流沙之上：陈冕、景鲲、倪正民和中国 AI 应用创业者的三种选择

“独立AI应用公司或许正面临两年来最狭窄的生存空间。”

作者丨李娜

编辑丨岑峰

2026年夏天，中国AI应用创业公司同时感受到了两股压力。一边，大厂开始陆续推出通用的办公Agent；另一边，一级市场对AI应用的态度正在转冷，持续看AI应用项目的投资人林望，提到模型能力的升级很容易覆盖AI应用的能力，他把这种处境形容为“在流沙上盖房子”。

流沙是不断变化的模型能力，房子则是建立在模型之上的AI应用。创业公司刚刚围绕模型能力的缺口做出一个产品，模型再往前走一步，原来的缺口就可能消失。

如果把视野放大，过去一年AI应用公司大致出现了三种迁移方向：一类继续进入专业工作流，把模型嵌进更完整的生产过程，典型如Cursor嵌入编程工作流、Lovart嵌入设计工作流；一类不断扩大任务边界，争夺更通用的工作入口，典型产品如Manus、Genspark；还有一类试图把知识、工具、Agent和用户上下文组织成长期工作的系统，例如Notion AI、FlowithOS、WorkBuddy等。

三条路线不同，背后却都面临着同一个问题：当模型厂和互联网大厂都开始向应用层推进，独立AI应用公司还能留下什么，才不至于在下一次模型升级后重新开始？

序章丨如果模型厂也做，你怎么办？

2025年初，从上海飞往北京的一趟航班上，陈冕哭了。

当时LiblibAI的收入刚刚翻倍，公司仍在增长，但陈冕觉得，“完蛋了！”如今圈里很多人把演语科技创始人陈冕称为“冕神”，最近爆火的一个播客采访里，陈冕提到了去年年初自己对着投资人哭的场景：他默默流泪，在和投资人的电话里，他说“完蛋了。”

此前近一年，团队都在做节点式的强控制工作流，让用户通过连接不同模型、调整参数来获得更稳定的生成结果。但新一代图像模型GPT-Image-1出来后，原本需要在应用层完成的许多复杂操作，开始被模型自己解决。团队花了近一年搭建的中间层突然失去了存在的必要。

这也是很多AI应用公司面临的矛盾所在：模型越强，应用越容易获得上游的模型能力；模型继续变强，应用层辛苦搭建的产品价值又可能瞬间消失。陈冕用“逐鹿中原”形容这种处境：模型厂商还在扩张，应用公司得趁主战场没压过来时先占住自己的江东，再修一道“长江天险”。他总结：“用时间换空间，用空间换资源，再用资源浇筑壁垒。”但那道壁垒到底是什么，他自己也说，只有修出来才知道。

今年，一批较早进入AI应用层的创业公司已经走到新的阶段。演语科技(Lovart)和Genspark成为华人AI应用创业公司估值最高的一批，Flowith体量更小，但也在创作Agent领域获得了较高关注。

本文选择Lovart、Genspark和Flowith作为三个观察样本，看它们如何从不同起点，一步步把产品边界推向今天的位置。

01

陈冕：往专业工作的深处走

陈冕在做AI应用之前，最后一段大厂经历是在字节负责剪映和CapCut的全球商业化。曾在剪映工作的产品人士陈川告诉雷峰网，剪映后来能够从一个服务抖音的工具变成独立创作产品，一个重要变化是把专业剪辑能力不断简化给更大的中间用户群体。复杂的剪辑被压缩成普通用户可以直接调用的模板和功能，商业化也逐渐从免费工具转向会员、模板等付费方式。这段经历或许能够提供了一个理解陈冕的背景：他过去最熟悉的就是怎样把专业能力重新包装成更多人可以使用的产品。

2023年创业时，生成式AI也处在类似阶段。Stable Diffusion已经让图像生成成为可能，但找模型、训练LoRA、调参数仍然是专业工作。Liblib最初把模型、创作者和生成工具聚到一个平台上，此后又继续向Workflow推进。陈冕后来在Founder Park的访谈中把这一时期称为图像AI应用的“2.0”：模型提供一个个能力，ComfyUI式工作流负责把它们组织起来。对应用公司而言，这套生意成立的前提很简单——模型越难使用，中间这一层越有价值。

这套逻辑在2025年初第一次遇到了问题。当模型本身越来越容易理解自然语言、完成复杂控制，应用层靠“帮助用户驾驭模型”建立起来的一层价值开始迅速变薄。据Elsewhere报道，在得知gpt-image-1即将开放后，陈冕从全公司抽调最好的人到上海封闭开发Lovart。此后，每当新产品出现，公司都会迅速把资源向新的增长点倾斜。模型变化得太快，资源也必须跟着机会移动。

