“现在到底是谁在读你的产品文档？”
“一个 Agent，为什么可能需要一个数据库？”
“如果 Agent 忘记了用户，丢失的究竟是上下文，还是一段关系？”
继上午围绕全球化、本地化、增长引擎与 Founder IP 的讨论之后，下午的议题深入至 Agent 产品、商业模式与 Infra 技术路线等核心领域。
长期从事 SaaS 与 AI Infra 数据和产品增长工作的李孟颖，从 PLG（产品驱动增长）的底层规律出发，探讨当 Agent 开始替人搜索、阅读文档、选择工具时，增长环节的重构逻辑；给 TiDB 写下第一行代码、如今担任 Chief AI Officer 的唐刘，则分享了 TiDB AI 产品的进化之路：一个数据库团队如何在客户不断提出的“奇怪问题”推动下，逐步构建出全新的 AI Infra 产品线。
一、从 SaaS 到 AI Infra：PLG 增长的跃迁与重构
李孟颖曾负责 Notion 的 Growth Data Science 与 MotherDuck 的数据和产品增长，现任硅谷头部 AI Eval 公司 Braintrust 的 Head of Data and Product Growth。她指出，许多团队口中的 PLG 并非业务层面的真正 PLG。
真正的 PLG 需同时满足三个条件：
- 用户自助付费，销售不在场；
- 用户留存率高且使用量持续增长；
- 自助增长路径贡献的收入占比极高，不可或缺。
若仅有自助购买入口却贡献微薄收入，不能视为拥有 PLG。PLS（产品驱动销售）同样是健康模式，即产品培育线索，销售负责转化。真正的问题在于过度依赖销售人力追踪每个注册用户，这实质是 Sales-led 披着 PLG 的外衣。
这一辨析对 AI Infra 尤为重要。PLG 具有复利效应，产品能自行教会用户并交付价值，同时为销售输送高质量线索。但这需要长期的工程投入，且团队需接受部分用户来源不可控。对于集成复杂、价值显现滞后或使用者与采购者分离的产品，企业销售往往比纯 PLG 更有效。
1. 漏斗未变，但交互主体已变
PLG 的物理规律并未因 AI 消失：获客、激活、转化、付费与留存仍是基本路径，SEO、付费搜索、KOL 等手段依然有效。变化在于每一层与产品交互的主体。
开发者不再总是亲自挑选工具，而是由编程 Agent 代为搜索、比较并执行。Agent 能否在回答中引用并推荐你的产品，直接影响获客。因此，AI 可见性已成为产品增长的关键部分。
激活环节的变化更为直观。过去，用户靠文档学习使用产品；现在，文档的第一读者往往是 Agent。Mintlify 服务的网站中，来自 AI Agent 的流量占比已从一年前的不足 10% 升至约 60%。这意味着文档必须结构化清晰、代码块可直接运行，以便 Agent 在有限上下文中理解产品并完成集成，将用户引导至“价值时刻”。
产品界面也面临新取舍。美观的页面易被 Vibe Coding 复刻，但信息架构与导航设计决定了用户能否理解功能边界并找到付费入口。Prosumer（专业消费者）并未消失，Agent 仅替其完成筛选和操作，最终决策权仍在人手中。
2. 模型迭代加速，PMF 需持续校准
当模型每月更新、工作流每周变化，产品团队面临的不再是单次 PMF（产品市场契合度）验证，而是一场持续校准。美国 AI 公司高度重视 Day Zero Support（首日支持）：新模型发布后，产品能否立刻支持并提供评测、模板或最佳实践，本身就是一次营销事件，证明了团队跟上用户工作流变化的能力。
Braintrust 的产品迭代印证了这一点：早期关注 Prompt 版本与模型效果；Agent 出现后，转向观察 Agent 在真实环境中的行为；随着 Vibe Coding 与成本控制成为焦点，产品又需清晰呈现 Trace 的内容、质量与成本。用户的期待被新模型不断重置，PMF 不再是永久保存的成绩单，而是需要反复验证的假设。
3. 替换成本下降，需重塑“自建 vs 购买”的价值主张
Vibe Coding 降低了构建和替换产品的成本，迫使所有 AI 公司回答一个犀利问题：用户为什么要买，而不是自己搭？
许多企业级产品功能繁多，但用户高频使用的仅一小部分。面对赛道同质化，用户不愿为用不上的能力付费，更担心产品能否跟上快速变化的需求。因此，团队需讲好 Build vs. Buy 的故事：Demo 只是首付，后续维护、可靠性、兼容性与工程投入才是昂贵之处。让客户计算全生命周期成本，比单纯罗列功能更具说服力。
