Mercor 高速增长的秘诀与其中的聪明人｜对谈 Mercor 首位中国员工虞快

Mercor 从 100 万美金年收入做到 1 亿美金，用了 11 个月。这个速度超过了 Cursor 此前保持的 12 个月纪录。2025 年上半年，它从大众眼中的「AI 招聘平台」变成了直接和 Scale AI 抢生意的数据标注公司，估值冲到 20 亿美金。Meta 花 650 亿美金收购 Scale AI 之后，这家公司的名字被更多人拿出来讨论。

虞快是 Mercor 的第一位中国工程师，节目录制时也是全公司唯一的中国员工。他高中来美国，学的是计算机和数学，毕业后在 Google 写 Chrome 的代码，之后去 Two Sigma 和 Citadel 做量化交易，再回到湾区进创业公司。今年 6 月加入 Mercor 时，公司大约 50 人，现在超过 100 人，绝大多数在美国，一部分在印度。加入前他做过工程总监，带团队四五年。

42章经的曲凯和他聊了 50 分钟。前半段拆 Mercor 的业务：它到底在卖什么、客户为什么愿意付钱、数据标注市场还有多大。后半段聊职场：什么样的创业公司值得加入、怎么判断一个人聪明、硅谷创业公司到底有多卷。虞快说话直，给数据也不含糊，比如平台上专家的平均时薪超过 90 美金，皮肤外科医生能拿到 400 美金一小时，推荐费 5000 美金。

它卖的不是标注，是模型的目标 0:01:56

很多人对数据标注的印象还停留在把数据发到发展中国家，找一批人做简单重复的活。虞快说现在完全不是这样。Mercor 招的是医生、律师、投行和咨询背景的人，也有非常细分的工种，比如专门写 Swift 的软件工程师、很擅长用 Docker 的人，甚至俄罗斯的生物学家。

关键在于，定义标注标准和执行标注的其实是同一批人。曲凯原本以为这是两套人群，虞快纠正了他：模型已经进化到你不是专家就标不了的程度，你会的东西它也会了。Scale AI 早期靠和 OpenAI 合作起家，后来遇到的问题正是这个，模型能力越来越强，原来招的那批标注员水平跟不上了。

所以 Mercor 做的事在流程上更靠前。AI Labs 往往自己也不知道模型在医疗、法律这些专业领域到底表现如何，公司里的人不是律师也不是医生。Mercor 找来的专家系统性地告诉客户：你的模型在这些问题上回答得不好，在那些问题上回答得不错。客户拿到这套标准之后可以直接做强化学习，不需要再去用别的标注平台。

我们其实现在是个 eval provider，我们提供的是 evaluation。

虞快把 evaluation 比作模型的 PRD，也就是产品需求文档。最终目标是让模型能够完成专家现在做不到的那些事，研究员的工作就是想方设法实现这个目标。而这套评估标准留在 Mercor 手里。曲凯问，如果 xAI 来做过一套律师行业的标准，OpenAI 再来能不能直接复用？虞快的回答是，标注数据这部分绝对是分开的，很多 AI 公司会明确要求招的人不能给别人用。但 benchmark 这类东西有复用的空间，Scale AI 做的 Humanities Last Exam 就是所有模型都在用的公开评测集。

至于「转型」这个说法，虞快不太认同。公司一开始的目标就是：任何工作，你写下标准，我们帮你找到人。这个目标没变。只是他们发现 AI 公司当下需求最急、最有钱、痛点最深，于是先聚焦在这里。

客户为什么愿意花这个钱 0:05:37

Mercor 是纯 To B 的生意，绝大多数客户是 AI Labs，也有一些 AI 创业公司用它招 contractor。目前不支持 self serve，没法自己注册了就用。

