Gamma的产品演进与Agent Harness的核心定义
Gamma作为拥有1亿美元ARR的创意AI工具，其核心定位已从简单的LLM调用转变为Agent Harness（智能体容器）。John Noronha指出，Gamma成立于2020年，早期仅通过手动串联LLM调用生成单页幻灯片或大纲。然而，过去一两年发生的革命性变化在于：最强大的AI产品不再依赖手动的LLM调用链，而是构建一个高层级的循环机制，让智能体能够自主执行工作、检查结果并使用工具。这种架构的转变要求产品必须构建一个“Harness”，即智能体在其环境中执行任务、自我检查并向用户交付成果所需的所有工具集合。John强调，构建产品的核心魔法在于围绕LLM建立Harness，而非仅仅依赖模型本身的能力差异。即使是OpenAI和Anthropic等基础模型公司，也在投入大量资源进行Harness开发以实现差异化能力。
从Claude Code到Gamma：不同领域的Agent Harness实践
为了阐明Harness的概念，John对比了编程与创意两个截然不同的领域。Claude Code是典型的编程Agent Harness，它教导智能体如何遍历文件系统、运行测试代码，并遵循特定规则（如进入计划模式或在GitHub上执行操作）。相比之下，Gamma作为创意Agent Harness，其核心挑战在于理解艺术风格、辅助故事创作以及确保视觉设计的准确性。Gamma的Harness需要处理图像生成和布局，并具备“查看”最终效果以确保其符合预期的能力。John反驳了早期关于GPT Wrapper的观点，指出Wrapper并非90%的工作在LLM上、10%在外层包装的简单叠加，相反，Harness（即外层逻辑与工具集成）才是构建产品价值的主要部分。这种观点揭示了当前AI应用开发的真实重心：模型能力趋于同质化，竞争壁垒在于如何构建高效的执行环境。
Gamma后台架构：30秒内的复杂计算流程
当用户在Gamma输入提示词（如将杂乱笔记转化为20页演示文稿）时，后台在30秒内执行了高度复杂的自动化流程。系统首先会在云端启动一个完整的计算机实例，即Agent Sandbox（智能体沙盒）。John提到，这一概念近期因OpenAI的安全事件而受到关注，但Gamma早已采用此类隔离环境来确保智能体安全地访问用户文件及上下文信息。在沙盒启动后，系统会指示智能体分析输入内容并确定缺失的信息。通常在前10秒内，Gamma会通过弹出表单向用户提问（例如演示文稿的目标受众是教育界、成人还是职场人士），以获取关键上下文。此外，Gamma集成了Notion、Slack和Linear等工具连接器，在极短时间内通过调用3到4个不同层级（包括昂贵和廉价）的模型，完成上下文抓取、意图识别和多轮交互准备。这一过程展示了现代Agent Harness如何通过工具调用和状态管理，将简单的文本输入转化为结构化的、可执行的任务流。
"The big revolution that's happened in the last year or two is this agent revolution where the most powerful AI products now are not stringing together these individual LLM calls by hand, but they're actually having one higher-level loop of an LLM run that will do some kind of work, inspect it, use tools..."
"I think maybe what harnesses illustrate is that actually the wrapping is most of the work... generally all the magic of turning them into a product is building the harness around them."
"Just already in that first maybe 10 seconds, we've now made calls using probably three or four different models, including expensive and cheap ones."
演示文稿生成的复杂工作流与模型调用规模
在构建自动化演示文稿（Deck）的过程中，系统并非简单地生成文本，而是执行了一个高度复杂的多模型协作工作流。从最初的信息检索和提问开始，系统便引入了生成式 UI 来展示选项，随后通过多次 LLM（大语言模型）调用撰写大纲并匹配视觉模板。这一阶段涉及数千个模板的搜索嵌入技术，利用视觉模型判断风格契合度，甚至支持用户指定颜色等定制需求。仅在这一初步准备阶段，系统就已经完成了大约 30 到 40 次不同的 LLM 调用，涉及四到五个不同模型的协同作业。
当用户点击生成按钮后，系统进入实质性的内容构建阶段。这不仅包括幻灯片文字的撰写和布局，还涉及大量图像、图表和信息图的生成。为了应对性能挑战，系统采用并行处理机制调用不同模型，以避免串行执行导致的长时间等待。在短短一分钟内，用户即可看到演示文稿实时流式生成。此时，累计的模型调用次数接近 100 次，并动用了大约 10 到 15 种不同的 AI 模型。这种高强度的并行计算确保了用户体验的流畅性，体现了高性能架构在复杂创意任务中的必要性。
视觉 QA 与多轮迭代的质量控制机制
生成初稿并非终点，系统引入了AI 视觉模型进行自动化的质量检查（Visual QA）。这一环节旨在捕捉人类设计师或普通用户可能忽略的细节错误，例如文本对齐问题、图像中人物头部被裁剪、对比度异常或填充间距不当等。正如演讲者所言：
"It's actually amazing how many things can go wrong in something like a simple presentation that a human eye can detect right away. Or sometimes the human eye can't detect because it takes a designer's eye."
