Show Notes
每个人都讨厌繁琐的报销程序，在AI Agent的时代，这种被软件奴役的日子可能到头了。在本期《硅谷温差》中，Lewis和Will将深入拆解在硅谷被热议的话题：SaaS真的死了吗？ 如果软件不再需要图形界面，如果学习成本归零，那些估值百亿的SaaS巨头还能靠什么活下去？ UI的终结： 为什么自然语言才是最终的终端？当Agent接管了所有的脏活累活，复杂的菜单和按钮将彻底消失。
护城河的转移： 代码不再值钱，逻辑可以被AI抄袭。在Agent时代，企业的真正壁垒是那些藏在员工脑子里的Tribal Knowledge和不可复制的核心数据。
商业模式的革命： 订阅制已老，基于结果的定价到底有没有出路。
商业新物种： 为什么未来会出现2人组成的10亿美金公司？
无论你是SaaS行业的创业者、开发者，还是每天在各种软件系统里挣扎的打工人，这一期都会让你重新思考：在AI时代，我们到底需要什么样的工具。
本期我们聊到的话题： Menlo Ventures: Software Finally Gets to Work: The Opportunity in
Claude最新发布的Managed Agent
Claude的Memory API
时间线索引 00:00 UI之死：为什么Agent时代手动填表是效率自杀01:59 交互重构：自然语言如何让专业软件的学习成本归零04:16 Intent驱动：从完成任务到记住意图的边际收益转换06:29 SaaSforAgent：当MCP协议与Skill成为软件的新形态07:46 护城河迷思：为什么BusinessLogic在Token面前不再保值11:42 TribalKnowledge：散落在文档之外的非数字化数据才是真堡垒16:28 算力套利：小模型(SLM)与开源模型在成本战中的战略地位19:05 定价博弈：Outcome-basedpricing如何重塑SaaS毛利结构24:00 组织变革：5个人能撑起10亿营收吗？劳动力与算力的对调34:01 VerticalSaaS：垂直领域如何靠业务深度对抗通用智能的蚕食
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？