两次拿到陆奇投资，张浩然这次想用 Agencize AI 干掉所有工作流 Agent

01 

所有要求用户预先构建工作流的 Agent，都是错的

Founder Park：怎么介绍你的产品？解决了什么核心痛点？

张浩然：我们希望用户不需要预先构建任何工作流，只需要描述意图，就能替用户完成 95% 以上的自动化工作。实现的方式，是为用户生成一个个性化的软件，来替代 Ta 过去手动的重复性操作。

本质上，我们面向的是所有知识工作者，为他们提供一种以意图驱动、全新的生产力工具和交互方式。就像 Excel 开启了数字化办公时代一样，我们认为 AI 时代也需要一个对标 Excel 的划时代产品，改变大家在 AI 时代的工作方式。所以，我们的目标是面向知识工作者的通用场景，不是某个具体行业。

Founder Park：举一个典型的用户场景，哪一类人用这个工具解决什么问题？

张浩然：几周前，我们在海外做了一些小范围的推广，收集了 100 多个 waitlist 申请。其中，访谈了一位心理医生，他的 case 非常典型。

他的日常工作流是：每天要整理 WhatsApp 里的医患对话，生成报告，然后更新到 Notion 的对应病人文档中；之后还要和病人约下次沟通的时间，如果病人回复了，就要把时间同步到 Google 日历，而且在日历里还要附上病人的 Notion 文档链接。

以前做这些事特别麻烦，每天只能手动处理，效率很低。他也试过 n8n、Zapier，都没解决问题。直到看到我们的产品演示，他觉得这就是他想要的形态，不用复杂操作，只要说明每天要做的事、同步到 Notion 和 Google 日历，我们的产品就能自主推理、调用他的工具，串联成一个完整的工作流。只要再加上一个「每天 9 点运行」的触发器，整个流程就能完全自动化了。

这就是我们期望的典型场景：让每个知识工作者都能组合自己常用的多个工具，达成最终目标。我们的核心用户有两个特点：一是完成一件事需要用多个工具；二是做事的环节相对固定，但每个环节的具体内容又高度变化、有不确定性。这类场景，我们能解决得很好，但是在过去的 SaaS 时代、软件时代、自动化时代都解决不了的问题。

Founder Park：你们的产品更像是在现有的 SaaS 工具之间搭桥梁，并不是替代它们？

张浩然：是的，我们不会消灭任何软件。我们认为，SaaS 本身就是一种基础设施，重构了社会的数字化。

虽然 SaaS 在中国有点失败，但它的价值不可否认。个人的生活数字化被各种 App 瓜分了，但我们社会的运行，真正还是在被「软件吞噬世界」这件事完全数字化掉。我们的目标是在 SaaS 的基础上，利用新技术带来新价值，做更进一步的价值交付，而不是去替代每一个应用。

Founder Park：也就是说，传统的 SaaS 软件成为了新基建，你们用一种新的方式来连接它们。用户不需要再来一个标准化的软件，而是可以随时、随意地在任意工具之间生成一个流程来连接彼此。

张浩然：是的。过去用 n8n、Zapier，你必须要先设定好「当这个应用触发后，那个应用要做什么」。如果能把流程想清楚，搭建本身不难；真正的问题是，非技术人员根本没法想明白、串起这些逻辑——他们脑子里的需求，和这些工具的使用方式是对不上的。

现在确实有很多 AI 工作流工具，但我们想解决的不是「做 AI 工作流」，而是「根本不需要有工作流」。所有要求用户「预先构建工作流」的 Agent 都是错的。Agent 是个交互环境，核心得围绕你的目标来：要是你已经把要做的事梳理清楚了，Agent 的价值反而低了，它最大的价值应该体现在帮你梳理需求的过程中。

所以我们想再往前一步：不需要用户梳理完再来找我，而是在跟我对话的过程中，我就帮用户把需求越理越清。当用户最终确认「对，这就是我要的」，任务就可以自动运行了。这个关键在任务生成前的互动。就像有个 AI 工作伙伴，它会先用你的工具试做一遍，然后问你：「是这样操作吗？」你说：「不对，那个地方需要调整。」它调整完再问：「这次对了吗？」你确认后说：「对了，以后每天 9 点都这么运行。」任务就固定下来了。