商业模式上，Mercor 更像一家人力外包服务商：客户把钱付给 Mercor，Mercor 再付给专家。曲凯问会不会有飞单，虞快说目前没遇到。他的解释是，难点从来不只是「帮我找到人」。一个项目同时缺一百个工程师，管理才是麻烦事：这周要求每人做 20 小时，做到了没有？质量好不好？不好下周就不续了。专家来自世界各地，怎么保证他们收到钱？系统记录他工作了 15 小时，实际只算了 10 小时，这种纠纷谁来处理？AI Labs 不想碰这些事。

和普通外包商的区别在于评估能力。一万人来申请，得用科学的方法判断哪些人真能干这个活。这是 Mercor 最像 AI 公司的部分，外界报道里看到的 AI 面试只是其中一环。

流程拆开是这样的。获客靠广告投放、主动 outreach，还有推荐，推荐占注册量的一半以上，推荐人能拿钱。有人靠这个把全职工作辞了，专门给 Mercor 做猎头，因为他清楚公司未来要招什么样的人。候选人提交简历后，从平台上两百多个岗位里挑合适的申请，然后进入 AI 面试：一个数字人面试官，问题由 AI 根据简历和岗位要求生成，招聘方也可以自己加题、改评分标准。面试 20 到 30 分钟，录成视频，附上字幕，招聘的人点字幕就能跳到对应片段，看这个人表达清不清楚、有没有停顿，这些是文字稿记不下来的。

面试之后是匹配和验证。AI 评估系统根据简历、面试表现和招聘方设定的硬性软性标准打分排序。还有一层是防造假：验证身份看 ID，查简历去 LinkedIn 和网络搜索核实。虞快讲了个案例，他们在招奥赛获奖者，有人直接去 IMO 官网找获奖名单，把名字写成自己的，批量投简历。

价格怎么定？虞快说参考以前招类似的人花了多少钱、花了多少天找到多少人。需求更急，价格就高一点。最终是和客户协商，AI 公司想便宜，但也不想因为便宜招到不行的人，模型没提升。这个市场上客户通常会同时找几家供应商，最后拼的是谁招的人质量好、速度快。

价格区间拉得很开。平台平均时薪超过 90 美金。皮肤外科医生 400 美金一小时，推荐费 5000 美金。软件工程师一般 100 到 200 美金一小时。audio trainer 只需要英语好、能念稿子，时薪 21 美金。Mercor 现在也在招讲粤语和讲泰语的人。

Scale AI 被收购之后 0:16:49

Scale AI 被 Meta 收购后，业务下降得厉害。客户的顾虑很直接：它现在是 Meta 的一部分了，剩下这些公司不太敢继续合作。曲凯问这是不是变成了一次纯粹的人才收购，花大钱买完业务就掉了。

虞快说自己没有内部消息，纯粹是个人猜测：扎克伯格就是想要 Alex Wang，想让他去领导超级智能团队。而 Alex Wang 是有抱负的人，不会因为工资高就一直待着，两三年后大概率还是要创业。如果今天直接走人，以后想再创业，还有人愿意跟、愿意投吗？花 650 亿让所有投资人满意离场，下次他再出来做，大家都会支持。虞快觉得扎克伯格很可能也有这层考虑。

所以在他看来，Scale AI 对 Mercor 已经不构成很大威胁，虽然体量上还是比 Mercor 大。真正的威胁是 Surge AI，规模更大，风格和 Scale 正好相反：一个张扬，一个低调务实。Surge 现在也在融资，虞快认为目的之一是招人，因为好人才会看你的投资人是谁。一家公司如果从头到尾只说业务牛逼但不融资，好人才可能不敢加入，他们想听到的是 Sequoia、Benchmark、a16z 这些名字。

数据标注市场现在大概是 50 到 100 亿美金的规模。虞快判断这个市场会持续变大，逻辑是 OpenAI 和 Anthropic 这类公司的主要产品就是模型，它们的渠道和生态远弱于 Google、Amazon、Microsoft，模型本身必须比别人好，才有活路。所以在数据上花多少钱都值。只要这两家在打，Google 和 Meta 就得陪着打，它们更有钱，但也不得不花。

