文章摘要
旧金山一场限时三分钟无PPT的AI创业公司路演活动上，十二家公司聚焦成为用户与AI间的中间层。项目涵盖医疗、开发运维、用户偏好运营等多领域。投资人认为当前AI竞争残酷，资金向增长快的公司倾斜。做中间层虽有优势，但也面临被大模型厂商和宿主平台绕过的风险。

在旧金山一场限时三分钟的无PPT路演上，十二位创始人依次登台展示他们的AI相关项目，没有花哨的演示文稿，只有直白的项目阐述和即时的投资人提问。整场活动下来，我发现一个清晰的共性：几乎所有团队都在争抢同一个赛道——成为用户与AI之间的中间层。

这场活动由当地两家科技团队联合举办，场地设在其中一家公司的总部，楼下设有24小时开放的共享咖啡馆，专为创业者和投资人提供交流空间。活动六点开门，六点半正式开始，开场环节简要介绍了场地和合作方的支持资源，包括高收益储蓄账户等商业服务。

活动规则简洁严苛：十位提前筛选的创始人先登场，中途又临时加入两位，凑足十二位。每位创始人仅有三分钟发言时间，不得使用辅助演示工具，只能站在原地清晰传递项目核心。发言结束后四位到场的投资合伙人立刻展开提问，一轮问答耗时五到八分钟。整场活动结束后现场投票决出前三名，分别获得一千、五百和两百五十美元的奖金，我的手中拿着打印的评分表，用来记录每家公司的核心信息和投资人的打分意向。这种近乎残酷的限时机制，恰好还原了真实融资场景中投资人的决策逻辑——没有时间等待冗长的铺垫，创始人的核心思路必须在极短时间内清晰传递，任何含糊其辞都会被当场戳破。

医疗健康：填平资源不对称的鸿沟

第一个登台的创始人Christina带来了Pinpoint项目，她的开场充满了个人真实经历：四年前她被确诊为一种罕见且进展迅速的癌症，即便在全球顶尖的肿瘤医院治疗，医生也坦言可用的治疗方案寥寥无几。她提到，每年全球有近百万像她一样的罕见癌症或晚期癌症患者，绝大多数人只能依靠自己上网搜索、拼凑治疗方案，尝试各种未经证实的补充剂，甚至众筹前往国外参与实验性治疗，只有极少数人能负担得起每年数十万美元的顶级私人医疗服务。Pinpoint的核心业务，是让患者上传完整的诊断资料，通过AI结合具体生物标志物，匹配最对症的超适应症用药和补充剂方案，服务价格仅需数百美元，而非传统私人医疗的天价费用。Christina和联合创始人曾在全美最大的青少年心理健康服务机构之一共事，团队还发起了针对她所患癌症的非营利组织，已有数千名患者加入，董事会成员包括来自顶尖肿瘤机构的专家，这些资源让Pinpoint的首批客户几乎零获客成本。

另一家医疗相关项目是Canary AI，创始人Kaushik来自明尼苏达的医疗产业集聚区。他的灵感来自一位病人家属的倾诉：家人因同样的肾病问题一年内反复住院二十四次。医院再入院是全球医疗系统最昂贵的成本之一，仅美国肾病领域每年的再入院支出就接近三十亿美元。Canary AI通过抓取电子病历中的结构化和非结构化数据，包括医生笔记、化验结果、用药记录和生命体征，训练模型预测患者三十天和九十天内的再入院风险，同时向医生解释预测依据和对应的财务影响。团队已经进入梅奥诊所的加速项目，能够接触到多个院区的高质量临床数据，目前尚未正式商业化，计划先在肾透析和肾移植患者中验证效果，后续再扩展到代谢类疾病领域。当被问及保险公司是否会为这项服务买单时，Kaushik表示团队正在与联合健康的子公司洽谈，但现阶段医院端的成本压力更大，因此优先从医院场景切入更为现实。

