對話 Seede AI：幫人類創作只是第一步，我們想幫人類理解 Agent 產出的內容

上線一年后，Seede AI 推出了他們的海外版產品 Veeso AI，主打把原始素材轉化成可交付的設計稿。

與 Lovart 這種面向懂設計的人群的產品相比，Seede AI 更容易上手，面對的人群也更大眾一些，比如一家書店想做個小活動的海報、一家二線城市的醫院想張貼個宣傳告示、或者是一家健身房想在公眾號里放一張會員招募活動海報等等，他們可以不用去研究配色、搭配，只需要找到一張他們喜歡的模版，放上自己的原素材，2 到 3 次對話，一張可交付的設計稿就出來了。

門檻足夠低，但因為使用了各家 SOTA 模型，上限也足夠好。

創始人 Longyi 早年在美團負責系統架構的工作，甚至從零手搓了一個美團內部版的「Vercel」。后來加入了創業公司 Dora AI——「面向建站領域的 Figma」，在 GPT-4 出來后意識到，傳統的無代碼架構，不徹底轉向 AI-Native 是沒救的。

這才有了現在的 Seede AI，單人 2 個月開發出產品的雛形、依靠微信轉賬驗證了產品的 PMF。

有技術有洞察，產品有用戶，并且已經跑通了 PMF，一步一步朝著更大的目標前進。

也許 FOMO，但目標很堅定。「設計工具的本質是幫人類創作，而 Seede 最終想做的是幫人類理解 Agent 產出的內容。」

人類理解世界的方式是視覺。當 Agent 成為信息的生產者，誰來幫人類『看懂』這些信息？Seede AI 想做這個嘗試。

在海外版產品上線之際，我們跟 Longyi 聊了聊，想知道一款面向大眾的 AI 設計產品，應該怎么做，又打算如何走。

產品官網：https://seede.ai

??關注 Founder Park，最及時最干貨的創業分享

超 22000 人的「AI 產品市集」社群！不錯過每一款有價值的 AI 應用。

邀請從業者、開發人員和創業者，飛書掃碼加群：

進群后，你有機會得到：

• 最新、最值得關注的 AI 新品資訊；
  

• 不定期贈送熱門新品的邀請碼、會員碼；
  

• 最精準的 AI 產品曝光渠道

01單人 2 個月搓出 Seede，并且跑通了 MVP

Founder Park：介紹下過往的創業經歷？為什么決定出來創業？

Longyi：我的經歷相對比較特別。大二就直接出來實習了，一開始在百詞斬和掘金實習，發現實戰學到的東西遠比學校多，期間自己做的一個開源項目攢了一萬六千多 Star，大四我就索性退學了。在得到一個剛孵化的業務里歷練過之后，想去更大的平臺看看，于是 2017 年我加入了美團。

在美團的四年（2017-2021），是我在底層架構和復雜系統上真正脫胎換骨的階段。當時我負責團隊的「掃碼支付」業務，做架構設計不僅要扛住千萬量級的并發，還要解決真實場景里的痛點——比如很多用戶在網絡環境不好的時候打開頁面慢，我們就專門定制了一套緩存加速方案。

到了 18 年，Serverless 理念開始進入實用化階段。我發現我們的前端團隊在做業務時，很多邏輯其實放在服務端更好，但如果讓前端去寫 Node.js、Python 或 Java，那一整套運維部署又超級麻煩。為了解決這個痛點，我花了幾個月時間，從零手搓了一個美團內部版的「Vercel」。這段經歷讓我不僅在復雜前端架構上有了沉淀，還深度切入了后端分布式計算領域。到 21 年，我覺得在大廠能做的挑戰我都做過了，開始渴望真正的創業。

21 年剛好有一個絕佳的機會，我作為前五號核心成員加入了出海創企 Dora AI。最初，我們花了一年半時間死磕了一個「面向建站領域的 Figma」，產品上線后順利積累了五六十萬用戶。但到了 22 年底 ChatGPT 爆發，團隊意識到：生成式 AI 絕對會顛覆現有的無代碼產品形態。我們迅速在 23 年轉向 AI 化，靠著「一句話提示詞生成網站」的超前理念，直接拿下了 Product Hunt 月榜第一，在 X 等平臺徹底出圈，幾個月內引爆了近 100 萬新增用戶。

