Z Potentials | 张佳圆，95后离开字节创业AI搜索，三个月达超百万月访

“开发者不存在了”，“我也能当开发者了”。生成式AI时代，开发者这个原本小众的群体突然进入了大众的视野，服务开发者的生成式AI产品也在不断推陈出新。

今天，抛开诸多的外部标签，我们和佳圆聊了聊他创业一年多的历程。这位从步步高学习机开始自学成才的技术极客说，创业不是通过学习就可以做好的事。那些踩过的坑，人性中难以避免的侥幸，纸上得来终觉浅的道理，和柳暗花明的正反馈。让我们一起走进佳圆和Devv AI的故事。Enjoy！

01 从步步高学习机编程开始，自学成才的技术极客

Devv AI创始人张佳圆

ZP：首先请向大家简单介绍一下自己。

ZP：感觉你是对计算机很有天赋的人。

ZP：我们的读者里可能有不少都是你的推特粉丝，这也是很有意思的经历，能否分享一下最早在推特分享内容的初衷和目前的感受。

张佳圆：最开始我在推特上分享内容，并不是为了刻意追求提高自己的知名度或成为一个专门的AI博主。我开始系统地在推特上发布内容是在2022年，主要是分享我日常的学习经验，比如读过的书或了解的技术，更多是一种learn in public。类似地，我自己很早就开始写博客，我很喜欢分享我的学习过程。

2022年生成式AI火了之后，我开始定期分享自己的认知，又因为这个行业发展迅速，很多一手信息都来自论文或顶尖研究者的公开内容。我自己会阅读这些论文并提炼重点分享出来，我也是因为这个获得了很大的关注。

这也是跟随纳瓦尔的建议：构建自己的影响力。如果你的工作出色，也需要让人们看到你做的事，这也是为什么我会在推特上持续发内容。等到开始创业后，更多的就是一种build in public的方式，这样能直接接触到目标用户，通过Twitter和他们交流，了解他们的需求，帮助公司的早期增长。

ZP：Twitter大V这个身份对你做公司的帮助大吗？

张佳圆：我认为还是有一定帮助的。假设你拥有一定的影响力，Twitter可以帮助产品快速冷启动，获取一波早期用户，这是比较重要的。但我不建议仅仅只是为了创业而专门创建推特账号进行推广，这可能并不是效率最高的方式。

除了推特，还有很多其他方式可以获取用户，比如付费营销或者社区推广。Twitter这种需要长期运营的社交媒体可能并不是最有效的方法。你可以通过任何其他社交平台，包括国内的社交媒体，建立影响力，这取决于你的目标。如果你是只是为了创业而专门在推特上增长，那可能意义不大。

ZP：回到创业这个话题，你很年轻就开始创业了，决定创业的动力是什么？创业的种子是什么时候种下的？

张佳圆：实际上我一直都有创业的想法。在上大学之前就阅读了很多关于创业的书籍、文章和一些成功人士的传记。让我印象深刻的一本书是YC创始人Paul Graham的《黑客与画家》，这本书给了我很大的启发，也让我了解到了YC这个创业孵化器及其孵化的公司的故事。

工作后，我也一直想着创业这件事，但感觉时机还不成熟。我觉得人不能为了创业而创业，必须有明确的产品idea或合适的时机才行。2022年，我开始关注生成式AI的发展，特别是在年中的时候，DALLE·2发布，七八月份Stable Diffusion也开源了。虽然那时候还是一个早期阶段，但我当时就认为生成式AI有很大发展前景，特别是对我们95后这一代人来说，可能是为数不多的几个机会之一。我们错过了移动互联网这种比较大的机会，现在这次生成式AI的机会要好好把握。

创业是是一件高风险高回报的事情，赔率非常高。现在我还处于职业生涯的早期阶段，即使创业失败，可能也只是损耗几年的积蓄，我认为这个风险是可以接受的。所以，权衡风险和回报后，我决定出来all in创业。

创业这件事我也受到了其他人的影响，比如纳瓦尔，他提到打工是时间换取收益的线性过程，而创业是一个可能在后期实现指数级增长的复利过程，这是在大厂打工和创业的本质区别。创业还可以使用多种杠杆，包括劳动力杠杆（出卖时间）、金钱杠杆（融资）和影响力杠杆。我从纳瓦尔身上学到了许多，也坚定了创业的决心。

