你有沒有想過，銷售這件事可能會被徹底重新定義？不是那種換個 CRM 系統(tǒng)或者學幾個銷售話術的小改進，而是從根本上改變銷售人員的日常工作方式。想象一下，銷售代表不再需要在 Salesforce、Gong、LinkedIn、公司網(wǎng)站之間瘋狂切換標簽頁，不再需要花 15 分鐘做背景調(diào)查才能寫出第一個字，也不用擔心同事昨天剛聯(lián)系過的客戶今天又被重復騷擾。這不是未來的幻想，而是 LangChain 團隊已經(jīng)實現(xiàn)的現(xiàn)實。他們構建了一個 GTM Agent（Go-to-Market Agent，市場推廣 AI agent），從 2025 年 12 月到 2026 年 3 月，僅僅三個月時間，就把潛在客戶到合格商機的轉化率提升了 250%，pipeline 規(guī)模增長了 3 倍，同時為整個銷售團隊節(jié)省了 1320 個小時。

當我讀到 LangChain 分享的這個案例時，我意識到這不只是一個銷售自動化工具的成功故事。這代表了一種全新的工作范式：AI agent 不再是簡單地回答問題或生成內(nèi)容，而是真正能夠端到端地執(zhí)行復雜業(yè)務流程，并且在執(zhí)行過程中不斷學習和優(yōu)化。更重要的是，LangChain 作為一家 AI 基礎設施公司，他們自己就是這項技術的第一個用戶，這讓他們的經(jīng)驗格外具有說服力。我想深入剖析他們是如何做到的，以及這對我們理解 AI agent 在企業(yè)應用中的真實價值有什么啟發(fā)。

銷售流程的真實痛點

LangChain 在文章開頭就直接描述了他們銷售團隊之前的工作狀態(tài)：每一次外呼都是從同樣的方式開始的，銷售代表在多個標簽頁之間切換。打開 Salesforce 查看客戶記錄，切到 Gong 聽通話歷史，再跳到 LinkedIn 看聯(lián)系人信息，然后去公司網(wǎng)站了解背景。光是做這些背景研究就要花掉 15 分鐘，而且完全無法確定團隊里的其他人是不是昨天剛聯(lián)系過這個客戶。對于入站線索的跟進，則意味著要手動在 Apollo 里給每個新聯(lián)系人發(fā)送同樣的消息。

這個場景我太熟悉了。我之前和很多銷售團隊合作過，發(fā)現(xiàn)這種低效不是個例，而是行業(yè)普遍現(xiàn)象。問題的核心在于，銷售是一個高度依賴上下文信息的工作。你必須了解客戶是誰、他們的公司在做什么、之前有過什么互動、現(xiàn)在處于什么階段，才能寫出一封真正有針對性的郵件。但這些信息散落在至少五六個不同的系統(tǒng)里，沒有任何一個系統(tǒng)能給你完整的畫面。

更糟糕的是，銷售團隊規(guī)模擴大后，協(xié)調(diào)成本會呈指數(shù)級增長。你不僅要擔心自己有沒有遺漏什么信息，還要擔心同事有沒有已經(jīng)聯(lián)系過這個人。我見過太多次這樣的尷尬場景：同一家公司的兩個銷售代表在同一周內(nèi)給同一個潛在客戶發(fā)了幾乎一模一樣的郵件，結果客戶直接拉黑了這家公司。這種失誤不僅浪費了銷售機會，還會嚴重損害品牌形象。

所以當 LangChain 決定構建一個能夠端到端處理這個流程的 AI agent 時，他們瞄準的是一個真實存在、影響巨大的痛點。這不是為了 AI 而 AI 的技術炫技，而是為了解決銷售團隊每天都在面對的實際問題。

GTM Agent 到底做了什么

LangChain 構建的 GTM Agent 主要做兩件事情。第一，它能夠研究潛在客戶并撰寫個性化的郵件草稿。第二，它會聚合賬戶層面的各種信號，包括網(wǎng)站活動、開發(fā)者生態(tài)系統(tǒng)數(shù)據(jù)、產(chǎn)品使用情況和營銷接觸點，幫助銷售代表清楚地知道應該把精力集中在哪里。通過將這些意圖數(shù)據(jù)與銷售代表負責的賬戶關聯(lián)起來，它能夠浮現(xiàn)出有意義的活動，標記出交易風險和競爭對手的動向，并明確下一步應該聯(lián)系誰。

