AI 原生创业公司：5 款产品、七位数收入、100% AI 写代码

摘要

Dan Shipper 是 Every 的联合创始人兼 CEO。Every 是一家只有 15 人的公司，却运营着一份日更 Newsletter（约 10 万订阅者）、五款 AI 产品、以及一个年营收已达百万美元的咨询业务。在产品团队中，工程师不再手写一行代码，全部通过 Claude Code 等 AI 代理完成开发。Dan 在本期播客中分享了一系列关于 AI 的激进观点：AI 可能是美国就业回流的最大推动力；Claude Code 是非技术人群最被低估的工具；AGI 的定义应当是"代理无限期运行且经济上可行"的时刻。他详细介绍了 Every 独特的运营方式——设立 AI 运营负责人、实践"复利工程"原则、用多个风格各异的代理协作开发。他还提出了"分配经济"（Allocation Economy）的概念：知识经济之后，人人都是模型管理者，通用型人才将重新崛起。从产品孵化方法论到独创的"啜饮种子轮"融资模式，Dan 展示了一种不同于传统硅谷路径的创业可能——以写作为核心，以 AI 为杠杆，在保持创作自由的同时构建一家有持久影响力的机构。

正文

激进观点：AI 将推动就业回流

Dan 的第一个激进观点是：AI 可能成为美国就业回流（Reshoring）的最大推动力。公众普遍担忧 AI 会导致大规模失业，Dan 认为这忽略了一个关键机制——廉价智能会刺激需求。许多目前只有富裕人群和大公司才能负担的昂贵服务（如内部法务、呼叫中心），AI 使它们变得人人可及，从而释放了被压抑的需求。同时，AI 让少量美国员工能够服务过去需要庞大团队才能覆盖的客户量。比如呼叫中心，十个使用 AI 工具的中西部员工可能服务过去一百人才能覆盖的客户群体。加上模型公司本身就设在美国，AI 反而使在美国本土雇佣人力变得更加经济合理。

Claude Code：非技术人群最被低估的工具

Dan 的第二个观点是，人们严重低估了 Claude Code 对非程序员的价值。Claude Code 是 Anthropic 推出的命令行界面（CLI），能访问本地文件系统、执行终端命令、浏览网页，并自主运行 20 到 30 分钟完成任务。配合 Claude Opus 4，它甚至可以生成多个子代理并行工作。

非程序员之所以不用它，是因为终端界面令人生畏。但一旦上手，你会发现它能做到 ChatGPT 网页聊天无法做到的事。Dan 举了一个自己的用例：将所有会议记录下载到一个文件夹，让 Claude Code 逐一阅读每份记录，生成待办清单，在笔记本中逐条记录分析结果，最终给出汇总回答——比如"告诉我所有我微妙地回避冲突的时刻"。这不是简单地把所有内容塞进上下文窗口，而是真正地逐文件处理。

更深入的用例：Dan 下载了公共领域的《战争与和平》原文，让 Claude Code 阅读前三章并提取托尔斯泰的人物描写手法，然后生成一份风格指南供后续写作参考。他甚至让它对比俄语原文和英译本，挖掘翻译中可能遗漏的细微之处。同样的方法适用于处理大量客户访谈记录或客户数据。Dan 预测，模型公司将逐步把这种能力迁移到更易用的界面中，而 AI 应用的未来将从"在现有界面上粘贴聊天框"转向"你说目标，它去执行"的委托模式。

用" leash "定义 AGI

Dan 提出了一个独到的 AGI 定义框架。他观察到，衡量 AI 进步的方式是看你能给它多长的"牵绳"（leash）——Copilot 时代是 Tab 补全，ChatGPT 时代是单轮问答，到了 Claude Opus 4 和深度研究，代理可以自主工作 20 到 30 分钟。牵绳在变长。

