Garry Tan 谈 AI 创业：别追热点，把公司做成一组循环

原始视频：Garry Tan: New Rules for Founders

a16z · 2026-08-12 · 51 分 28 秒

访谈：Anish Acharya，a16z 普通合伙人 · 嘉宾：Garry Tan，Y Combinator 总裁兼 CEO

补充一手资料：Y Combinator 官方简介 · Garry Tan 的 gstack 仓库

2003 年，互联网泡沫破裂后的硅谷几乎找不到工作。22 岁的 Garry Tan 有两份选择，一份在 Expedia，一份在微软做 Windows Mobile。他选择了当时看起来更有前途的移动方向，离开了自己已经积累多年经验的 Web 开发。

同一时期，Peter Thiel 和 Tan 在斯坦福的朋友邀请他加入后来成为 Palantir 的团队，还给出一张相当于他微软年薪的 70,000 美元支票。Tan 拒绝了，因为他可能在微软升职。

二十多年后，他把两次决定归到同一个错误：从外界的热度地图倒推方向，忽略脚下已经看见的真实地形。

这段经历构成了整场访谈的底色。AI 正在压低软件实现成本，创始人可以用更少的人完成更多工作。代码供给增加以后，真正拉开差距的会是选什么问题、掌握什么直接信息，以及能否把一次成功变成持续运转的循环。

别从热度地图倒推方向

Tan 在 2003 年听到的主流判断是 Web 已经结束，移动才是下一站。结果正好相反，社交网络即将启动新一轮平台周期。他已经拥有的 Web 经验，本来可能成为领先优势，却被他自己当成了过时资产。

拒绝 Palantir 的决定也有相同结构。他后来回看，当时最可靠的信息其实很具体：邀请他的人是自己认识的顶尖人才，他们正在把硅谷的软件能力带进政府与大型机构。职业地图上的职位、级别和热门赛道，盖过了这些近距离信号。

Tan 因此把创始人的起点放在直接经验上。一个问题长期困扰着某群人，一项技术在小圈子里已经产生真实用途，或者一组出色的人正在做外界看不懂的事，这些信号通常比“现在什么最热”更接近机会。

YC 在他的叙述中也承担同一种作用。线上申请降低了进入硅谷社交圈的门槛，创始人社区则让成员能够讨论丢掉客户、工程师离职和联合创始人失去信心等真实问题。公开场合的成功叙事很容易失真，近距离、可追问的信息更有用。

代码变便宜之后，品味和主动性变贵了

Tan 说，vibe coding 和编程 Agent 能让一个人成为过去自己的 400x。这是一种强调变化幅度的说法，访谈没有提供可重复的生产率测试，不能把它当成基准数据。

方向变化仍然清楚。一个创始人以前需要先写需求、排工程资源、安排测试，再等待交付。现在，许多低风险项目可以直接交给 Agent 实现，创始人把更多时间放在提出问题、判断结果和继续迭代上。

软件更容易生成以后，按席位收费的纯 SaaS 也会承受压力。Tan 在 2026 年给出的判断是，这类产品若希望在未来 5 到 10 年保持优势，需要借入口继续积累数据、网络效应或其他难以复制的资产。这是他的产品与投资判断，市场还没有给出统一答案。

Tan 自己通过 gstack 重新练习编程。他先拿低风险想法试模型，再把产品、工程、测试和浏览器验收整理成一组可重复调用的 Skill。一次从 YC 办公时间记录中整理出的提示语过于强烈，他在开源前让模型把强度降低了 90%。

这个细节说明，Agent 可以快速产出，创始人仍要决定什么应该保留、删掉或降温。品味和主动性没有被自动化带走，它们因为实现速度上升而更频繁地接受检验。

一次做对还不够，要把任务写成循环

访谈中最具体的方法，是把业务过程逐个“Skill 化”。

一项任务先由人和 Agent 共同做完。完成后，把有效步骤写成 Markdown 指令，把必要的代码和测试放在一起，再设置触发方式和验收条件。下一次遇到同类任务时，系统直接复用这套过程。发生错误，就把修正写回 Skill，后续每次运行都带上这次经验。

Tan 把这种状态概括为“一份 Markdown 文件就是一名员工”。更准确地说，它是一项可重复执行、能够持续修错的工作定义。员工还要承担判断、协作与责任，文件负责保存流程和机器可以执行的部分。

gstack 中的 QA 循环提供了一个工程例子。产品和代码生成已经被自动化后，瓶颈会移动到黑盒验收。系统需要真的打开浏览器、走完流程、发现偏差，再把修复带回下一轮。循环的价值来自反馈闭合，不只来自第一次生成速度。

Tan 还声称，他已经看到由 2 到 3 人和数百个 Skill 文件组成的团队，在 4 个月内从零做到 15M 美元 ARR。访谈没有给出公司名称、口径或独立材料，这个数字只能当作他观察到的个案说法，不能当成小团队的普遍增长基准。

Token Maxing 是一张未来样片

Tan 把高强度使用 Agent 称作 Token Maxing。他会让系统为单次任务读取 800,000 到 1,000,000 个 token，并估算全力运行可能每年花费 50,000 到 100,000 美元。他形容这种体验像“今天先活在 2028 年”。

