核心策略：质量护城河优于批量生产
Riley Brown 目前拥有超过 170万 的全平台粉丝，其业务核心是 AI 教育内容创作。他开发了 Vibecode 和 Chorus 等产品，并为企业提供 AI Agent 落地咨询。在内容创作上，他几乎将所有环节（选题、钩子设计、研究、缩略图）都基于 YouTube 这一中心枢纽进行，其他平台如 Instagram 和 TikTok 则发布原生内容或剪辑片段。值得注意的是，他目前不依赖 AI 进行视频编辑，因为该领域技术尚未成熟，但他雇佣了大量人工剪辑师。对于创意部分，他构建了一套复杂的技能（Skills）体系。
"The more skills you use, the more you'll realize that you can mix and match."
Riley 强调，虽然初学者倾向于通过批量生产来增加产出量，但他认为真正的护城河是长期的质量而非数量。他指出："Batching will make it soulless over time."（批量生产会让内容逐渐失去灵魂）。因此，他的策略是通过组合多种 AI 技能来提升内容的独特性和高质量，而非单纯追求数量。
Codex 的工作流优势：本地存储与计算机控制
Riley 选择 Codex 作为主要 AI 工具，核心原因在于其数据处理的安全性与操作能力。与 ChatGPT 不同，上传到 Codex 的图片、PDF 等文件均存储在本地（Locally），而非云端。此外，Codex 具备类似 Claude Code 的能力，可以完全控制用户的计算机。平台内置了 "Computer Use"（计算机使用）技能，这使得 AI 能够直接操作软件界面。
"When you use Codex, all of it's stored locally... It can actually control your computer for you."
这种本地化和控制能力为 Riley 的自动化工作流奠定了基础。他利用 Codex 处理敏感数据或需要精确控制环境的任务，例如生成视频开头的高保真动画。通过本地存储，他确保了创意素材的安全性；通过计算机控制技能，AI 可以直接调用系统资源或软件插件，无需人工干预中间步骤。这种架构让他能够构建更复杂、更自动化的内容生成管线。
自动化视频图形与素材抓取：Remotion 技能链
Riley 的视频以高质量动画开场，他通过 Codex 中的 Remotion 插件来实现这一效果。Remotion 是一个用于程序化生成视频的 React 库，Riley 为其定制了 "Remotion Best Practices"（最佳实践）技能。该技能内置了他的品牌风格指南，包括特定的配色方案和视觉元素。
生成过程涉及多技能协作： 1. 图像抓取：他使用名为 "Internet Image Puller"（互联网图片拉取器）的技能。该技能调用 SerpAPI，通过 Google Images 搜索相关 Logo 或素材。 2. 逻辑关联：AI 会分析视频转录文本，自动识别需要展示 Logo 或 B-roll（空镜）的片段。 3. 图形生成：调用 Remotion 技能，结合抓取的素材和品牌风格，自动生成流程图或动态图形。
"I would probably say something like, please pull the relevant logos and then make a graphic for this... it will just generate it."
例如，在制作关于 Codex 的视频时，他只需输入指令让 AI "生成包含 Codex Logo 的流程图"。AI 会自动搜索并拉取最新的官方 Logo，结合 Riley 预设的品牌模板生成视频片段。这种技能 chaining（链式调用）方式，将原本需要手动搜索、设计、合成的繁琐工作自动化，同时保持了视觉风格的一致性。
利用 Supadata API 实现高效竞品调研
在视频创作的初期阶段，选题与灵感挖掘是至关重要的环节。Riley Brown 推荐了一种基于 Supadata API 的高效调研方法，该工具允许用户在极短时间内获取 YouTube 视频的全量字幕文本。与传统的 yt-dlp 工具相比，Supadata 的优势在于其轻量级的 API 调用方式。yt-dlp 通常需要下载完整的视频文件再提取字幕，这一过程数据密集且耗时；而 Supadata 直接通过 API 接口获取文本信息。Riley 指出，利用 Codex 的 Sub-agents（子代理）功能，可以并行处理多个任务。例如，他可以指令 AI 启动六个独立的子代理同时抓取数据，从而在 30秒内完成对整个 YouTube 频道内容的爬取。这种速度使得创作者能够快速分析竞争对手的内容策略，而无需等待漫长的下载过程。
"Supadata will just... you can say spin up sub-agents, and it'll split off into like six agents, and it will scrape it all in like 30 seconds. You can scrape an entire channel in like 30 seconds."
