对话词元无限：字节系团队、数亿元天使轮，ToB Coding、靠FDE 拿下数十家大客户

本文来自微信公众号： Founder Park ，作者：Founder Park，原文标题：《对话词元无限：字节系团队、数亿元天使轮，ToB Coding、靠 FDE 拿下数十家大客户》

词元无限的创业赛道很明确，ToB Coding。

做Coding是因为创始人杨萍之前在字节内部的Coding项目经历，一个好的Coding产品+内部的数据，就能很好在字节内部落地，真正解决问题。

不做To C是因为算不过来账，「每一次Query都会产生成本，使用量越大，账单越大。」她后来甚至劝投资人，不用再投To C的Vibe Coding项目了，它们一定活得不好。

2025年，杨萍离开字节，与清华姚班出身的王伟共同创立词元无限，29天完成数亿元天使轮融资。方向只有一个：All in B端，让Agent进入企业的生产系统，交付可运行、可验证、可审计、可维护的结果。

一年多过去，这家公司服务了近50家大型客户，以金融行业为主。一个客单价千万级的客户，通常只需要一两名FDE对接；乐观预测，今年ARR在8000万到1亿元。杨萍的判断更激进：未来8到18个月，能留在国内这条赛道上的，「有可能只有大厂的一两家，加上我们」。

但他们想要的，是一个更远的位置。「如果讲互联网，大家想到Google。操作系统，想到微软。我们的长期愿景是，当大家讲到Agent应用的时候，想到的就是词元无限。」

以下是Founder Park与词元无限联合创始人兼CEO杨萍、联合创始人兼CTO王伟的对话，经编辑整理。

01

Coding一定有需求，

但C端Coding账单算不平

Founder Park：创业前，你在字节做了7年AI+软件工程。AI Coding这件事，你们是怎么一步步做起来的？

杨萍：我2014年从北航计算机视觉专业毕业，先在英特尔做了4年软件和算法工程师，2018年加入字节。2022年开始全力做AI Coding。当时我们在内部有一个插件产品，虽然只有几十个人在用，每天给我们提需求。

真正的转折点是2023年中DeepSeek Coder开源。在它之上叠加相关代码数据训练了一个版本，效果一下子变得很好。两三周时间，我们把原来那个版本的产品重新迭代起来，之后不到3个月，用户涨到数万人。内部产品能连接飞书文档体系、打通CI/CD和研发流程，对需求和意图的理解更好。有一段时间，大家觉得它比Copilot、Cursor的效果都好。

Founder Park：这个产品后来对外商业化了？

杨萍：2024年四五月，我们的插件和Web IDE外发了，对外推了两周左右，用户量就远超内部的使用量了。

早期为了获客是免费的。但我看到那张账单的时候会想，这种产品长期做下去，收入模式到底是什么？成本怎么分摊出去？我没有得到结论性的答案。

移动互联网时代，免费产品可以把投入换成广告收入，软件一次研发、持续迭代，边际成本可控。大模型时代不一样，每一次Query都会产生成本，算力和芯片又是紧缺资源。使用量越大，账单越大，这种成本结构很难非线性地scale。

Founder Park：所以决定出来做B端，这件事没法在字节内部做吗？

杨萍：到2024年中，我越来越确定，需要用外部独立的方式做企业端Coding Agent。它要完成两个使命，一是把大模型能力从模型侧搬到企业端，二是站在企业视角把商业模式跑正。

直到2025年春节前后，DeepSeek-R1带来了一次能力普及，我觉得时间点合适了。大模型服务软件这件事，值得持续投入，也会带来行业变化。真正开始筹备创业，是2025年二三月份。

Founder Park：组建词元无限时，在To B和To C之间纠结过吗？

杨萍：完全没有。C端没必要创业去做，你不可能在市场营销上投得过字节。更根本的是，我不看好C端的商业模式，过去看到的算力账单太大了，我不觉得它能把账跑正。去年我甚至会劝投资人，不用再投To C的Vibe Coding项目了，它一定活得不好。到今天，这个判断已经被印证了一部分。

