最近半年 ，险些每一个 AI 创业者城市有一个疑难：OpenAI 和 Anthropic 会不会把我们全吃掉？模型越来越强 ，Codex 和 Claude Code 越来越像操作系统 ，那利用层还有得做吗？
硅谷顶级风投 a16z 的合资人 Joe Schmidt 专门写了一篇文章回应这个问题。他的主题判断是：大模型公司的主攻方向（代码天生、写作、图像创作等通用工作）的确是创业公司的禁区 ，但在这条“黄砖路”之表 ，还有大量复杂、垂直的问题尝试室底子够不到 ，真正的机遇在那些必要让 AI 输出可信、合规、能在具体行衣凤运行的处所。
创业公司能够靠四路护城河守住阵地：行业隐性知识堆集成的数据飞轮、跨厂商跨模型选最优解的矫捷性、按工作难度分级路由的成本优势、以及助客户吸收监管复杂性的治理能力。他用一句话概括这场博弈：模型能够代替 ，但深耕行业的工作系统不能。
这问题背后有一种特殊的 AI 焦虑症。一些人已经认定 ，唯一能预防沦为永远底层的地位 ，要么在大模型尝试室里 ，要么在机械人、硬科技这类“尝试室碰不到”的前沿地带。若是每一款软件都注定被吃掉 ，要么被 Codex 或 Claude 直接吸收掉工作流 ，要么被下一代模型直接造成有余 ，那就连忙跑吧。
听着 ，我险些比谁都更 AI 原教旨主义 ，并且我以为他们只说对了一半。尝试室的确会吞掉一大片利用层。但“利用层”不是一个同质化的机遇池。正确的思虑框架是：你站在黄砖路上 ，还是奥兹国的其他处所？
“黄砖路”是我们对大模型公司主攻方向的简称 ，它们在这条路上投入了极其巨大的资源。代码天生、写作、图像创作这类问题之所以天然属于尝试室 ，是由于这些问题随着模型原始能力的提升会直接变好：每一块钱的预训练和后训练支出 ，城市直接改善产品履历。
若是你在创业 ，黄砖路是最显著的方向 ，也是最危险的方向。拿一个高机能模型 ，接上几个现成的衔接器（Google Drive、Slack、Salesforce、Notion、GitHub） ，再在上面搭一层代理编排 ，看起来像变魔术一样单一。
问题是 ，这就是尝试室在做的事件。他们当然占有模型自身 ，这意味着更好的利润率、更强的节造力 ，以及对下游所有参加者的定价权。但更沉要的是 ，他们也占有决定产品架构的权势 ，产品为哪些问题而设计、用什么方式来解决。他们到目前为止一向在刻意选择“模型加工具挪用”的模式 ，而这刚好是黄砖路上那些水平化、低步数工作所必要的。
退一步说 ，就算有创业公司能在产品上跑赢 Codex 或 Claude Code ，尝试室手里还握着巨大的分发渠路和 AI 领域最强的品牌光环。若是你是一家 AI 利用公司 ，用同样的衔接器、同样的模式、没有底层子代理或深度配置、也没有自己的分发能力 ，那你或许率走在一条通往“哪里都不是”的路上。
但对创业公司来说 ，这不是全盘消极的局面�；谱┞分碛芯薮蟮幕� ，创业公司能够在那里真正占有客户、解决复杂问题。
这些公司构建的是代理式履历 ，模型被编织进一张由工具、自动化、集成组成的复杂网络里。这使得它们天然是垂直化的。它们能够做多步、多角色合作的工作 ，占有针对特定角色和垂直场景的子代理 ，而这些都是 Anthropic 和 OpenAI 用水平化平台无法触及的：跨系统网络高低文 ，而后在分歧阶段由多幼我审批流转。这些场景往往涉及一个或多个遗留系统 ，偏差于必要确定性的了局 ，吞吐是不成接受的 ，并且最终时时绑在某个有价值的业务成就上。
尝试室很明显这些问题的价值：他们之所以在搭建自己的表包配置团队 ，以及为什么会出现一整个面向大客户的强化进建产业 ，原因就在这里。
