Orca ADE 创始人访谈 - 一个人管400个AI任务¶
课代表立正频道对 Orca 联合创始人津晶的访谈（2026-09-18 发布，66 分钟）。核心命题：开 5 个 AI 窗口就手忙脚乱的人，和一个人同时推进 400+ 任务的人，差距不在模型能力，而在调度架构、注意力分配与验收机制。录制时 Orca 约 4.9 万星，视频发布时已 7 万星，访问者本人也在采访后投资了 Orca。
[!info] 视频信息 - 频道：课代表立正（超线性学院创始人） - 受访者：津晶（Orca 联合创始人，前 Google，连续创业者，YC 校友） - 时长：1:06:53 ／ 发布：2026-09-18 - 仓库：stablyai/orca（MIT，TypeScript，2026-03-17 创建，2026-09-20 快照 72,712 星） - 官网：onorca.dev（YC backed）
目录¶
- 一、Orca 是什么：ADE vs Harness
- 二、一个人管 400+ 任务的工程实现
- 三、成本策略：订阅混合编排
- 四、为什么不怕 Anthropic／OpenAI「顺手做掉」
- 五、产品与增长方法论
- 六、AI 时代的宏观思考与创业机会
- 七、验证与勘误记录
- 八、给开发者的行动清单
- 参考资料
- 相关笔记
一、Orca 是什么：ADE vs Harness¶
访谈第一个关键澄清是概念分层。津晶的定义（03:49）：
- Harness＝单 Agent 执行回路：读输入 → 调用工具（bash、Web 搜索）→ 回传输出。Claude Code、Codex、Devin、OpenCode、Pi 都是 Harness。
- ADE（Agent Development Environment）＝Harness 之上的一层：不管 Loop 本身，专注「人与多 Agent 协同的工作流管理」——状态追踪、快速反馈、结果审查。
┌─────────────────────────────────────────────┐
│ ADE（Orca 所在层） │
│ 工作流管理 · Agent Status · 调度 · 审查 │
│ GitHub/Linear 集成 · Worktree 生命周期 │
└──────┬──────────┬──────────┬─────────┬─────┘
│ │ │ │
┌──────▼───┐ ┌────▼─────┐ ┌──▼─────┐ ┌─▼──────┐
│Claude Code│ │ Codex │ │OpenCode│ │ Pi … │
│ (Harness) │ │(Harness) │ │(Harn.) │ │(Harn.) │
└──────┬────┘ └────┬─────┘ └──┬─────┘ └─┬──────┘
│ │ │ │
┌──────▼───────────▼──────────▼─────────▼──────┐
│ 模型层：Claude ／ GPT ／ DeepSeek ／ GLM │
└──────────────────────────────────────────────┘
Orca 的三个差异化卖点（01:16）：
| 差异点 | 说明 | 对应痛点 |
|---|---|---|
| 集成性 | 20 条 Linear tickets → 20 个 parallel threads，进度自动回写 Linear；code review、测试全在应用内 | 不用在五六个 App 间切换 |
| 高并行 | 用户同时跑几百个 agent：10-20 个 feature × 每个 4-5 个 agent 协作，Claude Code 与 Codex 可互调 | 终端开 5 个 session 就追踪不过来 |
| 无自研 Harness | 不绑死执行层，1 分钟上手，直接在自带 Orca Terminal 里跑现有工具 | 不改变用户已有使用习惯 |
一个值得注意的措辞细节：口播中津晶把 ADE 解释成「你可以把它想象成 Agent IDE」，而仓库 README 与官网现在统一写 agent development environment（官网对比表则用 ADE 缩写）。官网对比页自称支持 27 种 agent CLI——Claude Code、Codex、Grok、Cursor、Copilot、OpenCode、Amp、Antigravity、Pi、Hermes Agent、Goose、Kimi、Qwen Code 等全在列，甚至包括「+ any CLI agent」的兜底承诺。
