對(duì)話 Seede AI：幫人類創(chuàng)作只是第一步，我們想幫人類理解 Agent 產(chǎn)出的內(nèi)容

上線一年后，Seede AI 推出了他們的海外版產(chǎn)品 Veeso AI，主打把原始素材轉(zhuǎn)化成可交付的設(shè)計(jì)稿。

與 Lovart 這種面向懂設(shè)計(jì)的人群的產(chǎn)品相比，Seede AI 更容易上手，面對(duì)的人群也更大眾一些，比如一家書(shū)店想做個(gè)小活動(dòng)的海報(bào)、一家二線城市的醫(yī)院想張貼個(gè)宣傳告示、或者是一家健身房想在公眾號(hào)里放一張會(huì)員招募活動(dòng)海報(bào)等等，他們可以不用去研究配色、搭配，只需要找到一張他們喜歡的模版，放上自己的原素材，2 到 3 次對(duì)話，一張可交付的設(shè)計(jì)稿就出來(lái)了。

門(mén)檻足夠低，但因?yàn)槭褂昧烁骷?SOTA 模型，上限也足夠好。

創(chuàng)始人 Longyi 早年在美團(tuán)負(fù)責(zé)系統(tǒng)架構(gòu)的工作，甚至從零手搓了一個(gè)美團(tuán)內(nèi)部版的「Vercel」。后來(lái)加入了創(chuàng)業(yè)公司 Dora AI——「面向建站領(lǐng)域的 Figma」，在 GPT-4 出來(lái)后意識(shí)到，傳統(tǒng)的無(wú)代碼架構(gòu)，不徹底轉(zhuǎn)向 AI-Native 是沒(méi)救的。

這才有了現(xiàn)在的 Seede AI，單人 2 個(gè)月開(kāi)發(fā)出產(chǎn)品的雛形、依靠微信轉(zhuǎn)賬驗(yàn)證了產(chǎn)品的 PMF。

有技術(shù)有洞察，產(chǎn)品有用戶，并且已經(jīng)跑通了 PMF，一步一步朝著更大的目標(biāo)前進(jìn)。

也許 FOMO，但目標(biāo)很堅(jiān)定。「設(shè)計(jì)工具的本質(zhì)是幫人類創(chuàng)作，而 Seede 最終想做的是幫人類理解 Agent 產(chǎn)出的內(nèi)容。」

人類理解世界的方式是視覺(jué)。當(dāng) Agent 成為信息的生產(chǎn)者，誰(shuí)來(lái)幫人類『看懂』這些信息？Seede AI 想做這個(gè)嘗試。

在海外版產(chǎn)品上線之際，我們跟 Longyi 聊了聊，想知道一款面向大眾的 AI 設(shè)計(jì)產(chǎn)品，應(yīng)該怎么做，又打算如何走。

產(chǎn)品官網(wǎng)：https://seede.ai

??關(guān)注 Founder Park，最及時(shí)最干貨的創(chuàng)業(yè)分享

超 22000 人的「AI 產(chǎn)品市集」社群！不錯(cuò)過(guò)每一款有價(jià)值的 AI 應(yīng)用。

邀請(qǐng)從業(yè)者、開(kāi)發(fā)人員和創(chuàng)業(yè)者，飛書(shū)掃碼加群：

進(jìn)群后，你有機(jī)會(huì)得到：

• 最新、最值得關(guān)注的 AI 新品資訊；
  

• 不定期贈(zèng)送熱門(mén)新品的邀請(qǐng)碼、會(huì)員碼；
  

• 最精準(zhǔn)的 AI 產(chǎn)品曝光渠道

01單人 2 個(gè)月搓出 Seede，并且跑通了 MVP

Founder Park：介紹下過(guò)往的創(chuàng)業(yè)經(jīng)歷？為什么決定出來(lái)創(chuàng)業(yè)？

Longyi：我的經(jīng)歷相對(duì)比較特別。大二就直接出來(lái)實(shí)習(xí)了，一開(kāi)始在百詞斬和掘金實(shí)習(xí)，發(fā)現(xiàn)實(shí)戰(zhàn)學(xué)到的東西遠(yuǎn)比學(xué)校多，期間自己做的一個(gè)開(kāi)源項(xiàng)目攢了一萬(wàn)六千多 Star，大四我就索性退學(xué)了。在得到一個(gè)剛孵化的業(yè)務(wù)里歷練過(guò)之后，想去更大的平臺(tái)看看，于是 2017 年我加入了美團(tuán)。

在美團(tuán)的四年（2017-2021），是我在底層架構(gòu)和復(fù)雜系統(tǒng)上真正脫胎換骨的階段。當(dāng)時(shí)我負(fù)責(zé)團(tuán)隊(duì)的「掃碼支付」業(yè)務(wù)，做架構(gòu)設(shè)計(jì)不僅要扛住千萬(wàn)量級(jí)的并發(fā)，還要解決真實(shí)場(chǎng)景里的痛點(diǎn)——比如很多用戶在網(wǎng)絡(luò)環(huán)境不好的時(shí)候打開(kāi)頁(yè)面慢，我們就專門(mén)定制了一套緩存加速方案。

到了 18 年，Serverless 理念開(kāi)始進(jìn)入實(shí)用化階段。我發(fā)現(xiàn)我們的前端團(tuán)隊(duì)在做業(yè)務(wù)時(shí)，很多邏輯其實(shí)放在服務(wù)端更好，但如果讓前端去寫(xiě) Node.js、Python 或 Java，那一整套運(yùn)維部署又超級(jí)麻煩。為了解決這個(gè)痛點(diǎn)，我花了幾個(gè)月時(shí)間，從零手搓了一個(gè)美團(tuán)內(nèi)部版的「Vercel」。這段經(jīng)歷讓我不僅在復(fù)雜前端架構(gòu)上有了沉淀，還深度切入了后端分布式計(jì)算領(lǐng)域。到 21 年，我覺(jué)得在大廠能做的挑戰(zhàn)我都做過(guò)了，開(kāi)始渴望真正的創(chuàng)業(yè)。

21 年剛好有一個(gè)絕佳的機(jī)會(huì)，我作為前五號(hào)核心成員加入了出海創(chuàng)企 Dora AI。最初，我們花了一年半時(shí)間死磕了一個(gè)「面向建站領(lǐng)域的 Figma」，產(chǎn)品上線后順利積累了五六十萬(wàn)用戶。但到了 22 年底 ChatGPT 爆發(fā)，團(tuán)隊(duì)意識(shí)到：生成式 AI 絕對(duì)會(huì)顛覆現(xiàn)有的無(wú)代碼產(chǎn)品形態(tài)。我們迅速在 23 年轉(zhuǎn)向 AI 化，靠著「一句話提示詞生成網(wǎng)站」的超前理念，直接拿下了 Product Hunt 月榜第一，在 X 等平臺(tái)徹底出圈，幾個(gè)月內(nèi)引爆了近 100 萬(wàn)新增用戶。

