一句prompt就是一个产品？“Agentic AI第一股”掌门人：软件正在变成快消品

北大数院校友、“全球 Agentic AI 第一股” 背后的创始人 吴明辉 语气平和却笃定。北京早春的阳光泻过会议室的大落地窗，寒意被挡在窗外。

去年 11 月，吴明辉创办的企业级数据智能公司 明略科技 在港交所敲钟上市，目前市值已突破 340 亿。

这家公司之所以被外界称为“全球 Agentic AI 第一股”，是因为他们做的不只是模型，而是一整套 能替企业完成工作的 AI agent 系统：AI 不只是回答问题，还能自己分析数据、完成任务。

事实上，吴明辉很早就在为这件事做铺垫。

几年前，明略科技收购了一家叫 夜莺科技 的公司——那也是 Manus 创始人肖弘的第一家创业公司。当时夜莺科技在企业微信生态里已经是安装量很高的一款应用。

吴明辉的想法其实很简单：如果一个产品已经拥有不错的用户入口，再叠加 AI agent，很多事情就会顺得多。

后来 AI agent 概念爆火，Manus 迅速出圈，这笔当年的收购才被更多人重新注意到。

和近年一些迅速崛起的 AI 公司不同，吴明辉带领着明略，已经在“数据”这条路上走了近 20 年，在数据与 AI 的交界处长跑。

但实际上，吴明辉起初并不是做数据的。

他在 2000 年被保送进北大数学系，2004 年起在北大攻读 AI 方向的硕士，那一年，国内连“大数据”这个词都没怎么听过，AI 更是没什么影。

吴明辉在研一研二做的是 CV，也就是商汤等几个“AI 四小龙”后来做火了的机器视觉。在研三时，他转头做起了推荐系统，硕士毕业论文标题为《基于语言模型的推荐系统》，又意外踩中了大语言模型的早期脉搏。

当时他兴冲冲地拿着这套想法出去创业融资，却发现该方向虽然从学术角度讲挺好，但它在商业化中间缺了关键一环——没有数据。没有数据的话就做不了推荐。

总而言之，误打误撞地，吴明辉就开始做数据了。

因为他知道，不论是想做好 CV，还是做好推荐系统，都得先有足够的、高质量的数据：

“我们其实在 2006、2007 年做 AI 的时候，就已经意识到了数据的重要性。”

本期《C 位面对面》，极客邦科技创始人兼 CEO 霍太稳（Kevin），和明略科技创始人、CEO 兼 CTO 吴明辉坐下来聊了聊。

他们谈的不是融资故事，也不是行业口号，而是一些更有意思的问题：AI 会怎样改变公司组织、软件行业会有什么变化、工程师未来到底在做什么等等。对于最近大火的 Agent，吴明辉也分享了自己独到且有深度的见解。

这里先来划下重点：

首先，一个有意思的事情是：即便公司现在已经上市，在繁忙的日程里，吴明辉依然把不少精力放在产品和技术一线。

作为明略科技的创始人和 CEO，他至今还长期亲自兼任 CTO。

为什么都这么忙了，还要亲自做 CTO？

吴明辉的回答直截了当：

“我在公司创办之初就是 CTO，到现在也还是。中间有一两年曾经交给别人做 CTO。

公司到现在快 20 年了，其实大概有 90% 的时间都是我在做 CTO。”

第一个原因就是这么“简单粗暴”：他喜欢这个位置。

不过对他而言，这种角色叠加也不只是个人偏好，更是和 AI 带来的变化有关：“人工智能把很多行业的链路进一步缩短了。”

互联网时代已经发生过一次类似的变化。以零售为例，电商让供给和需求之间的距离被迅速拉近。

而如果再往前一步看，人工智能正在把不同角色、不同专业之间的距离也一起拉近。

为什么 AI 会带来这样的变化？吴明辉给出了一个很有意思的理解：AI 本质上是世界上最好的“翻译者”。

“直观来看，Transformer 的第一篇论文其实讲的就是翻译任务。当时作者也没想到，未来会衍生出那么多下游能力。

但如果你看今天 AI 在做什么，本质上无非是把一个 prompt、一个 question 翻译成一个 answer。这个过程，本身就是一种翻译。

但还有另一种更有意思、更现实的 “翻译”：帮助不同工种之间进行沟通。

打个比方，客户以前觉得跟工程师交流太费劲，工程师也觉得听不懂客户；还有医生讲一堆医学逻辑，病人可能一头雾水。而现在，很多人弄不清对方意思时，可以直接把对话丢给大模型，先让 AI 解读一遍。

