标签：experimentation
-
数据科学家的定位转变：从分析师到产品构建者
课代表立正
嘉宾探讨了数据科学与分析在产品增长中的角色演进。内容涉及写书动机、PLG飞轮模型、以留存作为PMF核心指标、实验100%覆盖率的价值、数据讲故事与图表设计原则，以及AI时代数据人应具备自主性、品味并转型为直接交付功能的构建者。 -
Figma 内部 PM OS 揭秘：AI Skills、自动化实验 Auto XP 与工作流实践
How I AI
Figma 产品经理 Ezra McCabe 分享了其团队打造的内部 PM OS（包含 31 项技能的代码库）以及自动化实验系统 Auto XP。内容涵盖利用 AI 辅助日常协作、文档补全、自动化 Bug 扫描，以及基于轻量模型构建实时写作助手的实践。 -
关于坚持、放弃与追求卓越的深度思考
一口新飯社群
文章探讨了在面对低谷期时如何通过策略性放弃死胡同，以及如何在不追求绝对第一名的情况下找到个人价值和快乐。核心观点强调要专注于擅长的领域做到极致，并以“下一个实验”的思维来应对挑战，同时平衡工作与生活的松弛状态。 -
Anthropic研究员万字长文：没人教过你怎么做研究 · 乔木博客
向阳乔木
文章探讨了在研究领域如何进行有效的研究方法论，强调研究能力是一组需要刻意训练的技能。核心观点包括：从吸收问题、预测结果、保持诚实的日志记录和公开写作等实践，是提升研究质量的关键。同时指出信息来源的局限性，倡导通过主动设计实验循环、将工程与研究融合以及积极地与外部世界互动来加速发现自己错误的速度。 -
超级团队进化论：试错、反馈与创新
Harvard Business Review
解析高效能“超级团队”持续进化的三大核心机制。通过拥抱风险与失败，建立85%成功率的常态化实验文化、构建前置的同级反馈网络，以及为“聪明的失败”支付溢价，打破完美主义陷阱，实现长期的系统进化。 -
AI系统黑盒破局：可观测性、评估与自动化实验
AI Engineer
Arize AI架构师Dat Ngo深入剖析了企业级AI应用开发的三大核心支柱：可观测性、系统评估与实验改进。文章详细拆解了如何通过OpenTelemetry追踪智能体轨迹，探讨了五种核心评估信号源，并展望了由AI自动完成评估与优化的软件工程新范式。 -
《Growth Data Analytics Playbook》：来自Meta、Notion前增长专家的实战指南
课代表立正
本书作者Joe Kumar（Meta高级数据工程师）和李孟颖（前Notion增长数据负责人）介绍了他们合著的《Growth Data Analytics Playbook》。该书深入浅出地讲解了增长数据分析的五大核心内容：增长定义与北极星指标、产品价值与领先指标、增长会计（Growth Accounting）、高质量用户获取与放大，以及如何从数据分析走向决策实践。书中强调了数据在产品增长中的重要性，并提供了大量实战案例和公式图表，旨在帮助读者掌握实用的数据增长方法论。