對話 Seede AI：幫人類創(chuàng)作只是第一步，我們想幫人類理解 Agent 產(chǎn)出的內(nèi)容

上線一年后，Seede AI 推出了他們的海外版產(chǎn)品 Veeso AI，主打把原始素材轉(zhuǎn)化成可交付的設(shè)計稿。

與 Lovart 這種面向懂設(shè)計的人群的產(chǎn)品相比，Seede AI 更容易上手，面對的人群也更大眾一些，比如一家書店想做個小活動的海報、一家二線城市的醫(yī)院想張貼個宣傳告示、或者是一家健身房想在公眾號里放一張會員招募活動海報等等，他們可以不用去研究配色、搭配，只需要找到一張他們喜歡的模版，放上自己的原素材，2 到 3 次對話，一張可交付的設(shè)計稿就出來了。

門檻足夠低，但因為使用了各家 SOTA 模型，上限也足夠好。

創(chuàng)始人 Longyi 早年在美團(tuán)負(fù)責(zé)系統(tǒng)架構(gòu)的工作，甚至從零手搓了一個美團(tuán)內(nèi)部版的「Vercel」。后來加入了創(chuàng)業(yè)公司 Dora AI——「面向建站領(lǐng)域的 Figma」，在 GPT-4 出來后意識到，傳統(tǒng)的無代碼架構(gòu)，不徹底轉(zhuǎn)向 AI-Native 是沒救的。

這才有了現(xiàn)在的 Seede AI，單人 2 個月開發(fā)出產(chǎn)品的雛形、依靠微信轉(zhuǎn)賬驗證了產(chǎn)品的 PMF。

有技術(shù)有洞察，產(chǎn)品有用戶，并且已經(jīng)跑通了 PMF，一步一步朝著更大的目標(biāo)前進(jìn)。

也許 FOMO，但目標(biāo)很堅定?！冈O(shè)計工具的本質(zhì)是幫人類創(chuàng)作，而 Seede 最終想做的是幫人類理解 Agent 產(chǎn)出的內(nèi)容?！?/p>

人類理解世界的方式是視覺。當(dāng) Agent 成為信息的生產(chǎn)者，誰來幫人類『看懂』這些信息？Seede AI 想做這個嘗試。

在海外版產(chǎn)品上線之際，我們跟 Longyi 聊了聊，想知道一款面向大眾的 AI 設(shè)計產(chǎn)品，應(yīng)該怎么做，又打算如何走。

產(chǎn)品官網(wǎng)：https://seede.ai

??關(guān)注 Founder Park，最及時最干貨的創(chuàng)業(yè)分享

超 22000 人的「AI 產(chǎn)品市集」社群！不錯過每一款有價值的 AI 應(yīng)用。

邀請從業(yè)者、開發(fā)人員和創(chuàng)業(yè)者，飛書掃碼加群：

進(jìn)群后，你有機會得到：

• 最新、最值得關(guān)注的 AI 新品資訊；
  

• 不定期贈送熱門新品的邀請碼、會員碼；
  

• 最精準(zhǔn)的 AI 產(chǎn)品曝光渠道

01單人 2 個月搓出 Seede，并且跑通了 MVP

Founder Park：介紹下過往的創(chuàng)業(yè)經(jīng)歷？為什么決定出來創(chuàng)業(yè)？

Longyi：我的經(jīng)歷相對比較特別。大二就直接出來實習(xí)了，一開始在百詞斬和掘金實習(xí)，發(fā)現(xiàn)實戰(zhàn)學(xué)到的東西遠(yuǎn)比學(xué)校多，期間自己做的一個開源項目攢了一萬六千多 Star，大四我就索性退學(xué)了。在得到一個剛孵化的業(yè)務(wù)里歷練過之后，想去更大的平臺看看，于是 2017 年我加入了美團(tuán)。

在美團(tuán)的四年（2017-2021），是我在底層架構(gòu)和復(fù)雜系統(tǒng)上真正脫胎換骨的階段。當(dāng)時我負(fù)責(zé)團(tuán)隊的「掃碼支付」業(yè)務(wù)，做架構(gòu)設(shè)計不僅要扛住千萬量級的并發(fā)，還要解決真實場景里的痛點——比如很多用戶在網(wǎng)絡(luò)環(huán)境不好的時候打開頁面慢，我們就專門定制了一套緩存加速方案。

到了 18 年，Serverless 理念開始進(jìn)入實用化階段。我發(fā)現(xiàn)我們的前端團(tuán)隊在做業(yè)務(wù)時，很多邏輯其實放在服務(wù)端更好，但如果讓前端去寫 Node.js、Python 或 Java，那一整套運維部署又超級麻煩。為了解決這個痛點，我花了幾個月時間，從零手搓了一個美團(tuán)內(nèi)部版的「Vercel」。這段經(jīng)歷讓我不僅在復(fù)雜前端架構(gòu)上有了沉淀，還深度切入了后端分布式計算領(lǐng)域。到 21 年，我覺得在大廠能做的挑戰(zhàn)我都做過了，開始渴望真正的創(chuàng)業(yè)。

