"你不知道自己一开始就没抽出来什么"：一家文档处理公司的 CEO 把前沿模型的失效模式定位在 recall 而不是 precision，以及"白领工作还没有 Claude Code 时刻"（Latent Space × Reducto，2026-11-06）¶

嘉宾: Adit Abraham — Reducto 联创兼 CEO（文档解析 / 处理；MIT CS 本科，YC 出身）
主持: Latent Space Let Them Cook 系列的一位主持（⚠️ 转录稿全程未出现主持姓名，本页不指认；人物页见 Latent Space 主播）
来源: YouTube · 51 分钟
转录稿: sources/latent-space/20261106-KgqWyVVH4Oc（⚠️ 自动字幕 en-orig，无说话人标签；转录稿用 >> 标换人，归属为编辑判断。⚠️ 转录稿止于 [00:49:40]，视频 51 分钟，末尾约 1 分钟未覆盖——本页不引用该段）

⚠️ 节目形态先说清楚：这是一期边做菜边访谈的节目（Let Them Cook，本期做牛排三明治 + chimichurri），约五分之一的转录稿是切菜、控火、口味这类与 AI 无关的现场对话。✅ 本页只收访谈内容，并标注这个形态影响了提问密度——主持多次被烹饪动作打断，有几个追问没有收口（见末节）。

⚠️⚠️ 立场必须重标注：他是 Reducto 的 CEO，而本期同时是一次产品发布现场。 - ⚠️ 他在节目里宣布了两件商业消息：自研端到端模型 R1（"我们下周一宣布"，[00:04:05]–[00:05:07]）、结构化抽取的降价（"我们今天宣布的"，[00:46:37]）。 - ⚠️⚠️ 因此本期全部准确率、成本、规模、客户反响陈述均为自述，无第三方来源、无口径说明。本页逐条标注，不采信为事实。 - ✅ 但本页判本期的厂商色彩中等偏轻，依据是三处：① 他主动说出了对自家产品类别最不利的那条发现——前沿模型在放开推理时间后"比很多专门的文档处理平台更好"；② 对"benchmark 有什么用"直接答"benchmark 很大程度上已经变成营销材料"，并把自家也算进去；③ 对"你们会不会扩成 rippling 那样的复合型公司"明确说不（不碰文件存储），而那本是一个更大的故事。

✅ 本页认为这一期值得长期保存的是七处，其中三处是本库此前完全没有的： ① ⚠️⚠️ 一条带方向的失效模式定位：专门平台 vs 前沿模型的胜负取决于看 precision 还是 recall，而前沿模型的失效是"静默丢行"——"你不知道自己一开始就没抽出来什么"。本库此前关于 harness 价值的材料都在讲成本与天花板，没有一条给出 harness 到底在挡什么。 ② ⚠️⚠️ 把"升级给人"本身当成一项被度量的指标：内部基准不只测抽取准确率，还测"那些不完美的，我们有多可靠地能把它升级给人"。 ③ ⚠️ 一条对"白领的 Claude Code 时刻"的归因，而瓶颈不是智能：卡住的是企业里没写下来的机构知识（"我看到屏幕左下角有这个，我就知道它来自 Kentucky，于是我做 X"）。 ④ ⚠️ "自研还是外采"给出了一条可操作的判据：在特定任务上后训练的模型在准确率、成本、延迟三个维度上同时更优，所以栈随时间越来越自研——而不是因为自研本身更对。 ⑤ ⚠️ 一条此前缺失的、解析质量的下游效应：某法律 AI 客户发现换成 Reducto 解析后，终端用户与文档的交互量翻倍。 ⑥ ✅ "每个问题最后都是搜索问题"：他把 agent 爬文件系统与传统 RAG 归为同一过程，并说这"定义上就是 retrieval augmented generation"。 ⑦ ⚠️ 一条组织侧的招聘机制：面试从第一天就允许用 LLM，且整日 onsite 的题目"除非你会正确地用 LLM，否则很难做出来"。

