Last night, I joined Yu Yi and Wang Wei at @geekpark to discuss the rise of Forward Deployed Engineers. Here’s my take: FDEs are booming not because models are still too weak, but because they’re finally strong enough. (Stronger than enterprise can imagine) We used to think AI couldn’t make its way into enterprises because the intelligence wasn’t there yet. Now it’s becoming clear that the bottleneck has moved—from “can the model do the work?” to “does the organization know how to let it?” Giving a company a model or an API doesn’t automatically create value. How roles are designed, how humans and agents divide the work, how permissions are granted, how workflows are rebuilt, and how learnings are retained—these are what determine whether AI can truly become part of the business. So to me, FDE is neither on-site outsourcing nor simply helping customers install a product. It is a process of discovering the best organizational practices of the AI era together with customers, then encoding those practices back into the product and the agent team. The best FDE practice shouldn’t grow linearly with every new customer. After each deployment, the next one should require fewer people—until the agent system can handle most of the deployment and evolution itself. Model companies are creating intelligence. We want to turn intelligence into an organization. In a sense, this is what we mean by accelerating AGI’s transition into organizational intelligence.

we're launching BUZZ! a new groupchat platform for teams of people and agents of all sizes, built to reduce our dependency on slack and github. model-agnostic, decentralized, self-sovereign, and open source. 🐝

分享一个我最近整理的AI公司研究库：Oh My AI Company。 bb-browser 被收购之后，作为 co-founder，我有一项很重要、也很耗时间的工作，就是持续跟进市场方向：新的产品形态在往哪里发展，哪些技术正在成熟，企业真正愿意为什么付费，谁在融资、谁在增长，以及哪些公司是竞品、哪些只是相邻方向。 过去这些信息主要来自 X、微信公众号、公司博客和日常 feed。每看到一家有意思的公司，我都要自己做大量 deep research。这个方式能看得深，但受限于个人时间，很难持续覆盖足够大的市场范围。 所以我开始思考，能不能让 agent 接手其中一部分工作。 慢慢地，这套过程形成了一个 research loop：输入一家新公司、一条融资消息、一个投资人或产品线索，agent 会继续沿着产品、创始人、融资与投资机构、技术和 docs、流量与 GTM、社区反馈、竞品关系等方向展开。最终输出的不是一篇孤立的报告，而是一张可以继续生长的小型市场地图。 随着调研量增加，我们又遇到了新的问题：这些公司、人物、来源和判断如果只是散落在聊天记录或 Markdown 里，下一轮仍然很难复用。 Memex 也是在这个过程中开发出来的。我们需要的不只是一个笔记工具，而是一套可以让人和 agent 共同维护长期研究记忆的基础设施：用结构化对象保存公司、人物和来源，用 Markdown 保留可读的研究正文，再通过图谱关系把它们连接起来。 这个库里还有一类外面比较少见的数据：Similarweb 流量分析。 我并不是用它简单比较哪个公司流量更大，而是用第三方流量信号辅助判断： 一个产品是否已经形成真实访问规模，还是只有融资和 PR 声量； 增长来自 SEO、投放、社区、LinkedIn、Product Hunt，还是媒体传播； 用户在搜索品牌名、具体需求，还是竞争产品； 看起来相似的公司，究竟是直接竞品、相邻产品，还是受众重合带来的噪声。 例如，我们最初想判断 Viktor 的增长是否主要来自融资 PR。流量结构显示，它更像是 PR、搜索、社交、付费投放共同推动的启动，而且大量官网访问继续进入产品 App，并不只是内容曝光。 再比如 Browserbase、Hyperbrowser 和 Browserless，表面上都属于 browser execution，但结合流量来源、搜索词、GitHub、Docs 和社区信号后，可以进一步区分出开发者 agent infra、早期开发者 GTM，以及更成熟的 scraping/browser automation infrastructure。它们不能简单放进同一个竞品桶里。 Similarweb 当然只是第三方估算，更适合观察量级、结构和趋势，不能代替官方数据或一手用户验证。所以库里也会把流量数据与官网、文档、GitHub、融资报道和社区讨论交叉验证。 积累到现在，AI Company Atlas 已经整理了： 75 家 AI 公司和产品 75 位投资人或投资机构 111 位创始人、投资人、记者和关键从业者 227 个持续跟踪入口 重点覆盖 AI 产品、AI infra、企业 Agent、Browser/Agent Infra 和垂直 AI。 它不是公司排行榜，也不是几篇一次性的行业报告，更像一张持续更新的 market map。 我还会继续更新。如果有人也在做 AI 产品、Agent 或相关研究，可以直接拿去使用。发现信息错误，或者有值得继续跟进的公司，也欢迎告诉我或直接提 Issue / PR。

