从去年开始几乎每隔几天就有人来问我类似的问题想做AI创业、想跳槽去一家专注大模型应用的公司、或者想采购一套大模型落地方案到底怎么判断哪家值得选择问的人里有刚毕业的开发者有传统企业里负责数字化转型的负责人也有在投融资机构做行业研究的年轻人。这说明大模型应用这件事已经从“要不要做”进入了“怎么选、怎么判断”的阶段。这篇内容不会直接点名“哪家公司”因为大模型行业变化太快今天排名第一的团队可能半年后换了个方向也给不出一个永久的榜单那既不严谨也不负责。我想分享的是我这两年跟几十家专注大模型应用的创业团队接触、评估、合作之后的思考框架这些公司都在做什么、怎么把最有价值的那几家筛出来、不同身份的人应该用什么标准去看以及那些特别容易踩进去的坑。无论你是准备入职、打算合作还是想自己下场做点事情这套方法应该都能用得上。1. 大模型应用创业公司都在干什么先看清赛道再谈选择1.1 行业应用层把模型塞进垂直流程这一类公司做的事情最直白选取某个行业把大模型能力嫁接到它的核心业务流程里。比如做金融合同审查的团队让模型自动阅读借贷合同、识别风险条款并给出修改建议做医疗文本整理的团队把门诊对话结构化成结构化病历做工业设备故障分析的团队用模型读设备日志、辅助运维人员定位异常。这个赛道的好处是需求明确、付费意愿强坏处是行业know-how的门槛极高。我接触过一个做仓储物流调度的创业团队团队成员绝大多数是算法工程师出身技术上很强但对仓储作业的细节——比如批次效期管理、货位分配规则、波次拣选逻辑——理解得很浅导致模型输出在demo里看起来很聪明到真实仓库里却经常提出不可执行的建议。判断这类公司值不值得选先看它对行业的理解深度而不是模型能力。一个优秀的知识工程师比算法工程师更稀缺这是这类公司的核心资产。1.2 通用工具层用模型改造知识型工作另一类公司不做特定行业而是做跨行业的通用产品形态智能客服、企业知识库问答、代码辅助工具、流程自动化助手、写作工坊。它们的核心逻辑是——大模型本质上是一种“通用工作引擎”很多行业的很多岗位都在做相似的知识型工作比如查找资料、归纳总结、起草文档这些东西可以被一个通用工具覆盖。这类公司的特点是产品化程度高边际成本低做起来之后扩张速度快但竞争极其激烈。同一个智能客服赛道上你可能同时看到几十家创业公司用几乎一样的底座模型、讲几乎一样的故事。我在筛选时特别关注它们有没有做出真正的产品护城河专属的冷启动数据、独特的交互设计、稳定的私有化交付能力这些才是别人抄不走的东西。如果一家公司仅仅是给某个开源模型套了个壳三个月后就能被另一个团队复制那它的价值就值得打一个大大的问号。1.3 基础设施与交付层做“卖水人”的模式还有一些公司不直接对终端使用者做应用而是服务那些做应用的人。比如做模型微调工具链的、做评测基准平台的、做RAG中间件与向量数据库封装产品的、做企业私有化大模型部署咨询的都属于这一类。这类公司我特别喜欢观察因为它们往往是行业景气度最真实的晴雨表。当很多团队都在做垂直应用时这些“卖水人”的生意会先起来。它们的商业模式通常是软件订阅加实施服务现金流比纯定制项目健康得多而且能够从无数个客户的实践中积累起横跨多行业的工程经验这是应用层团队很难复制的优势。不过这一层也有自己的问题离业务价值比较远客户容易把它当成“IT采购支出”而不是“业务增长投资”所以在预算收紧时容易被优先砍掉。选择这类公司要看它对主流大模型生态的适配速度有多快尤其是新模型一出来能不能第一时间打通。1.4 赛道分野直接决定选择坐标系这三层之间没有绝对的好坏只有匹配度的差异。我用一个简单的表格来总结它们各自的核心指标赛道类型核心壁垒关键风险值得关注的信号典型商业模式行业应用层行业know-how与数据积累交付周期长、复制慢有行业头部标杆客户项目制年度订阅通用工具层产品体验与品牌心智同质化竞争激烈有独特交互或数据闭环SaaS订阅基建交付层工程化能力与生态位距离业务价值远多模型版本持续跟进订阅实施费用这个坐标系做第一轮筛选可以快速帮自己校准预期。如果一个人是行业背景出身去一家行业应用层的创业公司往往更容易发挥价值如果你擅长打造产品通用工具层的空间更大如果你的专长是系统架构和工程落地基建交付层更适合你。2. 判断公司真正价值我习惯用的五维评估框架2.1 技术能力别只看刷榜分数要看场景里的真实表现很多团队在公开评测集上的成绩非常亮眼但真实业务场景里经常表现不稳。我自己的做法是在评估任何一家公司时一定要看它在特定垂直场景里的“幻觉率”和“拒答率”——幻觉率是模型一本正经地说错话的比例拒答率是模型为了保守干脆不回答的比例。