⚠️ 自动字幕的专名问题，本页统一还原并标出依据： - 公司名几乎每次出现都不同（Reductto / Reduct / Redduck / Redto / Redu / "product is not"）；本页统一写作 Reducto。 - ⚠️ "quad" / "cloud" → Claude（"quad code" → Claude Code、"the anthropic one when quad... came out" → Anthropic 的 Claude 早期访问 hackathon）；"perto / Purto frontier" → Pareto frontier；"LNS / LMS / VLNs" → LLMs / VLMs；"Devon" → Devin；"chim cherry" → chimichurri。 - ⚠️ "Lora" → Legora（依据：与 Harvey 并列、被描述为法律领域；🔗 本库已有 Legora CEO Max 与 Legora CTO Jacob Lauritzen）。 - ⚠️⚠️ 不可确证因此照录不采信的：独立基准的合作方字幕作 "micro one"（本页只记"一家第三方"，不还原公司名）、"ROM OCR"（他说去年基于 Qwen VLM 做过的一个测试模型）、自动化报税的客户字幕作 "basis" 与 "N10 tax filing"、新 ML hire 字幕作 "Leang"、联创字幕作 "Ronic / Ronik"（本页写 Ronik）、早期 ML 研究员字幕作 "Ephe" 与 "Yee"（本页判为同一人、不记姓名）、年轻工程师字幕作 "Arth / Arthur"、牵线人字幕作 "Adele"。

一、本页判这一期最有价值的一条：胜负取决于你看 precision 还是 recall¶

（[00:06:07]–[00:08:07]）被问"为什么我不能等基座模型自己变好、不需要你们这层 harness"，⚠️ 他的回答先承认了对自己不利的那一半：

⚠️⚠️ "我们发现 precision 和 recall 之间有一个很奇怪的 trade-off。所以很多这些专门的文档处理平台，在你放开推理时间不设上限的时候，是比前沿模型更差的。"

⚠️⚠️ "但前沿模型的失效模式在 recall 上。所以它们在静默地丢行、漏掉一些上下文，那一类事情。"

⚠️⚠️ "如果你的抽取层就这么把信息整个漏掉了，那是一种你在生产里根本不会发现的损失形态——你不知道自己一开始就没抽出来什么。"

✅ 本页标注三点：

✅ 这条论证的力气在于它不以"我们更准"收尾，而是换了被比较的维度：⚠️ 他明确说"我不觉得这是二选一——确实有些任务前沿模型就很好"，而"如果你要找做这件事最高效的工具，你大概应该按你在做的任务去专门化"（[00:08:07]）。
⚠️⚠️ 而这条区分可检验，且方向清楚：若成立，在放开推理预算的 benchmark 上专门平台会落后，而在"有没有漏"的召回类指标上反过来。✅ 本库记为可回看核对的一条。
🔗 本库此前关于 harness 的材料（用 LLM 的实践上的 harness 值 2 倍成本、harness 的 80% 天花板、Alex Zhang 的 harness 理论）都在讲 harness 值多少钱、能到多高，⚠️⚠️ 没有一条说 harness 具体在挡哪种错误。这条给出了答案：挡的是不会报错的漏抽。

⚠️ 配套的一条：传统 CV 打底 + 大模型打难例，而这是因为它是长尾问题¶

（[00:04:05]）被问网站上写的"引擎下有 12+ 个模型"怎么路由：

⚠️ "难搞的地方是这归根结底是一个长尾问题。你会有很多页看起来就只是文字，然后每隔一阵子你会碰到一个特别复杂的表格——而你事先并不知道是哪一页有那个东西。"

⚠️ 所以起步形态是："用很多更小的传统 CV 模型做基线，然后用更大的模型做真正难的任务。"
⚠️ 而他说这个形态正在被自研端到端模型取代（R1，见第三节）。

二、"升级给人"是一项被度量的指标，而不是兜底话术¶

（[00:10:08]–[00:12:11]）被问"客户在容错极低的行业，99% 准确率可能还不够，这种不对称的场景怎么设指标"：

⚠️ 第一层他说的是常规的："第一序的问题是我们的第一遍应该尽可能准。"
⚠️⚠️ 第二层是本页要记的：

⚠️⚠️ "永远不会有一条线叫真正完美。就算你变得特别特别擅长读页面上有什么，也可能有歧义之类的东西。所以可追溯性变得非常重要——能知道某个东西是从哪里抽出来的，能说出如果有人要复核，他到底该看哪里。还要有准确的置信度打分，这样他们才知道什么时候该去看某一处。"

