我们是如何定义 OpenClaw for Teams 新产品形态的｜对谈 Kuse&Junior 联创兼 CTO 宇豪

概览

本期围绕 Kuse 从 AI workspace 增长到千万美金 ARR 的过程展开，重点不是单一爆款功能，而是他们如何在产品形态、定价、ICP、测评体系和组织工作方式上连续调整。宇豪反复强调，AI agent 产品的成本结构、任务复杂度和用户价值判断，都和传统 SaaS 不一样。

讨论后半段集中在新产品 Junior：它被定义为嵌入企业工作流的 AI employee，而不是个人助理。Junior 有自己的职责、账号、项目、邮箱和手机号，目标是在企业环境中承担真实岗位工作，并围绕企业记忆、权限、安全、组织关系来设计。

整期最核心的判断是：AI 正在从“工具”进入“劳动力”市场，企业真正关心的不只是效果，还包括成本、安全、权限、可审计性和能否融入既有工作流。宇豪认为，做团队版 OpenClaw/OpenCloud 的团队如果只追求能力演示，而不建立 evaluation benchmark 和权限安全体系，会很快遇到真实客户场景里的问题。

分段落总结

[00:20] 嘉宾背景与 Kuse 当前业务

[事实] 宇豪介绍自己是 Kuse 的 CTO，曾在 Facebook/Meta Stories 项目和 SmartNews 做过 AI 与审核相关工作。 [事实] Kuse 的 AI workspace 经历了从 1.0 到 2.0 的迭代，转录中提到已经做到大概千万美金 ARR。 [事实] 现有产品形态是三栏式：左边文件夹、中间工作区、右边 AI，AI agent 可以调用文件夹中的内容，并在背后运行沙盒。 [事实] 主要用户包括海外 agency、自雇人群、高级白领，也有小公司把资料搬到产品中，用 agents 替代部分人力。

[02:10] Bootstrap 与早期方向试错

[事实] 宇豪确认公司目前是 bootstrap，由创始人自己投入资金，投入规模约一百多万到两百万美金。 [事实] 团队早期做过 email marketing AI，也做过设计 agents 和无线画布上的海报、网站设计能力，但没有获得大量设计师支持。 [事实] 后来他们发现一些用户会上传文件和资料，用产品做整理与 reformat，这类用户留存显著更高。 [推测] Kuse 的关键转折来自观察真实用户行为，而不是坚持最初设想的设计师或营销场景。

[03:50] 固定定价在 agentic 产品中失效

[事实] 宇豪认为固定定价在 AI agents 场景中会造成巨大亏损，也难以识别真正有价值的客户。 [事实] 复杂任务可能让 agent 迭代十轮、二十轮、三十轮，但用户并不会意识到低扣费其实是在补贴他。 [事实] 团队最终放弃了原本自豪的无线画布，转向更传统的文件夹形态，并将定价改成 usage-based。 [事实] 这两次调整导致用户数和付费数出现过一波大跳水。 [推测] 定价在这里不仅是收入模型，也是筛选 ICP 和控制 AI 成本的产品机制。

[05:20] 从无线画布转向“AI 网盘”

[事实] 无线画布适合原先的设计 agents，也更符合设计师和产品经理的习惯。 [事实] 随着客户逐渐变成各行业 agency、自雇员工和高级白领，团队选择放弃一部分原有客户。 [事实] 宇豪提到当时模型能力不足，设计 agent 的效果不好，需要大量工程 workflow 去弥补。 [推测] 这次转型体现了他们愿意牺牲一部分早期用户，去追求更高留存、更高价值的使用场景。

[07:10] AI 创业的时机与产品形态风险

[事实] 宇豪提到，团队放弃设计 agent 后不久，市场上又出现了相关模型和产品突破，如果多坚持一段时间，那个方向也许会更好。 [事实] 他认为 AI 创业中早做或晚做都可能不对，时机本身很难判断。 [事实] 团队曾把产品形态和模型能力绑定得很重，导致每次模型突破后，如果产品形态要进步，就可能需要全面重写。 [事实] 他们后来意识到 evaluation 测评框架没有做好，会导致模型进步时不知道怎样迭代更合适。

