136: Sora新世界 & Lovart 4个月复盘 | 与陈冕聊怎么做垂类Agent|Agent#5

摘要

• 陈冕对 Sora App 的核心判断不是“AI 抖音”，而是 Cameo 驱动的 AI 社交产品。 九秒视频已能一次给出镜头语言、中文声音、人物一致性和音画同步，真正的产品飞轮却来自“和朋友、名人合拍”以及左右滑 Remix；他的 Aha moment 是：“这不是社交吗？哇，这是 Instagram。”

• Sora 打开的可能是数十亿用户的虚拟社交机会，也把竞争窗口压缩到了三至六个月。 陈冕认为，只要它有 10%—20% 概率成为 Super App，模型巨头和已有 Super App 的公司就承受不起缺席；但中型创业公司即使率先做火，也会同时遭遇人脸隐私、监管、天量生成成本和巨头快速复制，机会与资本更可能向头部集中。

• Lovart 公开上线两个月后，DAU 已升至 15万—20万。 Beta 期间在邀请码限制下每天约一两万量级，但原文未明确该数字对应的具体指标；Beta 结束后 DAU 先升至 8万—10万，Nano Banana 又带来进一步增长。美国贡献超过三分之一用户，收入占比略高但没有高很多；按全年预估收入口径，收入已超过 3000 万美元。调用成本目前基本可以覆盖，但免费用户比例更高、转化需要周期，早期整体仍会亏损。

• Lovart 押注的垂类壁垒不是独占基础模型，而是专属 Interface、Context 和行业经验。 Chat Canvas 模拟客户与设计师围着视觉产物“指指点点”，计划沉淀企业历史物料、Reference 与 Preference；当所有应用调用相似模型时，“谁能收集更多的 Context，意味着谁的体验更好”。

• 陈冕把 AI 应用增长概括为：提前画出模型成熟后的产品，再等技术浪潮追上来。 GPT Image 1、Nano Banana 等模型兑现复杂指令、编辑和一致性后，预先搭好的 Chat Canvas 才能第一时间放大能力；下一阶段要做的是增长早期 Agent 用户、把 Context Engineering 做深，并在等待模型与用工程补足当前能力之间持续取舍。

• 生产力应用已进入白热化阶段，陈冕认为新进入者必须“今年就在牌桌上”，而下一波大机会在 To C。 Veo 3 曾降价 70%，Nano Banana 比 GPT Image 1 更便宜，GPT-5 也比 Claude 便宜；创作成本持续下降后，变量将从“谁生产内容”转向“人们消费什么新内容”，但创业公司的 To C Super App 更可能从不起眼处慢慢长出，而非一上线就爆。

• 速度既是 Lovart 的组织优势，也是最显著的经营风险。 陈冕认为 AI 产品的有效窗口可能只活两年，团队因此优先选择理解 AI、能高频学习和接受调整的人；支撑这种节奏的不是盲目乐观，而是两个仍需观察的基本判断——AI 仍会快速进步、AI 会取代虚构内容创作——以及一句带着矛盾感的自我警报：“我有点害怕我过于焦虑，我又害怕我不够焦虑。”

精读

1. Sora 的第一次冲击来自一条无摩擦的九秒创作链

• 陈冕凌晨三点拿到邀请码时并无高预期：发布突然、线上介绍也很简单。但产品 Flow 足够顺，他几乎无学习成本便做出第一条“我和 Sam walking on the street”，生成快、镜头效果很好，生成出来后让他觉得“好像还真有点意思”。

• 第二条是两人在竹林对决；第三条则先让 GPT 写一段九秒《无间道》屋顶对决脚本，再复制进 Sora。直到第三条他才打开声音，中文适配、近似本人音色和音画同步叠在一起，让他感觉“新世界的大门被打开了”。

• 真正使他 Shock 的组合是：有连续镜头语言、有尝试电影级表达的潜力、人物一致性不错，而且“不需要抽卡，就是一次出的”。模型并非每项都达到专业制作标准，却第一次把这些能力压进了普通用户可顺滑完成的链路。

2. Cameo 把视频生成器变成了社交关系的游乐场

• 陈冕很快发现，创作页里除 Sam 外的人自己都不认识；如果既不跟名人拍，也没有朋友在里面，他反而不知道该创作什么。于是他立刻催美国同事互发邀请码，把原本的单人模型体验转成一群熟人的合拍游戏。