02

企业买到的是安全可审计和「数字劳动力」

Founder Park：一句话向客户介绍词元无限，你们会怎么说？

杨萍：长版本是我们的愿景，以无限的词元探索智能边界。我们现阶段不把自己定义成模型技术厂商，更像Token的搬运工和生产力提供者，帮企业指挥好、使用好智能体团队，也帮它们完成组织转型。

如果再短一点：企业里现在所有的软件，都可以交给我们的数字劳动力。

Founder Park：B端客户掏钱，实际买到的是什么？

杨萍：产品形态既有能力很强的单点智能体，也有一整套平台，以标准产品和私有化部署为主，兼顾数据安全与合规。现阶段以旁路嵌入为主，客户原有的软件架构、已接入的AI能力和模型都可以保留。

平台会记录使用轨迹、模型和Token用量。这些Trace一方面帮企业观察过程，另一方面会成为它以后做模型学习和Agent学习的高价值数据。Token的每一段消耗、审计和预测，也都在平台里。

我们要同时照顾三类人，决策者能放心批预算，整个过程清晰、可追溯、可审计；管理者能看到Agent和人的运行情况；终端用户的体验和使用过程也能被记录。

Founder Park：企业怎么验收？怎么证明效率真的提高了？

杨萍：代码智能体有一组过程指标和北极星指标，比如AI生成代码占比、组织消耗了多少Token、产生了多少代码、节省了多少人力，平台会直接提供。

其他智能体更适合按结果评价。以质量智能体为例，线上缺陷逃逸率不能上升、质量指标不能劣化，这是基本Baseline；在这条线之上，再追求经济性，用更少的Token完成更多的事。早期由FDE根据客户目标配置指标，所以我们的计费方式也多样，订阅、通用计费、按结果计费都有。

Founder Park：企业服务很容易陷入定制泥潭。你们怎么控制交付成本？

杨萍：三件事。第一，选相对集中的行业，比如金融和金融软件，行业内共通性强，可以复制。金融代码量大、研发人员多、数字化基础好，最早享受到模型红利。工业的嵌入式场景差异更大，长尾行业起步更晚、空间可能更大，但每个行业都要找到自己的冷启动方式。第二，FDE既要理解大模型的能力边界，也要理解复杂IT架构，能在现场快速判断个性化需求怎么处理。第三，客户用起来后会持续提问题，我们提供增值服务，FDE自己也带着一堆Agent工具。

软件生产这一层的非标程度，其实没有想象中那么高。不同企业用不同的需求管理平台，有的以平台为主，有的平台加本地文档和IM，但我们可以用标准方式连接。所以能以个把FDE的人力，对接千万级的客户。

Founder Park：以银行为例，从第一次接触到落地签单，完整流程是什么样的？

杨萍：银行对数据安全、等保和私有化的要求更高，只卖纯软件决策周期很长，还要走招投标，所以我们典型的方案是软硬一体，GPU、集成和Agent产品打包，目前更关注中小银行和城商行。

一家银行通过官网联系我们，技术型售前通常3个工作日内完成第一次沟通、做技术演示。第二次交流进入解决方案和技术细节，明确私有化部署目标。通常第二周，FDE就进场部署试用，试用2到3周，形成一份集中报告支撑采购决策。从第一次见客户到签单，典型周期是1到2个月。

03

「牌桌上可能只剩大厂一两家，加上我们」

Founder Park：决定做B端Coding时，怎么判断时机？没想过等模型再成熟一点吗？

杨萍：当时就很合适。如果再晚一点，到了所有人都会讲这个故事的时候，它就变成共识了。共识意味着已经被别人验证过，我们得做非共识的事情。

现在回头看，比我们预期的还快。

团队规模，去年8月开始运营时，我们估计年底30个人，只租了一间孵化器小办公室，后来变成了3间。产品规划上，原计划Coding、Chat、Testing按roadmap推进，结果Testing的投入比计划提前。商业化本来预期今年先跑通商业模式、不以收入为主，结果商业pipeline远超预期。

