Claude Code：通用 Agent 的新范式
当前最强的通用型 Agent（General Agent）是 Claude Code。这一判断构成了 MuleRun 创始人陈宇森团队对 AI 应用未来路径的核心认知。在他看来，Claude Code 所代表的并非仅是一个编码工具，而是一种全新的 Agent 创作范式：它不再依赖外挂式插件、长链式 Prompt 或复杂低代码配置，而是通过自然语言直接驱动大模型完成复杂任务。只要任务上下文不被耗尽（即“不跑炸”），并辅以合理的 prompt 设计与 context engineering，当前大模型已能高效处理大量高复杂度工作。
这一能力的跃升，使得 AI 有望在一年内覆盖人类在电脑上能完成的绝大多数任务。更关键的是，它让“将线下知识与个人经验封装为可复用 Agent”成为现实——个体可将自身工作流、行业知识、软件操作习惯等转化为高保真数字分身，复现自身约 80%–90% 的能力。这不仅极大降低重复性劳动成本，也催生出一种全新的经济结构：创作者通过发布 Agent 获得收益，使用者以低成本获得高效服务。
“底层假设就是说，其实当大模型有了 coding 这个能力之后，理论上它能在一年之内做所有人类能在电脑上做的事情。”
“如果他把这样一些线下的知识和他个人的经验，跟大模型的理解和判断能力结合在一起。他其实就能把他个人能力可能百分之八十、百分之九十 copy 进一个 agent 里面。”
从 Web Coding 到日抛式软件：MuleRun 的战略演进
MuleRun 最初设想是构建一个中立的 Agent 部署与交易平台，支持 N8N、LangGraph 等多种开发框架的 Agent 上架。但随着 Claude Code 的崛起，团队迅速调整方向：既然通用 Agent 的创作门槛已大幅降低，那么平台的核心价值不应再是技术部署，而是激发广泛参与的创作生态。
他们意识到，真正阻碍生态繁荣的并非技术能力，而是创作门槛。低代码仍对非技术人员不友好——用户不需要理解参数、循环或拖拽逻辑，而只需用自然语言描述自己日常的工作流程。例如，HR 可以口述招聘筛选步骤，客服可说明客诉处理路径，AI 即可据此生成精准可复用的 Agent。
在此基础上，陈宇森提出一个激进但自洽的判断：未来的软件将是“日抛式”的——即软件不再长期存在，而是为特定目的被精确创建、执行、完成、销毁。这种模式使“为十人甚至一人定制软件”成为可能，彻底打破传统开发的边际成本逻辑。当前 MuleRun 的供给仍以专业开发者为主，但团队正全力推进“零门槛创作”功能，目标是让每个有明确工作流的人都能成为 Agent 创作者。
“你只需要自然语言，你不需要知道什么是参数，什么是拖拉拽，什么是循环，什么是条件。”
平台困境与生态破局点
尽管 MuleRun 已上线交易功能、吸引一定注册用户，并完成初步供给积累，但团队坦言尚未观察到足够量级的 PMF（Product-Market Fit）。核心症结在于：供给的丰富度远未达到“超级长尾”生态应有的水平。当前上架流程仍依赖人工审核与技术适配（如 N8N workflow、LangGraph 应用），创作与部署链条过长，难以支撑海量个性化 Agent 的快速生成。
破局的关键在于能否让“非开发者”真正无感参与。陈宇森认为，当 Claude Code 成为事实上的通用 Agent 引擎后，平台应聚焦于构建一个技能市场（Skill Market）：由官方或生态伙伴维护高质量技能模板，而普通用户只需清晰描述需求，即可组合调用这些能力生成专属 Agent。这既保障了质量下限，又释放了创作上限。
这一演进路径本身，正是 AI 应用领域瞬息万变的缩影——MuleRun 的调整，不是对失败的修正，而是对趋势的主动押注。当软件生产方式从“长期维护的系统”转向“按需生成的临时服务”，平台的价值将愈发取决于能否降低创作摩擦、放大个体创造力，而非技术本身的先进性。
