AI圈每天都有活动，但值得参加的却没那么多。一群人往往是见面、交换联系方式，然后就没有然后了。
很多时候，问题不在于活动主题或嘉宾缺乏吸引力，而在于现场的人没有被有效连接：重要的人可能就在现场，但你不知道他是谁。
Articuler.ai 想改变这件事。
它是一款面向全球职场人群的 AI 社交应用：用户说出自己要找的投资人、客户、候选人或工作机会，平台找出最值得认识的人，理解双方的价值交换点，再帮助用户发起联系。
一年前，它以AI 原生职场人 Networking 平台的定位上线，跑通了AI找人的产品链路；一年之后，它进一步延伸到线下真实交流场景，开始帮用户在活动之前，就明确自己的目标，提前找到值得深聊的人。
近期，Articuler.ai 于今年早些时候完成数千万元种子轮融资，由麟阁创投领投，拙朴投资、王川家族办公室跟投，且用户已超过 5 万，订阅年化收入超过 100 万美元，毛利率超过 80%。
在这个节点，我们再次和创始人 Jason Shen 聊了聊，想知道这个瞄准职场社交热门赛道的AI产品，在完成冷启动之后，如何通过一场场活动继续从1到10。
AI 版 LinkedIn很多，但还没有形成新的社交网络
面向下一个时代的 LinkedIn 长什么样？很多人都在朝这个方向探索。
Boardy 通过电话、WhatsApp 等渠道了解用户需求，在确认匹配对双方都有价值后征得同意，完成暖介绍；Happenstance 用自然语言搜索 Gmail、日历、LinkedIn、Twitter 等账号中的已有关系，并通过朋友共享和群组扩展可搜索的人脉范围；Series 则让用户直接在 iMessage 里描述想认识什么人，再由系统完成匹配。
产品形态各不相同，但大家都在争抢着回答同一个问题：LinkedIn 记录了一个人的职业身份和已有关系，下一代产品能不能进一步知道，他此刻需要谁、谁又可能需要他。
大模型降低了理解这件事的技术门槛。职位、经历、公开表达和一句自然语言需求，都可以被转化成匹配依据；生成一封得体的介绍邮件，也不再困难。
但更好的匹配，不等于产品真的能形成一张新的社交网络。
Shapr 曾以类似 Tinder 的滑动方式匹配职业人士，后来其原职业社交应用后来下线，转向招聘业务后被收购；Polywork 试图用多重职业身份、项目和作品展示挑战 LinkedIn，但由于难以持续获取和留住足够多的用户，最终在仍有大量现金的情况下主动关闭。
这些产品遇到的并不只是算法准确度问题。职场社交需求天然低频、强目的，又高度不对称。即使是两个看起来需求画像匹配的人，也不一定能形成价值交换。
从这个角度看，下一代的职场社交平台需要同时解决三件事：去哪里持续获得一批彼此相关的人，怎样知道他们当下的真实意图，又如何判断一段关系是否真的可以建立。
Articuler.ai 与其他同类产品最不同的地方，是它把“活动”当成了这三个问题的共同线索。
在一场活动中，主办方已经确定了议题；报名和到场，则意味着参与者本身就有一定的真实意图；选择、好友申请和邮件回复等后续行为，让AI推荐的质量能在很短时间内得到验证。
对 Articuler.ai 而言，支持活动既能带来新用户，也能让它了解这些用户当下的需求，并通过他们在匹配过程中的选择与回应，积累真实的关系数据。
活动因此有可能成为它从找人工具走向社交网络的起点。
一场活动，同时获取人群、意图与匹配反馈
Jason 对活动有一个很直接的比喻：“都 2026 年了，办 Event 和两万年前一群野人围着篝火跳舞，没什么本质区别。”
在原始部落，人们围到篝火旁寻找交易对象、交换材料或者结伴打猎；今天，几百名创业者、投资人、工程师和客户进入同一个会场，关系仍然依靠熟人介绍、站位和运气。
Articuler.ai 将一场活动视为“原子化社交网络”：人群范围、共同主题和发生时间已经确定，参与者又带着各自的目的进入同一个空间，这是一次职场社交最小化的标准单元。
而AI 原生的职场社交产品，就是要借助这个最小单位切入，优化它的匹配价值和方式。
在 Articuler.ai 里，当用户已经注册平台并形成了自己的信息档案后，可以选择报名感兴趣的活动，填写自己的需求和目标。
随后，在活动开始前，Articuler.ai 就能根据活动已有的用户网络，告诉每个人最值得见谁、为什么值得见，以及怎样开始第一句话，并辅助用户提前发送邮件“打招呼”。
在这个过程中，Articuler.ai 关注的不是活动宣传页上有多少公关照精致、头衔响亮的“大人物”，而是能否帮用户从来宾中识别出真正能帮自己达成目标的人，并推动一段有效关系建立。
