Laplace AI Lab：打破SaaS与RPA局限的轻量AI平台

AI Agent落地，九个月够不够？

一家成立仅九个月的AI初创公司，交出了一份令人意外的答卷。拉普拉斯智能（Laplace AI）推出的原生智能生产力操作平台，已经开始帮助企业用户真正把智能体用起来了。

这个平台的名字就叫拉普拉斯智能实验室（Laplace AI Lab）。它的核心思路很简单：一个统一的入口，用自然语言就能沟通，工具调用在不知不觉中完成，用户几乎不需要学习成本。它还支持团队内的协作和智能流程分享，角色也能灵活切换，可以承担各种类型的工作。

可以说，Laplace AI Lab打破了传统SaaS和RPA框架的局限。功能繁杂、操作复杂、系统封闭——这些过去让人头疼的问题，在它这里找到了新的解法，满足了企业对高效、灵活、开放智能化工具的需求。

迭代和落地的速度也相当可观。成立三个月时，第一版产品就已经发布；如今，新一代产品也已经上线。实际应用中，Laplace AI与某知名户外品牌运营客户共同打造了品牌服装AI设计师，将设计到生产的整个周期从过去的三个月缩短至一个月。

这些成绩背后，是Laplace AI始终奉行的三个核心理念：打造AI OS系统、集成互联互通、协作与分享。

团队方面，创始人兼CEO衣冠锡博士毕业于UCLA，联合创始人CTO谷士德毕业于纽约大学，公司首席顾问何磊教授是UCLA终身教授、IEEE Fellow（电气与电子工程师协会会士）。

那么，Laplace AI具体是如何快速入局AI Agent并占据一席之地的？当快速发展的AI Agent和企业生产力相结合，能否真正解决企业智能生产力的痛点？

上周，量子位智库访谈了Laplace的三位创始人，深入了解了Laplace如何通过独特的AI Agent技术实现办公智能自动化和人机无缝协作。话题涵盖了AI原生工作流、高度使用场景、Agent生态和出海策略等多个方面。

以下是这次访谈的精华内容。

话题一：办公自动化

量子位智库：办公自动化这件事，感觉国内外还是有些差异。国外Adept AI是用大模型去捕捉交互动作，然后建模。你们当初为什么选择AI Agent这条路线？优势和特性在哪里？

Laplace：他们捕捉动作形态——比如鼠标操作习惯——本质上还是上一代机器学习的思路。举个例子，网站热区设计里，因为右下角点得比较多，所以把功能放在那里。但事实上，这种数据是会骗人的。

我在那儿点来点去，不一定是因为我操作得多，而是因为我的鼠标和手正好在那儿，闲来无事可能就在那儿画一画。很多底层的东西，如果你只通过捕捉动作，其实很难看出背后的逻辑是什么。

而Agent的思路跟这个不太一样。它模仿的是人的大脑学习过程，试图理解你到底在干什么，理解事情的本质，然后基于这个本质往上生长出一些东西。前面那种机器学习思路，是强行要找到两个变量之间的因果关系——无论强弱——但找出来的因果关系可能并不具备真正的意义。

讲个极端的例子：犯罪的人都喝水，所以喝水的人容易犯罪，要禁止喝水。这听上去很扯淡，但在统计上确实是正确的事。AI Agent的思路是更累人的思路，不是像之前那种视觉AI或机器学习AI那样，从统计和数据角度去做。现在看来，AI Agent的思路显然更优。

量子位智库：那么在自动化领域，RPA玩的是套路，Adept玩的是概率，Agent偏逻辑。那Copilot呢？你们这也算是一种Copilot吗？

Laplace：我们也算一种Copilot，但我们更强调人机交互。主驾和副驾的位置是可以随时交换的。

话题二：Agent生态现状

量子位智库：如果你们的产品做的是Agent的调度和集成，使用效果应该会受到Agent数量、种类和质量的影响。现在市面上可用的Agent，达到能支撑你们产品向B端收费的完整性和质量了吗？

