前Memrise CEO托伊:单靠提示词难建壁垒 领域专家是AI智能体核心

Turning Your Value Proposition Into Coordinated AI Agents With Just a Bite Better — Ai4

Ai4

通用大模型正在迅速瓦解常规工作流壁垒,企业必须让工程师退居底层搭建基础设施,并由领域专家基于专有数据与情境上下文构建协同智能体以交付核心价值。

AI-assisted summary of Turning Your Value Proposition Into Coordinated AI Agents With Just a Bite Better — original source. Check the original for full context.

Source published:

Detailed notes

## Background 本内容由频道 Ai4 于 2026 年 8 月 20 日发布在 YouTube 平台上。视频记录了 Just a Bite Better (JaBB) 创始人 Steve Toy 的主题演讲,介绍企业如何避免泛用型 AI 的误区,将自身的独特价值主张与领域专长转化为高效协同的 AI Agent 架构。

## TL;DR 演讲者结合在安永、Memrise、JaBB 和 dinemait 的实战管理经验,指出交付核心价值主张才是客户买单的根本原因,警惕速度过快、选项泛滥和华丽 Demo 等专注力陷阱。企业应通过单次 Prompt 检验法明确护城河,利用专有数据、复合资产与独特视角构建数据飞轮,而非盲目死磕 Prompt Engineering。最后,他强调必须由工程师铺设底层设施,深度赋能领域专家去打造和驱动协同 Agent,从而拒绝无意义的随机 AI 堆砌。

## Atmosphere & style 整场演讲风格务实老练、条理清晰且直击痛点,散发着资深连续创业者与前 CEO 的实战洞察力。主讲人通过剖析自身踩坑经历与真实业务转型的鲜活案例,打破了当下对通用大模型的盲目迷信,语言通俗幽默又极具启发性。现场节奏紧凑且干货满满,让听众在反思业务本质的同时,获得了一套清晰可落地的 Agent 架构与团队协作方法论。

## Key takeaways - [00:04](https://www.youtube.com/watch?v=TbxlW41miLg&t=4s) 价值主张必须置于协同智能体之前:客户付费买单的是企业核心价值主张的交付,脱离价值主张的技术尝试只是随意的 AI 堆砌。 - [00:04](https://www.youtube.com/watch?v=TbxlW41miLg&t=4s) AI 时代保持专注面临三大陷阱:研发速度全面加快容易让错误方向加速恶化、选项泛滥削弱团队对方案的承诺、华丽的 Demo 容易掩盖不良的业务决策。 - [04:01](https://www.youtube.com/watch?v=TbxlW41miLg&t=241s) 切勿混淆业务流程与核心护城河:企业不可将操作流程或工时误当成商业模式,真正的价值在于客户认可的最终权威交付成果。 - [04:01](https://www.youtube.com/watch?v=TbxlW41miLg&t=241s) 通过“单次 Prompt 检验法”识别真正壁垒:如果一个优秀的单次 Prompt 能完成业务交付的 80%,则该业务极易被前沿基础模型淘汰,绝非真正护城河。 - [04:01](https://www.youtube.com/watch?v=TbxlW41miLg&t=241s) 企业真正的价值主张通常扎根于三个维度:基础模型无法获取的专有数据、随用户长期使用不可迁移的复合型资产,以及独特的业务视角与方法论。 - [10:03](https://www.youtube.com/watch?v=TbxlW41miLg&t=603s) 避免构建错误的事物:若产品的最底层核心体验与信任机制没有夯实,即便打造出再丰富的附加功能也无法留住用户。 - [10:03](https://www.youtube.com/watch?v=TbxlW41miLg&t=603s) 定制化体验源于上下文沉淀而非 Prompt:高度定制的生成效果依赖于持续积累的用户场景与偏好上下文(Context),而非死磕复杂的提示词工程。 - [12:47](https://www.youtube.com/watch?v=TbxlW41miLg&t=767s) 构建数据资产的飞轮效应:通过持续交互沉淀精细化的用户数据指纹,结合独到的业务观点,才能将专有数据转化为难以复制的产品壁垒。 - [13:35](https://www.youtube.com/watch?v=TbxlW41miLg&t=815s) 工程师铺设铁轨,领域专家建造列车:降低开发与基础设施门槛,让不擅长编码但精通业务规律的领域专家主导产品与 Agent 功能构建。 - [16:02](https://www.youtube.com/watch?v=TbxlW41miLg&t=962s) 将核心价值拆解为场景化协同 Agent:面对通用 AI 对平庸壁垒的冲击,将保留下来的核心专长拆解并赋予协同 Agent,打造小而精的高价值闭环体验。 - [18:12](https://www.youtube.com/watch?v=TbxlW41miLg&t=1092s) 坚决拒绝“随机 AI 行为”:工程力量必须与领域专家的深度洞察紧密协同,脱离专业认知与清晰主张的 AI 堆砌无法带来真实业务价值。

## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=TbxlW41miLg&t=4s) 价值主张先于协同智能体:核心原则与 AI 带来的三大专注力陷阱

演讲者 Steve Toy 结合自己曾担任多家公司 CEO、管理过 100 多款应用的实战经验开宗明义:本次分享的核心在于如何将企业的“价值主张”(Value Proposition)转化为“协同智能体”(Coordinated Agents)。题目的先后顺序至关重要——必须先明确价值主张,再谈协同智能体。他借用史蒂夫·乔布斯(Steve Jobs)的名言“专注就是学会说不,创新就是对一千件事说不”引出自己的核心准则:“交付价值主张才是客户付费的原因,其他一切都只是随意的 AI 堆砌(random AI)。”