但那波爆發背后，也讓我看清了技術路線的局限。當時的基模能力（只有 GPT-4）還不足以支撐真正的 AI-Native，我們只能靠硬核工程去彌補——利用 Diffusion 生成設計稿，再手搓復雜的 AI Pipeline，串聯 YOLO、SAM 等多個模型，花了六七個月才勉強把生成的豐富內容還原到無代碼編輯器中。雖然效果不錯，也有人付費，但我發現，只要底層依然是傳統的「無代碼架構」，用戶后續的人工操作門檻就依然很高，這是一種范式上的落后。

所以我意識到，不徹底轉向 AI-Native 是沒救的。24 年下半年，我決定出來自己做，完全圍繞 AI 生成能力設計了 Seede AI。

Founder Park：選擇出來單干，為什么會選擇設計或者海報設計方向？

Longyi：我一直很關注這個領域。從大廠出來做的上一個產品，就是因為對「所見即所得」的設計工具非常感興趣。很早我就開始用 PS、Canva、Figma、Sketch 了，雖然不是專業設計師，但對這類產品天然感興趣，這類產品通過簡單的拖拉拽，能讓小白完成設計作品。

24 年我看到，傳統工具似乎都可以通過 AI 變得更易用、門檻更低，就考慮出來做。當時我也評估過，有了之前的架構經驗結合 AI，稍微努力一下，兩三個月就能搭出來 MVP，可以快速測試有沒有人買單。走了一個相對短的研發周期，盡量快地拿到反饋。后來拿到了正反饋，所以就在持續做。

Founder Park：初期階段怎么驗證 PMF 的？

Longyi：借助 Cursor，加上過去在美團積累的架構底子，Dora 十個人花了一年半，Seede 我一個人花兩三個月就做出來了。因為產品極度依賴大模型，我非常看重商業化驗證，早期甚至沒寫支付系統，就直接貼了個人微信，誰要買積分就加我詳聊。其實那時候并不是想收錢，只是想看看究竟哪些人在用、愿意付錢。愿意付錢才會掃我，正好能跟他聊聊，然后送積分。到了 3 月份左右，每天都有不少人加我，看到挺強的付費信號，我才去把公司和支付系統搞出來。

當然，Seede 的工程成本還是高的，持續迭代了快一年，工程細節非常多。另外，要打造面向大眾的產品，交互細節也多，比如「復制粘貼」該出現在哪兒，都有講究。

02Seede：一句話，把你的想法變成可交付的設計稿

Founder Park：如果用兩句話來介紹產品，會怎么說？

Longyi：Seede AI 可以把你的想法變成可交付的設計稿。你提一個設計需求，Seede 就會在畫布中生成一個包含版式、文字、圖像的可編輯設計。并且我們可以保證，這個作品可以直接用于交付發布、投放或者打印。

Founder Park：這里說的「設計稿」是指？比如長海報之類的？

Longyi：不只是海報。「可交付」這個點上，我們和普通文生圖有區別。

我們內部的定義是，首先尺寸正確，邊距、字體都是 OK 的；其次，信息清晰可讀，我們通過 AI 的 Coding 能力，把層級、對比等專業排版知識應用進去，讓內容組織得層次清晰；另外，用戶會有品牌訴求，比如顏色、Logo 位置，這些都可以在結構化設計稿里有很好的呈現。這些都通過 AI 搞定，最后可以直接導出使用。

這個過程減掉了一個很重要的環節，就是設計代理。比如原來得依賴專業設計師，或者去打印店、淘寶店反復溝通，等很長時間。但 Seede 可以完成整個設計閉環，從提需求到拿結果，進度自己把控。很多用戶反饋，用了產品后發現，原來找的美工反復說都聽不懂，但 AI 能很好地理解他的意思。

Founder Park：怎么定義「可交付」？

Longyi：第一，很多人用 Midjourney 做圖，會發現生成的圖整體不錯，但關鍵信息漏掉了，或者文字模糊。如果海報里的關鍵信息不可控、改不對，他就覺得發不出去，不能用。

第二，交付設計稿不光是「抽卡」生成一張圖，還要能沿著同一種風格把東西都搞出來。舉個例子，會議嘉賓的名牌，如果用 Nano Banana 來做，每個嘉賓的圖除了名字不一樣，其他地方可能也變了。但是對于我們的結構化設計，這一點就很有優勢。