我覺得這個設計非常巧妙的一點是，它不是試圖完全取代銷售人員，而是把銷售人員從重復性的研究和起草工作中解放出來，讓他們能夠專注于真正需要人類判斷和創(chuàng)造力的部分。整個流程是這樣的：當一個新的潛在客戶出現(xiàn)在 Salesforce 系統(tǒng)里時，AI agent 會立即接管。它做的第一件事不是馬上寫郵件，而是尋找"不應該發(fā)送任何內(nèi)容"的理由。如果這個人剛剛提交了一個技術支持工單，或者團隊成員在本周早些時候已經(jīng)聯(lián)系過，那么發(fā)送自動化郵件就是一個錯誤。這個 agent 被設計成非常謹慎的。

一旦通過了這些檢查，它會做銷售代表過去手動做的所有研究工作：拉取完整的 Salesforce 記錄，閱讀 Gong 的通話記錄，查看潛在客戶的 LinkedIn 個人資料。如果內(nèi)部歷史記錄不多，它會使用 Exa 這個工具去網(wǎng)上搜索，了解這家公司目前在 AI 方面正在做什么。

如何撰寫郵件草稿取決于關系的狀態(tài)。這個 agent 遵循一個定義好的 outbound skill（外呼技能），這是一個它在起草之前會加載的行動手冊。這個技能被設計成能夠覆蓋溫暖和冷淡兩種情況?，F(xiàn)有客戶會收到與溫暖潛在客戶不同的內(nèi)容，而溫暖潛在客戶又會收到與冷接觸不同的內(nèi)容。對于冷外呼，agent 會保持簡潔并以研究為基礎，遵循他們在技能中定義的行動手冊。

銷售代表會在 Slack 私信中看到完成的草稿，帶有發(fā)送、編輯或取消的按鈕。他們還可以看到 agent 的推理過程，這樣就能清楚地知道它為什么采取了特定的角度。如果他們發(fā)送了郵件，agent 會排好一組后續(xù)跟進郵件，讓銷售代表可以選擇是否將這個潛在客戶加入后續(xù)培育流程。

我認為這里有一個非常關鍵的設計決策：human-in-the-loop（人在回路中）。LangChain 明確表示，沒有經(jīng)過銷售代表的明確審查和批準，任何內(nèi)容都不會被發(fā)送出去。一封時機不當?shù)泥]件可能會毀掉數(shù)月的關系建設。這不僅是一個安全措施，也是一個數(shù)據(jù)收集機制。每次銷售代表的操作（發(fā)送、編輯、取消）都成為系統(tǒng)可以學習的信號。

賬戶智能：從被動響應到主動洞察

隨著團隊規(guī)模的擴大，銷售代表開始負責 50 到 100 多個賬戶。在這種規(guī)模下，很容易讓一些賬戶變得沉默，或者讓擴展機會悄悄溜走。LangChain 的解決方案是讓 GTM Agent 每周一早上自動從 Salesforce 和 BigQuery 拉取數(shù)據(jù)，然后檢查外部世界的融資輪次、產(chǎn)品發(fā)布和新的 AI 計劃。

他們?yōu)閮蓚€受眾定制了報告：銷售團隊和部署工程團隊，因為他們關心不同的數(shù)據(jù)點。對于銷售團隊，agent 會聚合產(chǎn)品使用、開發(fā)者生態(tài)系統(tǒng)、網(wǎng)站活動、招聘趨勢和公司新聞等信號，以浮現(xiàn)擴展機會。它會標記高管變動、軟件包安裝量的激增，以及公司是否正在積極招聘 AI 工程師或構建 agentic 系統(tǒng)——這是他們準備擴展的強烈信號。當他們推出新功能時，它還會識別潛在的良好匹配對象，將最近活動與新功能良好契合的賬戶匹配起來。而且因為僅僅知道一個賬戶是活躍的還不夠，它會浮現(xiàn)哪些個人最活躍，并建議下一步應該聯(lián)系誰。

對于部署工程師，重點轉向賬戶健康狀況。agent 從 BigQuery 拉取產(chǎn)品使用數(shù)據(jù)，提取最近客戶電話的要點，即將到來的續(xù)約日期，以及客戶接近用完額度的情況。它還會浮現(xiàn)最近通話中的開放問題和未解決的線索。目標是標記真正需要人工介入的內(nèi)容，這樣團隊就不用在周日晚上翻看儀表板了。