对此最常见的辩驳是：汗青上押注“模型不会变好”从来都是糟糕的赌注。它们或许会一向变强 ，最终吃掉这些利用层公司的市场。
第一 ，数据和进建的飞轮。好多知识不在职何训练集里 ，不成文的行业通例、没有文档纪录的尺度、只存在于从业者思想里的隐性知识。这些全都不在公开网页上。再多训练算力也代替不了真正嵌入这些知识地点的业务流。这里有两个叠加的飞轮：跨客户飞轮 ，当你看到统一种问题的更多变体时涌现的模式；以及单个客户内部飞轮 ，具体决策背后的原因、未说出口的例表、公司自己不成文的经验法令 ，这些只有在与系统的真实交互中才会浮现。
即便客户数据不能在客户之间直接使用 ，利用公司依然能够利用跨客户问题类型的模式鉴别 ，来领导未来问题的架构设计。一个让代理跑过一百次司法红线审查、一千次保险核保周期、一万次销售开发代表工作的公司 ，已经把问题的“状态”内化了 ，这种堆集是下一个新进入者用一套全新代理重新起头无法复造的。
第二 ，治理模型的变动与复杂性。尝试室已经在做内部路由了 ，分歧要求调分歧模型类别、底层用集成。但他们做不到跨厂商路由 ，不能用竞争敌手的模型来评估某个子工作 ，也不能为一个极窄的环节专门用开源微调。奥兹国公司能够在整个模型市场中为每一个子工作选最优模型 ，而不是只能用母公司发货的那一个。他们还做了没人想做的工作：每次新模型颁布时沉新跑评估、针对客户边缘场景沉新校准提醒词、在不炸掉出产环境的前提下实现部署。尝试室不会替客户做这些；他们把下一个模型卖给你 ，让你自己迁徙。奥兹国公司助客户吸收掉迁徙成本�？突У玫降氖钦鍪谐∽钣胖悄艿淖楹� ，以及每次升级时无感的陆续性。
第三 ，成本优化。每个查问都跑 Opus 4.7 是通往负毛利的最快蹊径。最好的奥兹国公司在分歧级此外模型之间做路由 ，最难的工作用前沿模型 ，大部门用中端模型 ，在已经获得足够堆集的环节用更幼的定造或微调模型。有些公司此刻更进一步 ，在这些基础上做自己的后训练 ，针对客户关切的极窄工作流做优化 ，服务成本只是前沿 API 挪用价值的零头。尝试室定的是智能的底价：花 X 元能买到的最低智能。奥兹国公司卖的是反过来的器材：为工作流现实所需的智能水平 ，找到最低的美元成本。这只有在你精确知路每个子工作必要什么水平时才可能 ，而尝试室在结构上不成能相识所有垂直行业。
第四 ，治理。成为客户在某个垂直行业使用 AI 的“节造平面” ，这件事自身就有相当大的价值 ，权限、审计、代理被允许做什么、代理现实做了什么 ，全数汇聚于一处。这个节造平面由具体场景的护栏组成 ，而分歧业业、分歧岗位必要的护栏齐全分歧。由于奥兹国公司占有端到端的工具、工作流和数据 ，他们能在水平工具难以企及的处所提供确定性了局。他们也是替最终客户吸收监管复杂性的实体：司法行业的 FRCP 和律师规定、医疗领域的 HIPAA、金融领域的 SEC 和 FINRA、各州保险律例等等。一个水平化玩家若是不造成一百个分歧的垂直行业公司 ，就不成能真正承接这些责任。CIO 们想要的是一个能在合同里白纸黑字写明“我会为提供的代理承担合规责任”的合作同伴。
所有这些都指向统一件事：专一�？伤砸桓龃怪毙幸担ūＯ铡⑺痉ā⒐苷剩� ，也可所以一个做深做透的职能（销售、客服、财政）。无论哪种 ，都必要一支团队全身心扎进一组客户里 ，它的工作流、它的边缘场景、它的监管规定。尝试室不是为这个设计的。他们必须同时覆盖所有人 ，这是他们铺出黄砖路的方式。同样的弃取也让他们进不了奥兹国的其余地域 ，你能够同时无处不在 ，也能够在一件事上做到极致。二者不能兼得。