Founder Park：是不是意味著「可交付」也需要提供固定、可復用的能力？就像剛才說的嘉賓圖，我可能要做 30 個，每次都得保證它們是一樣的，同一個設計稿要頻繁來用。

Longyi：對。重復使用是一個很重要的點。另外就是系列圖，雖然每一個不一樣，但要延續某種關鍵的風格或版式。比如做會議海報，頁腳得統一。這種延續性很關鍵。一個良好的結構，就是延續多種產物、對模型非常友好的上下文。

03Nano Banana 會賦能我，而不是顛覆我

Founder Park：以前做產品，圖片生成模型連文字都生成不好，所以代碼生成是更好的選擇。但 Nano Banana 出現之后，你還會這么想嗎？

Longyi：我們很早也接入了 Nano Banana。它的能力確實讓人興奮，但恰恰是它的出現，讓我們更清楚地看到：端到端生成和代碼結構化生成，解決的是兩個完全不同的問題。

端到端生成的魅力在于「快」——你給一句話，它給你一張圖。但代價是「黑盒」——你拿到的是像素，是素材，不是結構。想改個標題？想換個顏色？重新生成。你對結果沒有掌控權。

而代碼生成的本質，是讓模型「理解視覺」而不是「模仿視覺」。當模型用代碼回應你的需求時，它在說：「我理解了什么是標題、什么是重點、什么是視覺引導——現在我把我的理解寫成結構，你可以檢查、修改。」

所以我們的定位很清楚：Nano Banana 是非常強的端到端素材生成器，負責底圖、氛圍、視覺沖擊力。而 Seede 是那個「容器」——把 Nano Banana 生成的素材，與標題、價格、結構化信息組織在一起，變成一個用戶真正可編輯、可交付的設計。

端到端生成的是「素材」，代碼生成的是「方案」。前者交付像素，后者交付掌控權。

至于這個容器里，有多少來自端到端模型、多少來自代碼，對用戶不重要。我們只關心一件事：幫小白用戶或沒時間做設計的人，做出專業級的可交付設計。

Founder Park：不管怎么樣，最終這些都是你們能力的一部分。下面的素材生成能力越強，我給用戶的交付就越好。你們賭的不是模型本身，就像ChatGPT在創作和代碼上都很強，但最終出圈的產品，還是要在這個模型基礎上做工程化和產品包裝。

Longyi：對。模型是引擎，我們是產品經理——同樣是電動機加螺旋槳，可以造電風扇，也可以造電動飛機，取決于你理解用戶的真實需求。

Token 成本意味著 AI 產品的成本結構和傳統互聯網完全不一樣。

傳統產品用戶用多少次，邊際成本都趨近于零。但 AI 產品不一樣——每一次生成都在消耗真金白銀。我們非常關注 Token Efficiency，不只是技術優化，而是商業模式的起點。

Seede 用結構化數據生成視覺，同樣的算力成本，信息密度是端到端生成的 10 倍以上。當你要規模化服務大眾用戶時，這個差距會從「技術優勢」變成「競爭優勢」。

再說一個觀察：大眾用戶很少直接用大廠的第一方產品——因為大廠在做模型的「說明書」，而不是用戶的「工具」。NotebookLM 這種特例太少了。

AI 應用的滲透才剛剛開始。最近很多嘗試過 OpenClaw 的用戶就是 AI 先行者，有很多吐槽「養不起」。這個階段，我們要做的不是跟模型賽跑，而是用模型的能力，去高效率服務那些還沒被真正服務好的大眾用戶。

04AI 時代，上下文即模板

Founder Park：你們當時覺得產品的競品是誰？現在呢？

Longyi：如果一定要找一個符號來類比，可能是 Canva——不是因為我們想做同樣的東西，而是因為它在「讓普通人能做設計」這件事上，建立了一個時代的認知。我們思考的維度在變。

