跳转至

Jesse Zhang & Ashwin Sreenivas（Decagon 联合创始人）

企业 AI agent 公司 Decagon 的两位联合创始人。公司约 2023 年创立（a16z 自陈"大约整整三年前开始合作"），起于客服 agent，2026 年已把定位扩展为 "AI concierge"——"AI agent 应该就是你这门生意或品牌的正门"。客户为银行、航空公司、电信等大型企业；主持人称其与 Sierra 已成"两匹马的赛跑"。

  • Jesse Zhang（联合创始人兼 CEO）：本库中以开源 vs 闭源的公开写作者身份出现——主持人称他近期一篇文章"病毒式传播、正好打在时代议题的正中间"。此前是单人创始人。
  • Ashwin Sreenivas（联合创始人兼 CTO）：前 Palantir deployment strategist，因此对 forward deployed 模式有一手对照。此前也做过单人创始人。
  • ⚠️ 说话人认定说明：本库唯一的收录来源（a16z 那期）转录稿无说话人标签、只有 >> 换人标记，且部分换人处漏标。Jesse 被主持人多次点名；另一位被自动字幕写成 "Asha"/"Ashan"，本库据两条内证（"你以前是 Palantir 的 deployment strategist"、"上了纽约时报"）认定为 Ashwin Sreenivas。边界不清处本库只写"其中一位创始人"。
  • 产品名词：AOP（agent operating procedures）——他们自创的一种用纯文本写业务流程的格式；Duet——一个"更大更慢"的第二个 agent，负责写 AOP、写工具与集成、写测试与仿真；Duet Autopilot——上线后复盘对话、找问题并起草改进的 agent。

立场与关注点

模型与开源

  • ⚠️ "更聪明 vs 更便宜"是一个假的权衡（本库最强的一条相关表述）："当我们微调更小、更笨的模型时，它们只是没那么通用，但在我们要它做的那个具体任务上，它们确实超过又大又聪明的 SOTA 模型……所以我们最后三样全拿到了：更好、更便宜、而且更快。"
  • 转开源的动机是延迟不是成本：语音 agent 上线后延迟成为硬约束，而"前沿实验室确实有小模型，但你没法按你想要的方式控制它们"。现状：90% 的工作流跑在开源上，10% 用闭源前沿模型做新项目。评估模型的三个维度是成本 / 智能 / 延迟。
  • 前沿模型留给开放式探索：如 Duet Autopilot 要"审阅一百万条对话、找趋势、造出主模型的变体、看哪个更好"这类任务。
  • ⚠️ 一条与"开源正在赢"叙事相反的一手观察："企业里开源推理的份额其实在下降"——因为新用例都从前沿模型起步、跑通后才转开源。含义是：开源份额是用例成熟度的滞后函数，而非单调趋势。
  • 企业自建后训练会来但会慢：难点不在决定用开源，而在数据与 eval——"我们的 eval 极其针对我们自己，你不能拿一个公开 eval 集来顶事"；加上模型风险治理与安全流程的惯性。
  • Decagon Labs = "模型工厂"：因为模型形态一直在变、新能力会催生新用例，他们不断训练全新模型、淘汰旧的；建这个团队就是为了"压缩'新模型出来'到'对我们任务有用的微调模型掉出来'之间的时间"。
  • eval 要对齐客户结果、要端到端："如果我们能把 eval 直接对齐到客户结果，那比看 loss 曲线好太多……我们问的不是'这个模型在这个任务上好不好'，而是'这个模型和其它所有模型协同工作时，有没有交付我们在乎的那个终端客户结果'。"

token 经济学

  • 他们不优化成本："驱动因素是性能与延迟，成本是好的副作用……跟客户谈时他们根本不在乎你的成本，只在乎你的 agent 表现多好。"
  • ⚠️ 每次对话消耗的 token 数在上升——"因为我们在做更多次模型调用来提高质量、做更多检查、并行更多东西。这就是我们现在所处的阶段。"（产出单位是一次对话，不是 token。）
  • 对 tokenomics 之辩的元观察：这个辩论真正围绕的是"我今天在前沿模型上该不该转开源"；"一旦你已经跳过去了……成本这件事就没那么紧迫了"。