然而在当下,AI 的爆发非但没有让保持专注变得容易,反而大大增加了聚焦核心价值的难度。主要原因体现在三方面:

```mermaid flowchart TD accTitle: AI 时代保持价值主张专注的三大挑战 subgraph Challenges["AI 带来的三大专注力陷阱"] A["1. 速度加速 (Speed)<br/>方向一旦偏差,AI 会加速走向错误"] B["2. 选项泛滥 (Optionality)<br/>选择悖论导致对既定选择的承诺与满意度下降"] C["3. 演示诱惑 (Slop / Good Demos)<br/>华丽的 Demo 掩盖错误的业务决策"] end Challenges --> Impact["导致企业偏离核心价值主张与护城河"] ```

- **全面加速**:AI 让一切研发与落地变快。当方向正确时极具价值,但若方向错误,步行的轻微偏差尚可修正,而在 AI 的超高速度下,团队会迅速冲进“完全错误的城市”。 - **选择悖论与选项泛滥**:AI 赋予了海量可能性,难以沙里淘金;更严重的是“选择悖论”会毒害团队的专注承诺——可选方案越多,对当前方案的满意度越低。 - **华而不实的 Demo 诱惑(Slop)**:不良决策往往被极具诱惑力、看起来非常完善的优秀 Demo 所包装,极易诱使团队偏离真正的价值主张。

---

[04:01](https://www.youtube.com/watch?v=TbxlW41miLg&t=241s) 陷阱一:混淆业务流程与护城河(以安永 2017 年案例为例)

许多企业在引入 AI 时常犯的第一个致命错误,就是将“业务操作机制/工作流(Mechanics)”误当成“护城河或价值主张(Moat / Value Proposition)”。Steve 回顾了自己在 2017 年(远在 GPT 和疫情出现之前)将前一家公司卖给安永(EY)后的经历。当时他带领安永的机器学习博士团队,将需要消耗数百个人工工时的税务/交易分类工作,压缩成了仅需 15 分钟的计算任务。然而,该业务线的负责人得知后却彻底崩溃,认为这会毁掉整个业务,因为他误以为自己的商业模式就是“向客户收取会计师的计费工时(Billable hours)”。

实际上,客户根本不需要计费工时,客户真正买单的是“经由安永权威认证的交付成果”。看清这一点后,他们成功将原本利润率极低的按小时计费模式,转型为高利润率的项目制交付模式。

```mermaid flowchart LR accTitle: 单次 Prompt 检验法判断护城河 Q{"单次 Prompt 测试<br/>一个优秀的 Prompt 是否能达成 80% 的交付效果?"} Q -- "是 (Yes)" --> NotMoat["非核心护城河 / 非真正价值主张<br/>(易被前沿模型直接替代)"] Q -- "否 (No)" --> TrueMoat["真正的价值主张 / 护城河<br/>(在技术崩溃归零后依然留存)"] ```

要检验某项业务是否为真正的护城河,可以使用“单次 Prompt 检验法”(Single-shot test):**一个优秀的 Prompt 能否达成你交付结果的 80%?** 如果答案是肯定的,那这就绝不是你的护城河。你的真正价值主张,必须是当底层技术把一切工作流压缩归零时,依然能存活下来的东西。

企业的核心价值主张通常存在于以下三个维度: - **专有数据(Proprietary Data)**:前沿基础模型无法获取的独有业务与行业数据。 - **复合型资产(Compounding Asset)**:随着用户持续使用而不断沉淀、不可迁移的数据资产。例如女性经期健康管理应用 Flo,用户长年累月记录的健康历史构成了极高的壁垒与极低的用户流失率,即便竞争对手功能再花哨也无法撬动。 - **独特的视角与方法论(Unique Point of View)**:关于如何达成某一目标的独特理念与认知,这是大多数企业最核心的立足点,也是后续利用协同智能体进行放大与加速的关键所在。

---

[10:03](https://www.youtube.com/watch?v=TbxlW41miLg&t=603s) 陷阱二与三:构建错误的事物,以及用错误的方式做正确的事

第二个常见错误是“构建了错误的事物”。Steve 坦白自己在创立当前公司 Just a Bite Better(JaBB)时就踩了这个坑。JaBB 的核心价值主张是让用户“通过语音以零摩擦、可信赖的方式记录每餐饮食”。然而在推进过程中,他一头扎进了建立完整的食谱数据库和“食谱工作室”(Recipe Studio),以为食谱数据越丰富结果就越好。结果导致核心诉求被忽视——当用户用语音记录一个火鸡三明治却得不到可信的分析结果时,他们绝不会再记录下一餐。食谱库固然是个好点子,但如果最底层的“可信赖”核心体验没有夯实,附加功能便毫无意义。

```mermaid flowchart TD accTitle: Dinemate Bespoke 推荐的正确与错误实现路径 Goal["业务目标:提供极度定制化的餐厅推荐 (Bespoke Recommendations)"]

subgraph WrongWay["错误路径:Mechanics 视角"] W1["死磕 Prompt Engineering 与复杂指令"] W2["试图通过 LLM 单次生成得出定制感"] end

subgraph RightWay["正确路径:Value Proposition 视角"] R1["构建动态上下文记录 (User Context)"] R2["沉淀场景化偏好(约会 / 带娃 / 朋友聚会)"] end

Goal --> WrongWay Goal --> RightWay ```

第三个错误则是“目标正确,但实现路径完全错误”。例如他担任顾问的餐厅推荐应用 Dinemate,团队明确知道自己的核心价值是提供“超定制化(Ultra bespoke)的餐厅推荐”。但最初团队走入了误区,认为定制化来自对大语言模型进行高难度的 Prompt 调试与指令微调。然而,“定制化”的本质并非来自 Prompt 的措辞,而是来自**用户上下文(Context)**——即持续积累用户在不同情境下的细分偏好(如情侣约会、带孩子家庭聚餐、朋友小聚等不同场景下的喜好与禁忌)。单靠 Prompt 无法凭空创造定制体验,深度的上下文沉淀才是支撑其价值主张的正确技术实现路径。

[12:47](https://www.youtube.com/watch?v=TbxlW41miLg&t=767s) 构建专有数据与观点的飞轮效应:以 dinemait 为例

企业与其把精力浪费在为前沿模型厂商的“全能大模型”(God Model)编写更精巧的提示词上,不如将重心彻底转向内容与上下文(Context)的构建。一旦掌握了上下文,企业就必须具备清晰的观点与视角(Point of View),明确如何将用户的特定上下文与特定区域内的餐厅精准匹配。餐饮推荐应用 dinemait 正是这种业务形态的绝佳体现:它依托专有信息,由用户反复告知其真实偏好;随着用户持续使用产品,系统获得越来越精细的用户画像“指纹”(Fingerprint),这便构成了持续复合增值的资产(Compounding Asset)。拥有了这些沉淀信息,再辅以独特的专业观点,系统就能为用户给出令人惊艳的“魔法般答案”。

