创业3个月未增一人：专访Ingora创始人，AI原生组织与项目正在如何打破传统扩张逻辑？

真正的AI原生，是把人从工作流里移出去。

作者 | 王启隆

出品丨奇点折射（ID：rgznai100）

从公司注册、搭知识库，到审新闻、写代码、做 PPT，AI 正在重新定义公司这两个字该怎么运转，也不断逼近一个绕不开的问题：当 AI 可以 7×24 小时自己往前跑，人到底应该退到哪个位置？

争论从未停过，但比结论更重要的，或许是那些真正拿自己的公司做实验的人，给出的实践答案。

许建志，就是这样一位正在做实验的人。

今年 3 月中，他离开微软——在那之前，他在那里做了二十多年产品，主导过 SharePoint Copilot 和 Agent 相关业务的产品战略与增长。离开之后，他和几位合伙人一起创办了 Ingora，一家面向儿童的 AI 原生硬件公司。

三个月里，光是他自己一个人就用 AI 包办了融资、海外公司注册、多云资源申请、知识库搭建、iOS 企业账户与语音链路测试——这些原本预估需要十几人团队才能完成的工作。许建志把这套方法论叫作 AI 原生公司：不是让 AI 帮人多干 30%的活，而是把人从整条工作流里移出去，变成只在关键节点点头的 Human-on-the-loop。

他是产品经理，是创业者，也是一位正在给自己孩子做 AI 硬件的父亲——他的实验，恰好卡在 AI 原生和儿童安全这两条同时收紧的线上。

7 月 17 日至 18 日，2026 奇点智能产品大会在北京举行，许建志在会上分享了《》。会后，他接受了 CSDN 奇点折射栏目主持人王启隆的专访，聊了聊 AI 原生公司到底是什么、Ingora 在做什么，以及陪伴与学习之间那条线，究竟是怎么画出来的。

以下为这场对话的完整实录：

AI 原生公司，和用 AI 提效有什么不同

王启隆：很多团队现在都在用 AI 写文档、做客服、辅助开发，但这些我们往往都不认为是 AI 原生公司（AI Native）。AI 原生公司和这些传统公司的分水岭在哪里？

许建志：我觉得一个很有趣的地方是，传统的方式往往是想用 AI 帮一个人赋能，比如增加 30% 的生产力；但真正的 AI 原生公司，它本身的 AI 放大能力与工作流程已经被改变了。

原先也许需要一个人做调研，花一个礼拜的时间去找报告、新闻然后做分析；但现在，这个工作可能直接被一位原先不自己做调研的主管，通过 AI 瞬间完成了。所以，一个组织原先安排了不同功能团队的人——有做调研的、做产品概念文档的、负责设计的、做开发的，现在可能全部集中在一个人身上，通过 AI 赋能 5-10 倍，这已经是一个非常大的变化。

第二个部分，传统公司有非常多 以人为主 的工作流。因为是人驱动这个公司，所以需要很多沟通：发邮件、开会、做会议记录、做 PPT。如果 AI 本身可以自主完成这些事情，这些沟通其实就不需要了。这个过程会让产品的迭代跟公司的改进速度变得非常快。

所以，以我们的观点，通过 AI 放大能力与工作流的改变，这才是 AI 原生公司。

王启隆：您的演讲还把 AI 原生公司拆成四部分：一个是 Memory，记忆；然后是 Workflow，工作流；Organization，组织；还有 Evolution，进化。

这四个支柱本身要怎么互相制约？如果 Memory 已经记录了这个方案上次做失败了，但 Workflow 因为触发条件满足，可能又把同一个方案推了一遍，这种情况谁来拦截？

许建志：这四个其实是环环相扣的。我记得演讲时在会场里面有一位同学问到一个非常好的问题：他一样也用 AI 去搭建知识库，但是得出来的建议就没有那么好。其实一个很明显的原因是，这个 AI 并没有很懂他。

如果你今天的知识库已经有很好的内容、很好的结构，包含标签跟双向链接，随时可以从任何一个点找到需要的内容，你的 AI 会变得非常聪明。这时候面对你所需要的问题，比如把一个概念转成产品概念文档，或者把产品概念文档转成代码，它其实拥有跟人一样的知识跟经验，去快速完成，这就变得非常重要。