这两个指标里的任何一项做不好在真实业务里都是致命的。不要被“因为用了更大参数的模型所以更好”这种说法迷惑模型参数和场景表现之间并没有简单的线性关系。所有把这些指标说得清清楚楚、并且愿意拿真实业务数据进行盲测的团队技术成熟度通常比只会讲抽象架构的团队高一个档次。2.2 商业化验证付费客户、续约率、收入结构一眼看出成色我认为这是所有维度里最硬核的一个。看一家公司不能只听它的愿景要拿财务数据来检验。具体来说有几个关键问题真实的付费客户是哪些合同金额是多少客户续约率是多少收入是一次性的工程费还是可重复的订阅费一家只有三个客户、但每个客户都愿意连续续费三年的公司可能比一家有二十个客户但每个都是一次性采购的公司更值钱。收入结构里订阅占比越高商业模式的可预期性越强估值逻辑就越扎实。如果你在看一家公司的融资报告里面只强调“合作客户数量”却不提“按年经常性收入”那基本可以判断其商业模式存在明显短板。2.3 人才密度算法、研发、行业的三角均衡大模型应用公司很讲究人才配比。我见过不少团队算法能力很强但工程能力很弱——训练出的模型在实验室里表现尚可一接触高并发、多租户、私有化交付这些实际工程就出问题。反过来也见过工程能力很强、但对模型特性理解不深的团队产品做得太机械完全浪费了大模型的泛化和推理能力。理想的比例大概是算法团队负责模型微调、评测和效果优化研发团队负责系统架构、数据管道和稳定性再加上少数来自目标行业的行业专家。在看一个团队的人员构成时如果某一个方向占比超过百分之七十而其他方向几乎为零这种单腿走路的情况就要警觉。2.4 数据资产数据壁垒和合规红线大模型应用里有一句很经典的话模型是引擎数据是燃料。一家公司有没有持续获得高质量行业数据的能力决定了它的产品有无长期壁垒。但这里必须注意很多公司所谓的“数据壁垒”其实是灰色的——未经授权使用用户数据、采集个人隐私信息、从公开渠道不正当抓取这些都可能在未来成为合规雷点。判断一家公司是否值得选要看它对数据合规的态度。能够清楚说明每个数据集的来源、授权链条和处理方式的公司比那些含含糊糊说“我们有海量数据”的公司靠谱得多。一旦数据合规出了问题公司价值可能瞬间崩塌这是所有人都承受不起的。2.5 资金健康度现金流比市场份额更重要在创业公司的语境里常常听到“占市场份额优先于盈利”的说法。客观讲早期阶段确实如此但如果一家公司烧了七八年还讲这个故事就要小心了。我会认真研究它的月常性亏损规模——如果每月烧掉的钱远超收入增量而且融资节奏跟不上那么即使是估值很高的明星项目也会面临极大的流动性风险。用这个方法可以筛选掉很多“画大饼”的企业。真正值得选择的公司即使亏损亏损的幅度也应该是收窄的哪怕不赚钱它的现金流也能支撑较长时间的研发和商业拓展。把现金周期当作生命线看待的团队远好于那些花钱无节制的团队。2.6 它们如何组合一张实用的评估打分表说了这么多维度的判断标准我通常会把它们整合成一张表来做定量评估。每一项从一分到五分打分再根据用途分配权重。评估维度求职者权重采购方权重投资人权重评估要点技术能力25%20%20%场景表现、评测体系、幻觉率控制商业化验证15%35%40%付费客户、续约率、收入结构人才密度30%10%15%三方向配比、团队稳定性数据资产10%20%15%数据来源、壁垒、合规链条资金健康度20%15%10%现金流、烧钱率、融资进度权重不同选出来的结果差异非常大。这也是为什么同一家公司对有些人来说是机会对另一些人则是陷阱。3. 不同身份视角下的选择逻辑求职者、采购方和投资人要的东西完全不同3.1 求职者最该问清楚的三件事如果你是想去一家大模型应用创业公司工作我强烈建议面试过程中重点问三件事第一你的核心交付物是什么是做一个被人使用的互联网产品还是交付一套企业定制的系统还是支撑一个内部的模型迭代流程“我进去之后会写模型代码还是写业务代码”这个问题的答案基本决定了岗位价值的成长路径。第二团队的正式立项方向是否已经有真实用户还停留在拍脑袋阶段如果还在方向探索阶段意味着你做的很多事情很可能半年后被推翻重来。第三公司的技术栈是否和主流生态保持同步有没有自己的微调或评测流程如果完全依赖外部现成开箱即用的模型技术积累非常有限对个人成长帮助不大。我记得有次和一个开源社区很活跃的开发者聊天他去了一家听起来很“大模型”的公司入职后才发现整个团队既不调模型也不做数据工程每天只是调用公开接口再用大量人工改结果美其名曰“效果优化”后来他果断离开了。求职者去这类公司之前一定要问清楚你的算法能力到底是用来构建产品还是用来给人打杂。