Andrew Lee

Tasklet 判断，智能体转型之后，真正可行的软件只剩3种形态：少数横向平台、API-first 公司，以及按结果收费的解决方案公司。 它的目标是成为“替知识工作者取代 SaaS 产品的 AI agent platform”；Stripe 式基础设施则退居 API 背后继续存在，Nathan 还以 Fin 为例：每解决一张客服工单收费0.99美元，卖的是结果，而不是用户看得见的软件。

Tasklet 最大的供应商，同时也是最清晰的竞争威胁。 Andrew Lee 表示，约80%的流失用户会转向 Anthropic 产品，通常是因为他们本来就已经在付 Claude Max；Nathan 和 Lee 猜测，Max 每花1美元获得的 token 数量可能是 Tasklet 通过 API 采购能力的“5比1，甚至更高”。这种补贴扭曲了客户预期，也让 Tasklet 长期处于几乎薄如刀刃的毛利水平。另一方面，Opus 4.7 由 tokenizer 驱动、约30%的成本上升，也促使 Tasklet 将其设为可选模型，而非默认模型。

历时6个月的重写，用面向 agent、具备缓存感知能力的文件系统架构取代了聊天历史，目标是支撑可能运行10000x的 agent。 Tasklet 现在把完整历史存进文件，再向模型发送提示和一份固定长度、保真度逐步下降的摘要：近期对话保留工具调用和思考过程，较早内容则逐步丢失响应、参数和细节，最后才进入 LLM 摘要环节。“如果文件就是 agent 呢？”是这套设计的核心判断；剩下的问题是，智能体仍会偶尔遗忘，压缩也依然成本高昂。

“永远押注模型”这一判断被验证，但随着可信替代方案出现，Tasklet 正从 Claude 至上转向模型中立的编排层。 Claude 4.5 解锁了更好的 computer use，Opus 价格从15美元降至5美元扩大了可用范围，而4.6在 computer use 和代码生成上的提升足以支撑 Instant Apps。Lee 表示，GPT-4.5 已经非常适合 Tasklet 的场景，能够很好地驾驭其 harness，并足以与 Opus 4.6 一较高下；Tasklet 已与 OpenAI 签约，并预计 Anthropic、OpenAI、Google 以及开源模型将提供有价值的成本—性能选择。Kimi 和 DeepSeek 也在其测试之列。

Tasklet 真正可防守的切口，不是独占能力，而是持久化企业自动化的操作体验与治理能力。 Lee 承认“大家都在做同一件事”，几乎所有通用 agent 都能写代码或完成知识工作；Tasklet 转而优化云端托管、全天候运行、多人共管、审计日志、护栏、成本控制，以及跨越数千次触发的记忆能力。因此，它对企业的推介是：“押注我们，就是押注所有人”，由 Tasklet 充当中立的模型与成本仲裁者。

生成式 UI 的到来速度，已经快到足以抹平应用层的大块差异化。 Tasklet 3月发布的 Instant Apps，可以凭一条提示生成连接数据的 dashboard，甚至生成可运行的邮件界面；如今团队内部需要定价分析工具时，已经直接让 Tasklet 生成交互式工具，而不是在 BigQuery 或传统 dashboard 软件里搭建。由此 Lee 认为，“Salesforce 真正陷入麻烦了”：agent 让 schema 更容易重建、数据更容易迁移，也让积累多年的应用代码价值下降，但他预计 Salesforce 会变成一家更小的公司，而不是彻底消失。

更好的模型不会消灭 harness 的商业价值，只会把价值推向成本、可靠性、权限和可逆执行。 Lee 更喜欢“mecha suit”这个说法：存储、算力、API、持久化上下文和监督机制，能够放大模型的效用，即使这种智能优势只持续6个月。路线图包括“回滚整个世界”、只在涉及重大后果的操作前要求审批，以及生成可测试的迁移脚本，而不是让记录穿过 LLM；与此同时，Tasklet 内部 token 支出估计约为工资总额的5–10%。

🔗 原始收听与视频来源： 三类软件得以存活：Tasklet 的 Andrew Lee 谈如何竞争成为横向平台

Tasklet押注，以模型为核心的Agent将取代确定性工作流，因为Agent可以绕开那些让流程图失效的现实例外。 Andrew Lee承认，对于许多商业应用，今天的模型“可能”仍略逊一筹，但他预计这一差距将在6个月内消失，并最终反转：“不是由软件包裹LLM，而是由LLM包裹软件。”

产品正从周期性自动化，演变为一种持续运行、原生使用语言的虚拟员工。 高层Agent保留职责和反馈，子Agent负责执行单次任务；用户也可以回来临时交办工作，而尽管几乎每个付费用户都设置了自动化，大多数消息已经属于这类临时请求。一些客户会给Agent起名、配备专属邮箱，并把它们当作同事：“这是Joe，我的EA。”

Lee仍然凭“感觉”选模型，尽管GPT-5公布的任务时长结果更强、价格也更低，他依然明确偏好Anthropic，尤其是在长链路工具调用中。 他的意思不是Sonnet总能给出最好的第一份答案，而是微小优势会在100次迭代中不断累积；GPT-5的价格不到Sonnet的一半，却没有引发大规模迁移，在他看来，这说明Sonnet的“现实世界效用”更高。

Tasklet的分发切口不是精选的少数集成，而是普适连接能力。 它整合了3,000多个集成和商业工具、任意API、MCP服务器及电脑操作；甚至有一位付费客户放弃Notion官方MCP，改用Tasklet由模型生成的直接API连接，因为后者效果更好。Lee对MCP正在形成的看法很直接：如果工具只是镜像已公开的端点，而模型本身就能发现这些端点，“那MCP有什么意义？”