很重要的一个背景是，2025年2月DeepSeek-R1发布之后，资本和产业层对企业级Coding Agent形成了新共识，这也支撑我们很快完成了后面两轮融资。

Founder Park：商业化数据方便分享吗？

杨萍：到现在服务过的客户接近50家，以重点大KA为主，行业集中在金融、金融软件，也有移动通信、新制造和国央企。

通过渠道伙伴接进来的商机量级比较大，激进一点预测，今年Pipeline有希望接近2亿元。但我们现阶段更看重有质量的商业化收入，数字不是唯一考核目标。乐观预测，今年ARR在8000万到1亿元；今年比较稳健的预期，大约是4000万到5000万元。

合同结构很多样：大客户按年度签约，折算到当年可能是千万元级；有些按结果持续计费，形成一两千万元的持续性收入；中小客户是几百万元的订单，还有在飞书上的按次收费。订阅、按人、按年、按次、按结果，我们都在试。

大语言模型的第一个大应用场景——Coding Agent，已经开始形成商业闭环了。我们要跑得更快，以更激进的姿态站稳商业化。未来8到18个月，能留在国内这条赛道上的，有可能只有大厂的一两家，加上我们。

Founder Park：怎么看竞争？大厂下场会怎么影响你们？

杨萍：有竞争，但比想象的乐观。

大厂通常要突出云业务，依托各自的云客户推产品。但还有一大块市场，公有云很难进得足够深，比如金融和金融软件，有些场景即便进去，也只先覆盖外围系统。我们早期融资引入产业方，就是希望保持独立团队的灵活性，同时借产业渠道进入这些客户。

目前在大客户侧，我们遇到的创业公司竞争并不多，偶尔碰到大厂产品，大家还在各自服务自己触达得到的客户，没有进入全面正面竞争。

之前大家的商业化都聚焦在工具订阅，你会看到做工具订阅的AI Coding厂商都活得不太好，停留在工具订阅，最后很容易卷价格。我们提供的是Agent劳动力，市场空间大得多。企业要把大模型真正用起来，还需要独立第三方提供最后一公里的能力。

我们把自己定义为生态友好的AI Native组织：产品可以被模型厂商和硬件厂商集成，也可以帮模型厂商输出Token。因为没有被某一朵云或某一个模型绑定，可选的商业模式就更多。

Founder Park：To C的Coding Agent都在转向通用Agent，对你们有影响吗？

杨萍：值得关注，但不会改变我们的重点。

假如企业要海量用Token、无限制地创建智能体，最难的部分是什么？我们认为还是在Harness和工程层。在企业端做这件事需要长期定力，我们现在看到的非常多产品，两年过后95%以上都会消失。我们要抓住的是不变的东西，企业几十年积累的经验、数据、业务逻辑，以及能让大模型变得更聪明的Agent自我进化能力。

Founder Park：进展比预期快，产品策略和节奏会调整吗？

杨萍：今年的主调还是产品能力。今天的竞争集中在交互入口、模型能力和单任务成功率，但我们认为交互的终局不会停留在IDE或CLI，这种产品形态是过渡态，代码本身也只是中间产物。

企业真正需要的，是把业务需求变成一个可运行、可测试、可审核、可维护的结果，未来智能体作为数字劳动力，也应该围绕这个结果接受考核。

Coding Agent从2023年到现在走过了Copilot、Agent两个阶段，现在处在Agent阶段末期，下一步是Agent Team。但Agent Team还有大量问题没解决：组织协作、度量、治理、自我进化和轨迹学习。企业未来需要很多不同角色的数字劳动力，Coding Agent的终局会升级为智能组织的基础设施。我们现在处于应用层，同时希望成为应用层的Infra。

04

模型会吃掉Harness，

但ToB工程层依旧有需求

Founder Park：给企业搭Harness，最难的点在哪？

王伟：企业有两个复杂度。一个是已有信息系统的复杂度，它又拆成两个命题，业务上怎么约定规则，技术上怎么约束。技术约束的通用性相对高，真正难的是业务的Spec怎么生成和维护，每个业务板块有相似性也有差异，这也是为什么前期需要FDE和客户的业务专家、技术专家一起打磨Harness。