陈冕没有继续增加Workflow的复杂度，而是把复杂度藏了起来。Lovart仍然保留画布，但过去需要用户自己选择模型、连接节点和规定执行顺序的工作，开始交给Agent完成。陈冕在Founder Park的访谈中把ComfyUI比作一块需要用户自己“搭电路板”的画布，而Lovart更希望成为一张设计师工作的桌子：用户只需要告诉AI想做什么、哪里需要修改，后台再完成工具选择和任务拆解。

从这个角度看，从Liblib到Workflow再到Lovart，陈冕反复在做的其实是同一件事：找到仍然过于复杂的专业能力，再把复杂性从用户面前拿走。类似的迁移也出现在AniShort、Loopit、Aippy等创作工具上：单次生成能力越来越容易获得后，产品开始继续向脚本、交互、协作和完整生产流程延伸。

只不过到了AI时代，他需要面对一个过去做剪映时没有的问题——产品刚刚消化掉一层复杂性，下一代模型可能又会把这一层复杂性消灭掉。

插曲丨一年之内，Agent从创业机会变成大厂战争

如果要形容2025到2026年AI应用创业者的处境，大概就是：那种所有人都知道地面在移动，却不知道下一块稳定土地在哪里。

2026年春天，这种感觉变得尤其明显。一只被国内用户叫作“龙虾”的开源Agent OpenClaw突然流行起来，部署教程和使用案例迅速铺开，没过多久，国内几家大厂也相继推出相关产品和服务。国外的变化同样快，OpenAI、Anthropic都在继续把Agent从编程推向更完整的工作场景。一个原本还带着极客色彩的产品形态，很快就被卷进了大公司的竞争。

再往前一年，情况还完全不同。2025年春天，资本才刚刚重新对AI应用产生兴趣。一位达晨投资人当时告诉雷峰网，2024年“应用明显有点凉了”，到了2025年，“大家又统一了共识，应用又火了起来”，但真正愿意下注的人仍然不算多。

3月走红的Manus，把Agent从技术圈里的概念变成了一场大众事件。在此之前，很多AI应用仍然围绕搜索、写作、图片生成这样的单点能力展开，用户习惯的也是“我问一句，AI回答一次”。Manus则把另一种交互方式摆到了所有人面前：用户只说自己最后想得到什么，中间的过程可以交给Agent自己决定。

这也让很多创业团队需要重新估量原来的计划。Lovart在Manus走红前已经开始准备，但陈冕后来提到，Manus让他更确信Agent会成为下一阶段的重要产品形态；景鲲看到的信号则更偏技术，他把Claude Sonnet 3.7视作端到端Agent开始真正可用的节点，随后停掉了已经拥有数百万用户的AI Search；Flowith原本就在开发Agent Neo，Manus带来的市场热度又让团队把发布时间提前。

一年后的2026年，这种不确定性没有消失，只是参与者更多了：模型厂、互联网大厂和开源社区同时进入这个市场，对应用创业公司的压力也因此变得具体：它们不仅要面对被下一代模型能力升级吞噬的不确定，还有一个刚刚被验证过的产品方向，可能很快变成大公司主战场的问题。

陈冕、景鲲和倪正民真正不同的地方，也是在这段时间里出现的。他们都看见Agent在变大，但没有选择在同一个地方等待未来。

02

景鲲：停掉搜索，赌一个更大的入口

“一个做了二十年搜索的人，为什么把自己的AI搜索产品杀掉？”

2026年8月，在新加坡参加GeekPark的一场活动前，景鲲把准备行程这件事交给了Genspark。他让邮件Agent翻出自己与主办方此前的往来邮件，整理完整日程、找到附件，再按照他的语气起草调整安排的回复。

一年多以前，Genspark还只是一家AI搜索公司。搜索原本是景鲲最熟悉的领域。他自己把过去近二十年的工作概括成一件事：连接人与信息。2024年创办Genspark时，AI Search因此是一个很自然的起点。

那年6月，Genspark上线不久，景鲲仍然把AI搜索看成一场长期战争。曾与他深入交流的林舟告诉雷峰网，景鲲当时担心，如果所有AI搜索产品使用的都是同一份公开Web数据，最后的区别可能只剩下怎么在页面上“摆盘”，真正值得积累的是自己的高质量数据和用户数据。他还给产品设过一个标准：“我不希望大模型来了之后，因为技术的升级，某个产品就不见了……大模型能力的升级应该让我变得更强。”