这主要得益于，今天的大模型已经拥有非常广泛的通识知识。在某种程度上，它像一种“通用翻译器”，可以补足每个人知识结构里的短板。

过去承担这种角色的，往往是专业人士。

比如律师。明略科技上市时，需要公司的中国律师、券商的中国律师、公司的海外律师、券商的海外律师。

这些律师做的事情，其实也是“翻译”：把监管规则翻译给公司，再把公司的信息翻译成资本市场能理解的语言。

而 AI 的出现，让这种“翻译”的成本大幅下降。产业链路因此被进一步压缩，需求侧和最底层的技术供给，被拉得越来越近。

在吴明辉看来，“翻译”这事不只发生在 AI 身上，也贯穿着他对 数学和技术 的理解。

被保送进北大数学系的他，谦虚地笑称自己现在只算个“数学爱好者”，不过数学确实深刻影响了他的思维方式。

他提到自己有个使命，是“把数学之美传递给身边的人”。

在他看来，这个使命对他做科技的帮助也很大，因为许多科技产品的底层逻辑，其实都可以用数学来解释：

“当我把产品底层的数学原理自己想清楚，再相对清晰地讲给合作伙伴、客户、团队里非技术同学、甚至投资者听，我其实也在做翻译。

当这件事讲清楚了，公司会受益：原本不懂的人懂了，懂了之后资源就会来，大家就能团结起来把事情做成。

在我看来，数学是人类最精确的语言。”

从某种角度上，这些经历和见解，也解释了吴明辉为何要长期担任明略科技的 CEO 兼 CTO：

“做 CEO，我需要和投资者、重要客户、合作伙伴交流。

做 CTO，我要深入到一线，甚至未来可能我既不是 CEO 也不是 CTO，而是公司首席研究员，专注研究最底层、最 fundamental 的算法——也就是供给侧最核心的东西。

如果我能同时熟悉这两边，就能把公司的整体效率提升得非常高。”

他指出，在 AI 时代要做好公司的战略，本质上必须把供给侧（比如技术）和需求侧（比如场景）连起来。

在 AI 公司里，CEO 手里最关键的一项权力，是“算力分配权”。

当公司花大量资金购买 GPU 时，是 all in 一个模型研发方向，还是分给多个研究团队探索？这既是技术决策，也是战略决策。

“所以最理想的情况”，吴明辉说，“是 CEO 和 CTO 本来就是同一个人。”

他还分享了一段很有趣的“八卦”：

“谷歌的研究员跟我说：Gemini 之所以又突然“焕发青春”，最核心的原因是，（谷歌的）founder 回来了。他们觉得关键是谷歌的 founder 回来以后，开始非常 top-down 地决定哪些事应该做、哪些事不该做。

...... 他亲自坐镇，亲自抓团队该做什么、不该做什么，中间少了大量扯皮。如果他不回来，不可能把 Google Brain 和 DeepMind 合并起来。”

在吴明辉看来，这种 AI 带来变化的影响，当然还不止于公司战略——AI 还正在重塑软件开发行业本身。

他抛出了一个很有意思的预判：未来的软件行业，可能会越来越像 Shein 那种 “快时尚”：生产更快、生命周期更短、产品更多，但单个产品的价值更分散。

本示意图由 AI 生成

背后的主要逻辑是，有了 AI 辅助后，软件开发门槛和的生产成本骤降；当然，一个产品的收益可能也会随之迅速下降：

“以前一个软件可能卖五年，生命周期给公司赚几亿；以后你做得快，收钱也别指望太多。

你做一个产品，最后能收回一百万可能就不错了，因为你可能只花一万块就做出来了，甚至写几行 prompt 就能跑起来。这个变革和挑战都很大。”

“你能想象吗？”他说，“一个 prompt 可能就是一个产品。”

因为在很多场景里，产品真正的价值并不在于代码，而在于它解决的那个问题。

比如你问：“这家公司增长的瓶颈在哪里？”如果一个系统能够调用数据、跑分析、生成报告，把这个问题回答得足够清楚，那本身就已经是一种产品。

不过这样的产品，大概率不会像传统软件那样存在很多年。

数据在变化，市场在变化，竞争环境也在变化。也许两个月后，一个问题就不再成立了。

当软件越来越轻、越来像“快时尚”时，它们可能就不再是一个个庞大的系统，而是一堆可以被 AI 调用、拼接组合的小工具。

在明略内部，这种工作方式其实已经出现了。吴明辉说，明略以前有几百人专门做 data mining、数据分析；但现在，公司很多分析工作都开始在一个叫 DeepMiner 的系统里跑。

