Ribbi從20人到20滿群，AI虛擬CEO引爆全球

乍一使用，你很難給Ribbi一個準確的定義。

若說這是一個多模態內容創作工具，Ribbi能做得不止于此。比起一個“死”的工具，Ribbi更像一個可以自動管理創作全鏈路的“人”。

它能將用戶的創作流程，自動沉淀為Skill；也能監測社交媒體的數據表現，總結復盤，并自動對后續的創作進行優化。

Ribbi官網首頁。

而與你對話的Ribbi，被設定為一只個性十足的“青蛙”：愛吐槽，偶爾還能爆點粗口。

與Ribbi的對話。

這款有些“怪”的產品，卻在上線封測一周內，收到了全球4萬多用戶的使用申請。用戶群從上線第一天的20人，快速擴張成了20個幾乎滿員的大群。閑魚上，Ribbi的內測碼，一度被炒到了200元。

“我們上線Ribbi，本來是為了找100多個種子用戶做封閉測試，驗證PMF（產品-市場適配率），都沒正式開始做營銷和投放。”Ribbi創始人兼CEO Robin告訴我們，用戶通過口碑傳播的裂變速度，遠超他的預期。

在4月初和《智能涌現》的交流中，Robin的嗓子已經啞了。半個月內，他見了多家投資機構，官方Linkedin的私信箱，也堆滿了合作邀約。

畢業于工業設計專業，Robin做過4A和品牌企劃，后續還在幾家頭部大廠，主導多款明星AI產品的創作功能設計、創意Agent落地等工作。

“市面上不少AI設計工具，仍然把內容創作視作單點環節的拼接。但事實上，創作應該是涵蓋創意生成、內容生成、發布、數據監測、復盤、優化的完整鏈路。”Robin告訴《智能涌現》。

基于這一認知，2025年末決定創業時，Robin做了不少“非共識”的決定：

不做Multi-Agent（多Agent架構）的產品，因為不同專家Agent在傳遞過程中，會造成Context的損耗；

不做單點的內容生成，而是用一個Agent，打通創作、發布、效果監測、復盤優化等創作中所有的鏈路；

不做“畫布類”的產品，而是用Chat作為UI，給Agent更多的自由度；

自訓VLM（視覺-語言模型）、自研名為Contxt Layer的Agent架構，沉淀創作經驗和反饋，讓AI自主進化。

這一切設計的最終目標，Robin告訴我們，是讓Ribbi不僅僅局限于一個“工具”，而是成為理解完整創作閉環的“人”。

比如，當Coding成為業內共識，不管是大廠，還是“AI六小虎”，都不約而同朝這個方向沖。

但在看到Taste的確切價值之前，為審美、品味構建模型，是大廠不愿意做的。只有當視覺創意生成從非共識，變成共識，才能激發更多大廠和頂尖人才參與進來。

大廠的基模能力很強，但模型團隊對業務的認知有偏差。一旦團隊變大，每個團隊之間信息傳遞的過程，會折損大量的Context。

這也是Ribbi團隊只有6個人的原因。我們只有3個程序員，他們現在是全棧設計師、全棧工程師，什么都能開發，并且可以做得很好。

這就是Claude Code帶來的代碼生產力的進化。我相信，Ribbi會帶來內容生產力的進化。

我們在宣發的過程中搞了很多“抽象”，比如“72小時ARR破億”“一夜百萬用戶”，本質上是為了諷刺很多AI產品的虛假宣傳。

只是我們諷刺做得不夠好，很多用戶信以為真了（無奈笑）。

我們在X上的CEO賬號也是虛假的，根本沒有“Robin Bisset”這個人。賬號上的很多內容，包括Robin的外國人形象，都是Ribbi生成的。

△Ribbi的虛擬老外CEO。圖源：X

我花了很長時間才研究明白Harness。圈內很喜歡造概念，又是“馬鞍”，又是“駕馭”，搞得很玄乎。

其實Harness很簡單，就是一個腳本，或者一個workflow，讓模型不偏離目標，更好地發揮價值。

我們沒有把Ribbi做成畫布類的產品。畫布類的AI產品看起來交互很酷炫，能讓投資人眼前一亮，專業用戶使用起來也很順手。

但它們有一個“致命傷”：把模型的可能性提前“鎖死”了。因為畫布的本質，是將工作流拆成一個個節點，模型只能沿著這條路徑走。

我們一直以來的判斷是，AI時代的UI應該是容器化的，而不是功能化的。產品應該給AI創造一個容器，讓它可以自由決定調用什么樣的工具、怎么組合工具，甚至按照什么樣的順序執行任務。