"Hook Outline"：重构视频叙事结构
Riley Brown 认为，视频的开头（Intro）是决定观众留存率的核心要素。如果前30秒内容枯燥，观众会立即离开。因此，他采用了一种名为 Hook Outline（钩子大纲）的结构化创作法。具体流程是：首先选取一个表现优异的竞品视频，利用 AI 工具（如 Claude）提取其开头部分并生成一份详细的“钩子大纲”，该文档包含引人入胜的开场白以及后续内容的逻辑框架。随后，创作者将自己的新创意填入这一经过验证的结构中。这种方法的优势在于剥离了具体的工具限制，即使观众使用的是 Claude Code 而非 Codex，也能从视频中获得价值。Riley 强调，在介绍内容前必须明确告知观众他们将获得的具体成果（Outcomes），例如“今天你将学会如何用 AI 运营创作者业务”，以此建立预期并提升完播率。
GPT 与 Claude 在版权合规上的差异表现
在实际操作“Hook Outline”提取功能时，Riley Brown 发现了不同大语言模型在版权合规性（Copyright Infringement）处理上的显著差异。当他尝试使用 GPT 模型提取视频字幕时，GPT 会拒绝直接输出完整文本，而是选择对开头进行摘要总结。这是因为 GPT 模型内置了严格的版权保护机制，担心直接复述受版权保护的转录文本会引发法律风险。相比之下，Claude 模型在此类任务上表现得更为开放和直接。Riley 指出，Claude 能够毫无顾虑地提取并处理完整的字幕文本。此外，他还提到开源模型（如 GLM 5.2）同样不受此限制，可以随时执行此类操作。这一发现导致他在进行大规模内容调研时，倾向于优先使用 Claude 而非 GPT，以确保工作流的顺畅和数据获取的完整性。
从脚本化到自然对话的内容转型趋势
随着 AI 生成内容的普及，Riley Brown 预测全脚本化视频（Fully Scripted Videos）的价值将逐渐下降。他认为，未来的内容核心竞争力在于创作者能否在抓住观众注意力的同时，展现出对主题的真实热情与人性侧面。因此，他建议创作者不再撰写逐字稿，而是仅对开场白进行精细打磨，后续内容则依靠大纲引导自然对话。这种模式类似于播客形式：拥有结构化的引入，随后进入自由流动的讨论环节。邀请嘉宾（Guests）是实现这一目标的有效手段，因为真实的人际互动能带来更丰富的观点和情感连接。对于新手创作者，Riley 建议通过A/B 测试不同的开场方式来寻找最佳格式，而不是盲目追求华丽的特效或夸张的标题党风格。他本人的成功案例（获得30万播放量的视频）正是基于“九种使用 Codex 的方法”这一实用主题，并通过明确的价值主张成功吸引了观众。
BRENS 法则：构建高留存视频开头的核心框架
在制作长视频时，Riley Brown 提出了一套名为 BRENS 的缩写模型来优化视频的开场白，旨在最大化观众的留存率。该法则包含五个关键要素：Big（宏大）、Relatable（相关性强）、Easy（易执行）、New（新颖性）和 Safe（安全感）。其中，“Big”要求内容具有冲击力，例如介绍最新发布的世界级模型；“Relatable”则需建立与观众的共鸣，强调该技术对每个人或每个业务的广泛影响；“Easy”通过提供具体的方法论（如六步法）来降低观众的认知负担，承诺成功路径；“New”利用人们对新鲜事物的好奇心。对于超过 30 分钟的长视频，“Safe”要素尤为重要，创作者需通过展示专家身份或承诺最终价值来消除观众对时间浪费的顾虑。
"The more of these you can include in your intro, the better... Safe is good, is important. You want to make sure they feel like their time is [well spent]."