```mermaid flowchart LR accTitle: 数据飞轮与协同推荐流程 subgraph Context["上下文沉淀"] A["用户反复输入偏好"] --> B["精细化用户指纹"] end subgraph Solution["业务观点与交付"] B --> C["结合区域餐厅数据"] C --> D["输出精准推荐方案"] end ```

- **数据飞轮**:用户持续交互不断强化个性化数据指纹,使专有数据资产具备强大的复利效应。 - **三要素结合**:专有信息、复合资产与独特业务视角三者合一,才构成难以复制的产品壁垒。

---

[13:35](https://www.youtube.com/watch?v=TbxlW41miLg&t=815s) 避开第四大误区:让工程师铺路、领域专家造车(Memrise 案例)

在应用 AI 过程中的第四个致命误区,就是没有让领域专家(Domain Experts)深度参与。在运营语言学习公司 Memrise 时,团队深知语言学习是一道复杂的难题,各家公司有着不同的切入视角。Memrise 的核心理念是“学习、沉浸、交流”(Learn, Immerse, Communicate)这只“三足鼎立的凳子”:用户必须先学习词汇含义,再通过大量浸润倾听以在真实环境中辨识,最后开口练习以实现与人交流;这一闭环必须周而复始地高频运转。

2021 至 2022 年 GPT 技术初露锋芒时,工程团队率先掌握了这项能模拟对话交流的强大工具,甚至开始在语言学习方案上“假装专业”。与此同时,公司里真正懂得语言学习规律、甚至精通 15 门语言的多语种语言学家们,却因技术门槛被完全关在门外。为了打破僵局,管理层推动工程师为每位语言学家配置好开箱即用的 Replit 开发环境,预先打通所有 API 和 GitHub 连接,让专家们无需理会复杂的底层基础设施,直接开始与 Agent 交互。结果,语言学家在短短两周内就构想并打造出 12 项全新功能,迅速并入实际产品线。

> “我们要让工程师去铺设铁轨,让真正的领域专家去建造在铁轨上疾驰的列车。”

- **Memrise 学习闭环**: - **学习(Learn)**:掌握单词的核心含义与基础概念。 - **沉浸(Immerse)**:在真实语境中反复倾听以建立听觉辨识。 - **交流(Communicate)**:开口发音并参与模拟对话互动。 - **赋能成效**:通过降低开发基础设施门槛,非技术背景的语言专家在 2 周内产出了 12 项新功能。

---

[16:02](https://www.youtube.com/watch?v=TbxlW41miLg&t=962s) 从护城河到协同 Agent:30 分钟在马德里点一杯咖啡

要想把核心价值主张转化为高效协同的 Agent,首先必须认清一个事实:通用 AI 并不了解你的护城河是什么,也不懂得如何为你打造护城河,但它通过将通用能力免费普及,正在迅速瓦解那些平庸的技术壁垒。在这场技术冲击中“幸存下来”的独特要素,才是企业真正的价值主张与核心护城河。清理掉所有不属于自身核心价值的冗余干扰后,企业应当聚焦于那个“自己最懂而其他人都不如你懂”的领域,将其拆解并交由各个协同 Agent 具体执行。

以 Memrise 为例,团队将“学习、沉浸、交流”拆解给专门的 Agent:有的负责生成针对性单词卡,有的负责寻找真实生活场景视频,有的负责模拟对话与纠错练习。在这套紧密协同机制下,他们推出了一项体验极佳的功能:一个完全不会西班牙语的用户降落马德里后,仅利用早晨起床到步入咖啡馆之间的半小时时间,系统就能教会他点咖啡所需的 15 到 20 个核心词汇,让他反复聆听真实场景下的点单音频,并针对发音不准的单词进行强化特训。半小时后,该用户就能自信地走进大堂点一杯咖啡。

> “如果有人在咖啡馆里问他对克尔凯郭尔哲学的看法,他肯定答不上来,但他确实把‘点咖啡’这件具体的事办成了。”

- **价值提炼法则**:识别通用 AI 冲击下依然存活的独特业务专长,剔除无关功能。 - **场景化交付**:30 分钟速成教学聚焦特定任务闭环(如马德里点咖啡),用专用 Agent 精准覆盖词汇、听力与发音纠偏。

---

[18:12](https://www.youtube.com/watch?v=TbxlW41miLg&t=1092s) 拒绝“随机 AI 行为”:释放领域专家价值

将价值主张转化为协同 Agent 的核心关键,始终在于彻底释放领域专家的潜能。工程团队固然拥有深厚的技术专长,但只有当工程力量与领域专家的洞察紧密结合、协同作战时,才能真正达成业务目标。脱离了领域专业知识与清晰价值主张的 AI 尝试,充其量只是一堆毫无章法的“随机 AI 行为”(Random Acts of AI)。演讲最后,主讲人展示了获取演讲幻灯片与联系方式的二维码,并热情邀请现场听众提问交流。

## Notable quotes > [00:04](https://www.youtube.com/watch?v=TbxlW41miLg&t=4s) 交付价值主张才是客户付费的原因,其他一切都只是随意的 AI 堆砌(random AI)。 — Steve Toy

