以下文章来源于量子位智库 ，作者量子位智库

今年以来，多智能体（Multi Agent）成为AI领域最热门的话题之一。

"让AI自己组队干活"，成为基础大模型能力升级之外，另一个让AI系统效果提升的新解法。

这股浪潮也在AI产品上得以体现：

Manus于8月初推出「Wide Research」功能，支持上百个Agent同时工作；纳米AI「多智能体蜂群」8月上线，可让多个推理型智能体灵活拉群、多层嵌套、组队协作，完成超长复杂任务；快手9月推出「Kwali」，可将视频生成需求拆解并分配给不同Agent完成，如意图解析、脚本生成、镜头匹配和剪辑合成等……

那么，多智能体在任务完成的效率和效果上真的超过单智能体吗？多智能体框架在AI产品中是如何应用的，又为AI产品创造了哪些价值？相比于单智能体，多智能体适合什么样的使用场景呢？

带着这些疑问，量子位智库邀请到以Multi Agent架构为核心的全民可用的AI应用Agnes AI，听创始人Bruce Yang深入聊一聊这款上线四个月日活用户即突破20万的高潜AI产品。

△Agnes访谈直播

在这次访谈中，Bruce分享了Agnes AI背后的多智能体架构设计，以及Agnes如何确认产品的PMF（产品市场契合）、如何找到种子用户，还分享了对于市场空间、产品路线、核心场景、功能设计等方面的思考。

关于Agnes AI：

新加坡初创公司SapiensAl，推出一款更"全民性"的通用产品：Agnes Al，自7月在Product Hunt正式发布以来，Agnes海外注册用户数突破300万，日活过20万。

Agnes将研究、搜索、设计、演示和团队协同整合到同一工作流里，聚焦于年轻用户在移动端快速办公的场景需求，推崇Web Work（网络办公）的轻量化生活方式。

除了基础的搜索与研究能力外，Agnes AI的核心功能还包括：

深度研究（Deep Research）：通过多轮迭代、自我评估与优化，结合多模态数据（如文本、图像、视频）生成详细内容，常用于复杂问题的系统性研究。

广度研究（Wide Research）：基于自研CodeAgents框架，可调度上百个智能体并行工作，擅长处理复杂、多维度的大规模研究任务。

AI设计（AI Design）：提供图像、视频生成能力，支持深度设计（Deep Design）模式。根据用户输入的需求自动生成初稿，并通过多轮迭代优化，从构图、风格等维度提升作品质量，最终输出高分作品。

AI幻灯片（AI Slides）：根据研究内容或用户需求自动生成专业PPT，支持多人实时协作编辑，可添加评论、批注，修改后即时同步。

AI表格（AI Sheet）：支持上传多种格式文件，并自动完成数据处理、公式运算与深度分析，支持生成图表及可视化的数据报告、导出Excel文件，并直接回答关于数据的各类问题。

△Agnes网站主页Key Takeaway：

访谈实录分割线1、Agnes的核心功能有哪些？分别适合哪些使用场景？

量子位智库：Agnes既提供AI用户熟悉的「Deep Research」功能，也提供更具特色的「Wide Research」功能，这两项功能有什么区别？

Agnes AI： Deep Research是从Planning到Research的多步骤研究，会把复杂问题拆分成细分子问题，每次得到答案后，再把当前答案和用户需求比对，寻找最短路径，接着思考下一个该问的问题。一直到穷尽需要提问的所有范围，或是设定最长部署，通过这些方式在网页上找到对应信息。

目前Deep Research在移动端、PC端用得比较多，但移动端占比已在下降，原因是我们提供了性能出色更轻量的单纯「Research」功能。当然如果用户想做比较深度的分享，还是可以开Deep Research。

所谓Wide Research，会涉及更多Multi Agent（多智能体）框架，从单个任务拆分成50个不同的Threads（线程），每个线程可能是一个Agent，独立做信息搜索，再把搜索到的信息回收。

Agnes还有个优势：用户不用选具体选项，大部分逻辑能自己Auto Routing（自动路由），会根据用户意图选择使用什么工具，组建什么样的多智能体团队完成任务。