所以我觉得，记忆是绝对重要的第一大基础，可以把不同部分打造起来、连接起来。这也会解决之前提到重复犯错的问题。

第二个是工作流，我特别喜欢蒋总提到的两种时间：跟碳基时间，我蛮有感触的。我们这边做了很多尝试跟实验，也是根据蒋总的内容去实验出来的。

里面提到一个很重要的关键：一定要把人从里面移开。原先通常我们会讲 Copilot，其实就是副驾驶的意思，是 Human-in-the-loop。我们必须尽量把人从工作流中间移开，变成 Human-on-the-loop，让 AI 可以在里面完成自动化，就像自动驾驶一样，我们只要随时监督它、控制它就可以了。

所以，有记忆，再加上工作流之后，后面要自己进化就会变得非常容易。

王启隆：您演讲里强调了一个点，就是 Human-on-the-loop。现在更常见的是大家都在聊 Human-in-the-loop，这两个词在自动化上还是有很大区别的。

On-the-loop 意味着系统默认自己往前跑，人只是可以选择介入；In-the-loop 可能就是流程会在某个节点主动停下来，等人。

那你们系统里，哪些角色是不管人在不在，系统都会自动往前走？哪些出于安全考量，必须停下来等人点头才会继续？这条线是怎么划的？

许建志：我们举几个例子。因为我现在身为创始人，必须要接触很多资讯，包含法规、合规、科技趋势相关的新闻等等。我不可能每天花时间读数百篇新闻和相关内容、资料。

所以我现在是透过 AI 自动化地跑这些内容，去抓取我可能关心的 AI 教育硬件相关内容、新闻，科技趋势、相关法规，还有 GitHub 项目等等。找完之后，因为后面已经有我们公司的大脑作为基础，每一个新闻都可以分析出一个建议，每天发送一封邮件到我们的创业团队里面。

这时候我们的决策，其实就跟传统做代码的 PR 非常像。其他程序员提了一些修改之后，会有人去 review；这时候 review 建议的人变成我们。我们会觉得：它这个建议不错，我们要把它转成概念文档，变成下一步。或者这个建议不怎么样，就不要了。

其实也没有什么负担，因为你不会说，读了一篇半个小时的文章，最后发现没什么用，就完全没有这种压力。我觉得这是一个非常大的改变。

第二个还蛮有趣的流程，是我们现在正在打造的。开始做产品之后，会遇到一些问题，比如 bug、使用者体验的问题。这些问题可以通过不同的渠道收集进来，可能从 Teams、微信、钉钉，也可能来自我们的合作伙伴。

但我们提这个反馈的时候，并不是像传统机制只记录一个反馈说这个语音延迟很高就结束了。当一个语音延迟很高的反馈进来时，我们的 AI 已经在后面运作，去公司大脑里面寻找这可能是哪个功能区域的问题。

定位到这个功能区域之后，它从产品概念文档找出这个区域，然后接到 GitHub 里面扫描对应区域的代码，再从代码里面直接给出建议，发信给负责人。我们现在给出这个建议，还是由人来做判断，然后决定是不是实施。

甚至说，我们之后还能直接把整个流程都打通，晚上睡觉的时候就让它修复。修复完，只要早上起来看测试结果，不满意就丢，满意就用。

其实现在因为 AI 已经把生产的概念换了，完全改观了。我再举最后一个很有趣的例子：我在生成这次演讲的 PPT 时，实际上一行 PPT 都没写。我只是把奇点智能产品大会的主题和我想要讲的内容告诉公司大脑，让它帮我生成四份 PPT、四种风格。

之后我就看：这两份我不喜欢，删掉；这两份还不错，我整合一下。就这样生成出来了。这个流程在以前是很不可思议的。以前光为了做一个 PPT，花一周可能都不够，可能还要好几周；现在直接自动就可以生成一个，连里面的线都是它帮你画好的。

