大家好，我是 Lessie AI 的 Cofounder yanjun。首先真的非常感谢仲泰的邀请！刚看到降临派上有对 Lessie AI 的超详细测评，写得非常用心、非常宝藏，非常感谢你们如此认真地看我们的产品。

Lessie AI 的起点

今年2月，我们正式开始做 Lessie AI。最初的 Lessie 很简单：一个帮你用 AI 找 TikTok/YouTube/Instagram 达人的工具。

那时候团队规模很小，用了三个月做了一个小 beta，5月上线。

但真正的关键节点，是上线后我们发现了一件事：大家除了想找达人，还想找更多的人。很多用户都跟我们说：“我想找能合作的品牌”，“我想找潜在客户”，“我想找能写稿子的写作者”，“我想找对某个技术方向感兴趣的工程师”。

我们突然意识到：找达人只是 “找人的一个分支”。如果 AI 能够理解你要找的人是谁，那它就能帮你找到任何你想建立关系的人。

于是我们决定：彻底把产品从 “找达人” 升级为 “People Search AI Agent”。

9月底正式上线

6月，我们快速做了一个转向，把 Lessie AI 变成一个可以真正完成以下任务的 AI Agent：读懂你想找谁、从多平台自动检索、自动筛选判断、自动提取线索、给出 “为什么是这个人” 的理由、甚至帮你起草沟通话术。

经过 4 个月迭代、重构、优化，我们在 9 月底正式上线新版。这个版本，Lessie 已经从一个 “搜索达人工具”，变成了一个真正能理解你的意图、帮你找人、帮你判断、帮你沟通的 AI Agent。

名字的由来

我们的公司名叫 Superlinear，产品名叫 Lessie AI

很多人第一次听到我们公司名字 Superlinear 都会问：它是什么意思。Superlinear 来源于数学里的一个概念：当投入增加 1，产出却能增加大于 1，这就叫超线性增长（superlinear growth）。Paul Graham 也写过一篇非常经典的文章，标题就叫 《Superlinear Returns》。我们相信伟大的产品，会从 “线性增长” 变成 “超线性增长”。我们把公司命名为 Superlinear，希望让人与人的连接变得更强大、更高效。

Lessie 这个名字来自一句人人都知道的话：Less is more. 我们做 Lessie AI 的初衷，就是希望结合 AI 的技术，用户能用更少的输入，获得更多更精准的结果。

关于邀请码

我们真的很想早点把邀请码全面放开，让更多人随时体验 Lessie。但目前确实存在现实的成本、算力问题，我们已经在紧锣密鼓地优化了，相信全面开放的那天真的不远了。

PS: 局限于地域原因，今天我们只能面向海外地区找人的需求进行检索，希望大家理解～也非常感谢大家的耐心和支持。

最后

Lessie AI 还远远没有到我们心中想象的样子，我们每天都在努力往前推进。非常感谢每一个愿意使用 Lessie AI、愿意给我们建议、愿意指出问题的朋友。你们的反馈和鼓励，对一个早期产品来说真的特别重要。

另外，我们团队正在积极招募伙伴们一起创业，Agent 开发、增长，从执行骨干刀核心角色均有位置，欢迎联系我们，hr@lessie.ai

我们会继续把 Lessie AI 做得更好，也会继续把 “找人” 这件事重新做一遍。

邀请码领到了之后测一些例子，有的是我知道答案的，比如自搜或者搜同事，有的是我不知道答案的，假装自己是 HR 在找，当然也真的有一些 social networking 的需求。交互的体验是不错的，界面易用也清晰。在漏斗型条件（比如行业 + 工龄）和网络人士搜索中感觉还不错，点了几个候选者也都是符合要求的。但在按照毕业院校 + 公司搜索的时候给的符合条件的会有点少（绿色打钩是完全符合的，黄色是有一点不符合的，打叉的是基本不符合的），这里不知道原因是什么。比如有 A + B 条件，在看搜索过程的时候，能看到一批是满足 A 条件的，一批是满足 B 条件的，像是 A 找一些，B 找一些，然后看重不重合，不重合就没有，这就导致如果 A 和 B 都是比较宽泛的条件，反而有几次什么都没找到的情况。这里可能要优化一下搜索逻辑。另外就是对于候选人人数，从pricing看似乎是按照人数要求扣积分，但我控制不了人数啊 QAQ

