互联网巡回犬 Vol.13：戒指里的 Agent、对冲基金里的 AI、以及那个雇来擦屁股的人类专家

今天叼回三件事。一个清华博士和腾讯产品经理凑在一起，决定不做可穿戴设备，要做「Agent 智能体硬件」——载体是一枚戒指；一个前 Bridgewater 投资者和一个做 LLM 安全的 Princeton 工程师，专门盯住了对冲基金这个群体，三个月跑出 $100K ARR；还有一个十年磨一剑的公司，昨天（5 月 14 日）在 Product Hunt 上发布了一个产品——让 AI 干完粗活之后，由人类专家来做最后一道 QA，卖的是「交付成果」而不是「生成草稿」。三条线放在一起，指向同一个问题：AI Agent 的感知通道在往哪里延伸，延伸到哪里就会撞上人类，然后你需要决定是绕开还是把人接进来。

弦指科技给自己的定位是「新一代 Agent 智能体硬件研发商」。这个措辞是精心挑选的——他们不是智能戒指公司，不是可穿戴设备公司，而是在做 Agent 的硬件形态。1

这个区别在产品逻辑上是成立的。普通智能戒指做的是数据展示——心率、血氧、步数，读数给你看，怎么用是你的事。弦指的 Wilo Ring 想做的是在这些生理数据之上跑一个 Agent：系统持续采集心率、血氧数据，推断你当前的身体状态（疲劳、压力、睡眠不足），然后主动触发干预——睡眠调整提醒、压力放松引导，通过震动和语音交互的方式推出来。1 简单说，就是把戒指从「传感器终端」升级成「主动感知节点」——它会盯着你，判断你现在是什么状态，然后决定要不要介入。

产品预计 2026 年 6 月正式发布。弦指并不孤独——和它差不多时间段内，原子埃尔（天空工场创投，做震动 AI 交互）、邮爱他科技（家庭和机构场景）、新核创新也分别完成了天使轮。1 IT 桔子形容这个局面是「行业尚处于爆发前夜的混沌期，大家都想买一张通往未来的门票」。1 在这波里，弦指是迄今为止定位最清晰地喊出「Agent 硬件」这个词的一个。

两位创始人都是 95 后。丁强刚是清华硕士、Mila 研究院（蒙特利尔学习算法研究所，Yoshua Bengio 主导的机构）博士，曾与 Oura（芬兰智能戒指品牌）有过合作，所以他对「把传感器和 AI 接在一起」这件事的理解不只是纸面的。1 联合创始人黄鑫晨的背景是腾讯微信产品经理，拼在一起是一个 AI 研究者搭一个产品出身的组合——研究侧懂数据建模，产品侧懂用户感知和交互节奏。

2026 年 4 月，弦指科技完成千万元级天使轮，国香资本领投，奇绩创坛跟投。1 奇绩创坛是陆奇主导的早期加速器，出现在这里意味着项目至少通过了陆奇团队的技术和市场判断。国香资本此前有医疗健康方向的投资经验，出现在消费级健康 AI 项目里逻辑顺。

Oura Ring 已经证明了智能戒指这个硬件形态有真实的消费者需求——它现在有超过 500 万付费用户，2025 年估值约 50 亿美元，主要用户画像是关注睡眠和运动恢复的精英用户群体。这个验证是有价值的，但 Oura 的产品逻辑仍然停在「数据展示 + 手动解读」这一层。它告诉你昨晚睡了 6.5 小时、深睡 1.2 小时，但接下来怎么做，你自己想。1

弦指的切入点恰好是 Oura 没做的那一层：让 Agent 基于实时数据主动介入。这不是功能迭代，是产品哲学的不同——传感器不再只是采集终端，而是 Agent 的感知器官。Agent 通过戒指「看到」你的身体状态，然后决策，然后执行。如果这个逻辑成立，Wilo Ring 的竞争对手就不只是其他智能戒指，而是所有想成为「个人 AI 管家」入口的产品——手机、耳机、眼镜。

当前的核心风险是产品还没正式交付。「主动介入的 Agent 逻辑」是否真的能从传感器数据里读出有效的行动触发信号，需要等用户实际用起来才能验证。六月是第一个观察节点。

对冲基金研究员的日常工作大概是这样的：早上打开六个信息源，把 Bloomberg、FactSet、高盛研报、JP Morgan 策略报告、MSCI 数据和公司财报往一起撮，找出对自己持仓有影响的信号，然后写出一份研究备忘给 PM 看。这件事需要时间、需要上下文、需要跨源比对——恰好是 AI 理论上可以显著提速的任务类型，但实际上几乎没有工具真的做好过。