这让他联想到儿童心理学家温尼科特（Winnicott）在《游戏与现实》中的理论：婴儿最初与照顾者完全融合，成长的过程就是逐渐被"放手"——在能够承受的时刻经历适当的失望，学会独立。养育孩子就是知道何时可以让他们自己站一会儿。Dan 认为 AGI 也有类似的牵绳，因此他给出的定义是：当代理无限期运行且经济上有利可图时，AGI 就到来了——代理永远不关机，始终在做有价值的事，你不需要时刻介入，它就像一个独立的青少年一样"生活"着，而且这种状态对你的利润表是正面的。关键在于"有利可图"这个条件：如果运行有成本，那代理就必须真正在为你创造价值，而不仅仅是空转。

AI 不会取代人类，而是改变技能组合

Dan 强烈反对"AI 将取代三分之二劳动力"的头条新闻。他以医生为例：有研究表明"纯 AI 诊断优于医生+AI"，但使用 AI 本身是一项技能——你不能拿一群没有 AI 经验的医生做实验就得出 AI 更好的结论，尤其是在技术飞速发展的当下。

对于"使用 ChatGPT 让大脑变笨"的说法，Dan 引用了柏拉图对书写的批评作为类比。柏拉图认为书写会损害记忆力，他说的没错——我们确实不再像古人那样背诵长篇史诗了。但书写换来了更重要的东西。AI 亦是如此：你可能在某些任务上投入减少，但同时在更高杠杆的任务上投入更多。你可以构造出一项研究证明使用 AI 时大脑连接度降低，就像你可以证明有书写能力的人记忆力更差——但没有人愿意回到文盲时代。

Dan 还分享了一个自建基准测试：他让前沿模型预测自己在会议中会说什么，结果表现很差。这不是因为模型不够聪明，而是因为"上下文工程"（Context Engineering）——在正确的时间把正确的上下文传给模型——至少贡献了一半的性能表现。这是 Tobi Lütke 提出的概念，Dan 之前称之为"知识编排"。这不只是开一个超大上下文窗口就能解决的问题，而且即使模型终于能预测你下一句话，你使用它的方式也会改变整个动态。

Every：AI 原生公司的全貌

Every 的形态非常独特，Dan 将其概括为"在 AI 边缘做想法和应用"。核心业务是一份日更 Newsletter，运营约五年，约 10 万订阅者，读者包括各顶级 AI 实验室的人员。每当 OpenAI 或 Anthropic 发布新模型，Every 团队都会第一时间拿到并评测，撰写他们称为"氛围检测"（Vibe Check）的体验报告——这个名字本身就在强调：标准基准测试无法捕捉"使用这个东西到底是什么感觉"，而真正在用的人才能给出最真实的反馈。

产品方面，Every 目前运营多款应用：Cora（AI 邮件首席幕僚）、Sparkle（AI 文件清理器）、Spiral（内容自动化工具），以及此前孵化后拆分独立的 Lex（AI 文档写作工具，由 Every 联合创始人独立运营）。所有产品打包在一起，用户一次付费即可使用全部软件套件，并且不断有新产品加入。

第三条腿是咨询业务。Every 团队花大量时间与大公司合作，教授他们如何做到"AI 优先"。

AI 运营负责人：每个公司都该设的岗位

Every 内部有一个关键角色：AI 运营负责人（Head of AI Operations），Katie Parrott。Dan 每周与她坐下来一次，把所有重复性任务列入待办清单，由她持续构建提示词和工作流来实现自动化。Dan 认为这是一个重大解锁：一线员工整天忙于救火，面对"用老方法还是用可能失败的新方法"时，大多数人选择老路。有一个专职的 AI 运营负责人，意味着这些自动化机会可以被识别和实施，而不需要做实际工作的人自己花时间去搭建。

在编辑部，主编 Kate 过去每天花数小时做风格校对——确保所有内容符合 Every 的行文规范。现在 Opus 已经可以接收风格指南和提示词，自动完成文案校对。但挑战不仅在于构建工具，还在于推动行为改变——确保每个作者在提交稿件前都先过一遍提示词。Every 的优势在于全员都是"AI 优先"思维，没有抵触者，但让工具真正被使用始终是一个组织挑战。

更进一步，工程师 Nityesh 构建了一个 Claude Code 命令，自动扫描整个代码库中的文案，生成 GitHub 拉取请求（Pull Request），发送给 Kate 审核。这意味着工程团队在编写产品界面的营销文案时，也能自动符合 Every 的风格标准——工程团队写出了营销级别的文案，这是一个令人惊叹的跨越。

