开场与个人背景快问快答
主持人（永豪）：Hello 大家好，欢迎来到《破局点》，我是永豪。事业有卡点，就找破局点。我们致力于帮助 AI 时代的创业者，把模糊的方向推进成可验证的商业闭环。今天非常欢迎课代表做客我们的《破局点》。咱们先来一波快问快答：
请问您的年龄是？
课代表：三十八岁，刚过生日。
主持人（永豪）：生日快乐！那您的 MBTI 是什么？
课代表：INTJ。
主持人（永豪）：太巧了，我也是 INTJ。请问您的毕业院校是？
课代表：我本科毕业于 Lafayette College（拉法耶特学院）文理学院，博士毕业于康奈尔大学（Cornell University）。
主持人（永豪）：现在最主要在做的事情是什么？
课代表：现在最主要做的是我的 AI 课程和 AI 社区。
主持人（永豪）：之前我自己也加入了课代表的 AI 社区并在里面学习，您可以给我们的听友们简单介绍一下自己吗？
个人经历与全职 AI 创业历程
课代表：我先做个自我介绍。我是山东烟台人，2007 年来到美国。本科和博士毕业之后，先后在亚马逊（Amazon）、Meta、腾讯（Tencent）和 Statsig 这四家公司工作过，在每家公司各工作了两年。在腾讯的时候，我担任数据和 AI 的副总监；后来在 Statsig，这家公司后来被 OpenAI 收购了。
我现在全职做自己的事业已经有一整年的时间。这个事业的商业根基是我们的 AI 课程，主要是在外网销售，课程名字叫《AI Builders》。这个课程我们已经做了两年半，并且一直在这一个课程上持续迭代。学员加入之后，会持续看到这个课程所有的更新内容。目前我们有 3000 多个学员，包括来自 OpenAI、Anthropic、Google、Meta 等公司的很多一线从业者都会过来上课，在课程主页上也可以看到他们的实名好评。在 AI 教育领域，尤其在外网，这是一门非常受好评的课程。依托这个课程，我们也做了一个 AI 社区，现在社区大概有两万多人。如果大家感兴趣的话，去搜索“超线性学院”（Hyperlinear Academy）就可以找到。
主持人（永豪）：我自己也一直在我们的社区里不断获取新知识，里面链接的都是非常一线的从业者，体验特别棒。刚才听课代表聊到从亚马逊、Meta，到腾讯，再到 Statsig，这个跨度非常大，身处不同的角色和环境之中。我很想知道，哪一段经历对你现在做的事情影响最大？
四段职业经历的认知沉淀与转型契机
课代表：其实这四段经历对我有不同程度的影响，每个阶段影响的点都不太一样，我争取每一段经历都挑出一个核心点来聊。
在亚马逊的时候，是我第一次真正接触 AI。我在读经济学博士的时候，大家也会讲机器学习（Machine Learning）、逻辑回归（Logistic Regression），但因为是经济学博士，当时的应用其实还是相对比较浅的。那是 2015 年左右，正好相当于大规模应用的 AI 刚进入萌芽期。去亚马逊之后，我参加了他们内部的 Machine Learning University，把所有机器学习相关的课程都上了一遍。当时我所在的组正好是一个 Applied Scientist（应用科学家）组，亚马逊在那时已经招了很多机器学习博士来做各种各样的应用，包括在卖家端等业务场景中的落地。这让我系统了解了这方面的知识，但同时也让我看到了上一代 AI 的局限性。深入了解之后，我意识到它是一个非常专向的技术，但可能未必是我最感兴趣的方向。
后来到了 Meta，我更多的是意识到了什么是 fake work（虚活），什么是真正有用的工作。我在 Meta 做的业务，从一个半研究半应用的岗位转变成了一个纯产品岗位，更偏向于一个具有数据背景的产品经理（Product Manager）角色。当时我们要负责 Facebook Marketplace（类似于北美闲鱼）的很多重要决策，比如公司要在上面投入多少资金、战略方向怎么制定等。那里的业务节奏极快、迭代极快，逼着你必须在工作中迅速分辨出：到底哪些东西是真正有业务价值的，哪些东西其实只是花拳绣腿或者做给老板看的汇报。
再后来回到国内加入腾讯，一招回去就是一个副总监的岗位，一开始管理 6 个人，到最后离开时团队发展到了 30 多个人，完整经历了国内大厂的体系运作。腾讯当时招我回去，是因为看中我是藤校博士，回来后又发现业务落地做得很好。国内大厂有一种所谓“年薪高潜”储备干部的培养机制，他们也是按照这种高潜干部的路径来培养我，给我的绩效也非常好，拿到了双五星绩效。
但在这种情况下，当我在大厂内部把升职加薪这条路打通之后，我意识到了两件事：
第一件事是，升职加薪这条路未必是我真正想干的，人生其实有其他的意义。这也是我在自己的频道上跟很多嘉宾聊天时逐渐意识到的。他们很多人已经走通了这条路，然后来跟我分享对于工作的反思。当时我和李阳做了一期访谈视频，叫《如何摆脱无意义的工作》，从那个视频开始，我就开始深入思考这方面的人生追求。
第二件事是，生成式 AI（Generative AI）真正爆发了。我在 2022 年 9 月份采访了硅谷徐老师，10 月份发布了一期视频，主题叫《这轮衰退有什么机会》。当时徐老师就明确指出，这一轮经济周期衰退中唯一的机会就是生成式 AI，不是元宇宙，不是 Web3 或所谓的 Lifestyle，核心就是生成式 AI。到了 11 月份，ChatGPT 正式发布，我当时便投入了海量的时间重新学习，把生成式 AI 和大语言模型的所有技术底层与论文全部研究了一遍，包括当时谷歌最好的模型 PaLM 以及相关的所有前沿论文，还写了分析文章。
从那个时候起，我就深刻意识到：传统白领的工作模式其实要结束了。我当时写了一篇文章叫《关于ChatGPT最重要的五个问题》，在国内引发了很大的反响。随后我来到 Statsig，给他们做了一场 Tech Talk（技术演讲），分享生成式 AI 到底是怎么回事、为什么它和上一代的 AI 完全不同、为什么我们不能再用上一代 AI 的眼光去看待大语言模型，以及它的潜在应用空间到底在哪里。
我那场 Tech Talk 开场的标题就叫：《我未来是做一个数据科学家，还是做一个调酒师？》我在演讲中对大家说：五年之后，我可能做不了数据科学家了，因为数据科学家做的大部分事情都会被 AI 取代；我希望到那个时候，我的 AI 能够成为一个比你的 AI 更好用的数据科学家，由我的 AI 帮我处理所有数据科学的工作，而我自己则去调酒。当时台下的听众哈哈大笑，大家都以为我在开玩笑，但实际上我完全没有开玩笑，我是非常认真的。
职业道路探索与做实体的风险认知
课代表：意识到这一趋势后，我当时其实还做过别的探索。我那时候甚至想过回美国开一家餐馆，并且做了非常深入的调研。我跟家里说把资金准备好，专门去深圳找了一家叫“九两手”的餐饮品牌，在深圳和东莞交界的地方找到了他们的老板和店长，在那儿坐着喝了一上午茶，中午一起吃饭，把品牌授权的事情基本谈妥了。同时我还在美国这边物色团队，并向 B 站 UP 主“大厨高寒”请教在美国开餐馆的具体经验。
后来这件事情没有做，幸好没做。但这也说明，我当时是非常严肃地认为自己打工的生涯未来一定会结束，必须尽早切换赛道。当时考虑的是做餐馆，现在看来做自媒体、做社区也非常合适。在这个年代做实体经济，成本和风险依然非常高。
总之，我后来选择继续深耕自媒体，走出了一条和大多数自媒体不太一样的商业变现路径；同时加入了 Statsig 这家创业公司。在 Statsig，虽然我顶着 Principal Data Scientist（首席数据科学家）的头衔，但实际做的工作是 Evangelist（技术布道师），更多偏向市场营销和销售。在做这份工作的同时，我同步搭建了课程、社区和会员体系，最终发现这是一份可以长期持续发展的个人事业。
顺便提一下，我们今天录制是 9 月 11 日上午 9 点多，我刚好定时了 11 点发布我全职独立工作一周年的回顾视频，非常期待。
主持人（永豪）：太期待了，回头我一定好好看一下，说不定咱们聊到中间那期视频就发布了。因为之前我也仔细读了你的内容，确实能感受到你之前提到的“如何把自己变成稀缺资产，让个体价值持续变现”。待会儿我们也会深入探讨这个话题。
Statsig 被 OpenAI 收购的内幕与视角
主持人（永豪）：还有一个我很好奇的问题：之前看你的视频提到 Statsig 后来被 OpenAI 收购了。从内外部的不同视角来看，像这样一家独角兽创业公司被 OpenAI 收购之后，它的公司运作到底会有什么样不一样的视角？
课代表：这是一个非常不一样的收购，它本质上是一次纯粹的人才收购（Talent Acquisition）。
OpenAI 根本看不上 Statsig 原有的业务。Statsig 原本的业务、客户、订单以及产品，最后其实是以 0 元的价格直接打包甩给了竞争对手。本来一开始还在讨论要不要作价卖点钱，后来似乎是因为一些税务方面的问题，觉得还不如直接 0 元卖掉，所以直接甩给了竞争对手。因为被收购之后，Statsig 的这批团队成员不应该再去维护旧产品了，他们必须把所有的时间和精力全部投入到做 AI 上。
OpenAI 为什么要做这次收购？我当时也有过详细分析，这起收购里：
- 80% 的原因完全是看中 Statsig 的 CEO Vijaye（VG）这个人；
- 剩下的 20%，是因为 Statsig 当时一直在为 OpenAI 提供数据基建支持。这种数据基建不是指模型训练用的基建，而是 OpenAI 面向用户端产品的数据基建，两者之间的系统耦合度非常高。如果 Statsig 当时出现任何变故，对 OpenAI 来说是一个较大的业务风险。
基本就是出于这两个核心原因，OpenAI 把 Statsig 收购了进去。收购之后，大家一开始还装模作样地维护了一段时间 Statsig 原有的业务。我当时就跟我留在 Statsig 的朋友说：“你们赶紧转去做 OpenAI 的其他产品，继续做 Statsig 原来的业务在被 OpenAI 收购之后是没有任何意义的。”大家装模作样了一阵子之后，现在原有的 Statsig 产品已经彻底放弃了。留下来的人，要么转去做 OpenAI 内部的研发工具，要么做基础设施与数据基建（Infrastructure），要么去做 ChatGPT 的商业化和广告业务。