另一个复杂度是人。在Agent完全取代工程师之前，团队怎么上手？你搞出一个看上去很牛的复杂Harness框架，别人用不起来、效率很低，最后效果也不好。

我们做了两件事。第一，FDE团队先把每个行业的路径跑通，比如银行、保险，提炼出典型的Harness框架和模板，和客户共创打磨后，赋能给合作伙伴批量推广。第二，把共性知识抽象成Agent，比如Harness Agent，部分替代FDE去构建Harness。

坦诚讲，指不定「Harness」这个词哪天也过时了。但大模型之上、智能体之下，一定还有工程层的大量工作，只是各个团队会用不同的视角去组织和描述它。

Founder Park：模型能力持续增强，会不会把这一层逐步吃掉？

杨萍：企业场景不太一样。就算模型把部分能力内化了，对我们来讲，只是站在了70分、80分的模型肩膀上。模型进了企业，你依旧要跟企业现有的知识、权限、数据、环境做打通，工程层依旧在。而且企业不会在每个环节都用能力最强的模型，太贵了。企业永远要回答的问题是，用智力适当的模型，在成本可控的前提下提供服务。

王伟：我更愿意把模型和Agent理解成水涨船高。模型覆盖了更多工作，Agent就去拓展模型外延够不到的地方。短期内模型迈过某个水位，那个位置的Harness确实不用做了，但可以去爬更高的地方，同时做好这块未来被模型吃掉的准备。

但还有很多事模型搞不定。不管是Claude Fable 5还是OpenAI最新的模型，去真正解决企业内部复杂的分布式应用架构时，其实还handle不好，这里面有大量场景必须靠Harness。

再退一步，「更强的模型+更简单的Harness」和「更弱的模型+更复杂的Harness」，综合Token成本谁的性价比更高？这是一个开放问题。很多B端客户因为合规或算力受限，需要在受限条件下找性能平衡点。

Agent的ROI会越来越重要，24到25年大家还在不计成本地All in AI，到了一定周期一定会看投入回报。我们推出TokenHub做多智能体组合优化，本质就是回答这个问题，经济账能不能支撑当前的技术，实打实地服务好客户。

Founder Park：所以强模型配更高自由度，弱模型配更强的框架，应该按目标选模型和Agent框架？

王伟：这个表述更精确。打个比方，招一个MIT或清华的博士做创新课题，就该给更高的自由度。要完成一个工业化场景，就给更多流程和限制让它不出错。模型也有性格，Claude Fable 5和GPT 5.6，GPT更严谨、指哪打哪，但发散性不够。Fable 5有时天马行空，做创造性的事会让你喜出望外，但也会做出离谱的事。

未来真正重要的，是能不能统一建模任务特征和目标，反向找到更优的方式去调度模型和Agent。现在这件事还依赖个人经验，新模型一出，经验就要重建。我们想把它变成可量化、可泛化的能力。

Founder Park：模型的编排调度，也是你们Harness层的核心功能？

王伟：是。我们在技术层面提了两个核心理念，自组织和自进化。

自组织，是多Agent通过算法驱动动态调度编排的机制。我们希望用算法解决多条件优化问题，比如成本、效率、精度，甚至未来还有审计和透明性的要求。通过算法反向推演应该使用什么样的一组智能体，它们是通过合作还是博弈对抗的机制去完成特定任务。

举个例子，Anthropic提过用Sonnet和Opus协同来兼顾经济性和精度，这其实就是自组织算法窄化后的一个场景：成本优化。我们想做更复杂的多条件约束，比如任务准确率95%以上、Token消耗不超过某个值、且必须用国产化模型，反向算出该靠什么样的Agent组合完成。这方面我们在跟清华、北航做联合研究。