客户结构上，AI Labs 数量就这些，但预算非常高。虞快拆了模型进步的三个来源：算法、算力、数据。顶级研究员招来了也不安心，明天可能被对手挖走；算力上 OpenAI 打不过 Google；想要本质进步，还是得靠数据。他举了 Anthropic 的例子，模型在 coding 上表现好，源于数据，不只是量，还有清洗的方式。

国内能不能复制一个 Mercor？虞快说绝对会有公司能做，而且能做得成功，关键看国内最大的 AI 厂愿意在这上面花多少钱。差距在故事的大小：国内模型公司讲的是三四十亿美金的故事，这边是三四千亿美金的故事。大厂技术上做得到，但这件事不是它的核心业务，愿不愿意花一两百人做一个跟主业无关、做出来只能自己用的东西？而且别的公司不敢把招聘需求告诉它，这是机密。

他也不认为客户会只跟一家供应商合作。Scale 被收购这件事让 AI 公司意识到，万一合作的公司被收购了就凉了。比较合理的结构是一家主要供应商加一家次要供应商，最多三家。同时跟十家合作，每家流程不同，结账麻烦，最后训练的是同一个模型，出了问题都不知道找谁。

什么样的创业公司值得加入 0:24:22

虞快选公司的标准很明确：要找有点特别的公司。各方面都挺好但没啥特别的，成功几率可能不高。在这个时代，话题性高的公司成功率或溢价可能更高。

他加入 Mercor 的几个理由。三个创始人都是退学的，21 岁创立公司，都是 Peter Thiel 的 Thiel Fellow。这个 fellowship 有个硬性要求：必须退学。三个人是湾区的高中同学，高中辩论队的，可能是美国历史上最强的高中辩论队之一。虞快说辩论在美国高中的分量有点像中国的奥赛，拿了奖是拿得出手的。他和创始人交流的感受是，随便问什么，答案都让人觉得 make sense，反应非常快。他形容：如果我做出一个产品，我特别愿意让你帮我去卖，因为不管客户有什么问题，你都能说得他心服口服。

但最核心的还是增长速度。Mercor 从 100 万美金做到 1 亿美金 run rate 只花了 11 个月，此前 Cursor 的纪录是 12 个月。增长快，招的人就更好，效率更高，形成正循环。面试时公司一上来就问他：我们是 996，你能不能接受？虞快觉得挺好。他的判断是，一个月增长 50%、连续每个月这样，这件事会让人上瘾。你做的产品、见的客户都会给你反馈，好的坏的都有，真的有人在 care，你就会越做越起劲。

公司不只是创始人年轻。虞快加入时公司平均年龄 22 岁，一半的人以前创过业，工程师的产品 sense 很好，不需要专门的 PM。就算招 PM，也要招非常 technical 的。面试 PM 时常问的一个问题是：你最近 build 过什么？现在 AI 工具这么多，如果你什么都没 build 过，那是个巨大的 red flag。用 Lovable 做个网站也算，但接下来会追问：为什么做这个？怎么衡量成功？有同事 22 岁前做的产品就被 U.S. News 收购了。

曲凯提了一个国内常见的质疑：AI 这波像是移动互联网的延续，有经验的人资源多、坑踩得少，同样融一千万美金，给花过钱的人肯定做得更快更好，给年轻人他可能不敢花、不会花。虞快怎么看一群平均年龄这么小的人做出这么高的增长？

他的回答分几层。首先是 right problem at the right time。招聘这个问题很多人想解决，十年前二十年前就有人想解决，但当时没有 AI。其次是 founding team 的构成，Mercor 一上来从 Scale 招了一些核心的人，有榜样、有走过弯路的人带着，能少走很多弯路。再就是湾区的环境，很多创二代，周围朋友里有人创业，上学时身边很多人都在创业。

