Sprix AI：让Agent自动接单赚钱，打造Agent劳动力市场

当大多数人还在思考如何用AI提高效率时，深圳屿智同行科技创始人兼CEO张永豪已经将目光投向了更远的未来：让AI Agent自动接单、自主交付，甚至替主人赚钱。在B站的一次分享中，他详细介绍了旗下平台Sprix AI的愿景——成为国内首个Agent Native的人才智能体基础设施，开创人与Agent协作时代的人才公用新范式。

从工具到生产力：Agent的重新定义

Sprix AI的核心逻辑并不复杂：用户将自己的专属机器人（如Workabuddy、CodeX、HomeOS等）连接到平台，Agent便会自动扫描可解决的任务，完成后经平台验收，报酬直接打入用户账户。张永豪将平台定位为「Agent的淘宝」——企业发布任务，平台智能匹配不同Agent的组合，跨时间、跨地域完成交付。

这一定位与市面上单一的Agent工具形成鲜明差异。张永豪强调，平台不仅支持创建代表个人工作能力的分身Agent，还能直接接入桌面机器人。目前，Sprix AI已完成两轮融资，Pre-A轮融资正在进行中，且已有几家机构发出TS。

清华实验揭示：差距不在工具，而在协作方式

为了验证人与Agent协作的差异性，Sprix AI在清华大学开展了一项实验：给100位设计学相关同学下发同样的设计任务，并指定使用同样的智能体。结果，100位同学产出了100个完全不同的结果。

张永豪分析，差异源于四个关键能力：目标定义能力（准确理解需求、清晰定义任务目标和约束条件）、提示与引导策略（有效组织上下文、持续引导Agent方向）、迭代修正能力（发现问题并持续优化）、结果判断能力（评估结果优劣与交付价值）。每个人的这四项能力不同，即便使用相同的工具，结果也天差地别。

这项实验直接引出了Sprix AI的两个核心命题：第一，当一个人积累足够的Agent技能，能否构建代表其工作方式的Agent分身？第二，企业如何精准评估候选人与AI的协作能力？

双端产品：C端分身与B端任务/招聘

Sprix AI的产品分为C端和B端。C端用户可以在平台创建Agent、积累Skill，并通过简历和AI面试完善职业画像；平台也会基于已有Skill进行范围推断和迁移，同时支持接入桌面机器人。

B端则提供两种模式：任务模式和招聘模式。任务模式下，企业发布任务，平台匹配Agent组合与协作师（审核员），完成结果评估；招聘模式下，平台根据岗位生成可由AI完成的任务，候选人Agent执行后，平台不仅评估结果质量，还分析迭代次数、引导过程等协作记录，形成「AI协作能力报告」供企业参考。

张永豪指出，AI时代企业除了看学历、经历，越来越看重候选人与AI的协作能力。平台正是为解决这一评估难题而生。目前平台聚焦四类任务：网站开发、UI设计、数据标注和市场营销。

商业模式：任务分包制与数据飞轮

与抽佣制不同，Sprix AI采用任务分包制。平台结合Token成本、人才拥挤程度等因素给出定价，任务发布方需提前付费。企业可免费查看两次Agent结果，查看更多则需付费，以避免白嫖C端成果。

张永豪透露，目前平台净利率已达80%以上。市场端，平台已与比亚迪、快手、腾讯等企业达成合作；人才供给侧，每日活跃Agent最高达8000多，周增长率呈指数级上升；需求侧，已有1000多家企业入驻，200多家付费企业，且多为字节、讯飞等大厂。

数据飞轮是另一大优势。平台已积累十万多份简历数据、数万小时AI面试数据、数百万轮问答记录，以及新增的人岗匹配、人机协作、任务反馈等数据。数据越多，算法越强，产品力越好，客户越多，形成正向循环。

技术壁垒与行业定位

Sprix AI拥有16篇融合专利，核心算法由张永豪以第一作者在AI顶会发表，并获最佳论文第二名。技术底座包括五个支点：Agent分身建模（基于自研大模型和Agent运行框架，构建可持续学习迭代的分身）、基于贝叶斯斯坦伯格机制的多Agent调度协议、Agent能力图谱、结果质量评估规则库，以及人机协作能力评判体系。

张永豪将劳动力市场演进分为三个阶段：1.0时代是人才招聘（如BOSS直聘、猎聘），企业采购长期全职人才；2.0时代是灵活用工（如Mercor），企业采购灵活劳动力；3.0时代则是Agent劳动力时代，企业调度Agent与协作师完成自主交付。Sprix AI瞄准的正是3.0时代。

对比传统招聘平台，张永豪认为核心差异在于：简历不能代表真实实力，尤其在AI时代生产力不可量化；Sprix AI本质是生产力调度平台，而非纯招聘平台。他坦言，与BOSS直聘业务可能有交叉，但长远看对标的是Mercor——一个纯AI Native的Agent调度市场。

贝叶斯斯坦伯格机制是博弈论中描述主从决策结构的一种模型：领导者（此处指平台或任务发布方）先行动并设定规则，跟随者（Agent或协作师）在观察领导者策略后做出最优响应，其名称源于德国经济学家海因里希·冯·斯坦伯格。贝叶斯扩展引入了信息不完全性——参与方对彼此类型（如Agent能力、任务难度）持有先验概率分布，并通过观测信号不断更新信念。在Sprix AI的多Agent调度协议中，这一机制被用来建模平台与Agent之间的委托-代理关系：平台设计激励与验收规则，Agent依据自身能力与成本做出参与和努力程度的决策，从而实现任务组合的最优匹配与质量约束。

终局思考：AGI时代仍需人机协同

张永豪坚信AGI终将实现，但AGI的出现不意味着所有人的生产力和结果都一样。每个人的目标定义、迭代修正和差异化依然显著，任务与AGI之间仍需协同。Sprix AI的终局是成为全球最大的Agent人才网络，同时积累的人机协作数据将成为训练AGI的稀缺资产。据世界经济论坛预测，到2030年22%的岗位将发生结构性变化，影响约17亿个工作岗位；麦肯锡预测30%到50%的工作任务可由AI完成。在张永豪看来，Sprix AI有望成为Agent时代的生产力数据基础设施。

**AGI（通用人工智能）**指具备与人类相当或超越人类的广泛认知能力、能够像人一样跨领域学习与解决新颖问题的人工智能系统，区别于仅在特定任务上表现优异的专用AI。当前大模型虽在语言、编程、多模态等任务上表现突出，但在持续学习、长程规划、常识推理与自主目标设定方面仍存在局限，因此业界对其实现时间表争议较大。张永豪的终局判断建立在AGI终将到来的前提上，但他强调即使AGI普及，个体在目标定义、迭代修正与差异化判断上的能力仍不可替代，人机协同仍是任务交付的必要环节，这也构成了Sprix AI积累人机协作数据作为AGI训练资产的价值基础。