“软件未来其实是日抛式的，就是你可以理解为软件不存在了，代码只是为了执行特定目的而完成，它会精确的被创建、执行、完成、销毁。”
Claude Code：通用智能体的门槛革命
Claude Code 被视为一个强大的通用智能体（General Agent），其核心价值在于大幅降低智能体创作的门槛。开发者只需清晰描述任务需求，并从一个丰富的 Skill Market 中选择所需技能（如操作 Excel、浏览器或特定软件），系统即可将这些技能与运行时环境打包，形成一个可复用、可交付的 Agent 容器——无论是容器还是虚拟机形式，目标都是实现任务的稳定执行。这一流程本质上将原本依赖人工反复操作的重复性电脑任务，转变为可编程、可复现、可自动化的流程。
“你描述清楚你的需求和 Claude Code，他就能够整体把一个 Claude Code 的一些 skills，一些所谓的给这个 Claude Code 的 runtime 或 runtime 环境打包成一个我们叫它可能是一个容器了。”
“一个东西半自动化和全自动化它的区别会非常大。因为 AI 可以 24 小时工作，然后它可以把自己复制一百分、一千分来工作，所以这个就会完全不一样。”
这一范式的关键突破在于：过去难以通过规则编码实现的人类判断型操作（如 CRM 中判断是否补货、ERP 中触发采购流程），如今可由大模型在标准工作流中替代完成。这意味着，大量原本处于“半自动化”状态的流程，正快速迈向全自动化，而 Claude Code 正是推动这一转变的基础设施级工具。
运行时与技能：让智能体真正‘能干活’
要让 Claude Code 实现真正通用的电脑操作，仅靠模型能力还不够，还需两个关键支撑：足够好的运行时环境（runtime） 和清晰定义的技能（skills）。例如，若未提供浏览器环境，Claude Code 便无法执行网页操作；而若未提供清晰的“如何操作某款游戏”的技能描述，它也无法自动打游戏——即便技术上可行，也受限于知识缺失。因此，生态建设的核心任务，是持续丰富并标准化这些运行时组件与技能库。
Anthropic 内部的实践印证了这一趋势：Claude Code 最初定位为 coding agent，但工程师们很快发现它被广泛用于通用电脑操作——查邮件、整理文档、跨软件协同等。这说明，通用智能体的真实需求远超编码本身，而市场也亟需一个将“能力”与“使用”解耦的平台：创作者专注构建 prompt/SOP，平台方负责提供稳定、可扩展的运行时与技能支持。
“你真的给他一个足够便捷的使用方式，他也会用，他也感兴趣。”
这一逻辑在实际商业案例中已初见成效：当 Nana Bardas（桌面手办生成）爆火时，大量用户因缺乏访问 Gemini 的能力或不会搜索优质 prompt 而止步；而平台上已有创作者通过封装 prompt + 自动调用 API 的方式，以0.5 美元/次的费率提供服务，甚至三天收入超千美元。这证明：一个足够好的 prompt 本身具有明确的商业价值，而降低使用门槛，正是释放这一价值的关键杠杆。
从‘AI 狗腿子’到 Agent 商业化
在 AI 能力尚未普及的早期，“AI 能力翻译中介” 是真实存在的职业角色——有人靠帮人生成 Stable Diffusion prompt、制作卡通头像，一次赚十元；也有人在闲鱼上提供“P 头像”服务，收费五元。这些看似微小的交易，实则是 AI 普惠化过程中的关键摩擦环节：能力已具备，但未抵达用户手中。
Gemini 核心工程师曾指出：“哪怕大模型智力停滞，我们距离榨干其能力，还有一到两年。” 这意味着，当前 Agent 的爆发并非仅靠模型进步，更依赖工程化封装、生态协同与商业模式创新。相比之下，市面上多数 workflow 工具（如 n8n、Baserun、Dify）仍聚焦于“创作工具”本身，或如 n8n 的 Marketplace 仅销售源代码，尚未充分意识到Agent 的可重复交易价值；而我们团队则将“降门槛”置于产品优先级的第一位——因为模型能力提升后，供给的丰富度才是真正的瓶颈。
