Ribbi從20人到20滿群，AI虛擬CEO引爆全球

乍一使用，你很難給Ribbi一個(gè)準(zhǔn)確的定義。

若說這是一個(gè)多模態(tài)內(nèi)容創(chuàng)作工具，Ribbi能做得不止于此。比起一個(gè)“死”的工具，Ribbi更像一個(gè)可以自動(dòng)管理創(chuàng)作全鏈路的“人”。

它能將用戶的創(chuàng)作流程，自動(dòng)沉淀為Skill；也能監(jiān)測社交媒體的數(shù)據(jù)表現(xiàn)，總結(jié)復(fù)盤，并自動(dòng)對后續(xù)的創(chuàng)作進(jìn)行優(yōu)化。

Ribbi官網(wǎng)首頁。

而與你對話的Ribbi，被設(shè)定為一只個(gè)性十足的“青蛙”：愛吐槽，偶爾還能爆點(diǎn)粗口。

與Ribbi的對話。

這款有些“怪”的產(chǎn)品，卻在上線封測一周內(nèi)，收到了全球4萬多用戶的使用申請。用戶群從上線第一天的20人，快速擴(kuò)張成了20個(gè)幾乎滿員的大群。閑魚上，Ribbi的內(nèi)測碼，一度被炒到了200元。

“我們上線Ribbi，本來是為了找100多個(gè)種子用戶做封閉測試，驗(yàn)證PMF（產(chǎn)品-市場適配率），都沒正式開始做營銷和投放。”Ribbi創(chuàng)始人兼CEO Robin告訴我們，用戶通過口碑傳播的裂變速度，遠(yuǎn)超他的預(yù)期。

在4月初和《智能涌現(xiàn)》的交流中，Robin的嗓子已經(jīng)啞了。半個(gè)月內(nèi)，他見了多家投資機(jī)構(gòu)，官方Linkedin的私信箱，也堆滿了合作邀約。

畢業(yè)于工業(yè)設(shè)計(jì)專業(yè)，Robin做過4A和品牌企劃，后續(xù)還在幾家頭部大廠，主導(dǎo)多款明星AI產(chǎn)品的創(chuàng)作功能設(shè)計(jì)、創(chuàng)意Agent落地等工作。

“市面上不少AI設(shè)計(jì)工具，仍然把內(nèi)容創(chuàng)作視作單點(diǎn)環(huán)節(jié)的拼接。但事實(shí)上，創(chuàng)作應(yīng)該是涵蓋創(chuàng)意生成、內(nèi)容生成、發(fā)布、數(shù)據(jù)監(jiān)測、復(fù)盤、優(yōu)化的完整鏈路。”Robin告訴《智能涌現(xiàn)》。

基于這一認(rèn)知，2025年末決定創(chuàng)業(yè)時(shí)，Robin做了不少“非共識(shí)”的決定：

不做Multi-Agent（多Agent架構(gòu)）的產(chǎn)品，因?yàn)椴煌瑢＜褹gent在傳遞過程中，會(huì)造成Context的損耗；

不做單點(diǎn)的內(nèi)容生成，而是用一個(gè)Agent，打通創(chuàng)作、發(fā)布、效果監(jiān)測、復(fù)盤優(yōu)化等創(chuàng)作中所有的鏈路；

不做“畫布類”的產(chǎn)品，而是用Chat作為UI，給Agent更多的自由度；

自訓(xùn)VLM（視覺-語言模型）、自研名為Contxt Layer的Agent架構(gòu)，沉淀創(chuàng)作經(jīng)驗(yàn)和反饋，讓AI自主進(jìn)化。

這一切設(shè)計(jì)的最終目標(biāo)，Robin告訴我們，是讓Ribbi不僅僅局限于一個(gè)“工具”，而是成為理解完整創(chuàng)作閉環(huán)的“人”。

比如，當(dāng)Coding成為業(yè)內(nèi)共識(shí)，不管是大廠，還是“AI六小虎”，都不約而同朝這個(gè)方向沖。

但在看到Taste的確切價(jià)值之前，為審美、品味構(gòu)建模型，是大廠不愿意做的。只有當(dāng)視覺創(chuàng)意生成從非共識(shí)，變成共識(shí)，才能激發(fā)更多大廠和頂尖人才參與進(jìn)來。

大廠的基模能力很強(qiáng)，但模型團(tuán)隊(duì)對業(yè)務(wù)的認(rèn)知有偏差。一旦團(tuán)隊(duì)變大，每個(gè)團(tuán)隊(duì)之間信息傳遞的過程，會(huì)折損大量的Context。