内容创作哲学：先有核心，后有包装
Riley Brown 坚持一种以内在驱动为核心、后期优化为辅助的内容创作策略。他并不依赖前期研究来确定选题，而是依靠直觉（gut feeling）决定视频主题，例如深入探讨 Codex 的日常使用技巧。这种创作过程分为两个阶段：前 90% 的时间用于无拘束地深入细节和即兴发挥，甚至可能产生长达 30 分钟的离题讨论；后 10% 的时间则用于“科学化”包装，即根据实际录制内容反向设计标题、缩略图和开场钩子（Hook）。他会在视频剪辑完成后，利用 AI 分析转录文本，并参考 YouTube 上高表现力的格式来生成开场白。他认为，如果让流量数据主导内容创作，视频将变得毫无灵魂（soulless），甚至可能被迫制作自己不喜欢的舞蹈类短视频。
"If I let packaging and how many views it'll get dictate what content I make, then it just becomes a soulless game to me... You got to think about what gives you energy, right and follow your own curiosity."
AI Skill 工作流：从重复劳动到自动化技能库
Riley Brown 的高效产出得益于他将日常高频操作转化为 AI Skill（智能体技能）。他并非预先规划所有工具，而是在使用 AI 过程中发现重复性任务后，将其固化为特定技能。例如，他利用 Excalidraw 绘图 Skill，通过自然语言指令生成图表链接并直接在浏览器中打开；使用 YouTube 缩略图 Skill，通过抓取百个高表现力模板并替换为本人面部图像及调整色调来快速生成封面；以及 Typefully 推文 Skill，用于即时起草并定时发布 Twitter 内容。这种“使用-固化”的迭代方式使他积累了大量定制化技能，极大地提升了从创意到分发的效率。
集成化创作环境：Codex 内置浏览器与 Notion 联动
在工具链整合方面，Riley Brown 高度依赖 Codex 的 内置浏览器（in-app browser）功能，使其能够直接在 AI 界面中操作外部应用。他以制作短视频脚本为例，展示了一个无缝的工作流：在 Codex 中启动新的 Notion 页面，直接访问其视频数据库。通过自然语言指令（如“制作关于 Meta Ray-Bans 的短视频脚本”），AI 能够直接操作 Notion，将新视频状态标记为“进行中”。这种深度集成消除了在不同应用间切换的摩擦，使得从灵感记录、脚本撰写到项目管理的整个过程都在一个统一的 AI 环境中完成。
"Because it's in-app browser is becoming a full in-app browser, I can use it directly inside Codex... Please add a new short form in progress to Notion."
自动化工作流：无缝集成 Notion、日历与邮件
Riley Brown 的核心创作理念在于减少应用切换带来的注意力损耗。他深度整合了 Codex 与 Notion，通过自然语言指令让 AI agent 直接操作数据库。例如，他只需告知 Codex “添加笔记”，系统便会自动在 Notion 中创建条目并返回链接，用户无需离开 Codex 界面即可直接在应用内浏览器打开该页面。这种闭环工作流极大地提升了效率，他进一步指出：“I love not having to leave the app, I get lost when I switch from tab to tab.”