这两家医疗项目的核心逻辑高度一致：他们并非打造更智能的AI诊断工具，而是在解决医疗资源和信息的不对称问题。AI在这里的角色更像是一个翻译器，将顶级医疗资源中的决策逻辑，以亲民的价格传递给普通患者和医疗机构。

AI开发与运维：解决规模化落地的痛点

接下来的两个项目让我对AI基础设施有了全新的认知。第一家团队由两位伯克利出身的研究人员创立，他们发现随着coding agent的性能大幅提升，企业开始愿意将AI生成的代码投入生产环境，但随之而来的新问题也愈发突出：本地开发环境下，每位工程师同时能开启的会话数量有限，环境变量、密钥等配置都依赖个人记忆，一旦人员变动，团队协作就会陷入停滞。他们的解决方案是将团队的编码环境从本地迁移到云端，简化开发环境的配置流程——传统从零搭建一套可测试的开发环境需要四十五分钟到一小时，他们希望将这个时间压缩到十到十五分钟。团队还观察到，当前活跃的工程师团队每天会推送一两百个代码提交请求，普通开发者根本无法完全跟进同事的工作内容，因此他们额外开发了自动生成文档和PR摘要的功能，支持开发者直接跳入同事的实时会话查看工作进度，兼容Claude Code、Codex等多种工具。当被问及如何证明项目价值时，团队表示首个合作客户中，有一位工程师每天早晨都需要花费大量时间研究同事的代码变更，自动化这项任务后，该公司直接裁掉了两名负责此项工作的工程师。

另一家名为Phantm的团队，创始人来自耶鲁大学，他们瞄准的是AI调用的成本优化痛点。当前几乎所有使用agent产品的团队，在每次模型调用时都需要做出一系列决策：选择哪个模型、如何组织上下文窗口、调用哪些工具、缓存哪些内容，但大多数团队没有时间进行精细化优化，导致大量成本白白流失。Phantm打造了一个几乎无需修改代码即可接入的网关服务，团队只需保持原有的OpenAI接口调用方式，将请求指向该网关即可。系统会自动分析每一次请求，在保证回答质量的前提下，选择最优的模型和价位档位，同时压缩传递给模型的上下文内容。团队基于数万条真实工作流测试发现，该服务能在不降低回答质量的前提下将推理成本削减一半以上，某客户的合同审查工作流场景中，系统自动识别出可大幅压缩的空间，进一步节省了成本。

这两个项目让我意识到，coding agent和大模型调用已经进入规模化落地阶段，不再是实验室里的演示demo，而是真正在企业日常运转中高频使用。此时，基础设施层面的优化不再是枯燥的技术细节，而是直接关系到企业的真实成本和生产力损耗，这也是投资人愿意投入精力倾听的核心原因。

用户偏好与内容运营：让AI理解主观价值

来自伯克利的Mayan创立的Galya团队，开场就抛出了一个扎心的问题：当前市面上几乎所有AI产品都无法真正理解用户到底是谁。她分享了自己独自在越南旅行一个月的经历，使用ChatGPT和Claude获取旅行推荐，得到的却都是泛泛而谈的通用答案，完全无法匹配她作为资深旅行者的个性化偏好。为此，Galya团队开发了一套模型，通过分析用户与内容互动时的行为信号——停留时长、划走内容、放大查看的细节等，结合内容本身的特征，构建出一张可被自然语言理解的品味图谱，让AI能够基于这张图谱进行推理，而非简单的关键词检索。团队强调，这并非简单的向量嵌入贴标签，而是从用户感知开始，逐层叠加行为数据和时间维度，最终形成真正意义上的用户品味画像。该产品上线五天就获得了四十位活跃用户和两位付费客户，还有多个大型合作正在洽谈中，免费试用期仅剩两周后将正式收费。当被问及如何解决冷启动问题时，Mayan表示由于团队完全不触碰个人身份信息，规避了大量合规风险，模型从第一次互动就开始学习，冷启动阶段的效果已经比初始版本提升了四倍。

