这真是太有趣了，马里奥。感谢你让我参加节目，谈论市场上发生的一切！

OpenAI 平均每天每位美国人收到 1 个查询。 Google 平均每天每位美国人收到约 4 个查询。 自那时起，50% 的 Google 搜索查询都有 AI 概述，这意味着至少 60% 的美国搜索现在是 AI 驱动的。 这发生的时间比我预期的要长一些。在 2024 年，我预测 50% 的消费者搜索将是 AI 驱动的。( 但 AI 已经在搜索中出现。 如果 Google 搜索模式有任何指示，搜索行为中存在一个幂律。SparkToro 对 Google 搜索行为的分析显示，搜索的美国人中，前 1/3 的人执行了超过 80% 的所有搜索——这意味着 AI 的使用不太可能均匀分布——就像未来一样。 网站和企业开始感受到这一影响。《经济学人》的文章“AI 正在杀死网络。有什么可以拯救它的吗？”在标题中捕捉了时代精神。( 现在大多数美国人都在使用 AI 进行搜索。由于搜索模式的变化，第二阶效应将在今年下半年出现，更多人会问，“我的流量发生了什么？”( AI 是一个新的分发渠道，那些抓住它的人将获得市场份额。 - 威廉·吉布森看得更远！ - 这是基于 SparkToro 图表的中点分析，是一个非常简单的分析，因此有一些误差。

在与人工智能合作时，我在输入任何内容到框中之前，都会停下来问自己一个问题：我对人工智能的期望是什么？ 2x2来救援！我处于哪个框中？ 在一个轴上，我提供的上下文量：从很少到相当多。在另一个轴上，我是应该观察人工智能还是让它自由运行。 如果我提供的信息很少并让系统运行：‘研究前沿部署工程师的趋势’，我得到的结果是可抛弃的：广泛的概述而没有相关细节。 用一系列简短的问题运行同一个项目会产生一个成功的迭代对话——一次探索。 “哪些公司实施了前沿部署工程师（FDE）？FDE的典型背景是什么？哪些类型的合同结构和业务适合这项工作？” 当我对错误的容忍度非常低时，我会提供大量的上下文，并与人工智能进行迭代工作。对于博客文章或财务分析，我会分享所有内容（当前草稿、以前的写作、详细要求），然后逐句进行。 让一个代理自由运行需要事先定义一切。我在这里很少成功，因为前期工作需要极大的清晰度——明确的目标、全面的信息和详细的任务清单以及验证标准——一个大纲。 这些提示最终看起来像我作为产品经理时写的产品需求文档。 ‘我期望什么？’的答案会随着人工智能系统访问更多我的信息并提高选择相关数据的能力而变得更容易。随着我在表达我实际想要的东西方面变得更好，合作也会改善。 我希望将我的许多问题从左上角的框——我与谷歌搜索的训练方式——转移到其他三个象限中。 我也期望这个习惯能帮助我更好地与人合作。

中间那个小黑盒子是机器学习代码。 我记得读过谷歌2015年的《机器学习中的隐性技术债务》论文，想着机器学习应用中实际的机器学习有多少。 绝大多数是基础设施、数据管理和操作复杂性。 随着人工智能的兴起，似乎大型语言模型会取代这些盒子。承诺是简单：放入一个LLM，看看它如何处理从客户服务到代码生成的一切。不再需要复杂的管道或脆弱的集成。 但在构建内部应用时，我们观察到了与人工智能类似的动态。 代理需要大量上下文，就像人类一样：CRM是如何结构化的，我们在每个字段中输入什么——但输入是昂贵的，饥饿的人工智能模型。 降低成本意味着编写确定性软件来替代人工智能的推理。 例如，自动化电子邮件管理意味着编写工具来创建Asana任务并更新CRM。 随着工具数量超过十个或十五个，工具调用不再有效。是时候启动一个经典的机器学习模型来选择工具了。 然后是观察系统的可观察性，评估其性能，并路由到正确的模型。此外，还有一整类软件确保人工智能按预期工作。 护栏防止不当响应。速率限制防止系统失控时成本失控。 信息检索（RAG - 检索增强生成）对任何生产系统都是至关重要的。在我的电子邮件应用中，我使用LanceDB向量数据库查找来自特定发件人的所有电子邮件并匹配他们的语气。 还有其他关于图形RAG和专用向量数据库的知识管理技术。 最近，记忆变得更加重要。人工智能工具的命令行界面将对话历史保存为markdown文件。 当我发布图表时，我希望右下角有Theory Ventures的标题，特定的字体、颜色和样式。这些现在都保存在一系列级联目录中的.gemini或.claude文件中。 大型语言模型的原始简单性已被企业级生产复杂性所取代。 这与上一代机器学习系统并不完全相同，但它遵循了一个明确的平行关系。看似简单的“人工智能魔法盒”实际上是一座冰山，大部分工程工作隐藏在表面之下。