我覺得這個賬戶智能功能特別有價值的地方在于，它不只是被動地回答銷售代表的問題，而是主動地發(fā)現(xiàn)和浮現(xiàn)重要的信號。傳統(tǒng)的商業(yè)智能工具通常需要你知道要問什么問題，然后去查詢數(shù)據(jù)。但現(xiàn)實中，銷售代表往往不知道應該關注什么，或者他們根本沒有時間去主動挖掘數(shù)據(jù)。AI agent 通過持續(xù)監(jiān)控多個數(shù)據(jù)源并識別有意義的模式，實際上是在充當一個永不疲倦的分析師，幫助銷售團隊發(fā)現(xiàn)那些可能會錯過的機會。

更重要的是，這種主動洞察是基于多源數(shù)據(jù)的綜合分析。一個公司在招聘 AI 工程師可能意味著他們在擴大 AI 團隊。如果同時他們的軟件包下載量在激增，高管層有了新的 CTO，那么這三個信號結合起來就構成了一個非常強烈的擴展機會指示。單獨看每個信號可能不夠有說服力，但當 AI agent 能夠跨多個數(shù)據(jù)源進行綜合分析時，它就能發(fā)現(xiàn)這些隱藏的模式。

技術架構：為什么選擇 Deep Agents

LangChain 在構建這個系統(tǒng)時面臨的核心挑戰(zhàn)是：這個 agent 需要從多個來源拉取數(shù)據(jù)，跨這些數(shù)據(jù)進行推理，并產(chǎn)生個性化的輸出。這遠遠超出了簡單的 LLM 調(diào)用能夠可靠處理的范圍。

他們選擇了 Deep Agents 來處理多步驟編排，原因是輸入本質(zhì)上是尖峰化的：會議數(shù)據(jù)、CRM 歷史記錄和網(wǎng)絡研究在大小和結構上變化很大。使用 Deep Agents，大型工具結果會自動卸載到虛擬文件系統(tǒng)中，所以他們不必構建自己的截斷和檢索層。他們還使用了 harness 的原生規(guī)劃工具來強制執(zhí)行一致的檢查清單（不發(fā)送檢查 → 研究 → 草稿 → 理由 → 后續(xù)跟進），這使得運行更容易調(diào)試并減少了 agent 的漫游。

我認為這個技術選擇非常關鍵。很多人在構建 AI agent 時低估了處理可變輸入和多步驟編排的復雜性。當你只是做一個簡單的問答系統(tǒng)時，輸入和輸出都相對可預測。但當你要處理真實的業(yè)務流程時，數(shù)據(jù)的復雜性會爆炸式增長。有些客戶可能有十幾次 Gong 通話記錄，每次通話可能持續(xù)一小時；有些客戶可能完全是新的，只有一個 LinkedIn 個人資料和一個公司網(wǎng)站。如果你沒有一個能夠優(yōu)雅處理這種可變性的架構，系統(tǒng)很快就會變得不可靠。

Deep Agents 提供的虛擬文件系統(tǒng)功能解決了一個很實際的問題：當工具返回的數(shù)據(jù)太大而無法直接放入 LLM 的上下文窗口時，應該怎么辦？傳統(tǒng)方法是截斷數(shù)據(jù)或者構建復雜的檢索系統(tǒng)。但 Deep Agents 通過自動將大型結果卸載到虛擬文件系統(tǒng)，讓 agent 可以在需要時再去訪問相關部分，既保持了效率又不會丟失信息。

另一個重要的技術選擇是將 agent 連接到 LangSmith，這樣他們可以理解銷售代表實際上是如何使用它的，并衡量 agent 是否隨著時間的推移而改進。這意味著從一開始就設置評估，而不是后來再改裝，這對于在迭代提示或切換模型版本時捕獲回歸至關重要。

Memory 系統(tǒng)：讓 AI Agent 從每次編輯中學習

LangChain 在文章中描述的 Memory（記憶）系統(tǒng)是我覺得整個設計中最巧妙的部分之一。當銷售代表在 Slack 中編輯草稿時，系統(tǒng)會將原始版本與修訂版本進行比較。如果更改是實質(zhì)性的，一個 LLM 會分析差異并提取結構化的風格觀察：發(fā)生了什么變化，這對銷售代表的偏好意味著什么，以及一個可選的引用示例。這些觀察被存儲在 PostgreSQL 中，按銷售代表分組，每次未來運行都會在起草之前讀取它們。