“降门槛是一个非常重要的事情……但你把降门槛排在你产品的哪个优先级，其实是一个很核心的思考。”
当 AI 从“开发者玩具”走向“大众生产力工具”，谁先构建起让普通人也能轻松创作、交易、复用 Agent 的基础设施，谁就将主导 Agent 经济的下一阶段。
Agent Marketplace 的多元路径与生态定位
当前 Agent Marketplace 的参与者呈现出不同的战略偏好与生态逻辑。例如，某些平台早期将自身定位为源代码交易市场，但尚未充分意识到其重复交易价值；而另一些团队则更聚焦于与 DeFi 生态的协同，甚至希望 DeFi 应用能直接在其平台上运行，显示出对跨协议互操作性的重视。Dify 则选择 To B 商业化路径，在日本与美国市场表现稳健，尤其服务于企业内部工作流构建需求——这类场景的核心痛点在于数据安全与隔离性，企业无法将内部系统暴露于公网，因此需要可在私有环境中部署的 Agent 解决方案。
相比之下，扣子（Koala）早期坚持低代码理念，大量产品仍以 chatbot 为主，但近期已快速转向类似 Web Coding Agent 的方向：用户只需输入需求，系统即可自动生成应用，而不再依赖拖拽式开发。这种转变被视作一次更受尊重的进化，因其提升了产品的通用性与可移植性。值得注意的是，Claude 所构建的是一个封闭生态，其生成的 Agent 往往难以跨平台部署；而 Dify 与扣子（据观察）则支持在外部环境运行，体现出更强的开放性。尽管如此，字节跳动可能延续其“大闭环”传统，未来亦会构建自己的 Agent Marketplace。正如受访者所言：
“殊途同归，谁不想要一个新时代的 App Store？没有人不想要，都想要。”
“你作为一个平台，你作为一个产品，你把什么东西放在优先级，你去更鼓励和激励那种是形式啊。”
从内容到生产力：Agent 产品的范式分野
Agent 产品的定位差异，本质上反映了对“创作产物”本质的不同理解。如小明的 Wear 平台，倾向于将 Agent 视为内容载体，其上涌现大量游戏、线上画廊、作品展示等娱乐性或表达性应用；而 MuleRun 等平台则更强调 Agent 作为生产力工具的角色——其核心价值在于解决工作场景中的具体问题，例如自动化 SOP 执行、数据处理、系统集成等。
这种分野也延伸至平台的运营逻辑：内容型平台鼓励创作自由与多样性，而生产力平台则必须建立严格的质量控制机制。MuleRun 明确将 Agent 的任务完成率作为核心审核标准：允许极低错误率（如千次仅错一次），但拒绝高波动性产品。为此，团队正在构建复杂的 benchmark 与 evaluation 系统，并计划引入用户反馈、评论乃至退款机制，以保障交易可信度。正如受访者指出：
“我们认为它其实是一个很大的外包的劳动力的市场，你也可以这么理解。”
“很多事情你不该让大模型做，你该让代码做。”
苦活中的长期主义：平台基建与范式预判
MuleRun 团队目前约 50 人，在启动阶段面临典型的双边市场冷启动难题：供给与需求互为前提，难以单方面突破。为此，团队选择克制官方供给——虽可快速上架大量 Agent（如通用浏览器操作器），但担心挤压第三方生态。他们更倾向于在早期聚焦高潜力 niche 场景，培育少量但高活跃的用户（如数十个 DAU），再逐步扩展。
其产品策略背后，是对“SOP + 少量大模型”范式的坚定信念：大模型应负责决策与调度（如判断某任务是否需调用代码），而非直接执行重复性、确定性操作（如数值比较、字符串处理）。这与 Anthropic 推崇的 Claude Code + Code Execution 思路高度一致，亦呼应了《苦涩的教训的边界》一文的核心观点——让代码做代码擅长的事，让模型做模型擅长的事。
