訪談 MuleRun 陳宇森：未來的軟件是日拋式的

軟件應用也可以 “3D 打印” 了。

訪談丨程曼祺

整理丨實習生裴雨桐

當 agent 構造變得越來越簡單，會發生什么？agent 交易平臺 MuleRun 創始人陳宇森分享了他的觀察和創業實踐。

陳宇森是一名少年成名的連續創業者，22 歲從浙大畢業后創辦網絡安全公司長亭科技，5 年后賣給阿里云，現在他帶著對 AI agent 的理解重新出發。

MuleRun 基于這樣一個核心假設，當 Vibe Coding 大幅降低了應用開發門檻，Claude Code 帶來 agent 創作新方法，大量非技術背景的人也能把自己的工作知識和流程封裝成一個個勤懇的 AI 騾子，實現個人工作的自動化。

這期內容包含兩次聊天，分別發生在 25 年 12 月和 26 年 1 月上旬，不到 1 個月里，隨著 MuleRun Agent Builder 開始內測，陳宇森和 MuleRun 的思路已發生了一些變化。

他認為，未來的 market place 不再會是過去我們熟悉的貨架形態，而是在對話中觸發交易。MuleRun 的調整本身，也是當前 AI 應用瞬息萬變的一個縮影。

這期節目的后半段，我們也聊了一個創業 10 年，成立過 4 家公司，經歷過成敗起伏的創業者，如何以「用心」避免陷入平庸和對抗自我懷疑。

以下是播客的文字整理，有部分精簡。

尋找方向、Agent 交易平臺的機會與難點

晚點：你的這次創業是什么時候開始的？為什么會想到做 Agent market place？

陳宇森： 我們是在 2024 年年底開始構思這件事的。當時我們看到一個明確的信號：Cursor 這類產品已經找到了 PMF（產品市場契合點）。這表明，隨著大語言模型能力的提升，它開始在特定應用領域（如編程）產生真正的生產力價值。

我們認為編程是一項非常通用的能力，它是讓 AI 能做更多事情的橋梁——既然人類通過編程能實現眾多功能，那么如果 AI 能替代或輔助人類編程，很多事情就可以直接由 AI 完成。

我們在 4 月份上線了一個 Vibe Coding 產品，當時也規劃了一些差異化的功能，比如讓模型更精通少數幾個框架，或在運行時調試方面做得更好。但后來發現，在 AI 應用領域，如果做一個別人已經做了且團隊同樣優秀的產品，很難獲得流量和用戶。內測后發現，用同樣的 prompt 在我們產品和頭部產品上跑，結果差不多，因為大家都依賴于 Claude 的 API 能力。

這一年下來，競爭格局并沒有發生明顯變化，沒有哪個產品通過獨特設計顯著超越對手。不過，近期 Anthropic 自己做的 Claude Code 以及 OpenAI 的 CodeX 進展非常迅猛，用戶數提升很快。Claude Code 確實讓我感覺到了更大的變化，因為它啟發了一種全新的 agent 創作范式。

晚點：具體是怎樣的創作范式？

陳宇森： 簡單來說，目前最強的 General Agent 就是 Claude Code。早期大家做 agent，往往是通過外掛方式來實現 SOP 與大模型的結合，比如在 LangGraph 里寫一段代碼，或者純代碼化的方式，而不是僅僅在模型上加 prompt。

但隨著大模型能力進步，我們發現只要確保復雜任務不超出上下文窗口（避免產生大量幻覺），直接給模型足夠復雜的提示詞，它就能處理足夠復雜的事情。這雖然需要做一些 Context Engineering，但本質上已經是 “怎么用好大模型” 的問題了。

我們的底層假設是：當大模型具備了編程能力后，理論上它可以在一到兩年內，完成人類在電腦上能做的所有事情。

基于這個認知，我們判斷目前 AI 做不好的，主要是那些沉淀在線下或人類大腦中的經驗與知識。如果能將個人的線下知識、經驗與大模型的理解和判斷能力結合，就能把個人的能力 80% 到 90% 復制到一個 agent 中。面臨同類問題的人，只需花點小錢使用這個 Agent，就能免去從頭操作的繁瑣，實現 “花小錢辦大事”。這樣創作者能賺錢，使用者能提效，從而形成一個很好的交易生態。

晚點：基于 Claude Code 是目前最好的通用智能體這一前提，未來很多需求可以直接通過 agent 實現，市場更需要的是一個交易平臺，而不是去重復做 Claude Code 已經做得很好的事情，可以這樣理解嗎？