身边最顶尖 AI 使用者的特质：以“鸭哥”为例
课代表：对了，永豪你那边有做本地录制吗？
主持人（永豪）：有的，Riverside 平台本身就带有本地录制功能，如果网络出现卡顿，最后本地都会自动同步高质量音视频。
课代表：好嘞，太棒了。
主持人（永豪）：那我接着提问。我们社区里汇聚了大量深度使用 AI 的一线实践者。我很想知道，在课代表看来，你身边最会用 AI 的这批人，他们的使用方式和普通人最大的区别到底是什么？能不能举一两个具体的例子？
课代表：好呀，我举两三个比较典型的例子。
说到最会用 AI 的人，当仁不让的第一人就是“鸭哥”（Yage），在社区里大家都非常熟悉他的深度分析。
如果其他同学对鸭哥还不够了解的话，我举个实际的例子：最近有人翻出鸭哥在 2025 年 2 月份写的一篇文章。在那篇文章里，鸭哥就明确指出 Claude Code 是一个极度被看好、极其重磅的产品。然而在那个时期，Anthropic 官方自己都没有给 Claude Code 多少关注度。为什么呢？因为 2025 年 2 月到 3 月那个节点，整个行业的所有关注度都在关注 Manus 要么准备出、要么马上要出，以及 Anthropic 当时刚发布的 Claude 3.7 Sonnet 思考模型上，大众的眼球全被模型本身吸引了。
鸭哥当时就分析说：Claude 3.7 确实很厉害，但是大家更应该重点关注 Claude Code 这个工具产品。当时 Claude Code 的创始人 Boris 在 Anthropic 内部发了一个介绍帖子，那个帖子在他们公司内部仅仅收到了 2 个赞——也就是说，连 Anthropic 自己内部绝大多数人都完全没有看清 Claude Code 到底厉害在哪里。但鸭哥当时就撰文给出了极其深刻的理解，详细拆解了它为什么厉害。
后来事情的发展大家都看到了，Claude Code 彻底大火，小红书上的博主们纷纷开始跟风说“你用 Claude Code 就是厉害，不用就不行”。而在我们看来，虽然 Claude Code 非常强大，但大家也不应该产生单一依赖，不要把宝全押在某一个工具上，而是应该把 Cursor、Claude Code、Codex 混合搭配使用。到了现在，大家又开始关注今天 Codex 升级了、明天 DeepSeek Harness 突破了，但鸭哥总是能够在极早期就敏锐抓到技术的底层本质。
鸭哥本身是一位资深的 AI Researcher（AI 研究员），发表过 40 多篇顶级学术论文，几乎所有的顶级 AI 会议（顶会）他都发遍了。但他和绝大多数 AI 研究员截然不同的地方有两点：
- 极其强悍的工程能力：他在投身 AI 之前本身就是一位顶尖的超级工程师；
- 直击本质与 Unlearn（快速迭代放下固有认知）的能力：他能迅速洞察新技术的核心逻辑，并彻底打破过去的思维定式。
关于鸭哥使用 AI 的方式，我之前发过一个视频分享他的工作流，内容非常有意思。鸭哥在视频里拆解了他如何通过做几件非常简单朴素的事情，把 AI 的威力发挥到极致。那个视频发布之后，在社区里引发了两种截然不同的典型反应：
第一种反应来自我们社区里的一位资深程序员，他看完后专门写了一篇长帖，带着身边的程序员同事一起讨论……
逐帧分析与对技术本质的理解
看鸭哥是怎么用 AI 的，然后其他程序员同学看了之后说：“啊，看了好像没什么感觉。”然后他专门花了两个小时跟那些程序员坐在一起，逐帧分析鸭哥这个东西到底厉害在哪。接着他在社区里发了一个帖子，题目叫《Show the difference》。如果大家感兴趣的话，也可以看 Show Notes，就是去对比：你看他是这样去使用的，我们之前是怎么样的，鸭哥的思想又是什么。大家看完之后才恍然大悟：“哦，原来是这样！”
后来也是因为这件事，他在同事们中间建立了很深的威信。因为同事们原先是意识不到自己不知道这些事情的，而他能意识到。在他把差异展示出来之后，同事们觉得：“哦，你确实很厉害。”这是一种知道鸭哥厉害的人。这也是为什么 OpenAI 的 Solutions Architect 上我们的课，还是有很多收获。他们虽然天天都在用 AI，但是鸭哥对整个架构或者对技术本质的理解，都会让大家觉得非常受益。
认知差异与“教大师做事”现象
但另外一个现象是，如果你去看 B 站评论区，全都在说：“这什么东西啊？这么浅，这是啥呀？这个东西还不如我呢……”等等。我们社区里还有人吐槽，觉得特别搞笑，说 B 站评论区就像是：如果梅西踢球，下面就教梅西踢球；跟 Uzi 打对线，就教 Uzi 打对线；教谷爱凌滑雪，教马琳打乒乓球。全都是这样，教鸭哥怎么用 AI，根本看不出深浅。
包括我们的课程也是这样。其实我们在学校里跟同学讲这个课程，讲得非常好，你不太需要基础背景就可以学会。但下面很多人就说：“我是 CS 专业学生啊，我天天都在学 CS，我干嘛要上你这个课？”我说那就算了吧，我们也没有办法说服你，因为你看不到你看不到的东西。
这是第一类情况，我可能在这里说课程说得多了点。但总之，鸭哥是有一个大道至简的东西的。
核心心法：不是把 AI 用好，而是把自己服务好 AI
鸭哥这个大道至简的东西，如果总结成一句话，用鸭哥自己的话来说，就是：他不是想方设法去把 AI 用好，而是想方设法让自己能更好地服务好这个 AI。
这具体是什么意思呢？我觉得核心是三件事：
第一，所有事情都想方设法让 AI 去做。
第二，先写 Skill 再执行。这是我们在社区里发过的文章强调的。你要想方设法通过 Skill 告诉 AI：什么东西对我来说是好的，你的边界在哪儿，什么东西你需要来问我，什么东西你可以自己去做，你需要用什么标准工具，然后再给 AI 提供一些案例。你不要去教 AI 做事，不要命令它“先做 A 再做 B”，而是要告诉 AI“什么是我想要的，什么是我不想要的”，把边界划定，把工具配齐。你通过这种方式把要做的事情告诉 AI。
在社区里大家可能也看到了 Skill Registry，里面有六十多个现成的能力：让 AI 怎么去读微信，让 AI 怎么去发信息，让 AI 怎么去综合整理我的文档、连接我的文档，让 AI 怎么去看我的智能家居，让 AI 怎么在后台直接开浏览器、自己去操作浏览器（比如有一个你能看到的界面，也有 Agent 能看到而你看不到的无头浏览器）等等。所有这些东西，你都可以通过 Skill 交给 AI，而且它一定是深度适配你自己的。鸭哥还讲过：别人的 Skill 只是一个种子，你是通过别人的 Skill 让你的 AI 学会如何在你的环境里进行适配，是对你个人的适配，而不是直接照抄别人的一个 Skill 拿来就用。这是第二点。
第三，想方设法把自己的 Context（上下文）给到 AI。我前段时间开源了我所有的 Context，但像我的微信聊天记录、线下谈话这些私密内容，我就没有办法开源了。你需要不断地去积累上下文并提供给 AI，AI 才能真正帮你做事。
因为到最后，AI 其实就是一个能帮你做事的人。你想想 Agent 这个词，中文翻译是“经纪人”或“代理人”。经纪人是什么意思？就是你让渡了一部分权利给他，让他帮你做决定，让他代表你的利益去做最符合你利益的决策。所以你必须让这个经纪人足够了解你，你跟他对齐了很多事情的评判标准，然后他就可以在很多场景下帮助你做决策。这对我们来说是一个巨大的生产力解放。
消除内耗：为什么 Agent 比人类做事更高效
其实今天早上在跟你聊天之前，我才让我的 Agent 把我的这本书在抖音所有的视频上全部关联上架了一遍。这个事情如果让人去干，就会觉得非常烦琐，而且可能也不需要什么高深手艺，但它又是必须要干的事情，所以我直接让 Agent 去做。包括把抖音上所有的视频分类、分门别类地整理成综合合集。我还让 Agent 去调研如何在小红书上架商品这件事。
说实话，之前我有团队成员，我交代了好多次去调研上架。小红书上架流程确实挺复杂的。但为什么这件事 AI 做会比人去干更有效？
人在做事的时候，往往会带进去很多我们通常称之为“内耗”的东西。其实内耗是一个偏贬义的词，用中性一点的词来表达就是：当一个人在走第一步的时候，他可能就发现了三条不同的路径；而每条不同的路径都需要去调研，你必须搞清楚选哪一条。这件事对人来说，瞬间就超过了大脑的信息负载容量，人可能就卡在这里了。
然后你即使好不容易下定决心说：“行，我拆解一下，一条一条去调研。”但在调研的过程中你又会觉得：“我调研完之后，这些时间可能全浪费了；而且我也不知道我调研出来的结论到底对不对，说不定去别的地方找个人打听一下，我直接就问出来了。”这时候脑子里又有不同做法的排列组合，人就很容易陷入停滞、很难往前推进。
我的那些团队同学也是这样。大家知道可能最好的方式是找一个专家或者找市面上成熟的服务商来帮我做，但问题是我又不知道市面上谁是靠谱的专家，我还要花精力去找专家、找服务商，这非常困难。
而 AI 呢？AI 没有任何心理障碍和内耗包袱，它直接就往前走，直接去检索、去执行。它会说：“那我去把所有的相关文档通读一遍。”读了一遍之后它来跟我对齐：“这条路径行不行？”我说行。然后它接着问：“那现在需要你帮我做什么？需要你帮我问一下商标注册进展怎么样了。”那我回复说好，我帮你去问一下。这样事情就非常容易被快速往前推进。所以很多类似的事情，AI 都极其容易帮你拿到具体结果。
鸭哥的极致自动化与我的陪伴式协作
包括我的网站以及社区背后的很多基础设施也是这么运作的。举个例子，比如大师课和新会员入群的承接。
说到这里，对比一下我跟鸭哥的用法：鸭哥是深刻理解 AI 的本质、理解技术的本质，能把 AI 的能力最大化地发挥出来。他能把自己的所有事情都交给 AI，而且所有事情都能让 AI 完成得很好。因为他不断地去告诉 AI 什么是他想要的、什么是好的标准；AI 中间遇到什么卡点、需要什么工具支撑，他就能把这个坑给填平、把路给铺好。所以理论上电脑能做的所有事情，鸭哥的 AI 都能做，而且都能自动地做好。这是鸭哥的模式。