系统通过多轮次的视觉 QA 发现并修复这些问题，确保最终交付物的专业度。经过这一系列严格的多轮修正流程，整个工作流的模型调用总数可能达到 20 种不同模型和约 200 次调用。这种看似冗余的投入，实际上是为了交付一个外观完整且高质量的用户体验，证明了在创意类 AI 应用中，后端复杂的迭代逻辑是前端简洁输出的关键支撑。
垂直领域 Agent Harness 的构建标准与案例
在探讨如何创建垂直领域的 Agent Harness（智能体框架）时，演讲者提出了两个核心判断标准：一是问题具有高度的主观性（Subjectivity）和审美差异，二是用户对输出的具体细节有极高要求。这类场景需要人在回路（Human in the Loop）机制，因为不同人对“好”的定义存在分歧。相比之下，纯编码任务往往有明确的标准答案，而创意领域则更适合构建自定义框架。
演讲者以个人视频游戏（Personal Video Game）为例，指出当前的编码智能体擅长生成代码，但缺乏对玩家意见的整合能力。他设想了一个运行在 3D 世界中的框架，让非技术用户能够像使用 Roblox 或 Minecraft 一样塑造自己的游戏世界。这一案例强调了差异化竞争策略的重要性：
"Try to be different. Try to do something that looks nothing like what everyone else is making."
由于竞争对手往往模仿的是你几个月前的产品，创始人必须保持独特的世界观和快速迭代的产品工作室模式，每两周从零到一地探索新特性，以维持竞争优势。
构建 Agent Harness 的核心竞争壁垒
对于希望进入垂直领域 AI 应用的创业者，演讲者强调了明确竞争优势（Edge）的重要性。第一种优势源于独特的愿景和更快的执行速度，即专注于他人尚未关注的方向。第二种优势则依赖于专有数据（Proprietary Data），例如通过已有成功平台积累的独家信息或用户行为数据。第三种优势（虽然原文在此处中断，但逻辑上指向技术或生态壁垒）同样关键。
演讲者指出，软件行业的现实是模仿者的滞后性：竞争对手通常复制的是你过去的成果。因此，创始人需要不断追问自己的核心论点是什么，以及如何通过产品工作室模式持续创新。这种快速试错和迭代的能力，结合对主观性、高细节要求场景的深入理解，构成了构建成功垂直 Agent Harness 的基础。关键在于识别那些无法通过通用编码工具解决、需要深度领域知识和人工判断介入的复杂问题。
实体服务与垂直领域的未被充分开发的机遇
当前软件市场已极度拥挤，对于创业者而言显得颇为可怕。然而，真正的机会在于将AI融入实体服务（Physical Services）或现实生活中存在真实价值交换的业务中。尽管演讲者自谦为软件出身，但他指出，许多传统行业如按摩服务、餐饮服务等尚未被AI彻底重塑。这些领域存在大量未被开发的潜力，关键在于如何将技术嵌入到真实的线下体验中。
除了实体服务，法律科技（Legal Tech）和医疗科技（Medical Tech）也是AI应用的重要阵地。这些行业具有显著的数据锁定效应和复杂的监管环境，形成了天然的护城河。例如，会计和法律领域逻辑清晰，适合AI介入；但医疗领域的监管壁垒更高。值得注意的是，尽管法律科技看似合理且拥挤，演讲者认为目前构建通用的“Agent Harness（智能体工具集）”可能并非最佳切入点，因为该赛道竞争过于激烈。相比之下，针对暖通空调（HVAC）等看似无聊但刚需的垂直行业构建专用工具集，可能更具差异化优势。
Agent Harness的本质与创始人独特性
“Agent Harness”并非神秘概念，其本质是智能体为完成任务所使用的一系列工具集合。对于创业者而言，核心问题不在于追逐热门技术栈，而在于识别那些独特且尚未普及的工具。演讲者强调，创始人应基于自身的生活经验、地理位置及人脉资源来评估自己独特适合做什么。这种“独特性”是构建竞争壁垒的基础，而非单纯依赖技术堆砌。