21 年剛好有一個絕佳的機會，我作為前五號核心成員加入了出海創(chuàng)企 Dora AI。最初，我們花了一年半時間死磕了一個「面向建站領(lǐng)域的 Figma」，產(chǎn)品上線后順利積累了五六十萬用戶。但到了 22 年底 ChatGPT 爆發(fā)，團(tuán)隊意識到：生成式 AI 絕對會顛覆現(xiàn)有的無代碼產(chǎn)品形態(tài)。我們迅速在 23 年轉(zhuǎn)向 AI 化，靠著「一句話提示詞生成網(wǎng)站」的超前理念，直接拿下了 Product Hunt 月榜第一，在 X 等平臺徹底出圈，幾個月內(nèi)引爆了近 100 萬新增用戶。

但那波爆發(fā)背后，也讓我看清了技術(shù)路線的局限。當(dāng)時的基模能力（只有 GPT-4）還不足以支撐真正的 AI-Native，我們只能靠硬核工程去彌補——利用 Diffusion 生成設(shè)計稿，再手搓復(fù)雜的 AI Pipeline，串聯(lián) YOLO、SAM 等多個模型，花了六七個月才勉強把生成的豐富內(nèi)容還原到無代碼編輯器中。雖然效果不錯，也有人付費，但我發(fā)現(xiàn)，只要底層依然是傳統(tǒng)的「無代碼架構(gòu)」，用戶后續(xù)的人工操作門檻就依然很高，這是一種范式上的落后。

所以我意識到，不徹底轉(zhuǎn)向 AI-Native 是沒救的。24 年下半年，我決定出來自己做，完全圍繞 AI 生成能力設(shè)計了 Seede AI。

Founder Park：選擇出來單干，為什么會選擇設(shè)計或者海報設(shè)計方向？

Longyi：我一直很關(guān)注這個領(lǐng)域。從大廠出來做的上一個產(chǎn)品，就是因為對「所見即所得」的設(shè)計工具非常感興趣。很早我就開始用 PS、Canva、Figma、Sketch 了，雖然不是專業(yè)設(shè)計師，但對這類產(chǎn)品天然感興趣，這類產(chǎn)品通過簡單的拖拉拽，能讓小白完成設(shè)計作品。

24 年我看到，傳統(tǒng)工具似乎都可以通過 AI 變得更易用、門檻更低，就考慮出來做。當(dāng)時我也評估過，有了之前的架構(gòu)經(jīng)驗結(jié)合 AI，稍微努力一下，兩三個月就能搭出來 MVP，可以快速測試有沒有人買單。走了一個相對短的研發(fā)周期，盡量快地拿到反饋。后來拿到了正反饋，所以就在持續(xù)做。

Founder Park：初期階段怎么驗證 PMF 的？

Longyi：借助 Cursor，加上過去在美團(tuán)積累的架構(gòu)底子，Dora 十個人花了一年半，Seede 我一個人花兩三個月就做出來了。因為產(chǎn)品極度依賴大模型，我非?？粗厣虡I(yè)化驗證，早期甚至沒寫支付系統(tǒng)，就直接貼了個人微信，誰要買積分就加我詳聊。其實那時候并不是想收錢，只是想看看究竟哪些人在用、愿意付錢。愿意付錢才會掃我，正好能跟他聊聊，然后送積分。到了 3 月份左右，每天都有不少人加我，看到挺強的付費信號，我才去把公司和支付系統(tǒng)搞出來。

當(dāng)然，Seede 的工程成本還是高的，持續(xù)迭代了快一年，工程細(xì)節(jié)非常多。另外，要打造面向大眾的產(chǎn)品，交互細(xì)節(jié)也多，比如「復(fù)制粘貼」該出現(xiàn)在哪兒，都有講究。

02Seede：一句話，把你的想法變成可交付的設(shè)計稿

Founder Park：如果用兩句話來介紹產(chǎn)品，會怎么說？

Longyi：Seede AI 可以把你的想法變成可交付的設(shè)計稿。你提一個設(shè)計需求，Seede 就會在畫布中生成一個包含版式、文字、圖像的可編輯設(shè)計。并且我們可以保證，這個作品可以直接用于交付發(fā)布、投放或者打印。

Founder Park：這里說的「設(shè)計稿」是指？比如長海報之類的？

Longyi：不只是海報?！缚山桓丁惯@個點上，我們和普通文生圖有區(qū)別。

我們內(nèi)部的定義是，首先尺寸正確，邊距、字體都是 OK 的；其次，信息清晰可讀，我們通過 AI 的 Coding 能力，把層級、對比等專業(yè)排版知識應(yīng)用進(jìn)去，讓內(nèi)容組織得層次清晰；另外，用戶會有品牌訴求，比如顏色、Logo 位置，這些都可以在結(jié)構(gòu)化設(shè)計稿里有很好的呈現(xiàn)。這些都通過 AI 搞定，最后可以直接導(dǎo)出使用。

這個過程減掉了一個很重要的環(huán)節(jié)，就是設(shè)計代理。比如原來得依賴專業(yè)設(shè)計師，或者去打印店、淘寶店反復(fù)溝通，等很長時間。但 Seede 可以完成整個設(shè)計閉環(huán)，從提需求到拿結(jié)果，進(jìn)度自己把控。很多用戶反饋，用了產(chǎn)品后發(fā)現(xiàn)，原來找的美工反復(fù)說都聽不懂，但 AI 能很好地理解他的意思。

Founder Park：怎么定義「可交付」？

Longyi：第一，很多人用 Midjourney 做圖，會發(fā)現(xiàn)生成的圖整體不錯，但關(guān)鍵信息漏掉了，或者文字模糊。如果海報里的關(guān)鍵信息不可控、改不對，他就覺得發(fā)不出去，不能用。

