36
0Harris Wang · A65 创始人，AI 营销 Agent 集群
Apple 在线商店销售出身，待了近 5 年。之后转入广告行业，加入 Facebook Marketing Partner Nanigans（后被 Sprinklr 收购并在美上市），负责大中华区市场，服务 FunPlus、Elex、IGG 等头部 SLG 游戏公司出海。随后进入 Meta，专门负责大中华区游戏行业，客户包括莉莉丝、米哈游、游族、哔哩哔哩等。2022 年 7 月离开 Meta 创业，2024 年底决定 all in AI，2025 年创立 A65，一家总部位于新加坡的 AI 营销 Agent 公司。
A65 的名字取自 1965 年 MIT 的 ELIZA 模型（NLP 起源）和新加坡建国年份。公司有三套产品：CrowdOS（合成受众洞察）、AgentOS（媒体投放规划）、CreativeOS（广告创意生成），服务电商、游戏、短剧、AI App 等 B2C 行业，投放覆盖全球，数据以美国和欧洲为主。
Highlights：
- 你今天有一个实习生的岗位，你能不能清晰地定义出这个实习生能够给你干什么——如果你没有办法定义出来，那你一定也没有办法定义一个好的 agent 出来
- 我们不是为了 agent 而做 agent，有些东西直接可以用代码写死的，我们就用代码写死
- AI 不是不行，是因为你的 prompt、你的输入不行，它就输出就不行——你想让 AI 给你 100 分，你至少自己要达到 85 分
- 我们功能性的 agent 里面是没有放 memory 的，因为我不能让 A 客户的信息影响到 B 客户的输出
- 合成受众更多是我们的一个窗口，去预测大众的观点
- 我们不会干预 perspective 的形成，我们只是喂原材料
- 不是说今天要做到 100% 准，至少现有传统方式，我们用 AI 能做到跟它一致，达到商业使用就好了
Timeline：
00:00 开场介绍：Harris 是 A65 创始人，做 AI agent 营销集群
00:36 A65 名字的由来：A = AI，65 = 1965 年 MIT 的 ELIZA（NLP 起源）+ 新加坡建国年份
02:09 两类客户：founder-led（直接用系统指挥 AI 军团）和 enterprise（定制化部署 agent）
03:40 Harris 的职业经历：Apple 在线商店近 5 年，学到沟通、用户体验和团队管理
04:31 转入广告行业：加入 Nanigans（FMP），负责大中华区，服务 FunPlus、IGG 等 SLG 游戏出海
05:38 进入 Meta/Facebook：负责大中华区游戏行业，客户包括莉莉丝、米哈游、哔哩哔哩等
06:18 中国游戏出海的盛世：全球前 10 的 SLG 游戏公司，9 家都是中国的
06:32 2022 年 7 月离开 Meta 创业，经历区块链游戏，2024 年底 all in AI
08:01 在 Meta 学到的两件事：用户分析（人性/人格分析）和数据驱动（performance marketing）
09:27 游戏投放的难度：SLG 游戏 free-to-play，8 个月回本，7 天 ROI 约 7%，需要精准的 predict LTV 曲线
10:46 A65 三套产品的设计逻辑：从把 agent 当效率工具，到让 agent 成为产品本身
11:38 Hermes agent 架构：用 Mac mini 跑 AI 员工，但发现多客户场景下 memory 会导致偏移
13:06 三类 agent 架构：AI 员工（Mac mini）、功能性 agent（无 memory，防止客户数据泄漏）、governance agent（评估和监控）
14:49 与其他 multi-agent 创业公司的区别：不是为 build 而 build，关键是 domain expertise
17:48 CrowdOS 介绍：合成受众，用 AI agent 模拟真实消费者做市场调研
19:04 技术细节：三层构建——skills/experience、facts/data、perspective/opinions，基于 Big Five/OCEAN 人格模型
20:09 Pew Research 校准：与 Pew 公开面板对比达到 91.6% 一致性
21:41 与传统调研的对比：传统 4-6 个月花费 10 万美元以上，CrowdOS 10 分钟花费几十到几百美元
23:15 应用场景：消费者洞察、政治民调、金融市场情绪预测
23:54 agent 的 memory 来源：每天喂当地和国际新闻，让 agent 在服务器内自发 debate 形成观点
24:13 监控机制：如果某个 agent 说服力太强把其他 agent 全部 convince 掉，会被监控和干预
24:34 为什么不把 91.6% 往上做：三个原因——校准对象是历史数据不需要 100% 匹配、统计学上 75% 以上已够用、成本边际递增
26:46 大模型偏见问题：用中国模型和海外模型共 5 个（Anthropic、Gemini、OpenAI、DeepSeek、Kimi）消除 bias
28:43 不同市场的校准：不是每个市场都有 Pew Research 级别的报告，需要单独定制化，包括社交媒体数据
29:32 合成受众的局限性：线下沉默的声音无法完全模拟（以 2016 年特朗普 vs 希拉里为例），目标是达到商业可用
30:23 AgentOS 介绍：基于 60 亿美元的历史投放数据，提供行业 benchmark
31:41 完整投放链路：用户画像 → media buy plan → benchmark → creative strategy → idea → 视频生成 → 投放 → 24 小时盯盘
32:23 agent 漂移问题：链路越长漂移越大，用真实投放数据做校准锚点
33:05 人在回路中：每天几千甚至上万美金的投放，不可能点一个按钮自动花出去，每个环节需要人决策
34:07 Harris 本人目前参与每一个客户的策略制定，同时训练团队和训练 agent
35:28 客户分层策略：Tier 1 大客户定制化方案做到 100 分，标准化后 90 分的方案给 Tier 2 中型客户用，对他们来说是 120 分
37:07 客户画像：投放覆盖全球，以美国和欧洲为主；行业集中在电商、游戏、短剧、AI App 等 B2C
38:08 短剧的特殊挑战：平台型产品，用户画像复杂（男频、女频、霸总、甜宠），需要产品适配
39:27 CreativeOS 介绍：用 harness engineering 保证 AI 生成广告创意的一致性和稳定性
40:20 核心观点：AI 做创意不行不是 AI 的问题，是输入不行——你想要 100 分输出，自己至少要 85 分
41:09 广告创意的专业流程：从用户 motivation + 产品卖点出发，形成策略 → idea → 分镜 → hook + call to action
43:06 CrowdOS 与 CreativeOS 联动：广告出去之前，先用合成受众做 focus group 测试
43:40 AI 不替代人，而是 upgrade 人的角色——一个十年经验的创意总监用系统，效果比普通人好得多
45:08 Seedance 合作：测过可灵、Google、Minimax 等所有视频生成模型，目前广告场景下 Seedance 表现最好
46:21 商业模式：大客户用 managed service，中型客户用 self-serve 产品（SaaS 订阅 + pay-per-use）
48:49 未来计划：产品成熟后会部署 FDE，把 agent 集成到 enterprise 客户系统中
49:25 销售哲学：找到 decision maker、address pain point、提供 incremental value，不硬推销
51:20 "Fluency is not capability"：A65 官网写的核心理念，回归本质和 foundation，不追新技术
52:42 务实的技术选择：MCP 有缺点就用 API，不为新而新，解决问题效率最高、成本最低才是标准
53:27 结束
———感谢嘉宾：Harris Wang，A65 创始人
CrowdOS 落地页：crowdos.ai
离线时间 The AI Duet
主理人：Ellen｜新加坡
收听：小宇宙 / Apple Podcasts / Spotify
小红书：Ellen的离线时间
官网：theaiduet.com
