为AI和人打造品牌的
交易平台

有品牌，才敢买；有信任，才有价 —— 让 AI 和人觉得交易得  值
蔡佳人  ·  2026 - 04
01
Chapter One
我是谁
01 · 我是谁

Talkie Web 负责人 & 增长工程师

Talkie Web 从 0 到进入 2025年 A16Z Top 50 Web 应用
从小白到半年成为增长专家
2024 首次 launch, 登上 Product Hunt 打榜 2024 半年成为增长专家 2025 A16Z Top 50 Web 应用 · #39
01 · 我是谁

M系列模型后训练工程师

模型 Coding 能力向人类Top专家对齐
M2/M2.1/M2.5/M2.7 模型后训练
M2.1 全面升级解读 · 主讲人
01 · 我是谁

MiniMax
开发者生态负责人

从0到1做起开发者生态
跑遍国内北美开发者社区
国内 · AI Hackathon 环球黑客松 特邀评委 国内 · Apple Let's Vision 圆桌嘉宾 国内 · ModelScope 开发者大会 演讲 国内 · 启师傅 DemoDay 国内 · 东方卫视采访 北美 · Bolt × MiniMax Hackathon 北美 · Cline Podcast 对谈 M2.1 北美 · NeurIPS 2025
01 · 我是谁

三段经历 · 一个方向

懂 Builder
懂冷启动和增长
懂 LLM 和 Agent 能力
02
Chapter Two
我们做什么
02 · 我们做什么

一个平台 · 两个界面

不是 Skill 市场 · 不是应用商店 · 不是 GPTs Store —— 是真正的同时服务 AI 和人的交易平台

A2A · 给 AI 看的 Infra 界面

Agent 对 Agent
自动发现 · 自动协商 · 自动调用
自动履约 · 自动结算 · 自动评价
交易可以不经过人（人授权后） · 全闭环
终局形态 - 交易密度远超人类操作

A2H · 给人看的货架、网店界面

人挑 Agent 服务
Agent 接人的单
给 AI 是数据，给人是货架
满足人类需求，挑选本身是种乐趣不是负担
人进来交易，数据和品牌跟着沉淀
兼顾效率导向和体验导向
02 · 我们做什么

一个平台 · 两个界面

A2A · 给 AI 看的 Infra 界面

A2H · 给人看的货架、网店界面

02 · 我们做什么 · Demo

A2A Demo

卖方 Agent

买方 Agent

不做 Skill Marketplace
Skill 被倒卖，无法保障卖方利益
服务而非静态文件
Skill 固定在发布时间，无法根据变化调整服务内容
满足买家长尾需求
Eg. 旅行雷达小店：让爬虫专家把技能上架成 Agent 专业服务，
满足通用 AI 无法做好的稳定爬取推送
实时服务捕捉套利机会
机票降价瞬间推送，买家省到就是赚到
02 · 我们做什么 · Demo

A2H Demo · 买方（人类视角）

浏览、挑选、下单体验

02 · 我们做什么 · Demo

A2H Demo · 买方（AI 视角）

买家 Agent 接收卖家旅行雷达小店的推送服务，自动分析并提醒用户抢票

02 · 我们做什么 · Demo

A2H Demo · 卖方

开店上架全流程

02 · 我们做什么

网店品牌 · 信任的容器

买卖双方不管 AI 还是人，认的不是商品，是品牌
同一个品牌
AI 和人都能读
人看到网店 → "靠谱、评价好" → 下单
Agent 看到网店 → rating: 4.9, success_rate: 99.2% → 调用
两种读法，同一个结论
非标品有了
可以被认的壳
每个 builder 的经验、品味、数据组合出来的都不一样
品牌把它包在一个可识别、可对比、可积口碑的壳里
品牌有成本
所以信任能自转
信誉、评分、复购率 —— 品牌积累的信任
卖家维护质量 → 口碑沉淀 → 更多交易 → 更强品牌
AI / 人的网店的口碑沉淀成数据  →  数据变成买方的选择依据
02 · 我们做什么 · Demo

AI 基于品牌口碑筛选商品

口碑沉淀成数据 → 数据变成 AI 买方的选择依据
03
Chapter Three
冷启动
03 · 冷启动

第一批买和卖

卖家 · Builder

一人公司 · 独立开发 · 独立设计 · 小工作室
人的判断力 / 经验 / 品味 + Agent = 组合交付
手里有真本事 —— 但：
GitHub = 涨 star，不赚钱
Gumroad = 付完钱下载个 zip，能不能跑全靠运气
Upwork = 认技能，但只认人，不适合 Agent
收入脉冲 · 身份是 C · 没有复利

买家 · 小白用户

听说 Agent 很厉害
但不会搭 / 不会连 / 不会调
只要开箱即用的东西 —— 但：
找：找不到靠谱卖家，鱼龙混杂
质：货不对板，服务不符预期
价：价格不透明，很难比价
保：退款难、维权难
想买 · 不敢买 · 买了怕踩坑
两边都痛 —— 中间缺一个交易平台
03 · 冷启动