Canva 的偉大之處在于「模板化設計」——用專業人士沉淀的模板，讓小白用戶也能做設計。但模板的本質是靜態的上下文預置，匹配度最多 60-70%。

而 AI 讓上下文流動起來。當用戶說清場景和訴求，AI 能像設計師一樣思考，把匹配度提到 90% 以上。

但更重要的是，這個變化指向一個更大的未來：Canva 時代是為「人類生產內容」設計的，AI 時代是為「Agent 生產、人類消費」設計的。

今天，越來越多信息來自 Agent 而非人手。誰來把它們變好看？誰來理解它們要出現在什么場景？

這就是 Seede 要做的事——不是又一個工具，而是一個理解場景的界面層。一端接入 Agent 輸出的任何信息，一端輸出人類可本能理解的視覺語言。

Canva 擁有巨大的模板數量，但是我們在探索場景理解。它服務「人找模板」的時代，我們服務「Agent 生成、場景呈現」的時代。

生成式模式替代傳統模板，不是工具的迭代，是時代的更替。

Founder Park：模板之所以流行，是因為用戶的審美不夠或者表達能力不夠。審美不夠可能是 AI 可以解決的，但表達不夠這個問題，如果沒有模板了，這個問題解決了嗎？

Longyi：這里的關鍵是理解一件事：在 AI 時代，「模板」的定義變了。

過去，模板是骨架——一個固定的版式，你往里填內容。它的確解決了表達不夠的問題，因為用戶只需要「找到對的」然后「填空」。

但在 AI 時代，上下文即模板。

第一，AI 本身有足夠強的設計語料。設計領域數據豐富，即使用戶表達得模糊，模型也能憑借泛化能力匹配出超出預期的結果——你給個大概方向，它比你更懂怎么落地。

第二，很多用戶確實沒想清楚自己要什么。所以我們會延續「模板」這個概念，因為這是當前這一代人的基礎認知。但這里的模板不再是固定骨架，而是可 Remix 的上下文。

比如一個餐廳老板看到競對的風格，可以拍下來發給 AI：「參考這個，幫我生成我家的。」他不需要描述「什么是工業風、什么是暖色調」，一張圖就是他的模板。

我們也在鼓勵用戶分享作品，沉淀的不是傳統模板，而是設計過程中的關鍵上下文——就像是 Skills。我們認為所有東西都可以 Remix：你想要麥當勞的結構，配奈雪的色調，AI 能理解并組合。

所以模板沒有消失，它從固定的版式進化成了流動的上下文。從「人找模板」變成「AI 理解模板」。

Founder Park：如果 Canva 做 AI，對你們沖擊大嗎？

Longyi：沖擊肯定會有。但如果 Canva 重構底層架構來做 AI，反而證明我們的方向是對的。

但更根本的區別是：我們不是「加了 AI 的設計工具」，而是 Agent to Human 時代的視覺界面。

Canva 再怎么變，核心依然是「幫人做設計」。而 Seede 是一個界面層——一端連接 Agent 輸出的信息，一端輸出人類可讀的視覺語言。當未來內容由 Agent 生產、由人類消費，中間需要這層「呈現層」。這是兩個時代的區別。

回到競爭：設計領域足夠分散，巨頭不可能全面壟斷。我們的策略是瞄準具體場景，用用戶反饋循環打磨產品——觀察高頻需求，深挖真實痛點，讓用戶愿意付費、愿意反饋，認知就越滾越深。

只要這個循環在，我們就能從小到大。等巨頭轉過彎來，我們已經跑遠了。

未來 Seede 可以不只是圖文生成產品。當代碼描述的如果是內容結構，那它其實可以被渲染成任意形態：圖、H5、視頻、應用……當模型生成多模態內容的速度不斷加快，Seede 就能支持實時、可交互的內容生成，而這已經是非常可見的未來了。

Founder Park：Canva 過往的數據積累沒用嗎？范式轉換后，在舊范式下收集的數據，對于做一個 AI-Native 產品幫助沒那么大？

Longyi：對，產品架構不一樣。一個是產品優化循環，一個是數據優化循環。數據這部分確實不行。用戶選哪個模板、填什么內容，可能只有一點點用，但這數據怎么和模型能力做對齊？這里有很大 gap。而我們積累的數據是模型生成的結果、用戶對結果做了微調得到的最終產物。這部分數據對模型來說，是高質量的增量數據。