在吴明辉看来，这个系统现在几乎成了团队的核心工作入口：“你想象一下，一个软件比 Office 还重要。”

他团队现在的工作方式，称为 “驾驭模式（Harness mode）”：把一个岗位需要用到的各种工具，比如数据系统、分析工具、模型能力，全部接入到一个统一的入口里。员工不再是在不同软件之间来回切换，而是在一个界面里“驾驭”这些工具完成任务。

当软件可以变成一堆能被 AI 调用、拼接的工具时，那么很多传统软件的逻辑，可能也要跟着变一变了。

过去的企业级应用软件，大多是一个个独立的系。用户要学 Salesforce、学 CRM、学 ERP，每个系统都有自己的一套界面和操作逻辑。很多人在公司里干的第一件事，其实就是先花几个月学软件。

但如果这些系统本身有 API，事情就会变得完全不一样。

AI 可以把这些系统接在一起。你不再需要记住哪个按钮在哪个菜单里，只需要把目标说清楚——剩下的事情，可以让 agent 去拆任务、调系统、把事情一步步跑完。

某种程度上，人不再是在“操作软件”，而是在 指挥软件干活。

“你甚至不需要把某个软件学得特别熟。”吴明辉说，“只要目标清楚，AI 可以帮你把事情跑出来。”

他表示，如果这种模式成立，那么很多传统企业软件的护城河也可能会动摇：

“企业软件的护城河，很多时候不是软件本身，而是‘会用、会实施的人群’。

我们当年最早用 C 语言写大数据分析系统，后来不得不换成 Hadoop（当然今天又升级了）。

为什么？因为会用 C 的人越来越少，招聘太难；会用 Hadoop 的人多，生态就更成熟。

长期来看，会用 AI 写代码的人只会更多。所以这些软件当年的护城河，可能就不再是护城河了。它的护城河本质是‘那群人’。”

而在更底层的技术范式层面，agent 本身也在发生变化：

“软件在持续迭代，可能会颠覆上一代的东西。

大家都说 2025 是 agent 元年，但其实 2024 也很多人在讲 agent。只是 2024 讲的 agent 和 2025 讲的 agent，不是一回事。”

2023、2024 年大家讨论的 agent，大多还是一种 workflow：人先把流程设计好，第一步干什么、第二步干什么、第三步干什么，在几个关键节点调用一下大模型。

说白了，AI 只是流程里的一个“工具人”。

但到了 2025 年，很多人再提 agent，脑子里想到的已经是另一种东西：像 Manus 这样的 agent loop。

这种模式里，人不再提前写好完整流程，而是把目标丢给 AI，让它自己去规划步骤、执行任务，做完之后还会自己反思、修改，再继续往下推进。

但 agent loop 有几个明显的问题：不太可控。同一个任务，让 AI 跑两次，可能会给出完全不同的结果。有时候甚至会出现“幻觉”。不过换个角度看，这也让它可能给出人类事先想不到的答案。

相比之下，workflow 就稳得多。流程早就写好了，第一步、第二步、第三步，按部就班地跑。但问题是，如果你一开始就不知道该怎么做，那也就根本没法设计 workflow。

另外，agent loop 的 token 消耗往往很高。比如 Manus，一个任务跑下来动辄就要花掉几美元。

于是很多团队开始找一种折中的办法。

在吴明辉看来，skill 就是这样一种中间形态：

“ 一方面是平衡成本；另一方面也平衡了最后的可扩展性、灵活性。

skill 是一种很理想的“把技能 / 工作方法沉淀下来”的方式：它有点像 chat 的模式，做完以后可以 save as 一个 skill。

skill 相当于把 chat 过程中 AI 的一些 planning 固化下来了，同时又保留了一部分 AI 继续做 planning 的能力。

至于到底保留哪些、不保留哪些，是由 AI 去判断；而这个判断本身也可以持续迭代、持续优化。”