如果2025年是代理人的年份，那么2026年肯定属于代理经理。 代理经理是能够管理AI代理团队的人。一个人能成功管理多少个代理？ 我几乎无法同时管理4个AI代理。他们会要求澄清、请求许可、进行网络搜索——所有这些都需要我的注意。有时一个任务需要30秒，其他时候则需要30分钟。我无法跟踪哪个代理在做什么，工作的一半因为他们误解指令而被丢弃。 这不是技能问题。这是工具问题。 物理机器人提供了关于机器人经理生产力的线索。麻省理工学院在2020年发布了一项分析，建议平均每个机器人替代3.3个人工工作。在2024年，亚马逊报告称，拣货、打包和运输机器人替代了24名工人。 但有一个关键的区别：AI是非确定性的。AI代理解释指令。他们即兴发挥。他们偶尔完全忽视指示。一个Roomba只能梦想忽视你的客厅，而决定车库需要关注。 管理理论通常指导团队的控制范围为7人。 与一些更优秀的代理经理交谈后，我了解到他们使用代理收件箱，这是一个请求AI工作和评估工作的项目管理工具。在软件工程中，Github的拉取请求或Linear票据起到这个作用。 非常高效的AI软件工程师通过详细指定10-15个任务，发送给AI，等待完成，然后审查工作，管理10-15个代理。工作的一半被丢弃，并用改进的提示重新开始。 代理收件箱目前并不流行——还没有。它并没有广泛可用。 但我怀疑它将成为未来代理经理生产力堆栈的一个重要部分，因为这是唯一能够跟踪随时可能进来的工作的方式。 如果每位员工的年收入（ARR）是初创公司的新虚荣指标，那么每人管理的代理数量可能会成为工人的虚荣生产力指标。 在12个月内，你认为你能管理多少个代理？10个？50个？100个？你能管理一个管理其他代理的代理吗？

"哦，你的办公室在渡轮大楼，真是太棒了，那里是什么样的？" "不停的街头表演。会议被外面的风笛手打断。街头下一个桑塔纳的前排座位。"

在过去十年中，任何初创公司的研发预算中，最大的一项支出是可预测的人才。但人工智能正在逐渐进入损益表。 初创公司在其研发支出中应该花费多少比例用于人工智能？ 10%？30%？60%？ 有三个因素需要考虑。首先，硅谷软件工程师的平均薪资。其次是该工程师使用的人工智能的总成本。Cursor的Ultra Plan现在每月为200美元，而Devin的评论显示每月为500美元。第三，工程师可以管理的代理数量。 初步估算：（第一张图片） 但订阅费用可能偏低。在过去几天里，我广泛使用了AI编码代理，五天内我就花费了1000美元！😳😅 所以让我们更新表格，假设每位工程师每月再增加1000美元。 因此，对于一个典型的初创公司，今天的总研发费用中，估计有10%到15%可能用于人工智能。 随着我们逐渐学会更好地使用人工智能，并且它渗透到组织的更多部分，实际的变动范围将会更广。那些从一开始就是AI原生的小公司可能会有显著更高的比例。 如果你有兴趣参与匿名调查，我将在样本量足够大以获得统计显著结果时发布结果。 调查链接在这里： 这是一个极度简化的模型，我们仅审查薪资，不包括福利、硬件、开发和测试基础设施等。 这是基于个人经验的折扣估算。

在过去十年中，任何初创公司的研发预算中，最大的一项支出是可预测的人才。但人工智能正在逐渐进入损益表。 初创公司在其研发支出中应该花费多少比例用于人工智能？ 10%？30%？60%？ 有三个因素需要考虑。首先，硅谷软件工程师的平均薪资。其次是该工程师使用的人工智能的总成本。Cursor的Ultra Plan现在每月为200美元，而Devin的评论显示每月为500美元。第三，工程师可以管理的代理数量。 初步估算：（第一张图片） 但订阅费用可能偏低。在过去几天里，我广泛使用了AI编码代理，五天内我就花费了1000美元！😳😅 所以让我们更新表格，假设每位工程师每月再增加1000美元。 因此，对于一个典型的初创公司，今天的总研发费用中，估计有10%到15%可能用于人工智能。 随着我们逐渐学会更好地使用人工智能，并且它渗透到组织的更多部分，实际的变动范围将会更广。那些从一开始就是AI原生的小公司可能会有显著更高的比例。 如果你有兴趣参与匿名调查，我将在样本量足够大以获得统计显著结果时发布结果。 调查链接在这里： 这是一个极度简化的模型，我们仅审查薪资，不包括福利、硬件、开发和测试基础设施等。 这是基于个人经验的折扣估算。