> [00:04](https://www.youtube.com/watch?v=TbxlW41miLg&t=4s) 专注就是学会说不,创新就是对一千件事说不 — Steve Jobs

> [04:01](https://www.youtube.com/watch?v=TbxlW41miLg&t=241s) 一个优秀的 Prompt 能否达成你交付结果的 80%?如果答案是肯定的,那这就绝不是你的护城河。 — Steve Toy

> [04:01](https://www.youtube.com/watch?v=TbxlW41miLg&t=241s) 你的真正价值主张,必须是当底层技术把一切工作流压缩归零时,依然能存活下来的东西。 — Steve Toy

> [13:35](https://www.youtube.com/watch?v=TbxlW41miLg&t=815s) 我们要让工程师去铺设铁轨,让真正的领域专家去建造在铁轨上疾驰的列车。 — Steve Toy

> [16:02](https://www.youtube.com/watch?v=TbxlW41miLg&t=962s) 通用 AI 并不了解你的护城河是什么,也不懂得如何为你打造护城河,但它通过将通用能力免费普及,正在迅速瓦解那些平庸的技术壁垒。 — Steve Toy

> [16:02](https://www.youtube.com/watch?v=TbxlW41miLg&t=962s) 如果有人在咖啡馆里问他对克尔凯郭尔哲学的看法,他肯定答不上来,但他确实把‘点咖啡’这件具体的事办成了。 — Steve Toy

> [18:12](https://www.youtube.com/watch?v=TbxlW41miLg&t=1092s) 脱离了领域专业知识与清晰价值主张的 AI 尝试,充其量只是一堆毫无章法的“随机 AI 行为”(Random Acts of AI)。 — Steve Toy

## Mentioned Steve Toy, Steve Jobs, Just a Bite Better (JaBB), Memrise, dinemait, 安永 (EY), Flo, GPT, Replit, GitHub

## Video description Steve Toy - Founder, Just a Bite Better (JaBB)

Most companies do not need generic AI. They need AI that quickly and scalably delivers their unique value proposition to their customers. In this session, I will share a practical blueprint for leaders, product owners, and hands-on builders to turn domain expertise into focused, coordinated AI agents that customers love. Drawing on my experience leading Memrise, JaBB, and dinemait, I will show how to do this while also coaching your teams to adopt the process with confidence. You will have a blueprint and several actionable ideas for your own business as you walk out of the room.

[Source](https://www.youtube.com/watch?v=TbxlW41miLg)

中文简报

JaBB创始人Steve Toy敦促AI开发者:专注护城河而非工作流 企业在应用AI时面临迅速失败的风险,除非将专业智能体与专有数据、复合型用户资产或独特的领域方法论相结合,而非依赖易于复制的运作机制。 Steve Toy剖析了企业在尝试利用AI时常犯的四大错误,强调企业必须严格聚焦于客户真正买单的价值,而非内部运营机制。他指出,真正的护城河源自专有数据、持续增值的复合资产以及独特的专业视角,而非复杂的提示词或单一的“全能模型”。通过安永(EY)、JaBB、dinemait和Memrise的案例,Toy展示了如何通过工程护栏赋能领域专家,围绕公司的核心价值主张构建协调运作的专业AI智能体。 企业在应用 AI 时必须聚焦于客户真正买单的核心价值主张,否则单凭炫酷的 Demo 很容易在错误的方向上快速失败,沦为无意义的“随机 AI”。 (0:04) 不要将内部运营流程或计费工时误当成竞争护城河;可通过“单次 Prompt 测试”自检:若一条 Prompt 能搞定 80% 的成果,该流程就不是护城河,真正的护城河来自专有数据、复合资产与独特的方法论。 (4:01) 在核心价值主张未做到极致前切忌过度开发次要功能,同时个性化推荐依赖的是深度的用户情境而非单一“全能模型”的复杂 Prompt 工程。 (10:03) 避免让软件工程师越俎代庖充当业务专家;工程师应搭建技术基础设施,赋能非技术领域的专业人士直接构建并协调贴合核心护城河的 AI Agent 特性。 (13:35)