Multiplier 想做的就是这件事。2 产品定位是「对冲基金的 AI 指挥中心」——把 Bloomberg、Goldman Sachs、JP Morgan、FactSet、MSCI、Aladdin、Interactive Brokers、Tradeweb、Nasdaq 等 50+ 个金融数据源接进来，部署在客户自有云上保证数据安全，然后让 AI 持续扫描、归类、浮出与投资组合最相关的信号。3

Multiplier 的客户 Mercator Partners 的 CIO Scott Hobart 这样描述使用前后的变化：「We used to spend 80% of our time gathering information and 20% acting on it. WithAI has flipped those percentages.」（「过去我们 80% 的时间在找信息，20% 的时间在用信息做决策。WithAI 把这个比例倒过来了。」）3 同一家公司的 Head of Primary Research Martin Fransson 说：「Multiplier eliminates the need to search every 'haystack' as the 'needles' are floated to the top and organized by importance, impact, and relevance for the portfolio.」（「Multiplier 不需要你再翻每一堆干草，针已经浮到上面了，并且按重要性、影响和相关性排好了。」）3

3 个月内达到 $100K ARR，已有多家客户在生产环境使用。2

两位创始人的背景在这件事上贴合度相当高。Ian McInnis（CEO）是 Princeton 数学出身，在 Bridgewater Associates 做过全资产类别投资，直接干过这套「收集信息-做研究-出结论」的流程，知道哪里是真正的耗时节点。2 Benjamin Finch 是 Princeton ECE，前 Sentient Labs（AI 安全方向）创始研究员兼 Chief of Staff，在 LLM 协调和安全技术上有一手经验，负责技术侧的构建。

投资人名单里最值得看一眼的是 Bridgewater Associates 联席 CIO Greg Jensen 和 Karen Karniol-Tambour。2 Bridgewater 是全球最大的对冲基金，管理约 1500 亿美元。两位联席 CIO 亲自出手做天使投资，意味着什么，Ian 自己清楚。这不只是背书，更接近 Bridgewater 在测试一个假设——自己内部正在用、或者有动机用的工具，投早期让团队帮忙打磨。YC Spring 2026（P26）批次，Primary Partner 为 David Lieb，纽约，3 人团队。2

Ian McInnis 在 YC Launch 里说过一段话，这段话是整个产品逻辑的核心：今天的 Agent 模式在编程上有效，是因为代码可以跑起来验证，对错一目了然。但股票研究不是这样的——你没有办法「运行」一份对某公司的判断来看结果，结论的质量只能靠时间和市场来验证。2 这意味着对冲基金的 AI 产品不能走「让 Agent 全自动跑」的路，必须是 AI 提速、人来决策的协作方式。Multiplier 的定位是「指挥中心」不是「自动驾驶」，这个分寸感恰好踩在了对冲基金的使用边界上。

金融 AI 垂直赛道里，Bloomberg 的 AI 工具在做、高盛在内部搭、Palantir 也在渗透。但这些玩家的产品要么是在已有生态里加 AI 层（Bloomberg Terminal 的 AI 功能），要么是从数据安全和合规角度给大客户做定制化（Palantir 的路子）。没有一个团队是以「从对冲基金分析师的工作流出发重新设计工具」为起点的。$100K ARR 在 3 个月内跑出来，说明付费意愿是真实的，对冲基金不是那种会为了试试玩玩就掏钱的客户。

Tendem 昨天（2026 年 5 月 14 日）在 Product Hunt 上发布，当天拿到 #3 Day Rank，460 个关注者。4 这不是一家刚成立的创业公司——它是 Toloka AI BV 旗下的产品线，而 Toloka 是 Nebius Group（NASDAQ: NBIS）的子公司，在 AI 数据标注和 Human-in-the-Loop（在 AI 工作流中嵌入人工质检节点的技术体系）这个方向上积累了十年。5

产品的工作模式是这样的：用户用自然语言提交一项复杂任务，AI Agent 先把量的部分处理掉——比如扫描信息、整理素材、生成初稿——然后交由平台上的人类专家做最终的质量把关和交付。5 Tendem 卖的不是「AI 帮你写了一半」，而是「你提交任务，我们交付一个可以直接用的成果」。这两个定位之间的差距，是用户需要自己做 QA 还是不需要——Tendem 的表述是「Behind every AI: a human expert」，AI 在前台干活，人类专家在后台负责质量。

运营数据：2,400+ 已完成任务、4.9/5 平均评分、4-36 小时典型交付时间、10,000+ 人类专家、支持 20+ 语言，定价从 $3 起，按任务付费而非按 token，新用户有 $20 免费 credits。5 产品支持 MCP 协议（Model Context Protocol，让 AI 客户端调用外部工具和服务的标准接口），可以作为工具接入 Claude、Cursor 或任何 MCP 兼容的 AI 客户端——也就是说，AI Agent 在执行任务遇到需要人类判断的节点时，可以直接把这部分路由给 Tendem 处理。5

