Show Notes
7个人、0融资、25M ARR。Obsidian把VC那套增长叙事撕得稀碎。这期拆这家"反硅谷三件套"的笔记公司：当Mem烧掉OpenAI Startup Fund 25M、Reflect/Tana/Heptabase全军覆没时，它靠不做AI、不上云、不tracking用户活下来了，反过来成了Claude最好的context层。 第一，所有人都把Obsidian的护城河归因于local文件，错了。真正的壁垒是用户full control激发的创新意愿，你在vault里投入几百小时搭的知识图谱，那个能力是你自己的，但你迁不走。这和Databricks、AWS账单复杂到看不懂是同一套设计哲学：complexity by design，把摩擦本身做成粘性。 第二，Obsidian连自己有多少DAU都不知道，by default不tracking。这种反产品经理姿态意外变成了preserve privacy的卖点，但同时也是它走不了VC路线的根本卡点。 第三，过去几年Mem烧光OpenAI Startup Fund的23M、Reflect、Tana、Heptabase这批AI first note taking集体扑街，反AI的Obsidian反而被Claude反向成就。Markdown格式让Claude Code能直接读你的vault。Note Taking可能已经走到头，Note Seeing才是下一站，Note for Agent才是新的契合点。 我们也辩论了拿不拿VC的浪漫主义vs幸存者偏差、早期投资投人还是投增长、以及Notion和Obsidian长期谁能赢这场battle。
我们在这期聊到的一些公司和话题： Obsidian (https://obsidian.md/)
Obsidian-Claude (https://github.com/AgriciDaniel/claude-obsidian )
Knowledge graph conference 2026 (https://www.knowledgegraph.tech/)
BitNet b1.58 2B4T Technical Report (https://arxiv.org/pdf/2504.12285)
时间线索引 00:00 Obsidian的反硅谷三件套 - 7人/0融资/25M ARR 02:49 不做AI却被AI需要: 反增长叙事下的护城河悖论 05:47 local-first真正的护城河不是数据归属，是full control带来的创新粘性 08:51 Complexity by Design: 从Obsidian门槛到Databricks账单的同一套留人逻辑 12:43 反AI的注脚: 手动knowledge engineering vs AI主动capture的矛盾 15:12 浪漫主义创业vs把VC当validation筛子: 拿不拿钱的底层判断 22:31 Obsidian不做用户tracking：反产品经理是principle还是历史包袱 26:14 估值只能go up: seed轮拿多少钱的双刃剑 29:31 Note Taking正在消亡: Notion和Obsidian谁能跑赢note seeing时代 33:50 Collaboration绕不开上云: Note for Agent才是真正的破圈口
More from 硅谷温差
Meta的Muse、OpenAI的Dots接连上线，这期从使用者角度拆Personal AI。Will每月在AI上至少花1000美元，但省下的时间并没有回到家人身上：雇主会收走效率红利，人越用越卷。Instinct这类邮件日历助理在VC和创始人圈爆火，出了圈，多数人只把豆包当更强的搜索。真正值钱的是以前贵、做不到的事，比如看病、高尔夫动作分析、几千页工程图纸的进度管理。瓶颈在Context：邮件日历只是生活的一小片，穿戴设备能补，但越懂你越creepy。Lewis也聊到当年在Google做Gemini时没来得及推的端到端加密推理。最后我们把产品形态分成委托、镜子、延伸、挑战四类，Will反对做数字分身，主张为具体任务设计员工。
NVIDIA花130亿买下Hugging Face，AMD用82亿收了李飞飞的World Labs。同样是芯片厂买模型层，买到的东西完全不同。 Hugging Face作为独立公司很难靠营收扩张，放进NVIDIA才值钱：开发者选模型、测模型的早期信号都在这，抓住源头就能影响inference最后跑在谁的卡上。大厂都在自研芯片，企业却没人造得起TPU，只能买现成的，开源模型的使用者才是GPU的基本盘。小模型已经够用，最贵的token适用场景越来越窄，模型趋近免费，要付钱的只剩GPU。AMD这笔我们觉得风险很大：人很强，但world model连定义都没定下来，离变现还远。 时间轴 00:00 130亿买便宜了 07:03 抢在推理之前 11:43 开源用户是大客户 14:18 Token终将免费 18:18 AMD押注World Model 25:45 Muse证明够用就行 28:45 国内只挖人不并购 30:17 上周趣闻
从孙宇晨把资产丢进 Claude Code、问 AI“5000 万美元该不该给”说起，这期《硅谷温差》聊 Personal AI 个性化 AI 助理 到底靠不靠谱。
DeepSeek把harness开源，连agent loop都是可换的plugin，本质是放权给模型；为什么开源？用open weights的企业根本不会用它的API，这是唯一的触达路径。企业侧的温差很实在：现在的harness也就一个9，企业要三个9，同一个任务跑五遍结果都不一样就很难落地。有人把信用卡号告诉过模型，下次它直接拿去结账，决策和执行不分层，人就失控。Pi靠四个tool和不到1000 token的system prompt走红，但开源harness大家先测的是cache命中率，省token是真的，提质量还是问号。最后没吵完的问题：harness是CPU里的checksum，还是迟早被模型吃掉。
这一期《硅谷温差》聊AutoResearch和Self-improving Agent：AI Agent真的能自己变聪明吗？还是只是被包装成自我进化的Workflow Automation？ Lewis和Will从Karpathy提出的AutoResearch、Jeff Dean的Discovery Loop、AI Scientist、Deep Research、Hermes Agent、企业 SaaS 自我迭代等案例出发，拆解self-improving agent的真实技术路径：它到底是靠brute force搜索、memory、harness、eval loop、tool refinement，还是模型能力本身的突破？ 这一期重点讨论三个问题： Auto Research 的核心价值是“AI 科学家”，还是帮助人类更快探索更多方案？