跳至正文
MakerGain
← 返回项目

客戶問「它能自動化什麼」,他只能答「anything」:Meerkats 後來把這句話拆成規則

編輯:MakerGain

Santanu Dasgupta 在兩次失敗後做出 Meerkats。它起初是無程式碼 LLM 應用搭建工具,早期鎖定代理機構;官網如今將它定位為 AI 系統的 context layer,具體工作是把業務資料、定義、狀態、規則與允許動作串成受管理的上下文,供 agents 讀取與行動。經營者將過去「anything」的回答,收窄為按規則、權限執行並留下 receipt。

Santanu Dasgupta 的第二個想法,敗在一個很普通的問題。MVP 得到正面反應,但更多是對「想法」本身的肯定;接著對方問:它能自動化什麼?他回答:anything。

這是他後來在 Indie Hackers 帖子裡的一段自述(Journey so far building an AI startup: Mistakes and Learnings[1])。那款產品想取代 Zapier 做 AI 流程自動化。回答「anything」等於沒回答。從採購角度看,這個答案無法拿來對照預算、流程,也無法向具體的人說明邊界——這是對自述的解讀,不是客戶原話。他寫,那段時間財務與精神壓力很大,一度覺得退出是唯一選擇。

他花了 8 個月,經歷兩個失敗想法。第三個想法起初也不是如今官網的模樣:按同一篇帖子,Meerkats AI 當時是面向個人創業者的無程式碼 LLM 應用搭建工具。帖子講第三個想法的由來時還提到,他當時認為 AI 雖擅長生成內容,但風格語氣、SEO 等更高階工作仍需人工介入。他舉的實例,是用工具搭一個能對任意主題做深度網路研究、再改寫成多種內容的應用。搭建使用 Langchain、Langgraph、OpenAI APIs 和 Node.js 等(同上)。MVP 剛完成,他在帖子裡問如何取得第一批使用者,說試過 Twitter 和 LinkedIn,成效不大。

Meerkats 早期推廣時,鎖定的是已替客戶執行 campaign、尚未使用 AI agents 的代理機構。按 Startup Founder Stories 對 Indie Hackers 訪談的轉述,團隊向人脈圈內的代理機構做冷啟動與定向聯繫,舉辦線上、實體教育活動,也透過 LinkedIn 貼文獲客(Startup Founder Stories[2])。資料沒有代理機構數量、轉換率或 CAC。

如今官網賣的,又是另一層。截至 2026 年 11 月 17 日讀取時,Meerkats 將自己描述成 AI 系統的 context layer:將業務資料、定義、狀態、規則與允許動作串成一層受管理的上下文,供 AI agents 讀取與行動(Meerkats: the context layer for AI systems[3])。

具體來說:Claude Code、Codex、自建 agents、n8n workflows 與內部應用,都能透過 MCP 和 API 讀取同一份上下文;模型端接 Claude、GPT、Gemini 或自有模型,更換模型、修改規則不用重建。資料按計畫同步,但任何動作執行前都會重新即時讀取。

圖:來源為官方頁面[3],2026-11-18以瀏覽器擷取的架構示意圖;不代表本輪實測。

若拿過去那句 anything 對照,真正的差異在語意層:每個實體、指標與關係只定義一次,平台標籤映射到客戶自己的口徑,遇到不認識的名稱直接拒絕,不猜。官網也舉了權限例子:唯讀合作夥伴想改廣告預算,會被擋下。

交付也以「可查」為設計目標。人用自然語言寫 playbook,系統將它轉成含觸發、時間窗、條件與限制的型別化自動化,按時程執行、跨次保留狀態,規則修改後下次執行即生效。每次 agent 執行都生成一張 receipt:讀過什麼、依哪個規則版本、由哪個權限放行、改了什麼,另有回讀驗證、tokens 與耗時。能驗收的工作,與一句「已經替你跑過」,是兩門生意。

Dasgupta 在 Indie Hackers 訪談裡說,他做了 20 年 SaaS GTM,在美國、歐洲、印度從開發者轉向成長與顧問工作,反覆看到 GTM 仍仰賴手工、零散工具與代理機構執行(Growing an AI orchestration platform to $3k MRR in 4 weeks[4])。這段經歷解釋了他為何稱 Meerkats 為「digital growth agency in software」:接替 SDR、行銷人員與代理機構的大量重複工作——擷取和豐富關係資料、生成商機、執行 campaign 與跟進,都在聊天介面完成(同上)。

財務部分有一個明確時點。同篇訪談中(頁面未顯示發布日期),他說平台四週前上線,當時 MRR 超過 $3k。這只屬於訪談當下,不是今天。除了這個數字,訪談提到的財務支持還有 University of Chicago Polsky Center 的 Alumni New Venture Challenge 資金、用平台提供代理服務來支應營運,以及 Azure、OpenAI、Anthropic 提供的模型成本 credits,均無金額,利潤仍不清楚。