02 三次Pivot终于找到PMF，4个月获得500K用户

ZP：首先向大家介绍一下你目前做的产品吧。

张佳圆：Devv的产品形态非常简单，本质上是面向开发者的搜索引擎。它满足的是开发者在日常工作中的信息检索需求。过去，开发者主要通过Google搜索关键词或在Stack Overflow提问的方式来寻找解决bug的方案，或者是阅读文档来查询函数、理解技术内部原理；现在有了AI，可以更好地帮助开发者进行信息检索。以往开发者需要从各种信息源中寻找答案，而Devv则直接提取和总结出所需的答案，简化了信息检索的过程。

ZP：你之前不是做这个方向的，怎么想到做目前的方向的？

张佳圆：我们很早就有了做生成式搜索引擎的想法。2022年底，我们已经在考虑做一个搜索引擎，当时我们面临的问题是：模型生成的内容存在严重的幻觉问题，经常产生错误答案。后来我们读到了一篇Meta 2020年发表的关于RAG的论文Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks，这个论文提出了一个解决方案：通过向模型提供外部数据源来减少幻觉问题。

在GPT-3和Google Search的API基础上，我们创建了一个跑在Jupyter Notebook中的简单demo。当时只做了后端的系统，没有做前端的界面，后面之所以没有继续做这个产品就是认为这个事本质上很简单，产品的核心能力太薄弱，所以我们转向继续开发Copilot Hub。

在切换到Devv这个大方向之前，我们没有着急做产品，而是先了解开发者的需求和痛点。我们访谈了50多名开发者，发现尽管大多数开发者已经在使用AI工具提高效率（比如使用ChatGPT、 Copilot进行代码补全），但他们仍然依赖Google、Stack Overflow和文档进行信息检索。有开发者反馈，ChatGPT在生成代码或提供开发相关答案的时候幻觉还是比较严重，实际运行起来错误率相当高，还需要反过头来debug，不仅没有提高效率，反而降低了效率。

此外，模型的训练数据还存在时间截断问题，比如GPT-4的数据可能只到去年某个时间点，这限制了它提供最新知识的能力。从开发者的访谈中，我们发现了当前未被GPT类产品充分满足的多个需求点，结合之前做生成式搜索引擎的想法，我们选择了更垂直的、专注于开发者的场景。垂直的好处是可以针对性地构建index，Devv的底层包括了开发文档、代码，也包括搜索引擎里的一些数据，这是它和general search engine的区别。

ZP：你的创业经历过pivot，可以回到创业开始的那一天，和大家分享一下，最开始的时候想做什么，做了什么，什么时候决定pivot，这一路的经历、心态和想法。

张佳圆：回到2023年初，当时想要做的事是Copilot Hub，这是一个帮助用户根据自己的需求创建各种各样AI助手的平台，有点类似今天的GPTs Store。我们大概是在2023年1月份左右就发布了这个产品。Copilot Hub这个事做到了2023年年中，虽然每个月保持增长，但是我自己隐约觉得这个事不太work，主要是基于：1.这是一个比较general的平台，任何人都可以根据自己的需求创建各种各样的copilot。理论上所有的用户都是你的目标用户，但是可能也说明所有用户都不是你的目标用户。你能做到五六十分，但是你无法把一些需求点做到八九十分。2.我们在做的事情本质上会和OpenAI做的事有点冲突，后面OpenAI确实自己推出了GPTs Store。我认为general平台这个赛道最终只会有一两家能真正留下，例如OpenAI，还有做的不错的Poe。破局的方式可能是要去做垂类产品。

2023年年中的时候决定pivot，至于要做什么不太确定，所以我们做了几个尝试。第一个尝试是教育方向的，我们想做一个帮助学生根据自己需求创建AI Assistant的平台，可以帮学生读论文、解题，但是在邀请一些学生做了测试后发现效果不是很好，所以转向了第二个方向。

但在第二方向上我们犯了创业的一个典型错误，就是想当然。没有站在用户真实需求上，而只是拿着锤子找钉子。当时我们内部brainstorming的一个想法是，我们认为上一代的知识问答平台（比如知乎、Quora等）可能都会被AI代替，所以我们做了一个AI版的Quora，上面有各种各样的AI角色，比如Steve Jobs、Sam Altman，我们基于他们过往发布的文章和其他信息训练出这些角色。用户可以在这个平台上去问相关的问题，然后邀请某一个AI来回答。

