公司背景 - 极客公园创立于2010年，总部位于北京，聚焦互联网领域，跟踪最新科技动态，关注创新科技产品，与科技行业优秀创业家和从业者合作 [2] - 产品线包括科技媒体、科技行业精英企业家社区、科技行业线下活动营销、酷科技硬件测评等 [2] 设计团队定位 - 设计是极客公园的基因，团队在公司内部受到各业务团队信任和好评，帮助内容线变得更专业、更具设计感 [3] - 与Apple、Google、Tesla、MIT等科技圈高光名号常有合作关联，致力于输出同等水平的设计物料 [3] - 每位设计师需深度参与case全流程，而非仅作为需求执行者 [3] 资深设计师职责 - 负责自主品牌视觉策划设计（每周）、年度万人活动视觉策划执行（每年两次）、科技圈客户品牌设计咨询（不定期） [4] - 结合业务线需求提出可行性设计方案（每月）、组织团队设计研究（每月）、与其他设计师协作（持续） [4][5] 团队协作模式 - 设计团队为10人以内小而精的团队，成员以经验丰富但方向不同的资深设计师为主，需共同进行设计研究和头脑风暴 [6] 核心挑战 - 强调主动创新，要求设计师持续产出新设计，避免一成不变 [7] - 坚持好设计标准并落地，克服时间/需求/预算等阻力 [8][9] - 需持续学习新技能，能力提升水平计入KPI与绩效挂钩 [10] - 沟通能力与设计能力并重，需与内容策划、执行团队及外部团队协作 [11][12] 候选人要求 - 需具备对设计的热爱、创造力、扎实的视觉/平面设计功底、对科技的敏感度 [13] - 加分项包括Motion graphic能力、英文应用能力、广告/品牌设计背景 [14] 申请方式 - 需提交简历及作品集至指定邮箱，无作品集视为无效申请 [14][15] - 团队合作作品需明确说明个人分工 [15]

公司概况 - Surge AI是一家专注于AI数据标注的公司，2020年由华人创始人Edwin Chen创立，团队规模约120人，2023年营收达10亿美元，至今未进行融资 [1] - 公司客户包括Google、OpenAI和Anthropic等头部AI企业，已成为数据标注领域最大的人类数据服务商 [5] - 对比竞争对手Scale AI，后者2023年收入8.7亿美元，已完成F轮融资累计16亿美元，但被Meta收购大部分股份后遭大客户暂停合作 [2] 商业模式 - 核心产品是直接用于训练和评估AI模型的高质量数据，包括监督微调数据、偏好数据等，区别于传统人力外包公司 [4] - 交付形式不仅包括数据本身，还包括相关洞察如损失模式、失败模式等，形成完整的数据应用生态 [15] - 采用不融资策略，依靠自身盈利能力发展，保持公司控制权和产品专注度 [7][9] 技术优势 - 构建复杂算法系统衡量和改进数据质量，而非简单依赖人力外包 [17][18] - 平台技术能识别高质量内容，如创意写作、编程解决方案等主观性强的工作 [20][21] - 采用类似Google搜索的质量评估体系，收集多维度信号输入机器学习模型 [23] 行业观点 - 合成数据被高估，海量合成数据中绝大部分是无用噪音，现实表现糟糕 [32][33] - 大语言模型竞技场误导模型优化方向，导致模型追求表面特征而非实质质量 [38][39] - 人类反馈永不过时，细致的人类评估是前沿模型实验室公认的黄金标准 [37][50] 数据质量 - 高质量数据标准强调主观创造力和智慧，而非机械满足条框要求 [46][47] - 不同领域需定制化质量评估标准，结合整体性原则与专业差异 [49] - 真正的质量评估需要深入人类审查，而非五秒直觉判断 [50] 行业趋势 - 未来AI训练需要多种数据结合，包括强化学习环境和专家推理轨迹等 [31] - 模型市场将呈现多样化格局，不同公司侧重不同能力和个性 [44][45] - AI工具可能放大工程师能力差异，使10倍工程师进阶为100倍工程师 [61][62]