Founder Park：舉個極端的例子，如果 Canva 或者 PS 照抄你們的產品，你覺得威脅大嗎？

Longyi：巨頭本來就有這類產品，Canva 的 Magic Studio 也迭代一兩次了。但 AI-Native 產品有一個關鍵點，巨頭的成本模型不對齊。傳統 SaaS 和 AI-Native 的成本模型完全不同。以 Canva 的營收規模，很難把 AI 產品作為核心業務放出來。它原來只收 10 美金訂閱費，絕對不希望大家都用 AI，因為這會導致毛利率從 95% 掉到 50% 甚至更低，營收受損太嚴重。巨頭要等 AI 產品能占到核心營收的大頭，才會給予同等量級的定位。他們也在內部不斷做嘗試，比如 Canva 就招募了一個在 AI Coding 設計方向很牛的人。

至于其他公司，其實已經有產品在像素級抄襲我們了。連我沒想明白的核心邏輯、UI 結構全抄了一遍，甚至連我想砍掉的功能都抄過去了。結果他剛抄完，我們新版本迭代就把那些部分砍掉了。

Founder Park：換個角度，如果你站在 Canva 的角度，你會怎么選？

Longyi：我當然是等一個足夠亮眼的新產品跑起來后再去做，讓他們先探索，到一定量級再去收購。

Founder Park：內部轉型的壓力確實比收購大多了。

Longyi：對。比如 Canva 市值兩三百億美金，如果有公司很快做到四五十億，可能就像 Meta 收購 Instagram，內部孵化不一定成，不如直接買。對于 Adobe，Adobe 在狙擊 Figma 和 Canva 上做了很多嘗試。Figma 火了之后，Adobe 也很快跟進，出了他們的產品叫 Adobe XD，做 UI 原型設計，價格上更像 Figma。但他們做的那個差距就很尷尬，后來好像已經直接廢棄了，所以后來才去收購 Figma，但又被反壟斷調查了。

05首次付費的關鍵是降低上手門檻

Founder Park：用戶畫像大概是什么樣的？Seede 的人群更大眾，離 AI 重度用戶遠一些？

Longyi：我們關注的用戶主要是內容創作者、小商家運營、海外電商，還有自媒體或創業者。目前 90% 收入來自 C 端。主要場景是社交媒體、廣告營銷以及活動海報。

心智上，我們的用戶一方面是接受新鮮事物的年輕人，另一波是中年人，門檻足夠低讓他們也能做。用戶中位數在 30 歲左右。

還有一部分學生，學生群體跟 Canva 一樣，對我們的未來發展很有幫助，但對商業化幫助有限，因為同樣的產品，讓學生付錢比較困難。國內大學生生活費有限，如果每月收 99，我大概率也不會買。未來我們也計劃針對教育用戶提供更多免費額度。

Founder Park：長圖、海報、社媒圖片的比例大概是多少？

Longyi：長圖挺多，占 40% 左右；活動海報和社媒各占 20% 多；PPT 最近用的人也挺多，占比 10%。剩下就是易拉寶、展板這種線下物料。

Founder Park：畫布形態對于你們的目標用戶有門檻嗎？

Longyi：我覺得現在的設計不算有門檻。為什么做畫布？因為設計領域需要一個東西承載設計空間。畫布是基礎，不一定需要無限畫布。有了畫布，你才能放大看細節，縮小看總體感覺。所以一個可以縮放的空間是必須的。

無限畫布是在這個基礎上組織堆疊更多元素。但考慮到大多數用戶沒用過無限畫布，我們早期雖然引擎是無限的，但只提供簡單的垂直布局，通過上下滑動來交互，這套模式仍然是我們默認的模式。當然，也有不少熟練用戶在用無限畫布模式，方便組織復雜的多頁內容。

無限畫布其實是觸控友好的，但我們 70% 的用戶是 Windows 鍵鼠用戶，所以我們現在讓鍵盤鼠標也可以通過上下滑動輕松控制。對于有經驗的用戶，我們會推薦他用無限畫布。

另外一個有意思的點是，用 iPad 做設計的用戶也有，我們在純觸控設備上也會做一些優化。

Founder Park：默認有限畫布，熟練后輕易切換。

Longyi：對。畫布是所有視覺設計類的基礎載體。我們現在也在把畫布和對話這兩部分進一步融合，把「所見即所得」的理念進一步 AI-Native 化。比如，傳統設計工具的目標是讓你選中元素，去調整屬性。我們的思路是，你選中元素，甚至不用選中，通過 AI 對話的方式，它去幫你調整屬性。