另一家名为strinkl的团队，创始人Benjamin聚焦于内容运营的痛点。他指出，几乎所有大型企业都清楚内容营销的重要性，但如果询问创始人内容项目的投入产出比，十有八九无法给出准确答案，无论项目是外包给代理公司还是内部团队执行。问题的根源在于数据分散在多个平台，彼此无法互通。strinkl打造的是内容项目的运营中台，帮助团队完成创作者入驻、跨平台数据聚合、打款结算等工作，同时将创作者上传的内容、内容带来的点击量、点击转化的注册和最终订单全部串联起来，实时展示哪条内容、哪句文案正在打动哪一类目标客户。Benjamin和联合创始人拥有二十年的相关经验，曾在上一个YC项目中完成过类似的归因追踪工作，团队成员也曾在Twitter和Spotify负责运营和广告技术业务。从三月接手第一个客户至今，strinkl已经拥有十五位客户，其中一半来自最近几期的YC加速项目。当被问及如何处理多平台的归因冲突时，Benjamin表示团队直接参考客户自身的资产数据，目前仅有一成流量可被明确归因，但随着创作者投放量的增加，这个比例会逐步提升。

Galya和strinkl看似解决的是不同领域的问题，但本质上都是在将主观、难以量化的内容和用户偏好，转化为AI可理解的结构化数据，成为AI时代的新型生产原材料。

AI Agent落地：效率与责任的平衡

Bhavani创立的Rover，前身为Retriever AI，她的开场提问直击用户痛点：你是否曾遇到过一款产品，因为无法快速上手而直接放弃？她指出，当前市场上有大量AI导购agent从外部帮助用户完成任务，但这些agent如何与产品内部进行互动，产品方几乎毫无洞察。Rover是一款直接嵌入网站的agent工具，一方面能够为访客提供实时、高度个性化的产品演示，帮助将访客转化为付费用户；另一方面能够帮助已有用户自动完成产品内的引导和设置流程。团队成员曾在发布相关工作中服务过数百家出版商，帮助提升用户转化率，现在将这套经验应用到企业级agent服务中。仅三个月时间，Rover已经接入了两千多个网站，团队声称其浏览器agent比OpenAI和Anthropic的同类产品准确率更高，速度快十一倍。当被问及如何处理不同产品的界面差异时，Bhavani表示，多数同行依赖抓接口和跑脚本，无法覆盖那些需要界面交互才能完成的操作，而Rover通过实时理解网页本身的结构，即便页面改版也能快速适配。

另一组创始人创立的Novarch团队，产品名为Lark，他们解决的是AI agent执行动作后的责任归属问题。当前企业不敢大规模部署agent，并非因为agent不够智能，而是因为agent可能以意想不到的方式失败，而企业缺乏一套机制来判断哪些失败是可接受的。Lark是一个位于agent动作路径上的执行层，每当agent要执行一个带有实际后果的动作时，Lark会先给出裁决：放行、拦截，或是转由人工复核，全程保留完整的审计记录。团队表示，与市面上多数将agent安全视为技术问题的产品不同，他们将其视为运营问题，核心在于理清agent整个会话过程中的推理逻辑和调用的工具，再与熟悉业务流程的人员进行对齐。目前团队专注于涉及真金白银的场景，比如发票处理、理赔、退款结算等，这类场景能够最快证明投资回报。他们的首个客户是一家水管工程总包公司，每年支付三万美元用于预算对账的审计服务。当被问及定价模式时，团队表示将按照动作数量收费，agent经济的规模越大，团队的收入天花板也就越高。

这两个项目形成了鲜明的对比：Rover致力于推动agent替用户完成所有流程，而Lark则在agent执行前加入了人为可控的审核环节。一方拼命将agent推向前台执行，另一方则试图将人重新拉回决策链条，这两股力量同时出现在这场路演中，获得了投资人的认真关注。