我们花了一到两周时间就把这个“AI版Quora”完整地搭建起来了，这个idea我自认为听起来是ok的，但是实际上体验后发现还是有一些问题：一方面，AI整体回答的效果不能像真人那么自然；另一方面，用户既然已经在向AI提问了，为什么还要通过异步的方式邀请一个AI来回答，完全可以用同步聊天这样的方式。所以我认为这个也是不work的。这就是我们中间pivot的两次尝试。

ZP：你提到的第一个方向，当时是怎么选定教育这个方向的？又是为什么做完之后觉得不work？

张佳圆：我们当时对Copilot Hub的用户群做了分析，发现上面最大的两个用户群体，一个是学生，一个是开发者。所以我们首先选择针对学生群体做教育这个方向。至于为什么做完之后觉得这个事情不work，一方面是我们当时做了一个功能，比如用户可以拍一个题目，然后让AI去解题。

AI语言模型本质上是一个基于统计学的系统，它其实并不是一个形式化论证的系统，尤其是在解一些需要去做形式化论证的题目上错误率会比较高。其次，我们做了一个帮助用户更好地阅读论文和各种材料的助手，但本身读论文这个事其实是一个非常小众的需求，可能大学生都不会读论文，只有研究生或者科研工作者才会真正有读论文的需求，整个的用户体量其实非常小。还有一点是我们对于教育这个行业相对来说并没有那么熟悉，我们团队本身就已经脱离学生这个群体了，对于北美的教育市场也缺乏认知。

ZP：当时尝试了学生群体后为什么没有再试试开发者？

张佳圆：这是一个创业公司早期会遇到的问题：当你发现一个投入很长时间的事不work之后，你需要进入到一个决策阶段，当时Copilot Hub还在增长，但是你必须决定，是继续投资在这个项目上，还是要做一些舍弃并转向新的方向？这对早期创业者来说是一个艰难的选择，尤其是你上一个产品还在增长。大多数创始人会抱有一种侥幸心理，希望市场情况会变，或者产品还可以改进，未来可能会有新的增长。但是，大部分创始人心里很明白，当你内心觉得这个事可能不work的时候，他可能就是真的不work。

这时你需要做出一些决策，虽然这些决策可能非常痛苦。比如，你可能发现转变方向后的产品继续失败，就像我们pivot后两个产品都失败了，其实非常打击团队士气，可能也是创业过程中最迷茫和痛苦的阶段。我们为什么没有直接转向开发者方向，可能是因为pivot一次之后又认为不work，整个团队的决策上有一些偏移。

我们内部进行了很多头脑风暴，有时会把希望寄托在一个amazing的想法上，希望做出来之后可以直接go viral，当时可能也有这些侥幸心理，没有冷静分析用户需求和市场情况，这也是踩的坑之一。在第二次做AI版Quora时，即使我们已经编写了近上万行代码，建立了整个前端后端系统，发现它不work，我们就立刻把它放弃了。

ZP：你说的很真实。AI行业本身在快速变化中，你用什么样的方法去判断技术和场景之间的gap是一个临时性的问题还是长期问题？

张佳圆：抛开技术和其他所有因素，做产品的一个重要点是，你的产品是否真正解决了用户的需求。你可能先拥有一个强大的底层模型，然后再思考在这之上能做什么事，这就像拿着锤子找钉子，我们在开发AI版Quora时，就处于这样的状况，可能它只是一个伪需求。

如何判断技术与产品之间的gap，一方面要了解底层模型能够做什么，边界在哪里，这些信息很重要；另一方面是模型未来能做什么，虽然很难预测一两年后模型的能力，但我们可以预估六个月后的能力边界，然后判断你现在做的事情是否仍有价值。这是当前做AI相关产品时需要考虑的两个重要问题。

ZP：目前这个产品的想法是怎么产生的？可能很多读者都会好奇，Devv和Perplexity的主要区别是什么？

张佳圆：假如用户想用LangChain写一个程序，Perplexity会根据搜索问题的关键词找到相关的网页，让AI基于这些网页做生成式回答。而Devv做的事情是先推断出现在用的框架是LangChain，会根据问题的语义在Github上的code base中找到代码片段，基于代码片段和互联网的数据做Source的整合，再生成最后的答案，相对来说准确性更高。

