151: MuleRun 陈宇森：Claude Code带来Agent创作新范式，未来的软件是日抛式的

摘要

• MuleRun 的核心押注不是再造一个 coding agent，而是把 Claude Code 当作当前最强的通用智能体，围绕它建立创作、运行与交易层。 陈宇森认为 coding 是 AI 操作电脑世界的桥梁：只要任务不把上下文“跑炸”，足够复杂的 prompt、skills 与 runtime 已能支撑复杂工作；重要性会从单纯写代码转向“选择有审美的任务、优雅的解决方式和选择去解决什么样的事情”。

• MuleRun 从 Web coding 转向 Agent Marketplace，后来又从货架式市场转向 Agent Builder 与对话式入口。 前一次转向的根因是供给没有足够丰富：团队早期做出的 Web coding 产品与 Lovable、v0.dev 在同一 prompt 下结果接近，后来支持 n8n、LangGraph 等框架上架，也未出现预想中的大量 PMF；后一次调整还因为货架让新用户难以理解和选择。新方案直接以 Claude Code 为 base agent，让非技术用户用自然语言定义任务、选择 skills 与 runtime。“低代码都有点复杂”，真正的平权是不必理解参数、循环和条件。

• 软件开发成本下降后，市场单位将从服务一千、一万人的标准品，缩小到服务一至十人的长尾工具，终局甚至是“日抛式软件”。 陈宇森设想代码只为一次目的被“精确地创建、执行、完成、销毁”，类似 3D 打印按需制造；但 AI 也是制造业，每次生产都消耗 token、算力和电力，只要仍有一家模型能力显著领先，成本短期就不会因价格战降至可以忽略。

• Marketplace 的入口可能从陈列和推荐继续演进到对话，在用户表达需求时调度相应供给；交易和分配机制仍未确定。 MuleRun 可能已经有 100 个、200 个不错的 agent，但新用户面对货架仍会“两眼一抹黑”，试两个不好用便离开；未来前台可能更像 general agent，后台却在一百万、一千万个预制供给中匹配任务。尚未解开的关键是分账：从清晰的“一件商品卖多少钱”，变成被调用时如何奖励 creator，以及市场究竟应以分享还是交易为主。

• 平台要做好的不只是“套壳”，而是把长尾 agent 做到简单、稳定、可评价、可结算。 MuleRun 希望给定任务执行一百次最多错一次，某些任务一千次错一次，而不是“跑十次错五次”；因此需要 skills 评价与安全审计、持续 benchmark、运行环境、凭据权限、评论退款和大规模并发等“苦活”。陈宇森的工程原则是“大量 SOP 加少量大模型”，确定性工作交给代码，大模型只承担现实世界难以写成 if-else 的判断。

• Anthropic 亲自推出 Claude CoWork，说明更多人开始意识到 coding agent 可以成为通用智能体，也压缩了创业公司的时间窗口。 CoWork 主要把终端里已有的能力包装给永远不会打开 terminal 的普通用户；MuleRun 则押注云端受控账号、预装工具、skills marketplace、部署与分享，面向更偏工作和 prosumer 的场景。陈宇森承认团队“动手慢了”，因为创业机会就在非共识变成共识之前，而生态型产品往往由先发布的“百分之八十半成品”与用户共同迭代。

• 需求侧已经出现小而真实的付费样本，证明 AI 能力与普通用户之间的“翻译中介”可以收费。 Nano Banana 流行时，一名创作者把公开 prompt、Google 调用和 n8n workflow 封装成每次零点几美元的 agent，陈宇森记得其三天收入可能约 1,200 美元、但明确说数字记不清；更早也有人用 Midjourney 做宠物头像，每次收 10 元。“AI 的狗腿子”之所以赚钱，不是模型能力不存在，而是访问、搜索、prompt 和操作门槛仍把大量需求挡在外面。

• 对这位经历四家公司起落的创业者，MuleRun 也是一次从技术傲慢回到“用心”的重启。 长亭科技从 2014 年创业到 2019 年卖给阿里云，几乎每年收入至少翻倍；此后的游戏与数据安全双线创业令他在 2023 年下半年陷入严重失眠和自我怀疑。如今他的约束是做与能力、认知匹配的选择并亲自下水，半年内先看能否让更多无代码能力的人创作出有用的 agent；“创业这个事没有差不多，你只有不停地去逼自己才有可能有一线生机。”

