从上周孙宇晨的八卦说起：如果你把自己的资产、关系和高风险决策都丢给 Claude Code，问它“5000 万美元该不该给”，AI 劝你别转钱——这个建议靠谱吗？ 这一期《硅谷温差》聊的是 Personal AI / 个性化 AI 助理 的真正难题。Lewis 和 Will 都分享了自己把投资账户、资产配置喂给 AI 分析的经历：AI 已经能把很多陌生领域从 0 分拉到 80 分，但这还不等于真正懂你。加一个 memory 不叫个性化，模型能理解你的问题，却未必拿得到你生活里的完整 context。 我们也聊到 AI Chief of Staff、AI coach 和高风险决策。Will 现在把 agent 当成自己的 chief of staff，用来补全助理、PR、投资顾问、跨文化沟通 coach 等角色；但前提是，人必须知道该问什么、如何定义问题，以及如何判断 AI 的答案。 真正危险的地方在于：Personal AI 越懂你，也越可能顺着你。几轮对话之后，模型很容易靠向用户原本的倾向，变成一台高级“确认偏误机器”。所以在重大决策里，我们需要反向 prompt、正反两面分开研究、多模型交叉验证，而不是只问一个 AI：“你觉得我对吗？”最后我们聊到 AI coaching：为什么在跨文化冲突、英文措辞、人际关系处理上，AI 有时候比真人 coach 更实用？以及为什么 AI 能帮你提高执行效率，但它的上限，很多时候仍然取决于人自己。 本期核心问题： 当 AI 开始劝你转不转钱、做不做决定、发不发消息，它到底是理性刹车，还是你的确认偏误放大器？ 时间线索引 00:00 孙宇晨的5000万 02:41 懂问题，不懂你 07:29 幕僚长，不是CEO 13:10 瓶颈还是context 16:13 AI只是在顺着你 20:13 哪些决策交给AI 28:43 拿AI当coach 33:51 上周趣闻

DeepSeek Harness（dsh）开源了，everything is a plugin，连agent loop都是可换的。agent harness到底是什么、DeepSeek为什么要开源、跟Claude Code和Pi差在哪、企业到底能不能用，这期从头拆。 先说定义：从prompt engineering到context engineering再到harness，就是把只会答题的模型包成一个能跑几小时任务的系统。DeepSeek把agent loop都做成plugin，本质是放权给模型；为什么开源？用open weights的企业根本不会用它的API，开源harness是唯一的触达路径。企业侧的温差很实在：现在的agent harness也就一个9，企业要三个9，同一个任务跑五遍结果都不一样就很难落地。有人把信用卡号告诉过模型，下次它直接拿去结账，决策和执行不分层，人就失控。Pi coding agent靠四个工具和不到1000 token的system prompt走红，但开源harness出来大家先测的是cache命中率，省token是真的，提质量还是问号。最后没吵完的问题：harness是CPU里的checksum，还是迟早被模型吃掉。 时间线索引 00:00 Harness到底是什么 03:14 DeepSeek开源的算盘 08:41 从一个9到三个9 11:33 放权模型还是hardcode 14:59 谁能靠harness赚钱 23:13 决策和执行分层 26:45 Harness会被模型吃掉吗 29:51 上周趣闻

这一期《硅谷温差》聊AutoResearch和Self-improving Agent：AI Agent真的能自己变聪明吗？还是只是被包装成自我进化的Workflow Automation？ Lewis和Will从Karpathy提出的AutoResearch、Jeff Dean的Discovery Loop、AI Scientist、Deep Research、Hermes Agent、企业 SaaS 自我迭代等案例出发，拆解self-improving agent的真实技术路径：它到底是靠brute force搜索、memory、harness、eval loop、tool refinement，还是模型能力本身的突破？ 这一期重点讨论三个问题： 1. Auto Research 的核心价值是“AI 科学家”，还是帮助人类更快探索更多方案？ 2. Self-improving Agent 能不能产品化？会成为独立公司，还是被 OpenAI、Anthropic、Google 等大模型平台吃掉？ 3. 对创业公司和 AI builders 来说，真正的机会是在通用 Auto Research 平台，还是垂直行业里能自我优化的 AI-native SaaS？= 我们也聊到enterprise software的下一阶段：未来的软件可能不再只是固定功能，而是会随着用户使用、数据反馈和agent loop持续变聪明。但这也带来新的难题：如何定义 ROI？如何定价？如何控制agent的边界？以及它到底是产品、平台，还是一个会被大厂内化的feature？ 如果你关心AI Agent、Auto Research、Deep Research、AI 科学家、企业 AI、AI SaaS、agent startup 和 self-improving systems，这一期会帮你区分：哪些是真机会，哪些只是新一轮 AI 叙事包装。 时间线索引 00:00 三个词的分层 03:34 超越人类最优解 06:23 两类自我提升 08:28 穷举还是框架 13:43 卖方案还是卖系统 17:18 自我迭代怎么定价 24:41 会不会被模型吞掉 29:24 上周趣闻

