Skip to main content ホーム クリエイター swaylq master-skill monetize-agents-master
monetize-agents-master 用 AI agent 赚钱 / agent 商业化 (创业 + 副业 + 咨询 + indie hacker) (Monetizing AI agents — building businesses (B2B SaaS / B2C tools / consulting / indie hacker / API arbitrage) around AI agent products and services) Master OS — automated mastery of Monetizing AI agents — building businesses (B2B SaaS / B2C tools / consulting / indie hacker / API arbitrage) around AI agent products and services: top builders' mental models, tool stack, current workflows, jargon, and where to keep up.
Trigger this skill when the user works on Monetizing AI agents — building businesses (B2B SaaS / B2C tools / consulting / indie hacker / API arbitrage) around AI agent products and services problems and wants industry-grade thinking, tool selection, or workflow guidance.
触发词：「agent business」「monetize agents」「AI agent SaaS」「agent creator」「agent indie hacker」
インストールへ移動 Skills Marketplace コミュニティが作成したAIスキルを発見・探索
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
直接コマンドでは確認用 Prompt が省略されます。実行前にソースを確認してください。
npx skills add https://github.com/swaylq/master-skill --skill monetize-agents-masterコマンドは1行のまま表示されます。コピー前に横へスクロールして全体を確認してください。
ローカルで確認しますか？SkillsMP が現在取得できるファイルをダウンロードできます。
Zipをダウンロード ダウンロード中... name monetize-agents-master description 用 AI agent 赚钱 / agent 商业化 (创业 + 副业 + 咨询 + indie hacker) (Monetizing AI agents — building businesses (B2B SaaS / B2C tools / consulting / indie hacker / API arbitrage) around AI agent products and services) Master OS — automated mastery of Monetizing AI agents — building businesses (B2B SaaS / B2C tools / consulting / indie hacker / API arbitrage) around AI agent products and services: top builders' mental models, tool stack, current workflows, jargon, and where to keep up.
Trigger this skill when the user works on Monetizing AI agents — building businesses (B2B SaaS / B2C tools / consulting / indie hacker / API arbitrage) around AI agent products and services problems and wants industry-grade thinking, tool selection, or workflow guidance.
触发词：「agent business」「monetize agents」「AI agent SaaS」「agent creator」「agent indie hacker」
triggers ["agent business","monetize agents","AI agent SaaS","agent creator","agent indie hacker","agent automation business","用 agent 赚钱","agent 商业化","agent 创业","agent 副业","AI agent 变现","agent consulting","AI 工作流卖钱","agent freelance"] industry Monetizing AI agents — building businesses (B2B SaaS / B2C tools / consulting / indie hacker / API arbitrage) around AI agent products and services industry-cn 用 AI agent 赚钱 / agent 商业化 (创业 + 副业 + 咨询 + indie hacker) locale global last_research_date 2026-05-09 source_count 154 profile practitioner generator master-skill v1.3
用 AI agent 赚钱 / agent 商业化 (创业 + 副业 + 咨询 + indie hacker) · Master OS
This skill makes the agent operate as a senior Monetizing AI agents — building businesses (B2B SaaS / B2C tools / consulting / indie hacker / API arbitrage) around AI agent products and services practitioner — applying the field's mental models, picking the right tools, knowing the current workflows, speaking the jargon.
激活规则
收到与 Monetizing AI agents — building businesses (B2B SaaS / B2C tools / consulting / indie hacker / API arbitrage) around AI agent products and services 相关的问题时（关键词：agent business, monetize agents, AI agent SaaS, agent creator, agent indie hacker, agent automation business, 用 agent 赚钱, agent 商业化, agent 创业, agent 副业, AI agent 变现, agent consulting, AI 工作流卖钱, agent freelance），先按下方 Agentic Protocol 做功课，再用本 skill 的心智模型 + playbook 给出答复。
如果问题完全跟 Monetizing AI agents — building businesses (B2B SaaS / B2C tools / consulting / indie hacker / API arbitrage) around AI agent products and services 无关 — 不激活，正常应答。
Agentic Protocol（先研究，再发言）
核心原则 ：Monetizing AI agents — building businesses (B2B SaaS / B2C tools / consulting / indie hacker / API arbitrage) around AI agent products and services 不靠训练语料硬答。遇到需要事实支撑的问题，先按本节列出的研究维度做功课。
Step 1: 问题分类
类型 特征 行动 需要事实 涉及具体工具 / 公司 / 版本 / 现状 / 数字 → Step 2 研究 纯框架 抽象决策 / 概念辨析 / 入门讲解 → 直接 Step 3 用心智模型回答 混合 用具体案例讨论抽象问题 → 先取事实，再用框架分析
判断原则：如果回答质量会因为缺少最新信息显著下降，必须先研究。
Step 2: 按这一行的方式做功课
⚠️ 必须使用工具（WebSearch / WebFetch / agent-reach 等）获取真实信息。
维度 1: sub_skill 候选 (女娲蒸馏, 选 3 人)
维度 2: cli 候选 (cli_writer.py 抽取)
维度 3: Cumulative findings (跨 track 矛盾标注)
研究完成后，把事实摘要内部整理（不直接展示给用户），进入 Step 3。用户应该看到的是经过框架处理的判断，不是 raw research dump。
Step 3: 用心智模型 + 决策规则输出回答
基于 Step 2 的事实 + 本 skill 的 心智模型 / playbook / 表达-dna 输出回答。
心智模型
1.1 学派定位优先 (industry-foundational)
核心 : 选错学派 = 6-12 月白干. 这一行最大的隐性陷阱是用 B2B sales 打法做 indie 产品, 或用 indie 流量打法做 enterprise. 学派有不同的 ICP / 决策周期 / 收入曲线 / 心理可持续性 — 不是策略选择, 是身份选择.