精炼阅读摘要

Steve Toy指出,企业在协调人工智能(AI)智能体之前,必须首先确立自身的价值主张与客户付费的根本原因;脱离核心价值的技术探索只是“随机AI”,在缺乏明确战略时,AI的技术速度只会导致企业更快地走向失败。 用单次提示词测试区分运作机制与护城河 (4:01) Steve Toy强调,企业常犯的首要错误是将内部操作流程或机制误判为公司的核心护城河。他以2017年在EY(安永)与机器学习博士合作的经历举例:团队成功将数百工时的会计交易分类流程缩短至15分钟的计算运行,但业务主管却因将自身价值等同于可计费工时而感到恐慌。事实上,客户买单的是EY提供背书与担保的审计结果,而非背后的消耗工时。为帮助企业厘清定位,Toy提出了“单次提示词测试”(Single-Shot Test):如果一条优秀的提示词能达成80%的交付成果,该工作流程就绝不是企业的护城河。 根据Toy的分类,真正的护城河主要存在于三个维度:一是前沿基础模型无法获取的专有数据;二是具备复利增长效应的留存资产(例如女性健康应用Flo依托长期的生理周期数据建立起极低的用户流失壁垒);三是针对特定目标达成路径所持有的独到见解与方法论(Unique Point of View)。 聚焦核心价值主张而非周边功能与全能模型 (10:03) 企业在AI落地过程中,还容易陷入开发错误功能或采用错误技术路径的陷阱。Toy以自身创立的Just a Bite Better(JaBB)为例指出,该产品的核心价值主张是为膳食记录提供顺畅且完全值得信赖的语音录入体验;然而他一度偏离重点去搭建复杂的食谱工作室,在尚未确保用户能以100%可信准确度记录一份简单火鸡三明治之前,将精力浪费在次要功能上。 在技术实现路径上,企业也常误入歧途。Toy在咨询餐饮推荐项目dinemait时发现,该团队试图仅依赖单一的“全能模型”(god model)和复杂提示词工程来生成定制化餐厅推荐。Toy分析认为,优质的定制推荐并非来自单体模型的提示词技巧,而是取决于系统是否掌握具体场景下的用户上下文(如约会、家庭聚餐或随性便餐的特定偏好),并结合具有明确规则与倾向的匹配系统协同运作。 打破技术垄断并为领域专家搭建开发轨道 (13:35) 许多组织在部署AI时无意中边缘化了业务领域的资深专家,完全由掌握API接口的软件工程师来定义AI的行为逻辑。Toy回顾其执掌语言学习平台Memrise时的经历说明,该产品的核心方法论建立在“学习、沉浸、交流”的循环闭环之上。然而当早期GPT模型推出时,工程师由于掌握技术接口权限,开始充当语言学习的代理专家;与此同时,精通十余门语言的世界级语言学家却因缺乏代码开发能力而被排除在核心构建之外。 为纠正这一偏差,工程团队转变职能,致力于为领域专家搭建底层技术“轨道”:他们为每位语言学家配置了预设好的Replit开发环境、GitHub权限和API接入支持。这一技术解耦措施取得显著成效,语言专家在无需技术架构额外支持的情况下,仅耗时两周便自主设计并上线了12项功能完备的全新产品特性。 围绕独特观点拆解并协同专业化智能体 (16:02) 随着前沿基础模型不断将通用的基础技术任务商品化和低成本化,企业必须提炼出在技术迭代中依然保值的核心见解,并将其拆解为分工明确、相互协同的专用智能体网络。在Memrise的具体实践中,团队围绕其教学理念,构建了分别专精于抽认卡生成、教学视频检索、拟真对话互动和实时发音纠正的独立智能体。 这种围绕核心观点高度协同的闭环体系,能够让零基础学习者仅在酒店房间内练习30分钟,便有信心走进马德里的咖啡馆并用流利的西班牙语完成点单。Toy总结强调,领域专家与工程团队各自拥有不可替代的专业能力,但企业取得成功的关键,在于通过工程手段释放领域专家的业务认知,使两者在专有体系中协同发挥作用。 Steve Toy强调,AI的高速迭代极易将战略决策失误包装成看似惊艳的演示原型,诱使企业误入歧途。企业若无法明确界定客户实际买单的核心价值与独特护城河,无论AI技术如何先进,都难以转化为持续的商业竞争壁垒。