本集深度简介 接着上期的Stanford EMBA，大家带着三个问题来硅谷：AI是不是泡沫？AI会不会改变员工的工作？VC还赚不赚钱? Lewis的判断是这轮不是泡沫，芯片和能源都不够用，能做这件事的就那么几家公司，巨头互相买是把整条供应链盘活的唯一路径。课上老师那句“AI replaces task, not job”被当场拆穿。Task被吃掉得足够多，那就是工作没了。企业侧的实情更直接，客户把裁员正经立项，叫workforce transformation，目标是砍掉20%到30%。金门大桥的收费员也不是被技术裁的，是被COVID裁的。VC行业三年整体回报只有0.3%。理论半年一换，Vector DB、RAG、harness这些被押注的“未来一层”，回头看大多只是feature不是产品，连吴恩达的Landing AI都栽在这里。 时间线索引 00:00 三个问题 04:25 不是泡沫是溢价 11:07 必须自己动手试 14:17 取代任务就是取代人 16:40 转型只能靠换血 24:45 VC三年只赚0.3% 28:59 别赌技术栈 35:29 上周趣闻

Lewis刚从斯坦福Stanford Executive Program六周集训回来，这期我们用工程师思维把这个项目当成一个产品来拆：它卖的到底是什么，谁在买单，ROI怎么算。把两年MBA的课表压进六周课表，学费8.9万美元，早上5点45分bootcamp，8点15上课，一直排到晚上9点，一天超过12小时。178个人来自37个国家，卡的不只是年限和履历，还有你从哪儿来。 真正有意思的是课堂内部的错位，教授只负责引路，case study反而是从这个班里输出出去的，最高密度的信息发生在课后的party和晚饭上。ROI这一段我们掰得比较细：脱产、住校、被迫step back，可能才是这8.9万里最贵也最难复制的部分。 时间线索引 00:00 六周压缩两年MBA 01:27 学费与门槛 05:12 跳出湾区找定位 08:24 向同学们学习 12:47 miniTED与信任 16:37 大佬节奏实测 21:46 脱产才是最大ROI 25:25 能量越大回报越大

本集深度简介 这期我们把token这个被讲烂、却没几个人讲透的概念从头拆到底。Lewis用"模型认知世界的最小切片"给它下定义，复盘了当年Gemini坚持用字符定价、最后被整个行业倒逼着改用token的往事。一次典型的技术导向的胜利。 真正的摩擦从agent时代开始：使用方式从chatbot转向agent，token消耗爆炸式增长，一年预算三四个月就见底。更隐蔽的坑是not every token is created equal。同一段输入在OpenAI、Gemini、Anthropic上切出的token数完全不同，Anthropic往往还多一大截。加上它没什么动力帮你省，连阿里内部都一度停用了Claude。 我们真正想回答的是impact per token。算力买来了，价值链却是断的：为什么该回到revenue、KPI这些最原本的商业指标，而不是像Meta那样拿token用量考核工程师、逼出一堆刷token的假动作。从caching、memory、蒸馏到neuro-symbolic和自我进化的agent，提效的技术路径也一并摊开讲透。最后落到一个更大的判断：scaling law本身可能就有bug,大模型的护城河正在消失,而"法拉利模型"与"本田模型"并存的智能霸权,也许才刚刚开始。 时间线索引 00:00 什么是Token 03:38 agent引爆token经济学 04:34 不是每个token都平等 12:03 咨询公司复兴 15:06 别用间接指标考核 18:29 提高impact的技术清单 30:42 上周趣闻 这期我们讲到的内容 Meta Muse Spark: https://ai.meta.com/blog/introducing-muse-spark-meta-model-api/ Scaling law: https://lilianweng.github.io/posts/2026-06-24-scaling-laws/