归根结底是 sample size 的问题。在中国创业失败，对后面 career 的打击远大于在美国创业失败。打击大，愿意尝试的人就少，出结果的人自然更少。周围的人没成功过、没听说过，这条路就不是常态，下一届好的人也不会选。而在美国好的学校，毕业去创业是有人走的路。

曲凯补了一个观察：美国这边的人早熟，初中生看着像大学生，几岁就上街卖柠檬水。上大学时所有人每周要做 presentation，很多美国大学生的演讲技巧好于国内很多资深创始人和高管。美国还有专门的课教怎么做 presentation、怎么讲 elevator pitch。虞快说 sales 和 marketing 在美国是非常关键的技能，做销售没什么特别的偏见，亚马逊上卖得最好的书里常年有一本《How to Win Friends and Influence People》，纯粹讲 soft skill。曲凯接了一句：美国广告牌上都是律师、房产中介，国内很难想象，有钱打广告说明他做得好。

快，是唯一重要的东西 0:30:47

虞快总结 Mercor 高速增长的核心，两个字：快。一个是下决定的速度，一个是执行的速度。

Mercor 不是一家非常 data driven 的公司，更多依赖创始人以及创始人招来的这些人的直觉。对直觉的要求非常高。面试时技术都过了，最后要跟创始人聊，有时要跟两个创始人聊，被创始人拒的比例很高。他们很多时候就是在看你的直觉好不好。在快速迭代的过程里，没时间做非常科学的判断，觉得该花时间在这上面就花，讲好未来一周想看到什么结果，没看到就调整，这些都可以非常坦率地讲。

曲凯追问：决策快是不是意味着要先有快速评估的标准，再快速复盘、反馈、修正？虞快说创始人主要看 metrics，什么在起作用、什么没在起作用。至于直觉做的决策对不对，他的回答很直接：其实不重要，你快点做一个决定，不要大错特错就行。市场太快了，动起来总比不动强，只要有办法意识到错了再改。

其实不重要，就是你快点做一个决定，这个决定不要是大错特错就行。

执行力的部分，虞快认为这是最难复制的。决定要做一件事，说做就一定能做到，这是他对自己公司最有信心的特质。硅谷其他公司确实没这么卷。他每天大概 7 点半上班，凌晨 1 点下班，公司 95% 的人作息跟他差不多，有人做到凌晨 4 点，没有人要求，全是自发。他强调关键不是工时长短，是你有多在乎这件事。

曲凯提到国内对美国互联网公司的印象：不用怎么上班，上午去健个身，中午食堂吃个饭，下午待两小时回家，周五下午就出去 party。虞快说这是误解。他面了很多湾区的公司，面试基本都安排在周日，很多人睡在公司。十个人的公司这样不少见，一百个人的公司还能这样，就很少了。曲凯的总结是：国内公司总觉得可以靠更勤奋来比拼，实际上这个阶段的公司两边差不多。

执行力的具体体现，虞快说是「说到做到」。周六计划下周做什么，说会做这些，周五基本都能完成。他看重的是这份确定性，公司里每个组都能给对方这样的信心，才能跟客户保证。deliver 的东西未必比别的公司多，但承诺和交付之间没有落差。

而这一切的根源还是增速。每个月 revenue 增长 50%，值不值得的考虑就变得没有意义，纯属浪费时间。所以又回到当初果断选了数据标注这个方向。

怎么判断一个人聪明 0:35:20

虞快现在做工程管理，也在招人。技术能力要强，但他更看重 agency，这是今年湾区比较流行的词，接近主动性：能克服一切困难拿到结果。

他面试时不断问自己两个问题：我要把想让你做的事描述得多清晰？我能放手让你独立运行多久？如果每一步、每一天要完成什么都得讲清楚，这个人的 hc 就低。但 hc 低不一定要拒，取决于当时多缺人，也看你有没有别的闪光点。有的人任劳任怨，对项目有不有趣没想法，就是想写代码、想完成，这种老黄牛也 ok，组里全是这样的人不行，有一两个可以接受。前提是交流能力和学习能力要强，如果组里反应快的人明显觉得这个人拖慢了速度，那肯定不行。