除了内容管理，这种自动化还延伸至日程管理和邮件撰写。Riley 会要求 Codex “给我日历事件的链接”，以便在应用内直接查看；同时，他让 AI 代写大量邮件。这种批量处理能力让他能够提前储备脚本素材。虽然许多人第一反应是利用 AI 进行“批量生产”，但 Riley 强调他的目标并非数量，而是质量。他认为：“Batching will make it soulless over time.” 真正的护城河在于长期的高质量内容，而非单纯的产出速度。
AI 辅助研究：提升视频内容的深度与事实准确性
在内容创作中，Riley Brown 将 AI 视为提升研究效率和质量的关键工具。他不再仅仅依赖手动搜索，而是让 Codex 在后台打开多个相关标签页进行深度调研。例如，他可以指令 AI “去检查这个创作者的视频节奏”，让其在后台运行 10 分钟并返回分析结果，从而将更多研究时间投入到单个视频中。此外，他还利用 AI 进行事实核查（Fact-checking），确保视频中的每一个论点都有据可依。
这种研究方式的转变，使得他能够在一个视频中整合更广泛的信息源。他提到：“You can do research so much faster, so it allows you to put more total research into one video.” 这种策略旨在通过提升内容的密度和准确性来建立长期竞争力，而不是追求短期的流量爆发。他目前的理想目标是每周制作 4-5 条高质量短视频和 1-2 个长视频，尽管目前因精力有限只能维持每周 1-2 条视频的产出。
语音驱动可视化：从 Wispr Flow 到 Excalidraw 草图生成
在脚本和视觉构思阶段，Riley Brown 采用了语音优先的创意发散模式。他使用 AirPods Max（因其更好的麦克风）配合 Wispr Flow 语音输入工具，在散步时进行长达 10 分钟的“头脑风暴”式独白。他并不预先撰写详细脚本，而是直接口述想法：“Oh, I'm gonna make a video on Codex...” 随后，他指令 AI “创建一个 Excalidraw 图表”，并指定具体的风格要求（如九张幻灯片、特定分区结构）。
这一过程极大地加速了视觉框架的搭建。AI 生成的图表通常包含80% 可直接使用的素材，他只需花费 20-30 分钟进行微调。这种“先发散、后收敛”的工作流，让 Excalidraw 图表成为视频结构的骨架。他解释道：“I'll just blabber for 10 minutes, and then I'll be done... it will have like 80% of the diagrams that I'll actually use in my videos.” 这种方式不仅保留了创意的原始活力，还通过 AI 的标准化输出降低了视觉制作的门槛。
智能缩略图制作：Paper Figma 与 AI 图像编辑的协同
在最具挑战性的缩略图制作环节，Riley Brown 发现直接让 AI 修改面部表情（如将微笑改为惊讶）会导致严重的图像失真。因此，他引入了 AI 原生的设计工具 Paper（基于 Figma），构建了一套混合工作流。首先，他让 Codex 爬取 Alex Hormozi 和 Dan Martell 等成功创作者的热门视频缩略图，并将其整理到 Paper 画板上作为参考。
接着，他手动上传自己的照片副本，并利用 Paper 内置的 AI 图像生成能力进行局部替换。例如，他可以指令：“Please replace the guy with a beard with the guy that doesn't have a beard... make his shirt white, and make him wearing a chain.” 这种“AI 参考+手动布局+局部 AI 编辑”的组合，既保留了人物识别度，又实现了创意的快速迭代。他强调：“Paper is an AI-native Figma... it made it really easy to connect to any tool.” 通过这种精细化的控制，他解决了纯 AI 生成缩略图在人物一致性上的痛点。
利用 AI 批量生成与迭代缩略图