第二，交付設(shè)計稿不光是「抽卡」生成一張圖，還要能沿著同一種風(fēng)格把東西都搞出來。舉個例子，會議嘉賓的名牌，如果用 Nano Banana 來做，每個嘉賓的圖除了名字不一樣，其他地方可能也變了。但是對于我們的結(jié)構(gòu)化設(shè)計，這一點就很有優(yōu)勢。

Founder Park：是不是意味著「可交付」也需要提供固定、可復(fù)用的能力？就像剛才說的嘉賓圖，我可能要做 30 個，每次都得保證它們是一樣的，同一個設(shè)計稿要頻繁來用。

Longyi：對。重復(fù)使用是一個很重要的點。另外就是系列圖，雖然每一個不一樣，但要延續(xù)某種關(guān)鍵的風(fēng)格或版式。比如做會議海報，頁腳得統(tǒng)一。這種延續(xù)性很關(guān)鍵。一個良好的結(jié)構(gòu)，就是延續(xù)多種產(chǎn)物、對模型非常友好的上下文。

03Nano Banana 會賦能我，而不是顛覆我

Founder Park：以前做產(chǎn)品，圖片生成模型連文字都生成不好，所以代碼生成是更好的選擇。但 Nano Banana 出現(xiàn)之后，你還會這么想嗎？

Longyi：我們很早也接入了 Nano Banana。它的能力確實讓人興奮，但恰恰是它的出現(xiàn)，讓我們更清楚地看到：端到端生成和代碼結(jié)構(gòu)化生成，解決的是兩個完全不同的問題。

端到端生成的魅力在于「快」——你給一句話，它給你一張圖。但代價是「黑盒」——你拿到的是像素，是素材，不是結(jié)構(gòu)。想改個標(biāo)題？想換個顏色？重新生成。你對結(jié)果沒有掌控權(quán)。

而代碼生成的本質(zhì)，是讓模型「理解視覺」而不是「模仿視覺」。當(dāng)模型用代碼回應(yīng)你的需求時，它在說：「我理解了什么是標(biāo)題、什么是重點、什么是視覺引導(dǎo)——現(xiàn)在我把我的理解寫成結(jié)構(gòu)，你可以檢查、修改。」

所以我們的定位很清楚：Nano Banana 是非常強的端到端素材生成器，負(fù)責(zé)底圖、氛圍、視覺沖擊力。而 Seede 是那個「容器」——把 Nano Banana 生成的素材，與標(biāo)題、價格、結(jié)構(gòu)化信息組織在一起，變成一個用戶真正可編輯、可交付的設(shè)計。

端到端生成的是「素材」，代碼生成的是「方案」。前者交付像素，后者交付掌控權(quán)。

至于這個容器里，有多少來自端到端模型、多少來自代碼，對用戶不重要。我們只關(guān)心一件事：幫小白用戶或沒時間做設(shè)計的人，做出專業(yè)級的可交付設(shè)計。

Founder Park：不管怎么樣，最終這些都是你們能力的一部分。下面的素材生成能力越強，我給用戶的交付就越好。你們賭的不是模型本身，就像ChatGPT在創(chuàng)作和代碼上都很強，但最終出圈的產(chǎn)品，還是要在這個模型基礎(chǔ)上做工程化和產(chǎn)品包裝。

Longyi：對。模型是引擎，我們是產(chǎn)品經(jīng)理——同樣是電動機加螺旋槳，可以造電風(fēng)扇，也可以造電動飛機，取決于你理解用戶的真實需求。

Token 成本意味著 AI 產(chǎn)品的成本結(jié)構(gòu)和傳統(tǒng)互聯(lián)網(wǎng)完全不一樣。

傳統(tǒng)產(chǎn)品用戶用多少次，邊際成本都趨近于零。但 AI 產(chǎn)品不一樣——每一次生成都在消耗真金白銀。我們非常關(guān)注 Token Efficiency，不只是技術(shù)優(yōu)化，而是商業(yè)模式的起點。

Seede 用結(jié)構(gòu)化數(shù)據(jù)生成視覺，同樣的算力成本，信息密度是端到端生成的 10 倍以上。當(dāng)你要規(guī)?；?wù)大眾用戶時，這個差距會從「技術(shù)優(yōu)勢」變成「競爭優(yōu)勢」。

再說一個觀察：大眾用戶很少直接用大廠的第一方產(chǎn)品——因為大廠在做模型的「說明書」，而不是用戶的「工具」。NotebookLM 這種特例太少了。

AI 應(yīng)用的滲透才剛剛開始。最近很多嘗試過 OpenClaw 的用戶就是 AI 先行者，有很多吐槽「養(yǎng)不起」。這個階段，我們要做的不是跟模型賽跑，而是用模型的能力，去高效率服務(wù)那些還沒被真正服務(wù)好的大眾用戶。

04AI 時代，上下文即模板

Founder Park：你們當(dāng)時覺得產(chǎn)品的競品是誰？現(xiàn)在呢？

Longyi：如果一定要找一個符號來類比，可能是 Canva——不是因為我們想做同樣的東西，而是因為它在「讓普通人能做設(shè)計」這件事上，建立了一個時代的認(rèn)知。我們思考的維度在變。

Canva 的偉大之處在于「模板化設(shè)計」——用專業(yè)人士沉淀的模板，讓小白用戶也能做設(shè)計。但模板的本質(zhì)是靜態(tài)的上下文預(yù)置，匹配度最多 60-70%。