陳宇森： 是的，這也是我們思路的演進過程。最初我們覺得市場缺乏一個好的 agent 交易平臺，所以想做一個框架中立的部署與交易平臺——無論你在哪里開發，都可以在這里部署和賺錢，因為賺錢是推動生產力發展的基礎。

但做到現在我們發現，要讓行業專家去創作 agent，哪怕是低代碼都顯得太復雜。能用低代碼的人，本質上已經具備了 coding 的能力。要讓普通人真正能夠 coding ，門檻必須降到只需使用自然語言，不需要理解參數、拖拉拽、循環或條件語句。最自然的方式就是直接描述需求和工作過程。

比如，HR 清楚每天的招聘流程，客服知道如何調取知識庫處理客訴和退換貨。只要他們把這些日常工作流程描述得足夠清晰，AI 就能高準確率地完成。如果有成百上千的人每天都要做同樣的任務，他們就可以花錢讓比人類更高效的 agent 去做，創作者也能因此獲益。

晚點：既然 MuleRun 是一個雙邊交易平臺，一個 market place，平臺目前的供需雙方是怎樣的嗎？在供給端，一種是完全沒有開發經驗的人，通過你們提供的環境直接用自然語言生成業務流程；另一種是傳統開發者把做好的 agent 上傳到平臺。這兩種供給現在都有嗎？哪種是更重要的呢？

陳宇森： 主要是第二種。目前我們平臺上的供給主要還是傳統的應用。但真正讓我們覺得這個商業模式成立的前提，其實是 Vibe Coding 的普及。過去開發軟件成本很高，很難為幾十個人甚至一個人的小眾需求去定制軟件；但現在有了代碼能力強的大模型，我們完全可以為極少數人的需求開發應用。

因為現在的供給還不夠豐富，無論是用戶的創作過程還是我們的上架流程都有些復雜。我們的核心假設是：未來的應用生態會無比豐富且極度長尾。可能我今天有個奇怪的需求，只要另外十個人里有一個人把應用做出來了，我就可以直接去用。當這種長尾需求被大量滿足時，產品才算真正達到了 PMF。

目前我們雖然上線了交易功能，用戶增長也做得不錯，積累了挺多注冊用戶，但遺憾的是還沒有看到大規模的 PMF 發生。反思下來，核心問題在于供給豐富度不夠、上架門檻太高。目前平臺支持 n8n 工作流或 LangGraph 制作的復雜 agent 上線，但這仍依賴一定的人工審核，且創作門檻依然存在。

所以繞了一圈回到剛才的話題：Claude Code 是極強的通用智能體。對于大多數開發者或普通人來說，只要能向它描述清楚需求，再配合我們提供的一個足夠豐富的 skills market，就能大幅降低開發門檻。官方主要負責提供清晰的技能模塊，比如操作 Excel、控制瀏覽器或調用特定軟件，普通人只需描述需求并選擇對應技能，Claude Code 就能將這些打包成一個容器或虛擬機，穩定交付任務。整個創作過程的核心就是極大地降低開發門檻。

晚點：這聽起來有點像我們在電腦上做的一些自動化操作？比如手機上可以用蘋果的 “快捷指令” 做一個截圖自動化流程，截圖后自動按比例裁剪并上傳到云盤，電腦上就能直接看。你們在電腦上實現的是類似的功能嗎？

陳宇森： 非常同意，這是個好例子。我們團隊也有同事把內部平臺的登錄憑證放在手機上，通過快捷指令調用 agent 幫他處理事務。但這還比較簡單。

對于稍微復雜的場景，則需要加入個人判斷。過去，軟件很難通過規則代碼去實現人的業務判斷；但現在，只要教會大模型怎么去判斷，它就能把這個步驟做掉。比如供應鏈員工發現缺貨需要補貨，過去是基于個人判斷去操作 ERP 系統，現在大模型可以作為中間的 “膠水”，替代這些智力挑戰不大的判斷工作，實現全流程自動化。

半自動化和全自動化的區別是巨大的，因為 AI 可以 24 小時工作，還能復制成百上千份。所以我們認為，Claude Code 目前的狀態已經足以將創作 agent 的門檻降到極低。

晚點：Claude Code 是目前最強的通用智能體，它強大的能力足以極大地豐富 Agent 的供給。因此，現在是否是做 Agent 交易平臺的絕佳時機？

陳宇森： 是的，這正是我們一直在等待的、能夠讓創作變得足夠簡單的時機。Anthropic 的官方博客也提到，他們最初做 Claude Code 是為了輔助編程，但內部員工發現它可以很好地處理查看郵件、電腦操作等各種通用任務。大家對通用任務的需求其實非常旺盛。