Katie 的背景也值得注意：她最初为 Every 做代笔写作，此前在顶级内容营销机构 Animalz 工作，具备极强的流程思维，同时是一位优秀写手且对 AI 充满热情。Dan 认为，这个角色最核心的素质就是"想动手摆弄、想搭建东西"的欲望，加上流程思维和对所服务领域的理解。

Dan 的 AI 工具栈

Dan 日常使用的工具组合如下：

• o3 / ChatGPT：日常首选。o3 在写作、编码方面质量极高，而 ChatGPT 的记忆功能是关键差异——Dan 花了大量时间训练它"我的写作要简洁有力"，它记住了。当他请 ChatGPT 反馈会议表现时，它能给出个性化的判断："你犯了那个老毛病，但在另一个方面好多了。"这种基于长期记忆的个性化反馈，是其他工具目前无法提供的。
• Claude Code：Every 内部的标准构建工具，所有人都在用。
• Gemini：Every 内部应用的首选模型，性能强大且成本极低。Dan 也很期待试用 Google 新推出的 Gemini CLI。
• Codex：OpenAI 的编码工具，用于独立、自包含的小功能。
• Claude Opus 4：有一个其他模型做不到的关键能力——判断写作质量。早期版本的 Claude 对任何写作都是先给 B+，再给 A-，再给 A，没有真正的"直觉"。Opus 4 终于具备了判断"这篇文章到底好不好"的直觉。这对 Every 正在开发的新版 Spiral 尤为关键：Spiral 本质上是"内容领域的 Claude Code"，用户给它文档，它创建待办清单，自主写推文。有了 Opus 4 的判断力，Spiral 可以在生成多个版本后自行评判优劣，再迭代改进——Dan 团队花了三个月试图构建一个复杂的评判系统，Opus 4 一次提示就搞定了。
• 语音输入：Dan 之前用 Super Whisper 和 Whisper Flow，现在使用 Every 内部开发的 Monologue。他坚信语音转文字界面是未来。
• Granola：会议记录工具。
• Notion：日常协作和会议录制。

复利工程：让每一单位工作都降低下一单位的成本

Cora 团队只有两名工程师——Kieran 和 Nityesh——加上 15 个 Claude Code 实例。他们发明了一个核心原则：复利工程（Compounding Engineering）——每完成一个单位的工作，都应该让下一个单位的工作变得更容易。

在 Claude Code 时代，工程师不再大量手写代码，而是花大量时间编写产品需求文档（PRD）。你可以选择每次都从零写 PRD，或者花一点时间写一个提示词，将你零散的想法自动转化为结构化 PRD——这样后续所有 PRD 的编写成本都降低了。Every 团队将这些提示词和自动化工作流存储在 GitHub 仓库中，彼此共享，持续积累。

他们还同时使用多个风格不同的代理：Friday、Charlie 等。Charlie 的优势在于它集成在 GitHub 中——收到拉取请求后，直接 @Charlie 就能请它审查代码。不同代理有不同的"性格"和"品味"：ChatGPT 的输出简洁、专业、克制；Claude 则有另一种风格。Kieran 是一个资深 Rails 开发者，对代理输出的风格非常敏感，就像管理一个各有所长的"复仇者联盟"团队——不同代理在不同任务上各有优势，这不是"一个代理统治一切"的世界。

AI 加速下的新一代工作者

Every 内部的两位工程师背景鲜明地诠释了 AI 时代的人才特征。Kieran 曾是专业作曲家和面包师，后来成为创业公司 VP Eng——这种多维度人才正是 Every 所需的通用型人格：既懂技术，又有审美，能判断着陆页该是什么样子。Nityesh 则是在 ChatGPT 问世后才开始学编程的，他只知道 AI 时代的编程方式。Dan 回忆自己少年时代只能去巴诺书店买编程书，没有 Google 和 Stack Overflow 可查，而 Nityesh 的成长速度远超任何前 AI 时代的工程师。