• 当同事拿他的脸生成“今天早下班，今天不上班了”，娱乐性第一次来自关系，而非视频本身。陈冕由用户视角切到产品经理视角，得到那个核心 Aha moment：“这不是社交吗？哇，这是 Instagram。”

• 他的定性因此很坚决：至少现在的 Sora 是“AI 社交产品”，不是一般意义上的 AI 短视频产品。模型是根基，但若不利用社交关系，单纯的 AI Feed 早已有其他产品尝试，不足以制造同样声量。

3. Remix 把既有的模因传播产品化为低门槛接力共创

• 陈冕此前就在思考 AI 创作的核心机制：门槛下降后，用户看到别人的作品，可以立刻“接力共创”。Sora 将 Remix 放到点赞、评论等传统动作旁边，说明团队不只在做生成，也在设计作品继续传播和变形的路径。

• 程曼祺把它对应到 B 站的 “Look in my eyes”、MVP 等反复套用的梗，以及剪映“剪同款”：过去这些本来就是 Remix，只是依赖人手复刻、一个个传；AI 让替换人物、关系和情境变成原生动作。

• 左右滑最初生成质量不高，陈冕甚至没用懂，但结果随后持续改善。他看重的是交互选择：“最优秀的交互，不会超出滑动和点击这两件事情”；与此同时，长 Prompt 会弹出 Coding 报错等 Bug，说明首版只优先打磨了关键链路。

4. Meta Vibes 的冷启动反衬了“真人出镜”才是差异

• Meta 在 9 月 25 日推出 Vibes，比 OpenAI 9 月 29 日发布 Sora 早四天，却几乎无人讨论。节目给出的差异是：Vibes 藏在 Meta AI App 中，没有独立 App，也没有 Cameo 这种以真人形象合拍的社交核心。

• 程曼祺的实际使用也暴露了边界：即使在 Prompt 里写明具体台词，Sora 有时仍不照说。陈冕承认模型能力尚有提升空间，但更重要的是，这条产品链路本就没有强调专业创作和精确控制，而是优化快速、好玩的合拍。

• 若目标是“AI 抖音”，首要任务应是尽早供给大量高质量内容；Sora 当前的好玩则来自朋友、名人和关系网络。陈冕的归纳是，它“在模型能力最适合的时候，做了最适合的形态”，而且社交市场可能比单纯短视频更大。

5. 模型、组织与资本必须同时到位，创业公司很难复制整套 Sora

• 面对“中型公司先做出同样交互会不会火”的追问，陈冕先否定了前提：这不只是产品创新，Sora 的模型在这个时间点也是 SOTA；不做基础模型的公司很难第一个完成，只有同时掌握顶级模型、又能孕育消费产品创新的组织才可能率先推出。

• 即使中型模型公司做火，后续挑战仍极重：录入真人脸部带来隐私、合规和监管压力；大量免费生成九秒视频需要“烧天量的钱”；一旦证明需求，掌握更多流量、资金和算力的头部公司会立刻跟进。

• 因而 AI 社交更像巨头战场，而不是只靠一个聪明交互就能守住的创业窗口。创业者仍可切入周边 To C 需求，但若直接挑战同一网络效应，模型和资本规模都会快速变成门槛。

6. Sora 的远期想象是“虚拟世界的微信或 Instagram”

• OpenAI 免费提供并不代表没有商业意图。陈冕赞同 Sam 对“为什么做杀时间产品”的回应：如果好产品能顺便赚钱，会更有利于实现 AGI；Super App 早期可以不赚钱，形成网络后则可能产生大量收入。

• 他把未来社交描述成两个并存世界：现实朋友圈和虚拟朋友圈，分别呈现“虚假的真实”与“真实的虚假”。两者都有虚实成分、边界会逐渐泯灭，最终争夺的是用户时间，以及哪一种身份和关系表达更有吸引力。

• 在想象充分兑现的条件下，这可能成为“数十亿用户”的 Super App；但他反复加上限制：这不是对当前产品的描述，首版的模型、产品、运营和定位都还需要探索，只是模型继续变好几乎已经可以确定。

7. 巨头只有三至六个月，创业公司却不宜迷信一夜爆红

• 陈冕认为，无论一家巨头判断 Sora 成为 Super App 的概率是 10% 还是 20%，都承担不起错过的代价，因为输掉顶级入口的损失远大于参战成本。拥有现成 Super App 的公司和领先模型公司都会进入这场仗。