[!tip] Orca 名字来源 或问（Orchestration for Agent）——agent 指挥 agent、任务在 agent 间接力（handoff），是产品第一天就有的概念。津晶补充 Orca 本义虎鲸（54:09）：虎鲸与人类的智能不同维度、各有所长——这也是她对 AI 与人关系的隐喻。
二、一个人管 400+ 任务的工程实现¶
这是全片信息密度最高的部分。津晶本人同时推进 400 多个 worktree（08:26），其中约 200 个已按固定流程自动运行（25:51）。她给出三层答案：
支柱 1：结构化状态追踪 + 深度检索¶
- Agent Status API：跨所有 worktree、跨所有 Harness（Claude Code / Codex / OpenCode）统一标记每个 session 的状态——
working／blocked, you need to answer immediately／done, you need to review。状态作为 API 暴露，还支持 extension，用户可自建管理视图。 - 深度索引搜索（22:04）：检索维度包括 session 标题、worktree 名称、关联 Linear ticket 关键词。「三天前我在做的东西现在进展如何」一搜即达终端现场。她的评价很直白：Claude Code 和 Codex 自带的搜索「我搜不出我想搜的东西，我不信任他们的搜索」。
支柱 2：Agent 管 Agent（阶层式 SOP）¶
用户社区里沉淀出的典型 recipe（23:47）：
Linear ticket
│
▼
Master Agent（读需求单，收集 requirements）
│
▼
撰写 design doc ──► 交叉 review 数轮 ──► implement
│ │
│ Orca 自带 browser use + mobile emulator
▼ ▼
QA testing ◄──────────────────────── 实际产品上跑
│
▼
产出 PR + HTML report（artifact sharing）
│
▼
人：只看第一步（目标/验收标准）和最后一步（PR 是否合理）
关键设计：人若需中途参与，agent 会以易审查的可视化形式提问——「你看一下这个 HTML 页面，OK 就继续」。工程师的职责从手动调试代码转移到验收与关键决策。
实际案例（30:29）：一位 Cloudflare 工程师每天用 master agent 在 top-level worktree 下开 20 个 sub-worktree，并行跟进 20 个 PR review，下班前喝咖啡验收。Orca 的 nested worktree 原生支持这种结构。
支柱 3：PTY 快照与无感日更¶
Orca 能日更的底层保障（19:43）：
| 环节 | 传统终端（Ghostty／iTerm） | Orca |
|---|---|---|
| 更新后 session | 全部丢失，50 个 agent 谁在跑要自己 figure out | 本地数据库对每个 PTY 快照，重启后恢复到原进度 |
| Dev Server | 被 kill | 不 kill，继续跑 |
| 后果 | 没人敢频繁更新 → 用户与工具迭代脱节 | 用户愿意每天跟着更新，永远拿到最新 feature |
工程上不小：几百个 session 的 state tracking 非常吃内存，团队为此做了一整套 caching 与 storage 优化。津晶的原话值得记：「prototype 到真正的 production 中间有一个鸿沟，能力不够你是看不见这个鸿沟的。AI 可以把你更快地带到鸿沟边上，但跨过去还是需要时间、精力和水平。」
自动化的现实比例¶
400+ 任务 ≠ 400 个都要盯。Orca 自身的日常运营就是样板（25:51）：
- Release Manager agent：每小时跑一次，搜集 Linear／Slack 内测 bug 报告 → 决定 branch cut → 需要人拍板时主动发 Slack 问津晶 → 伺服每日 stable release（每版上百 PR）。
