新媒网 · 跨境数据社区

在过去的两年里，人工智能的浪潮汹涌澎湃，AI Agent（智能体）作为其中的一颗璀璨明星，正从早期的技术探索阶段，逐步迈向实际应用落地的广阔天地。从OpenAI、Anthropic等顶尖科技公司推出的通用型智能体，到各种垂直场景下实现自动化的工具，市场无不清晰地指向一个核心趋势：数据，已经成为驱动智能体能力不断提升的关键动力。

然而，高质量数据的获取、清洗与组织，始终是智能体大规模普及应用道路上的一个巨大挑战，其难度和成本居高不下。传统的数据采集方式，要么依赖耗费巨大精力由工程师团队编写程序，要么依靠低效率的人工操作，这在当今信息碎片化、实时性要求极高的时代，已经难以满足市场对数据准确性和获取速度的双重需求。

正是在这样的背景下，一个长期被市场忽视，却蕴藏着巨大爆发潜力的赛道浮出水面。Sheet0独辟蹊径，致力于为人类和智能体提供“L4级别实时数据收集与交付能力”。这并非仅仅依赖单一工具调用的简单方案，而是凭借其底层技术优势，将用户的数据需求精准地转化为可执行代码，构建起一个可解释、可回溯的动态工作流系统。更令人称奇的是，它还拥有一个由数据环境（Data Environment）驱动的反馈闭环，当执行过程中出现错误时，Sheet0能够进行自我修复，这大大提升了系统的鲁棒性与智能性。

在内部测试中，Sheet0展现出了令人惊叹的效率。它能在短短两分钟内，准确无误地收集到美国知名创业孵化器Y Combinator官网上294家公司的全部信息。而且，如果用户有进一步的需求，比如收集这些公司创始人的教育背景、工作经历等数据，Sheet0也能轻松应对。与市面上其他智能体产品相比，Sheet0在成本和速度上均实现了数量级的降低，其卓越性能可见一斑。

公司的创始人，作为一位经验丰富的连续创业者，在人工智能、基础软件以及大规模分布式数据处理领域深耕近十年。他在数据工程、上下文构建（Context Engineering）以及可组合系统架构方面积累了深厚的功底。这些宝贵的经验，不仅让Sheet0在技术实现上能够跑得更快、更稳健，更让他对市场节奏和产品定位有着极为稀缺的超前判断力。

新媒网跨境获悉，Sheet0的愿景远不止于开发一款数据收集工具。它更希望打造一个高效的数据聚合层，为那些追求极致效率的“超级个体”、知识工作者以及庞大的智能体网络，提供实时的、高质量的数据支持。可以说，Sheet0的目标是成为专属于智能体时代的“Google.com”。在未来人工智能应用的下一阶段，谁能成功解决数据从收集到结构化交付的全链路问题，谁就有机会成为智能体互联网世界的关键枢纽。Sheet0正以其独特的技术体系和精准的市场切入点，快速向这一战略高地进发。

新时代的“数据后盾”

创始人曾深入思考一个问题：“Chat”或许就是新时代的前端界面。而限制这个“新前端”能力发挥的关键，正是模型对实时数据的获取能力。因此，谁能够为模型提供源源不断的实时数据供给，谁就将成为智能体时代当之无愧的“新后端”。Sheet0，正是在为担当这一重要角色而努力。

Sheet0将自身产品定位为L4级别的“数据智能体”。“L4”这个概念，我们可能在自动驾驶领域听得比较多，它意味着车辆能够全程自主接管，用户只需给出目的地。同样地，在智能体场景中，L4级智能体意味着用户只需提出目标，系统便能自主完成任务并交付结果。对于Sheet0而言，这个目标就是“实时获取并交付结构化数据”。用户只需用日常语言描述需求，Sheet0就能将数据收集、整理成可直接用于分析或可视化的表格，这就是他们对“L4级数据智能体”的定义。

与其他同类产品相比，Sheet0最大的独特优势在于，如何“又准又快”地为用户交付“100%准确，0幻觉”的结果。实现这一点的关键，在于其将复杂的任务拆解成可解释、可校验、可回溯的底层工作流代码，从而使数据的收集与处理过程透明化，确保结果的可靠性。