本集深度简介 这期拆的是被网友点名很久的OpenRouter: 把400多个模型收进一个API的中间商，一年半干到5千万美元ARR，估值13亿。听起来是开发者福音，但越拆分歧越大是本集的看点。Will的判断很冷：这护城河不堪一击。5%抽成对任何认真在model上花钱的公司都是不可接受的，一年在token上花1000万，5%就是50万，够在湾区雇个全职工程师；一旦所有model趋同，选择器只剩一条逻辑：越便宜越好，跟用电一样不看来源只看价格。 Lewis不认：谁握入口谁有议价权利。OpenRouter手里800万开发者、25万亿token，而且两头赚钱，从大厂批发拿折扣，再向散户抽5%，真实赚的不止表面这点。当用户根本分不清模型好坏时，分发方反而攥住了对大厂的议价权，甚至可能演化成Google search式的流量竞价。两人还扒了名字里Router的由来，那个最早的智能模型路由，为什么被创始人亲手放弃。最后落在一道裂缝上：它是独角兽，还是一台注定被迫降价的cash cow，取决于它能不能真正拿到定价权。 时间线索引 00:00 拆OpenRouter 02:48 护城河到底有多深 04:13 5%抽成不堪一击 06:01 个人开发者vs企业 10:22 怎么防守 13:02 智能分发的死局 15:52 越便宜越好？ 20:01 假如你是CEO 31:02 上周趣闻

本集深度简介 SpaceX冲刺史上最大IPO，但我们盯上的不是火箭、不是Starlink，而是招股书里那个把企业AI大饼画到22.7万亿美元、占整体估值近八成的数字。这期我们不聊泡沫、不做投资建议，而是用"模型、生态、token economics"三段论，从开发者和创业者的视角拆这企业AI叙事到底能不能落地。 Will 拿自己做工作流自动化（Orby）的经历开场：自动化知识工作最难的从来不是demo，是企业到底敢不敢把核心流程交给你。XAI 在入口竞争上已经掉队，Tesla 是消费级入口撬不动企业应用，人才才流失又成最大的威胁。 下一企业AI竞争的胜负手，是谁能做好System of Record那一层，用更便宜、更可控的方式替代积累多年的SaaS；以及谁能稳定捕获公司内部那些tribal knowledge。再加上token economics，把推理成本压到像水电一样便宜，太空数据中心省的其实是土地和冷却这两块可控成本。最后落到SOM，合理区间也就五六万亿。 时间线索引 00:00 22.7万亿的企业AI市场 03:05 XAI模型为什么是失败的入口 11:23 消费者习惯能反向倒灌进企业吗 19:44 生态比模型更重要 26:32 从TAM到SOM 32:48 token economics才是核心壁垒 40:01 上周趣闻 本期聊到的内容 * The Intelligence Tax (https://willlu.com/essays/the-intelligence-tax) * Github pushes Microsoft to AWS (https://letsdatascience.com/news/github-capacity-surge-pushes-microsoft-to-aws-13a2ffa4)

本集深度简介 Anthropic万众瞩目的Fable 5模型上线72小时就被政府强制下架,这场drama从Mythos的公关造势一路演到全球禁令。我们从亲手实测说起:max计划跑refactor的task,跑到一半token耗尽,等下一个session接着跑——结论是没找到任何一个非它不可的场景。 真正的暗坑在于"降智"被写进了说明书:Anthropic fable 5加了router,把它判定为有风险的task偷偷降到Opus跑,却照样按最贵的价格收费。从产品角度这就是欺诈。用一个好模型当funnel,把便宜模型高价卖出去,消费者完全失去control,最初连什么时候降了智都不知道。Lewis用Gemini时期的经验拆解了这套逻辑:质量与价格的tradeoff该不该扔给用户决定,以及"不记录用户数据"这条信任红线一旦迈出去就再也收不回来。 更深一层是访问平权问题:谁有资格用最强的智能?标榜"让所有人用上AI"的公司,真正部署时却按护照、企业和个人来分发？这就是AI霸权。再叠加企业数据从零留存被强改成30天留存、微软直接停用,所有CEO都被迫意识到：核心业务不能rent在别人的AI上,开源模型成了唯一的解。两人也顺势聊到中国开源模型靠数据优势长期可能反超,以及黑市上一条用户trace只卖10美元的灰色产业链。 时间线索引 00:00 实测跑到一半没token 03:04 降智被写进说明书 06:38 用户数据是信任红线 08:47 谁有资格访问最强智能 11:10 政府禁令的真实动机 15:05 30天数据留存 31:51 开源模型的数据优势 37:15 上周趣闻 我们聊到的话题 * Anthropic道歉降智 (https://x.com/ClaudeDevs ) * OpenAI推迟2027上市 (https://www.reuters.com/business/openai-expects-go-public-within-next-year-information-reports-2026-06-10/ ) * SpaceX上市招股书 (https://www.sec.gov/Archives/edgar/data/1181412/000162828026036936/spaceexplorationtechnologi.htm )