分享一个我最近整理的AI公司研究库：Oh My AI Company。 bb-browser 被收购之后，作为 co-founder，我有一项很重要、也很耗时间的工作，就是持续跟进市场方向：新的产品形态在往哪里发展，哪些技术正在成熟，企业真正愿意为什么付费，谁在融资、谁在增长，以及哪些公司是竞品、哪些只是相邻方向。 过去这些信息主要来自 X、微信公众号、公司博客和日常 feed。每看到一家有意思的公司，我都要自己做大量 deep research。这个方式能看得深，但受限于个人时间，很难持续覆盖足够大的市场范围。 所以我开始思考，能不能让 agent 接手其中一部分工作。 慢慢地，这套过程形成了一个 research loop：输入一家新公司、一条融资消息、一个投资人或产品线索，agent 会继续沿着产品、创始人、融资与投资机构、技术和 docs、流量与 GTM、社区反馈、竞品关系等方向展开。最终输出的不是一篇孤立的报告，而是一张可以继续生长的小型市场地图。 随着调研量增加，我们又遇到了新的问题：这些公司、人物、来源和判断如果只是散落在聊天记录或 Markdown 里，下一轮仍然很难复用。 Memex 也是在这个过程中开发出来的。我们需要的不只是一个笔记工具，而是一套可以让人和 agent 共同维护长期研究记忆的基础设施：用结构化对象保存公司、人物和来源，用 Markdown 保留可读的研究正文，再通过图谱关系把它们连接起来。 这个库里还有一类外面比较少见的数据：Similarweb 流量分析。 我并不是用它简单比较哪个公司流量更大，而是用第三方流量信号辅助判断： 一个产品是否已经形成真实访问规模，还是只有融资和 PR 声量； 增长来自 SEO、投放、社区、LinkedIn、Product Hunt，还是媒体传播； 用户在搜索品牌名、具体需求，还是竞争产品； 看起来相似的公司，究竟是直接竞品、相邻产品，还是受众重合带来的噪声。 例如，我们最初想判断 Viktor 的增长是否主要来自融资 PR。流量结构显示，它更像是 PR、搜索、社交、付费投放共同推动的启动，而且大量官网访问继续进入产品 App，并不只是内容曝光。 再比如 Browserbase、Hyperbrowser 和 Browserless，表面上都属于 browser execution，但结合流量来源、搜索词、GitHub、Docs 和社区信号后，可以进一步区分出开发者 agent infra、早期开发者 GTM，以及更成熟的 scraping/browser automation infrastructure。它们不能简单放进同一个竞品桶里。 Similarweb 当然只是第三方估算，更适合观察量级、结构和趋势，不能代替官方数据或一手用户验证。所以库里也会把流量数据与官网、文档、GitHub、融资报道和社区讨论交叉验证。 积累到现在，AI Company Atlas 已经整理了： 75 家 AI 公司和产品 75 位投资人或投资机构 111 位创始人、投资人、记者和关键从业者 227 个持续跟踪入口 重点覆盖 AI 产品、AI infra、企业 Agent、Browser/Agent Infra 和垂直 AI。 它不是公司排行榜，也不是几篇一次性的行业报告，更像一张持续更新的 market map。 我还会继续更新。如果有人也在做 AI 产品、Agent 或相关研究，可以直接拿去使用。发现信息错误，或者有值得继续跟进的公司，也欢迎告诉我或直接提 Issue / PR。

昨天和微软的朋友聊AI employee，讨论到了数字分身。我自己的看法，数字分身可以是AI employee的一部分，但不能完全等价。当一个事情，足以改变就有的生产方式，组织结构，才能够称上革命。按照现在组织架构给每个岗位构建数字分身。显然是被当下给局限了。 真正要做的是，在智力和执行力被充足供应的情况下，思考有无新的岗位，为新的优质生产力设计工作流。

刚在路上脑子又在回顾这次经历。吐槽大师还有一个意义，除了见识到了流量，也对流量的转化有一个直接认知。当时一天消耗非常大，但是转化到 app 进行付费后，很快就把成本给兜回来了，并且还有长期的转化。这对 manus 敢如此大胆地烧钱，不无关系。