2人团队融资500万美元，打破Agent的不负责“人设”｜对话创始人

Sheet0.com: the first Level 4 Data Agent

无论是 OpenAI、Anthropic 等头部公司推动的通用型 Agent，还是垂直场景下的自动化工具，市场都在快速验证一个趋势——数据已成为驱动 Agent 能力的核心燃料。然而，获取、清洗、组织高质量数据的难度和成本，依然是阻碍 Agent 大规模应用的关键瓶颈。传统的数据采集方式要么依赖工程团队开发程序，要么依赖低效的人工操作，这在信息碎片化和实时化的今天，已无法满足市场对准确性和速度的双重要求。

在这样的背景下，Sheet0 选择从一个被长期忽视、却极具爆发潜力的赛道切入——为人类与 Agent 提供“L4 级别实时数据收集与交付能力”。不同于依赖单一工具调用的方案，Sheet0 底层通过将用户数据需求翻译为可执行代码，建立了可解释、可回溯的动态 Workflow 系统，加上 Data Environment 驱动的反馈闭环，当执行报错时，Sheet0 可以进行自我修复。在内部测试中，Sheet0 在两分钟内准确收集 YC 官网 294 家公司的全量信息，并且可以根据用户进一步需求，收集创始人教育、工作经历等数据。成本和速度均比其它 Agent 产品低一个数量级。

创始人王文锋作为连续创业者，在 AI、基础软件与大规模分布式数据处理领域的近十年工作经验，让他在数据工程、上下文构建（Context Engineering）以及可组合系统架构上具备深厚功底。这不仅让 Sheet0 能在技术实现上跑得更快、更稳，也让他在市场节奏与产品定位上有着极为稀缺的超前判断力。

Sheet0 不只是想做一个数据收集工具，而是一个为超级个体、知识工作者以及 Agent 网络提供实时数据的高效聚合层，旨在打造专属于 Agent 的 Google.com。在 AI 应用的下一阶段，谁能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 Agent 互联网的关键枢纽。Sheet0 正在用它的技术体系与市场切口，快速逼近这个位置。让我们一起走进 Sheet0 和它的创始人王文锋的故事，lets enjoy！

Z Potentials：首先恭喜 Sheet0 完成了 500 万美元融资，我好奇团队真的只有两个人吗？

王文锋：谢谢，签 TS 的时候，加上我确实只有两个全职的同事和一个实习生。现在要比当时多一些。

Z Potentials：能否请您分享一下过往的工作和创业经历？特别是您毕业后在人工智能和基础软件领域的探索，这些经验如何塑造了您对当前创业项目的认知？

王文锋：我的职业经历可以分为两个大阶段。我是 2017 年毕业，前 4 年在写代码，后 4 年在创业。2019 年我加入了地平线，负责地平线 AI 平台下面的数据平台，主要是数据存储和清洗。2021 年的时候，基础软件投资很火，因为我的老本行是做消息队列的，也是基础软件的一种，所以就跟着朋友一起去创业了，成为了联创和 CTO。2023 年夏天的时候，决定做 Agent，就投入了 LLM 创业的大潮。

在地平线有一帮天才的算法工程师和科学家，我在他们的熏陶下，逐渐认识到“高质量数据会才会产生更好的智能”。而长期的基础软件开发和设计经历，培养了我的技术品位和产品直觉，这对我思考做产品产生了非常重要的影响。

Z Potentials：您头六年都在和数据打交道，那您如何看待数据在如今 Agent 与人交互中的重要性？再谈谈 Agent 时代数据的特殊价值？

王文锋：首先要区分数据的类型和应用场景——面向人的数据与面向 Agent 的数据是完全不同的。

对于 Agent，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。业内关于 GPT-5 效果不及预期的讨论，本质就是高质量训练数据接近枯竭。在地平线做自动驾驶时我们也发现，比起调参，补充一批高质量数据对特定 case 的提升更显著。优质数据必须明确输入、输出以及中间过程数据，这些才是模型真正学习的核心。强化学习同样依赖这种任务步骤数据与奖励信号。

第二，运行过程。在运行时，核心数据是上下文（Context），应包含任务执行的所有步骤数据，并经过结构化管理、语义化处理与因果关系定义。Claude Code 近期的表现，就得益于对工具调用消息的精细语义化区分。对 Agent 而言，好的数据就是组织良好的语义化 Context。

第三，工具调用。本质上在获取第三方实时数据来补充自己上下文。今天模型的 Tool use，或者 MCP，基本都是封装了一个代码函数，然后通过代码访问背后的数据。但如果我们认真的去思考，这个代码函数必要性有多大？因为代码的本质是在操作底层的结构化数据。所以模型为什么不能直接用 SQL 来获取数据而是非要走经过一个代码的中间层？