2025年2月，它刚刚完成1亿美元融资，产品已经有超过200万月活用户。不到两个月后，Genspark却决定停掉AI Search，一个拥有500万用户的产品，从成立到被放弃核心形态，只用了不到一年。公司在4月发布的文章中说，固定的搜索流程越来越难处理复杂任务：用户需要的不只是找到和整理信息，还有比较方案、做研究、生成PPT，甚至直接把事情做完。

真正改变景鲲判断的技术信号，是Claude Sonnet 3.7。Genspark从创立第一天就希望做能够端到端完成任务的Agent，但此前的模型还不够可靠，AI Search只是当时更现实的PMF。Sonnet 3.7出现以后，景鲲认为模型第一次能够支撑完整Agent落地。他后来解释，转向当然有风险，但“站在原地”的风险更大，因为用户最终总会迁移到更好的工具。

这种做法在景鲲过去的产品经历里并不陌生。小度相关的从业者周远告诉雷峰网，景鲲最初做小度时只想做AI操作系统，并不想自己生产硬件。但2017年天猫精灵把499元的音箱降到99元后，原本依赖合作伙伴的生态受到冲击，小度最终不得不自己进入硬件。景鲲当时总结过另一层经验：硬件上的新功能往往只能领先半年到九个月，很快就会被复制，更难复制的是用户持续交互后形成的数据正反馈。

到了Genspark，这套判断再次出现，只是方向反了过来。当搜索不足以承接用户完整的任务，他开始向上扩大产品边界。AI Search之后是Super Agent，再之后是Workspace。搜索、做PPT、处理文档和更多原本分散在不同软件里的工作，开始被放进同一个产品里。

这种变化也发生在景鲲自己的工作方式里。2025年开发AI Slides时，他第一次让Super Agent完整接手一份演示文稿。过去需要几周完成的资料研究、结构梳理和设计，被压缩到了5到10分钟。景鲲后来写道，自己最初还是习惯性地从AI结果里挑错，但当结果开始明显超过自己的预期时，他甚至开始问自己，以后还有什么工作需要亲自完成。

景鲲选择的方向，也是2026年竞争最拥挤的一条路。Manus、Perplexity等产品也在从单点能力向更完整的任务入口移动。这条路线的诱惑也最明显：产品边界越大，理论上能够留下的用户Context越多。但它也是最直接进入模型厂和互联网大厂主战场的一条路，因为大厂可以抢走流量，但很难抢走已经长在系统里的“协作关系”。

这和陈冕的选择恰好相反。陈冕不断往专业生产里深入，景鲲更担心停留在一个很快失去价值的产品层。对他来说，原来的边界一旦开始限制用户完成更多事情，答案通常不是守住它，而是再往前走一层。

03

倪正民：把创作Agent做成一套系统

2025年，倪正民曾让Agent接管自己的微信十几个小时，替他回复消息，而聊天对象没有意识到屏幕另一端已经换成了AI。对他来说，Agent很早就是工作和生活中的一部分。

倪正民1996年出生，很早就开始做网站、设计和软件，高中时还经营过线上设计工作室。相比模型能力本身，他一直更关心人与软件怎么交互。Flowith最初的无限画布，就来自团队一个很具体的使用习惯：他们高强度使用不同大模型时，需要同时打开多个窗口，把不同Prompt和生成结果不断复制、比较，一度甚至直接丢进Figma里并排整理。最后团队反过来问，为什么这套工作方式不能直接成为AI产品本身。

于是，Flowith最早解决的是“人怎么和很多AI结果一起工作”。无限画布之后，团队又把知识库和能够长时间执行任务的Agent加进来，但产品服务的人一直相对明确：知识工作者和内容创作者。

到2025年5月发布Agent Neo时，倪正民仍然坚持这条边界。在播客《十字路口》里，他说，通用与垂直之间的界限可以模糊，但通用Agent更适合模型厂商，创业公司的机会更多在垂直领域。Neo已经可以拆解任务、连续执行很长时间，Flowith甚至把目标称为“创作领域的AGI”，但即使技术上能够继续做订票、点外卖、打电话这样的任务，团队仍然选择不做。Manus的走红也只是让他们原本计划更晚推出的Neo提前了。

直到两个月后，联合创始人伊晨在祥峰投资的播客里开始强调“系统”。在他的描述里，画布不再只是一个生成内容的界面，而是一个可以继续容纳知识、Agent、工具和用户工作过程的环境。他同时判断，模型、软件、浏览器、Agent乃至操作系统之间原本清晰的边界正在消失。

到2026年初，这条路线最终被命名为FlowithOS。FlowithOS 的核心野心在于：通过无限画布重塑人机界面，从而在应用层之上、模型层之下，强行卡出一个“Agent 调度层”的生态位。倪正民后来回忆，团队在2025年中已经看到OS Agent的趋势，并从那时开始开发FlowithOS。它想做的不再只是一个负责生成内容的Agent，而是一套能够承接用户知识、工具和工作过程的环境。