电视遥控器App市场概况 - 截至2022年美国家庭平均配备2.3台电视，成年人每周看电视32小时，催生电视遥控器App细分市场[2] - 2024年5月该品类全球下载量超2000万次，月收入达1100万美元，美国为核心收入市场[2] - 过去12个月累计收入超100万美元的电视遥控器App达21款，头部产品17个月总收入达1600万美元（月均近百万美元）[3][5][6] 产品特征与用户行为 - 命名同质化严重，名称多含"TV/Remote/Universal/Control"等关键词组合，图标均为遥控器样式，缺乏品牌辨识度[7] - 用户无品牌忠诚度，随机选择搜索结果靠前的App，收入Top5产品中美国用户贡献70%-90%收入[7][14] - 功能聚焦多品牌兼容（覆盖Roku/TCL/Sony等），头部产品支持语音输入、键盘输入、流媒体快速切换及投屏功能[10][12] 商业模式与变现策略 - 采用广告+内购混合变现，普遍设置3天免费试用后自动续费订阅[14] - 自动续费设计为核心盈利点，例如头部产品「TV Remote - Universal Control」将39.99美元年订阅设为默认选项，显著提升ARPU[16] - iOS端收入占优：21款百万美元收入App中19款主要收入来自App Store，因智能电视普及率5年内从61%升至70%[7] 增长驱动因素 - 增长依赖应用商店优化（ASO），头部App通过高频词排列覆盖数千长尾关键词提升搜索曝光[17] - Apple Search Ads（ASA）为关键买量渠道，头部App平均投放超6000个关键词抢占搜索广告位[18][19] - 智能电视普及与流媒体主导推动需求，新发布产品（近5年上线）更易捕获市场红利[7]

行业趋势演变 - AI行业叙事从Chatbot（聊天机器人）转向Agent（智能体）成为主流 讨论焦点从"意图识别"和"多轮对话"变为"任务分解"、"工具调用"和"自主规划" 行业热度堪比2016年移动互联网爆发期 [4] - 电影《Her》定义了Chatbot范式的终极形态 而《记忆碎片》的主角莱纳德被视为Agent的完美隐喻 展示系统如何在信息不完整环境下为目标思考与行动 [5] Agent系统架构 - 上下文工程是围绕LLM有限注意力窗口设计的信息管理技术栈 目标是为每个决策点提供恰到好处的信息 决定Agent成败 [5] - 莱纳德的记忆系统对应LLM三大特征：长期记忆如同训练数据（静态知识库） 短期记忆如同上下文窗口（15分钟记忆限制） 行动驱动类似Agent任务导向 [9] 上下文工程三大支柱 外部知识管理 - 拍立得照片系统对应RAG技术 实现知识管理闭环：选择性记录任务关键信息 而非存储所有数据 避免检索时信息过载 [17][20] - 完整流程包括信息采集固化（拍照）、上下文标注（背面笔记）、按需调用（匹配检索） 体现RAG核心价值 [23] 上下文提炼结构化 - 将信息从照片升级到纹身 代表信息提炼压缩过程 只保留经过验证的核心断言（如"事实5"） 并物理结构化确保读取优先级 [22][29] - Agent需成为信息炼金术士 对冗长信息进行压缩总结 在有限Token预算内最大化信息密度 避免"大海捞针"困境 [25] 分层记忆管理 - 三层架构：核心任务层（不可变纹身）、情景工作层（可读写照片）、瞬时处理层（易失性大脑记忆） 实现高效记忆调度 [30] - 需明确定义信息层级 区分宪法级指令、任务日志和临时缓存 防止Agent迷失在海量操作日志中 [28] Agent系统风险 - 上下文投毒风险：外部恶意输入可能导致Agent将错误信息当作真理输出 呈现"垃圾进真理出"现象 [32] - 自我强化认知牢笼：Agent在多步任务中可能将前序错误结论当作事实 缺乏独立审查机制导致偏差放大 [33][34] 系统优化方向 - 缺失反思模块是当前Agent核心缺陷 需建立验证机制比对行动结果与预期差距 生成误差报告指导后续行动 [35] - 构建可靠行动系统比单纯追求自主性更重要 需防止创造高效但永不怀疑的"莱纳德军队" [36]