在垂直领域的探索中，关键在于找到关键洞察（Key Insight）和细分利基市场。例如，为HVAC公司构建Agent Harness时，创业者需要思考：我拥有的哪些资源或工具是竞争对手无法轻易复制的？这种基于个人独特性的设计思路，比盲目跟随大厂的技术路线更为稳健。通过聚焦于特定的、未被充分服务的实体业务场景，创业者可以避开通用软件市场的红海竞争。
“AI味”（AI Smell）的扩散与治理策略
“AI smell”是指用户能够轻易识别出内容是由AI生成的特征。这种现象在写作中尤为明显，例如使用Claude等模型撰写的邮件往往带有特定的语气和用词习惯，让用户感到“不像真人”。在图像领域，旧金山的咖啡馆随处可见带有明显Nano Banana或GPT Image风格的海报。随着AI生成内容的普及，普通用户也开始具备识别能力，这导致用户对“一眼假”的AI内容产生抵触。
以演讲者所在的公司Gamma为例，早期作为先锋工具时，其生成的内容因独特而显得酷；但随着用户激增，所有内容趋于同质化，导致“AI味”变得单一且令人反感。为了解决这一问题，Gamma推出了新的创意系统，旨在快速扩展其创意景观（Creative Landscape）。演讲者将其比作时尚产业：正如H&M的衬衫容易被认出，时尚潮流也在不断循环（如从宽腿裤到紧身裤）。Gamma通过自动化系统持续轮换不同的创意风格，让用户能够适应并选择符合当下审美的“口袋”，从而稀释单一的AI痕迹。
评估体系（Evals）在创意领域的局限性
“Eval”类似于软件测试中的硬编码问题，用于客观评估模型表现。例如在Gamma中，当用户输入模糊指令（如“制作关于老虎的演示文稿”）时，系统应通过Eval测试其是否追问受众是儿童还是成人。这类客观指标（Objective Metrics）非常适合用于基准测试，如对比不同模型在特定任务上的得分差异。然而，在创意领域，Eval的作用有限。
对于“是否好看”或“是否符合个人语气”等主观且个性化的问题，不存在单一的客观Eval。虽然可以建立代理指标（如是否遵循品牌指南），但无法完全量化审美品味。演讲者指出，创始人带来的核心价值是“品味”（Taste）。在验证性较低的领域（如时尚），创始人需通过与用户互动，将个人的审美判断融入产品中。这种基于人类主观体验的优化，是算法无法完全替代的竞争壁垒。
基于大规模A/B测试的主观性量化与核心指标
在服装设计与AI工具开发中，独特视角的多样性至关重要。正如Nike与Adidas拥有不同的审美立场，AI产品也应容纳多种设计范式。Gamma之所以能精准捕捉用户偏好，是因为其拥有极其多样化的用户群体。为了应对这种主观性差异，团队高度依赖大规模A/B测试机制。具体而言，他们会同时运行两个不同的模型或提示词（Prompt），并在广泛的真实用户群中测量哪一方的表现更优。这种基于实际行为数据的对比，能够比任何理论假设都更准确地反映用户的真实偏好。
在衡量产品价值时，团队设定了多个维度的评估指标。首要关注的是生成后的用户行为深度。例如，用户在AI生成内容后花费多少时间进行编辑？他们是否最终选择分享或导出该文件？这些投入时间的信号是判断用户满意度的关键。此外，由于Gamma采用免费增值（Freemium）模式，付费转化率被视为最核心的北极星指标。正如创始人所言："People only pay if they're really seeing value out of a tool."（人们只有在真正看到工具价值时才会付费）。这一指标之所以重要，是因为它极难被伪造。除了即时转化，团队还会监测下游留存率（Downstream Retention），即用户在产品使用一周或一个月后是否依然活跃。虽然这一数据的反馈周期较长，但它同样是衡量用户忠诚度的难以伪造的硬指标。
B2B订阅逻辑与专业用户群体的爆发式增长
针对近期A16Z发布的图表显示"仅2%的人在AI工具上付费"这一现象，创始人表示并不感到意外。从宏观消费心理来看，个人消费者对订阅制普遍持抵触态度。作为普通消费者，人们往往倾向于共享Netflix账号等免费资源以规避订阅费用。然而，这一数据在专业工作场景（Work Context）中呈现出截然不同的图景。
"For work it's a totally different story... those things will keep being successful."