区分任务归属的核心是用户意图理解和任务复杂度不同：

基础问题、用户希望快速回答的，比如移动端默认用单纯Research，时长能控制在一分钟以内，比现在所有Research产品都快。

如果用户明确说要做深度研究，就启动Deep Research。它的整个Iteration（迭代）更长，需要多步骤，多次分解问题，通过反应（React）、每次分解后反思（Reflection），确认与最终目标的距离，再寻找下一个问题，是更有深度的多迭代研究。

当需要快速获得答案，且数量超过阈值（比如20个以上，像20/50张图片、20所大学、100个科学家这样的研究），就会自动默认用Wide Research。虽然会多消耗成本、Token，但能压缩时间，效率更高、速度更快。

总体来说，Deep Research更追求精准、深度，Wide Research更追求速度、广度。

量子位智库：目前Research、PPT、Design这三个是主打场景吗？产品迭代速度是怎样的？

Agnes AI：对，PC端目前这三个是已上线版本。我们每周都会有新功能上线，在移动端也会有小更新和大版本更新，以周为单位做迭代。

除了刚才介绍的Research，我们出PPT速度很快，一般在2分钟左右，UI也不错，虽然还有提升空间，主要生成速度在市场上比较领先。且全程基本是并行过程——每一页都相当于开一个线程（Thread），基于每一页的信息找对应内容、模板，再把内容展示在页面中。

△Agnes AI幻灯片功能介绍

这些内容是Interactive（可互动的），鼠标能点击图表触发交互效果，也能手动编辑修改文字，或通过自然语言对话框操作。

整体我们比较追求产品的丝滑程度和速度，不希望用户等待，希望能快速响应、快速让用户得到想要的信息。

当然这里有个Balance（平衡）：如何更快的同时效果更好？我们面临一个"不可能三角"——既要成本低，又要速度快，还要效果最好，这是公司对生成Artifact（成果物）的要求。

另外，我们整个Multi-Agent架构用到了自由度较高的Deep Design（深度设计）。Deep Design的逻辑是：生图时先生成Candidates（候选图），再让Agent从几个核心维度给候选图打分，根据分数判断候选图是否合适、是否大概率满足用户需求。分数高的推上去，分数低的留在候选区域。

这解决了一个问题：现在很多生图模型需要"抽卡"——生成十张图再选一张，很浪费时间。但这个逻辑完全可以自动化，我们把Reviewer（审核者）、Evaluator（评估者）的Feedback（反馈）融入到整个Workflow（工作流）中。

还会告知，比如Prompt Fidelity（与提示词的一致性），以及对区域的描述和具体分数。

这种思路有点像在里面加了强化学习的反馈。因为强化学习有个重要概念：以参数形式做梯度学习。

但在多智能体场景中，Agent之间的反馈从实际效果看，也类似强化学习的Feedback。不过如何把这种Multi-Agent Feedback（多智能体反馈）融入到模型训练的参数微调中，是很有意思的研究方向，我们最近也在探索。

还有一点，我们的产品可以生成中英文海报。在接入Nano Banana的同时，通过多智能体架构中间的Tree Arch（树形架构），判断生成内容中有中文还是全英文，再Auto Routing（自动路由）选择对应模型生成Candidate（候选图），这样就规避了Nano Banana在中文生成上的问题。

2、单智能体和多智能体在任务完成上有哪些方面的差别？

量子位智库：像"设计50个创意海报"这种复杂度的任务，对单智能体来说无法完成，还是完成效果有差异？

Agnes AI：也不是完全不可能做到，只是多智能体效率更高。Multi Agent（多智能体），你可以理解成"三个臭皮匠胜过一个诸葛亮"。如果真有一个"诸葛亮"级别的单智能体，多智能体也未必能比得过，但这需要很高的能耗、算力，包括模型的精准度、准确性，得比现有模型高一个level。

在不大规模提升模型基础的前提下，想达到更好效果，多智能体协作是很好的框架。前段时间Andrew Ng（吴恩达）也说，多智能体是超越polynomial（多项式）提升模型性能的方式，从原理上看属于一种梯度学习。

