模型带来的能力跃迁和红利,你能吃到的最大红利是内部 coding Agent 更强了、开发更快了,但你的产品解决客户问题的效率有没有 10 倍增长?没有。


我那时候做了一个判断:如果做 ToB,我不应该创业,也不应该融资。我以前做过几年 ToB,有客户资源有行业关系,不需要融资也能做。创业应该追求高赔率的事。


07 


转 C 端,


做什么产品?


在 ToB 还没有正式停掉之前,我已经让一部分同学开始试水 C 端。因为团队的士气和信心是不可再生之物,你没办法突然有一天说「全部推翻,从头来」。


大概 1 月份的时候,有个小组做出了一个浏览器插件叫 Clico。功能极其简单,你浏览器开了一堆 tab,它让你 chat with tabs,把各个 tab 里的信息 retrieve 出来。你在写文档的时候可以直接说「把那个网页里关于 use case 的信息放到我这个文档下面」。


我当时内心觉得这不值得做。太薄了,做产品一上来三连问:核心竞争力是什么?跟竞品区别是什么?解决的核心问题是什么?这个产品只能回答第三个问题,前两个完全回答不了。我能说出 100 个一模一样的竞品,Grammarly 早就在做类似的事了,7 亿用户。


但我没说出来。怕浇灭大家的小火苗。


结果这个产品增长很不错,有很多自发传播。有些学校的学生用了就不停向同学推荐,某些学校里几百个我们的用户。


我自己也开始用它,然后我理解了为什么它有价值。以前你想让 AI 帮你写一段话,你要截图、发给 ChatGPT、写 prompt、等返回、复制回来。Clico 就一个按钮,你按下去就行,不用写任何 prompt,按钮本身就代表了你的意图。


只要你能缩短用户意图和解决方案之间的距离,你就有价值。


2026 年了,翻译还是问题吗?当然不是,这事根本不难。但到今天好多用户跟我们说,没有一个好的本地翻译划词产品。彩云小译为什么还活着?就是够方便、在你手边。


这个认知对我的冲击很大。以前我做产品脑子里全是差异化、核心竞争力、技术壁垒这些概念。但 C 端用户要的东西很朴素:好用、快、在我手边。


08


要不要做客户端?


Clico 有个天然的局限,它是浏览器插件,只能在浏览器里运行。你想跨飞书、跨 Slack、跨 Gmail 做事,做不了。


所以我们顺理成章地决定做桌面客户端产品 Invoko。一个长在你电脑灵动岛位置的 notch 产品,因为是全局的,天然适合做 context switching,你不需要在不同 app 之间来回划屏幕找信息了。


这个决策我不后悔,但我要提醒所有人:小团队不要轻易做客户端。


这东西太难做了。你要适配不同的 Mac 版本、不同的芯片型号。Reddit 上天天有人跟我们说「什么时候出 Intel 版?我们用不了,天天看你在那吹」。你要不要去适配 2021 年那一年卖的 Intel 芯片 Mac?你还没做 Windows 呢,你的增长流量出去了,发现一半是 Windows 用户,白做了。


到昨天晚上我们上了第 49 个版本,大概一两天一个版本,做了快三个月。


我有一个理论:软件不是你在本机能运行就完了。本机能跑跟上 production 是两回事,上了 production 跟能挣钱又是两回事。三级阶梯,一级比一级高。而且软件更像一块草坪,修剪费用比当初买草皮还贵。


但正是因为它难,我反而不焦虑了。三月份的时候我焦虑到快裂开了,觉得谁干软件谁神经病,你任何一个 idea,Cursor 能做、Claude Code 能做,投资人第一句话就是「我一个 skill 就能干你」。我甚至后悔去年为什么不讲个具身的故事,讲一个三四年不可证伪的方向。


但做了这个客户端之后我发现,它就是由 15000 个细节组成的。你一个一个把屎吃掉,多吃一个用户体验好一点。一个人说「我一周就能做出来」的东西,你做了 49 个版本还在修。这个事没有捷径,所以我反而踏实了。


09


怎么验证需求?