精读

1. Web coding 证明了代码的桥梁价值，也暴露了同质化天花板

• 陈宇森从 2024 年底 Cursor 找到 PMF 出发：编程是极通用的能力，一旦模型可以替代或协助人类编程，AI 就获得了完成更多电脑任务的桥梁。

• MuleRun 团队在次年 4 月做过类似 Lovable、v0.dev 的 Web coding 产品，但同一 prompt 在几家产品里生成的网页和多数任务结果近似。“好像没有做得比别人更好”，因为上限主要由共同调用的 Claude API 决定。

• 他的观察是，这一轮赛跑并未因为产品设计形成明显的名次重排；模型升级让所有产品一起变强，却没有自动给后来者带来流量与差异化。因此团队放弃单纯复制 Web coding，开始寻找随供给爆发而产生的平台机会。

2. Claude Code 把 coding agent 推成了通用智能体

• 陈宇森的明确判断是：“其实现在最强的通用智能体是 Claude Code。”在他看来，意识到这一点的人自然会继续追问：既然它能写代码，为何不能用代码、工具和界面完成其他电脑工作？

• Anthropic 内部员工把原本用于 coding 的 Claude Code 拿去看邮件、处理杂务，给了他关键启发：用户需要的从来不只是写代码，而是完成任务，coding 只是 agent 临时构造工具的方式。

• 他的强假设带着时间条件：“当大模型有了 coding 这个能力之后，理论上它能在一年之内做所有人类能在电脑上做的事情。”当前欠缺的未必是智力，而是任务知识、合适环境与可靠交付方式。

3. 复杂 prompt 已经能承载复杂工作，但上下文一旦失控就会崩坏

• 陈宇森发现，当前模型面对足够复杂的任务，只要获得足够复杂的 prompt，确实能连续处理很长的工作；前提是上下文不能“跑炸”，否则幻觉会大量出现，任务也随之失控。

• 因此真正的工程工作转向 context engineering：什么时候给模型哪些材料，如何写 prompt，怎样压缩或分层加载，以及哪些步骤根本不应进入上下文。

• 这也改变了 agent 的构建范式。过去常用 LangGraph 等框架把 SOP 和模型写进代码；现在可以让强 base agent 理解任务，再动态编写和执行完成任务所需的代码。

4. 人脑与线下知识构成了 Agent Marketplace 的原始供给

• MuleRun 的底层判断是，大量专业知识仍沉淀在人脑、线下流程和组织内部，并未全部进入模型；而且现实还会持续产生过去不存在的新任务。

• 如果领域专家把经验、判断标准和工作步骤讲清楚，陈宇森认为可能把个人能力的“百分之八十、百分之九十 copy 进一个 agent 里面”。相同问题的其他人便无需从头操作电脑，而可以付更有性价比的费用复用。

• 由此形成平台逻辑：专家把隐性知识封装成供给并赚钱，需求方“花小钱办大事”，平台则负责让 agent 被发现、稳定运行和重复交易。

5. 低代码仍然把真正的领域专家挡在门外

• 团队最初支持开发者上传应用，也兼容 n8n workflow、LangGraph agent 等供给，但很快发现：能熟练使用低代码的人，本质上往往已经可以 coding，并不是平台最想激活的人群。

• 陈宇森给出的门槛标准很激进：“你不需要知道什么是参数，什么是拖拉拽，什么是循环，什么是条件。”普通人只应描述自己本来就在做的需求、过程与判断。

• 招聘 HR 知道每天如何筛选候选人；客服知道去哪些系统查知识、如何处理投诉和退换货。他们缺的不是业务知识，而是把这些知识变成可执行软件的工具。

6. 大模型补上的是工作流里无法写成规则的“判断胶水”

• 传统 CRM、ERP 和 IM 早已存在于工作场景，但具体操作仍依赖个人判断：库存不足是否补货、客户请求该走哪条流程、哪位候选人符合隐性标准，都很难穷举成规则。