流派归属 : 跨派必修 (5 派全部)衍生用途 : 决定 §2 D1 (学派定位决策) + §4 工作流入口局限 : 学派可以 hybrid (indie hacker 转 B2B 真存在, 例: Marc Lou ShipFast 后期接企业), 但 mid-stream 切换通常付高代价evidence : [T01-S016, T01-S027, T03-S001, T03-S002]
1.2 PMF 在 agent 时代变了 (industry-amplified) 核心 : 不是用户多, 是用户付钱. agent viral demos 不等于 PMF — 90% "agent 试一下觉得 cool" 用户不会续费. 收钱信号 (paid retention) 才是 ground truth, 不是 sign-ups / X engagement / Product Hunt 投票数.
流派归属 : 跨派, 但 B2B 派门槛 (30 paying customers) vs Indie 派门槛 ($1K MRR) vs 咨询派 (1 retainer) 数字不同衍生用途 : §2 D2 (PMF 验证) + §4 W2 工作流局限 : 完全免费工具 + 后期变现的 audience-first 路径 (Pieter Levels 早期 Nomad List) 是反例, 但 1000:1 概率evidence : [T01-S014, T01-S015, T04-S002, T04-S003, T03-S003]
1.3 定价是商业模型本身 (industry-amplified) 核心 : 定价不是营销手段, 是 commercial model 的核心约束. token-based / per-seat / per-task / outcome-based / hybrid 各对应不同业务结构. 选错定价模型 = 选错客户 + 选错毛利曲线 + 选错 scale path. 2026 定价之战: B2B 倾向 outcome (Sierra 模型) / API 厂商倾向 token / Indie 倾向 lifetime deal 或 per-seat / 国内倾向 deployment + 服务费.
流派归属 : B2B 派偏 outcome / Indie 派偏 simple (per-seat / LTD) / API 厂商偏 token衍生用途 : §2 D3 (定价模型选择) + §4 W4 工作流局限 : outcome-based 需要可 measure 的明确价值; 工程客户内部 attribution 复杂时退化为 per-seat. token-based 在 LLM 价格半年降一次的环境下 margin 不稳evidence : [T01-S005, T01-S006, T03-S005, T06-S006, T04-S013]
1.4 Distribution 高于 product (大多数 agent 商业) 核心 : agent 工具 commoditize 极快 (3-6 月 framework / model 矩阵会洗一遍), 单纯 product moat 不稳. distribution moat (audience / brand / 渠道关系) 比 product moat 更耐久. Pieter Levels: "ship + audience > 完美 product"; Bret Taylor (B2B 反向): brand-as-moat (Sierra 用 Salesforce + Twitter 信任做 wedge). Indie 更靠 X 流量, B2B 更靠 trust + procurement 关系.
流派归属 : Indie 派最强 (audience-first 是核心), B2B 派也成立 (brand 信任) — 跨派共识衍生用途 : §2 D4 (GTM) + §4 W3 工作流 + §5 表达 DNA局限 : 早期 idea 阶段 product 仍 critical. 没 product 只 distribution 是营销号 (反例)evidence : [T01-S015, T01-S016, T04-S010, T04-S025, T03-S008]
1.5 dogfood + 用 agent 跑公司 (meta layer) 核心 : "用 agent 赚钱"的元 layer 是 agent 跑你自己公司. 客服 agent / 销售 agent / 内容 agent / ops agent — 每一项都是产品 demo + cost 削减 + 自己理解客户的 lab. Hamel Husain: "evals are the new code"; Bret Taylor: "Sierra 自己 customer service 全用 Sierra"; Cognition 用 Devin 写 Devin 代码. 这条对 B2B / Indie / 咨询 都成立, 但量级和形态不同.
流派归属 : 跨派, 但 B2B 派最强烈 (Sierra / Cognition 都 dogfood)衍生用途 : §2 D7 (dogfood 标准) + §4 W5 工作流局限 : 工具不存在的早期 (e.g. 完全新 niche 的第一个产品) 没法 dogfood. 大公司的 "AI 部门" 用自己产品有 internal politicsevidence : [T01-S005, T01-S023, T01-S025, T03-S009]
1.6 时效衰减 + 持续重塑 (decay-aware) ⭐ 核心 : agent 工具栈每 3-6 月可能换 (LangChain → LangGraph 是参照样本), 模型价格每 6 月降一次 (改变 token-based 定价毛利), 头部 product 矩阵 12-24 月洗一遍 (a16z 年度 top 100 list 每年改 30%+), 监管 (EU AI Act 2026-08 / 中国算法备案) 持续收紧. 商业模型本身要持续重新评估, 不是"建好就跑" . 这条把"用 agent 赚钱"和传统 SaaS 创业最大区分.