另一层难被复制的能力来自用户行为数据。每家公司都在变成数据公司，但前提是清晰的用户同意与可信赖的治理，以此进行个性化、训练循环或发现新需求。
4. 定价锚点：从人头移向用量与结果
AI 产品的定价尚无标准答案。Seat（席位）定价曾很直观，但 AI 使用量呈长尾分布：多数人消耗不高，少数重度用户占去绝大部分 Token 成本。收入随席位走，成本随模型调用走，两者极易偏离。
目前常见的尝试有三种：Token 定价、Credit 定价与 Outcome（结果）定价。Token 对技术用户最清晰，但不一定适合所有买家；Credit 方便预购，但用户常困惑于实际所得；Outcome 最贴近业务价值，但“好结果”的定义与判断主体仍是难题。
Notion 的案例颇具代表性：从固定 AI 附加包，到纳入高价 Business 席位，再到 Agent 层增加 Credit 计量。定价需随产品形态、用户行为与成本结构动态调整。
二、为什么要给 Agent 换套 Infra？
“我们有一个奇怪的问题。”这是唐刘分享中频繁出现的一句话。TiDB 走向 AI Infra 并非源于宏大的 Roadmap，而是由一个个客户带着不同场景的需求推动而成。从 2015 年写下 TiDB 第一行代码，到 2025 年重写 AI 代码，唐刘见证了一个数据库团队被现实推着重写边界的过程。
1. 从解决规模问题，到成为 AI 应用本身
最初的需求看似传统互联网问题。某头部大模型公司在开源模型发布后，亿级用户涌入，原有 PostgreSQL 分库分表方案难以承受，最终迁移至 TiDB。这是 TiDB 熟悉的扩展能力。
随后，Dify 提出了不同要求：希望每个工作空间拥有独立数据库，从系统设计之初就纳入数据隔离与计费。数据库不再只是应用底部统一的层，开始成为每个应用空间的一部分。
更进一步，一家通用 Agent 平台提出"100 万个数据库”的需求，每个 Agent 都要拥有自己的数据库，并由 Agent 自主管理创建、Schema 设计、SQL 生成及查询删除。在此场景下，数据库的一等用户不再是 DBA 或研发，而是 Agent。为人设计的数据库与为 Agent 设计的数据库，已是两件不同的事。
2. 当 Agent 会失忆，数据库存储的不仅是数据
Compression 后重要信息是否丢失？不同 Session 间如何继承经验？多个 Agent 如何共享记忆？这些问题直接决定 Agent 能否持续工作与陪伴。唐刘用"Agent 忘记了我”描述这种体验：对于承担情感陪伴或长期协作的 Agent，失忆不仅是技术故障，更会让用户失去上下文、信任与连续性。因此，TiDB 开始提供跨 Session、可继承、可协作的长期记忆能力。
在 Agent 时代，数据组织起来后，可能成为一个人被理解和被记得的方式。
3. 文件、Sandbox 与 Git：Agent 的工作现场
智能硬件客户曾提出：“你作为数据库，能不能帮我们存文件？”在 AI 场景中，一个文件往往涉及对象存储、元数据、向量检索、权限、版本等多重维度。自建分布式系统成本高且偏离主业。
这促使 TiDB 走向 TiDB File System，使文件成为带有权限、版本、关系与可检索信息的动态实体。Agent 在 Sandbox 中编写、编译和执行任务，环境崩溃可能导致工作区与中间结果丢失。客户需要的不是短暂的计算容器，而是能挂载、持久保存工作状态并适配 Git 工作流的存储系统。文件系统的性能不仅关乎容量，更需理解 Coding 的真实工作方式。对正在“干活”的 Agent 来说，文件和状态本身就是工作现场。
4. 当 Agent 创造营收，基础设施需成为统一底座
做 Agentic Payment 的客户关心的不止支付成功与否。以 Clink 为例，商户收入、模型盈利能力、Prompt 投入产出比、Agent 成本等均需分析。传统数据仓库面向人类分析师，而 Agent 需要能与实时业务交易一起存储、分析的数据系统。
TiDB 的产品形态从数据库、长期记忆、文件系统，自然生长为面向 Agent 的数据湖。唐刘将其归纳为统一存储层：一套承接状态、记忆、文件与数据处理的底座。