Laplace：首先，我们尽量不做Agent。但如果市面上的都不行，客户又有需求，在有能力的时候我们也会顺手做一些。如果已经有很好的现成工具，就没必要自己做了。

Agent编排才是我们的核心——我们替你去编排这一套东西：工具该怎么用、该怎么执行、Agent怎么理解。这块的质量必须由我们把控。

其实，现成的工具加上AI工具，很多业务已经够用了。举个例子，招聘时分析简历，AI处理这种信息一点问题都没有，并不涉及很复杂的东西。分析、科研类的工作其实在市面上占了很大比例。比如PR舆情监控，也就是爬文章去看正负面评价。大部分工作真的没有大家想象的那么专业和需要技术，都是很类似的需求。

话题三：Agent编排技术

量子位智库：编排的研发难点在哪里？怎么做到的？为什么能比别人做得好？

A1：我们的产品会基于现有的逻辑接入不同的工具。编排包括两方面：一是Agent本身的编排，二是Agent所用工具的编排。在此基础上，我们还会给Agent分级。有个概念叫Agent 0，下面有专家Agent，再下面是工具——工具本身也可能是一个Agent。也就是说，我们可以让一个虚拟员工领导去调动另一个虚拟员工，虚拟员工再调用它的工具。这是一个多Agent协作的模式，也就是AI团队。

我们的编排就是为了实现这个能力而诞生的。编排内部可以随时切换，如果有更好的AI工具或第三方API工具，可以随时在编排的内核里做底座切换。现在市面上没有一个很好的逻辑去做这件事，因为它涉及数据库的一些操作，所以我们专门研究了这个。

A2：Agent调用是一个多对多的过程。一个工具Agent可能在某个场景下用这个工具，反过来，一个工具也会在不同场景下被不同Agent使用。就像工具箱，拿着拿着就乱了。交互的维度越多、场景越多，AI逻辑越容易乱。我们必须保证AI逻辑的稳定性。它不像大语言模型的思维链，因为A和B，所以C。在这个场景里，它不是链，甚至也不是网，更像一个图。这东西甚至比大模型都要复杂得多。

话题四：Agent协作

量子位智库：多Agent协作现在已经直接落地生产了吗？

Laplace：在我们刚才的演示里，从微信拿了信息，生成了日程文件，又发回去——这里面已经用了两个Agent了。用Agent拿PDF总结再发回去，和前面这个场景又不一样。Agent其实可以调用很多工具。虽然看上去不过是微信里不同类型的信息处理一下再发过去，但这里已经是多Agent协作了。要保证它能精准拿取信息，就需要最上面的领导Agent知道这个事是谁干的，进行唤醒，然后交接。

量子位智库：这种协作的技术难度会随着协作Agent的数量增长吗？还是不太受影响？

Laplace：会的。所以编排不仅涉及代码，还有知识库。随着工具和Agent越来越多，怎么优化方案？为什么我们现在底层要抽象成“信息收集、信息处理、信息分发”？只有把底层归类好，才能避免上层问题。如果现在微信、飞书、企业微信、中间处理、分发等都是分开的Agent，这个交互逻辑就太复杂了。不如先把信息源归拢，在一定维度上降低交互出错的可能性。这就考验底层设计能力了。底层设计越复杂，往上走时出错的概率越高。市场需求越多，就越考验归类和交互能力。

话题五：原生AI工作流

量子位智库：现在很多人讲AI原生工作流，其实也是新的交互和操作方式。企业内部会有关于员工培训或组织架构的顾虑吗？

Laplace：顾虑的人不一样。顾虑的是没有绝对决策权的人——在公司打工的。如果这东西一旦流程优化，就把我优化掉了。如果你对接的人是他，他绝对会有顾虑。但如果站在更高层、决策层或老板的角度，只要踏踏实实干过企业的，大家都能理解一个概念：你的公司之所以是现在这个形态，是因为你的流程是这样的。决策者的想法可能是：你这个流程好不好？如果我基于你的流程去优化组织结构，收益在哪里？他在乎的不是少招几个人，而是整体信息传递和组织运营的效率。