⚠️⚠️ "所以内部做基准的时候，我们不只拿抽取准确率衡量自己。我们会说：那些不完美的东西里，我们有多可靠地能把'这个不完美'升级给人？"（[00:12:11]）

✅ 本页标注：这是本库评估与 Benchmark 页上第一条把"交还给人的可靠性"写成被测项的材料。 🔗 此前最接近的是 Kavak 那份"evals 是刹车"的买方证词与 Decagon 的自建 eval，⚠️ 但两者测的都是"做对多少"，没有一条测"做错时有没有举手"。

⚠️ 连续评估：要找的不是错的，是"不完美"的¶

（[00:12:11]–[00:13:12]）被问有没有把最难的失败样本攒成回归集：

⚠️ "我们公开讲得不多的一件事是，我们的 ML 团队在连续评估上花了大量时间。就是能在生产里发现那些也许不算错、但就是不完美的东西"——⚠️ 目的是"开始理解对真实世界的用例来说，什么是分布外的"。

⚠️⚠️ "而且重点不在那个单独的数据点本身，更在失效模式的模式。比如医疗这块，你可以说你在意手写体，也许你还测了自己的手写体表现——但你可能没有多少这样的数据点：手写体，写在一页歪的纸上，而且有人在格线外面乱划。"

✅ 本页判这条的价值在"分布外"的定义被交给了生产流量而不是测试集设计者，⚠️ 但它整条依赖"我们在生产里看得见"这个前提——而这正好是本库同一周另一条材料里缺失的东西，见第七节的对照。

三、自研还是外采：判据是三维同时占优，不是"自研更对"¶

（[00:05:07]–[00:06:07]）被问"拥有自己的智能 vs 租用智能"的心智模型（主持提到他们去年基于 Qwen VLM 做过一个测试模型）：

⚠️ 他先把问题推回去："我们团队的使命是，不管怎样我们都要当最好的那个提供方。我们的客户不会按'Reducto 用的是自研模型还是别的'来思考。他们只想要无与伦比的结果。"
⚠️⚠️ 然后给了本页要记的那条判据：

⚠️⚠️ "自然发生的事情是，我们非常在意准确率、成本、延迟那个 Pareto 前沿。而我们一次又一次发现：如果你看的是某一个特定类型的任务，一个在那个任务上后训练过的模型，在这三个维度上都更优。"

⚠️ "所以我们的栈随时间越来越偏向自研。还是有一些真正横向的任务，用前沿基座模型是合理的，但那在今天范围有限。"

✅ 本页标注：这是本库关于"垂直厂商为什么自己训模型"目前第三种理由，且与前两种正交。 🔗 前两种来自 Moshi 那期——⚠️⚠️ 而那一期的主持正是点名了 Reducto 这类厂商来问"自己拥有模型重要吗"： - ① 数据不出门（客户数据不想发给第三方）、② 团队禀赋**（有工程师团队，他们就想自己造）； - ⚠️⚠️ 而这一期给的是 ③ 任务专门化在三维上同时占优。✅ 本库判三条可以并存：前两条是约束，这一条是收益。 - ✅ 而本库记下一处结构性的有趣点：Moshi 当时自建的理由之一是"不想把客户数据发给 Reducto 这样的第三方"，本期 Reducto 给出的恰是"交给专门化的模型三维都更优"。两条都成立时冲突落在数据协议上，而本期完全没有谈数据处理协议。

⚠️ R1：一次端到端合并，以及它被同时用来简化定价¶

（[00:04:05]–[00:05:07]、[00:09:08]–[00:10:08]）⚠️ 以下全部为发布前自述，无任何第三方核对：

⚠️ R1 是自研的端到端模型："既做捕获版面那些部分，也做最后一公里的修正，确保尽可能接近 100%。"
⚠️ 规模自述："今天 Reducto 每个月处理略超过十亿页"，而"这个数字变化非常快"（[00:09:08]）。
⚠️⚠️ 而本页要标出他明确说 R1 的意义不只是准确率，还是定价结构：

