硅谷 AI Demo Night 现场实录：我刚看完 10 个产品，有些连域名都还没注册

今晚活动结束不到半小时，我从旧金山 Jackson Square 的 Canopy 办公室四楼走出来，脑子里还在转。十个团队，每人上台做 live demo，直接把产品打开给大家看。我觉得这个形式非常好，它逼着每个人真的做出来，而不是靠一叠 deck 撑场面。

在进入正题之前，我想先说一件事。我最近在湾区这边，正在找 sales BD 方向的人才。如果你做过 SaaS sales、懂 SMB 或 agency 市场、或者有渠道资源，欢迎来找我聊。湾区这边直接约个 coffee chat，访问yoya.ai/leo

回到今晚。这场 AI Demo Night 由 ClickHouse、MongoDB、Langfuse、LibreChat 四家联合主办，到场的都是真正在做东西的开发者和创始人。有意思的是，其中好几个产品新到什么程度？域名都还没注册，直接用 vercel 的链接上台演示。你可能觉得这是不成熟的表现，但我的理解恰恰相反。这说明他们是真的在做，边做边打磨，而不是等到一切都完美了才出来。这才是硅谷 builder 文化的底色。

十个 demo 里，覆盖方向非常广：数据库工程、医疗数据分析、销售 AI 工具、视觉媒体管理、游戏开发、中小企业 AI 员工、并行 agent 开发……我原以为今晚会是清一色的 agent framework 和 RAG 工具，结果发现每个团队的出发点完全不同，很多都是从自己真实遇到的痛点出发开始做的。这让我觉得，AI 创业的机会真的藏在各个角落里。

用 AI 给数据库做"手术"——Apify

第一个上台的是 Martin，来自 Apify。Apify 是一个 AI agent 平台，用各种工具帮企业从社交媒体、网络等来源抓取和分析数据。你可以把它理解成一个大工具集，里面有各种 agent，能从 Twitter、Google Maps 这些地方把你需要的数据取出来。

他演示的不是 Apify 本身有多厉害，而是他们内部最近遇到的一个工程危机，以及怎么用 AI 解决它。问题是这样的：Apify 这段时间增长极快，每天的任务执行量从 5000 万次涨到了超过 2 亿次，差不多每秒 8 个任务在跑。这个量把他们 MongoDB 的单个 shard 给撑到了极限，数据库里有些集合的大小从原来的 60GB 暴涨到了接近 2TB，而且不止一个集合是这种规模。他们预估，大概还有两个月，系统就会真的撞墙。

解法是做数据库分片，也就是把数据拆分到多台机器上分散负载。听起来不复杂，但实际操作起来坑非常多。选哪个集合先做分片？分片键怎么设计？在分片集群和非分片集群之间，某些命令的底层行为有没有差异？这些问题如果搞错了，代价极高。

他们做的第一件事是让 AI 分析 MongoDB 的 profiler 日志，找出哪些集合负载最高、哪些查询最慢。AI 给出的结论不只是"这个查询慢"，而是从整体负载分布的角度告诉他们应该先分片哪个集合，逻辑清晰。

更有意思的是第二步。他们让 AI 直接去读 MongoDB 的源代码。因为 MongoDB 是开源的，所以这件事是可行的。他们想搞清楚，某些命令在底层究竟是怎么运行的，在分片和非分片集群下行为是否有差异。结果 AI 真的找到了文档里没有详细说明的行为差异，原来在分片集群里某些命令的表现完全不同，但文档里只有一句模糊的注释，没有任何具体说明。这种隐性知识，以前需要靠资深工程师踩过坑才能积累。

他们还加了第三层保障：每次有新的 PR 改动了 MongoDB 相关的代码，AI 会自动扫描，确保新代码没有违反分片规则，相当于给数据库操作加了一个 AI 审查员。

这个 demo 让我看到的东西，不是"AI 帮你写代码"，而是"AI 帮你读懂复杂系统的内部逻辑"。很多工程问题难就难在你不知道规则是什么、边界在哪里。而 AI 现在可以把这些隐性知识翻出来，这件事以前要靠多年经验才能做到，现在几个命令就能搞定。