如果把智能体看作“人”，那么或许将Sheet0.com比作属于智能体的“Google.com”会更为贴切。这不仅是一种形象的比喻，更蕴含着对未来智能体生态系统的深刻洞察。

创始人曾分享过一个关于智慧本质的思考，颇具启发性。他认为，人类本身的存在，不正是通用人工智能（AGI）存在的最好证明吗？因为人类是大自然在复杂物理规律作用下，历经亿万年演化而成的产物。既然人拥有智慧，那么智慧本身就是物理规律作用的结果。我们常说“心理障碍击碎效应”，一旦某个问题或极限被突破并证明可行，其后续的复现难度就会大大降低，马拉松就是典型的例子。既然大自然已经为我们做出了示范，证明了智慧的存在是符合物理规律的，那么我们又有什么理由去怀疑人工智能模型不会持续进步呢？这份对未来的坚定信心，正是Sheet0不断探索、砥砺前行的精神动力。

当然，人工智能的发展速度快得令人目不暇接，许多人都感到一种“害怕错过”（FOMO）的焦虑，常常是被推着向前走。但创始人也时刻提醒自己：当一个事物开始变得泛滥时，我们一定要从随波逐流的浪花中跳脱出来，站在岸上冷静思考——究竟什么才是真正稀缺的？这份清醒和洞察，帮助Sheet0找到了自己的独特价值。

从代码世界到创业征程

提及Sheet0的团队，创始人笑着表示，当初签署投资协议的时候，确实只有他加上两位全职同事和一位实习生。不过，随着业务的发展，现在团队规模已经有所扩大。

回顾自己的职业生涯，创始人将其分为两个重要的阶段。他于2017年大学毕业，最初的四年专注于代码开发，之后的四年则投身于创业的浪潮之中。2019年，他加入了地平线，在那里负责AI平台下的数据平台建设，主要工作内容包括数据存储和清洗。到了2021年，基础软件领域投资热潮兴起，由于他本人在消息队列等基础软件方面经验丰富，便与朋友一同踏上了创业之路，成为了公司的联合创始人兼CTO。直至2023年夏天，他决定抓住大模型（LLM）的创业机遇，全身心投入到智能体领域，这才有了Sheet0的诞生。

在地平线的工作经历，对他产生了深远的影响。他与一群才华横溢的算法工程师和科学家并肩作战，耳濡目染之下，深刻领悟到“只有高质量的数据，才能孕育出更卓越的智能”。而长期专注于基础软件开发和设计的经历，则培养了他独特的技术品味和敏锐的产品直觉，这些都对他的产品思考和创业决策产生了至关重要的影响。

创始人六年多的职业生涯都与数据紧密相连。谈及数据在当前智能体与人类交互中的重要性，以及智能体时代数据的特殊价值时，他认为，首先要区分数据的类型和应用场景。面向人类的数据和面向智能体的数据是截然不同的。对于智能体而言，数据的价值主要体现在三个层面：

第一，模型训练。 高质量数据是模型智能的根基。当前业内关于GPT-5效果可能不及预期的讨论，其本质就在于高质量训练数据正在逐渐枯竭。在地平线从事自动驾驶研发时，团队也曾发现，相比于反复调整参数，补充一批高质量数据对解决特定案例问题，其提升效果更为显著。优质数据必须清晰地定义输入、输出以及中间过程数据，这些才是模型真正学习的核心。强化学习同样高度依赖这种带有任务步骤的数据和奖励信号。

第二，运行过程。 在智能体运行过程中，核心数据就是上下文（Context）。它应该包含任务执行的所有步骤数据，并经过结构化管理、语义化处理以及因果关系的明确定义。比如，美国人工智能公司Anthropic发布的Claude Code模型近期表现出色，正是得益于它对工具调用消息进行了精细的语义化区分。对于智能体来说，好的数据，就是那些组织良好、语义清晰的上下文信息。