Every 的作者 Alex Duffy 更是一个典型案例。他刚加入时想法很好但写作功底不足，按照传统模式，编辑需要慢慢培养他。但 Alex 每次与 Dan 的反馈对话都会录音，将所有指导转化为提示词，从此不再犯同样的错误。他在两个月内完成了一年的进步。Dan 的判断是：一个有 ChatGPT 订阅的二十岁年轻人，只要有导师指导，就是一股极其强大的力量。

这引出了 Dan 关于入门级工作的观点。人们担心入门级岗位被 AI 取代后，新人永远无法成长。但 AI 实际上让人从第一天起就在比入门级高一层的位置学习——他们同时在学执行技能和管理技能。当前 8% 的劳动力是管理者，因为管理成本高昂；当管理 AI 代理的成本趋近于零时，更多人将需要掌握管理能力。

产品团队不再手写代码

Every 的产品团队确实不再手写代码。工作流是：用提示词库将想法转化为 PRD，喂给 Claude Code 让代理编写代码，然后做代码审查和产品体验审查。但 Dan 明确指出：目前 Every 的员工如果完全不懂代码，是做不到他们正在做的事的。这就像 JavaScript 程序员偶尔需要理解底层的 C 实现，或 C 程序员有时需要看汇编——Python/JavaScript 之于 C，正如英语之于 Python，只是又一层抽象。在过渡期，向下钻入底层的能力仍然重要，但这种重要性会随时间递减，只是需要很长时间。

Dan 估计，距离一个完全不懂工程的人能独立构建一款真正的 SaaS 产品，还有很长的路。但他指出了另一条路径：Dia 浏览器的"技能"（Skills）、ChatGPT 的自定义 GPT——这些非技术人员已经可以构建的轻量级 AI 应用。Dan 的观点是：软件正在变成内容（Software is becoming content）。不会写代码的人很快就能创建并运营一种不像传统 SaaS 的新型软件产品，就像 YouTube 视频之于好莱坞电影——形态不同，但同样是可运营的业务。

产品孵化方法论：从昂贵服务到大众应用

Every 的产品孵化遵循一个清晰的模式：识别那些历史上只有富人和大公司才负担得起的昂贵服务，用 AI 使其成本降低几个数量级，让所有人都能使用。

邮件首席幕僚、律师、整理衣柜或电脑的人、代笔作家——这些都是典型的昂贵服务。Every 团队在日常运营中不断遇到"我希望能有一个 X，但太贵了"的时刻，然后用 ChatGPT 或 Claude 先手动尝试，验证其确实有用后，再将工作流拆解为独立产品。Cora 就是这样诞生的：从"用 AI 管理邮件"这个通用需求，到独立的邮件首席幕僚应用。

这个方法论的关键优势在于：整个游戏板已被重置。五年前你只能再做一款笔记应用或 B2B SaaS，现在是全新的无人开拓的领域。Every 的内部团队天然成为第一批用户——Monologue（语音输入工具）刚开发出来，全员就开始使用，证明了产品价值。而 Every 的读者与团队有着相似的"氛围"，自然成为第二批用户。Dan 相信，像 Every 这样在前沿探索的组织，今天在做的事三年后所有人都会在做。

Dan 对此有一个明确结论：GPT 封装器（GPT Wrappers）是好东西，值得做，它们被毫无道理地贬低了。大家没有理解它们的价值所在。

"啜饮种子轮"：一种创新的融资方式

Every 的融资方式同样独特。Dan 希望建立一个教会人们用技术（尤其是 AI）过上更美好、更有人性生活的机构，既通过内容传递理念，也通过工具帮助实践。为此，他需要在"严肃机构"和"创意游乐场"之间维持张力——既要有持久的影响力，又要保留做奇怪事情的空间和乐趣。

这种理念导致他一直对大量融资保持谨慎。Every 最初只融了 70 万美元的预种子轮，甚至在给投资人的邮件中明确写道："这可能不是一个风险投资级别的生意，你们不应该期望我们再融资。"他们采用了改良版 SAFE 协议，给投资人三年内转为股权的选择权，即使不再融资也能转换。