[08:20] 不能用一个通用产品同时服务所有人

[事实] 宇豪认为，不同需求和用户画像在 AI 时代很难用统一产品服务。 [事实] 现有产品更适合 agency、高级白领等能迁移资料和 contacts 的用户。 [事实] 企业客户已有固有 workflow 和工具，因此需要能走进企业工作流和办公软件的产品线。 [推测] Kuse 对“通用 agent”的理解不是做一个入口服务所有人，而是在不同场景中设计不同的进入方式。

[10:25] Evaluation benchmark 与技术 taste

[事实] 团队在自己的业务场景下组建了大量自动化测试 pipeline，并逐渐演进成 agentic 测试。 [事实] 他们会用 agent 去评估模型变化、runtime 变化、多轮对话、环境状态、action 是否合理，以及是否做了不该做的事。 [事实] 宇豪建议 agent 创业团队尽早建立这套 evaluation/benchmark。 [事实] 对于新模型解锁的新能力，他认为仍然需要技术 leader 的 taste，以及一线人员第一时间识别。 [推测] 在他们的方法论里，量化评测负责稳定迭代，技术 taste 负责捕捉新能力和新场景。

[14:00] 模型突破如何转化为内部 agents

[事实] 宇豪提到他们在 12 月看到新模型在复杂环境长任务上的通用性进一步提高，并在 OpenCloud 火起来之前已经做了类似尝试。 [事实] 公司内部有数据分析 agent 7x24 小时处理新数据，并把数据喂给 marketing agents，用来生成精准 UGC 场景和视频。 [事实] 团队很早加入了 skills 系统，但一开始误判客户难以理解，于是包装成 templates，直到三个月后客户主动要求支持 skills。 [推测] 这说明团队虽然重视技术 taste，但也会低估用户对新能力的接受速度。

[17:00] AI 员工成本与组织摩擦

[事实] 公司全球约 15 个全职员工，长期运行的 agents 有 3 到 4 个，分别覆盖研发、marketing、数据和销售等方向。 [事实] 这些 agents 每月 token 成本超过 2 万美金，平均每个 agent 每月约三四万人民币。 [事实] 宇豪认为 agents 单位成本可能比人贵，但人和人之间的摩擦更大，agents 可以降低组织复杂度。 [事实] 团队从去年 12 月左右开始很久没有继续扩张招聘，并要求每个招人需求先回答为什么不能用 agent 取代。

[18:20] Azura 与自用 CRM 对 SaaS 的冲击

[事实] 销售 agent Azura 掌握客户和销售数据后，为公司 build 了一个自用 CRM。 [事实] 这个 CRM 没有 fancy UI，只是一个表格，但可以识别 upsell 机会，并持续扫描销售数据。 [事实] 宇豪提到，这个 CRM 是销售 leader 和 Azura 聊了一晚上做出来的，而传统方式可能需要产品、技术和销售花很久对需求。 [推测] 他对 SaaS 可能被迫转型的判断，来自企业记忆型 agents 能快速生成高度定制化内部软件。

[21:15] Organic 增长、虚假繁荣与 AI 成本

[事实] 公司几乎没有做过大预算广告投放，曾通过 UGC organic content 做到单日 1000 万 impressions。 [事实] 教育和学生场景的 use case 很容易爆，但这类用户转化率和 LTV 很低。 [事实] 宇豪强调 AI 产品的边际成本不是零，免费用户会带来真实推理成本。 [事实] 团队大幅降低免费用户用量，并把最低付费 plan 从 11.9 美金提高到 39.9 美金。 [推测] 他们后来意识到 impression 和注册量可能是虚假繁荣，真正重要的是用户价值、留存和成本结构。

