来新璐00后AI创业者Share Al Lab Founder前百度飞桨、腾讯混元算法工程师AI模型训推Agent设计前后端开发Llama3-Chinese中文后训练版作者(GitHub 4k Star,Kode Agent Runtime开发与维护程序员客栈 对话 来新璐新璐大学时曾在清华做研究助理他曾是B站AIGC科普圈的“AIGC四大圣”之一早期教程为AutoDL引流了首批超七千Stable Diffusion LoRA训练用户他主导的Llama3-Chinese中文后训练版的开源仓库取得4K Star他开源的Kode Agent正被数万开发者使用。近期他们关于“如何做一个开源 Claude Code”的内容爆火4 天狂揽 2 万 Star但在彻底探索Claude Code Agent后这位极客得出了一个反常识的结论所有在Copilot、Cursor等Vibe Coding IDE软件上的追逐未必正确AI Agent的终局应是像“水电”一样、“后台运行、无人感知”的社会基础设施。为何如此本文将对话Share AI Lab创始人来新璐揭示这一激进判断背后的技术逻辑与商业野心。01从极客到创业者1.请简单介绍一下自己我叫来新璐是ShareAI Lab的创始人技术背景主要在模型算法和AI领域。我的成长轨迹可以概括为从小沉浸于技术的“极客”通过开源社区和项目积累成长先后在盛大、百度、腾讯从事AI 研发最终因渴望更大的创造空间而选择创业。我们公司名叫ShareAI Lab灵感来源于OpenAI 和所谓的“Close AI”而我们则想体现 “分享”的理念。目前公司正处于从0到1的早期创业阶段主要专注于开发开源的智能体Agent与生产力工具。未来我们会探索面向专业工作者Pro-C的解决方案并推进AI 基础设施层例如推理运行时Inference Runtime的开发。2.为什么离开大厂出来创业最核心的驱动力是什么除了具体的机会还有更深层的原因吗宏观上是关于对“工作”本质的思考。我认为“公司”未必是一种永恒的社会形态。历史表明社会结构一直在演变。随着AGI和机器人技术的成熟生产力将达到前所未有的高度。未来人类很可能不必再为基本生存和物质需求而劳动。到那时工作的核心将不再是单纯的谋生而是创造意义与个人实现。AI提供智能机器人提供劳力二者结合是可大规模复制的生产力。我希望参与构建的正是这样一个能让人们从重复劳动中解放、去追求更高价值的新世界.落到我自己——我是INTP。于我而言工作的核心回报是“意义感”。特别是后面我加入百度飞桨PaddlePaddle从在大学时代作为飞桨框架的热衷使用者转变为机器学习框架的开发者在PaddleMIX 团队负责多模态模型的训推及国产化适配工作。以及加入了腾讯混元团队继续从事多模态相关研发负责“混元DiT”模型等开源工作。在百度工作的回忆这些经历让我更清晰地感受到在庞大体系中个人往往更像一颗螺丝钉项目边界也比较局限。在大厂即使能经过多年沉淀做到23的职级能发挥的空间和创造的价值依然受限于部门目标、岗位角色。我渴望一个能让自己和更多同道者充分释放能量、创造广泛价值的“场域”。回望过去我发现自己始终热衷于从零开始“折腾”与创造。当我意识到自己拥有更大的能量和可能性时创业也就自然而然。这不止是关于做一个产品更是关于构建一种我更认同的价值创造方式。事实上无论是否创业我想这件事我都一定会做。从中学时代起积极参与开源项目就是我生活的一部分。进入Agent时代我必定会要做相关的开源基础设施、工具链、数据与产品。因此创业更像是一种顺其自然的延续。在获得奇迹创坛MiraclePlus投资后我正式成立了公司至今已约一年多。我只是换了一个地方、换了一种方式继续做我一定要做的事。(奇绩 F24 Batch)3.您持续在不同技术领域深耕和输出是否也在逐步建立属于自己的影响力我觉得我一直以来都在特定兴趣圈子里积累着某种影响力虽然未必是那种全网级别的头部影响力。最早可以追溯到小学时我爱好电子技术热衷于硬件拆解、破解和维修、还有无线设备调试也喜欢破解软件和游戏大概在六年级时赶上安卓刷机热潮我还参与过将MIUI等系统移植到非官方机型的工作。当时在村镇里的小伙伴圈里就已经是大家眼里的“技术老大”。后来接触软件尤其是手机刷机、移植、反编译和优化我开始在一些特定机型的论坛和社群里活跃发教程、分享方法论渐渐在那个垂直圈子里也被称为所谓“网络上的大神”。中学时代我的兴趣扩展到反编译、系统修改、Linux操作以及一些简单的网络渗透等领域算是“脚本小子”的范畴。由于高中校内缺乏相关社团我创建了“极客社”以便同学们交流技术。通过分享技术和组建社团我在班级、年级乃至学校范围内逐渐建立起自己的小圈子。与高中极客计算机社团联创、校长、小伙伴们合影大学我攻读人工智能专业。同样基于对校内缺乏深度技术社群的感触我花了3个月走完申请与筹备全流程发起创立了“AI 开发社”希望能营造优质的技术交流和创造氛围目前社团成员已接近700人。与此同时我还参与并主导多个开源项目在GitHub上获得数万Star。我也以“飞鸟白菜”为名在B站做技术分享恰逢AIGC爆发初期收获了近万粉丝。也是因为这个契机盛大云当时的CEO汤总正是通过B站找到我邀请我加入他们的团队起初远程后来逐步发展到线下我还参与了他们云计算部门的工作包括分布式LoRA 训练推理就是最开始做对标“中国版的Midjourney”的一些工作以及复刻“妙鸭相机”的项目。当时圈内流传有“AIGC 四大圣”之称我便是其中之一。我属于最早系统分享Stable Diffusion训练教程的创作者之一并提供了封装好的一键镜像可在AutoDL平台直接使用。后来AutoDL从一个小众站点成长为拥有大量AIGC用户的平台仅通过我的邀请链接就带来了超七千名训练SD LoRA模型的技术爱好者用户。此外我还主导开发了一款名为“造梦笔”的小程序上线三周用户量即突破十万。我们为此建立了五个满员的QQ群相关频道也吸引了超过六千名成员加入。再到后来我主导开源了Llama2与Llama3的中文首发后训练版本。对此我做了一个开源的 repo将训练好的模型权重、自己整理清洗与构建的数据集以及完整的训练流水线代码、超参数配置等所有相关资料全部开源。该项目发布后在GitHub 上获得了大量关注同样收获了许多星标。到后期时也聚集了几千人的社群。而现在围绕Agent项目我们的Kode Agent在npm 上的累计安装量已经超3 万这意味着至少有3万多名开发者正在基于它构建自己的垂直应用或智能体。虽然不知道他们最终落地进展如何但这个数字背后是真实发生的开发和尝试。那我们可以预见是不是半年内——世界上真的会多出几万个这样的智能体在各垂直业务中运行的Claude Code。从某种角度看我在每个感兴趣的领域都积累了一些影响力只是它们并不连贯也往往有它的上限。