有点意思，这玩意儿有点意思。

今天看到群里提到lessie这个app的邀请码很稀缺，没听过这个app，就点开看了一下。智能人脉是什么意思我不懂，但是看简介的意思是，我可以拿这个来筛人。

我倒没啥招聘和销售的场景，但是我的确需要找点聪明的脑子，来扩展我的视野和思路。

## Round1

先搓了个需求，再让我的提示词增强助手生成了一个提示词（图1），顺手再翻译一下喂给Lessie，经过它的理解之后，开始搜索并很快得到了15个结果（图2）。

1. 虽然我不太认识这些人，但是一整排的 2024 nobel是不是有点偷懒了？

2. 另外，我的要求是10个人啊，你生成15个结果，还直接扣了我45 credits，啥意思，我倒不是不愿意扣，但是我在prompt里说了只要10个人啊！

从结果上，我不是很满意，难道我不知道去直接看诺奖得主吗，这个结果乍一看是没有给我带来什么找人很厉害的感受的。

再找gemini解读了一下，它说这个名单很牛（图3），然后我又把我的原始需求扔给它，让它评估一下结果，它说给 65/100分，主要原因是被年度新闻热点带偏了，有挺多定位重复项，而且1/3是技术解，而不是认识论。

## Round2

我觉得可能是我的需求和限制条件没有讲清楚，
于是在和gemini商量了一会儿之后，我优化了一下提示词（图5）,TL;DR如图6。

把这个提示词喂进去之后，我在search & critical 又补了两个限定（图7）:
1. The 10 smartest brains must stand on 10 completely different fields
2. Focus on "why the world works this way," not "how to succeed."

于是Lessie AI筛查了5轮，筛查了129个人，得到了14个结果（前4轮只有9个结果），不过全是领英的。（图8）

同样的， 我还是不知道具体这份名单如何，再扔给gemini评估（图9），它认为：因为数据源是领英，AI 倾向于找到那些**“善于经营个人品牌的职业人士（Professionals）”，而不是纯粹的“公共知识分子，导致混杂了顶级的思想家和普通的咨询顾问。

不过，要我说，事情总是要反过来讲，Lessie真的能找到顶级的思想家欸，因为他们是专业领域人士，可能没那么会营销，所以一般的谷歌搜索搜什么high quality blogs是找不到他们的，我看了一下简介，这些人的确是有点意思啊。

列举如下：

1. Douglas Rushkoff (道格拉斯·拉什科夫)（地位接近凯文·凯利）。他的 Team Human 播客和 Substack 深入探讨技术如何异化人类

2. Mike Veseth (迈克·维塞思) 红酒经济学家 (The Wine Economist) 用“红酒”作为透镜来分析全球化、气候变化和贸易战。视角极其独特且具体。

3. Alexandra Lange (亚历山德拉·兰格) 普利策奖得主，为彭博社 CityLab 撰稿。教你理解“物理空间如何塑造社会互动”。符合“底层逻辑”要求。

4. Alexandra Prokopenko (亚历山德拉·普罗科彭科) 俄罗斯政治经济分析师，她撰写 The Bell 的简报。在当前地缘政治下，这是一个非常稀缺且高价值的硬核信息源。

5. Robert Siegel (罗伯特·西格尔) 机械修配哲学家，斯坦福讲师，同时也是“黑客机械师”。这种将“汽车机械原理”与“商业系统”结合的跨界视角，非常有意思。

这么想我就觉得这个人脉搜索还真有点东西，这也是我给好评的原因，非常迅速地产生了价值，并且结果有亮点。

以上是过程和故事。

## 下面就是评价了

### 惯例是先写优点

1. 数据源很奇妙，来自领英或者什么别的地方，我看是CoreSignal Database和PDL Database，这不是我们通常考虑的互联网的范围。很明显的是，新的数据源就会引入新的认知和思考，我觉得这是很好的

2. 它按结果扣除你的credits，而不是过程，它的思考、揣测、搜索、筛选，甚至那些备选结果但未pass criterion的，都不会占用你的credits，只有那些真正经过筛选的人，才会按照3点/条的计费方式来扣。换句话说，他对自己的结果有信心。我觉得这代表了一种自信

3. 它允许你自己增加筛选的标准，你可以很严苛，也可以很放松，完全由你自己决定，但是，需要注意的是，宽松的限制会导致糟糕的结果，而那仍然会扣除你的credits
4. 在严格的限制下，它无法确保所有的交付结果都是足够好的，但是至少在我看了，有一部分是足够好的，这让我很满意

### 当然待改进项也不少

1. 前面提到的扣credits的问题，我都显式声明只要10个了，你为啥还要给我15个然后扣我45啊，我不心甘情愿，虽然我是试用用户，但是按40$一个月1000 点的价格看，也就是多扣了0.5$。

2. 从需求描述中提取限制条件的这部分功能并不够好，我的prompt已经写得很完整了，但是仍然没有提取完整的限制，看起来不管需求多长都是生成5个条件。而从两次任务来看，条件才是决定真正执行标准的东西，而不是原始prompt，所以，换句话说，你的“需求优化”把我本来就很强的描述转换成了弱描述。 用户必须要试错了才会学会要通过多添加几个Criterion来实现真正的筛选，而不是一个劲地优化自己的prompt。

