1.关于AI创始人应提问问题的对话——Jordan Fisher的分析（
来自YC）
2.关于教育大变革的对话——Accel投资分析（来自Accel）
3.关于构建“住房领域的亚马逊”的对话——Opendoor CEO Kaz Nejatian实践分析（来自a16z）
4.关于Greylock Change Agents: Agents for Complex Software Engineering的对话——Resolve AI实践分析（来自Greylock）
5.关于Snowflake销售与营销领导力经验的对话——Chris Degnan和Denise Persson实践分析（来自Kleiner Perkins）
来自YC
关于AI创始人应提问问题的对话——Jordan Fisher的分析
对话者：Jordan Fisher，Standard AI联合创始人兼CEO，现任Anthropic AI对齐研究团队负责人
概要
Jordan Fisher在AI Startup School演讲中，以“Every AI Founder Should Be Asking These Questions”为主题，分享了他对人工智能（AI）未来发展的深刻困惑与思考。作为一位经验丰富的创业者和AI研究领导者，Fisher强调，在通用人工智能（AGI）可能在未来几年内到来的背景下，创业者不应盲目追求答案，而应聚焦于提出关键问题，以应对快速变化的技术环境。他通过一系列开放式问题，探讨了创业策略、产品开发、团队构建、信任安全、对齐挑战等核心议题，旨在帮助AI创始人重新评估自身定位，并在不确定性中寻找机遇。Fisher的演讲不仅基于其个人在Standard AI和Anthropic的实践，还融入了对行业趋势的观察，呼吁创业者以问题驱动的方式，构建具有长期价值的企业。
主题论述
Jordan Fisher的演讲以“困惑”为起点，他认为在技术快速迭代的今天，困惑是创新的催化剂。作为AI领域的资深从业者，Fisher坦言自己以往能预测5-10年的技术趋势，但现在仅能看清未来几周的变化。这种不确定性促使他提出一系列问题，旨在引导AI创始人在AGI临近的时代重新思考创业的方方面面。
1. 创业必要性与策略规划
Fisher首先质疑在AI革命中是否应该创业。他指出，传统创业建议强调“专注”，但AI的颠覆性要求创始人同时关注所有领域——从产品到招聘，再到市场策略。这种矛盾在AI时代被放大，因为技术变革可能使当前策略在短期内失效。Fisher建议，创始人不应仅基于现有模型能力规划产品，而应预见未来2-3年AGI的可能到来，并据此调整策略。例如，他提到企业采购周期可能因AI智能体的介入而加速，从而改变市场竞争格局。
为了更清晰地展示Fisher对创业策略的见解，下表总结了相关关键问题及其潜在影响：
关键问题类别
|
Fisher的观点摘要
|
对AI创业者的启示
|
是否应该创业？
|
在AGI临近的背景下，创业机会与风险并存；短期（6-18个月）可能有机会快速获利，但长期需考虑防御性。
|
创业者需评估自身目标：是追求短期收益，还是构建具有持久影响力的企业。
|
策略规划时限
|
不应只规划6个月，而应思考2-3年后的AGI场景；但需平衡不确定性与具体行动。
|
采用敏捷策略，定期重新评估产品路线图，确保与技术进步同步。
|
企业采购变化
|
AI智能体可能加速企业决策，颠覆传统SaaS销售模式。
|
创业者需关注“买方”AI化趋势，开发能集成于企业智能生态的产品。
|
Fisher进一步以软件商品化为例，说明AI可能使软件开发变得高度自动化。他提出，企业可能不再依赖外部SaaS提供商，而是通过内部团队使用AI工具（如Cloud Code）构建定制软件。这种趋势可能垂直领域差异化明显——某些行业（如材料科学）因依赖专有数据而保持优势，而其他领域则面临完全商品化。
2. 产品开发与用户界面（UI）演进
在产品层面，Fisher强调AI将根本改变软件形态。他提出“按需生成代码”（on-demand code generation）的概念，即用户无需下载应用，而是通过自然语言指令实时生成功能。然而，这带来信任挑战：AI是否能在数据库层面安全地执行新行为？Fisher认为，信任将成为产品成功的核心因素。此外，他讨论了生成式UI（Generative UI）的潜力，强调多模态交互（如语音、图像和文本融合）将重塑用户体验。
下表总结了Fisher关于产品开发的关键问题及案例：
产品开发维度
|
关键问题
|
案例或场景分析
|
软件商品化
|
软件是否会完全商品化？企业是否会更倾向于内部开发？
|
例如，TSMC和ASML等公司拥有专有数据，可能抵抗商品化；而消费者应用可能被按需生成替代。
|
UI演进方向
|
生成式UI还是全新交互范式？
|
Fisher提到多模态交互的上下文依赖性（如用户在拥挤环境偏好语音输入），强调“以用户为中心”设计。
|
按需代码生成
|
是否应该构建实时代码生成产品？
|
潜在优势：个性化体验；挑战：需要高度可信的AI系统，防止安全漏洞。
|
Fisher还对比了“改造现有产品”与“构建AI原生产品”的优劣。他指出，尽管AI原生产品可能更具创新性，但拥有分销渠道的现有企业通过集成AI也可能胜出。这一观点凸显了垂直领域差异，鼓励创始人基于因果机制验证假设。
3. 团队构建与文化变革
在团队管理方面，Fisher提出AI是否会使团队规模进一步缩小。他认为，AI原生团队可能拥有效率优势，但这种优势可能随时间变化而失效，因为AI能力每6-12个月就会迭代。因此，团队需不断“改造”自身，适应新技术。Fisher特别强调文化的重要性：在自动化程度提高的背景下，人类员工的多样性曾是伦理护栏，但AI驱动的团队可能缺乏这种制衡，增加恶意行为风险。
为了说明团队构建的挑战，下表整合了Fisher的相关论述：
团队构建要素
|
Fisher的提问与洞察