比如目前我运营的公众号shareAI粉丝到了一万左右就增长得很慢了——其实这也很正常因为真正深入关心Agent 实现、想自己构建智能体的人在国内可能总共也不超过五万人。我们能做的就是把这群真正感兴趣的人吸引和连接起来。02Kode Agent的诞生4.您为什么选择复现 Claude Code 并开源 Kode CLI过去一年我们的重心在智能体Agent领域。2025年初当Manus和 “AI 程序员” 等概念火热时我们注意到其交互设计与我们之前刚好在集中时间研究的一个更早的开源项目叫OpenHands 非常相似。OpenHands 为每个会话启动一个独立的Docker 容器但拉起速度较慢而Manus等类似产品则通过预置容器池优化了多任务拉起的等待体验。我们深入研究后发现当时社区主流的Agent框架如ReAct 范式大多依赖于复杂的提示词工程来串联思考、执行、反思等步骤我们认为这种方式不够优雅遇到了瓶颈。大约在4月初我们开始研究Anthropic 的Claude Code。起初觉得它体验笨重谁没事开个命令行就对着 ai 聊半天但深入使用后发现其效果远超其他同类工具。为了弄清原因我们运用了早年的“黑客”技能抓包分析网络请求、逆向其JavaScript 代码结合早期泄露的版本和社区分析最终完整还原了其内部机制。我们发现Claude Code的核心并非冗长的提示词而是一套精巧的机制设计。对此前段时间我们把摸索如何做一个开源的 Claude Code Agent的心得输出到一个仓库中还小火了一把。这一发现彻底更新了我们的设计思路。基于此我们吸收了其中的哲学理念并开发了自己的开源项目Kode——目前有三种形态以适配不同场景和用户1.Agent Runtime CLI形态为终端用户提供的命令行工具可作为Claude Code Agent的完全开源替代支持配置多种大模型可通过bash shell进行灵活的编排。2.Agent Runtime SDK形态为开发者提供的软件开发套件。开发者可以自由组合我们封装并测试好的模块快速构建属于自己的各类Agent真实产品应用。3.Agent RuntimeWebUI形态面向非技术背景的业务人员。通过SOP文档撰写、任务聊天与类n8n的可视化拖拽等交互搭建方式让使用者能像搭积木一样组合不同模块来创建适用于“特定工作流程的智能体”而无需编写代码。Share AI Lab正致力于通过Kode这样的开源Agent运行时项目降低AI 智能体的创造与使用门槛让更多人能便捷地构建和运用AI智能体。5.您在百度、腾讯这类大厂的算法工程经历是否帮助您更深刻地理解了开发者需要什么具体是如何影响您现在所做的Kode Agent等系列项目的这些经历确实带来了很多实质性的参照和思考。虽然我之前在百度、腾讯做的工作与Agent并没有直接关系。但我一直认为进入一个规范的中大型公司接受职场锻炼非常重要——不一定非要是大厂但这种环境能让你沉淀出一套科学的工作方法和组织流程。我们不是说大厂的所有流程都正确但它背后往往有它的合理性。对我个人而言这段经历尤其在工程规范性、代码库设计和系统架构上给了我很大启发。写代码这件事你怎么写都能让它跑起来、实现功能但一个能跑通的程序和一个高质量、可长期维护的程序中间是有很大差距的。如果没有良好的抽象和设计项目很容易陷入反复推翻重来、或者越做越拧巴的境地而如果前期思考得足够清晰后续的迭代大多只是局部调整可以持续在原有模块上演进和完善。大二在盛大云实习这种对工程科学性的理解对我现在做任何事的方法论都有提升。具体到Agent领域我过去的经历也在影响我今天的构建方式。我之前偏向模型训练与推理相关的工作虽然现在不直接训练模型了但我很清楚未来的Agent model一定会走向“差异化”。今天大多数人还没有上千张卡的条件去调一个千亿级模型但如果我们能在Agent运行过程中系统性地收集交互轨迹和数据这件事会变得非常有价值。所以在设计Agent基础设施时我会特别注重可观测性与数据收集——如果Agent在生产中运行我们就能系统性地收集交互轨迹清楚识别出哪些是good case哪些是bad case。针对bad case即使不调整模型也可以通过封装成特定的Agent Skill进行定向修复指导其在特定场景下的行为。如果这样的系统持续运行多年随着强化学习方法的普及和训练基础设施的成熟未来模型调优的成本和门槛可能会大幅降低——也许就像今天刷机、反编译一样将来每个人都能以很低的心智负担去优化自己的Agent。而这种往前看、往底层想的习惯正是我之前做模型和算法背景所塑造的思考方式。6.将您对需求的理解转化为实际产品的过程中复刻Claude Code核心机制时遇到的最大困难是什么最大的困难倒不是某个单一的技术壁垒而是一个由无数分散挑战构成的集合。初期我们对它的运行机制一无所知只能从零开始猜想。随着逆向研究和流量分析的深入——这里用到了一些类似渗透测试的技术思路我们不断修正自己的理解经常发现实际情况与最初的推测完全不同。由于无法直接查看完整的源代码我们只能捕捉局部信息反复对比、拼凑印证、逐步推测其整体架构。这就像在黑暗的房间里闭眼摸象先碰到鼻子再摸到腿、尾巴……直到摸索完所有局部才能在脑海中拼出完整的形态才真正明白它到底是怎么运作的。困难就散落在这个过程的每一步中直到所有线索最终连接起来真相才逐渐浮现。7.如果拉长时间线来看从您开源 Llama3 中文版本到成功复现 Claude Code等项目背后是否有一条一以贯之的技术理念在驱动从纯技术角度来说当初做Llama3以及更早的Llama2中文的post-training我更多是觉得这件事有意义。它属于“模型数据”类工作重点在于系统性地执行与输出——收集数据、微调、训练并把整个过程开源复现把知识传递出去。而现在做的Agent相关项目则是另一条路径。我们花大量时间研究开源框架、逆向分析闭源产品像“在黑暗的房间中摸象”一样逐步拼凑出其设计全貌。这个过程耗时费力但一旦理解原理实现路径就变得清晰剩下的主要是时间问题。Claude Code Agent本身也在快速迭代从去年发布到现在它加入了大量新机制与特性。但我们发现其核心框架相对稳定新增功能多是特性叠加。我们会吸收其中优秀的设计但不会全盘照搬——有些“雕饰性功能设计”实际意义不大我们考虑的并不是Vibe Coding场景而是更侧重关心物理世界的各种任务场景上的Agent驱动基础设施。同时我们也在沉淀自己的思考要服务于未来强化可观测性、轨迹收集、场景优化分析等数据科学基础工作让开发者能更便捷地封装Skill、为未来训练做准备。这和我们之前做模型微调在技术上不直接联系但它们的共同点都是需要投入持续的时间和扎实的工作量——不是所有人都愿意这样投入而我们愿意也正在这样做。03行业洞察AI Agent的终局是什么8.关于您提到的产品愿景“Web Working for Everyone”是否意味着Coding Agent的目标用户也包括普通人这是否源于您对非专业开发者需求的观察那非专业人士能否也轻松使用它这三个问题其实是一个交错的关系。