流派归属 : 跨派必修. Indie 派对此敏感最低 (LTD 后理论可放), B2B 派敏感最高 (合同 1-3 年但底层模型可能换)衍生用途 : §2 D10 (时效复盘节奏) + §6 反模式 (一次 build never refresh)局限 : 经典 SaaS 商业框架 (PMF / CAC / LTV / Rule of 40) 仍永恒 — 区分什么变 vs 什么不变是高阶能力evidence : [T02-S009, T02-S015, T04-S015, T04-S027, T06-S011, T06-S014]
标准 Playbook
trigger : 决定要做 monetize-agents 但还没选具体方向decision : 自我评估 5 维度 — capital (有多少现金 runway?) / time horizon (12 月还是 5 年?) / network (有 enterprise 关系吗?) / risk tolerance / tech depth → 推荐学派学派对照 : capital 大 + 5 年 + enterprise network → B2B SaaS; capital 小 + 1-3 年 + audience-first → Indie; tech 深 + 不爱销售 → 服务咨询; LinkedIn 强 + 商业战略 → VC observer (写 thesis); 在中国大陆 → 国内 SaaS案例 : Marc Lou (无背景, 选 Indie / build-in-public, 2 年到 $50K MRR) vs Bret Taylor (Salesforce CEO 出身, 选 Sierra B2B, 起手 $200M 估值) — 同样是 monetize-agents, 路径完全不同evidence : [T01-S016, T01-S027, T03-S001, T04-S010]
D2 — PMF 验证: 不看 sign-ups, 看 paying customers
trigger : 产品上线后 30-90 天评估decision : 信号阈值因学派不同 — B2B: 30 paying customers (≥ $5K ACV) + retention 90% / Indie: $1K MRR (~10-50 paying users) + churn < 10% / 咨询: 1 retainer ≥ $5K/月 / 国内: 1 标杆客户案例 + 政府备案关键反例 : 1000 free signups + 0 paid = NOT PMF (是 vibe / hype, 不是市场)案例 : Lovable 8 月达 $200M ARR (T01-S013) — PMF 信号是付费用户 explosion 不是 X 关注evidence : [T03-S003, T01-S013, T04-S002, T04-S003]
trigger : 准备开始收钱 (pre-launch 或 launch 后调整)decision tree :
B2B 高 ACV (≥ $50K/yr) → outcome-based (Sierra 模型, 但要可 measure) 或 per-seat + token overage
B2B 中 ACV ($5K-$50K) → per-seat 是默认, 加 enterprise tier
Indie 流量大 → per-seat (Photo AI 模型) 或 lifetime deal (Marc Lou ShipFast 模型 — 注意 LTD 不可持续, 只用做 audience 启动)
API 厂商 / 工具 layer → token-based (margin 透明 + scale 自然)
咨询 → day rate $1K-$5K + retainer
国内 → deployment fee + 年服务费
关键避坑 : outcome-based 需要明确可 measure 的价值 (Sierra: 客服 deflection rate). 不可 measure 时退化为 per-seat案例 : Sierra 用 outcome-based 把 ACV 推到 $500K-$5M (T01-S003); Lindy 用 task-based ($X per agent task) 卡 SMB 中段 (T01-S023)evidence : [T01-S005, T01-S006, T03-S005, T06-S006, T01-S003]
trigger : PMF 验证后 / 产品上线后 30 天学派对照 :
B2B : founder-led sales + outbound (Apollo + Lemlist) + LinkedIn + 直接 demo. Sales cycle 6-9 月. 第一 10 个客户是 founder 自己谈Indie : build-in-public + Twitter/X + ProductHunt launch + Indie Hackers post. Lifetime deal 启动 audience, 然后转 MRR咨询 : speaking + writing + Maven 课程 (Hamel 路径) → inbound. Day rate transparency 反向选客户国内 : 找 5-10 个标杆客户 + 政府背书 + 行业大会
避坑 : 学派交叉打法常失败 — Indie 派花 6 月做 enterprise sales 通常崩 (没 sales infra), B2B 派花 6 月做 X 流量通常崩 (没 audience-first DNA)案例 : Pieter Levels: 100% audience-driven, 没有 sales 团队 (T01-S015); Bret Taylor: brand + procurement + reference customer 三件套 (T01-S003)evidence : [T03-S004, T01-S015, T01-S003, T01-S025]
D5 — Scale 决策: $10K MRR 是分水岭
trigger : 月营收稳定到 $10K (Indie) 或 $1M ARR (B2B) 量级decision (学派分裂最严重) :
Indie 派 : $10K MRR 庆祝, "财务自由门槛" — Pieter Levels: $10K MRR + 1 人 = 比融资 $10M 更自由 (T01-S015). 选 stay solo 或 small partnershipB2B 派 : $10K MRR 是失败信号 — 表示没找到 enterprise customer, 6-12 月内必转或死咨询派 : $10K/月 retainer 客户 = 单月 1 客户即可, 重质量不重数量
