Yohei Nakajima 的内部 AI 投后工具——一个 GP 自己搭的 portfolio dashboard
「深思 SenseAI」转述并解读 Yohei Nakajima 的 Q1 2026 LP Session thread。Yohei 白天是 Untapped Capital 的 GP，晚上是 BabyAGI 的作者（2023 年那个让大家第一次直观看到「AI 自己给自己排任务」的开源项目）。每季度他会给 LP 开一次 AI Session，复盘这季度 AI 圈发生了什么、他们在用什么、在试什么。Q1 这场刚开完，缩略版发到 Twitter，作者把它完整看了一遍。
文章前半截是趋势播报，后半截是 Yohei 自己搭的投后监控工具。作者明确说后半段才是值钱的东西。
趋势那一截：信号还是表演
编程模型的进化。Q4 编程模型整体大幅提升，2026 年 1 月初出现了「并行跑 Claude Code」的热潮——一台机器同时跑好几个 agent，各自处理不同任务，交付速度快了几倍。ClawdBot 1 月末突然爆。Yohei 把推动力归成三件事：模型本身变强 + 自己买 Mac Mini 当服务器变成常见操作 + 工具接入口变多（不只是网页，还有 API、各种 channel）。门槛突然低了一大截，以前要搭 agent 系统得有云服务器和基础设施背景，现在很多人在家里跑。
Anthropic 和美国国防部那单。2 月那一周国内外科技媒体铺天盖地。Yohei 的判断很冷静：这只是一个客户。真正有价值的是附带的消费者认知度拉升——App Store 排名第一、上了《时代》周刊封面。这是一种曝光，不太可能换三年的营收，但对品牌渗透是一次有效放大。典型 VC 视角：不看单次事件，看它对长期指标的影响。
Mythos 没发。OpenAI 把竞争对手的激进发布定性成「恐惧营销」（fear marketing），同时自己的 Mythos 模型迟迟没发，官方说法是「太危险了」。紧跟着是国防部相关讨论，还有特朗普那句「有可能把他们拉回来」。Yohei 没明确下判断，但把这几件事排在一起——意思是整个 AI 行业在安全和速度之间的张力，Q1 开始变得更明显。
Q1 大模型厂商的发布跟投后公司高度重叠。他列了 Codex Desktop（并行编程）、Claude 的 Managed Agents + Agents SDK 升级、Codex Security（代码安全审查）……然后说：这些方向，他在自己的投资组合里都见过类似的早期公司在做。“创业护城河”在缩小，能做这些事的不只是创业公司，大模型厂商自己也在往这个方向走。原话是：「这感觉已经不是一个趋势了，这是我们预期会发生的事情正在发生。」这句话信息量比表面多。
Claude Design。他专门用一节讲，因为「太喜欢了」——这场 LP 季报 deck 本身就是用 Claude Design 做的。他描述底层架构是：Claude Code + 一套对「输入有什么」（字体、Logo、品牌色等）和「输出是什么」（幻灯片、设计文档）都有明确 ontology（本体论，可以理解为”对一类对象的结构化定义”）的框架，再配一套匹配的 UI。每个 ontology 下面应该是一批专门的 agent 在执行。让他喜欢的原因是——它知道你想要什么，而不是给你一个空白画布让你自己摸索。Yohei 被几个人夸字体好看，他回「那是 Claude Design 的功劳，不是我的」。
种子轮估值。简单带过：大机构历来把种子轮当期权购买，现在往这个阶段砸钱更多了。
投后工具：三件套粘出来的 dashboard
趋势说完，他切换话题：「介绍一下我们最近做的投后数据监控工具。」放出来大量截图。作者认为这是整个 thread 里最值得深想的部分。
数据源是三个工具：Attio（CRM，投后公司的结构化信息）+ Gmail（和创始人的往来邮件，里面是大量非结构化的更新、报告、问题）+ Granola（AI 会议笔记工具，开会自动生成的摘要和行动项）。这三个工具基本就是 VC 的完整工作面。以前它们孤立——要了解一家投后公司的最新情况，得手动去三个地方翻，再在脑子里整合。现在这套工具自动读取三个数据源，用 AI 提取数据点，按时间轴聚合成每家公司的视图，定量（收入、烧钱速度、跑道）和定性（情绪、关键挑战、最近进展）放在一起。
作者在这里停了一下点评：Attio、Gmail、Granola 各有各的 UI 和数据格式，没有人告诉 Yohei 「它们应该这样连起来」，是他自己决定的——我的数据在这三个地方，AI 应该能整合起来。几年前这种想法，实现代价太高，大多数人想完就算了。现在想法和实现之间的距离缩短到 Yohei 能自己搭出来这套系统。这个缩短本身，比任何具体功能都重要。
总览表：可信度内嵌