量子位智库：以生成海报为例，单智能体和多智能体在效果上有什么差别？单智能体还有哪些限制？

Agnes AI：差别很多。

首先是速度问题：单智能体串行解决问题，一步一步执行，效率和速度会下降；多智能体大部分任务并行执行，尤其是对非Mission Critical（关键任务）的问题，能各自探索答案，过程中收拢更多信息。

第二个是Specialization（分工）：需要明确每个智能体的角色和核心要求。以生图为例，涉及三个Agent：

Prompt Agent：基于用户Intention（意图），把需求转化为Diffusion Model（扩散模型）、Auto Regression（自回归模型）（主要以Diffusion Model为主）能理解的产品细节。因为理解用户意图和生图是完全不同的角色，目前单模型很难把两者结合。

Image Generating Agent（图像生成Agent）：根据Prompt的情况选择模型——比如调用Nano Banana，或中文效果更好的模型，或考虑成本选择低成本模型实现类似效果。这个模块的Management Control（管理控制）在Image Generating Agent中。

Evaluating Agent（评估Agent）：评估、审核、评判图片好坏，说明原因，并把Feedback同时给到Prompt Agent和Image Generating Agent。两个Agent会根据反馈重新调整Prompt、选择不同模型，通过恰当分工协作，快速并行生成最佳内容。

当然，把这些能力整合到一个大模型、一个Agent里，理论上有可能性，但难度很大。因为Diffusion Model和LLM（大语言模型）的原理完全不同：大语言模型更擅长理解用户意图，包括Latent Requirement（潜在需求）。

但深度模型需要非常明确的描述，不擅长理解用户意图和目标，用户如果没说清图片想表达的意思，即使是Nano Banana也会"变笨"。

人与人沟通不需要说太多细节，因为有共识和共鸣感。比如我说"一个收音的耳机"，设计师会自然想到画面中有人讲话才能收音；但如果把同样提示词给到生图模型，它只会理解"收音的耳机"，不会想到要加"人讲话"的元素。

所以，要把不同模型的优势整合到一个系统中，目前效率最高的就是Multi Agent。

量子位智库：能不能通俗理解：单Agent是"通才"，整体效果60分；Multi Agent是把任务分给"专才"，每个专才90分，最终产出90分？

Agnes AI：对，你理解非常到位。我再补充一句，这种"专才"（专家模型）对比DeepSeek-R1这类解决所有问题的MoE（Mixture of Expert，混合专家模型），在特定工作中表现更好，但只适合做这个工作。

对很多创业公司来说，因为选择了垂直领域、垂直场景，或在多主体框架中单任务垂直，完全可以用自己的垂类Agent，甚至训练自己的模型来完成工作。

当然，在Multi Agent体系下，也可以把不同Agent背后的模型统一，把这些专家模型蒸馏成一个MoE大模型，每个单Agent的能力变成MoE模型中一个激活的专家参数，这样就能把小模型的能力统一到一个大模型里。

这种方式有好有坏：好处是大模型往往会涌现出意想不到的能力，举一反三能力强——比如学会骑车、开车后，可能自动学会骑摩托车；坏处是单任务表现不一定有专家模型好。

量子位智库：现在单个大模型能力提升不如去年惊艳，未来会不会有一个大模型能达到多智能体的效果？这个时间窗口大概多久？

Agnes AI：你这个问题相当于"超级诸葛亮"对比"多个臭皮匠"——如果Multi Agent是三个臭皮匠，一个超级诸葛亮可能超越它，但我们的架构有个有意思的点：可以把"臭皮匠"换成"诸葛亮"。新模型出来后，我们的Multi Agent就能变成三个诸葛亮，甚至三个超级诸葛亮。