3.2 企业采购方要的是确定性不是炫技公司采购一套大模型应用本质上是在购买“降低整体成本或提升经营效率的结果”而不是购买一个技术玩具。我的建议是先让潜在供应商拿着自己真实的历史业务数据做一个有效期的测试注意用小规模但完全合规的数据不要一开始就提供核心机密。测试时要设置明确的验收指标比如客服场景里的客户满意度、平均解决时间、转人工率知识库场景里的首答准确率、引用来源可核验率。如果供应商不能把这些指标说清楚或者不愿意承诺一个保守但真实的指标范围那就说明他们自己心里也没底。另外要特别警惕“数据全部私有化部署”这句话。私有化部署虽然看起来安全但如果供应商对模型运维能力不足后续版本升级、模型更新、知识库索引优化都会成为麻烦。当年很多公司部署了传统智能客服系统买完之后一年也不更新效果越用越差这个教训在大模型时代依然存在。采购方要把“长期共同进化”的机制谈清楚而不只是买一套静态软件。3.3 投资人看模型指标之外的单位经济作为投资人看一家大模型应用公司时技术和团队当然重要但我更看重它的单位经济模型能否持续优化。简单说就是每多服务一个客户边际成本会不会降下来每个客户每年贡献的毛利相对于获客成本是不是合理有些应用场景表面上毛利率很高但一旦进入定制化交付环节人力成本会吞噬掉所有利润每多一个客户就多亏一份钱这类“规模化陷阱”在行业应用层里尤其常见。我比较看好的曲线是前两三个客户确实靠深度定制跑通但后面必须通过产品化沉淀出可复用模块让交付周期明显缩短。如果一家公司做了五六个案例之后交付周期和第一单一样长那它的产品化能力基本为零扩张必然极其艰难。3.4 三重视角归纳求职者、采购方、投资人看似都是“选择一家公司”实际选择逻辑差距很大。作为求职者选择和公司内在成长路径相关的机会作为采购方选择风险最小的落地路径作为投资人选择有指数效应的商业模式。这三种判断框架只有调好权重才能找到真正适合自己的目标。很多人因为用错框架导致出现了极大的认知错位。4. 那些很容易被忽略的“隐形坑”数据闭环、边缘交付与现金流信号4.1 Demo惊艳生产环境一地鸡毛大模型应用里最经典的翻车故事就是Demo惊艳全场结果一上线就拉胯。有一个做合同审查的团队演示效果极好模板合同里的风险条款诸如“违约金比例过高”“争议解决条款不明确”都识别得很精准但实际部署到客户的合同库里发现真实合同大多是扫描件、手写签批、多语言混合排版乱七八糟模型在干净测试数据上的优势瞬间消失。这类“从好数据到脏数据”的落差在大模型应用里可以说是非常常见了。判断一家公司是否值得选择要看它是否有处理这些边缘情况的经验和耐心。可以在测试时专门准备一些阴影遮挡、倾斜角度、低分辨率的文档作为“脏样本”看看模型在这些样本上的表现会不会大幅退化。能够把注意力主动放在脏数据和边缘情况上的团队比那些只追求顶级效果demo的团队更值得信赖。4.2 没有数据闭环客户复购率持续下滑很多公司第一次给客户交付时效果不错但运行三个月后效果开始滑坡原因是真实场景中出现的新问题没有形成新的样本反馈到模型里。客户反馈、模型改进、效果再验证——这个环一旦没有运转起来大模型应用就会像一台没有保养说明书的新车越开越慢。我在评估一家创业公司时一定会问你们有没有专门的评测集管理工具生产环境里的bad case是怎么回流到训练集的模型更新频率有多快如果答案含糊或者只是“我们手动归类再定期处理”那说明它的数据闭环能力还停留在作坊阶段未来规模一大必然失控。4.3 不自觉地陷入自研底座迷信把现金流烧光在半路从去年到现在我见过不止一家公司把大量资源投入到从零训练一个垂类底座模型上面。这种选择的初衷通常是觉得外部通用模型不够可控、不够专业但基础设施层面的研发是一个资金黑洞周期长、结果不确定而且和“用大模型解决具体业务问题”这个创业初心完全是两码事。真正聪明的团队会把绝大部分资源放在数据、产品和场景上底座模型能用成熟开源方案解决的就直接用需要微调就在上面做增量训练。选择一家公司时看清它对“自研模型”的执念有多深是一个很重要的判断信号。如果一家公司的CEO一开口就是“我们准备训练自己的千亿参数模型”而它的付费客户数还只有个位数那我基本可以断定这家公司大概率撑不到产品成熟的那一天。4.4 低估脏活累活文档解析才是很多项目的交付瓶颈这是一个特别容易被外人忽视、但在实际交付中极其重要的问题。很多大模型应用听起来像是纯算法问题真正落地时却卡在文档解析、表格结构识别、多模态检索这些“体力活”上。比如做一个企业知识库问答系统光是让模型正确读取PDF里的多层表格、复杂图表就已经消耗掉团队一半以上的工程时间。一家公司如果愿意在OCR、版面分析、结构化抽取这些底层能力上长期投入它的产品可用性通常比那些只关注模型对话体验的团队高很多。