• 社交网络效应意味着跟进窗口可能只有“三到六个月”。第一批产品仍有机会，一旦朋友关系和内容生态沉淀，后来者再复制界面就难以撬动用户，这也是他判断竞争会迅速升级的原因。

• 创业公司的路径不同：To C 新机会会因这次发布而增多，但真正的创业型 Super App 往往从不起眼的角落慢慢生长。陈冕提醒，“To C 的你爆了要谨慎”，来得太快也可能去得太快；抖音、小红书、快手和 B 站都经历过长时间积累。

8. Sora 让陈冕修正了“巨头不会太快做消费应用”的判断

• 他先澄清此前观点：视频从未脱离 AGI 路线，追求世界模型也必然要求视频能力；只是通往 AGI 的主轴仍是语言，视频等多模态能力会逐渐覆盖，而不是最先决定通用智能进展。

• 真正判断错误的是速度。陈冕原以为巨头推出 To C Super App 不会这么快，现在承认“这个显然我是错了”：OpenAI 比预想更激进，不只要追求 AGI，也想做最强的消费产品。

• 这有两面性：巨头入场验证了领域会更繁荣、注意力和机会都会增加；但巨头边界比想象中更宽，创业公司若不能迅速成长，挑战也会急剧放大。因此他给 Lovart 的要求不是退守，而是“更快地做大”。

9. 资本跑得比物理基础设施快，短期错配可能制造泡沫

• 陈冕把“人类历史上从未有一家公司在爆火几年内快速成长为超过 5000 亿美元的公司”视为资本聚集速度的极端例子。未来空间过于乐观、全球资金又足够充裕，使共识和弹药以前所未有的速度集中。

• 不能同步加速的是算力、能源与基础设施：算力不够、能源不够，建设需要真实时间。短期可能出现 Super AI 成本极高、“钱赚不回来，账算不过来”的局面；几年后也许能成立，但资本预期与现实兑现之间仍可能经历泡沫破裂。

• 另一项慢变量是用户习惯和“人心”。先锋派、怀疑派和守旧派会长期并存，真实与虚拟边界的改变也不能极限加速；陈冕仍认为大趋势“毋庸置疑”，但并未把采用速度说成直线。

10. 陈冕用少数“Wow Moment”判断消费产品的非线性潜力

• Sora 上线第一天，Feed 最高点赞只有十几个，内容也不好看；从上线第一天到现在，创意和丰富度已明显提升。陈冕用快手早期同样难被多数人接受作类比，认为不能拿第一天的“AI 废片”判断一个创作网络的终态。

• 他把自己的消费产品直觉压缩成极少数时刻：“上一次是 ChatGPT，再上一次是抖音。”好的 To C 产品会在第一次使用就显出巨大魔力；Sora 给了他同等级的 Wow Moment，因此他对其长期潜力的判断接近 “no brainer”。

11. 三个月北美经历让 Lovart 的使命从工具品类变成创作平权

• Lovart 5 月测试后，陈冕在美国待到 8 月，前后约三个月。硅谷的人较少先问竞争和终局，而会问创始人为什么非做不可、Vision 是什么、独特性在哪里；持续回答这些问题，迫使他把产品对象想得更清楚。

• Lovart 最终定位为 “design agent for everyone who wants to create”。它不是每个人每日都会打开的娱乐产品，却希望在任何人真正想创作时，成为身边可调用的专业 AI Design Agency，把想象和创意交付为作品。

• 这也划清了与豆包等通用产品的差异：Lovart 长期或许服务很广的人群，但场景本身仍是 Professional 的，要像专业工作室一样产出更好的结果，而不是把“人人可用”等同于降低质量要求。

12. AI 可能减少狭义设计师，却会增加广义创作者

• 陈冕不回避替代：只会 Copy、只做重复交付的设计师会更危险，狭义职业人数可能下降；但设计能力会被普惠，原来没有工具和预算的人也能创作，因此广义的设计师与创作者反而会增加。

• 程曼祺以婚礼为例：一些人生节点里，个人非常想亲自决定视觉表达，找设计师未必比自己说清想法更合适。陈冕补充 Nano Banana 流行后上传照片生成整套艺术照的用法，说明个人专业创作需求并不只属于职业人群。