好像不需要加人：三个月，一家不用长胖的公司

王启隆：现在的模型能力越来越强。去年可能我们还要跟 AI 说，你要 think step-by-step，一步一步思考；后来这个思维链已经整合到模型里面。

包括今年上半年，可能还要说模型要自己检查一遍，不要直接给我，一定要自己检查一遍。但现在它的思考里面已经包含了这种自检功能。

随着这种模型能力的提高，我们的人未来会不会继续从某些环节里面退出？又有哪些是我们的底线，一定要去遵守的？

许建志：我觉得这也是另外一个非常好的问题。我们其中一个合伙人之前带过 90 个人的团队，加入我们团队之后，每天都在熬夜。他说，太开心了，真的是太开心了。

以前当你开始往领导阶层走的时候，你已经接触不到执行面了。你只能动动想法，但有事情又推不动。当你可以通过 AI 真正把事情推进的时候，实际上是非常开心的。

当然，如果你原先只想做会被 AI 做的这些事情，你可能会觉得有被取代的压力。但是对于真正对产品有热情、有激情的人，这是一个跟以前完全不一样的机会。我觉得这是人生难得的一次机会。

随着这几个月模型的快速演进，包括大家提到产品人的“品味”，短期 AI 是无法赶上的，说实话我自己也都不大确定了。现在 AI 制作 PPT 的能力，和去年甚至与前年的经验相比，是很不可思议的。我觉得到最后 AI 绝对有能力负责所有执行的部分，而人留着拍板决策并对结果负责。

王启隆：过去两年，AI Native 一直被反复讨论。现在还有很多人在观望：有的是企业团队，可能会看着这个采访；有的是个人开发者，可能会觉得这又是在打广告，不会觉得这个事情跟自己有关。

现在还在观望的团队或者个人，有没有错过一个技术红利窗口，或者重新整理组织能力的窗口？

许建志：现在是最好的窗口期。

现在通过 AI，它不只是可以打造 AI 产品。第一步，是把一个产品加上 AI，这是 AI 产品；第二步，是 AI 原生产品，就是基于真正的 AI 新形态做出一个产品；到现在，一个最好的机会，真的就是 AI 原生组织、项目或公司。技术已经演进到可以支持提到后面的这些需求。

你不仅可以打造 AI 原生产品，甚至连公司的流程都可以全部处理好。我举一个很有趣的例子：我们公司现在成立才 3 个月。一开始我们预估，到现在这个时间可能已经要有十几个人的团队了，因为事情很复杂：我要在新加坡成立公司、开银行账户；我要在中国成立子公司、开中国的银行账户；我要注册 Domain name；我要申请 Azure 的资源、阿里的资源，还要申请 Apple 企业开发者账户，更不用提需要了解与进行融资的谈判……

我们团队都是十几年的写代码的人，但是当我们跑完一个月之后，我跟创始团队合伙人聊的时候，他说：好像不需要加人。这几个人就可以直接搞定了。

所以这方面是一种机会，也是一种乐趣。因为你已经体会到像超人（超级个体）的感觉了，如果很多企业跟个人错失这个机会，我觉得之后的差距会变得非常大。

我常举一个例子：AI 已经是认知与经验的放大器。今天一个刚毕业的人，他可能刚刚进来，战斗力可能是 0.5；但是一个有经验的人传统上可能是他的 10 倍，所以我们看到十倍薪资的差距是很合理的。但是通过 AI 给这两个人赋能之后，一样的 token 差距可能变成 4-50 倍，是不得了的一个数目。

王启隆：正好您刚才说第一步搭基建，跟您这个团队的话题有关系。Ingora 内部现在用 Obsidian 这样比较轻的笔记工具，作为公司记忆的底座，而不是搞一套更正式、更复杂的企业级管理系统。这个选择怎么定下来的？未来会不会改？

许建志：这其实是一个很有趣的地方：轻才会快。特别是在时代变化的时候，我们今天选了一个方案，有可能明天一个新的大模型出来，或者有新的改进出来之后，就完全把它取代掉了。

我们可以看到，大模型已经开始把一些传统软件的功能吃掉了。所以我们选择的第一个原则就是「轻」，第二个是我不受任何生态绑定。

我们选 Markdown 的原因就是说，不用担心。假设今天有比 Obsidian 更好的工具出来，我可以直接换掉。今天虽然是用 Codex 跟 OpenClaw 在建我的知识库，但假设 Google 或其他公司做得更好，我直接切换掉，完全不受影响。这是我们当初的目的。

另外还有一点，我们现在有个合伙人已经玩上瘾了，他觉得什么都可以自己做。就跟 Elon Musk 那时候在做特斯拉的时候一样：到底你要买一个 ERP，还是自己做一个？特斯拉决定自己做一个ERP。他那时候的决定不容易，但是现在你真的用 AI 去做一个，搞不好和当时比起来可能还更简单。