⚠️ "有一阵子，如果你打开那些 agentic 功能之类的，我们会有这些倍率。那些全都要取消了。"

⚠️⚠️ "R1 就是你把文档发给我们——它的每页成本会低于我们基座模型的每页成本，而准确率比我们最准的那些模型更好。"（⚠️ "比我们以前便宜好几倍"）

⚠️ 结构化抽取同日的降价自述（[00:46:37]）："历史上一页结构化抽取全算下来要 4.5 美分以上，现在我们能在一半的价钱上做到，同时性能还更好"，⚠️ 改善项他点名的是"引用的表现和 schema 遵从度"而不只是准确率。
✅ 而本页记下他对降价动机的一句否认（[00:47:37]）："幸运的是，这甚至不是我们自己要去压成本。我们只是发现，在只盯着性能本身的时候，顺带就能拿到更好的每美元智能。" ⚠️ 本库不采信这条归因（公司对自身动机的陈述），但记下它是可观察的：若成立，后续降价会继续跟在准确率发布后面而不是单独发生。

四、横向 vs 垂直：赌的是"文档归根结底是同一套原语"¶

（[00:13:12]–[00:16:15]）⚠️ 他说早期在这件事上争论很多，因为"做一个垂直行业专用的文档处理平台要容易得多"。✅ 而他给的横向化论证本页判为本期第二好的一段，因为它落在一个具体机制上：

⚠️⚠️ "大家把这件事当成理所当然。你作为一个人看一页纸的时候，会做出大量根本性的判断，而那些都是瞬时判断。比如每次两段之间有一个间隔，你就知道，好，这是一个新的语义块。你不会有意识地感知到这件事，但它是直觉的。"

⚠️ 他说表格也是同一类："你天然就理解一个表格结构是怎么把两个维度的信息关联起来的。"
⚠️⚠️ 于是跨行业的收益是单向传导的："我们在'对那些传真过来的、乱糟糟的医疗表格保持鲁棒'上做的工作，意味着我们天然也能给金融客户提供更可靠的方案。"
⚠️ 行业差异被他降到细节层："法律里你大概很在意划除线和下划线这种东西，在医疗里就没那么重要——但有那个基线直觉对我们非常非常重要。"

✅ 而他给了一条划界，本页认为这条比上面的横向论证更可迁移¶

（[00:16:15]）被问未来是不是永远不垂直化：

✅ "对于客观的任务，比如解析——给定一页你可以非常明确地说'这页上就是这些东西'——我们要它横向，要它 zero-shot。"

✅ "而对那些属于见解之争的东西，比如某个财务团队对某个指标有不一样的定义，那些东西应该是可 prompt、可引导、并且随时间改进的。"

✅ 本页标注：这条"客观的要 zero-shot、主观的要可引导"的二分，是一条可以直接搬到别的 agent 产品上的划界方式，而它不依赖文档这个载体。 🔗 与 Decagon 关于"会变的东西不能烧进权重"的判据同向——⚠️ 但两者切的刀不同：Decagon 切的是变与不变，这里切的是客观与主观。✅ 本库判两条互补。

五、benchmark 已经是营销材料，以及他为此做了什么¶

（[00:08:07]–[00:09:08]）被问 eval、benchmaxing、与真实任务的落差：

⚠️⚠️ "我们内部显然做大量 benchmark，而让我沮丧的是，benchmark 很大程度上已经变成营销材料了。每个人都是自己那个 benchmark 上的第一名，所以这件事很快就变得特别特别嘈杂。"

⚠️ 他说找第三方做独立基准的理由是要划一条线："Reducto 不挑文档。Reducto 不设 ground truth。Reducto 不以任何方式操纵结果。"（⚠️ 合作方字幕作 "micro one"，本页不还原公司名）
✅ 而本页记下他自己给这条做了降权："就算那样显然也不完美。我觉得归根结底最重要的是人们拿自己的文档去试。我们在意的只是给人一个方向感，让他们开始思考这类问题。"（[00:09:08]）

