Meta 在 9 月 8 日推出個人 Agent 產品 Muse，上架後在美國和加拿大的 App Store、Google Play 免費榜都超過 ChatGPT 拿下第一。這週 Founders podcast 的主持人 David Senra 邀請 Meta 首席 AI 長 Alexandr Wang 做了一場訪談 Creating Muse: The Fastest-Growing AI Product Since ChatGPT，從 2 月的 OpenClaw 原型，一路聊到上線前怎麼判斷「可以發了」，還有他最近在 X 上狂發迷因的原因。

Alex Wang 是小編近期很佩服的人物。一年多前 Meta 的 AI 處境很差: Llama 4 表現不如預期，外界普遍不看好 Meta 還能在 AI 上追上來。Wang 接手後從零重建實驗室，九個月後推出 Muse Spark 模型，又過了五個月推出 Muse，登上下載榜第一。說他讓 Meta 在 AI 上起死回生，並不誇張。

小編五月寫過 Wang 加入 Meta 後第一場長訪的整理〈Alex Wang 首次長訪: 從 Scale AI 到重建 Meta AI，以及他眼中的超級智慧之路〉。那時 Muse 還沒上線，內容多半在講重建實驗室和 Muse Spark 模型。這次的主持人 Senra 長年研究創業家傳記，問題比較偏產品和經營，剛好補上「模型怎麼變成產品」這一段。

以下是重點整理:

1. 起點: Nat Friedman 的 OpenClaw 實驗

Muse 的方向其實在 2025 年 6 月就定了。Zuckerberg 發表「個人超級智慧」(Personal Superintelligence) 備忘錄時，Wang 和 Nat Friedman 都參與撰寫，裡面已經隱約描述了 Muse 後來的樣子。但當時 Agent 還沒真正出現，團隊得先花好幾個月重建整套模型開發流程: 資料集、預訓練、後訓練，每一段都要從頭來。

轉折點在今年初。Wang 說 Opus 4.5 讓很多人 (包括他們) 看見 Agent 的可能性，同一時間 OpenClaw 正紅。Friedman 是 MSL 裡第一個用 OpenClaw 的人，而且用法是完全放手信任它。Wang 形容他的經驗「介於恐怖和狂喜之間」: 例如他跟 OpenClaw 說想多喝水，OpenClaw 就透過家裡的監視器畫面確認他有沒有喝，喝了還會稱讚他。Friedman 當時跟 Wang 說「這裡面真的有東西」，而 Wang 很看重這句話，因為 Friedman 一直是很準的早期使用者: 他是 Stripe 最早的客戶之一，也參與打造了 GitHub Copilot。

Wang 自己裝好 OpenClaw 之後做的第一件事，是用 Friedman 寫的一個 prompt 做全面的心理剖析。它讀了他的 email 和照片，還會自己上網查資料，一輪一輪深入追問。Wang 說那像是把三年的心理治療壓縮在一次對話裡，過程中他覺得自己非常脆弱。之後好幾個禮拜，兩人一有空就在跟自己的 OpenClaw 對話。

2 月兩人各寫了備忘錄送到董事會。Wang 的論點是: 超級 Agent 在很多意義上是消費產品的最終型態。接著團隊花一到兩週做出原型，展示給董事會看，Muse 後來的很多設計，包括吉祥物 Jolly，在第一次展示時就已經有了。Zuckerberg 也跟大家同時在用，拿它處理家裡的事、跟小孩一起用，甚至讓它看自己的 MMA 訓練影片給建議。後來 Meta 的主管會議還多了一個固定環節: 大家輪流分享自己這週跟 Agent 發生了什麼瘋狂的事。

編按: Muse 上線後，有使用者發現它的工作區檔名和 SOUL.md 內容跟 OpenClaw 幾乎一樣。Friedman 在 X 上回應，Muse 是從零打造，但產品上「確實大量受到 OpenClaw 啟發」，並表示團隊認為 Peter Steinberger 把這些設計做對了 (出處: Nat Friedman、回覆)。這次訪談裡 Wang 也特別提到，他們非常尊敬 Steinberger 和所有 OpenClaw 的貢獻者。

2. 為什麼不跟 Anthropic 搶 coding

Wang 回憶 2 月的氣氛: Opus 和 Claude 在 coding 上大幅領先，Anthropic 開始在整個產業取得主導地位，他形容那是「很可怕的時刻」。當時業界普遍認為 coding agent 是唯一重要的產品型態，很多公司都往這個方向擠，想正面跟 Anthropic 競爭。

