AgentBull
为关键决策者，构建智力放大器。
AgentBull 是一家通过以成果为导向的 AI Agent 为关键决策者构建智力放大器的 Neolab。我们按 Agent 为客户达成的业务成果收费，并以自有资金在真实市场中检验自己构建的系统。市场是最诚实的考官。
核心释义
- 以成果为导向
- 我们不按席位、不按调用次数收费，而是按实际帮客户达成的业务成果收费。比如帮客户减少了多少不必要的库存，就按这部分价值分成。
- 关键决策者
- 我们的取舍是专注于「AI 辅助决策」，而不是单纯的机械执行。因此，核心用户是需要独立承担决策责任、且决策结果直接影响自身利益的人：企业高管、基金经理、广告投放专家、销售。
- 智力放大器
- 这个说法来自 Douglas Engelbart 1962 年的论文《增强人类智力：概念框架》。它的核心观点是，计算机器最大的价值是让人的判断力变强。我们做的 AI 不替决策者做决定，而是让他们看得更远、想得更全、错得更少。
- Neolab
- 我们不是应用公司，而是研究型创业公司。我们研究最前沿的技术，并在此之上构建壁垒、获取收益：把不可能推进到可能，再把可能变现为商业价值。
产品线
Ankole
开源 · 免费
Ankole 是开源的企业级 Agent Harness，一个真正能辅助决策的「公司大脑」Harness。企业级，指它的 Agent 不是个人 AI 助理，而是企业里的 AI 同事：每个 Agent 都有自己的使命、KPI 和权限，可以成为人类员工的下级、平级甚至上级。公司大脑，指一张「公司到底是怎么运转的」活地图。企业里最值钱的知识往往不在文档里，而在老员工的脑子里、聊天记录里、几十个互不相通的内部系统里。Ankole 把这些碎片自动抽取出来，理清它们之间的关系，并随业务变化实时更新。它不是一个能回答问题的知识库机器人，而是一个持续保持最新的企业世界模型。
AI Associate
商业版 · 支持私有化部署
AI Associate 是 Ankole 的商业化版本，提供更高质量的辅助决策，以及基于深度推演的趋势性预判能力，针对资本市场等对决策质量要求更高的场景优化。它的 Deep Research 擅长回答「某件事未来发生的概率有多大、会往哪个方向走」：某个地区爆发危机的概率、某只股票未来的波动幅度、某款产品的销量，甚至 Polymarket 上的大多数事件。这和通用助手里的 Deep Research 不是一回事：它们擅长把已有信息整理成报告，我们擅长推演还没发生的事。
BullXCloud
云平台 · API / MCP
BullXCloud 把我们最强的几项能力和最有价值的数据，以 API 和 MCP 的形式开放给 Agent，供 Ankole 和 AI Associate 调用。能力包括自研模型、专为 Agent 优化的高质量搜索，以及仅以 API 形式提供的旗舰版 Deep Research Ultra。数据是基于公开来源情报（OSINT）、新闻资讯和金融行情构建的情报级信号，其中一部分可直接用于决策，例如对 A 股个股和申万二级行业未来 T 日走势与波动性的预测。
为什么是 Harness
基座模型越强，Harness 的价值越大。
基座模型提供通用能力。但无论它如何进化，训练的本质都是对历史数据做统计：它倾向于给出最常见的答案，而不是对眼前这个具体目标最正确的答案。
高质量的决策依赖于对此时此刻真实世界的准确投影。模型的知识有截止日期，搜索和知识库只能补上零碎的片段，拼不出完整的现实。一个真正的决策，还取决于很多模型永远学不到的东西。
模型永远学不到的东西
- 01最新的真实世界状态
- 02组织内部的上下文
- 03只可意会的隐性知识
- 04决策者自己的目标和偏好
- 05能动用的权限和行动边界
- 06每一次行动之后的真实反馈
这些东西只存在于「正在做事的那一刻」，只能在运行时发生，不可能被提前静态地训练进模型权重。这就是 Harness 的位置。它不是把模型和工具连起来的胶水，而是控制 AI 注意力和行为的运行时系统，可以把它理解为 AI 的判断力和自制力。
它决定什么值得关注、什么可以忽略；事情做到什么程度就足够、什么时候应该停下来；哪些判断和纠正需要被长期记住、哪些只对当前任务有效；以及如何根据行动的结果，更新下一步的决策。
基座模型提供的是原材料，越强的模型，就是越好的原材料。把原材料变成高质量决策的那套系统，就是我们。
系统，而不是图纸
分类学整理抽屉，结构学拼乐高，动力学养生态。
Harness 迄今只演化出三种世界观。第一种是分类学：先自上而下把规划、记忆、工具、执行各分一格，再往格子里填东西，像一张组织架构图。第二种是结构学：把系统拆成原子化的积木，想怎么拼就怎么拼，像一张解剖图。两者交付的都是图纸，画完就定格。
Ankole 是第三种。它既不问「是什么」，也不问「怎么搭」，而是问「它正在怎么运转、下一刻会走向哪里」。这背后是两门有几十年历史的严肃学科：动力学理论和控制论。它们共同的结论是，一个系统之所以能在变化的环境里达成目标，靠的不是一张预先画好的完美图纸，而是「感知、行动、看结果、修正」的反馈回路，就像舵手每一秒都在根据船头的偏离修正舵。
落到实现上，Ankole 把系统看成一群长期存在、各自持有状态、靠信号彼此协作的对象。每个 Agent 像一个活着的员工：有自己的状态和记忆，收到信号就行动，行动的结果又变成新的信号回流到系统里。这个系统不是被「装配」出来的，而是「运转」出来的。它不是公司的组织架构图，而是正在运转的公司本身。
为什么这个差别不是修辞
- 01
基本单位是信号，而不是聊天
聊天只是信号的一种。订单进了 CRM、某只股票异动、外部系统抛出一个事件，都是信号。Ankole 的 Agent 不必等人打开会话才开始工作。图纸型的 Harness 只有在被人翻开时才存在，动力学型的系统一直在运转。
- 02
反馈回路也作用在记忆上
Ankole 每晚把碎片记忆归纳成更高层的规律，让不再重要的记忆冷却降权，让公司大脑的本体自下而上地长出来，而不是像 Palantir 那样预先设计死。遗忘本身就是智力的一部分：所有信息永远等权，真正重要的反而会被淹没。
- 03
稳态是硬能力的来源
人体受伤会自愈，不需要有人重画一张人体图。任务断电重启后从中断处续跑、进程崩溃后自动恢复、几千个 Agent 并发协作，都是同一个原理的直接推论，而不是一个个单独开发的功能。在一张解剖图上，永远画不出「活着」这件事。
前两者交付的是一张画完就定格的图纸，Ankole 交付的是一个会呼吸、会自我修正的系统。