我们从一开始就相信Coding Agent的潜力绝不会只局限于开发者在IDE 里用Copilot或者在终端里调用Claude Code——它的能力太强了未来一定会扩散到成千上万种不同角色的工作中去。开发者只是其中的一种而先进的生产力工具迟早会普及到更多人手中。不过最初我们并不知道具体会怎么扩散。我们只觉得它“应该会”但路径并不清晰。直到后来我们看到Claude Code像当年的Stable Diffusion 一样形成了一个关键词流量生态。很多自媒体、公众号都在传播怎么用它来实现办公自动化、完成某个具体任务——往往不是教你怎么用Claude Code写一个具体的代码。这些内容在非技术圈里广泛传播其实印证了我们之前的判断很多不写代码的人已经在自发探索怎么把Coding Agent 用在自己的工作里了。再到第三层就是“不写代码的人怎么系统性地使用它”。这就是我们在做的产品——Kode0也是一个完全开源的项目很快会发布第一个版本会内置在Kode Agent CLI中像n8n那样提供安装使用方式。它的目标就是让即使完全不会写代码的人也能像搭积木一样通过可视化方式把自己对某个流程、某个业务的理解“组装”起来构建属于自己的智能体甚至定制化的“业务版Claude Code Agent”。最近OpenClaw项目的爆火其实也印证了我们原来发展的理念方向正确性以及在现实物理世界中各种任务场景上的普遍需求。写代码本质上是一种“胶水”程序员通过代码把不同模块粘合起来实现功能。如果提供相同的模块那不写代码的人也应该能用可视化的方式把它们“粘”起来做出自己想要的东西。程序员只占社会很小一部分而其余99% 的人也应该有办法去组合、创造——这正是我们正在推动的事。9.Kode Agent选择在怎样的路线上建立自己差异化的优势其实我们在几个月前就有了一个很深的信念这个世界可能并不需要又一个VibeCoding工具。今天你看市面上已经有很多选择无论是Cursor、Claude Code、Codex还是国内各大厂推出的AI Coding工具这个赛道其实已经很拥挤了。对开发者来说往往只会选择最好用、最顺手的那一个——谁先进、谁体验好、谁周围人都在用就用谁。Kode如果只定位成又一个Vibe Coding 工具那它可能只是“还不错”的选择之一但这并不是我们真正想做的事。我们更相信的是Coding Agent不应该只是人手里的工具而应该成为社会的基础设施。如果它离程序员很近那就是一个软件界面、一个IDE like产品但如果它离人很远它就能在背后默默工作成为支撑各行各业自动化的“水电”。未来很可能出现这样的图景每天有成千上万的Agent定时启动、连续运转十几个小时处理海量资料、分析信息、执行操作。它们的总工作量不亚于今天职场上的人力但人们却感知不到它们的存在——因为它们就像流水线或电力系统一样在幕后持续运行。我们判断三到五年后整个社会中的Agent数量会远远超过人类并且单个Agent 的智能水平可能超过一半的普通人。它们会分布在银行、楼宇、生产系统、数据管道中承担业务流程的自动化处理。这个规模可能会达到数十亿甚至数百亿。所以对我们来说Kode Agent的差异化路线不在于和前端的工具卷界面、卷手感、卷谁出现在搜索结果前列——那可能只有第一名有意义。我们选择的是往后走、往底层走让Coding Agent成为离人更远、后台运行、但社会价值更大的基础设施。10.如何平衡完全开源与商业产品我们的思路类似于安卓与谷歌的关系。其实谷歌从安卓上赚了很多钱但安卓本身是一个不赚钱的项目需要投入大量的工程师和精力。安卓系统本身完全开源并没有所谓“开源版”和“高级付费版”之分。但谷歌通过安卓占据了两个关键生态一是搜索入口国际版安卓手机默认在桌面有谷歌搜索条二是通过Google Play 商店进行应用分发来实现商业价值。对我们而言思路也是一样的。我们不想在开源的东西上直接赚钱——开源了就是开源了你可以拿去二次开发怎么用都可以。我们开源的是“infra”基础设施而我们通过做infra 周边的服务来支撑商业发展。具体来说如果你使用Agent时会面临一些繁琐的共性需求例如需要便捷地接入和管理不同特性的模型它们可以相互配合需要集成多种搜索源或工具虽然今天各家都提供搜索 API但很零散对此每个月你都要检查各家账单是否超支下个月要预充多少费用确保不中断。而我们可以将这些能力整合提供一个稳定、高效的“插座”就像国家电网——你只需接入就能方便地选用来自不同“发电厂”模型商的“电力”AI能力。我们可以默认集成这些但也不限制用户——你可以用自己部署的模型或第三方 API。我们只是把该集成的能力都提供给你你可以选用也可以不用。另外这背后还有一个底层思考我们认为AI其实更像制造业而不是互联网。制造业有供应链问题、生产成本问题。AI有“电”和“卡”的成本——AI的成本仍然很高尤其是越聪明的AI成本越高每个时刻“最聪明”的模型一定是最贵的同时模型都跑在A100、H100 乃至B200 这些集群上公司花费数百亿建设数据中心卡也是从英伟达高价采购的。服务周期内这些硬件成本是固定的电费也是固定的。因此AI绕不开成本与经济问题它不会变成免费无法靠“免费流量”的模式持续。最多是未来模型更高效能用更小的模型驱动相同水平的任务但如果你想用最顶尖的模型它的价格依然会维持在相应的高位。我们则在其中提供价值并为此获取相应的服务回报这也是一个必须尊重且健康的商业逻辑。总结来说我们通过提供infra周边的服务来支持我们自己。开源部分完全开放而商业化的部分则建立在为使用这些infra的开发者提供便利与增值服务之上。11.如何理解您提出的“Bash is all you need”这一观点大约半年前我们就在GitHub上以及我们撰写的许多关于CLI 和Agent 的教程、输出内容中提出了这一点。我们之前甚至还做过价值1999元的付费Agent训练营其中就包含我前面所讲到的这些内容。就像盲人摸象当我们在黑暗的房间里摸清大象的形状后发现这个形状不太好形容——圆滚滚的前面有长鼻子后面有尾巴。后来我们思考其核心本质是什么它是一个四条腿、类似狗一样的动物只是鼻子更长。我们可以把Claude Code 简化到极致它就像一个同样有四条腿的凳子。你只要有这个最基础的框架它就能运行。在此基础上你可以添加各种其他工具、机制、模块包括统计、观测等等。加上这些只会让系统更优化、更健壮。但如果你把它压缩到极致我想告诉你的是模型才是那个Agent你只需要为它提供一个工具它就能使用。那么你提供什么工具呢Bash是一种非常 “meta”的System Interface一个“元工具”。因为在Bash中程序员可以用它进行网络攻击、编程、运维。在90年代以前如果没有图形化的操作系统界面Bash 内部集成了所有能操作底层系统的功能文件系统的读写、网络的读写、程序的编译和运行。