过去10到15年间，工作订阅制驱动了整个SaaS行业的繁荣。在AI领域，当我们将视角聚焦于专业人士时，数据显示付费人数正在急剧上升（rising like crazy）。因此，当前AI创业的核心焦点并非大众消费市场，而是如何找到"产消者"（Prosumers）——即那些既具备专业需求又愿意为效率付费的用户群体。大多数AI初创公司的主要战略方向，也是如何突破进入B2B市场。在商业环境中，用户的支出逻辑与个人消费完全不同，这为AI工具提供了更稳固的商业基础。
寻找垂直领域：从"Gamma for X"到个人化代理的痛点
对于希望复制Gamma成功模式的创业者，创始人给出的建议是：必须深耕自己熟悉的垂直领域。如果某个想法连创始人都没有强烈的使用需求，那么它很可能不是一个好的切入点。他建议创业者去构建那些"自己不懂但别人急需"的产品，无论是宝可梦卡牌、时尚还是球鞋领域。找到你真正懂行的细分赛道，比盲目追逐通用大模型应用更为关键。
在个人体验层面，创始人坦言目前最渴望存在的"Harness"（代理框架）是针对Slack工作流的深度整合。尽管目前已有功能可以将30条消息汇总为一条摘要，但这远远不够。他期望的是一种能够真正为他运行整个沟通流并学习其个人风格的系统。
"I want something that just like runs it all truly for me and it learns me. It learns how I would reply before I reply."
目前的AI助手（如Gmail的自动回复建议）往往无法准确代表用户的真实语气，例如推荐"Oh, you know, like yes..."这种不符合用户日常表达习惯的回复。创始人强调，真正的个性化代理应当通过观察用户的实际行为来学习，而非依赖问卷或入职引导。他拥有"大约十亿条Slack消息"的历史数据，这足以让AI理解他的回复风格。目前的市场痛点在于：没有人完全攻克"工作协作中的个性化代理"这一难题，尤其是让AI在专业场合中真实地代表用户发声。
构建于他人模型之上的战略：从获取用量到微调优化
对于在现有大模型基础上创业的创始人，核心建议是：不要羞于使用他人的模型。Gamma从创立之初就在Anthropic、OpenAI和Google的模型之间灵活切换。早期创业阶段，训练自有模型的财务门槛极高且并不现实。更重要的是，基础模型技术迭代迅速，初创公司很难在底层能力上与巨头竞争。
"Just amassing real usage is the main battle people should be focusing on."
因此，早期战略的核心应是积累真实的使用量（Usage）。利用现有的强大模型快速获得用户反馈和市场验证，是初创公司生存的关键。然而，随着产品成熟和用户量的积累，策略需要转变。一旦拥有了庞大的真实数据池，公司就可以开始进行更有价值的优化： 1. 成本降低与个性化：通过微调（Fine-tuning）模型，不仅降低了API调用成本，还能实现更个性化的用户体验。 2. 填补能力空白：识别出大型通用模型不擅长的特定任务（如复杂的压缩力度控制或特定的格式输出），通过专用微调来解决这些痛点。
这种"先借用后自建优化"的路径，被证明是早期AI初创公司建立壁垒的有效策略。
闭源云模型的价值与竞争红利
尽管开源社区常获得大量关注，但资金流向表明闭源云模型更具优势。作者认为，闭源模型背后投入了巨大的研发资源，且业界竞争极其激烈，这迫使各大厂商不断推陈出新。对于应用层开发者而言，这种“几家公司互不相让、仅相差几个月进度”的局面是最大的利好。因为如果某一家公司（如Anthropic）能完全垄断前沿技术，开发者将失去选择权；而当前的多元竞争格局确保了应用层能持续获得更优质的基础模型支持。此外，对于某些特定任务（如幻灯片QA），现有通用模型效果不佳，因此团队也在进行自有模型的专项研究，但这并不妨碍他们充分利用现有的强大云模型。
“宽而浅”的AI架构与提示工程的核心地位
作者将自身的AI技术栈描述为“宽而浅”，即使用大量不同的模型，但应用方式相对简单。核心观点在于提示工程（Prompt Engineering）和上下文工程（Context Engineering）才是关键所在。通过向用户提供正确的输入语境，并将AI的输出以恰当的方式呈现给用户，可以极大地简化LLM的工作难度。当模型的任务被设计得足够简单时，任何现成的商用模型都能产生优异结果。在“提示词 vs 微调”的争论中，作者明确表示98%的价值来自提示工程。因为提示词易于编写、可移植性强，且现在甚至可由AI辅助生成。微调仅被视为一种优化手段，用于控制成本或追求那额外的2-3%质量提升。