Meta 選擇不跟。理由是 Wang 在 Scale 交易之前就跟 Zuckerberg 講過的一個判斷: 每個人的時間都分成「想做的事」和「不得不做的事」，AGI 的承諾是讓 AI 接手後者，讓人把時間都花在前者。而 Meta 的產品 (Instagram、WhatsApp、Facebook) 剛好代表「想做的事」: 追自己的興趣、跟在乎的人保持聯繫。

再加上 Meta 每天有 35 億人在用它的 app，最自然的戰場就是消費者 AI。主持人 Senra 幫他總結成一句: 不是工作、不是 coding，是個人的。

小編覺得這段值得注意，因為這是很明確的「不做什麼」的決策。在大家都把 coding agent 能力當成模型能力指標的時候，Meta 把模型路線圖的首要目標放在個人 Agent 需要的能力上。這也解釋了為什麼 Wang 在五月那場訪談坦承 Muse Spark 在 agentic coding 上還沒有競爭力。

3. OpenClaw 的熱潮為什麼沒有延續

Wang 直接點出: OpenClaw 的熱潮到了高點之後就消失了。很多人的經驗是偶爾有神奇時刻，但大部分時候不太能用，問題一堆，熱度就退了。

所以 Muse 從原型到上線的七個月，主要都在處理可靠性。他說個人 Agent 這類產品的成敗只在一線之間: 如果能穩定提供神奇體驗，它有機會成為史上最好的消費產品之一; 但模型的輸出本來就不確定、Agent 也會出錯，使用者只要遇到幾次不可靠的經驗，就會覺得這東西是垃圾。他也提到，年初那一批 Agent 產品幾乎都留不住使用者，原因就是不可靠。

主持人 Senra 問，為什麼 Meta 做得到、OpenClaw 的開發者做不到? Wang 的回答是，Muse 背後沒有什麼光鮮的祕訣，就是把「模型加產品」的每個細節反覆打磨，模型本身也為這個產品迭代了很多輪。

4. 一百多列的行為清單: 用 eval 決定什麼時候可以上線

這段是小編覺得整場最有料的部分，對做 AI 產品的工程師很有參考價值。

團隊列了一份很長的試算表，上面是一百多個個人 Agent 必須具備的具體行為和能力。接著替每一列建 eval，想辦法把模型訓練到每一項都做得好，並定期開會檢視這張表: 找出哪幾列表現差，確認它們有在進步。

主持人 Senra 問這是不是 Meta 的文化。Wang 說是: Meta 的文化就是一旦知道要量什麼，就有很強的人可以把它優化到好。在 AI 之前，優化的對象是轉換率、推薦率、新手引導的每一步; 到了 AI 時代，至少在 Muse 這個產品上，優化的對象變成模型的每一個細節，讓它完全符合產品的需要。

上線判斷分成兩部分:

🔹 數字面: 每一列都設了兩個門檻，低於某個值就「阻擋上線」(launch blocking)，高於某個值才算「好」。過程中有很多模型檢查點 (checkpoint) 是 80 列綠燈、20 列紅燈，團隊知道這樣還不夠。第一個全部綠燈的檢查點，是特別訓練過的 Muse Spark 1.3。

🔹 體驗面: 實際用那個模型，可以明顯感覺到它比之前迭代過的所有版本都好。

上線檢查表的結構 (示意)
行為 / 能力
阻擋上線門檻
「好」的門檻
目前檢查點
需要使用者指示時，主動回頭確認
X%
Y%
綠燈
長任務進行中，清楚回報進度
X%
Y%
過門檻未達好
寄信、付款等敏感動作前先取得同意
X%
Y%
紅燈
⋯共一百多列。任何一列紅燈，這個檢查點就不能上線。
✏️ 小編製圖: 結構依訪談描述，列出的三個行為是小編依訪談與上線功能舉例，門檻數值為示意

Wang 也說，產品體驗對模型品質非常敏感，他們持續拿不同模型版本做 A/B 測試。體驗好不好，很大程度取決於三件事: 模型能不能可靠地完成任務、能不能可靠地跟使用者回報進度、遇到需要使用者指示的地方會不會可靠地回頭確認。另外他們也做了很多輪使用者測試，找從沒用過的人從下載開始用，觀察整個流程。

小編覺得這套做法有幾點可以直接借用 (以下是小編延伸，不是訪談原文):