每個銷售代表在語氣和簡潔性方面都有風格偏好。反饋循環(huán)是自動的。每次編輯都會教會 agent，下一次草稿就會反映出來。一個每周的定時任務會壓縮這些記憶，防止它們隨著時間的推移變得臃腫。

我認為這個設計天才的地方在于，它把人在回路中的需求轉化成了一個持續(xù)學習的機制。很多人把 human-in-the-loop 僅僅看作是一個安全措施——確保 AI 不會犯錯誤。但 LangChain 意識到，每次人類編輯實際上都是一個訓練信號。銷售代表刪掉了一句話？那可能意味著草稿太啰嗦了。他們改變了開頭的語氣？那可能意味著對于這種類型的客戶，應該用更正式或更隨意的方式。

更重要的是，這個記憶系統(tǒng)是個性化的。不同的銷售代表有不同的風格，面對不同的市場和客戶群。一個專注于企業(yè)客戶的銷售代表可能需要更正式的語言，而一個專注于初創(chuàng)公司的銷售代表可能更喜歡簡潔直接的風格。通過為每個銷售代表維護獨立的記憶，系統(tǒng)能夠適應這些個人差異，而不是強迫每個人使用同一種模板。

這種學習循環(huán)的強大之處在于它的隱性和持續(xù)性。銷售代表不需要填寫反饋表單或者給 AI 打分，他們只需要像平常一樣編輯草稿。系統(tǒng)會自動從這些日常操作中學習和改進。隨著時間的推移，草稿會越來越符合每個銷售代表的風格，需要的編輯會越來越少。這就是我理解的真正的 AI 助手：不是一個需要你適應它的工具,而是一個能夠適應你的伙伴。

Subagent Delegation：如何處理復雜的并行任務

在處理賬戶智能功能時，LangChain 采用了一個叫做 subagent delegation（子 agent 委托）的模式。賬戶智能通過編譯的 subagents 運行：這些是具有受限工具集和結構化輸出模式的輕量級 agents，它們作為與主 agent 的契約。銷售研究 subagent 可以訪問 Apollo、Exa 和 BigQuery，并返回結構化的潛在客戶和市場上下文。部署工程師 subagent 使用 Salesforce、Gong 和支持工具來返回使用趨勢、開放工單和擴展信號。

父 agent 為每個賬戶生成一個 subagent，保持工具隔離和輸出可預測。因為 subagents 獨立運行，他們可以并行執(zhí)行它們。LangSmith Deployment 處理水平擴展和持久執(zhí)行，所以系統(tǒng)隨著量的增長保持可靠。

我覺得這個架構設計解決了一個很現(xiàn)實的問題：當你需要處理幾十個甚至上百個賬戶時，如果串行處理，整個流程可能需要幾個小時才能完成。但如果你能夠并行處理，就可以在可接受的時間內(nèi)完成所有分析。

更深層的洞察是關于責任邊界的清晰劃分。每個 subagent 都有明確定義的工具集和輸出格式。銷售研究 subagent 不會去看支持工單，部署工程師 subagent 不會去做市場研究。這種清晰的邊界不僅使系統(tǒng)更容易理解和調(diào)試，也減少了 agent 出錯或產(chǎn)生不相關輸出的可能性。

我在構建復雜系統(tǒng)時經(jīng)常看到的一個問題是，當一個組件試圖做太多事情時，它往往什么都做不好。通過將復雜任務分解成多個專門的 subagents，每個都專注于特定的數(shù)據(jù)源和輸出格式，LangChain 創(chuàng)建了一個更模塊化、更可維護的系統(tǒng)。如果他們需要改進銷售研究的質(zhì)量，他們可以只修改那個 subagent，而不用擔心影響部署工程師的功能。

Evals 和反饋：如何確保質(zhì)量不會退化

LangChain 強調(diào)，在為新工作流編寫任何生產(chǎn)代碼之前，他們會在 LangSmith 中定義成功的樣子。他們從一個小型的代表性場景庫開始，這些場景都基于銷售代表實際面對的情況，使用這些來構建初始 agent 或功能，并確保基礎功能在擴展之前是有效的。