从客户真正关切的了局启程。对 11x 来说 ，就是助客户产生更多销售管路。从这个问题启程 ，追问就变得极其具体：我们但愿端到端占有哪些真正驱动管路的活动？把每个活动分化成工作 ，哪些是代理式的、哪些不是 ，哪些必要深度的领域洞察、哪些不必要。尝试室当然也会颁布工作流 ，但当流程有好多步骤、输入很脏、状态很难解析、存在各类现实世界约束时 ，单靠更好的模型是做不到的。这部门工作回到传统软件工程 ，而尝试室在一个专一的利用公司刻下没有任何优势。
举个例子 ，11x 处置的工作蕴含：基于自界说信号做线索挖掘、线索数据补充、深度账户钻延注从 CRM 中抓取高低文、针对分歧渠路的新闻天生、线索质量判断代理、邮件投递系统。这些不是一次性就能实现的工作 ，必要深度工程。
奥兹国迸作中最关键的一个洞察是：在职何一个真实工作流里 ，约莫有一半非代理式工作 ，尝试室在这些工作上没有任何优势 ，他们写模型层下面简直定性软件 ，并不比你强。另一半代理式工作 ，依然必要你针对真正想要的了局去调、去训练、去约束模型。领域知识往往不在通用训练数据里。这些能力是从垂直或职能的泥土里长出来的 ，在流程的关键时刻被喂给模型。当 11x 的代理在电话上评估一个 inbound 线索时 ，它必要被训练去理解“什么是针对这个特定行业、这个特定人群的好销售对话”。这是利用公司能力做的工作 ，并且会不休堆集。
更沉要的是 ，业务在演进 ，这些技术会不休过期 ，你的能力就是持续演进这些工作流和高低文 ，这自身就造成了竞争优势。11x 的规�；始硗夭犯掌鸩绞� ，“AI 味”的邮件刚起头进入人们的视野。到今天 ，人们对哪些是 AI 写的、哪些是人类写的已经有了敏感的判断力 ，而这个判断尺度每隔几个月就在变。代理必须不休凭据市场动态调整 ，而护城河正是在这里被建出来的。事实上 ，只管存在这种变动 ，11x 的正面回复率在从前几个月上升了 4 倍 ，已经为客户创造了数亿美元的管路。
在复杂度高的问题上工作。复杂问题才是真正开释贸易价值的处所 ，不然你只会发现自己搭了一层薄薄的壳。拆解任何一个足够复杂的贸易问题 ，混乱会迅速浮现。举个听起来很单一的 GTM 场景的例子：若是一家公司已经是你的客户 ，你就不应该再联系这家公司里的任何联系人。但这事一点都不单一。也许 CRM 里关联的是这家公司的一个域名。那些有几十个子公司的集团怎么办？若是 CRM 纪录里留的是母公司域名怎么办？若是一个 Salesforce 里过期的匹配字段 ，把一封冷销售邮件发给了一位现有客户的 CRO？真实世界的数据是脏的 ，人类尚且搞不定 ，模型也不会自动凌驾这路坎。从混乱中提取秩序 ，必要的是为问题具体状态而设计的专用代理 ，而不是一个对着 CRM 指领导点的通用副驾驶。事实上 ，凭据 11x 的数据 ，他们已经发现自己的数据质量和新鲜度远高于客户 ，所以他们默认以自己的数据为准。
护栏不只用来预防坏事产生。这是客户付钱给你的原因�；だ副谎铣恋凸懒�。即便在统一个产品内部 ，每一个场景都必要自己的护栏。一个受到严格监管的金融服务客户 ，和一家中等规模的 SaaS 客户 ，要求的保险齐全分歧 ，这些差距一向渗入到代理怎么写、能联系谁、能触碰哪些数据、电话里能说什么、以及每个决策怎么被纪录。一套“放之四海皆准”的系统在这种差距刻下会崩溃�；だ副匦氚闯【肮菇ā纯突渲谩⒊中蠹� ，而这项工作齐全属于利用公司。这就是 11x 有前置部署工程师和技术部署战术师的原因 ，他们必要为每一个客户的需要做定造。举个例子 ，他们曾与一家 F1000 企业合作 ，通过语音向他们的大量中幼企业客户做授权表呼。最初几次迭代接听率很低 ，他们必须急剧迭代 ，学会怎么让这个特定人群在前 10 秒内产生互动。中幼企业主的行为和大企业买家、通常消费者齐全分歧。此刻他们一天为这个客户创造的销售机遇 ，比他们整个销售团队针对这个细分市场一个月做的还多。
