Agent 创业不是“做个工具”，而是重构人与任务的连接方式。本文将从技术路径、产品机制与增长逻辑三大维度，深度解析 Agent 创业的成本结构与落地难题，帮助你理解为什么“能做”不等于“能活”。

I. 引言：智能体浪潮下的机遇与挑战

2025年，AI智能体（Agent）无疑是科技领域最炙手可热的赛道。然而，在这股浪潮之下，市场正发生着微妙而深刻的变化。一方面，资本市场对Agent展现出极大的热情；另一方面，即便是头部公司也开始面临严峻的商业化考验。

A. 智能体市场热度与微妙变化

1. Agent市场的火爆程度：当前市场上有三类Agent备受追捧。编程类Agent如Cursor，估值高达100亿美元；垂直类Agent如处理法律文件的HarveyAI，估值也达到50亿美元；而通用型Agent如ChatGPT，更是人尽皆知。这些公司在极短的时间内达到了惊人的估值。
2. 市场现状的复杂性：高光之下，危机并存。例如，曾“风光无两”的Cursor在融资后不久便因成本问题调整定价策略，引发社区巨大争议，凸显了其在成本与增长之间的困境。
3. 核心矛盾：这揭示了当前Agent创业的核心矛盾——技术快速发展与商业化成本之间的激烈竞速。产品每被调用一次，背后都是实实在在的推理成本，这使得传统的互联网“免费+增值”模式难以为继。

B. 本文核心关注点

基于《硅谷101》E207期的深度讨论，本文将聚焦AI Agent创业者面临的两大核心难题：产品成本与用户增长。我们将通过剖析三位一线创业者——分别代表通用工具调用型、身份型及垂类创作型Agent——的核心技术策略与商业模式，深度解析他们如何在成本与商业化落地之间寻求突围。

II. Agent的多元化生态与核心产品定位

面对激烈的市场竞争，不同的Agent创业者选择了各具特色的切入点和技术路径，形成了多元化的产品生态。

A. 通用型Agent的技术突围：工具调用与成本控制

Bill的公司（Pookie AI）致力于构建一个“通用工具调用型Agent”。其核心理念并非简单地响应用户指令，而是从模型层面解决根本问题。

• 核心目标：将互联网上数以千万计的工具（API）直接整合进大模型的“动作空间”（ActionSpace）。这意味着Agent能够像理解语言一样理解和使用工具，实现完全自主、无需用户预先选择的工具调用。用户只需提出需求，Agent便能自行寻找并执行最合适的工具。
• 解决成本问题：Bill指出，当前Agent成本高昂的一大原因在于上下文和工具信息的重复处理。PookieAI旨在通过模型层面的优化，将工具信息压缩进模型本身，避免在每次调用时重复传递大量上下文，从而将构建和运行Agent的成本降低到“不亏损”的水平。

B. 身份Agent的社交网络叙事：Being与Doing的平衡

Second Me则开辟了一条独特的道路——“AI时代的身份Agent”。

“未来的世界不会说所有人都像上帝一样用一个超级大模型。我觉得未来一定是会有很多很多人，每个人都会有一个他自己的AI，然后这些AI会形成一个网络。” —— 陶芳波

• 身份Agent的价值：与专注于完成任务（DoingSomething）的工具型Agent不同，SecondMe更关注对个体“存在状态”（Being）的建模与呈现。它旨在创造一个比传统社交主页（如Facebook）更生动、更深度的个人AI身份，让AI代表“我”与世界互动，实现人与人之间更深层次的连接。
• 数据来源与硬件载体：为了构建精准的个人AI身份，SecondMe不仅利用用户已有的线上轨迹数据（如社交媒体），更展望未来通过“AlwaysOn”的硬件设备（如智能眼镜、生活记录器）来捕捉完整的线下环境与个人信息，为AI提供更丰富的训练素材。