• 陈宇森认为，大模型适合替代这些“没有那么大智力挑战”、却无法完整编码的判断部分；标准步骤继续由软件执行，中间用模型理解业务语境，端到端自动化才可能跑通。

• 半自动化与全自动化的差别由此被放大：AI 可以 24 小时工作，并复制出一百份、一千份同时执行。只要准确率足够高，效率提升便不再只是节省几次点击。

7. Runtime 与 skills 决定 Claude Code 能否真正操作电脑

• Claude Code 没有浏览器，就不能完成浏览器里的操作；给它一台 Windows，也不代表它天然知道如何玩某款游戏。模型需要可操作的环境，也需要任务规则和领域知识。

• MuleRun 想把浏览器、Excel、指定 SaaS、工具和相应权限放进受控 runtime，再把工作方法写入 skills。创作者主要描述需求，系统则把 base agent、skills 与容器或虚拟机组合起来。

• 陈宇森的推演是，在“足够丰富的运行时环境和足够清晰的 skills”下，Claude Code 理论上已经能完成电脑上的任何操作；MuleRun 的工作，是把这套能力变成可重复交付的产品。

8. 好 prompt 已有商业价值，只是大多数价值尚未被交易系统捕获

• 陈宇森指出，优秀 prompt 往往由第一个创作者花时间发现，却通常以社交内容免费扩散；Nano Banana 的桌面手办玩法就是代表，原创者是谁已经很难追溯。

• 真正使用这一能力仍有多层门槛：访问 Gemini 或 Google AI Studio、从 Twitter 等处找到 prompt、正确上传图片并完成调用。对技术圈外的人，“用好搜索引擎”本身都是技能。

• MuleRun 上一名创作者把这套流程封装成简单的 n8n agent，每次收费零点几美元。陈宇森回忆其三天可能赚了约 1,200 美元，但特意表示数字记不清；信号不在精确收入，而在便捷封装确实带来了使用量。

• 程曼祺补充，餐厅里一名十八九岁的服务员也参加过“用 AI 赚钱”的群，替人处理头像。陈宇森把这种角色称作“AI 的狗腿子”：模型已经会做，但懂访问、prompt 和操作的人仍能靠翻译能力收费。

9. n8n、Dify 与扣子都在相邻位置，但优先级完全不同

• 陈宇森认为，早期 workflow 市场都在卷创作工具。n8n 很早就有 marketplace，但主要交易源代码模板，没有捕捉同一工作流被反复调用的交易价值。

• Dify 的商业化重点更偏 To B，在日本和美国承接企业内部工作流；因为企业系统不能暴露给外部，Dify 的价值是让流程部署在内部环境，核心约束首先是安全。

• 扣子（Coze）早期大量产物仍是 chatbot，也长期押注拖拉拽式低代码；后来开始转向类似 Web coding 的自然语言创作。陈宇森更认可这一变化，但认为字节习惯做封闭大闭环，最终很可能也会进入 marketplace。

• 这些产品既可能是 MuleRun 的上游创作框架，也可能成为竞争者。“谁不想要一个新时代的 App Store 呢？”区别不在是否想做，而在先从工具、企业、内容还是交易切入。

10. 同样的创作平权，可以长成社交网络、内容平台或生产力市场

• 陈宇森把蚂蚁灵光概括为更偏“自己做自己用”，把 YouWare 理解为“自己做别人用”；程曼祺进一步指出，一个东西做出来以后，自己用和别人用天然同时存在。平台真正决定的是，把哪一种行为放在第一优先级，以及如何奖励它。

• 陈宇森用智能手机摄影作比：拍照平权后，同一照片载体长出了 Instagram、Snap 等不同产品。Web coding 的产物同样太新，各家公司其实是在决定它究竟是内容、作品、社交表达，还是可用于解决工作问题的生产工具。

• YouWare 上的小游戏、gallery 和娱乐作品更像内容；MuleRun 更强调用产物解决工作中的事情。其上限想象不是另一家素材社区，而是“全球最大的劳动力外包公司”。