• 对非专业用户，AI 工作室的价值是以更低沟通和人力成本交付可用结果；对专业设计师，它更像先做素材发散、灵感和底稿的初级团队，再由设计师用自身判断提升上限。

• 他的边界是：“始终有人类可以提升人类内容创作的上限。”Lovart 因而不是只服务普通人，也不是要求专业人士直接采用机器成片，而是让不同能力层级在同一工作室里取得不同杠杆。

13. 旧金山的 AI 创业是一种“兴奋型的卷”

• Lovart 办公室位于旧金山 California Street 一带。陈冕观察到，生成式 AI 应用公司和 Krea、Luma 等玩家更多聚集在旧金山市区；华人创办的公司则较多在南湾、Palo Alto 等传统硅谷区域。

• 他最初通过活动、咖啡馆和 Founder 交流感受“集体情绪”：到处都在聊 AI，全球创业者密集出现，大家同样工作强度极高，却较少陷入零和竞争叙事，而是相信机会足够大、所有人都能做想做的事。这是“兴奋型的卷”，不是纯焦虑型的卷。

• 美国 To B 生态也更容易组合外部服务：价格合理就会订阅或接 API，不必先经历长销售和砍价。做 Model Hosting 与 API 的 fal 可以在一次 Party 上直接获得十个创业客户；Lovart 甚至能与同赛道的 Freepik 合办活动。

14. 北美用户买的是昂贵人力的替代，专业设计师买的是灵感

• 对美国 SMB 而言，设计师价格很高。一个咖啡店主看到 Lovart，首先想象的是未来可以少花多少钱，却仍获得 Logo、菜单、品牌物料和多套方案；中国设计服务相对便宜，这个兴奋点便没有同样强烈。

• 欧美专业设计师更强调自我表达，也更依赖已熟练掌握的 Photoshop 等传统工具。他们未必愿意直接使用 AI 结果，只希望 AI 像“审美很强的初级设计师”提供 Inspiration；Midjourney 早期即使只在 Discord、没有完整编辑 Workflow，仍因美学质量被采用。

• 中国设计师则更偏效率和交付导向，对新工具拥抱更好、更强，也可能更熟练，甚至会用 ComfyUI 串起完整工作流。陈冕没有把两地需求统一成一套功能：欧美侧重灵感发散，中国用户可能更愿意把更多制作步骤留在 AI 产品内。

15. 全球化首先意味着本地叙事、内容运营和文化审美

• Lovart 在北美优先搭建的是 Marketing 团队，而非大规模销售或投放。陈冕认为欧美主流产品较少依赖 Pay Ads，更依赖 Branding、完整叙事和作品传播；作为创作工具，最有说服力的营销内容就是产品真正做出的好作品。

• 设计也必须本土化。某个英文字体怎样排才好看，取决于用户长期生活的文化环境；中国人因童年电脑课经验会觉得华文彩云“土”，外国设计师却未必理解这种联想，这类判断无法只靠中文团队远程推演。

• Lovart 当时没有大规模贴片广告，只通过 KOL 和品牌传播获得较高质量、较强付费意愿的用户。陈冕计划等品牌和品类叙事更清晰后再测试 Pay Ads，否则提前买量可能引入大量低转化流量。

• 融资方面，他坚持“融资是手段，不是目的”。Lovart 起量时新一轮资金已基本确定，赴美阶段并不缺钱，因此没有把密集见美国投资人作为任务；长期仍会考虑资本来源多元化，但当时更值得投入的是团队能力和用户距离。

16. Lovart 的数据连续上台阶，但陈冕仍把它视作测试期产品

• 截至 9 月底，Lovart 的美国用户占比超过三分之一，订阅收入占比比用户占比略高、但没有高出太多。由于增长主要来自 Organic 传播，用户本身较精准，没有大规模买量常见的低付费流量稀释。

• 5 月至 7 月 Beta 期间受邀请码限制，每天约一两万量级，但原文未明确该数字对应 DAU 还是其他指标；Beta 结束后 DAU 迅速升至 8万—10万。7 月 28 日公开上线后，Nano Banana 提升 Agent 最终效果，使用量又上一个台阶，最近稳定在 15万—20万 DAU。

• 陈冕披露，按全年预估收入口径计算，收入已超过 3000 万美元；测试期几乎没有收入，正式版和 Nano Banana 分别带来一次跃升，收入曲线与 DAU 一样呈阶梯式增长。主持人随后将这一数字称为 ARR，但陈冕原话是“算全年的预估收入”。