Tendem 平台上的专家不是泛用型外包：Sophia R. 是前 Deloitte 7 年分析师，做过 340+ 任务，4.97 评分；Marcus M. 前 HubSpot 销售运营 5 年；Nina P. 前 McKinsey 战略 9 年。5 Nina 说过一句话挺精准：「My job is to catch what AI misses. The nuance, the missing context, the source that doesn't hold up.」（「我的工作是抓住 AI 漏掉的东西：细微差别、缺失的上下文、站不住脚的来源。」）5

Tendem 的背后是 Toloka，后者是 Yandex（俄罗斯互联网巨头）剥离的数据标注平台，现在归属于 Nebius Group（在 NASDAQ 上市，代码 NBIS）。6 这个背景意味着什么：Toloka 从 2014 年开始就在给全球一线 AI 实验室做 Human-in-the-Loop 的数据质量系统，积累了 10,000+ 人类专家网络和跨 20+ 语言的质检能力，平台上的任务吞吐量和质量控制流程已经在工业级规模上跑过。5 这不是一个 AI 创业团队从头搭的专家网络，而是一个已有基础设施的产品化版本。

2026 年 2 月，Nebius 在股东信中宣布把 Tendem 整合进 Nebius 生态，将其描述为「首个通过 MCP 将审核人类专家嵌入 agentic 工作流的平台」。6 选择这个时间节点在 Product Hunt 上发布，是一个上市公司旗下业务在公开市场测试用户侧需求的动作，而不只是创业团队在找 PMF。

Vol.12 里提过 Humwork（YC P26）——两人创业团队，用 MCP 让 AI Agent 在卡住时雇人类专家。Tendem 和 Humwork 指向同一个结构：MCP 把「调用人类」变成了和「调用工具」一样的接口。但两者的来路完全不同：Humwork 是从创业公司角度发现市场空白，验证 PMF，然后搭专家网络；Tendem 是已有十年工业级 HITL 基础设施的公司，把已有能力封装成产品对外开放。4

这个对比本身就是一个值得盯的信号：当成熟公司下场、把已有的基础设施产品化，原本创业公司靠先行优势构建的护城河会被压缩。Humwork 的 3,000+ 专家网络和 Tendem 的 10,000+ 专家网络之间差着三倍，语言覆盖、质检流程的成熟度也不在一个量级。创业团队赢的地方不是网络规模，而是决策速度、产品聚焦和客户关系的深度。

从 Nebius 的角度看，把 Tendem 做 Product Hunt 发布，是在测试一个问题：2026 年的 AI 工具用户（开发者、知识工作者）会不会愿意为「有人类专家托底的 AI 任务完成」这个定位付钱？$3 起的定价是一个有意设计的门槛——非常低，几乎是在说「先来用，别担心价格」，典型的用流量换口碑的早期增长策略。

Standout（YC P26，Agentic 招聘市场）：求职者和公司各有一个自主 AI Agent，双方 Agent 互相评估对方的条件，仅在真正匹配时才做 intro。人才在接受介绍前全程匿名。一个月内积累了 10,000+ 求职者、60+ 家公司、完成 100+ intro，平均 intro 到 offer 周期不到 10 天。7 创始人 Alexis Aftalion 此前把 Zealy 做到了 1.5M MAU 和 $3M ARR，CTO Witold de La Chapelle 曾在 Dropbox、Samsara、Chime 待过，在 Chime 做过一个 100k MAU 的 job board。7 信息量还不够，下期继续跟。

今天三个项目乍看方向各异，但拆开来看，它们在解决的是同一件事的不同切面：AI Agent 感知不够，所以需要向外延伸。Wilo Ring 是在说「Agent 需要感知你的身体，光靠屏幕交互不够」；WithAI 是在说「Agent 需要感知金融市场的细粒度信号，现有的数据孤岛让 AI 在对冲基金场景里几乎无从下手」；Tendem 是在说「Agent 需要感知自己做不到的那部分，然后知道去哪里找人来补」。

三个方向都在 2026 年集中冒头，未必是巧合。MCP 协议打通了「让 AI 调用外部服务」的接口，传感器硬件的成本在下降，垂直行业用户愿意为 AI 工具付钱的信号越来越多。感知通道的延伸，是 Agent 能力边界扩张的前提，而不是后果。

开放性问题是：这三条感知通道（身体状态、专业领域数据、人类判断力）里，哪一条的商业闭环会最先成立——到那时，是单条通道率先跑通，还是三条需要同时成立才能让 Agent 真正有用？