5%）、按 story point 发工资两年后的复盘，以及对垂直 AI 的看空（Latent Space × Tenex，2026-10-21）¶

嘉宾: Alex Lieberman — Tenex 联合创始人（另一位联创 Armand，技术出身）；前 Morning Brew 联合创始人（本期未提，背景信息）。CJ Hess — Tenex special projects lead（主持人先说成 Director of Engineering，被当场更正），公司第一号员工
主持: swyx（Latent Space；AI Engineer 大会 NYC 现场录制）
来源: YouTube · 44 分钟
转录稿: sources/latent-space/20261021-Vki6cklFqxo

⚠️ 信源形态：✅ 人工字幕（en-US），专名损坏少。⚠️ 字幕无说话人标签、本库未做分离；但两位嘉宾的分工在内容上相当清晰（Alex 讲商业与客户侧、CJ 讲工程与工具侧），本页逐条标注归属，把握不足处写"两人之一"。

⚠️⚠️ 最重要的利益相关声明：Tenex 是一家卖"企业 AI 转型"的服务公司。本期几乎所有数字——企业采用率漏斗、公司规模、工程师产出倍数、薪酬离散度——都是这家公司对自己目标客户市场的自述，且这些数字恰好论证"企业很需要我们这种公司"。本库全部记为一方自述，不作为事实。⚠️ 同时，主持人 swyx 与嘉宾关系熟络（此前已上过一期、上周刚一起办过活动），全期基调是同行交流而非质询，只有在"看空垂直 AI"一处出现了真正的当面反驳。

✅ 本页认为这一期值得长期保存的是四处： ① ⚠️⚠️ 企业 AI 采用的四级漏斗，以及最后一级断崖到 5%——这是本库目前拿到的最具体的一份"扩散到哪了"的分层估计，而且它把"AI 很热"与"AI 在干活"这两件事明确分开了。 ② ⚠️⚠️ "你没法自动化一个并不存在的流程"——一条把 agent 部署失败归因到组织侧而非模型侧的机制性解释，且给出了可操作的前置条件（先标准化，才谈得上建 eval）。 ③ ✅ 按 story point 发工资，运行了 18 个月之后的复盘：当初被担心的两件事都没发生，真正的难点出在一个事前没人预料的地方。本库此前只有这个模型的"宣言版"，第一次拿到"运行记录版"。 ④ ⚠️⚠️ 一次当面的分歧：嘉宾看空 Harvey / OpenEvidence 这类垂直 AI，主持人直接回"到目前为止你是错的"。本库把两侧都记下来，并指出双方其实在争论不同的东西。

一、企业 AI 采用的四级漏斗：90% / 60% / 50% / 5%¶

本节最该被记住的是最后那个数字。Alex 把企业采用 AI 描述成一场有若干里程碑的赛跑，并给出他们接触的"大约 100 家企业"里每一级的占比（[00:19:51]–[00:20:52]）：

里程碑	占比
① 给员工铺开一个通用 LLM（Claude 或 Codex）	90%
② 真的教人怎么用（培训与赋能）	60%
③ 给工程 / 产品组织铺开 coding agent	约 50%
④ 让 agent 在生产环境里做"非写软件"的工作	约 5%

⚠️⚠️ 本库认为这张表的价值全在第③和第④级：

第③级：他说现场问人，多数人猜 70–80%，实际接近 50%（[00:20:52]）。而且他补了一句口径上的要紧话——那另一半里，"他们在用的东西更接近于没有 coding agent，而不是有"。✅ 本库标注：这是一条少见的、把"已采用"这个二元指标自己拆开的自述。
第④级：从 50% 断崖到 5%。 他的原话口径是：员工数超过一千的企业里，大多数没有任何一个在生产环境里做非软件工作的 agent（[00:20:52]–[00:21:52]）。

✅ 本库的解读：这张表把"raw intelligence"与"扩散"之间的缺口定位到了一个很具体的位置——不在"要不要用 AI"，不在"工程师用不用 agent"，而卡在"让 agent 独立承担一段非工程的业务流程"这一步。前三级都是发工具，第四级才是改流程，而漏斗恰好在这里掉了一个数量级。这与下一节是同一个发现的两面。