这组价格缺少具体模型、请求量和账单口径，适合看成个人估算。它也不是多数产品当前能够承受的单位经济。

更可复用的部分，是使用高配系统提前暴露业务瓶颈。创始人先观察最强 Agent 在真实任务里卡在哪里，再把解决办法写成 Skill、代码和测试。算力在这里承担探索成本，留下来的资产是流程。

文件越来越多以后，出处和冲突会变成新债务

Skill 数量增加后，系统会遇到另一类问题。同一件事可能有两个版本，旧规则与新规则相互冲突，某个结论也可能来自未经验证的会议发言。

Tan 提到，系统需要保留出处和时间，知道哪条信息更新、由谁提供、为什么应该覆盖旧版本，还要有定期清理与纠错机制。缺少这些记录，所谓长期记忆只会积累越来越多难以判断的文本。

他还讲到一个来自 Brex 管理层的案例：Agent 读取直接下属的会议记录，让负责人获得过去 3 周、向下 2 层组织的上下文，并在冲突会议里快速作出决定。这个案例在访谈中没有独立材料验证。

从产品治理角度看，它同时暴露了权限边界。会议内容涉及员工、客户和合规信息。若缺少知情授权、最小访问范围、保留期限和审计记录，更强的检索能力很容易滑向组织监控。检索质量只是系统能力的一部分，安全运行还需要清楚的授权与问责。能读到全部信息不等于有权使用全部信息。

创业公司的机会来自重画工作

Tan 回忆在微软做 Windows Mobile 时，团队被另一个部门的依赖阻塞，对方既不修 bug，也不明确拒绝。两名工程人员最后只能跨园区当面催促。问题不在工程能力，信息和责任卡在多层组织之间。

他用流行的 7±2 说法描述人的注意力限制。这个数字只是工作记忆研究的简化表达，却准确指向了组织问题：业务大到无法装进一个人的脑中后，邮件、会议和中层汇报开始承担同步工作，信息也在每次转述中损失。

Agent 可以持续读取依赖、测试结果、客户反馈与会议记录，组织层因此有机会被重新设计。产品负责人决定方向，一线人员保留接近事实的执行权，Agent 负责整理状态、发现阻塞和运行重复检查。

大公司很难一次更换既有结构，创业公司可以从第一天设计新的工作方式。这个优势也有前提。人仍要定义目标、处理例外、批准高风险动作并承担结果。自动化扩大了执行带宽，也会同步放大错误权限和错误目标。

模型跑得快，组织改变得慢

Tan 对 AI 采用速度的判断反而偏慢。他观察到参加 Startup School 的 18 到 22 岁人群已经把 AI 当成自然工具，就像上一代创业者把 Web 和移动设备当成基础设施。

这些人进入并管理企业、机构和政府，需要时间。他给出的粗略周期是 20 年。模型可能每几个月变化一次，组织预算、合规、岗位、采购和信任关系不会同步重写。

这也是他所说的“白色药丸”。大规模职业替代不会按模型发布节奏瞬间完成，个人与组织仍有适应窗口。微软这类公司也拥有客户关系、分发、数据和制度位置，不会因为一个更强模型立即消失。

对创业公司而言，窗口来自速度差。它们可以先在一个具体流程里建立闭环，证明质量、权限和经济性，再逐步扩张。只把新模型接到旧流程末端，很难形成同样的结构优势。

下一台计算机先会记住人，再慢慢退到界面后面

谈到消费级 AI，Tan 认为短期硬件外形不会骤变，交互重心会逐渐转向语音、记忆、电脑操作和持续上下文。系统要理解一个人的目标、偏好和历史，再主动寻找可以帮忙的地方。

他预测 2027 年会出现一轮“Harness Wars”。竞争焦点会从单次模型回答转向整套运行环境，包括上下文、记忆、工具、权限和跨设备连续性。这个判断与具体年份都属于个人预测。

成本仍是限制。Tan 估计，今天需要前沿算力的任务，可能在 2 到 3 年后降到 50 到 100 美元的消费级区间。访谈没有定义对应工作量，价格也会随模型与产品变化。可以确定的方向更朴素：当持续使用 Agent 的成本下降，消费软件才有空间提供免费试用、长期记忆和高频操作。

技术能压缩执行，不能替人承担责任

访谈最后转向旧金山地方事务。Tan 的结论与前面的 Agent 讨论相连：技术可以提高信息处理和执行速度，社会协调仍需要人公开表达、组织行动并承担声誉成本。

同一条边界也适用于公司。Agent 能写代码、整理会议、寻找冲突和执行流程。它不能替创始人决定什么值得做，不能自行获得读取所有资料的正当性，也不能替管理者承担一次错误决策的后果。

这场访谈给创始人的新规则可以收束为四条：

1. 从直接经验和独特知识出发，少从热点地图倒推项目。

2. 把成功任务写成带代码、测试、反馈和修正记录的循环。

3. 在 Skill 与记忆增加之前，先建立出处、权限、冲突和审计规则。

4. 区分模型速度与组织速度，把预测当预测，把责任留在人手里。

AI 让实现能力迅速扩张，也让选择与治理更早暴露。小团队获得的机会很大，前提是它们建立的循环既跑得快，也知道何时停下、由谁确认，以及出错后怎样留下可靠修正。