商业化与获客：AI时代的销售新基建

Clean团队的创始人开场先向台下提问：谁的外呼回复率超过5%？举手的人寥寥无几。他随后抛出行业数据：当前整个行业的外呼平均回复率仅为3%。多数人认为解决办法是增加外呼数量，市面上的多数工具也主打这个逻辑，但真正做出效果的团队，依靠的是精准找到最适合自己的客户群体，并在最佳时机进行触达。Clean的服务不仅包括帮助客户找到合适的联系对象和触达时间，更核心的是帮助客户梳理赢单和丢单的全流程，追踪外呼的每个环节，分析交易最终达成或失败的原因。上线第一个月，Clean就能帮助客户确定联系对象和最佳沟通时间；到第六个月，Clean甚至比客户自己的销售团队更了解谁才是真正的潜在买家。产品上线不到一个月，月经常性收入就达到了九千八百美元，其中一位客户通过Clean的服务在一周内谈成了一笔十二万美元的订单。当被问及团队的护城河是什么时，创始人表示，Clean的价值不止于提升回复率，更在于陪伴客户逐步梳理清楚自身的丢单原因，这是其他工具无法复制的核心竞争力。

Helena创立的Sense Space，则瞄准了小型电商和本地服务商家的痛点。她指出，这些小型商家没有能力将自己的业务转化为可被AI agent直接访问和购买的形态，在与大型平台的竞争中逐渐被甩开。而独立开发者则缺乏一个能够让自己开发的agent被发现和变现的市场。Sense Space想要成为连接这两方的桥梁：当agent完成原本的任务后，可以顺手推荐相关的产品和服务，从中抽取10%到20%的佣金，这一比例是普通服务费的三到四倍。团队举例的场景包括摩托车改装、家装方案、理发店和美甲店等夫妻老婆店。Sense Space是伯克利SkyDeck加速器的在孵项目，团队将这个方向定义为agent创作者经济：用户通过意图发现合适的agent，开发者通过agent的使用和嵌入式购物实现变现，品牌方则获得一个转化率更高的新型销售渠道。

Clean和Sense Space看似分别聚焦于B端销售和电商基础设施，但本质上都在回答同一个问题：当AI大幅降低了内容和agent的生产成本后，谁来帮助企业将这些产品真正销售给合适的客户？这可能是本轮AI浪潮中最容易被忽视，但实则最具商业价值的一层赛道。

小众工具：降低门槛与重构社交

Jack和搭档创立的Bobby团队，将自己的产品称为“给不会写代码的99%人群使用的Duolingo”。Jack分享了自己的创业经历：上一家公司中，他作为独立创始人只能依靠原型图融资，因为自己无法编写真正可用的产品代码，差点错过AI爆发的窗口期。他的联合创始人是自学成才的技术人员，两人已经带领过两三百对印度高校的学生，从零基础开始学习如何使用AI制作网站、电商店铺和各类应用。Bobby目前有两款核心产品：一款名为What We Learn的游戏化学习工具，通过具体的功能点教学如何打造真正可用的软件；另一款名为Go To Go的工具，能够在任何桌面软件或浏览器中跟随用户，随时回答代码相关的问题，补充基础设施相关的细节，本质上是将各类工具的经验汇总成一个中枢大脑。团队今年夏天在旧金山参加了名为Possible的加速器项目，目前已经拥有十八位付费用户，支持月付和年付两种模式。

最后一位登台的Kinos，带来了Purple Labs的agentic business card产品。他的开场提问直击线下社交的痛点：是否曾在社交活动中重复过同样的对话，添加了LinkedIn后第二天就彻底失去了联系？他的团队想要打造一款能够随身携带的背景和意图工具，每次与他人见面时，只需用手机触碰一下，双方的信息就会自动交流，找出彼此可以合作的领域、能为对方提供的价值，甚至自动推荐合适的中间人。团队背景横跨机器学习和心理学研究，产品上线仅两周就拥有了四百位用户，现场演示了数字版本的触碰交互功能，未来还计划推出实体卡片。他半开玩笑地表示，以后见面不必再索要LinkedIn，不妨试试这款新工具。