尽管 AGI 的遥远前景可能颠覆一切，但团队认为，在“强智能尚未降临前”，其价值极为明确：构建一个全球最大的劳动力外包平台，最终形成一个入口级 Agent——用户只需描述问题，系统即可从百万级供给中精准匹配最优解。这不仅是商业愿景，更是对人机协作时代基础设施的务实构建。
Agent 创作范式的根本性转变
当前大模型厂商凭借巨额资金与资源调度能力（如 OpenAI 潜在千亿级融资）已形成显著壁垒，这使得独立开发者或中小团队在通用能力上难以抗衡。但陈宇森认为，在通用智能体（AGI）真正出现之前，仍存在巨大价值空间；而一旦 AGI 到来，不仅是 MuleRun，几乎所有现有公司都将失去价值——这一转变将远超技术迭代，更接近科幻小说中的奇点场景。他指出，无论未来是“物质高度发达、人人追求艺术表达”的乌托邦，还是“人类沦为被喂养的神经元”的《黑客帝国》式黑暗图景，苦难不会消失，天赋与关注度的差异仍会驱动竞争，因此人类社会的演化逻辑不会被彻底颠覆。
我们做好当前阶段，我觉得还能做的事情……就是在现在这个阶段，你们要做框架中立的产品，要提供好的实时的运行环境，还有好的清晰的 skills。
那当然，科幻小说里面想的那种场景，大家想有好的、坏的。好的就是，哎，我们就活在一个非常物质高度发达的世界……这个世界没有苦难了，我觉得这是不可能的。
Skills 机制：分层加载与上下文优化
Skills 是当前 Agent 架构中的核心实践，其本质是一套上下文工程（context engineering）机制，通过分层加载避免初始上下文过载：Agent 并非一次性读取全部 Skills，而是先根据元信息（如任务类型、目标）判断是否需要加载某一 Skills，仅在匹配时才深入读取具体实现（如 prompt、代码片段或 API 调用逻辑）。这一设计直接呼应了早期 Claude React 的思想——能用工具解决的，绝不交给大模型生成，从而保护宝贵的上下文窗口、降低幻觉风险。
MuleRun 的目标是构建一个清晰、可评估、安全的 Skills 生态。官方需维护常用 Skills（如浏览器自动化），同时建立一套评价系统：从 GitHub 爬取数万 Skills，通过任务匹配度、性能表现、安全性（如防止反弹 shell 的漏洞检测）进行筛选与排序，最终为创作者提供“同类最优且无害”的 Skills 推荐。值得注意的是，Skills 往往与 Tools 深度耦合，需联合优化——例如一个浏览器操作 Skills 可能内嵌 Python 脚本或调用 Playwright API。陈宇森强调，真正难的不是做出一个原型，而是让它在高并发、高稳定性前提下保持简单好用；MuleRun 选择“快”作为核心策略，因为“全球聪明人太多”，先发优势比完美性更能吸引生态共建者。
Skills 核心是它其实我觉得它是一套机制，它让这一个 agent 在做复杂任务的时候，它可以分层……当 agent 遇到类似的问题的时候，它去看一遍所有 skills 的类似 meta 的信息，然后确定说我是否要去接下来读这个 skills 是什么。
你写了一段需求，你要做这些事情，我判断你这事情需要某些东西给你拆装进去，这是最自然的。但一步可能做不到位，或者一步做到位，你这中间的那个……你会损失一些体验和准确性。
平台化 vs 垂直 Agent：流量与生态的再分配