但那波爆發(fā)背后，也讓我看清了技術(shù)路線的局限。當(dāng)時(shí)的基模能力（只有 GPT-4）還不足以支撐真正的 AI-Native，我們只能靠硬核工程去彌補(bǔ)——利用 Diffusion 生成設(shè)計(jì)稿，再手搓復(fù)雜的 AI Pipeline，串聯(lián) YOLO、SAM 等多個(gè)模型，花了六七個(gè)月才勉強(qiáng)把生成的豐富內(nèi)容還原到無(wú)代碼編輯器中。雖然效果不錯(cuò)，也有人付費(fèi)，但我發(fā)現(xiàn)，只要底層依然是傳統(tǒng)的「無(wú)代碼架構(gòu)」，用戶后續(xù)的人工操作門(mén)檻就依然很高，這是一種范式上的落后。

所以我意識(shí)到，不徹底轉(zhuǎn)向 AI-Native 是沒(méi)救的。24 年下半年，我決定出來(lái)自己做，完全圍繞 AI 生成能力設(shè)計(jì)了 Seede AI。

Founder Park：選擇出來(lái)單干，為什么會(huì)選擇設(shè)計(jì)或者海報(bào)設(shè)計(jì)方向？

Longyi：我一直很關(guān)注這個(gè)領(lǐng)域。從大廠出來(lái)做的上一個(gè)產(chǎn)品，就是因?yàn)閷?duì)「所見(jiàn)即所得」的設(shè)計(jì)工具非常感興趣。很早我就開(kāi)始用 PS、Canva、Figma、Sketch 了，雖然不是專業(yè)設(shè)計(jì)師，但對(duì)這類產(chǎn)品天然感興趣，這類產(chǎn)品通過(guò)簡(jiǎn)單的拖拉拽，能讓小白完成設(shè)計(jì)作品。

24 年我看到，傳統(tǒng)工具似乎都可以通過(guò) AI 變得更易用、門(mén)檻更低，就考慮出來(lái)做。當(dāng)時(shí)我也評(píng)估過(guò)，有了之前的架構(gòu)經(jīng)驗(yàn)結(jié)合 AI，稍微努力一下，兩三個(gè)月就能搭出來(lái) MVP，可以快速測(cè)試有沒(méi)有人買(mǎi)單。走了一個(gè)相對(duì)短的研發(fā)周期，盡量快地拿到反饋。后來(lái)拿到了正反饋，所以就在持續(xù)做。

Founder Park：初期階段怎么驗(yàn)證 PMF 的？

Longyi：借助 Cursor，加上過(guò)去在美團(tuán)積累的架構(gòu)底子，Dora 十個(gè)人花了一年半，Seede 我一個(gè)人花兩三個(gè)月就做出來(lái)了。因?yàn)楫a(chǎn)品極度依賴大模型，我非常看重商業(yè)化驗(yàn)證，早期甚至沒(méi)寫(xiě)支付系統(tǒng)，就直接貼了個(gè)人微信，誰(shuí)要買(mǎi)積分就加我詳聊。其實(shí)那時(shí)候并不是想收錢(qián)，只是想看看究竟哪些人在用、愿意付錢(qián)。愿意付錢(qián)才會(huì)掃我，正好能跟他聊聊，然后送積分。到了 3 月份左右，每天都有不少人加我，看到挺強(qiáng)的付費(fèi)信號(hào)，我才去把公司和支付系統(tǒng)搞出來(lái)。

當(dāng)然，Seede 的工程成本還是高的，持續(xù)迭代了快一年，工程細(xì)節(jié)非常多。另外，要打造面向大眾的產(chǎn)品，交互細(xì)節(jié)也多，比如「復(fù)制粘貼」該出現(xiàn)在哪兒，都有講究。

02Seede：一句話，把你的想法變成可交付的設(shè)計(jì)稿

Founder Park：如果用兩句話來(lái)介紹產(chǎn)品，會(huì)怎么說(shuō)？

Longyi：Seede AI 可以把你的想法變成可交付的設(shè)計(jì)稿。你提一個(gè)設(shè)計(jì)需求，Seede 就會(huì)在畫(huà)布中生成一個(gè)包含版式、文字、圖像的可編輯設(shè)計(jì)。并且我們可以保證，這個(gè)作品可以直接用于交付發(fā)布、投放或者打印。

Founder Park：這里說(shuō)的「設(shè)計(jì)稿」是指？比如長(zhǎng)海報(bào)之類的？

Longyi：不只是海報(bào)。「可交付」這個(gè)點(diǎn)上，我們和普通文生圖有區(qū)別。

我們內(nèi)部的定義是，首先尺寸正確，邊距、字體都是 OK 的；其次，信息清晰可讀，我們通過(guò) AI 的 Coding 能力，把層級(jí)、對(duì)比等專業(yè)排版知識(shí)應(yīng)用進(jìn)去，讓內(nèi)容組織得層次清晰；另外，用戶會(huì)有品牌訴求，比如顏色、Logo 位置，這些都可以在結(jié)構(gòu)化設(shè)計(jì)稿里有很好的呈現(xiàn)。這些都通過(guò) AI 搞定，最后可以直接導(dǎo)出使用。

這個(gè)過(guò)程減掉了一個(gè)很重要的環(huán)節(jié)，就是設(shè)計(jì)代理。比如原來(lái)得依賴專業(yè)設(shè)計(jì)師，或者去打印店、淘寶店反復(fù)溝通，等很長(zhǎng)時(shí)間。但 Seede 可以完成整個(gè)設(shè)計(jì)閉環(huán)，從提需求到拿結(jié)果，進(jìn)度自己把控。很多用戶反饋，用了產(chǎn)品后發(fā)現(xiàn)，原來(lái)找的美工反復(fù)說(shuō)都聽(tīng)不懂，但 AI 能很好地理解他的意思。

Founder Park：怎么定義「可交付」？

Longyi：第一，很多人用 Midjourney 做圖，會(huì)發(fā)現(xiàn)生成的圖整體不錯(cuò)，但關(guān)鍵信息漏掉了，或者文字模糊。如果海報(bào)里的關(guān)鍵信息不可控、改不對(duì)，他就覺(jué)得發(fā)不出去，不能用。