产品发布与市场表现 - Lovart于7月23日结束内测并全球上线正式版本，此前通过邀请制吸引全球70多个国家近百万用户，Beta版上线5天内超10万人排队申请[1] - 产品被The Information、Forbes等媒体报道，获马斯克点赞，OpenAI创业支持负责人Chris Brown出席发布会站台[1][25] - 被列为全球五家值得关注的华人Agent创业公司之一，直接对标Adobe(80%市占)和Canva(12.5%市占) [25] 核心功能ChatCanvas - 新增功能允许用户通过自然语言批注(如"字小一点")指挥AI修改图片，单次最多提交20条修改意见[7][8] - 支持多图元素融合生成新素材(如组合logo/主体/背景/字体)[14]，可将静态图转为动态视频(如光线闪烁/人物跳舞)[16][17] - 采用Frame组织架构保持作品独立性，AI会记忆用户操作习惯形成个性化设计伙伴[9][18] 产品设计理念 - 首创"以Agent体验(AX)"替代传统"用户体验(UX)"范式，从单次任务转向持续关系构建[20][21] - 核心差异体现在：系统自主规划路径(非预设流程)、持续学习用户偏好(非重复输入)、信任度积累带来操作简化[24] - 创始人提出设计类Agent需还原"画布即桌子"的自然交互，批注修改是最符合直觉的协作方式[20] 技术迭代与运营进展 - 2个月内密集上线6项模型/功能：包括Style Library、Flux Kontext、Veo 3视频模型等，最新接入混元3D生成模型[26][27] - Discord社区超25000人，推出积分会员付费和创作者计划，与Tripo/freepik等平台开展合作[27] - 团队强调"速度壁垒"，在模型快速迭代期需保持高频产品更新能力[28]

AI商业格局的成型 - 过去四年AI领域从"技术迷雾"进入"商业马拉松"阶段，模型能力提升推动应用场景验证，市场格局初定[1] - GPT-3发布后市场预见变革，早期GenAI公司如Harvey、Perplexity等获得融资，当时OpenAI是唯一明确的基础模型公司[3] - 2022年代码/AI驱动软件开发重要性显现，但胜出者未定，直到2023-2024年Cursor、Codium等产品陆续上线[4] 已被验证的市场机会 基础模型LLMs - LLM领域资本壁垒达数十亿美元级别，核心玩家包括Anthropic、Google、Meta、Microsoft等，与云服务商深度合作[6] - 中国开源LLM如Deepseek、Qwen等在测试中表现强劲，但新玩家难以突破资本护城河[12] - 基础模型公司营收从0到数十亿美元仅用3年，云厂商AI季度支出达数十亿美元规模[6] Coding领域 - GitHub Copilot 2021年推出后营收快速攀升，部分企业两年内达5000万-5亿美元[14] - Figma和Canva推出vibe coding工具，未来可能出现更多类似产品[15] - 基础模型公司可能通过coding生成能力直接切入该市场，因其经济价值和AGI路径重要性[15] 法律领域 - Harvey和CaseText成为法律市场领先者，Legora已被250家律所采用[17][19] - 法律全流程自动化仍处早期，但Harvey等已构建完整处理系统，可能扩展至其他专业服务领域[19] 医疗记录整理 - Abridge、Ambience等公司主导医疗记录市场，未来可能被整合进头部企业或拓展至医疗体系其他环节[20] 