而要讓 Claude Code 把這些事情做得更好，核心就是為它提供足夠好的運行時環境，也就是 runtime。比如，不給它瀏覽器，它就沒法做網頁操作；給了它，它就能自己去執行。就像近期英偉達發布的能幫人打游戲的 AI 一樣，只要你給 Claude Code 一個 Windows 環境，并講清楚游戲操作的技能，理論上它也能幫你打游戲。所以在擁有足夠好的運行時環境和清晰的技能設定下，理論上現在的 Claude Code 已經可以做電腦上的任何操作。

晚點：所以你們目前在做的核心是否就是這兩件事：為模型提供足夠好的運行時環境和清晰的 Skills，同時配合一套交易系統？

陳宇森： 對。這套系統聽起來似乎誰都能做，但真正做好需要花很多時間。我們的創作者只需編寫需求描述、prompt 或 SOP，我們就能將其連接成各種各樣豐富的 agent。

我們認為目前市場上有一個沒有被充分商業化的點：一個足夠好的 prompt 是具有極大商業價值的。現在很多 AI 博主的做法只是免費分享，比如之前 Nano Banana 生圖模型火爆時，那個生成 “桌面手辦模型” 的絕佳 prompt，最早想出來的人雖然無從考證，但他分享出來后引發了極大的傳播。

晚點：“降低門檻” 在你們產品的優先級里排在第一位嗎？

陳宇森： 是的，它是非常強的優先級，幾乎就是第一優先級。因為在模型能力不斷提升的情況下，要想做成雙邊市場，核心依然是解決供給豐富度的問題，而供給豐富的前提就是極致降低創作門檻。

前面提到的 Nano Banana 就是個很好的例子。當時大家都想做桌面手辦圖，但自己實現需要能訪問大模型，還需要懂得使用搜索引擎去找到那段關鍵的 prompt，這個門檻把很多人擋在了門外。于是就有人在閑魚上幫人代做，一次收 5 塊錢。

圈內人覺得理所當然的新技術，對大多數普通人來說依然存在極高的使用門檻。如果你能提供一個足夠便捷的使用方式，他們是愿意買單的。這就是我們正在做的事情的商業價值。

晚點：這個受眾基數確實很大。我之前遇到過一件有意思的事：在餐廳吃飯時，一個十幾歲的服務員聽到我們聊 AI，就跑來問我們。他說他在一個群里，跟著別人用 AI 給人 P 頭像賺錢——其實就是利用免費工具套個濾鏡。這種需求其實一直都在。

陳宇森： 是的。幾年前生圖模型還沒和語言模型結合得這么好時，比如早期的 Stable Diffusion 或 Midjourney，寫 prompt 就像寫代碼一樣，格式嚴格，不像自然語言。那時候就有朋友靠幫人生成特定風格的卡通頭像，一次也能賺 10 塊錢。所以在技術門檻還不夠低的時候，做一個連接 AI 能力和普通人之間的 “翻譯中介” 是能賺到錢的。

最近 Gemini 3 的核心工程師在接受采訪時，解釋了為什么模型會這么強。他說大模型的 Scaling Law 還遠沒有撞墻，智力還能繼續提升；更有意思的是，哪怕現在大語言模型的智力停止演進，我們距離 “榨干” 它現有的能力，可能還有一到兩年的時間。

所以大家常說 2025 年是 agent 元年，2026 年會迎來應用大爆發。目前的模型能力已經能夠支撐做出很多不一樣的東西，只是整個行業，無論是創業公司還是大廠，還沒有把它的能力上限完全挖掘出來。在這個前提下，我們依然有非常多事情可以做。

同樣的技術變化，MuleRun 與競品不同的做法

晚點：關于競品，市場上在做類似事情的其他玩家目前處于什么狀態？

陳宇森： 早期在 agent 或 workflow 領域，大家都在卷創作工具，最知名的三家是 n8n、Dify 和 Coze 。當時他們產出了大量形態類似 Chatbot 的產品，但輸入輸出的維度還不夠豐富。

這幾家優秀的創業公司或大廠團隊有著不同的發展現狀。Dify 目前更專注商業化，尤其是 ToB 市場，他們在日本和美國都做得不錯。因為大公司內部的軟件無法對外暴露，Dify 能夠幫助他們在安全的內部環境中運行工作流。 Coze 早期的核心邏輯是低代碼和 Chatbot，但他們變化很快，近期的發布會顯示他們也在轉向類似 Vibe Coding Agent 的方向，即放棄拖拉拽，直接通過自然語言需求生成應用，這是一種我們非常尊重的變化。