判断聪明，他喜欢出新概念，看对方多快能理解并融会贯通。他把学习分几个阶段：最弱的是不理解但背下来了；高一点是懂了但没内化，没法清晰讲给别人听；比较高级的是能不能做类比。要跟别人讲清楚一个复杂概念，最容易的办法是找一个类比。有人不知道 MCP 是什么，如果 MCP 对标的是 API，那 MCP 和 API 的相似点在哪、不同点在哪？基于一个你已经理解得很深的东西去找异同，新知识的内化就很快，理解也更深刻。

曲凯接过话：哲学家和诗人也有这个特点，把一个东西解构，在很底层的地方发现其实是一回事，两个完全不同的东西被联系起来。虞快说好的工程师也需要这个技能。做一个功能，本质上难点是这个，把难点解决了，不光满足眼前的需求，未来很多需求也能满足，这就是通用性。

曲凯补了一个前提：这套方法要成立，脑子里得先有一套框架，像一棵树，已经有很多东西挂在上面，看到新东西才知道往哪补。不然方法再好也会乱，这就是 structured thinking。

虞快自己学新东西的方式是搜「MCP versus」，看 Google 自动补全第一个出来的是什么，去 Reddit 看大家怎么讨论，看别人的 review。了解一个新产品，先想它的竞争对手是谁，直接搜「A versus B」，看底下评论，效率比去官网看 marketing 材料高得多。曲凯说，如果只是想粗浅了解 MCP，这个方法一秒钟就够了，知道大家拿它跟 API 比，甚至不需要知道区别，至少知道它是 AI 世界里的一个东西，可以了。

两道 IQ 题 0:39:58

虞快在节目里现场出了题。第一道叫 parking function。三个人停车，第一个人想停 1 号位，第二个想停 2 号位，第三个想停 3 号位，都能停好。三个人都想停 1 号位也能停：第一个停 1 号，第二个发现 1 号满了去 2 号，第三个发现 1 号、2 号都满了去 3 号。规则是每个人不能后退，比如第一个人要停 3 号位，到了发现没有 4 号位，他就停不了。只要有一个人停不了，这一串就不构成 parking sequence。给一串数组，判断它是不是 parking sequence。

绝大多数人的第一反应是按定义模拟。给 2、3、1，试一遍，可以；给 2、2、2，试一遍，不行。学过算法的会意识到暴力模拟是平方复杂度。要更好地解决，得退一步想：不要想什么情况下能停，想什么情况下不能停。答案是有人的目标车位被前面的人占满、又没法往后挪。再进一步观察：顺序其实无所谓，3、2、1 和 1、2、3 结果一样，从小到大排序后，第一个数必须小于等于 1，第二个数必须小于等于 2，第三个数必须小于等于 3，依此类推。虞快说很多候选人会花半个小时硬想怎么模拟得更快，而不是反过来想什么是不满足的。他有时会给提示：我随机选一个 sequence，你觉得大概率满足还是不满足？

曲凯问这是不是跟冒泡排序有关，虞快说如果观众里有学数学的，可能会想到卡特兰数，跟这个问题有点关系。他出这类题不是要讨论数学，是看思路。

第二道更简单：给两个字符串，比如「123」和「456」，写一个字符串乘法，把乘法规则表示出来。有候选人花半个小时搞不定，最后说：我忘了乘法怎么算了。虞快说，忘了竖式乘法怎么算，他其实不太在乎，平时大家都用计算器。他最大的问题是：你连乘法怎么工作都不记得，为什么要在那儿浪费半个小时？不记得就一上来问，有什么好浪费的。