AI 带来的变化，远不止软件和产品本身。随着 AI 显著提升效率，公司的分工方式和组织结构也在发生变化。

吴明辉提到，在明略科技，以前可能通常是一个产品经理配四个工程师；产品经理写需求、画原型，工程师一行一行把系统实现出来。

但未来，这个比例可能倒过来：很多团队变成 四个产品经理配一个工程师。

他今年提出的要求是，产品经理自己先用 AI 把原型、早期 MVP、甚至一部分功能都做出来，工程师更多是在关键环节补位，比如大数据和 Infra 这类事情。

明略科技内部，现在非常强调 Vibe Coding。

过去大家对这种方式多少有些顾虑，很多团队只敢在原型阶段用 AI 写代码，很少真正带到生产环境。

但现在 AI 生成代码、生成图的质量在变高，很多问题在逐步被解决：“你如果只在预研、测试环境用，不在生产环境用，其实很亏。”

他分享了一个公司里的小故事：

去年 1024 程序员节，明略办了一场黑客马拉松。他给团队出的题目听着挺唬人的：“五天复刻 Claude Code”。为了确保最后能按时完成，工程负责人先自己打了个样。结果把他自己和吴明辉都吓了一跳——一个人，五个小时，就复刻出来了。

“所以现在网上有人说几个小时复刻一个产品，我一点也不奇怪。”他说，“完全 make sense。”

那面对这样的情况，剩下的工程师会不会被“挤掉”？

吴明辉的回答很直接：不会，但角色会变。

如果想继续做工程师，就要想清楚未来最值钱的能力是什么：

“AI 替代不了工程师的部分是什么？

今天 AI 写代码很强，但人类工作的更大价值，是

探索外部环境

，也就是 AI 还不知道的环境。

我说的环境，类似强化学习里的“环境”，就是我们所处的真实世界。

对工程师来说，举个例子：某家公司出了一个新数据库、新 feature，这些 AI 可能还不知道；或者你要操控一个新版 Chrome，有新的能力和交互，这些 AI 也不一定掌握。

未来软件工程师一个很重要的工作，是把这些新的外部环境探索清楚，再把它们和 AI 联动起来。

...... 如果工程师还停留在舒适区，每天写常规代码，那抱歉，未来肯定不需要你干那么多。”

他说，比如 Netflix 的工程师，其实一直在做一件事：就是让 Netflix 能在所有屏幕上跑。

电视、机顶盒、游戏机、XBOX，各种新设备层出不穷。每出现一种新终端，就意味着一套新的接口、新的限制。

这些东西 AI 不可能天然知道。所以工程师要先把这些“新环境”摸清楚，再把它们接进系统，让 Netflix 在每一块屏幕上都能正常播放。

从这个角度看，工程师的工作，更像是在不断把现实世界接入软件系统。

不过，Vibe Coding 在生产环境中真的靠得住吗？AI 一次生成十万行代码，如果里面有 bug，谁来负责、又该怎么改？

在吴明辉看来，这本质上还是那个老问题：“一个 CTO 怎么管理一支大研发团队”：

简单来说，只要底层组件是可靠的，上面的组合就不太会出大问题。

同样的逻辑，放到 AI 上也一样。

复杂任务需要被拆成一棵任务树，一直拆到最底层的叶子节点。

过去，在人管人的时候，叶子节点是工程师；而在 AI 系统里，叶子节点可能是函数库、模型能力、数据接口。

在吴明辉看来，Vibe coding 真正进入生产环境，并不意味着软件工程突然换了一套全新的规则。

只不过被管理的对象变了——过去是管理者管一群工程师；而 在 AI native 的组织里，所有人都是管理者，他们管一群 AI。

AI 会继续改变软件、组织和岗位等等。但在吴明辉看来，有些事至少短时间内还不会变：

决定什么是对的、什么算好的，依然是人。

“我还是那句话：得目标者得天下。

Andrej Karpathy 也讲过，AI 是一种围绕人制定目标的新的计算范式。

所以要知道自己的目标是什么。我的终极目标永远是让自己开心。”

会议推荐

OpenClaw 出圈，“养虾”潮狂热，开年 Agentic AI 这把火烧得不可谓不旺。在这一热潮下，自托管 Agent 形态迅速普及：多入口对话、持久记忆、Skills 工具链带来强大生产力。但这背后也暴露了工程化落地的真实难题——权限边界与隔离运行、Skills 供应链安全、可观测与可追溯、记忆分层与跨场景污染、以及如何把 Agent 纳入团队研发 / 运维流程并形成稳定收益。

针对这一系列挑战，在 4 月 16-18 日即将举办的 QCon 北京站上，我们特别策划了「OpenClaw 生态实践」专题，将聚焦一线实践与踩坑复盘，分享企业如何构建私有 Skills、制定安全护栏、搭建审计与回放机制、建立质量 / 效率指标体系，最终把自托管 Agent 从可用的 Demo 升级为可靠的生产系统。