客户服务 - Decagon和Sierra主导美国市场，商业模式从"seat-based"转向按任务计费[21] - Agentic操作取代人类工作角色，推理模型进步加速这一转变[21] 搜索重构 - Perplexity作为少数初创企业，与Google、OpenAI等巨头竞争，推出Comet浏览器集成代理功能[22][23] 潜在AI重构领域 - 会计、合规、金融工具、销售代理、安全等领域适配GenAI，已有早期公司探索[24][25] - 部分市场因模型能力不足尚未成熟，需等待技术拐点[26] GPT Ladder概念 - 模型能力跃迁解锁新场景，如GPT-4推动法律工作流爆发，Claude 3.5提升coding工具可用性[27] - GPT-5等未来版本可能开启目前无法实现的应用场景[28] AI Agent趋势 - 从chatbot向agentic workflows演变，Devin、Decagon等代表早期应用[32] - 软件商业模式从"seat-based"转向按认知能力计费，重塑企业预算逻辑[33] 行业整合趋势 - GenAI驱动并购整合，直接收购公司可加速AI采纳并提高经济回报[34] - 头部初创合并或与传统企业整合将成为重要策略，市场进入整合期前夜[35][36] 市场阶段总结 - 代码生成、法律服务等早期应用领域领先者已确立，新市场处于颠覆临界点[37] - GenAI进入市场格局明朗、竞争收敛的新阶段[37]

核心观点 - Shopify全面拥抱AI战略，从高层到基层员工无差别使用AI工具，并取得显著成效 [1][4][8] - 公司通过三大策略推动AI落地：法务默认开绿灯、预算上不封顶、统一AI入口 [11][13][16] - AI已深度改变多个工作流程，包括销售线索开发、代码审查、周报撰写等 [18][28][24] - 公司特别注重培养"AI流利度"，将AI使用与绩效挂钩，并雇佣更多初级人才发挥其创造力 [19][36][31] 全员AI策略 - 允许所有员工使用公司引入的每一款AI工具，不设任何限制 [9] - 最初采购1500个Cursor授权供不应求，后又追加1500个，增长最快用户来自客户支持和营收部门 [10] - 设立内部token消费排行榜，CTO Mikhail Parakhin曾进入前十 [13] - 认为工程师每月多花1000美元提升10%效率是极其划算的投资 [15] 三大落地策略 法务默认开绿灯 - 高层达成共识，法务团队以"如何促成"为出发点 [11] - 引入GitHub Copilot时法务团队直接配合解决问题，无任何反对意见 [11] - 其他公司CTO常抱怨法务阻碍，Shopify总法律顾问成为同行咨询对象 [12] 预算上不封顶 - 不设AI工具使用额度限制，通过消费榜衡量价值 [13] - 批评其他公司过分纠结token成本而收紧预算的做法 [14] - 认为能每月花费10000美元并创造价值的工程师值得学习 [15] 统一AI入口 - 构建内部LLM Agent作为统一平台，整合所有模型资源 [16] - 通过MCP服务器连接所有内部工具和数据 [18] - 员工可自由构建工作流，使用同事创建的Agent库 [16] AI改造的工作流程 销售线索开发 - 销售代表用Cursor开发网站审计工具，自动生成性能对比报告 [18] - 工具能调用内部文档，为销售沟通提供精准话术支持 [18] - 首席营收官称顶尖业务开拓者都具备"AI流利度" [19] - 改变追加销售场景，实时调取曾经难以获取的数据 [19] 代码审查 - 开发Roast框架，以"吐槽"方式提供代码改进建议 [28] - 将工作流拆解为可追溯的步骤，展示AI推理过程 [32] - 已用于分析数千个测试文件，自动修复常见问题 [28] - 该框架已开源，邀请社区共同塑造AI辅助开发未来 [28] 周报撰写 - AI自动抓取项目信息生成周报初稿，50%可直接使用 [24][26] - 通过追问促使负责人批判性审视，暴露潜在风险 [24] - 最终版本与初稿差异用于训练AI持续改进 [25] 人才培养与绩效 - 雇佣更多实习生，发现其能以最富创造力的方式使用AI [31] - 工程实习生规模从25人计划扩展至1000人 [33] - 建立工程活动仪表盘，追踪AI工具使用情况 [36] - 数据显示使用AI工具与员工影响力呈正相关 [36] - 已将"AI原生"表现纳入360度评估体系 [36] 流程重塑 - 认为企业运营效率仅20%，AI可帮助发现最佳模式 [38] - 网站审计工具可能彻底改变销售漏斗结构 [38] - 以丰田生产体系为例，AI可破解复杂组合问题 [38] - 追求发现"流程的力量"，实现效率千倍提升 [38]

核心观点 - Medium从濒临破产到实现盈利的关键在于现金流管理和盈利能力提升 通过内容质量改进、成本削减和资本重组实现扭亏为盈 [2][3][19] - 公司经历"掉进洞里再爬出来"的典型创业困境 2022年每月亏损260万美元 2024年8月起实现7000美元盈利并持续盈利 [8][19][21] - 创业者核心启示：盈利能力意味着独立性 让公司不再依赖外部投资 在与各方谈判时拥有说"不"的底气 [3] 内容质量危机与改进 - 2022年平台内容质量跌至谷底 充斥"快速致富"骗局和低质量改写内容 付费用户持续流失 [8][13] - 引入Boost机制和调整Partner Program激励规则 通过人工筛选和专业判断提升内容质量 [13] - 最佳内容形态应为业余创作者分享独特经历 而非专业媒体内容 76万付费会员的"专业编辑时期"导致巨额亏损 [11][12] 财务困境与重组 - 面临3700万美元逾期贷款和2.25亿美元清算优先权 治理结构混乱需五个投资人批次多数同意 [15][16][17] - 通过"recap"资本重组消除清算优先权 将贷款转为股权 113名投资者中仅6名参与新融资 [25][27][28] - 重组后公司估值从峰值6亿美元大幅调整 但实现盈利状态 当前年收入已超过清算优先权 [32][34] 运营优化措施 - 员工规模从250人精简至77人 云服务成本从150万美元/月降至90万美元/月 [21][22] - 处理旧金山办公室租约难题 原14.5万美元/月的120工位办公室最终解约 转型完全远程办公 [23] - 财务改善路径：增加订阅会员、降低成本、精简团队 2022年7月至2024年8月实现从-260万到+0.7万美元逆转 [21] 行业启示 - 初创公司估值存在虚荣成分 盈利能力和现金流才是生存关键 与依赖融资的同行形成对比 [34] - 用户生成内容(UGC)的商业价值被验证 业余创作者分享的行业内幕可创造数百万美元价值 [26] - 危机处理经验：需同时解决内容质量与财务问题 单纯削减成本会导致使命失败 [19][21]

新一代基模Step 3发布 - 阶跃星辰在WAIC 2025期间发布新一代基础大模型Step 3，该模型兼顾智能与效率，旨在面向推理时代打造最适合应用的模型 [3] - Step 3将于7月31日面向全球企业和开发者开源，为开源世界贡献最强多模态推理模型 [3][20] - Step 3是阶跃星辰首个全尺寸、原生多模态推理模型，采用MoE架构，总参数量321B，激活参数量38B [9] Step 3技术特性 - Step 3具备强智能、低成本、可开源和多模态四个特征，专为追求性能与成本极致均衡的企业和开发者设计 [8] - 模型拥有强大的视觉感知和复杂推理能力，可准确完成跨领域的复杂知识理解、数学与视觉信息的交叉分析 [9] - 在MMMU、MathVision、SimpleVQA、AIME 