第二，交付設(shè)計(jì)稿不光是「抽卡」生成一張圖，還要能沿著同一種風(fēng)格把東西都搞出來(lái)。舉個(gè)例子，會(huì)議嘉賓的名牌，如果用 Nano Banana 來(lái)做，每個(gè)嘉賓的圖除了名字不一樣，其他地方可能也變了。但是對(duì)于我們的結(jié)構(gòu)化設(shè)計(jì)，這一點(diǎn)就很有優(yōu)勢(shì)。

Founder Park：是不是意味著「可交付」也需要提供固定、可復(fù)用的能力？就像剛才說(shuō)的嘉賓圖，我可能要做 30 個(gè)，每次都得保證它們是一樣的，同一個(gè)設(shè)計(jì)稿要頻繁來(lái)用。

Longyi：對(duì)。重復(fù)使用是一個(gè)很重要的點(diǎn)。另外就是系列圖，雖然每一個(gè)不一樣，但要延續(xù)某種關(guān)鍵的風(fēng)格或版式。比如做會(huì)議海報(bào)，頁(yè)腳得統(tǒng)一。這種延續(xù)性很關(guān)鍵。一個(gè)良好的結(jié)構(gòu)，就是延續(xù)多種產(chǎn)物、對(duì)模型非常友好的上下文。

03Nano Banana 會(huì)賦能我，而不是顛覆我

Founder Park：以前做產(chǎn)品，圖片生成模型連文字都生成不好，所以代碼生成是更好的選擇。但 Nano Banana 出現(xiàn)之后，你還會(huì)這么想嗎？

Longyi：我們很早也接入了 Nano Banana。它的能力確實(shí)讓人興奮，但恰恰是它的出現(xiàn)，讓我們更清楚地看到：端到端生成和代碼結(jié)構(gòu)化生成，解決的是兩個(gè)完全不同的問(wèn)題。

端到端生成的魅力在于「快」——你給一句話，它給你一張圖。但代價(jià)是「黑盒」——你拿到的是像素，是素材，不是結(jié)構(gòu)。想改個(gè)標(biāo)題？想換個(gè)顏色？重新生成。你對(duì)結(jié)果沒(méi)有掌控權(quán)。

而代碼生成的本質(zhì)，是讓模型「理解視覺(jué)」而不是「模仿視覺(jué)」。當(dāng)模型用代碼回應(yīng)你的需求時(shí)，它在說(shuō)：「我理解了什么是標(biāo)題、什么是重點(diǎn)、什么是視覺(jué)引導(dǎo)——現(xiàn)在我把我的理解寫(xiě)成結(jié)構(gòu)，你可以檢查、修改。」

所以我們的定位很清楚：Nano Banana 是非常強(qiáng)的端到端素材生成器，負(fù)責(zé)底圖、氛圍、視覺(jué)沖擊力。而 Seede 是那個(gè)「容器」——把 Nano Banana 生成的素材，與標(biāo)題、價(jià)格、結(jié)構(gòu)化信息組織在一起，變成一個(gè)用戶真正可編輯、可交付的設(shè)計(jì)。

端到端生成的是「素材」，代碼生成的是「方案」。前者交付像素，后者交付掌控權(quán)。

至于這個(gè)容器里，有多少來(lái)自端到端模型、多少來(lái)自代碼，對(duì)用戶不重要。我們只關(guān)心一件事：幫小白用戶或沒(méi)時(shí)間做設(shè)計(jì)的人，做出專業(yè)級(jí)的可交付設(shè)計(jì)。

Founder Park：不管怎么樣，最終這些都是你們能力的一部分。下面的素材生成能力越強(qiáng)，我給用戶的交付就越好。你們賭的不是模型本身，就像ChatGPT在創(chuàng)作和代碼上都很強(qiáng)，但最終出圈的產(chǎn)品，還是要在這個(gè)模型基礎(chǔ)上做工程化和產(chǎn)品包裝。

Longyi：對(duì)。模型是引擎，我們是產(chǎn)品經(jīng)理——同樣是電動(dòng)機(jī)加螺旋槳，可以造電風(fēng)扇，也可以造電動(dòng)飛機(jī)，取決于你理解用戶的真實(shí)需求。

Token 成本意味著 AI 產(chǎn)品的成本結(jié)構(gòu)和傳統(tǒng)互聯(lián)網(wǎng)完全不一樣。

傳統(tǒng)產(chǎn)品用戶用多少次，邊際成本都趨近于零。但 AI 產(chǎn)品不一樣——每一次生成都在消耗真金白銀。我們非常關(guān)注 Token Efficiency，不只是技術(shù)優(yōu)化，而是商業(yè)模式的起點(diǎn)。

Seede 用結(jié)構(gòu)化數(shù)據(jù)生成視覺(jué)，同樣的算力成本，信息密度是端到端生成的 10 倍以上。當(dāng)你要規(guī)模化服務(wù)大眾用戶時(shí)，這個(gè)差距會(huì)從「技術(shù)優(yōu)勢(shì)」變成「競(jìng)爭(zhēng)優(yōu)勢(shì)」。

再說(shuō)一個(gè)觀察：大眾用戶很少直接用大廠的第一方產(chǎn)品——因?yàn)榇髲S在做模型的「說(shuō)明書(shū)」，而不是用戶的「工具」。NotebookLM 這種特例太少了。

AI 應(yīng)用的滲透才剛剛開(kāi)始。最近很多嘗試過(guò) OpenClaw 的用戶就是 AI 先行者，有很多吐槽「養(yǎng)不起」。這個(gè)階段，我們要做的不是跟模型賽跑，而是用模型的能力，去高效率服務(wù)那些還沒(méi)被真正服務(wù)好的大眾用戶。

04AI 時(shí)代，上下文即模板

Founder Park：你們當(dāng)時(shí)覺(jué)得產(chǎn)品的競(jìng)品是誰(shuí)？現(xiàn)在呢？

Longyi：如果一定要找一個(gè)符號(hào)來(lái)類比，可能是 Canva——不是因?yàn)槲覀兿胱鐾瑯拥臇|西，而是因?yàn)樗凇缸屍胀ㄈ四茏鲈O(shè)計(jì)」這件事上，建立了一個(gè)時(shí)代的認(rèn)知。我們思考的維度在變。

Canva 的偉大之處在于「模板化設(shè)計(jì)」——用專業(yè)人士沉淀的模板，讓小白用戶也能做設(shè)計(jì)。但模板的本質(zhì)是靜態(tài)的上下文預(yù)置，匹配度最多 60-70%。

而 AI 讓上下文流動(dòng)起來(lái)。當(dāng)用戶說(shuō)清場(chǎng)景和訴求，AI 能像設(shè)計(jì)師一樣思考，把匹配度提到 90% 以上。