应用层与护城河

  • ⚠️ 业务逻辑靠上下文，不靠微调（最有工程价值的一条区分）："我不是在为行为做微调，我是在教 AI 我自己的流程。而那件事不是通过微调发生的，是在上下文里发生的——因为如果你把它微调进去，每次你改流程都得把它逆转回来，这说不通。" 落点："这些业务逻辑跟模型本身毫无关系……它必须存在于应用层。"
  • 微调是为用例定制，不是为客户定制："我们做的绝大多数微调是为了我们的用例，即客服这个用例。对我们值得，因为我们只干这个；但如果你是那家企业，值得把宝贵的研究资源拿去调一个客服行为的模型吗？大概率不值得。"
  • ⚠️ "AGI 也需要软件"（Ashwin）："我不太买'实验室是最后的创业公司'这套。某种意义上人类本身就是 AGI，而人类为了做各种事一直需要用软件……即使有了 AGI，我们所有的 AGI agent 也需要一个地方来存放工作、拉取信息、对事情做推理。" 保留部分："一类纯粹为了让人干活而建的 SaaS 公司可能会挨点烤火"；且"也许长期来看，应用层公司就变成了特定垂直领域的实验室"。
  • ⚠️ 护城河四条清单（假设模型完美无缺之后仍然剩下的东西）：① 能力边界（告诉模型能做什么、确保不能做灾难性的事）② 组织协同（企业里几百个人协作，确保 agent 在他们各自是专家的用例里按预期行事）③ 合规测试（不越过监管红线）④ 洞察抽取（从几百万条对话里给其它团队抽洞察）。他罕见地给出失效条件与时限："一旦这些因为 agent 能即时造出来而被商品化——那我就不知道了，我们三年后再来搞清楚。"
  • 押横向不押垂直："在我们这个空间里赢家会是横向的……Salesforce 非常横向、Zendesk 非常横向，因为你从规模、从一个健壮和深的产品里拿到的，比从垂直特定功能里拿到的更多。"预期垂直与市场分层上会发生整合。
  • CRM 不会死："如果你今天的 concierge 是个人类，他还是会把你的信息写进 CRM……当我们有了这些 AI agent，它们也需要一个地方去放那些信息。"更有意思的版本：未来也许是 agent 在用界面、连图形界面都不需要，而 CRM"仍然非常有价值，因为它们持有事实来源，只是被 ping 得多得多了"。他们对建 CRM"零欲望"。
  • ⚠️ "民主化 concierge"的单位经济学："如果你去一家你每年花 10 万美元的商家，你会得到最个性化的对待……但如果你只花 10 美元，他们做不出经济账。这不是缺乏意愿，只是单位经济学不支持。" 所以"如果你能用 10 美分给他们那种体验，那它突然就算得过账了"。

FDE、组织与销售

  • ⚠️ "大量招 FDE 是个陷阱"（Ashwin，本库最直接的一条反驳）：FDE 现在新近必要，因为"对 AI 产品，没人知道工作流是什么，因为没人用过这些东西"；所以 FDE 的真实职能是"嵌进客户那里，在客户第一次学会这个工作流的同时，自己第一次学会这个工作流"，是"边看火车往哪开、边铺轨道"。长期结论："一旦你知道了工作流，就不该再依赖 FDE。能产品化就该产品化"，否则"你只是在建一家被美化的咨询公司"、"一个现代版的 Accenture"。
  • Palantir 对照（Ashwin 有一手经验）：引 Shyam Sankar 的说法 "forward deployed engineers eat pain and excrete product"；他指出的误读是"几乎没有公司能做 Palantir 做的事——一上来就签下巨大的合同，因而值得把那么多力气砸进去"。
  • 他们自己的 FDE 定位：FDE 建核心产品——"产出不是给那个客户的一次性东西，而是贡献进核心产品，让接下来问同样问题的 10 个客户免费拿到"。公司是产品驱动 + 销售驱动："产品由销售来告知，我们不是坐在那里凭空想产品该造什么。"
  • ⚠️ 大企业成交快的真实原因是部署路径被产品化了："在很多这些企业内部，除了'这个产品管不管用'之外，还有一个内部问题：我到底能不能把它上线？"所以他们能"非常颗粒地带客户走完从第一次会议到 100% 上线的全过程——模型风险流程、测试流程、初始 rollout、出问题怎么抓怎么修"。他的判断是"这件事经常被卖给企业的科技公司忽略"。
  • glass box 而非 black box：他们转述一个从 Sierra 转来的客户的理由——"用 Sierra 时主要是 FDE，感觉像个黑盒，什么事都得走 FDE"；对照数字是那家客户在 Sierra 一年建 3 个 journey、转来后一个月建了 7 个。
  • 创始人时间：其中一位自陈约 80% 时间在销售；理由包括把项目切成小块先拿一个胜仗，以及"销售团队不为产品负责、不为端到端流程负责，所以不会一直想出新配置"。
  • ⚠️ 瓶颈是招人，不是模型："我们是 token 的贪婪消费者，token 账单非常非常大"，但 AI 还不能"拍板该建什么、该排除什么"，也没有"这件事做完了没有"的品味。技术侧仍在等 voice-to-voice 模型与"小模型开箱更聪明"。
  • ⚠️ 对"一人独角兽"的博弈论反驳：反例是"所有 AI 编码创业公司都在疯狂招人，而他们大概是这些模型最老练的用户"；机制是"如果有人说'现在我们能用三分之一的时间做完'然后停止招人，我们只会理解成：那就建三倍的东西。结果每个人都做同样的算术。"
  • 对 grind slop 的态度："我们从来没发过 grind slop……我们从不强制人周末来，也不太在意他们在办公室待多久。人们在办公室只是为了把沟通最大化。"文化定位是 team sport——"你会经常看到工程师出现在早期销售电话上，看到销售在 debug 产品"。文化规模化"对我们不是一个已解决的问题"，机制是新人先到旧金山泡几周、新办公室派 hub 的人驻几个月。
  • ⚠️ 国际化被提前拉动的两条机制：① 董事会/CEO 自上而下的压力（"企业想'我们怎么采用 AI'——答案就是搞点编码 agent、搞点客服，因为那是最显然的两个"）；② "用 AI 之后语言容易多了"。反向摩擦是数据驻留与更懂本地市场的本地竞争者。