|
潜在解决方案或考量
|
团队规模与结构
|
AI原生团队是否比传统团队更高效？
|
需平衡自动化与人类监督；例如，AI原生公司可能更灵活，但需防范单一决策点风险。
|
文化信任机制
|
如何在没有人类多样性的团队中维持伦理？
|
Fisher建议引入AI驱动的审计系统，确保公司行为符合使命声明。
|
安全与协作
|
个人与工作智能体如何安全协作？
|
例如，智能体需在信息隔离前提下协同工作，防止数据泄露。
|
Fisher以智能体（agent）为例，深入探讨了信任问题。他描述了一个场景：用户希望个人智能体与工作智能体协作，但担心雇主获取隐私信息。这引申出对齐（alignment）挑战——即使AI模型本身对齐，代理其行为的公司可能不按用户利益行事。Fisher警告，在小型团队中，单一决策者可能滥用AI，导致信任危机。
4. 信任、安全与对齐挑战
Fisher将信任视为AI生态的基石。他提出，在AI能力增强的背景下，如何确保智能体（agent）和其背后的公司可信？例如，如果一家初创公司使用AI进行广告推荐，智能体可能偏向公司利益而非用户需求。Fisher认为，传统信任机制依赖人类员工的制衡（如举报机制），但AI自动化可能消除这一层，因此需要新的护栏。
下表概述了Fisher在信任与对齐方面的关键问题：
信任与对齐领域
|
具体问题
|
Fisher的见解与建议
|
智能体对齐
|
如何确保智能体长期忠诚于用户？
|
经济压力可能推动对齐研究，因为长周期智能体需要更高可靠性。
|
公司信任构建
|
如何让用户信任AI驱动的初创公司？
|
提议AI驱动的审计（AI-powered auditing）：中立AI系统定期审查公司行为，确保符合伦理承诺。
|
安全模型演进
|
按需代码生成如何保障数据库安全？
|
需要突破当前AI信任瓶颈，例如通过形式化验证或实时监控。
|
Fisher特别强调AI驱动审计的潜力：审计AI可以在检查后删除记忆，避免知识产权泄露，从而提供比人类审计更高的安全性。他鼓励创始人考虑公开承诺并绑定审计，以建立用户信任。
5. 数据优势与防御性构建
在数据层面，Fisher质疑专有数据是否仍能提供竞争优势。他指出，早期AI依赖定制数据集，但大型语言模型（LLM）的通用性使许多场景下微调（fine-tuning）变得不必要。然而，在某些垂直领域（如材料科学或半导体制造），专有数据可能仍是关键优势。例如，TSMC和ASML拥有未公开的隐性知识，前沿LLM无法复制。
Fisher还讨论了防御性（defensibility）问题：在AGI时代，如何构建持久优势？他建议聚焦“难题”，如基础设施、能源或芯片制造，这些领域因技术复杂性而可能抵抗快速商品化。此外，他提出“智能天花板”（intelligence ceiling）概念：某些任务（如诗歌创作或代码生成）可能很快达到质量饱和，加速商品化压力。
下表总结了数据与防御性相关议题：
数据与防御性维度
|
关键问题
|
案例分析与启示
|
数据价值
|
专有数据是否仍有优势？
|
垂直领域如材料科学可能保持优势；通用领域可能被LLM覆盖。
|
防御性策略
|
在AGI世界中如何保持竞争力？
|
聚焦硬科技问题（如芯片制造），或利用技术瓶颈（如算力限制）构建临时优势。
|
智能天花板
|
任务质量是否会有上限？
|
例如，视频生成（如Veo3）已接近人类水平，饱和后商品化压力增大。
|
6. 社会影响与伦理考量
Fisher将问题扩展到社会层面，包括AI中立性和财富分配。他警告，如果少数公司控制AI系统，它们可能成为“仲裁者”，决定什么行为被允许。类比电网中立性，他呼吁探讨“AI中立性”的必要性。在经济层面，Fisher指出AGI可能加剧财富集中，因为资本可能脱离劳动依赖，导致政策挑战如全民基本收入（UBI）或基本计算权。
在演讲尾声，Fisher批评了行业内的“群体思维”，鼓励创始人独立思考。他强调，改变世界比赚钱更重要，尤其是在AI定义人类未来的关键时刻。他引用YC口号“构建人们想要的东西”，但建议深化为“构建社会需要的东西”，以确保长期积极影响。
总结或展望
Jordan Fisher的演讲以问题驱动的方式，为AI创始人提供了一个应对不确定性的框架。他不仅揭示了技术变革的紧迫性——如AGI可能在2-3年内到来——还强调了伦理、信任和长期规划的重要性。Fisher展望未来，认为创始人若能持续提问并适应变化，将有机会在AI革命中引领正面向变革。他呼吁创业者超越短期利润，构建可信、有价值的产品，从而在可能的人类历史转折点上留下印记。最终，这场对话提醒我们，在AI时代，问题本身比答案更具力量——因为唯有通过不断质疑，我们才能导航未知，塑造更好的未来。
来自Accel
关于教育大变革的对话——Accel投资分析
对话者：
- Sara Ittelson: Accel 合伙人，专注于早期消费、企业和AI领域投资
- Vas Natarajan: Accel 合伙人，专注于数据基础设施、API和企业软件领域早期投资
概要：
Accel风险投资的合伙人Sara Ittelson与Vas Natarajan聚焦人工智能如何重塑教育体系的深度探讨。对话深入分析了AI对教师教学实践、毕业生就业市场、传统学历价值以及教育科技（Edtech）投资格局带来的根本性变革。对话围绕AI作为教学“力量倍增器”的应用、就业市场“入口级紧缩”现象、学徒制回归、学历贬值趋势以及Edtech投资的复杂性与机遇等核心维度展开论述，为理解教育领域的范式转移提供风险投资视角的洞察。
主题论述
1. AI作为教学的力量倍增器：从内容创作到个性化学习
AI正迅速成为教师工作中不可或缺的工具，尤其在教学材料准备和个性化教学方面发挥着“力量倍增器”的作用。传统的教学工作流程中，教师需要花费大量时间手动准备教案、演示文稿、形成性评估和学习指南。AI能够一键生成这些材料，并根据特定的阅读水平、学习目标和词汇进行定制，这彻底改变了教师的工作方式。