但更重要的是，這個(gè)變化指向一個(gè)更大的未來(lái)：Canva 時(shí)代是為「人類生產(chǎn)內(nèi)容」設(shè)計(jì)的，AI 時(shí)代是為「Agent 生產(chǎn)、人類消費(fèi)」設(shè)計(jì)的。

今天，越來(lái)越多信息來(lái)自 Agent 而非人手。誰(shuí)來(lái)把它們變好看？誰(shuí)來(lái)理解它們要出現(xiàn)在什么場(chǎng)景？

這就是 Seede 要做的事——不是又一個(gè)工具，而是一個(gè)理解場(chǎng)景的界面層。一端接入 Agent 輸出的任何信息，一端輸出人類可本能理解的視覺(jué)語(yǔ)言。

Canva 擁有巨大的模板數(shù)量，但是我們?cè)谔剿鲌?chǎng)景理解。它服務(wù)「人找模板」的時(shí)代，我們服務(wù)「Agent 生成、場(chǎng)景呈現(xiàn)」的時(shí)代。

生成式模式替代傳統(tǒng)模板，不是工具的迭代，是時(shí)代的更替。

Founder Park：模板之所以流行，是因?yàn)橛脩?/strong>的審美不夠或者表達(dá)能力不夠。審美不夠可能是 AI 可以解決的，但表達(dá)不夠這個(gè)問(wèn)題，如果沒(méi)有模板了，這個(gè)問(wèn)題解決了嗎？

Longyi：這里的關(guān)鍵是理解一件事：在 AI 時(shí)代，「模板」的定義變了。

過(guò)去，模板是骨架——一個(gè)固定的版式，你往里填內(nèi)容。它的確解決了表達(dá)不夠的問(wèn)題，因?yàn)橛脩糁恍枰刚业綄?duì)的」然后「填空」。

但在 AI 時(shí)代，上下文即模板。

第一，AI 本身有足夠強(qiáng)的設(shè)計(jì)語(yǔ)料。設(shè)計(jì)領(lǐng)域數(shù)據(jù)豐富，即使用戶表達(dá)得模糊，模型也能憑借泛化能力匹配出超出預(yù)期的結(jié)果——你給個(gè)大概方向，它比你更懂怎么落地。

第二，很多用戶確實(shí)沒(méi)想清楚自己要什么。所以我們會(huì)延續(xù)「模板」這個(gè)概念，因?yàn)檫@是當(dāng)前這一代人的基礎(chǔ)認(rèn)知。但這里的模板不再是固定骨架，而是可 Remix 的上下文。

比如一個(gè)餐廳老板看到競(jìng)對(duì)的風(fēng)格，可以拍下來(lái)發(fā)給 AI：「參考這個(gè)，幫我生成我家的。」他不需要描述「什么是工業(yè)風(fēng)、什么是暖色調(diào)」，一張圖就是他的模板。

我們也在鼓勵(lì)用戶分享作品，沉淀的不是傳統(tǒng)模板，而是設(shè)計(jì)過(guò)程中的關(guān)鍵上下文——就像是 Skills。我們認(rèn)為所有東西都可以 Remix：你想要麥當(dāng)勞的結(jié)構(gòu)，配奈雪的色調(diào)，AI 能理解并組合。

所以模板沒(méi)有消失，它從固定的版式進(jìn)化成了流動(dòng)的上下文。從「人找模板」變成「AI 理解模板」。

Founder Park：如果 Canva 做 AI，對(duì)你們沖擊大嗎？

Longyi：沖擊肯定會(huì)有。但如果 Canva 重構(gòu)底層架構(gòu)來(lái)做 AI，反而證明我們的方向是對(duì)的。

但更根本的區(qū)別是：我們不是「加了 AI 的設(shè)計(jì)工具」，而是 Agent to Human 時(shí)代的視覺(jué)界面。

Canva 再怎么變，核心依然是「幫人做設(shè)計(jì)」。而 Seede 是一個(gè)界面層——一端連接 Agent 輸出的信息，一端輸出人類可讀的視覺(jué)語(yǔ)言。當(dāng)未來(lái)內(nèi)容由 Agent 生產(chǎn)、由人類消費(fèi)，中間需要這層「呈現(xiàn)層」。這是兩個(gè)時(shí)代的區(qū)別。

回到競(jìng)爭(zhēng)：設(shè)計(jì)領(lǐng)域足夠分散，巨頭不可能全面壟斷。我們的策略是瞄準(zhǔn)具體場(chǎng)景，用用戶反饋循環(huán)打磨產(chǎn)品——觀察高頻需求，深挖真實(shí)痛點(diǎn)，讓用戶愿意付費(fèi)、愿意反饋，認(rèn)知就越滾越深。

只要這個(gè)循環(huán)在，我們就能從小到大。等巨頭轉(zhuǎn)過(guò)彎來(lái)，我們已經(jīng)跑遠(yuǎn)了。

未來(lái) Seede 可以不只是圖文生成產(chǎn)品。當(dāng)代碼描述的如果是內(nèi)容結(jié)構(gòu)，那它其實(shí)可以被渲染成任意形態(tài)：圖、H5、視頻、應(yīng)用……當(dāng)模型生成多模態(tài)內(nèi)容的速度不斷加快，Seede 就能支持實(shí)時(shí)、可交互的內(nèi)容生成，而這已經(jīng)是非常可見(jiàn)的未來(lái)了。

Founder Park：Canva 過(guò)往的數(shù)據(jù)積累沒(méi)用嗎？范式轉(zhuǎn)換后，在舊范式下收集的數(shù)據(jù)，對(duì)于做一個(gè) AI-Native 產(chǎn)品幫助沒(méi)那么大？

Longyi：對(duì)，產(chǎn)品架構(gòu)不一樣。一個(gè)是產(chǎn)品優(yōu)化循環(huán)，一個(gè)是數(shù)據(jù)優(yōu)化循環(huán)。數(shù)據(jù)這部分確實(shí)不行。用戶選哪個(gè)模板、填什么內(nèi)容，可能只有一點(diǎn)點(diǎn)用，但這數(shù)據(jù)怎么和模型能力做對(duì)齊？這里有很大 gap。而我們積累的數(shù)據(jù)是模型生成的結(jié)果、用戶對(duì)結(jié)果做了微調(diào)得到的最終產(chǎn)物。這部分?jǐn)?shù)據(jù)對(duì)模型來(lái)說(shuō)，是高質(zhì)量的增量數(shù)據(jù)。

