对线Lab王铭：AI时代人效比非常可怕烧掉1000万美金Token只是开始

发布日期： 2026-04-17 阅读量： 作者： 小编

　　“接下来，那些不能带来收益的产品将买不起算力。创业项目如果不能扎实地帮用户端到端交付结果、带来收益，可能会死掉一大批。”作为一家AI Native初创公司，K2 Lab（攀峰智能）创始人王铭和其团队正快速践行这一想法。

　　近期，K2Lab宣布再次完成数千万元天使轮融资，这也是K2Lab三个月以来完成的第二轮融资。王铭透露，攀峰智能计划今年持续完成多轮融资，AI Native团队的融资节奏不同于过往，核心是追求融资效率、快速跑马圈地。

　　K2 Lab的首款产品Moras定位KOC Agent OS，为海外KOC达人打造“选品洞察-内容创作-视频发布-数据分析”的全链自动化工作闭环。

　　与业内主流Agent工程化方案一致，Moras采用了Harness Engineering体系。通过前期大量行业选品的深度knowhow和海量品类的爆款视频理解，Moras把内容电商链路中的市场洞察、选品策略、卖点提炼、分镜脚本、爆款hook、智能剪辑、违规预检、视频发布每一步原子级能力都沉淀形成了Agent Skills，并在Harness的调度下进行意图解析、任务编排与执行验证。

　　目前K2 Lab整体的Token消耗量按账单倒推每天将近在10亿级别。但王铭认为，尽管现在AI商业上已经形成小闭环，但要完成商业逻辑、做好基建、构建完整的A2A（消费者-商品）电商Agent OS，需要海量且持续的投入。“真正高的算力消耗是放量后，按照我们今年实现数千万美金ARR（年度经常性收入）的目标和Agent OS的开发建设，计划消耗的Token价值将达到数千万美金。”

　　据悉，Moras的首轮共创达人用户已于3月完成邀请测试，首周达人发布出单率超过70%，活跃达人通过Moras的平均月度成交GMV接近10000美元，有达人注册后第一周时间达到了1万美元GMV，在测试期间月度GMV突破了10万美元，相较于传统KOC达人的变现效率和变现能力，提升了上百倍。

　　王铭认为，移动互联网时代，平台的定义是超级入口，云端中心化，核心是流量聚合和分发，让用户多停留。AI时代，平台的定义是Agent OS，端侧分布式，核心是意图的截取和执行，让用户少操作。Agent OS代表的是下一代平台，将用户从繁杂的操作中彻底解放，实现“意图即结果”。

　　K2 Lab选择从一开始就用AI Coding，几乎全员Coding，目前代码AI生成率达到了99%。甚至通过自研的开发Agent去完成开发、测试等工作。团队使用SOTA开发模型，同时基于Harness框架进行开发，定义好规则，最终可以产出质量不错的系统。通过这种方式，也在极大地提高了团队全员的战斗力。

　　当然，除了前期仍然需要找到适合的专业人才来夯实地基外，AI时代的机会让王铭不过度纠结于个体是否有在内容电商或海外深耕的过往经验。在他看来，AI目前可以将团队里的内容电商专家关于选品、网感、热点捕捉、爆款脚本撰写、商业视频制作、高效发布及数据分析迭代的先验知识，实现系统化的工程能力，甚至在多个环节，AI的能力已经远超许多普通创作者。

　　选择基于海外TikTok的另一个重要切点是，平台上做得好的商家和达人还不多，相对早期，商业化链条长、门槛较高，这给了团队重要的生长土壤和时间窗口。

　　王铭认为，科技加速导致生态位抢占的窗口期越来越短。AI时代是一片全新的神奇土地，土壤肥力远超互联网时代，可能长出一大批万亿甚至十万亿美金市值的公司，且生长速度极快。为此，他们也在竭力争抢这段窗口期，用两三年的时间快速在A2A原生电商赛代抢占第一生态位。

　　Q：攀峰智能在今年1月份宣布融资，近期又完成了新一轮融资。融资节奏很快，你认为当前投资人主要看重哪些方面？

　　王铭：我认为投资人首先关注的是团队。AI时代存在不确定性，但人是相对确定的。我本人是第四次创业，在大厂做过生态，也孵化过AI原生产品。我们的团队比较健全，团队虽然成立仅几个月，已有30多人，在内容电商、Agentic工程、模型算法、海外增长、达人建联、AI产品交互、融资等关键点位都配备了资深专家。AI是一场大战，窗口期可能就两三年，现学现招是来不及的。