⚠️ 本库对这张表的四条保留：① 样本是"我们在谈的 100 家企业"，即一家 AI 转型服务商的销售漏斗，天然偏向"还没转型成功"的一端，不能当作企业总体分布；② 四级的定义全是定性的，尤其"铺开"与"在生产环境里"都没有给阈值（铺给 5% 的员工算不算铺开？）；③ 没有时间序列，无法判断 5% 是在上升还是停滞；④ ⚠️⚠️ 数字对说话人有利——第④级越低，Tenex 的市场越大。本库记为一方自述。

🔎 可检验点：这是本库少有的、能被后续材料直接证伪或证实的量化断言。本库把"大型企业中有生产环境非工程 agent 的比例"设为一个跨期追踪项，与 Akshay Nathan 那期、High Taste Testers 等材料对照。

二、"你没法自动化一个并不存在的流程"¶

⚠️⚠️ 这是 CJ 对第四级为什么卡住给出的机制性解释，而且本库认为它比"模型还不够强"这个常见答案更有解释力（[00:22:52]–[00:23:52]）：

"你没法自动化一个并不存在的流程。"

展开是这样的：当四十个人大致在做同一个职能、但每个人的做法都略有不同时，想造一个在后台主动替他们干活的 agent 要难得多。⚠️⚠️ 而他点出的关键后果是：没有标准化，就没法为这个系统建 eval——"没有某种形式的标准化，agent 不可能知道自己做得对不对，我们也不可能围绕它建评测"。所以 Tenex 给企业的建议顺序是先在组织内部把流程建起来，再谈把这段工作交给后台 agent。

✅ 本库认为这条值得单独立住，理由有三： 1. 它把一个被普遍当作模型能力问题的东西，改写成了组织问题——与第一节的漏斗互为因果：前三级只需要发工具，第四级需要企业先把自己的流程写下来，而多数企业从来没写下来过。 2. ⚠️⚠️ 它给"为什么企业 agent 难做 eval"提供了一个此前本库没有的答案：不是评测方法学不够，而是被评测的流程本身没有唯一定义。本库在评估与 Benchmark 上长期收集"难以建基准"的各种原因，这条属于新形态——与 OpenAI 健康 AI 那期"五个医生八个答案"是同一类困难（参考答案不唯一），但发生在企业流程而非专业判断上。 3. 它顺带解释了 FDE（forward deployed engineer）为什么在扩招（见第四节）：把流程从四十个人脑子里挖出来并统一，这件事本身就是人力密集的。

⚠️ 本库的一处追问（期内无人提出）：把四十个人的四十种做法统一成一种，代价由谁承担、谁来裁定哪种做法是对的？CJ 把标准化讲成一个纯技术前置条件，但在组织里它通常是一次权力事件。⚠️ 另外，"标准化 → 上 agent"这个顺序也隐含了一个未经检验的假设：现存的多样性全是冗余，而不是在吸收各种各样的例外情况。

另一侧 CJ 给的过渡形态是：先别追求后台全自动，而是让 agent 把工作"浮"给人、人来复核、再打回去，人逐步变成 agent manager——"我觉得我们正处在这件事的临界点上"（[00:23:52]）。✅ 本库注意到这与 Dyna Robotics 那期"任务级自主不构成商业闭环"是同构的观察：单点能力够了，但把它接进一条能无人值守跑下去的流程，还差一层。

三、按 story point 发工资：18 个月后的复盘¶

背景（本期复述）：Tenex 的模式是按产出（story point）而不是按工时给工程师付钱。CJ 说他是被这一点吸引来的——他此前做工程咨询，按小时收费，结果是"我的产出越来越好越来越快，拿到的钱却越来越少"（[00:01:27]）。Alex 的提法是："AI 本质上是对一个人的智力与工作伦理加的杠杆"，所以收入能力的方差会比以往任何时候都大（[00:02:29]–[00:03:29]）。