Founder Park：舉個(gè)極端的例子，如果 Canva 或者 PS 照抄你們的產(chǎn)品，你覺(jué)得威脅大嗎？

Longyi：巨頭本來(lái)就有這類產(chǎn)品，Canva 的 Magic Studio 也迭代一兩次了。但 AI-Native 產(chǎn)品有一個(gè)關(guān)鍵點(diǎn)，巨頭的成本模型不對(duì)齊。傳統(tǒng) SaaS 和 AI-Native 的成本模型完全不同。以 Canva 的營(yíng)收規(guī)模，很難把 AI 產(chǎn)品作為核心業(yè)務(wù)放出來(lái)。它原來(lái)只收 10 美金訂閱費(fèi)，絕對(duì)不希望大家都用 AI，因?yàn)檫@會(huì)導(dǎo)致毛利率從 95% 掉到 50% 甚至更低，營(yíng)收受損太嚴(yán)重。巨頭要等 AI 產(chǎn)品能占到核心營(yíng)收的大頭，才會(huì)給予同等量級(jí)的定位。他們也在內(nèi)部不斷做嘗試，比如 Canva 就招募了一個(gè)在 AI Coding 設(shè)計(jì)方向很牛的人。

至于其他公司，其實(shí)已經(jīng)有產(chǎn)品在像素級(jí)抄襲我們了。連我沒(méi)想明白的核心邏輯、UI 結(jié)構(gòu)全抄了一遍，甚至連我想砍掉的功能都抄過(guò)去了。結(jié)果他剛抄完，我們新版本迭代就把那些部分砍掉了。

Founder Park：換個(gè)角度，如果你站在 Canva 的角度，你會(huì)怎么選？

Longyi：我當(dāng)然是等一個(gè)足夠亮眼的新產(chǎn)品跑起來(lái)后再去做，讓他們先探索，到一定量級(jí)再去收購(gòu)。

Founder Park：內(nèi)部轉(zhuǎn)型的壓力確實(shí)比收購(gòu)大多了。

Longyi：對(duì)。比如 Canva 市值兩三百億美金，如果有公司很快做到四五十億，可能就像 Meta 收購(gòu) Instagram，內(nèi)部孵化不一定成，不如直接買(mǎi)。對(duì)于 Adobe，Adobe 在狙擊 Figma 和 Canva 上做了很多嘗試。Figma 火了之后，Adobe 也很快跟進(jìn)，出了他們的產(chǎn)品叫 Adobe XD，做 UI 原型設(shè)計(jì)，價(jià)格上更像 Figma。但他們做的那個(gè)差距就很尷尬，后來(lái)好像已經(jīng)直接廢棄了，所以后來(lái)才去收購(gòu) Figma，但又被反壟斷調(diào)查了。

05首次付費(fèi)的關(guān)鍵是降低上手門(mén)檻

Founder Park：用戶畫(huà)像大概是什么樣的？Seede 的人群更大眾，離 AI 重度用戶遠(yuǎn)一些？

Longyi：我們關(guān)注的用戶主要是內(nèi)容創(chuàng)作者、小商家運(yùn)營(yíng)、海外電商，還有自媒體或創(chuàng)業(yè)者。目前 90% 收入來(lái)自 C 端。主要場(chǎng)景是社交媒體、廣告營(yíng)銷(xiāo)以及活動(dòng)海報(bào)。

心智上，我們的用戶一方面是接受新鮮事物的年輕人，另一波是中年人，門(mén)檻足夠低讓他們也能做。用戶中位數(shù)在 30 歲左右。

還有一部分學(xué)生，學(xué)生群體跟 Canva 一樣，對(duì)我們的未來(lái)發(fā)展很有幫助，但對(duì)商業(yè)化幫助有限，因?yàn)橥瑯拥漠a(chǎn)品，讓學(xué)生付錢(qián)比較困難。國(guó)內(nèi)大學(xué)生生活費(fèi)有限，如果每月收 99，我大概率也不會(huì)買(mǎi)。未來(lái)我們也計(jì)劃針對(duì)教育用戶提供更多免費(fèi)額度。

Founder Park：長(zhǎng)圖、海報(bào)、社媒圖片的比例大概是多少？

Longyi：長(zhǎng)圖挺多，占 40% 左右；活動(dòng)海報(bào)和社媒各占 20% 多；PPT 最近用的人也挺多，占比 10%。剩下就是易拉寶、展板這種線下物料。

Founder Park：畫(huà)布形態(tài)對(duì)于你們的目標(biāo)用戶有門(mén)檻嗎？

Longyi：我覺(jué)得現(xiàn)在的設(shè)計(jì)不算有門(mén)檻。為什么做畫(huà)布？因?yàn)樵O(shè)計(jì)領(lǐng)域需要一個(gè)東西承載設(shè)計(jì)空間。畫(huà)布是基礎(chǔ)，不一定需要無(wú)限畫(huà)布。有了畫(huà)布，你才能放大看細(xì)節(jié)，縮小看總體感覺(jué)。所以一個(gè)可以縮放的空間是必須的。

無(wú)限畫(huà)布是在這個(gè)基礎(chǔ)上組織堆疊更多元素。但考慮到大多數(shù)用戶沒(méi)用過(guò)無(wú)限畫(huà)布，我們?cè)缙陔m然引擎是無(wú)限的，但只提供簡(jiǎn)單的垂直布局，通過(guò)上下滑動(dòng)來(lái)交互，這套模式仍然是我們默認(rèn)的模式。當(dāng)然，也有不少熟練用戶在用無(wú)限畫(huà)布模式，方便組織復(fù)雜的多頁(yè)內(nèi)容。

無(wú)限畫(huà)布其實(shí)是觸控友好的，但我們 70% 的用戶是 Windows 鍵鼠用戶，所以我們現(xiàn)在讓鍵盤(pán)鼠標(biāo)也可以通過(guò)上下滑動(dòng)輕松控制。對(duì)于有經(jīng)驗(yàn)的用戶，我們會(huì)推薦他用無(wú)限畫(huà)布。

另外一個(gè)有意思的點(diǎn)是，用 iPad 做設(shè)計(jì)的用戶也有，我們?cè)诩冇|控設(shè)備上也會(huì)做一些優(yōu)化。

Founder Park：默認(rèn)有限畫(huà)布，熟練后輕易切換。

Longyi：對(duì)。畫(huà)布是所有視覺(jué)設(shè)計(jì)類的基礎(chǔ)載體。我們現(xiàn)在也在把畫(huà)布和對(duì)話這兩部分進(jìn)一步融合，把「所見(jiàn)即所得」的理念進(jìn)一步 AI-Native 化。比如，傳統(tǒng)設(shè)計(jì)工具的目標(biāo)是讓你選中元素，去調(diào)整屬性。我們的思路是，你選中元素，甚至不用選中，通過(guò) AI 對(duì)話的方式，它去幫你調(diào)整屬性。