而我是刚才提到的那种类型：我跟 AI 很少搞全自动的无人值守，基本上是我脑子里有一百件事想做，然后我一件一件交给 AI，我和它坐在一起协同完成。
刚刚说的一个方面是让 AI 往前去探索踩坑，另外一个方面就是处理那些日常琐事。这些琐事说大不大，说小也不小。比如我的社区有大师课，每次有新会员加入，我希望他能赶紧去报名下一场大师课，同时又希望他能顺畅地查看上一场大师课的回放。如果能直接给他一个整合好的网页，他的体验是最好的。但我自己每次都手动去开发、更新这个网页非常麻烦，每次大师课都要重新弄一遍。而现在让 AI 去做就变得非常容易。
创业就是由无数个这样的小事构成的，它从来不是靠一两个所谓的大事构成的，不存在什么一招制敌的“银弹”（Silver Bullet）。在面对这一个个小事时，过去我可能是在九十件事上只能做到二十分，在九件事上做到五十分，只有在一件事上能集中精力做到一百分。但现在有了 AI，我就可以把这几十件、上百件小事的完成质量全部拉上去。这是我使用 AI 的方式。
包括你看我身上穿的这件衣服，这件衣服完全就是 AI 设计的。衣服上印着“知行合一”——“知”对应 Mindset（心智模型），“行”对应 Behavior（行为方式）；背后印着王阳明《传习录》里的一句话：“未有知而不行者，知而不行，只是未知。”
这也对应了我录制视频时常讲的观点：学 AI 的时候，Mindset（心智模型）比 Behavior（行为）更重要，Behavior 比 Habits（习惯）更重要，Habits 比方法更重要，方法比工具更重要。大家很多时候学习 AI 都只盯着工具层面，没有学底层方法；但你光掌握了方法也没用，你必须改变自己的行为习惯，彻底改变自己的 Mindset。这就是整套理念的总结。这件衣服我也在网上开了一个周边店，直接挂牌二十九美元可以购买。所有这些周边、页面，全都是我和 AI 一起做出来的。
工具选择的标准与本地上下文沉淀
社区里的功能迭代之所以非常快、越来越丰富饱满，背后正是基于这套理念：尽可能用 AI，把完整的 Context 交给 AI 来帮我们做事。
面对现在市面上 AI 工具的高频迭代——比如上个月大家还在用 Claude Code，现在又都在讨论 Codex、Cursor 等等——普通人应该怎么判断什么时候该用什么工具？应该在哪一个工具上深耕？毕竟每个工具都要消耗 Token，还要付出订阅费用。
对此，我先给一个简单粗暴的建议，再给一个底层的复杂解释。
简单的建议是：你就在 Codex、Claude Code 和 Cursor 这三者中间选一个订阅，然后直接去用就行了，它们之间大差不差。Cursor 现在非常好用，集成了 Grok，也有很多便捷特性。这三个工具三选一，直接上手用，完全不用管其他的工具，百分之百不需要纠结。
如果你因为网络或环境原因没有机会接触到这三款工具，那就想方设法去搞定网络环境，你肯定是可以接触到的。如果你实在不愿意折腾，那就在国内选择一个 Agent 类的代码/工作流工具，比如 Kimi Code 或者 DeepSeek 结合相关 Harness 工具。核心原则只有一个：一定要让 AI 帮你干活，而不要只把它当成聊天框。
这样一个 Agent 工具的本质，就是我们所说的 Foundation Model（基础大模型）加上 Harness（运行底座/调度框架），这就完全足够了，你根本不需要任何其他花里胡哨的衍生工具。如果你觉得自己还需要买其他各种五花八门的套壳软件，基本上说明你用 AI 的水平还比较初级，还没有真正掌握核心用法。
这是一个必然的 AI 发展大趋势。你想想看，市面上所有其他专门用途的软件，无非也是在底层调用 Foundation 模型，再加上他们自己封装的一些东西，无论他们把这层包装叫做 Tooling、Skill 还是 Prompt。而你直接使用的顶级大模型加上 Codex、Claude Code 或 Cursor 的 Harness，其底座能力远比那些垂直软件自身的 Harness 强大得多，底层模型也不会比他们弱。因此，你使用最好的模型搭配最强的通用 Harness 去完成任务，效果一定会比那些被单独调教的垂类工具做得更好。
更重要的是，通过这种通用底座的方式，你可以把所有的工作上下文（Context）源源不断地沉淀在自己的本地，掌握在自己手里，而不会被任何单一商业工具所绑定。如果你用 Lovable、得到大脑或者其他封闭平台的工具，你的所有资产和数据都绑定在他们的生态里，未来一旦你想取消订阅就会非常难受。
Markdown、搜索与 Agentic 趋势
把所有资产放到本地，涉及到对 AI 本质的理解：绝大多数 AI 解决业务场景的问题，本质上都可以用“Markdown + 搜索”来解决。几乎没有不能被 Markdown 和搜索覆盖的文本逻辑，再配合工具层面的 API 和 SDK 外部调用（以前大家常提 MCP，现在其实都不怎么刻意强调了），所有现实问题就都能迎刃而解。
一旦你认识到所有事情都会回归到这个底层本质，你就会主动选择用 Markdown 的形式去积累你的上下文，并且用 Routing（路由）的形式帮助 AI 更好地检索这些上下文。这里的 Routing 就包括了：你怎么去编写项目的 AGENTS.md，你怎么去编写模块化的 SKILL.md，再加上为 AI 配置好的各种工具接口与认证凭证（比如把该登录的账户登录好、该配置的环境变量和 Token 令牌设置好），AI 就可以顺畅地调用工具去解决问题。这是未来的必然趋势。
当然，如果你是一个特定领域的专业人员，需要借助某些别人做好的垂直软件来提升特定环节的效率，那是另一回事。比如你是一个专业设计人员，你特别喜欢 Lovable 或者特别喜欢 Canvas 这类产品，那你完全可以去用。但如果是普通人想要深度使用 AI，订阅一个 Codex、订阅一个 Claude Code 或者订阅一个 Cursor，就能解决你 99.9% 的问题，根本不需要去胡思乱想，也不需要盲目跟风去追逐其他零碎工具。
这件事不是我们站在今天才这么说的，而是我们从 2025 年年初的时候就一直在这样呼吁。2025 年我们上线 Agentic AI 课程时，我还专门录过一期视频，专门阐述 Agent 的核心逻辑就是……
过滤外界噪音与专注核心工具
AI 的主流，我预言这个事情会在十到十八个月内被普及。我们从头到尾就是这么呼吁的。如果大家还是担心的话，我们社区里也有各种各样的深度剖析文章。我们从一开始就在社区告诉大家：RAG 不要学，LangChain 不要学，MCP 不要学。我们有非常深度的分析文章，去剖析为什么不需要去学，以及它们在什么样极其特定的情况下才可能用得到。只有在那极少数的小场景下，你才需要去使用它；不要一听到新名词就去盲目学习。比如 Fine-tuning 不要学；小龙虾（OpenDevin/Devin 类工具）火的时候，小龙虾也不要用。我当然也出过深度文章和视频，分析为什么它一定会凉，为什么小龙虾并不是一个好的产品形态等等。
我们说了无数个这中间你根本不需要去关注的东西。而且鸭哥的 Deep News 板块，每当行业出一个新事物，都会第一时间去剖析它底层到底是什么、到底好在哪里、不好在哪里、是不是真的像宣传的那么厉害。基本上，如果你真的想要搞懂底层逻辑，我们有很多深度的技术文章和第一时间的技术深度分析。
但如果你不想搞懂底层原理——我相信屏幕前百分之九十九的人其实是不想搞懂的——那你就从主流的这三个工具里选一个，花点时间把能够比较好地使用它们的路径打通。接下来你就是去使用它。而且注意，不是去使用 ChatGPT、Claude 或 Grok 的网页端对话框，你一定要使用 Codex、Claude Code、Cursor、Windsurf（Grorout / Grok Built）等开发工具形态。在这种环境下，想方设法把你手头想做的事情交代给它：“我想干这个事儿。”看看它们能不能帮你完成。只要是在电脑上操作的事情，它们基本上都能帮你干。
现在大家面临的普遍问题是信息实在太多了，而且又缺乏对认知的底层了解，只要出来一个新概念或新工具就盲目跑去尝试，这其实完全没有必要，只是一种无谓的焦虑。很多视频里其实讲过，如果我们能真正深耕一到两个核心工具，持续做下去，你就会发现整个人能沉静下来，用得越来越深入，从而过滤掉外界很多噪音。
大家之所以像草一样被风一吹就到处飘，本质上是因为没有扎下根去。其实草的根比大多数人扎得都要深，所以草不会轻易被吹走；很多人现在的状态甚至连草都不是，更像外面的蒲公英，风一吹就散了。只要你真正扎下根去，就会发现外界讲的那些花哨概念很容易分辨出哪些是噪音、哪些是真正有价值的信号。
我在自媒体相关的内容中也提到过：我们平时能看到的自媒体内容，和高质量的自媒体完全是两回事。我相信有很多人在写博客时，是真诚地想去讲解深刻的技术本质，试图寻找有穿透力的破局点。但问题在于，这类深度硬核内容很难被平台的推荐算法捕捉到并推流。一百个人产生了一百篇内容，最后绝大多数大众能看到的，往往只有那一两篇最符合人性弱点的内容——它们要么贩卖恐惧，要么利用贪婪，要么迎合人们偷懒和不劳而获的心理。所以你在信息流里刷到的，大多是放大人类劣根性的内容。
这也是我们为什么要做社区。我们不能把自己的全部注意力拱手交给算法平台。平台算法本身并没有恶意，它的机制就是这样：如果它给你推送一些枯燥硬核或者随机破圈的内容，你不想看就会直接把抖音或软件关掉，所以平台只能迎合用户。在这种环境下，你不能指望平台去做出改变，只能靠自己去改变。我能做的就是给大家创造这样一个纯粹的学习环境，但大家必须自己去发帖、自己去写作、自己去评论、自己去学习，才有可能把宝贵的注意力收拢到真正有价值的事情上。当你开始躬身实践，你就会发现噪音（Noise）和信号（Signal）极其容易判断，一眼就能看穿绝大多数人在瞎写、看出他们背后的营销套路以及具体哪里讲得不对。
