加载中...
35 浏览
Harris @Harris 是我在新加坡认识的一个营销老炮。Apple 在线商店待了近 5 年，然后跳进广告行业，在 Facebook Marketing Partner Nanigans 负责大中华区，帮 FunPlus、IGG 这些头部 SLG 游戏公司做海外投放。再之后进入 Meta，专门负责大中华区游戏——莉莉丝、米哈游、哔哩哔哩、游族都是他的客户。
"最夸张的一次，全球前 10 的 SLG 游戏公司，9 家都是中国的。"那是中国游戏出海的盛世。
2022 年他离开 Meta 创业，兜兜转转经历了区块链游戏，2024 年底 all in AI，在新加坡做了一家叫 A65 的公司。A65 做的事情听起来很大：用 AI agent 集群接管企业的整个营销链路——从用户洞察到投放策略到广告创意到 24 小时盯盘。
1. 不要为了 build agent 而 build agent
Harris 说他去新加坡的创业活动做分享，最常问台下一个问题："你今天有一个实习生的岗位，你到底能不能清晰地定义出这个实习生能够给你干什么？如果你没有办法定义出来，那你一定也没有办法定义一个好的 agent 出来。"
A65 一开始也踩过这个坑。最早他们把 AI agent 当效率工具——用它来 vibe coding，用它来帮员工提速。但很快发现，"如果你把它当成 agent，你的产品形式本质上没有什么变化，只是提高了效率。"
后来他们做了一个很大的转变：agent 不是工具，agent 就是产品本身。
2. 功能性 agent 里不放 memory
这个设计决策让我印象很深。
A65 把 agent 分成三类：一类是 AI 员工（跑在 Mac mini 上的 Hermes agent），一类是功能性 agent（执行具体技能的），一类是 governance agent（评估和监控的）。
暂时没有回复
来日方长 敬请期待
他们最早用 Hermes agent 的时候发现，当多个客户的 brief 进来，agent 的 skills 和 memory 会跟着变——用得多的客户会让整个产品往那边倾斜。如果要服务成百上千的客户，一致性和稳定性才是最大的难题。
所以 A65 在 governance 和 guardrails 上花的精力，远超大多数人想象中的 agent 公司。
3. 你想让 AI 给你 100 分，你至少自己要达到 85 分
我跟 Harris 聊到 CreativeOS——他们的广告创意生成系统。我说很多做营销的朋友从来不用 AI 做内容，觉得 AI 做的东西 mediocre。
Harris 的回应很直接："今天不是说 AI 不行，是因为你的 prompt、你的输入不行，它就输出不行。你想让 AI 给你达到 100 分，你至少自己要达到 85 分。"
所以 A65 在 CreativeOS 里做了大量的 harness——不是让用户随便输入一句"帮我做个咖啡广告"，而是把专业广告人的工作流程 build 进系统：先找用户 motivation，再结合产品卖点，形成策略，拆成 idea，然后分镜、hook、call to action、品牌信息——每一步都有套路。
"一个十年经验的创意总监和一个普通人，用同一个系统，得出来的结果是完全不一样的。"
这跟 Seedance 是一个道理——模型都在那里，谁都可以用，但输入的质量决定输出的质量。
4. 91.6% 够用了，不追 100%
A65 有一个叫 CrowdOS 的产品，做合成受众——用 AI agent 模拟真实消费者做市场调研。他们用 Big Five（大五人格）模型构建 agent 的人格，然后每天喂新闻，让 agent 在服务器里自发 debate 形成观点。
他们跟 Pew Research 的公开面板做了校准，一致性达到 91.6%。
我问他剩下的 8.4% 差在哪，能不能往上做。他给了三个理由不做：
第一，校准的对象是已经发生的报告，做到 100% 匹配过去的数据并不等于预测未来更准。第二，统计学上 75% 以上就已经够用了。第三，成本——从 91.6% 再往上每升零点几个点，成本就会暴涨。
"我们不是在做 100% 准确的科研研究，我们是做商业可用的产品。"
这种克制在 AI 圈子里不常见。大部分人讲的是模型越准越好，Harris 讲的是：够用就是够用。
5. 我们不会干预 perspective 的形成，我们只喂原材料
CrowdOS 里有几千个 agent，每个都有持续的 memory。Harris 说他们每天给 agent 喂当地和国际新闻，让 agent 自己产生 debate，自己形成观点。
但他们也有监控：如果有某个 agent 说服力太强，把其他 agent 的观点全部 convince 掉了，系统会捕捉到。
"我们不会干预 perspective 的形成，我们只是喂原材料。"
我追问大模型本身偏英文、偏富裕、偏城市、偏上网多的人，怎么让合成受众代表更边缘的群体？他说他们同时接了 5 个模型——Anthropic、Gemini、OpenAI、DeepSeek、Kimi——中国模型和海外模型都在，就是为了消除单一模型的 bias。
而且不同市场会单独定制校准数据——不是每个国家都有 Pew Research 级别的报告，有些市场甚至要从社交媒体数据来补。
6. Tier 1 客户的 90 分方案，到 Tier 2 就是 120 分
Harris 讲商业模式的时候说了一个我觉得很聪明的策略。
他们的大客户（Tier 1）都是定制化服务，方案做到 100 分。但大客户的需求做成标准化产品后，可能只有 90 分——差的 10% 就是定制化的部分。
"但是我们今天这个 90 分的标准化方案给到 Tier 2 的中型客户，对他们来说可能就是 120 分了。因为他们远远没有那么 advance。"
这不是一个新逻辑，但在 AI agent 产品上第一次听人讲得这么清楚：用头部客户的经验喂养产品，然后把高浓度的 knowhow 通过标准化产品释放给中型客户。
7. 不是为了新而新，MCP 有缺点就用 API
最后一个让我印象深的点。
A65 的官网上写了一句话：fluency is not capability。流利不等于能力。这句话来自 1965 年 MIT 的 ELIZA 模型——也是 A65 名字里"65"的由来。
Harris 说他们在技术选择上非常务实："我们不是为了 agent 而做 agent。有些东西直接可以用代码写死的，我们就用代码写死。现在 MCP 很火，但我们看到 MCP 里有很多缺点，那我们就直接用 API。"
"不是说 API 是一个老旧的技术就非得用 MCP 代替掉。今天解决这个问题，本质到底怎么解决，怎么效率最高，成本最低，我们就做这个。"
这跟很多 AI 创业公司讲的故事不一样。大部分人的叙事是越新越好、越 agent 越好。Harris 讲的是：回到 foundation，回到本质。
获取最新资讯与动态：
Copyright © 2026 RADHOST PTE. LTD. (UEN: 202450723N). All Rights Reserved.
