YC 近两期创业项目大盘点 & 部分 Agent 产品解析（附回放）

在上周，特工宇宙有幸邀请到了产品二姐来咱们社区分享，二姐算得上是资深产品经理了，在知乎和公众号上发布的内容超级优质，这次分享也是好评如潮，圈粉无数（点击“阅读原文”可以观看直播回放）。

这篇文章就简单提炼出二姐分享的核心内容，如若想与产品二姐等优秀的 AI 产品经理交流，欢迎加入我们专属 AI 产品经理社群！文末有加入方式。

本次分享大致分成四个部分。

在 2024 年 4 月初，YC 公布了 2024 年冬季入营项目，其中 80% 的项目与 Agent 相关，而 YC 投资项目的趋势，一定程度上代表着市场趋势，同时我们也能找到一些好学生榜样，帮助自我进步，也能通过这些 Agent 开发工具类产品，学习如何做一个 Agent 产品。

在 YC 投资的 260 个项目，我们通过分析可以看到三个趋势。

第一，技术趋势👇

1. Agent 占据主导地位，使用率远超其他技术，达到 214 个项目。套用吴恩达最新的演讲（Agent > GPT5？吴恩达最新演讲：四种 Agent 设计范式（通俗易懂版），Agent是指能进行自主规划，使用工具，反思和协作的智能体框架。

2. Multimodal LLM：多模态位居第二，其中有 29 个项目，包括图像、语言、视频生成等。

3. Infra：基础设施技术，主要指为 AI 应用开发提供的基座能力的技术，比如 AI 应用的评测、监控，帮助提升 AI 应用开发速度、性能，基座模型等，共有 14 个项目。如果说 AI 应用开发，它本身是为了挖矿，那总有一些造铲子的人为这些挖矿的人来去服务。

4. RAG (检索增强生成）: 仅有 5 个项目主要使用 RAG 。当然这并不意味着RAG没有用处，只是不再像之前那样受人瞩目。一是因为 RAG 早已通过各种方式融入为产品的基本能力；二是模型本身长上下文的支持和 RAG 本身的局限（比如对多模态的支持差），使得 RAG 的生存空间被大大挤压。

第二，场景趋势👇

如果把这些不同的领域用这些圆圈气泡来代替的话，我们把它分为四大类。最底下是 AI 应用开发的基础工具及保障。左边绿色的和黄色的部分是B端的应用，那中间蓝色的部分是泛应用，橘色的是 C 端应用。

第一，我们可以更多的看到，上面的是远远多于下面的，也就意味着造铲子的人少了，这也是符合所有的技术革命进入应用爆发时代的特征。

第二个是 B 端的应用远多于 C 端的应用。所以我们现在也看到说，为什么我们现在仍然没有一个 Super App 出来，前几天我也听到 OpenAI 的一个联合创始人讲到，现在的 AI 更像 PC 机刚刚支持图形界面和鼠标的时代，这时 1984 年乔布斯创造了第一台 Macintosh 但并不被市场接受，直到 11 年之后，以Windows95 为代表的 GUI 的 PC 机才开始盛行。

是不是说我们意味着说我们也要等到 11 年之后才能有一个 Super App，或是家里老人也才会开始使用一个 AI 的 C 端应用？这是一个非常值得思考的问题。

但是就目前来看的话，大多数的应用还是集中在 B 端，前几天朱啸虎也在有访谈到就说 B 端现在已经开始赚钱了，C 端现在可能还在迷茫之中，所以很可能就是说这个趋势也确实是应了他的这个观点。

第三个趋势，当我们在 Focus 到 AI 的 B 端应用当中时，会发现软件研发是最多的，也就是程序员开始在革自己的命。就是比如说有些应用，它是用来自动解bug，自动写代码，还有一些前端工程师，他也开始入场，他就是让大家自动去写这个页面都用自然语言来去呈现，其实这也是一个非常好的现象。所有的革新不是从自我革命开始，这是我自己的理解。