• 但他给产品的主观评分“还没到六十分”：模型、工程和产品都有大量未完成项。用户愿意留下，不是因为当前结果完美，而是能看见未来，并在高速迭代中发现它解决的工作问题越来越多。

17. 当前调用成本基本可覆盖，早期免费用户仍会造成亏损

• 面对收入能否覆盖 API 调用成本的追问，陈冕回答“现在基本上是可以的”。但由于免费用户比例更高、每人又有生成额度，从免费使用到订阅也需要周期，所以早期整体肯定会亏损。

• 他不认同 Agent 会长期没有商业模式：“Token 一定会变便宜，这是一件 no brainer 的事情。”订阅已经是基础商业模式，当前问题只是经济模型尚未完全算平；他把 Token 类比为流量和电，普及本身会推动成本继续下降。

• 更远期的定价可以按交付深度分层：让 Agent 想 15 分钟、两小时或一天，所采集的 Context、Thinking Process 和调用工具复杂度完全不同，就像设计师赶一天的活与做一个月 Research 不应采用同一价格。

18. 陈冕仍把 AI 生产力机会划为“Office”与“Adobe”两大类

• 他 2023 年创业时看到的方向包括生产端的 Office 与 Adobe，以及消费端的信息获取、搜索、社交和泛娱乐。复盘至今，大体量生产力产品仍可归入文字信息处理或图像视频创作，框架没有根本变化。

• Coding 是这一代模型的新 Office：代码与文字都是 LLM 的原生语言能力，由此长出的生产力应用最直接，但也最容易与通用模型厂商正面重叠。通用厂商在文字、信息和 Coding 上始终最强，也会吃掉大量通用场景。

• Adobe 类场景既能享受多模态模型进步，又离语言主轴更远。陈冕的类比是，基础模型在“造一个高智商的人”，而垂类公司在培养一个设计师；博士毕业生通识很强，仍需行业经验、工作方法和数据才能做好专业设计。

19. Chat Canvas 的产品原型是客户与设计师围着桌子沟通

• 陈冕解释 Chat Canvas 时没有从功能表出发，而是从真人交流出发：普通访谈只需看着对方的脸，这对应 Chatbot；与设计师或导演沟通时，双方必须面对屏幕、桌面和视觉产物，指着具体位置说“改这里、改那里”。

• 因此 Chatbot 可以是通用最优界面，却不是每个垂类的完整界面。创作必须先做视觉 Alignment，Canvas 才是客户、Agent 与结果共同对齐的工作环境，而非为了显得专业额外添加的一块画布。

• 在他看来，垂类应用解决两件事：这个“人”进入行业后怎样工作，从而决定 Interface；以及它要积累哪些数据、Context 和经验，从而决定怎样思考与交付。基础智能负责通识，垂类公司负责职业化。

20. 应用增长来自预判模型，而不是等模型成熟后再立项

• Lovart 开始设计时，GPT Image 1 尚未推出，团队并不知道模型能否理解 Agent 生成的长指令、保持复杂语义一致性，或做到“指哪改哪”。他们仍从图像模型团队的研发方向判断，这些问题正在被集中攻克。

• GPT Image 1 首先在语言指令、一致性和指令遵循上做得比较好；随后 Nano Banana 与字节的 Seedream 4.0 又上了一个台阶。模型一到位，提前构建的 Chat Canvas 才能立刻变成完整体验。

• 陈冕把方法概括为：“把未来会发生的东西提前描绘出来，然后等它发生了。”应用公司不掌握底层创新，就要预判模型演进对 Interface 的颠覆，在模型 Ready 的时刻“疯狂地秀出来”，以创新而非单纯投放驱动增长。

• Stable Diffusion 时代流行的 ControlNet 是一个对照：过去必须用专门控制结构补足理解，如今模型 One-shot 图文理解增强，许多旧交互自然消失。离模型公司近的意义不是获得秘密，而是更早知道下一道技术命题。

21. Lovart 把“AI 越来越像人”设为可下注、也可被摧毁的边界

• 陈冕的设计哲学是尽量还原人与人沟通，并下注 ASI 不会快到立刻让这种关系失效。若模型进步慢、始终不像人，按真人设计的产品难以 PMF；若它持续接近人，Lovart 的界面就会越来越自然。

• 他也承认边界：一旦 AI 超过人，可能不再需要人与人式沟通，甚至不需要用户提供 Context，今天的界面便可能被摧毁。但“超越人之后怎样交互”目前无法想象，所以产品必须先把开放问题封闭在可设计的范围内。

