Town创始人访谈：邮件日历智能体如何实现PMF

从税务工具到智能体：一次果断的转向

Town的创始人Jean Denis曾是金融科技公司Plaid的CTO。离开Plaid后，他选择了一个看似枯燥的领域——中小企业税务自动化。团队花了一年时间打磨产品，从产品角度看是成功的，但商业化却撞上了天花板。

"如果你看我们第一年的收入，略低于一百万，第二年我们觉得能做到两百五十到三百万。在AI之前，你会觉得这很合理。但在AI之后，这不会成为一家风险投资规模的公司。"

更关键的是，Jean意识到现有巨头能利用AI更快地自动化税务流程，而初创公司一年只能卖一次税务服务，口碑传播也极其有限。在第一个报税季结束后，他和联合创始人经过一周的深思熟虑，决定放弃这个方向。

这个决定并不容易。Jean坦言，当时感觉像是失败，但核心动机驱使他们必须改变：一是对世界产生足够大的影响，二是对团队负责——每个人留在公司都有机会成本。"如果你不再相信能取得好的结果，你就很难每天走进办公室直视同事的眼睛。"

为什么没人做好邮件和日历智能体？

转向后，团队认真探索了四个方向，最终锁定了一个问题：为什么没有人围绕邮件和日历构建出色的智能体？

线索来自税务产品的客户。他们告诉Jean，自动化报税很棒，但安排客户会议、准备会议材料、预演常见问题仍然耗费大量时间。这些需求并不复杂，却始终没有被很好地满足。

恰逢模型能力开始支持更自主的智能体工作，Town迅速获得了产品市场契合（PMF）。Jean形容PMF是一种神奇的东西——一旦抓住，就只想不断拉拽这根线。团队没有停下来评估市场规模，而是全力投入了几个月，每天产品都在增长，客户不断提出更多需求。

他们逐渐意识到，大多数企业的外部沟通——销售、商务拓展、招聘——都运行在邮件之上，这意味着市场不仅在美国，而是全球性的。更重要的是，把LLM接入邮件只是起点，要真正做好体验还有大量复杂性，这给了团队深挖产品的空间。

什么是智能体（Agent）？

在AI语境下，智能体指能够感知环境、自主规划并执行多步任务以达成目标的系统，区别于仅对单次输入做出响应的聊天机器人。它通常具备工具调用能力（如访问邮件、日历、数据库）、记忆机制和任务分解能力。文章中的“邮件和日历智能体”即指能自动安排会议、准备材料、预演问题等，而非仅提供建议的被动助手。

智能体的实现依赖于大语言模型（LLM）的推理与规划能力，以及外部工具接口。早期模型能力不足时，智能体多为演示性质；随着模型在长上下文、函数调用和自主纠错上的进步，构建可靠的生产级智能体才成为可能。Town的转向恰逢这一时间窗口，因此能迅速获得产品市场契合。

产品体验不能只是一个文本框

Jean反复强调一个核心观点：AI产品不能只给用户一个输入框。普通人不知道AI能为自己做什么，需要产品主动展示价值，并直接替用户完成。

他以餐厅老板为例。批发商会定期发来包含成千上万种商品价格的Excel或PDF，价格不断变动。理论上，财务人员应该每季度分析价格变化，寻找更优的供应商，但现实中几乎没人做，因为这太琐碎。而Town可以每月自动运行一次分析——成本可能只有一美元——十二个月里即使十一个月什么都没发现，只要有一个月找出了数百甚至数千美元的节省，这件事就值得做。

"产品体验不能只是一个文本框。你必须向某人展示价值主张，然后替他们做出来。"

这个例子也说明了产品营销的挑战：如果你问餐厅老板要不要一个行政助理，他会一脸茫然；但如果你说"我能帮你在生菜上省钱"，答案就是肯定的。

用AI为每个用户定制软件

在Jean看来，AI时代大多数智能体框架的能力会趋同，传统依靠功能领先的优势越来越难维持。Town的赌注是：随着AI变强，它能针对每个用户的具体需求定制产品——电工、风险投资人、行政助理，各自得到的推荐截然不同。