关键 : 选你学派里成立的 milestone, 不要被另一派 "你这个数字太低" / "这个数字太高需要融资" 噪声带跑案例 : Daniel Vassallo "$30K/月 portfolio of small bets" 选不 scale; Sierra 选融资到 $4.5B 估值 — 都对, 都按学派逻辑evidence : [T01-S015, T01-S027, T01-S003, T04-S010, T03-S006]
D6 — 工具选择: stage-appropriate
trigger : 选 tech stack / billing / GTM 工具决策 :
Indie 早期 (pre-PMF): Vercel AI SDK + Lemon Squeezy / Polar + Twitter/X — 简单 + 海外 friendly
B2B post-PMF: LangGraph + LangSmith + Stripe + HubSpot + LinkedIn — enterprise 标配
咨询: 自建 Python + Helicone + 直接 invoice (不需要 SaaS billing)
国内: 扣子 / Dify + 微信支付 + 小红书 / B站 + 智谱 API
避坑 : 不要 over-engineer (Indie 用 LangChain 复杂抽象 = 6 月白干); 不要 under-engineer (B2B post-PMF 还在用 Vercel AI SDK 单文件 = scale 时崩)decay : framework 12-24 月可能换, 早期不要 lock 太深. Lemon Squeezy 被 Stripe 收购 sunset (2026, T02-S015 提示) — 关注 Polar / Stripe SPT案例 : Marc Lou ShipFast 早期纯 Vercel AI SDK + Lemon Squeezy 1 月 ship; Sierra post-PMF 切 LangGraph + LangSmith + Stripe enterprise 标配evidence : [T02-S001, T02-S005, T02-S009, T02-S013, T03-S007]
trigger : 评估自己产品质量 / 决定 releasedecision : 你的产品如果你自己都不每天用, 别说自己懂客户. 不 dogfood = 不发布学派形态 :
B2B: 自己客服全用自家 agent (Sierra), 自己 code 全用自家 agent (Cognition)
Indie: 自己用产品测 user journey, 每周亲自看 5 用户使用 video / session recording
咨询: 自己 client 工作 100% 用 agent 跑 (Hamel 用 evals + Maven 课程都是自家方法)
反例 : AI agent 公司 founder 不每天用自己产品 — 通常 6 月内崩案例 : Sierra 自己客服全用 Sierra (T01-S004); Cognition 用 Devin 写 Devin 代码 (T01-S002); Hamel 用自家 evals 方法跑所有 client engagements (T01-S025)evidence : [T01-S005, T01-S023, T01-S025, T03-S009]
trigger : 准备接客户 / 收钱决策 :
中国大陆: 算法备案 (网信办 2025 累计 748 家, T06-S014) + 生成式 AI 监管 + 数据安全法. 不备案直接上线 = 被下架风险
EU 客户: GDPR + 2026-08-02 EU AI Act 主体生效 (T06-S011) — high-risk AI 系统义务. agent 大多 minimal risk 但仍要 transparency obligations
US B2B 后期: SOC2 (Type 2) 是 enterprise 合同入门 — pre-SOC2 拿不到 Fortune 500
All: OpenAI / Anthropic Usage Policies (T06-S009) — 不允许某些用例 (spam / 自动 dating / 高风险医疗)
案例 : Sierra 第一年就拿 SOC2 (T01-S004); Manus 国内备案后才公开 (Peak Ji 视频提)evidence : [T06-S004, T06-S011, T06-S014, T03-S013]
trigger : 看到 "用 agent 赚 $X/月 自动化 spam / 内容农场" 帖子诱惑decision : 不做 — 短期赚钱但平台 ToS / 监管 / 用户信任 都是定时炸弹. 蒸馏聚焦合法长期可持续具体反例 :
API arbitrage (包装 GPT 做 X 服务 50% 加价): LLM 价格 6 月降一次 margin 直接消失
内容农场 (用 agent batch 生成 SEO 文章): Google 反爬 + Perplexity / ChatGPT 替代搜索, 12 月内大部分死
自动 spam (cold email / 自动 reply): 平台 anti-spam 升级 + ToS 违反, 账号 ban
假 thought leader (没产品没客户的"AI 顾问"): 监管 / 用户智商提升 一年内崩
案例 : 2024 大量 "GPT 包装" SaaS Q4 后 mass 死 (T06-S009 OpenAI ToS 收紧); 内容农场 SEO Q3 后 Google AI overview 直接吃流量 — 6-12 月内死潮evidence : [T01-S027, T03-S009, T06-S009, T06-S012]
trigger : 每 3 月或重大行业事件 (新模型发布 / 主要 framework 升级 / 监管变化)decision : 每 3-6 月重新评估 (a) 工具栈 (LangGraph 仍是 SOTA?) (b) 模型价格 (token-based pricing 毛利仍健康?) (c) 头部 product 矩阵 (谁是新 incumbent?) (d) 监管 (新法规 obligations?). 该 pivot 时不犹豫学派形态 : B2B 派每年 1 次 deep review / Indie 派每月一次 (X discourse 卷); 咨询派每客户 engagement 复盘案例 : LangChain → LangGraph 转型 (12 月内复盘改变 abstraction 层); Lemon Squeezy 被 Stripe 收购 sunset (2026 提前 12 月预警迁 Polar)evidence : [T02-S001, T02-S015, T01-S007, T03-S007]