不過， Coze 目前是一個封閉生態，編輯好的應用很難部署到其他地方，而 n8n 和 Dify 是可以在我們的環境中運行的。至于字節跳動，按照他們的習慣，未來大概率也會做一個完整的大閉環。雖然目前市場上大家對產品的思考和優先級不同，路徑選擇也各異，但殊途同歸，所有人都想打造一個屬于新時代的 App Store，最終要看誰的選擇能跑到最后。

晚點：螞蟻集團現在做的 “靈光” 和 Agent market place 有什么關系？

陳宇森： 螞蟻的 “靈光” 可以理解為高配版的 “馬卡龍”，本質上是我們對生產關系的選擇不同。靈光的邏輯是 “自己做給自己用”，并將其視為社交網絡的一部分；而我們秉持的是 “做出來給別人用” 的交易市場邏輯。

這就像攝影的發展史：早期數碼相機極其昂貴，拍照只是一種記錄；但智能手機普及后，基于照片這種載體長出了 Instagram 和 Snapchat 等完全不同的產品。Vibe Coding 產生的新事物也是如此，不同平臺對其定義和應用路徑做出了不同選擇。我們將平臺上的 agent 純粹視為解決工作痛點的生產力工具。如果發展得好，我們可以被視為一家全球最大的勞動力外包公司。

晚點：平臺正式上線三個月了，你剛才提到并沒有涌現出想象中那么多的 PMF，你們原本的預想是怎樣的？

陳宇森： 我們原本的預想是切入一些非常 niche 的場景，希望每個場景能有幾十到一百個 DAU，每天用它來解決特定問題。但雙邊市場的冷啟動非常困難：沒有用戶時，創作者不愿意來部署產品；沒有優質供給時，用戶來了也留不住。

目前我們取得了一定進展，在某些場景下發現了幾個或十幾個強需求的用戶。接下來的核心任務是深挖這些具備機會的單點場景，并極大地豐富供給。只要能把這個核心指標跑通，后續的規模化擴張將不會有太大阻礙。

晚點：在啟動階段，官方會自己做很多 agent 放上來熱場子嗎？

陳宇森： 就像蘋果應用商店一樣，官方必須提供計算器這類基礎工具。我們平臺上也有官方制作的基礎產品，比如 General Browser Operator。早期我們沒有投入大量精力做官方 agent，是因為我們選擇了 “框架中立” 的路線，需要耗費大量工程精力去兼容各種產品的部署方式，團隊確實做不過來。

現在回過頭看，如果最初幾個月多花時間去做一些看準場景的官方 Agent，效果可能會更好。不過隨著新的創作范式（Claude Code + Runtime + Skills）的到來，如果我們能充分擁抱它，僅靠我們自己團隊也能在一個月內上架非常多好用的 agent。

晚點：你們現在的團隊規模是多少？

陳宇森： 我們現在有 50 個人左右，規模不算小，整體成本也不低。

晚點：你們提到在工作和生產場景中需要 “大量 SOP 加少量大模型” 來實現高成功率。這在你們平臺的產品上是如何體現的？是通過上架審核來控制嗎？

陳宇森： 我們不會限定創作者的工作思路，如果有人能用一小段 SOP 或 prompt 就讓任務穩定運行，那說明他很厲害。但作為交易平臺，我們的底線是交付極高的任務完成率。比如一個任務跑 100 次或 1000 次只能錯 1 次；如果跑 10 次錯 5 次，這就是不合格的商品，必須下架。

為此，我們一直在開發復雜的 benchmark 和評估監控系統，持續檢驗 agent 的有效性。同時，平臺也會引入用戶評論反饋和退款機制。這些聽起來不性感的 “苦活”，恰恰能沉淀出極具價值的輸入輸出數據，幫助我們更好地洞察 agent 的演進方向。

這其實與 Anthropic 開發 Claude Code 的底層思考一致，也就是《苦澀的教訓的邊界》中所提到的：很多確定性的事情，比如比較 9.11 和 9.2 的大小，就應該交給代碼去執行，大模型的任務是判斷何時調用代碼并提取結果，而不是把冗長的上下文塞進提示詞里讓模型自己去瞎猜，那樣極不穩定。