当你查询AI时，它会收集相关信息来回答你。 但是，模型需要多少信息呢？ 与从业者的对话揭示了他们的直觉：输入大约是输出的20倍。 但我使用Gemini工具命令行界面进行的实验显示，这个比例要高得多。 平均300倍，最高可达4000倍。 以下是这个高输入与输出比率对任何与AI构建相关的人来说的重要性： 成本管理完全取决于输入。由于API调用按令牌计费，300:1的比例意味着成本由上下文决定，而不是答案。这个定价动态在所有主要模型中都适用。 在OpenAI的定价页面上，GPT-4.1的输出令牌价格是输入令牌的4倍。但当输入的体量是300倍时，输入成本仍占总账单的98%。 延迟是上下文大小的函数。决定用户等待答案时间的重要因素是模型处理输入所需的时间。 它重新定义了工程挑战。这一观察证明，使用LLM构建的核心挑战不仅仅是提示，而是上下文工程。 关键任务是构建高效的数据检索和上下文——设计能够找到最佳信息并将其提炼成尽可能小的令牌足迹的管道。 缓存变得至关重要。如果99%的令牌在输入中，为频繁检索的文档或常见查询上下文构建一个强大的缓存层，从“可有可无”变成了构建一个具有成本效益和可扩展产品的核心架构要求。 对于开发者来说，这意味着关注输入优化是控制成本、减少延迟以及最终构建成功的AI驱动产品的关键杠杆。

昨天，Figma 提交了其精美设计的 S-1。 这揭示了一个以产品为主导的增长（PLG）业务，具有显著的增长轨迹。Figma 的协作设计工具平台颠覆了长期被 Adobe 主导的设计市场。 以下是这两家公司在最近一个财政年度的关键指标对比 [见附图]： Figma 的规模约为 Adobe 的 3%，但增长速度快了 4 倍。毛利率相同。Figma 的 132% 净美元留存率位于前十名。 数据还显示，Figma 的研发支出几乎等于销售和营销支出。 这就是 PLG 模型的最佳体现。Figma 的产品是其主要的营销引擎。其协作性质促进了病毒式的自下而上的采用，导致了 1.0 的最佳销售效率。2023 年每花费一美元用于销售和营销，Figma 在 2024 年就产生了一美元的新毛利。Adobe 的混合自下而上和销售主导模型则产生了更典型的 0.39。 S-1 还强调了风险。最显著的风险来自 AI 产品的竞争。虽然 Figma 正在大力投资于 AI，但该技术降低了新进入者的门槛。Figma 的防御是其扩展的平台——包括 FigJam、开发模式，以及现在的幻灯片、网站和制作。 这些新产品类别使许多 PLG AI 软件公司在创纪录的时间内实现了数千万和数亿的年经常性收入。 鉴于其高增长和独特的商业模式，市场应该如何评估 Figma？我们可以基于公共 SaaS 公司使用线性回归来预测其未来收入倍数。模型显示收入增长与估值倍数之间存在适度的相关性（R² = 0.23）。 Figma 以 48% 的增长率，将是这一群体中增长最快的软件公司，排除 NVIDIA。可以提出一个有力的论点，认为 Figma 应该获得高于预测的估值。其超高速增长、最佳销售效率以及充满热情、自我传播的用户基础的结合是罕见的。 将我们模型预测的 19.9 倍倍数应用于未来收入的估算，得出的 IPO 估值约为 210 亿美元——高于 2022 年 Adobe 为该公司提供的 200 亿美元。 S-1 讲述了一个定义类别的公司的故事，该公司构建了一个协作设计产品，发展了出色的 PLG 动作，并积极向 AI 领域推进。 来自 Adobe 的 10 亿美元终止费于 2023 年 12 月收到，并在 2024 财年（截至 2024 年 1 月 31 日）记录为“其他收入，净额”。近 9 亿美元的大额股票补偿费用与 2024 年 5 月的员工投标要约有关。这两项费用在上述非 GAAP 数据中被剔除。 通过将 Figma 的 48.3% 的过去十二个月增长率折现 15%（以考虑自然增长放缓），模型产生了 41.1% 的未来增长估计。这将意味着未来收入约为 11 亿美元。