C. 垂类创作Agent：Planner与用户体验为王

任志博的Lovart深耕于AI文生图领域，其核心竞争力并非基础的生图模型（Tool），而在于更上层的设计智能。

• Planner的角色：Lovart的核心是其“Planner”（规划器）。这个Planner扮演着专业设计师的角色，它不仅调用底层的生图工具，更重要的是理解用户的职业背景、审美偏好和个性化需求（MemoryContext），然后像设计师一样规划创作流程、组合工具，最终交付高度个性化且符合主观审美的作品。
• 模型提升的利好：对于Lovart这类应用层公司，底层基础模型（如谷歌的NanoBanana）能力的提升是绝对的利好。任志博将其比作“水涨船高”，基础能力的飞跃能直接提升其交付给用户的作品质量和体验，从而巩固其产品价值。

III. 商业落地的生死线：成本挑战与技术架构选择

无论产品定位如何，成本都是所有Agent创业者无法回避的“生死线”。技术架构的选择，直接决定了公司的成本结构和生存空间。

A. 推理成本的惊人占比与亏损现状

讨论中，嘉宾们一致认为推理成本是目前压在所有Agent公司头上的大山。

• 推理成本是最大开支：Bill透露，对于大多数AI公司而言，推理成本占总成本的比例高达80%至90%。陶芳波也证实，在他们的公司，推理成本已远超传统的云服务成本。
• 高成本案例：一次复杂的DeepResearch任务，使用海外顶级模型的成本可能在8到10多美金。相比之下，ChatGPTPlus的月度订阅费仅为20美元。这意味着C端用户只要进行两三次复杂调用，就可能让服务商陷入亏损。
• C端市场的困境：嘉宾们普遍认为，目前几乎没有一家C端Agent公司能够实现盈利。其生存前景在很大程度上取决于上游模型厂商能否“仁慈地”将模型价格降低80%以上。

B. 降低成本的技术路径与策略

为了应对高昂的成本，创业者们正在探索多种技术路径：

1. 混合模型（HybridApproach）：根据任务的复杂程度，动态选择不同性价比的模型。例如，使用像GeminiFlash这样便宜的模型来处理总结、上下文压缩等简单任务，只在关键环节调用最昂贵的顶级模型。
2. 上下文多层次抽象：优化信息处理流程，对RAG或工具调用的结果进行抽象和筛选，只将最核心、最必要的信息放入上下文窗口，避免在Token上造成不必要的浪费。
3. 垂直Agent的自研与Serving：对于场景相对聚焦的垂直Agent，通过精调（Fine-tuning）自有模型并自行部署（Serving），可以将成本降至API调用的零头，实现指数级的成本优化。

C. 模型训练路径的技术壁垒与成本影响

更深层次的成本优化，则与模型的训练路径息息相关。

• SFT（监督微调）的瓶颈：传统的SFT路径正面临两大瓶颈：一是数据成本急剧上升，各大内容平台（如Reddit）开始高价授权其数据；二是复杂任务（如DeepResearch）的人工标注变得几乎不可能，成本高昂且难以规模化。
• RFT/RL（强化学习）的兴起：为解决SFT的困境，业界开始转向基于人类反馈的强化学习（RLHF/RFT）。然而，这条路径同样代价不菲。
• RL的代价：RL训练时间长、过程不稳定，且存在泛化性下降的风险，需要消耗巨大的云计算资源。Bill提到，目前顶级模型的RL微调成本已经与SFT训练成本相当，未来可能更高。
• “经验时代”的展望：陶芳波和Bill探讨了Agent的终极形态——“经验时代”，即Agent在与用户交互的线上使用过程中（InferenceTime）持续学习和进化。但这面临着巨大的技术挑战，尤其是在安全性和稳定性方面，短期内难以实现。

IV. 商业模式与市场突围策略

在严峻的成本压力下，不同的商业模式选择也决定了公司的发展路径和增长策略。

A. B端与C端的盈利差异

• B端Agent：嘉宾们普遍认为，ToB和垂直领域的Agent商业模式更清晰，相对更容易实现成本打平甚至盈利。
• C端Agent：C端业务则普遍“痛苦”，盈利极其困难，严重依赖模型厂商的降价。即便能够通过订阅费打平成本，一旦计入人力成本，盈利便遥遥无期。