你的医生，有没有被药企"买通"？

第二个 demo 是两个人上台，来自 Bright Pattern 团队，产品叫 pharmatrail。他们一开口就抛出一个数字：2024 年一年，美国药企和医疗器械公司一共向医生支付了超过 132 亿美元，形式包括会议演讲费、咨询费、各种报销。

这笔钱是合法的，而且是强制公开披露的。根据美国的《医师支付阳光法案》，药企必须上报每一笔对医生的支付记录。这些数据是公开数据，任何人都可以查。

但问题来了。这份支付数据和另一份数据——医生的处方记录——是完全分开的两个数据集。你知道某个医生拿了药企的钱，你也知道这个医生开了哪些处方，但把这两件事放在一起分析，以前根本没有工具可以做到。这正是他们想解决的问题。

他们用 ClickHouse 把这两个数据集合并起来，建了一个可以高速查询的分析平台，查询延迟在 50 毫秒以内。demo 里他们给了一个非常具体的例子：德克萨斯州一位心脏科医生 David Bracker，从某药企收到了 6390 美元，那家药企生产一种叫 Jardiance 的降糖药。数据显示，他开 Jardiance 的频率比同类医生平均水平高了整整 7 倍。

他们还做了一个更直白的对比分析：Jardiance 和它的竞品 Farxiga 是同类药，在没有被任何药企付费的医生群体里，大概 78% 会选择开 Jardiance。但如果 Farxiga 的药企给这个医生付了钱，选择开 Farxiga 的比例会跳高将近 20%。这个数字背后的含义不言而喻。

他们还做了一个 MCP 接口，让用户可以直接通过 Claude 来查询这个数据库。完整的使用流程是：用户描述自己的症状，Claude 分析可能是什么病，列出可能用到的药物，帮你查找所在城市的相关医生，同时标注哪些医生接受了相关药企的资金，以及他们的处方数量相比未受资助的同行有多大差异。

我觉得这个产品有非常强的社会意义。它做的事情，是把一堆公开但散落的数据变成普通患者可以直接使用的工具。以前这件事只有学术研究者或调查记者才有能力做，现在任何人在就诊之前都可以查一下。这才是 AI 加数据真正应该服务的方向。

销售团队的"AI 记忆层"

第三个上台的是 Emmie，来自 Yuzu Labs，她做的是一个给 GTM 团队用的统一记忆层和上下文层，产品定位叫做"MCP for MCPs"。

她描述的问题我非常有共鸣。一个公司有 10 个销售，同时有 40 个 AI agent 在跑，这些 agent 各自连着 HubSpot、Notion、各种文档，但用的是不同版本的数据和素材。结果问 AI 同一个问题，会得到 10 个不同的答案。有人的 agent 在用过期的竞品分析，有人的 agent 把旧版 deck 当成公司最新方向。她还讲了一个真实案例，某个销售的 agent 连着 HubSpot MCP，有一天他说了一句"帮我针对这批新线索创建 400 个 deals"，agent 真的创建了 400 个，把整个团队的 pipeline 搞乱了。

她们的解决思路是：建一个统一的"AI 大脑"，作为 GTM 层面所有 agent 和所有人的单一数据源。所有 agent，不管是 Claude、Codex 还是其他工具，都统一接入这一层，从这里获取关于公司的所有上下文信息。系统会自动维护公司的品牌手册、ICP 定义、竞品分析、历史销售案例，并且有访问权限控制，你可以决定什么职级的人能看到什么内容，高级 AE 和 SDR 拿到的材料深度是不一样的。

他们在这个大脑之上还构建了一个叫"deal mover agent"的产品。它会主动分析你当前在跑的每一个 deal，告诉你下一步应该做什么，并且可以直接代替你执行那些动作。

我看到这个产品的第一反应是：它在解决 AI 协作的根本矛盾。当一个团队里同时有人类和多个 AI agent 在工作，如何保证大家用的是同一套信息？这个问题被很多人忽视，但它比"单个 agent 能力有多强"更关键。信息不一致的团队里，10 个 agent 只会放大混乱，而不是提升效率。这个问题只会随着 agent 数量增加变得越来越严重。