而 AI 讓上下文流動起來。當(dāng)用戶說清場景和訴求，AI 能像設(shè)計師一樣思考，把匹配度提到 90% 以上。

但更重要的是，這個變化指向一個更大的未來：Canva 時代是為「人類生產(chǎn)內(nèi)容」設(shè)計的，AI 時代是為「Agent 生產(chǎn)、人類消費」設(shè)計的。

今天，越來越多信息來自 Agent 而非人手。誰來把它們變好看？誰來理解它們要出現(xiàn)在什么場景？

這就是 Seede 要做的事——不是又一個工具，而是一個理解場景的界面層。一端接入 Agent 輸出的任何信息，一端輸出人類可本能理解的視覺語言。

Canva 擁有巨大的模板數(shù)量，但是我們在探索場景理解。它服務(wù)「人找模板」的時代，我們服務(wù)「Agent 生成、場景呈現(xiàn)」的時代。

生成式模式替代傳統(tǒng)模板，不是工具的迭代，是時代的更替。

Founder Park：模板之所以流行，是因為用戶的審美不夠或者表達(dá)能力不夠。審美不夠可能是 AI 可以解決的，但表達(dá)不夠這個問題，如果沒有模板了，這個問題解決了嗎？

Longyi：這里的關(guān)鍵是理解一件事：在 AI 時代，「模板」的定義變了。

過去，模板是骨架——一個固定的版式，你往里填內(nèi)容。它的確解決了表達(dá)不夠的問題，因為用戶只需要「找到對的」然后「填空」。

但在 AI 時代，上下文即模板。

第一，AI 本身有足夠強的設(shè)計語料。設(shè)計領(lǐng)域數(shù)據(jù)豐富，即使用戶表達(dá)得模糊，模型也能憑借泛化能力匹配出超出預(yù)期的結(jié)果——你給個大概方向，它比你更懂怎么落地。

第二，很多用戶確實沒想清楚自己要什么。所以我們會延續(xù)「模板」這個概念，因為這是當(dāng)前這一代人的基礎(chǔ)認(rèn)知。但這里的模板不再是固定骨架，而是可 Remix 的上下文。

比如一個餐廳老板看到競對的風(fēng)格，可以拍下來發(fā)給 AI：「參考這個，幫我生成我家的?！顾恍枰枋觥甘裁词枪I(yè)風(fēng)、什么是暖色調(diào)」，一張圖就是他的模板。

我們也在鼓勵用戶分享作品，沉淀的不是傳統(tǒng)模板，而是設(shè)計過程中的關(guān)鍵上下文——就像是 Skills。我們認(rèn)為所有東西都可以 Remix：你想要麥當(dāng)勞的結(jié)構(gòu)，配奈雪的色調(diào)，AI 能理解并組合。

所以模板沒有消失，它從固定的版式進(jìn)化成了流動的上下文。從「人找模板」變成「AI 理解模板」。

Founder Park：如果 Canva 做 AI，對你們沖擊大嗎？

Longyi：沖擊肯定會有。但如果 Canva 重構(gòu)底層架構(gòu)來做 AI，反而證明我們的方向是對的。

但更根本的區(qū)別是：我們不是「加了 AI 的設(shè)計工具」，而是 Agent to Human 時代的視覺界面。

Canva 再怎么變，核心依然是「幫人做設(shè)計」。而 Seede 是一個界面層——一端連接 Agent 輸出的信息，一端輸出人類可讀的視覺語言。當(dāng)未來內(nèi)容由 Agent 生產(chǎn)、由人類消費，中間需要這層「呈現(xiàn)層」。這是兩個時代的區(qū)別。

回到競爭：設(shè)計領(lǐng)域足夠分散，巨頭不可能全面壟斷。我們的策略是瞄準(zhǔn)具體場景，用用戶反饋循環(huán)打磨產(chǎn)品——觀察高頻需求，深挖真實痛點，讓用戶愿意付費、愿意反饋，認(rèn)知就越滾越深。

只要這個循環(huán)在，我們就能從小到大。等巨頭轉(zhuǎn)過彎來，我們已經(jīng)跑遠(yuǎn)了。

未來 Seede 可以不只是圖文生成產(chǎn)品。當(dāng)代碼描述的如果是內(nèi)容結(jié)構(gòu)，那它其實可以被渲染成任意形態(tài)：圖、H5、視頻、應(yīng)用……當(dāng)模型生成多模態(tài)內(nèi)容的速度不斷加快，Seede 就能支持實時、可交互的內(nèi)容生成，而這已經(jīng)是非?？梢姷奈磥砹恕?/p>

Founder Park：Canva 過往的數(shù)據(jù)積累沒用嗎？范式轉(zhuǎn)換后，在舊范式下收集的數(shù)據(jù)，對于做一個 AI-Native 產(chǎn)品幫助沒那么大？

Longyi：對，產(chǎn)品架構(gòu)不一樣。一個是產(chǎn)品優(yōu)化循環(huán)，一個是數(shù)據(jù)優(yōu)化循環(huán)。數(shù)據(jù)這部分確實不行。用戶選哪個模板、填什么內(nèi)容，可能只有一點點用，但這數(shù)據(jù)怎么和模型能力做對齊？這里有很大 gap。而我們積累的數(shù)據(jù)是模型生成的結(jié)果、用戶對結(jié)果做了微調(diào)得到的最終產(chǎn)物。這部分?jǐn)?shù)據(jù)對模型來說，是高質(zhì)量的增量數(shù)據(jù)。