🔗 本库评估与 Benchmark 页上这条有两处可对照： - ⚠️ Vals AI 那期是"裁判位"自己的说法，✅ 这一期第一次有被评测方说明自己为什么去买独立评测，并且把"最终还得客户自己试"写在前面。 - ⚠️ Diogo Almeida 公开拒绝公开基准是同一诊断下的反方向处方：✅ 同样认定公开榜已失效，一个选择退出，一个选择外包公正性。本库把两条并列为同一问题的两种解法，不判优劣。

六、白领的 Claude Code 时刻：他说瓶颈不是智能¶

（[00:38:32]–[00:44:35]）这一节本页判为本期第三条独立增量。

⚠️ 诊断："我大体的看法是，白领工作还没有真正迎来相当于 Claude Code 的那个东西。"
⚠️ 而他对白领工作的拆法是两段，且第二段是他自家下一步的产品方向："很多白领工作不只是信息综合、人从文档里取东西，而且在很多这些流程的末尾，你要写进一张表格、或者写进一个 Word 文档。" → "我们想让模型能尽可能可靠地给合同划红线，想让它们能填贷款申请，做一个人本来必须做的事。"（[00:39:32]）
⚠️ 他举的量化例子是文档本地化："人类每年在文档本地化上花掉数十亿美元。" ⚠️ 难点他说不在翻译而在把编辑应用回去："模型在翻译上很好。但把那个编辑应用到文档上非常难，因为你得拿一份用英文生成的文档去改版面。当你换成一个从右向左的语言，你现在得考虑——也许文字会溢到下一页。"（[00:40:33]；⚠️ "数十亿美元"无口径无来源，不采信）
⚠️ 产品进度自述："我们不久前上了一个表单编辑的 endpoint，到现在差不多六个月"，而"我们马上会放出来的东西，我觉得会是这里的一次阶跃"（[00:40:33]）。

⚠️⚠️ 而被问"那个 Cambrian explosion 的催化剂是什么"，他的归因不是模型¶

（[00:42:35]–[00:44:35]）✅ 本页判这一段是本期最值得长期保存的归因，因为它把瓶颈指向了一个与模型能力无关的地方：

⚠️ 第一层他把智能排除了："模型智能差不多就在那儿了。而很多前沿实验室显然是先在 codegen 上爬坡，才去想模型要解决的其他一些问题。" ⚠️ 理由他给了两条："代码在很多情况下是一个可验证的问题"、"工程师是最可能去采用的那群人"。
⚠️⚠️ 第二层是本页要记的那条，而它很具体：

⚠️⚠️ "企业的数据在各种各样不同的地方，而且存在一些很怪的启发式。你跟一家大型金融机构聊某个纸面流程是怎么做的，他们就是有那种机构内的知识——噢，如果我在屏幕左下角看到这个，我就知道它来自 Kentucky，因此我做 X。"

⚠️⚠️ "而这种东西很少是被明确写下来的。"

⚠️ 于是他给的处方落在工具层而不是模型层："工具这一侧的人有一大堆活要干——去把那些上下文聚合起来，帮他们建起合适的知识库，给模型足够的上下文让它能在那些数据上推理。"
⚠️ 而时间判断他给得很松："但我不觉得我们离那件事大规模发生还很远。"（⚠️ 无时间尺度、不可核对，本页记为立场陈述）
⚠️ 主持随后把它概括成"所以是数据和上下文的碎片化、而不是性能"，并补了一句自己的断言："模型在长时程推理上已经好到这个程度，以至于智能是最大瓶颈这件事越来越不像是真的。" ⚠️ 本页标注这是主持的判断、未给依据，不采信。

🔗 本库 AI 与就业、用 LLM 的实践上关于"企业里 agent 为什么还没落地"的材料此前主要有两条：⚠️ Ali Ghodsi 的"不是模型不够聪明"、⚠️ 陈然那条"落地问题不是模型能力问题"。✅ 本页判这一条是三者里机制最具体的——它点名了被卡住的是未成文的机构知识，而那个 Kentucky 的例子本身就是一条可以拿去检验的形态。

