从音乐合作到AI创业的起源

Ditto项目的诞生源于创始人Payton和Omar在大学时期的深厚友谊与技术互补。两人分别主修电气工程和计算机工程，因共同的音乐兴趣而结识并首次合作创作音乐。随着学业深入，他们决定将这种协作模式商业化，在大四设计项目中尝试构建一家初创公司。起初，他们的方向聚焦于音乐科技领域，但很快意识到行业未来的巨大潜力在于大语言模型（LLM）的基础设施建设。> "We made music tech at the time... but those ideas that we were forming at that time are kind of ahead of where the industry was going to be."

这种前瞻性思维促使他们在行业尚未成熟时就开始探索多模态神经网络（MMN）的概念。当时，他们甚至为一种能够同时处理图像、音频和文本输入并输出相应模态内容的系统申请了专利。这一构想如今看来已完全契合当前AI技术的发展趋势，但在当时属于超前于行业现状的探索。这种早期的技术积累为后来解决AI记忆问题奠定了坚实的底层逻辑基础，也让他们在理解多模态数据处理上拥有了独特的视角。## 记忆瓶颈的觉醒与技术验证 Omar作为AI方向的负责人，早在2020年左右就开始关注自然语言处理中的核心痛点。他通过研究《Attention Is All You Need》论文，深入理解了LLM的原理，并尝试逆向工程构建类似Google Home的智能助手。他开发了唤醒词检测模型、意图识别和命名实体识别模块，用于自动化智能家居控制及电脑操作。然而，真正的转折点出现在GPT-3发布后的一周内。

"Immediately within like the first week I had tool calling and structured JSON outputs... tied that into an agent."

GPT-3的出现让Omar迅速实现了工具调用和结构化JSON输出功能，并将其整合到智能代理中。这一过程让他深刻意识到，尽管模型具备强大的推理能力，但缺乏持久记忆是制约AI实用性的关键瓶颈。如果没有长期记忆的支撑，智能代理无法在多次交互中积累上下文或优化行为。这一洞察直接推动了Ditto项目的立项，旨在通过技术手段解决AI的“健忘症”问题。## 线下协作加速产品迭代 尽管Ditto的技术根基深厚，但其快速推进也得益于团队高效的线下协作模式。Payton和Omar在蒙特利尔建立了黑客松式的办公环境，这种面对面的高强度协作极大地提升了开发效率。> "People thought we ship fast like when we're in person together. It's expedited even faster than the inference, right?"

这种实体连接带来的效率提升不仅体现在代码编写速度上，更在于团队对业务栈的整体构建。在经历了一次安全漏洞事件（Exploit）后，他们并未停滞不前，而是继续利用这段线下共处时光完善产品架构。Payton作为加密货币领域的专家，与Omar的AI背景形成了完美的互补，这种“Crypto + AI”的双重基因使得Ditto在BitTensor生态系统中具有独特的定位。他们通过实地协作，不仅加速了技术落地，还建立了更紧密的团队凝聚力，为后续的产品发布和市场拓展打下了坚实基础。

早期记忆架构与多模态意图识别

在ChatGPT出现之前，Ditto团队就已经开始探索具备长期记忆和代理工作流的AI系统。创始人发现大模型的上下文窗口容易填满，因此借鉴人脑的长期记忆、短期记忆和工作机制，设计了一种基于向量相似度的简单缓冲区。他们利用HNSW（层次导航小世界）算法构建图状结构，并结合主题建模来处理信息。这种架构使得系统能够支持长达数小时甚至整夜的连续对话，实现了在概念定义之前就完成了产品化实验室的功能验证。这种早期的探索不仅解决了上下文限制问题，还为后续更复杂的智能体管道奠定了基础。

智能家居集成与面部识别记忆隔离

Ditto的早期原型深度集成了Home Assistant生态系统，控制包括安全摄像头、扫地机器人、灯光和洗碗机在内的全套智能家居设备。其核心创新在于引入了面部识别技术，系统能够根据对话者的面孔创建独立的海马体（hippocampus）记忆空间。这意味着当房间内有五个人同时与AI交互时，系统能通过音频、视觉和文本三种模态的融合分析，精准过滤噪音并锁定特定对象。这种设计不仅解决了多用户环境下的注意力分配问题，还确保了不同用户的记忆数据相互隔离且个性化存储。这种多模态意图识别能力比后来流行的Jev模型早了数年，且计算成本极低。