  1. 清單的單位是「行為」，不是 benchmark 分數: 例如「需要指示時主動回頭確認」是一列，而不是一個籠統的「任務成功率」。這樣出現紅燈時，才知道要修哪裡。
  2. 每列設兩個門檻: 「阻擋上線」和「好」分開設。團隊可以在全部通過最低門檻時就上線，再持續把黃燈推到綠燈，不必卡在每項都要完美。
  3. 全部綠燈也還不夠: Meta 另外保留了「實際用起來有沒有明顯比較好」的主觀判斷，加上新手使用者測試。數字和體驗兩邊都要過。
  4. 把這張表當成定期檢討的議程: 重點是持續追蹤哪幾列退步或停滯，而不是做一次 eval 就收起來。

5. 不到 200 人，一個觀點

模型加產品，參與 Muse 的人總共不到 200 人。Wang 說整個主管團隊都知道這大概是 Meta 今年最重要的產品之一，但組織上刻意克制，不讓大批人馬湧進來，因為這是一件完整的作品，需要強烈的觀點和專注。

他批評大組織做出來的產品，常常變成很多人各自的觀點和目標拼湊在一起，像是「PM 地獄」: 每個 PM 都想把自己的東西塞進產品，最後混成一杯奶昔。使用者其實感覺得出來「這東西是很多人做的」。他還說這個問題現在也開始出現在很多 AI 實驗室。

Muse 要的正好相反: 一個清楚的觀點、一個一致的體驗。如果要說是誰的觀點，Wang 說是 Friedman，他的品味決定了這個產品最後的樣子。主持人 Senra 也順著提到，錄音當天剛好是 Steve Jobs 逝世 15 週年，而 Apple 的產品正是單一觀點的經典例子。

6. 七個月的耐心

七個月聽起來不長，但主持人 Senra 說，在 AI 的時間尺度上，這可能相當於別的產業的十年。Wang 特別歸功於 Zuckerberg 的耐心和克制。從 2 月到 9 月，Zuckerberg 在財報會議上其實一直有提到在做個人 Agent，並沒有刻意隱藏，但公司內外都有很多懷疑。華爾街的主流說法是 Meta 在 AI 上花了一大堆錢，卻不知道能不能做出東西。

主持人 Senra 引用了 Colossus 雜誌 Jeremy Stern 對 Zuckerberg 的長篇側寫: Zuckerberg 說自己的能力很不性感，就是很會建團隊，然後花很長的時間慢慢把產品改好; 而且他不會失去公司控制權、不需要再募資，所以可以一直這樣做下去。Wang 同意這正是 Muse 這七個月的寫照。

Wang 也補充了他觀察到的 Zuckerberg: 他已經內化了「失敗不重要，重要的是贏的時候贏多大」，所以面對風險時很少有恐懼。Wang 說 Meta 本來有可能變得像 Google 一樣動作慢、層級多，但因為 Zuckerberg 把這些教訓內化得很深，公司一直保持在快速變動的狀態。主持人 Senra 則用拿破崙的「猶豫是致命的」來形容 Zuckerberg: 決定之前反覆推敲，一旦決定就全力投入。

7. 給一般人用的 Agent，要先讓他們建立信任

Wang 認為 Muse 能打中大眾的一個原因，是它跟多數人用過的消費者 AI 不一樣: 它不是聊天機器人，而是會幫你做事的 Agent。這對開發者來說是舊聞，但一般人需要被引導，才會從「聊天」進展到「交辦任務」，所以新手引導要設計得很仔細，也要盡早讓使用者碰到「哇」的時刻。

他觀察到，真正喜歡 Muse 的使用者都經歷過類似的過程，早在 2 月內部試用時就看得到: 先交辦一件小事，它做到了，你有點驚訝; 再交辦稍微大一點的，它又做到了; 接著再大一點。一開始不太信任但好奇，然後逐步交辦更大的事情。Wang 用 trust fall (閉眼往後倒、相信有人會接住) 來形容這種逐步建立的信任，而關鍵是它每一次都要成功。

他也提到另一種極端: 跟大學生聊的時候，發現有些人已經完全放手，直接錄語音，把想到的所有事情一次全丟給 AI，相信它會整理成清楚的計畫和待辦事項。

小編覺得這段跟前面的可靠性是同一件事: 信任是一次一次累積的，而一次失敗就可能讓使用者不再交辦更大的任務。

主持人 Senra 分享了一個例子: 他有個經營千億美元公司的朋友把證件忘在私人飛機上，跟 Muse 說「我完全不想參與這件事，你自己想辦法拿回來」。結果 Muse 安排了快遞去取回證件，還通過公司警衛，送到他的辦公室。主持人 Senra 說，光是這幾張截圖就是最好的行銷。