做 C 端之后最大的变化是我们认真做用研了。


我们最大程度用好了 Reddit。不只是去上面挖数据,那只能给你静态结论。我们做的是:每一个产品决策都拆成一个决策漏斗,每一层对应要发的帖子。这个需求是不是真需求?用户愿不愿意付费?现在的解决方案是什么?现在的方案哪里不好?每个问题发 40 到 50 个帖子出去,回收反馈。


我们甚至在美国线下 BD 了一批真人 Reddit 用户,不是供应商养的号,是真正在 Reddit 活跃了三年的人,。我们不做红蓝对抗,不跟 Reddit 安全团队 PK。就是找真人帮我们验证场景。


一泡在 Reddit 上你就不焦虑了。因为你会发现 AI 这么牛了,大量的问题还是没有被解决。Context switching 这事,每天都有人在吐槽说脑子要分裂了。


另一个很大的变化是:学会了克制。


我是 ENFP,非常发散,恨不得一天给产品提 800 个方向。之前做 ToB 那个产品就是这样,客户说做达人营销,做完说你能不能顺便做搜索类信息?然后 GEO 火了,客户说也做了吧。一路跟着需求走,做成了菜市场。


中国人特别喜欢菜市场式做产品。你看淘宝再看任何一个海外电商;看携程再看 Booking。中国人觉得我这么多菜必须全摆出来,不然你就走了。海外用户接受结构化信息,先看第一层,再决定要不要进第二层。


Invoko 如果你下载了,会发现功能非常少。不是没做,大概只上了我们做了的百分之二三十。在之前那个产品上我们得到了教训:不要菜市场。


10


怎么找到好的商业模式?


有意思的是,我们不做那个 ToB 产品之后,ToB 业务反而挣钱了。


因为我们要给 C 端产品做增长嘛,增长同学被迫继续用之前的 Agent 工具。用着用着,把一些经验提炼成了 skill。这个 skill 比之前那个正儿八经的 ToB 产品好用得多。


为什么?因为以前我们是拿着客户的离散需求在做,客户今天说两句,明天没空理你,一周后再说三句,context 是断裂的。但现在我们自己就是用户,自己的需求最完整、最直接、每天都在用。


这个 skill 每天增加七八个细节,比如给达人发的邮件前 9 个字是雕琢过的,因为达人打开邮件前只能看到前 9 个字。你每天加 10 个细节,加 3 个月,就没有人能 compete 你。


以前我们恨不得大跃进,这个版本月底上、那个版本什么时候出。但你从来没有真正有时间、有一个持续有需求的人给你完整的 context,让你把一个 skill 打磨好。


这个 skill 做出来之后,分享给了一些兄弟公司,大家都说好用、能不能卖给我。一个客户的需求过来,我们同学直接转发给 Agent 跑,跑完把结果发给客户,基本没有人力损耗。客户原来找 agency 起码两到三倍的报价,用我们便宜一半。


我终于找到了做 ToB 产品的正确路径:不是大跃进式 rush 一个版本交作业,而是你自己先有需求、自己用到好,然后外溢给别人。这是一个过程产品。


11 


几个可能有用的判断


讲完了踩坑,说几个我现在的想法,不一定对。


关于 OPC(一人公司)。 OPC 是趋势,但不是现实。现实中 OPC 很少,挣到钱的 OPC 更少。他没挣到钱凭什么给你钱?做独立开发者的生意很艰难,因为独立开发者首先要自己吃饱,才能拿一点钱出来跟你一起搞。而且最有信息获取能力的那批人,大概率自己就能把 Claude Code 用得很好。


关于速度。 我特别讨厌 quick win。一个好的 skill 一定是调很久的,一个好的客户端产品一定是磨很久的。我特别抵触那种「我做了个很牛的东西」到处发朋友圈发小红书的心态。你真有人用、用了有效、上线了好使,比吹牛难 100 倍。所有落到生产级别的事,都比讲概念难 100 倍。