在我看來，Chat是一個足夠簡單，并且靈活兼容一切的容器。

比如豆包DAU跑得很快，其中一個原因在于，它的移動端App設計得很輕量。用戶不需要打開新的對話框，只要在一個session中瘋狂Chat就能生圖、生視頻。它將用戶的交互和AI的行為，統一在一個非常簡單的框架中。

用戶認為Ribbi好用的點，就在于他們可以隨時把X、Instagram、Pinterest等平臺上的素材，采集、保存在Ribbi中，底層的AI再自主學習其中的審美。這其實就是人與AI Chat的過程。

作為AI產品經理，我非常討厭用復雜的交互去操作AI。AI應該很聰明，不用我時時刻刻盯著，就把活干了。當你產品的交互門檻、使用門檻足夠低的時候，自然而然就能吸引更多人。

我們設計Ribbi功能的出發點，不是為了把功能做全面，而是為了讓創作鏈路的Context完整連通。

互聯網平臺的核心是UGC，Ribbi的核心是AGC，Agent Generated Content。創業前，我就在尋找可以讓“Agent自主進化”落地的場景，創作就是一個很好的答案。

首先，Taste會自主進化，這就是我們設計Pond和訓練VLM的原因。

Skills也會隨著用戶的使用自主進化。用戶在使用Skill地過程中，會產生新的場景、需求和Context，這些Context就會凝練成專屬用戶個人的Skill。

這些個人Skill，都會經過Context Layer中的Skill Agent的評估、去重、去隱私化，再貢獻給平臺全端。因此，平臺的Skill也會循環進化，用戶使用越多，Skill就越多，能力也越強。

社交媒體，是Agent在線進化落地的核心訓練場，將作品發布到社交媒體，是Agent與真實世界的一種交互。監測數據表現后，Ribbi能夠自主迭代和優化創作路徑，交付更好的結果。最終，平臺就能夠形成一個自主進化的創作閉環。

Multi-Agent架構中，大部分專家Agent的底層能力，都來源于Claude。既然底層模型一樣，為什么還要通過提示詞工程，把模型拆分成不同的Agent？

提示詞工程，本質上是對模型能力的約束。任務在多層Agent架構中的傳遞，都會造成Context的損耗。

我們做Ribbi的時候，核心觀點是：讓Agent足夠自由。

Agent要在一個非常豐滿、質量足夠高的Context中，發揮自己的能力。因此，我們的核心架構其實是一條Single-Agent鏈路。

除此之外，我們構建了一個中間層，Context Layer。它由Memory、Taste 、Skills等不同層級構成，每一層都有對應的Agent。它們的作用不是執行任務，而是輔助Single-Agent收集Context。

這兩點在OpenClaw上得到了具體的體現。但我們的產品定義和OpenClaw非常不一樣：

首先我們提出了Context Layer，為Agent提供了很干凈的Context；其次我們不希望為用戶提供一個部署門檻很高的產品；最后我們整體的功能鏈路都是為內容創作服務，所以Ribbi提供了100多個可以自由組合、循環進化的Skills。

我相信世界上很多人對Agent的想象是一致的。OpenClaw很多的底層思考來源于Claude Code，我們的核心想象也出自Claude Code。

首先，Ribbi是一個可以自我進化的內容引擎。其中，“Pond”是它的審美輸入端，Skills是流程的沉淀，主動發布和數據監控是內容創作的最后一公里。

我們希望Ribbi有活人感。如果你和Ribbi對話，就會發現ta是一只嘴上嘟囔、但會認真干活的青蛙。

創作過程中最難用語言表達的，就是審美和品味。

為了解決審美建立的問題，我們為Ribbi設計了一個叫做“Pond”的板塊。

用戶在瀏覽Behance、Pinterest等設計平臺時，可以通過Ribbi插件，將喜歡的設計采集并保存到Pond中。通過對Pond中資產的學習，Ribbi可以建立對用戶審美的認知，未來創作的設計也會更符合用戶的偏好。