晚點：隨著模型能力的不斷提升，你認為 “大量 SOP 加少量大模型” 這個策略會持續有效嗎？

陳宇森： 如果能夠瞬間完成人類所有任務的強 AGI 真的實現了，那我們可能確實就沒有存在的空間了，因為全人類都可以直接躺平。但我們判斷這種形態的 AGI 短期內不會出現。在它出現之前，我們平臺的價值極其巨大。而且，由于人類的大量知識依然沉淀在個人的大腦和線下環境中，模型廠商很難在邏輯上瞬間獲取這一切，同時人類也會不斷涌現出全新的需求。

退一步講，哪怕未來出現了超級大模型，只要我們的供給足夠豐富，我們依然可以成為那個入口級的 agent：用戶提出需求，我們在數以百萬計的供給中精準匹配解決方案。在那一天到來之前，我們只需要專注做好當前階段的事情。

晚點：在現在的階段，你們要做框架中立的產品，提供好的運行時環境和清晰的 skills，這其中的難度是什么？遇到過哪些問題，又是怎么解決的？

陳宇森： 大方向其實很容易想到，但要考慮：如果未來要并行啟動很多實例，啟動時間、穩定性如何？創作時讓用戶定義什么、不定義什么？這涉及產品設計的復雜性，是讓每個創作者可以定義它的環境，還是更暴力地所有東西塞在一起只做選擇？這個選擇涉及鏡像變更與否，有很多小細節。

但大邏輯上，Anthropic 已經把謎底寫在謎面上了：Claude Code 是非常強的通用 agent，就應該讓它做很多事情。但怎么讓它服務每一家不同的產品、做不同的事情，大家的選擇會不一樣。把一個東西做出來很簡單，但把它做好，細節太多了。

晚點：怎樣算 “做好”？

陳宇森：樸素的標準：簡單、穩定、好用。

晚點：長期來看，如果未來 AI 外包平臺能滿足大量長尾的分散需求，那獨立的 General Agents 還有多少生存空間？這感覺就像淘寶這種平臺的體量最終超越了絕大多數獨立的消費品牌。

陳宇森： 完全同意。在中國的電商市場，獨立站的模式很難成立，因為平臺能以更低的成本匯聚并分發流量。我們認為同樣的邏輯也適用于 AI 領域：未來大量垂直的 AI 應用，如 AI 招聘、AI 繪圖、AI 營銷等，最好不要獨立發展，而是應該長在一個統一的大平臺上，由我們去凝聚這股強大的生產力。

但 General Agents 和我們是兩個不同層面的生態，互相之間不存在嚴重的擠壓。General Agents 還涉及 memory，比如一個深度使用 ChatGPT 的人很難遷移到其他產品，因為模型已經充分了解了他的習慣和偏好，能提供高度匹配的建議。這兩者服務于不同的用戶心智和需求場景，會各自長期存在。

時隔一個月：Agent Builder 內測開啟、交易平臺不會再是貨架式

以下內容，是 1 月晚點與宇森的第二次訪談。

此時， MuleRun Agent builder 已開始內測，我們更詳細地聊了 Caude code 開啟的 skills，MuleRun 如何做 Agent builder，為何貨架式的 Marketplace 可能不再適用。

晚點：上次提到，MuleRun 主要提供清晰的 skills 和良好的 runtime。現在 skills 是非常熱門的實踐，agent 里的 skills 究竟是什么？實質是一些文檔嗎？

陳宇森：skills 的核心在于幫助 agent 處理復雜任務時進行分層加載，本質上它是 Context Engineering 的一部分。過去處理復雜任務需要編寫很長的提示詞，而長文本壓縮容易導致模型丟失信息。通過 skills 機制，agent 一開始不需要讀取所有內容，而是先查看所有 skills 的元數據信息，了解它們分別能解決什么問題。當遇到特定問題時，agent 再決定加載并讀取特定的 skills。

skills 大多數是文檔，但有時也附帶工具、預先寫好的程序或 API。例如，當遇到特定問題時，skills 會指示 agent 直接調用某段代碼或 API 獲取結果，而不是讓大模型自己去推理和處理。因為大模型的上下文窗口非常寶貴，輸入過長會導致其產生幻覺且邏輯能力下降。在調用時，agent 何時讀取哪個 skill 完全由模型自行判斷。

這正是 agent 與傳統軟件最核心的區別：傳統軟件的邏輯是寫死的，依賴大量的條件判斷分支來解決特定問題；但在現實世界中，許多問題無法完美分類，此時就需要大模型充當決策者，一邊分析問題，一邊審視系統內現有的 skills，動態匹配并深入讀取最合適的 skill 來解決問題。