⚠️ 他对"垂直化专业玩家"的位置给了一条顺带的说明¶

（[00:44:35]–[00:45:37]）被追问"把 Ohio 某个老文件系统里的纸整理出来，不像是软件能解决的事"：

⚠️ 他的答法是把这件事外包给客户：点名了在做自动化报税的一家公司（⚠️ 字幕作 "basis" 与 "N10 tax filing"，不可确证）、以及法律侧的 Harvey 与 Legora。
⚠️ "他们专门化的好处之一是，他们会开始搞清楚在某个特定情境下，端到端交付那个价值到底需要什么。"

✅ 本页标注：这是一条分工声明，而不是对上面那个瓶颈的回答——他指出有人在做，没有说那个未成文的机构知识怎么被挖出来。 ⚠️ 主持没有再追。

七、⚠️⚠️ 本页必须标出的一处对照：同一周的两家公司，对"看不看得见生产"给出了相反的前提¶

✅ 本库判这是本期最有价值的交叉引用，而它不在本期自身。

⚠️⚠️ 本期的连续评估（第二节）整条依赖"我们在生产里看得见不完美的输出"："能在生产里发现那些也许不算错、但就是不完美的东西"，而他把这个飞轮直接说成护城河（[00:27:22]）："你一个月处理十亿页，你怎么围绕它做出一个飞轮。"
⚠️⚠️ 而四天前本库摄取的 Legora CTO 那一期的主线恰好是反面："我们基本上看不到任何 trace……我这边完全不知道人们实际在干什么"，原因是"他们手上很多数据甚至不是他们的，是他们客户的"。
⚠️⚠️ 而两家在同一条价值链上：Legora 是 Reducto 点名的客户之一（[00:45:37]，⚠️ 字幕作 "Lora"）。

✅ 本页给出的解释（本库判断，非任何一方陈述）：可见性不是公司能力问题，而是位置问题—— - ✅ Reducto 在链条上处于"文档进、结构化数据出"的位置，它看见的是自己输出的保真度，而这个判断不需要知道客户的业务语义； - ✅ Legora 在上面一层，它要判断的是"律师拿这个结果做对了事没有"，而那必须看客户的终端客户数据——于是被合同挡住。 - ⚠️⚠️ 可检验推论：越靠下游（越接近客观任务）的层级越能建连续评估飞轮，越靠上游（越接近主观判断）的层级越只能依赖买方自评。 ✅ 而这恰好与本期第四节他自己那条"客观要 zero-shot、主观要可引导"的划界同构——本库记下这两条是同一结构的两个侧面，而本期没有把它们连起来。

⚠️ 一条解析质量的下游效应，而这是本库此前没有的形态¶

（[00:30:24]–[00:31:25]）被问有没有"魔法时刻"的故事：

⚠️⚠️ "我们有一家法律科技的客户最后发现，当文档是由 Reducto 解析的时候，他们的客户与文档的交互量是原来的两倍。他们会问更多问题。"

⚠️ "而这显然不是我们卖的一个功能。他们只是发现回答质量提高了、引用的精确度提高了，以至于整体上客户更愿意参与进来。"

⚠️ 本页标注三条限定：① 客户未具名、② "两倍"无口径无基线、③ 因果链是客户方的归因而非受控对比。 ✅ 但本库记下这个形态本身是新的：此前关于解析/检索质量的材料都停在准确率，没有一条给出"质量改善 → 终端用户行为改变"这一跳。

八、组织与人（本页只收两条带机制的）¶

⚠️ 面试从第一天就允许用 LLM，而题目被设计成"不会用就做不出来"¶

（[00:17:19]–[00:19:19]）⚠️ 他说内部采用不是自上而下推的："不是我们在给工程师下指标说你必须用 Claude Code。" ⚠️ 他给的扩散机制是两条：

⚠️ 示范：联创"大概是你会见到的最 LLM-native 的人之一"；而"我们销售团队现在大量用 Devin，人们会给潜在客户做定制网站"，原因是"他们就是开始看到——嘿，我在 Google Slides 上花了一堆时间，结果 Claude 做出来的提案比你费劲弄的那个更好"。⚠️ 他总结为"更多是把价值可能是什么展示出来，而不是别的。"
⚠️⚠️ 而第二条是制度性的，本页判这条是本期组织侧唯一的真增量：