它提供了一个底层的、通用的抽象接口。在这个接口背后它不只是一个工具而是可能蕴含着成千上万个工具。因为每一个未来的MCP模型上下文协议都可以封装成一个CLI命令行接口。我甚至觉得也许就不需要MCP 来扩展工具列表直接用CLI 就行。AI 只需要看一下--help 就知道这个CLI 该怎么用了。所以未来CLI 很可能就是MCP 的终极形态。如果CLI是MCP 的终极形态那么Bash 就是接入这成千上万种工具的万能入口其背后是一个庞大的工具生态集 Shell语法宝库。这就是为什么我们提出 “Bash is all you need”。当然这也是借鉴或致敬前辈的“Attention is all you need”。04何去何从12.在如此高强度的工作和创业节奏中您是否有自己一些长期保持的兴趣爱好呢我的兴趣爱好其实比较简单可能就是写代码本身以及推动这些技术项目的构建和发展。我觉得现在很多人都有类似的感受——不只是我。最近有个比喻挺有意思Claude Code是程序员圈的“王者荣耀”。当然即便不写代码但你可以想象过去那些让你觉得很烦的工作现在你只需要和AI表明诉求它就能帮你完成。你和它说得越多它能帮你做得越多。如果你有做不完的工作或者有很多想法需要验证你就会特别想让它去帮你实现。所以Claude Code就像程序员圈的“王者荣耀”让人沉浸其中不断探索和创造。13.结合您自身的经历和心得对于想要更多进入AI Agent领域创业或参与开源的开发者您能给出一些有建设性的建议吗首先针对AI Agent领域的创业或开发我想先打个广告或者说给出第0条建议如果你今天想构建一个“Manus”那样的项目或者构建一个垂直领域的Claude Code无论是用来写代码还是执行特定任务的自动化又或者你想抢占“世界上第一个XX领域的Agent”这个名头其实你并不需要从零开始构建所有底层工作。你可以直接基于我们开源的Kode Agent运行时进行修改与二次开发。为了方便大家基于我们的开源项目进行二次开发我们还专门提供了SDK。你可以直接用我们的Kode Agent SDK来改造快速实现你的“XX业务领域Manus Agent”或Claude Code构想。因为回到前面说的今天做一个Manus或Claude Code并没有那么难但也不是完全没有工作量其中有一些比较繁琐的部分。我们帮你解决了这些基础工作量的问题你只需要加上自己业务的know-how以及你认为在特定场景下用户更喜欢的交互方式比如前端形式可以是网站、App、小程序甚至集成到硬件上通过语音、按钮或屏幕交互。背后的机制或引擎是相同的就像做游戏开发不需要反复实现Unity 引擎一样你可以直接使用我们提供的“引擎”。接下来是第一条建议我建议大家去寻找垂直领域。我们看到“Manus” 的定位是非常通用的。与它类似的产品还有 “Genspark”国际层面它们都属于头部的通用Agent 品类。在国内这类通用聊天机器人则可能是豆包、文心一言等各大厂的产品。大厂有足够资源和变现手段例如通过推荐外卖、打车等服务抽取佣金因此通用品类是他们的主战场。对于资源有限的开发者或创业者来说直接与它们竞争非常困难——除非你能融到巨额资金比如找红杉融两个亿去硬拼否则很难获胜。所以通用品类建议大家不要碰了。既然通用领域行不通那就要考虑非通用领域。所谓“非通用”就是看你深耕在哪“一亩三分地”你的老家产业、你的本职工作、你的家族行业或者你非常熟悉的特定领域。你越了解某个细分领域就越有优势在其中打造一个Agent。无论是为了融资、做大还是为了创立一家公司来取代同行业中没有使用Agent 的传统玩家。如果你能在某个垂直领域做出一个好用的Agent或先进生产力工具就能对其他玩家形成降维打击。但这个“垂直”需要足够聚焦和精细。它不一定非要做得很大也许只是一个非常好用的工具、脚本或流程。你可以把它分享给身边的同行或客户他们甚至可能直接为你提供的咨询服务付费。具体能做到多大取决于你自身的势能和所在领域的实际情况。总之我的核心建议是利用我们的开源基础设施降低启动门槛然后全力深入你最熟悉的垂直细分领域构建解决实际问题的Agent。14.关于您个人在未来几年在生活和工作方面有什么规划和预期吗生活和工作方面我还是希望把我们Share Lab发展得更好。具体来说一方面是加深我们在Agent相关基座的开源建设——我们本质上是在做一个Agent运行时runtime项目。我希望把这个运行时做得更优秀、更强大让更多人能基于我们这个运行时来构建他们自己的“Manus”、自己的Claude Code也就是打造他们各自垂直领域里的“先进火把工具”。我们则充当背后那个提供燃料或基座的中间运行时层并把这件事做扎实。另一方面我们还需要前瞻性地看问题。希望在这个基础上扩充更多关于Agent运行轨迹的观测能力建设。当然这些观测相关的中间件也会开源。目的是让开发者或工具构建者能够清晰地看到自己的工具在真实环境下的运行情况——不一定是在用户手中也可能是在你自己运行的数百条任务中。你可以观察它在实际工作环境下的轨迹和表现分析不同的action 是什么收集好的案例和坏的案例进而进行优化。更进一步说就像我之前做Llama 2和Llama 3 的中文后训练那样——当时这项技术在我看来已经比较成熟了只要收集好数据数据质量尚可或足够高结合LoRA 这类轻量微调手段就能以较低成本完成微调。如果未来强化学习RL也出现类似突破变得通用且成本可控那么人人都能在自己的领域应用RL。我们现在在Agent层面推动的轨迹数据治理、规范化建设正是为此做准备。因为我们自己做过模型也大致能预见未来模型的发展方向。我们希望一旦低成本强化学习普及我们能将这种能力赋能给所有人——不仅仅是OpenAI 或Anthropic 能做任何人都可以。即使你不懂模型训练或数据科学我们也可以把它封装成一个按钮你点一下跑一夜第二天早上就优化好了。所以我们最终希望加强的是让项目更偏向AI科学朝模型和数据的方向走朝着治理和优化的方向走而不是仅仅作为一个纯软件工程、靠代码胶水粘合起来的作品。坦白说我们今天做的事情就像“502 胶水”帮你把模型、上下文、工具、环境、用户交互、API 通信等要素粘合起来。未来我们希望这“胶水”能更牢固或者让被粘合的部件之间耦合得更强——这大概是未来三四年我们希望充分优化和建设的方向。当然如果出现新的技术变量我们也会考虑引入。如果新技术变量太大现有Kode Agent 架构承载不了我们也可能开启一个新项目并吸收现有成果。就先说到这儿吧省得将来打脸。故事征集《LaunchBox》是程序员客栈推出的技术项目孵化平台致力于为全球顶尖技术创业者与极客开发者提供项目展示、推广与孵化服务。无论您的项目专注于AI、区块链、开源技术还是其他颠覆性创新领域LaunchBox都欢迎在此首发。欢迎大家推荐朋友或自己来参加我们的节目分享与对话是一件利他又利己的事。