自进化有两个飞轮。一个是传统的数据飞轮，客户的大量数据在智能体上运行，持续生成和沉淀更多数据。另一个是大家关注不多的Harness飞轮，客户业务在持续发展，以前不做移动应用开发、后面要做了，Harness就得迭代。

我们有一个专门帮用户构建和迭代Harness的Agent，从客户现有系统里收集数据和运行环境，反向生成、更新所有智能体该用的Harness底座。一旦扎下根，客户会发现这套环境越用越好、越贴合业务。这就形成了竞品短期内很难替代的壁垒。

05

FDE的终极形态，是FDE as Agent

Founder Park：你们怎么定义FDE？这个角色具体做什么？

王伟：要求有两条。第一是广度，要理解企业级信息系统，能快速学习客户业务，也要理解AI技术和AI Coding。对Agent底层技术的深度要求不像算法岗那么高，但视野一定要宽。第二，他自己就得是AI原生的，和Agent协同工作。

FDE的工作不只是传统交付，还要把客户需求提炼出来，甚至在现场自己构建产品原型带回团队。我们内部正在孵化的Harness Agent，就是FDE团队从客户现场做出来的，这类问题在一批客户身上有明显共性，它现在已经逐步成为核心产品。在我们设计的FDE体系里，人和AI从第一天起就是协作关系，而不是靠堆人天给客户做集成交付。

Founder Park：为什么坚持用工程师做FDE？懂AI又懂业务的PM不是更适合对接需求吗？

王伟：很多人觉得AI Coding降低了技术门槛，产品或运营背景的人更容易转全栈。但我们看下来，鸿沟不在代码写得好不好，而在于真正理解企业级信息系统在AI转型中的现实挑战。

最简单的例子是权限隔离。一个纯产品背景的人要理解其中的复杂性，再判断怎么用Agent解决，学习成本很高，有AI也补不齐这些经验。所以我们反而倾向招一些年龄大一点的架构师，他们可能慢慢脱离一线了，但AI Coding能把执行能力补回来，而他们对复杂系统、技术风险和行业问题的经验还在。

Founder Park：FDE和传统售前、外包的核心区别是什么？

王伟：售前更靠前，把新理念和行业动态传递给客户，一个人覆盖很多客户。FDE更强调落地，自己用AI，也帮客户设计具体方案，把产品接进真实系统。

至于和外包的关系，不用纠结名称，看一个更直接的问题，这种工作方式是否低效、重定制、持续消耗人力，最后会不会拖垮公司？

以我们现在的客户为例，一个客单价千万级的客户，平均投入1到2名FDE，典型情况1名就够。这件事能成立，是因为AI原生模式下，FDE是带着一堆Agent去做交付部署和定制开发的。对创业公司来说，这样的规模化扩张完全负担得起。

Founder Park：FDE模式有没有天花板？客户从50家到200家，就要一直招人？

王伟：不会。我们的FDE和合作伙伴的FDE，是开拓者和建设者的关系。进入新行业时，我们自己的FDE先把路径跑通，过程中把行业能力蒸馏成Agent，再交给合作伙伴做行业扩散。

理想情况下，我们可以自己host一万个、十万个Agent把所有客户需求搞定。现阶段，需求沟通还很依赖人类工程师，跟客户系统的对接也有不够标准化的环节，但在AI加持下，这个模式已经非常高效。未来我们设想过，在某些领域做到端到端的「黑灯工厂」，全自动的智能体流水线，一个系统搞定一个行业的所有需求。

Founder Park：那B端的终局竞争，会变成FDE团队之间的竞争吗？

王伟：不会。词元无限长期的核心竞争力，还是Agent和Agent Infra。Agent层我们长期专注SDLC，Coding和Testing是拳头产品，Agent平台是长期方向。

FDE是我们切入行业的必修课，它是加成关系。但光有FDE、没有核心产品和Agent Infra，对客户来说就是你有很多熟练工人，但流水线没搭好，工人只能在旁边干着急。

从规模化角度，FDE要不断消灭重复工作。FDE的终极形态是FDA，FDE as Agent。每做完一个新问题，下一次就该尽量交给Agent，团队不能靠持续加人重复同样的事。