以 Articuler.ai 支持的奇绩创坛校友日活动为例，在现场，有些老校友想物色下一个投资项目，或者开发客户与拓展合作；参加路演的新团队则希望找到真正理解行业的人，帮自己提前演练。面对大量的参会者和项目，双方都不知道具体应该找谁。
而 Articuler.ai 可以根据各自背景和目的，把能够提供支持的人与真正需要帮助的项目连接在一起。
一场基于价值的匹配，自然也会带来效率的提升。Jason 提到，一般而言，普通免费活动的报名出席率往往只有约 30%，Articuler.ai 参与邀约和匹配后，部分活动的出席率可以达到 50%—60%。
提前帮用户锚定具体的人，更有可能让用户带着明确目的进场，并有所收获。
“不做什么”，划定 Articuler.ai 的产品边界
Articuler.ai 这一年的变化，并不是给产品加入更多流行概念。恰恰相反，它越来越清楚地知道自己不做什么。
第一，不让 Agent 替真人社交
2026 年，一些公司选择切入 “用 AI 替人社交”。
有的产品让 Agent 代替用户发帖，用积累的个人 Context 寻找另一个 Agent，再让两个 Bot 在网络世界 “破冰”。用户的共同点和需求，都借由两个机器人的虚拟对话来匹配和对接；甚至连后续的关系维护，也由程序全权接管。
这听起来很潮流。
但 Jason 认为，这是一个错误的方向，“ AI 应该把建立关系的权利和体验还给真人。”
从上线至今，Articuler.ai 始终只让 AI 做两件事：判断谁值得认识，以及帮助真人迈出建立联系的第一步。
它先使用 Multi-Agent 系统整理职业经历、公司、产品、行业和公开表达，再通过自研 Embedding 模型，把人的背景、能力和意图转化为可以计算的向量。团队称，这套表征包含 8000 多个维度。
这些技术最终服务的是一个简单判断：两个人之间有没有交换价值的机会。
一个创始人需要投资，不能只匹配一名头衔为“投资人”的用户。系统还要判断对方是否投资这个阶段、地区和方向，最近是否仍在出手；相应的，创始人的项目是否符合投资人的需求，双方现在有没有开始对话的理由。
因此，Articuler.ai 计算的是一组三元关系：用户 × 当前目标 × 候选人。
目前 Articuler.ai 已经有了三种模式，分别对应三种关系建立的场景：Global Match 从公开世界中寻找人；Directory Match 在一份校友、投资人或候选人名单中重新排序；Event Match 则把范围收缩到一场活动，回答“今天来到这间房的人里，谁最值得见”。
AI 负责理解、排序和解释，关系是否建立，仍然由真人决定。
第二，不把更多聊天记录当成数据飞轮
在海外职业市场，一个人的公司、职位、项目、论文、GitHub 和公开表达，已经构成了一份相对丰富的职业档案。
Articuler.ai 认为，接下来真正缺少的不是更多私人聊天和设备数据，而是用户面对推荐时作出的动作：他提出了什么需求，选择了哪些候选人，向谁发出联系，对方有没有接受或回复，以及下一次又提出了什么需求。
团队不追踪双方之后的完整聊天。线下对话、即时通信和邮件内容很难全部回传，即使拿到，也包含大量与找人无关的噪音。
Articuler.ai 只保留几个更接近关系成立的信号。
如果系统给一名创始人推荐 10 名投资人，其中 8 人被选择，平台便知道这种背景的创始人需要什么；如果 8 份申请中有 6 人被接受，又进一步知道哪些投资人愿意回应这种项目。
前一个信号来自单方需求，后一个信号经过对方验证。它们共同构成一组有方向的关系数据。
9.8 亿份公开职业档案当然不是 Articuler.ai 独有的资产，但一次次带着真实目的发生的选择与回应，却有可能成为它的壁垒。
第三，不做依赖内容维持活跃的 Feed
Articuler.ai 从一开始就没有传统意义上的 Feed 流。
传统社交平台依靠内容解决打开频次，让用户即使没有明确目的，也可以不断浏览、表达和互动。但 Feed 流越多，也越来越容易被低效信息淹没。
Articuler.ai 认为，用户的留存取决于能否持续提供他们感兴趣的内容，对于用户真实需求的持续满足，就会带来持续的留存。
用户并非只有在参加活动时才会打开产品。对一个销售来说，他参加活动，可能是因为现场有潜在客户。活动结束后，这个意图仍然存在。他仍然会关注下一个值得联系的客户、相关行业的新机会，以及可能出现的下一场活动。
同样，一个创业者参加活动，可能是为了找投资人；一名工程师参加活动，可能是为了了解新的工作机会。活动只是需求集中发生的时刻，用户真正关心的事情还会继续。
对于用户而言，真正关键的是与当前目标有关的信息：让用户发现下一个值得认识的人、可能匹配的机会、适合参加的活动，以及下一步可以采取的行动。