　　其次，投资人认为我们比较懂模型。我从2021年开始接触大模型，与通义千问的前身大模型M6团队就有合作。我对新鲜事物好奇心强，很早就开始关注AI。2023年ChatGPT出现后，我们便全面投入AI。2023年前后在美国跑出来的比较大规模且能够付费的Agent，基本是生产力、ToB或ToG的，这与钉钉的心智匹配。为此，我们在2024年底将钉钉推动成为阿里AI toB的入口。

　　再者，是我们的切入点。我们半年内看了三四百个项目，总结出“四做五不做“的原则：不做国内市场、不做ToB、不做非刚需场景、不做纯工具。我们倾向于尽早构建平台能力，像美团、滴滴、抖音那样的双边生态。总结来讲，我们的切入点扎实，离营收近，能快速看到正反馈。

　　王铭：人只要有经历就会有惯性。但AI时代要求我们必须打破惯性，快速学习并上手尝试新事物，应用到实际场景中。多次创业的优势在于，我们不会执着于明显行不通的路，会遵循第一性原理，实事求是，与时俱进。

　　之前投资人也非常关心，或者认为将过去所积累的资源发挥到极致，你的创业成功率会大大增加，但我们是非常反直觉的，放弃ToB生意，放弃国内的资源。

　　Q：既然你提到放弃ToB和国内的资源，那么在获取新资源方面，会遇到什么样的挑战？

　　王铭：其实对于我们，最大的挑战是团队对海外用户文化的理解。我们原有团队大多base在国内。因此，我们吸收了大量在欧美留学、生活、工作甚至创业过的联合创始人和成员。我们计划从5月份开始，部分团队成员包括我会长期驻扎海外，深入接触、理解当地文化和用户，理解用户行为背后的深层原因是什么。

　　王铭：按顺序是美国、欧洲与拉美，然后是日本、东南亚。肯定需要本地化团队。

　　Q：关于产品，你们提到Moras产品将内容电商链路的各个环节进行了Agent Skills沉淀。既然对海外用户了解较少，那这些沉淀是基于国内还是海外经验？是如何获取的？

　　王铭：我们团队有关键负责人来自TikTok，曾带来TikTok近半数的全球GMV，非常专业。另一方面，是AI给了我们机会。如果没有AI，做好内容电商可能需要团队大部分人都有相关背景。但有了AI，它可以快速学习人类知识并泛化、自主进化。这意味着人在其中的作用不再是决定性的。如果一件事需要花费120分努力才有一点结果，那可能做错了，如果没那么费力就能取得好结果，那可能方向对了。

　　我们的产品逻辑是，将人类关于选品、网感、热点捕捉、爆款脚本撰写、商业视频制作、高效发布及数据分析迭代的先验知识，通过AI进行系统工程化的实现。AI在多个环节上的能力已超过许多普通人，其组合后的效率和效果会远超人类。海外TikTok上做得好的商家和达人少，一方面是因为早期阶段，但更是因为这件事链条长、学习周期长，且海外市场不像中国市场这么卷。

　　Q：这确实是一个差异化的切入点。国外达人对商业化变现的理解可能还不够深入。

　　王铭：是的，这给了我们很好的切入点。切入后，Multi-Agent的进化、垂直模型的进化，以及未来流量向A to A迁徙，都可能带来更大机会。未来可能是去中心化的入口，谁掌握了某个场景的Agent OS或群体托管权，谁就可能成为新的入口。

　　Q：谈到入口，设计Agent还是需要有一个与用户交互的入口，目的是为了让用户信任Agent。

　　王铭：我说的入口不是指交互界面，而是指像上一个时代的超级App那样的中心化节点。下一个时代可能没有这种超级节点，但交互入口可能如App、眼镜、耳机，依然存在。相对来讲，企业级场景的钉钉可能生命周期会长一些，短期内很多还是需要在钉钉进行协作。

　　过去很多互联网产品不是人直接与服务器交互，但现在如果是你自己单独使用的不需要跟其他人互动的某个产品的话，就大概率会被颠覆。因为未来是人跟Agent交互，Agent再与服务器交互，不需要复杂的界面。所以，中心化的入口会消失，只是用户界面仍然需要。

　　王铭：对。但我个人不太看好自己做一个“龙虾”。未来可能基于更优秀的开源框架，大家贡献Skill。对于消费者，你是一个Skill；对于达人和商家，你是一个Agent OS。

　　王铭：我们从KOC切入，是因为他们能在流量洼地快速实现增长并带货。我们认为未来电商有两种形态：一种是纯A to A（消费者-商品）；另一种是A to A to A，中间以人作为信任锚点来完成带货。随着AI生成内容泛滥，社会信任危机必然出现，届时人将成为关键的信任节点，但需要AI工具降低其表达、创作，以及商业门槛。