现在的工作流工具，都是拖拽模块、连接模块……根本不是真正的 Agent。我们希望让「Agent」这个概念消失，让普通用户不需要理解它是什么，只需要在这完成工作。系统会记住并学习他的做事方式，之后让 AI 替他做。这才是我们真正想做的事。

Founder Park：你希望用户在使用你们的产品时，在哪个环节体验到「aha moment」？

张浩然：当他给出一个模糊的指令，我们立刻给出了结果，并且这个完成方式超出了他的预期。比如把一个模糊的需求丢过来，结果这事居然真办成了。这是我们观察到最强烈的惊喜时刻，用户会觉得「你的 AI 真聪明」。

很多海外用户体验后会说：「这才是真正的 AI，不是 ChatGPT 那种只会聊天的。」这种「魔法时刻」，远比让用户自己去研究如何配置工具更有冲击力。

Founder Park：从测试来看，用户达到「aha moment」需要多久？

张浩然：快的可能一分钟，慢的需要两三轮额外对话。如果指令明确，用户用我们提供的模板一点，马上就能跑通。如果用户觉得结果不符合预期，会跟 AI 说「不该从那个工具找，要从这个工具找」，经过一两轮调整，结果也会很准。

而且「准」是相对的，关键是有没有达到用户预期。哪怕有些细节错了，用户也会很「aha」，因为他意识到「原来 AI 能力这么强，只是我刚才指令没说清」。

Founder Park：在交付形式上，用户是需要把完整的流程细节都告诉 AI，还是只需要给一个任务目标？

张浩然：只需要给目标。比如我自己会说：「每天 9 点，看看我官网昨天有多少人申请了白名单，然后在 Slack 里发个全员公告，提醒运营同事关注。」就这样，结束了。我不需要告诉它白名单在哪个工具里，也没说 Slack 发在哪个频道，但是我的 AI 就会知道。因为我们在这里做了很多工作，当这些信息 AI 全都知道的时候，构建工作流就很简单了。但真正人的工作在脑子里产生的那一刻是很模糊的：「我要把那个东西发到那」。我们能接收并处理这种模糊的用户指令。

AI 会替我找到最合适的软件，在软件中完成操作，然后把将多个软件串联起来。最后 AI 会告诉我：「我已经在你的 A 应用里做了什么操作，并且在 Slack 里发了公告，还需要我做什么吗？」然后任务就结束了。

Founder Park：最后生成的自动化流程，每次的执行过程会完全一样吗？还是会很自主？

张浩然：这个过程相对标准化，但不是绝对的。还是刚才的场景：当你确认一套流程没问题，设置了「每天 9 点运行」后，我们会为你生成一个专属的、个性化的软件。

软件界面会清晰地展示整个流程，比如「9 点触发」，然后是「在 A 应用搜索 XX 内容」，接着「确认得到 XX 结论后，去 B 应用发运营公告」。这个工作流不是你手动搭建的，而是 AI 在理解了你的意图和操作后，自动生成的。

简单来说，如果你明确说「每天从我楼下那家瑞幸点美式咖啡」，它就会严格执行。如果你只说「每天点一杯美式给我同事」，它就会在中间拥有一定的自主决策空间。

通过 chat 完成任务，用户只需要关心结果，无需预先构建工作流

Founder Park：最终生成的个性化软件里，那些传统 n8n 或 workflow 里固定的节点，还存在吗？

张浩然：其实还在，但颗粒度很粗，而且它是后置的，不是前置的。这些模块可能粗到像「选个咖啡馆、订杯美式」这样的程度。

「后置」这点特别重要。现在没有人意识到「预先构建工作流」是错的，大家都觉得得先把工作流编排好才能用。工作流的核心问题是「角色错配」，能把工作流想清楚、搭明白的，只有工程师或结构化思维极强的人。生产力工具要面向普通大众，就得让 AI 来替他们完成「思考结构化工作流」这一步。

所以，「工作流」这个概念本身，在用户侧就不该存在。

Founder Park：「后置」具体是什么意思？

张浩然：举个例子：你招了新员工，怎么安排工作？你不会说「每天 9 点到岗，先放好衣服，再打开飞书、点开表格，看到文档里有 XX 内容就粘到那个系统里。」这种指令是反人性的。