轻量级神经网络与自动路由机制

为了在调用大型语言模型（LLM）之前进行高效过滤，Ditto团队构建了三个轻量级神经网络：多层感知机（MLP）和自编码器。这些模型可以部署在手机上，通过输入少量向量或嵌入数据，快速预测用户意图（如智能家居控制、网络搜索或闲聊）。这种机制类似于现代的Jev路由器，能够自动选择最适合任务的模型和推理层级。创始人强调，这种前置分类能大幅降低LLM的调用成本并提高响应效率。随着技术的发展，Ditto正逐渐演变为更自主的软件系统（self-driving software），通过这种分层处理架构，实现了从简单指令到复杂意图的精准路由。

Bit Tensor生态下的激励结构与战略优势

选择Bit Tensor而非传统初创融资，核心在于其独特的市场结构和激励机制。创始人将Bit Token比作赋予创始人的“超能力”，允许团队购买子网插槽（subnet slot）作为资产，从而获得类似OpenAI或Anthropic的“战争储备金”（war chest）。这种机制迫使团队通过有效分配排放代币来创造最大价值，形成了一种独特的竞争环境。与传统种子投资不同，Bit Tensor的代币经济学允许团队以传统方式无法实现的速度和灵活性进行研发和资源调动。尽管市场上存在75%的子网未能产生实际价值，但Ditto团队认为这种去中心化的激励结构提供了一次性的战略机遇，使其能够更自主地引导研究方向并管理资产。

核心理念：消除重复解释的上下文断层

Ditto的核心价值在于连接用户已使用的所有应用中的上下文，无论是Threads上的讨论、工作对话还是与AI代理的交互。其根本目的是让用户无需重新定义或重复解释已经发生过的内容。在访谈中，创始人强调企业级子网（Subnet）应注重利润率而非单纯追求算力硬件成本。对于普通用户而言，痛点在于每次使用新模型时都要重新提供背景信息。

"Ditto connects the context across all the apps you already use... so that you don't have to redefine or reexplain something that already happened."

创始人分享了一个个人案例：在使用Anthropic等模型时，如果未连接Ditto技术，他每晚必须留下笔记以便第二天早晨让新会话“记住”之前的内容。Ditto正是为了解决这一记忆约束（constraint）而设计，旨在消除这种低效的上下文传递过程。

产品交付：从命令行到云端商店的一站式体验

为了降低技术门槛，Ditto提供托管式（hosted managed）解决方案，用户无需在家运行服务器、具备技术背景或使用命令行。目前团队正申请加入ChatGPT和Cloud App商店，以标准化打包Ditto MCP（Model Context Protocol）服务器及记忆功能。

这一举措的关键在于技能与服务的捆绑。通过云端商店，Ditto不仅能提供连接器，还能“教导”AI如何有效使用Dito。此外，随着MCP Apps协议的引入，用户可以直接在聊天界面中看到主题化且品牌化的UI组件。例如，当要求代理显示“顶级记忆”时，渲染出的界面将直接体现Ditto的品牌风格，极大提升了用户体验的直观性。

平台愿景：全模型通用的记忆基础设施

Ditto的战略目标是构建一个包含所有模型的完整平台，使得不同模型间无需手动转移提示词（prompt），记忆交互完全在应用内完成。创始人认为，虽然这看似“煮沸海洋”（boiling the ocean）般的庞大工程，但必须优先构建日常必需的工具。

以内部开发的Ditto Review（代码审查工具）为例，创始人曾因第三方代码审查服务一夜之间产生$150的费用而决定自建工具。Ditto Review允许编码代理发布拉取请求（PR），系统自动读取并分配给多个子代理进行审查，留下评论直到代码质量达标。这一过程不仅提升了代码质量，还实现了极低的审查成本。目前该工具处于公开测试阶段。

子代理架构与成本控制策略

在Ditto Review的实际运行中，曾出现数百个子代理（sub-agents）同时工作的场景。虽然数量庞大，但它们并非全部并行运行，而是通过文件拆分（breaks up the files）机制并发处理。尽管涉及数百个代理，整个审查过程的总成本仅为$1（一美元）。

这种低成本得益于对模型选择的优化，目前主要使用GLM Flash作为该用例的高性价比模型。未来计划引入更多样化的模型组合，包括Claude Haiku 5.5、GPT Luna 6以及GLM Flash，以实现模型多样性（model diversity）扫描。在定价策略上，Ditto目前允许用户无限创建代理，未来将主要基于存储空间（storage）进行计费。