- 社区运营 agent：Discord（大社区）＋微信社群＋X 数万 follower 的 triage、回复归纳，全部自动化，跑在团队共享的 remote host 上。
三、成本策略：订阅混合编排¶
口播给出的账（27:18，个案数据，仅代表受访者口径）：
- 纯 API 计费跑这种规模：「每个月好几万美元」量级。
- 她的解法：每个 provider 买 1-2 个最高档订阅（200 美元档），Claude Code、Codex、Grok、Antigravity、OpenCode 全配齐——第一方订阅是重补贴的（她估计 API 毛利约 90%），订阅档是「best deal」。
- 配套机制：usage hit limit 时 Orca 的 handoff 一键把任务从 Claude Code 转给 Codex「像没事一样继续干」。
| 计费方式 | 月成本量级 | 适合 |
|---|---|---|
| 纯 API | 数万美元（口播估计） | 用量小且突发 |
| 多家第一方订阅混合 | 数百美元（5 家 × $200） | 持续高并发的个人／小团队 |
背后的行业观察：enterprise 的 Anthropic 账单已超过工程师人力开销，成为第一大支出——这也是企业当前积极评估 Codex 与 open-weight 模型的原因。对个人的启示一样：Vendor-agnostic 不是意识形态，是成本结构。谁家 rate limit、谁家突发降智，换一家接着跑。
四、为什么不怕 Anthropic／OpenAI「顺手做掉」¶
主持人替所有人问了这个问题（11:27）。津晶的答案分三层：
| 论点 | 逻辑 | 证据 |
|---|---|---|
| 迭代速度 | 每日一版 stable、每版上百 PR；大厂即便资源多，节奏跟不上 | Codex 的 session 间 context handover 直到访谈当周才上线，Orca 第一天就在做 agent 间接力 |
| 同理心差异 | Claude Code／Codex 团队 unlimited token，感受不到「订阅到期」「token 浪费」这类真实痛点；Orca 团队自己就是极限用户 | 功能取舍犹豫时，最终裁量＝「能否显著提升团队自身开发效率」 |
| 激励不对齐 | 大厂的 incentive 是 lock-in；把用户锁进自家生态的功能反而做不出中立调度 | 「只要还有 Codex 在，中立层就永远有价值」——更何况现在远不止两家 |
她也坦承这不是「defensible 的长久 position」——护城河本质上是执行速度 + 社区生态，而非某个单点功能。
与 Pi／OpenCode 的边界同样清晰（14:59）：OpenCode 的开放在模型接入层，Harness 本身是 opinionated 的；Pi 选了 Pi 就不能用 Claude Code 这个 Harness。Orca 不逼用户做选择题——「Claude Code 有的我们都有，Codex 有的我们都有，我们有他们没有的」。甚至有用户为了用 Claude Code 这个 Harness，在中转 API 上跑 DeepSeek、GLM、Kimi 模型。
五、产品与增长方法论¶
5.1 极限用户（Eat Your Own Dog Food）¶
4 人团队（访谈时点），全员既是工程师又是产品经理，每天同时推进数百个 feature。「大厂产品经理通过层层访谈推测需求；我们对痛点的感知是第一手的。」（14:03）
5.2 杠杆营销（Leverage Marketing）¶
95% 时间做产品、5% 做传播的情况下增长到 7 万星，津晶归因于「借力」（40:26）：
同行心态 Orca 心态
───────────── ─────────────
Claude Code 出新功能 Claude Code 出新功能
│ │
▼ ▼
「天塌了，用户都被抢走」 「好啊！在 Orca 里可以这样用」
│ │
▼ ▼
焦虑式防御宣传 蹭干货流量：教大家新 tricks
（5 分钟发一条，数百赞）
不把任何一家视为 competitor——「他目的是来 compete，但我们觉得这是一个 open ecosystem」。
5.3 造词红利¶