第一张大截图是投后公司总览表。所有被投公司列在行里，列包括：收入、月烧钱额、跑道、账上现金、累计融资额、当前融资状态、互动次数、引荐次数、情绪评分、数据新鲜度评分。表格可以按任意列排序。
数据不是手填的，是 AI 从三个源里读出来的。
「数据新鲜度评分」是个细节但不小：它告诉你这个数字上次更新是什么时候，如果很久没刷新，你知道要主动去问。这是一个可靠性指标，直接内嵌到表里——你看一眼表就知道哪些数字可信、哪些该问问。
单公司页面：KPI 分析 + 数据溯源 + Ignore 按钮
单个公司页面两张截图。
第一张概览：财务数据 + KPI 分析（系统自动给出的判断，不只是数字）+ 创始人的 Asks（他们在求什么帮助）+ 近期的 Wins（进展）+ Challenges（挑战）+ 完整时间线。这基本上就是一个 VC 在开投后会议之前应该掌握的全部信息，但它是自动生成的。
第二张是数据点溯源。点一个具体的数字，能看到它的完整历史：什么时候第一次出现、从哪里来（某封邮件的某段话、某次 Granola 笔记）、原始表述是什么、系统怎么把它归一化成标准的年化和月度格式。
旁边有一个 Ignore 按钮——这个数据点不准确或不应被计入，直接忽略，从分析里排除。
作者在这里给了整篇文章里最值得记的一段评论：
现在很多人用 AI 生成数据，但不给用户一个「质疑入口」。数据看起来很全，但你不知道它是哪来的，也不知道能不能信。数据溯源 + 人工干预，是让 AI 生成的系统真正变得可信的两个关键机制，很多产品都少做这一块。
Ignore 这个按钮看上去很小，但它解决的是一个很大的信任问题：你对这个系统的信任，是建立在「我知道我可以纠正它」的基础上的，而不是建立在「我相信它永远是对的」。后者不可能存在，前者让工具变得真正可用。
三个 Dashboard
融资 Dashboard：一眼看出谁在融资、谁在考虑融资、各家的跑道情况。VC 的直接价值——你在一张图上就能看到「哪些公司快没弹药了」，可以提前主动接触，而不是被动等创始人来找你。
互动 Dashboard：我和哪些公司互动了、互动频率是多少、哪些已经很久没联系。让一件以前依赖记忆和感觉的事情变成可量化的——VC 的时间怎么分配，数据说话。
累计收入图表：整个投资组合的年化收入增长曲线，合并在一张图，纵轴是累计数字。Yohei 说刚开始玩这类聚合视角的图表。对 LP 来说这是一个很清晰的答案：你投的这些公司，加在一起，在往哪个方向走？
Check-in Campaign：用数据开头降低信任成本
Yohei 原话：「我从来没有发过定期 check-in 邮件。」原因很具体——他觉得如果不告诉创始人「我知道你最近情况怎样」，发一封「最近怎么样」的邮件会显得他根本没在关注，只是走流程。这个顾虑很真实：创始人很忙，每收到一封 VC 的泛泛 check-in 邮件都是一次干扰。
现在他可以这样做：系统自动生成一封邮件，内容是「你上次跟我更新是某月某日，你当时提到了 X 数字，这是我现在存档的最新信息，如果已经更新了麻烦告诉我」。用数据来开头，创始人马上知道这不是走流程，是真在跟踪。Yohei 说 response rate 很不错。
作者把这个功能抽象成一条通用原则：
如果你能在开口之前先展示你已经知道了什么，对方的信任成本会大幅降低。这不只是 VC 和创始人之间适用，销售、客户关系、任何需要定期 follow up 的场景都一样。
75% 的 Asks 都是要引荐
所有 Asks 提取到一处后能统一分析。结论：75% 的 Asks 都是关于「能不能帮我认识某类人」——不是产品建议，不是融资策略，是人脉引荐。
作者说这个比例不意外——VC 最核心的价值之一就是网络，引荐是最高频的需求。但一直以来这件事是靠 VC 的个人记忆和主观判断来处理的，过程不系统，严重依赖 VC 自己的时间和精力。Yohei 说下一步想看能不能把这部分自动化，提到了一个外部产品 happenstance 在测试。
成本：$500–$1000 / 月
有人评论里问 Claude tokens 一个月烧多少。Yohei 答：大约 $500 到 $1000，加上所有 AI 工具。然后补一句：比那些整天并行跑编码 agent 的人少多了。
作者评论：这个数字是一个很好的锚点。从数据抽取到 Dashboard、check-in 邮件生成、Asks 分析——这套系统每月实际花费 $500-$1000。这不是什么豪华研究项目，是一套工作基础设施。
作者收尾的几个角度
角度一：参与者 vs 旁观者。大多数 VC 写 AI 趋势报告是旁观者：我观察到了什么，我判断什么会发生。Yohei 这个 thread 不一样——他不只是在说「AI 会改变 VC 行业」，他在说「我已经在用 AI 改变了我的工作方式，这是截图，这是实际体验，这是花了多少钱」。这个区别比任何趋势判断都实在。