产品定价与协作架构设计

Ditto 的基础存储方案起步于 1 GB，用户可升级至 Pro 计划获得 50 GB 存储空间，月费为 19 美元。若需更高容量，支付 97 美元即可升级至包含 1 TB 存储的 Pro 计划。该 Pro 计划的核心优势在于其内置了 Ditto Org（组织）功能，专为可能雇佣第一员工的独立创业者设计。Pro 计划本质上提供了 4 个席位（1 个主账户加额外赠送的 3 个席位），非常适合 Subnet 团队使用。在功能层面，Ditto 引入了 Spaces（空间）概念，类似于 Obsidian 的 Vault 或 Notion 的团队空间。这些空间是隔离的知识孤岛，用户可以在自己的账户中创建并邀请朋友协作，形成类似 Ditto 手柄的协同聊天环境。例如，当 Omar Zanji、Payton 等人发送消息时，系统会清晰显示各自的身份标识。这种设计旨在解决企业级应用中的 访问控制 和知识隔离问题，防止敏感信息泄露给错误的人员。

企业级安全与权限管理

Ditto 的 Spaces 功能不仅是简单的协作工具，更是为企业设计的 知识桶（Knowledge Buckets）。创始人强调，如果记忆系统未针对企业需求构建，将导致大量知识泄露或特权信息误传。因此，Spaces 充当了不同的 知识孤岛，用户可以在这些空间之间建立管道连接器（Pipeline Connectors），从而实现对整个企业数据的细粒度访问控制。例如，可以设定特定人员仅能查看 工程空间，而另一组人只能访问 QA 空间。这种架构确保了企业在享受 AI 记忆优势的同时，能够严格管理内部数据的可见性。对于社区中关于 Ditto 主要聚焦于企业客户还是零售消费者的疑问，创始人明确回答：“答案是肯定的，是企业。” 这一战略定位决定了其后续的产品迭代和商业化路径。

典型用户案例与数据共享逻辑

尽管目标市场为企业，Ditto 也涌现出极具创意的个人用户案例。一位重度使用 Ditto Code 和 Workflows 的 Power User，利用该平台构建了一个完整的 Subnet 分析平台，专门用于分析 X（原 Twitter）帖子。此外，一位艺术家利用 Ditto 维护其品牌和个人形象，同时搭建网站并作为顾问保持高质量内容的输出节奏。这些案例揭示了一个核心痛点：数据共享的优化。如果用户拥有一个包含个人所有业务信息的记忆数据集，无需反复口述，只需将该数据集分享给企业或合作伙伴即可。这种机制允许用户将个人记忆资产化并安全地授权给外部实体，解决了传统沟通中信息传递效率低下的问题。正如对话中所总结的：“我可以拿那个数据集分享给一家企业，我不需要坐在那里告诉他们关于它的一切。”

商业化路径与合规进程

Ditto 的盈利模式借鉴了 Cursor 的成功经验：通过提供极佳的消费者产品吸引个人用户，让他们在内部推动企业采购。创始人指出：“我们希望人们去他们工作的地方说……我们想在团队中启用 Cursor。” 除了这种自下而上的推广策略，Ditto 还提供 定制构建服务，将产品部署在企业自有服务器上。针对希望完全掌控资产的大型企业，Ditto 提供合同定制、需求分析及私有化部署服务。目前，团队正在启动 SOC 2 合规流程，这是进入大型企业市场的基准要求。SOC 2 分为 Type One 和 Type Two 两个阶段，团队计划在一个月的冲刺期内完成 Type One 合规认证。在业务进展方面，Ditto 已从社区内获取线索并锁定了 两个 定制构建的试点项目（Pilots），利用 Bit Tensor 社区内大量创业者资源作为初始切入点。

首个标杆案例：清洁业务操作系统化

Ditto目前锁定的第一个试点客户是一家清洁服务公司。该企业的日常运营主要依赖WhatsApp及少数其他工具，这种高度分散且非结构化的工作流正是Ditto理想的切入点。通过接入WhatsApp等渠道，Ditto能够全面整合信息输入，帮助运营商高效管理客户沟通。同时，系统可以无缝对接其现有的会计和其他后台管理系统，构建定制化的工作流模板。

"We're going to go in there and be their operating system as Ditto."

