要找博士级cofounder。

我做 CEO/technical founder，另一个 cofounder 可以是：

• 科学计算 / 工程仿真博士；
• 工业软件 senior engineer；
• 有半导体/航天/能源客户资源的 GTM/BD；
• AI infra / distributed systems 工程强人。

明确职责

不要只写“我们一起创业”，而是写清楚每个人负责什么。

例如：

角色	职责
CEO	融资、战略、销售、招聘、投资人沟通
CTO	技术架构、核心代码、工程团队、数据安全
CPO	产品定义、用户研究、设计、路线图
COO	交付、运营、供应链、财务流程

不写清楚的后果是：

• 两个人都以为对方负责销售；
• 技术合伙人不愿写代码，只做“战略”；
• CEO 觉得 CTO 交付慢，CTO 觉得需求不清；
• 公司没人对关键指标负责。

明确每月时间投入，例如：

Advisor 每月投入 4 小时，包括 1 次战略会议、1 次客户开发 review，以及必要的异步反馈。

或者：

Advisor 每月提供最多 6 小时支持，包括行业介绍、销售材料 review、客户会议准备。

明确 deliverables 是什么？

Deliverables = 具体交付物 / 成果。

例如：

不清楚的写法：

帮助公司发展。

清楚的写法：

3 个月内介绍不少于 5 个目标客户；
每月 review 一次销售 deck；
每季度参与一次融资材料讨论；
提供目标行业采购流程分析文档。

Advisor 最常见的问题是：名义上很厉害，但实际不投入。所以要用 deliverables 限制。

术语	白话
Vesting	股权逐步解锁
Cliff	没到某个时间点之前拿不到
4 年 vesting	4 年拿完整份额
1 年 cliff	做满 1 年才开始拿第一批
IP assignment	做出来的东西归公司
Confidentiality	保密
Founder departure clause	创始人离开时怎么处理股权和权利
Advisor equity	给顾问的小比例股权/期权
Deliverables	顾问必须交付的具体成果
Salary ramp	工资逐步提升计划
Equity grant	授予股权或期权
Dilution	融资后原股东比例下降
实践上，cofounder 要防止“人走股留”；advisor 要防止“挂名拿股”；早期员工要防止“低薪画饼”。

如何判断一个人是否适合当核心伙伴？

我建议用 10 个问题。

1. 我是否见过此人在压力下工作？
2. 他是否连续 3 个月稳定交付？
3. 他是否能吸引比自己强的人？
4. 他是否能承认错误？
5. 他是否能和客户对话？
6. 他是否能处理模糊问题？
7. 他是否愿意做脏活？
8. 他是否和我价值观兼容？
9. 他离开后公司是否会瘫痪？
10. 我是否愿意和他绑定 4–7 年？

少于 7 个肯定答案，不要轻易给 cofounder 位置。

技术风险

例如：

• 数据质量差会影响效果；
• 长尾问题仍然容易错；
• 权限控制需要加强；
• 客户私有部署成本较高；
• 模型 API 成本可能波动；
• 多语言场景尚未验证。

技术 memo 不应该只讲优点，必须讲风险。否则看起来像销售材料。

下一步计划

例如：

• 用两个试点客户的数据扩展 benchmark；
• 将测试集从 500 条扩展到 5000 条；
• 接入客户权限系统；
• 降低延迟到 1 秒以内；
• 做 A/B test；
• 把人工转接率作为核心业务指标。

举一个完整例子

假设你做的是 AI 合同审查工具。

Demo

你有一个网页：

• 上传合同 PDF；
• 系统自动识别风险条款；
• 给出修改建议；
• 标出对应页码；
• 生成审查报告。

两个试点客户

• 一家小型律所愿意用 50 份合同测试；
• 一家 SaaS 公司法务团队愿意用采购合同测试。

Benchmark

你设定测试：

指标	人工初级律师	GPT 直接审查	你的系统
风险识别准确率	82%	70%	88%
平均审查时间	45 分钟	8 分钟	5 分钟
引用条款正确率	95%	68%	92%
单份成本	高	中	低

技术 memo

你写一份 5–10 页文档解释：

• 为什么普通 LLM 容易漏条款；
• 你如何做合同分段；
• 如何识别 indemnity、termination、liability cap；
• 如何防止幻觉；
• benchmark 怎么测；
• 两个试点客户反馈是什么；
• 技术风险和下一步计划是什么。

最短理解

词	白话
Demo	能演示的原型
试点客户	愿意真实试用的客户
Benchmark	用数据证明效果的测试
技术 memo	解释技术方案、实验结果、风险的文档

一个技术 memo 的简化模板

Title: Technical Memo — AI Customer Support RAG System

1. Problem
企业客服知识库更新快，人工响应慢，通用 LLM 容易幻觉。

2. Technical Approach
我们使用 hybrid search + reranker + RAG + citation enforcement。

3. Current Demo
已有一个网页 demo，可上传 FAQ 文档并回答用户问题。

4. Benchmark
在 500 条真实客服问题上测试：
- GPT direct answer accuracy: 72%
- Our RAG system accuracy: 87%
- Citation correctness: 91%
- Avg latency: 1.4s

5. Pilot Customers
已有两个试点客户：
- 客户 A：测试售后 FAQ 场景
- 客户 B：测试内部 IT helpdesk 场景

6. Risks
- 部分问题依赖过时文档；
- 权限管理还不完整；
- 复杂多轮对话表现不稳定。

7. Next Steps
- 扩大测试集；
- 接入客户真实知识库；
- 做权限过滤；
- 评估每单成本。

招人

名校招人：

我们正在做 AI 科学计算/AI 研发自动化系统，已经有一个 demo、两个试点客户、一个明确 benchmark、一个技术 memo。我们在找愿意解决这个具体问题的人：如何让多模态 AI 自动诊断模型训练失败，或者如何让 AI 理解仿真结果并提出优化建议。

用具体问题 + 已有进展 + 公平机制 + 清晰愿景吸引人。

当前路径

从现在开始就持续建立“可验证技术资产 + 潜在合伙人网络 + 领域专家网络 + 客户问题库”。
研究生毕业后工作 3 年不是暂停创业，而是低风险地积累创业资本。
50 万美元不是用来买团队，而是用来让已经验证过的核心团队进入全职执行状态。
YC/名校/加速器不是起点，而是放大器。