最新一轮融资是 Dan 称为"啜饮种子轮"（Sip Seed Round）的模式：Reid Hoffman 和 Starting Line VC 承诺最多 200 万美元，但 Every 可以在任何时候按需提取，每次提取按固定估值的 SAFE 执行。这对 Dan 有两个好处：心理上，他知道银行账户归零时还能拿到钱，可以更大胆地承担风险；实践上，团队不会盯着银行账户里的一大笔钱产生"花掉它"的冲动。Reid Hoffman 的哲学立场也与 Dan 一致——他更关心 Every 正在推动的愿景，而非业务规模。

Cora 的全部开发成本——包括两名工程师的薪水——大约只有 30 万美元。这款产品在三年前即使有数十亿美元也无法构建，因为 GPT 还不存在；而现在两个工程师就能完成过去需要二十人团队的产出。Dan 认为 VC 行业尚未完全适应这种成本结构的剧变。

咨询业务：教企业成为 AI 优先

Every 的咨询业务源于自然需求：大量公司看到 Every 的内容后，主动请求上门培训。这个业务虽然起步不到一年，但营收已达百万美元级别，预计今年翻倍。

流程分为四步：

1. 调研：深入研究客户组织，了解各团队在做什么、哪些是重复性任务。
2. 报告：呈现发现结果，同时提供一个聊天机器人，让客户可以用自然语言查询所有访谈记录并自行提取洞察。还有仪表板展示各团队的 AI 投入程度和潜在杠杆。
3. 培训：为每个团队定制四周年培训（每周一小时），提供该团队具体场景下的精确提示词和使用方法。Dan 观察到，公司员工中大约 10% 是早期采用者、10% 坚决不用、80% 是"告诉我怎么在我的工作中用，我就用"——定制化培训正是为这 80% 设计的。
4. 自动化：培训之后，往往还会帮助客户构建 AI 自动化工作流。

Dan 发现，判断一家公司能否成功采用 AI 的第一预测指标是：CEO 是否在使用 ChatGPT（或其他聊天机器人）。如果 CEO 亲身体验、充满热情，整个组织就会跟进；如果 CEO 觉得"这是别人的事"，要么团队得不到自上而下的推动，要么 CEO 对 AI 能力毫无直觉，抱有不切实际的期望，最终失望。

以对冲基金 Walleye 为例——这是一家管理百亿美元的机构。CEO 在发给全员的那封"我们是 AI 优先公司"的邮件中写道："这封邮件是我用 ChatGPT 写的，你们也应该这样做。"这就是以身作则。此外，他们还每周举办分享会，让员工展示提示词和用例；每周发送全公司邮件，公布 ChatGPT 使用统计数据和贡献新提示词的员工名单。核心策略是：找到那 10% 的早期采用者，给他们舞台和激励，他们的学习成果会自然辐射到其余 90%。

目前，Dan 在客户中观察到的主要影响不是裁员，而是"同样的人做了更多的事"——在相同预算下走得更远更快。他也看到一些朋友圈中的案例：用少量美国员工替代海外呼叫中心，但这不是 Every 服务的方向。

分配经济：从知识工作者到模型管理者

Dan 的核心理论框架是"分配经济"（Allocation Economy）。这篇文章写于两年半前，当时连代理（Agent）都还不在讨论范围内。Dan 的方法是从自身的日常使用体验出发，推断哪些技能会变得更有价值。

他注意到，使用 GPT-3/4 时，自己大部分时间花在：如何沟通问题、如何为模型收集和组织正确的信息、如何选择合适的模型、如何拆分任务分配给不同模型、如何给出反馈、如何建立愿景和评判标准——这些全部是管理技能。一旦这个认知到位，许多困惑就迎刃而解了。"我无法信任 AI 能做好，所以我自己做"——这正是每个新手管理者的困境。管理的本质就是学会何时微操、何时放权、如何拆分任务、如何建立信任。

Dan 强调，评估人才、愿景、品味、以及何时深入细节——这些管理技能在 AI 时代将成为通用技能。目前管理技能分布不广，因为管理成本高昂——只有 8% 的劳动力是管理者。当管理 AI 变得几乎免费时，更多人将需要掌握这些能力。

