Ramp 把内部 vibe coding 平台“Glass”做成了对外产品：员工沉淀的 Skills，全公司可复用

先划一条界：本站 cycle60 的 NVIDIA Super VL 那篇，背景段里提过 Ramp 的收据图片转 JSON 案例——那是 NVIDIA 官方博客里的单方 vendor claim，跟本篇要讲的事件无关。10 月 13 日 Ramp 发布的是另一个东西：它把内部用了快一年的 vibe coding 平台，做成了一个对外销售的 AI workspace 产品，名字叫 Glass。

2026 年 10 月 13 日，Ramp 联合创始人兼 CEO Eric Glyman 在官方博客发表亲笔长文《Introducing Glass: The AI Workspace for Your Whole Company》，宣布 Glass 正式对外上线。定位一句话：model-agnostic 的协作型 AI workspace，核心概念是"knowledge compounds"——知识会复利。需要注意的是，对外 onboarding 目前是"first businesses personally"：人工逐个企业引导，还没全开。这篇博客的体裁是 CEO 亲笔信，里面自曝了一串内部数字，包括"5 月份一周烧掉 150 万美元 token"这种话——正文里的数字全部来自这篇博客。

为什么这条新闻值得写 4000 字？因为它回答了一个 2026 年所有公司都在问的问题：AI 落进公司以后，散落在员工聊天记录里的 prompt、自动化、经验，怎么沉淀下来而不是每次从零烧钱？Ramp 的答案是一个产品：Skills。一个人最好的工作，变成所有人的起点。

Glass 的前世：Ramp 内部的"Lovable"

据 The Pragmatic Engineer 10 月 16 日的免费 Pulse 专期（记者实地去过 Ramp 办公室）披露，Glass 的前身是 Ramp 内部一个 4 人小团队给非工程师做的 vibe coding 平台，内部戏称"internal Lovable"。它通过 connectors 接入 Linear、Notion、Google、Slack、Gong 等内部系统，让不会写代码的市场、销售、客服也能自己搭内部应用。

最有说服力的例子来自市场部：一位市场部的同事用它做了一个带 50+ 字段过滤器的自定义 CRM。不是 demo，不是玩具，是在真实生产数据上跑的东西。Pragmatic Engineer 的记者亲眼看到了 Glass 的落地页和 connectors 设置界面，这是第三方独立验证，不是 Ramp 自己说的。

"内部 Lovable 上岸"这件事本身就是一个信号。2026 年很多大公司的内部工具团队都在做类似的事（给非工程师的 agent 构建平台），但把内部工具产品化、对外卖的，Ramp 是走得最远的一家。Glass 的产品化逻辑是：内部先跑通，然后把能力封装成"AI workspace"卖给别的公司。

为什么是 Lovable 形态，而不是 IDE 插件

这个细节值得单独拎出来想。Ramp 内部 4 人团队做的不是"给工程师的 Copilot 插件"，而是"给非工程师的 Lovable"。这个选择暴露了 Glass 的真实定位：它的用户不是写代码的人，而是"有活要干但不会写代码的人"。

市场部的同事能做出 50+ 字段过滤器的自定义 CRM，靠的不是他学会了编程，而是 Glass 把"搭应用"的门槛降到了"描述需求"的层面。connectors 在这里是关键：Linear、Notion、Google、Slack、Gong 这些内部系统接进来之后，非工程师描述的需求可以直接长在真实数据上——CRM 的字段过滤器连的是真实客户数据，不是 mock 数据。这就是为什么内部 vibe coding 平台必须配 connectors：没有数据连接的 vibe coding 只能做 demo，有数据连接的才能做生产系统。

对 vibe 开发者，这是一个选型启示：当你给非技术同事搭工具时，别先想"教他们用 agent IDE"，先想"他们的需求长在哪些系统上"。Glass 的内部版证明了，connectors 的数量和质量，决定了 vibe coding 平台的天花板。Ramp 对外版 Glass 主打"数十个知识连接器"，卖的正是这个天花板。

还有一个组织层面的含义：4 人团队。不是 40 人，不是一个事业部，是 4 个人。这说明在 2026 年，一个 vibe coding 平台的内部 MVP 只需要 4 个人——模型能力已经把"搭平台"的成本压到了这个量级。Ramp 的故事反过来也在说：你的公司如果有 4 个懂 agent 的人，也可以先搭一个 internal Lovable 跑起来，不用等采购流程。