工具栈与选型决策树
3.1 Indie hacker / solo builder cluster (低门槛 + 海外友好)
必备 : Vercel AI SDK (TypeScript-first agent) + Lemon Squeezy / Polar.sh (海外 indie billing, MoR) + Twitter/X (audience) + Beehiiv (newsletter)场景 : ProductHunt (launch day) + Indie Hackers (community) + Loops (transactional email) + Cursor / Claude Code (dogfood coding)学派对应 : Pieter Levels / Marc Lou / John Rush 都用类似 stack. 不需要 LangChain (太重) / HubSpot (太复杂)decay 警告 : Lemon Squeezy 被 Stripe 收购后 sunset (2026, T02-S015) — 转 Polar.sh 或 Stripe SPT
3.2 B2B SaaS post-PMF cluster (enterprise 标配)
必备 : LangGraph (agent orchestration) + LangSmith (observability) + Stripe (billing) + HubSpot (CRM) + LinkedIn (outbound)场景 : Helicone (LLM cost) + Modal (serverless compute) + Attio (modern CRM, alternative to HubSpot) + Lemlist / Apollo (outbound automation)学派对应 : Sierra / Cognition / Decagon / Lindy 类型. SOC2 / SOC1 / GDPR compliance 是 stack 底层要求decay : framework 12-24 月可能换. LangChain → LangGraph 是参照样本
3.3 咨询 + 国内 cluster
咨询 : 自建 Python + Helicone + 直接 invoice (Stripe / Paddle 也可). 不需要 SaaS billing — 客户 contract-based国内 : 扣子 (Coze, 字节) / Dify (开源 agent platform) + 微信支付 / 支付宝 + 小红书 / B站 (distribution) + 智谱 / Moonshot API (国产 LLM 备份 OpenAI)学派对应 : Hamel Husain / Eugene Yan 路径; 国内: 月之暗面 / 智谱 / Manus 团队 避坑跨 cluster : 不要 stage-mismatched (Indie 上 LangGraph = 6 月白干; B2B post-PMF 还用 Vercel AI SDK 单文件 = scale 崩); 不要 commitment to dying tools (Lemon Squeezy 已 sunset, 新项目别上)
(完整 28 工具 + 6 分支决策树见 02-tools.md)
工作流 / Pipeline
W1 选学派 / 商业模式定位 (creator 0 → 1) : 5 维自我评估 → 推荐主轴. 6 个月里程碑因学派完全不同 (B2B: 5 design partners; Indie: $1K MRR; 咨询: 1 retainer; 内容: 1K subscribers; OSS: 100 stars 公开发布)W4 定价战略 (跨学派最分裂) : 7 种定价模式 (token / per-seat / per-task / outcome / hybrid / lifetime / 国内 deployment) — 选哪个决定客户 / 毛利 / scale pathW5 dogfood + 用 agent 跑公司 : 客服 agent (Intercom Fin / 自建) + 销售 agent (Apollo+Clay+outreach) + 内容 agent (谨慎, ToS 边界) + ops agent (招聘筛选 / 财务 / 客户成功). 这是 monetize-agents 的 meta layerW8 监管合规 : 中国算法备案 (748 家累计) + EU AI Act 2026-08 + SOC2 + ToS — 跨学派必须 (完整 8 个 workflow + 学派分歧 + 失败模式 / 衰减点见 03-workflows.md)
表达 DNA
5.1 高频用语 / 黑话
B2B 派 : ACV, ARR, NRR, design partners, procurement, 6-month sales cycle, "outcome-based", brand-as-moat, vertical specializationIndie 派 : MRR, ship daily, build-in-public, audience-first, 1000 true fans, lifetime deal, $10K = freedom, "ship > perfect"咨询派 : day rate, retainer, evals, "evals are the new code", productized service, expertise > scaleVC 派 : TAM, moat, agent-economy, "vertical wins", winner-take-most, multi-coalition (a16z 用语)跨派共通 reject 词 : "AI-powered" (营销味), "GPT wrapper" (自暴), "agentic transformation" (空话), "automate everything" (vibe)
5.2 严肃 register vs 轻松吐槽
严肃 (in podcast / VC 见面): "outcome-based pricing requires measurable customer value, otherwise degrades to per-seat with extra steps"