通用型人才的回归

Dan 认为，AI 时代通用型人才（Generalist）将重新崛起。他承认自己可能因为就是通用型人才而带有偏见，但论据来自历史。古希腊雅典是一个通用主义文明——每位公民都可能是战士、法官、陪审员、将军。但当雅典成为帝国后，需要派将军远征西西里时，专业化变得必要，通用主义逐渐瓦解。亚当·斯密的制针工厂进一步确立了专业化分工的效率优势。

但 AI 改变了这个逻辑。你可以把 AI 想象成口袋里装着一万个博士——它了解人类知识的每一个分支、每一种艺术形式、每一种制造方式。你不再需要花十年成为某个狭窄领域的专家，因为 AI 随时可以为你提供专业深度的支持。这让通用型人才可以在更多领域之间自由跳跃。Every 能以 15 人的规模维持运营，正是因为每个人都保持通用——同一天里，Dan 可以写代码、做视频、画图、写文章，ChatGPT 始终伴随左右。

Dan 设想，这种模式可能从 Every 这样的小型组织向外扩散：不再需要庞大的科层制企业让每个人做一个螺丝钉，而是更多的小型组织，由更多通用型人才组成。这实际上是一种更符合人性的工作方式——做一个全面发展的人，本来就很酷。

闪电问答

推荐的书籍：托尔斯泰的《战争与和平》（Dan 读了三遍）；作为托尔斯泰入门可先读《伊凡·伊里奇之死》；George Saunders 的《雨中池塘游泳》，这是俄罗斯短篇小说集，同时是关于写作的书。Dan 特别喜欢俄罗斯文学，因为许多俄国作家都在处理技术对传统生活方式的冲击，处于浪漫主义和理性主义之间的有趣张力中。《安娜·卡列尼娜》中列文与农民一起割草的场景，正是托尔斯泰在思考"不做追求效率的贵族，而是做一个拿着镰刀的普通人是否更幸福"。另一本是 Iain McGilchrist 的《主人与使者》，关于大脑两个半球如何看待现实，与 AI 问题也密切相关。

推荐的影视：《朽木》（Deadwood）。Dan 认为编剧 David Milch 是国宝级人物。这部剧的核心主题是"秩序如何从混沌中涌现"——一个没有法律的前沿小镇，到第三季已经发展出市长、工业和完整的市政体系。Dan 看到西部前沿与技术前沿之间的大量平行。

推荐的产品：Granola——Dan 唯一的抱怨是希望能有 API 导出所有笔记。

人生座右铭：Dan 先问了 ChatGPT，它回答说"Witness deeply, build bravely"（深刻见证，勇敢构建），但这反而让他想起了真正想说的话——老普林尼的名言："做值得书写的事，写值得阅读的事"（Do things worth writing about, and write things worth reading）。Dan 补充说，ChatGPT 没有直接给出答案，但启发了答案——这恰恰就是他使用 AI 的方式。

回归写作：找到自己的独特形状

Dan 分享了一段个人经历。在 Every 早期，业务因为他的写作而增长良好，但他一度停止写作——因为他没有见过成功的"写作者兼企业家"的先例，内心深处不敢承认自己真正想做的是写作。他试图按"标准创业公司"的模式运营：创始人写第一版产品，然后雇佣别人来做。但媒体业务与科技创业公司的模式完全相反——创始人是核心产品，停下来增长就会停滞。三年间业务增长平平，Dan 也很不快乐。

转折点是他在 ChatGPT 中提问："有没有写作者创办企业的先例？"ChatGPT 列出了一系列例子：Joel Spolsky（Trello 和 Stack Overflow 的创始人）、Jason Fried、Sam Harris（播客主理人+冥想应用）、Bill Simmons（播客主理人+The Ringer，以数亿美元卖给 Spotify）。这些模式并非典型的硅谷路径，但它们是真实存在的。

Dan 重新将写作放在中心，不再为此道歉。他发现，每次他顺从内心那个"最隐秘的渴望"，业务反而更好。他总结道：每天做一件你不太喜欢的事，有一个巨大的隐形税；而顺从那些隐秘渴望，你会找到一种适合自己的工作和商业形状——它一定与别人不同，但正是这种独特性，比简单地模仿"公司应该长什么样"更有可能成功，也更适合生活。