比如一些專業設計師能把字體調得藝術風格非常好，但普通用戶可能就只會加粗、換顏色，調不出來好效果。但 AI 可以理解所有的設計屬性定義，根據用戶的需求組合出一個良好的設計。比如用戶說「我這想要一個火辣的標題」，那它可能會配出來一個比較紅、帶金色火焰風格之類的組合。

Founder Park：怎么判定用戶生成的是「好設計」？

Longyi：其實現在整體還非常主觀。說起來有點好笑，有個馬來西亞華裔用戶用我們產品跟我們交流，說「你們的產品審美很好，非常符合我們這種馬來西亞華人的審美和用戶習慣」。其實我們感覺并沒有做什么特別的設定，但用起來就是感覺挺符合華人審美的。這可能是模型和我們自己團隊審美的一個交叉點。

我們的思路是，在用戶沒有提供風格訴求的情況下，盡量讓用戶采用到我們精心匹配的設計。我們團隊有兩個核心部分，一個是審美，另一個是產品工程。所以我們希望用戶在沒有明確風格預期的情況下，會使用到我們預設的一些比較好的設計。未來我們把用戶社區引入進來，可能在不同的地區、不同的場景，設計會更加本地化。但我們希望，我們平臺至少都要比直接使用基模有更多一些風格傾向。這是一方面是我們的審美的獨特性，另一方面也是和基模保持一定的審美偏差。如果同樣一段提示詞，在 Gemini 生成和在 Seede 生成一模一樣，那我們就沒有特別多獨特價值了。

Founder Park：你們付費流程是怎么優化的，可以詳細說說嗎？

Longyi：我們做得其實很簡單，就是觀測用戶從進入官網、注冊、得到第一個設計作品、到最終導出的全鏈路。早期版本基準就比較高，因為 AI 減掉了上一代產品的搜索填充流程。但我們發現如果把上手門檻進一步降低，整體轉化率還能提高。

核心優化幾個點：第一步是引導用戶知道這個產品能干什么，我們有場景引導，讓用戶快速得到第一印象。在產品層面我們只提供相對簡單的定制，更多是利用模型的 Coding 能力，組織好 Context 讓它生成對應領域的設計。第二步是優化首次生成效果，我們內部叫 One-shot——如果生成出來非常丑或者畫面混亂，用戶直接就走了。

第三是把免費試用從 5 積分提高到了 10 積分。5 積分只能用高級模型生成兩次，10 積分能讓他用高級模型生成 5 次以上，對產品的理解會更深。

如果進一步把付費墻做好，付費率應該還會更高。但是我不希望讓 Seede 這個產品過于商業化，現在還在打磨階段，不希望在商業化上那么激進。因為我們是積分制，不同的設計、素材用量消耗不同。有的用戶用得猛，其實是微虧的。

06關注用戶做了什么，而不是說了什么

Founder Park：現階段對于國內產品，你會看重哪些指標？

Longyi：核心關注付費、激活和留存。留存的話，我們現在的周度和月度留存，在同類工具里是比較頂尖的。

我們有幾個關鍵階段的數據：從生成到導出的流程，包括觀測導出率、導出場景、分辨率和格式。另外我們會算每天新增用戶的 ARPU，去看付費意愿。還有一個很關鍵的指標是錯誤率。

Founder Park：錯誤率怎么判定？是用戶點了「不喜歡」，還是系統出錯了？

Longyi：「不喜歡」這個設計我們早期有，后來砍掉了。之前跟模型團隊交流后發現，像豆包這種 Chatbot，用戶點的「Yes/No」的數據噪聲太大，沒有那么大用處。我們更關注實際的交互。有的設計不錯，用戶點「不滿意」只是個人審美問題。所以我們關注更真實的「導出」行為。

單頁面項目至少得導出一次，我們才知道他可能是真的要采用。復雜項目他會反復做小調整再導出，我們能從這種數據節奏觀測滿意度。還有基礎交互，比如把某些東西反復拖來拖去，我們能推測出他對 AI 結果里哪些地方覺得不夠好。目前我們 90% 的精力都在「One-shot」的優化階段。

Founder Park：One-shot 的優化具體做了哪些事？

Longyi：我們在這件事上投入是最多的，而且持續做了很久，主要拆分成三部分。

第一，最重要的是模型基礎。所有 AI 產品 80% 的效果都歸功于模型，沒有好模型，AI-Native 產品就是空中樓閣。

第二，剩下的部分里，60% 投入在 Context Engineering 上。首先得保證代碼正確，Agent 輸出代碼沒有致命錯誤的概率，我們內部優化后在 99.5% 到 99.8% 左右，當然這也取決于不同模型。