对人类用户，数据的价值，除了业务价值外，更多在于可验证性与心理安全感。用户需要确认结果来源，以网页数据为例，数据是怎么从网页上取下来的，取下来之后又经过哪些处理环节，我们可不可以以一个简单直接、端到端“白盒”的方式呈现给用户？准确和可解释我相信会是数据最稀缺的一个品质，一定要让用户敢用。

Z Potentials：请介绍一下，我们的 Sheet0 平台本质上是什么，有哪些功能？

王文锋：好的。我想先从短期目标和长期愿景两个层面来介绍。我们把 Sheet0 的产品定位为 L4 级 Data Agent。

“L4”这个说法最常见是在自动驾驶领域——L4 意味着你只需告诉车从 A 地到 B 地，剩下的过程它全程接管。同样逻辑放到 Agent，就是用户只需描述目标，系统便能自主完成任务并交付结果。

在我们的场景中，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，我们就能将数据收集、整理成可直接用于分析或可视化的表格，这就是我们对“L4 级 Data Agent” 的定义。

短期来看，我们的核心能力是将任意数据源（网页、文件、API）转化为结构化的 Data Sheet。举个真实案例：某客户想分析 Twitter 上哪些 KOL 的“爆款率”更高。原因很简单——Twitter 是重要的舆论与营销渠道，做投放时自然希望选择爆款率高的博主，以获得更高的 ROI。客户只需告诉 Sheet0 这个目标，它就会自动收集相关博主的历史推文及浏览量、回复数、转发数等数据，整理成结构化表格，并通过 SQL 计算每位博主的爆款率，最终交付完整结果。

与市面上的同类产品相比，我们最大的差异化是如何“又准又快”为用户交付“100% 准确，0 幻觉”的结果。实现这一点的关键，是将任务拆解成可解释、可校验、可回溯的底层 workflow 代码，让数据收集与处理过程透明、结果可靠。

长期来看，Sheet0 将为超级个体、知识工作者以及 Agent 以自然语言的方式提供线性可扩展的实时数据获取和处理能力。

Z Potentials：怎么理解？你认为未来数据对 Agent 的重要性是什么？

王文锋：在软件里面，后端本质上为前端提供实时可渲染的数据。这些数据随机的分布在不同的数据库、文件系统、或者某个 API 里，所以需要后端工程师手动去聚合他们。

我现在经常会思考，或者说质疑一些可能被大家认为是常识的东西。比如说：用户一定需要一个普遍意义上的前端吗？我的看法是 Chat 就是新时代的前端，一次性 App 是出现在对话框内的生成式 UI 组件。我认为从 GTP5 开始，我们会很快看到这个趋势。

现在制约这个“新前端”能力的，是模型对实时数据的获取能力，因为“新后端”还没有出现。谁可以对模型提供实时数据的供给能力，谁就是 Agent 时代的“新后端”。从这个角度出发，Sheet0 也许有机会成为这个“新后端”。

为什么实时数据这么关键？对 Agent 而言，数据可以分为知识和信息，模型为 Agent 提供了足够的知识，但非常缺信息让模型实时决策。Context Engineering 的本质是在为 Agent 组织这些信息，一方面是记忆，一方面就是实时数据。然而 Agent 获取实时数据的方式还非常原始和不智能，需要一个更标准的方式让模型可以获取实时数据。

这也意味着，未来的竞争重点不一定是“我有多少数据”，而是“我能多快、多精准地为 Agent 提供实时数据”。一旦数据获取速度接近实时、交易成本趋近于零，Agent 之间的协作效率就会产生质变。你可以想象，某个 Agent 在执行任务时，瞬间调用来自不同节点的多组数据，就像今天的 API 调用一样自然，这种模式会极大压缩信息不对称和 Agent 的能力边界。

所以，我们关注的不是成为唯一的“数据源”，而是成为 Agent 生态中的高效数据聚合层，以更标准的方式为 Agent 提供实时数据访问能力。如果把 Agent 当“人”来看的话，或许把 Sheet0.com 当作属于 Agent 的 Google.com 更合适（笑）。

Z Potentials：你们怎么做到数据“100% 准确，0 幻觉”的？

王文锋：现在很多 Agent 产品，都侧重于端到端的替用户完成任务，强调自主性；而我们采用的是“多次确认，逐步对齐”的策略，强调准确性。所以我们的“100% 准确，0 幻觉”只针对 Sheet0 成功完成任务，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，我们不存在中间的不确定性。

在具体的产品实现过程中，我们主要依赖两点：

1. 动态生成且可迭代优化的执行流程：我们不是写死一套抓取逻辑，而是让 Agent 在任务执行过程中，如果遇到一些例外情况，会重写、优化 Workflow 和代码。这意味着同一个任务，多次运行间可能底层逻辑完全不同，但用户无感知，因为用户看到就是一张数据表。