王启隆：现在很多公司还有一个常见问题，包括我们 CSDN 也有，那就是需要对外通过微信、飞书、钉钉、Teams、Telegram 等各种软件服务不同的角色、不同的客户，同一套记忆就要在完全不同的 IM 生态里面保持一致。

如果同一个人在飞书上问一个问题，过几天又在企业微信上换一个说法，问了类似的问题，系统怎么判断他就是同一个意图，避免两次给出不一样的答案？

许建志：我们现在的做法，也是利用了 OpenClaw 的 Channel 概念，因为它的 Channel 可以接到不同渠道。我们现在接上了非常多，有 Teams、Telegram、微信、钉钉，全都有，然后接到同一个地方。所有反馈内容都会回到主大脑。

所以你不管是从不同维度进来的，内容都在这个主大脑里。这样就不会避免重复干扰的问题。我们的 AI 新闻摘要与反馈，都有类似机制，会检查是否有类似或者是重复的内容。我们现在希望把公司的主要知识库，也就是现在这个大脑，和正在成型中的运营、产品相关的知识库接起来。我们还想把财务相关的也接起来。

我们现在还在评估与实验一些比较好的方式，因为同时也开始考虑权限问题。之后如果员工更多了，我们不想让他直接看到创投那边相关的资讯，或者公司财务相关的资讯等等。

王启隆：具体到搭建工作流，你把产品经理，也就是 PM 的角色概念化为 Editor，它不是 Typist。

但一个称职的 Editor，也就是编辑，其实有一个前提，就是他对一手材料有独立的判断力，知道原始信息应该往哪个方向剪裁。

那如果创始人，比如您这个角色，每天审的都是 AI 已经加工过的提案，长期下来会不会弱化对一手信号的直接判断力，越来越依赖 AI 给出的一步步框架？

许建志：我觉得其实应该是反过来。你想想看，以前我们身为员工去做出判断的机会有多少？其实机会不一定很多。

我举个例子：我通常让 AI 去扫新闻。Token 今天没有用完的时候，我就让它帮我把收藏的头条、小红书的新闻扫一遍，一扫可能就是 100 条，然后我让它帮我分析这些内容并加上创始人建议。

你想想看，这在以前是做不到这种量级的。所以其实你反而是被训练更多来做判断，而不是训练更多在读内容。你开始积累的经验，更多是用在做决策、判断这些高价值的部分，而不是执行的部分。所以我的看法是反过来的。

王启隆：您现在平均审一份概念文档，大概花多少时间？

其实我想到一个跟人性有关系的有趣话题：系统越快的时候人反而会越不放心，会觉得有个进度条在屏幕上，或者显示“正在思考中……”，总会感到安心一点。如果这个时间被压得越来越短，你们怎么保证自己不是在盖章，而是真的在判断？

许建志：我觉得这个问题蛮好的。如果 AI 很懂你的公司跟产品，它给的建议已经很靠谱了，那你去 review 的时候其实相对还快。

你觉得这个方向好，就让它生成产品概念文档；你看出来更靠谱，就不用来来回回重复这个部分。我感觉其实是还蛮不错的。

我们已经开始尝试让不同 AI、不同产品的 AI，或者不同品牌的 AI 互相做评比。以前我们已经在尝试 ChatGPT、豆包或者 Gemini，常常让它们三个一起开会。

比如我们决定一件事情要怎么做，先问 ChatGPT：你觉得如何？它给出一个答案之后，丢给豆包，跟它讲：你挑出里面的问题。豆包返回内容之后，我再拿给 GPT，说：豆包这样说，你怎么看呢？它开始反驳、开始修正。修正好之后，又发给 Gemini。

我们后来发现，这跟人开会蛮像的。你在做决策的时候，以前可能一个人拍板，那不一定靠谱，所以会找几个人一起来。今天当不同的 AI 一起参与决策过程时，我们发现质量靠谱非常多。我们现在正在尝试这种机制，把更多不同的 AI 加进来。当然，在没有 token 压力的时候，这都是非常好的方法。