话题六：优先场景

量子位智库：现在有哪些行业或场景明显更积极、更兴奋？

Laplace：服务类的——不是客服。包括旅行咨询、留学咨询、猎头。这种服务业，大量交换的是信息，最贵的是人。现在AI能让信息流转程度变得更高，尤其当处理的信息量越来越大时。比如金融行业，各种内外部信息的收集、做表、做报告，本质上就是在处理数据、组合数据。那块实际上是AI更擅长的，所以整体意愿会更强一些。

在这些场景里，信息流不通畅会对业务造成很大影响。像非常硬核的研发和律师，他们更关注信息本质的价值和质量，早一天晚一天可能影响没那么大。但对旅行规划等，更关注信息交换有没有更有效，量特别大，也不会特别在乎一点错误。

量子位智库：听起来很适合替公司行政干活。

Laplace：行政未必有价值。大部分行政在公司工资偏低，并不在乎多一个少一个。但金融行业那些写专业报告的人——比如分析师——是特别容易被替代的。需要在行业里找在对方看来也比较有价值的事情。替代行政确实没问题，但这个事到底有多大价值？但如果是旅行社，可能要雇十来个顾问才能干这个事，每个工资都不低。那公司对用AI做规划就很有动力了——无论接更多客户还是降低人力成本，对这个业务本身都是有价值的。

话题七：知识库

量子位智库：你们自己有一个模型叫LKHM，这本质上是知识库吗？

Laplace：是Know-How知识的沉淀。比较像一个不断完善的模板库——Agent编排的模板库。可以通过Prompt、补充预训练、微调以及RAG来达成。产品能吸收后期改变的增量。说白了就是增加知识库，一个增量式的。还有通过Prompt改进并进行版本控制。另外还有增量式预训练，可以不断微调。我们结合了多种方式，但目前最好用的还是RAG。比如你跟它在聊天、做事情时纠正它，或者AI在不断做事中收集这种增量，不断学习。它不需要刻意准备，在聊天记录中就能注意到这些东西。

话题八：LUI的微调

量子位智库：很多人觉得LUI代表了新的交互时代。你们的产品在理解意图方面会做自己的模型训练吗？还是用现成的就够了？

A1：意图识别需要微调。训不训练不一定，但微调是一定的。因为每个人的表达方式可能不太一样。举个最简单的例子：我要看微信。我每次都说得很长——“帮我去调开微信”；但你说得很简短——“我要看微信”。假设我们有两个工具，一个叫微信，一个叫企业微信，都叫“微信”。如果用户第一次调起了企业微信，他说“不是，我要那个微信”并换掉了。我们需要收集这条语境，判断下次你说的“微信”是这个，而不是企业微信。这种语料还是要收集的。不一定走到训练那么大，但一定要跟着用户再做一层微调，才能符合用户习惯。

A2：很多公司看起来在做同样的业务，但流程完全不一样，细节差别可能还挺大的。比如服装设计，从风格到整个流程可能完全不同。有的可能比较传统，需要提前备货和生产；有的公司不想那么重的库存，先发出去看哪些反馈好，确定了再生产，但也承担风险。从基础层面确定实现流程，这两套工序完全不一样。可能用到的工具相同，但先后顺序不同。我们的AI至少得理解这个事情。不能有的AI完全不走流程，问了问题后自说自话地开始，中间完全无法停止。所以还是得有微调或训练来帮它进一步理解你。