你会说的是：「到岗后，首要任务是处理这件事。根据我的经验，建议你先从飞书里获取信息，最后把结论同步到某个地方。」你看，后者只给了目标和方向，没说具体步骤。前者就是工作流，后者就是我说的模式。你只是给了他一个目的、或者意图，怎么干，你几乎没说。

聪明的员工会自己在工具里摸索，找到关键信息完成任务；不聪明的员工会回头问：「要完成这件事得先要 XX 信息，我从哪找？」这才是人与人之间自然的协作方式。

我们做的 AI 工具就像后者：如果任务模糊，它会主动问你；如果觉得能尝试，它会自己去操作，做好了告诉你，不确定的会带着尝试的结果来找你确认。

这就是我们和「预先构建工作流」工具的区别：我们的工具像人一样灵活交互，预先构建工作流是反人类的。

Founder Park：预先构建的工作流把人的能力限制在了一个很死的框架里，他没法发挥自己的主动性。

张浩然：说得很对。Agentic 的本质就像你对一条小狗说「出去，找到骨头后回来」，它去哪找，怎么找，完全由它自己决定，你撒手就不用管了。如果没有 agentic，就是你必须得告诉它「往前一公里右转，再走五百米左转……」

我们是真正把 agentic 原生到产品里去思考这个问题的。目前，我还没看到第二家公司是这样思考的。

以及，n8n 原来干这个事需要很多个模块，它可能只是把这些模块变模糊了，只需要一个模块就搞定了。但我觉得仍然不对，这还不是 AI-native 的。AI 时代不能这么想问题。我们思考的角度不是说谁好谁坏，而是真正从 AI-native 的视角下去思考，一个 agentic、AI-native 的产品，它应该像一个人。

Founder Park：所以，现在做这类软件的出发点是，我们可以把 AI 当成一个真正的同事来交付任务了？

张浩然：是的，除非某些环节真的重要，必须明确一、二、三布分别怎么做，那 AI 也会严格遵循你的指令。它就像一个「真人」同事。

并且，我们在 agentic 的基础上自研了一套推理引擎，才可以当做人来看待。我们对「能动性」的理解是：接受一个目标后，持续对齐并完成目标的能力。基于这个理解，我们做了一套持续自适应对齐用户目标的推理架构，再结合像 Claude 这样的模型，才能做到今天这样。这背后其实是有哲学的思考。

Founder Park：今天的 AI 在「主动性」上能做到什么程度？

张浩然：我们认为，现在的「能动」和「主动」是两回事。「能动」是遵循指令完成目标，而「主动」是 AI 观察到某些特征后，自主发起行为。

主动，是我们下一步要重点做的。当 AI 充分理解你的工作环境后，它应该能自主判断什么事需要被关注。比如，它会主动跟你说：「我觉得现在做这件事很合适，原因是 XXX，要不要我启动？」甚至可能直接做完，拿着结果告诉你：「我主动分析了这些数据，建议你未来的内容方向做一些调整。」而这一切，你并没有提前给它指令。

这就是我们接下来的目标：第一步先让 AI 在你的工作空间里「站稳脚」，能感知你的所有需求；在此基础上，下一步就是「主动」。

Founder Park：现在你们实现的「能动性」，大概能达到什么状态？

张浩然：现在的状态是，你给 AI 一个模糊的任务，它能自己寻找工具、不断试错，直到把这个事干完，把结果交给你。整个链路可以调用二三十个工具，持续地对齐目标。目前我们已经做得比较稳定了，可以持续二三十步完成任务。

Founder Park：在多步执行中，怎么保证每一步完成的准确度？

张浩然：我们的推理框架会自行来解决这个问题，不用人操心。而且这个框架能判断事情的轻重：比如，修改电商商品价格这类高风险操作，它会自动弹出确认窗口：「我即将把价格调整为 XX，是否确认？」你点击确认后才会执行。简单说，它清楚什么时候该让你决策，什么时候可以自主操作。