第三，工具调用。 智能体调用工具的本质，是为了获取第三方的实时数据，从而补充自身的上下文信息。当前，模型的工具调用（Tool use）功能，或者说多模态控制平面（MCP），基本上都是封装了一个代码函数，通过这个函数来访问背后的数据。但如果我们深入思考，这个代码函数的必要性有多大呢？因为代码的本质是对底层结构化数据进行操作。那么，模型为什么不能直接使用SQL等查询语言来获取数据，而非要经过一个代码的中间层呢？这其中蕴含着巨大的优化和创新空间。

对于人类用户而言，数据的价值除了其固有的业务价值外，更多体现在可验证性和心理上的安全感。用户需要清楚地知道结果的来源，例如，以网页数据为例，这些数据是如何从网页上抓取下来的？抓取下来之后又经过了哪些处理环节？我们能否以一种简单直接、端到端的“白盒”方式呈现给用户？创始人坚信，准确性和可解释性将是数据未来最稀缺的品质，因为只有这样，用户才敢于放心地使用这些数据。

L4级数据智能体：Sheet0的探索

创始人深入介绍了Sheet0平台的核心本质及其功能。他希望从短期目标和长期愿景两个层面来阐述。

Sheet0将自身产品定位为L4级数据智能体。这个“L4”的概念，最初源于自动驾驶领域，意指车辆能够自主完成从A点到B点的所有驾驶任务，用户只需告知目的地。将同样的逻辑应用于智能体，意味着用户只需描述最终目标，系统便能自主完成任务并交付结果。在Sheet0的场景中，这个目标就是“实时获取并交付结构化数据”。用户只需提出需求，Sheet0就能自动将数据收集、整理成可直接用于分析或可视化的表格，这便是Sheet0对“L4级数据智能体”的定义。

从短期来看，Sheet0的核心能力在于将任意数据源（无论是网页信息、本地文件还是API接口）转化为结构化的数据表格（Data Sheet）。他举了一个真实案例：某位客户希望分析社交媒体平台上哪些“关键意见领袖”（KOL）的“爆款率”更高。原因很简单，社交媒体是重要的舆论和营销渠道，在进行广告投放时，自然希望选择爆款率高的博主，以期获得更高的投资回报率（ROI）。客户只需将这个目标告知Sheet0，它就会自动收集相关博主的历史推文数据，包括浏览量、回复数、转发数等，并将其整理成结构化表格，再通过SQL查询计算出每位博主的爆款率，最终交付完整的结果。

与市面上的同类产品相比，Sheet0最大的差异化优势在于，如何“又准又快”地为用户交付“100%准确，0幻觉”的结果。实现这一点的关键，在于Sheet0将复杂的任务智能地拆解成可解释、可校验、可回溯的底层工作流代码，从而使数据的收集与处理过程透明化，确保了结果的可靠性。

新媒网跨境了解到，从长期来看，Sheet0的愿景更为宏大。它将通过自然语言的方式，为超级个体、知识工作者以及智能体网络，提供线性可扩展的实时数据获取和处理能力，构建起一个面向未来的数据基础设施。

那么，未来数据对智能体的重要性究竟如何理解呢？创始人对此有着深刻的洞察。他指出，在传统软件中，后端本质上是为前端提供实时可渲染的数据。这些数据随机分布在不同的数据库、文件系统或某个API中，因此需要后端工程师手动进行聚合。他现在经常思考，甚至质疑一些我们可能认为是常识的东西。例如：用户一定需要一个普遍意义上的前端吗？他的看法是，未来“Chat”很可能就是新时代的前端，而“一次性App”则会以出现在对话框内的生成式UI组件的形式呈现。他认为从像GPT-5这样的大模型开始，我们很快就会看到这一趋势。

当前制约这个“新前端”能力发挥的关键，正是模型对实时数据的获取能力，因为那个为智能体提供实时数据供给的“新后端”尚未完全出现。谁能为模型提供强大的实时数据供给能力，谁就有机会成为智能体时代的“新后端”。从这个角度出发，Sheet0或许有机会担当这一重任。