多智能体的团队协作、分工，与模型本身的能力提升是相辅相成的，不是互相替代的关系。即便单个Agent因基础模型升级而变强，多智能体也会同步进一步提升。

3、多智能体产品的卓越与否可以通过哪些维度评估？为保障任务执行的速度和质量，有哪些工程化设计？

量子位智库：国内不少产品说自己是Multi Agent，但用户难区分好坏。除了成本、速度，还有哪些维度能评判多智能体产品的最终效果？

Agnes AI：可以从几个维度讨论，每个公司定位不同，关注的维度也不同。有些公司会关注任务完整度，包括Corner Case（极端案例）、Edge Case（边缘案例）——这些是平时不太常用的功能，但很考验模型解决问题的能力。

很多公司会放弃，我们也会放弃，因为这不是我们的Optimize（优化）重点，但这确实是衡量多智能体系统的指标之一。

我们比较关注的指标是Efficiency（效率），可以理解为速度。因为速度和成本往往成正比：速度快说明用的Token少、Iteration（迭代）少，成本自然下降。

我们看重移动端体验，希望做可用、能全民化的产品，会追求速度更快、模型使用成本更低，在这两个方面比市场上同类型玩家都有优势，因为只有这样才能让AI更易被大众负担和接受，让更多还没接触过AI的人体验到AI，这是我们的愿景。

量子位智库：Agnes是怎么做到"速度更快"的？

Agnes AI：未来还能更快，我们还在优化，优化后可能成为全球最快的AI Mainstream（主流）应用产品。主要从两个维度入手：

第一个维度来自我读博期间以第一作者发表的论文《CodeAgents》（《CodeAgents: A Token-Efficient Framework for Codified Multi-Agent Reasoning in LLMs》，论文地址：https://arxiv.org/abs/2507.03254）。我们让多智能体之间的沟通不用自然语言，而是用类似代码的形式。比如"向你借一把伞"，会写成"a borrowed（雨伞）"这样的伪代码或代码——有些可执行，有些不可执行。

自然语言存在的原因是人类无法像AI那样快速读取信息，需要转化为人类能接受的形式；但机器之间的底层沟通很多用代码实现，且现在大模型的语料库中大量加入代码训练，机器读代码比读自然语言更快、效率更高、准确性更强，因为代码的Degree of Freedom（自由度）更低。

通过这种方式，我们在论文中得出结论：能把多智能体框架中解决问题流程的Token消耗下降40%到70%，速度大幅提升，准确性也有提升——在Gaia、Hotpot等Open Benchmark（开放基准测试）中，准确性和Recall Rate（召回率）提升5%到10%，这是很大的突破。

第二个维度是用自己的模型替代闭源和开源模型。我们训练的模型不会特别大，都是专家模型——从7B到10B，再到几十B的Post-Training（后训练）模型，专门解决PPT、Research这类专业问题。这样一来，速度更快、成本更低，而且Small Model（小模型）每次会完全激活，对Memory（内存）的要求也更少。

量子位智库：很多Agent产品"能做很多任务但做不精"，Agnes除了用自己训练的模型，在产品工程化上做了哪些优化，保证Design、Research等功能的质量？ 

Agnes AI：首先是产品Sense（判断力），这是产品经理或公司的决策取舍。上很多功能会导致每个功能都只达目标、不达SOTA（当前最佳）水平。

我们上功能很克制，每个功能都要达到很好的水平才上线，这是最主要的原因——不追求多功能，但每个功能要达SOTA效果，无论是速度、美观度还是准确度。

第二是框架设计：我们的框架不是写死的。很多多智能体框架是固定的——承担任务时分配多少Agent做a、b、c，多少做d、e、f，执行、计划、编排、反馈的角色和任务强绑定。

但我们的设计是"大框架+自由角色"：框架包含编排、计划、执行、Feedback、Review、写Report（报告），但Agent会根据系统提示词、MCP（主控制程序）对应的工具，自动对号入座找到角色。任务结束后，Agent会重新梳理情况，有新的MCP工具、新的TC（任务指令）上来，就重新编排角色。

所以在一个任务下，我们能不断出新任务——不是只能做PPT或只能做Research，做完Research能立刻做PPT，做完PPT能立刻出图，出图后能立刻总结。原因是多智能体不与特定角色强绑定，能自由编排，还能记住前面的工作内容。这种自由度让我们上线速度更快，功能也更稳定。