Devv：代码生成类问题的回答

Perplexity：代码生成类问题的回答

ZP：对Devv未来的预期是怎样的？怎么看待这个赛道的天花板？

张佳圆：在接下来的半年里，我们的计划就是把搜索这件事做好，包括提高搜索结果的准确性和构建更加强大的底层index，这是我们半年内的核心关注点，而不是推出新产品。从五年的长期维度看，我们的终极目标是实现L5级别的软件开发自动化。虽然这与我们当前的工作本质上不是一个事情，但我们希望通过目前的工作慢慢实现这一愿景。

在一到两年的时间内，我们希望把Devv搜索变成开发者工具的入口。信息检索是开发者日常最频繁的需求之一，我们想让Devv成为开发者工具链的一个入口点。开发者大约只有30%的时间是在代码编辑器中编写代码，其他更多的时间是在做信息检索、debug或测试等任务，如果这些任务可以通过共享相同的上下文来更有效地结合AI技术，那么开发者的整体效率将大大提升。

如果从开发者搜索的场景来看，天花板并不是很高；但是从整个开发者赛道来看，天花板是很高的。据我们估算，谷歌大约5%的流量与开发相关，虽然5%这个比例看上去不高，但是对比Bing只有全球1%的份额，每年却还能有20亿美金的收入。从整个开发者赛道来看，这个天花板是非常高的，特别是在生成式AI的加持下，未来整个开发者生态将有巨大的发展空间。我们的长期愿景是利用AI重新构建developer tools，Devv只是我们切入这个领域的起点。

ZP：赛道里已经有Phind这样的公司，怎么看待赛道的竞争，以及Devv的差异化竞争优势？

张佳圆：Phind是我们的直接竞争对手，他们也在做面向开发者的搜索，大概是2023年3月份发布的。如果把时间线拉长到十年维度，我们之间的时间差距基本是可以忽略不计的。我们看到有了Phind之后还要做Devv是基于两点考虑：第一，在体验过后，我们发现Phind的产品能力并不强，包括整体的UI、UX和使用体验，它是一个偏技术性的产品；第二点，Phind虽然是在一个比较垂直的领域做生成式搜索，但是Phind并没有针对开发者场景的index做特别处理，但是理论上做垂直类的搜索引擎最重要的就是index，这关系到整个搜索的结果，垂直搜索引擎最大的差异点就在于能够基于场景更好地构建index，这是我们认为Phind没有做好的。

Devv的竞争优势在于：第一，产品能力比模型能力更重要，用户实际使用的是产品而不是模型。Devv区别于Phind、Perplexity的地方在于Devv刻意模糊了底层使用的模型，在产品界面上不会让用户选择模型。现在大部分基于AI的产品会让用户选择模型，这是非常愚蠢的设计，这就好比在用电脑打开app时，系统让用户选择应该用哪一块CPU。不能把用哪个模型的问题交给用户去决定，而应该是做产品的时候决定的，Devv会根据用户需求场景自动选择最合适的模型。

第二，我们构建了Devv专有的索引，我们花费了大量精力爬取和分析与开发相关的网站和代码仓库，以及进行代码分析以理解代码结构和函数调用链，这是垂直搜索引擎需要构建的index的能力。

最后，Devv的长期愿景不仅限于搜索，例如最近发布的Agent Mode，它将搜索引擎扩展为一个解决多步骤问题的工具，这是我们和general search engine等其他产品的核心差异点。

我们目前不会和Github Copilot这种代码生成产品有直接竞争，因为我们现在并没有把自己的产品线扩展到代码生成领域，但未来可能会有潜在的竞争风险，包括未来也可能和许多其他开发者工具产品（比如Cody AI）产生一定的竞争。

ZP：Devv这个产品要做好，技术上的难点是什么？

张佳圆：技术难点在于，当前RAG在架构和技术上没有一套确定的最佳方案。这意味着需要自己去探索和测试，找出最佳的做法。做一个60分水平的RAG完全可以通过包装一些外部的LangChain组件来实现，但如果要做到八九十分的RAG系统，需要做的优化点会非常多。