Founder Park：舉個極端的例子，如果 Canva 或者 PS 照抄你們的產(chǎn)品，你覺得威脅大嗎？

Longyi：巨頭本來就有這類產(chǎn)品，Canva 的 Magic Studio 也迭代一兩次了。但 AI-Native 產(chǎn)品有一個關(guān)鍵點，巨頭的成本模型不對齊。傳統(tǒng) SaaS 和 AI-Native 的成本模型完全不同。以 Canva 的營收規(guī)模，很難把 AI 產(chǎn)品作為核心業(yè)務(wù)放出來。它原來只收 10 美金訂閱費，絕對不希望大家都用 AI，因為這會導(dǎo)致毛利率從 95% 掉到 50% 甚至更低，營收受損太嚴(yán)重。巨頭要等 AI 產(chǎn)品能占到核心營收的大頭，才會給予同等量級的定位。他們也在內(nèi)部不斷做嘗試，比如 Canva 就招募了一個在 AI Coding 設(shè)計方向很牛的人。

至于其他公司，其實已經(jīng)有產(chǎn)品在像素級抄襲我們了。連我沒想明白的核心邏輯、UI 結(jié)構(gòu)全抄了一遍，甚至連我想砍掉的功能都抄過去了。結(jié)果他剛抄完，我們新版本迭代就把那些部分砍掉了。

Founder Park：換個角度，如果你站在 Canva 的角度，你會怎么選？

Longyi：我當(dāng)然是等一個足夠亮眼的新產(chǎn)品跑起來后再去做，讓他們先探索，到一定量級再去收購。

Founder Park：內(nèi)部轉(zhuǎn)型的壓力確實比收購大多了。

Longyi：對。比如 Canva 市值兩三百億美金，如果有公司很快做到四五十億，可能就像 Meta 收購 Instagram，內(nèi)部孵化不一定成，不如直接買。對于 Adobe，Adobe 在狙擊 Figma 和 Canva 上做了很多嘗試。Figma 火了之后，Adobe 也很快跟進(jìn)，出了他們的產(chǎn)品叫 Adobe XD，做 UI 原型設(shè)計，價格上更像 Figma。但他們做的那個差距就很尷尬，后來好像已經(jīng)直接廢棄了，所以后來才去收購 Figma，但又被反壟斷調(diào)查了。

05首次付費的關(guān)鍵是降低上手門檻

Founder Park：用戶畫像大概是什么樣的？Seede 的人群更大眾，離 AI 重度用戶遠(yuǎn)一些？

Longyi：我們關(guān)注的用戶主要是內(nèi)容創(chuàng)作者、小商家運營、海外電商，還有自媒體或創(chuàng)業(yè)者。目前 90% 收入來自 C 端。主要場景是社交媒體、廣告營銷以及活動海報。

心智上，我們的用戶一方面是接受新鮮事物的年輕人，另一波是中年人，門檻足夠低讓他們也能做。用戶中位數(shù)在 30 歲左右。

還有一部分學(xué)生，學(xué)生群體跟 Canva 一樣，對我們的未來發(fā)展很有幫助，但對商業(yè)化幫助有限，因為同樣的產(chǎn)品，讓學(xué)生付錢比較困難。國內(nèi)大學(xué)生生活費有限，如果每月收 99，我大概率也不會買。未來我們也計劃針對教育用戶提供更多免費額度。

Founder Park：長圖、海報、社媒圖片的比例大概是多少？

Longyi：長圖挺多，占 40% 左右；活動海報和社媒各占 20% 多；PPT 最近用的人也挺多，占比 10%。剩下就是易拉寶、展板這種線下物料。

Founder Park：畫布形態(tài)對于你們的目標(biāo)用戶有門檻嗎？

Longyi：我覺得現(xiàn)在的設(shè)計不算有門檻。為什么做畫布？因為設(shè)計領(lǐng)域需要一個東西承載設(shè)計空間。畫布是基礎(chǔ)，不一定需要無限畫布。有了畫布，你才能放大看細(xì)節(jié)，縮小看總體感覺。所以一個可以縮放的空間是必須的。

無限畫布是在這個基礎(chǔ)上組織堆疊更多元素。但考慮到大多數(shù)用戶沒用過無限畫布，我們早期雖然引擎是無限的，但只提供簡單的垂直布局，通過上下滑動來交互，這套模式仍然是我們默認(rèn)的模式。當(dāng)然，也有不少熟練用戶在用無限畫布模式，方便組織復(fù)雜的多頁內(nèi)容。

無限畫布其實是觸控友好的，但我們 70% 的用戶是 Windows 鍵鼠用戶，所以我們現(xiàn)在讓鍵盤鼠標(biāo)也可以通過上下滑動輕松控制。對于有經(jīng)驗的用戶，我們會推薦他用無限畫布。

另外一個有意思的點是，用 iPad 做設(shè)計的用戶也有，我們在純觸控設(shè)備上也會做一些優(yōu)化。

Founder Park：默認(rèn)有限畫布，熟練后輕易切換。

Longyi：對。畫布是所有視覺設(shè)計類的基礎(chǔ)載體。我們現(xiàn)在也在把畫布和對話這兩部分進(jìn)一步融合，把「所見即所得」的理念進(jìn)一步 AI-Native 化。比如，傳統(tǒng)設(shè)計工具的目標(biāo)是讓你選中元素，去調(diào)整屬性。我們的思路是，你選中元素，甚至不用選中，通過 AI 對話的方式，它去幫你調(diào)整屬性。

