孪生合伙（TwinMatch for Co-founders）

一句话介绍

这是一款专为 OPC（一人公司）打造的 AI 协作沙盒。它让创业者的 Agent 先行合作，用一次低成本、可解释、可回放的“预演”，帮助用户筛选出最契合的现实合伙人。

项目背景

AI 正在让“一人公司”成为可能，但真正的商业世界并不会永远停留在单兵作战。
当产品开始增长、决策开始变复杂、执行链条开始变长，OPC 最终仍要面对一个经典问题：

谁能成为真正合适的合伙人？

今天的大多数“找搭子/找合伙人”产品，仍然停留在资料浏览、标签筛选、聊天破冰、人格测试等静态层面。
但创业合作真正会失败的地方，往往不是“看起来不合”，而是：

• 目标相似，但投入方式不同
• 能力互补，但 ownership 冲突
• 聊天顺畅，但一进入任务就节奏失衡
• 理念一致，但面对风险时决策方式完全不同

也就是说，创业合作的问题本质上不是“认识谁”，而是“谁能和我一起真正推进事情”。

我们要解决的问题

1. OPC 的孤岛效应

AI 让一个人可以做出产品，但很难一个人长期打赢复杂战役。
从 OPC 走向高能团队，寻找互补伙伴几乎是必经之路。

2. 传统“找合伙人”试错成本极高

现实中的合作像一场昂贵的“试婚”：

• 前期靠直觉判断
• 中期靠磨合硬扛
• 后期才暴露价值观、节奏、利益与决策冲突

一旦判断失误，损失的不只是时间，还有情绪、信任、机会成本，甚至整个项目。

3. 现有方案缺少“动态协作验证”

静态简历、标签和聊天记录，并不能证明两个人是否真的能一起做事。
我们需要的不是更多自我介绍，而是一场低成本的真实协作预演。

解决方案：让 Agent 先合作一次

孪生合伙（TwinMatch for Co-founders）的核心思路是：

先不让真人直接深度绑定，而是先让双方的 Agent 在沙盒里完成一次标准化协作任务。

如果两个 Agent 配合顺畅，说明双方在目标、节奏、分工、沟通和风险偏好上存在较高兼容性；
如果协作中出现反复冲突、逻辑死锁、推进低效，也能在真人投入之前尽早暴露问题。

我们的产品输出不是一个“匹配分”，而是一份可解释的合作诊断：

• 为什么匹配
• 为什么可能失败
• 是在哪个协作阶段开始出问题
• 问题属于“可训练摩擦”还是“结构性不合”
• 是否值得进入真人沟通或短期试跑

产品核心工作流

1. 创业画像输入

用户先完成一份轻量创业画像，内容包括：

• 创业目标与动机
• 当前阶段和投入方式
• 主角色与希望补足的能力
• 工作节奏与同步偏好
• 决策方式与风险偏好
• ownership 与反馈风格
• 价值观与合作底线

2. Theory Fit 理论匹配

系统基于画像先完成静态匹配，筛出高潜候选人，重点判断：

• 目标一致性
• 角色互补性
• 节奏兼容性
• 决策与风险偏好
• 沟通与冲突处理方式
• 价值观与底线冲突

3. A2A 协作沙盒预演

对于高潜候选人，系统驱动双方 Agent 围绕同一个微型创业任务展开协作，例如：

• 共同制定一个 AI 产品的 MVP 方案
• 拆解首周执行计划
• 明确分工与 ownership
• 识别关键风险与优先级

整个过程会拆成多个阶段，例如：

• Alignment
• Decomposition
• Delegation
• Negotiation
• Convergence

4. 合作诊断报告

系统最终输出一份结构化报告，而不是一句模糊评价。
报告会告诉用户：

• Overall Fit
• Theory Fit
• Collaboration Score
• 关键协作亮点
• 高风险摩擦点
• 根因归因
• 下一步建议

技术亮点

这个项目的关键不只是“让两个 Agent 对话”，而是把协作过程结构化、可评估、可解释。

1. 双层匹配机制

我们将匹配分为两层：

• Theory Fit：基于静态画像的理论匹配
• Collaboration Fit：基于动态协作过程的行为匹配

这样可以避免传统匹配产品只看资料、不看真实合作行为的问题。

2. 标准化 A2A 协作任务

为了让不同候选人的结果可以横向比较，我们没有放任 Agent 自由发散，而是设计了统一的创业协作任务和阶段化流程。
这让系统不仅能“生成内容”，还能“评估配合”。

3. 可解释诊断链路

我们把诊断逻辑拆成四层：

结果 -> 过程 -> 行为 -> 根因

例如，一个组合失败，不只是给出“低匹配”结论，而是继续追问：

• 是目标没有对齐？
• 还是任务拆解能力不一致？
• 还是 ownership 划分冲突？
• 还是风险偏好本身结构性不兼容？

这让产品具备比“人格测试”更强的解释力。

4. 低成本、无损试错

真实合作关系的建立成本极高，但 Agent 试跑几乎是“无损”的。
如果 Agent 在沙盒里已经频繁冲突，真人就不必再投入大量时间、情绪和协商成本。

技术实现

当前版本是一个基于 Web 的原型系统，核心由以下几部分组成：

前端与产品层

• 基于 Next.js 构建 Web 应用
• 提供 onboarding、画像问卷、匹配结果、协作过程、诊断报告等页面
• 支持结构化展示匹配结果与协作阶段输出

身份与数据接入

• 接入 SecondMe OAuth 完成用户身份登录
• 读取用户基础信息与可用于构建画像的上下文数据
• 将用户画像标准化为可参与匹配与模拟的数据结构

Agent 协作引擎

• 将双方画像注入到统一任务模版中
• 驱动两个 Agent 进入多阶段协作流程
• 记录每个阶段的观点、分歧、收敛结果与行为信号
• 输出阶段分数与总评估结果

评分与报告系统

• 使用规则化维度 + 结构化输出模版
• 生成 Theory Fit、Collaboration Score、Risk Level、Recommendation
• 将协作结果转译为用户可读的诊断报告

为什么这个项目有意义

我们相信，AI 不应该只替代人的工作，
AI 还应该帮助人类更低成本地建立信任。

创业最昂贵的错误之一，不是做错产品，而是找错搭子。
如果我们能把那些致命摩擦提前留在沙盒里，把真正契合的合作关系带回现实，就能显著降低早期创业的失败成本。

我们的核心愿景

把致命的摩擦留在沙盒，把完美的契合带回现实。

未来的创业，不必再依赖运气去碰合伙人。
我们希望通过 Agent 的先期碰撞，让创业者从 OPC 到高能团队的进化过程，变得更平滑、更理性，也更少痛苦。

当前阶段

本项目当前聚焦于黑客松 MVP，目标是验证三件事：

• 用户是否愿意先完成创业画像
• Agent 协作模拟是否比静态匹配更有说服力
• 诊断报告是否能帮助用户做出更明确的下一步决策

未来方向

• 支持邀请制定向对跑
• 支持 Top N 候选人的横向对比
• 支持协作时间线可视化
• 支持历史报告沉淀与回看
• 逐步形成更稳定的“创业协作兼容性模型”

结语

孪生合伙（TwinMatch for Co-founders）不是一个“聊天认识人”的产品，
也不是一个“用 AI 替你找人”的玩具。

它更像是一个面向未来创业关系的预演引擎：
在真人开始绑定之前，让 Agent 先替你完成一次合作试跑。

因为真正值得进入现实的关系，应该先经得起一次沙盒里的协作。