06

个人提效和组织10倍提效，

是两个不同的命题

Founder Park：过去半年的落地实践里，企业通常卡在哪些环节？

杨萍：互联网公司实践得早。像字节这样的组织，AI Coding覆盖率可能已经超过90%，但典型团队的效率提升是40%到50%，拉长到整个组织，水位就降到20%左右。最领先的模型在代码生成环节能做到十倍提效，放到软件开发全流程，最后可能只剩10%到20%。

效率损失在哪？企业数字化程度不均匀，需求、设计、文档、测试、评审、运维之间有大量断点。编码快了，上下游没有同步改变，整体交付速度不会自然跟上。所以企业现在最大的问题是，单点工具只能解决单点问题，他们要的是All in One的整套方案，把个人工具的能力转化成组织的结果。

这里要同时照顾三层人。第一层是决策者，怎么让他舒服地掏预算。龙虾一开始看上去每个人都很香，但当老板要给每个人配龙虾的时候，看到账单他会崩溃。第二层是各级管理者，未来碳基员工和硅基员工的工作模式会变成什么样？这个变革可能先于单点能力的落地。第三层是一线员工，有人积极拥抱，但不是所有人都积极。让智能体真正跟人以比较peace的方式协作、产生对等价值，很重要。

Founder Park：一线员工会担心被Agent替代吗？

杨萍：会，而且很直接。研发场景相对容易推进，因为加班多，提效能直接减轻压力。有些工作原本就很难靠人完成，比如完整理解一个大型代码仓的全部历史，企业里架构师数量有限，一个能持续理解代码仓的Agent，更像研发人员的伙伴。

我们希望数字劳动力最终与人形成共生关系。但站在今天，我没有完美解法。现在通常先解决两三个明确痛点，让用户理解怎么和Agent协作。人的角色一定会变，但会变成什么、新工作怎么被创造出来，需要所有AI公司共同回答。

Founder Park：企业在AI转型中，你们观察到哪些常见的坑？

王伟：与其说误区，不如说不同阶段踩过的坑。之前有个阶段是All in AI，大家喊「人人都是十倍工程师」。还有个阶段是看谁Token花得多。可以理解，因为要调动组织积极性，但事后看有很多不理性。

个人十倍提效和组织十倍提效，完全是两个命题。组织规模大了，上下文同步更困难，Agent也一样。把Token当简单指标，就跟以前评价谁代码写得多一样，最后变成为指标的边际效应做各种不合理优化。

好在认知在持续迭代。客户过去问Agent有没有搭起来、Demo能不能跑。现在问解决了什么问题、是不是核心业务、ROI怎么样。这就又回到了商业本质。

B端还有个有意思的现象，管理层往往比中层、执行层更焦虑，因为他们掌握着企业生死。这个学习过程可能很粗粒度，一开始比谁烧的Token多，后来比谁的Agent多，再后来发现有些东西没用、有些场景是真的好，经过外部反馈，最终回归理性。

07

现在是拓荒时代，

到处都是金矿石

Founder Park：你们自己团队的AI Native实践是什么样的？

王伟：也在摸索。公司仍然有产品岗和研发岗，但边界没有划那么深。产品和设计团队会输出自己的Skill，让研发小团队独立开发创新产品，从功能范围到UI、UX基本不需要产品介入。InfCode、InfTest这些核心产品做得更重，人类产品经理介入更深。研发基本是3到5人的小团队，写更多文档和Spec，交给AI开发，人来验证。我们自己的Coding Agent、Testing Agent、Code Review Agent都在其中，TokenHub和InfOne做内部度量。

但坦诚讲，即使在我们这样一家AI Coding公司内部，也有非常优秀的资深程序员，对AI主导的模式不放心，永远让AI一个问题一个问题地答。后来他专门抽时间用SDD（Spec-Driven Development）驱动开发，发现效果远超预期，才慢慢认可。