晚點：既然 MuleRun 平臺致力于提供清晰的 skills，這些 skills 是官方編寫的嗎？

陳宇森：官方肯定會編寫一些高頻常用、且需要與我們平臺的運行時環境高度配合的 skills。目前網絡上 skills 的編寫門檻不高，數量龐大，比如僅在 GitHub 上就能抓取到數萬個。因此，我們目前的核心工作是建立一套高可信度的 skills 評價系統。

當用戶提出一個特定任務，例如挑選餐廳，或轉換 PDF 格式，而網上有多個相關 skills 時，我們需要通過算法分析并推薦最優選。同時，我們還要進行嚴格的安全審計，防止惡意的 skills 獲取用戶環境的控制權。作為一個好用的交易市場，我們需要在底層做大量的優化與篩選工作，確保最終提供給用戶的 skills 在同類中表現優異且絕對安全無害。

晚點：你們主要關注哪類 skills 的優化？

陳宇森：在具體方向上，我們會重點優化瀏覽器操作和網頁自動化相關的 skills?，F在許多工作都在瀏覽器內完成，如果能自動協助用戶完成這些任務，將產生巨大的價值。我們不僅自己研發，也會積極優化社區中優秀的 skills，使其與我們的運行時環境及工具完美結合。

晚點：你們的基建更多是關注長尾需求，這是否意味著過去那種集中式、高成本的軟件開發模式將發生改變？如何看待未來軟件的組織形態和商業模式？

陳宇森：過去的軟件開發成本高昂，必須服務成千上萬人的共同需求才能支撐其商業模式。但現在的 AI 開發就像 3D 打印一樣，你可以專門為自己或三五個朋友的少數特定場景需求去開發一款 agent，而且體驗非常完善。門檻的降低使得開發的組織形態變得極其分散。展望未來十年，如果不進行自我革命，傳統軟件公司很可能會被 AI 公司全面取代。

未來的軟件甚至可能是 “日拋型” 的，即代碼僅為執行特定目的而精準生成，執行完畢后即刻銷毀。雖然這種絕對的 “一次性代碼” 狀態在短期內難以完全實現，但目前創建一個受眾小卻能讓特定人群感到好用的 agent，已經是一件極具價值的事情。

當然，這種長尾且分散的 AI 模式本質上是一種制造業，每一次執行都在消耗算力和 token，對能源的需求極大。只要 AI 能力還存在顯著的層級差距且未形成完全壟斷，token 的成本在短期內很難大幅降低。但由于 AI 作為先進生產力能全面滲透并重組人類社會的勞動力，其未來的需求幾乎是沒有上限的，這甚至可能會倒逼人類加速發展可控核聚變或太空數據中心等前沿科技。

晚點：你們在 1 月中旬開始內測的 Agent Builder，其設計思路是什么？它是如何幫助普通用戶更簡單地開發 Agent 的？

陳宇森：agent 的本質是一個可交互的大模型 API，并在其中構建了 Agent Loop 和 Context Engineering 。Agent 在處理任務時不是一步到位的，而是需要多次循環交互，并在此過程中謹慎管理有限的上下文窗口，以防模型智商下降。同時，還需要為其配備工具，使其能夠操作瀏覽器或調用外部接口。

我們的 Agent Builder 思路是站在巨人的肩膀上，在目前市面上表現極佳的基礎 agent 的基礎上進行封裝，為其構建優質的 skills 和運行時環境，并提供易用的云端編輯與架構工具。普通用戶無需編寫復雜的代碼或提示詞，只需通過自然語言交互定義任務，系統就會自動協助配置所需的 skills 和環境，讓完全沒有技術背景的人也能輕松在云端構建屬于自己的 agent。

晚點：在基礎 Agent 之上做一層易用性封裝，可能在部分技術人員看來顯得沒有太多技術含量。你如何看待這種降低使用門檻對產品的價值？

陳宇森：雖然從短期技術角度看這層封裝似乎較淺，但技術出身的人往往容易忽略 “降低門檻” 對一款產品的巨大商業價值。以 DeepSeek 為例，它之所以能引爆全網，并非僅僅因為技術上顯著領先于 OpenAI 的 o1，而是因為它在可觸達性、價格親民以及直觀展示思維鏈方面做得更好，大眾體驗得到了極大提升。純粹追求技術先進性固然重要，但如果不重視用戶體驗的進步，產品思路就會顯得狹隘。

我們發現，過去讓用戶通過復雜的 n8n 或 LangChain 框架去開發和部署 agent 門檻實在太高，許多擁有獨特領域知識的專家根本不具備代碼能力。因此，我們致力于打造這套免除復雜配置的工具。內測幾天來效果非常顯著，比如我們完全不懂技術的運營同學，現在已經能通過自然語言交互，讓 agent 自動操作瀏覽器去完成 KOL 的背景調研和數據篩選，并直接將結果同步到釘釘文檔中。這種極低門檻的工具極大地豐富了供給端，激發了大眾的創造力。