为何实时数据如此关键？对于智能体而言，数据可以分为知识和信息。大模型已经为智能体提供了足够的知识储备，但它们往往非常缺乏能够支持实时决策的“信息”。“上下文工程”（Context Engineering）的本质，正是在为智能体组织这些关键信息，一方面是记忆，另一方面就是实时数据。然而，目前智能体获取实时数据的方式仍然非常原始和不够智能，亟需一种更标准、更高效的方式让模型能够获取实时数据。

这也意味着，未来的竞争重点将不再仅仅是“我拥有多少数据”，而是“我能多快、多精准地为智能体提供实时数据”。一旦数据获取的速度接近实时，并且交易成本趋近于零，智能体之间的协作效率就会产生质的飞跃。可以想象，未来某个智能体在执行任务时，能够瞬间调用来自不同节点的多组数据，就像今天我们调用API一样自然流畅。这种模式将极大压缩信息不对称，并显著拓展智能体的能力边界。

因此，Sheet0关注的并非成为唯一的“数据源”，而是成为智能体生态系统中一个高效的数据聚合层，以更标准、更智能的方式为智能体提供实时数据访问能力。如果把智能体看作“人”来理解，那么或许把Sheet0.com比作属于智能体的“Google.com”会更为贴切。

当被问及Sheet0如何做到数据“100%准确，0幻觉”时，创始人解释道，现在许多智能体产品都侧重于端到端地替用户完成任务，强调的是自主性。而Sheet0则采用“多次确认，逐步对齐”的策略，更侧重于确保数据的准确性。因此，他们所说的“100%准确，0幻觉”，只针对Sheet0成功完成任务后，交付给用户的数据。因为如果任务失败，用户会得到一张空表，这意味着其中不存在中间的、不确定的数据。

在具体的产品实现过程中，Sheet0主要依赖两点：

其一，动态生成且可迭代优化的执行流程。 Sheet0并非采用一套写死的抓取逻辑，而是让智能体在任务执行过程中，如果遇到一些例外情况，能够自主重写、优化工作流和代码。这意味着同一个任务，多次运行的底层逻辑可能完全不同，但用户对此是无感知的，因为最终用户看到的，就是一张准确的数据表。

其二，数据环境（Data Environment）驱动的反馈机制。 数据环境是Sheet0的强化学习（RL）环境，承载着运行监控、错误分类、上下文过滤和数据验证等核心功能。这使得智能体在每次任务失败后，都能够基于明确的、结构化的反馈来进行调整，而不是依赖模糊的语言描述去“猜测”问题出在哪里。

因此，从技术角度来看，Sheet0本质上是一个非常精通处理数据问题的“编程智能体”（Coding Agent）——它先编写代码，然后运行测试，收集报错信息，再迭代改进，直到能够稳定长时间运行，确保数据的准确无误。

目前，Sheet0已经拥有了一批初步的内部内测用户。在这些用户场景中，最主要的还是集中在公开互联网数据的收集上面。

其中一个案例来自国外知名的外包平台，比如Fiverr这类自由职业者网站。“数据收集”一直是这些平台上一个很大的服务类别。一位美国用户发布了一个预算20美元的任务——抓取中国台湾某个线上活动分享网站的活动信息。这个网站设计非常老旧，大约是20年前的样式，活动数据不是以表格形式呈现，而是散落在地图上的一个个标记点中。用户的目标是从700多个活动中筛选出适合2-4岁小朋友的活动，并进行整理。如果采用传统方式，这需要逐个点击地图标记，弹出窗口，再手动复制粘贴，工作量巨大，非常耗时；而且由于涉及到地图交互，要让程序员专门编写抓取脚本，成本高、周期长，并且可能没有人愿意接这种低预算的任务。而Sheet0的工具恰好解决了这一痛点，高效且精准地完成了任务。

第二个案例则是一个典型的销售线索生成需求。一位用户正在积极寻找人工智能领域的潜在客户，他们的工作流程分为两条路径：

第一条路径是收集市面上人工智能公司的信息。他们会先从各类AI工具网站上抓取公司列表，然后进行聚合整理，并为每家公司寻找合适的联系人和邮箱，这些信息通常分散在公司的官方网站和各种公开渠道中。