• 应用增长路径由此形成：预先画出交互范式，模型成熟时获得增长；积累用户与数据后，继续做 Context Engineering、Prompt Engineering 和工程优化；若开源模型跟得上，再用微调或 RL 放大私有数据优势。

• 他后来“不再 Care 开源还是闭源”：开源主要影响成本和能否 Post-train，闭源则把定价权留给模型厂；但即使不能训练，Context 与 Prompt 的工程深度也足够大，图像、视频模型还可统一视为 Agent 调用的工具。

22. Lovart 从图像自然延伸到视频，但暂不押注 3D

• 陈冕认为做图的产品大概率都会进入视频，因为视频创作者通常从分镜图开始，现有图像用户中也有大量下游需求；反过来，纯平面设计师未必会做视频。目前 Lovart 内部图片与视频使用量已接近五五开。

• 一个咖啡店 SMB 可以用同一 Agent 做 Logo、菜单、整套 Branding，再生成发布到社交媒体的视频宣传片。Lovart 因而更像生产 Digital Content 的创作工作室，而不是只服务某一种职业标签的平面工具。

• 3D 用户与工作方式更独特，且当前内容主要仍在手机、电脑、纸媒和屏幕等平面终端消费，空间消费没有真正起来，所以不会成为近期主线。生成对话播客视频则只是 Veo 3 刚发布时的热点尝试，并非战略方向。

23. 下一代 Context 模块要主动追问客户没有说出口的信息

• 陈冕用晚点举例：为媒体做系列海报，设计师必须理解其历史、受众、既有物料和品牌调性，不能只接收一句 Prompt。客户往往拥有大量隐性 Context，却不知道哪些信息该主动交给设计师。

• 团队把设计 Context 分成 Reference 与 Preference：前者包括企业私有历史物料，也包括当下流行的宫崎骏、多巴胺等公共参考；后者是长期交互形成的个人偏好，例如始终拒绝拟物、偏爱极简。

• 计划中的模块会先用小模型快速理解 Prompt，再像真人设计师一样追问缺失信息。用户可以甩入官网链接、图片或已有作品，Agent 将其抽象为“专业、冷静、不娱乐、严肃”等特征，再继续 Research 和设计。

• 随着多轮使用，系统会形成用户专属素材库、Reference Pool 与 Preference 库。未来不必每次重新解释公司是谁、喜欢什么，Agent 可先调取历史偏好，与用户确认后再生成。

24. 多模态模型已够用，但一致性、文字和最后一公里仍未解决

• 涉及审美 Judgment 的 Post-training 与 RL 仍需设计师标注，北美市场也要让身处当地文化语境的人判断什么好看、什么显得土。不过 Context 模块目前更多依靠既有多模态理解与工程策略，尚不依赖大量专项训练。

• 陈冕承认模型判断风格“肯定没有人那么好”，但许多任务已够用：它看到晚点的物料，至少不会误判成娱乐媒体。团队还能通过筛选更高质量的搜索源和信息源，提高分析与参考结果。

• 仍未满足的核心需求包括一致性、风格响应、非标准尺寸，以及图片内文字。中文、英文已有相应模型公司优先解决，但其他语言“连日语都有人没有解决”，小字也经常失败。

• 另一些编辑根本不值得语言化：调亮度、对比度等最后一公里操作，直接拖控件比让 AI 理解一句话更高效。专业创作产品仍需判断哪些环节交给生成模型，哪些保留传统工具。

25. Lovart 不做社区，灵感 Feed 只为提高输入质量

• 陈冕区分“工具是工具，社区是社区”。Liblib 从用户贡献素材的社区起家，再接工具，形态特殊；Lovart 第一天就是交付结果的工作室，目前没有在同一产品内构建互动社区的计划。

• 灵感频道可以查看别人做出的设计，也能回放其创作过程，但目标不是点赞和社交关系，而是帮助用户理解“自己想要什么、该怎样向 AI 提供 Context”。它更像设计师先展示十个案例，让客户挑出接近需求的一种。

• 如果未来发展社区，会是这个组织开展的新业务、独立产品，而不是把社区机制硬接到 Lovart 上。

26. 离用户近与离技术近，会不断制造“补丁还是等待”的取舍

• 产品经理需要定期访谈用户、分析数据、寻找中断点，并观察代表性用户实际创作；公司内部设计师和做内容账号的员工也每天暴露卡点。问题不在于能否收集需求，而在于模型暂时做不到时应不应该立刻补。