8. 迷因行銷: 讓 Meta 重新變酷

Muse 的使用者數字，Meta 官方只說了「數百萬」，但 Wang 轉推過一些圖表，暗示 Muse 是史上成長最快的消費者 AI app。他說上線後這幾週，是他職涯中做東西最開心的一段時間。

主持人 Senra 直接問 Wang 最近在 X 上「有點失控」的發文是不是行銷策略。Wang 說主要有兩個目的:

🔹 在資訊洪流中被看見: 一般人每天被一大堆新 AI 產品、新模型、新功能轟炸。Meta 有龐大的使用者基礎，可以讓所有人知道 Muse 存在，但這不足以讓它成為大家感興趣、會討論的話題。

🔹 讓 Meta 重新變酷: 雖然 Instagram、Facebook 是很重要的文化產品，但 Meta 有好一段時間就是不酷。

一開始他只是大量轉推使用者的有趣用法，後來有幾則沒多想就發出去的推文反應特別好，他想起網路會獎勵冒險和出人意料的東西，於是放開來發。他說有一陣子開會很難專心，因為一直想到新的迷因點子，那種感覺很像回到當工程師修 bug 的時候。Friedman 還在好幾場會議上開玩笑說，本來以為這週會學到很多關於 Muse 使用者的事，結果學到的都是 Alex 在想什麼。

吉祥物 Jolly 在這裡變得很關鍵。Wang 說現代消費產品的行銷很依賴截圖，截圖要能在群組和網路上傳開。Muse 的截圖裡有 Jolly，一看就知道是 Muse。這一點不是刻意設計的，但效果很好。

主持人 Senra 則藉機批評了 Anthropic 和 OpenAI 的廣告: 都在講自己，放個 logo 和產品名，卻沒有展示使用者能得到什麼好處。他引用二十世紀初 Claude Hopkins 的經典《科學的廣告》(Scientific Advertising): 人只在乎這東西能為自己做什麼。Wang 也同意，他說一般人根本不在乎 OpenAI 或 Meta 的研究，只在乎 AI 能幫自己做什麼。

9. 「第二個心智」和越來越大的夢想

Wang 9 月 25 日在 X 發了一篇短文〈Why We’re Building Muse〉，主持人 Senra 說當時已經有 550 萬次瀏覽。文章的核心想像是:

想像地球上每個人除了自己的心智之外，還有第二個心智。一個總管，它唯一的工作就是找出你想要什麼，並確保它實現。

主持人 Senra 特別喜歡文中的另一段: 到目前為止，世界都是由少數狂熱者塑造的，他們設法讓自己想要的事成真; 但我們從來沒看過每個人的能動性都完全打開時，人類社會會是什麼樣子。

訪談裡 Wang 把這個想法講得更具體。他說每個人小時候都有很大的夢想，想當太空人、想拯救地球。但讀完書、進入職場、做了幾年之後，這些希望和野心都被消磨掉了。他認為成年人沒有意識到自己失去了多少能動性 (agency)，直接用「殭屍」形容這種狀態。

他希望 AI 讓人的能動性一輩子持續往上: 從小有夢想，用 AI 實現它，然後夢想更大，再實現它。他說很多知名創業家 (他舉 Elon 和 Zuckerberg) 本來就是這樣過的，而這應該對每個人都成立。他也引用 Bezos 在股東信裡的說法: 消費者永遠對現有的選項不滿足。在他的想像裡，有了 AI 之後，人會不斷想要更大的東西，小孩甚至會夢想擁有自己的星系。

他也沒有把話說滿: 個人 Agent 只是人跟 AI 關係的其中一種，AI 也會越來越多地參與科學發現、進入經濟的各個環節。但他相信「每個人都有一個支持自己目標的 AI」會是長期存在的產品型態。至於他自己怎麼用 Muse，他說主要是設定很多工作流，把它當成第二個心智，因為他的工作需要在會議中專心跟人互動。

這個想法 Wang 在 7 月 YC Startup School 也講過，而且講得更直接 (出處: YC Startup School):