话题九：资源耗费

量子位智库：在这套工作流里，结合多个Agent，Token的耗费量和响应时间会不会有明显的倍增？怎么优化？

Laplace：一定要做优化。但我觉得没有倍增。我们的Agent不是线性的，它是有多个分叉的异步过程，多个Agent可以同步进行。

量子位智库：Token成本方面呢？

Laplace：Token成本其实是成本里最低的一项。还有一个点——不是所有工具都一定要用到Token。我们会连接Hugging Face，也有一些自己部署的模型，不一定非要用Token去处理问题，也可能只是接第三方API。实际上很多人在用工具时并没有花很多Token。那些真正消耗算力的东西，比如生图和视频，消耗算力不是因为Token，是因为研发成本的分摊。研发成本后面都会下降的。

话题十：定制化

量子位智库：你们在国内主要做定制化吗？

Laplace：我们研发了底层框架基础后，可能看起来交付的解决方案不一样，但不同场景和客户无非就是接上去的工具不同，接入的流程都是标准的。所以核心的研发动作没有太大区别。很像两个不同职业的人用同一个iPhone，用了完全不同的APP，但iPhone也没有针对这两个人做定制，依然是一个标准化的载体。我们也只是让开发者按照我们的规则开发应用，让用户能方便地安装上去，在场景里满足所谓的定制化诉求。以前那种真正的定制化我们是没有的，实质上还是标准化。同时我们也是可以模块化的——在更多场景里求同存异的过程。一开始没有通用的模板，需要先多做不同的场景，找到共同点。

量子位智库：现在有已经可以模块化的小段场景和工作流，可以直接标准售卖的吗？

Laplace：其实所有业务无非就是：信息从哪来？中间怎么处理？最后分到哪去？你会发现大家接收信息或分发信息的渠道都非常类似。收取的渠道包括IM、邮件后台、CRM等等，都很细很标准。中间简单的处理都是文字总结、生成思维导图或PPT，也很标准。比如化妆品研发和新能源研发，都是去抓竞品的材料，结合现有的产品配方进行调试。这些信息最终也是写在Excel或Word里，技术逻辑本质上都是一样的。

话题十一：海内外对比

量子位智库：国外产品API开放的风气很盛，做得好的基本都会开放API，让集成方调用。但国内感觉封闭很多——比如飞书、百度、钉钉的Agent平台，是否允许第三方调用它们平台上开放的Agent？你们在国内和国外怎么做，如何看待国内生态？

Laplace：像飞书就是选择性地做具体互动合作。一般去找可能找不到，需要更深层次的关系才能开放API。所以我们也会谈很多伙伴合作，比如句子互动。他们有IM入口，有飞书和企业微信，同时他们不做智能化，需要我们来提供智能化的处理能力，相当于1+1大于2。

量子位智库：目前与平台建立合作关系的难度如何？

Laplace：还是比较容易的。我们尽可能共生，不去抢别人的生意，也不去“嫖”。

量子位智库：国外有Product Hunt那种第三方网站，国内好像没有自由开放的平台，只能放在大平台上。

Laplace：对。以后有能力的话，可能往生态网络方向靠，但不是类似GPT Store。我们的初衷是帮生态项目的开发者找厂子。

话题十二：出海

量子位智库：你们打算先做国内再出海，还是同步推？

Laplace：可能先做国内再出海。因为在海外这个阶段，对我们来说不适合做海外。这是真实案例的分享。我们第一版产品10月出来后，海外的用户觉得这个产品对自己的侵入太深，还需要给一些数据。尽管有NDA，内部还是有一些顾虑。比如三星就不让员工用GPT，更不用说我们大部分基于网上开发的东西，所以更多地看开源模型。回国就简单了。一月二十几号我们才工商注册，出去走一圈，很多客户马上就拍板给了数据。能感觉到理念完全不一样。我们现在最需要的是实际场景，还不着急卖。海外很多人做开源，可能名声达到了就行。国内没人做开源，因为应用场景太多了。我们在国内做其实有点像学术活动。转移到国内来，先把产品打磨好。我们也看到了很多国内已经打磨得非常好的东西。很多出海的应用，前提是人家已经在国内卷出来了。我们目前还没有。

量子位智库：所以这个事本质是因为产品进他们工作流太深了，但国内对数据没有那么敏感。