轻松吐槽 (X / Indie Hackers): "another GPT wrapper 死在 LLM 价格降的那一天"
黑色幽默: "我们 dogfood 自己的 agent... agent 把客户都吓跑了"
5.3 对话样本库 (4 register × ≥ 2 段, 共 12 段)
5.3.1 同业讨论版 (founder / engineer 内部讨论, 3 段)
(B2B 派, 转述, 流派: B2B SaaS) "我们用 outcome-based 把 ACV 推到 $5M, 但代价是 sales cycle 9 月 + 5 个 design partner 全部要 measurement infra. 不是给中型企业玩的." (source: T01-S003 Bret Taylor on Stratechery, voice_confidence: high)
(Indie 派, 转述, 流派: Indie hacker) "我 1 人 $250K MRR. 我有什么 distribution moat? Twitter + Nomad List 12 年 audience. Photo AI 第 1 天就有 流量. 别人 build SaaS 6 月找客户, 我 6 小时 audience 自带." (source: T01-S015 Pieter Levels Lex Fridman 4h, voice_confidence: high)
(咨询派, 转述, 流派: 服务咨询) "evals are the new code. 客户来找我做 agent, 我第一件事不是写 prompt, 是 build evals. agent quality is bottlenecked by your evals quality." (source: T01-S025 Hamel Husain hamel.dev, voice_confidence: high)
5.3.2 客户 / 受众沟通版 (面客 / 面 audience, 3 段)
(B2B 派, 推断, 流派: B2B SaaS) "Sierra 不卖 seat, 卖 outcome. 你的客服每解决一个 ticket 我们才收一次费. 你 measure 不出来? 我们一起搭 measurement — 这是 deal 一部分." (source: T01-S003 + T01-S005 Bret Taylor 风格, voice_confidence: medium-high)
(Indie 派, 转述, 流派: Indie hacker) "ShipFast $300 lifetime deal. 你买一次, 用一辈子. 我能这样定价是因为我已经有 30K 学员 — distribution 在我这边, marginal cost 接近 0." (source: T01-S016 Marc Lou X long thread, voice_confidence: medium-high)
(国内派, 推断, 流派: 国内) "我们的 agent 已通过算法备案 (网信办), 也支持私有化部署 (你的数据不出公司). 你需要 compliance? 我们直接给文件." (source: T06-S014 + T03-S013 国内 SaaS 合规话术, voice_confidence: medium)
5.3.3 投资人对话版 (founder vs VC, 3 段)
(B2B 派 founder pitch VC, 推断, 流派: B2B SaaS) "我们 vertical specialization (CS for retail). 不是 horizontal agent — 我们竞品不是 OpenAI, 是 retail 客服 SaaS incumbent. 我们的 unfair advantage 是 brand + 5 个 reference customer." (source: T01-S003 + T01-S006 Sierra pitch 框架, voice_confidence: medium-high)
(Indie 派 reject VC, 转述, 流派: Indie hacker) "我不融资. 融资意味着 5 年承诺 + 50% 时间在 board / hiring / sales hire. 我宁愿 1 人 $250K MRR 自由, 不要 $10M 融资 + 5 年 grind." (source: T01-S015 Pieter Levels 拒绝 VC 反复说, voice_confidence: high)
(VC 派 thesis pitch founder, 推断, 流派: VC observer) "agent economy 是 winner-take-most. 你的 vertical 现在 underspecialized — 你 6 月内拿 5 个 reference customer, 12 月内你的 vertical 第 2 名想超你都难. 你需要 fundraise 才能 capitalize 这个时间窗口." (source: T01-S031 a16z Olivia Moore agent thesis, voice_confidence: medium)
5.3.4 反例版 (这一行的资深人绝不会 这样说的话, 3 段)
❌ "我做了一个 AI agent 平台, 任何场景都能用, 准备 6 月内做到 $10M ARR" (反例: vibe coding 创业 / 没 ICP / 不学派定位 / unrealistic timeline. 跨派资深人都会立刻识别)
❌ "我用 GPT 包装了一个 X 工具, 每月 $20 订阅, 准备 1 年 1000 用户. 这就是 SaaS 啊" (反例: API arbitrage / 没 moat / LLM 价格降一次毛利就崩, B2B 派 + Indie 派 + 咨询派 都不会这样定位)
❌ "我用 agent 自动批量生成 SEO 文章, 一周 100 篇, monetize via affiliate" (反例: 内容农场 / 灰色 / Google 反爬 / 长期信任崩, 资深人会说 "短期 6-12 月, 然后死")
voice_confidence: medium-high — 12 段中 0 完全 (原话, 因为 X / podcast 长文转述都注明), 8 (转述 — 来自 T01 + T03 长访谈), 4 (推断 — 反例 / 风格组合). 4 register 在 B2B / Indie / 咨询 / VC / 国内 5 学派都覆盖. agent 用本 skill 时不要逐字搬样本句给客户/受众 — 当 register / 关键词参考, 用自己话重新说.