比如一些專業(yè)設(shè)計(jì)師能把字體調(diào)得藝術(shù)風(fēng)格非常好，但普通用戶可能就只會(huì)加粗、換顏色，調(diào)不出來(lái)好效果。但 AI 可以理解所有的設(shè)計(jì)屬性定義，根據(jù)用戶的需求組合出一個(gè)良好的設(shè)計(jì)。比如用戶說(shuō)「我這想要一個(gè)火辣的標(biāo)題」，那它可能會(huì)配出來(lái)一個(gè)比較紅、帶金色火焰風(fēng)格之類的組合。

Founder Park：怎么判定用戶生成的是「好設(shè)計(jì)」？

Longyi：其實(shí)現(xiàn)在整體還非常主觀。說(shuō)起來(lái)有點(diǎn)好笑，有個(gè)馬來(lái)西亞華裔用戶用我們產(chǎn)品跟我們交流，說(shuō)「你們的產(chǎn)品審美很好，非常符合我們這種馬來(lái)西亞華人的審美和用戶習(xí)慣」。其實(shí)我們感覺(jué)并沒(méi)有做什么特別的設(shè)定，但用起來(lái)就是感覺(jué)挺符合華人審美的。這可能是模型和我們自己團(tuán)隊(duì)審美的一個(gè)交叉點(diǎn)。

我們的思路是，在用戶沒(méi)有提供風(fēng)格訴求的情況下，盡量讓用戶采用到我們精心匹配的設(shè)計(jì)。我們團(tuán)隊(duì)有兩個(gè)核心部分，一個(gè)是審美，另一個(gè)是產(chǎn)品工程。所以我們希望用戶在沒(méi)有明確風(fēng)格預(yù)期的情況下，會(huì)使用到我們預(yù)設(shè)的一些比較好的設(shè)計(jì)。未來(lái)我們把用戶社區(qū)引入進(jìn)來(lái)，可能在不同的地區(qū)、不同的場(chǎng)景，設(shè)計(jì)會(huì)更加本地化。但我們希望，我們平臺(tái)至少都要比直接使用基模有更多一些風(fēng)格傾向。這是一方面是我們的審美的獨(dú)特性，另一方面也是和基模保持一定的審美偏差。如果同樣一段提示詞，在 Gemini 生成和在 Seede 生成一模一樣，那我們就沒(méi)有特別多獨(dú)特價(jià)值了。

Founder Park：你們付費(fèi)流程是怎么優(yōu)化的，可以詳細(xì)說(shuō)說(shuō)嗎？

Longyi：我們做得其實(shí)很簡(jiǎn)單，就是觀測(cè)用戶從進(jìn)入官網(wǎng)、注冊(cè)、得到第一個(gè)設(shè)計(jì)作品、到最終導(dǎo)出的全鏈路。早期版本基準(zhǔn)就比較高，因?yàn)?AI 減掉了上一代產(chǎn)品的搜索填充流程。但我們發(fā)現(xiàn)如果把上手門(mén)檻進(jìn)一步降低，整體轉(zhuǎn)化率還能提高。

核心優(yōu)化幾個(gè)點(diǎn)：第一步是引導(dǎo)用戶知道這個(gè)產(chǎn)品能干什么，我們有場(chǎng)景引導(dǎo)，讓用戶快速得到第一印象。在產(chǎn)品層面我們只提供相對(duì)簡(jiǎn)單的定制，更多是利用模型的 Coding 能力，組織好 Context 讓它生成對(duì)應(yīng)領(lǐng)域的設(shè)計(jì)。第二步是優(yōu)化首次生成效果，我們內(nèi)部叫 One-shot——如果生成出來(lái)非常丑或者畫(huà)面混亂，用戶直接就走了。

第三是把免費(fèi)試用從 5 積分提高到了 10 積分。5 積分只能用高級(jí)模型生成兩次，10 積分能讓他用高級(jí)模型生成 5 次以上，對(duì)產(chǎn)品的理解會(huì)更深。

如果進(jìn)一步把付費(fèi)墻做好，付費(fèi)率應(yīng)該還會(huì)更高。但是我不希望讓 Seede 這個(gè)產(chǎn)品過(guò)于商業(yè)化，現(xiàn)在還在打磨階段，不希望在商業(yè)化上那么激進(jìn)。因?yàn)槲覀兪欠e分制，不同的設(shè)計(jì)、素材用量消耗不同。有的用戶用得猛，其實(shí)是微虧的。

06關(guān)注用戶做了什么，而不是說(shuō)了什么

Founder Park：現(xiàn)階段對(duì)于國(guó)內(nèi)產(chǎn)品，你會(huì)看重哪些指標(biāo)？

Longyi：核心關(guān)注付費(fèi)、激活和留存。留存的話，我們現(xiàn)在的周度和月度留存，在同類工具里是比較頂尖的。

我們有幾個(gè)關(guān)鍵階段的數(shù)據(jù)：從生成到導(dǎo)出的流程，包括觀測(cè)導(dǎo)出率、導(dǎo)出場(chǎng)景、分辨率和格式。另外我們會(huì)算每天新增用戶的 ARPU，去看付費(fèi)意愿。還有一個(gè)很關(guān)鍵的指標(biāo)是錯(cuò)誤率。

Founder Park：錯(cuò)誤率怎么判定？是用戶點(diǎn)了「不喜歡」，還是系統(tǒng)出錯(cuò)了？

Longyi：「不喜歡」這個(gè)設(shè)計(jì)我們?cè)缙谟校髞?lái)砍掉了。之前跟模型團(tuán)隊(duì)交流后發(fā)現(xiàn)，像豆包這種 Chatbot，用戶點(diǎn)的「Yes/No」的數(shù)據(jù)噪聲太大，沒(méi)有那么大用處。我們更關(guān)注實(shí)際的交互。有的設(shè)計(jì)不錯(cuò)，用戶點(diǎn)「不滿意」只是個(gè)人審美問(wèn)題。所以我們關(guān)注更真實(shí)的「導(dǎo)出」行為。

單頁(yè)面項(xiàng)目至少得導(dǎo)出一次，我們才知道他可能是真的要采用。復(fù)雜項(xiàng)目他會(huì)反復(fù)做小調(diào)整再導(dǎo)出，我們能從這種數(shù)據(jù)節(jié)奏觀測(cè)滿意度。還有基礎(chǔ)交互，比如把某些東西反復(fù)拖來(lái)拖去，我們能推測(cè)出他對(duì) AI 結(jié)果里哪些地方覺(jué)得不夠好。目前我們 90% 的精力都在「One-shot」的優(yōu)化階段。