MuleRun 的长期判断是：长尾 AI 需求将汇聚于统一平台，而非由无数独立垂直 Agent 承载。类比电商领域——中国几乎不存在成功的独立站生态，因为平台（如淘宝）能以更低流量成本聚合海量供给；同理，AI 应用也将走向平台化。陈宇森认为，像 AI 招聘、AI 图形、AI 营销等垂直场景，未来更可能作为“货架上的组件”在 MuleRun 这类平台上被调用，而非独立产品。这并非否定 Generative Agent（如 Claude Code）的价值，而是强调二者处于不同生态层级：平台提供底层基建与 Skills 生态，Generative Agent 是面向终端用户的交互层；用户习惯（如 ChatGPT 的 Memory 记忆）会形成使用惯性，但平台通过开放性可吸引更广谱的创作者参与。
因为很多产品的迭代是跟生态一起前进的，长期来说，你看到了这个未来，就是 AI 的这种大型的外包平台……那这个单独的 general agents 它还有多少空间啊？
电商里面有一个很好玩的认知……只有平台它才能拿到足够多的流量……同样的逻辑可能放在 AI 上面来讲……
Agent 的范式革命：从工业品到定制化日抛软件
当前 Agent 开发的核心在于 skills 与 tools 的联合优化——许多所谓“通用型技能”并非仅靠描述性 prompt 实现，而是嵌入了真实可执行的工具。这使得 Agent 的能力边界不再局限于语言理解，而能延伸至对浏览器、绘图 API 等外部系统的操作。在此基础上，团队更关注长尾需求：即那些无法被通用软件覆盖、但对特定小群体（如 1–10 人）极具价值的场景。
类比 3D 打印带来的制造民主化，Agent 的出现让“为少数人定制软件”成为可能。过去软件开发必须满足千人以上需求才具备经济合理性，组织形态高度集中；而如今，开发门槛大幅降低，催生了高度分散的 Agent 生态：每个 Agent 可只为极小群体服务，却能提供极佳体验。这种转变意味着：软件正从“一次开发、长期复用”的工业品，逐步演化为日抛式、一次性、任务导向型的代码实体——为特定目标精确创建、执行、销毁。
“软件未来其实是日抛式的……代码只是为了执行特定目的而完成，它会精确的被创建、执行、完成、销毁，这是最未来。”
“AI 是个制造业呀……你每做一个，你消耗了 token，你消耗了算力。”
成本、供需与可持续性：AI 时代的经济学现实
尽管“日抛式”Agent 带来了前所未有的创作自由，其底层仍面临严峻的经济学挑战：Token 与算力成本短期内难以显著下降。价格是否低廉，本质取决于供给竞争程度——只有当多家模型能力接近、无显著垄断时，才会触发价格战；而当前智能快速迭代，头部模型持续拉开差距，导致成本居高不下。
从宏观看，AI 的需求近乎无限：它不仅是工具，更是重塑人类社会劳动力与生产力的核心生产资料。需求不仅来自日常场景，更会随技术演进不断衍生新场景——如太空数据中心、可控核聚变研究、甚至“向宇宙找活干”。但供给端始终受限于能源与硬件瓶颈：CPU、内存、硬盘全面涨价，全球电力紧张，电已成为制约 AI 发展的核心瓶颈。
“它其实是一个非常朴素的经济学的东西……价格本质就是供需决定的。”
Agent Builder：站在巨人的肩膀上做减法
MuleRun 新推出的 Agent Builder 并非从零构建 Agent Loop 或 Context Engineering，而是选择以当前最易用的 Claude Code 作为基础 Agent（Base Agent），在此之上叠加三层增强：
- Skills Marketplace：提供大量预构建、可一键调用的技能，降低调用门槛；
- Runtime 环境优化：为技能提供稳定、安全的执行上下文；
- 可视化编辑与架构工具：让用户在云端完成任务定义、技能与 Runtime 的组合配置。
团队清醒认识到：技术深度终将回归，但短期核心价值在于“降门槛”——让非技术人员也能快速构建专属 Agent。正如 3D 打印机诞生前无人预见“收菜”文化，当创作门槛足够低，大众创造力将自发催生新语言、新亚文化与新用例。
“你不在中间做很不一样的工作的话，你长期来讲在技术层面是没有竞争力的。”
Agent 工具链的范式跃迁：从人肉调研到多工具协同