11. 三个月的货架市场没有出现预期中的 PMF，问题首先指向供给

• MuleRun 最初设想，每个极窄场景都可能拥有约 100 个 DAU：用户每天回来，让一个专门 agent 解决重复问题。上线约三个月后，团队只在少数场景看到几个或十个强日活用户。

• 用户增长团队带来了不少注册，平台也完成交易功能并上架了一批供给，但陈宇森坦言“没有看到足够大量的 PMF 发生”。这迫使团队区分：到底是用户不够，还是货架上根本没有足够丰富、足够可靠的东西。

• 双边市场的经典冷启动在这里格外尖锐：没有用户，创作者问为什么要上传；没有供给，用户问为什么要来。陈宇森称之为难以实现的“meeting the middle”。

• 现有创作、部署、人工审核与多框架兼容都太复杂。平台最核心的长尾假设只有在供给流程“足够便捷、足够短”时才可能被验证，Agent Builder 因而从附加功能变成了前置条件。

12. 平台不能主要靠官方供给启动生态，却必须亲自守住质量

• 陈宇森最初坚持官方不应大量下场，类比苹果如果自己做满应用，App Store 生态便难以建立；MuleRun 只提供 General Browser Operator 这类基础能力。

• 程曼祺追问，为何不以匿名方式做一批 agent 先把场子做热。陈宇森的实际回答很朴素：不是完全不想做，而是约 50 人的团队还要建设部署、交易和框架中立基础设施，“做不过来”。

• 回看三个月，他承认如果早期多做一些看得准的场景，“不一定是坏事”。新范式若未被外部创作者迅速拥抱，团队也可以用 Claude Code 加 skills，在一个月内做出大量相对好用的供给。

• 无论谁创作，上架标准都必须严格：给定任务执行一百次可能错一次，某些任务一千次错一次；如果“跑十次错五次”，就是应被清除的垃圾商品。

13. 代码负责确定性，大模型负责判断；工程竞争则取决于多快把它端出来

• 陈宇森反复读过《苦涩的教训》，其核心启发与 Claude Code 的 code execution 一致：能用代码稳定解决的事情，不应塞入长上下文让模型自己算。

• “9.11 和 9.2 谁大”可以用来测试模型，但在生产系统里本就应该调用代码比较。模型的任务是识别问题、生成或选择正确程序并读取结果，而不是用昂贵且不稳定的推理替代确定性计算。

• MuleRun 因此押注“大量 SOP 加少量大模型”会持续有效，除非一个能完成任何任务的强 AGI 直接出现；若那一天到来，受冲击的也不只是 MuleRun，而是几乎所有公司。

• 在此之前，团队要处理启动速度、并发稳定性、镜像配置和环境选择。完全不让用户选 skills 最自然，却可能需要自训小模型；准确率、体验与发布时间之间，没有无成本的答案。

14. Agent 平台可能吞下垂直供给，但不会立刻替代有记忆的通用智能体

• 陈宇森以中国电商为类比：独立站很难获得比平台更便宜的流量，小型消费品牌通常依赖淘宝；同样，大量 AI 招聘、营销、作图和其他垂直产品，未来可能更适合生长在统一平台里。

• 这意味着平台体量有机会超过绝大多数单独 agent，但他没有把通用智能体视作同层竞争。两者的用户习惯不同，通用智能体还掌握长期 memory。

• 他以自己难以离开 ChatGPT 为例：长期提问后，产品已经大致理解他是什么样的人，新问题可以调用过往记忆。MuleRun 更像精准调用专业劳动力的市场，不必复制同一关系。

• 若供给达到一百万、一千万个，MuleRun 可能再长出入口级 agent：用户只说问题，入口便找到最精准的预制供给。平台最终也可能成为接近通用能力的东西，但路径来自生态而非单模型。