Flowith之外，WorkBuddy、Notion AI等产品也在尝试把知识、工具和Agent组织进同一个工作环境。这条路线和景鲲看起来很接近，但出发点不同。Genspark是希望成为更大的入口；Flowith则从创作这一类任务出发，把围绕这类用户需要的知识、工具和Agent不断装进同一套系统。两条路最后可能越来越像，但它们是从相反方向走到一起的。

04

三条路线都不是真正安全？

到了2026年，做出一个Agent已经越来越难成为一家公司长期获得注意力的理由。怎样让用户持续注意到自己反而成了一种新的竞争能力。

一位长期关注AI应用创业的从业者把AI产品增长过去一段时间的做法概括成“造奇观”理论：“今天的AI产品的增长完全是要靠博眼球……大家就是在想各种办法叫造奇观，通过不断的造奇观、蹭概念来获得那些最有传播力的网红的认同”。在他看来，这套增长逻辑与过去依靠买量不同，只要获得流量的成本足够低，即使大部分尝鲜者最终离开，剩下的付费用户也可能让这笔账成立。

翻看Genspark过去两年的产品博客

“World’s First”多次出现

但注意力本身很难沉淀成壁垒。一位曾负责大厂AI产品的产品经理周远告诉雷峰网，应用团队经常面对一个更麻烦的问题：效果、时延和成本很难同时做到最好，更重要的是，团队可能花半年时间做出的工程优化，下一代模型发布后就被直接“吃掉”。当模型厂和互联网大厂也开始不断把Agent能力塞进自己的产品，创业公司的选择空间因此被进一步压缩。

三家公司走向了不同的位置，但背后的的担忧相似：如果公司的价值只建立在某一项模型暂时还做不到的能力上，这层价值迟早可能随着模型升级一起消失。Flowith联合创始人伊晨在2025年7月就谈到类似问题：大厂可以模仿产品形态，甚至逆向工程某个设计和功能，但团队、用户以及围绕产品形成的生态没有那么容易复制。

到2026年，类似的词开始越来越频繁地出现在AI应用创业者的讨论里：用户上下文、长期记忆、生态、数据和工作历史。一位业内人士告诉雷峰网，相比可以不断替换的模型和功能，用户已经留下来的文件、项目和使用关系，至少看起来没有那么容易在一次模型升级后消失。

但这些东西是否真的能够成为壁垒，还没有被证明。专业工作流仍可能继续被模型压缩；用户Context最天然的拥有者，可能恰恰是已经掌握办公软件、操作系统和社交关系的大厂；今天被称为Agent OS的能力，也可能在下一代基础模型里变成默认配置。三条路线都不是一块已经被证明安全的地方。

过去两年，AI应用公司已经证明自己可以不断换产品：Search可以停掉，Workflow可以藏进后台，创作Agent也可以继续长成OS。真正还没有被证明的是，每一次产品形态变化以后，上一代积累的用户、数据、专业知识和使用关系，有多少还能进入下一代。

陈冕把创业比作“逐鹿中原”：应用公司要赶在模型厂商压过来之前先占住一块地方，再修出自己的“长江天险”。到现在，还没有哪一道防线真正经历过足够长时间的检验。模型还会继续向前，对独立AI应用公司来说，真正重要的或许不是找到一块模型永远不会抵达的地方，而是当地面下一次移动时，仍然有什么东西不会跟着一起归零。

对一部分公司来说，它会来自更深的产业场景：进入企业真实的业务流程，理解一个行业里的规则、数据和交付方式；对另一部分公司来说，则可能来自开发者、设计师、创作者等专业人群长期形成的使用习惯、内容和生态，建立更高壁垒的开发者生态。如果这些关系和生态能够跟着公司穿过一轮轮产品变化，那么下一次地面移动时，它们至少不必每次都重新开始。

模型能力每六个月翻一倍，但行业的认知差是唯一的“固定资产”。在AGI这场无止境的长跑里，只有不急于一时得失的人，才有资格定义终点。

作为这场“流沙之战”的深度记录者，雷峰网并不只关注谁跑得最快，我们更致力于寻找那些在地面剧烈移动时，依然能守住“逻辑原点”的人。

如果你也AGI赛道的坚守者，拥有无法被模型迭代轻易稀释的创业逻辑，并愿意讲述你对行业终局的判断，请与我们联系（微信：LeonYu87）。我们期待与守望者同行，共同在流沙之上，浇筑属于未来的天险。

*（文中林望、陈川、林舟、周远、许川皆为化名。）