Detailed notes — zh

## Background 本内容由频道 Ai4 于 2026 年 8 月 20 日发布在 YouTube 平台上。视频记录了 Just a Bite Better (JaBB) 创始人 Steve Toy 的主题演讲,介绍企业如何避免泛用型 AI 的误区,将自身的独特价值主张与领域专长转化为高效协同的 AI Agent 架构。 ## TL;DR 演讲者结合在安永、Memrise、JaBB 和 dinemait 的实战管理经验,指出交付核心价值主张才是客户买单的根本原因,警惕速度过快、选项泛滥和华丽 Demo 等专注力陷阱。企业应通过单次 Prompt 检验法明确护城河,利用专有数据、复合资产与独特视角构建数据飞轮,而非盲目死磕 Prompt Engineering。最后,他强调必须由工程师铺设底层设施,深度赋能领域专家去打造和驱动协同 Agent,从而拒绝无意义的随机 AI 堆砌。 ## Atmosphere & style 整场演讲风格务实老练、条理清晰且直击痛点,散发着资深连续创业者与前 CEO 的实战洞察力。主讲人通过剖析自身踩坑经历与真实业务转型的鲜活案例,打破了当下对通用大模型的盲目迷信,语言通俗幽默又极具启发性。现场节奏紧凑且干货满满,让听众在反思业务本质的同时,获得了一套清晰可落地的 Agent 架构与团队协作方法论。 ## Key takeaways - [00:04](https://www.youtube.com/watch?v=TbxlW41miLg&t=4s) 价值主张必须置于协同智能体之前:客户付费买单的是企业核心价值主张的交付,脱离价值主张的技术尝试只是随意的 AI 堆砌。 - [00:04](https://www.youtube.com/watch?v=TbxlW41miLg&t=4s) AI 时代保持专注面临三大陷阱:研发速度全面加快容易让错误方向加速恶化、选项泛滥削弱团队对方案的承诺、华丽的 Demo 容易掩盖不良的业务决策。 - [04:01](https://www.youtube.com/watch?v=TbxlW41miLg&t=241s) 切勿混淆业务流程与核心护城河:企业不可将操作流程或工时误当成商业模式,真正的价值在于客户认可的最终权威交付成果。 - [04:01](https://www.youtube.com/watch?v=TbxlW41miLg&t=241s) 通过“单次 Prompt 检验法”识别真正壁垒:如果一个优秀的单次 Prompt 能完成业务交付的 80%,则该业务极易被前沿基础模型淘汰,绝非真正护城河。 - [04:01](https://www.youtube.com/watch?v=TbxlW41miLg&t=241s) 企业真正的价值主张通常扎根于三个维度:基础模型无法获取的专有数据、随用户长期使用不可迁移的复合型资产,以及独特的业务视角与方法论。 - [10:03](https://www.youtube.com/watch?v=TbxlW41miLg&t=603s) 避免构建错误的事物:若产品的最底层核心体验与信任机制没有夯实,即便打造出再丰富的附加功能也无法留住用户。 - [10:03](https://www.youtube.com/watch?v=TbxlW41miLg&t=603s) 定制化体验源于上下文沉淀而非 Prompt:高度定制的生成效果依赖于持续积累的用户场景与偏好上下文(Context),而非死磕复杂的提示词工程。 - [12:47](https://www.youtube.com/watch?v=TbxlW41miLg&t=767s) 构建数据资产的飞轮效应:通过持续交互沉淀精细化的用户数据指纹,结合独到的业务观点,才能将专有数据转化为难以复制的产品壁垒。 - [13:35](https://www.youtube.com/watch?v=TbxlW41miLg&t=815s) 工程师铺设铁轨,领域专家建造列车:降低开发与基础设施门槛,让不擅长编码但精通业务规律的领域专家主导产品与 Agent 功能构建。 - [16:02](https://www.youtube.com/watch?v=TbxlW41miLg&t=962s) 将核心价值拆解为场景化协同 Agent:面对通用 AI 对平庸壁垒的冲击,将保留下来的核心专长拆解并赋予协同 Agent,打造小而精的高价值闭环体验。 - [18:12](https://www.youtube.com/watch?v=TbxlW41miLg&t=1092s) 坚决拒绝“随机 AI 行为”:工程力量必须与领域专家的深度洞察紧密协同,脱离专业认知与清晰主张的 AI 堆砌无法带来真实业务价值。 ## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=TbxlW41miLg&t=4s) 价值主张先于协同智能体:核心原则与 AI 带来的三大专注力陷阱 演讲者 Steve Toy 结合自己曾担任多家公司 CEO、管理过 100 多款应用的实战经验开宗明义:本次分享的核心在于如何将企业的“价值主张”(Value Proposition)转化为“协同智能体”(Coordinated Agents)。题目的先后顺序至关重要——必须先明确价值主张,再谈协同智能体。他借用史蒂夫·乔布斯(Steve Jobs)的名言“专注就是学会说不,创新就是对一千件事说不”引出自己的核心准则:“交付价值主张才是客户付费的原因,其他一切都只是随意的 AI 堆砌(random AI)。” 然而在当下,AI 的爆发非但没有让保持专注变得容易,反而大大增加了聚焦核心价值的难度。主要原因体现在三方面: ```mermaid flowchart TD accTitle: AI 时代保持价值主张专注的三大挑战 subgraph Challenges["AI 带来的三大专注力陷阱"] A["1. 速度加速 (Speed)<br/>方向一旦偏差,AI 会加速走向错误"] B["2. 选项泛滥 (Optionality)<br/>选择悖论导致对既定选择的承诺与满意度下降"] C["3. 演示诱惑 (Slop / Good Demos)<br/>华丽的 Demo 掩盖错误的业务决策"] end Challenges --> Impact["导致企业偏离核心价值主张与护城河"] ``` - **全面加速**:AI 让一切研发与落地变快。当方向正确时极具价值,但若方向错误,步行的轻微偏差尚可修正,而在 AI 的超高速度下,团队会迅速冲进“完全错误的城市”。 - **选择悖论与选项泛滥**:AI 赋予了海量可能性,难以沙里淘金;更严重的是“选择悖论”会毒害团队的专注承诺——可选方案越多,对当前方案的满意度越低。 - **华而不实的 Demo 诱惑(Slop)**:不良决策往往被极具诱惑力、看起来非常完善的优秀 Demo 所包装,极易诱使团队偏离真正的价值主张。 --- ### [04:01](https://www.youtube.com/watch?v=TbxlW41miLg&t=241s) 陷阱一:混淆业务流程与护城河(以安永 2017 年案例为例) 许多企业在引入 AI 时常犯的第一个致命错误,就是将“业务操作机制/工作流(Mechanics)”误当成“护城河或价值主张(Moat / Value Proposition)”。Steve 回顾了自己在 2017 年(远在 GPT 和疫情出现之前)将前一家公司卖给安永(EY)后的经历。当时他带领安永的机器学习博士团队,将需要消耗数百个人工工时的税务/交易分类工作,压缩成了仅需 15 分钟的计算任务。然而,该业务线的负责人得知后却彻底崩溃,认为这会毁掉整个业务,因为他误以为自己的商业模式就是“向客户收取会计师的计费工时(Billable hours)”。 