• 文字是最典型的悬而未决案例：Agent 可用传统 Coding 方式叠加文本框，解决小语种、小字和字体问题；但若底图需刻意不生成文字，再由传统工具添加，整体美学可能受损，而下一代模型一旦解决文字，整套补丁又可能报废。

• 陈冕本身不读大量 Paper，技术合伙人与团队负责持续阅读，再向他解释 Pre-train、Post-train、Reasoning、RL 等变化；他的工作是把技术类比成人的学习与职业经验，推演到产品场景。技术合伙人 2024 年初加入，此前已有一两年大模型创业探索。

27. 生产力窗口正在关闭，下一波变量转向 To C 内容消费

• 陈冕判断生产力工具已经白热化、头部开始集中，To B 产品高度同质化；今年才成立团队、再花半年到一年做产品，可能已经错过窗口。他区分“现在成立”和“现在已在牌桌上”，后者才有资格参与下一轮爆发。

• 多模态应用既有 Krea、Higgsfield、Freepik 等上一代生成工具，它们可能转向 Agent；Canva、Adobe 则会先处理自身增长，直到新形态给出足够强的信号。陈冕猜测，垂类 Agent 收入达到 1 亿美元 ARR 后，传统巨头才会重注，因为那时才触及命根子。

• 通用模型公司短期更可能做通用 Agent 和 Coding，专业设计离其 Vision 尚远；Lovart 当前主要与创业公司和自身速度竞争。随着规模变大，竞争才会逐级升级到上一代应用巨头和通用模型厂。

• To C 是他看到的下一波：Veo 3 一度降价 70%，Nano Banana 比 GPT Image 1 便宜许多，GPT-5 也比 Claude 便宜；生产成本持续降低后，AI 原生内容将改变消费与社交玩法。Lovart 想参与，但当时“还没有精力”，只是在提前思考。

28. Timing 决定能否上桌，高频组织决定能否连续留在桌上

• 陈冕说“timing is everything”，而 AI 把时间价值进一步放大：移动互联网抓到一次 PMF 可以活十年、二十年，AI 产品即使抓中窗口，也可能两年后就被新的技术构建逻辑改写。

• 第一名未必比第一批重要，但若不在第一批，“可能就会 lose everything”。他的三波复盘是：2023 年判断全球图像工具已晚，先抓中国市场；Agent 浪潮重新做全球化；第三波能否抓住，要看未来 To C 产品。

• 组织因此更看重学习速度、AI 原生程度和高频迭代，而非单纯积累上个时代的职能经验。经验型人才若执着于原有范式，可能刚开始发挥，方向就已变化；真正的区分不是有没有经验，而是怎样对待经验。

• 团队分工和人员调整会很频繁，也会有人抱怨“今天这样、明天那样”。陈冕认为技术放缓后应转向精细化，但当前资源有限，只能优先做最大杠杆、最高 ROI 的事；“事实证明不焦虑的做不了 AI”，是他的阶段性组织结论。

29. 韧性来自可证伪的信念，而焦虑是陈冕主动接入的信息源

• 创业以来的三次高强度挑战依次是：让第一款产品找到 PMF；公司在 2023 年底至 2024 年初遭遇团队、资金和业务危机；确认上一代产品不是未来后，尽快描绘并推出 Lovart。三次跨越带来的成就感也依次变大。

• 困难期曾有数家公司表达收购动机或意向，但没有走成完整的收购邀约，因为陈冕没有给进一步推进的机会。他确实询问过团队意见，但认为 CEO 若相信方向，最终应坚定传递信念，而不是把自己也可能不相信的信号交给团队。

• 他的坚持有明确前提：AI 技术是否仍快速发展，AI 是否会取代所有虚构内容创作；只要答案仍是 Yes，已在牌桌上的团队没有理由退出。若技术卡住、目标必须依赖更强能力才能实现，他也认为没有必要盲目坚持。

• 陈冕把创业比作魂类游戏、极限运动，也把自己投射为 Dota 的二号位：不爱闷头刷钱，更愿意找破局点、判断进攻防守并带节奏。他说自己既怕“过于焦虑”又怕“不够焦虑”，能控制的是是否持续接入外部信息；而眼下这十年，是他“一次自由的、全情的、疯狂地想做成一件事情”的阶段。