表格1：AI在教学准备中的典型应用与价值
应用场景
|
传统方式痛点
|
AI解决方案
|
核心价值
|
教案与课件生成
|
耗时数小时手动创建
|
输入内容主题与要求，一键生成演示文稿与教案
|
将教师从重复性劳动中解放出来
|
个性化评估
|
难以针对不同学生水平准备多套题目
|
生成不同难度、不同变体的新颖题目与学习指南
|
实现真正的课堂个性化教学，满足学生差异化需求
|
教学内容调整
|
固定教材，难以动态调整
|
指定阅读水平、学习目标和核心词汇，AI即时调整内容
|
使教学内容更精准地匹配学生当前认知水平
|
案例表明，一位几何教师通过使用AI工具，在课程计划制定和评估工具开发方面的工作效率得到了极大提升。然而，AI也带来了挑战，特别是学生可能使用“作业助手”类AI工具来完成作业，而非真正理解知识。对此，前沿的教育工作者正从“猫鼠游戏”转向利用AI创建受监督的学习环境，并设计更具挑战性的应用型任务，如基于项目的“火箭建造计划”，让学生在解决复杂问题的过程中综合应用所学知识。
2. 就业市场变迁与人才培养范式转移
AI的普及正导致就业市场的结构性变化，并对教育系统的人才培养目标提出了新的要求。
- 入口级工作的消失：来自ADP和斯坦福大学的经济学家数据显示，诸如客户支持代表、研究分析员等传统入口级职位正面临被AI替代的风险。这导致企业对应届生的能力要求显著提高，毕业生需要具备解决更高复杂度问题的能力。
- 能力要求的变化：毕业生需要掌握的核心能力从记忆与理解等低阶认知技能，转向项目管理和执行功能等高阶技能。他们必须懂得如何利用AI工具，并具备将复杂任务分解、与人和AI协作解决“棘手问题”的能力。
- 学徒制的回归：随着入门级“垫脚石”岗位的减少，企业为保持人才梯队，可能重新重视学徒制。新模式可能体现为：新员工在更有经验的同事指导下，或直接与AI协作，从事更高级别的工作。例如，咨询行业的新人过去可能花费大量时间查找数据，而现在他们可以与AI辩论模型中的权重分配，从而更早地参与战略性思考。
表格2：AI时代前后就业市场与教育重心对比
维度
|
AI时代之前
|
AI时代趋势
|
对教育的启示
|
入口级工作
|
大量知识性、重复性工作，作为职业起点
|
被AI自动化，数量锐减
|
教育需跳过传统“垫脚石”，直接培养学生的高阶能力
|
核心技能
|
知识记忆、信息检索、标准流程执行
|
复杂问题解决、项目管理、AI工具协作、批判性思维
|
教学重点从“预训练”（知识灌输）转向“强化学习”（知识应用）
|
企业培养模式
|
通过执行标准化任务进行初级培养
|
通过指导与协作，在复杂项目中实现“学徒式”成长
|
学校需模拟真实工作环境，提供更多应用型学习体验
|
3. 传统学历的贬值与替代性“凭证”的兴起
AI的兴起加速了传统大学学位作为核心社会价值信号的侵蚀过程。对于最顶尖的年轻人才而言，学位的吸引力正在减弱，取而代之的是更具实践性的“凭证”。
- 新“凭证”体系：在斯坦福、MIT等顶尖学府，最优秀学生的“凭证”不再是学位，而是他们是否在创业、是否加入Neo Scholars或South Park Commons等精英社区，或者是否从Accel这样的机构获得了种子轮投资。
- 典型案例：Accel投资组合中的多家明星公司，如Scale AI的Alex Wang、Cursor以及Segment的创始团队，都是MIT等名校的辍学生。这表明，对于一部分极具创业精神的学生，高等教育体系已无法满足他们对生产力和实践应用的渴望。
- 教育机构的新焦点：当课堂内的知识传授部分被AI工具民主化后，大学校园内那些模拟真实世界的非正式经历（如社团管理、项目实践）的价值就更加凸显。这些经历在培养学生的软技能和综合素养方面变得至关重要。
4. 教育科技（Edtech）投资的机遇与复杂性
AI虽然为教育带来了变革，但并未从根本上改变Edtech领域投资的底层逻辑，其市场依然充满复杂性。
- 市场驱动力：就业市场的压力和对学生未来竞争力的担忧，将迫使学校系统更积极地采纳AI工具，这可能转化为可观的预算支出。
- 产品的市场定位挑战：纯粹的、垂直的教育AI工具可能面临市场天花板。例如，一个“最好的AI演示工具”可能会被Gamma这类通用的、功能强大的AI内容生成平台所覆盖。教育场景只是其众多应用场景之一，通用平台凭借更广泛的用户需求和更强的研发动力，可能在该细分领域也做得足够好。
- 复杂的采购决策链：Edtech市场最典型的挑战在于其多层次的决策结构：预算决策者（学区或学校）、部署实施者（教师）和最终用户（学生）通常是分离的。这导致了冗长的RFP（建议请求书）流程和复杂的客户关系管理。
尽管存在挑战，但对于那些愿意深入研究并攻克这些复杂性的创始人而言，教育市场依然存在构建大公司的机会。一旦破解了规模化销售密码，复杂的采购流程本身就能构成一种竞争壁垒。同时，采用“Bottom-Up”或“产品驱动增长”策略，通过吸引学生和教师个人使用，并让他们将产品带入职场，是一条被Gamma、Cursor等公司验证过的有效市场进入策略。
总结
AI正在引发教育体系自下而上的深刻变革，这一进程预计将在未来18至24个月内加速显现。总结而言，核心趋势体现在三个方面：
1.教学实践的重塑：AI将成为教师的标配工具，教学重心从知识传递转向能力培养，强调个性化与应用型学习。
2.人才价值的重新定义：传统学历的信号作用减弱，实践能力、创业精神与协作AI解决问题的能力成为新的“硬通货”。教育必须直面如何系统性培养学生高阶认知技能的挑战。
3.Edtech投资的双面性：市场存在巨大预算和迫切需求，但成功关键在于产品定位（是垂直专家还是通用平台的特色功能）以及是否有能力驾驭复杂的、多利益相关方的销售流程。
对于风险投资而言，教育大变革的时代蕴藏着巨大的机会，但成功的投资将更倾向于那些对教育生态有深刻理解、能够巧妙设计产品市场定位和进入策略，并且具备坚韧执行力以克服市场固有复杂性的创始人与团队。