这是判断“是否有真实工程能力”的一个很重要的参考指标。一个大模型应用公司如果对脏活累活嗤之以鼻觉得它们不够“智能”那么它的产品大概率只能停留在demo水准。4.5 关注现金流信号应收账款与合同结构财务数据很难拿到但有一些公开或者侧面信息能做判断。比如它在招聘什么岗位、幅度多大比如它是否频繁更换办公地点比如它的创始人近期访谈里谈现金流还是谈愿景。合同结构的信号也很关键如果一家公司的客户大量采用“先实施后验收、验收再付款”的模式说明其对客户谈判力不足也就意味着产品底气不够。这些信号不发生在一夜之间通常有长达数月的渐进恶化期。如果你在选择一家公司的过程中观察到了这类信号建议不要抱侥幸心理因为大模型应用行业对资金流的依赖实在太高了。5. 我的实操选择习惯与最终复盘5.1 信息有限时我的一套快速过滤法在预算和人力都不充足的情况下我们经常没法做那么全面的尽职调查所以我总结了一套十分钟快速过滤法第一步先看这家公司过去六个月内公开分享的模型效果或者产品案例注意区分“技术指标”和“业务结果”。第二步在招聘网站上查一下最近三个月的职位发布趋势如果持续招聘算法和交付两种岗位说明公司大概率有真实业务在推进。第三步试用它的公开产品或者申请demo权限做一个自己设计出的真实小流程测试关注细节而非总体观感。第四步在技术社区的讨论里搜一下这家公司的口碑尤其是参加过它内测或者用过它产品的开发者的评价。这四步不能保证筛选出最优解但能把那些有明显软肋的公司快速排除掉。5.2 和创始人聊一次我必问的三个问题如果有机会和创始人面对面或者视频交流我会问三个问题。第一个问题是“你们过去六个月里最大的认知变化是什么”真正在做业务的人肯定能答出具体细节比如对客户需求的理解变了、对模型方案的取舍变了如果只能讲一些空洞的大词那说明他离一线业务很远。第二个问题是“如果一个客户要求深度定制你们怎么处理产品化和定制化的矛盾”这个问题最能看出公司的商业成熟度。第三个问题是“如果明天这个应用的底座模型全换掉了你们的工程架构和数据流程需要改动多少”这个问题检验系统抽象能力。这三个问题里第二个通常最见高下。成熟团队会告诉你他们有一套“定制需求产品化收敛”的流程能区分哪些需求是行业通用的、哪些是单个客户独有的不成熟的团队只会说“我们以客户需求为第一优先级”言下之意就是未来每个项目都从零开始这样的公司很不值得长期投入。5.3 几次“看起来很美”却最终劝退的案例复盘我第一次评估一家做企业法律咨询大模型应用的团队时差点被它的产品演示震撼到。它能通过对话直接输出法律意见书格式规范、引用充分、表述严谨。但我后面做的测试发现只要我把材料换成一份普通的劳动仲裁裁决书并加上一些手写备注它就明显开始“犯迷糊”关键日期会看错、争议焦点归纳不完整。后来陆续验证了多份真实异构文档发现根本达不到可用水准。那次经历让我意识到要判断一家公司的真实水平光看标准数据是不够的必须使用“脏数据”和“异常样本”来不断测试它的边界。另一次是一个做智能客服的创业项目融资消息频繁对外宣称客户数量众多。我找了一些内部人了解情况发现它的合同里大部分是一次性搭建费用订阅收入占比极低而且客户流失率相当高复购基本靠换壳包装的老客户二次采购来粉饰。这种公司尽管账面数字热闹但本质上做的仍然是高成本定制的传统服务生意大模型并没有给它带来真正的边际优化所以我最终劝一位想要加入的师弟放弃了那个机会。5.4 把“小流量验证”当作永恒的决策习惯我这些年使用过的最好用的决策方式就是对任何一家锁定的公司先尝试一个极小的合作、入职或者试用动作再做重大决定。不要因为一份精美的商业计划书就all in也不用因为一篇负面的网络讨论就完全否定用小成本去验证核心假设永远好过用想象去判断。比如你想知道这家公司的交付能力就直接买它一个最小的标准化产品模块试用你想知道技术细节就尝试和它的技术人员在社区里交流一两个具体问题你想知道团队氛围就约一次线下参观。很多纸上谈兵的空对空讨论一次实际接触就能彻底弄清楚。对我来说“值得选择”的公司不在于它当前的估值或宣传有多响亮而在于它是否在真实场景里完成了验证闭环是否拥有稳定且可持续的商业模式以及它的团队是否对业务和技术保持着实事求是的态度。大模型应用行业的窗口期还很长一轮又一轮洗牌后胜出的往往是那些踏实把脏活累活和场景细节搞定的人。选择之前慢一点、细一点、认真一点把股权激励、个人成长和协作方式都当成综合考题的一部分你把开头想清楚后面的路就会顺利得多。 
