ABOUT THIS VIDEO
这一期，聊些什么？
Greg Isenberg 对话 Gamma 联合创始人兼首席产品官 Jon Noronha，拆解什么是 AI 智能体外壳（agent harness）：Gamma 如何在今年把产品重构为创意智能体，一次演示文稿背后约 20 个模型、200 次调用的完整流程。他还谈到“AI 味”问题、为什么在创意领域品味比评估集更重要、如何在一小时内测试新模型，以及输给“好摩擦”的极速模式实验。最后他分享了自己想看到的垂直外壳机会，从能学习他说话风格的 Slack 智能体到能量尺寸的沙发购物工具。本页全程中文配音由阿里云通义千问 qwen3-tts-flash 生成（Greg Isenberg 为 Ethan,Jon Noronha=Ryan 音色），并以低音量保留原视频声音作为背景。
RECAP · 图文回顾
看完再回顾：这一期讲了什么
点击任意时间戳，可跳到对应位置播放中文配音。
一句话核心观点
大模型能力趋同，真正的产品壁垒在「智能体驾驭层」——围绕模型搭建的工具、上下文与质检系统；Gamma 用一条提示词背后约 200 次调用、20 个模型的实战，说明垂直驾驭层才是创业机会所在。
分章节要点
开场：ARR 一亿美元的 Gamma 聊驾驭层
- 嘉宾 Jon Noronha 是 Gamma 联创兼首席产品官，本期主题是智能体驾驭层及垂直机会
- Gamma 增长极快，ARR 已达 1 亿美元，近期刚完成一次大规模平台重发布
- Gamma 把自己定位为「面向视觉沟通的创意智能体驾驭层」
什么是智能体驾驭层
- Gamma 2020 年成立、2023 年起飞；早期只是手工串联一次性 LLM 调用，今年才整体重构为智能体
- 驾驭层＝智能体用来在环境里执行、检查自己工作、交付成品并向用户了解偏好的所有工具
- 最出名的驾驭层是 Claude Code，教智能体遍历文件、跑测试、遵守规则；Gamma 则教智能体理解艺术风格、生成并检查视觉内容
- 「驾驭层是新套壳」有一定道理，但恰恰说明包装层才是大部分工作，因为各家大模型核心能力趋同
一条提示词背后的 30 秒
- 典型场景：用户粘贴杂乱笔记或 PDF，要求做成 20 页演示；后台首先启动一台云端沙盒电脑
- 前 10 秒就调用三四个模型（贵便宜都有），弹表单问用户问题，并通过连接器拉取 Notion、Slack、Linear 的上下文
- 还没开始生成，已发出约 30–40 次调用、用四五个模型；生成阶段写文案、排版、出图表，且大量并行以保证速度
- 之后用视觉模型逐页质检、多轮修复；最终交付一个成品时，约用了 20 个模型、200 次调用
垂直驾驭层的用武之地与「你的优势」
- 适合做专属驾驭层的两个特征：场景主观、需要人在环中判断好坏；用户对输出细节非常在意
- 看好「个人化游戏」：编程智能体已会做游戏，但不擅收集玩家意见，也许能做一个跑在 3D 世界里的驾驭层
- 优势有三种：独特的世界愿景并更快前进、独有数据、跳出拥挤软件赛道去做硬件或实体服务
- 法律、医疗科技驾驭层正热，但也已经很挤；创始人应自问「基于我的经历和人脉，我独特适合做什么」
AI 味、评估与品味
- AI 味指一眼能看出东西是 AI 做的：写作里不像你的用词，旧金山街头海报一眼认出 Nano Banana、GPT 生图
- Gamma 因普及反而「人人做的东西都像 Gamma」，这次发布目标是扩大到「一千种 AI 味」并自动轮换风格，类比时尚周期
- 评估类似软件测试：预设问题＋判断方法，可合成基准比较模型；但「这酷不酷」「这像我吗」没有客观评估
- 对策：做替代性评估（是否遵守品牌规范），更依赖大规模 AB 测试；关键指标是编辑时长、分享导出、付费转化与留存——付费最难造假，被当作北极星
谁在为 AI 付费 + Jon 想要的 Slack 驾驭层
- 疯传的 A16Z 图表称只有 2% 的人为 AI 工具付费；Jon 不意外：消费者不爱订阅，但工作订阅推动了过去 10–15 年的 SaaS 热潮，专业人士付费比例正猛涨
- 想找「某领域的 Gamma」？Jon 的建议：做你自己真正懂、而别人不懂的领域，比如宝可梦卡牌或球鞋
- Jon 最想要的是 Slack 驾驭层：替他处理信息洪水，靠观察他的行为学会他的回复方式，打开任何对话就有拟好的初稿
- 「我大概发过 10 亿条 Slack 消息，这足够让智能体学会我会怎么回复」——让智能体个人化是难而未被攻克的问题
基于他人模型做产品 + 快速跑实验