来自a16z
关于构建“住房领域的亚马逊”的对话——Opendoor CEO Kaz Nejatian实践分析
对话者：
- Kaz Nejatian：Opendoor 首席执行官（CEO）
- Alex Rampell：Andreessen Horowitz (a16z) 普通合伙人（General Partner）
- Erik Torenberg：播客主持人
概要：
本对话内容聚焦新上任16天的Opendoor首席执行官Kaz Nejatian与a16z普通合伙人Alex Rampell关于重塑万亿美元住宅房地产市场的深度探讨。对话核心围绕Opendoor的使命——通过构建一个类似亚马逊的住房市场平台（Marketplace），来解决当前房地产交易中根深蒂固的低效、不透明和利益错配（Principal-Agent Problem）问题。报告将深入分析Opendoor从“房屋翻新商”（iBuyer）向“住房市场平台”的战略转型，剖析其面临的宏观环境挑战、公开市场压力，并展望其通过技术、规模效应和用户体验创新（如“7天无理由退房”）构建世代性公司（Generational Company）的愿景与路径。
主题论述
1. 愿景与根本问题：从iBuyer到住房领域的亚马逊
Opendoor的宏伟愿景并非成为一个精明的房产对冲基金，而是构建一个类似于亚马逊的、为住房服务的全球最大市场平台（Marketplace）。这一愿景根植于一个简单而强大的信念：住房自有率对社会有益，而当前的房产交易过程已然“支离破碎”，存在巨大的改善空间。
- 市场平台战略（The Marketplace Strategy）：Alex Rampell以亚马逊早期发展史作为类比。亚马逊通过提供“所有书籍”（近乎无限的供应）吸引了“所有购书者”（全部需求），继而利用其庞大的客户群逐步扩展到其他品类。同理，Opendoor的目标并非需要持有市场上100%的房源，而是通过在某些区域性市场（如夏洛特）达到一个关键的供应密度（据估计约为10%的房源），即可吸引近乎100%的购房者。一旦掌握了需求，平台就能对供应方产生强大的吸引力，从而启动飞轮效应，最终瓦解传统的多重上市服务系统（MLS）和中介佣金模式。
- 行业根本痛点：美国住宅房地产交易系统存在系统性问题。全美约有200万注册房产经纪人，但其中大多数年交易量为零。更为关键的是，传统的佣金结构（通常为房价的5-6%）造成了严重的委托-代理问题（Principal-Agent Problem）：买方经纪人的收入与房屋售价正相关，缺乏为买家争取最低价的动力；卖方经纪人则倾向于快速成交以获取佣金，而非为卖家争取最高售价。这种“一次性交易”的性质，加上购房低频（普通人一生约2次）的特点，导致了“利益集中、损害分散”的局面，使得改革异常困难。
表格1：传统房产交易模式与Opendoor市场平台愿景对比
维度
|
传统房产交易模式
|
Opendoor市场平台愿景
|
核心模式
|
代理人主导的离散交易
|
技术驱动的集中市场
|
价格与佣金
|
高额固定佣金（约5-6%），成本不透明
|
目标大幅降低交易成本，价格透明
|
供需聚合
|
依赖分散的MLS系统
|
通过关键区域供应密度（~10%）吸引全部需求
|
用户对齐
|
存在严重的委托-代理问题，利益不一致
|
平台与用户建立长期关系，利益一致
|
用户体验
|
流程冗长、不透明、压力大
|
简化流程，提供创新服务（如“7天退房”）
|
规模经济
|
由大量小型个体经纪人运作，无规模效应
|
通过集中化运营获得定价、服务和数据优势
|
2. 挑战与战略演变：宏观环境、认知误区与公开市场压力
Opendoor的发展历程并非一帆风顺，其战略在内部和外部因素的共同影响下经历了显著的演变和考验。
- 从愿景到“翻新商”的认知误区：在相当长一段时间里，Opendoor内外都将其本质视为一个房地产资产投资者，即专注于购买被低估的“错定价”房产。这导致公司策略倾向于只购买那些能提供足够安全边际的房屋。然而，这本质上是一个对冲基金模型，虽然可能盈利，但市场规模有限，无法成就一个平台型巨头。Kaz Nejatian明确指出，Opendoor应是一个软件公司，其目标是“以公平的价格买卖房屋”，而非仅仅寻找被低估的资产。
- 宏观环境的“完美风暴”：当公司持有大量房产库存时，遭遇了前所未有的宏观冲击。利率在极短时间内从近乎零水平飙升至4%（美国历史上罕见的快速加息），这导致了：1) 资产价格普遍承压；2) 购房需求因月供增加而下降；3) 风险资本收缩。这对于一个需要持有库存的市场做市商（Market Maker）而言是多重打击。Alex Rampell指出，此轮加息的速度和幅度是“极其不负责任的”，属于极小概率事件。
- 公开市场的压力与战略收缩：作为一家上市公司，Opendoor面临巨大的舆论和股价压力。Alex Rampell指出，私营公司的问题通常在董事会内部讨论，而上市公司的问题则会被放在Reddit和《华尔街日报》上公开审视。这种环境下，公司一度采取了过度保守的“避险”策略，大幅收缩业务，几乎放弃了最初的平台愿景。Kaz Nejatian形容他加入时的公司状态像是在“坚守待命”，而他则认为软件公司需要“始终处于进攻状态”。
3. 未来战略与竞争优势：回归初心与持续创新
Kaz Nejatian上任后的核心任务是将Opendoor重新拉回构建“住房亚马逊”的轨道，并明确了未来的战略重点。
- 核心战略方向：Kaz Nejatian表示，公司将摒弃制定僵化的五年计划，转而采用“位置性国际象棋（Positional Chess）”策略——即不断让自己处于更有利的位置，保持战略的灵活性。其三大工作重点是：
1.大幅改善卖家体验。
2.为买家创造前所未有的价值（此前公司几乎未涉足）。