长河君 · 2026/10/19 13:22:38 · 阅读 1.2k 如何评估大模型应用创业公司？五维框架与实战避坑指南
从去年开始几乎每隔几天就有人来问我类似的问题想做AI创业、想跳槽去一家专注大模型应用的公司、或者想采购一套大模型落地方案到底怎么判断哪家值得选择问的人里有刚毕业的开发者有传统企业里负责数字化转型的负责人也有在投融资机构做行业研究的年轻人。这说明大模型应用这件事已经从“要不要做”进入了“怎么选、怎么判断”的阶段。这篇内容不会直接点名“哪家公司”因为大模型行业变化太快今天排名第一的团队可能半年后换了个方向也给不出一个永久的榜单那既不严谨也不负责。我想分享的是我这两年跟几十家专注大模型应用的创业团队接触、评估、合作之后的思考框架这些公司都在做什么、怎么把最有价值的那几家筛出来、不同身份的人应该用什么标准去看以及那些特别容易踩进去的坑。无论你是准备入职、打算合作还是想自己下场做点事情这套方法应该都能用得上。1. 大模型应用创业公司都在干什么先看清赛道再谈选择1.1 行业应用层把模型塞进垂直流程这一类公司做的事情最直白选取某个行业把大模型能力嫁接到它的核心业务流程里。比如做金融合同审查的团队让模型自动阅读借贷合同、识别风险条款并给出修改建议做医疗文本整理的团队把门诊对话结构化成结构化病历做工业设备故障分析的团队用模型读设备日志、辅助运维人员定位异常。这个赛道的好处是需求明确、付费意愿强坏处是行业know-how的门槛极高。我接触过一个做仓储物流调度的创业团队团队成员绝大多数是算法工程师出身技术上很强但对仓储作业的细节——比如批次效期管理、货位分配规则、波次拣选逻辑——理解得很浅导致模型输出在demo里看起来很聪明到真实仓库里却经常提出不可执行的建议。判断这类公司值不值得选先看它对行业的理解深度而不是模型能力。一个优秀的知识工程师比算法工程师更稀缺这是这类公司的核心资产。1.2 通用工具层用模型改造知识型工作另一类公司不做特定行业而是做跨行业的通用产品形态智能客服、企业知识库问答、代码辅助工具、流程自动化助手、写作工坊。它们的核心逻辑是——大模型本质上是一种“通用工作引擎”很多行业的很多岗位都在做相似的知识型工作比如查找资料、归纳总结、起草文档这些东西可以被一个通用工具覆盖。这类公司的特点是产品化程度高边际成本低做起来之后扩张速度快但竞争极其激烈。同一个智能客服赛道上你可能同时看到几十家创业公司用几乎一样的底座模型、讲几乎一样的故事。我在筛选时特别关注它们有没有做出真正的产品护城河专属的冷启动数据、独特的交互设计、稳定的私有化交付能力这些才是别人抄不走的东西。如果一家公司仅仅是给某个开源模型套了个壳三个月后就能被另一个团队复制那它的价值就值得打一个大大的问号。1.3 基础设施与交付层做“卖水人”的模式还有一些公司不直接对终端使用者做应用而是服务那些做应用的人。比如做模型微调工具链的、做评测基准平台的、做RAG中间件与向量数据库封装产品的、做企业私有化大模型部署咨询的都属于这一类。这类公司我特别喜欢观察因为它们往往是行业景气度最真实的晴雨表。当很多团队都在做垂直应用时这些“卖水人”的生意会先起来。它们的商业模式通常是软件订阅加实施服务现金流比纯定制项目健康得多而且能够从无数个客户的实践中积累起横跨多行业的工程经验这是应用层团队很难复制的优势。不过这一层也有自己的问题离业务价值比较远客户容易把它当成“IT采购支出”而不是“业务增长投资”所以在预算收紧时容易被优先砍掉。选择这类公司要看它对主流大模型生态的适配速度有多快尤其是新模型一出来能不能第一时间打通。1.4 赛道分野直接决定选择坐标系这三层之间没有绝对的好坏只有匹配度的差异。我用一个简单的表格来总结它们各自的核心指标赛道类型核心壁垒关键风险值得关注的信号典型商业模式行业应用层行业know-how与数据积累交付周期长、复制慢有行业头部标杆客户项目制年度订阅通用工具层产品体验与品牌心智同质化竞争激烈有独特交互或数据闭环SaaS订阅基建交付层工程化能力与生态位距离业务价值远多模型版本持续跟进订阅实施费用这个坐标系做第一轮筛选可以快速帮自己校准预期。如果一个人是行业背景出身去一家行业应用层的创业公司往往更容易发挥价值如果你擅长打造产品通用工具层的空间更大如果你的专长是系统架构和工程落地基建交付层更适合你。2. 判断公司真正价值我习惯用的五维评估框架2.1 技术能力别只看刷榜分数要看场景里的真实表现很多团队在公开评测集上的成绩非常亮眼但真实业务场景里经常表现不稳。我自己的做法是在评估任何一家公司时一定要看它在特定垂直场景里的“幻觉率”和“拒答率”——幻觉率是模型一本正经地说错话的比例拒答率是模型为了保守干脆不回答的比例。