- 基于别人的模型做产品没什么可羞耻；Gamma 从第一天起就在 Anthropic、OpenAI、谷歌模型间切换，先攒真实使用量，再用微调降成本、做个性化
- 云端闭源模型被低估：钱都流向闭源，因为它们太强；且大厂彼此只差几个月，对应用层是最好的竞争格局
- Gamma 的技术栈「广而不深」：用很多模型但用法简单，98% 的价值来自提示词，微调只是省成本或挤出 2–3% 质量的优化
- 新模型发布通常一小时内接入测试；随时有 10–20 个实验在跑，很多持续不到一天；Haiku 5.5 发布当天就在 Uber 上开了 8 个实验
- 「快速模式」实验本想砍掉提问环节提速，结果输了：减速带让用户更投入、付费转化更高——但移动端新用户仍上线了该模式，说明测试可以往深里挖
营销工程师与「人人都是智能体副总裁」
- Greg 提出营销演进：广告狂人时代一年一条大广告 → 数字营销 → 增长黑客 → AI 辅助营销 → 如今营销工程师每天跑几十个实验
- Jon 曾就职 A/B 测试公司 Optimizely；他认为超个性化愿景未普及，真正奏效的是像苹果那样死守品牌
- Gamma 用户已在搭自动化：Salesforce 新建商机就按通话记录自动生成路演稿，常用 n8n、Zapier 串联；把顶尖 1–2% 公司的做法变成人人可用的工具就是商机
- 顶尖 1% 营销工程师＝营销工程师兼数据科学家，用 Claude 当数据科学家，从个体创意人变成指挥智能体大军的高层监督者
- Jon 的观察：用上 AI 工具的人像被快速晋升——从个人贡献者到 VP，手下是金字塔式智能体；「学会管理 1000 人」成为人人都要补的课
实验是数字游戏
- Jon 在 Optimizely 学到的核心：实验本质是数字游戏，取决于你有多少次「击球机会」，别指望一次大测试点石成金
- 实验肌肉练得出来；发社媒、写博客、发冷邮件同样有一段「悲伤低谷」，成功来自游过低谷
- 被低估的方向：AI 图像模型——变好后反而没人聊了，大家翻来覆去只用三四种用法，Gamma 自己却用了约 10 种图像模型做图表、纹理、图标
垂直创业机会与结语
- 垂直空间大：以买沙发为例，图像模型能渲染效果但不知道尺寸——「渲染＋传统程序量像素＋提示模型修正」就是驾驭层该干的事，大厂短期不会做
- 抗大厂竞争的分层打法：纯消费者（帮我买沙发）→ 专业消费者（兼职室内设计师愿付订阅）→ 真正专业人士和大企业，最高端最能建护城河
- Gamma 美国收入占比不到四分之一，用户横跨顾问、教师、销售、律师；大公司就是一千个小细分市场堆起来，先做一个再找相邻领域
- Jon 若再创业会关注：激发创造力、氛围编程的下一个前沿、变好的视频/语音模型、等待被颠覆的游戏行业
- 结语：创业漫长而孤独，必须做自己能 dogfood、愿意每天花 8 小时而朋友不愿做的事；Greg 总结「和细分市场结婚，和产品谈恋爱」
关键人物 / 产品 / 数字
人物
- Jon Noronha
- Gamma 联合创始人兼首席产品官，曾在 A/B 测试公司 Optimizely 工作
- Greg Isenberg
- 节目主持人，设计机构 LCA 联合创始人，提出「营销工程师」观点
- Jeff Bezos
- 被 Jon 引用其名言「对愿景固执，对细节灵活」
产品与概念
- Gamma
- Jon 的公司，从演示文稿扩展为「面向视觉沟通的创意智能体驾驭层」
- Claude Code
- 被称为最出名的智能体驾驭层，用于编程：遍历文件、跑测试、预设规则
- Agent Harness（智能体驾驭层）
- 智能体用来在环境中执行、自检、交付成品并了解用户偏好的全部工具集合
- Claude Haiku 5.5
- 发布当天 Jon 即在 Uber 上为它启动了 8 个实验，用于又快又便宜的任务
- Salesforce + n8n/Zapier
- Gamma 用户搭建自动化的组合：新建商机即按通话记录自动生成路演稿
- Nano Banana / GPT image
- Jon 举例说走在旧金山街头一眼能「闻出」海报出自这些图像模型
- Muse / Instinct / OpenClaw
- 个人智能体工具的例子：OpenClaw 需自己折腾 Linux，Muse 和 Instinct 则因够简单而走红
视频里提到的数字
- 100 million ARR
- Greg 提到 Gamma 年经常性收入已达 1 亿美元
- 2020 / 2023
- Gamma 2020 年成立，2023 年起飞
- three or four models
- 输入提示词后前 10 秒即调用三四个不同模型（贵便宜都有）