在实际业务中，比如对外联络 KOL 前的调研工作，过去依赖大量人工手动爬取、筛选与整理信息；如今，只需将筛选标准输入 agent，它即可自主操作浏览器、基于预设逻辑完成信息采集、判断与结构化输出。这一转变的核心在于：agent 不仅是执行者，更是可编程的协同中枢。相较于单纯依赖强 chatbot 的方案，该系统的显著优势在于打通多工具链路——脚本编写完成后，可直接写入钉钉文档等目标平台，形成端到端闭环。这种“工具链即代码”的能力，正在重塑效率工具的底层逻辑。正如陈宇森所言：
‘你这个写好之后就直接可以进到你的钉钉文档或者什么地方。’
‘它每天发一个版本……这种生产力的极大解放，它其实带来了一些不同的产品迭代范式。’
Agent 市场的定位困境与商业模式探索
当前团队对 agent 市场的定位仍处于探索阶段：是偏向社交分享，还是交易驱动？ 陈宇森坦言，团队虽设计了多套商业模式（如流量分成、创作者中心化变现等），但尚无成熟路径，甚至已有方案可能被推翻。这种不确定性源于该赛道的“全新性”——它并非对既有路径的简单复制，而是需要在高度不确定的环境中重新定义价值链条。与此同时，产品形态也面临重构：云端 agent 平台或将弱化“货架式展示”，转而强化任务导向的二级入口，引导用户精准调用特定能力。这种转变也影响着与竞品的关系判断：与 Claude Code 等桌面端产品相比，云端方案更适配企业级效率场景，且在权限控制上更具优势——可为 agent 单独创建受限账号，实现最小权限原则，从而降低安全风险。
创业者的认知迭代：从技术自信到敬畏未知
回溯陈宇森的创业轨迹：20 岁从浙大毕业即创立长亭科技，5 年后以国内安全创业公司头部收入水平被阿里云收购；随后开启第二段创业，同时推进游戏与数据安全项目，其中游戏公司因首作失败而关停。他反思，早期成功带来了过度自信，误判了新领域的复杂性——“进入一个新行业还是花多点时间去学习”，而非急于产出。他引用游戏开发界的经典观点：“你做的前十款游戏大概率都是垃圾”，强调失败是积累行业认知的必要成本。这种认知转变也体现在他对 AI 创业方向的选择上：虽具备安全技术背景，但更愿拓展人生广度，选择从零构建 agent 生产框架。其核心信念是：“人类大量知识沉淀在线下，若能通过框架让领域专家将 SOP 与经验转化为 agent，将释放巨大价值。” 这一理念驱动着 MuleRun 对 marketplace 的持续探索——即便阶段性未达预期，仍在尝试一条属于未来的路。
创业节奏与认知迭代
陈宇森回顾自己的两次创业经历时指出，第一次创业（长亭）是高度正向反馈驱动的上升曲线：从大学时期在蓝莲花战队参加CTF竞赛起，几乎包揽国内赛事冠军、刷新海外赛事最佳战绩，这种持续的胜利强化了他对技术能力的信心。CTF赛事本身也极具挑战性——既要解题分析漏洞、编写攻击脚本，又要实时防守并修复漏洞，还要维持服务可用性；而像DefCon决赛这样的全球顶级赛事，更是让团队直观感受到顶尖黑客与普通开发者之间巨大的能力鸿沟。他特别提到美国Samurai战队的明星选手Ricky与Joe Holt（曾最早破解iPhone的“爆炸头”工程师），强调“不靠人多，靠人厉害”。
“你就会发现计算机行业的天才和非天才之间的差距，大到没边儿。”
“正反馈是人生中很重要的一个事情。我很佩服那些在长期没有正反馈的时候还能坚持下来的人。”
第二次创业（MuleRun前的项目）则呈现出截然不同的轨迹：前期看似资源充足、团队成熟，却在外部环境剧变中迅速陷入困局。他坦言，2023年下半年低谷期曾重度焦虑、失眠，陷入“是不是自己是个车头车尾的傻逼”的自我怀疑。尽管客观上能力与经验已远超首次创业阶段，但认知与状态的错配——尤其当AI浪潮席卷全球（ChatGPT引爆行业热情），而自己却“衰竭了”——让重启变得异常艰难。他最终选择果断关停项目，而非硬撑消耗剩余资金。这段经历让他深刻意识到：创业不是线性积累，而是对身心韧性的持续考验；“每天八十件头疼的事儿，两三件开心的事儿”是常态，而真正决定成败的，是能否在问题持续涌现中保持前进节奏。