“天才极客”和他的开源版Claude Code Agent运行时——对话Share AI Lab来新璐
来新璐00后AI创业者Share Al Lab Founder前百度飞桨、腾讯混元算法工程师AI模型训推Agent设计前后端开发Llama3-Chinese中文后训练版作者(GitHub 4k Star,Kode Agent Runtime开发与维护程序员客栈 对话 来新璐新璐大学时曾在清华做研究助理他曾是B站AIGC科普圈的“AIGC四大圣”之一早期教程为AutoDL引流了首批超七千Stable Diffusion LoRA训练用户他主导的Llama3-Chinese中文后训练版的开源仓库取得4K Star他开源的Kode Agent正被数万开发者使用。近期他们关于“如何做一个开源 Claude Code”的内容爆火4 天狂揽 2 万 Star但在彻底探索Claude Code Agent后这位极客得出了一个反常识的结论所有在Copilot、Cursor等Vibe Coding IDE软件上的追逐未必正确AI Agent的终局应是像“水电”一样、“后台运行、无人感知”的社会基础设施。为何如此本文将对话Share AI Lab创始人来新璐揭示这一激进判断背后的技术逻辑与商业野心。01从极客到创业者1.请简单介绍一下自己我叫来新璐是ShareAI Lab的创始人技术背景主要在模型算法和AI领域。我的成长轨迹可以概括为从小沉浸于技术的“极客”通过开源社区和项目积累成长先后在盛大、百度、腾讯从事AI 研发最终因渴望更大的创造空间而选择创业。我们公司名叫ShareAI Lab灵感来源于OpenAI 和所谓的“Close AI”而我们则想体现 “分享”的理念。目前公司正处于从0到1的早期创业阶段主要专注于开发开源的智能体Agent与生产力工具。未来我们会探索面向专业工作者Pro-C的解决方案并推进AI 基础设施层例如推理运行时Inference Runtime的开发。2.为什么离开大厂出来创业最核心的驱动力是什么除了具体的机会还有更深层的原因吗宏观上是关于对“工作”本质的思考。我认为“公司”未必是一种永恒的社会形态。历史表明社会结构一直在演变。随着AGI和机器人技术的成熟生产力将达到前所未有的高度。未来人类很可能不必再为基本生存和物质需求而劳动。到那时工作的核心将不再是单纯的谋生而是创造意义与个人实现。AI提供智能机器人提供劳力二者结合是可大规模复制的生产力。我希望参与构建的正是这样一个能让人们从重复劳动中解放、去追求更高价值的新世界.落到我自己——我是INTP。于我而言工作的核心回报是“意义感”。特别是后面我加入百度飞桨PaddlePaddle从在大学时代作为飞桨框架的热衷使用者转变为机器学习框架的开发者在PaddleMIX 团队负责多模态模型的训推及国产化适配工作。以及加入了腾讯混元团队继续从事多模态相关研发负责“混元DiT”模型等开源工作。在百度工作的回忆这些经历让我更清晰地感受到在庞大体系中个人往往更像一颗螺丝钉项目边界也比较局限。在大厂即使能经过多年沉淀做到23的职级能发挥的空间和创造的价值依然受限于部门目标、岗位角色。我渴望一个能让自己和更多同道者充分释放能量、创造广泛价值的“场域”。回望过去我发现自己始终热衷于从零开始“折腾”与创造。当我意识到自己拥有更大的能量和可能性时创业也就自然而然。这不止是关于做一个产品更是关于构建一种我更认同的价值创造方式。事实上无论是否创业我想这件事我都一定会做。从中学时代起积极参与开源项目就是我生活的一部分。进入Agent时代我必定会要做相关的开源基础设施、工具链、数据与产品。因此创业更像是一种顺其自然的延续。在获得奇迹创坛MiraclePlus投资后我正式成立了公司至今已约一年多。我只是换了一个地方、换了一种方式继续做我一定要做的事。(奇绩 F24 Batch)3.您持续在不同技术领域深耕和输出是否也在逐步建立属于自己的影响力我觉得我一直以来都在特定兴趣圈子里积累着某种影响力虽然未必是那种全网级别的头部影响力。最早可以追溯到小学时我爱好电子技术热衷于硬件拆解、破解和维修、还有无线设备调试也喜欢破解软件和游戏大概在六年级时赶上安卓刷机热潮我还参与过将MIUI等系统移植到非官方机型的工作。当时在村镇里的小伙伴圈里就已经是大家眼里的“技术老大”。后来接触软件尤其是手机刷机、移植、反编译和优化我开始在一些特定机型的论坛和社群里活跃发教程、分享方法论渐渐在那个垂直圈子里也被称为所谓“网络上的大神”。中学时代我的兴趣扩展到反编译、系统修改、Linux操作以及一些简单的网络渗透等领域算是“脚本小子”的范畴。由于高中校内缺乏相关社团我创建了“极客社”以便同学们交流技术。通过分享技术和组建社团我在班级、年级乃至学校范围内逐渐建立起自己的小圈子。与高中极客计算机社团联创、校长、小伙伴们合影大学我攻读人工智能专业。同样基于对校内缺乏深度技术社群的感触我花了3个月走完申请与筹备全流程发起创立了“AI 开发社”希望能营造优质的技术交流和创造氛围目前社团成员已接近700人。与此同时我还参与并主导多个开源项目在GitHub上获得数万Star。我也以“飞鸟白菜”为名在B站做技术分享恰逢AIGC爆发初期收获了近万粉丝。也是因为这个契机盛大云当时的CEO汤总正是通过B站找到我邀请我加入他们的团队起初远程后来逐步发展到线下我还参与了他们云计算部门的工作包括分布式LoRA 训练推理就是最开始做对标“中国版的Midjourney”的一些工作以及复刻“妙鸭相机”的项目。当时圈内流传有“AIGC 四大圣”之称我便是其中之一。我属于最早系统分享Stable Diffusion训练教程的创作者之一并提供了封装好的一键镜像可在AutoDL平台直接使用。后来AutoDL从一个小众站点成长为拥有大量AIGC用户的平台仅通过我的邀请链接就带来了超七千名训练SD LoRA模型的技术爱好者用户。此外我还主导开发了一款名为“造梦笔”的小程序上线三周用户量即突破十万。我们为此建立了五个满员的QQ群相关频道也吸引了超过六千名成员加入。再到后来我主导开源了Llama2与Llama3的中文首发后训练版本。对此我做了一个开源的 repo将训练好的模型权重、自己整理清洗与构建的数据集以及完整的训练流水线代码、超参数配置等所有相关资料全部开源。该项目发布后在GitHub 上获得了大量关注同样收获了许多星标。到后期时也聚集了几千人的社群。而现在围绕Agent项目我们的Kode Agent在npm 上的累计安装量已经超3 万这意味着至少有3万多名开发者正在基于它构建自己的垂直应用或智能体。虽然不知道他们最终落地进展如何但这个数字背后是真实发生的开发和尝试。那我们可以预见是不是半年内——世界上真的会多出几万个这样的智能体在各垂直业务中运行的Claude Code。从某种角度看我在每个感兴趣的领域都积累了一些影响力只是它们并不连贯也往往有它的上限。