随着定制化项目的增加，Ditto正在积累一套可复用的业务解决方案资产库。创始人指出，许多看似独特的定制需求在底层逻辑上具有相似性（"rhyme with a different custom build"）。通过将这些经验沉淀为标准化模板，Ditto不仅提升了交付效率，也为后续拓展其他垂直领域奠定了信任基础。这些早期试点将作为概念验证（Proof of Concept），逐步建立市场信心并推动业务扩展。

子网定位：从原材料到成品零售的“沃尔玛”

针对社区关于Bitensor子网本质的质疑，创始人明确将Ditto定义为“产品型子网”（Product Subnet）。他类比Bitensor生态主要提供原始算力或数据等“原材料”（Commodities），而Ditto则是将这些资源加工成最终面向消费者的SaaS产品。为了形象地说明这一角色，创始人将Ditto比作Bitensor生态中的“沃尔玛”。

"I actually started thinking of us like uh Ditto is actually the Walmart of Bitensor."

就像消费者不会直接去酸奶店而是选择沃尔玛一样，用户将通过Ditto这一统一的产品界面来购买和使用Bitensor生态内的各种服务。作为主要的产品子网，Ditto拥有巨大的采购话语权（Monopoly Buying Power）。随着用户规模的增长，Ditto对底层算力和推理服务的需求将显著增加，从而能够以大规模采购的优势与上游供应商谈判价格。这种模式确保了Ditto不仅是服务的提供者，更是生态内核心资源的整合者与分发者。

Gamma积分的战略应用：加速产品迭代与优化

Gamma Credits（伽马信用点）在Ditto的产品战略中占据核心地位。创始人及其团队作为产品工程师，计划利用Gamma提供的推理预算（Inference Budget）来系统性提升产品质量。这包括修复已知Bug、优化页面性能以及通过高频迭代保持市场竞争力。

"We make a product and we develop the product... products have to evolve very fast to keep up with the market."

团队将借鉴OpenClaw创始人Peter Steinberger的高效模式，利用充足的Token预算进行系统化、逐页的产品打磨。这种高强度的产品迭代能力是Ditto区别于其他子网的关键优势。通过Gamma的支持，团队能够像Cursor或ChatGPT那样实现近乎每日更新的产品进化速度。这不仅提升了用户体验，也证明了投资Ditto即是在投资一个24/7持续进化的产品引擎。此外，团队还计划利用Gamma预算进一步扩展功能边界，确保产品在激烈的AI市场中保持领先地位。

供需协同：Ditto与Green Compute的深度绑定

在基础设施层面，Ditto正积极与Green Compute子网建立深度合作关系。创始人亲自考察了Green Compute的硬件设施，对其印象深刻，并推动将Ditto的大部分SaaS服务迁移至该子网运行。这种合作是典型的供需互补关系：Ditto作为需求方，随着用户增长将产生巨大的算力和存储需求；Green Compute则提供绿色、高效的算力支持。

"I would love to run more and more of Ditto on Green Compute."

创始人强调，Ditto的目标是运行绝大多数通过子网提供的服务。对于Green Compute等基础设施提供商而言，Ditto的稳定需求意味着持续的排放收益（Emissions）和收入保障。这种绑定不仅降低了Ditto的基础设施成本，也为上游子网提供了可预测的市场需求。通过这种生态内的垂直整合，Ditto旨在构建一个自给自足且高效运转的商业闭环，确保在Bitensor生态中的长期竞争力和盈利能力。

核心壁垒：从记忆解决到深度编排的演进

Ditto（SN118）的核心竞争优势并非单纯的技术首创，而是长达三年半的深度产品沉淀与实施广度。创始人指出，许多竞争对手仅占据了问题解决方案中约 10% 的份额，而Ditto通过持续投入实现了 90% 的实施深度。这种差异使得用户无需质疑其是否为“最佳实现”，因为产品本身已通过高粘性证明了可靠性。相比之下，部分竞品虽在初期通过新颖的界面吸引用户，但缺乏长期留存能力。

“我们不仅仅解决了记忆问题……而是构建了基于该解决方案的平台。”

Ditto的战略重心已从单纯的“内存解决”转向编排问题集（Orchestration Problem Set）。其核心逻辑在于：如何在组织内部调度上下文，并将一系列代理步骤分派给最适合的工具（Harness），同时保持高质量输出。这种从底层记忆到上层编排的垂直整合，构成了其难以复制的技术护城河。

激励机制下的博弈：DittoBench与“作弊”创新

在SN118子网中，如何防止矿工（Miners）通过“刷分”来操纵系统是一个持续存在的挑战。Ditto推出了DittoBench内存竞赛，旨在通过公开测试网络状态来发现潜在漏洞。然而，激励机制导致了意外的行为模式：为了在自动化评分中获得高分，参与者开发了高度特化且代码臃肿的“基准测试应答机”。这些代理并非真正的智能体，而是通过添加大量手工调优代码来迎合评分标准。