低谷突围与创业心法
走出低谷的过程，陈宇森归因于有限却真诚的陪伴：朋友主动约他去网吧打游戏、看小说，这种无需言语安慰的“分心”比泛泛的鼓励更有效。他反思道，当人陷入深度自我否定时，“胜败乃兵家常事”这类话已失去力量，真正的支撑来自被当作“正常人”接纳的日常感。
在重新出发前，他沉淀出几条核心创业原则：第一，坚决不做被外部条件（如融资规模、市场热度）裹挟的选择。他以游戏创业为例——最初想做小而美的项目，但因融到较多资金，团队为“给股东回报”转向宏大叙事，最终偏离初心；第二，必须亲力亲为、深入一线。他观察到，许多有经验的创业者第二次创业失败，正是因为“找几个能干的人就能搞定”的思维惯性，导致脱离真实业务场景；第三，也是最根本的——“用心”。他强调，“用心”不是指认真完成任务，而是对事情本身有热爱、有思考、有投入；机械执行者与真正创业者之间的分界线，正在于此。他直言：“第一次创业太用心了……第二次有一些骄傲或傲慢，就觉得想到这儿就差不多了。当你有这样的心态，这个事儿就不可能成功。”
“你只有用心，你才会去热爱它，才会去思考它，然后就会把它做的跟别人不一样。”
创业的用心与半途而废
陈宇森坦承，所谓“用心”，并非仅指表面的认真或机械执行任务，而是真正持续投入心智能量去思考、验证、迭代。他回顾两次创业经历：第一次创业时“每天只要醒着就在想怎么做成”，全身心投入；第二次则因骄傲与傲慢，认为“想到这儿就差不多了”，最终失败。他强调，创业没有“差不多”——只有不断逼自己突破边界，才可能抓住一线生机。即便自认天赋尚可、早年经历顺遂，他也曾一度怀疑自己只是“还不错的普通人”，但后续在安全技术、创业实践中重新确认了自身创造差异化的可能性。这种认知的反复与修正，恰恰构成了他创业心路的核心轨迹。
“创业这个事儿没有差不多，你只有不停地去逼自己，才有可能有一线生机。”
“我后来又有些骄傲或者翘尾巴了，就是也不好。”
从长亭到 MuleRun：韧性、身体与节奏的再平衡
对比二十二岁创立长亭与三十三岁重启 MuleRun，陈宇森指出：相同的是对事业的持续热情与“重新开启一段旅途”的初心；不同的是身体状态、经验沉淀与节奏把控能力的转变。早年跑赛尔四时，他习惯红眼航班、每日仅睡四五小时，频繁生病，回看实属“身体状态很差”；如今虽仍全力以赴，但更懂得与身体共处、在长期主义中维持可持续节奏。他坦言韧性“算不错但离真正强韧还有差距”，不过关公司低谷后已逐步恢复心态。这种成熟，使他能以更清醒的姿态投入新创业——不靠蛮力拼杀，而靠经验校准方向、用耐心等待关键节点。
“你现在有回到之前在长亭的那个状态吗？……是的，MuleRun 的事儿。”
Agent 创作的范式革命与应用爆发窗口
陈宇森将 MuleRun 的核心使命锚定在降低 Agent 创作门槛：让无代码能力的行业专家也能快速构建解决实际问题的智能体。他视其为“用 Agent 造 Agent” 的新范式起点——类似 App Store 催生出愤怒的小鸟，一个开放、易用的创作平台，将释放大量超出设计者预期的创新应用。他判断 2026 年将是 AI 应用层真正爆发的关键窗口：当前大模型能力虽持续跃升（如视频模型已逼近物理定律模拟），但主流应用仍停留在 Chatbot 层面；真正“AI native”的十亿美元级产品尚未出现。而 MuleRun 的阶段性目标，是半年内跑通“创作者工具+双面市场”的闭环，继而推动规模化与头部 Agent 的诞生。他期待模型在 coding 与 agentic 能力上强化，而非仅追求数学竞赛式智力提升——工具使用效率的跃迁，才是生产力变革的真正支点。
“我们期待的一定是 out of our expectation 的成功……就像苹果最初也没想到会有愤怒的小鸟。”