Bullet

一句话定位

不换模型、不堆上下文，专攻"模型外面那层循环"的速度：把一次 agent 运行的等待时间压下去。 核心理念是模型速度不如减少往返次数。

做这个东西的人

Adi 和 Alex，Yale CS 出身，刚从 AppLovin 和 Citadel 出来，YC S26。Bullet 是他们六次转型之后 的产物——之前做过 AI 对冲基金、浏览器 use agent、合成金融数据、移动 IDE，全失败了。

判断：这个背景要拆成两半。减分的一半：六次 pivot 说明他们擅长撞墙。加分的一半：优化延迟、 控制成本正是量化交易系统的基本功，和这个产品要解决的东西高度同源。

它到底能做哪几件事

• 模型路由 → 简单步骤走快模型，任务配得上时才升级到大模型，不需要手动选模型
• 定向代码搜索 → 不做整仓 embedding，用带 fallback 的搜索只拉相关文件，上下文更小
• 上下文卫生 → 工具输出限长、过期截图消失、不重复读文件
• 并行工具调用 → 独立的搜索/读取/命令并行跑，依赖的编辑和验证保持串行；自称内部测量 16% 更少往返、27% 更低成本
• 复用现有订阅 → 用 Claude Code/Codex 订阅、任意 API key，或本地模型
• CLI → npm install -g @trybullet/cli，macOS 和 Linux

它明确不做：不训练自己的模型，不是 Claude Code 的替代品，是包在现有模型和订阅外面 的一层更紧的循环。

它在替代什么旧行为

以前用 Claude Code 或 Codex 的典型等待流程：把整个仓库塞进上下文（或塞进压缩版）、 任务挨个串行执行、每个工具调用都在排队。一个 100 轮的 agent 任务，绝大多数轮次是无聊的—— 读文件、查路径、跑测试——本该秒回的动作被拖到前沿模型的延迟里。

Bullet 替代的是"最强模型从头跟到尾、串行、全仓上下文"这个默认方式。它赌的是： 一个真实的路由器，比一个更大的模型更能同时省下墙钟时间和成本。

商业模式

未披露。 目前 private beta，免费，无订阅。支持 macOS 和 Linux。

判断：没有定价页说明还在验证阶段。这个品类的收费点多半在"按运行次数/席位"而不是按 token—— token 成本已经在用户自己的订阅和 key 里了。

硬数字

• HN Launch HN：93 points / 68 comments（2026-08 上旬）
• SWE-bench Verified：479/500（95.8%）一次通过，平均 119s/任务，自称比 mini-SWE-agent + Fable/Sol 快 35-67%；宣传口径是"比 Claude Code/Codex 快 30-60%"
• 内部测量：16% 更少往返、27% 更低成本
• 团队人数、用户数、收入：未披露

基准可信度存疑：95.8% 是在"未启用路由"的对比评测里拿到的（创始人为了同模型 harness 公平对比），而 SWE-bench Verified 已被指出饱和。HN 用户 soulofmischief 直言"这基准结果 基本无意义"。

四维评估

判断

这是把量化交易的延迟观搬到编码 agent 上：不优化模型，优化管线。

最可迁移的规律是"路由是当前 agent 里最便宜的加速手段"。绝大多数 harness 的默认做法是把 所有请求发给最强模型——省事，不会有人怪你。但一个 100 轮的 agent 运行绝大多数轮次是无聊的， 用前沿模型的价格和延迟去跑目录列表，是整个行业最贵的习惯。

HN 评论里最有价值的反对意见：一是基准饱和，95.8% 在成熟基准上说明不了什么，而且路由 没进评测；二是路由和搜索在开源侧（OpenCode + codebase-memory-mcp）也能拼出来。两条都指向 同一个结论：Bullet 的护城河现在很浅——它卖的是执行质量，不是模型也不是生态。

但"卖执行质量"本身是成立的品类。 评论里有真实用户说已经主力使用，另一个用户说 "速度感知明显、集成浏览器好用、Linux 支持加分"。Git 提交作者标注和隐私提示两个具体问题， 创始人都在修。

下一步看什么

① MCP 支持和 skills 保留什么时候落地——没有生态位就是一次性工具 ② 定价什么时候出现、按什么计费——商业模式决定它是不是一门真生意 ③ 基准能不能搬到更难的任务上（Terminal-Bench、CursorBench）——创始人自己说在测

可借鉴的做法

产品逻辑：任何效率类产品都该问"最贵的一环在哪"。Bullet 的回答是往返次数，而不是模型 速度。做一个 agent 产品或效率工具前，先数一遍你的管线里有多少次串行等待——这是最容易被 改掉的成本。

定价结构：无。未披露。

结论

值得跟进。 方向对、有真实用户、创始人回应诚恳，但护城河浅、基准争议未消、还没定价。 它最大的意义是验证了"优化循环而不是优化模型"这个方向，而这对任何做 AI 效率产品的读者 都是直接可用的判断。