这种“作弊”行为带来了双重影响：一方面，它产生了复杂的代理架构；另一方面，其中包含的某些技术思路（如记忆系统优化）被Ditto吸收并转化为产品的实际创新。创始人承认，界定“作弊”与“合法创新”之间存在道德困境和技术模糊性。

“为了在基准测试中获得更高的分数，他们添加了相当可观的代码量……这些代码是手工调优的。”

治理策略：修剪花园与价值回收

面对上述博弈，Ditto采取了类似“园丁”的治理策略。创始人将子网生态比作一个产出果实和浆果的花园，当前的重点在于修剪（Pruning）与收获。具体而言，团队正在从竞赛中筛选出表现最佳的实现方案（即“果实”），将其整合进核心的Harness系统中。

这一过程不仅是为了提取价值，更是为了重启竞赛。通过吸收最优实践并更新基准测试标准，Ditto试图引导参与者从“迎合旧评分”转向真正的技术创新。这种动态调整机制旨在确保网络状态的健康，并持续从矿工的竞争中提取真实效用（Real Value），而非仅仅依赖代币排放。创始人强调，从子网中获取真实价值并非易事，需要持续的监控与迭代。

“我们现在正在做的……是开始修剪、采摘果实和浆果，并将其整合到Harness中。”

战略重心转移：从记忆解决到高层编排

Ditto团队明确表示，记忆层的问题已经彻底解决，这标志着项目进入了一个新的阶段。创始人Omar指出，团队希望将重心从单纯的记忆存储转移到更高级别的抽象层面，即路由器（Router）和编排层（Orchestration）。目前的Subnet竞赛基准测试Dittobench可能会随着记忆问题的解决而演变，其基础将建立在已稳固的记忆层之上。团队正在引导Subnet竞赛和矿工（Miners）协助构建这些更高层级的抽象能力，使记忆层成为类似物理基础设施的底层基质（Substrate）。这种架构转变允许开发者在此基础上构建数据管道、货币化工具以及自动化模板，从而极大地扩展了应用的可能性。这种演进是必要的，因为封闭团队无法与开放机制竞争，Tensor平台能够汇聚全球人才共同推动技术迭代。

网络效应与数据护城河：类比特斯拉的数据战略

Ditto的核心竞争优势在于其节点对特定问题空间的深度适配。Omar用神经网络哲学解释，Ditto的节点已经与记忆解决方案紧密拟合，这种强耦合性构成了极高的竞争壁垒。如果有其他团队试图复制这一方案，由于缺乏同样的数据积累和适配过程，很难达到同等效果。这种策略类似于特斯拉的数据战略。虽然外界常将特斯拉视为AI机器人汽车公司，但其本质是一家数据公司。特斯拉通过车辆行驶收集隐性知识（Tacit Knowledge）和驾驶数据，并以此进行货币化。Ditto借鉴了这一逻辑，但强调其数据的获取方式不同：它不依赖用户隐私数据，而是通过Subnet生成合成数据（Synthetic Data）和追踪记录。这种模式既避免了隐私争议，又构建了强大的数据护城河，使得Ditto成为解决特定AI记忆问题的首选节点。

隐私保护与端到端加密：用户数据主权的回归

在数据安全方面，Ditto引入了空间（Space）的概念。Omar解释称，“空间”是一个个独立的、隔离的托管环境，类似于孤岛（Siloed Hippo Campus）。团队正在开发一项关键功能：允许用户对其中的一个空间进行端到端加密（End-to-End Encryption）。这一功能采用“选择加入”机制，因为一旦用户丢失密钥，地球上没有任何人能访问这些记忆。这种设计类似于加密钱包的安全逻辑。对于担心数据泄露、隐私侵犯或希望与LLM进行深度私密对话的用户来说，这一功能具有极高的价值。Omar强调，Ditto不需要通过抓取用户对话来增长公司估值。这与许多竞争对手（如Frontier Labs）形成鲜明对比，后者往往将用户对话数据视为“圣杯”进行收集。Ditto通过赋予用户完全的数据控制权，建立了独特的信任优势。