3.致力于以公平价格买卖房屋，而非只寻找“错定价”资产。
- 构建差异化价值与竞争优势：
- “7天无理由退房”：Opendoor在达拉斯推出了类似亚马逊的“试用”服务，购房者可以在7天内退房。这是传统交易中不可想象的，其可行性源于Opendoor拥有大量房源，即使一个客户退房，他很可能购买公司的另一处房产，从而将一次性交易转变为长期关系。
- 解决交易摩擦：例如，帮助用户协调买卖房屋的交接时间，仅此一项就能为用户平均节省数个月的抵押贷款或租金支付。
- 规模经济：在房屋翻新定价、资本成本等方面，Opendoor作为大型平台能获得比个体经纪人或小型公司更优的条件。
- 捆绑金融服务：未来有望将抵押贷款、保险等环节整合进平台，利用其数据优势提供更优、更一体化的产品。
- 拥抱公众期待：Kaz Nejatian认为，广大公众对房地产交易现状的“直觉性”不满——例如“为什么不能像在亚马逊购物一样退换房子？”——是公司最宝贵的指南。他将这种“开放大军”的热情视为公司使命正当性的证明，并承诺积极与公众互动，从中汲取产品灵感。
总结
Opendoor正处在一个关键的战略转折点。在新任CEO Kaz Nejatian的领导下，公司正试图摆脱其作为单纯“iBuyer”或房产对冲基金的认知标签，回归其创立之初的宏伟蓝图：构建一个类似于亚马逊的、旨在彻底改造全球最大资产类别——住宅房地产——的交易平台。
成功之路布满挑战：公司必须克服根深蒂固的行业利益格局、应对复杂的区域性监管环境，并在公开市场的聚光灯下，顶住短期业绩压力，坚持长期主义。从Zillow iBuying业务的失败中可以看出，单纯依靠资本和算法寻找“错定价”资产的模型是脆弱且难以规模化的。
然而，机遇同样巨大：如果Opendoor能成功执行其市场平台战略，通过提供卓越的买家体验（如“7天退房”）和卖家价值来启动飞轮，它有望解决房地产交易中最核心的委托-代理问题和高摩擦成本。其最终形态将不是一个单纯的列表网站或翻新商，而是一个集交易、金融、保险于一体的，拥有深度流动性的住房生态系统。
Kaz Nejatian所展现出的“不惧争议”的定力和“持续进攻”的心态，是带领Opendoor穿越这场艰巨变革所必需的特质。构建“住房领域的亚马逊”是一场马拉松，但若能成功，Opendoor有望成为Alex Rampell所预言的“世代性公司”，并从根本上改变人们买卖房屋的方式。
来自Greylock
关于Greylock Change Agents: Agents for Complex Software Engineering的对话——Resolve AI实践分析
对话者：
- Mayank Agarwal：Resolve AI 联合创始人兼首席技术官（CTO）
- Rushin Shah：Resolve AI 工程副总裁（VP of Engineering）
- Corinne Riley：Greylock Partners 合伙人，节目“Change Agents”主持人
概要：
本报告基于Greylock Partners的“Change Agents”节目对话，聚焦Resolve AI的联合创始人兼CTO Mayank Agarwal和工程副总裁Rushin Shah分享的Agentic AI（智能体AI）在复杂软件工程中的应用经验。Resolve AI是一家专注于利用生成式AI和自主智能体自动化软件工程操作（如根本原因分析和生产调试）的初创公司。对话深入探讨了当前Agentic AI的能力、根本局限性以及开放研究问题，强调了如何将智能体AI转化为软件工程中不可或缺的工具。对话从软件工程挑战、Resolve AI的解决方案（如vibe debugging和知识图谱）、团队构建、数据案例及未来展望等维度展开论述。
主题论述
围绕Agentic AI在复杂软件工程中的核心应用展开。
1. 软件工程中的根本挑战：从代码生成到生产运维的瓶颈
软件工程不仅仅是编写代码，更涉及生产系统的运维、事件响应和合规性管理等复杂活动。Mayank Agarwal指出，工程师在实际工作中仅花费10-20%的时间编写新功能，其余时间主要用于操作化生产、处理事件、填写合规问卷和优化成本。这种时间分配不均导致工程团队在高速增长环境中面临巨大压力。
- 生产系统的复杂性：现代微服务架构使得系统高度分布式，例如在Splunk，生产中的微服务数量超过了工程师人数。这导致无人能全面掌握整个端到端系统，事件排查需跨越操作边界、使用多种工具并依赖部落知识（tribal knowledge）。
- AI应用的局限性：当前生成式AI工具（如GitHub Copilot和Cursor）虽能加速代码生成（提升2-3倍生产力），但并未显著缩短生产部署时间。Rushin Shah强调：“团队编写代码更快，但并未更快地部署到生产环境。”这凸显了代码生成与生产运维之间的脱节。
- 经济价值驱动：Agentic AI在企业环境中更具潜力，因为它能直接产生经济价值，而非像消费级AI那样“广而浅”。Rushin Shah解释：“消费级聊天机器人需面向多样用户，而企业AI可专注于深度自动化复杂任务。”
表格1：软件工程挑战与Agentic AI解决方案对比
挑战领域
|
具体描述
|
Agentic AI 解决方案
|
案例与数据
|
时间分配不均
|
工程师仅10-20%时间编写代码，其余用于运维
|
自动化事件响应和日常操作任务
|
Mayank Agarwal分享Splunk经验
|
系统复杂性
|
微服务数量超工程师，知识碎片化
|
构建知识图谱建模环境依赖关系
|
Resolve AI知识图谱自动学习任何新环境
|
生产调试难度
|
事件排查需多工具操作和部落知识
|
引入vibe debugging（氛围调试）
|
客户使用Resolve自动化SLO报告，节省每周2小时
|
代码生成与生产脱节
|