4、Agnes的主要目标人群是什么？在核心使用场景的差异化优势是什么？

量子位智库：Agnes主要目标人群是什么？目前三个场景中最受好评、用户用着最爽的是哪个部分？

Agnes AI：PC端我们希望扮演AI Native（原生AI）的办公角色，现在已在和个人Pro User（专业用户）、企业用户洽谈。

很多企业认为我们的产品能替代办公三件套中的PPT、画图功能，下一步AI sheet（Excel）即将上线，目前在内测（截至发稿时已正式上线）；还有AI doc（可协作文档），这些都是AI native的办公组件。

我们的目标用户包括白领、大学生，以及行研、投研从业者，能给他们提供很多帮助。从数据看，Research和PPT的用户都很多——晚上12点以后（非主流时间，可能是海外用户），每小时都有几百人在做PPT。

用户疯狂使用的原因，一是速度快，二是Quota（额度）高：有些产品做一两次PPT就要付费，我们的免费Quota每月能做10到20次，因为我们把成本降得很低。

量子位智库：办公套件是红海市场，国内Skywork等也在做多智能体办公套件。Agnes的AI Native办公套件，对比上一代办公套件，用户需求和"好产品"的标准有什么变化？ Agnes的差异化优势是什么？

Agnes AI：首先，目前主流用户还在使用传统office、WPS，虽然有Skywork等竞争对手，但我们都是后来者，存量市场仍被传统产品垄断，暂时没遇到太多AI Native产品的直接竞争。

市场足够大，90%以上用户用传统产品，我们各自在快速拓展，定位也不同。

有些产品更重，像软件；我们更轻，像Webbook（网页应用），更强调AI Native，希望用户随时随地办公。我们在移动端花了很多精力，追求体验丝滑、速度快、效果达SOTA。

差异化优势在于场景聚焦：我们侧重移动端、年轻用户，以及Webwork（网络办公）的生活方式——不是"必须在办公室办公"，而是"需要快速出Proposal（方案）给领导"、"3分钟内做好PPT去Pitch（提案）"这类即时产出、碎片化的场景。我们在这些场景中投入更多时间和精力，争取对应的市场。

5、AI办公未来市场规模如何？Agnes这样的AI原生产品和WPS这类传统办公产品路线有何不同？

量子位智库：对AI办公市场的未来规模有预期吗？

Agnes AI：现在不能用传统方式评估AI市场，AI正在颠覆办公、SaaS等场景，甚至ChatGPT在推电商、搜索、企业用户场景——所有互联网时代的事情都可能被AI重写，速度比想象中快。谷歌都在假设AI时代搜索流量会清零，可见变革之大。

虽然没法明确评估我们拓展的市场规模，但可以参考两个数据——

一方面，传统Office产品每个季度毛利达几百亿美元，这是很大的市场基础；

另一方面，AI产品估值很高，10年前百万日活的移动产品估值约2亿美元，现在百万日活的AI Native产品估值可能达100亿美元。

全球超过百万日活的AI Native APP（海外市场）可能只有5个左右，比如：

ChatGPT（Conversation AI龙头），周活7亿，总用户过10亿，付费用户2000万（占比不到2%），估值已过5000亿美元；

Perplexity（搜索领域龙头），月活3000到4000万，日活200万以上，估值180亿美元，基本是"1万日活对应1亿估值"；

Character AI（AI社交产品，类似AI时代的Myspace）也是全球流量最大的AI产品之一。

除了少数突出的AI产品，其他产品都不算大模型驱动的Mainstream（主流）AI应用。如果能快速进入场景，成为头部玩家，想象力很大，可能成为AI时代的字节、Instagram。

量子位智库：上一代办公产品（如WPS、博思白板）是"单点功能+AI"，Agnes是"整体工作流+AI"。这两种路线是适合不同场景，还是市场需要教育？未来一定会走向Multi Agent吗？

Agnes AI：这是两个阵营的不同想法。

传统办公产品（如Office、WPS）是"改良派"：它们有90%的存量用户，很难直接推出颠覆自己的产品，只能在现有产品中加AI能力，抗衡AI Native产品，类似"保皇派"；