实践是打破认知恐惧的唯一路径
在社区的实际学习过程中，作为观察者，我观察到很多学员从刚进来学到后面发生明显突破，最核心的区别就在于做作业。
如果从经济学分析中的要素贡献度（Factor Contribution）来看，一个方程式里有十个自变量 X 项和一个因变量 Y 项，什么因素对 Y 的贡献最大？答案就是“做作业”。做作业带来的突破是最为显著的。哪怕是我们收费两千块钱的直播课，一开始也有很多人不做作业，我们必须想方设法去鼓励大家动手。
我们在 2025 年初就提出过一个观点：“学 AI 就像学游泳，你必须下水才能学会。”但大家从小到大习惯了应试教育的模式——坐在课堂里听老师在讲台上讲，然后去完成巩固知识点、机械复述知识点的课堂作业。但学 AI 的作业完全不是这种传统作业。
这更像是学赛车、学跑步或者学打高尔夫：学赛车时你在教室里坐着听完安全须知，之后就必须赶紧下赛道去开；学跑步时你坐在那里研究人体骨骼结构没有任何用，你必须迈开腿去跑；打高尔夫也是同样的道理，所有依赖手艺和肌肉记忆的事情都是如此。学游泳光坐在那里看一万个短视频，你永远也学不会，你必须亲自跳下水去。
但动手这件事情对很多人来说确实很难，难就难在“迈出下水的那一步”。大家在下水之前本能地会觉得水很凉，哪怕你走到海边看到海里已经有很多人在游泳，你站在岸边依然会觉得水冷刺骨而不敢下去。唯一的解决方式就是硬着头皮跳下去，下水之后身体才能逐渐适应水温。
我最近经历过一个更能说明心理障碍的真实例子：我买了一个 Onewheel（独轮平衡滑板车），中间是一个大轮子，两边是滑板踏板，内部带有陀螺仪，人站在上面像踩滑雪板一样滑行。我因为操作不当摔倒还受了伤。买回来学习时，我上网看新手入门教学视频，视频里强调新手入门最关键的就是要迅速学会“双脚同时从板上跳下来”，这是最安全的制动和自救动作。因为双脚一跳离踏板，滑板车就会自动断电停住，人也能稳稳站住；如果不跳，一旦失去平衡就很容易撞车或者直接连人带车狠狠摔在地上。
按理说我知道应该去练跳车动作，但当我真正站在滑板上想要起跳时，内心感到极度恐惧。那种感觉就像让你从一辆正在高速行驶的汽车上往下跳一样，大脑会本能地预设自己肯定会重重摔在地上翻滚受伤。虽然教学视频白纸黑字告诉我这是最安全的基础动作，每个人都能学会，但我的身体和本能反应就是无法执行这个动作。
直到我把车开到了一片草地上，在速度非常慢的安全状态下试着跳了一次。结果一跳落地发现非常平稳安全，双脚踩在地上心里特别踏实，完全不是预想中那种危险翻滚的感觉。大脑一旦习惯并建立了这种安全感，我随后就可以自然地在滑板上跳上跳下了。
做 AI 作业迈出第一步也是一模一样的过程。去打开我们的 AI Coding 课程，前几章每一章都留了针对性的实践作业。我们完全是按照具体项目来带练的，不是一上来就空谈大道理，而是带着大家一起动手：先教你如何下载安装 Cursor 或 Claude Code 等工具；安装完成之后把现成的作业包发给你，跟着教学步骤一步一步去操作；操作完成后再去整理你自己的文件系统。大家只要完整跟着跑通一遍，立刻就能产生“I get it”的顿悟感。
哪怕你不买课也完全没有关系，你可以直接打开 Claude Code 或 Cursor，对它输入第一句话：“你帮我把我的这个文件夹整理清楚。”然后接着输入第二句话，告诉它你想要的命名规则和整理方式。只要多说这么几句具体的指令，让它帮你把文件处理好，你立刻就能体会到使用 AI 的那种感觉。
在给企业做类似落地部署和工作坊时，我们也发现大课培训模式基本没用。台上讲大课，台下员工每人抱着一台电脑各干各的事情，这种讲座形式就像“胎教”一样毫无实际价值。现在我们做企业服务，全部改为针对一个个微小的具体场景做实操工作坊。比如针对工厂售后部门，或者研发部门面临的“如何把 CAD 图纸高效转换成 PDF 格式”这类具体痛点，就专门针对这一个问题，引导每个人亲自在电脑上跑一遍流程。
现在大家被各种概念营销轰炸得很多，但真正把小项目跑通一次，员工跨过了“双脚离地”的心理门槛后，就会恍然大悟：原来控制 AI 帮自己干活并没有想象中那么复杂高深。如果不逼着自己跳下水迈出第一步，一个人完全可能在岸上犹豫徘徊两年也不敢真正动手。
企业的反向定位与全流程闭环
今年年初我花了很多精力去做企业培训业务，3 月份录制的内容到 7、8 月份才陆续发布。当时做了很多形式的尝试，包括大型讲座、两小时的企业内训，以及收费十万美元起、针对企业内部真实业务痛点进行深度定制的落地项目。
在这个过程中我们积累了大量的认知框架、方法论和行业人脉，但最终发现这类深度企业定制的 BD 周期（Business Development 商务拓展周期）实在太长了。对于我们的商业模型来说，过长的商务周期极不合算。因此到了下半年，我的核心精力全面转向了会员体系建设。企业培训业务直接做成了标准产品放在那里——如果企业客户非常明确自身需求并主动购买就接，或者建议他们直接团购我们的标准化课程，效果同样很好。
很多人会好奇：深入到企业内部后，会发现企业在使用 AI 时存在哪些共性问题？为什么我后来不太愿意继续做传统企业培训？
最根本的根源在于：AI 和传统企业的组织结构之间存在深刻的“反向定位”（Counter-Positioning）冲突。
所谓 Counter-Positioning，是指企业明知道某项新技术或新模式极好，但由于其现有的既得利益结构、组织形态和商业模式，导致它在客观上无法全力拥抱并使用那个更好的东西。
以商业史为例：
- 柯达面对数码摄影时，虽然数码技术代表未来，但数码相机在早期并不赚钱，而胶卷业务利润极高，所以传统组织架构很难有动力全力投入；
- 领航投资（Vanguard）推出低费率的指数基金（Index Fund），市场上所有人都知道被动指数投资长期收益更好、费用更低，但传统的主动管理型基金公司根本无法转型跟进，因为主动投资机构的核心管理费和现金流全部依赖高费率的主动管理模式；
- 谷歌（Google）刚推出搜索时，搜索体验极佳，能让用户瞬间找到目标网站并离开；而当时主流的门户网站根本不敢采用这种搜索形态，因为门户网站的盈利逻辑是把用户尽可能长时间地留在自己的页面上浏览并售卖展示广告。如果直接把用户导走，门户网站的广告收入就会瞬间崩塌。
现在的企业想要真正深度应用 AI，归根结底会面临一个无法回避的核心矛盾：如果 AI 真正用得好，企业原本就不需要雇佣这么多人。这是 AI 降本增效与庞大人力架构之间根本性的结构冲突，无论怎么粉饰都绕不过去。
我们在给企业提供咨询时，会向管理层阐述：如果一定要推动企业内部人员更好地使用 AI，通常存在两条相对可行的“快乐路径”（Happy Path of AI）：
第一条路径是确实能大幅提升个人的单位产出效率，让同一个人在相同时间内完成更多的业务量。这种模式在客服、销售等岗位上非常容易推行，因为这些岗位的本质是可以“多劳多得”或者按件计费的。客服的处理单量可以量化计件，销售的触达与转化可以量化计件。
相比之下，绝大多数知识型工作（Knowledge Work）是根本无法按件计费的。比如程序员和产品经理——程序员即便写出了两倍行数的代码，并不意味着写出来的代码更有价值，甚至往往适得其反。大多数复杂的脑力协作劳动无法进行简单的计件度量，但在客服这类可计件的标准化岗位上，AI 提效的阻力是最小的。
第二条路径是尽可能在业务条线中构建“端到端的完整闭环”，让一个小团队甚至个人全流程对最终的业务结果负责。只有全权负责结果，AI 驱动的运转飞轮才能真正加速。
如果业务链条中存在割裂，只要有一环不归该团队负责，效率就无法体现。一个商业逻辑要想跑通赚钱，必须经过四个关键环节：
- 提出问题
- 解决问题
- 分发
- 变现
如果这四步闭环被打碎、交由不同部门割裂负责，AI 赋能就会彻底失效。比如一个能力极强的程序员，他能够敏锐地提出问题并用代码解决问题，但他完全不负责产品的分发推广，那么他写完代码之后就无法追踪实际市场效果，代码写得再好也无人问津；又或者内容和产品通过分发推广出去了，但缺乏有效的变现路径最终赚不到钱，整个商业链路同样跑不通。只有将这四个环节整合为自负盈亏的完整闭环，组织才能真正发挥出 AI 的最大效能。
业务中的小闭环与端到端交接黑洞
你想办法在自己的业务里面建立一张小闭环，这个时候 AI 绝对可以帮你干得很好。除此之外，只要这中间——你看我刚才说的这四步，而且四步里面每个拆解你都有。我去写一个周报，这完全是 fake work。写周报是为了给谁看？给那个人看，对吧？那个人要看，那个人看了以后他要做行动；他做了行动以后他要干嘛？他要去把问题解决，对吧？
这里面只要不转起来，所有的交接过程全都是 AI 提效的大黑洞。你通过 AI 提效了，只要中间一交接，全部被吸收掉了，就没有任何意义了。所以说必须要完整的闭环，一定要完整的 end-to-end。
这个其实是我一开始在跟抖音聊天时意识到的事情。当时抖音有一个 CEO 办公室直属的组织部跟我聊天，他们会说百分之多少的 end-to-end。我就跟他们说，你必须百分之百才叫 end-to-end；如果百分之九十九，那就是没有 end-to-end。因为 end-to-end 是所有事情的起点，它不是一个终局。你只有构建了 end-to-end 这个闭环，你才有可能利用 AI 使劲往前转。
孵化新团队与组织提效的误区
第三个方式，就是你可以起一个团队，起新业务，然后新业务完全交给他们去做，自己去创。相当于你变成了一个 incubator，你相当于变成了一个孵化器，这样也是可以的。
但是不要指望说你现在有一个组织，这个组织里的每个人都使用 AI，都变得更有效率了，每个人都提效了十倍，然后整个组织提效两倍——这是不存在的。
之前有些千万团队有分享，讲所谓 AI native 这种原生组织怎么去搭建之类的。如果听课代表这么讲，这部分其实是完全不一样的。