AI加速代码编写，但部署瓶颈未解决
|
结合vibe coding和vibe debugging
|
Rushin Shah指出“vibe debugging是缺失的一环”
|
Resolve AI团队通过生成式AI工具将代码编写速度提升2-3倍，但生产部署时间未同步改善。这证实了自动化复杂操作活动的紧迫性。
2. Resolve AI的解决方案：vibe debugging与知识图谱的核心作用
Resolve AI专注于利用Agentic AI自动化软件工程中的复杂操作任务，特别是通过vibe debugging（氛围调试）和知识图谱（knowledge graph）来模拟人类工程师的推理过程。
- vibe debugging概念：这是一种结合代码理解和生产行为分析的调试方法，使AI能像资深工程师一样进行“第一性原理推理”。Mayank Agarwal解释：“vibe debugging允许AI理解代码如何在实际生产中运行，从而快速诊断问题。”例如，一位客户使用Resolve自动生成单元测试，基于生产日志和跟踪数据，创建出人类难以构思的防护案例。
- 知识图谱的构建：Resolve AI的核心组件是一个能自动学习任何环境的知识图谱，它建模了系统的复杂依赖关系、工具约定和数据模式。Mayank指出：“知识图谱使Resolve能像本地工程师一样行动，并自我更新。”这解决了部落知识碎片化和环境独特性问题。
- ambient agents（环境智能体）：这些后台运行的智能体能自动执行复杂任务（如事件根因分析），无需人类干预。Mayank描述：“人类无需操控，智能体在后台工作，结果供人类消费。”这显著减少了平均解决时间（MTTR）和所需人力。
表格2：Resolve AI核心组件与功能
组件/功能
|
描述
|
应用案例
|
vibe debugging
|
结合代码和生产理解的调试方法，英文标注
|
自动生成单元测试基于生产数据（客户案例）
|
知识图谱
|
自动学习环境依赖和部落知识
|
解析复杂基础设施连接，如AWS网关和防火墙
|
ambient agents
|
后台智能体自动化复杂操作任务
|
在Slack中自动回复事件警报并提供根因分析
|
多智能体编排
|
协调多个AI智能体进行推理和行动
|
Rushin Shah强调“需要多智能体协作”
|
Resolve AI当前每季度消耗1万亿tokens，相当于每周重建Stack Overflow两次。这凸显了处理生产系统复杂性的资源需求。
3. 团队构建与技能需求：AI与生产系统的交叉融合
构建有效的Agentic AI团队需要结合AI专家和生产系统专家的技能，以解决模型推理与基础设施复杂性之间的鸿沟。
- 跨学科团队：Rushin Shah指出，AI团队通常精通模型但缺乏生产系统直觉，而基础设施团队熟悉运维但不擅AI编排。因此，Resolve AI的团队融合了这两类人才，确保产品具有高因果性和可解释性。
- 核心技能：包括多智能体编排、推理、记忆和产品设计。
- 招聘策略：Resolve AI通过从大型科技公司（如Google和Apple）招募人才，构建了强大团队。Rushin幽默提到：“Resolve在从我的团队挖人方面比任何公司都成功。”这体现了对顶级人才的依赖。
表格3：Agentic AI团队所需技能与来源
技能领域
|
描述
|
来源案例
|
AI模型与推理
|
精通生成式AI模型和代理推理
|
Rushin Shah在Google Gemini和Apple Siri的经验
|
生产系统运维
|
深度理解微服务、遥测和基础设施
|
Mayank Agarwal在Splunk和OpenTelemetry的背景
|
多智能体编排
|
设计协调多个智能体的系统架构
|
Resolve AI团队专注于orchestration和memory
|
产品与客户协作
|
将复杂问题转化为可解决方案
|
团队与客户紧密合作，演化产品
|
Resolve AI团队目标为构建全自动事件修复系统，要求成员具备“世界级”AI和生产系统技能。
4. 数据案例与性能衡量：从代码生成到生产价值
Agentic AI的成功需通过具体指标衡量，如平均解决时间（MTTR）和工程速度。Resolve AI的应用已从事件响应扩展至日常操作，体现出实质经济价值。
- 性能指标：Mayank Agarwal提到，对于事件响应，关键指标是MTTR和所需人力数量。例如，复杂事件可能唤醒多个工程师，而Resolve能减少这种需求。此外，日常任务自动化（如SLO报告）节省了大量时间，一位客户每周节省2小时用于生成操作报告。
- 生产数据规模：Resolve AI每季度处理1万亿tokens，相当于Azure总处理量的1%。这反映了生产系统数据的庞大性和复杂性。
- 评估挑战：由于生产环境独特且缺乏标准数据集，评估Agentic AI系统十分困难。Rushin Shah指出：“生产系统是不断变化的活体，评估需模拟事件和使用模型作为操作员。”
Resolve AI在Slack中被销售团队用于查询生产问题，如“最近是否有子系统变更？”，显示其知识民主化作用。
5. 未来展望：AI优先组织与行业影响
Agentic AI将重塑软件工程实践，推动组织向AI优先转型，从而获得竞争优势。
- AI优先组织：Mayank Agarwal认为，AI在所有公司构建方面加速生产力，从代码编写到客户价值交付。Resolve AI内部全员使用Resolve产品，体现了深度集成。Rushin Shah强调：“不快速转向AI优先的组织面临被颠覆风险。”
- 技术演进：未来，Agentic AI将更自主地处理生产事件，甚至实现闭环修复。Mayank展望：“目标是构建能自行修复事件的系统。”同时，环境智能体将更普及，成为工程团队的标准工具。