运行 18 个月后的实际数据与修正：

公司规模：75 人，90% 是工程师或 AI strategist（后者约等于技术顾问）；客户一半是 Fortune 2000，一半是年收入 1–5 亿美元的中型公司（[00:04:30]）。⚠️ 全为自述。
⚠️⚠️ 薪酬离散度：最高与最低之间约 4 倍，不是 10 倍（[00:04:30]）。主持人追问"不是 10 倍吗"，Alex 答 "不是 10 倍。那是梦想"。✅ 本库认为这条自我修正值得记：公司名字叫 Tenex，而当事人主动把实测值报成 4x。
✅ 两个事前被担心的问题都没发生：外界对按产出付钱的经典质疑是虚报 story point和为凑数交烂代码。Alex 说这两条"完全没成为问题"，原因是AI strategist 的激励被刻意设成与工程师相反——前者考核客户留存与增长（[00:05:32]）。⚠️ 本库标注：这是一个制衡设计声明，不是证据；"没成为问题"没有给任何检出率或事故数据。
⚠️⚠️ 真正的难点出在没人预料的地方：怎么为"不写代码的时间"付钱——架构设计、见客户。Alex 说薪酬模型的"nuance"主要就是加在这里（[00:05:32]）。✅ 本库认为这一条是本节最有价值的部分：按产出付薪的真实失效点不是作弊，而是产出计量单位覆盖不了的那部分工作；⚠️⚠️ 而随着模型变强，恰恰是这部分工作在变多——CJ 自述自己的轨迹是"写很多代码 → 写得少一些 → 现在模型给对上下文基本能到 90%"，所以价值越来越落在"坐下来听客户倒完脑子、再把这些喂给模型"上（[00:06:32]）。⚠️ 按本库理解，这等于说这套计量单位正在被它要度量的技术进步本身侵蚀，而两人只说了"未来会更多看真实产出长什么样、但仍以 story point 为锚"，没有给替代方案。

⚠️⚠️ story point 的通胀问题，本库认为他们没有解决，只是承认了（[00:10:39]）。主持人问"今天的一个 story point 和一年前值一样多吗"，答案是"我们一直在校准"、"至少每季度坐下来评估一次标准"；主持人追问是通胀还是通缩，Alex 说"理论上应该是通缩"，CJ 接"我不知道"。✅ 本库标注这处坦白：一家把 story point 当工资单位的公司，说不清这个单位的购买力在往哪边走。

产出倍数：他们自己的度量方式是看全公司工程师的"人均月 story point"趋势是否上升（[00:09:39]）。CJ 给的口径是今年以来整体约 2 倍，并把起点定在"去年 12 月的 Opus 4.5 时刻——模型真正开始能接长时任务"，终点是现在的 Opus 5.5（[00:09:39]–[00:10:39]）。⚠️ 本库记为自述，且这个指标与薪酬直接挂钩，存在自利方向的口径调整空间——他们自己也说每季度会重新校准估点标准，这意味着"人均 story point 翻倍"与"估点标准不变"两者不可能同时成立。本库认为这处 2x 不可作为生产率证据。

⚠️⚠️ 一处尖锐的对照：OpenAI 的 Akshay Nathan 在 2026-07 明说生产力度量没解决，其中点名"story point 这类旧代理指标已经不再那么强相关于团队能否达成目标"，并说"整个行业都得想明白这件事"。✅ 而 Tenex 正是把 story point 当作工资发放单位在用。本库并置两侧，不作裁决：⚠️ 两者并不直接矛盾——Akshay 说的是它作为目标达成的代理失效，Tenex 用的是它作为内部交付计价单位；一个计价单位可以在不预测结果的前提下仍然可用。⚠️⚠️ 但 Tenex 自己又用"人均月 story point"来衡量工具是否奏效，这一步就正好落在 Akshay 说失效的用法上。

四、看空垂直 AI：一次当面的分歧¶

✅ 这是全期唯一一处出现真正反驳的地方，本库两侧都记。

嘉宾一侧（Alex 起头，CJ 补充），整体看空垂直行业/职能专用 AI 方案（[00:23:52]–[00:25:52]）。理由三条： 1. 他们每天泡在企业内部，看到的是"巨量的 nuance、巨量的惯性、一堆要摆平的系统和人"； 2. ⚠️⚠️ "我们处在一个人人都期待一对一（one-of-one）软件方案的时代"——买垂直方案的人期待的就是量身定制；这正是为什么每一家软件公司都在搭 FDE 团队，服务与软件正在收敛。由此他提出问题：如果人人都要一对一，这些公司怎么还能以软件的毛利率做下去？ 3. "为什么我们不该预期前沿模型直接把它们吞掉？"