底座之上，生产级 Agent 还需解决执行地点、数据访问治理、操作审批、故障恢复与重放、行为观测等问题。当 Agent 数量增至数千数万，基础设施将重新成为系统稳定运行的关键。
"AI 不会消除基础设施，AI 让基础设施再次显现。”
今天看似奇怪的客户问题，正是明天所有 Agent 系统绕不过去的基础能力。
三、Panel 1：全球化不止欧美，南美、东亚看过来！
全球化路径多样，美国、拉美、日本及东亚市场背后是不同的用户习惯与商业结构。本场 Panel 由 Deel 亚太区 VC 及初创生态负责人 Chloe Xue、Seekee AI 联合创始人许乐洋、Ateve AI 联合创始人兼 COO 延君晨、TiDB North America and EMEA GM Ben Yang，以及小影科技 C 端产品 CEO 林晓冬共同参与。
1. ToB 的第一道门：产品与“超额服务”
Ben 认为，北美不仅是市场高地，更是技术与品牌高地。TiDB 创业之初便锁定美国市场。作为开源公司，社区助其跨越地域找到用户，但开源用户不会自动转化为付费客户。在北美商业化启动前，TiDB 已通过线下和远程社区活动积累了一批早期技术支持者。
商业化的关键在于拿下前 10 个客户。北美有许多营收可观但未获大厂充分服务的企业，它们渴望更及时深入的技术支持。后来者若能更快响应、投入更多工程资源，便有机会靠“超额服务”拿下早期客户，进而辐射全球市场。
延君晨补充，日本路径有所不同。Dify 最初作为开源产品在当地积累用户，难点在于如何将用户转化为长期客户。品牌信任、支付交付及海外公司稳定性是主要顾虑。Dify 的解法是先依托云厂商和本地合作伙伴建立信任，再逐步建立本地实体，用本地货币和长期投入回应顾虑。
日本企业集团关系紧密，适合先与大型企业或关键合作伙伴建立联系，借力带动更广泛机会。Dify 联合多家大型企业和伙伴成立行业协会，将部分主导权交给当地伙伴，换取更快的市场渗透。
2. AI ToC 冷启动：不能只卖新功能
林晓冬观察到，AI 改变了 ToC 产品冷启动的前提。过去靠领先功能吃技术红利的时代已结束，模型能力普及迅速，单个功能难撑长期差异。小影持续投入本地化和内容适配，因为通用产品难贴合东亚用户的语言与文化习惯。
普通用户往往不知 AI 能帮自己做什么，或不知如何复现效果。产品需将抽象能力翻译成社交分享、个性表达、日常创作等具体场景。此外，模型成本迫使商业化更早介入，获客方式、素材与流程均需为付费转化打底。
许乐洋在拉美的经历提供了另一种验证。团队判断 ChatBot 门槛过高，而大量拉美用户尚未接触 AI，于是通过浏览器嵌入简单功能降低门槛。两个月内做出原型，塞入几十个实用 AI 功能，依靠用户社群与当地走访校正方向。
数据显示，拉美用户愿意订阅的产品数量和价格区间均超预期，团队据此重新评估了定价策略。
3. 触达决策者：生态即渠道
Chloe 指出，合作伙伴不一定是同行，关键在于能否触达决策者。VC、云厂商、ERP 服务商、咨询公司等看似无关，却可能握着目标客户的关键入口。Deel 与 SAP 的合作便是互补典范：对方有进入新市场的优质客户，Deel 提供全球化雇佣与合规能力，合作成为双方新的增长点。
她提醒创业者，进入多市场不代表每件事都要从头做。越早找到接近决策者且能扛住本地复杂性的伙伴，团队越能将精力聚焦于产品与业务本身。
四、Panel 2：给 Agent 的“锤子”够了吗？
半年过去，Agent 工具虽走向大众，但“能用”与“稳定成事”之间仍隔着模型、上下文、搜索与数据基础设施等挑战。本场嘉宾包括 WaytoAGI 发起人 AJ、EvoMap AI 创始人张昊阳、Exa AI Asia Lead Shef Wang，以及 Zilliz 联合创始人兼产品副总裁郭人通。
1. 模型能力与 Harness：谁决定 Agent 效能？
AJ 观察发现，普通用户使用 Agent 的首要问题仍是选什么模型。即便工具相同，模型不同，任务完成的质量与效率差异巨大。工具公司若仅提供调用界面，价值有限；真正的竞争在于谁能帮用户选对模型，或让模型更稳定地完成工作流。
张昊阳认为，模型决定能力上限，Harness（驾驭机制）决定能力释放程度。Harness 包括任务拆分、信息提供、经验保留及结果验收等整套工作方式。创业公司的机会不在于做通用入口，而在于解决企业具体问题，如知识调用、多 Agent 协作及人机介入环节。
