对话 319｜硅谷AI高手们，正在操作几百个AI同时上班｜Github七万星Orca创始人津晶对话

产品与工程

8 条

c01ADE价值=集成性+高agent并行+对Claude Code/Codex中立，用户无需更换harness

方法论 · 01:03–06:03

讨论

c02不与现有工具对立是刻意设计：CLI用户远多于GUI，逼用户换界面会拖慢自己的迭代速度

方法论 · 06:29–08:24

讨论

c15好工具难在细节：pty快照/缓存/性能优化等看不见的硬功夫

经验教训 · 16:59–17:59

讨论

c16Ghostty/iTerm三短板（非worktree-centric、无agent status、更新杀session）催生Orca；本地DB快照pty实现日更不断活

方法论 · 17:59–20:53

讨论

c17prototype到production之间有鸿沟，能力不够看不见；AI能更快带到鸿沟边，跨过去仍需时间精力水平

经验教训 · 20:53–21:14

讨论

c04'Claude/Codex没我们做得好'非长久壁垒，真壁垒是日更迭代速度+自己是最重度用户

经验教训 · 11:27–13:24

讨论

c05大厂incentive不align：Claude/Codex利益在lock-in，与中立集成层冲突

判断预测 · 13:24–16:59

讨论

c32不怕被顺手做掉：只要还有Codex在，中立层就存在；多玩家生态下不把任何一家视为竞争者

判断预测 · 11:27–13:24

讨论

核心方法论

7 条

c03400个worktree靠跨harness统一agent status分诊（working/阻塞/待review）管理

方法论 · 08:24–10:09

讨论

c06管海量agent第一层：索引式搜索，session标题/worktree名/ticket关键词全入索引

方法论 · 22:01–23:45

讨论

c07第二层agent管agent：orchestration script从linear ticket到PR+HTML report全自动

方法论 · 23:45–24:59

讨论

c08人只保留定目标+验收两处介入；中途介入要求AI给可视化HTML供快速review

方法论 · 24:59–25:51

讨论

c09第三层全自动化：400任务中约200个定时跑SOP，发布agent每小时运行，社区运营agent每日triage

方法论 · 25:51–27:24

讨论

c10按API计费月耗数万美元；每家provider买1-2个$200订阅即可覆盖，多harness同时是成本套利

事实数据 · 27:24–32:24

讨论

c11AI token已成部分大企业第一大开销（超过DataDog），企业因此认真看Codex与open weight模型

事实数据 · 10:09–11:27

讨论

创业与增长

11 条

c20比技术更关键的是land：打通找方向、摸玩家、找共鸣痛点、快速解决的每个环节

方法论 · 42:01–43:06

讨论

c21每个点子深度访谈约100人非问卷；三问：为什么想到/考虑过哪些替代/现有方案花了多少钱

方法论 · 43:06–44:40

讨论

c22Seibel标准：B2B要了解到客户去年收入/增幅/最大开销，目标是成为其第一或第二大开销

方法论 · 44:40–45:22

讨论

c23湾区社交圈可直问企业采购与预算；问不到就换人问，答案大同小异

方法论 · 45:22–47:01

讨论

c24判断不保证正确，快速迭代拿反馈才重要；确认痛点后同时试N种解法

方法论 · 47:01–48:03

讨论

c25社区反馈只作参考（约50%），最终决定权在团队产品判断；数据只说30%，最后靠taste

方法论 · 48:03–49:04

讨论

c12AI时代做出好产品仍需大量时间与token打磨，好taste仍是领先机会

判断预测 · 37:06–37:26

讨论

c18增长靠借力不靠对抗：95%时间做产品5%发推；不要求用户改变习惯的产品自发传播

方法论 · 37:26–39:18

讨论

c19赛道get traffic容易，真正在乎留存；用户试遍同类工具最后都选Orca，留存高才有viral growth

方法论 · 39:18–42:01

讨论

c27三项目起步都靠'正确时间解决正确问题'的inbound；并利用GitHub标注新词ADE吃平台搜索流量

经验教训 · 51:31–53:41

讨论

c26两个开悟：feature犹豫时以自己为标准用户；不要fight against大方向要build on top of it

经验教训 · 49:04–51:31

讨论

判断与预测

4 条

c28机会一：做回to C。B2B因AI反而更差（采购更慢更犹豫）；C端付费意愿提高，做'增长之饼'型app不卷

判断预测 · 58:01–60:49

讨论

c29机会二：软硬结合，中国创业者有供应链优势

判断预测 · 60:49–61:30

讨论

c30机会三：算力层——芯片到token间的优化、算力hosting/serving；湾区MacBook高配缺货；YC新batch热点即此

判断预测 · 61:30–63:57

讨论

c31传统行业如建筑也是机会：AI纯enable，但产品模式与工地实际场景间有巨大鸿沟

判断预测 · 63:57–66:50

讨论

底层观点

3 条

c33AI与人类智能互补而非替代（虎鲸类比）；此判断直接决定财富分配形态

争议观点 · 53:41–56:05

讨论

c34教育过度强调可被AI取代的'标准件'能力，人的craft/passion/mastery未被强调

争议观点 · 56:05–56:46

讨论

c35历史参照织布机时期80-90%英国青年失业：transition痛苦但被遗忘；适应者无焦虑

判断预测 · 56:46–58:01

讨论