用户不需要为了维持一个职业人设而每天发帖，也不需要在信息流里消磨时间。只要他的需求还在，产品就应该继续告诉他，接下来哪里可能出现值得行动的信号。
第四，不把活动主办方当成主要付费客户
商业模式上，Articuler.ai 目前会免费帮助活动方寻找目标观众，通过会前匹配改善出席率，向有匹配需求的参会者收费：免费用户可以看到少量推荐；想看到更多人、获得联系方式或发起好友申请，则需要购买单场 Pass 或订阅产品。
对参会者而言，这是一笔很容易接受的费用，一个创业者花几个小时参加活动，本来就是为了寻找投资人、客户和合作伙伴。相比交通和时间成本，十几美元可以提前确认最值得见的人。
特别是一旦参与者体验过这种“还没到场，就已经发现对的人”的效率，就会把这种体验当成新的参会默认，并从单次活动的使用者持续转化为 Articuler.ai 的长期付费受众。
Jason 告诉我们，目前活动产品的付费转化率已经达到两位数，同时因为提供了远高于计算成本的价值，毛利率达到了 80%。
这套设计同时解决了平台的增长。主办方带来一批新用户，参与者报名时建立 Profile、表达意图，并完成第一次匹配。Articuler.ai 服务主办方的过程，也是在借助主办方获客。
更重要的是，如果匹配效果能够持续提高并被量化，它也可能成为拓展销售、投资机构和学校等 B 端客户的基础。
Jason 告诉我们，目前已经有猎头公司围绕 Articuler.ai 的 CLI 开发了内部人才工具，香港大学商学院也在使用相关能力寻找招生对象。
以下是更多对话信息，供大家参考。
硅星人： 为什么不做一个主动 Agent，在活动后询问用户见了谁、聊得怎样，再获得更多 Context？
Jason： 如果只是为了追问反馈，这是为了做 Agent 而做 Agent。我们已经拿到了更重要的信号：谁选择了谁、谁向谁发起连接、对方是否接受。完整对话很难获取，也有大量噪音。为了多拿一些未必有价值的信息，再要求用户和 Agent 聊一轮，产品体验反而更差。
硅星人： 两个 Agent 先替用户交换信息，再决定真人是否连接，为什么不成立？
Jason： 在AI社交的过程中，AI 应该负责提高匹配和分发效率，判断谁真正相关，而不是把注意力放在内容生成上。
如果我已经拥有 A 和 B 的 Profile、公开信息和意图，让两个 Agent 再把这些 Context 讲一遍，增加了什么？我们可以直接告诉用户双方的连接点，再让真人联系。社交的本质是真实关系的交付，不是让两个 Agent 生成一段看起来有共同点的对话。
硅星人： 你们现在同时服务 To B 和 To C。猎头、销售团队和投资机构会为找人付费，个人用户也会购买订阅和活动 Pass。你们怎样看这两种模式？它们有什么先后顺序，收入比例未来会怎样变化？
Jason： To B 可以更早产生更大的收入。我们现在帮助猎头找人才、帮助销售团队找线索，也帮助投资机构和学校寻找项目、专家或招生对象，这些都是高价值的找人场景。
但职场网络不能只做 To B。LinkedIn 能从招聘和销售业务获得收入，是因为它先服务了足够多个人，积累了职业身份和关系数据。对我们也是一样。只有把 C 端服务好，我们才会持续知道一个专业人士是谁、现在有什么意图、偏好什么样的机会，以及他愿意回应谁。
硅星人： 你们也是一家需要融资、找客户和办活动的创业公司。这套产品真的帮助 Articuler.ai 自己完成过这些事情吗？
Jason： 我们上一轮的投资人和第一批 To B 客户，都是通过自己的平台找到的。我每天都在用这个产品。
比如现在我们要在全球寻找合作活动。我的首页会直接推荐旧金山最近要举办的活动、正在寻找类似产品的客户，以及对应的组织者，直接和对方取得联系。这也是我每天要完成的工作。
写在最后：
在已经变得拥挤的 AI 职场社交赛道里，Articuler.ai 最吸引我们的地方，是它找到了一种足够现实的增长方式：一场高密度、高意图、可以快速验证的活动。
但这也构成了我们对它最核心的问题：活动提供的究竟是 Articuler.ai 自己的网络，还是主办方暂时借给它的一群人？
一场活动可以同时带来参会者、当下意图和匹配反馈，却不能自动让这些关系在散场以后继续存在。没有 Feed，也不依靠 Agent 持续制造互动，意味着 Articuler.ai 把留存完全交给了用户未来的真实需求。
这个选择足够克制，但也让一个指标变得格外重要：参加完活动的人，会不会在 30 天、90 天以后，因为找客户、找投资人、招聘或下一场活动重新回来？
如果用户只在活动前打开一次，那么它解决的是 Event Match；只有用户带着新的目标反复回来，它才真正开始形成职场网络。