一个基本的RAG系统通常由三部分构成：底层模型、外部知识的索引和每次用户查询时获取的一小部分外部资源。下面这张图把Devv的RAG System分成了6个步骤，首先是外部知识，包括搜索引擎数据、开发文档和代码仓库数据。对于这些不同类型的数据，需要采用不同的编码方式来提取有效信息并减少噪音，进而构建专有的索引，编码方式不同，构建索引的方式可能也不同。有了这些index之后，每次用户提出的问题都会在索引中解码并检索最相关的资源。然后，根据当前的场景，对这些资源进行排序，最后由底层模型使用这些资源来生成答案。这就是整个RAG System核心的工作方式，每一步都有很多可以优化的点。

目前只能在单场景下对RAG进行较好的优化，主要原因是在优化过程中有很多dirty work需要做。因为外部数据本质上是非结构化的，不同的网页有不同的数据类型，需要做大量的数据解析，所以很难对每个场景进行优化，这也是为什么目前general search engine在一些简单问题上有不错的表现，但是在专业问题上处理得不好的原因。当前Devv在开发者领域已经做得不错，但是上升的空间还有很多，目前我给它打70分。从index建构到数据的爬取处理，包括编码方式，我认为还有许多地方可以优化。目前市面上大家的RAG水平都差不多，因为这个技术本身并不是特别复杂，更多的是一些dirty work。

现在大部分用户用Perplexity是做信息检索，但信息检索本质上并不需要做index的特殊优化，因为Google或Bing已经把搜索引擎的 Index 做得很好了，完全可以基于他们已经完成的工作做生成。但如果是一些专有场景，例如金融类的搜索，如果要查一家公司的融资历史的具体信息，搜索引擎可能无法很好地解决，必须要构建针对金融的index，同时要爬取类似于crunchbase、bloomberg等垂类数据库的数据。

03 “Good artists copy，great artists steal”

ZP：你怎么观察和评估用户的需求，有什么方法论把需求转化成产品？

张佳圆：我是一个半路出家的、没有接受过体系化训练的产品经理，没有太多流程化的技巧，更多做的就是和用户聊，看用户的反馈。用户在访谈的过程中提供的更多是需要哪些功能、哪些功能做的不够好、应该模仿什么产品做什么事。对于我而言，如果用户提了一个需求，我会思考用户需求的背后到底是要去解决什么问题，他的痛点在哪里，当前这个痛点别的产品是怎么解决的，有没有解决得很好，有没有更好的方法。我会用第一性原理从底层做一些分析。在解决问题之后，需要学习大量其他优秀产品的设计。“Good artists copy，great artists steal”。我还常用产品经理比较熟悉的一些网站，比如Mobbin、Pinterest、Dribbble，上面汇集了大部分产品的UI、workflow、user flow、设计等等，我经常会参考。

微观层面上，我会大量参考其他优秀的产品是怎么做的；宏观层面上，我们每个季度或者每半年会有一个计划，构思我们的产品方向。比如Q1的核心目标就是launch Agent Mode，这个我们已经完成了；Q2的核心目标就是launch Devv for teams。

ZP：除了把产品本身做好以外，还有什么也是非常重要的？可以分享一下这部分的心得体会。

张佳圆：增长。如何让更多人知道这个产品、让更多人付费，也是我们下一阶段核心关注的点。

我认为增长可以分成几个阶段：第一个阶段其实就是冷启动阶段，就是有了产品之后如何去找到最开始的那一批用户，比如说前1000个用户，这是很多产品早期需要关注的一个事情。我的一些经验是，在早期阶段可以使用一些手动方式（Do Things That Don't Scale），比如我们在做Devv或之前的产品时，都是直接联系一些用户，让他们使用产品，并从他们那里收集反馈。这种方式在产品非常早期时就能够获取用户反馈，并且成本相对低。

一旦过了冷启动阶段，可能就需要构建整个增长框架了。我最近学习到的一种方法是可以把增长看作一个赛车模型。赛车是由几个部分组成的，比如引擎提供动力，氮气提供短期推进能力，润滑剂让各部分更好运作，燃料持续供能。类似地，通过SEO、病毒式营销或内容营销持续带来增长（增长引擎）；而短期活动如PR能带来短期爆发式增长（氮气），新增用户转化为注册用户的留存率也至关重要（润滑剂）；最后，内容可以推动长期增长（燃料），例如要做内容营销，除了资金还需要有内容。

