2021年,Anjuna Security正处于高速扩张期,大规模招聘,并瞄准一个看似无限广阔的市场。到当年年底,这家风投支持的网络安全公司已扩张至约75名员工,销售、客户成功和支持团队全面铺开,以迎接持续高速增长的预期。
然而,2022年的现实泼来了一盆冷水。
随着市场风向转变,企业客户越来越难以拿下。和那个时期许多初创公司一样,Anjuna陷入了过度扩张、资金不足的困境。公司不得不做出艰难决定,分两轮对员工进行了裁员。
削减成本只是挑战的一部分,更难的问题是:如何反弹,如何持续激励留下来的团队成员?
Anjuna联合创始人兼首席执行官Ayal Yogev受邀参加了TechCrunch的Build Mode节目,与主持人Isabelle Johannessen深入探讨了公司如何在市场剧烈波动中存活下来——靠的是快速行动、以人文关怀方式推进裁员,以及从早期失误中汲取教训。
Anjuna能够熬过两轮裁员的原因之一,在于公司此前已用心构建了一种以简单理念为核心的强大内部文化。"说到企业文化,我们只有一个词,那就是'关怀',"Yogev说,"我们关怀员工,我们关怀客户。"
公司没有将文化停留在抽象的价值观层面,而是专注于持续一致的行动。对内,这意味着保持透明、清晰地告知员工发生了什么以及原因所在;对外,则意味着对离职员工给予超越遣散费的支持——例如通过投资人网络分享就业机会,确保他们在医疗保险等福利方面能够持续享有保障。
尤为关键的是,公司有意识地避开了裁员过程中常见的、最容易侵蚀信任的误区,例如旷日持久的不确定性、缺乏温度的处理方式,或者管理层的沉默。公司选择快速决策,直接沟通。
即便如此,影响仍是切实存在的。第二轮裁员让重建信任的难度进一步上升。但正是已经确立的企业文化,塑造了留任团队的应对方式——不是相互指责,而是聚焦于反思:哪里出了问题,如何避免重蹈覆辙。
"大家通常会有两种反应,最糟糕的公司总是找人背锅,而这最终只会催生一种文化——人人只想着不犯错,"Yogev说,"这只会形成相互推诿的文化,完全适得其反。"
如今,Anjuna正以一种不同的方式重建。招聘更加审慎,销售增长与真实市场需求紧密挂钩,包括AI在内的新工具正在帮助团队提升运营效率,而不再盲目扩张。
Q&A
Q1:Anjuna Security在2022年为什么会裁员?
A:2022年市场环境急剧恶化,企业客户越来越难以获取。Anjuna在2021年高速扩张期间过度招聘,导致人员规模与实际业务需求严重不匹配,加之资金储备不足,公司最终不得不分两轮进行裁员以控制成本。
Q2:Anjuna在裁员过程中是如何维护员工信任的?
A:Anjuna的核心做法是快速决策、直接沟通,避免让不确定性长期悬而未决。对离职员工,公司不仅给予遣散费,还通过投资人网络帮助推荐工作机会,并确保员工能够继续享有医疗保险等福利。这种"关怀"文化是公司提前建立的,在危机时期起到了关键的缓冲作用。
Q3:Anjuna裁员后是如何调整业务策略实现复苏的?
A:裁员之后,Anjuna在战略上做了明显转变:招聘更加谨慎,不再追求规模扩张;销售增长严格与真实市场需求挂钩;同时引入AI等新工具提升团队运营效率,确保在不过度扩张人力的前提下保持业务推进能力。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。