這也是Ribbi團(tuán)隊(duì)只有6個(gè)人的原因。我們只有3個(gè)程序員，他們現(xiàn)在是全棧設(shè)計(jì)師、全棧工程師，什么都能開發(fā)，并且可以做得很好。

這就是Claude Code帶來的代碼生產(chǎn)力的進(jìn)化。我相信，Ribbi會(huì)帶來內(nèi)容生產(chǎn)力的進(jìn)化。

我們在宣發(fā)的過程中搞了很多“抽象”，比如“72小時(shí)ARR破億”“一夜百萬用戶”，本質(zhì)上是為了諷刺很多AI產(chǎn)品的虛假宣傳。

只是我們諷刺做得不夠好，很多用戶信以為真了（無奈笑）。

我們在X上的CEO賬號也是虛假的，根本沒有“Robin Bisset”這個(gè)人。賬號上的很多內(nèi)容，包括Robin的外國人形象，都是Ribbi生成的。

△Ribbi的虛擬老外CEO。圖源：X

我花了很長時(shí)間才研究明白Harness。圈內(nèi)很喜歡造概念，又是“馬鞍”，又是“駕馭”，搞得很玄乎。

其實(shí)Harness很簡單，就是一個(gè)腳本，或者一個(gè)workflow，讓模型不偏離目標(biāo)，更好地發(fā)揮價(jià)值。

我們沒有把Ribbi做成畫布類的產(chǎn)品。畫布類的AI產(chǎn)品看起來交互很酷炫，能讓投資人眼前一亮，專業(yè)用戶使用起來也很順手。

但它們有一個(gè)“致命傷”：把模型的可能性提前“鎖死”了。因?yàn)楫嫴嫉谋举|(zhì)，是將工作流拆成一個(gè)個(gè)節(jié)點(diǎn)，模型只能沿著這條路徑走。

我們一直以來的判斷是，AI時(shí)代的UI應(yīng)該是容器化的，而不是功能化的。產(chǎn)品應(yīng)該給AI創(chuàng)造一個(gè)容器，讓它可以自由決定調(diào)用什么樣的工具、怎么組合工具，甚至按照什么樣的順序執(zhí)行任務(wù)。

在我看來，Chat是一個(gè)足夠簡單，并且靈活兼容一切的容器。

比如豆包DAU跑得很快，其中一個(gè)原因在于，它的移動(dòng)端App設(shè)計(jì)得很輕量。用戶不需要打開新的對話框，只要在一個(gè)session中瘋狂Chat就能生圖、生視頻。它將用戶的交互和AI的行為，統(tǒng)一在一個(gè)非常簡單的框架中。

用戶認(rèn)為Ribbi好用的點(diǎn)，就在于他們可以隨時(shí)把X、Instagram、Pinterest等平臺(tái)上的素材，采集、保存在Ribbi中，底層的AI再自主學(xué)習(xí)其中的審美。這其實(shí)就是人與AI Chat的過程。

作為AI產(chǎn)品經(jīng)理，我非常討厭用復(fù)雜的交互去操作AI。AI應(yīng)該很聰明，不用我時(shí)時(shí)刻刻盯著，就把活干了。當(dāng)你產(chǎn)品的交互門檻、使用門檻足夠低的時(shí)候，自然而然就能吸引更多人。

我們設(shè)計(jì)Ribbi功能的出發(fā)點(diǎn)，不是為了把功能做全面，而是為了讓創(chuàng)作鏈路的Context完整連通。

互聯(lián)網(wǎng)平臺(tái)的核心是UGC，Ribbi的核心是AGC，Agent Generated Content。創(chuàng)業(yè)前，我就在尋找可以讓“Agent自主進(jìn)化”落地的場景，創(chuàng)作就是一個(gè)很好的答案。

首先，Taste會(huì)自主進(jìn)化，這就是我們設(shè)計(jì)Pond和訓(xùn)練VLM的原因。

Skills也會(huì)隨著用戶的使用自主進(jìn)化。用戶在使用Skill地過程中，會(huì)產(chǎn)生新的場景、需求和Context，這些Context就會(huì)凝練成專屬用戶個(gè)人的Skill。

這些個(gè)人Skill，都會(huì)經(jīng)過Context Layer中的Skill Agent的評估、去重、去隱私化，再貢獻(xiàn)給平臺(tái)全端。因此，平臺(tái)的Skill也會(huì)循環(huán)進(jìn)化，用戶使用越多，Skill就越多，能力也越強(qiáng)。

社交媒體，是Agent在線進(jìn)化落地的核心訓(xùn)練場，將作品發(fā)布到社交媒體，是Agent與真實(shí)世界的一種交互。監(jiān)測數(shù)據(jù)表現(xiàn)后，Ribbi能夠自主迭代和優(yōu)化創(chuàng)作路徑，交付更好的結(jié)果。最終，平臺(tái)就能夠形成一個(gè)自主進(jìn)化的創(chuàng)作閉環(huán)。