多 Agent 千变万化的协作方式

王启隆：您今天讲的测试反馈，还提到软硬件区分，对应 Issue Classifier。如果自动区分硬件、软件、体验问题，这三类问题的边界其实非常模糊。比如设备反应慢，它可能是硬件性能有瓶颈，也可能是触发条件设计不太合理，让人误以为是卡顿，本质上是体验问题。

对于这种边界模糊的反馈，系统怎么处理？

许建志：我们现在做了一个蛮有趣的分派方法。如果判断这是软件问题，就放到软件的 GitHub Issue 里面。我们把软件跟硬件拆开，是因为软件我们是全自研的，硬件则是跟蒋总这边的人工智能 6S 孵化机制合作的。

拆开之后就比较容易追踪问题。刚才所讲的软件问题，归在软件的 GitHub；硬件问题，归在硬件的 GitHub。当我们搞不清楚的时候，就两个都放。之后再用 AI，只要两边都有，我还是可以让它同时去追踪。

王启隆：我还看到一个比较有意思的地方：你们让不同职能的 Agent 通过 Agent Mailbox 去协作。邮件是比较异步、非结构化的媒介，比起直接的 API 调用或者消息队列，它天然更容易在传递过程中丢信息、丢上下文。当初为什么会选择邮件这个形式，而不是更工程化的协作方式？

许建志：其实我们都在做测试。你可以打造 API，但我们以前在微软的时候就很有趣：你可能为了一个功能加了 API，那边又要开始加，这边加，加到最后就会有点失控，数量会变得非常多。

所以我们现在在尝试，有没有可能人跟人沟通的方式是通过邮件，也有可能是通过 IM，能不能通过这种方式来让AI沟通？特别现在开始有离峰 token 价格，在不需要即时任务的状况，或有闲置 token 再处理的任务，都可以适用。

所以我们不是只有做 Agent Mail，也在尝试 IM。我们尝试过，你可以让 AI 发 Teams 消息给人，也可以让它发微信消息；一样，它也可以去监控这个消息，接到之后做反应。如果它们自己可以聊起来，就可以打造human on the loop 的效果。

在演讲的时候你可以看到另外一个例子，那就是语音交互。我们让一个机器跟我们的电脑自己在聊，实际上是用电脑的 AI 在迭代测试设备上的 AI，背后实时检查日志与记忆，同步做优化。我们曾经在办公室三四个人在旁边开会的时候，它们两个自己在那边聊；我们各自聊的时候，担心打扰到他们聊天迭代，就干脆就把它们搬到会议室里面继续聊，让我们聊我们的。

那个体验真的是蛮有趣的。另外一个合伙人还说，他常常晚上也会被它们吵醒，因为还在跑，还在一直聊。

王启隆：这刚好有一个挺妙的问题。大家都期望未来的 AI Agent 自主迭代，晚上真的在跑。如果未来系统真可以 7×24 小时迭代，但一家公司的人还是要睡觉、要开会、要达成共识，那么如果系统进化的速度远远甩开人类组织决策的速度，组织怎么不被自己甩下车？

许建志：我以前曾经看过一篇文章，它说每一个流程一定有一个地方会产生阻力。现在在传统公司里面，我觉得人变成了一个非常重要的阻力，这主要是来自沟通与同步对齐的需求。

特别是国际大公司工作的环境是跨时区的，可能有美国的、印度的、欧洲的。一封邮件发过去之后，你可能得等明天回复；另外一封邮件过来之后，可能又隔好几天才送到另一个地方去。这种速度实在是蛮可怕的。所以这次我们为什么想要至少让我们的 Agent Mail 绝对比这个还快，原因就在这里。

以前执行是重资源与长时间，一旦通过 AI 执行变得轻与快，组织的思维会有所改变。就像我一次生成四种不同风格的 PPT，不论决策与结果，都会更容易与更好。

儿童赛道：为什么不做直接帮你写完作业的 AI

王启隆：接下来我们就具体聊一下 Ingora，因为可能很多读者还不知道你们在做什么事情。首先我觉得，所有做硬件的公司都会担忧一个问题：现在大家有一部手机就够了。相比手机或平板上的 AI 应用，专用设备必须提供什么样的体验，才可以真正让家庭都买一台硬件？