极速实验文化与“良好摩擦”的反直觉发现
团队对新模型的引入速度极快，通常在发布后一小时内即可启动测试。他们根据任务难度匹配不同层级的模型（如Fable级、Haiku级等），以覆盖帕累托前沿。团队同时运行10到20个实验，许多实验周期不到一天。在一次关于“快速模式”的实验中，团队原本假设减少步骤（如跳过大纲预览）能加速用户到达价值点。然而结果出乎意料地显示，那些看似阻碍速度的“摩擦”步骤（如确认大纲、回答引导性问题）反而带来了更高的用户满意度。用户在过程中投入更多精力，导致付费转化率更高。这一案例证明，在AI产品设计中，适当的引导和确认步骤并非负担，而是提升用户参与度和最终价值的关键。
实验数据的即时反馈与迭代机制
作者提到，凭借庞大的用户基数，团队可以在一小时内启动测试并在两小时后获得数据反馈。这种高效的闭环使得他们能够迅速验证假设。例如，在测试Claude Haiku 5.5等新模型时，团队会并行发起多个实验来评估其在微编辑、大纲生成等轻量级任务上的表现。通过对比不同成本层级的模型，团队常发现使用半价甚至更低成本的模型即可获得相同效果，从而优化成本结构。但在某些复杂任务中，也会发现必须依赖高性能模型。实验的目的不仅是得出单一结论，更是为了深入挖掘数据背后的用户行为逻辑，从而指导产品功能的取舍与优化。
营销范式的演变：从增长黑客到营销工程师
视频内容首先梳理了市场营销领域的历史演进脉络，指出随着技术迭代，营销工作的实验频率和自动化程度正在发生质变。回顾历史，20世纪50年代至70年代的“Mad Men”时代主要依赖每年投放一次的大型商业广告；90年代至21世纪初，数字营销兴起，允许进行少量的实验性投放。随后进入“增长黑客”时代，每周可进行数次A/B测试。而到了2022年及以后，AI辅助营销成为主流，每天可进行数十次实验。这一转变的核心驱动力在于人工智能代理（AI Agents）的介入，使得营销人员能够以前所未有的规模执行测试。演讲者提出一个核心论点：2025年标志着“营销工程师”时代的到来，这一角色融合了传统营销创意与工程化思维，通过自动化工具实现高频、大规模的实验迭代。
个性化推荐的局限与品牌保护的回归
尽管早期曾预测网站和APP将走向高度个性化的“千人千面”，但现实情况并非如此。演讲者回顾其在Optimizely的工作经历，当时愿景是创建数百个微变体以优化转化率，但互联网上的网站大多仍保持“一刀切”的统一形态。目前仅在TikTok Feed或Instagram Reels等特定领域，企业才投入数十亿美元进行极致的个性化推荐以榨取用户价值。此外，像麦当劳测试“个性化定价”这类尝试往往引发公众反感。社会对差异化定价存在强烈的过敏反应，例如用户发现同一航班因地理位置不同而价格更高时会产生负面情绪。因此，在高性能营销时代，真正奏效的策略是像苹果一样不惜代价地保护品牌声誉，这种趋势将在一定程度上遏制营销代理的无序扩张。
自动化工作流与“营销工程师”的技能重构
在实践层面，“营销工程师”的概念体现在将不同部门的技能融合，例如利用Gamma等工具构建自动化流程。一个典型场景是：当Salesforce中创建新的交易机会时，系统自动根据通话笔记生成演示文稿。然而，目前这类自动化仍需要大量的“管道”搭建工作，通常依赖N8N、Zapier等工具进行连接，这仍然是少数专家或代理机构的领域。对于普通用户而言，直接部署如OpenClaw等本地AI代理过于复杂，因此像Muse和Instinct这样简化用户体验的工具迅速崛起。演讲者本人作为AI创始人也坦言，由于缺乏时间配置本地服务器，他选择了等待更简便的解决方案。这种从“手动创意”到“监督AI军队”的转变，要求营销人员具备数据科学家的素质。顶级1%的营销工程师本质上是超驱动的数据科学家，他们利用AI进行细粒度的失败模式分析，并在SEO、广告创意等各个维度以惊人的规模运行实验。
从执行者到“千人团队”的管理者：技能升级的紧迫性
随着AI工具的普及，过去一两年间许多从业者经历了类似“快速晋升”的过程。这种变化并非职位头衔的简单提升，而是工作性质的根本转变：从业者正从个体贡献者转变为管理着层层AI代理的“虚拟总监”或VP。这种角色转变带来了巨大的认知负荷，因为管理者需要处理海量信息并做出决策。正如对话中所指出的，“我们都在被迫快速提升技能，本质上是在学习如何管理一千人”