为什么你从我这儿听到的是一个完全不一样的逻辑？因为那些分享的人——我有朋友在腾讯研究院，像小辉博士，还有羽仪，他们都是很有 AI 实践的人，都做得很好，他们自己本身也很好。但是他们的身份有一个限制：他们是在大厂里面工作的人，出来也是跟大厂合作的人。所以他们没法去说这句话，或者说他们意识不到这个 solution 存在。因为这件事太可怕了。
我刚才 basically 说的就是：你把所有人都开了，然后从头来。这是最合理的路径。但这个 solution 对大家来说是不存在的。所以我为什么说 AI 和雇佣制是一个 counter-positioning。你明明知道 AI 更好，但是你就是没有办法去用它，因为和你现在所有的东西都是抵触的。你想去使用 AI，先要把自己革命掉；你要先愿意放下腾讯 AI 副总监三百万以上的年薪去开个餐馆，你能做出这个选择之后，你才有可能去意识到真正的 solution 是在哪里。
AI 原生商业模式与孵化机制
如果干脆抛弃原有模式，起一个新的业务团队，那它的商业模式是不是跟传统的商业模式也不一样？在 AI 时代，AI 原生商业模式应该是什么？
AI 原生商业模式大家肯定还在探索之中。但我刚才用了一个词叫 incubator（孵化器），而不是“我的子团队”。什么叫 incubator？就是你的 upside 你来收获，我在这里面收获一个固定的比例。比如你自己做这件事起不来，我可以给你资源，我可以给你分发，我可以给你一定的时间，我可以给你投资，我可以给你配人等等。但是前提条件一定是：这件事做好了，超额收益你拿，而不是我拿。这是 incubation 的本质。
我可以拿一个有 cap 的超额收益。比如说我最多拿到四倍，四倍以上你拿；或者四倍以内咱俩平分，四倍以上你全拿；或者四倍以内咱俩平分，四倍以上你拿百分之八十之类的。总之，就是这件事做得越好，你的收益越大，这是在我看来最重要的一个激励机制。
不然的话，你想想这个事是什么？我们刚才说 counter-positioning 还有一个原因：所有的雇佣制都是买你的时间，给你付同样的钱，upside 全都归我，超额收益全都归我，然后我给你一个固定的钱。那大家自然而然没有什么动力去做超额收益。或者说我做出来超额收益，我给你做出来一百个亿的业绩，能分给你一千万就了不起了，那就是大大大富的老板了。剩下的那些超额收益全都是贵公司的。
大家之前接受这件事，是因为我离开了也没有什么别的办法，或者说我一个人做不出来那么多超额收益，必须是很多人分工。我没有办法说三个人就能给我做出来一百亿的业绩，这不太存在。如果能做出来，一定是他依托了我本来的东西，做了一小点的改动，你不能把这一百个亿的业绩算到这一小点的改动上。
但是 AI 不一样。AI 可以让一个很小的团队去做很多的事情，去得到——也许不是一百亿，但他可能是一个几千万、大几亿的收入。那这个时候他有什么动力去做呢？如果他能做出来，他为什么要在你这儿做呢？你就要首先设计好对应的激励机制，然后再给他对应的资源配置。
你就变成了一个天使投资人。要么你是一个 VC，你可以接受高回报但小成功率的东西；要么你是个 PE，你可以接受稳定回报但是倍数不是那么多的事情。但总之你要变成一个投资人的心态。想想你有什么东西可以投资给员工：不光是钱，你的品牌也可以投资，你的时间也可以投资，你的其他调配资源也都可以投资，你的分发渠道等等都可以投资，你自己掌握的一些流量也可以投资，这些还是存在的。
团队角色构成：Builder 与 Architect
如果用 AI 的方式，这种小团队应该由什么角色来构成，或者应该怎么搭？
我曾经写过一个 AI 原生的组织形态。硅谷这边的做法是两个角色：一个 builder，一个 architect。但是那个 builder 他不是一般的 builder，他是海盗（pirate）。你就是一个海盗，你就往前往前冲，去看看这个能不能干，想方设法来拿结果。在拿结果的过程中肯定是各种不稳定的，你什么东西都没管；architect 在后面给你把拿到结果的这些东西固定起来，达成更好的结构，帮助你往前走得更远。
过去我们的分工其实是按照专业分工的。专业分工是因为一个人不能既懂 B 站，又能做网页，又能去设计后台系统，又把账算清楚，又能天天开会。现在不需要了。所以专业分工是一定要打破的。
你可能有一些专业的特长，这些专业特长你要么可以去找 AI 解决，要么你可以自学，要么你可以去找别人用雇佣或项目制的方式去解决。或者你觉得真的就这么重要，那行，把他招进来作为一个核心团队。比如说我的产品就是以 taste 见长，我不懂 taste，我去找这个有 taste 的人。
但我不觉得我们还是应该按照专业去配这个团队，而是应该按照他是干什么的：他是一个特别有冲劲的人，才能去冲；他是一个有系统性思维的人，帮他去系统性思考。大概是这样。
这就是用特质（traits）而非专业（expertise）来构建团队。我们要用特质去构建团队，而不是用专业去构建团队。
传统岗位边界与激励机制的冲突
现在很多时候，比如在企业端做市场的人，AI 用得好的人其实已经承担了非常多的能力。很多时候我们说那你可不可以 share 一下，其实他已经慢慢触碰到刚才说到的那个边界了，已经超出核心的工作岗位和角色了。但是一旦说那你能不能再多做一些，他就会开始想：为什么我要多做？
这非常正常，就是机制冲突。现有的机制是不鼓励他多做的。如果你现在跟他说，你多做了，你现在干掉一个人，我就把那个人的工资百分之九十给你，你看他一瞬间能给你干掉一百个人。超级个体加上 AI 绝对是能干掉很多的。这个人的活你能不能干？能干的话分你一半钱，然后把那个人开了，你看他能不能干？他绝对能干。
表演性工作与考核逻辑的弊病
如果学 AI 的真正差距不在于知道多少概念，而在于能不能把任务推导出真正产出的结果，那这些具体能力放到企业里面，哪一个会更难落地？是人的能力问题还是组织结构的问题？
把工作变成结果，缺的是什么？缺的是真本事。
为什么这么说？前段时间我在社区里面发了一个活动回放，那个回放是 AI 给我起的标题，起得很好。我给浙大和华中科技大等学校的校友会做分享，反响也不错。我说了蛮多点，包括怎么做自媒体等等。AI 最后给我找了一个标题，叫做“能做这么多 fake work 但是还能赚这么多钱，绝对是历史上的短暂现象”。
这是什么意思呢？我们在大厂里面做的绝大多数的事是向人汇报，是表演性工作。
为什么呢？首先我们踩在了时代红利上。中国这三十年积累了发达国家两百年的财富，而互联网又是人类历史上最快积累财富的方式。所以这些公司先有了一个赚钱的业务，然后整个公司变得蛮赚钱的。
在赚钱的情况下招人，这里就有一个经济学上叫 principal-agent problem（委托代理问题）。所有的中层包括老板都是希望招更多的人，他们升职加薪最好的方式就是招更多的人，所有的人都会招更多的人。哪怕招了更多的人我就少干点活。所有人的激励都是招更多的人，而且这些人是按照工时来付钱的，而不是按照实际贡献来付钱的。
虽然我们打造了各种各样的考试体系、升职加薪，仿佛在考核你的贡献，但其实这个东西它是一个 proxy（代理指标），是一个侧面指标，它不是真正的结果。
在这种情况下，这是整个背景和结构。我们每个打工人被训练出来的，是怎么样子把我的工作汇报好、老板满意，同事们觉得我干得很辛苦、天天在加班，觉得我是一个好的打工人，我能解决问题。老板给我一个问题，我马上就能解决它，这是我的价值所在。我觉得我很厉害，专业能力提高，我能解决别人解决不了的问题——全都他妈是考试，全都是考试逻辑。
缺乏闭环反馈与寻找真正做事的人
这些东西没有一个是回到我刚才说的出题、做题、分发和变现。在大厂里只解决了“做题”这一环，而且做的题大多数都是假的题。老板说你来做个汇报吧，然后你做个汇报，这个方案的结果你真的知道是什么吗？你真的能站在一个运营的角度去把它拿到结果吗？
市场给你反馈了吗？因为我们知道所有的方案全都是错的，一到市场上百分之百全都是错的。这个时候你真的接受到这个反馈了吗？你真的知道错在哪吗？你知道怎么根据结果迭代一百版，然后拿到一个可能好两三倍的结果吗？
这些都没有，我们是没有这个训练的。所以我们这一代人是被这样错误地培养出来的，就是没有真本事。
第一步，你得先找出来这种愿意去看到价值、愿意从价值出发去思考和做事的人。这些人很有可能过去是被埋没了的。因为他会觉得做这件事有什么意义，会说老板在给我搞一些没有意义的东西，同事天天在那干嘛。他们不理解，因为他们会觉得：我来这不是为了帮你赚钱的吗？为什么你完全不让我来帮你赚钱，让我去搞一些表演的东西？内心会有这样的纠结。
我觉得得把这些人发现出来，然后像我说的那样，用一个投资人的角度，容忍一定的失败率，不断找到一个更正确的策略去把这件事给做好。这种人其实还是挺容易看出来的。
咱俩都是 INTJ，出现这种人格在打工时就会很痛苦，打工打得就很痛苦。刚才特别触动我的点就是 fake work。
职场中的 Fake Work 与即时决策的价值
现在 AI 工具虽然已经普及，但在很多公司里，AI 生成的汇报、方案、会议纪要铺天盖地，业务结果却并没有真正跟上来。大家口头上都在说要“做点真东西”，甚至把它当成品牌最大的主张与口号，但实际上职场中有太多时间被浪费在虚假的工作（Fake Work）上。
回顾在 Facebook（Meta）的工作经历，可以更清楚地看到这一点。在此之前在亚马逊工作时，工作模式基本是博士学术训练的延伸。因为身处 Scientist 组，每次要做一个项目，流程都像在写一篇学术论文：明确数据来源、阐述 Methodology（研究方法论）、开展实证分析、验证分析结论是否可靠，最后形成一份 Recommended Solution（推荐解决方案），像模像样地提交给产品团队。产品团队评估后认为方案可行，推进功能上线，整个流程看起来非常严谨、完美。