我们是"革命派"：认为AI Native产品完全能颠覆传统使用习惯，只是时间问题。我们的产品不需要传统办公的纯互联网或重软件能力，上来就能通过提示词解决问题——我自己写论文，只提供大纲和想法，所有文字都让AI润色，完全不用Word，靠AI和人的思路整合，能达到甚至超越传统方式的效果。

我在新加坡国立大学读博时，几门课考了博士班全班第一，包括Robotics（机器人）。老师很开明，允许用谷歌的NotebookLM读文章——把文章丢进去，问几个问题就能了解大概。我能取得好成绩，不是比同学聪明或精力多（我年龄比他们大10岁，还要创业），而是擅长用AI工具。

这种Human AI Symbiosis（人机共生）形态，能迸发比传统能力更强的效果。换句话说，我可能不是全班智商最高的，但擅长用AI，就是AI时代全班"智商最高"的人。

基于这个理念和亲身经历，我坚信AI Native产品会颠覆所有传统非AI native、半AI产品，市场上还有很多人和我一样是Strong Believer（坚定信徒）。

量子位智库：做好AI Native产品有哪些容易被忽略但很重要的点？

Agnes AI：很多，我分享几个。

首先，把AI从Productivity（生产力）中剥离，拓展到更广泛的应用场景——很多人对AI的刻板印象是"提升效率"，导致AI在社交、智能硬件等场景中没充分发挥。市场还在早期，很多人对AI的理解不到位。

比如AI+社交、AI+智能硬件，完全能颠覆传统互联网产品。现在ChatGPT像AI时代的雅虎，Perplexity想做AI时代的谷歌，但AI时代的Facebook、AI时代的Office还没出现。

很多公司想做AI Office，但做到Office那样的市占率很难——有Office能力的公司不少（如WPS），但达到80%、90%市占率的极少。

另一个被忽略的点是"产品+市场"双驱动：到底是Product Led Growth（产品驱动增长），还是Market Led Growth（市场驱动增长）？

AI时代没有先后顺序，必须既有好产品，又有强市场，才能快速进入Mainstream（主流）应用，而不是在细分领域尝试开新分支。很多人没想清楚这一点，其实AI时代的机会远比现在看到的多。

6、Agnes最开始如何确认产品具备PMF（产品市场匹配）的？是怎么获得前500个用户的？

量子位智库：Agnes是革新性产品，当时怎么判断它的PMF（产品市场匹配），有信心成为Mainstream产品？

Agnes AI：一个关键信号是获客成本低——海外某些区域获客成本低至0.2到0.3美元。我10年前做海外社交产品时，获客成本低于1美元就很好了，低于0.5美元的几乎没见过。

这说明很多想接触AI的人还没接触到，市场普及率比想象中低。

全球很多人不仅没接触过AI，甚至没接触过互联网。有些区域的人第一次成为网民时，就会成为AI原住民——他们可能连网络都没有，AI能解决"跨越"问题，就像中国没普及信用卡直接进入移动支付一样。

AI的Accessibility（可及性）很高，不需要学会复杂应用，能打字就行；未来甚至不用打字，能聊天就行。很多地方的人第一个智能硬件是安卓手机，未来可能不用手机，通过某个智能硬件就能接触AI。

我们看到了大机会：低成本获客能让我们占据全球大量未接触AI的用户心智。就像"结婚后再离婚很难"，先占据用户心智，后面别人想抢就很难。

我们要快速获取市场、占据心智，成为很多区域的主流AI应用——这是巨大机会，窗口期很短，等很多公司想清楚时，我们可能已经完成布局了。

量子位智库：Agnes是怎么获得前500个用户的？怎么找到特定位置和姿态？

Agnes AI：很多海外产品（如Perplexity）侧重移动端，但功能有限——比如只能做搜索，想做Research要每月付19.99美元。我们的免费产品比Perplexity的免费产品好，即便它的付费功能可能比我们好，但我们的用户基数来自免费用户。