关于情绪价值。 效率工具关注的是你的问题。但我想做一款产品,不只是解决你的问题,不解决问题我就是一个只提供情绪价值但不靠谱的下属,没意义,同时我在乎你是谁、在乎你今天心情怎么样。DAU 不是一个四位数、八位数的数字,背后都是人。我们请了很多美国设计师来打磨情绪价值的部分,用户说「有些细节能感觉到你们很用心」。比如所有客户端产品都面临隐私问题,用户隐私协议全是字没人看,我们做了一个漫画来解释数据怎么存储。


关于公司组织。 我们现在没有产品经理。不是不需要这个角色,是在这个时代我还没想好产品经理应该干什么。研发流程是:用户报 bug,扔给 Agent,Agent 分配到研发同学本地的 coding Agent,自动修,人做测试验收。增长侧有各种 skill 在跑自动化。组织尽可能简单、沟通尽可能短,每个人都能 connect 到 repo。


关于软件的出路。 AI coding 越来越强,软件供给一定变多。大家的「货」都差不多,都是同样几家的 API。API 直出两块钱,你想卖六块,怎么办?我看到三条可能的路:一是品牌化,有品牌溢价;二是精选买手,你选过的 skill 就是比别人靠谱,你做胖东来;三是陪伴和情感连接,你不只是生产力工具,用户跟你有情感上的 connection。



文章来自于微信公众号 "Founder Park",作者 "Founder Park"

关键词: AI新闻 , SophiaPro , Karis.im , nvoko.ai
AITNT-国内领先的一站式人工智能新闻资讯网站
AITNT资源拓展
根据文章内容,系统为您匹配了更有价值的资源信息。内容由AI生成,仅供参考
1
OWL

【开源免费】OWL是一个完全开源免费的通用智能体项目。它可以远程开Ubuntu容器、自动挂载数据、做规划、执行任务,堪称「云端超级打工人」而且做到了开源界GAIA性能天花板,达到了57.7%,超越Huggingface 提出的Open Deep Research 55.15%的表现。

项目地址:GitHub:https://github.com/camel-ai/owl

2
OpenManus

【开源免费】OpenManus 目前支持在你的电脑上完成很多任务,包括网页浏览,文件操作,写代码等。OpenManus 使用了传统的 ReAct 的模式,这样的优势是基于当前的状态进行决策,上下文和记忆方便管理,无需单独处理。需要注意,Manus 有使用 Plan 进行规划。

项目地址:https://github.com/mannaandpoem/OpenManus


3
AI漫画

【开源免费】ai-comic-factory是一个利用AI生成漫画的创作工具。该项目通过大语言模型和扩散模型的组合使用,可以让没有任何绘画基础的用户完成属于自己的漫画创作。

项目地址:https://github.com/jbilcke-hf/ai-comic-factory?tab=readme-ov-file

在线使用:https://aicomicfactory.app/

4
智能体

【开源免费】AutoGPT是一个允许用户创建和运行智能体的(AI Agents)项目。用户创建的智能体能够自动执行各种任务,从而让AI有步骤的去解决实际问题。

项目地址:https://github.com/Significant-Gravitas/AutoGPT


【开源免费】MetaGPT是一个“软件开发公司”的智能体项目,只需要输入一句话的老板需求,MetaGPT即可输出用户故事 / 竞品分析 / 需求 / 数据结构 / APIs / 文件等软件开发的相关内容。MetaGPT内置了各种AI角色,包括产品经理 / 架构师 / 项目经理 / 工程师,MetaGPT提供了一个精心调配的软件公司研发全过程的SOP。

项目地址:https://github.com/geekan/MetaGPT/blob/main/docs/README_CN.md

5
prompt

【开源免费】LangGPT 是一个通过结构化和模板化的方法,编写高质量的AI提示词的开源项目。它可以让任何非专业的用户轻松创建高水平的提示词,进而高质量的帮助用户通过AI解决问题。

项目地址:https://github.com/langgptai/LangGPT/blob/main/README_zh.md

在线使用:https://kimi.moonshot.cn/kimiplus/conpg00t7lagbbsfqkq0