第二条路径是基于已有的大量客户邮箱，分析哪些客户公司正在进行人工智能转型。他们会将邮箱映射到具体的公司，深入研究其业务领域，判断是否与人工智能相关，并打上相应的标签。

如果使用传统的软件开发方式，搭建这样一条端到端的数据处理流水线，可能需要程序员数周的时间才能完成。而这位用户借助Sheet0，直接串联了数据采集、清洗、匹配和标注的全流程，从而快速生成了可用的销售线索名单，大大提升了工作效率。

新媒网跨境获悉，在等待列表阶段，Sheet0几乎没有做任何宣传，完全依靠用户的自然扩散，就积累了3000名等待用户。创始人表示，由于实现最终的宏伟目标还有很长的路要走，因此选择的路径至关重要。结合产品方向和实际用户需求，他们初期选择聚焦于公开互联网数据抓取的场景，目标是成为最强大的人工智能数据收集工具，能够让每一个公开网站都变成结构化的数据表格。未来，他们也将优先深入支持产品经理、市场运营等岗位人员在数据方面的需求。

在商业模式上，Sheet0也进行了精心的规划。短期来看，他们将采用与大多数智能体产品类似的积分（Credit）计费模式，根据底层实际的资源消耗量来计算费用。而从长期来看，他们将积极探索结果付费的可行路径。举例来说，当用户需要的数据在公开渠道或Sheet0现有数据库中都无法找到时，用户可以自行设定愿意支付的价格，生成任务并分发到Sheet0平台的用户网络中。如果其他用户恰好拥有这些数据并愿意出售，双方就能直接达成交易。这种模式的关键在于——定价权交给用户，Sheet0则负责洞察谁拥有数据，并高效地撮合交易，从而让数据在用户之间实现高效、可控的流通，构建一个充满活力的知识共享与交易社区。

磨砺前行，坚守长期主义

回望创业历程，创始人坦言在2023年创业之初，也经历过一些方向上的转型和试错。在行业判断和技术路线选择上，确实走过一些弯路，但每一次经历都让他收获宝贵的经验。

总的来说，他认为最大的问题是“心太急，预期没有管理好”。他正式开始创业是在2023年7月，最初选择的方向是“AI编程”（AI Coding），公司名直接就叫“LLM Programming”，意为“大模型编程”。当时的切入点比后来知名的AI编程工具Cursor还要激进——他希望用户只需写好产品需求文档（PRD），就能直接将其转化成可使用的软件，这其实就是今天我们所说的“Vibe Coding”概念。大家可能知道，Cursor在2024年5月新模型出来之前的表现其实比较平淡，直到Claude 3.5发布后才一鸣惊人。当时，他对模型的理解和信任度还不够充分，加上推进得过于急切，最终效果并不理想，因此决定调整方向。

回顾这次尝试，最大的收获是让他开始坚信模型的能力会持续进步。随后，他将方向调整为“工具使用”（Tool Use），项目名称为NPi，全称是“Natural Programming Interface”，即自然语言编程接口。这个项目曾登上HackerNews的前十名，并入选了美国知名风投机构Madrona Ventures发布的第一份全球智能体基础设施（Agent Infra）榜单。NPi项目于2024年2月启动，到6月就有了比较完善的第一个版本。之所以选择工具使用方向，是因为第一次的尝试让他们坚信智能体需要“采取行动”（Take action）。事实上，现在回过头来看NPi，会发现他们当时所做的事情，正是后来被广泛讨论的“多模态控制平面”（MCP），足足提前了半年。他们不仅定义了流程和规范，还做了完整的实现。与他们同期做类似事情的公司有一家叫Composio的印度团队，今年上半年完成了由光速美国领投的2900万美元融资，如今已是硅谷炙手可热的明星公司。