比如一些專業(yè)設(shè)計師能把字體調(diào)得藝術(shù)風(fēng)格非常好，但普通用戶可能就只會加粗、換顏色，調(diào)不出來好效果。但 AI 可以理解所有的設(shè)計屬性定義，根據(jù)用戶的需求組合出一個良好的設(shè)計。比如用戶說「我這想要一個火辣的標(biāo)題」，那它可能會配出來一個比較紅、帶金色火焰風(fēng)格之類的組合。

Founder Park：怎么判定用戶生成的是「好設(shè)計」？

Longyi：其實現(xiàn)在整體還非常主觀。說起來有點好笑，有個馬來西亞華裔用戶用我們產(chǎn)品跟我們交流，說「你們的產(chǎn)品審美很好，非常符合我們這種馬來西亞華人的審美和用戶習(xí)慣」。其實我們感覺并沒有做什么特別的設(shè)定，但用起來就是感覺挺符合華人審美的。這可能是模型和我們自己團(tuán)隊審美的一個交叉點。

我們的思路是，在用戶沒有提供風(fēng)格訴求的情況下，盡量讓用戶采用到我們精心匹配的設(shè)計。我們團(tuán)隊有兩個核心部分，一個是審美，另一個是產(chǎn)品工程。所以我們希望用戶在沒有明確風(fēng)格預(yù)期的情況下，會使用到我們預(yù)設(shè)的一些比較好的設(shè)計。未來我們把用戶社區(qū)引入進(jìn)來，可能在不同的地區(qū)、不同的場景，設(shè)計會更加本地化。但我們希望，我們平臺至少都要比直接使用基模有更多一些風(fēng)格傾向。這是一方面是我們的審美的獨特性，另一方面也是和基模保持一定的審美偏差。如果同樣一段提示詞，在 Gemini 生成和在 Seede 生成一模一樣，那我們就沒有特別多獨特價值了。

Founder Park：你們付費流程是怎么優(yōu)化的，可以詳細(xì)說說嗎？

Longyi：我們做得其實很簡單，就是觀測用戶從進(jìn)入官網(wǎng)、注冊、得到第一個設(shè)計作品、到最終導(dǎo)出的全鏈路。早期版本基準(zhǔn)就比較高，因為 AI 減掉了上一代產(chǎn)品的搜索填充流程。但我們發(fā)現(xiàn)如果把上手門檻進(jìn)一步降低，整體轉(zhuǎn)化率還能提高。

核心優(yōu)化幾個點：第一步是引導(dǎo)用戶知道這個產(chǎn)品能干什么，我們有場景引導(dǎo)，讓用戶快速得到第一印象。在產(chǎn)品層面我們只提供相對簡單的定制，更多是利用模型的 Coding 能力，組織好 Context 讓它生成對應(yīng)領(lǐng)域的設(shè)計。第二步是優(yōu)化首次生成效果，我們內(nèi)部叫 One-shot——如果生成出來非常丑或者畫面混亂，用戶直接就走了。

第三是把免費試用從 5 積分提高到了 10 積分。5 積分只能用高級模型生成兩次，10 積分能讓他用高級模型生成 5 次以上，對產(chǎn)品的理解會更深。

如果進(jìn)一步把付費墻做好，付費率應(yīng)該還會更高。但是我不希望讓 Seede 這個產(chǎn)品過于商業(yè)化，現(xiàn)在還在打磨階段，不希望在商業(yè)化上那么激進(jìn)。因為我們是積分制，不同的設(shè)計、素材用量消耗不同。有的用戶用得猛，其實是微虧的。

06關(guān)注用戶做了什么，而不是說了什么

Founder Park：現(xiàn)階段對于國內(nèi)產(chǎn)品，你會看重哪些指標(biāo)？

Longyi：核心關(guān)注付費、激活和留存。留存的話，我們現(xiàn)在的周度和月度留存，在同類工具里是比較頂尖的。

我們有幾個關(guān)鍵階段的數(shù)據(jù)：從生成到導(dǎo)出的流程，包括觀測導(dǎo)出率、導(dǎo)出場景、分辨率和格式。另外我們會算每天新增用戶的 ARPU，去看付費意愿。還有一個很關(guān)鍵的指標(biāo)是錯誤率。

Founder Park：錯誤率怎么判定？是用戶點了「不喜歡」，還是系統(tǒng)出錯了？

Longyi：「不喜歡」這個設(shè)計我們早期有，后來砍掉了。之前跟模型團(tuán)隊交流后發(fā)現(xiàn)，像豆包這種 Chatbot，用戶點的「Yes/No」的數(shù)據(jù)噪聲太大，沒有那么大用處。我們更關(guān)注實際的交互。有的設(shè)計不錯，用戶點「不滿意」只是個人審美問題。所以我們關(guān)注更真實的「導(dǎo)出」行為。

單頁面項目至少得導(dǎo)出一次，我們才知道他可能是真的要采用。復(fù)雜項目他會反復(fù)做小調(diào)整再導(dǎo)出，我們能從這種數(shù)據(jù)節(jié)奏觀測滿意度。還有基礎(chǔ)交互，比如把某些東西反復(fù)拖來拖去，我們能推測出他對 AI 結(jié)果里哪些地方覺得不夠好。目前我們 90% 的精力都在「One-shot」的優(yōu)化階段。