在一定转化率下，免费用户越多，基数越大，口碑越好，马太效应、Network Effect（网络效应）越强。

现在很多办公产品、通用型Agent关注ARR（年度可预测收入）、付费用户数，但我认为未来一年的最好机会是抢占免费用户——这部分市场没被开拓，占据后别人很难抢走，哪怕他们有10倍好的产品，我们也会同步提升。

先占住位置很重要，这是我们早期获客的核心逻辑：用更好的免费权益，吸引Perplexity、ChatGPT等产品的存量用户，尤其是他们忽视的市场。

7、最关心哪些产品指标？如何推动指标增长？

量子位智库：除了DAU（日活），Agnes还关注哪些核心指标？

Agnes AI：北极星指标肯定是DAU。如果现在有100万日活，我们就是一家100亿美元的公司，但目前很少有公司能做到。

所以第二个关键指标是多久达到目标DAU：半年后，能达到百万日活的AI产品会变多，可能进不了全球前五，但能进前10或前20；一年后，可能连全球前50都进不了。

在这两个指标之后，才会关注ARR——更多是向投资人证明能力。如果投资人相信我们，不用证明最好；但很多投资人需要说服IC（投资决策委员会），所以我们会适当关注ARR。

ARR的逻辑很简单，基本是DAU乘转化率。ChatGPT的付费用户占总用户的1%到2%（周活7亿，总用户过10亿，付费用户2000万），这已经是市场上很好的水平，我们的转化率不会比它高。

靠订阅提升ARR只有两种可能：一是免费用户不增长，在现有池子里转化；二是免费用户量足够大，靠自然流量转化。

想达到ChatGPT接近2%的转化率都不容易，所以ChatGPT也在探索电商、搜索、企业用户等新商业模式。AI的商业模式远不止Subscription（订阅），投资人也可以多关注其他方向。

量子位智库：Agnes日活已突破20万，除了产品力，还有哪些因素帮助推动DAU增长？

Agnes AI：核心是第一性原理——以DAU为目标，所以更关注移动端、用户体验（速度快）、免费用户权益。我们的免费用户权益和别人的付费用户权益差不多，因为成本可控。

此外，我们不只关注付费区域（如欧美、日韩，这些区域获客成本高），还覆盖大量非发达国家、非高付费意愿国家的用户。

我们认为这是更伟大的事情：让发展中国家没接触过AI、ChatGPT和Perplexity不愿覆盖、没有付费能力的人，最快体验到和ChatGPT、Perplexity一样的智能能力，帮他们完成工作、提升效率，甚至推动区域经济。

这既是长期愿景，也是短期商业模式选择——可能和国内主流Agent产品想法不同，但这套思路如果走通，完全能跑得更快。

量子位智库：国内有些产品认为"第一天没收钱，后面难收钱"，且"早期收费能攒资金建壁垒"，Agnes怎么看？

Agnes AI：每个人想法不同，不能说他们错，但AI发展太快，等想清楚这些，机会可能就没了。我们的核心是先占领用户心智，这有窗口期——要以最快速度、最低成本、近乎免费的方式，让大量用户体验AI。

不是所有投资人都认可这个思路，也不是所有AI创业者都有同样Vision（愿景），但我们会吸引有同样愿景的人和投资人。我们希望用愿景、机会、好产品、低成本、高权益，让发展中国家、新兴国家的人第一次用安卓手机时就体验Agnes——他们可能连电脑都没有，未来甚至不用手机就能接触Agnes。

很庆幸不是所有人都这么想，否则我们的使命会更难完成，竞争压力也更大。我甚至希望有一天我是错的，让其他人按他们的速度跑，这样我们才有足够窗口期达到目标。

8、在设计功能时如何挖掘用户需求？是否会对标其他成功产品？

量子位智库：Agnes以周为单位迭代，怎么挖掘用户需求和反馈？不做Corner Case，怎么确定最值得做的需求并做精？

Agnes AI：我们的产品原理和很多AI创业者不同，核心是不做太多，避免稀释用户心智——高度聚焦几个产品，创新不用"大而全"，只要在模块中找到合适创新点，快速占领心智，抢主流产品的用户就行，不用靠创新制造Hype（热度）获客，这种方式效率低。