本集深度简介 这期Lewis和Will从内部视角拆Google大模型这几年的产品与工程博弈。开篇直击Flash 3.5这次三倍涨价：Flash当年根本不在产品线规划里，是Pro升级速度掉到两三倍、time to first token撑不住聊天机器人客户三秒drop 30%用户的硬指标，才在一个月内紧急训练出来的"意外惊喜"。 * 慢一点换更高智能是不是好trade off？ * Google为什么先发Flash，而不是Pro？ 我们聊到token定价的玄学：成本算得清，但定价全靠先到市场的定价权，Google和Anthropic早期只能跟着 OpenAI；以及从去年12月Opus拿到编程这个break out use case后，整个行业从打价格战转向每次发布都涨价的拐点。 后半段我们聊到Gemini在ChatGPT上线前两个月、从七人小组到百人团队，为什么DocAI数据如何反哺Gemini的文档理解能力，还有PM与工程师在Flash-lite免费策略上的真实对抗。 时间线索引 00:00 开场 + 听众参与的新尝试 00:45 Flash三倍涨价 04:29 产品思维vs工程师思维 14:54 token定价玄学 21:44 谷歌为什么迭代慢 26:16 下一个跃进 32:02 Gemini诞生史 40:40 上周趣闻 我们聊到的话题 * Meta发布250亿美元企业债券全(https://www.reuters.com/technology/meta-weighs-big-equity-raising-finance-ai-infrastructure-ft-reports-2026-06-05/) * Gemini Diffusion (https://deepmind.google/models/gemini-diffusion/) * OpenRouter的模型排行(https://openrouter.ai/rankings)

本集深度简介 这一期我们拆Genspark.ai，这家由前百度小度核心高管2023年在硅谷创立、靠20人团队做出爆炸式营收和成长的公司。从对标Perplexity起步，agent来了之后果断放弃旧use case，靠生成PPT和"Call for me"打电话功能在日本意外出圈。我们和Manus做对比：同样的中国团队、同样的领域、接近的估值，但Manus收购被叫停，Genspark还在自己往前跑。 硬核的讨论集中在它到底有没有护城河。Genspark号称背后接了70个模型，做了大量harness和plumbing的脏活累活，按场景在速度、成本、智能三者间做编排。但Lewis的判断是这种差异化正在快速收窄。它没自己的模型，go-to-market不如微软、谷歌、所谓数据飞轮也比有直接入口的大厂差两三个数量级。 我们也戳穿了估值游戏：200万月活、ARR这些数字里的灰色地带怎么算、为什么早期融资只需要说服一个投资者、为什么这阶段该死磕增长而不是留存。延伸聊到大厂高管创业的反直觉优势(人脉、招人、决策力)与"眼高手低"的陷阱。最后一个真问题:没有模型、没有数据中心,Genspark为什么要融4亿多美金，是走企业路线？还是砸钱做市场营销？还是要去做自己的模型? 时间线索引 00:00 拆Genspark 02:42 把agent缝进Workspace 04:26 70个模型的harness编排 09:01 Office与workspace的护城河 12:15 Distribution is king 16:06 200万月活与ARR的水分 20:43 增长还是留存 27:50 高管创业的陷阱 40:26 上周趣闻Opus 4.8和workflow 我们聊到的话题 * Claude 4.8发布: https://www.anthropic.com/news/claude-opus-4-8 * Claude code workflow: https://code.claude.com/docs/en/workflows * Manus出圈demo: https://www.youtube.com/watch?v=K27diMbCsuw * Semrush关于Genspark的流量数据：https://www.semrush.com/website/genspark.ai/overview/ * Decagon (AI电话客服): https://decagon.ai/ * Gamma (AI Slide的竞品): https://gamma.app/