许建志：正因如此我们选了一个非常有趣的赛道：儿童。

目前的 AI，我们身为家长已经体会到了。每个家长都可以看，我们用 GPT 教小孩学英语口语，从多模态面世之后这两年，实践的效果非常好。和其他家长分享，他回去拿豆包去试，说豆包也可以。结果测试几次之后，小孩从开始说英语，最后变成什么？刷游戏视频。他会叫豆包找游戏视频给他看，叫豆包找其他东西给他看。

所以这就是我们刚才所讲的：目前的 AI 是为大人设计的，是为了手机和平板设计的。但我们家长其实很不想把手机、平板给小孩，因为绝对会失控，你没有办法控制，太难了。

第二个是，现在 AI 的交互方式也不对小孩友好，一堆文字、一堆 selection，他根本搞不清楚。所以我们认为这是一个非常大的机会。

这些小孩跟儿童绝对会变成 AI 的原住民，就跟以前互联网的原住民一样。我们必须为他们提供一个非常好的硬件设备跟体验，协助他们成长。

我们并不是为了协助他们完成工作，所以我们不做“直接给出题目答案”的答题工具。我们要的是，比如可以一起编故事，但是我会跟你讲，你怎么样用英语表达会更好。它其实是有不同阶段的。

我曾经看过几个我小孩在交谈过程中的很有趣的例子。他讲的是：My cat is sleeping on the sofa（我的猫正在沙发上睡觉）。这里面用了 sleeping（睡觉）这个词。然后 AI 就跟他讲：其实你可以用 doze（打盹）这个词，然后就教他怎么表达。

我当时看了蛮感动的。因为以前必须是你有能力去找外教，或者上网课，才可以负担个性化的学习，现在 AI 带来了一个非常大的机会。

王启隆：孩子愿意一直玩，把它当成一个成功标准的话，你们会用什么结果判断它确实在帮助小孩学习，而不只是在延长使用时长、刷 usage？

许建志：你问到第二个很核心的问题了。儿童是一个有趣的赛道，因为它代表一个全新的硬件跟软件机会。

我们切入英语口语这一块，原因就是它可量化。大家知道英文的话，从基本的词汇，到家长可能知道的语法正不正确，还有一个国际标准。国际标准可能有所谓欧标 CEFR，它可能有 A1、A2、B1、B2。我们已经测试过，可以用 AI 把它评估出来，然后找出里面需要改进的部分。

像我们这个小孩练了一段时间之后，就可以归纳出他现在的能力已经 B1 近 B2，B1 里面的英文单词他已经涵盖了 60%。这时候 AI 就会知道，如果要协助他成长，就要开始把高阶词汇用上。你今天讲 I'm happy，可能要变成 I'm delighted 的进阶用法。

王启隆：谈到量化标准，还有一个点我想到：孩子的认知和语言能力是动态变化的。6 岁和 12 岁对同一句话的合理回应标准完全不一样。那预期回应的标准是谁在维护？多久更新一次？会不会存在标准滞后于孩子实际成长速度的情况？

许建志：这也是一个非常好的问题。这是我们为什么选择跟一个国际学校合作。我们今天已经跟西华国际学校成立了战略合作。

毕竟我们是懂 AI 的，而真正的教育是专家在他们那边。这个国际学校很有趣的一点是，他们的家长来自全球 50 多个国家，非常多样化，而且有很多学习英语的需求。他们叫 EAL，也就是 English as Additional Language。你可能本来母语是西班牙语，或者是法语，一到这个学校的时候连口都开不了。他们会有专门的老师，帮助学生快速开口说英文。

所以我们在找他们，协助我们把这方法论与经验补足起来。但是他们听到跟我们合作之后，非常有兴趣。以前即使学生人数不多、每班人数不多，他们尽量做到个性化，但实际上还是不够。如果我们可以提供每个小孩的口语报告，以及他的改进空间和进步情况，他们非常有兴趣。因为他们可以更轻松、更快速地定制适合的内容，甚至跟图书馆系统接起来。

王启隆：陪伴类应用的长期记忆，long-term memory，也是体验的基础。小孩成长很快，很多信息也不该长期保存。你怎么划分哪些需要记住、哪些应该淡化，或者哪些必须由家长控制？

许建志：我们把记忆分成几个层级。第一个就是热记忆、暖记忆，跟冷记忆。

冷记忆是因为合规需求。我们做儿童产品，非常懂合规，所有对话必须被保存下来。当然，一般员工没有任何权限去碰这部分内容。万一有需要调查记录的时候，我们是需要的。这部分会非常庞大。