⚠️⚠️ "我们从第一天起就在 onsite、或者说一般的面试里允许用 LLM。而我们的 onsite 其实是整整一天，你要跟团队待 8 个小时。"

⚠️⚠️ "而那些题目最后会变得相当难做出来——除非你正确地用 LLM。所以我觉得就其性质而言，最后能通过 onsite 的人，通常就是知道怎么有效使用编码工具的人。"

✅ 本页标注：这是本库 AI 与就业页上第二份"雇主侧把 AI 写进招聘流程"的材料，而它与第一份的做法相反。 🔗 Retell AI 那期是重新设计流程去防/测 AI 使用，✅ 这一期是把"会用"直接设成通过条件，并且通过提高题目难度而不是加监考来实现——也就是把筛选交给题目，而不是交给规则。

⚠️ 他举的例子（字幕作 Arth，⚠️ 他本人当场说"如果 Arth 在看这个，抱歉把你抬出来"）：Berkeley 在读时加入，onsite 时约 20 岁，GPT-3 出来时他大一；⚠️ "我们给了他标准的软件工程 onsite，他大概 2 小时就全做完了"，于是"我们把整套 ML 工程 onsite 也给了他"。⚠️ 单一轶事、自述，本页不作为能力分布的证据。

⚠️ "对手艺的痴迷"作为第一条文化价值，以及他怎么测它¶

（[00:20:19]–[00:22:20]）

⚠️ "我们的第一条文化价值是对自己手艺的痴迷。" ⚠️ 他明确说这不等于欲望：真正看的是"如果你跟任何一个真的真的痴迷于'在某件事上做到极好'这个念头的人聊——厨师、运动员，随便谁——你总会发现他们对待日常有这种严苛。"
⚠️ 他举的内部例子：早期那位 ML 研究员"大概把一些单独的 PDF 页面都背下来了"、"我不知道还有谁比他在 PDF 上画框花的时间更多"；⚠️ "有一段时间我们的数据标注员比全职员工还多，但他还是那种会自己去看数据、真的较劲的人。"
✅ 而他对工程师给了一条具体的外延："我觉得工程师需要对客服这类事情有痴迷。不只是那个亮眼的功能发布，而是确保在生产里那些长尾情况被处理掉。"
⚠️ 测法："我很喜欢问人：有什么事情是你世界级的。然后你会看到他们聊到那个东西时眼睛亮起来的样子。" ⚠️ "可以是电子游戏都行——只要你把他们导向对的东西、对的问题，那种痴迷是会迁移的。"（⚠️ 无验证方式，本页记为招聘启发式而非筛选标准）

⚠️ 规模与阶段（全部自述）¶

⚠️ "我觉得我们现在差不多开着 40 个岗位"（[00:36:30]），招聘横跨产品工程、ML、平台与基础设施。
⚠️⚠️ "我们年初销售团队是 1 个 AE……现在销售上有 30 个人。"（[00:37:31]）⚠️ "我预期短期内不会慢下来，我们作为团队还是觉得产能受限。"
⚠️ Series B 后的变化："假设事情顺利，公司里问题的数量其实从来不会变少，你只是随时间去做不同的问题。" ⚠️ 他自述的个人变化是放手："有很长一段时间，我只要不是一直在 Slack 上就会焦虑，因为感觉我不盯着就可能出事。" → "你开始意识到公司在某种程度上有它自己的生命。"（[00:24:20]–[00:25:20]）
✅ 一句本页觉得值得留的自我描述："我一直发现自己在当前这个阶段的工作上很烂，然后三个月你做好了，然后你又开始做一份新工作。"
⚠️ 节奏：仍然每周全员开会（"工程应该对我们最重要的那些单子有好的上下文，反过来也一样"）；⚠️ "我的思考从每周更多转向了月度优先级和季度优先级"；✅ 但明确说"不像大公司那种组织——我们没有一套年度的 OKR 之类的东西"（[00:25:20]–[00:26:21]）。