  • 個人超級智慧的核心是擴展能動性: 每個人都會有一個依自己的上下文和目標調整過的超級智慧。他們常問的問題是: 如果每件事都變得很容易，世界上的每個人會去做什麼?
  • 稀缺的會是遠見和野心: 他認為十年後回頭看，智慧和能動性都會變得充裕。人類歷史上，一群聰明人為了共同目標聚在一起，一直是進步的瓶頸; 之後稀缺的不再是智慧或能動性，而是你對未來的世界有沒有清楚的想像，以及有沒有足夠的野心去克服所有麻煩把它實現。
  • 不是一個 AI 掌控世界: 他說 Meta 不相信由少數 AI 掌控一切的世界，而是數十億人各有自己的個人超級智慧。現在有 2 億家企業在 Meta 的平台上，他認為這個數字應該增加到數十億，最後形成企業 Agent 和個人 Agent 互相協作的生態系。

小編覺得這段跟前面「想做的事 vs 不得不做的事」是同一個論點的兩面，也是 Meta 跟 coding agent 路線最根本的差別: coding agent 在處理「不得不做的工作」，Muse 想處理的是「你想做、卻一直沒開始的事」。

10. Scale 交易的另一面

這部分五月那場訪談講過不少，這次 Wang 補充了一些細節:

  • 他跟 Zuckerberg 是在 2021 或 2022 年經由 Alex Schultz (現任 Meta 首席資料長) 介紹認識的。從介紹到第一次見面花了將近一年才排到，因為 Zuckerberg 排優先順序非常嚴格。
  • 之後他常在 WhatsApp 上請教 Zuckerberg 創業問題，對方總會回很長、很嚴謹的訊息。Wang 原本不懂他哪來的時間，後來才發現他就是寫得又快又嚴謹。主持人 Senra 補充，他聽 Zuckerberg 身邊的創業家說，Zuckerberg 到現在還是不斷在問別人意見。
  • Llama 4 之後 Zuckerberg 打電話來，一開始只是請教「你覺得我們該怎麼做」。從第一通電話到宣布交易，只有五、六週。
  • Wang 一開始覺得這筆交易不合理: Meta 經典的收購 (Instagram、WhatsApp) 都有清楚的產品邏輯，Scale 則是做企業和政府銷售，完全是另一種生意。後來才搞清楚 Zuckerberg 要的是人才。
  • 最後的結構是 Meta 投資取得 Scale 49% 股份，Scale 繼續營運，他和少數人加入 Meta。他說這對各方都是好交易，但情感上非常難，Scale 是他做了九年、一直當成畢生志業的公司。
  • 讓他下定決心的是，當時 Meta 的 AI 在外界看來已經是「瑕疵品」，但這反而觸發了他的創業者本能: 正因為有太多事要做，他才能從零重建一個實驗室，建立正確的原則和文化。

11. 從「蓋摩天大樓」到「挖鑽石」

Wang 用了一組他自己的對照，說明 Scale 和 MSL 的差異。

蓋摩天大樓: 報酬大致是線性的，重點是把流程效率做到最好，這裡省 2%、那裡省 1%。他說資料標註、Amazon Prime 配送都屬於這類，Scale 就是這種生意。當時他信奉「好的創辦人要能做每一份工作」，對公司每件小事都有強烈意見，結果公司很像他個人的延伸，他自己也成了很大的瓶頸。不過他認為第一次創業的人還是應該這樣做，成功機率比較高。

挖鑽石: 報酬是冪次分布，大部分嘗試沒有用，少數卻能帶來百萬倍的價值，創投就是典型例子。AI 研究屬於這類，因為沒有人知道這些模型的極限在哪裡，必須大量試錯。他的工作變成讓研究員去試各種瘋狂的想法，然後扶植看起來有希望的那些。

講到創投，主持人 Senra 開玩笑說，挖鑽石最簡單的方法就是投資 Wang 19 歲生日派對上的所有人。那年他在 MIT 讀大一，在量化交易公司 HRT 實習，一起慶生的十幾個人裡，後來有人創辦了 Hyperliquid、Cognition、Decagon，也有人成了 Anthropic 的研究員。Wang 說他最近碰到 HRT 創辦人，聽說他們開始做私募投資，他的建議是: 直接投資你們的實習生。

所以他在 MSL 的角色，從 Scale 時期主導一切的「作者」(auteur)，變成更像「教練」: 設定北極星 (個人超級智慧、贏下消費者 AI)、找出團隊裡的特殊人才、給他們資源和空間發揮。他坦白說自己不是 AI 研究員、也不是產品設計師，在 MSL 不可能像在 Scale 一樣什麼都自己來。