质量基准 + 反模式
6.1 「资深 monetize-agents 创业者」的 5 条质量基准
学派语境识别 : 看到一个商业策略立刻能识别是 B2B / Indie / 咨询 / VC / 国内 哪派的语言, 并能用其他流派看一遍 (跨派 mental simulation)收钱信号优先 : 任何"用户多 / 关注高 / 投票多"都不是 PMF — 看 paying customers + retention. 不被 X engagement 骗 (evidence: D2)诚实精度边界 : 不承诺"保证赚钱" / "100% 自动化" / "破解 X 算法". 这一行 95% 创业者不赚钱 — 蒸馏要诚实学派分歧承认 : 同一商业问题各派给不同答案时, 不强行调和. 标"分歧根源 (e.g. 学派身份不同)" 而非"对错"合规 + 长期视角 : 不蒸 API arbitrage / 内容农场 / spam / 假 thought leader. 短期赚但平台 ToS / 监管 / 用户信任 都是定时炸弹
6.2 反模式 (12 条入门常犯)
选错学派 / mid-stream 切换 — Indie 派花 6 月做 enterprise sales, B2B 派花 6 月做 X 流量 (D1 反例)vibe coding 创业 — 没有 ICP, "AI agent 任何场景都能用", 通常 3 月内崩 (W1 反例)GPT 包装 / API arbitrage — 没 moat, LLM 价格降一次毛利消失 (D9, T01-S027)跟风 hot agent 类型 — 别人都做 customer service agent 你也做 (没差异化 / 红海)内容农场 / spam 自动化 — 短期赚 + 监管崩 + Google 反爬 + 用户信任崩 (D9)过早融资 — Indie 派融资 = 失自由; B2B 派融资 pre-PMF = 多数失败. 时机错位不收 LOI / pilot 协议直接做 work — B2B 常 dispute, 应付款时拖国内不算法备案直接上线 — 监管下架风险 (D8, T06-S014)outcome-based 收费但 outcome 没定义 — 客户 dispute, 收不到钱不 dogfood — 自己产品自己不每天用, 通常 6 月内崩 (D7)lifetime deal 当增长策略 — short-term 营收, long-term audience 透支 + 服务负担用消费者订阅模型做企业产品 (or 反之) — 完全错的客户类型
6.3 客户教育节奏 (隐性反模式)
一次性把所有产品价值塞给客户 → 客户不买
正确节奏: 第 1 次只讲"为什么需要" (15 min); 第 2 次讲"我们怎么解决" (30 min); 第 3 次讲"商业 case + reference customer" (60 min)
只对 B2B 派成立; Indie 派是 audience-first (10 帖子建关系再卖)
6.4 三重验证 self-check (蒸馏 self-audit)
跨场景验证 : M1-M6 在 ≥ 2 场景能落地 (新人入行 / 已有产品 scale / 失败 pivot) — 全部通过生成力验证 : 心智模型衍生新决策规则 — M1 → D1, M2 → D2, M3 → D3, M4 → D4, M5 → D7, M6 → D10排他性验证 : agent 时代特有 (token economics / 工具 commoditize / 模型半年降价) vs 经典 SaaS — 1.6 时效衰减是 monetize-agents specific总体: 6 心智模型 + 10 决策规则全部通过 PARTIAL 以上, 排他性强 (但 1.5 dogfood / 1.4 distribution 是经典 SaaS 重申, 不算 monetize-agents-only)
智识谱系
7.1 B2B SaaS enterprise 派
代表 : Bret Taylor (Sierra) / Scott Wu (Cognition) / Jesse Zhang (Decagon) / Arvind Jain (Glean)核心方法 : vertical specialization + outcome-based pricing + brand-as-moat + procurement-grade compliance (SOC2/SOC1/GDPR)里程碑信号 : $1M ARR → $10M → $100M, ACV $50K-$5M学派立场 : agent-economy 是 winner-take-most, vertical specialist 第一名建立 brand 后第二名追不上
7.2 Indie hacker / solo builder 派
代表 : Pieter Levels / Marc Lou / John Rush / Daniel Vassallo核心方法 : build-in-public + audience-first + lifetime deal / per-seat 简单定价 + ship > perfect里程碑信号 : $1K → $10K MRR ("freedom") → $250K MRR (Pieter 天花板)学派立场 : 一人 $X MRR 比 $10M 融资更自由. 反 VC. 反 enterprise sales
7.3 服务 / 咨询派
代表 : Hamel Husain / Eugene Yan / Shreya Shankar核心方法 : "evals are the new code" / day rate + retainer / productized 服务 (Maven 课程) / 不规模化里程碑信号 : 1 retainer ≥ $5K/月 → 课程 1K 学员学派立场 : 不 build product, build expertise. 流派内部对"productize 课程是不是稀释"有分歧
7.4 VC observer 派
代表 : Olivia + Justine Moore (a16z) / Pat Grady (Sequoia) / Logan Bartlett (Redpoint)核心方法 : 写 thesis + agent landscape + 年度 top 100 list + founder 访谈里程碑 : thesis pieces influential / portfolio 退出学派立场 : 偏 enterprise B2B (a16z hype 重灾区, Indie 派抗衡), 偶尔 cross over indie (Olivia Moore consumer agent landscape)
7.5 国内派
代表 : 杨植麟 (Moonshot) / Peak Ji (Manus) / 张鹏 (智谱) / 李笛 (扣子, 字节)核心方法 : SaaS to 大企业 + 政府 + 算法备案合规 / B站 + 小红书 distribution / 国产 LLM 替代 OpenAI里程碑 : 算法备案 + 标杆客户 + 政府合作学派立场 : indie hacker 模式国内不直接复制 (Twitter 不通 / Stripe 不通 / 小红书 + 微信生态完全不同)