后来加入 Facebook，当时的管理者看中了一些特质并破格录用。入职后被分配了一项非常重要的核心任务：当时整个 Facebook Marketplace 正准备发力做电商业务。电商大老板（整个 Facebook Commerce 的负责人）极力主张推进电商，但在公司内部面临不少反对声音，因此急需拿出亮眼的电商业务成绩来证明方向。为此团队搭建了核心班底来攻坚电商交易。
业务上线后，管理层高度关注实际效果。当时恰逢感恩节——美国全年最大的购物季（Shopping Season）。管理层核心关注的问题是：感恩节过去后，电商业务到底表现如何？由于团队投入了一笔资金对电商进行补贴，这笔补贴的实际转化效果如何？去年同样投入了补贴且反馈效果一般，那么今年的补贴策略是否取得了更好的成效？
老板找到并提出要求：“你把这个问题解决一下。”当时按照在亚马逊的工作习惯以及自身的经济学背景，第一反应是要做因果推断分析（Causal Analysis），建立计量模型，甚至跑一个随机森林（Random Forest）模型进行归因分析。考虑到 VP 级别的高管要审阅，分析必须严密且经得起各方推敲。在亚马逊完成类似深度的分析通常需要一个月，而在 Facebook 凭借较好的数据基础设施，预计两周能够搞定。心里做好了两周的规划，便向老板回复会尽快完成。
结果仅过了一天，老板就来询问进展：“做好了没有？”当被告知正在搭建模型、需要两周周期时，老板直接把人叫到工位前，当面打开 SQL 工具提取关键数据，把数据复制粘贴到 Google Sheets 中进行简单排版，提炼出几条核心 Notes，在半小时之内直接发送出去。报告内容非常直接：列出去年的数据、今年的数据、同比百分比的变化，以及几条关键观察结论。随后在 Facebook 内部协作工具上直接 Tag VP 并进行 @ 汇报。VP 看到后随即在下方回复评价：“分析得好，分析得好。”
这个经历让人瞬间明白：必须认清管理层当前真正要的是什么，以及他们当下要做出的具体决策是什么。管理层需要的是在当下快速拍板决策，如果两周之后再拿出一份极其严密的高级分析，该决策窗口早已关闭，这份分析在业务上也就不再具备实际意义。
后来由于前期的分析分析框架已经搭建完毕，依然顺着高级方法完成了一套完整的分析报告，最终整理出了一份长达三十多页的 Notes 并在内部发布。然而这份三十多页的报告最终阅读人数不足十人。期间有一位工程师非常友好地从头到尾读完了全部三十多页，并给出反馈：“你做得非常扎实（Solid），但能不能告诉我接下来具体可以干嘛？”面对这个问题，作者发现自己完全给不出落地行动建议。那一瞬间充分意识到：这份耗费大量精力写出的三十多页分析报告本质上就是 Fake Work，缺乏实际业务承接价值，本就不应该做。
后来回到腾讯也发现类似的现象：内网许多高级数据科学家产出的各类复杂模型和分析报告，很多本质上也是无实际业务落地的 Fake Work。这种现象在大型企业中根深蒂固。
AI 对无效工作的放大与价值信号的贬值
这引申出一个核心问题：AI 到底是在帮助企业消灭无效工作，还是在进一步降低无效工作的制造成本？
从演进路径来看，AI 对无效工作必然呈现“先放大、后减少”的趋势。
当大家刚接触到 AI 工具时，最普遍的应用之一就是生成“AI 周报”，这直接加快了 Fake Work 的生产速度。原本两百字的工作汇报，利用 AI 可以迅速扩写成两万字；而管理层面对庞大的周报内容，又只能借助 AI 进行提炼，把两万字重新压缩回两百字。
过去的企业机制在客观上往往会奖励 Fake Work。之所以奖励 Fake Work，是因为在过去，员工投入的时间和精力成本（Input）是衡量产出质量最直接的代理指标（Proxy）。很多管理层自身缺乏穿透本质、直接判断哪套方案最符合第一性原理并能带来实际业务结果的专业判断力。在这种情况下，管理者衡量工作质量的依据往往退化为：谁花的时间多、谁的工作做得更细致。
例如一个 VP 要求下属十位业务负责人提交一份调研报告。其中一位负责人花费一天时间完成调研，交付了一份简短简陋的结论；另一位负责人耗时一周，反复访谈大量人员，投入预算甚至引入咨询公司协助，最终交付了一份长达一百页的精美 PPT。在无法直接判定哪份调研更具实质价值的情况下，管理层往往倾向于认为第二份报告更优。在过去，产出精美报告的信号成本（Signal）非常昂贵，需要投入大量时间、人力与脑力，因此被普遍用作质量指标。
然而随着 AI 的普及，精美 PPT、PDF 报告、详细周报以及交互式网页的制作门槛被大幅拉低，产出这些内容的成本变得极其廉价。在初期阶段，由于并非所有人都熟悉 AI，初次看到精美汇报尚存新鲜感；但当类似内容反复出现十次以上时，管理层便会意识到形式的廉价，要求直接展示有用的核心业务内容。精美的包装不再被视为有效的质量信号，无效工作的生产泡沫在经历前期的快速放大后，最终才会逐步走向消亡。
内容注意力机制与电商场景下的 AI 规模化策略
在内容创作与电商业务中，AI 的逻辑与企业内部协同存在显著差异。
内容传播的核心逻辑是争夺用户的注意力，而注意力在很多场景下并不单纯由内容品质决定，而往往取决于分发数量与曝光概率。除非创作者已经完全掌握了爆款内容的底层密码（例如顶级博主 MrBeast 或影视飓风，他们能够精准把控流量关键点，每次出手即是大爆款，因此不需要依赖 AI 进行海量粗制滥造），否则对于绝大多数普通电商商家而言，自身并不知道如何稳定产出高质量爆款内容，过去仅受限于高昂的内容制作成本。
在传统的生产模式下，电商商家提高单张图片的质量缺乏性价比。普通美工一天可产出十张常规图片，而高水平美工一天可能只能精修三张，商家权衡之下往往选择维持十张的基准产能。而引入 AI 后，商家不仅能够实现单日产出一万张图片，还能通过不断迭代工作流和模型能力来提升图片质量。
在消费端，消费者能否准确识别 AI 生成内容并且不再被其吸引，属于一个长期的人脑认知演化过程，周期可能长达数年。企业内部识别 Fake Work 的链条相对较短，而外部消费市场的认知迭代要慢得多。因此在当前的过渡阶段，对于电商商家而言，最具商业合理性的策略就是抓住时间差，大规模利用 AI 批量生成图片，并通过精细化运营确保自身的 AI 图片品质优于竞品。
管理的本质诉求与人际消耗的现实困境
在团队管理层面，管理个人与管理 Agent 存在本质区别。
在大厂担任总监期间，管理工作本身能够被高效完成，但个人在情感上并不享受管理过程，甚至将其视为一项纯粹提供的职能服务（Service）。在管理认知上，员工与管理者之间本质上是各取所需的专业合作关系，并不认同需要对下属的个人成长承担无限责任。下属若获得更好的外部发展机会应当鼓励其追求，管理者也无需在职责范围之外进行额外的情感与保姆式付出。
在大厂做管理最耗费心力的部分并非业务本身（“事”的处理通常清晰且充满确定性），而是复杂的“人”的诉求与情绪消耗。
例如在早期的广告推荐系统项目组（如 AG 系统），由于业务调整，整个系统项目面临被整体裁撤。当时的业务总经理（GM）顶着巨大压力，将项目被砍的全部组织责任自行承担下来，管理团队则在背后极力为团队成员争取后续的业务出路与有价值的方向。由于算法团队此前习惯于在原有封闭平台内刷指标、做 Fake Work 并沉浸在打怪升级式的成就感中，面对项目调整带来的巨大不确定性，部分新招募的算法工程师反而产生严重心理落差，抱怨分配的任务缺乏技术光环，对管理层承受的兜底压力与背后协调完全无法感知。
类似的案例还包括校招入职的优秀毕业生（如名校硕士毕业生），在面临职场压力时多次找管理者哭诉，感叹人生艰难、毕业后得不到喘息空间。面对此类员工的情绪宣泄，管理者的内心真实感受是无法也不应为他人的整个人生负责，但受限于组织管理职责，仍需投入精力进行心理疏导，并为其调整至确定性更高的工作岗位协助其过渡。
这种不得不处理大量非业务本身的人员心理与情绪诉求的过程，构成了传统团队管理中最主要的消耗来源。
INTJ 视角下的 AI 协作与人际沟通
用 Agents 就没有情绪内耗的问题。如果 Agents 做得不好，直接指出问题，甚至有时候心情不好直接批评它，也没有任何负担。作为 INTJ，之前在抖音上刷到一个视频，里面几个老头聚在一起讨论，其中一人困惑于为什么自己明明只是在就事论事，对方却觉得是在搞人身攻击。作为一个 INTJ，完全无法理解对方为什么会有这种被攻击的感受。
但是跟 Agents 沟通就不会出现这种情况，Agents 绝不会认为这是在对它进行人身攻击。平时的沟通习惯本来就是就事论事，大家就事论事把问题解决掉，过程非常痛快开心。所以从 INTJ 的性格特质来说，使用 AI 协作确实感到非常爽快。
团队内部基于 Agents 的协作层级与实践案例
在一个小团队内部，如果大家已经能够达到相互协同的状态，目前存在着更高效率的协作方式。具体的协作形态主要取决于团队成员之间的配合程度以及各自的技术水平差异。
前段时间与鸭哥（Yage）协作落地了一个会员线下领书系统，这个案例之前也在社区里分享过。该系统后台逻辑相对复杂，但前台交互非常轻量：用户只需要在现场扫一个码，如果验证确认具备会员身份，界面上就会展示一个带有当天时间倒计时的屏幕（countdown screen）。用户只需要把这个倒计时界面出示给前台工作人员看，前台核验后直接发书，整个流程对于前台和用户而言极其简单。
但在后台层面，系统需要处理较多逻辑，例如验证该用户到底是不是会员、之前是否已经领过书等状态校验。其中，整套会员权限系统由鸭哥负责，而领书的前端应用则需要单独开发。为了实现这个功能，需要让鸭哥在后台系统做相应的接口配合与鉴权验证。
当时的具体协作流程是：直接把需求告诉自己的 Agents，让 Agents 完成所有相关的开发工作，并把需要鸭哥配合的事项完整列出，然后让 Agents 直接给鸭哥发送一封详细邮件。鸭哥那边的 Agents 收到邮件后，解析出需要完成的任务并给鸭哥进行确认审核。鸭哥审核确认之后点击同意，随后把所有所需的数据与凭证回传。