角度二：谁来整合数据。这套工具的数据源是三个已经存在的系统，没人给 Yohei API 文档或官方集成，是他自己用 AI 把它们连在一起的。这本身是一个论断：不是等工具厂商告诉你怎么用，是自己决定数据怎么流。以前这种整合需要工程师、需要时间、需要钱；现在一个 GP 自己就能搭出来。
角度三：VC 内部的信息不对称。作者最后挑了一个角度——这套工具解决的不是创始人和 VC 之间的信息不对称，是 VC 自己内部的信息不对称：那些已经在系统里的数据，你其实没有真正在用。Gmail 邮件没时间翻完；Granola 笔记记了但很少回看；Attio 字段更新不及时。这些数据名义上是你的，但你决策时其实大量依赖印象和感觉。AI 做的事，就是把你已经有的数据变成你实际能用的工具。这不是「AI 替代了什么」的故事，是「AI 让已有的资产开始真正工作」的故事。
飞轮。Yohei 在 thread 最后说：「每季度做这种复盘，是整理自己思考的好方式，LP 们也挺喜欢的。」轻描淡写。但这个习惯积累下来，是一个和那些不做这件事的人越拉越远的飞轮。
拧巴 / 我的怀疑
- 75% 这个数字没说样本。Asks 总数多少？时间窗多长？是 Untapped Capital 一家的样本，还是泛 VC 行业？没有 N 的百分比，意义有限。
- 「数据新鲜度评分」具体怎么算没交代。是按上次更新时间的硬阈值？还是看更新频率的相对值？这个评分本身的可信度也值得问。
- Ignore 按钮 + 数据溯源作为「信任机制」描述很好听，但缺了一个角度：错误数据被 Ignore 之后，模型会不会回头改提取规则？还是只是这一次的本地排除？前者才叫闭环。
- 跨工具整合的数据一致性问题。Granola 笔记里的数字和创始人邮件里的数字冲突时，系统选哪一个？没说。这是 AI glue 类工具的核心难题之一，作者跳过了。
- 「响应率很不错」——具体多少？相对于什么基线？Yohei 自己以前从没发过 check-in，对照组是缺的。
Discussion 补充（2026-05-02）
讨论中 Justin 反馈：之前的精读笔记和 follow-up research 主轴是”工具拆解”（功能 / 设计 / 实现栈），但他真正想看的是这位 GP 的工作流被 AI 改造后到底变成了什么样子——day-in-the-life 视角，不是工具拆解视角。下面是补的这一节。
实时（每条 email / 会议触发）
| 动作 | 原来怎么做 | 现在 AI 加持后怎么做 |
|---|---|---|
| 创始人发来 update 邮件 | 看一眼，记个印象，可能在 Attio 里手动更新一两个字段 | 邮件一进 inbox，工具自动抽取出 revenue / burn / runway / cash / asks / wins / challenges 几个字段，按公司归并到 timeline，原文留底 |
| 开完一场 portfolio 会议 | Granola 自动录纪要，但纪要躺在 Granola 里没人回看 | 纪要进来立刻被抽取——会议里提到的数字、ask、challenge 全部进 timeline，跟邮件抽出来的字段并轨 |
| 创始人提了一个 ask | “我得记一下”——记在脑子里 / 散落在邮件 / 会议纪要里，过几天就忘 | 自动归类到 Asks 区，按公司聚合，按类型聚合（specific person / scheduling / partnerships / hiring / pr 等），可统计分布 |
| Runway 有变化 | 等下次开会，被动让创始人告诉自己 | 每次新数据点进来，runway = cash / monthly burn 自动重算，立刻反映在表里 |
每天（早上 / 下午各一次）
| 动作 | 原来怎么做 | 现在 AI 加持后怎么做 |
|---|---|---|
| 看 portfolio 整体状况 | 凭记忆和印象，“X 公司最近怎么样了”——脑子里搜，不准 | 打开总览表（10 列：revenue / burn / runway / cash / total raise / status / interactions / intros / sentiment / freshness），按任意列排序，1 分钟扫一遍 |
| 决定今天联系谁 | 凭感觉，“好像 X 很久没聊了” | 按 freshness 倒序排——freshness 最低的就是数据最旧的，今天该 ping 谁不用想 |
| 看哪家公司快没弹药 | 等创始人发紧急邮件 / 看 Slack 上的求救 | 打开 Fundraise dashboard——谁在融、谁在考虑、跑道还剩多少，一眼看完，提前主动接触 |
| 想找一个具体数字 | “我记得 X 跟我说过……”，去翻邮件 / 翻 Granola，找半天 | 表里点那个数字，点开溯源页：哪天来的、哪封邮件 / 哪条笔记、原文怎么说的、归一化年化和月化都给你 |