晚點：隨著產品思路的轉變，你們目前對 “貨架式” 的 Skills 交易市場，也就是 market place 模式有什么新的思考？未來的產品形態會發生怎樣的變化？

陳宇森：幾個月前我們執著于做貨架式的交易市場，現在反思來看確實有些逆潮流而動。貨架電商模式對新用戶來說選擇難度太大，用戶進入平臺后往往一頭霧水，如果隨便試用兩個沒有獲得好效果，就會直接流失。

當前的應用入口已經迭代到了第三代，即對話式的交互形態。因此我們正在進行調整，未來的核心入口將轉變為對話式界面。表面上它看起來像一個超級通用 agent，但底層連接著龐大的創作者生態。用戶只需陳述想解決的問題，系統就會自動匹配到某位創作者預制好的、最適合處理該任務的 agent 來執行，原來的貨架市場則會被降級為二級入口，供目標明確的用戶自行挑選。

不過，我們現在還沒有想清楚如何讓提供優質 skills 和 agent 的創作者獲得合理的收益分配，目前是以免費分享為主還是交易為主，還在持續探討和測試中。

晚點：在你們測試 Agent Builder 的同時，Anthropic 也發布了基于 Claude Code 且帶有交互界面的 Claude Coworker。相比之下，你們的產品與它有何異同？

陳宇森：Claude Coworker 的發布完全在預期之內，因為 Anthropic 在 agent 能力上本就處于全球最前沿。它的核心優勢在于龐大的桌面客戶端裝機量，它將原本需要在終端命令行里運行的 Claude Code 封裝成了圖形界面，降低了普通人的使用門檻，并能直接讀取本地文件和日歷等強相關上下文。

而我們的產品更側重于云端環境。云端的好處在于權限嚴格受控，我們可以為特定的云端 agent 創建獨立的賬號體系，它只能在限定權限內執行特定任務，這在面向工作和效率相關的場景下更具安全性和可控性，而本地端則需要用戶賦予極高的信任。

晚點：你如何預判未來的市場競爭格局？

陳宇森：在未來的市場競爭中，像 Manus、字節的 AnyGen 等大概率會向通用 agent 方向深耕。我們堅信，引導用戶去開發簡單的 AI 網頁或小游戲價值較為單薄，真正的核心壁壘在于利用我們極低門檻的框架，讓各行各業的專家將那些大量存在于線下、尚未數字化的 SOP 和領域知識轉化為高價值的專業 agent，這是我們一直以來創業的核心驅動力。

創業十年的反思：痛苦帶來韌性，在低谷重新找回「用心」

以下內容，回到 12 月的那次聊天，宇森分享了他從大學開始，起起落落的創業故事和個人成長。

晚點：你最近有嘗試那個很流行的 ChatGPT 提示詞嗎？讓它基于對你的了解，告訴你一個關于你的 “殘酷真相”。

陳宇森： 它說我目標模糊、行動保守，容易在瑣事和自我驗證上內耗。我覺得不完全準確，因為很多問題是帶著目的性問的，不代表真實狀態。

不過它說我不夠聚焦，倒讓我想到第二段創業同時做兩家公司的經歷——一家游戲公司，一家數據安全公司。那大概是年輕人都會有的階段，覺得自己無所不能。游戲公司后來關掉了，安全公司還在運營，但這幾年企業軟件和安全賽道整體都不好做。

晚點：你從 20 歲浙大畢業后就開始創業，2014 年到 2019 年做了長亭科技，后來賣給了阿里云。這次創業為什么沒有選擇 AI 安全，而是走了完全不同的方向？

陳宇森： 目前 AI 產業整體還處于相對早期的階段，與其去做 AI 的安全防御，不如直接投身到 AI 浪潮的核心本身。從個人追求來看，我也非常希望能夠拓寬自己人生的廣度。

回顧之前跨界做游戲的經歷，我確實顯得操之過急了。當時因為融到了比較充裕的資金，我們一上來就想做一個在玩法和題材上都有創新的中大型 PC 游戲項目。其實游戲行業有句名言，一個人做出來的前十款游戲大概率都是垃圾，必須踏踏實實從底層做起。當時我們缺乏對未知領域的敬畏心，總覺得自己學習能力強，第一次出手就能做成大事。