这两个指标里的任何一项做不好在真实业务里都是致命的。不要被“因为用了更大参数的模型所以更好”这种说法迷惑模型参数和场景表现之间并没有简单的线性关系。所有把这些指标说得清清楚楚、并且愿意拿真实业务数据进行盲测的团队技术成熟度通常比只会讲抽象架构的团队高一个档次。2.2 商业化验证付费客户、续约率、收入结构一眼看出成色我认为这是所有维度里最硬核的一个。看一家公司不能只听它的愿景要拿财务数据来检验。具体来说有几个关键问题真实的付费客户是哪些合同金额是多少客户续约率是多少收入是一次性的工程费还是可重复的订阅费一家只有三个客户、但每个客户都愿意连续续费三年的公司可能比一家有二十个客户但每个都是一次性采购的公司更值钱。收入结构里订阅占比越高商业模式的可预期性越强估值逻辑就越扎实。如果你在看一家公司的融资报告里面只强调“合作客户数量”却不提“按年经常性收入”那基本可以判断其商业模式存在明显短板。2.3 人才密度算法、研发、行业的三角均衡大模型应用公司很讲究人才配比。我见过不少团队算法能力很强但工程能力很弱——训练出的模型在实验室里表现尚可一接触高并发、多租户、私有化交付这些实际工程就出问题。反过来也见过工程能力很强、但对模型特性理解不深的团队产品做得太机械完全浪费了大模型的泛化和推理能力。理想的比例大概是算法团队负责模型微调、评测和效果优化研发团队负责系统架构、数据管道和稳定性再加上少数来自目标行业的行业专家。在看一个团队的人员构成时如果某一个方向占比超过百分之七十而其他方向几乎为零这种单腿走路的情况就要警觉。2.4 数据资产数据壁垒和合规红线大模型应用里有一句很经典的话模型是引擎数据是燃料。一家公司有没有持续获得高质量行业数据的能力决定了它的产品有无长期壁垒。但这里必须注意很多公司所谓的“数据壁垒”其实是灰色的——未经授权使用用户数据、采集个人隐私信息、从公开渠道不正当抓取这些都可能在未来成为合规雷点。判断一家公司是否值得选要看它对数据合规的态度。能够清楚说明每个数据集的来源、授权链条和处理方式的公司比那些含含糊糊说“我们有海量数据”的公司靠谱得多。一旦数据合规出了问题公司价值可能瞬间崩塌这是所有人都承受不起的。2.5 资金健康度现金流比市场份额更重要在创业公司的语境里常常听到“占市场份额优先于盈利”的说法。客观讲早期阶段确实如此但如果一家公司烧了七八年还讲这个故事就要小心了。我会认真研究它的月常性亏损规模——如果每月烧掉的钱远超收入增量而且融资节奏跟不上那么即使是估值很高的明星项目也会面临极大的流动性风险。用这个方法可以筛选掉很多“画大饼”的企业。真正值得选择的公司即使亏损亏损的幅度也应该是收窄的哪怕不赚钱它的现金流也能支撑较长时间的研发和商业拓展。把现金周期当作生命线看待的团队远好于那些花钱无节制的团队。2.6 它们如何组合一张实用的评估打分表说了这么多维度的判断标准我通常会把它们整合成一张表来做定量评估。每一项从一分到五分打分再根据用途分配权重。评估维度求职者权重采购方权重投资人权重评估要点技术能力25%20%20%场景表现、评测体系、幻觉率控制商业化验证15%35%40%付费客户、续约率、收入结构人才密度30%10%15%三方向配比、团队稳定性数据资产10%20%15%数据来源、壁垒、合规链条资金健康度20%15%10%现金流、烧钱率、融资进度权重不同选出来的结果差异非常大。这也是为什么同一家公司对有些人来说是机会对另一些人则是陷阱。3. 不同身份视角下的选择逻辑求职者、采购方和投资人要的东西完全不同3.1 求职者最该问清楚的三件事如果你是想去一家大模型应用创业公司工作我强烈建议面试过程中重点问三件事第一你的核心交付物是什么是做一个被人使用的互联网产品还是交付一套企业定制的系统还是支撑一个内部的模型迭代流程“我进去之后会写模型代码还是写业务代码”这个问题的答案基本决定了岗位价值的成长路径。第二团队的正式立项方向是否已经有真实用户还停留在拍脑袋阶段如果还在方向探索阶段意味着你做的很多事情很可能半年后被推翻重来。第三公司的技术栈是否和主流生态保持同步有没有自己的微调或评测流程如果完全依赖外部现成开箱即用的模型技术积累非常有限对个人成长帮助不大。我记得有次和一个开源社区很活跃的开发者聊天他去了一家听起来很“大模型”的公司入职后才发现整个团队既不调模型也不做数据工程每天只是调用公开接口再用大量人工改结果美其名曰“效果优化”后来他果断离开了。求职者去这类公司之前一定要问清楚你的算法能力到底是用来构建产品还是用来给人打杂。