在凭据交互方面，所有涉及的敏感凭据（credential）全部通过 1Password 处理。利用 1Password 的机制，既能确保明文凭证不会暴露在日常对话流中，同时又能让双方的 AI Agents 正常读取并存储到相应的安全位置。在整个项目过程中，由于鸭哥当时正在国内休假，双方甚至没有在微信上就这个项目交流过一句话，全靠双方的 Agents 配合与异步审批，就顺利把整个前后台交互极为复杂的系统完整上线了。
由此可以总结出团队协作效率的几个清晰层级：
- 最高效率模式（Agent-to-Agent）：Agents 与 Agents 之间直接完成大部分上下文传递、数据交换与接口调试，人类只需要在关键节点进行轻量确认或对齐。
- 次优模式（Human-to-Agent）：自己的 Agents 把所有底层准备工作与结构化内容准备好，提炼出需要跟对方沟通的内容，由自己告知对方，再把对方的反馈复制粘贴回给 Agents 继续处理；更理想的状态则是协作方能直接与这套 Agents 进行人机交互。
- 低效模式（Human Intermediary）：自己的 Agents 跟自己对话，自己充当人工搬运工去跟另一个人交互，那个人反馈之后自己再转述给 Agents。
尽管目前团队整体的沟通推进速度已经很快，但中间依然存在不少由于人工中转导致的效率损耗。在未来的协作体系中，最具生产力的方式无疑是 Agents 之间的直接通讯。
创业者与管理者的时间分配：告别虚假工作，聚焦分发与交付
当 AI 接管了管理者大部分的日常执行、协调和中转工作后，管理者和创业者省下来的时间应当投向核心业务。
管理者的角色可以分为两类：一类是大厂里的中层管理者，另一类是真正承担业务责任、Own 整个业务的创业者（Founder）。对于大厂里的中层管理岗位，其传统职责往往就是信息的上传下达和层层翻译，在过去的组织架构中可能具有一定价值，但本质上全都是虚假工作（Fake Work）。此前与杨天楠录制视频时也深入讨论过 Fake Work 的话题，大家在大厂中台担任中层时都有过类似的体会，非常厌恶那种仅充当信息中转站的工作，这种岗位随着组织升级本身就不应该继续存在。
对于真正的创业者和业务 Owner 而言，核心任务就是去拿业务结果。在拿结果的过程中，最理想的状态是尽可能少说废话，把精力集中在解决业务链条中必须攻克的难题上。创始人最应该死磕的两大核心命题就是分发（Distribution）与交付（Delivery）：
- 关于分发：想方设法让自己的产品、业务或内容被更多精准人群看到。
- 关于交付：想方设法提供更优质的产品来切实解决用户的问题。
创始人最应该做的是把分发和交付沉淀为自动运转的系统，而不是每一次交付都需要创始人亲自打十个电话去人工推动，应当让交付以更自动化、系统化的形式去完成。分发也是同样的逻辑，比如近期亲自去抖音整理视频切片（虽然单次收益看似不大）、去打通小红书相关资质等，所有这些动作都是为了搭建更完善的分发网络。
AI 时代的企业家精神：从 1% 到 100% 的 Agency 与审美决策
虽然利用 AI 可以辅助构建分发系统，但“做分发”这项核心决策与推动本身只能由创始人亲自完成。
以电商业务为例，利用 AI 可以一键批量生成大量商品图片、一键上架成百上千个 Listing。但这套 Listing 批量上传完成后，它是否发挥出了该产品 100% 的销售潜能？显然没有。很多时候它仅仅发挥出了该商品潜在价值（Potential）的 1%，因为每一个品类里，往往都存在销量比普通产品好上 100 倍的超级爆款。
如何把一个产品的潜力从 1% 提升拉满到 100%，这正是创始人的企业家精神（Entrepreneurship）所在。所有创始人最核心的特质，就是在别人只看到一个平平无奇的 Listing 时，你能敏锐洞察到它背后还有 100 倍未被释放的潜力。
从 1% 到 100% 的跃升过程，需要创始人自主地去思考、去强力推进，这就是所谓的主观能动性（Agency）以及品味（Taste）。判断这个方向好还是不好、这个策略是否值得尝试、那个切入点是否应当迭代，AI 可以为任何问题提供海量的答案与方案，但它无法替人类做出真正的战略选择。只要更换一段 Prompt，AI 就能立刻给出一条完全相反的建议路径。归根结底，因为是创始人自己的资金与事业，必须由创始人亲自做出选择、推进落地并承担所有最终后果。
AI 最擅长的是“解题”，无论多么复杂的数学题或技术难题，它都能快速给出解答；但“出题”的权利和责任在于人类。如果人类不给它定义有价值的目标，AI 即使能给自己出无限多的题目、解无限多的题目，对实际商业也毫无意义。
国内 FDE 市场的现状分析与商业真相
关于前沿部署工程师（FDE，Forward Deployed Engineer）岗位的讨论，从今年五月份开始招聘热度显著提升，市场注意力似乎也从 C 端重新回流到了 B 端。针对国内的 FDE 现状与发展前景，需要结合商业逻辑进行透彻拆解。
国内的 FDE 概念在很大程度上存在“伪命题”的成分，虽然存在细分机会，但整体空间受限。根本原因在于国内企业级市场（To B）长期缺乏为虚拟资产、专业技术服务以及 SaaS 软件持续付费的商业习惯。
这一判断源自对国内市场的长期观察：2021 年刚回国时，美国市场上的 PLG（Product-Led Growth）和 SaaS 企业估值处于历史高位，当时与大量国内 SaaS 及 PLG 创业者进行了深入交流，但后续在国内几乎没有跑通的成功案例。刘润与吴军的访谈中也曾提到过一组典型数据：微软中国在装机量上可能是全球最大的区域之一，但其产生的实际收入占微软全球总收入的比例不足 3%，绝大部分都在使用盗版。国内缺乏成熟的 Enterprise（大型企业服务）付费生态，导致整个 B 端软件服务市场没有足够大的蛋糕。国内的 FDE 缺乏足够丰厚的软件服务订单基础，整个市场容量可能仅仅是一个很小的 Cupcake，甚至大型企业往往倾向于自己堆人力解决，而非采购外部高溢价服务，因而在国内并不是一个高利润（lucrative）的赛道。
在这种背景下，国内关于 FDE 的讨论之所以依然高涨，主要原因包含以下两点：
- AI 落地确实存在显著 Gap：大模型技术与实际业务场景之间确实存在很大的落地鸿沟，企业渴望填补这个差距。但企业“想解决 Gap”并不等同于“愿意为解决 Gap 支付高额服务费”，甚至极易出现“白嫖方案”的现象——国内部分企业往往打着采购采购的旗号与服务商深入交流数轮，获取到所需的思路与方案后便自行内部实现。
- 岗位 Title 的包装与重塑：从招聘与人才获取角度看，传统的“解决方案工程师（Solution Engineer）”、“客户成功工程师”或“驻场工程师”等岗位名称对优秀人才的吸引力逐渐下降，甚至连客服类支持人员也不喜欢传统 Title。将岗位名称重新包装为 FDE 之后，在薪资预算不变的情况下，凭借一个更具技术前沿感的 Title，往往能让招聘方和求职者都更满意。
国内可行的 FDE 发展路径：咨询重塑与收购退出
尽管通用企业服务市场受限，但在国内依然存在一部分能够跑通的商业路径：
国内存在一定规模的企业咨询服务市场。正如之前在 BCG 的实习经历以及市场上百万年薪级别咨询顾问的存在，传统企业在战略咨询、4A 营销咨询等板块依然具备明确的付费预算。这部分市场虽然整体规模不算庞大，但确实具有稳定的盈利空间，且拥有支撑 FDE 高单价支出的支付能力（Spending Power）。
基于这套逻辑，新加坡某基金总裁曾提出过一个极具可行性的商业推演：在国内从事 FDE 业务的团队，最实际的终局路径之一是奔着被顶级咨询公司收购（Acquisition）去规划。即团队所打造的 AI 落地能力和服务的客户群体，与头部咨询公司（如 BCG、麦肯锡、罗兰贝格等）的核心客户产生高度重合，通过证明自身在特定场景下帮助客户落地 AI 的交付能力，最终被传统咨询巨头收购以补充其数字化和技术实施能力。
相比之下，美国的企业级软件市场则截然不同。在美国，类似 Datadog 这样的企业级软件订单金额往往可达上亿美元，在庞大的软件订单支撑下配置高薪 FDE 是极其顺理成章的商业模型；而国内由于缺乏高客单价的软件订阅合同，单纯靠人力外派变现很难走通美国式的 FDE 路线。
咨询业务定位升级与国内外 FDE 实践差异
针对传统做咨询的团队是否应将 FDE 视作“第二曲线”，实际商业定位应当更加务实：
当前“咨询”这一词汇正在逐渐被年轻市场和技术前沿领域所淡化。因此，将传统咨询业务全面重塑（Rebrand）为 FDE 是一种极其聪明的商业定位策略。
但在具体业务执行上，绝不能生搬硬套国外的模式。在海外市场（例如与 Joff 的访谈中所探讨的），标准的 FDE 往往需要能够直接深入到客户的核心生产环境修改 Production 代码——他们依托一套 AI 基础软件平台，由 FDE 深入前线修改核心代码并持续丰富产品功能。但在国内市场，要求 FDE 直接去修改客户生产环境的核心系统（例如修改 Workday 级别的核心业务代码）是不切实际的。
国内团队不应照搬国外的代码级交付路径，但应当充分借助 FDE 这一概念的热度。市场之所以关注 FDE，核心痛点在于大模型在具体业务中的落地难度极高。因此，团队应当打着 FDE 的旗号吸引市场注意力，扎实帮助客户解决大模型落地难、应用效果差的真实问题。在对外定位上，坚定地自称为 FDE 公司而非传统咨询公司，反而更容易吸引那些认为传统咨询模式陈旧、渴望尝试新技术解决方案的高价值客户，从而帮助团队构建起比传统咨询更高级、更具壁垒的商业模式。
硅谷 FDE 的演进趋势与行业终局探讨
关于 FDE 角色在硅谷的终局与发展趋势，行业专家徐老师曾给出过明确的研判预测：
- 2026 年：FDE 属于前沿热词，市场上普遍会讨论“团队要不要招一个 FDE”；
- 2027 年：市场认知将发生根本转变，FDE 将成为科技公司的默认基础设施配置（Default Setting）。届时行业不再会问“为什么需要 FDE”，而是会质问一家技术公司“为什么居然没有配置 FDE”。