2. 数据环境（Data Environment）驱动的反馈机制：Data Environment 是 Sheet0 的 RL 环境，承载了运行监控、错误分类、上下文过滤、数据验证等功能。这让 Agent 在每次失败后，都能基于明确的、结构化的反馈来做调整，而不是依赖模糊的语言描述去“猜”问题出在哪。

所以从技术角度出发，Sheet0 本质是一个非常精通处理数据问题的 Coding Agent——先写代码，跑测试，收集报错，再迭代改进，直到可稳定长时间运行为止。

Z Potentials：我们现在已经有了初步的内部内测用户，能不能请你分享一下用户场景？有没有对这些用户进行过画像分类？尤其是有没有一些出乎意料的“长尾场景”，让用户觉得效果特别好，甚至解决了他们很大的问题？

王文锋：我们现在的主要场景还是集中在公开互联网数据的收集上面。

第一个案例来自国外的外包平台，比如 Fiverr 这类自由职业网站，“数据收集”一直是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，活动数据不是表格，而是散落在地图上的一个个标记点中。用户的目标是从 700 多个活动里筛选出适合 2-4 岁小朋友的活动，并整理出来。

传统方式下，这需要逐个点击地图标记，弹出窗口，再手动复制粘贴，非常耗时；由于涉及地图交互，要让程序员写脚本成本高、周期长，而且未必有人愿意接这种低预算任务。而我们的工具恰好解决了这个痛点。

第二个案例是一个销售线索生成的典型需求。一位用户在寻找 AI 潜在客户，他们的工作流分两条路径：

第一条：收集市面上的 AI 公司信息。他们会先从 AI 工具类网站抓取公司列表，再聚合整理，并为每家公司寻找合适的联系人和邮箱，这些信息分散在公司官网和公开渠道。

第二条：基于已有的大量客户邮箱，分析哪些客户公司正在进行 AI 转型。他们会将邮箱映射到具体公司，研究业务领域，判断是否与 AI 相关，并打上标签。

如果用传统软件开发方式，搭建这样一条端到端的数据处理流水线，需要程序员数周的时间。而这位用户借助 Sheet0，直接串联数据采集、清洗、匹配和标注的全流程，快速生成了可用的线索名单。

我们在 waiting list 阶段几乎没有做任何宣传，纯靠自然扩散，就积累了3000 名 waitlist 用户。

因为实现终极目标还很远，路径很关键。所以结合产品方向和实际用户需求，我们初期选择公开互联网的数据抓取场景，先成为最强的AI数据收集工具，可以让每个公开网站变成结构化数据表。并会先深入支持产品经理、市场运营等人员数据方面的需求。

Z Potentials：在商业模式上，你们是如何规划的？尤其是在 AI 接单、为人类完成任务这个方向上，未来希望构建一个怎样的社区？

王文锋：短期来看，我们采用与多数 Agent 产品类似的 Credit（积分）计费模式，基于底层实际的资源消耗量来计算。

从长期看，我们会探索结果付费的可行路径。比如，当用户需要的数据在公开渠道或我们现有数据库中都找不到时，可以由用户自行设定愿意支付的价格，生成任务并分发到 Sheet0 平台用户网络中。如果其他用户恰好拥有这些数据并愿意出售，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 知道谁有数据，负责撮合，让数据在用户间实现高效、可控的流通。

Z Potentials：你在 2023 年创业后，也经历过一些方向转型，在行业判断或者技术路线选择上，有没有走过的弯路？又从中得到了哪些收获呢？

王文锋：总的来讲，就是心太急，预期没管理好。

我正式开始创业是在 2023 年 7 月，第一个方向做的是 AI Coding，公司名直接就叫 LLM Programming，意思就是“大模型编程”。当时的切入点比 Cursor 更激进——先让用户写好产品需求文档（PRD），然后直接转化成用户可以使用的软件，其实就是今天的 Vibe Coding。大家可能知道，Cursor 在 2024 年 5 月之前的新模型出来前表现其实一般，直到 Claude 3.5 出来后才一下子起飞。我们当时对模型的理解和信任度还不够，加上推进得过急，最终效果不理想，所以决定换方向。回头看，这次尝试让我开始相信模型的能力会持续进步。

第二个方向是 Tool Use，叫 NPi，全称叫 Natural Programming Interface，自然语言编程接口。上过 HackerNews 前十和 Madrona Ventures 发布的全球第一份 Agent Infra 榜单。NPi 在 2024 年 2 月启动，到 6 月就有了比较完善的第一版。之所以选择 Tool use 是第一个方向的尝试让我们坚信 Agent 需要 Take action。事实上，现在回头看 NPi，会发现那时我们做的正是后来的 MCP，提前了半年，不仅定义了流程和规范，还做了完整实现。和我们同期做一样事情的公司叫 Composio，印度团队，今年上半年完成了光速美国领投的 2900 万美元的融资，现在是硅谷的当红炸子鸡。