图片和视频的 Cursor

第四个 demo 来自 Wassim，他做的叫 Coreviz，定位是 vision AI 的媒体工作台，他自己的描述是"图片和视频的 Cursor"。

这个想法来自一个真实场景。他的朋友是一名法证分析师，每次去犯罪现场采集照片，只能把它们存在硬盘里。需要跨案件对比某种特征，比如同款鞋印，根本没有系统可以帮她做到，只能靠人工翻找。这个痛点触动了他。

Coreviz 的核心逻辑是：你上传图片或视频之后，系统会自动分析内容，生成描述、生成向量嵌入、识别人脸，把所有这些信息都存起来。之后你就可以对着整个媒体库用自然语言提问和下命令，就像跟一个懂这些图片的助手说话。

demo 里他展示了几个具体场景。一个是篮球比赛的照片库，他说"帮我把所有 20 号球员的照片打上标签"，AI 自动遍历所有照片，从每张图里识别球衣号码，批量完成打标。另一个场景是医疗影像，他上传了一张手部 X 光片，说"帮我分割这张图里的所有手骨"，系统会自动在它接入的 5 万个公开 AI 模型里找到合适的骨骼分割模型，跑出结果，每一根骨头都被单独标记出来。

他还演示了 AI 图片编辑：把一张普通产品照片说"给我转成 3D 渲染风格"，系统调用 Gemini 来处理，生成一张可以直接用在网站上的 3D 效果图，有版本管理，可以在不同版本之间切换。整个过程你不需要打开任何修图软件。

这个方向让我觉得确实有机会。AI 在文字领域已经有了非常完整的工具链，但在非结构化的多媒体数据上，还缺一个统一的交互层。法证分析、医疗影像、广告创意、摄影存档……这些场景里积累了大量人类无法有效管理的视觉数据，而 AI 现在已经具备了理解这些数据的能力，缺的就是一个把能力整合起来的产品。

不会编程，也能做游戏

第五个上台的是 Arturo，他在 Unity 工作了 10 年，然后出来做了一个叫 Nereu 的产品，目标是让不懂编程的人也能做游戏。

他说了一件事让我印象很深。在游戏开发里，有大量的基础功能其实已经被人反复实现了无数次，摄像机跟随角色、跑步动画切换、雨的粒子效果、基础物理碰撞……每一个游戏开发者几乎都要重新做一遍这些东西，哪怕这些问题已经有几百个开源解决方案了。在 Unity 工作的 10 年里，他一次又一次看到不同的人在重新发明同一个轮子，这件事最终让他出来做了 Nereu。

Nereu 的逻辑是：不要再从零开始。它背后有一个库，大概 5000 个现成的资产和功能模块，覆盖游戏开发里最常见的问题。当你用自然语言描述你想要什么，系统会从这个库里找到已经解决好的方案，直接接入你的游戏。

demo 里他选了一个机器人角色，说"我想让它能移动和播放动画"，系统自动找到了对应的动画和控制器，帮他接上了。他又说"我想加上雨的效果"，系统找到了雨的粒子系统，直接加进去。他没有打开过代码编辑器，没有写过一行 TypeScript。整个 Nereu 本身，也是他用 Claude Code 做出来的，技术栈是 Three.js 做渲染，MongoDB 做向量搜索，完全运行在浏览器里，不需要安装任何东西。

我觉得这个方向值得关注。游戏开发的门槛一直非常高，不只需要编程能力，还需要美术、音效、设计、物理仿真各种知识。但如果把这些背后的解决方案都做成可以被 AI 调用的模块，"做游戏"这件事的复杂度就会急剧下降。这不只是在帮新手入门，更是在帮那些有想法的人把创意变成现实，而不是被技术门槛挡在门外。