这期播客Lewis和Will两个Google前员工从内部视角复盘I/O 2026。这次Google居然没launch Gemini 3.5 Pro，只先放了Flash。Lewis拆当年做模型的真实困境：Pro和Flash差距拉不开，4倍价差定不出来，所以只能Flash先行，这条线索一直贯穿到现在。 Will从Agent经济学算账：token cost指数级失控已经压不住了，何凯明的paper直接质疑per-token定价模式，Google押注cost+speed+live mode的300ms TTFT，未来一年可能才是真正的position优势。 我们也毫不客气吐槽Antigravity 2.0：IDE概念升级后直接消失、紧急公关加回button、还和Gemini CLI重复造轮子——典型的大厂病。还聊了Gemini Spark的命名内幕、Omni到底是真unify还是换壳、World Model有没有research支撑。迭代意料之中，Distribution is the King才是Google真正的护城河。 时间线索引 00:00 Gemini 3.5 Flash登场：为什么agent时代"便宜又快"比变强更打动人 02:46 Flash好迭代、Pro难拉开差距：前Gemini员工讲发布顺序与定价内幕 11:00 Omni多模态：是真突破，还是旧模型套新壳、靠post training防regression 16:17 Antigravity 2.0：抄Cursor抄Claude Code、IDE消失的乌龙与大厂形象工程 22:24 Gemini Spark：为何要做成独立产品，入口之争与Spark命名往事 26:54 I/O整体复盘：Distribution护城河，solid但缺新意 31:11 拓展新闻：大模型攻克80年数学难题与面向agent记忆的StateBench 我们聊到的话题 OpenAI解决80年的数学问题(https://openai.com/index/model-disproves-discrete-geometry-conjecture/) STATE-Bench (https://opensource.microsoft.com/blog/2026/05/19/introducing-state-bench-a-benchmark-for-ai-agent-memory/ )

7个人、0融资、$25M ARR。Obsidian把VC那套增长叙事撕得稀碎。这期拆这家"反硅谷三件套"的笔记公司：当Mem烧掉OpenAI Startup Fund $25M Reflect/Tana/Heptabase全军覆没时，它靠不做AI、不上云、不tracking用户活下来了，反过来成了Claude最好的context层。 第一，所有人都把Obsidian的护城河归因于local文件，错了。真正的壁垒是用户full control激发的创新意愿，你在vault里投入几百小时搭的知识图谱，那个能力是你自己的，但你迁不走。这和Databricks、AWS账单复杂到看不懂是同一套设计哲学：complexity by design，把摩擦本身做成粘性。 第二，Obsidian连自己有多少DAU都不知道，by default不tracking。这种反产品经理姿态意外变成了preserve privacy的卖点，但同时也是它走不了VC路线的根本卡点。 第三，过去几年Mem烧光OpenAI Startup Fund的23M、Reflect、Tana、Heptabase这批AI first note taking集体扑街，反AI的Obsidian反而被Claude反向成就。Markdown格式让Claude Code能直接读你的vault。Note Taking可能已经走到头，Note Seeing才是下一站，Note for Agent才是新的契合点。 我们也辩论了拿不拿VC的浪漫主义vs幸存者偏差、早期投资投人还是投增长、以及Notion和Obsidian长期谁能赢这场battle。 我们在这期聊到的一些公司和话题： * Obsidian (https://obsidian.md/) * Obsidian-Claude (https://github.com/AgriciDaniel/claude-obsidian ) * Knowledge graph conference 2026 (https://www.knowledgegraph.tech/) * BitNet b1.58 2B4T Technical Report (https://arxiv.org/pdf/2504.12285) 时间线索引 00:00 Obsidian的反硅谷三件套 - 7人/0融资/25M ARR 02:49 不做AI却被AI需要: 反增长叙事下的护城河悖论 05:47 local-first真正的护城河不是数据归属，是full control带来的创新粘性 08:51 Complexity by Design: 从Obsidian门槛到Databricks账单的同一套留人逻辑 12:43 反AI的注脚: 手动knowledge engineering vs AI主动capture的矛盾 15:12 浪漫主义创业vs把VC当validation筛子: 拿不拿钱的底层判断 22:31 Obsidian不做用户tracking：反产品经理是principle还是历史包袱 26:14 估值只能go up: seed轮拿多少钱的双刃剑 29:31 Note Taking正在消亡: Notion和Obsidian谁能跑赢note seeing时代 33:50 Collaboration绕不开上云: Note for Agent才是真正的破圈口