這種自信心爆棚的心態，很大程度上來源于第一次創辦長亭科技時的順利。當時我們團隊的技術實力在國內那一批年輕人中是最頂尖的，做的是自己最擅長的事情，加上商業化迭代也很成功，被收購時我們的收入規模在同類創業公司中名列前茅，這很容易讓人產生一種無所不能的錯覺。

晚點：當時為什么選擇將長亭科技賣給阿里云，而不是繼續獨立發展？

陳宇森： 做出這個選擇主要基于對行業和資本兩個層面的判斷。

首先，當時各大云廠商的發展非常迅猛，阿里云、騰訊云、華為云發展很快，云廠商的銷售在基礎設施層面會直接吃掉客戶需求，跟大的云廠商深度合作是一個選擇。二是 2018 年已經看到融資環境開始惡化，要走到上市可能還需要一兩輪融資，時機判斷上覺得不如在高點做一次合并。

晚點：從大學時藍蓮花戰隊在各種頂級安全比賽中奪冠，到后來創業過程中的起起伏伏，這些經歷對你現在的心態產生了怎樣的影響？

陳宇森： 大學時我們去打網絡安全比賽，不管是解題模式還是高強度的紅藍對抗模式，我們在國內外都拿到了頂級的成績，那種突破極限的正反饋是非常震撼的。

后來第一段創業經歷雖然也會遇到跑銷售吃閉門羹之類的困難，但只要看長線的數據，公司業務始終保持著每年翻倍的高速增長，處于快速發展期的勢頭可以掩蓋和解決絕大多數內部問題。然而，隨后的創業經歷讓我徹底體會了走下坡路的殘酷。當糟心的事情成倍增加，團隊向心力開始渙散時，你能清晰地感知到核心團隊對你的信任正在一點點流失。

2023 年中下旬準備關停游戲公司的那段時間是我人生的絕對低谷。我陷入了重度的焦慮和失眠，整天都在極度的自我懷疑中煎熬，甚至覺得過去的成功全憑運氣。公正來講，運氣成分肯定有，但能力的成長和進步也是真實的，并不全是運氣。但在巨大的失敗面前，人很難保持這種清醒，會陷入對自己人生的全面懷疑。

晚點：2023 年時，外部大環境中的 AI 浪潮已經爆發，整個科技界都處于極度興奮的狀態，當時你是如何應對并最終走出低谷的？

陳宇森： 那時候 ChatGPT 已經非常火，外部極度興奮，但我的狀態根本不在。走出來靠的是陪伴和分心。兩個初中同學主動來找我，說感覺你最近不順，一起去網吧打兩天游戲吧。" 勝敗乃兵家常事 " 這類話自己已經說給自己聽了一萬遍，再聽沒有意義，那種陪伴反而真正有幫助。

晚點：很多人看到大廠在 AI 上的重金投入，會覺得留給創業公司的生存縫隙越來越小了，如何看待這個問題？

陳宇森： 我的推論恰恰相反。大廠對 AI 展現出巨大的熱情并積極轉型，證明了這確實是一個顛覆性的系統級機會。而大廠沉重的歷史包袱和龐雜的傳統產品體系，反而為外部毫無顧忌的創業公司留下了更廣闊的操作空間。創業公司在戰場上面對的從來不是大廠的本體，而是大廠麾下的某一個具體業務部門。

晚點：這次創業你給自己的核心原則是什么？

陳宇森： 一是做和自己能力、認知真正匹配的事，不被外部條件推著走。二是用心。它不等于仔細認真，仔細認真只是在完成任務；用心是你熱愛它，持續思考它。第一次創業幾乎醒著每一刻都在想怎么把事做成，第二次有了驕傲，覺得想到這里差不多了——有這種心態的時候，事情基本不可能成功。

晚點：對接下來最近的目標和 2026 年行業有什么判斷？

陳宇森：最近最重要的里程碑是做出真正簡單好用的創作者工具，讓沒有編程能力的人也能做出 agent 解決實際問題，從而激活平臺的雙邊市場，希望半年內看到成果。

對行業來說，2026 年是應用兌現的關鍵一年。全球對 AI 的投入已到峰值，必須看到真正的價值落地。目前大模型更聰明本身沒有產生足夠直接的實際價值，大多數人最主要的 AI 應用依然是 chatbot，真正意義上的大規模采用還沒出現。我期待能出現真正 AI native 的新公司，年收入達到五億甚至十億美元量級。對模型本身，希望它在 coding 和 agentic 能力上持續強化，不是在評測上刷分，而是能更準確、更高效地使用工具，這對我們做的事情意義更直接。

題圖來源：MuleRun 官網