Ramp Glass 产品截图：笔记本电脑上的深色 AI workspace 界面

Skills：把一个人的好工作变成所有人的起点

Glass 官方博客里最有信息量的产品设计是 Skills。定义很简单：员工在 Glass 里沉淀下来的 prompt、工作流、自动化，被封装成可复用的 Skills，全公司任何人都可以调用。用官方的话说，一个人的最好工作，变成所有人的起点。

数字是 CEO 亲笔给的，据官方说法：

• 323 名员工参与（PM、客服、销售、市场、分析师，不是只有工程师）
• 累计产生了 6500+ 次 edits（对 Skills 的编辑迭代）
• 最出圈的案例：一位账号经理在 5 月存了一个收集 feature request 的 prompt，需求收集量从每月手工整理的 300 条涨到 20000 条/月，自动发出的跟进邮件已经超过 5000 封

这个案例值得拆开看。300 → 20000 是 66 倍的量级跃迁，但真正的变化不是"量"，是"工作流的质变"：以前是人工每月整理一次，现在是持续自动收集 + 自动发邮件跟进。一个账号经理的 prompt，变成了一条全公司跑的 pipeline。这就是"知识复利"的字面意思：一次沉淀，持续分红。

对 vibe 开发者来说，Skills 这个概念有直接的借鉴价值。你在自己的项目里调好的 prompt、工作流，现在大概率散落在聊天记录和代码注释里。Glass 的做法是把它们产品化：命名、版本化（6500+ edits 说明 Skills 是持续迭代的，不是一次性资产）、可发现、可调用。这其实是把"prompt 工程"从个人技巧升级成了组织资产。

再看 323 这个数字的构成：PM、客服、销售、市场、分析师。注意这里面没有把"工程师"放在 C 位——或者说，工程师只是参与者之一。这个构成颠覆了一个常见假设："AI 提效是工程师的事"。在 Ramp 的内部实践里，贡献 Skills 最多的恰恰是离业务最近的人：账号经理的 feature-request prompt、客服的话术沉淀、市场的数据看板。一个 prompt 的价值不取决于写它的人会不会代码，而取决于他离真实的工作流有多近。

6500+ 次 edits 则说明另一件事：Skills 不是"写一次就完"的文档，是活的资产。员工在使用中不断修正它们，就像代码库的 commit 一样。这个数字暗示 Glass 内部有一个类似"PR 评审"的机制在运转——不好的 Skill 会被改掉，好的 Skill 会被越用越顺。知识复利不是自动发生的，它需要"编辑"这个动作。Ramp 把 edits 计数公开，等于在告诉外界：我们这套机制是真的在转，不是摆设。

可以直接抄的作业：给你的团队搭一个"土制 Skills"

Glass 还没全开，但它的机制今天就能抄。一个最小可行的"土制 Skills"只需要三样东西：

• 1. 一个共享的 prompt 库。不用等产品，用 Notion、GitHub repo 甚至共享文档都行。关键是每个 prompt 要有名字、有用途说明、有"最后验证日期"——prompt 会随着模型升级过期，没有日期的 prompt 库三个月就变成垃圾场。
• 2. 一条"沉淀"的纪律。Ramp 的账号经理是"5 月存了一个 prompt"，这个"存"的动作是机制的核心。可以定一条团队规矩：任何调了三遍以上才好用的 prompt，必须存进库里并写一句话说明适用场景。
• 3. 一个"打表"的习惯。下一节讲成本，但顺序上应该先有成本意识：每次跑大任务前，先估一下 token 花销。Glass 把打表做进了产品，你现阶段可以用各家模型厂商的用量 dashboard 先顶上。

打表计费：CEO 自曝一周烧掉 150 万美元之后

这篇博客最有传播力的段落，是 Eric Glyman 自曝家丑：今年 5 月，Ramp 内部一周就烧掉了 150 万美元的 token。CEO 亲口承认公司在 AI 上交过学费，然后给出 Glass 的解法——每个项目自带一张"计费表"。

Glass 的成本设计有三层：

• 1. 像出租车打表一样的可视化计费。官方原话是"like a taxi"：每个 Glass 项目运行时，费用像出租车计价器一样实时跳动，员工随时知道自己这一轮对话烧了多少钱。
• 2. 可预先设限。项目创建时就能设预算上限，超了就停，不会出现"周一早上发现周末 agent 跑了 10 万美元"的惨剧。
• 3. Ramp Router 按任务选模型。请求不走单一模型，而是由 Router 按任务类型自动选最划算的模型。简单任务用便宜模型，复杂任务才上贵模型。