2. 搜索优化：别让上下文浪费在检索上
Shef Wang 指出，搜索是长程任务中最易被忽略的一环。主 Agent 上下文宝贵，若每次搜索返回大量内容直接塞回，既烧 Token 又占用推理空间。更好的做法是设立独立的搜索 Agent，专门负责摸清检索路径，仅将筛选后的少量结果交回主 Agent。
搜索 Agent 可按需调取企业私域数据或行业数据库，几秒钟内完成筛选整理。对用户而言，重要的是简单入口给出可靠结果；对 Agent 而言，重要的是将注意力留给真正需要推理和执行的地方。
3. 数据爆发：基础设施需兼顾规模、可靠性与成本
郭人通观察到，AI 客户面临数据规模加速增长但价值密度未必同步提升的挑战。Agent 持续运行会源源不断产生新数据，既是资产也是负担。
Agent Infra 不仅要解决存储问题，还要在保证可靠性的同时控制成本。Zilliz 从向量数据库走向向量数据湖，正是为了应对大规模、低成本的存储需求：“数据规模越大、价值密度越稀，底层架构就越需要为大规模、低成本的存储而生。”
五、Panel 3：超级个体与全球社区，AI 时代新增长
AI 放大了个人创造力，也重塑了市场进入与社区关系。终场 Panel 探讨了人在新市场中如何建立信任，并借助社区与持续表达累积信任。嘉宾包括 WaytoAGI 发起人 AJ、Alignify 创始人 Kostja、Jobright AI 联合创始人 Ethan Zheng，以及 Rokid 全球开放生态负责人 Weiqi。
1. 新市场信任：靠认真服务与长期主义
Weiqi 在日本市场的体会是，产品力只是起点。日本用户付费前会反复确认细节，一旦选定则给予长期信任。说明书质量、客服响应、线下见面等均属产品体验一部分。
Rokid 从 2023 年起深耕当地，最初仅在大会公共区域摆摊接待用户，如今其中一些人已成社区伙伴。进入日本市场最重要的不是博声量，而是“不停地出现”，与用户和伙伴线下交流，将商业关系转化为共同解决问题的伙伴关系。Founder IP 亦是如此：不仅是创始人露脸，更是团队、用户与创始人共建的信任通道。
2. 美国市场：高回报建立在信任成本之上
Ethan Zheng 认为，美国仍是值得投入的市场，但对中国团队难度递增。模型与获客成本上升，高价值用户竞争激烈。研发成本优势正被 AI 编程工具拉平，难以替代的是触达用户、建立信任并打入当地业务网络的能力。
Ethan 将 Founder IP 视为长期高回报渠道，前提是将创始人包装成“成功故事”，而是持续、真实地表达判断、经验与失败。短期互动数据不重要，重要的是将其作为长期投入，让市场逐步认识并相信团队解决的问题。
3. 专业服务变革：从“写方案”到“直接交付”
Kostja 感受到 AI 正在改变专业服务交付方式。过去靠长篇文档和会议，客户难想象落地效果；现在可直接搭建样例网站或在镜像版本上修改，实现“所见即所得”。这不仅加速交付，也改变了协作关系。
营销、设计、前端乃至财务行政流程，都因 AI 和 Agent 被重组。专业能力不再仅体现于提出建议，更体现于能否迅速将建议变为可讨论、可验证的实体。
4. 社区价值：提供第一层信任
AJ 分享案例：一位从业者用 Vibe Coding 做出短剧后台 Agent，在 WaytoAGI 直播展示后，社区用户反馈并背书，带来实打实的营收增长。对寻找第一批用户的产品而言，这种关系比泛泛曝光更值钱。
社区的魅力在于让 Builder 公开作品、获取建议，并在互信环境中完成首发。成员分享底层原理与商业思路，形成自发协作网络。产品越多、变化越快，社区越能成为连接产品、用户与新机会的基础设施。
整个下午，从产品 PMF 的探寻，到 Agent 工作机制的解析，再到全球化市场与新协作关系的展望。技术在加速，产品边界在变化，但核心问题始终未变：
用户需要什么，团队能否持续理解他们，又能否把复杂性留给系统，把价值交给用户。
感谢 Global Partners Stripe 和 Akamai 对 Scale X 2026 的特别支持。Linkloud 的开场分享完整实录将单独整理发布。
关于分布式 AI 推理如何从中心云走向边缘，Akamai 也在会后分享了他们的观察与实践。