Orca 是 GitHub 上第一个也是当时唯一标明 ADE 的项目（51:48）。团队当年 deliberated 过「标这个风险是不是太大」，最后决定造词——现在越来越多人直接在 GitHub 搜 ADE、搜 agentic development，自然流量随之而来。新范式命名权＝搜索红利。
5.4 用户访谈：The Mom Test 实践¶
每个新项目深度访谈约 100 人（42:59），三问框架：
- 为什么想到这个点子／为什么找到这个解决方案？（挖真实动机）
- 考虑过哪些替代方案？（「你为什么不用 Zoom？」→ 定位自己的真优势）
- 在类似产品上花了多少钱？（不问「你愿不愿意付费」，问已付过多少）
YC group partner Michael Seibel 的标准更狠：做 B2B 要知道客户去年的收入、增速、最大开销是什么，能不能成为他们的第一／第二大开销。「做不到这个了解程度，宣传和产品设计都是隔靴搔痒。」湾区创业圈的人脉让这些数字可以直接问到——问不到就换人接着问，答案大同小异。
5.5 反馈处理：信息收集 + 集体判断¶
社区 PR、issue、论坛反馈全部只作参考信息，最终决定权在 4 人团队（47:40）。「AI 时代获取信息的方式越来越多，但都只是信息。」受访者（数据科学背景）补了刀：数据能告诉你的也就百分之二三十，最后看的是 mental model、product sense、taste。
Agent Status 显示位置的迭代就是例子：第一版放在界面角落「想看再看」，实测完全没人用；反复挪位置、多轮反馈调优，才成了现在被同行抄的形态。
5.6 造词之外：三个创业项目的共同模式¶
| 项目 | 领域 | 结局 | 入场时机 |
|---|---|---|---|
| 婚礼／活动直播平台 | Virtual event | 增长好、进 YC；但低频留存撑不起十亿级，主动放弃 | COVID 尾部，App Store 自然流量 |
| Stably | AI 软件测试 | 有企业客户；发现 general coding workflow 正在吞掉 specialized B2B 工作流 | AI junk code 泛滥、测试需求爆发 |
| Orca | ADE | 6 个月 7 万星 | 「管理 agent 有困难」成为普遍痛点 |
津晶的总结：每个项目起步都吃 inbound——在正确的时间点解决正确的问题，相信平台分发（App Store 搜索、GitHub 搜 ADE），而不是硬买流量。
六、AI 时代的宏观思考与创业机会¶
6.1 人机智能互补论¶
津晶两年前相信「AI 会取代人类」，现在转向互补论（53:40）：脑力不是单维度——虎鲸有虎鲸擅长的，人有人的；AI 擅长常规工程生成与流程推进，人的不可替代性在 taste、范式级假设（相对论式的突破）与对人性需求的感知。若互补成立，AI 是生产力工具，社会分配形态延续；若不成立（AI 全维度替代），财富分配才是真正的问题。她对此的态度：「I 类文明（能驾驭整颗行星能量的文明）我们才走到十亿分之一，可做的事太多了。」
主持人补的观点值得并置：工业革命后教育把人打造成标准件，而标准件恰恰最容易被 AI 取代；下一代的希望在于 AI native 世界里反过来强调 craft、passion、mastery。
6.2 三类创业机会（57:50）¶
| 方向 | 逻辑 | 备注 |
|---|---|---|
| ① ToC 回潮 | ToB sales cycle 反而变慢（采购在 AI usage 上反复权衡，签约 3 个月就想解约）；ToC 的 ROI 双向改善——开发成本骤降（一个月做多个 App）+ 付费意愿上升（补贴时代结束，用户接受为 AI usage 付费） | 零和型 App（与 TikTok 抢时间）竞争更烈；做「把饼做大」型（iPhone 时代的 Uber／Airbnb）不用抢注意力 |
| ② 软硬结合 | 国内创业者的供应链先天优势，美国多年难赶超 | 例：Plaud；朋友做美国 heating system 每月飞一次中国 |
| ③ 算力层 | compute／芯片／存储及集成；YC 新 batch 大量项目在 model hosting、算力撮合 | 湾区 MacBook 高配全线脱销；黄仁勋 five-layers cake 中，算力与模型之间的芯片优化层是纯 software 机会，CUDA 一统的格局正在松动 |
