Santanu Dasgupta 的第二個想法,敗在一個很普通的問題。MVP 得到正面反應,但更多是對「想法」本身的肯定;接著對方問:它能自動化什麼?他回答:anything。
這是他後來在 Indie Hackers 帖子裡的一段自述(Journey so far building an AI startup: Mistakes and Learnings[1])。那款產品想取代 Zapier 做 AI 流程自動化。回答「anything」等於沒回答。從採購角度看,這個答案無法拿來對照預算、流程,也無法向具體的人說明邊界——這是對自述的解讀,不是客戶原話。他寫,那段時間財務與精神壓力很大,一度覺得退出是唯一選擇。
他花了 8 個月,經歷兩個失敗想法。第三個想法起初也不是如今官網的模樣:按同一篇帖子,Meerkats AI 當時是面向個人創業者的無程式碼 LLM 應用搭建工具。帖子講第三個想法的由來時還提到,他當時認為 AI 雖擅長生成內容,但風格語氣、SEO 等更高階工作仍需人工介入。他舉的實例,是用工具搭一個能對任意主題做深度網路研究、再改寫成多種內容的應用。搭建使用 Langchain、Langgraph、OpenAI APIs 和 Node.js 等(同上)。MVP 剛完成,他在帖子裡問如何取得第一批使用者,說試過 Twitter 和 LinkedIn,成效不大。
Meerkats 早期推廣時,鎖定的是已替客戶執行 campaign、尚未使用 AI agents 的代理機構。按 Startup Founder Stories 對 Indie Hackers 訪談的轉述,團隊向人脈圈內的代理機構做冷啟動與定向聯繫,舉辦線上、實體教育活動,也透過 LinkedIn 貼文獲客(Startup Founder Stories[2])。資料沒有代理機構數量、轉換率或 CAC。
如今官網賣的,又是另一層。截至 2026 年 11 月 17 日讀取時,Meerkats 將自己描述成 AI 系統的 context layer:將業務資料、定義、狀態、規則與允許動作串成一層受管理的上下文,供 AI agents 讀取與行動(Meerkats: the context layer for AI systems[3])。
具體來說:Claude Code、Codex、自建 agents、n8n workflows 與內部應用,都能透過 MCP 和 API 讀取同一份上下文;模型端接 Claude、GPT、Gemini 或自有模型,更換模型、修改規則不用重建。資料按計畫同步,但任何動作執行前都會重新即時讀取。
圖:來源為官方頁面[3],2026-11-18以瀏覽器擷取的架構示意圖;不代表本輪實測。
若拿過去那句 anything 對照,真正的差異在語意層:每個實體、指標與關係只定義一次,平台標籤映射到客戶自己的口徑,遇到不認識的名稱直接拒絕,不猜。官網也舉了權限例子:唯讀合作夥伴想改廣告預算,會被擋下。
交付也以「可查」為設計目標。人用自然語言寫 playbook,系統將它轉成含觸發、時間窗、條件與限制的型別化自動化,按時程執行、跨次保留狀態,規則修改後下次執行即生效。每次 agent 執行都生成一張 receipt:讀過什麼、依哪個規則版本、由哪個權限放行、改了什麼,另有回讀驗證、tokens 與耗時。能驗收的工作,與一句「已經替你跑過」,是兩門生意。
Dasgupta 在 Indie Hackers 訪談裡說,他做了 20 年 SaaS GTM,在美國、歐洲、印度從開發者轉向成長與顧問工作,反覆看到 GTM 仍仰賴手工、零散工具與代理機構執行(Growing an AI orchestration platform to 約 NT$98,550.00($3k) MRR in 4 weeks[4])。這段經歷解釋了他為何稱 Meerkats 為「digital growth agency in software」:接替 SDR、行銷人員與代理機構的大量重複工作——擷取和豐富關係資料、生成商機、執行 campaign 與跟進,都在聊天介面完成(同上)。
財務部分有一個明確時點。同篇訪談中(頁面未顯示發布日期),他說平台四週前上線,當時 MRR 超過 約 NT$98,550.00($3k)。這只屬於訪談當下,不是今天。除了這個數字,訪談提到的財務支持還有 University of Chicago Polsky Center 的 Alumni New Venture Challenge 資金、用平台提供代理服務來支應營運,以及 Azure、OpenAI、Anthropic 提供的模型成本 credits,均無金額,利潤仍不清楚。
定價頁(2026-11-17讀取)提供四檔月繳,最低 約 NT$952.65($29);Enterprise 是客製年度合約,跑在客戶自己的 Snowflake、BigQuery 或 Databricks 資料倉儲,資料不複製出去——對需要通過採購的人來說,這句話比任何準確率數字都管用(Pricing[5])。
有人會問,為何不自己搭。訪談裡他的答案很實在:新創 GTM 團隊選 Meerkats 而非 Claude Managed Agents 與 OpenAI Agent Harness,是因為想按任務挑最便宜又合適的模型,團隊也可能沒人有能力搭 Agent Harness,於是整件事外包。他稱之為「Service as a Software」,甚至是結果導向服務。定價頁賣的是連接數、資料量、AI credits 與同時執行的自動化額度;訪談說的則是把成長執行整段接走,不能直接視為同一種交付。
在同一條「給 AI 業務上下文」的路上,DataHub 的 Shirshanka Das 在 SourceForge Podcast 裡將目前重心放在分析型 agent:先做 context retrieval,再把回答後的修正與觀察寫回圖譜,形成跨任務記憶;他把「提供 context」與「提供 agent 本身」劃成仍在觀察的界線,目前更願意讓公司自行在上面搭 agent(The Context Platform for AI Agents: DataHub | SourceForge Podcast, episode #126[6])。Meerkats 官網則把 playbook、允許動作與每次執行的 receipt 放在同一層(Meerkats: the context layer for AI systems[3])。兩者都賣「讓 agent 瞭解業務」,但 DataHub 目前的中心場景是資料問答;Meerkats 將 playbook 變成依規則執行的自動化,並留下可查紀錄。
值得停一下的是,今天官網與訪談的定位並不完全一致。官網說 context layer,賣給任何想把 agent 接進業務的人,最低每月 約 NT$952.65($29);訪談說 digital growth agency in software,賣的是替你接走成長執行中的大量重複工作。一個賣地基,一個賣結果。資料沒有這套 context layer 的上線或遷移日期,也缺乏從早期內容工具走到今天的完整變更紀錄,因此說不清這是轉向,還是同一件事的兩種說法。
但有條線可以這樣看:過去答不出的問題,今天的產品給了更窄的答案。語意層拒絕不認識的指標名稱,唯讀合作夥伴改不了預算,每次執行留一張 receipt。這些動作指向同一件事——把「什麼都能自動化」換成「這件事,按這些規則,在這個權限裡,做完了,可以查」。資料還接不上這些邊界是否已成為付費理由;但至少,答案不再是「anything」。