比如目前我运营的公众号shareAI粉丝到了一万左右就增长得很慢了——其实这也很正常因为真正深入关心Agent 实现、想自己构建智能体的人在国内可能总共也不超过五万人。我们能做的就是把这群真正感兴趣的人吸引和连接起来。02Kode Agent的诞生4.您为什么选择复现 Claude Code 并开源 Kode CLI过去一年我们的重心在智能体Agent领域。2025年初当Manus和 “AI 程序员” 等概念火热时我们注意到其交互设计与我们之前刚好在集中时间研究的一个更早的开源项目叫OpenHands 非常相似。OpenHands 为每个会话启动一个独立的Docker 容器但拉起速度较慢而Manus等类似产品则通过预置容器池优化了多任务拉起的等待体验。我们深入研究后发现当时社区主流的Agent框架如ReAct 范式大多依赖于复杂的提示词工程来串联思考、执行、反思等步骤我们认为这种方式不够优雅遇到了瓶颈。大约在4月初我们开始研究Anthropic 的Claude Code。起初觉得它体验笨重谁没事开个命令行就对着 ai 聊半天但深入使用后发现其效果远超其他同类工具。为了弄清原因我们运用了早年的“黑客”技能抓包分析网络请求、逆向其JavaScript 代码结合早期泄露的版本和社区分析最终完整还原了其内部机制。我们发现Claude Code的核心并非冗长的提示词而是一套精巧的机制设计。对此前段时间我们把摸索如何做一个开源的 Claude Code Agent的心得输出到一个仓库中还小火了一把。这一发现彻底更新了我们的设计思路。基于此我们吸收了其中的哲学理念并开发了自己的开源项目Kode——目前有三种形态以适配不同场景和用户1.Agent Runtime CLI形态为终端用户提供的命令行工具可作为Claude Code Agent的完全开源替代支持配置多种大模型可通过bash shell进行灵活的编排。2.Agent Runtime SDK形态为开发者提供的软件开发套件。开发者可以自由组合我们封装并测试好的模块快速构建属于自己的各类Agent真实产品应用。3.Agent RuntimeWebUI形态面向非技术背景的业务人员。通过SOP文档撰写、任务聊天与类n8n的可视化拖拽等交互搭建方式让使用者能像搭积木一样组合不同模块来创建适用于“特定工作流程的智能体”而无需编写代码。Share AI Lab正致力于通过Kode这样的开源Agent运行时项目降低AI 智能体的创造与使用门槛让更多人能便捷地构建和运用AI智能体。5.您在百度、腾讯这类大厂的算法工程经历是否帮助您更深刻地理解了开发者需要什么具体是如何影响您现在所做的Kode Agent等系列项目的这些经历确实带来了很多实质性的参照和思考。虽然我之前在百度、腾讯做的工作与Agent并没有直接关系。但我一直认为进入一个规范的中大型公司接受职场锻炼非常重要——不一定非要是大厂但这种环境能让你沉淀出一套科学的工作方法和组织流程。我们不是说大厂的所有流程都正确但它背后往往有它的合理性。对我个人而言这段经历尤其在工程规范性、代码库设计和系统架构上给了我很大启发。写代码这件事你怎么写都能让它跑起来、实现功能但一个能跑通的程序和一个高质量、可长期维护的程序中间是有很大差距的。如果没有良好的抽象和设计项目很容易陷入反复推翻重来、或者越做越拧巴的境地而如果前期思考得足够清晰后续的迭代大多只是局部调整可以持续在原有模块上演进和完善。大二在盛大云实习这种对工程科学性的理解对我现在做任何事的方法论都有提升。具体到Agent领域我过去的经历也在影响我今天的构建方式。我之前偏向模型训练与推理相关的工作虽然现在不直接训练模型了但我很清楚未来的Agent model一定会走向“差异化”。今天大多数人还没有上千张卡的条件去调一个千亿级模型但如果我们能在Agent运行过程中系统性地收集交互轨迹和数据这件事会变得非常有价值。所以在设计Agent基础设施时我会特别注重可观测性与数据收集——如果Agent在生产中运行我们就能系统性地收集交互轨迹清楚识别出哪些是good case哪些是bad case。针对bad case即使不调整模型也可以通过封装成特定的Agent Skill进行定向修复指导其在特定场景下的行为。如果这样的系统持续运行多年随着强化学习方法的普及和训练基础设施的成熟未来模型调优的成本和门槛可能会大幅降低——也许就像今天刷机、反编译一样将来每个人都能以很低的心智负担去优化自己的Agent。而这种往前看、往底层想的习惯正是我之前做模型和算法背景所塑造的思考方式。6.将您对需求的理解转化为实际产品的过程中复刻Claude Code核心机制时遇到的最大困难是什么最大的困难倒不是某个单一的技术壁垒而是一个由无数分散挑战构成的集合。初期我们对它的运行机制一无所知只能从零开始猜想。随着逆向研究和流量分析的深入——这里用到了一些类似渗透测试的技术思路我们不断修正自己的理解经常发现实际情况与最初的推测完全不同。由于无法直接查看完整的源代码我们只能捕捉局部信息反复对比、拼凑印证、逐步推测其整体架构。这就像在黑暗的房间里闭眼摸象先碰到鼻子再摸到腿、尾巴……直到摸索完所有局部才能在脑海中拼出完整的形态才真正明白它到底是怎么运作的。困难就散落在这个过程的每一步中直到所有线索最终连接起来真相才逐渐浮现。7.如果拉长时间线来看从您开源 Llama3 中文版本到成功复现 Claude Code等项目背后是否有一条一以贯之的技术理念在驱动从纯技术角度来说当初做Llama3以及更早的Llama2中文的post-training我更多是觉得这件事有意义。它属于“模型数据”类工作重点在于系统性地执行与输出——收集数据、微调、训练并把整个过程开源复现把知识传递出去。而现在做的Agent相关项目则是另一条路径。我们花大量时间研究开源框架、逆向分析闭源产品像“在黑暗的房间中摸象”一样逐步拼凑出其设计全貌。这个过程耗时费力但一旦理解原理实现路径就变得清晰剩下的主要是时间问题。Claude Code Agent本身也在快速迭代从去年发布到现在它加入了大量新机制与特性。但我们发现其核心框架相对稳定新增功能多是特性叠加。我们会吸收其中优秀的设计但不会全盘照搬——有些“雕饰性功能设计”实际意义不大我们考虑的并不是Vibe Coding场景而是更侧重关心物理世界的各种任务场景上的Agent驱动基础设施。同时我们也在沉淀自己的思考要服务于未来强化可观测性、轨迹收集、场景优化分析等数据科学基础工作让开发者能更便捷地封装Skill、为未来训练做准备。这和我们之前做模型微调在技术上不直接联系但它们的共同点都是需要投入持续的时间和扎实的工作量——不是所有人都愿意这样投入而我们愿意也正在这样做。03行业洞察AI Agent的终局是什么8.关于您提到的产品愿景“Web Working for Everyone”是否意味着Coding Agent的目标用户也包括普通人这是否源于您对非专业开发者需求的观察那非专业人士能否也轻松使用它这三个问题其实是一个交错的关系。