九、两条简短的、但本库此前没有记过的提法¶

✅ "每个问题最后都是搜索问题"，以及对 RAG 这个词的辩护¶

（[00:34:28]–[00:36:30]）⚠️ 起点是他说 chunking 现在"也许没那么能引起别人的兴趣了"，然后：

✅ "但很多问题归根结底都是搜索问题。不管你叫它 RAG 还是叫它别的，大量产品仍然是某种形式的搜索，再在搜索结果之上做某种形式的推理——这在我看来定义上就是 retrieval augmented generation。"

⚠️ 他说排斥来自一个误读："人们对 RAG 有一种反感，理由是'噢，我又不是在做聊天机器人'"，⚠️ 而人们想到 RAG 时想的是"你切块、你 embed、你用余弦相似度检索去决定塞什么进模型上下文"。
✅ 而他的归并论证是行为层面的："我们很多客户还是会给 agent 一个文件系统，agent 爬那个文件系统去找相关上下文在哪，它在那个上下文上推理、把多份文档的信息拼起来"——"我的意思就是，那个过程不管是 agent 在做，还是清清楚楚地呈现在你的搜索产品里，都是你在搜索信息、把上下文拼起来、综合它，最后做出某种动作。"

✅ 本页标注：本库此前关于"RAG 死了 / 被 agentic search 取代"的材料（用 LLM 的实践上关于 grep/文件搜索取代向量检索的几条）都把这两者当成替代关系，⚠️⚠️ 没有一条给出"它们是同一过程的两种实现"这个归并。本库记为一条可用的框架，但标注它是定义层面的论证、不含任何经验证据。

⚠️ PDF 这个格式的原始设计意图被用作问题的根因¶

（[00:02:04]–[00:03:05]）

⚠️ "有几十年的公司在做 PDF 处理。我遇到过一个人，他做 PDF 处理的时间比我活的时间都长——字面意思，他做过最早那批让打印机打印 PDF 的驱动。"
⚠️⚠️ "PDF 作为一个文件格式，最初的情境是为了让打印机忠实于原件。所以它根本不是围绕'agent 要来读它'这个问题设计的。"
⚠️ 而他给的目标设定是自动驾驶类比："我们很多时候把它类比成自动驾驶研究。车上的车道保持已经存在很久了，而说你的 Waymo 会完全端到端自主驾驶是完全不同的一件事——那是我们想拿 Reducto 达到的标准。"（⚠️ 本页记为目标陈述，不含进度信息）

⚠️ 本页记录的未收口处（节目形态的代价）¶

✅ 本页判这些是形态造成的，而不是回避——下列每一处的打断都紧跟着一个烹饪动作：

⚠️ "有没有具体的基础设施工具或框架"这个追问被打断了两次（[00:12:11]，主持中途改问"切片要切多厚"），✅ 最终他只答了"我们的 ML 团队在连续评估上花了大量时间"，没有给任何工具或框架名。
⚠️⚠️ "护城河"这个问题最后没有被正面回答（[00:27:22]）：⚠️ 问题问的是"你训不到客户全部的数据，所以量涨了性能也许涨不上去，你怎么守住"，⚠️ 而他的回答是连续评估飞轮 + 横向客户面带来的直觉，然后转向"竞争性市场其实挺好的，因为它非常讲绩效"——✅ "我们服务 Harvey 这样的领先 AI 原生创业公司，这就意味着如果我们不继续是最好的，他们自己就会去找最好的。" ⚠️⚠️ "训不到的那部分数据"这个前提他一次也没有处理。
⚠️ 主持随后给了一条概括并被他接受，但那条概括没有依据："比起以往任何时候，这更少关于系统性的护城河，更多关于执行"（[00:29:24]）。⚠️ 本页标注为主持的框架、他只答了"确实如此"。
⚠️ 编辑这条产品线与 computer use / codegen 的关系只被点了一句（[00:40:33]–[00:41:34]）："肯定有一些相似之处，这里也确实有很多工作更接近 codegen"，✅ 而他给的落脚点仍是视觉结构——"真正真正擅长理解视觉结构这类东西，让我们也可能在编辑应用上做得很好"，⚠️ 没有说明这个传导是怎么发生的。