热记忆就是短期内容。你刚才讲编过的故事，或者去哪里玩，我们必须全部记住。但这个部分就跟电脑的 cache 一样，非常贵，所以不能放太多容量。

因此我们会在中间加上一个暖记忆。它是一个 graph（图记忆），我们用的是 Graphiti。它可以从里面抽象出 entity（实体），也就是知识点，然后判断是不是事实。比如他今天可能讲我不喜欢独角兽，这就变成一个事实，而独角兽会变成一个 entity。我们通过这种方式，把内容抽象出来，变成数据量没有那么庞大，但又可以很容易像神经网络一样在里面检索出来的内容。所以我们有三层记忆。

这也感谢之前 Claude 的内核被分析过，我们做了很多借鉴跟参考。这个挺重要的。

王启隆：您刚才提到合规。正好这个月我们遇上了 7 月 15 日正式生效的《人工智能拟人化互动服务管理暂行办法》，明确禁止向未成年人提供虚拟的各种亲密关系服务，要取得监护人同意等等。这几天关注新闻的读者可能也刷到过，像豆包、通义千问的智能体，7 月 15 日其实都下线了。

这个事情影响还是比较深的，因为现在情感 AI 确实缺少相关立法，大家都在摸索期。这对于想做主动陪伴硬件的团队，有没有收窄哪些设计空间？

许建志：这是一个非常好的定位问题。我们一开始就不那么喜欢纯陪伴类的方向。

第一个，因为我们自己从父母的角度来讲，你买了一个玩具，或者买了一个其他陪伴产品，它只是短期的，而且你很难看到它量化的结果。所以我们当初想的是，陪伴会是需求，但绝对不是我们的主要核心价值。

家长其实希望的，就是所有家长都希望小孩可以学习、可以成长。所以我们取了一个折中点，把陪伴往中间拉，把学习往中间拉。我们把它叫作学伴。它是一种学伴的概念，主要目的是培养小孩去成长，而不是让小孩觉得，无聊的时候只是可以去陪伴而已。这是我们做出差异化。

王启隆：再谈陪伴类应用，很多人都知道它是一个风口。这个风口存在很多机会，却很难看懂。我想到前几年很火的 Character.AI——现在提到这个应用感觉都恍如隔世了。当时也有青少年长期使用 Character.AI，出了糟糕的事情，然后欧美那边的监管铁锤也是立马就打下来了。

您怎么看待这个领域未来的走向？现在有人会说，人沉溺于虚拟形象的交互，可能会引发存在主义危机；或者说人缺少和人之间的交互，用 AI 来回避与人之间的交互，可能会感到很虚无。

许建志：我其实是非常认同的。我们也看过一些实际案例，就是小孩或者成人因为 AI，沉溺在这种感情生成的问题里面。

所以我们在盯产品的时候，也把这个原则放进产品里。比如传统这种陪伴类应用，它可能一直跟你互动。但我们不是，我们更鼓励主动探索。比如说，你去帮我找房间里面有颜色的东西，或者你去跟爸爸一起编一个故事，然后再生成我们的内容。我们是通过这种方式鼓励他做互动。这样其实就可以避免小孩子把注意力放在一个硬件产品里面。

知识库别急着分类，创业 3 个月踩过的坑

王启隆：接下来我们聊点短期的问题，这其实也跟我个人息息相关。我们现在做编辑，每天接触的信息太多，每天一堆新闻，而小文章又经常需要引用不同的信息源，现在有时候很需要搭建一个知识库。如果一个资源有限的团队，今天就想做知识源，他现在应该首先统一哪类信息？最不该急着搭哪些信息？

许建志：我觉得不要分。我的建议是这样：我们现在用的就是，所有知识先进到一个弱格式——先全部放在一个格式，由它自动帮你分类。

像我们公司知识库里面，有 Product 的目录、Research 的目录、Finance 的目录，全部都是自动化的。你就先把内容全堆在一起，请它帮你整理。整理完之后，你跟它说：那你帮我把它分类。它就自动帮你建目录，然后把档案移过去。