15. Skills 的本质是让上下文按需分层，而不是把所有说明一次塞给模型

• 长 prompt 在复杂任务中常因上下文压缩而丢失；skills 先只暴露“它解决什么问题”的 meta 信息，等 agent 判断相关后，再读取完整内容。

• Skills 多数表现为文档和 prompt，但也可以携带程序、工具或 API。它不仅告诉模型怎么做，也可以告诉模型“不要自己做”，直接调用既有代码拿结果。

• 陈宇森把 skills 视为 context engineering 的一部分：上下文窗口越长，幻觉越多、模型“智商”越低，所以能在外部执行、检索或延后加载的信息都不应常驻。

• 这也是 agent 相对传统软件的关键变化。现实问题无法被完美分类时，不再由 if-else 写死分支，而由模型同时观察任务和 skills，决定该进入哪条路径。

16. Skill Marketplace 的价值来自评价、安全与工具协同

• GitHub 上可能已有几万个 skills，同一任务也许能找到三五个甚至十个版本。MuleRun 要回答的不是“有没有”，而是哪个在同类任务里更有效。

• 团队正在建设 skills evaluation：对相同任务比较完成效果，再把表现较好的候选交给创作者一键调用；足够常用的 skills 可能由官方写，也可能与优秀开发者共同优化。

• 安全审计同样不可省略。某个 skill 可能包含恶意行为；若 Claude Code 运行在用户电脑上，它甚至可能反弹 shell，让外部控制机器。

• 浏览器自动化是优先优化方向，因为大量工作已发生在浏览器。真正有效的 browser skill 往往还带工具，因此 skills、tools 与 runtime 必须联合优化，而不是各自建一个孤立目录。

17. 当开发成本接近零，软件会从工业制品走向“日抛品”

• 陈宇森借同事的 3D 打印比喻解释长尾：工业生产只能服务足够多人，3D 打印却能为自己和三五个朋友制造没有大工业价值、但非常需要的东西。

• 传统软件至少要覆盖一千、一万人的共同需求才能摊薄开发成本；Web coding 和强 agent 把组织从集中式开发变成分散创作，使一人、两人、三人、五人、十人以内的需求也值得做。

• 更远的终局是“软件未来其实是日抛式的”。代码不再作为长期产品存在，只为一个目的被精确创建、执行、完成、销毁。

• 陈宇森也承认无法一步跳到终局。更现实的短期价值，是先做一批用户不多、但少数人每天使用得“很爽”的 agent，并让创作者生产一次、重复交付。

18. AI 是制造业，token、算力与电力不会因软件临时化而消失

• 3D 打印每件作品都消耗线材，AI 每执行一次任务也消耗 token、算力和能源。因此“日抛”满足长尾的同时，并不是零边际成本的软件乌托邦。

• 陈宇森判断 token 短期很难便宜到不显著。只有三五家供给都拥有足够好的智能、彼此没有明显差距时才会发生价格战；只要一家能力显著领先，领先能力就保有定价权。

• 上一代模型的成本最终可能降至合理水平，但最强智能的需求近乎无限，因为 AI 重塑的是社会劳动力和生产力本身。“地球上的活干完了”，人还会去太空寻找新任务。

• 他把 CPU、内存、硬盘涨价及电力紧缺视为同一供需链条，并延伸到可控核聚变、戴森球和太空数据中心：新技术会制造对下一层技术的新需求。

19. Agent Builder 站在 base agent 上，省掉了从底层重造 Agent 的时间

• 陈宇森把 agent 拆成几项核心部分：反复与模型交互、处理结果的 agent loop；控制上下文长度和信息流的 context engineering；以及让模型操作浏览器、画图或调用外部系统的 tools。

• Manus 等通用智能体会自行设计 loop 与 context engineering；LangChain、LangGraph 等框架提供可调整的实践；Claude Code 则已经把两者做进一个成熟的基础 agent。

• 作为一家在 2026 年 1 月重新转向的公司，MuleRun 没有时间从底向上重造，因此选择“套得更深”：以 Claude Code 为核心，加入 skills、runtime、云端编辑和部署体验。

• 用户定义任务、选择所需 skills 与环境，便能构建自己的 agent。底层未来也可能换成 OpenCode，团队有余力后也会向 loop 和 context engineering 下探，但最快路径是先利用当前最好用的 base agent。