我们从一开始就相信Coding Agent的潜力绝不会只局限于开发者在IDE 里用Copilot或者在终端里调用Claude Code——它的能力太强了未来一定会扩散到成千上万种不同角色的工作中去。开发者只是其中的一种而先进的生产力工具迟早会普及到更多人手中。不过最初我们并不知道具体会怎么扩散。我们只觉得它“应该会”但路径并不清晰。直到后来我们看到Claude Code像当年的Stable Diffusion 一样形成了一个关键词流量生态。很多自媒体、公众号都在传播怎么用它来实现办公自动化、完成某个具体任务——往往不是教你怎么用Claude Code写一个具体的代码。这些内容在非技术圈里广泛传播其实印证了我们之前的判断很多不写代码的人已经在自发探索怎么把Coding Agent 用在自己的工作里了。再到第三层就是“不写代码的人怎么系统性地使用它”。这就是我们在做的产品——Kode0也是一个完全开源的项目很快会发布第一个版本会内置在Kode Agent CLI中像n8n那样提供安装使用方式。它的目标就是让即使完全不会写代码的人也能像搭积木一样通过可视化方式把自己对某个流程、某个业务的理解“组装”起来构建属于自己的智能体甚至定制化的“业务版Claude Code Agent”。最近OpenClaw项目的爆火其实也印证了我们原来发展的理念方向正确性以及在现实物理世界中各种任务场景上的普遍需求。写代码本质上是一种“胶水”程序员通过代码把不同模块粘合起来实现功能。如果提供相同的模块那不写代码的人也应该能用可视化的方式把它们“粘”起来做出自己想要的东西。程序员只占社会很小一部分而其余99% 的人也应该有办法去组合、创造——这正是我们正在推动的事。9.Kode Agent选择在怎样的路线上建立自己差异化的优势其实我们在几个月前就有了一个很深的信念这个世界可能并不需要又一个VibeCoding工具。今天你看市面上已经有很多选择无论是Cursor、Claude Code、Codex还是国内各大厂推出的AI Coding工具这个赛道其实已经很拥挤了。对开发者来说往往只会选择最好用、最顺手的那一个——谁先进、谁体验好、谁周围人都在用就用谁。Kode如果只定位成又一个Vibe Coding 工具那它可能只是“还不错”的选择之一但这并不是我们真正想做的事。我们更相信的是Coding Agent不应该只是人手里的工具而应该成为社会的基础设施。如果它离程序员很近那就是一个软件界面、一个IDE like产品但如果它离人很远它就能在背后默默工作成为支撑各行各业自动化的“水电”。未来很可能出现这样的图景每天有成千上万的Agent定时启动、连续运转十几个小时处理海量资料、分析信息、执行操作。它们的总工作量不亚于今天职场上的人力但人们却感知不到它们的存在——因为它们就像流水线或电力系统一样在幕后持续运行。我们判断三到五年后整个社会中的Agent数量会远远超过人类并且单个Agent 的智能水平可能超过一半的普通人。它们会分布在银行、楼宇、生产系统、数据管道中承担业务流程的自动化处理。这个规模可能会达到数十亿甚至数百亿。所以对我们来说Kode Agent的差异化路线不在于和前端的工具卷界面、卷手感、卷谁出现在搜索结果前列——那可能只有第一名有意义。我们选择的是往后走、往底层走让Coding Agent成为离人更远、后台运行、但社会价值更大的基础设施。10.如何平衡完全开源与商业产品我们的思路类似于安卓与谷歌的关系。其实谷歌从安卓上赚了很多钱但安卓本身是一个不赚钱的项目需要投入大量的工程师和精力。安卓系统本身完全开源并没有所谓“开源版”和“高级付费版”之分。但谷歌通过安卓占据了两个关键生态一是搜索入口国际版安卓手机默认在桌面有谷歌搜索条二是通过Google Play 商店进行应用分发来实现商业价值。对我们而言思路也是一样的。我们不想在开源的东西上直接赚钱——开源了就是开源了你可以拿去二次开发怎么用都可以。我们开源的是“infra”基础设施而我们通过做infra 周边的服务来支撑商业发展。具体来说如果你使用Agent时会面临一些繁琐的共性需求例如需要便捷地接入和管理不同特性的模型它们可以相互配合需要集成多种搜索源或工具虽然今天各家都提供搜索 API但很零散对此每个月你都要检查各家账单是否超支下个月要预充多少费用确保不中断。而我们可以将这些能力整合提供一个稳定、高效的“插座”就像国家电网——你只需接入就能方便地选用来自不同“发电厂”模型商的“电力”AI能力。我们可以默认集成这些但也不限制用户——你可以用自己部署的模型或第三方 API。我们只是把该集成的能力都提供给你你可以选用也可以不用。另外这背后还有一个底层思考我们认为AI其实更像制造业而不是互联网。制造业有供应链问题、生产成本问题。AI有“电”和“卡”的成本——AI的成本仍然很高尤其是越聪明的AI成本越高每个时刻“最聪明”的模型一定是最贵的同时模型都跑在A100、H100 乃至B200 这些集群上公司花费数百亿建设数据中心卡也是从英伟达高价采购的。服务周期内这些硬件成本是固定的电费也是固定的。因此AI绕不开成本与经济问题它不会变成免费无法靠“免费流量”的模式持续。最多是未来模型更高效能用更小的模型驱动相同水平的任务但如果你想用最顶尖的模型它的价格依然会维持在相应的高位。我们则在其中提供价值并为此获取相应的服务回报这也是一个必须尊重且健康的商业逻辑。总结来说我们通过提供infra周边的服务来支持我们自己。开源部分完全开放而商业化的部分则建立在为使用这些infra的开发者提供便利与增值服务之上。11.如何理解您提出的“Bash is all you need”这一观点大约半年前我们就在GitHub上以及我们撰写的许多关于CLI 和Agent 的教程、输出内容中提出了这一点。我们之前甚至还做过价值1999元的付费Agent训练营其中就包含我前面所讲到的这些内容。就像盲人摸象当我们在黑暗的房间里摸清大象的形状后发现这个形状不太好形容——圆滚滚的前面有长鼻子后面有尾巴。后来我们思考其核心本质是什么它是一个四条腿、类似狗一样的动物只是鼻子更长。我们可以把Claude Code 简化到极致它就像一个同样有四条腿的凳子。你只要有这个最基础的框架它就能运行。在此基础上你可以添加各种其他工具、机制、模块包括统计、观测等等。加上这些只会让系统更优化、更健壮。但如果你把它压缩到极致我想告诉你的是模型才是那个Agent你只需要为它提供一个工具它就能使用。那么你提供什么工具呢Bash是一种非常 “meta”的System Interface一个“元工具”。因为在Bash中程序员可以用它进行网络攻击、编程、运维。在90年代以前如果没有图形化的操作系统界面Bash 内部集成了所有能操作底层系统的功能文件系统的读写、网络的读写、程序的编译和运行。