这两个项目看似远离了AI agent的核心叙事，但实则也在回答同一个问题：当开发软件和获取信息的成本被AI大幅降低后，人与人之间如何重新建立信任、分配注意力，将成为新的稀缺资源。

投资人的视角：AI浪潮下的机会与风险

十二场路演结束后，主持人向台下的投资人提问，当前AI行业似乎所有人都在做agent，大家有什么大胆的看法。一位投资人表示，当前不仅软件领域值得投入，物理世界的诸多问题也终于到了值得动手解决的时机，因为过去阻碍行业发展的诸多硬逻辑问题正在被逐步打开。另一位投资人指出，现在获得下一轮融资的门槛已经指数级提升，他们近期接触到的一家公司，仅用几天时间就实现了实打实的用户增长，另一家公司几个月内就冲到了七位数的月收入，这在过去是难以想象的速度。他建议创始人趁着当前开发成本极低的时机，一定要找到自己真正有热情解决的问题，因为当前的竞争烈度已经达到了残酷的程度，投资人手中的资金有限，只会投向增长最快的那一批公司。

还有一位投资人的话让我印象深刻：现在想要被人看到从来没有这么容易，任何人都能在几分钟内搭建一个网站、上线一款产品，看起来和其他团队相差无几。但与此同时，想要真正被记住也从来没有这么困难，因为你做的任何产品，三个月内就可能被竞争对手抄走，甚至做得比你更好。他给创始人的建议是，一定要想清楚自己为什么真心想要解决这个问题，那种发自内心的独特视角，才是别人无法复制的核心竞争力。当被问及如何接触到这类投资人时，几乎所有人的答案都一致：最好的方式是通过已经获得投资、彼此信任的创始人进行引荐，创始人间的信任是投资人愿意投入时间的第一道门槛。

共同的选择：成为AI与用户之间的中间层

整场两个小时的路演下来，我发现十二家公司几乎都在争抢同一个角色——中间层。Phantm自称成本优化层，Novarch主打执行层，Galya定位品味层，strinkl是内容运营层，Sense Space想要成为agent经济的基础设施层，Rover嵌入网站成为产品与用户之间的桥梁，Clean则想成为销售团队背后的支撑层。几乎没有团队宣称要打造直接面向所有用户的终端产品，所有人都在争抢夹在用户与AI之间的那一层赛道。

这背后的逻辑不难理解：打造终端产品意味着需要与巨头直接竞争获客，成本高、周期长；而做中间层则只需要说服一小批已经拥有产品和用户的团队嵌入自己的服务，增长曲线可以跟随宿主平台同步提升。这是一种非常聪明的打法，但也存在明显的风险：一旦大模型厂商将这类中间层功能内置到产品中，或是宿主平台认为这类服务的门槛较低，这些创业公司很容易被绕过。真正能够存活下来的，大概率是那些积累了专有数据和专属信任关系的中间层团队，比如Canary AI手中的梅奥诊所临床数据，Pinpoint拥有的顶级肿瘤专家资源，这些都无法通过一个更优秀的模型在一夜之间复制出来。

走出活动场地时，我心中颇有感慨。三分钟的时间非常短暂，但十二位创始人愿意站在陌生投资人面前，将自己数月甚至数年打磨的想法压缩在一百八十秒内清晰传递，这件事本身就值得尊敬。硅谷当下的赌注其实并不复杂，赌的就是这些愿意站出来分享三分钟的创业者，能否将自己坚信的小事，打造成他人无法绕过的关键中间层。

以上内容不代表本平台立场，仅供读者参考