主持人一侧（swyx）直接反驳（[00:25:52]–[00:27:55]）。他点名 Harvey（律师）、OpenEvidence（医生） 这些"在各自领域正在赢"的例子，说 "到目前为止你是错的"（Alex 答 "是"）。他给的护城河有三条： - ⚠️ 数据："ChatGPT 拿不到的数据"；他承认 Anthropic 与 OpenAI 也在买同样的数据源，但"它们不会像这些公司那样专注"； - affordance 与 UI：他举 Harvey 的 Tabular Review、Legora 的同类功能，"因为它们只服务这一类客户，所以能做这种定制"； - ⚠️⚠️ Bloomberg 类比：同样的信息从交易所就能拿到，为什么还付 5 万美元一年？因为同行都在上面、因为它被整合好了、因为接着你的交易与新闻系统。✅ 本库认为这个类比是本段最强的一招，因为它把护城河从"数据/模型"挪到了"切换成本与网络"上——这一层前沿模型变强并不直接侵蚀。

CJ 随后给了一条本库认为比双方原始立场都更可用的划分（[00:28:56]）：

⚠️⚠️ 把 agent 本身当产品、在某个垂直领域干活的——除非有很强的合规 / 数据护城河，否则会越来越难； ✅ 而那些"改变了流程、并在流程之上放一个 agent"的产品，仍然会成功。

✅ 本库认为这条划分才是本节真正的结论，而且它和第二节是同一条原理的两次出现：价值不在 agent，而在"流程被重新定义"这件事；agent 只有嵌在一个被重新设计过的流程里才站得住。

⚠️ 本库的裁决意见：双方其实在争论不同的东西。 Alex 问的是毛利率（一对一定制能不能以软件毛利跑通），swyx 答的是留存（Bloomberg 式切换成本）。这两件事可以同时为真：垂直 AI 公司既守得住客户，又只能以偏服务业的毛利率经营。 期内没人把这一步说破。

✅ swyx 另给了一条相关但更温和的版本（[00:29:58]）：人们多半不想用你造的 agent，而是想把你的数据插进他们已经在用的那个 agent；订阅叠不起来，最终少数几家会拥有界面层，其余的接进去。他指出 Salesforce 作为记录系统方，正在主动走这条路——"你不会用我们的 agent，我们提供 API 和 MCP 让你接进自己的系统"。⚠️ 本库记为对第三方公开策略的转述，未独立核实。

🔗 与本库既有材料的并置：Town 的 Jean-Denis 说"软件的价值单元从 app 变成了 computer，app 层价值会下降"，并预测了 FDE 路线；✅ Tenex 这期给出了那条预测的现场版本——"每家软件公司都在搭 FDE 团队"，而且给出了原因（买方期待一对一）。 ⚠️ 但两者的落点不同：Town 认为 app 层贬值，CJ 认为"改流程 + 上 agent"的那一类 app 反而是安全的。另见 Dylan Field 关于 SaaS-pocalypse 非二元的说法。

五、企业侧的第二大诉求：权限与 RBAC¶

⚠️⚠️ 本库认为这是本期被低估的一段，因为它来自部署一线而不是安全厂商。 Alex 说客户最常提的两件事，第一是"帮我们给某个后台任务造个 agent"，第二就是权限与 RBAC（[00:21:52]–[00:22:52]）：

当公司里每个员工都有 Claude 或 Codex、而他们各自需要访问特定数据时，这件事"对 CIO 和 CISO 来说已经变成一场彻头彻尾的噩梦"——他们没有一个好的网关，没有一个能简单管"你能读什么、不能读什么"的控制面板。

Tenex 的做法是先为客户定制、现在已经产品化成自己的网关方案（[00:22:52]）。⚠️ 本库标注利益相关：他在描述一个他自己正在卖的产品所对应的痛点。

✅ 本库认为这条的价值在于它给 LLM 安全补了一个与提示注入正交的问题形态：风险不是模型被骗，而是把一个有全公司数据视野的通用助手发给每个员工之后，原有的权限模型直接失配了。⚠️ 与 High Taste Testers 那期把提示注入重构成分类问题的那条并置：两者都指向同一件事——安全问题正在从"模型会不会被攻破"转向"这套系统的访问边界谁来定义"。