除了學習用戶個體的審美，Ribbi也會凝練平臺所有用戶的審美，成為平臺共識。這么做的意義在于，讓用戶在不輸入Prompt的情況下，也能獲得高質量的設計。

支撐Ribbi學習、積累、迭代用戶審美的核心，是我們基于開源的千問8B小模型訓練的VLM（視覺-語言模型）模型。

對審美的不斷沉淀，也是Ribbi產生用戶粘性的核心。平臺上，用戶不斷貢獻新的審美Context，這些Context都會沉淀為Ribbi對你審美的認知。

在Pond中可以上傳個人資產。

目前，我對Ribbi主要有兩個不滿意的地方，一方面，穩定性還不夠，包括性能和服務器、API負載；

我們自主訓練的VLM模型，目前多多少少算壁壘。當然，技術壁壘很容易被超越，Claude發布一個新模型可能就可以做到。

Ribbi的核心價值在于，我們不僅希望只做一家應用層的公司，而是在未做模型層的探索。訓練VLM是現階段探索的開始，包括中間層Context Layer的設計，都是基于我們對行業的Know-How和共識去完成的，

這些事說出來其實不難，難的是把它想象出來。所有的事最重要的就是想象，而我們是第一個把技術領域的AI自主進化想象、并且落地的團隊。而且我們對Agent的認知一直在往前走，這是我們的想象保持領先性、建立壁壘的前提。

我們的商業化會做得比較誠實。雖然模式還沒完全確定，但一定不會是積分制。

不少AI產品會采用積分發放的方式。個人覺得挺繞，用戶還得把積分轉化為Token消耗量，不夠清晰。

也有平臺會告訴你，“充值一次，無限Token”，但實際上用戶天天在排隊。這樣的商業模式不誠實，而且平臺還會虧本。

我最近也在研究一些好的內容平臺的商業模式。YouTube幾乎是免費的，因為有足夠多的廣告商在視頻中分發貼片廣告。

目前，網站上有20多個Skill，其實我們內部已經有100多個Skill，比如一鍵消除、做PPT等技能。沒有放出來的核心原因在于，我們的設計師對審美的要求很高。

所以我們的北極星指標是不斷裂變出更多高質量、高審美的Skill。

并且我們不希望Ribbi成為一個工具集。工具聚合網站，更像是一個個的小程序，它們之間是相互獨立、互不連通的狀態。

但我們的Skill會在同一個Single-Agent中連通。這樣的好處是Agent可以在接管創作全流程中，靈活串聯不同的Skill。

另一點，我也希望Ribbi上的工具數量能不斷增長。目前我們的100多個Skill，靠的是100多個工具的不同組合。一旦我們的工具數量擴大到1000多個，Skill會進化產生我們想象不到的價值。

△Ribbi上沉淀的Skills。圖源：Ribbi官網

只有自己親身訓練和使用，才能知道當下模型的限制，以及實現AI自主進化的邏輯路徑。我們現在實現AI自主進化的路徑，是基于Context實現的。

但未來，自主進化一定會在模型層上實現，并且會有非常多的人探索。自己訓練模型，是為了提前積累經驗。

我們不會像某些友商那樣，不斷花錢買量、燒各種補貼。我們不想做一家為估值而奮不顧身的公司。

融資當然也很重要。你要確保賬上有足夠的資金，去支撐研發-獲得用戶反饋-迭代的循環。

我們現在正在推進下一輪融資，并非是有意的，而是如今Ribbi獲得的用戶聲量，遠超我們的預期。現在的狀態，有點像時代推著你往前走。

我們收到了很多投資意向書，但我希望愿意投資我們的機構，是真正對AI有價值判斷的、長期看好AI的自主進化，而不是出于FOMO（錯失恐慌）。

我們一直在找一個符號表達“自主進化”的理念。Ribbi LOGO是一只青蛙的原因，是因為蝌蚪進化為青蛙是一種非線性的變態發育，“Ribbi”就是呱呱叫（ribbit）的擬聲詞。

我相信AGI一定會到來。無論是訓練模型，還是做Context Layer，這些看起來“很重”的事，目的都是為了加快AGI到來的進程，哪怕只留下一點點痕跡。

假設某一天，某家模型廠商實現了AI的自主進化，即便功不在我，我愿意貢獻我們對Context Layer自主進化的Know-How、開源我們的技術架構，幫助模型廠商訓練更好的自主進化模型。