一旦功能正常運行，他們會在 LangSmith 中擴大評估集，以涵蓋更難的情況：深入研究 agentic AI 或 NLP 的研究人員，他們試圖重新吸引的現(xiàn)有客戶，有先前 Gong 記錄的賬戶，像醫(yī)療保健這樣有大量行話的垂直行業(yè)。一切都通過一個測試工具運行，該工具模擬他們的外部 API，這樣他們可以在接觸真實數(shù)據(jù)之前在受控環(huán)境中觀察行為。

他們在兩個層面進行評估。首先，基于規(guī)則的斷言檢查基礎知識：正確的工具、正確的順序、沒有重復的草稿。其次，LLM 評委對語氣、字數(shù)和格式進行評分。兩者都作為 CI 中完整評估套件的一部分運行，他們將 agent 行為中任何無法解釋的漂移視為值得調(diào)查的 bug。

但我認為 LangChain 在這里真正聰明的地方是，他們意識到評估只能講述部分故事。真正重要的是銷售代表日常如何使用草稿。他們跟蹤每個 Slack 操作（發(fā)送、編輯、取消）并將其直接附加到 LangSmith 中的 trace。隨著時間的推移，這讓他們能夠將寫作模式與真實結果相關聯(lián)：哪些風格帶來了打開率，哪些主題行得到了回復。當某些模式在足夠多的銷售代表中成立時，他們就會將其編碼到 agent 的默認行為中。

我覺得這種雙軌制的評估體系非常值得學習。自動化評估能夠快速發(fā)現(xiàn)明顯的錯誤和回歸，但它無法告訴你 AI 生成的內(nèi)容在真實世界中是否有效。只有通過跟蹤真實用戶的行為和結果，你才能知道什么真正起作用。

這也解決了 AI 系統(tǒng)的一個核心挑戰(zhàn)：如何持續(xù)改進。很多 AI 系統(tǒng)在部署后就停止進化了，因為沒有有效的反饋機制。但 LangChain 通過將用戶操作與 traces 關聯(lián)起來，創(chuàng)建了一個持續(xù)的學習循環(huán)。每次銷售代表發(fā)送、編輯或取消一個草稿，系統(tǒng)都會學到一些東西。這些學習可以用來調(diào)整提示、改進模型，或者更新默認行為。

意外的跨團隊采用

LangChain 在文章最后分享了一個有趣的發(fā)現(xiàn)：GTM Agent 最初是作為一個 ambient agent（環(huán)境 agent）開始的，作為后臺進程運行。潛在客戶出現(xiàn)在 Salesforce 中，agent 運行，草稿發(fā)送到銷售代表的 Slack。沒有觸發(fā)器，沒有手動工作。

后來他們構建了一個對話式 Slack 界面作為副項目，主要是為了給 SDR 一種直接與 agent 交互的方式。他們沒有預料到的是它傳播到公司其他部門的速度有多快。因為 agent 已經(jīng)連接到 Salesforce、Gong、BigQuery 和 Gmail，人們發(fā)現(xiàn)了他們沒有設計的用途。工程師在不編寫 SQL 的情況下檢查產(chǎn)品使用情況?？蛻舫晒F隊在續(xù)約電話之前拉取支持歷史?？蛻艚?jīng)理在會議前總結 Gong 記錄。

他們沒有有意構建任何這些工作流。agent 有訪問權限，人們找到了阻力最小的路徑。與機器人交談比打開六個不同的標簽頁更容易。

我認為這個意外的跨團隊采用揭示了一個深刻的洞察：當你構建一個真正有用的 AI agent 并給它訪問核心數(shù)據(jù)系統(tǒng)的權限時，它的價值會自然地擴散到你最初設想之外的用例。這不是因為你做了什么特別的營銷或推廣，而是因為人們會自然地尋找更高效的工作方式。

這也說明了為什么將 AI agent 與現(xiàn)有的系統(tǒng)記錄（systems of record）集成如此重要。如果 LangChain 構建的是一個獨立的工具，需要手動輸入數(shù)據(jù)或者只能訪問有限的信息源，它可能永遠不會獲得這種有機的跨團隊采用。但因為它已經(jīng)連接到 Salesforce、Gong、BigQuery 等核心系統(tǒng)，它自然而然地成為了一個任何需要訪問這些數(shù)據(jù)的人都可以使用的界面。