Founder Park：对 AI 调用「工具」的能力，你们是怎么理解的？

张浩然：现在大家都觉得要给 AI 描述工具是做什么的，AI 才知道怎么用。我觉得不对。比如 Klaviyo 是一个邮件营销工具，但它到底是电商邮件工具，还是 B2B 外贸邮件工具？定义得太窄，另一类用户用起来就不准；如果同时有三个邮件工具，不定义又不知道该选哪个。

我们的解决方案是：根本不去看每个应用是做什么的，我们让 AI 理解「应用有什么能力」。我们有一套机制，把每个应用的能力点「打散」。比如，你有电商邮件营销的需求，AI 会发现 Klaviyo 在用户标签和 CDP 相关的能力点上，比 Mailchimp 更匹配电商场景，于是反推出应该使用 Klaviyo。这种细节工作我们做了很多，我们把模糊的语义理解问题，转化成了一个更精确的能力匹配问题。

Founder Park：这个「打散」和理解的过程，是怎么做的？

张浩然：我们自创了一套推理引擎，是一个双 Agent 循环架构。有一个 Agent 非常能够理解我们定义的这套能力，另一个 Agent 非常理解用户的目标，两个结合起来能很好地工作。

在上下文管理上，我们设置了一个中间层专门用来挑选工具。我们说的「能力」维度，比工具本身要更细。比如，Klaviyo 不仅有邮件查询功能，它还有一个「能带着用户标签进行查询」的能力，这就跟 Mailchimp 产生了区别。我们的拆解细到了这个程度。

当用户发出一个指令，Agent 就会在这个中间层里，找到能解决问题的能力组合，形成一个推理策略。它可能最终组合了五个能力点，然后发现这五个能力分属于两个不同工具的三个接口。这时，它会把这个包含具体接口的策略带回来，注入到上下文中，去干预下一步的推理。这样，下一步的推理就能非常明确地命中那几个工具。

Founder Park：相当于拓展了模型本身的能力，不再纠结怎么选择工具。

张浩然：是的。而且你想想，当一个用户集成了 40 个应用时怎么办？只有我们这种从业务倒推的方式才能解决。我们提前构建的这套能力，就相当于是数据标注了，我们未来做强化训练的时候，这个数据标注的价值直接就用上了。

Founder Park：你当时是怎么考虑去做这样一款产品的？

张浩然：我过往的所有经历都是围绕流程效率与生产力的。包括之前在飞书做 workflow，两次创业分别做营销 MarTech 领域的 SaaS 和帮其他 SaaS 做用户引导工具，都和流程自动化相关。

我很清楚，企业经营的本质就是不断组合工作流：把工作流拆分成不同角色，对应设置岗位，岗位再去执行相应的 SOP。过去工厂靠流水线组合 SOP，现在知识型企业就是靠无数软件拼接起来的。

在过去的知识型流水线工厂里，无数软件成为设施，人反而成了无脑执行 SOP 的「机器」，这是大量中低端员工的现状。AI 的出现，尤其是 Claude 3.5 推出后，带来了 agentic 这类模型能力的扩展。这种高能动性的核心是能持续对齐人类目标，基于目标使用人类工具，真正融入到真实生活场景中。

如果 agentic 能力一直在变强，软件行业将迎来从「软件 1.0」到「SaaS 时代的软件 2.0」，再到「软件 3.0」的巨大变革。「软件 3.0」的最大意义，在于能感知你所处空间的所有知识，还能在你所行动的空间里完成一样的行动。

这时候，软件不再是预先构建好的，而是根据你的意图实时显化、即时生成的「意图驱动型计算工具」。这会彻底打破传统的 SOP 执行模式，实现「专家平权」，让资深员工的 know-how 下沉，让月薪 5000 元的员工也能完成高端工作。

这种变革将颠覆现有软件市场，反推企业模式改变：企业不再是预先制定好工作流程，用软件把人「拴」在岗位上执行；而是人类可以专注发挥创造力，理解工作本质后，通过和 AI 工具对话传递意图，由 AI 完成工作中大量具有不确定性的「灰度」任务。人类的「灰度」工作被压缩到最小，能更高效地做出高质量决策，真正释放创造力