隐藏的第四类（1:03:07 起）：传统深水区行业。建筑、供应链这类十几二十年前的系统、层层中间商、巨大信息鸿沟的领域，AI 对它们「纯是 enable」——在 Anthropic 的产品设计模式与工地具体场景之间填沟填缝。
七、验证与勘误记录¶
按惯例对视频关键声称做了外部交叉验证（查询日期 2026-09-20）：
| 视频声称 | 验证结果 | 来源 |
|---|---|---|
| GitHub 七万星（标题＋描述「上传的时候已经7万星」） | ✅ API 快照 72,712 stars；口播开场为 49,000（录制时点）——约半年 4.9万→7万+，增速本身是数据点 | GitHub API repos/stablyai/orca |
| 仓库归属 stablyai/orca | ✅ 描述链接与 API 一致；MIT 协议、TypeScript、2026-03-17 创建 | GitHub API |
| 官网域名为 orca.dev | ⚠️ 口播与 README 链接均为 onorca.dev（口播快读易听成 orca.dev） | 官网／README |
| 「Claude Code／OpenAI API 毛利 90%，订阅是重补贴」 | ❓ 创始人口播估计，无公开财报佐证；仅记录为受访者观点 | 口播 27:44 |
| 纯 API 月成本「好几万美元」／只买 $200 订阅档 | ❓ 个案数据，无法溯源，不作为通用基准 | 口播 27:18 |
| 4 人团队、每日一版 stable、每版上百 PR | ✅ 口播自述；releases 页存在高频发布节奏（活数据，以 releases 实时为准） | 口播 12:00／14:51 |
| 27 种 agent CLI 支持（含 Hermes Agent） | ✅ 官网对比表 27 supported agents；README Supported Agents 清单含 Hermes Agent、Kimi、Qwen Code 等 | 官网／README |
| ADE = Agentic Development Environment | ⚠️ 官网现用 agent development environment（无 -ic）；口播解释为「可想象成 Agent IDE」。两种用法都在流通 | 官网 title／口播 1:21 |
| 第二个项目进 YC | ❌ 口播当场纠正：第一个项目（直播平台）进的 YC | 口播 33:05 |
| Orca = 虎鲸／orchestration for agent | ✅ 口播自述命名来源 | 口播 12:21／54:09 |
八、给开发者的行动清单¶
- 升级为 AI 架构师视角：停止在单一聊天窗口手动改 bug；把重复工作封装为「输入 → 规格文件 → 交叉审核 → QA 验收」的 SOP，注意力只留给顶层评审与目标设定。
- 构建 Vendor-agnostic 弹性：把 skills／配置放公共目录、跨工具复用；混合编排多家第一方订阅与开源模型，别被单一厂商的定价与 rate limit 绑架。
- 为并行而设计：任务进 worktree 隔离、状态结构化（working／blocked／done），让「同时推进 20 件事」在认知上可负担。
- 做产品以自身极限痛点为锚：先当重度用户打磨；营销学会借力——在巨头的浪上搭最懂用户的梯子。
- 访谈用户问已付成本：不问「愿不愿意买」，问「过去为这个问题付过什么、预算排第几」。
参考资料¶
- 一个人管400个AI任务，已经是标配了？｜对话GitHub七万星的Orca创始人津晶（课代表立正）
- stablyai/orca — GitHub 仓库
- Orca 官网（onorca.dev）
- 超线性学院伴读文章（社区内）
- Orca Releases（日更 changelog）
相关笔记¶
- Orca ADE - 开源多 Agent 开发环境实测——同产品上手实测：Worktree 隔离、跨模型并行、Design Mode、SSH 远端
- Orca ADE - 多 Agent 工作台入门导览——同产品概念框架与上手导览（大力Thinking 频道）
- Claude Code Hooks - 确定性自动化防线——与「Agent 管 Agent」呼应的确定性自动化另一路径
笔记基于视频字幕全文 + 官网／README／GitHub API 交叉验证整理，生成于 2026-09-20。