B. B端商业模式的平衡：通用性与定制化

对于To B业务，如何平衡通用性与客户定制化需求是关键。Bill分享了两种典型的硅谷模式：

• PLG（产品驱动增长）：通过建立活跃的社区（Community），从核心用户群的反馈中提炼共通需求，驱动产品迭代，避免为单一客户做深度定制而沦为“咨询公司”。
• SOG（销售驱动增长）：专注于服务大客户，不惜一切代价满足其需求以拿下订单，这种模式更偏向传统的企业服务。

C. C端商业模式的创新与尝试

面对盈利难题，C端Agent创业者们正在进行多样化的商业模式探索：

• 订阅制（Lovart）：最直接的模式，根据用户的使用量和功能权限提供不同档位的付费订阅，与用户画像和使用强度挂钩。
• 网络效应（SecondMe）：放弃短期收入，追求用户规模的极致增长。陶芳波表示，他们赌注于未来能够建立起强大的网络壁垒，并通过类似FacebookFeedAds的“AI原生广告模式”实现商业化。
• 结果导向计费（PineAgent）：一种创新的模式，不按使用量收费，而是根据Agent为用户创造的实际价值进行提成。例如，Agent帮助用户与银行或电信公司交涉成功，挽回了一笔钱，平台则从中抽取一定比例作为佣金。

V. 市场竞争与生态发展趋势

Agent创业不仅要解决自身问题，还需应对来自巨头和整个生态的动态变化。

A. 来自巨头的竞争与合作

• 直接竞争：应用层公司时刻面临来自模型层巨头的“降维打击”。例如，当Anthropic（Claude）和OpenAI不断强化其模型的原生代码能力时，像Cursor这样的代码Agent就会面临巨大的竞争压力。
• 生态合作与退居基础设施：一个更积极的趋势是，一些巨头似乎正从直接的应用竞争中后退，转向成为生态的基础设施提供者。陶芳波提到，Anthropic推出的ClaudeCodeSDK，意图成为所有Agent的“内核”（Kernel），这类似于NVIDIA的CUDA。Bill也观察到，Google正更多地以战略合作伙伴的身份，向创业公司提供开发者层的能力。

B. 生态开放性与工具调用趋势

• 海内外生态差异：Bill指出，海外的工具生态（如YouTube、Instagram）相对开放，API接口完善，为Agent的工具调用提供了良好基础。而国内生态（如B站、小红书）则相对闭塞，需要进行更深度的商务合作。
• 未来趋势：一个无法逆转的趋势是，随着交互方式的变革，传统的前端网页可能会被统一的ChatBox界面取代。在这种模式下，工具的开放调用将成为必然，只是时间早晚问题。

C. 增长与营销策略

在AI时代，传统的营销方式正在被新的范式所取代：

• 产品力至上：在信息过载的当下，高价KOL的推广效果正在减弱。最终，能留住用户的还是产品本身。依靠卓越的产品体验赢得口碑和“自来水流量”，成为最可靠的增长路径。
• 社区建设（Community）：对于早期公司，建立一个核心用户社区至关重要。通过与社区成员的紧密互动，获取真实反馈并快速迭代产品，是实现冷启动和持续增长的关键。
• 科幻叙事：在AI产品层出不穷的今天，创始人们开始通过讲述引人入胜的“科幻故事”来构建产品愿景，以此在早期吸引市场的眼球和注意力。

VI. 结论：智能体商业化落地的未来展望

AI Agent的浪潮波澜壮阔，但前路并非坦途。通过这场深度对话，我们可以看到，智能体创业的未来取决于以下几个关键点：

1. 技术与商业的交织决定命运：在Agent领域，技术路径的选择（如成本优化架构、模型训练策略）不再仅仅是技术问题，它直接决定了公司的成本结构、盈利能力乃至生死存亡。
2. 以用户体验和价值交付为核心：无论是帮助播客主简化工作流，还是在重要会议中提升用户的自信心，抑或是让设计师快速产出UI原型，Agent的最终价值在于能否真正解决用户的痛点，提供不可替代的体验。
3. Agent生态的持续演进：当前，AIAgent市场仍处于剧烈的变革期。成本与架构的优化、商业模式的探索、以及与巨头生态的共存，将是未来很长一段时间内的主题。对于创业者而言，保持敏锐的洞察和灵活的应变能力，将是在这场竞速中胜出的关键。