给小企业的 AI 员工

第六个 demo 来自 Ahmed，产品叫 Wesam.ai，面向的是中小企业主。

他描述的场景非常接地气。那些没有技术团队的小企业主，知道 AI 有用，但完全不知道怎么落地。他们没有工程师，不懂 API，不知道什么是 MCP。他们需要的不是一个工具，而是一个可以直接上手干活的员工。

Wesam.ai 做的就是这件事。用户注册之后，填入公司名称和所在时区，系统会自动去网上搜集关于这个公司的所有公开信息，包括竞争对手的信息，建立一份完整的品牌档案。整个过程不需要用户填任何表格，AI 自己去拼出来。

然后用户就可以"雇佣" AI 员工了。demo 里他展示了一个叫 Leni 的 AI 社媒专员。你不需要给她写详细的 prompt，只需要说"帮我创建一篇 Facebook 帖子"，她会反过来问你更多细节，因为她已经了解你的业务，所以她问的问题比你自己想到的还要精准。

更厉害的是"自动驾驶"模式。你给 Leni 一个目标，比如"接下来 30 天每天帮我发一条社媒内容"，她就进入一个自动循环，每天生成、审核、发布。你可以选择每天早上 8 点让她把当天的内容发给你审批，也可以直接让她自动发出去。Agent 会持续在循环里工作，直到目标完成为止。

他们还计划做一个 AI agent 市场。任何开发者都可以在上面发布专门为特定行业、特定地区定制的 AI 员工，用户直接"雇佣"这些 agent，按使用量付费，开发者拿收益分成。这个模式很有意思，相当于是在做 AI 劳动力的平台，而不只是做一个工具产品。

我觉得这个方向触到了一个真实的、长期被忽视的市场。大家谈 AI 产业化，总是谈大企业、谈技术团队、谈 CTO 如何选型。但全球大多数企业其实是没有 CTO 的中小企业，他们才是最需要 AI 的群体，也是最难接触到 AI 的群体。能帮这群人真正用上 AI 的产品，市场空间其实非常大，远比大家想象的要大。

同时跑 100 个 AI agent，还能互相对话

第七个上台的是 Jinjing，来自 Stably AI，产品叫 Orca。这是今晚让我最眼前一亮的 demo 之一。

Orca 是一个 AI coding 的 IDE，但它不是要替代 Cursor 或者 Claude Code，而是在做这些工具做不好的事情：并行。

它的核心概念叫 worktree。每一个开发任务被分配给一个独立的 worktree，每个 worktree 都是主分支的一份独立拷贝，AI agent 在里面工作，改动不会互相污染，直到你准备好了再合并。这对于想同时推进多个任务的工程师来说意义很大。你不需要等一个任务做完再开始下一个，可以让 10 个、100 个 agent 同时在不同的 worktree 里各自跑，互不干扰。

demo 里她展示了一个叫 orchestration 的功能。她让 Claude Code（代号 Fable）作为主控 agent，下命令"让所有终端里的 agent 打个招呼"。Fable 理解了这个指令，通过 Orca 内置的 orchestration 机制，向所有其他 agent 发送了消息，Claude Code、Codex、Grok、Cursor 分别做出了响应。这是 agent 之间直接通信，一个 agent 可以调度和指挥其他 agent，而不是每次都需要人来中转。

她还展示了一个很直观的对比实验：把同一个 prompt 同时扔给不同的 agent，让它们各自实现一个 Minecraft 风格的小游戏，结果并排展示出来。Claude Code、Codex、Cursor 的输出风格差异明显，这是一个很好的方式来评估不同 agent 在同一任务上的实际表现差异。

Orca 还内置了一套 Git 工作流。你 review AI 写的代码，直接在 diff 上做注释，然后把注释发给 agent 让它修改。如果 CI 挂了，直接在 Orca 里点"fix"按钮，系统自动启动 agent 去修复失败的测试，修好了再推。整个 IDE 还有一个可编程的 CLI，你可以让 agent 驱动 Orca 本身，在里面创建新的 worktree、管理工作流。