NPi的第一个版本完成后，创始人与30多位智能体开发者进行了深入交流，他发现大家关注的重点并非工具使用本身（事实上，MCP的火爆也是在2025年2月Cursor支持MCP之后才真正开始），而是普遍在研究“检索增强生成”（RAG）技术。核心原因是当时大家的问题不是没有合适的工具，因为使用LangChain之类的框架很快就能搭建一个工具，真正的痛点在于如何让智能体“选对工具”。在这个过程中，他逐渐意识到智能体的关键在于“上下文”（Context）。纯粹做工具层很难接触到智能体的上下文，也就无法有效提高工具调用的准确性。这让他意识到，仅仅做工具使用产品是不够的，于是团队决定往上层探索。经过长时间的深入思考，最终选择了Sheet0这个方向。

从第一个到第三个项目，他创业的初心其实从未改变：让普通人也能用极其简单的方式，获得工程师所拥有的“超能力”，即把复杂问题简单化后自动解决的能力。这也是他在每次转型过程中始终会思考的核心问题。一开始，他设想的是让AI能够帮助人们编写程序；后来觉得代码对普通用户不友好，于是开始做工具使用，因为程序员的工作本质上就是串联不同的代码工具接口，如果模型能够做好工具使用，是不是就能让用户无需看到复杂的代码了？最终，他才意识到代码的本质是对结构化数据进行操作，这整个过程是一脉相承的。他总结说，自己的判断往往比市场领先一年左右。这意味着，至少需要持续在大半年的负反馈状态下坚持不懈地努力，才有机会看到曙光。比如，当年的AI编程和多模态控制平面（MCP）方向，都差不多需要等待一年的时间才能被市场真正接受。

是的，即便方向正确、需求真实，也需要经历至少半年的磨合期，才能看到一些正向的信号。人工智能并非“一波流”的生意，而是需要长期投入、厚积薄发，中间会有多个阶段性的爆发。

创始人对此深以为然。他认为，可以回过头看看，那些在成立半年内就迅速出圈的产品，几乎没有。现在那些家喻户晓的明星产品，哪个没有经历一两年甚至更长时间的“冷板凳”呢？例如，Cursor在2022年成立，直到2025年5月Claude 3.5发布后才真正开始起飞。再比如，智能体产品Manus，其背后的Monica就积累了两年之久，即便决定开始做Manus，也不是一帆风顺，中间也经历了半年多的时间进行多次调整。

因此，他总结了以下两点心得：

第一，要抱有合理的预期。 尤其不要低估开发一个能够投入生产的“生产级智能体”（Production-ready Agent）的工程复杂度。这并非一蹴而就的事情，需要扎实的技术积累和持续的迭代优化。

第二，要对模型进步保持信心。 这是一个老生常谈的问题了，但每次有新的模型发布，总会有很多人出来唱衰。他现在都是直接屏蔽这些言论。他对模型信心的转折点，是在2025年5月的一天。在那之前，他一直是强迫自己去相信模型的潜力。当时，他在与一位朋友聊天时，脑子里突然冒出了一个想法：人类本身的存在，不正是通用人工智能（AGI）存在的最好证明吗？因为人类是大自然在复杂物理规律作用下，经过亿万年演化而成的产物，人拥有智慧。所以，从这个事实出发，智慧本身就是物理规律作用的结果。我们都知道有一个词叫“心理障碍击碎效应”，说的是某个问题或极限一旦被突破并证明可行，那么后续复现的难度就会大大下降，典型的例子就是马拉松。所以，回到他前面那个看起来有点奇特的逻辑：既然大自然已经为我们做出了示范，证明了智慧的存在是符合物理规律的，那么我们有什么理由去怀疑人工智能模型不会持续进步呢？这份深刻的洞察，成为了他坚定信念的源泉。

新媒网跨境认为，人工智能的发展速度令人惊叹，许多人都因此感到焦虑，常常是被市场推着向前走。但创始人也时刻提醒自己：当一个事物开始变得泛滥时，一定要从随波逐流的浪花中跳脱出来，站在岸上冷静思考——究竟什么才是真正稀缺的？他希望在2025年下半年，能有更多的时间进行深入思考，为未来的发展指明方向。

新媒网（公号: 新媒网跨境发布），是一个专业的跨境电商、游戏、支付、贸易和广告社区平台，为百万跨境人传递最新的海外淘金精准资讯情报。

本文来源：新媒网 https://nmedialink.com/posts/19177.html