Riley Brown 展示了如何利用 Codex 和 Paper 工具极大地简化 YouTube 缩略图的制作流程。他并不喜欢手动设计，而是通过连续按下回车键让 AI 一次性生成多个版本（例如七个），然后从中挑选最合适的作为基础。这种批量生成策略不仅提高了效率，还让他能观察到设计的自然演进过程。
在具体操作中，他会参考其他优秀创作者（如 Andrei Jikh）的风格。例如，AI 在替换主体时可能会保留原图中的手部细节，虽然这并非预期结果，但可以通过后续指令进行修正。Riley 会进一步细化画面，要求 AI 平滑面部细节而不改变人物特征，并添加白色或橙色的轮廓光以增强主体与背景的分离度。他还特别指出要提高绿色线条的亮度。这些迭代步骤让 AI 生成的初稿迅速达到可用标准，整个过程无需长时间纠结于单一设计。
"I despise making thumbnails manually, so this is great for me."（我讨厌手动制作缩略图，所以这对我很有用。）
风格参考与 A/B 测试的重要性
对于风格统一性，Riley Brown 强调不需要编写复杂的文本提示词（Prompt），而是直接利用视觉参考。他会在 Paper 的画板上放置自己过去表现最好的缩略图作为风格参照物。通过简单的指令，如“让这个人看起来更像这张参考图中的样子”或“文字风格匹配‘Miss Mythos and Fable’”，AI 就能精准复刻所需的视觉语言。这种方法被称为视觉提示（Visual Prompting），它利用了图像模型对样式的直接理解能力。
此外，他非常重视A/B 测试。他会将生成的缩略图发送给专业的 YouTube 缩略图设计师，由对方进行持续的 A/B 测试。他认为这是值得付费的环节，因为如果视频表现提升一倍，其价值巨大。数据驱动的迭代比单纯依赖直觉更可靠。他建议用户将自己 Top 10 的热门缩略图全部放入参考库，让 AI 学习这些高点击率设计的共同特征。
"I do a lot of A/B testing because, like, why not... if your video does twice as good, that's a big deal."（我做很多 A/B 测试，因为为什么不呢……如果你的视频效果好两倍，那意义重大。）
“技能”工作流的实验与优化方法论
Riley Brown 的核心哲学是将有用的工作流程转化为可复用的“技能”（Skills）。他分享了一个案例：最初使用 YouTube 研究者技能获取图片列表，但发现下载后无法直观可视化。随后他意识到可以将这些内容直接添加到 Paper 中，从而解锁了全新的工作流。这种跨工具的整合是他发现 AI 最大潜力的关键。
在技能优化方面，他反对手动编辑代码或配置文件。他认为基于结果的测试（Test-based）更为高效：如果 AI 执行正确，则保留；如果不正确，直接告诉 AI “你做得不好”，并要求其修改技能以避免再次犯错。为了清除上下文干扰，他会在新的聊天窗口中重新测试该技能。这种迭代方式不依赖于特定的模型语法，而是关注最终输出是否达标。随着模型的更新，基于结果的优化比固定的代码编写更具适应性。
"That is the way better way to do it than to manually edit the skill."（这比手动编辑技能要好得多。）
个性化工作流对 SaaS 的替代趋势
Riley Brown 指出，AI “技能”正在取代许多传统 SaaS（软件即服务）产品，原因在于其极致的个性化。SaaS 难以做到像 AI 技能那样完全贴合个人特定的工作习惯和需求。他强调，这种方法主要适用于低风险创意工作流程。对于任务关键型（Mission-critical）的应用场景，他持谨慎态度并留有余地。然而，在创意领域，通过不断实验和混合匹配不同的技能（如将研究者技能与设计工具结合），用户可以构建出远超通用软件效率的个性化系统。
"I feel like that's why skills is kind of taking over a lot of the SaaS stuff, because... you can't make a SaaS product as personalized as this."（我觉得这就是为什么技能正在接管很多 SaaS 领域，因为……你无法制造出像这样个性化的 SaaS 产品。）