实际上,客户根本不需要计费工时,客户真正买单的是“经由安永权威认证的交付成果”。看清这一点后,他们成功将原本利润率极低的按小时计费模式,转型为高利润率的项目制交付模式。 ```mermaid flowchart LR accTitle: 单次 Prompt 检验法判断护城河 Q{"单次 Prompt 测试<br/>一个优秀的 Prompt 是否能达成 80% 的交付效果?"} Q -- "是 (Yes)" --> NotMoat["非核心护城河 / 非真正价值主张<br/>(易被前沿模型直接替代)"] Q -- "否 (No)" --> TrueMoat["真正的价值主张 / 护城河<br/>(在技术崩溃归零后依然留存)"] ``` 要检验某项业务是否为真正的护城河,可以使用“单次 Prompt 检验法”(Single-shot test):**一个优秀的 Prompt 能否达成你交付结果的 80%?** 如果答案是肯定的,那这就绝不是你的护城河。你的真正价值主张,必须是当底层技术把一切工作流压缩归零时,依然能存活下来的东西。 企业的核心价值主张通常存在于以下三个维度: - **专有数据(Proprietary Data)**:前沿基础模型无法获取的独有业务与行业数据。 - **复合型资产(Compounding Asset)**:随着用户持续使用而不断沉淀、不可迁移的数据资产。例如女性经期健康管理应用 Flo,用户长年累月记录的健康历史构成了极高的壁垒与极低的用户流失率,即便竞争对手功能再花哨也无法撬动。 - **独特的视角与方法论(Unique Point of View)**:关于如何达成某一目标的独特理念与认知,这是大多数企业最核心的立足点,也是后续利用协同智能体进行放大与加速的关键所在。 --- ### [10:03](https://www.youtube.com/watch?v=TbxlW41miLg&t=603s) 陷阱二与三:构建错误的事物,以及用错误的方式做正确的事 第二个常见错误是“构建了错误的事物”。Steve 坦白自己在创立当前公司 Just a Bite Better(JaBB)时就踩了这个坑。JaBB 的核心价值主张是让用户“通过语音以零摩擦、可信赖的方式记录每餐饮食”。然而在推进过程中,他一头扎进了建立完整的食谱数据库和“食谱工作室”(Recipe Studio),以为食谱数据越丰富结果就越好。结果导致核心诉求被忽视——当用户用语音记录一个火鸡三明治却得不到可信的分析结果时,他们绝不会再记录下一餐。食谱库固然是个好点子,但如果最底层的“可信赖”核心体验没有夯实,附加功能便毫无意义。 ```mermaid flowchart TD accTitle: Dinemate Bespoke 推荐的正确与错误实现路径 Goal["业务目标:提供极度定制化的餐厅推荐 (Bespoke Recommendations)"] subgraph WrongWay["错误路径:Mechanics 视角"] W1["死磕 Prompt Engineering 与复杂指令"] W2["试图通过 LLM 单次生成得出定制感"] end subgraph RightWay["正确路径:Value Proposition 视角"] R1["构建动态上下文记录 (User Context)"] R2["沉淀场景化偏好(约会 / 带娃 / 朋友聚会)"] end Goal --> WrongWay Goal --> RightWay ``` 第三个错误则是“目标正确,但实现路径完全错误”。例如他担任顾问的餐厅推荐应用 Dinemate,团队明确知道自己的核心价值是提供“超定制化(Ultra bespoke)的餐厅推荐”。但最初团队走入了误区,认为定制化来自对大语言模型进行高难度的 Prompt 调试与指令微调。然而,“定制化”的本质并非来自 Prompt 的措辞,而是来自**用户上下文(Context)**——即持续积累用户在不同情境下的细分偏好(如情侣约会、带孩子家庭聚餐、朋友小聚等不同场景下的喜好与禁忌)。单靠 Prompt 无法凭空创造定制体验,深度的上下文沉淀才是支撑其价值主张的正确技术实现路径。 ### [12:47](https://www.youtube.com/watch?v=TbxlW41miLg&t=767s) 构建专有数据与观点的飞轮效应:以 dinemait 为例 企业与其把精力浪费在为前沿模型厂商的“全能大模型”(God Model)编写更精巧的提示词上,不如将重心彻底转向内容与上下文(Context)的构建。一旦掌握了上下文,企业就必须具备清晰的观点与视角(Point of View),明确如何将用户的特定上下文与特定区域内的餐厅精准匹配。餐饮推荐应用 dinemait 正是这种业务形态的绝佳体现:它依托专有信息,由用户反复告知其真实偏好;随着用户持续使用产品,系统获得越来越精细的用户画像“指纹”(Fingerprint),这便构成了持续复合增值的资产(Compounding Asset)。拥有了这些沉淀信息,再辅以独特的专业观点,系统就能为用户给出令人惊艳的“魔法般答案”。 ```mermaid flowchart LR accTitle: 数据飞轮与协同推荐流程 subgraph Context["上下文沉淀"] A["用户反复输入偏好"] --> B["精细化用户指纹"] end subgraph Solution["业务观点与交付"] B --> C["结合区域餐厅数据"] C --> D["输出精准推荐方案"] end ``` - **数据飞轮**:用户持续交互不断强化个性化数据指纹,使专有数据资产具备强大的复利效应。 - **三要素结合**:专有信息、复合资产与独特业务视角三者合一,才构成难以复制的产品壁垒。 --- ### [13:35](https://www.youtube.com/watch?v=TbxlW41miLg&t=815s) 避开第四大误区:让工程师铺路、领域专家造车(Memrise 案例) 在应用 AI 过程中的第四个致命误区,就是没有让领域专家(Domain Experts)深度参与。在运营语言学习公司 Memrise 时,团队深知语言学习是一道复杂的难题,各家公司有着不同的切入视角。Memrise 的核心理念是“学习、沉浸、交流”(Learn, Immerse, Communicate)这只“三足鼎立的凳子”:用户必须先学习词汇含义,再通过大量浸润倾听以在真实环境中辨识,最后开口练习以实现与人交流;这一闭环必须周而复始地高频运转。 2021 至 2022 年 GPT 技术初露锋芒时,工程团队率先掌握了这项能模拟对话交流的强大工具,甚至开始在语言学习方案上“假装专业”。与此同时,公司里真正懂得语言学习规律、甚至精通 15 门语言的多语种语言学家们,却因技术门槛被完全关在门外。为了打破僵局,管理层推动工程师为每位语言学家配置好开箱即用的 Replit 开发环境,预先打通所有 API 和 GitHub 连接,让专家们无需理会复杂的底层基础设施,直接开始与 Agent 交互。结果,语言学家在短短两周内就构想并打造出 12 项全新功能,迅速并入实际产品线。 > “我们要让工程师去铺设铁轨,让真正的领域专家去建造在铁轨上疾驰的列车。” - **Memrise 学习闭环**: - **学习(Learn)**:掌握单词的核心含义与基础概念。 - **沉浸(Immerse)**:在真实语境中反复倾听以建立听觉辨识。 - **交流(Communicate)**:开口发音并参与模拟对话互动。 - **赋能成效**:通过降低开发基础设施门槛,非技术背景的语言专家在 2 周内产出了 12 项新功能。 --- ### [16:02](https://www.youtube.com/watch?v=TbxlW41miLg&t=962s) 从护城河到协同 Agent:30 分钟在马德里点一杯咖啡 要想把核心价值主张转化为高效协同的 Agent,首先必须认清一个事实:通用 AI 并不了解你的护城河是什么,也不懂得如何为你打造护城河,但它通过将通用能力免费普及,正在迅速瓦解那些平庸的技术壁垒。在这场技术冲击中“幸存下来”的独特要素,才是企业真正的价值主张与核心护城河。清理掉所有不属于自身核心价值的冗余干扰后,企业应当聚焦于那个“自己最懂而其他人都不如你懂”的领域,将其拆解并交由各个协同 Agent 具体执行。 以 Memrise 为例,团队将“学习、沉浸、交流”拆解给专门的 Agent:有的负责生成针对性单词卡,有的负责寻找真实生活场景视频,有的负责模拟对话与纠错练习。在这套紧密协同机制下,他们推出了一项体验极佳的功能:一个完全不会西班牙语的用户降落马德里后,仅利用早晨起床到步入咖啡馆之间的半小时时间,系统就能教会他点咖啡所需的 15 到 20 个核心词汇,让他反复聆听真实场景下的点单音频,并针对发音不准的单词进行强化特训。半小时后,该用户就能自信地走进大堂点一杯咖啡。 > “如果有人在咖啡馆里问他对克尔凯郭尔哲学的看法,他肯定答不上来,但他确实把‘点咖啡’这件具体的事办成了。” - **价值提炼法则**:识别通用 AI 冲击下依然存活的独特业务专长,剔除无关功能。 - **场景化交付**:30 分钟速成教学聚焦特定任务闭环(如马德里点咖啡),用专用 Agent 精准覆盖词汇、听力与发音纠偏。 --- ### [18:12](https://www.youtube.com/watch?v=TbxlW41miLg&t=1092s) 拒绝“随机 AI 行为”:释放领域专家价值 将价值主张转化为协同 Agent 的核心关键,始终在于彻底释放领域专家的潜能。工程团队固然拥有深厚的技术专长,但只有当工程力量与领域专家的洞察紧密结合、协同作战时,才能真正达成业务目标。脱离了领域专业知识与清晰价值主张的 AI 尝试,充其量只是一堆毫无章法的“随机 AI 行为”(Random Acts of AI)。演讲最后,主讲人展示了获取演讲幻灯片与联系方式的二维码,并热情邀请现场听众提问交流。 ## Notable quotes > [00:04](https://www.youtube.com/watch?v=TbxlW41miLg&t=4s) 交付价值主张才是客户付费的原因,其他一切都只是随意的 AI 堆砌(random AI)。 — Steve Toy > [00:04](https://www.youtube.com/watch?v=TbxlW41miLg&t=4s) 专注就是学会说不,创新就是对一千件事说不 — Steve Jobs > [04:01](https://www.youtube.com/watch?v=TbxlW41miLg&t=241s) 一个优秀的 Prompt 能否达成你交付结果的 80%?如果答案是肯定的,那这就绝不是你的护城河。 — Steve Toy > [04:01](https://www.youtube.com/watch?v=TbxlW41miLg&t=241s) 你的真正价值主张,必须是当底层技术把一切工作流压缩归零时,依然能存活下来的东西。 — Steve Toy > [13:35](https://www.youtube.com/watch?v=TbxlW41miLg&t=815s) 我们要让工程师去铺设铁轨,让真正的领域专家去建造在铁轨上疾驰的列车。 — Steve Toy > [16:02](https://www.youtube.com/watch?v=TbxlW41miLg&t=962s) 通用 AI 并不了解你的护城河是什么,也不懂得如何为你打造护城河,但它通过将通用能力免费普及,正在迅速瓦解那些平庸的技术壁垒。 — Steve Toy > [16:02](https://www.youtube.com/watch?v=TbxlW41miLg&t=962s) 如果有人在咖啡馆里问他对克尔凯郭尔哲学的看法,他肯定答不上来,但他确实把‘点咖啡’这件具体的事办成了。 — Steve Toy > [18:12](https://www.youtube.com/watch?v=TbxlW41miLg&t=1092s) 脱离了领域专业知识与清晰价值主张的 AI 尝试,充其量只是一堆毫无章法的“随机 AI 行为”(Random Acts of AI)。 — Steve Toy ## Mentioned Steve Toy, Steve Jobs, Just a Bite Better (JaBB), Memrise, dinemait, 安永 (EY), Flo, GPT, Replit, GitHub ## Video description Steve Toy - Founder, Just a Bite Better (JaBB) Most companies do not need generic AI. They need AI that quickly and scalably delivers their unique value proposition to their customers. In this session, I will share a practical blueprint for leaders, product owners, and hands-on builders to turn domain expertise into focused, coordinated AI agents that customers love. Drawing on my experience leading Memrise, JaBB, and dinemait, I will show how to do this while also coaching your teams to adopt the process with confidence. You will have a blueprint and several actionable ideas for your own business as you walk out of the room. [Source](https://www.youtube.com/watch?v=TbxlW41miLg)

Source quotes

[0:04] Steve Toy: 交付价值主张才是客户付费的原因,其他一切都只是随意的 AI 堆砌(random AI)。 [0:04] Steve Jobs: 专注就是学会说不,创新就是对一千件事说不 [4:01] Steve Toy: 一个优秀的 Prompt 能否达成你交付结果的 80%?如果答案是肯定的,那这就绝不是你的护城河。 [4:01] Steve Toy: 你的真正价值主张,必须是当底层技术把一切工作流压缩归零时,依然能存活下来的东西。 [13:35] Steve Toy: 我们要让工程师去铺设铁轨,让真正的领域专家去建造在铁轨上疾驰的列车。 [16:02] Steve Toy: 通用 AI 并不了解你的护城河是什么,也不懂得如何为你打造护城河,但它通过将通用能力免费普及,正在迅速瓦解那些平庸的技术壁垒。 [16:02] Steve Toy: 如果有人在咖啡馆里问他对克尔凯郭尔哲学的看法,他肯定答不上来,但他确实把‘点咖啡’这件具体的事办成了。 [18:12] Steve Toy: 脱离了领域专业知识与清晰价值主张的 AI 尝试,充其量只是一堆毫无章法的“随机 AI 行为”(Random Acts of AI)。