这是我们看到的未来，也是我们想投身去做的事。

Founder Park：你觉得产品现在找到明确的 PMF 了吗？

张浩然：我认为已经不需要再验证了。n8n、Zapier 的存在就已经证明了这个需求的强烈性。关键是，我们能不能做出比它们体验好 20 到 50 倍的构建方式。

现在大家都困在惯性里，没人敢想「让流程消失来实现自动化」。AI 时代之前，IFTTT 那样的流程引擎是最好的模式，所有人都被这种确定性思维固化了。我做过很多流程引擎工具，我知道这种模式有问题，所以敢第一个跳出惯性。

PMF 本身就在那，看得是谁能做出颠覆性的产品，改变用户解决痛点的方式，你只要会自然语言就可以了。

Founder Park：你们产品的核心壁垒是什么？

张浩然：短期壁垒是认知。我们搭建了一套让 AI 像人一样工作的认知框架，敢于跳出传统工作流的惯性，这本身就是差异。加上我们的迭代速度快，拥有先发优势。

长期壁垒是个性化软件。当 AI 通过对话帮你完成任务时，会学习你的工作方式，之后直接生成一个专属软件。比如，你需要看 Shopify 订单并去 ERP 发货，AI 能给你生成一个界面：左边是订单，右边是发货状态，甚至还会提示「这 4 个订单建议优先处理」。点一下就能操作，这多棒啊。如果没有界面，AI 只能用大段文字描述，根本满足不了真实工作的信息密度需求。

AI 与你互动的越多，就越懂你的业务经验，生成的软件也就越多。这些软件的交互数据，你为什么生成它，它动用了你哪些 know-how，你如何与它互动，得到了什么结果。最终，会形成一个独一无二的封闭数据集。未来，用这个数据集来训练我们自己的「行动型模型」，就像 Cursor 的模式一样，这就是我们的长期壁垒。

Founder Park：这个数据集能够形成数据飞轮吗？

张浩然：是的，就像 Cursor 监控你写代码的方式，用你的编程习惯和纠错记录训练小模型，这个小模型形成了数据飞轮，越用越懂你，还能实时更新模型权重，这就是我们要构建的长期壁垒。

而且，因为我们是个性化软件，个性化软件的后端本质上就是一个 Agent，它使用了你所有的工具，学到了你的 know-how 和工作流程，同时有 coding 能力，固化了一部分代码在沙盒里运行。

马卡龙、灵光都没有后端，这个世界上，没有任何一个 AI 生成的软件有后端，但我们有。

但我们会让「Agent」这个概念消失，你不用特意构建它，跟 AI 伙伴一起工作，它就会变成你的「业务分身」。本质是 Agent，但我们不会强调，因为它只是过渡产物。没人会说「先构建 Excel 再工作」，Excel 的概念早被淡化了。等哪天没人提 Agent 了，AI 才算真正走进大众。

完成任务后，可以将整个对话流程转换成自动化常规流程

Founder Park：如果 n8n 或者大厂也按这个思路来做，你们怎么防御？

张浩然：防御要靠下一步的强化学习，训练自己的模型。现在我们有一个小身位差，可以利用先发优势积累大量用户、跑通数据。我们必须在这个窗口期里，搭建用户交互到模型自训练的管道，让用户行为能动态地、持续自主地更新模型权重，形成数据飞轮。

Founder Park：担心大模型本身的能力迭代，吃掉你们的业务吗？

张浩然：有点小担心，还是要考虑这件事的风险，不能盲目乐观。

比如 Claude 和 Gemini 都在往类似方向发力：Claude 的进化，大概率会瞄准整个计算机生态，想颠覆冯・诺依曼架构，做 GPU 驱动的新一代上下文计算，所以它不会具体在应用层。但我也会紧跟变化。Gemini 有谷歌全家桶，可能会颠覆很多通用场景，但很难渗透到各行各业。

我们真正的价值，还是在积累企业的 know-how，并把这些经验转化成实际结果。本质上，Gemini 是「低抽象、高通用」，而我们在它之上再抽象一层，是「高抽象、中等通用」。因为我们要深入到组织的复杂场景里，这是大模型难以替代的。

Founder Park：你希望用户如何定位这款产品？</