未来愿景：个性化模型与数字资产化

展望未来10年，Ditto的愿景是成为用户家中的私人基质（Private Substrate）。Omar描绘了一个场景：无需上传意识或植入电极，Ditto将伴随用户一生，记录一切并加密存储。当用户离世时，其数字遗产——即Ditto中积累的数据——将成为“你”的延续。这一愿景的核心在于每用户模型（Per-user Models）。随着AI规模的扩大，通用LLM的训练数据将成为商品化资源，而个人记忆和独特行为模式将变得稀缺。Ditto允许用户导入大量历史数据（如通过上传.zip文件），从而微调出完全符合个人偏好、行为和性格特征的专属模型。这种个性化印记（Imprint）将使通用AI工具（如Claude）变得具有个人特色。最终，每个用户都在构建一个日益重要的数字资产。随着代理经济（Agentic Economy）的发展，这些基于个人记忆的模型将成为用户保持相关性和独特性的关键。Ditto通过提供训练数据而非占有它，让用户成为自身数字资产的主人。

企业收入回流与国库积累机制

当大型企业在Ditto平台上产生营收时，资金流向网络并转化为Alpha持有者价值的过程有着明确的逻辑。在覆盖团队运营成本后，Ditto公司将提取一定比例的营收收入。核心策略是买入并持有Ditto代币，将其存入公司国库以积累Alpha价值。创始人明确表示：“我们会拿走那一小部分收入……然后买入并持有Ditto，就像我们想要的那样去堆积Alpha。”为了进一步锁定价值，团队认为将部分资金用于质押是合理的做法。虽然可以使用质押收益来维持运营或支付必要开支，但主要目标仍是构建一个庞大的Ditto代币国库。这种模式旨在确保企业产生的经济价值能够直接回流至代币持有者手中，而非仅仅作为运营利润被消耗。

矿工激励转型与Gamma机制的应用

关于是否自挖矿机的讨论中，团队明确表示目前并未进行自我挖矿。尽管有人建议这样做，但由于专注于产品开发，他们没有精力去采购硬件。然而，团队确实注册了名为“Gamma Beta”的矿机账户。这一举措的主要目的是收集资金用于推理（inference）服务，从而支持产品改进。Gamma机制允许将部分矿工排放直接导向特定账户，例如用于资助Pro版每月19美元计划中的推理成本。由于购买Bit Tensor资源必须使用代币，这种机制确保了资金不会流出生态系统。“因为你知道价值会通过回购和建立国库回到代币中……既然矿机产生的东西最终还是要卖掉，不如用它来做点更有用的事。”这不仅保留了资金在Bit Tensor网络内的循环，还通过实际应用场景增加了代币的需求。

应对漏洞与调整燃烧策略

此前，Ditto子网曾遭遇矿工利用筛选机制提交高分但无效数据的问题。在暂停子网并进行维护后，团队重新迭代了筛选系统并恢复运行。目前约有45%的矿工奖励被销毁，以应对潜在的卖压并增强代币的通缩属性。创始人指出：“目前我们大约处于45%的燃烧状态。”为了进一步优化激励结构，团队计划减少直接的矿工支付，转而通过Gamma机制引导更多排放。这种调整旨在平衡子网资产的管理与矿工的积极性。“我们要管理好作为子网的资产……我们都在创造中。”通过这种方式，团队试图在防止滥用和维持矿工参与度之间找到平衡点。

激励模式创新与国库管理哲学

面对代币持有者对价值捕获的疑问，团队解释了通过燃烧奖励来减少卖压的逻辑。传统的子网往往呈现向下的三角形趋势，而Ditto希望通过不同的策略打破这一常态。团队计划改变单一的基准测试模式，转而采用类似Ridges子网的横向多样化策略。例如，Ridges曾设立专门的编码代理、数据库SQL编写及测试生成等赛道。“我们会让矿工去构建更好的重排序器（re-ranker）……而不是永远盯着一个问题。”这种灵活的赛道轮换机制旨在激发矿工的创造力并满足产品多样化的需求。在国库管理方面，团队倾向于结合回购、持有和质押的综合策略，以确保持有者的长期利益。

资本再投资优于盲目销毁的代币经济学逻辑

在讨论AI项目的资金分配策略时，Ditto创始人提出了一个核心观点：运营者应当获得回报以激励关键决策，同时坚持将资本再投资于业务本身。他认为，虽然完全去中心化的代币经济学（Hyperdecentralized tokenomics）有其价值，但将资本支出（Capex）重新投入企业是提升质量、增加利润率和最终实现回购销毁的关键路径。如果项目拥有最高品质的服务，就能带来更高的利润率，从而支撑更多的代币回购和销毁机制，让持有者受益。相比之下，加密社区往往缺乏耐心，倾向于要求创始人像“烧钱”一样立即回馈市场。然而，这种短视行为会限制项目的长期潜力。

"Elon, wake up. Burn $1 million for me." They're not going to ask him to do that, right? Elon, he's smart enough to know... to not [clears throat] do that.