这一期《硅谷温差》，我们把手术刀对准了RAG时代的明星初创公司Unstructured.io。当所有AI Lab都在追求模型层面时，Unstructured.io却在ChatGPT发布的三个月前就瞄准了那些被大厂工程师“不屑一顾”的脏活: 文档预处理 。 在RAG爆火的这两年，Unstructured.io凭借对65种复杂文件格式的暴力拆解赢得了开发者口碑和近600万开源的下载量。但作为资深建设者，我们必须直面那个温差： * 在工程实现上，帮你搞定 PDF 里的表格确实很爽，但这足以支撑一家初创的估值吗？ * 在Vibe Coding盛行、大模型厂商开始下沉并原生支持数据的今天，单纯的Plumbing还能维持多久的技术红利？ 本期节目，Lewis和Will深度拆解了这家由前CIA分析师创立的明星项目。讨论了它如何利用ChatGPT发布前的空窗期，通过的深度绑定和开源快速占领开发者心智。面对Vibe Coding带来的开发门槛下降，以及OpenAI、Google等巨头直接在接口端集成文件处理能力，第三方工具的结构性摩擦正在显现。 针对Unstructured.io面临的0.02%极低付费转化率及云服务商的围剿，我们结合各自在微软和Google的实战经验，为企业级数据创业指出了三条路：垂直化深耕、深度整合平台生态、以及从简单的RAG转向更硬核的Context Graph建设 。这是一场关于“护城河”消失与重构的深度复盘。 我们在这期聊到的一些公司和话题： * Unstructured.io (https://unstructured.io/) * OpenAI据传开始研发自己的手机 (https://www.theverge.com/ai-artificial-intelligence/924063/openai-phone-rumors-2027-ming-chi-kuo) * Vertex AI重新命名Agent platform (https://cloud.google.com/blog/products/ai-machine-learning/the-new-gemini-enterprise-one-platform-for-agent-development) * Lovelace.ai (https://lovelace.ai/) 时间线索引 00:00 新系列开场：拆解早期初创的商业模式与技术护城河 。 00:45 Unstructured.io 的野路子：CIA背景的创始人和文档脏活”。 02:57 从智能到管道：为什么Plumbing在RAG时代更具穿透力 。 08:14 开源与PLG陷阱：600 万次下载背后，为何换不来高效的企业级转化 。 11:18 大模型原生下沉与Agentic Search对传统管道的降维打击 。 24:24 CEO视角的破局方案：垂直化深耕、Context Graph建设与寻找Founder-Product Fit 。

在 AI Lab巨头不断迭代的背景下，初创公司的边界在哪里？本期节目中，Lewis 和 Will 结合自身在硅谷的观察与实战经验，深度拆解了垂直领域AI (Vertical AI) 的创业机会。我们聊到了为什么VC正在从看好平台型公司转向量化垂直领域的深度，以及如何利用领域知识 (Domain Know-how)和私有数据在法律、农业、医疗等传统行业构建核心壁垒。 * VC为何警惕模型层创业，以及初创公司如何通过深挖垂直业务场景来避免被大模型一波带走。 * 为什么“技术大牛 + 行业老炮”是 AI 时代最完美的创业拍档？ * 我们深挖了几个行业案例 * Harvey AI: 法律初创公司如何通过ChatGPT切入，并迅速拿下普华永道等大单。 * EvenUp: 如何利用法律文书等 LLM 无法爬取的“私有数据”构建护城河。 * Blue River Technology: 斯坦福博士如何通过给杂草喷农药这个极其细分的场景，被John Deere以3.05亿美元收购。 * AI时代的“个人 SaaS”: 讨论了随着AI提效，未来的软件行业是否会像自媒体一样，进入万众SaaS的繁荣时代。 本期我们聊到的话题： * Harvard Business Review - Heavy Machinery Meets AI * Uber CTO说4个月用完了全年的Claude budget * John Ternus接管Apple掌门人 时间线索引 00:00 播客开篇：为什么在AI创业中选择“小而美”的垂直赛道 01:59 避开LLM wrapper陷阱：投资人眼中的硬核技术与垂直壁垒 05:32 完美的创业组合：当Domain knowledge撞上工程实现 09:00 Harvey vs EvenUp：深度垂直与私有数据带来的非线性优势 13:32 工程思维 vs 业务思维：从处理dirty work到构建知识图谱 15:42 寻找生态位：服务AI labs的plumbing work与模拟环境构建 17:13 定制化粘性：复刻Palantir模式，提高客户的迁移成本 24:52 案例复盘：Blue River如何靠解决一颗“杂草”实现数亿美金退出 30:56 个人SaaS时代的到来：大厂裁员背景下的long tail机会 36:03 终极思考：当AI接管了专业技能，人类的价值锚点在哪里