如果它輸出的東西不能被正確地運行，用戶看到的就是空白。所以我們做了幾件事：在 Context 層做一些 Badcase 的驗證，通過評估知道哪些模型容易犯某些可以被修復的小錯誤，然后讓它避免出現。解決不了的部分，我們會在模型生成產物后，用算法去做代碼修復。如果算法也搞不定，比如一些很致命的語法錯誤，我們又會引入一個專門做 Hotfix 的 Agent，去做異常代碼的檢測和修復。我們發現，如果一個模型老犯某個錯誤，你讓它自己去修，大概率也修不好，所以這里也得搞成混合模型的模式。這就基本解決了穩定性。

第三，如何讓它生成的東西好看。我們讓設計師按場景去做了一個內部叫「審美數據庫」的東西，把很多好看的設計做了拆解，把一些通用的部分，比如版式設計、元素風格、配圖風格等維護成了一個庫。最近我們又在參考像 Claude 的模式，把這些進一步抽象成了 Agent 在設計層面的 Skill。也就是說，一個好的模型可能基礎是 60 分，但疊加了我們由設計師精心組織的上下文或者 Skill 之后，整個設計能力能從 60 分提升到 80 分。

Founder Park：上下文工程的核心包括哪些？

Longyi：我們在設計 Memory 概念，包含用戶記憶和項目記憶。通過多次交互，積累用戶的審美傾向。因為我們是無限畫布，也能累積到項目層級的風格。

不過，用戶的 Memory 一直都還沒有上線，我們在海外的新產品 Veeso 上想更好地做一次架構升級，順帶就會把這些加上。Veeso 上的 Context 和 Memory，除了項目級和用戶級的 Memory，我們還全新規劃了一個自研的 Agent。

Agent 運行在瀏覽器中，面向的是我們的設計工具，我們自己全新設計了一個基于文件系統的 Agent Loop，并且為它設計了很多面向設計任務領域的 API，讓 Agent 能夠充分理解到它是在一個無限畫布、一個視覺化的編輯器里工作。這和很多其他領域的 Agent 區別還挺大的。

整體架構上，我們參考了 Claude Code、OpenClaw 的概念，只不過是讓它運行在瀏覽器和編輯器中。上下文最核心的部分，還是我們的設計師調教出來的設計 Skill。至少包含兩部分，一部分是它在這個場景的工作模式，另一部分是一些拆解下來的風格。我們沒有用像 RAG 那種生硬的方式，而是類似 Agentic Search 的模式，讓 Agent 根據用戶的意圖，在我們的設計審美數據庫里面，更加智能化地去做語義搜索和匹配，拿到相關的 Skill，甚至可以做混合。比如做一個會展活動的易拉寶，那它得知道什么是「會展活動」，什么是「易拉寶」，有了這些 Skill 之后才能輸出一個專用于會展活動的、專業的科技風格的易拉寶。

Founder Park：你們會對基模做強化學習嗎？還是核心在工程能力？

Longyi：還是在 Context Engineering 上。這樣不管哪個模型只要能力強，隨時可以拿來用。我們現在應該更多做「模型解耦」，不去基于某個模型做定義、做 fine-tune。我們這種場景，用純外掛式的 Context 就能解決。

Founder Park：也就是說你們不會被任意一個模型綁定，只要有最強的，隨時可以拿來用。

Longyi：對，我們的上下文是跨模型共享的。

07如果回到最初，
第一步就出海

Founder Park：國內這邊，你們前期增長主要來自哪些渠道？之后有什么調整？

Longyi：現在基本沒做增長，主要靠自媒體和口碑。我們的策略是再打磨一下產品，等海外新產品 Veeso 發布后，再讓 Seede 在國內做正常推廣。

我們在 12 月才勉強做了第一次花錢的營銷。市場團隊去跑內容合作流程，找達人、談內容、發視頻、觀測效果。投了 1.5 萬預算，聊了十多個 KOC，效果非常好。我們走更真實的 KOC 路線，因為用戶更偏傳統渠道，可能對技術、對 AI 產品關注都不是那么多，反而是辦公場景、電商運營、學生這些。算下來我們的 ROI 非常好，應該投了 1.5 萬，新增了三四萬的付費收入。