20. 可触达性往往比技术领先本身更能带来破圈

• 陈宇森承认，从纯技术角度看，MuleRun 当前增加的层次可能“好像啥也没干”；但技术出身者容易低估降门槛的价值，把它排到第四、第五优先级，实际上就是认为它不重要。

• DeepSeek 给他带来了认知转变：同期 o1 已有类似能力，但 DeepSeek 的免费可用、完整展示 CoT、传播势头和中文俏皮表达，使普通用户更容易触达。节目中提到它“只用 557 万美元”训练出这样的模型。

• 他同样认为，ChatGPT 在 2025 年三四月因吉卜力风格生图而出现一次大规模增长，Google 的增长更多得益于 NotebookLM，而不只是 Gemini 能力提升。技术先进固然重要，但产品胜利不只由 benchmark 决定。

• 陈宇森援引一位 Gemini 3 核心工程师的说法：scaling 远未撞墙；即使模型智力现在停止进步，人类距离榨干现有能力仍可能有一到两年。这给 2026 年应用爆发留下了足够空间。

21. Claude CoWork 验证了方向，但本地桌面与云端服务对应不同场景

• Anthropic 在 MuleRun 内测 Agent Builder 的同一周推出 Claude CoWork，让团队看到“coding agent 是通用智能体”正在从非共识变成共识。陈宇森的反思是：“我们在 marketplace 这个事情上执着和纠结时间稍微久了点。”

• Claude 桌面端先有 Chat，后来增加 Code，再增加 CoWork。陈宇森认为，CoWork 做的大部分事原本在 terminal 里告诉 Claude Code 也能完成，核心变化是把能力交给“这辈子不会打开 terminal”的用户。

• CoWork 可以读取本地文件、日历和登录凭据，适合个人上下文；MuleRun 运行在云端，用户可为 agent 单独创建权限严格受控的账号，更偏 prosumer、工作与效率场景。

• MuleRun 还试图把部署、工具下载、环境配置和分享一起打包，避免用户在 n8n 等流程里碰到一个卡点便无法继续。团队不排除以后做端侧，但当前竞争位置并不完全重合。

22. 货架将退居二级入口，对话会在需求发生时调度整个生态

• 旧 Marketplace 可能已有 100 个、200 个还不错的 agent，但新用户并不知道平台能做什么；如果随手点两个都未解决问题，很快便会离开。

• 节目中对应用入口的讨论将其概括为三代：陈列、推荐，再到对话。陈宇森认为，未来可能“我也不推荐，我通过跟你聊天就能帮你解决一些问题”。

• 新前台可能看起来像通用智能体：能直接完成的事自行完成，遇到复杂或长尾任务时，再触发 creator 已打磨好的 agent。用户无需自己寻找商品，也不必重新写复杂 prompt。

• 难题由发现转向分账。货架商品可以直接标价；对话里的调用如何让有贡献的人获得收益，平台尚未想清，也未决定市场应以分享还是交易为中心。

23. “用 Agent 造 Agent”会成为共识，胜负取决于谁先激活专家供给

• Dify 和并入火山体系的扣子更偏 To B；Coze Space、AnyGen、Manus 等更像通用智能体。陈宇森认为通用智能体本身完全可以发展出“制造其他 agent”的能力，Claude CoWork 也可理解为由 Claude Code 生产出来的产品；但他不确定 Manus 是否会这样做。

• Claude Code “每天发一个版本”让他看到新的迭代范式：生产力释放后，全球性软件也能高频更新。生态产品若等到完全成熟再发布，可能输给先拿出 80% 成品、再与用户共同演进的团队。

• 他不看好只让用户制作简单网页和小游戏的老路，认为这类内容“价值是薄的”；更有价值的是让行业专家把未上线的 SOP 和领域知识做成 agent。

• 对 2026 年，他期待出现年收入 5 亿甚至 10 亿美元的 AI-native 应用，而不只是大家惯用的 chatbot；对 MuleRun 最有意义的模型进步也不是数学竞赛更高分，而是更准确、高效地使用工具。