3.2 企业采购方要的是确定性不是炫技公司采购一套大模型应用本质上是在购买“降低整体成本或提升经营效率的结果”而不是购买一个技术玩具。我的建议是先让潜在供应商拿着自己真实的历史业务数据做一个有效期的测试注意用小规模但完全合规的数据不要一开始就提供核心机密。测试时要设置明确的验收指标比如客服场景里的客户满意度、平均解决时间、转人工率知识库场景里的首答准确率、引用来源可核验率。如果供应商不能把这些指标说清楚或者不愿意承诺一个保守但真实的指标范围那就说明他们自己心里也没底。另外要特别警惕“数据全部私有化部署”这句话。私有化部署虽然看起来安全但如果供应商对模型运维能力不足后续版本升级、模型更新、知识库索引优化都会成为麻烦。当年很多公司部署了传统智能客服系统买完之后一年也不更新效果越用越差这个教训在大模型时代依然存在。采购方要把“长期共同进化”的机制谈清楚而不只是买一套静态软件。3.3 投资人看模型指标之外的单位经济作为投资人看一家大模型应用公司时技术和团队当然重要但我更看重它的单位经济模型能否持续优化。简单说就是每多服务一个客户边际成本会不会降下来每个客户每年贡献的毛利相对于获客成本是不是合理有些应用场景表面上毛利率很高但一旦进入定制化交付环节人力成本会吞噬掉所有利润每多一个客户就多亏一份钱这类“规模化陷阱”在行业应用层里尤其常见。我比较看好的曲线是前两三个客户确实靠深度定制跑通但后面必须通过产品化沉淀出可复用模块让交付周期明显缩短。如果一家公司做了五六个案例之后交付周期和第一单一样长那它的产品化能力基本为零扩张必然极其艰难。3.4 三重视角归纳求职者、采购方、投资人看似都是“选择一家公司”实际选择逻辑差距很大。作为求职者选择和公司内在成长路径相关的机会作为采购方选择风险最小的落地路径作为投资人选择有指数效应的商业模式。这三种判断框架只有调好权重才能找到真正适合自己的目标。很多人因为用错框架导致出现了极大的认知错位。4. 那些很容易被忽略的“隐形坑”数据闭环、边缘交付与现金流信号4.1 Demo惊艳生产环境一地鸡毛大模型应用里最经典的翻车故事就是Demo惊艳全场结果一上线就拉胯。有一个做合同审查的团队演示效果极好模板合同里的风险条款诸如“违约金比例过高”“争议解决条款不明确”都识别得很精准但实际部署到客户的合同库里发现真实合同大多是扫描件、手写签批、多语言混合排版乱七八糟模型在干净测试数据上的优势瞬间消失。这类“从好数据到脏数据”的落差在大模型应用里可以说是非常常见了。判断一家公司是否值得选择要看它是否有处理这些边缘情况的经验和耐心。可以在测试时专门准备一些阴影遮挡、倾斜角度、低分辨率的文档作为“脏样本”看看模型在这些样本上的表现会不会大幅退化。能够把注意力主动放在脏数据和边缘情况上的团队比那些只追求顶级效果demo的团队更值得信赖。4.2 没有数据闭环客户复购率持续下滑很多公司第一次给客户交付时效果不错但运行三个月后效果开始滑坡原因是真实场景中出现的新问题没有形成新的样本反馈到模型里。客户反馈、模型改进、效果再验证——这个环一旦没有运转起来大模型应用就会像一台没有保养说明书的新车越开越慢。我在评估一家创业公司时一定会问你们有没有专门的评测集管理工具生产环境里的bad case是怎么回流到训练集的模型更新频率有多快如果答案含糊或者只是“我们手动归类再定期处理”那说明它的数据闭环能力还停留在作坊阶段未来规模一大必然失控。4.3 不自觉地陷入自研底座迷信把现金流烧光在半路从去年到现在我见过不止一家公司把大量资源投入到从零训练一个垂类底座模型上面。这种选择的初衷通常是觉得外部通用模型不够可控、不够专业但基础设施层面的研发是一个资金黑洞周期长、结果不确定而且和“用大模型解决具体业务问题”这个创业初心完全是两码事。真正聪明的团队会把绝大部分资源放在数据、产品和场景上底座模型能用成熟开源方案解决的就直接用需要微调就在上面做增量训练。选择一家公司时看清它对“自研模型”的执念有多深是一个很重要的判断信号。如果一家公司的CEO一开口就是“我们准备训练自己的千亿参数模型”而它的付费客户数还只有个位数那我基本可以断定这家公司大概率撑不到产品成熟的那一天。4.4 低估脏活累活文档解析才是很多项目的交付瓶颈这是一个特别容易被外人忽视、但在实际交付中极其重要的问题。很多大模型应用听起来像是纯算法问题真正落地时却卡在文档解析、表格结构识别、多模态检索这些“体力活”上。比如做一个企业知识库问答系统光是让模型正确读取PDF里的多层表格、复杂图表就已经消耗掉团队一半以上的工程时间。