ZP：你对开发者需求的观察很细致，除了目前做的Devv，你还有比较看好的服务开发者的产品吗？除了Devv以外，还有什么产品是你想做的？

张佳圆：我最近比较喜欢的产品是一款代码编辑器Cursor，它在一个VS code的编辑器基础上增加了一些AI原生功能（主要是代码补全、生成），并把这些功能集成到了整个开发和编辑的过程中，比VS code插件体验更好。

ZP：有一种观点认为，未来开发者可能不存在了；也有另一种观点认为，未来人人都是开发者。你怎么看待这两种观点？基于开发者的产品未来的发展？

张佳圆：我认为这两种观点实际上指向的是同一个行业趋势。用自动驾驶来类比，假设达到L5级别的自动驾驶，未来人人都不需要考驾照了，人人都可以开车，仅需在地图上输入目的地。这时，虽然坐在驾驶位上的人不会开车，但每个人都能坐在驾驶位上，司机的概念就被模糊了。

开发者的层面也是同样的，如果未来达到了L5级别的自动化软件开发，开发者这一概念可能也会被重新定义，不仅仅是我们现在说的前端、后端、算法工程师这样的开发者，每个人都可以通过AI做一些开发的工作。

我认为针对开发者的工具并不会消失，这是一个渐进式的过程，未来可能会出现AI完成大部分开发工作的情况，那我们可能需要构建针对AI或AI Agent的开发者工具，这可能是我们当前需要考虑的人和AI共同参与开发的过程。

04 创业不是通过学习就可以做好的事

ZP：创业和你想的最不一样的地方是什么？

张佳圆：在创业之前，我阅读了大量与创业相关的书籍和内容，包括YC的课程。尽管认为自己通过阅读和学习已经了解了许多，自认为可以避免一些坑，但实际创业过程中有一些坑要自己踩了之后才会印象深刻。比如，YC非常早就建议要make something people want，要基于用户需求去做产品，解决用户的真实问题。但在我们的产品开发过程中还是有拿着锤子找钉子的过程。很多道理没有亲身经历过，是没办法明白道理背后的原因，知道和做到是两码事。创业本质上不是通过学习就可以做好的事，它涉及的变量太多。

ZP：后悔创业吗？目前创业最痛苦的时刻是什么？

张佳圆：创业是我做过比较正确的决定之一。我能够承担创业失败的风险，所以我就去做这样的一个事情。整个创业的过程中，虽然肯定比之前在大厂工作累很多个级别，包括要思考的事、要做的事、要学习的事都是不一样的，但整体上比较充实。

最痛苦的是pivot的那段时间，尝试了两个方向都失败了，那段时间是最迷茫最痛苦的。如果没法处理痛苦的情绪，对于创业来说可能是不好的；如果能从这些痛苦中反思一些事，是比较好的。因为创业最重要的事情就是坚持下去，因为创业过程中的不确定性和困难实在是太多了。可以通过和家里人沟通，或者读一些书来消解痛苦情绪。

05 快问快答

ZP：对AI最大的期待是什么？

张佳圆：最大的期待有几点，第一是期待2024年能够出现更多的上层应用，比如本地模型已经发展的已经很好了，期待能看到一些有意思的应用。第二是看到一家叫answer.ai的公司，他们在做开源的训练框架，能够在家用级别的GPU（比如4090）上训练大模型，这让分布式训练成为一种可能。第三是期待今年看到对标GPT4的开源模型。

ZP：给我们的读者推荐你最近在看的书/印象深刻的文章/有意思的人。

张佳圆：我推荐几本最近在看的书，一本是YC的联合创始人Jessica写的Founders at Work，采访了许多公司的创始人，还有一些公司的早期故事，比如Paypal甚至一些非常远古的公司，这些公司访谈还是挺有意思的。另一本书是所有第一次当创始人的CEO可以读的，叫作The Great CEO Within，作者是硅谷很有名的CEO Coach，曾经帮助过Sam Altman、Stripe的创始人、Airbnb的创始人，这本书是一个非常好的指南。还有一本增长相关的书《硅谷增长黑客实战笔记》，这本书也写得非常好。另外做产品和增长的同学一定要去看看Lenny's Newsletter。

ZP：日常有什么兴趣爱好吗？

张佳圆：整体上比较宅，创业之后空余时间不多，偶尔的娱乐活动是去玩德扑，或者重刷一些剧，比如《绝命毒师》。

-----------END-----------