AI 助手真正的网络效应，可能发生在 Agent 之间。多人协作形成的网络，比单纯积累个人数据更难迁移。 每个人最终只会保留一到三个 AI 入口。专业 Agent 不会全部出现在用户面前，会被主助手在后台调用
我看 Town 创始人 Jean-Denis Greze 的这次访谈，最关注的是几个相互关联的问题：用户为什么开始用一个 AI 助手，为什么继续付费，又为什么愿意让同事一起用。
把这些问题连起来，才能理解个人 AI 入口的竞争。Agent 之间的网络效应很值得期待，但它必须建立在单个用户已经获得价值的基础上。
先找到主流用户愿意用的体验
Town 的助手叫 Townie，主要存在于邮箱和日历里。它观察用户的工作方式，推荐自动化方案，把会前准备、会后行动项等工作放到后台处理。
这个方向来自一次转型。团队此前花了一年做 AI 企业报税，效果不够理想；重新探索后，用两周做出了邮箱助手原型，很快看到了产品与市场契合的迹象。
我认为，这段经历的关键是技术能力与具体需求终于碰到了一起：模型开始能连续完成工作，而邮箱和日历里已经积累了大量可供理解的工作上下文。
Greze 对竞争的判断也很清醒：这个市场还没有谁真正做出了足够成熟的大众产品。很多用户仍然只把 ChatGPT 当作增强版搜索引擎。赢得技术爱好者，不等于赢得主流市场。
巨头拥有分发和资源，创业公司的机会则在于更早找到用户愿意持续使用的体验。但这个窗口正在缩短。按他的观察，一个有效功能可能在两到四周内就被复制。
开发可以达到机器的速度，理解用户仍然需要人的时间。我读到这里的判断是：代码交付越来越快之后，识别真正需求、判断反馈、决定下一步做什么，会成为更稀缺的能力。
让系统理解用户，才能缩短价值兑现的时间
Town 要求用户一开始就连接邮箱和日历。Greze 说，这一步会流失约 30% 的用户，但留下来的用户能很快看到针对自己工作的自动化建议。访谈中提到，其试用付费率超过 15%。
我看重的是这两个数字背后的取舍：降低进入门槛，与提高进入后的价值，并不总是一回事。
一个空白聊天框看起来没有门槛，却把“AI 能替我做什么”的思考留给了用户。Town 先获取工作上下文，再直接指出可以处理的事情，承担了这部分理解成本。
对销售、招聘人员和小企业主来说，会前材料准备好、会后事项有人跟进，比了解模型有多少能力更有吸引力。用户先完成一件有用的事，才会继续探索更多可能。
这也解释了 Town 的一些早期采用者为什么来自行政助理、HR、招聘和运营等岗位。他们的工作大量发生在邮箱里，却没有像销售部门那样被各种 AI 工具反复覆盖。需求的强度，未必与岗位在技术圈的受关注程度一致。
团队协作可能形成更深的迁移成本
Town 已经提供 Agent-to-Agent 功能：自己的 Townie 不知道答案时，可以向同事的 Townie 询问，再把信息带回来。
我认为，这比单纯积累个人记忆更值得关注。个人助手保存的是一个人的上下文；团队助手网络还可能承载信息如何流动、工作如何交接，以及哪些流程已经被共同使用。
Town 观察到，一个愿意折腾的用户可以为团队创建 Skill、集成和日常自动化，其他成员直接使用。这样的人实际上承担了把技术能力转化为组织能力的工作，也加快了团队采用。
一旦协作依赖这些共同建设的流程，迁移就需要多人一起调整。网络效应的潜力正在这里。但它仍是有待验证的方向，不能因为具备 Agent 互相询问的功能，就认定护城河已经成立。
用户界面也可能随之收敛。Greze 判断，每个人最终大概只会保留一到三个 AI 入口，专业 Agent 由主助手在后台调用。