它提供了一个底层的、通用的抽象接口。在这个接口背后它不只是一个工具而是可能蕴含着成千上万个工具。因为每一个未来的MCP模型上下文协议都可以封装成一个CLI命令行接口。我甚至觉得也许就不需要MCP 来扩展工具列表直接用CLI 就行。AI 只需要看一下--help 就知道这个CLI 该怎么用了。所以未来CLI 很可能就是MCP 的终极形态。如果CLI是MCP 的终极形态那么Bash 就是接入这成千上万种工具的万能入口其背后是一个庞大的工具生态集 Shell语法宝库。这就是为什么我们提出 “Bash is all you need”。当然这也是借鉴或致敬前辈的“Attention is all you need”。04何去何从12.在如此高强度的工作和创业节奏中您是否有自己一些长期保持的兴趣爱好呢我的兴趣爱好其实比较简单可能就是写代码本身以及推动这些技术项目的构建和发展。我觉得现在很多人都有类似的感受——不只是我。最近有个比喻挺有意思Claude Code是程序员圈的“王者荣耀”。当然即便不写代码但你可以想象过去那些让你觉得很烦的工作现在你只需要和AI表明诉求它就能帮你完成。你和它说得越多它能帮你做得越多。如果你有做不完的工作或者有很多想法需要验证你就会特别想让它去帮你实现。所以Claude Code就像程序员圈的“王者荣耀”让人沉浸其中不断探索和创造。13.结合您自身的经历和心得对于想要更多进入AI Agent领域创业或参与开源的开发者您能给出一些有建设性的建议吗首先针对AI Agent领域的创业或开发我想先打个广告或者说给出第0条建议如果你今天想构建一个“Manus”那样的项目或者构建一个垂直领域的Claude Code无论是用来写代码还是执行特定任务的自动化又或者你想抢占“世界上第一个XX领域的Agent”这个名头其实你并不需要从零开始构建所有底层工作。你可以直接基于我们开源的Kode Agent运行时进行修改与二次开发。为了方便大家基于我们的开源项目进行二次开发我们还专门提供了SDK。你可以直接用我们的Kode Agent SDK来改造快速实现你的“XX业务领域Manus Agent”或Claude Code构想。因为回到前面说的今天做一个Manus或Claude Code并没有那么难但也不是完全没有工作量其中有一些比较繁琐的部分。我们帮你解决了这些基础工作量的问题你只需要加上自己业务的know-how以及你认为在特定场景下用户更喜欢的交互方式比如前端形式可以是网站、App、小程序甚至集成到硬件上通过语音、按钮或屏幕交互。背后的机制或引擎是相同的就像做游戏开发不需要反复实现Unity 引擎一样你可以直接使用我们提供的“引擎”。接下来是第一条建议我建议大家去寻找垂直领域。我们看到“Manus” 的定位是非常通用的。与它类似的产品还有 “Genspark”国际层面它们都属于头部的通用Agent 品类。在国内这类通用聊天机器人则可能是豆包、文心一言等各大厂的产品。大厂有足够资源和变现手段例如通过推荐外卖、打车等服务抽取佣金因此通用品类是他们的主战场。对于资源有限的开发者或创业者来说直接与它们竞争非常困难——除非你能融到巨额资金比如找红杉融两个亿去硬拼否则很难获胜。所以通用品类建议大家不要碰了。既然通用领域行不通那就要考虑非通用领域。所谓“非通用”就是看你深耕在哪“一亩三分地”你的老家产业、你的本职工作、你的家族行业或者你非常熟悉的特定领域。你越了解某个细分领域就越有优势在其中打造一个Agent。无论是为了融资、做大还是为了创立一家公司来取代同行业中没有使用Agent 的传统玩家。如果你能在某个垂直领域做出一个好用的Agent或先进生产力工具就能对其他玩家形成降维打击。但这个“垂直”需要足够聚焦和精细。它不一定非要做得很大也许只是一个非常好用的工具、脚本或流程。你可以把它分享给身边的同行或客户他们甚至可能直接为你提供的咨询服务付费。具体能做到多大取决于你自身的势能和所在领域的实际情况。总之我的核心建议是利用我们的开源基础设施降低启动门槛然后全力深入你最熟悉的垂直细分领域构建解决实际问题的Agent。14.关于您个人在未来几年在生活和工作方面有什么规划和预期吗生活和工作方面我还是希望把我们Share Lab发展得更好。具体来说一方面是加深我们在Agent相关基座的开源建设——我们本质上是在做一个Agent运行时runtime项目。我希望把这个运行时做得更优秀、更强大让更多人能基于我们这个运行时来构建他们自己的“Manus”、自己的Claude Code也就是打造他们各自垂直领域里的“先进火把工具”。我们则充当背后那个提供燃料或基座的中间运行时层并把这件事做扎实。另一方面我们还需要前瞻性地看问题。希望在这个基础上扩充更多关于Agent运行轨迹的观测能力建设。当然这些观测相关的中间件也会开源。目的是让开发者或工具构建者能够清晰地看到自己的工具在真实环境下的运行情况——不一定是在用户手中也可能是在你自己运行的数百条任务中。你可以观察它在实际工作环境下的轨迹和表现分析不同的action 是什么收集好的案例和坏的案例进而进行优化。更进一步说就像我之前做Llama 2和Llama 3 的中文后训练那样——当时这项技术在我看来已经比较成熟了只要收集好数据数据质量尚可或足够高结合LoRA 这类轻量微调手段就能以较低成本完成微调。如果未来强化学习RL也出现类似突破变得通用且成本可控那么人人都能在自己的领域应用RL。我们现在在Agent层面推动的轨迹数据治理、规范化建设正是为此做准备。因为我们自己做过模型也大致能预见未来模型的发展方向。我们希望一旦低成本强化学习普及我们能将这种能力赋能给所有人——不仅仅是OpenAI 或Anthropic 能做任何人都可以。即使你不懂模型训练或数据科学我们也可以把它封装成一个按钮你点一下跑一夜第二天早上就优化好了。所以我们最终希望加强的是让项目更偏向AI科学朝模型和数据的方向走朝着治理和优化的方向走而不是仅仅作为一个纯软件工程、靠代码胶水粘合起来的作品。坦白说我们今天做的事情就像“502 胶水”帮你把模型、上下文、工具、环境、用户交互、API 通信等要素粘合起来。未来我们希望这“胶水”能更牢固或者让被粘合的部件之间耦合得更强——这大概是未来三四年我们希望充分优化和建设的方向。当然如果出现新的技术变量我们也会考虑引入。如果新技术变量太大现有Kode Agent 架构承载不了我们也可能开启一个新项目并吸收现有成果。就先说到这儿吧省得将来打脸。故事征集《LaunchBox》是程序员客栈推出的技术项目孵化平台致力于为全球顶尖技术创业者与极客开发者提供项目展示、推广与孵化服务。无论您的项目专注于AI、区块链、开源技术还是其他颠覆性创新领域LaunchBox都欢迎在此首发。欢迎大家推荐朋友或自己来参加我们的节目分享与对话是一件利他又利己的事。