AI 在敏感业务中的风险控制与创意工作的无风险探索
在处理涉及客户、支付或机密文档等高敏感度任务时，Riley Brown 强调必须建立严格的审查机制。对于高影响力的技能或流程，他会安排专人进行二次分析以确保安全；然而，在创意工作流中，由于不存在实质性的风险，他主张完全放手让 AI 执行。这种策略允许创作者大胆尝试，只需通过迭代指令要求 AI “做得更好”，即可不断优化输出结果。这种区分风险等级的处理方式，既保障了商业安全，又最大化了 AI 在创意领域的潜力。
“对于我的创意工作流，要意识到这里没有风险，就让你的 AI 去发挥（let your AI cook），并告诉它做得更好。”
这种无风险的实验环境是提升内容质量的关键。Riley 指出，许多创作者过于谨慎，限制了 AI 的能力发挥。通过明确界定哪些场景需要人工介入（如高影响力任务），哪些可以完全自动化，团队可以在保证安全的前提下，利用 AI 的高效性进行大规模的创意迭代。这种风险分级管理策略是企业在引入 AI 工作流时必须考虑的核心要素，它平衡了创新速度与合规安全。
团队协作与多玩家 AI Agent 的现状与挑战
目前，Codex 应用主要被视为一种“单人游戏”体验（single player experience），尽管支持提交 PR，但在多人协作的创意工作流构建上仍显不足。Riley 认为，Anthropic 和 OpenAI 等公司正在探索如何通过团队协作来扩展 AI 的能力。Anthropic 似乎正瞄准 Slack 市场，试图通过集成解决协作问题。然而，Riley 对将 Slack 作为主要交互界面持保留态度，但他承认这一方向具有极大的探索价值。当前的痛点在于如何以多人协作（multiplayer）的方式创建和维护复杂的创意工作流，这是行业尚未完全解决的难题。
“Codex 应用是一个单人体验……很难以多人协作的方式创建这些创意工作流，这是我经常思考的问题。”
行业内的解决方案存在分歧。Anthropic 倾向于构建一个全知全能的小型“上帝”模型，而其他公司（包括 Riley 所在的团队）则倾向于将每个 AI Agent 视为独立的团队成员。这种去中心化的团队协作模式允许用户通过标记（tagging）不同的 Agent（如营销 Agent、开发 Agent）来与之互动，并根据对个人的了解调整反应。尽管这一愿景极具吸引力，但实现起来面临诸多技术挑战，预计还需要数月时间才能找到最佳实践路径。
自动化工作流：Claude Agents 与 Chorus 的实际应用
Riley Brown 展示了其高度自动化的工作流，但他并未使用 Codex 运行自动化任务，以避免电脑必须保持开机状态的麻烦。相反，他大量部署了基于 Chorus 创建的 Claude Agents（Claude 智能体）。这些 Agent 在 Slack 中运行，充当不同的角色：例如“首席营销官”Agent 发送更新，“内容经理”分析竞品并生成短视频创意，以及一个基于他所有 YouTube 视频训练的“Peter Yang Bot”。这些 Agent 极大地提升了信息处理和内容生成的效率，使他能够专注于核心创作。
“我创建了一个 Peter Yang Bot……基于你所有的 YouTube 视频训练，虽然没来得及做得很完美。”
尽管目前这些 Agent 主要基于 Chorus 平台，但 Riley 建议广泛尝试不同的产品来构建团队。他指出，目前尚无公司能完美解决“在 Slack 中运行整个团队 Agent”的问题。此外，Agent 的登录凭证管理也是一个痛点：目前 Claude Agents 难以直接操作已登录的应用程序，需要用户提供凭据。Riley 预测，到今年年底，通过浏览器自动化技术（Browser Use），Agent 将能够无缝登录并使用云端浏览器的应用，这将极大简化自动化任务（如 Cron Jobs）的执行流程。
内容创作与商业模式的平衡：从创作者到顾问的转型
在商业模式方面，Riley 认为通过内容创作获取观众和赞助是相对稳妥的路径，因为 AI 公司急需分发渠道。然而，构建 SaaS 产品或提供咨询服务则更为复杂。尽管仅靠内容创作就能获得可观收入，但 Riley 选择继续深入技术一线（in the trenches），通过与开发者日常交流来保持对 Codex 等工具的深刻理解。他认为，只有持续学习新东西（每天学习三到四个新技术），才能制作出真正有用且能激励他人的内容。