2025、LiveCodeBench等榜单上取得开源多模态推理模型的SOTA成绩 [16] 推理效率与成本优化 - Step 3通过系统架构创新实现行业领先的推理解码效率，在国产芯片上的推理效率最高可达DeepSeek-R1的300% [18] - 在NVIDIA Hopper架构芯片上进行分布式推理时，实测Step 3相较于DeepSeek-R1的吞吐量提升超70% [18] - 模型已授权国内多家芯片公司并完成适配，同时将通过开源技术报告分享降低推理成本的系统架构创新 [20] 模芯生态创新联盟 - 阶跃星辰联合近10家芯片及基础设施厂商发起"模芯生态创新联盟"，首批成员包括华为昇腾、沐曦、壁仞科技等 [22] - 联盟致力于打通芯片、模型和平台全链路技术，提升大模型适配性和算力效率 [22] - 华为昇腾芯片已实现Step 3的搭载和运行，沐曦、天数智芯和燧原等也已初步实现运行Step 3 [22] 战略合作与应用落地 - 阶跃星辰与上海国有资本投资有限公司达成深度战略合作，将围绕资本链接、生态建设等方面进行全面合作 [6][22] - 公司战略性聚焦智能终端Agent方向，已覆盖国内超过一半头部国产手机厂商，并与吉利联合推出AI智能座舱 [23] - 积极拓展金融财经、内容创作、零售等垂直行业应用，与行业头部公司深度合作打造面向C端的场景化应用体验 [23] 1+N模型矩阵 - 阶跃星辰构建"1+N"的Step系列大模型矩阵，"1"指Step 3基础大模型，"N"为多模态大模型矩阵 [20] - 在WAIC期间升级多模态模型，包括多模理解生成一体化模型Step 3o Vision和第二代端到端语音大模型Step-Audio 2 [21] - 所有模型可在"阶跃AI"官网和App进行体验 [21]

AI问答引擎优化(AEO)的核心观点 - AI问答引擎(如ChatGPT、Perplexity、Google AI Overviews)正迅速成为B2B采购决策的关键入口 用户行为从自主搜索转向直接询问AI推荐[3] - ChatGPT月活超10亿 日交互25亿次 接近Google每日140亿搜索量 Google的AI Overviews功能已覆盖13%搜索结果 是年初三倍[3] - 产品若未被AI提及则可能在用户认知中"不存在" 被推荐则可能成为增长最快的获客渠道[3] - AEO(问答引擎优化)目标从传统SEO的网页点击转向直接进入AI推荐列表 需建立全新能力[3][29] AEO策略九大关键要点 目标场景定位 - 需识别与产品最相关的问题 按提问频率和产品匹配度划分优先级[5] - 将目标问题分为三类：核心提问(33% 必须拿下)、竞争提问(33% 争取参与)、实验提问(33% 潜在机会)[8] - 示例：跑鞋品牌可关注"最佳缓震跑鞋"等场景 使用Profound等工具辅助分析[6] 平台差异策略 - ChatGPT与Perplexity的引用域名仅11%重合 需针对主要受众平台制定专属策略[9][11] 内容创作方法 - 需创作高度专业且具体的内容 如跑鞋品牌可对比20款产品分析"缓震对膝盖保护"的机制[12] - 结构化内容更易被引用 对比列表占AI引用内容的32.5% 普通博客仅9.91%[21][22][23] - 避免使用图片 优先采用表格形式 必须用图片时需添加详细替代文本[24][25] 品牌声量建设 - 通过Reddit、LinkedIn等UGC平台建立"环绕声"效应 小众创作者可能带来超额回报[13][15] - 可匿名或品牌身份参与讨论 如简短评论"试过Profound感觉不错"即可能被AI采纳[19][20] - 需关注"品牌声量"(被提及频率)而非点击量 因AI搜索多为零点击行为[26] 动态监测调整 - 50%的AI引用域名会在一个月内变化 需每周更新关键词覆盖并调整策略[27][28]