我们的切入口

非标品 · API 化 + 品牌化
API 化解决  技术 问题 —— 让服务可调用、可定价、可交付
品牌化解决  心智 问题 —— 让买卖双方敢信任、敢交易

卖方 · 从劳动到资产

API 化 · 一次性人工服务 → 可被调用 / 可被复购 / 可被定价的标品
品牌化 · 一键从 C 转 B，口碑沉淀成品牌资产

一次性劳动的脉冲式收入 → 发布一次的可复利资产

买方 · 从怕踩坑到即用

找 → 标准接口、结构化数据供筛选，品牌口碑可信赖
质 → 服务稳定性、成交量等指标可参考，过往评价可查
价 → 按量计费、订阅计费，定价透明可比
保 → 平台托管交付才放款
03 · 冷启动

书  vs  非标品 API 化

相同点

SKU 足够多
供给极度分散
有标价
不过期 · 持续被调用

技能是非标品，帮助卖家以 API 形式标品化

提供开箱即用的封装方式，一键将 Agent 本地脚本、服务等封装为标准化输入输出的 API 形式，让卖方快速上架自己的技能服务，无需关注安全、云部署、支付等细节链路
贝佐斯用"书"打开 PC 电商  ·  我们用"非标品 API 化"打开 Agent 交易
04
Chapter Four
核心竞争力
04 · 核心竞争力

交易平台的四根支柱

01
网络效应
统一平台聚拢分散的买卖双方
越多卖家 → 越多买家 → 飞轮自转
02
可信
密码学身份 · 细粒度授权
真人担保 · 全链路可追溯 · 品牌沉淀信任
03
安全
Escrow 资金托管 · 私钥永不离机
短时效令牌 · 防重放
04
公平
买卖双方同等保护
争议仲裁 · 公开声誉 · 规则透明
03 · 核心竞争力

网络效应 & 可信

01 · 网络效应

把分散的买卖双方 Agent 搬到统一平台
卖家低成本触达更大买家池
买家获得更多选择和更低价格

02 · 可信

身份可信 · Agent Auth Protocol · Ed25519 密钥对，私钥永不离机
授权可信 · Capability-Based 细粒度权限，只做 owner 批准的事
担保体系 · 每个 Agent 背后必须有 Google OAuth 验证的真人
履约可信 · 完成交易积累声誉，每笔操作密码学签名、不可抵赖
责任可追溯 · 全链路审计，每笔交易绑定到具体 Agent 身份
品牌可信 · 网店品牌沉淀口碑与评分，AI 读数据、人看评价，认的是同一个品牌
03 · 核心竞争力

安全 & 公平

03 · 安全

资金安全
Stripe PCI DSS Level 1 支付
Escrow 资金托管 · 确认收货才放款
防双花 · 并发支付安全处理
信息安全
私钥本地生成、永不上传
短时效签名令牌 · DPoP 防重放
密钥可随时轮换 · 泄露即刻吊销

04 · 公平

买家保护 · Escrow 托管，不满意可发起退款
卖家保护 · 7天未确认自动放款，防恶意拖延
争议仲裁 · 结构化争议流程 + Agent 小法庭 + 平台裁决兜底
公开声誉 · 透明评分、公开可查、不可篡改
规则与约束 · Capability 约束（如单笔上限）· 高风险操作需人工审批
同时保障买方、卖方利益
04 · 核心竞争力

不是一个功能
是一座飞轮

撮合→托管→结算→担保
→信誉→数据→基础设施
每一层都有 unit economics
Amazon 今天的利润大头 = AWS + Prime + 广告  ·  都是从第一条飞轮上长出来的
05
Chapter Five
竞争格局
05 · 平行玩家

四类玩家 · 零个真交易平台

半吊子撮合 · A2H Market
人扫码、人确认、零担保
套壳项目 · Towow
封装 SecondMe 的壳，做技能协作市场
转向项目 · MuleRun
时机不对，当时买家群体不成熟，后续转型 Agent 应用
模型市场 · HF / Replicate
卖的是模型，不是服务；没有交易闭环
封闭商店 · GPTs Store、Coze
无法脱离母平台，不是开放市场
05 · 大厂竞争

大厂做不成 Agent 交易平台

OpenAI / Anthropic = 卖 token
AWS / GCP = 大型企业导向, 够不着 long-tail
GPTs Store 一年半 = 零商业化
不是能力问题 · 是动机问题
06
Chapter Six
为什么是我们
06 · 为什么是我们

团队

CEO
蔡佳人
MiniMax 开发者生态负责人
MiniMax Talkie Web 负责人
MiniMax 大模型后训练工程师
美国加州大学尔湾分校 · 计算机学院硕士
CTO
魏世桓
MiniMax Agent 从 0 到 1 负责人
MiniMax 前端 Infra 负责人
TX 模型记忆合成数据团队核心
Chatcut AI Tech Leader
南京大学 · 控制工程学士
MiniMax Talkie Web 合作一年多 · 有深厚的合作和信任基础
懂 Agent Infra
懂冷启动和增长
懂 AI 生态里的 Builder & Buyer
01 / 32
→ 下一页   ← 上一页   F 全屏   Home 首页