用 AI 的优点就是说，传统上如果今天档案做了改变，你会很痛苦：里面有链接怎么办？是不是要自己去修复？你一想到这个修复，就会觉得啊，不做了。但是因为 AI 已经完全了解你的档案结构，标签它自己帮你打；你移动目录之后，它连双向链接都自动帮你修复。如果今天 token 没有用完，我就请它帮我全 compile 一次，重新检查有没有哪些双向链接有问题，帮我做出修复。

所以你们应该可以通过这种方式，等它更了解你之后，它还是可以自动帮你分类：哪些重要，哪些之后再处理，哪些属于其他部分。

王启隆：您现在创业 3 个月，有很多踩坑的经历。对于正在把 AI 引入产品或组织的新进创业者或者管理者，您有没有什么常见的、会浪费时间的错误动作，可以给大家分享一些？

许建志：我们一开始其实尝试用很多传统的方式在打造，就像刚刚讲的，用传统的软件开发流程，然后找合作。因为我们当时还没有工程师团队，我们几个创业团队成员，讲好听一点是有经验，讲不好听一点是比较老了，已经很久没有真正跑代码了，所以我们也不是很安心，就采用传统的方式。

我其实就开始在想，是不是应该找一些工程师，找外包团队。但是一直做下来之后，我们的心已经是 AI 的速度，我就发现执行力跟不上。当执行力跟不上的时候，我们几个人就会想：那我们自己来干好了。用完之后大家每天都熬夜，好开心，就是因为你舍不得它停。所以差别就在这里。

我还推荐一下，大家可以看一看蒋总的《硅基时间》，还有你们 CSDN、奇点折射的文章，很有帮助，对我的启发蛮大的。

Memory 里能挖出“黄金”

王启隆：那您说未来公司的竞争力，不是模型，不是 GPU，不是 prompt，而是 Memory 和利用 Memory 持续学习的能力。但 Memory 本身能不能用好，很大程度还是取决于调用它的 prompt 或工程能力。

如果两家公司囤积的 Memory 以后数量、质量都差不多，最后决定胜负的会不会还是谁的工程能力最强？Memory 能力和 prompt 工程能力之间的边界，您怎么划？

许建志：我们现在用 Memory 这个部分，因为划了好几层，发现里面可以挖掘的东西非常多。

比如现在让小孩跟 AI 聊天，其实是在练纯英文。我们小孩最多聊过、最长的一次是两个半小时，在编故事。我们当父母的看到小孩用英语这样聊天，是很开心的。以前我们一直很想给他找个外国小伙伴陪他一起练，现在不用了，这个 AI 发音还非常好。那你跟它积累出来的量是非常大的。

如果只是把它记下来，这是第一步而已。第二步，我们可以把里面很多东西截取出来，比如他的英文能力；第三步，我们可以看看里面的内容。比如那两个半小时，我们就把它整理出来，变成大概四本儿童小章节的书，然后做很多分析。

之后可以说：请它开出一个报告，评估怎么样可以协助他再改进。比如他的优点在哪里，他喜欢什么，他要改进的话，可以增加哪一方面的词汇。

这部分我们目前还没有做到彻底。就是说，你好多原有的内容，其实都可以提炼出很多黄金出来。所以这个潜力非常大。

王启隆：对于刚进入行业、担心 AI 会替代自己的年轻人，您建议他们把时间优先投入到什么上面？

许建志：我觉得就是去试，动手。

我举一个例子：我们团队里面有加入的年轻人，刚毕业没有多久。以前我们原先不打算找年轻人加入，因为 AI 能力已经很强了，已经都取代年轻人的工作。但是他主动找我的时候，有个地方让我蛮受感动：他自己花钱去使用 Claude 或 Codex，帮他原先的公司做事。他只是为了对 AI 的兴趣跟热情，自己去体验、去试、去测试，用 AI 帮他老板做事，而他老板也没有预期他要做这个事情。

我觉得这其实就是所谓的激情。当你有这个激情之后，去接触这些最新的发展，加上你的创意，我觉得每个人其实都很有机会。

2026 奇点智能产品大会汇聚 40+ 位一线产品技术专家与行业实践者围绕 Agent、企业级 AI、AI Coding、具身智能、AI 原生组织、行业应用落地等方向，分享了大量 AI 产品实践与落地思考。

我们将陆续整理嘉宾演讲内容，帮助大家复盘现场精彩观点。欢迎读者朋友们扫码领取大会 PPT 合集，获取一线专家的实践经验与深度洞察。