　　我们的定位是帮助达人、商家构建Agent OS，并将一套电商Skill接入到消费者的Personal AI中，同时提供购物所需的context和服务。未来我们希望延伸到用户、达人、商家一整套的Agent OS。例如如果某用户的购物频率极高，我们积累了足够多的商家和达人后，也可能直接为用户打造一个电商场景的专属消费型Agent。最终，每个人可能都有一龙8国际唯一官网个Personal AI，我们作为Skill嵌入，或者为需要专属Agent的用户提供完整解决方案。

　　王铭：今年Agent的关键进展有几个：一是自主进化，在不改变模型（比如微调、后训练）的情况下，通过使用越用越好。二是记忆系统（Memory）的进化，能有机结合历史上下文，输出更懂用户的AI。三是Agentic大幅渗透，从明确的Workflow走向更自主的Agentic AI，能自动决策、判断和工作。四是自动化开发的Agent，当现有工具无法解决问题时，能自己编写代码或Skill。

　　王铭：我们之前主要做Agentic和Multi-Agent协作，去年开始做原子级能力（Skill）。今年会探索自主进化和Memory系统，但我们不会直接自研做Memory系统，而是基于市面上现有框架探索、后续再看是否要自己开发。

　　此外，我们会布局垂直领域的多模型，在多模态理解模型、Agentic调度模型等大厂尚未重点布局的垂直领域或个性化场景，训练自己的模型，这类模型直接影响Skill分发、Multi-Agent协作，而模型层面的进步又会影响Agentic的可用性，同时对成本控制也至关重要。

　　王铭：是的，很贵。但我们鼓励团队多用好模型，从公司成立第一天就为全员报销Token费用，要求非研发同事也使用AI，实现全员AI编码。我们的HR系统、BI系统、A/B测试数据标注系统、自动化客服、选品系统等，都不是研发人员开发的，而是由HR、财务、运营、产品经理通过AI编码完成。

　　王铭：生产级系统也完全由AI编码，代码AI生成率在99%以上。我们现在很多编码工作甚至不是人直接在做，而是由我们开发的开发Agent完成。需求提给Agent，它开发、测试通过后，再交给研发验收。

　　王铭：以前问题多在改Bug上。现在使用顶级模型后，其改Bug能力非常强悍，生成一个完全没有bug的产品相对容易。我们再通过自研的测试Agent进行自动化测试和界面测试，最终是可以产出质量不错的产品，生产效率很高。

　　现在的逻辑是，我们有时不需要完全理解AI写的成千上万行代码。它已经是一个合格的程序员，可以暴力地快速重写整个系统，总有一次能写对。你要想完全看懂、理解，然后再通过人工改所有的Bug，我觉得已经是上个时代的思维方式。关键在于Harness的设计。我们很早就开始基于规则和OpenSpec等框架进行开发，定义好规则后，结合模型能力，产出系统。而测试更多是验收需求是否实现、主流程是否无误，以及通过AI自动化测试发现潜在Bug。

　　Q：你们对Harness的设计思路是怎样的？Moras经历了哪些主要迭代才确立以Harness方式进行开发设计？

　　王铭：我们出来创业几个月，从第一天就开始AI Coding，经历了三个阶段：

　　生产力增强阶段：用AI增强小团队产能，但模型能力未到，也缺乏Harness框架，需要人工大量改Bug和加固，增强产品稳定性。

　　规则制定阶段：开始思考如何驾驭AI，制定各种规则，后来采用OpenSpec开发规则框架，规范AI Coding行为，防止违反安全规范或需求。其实这时候包括海外使用AI Coding的团队也有了Harness的思想。

　　Harness时代：随着模型能力提升和行业认知统一，尤其是春节后Claude Code源码泄露事件展示了其完整的驾驭方法论，业内开始进入系统性的Harness时代。这一事件其实极大拉齐了行业水平，进一步提高AI Coding的普及和社会生产效率提升。

　　Q：交付结果也决定了商业模式。你们的逻辑是按结果定价，有人认为这太理想化。像近期KOC测试的出单量和成交量有很大提高，你们如何评估当前的商业化结果，是否满意？

　　王铭：完全超预期。以前是专业的人结合AI能做到这样的结果，因为AI每一次协作都会有衰减，但现在能取得与人类相似的结果，这让我很震惊。例如，一个海外达人如果自己养号，可能需要2周到1个月才能稳定出单，而我们现在的产品首周出单率就非常高，之后能持续稳定出单。

　　王铭：大多数人包括我们也没有完全转过来，我们团队也在探索如何将AI打造成类人形态、如何与用户交互。但至少在商业模式上以终为始去行动的话，我们就是要在产品打造和团队文化上快速转变，思考如何雇佣AI。