Founder Park：One-shot 的優(yōu)化具體做了哪些事？

Longyi：我們在這件事上投入是最多的，而且持續(xù)做了很久，主要拆分成三部分。

第一，最重要的是模型基礎(chǔ)。所有 AI 產(chǎn)品 80% 的效果都?xì)w功于模型，沒有好模型，AI-Native 產(chǎn)品就是空中樓閣。

第二，剩下的部分里，60% 投入在 Context Engineering 上。首先得保證代碼正確，Agent 輸出代碼沒有致命錯誤的概率，我們內(nèi)部優(yōu)化后在 99.5% 到 99.8% 左右，當(dāng)然這也取決于不同模型。

如果它輸出的東西不能被正確地運行，用戶看到的就是空白。所以我們做了幾件事：在 Context 層做一些 Badcase 的驗證，通過評估知道哪些模型容易犯某些可以被修復(fù)的小錯誤，然后讓它避免出現(xiàn)。解決不了的部分，我們會在模型生成產(chǎn)物后，用算法去做代碼修復(fù)。如果算法也搞不定，比如一些很致命的語法錯誤，我們又會引入一個專門做 Hotfix 的 Agent，去做異常代碼的檢測和修復(fù)。我們發(fā)現(xiàn)，如果一個模型老犯某個錯誤，你讓它自己去修，大概率也修不好，所以這里也得搞成混合模型的模式。這就基本解決了穩(wěn)定性。

第三，如何讓它生成的東西好看。我們讓設(shè)計師按場景去做了一個內(nèi)部叫「審美數(shù)據(jù)庫」的東西，把很多好看的設(shè)計做了拆解，把一些通用的部分，比如版式設(shè)計、元素風(fēng)格、配圖風(fēng)格等維護(hù)成了一個庫。最近我們又在參考像 Claude 的模式，把這些進(jìn)一步抽象成了 Agent 在設(shè)計層面的 Skill。也就是說，一個好的模型可能基礎(chǔ)是 60 分，但疊加了我們由設(shè)計師精心組織的上下文或者 Skill 之后，整個設(shè)計能力能從 60 分提升到 80 分。

Founder Park：上下文工程的核心包括哪些？

Longyi：我們在設(shè)計 Memory 概念，包含用戶記憶和項目記憶。通過多次交互，積累用戶的審美傾向。因為我們是無限畫布，也能累積到項目層級的風(fēng)格。

不過，用戶的 Memory 一直都還沒有上線，我們在海外的新產(chǎn)品 Veeso 上想更好地做一次架構(gòu)升級，順帶就會把這些加上。Veeso 上的 Context 和 Memory，除了項目級和用戶級的 Memory，我們還全新規(guī)劃了一個自研的 Agent。

Agent 運行在瀏覽器中，面向的是我們的設(shè)計工具，我們自己全新設(shè)計了一個基于文件系統(tǒng)的 Agent Loop，并且為它設(shè)計了很多面向設(shè)計任務(wù)領(lǐng)域的 API，讓 Agent 能夠充分理解到它是在一個無限畫布、一個視覺化的編輯器里工作。這和很多其他領(lǐng)域的 Agent 區(qū)別還挺大的。

整體架構(gòu)上，我們參考了 Claude Code、OpenClaw 的概念，只不過是讓它運行在瀏覽器和編輯器中。上下文最核心的部分，還是我們的設(shè)計師調(diào)教出來的設(shè)計 Skill。至少包含兩部分，一部分是它在這個場景的工作模式，另一部分是一些拆解下來的風(fēng)格。我們沒有用像 RAG 那種生硬的方式，而是類似 Agentic Search 的模式，讓 Agent 根據(jù)用戶的意圖，在我們的設(shè)計審美數(shù)據(jù)庫里面，更加智能化地去做語義搜索和匹配，拿到相關(guān)的 Skill，甚至可以做混合。比如做一個會展活動的易拉寶，那它得知道什么是「會展活動」，什么是「易拉寶」，有了這些 Skill 之后才能輸出一個專用于會展活動的、專業(yè)的科技風(fēng)格的易拉寶。

Founder Park：你們會對基模做強化學(xué)習(xí)嗎？還是核心在工程能力？

Longyi：還是在 Context Engineering 上。這樣不管哪個模型只要能力強，隨時可以拿來用。我們現(xiàn)在應(yīng)該更多做「模型解耦」，不去基于某個模型做定義、做 fine-tune。我們這種場景，用純外掛式的 Context 就能解決。

Founder Park：也就是說你們不會被任意一個模型綁定，只要有最強的，隨時可以拿來用。

Longyi：對，我們的上下文是跨模型共享的。

07如果回到最初，
第一步就出海

Founder Park：國內(nèi)這邊，你們前期增長主要來自哪些渠道？之后有什么調(diào)整？

Longyi：現(xiàn)在基本沒做增長，主要靠自媒體和口碑。我們的策略是再打磨一下產(chǎn)品，等海外新產(chǎn)品 Veeso 發(fā)布后，再讓 Seede 在國內(nèi)做正常推廣。