六、成本：token maxing 时代结束了¶

token 支出 : 人力支出，CJ 估计 Tenex 在 1:1 到 2:1 之间（主持人评价"那挺高的"）；他说近来成本被 Opus 5.5 大幅拉低，此前是"人人都在用 Astra 和 Fable、结果最好但也最贵"的时期（[00:14:47]）。⚠️ 自述、无口径。
⚠️⚠️ 一条本库认为值得记的时间判断（[00:17:49]）："今天一个人要靠 token maxing 把公司成本搞垮，比六到八个月前难多了"——按他的说法，真正该担心成本的那个时点是六到八个月前，而不是现在；原因是单任务成本已经压下来、碰到了某种帕累托点。
Alex 顺带讲了一段关于数据公司（Micro1、Mercor、Handshake）的推理（[00:16:49]–[00:17:49]）：这些公司九成以上收入来自实验室，部分创始人认为未来会反转成企业主导；⚠️ 但他指出那等于要相信企业会大量自己微调模型，而这要么赌质量（前沿的标准一直在动，难赌）、要么赌价格（而 token 成本在持续下降）。✅ 本库认为这是一条结构清晰的可证伪推理，记为检验点。
关于"token maxing 时期"的一段元评论（[00:15:48]–[00:16:49]）：swyx 的说法是那些人"先是上 token 排行榜，然后发现成本太高"，"这是世上最可预测的事"；但他也给了一句辩护——"你得先做那些奇怪的事，才能发现可以带走的教训"。

七、工具与工作流（CJ 侧）¶

⚠️ 以下为单一团队的实践自述，本库不作推荐，只记形态。

⚠️⚠️ "meta harness"（[00:07:35]–[00:08:37]）：从标准化一组 skill 长成了仓库内一套高度结构化的文档 + 外面一层 CLI，由模型驱动出计划、可视化、给客户的 readout。✅ 其中本库认为最值得记的是两点：
"所有东西都 check 进 Git"——agent 的决策日志、过程记录全部入库，"它永远不在某个人的脑子里，永远在仓库里"。CJ 明确站在"还是需要文档"一侧，反对"代码即代码库的记忆"那种说法，理由是你需要知道当初为什么这么决定、当时的对话上下文是什么。
⚠️⚠️ "随着模型变好，我们反而削减了结构上的强制"——这与"给模型更多脚手架"的直觉相反，本库记为一条可被后续材料对照的实践走向。
模型选择（[00:11:39]–[00:13:44]）：团队自选工具，当下压倒性是 Opus 5.5（"又快又便宜"、"覆盖了我原来需要两三个模型才能覆盖的全程"）；Fable 被明确说"我自己不怎么用，现在不少人都在默认不用它"；codex 仍会被拿来做偏 computer use 的事；⚠️⚠️ 他说效果最好的工作流是"Opus 写、codex 审，让它们在你机器上来回过"。CJ 自称 "AMP maxing"，并提到 AMP 近期支持接入自己的 Claude Code 订阅，主持人估计这能把成本砍掉约 80%（⚠️ 现场估算，无依据）。
✅ 一处产品观察：swyx 问"Anthropic 为什么一直没有像 AMP 的 orb 那样拿下远程环境这件事"，CJ 的解释是 AMP 非常有主见、不去做通用解，而且 AMP 的跨模型能力让他可以"让 Opus 写、再跳到另一个 orb 去审"，这是他在 Claude Code in the cloud / Cloud Tag 上做不到的（[00:13:44]）。⚠️ 单人偏好，非评测。

八、就业：一处主动的降温¶

CJ 给的是比较标准的再配置框架（[00:35:08]–[00:36:09]）：AI 会增强也会替代，但企业总有下一个问题要解，把深度领域专家从"表格里的一个单元格"抬到跨团队的层面上；他也承认"如果这是你一辈子建起来的技能，被接管是毁灭性的"，并转述 a16z 发过的内容说呼叫中心确实在衰退（⚠️ 二手转述，未核实）。

⚠️⚠️ 但本库认为真正该记的是 Alex 随后的两段，因为它们都在往回收（[00:37:09]–[00:38:11]）：

⚠️⚠️ "当人们说 AI 会替掉所有人们不喜欢做的工作，我觉得那有点是在给'会有很多人失业'这件事找安慰（cope）——因为很多人根本没有喜不喜欢一份工作的余裕，他们做一份工作是为了挣钱。"

✅ 本库标注：这是一条来自卖 AI 转型服务的人、主动拆掉本行业常用安慰话术的表述，在本库收录的材料里不常见。 另见 AI 与就业。

⚠️ 同时他也给出了本库认为需要加注的另一半：他不喜欢把这件事讲成"发生在人们身上的事"，因为那没有给人足够的能动性；再技能化既是雇主的事，也是雇员的事；人应当自问"我这份工作未来几年的可替代性有多高"。⚠️⚠️ 本库标注一处张力：他刚说完很多人没有挑工作的余裕，紧接着把应对责任分了一半给个人——而"没有余裕"恰恰意味着也没有再培训的余裕。期内没人指出这一点。