Founder Park：One-shot 的優(yōu)化具體做了哪些事？

Longyi：我們?cè)谶@件事上投入是最多的，而且持續(xù)做了很久，主要拆分成三部分。

第一，最重要的是模型基礎(chǔ)。所有 AI 產(chǎn)品 80% 的效果都?xì)w功于模型，沒(méi)有好模型，AI-Native 產(chǎn)品就是空中樓閣。

第二，剩下的部分里，60% 投入在 Context Engineering 上。首先得保證代碼正確，Agent 輸出代碼沒(méi)有致命錯(cuò)誤的概率，我們內(nèi)部?jī)?yōu)化后在 99.5% 到 99.8% 左右，當(dāng)然這也取決于不同模型。

如果它輸出的東西不能被正確地運(yùn)行，用戶看到的就是空白。所以我們做了幾件事：在 Context 層做一些 Badcase 的驗(yàn)證，通過(guò)評(píng)估知道哪些模型容易犯某些可以被修復(fù)的小錯(cuò)誤，然后讓它避免出現(xiàn)。解決不了的部分，我們會(huì)在模型生成產(chǎn)物后，用算法去做代碼修復(fù)。如果算法也搞不定，比如一些很致命的語(yǔ)法錯(cuò)誤，我們又會(huì)引入一個(gè)專門(mén)做 Hotfix 的 Agent，去做異常代碼的檢測(cè)和修復(fù)。我們發(fā)現(xiàn)，如果一個(gè)模型老犯某個(gè)錯(cuò)誤，你讓它自己去修，大概率也修不好，所以這里也得搞成混合模型的模式。這就基本解決了穩(wěn)定性。

第三，如何讓它生成的東西好看。我們讓設(shè)計(jì)師按場(chǎng)景去做了一個(gè)內(nèi)部叫「審美數(shù)據(jù)庫(kù)」的東西，把很多好看的設(shè)計(jì)做了拆解，把一些通用的部分，比如版式設(shè)計(jì)、元素風(fēng)格、配圖風(fēng)格等維護(hù)成了一個(gè)庫(kù)。最近我們又在參考像 Claude 的模式，把這些進(jìn)一步抽象成了 Agent 在設(shè)計(jì)層面的 Skill。也就是說(shuō)，一個(gè)好的模型可能基礎(chǔ)是 60 分，但疊加了我們由設(shè)計(jì)師精心組織的上下文或者 Skill 之后，整個(gè)設(shè)計(jì)能力能從 60 分提升到 80 分。

Founder Park：上下文工程的核心包括哪些？

Longyi：我們?cè)谠O(shè)計(jì) Memory 概念，包含用戶記憶和項(xiàng)目記憶。通過(guò)多次交互，積累用戶的審美傾向。因?yàn)槲覀兪菬o(wú)限畫(huà)布，也能累積到項(xiàng)目層級(jí)的風(fēng)格。

不過(guò)，用戶的 Memory 一直都還沒(méi)有上線，我們?cè)诤Ｍ獾男庐a(chǎn)品 Veeso 上想更好地做一次架構(gòu)升級(jí)，順帶就會(huì)把這些加上。Veeso 上的 Context 和 Memory，除了項(xiàng)目級(jí)和用戶級(jí)的 Memory，我們還全新規(guī)劃了一個(gè)自研的 Agent。

Agent 運(yùn)行在瀏覽器中，面向的是我們的設(shè)計(jì)工具，我們自己全新設(shè)計(jì)了一個(gè)基于文件系統(tǒng)的 Agent Loop，并且為它設(shè)計(jì)了很多面向設(shè)計(jì)任務(wù)領(lǐng)域的 API，讓 Agent 能夠充分理解到它是在一個(gè)無(wú)限畫(huà)布、一個(gè)視覺(jué)化的編輯器里工作。這和很多其他領(lǐng)域的 Agent 區(qū)別還挺大的。

整體架構(gòu)上，我們參考了 Claude Code、OpenClaw 的概念，只不過(guò)是讓它運(yùn)行在瀏覽器和編輯器中。上下文最核心的部分，還是我們的設(shè)計(jì)師調(diào)教出來(lái)的設(shè)計(jì) Skill。至少包含兩部分，一部分是它在這個(gè)場(chǎng)景的工作模式，另一部分是一些拆解下來(lái)的風(fēng)格。我們沒(méi)有用像 RAG 那種生硬的方式，而是類似 Agentic Search 的模式，讓 Agent 根據(jù)用戶的意圖，在我們的設(shè)計(jì)審美數(shù)據(jù)庫(kù)里面，更加智能化地去做語(yǔ)義搜索和匹配，拿到相關(guān)的 Skill，甚至可以做混合。比如做一個(gè)會(huì)展活動(dòng)的易拉寶，那它得知道什么是「會(huì)展活動(dòng)」，什么是「易拉寶」，有了這些 Skill 之后才能輸出一個(gè)專用于會(huì)展活動(dòng)的、專業(yè)的科技風(fēng)格的易拉寶。

Founder Park：你們會(huì)對(duì)基模做強(qiáng)化學(xué)習(xí)嗎？還是核心在工程能力？

Longyi：還是在 Context Engineering 上。這樣不管哪個(gè)模型只要能力強(qiáng)，隨時(shí)可以拿來(lái)用。我們現(xiàn)在應(yīng)該更多做「模型解耦」，不去基于某個(gè)模型做定義、做 fine-tune。我們這種場(chǎng)景，用純外掛式的 Context 就能解決。

Founder Park：也就是說(shuō)你們不會(huì)被任意一個(gè)模型綁定，只要有最強(qiáng)的，隨時(shí)可以拿來(lái)用。

Longyi：對(duì)，我們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：國(guó)內(nèi)這邊，你們前期增長(zhǎng)主要來(lái)自哪些渠道？之后有什么調(diào)整？

Longyi：現(xiàn)在基本沒(méi)做增長(zhǎng)，主要靠自媒體和口碑。我們的策略是再打磨一下產(chǎn)品，等海外新產(chǎn)品 Veeso 發(fā)布后，再讓 Seede 在國(guó)內(nèi)做正常推廣。

我們?cè)?12 月才勉強(qiáng)做了第一次花錢(qián)的營(yíng)銷(xiāo)。市場(chǎng)團(tuán)隊(duì)去跑內(nèi)容合作流程，找達(dá)人、談內(nèi)容、發(fā)視頻、觀測(cè)效果。投了 1.5 萬(wàn)預(yù)算，聊了十多個(gè) KOC，效果非常好。我們走更真實(shí)的 KOC 路線，因?yàn)橛脩舾珎鹘y(tǒng)渠道，可能對(duì)技術(shù)、對(duì) AI 產(chǎn)品關(guān)注都不是那么多，反而是辦公場(chǎng)景、電商運(yùn)營(yíng)、學(xué)生這些。算下來(lái)我們的 ROI 非常好，應(yīng)該投了 1.5 萬(wàn)，新增了三四萬(wàn)的付費(fèi)收入。