关于这一角色的长期终局，以及众多垂类 AI 软件公司未来是否会进一步整合（Consolidate）收敛到由 OpenAI 等头部大模型公司所主导的生态当中，仍是整个行业正在持续演进的核心议题。
AI 大洪水时代下的造船逻辑与终局判断
AI 是否可以取代所有的软件公司？这我不知道，我没有确切的答案，我觉得不好说。我的比喻是：AI 是一场大洪水。面对大洪水，如果你学会了造船，你就可以顺着水势水涨船高；但如果你面对大洪水依然还在用造楼的方式去应对，那一定行不通。
这是我前段时间跟韦小亮老师聊天时的核心观点，后来我也把这篇内容整理发在了社区里。如果他去从头做 fine-tune 搞自己的专属模型，或者去搞自己的 harness、做自己的 wrapper，我觉得这些方向都不好。相反，他可以牢牢站住自己的教育场景，想方设法将 Codex 这类顶尖能力作为底层支撑。在底层之上，他可以帮助用户沉淀和积累上下文。教育场景里有很多优秀的老师，他可以让这些老师的知识、技能和经验融入进来；他可以帮助用户测试不同的 harness 和模型在各种具体场景下的表现，筛选出最好的方案交付给用户；他还可以基于用户过去积累的完整 context，主动向用户提出针对性的分析，指出哪里的知识存在 gap、后续需要如何提升和补齐。
通过这种方式，底层模型变得更聪明不仅不会让他的业务消失，反而会让他的教育场景变得越来越有价值。这是一个具体的案例。总之核心原则就是：你不能继续用造楼的方式去应对，你必须学会造船。如果一家公司本身具备造船的能力，那么它的 FD 必然是非常有价值的，这是我对行业终局的判断。
国内竞争环境、价格战与议价能力
回到国内市场，我很难做出乐观的判断。我当时选择出海最重要的一个原因，就是觉得国内处于一个过于通缩的商业环境。大家都在陷入价格竞争（compete price），所有环节都在卷价格，导致没有人能够真正赚到钱。没有人赚钱、没有超额利润，整个经济生态其实是在萎缩的。
很多人可能觉得“超额利润”是一个贬义词，但对于学经济的人来说，超额利润是一切经济增长与发展的源泉。企业如果没有超额利润，拿什么去投入研发做创新？怎么给员工发合理的工资和完善的福利？员工没有收入，又拿什么去消费拉动经济？在国内做 FD 的人肯定有非常深切的体感：不管你提出什么创新方案或产品，客户的第一反应往往是拿去比价，满市场去找一个看似更便宜的替代方案。在这样的环境下，我实在不想去参与无休止的价格内卷。
国内很多从业者也是吃一堑长一智。以前去跟客户聊方案，会毫无保留地把完整的全套方案直接给到对方；结果方案拿走之后，客户转头就拿着方案去找更便宜的外包或者供应商照着做。所以现在如果聊得还可以，通常只给一部分售前框架。最近在抖音上刷到清香大师的内容，他提到自己在珠三角连续吃了三次亏：第一次是过去跟对方聊完，方案直接被白嫖骗走，之后啥都不管了；后来他立了规矩，要求客户必须先付差旅费，结果付了差旅费老板依然把方案套走；再后来要求必须先交定金，交了定金老板还是照样套走方案；最后实在没办法，只能定下规矩必须提前全额购买，就像买车一样，先把款项全额拍下来，然后再开始启动制作。
但这背后的根本前提依然是定价权（pricing power）。为什么他敢要求客户提前付款？因为他是市场上真正的稀缺资源。如果你能把自己的分发渠道做好、把实际的交付品质做好，成为一个无法被轻易替代的稀缺资源，你才会在商务合作中拥有更大的议价权。
寻找适合自己的船：不用造航母，用 AI 放大自身行业优势
我们现在确实是在海面上建造船只。对于普通团队和创业者来说，到底造什么样的船、走什么样的方向才是值得做的？其实什么船都值得做，能造出一艘船就已经很不错了。比如我做 Superlinear 社区，做这么一个小破船，我觉得就非常值得做，我也从没想过去造一艘航空母舰。
那么在思维模式上，到底应该怎样理解“运用 AI 赋能”？这到底算不算“AI+”？这是一个非常好的问题。其实很多时候你甚至可以完全不管 AI。举个例子：你觉得爱马仕需要去追赶 AI 这个潮流吗？显然爱马仕不需要追 AI 的潮流；但是苹果要不要跟进 AI 的潮流？苹果必须要跟。不同行业、不同定位的人和公司，受 AI 的冲击和影响是完全不同的。你能在这里面赚到钱，本质上来自于你本身的专业能力与 AI 的深度结合。
如果所有人都一窝蜂跑去追 AI 底层，那最终能赚大钱的只有卖基建的公司。就像当年互联网刚出现的时候，你应该去重新造一个浏览器吗？当然不应该，你应该在浏览器的基础上做网页应用。钢铁时代到来的时候，你要去跟洛克菲勒竞争造铁路吗？去竞争也可以，但最终整个行业只会跑出一个洛克菲勒。今天如果你非要去跟 OpenAI、Anthropic 这种巨头竞争大模型底层，最后的结果只会被巨头无意中碾压过去，他们甚至根本不知道你的存在就把你直接碾死了。
正确的做法是在新时代去做符合你自身特质、符合你所擅长、符合你想解决的实际问题的事情，利用这个时代的技术把自己的核心业务做得更好。就像在钢铁时代，随着交通运输的普及，肯定有一家酿酒厂的业务得到了极大扩张，因为以前酿酒受制于运输半径，市场规模很小，有了铁路和公路后，他的酒或牛奶就能运送到更远的市场；做服装的工厂也同样借由基础设施迎来了市场规模的飞跃。
我们不需要把目光死死盯在 AI 这个行业本身。AI 行业是一个为各行各业赋能的工具，核心在于你必须把自己原本深耕的行业做好，然后思考如何借助 AI 来放大自己的长板。爱马仕保持原样不被 AI 放大很好，但能被 AI 放大的行业一定要充分借助这个杠杆。
拥抱 AI 与跨越认知周期：在增量中寻找机会
我之前写过一篇关于 AI Native 的文章，里面总结的核心逻辑是：AI Native 等于 Test the Limits（探索边界）、Own the Outcome（对结果负责），以及 Unlearn（遗忘过去错误的经验与思维定式）。
绝大多数人目前面临的最大问题是根本没有真正去拥抱 AI。如果你不去深度使用和拥抱 AI，你就无法感知到周围的环境究竟发生了哪些实质性变化。很多过去在传统模式下根本无解的问题，现在通过 AI 已经有了可行的解法；或者过去解题的效率极低，现在通过 AI 变得极其高效。不亲身拥抱 AI，你根本不会知道这些高效工具与解法的存在。
回归自身优势的前提，是你必须先充分了解 AI 的能力边界。当你充分了解 AI 之后，再回头审视自己的业务，你才能准确判断出哪些环节确实无法被 AI 改变，哪些环节可以被彻底重构。如果不了解 AI，妄下断言没有任何意义。
真正商业上的丰厚收益，全部来自于创造增量。如果一件事在过去已经被解决得非常完美，你切入进去无法带来任何新的增量，你就无法获得超额回报。尤其是对于年轻人来说，赚钱的核心机会就在于寻找增量：主动拥抱 AI，观察各个不同行业中有哪些痛点能被 AI 解决得更好，这个大方向是绝对没错的。这就像从“愚昧之巅”滑向绝望之谷、再逐步走上“开悟之坡”的认知过程：一开始因为一无所知而感到恐慌，但必须先下场拥抱它，穿越恐慌与迷茫之后，才能真正看清哪些东西是底层不变的、哪些东西是可以被 AI 赋能变得更好的。
落地真本领的三步法
如果普通听众日常也在使用 AI，但始终感觉没有获得实质性的突破，建议按照以下三步法去落地：
- 第一步：使用 Agents，而不是只停留在 Chat 模式。不要局限于简单的聊天对话框，而是去使用能够自主执行任务的 Agent 工具，比如 Codex、Claude Code、Cursor 等。
- 第二步：先写 Skill，再交由 AI 执行。我们在社区的 Knowledge Bank 里沉淀了很多完全免费的公开文章，大家可以直接去阅读参考。这里所说的 Skill 不是为了规定某种文字风格，而是一个以结果为导向、以具体内容为导向的 Skill。你必须清晰地告诉 AI 你最终想要的具体成果和验收标准是什么。社区的“鸭哥”甚至专门做了一个 Skill Creator 的 Skill，使用它可以辅助你写出非常高质量、好用的 Skill。很多人写出来的 Skill 反而限制了 AI 的发挥，真正好的 Skill 是能够引导并激发 AI 达成你设想的目标。在编写 Skill 的过程中，还要学会打通并连接更多外部工具，让 AI 具备调用和操作多工具的能力。
- 第三步：持续积累自己的专属上下文（Context）。多沉淀、多积累业务与个人的 context。
把这三点做好，基本上就解决了 80% 到 90% 的应用问题。如果在这个基础上，再结合第一点养成把各类任务持续交给 AI 去处理的习惯，整体的生产力就会发生质的飞跃。
社区福利与听友互动
为了回馈听众，本次节目也带来了专属福利。我们为听友准备了 100 个专属的社区会员 30 天体验名额。在 30 天的体验期内，大家可以免费学习社区内的三门核心课程，包括《真本事》课程、AI Coding 课程以及针对 AI 的系统性实战课程；同时可以观看社区所有大师课的高清直播与往次回放，例如徐老师关于如何打造个人品牌的大师课，以及硅谷增长专家陈畅关于产品如何获取冷启动种子用户、验证产品 PMF 的大师课。此外，社区内沉淀的所有自研 AI 工具、前沿技术分析文章、深度行业洞察均全面开放体验，大家还可以在社区内部与众多一线从业者直接交流连接。
如果大家后续对课程感兴趣，我们也会提供专属的最佳折扣码。如果听友对本期内容有感触，欢迎在评论区留言互动，我们会抽取 3 到 5 位听友送出《真本事》实体书。想加入听友群并领取体验名额的朋友，可以在评论区留言“破局点真本事”。
企业端落地与组织提效的实际体感
在企业端推进 AI 落地，实际情况与外界想象的截然不同。企业端的真实需求和痛点非常复杂，很多中大型制造业和大型集团企业涉及庞大的组织架构，涵盖售前、售中、售后、生产制造等众多业务部门，流程链条极长，组织提效与管理咨询的工作也需要更深度的业务扎根。我们目前在杭州开展内部创业探索，通过《破局点》持续访谈一线从业者、技术专家与企业家，正是为了从真实的企业视角和实践出发，探索在 AI 时代下企业如何真正破局创业与组织进化。