长生命周期Agent真正有技术含量的部分，不是基础Agent循环，而是上下文工程和算力基础设施。 Tasklet把运行一两周后变得难以维护的、始终存在且可变的JSON记忆，替换成由Agent管理的SQL数据库，同时推进压缩、选择性检索，以及未来对旧历史进行“解压缩”。它的北极星，是一种在经济上不可能、但体验上极具价值的幻觉：“一段很长的聊天”，其中所有内容始终可用，并会被智能地纳入考虑。

经济模型仍处早期且并不友好，但Lee看到了熟悉的成本曲线，以及近期Haiku 4.5带来的杠杆。 Shortwave曾从可能让公司破产的发布阶段，走向健康但低于90%的毛利率；Tasklet目前“毛利率严重为负”，消耗的token多得多，还必须管控免费用户中的“僵尸自动化”。Haiku 4.5的成本约为Sonnet的三分之一，有望在不造成同等幅度毛利损伤的情况下，大幅提高配额。

战略终局是一个值得信任的横向Agent平台，但Lee认为眼下唯一的护城河是速度。 他预计通用模型和生成式界面将消灭大量垂直SaaS，最终甚至会改变当前形态的Shortwave；直接API和电脑操作也会抹平多年积累的连接器库。Tasklet上线后单位时间新增收入的速度远超Shortwave历史表现，但持久的企业机会取决于它能否成为“最值得信任的Agent部署方式”，并提供权限、可审计性、合规能力，甚至保险。

🔗 原始收听与视频来源： Tasklet如何把自主性注入Agent：与CEO Andrew Lee对谈

Shortwave 的增长拐点出现在 1 月 V3 发布之后：产品不再像邮件聊天机器人那样只做简单回应，而是通过反复调用工具完成开放式任务。 更早期的助手能搜索或起草“还行”的结果，但不值得信赖；Claude Sonnet 3.5 的 10 月版本则能在长序列中保持连贯，Shortwave 因而允许它最多运行约20次调用、重试失败的搜索、吸收错误，并产出“单次 LLM 调用不可能得到的答案”。Andrew Lee 的定义很直接：真正能工作的智能体，本质上就是迭代。

更强的前端智能体可以弥补检索原语的局限，因此架构变得更简单，经济性也更好。 Shortwave 几乎重做了所有东西——BGE embeddings、Pinecone serverless、语义与关键词混合搜索、结构化约束以及智能体框架——同时接受近似匹配的结果，而不是精确给每封邮件打分。结果是成本“低得多”、速度更快、可靠性更高，检索也更好，因为智能体可以改写搜索，而不必要求单个查询做到完美。

Anthropic 的 prompt caching 是 Shortwave 实现正毛利智能体经济学的承重墙。 智能体历史记录可能达到数十万 tokens，并且会被反复延长；但只要谨慎保持既有上下文不变并持续设置检查点，后续调用成本就能降低约90%；Andrew 表示，没有这项能力，Shortwave 每个用户都会“以巨大幅度”亏钱。OpenAI 约50%的自动折扣更容易使用，但对这种工作负载来说还不够大。

Shortwave 正从“内置 AI 的邮件客户端”重新定位为“内置邮件功能的 AI”。 计划覆盖 Slack、LinkedIn、CRM 和项目管理系统，最终可能成为所有商业沟通的智能体路由层。这会让竞争范围从 Gmail 和 Superhuman 扩展到“下一代 ChatGPT”，而邮件则提供了独特丰富的语料库：往来信件、附件、SaaS 通知、联系人和日历历史。

需求正在向高价端集中，显示用户愿意为上下文、算力和答案质量支付可观费用。 Shortwave 目前已经实现正毛利，虽然还没有“非常高”，而 Andrew 表示，几乎所有增长都来自最高价方案，因为用户看重全历史索引和更大的上下文窗口。他认为每月约200美元的档位存在空间，未来甚至可以推出一次耗费数百美元推理、替代员工一个月工作的高价任务，因为“好和最好之间的差异，值很多钱”。

Andrew 现在认为，速度而不是积累的代码，才是“可能”最重要的护城河。 AI 可能大幅削弱一个花4年打造的邮件客户端的价值，因此 Shortwave 计划未来1年用约15人保持大约领先2个月，并把团队组织成 AI 智能体的管理者，而不是传统执行者。写代码从 Cursor agents 开始，设计从可运行的 Bolt.new 原型开始，内容则可以由 GPT-4.5 起步；公司甚至已经围绕这套运营模式调整了人员。Shortwave 的节目介绍宣传了$10,000推荐奖金，但 Andrew 结尾先说成$1,000，随后又承诺$10,000，前后不一致。

最大的未决风险是自主性、信任，以及模型能否在没有明确指令的情况下内化用户行为。 Shortwave 的 AI filters 已经可以无须批准直接行动，但如果对每封新邮件都运行完整智能体，日运行次数可能从约8次增至300次，成本随之放大，也会暴露“删除整个收件箱”之类的 prompt injection 路径。Andrew 倾向于限制权限、保留行动历史、将草稿排队并设置审核流程，同时期待未来出现一种超越今天“记住这一点”式显式事实的新型记忆突破。

🔗 原始收听与视频来源： Shortwave 踏上潮汐浪潮：收件箱智能体、超高速增长与招聘 AI 管理者，CEO Andrew Lee