这种“虚拟团队”的管理难度极高。面对信息的轰炸和决策的复杂性，仅靠人力已无法应对。建立这种管理能力是当下最重要的技能之一，因为人们不仅需要工具来梳理信息，更需要类似“首席幕僚”或助理的角色（即AI代理）来帮助理解局势。那些无法跟上市场节奏的人，正迅速变成“恐龙”。因此，构建帮助普通人成为自己生活VP的工具领域仍处于未被充分探索的状态。这不仅是一个技术机会，更是一个关于如何重新定义个人生产力与管理架构的深刻命题。
实验肌肉：穿越“悲伤之谷”的科学思维
在当前的商业环境中，创业更像是一门科学而非艺术。获胜的关键在于拥有“实验肌肉”，即不断尝试不同事物的能力。这种肌肉是可以训练的，虽然有些人天生更强壮，但通过持续投入工作，任何人都能使其成长。然而，实验初期往往不会成功。第一次实验失败是常态，就像健身不能指望第一天就练出腹肌一样。
“我认为成为实验者的难点在于，你必须经历一个‘悲伤之谷’（trough of sorrow）。”
无论是做A/B测试、社交媒体发帖还是冷邮件外展，所有领域的成功都源于游过某种形式的“悲伤之谷”。许多人因为无法忍受初期的低效和失败，转而依赖直觉（gut feeling），但这往往导致错失机会。实验是一个数字游戏，就像销售或约会一样，需要大量的尝试次数才能解锁业务增长。期望通过一次大型测试就 magically 解决所有问题是不现实的，持续的行动和积累才是突破瓶颈的唯一路径。这种思维模式要求创业者接受早期的混乱和低效，将其视为成长的必要成本。
被低估的图像生成模型：从“酷玩具”到生产力工具
尽管AI语音和个人代理讨论热烈，但AI图像模型实际上被严重低估了。自2022年Stable Diffusion发布以来，图像生成技术已变得极其成熟，甚至因为过于稳定而常被忽视。当一项技术不再频繁出错并融入日常背景时，人们往往忘记了它惊人的能力。
目前大众对图像模型的使用仍局限于少数几个场景，如制作小企业主菜单或为副项目设计Logo。这些模型的能力远不止于此。以Gamma为例，他们使用了10种不同的图像模型来处理各种任务。这些技术可以用于制作演示文稿中的精美图表、信息图，生成独特的背景纹理或定制图标。大多数普通人并未意识到这些潜在用途。
“你可以关注几乎任何创意领域，找到使用图像模型的方法。”
一个典型的案例是家居装饰：用户可以在亚马逊上发现一款新沙发，然后让AI生成它在自家客厅的效果，并可视化其他类似产品。这些应用尚未被深度产品化。
垂直领域机会：理解特定需求而非通用功能
在图像生成模型的垂直应用上，存在巨大的产品化空间。以家具购买为例，虽然AI能完美展示沙发在房间的效果，但通用模型无法解决具体的尺寸匹配、风格协调或购买链接跳转等深层需求。创业者需要深入理解特定人群的具体痛点，而非仅提供通用的图像生成能力。
垂直产品的机会在于对领域知识的深度整合。例如，在室内设计场景中，用户不仅需要“好看”的图片，还需要知道该家具是否适合其空间尺寸、是否与现有装修风格冲突以及从哪里购买。通用大模型公司可能拥有底层技术，但垂直领域的创业者可以通过理解特定用户的工作流和需求，构建出更具实用价值的产品。这种差异化竞争的关键在于将图像生成能力与具体的业务逻辑和用户场景紧密结合，从而解决通用工具无法触及的细微痛点。
具身智能与“Harness”模式：解决物理世界的精确性难题
在讨论AI模型的能力边界时，一个核心观点是：单纯的生成式对话无法直接解决物理世界中的精确测量问题。以购买沙发为例，用户需要确认尺寸是否匹配墙面空间。虽然模型可以生成图像展示效果，但必须结合传统编程逻辑来验证物理属性。例如，通过渲染沙发在房间内的图像后，利用像素级编程绘制线条并测量长度，再反馈给模型进行微调。这种将AI生成能力与确定性代码逻辑结合的方式被称为“Harness”（驾驭/ harnessing）模式。尽管目前主流实验室尚未大规模采用这种混合架构，但它代表了AI落地的关键路径：让模型具备自我修正和物理验证的能力。
“You could imagine doing a thing where you render the couch in my room, but then you use some good old-fashioned programming to draw a line across in pixels and measure how long it is... prompt the model to tweak it to get exactly right.”