这件事给我的触动是，如果一个工程师自己都没有All in AI，他设计出来的产品，怎么可能发挥出AI的极限性能？从根源上，你要有信仰，带着信仰做事，才能找到新模式。先找到Agent的边界，才知道怎么突破。很多时候我们固步自封，还没碰到边界就开始说这个问题那个问题。对创业公司来说，这是一个隐性的挑战。

Founder Park：接下来公司的核心目标是什么？

王伟：商业化增长在当前阶段肯定不是最重要的。最重要的是触达更多场景，把这些场景变成产品迭代、数据飞轮和Harness飞轮的价值点，这也是我们成立之初就拿产业方融资的原因。

某种意义上，现在就是一个拓荒时代，到处都是金矿石。我们要快速抢占领域，拿下好机会。商业化是后续的事，水到渠成。

Founder Park：拓荒有没有完成标准？

王伟：我没有完整想过终点，但可以确定，现在离终点还很远。

中国软件开发行业是10万亿甚至更高的市场空间，如果整个行业都值得被AI改写一遍，现在可能只发生了1%到最多5%，还没算上具身智能这些新领域的新机会。我们会选最有价值、最难的场景突破，比如从银行核心系统开始，然后继续找能力边界，需求能做到什么程度、DataOps能覆盖多少、物理世界的数据怎么进来，很多问题还没有答案。

Founder Park：具身是接下来要切的方向吗？

王伟：从第一性原理出发，具身的软件研发到数据链路，很多问题跟软件工程本质类似。不同硬件上的软件环境、存量开源项目、分层系统，复杂度和企业级软件开发差不多，也很难靠单一模型覆盖。我们的Agent基础设施有很多环节跟它有共性，比如DeepMap能把具身里繁杂的硬件文档、软件代码、不同Layer的差异handle到一起。仿真和真机误差的持续对齐，本质上也是Harness过程。

我们跟很多具身和世界模型公司聊过，他们内部对语言大模型用得最多的场景，其实就是AI Coding，比如让AI写Blender或3D引擎代码来渲染模型、做数据采集，关键就在Coding的Harness够不够好。对我们来说，这是Coding能力从数字世界，延伸到数字与物理混合世界的必经路径。

08

知道终点时焦虑，

不知道终点时也焦虑

Founder Park：当下最焦虑的是什么？

王伟：行业角度，最焦虑的是模型会不会见顶。我们现在还没看到顶，但它有没有可能明天、明年就到顶？我们并不担心谁发布了类似功能、技术迭代太快。跑得快不快，是自己的主观能动性能解决的，永远的担心是天花板有多高。

公司角度，我焦虑的永远是自己的竞争力。我们是不是能一直跟上最AI Native的组织？从产品、研发、算法到商业化交付，整个团队是不是按最契合当前模型和智能体能力的方式在组建？我们的智能组织本身够不够先进？只有这样，一家创业公司才可能跑出来。

Founder Park：如果模型真的见顶了呢？

王伟：逻辑上，见顶了反而可以不焦虑，知道终局长什么样，奔着去就完了。但人就是这样，知道终点时焦虑，不知道终点时也焦虑。不知道终点，你不知道什么时候停下来。知道终点，又觉得也就这样了。

如果模型能力到顶，可能5年、10年后进入存量市场博弈。我们经历过AI 1.0、AI 2.0，知道当AI能力触到天花板时，各种其他因素会左右市场。未必我们handle不好，但那一定不是我们希望所处的状态，大家会转向抢存量市场，而不是把能力打到最优先。

Founder Park：最后一个问题，你们怎么定义词元无限的成功和失败？

王伟：成立公司取名的时候，目标就很明确：我们要做AI时代的、代表互联网和移动互联网之后第三代信息化主体的公司。所以选了Token，还带着一个梦想，Token是无限的。

长期来看，每一个企业客户，不管是要往Agent转型，还是转型之后要管理内部的无数Agent，词元无限永远都是他的一个选项。

如果讲互联网，大家想到Google。移动互联网，想到字节。操作系统，想到微软。我们的长期愿景是，当大家讲到Agent应用的时候，想到的就是词元无限。