我倾向于这个方向。用户希望表达目标，让系统组织完成任务。工作与个人数据可以保持边界，前台交互却不必随着后台专业系统的数量一起膨胀。
模型可以切换，助手的体验需要连续
Town 会根据任务选择模型，但 Greze 特别强调，面向用户的表达不能随意变化。同一个助手突然更啰嗦、语气变了，或者忘记长期形成的表达偏好，都会破坏体验。
我理解这里的人格一致性，是一种可预期性。用户需要知道，这个助手会怎样回应自己，过去形成的习惯是否仍然有效。
因此，模型路由至少要考虑两个层面：后台推理可以根据能力和成本灵活选择，前台表达则需要保持连续。技术选择的复杂性应该由产品承担。
Town 还会在用户提问前投入算力，预先理解项目、公司和工作背景。这说明助手的价值不只来自当次回答，也来自它提前做了多少准备。
不过，体验和上下文都不能替代基础能力。Greze 的提醒很直接：如果其他产品能完成用户重视的任务，而自己做不到，品牌和网络效应都很难弥补这个差距。
持续付费，比 Token 消耗更能说明价值
Town 最初五个月没有定价，出现过单个用户累计消耗 2.6 万美元算力的情况。大量使用让团队必须追问：这些自动化究竟创造了多少价值？
我赞同这个追问。同样是会前准备，对需要连续发言、拍板的人，与只需旁听的人，价值可能完全不同。Token 消耗相近，不代表产出相近。
Greze 用一个朴素的标准定义成功用户：每个月继续付钱的人。这个标准不能解释所有问题，却迫使产品接受真实的价值检验。
企业也未必喜欢无限期免费。业务流程一旦依赖某个平台，却不知道未来如何收费，本身就是一种不确定性。可预期的付费关系，有助于企业决定是否长期采用。
访谈里我很关注一个细节：Town 发现自动化任务失控、大量消耗 Token 时，会主动提醒用户。帮助客户减少浪费，可以增强他们对平台的信任。
Greze 因此更看好付费模式，也担心广告会让助手的推荐与用户利益发生冲突。我认为，越是替用户做决策的产品，收入来源越需要与用户目标一致。
增长阶段的成本取舍，不能掩盖长期依赖
Town 目前仍大量使用前沿模型。团队认为，现阶段把工程时间用于改善产品、连接数据和增强协作，比单纯降低推理成本更重要。
这个取舍有其前提：当前制约成功的主要因素仍是产品价值与增长。随着邮件分类等任务逐渐可以交给便宜模型处理，部分成本确实存在下降空间。
但更难回答的问题是：长期有多大比例的任务必须依赖前沿模型？Greze 担心，如果始终有两三成工作负载离不开这些供应商，应用公司的经济模型就需要新的解法。
我认为，成本下降预期可以支持阶段性投入，却不能替代对供应商依赖的判断。尤其当模型厂商同时经营自己的助手产品时，应用层需要持续证明自己增加了什么价值。
自主协作的前提，是能守住信息和行动边界
Greze 对未来的设想，是 Agent 能替人判断哪些信息可以分享。例如帮助同事寻找客户关系时，提供恰当的联系线索，同时保护工资、病史等私人信息。
这仍然是一个未来判断。它揭示了 Agent 网络真正困难的部分：连接更多信息之后，系统还要理解关系、目的和边界。
我认为，信息能否被访问，与信息能否被转述，是两件需要分别处理的事。员工只有相信助手能守住这个区别，才愿意让它进入自己的工作上下文。
行动边界同样如此。人需要设定目标、分配资源，并监督系统采取的整体行动。即使未来把部分监督工作交给 Agent，负责监督的角色也应该与负责追逐目标的角色有所分离。
个人助手进入团队网络以后，承担的是越来越具体的组织责任。它能否长期留下来，取决于协作是否有效、付费是否值得，以及用户是否敢继续把事情交给它。