九、纽约 vs 旧金山¶

Alex 的说法是纽约也有一个"活在未来"的泡泡，只是比旧金山那个小；Tenex 内部因为自选效应，像是一块旧金山的微缩景观（[00:39:12]–[00:40:16]）。
✅ 他给的立论本库认为比地域之争有意思：纽约在 AI 这个池子里更小，但在商业价值这个池子里一样大甚至更大，所以 "我在纽约做 AI 的理由，是把旧金山的人都带过来见他们的客户、顺便接受一次现实检验"，他称之为一种套利（[00:41:16]）。
一处行业规模的侧面数据：swyx 说 AI Engineer World's Fair 的参会者"大约相当于（旧金山）这座城市的 1%"（[00:40:16]）。⚠️ 口语化表述，本库不作为统计。

十、与 "Kill My SaaS" 的直接接续¶

✅ swyx 在期内把自己的 Kill My SaaS 实验摆上来请嘉宾拆台（[00:30:59]）：被报价每年 4 万美元的工具，他们花约 1000 美元替掉，下届大会就上生产。"告诉我这哪里会出错。"

Alex 的回答本库认为是本期最有操作价值的一段（[00:30:59]–[00:34:08]）：

⚠️⚠️ "你在企业里越往上走，把东西拆掉重建这个命题就越难"。他明确不同意"Salesforce 真的有风险""SAP 真的有风险"这类说法，理由是在这个时点上这些生意反而在积累价值——因为替换搞砸的代价可能是几亿甚至几十亿美元，所以买方必然极度风险厌恶。
对中型 SaaS，他的判据是机会成本：一个一年几百万美元的工具，从收入或成本的百分比看，值不值得为它分配工程资源？答案因公司而异。
✅ 本库认为最该保存的是第三条，因为它是对"自建成本"的一次重新定义（[00:33:07]–[00:34:08]）：

⚠️⚠️ "软件的妙处不只是你得到的效用，还有当它不属于你的核心时，那些你不必操心的维护与改进的麻烦。"

所以真正的判据是：这块蛋糕是否大到值得你公司里某些人长期背上一份非核心的认知负荷。他提到 Tenex 自己从零建了 CRM 和内部 OS，并说每家公司都会意识到这一点。 4. swyx 的反驳是"这不只是防守"：省下的 3.9 万美元是防守，进攻的一面是"我们的体验可以对所有相关方都好得多"，因为"我们就是用户，而且我们能用分钟而不是月为单位迭代"。Alex 同意，但限定在初创与高增长中型公司——他认为深陷某种能力的大企业很少会这么做（[00:34:08]–[00:35:08]）。

✅ 本库把这一段记为对 Kill My SaaS 那期的最好补充：那期证明了技术上能换，这期给出了什么时候不该换，而分界线是认知负荷与风险敞口，不是技术可行性。

本期的克制记录¶

⚠️ ① 全部数字均为 Tenex 自述，且都指向"企业很需要 Tenex 这类公司"：100 家企业的四级漏斗、75 人、4x 离散度、2x 产出、1:1~2:1 的 token/人力比，无一有第三方来源、口径或基线。 ⚠️⚠️ ② 按 story point 付薪这套模式，期内没有任何来自工程师一侧的声音——两位发言人分别是创始人与第一号员工、模式的设计者与受益者。"虚报和烂代码都没成为问题"这条结论没有给任何检出机制、抽查率或争议案例。 ⚠️ ③ "人均月 story point 翻倍"与"每季度重新校准估点标准"同时成立时，这个指标不可解释，本库已在第三节标注，不作为生产率证据。 ⚠️ ④ 看空垂直 AI 的论证里，Harvey / OpenEvidence 的实际经营数据一个没有，双方都在用直觉对直觉；主持人那句"到目前为止你是错的"也未给出具体依据。 ⚠️ ⑤ 全期没有一个客户项目的具体结果——交付了什么、省了多少、失败过几次，一例未给。对一家交付公司而言，本库记这是本期最大的空缺。 ⚠️ ⑥ Salesforce 的 "API + MCP、不推自家 agent" 为转述，a16z 的呼叫中心衰退为二手转述，AMP 接自有订阅省 80% 为现场估算，三条均未核实。