Founder Park：如果國(guó)內(nèi)已經(jīng)跑通 PMF 且毛利為正，為什么現(xiàn)階段要去鋪海外？

Longyi：做海外有個(gè)關(guān)鍵點(diǎn)，就是得盡早啟動(dòng)，產(chǎn)生初步聲量，這個(gè)時(shí)間點(diǎn)非常關(guān)鍵。如果我現(xiàn)在專注國(guó)內(nèi)做大半年再去做海外，這個(gè)時(shí)間差會(huì)讓海外同類產(chǎn)品先觸達(dá)關(guān)鍵傳播節(jié)點(diǎn)，讓大家先入為主。

我們產(chǎn)品有必要盡早面向海外。要進(jìn)入主流用戶市場(chǎng)，可能得花三四個(gè)月甚至更長(zhǎng)時(shí)間去測(cè)試、找曝光渠道，所以得盡快搞定。

如果海外版能達(dá)到像國(guó)內(nèi) Seede AI 一樣，每天都有大量用戶實(shí)時(shí)反饋，那收入上會(huì)有巨大不同。同樣的精力，在國(guó)內(nèi)可能賺 10 萬(wàn)人民幣，在海外可能是 10 萬(wàn)美金，甚至可能會(huì)更高，匯率和付費(fèi)意愿都有區(qū)別。出于團(tuán)隊(duì)穩(wěn)步發(fā)展考慮，把海外跑通是最高優(yōu)先級(jí)。對(duì)于國(guó)內(nèi)，我希望它良性發(fā)展，到今年年中，Seede 能通過(guò)營(yíng)收覆蓋國(guó)內(nèi)研發(fā)團(tuán)隊(duì)的一部分支出。

Founder Park：在你的規(guī)劃里，海外和國(guó)內(nèi)產(chǎn)品在付費(fèi)模式、設(shè)計(jì)上有大區(qū)別嗎？

Longyi：是的。比如海外我們會(huì)切換成訂閱制加 Usage-based 的增量模式，而不是簡(jiǎn)單的純積分制。這樣收入更穩(wěn)定，高頻用戶體驗(yàn)也更好。國(guó)內(nèi)很多高頻用戶也在問(wèn)多久出包月或年費(fèi)。另外在 Agent 架構(gòu)這塊，我們?cè)谛庐a(chǎn)品上做了新架構(gòu)，不影響 Seede 已有用戶的體驗(yàn)。等新架構(gòu)跑得相對(duì)穩(wěn)定，再放到國(guó)內(nèi)的升級(jí)版本上。

它是全新的產(chǎn)品，可以放心大膽改造。可以認(rèn)為海外版是全新的 2.0 版本，沒(méi)有歷史包袱。

Founder Park：如果有機(jī)會(huì)回到 2025 年初重新開(kāi)始做 Seede，你會(huì)做出哪些不一樣的決策嗎？

Longyi：會(huì)。而且這個(gè)「如果」我最近確實(shí)想過(guò)很多次。

我可能會(huì)在工程上做好一定的基礎(chǔ)之后，更早、更激進(jìn)地去做一些市場(chǎng)的東西。作為技術(shù)出身的創(chuàng)始人，我的本能是把產(chǎn)品打磨到「足夠完美」再推向市場(chǎng)。但這一年走過(guò)來(lái)，我們驗(yàn)證到一個(gè)非常亮眼的 PMF——用戶不僅喜歡我們，而且愿意為「掌控權(quán)」付費(fèi)，愿意為「生成即編輯」這種看似反直覺(jué)的體驗(yàn)買(mǎi)單。

如果重來(lái)一次，我會(huì)更早相信：當(dāng)你的直覺(jué)告訴你這件事是對(duì)的，市場(chǎng)的反饋會(huì)比你的工程標(biāo)準(zhǔn)更早到來(lái)。

Founder Park：會(huì)盡快第一步就出海嗎？

Longyi：有可能，可能會(huì)更加激進(jìn)地去做出海。

現(xiàn)在回頭看，視覺(jué)語(yǔ)言是沒(méi)有國(guó)界的。我們做的「內(nèi)容優(yōu)先、設(shè)計(jì)隨行」這件事，本質(zhì)上是在解決一個(gè)全球性問(wèn)題：當(dāng) Agent 開(kāi)始大規(guī)模生成信息，人類怎么「看懂」這些信息？這個(gè)問(wèn)題在中國(guó)存在，在美國(guó)、歐洲、東南亞同樣存在。

因?yàn)槿祟惱斫馐澜绲姆绞绞且曈X(jué)，所以搶占瞳孔的機(jī)會(huì)窗口是全球同步的。Seede 要做的就是面向全球用戶。海外版 Veeso 的發(fā)布，就是我們對(duì)這個(gè)判斷的回應(yīng)。

Founder Park： 你希望 Seede 成為一個(gè)什么樣的代名詞？

Longyi：我希望我們是第一個(gè)面向 Agent to Human 時(shí)代的「場(chǎng)景化視覺(jué)界面」。

當(dāng) Agent 擁有世界上最聰明的大腦，把全世界的信息都挖出來(lái)、想清楚了，它最后是怎么給到你的？人類不讀 JSON，不看向量——我們理解世界的方式是視覺(jué)。

Seede 不做另一個(gè)設(shè)計(jì)工具，而是一個(gè)界面層：一端接入 Agent 輸出的任何信息，一端輸出人類可本能理解的視覺(jué)語(yǔ)言。就像 GUI 是人與操作系統(tǒng)的界面，Seede 是人與 Agent 世界的界面。

今天我們能做一部分 Canva、Word、Excel 的事，因?yàn)樾畔⒈旧砭褪嵌鄻拥摹５切┕ぞ呤菫椤溉祟惿a(chǎn)內(nèi)容」的時(shí)代設(shè)計(jì)的，Seede 是為「Agent 生產(chǎn)、人類消費(fèi)」的新時(shí)代而生。

我希望未來(lái)人們提到「把信息變好看」的時(shí)候，想到的不是某個(gè)工具，而是一種格式、一種界面、一種本能——就像今天提到「把文字排整齊」會(huì)想到 Word。

我們有機(jī)會(huì)成為一個(gè)新的名詞，或一個(gè)新的文檔格式：幫助每個(gè)人美化手上的信息，無(wú)論它來(lái)自哪里，無(wú)論它是什么形態(tài)。

轉(zhuǎn)載原創(chuàng)文章請(qǐng)?zhí)砑游⑿牛篺ounderparker