模型能力与就业

  • ⚠️ 模型具体变好在"指令跟随"："几年前你得给非常紧的指引、不许偏离。随着模型变聪明，你可以给越来越宽的指引，并且信任模型有足够判断力像人一样去解读、把缺的空白填上。"这正是从客服（紧路径）扩展到销售资格判定（开放式、会来回摆动）的前提。
  • 产品的原始设计："我们建的不是一个把客服做得好的 agent，而是一个把业务流程跟得好的 agent。"
  • Duet 的能力证词："我们刚创业的时候这是不可能的。只有当所有推理模型都变好之后才变得可能。"以及"很清楚，这些模型没有在我们这个特定任务上被训练过，但它们仍然做得很好。"
  • ⚠️ Jevons 悖论的客服案例："我们发现对很多客户来说，客服这类东西的需求其实大于供给。" 成本降 30% 后，"大多数人不会立刻说那我裁掉 60% 的团队，他们说的是：既然这件对客户明显有价值的事变便宜了，那我就多做一点"。具体案例：某客户原本月工单约 5 万张，接入后"原来我们的客户有这么多问题"，于是把支持放在每一页上、对免费用户也开放即时支持。
  • "AI 会杀死岗位，但不会杀死职业"："那些活本来就不该由人来做——非常单调、非常琐碎……但实际上有近乎无限多的事情，人可以去做来让客户更满意。" ⚠️ 但他没有把它推成普适结论：BPO 侧他明确说"真的取决于情况"，有客户确实用得少很多甚至不再需要。
  • AGI 之后仍有职业生涯（回应一位 a16z 员工"我们会有 AGI，长期不需要职业生涯了"）："我们大多数工作本来就是编出来的——除非你在建基础设施或者种粮食，大多数工作本来就是叠在别的东西之上的一层层抽象……AGI 来的时候它会改变人的工作，但你仍然会为别的人类做事。"

创始人自己怎么用 AI

  • ⚠️ Ashwin 给自己造了一个"越过肩膀看"的上下文 agent："模型已经很聪明了……然而瓶颈是业务上下文——我们的约束是什么、目标是什么，这些每次都很难重新解释给 agent 听。"所以他造了一个持续编译上下文（招了谁、要招谁、在谈哪些单子、现有的问题）的 agent，用来对招聘和交易决策给出带历史的建议。他的自陈动机是"我的工作就是在大量上下文下做决策。如果我能把这件事越来越多地外包给模型，也许我能更快地把自己弄失业。"
  • 模型不再谄媚："过去它们就是一堆马屁精，你说什么它都说'好主意'。现在它们会说'不，那是个坏主意，别那么干'。"
  • X 与 LinkedIn 的分工：LinkedIn 适合发布/产品/融资；⚠️ 而 X 的价值是"一条所有人都在读的单一时间线——它某种意义上把所有人的注意力统一到同一件事上，而这就是在里面有一点发言权的价值所在"；但"如果你只是在 X 上推销自己，完全不会有任何 traction"，所以他现在只发对行业的看法。

与本库其它观点的呼应与分歧

已收录访谈

日期 视频 主题
2026-07-31 Decagon 的企业 AI 应用打法（a16z） 90% 开源、假权衡、业务逻辑靠上下文、FDE 是陷阱、Duet、护城河四条、Jevons 悖论