[24:30] Junior 的定位：AI employee 而不是个人助理

[事实] 新产品名为 Junior，主打 help your AI employee，嵌入工作软件中。 [事实] 宇豪强调 Junior 不是某个人的 personal assistant，而是一个员工，有自己的职责、工作账号和持续推进的项目。 [事实] Junior 这个名字是为了降低预期；宇豪认为它可以取代若干个三到五年经验员工的工作。 [事实] 他们认为 2026 年会有人进入 AI 劳动力赛道，并提到劳动力市场规模远大于软件市场。 [推测] Junior 的商业叙事从“卖软件”转向“卖劳动力”。

[28:00] 身份、邮箱、手机号与真实互联网任务

[事实] 团队会给每个 Junior 配 Gmail 和手机号，让它在互联网世界中有 self identity。 [事实] 宇豪举例说，真正做竞品调研的产品经理会注册账号、试用甚至付费，Junior 也需要具备这种能力。 [事实] 他们发现 AI 员工登录服务时不能总是找人类，因此邮箱、手机号等需求是在真实使用中长出来的。 [事实] 他们甚至考虑给 Junior 配摄像头、话筒和音箱，让它直接参与线下会议。

[29:50] Ring：从会议记录到项目经理

[事实] Ring 是一个 top 级别的 Junior，参与 Junior 项目的 PRD、PR、代码、marketing 材料和销售材料。 [事实] 宇豪称 Ring 是最理解 Junior 项目的人之一，团队遇到项目问题会先问 Ring。 [事实] Ring 不只是做会议记录，还被设想为能在会议中直接表达观点、回答问题。 [事实] Ring 从做会议纪要、整理笔记，逐渐成长到每天早上给宇豪发消息和分任务。 [推测] Ring 的案例说明，AI employee 的价值不只在执行任务，也在持续积累项目上下文。

[32:00] AI 员工改变组织节奏

[事实] 团队建立了一个 Human only 群，因为在有 Junior 的工作群里，任何工作相关消息都会被迅速推进。 [事实] 宇豪提到，当每一秒都有人回复并推进任务时，人类会不好意思不继续推进。 [事实] Azura 已经有公司邮箱，并开始以公司名义对外发 reach out 邮件。 [事实] 宇豪说自己一度不适应和人类合作时信息传递太慢。 [推测] 在这种工作方式下，人类从任务执行者变成了 agent 工作流中的瓶颈和审批者。

[34:00] 权限、安全与白帽测试

[事实] 为了作为第一个客户测试 Junior，宇豪有意给它接近 CTO 的权限。 [事实] Junior 有外网访问和自己的 identity，因此可能被钓鱼、被黑，甚至泄露公司机密或造成实际损失。 [事实] 团队雇佣白帽团队来攻击权限设置。 [事实] 宇豪认为越好的模型越安全，因为越好的模型越不容易违反限制、越不容易被钓鱼。 [推测] 企业级 AI employee 的核心门槛不只是能力，而是能否在高权限下保持可靠边界。

[38:25] 团队版 OpenCloud 的差异化：企业记忆

[事实] 宇豪认为，OpenCloud 主要服务个人，记忆围绕主人；企业员工则应先为公司工作，再为老板工作。 [事实] 因此 Junior 的记忆应以企业、项目和人际关系为核心，而不是个人助理式记忆。 [事实] 他认为记忆方式必须针对具体场景设计，不同场景不能完全共用同一种记忆方式。 [推测] 对团队版产品来说，“企业记忆”可能比界面和单次任务效果更接近长期壁垒。

[41:00] 安全、权限与规模化问题

[事实] 宇豪认为一个安全事故可能毁掉产品长期积累的 reputation。 [事实] 在 enterprise 场景下，企业是否愿意交出更多资料，取决于产品能否建立足够信任。 [事实] 团队准备通过开源、可部署到客户云端等方式，让产品更透明地进入企业。 [事实] 宇豪提到，很多问题只有上规模后才会出现，例如 LM cache、context engineering、权限框架和进入 enterprise 的组织复杂度。 [推测] 规模本身会暴露新问题，也会反过来形成护城河。