这种技术路径揭示了当前AI应用的深层需求：从“看起来像”转向“实际上对”。在家具购物场景中，用户面临的最大痛点并非找不到产品，而是无法直观验证尺寸与空间的契合度。通过引入像素测量等确定性手段，AI才能真正介入高决策成本的消费环节。这不仅是技术架构的创新，更是用户体验优化的关键突破口。目前市场上尚未出现完美解决这一痛点的成熟产品，这为创业者提供了巨大的机会窗口。
垂直SaaS的蓝海：高客单价与专业人群的付费意愿
尽管市场叙事常认为垂直SaaS机会有限，但高客单价、高利润率的行业恰恰是AI工具的最佳试验田。以家具购物为例，这是一个典型的高ticket（高客单价）市场。如果AI助手能精准推荐产品并促成交易，商家愿意支付佣金（如5%），这为平台提供了清晰的商业模式。更重要的是，AI工具的价值不仅体现在消费者端（B2C），更在于专业人群（Prosumer）和企业级用户（Enterprise）。
“The highest tier of professional, the bigger companies, is where you can really build something durable.”
专业室内设计师、全职顾问甚至大型零售商（如Restoration Hardware）内部员工，都需要高效工具来提升工作效率。专业用户愿意为能显著提升产出的订阅制服务付费，这与普通消费者追求免费或低价形成鲜明对比。Gamma的经历证明，垂直领域的细分需求往往被低估。虽然叙事中常提及“没有太多机会”，但实际上，每一个大公司都是由成千上万个细分利基市场（Niches）组成的。通过深入挖掘特定职业群体的痛点，可以构建极具护城河的业务。例如，Gamma发现律师群体也是演示文稿的高频用户，这一意外发现拓展了市场边界。垂直AI产品的机会在于深耕细作，而非盲目追求广度。
创意赋能的未来：从Vibe Coding到视频生成的颠覆
在个人创造力工具领域，“Vibe Coding”（氛围编程/直觉式编码）正在引发一场风暴。随着AI辅助编程工具的普及，非技术人员也能快速构建应用。这种“任何人皆可创造”的趋势正在从代码扩展到视频和语音领域。对于创业者而言，关键在于思考：当创作门槛消失后，新的应用场景是什么？
“I think on the video side it does feel like we're hitting like the vibe coding moment for video.”
视频生成模型（如Opus 5.5）的进步标志着视频创作进入“Vibe Coding”时刻。这意味着普通人也能轻松制作高质量视频，从而催生新的创业机会。例如，游戏行业可能面临颠覆性变化，因为AI可以动态生成内容或角色。此外，语音助手和交互式视频模型的发展，将改变人机交互的方式。未来的竞争焦点将从“谁能生成内容”转向“谁能为用户创造独特的体验和价值”。创业者应关注这些新兴技术如何重塑娱乐、教育和商业沟通领域，在创意民主化的浪潮中寻找新的切入点。实验精神至关重要：通过快速发布最小可行产品（MVP）来测试市场反应，而非依赖复杂的A/B测试。这种敏捷迭代的方式能帮助团队在快速变化的技术环境中保持竞争力。创意工具的下一个前沿，在于将生成能力转化为可交互、可定制的服务体验。
创业是孤独长跑，唯有热爱可抵岁月漫长
对于正在考虑开启创业之旅的人而言，首要的认知是这是一段漫长且有时极其孤独的旅程。正因为这种心理上的挑战巨大，创业者必须对所从事的事业抱有深厚的热爱。在创立 Gamma 之前，创始人给自己定下了一条核心准则：只有当产品是自己愿意作为用户去使用、能够真心相信并用于“吃狗粮”（dog food）时，才值得投入。这一标准虽然排除掉了许多看似稳妥但缺乏激情的平庸生意，却极大地滋养了创始人的内心动力。他坚信，创业者需要找到那个只有自己能愿意每天投入八小时去深耕的细分领域。这种热情是支撑度过艰难时刻的关键，也是区别于普通工作的核心动力。正如他所说：
"Everything goes back to the harness, baby."