Multi-Agent架構(gòu)中，大部分專家Agent的底層能力，都來源于Claude。既然底層模型一樣，為什么還要通過提示詞工程，把模型拆分成不同的Agent？

提示詞工程，本質(zhì)上是對模型能力的約束。任務(wù)在多層Agent架構(gòu)中的傳遞，都會(huì)造成Context的損耗。

我們做Ribbi的時(shí)候，核心觀點(diǎn)是：讓Agent足夠自由。

Agent要在一個(gè)非常豐滿、質(zhì)量足夠高的Context中，發(fā)揮自己的能力。因此，我們的核心架構(gòu)其實(shí)是一條Single-Agent鏈路。

除此之外，我們構(gòu)建了一個(gè)中間層，Context Layer。它由Memory、Taste 、Skills等不同層級構(gòu)成，每一層都有對應(yīng)的Agent。它們的作用不是執(zhí)行任務(wù)，而是輔助Single-Agent收集Context。

這兩點(diǎn)在OpenClaw上得到了具體的體現(xiàn)。但我們的產(chǎn)品定義和OpenClaw非常不一樣：

首先我們提出了Context Layer，為Agent提供了很干凈的Context；其次我們不希望為用戶提供一個(gè)部署門檻很高的產(chǎn)品；最后我們整體的功能鏈路都是為內(nèi)容創(chuàng)作服務(wù)，所以Ribbi提供了100多個(gè)可以自由組合、循環(huán)進(jìn)化的Skills。

我相信世界上很多人對Agent的想象是一致的。OpenClaw很多的底層思考來源于Claude Code，我們的核心想象也出自Claude Code。

首先，Ribbi是一個(gè)可以自我進(jìn)化的內(nèi)容引擎。其中，“Pond”是它的審美輸入端，Skills是流程的沉淀，主動(dòng)發(fā)布和數(shù)據(jù)監(jiān)控是內(nèi)容創(chuàng)作的最后一公里。

我們希望Ribbi有活人感。如果你和Ribbi對話，就會(huì)發(fā)現(xiàn)ta是一只嘴上嘟囔、但會(huì)認(rèn)真干活的青蛙。

創(chuàng)作過程中最難用語言表達(dá)的，就是審美和品味。

為了解決審美建立的問題，我們?yōu)镽ibbi設(shè)計(jì)了一個(gè)叫做“Pond”的板塊。

用戶在瀏覽Behance、Pinterest等設(shè)計(jì)平臺(tái)時(shí)，可以通過Ribbi插件，將喜歡的設(shè)計(jì)采集并保存到Pond中。通過對Pond中資產(chǎn)的學(xué)習(xí)，Ribbi可以建立對用戶審美的認(rèn)知，未來創(chuàng)作的設(shè)計(jì)也會(huì)更符合用戶的偏好。

除了學(xué)習(xí)用戶個(gè)體的審美，Ribbi也會(huì)凝練平臺(tái)所有用戶的審美，成為平臺(tái)共識(shí)。這么做的意義在于，讓用戶在不輸入Prompt的情況下，也能獲得高質(zhì)量的設(shè)計(jì)。

支撐Ribbi學(xué)習(xí)、積累、迭代用戶審美的核心，是我們基于開源的千問8B小模型訓(xùn)練的VLM（視覺-語言模型）模型。

對審美的不斷沉淀，也是Ribbi產(chǎn)生用戶粘性的核心。平臺(tái)上，用戶不斷貢獻(xiàn)新的審美Context，這些Context都會(huì)沉淀為Ribbi對你審美的認(rèn)知。

在Pond中可以上傳個(gè)人資產(chǎn)。

目前，我對Ribbi主要有兩個(gè)不滿意的地方，一方面，穩(wěn)定性還不夠，包括性能和服務(wù)器、API負(fù)載；

我們自主訓(xùn)練的VLM模型，目前多多少少算壁壘。當(dāng)然，技術(shù)壁壘很容易被超越，Claude發(fā)布一個(gè)新模型可能就可以做到。

Ribbi的核心價(jià)值在于，我們不僅希望只做一家應(yīng)用層的公司，而是在未做模型層的探索。訓(xùn)練VLM是現(xiàn)階段探索的開始，包括中間層Context Layer的設(shè)計(jì)，都是基于我們對行業(yè)的Know-How和共識(shí)去完成的，