24. 长亭的成功来自能力匹配，也埋下了“无所不能”的错觉

• 陈宇森大学期间从打游戏转向网络安全，与伙伴组成蓝莲花战队，国内比赛几乎都拿第一，海外也基本取得国内最好成绩。DEF CON 决赛要连续对抗四五十小时，现场八人既攻击他人服务器，也要修补自己的服务并维持健康检查。

• 他从 CMU PPP、Ricky、George Hotz 等顶尖选手身上感受到，“计算机行业的天才和非天才之间的差距大到没边儿”。持续正反馈让这批人进入自己真正擅长的创业方向。

• 长亭科技 2014 年创办，2019 年 10 月卖给阿里云；陈宇森在第一段创业中前后接近七年。公司收入几乎每年都至少翻倍，他本人从第一个 sales 做起，虽有闭门羹，但回看月线图始终向上。

• 出售的判断来自云厂商吞下基础设施需求，以及 2018 年融资环境开始转差。他后来认为方向判断对、时间略早：融资市场到 2021 年才见高峰，而他又恰在那时重新做安全，说明看对趋势不等于能准确交易时间。

25. 第二次创业输在双线分心、资本放大目标与缺乏行业敬畏

• 2021 年离开大厂后，陈宇森同时创办游戏公司和数据安全公司。他当时觉得自己“无所不能”，既有第一次退出的信誉，又能融到较多资金，便相信两件事可以一起做好。

• 游戏团队原本想做有玩法和题材创新的小团队 PC 游戏。行业经典提醒是“前十款游戏大概率都是垃圾”，但团队对第一款产品过于笃定；资金太多又推动他们做一个足以匹配融资规模的大项目，而不是先花小钱失败。

• 他如今承认，那时不够敬畏陌生行业：“不要觉得好像这个行业里面之前的人都不会做事儿一样的。”学习快不等于第一次就能做对，成功经验也可能放大错误下注。

• 数据安全公司继续存在，也做出产品、服务了不错客户，但中国企业软件和安全近年商业化艰难。即使经验、资源比第一次更多，窗口过去后再把同一件事做起来，仍然极具挑战。

26. 2023 年的失败让他从自信顶峰跌入重度自我怀疑

• 低谷出现在 2023 年中下旬。陈宇森形容自己“重度焦虑挺严重的，就躺床上都要起不来那种”，伴随严重失眠，反复追问哪里出了问题、为什么能做出这么多错误判断。

• 团队下行时，开心的事越来越少，内部矛盾和失去向心力同时出现；他也能感受到核心成员对自己的信任、认可与期待逐渐减少。此前的成功一度被他重新解释为“是不是全是运气”。

• 当时公司账上仍有几千万元，理论上可以解散旧业务、重新做 AI，但他的心力已与外部浪潮错开。他判断自己没有状态，继续花掉余款翻盘概率极低，于是选择关掉游戏公司：“失败了就失败了。”

• 真正有效的帮助不是重复“胜败乃兵家常事”，而是朋友来陪他去网吧打两天游戏。后来他回到阿里做国际化相关工作，重新接触硅谷和海外 AI 发展，状态恢复后才开始寻找团队和新方向。

27. 重新出发的约束只有两个：选择能力匹配的事，并且真正“用心”

• 陈宇森给自己的第一条纪律，是不要被融资规模、股东回报或其他外部条件推着扩大选择，而应先做能力与认知匹配、自己真心认可的事情。“真心做的那些选择，输了大家也是认的。”

• 第二条是亲自下水：不能因为有创业经验，就找两三个能干的人代替自己感受浪潮。用人、产品和客户都要在一线验证；第二次创业者投入时间不足，失败仍是常见结果。

• 他最终把价值观压缩成“用心”。第一次创业是醒着就在想怎么做成，第二次则混入骄傲与“想到这儿就差不多了”；而“创业这个事没有差不多”，仔细完成任务也不等于真正热爱、思考并做出差异。

• 33 岁的他承认精力不如 22 岁，却多了经验和恢复后的心态。MuleRun 的下一个 milestone 是半年内做出足够简单的创作者工具，激活从未想过自己能做软件的非技术人群；真正的成功应当超出团队预设，像 App Store 长出《汤姆猫》和《愤怒的小鸟》一样，由创作者交出意外答案。