我們在 12 月才勉強做了第一次花錢的營銷。市場團(tuán)隊去跑內(nèi)容合作流程，找達(dá)人、談內(nèi)容、發(fā)視頻、觀測效果。投了 1.5 萬預(yù)算，聊了十多個 KOC，效果非常好。我們走更真實的 KOC 路線，因為用戶更偏傳統(tǒng)渠道，可能對技術(shù)、對 AI 產(chǎn)品關(guān)注都不是那么多，反而是辦公場景、電商運營、學(xué)生這些。算下來我們的 ROI 非常好，應(yīng)該投了 1.5 萬，新增了三四萬的付費收入。

Founder Park：如果國內(nèi)已經(jīng)跑通 PMF 且毛利為正，為什么現(xiàn)階段要去鋪海外？

Longyi：做海外有個關(guān)鍵點，就是得盡早啟動，產(chǎn)生初步聲量，這個時間點非常關(guān)鍵。如果我現(xiàn)在專注國內(nèi)做大半年再去做海外，這個時間差會讓海外同類產(chǎn)品先觸達(dá)關(guān)鍵傳播節(jié)點，讓大家先入為主。

我們產(chǎn)品有必要盡早面向海外。要進(jìn)入主流用戶市場，可能得花三四個月甚至更長時間去測試、找曝光渠道，所以得盡快搞定。

如果海外版能達(dá)到像國內(nèi) Seede AI 一樣，每天都有大量用戶實時反饋，那收入上會有巨大不同。同樣的精力，在國內(nèi)可能賺 10 萬人民幣，在海外可能是 10 萬美金，甚至可能會更高，匯率和付費意愿都有區(qū)別。出于團(tuán)隊穩(wěn)步發(fā)展考慮，把海外跑通是最高優(yōu)先級。對于國內(nèi)，我希望它良性發(fā)展，到今年年中，Seede 能通過營收覆蓋國內(nèi)研發(fā)團(tuán)隊的一部分支出。

Founder Park：在你的規(guī)劃里，海外和國內(nèi)產(chǎn)品在付費模式、設(shè)計上有大區(qū)別嗎？

Longyi：是的。比如海外我們會切換成訂閱制加 Usage-based 的增量模式，而不是簡單的純積分制。這樣收入更穩(wěn)定，高頻用戶體驗也更好。國內(nèi)很多高頻用戶也在問多久出包月或年費。另外在 Agent 架構(gòu)這塊，我們在新產(chǎn)品上做了新架構(gòu)，不影響 Seede 已有用戶的體驗。等新架構(gòu)跑得相對穩(wěn)定，再放到國內(nèi)的升級版本上。

它是全新的產(chǎn)品，可以放心大膽改造?？梢哉J(rèn)為海外版是全新的 2.0 版本，沒有歷史包袱。

Founder Park：如果有機會回到 2025 年初重新開始做 Seede，你會做出哪些不一樣的決策嗎？

Longyi：會。而且這個「如果」我最近確實想過很多次。

我可能會在工程上做好一定的基礎(chǔ)之后，更早、更激進(jìn)地去做一些市場的東西。作為技術(shù)出身的創(chuàng)始人，我的本能是把產(chǎn)品打磨到「足夠完美」再推向市場。但這一年走過來，我們驗證到一個非常亮眼的 PMF——用戶不僅喜歡我們，而且愿意為「掌控權(quán)」付費，愿意為「生成即編輯」這種看似反直覺的體驗買單。

如果重來一次，我會更早相信：當(dāng)你的直覺告訴你這件事是對的，市場的反饋會比你的工程標(biāo)準(zhǔn)更早到來。

Founder Park：會盡快第一步就出海嗎？

Longyi：有可能，可能會更加激進(jìn)地去做出海。

現(xiàn)在回頭看，視覺語言是沒有國界的。我們做的「內(nèi)容優(yōu)先、設(shè)計隨行」這件事，本質(zhì)上是在解決一個全球性問題：當(dāng) Agent 開始大規(guī)模生成信息，人類怎么「看懂」這些信息？這個問題在中國存在，在美國、歐洲、東南亞同樣存在。

因為人類理解世界的方式是視覺，所以搶占瞳孔的機會窗口是全球同步的。Seede 要做的就是面向全球用戶。海外版 Veeso 的發(fā)布，就是我們對這個判斷的回應(yīng)。

Founder Park： 你希望 Seede 成為一個什么樣的代名詞？

Longyi：我希望我們是第一個面向 Agent to Human 時代的「場景化視覺界面」。

當(dāng) Agent 擁有世界上最聰明的大腦，把全世界的信息都挖出來、想清楚了，它最后是怎么給到你的？人類不讀 JSON，不看向量——我們理解世界的方式是視覺。

Seede 不做另一個設(shè)計工具，而是一個界面層：一端接入 Agent 輸出的任何信息，一端輸出人類可本能理解的視覺語言。就像 GUI 是人與操作系統(tǒng)的界面，Seede 是人與 Agent 世界的界面。

今天我們能做一部分 Canva、Word、Excel 的事，因為信息本身就是多樣的。但那些工具是為「人類生產(chǎn)內(nèi)容」的時代設(shè)計的，Seede 是為「Agent 生產(chǎn)、人類消費」的新時代而生。

我希望未來人們提到「把信息變好看」的時候，想到的不是某個工具，而是一種格式、一種界面、一種本能——就像今天提到「把文字排整齊」會想到 Word。

我們有機會成為一個新的名詞，或一個新的文檔格式：幫助每個人美化手上的信息，無論它來自哪里，無論它是什么形態(tài)。

轉(zhuǎn)載原創(chuàng)文章請?zhí)砑游⑿牛篺ounderparker