创始人指出，如果期望项目能够克服链下补贴（chain subsidies）并建立可持续的商业模式，就不能将所有资金用于销毁。这种做法不仅无助于创造价值，反而会约束业务的发展。因此，他主张一种混合模式：在确保 conviction locks（信念锁定）的前提下，必须拥有清晰的盈利路径蓝图。这意味着需要持续向子网（subnet）再投资。这种策略被证明是有效的，因为通过提升企业级收入——其利润率通常高于消费者端收入——可以为回购和销毁提供更具可持续性的资金支持。这种混合方法促使团队进行更深入的代币经济学研究，通过量化分析价格影响来精确设定各项决策的比例，而非仅凭直觉。

代理技术释放创造力与 backlog 的金矿效应

随着AI代理（Agents）技术的成熟，开发团队的创意执行力得到了显著提升。创始人提到，他和团队不再缺乏想法，而是面临如何管理海量创意的挑战。为此，他们引入了类似Jira的项目管理系统来归档待办事项。在短短一周内，团队就积累了约700个待处理项目。这种系统化的管理方式使得他们能够从庞大的“愿望清单”中筛选、优先级排序并执行任务。对于像他这样的开发者而言，代理技术带来了创造性的解锁（creatively unlocked）体验。

"your backlog is your gold mine because now we live in this era of like building software... with agents, we kind of can execute on like two maybe 10 times more of our ideas."

与部分人认为AI会取代人类创造力的观点相反，创始人表示代理技术让他们能够执行以前无法落地的想法。现在的执行力可能是过去的两倍甚至十倍。这种效率的提升不仅体现在代码编写上，更体现在复杂工作流的自动化构建中。团队不再受限于人力瓶颈，而是能够专注于架构设计和战略决策。 backlog（积压任务列表）被视为金矿，因为通过代理的辅助，原本因资源限制而被搁置的创新想法得以重新激活并进入执行阶段。这种转变标志着软件构建时代的深刻变革，即从单纯的人力密集型开发转向由AI代理驱动的高效自动化生产。

未来90天愿景：247个自主代理集群与云原生部署

在访谈的最后，创始人透露了Ditto在未来90天内的重大路线图更新。他明确表示，AGI（通用人工智能）已不再是营销术语，而是当前的事实状态。基于这一判断，Ditto的战略重心在于构建大规模的自主代理生态系统。具体的量化目标是：在90天内，组织内部或各个独立项目中将出现247个自主代理集群（autonomous agent swarms）。这些集群将不仅仅是简单的脚本，而是能够处理复杂任务的智能体。

"In 3 months, Ditto will have 247 autonomous agent swarms throughout your organization or your individual projects."

这些自主工作流将具备高度的集成能力，能够从Threads、Slack、Telegram、Discord以及Zoom会议中提取信号。一旦检测到定义清晰的任务，Ditto将自我生成（spawn itself）相应的代理实例。Ditto Desktop版本即将推出，且采用云优先（cloud-first）架构。这意味着用户无需本地运行重型模型，代理即可在云端启动并执行任务。例如，用户可以设定每日自动化流程：首先通过集成平台收集信号，随后触发代码编写任务。这种云原生与桌面端结合的体验将极大降低用户门槛，使复杂的自动化工作流变得触手可及。通过模板化这些工作流程，Ditto旨在让用户能够轻松构建和部署高度定制化的AI代理集群。

自动化工作的异步化与主动式代理

Ditto 平台的核心愿景是实现高度主动式的自动化工作流。这种架构允许智能体在用户离线或睡眠期间持续运行复杂的协作任务。例如，当团队成员分布在全球不同时区时，系统可以支持两到三人进行持续的对话协作。用户醒来后，可以直接看到由这些后台会话生成的拉取请求（PRs）和资产更新。这种“主动式”特性标志着 AI 代理从被动响应向自主执行关键任务的转变，极大地提升了跨时区协作的效率。

"So there could be two or three people having a conversation while you're sleeping... you could wake up to PRs and assets from conversations that were happening while you were sleeping or away."