- 30 or 40 calls
- 生成开始前已发出约 30–40 次调用、涉及四五个模型
- 20 models / ~200 calls
- 一份演示最终交付时约用 20 个模型、200 次调用
- 2%
- 疯传的 A16Z 图表称只有 2% 的人为 AI 工具付费
- 98%
- Jon 称 Gamma 约 98% 的价值来自提示词而非微调
- 10 or 20
- Gamma 任意时刻同时运行的实验数量，很多持续不到一天
- eight experiments
- Claude Haiku 5.5 发布当天 Jon 在 Uber 上启动的实验数
- less than a quarter
- Gamma 美国收入占比不到四分之一，用户遍布全球多种职业
金句摘录 · 中英对照
“I think maybe what harnesses illustrate is that actually the wrapping is most of the work.”
驾驭层恰恰说明：那层「包装」才是大部分工作所在。
— Jon Noronha “In general, my philosophy of business is try to be different.”
总的来说，我的商业哲学就是努力与众不同。
— Jon Noronha “I want an agent that can learn my voice.”
我想要一个能学会我声音的智能体。
— Jon Noronha “I think there's no shame in building on other people's models.”
基于别人的模型做产品，没什么可羞耻的。
— Jon Noronha “When you make the LLM's job really easy, you can use any off-the-shelf model and get good results.”
当你把大模型的活儿变得足够简单，用任何现成模型都能得到好结果。
— Jon Noronha “There's a trough of sorrow in all of it, and I think all success in life comes from swimming through some kind of trough of sorrow.”
这一切都有一段悲伤低谷，我认为人生所有的成功都来自游过某种低谷。
— Jon Noronha “it has to be something that I could dogfood, that I could be a user of, and that I could believe in.”
它必须是我能自己天天用、自己就是用户、并且真心相信的东西。
— Jon Noronha 可以借鉴的做法 / 启发
- 把「驾驭层」当产品主体来设计：列出你的智能体需要的全部工具（取上下文、执行、自检、交付、询问用户偏好），模型只是可替换零件。
- 给主观创意类产品做「替代性评估＋大规模 AB 测试」组合：客观项测指令遵循，主观项用付费转化、留存这类难造假的信号当北极星。
- 新模型发布后一小时内接入灰度测试，保持随时 10–20 个实验在跑；便宜模型经常能以一半成本拿到同样结果。
- 不要急于砍掉流程中的「摩擦」：Gamma 的快速模式输了，因为提问和审阅大纲让用户更投入、付费转化更高——摩擦有时就是价值。
- 先用现成闭源模型攒真实使用量，等有规模后再微调降成本、或对大厂不擅长的专门任务（如视觉质检）自研模型。
- 选方向时问自己「我的独特优势是什么」：独特愿景、独有数据、或把 AI 带进实体服务；并优先做自己愿意每天泡 8 小时的领域。
回顾 / 思考问题
- Gamma 为什么在生成前要先弹表单问用户问题？这一「减速带」对最终转化起了什么作用？
- Jon 说的「AI 味」是什么？Gamma 用什么思路来缓解「所有产出都像 Gamma」的问题？
- 为什么 Jon 认为主观创意领域不能只依赖 eval（评估）？他用什么替代方案？
- Jon 理想中的 Slack 驾驭层如何「学会」他的回复风格？为什么他说这很难？
- 「快速模式」实验的失败说明了什么？为什么最后仍在移动端新用户中上线？
- 按 Jon 的说法，从「个人贡献者」到「智能体副总裁」需要补上什么新技能？
本回顾由 AI 根据英文逐字稿整理，时间戳、引文与数字已对照逐字稿核对；如有出入，以原视频为准。
◉ 正在收听配音