- 行业挑战：包括处理幻觉（hallucination）和确保结果可靠性。Rushin提到需平衡护栏与模型推理，以最小化错误。此外，生产系统兼容性（如云平台差异）要求AI能自适应学习，而非依赖黄金路径。
Resolve AI通过客户合作演化产品，例如学习防火墙调试模式，显示其适应性和持续学习能力。
总结
Mayank Agarwal和Rushin Shah的分享揭示了Agentic AI在复杂软件工程中的变革潜力。总结而言，Resolve AI的实践基于三大支柱：
- 深度自动化复杂操作：通过vibe debugging和知识图谱，将AI应用于生产调试，弥补代码生成与运维之间的鸿沟。
- 跨学科团队构建：融合AI与生产系统专家，以解决多智能体编排和推理挑战。
- 经济价值驱动：聚焦企业环境，通过指标如MTTR和工程速度衡量成功，推动AI优先组织转型。
展望未来，Agentic AI将成为软件工程的核心工具，使团队能更快部署代码、降低事件影响，并实现自我修复系统。然而，挑战如评估复杂性、幻觉处理和环境适应性仍需解决。Resolve AI的经验为初创企业和大型组织提供了蓝图，强调在AI时代，快速适应和深度集成是保持竞争力的关键。
来自Kleiner Perkins
关于Snowflake销售与营销领导力经验的对话——Chris Degnan和Denise Persson实践分析
对话者：
- Chris Degnan：前Snowflake首席营收官（CRO），现任Snowflake CEO顾问及多家公司顾问
- Denise Persson：Snowflake首席营销官（CMO）
- Joubin Mirzadegan：Kleiner Perkins合伙人，节目“Grit”主持人
概要：
本报告基于Kleiner Perkins的“Grit”节目对话，聚焦Snowflake前首席营收官Chris Degnan和首席营销官Denise Persson分享的领导力经验。Snowflake作为一家全球领先的数据云公司，服务超过12,000家客户，其成功部分归因于销售与营销团队的高效协同。Chris和Denise在对话中详细阐述了他们如何构建“go-to-market engine”（市场进入引擎），在超高速增长中保持团队对齐，并培育客户驱动文化。他们的新书《Make It Snow》总结了这些实践经验，旨在为创始人、CEO及销售营销领导者提供可复用的教训。对话涉及销售与营销协同、客户驱动文化、团队建设、管理挑战及个人领导力等维度。
主题论述
主题论述部分围绕Snowflake销售与营销领导力的核心经验展开。
1. 销售与营销的协同合作：从“健康张力”到无缝信任
在多数组织中，销售与营销部门常存在张力，但Snowflake通过Chris和Denise的伙伴关系将其转化为竞争优势。他们强调，协同的基础是信任、直接沟通和共同目标，而非内部竞争。
- 信任与直接沟通：Chris和Denise通过即时沟通（如电话或面对面交流）解决问题，避免通过上级升级。Denise指出：“如果我发现问题，我会立即打电话给Chris，而不是等待每周会议。”（根据对话内容）这种实践减少了误解，并建立了双向信任。Chris补充：“Denise总是立即行动，如果我反馈问题，她会在当天解决。”
- 共同目标与责任对齐：营销团队将销售视为“客户”，专注于需求生成和任务目标建设，而非内部指标如MQL（营销合格线索）。Denise强调：“我的工作是让销售团队更高效，无论需要做什么。”这确保了营销活动直接支持销售目标。
- 组织层级对齐：销售与营销在每个区域和层级对齐，例如，现场营销团队与销售经理直接合作，确保线索质量。Chris提到：“Denise的团队与我的现场经理绑定，他们因驱动线索而受到爱戴。”
表格1：销售与营销协同的关键实践与效果
实践领域
|
具体方法
|
效果与案例
|
沟通机制
|
即时电话或面对面交流，无正式延迟
|
问题快速解决，信任增强（Chris提到“Denise立即行动”）
|
目标对齐
|
营销以销售为“客户”，聚焦需求生成和管道
|
减少内部摩擦，提高效率（Denise指出“销售是我的客户”）
|
反馈循环
|
互相提供反馈并秘密调查，避免公开指责
|
维护信任，防止文化破坏（Chris分享“我总先调查再行动”）
|
全球团队整合
|
现场营销与销售经理在各地域对齐
|
线索质量提升，区域绩效改善
|
在Snowflake早期，销售与营销的协同被投资者视为关键优势，帮助公司在没有微软等分销伙伴的情况下，仍能超越竞争对手。此外，这种协同在Frank Slootman担任CEO期间的“倾听之旅”中得到体现，Chris公开支持Denise，强调“不能碰Denise和营销工作”。
2. 客户驱动文化：从功能对立到全员使命
Snowflake的文化核心是“客户驱动”（customer-driven），而非销售或工程驱动。这要求每个功能部门都平等重要，共同服务客户。
- 文化价值观：创始人和管理层（如Bob Muglia和Frank Slootman）强调智力诚实和团队合作。Chris指出：“Snowflake从未说一个功能比另一个更重要；我们都是客户驱动。”这消除了部门间的高低之分。
- 全员参与机制：例如，季度业务回顾（QBR）中，所有高管（包括工程和产品部门）参与讨论客户问题，而非内部指责。Denise表示：“这确保了每个人关注客户需求，而非自我。”
- 文化仪式：如“Waffle Wednesday”（华夫饼星期三）和“Cheesy Thursday”（奶酪星期四）等由员工自发组织，促进跨部门交流。Chris分享：“Nancy Venencia作为办公室经理，通过这些活动识别文化不契合者，并帮助团队淘汰自私个体。”
表格2：客户驱动文化的关键要素与实施案例
要素
|
描述
|
实施案例
|
价值观基础
|
智力诚实、团队合作、客户中心
|
高管在QBR中讨论客户问题，避免指责（Chris分享）
|
功能平等
|