“我的目标只是做内容……但我必须围绕自己组建一个非常优秀的团队。”
Riley 的理想状态是仅专注于内容创作，通过漏斗顶部（top of funnel）吸引流量，而将其他业务环节交给专业团队。他强调了组建高素质团队的重要性，认为只有依靠 talented people（有才华的人），创作者才能从繁琐的业务运营中解脱出来。这种模式不仅让他保持了内容的实用性，还通过咨询和团队服务拓展了商业边界，实现了从单一内容创作者向综合型 AI 布道者和业务领导者的转型。
坚持“构建者”身份而非单纯的内容聚合器
Riley Brown 强调，作为拥有百万粉丝的创作者，其核心价值在于实际构建和使用技术的过程，而非仅仅扮演新闻聚合者的角色。他认为，如果只制作内容而不深入理解背后的技术实现，无法建立真正的专业壁垒。创作者应当像 Peter Levels 那样，通过分享自己构建的产品和真实经历来吸引受众。Peter Levels 之所以具有吸引力，是因为他并非传统意义上的内容创作者，而是通过高频次的尝试（据称失败过约 40 次）和成功的 SaaS 产品分布来证明其能力。这种“大量试错+实际构建”的模式，使得他的内容具有极高的可信度和参考价值。Riley 明确表示自己不想只做内容的搬运工，而是希望深入探讨构建流程，这种“动手实践”的态度是其内容策略的基石。
"I don't want to only make content or be like some sort of news aggregator, you know, I want to actually learn how to build the stuff... that's the creator I want to be."
Peter Levels 的案例：高频试错与成功分布
在讨论内容创作的差异化时，Riley Brown 引用了 Twitter 上的知名开发者 Peter Levels 作为典型范例。Peter Levels 的独特之处在于他拥有极高的分发能力（Distribution），这直接转化为了多个成功的 SaaS 公司。然而，这种成功背后是巨大的失败成本——他承认自己已经失败了大约 40 次。这种“大量挥棒”（taking a ton of swings）的策略，不仅没有削弱他的影响力，反而因为真实性和韧性而使其形象更加立体和有趣。Riley 指出，Peter Levels 不可能成为一个传统意义上的内容创作者，他的吸引力完全来自于他实际构建的事物和所经历的过程。这一案例有力地论证了：在技术领域，真实的构建经验和失败记录比完美的内容包装更具长期价值。这种观点也反映了 Riley 对自己职业定位的思考，即通过展示技术落地的全过程来建立权威。
Chorus 产品定位：从工具到服务的双轨驱动
Riley Brown 介绍了其正在开发的新产品 Chorus。该产品的核心功能类似于新发布的 Claude Tag，允许用户在 Slack 等通讯工具中调用 AI 模型的技能。但 Chorus 的差异化在于其通用性，支持接入任何 AI 模型，并允许用户通过 iMessage、Slack 或群组消息进行交互。其中，群组消息功能（Group Messages）最受用户欢迎，因为它能更好地融入团队协作场景。目前，Chorus 的商业模式呈现出独特的双轨特征：一方面作为独立产品迭代，另一方面更侧重于B2B 服务。Riley 透露，现阶段公司并非主要依靠销售软件许可证获利，而是通过为企业实施 AI Agent（智能体）来驱动增长。企业客户希望与 Chorus 团队直接合作，由他们利用 Chorus 技术栈为客户定制和部署业务智能体。这种“产品即服务”的模式，使得 Chorus 在早期阶段就获得了强劲的商业驱动力。
"Right now I'm not even really selling the product as much as selling our services, because companies want to work with us... that's been just like an insane driver for us."