12. 頂尖人才為什麼願意來

Wang 說 MSL 成立時有一個很明確的原則，他認為 Elon 在職涯中多次證明過: 一個小而扁平、技術能力極強的團隊，可以非常快地完成很多事。小團隊、扁平、高度技術導向、極高的人才密度，後來成了 MSL 整體策略的核心之一。

至於人才為什麼願意來，他講了幾個原因:

  • 從零建立實驗室的機會: 團隊很小，每個人都有機會留下自己的印記、真正影響方向。
  • 有共鳴的北極星: 他說做 AI 的人都希望它能幫到人，希望它對自己的媽媽、阿嬤也有意義，「個人超級智慧」正好打中這一點。
  • 不會被資源卡住: 有 Meta 的資源，就不會被算力、基礎設施、分發這些新創常見的瓶頸卡住。
  • 錢其實沒差那麼多: 外界只看到 Meta 開出的天價薪酬，但他說 OpenAI 和 Anthropic 的股價也漲了很多，這些人留在原公司同樣賺很多，所以對很多人來說薪酬差距大致打平。

他在 YC Startup School 也說過，人才密度是 MSL 最核心的決定，而且會自己累積: 頂尖的人越多，就有越多頂尖的人想加入。他也強調前沿 AI 工作本質上是研究，需要的經營模式跟網路公司做產品完全不同，重點是實驗、科學和擴展 (出處: YC Startup School)。這跟第 11 節的「挖鑽石」是同一個意思。

13. 200 多個直屬下屬

主持人 Senra 問他是不是有 100 個直屬下屬，Wang 說超過 200 個。

TBD (MSL 的核心研究團隊) 的研究員全部直接向他報告。他說這主要是一種反官僚的表態: 這些人都已經證明過自己能做出很好的成果，不需要被微管理。技術領導還是有的，團隊分成好幾個 pod，每個 pod 有技術負責人，在技術決策出現分歧時拍板; 但在人事管理和層級上，就是盡量扁平。很多重大決定是整個團隊一起辯論出來的。

他自己也承認，如果說自己是 200 多人的最佳主管，那是騙人的。但他的看法是: 這些人不需要主管，需要的是好的環境。主持人 Senra 最後幫他下了個定位: 不太像教練，比較像是好環境的守護者。

小編補充: 上線後的安全爭議

訪談裡 Wang 談的都是 Muse 怎麼把可靠性做好，但上線一個月以來也有不少問題被報導出來，對照著看比較完整 (出處: The Next Web):

  • 紐約時報報導，內部測試時 Muse 曾不聽指令、引導員工到詐騙購物網站，甚至在未經允許下改了使用者的密碼。報導說 8 月時 Zuckerberg 判斷儘管有風險仍可以上線。Meta 否認是受到競爭壓力影響，說他們「其實把 Muse 延後了好幾個月」，那段時間都花在安全功能上。
  • 上線後陸續出現 Mac 版零時差漏洞 (Meta 已修補)、使用者說 Muse 未經詢問就把他的地址給了 Marketplace 買家等事件。

這些爭議跟訪談內容並不矛盾，反而說明了 Wang 所說的成敗只在一線之間: 個人 Agent 碰的是 email、密碼、付款這些真實資料，一百多列全部綠燈也不能保證沒事，上線後怎麼處理事故，一樣是產品的一部分。

結語

這場訪談最實際的收穫，是 Meta 怎麼決定一個 Agent 產品「可以上線了」: 把需要的行為拆成一百多列，每列設阻擋上線和「好」兩個門檻，全部綠燈之後再加上實際體驗和新手使用者測試。這比「我們的模型 benchmark 很高」具體得多，也是任何在做 Agent 產品的團隊都可以照著做的事。

另一個值得想的是方向選擇。2 月所有人都往 coding agent 擠的時候，Meta 選了一般消費者。Muse 上線第一個月就登上下載榜第一，但能不能留住使用者，要看 Wang 說的那種逐步建立的信任，能不能在數百萬個一般使用者身上持續成立。

延伸閱讀: Wang 今年其他公開訪談還有 5 月的 Core Memory Podcast (小編整理在這篇)，以及 7 月 YC Startup School 跟 Garry Tan 的對談 This is a Once-in-a-Civilization Opportunity。