先说说获客逻辑：我们就是抢ChatGPT和Perplexity的用户。他们的高级功能要付费，我们免费，单这一点不用创新，就能在当地低成本获客。

技术创新也聚焦：比如我们有Agentic Workflow（智能体工作流），速度和Perplexity一样快，Research功能和它一样好（但它的Research要付费），还能做PPT（它做不了）。一两个功能就足够饱和，再多功能会稀释品牌。

举个例子，Perplexity是我很喜欢的公司，值得学习。如果要对标，我希望对标它。Perplexity去年只有搜索一个功能，搜索不算创新（所有基模都有搜索能力），但它定位清晰、专注，在搜索领域做到市场最好——谷歌的AI搜索质量都不如它，Grok连接Twitter也不如它。

它建立了"AI Native搜索产品中最好"的简单心智，一年时间月活从1000多万涨到3000多万，日活200万以上。虽然所有人都能做搜索，但它占据了用户心智，别人想撼动很难。

对我们来说，不需要用复杂方式撬动市场，只要在几个功能上比别人好一点，快速获取存量市场用户，抢别人忽视的市场，就能完成目标。目前在奔跑路上没遇到太多竞争对手，可能是定位不同，或他们的故事和我们不一样，这个窗口期非常好且稀缺——半年后达到目标，无论别人做什么功能，都很难撼动我们，就像Perplexity现在这样。

9、Agnes的产品定位是什么？将来的100分状态会是什么样子？

量子位智库：用一句话重申Agnes的定位，再描述下Agnes达到100分的状态？

Agnes AI：Agnes立志于做有Agent能力的Mainstream（主流）全民应用。我们不把自己定位成Agent产品——Agent不是全民应用，使用场景相对小众，对比搜索、Conversation（对话）、日常工作场景，覆盖范围有限。

没有产品能真正达到100分，但我希望Agnes能做到：

首先，覆盖ChatGPT和Perplexity的所有能力，且只能匹配或超过它们，不能比它们差；

其次，有额外的优势能力，所有上线功能都达到Agnes的标准，成为未来全球TOP5的AI Consumer APP（消费级应用）；

最后，不推出大量功能让用户选择，而是把每个功能做到极致。这是我们的Conviction（信条）。

量子位智库：如果回到做Agnes的第一天，有哪条经验想告诉当年的自己，能改善产品发展？过去创建Agnes的过程中，想最多、最头疼的问题是什么？

Agnes AI：第一个问题我回答不了，因为做Agent以来很顺利，没因为决策错误或信息丢失走弯路。时间越长变数越多，我们希望压缩快速成长期，减少市场变数。

第二个问题，没有特别头疼的问题。每天会遇到很多挑战——产品、市场、未知问题、招聘、融资，但这些挑战不会让我Live under Stress（活在压力下）。原因是做这件事的兴奋感超过了压力：我们聚焦在做好产品、快速达成目标，已经进入心流状态。

团队也一样，没太多时间思考"做错了怎么办"，更多时候觉得在"冲浪"——作为弄潮儿站在市场前沿，是AI的Innovator（创新者）、创造者，不是被动接受者。我是AI博士，每天读论文，还是AI博主，能获取最新信息，融入创业过程，避免错误决策。

这种兴奋感超越了压力，我们在Savor（享受）创业过程，遇到问题就用最快速度、最优解、第一性原理去解决，不担心。目前没感到疲惫、困难，挑战肯定有，但更多是"乘风破浪、迎难而上"的兴奋感和成就感。

量子位智库：最后请给观众安利下Agnes AI，分享想交流的内容？

Agnes AI：大家可以体验我们的产品，目前PC端和移动端都已上线，移动端功能比PC端稍少，但体验很丝滑。我们每周都有新功能，敬请期待。

最后想分享我们的长期愿景：希望通过公司的科技能力和产品优势，让全球范围（包括很多发展中国家）更多人接触到人工智能。为了这个目标，所有努力都值得，也希望更多伙伴加入我们、支持我们实现这个目标。