Orca 的 GitHub 已经有一万颗星，她说是昨天刚破万的。这个势头说明了一件事：工程师群体对于"如何更好地并行使用 AI agent"这个问题，有非常强烈的需求。现有的 AI coding 工具基本都是单线程的交互模式，而 Orca 在探索多线程 AI 开发的范式。我认为随着 agent 能力越来越强、工程师越来越依赖 AI 辅助，这个方向会越来越重要。

用 AI 帮销售人员更快签单

最后一个我想讲的是 Yousuf，来自 Mangosteen Studios。他有 20 年的企业销售经验，在 Google 负责过卖 AI 相关产品，后来出来做了两个专门为销售人员设计的免费工具。

第一个叫 Crush Quota AI，本质是一个销售专用的 prompt 数据库，里面有 350 多个针对各种销售场景设计好的 prompt，覆盖了初次见面、客户调研、写邮件、做 account plan 等各种情况。它有一个上下文填充功能，你告诉它你在卖什么、你的客户是谁，它会把你的具体情况套入每一个 prompt 里，生成高度定制化的版本，你直接复制到 ChatGPT 或者 Claude 里用就行了，不需要自己从头想 prompt 怎么写。

第二个工具叫 greenfield.tools，针对的是"开拓全新客户"这个最难的销售场景，也就是你跟对方完全没有任何关系，怎么系统性地打进去。他总结了四种核心技能：怎么打入一个从来没有关系的新客户、怎么为特定客户准备一份有观点的 point of view、怎么主持高管级别的 executive meeting、以及客户拿下之后怎么做 account expansion。这些 skill 直接复制到 ChatGPT 里，加上自己的具体情况，就能得到专业级别的输出。

他的逻辑我很认同：销售人员花了太多时间在准备材料、写邮件、做报告上，而 AI 可以把这些时间省下来，让他们专注在真正需要人的部分，也就是建立关系、读懂客户需求、做真正的谈判。两个工具都完全免费，我觉得这是一个很聪明的 PLG 策略，先在销售圈子里建立口碑，再在上面做商业化。

今晚最大的感受

坐在这里把八个 demo 写完，我想说几句更直接的话。

今晚让我最印象深刻的，不是哪一个产品有多厉害，而是这些团队背后一个共同的逻辑：他们都是从一个真实的、具体的痛点出发，然后用 AI 来解决它。没有人在空谈 AI 的未来，没有人在做为了 AI 而 AI 的产品。

Apify 的问题是数据库快撑爆了。pharmatrail 的问题是两份公开数据从来没被放在一起分析过。Yuzu Labs 的问题是多个 agent 在用不同版本的信息工作，团队乱成一锅粥。Nereu 的问题是有想法的人被技术门槛挡在游戏开发门外。这些问题没有一个是因为 AI 热潮才出现的，它们都是真实存在很久的问题，只是现在终于有了更好的工具可以解决。

我还注意到，今晚有好几个 demo 都用到了 MCP。pharmatrail 做了 MCP 接口让 Claude 可以直接查询他们的数据库，Yuzu Labs 做了"MCP for MCPs"，Wesam.ai 用 MCP 让 agent 接入各种第三方工具。MCP 正在从一个协议标准，变成 AI 产品工程实践的基础设施，这个趋势还会继续加速。

另一件事让我感触很深。今晚有好几个产品部署在 vercel 上，连自己的域名都还没注册，就这么上台演示了。放几年前，这种事大概率会被现场的人嘲笑。但今晚没有人这样做，大家关心的是：你解决了什么问题？你的 demo 能跑起来吗？这东西好不好用？这才是重要的。

AI 改变的不只是产品形态，它也在改变 builder 的节奏。以前你需要几个月才能做出一个像样的 demo，现在可能几周就够了。这意味着更多人可以更早进入市场验证，而不是等到一切都完美了才出来。这会筛选出那些真正能解决问题的人，而不是那些最擅长写 pitch deck 的人。我觉得这是一件好事。

如果你在湾区这边，对 AI 产品、SaaS、出海这些话题感兴趣，欢迎来找我聊。特别是做 sales BD 方向的朋友，我们可以直接约 coffee chat，真诚邀请，访问yoya.ai/leo。

文章来自于"深思圈"，作者 "Leo"。