我也注意到一個有趣的演進：從環(huán)境 agent 到對話式界面。環(huán)境 agent 非常適合標準化、可預測的工作流，但當人們需要更靈活、更探索性的使用方式時，對話式界面就變得非常有價值。能夠直接問"這個客戶的產(chǎn)品使用趨勢如何"或者"最近一次與這個客戶的通話提到了什么問題"，比導航一個復雜的 UI 或者編寫 SQL 查詢要直觀得多。

我的思考：AI Agent 的真正價值在哪里

讀完 LangChain 的這個案例，我最大的感受是：AI agent 的真正價值不在于完全自動化某個任務，而在于重新定義人機協(xié)作的邊界。

很多人在談論 AI agent 時，關注的是它能否完全取代人類完成某項工作。但我認為這個視角太狹隘了。LangChain 的 GTM Agent 之所以成功，恰恰是因為它沒有試圖取代銷售代表，而是識別出銷售流程中哪些部分是重復性的、可自動化的，哪些部分需要人類的判斷和創(chuàng)造力。研究客戶背景、拉取歷史記錄、起草初版郵件——這些都是費時但相對機械的工作，AI 可以做得很好。但決定是否發(fā)送、如何調(diào)整語氣、什么時候跟進——這些仍然需要人類的專業(yè)判斷。

我也看到了一個重要的模式：最成功的 AI agent 往往是那些能夠融入現(xiàn)有工作流程的。LangChain 沒有要求銷售代表學習一個新的界面或者改變他們的工作習慣。草稿出現(xiàn)在 Slack 中，他們已經(jīng)每天都在用的工具。數(shù)據(jù)來自 Salesforce 和 Gong，他們已經(jīng)在使用的系統(tǒng)。這種無縫集成大大降低了采用的摩擦力。

另一個深刻的洞察是關于學習循環(huán)的重要性。一個靜態(tài)的 AI 系統(tǒng)，無論最初設計得多么好，都會隨著時間的推移變得過時。但如果你能構建一個從每次交互中學習的系統(tǒng)，它就會持續(xù)改進。LangChain 的 Memory 系統(tǒng)和反饋追蹤機制創(chuàng)建了這樣一個學習循環(huán)，使得系統(tǒng)能夠適應不同銷售代表的風格偏好，并從真實的結果數(shù)據(jù)中學習什么真正有效。

我還特別欣賞 LangChain 對可解釋性的重視。AI agent 不只是給出一個結果，它還解釋為什么選擇了某個角度，使用了哪些數(shù)據(jù)源。這種透明度不僅建立了信任，也讓銷售代表能夠更好地理解和改進系統(tǒng)的輸出。在企業(yè)環(huán)境中，這種可解釋性往往比純粹的性能更重要。

最后，我認為 LangChain 這個案例證明了一點：構建 AI 基礎設施的公司應該成為自己產(chǎn)品的第一個用戶。他們在構建 GTM Agent 的過程中積累的經(jīng)驗和遇到的挑戰(zhàn)，直接幫助他們改進了 LangChain 和 LangSmith 這些產(chǎn)品。這種"吃自己的狗糧"（dogfooding）不僅能發(fā)現(xiàn)產(chǎn)品的真實問題，也能讓他們更深刻地理解客戶的需求。

從更宏觀的角度看，我相信 LangChain 的 GTM Agent 代表了企業(yè) AI 應用的一個重要方向：不是構建獨立的 AI 工具，而是將 AI 能力深度集成到現(xiàn)有的業(yè)務流程中，創(chuàng)建一個人機協(xié)作的智能系統(tǒng)。這種系統(tǒng)能夠處理大量的重復性工作，同時保持人類在關鍵決策點的控制權，并且能夠從每次交互中持續(xù)學習和改進。這才是 AI agent 在企業(yè)環(huán)境中應該有的樣子。

結尾

也歡迎大家留言討論，分享你的觀點！

覺得內(nèi)容不錯的朋友能夠幫忙右下角點個贊，分享一下。您的每次分享，都是在激勵我不斷產(chǎn)出更好的內(nèi)容。

歡迎關注深思圈，一起探索更大的世界。

- END -

兩個“特別坑”的AI產(chǎn)品創(chuàng)業(yè)方向，你知道嗎

速度將成為AI時代唯一的護城河

a16z重磅預測：Vibe coding贏者通吃？錯了，垂直專業(yè)化才是未來