　　比如我们使用的AI产品大多是按Token或订阅收费，而自己做的是按效果付费的产品，这本身就需要转变。这意味着我们可能要在功能、按钮、交互设计上，从让用户点击App转向把AI当成人来设计，用人的口吻与AI沟通。这对企业组织是挑战，但对用户而言反而接受的门槛更低，因为用户有请真人干活的经验。

　　最丝滑的方式是不要让用户进行Token的单位换算，用户最能理解的符号就是金钱或时间。所以我们一步到位，采用“底薪+分成”（CPS）模式，让用户每月支付几十美金底薪雇佣AI，AI先消耗Token干活，赚到钱后再分成，这样用户容易理解。

　　王铭：长期看，可能从低毛利走向高毛利。一方面，随着模型能力增强，未来可能不需要最SOTA的模型就能在特定场景做出好效果，成本会下降。另一方面，要做到细分赛道第一，垂直模型是必做的，这既能提升效果，也能降低成本。AI时代最终会逐渐平权，毛利可能不会一直维持高位，但规模可以非常大。这是一个从低到高再到下降的过程。

　　王铭：不算。我们的算力成本主要看经济模型，因为我们是商业模式创新，不是纯工具创新。当然，研发的Token投入也不小，但会随着规模摊薄。AI Native创企的成本逻辑是：人的工资应小于公司研发的Token消耗；公司研发的Token消耗远远小于产品端的Token消耗。这才是AI时代的杠杆。互联网时代，大厂的人效比可能人均产值几百万、工资百万，但AI时代的人效比会非常可怕。

　　王铭：AI Native团队的融资节奏不同，每天都在融资，没有明确的轮次概念，追求融资效率，有钱就拿，拿了就开启下一轮。我们虽然对外公布的是第二轮融资，但第三轮快结束了，第四轮马上开启。今年计划往很高的融资目标走。

　　王铭：科技加速导致生态位抢占的窗口期越来越短。AI时代是一片全新的土地，土壤肥力远超互联网时代，可能长出万亿甚至十万亿美金市值的公司，且生长速度极快，像OpenAI三年做到8500亿美金的估值。我们要做的是在这片新土地上快速找到空地，丢下种子，用两三年时间在细分赛道站稳生态位，构建双边用户商品与达人的飞轮，以及数据与垂直模型的飞轮。两个飞轮都转起来后，细分赛道的第一名基本就确定了。

　　王铭：一定会非常高。AI将大幅提升全球生产力，带来巨大的经济增量。这意味着会出现许多营收千亿美金、估值万亿美金的AI公司。

　　王铭：准确说，是我们A to A Agent OS中必然涉及到的几类模型：一是推理模型；二是电商场景的理解模型和生成模型；三是Multi-Agent进化架构所需的调度模型。大概就是这四类模型。底层可能会用第三方大模型基座，但有些场景未来可能不再依赖第三方。

　　王铭：垂直模型会用开源模型进行后训练。通用模型很难为垂直场景蒸馏数据，因为其垂直领域数据不够丰富、不够垂。例如，在爆款脚本这件事上，通用模型写不出太多爆款，但我们能拿到大量爆款数据，让模型在这个领域超过通用模型。

　　我们从第一天起就存储了所有生产过程中的数据：AI使用的提示词、操作过程、用户与AI的交互行为、最终被验证的爆款内容等。然后反向归因，让AI提炼爆款规律。这些数据会让模型收敛。我们Day 1就存下了所有数据，很多公司可能为了控成本不会这么做。但在垂直场景，谁跑得快、数据多，谁的模型就更好，就能吸引更多用户，形成马太效应。所以这两三年的窗口期非常关键。

　　王铭：坦白说，因为创业次数多，我心态比较好，没有特别焦虑。如果非要说，近期比较焦虑的是一些政策动作，比如收紧ODI（境外直接投资），导致我们的资金出海路径受阻。这是我们创业前没想到的变数。

　　不过，这也不是特别大的影响，只是可能让我们在美国市场高举高打的拓客节奏稍微晚一些，转为滚雪球式发展。我创业心态比较平和，相信“菩萨畏因，众生畏果”，不为结果焦虑，多做该做的事。梦想可以很大，走好脚下的路，结果不纠结。

上一篇: 龙8国际：EdgeAIDaily早报（4月16日）

下一篇: 富士胶片商业创新ApeosC3061等19款A3多功能机获”

龙八·long8(国际)唯一官方网站-龙8未来可期

对线Lab王铭：AI时代人效比非常可怕烧掉1000万美金Token只是开始

随便看看