這些事說出來其實(shí)不難，難的是把它想象出來。所有的事最重要的就是想象，而我們是第一個(gè)把技術(shù)領(lǐng)域的AI自主進(jìn)化想象、并且落地的團(tuán)隊(duì)。而且我們對Agent的認(rèn)知一直在往前走，這是我們的想象保持領(lǐng)先性、建立壁壘的前提。

我們的商業(yè)化會(huì)做得比較誠實(shí)。雖然模式還沒完全確定，但一定不會(huì)是積分制。

不少AI產(chǎn)品會(huì)采用積分發(fā)放的方式。個(gè)人覺得挺繞，用戶還得把積分轉(zhuǎn)化為Token消耗量，不夠清晰。

也有平臺(tái)會(huì)告訴你，“充值一次，無限Token”，但實(shí)際上用戶天天在排隊(duì)。這樣的商業(yè)模式不誠實(shí)，而且平臺(tái)還會(huì)虧本。

我最近也在研究一些好的內(nèi)容平臺(tái)的商業(yè)模式。YouTube幾乎是免費(fèi)的，因?yàn)橛凶銐蚨嗟膹V告商在視頻中分發(fā)貼片廣告。

目前，網(wǎng)站上有20多個(gè)Skill，其實(shí)我們內(nèi)部已經(jīng)有100多個(gè)Skill，比如一鍵消除、做PPT等技能。沒有放出來的核心原因在于，我們的設(shè)計(jì)師對審美的要求很高。

所以我們的北極星指標(biāo)是不斷裂變出更多高質(zhì)量、高審美的Skill。

并且我們不希望Ribbi成為一個(gè)工具集。工具聚合網(wǎng)站，更像是一個(gè)個(gè)的小程序，它們之間是相互獨(dú)立、互不連通的狀態(tài)。

但我們的Skill會(huì)在同一個(gè)Single-Agent中連通。這樣的好處是Agent可以在接管創(chuàng)作全流程中，靈活串聯(lián)不同的Skill。

另一點(diǎn)，我也希望Ribbi上的工具數(shù)量能不斷增長。目前我們的100多個(gè)Skill，靠的是100多個(gè)工具的不同組合。一旦我們的工具數(shù)量擴(kuò)大到1000多個(gè)，Skill會(huì)進(jìn)化產(chǎn)生我們想象不到的價(jià)值。

△Ribbi上沉淀的Skills。圖源：Ribbi官網(wǎng)

只有自己親身訓(xùn)練和使用，才能知道當(dāng)下模型的限制，以及實(shí)現(xiàn)AI自主進(jìn)化的邏輯路徑。我們現(xiàn)在實(shí)現(xiàn)AI自主進(jìn)化的路徑，是基于Context實(shí)現(xiàn)的。

但未來，自主進(jìn)化一定會(huì)在模型層上實(shí)現(xiàn)，并且會(huì)有非常多的人探索。自己訓(xùn)練模型，是為了提前積累經(jīng)驗(yàn)。

我們不會(huì)像某些友商那樣，不斷花錢買量、燒各種補(bǔ)貼。我們不想做一家為估值而奮不顧身的公司。

融資當(dāng)然也很重要。你要確保賬上有足夠的資金，去支撐研發(fā)-獲得用戶反饋-迭代的循環(huán)。

我們現(xiàn)在正在推進(jìn)下一輪融資，并非是有意的，而是如今Ribbi獲得的用戶聲量，遠(yuǎn)超我們的預(yù)期。現(xiàn)在的狀態(tài)，有點(diǎn)像時(shí)代推著你往前走。

我們收到了很多投資意向書，但我希望愿意投資我們的機(jī)構(gòu)，是真正對AI有價(jià)值判斷的、長期看好AI的自主進(jìn)化，而不是出于FOMO（錯(cuò)失恐慌）。

我們一直在找一個(gè)符號表達(dá)“自主進(jìn)化”的理念。Ribbi LOGO是一只青蛙的原因，是因?yàn)轵蝌竭M(jìn)化為青蛙是一種非線性的變態(tài)發(fā)育，“Ribbi”就是呱呱叫（ribbit）的擬聲詞。

我相信AGI一定會(huì)到來。無論是訓(xùn)練模型，還是做Context Layer，這些看起來“很重”的事，目的都是為了加快AGI到來的進(jìn)程，哪怕只留下一點(diǎn)點(diǎn)痕跡。

假設(shè)某一天，某家模型廠商實(shí)現(xiàn)了AI的自主進(jìn)化，即便功不在我，我愿意貢獻(xiàn)我們對Context Layer自主進(jìn)化的Know-How、開源我們的技術(shù)架構(gòu)，幫助模型廠商訓(xùn)練更好的自主進(jìn)化模型。