还有些细节能判断候选人 make sense 与否。他有时会随口问一句：你电脑上有没有 IDE？如果对方说没有，他心里很可能就拒了。一个软件工程师，电脑上没法编程。他的原话是：如果我不需要编程，其实没必要买电脑，手机就够了，或者买个 iPad。这种判断三五分钟就结束了。

有时他问的问题自己也不知道答案，但会在心里想如果是我会怎么做，再跟对方的回答比。对方回答得挺好，就过；离得太远，就拒。

从 Google 学到的那句话 0:46:23

虞快在 Google 待了一年半，写 Chrome 的代码。成长最大的是入职第二个月。当时要他做一个项目，用到刚出来的 gRPC，组里别人也不清楚怎么用，他有点沮丧，跟 tech lead 说第一份工作就感觉没什么 support。tech lead 回他：如果这个东西已经有人明确知道怎么做了，那为什么它还没做完呢？

如果这个东西已经有人明确知道怎么做了，那为什么这个东西还没有做完呢？

这句话对他影响很大。一是不要把别人想得太强，觉得 senior 的人一看就会，其实大家都不会。二是你的工作就是主动 figure out 怎么做、把它做完，你很可能成为组里第一个会这个东西的人，然后教别人。刚进公司的人容易看 level，觉得 L6 什么都会，很多时候不是这样。

曲凯呼应了自己的经历：成长最大的一年是来美国读书那年，因为发现所有事真没人能帮你。在国内总觉得打个电话总能找到人。映射到工作上，如果你总觉得别人能帮你解决问题，就很难有主动性去换位思考。虞快说，他做管理之后的框架，很多是跟在 Two Sigma 的一位资深老板学的。曲凯说，站在老板的位置想问题，说起来容易，必须真的自己承担那个责任才做得到。

关于选工作，虞快的判断标准不是创业公司还是大厂，是赛道。他去金融公司时，周围比较厉害的人优先选金融；现在比较厉害的人优先选 AI。十年之内，金融翻十倍还是一百倍，AI 翻十倍还是一百倍，答案显然是 AI。所以问题不是选创业公司还是大厂，是你想做 AI 还是不做 AI。

最后聊到 AI 公司的组织形态。coding agent 越来越强，花在生成代码上的时间会越来越少。就算是工程师，更多时间也该花在 brainstorm、想 idea、跟客户交流上。虞快自己想到什么 idea 就直接跟 Cursor 的 bot 聊，坐车时提三个 request，到家三个都完成了，不一定对，但起了个头。更重要的不是写代码多快，是你怎么判断现在的方向是对的，而判断方向要靠客户反馈。

公司架构的层数在变少。工程师要发挥更多主动性，可以往产品走，可以多聊客户。但这需要有好的内部氛围支撑，不然 PM 会觉得你抢活，或者你说的对不对我凭什么信。虞快说两个条件：好的激励机制，和管理层识货，知道谁真的在为公司思考，谁只是顶着 fancy 的 title 天天想怎么从公司获利。这就回到创始人的能力，后面的 leader 和 manager 都是创始人招的。创始人一要识货，二要有办法 sell。现在估值和增长摆在这，谁都能招到人，但五个月前不是这样，那时候公司没有多少 leverage，全靠创始人自己把位置 sell 给人。

这期节目给普通读者的信息，落在三个地方。一是看一家公司值不值得去，先看它的增长曲线和 founding team 的反应速度，再看它有没有一套别人复制不了的东西，Mercor 的答案是执行力和评估专家的能力。二是学新东西的效率，先找类比物，搜「A versus B」，看真实用户的评论，比读官方介绍快得多，前提是你脑子里已经有结构。三是判断一个人，别看他知道多少，看给他一个新概念，他能不能找到相似点和不同点，看你要把任务描述得多细他才动得起来。这两条，面试别人和审视自己都用得上。