效果数字也是 CEO 给的，据官方说法：Ramp 自家账单在上线这套机制后"一夜降了 30%"。注意这是 vendor claim，博客里没有给出对照口径，但方向是对的：可视化 + 设限 + 路由，三板斧砍掉的是"无意识的浪费"，而不是"有价值的调用"。

这条线和本站之前发过的 Simon Willison 的硬预算上限论形成直接呼应。Willison 的方案是"硬上限"——给 agent 的 spending 设死线，超了就停；Glass 的方案是"打表 + 路由"——让花钱可见、让便宜模型先上。一个是刹车，一个是油表+换挡。两篇连起来看，2026 年下半年 AI 成本治理已经从"要不要管"进化到"怎么管"的产品设计层面了。对 vibe 开发者：你的 agent 工作流里，有没有一张"打表器"？

Ramp Glass 产品截图：笔记本电脑上的深色 AI workspace 界面

产品面：Multiplayer、Any model、数十个连接器（官方口径）

以下产品特性来自官方博客，撰稿时按 vendor claim 处理，统一标注"据官方说法"：

• Multiplayer 会话协作：据官方说法，一个 support agent 可以把正在进行的 session 分享给工程师，两人一起把活收尾。AI workspace 的"多人"不是指多人聊天，而是指"人和 agent、人和人"可以在同一个工作会话里接力。
• Any model：据官方说法，开放模型和闭源模型都可以用，不绑定某一家。这和 Glass 的 model-agnostic 定位一致——Ramp 不想在模型选型上站队，Router 替你选。
• 知识连接器：据官方说法，Glass 连接数十个知识源。内部版已经验证过 Linear、Notion、Google、Slack、Gong 这些；对外版的具体清单博客里没展开。

需要诚实地说：博客对 Glass 对外版的具体功能着墨不多，大部分篇幅在讲内部实践和理念。这符合"first businesses personally"的阶段——产品还在早期，Ramp 先讲清楚"我们自己是怎么用的"，再卖"你们也可以这样用"。等第一批外部企业跑起来，才会有真实的功能评测。

背景：同一天，185 亿美元融资、600 亿美元估值

Glass 不是孤立发布的。2026 年 10 月 15 日（博客发布两天后），Ramp 通过 PR Newswire 发布官方新闻稿并经 TechCrunch 交叉报道：完成 18.5 亿美元融资，估值 600 亿美元。本轮由 Dragoneer、Thrive、Founders Fund、Sands、Avenir 联合领投。官方口径的业务数字：年化收入 20 亿美元以上，客户 85000 家以上，年化采购额 2750 亿美元，客户名单里包括 Cursor、Figma。

这组数字里最值得玩味的是"客户名单里包括 Cursor、Figma"。Ramp 是做企业支出管理的，它的客户是"花钱的公司"；Cursor、Figma 是"被花钱的公司"——它们的 seat 费用走 Ramp 的卡。也就是说，Ramp 站在一个很特殊的位置上：它看得到全美科技公司在 AI 工具上到底烧了多少钱。Glass 的打表计费、Router 选模型、Spend Management，很可能就来自这个位置的洞察：Ramp 比任何人都清楚，企业的 AI 账单正在失控。

四件套：Glass、Router、Spend Management、AR

Glass 是和另外三个 AI 产品一起发布的，四个放在一起看，Ramp 的 AI 战略就很清楚了：

• Glass（AI workspace）：花钱的地方。员工在这里用 AI 干活，token 从这里烧出去。
• Ramp Router：省钱的地方。请求按任务类型自动路由到最划算的模型，简单任务不上贵模型。
• AI Token Spend Management：管钱的地方。token 花销的统一账单和管控，估计和 Glass 的打表计费是同一套底层。
• Accounts Receivable（应收账款 AI）：赚钱的地方。帮企业把应收账款收回来，AI 直接产生现金流。

一家做企业支出管理的公司，把 AI 产品线也做成了"管钱"的形状：花钱（Glass）→ 省钱（Router）→ 管钱（Spend Management）→ 赚钱（AR）。这个产品矩阵的逻辑闭环是：先让你敢花（打表可见），再帮你少花（路由），然后帮你管住（账单），最后帮你赚回来（AR）。很少有 AI 公司把产品线组织得这么"财务"，但这正是 Ramp 的主场。