销售、营销、工程等均被视为关键
|
Denise强调“每个功能同等重要”，产品营销支持销售效率
|
文化仪式
|
员工主导活动如Waffle Wednesday，增强凝聚力
|
早期工程师参与华夫饼制作，促进非正式交流
|
领导示范
|
CEO和创始人主动参与文化构建
|
Bob Muglia称Snowflake产品为“职业生涯最佳”，激励团队（Denise提到）
|
Snowflake在超高速增长期间（从300万美元年经常性收入到数十亿美元），文化一致性帮助公司维持低员工流失率，并吸引顶级人才。Chris提到，文化使团队在面临竞争时（如与亚马逊的对抗）保持专注。
3. 团队建设与招聘策略：从多面手到专家演化
招聘和团队建设是Snowflake scaling 的核心，Chris和Denise分享了从早期到后期不同阶段的策略，强调文化契合和角色适应性。
- 早期招聘：需要“多面手”，能承担多种角色。Denise指出：“早期员工需卷起袖子，做各种事。”招聘主要通过网络进行，确保信任和文化契合。Chris补充：“我招聘销售代表时，注重新徽标经验和企业技术销售背景。”
- 后期招聘：随着公司规模扩大，角色更专业化，需雇佣专家。Denise解释：“有些人无法适应角色变窄，最终离开。”
- 招聘失败与教训：Chris分享了一次招聘失误，他雇佣了一名高级员工，该员工最初表现良好，但18个月后变得“有毒”，导致他不得不道歉并解雇该员工。这凸显了持续评估和文化契合的重要性。
表格3：团队建设阶段策略与挑战
阶段
|
招聘重点
|
关键挑战
|
案例与数据
|
早期（ARR < 1亿美元）
|
多面手，从网络招聘
|
文化契合，角色模糊
|
Chris作为第7号员工，从EMC等公司招聘；Denise雇佣前同事
|
中期（ARR 1-5亿美元）
|
混合角色，注重可扩展性
|
管理增长压力，旅行负担
|
Chris年旅行250,000英里（United航空），凸显运营挑战
|
后期（ARR > 5亿美元）
|
专家，标准化流程
|
防止懒惰，维持文化
|
一些经理停止每周预测呼叫，导致绩效问题
|
在Snowflake早期，Chris通过从Soft Choice等公司招聘销售代表，成功驱动增长。Denise的招聘策略帮助营销团队从3人扩展到全球团队，支持公司从300万美元ARR增长到数十亿美元。
4. 管理挑战与个人领导力经验：从自我认知到团队赋能
Chris和Denise分享了个人领导力旅程中的挑战，包括处理绩效问题、旅行压力和工作生活平衡，并强调自我认知和谦逊的重要性。
- 绩效管理：解雇员工是最大挑战之一。Chris表示：“我因忠诚度而盲从，有时延迟处理绩效问题。”Denise补充：“不行动不是忠诚；让员工在失败岗位上才是伤害。”
- 旅行与运营压力：Chris在Snowflake后期因频繁国际旅行（如一周内访问韩国、日本和法国）而身心俱疲，导致他离开运营角色。他分享：“我喜欢早期阶段，但运营数十亿美元公司不是我的热情所在。”
- 自我认知与谦逊：两人均拒绝CEO角色，专注于各自领域。Denise说：“我爱营销工艺，无意愿成为CEO。”Chris强调：“自我（ego）是许多领导失败的原因；我们需要谦逊地卷起袖子。”
表格4：个人领导力教训与应对策略
挑战领域
|
领导力教训
|
应对策略与案例
|
绩效管理
|
延迟解雇会损害团队和文化
|
Chris进行“道歉之旅”，公开承认错误
|
旅行与规模压力
|
早期偏好与后期运营不匹配
|
Chris转向顾问角色，专注于早期公司（ARR < 1.5亿美元）
|
自我与谦逊
|
避免自我驱动决策，专注于团队成功
|
Denise从Procter & Gamble转型，亲自指导BDR
|
反馈接受
|
信任他人反馈并秘密调查
|
Chris在收到Denise反馈后，独立验证问题
|
Chris在Snowflake后期“失去火花”，因运营工作不符合他的热情（Joubin Mirzadegan观察到）。这促使他反思并专注于早期公司顾问角色，目前他 advising 八家公司，包括零收入初创企业。
5. 文化仪式与组织凝聚力：从自发活动到文化基石
Snowflake的文化通过自发仪式（如Waffle Wednesday）强化，这些活动由员工主导，促进信任和创新。
- 仪式起源：早期工程师和办公室经理Nancy Venencia发起活动，如“Waffle Wednesday”、“Cheesy Thursday”和“Fruity Friday”，作为非正式交流平台。Chris描述：“Tom Malloy戴厨师帽做华夫饼，全员参与。”
- 文化筛选作用：这些活动帮助识别文化不契合者。Chris指出：“Nancy像母亲一样，快速发现自私个体并协助淘汰。”
- 可持续性：仪式有机演化，而非强制实施，确保了员工所有权。Denise强调：“文化来自创始人，Nancy让它发生。”
这些仪式在Snowflake早期帮助构建了家庭式文化，支持公司度过高速增长期，并减少了员工摩擦。Chris分享，一次公司旅行中因饮酒过量事件需HR介入，显示文化平衡的重要性。
总结或展望
Chris Degnan和Denise Persson的领导力经验为 scaling 企业提供了宝贵蓝图。总结而言，他们的成功基于三大支柱：
- 销售与营销协同：通过信任、直接沟通和共同目标，将潜在张力转化为竞争优势。
- 客户驱动文化：确保所有功能部门平等参与，聚焦客户需求，而非内部政治。
- 适应性团队建设：从多面手招聘到专家演化，强调文化契合和持续学习。
这些经验被封装于他们的新书《Make It Snow》中，旨在激励创始人、CEO和领导者构建类似组织。展望未来，Chris和Denise计划通过顾问和书籍分享，继续影响下一代企业，特别是在AI和高增长领域。他们的故事证明，领导力不仅是策略和执行，更是自我认知、谦逊和以人为本的实践。