| 发现一个数字明显不对 | 心里 filter 掉，但下次还会被它干扰 | 点 Ignore 按钮，从分析里剔除，下次不再算 |
每周（一次或几次）
| 动作 | 原来怎么做 | 现在 AI 加持后怎么做 |
|---|---|---|
| 反思自己时间分配 | 没法反思——靠模糊的”我最近聊得不少吧” | 打开 Engagement dashboard——这周 / 这月跟哪些公司互动、频率多少、谁被冷落了，数据说话 |
| 判断要不要主动找某创始人 | 凭记忆”我们上次什么时候说话来着” | 看 # interactions 列 + freshness 列，组合判断 |
| 要给某公司做引荐 | 在脑子里搜”我认识谁谁可能合适”——非常依赖 GP 个人记忆和当下状态 | Asks 已被结构化集中到一处，可以按类型 batch 处理（虽然 intro 撮合本身仍是 manual / ad hoc，但至少 ask 不会丢） |
每季度（一次）
| 动作 | 原来怎么做 | 现在 AI 加持后怎么做 |
|---|---|---|
| 发 check-in 邮件给所有 portfolio | 不发——Yohei 原话：“felt rude to ask for info we might have”。怕显得自己根本没在跟踪，反而打扰创始人 | 系统自动生成季度 check-in 邮件，正文嵌入「我们已知最新数据点 + 收到时间 + 你的 freshness 百分位」，让创始人只在数据过期 / 有误时回复——首轮回复率 42% |
| 做季度 LP 汇报 | 手工汇总各家进展，写 deck，做累计图表很痛苦——Yohei 自己说”i can’t believe i didn’t have this before” | 三个 dashboard 直接给 LP 看 + 累计年化收入曲线（按基金分别画）一键出，季度 LP AI Session 自然成型 |
| 整理这一季度的思考 | 散落的，没有强制节奏 | 季度 LP AI Session 是自我设的 deadline——record 下来分享给 LP，“build-in-public 飞轮”自己运转 |
| 回顾创始人都问了什么 | 全靠印象 | 跑一次 Asks 分析：这季度全部 asks 按类型统计，发现 75% 是 access-to-people 类——这个洞察以前从来抓不出来 |
一次性 / 不定期
| 动作 | 原来怎么做 | 现在 AI 加持后怎么做 |
|---|---|---|
| 判断哪些 GP 工作可以自动化 | 拍脑袋 / 凭直觉 | 跑 Asks 分类后，“75% 都是引荐”这个数据告诉他下一步该自动化什么（正在评估 happenstance 等外部工具） |
| 跟 LP 解释”我家基金值得继续 follow” | 讲故事 / 个案 | 直接给 LP 看 cumulative annualized revenue 曲线 + freshness 评分 + check-in response rate——数据驱动的 narrative |
三件他没让 AI 做的事（同样有信息量）
- Intro 撮合本身还是 manual——Yohei 自己说 “intros still manual and ad hoc”。Asks 被 AI 归类了，但”我认识谁谁，要不要双盲引荐”这一步，他还在自己干
- 创始人的”判断”层不让 AI 做——KPI 分析的”系统判断”部分有 AI 出意见，但最终 GP 决定怎么 push 创始人 / 怎么帮，不让 AI 替他说话（“I’m always cc’d on these”原则的延续）
- 不发自动化的安慰邮件 / 鼓励邮件——他对创始人发的 check-in 都带具体数据，不发”加油哦”这种空话
一句话总结
Yohei 没让 AI 替他做 GP 的判断，让 AI 替他做了所有原本因为”麻烦”和”觉得失礼”而没做的事——抽取数据、归一化、追溯、提醒、给创始人发 check-in、给 LP 出图。这些事每件单独看都不难，但累加起来构成了一个 GP 工作流的质变：从”凭印象 + 临时找资料”变成”看数据 + 主动出击”。
如果只想抄一件最值得抄的——是 freshness score + check-in campaign 这一对：让数据自己暴露陈旧，然后用陈旧数据本身作为发邮件的钩子，反向让创始人来纠正你。这一套机制几乎是这次工具改造投后管理的核心价值，其他都是配菜。
完整 follow-up research 见
Learning/Research/2026-05-02-Yohei投后工具完整研究.md（含功能盘点 / 设计原则时间溯源 / 实现栈推断 / 复刻 playbook / 对立视角）。