当他们起头在真实保险运营中部署 AI 时 ，反复听到一种如果：模型是智能的载体 ，工作流只是萦绕它的脚手架。随着合作了越来越多的保险公司 ，他们越来越确信这个如果是反的。
在保险业 ，好多智能自身就存在在工作流里。两家保险公司可能走统一条蹊径处置一份投保申请：接件、审核、报价、承保。但蹊径只是最容易的部门。真正分辨两家公司的是蹊径内部的全数细节：哪些风险必要上报、哪些损失信号值得关注、两条文则矛盾时哪一条优先级更高、什么情况下必须有人具名、哪些表部数据会被调取、最终决策怎么归档。这些逻辑不在一个干净的规定引擎里 ，而是散落在 SOP、经理审核纪录、核保理想、公司特定的风险偏好和多年的操作经验中。其中很大一部门底子没有被写下来 ，模型无法直接读取。
这就是为什么 FurtherAI 不相信一个每次都从零推理的纯代理 ，也不相信一个现实一乱就崩溃的硬编码工作流。他们在构建的是代理式工作流 ，工作流给你可沉复性、可审计性和成本节造 ，代理处置不确定性并在主线走不通时复原蹊径 ，人类留在循环里处置那些必要承担责任的判断。
在第一天 ，这能自动化人为操作。但假以时日 ，每一次上报造成信号 ，每一次例表是一次反馈 ，每一次人类建改展示了操作手册哪里不齐全。慢慢地 ，工作流不再是剧本 ，而是造成了保险公司的运营影象。尝试室很难触达到这个层面。他们会持续颁布更好的模型和更好的通用代理 ，他们也理当如此。但他们不会坐在一家保险公司的出产流程里足够久 ，去理解为什么某一个账户被上报、某一个风险被拒保、某一位核保人颠覆风险偏好指引并且他颠覆得对。这种理解 ，只能来自把工作流跑在出产中数千次。你第一天交付的工作流不是护城河。出产使用所产生的反馈循环 ，随着功夫堆集 ，才是。
工具与步数测试。实现这项工作必要几多步？你必要构建的工具复杂到什么水平？对比一下：水平化 AI 搜 Google Drive ，一步 ，操作一个工具 ，了局错了用户能够沉搜；和一份针对律所三年先例的多步司法红线审查 ，几十步、跨多个工具、输出必须通过合资人审核且最终可能在法庭上被争吵。两者看起来都像“代理在做工作” ，但只有后者必要一个专一团队花几年能力构建的那种深度软件。
系统测试。你在构建的是客户用来实现工作的“系统” ，还是叠加在客户已有系统之上的“工具”？系统占有端到端的工作流 ，数据采集、治理、实现事项的纪录 ，是客户描述现实工作若何产生时指向的器材。工具只是在客户已经在运行的工作流上加一层智能。做工具能产生真实收入 ，并且尝试室能够拿走 ，由于客户并不依赖你作为编排层。高客单价通常是系统的信号 ，由于系统代替真正的人力岗位并据此定价 ，但这不是保障。问自己一个问题：若是尝试室颁布了一款据称与你直接竞争的产品 ，客户还必要你的产品吗？若是答案是“是” ，你在构建系统。若是“否” ，你只是工具 ，即便你的客单价很高。
对冲基金/P&L 测试。尝试室的阐发用 benchmark 来评价 ，奥兹国其余地域的阐发用客户的 P&L 来评价。你的客户不关切你的模型在 SWE-Bench 或 MMLU 上拿了几多分 ，他们只关切你的代理有没有搞定那笔买卖、有没有把合同条款审对、有没有签下正确的保单。若是他们死死盯着业务流的了局 ，而不是一个通用的能力评分 ，你就在奥兹国其余地域。若是他们买的是通用能力 ，你卖的器材他们买一张 Claude 或 Codex 的席位就能得到。最好的代理公司必要像对冲基金一样运作 ，用客户 P&L 衡量的 alpha 来取胜 ，而不是用 benchmark 分数。