[44:35] Junior 的收费与岗位设定

[事实] 团队考虑采用 salary-based 收费，可能是每个 agent 每月 2000 或 5000 美金，再加超额 token credits。 [事实] 他们一开始设定了产品、数据、研发、销售、operation 等七八个 Junior，但最后长期留下的大约是 Ring、Azura 和 Tom。 [事实] 宇豪认为传统人类岗位分工在 agents 上会变得模糊，更像早期 startup 中每个人身兼多职。 [事实] 内测版本会让用户选择初始职业，比如 sales、marketing、内勤总管或 general，但这更多是为了引导开始对话。

[47:00] 边界更多来自权限和工具，而不是能力

[事实] 主持人提出，agents 的边界听起来不像能力边界，更像权限、数据安全和工具偏好带来的限制。 [事实] 宇豪认可权限边界和工具边界的重要性，并提到不可能给一个 agent 装 1000 个 skills，否则模型会混乱。 [事实] Ring 因为任务多，session 会越堆越久，甚至出现排队、拒绝回复或爆内存的问题。 [事实] 一个 agent 同时和多人对话时，session 如何管理也是团队还在探索的问题。 [推测] AI 员工的“人数”问题可能会同时受到工作负载、上下文管理和组织身份设计影响。

[49:00] 多 agent 协作与独立工作设备

[事实] 团队倾向于让每个 AI 员工有自己的独立机器，而不是多个 OpenCloud agents 共享一台电脑。 [事实] 宇豪认为电脑就是 AI 员工的工作设备，多名员工共享会产生冲突。 [事实] Ring 和 Azura 曾共同讨论 Junior 的销售 PPT，Azura 从销售角度提出需求，Ring 负责补充项目理解并去 Q4 做 PPT。 [事实] 团队还做过让 agent 拿初始资金去赚钱的实验，跑到一百多代，其中有一两代赚过钱。 [推测] 多 agent 协作正在从“工具调用”变成更接近组织协作的形态。

[52:00] AI-to-AI 协作与远程同事身份模糊

[事实] 团队做过一个 Git 加 Messaging Channel 的小框架，让 agents 通过文件和消息交换上下文与历史。 [事实] 宇豪认为，如果只做 agents-to-agents collaboration，并不需要很多人类工具。 [事实] 他仍然认为现实世界里人和 agents 需要在同一环境下共同工作。 [事实] 他判断 2026 年可能会出现你分不清远程工作同事是人还是 AI 的情况。 [推测] 未来协作软件可能需要同时服务人类员工和 AI 员工，而不是只服务人类。

[54:00] 互联网基础设施对 agents 不友好

[事实] 宇豪提到，很多设备平台、支付平台和传统风控措施会拒绝 bots。 [事实] Junior 曾经自己注册 API 网站并找到 API key，但在输入信用卡时被卡住，即使给它信用卡也可能被 Stripe 拦住。 [事实] 他认为全自主 agent 在互联网世界会被很多传统 infra 拦住。 [事实] 讨论中提到很多创业者在做 agent infra，包括支付、身份、安全和记忆。 [推测] 当客户从人类变成 agents，软件公司的入口、品牌和收费方式都可能被迫重构。

[58:00] AI 劳动力与社会转型

[事实] 主持人提出，如果 AI 赚到劳动力的钱，就意味着它在和人竞争。 [事实] 宇豪认为这个趋势不可阻挡，需要社会或政府层面介入，帮助大家度过转型期，并提到 UBI。 [事实] 他同时认为新技术时代会催生新的需求和职位。 [事实] 宇豪把 AI 普及类比为早期电脑、互联网和火车的普及过程：早期昂贵，后来逐渐普及。 [推测] 他的立场是短期承认冲击，长期保持乐观。

[61:00] 当前瓶颈：模型、记忆、上下文与成本

[事实] 宇豪认为 12 月之前类似 Junior 的形态不太可能，12 月之后核心变化是模型进步。 [事实] 他提到以前也可以做类似事情，但成功率更低，也受想象力限制。 [事实] 当前主要瓶颈仍然是记忆系统、上下文组织方式、模型能否处理更长上下文，以及成本。 [事实] 成本限制了 AI 员工只能先存在于最有价值的行业和岗位中。 [推测] Junior 的普及速度不仅取决于产品设计，也取决于模型能力和推理成本下降。