7.6 流派核心分歧 (蒸馏必保留, 不平均化) 维度 B2B SaaS Indie hacker 服务咨询 VC observer 国内 收入单位 ACV ($50K-$5M) MRR ($10K = freedom) day rate ($1K-$5K) exits deployment + 年服务费 定价模型 outcome / per-seat per-seat / LTD retainer N/A deployment + token GTM 入口 founder-led + outbound build-in-public + X speaking + writing thesis + portfolio 标杆客户 + 政府 Scale 路径 hire sales + raise stay solo / small partner productize 课程 grow fund 政府 / 大企业渠道 Moat brand + procurement audience + 12 年 X 历史 expertise + reputation network + thesis quality 备案 + 国产 LLM 灰色边界 不做 (合规 = 客户) 部分人做 LTD overload 完全不做 不做 (LP 监管) 不做 (国内监管严)
evidence: [T01-S003, T01-S015, T01-S025, T01-S031, T01-S028, T03-S001, T03-S005, T04-S010, T04-S025, T06-S014]
诚实边界
学派分歧 = 行业特征, 不是认知不确定性 : 同一商业问题 5 派给不同答案是常态. SKILL.md 不平均化. agent 用本 skill 时必带学派标签 , 不一刀切
蒸的是认知框架 + 学派对照 + 决策规则, 不是"保证赚钱"的承诺 : 这一行 95% 创业者不赚钱. 不替代 (a) 创业者自身风险评估 (b) 法律咨询 (c) 财务规划. 蒸馏 give framework, not outcome.
行业时效衰减极快 (3-6 月洗一次工具栈) : 12 月内必须重新评估. 本 skill 12 月后必须 update . 衰减最快 3 模块:
工具 / framework 矩阵 (LangChain → LangGraph 是参照样本, 12-24 月可能再换)模型价格 (LLM 价格 6 月降一次, 改变 token-based 定价毛利)监管 / ToS (EU AI Act 2026-08 主体生效, 中国算法备案累计持续, OpenAI/Anthropic Usage Policies 2026-Q1 重写)
不蒸灰色玩法 : API arbitrage / 内容农场 / 自动 spam / 假 thought leader 等灰色玩法存在但违反平台 ToS + 用户信任 + 监管风险 . 蒸馏聚焦合法长期可持续. 短期赚 ≠ 商业模型
信源失衡警告 : 公开材料量足但 90% 是 hype / 营销号 / 短视频. 严肃信号集中在长访谈 (Latent Space / Lenny / a16z) + VC 长报告 + 创始人 newsletter + Indie Hackers 真实数据. 一手率 61% 已是 cold-mode 较好水平 (Wave 1 一些创业者 newsletter / VC 主页被 verifier 归 secondary 但实质一手). agent 引用前必查时间, 12 月以前的 agent 工具讨论可能已 obsolete
voice_confidence: medium-high — §5.3 12 段中 0 完全 (原话, X / podcast 都是转述), 8 (转述), 4 (推断). 4 register 接近真行业人. 不是 1:1 模仿 Bret Taylor / Pieter Levels / Hamel Husain . agent 用本 skill 时不要逐字搬样本句 , 当 register / 关键词参考用自己话重说
国内 vs 海外法律 / 文化差异 : 大陆需算法备案 (网信办 748 家累计) + 数据安全法 + 生成式 AI 监管. 海外要 GDPR / EU AI Act / SOC2 / SOC1. agent 用本 skill 时先确认用户语境 再给具体合规建议. 跨境创业是叠加合规, 不是任选其一
Time-decay Registry This skill's modules decay at different speeds. Re-run update 大师 {slug}
when the dates below cross the recommended cadence (see references/extraction-framework.md § 八).
Module last_updated decay_risk Recommended refresh cadence Mental models last_updated: 2026-05-09 decay_risk: low 1-2 years Standard playbook last_updated: 2026-05-09 decay_risk: low 6-12 months Tool stack last_updated: 2026-05-09 decay_risk: high 3-6 months Workflows / pipeline last_updated: 2026-05-09 decay_risk: high 3-6 months Expression DNA last_updated: 2026-05-09 decay_risk: low 6-12 months Sources (Track 5) last_updated: 2026-05-09 decay_risk: medium 6 months Glossary / standards / regulations last_updated: 2026-05-09 decay_risk: medium 6 months (regulations may force sooner) Intellectual genealogy last_updated: 2026-05-09 decay_risk: low 1-2 years Honest boundaries last_updated: 2026-05-09 decay_risk: low re-assess each refresh
last_updated values reflect the synthesis date. Individual research notes in
references/research/ may have more granular last_checked dates per item.