判断：三个值得记下来的观点

以下进入判断区，事实和观点分开标。

判断一："内部工具产品化"正在成为大公司 AI 战略的标准动作。Glass 的路径是：内部 4 人团队先做出 internal Lovable → 全公司 323 人用出 6500+ edits → 封装成对外产品。这个路径的可复制性很强：Anthropic 把内部用的 agent harness 做成产品、Ramp 把内部 vibe coding 平台做成 Glass。2026 年的 AI 产品，有一半是"先自己用顺手，再卖给别人"。对 vibe 开发者的启示：你今天为自己搭的内部工具，可能就是明天的产品雏形——前提是它真的解决了你自己的问题（50+ 字段的 CRM 不是 demo，是生产系统）。

判断二：Skills 可能是 2026 年最重要的"AI 落地"产品概念。注意 Glass 没有发明新模型、新交互，它发明的是"沉淀机制"。AI 落地最大的敌人不是模型不够强，是经验无法复用：每个员工都在重复交学费，每个 prompt 都在聊天记录里腐烂。Skills 把"一次调好的 prompt"变成组织资产，这个设计比任何模型升级都更接近"AI 落地"的本质。如果你的团队也在用 AI，值得问一句：你们的 Skills 存在哪？

判断三：成本治理正在从"事后看账单"变成"产品内置"。打表计费 + 预设上限 + Router 选模型，这三层设计有一个共同点：它们都是产品功能，不是财务流程。以前的成本治理是"月底财务来问你为什么烧了这么多"；Glass 的治理是"你烧钱的时候表就在眼前跳"。Willison 的硬上限是"刹车"，Glass 的打表是"油表"。2026 年下半年，AI 产品的竞争维度里，"帮用户省钱"已经和"帮用户多干活"并列了。

判断四：Ramp 的位置决定了它的产品形状。最后回到那个最有意思的细节：Ramp 的客户包括 Cursor 和 Figma。这意味着 Ramp 每天都能看到 AI 工具的真实支出数据——谁在为什么模型付多少钱，哪个团队的 token 在失控。Glass、Router、Spend Management 不是拍脑袋想出来的产品，它们很可能是 Ramp 从自家交易数据里"看"出来的需求。一家公司的数据位置，决定了它能做出什么产品。vibe 开发者选赛道时也可以反过来想：你站在什么数据旁边，你就最懂那批数据的痛。

还有什么没说

博客没提的，值得留问号：Glass 对外版的定价没说（按 seat 还是按 token？Router 的选型逻辑会不会偏向便宜但效果差的模型？）；"first businesses personally"的人工 onboarding 能支撑多大规模，什么时候全开；Skills 在跨公司场景下的隐私边界（A 公司的 Skill 会不会"污染"B 公司——虽然按说是租户隔离，但博客没展开）。

还有一个更深的问题：Skills 的"复利"有没有天花板？323 人、6500 edits 跑通了，那 3000 人、10 万 edits 的时候，Skill 的发现和治理怎么做？prompt 库的腐烂速度是很快的——模型一升级，去年调好的 prompt 今年可能就失效了。Ramp 博客里没有回答"Skill 的保鲜机制"，只给了 edits 计数。这可能是 Glass 对外版真正的硬骨头：内部跑通靠的是"大家都坐在一起"，对外卖靠的是"机制本身够硬"。第一批外部企业的反馈出来之前，这个问号先留着。

另外 600 亿美元估值里，Glass 这一块到底占多少叙事权重，新闻稿把它和 Router、Spend Management、AR 并列为"本轮核心 AI 产品"，说明资本市场已经在为"AI 增量"买单了。

相关阅读：Simon Willison：给 agent 的开销设硬上限（账单治理的另一条路线：硬刹车 vs 打表）；Serverless 成本优化实战（成本实战线）。

一句话总结：Ramp 把内部 vibe coding 平台 Glass 做成对外产品，卖的不是"又一个 AI 聊天框"，而是两套机制：Skills 让员工的经验变成全公司的复利资产，打表计费让 AI 的花销从黑盒变成明账。2026 年 AI 落地的胜负手，正在从"模型多强"转向"机制多好"。