第四，我们大家看到 CRM，电商和金融这三个领域，其实是我们在数字化时代。最被数字化的一些场景，所以他们的应用也非常广。

第五，泛应用中，Agent 开发工具成为一股新势力，某种程度上也印证了 Agent 技术的流行。

第三，人才趋势👇

首先程序员在革自己的命，肯定有很多程序员入场，他们不一定是研究机构的，或者是研究员，或者是 PHD，就是普普通通的程序员。第二个是，投资这边现在也有说，由投名校人才倾向，转为开始投赚钱的项目。另外个人的体会就是我身边有转型到AI产品经理的同学，目前在两周内就可以收到六到七家的面试机会。

（所以如果想要转 AI 产品经理，欢迎来我们群里学习交流，很多产品负责人及创业者，说不定聊聊天 offer 就有了

）

二姐也整理了所有的 YC 项目，公众号后台回复“YC2024”即可免费获取（下面也会介绍二姐是如果构建 Agent 实现输出的此表~）

既然 Agent 那么火，那么什么是 Agent？大家可能或多或少都了解一些，我这里再简单介绍下。

Agent 其实不只有 Coze 这一种形式，它的形式是非常多样的。如果说 Agent 是代理，那么代理的是谁呢？代理的就是人，像人一样干活。比如说一件事情一个项目，AI 能自己去思考去行动，自己去感知环境，因此我们通常来说 Agent 需要四个模块，即推理、记忆、工具和行动。

整个 Agent 的知识体系，大致分成 Agent 设计模式、Agent 开发工具、Agent 应用。Agent 设计模式就像一个引擎一样，在此基础之上会产生一些开发 Agent 的工具，就好比是工作台，然后基于工作台我们又能开发出非常多的 Agent 应用。

今天分享的核心是中间这个 Agent 开发工具，我们来把 Agent 开发工具分为两大类，一类是面向开发者，一类是面向大众。

右边的这五个项目也是在 YC 里面列出来的一个项目，后面还是有很多的，所以我们只挑取一些比较有代表性的产品来去讲一下。

第一个产品是 AgentHub，特工宇宙后期整理该项目信息如下👇

然后亲自演示了如何用该产品，构建了一个 Agent，导出如上 YC 项目信息。大致实现路径为，先去官网找这个模板。

然后基于此模板，去 YC 官网上爬取所有的项目链接，保存为 csv 文件，然后把它喂给大语言模型。

模型分析页面内容之后，基于输入的 Prompt，得到了一系列结构化的信息，得到了 name, weburl, solution, problem, Tech, domain 几个变量。

再用翻译的插件，把其中 solution 和 promblem 模块信息翻译成中文。

最后将结果写到一个新的 csv 文件，大概 20 分钟整个工作流就可全部完成。

得益于大语言模型和 Agent 平台，让传统的 RPA 得到了质的升级。

第二个工具是 Speck，还没正式开放，该工具是用录屏的方式，让用户去操作，自动检测用户做了哪些 action，在页面上抽取到哪些元素，然后 AI 去把这个信息抽取出来，做成一个信息收集整理工具。

以上两个工具，一个是用拖拽的这种方式，另外一个是用录屏的这种方式。AgentHub 和Speck 约等于 AI 版的 RPA。RPA 是希望模拟人的操作去做一些重复性的劳动，但是有了 AI 的加持之后，它的理解能力，总结能力就有了，它非常有用，但是，不是所有的 Agent 都是这样的，这两个产品更侧重于 tool-use 和 action。它的规划能力和 memory 是比较弱的。

接下来介绍的产品是 AgentGPT，我认为它会更接近 Agent.

以下省略源码解析部分，非常精彩但篇幅有限，感兴趣的朋友可以“阅读原文”查看回放。

以下是从 2022 年 10 月 Re-act 开始到 2024 年 2 月最新的设计模式时间表，我认为每一个 Agent 的设计都有自己适合的场景，Agent 设计模式的本质是，将人类的思维、管理模式以结构化 Prompt 的方式告诉大模型来进行规划，并调用工具执行，且不断反思迭代的方法。