实现方式带有半手工色彩。由于不能查看用户数据，团队会分析平台上的高频用户，访谈其中十位餐厅老板，提炼出五个共同自动化需求，内部构建原型"例程"，再作为模板推给新加入的餐厅老板。随着访谈规模扩大和模型进步，这个库会越来越丰富，推荐也越来越精准。

Jean认为，另一种流行的"前向部署工程师"模式——派真人进入企业定制软件——随着模型变强反而会变得更差，而Town这种用AI构建定制软件的路径扩展性更好。

前向部署工程师（Forward Deployed Engineer, FDE）模式

FDE模式指软件公司派遣工程师常驻客户现场，深度理解业务痛点并定制解决方案，典型代表如Palantir。其优势是能快速交付高度贴合需求的产品，但成本高、扩展性差，难以服务大量中小企业。

Jean认为，随着模型能力增强，FDE模式反而会变差，因为AI可以更低成本地实现定制化。Town的做法是半自动化的：通过访谈高频用户提炼共性需求，构建可复用的“例程”模板，再借助AI针对不同行业用户推荐不同模板，从而以接近FDE的定制效果实现规模化覆盖。

与模型厂商竞争：中立性是护城河

Town直接使用OpenAI、Anthropic等厂商的模型，某种意义上是在与供应商竞争。Jean对此并不回避，而是把中立性作为核心卖点。

他对中型企业客户的提问是：你知道未来三到五年哪家模型厂商最好吗？如果买了某家的产品，就可能被锁定在该家的模型上，万一它不再领先，或者涨价，怎么办？Town作为中立应用，会为每个场景选择当下最合适的供应商——通用智能、语音、视频、幻灯片各有所长。

第二个差异点是数据所有权。Jean认为企业正在积累一类新资产：AI所知道的关于业务的一切上下文。Town的立场是客户真正拥有这些数据和记忆，如果将来出现更好的方案，迁移应该只需一天。这降低了客户的 switching cost，却是Town对抗模型厂商的竞争策略。

"如果我不能拥有市场上最好的产品，那我认输。但这就是我对抗模型厂商的竞争立场。"

此外，Town不训练模型，并押注未来人机关系会比模型厂商设想的更前卫——例如信任智能体在公司内部调解信息权限，让"谁认识那个客户财务团队的人"这类问题秒级得到答案，而不是在Slack里等待人类慢速路由。

模型中立性与数据所有权

模型中立性指应用层产品不绑定单一基础模型供应商，而是根据任务场景动态选择最合适的模型（如通用推理、语音、视频生成各用不同厂商）。这能避免客户因某家模型落后或涨价而受损，也降低应用层公司的技术锁定风险。

数据所有权则关乎企业积累的“AI上下文”——智能体所掌握的关于业务的一切知识。Town承诺客户拥有这些数据和记忆，迁移只需一天。这实际上是一种竞争策略：通过降低客户的迁移成本，换取客户对Town的长期信任，从而对抗模型厂商向上游应用层延伸的威胁。Jean的立场是，如果产品不能做到市场最好，就认输，但中立性和数据主权是Town的差异化底线。

智能体时代，供给聚合的价值在稀释

访谈后半段，投资人Alex Rampel提出了一个观察：智能体流量已远超人类流量，而亚马逊等平台对智能体采取对抗姿态，源于广告商业模式受到的冲击。

Jean的回应更具哲学意味。他认为人类的摩擦分两种：享受的摩擦和不享受的摩擦。在Soho逛街是享受的摩擦，而在家订厕纸不是。智能体不应一味消除所有摩擦，而要理解人类并非总在优化效率。

他更指出一个结构性变化：过去供给聚合之所以有价值，是因为人类注意力有限；当注意力可以被自动化，供给聚合的价值就会下降。这对依赖广告和聚合模式的巨头构成长期压力。

至于Town本身，Jean把市场定义为"帮助人们找到更多部署AI的机会"——一个替用户分配token的机器。随着token变便宜，越来越多过去不值得用人力做的事变得值得，这正是智能体产品持续扩张的空间。