3. 一旦submit 任务，就无法终止了，这意味着你没有后悔药，自己的credits在那一刻开始，要扣多少就不归自己决定了。

4. export只能导出为excel，这部分支持的方法还是太少了，没有google sheet或者别的，哪怕csv也是一种创新呢？我是非常讨厌使用xlsx的

5. 我的第二个例子中的人，全部是领英的，第一个例子中的人，全部是website，这让我对与数据来源产生了疑问，是否意味着单次任务是不会足够全面地进行搜索的？而只是先搜一次，看看有没有满足条件的，然后再看下一次？这样的话，它就只是一个大过滤器，而不是一个筛选+排序的agent了，我觉得倒也没啥，就是会显得有点单调。毕竟你总不知道还有哪些好的被你漏掉了

以上

是一个给国内品牌做海外比如YouTube还有ins做些达人投放筛选方面的媒介工作

很久没有因为体验一个产品情绪波动那么大了（原因可以看第四和第五点）：

1.粗筛和深度推理是分开的，按任务完成节点式收积分，既能给到初步结果，又可以及时调整和让用户决定控制成本，这点我喜欢

2.真的ai找人，以前我见到过一张excel（mcn或者第三方帮产品方匹配达人就是靠一张表格和数据）

3.AI海外运营目前需求很高，从单纯货品出海，到品牌出海，其实一方面需要达人，长期也需要持续学习人家那些做得好的数字营销的人怎么做的，这点就可以直接搜索减少信息差（国内有些案例就是翻译或者粗略总结下）

4..我之前有曾经手动做过一些信息匹配和人员匹配，在社群内部的一个小demo，包括一直在关注ai招聘，我前年到现在有了解和体验过

①招聘类公众号和社群，像是知潜

②岗位与简历的一个初级匹配和解读，根据你的信息，告诉你应该去做什么工作这种（比如职升机，用户访谈时有和他们团队聊过，）

③入门级猎头群

④劳务中介：为此去年寒假还特意去实际看了一下劳务中介实际情况是怎么样做，以及他们怎么赚钱的（去年寒假实习特意找了个劳务中介去了解相关情况，然后有些一言难尽吧。

⑤远程求职类信息（公号和社区），比如Brix（社群运营志愿者之一）。

5.今天看到了这个产品后，开心又有些伤感（开心是终于有个产品把想要内容做出来），伤感则是觉得自己之前做的简直是个玩具吧（想加入这个团队一起做点事情hhh，哪怕打打杂也成呀），图四是收藏的相关文章，然后他们宣传视频下面评论区有提及数据来源于一个合规数据提供商，数据合规性在产品早期就很注意就很棒

6.有待进步：①准确率高但并非百分百，比如搜索数字营销领域的从业者，会把一些粉丝多但不是做市场营销的账户加进表格里②llm解读以后可以有你们的经验加入，让ai解读不是单纯调用api，而是能够结合你们的经验给出更加精准的内容。

7.最后想问下是否支持表格的导出？

评价：界面简洁，功能清晰，但还需要不断完善的一个产品

测试范围：搜索双相障碍治疗领域的专家；搜索善于测评口红的亚洲美妆博主；搜索伊维菌素原料药的客户

平均用时：1分钟以内

搜索范围：LinkedIn和Ins

优点：

1.在确认搜索对象前，会让用户添加和修改AI归纳总结的条件（比如搜索网红，可以限定粉丝数量、作品数量、单个作品点赞数量等；搜索专家，可以限定近半年论文发表数量、最新论文的主题是否有相关度、学校、学校职称等）然后再进行搜索，节省了我们上社交媒体一个个筛选的时间

2.搜索结果清晰，有来源和邮箱地址以及搜索者其他相关信息（见截图）

3.有一个AI筛选、选入、排除的过程可以让用户看到

局限：

1.搜索来源目前似乎还有限，比如搜索网红非常重要的tiktok和youtube我没看到，大部分都是在INS上搜索，这和表述的功能不符合

2.搜索到的联系方式以邮件为主

3.是否可以覆盖国内的一些社媒

改进建议：

1.增加搜索来源范围，这部分功能可以对标国内电商一些付费软件

2.来源不同搜索范围的人脉，在呈现搜索结果时，需要有差异；比如呈现网红，需要注明这些人的粉丝数和作品数等

3.AI可以在呈现结果中适当补充每个人脉满足用户多少条件，让用户理解这个人脉被筛选出来的原因

产品目标是海外市场，咱不是目标用户，只能浅体验一下。
产品体验设计还是很不错的，克制的UI设计与丝滑的agent工作方式提供了不错的体验。当然这些都是加分项，主要还是看检索结果能否帮助解决问题，让搜索国内的KOL，信源都是来自Linkin而不是国内平台，答案质量无法探究。
还是GOOD支持一下AI创业者吧。