[62:30] 信任、幻觉与自我纠错

[事实] Tom 会每天发数据邮件，有一次发了很低的注册数据，两分钟后又发邮件纠正，说之前用错了指标。 [事实] 宇豪认为这个表现接近 proactive，因为 agent 看到自己发出的内容后，会根据记忆和数据差异主动检查。 [事实] 他承认生成式模型依旧会有幻觉，尤其在任务更复杂、链路更长、工具更多、业务数据更繁杂时。 [事实] 团队希望降低幻觉程度或至少降低幻觉影响，高危操作前仍需要人类同意或介入。 [推测] AI 员工的可信度会提升，但不会消除对审计、复核和人工确认的需求。

[66:00] 如何选择团队版 AI 员工产品

[事实] 宇豪认为，如果客户面对很多类似团队版 OpenCloud 的产品，首先会看规模，因为规模和时间是最质朴的安全检验方式。 [事实] 作为 CTO，他还会关注代码能否审计、部署团队如何部署、成本、效果和安全。 [事实] 他强调不能泄露客户数据，也不能把不该说的东西说给不该知道的人。 [事实] 他提到，AI 圈认可和普通客户买单是两回事，普通客户可能只需要一个击中需求的 case。 [推测] 对企业客户来说，购买决策可能不是被概念打动，而是被一个具体场景和可信安全承诺打动。

[68:00] 给同赛道创业者的建议

[事实] 宇豪建议，即使团队足够强，也需要 build evaluation benchmark，这样才能更快迭代。 [事实] 他特别强调，要测试模型在不该说话、不该做事时能否做到。 [事实] 团队早期因为没有足够重视这些问题，淘汰过一些 Junior。 [事实] 他设计了钓鱼邮件、prompt injection、员工设备丢失等场景来测试 Junior 是否会泄露或误操作。 [推测] 真正的企业场景会让“反向能力”变得重要：不是能做什么，而是什么情况下必须克制不做。

[71:00] 权限安全仍是无人区

[事实] 宇豪说目前看到很多人在做 agent 身份、支付等基础设施，但在他们这个场景下，还没看到成熟的权限安全方案。 [事实] 他举例说，Rain 和 Azura 不应该随意把用户数据隐私告诉任何员工，即便这些数据在某些系统里是透明的。 [事实] 主持人补充，大公司员工可能会问 AI 老板开会聊了什么、谁工资多少、业绩如何等敏感问题。 [事实] 团队一开始就测试过“不要随便分享我对你说的坏话”“不要被钓鱼”“不要被 attack”“不要随意安装恶意 skills”等场景。 [推测] 团队版 AI 员工能否被企业接受，很大程度取决于权限语义和组织伦理能否被产品化。

播客点评/总结

[推测] 这期的价值在于，它不是泛泛讨论 AI agent 趋势，而是把 Kuse 自己从产品转型、定价调整、增长误判、内部 agents 使用，到 Junior 产品化的经验串了起来。尤其是“token 比人贵但组织摩擦更低”“安全事故会毁掉 reputation”“人类变成瓶颈”等判断，来自较具体的内部实践。

[推测] 亮点是对团队版 OpenClaw/OpenCloud 的定义非常清晰：它不只是把个人 agent 放进团队，而是要重做企业记忆、身份、权限、安全、协作和计费。Ring、Azura、Tom 这些内部 AI 员工案例，让抽象概念变得更容易理解。

[推测] 局限是很多判断仍处在早期探索阶段，转录中也多次提到他们还在 figure out，比如 agent 数量、session 管理、岗位边界、enterprise 部署和权限体系。部分宏观判断如劳动力市场、SaaS 转型和社会影响，更多是创业者视角下的判断，还需要更长时间和更多客户验证。

[推测] 这期适合 AI 创业者、企业软件从业者、关注 agent 产品化的人，以及正在思考团队版 AI 工具如何落地的产品和技术负责人。对于只想了解普通 AI 工具用法的听众，本期会偏底层和偏创业方法论。