模型公司会持续赢 ，由于他们占有模型 ，也占有他们设计的水平工具的分发能力。奥兹国其余地域的公司若是能占佑装工作系统” ，公司现实执行工作的界面 ，以及从工作中产生并沉淀下来的数据 ，就能赢。这些公司拥罕见据采集、工作盛行动系统和治理层。随着某个垂直领域内更复杂的工作流不休成熟 ，它们会汇聚成一个客户最终依赖的主题履历。当新一代模型从寂仔大公司和新兴玩家中不休颁布 ，这些公司就成了整合所佑注把智能交付给客户的中央层。模型在底层能够代替 ，但工作系统不能。
女人用了震动棒会增加腹压吗我认为，只要是为国家队进球，都是一件值得骄傲的事。当然，在世界杯这样的赛事中进球，毫无疑问，那绝对是梦想成真的时刻。显然，我有这样的目标：能够帮助葡萄牙，帮助国家队。我认为进球是帮助球队的最佳方式。姜伟泽的发挥也不行。因为他的身高不是很高，造成进攻端没有任何优势。甚至球到他这里之后，投篮投不明白，也不传球，球场上打得慌慌张张的，他已经是连续两场比赛崩盘了。特别是第二场，他7中2，根本无法抓住机会，就这样的发挥很难让人理解。女人用了震动棒会增加腹压吗三叶草OZWEEGO3M其称，“我前几天说不喜欢追觅的都是loser，我今天忽然反省过来，我脑子抽掉了，我怎么会说这样的话呢？实在不应该是我说的话。我觉得有人喜欢我或不喜欢我可能出于各种各样的原因，有许多是不了解我们，或者单纯是我们某些事情做得不够好，或者让他有了错误的认识，各种各样的原因。或者单纯不喜欢我，这都是非常非常正常的，因为一个人做不到让所有人都喜欢。”西城区持续优化“4+3+2”线路体系，推出宫门口东西岔—白塔寺—历代帝王庙、老舍茶馆—北京烤鸭店、北京海洋馆—北京展览馆等特色线路，并立足非遗资源推出湖笔制作、木版水印、勾画脸谱等沉浸式体验项目。
20260607 ? 女人用了震动棒会增加腹压吗文章写道，欧洲产业真正面临的难题，是缺乏稳定且旺盛的本土需求。欧盟领导人完全可以通过强化欧盟委员会已经在推进，但力度不足的政策来解决这一问题。例如，针对补贴采购与公共项目推行“优先采购欧洲产品”规则；将碳足迹要求与碳边境税的适用范围拓展至汽车等工业制成品；针对部分低价倾销、获得补贴的商品，精准实施关税调控；同时为电动汽车等绿色技术转型设定明确的推进时限。《母乳2》巴尔达诺表示：“这个阿根廷球员只踢了半场好球，中场休息时就被卖掉了。如今球员越来越早被推到聚光灯下，有时候我们确实会把事情夸大，最终马斯坦托诺也为此付出了代价。他来到球队时太年轻了，再加上伯纳乌的压力，以及球队没有赢得任何冠军，这些都影响了他的心理状态，最终他没能踢出大家期待中的表现。
20260607 ? 女人用了震动棒会增加腹压吗这位出生于阿根廷的门将于2019年取得厄瓜多尔国籍，他回忆起自己的成长经历，尤其是童年时期在罗萨里奥的训练和比赛，他甚至多次与梅西同场竞技。加林德斯提到：“我小时候在阿根廷开始作为门将的生涯，当时我的青训俱乐部离我家非常近。第一年我才六岁，但我们队在比赛中几乎没有失球，唯一一次被进球，是由梅西打入的。他带球突破了我五名队友，然后轻松把球送入球网，他没有庆祝，就像什么都没发生一样离开。几年后，我又在成年比赛中面对他，人生真是奇妙。”幼公主从幼被皇兄开发的幼说埃基蒂克在欧冠对阵巴黎圣日耳曼的比赛中遭遇了跟腱断裂的严重伤势，这位法国前锋也无缘参加今年的美加墨世界杯。
京公网安备11010202000001号