Founder Park：如果國內已經跑通 PMF 且毛利為正，為什么現階段要去鋪海外？

Longyi：做海外有個關鍵點，就是得盡早啟動，產生初步聲量，這個時間點非常關鍵。如果我現在專注國內做大半年再去做海外，這個時間差會讓海外同類產品先觸達關鍵傳播節點，讓大家先入為主。

我們產品有必要盡早面向海外。要進入主流用戶市場，可能得花三四個月甚至更長時間去測試、找曝光渠道，所以得盡快搞定。

如果海外版能達到像國內 Seede AI 一樣，每天都有大量用戶實時反饋，那收入上會有巨大不同。同樣的精力，在國內可能賺 10 萬人民幣，在海外可能是 10 萬美金，甚至可能會更高，匯率和付費意愿都有區別。出于團隊穩步發展考慮，把海外跑通是最高優先級。對于國內，我希望它良性發展，到今年年中，Seede 能通過營收覆蓋國內研發團隊的一部分支出。

Founder Park：在你的規劃里，海外和國內產品在付費模式、設計上有大區別嗎？

Longyi：是的。比如海外我們會切換成訂閱制加 Usage-based 的增量模式，而不是簡單的純積分制。這樣收入更穩定，高頻用戶體驗也更好。國內很多高頻用戶也在問多久出包月或年費。另外在 Agent 架構這塊，我們在新產品上做了新架構，不影響 Seede 已有用戶的體驗。等新架構跑得相對穩定，再放到國內的升級版本上。

它是全新的產品，可以放心大膽改造。可以認為海外版是全新的 2.0 版本，沒有歷史包袱。

Founder Park：如果有機會回到 2025 年初重新開始做 Seede，你會做出哪些不一樣的決策嗎？

Longyi：會。而且這個「如果」我最近確實想過很多次。

我可能會在工程上做好一定的基礎之后，更早、更激進地去做一些市場的東西。作為技術出身的創始人，我的本能是把產品打磨到「足夠完美」再推向市場。但這一年走過來，我們驗證到一個非常亮眼的 PMF——用戶不僅喜歡我們，而且愿意為「掌控權」付費，愿意為「生成即編輯」這種看似反直覺的體驗買單。

如果重來一次，我會更早相信：當你的直覺告訴你這件事是對的，市場的反饋會比你的工程標準更早到來。

Founder Park：會盡快第一步就出海嗎？

Longyi：有可能，可能會更加激進地去做出海。

現在回頭看，視覺語言是沒有國界的。我們做的「內容優先、設計隨行」這件事，本質上是在解決一個全球性問題：當 Agent 開始大規模生成信息，人類怎么「看懂」這些信息？這個問題在中國存在，在美國、歐洲、東南亞同樣存在。

因為人類理解世界的方式是視覺，所以搶占瞳孔的機會窗口是全球同步的。Seede 要做的就是面向全球用戶。海外版 Veeso 的發布，就是我們對這個判斷的回應。

Founder Park： 你希望 Seede 成為一個什么樣的代名詞？

Longyi：我希望我們是第一個面向 Agent to Human 時代的「場景化視覺界面」。

當 Agent 擁有世界上最聰明的大腦，把全世界的信息都挖出來、想清楚了，它最后是怎么給到你的？人類不讀 JSON，不看向量——我們理解世界的方式是視覺。

Seede 不做另一個設計工具，而是一個界面層：一端接入 Agent 輸出的任何信息，一端輸出人類可本能理解的視覺語言。就像 GUI 是人與操作系統的界面，Seede 是人與 Agent 世界的界面。

今天我們能做一部分 Canva、Word、Excel 的事，因為信息本身就是多樣的。但那些工具是為「人類生產內容」的時代設計的，Seede 是為「Agent 生產、人類消費」的新時代而生。

我希望未來人們提到「把信息變好看」的時候，想到的不是某個工具，而是一種格式、一種界面、一種本能——就像今天提到「把文字排整齊」會想到 Word。

我們有機會成為一個新的名詞，或一個新的文檔格式：幫助每個人美化手上的信息，無論它來自哪里，無論它是什么形態。

轉載原創文章請添加微信：founderparker