这种能力的实现依赖于对递归代理（Recursive Agents）技术的深度优化。目前，行业内的许多自动化平台仅相当于“定时发送提示词给编码代理”的简化版工具，虽然能工作但成本高昂且缺乏灵活性。Ditto 致力于解决这一痛点，通过更精细的架构设计，确保代理不仅能执行任务，还能在后台自主完成从沟通到交付的全流程。

云端代理的执行难题与成本优化策略

当前，前沿实验室在云托管代理（Cloud Managed Agents）的一致性执行方面仍面临挑战。许多平台未能解决云端代理执行的稳定性问题，而 Ditto 选择优先攻克这一基础设施难题。通过构建完善的架构决策和底层设施，Ditto 计划在三个月内整合此类系统。这一战略重点在于解决两个核心问题：一是确保代理执行的可靠性，二是大幅降低运营成本。

在成本控制方面，Ditto 采用了任务拆解与路由优化策略。系统会将复杂任务分解为最便宜的组件，并根据需求动态路由到不同的模型和引擎中。这种机制避免了单一昂贵模型的持续调用，通过混合使用不同性价比的模型组件来执行特定步骤。这种架构不仅解决了云端代理执行的未解难题，还通过精细化的资源调度实现了显著的成本节约，为大规模自动化应用奠定了经济基础。

自结晶工作流与技能模板化演进

Ditto 区别于其他平台的关键在于其自结晶工作流（Self-Crystallizing Workflows）技术。这一功能允许系统随时间推移进行自我学习，识别出那些不随任务变化而改变的固定步骤。一旦这些稳定流程被确认，系统会自动移除对这些步骤的模型依赖，从而消除不必要的推理成本。相比之下，许多竞品平台只是简单地将相同的提示词重复发送给代理线程，导致资源浪费。

未来几个月，Ditto 将推出模板（Templates）和技能（Skills）功能。用户可以使用斜杠命令启动自定义工作流，这些技能将直接绑定到特定的工作流程中。平台初期会提供针对主要工作类别的默认模板，随后还将建立模板商店（Template Store），允许社区共享和复用高效的工作流设计。这种模块化策略旨在降低用户构建复杂代理的门槛，同时通过社区力量丰富生态系统的多样性。

"So unlike other we've seen everybody's got an automation platform but it's literally just a glorified prompt on a timer to a coding agent... we actually like put the thought into what should it look like and that's these self-crystallizing workflows."

超级应用愿景与 Agentic Finance 前景

从用户视角来看，Ditto 正在演变为一个超级应用（Super App）式的“大脑”。传统模式下，用户需要分别为 Hermes、OpenAI ChatGPT 等不同模型编写提示词；而在 Ditto 架构中，所有模型都连接到一个统一的记忆大脑（Memory Brain）。用户只需与这个中央代理交互，系统便能在后台协调多个模型协同工作，无需手动干预每个模型的提示过程。这种设计解决了多工具切换的摩擦感，实现了真正的一站式智能工作流管理。

在应用层面，Ditto 特别看好 Agentic Finance（代理式金融）领域。用户期望能够直接指令代理进行资金管理，如投资特定基金、现货交易或剥头皮策略。然而，目前市场上缺乏能正确执行此类复杂金融逻辑的代理工具。Ditto 计划开发专门的金融代理模板，旨在解决这一痛点，让用户能够安全、准确地通过自然语言指令管理资产。这种从通用自动化向垂直领域深度渗透的策略，展示了 Ditto 在构建高价值专用代理方面的野心。

"I'm tired of like, oh, I want to use Grock Bots for this or I want to use Anthropic for this. No, I need it all in one place. Understands me and it's just ready to work."

Ditto 团队强调与社区的共同成长，鼓励用户通过内置反馈工具直接提供意见。平台已重新设计落地页，并致力于根据用户需求快速迭代功能。这种开放的开发模式旨在确保 Ditto 不仅是一个技术平台，更是一个能够响应用户实际痛点、持续进化的智能工作流生态系统。

结论

Ditto通过三年半沉淀，以记忆层为底层基质，向高层编排与自主代理集群演进。其核心优势在于多模态意图识别、端到端加密及Spaces权限隔离，构建了企业级数据护城河。依托Bit Tensor生态的Gamma机制与代币回购策略实现价值捕获，并通过DittoBench竞赛吸收矿工创新。当前优势在于低成本路由与高粘性实施深度，短板是子网治理中基准测试的博弈风险。适用条件为需跨应用上下文整合的企业及追求数据主权的个人用户，其大规模自主代理执行能力仍需后续验证。