定價頁(2026-11-17讀取)提供四檔月繳,最低 $29;Enterprise 是客製年度合約,跑在客戶自己的 Snowflake、BigQuery 或 Databricks 資料倉儲,資料不複製出去——對需要通過採購的人來說,這句話比任何準確率數字都管用(Pricing[5])。

有人會問,為何不自己搭。訪談裡他的答案很實在:新創 GTM 團隊選 Meerkats 而非 Claude Managed Agents 與 OpenAI Agent Harness,是因為想按任務挑最便宜又合適的模型,團隊也可能沒人有能力搭 Agent Harness,於是整件事外包。他稱之為「Service as a Software」,甚至是結果導向服務。定價頁賣的是連接數、資料量、AI credits 與同時執行的自動化額度;訪談說的則是把成長執行整段接走,不能直接視為同一種交付。

在同一條「給 AI 業務上下文」的路上,DataHub 的 Shirshanka Das 在 SourceForge Podcast 裡將目前重心放在分析型 agent:先做 context retrieval,再把回答後的修正與觀察寫回圖譜,形成跨任務記憶;他把「提供 context」與「提供 agent 本身」劃成仍在觀察的界線,目前更願意讓公司自行在上面搭 agent(The Context Platform for AI Agents: DataHub | SourceForge Podcast, episode #126[6])。Meerkats 官網則把 playbook、允許動作與每次執行的 receipt 放在同一層(Meerkats: the context layer for AI systems[3])。兩者都賣「讓 agent 瞭解業務」,但 DataHub 目前的中心場景是資料問答;Meerkats 將 playbook 變成依規則執行的自動化,並留下可查紀錄。

值得停一下的是,今天官網與訪談的定位並不完全一致。官網說 context layer,賣給任何想把 agent 接進業務的人,最低每月 $29;訪談說 digital growth agency in software,賣的是替你接走成長執行中的大量重複工作。一個賣地基,一個賣結果。資料沒有這套 context layer 的上線或遷移日期,也缺乏從早期內容工具走到今天的完整變更紀錄,因此說不清這是轉向,還是同一件事的兩種說法。

但有條線可以這樣看:過去答不出的問題,今天的產品給了更窄的答案。語意層拒絕不認識的指標名稱,唯讀合作夥伴改不了預算,每次執行留一張 receipt。這些動作指向同一件事——把「什麼都能自動化」換成「這件事,按這些規則,在這個權限裡,做完了,可以查」。資料還接不上這些邊界是否已成為付費理由;但至少,答案不再是「anything」。

繼續閱讀

AI 開發
每改一個小地方都要再付一次錢,他把 App 設計搬進了聊天框

Diego Roshardt 發現行動應用程式的設計稿每次修改都要另外付費,於是做了 AppAlchemy。使用者在聊天框描述 App,產生 React Native 程式碼後,掃碼就能在手機上即時預覽。改一句話,畫面就跟著變。程式碼可以匯出,公開資料未交代由誰打包和上架。他花約兩週做出初版,選擇先累積 Reddit 帳號的活動紀錄、找出相關社群,再用對讀者有價值的貼文分享產品連結,以這種方式代替直接投放廣告。

AI 開發
RepoPrompt 取消了 15 美元月費,替編碼代理挑檔案的工作還在

RepoPrompt 接手的是編碼代理請求送出前的挑選:模型的上下文與注意力有限,常只讀部分程式碼庫就推理,它把相關檔案和儲存庫結構組裝成可審閱上下文,再交給代理。經營者 Eric Provencher 後來取消 15 美元月費,開源社群版並封存 Classic;加入 OpenAI 後,他不再積極參與,維護交給社群。免費的是應用訂閱,模型呼叫仍按各自服務條款計費。

AI 開發
先寫說明書,再讓 AI 寫程式:CodeGuide 把 9 小時文件工作做成訂閱

CodeGuide 賣的是先替專案寫好的說明書:把需求、架構和任務拆清楚,再交給 AI 程式開發工具。它從 CJ 做 MVP 開發服務的自用流程起步——先用 ChatGPT 花 9—10 小時問清專案,再用 make.com 串提示詞省下約 7 小時。CJ 沒先建完整產品,而用 Bolt 搭登陸頁收集候補名單,並逐一私訊留言的 beta 用戶,問其是否已有更好流程解決 AI 幻覺;他的結論是,自己試過的方式在這些做法中依然最好。

AI 開發
一句話產生一套能修改的 App 畫面,Sleek 被掛上了待售頁

Mattia Pomelli 與兩位朋友一年內做了四個設計工具,最新的 Sleek 用三週建成。它替使用者接下的任務是:給一句話、需求規格或參考截圖,產生風格統一、可編輯的 iOS/Android 畫面,並能繼續用聊天或手動修改。Pomelli 選擇把重心放在行動端介面,讓成品可進 Figma 原生圖層、React+Tailwind/HTML,也可供程式開發 agent 呼叫;產品現已掛售,頁面列累計收入 196,063 美元、MRR 17,672 美元,利潤未披露。