NPi 第一版做完后，我总共聊了 30+Agent 开发者，发现大家关注的重点都不是 Tool use（事实上 MCP 火也是 25 年 2 月 Cursor 支持了 MCP 后），都在搞 RAG。核心原因是当时大家的问题不是没有合适的 Tool，因为用 LangChain 之类的框架做个 Tool 很快，痛点是如何让 Agent 选对 Tool。在这个过程中，我意识到 Agent 的关键是 Context，所以总结出来了 Context Engineering。而纯做 Tool layer 又接触不到 Agent 的 Context，无法提高工具调用精度。这让我意识到，单纯做 Tool Use 产品是不够的，于是我们决定往上层走，经过很长时间的探索，最终做了 Sheet0。

从第一个到第三个项目，其实底层初心未变：让普通人也能用极简的方式获得工程师的“超能力”，即把复杂的问题简单化后自动化的能力，也是 pivot 过程中始终会思考的问题。一开始想的是让 AI 能帮人写程序，之后觉得代码对普通人不友好，所以开始做 Tool use，因为程序员做的事情是在串联不同的代码工具接口，如果模型可以做好 Tool use 是不是可以看不到代码了？最后才意识到代码的本质是在操作结构化数据，是一脉相承的。

总结一下就是，我的判断往往比市场领先一年左右。这意味着，至少要持续负反馈状态下死磕大半年以上才有机会。比如 AI Coding 和 MCP 当时差不多都要等 1 年。

Z Potentials：是的，即便方向对、需求真实，也需要经历至少半年的磨合期，才能看到一些正向信号。AI 不是一波流的生意，而是需要长期投入、厚积薄发，中间会有多个阶段性爆发。

王文锋：对。我觉得可以回头看看，成立半年内就迅速出的圈产品，几乎没有。现在那些明星产品，哪个没一两年的“冷板凳”？Cursor 是 22 年成立，2024 年 5 月 Claude 3.5 出来后才开始起飞。再比如 Manus，先是 Monica 积累了两年，哪怕决定开始做Manus，也不是一帆风顺，中间半年多的时间也是调整了好几次。

所以我的总结是：一是要有合理预期。尤其是不要低估作出 Production-ready Agent 的工程复杂度。正好前两天看到一个图，我觉得很贴切。

二是还是要对模型进步要有信心。这是个老生常谈的问题了，但每次模型发布，都会有很多人出来唱衰，我现在都是直接屏蔽这些言论。

我对模型的信心转折点是在 2025 年 5 月的一天，之前我是一直强迫自己相信。当时是在和一个朋友聊天的时候，我脑子突然蹦出来一个想法：人类存在的本身是不是就是 AGI 存在的最好证明。因为人是大自然在复杂物理规律作用下的产物，人有智慧，所以从这个事实出发，智慧本身是物理规律作用的结果。

有一个词叫“心理障碍击碎效应”，说的是某个问题或极限被突破证明可行了以后，复现的难度会下降一大截，典型如马拉松。所以回到我前述那个看起来有点奇怪逻辑，既然大自然已经给我们打了样，证明智慧的存在是物理规律，所以我们有什么理由去怀疑模型不持续进步呢？

Z Potentials：你最后会想要送给现在正在 AI 方向创业的读者一些什么话吗？

AI 发展很快，大家都很 FOMO，很多时候大家都是被推着走。我最近一直在提醒自己：当一个东西开始泛滥的时候，一定要从浪花里跳到岸上，想想什么是稀缺的？我希望下半年能有更多的时间来思考。

请注意，本次访谈内容已经过编辑整理并已获得王文锋的认可，仅代表受访者个人观点。我们也欢迎读者通过留言互动，分享您对本访谈的看法。欲了解更多信息，敬请访问Sheet0官方网站https://www.sheet0.com/。

商务合作

Cassie | 微信：18506490569

Ares | 微信：18606066421

Lina | 微信：13381020131

David | 微信：13809501924

Ania | 微信：13720814733

媒体合作

Echo | 微信：13003974360

游戏、应用等APP出海对接

Shadow | 微信：18650708568

卖家对接

Demerly | 微信：18150844790

客户服务

Lia | 微信：baijing018

与CEO聊合作

白鲸出海魏方丹 | 微信：bjbandari02

（添加请备注姓名、公司及职位）

长按识别二维码，备注“白鲸”申请加入白鲸社群，获取更多资讯、活动、资源