这句话虽简短，却强调了回归本质的重要性。在创业初期，找到那个让你愿意全天候沉浸其中的“北极星”指标或方向至关重要。如果连创业者本人都无法对每天面对的工作产生兴奋感，很难想象能感染团队或用户。因此，深入挖掘个人激情所在，并将其作为创业的唯一指引，是避免中途放弃的重要心理建设。
深耕垂直领域："Marry the niche, date the product"
在确定创业方向时，有一个极具指导意义的原则："Marry the niche, date the product"（与垂直领域结婚，与产品谈恋爱）。这意味着创业者应当对目标用户群体产生深厚的感情和承诺，而对具体的产品形态保持灵活多变的态度。在当今快速迭代的商业环境中，产品的面貌可能会经历无数次重构甚至彻底改变，但对特定用户群体的理解和热爱是恒定的。这种策略鼓励创业者在选定的垂直领域内构建媒体资产和粉丝社群。通过先建立受众基础，创业者可以后续向同一群用户销售多种不同的产品或服务。
Jeff Bezos 曾提出过类似的理念："Be stubborn on the vision, flexible on the details."（在愿景上固执，在细节上灵活）。这一观点与“深耕垂直领域”的策略不谋而合。坚守对服务对象的长期承诺，同时在产品执行层面保持极高的适应性，是应对市场不确定性的有效手段。通过先建立受众（audience），创业者能够更顺畅地验证和迭代产品，因为他们拥有直接触达核心用户并获取反馈的渠道。这种以用户为中心而非单纯以产品为中心的思维模式，为创业成功奠定了坚实的市场基础。
愿景的坚守与细节的灵活迭代
创业过程中的另一个关键心态是在宏观愿景上的坚定与微观执行上的弹性之间的平衡。正如 Jeff Bezos 所言，在愿景上必须固执（stubborn on the vision）。这意味着创业者需要清晰地知道最终要解决什么问题、服务于哪群人，并对此保持不可动摇的信念。然而，在实现路径和产品细节上必须灵活（flexible on the details）。由于市场环境、技术发展和用户需求的快速变化，最初的产品构想往往需要进行多次调整甚至颠覆性重构。
这种灵活性并不意味着随波逐流，而是基于对垂直领域深刻理解下的快速迭代能力。创业者应当像“谈恋爱”一样对待产品，随时准备根据反馈进行调整和升级。同时，构建媒体品牌和社群是连接愿景与产品的桥梁。通过持续输出内容建立影响力，创业者不仅能验证自己的市场洞察，还能为后续的产品推出积累初始用户。这种策略确保了即使产品形态发生巨大变化，核心受众依然忠诚于品牌所代表的价值和愿景。最终，这种“固执的愿景+灵活的产品”组合拳，帮助创始人在充满变数的创业道路上保持方向感的同时，具备足够的生存韧性。
"Be stubborn on the vision, flexible on the details."
这一原则不仅适用于科技创业，也是所有以用户为中心的商业模式的通用法则。它提醒创业者不要过度执着于最初的产品形态，而要始终关注用户价值的交付。通过这种方式，创业公司能够在激烈的竞争中保持活力和适应性。
结论
Gamma的成功验证了“Agent Harness”架构在创意垂直领域的有效性，其核心壁垒并非模型本身，而是通过复杂的并行工作流、多轮视觉QA及主观性A/B测试构建的执行环境。该模式在B2B和专业工作场景中展现出强劲的付费转化能力，证明了“与垂直领域结婚”策略的商业价值。然而，通用模型的同质化导致内容出现明显的“AI味”，迫使产品必须依赖高频迭代和独特创意景观来维持差异化。未来机会在于将AI深度嵌入实体服务、法律医疗等高壁垒行业，或通过像素级编程等混合架构解决物理世界的精确性难题。创业者需利用现有模型积累数据，通过微调优化成本与个性化，并在快速实验中培养“实验肌肉”，以应对模仿者的滞后竞争。