一家公司如果愿意在OCR、版面分析、结构化抽取这些底层能力上长期投入它的产品可用性通常比那些只关注模型对话体验的团队高很多。这是判断“是否有真实工程能力”的一个很重要的参考指标。一个大模型应用公司如果对脏活累活嗤之以鼻觉得它们不够“智能”那么它的产品大概率只能停留在demo水准。4.5 关注现金流信号应收账款与合同结构财务数据很难拿到但有一些公开或者侧面信息能做判断。比如它在招聘什么岗位、幅度多大比如它是否频繁更换办公地点比如它的创始人近期访谈里谈现金流还是谈愿景。合同结构的信号也很关键如果一家公司的客户大量采用“先实施后验收、验收再付款”的模式说明其对客户谈判力不足也就意味着产品底气不够。这些信号不发生在一夜之间通常有长达数月的渐进恶化期。如果你在选择一家公司的过程中观察到了这类信号建议不要抱侥幸心理因为大模型应用行业对资金流的依赖实在太高了。5. 我的实操选择习惯与最终复盘5.1 信息有限时我的一套快速过滤法在预算和人力都不充足的情况下我们经常没法做那么全面的尽职调查所以我总结了一套十分钟快速过滤法第一步先看这家公司过去六个月内公开分享的模型效果或者产品案例注意区分“技术指标”和“业务结果”。第二步在招聘网站上查一下最近三个月的职位发布趋势如果持续招聘算法和交付两种岗位说明公司大概率有真实业务在推进。第三步试用它的公开产品或者申请demo权限做一个自己设计出的真实小流程测试关注细节而非总体观感。第四步在技术社区的讨论里搜一下这家公司的口碑尤其是参加过它内测或者用过它产品的开发者的评价。这四步不能保证筛选出最优解但能把那些有明显软肋的公司快速排除掉。5.2 和创始人聊一次我必问的三个问题如果有机会和创始人面对面或者视频交流我会问三个问题。第一个问题是“你们过去六个月里最大的认知变化是什么”真正在做业务的人肯定能答出具体细节比如对客户需求的理解变了、对模型方案的取舍变了如果只能讲一些空洞的大词那说明他离一线业务很远。第二个问题是“如果一个客户要求深度定制你们怎么处理产品化和定制化的矛盾”这个问题最能看出公司的商业成熟度。第三个问题是“如果明天这个应用的底座模型全换掉了你们的工程架构和数据流程需要改动多少”这个问题检验系统抽象能力。这三个问题里第二个通常最见高下。成熟团队会告诉你他们有一套“定制需求产品化收敛”的流程能区分哪些需求是行业通用的、哪些是单个客户独有的不成熟的团队只会说“我们以客户需求为第一优先级”言下之意就是未来每个项目都从零开始这样的公司很不值得长期投入。5.3 几次“看起来很美”却最终劝退的案例复盘我第一次评估一家做企业法律咨询大模型应用的团队时差点被它的产品演示震撼到。它能通过对话直接输出法律意见书格式规范、引用充分、表述严谨。但我后面做的测试发现只要我把材料换成一份普通的劳动仲裁裁决书并加上一些手写备注它就明显开始“犯迷糊”关键日期会看错、争议焦点归纳不完整。后来陆续验证了多份真实异构文档发现根本达不到可用水准。那次经历让我意识到要判断一家公司的真实水平光看标准数据是不够的必须使用“脏数据”和“异常样本”来不断测试它的边界。另一次是一个做智能客服的创业项目融资消息频繁对外宣称客户数量众多。我找了一些内部人了解情况发现它的合同里大部分是一次性搭建费用订阅收入占比极低而且客户流失率相当高复购基本靠换壳包装的老客户二次采购来粉饰。这种公司尽管账面数字热闹但本质上做的仍然是高成本定制的传统服务生意大模型并没有给它带来真正的边际优化所以我最终劝一位想要加入的师弟放弃了那个机会。5.4 把“小流量验证”当作永恒的决策习惯我这些年使用过的最好用的决策方式就是对任何一家锁定的公司先尝试一个极小的合作、入职或者试用动作再做重大决定。不要因为一份精美的商业计划书就all in也不用因为一篇负面的网络讨论就完全否定用小成本去验证核心假设永远好过用想象去判断。比如你想知道这家公司的交付能力就直接买它一个最小的标准化产品模块试用你想知道技术细节就尝试和它的技术人员在社区里交流一两个具体问题你想知道团队氛围就约一次线下参观。很多纸上谈兵的空对空讨论一次实际接触就能彻底弄清楚。对我来说“值得选择”的公司不在于它当前的估值或宣传有多响亮而在于它是否在真实场景里完成了验证闭环是否拥有稳定且可持续的商业模式以及它的团队是否对业务和技术保持着实事求是的态度。大模型应用行业的窗口期还很长一轮又一轮洗牌后胜出的往往是那些踏实把脏活累活和场景细节搞定的人。选择之前慢一点、细一点、认真一点把股权激励、个人成长和协作方式都当成综合考题的一部分你把开头想清楚后面的路就会顺利得多。