铃阅
❌

普通视图

昨日接收 — 2026年11月16日 ⏭ 佳芮的创业笔记

看完诺兰的《奥德赛》,我把荷马史诗补了一遍

2026年8月17日 22:02

原创 佳芮的创业笔记 2026-08-17 22:02 美国

诺兰的《奥德赛》好看,但我看的时候对荷马史诗一无所知。看完抓着 Claude 问了一个下午,从"特洛伊木马是什么战争"问到"青铜时代的锡矿在哪"。这篇写给和我一样没有西方古典背景的人:一张人物表、三张地图,把电影和它背后的三千年讲清楚。

周六我去看了《奥德赛》,诺兰个人票房最高的一部。

看的时候很震撼,但其实只看懂了个大概。海伦、阿伽门农、墨涅拉俄斯,名字长得都像,谁是谁的谁完全对不上;地理在哪、历史上发生过什么,更是一片迷茫。

回来我抓着 Claude 问了一个下午,从“特洛伊木马是什么战争”一路问到“青铜时代的锡矿到底在哪”。越问越觉得,诺兰是在用他自己的口吻,讲一个非常好看的反战故事。

这篇就是那个下午的整理,写给和我一样对西方文明没概念的人。不需要任何背景知识,我尽量把每个名词都讲清楚。

荷马史诗是什么

荷马史诗指两部长诗:《伊利亚特》和《奥德赛》,写定于约公元前 8 世纪,是现存最早的希腊文学,也常被当作整个西方文学的起点。它在西方的地位类似《诗经》,但用法更重:古希腊人拿它当教科书,孩子识字就背荷马,演讲引经据典引的也是荷马。据说亚历山大东征时,枕头底下压着一部《伊利亚特》。

荷马本人是谁,说不清。传说是一位盲眼的吟游诗人,但他是否真有其人、两部史诗是不是同一个人写的,从古希腊起就有争论,到今天也没有定论。确定的是这两部诗加起来近三万行,讲的都是同一场战争:特洛伊战争,和它的余波。

先拆一个误会:木马不在《伊利亚特》里

我原来以为荷马史诗就是讲木马屠城的。错了。

《伊利亚特》写特洛伊战争第十年里约五十天的事,主题是阿基琉斯(希腊联军最强战士)的愤怒,结尾停在赫克托耳(特洛伊主将)的葬礼。城还没破,木马还没出现。

《奥德赛》写的是战争结束之后:希腊联军里最聪明的那个人奥德修斯,赢了战争,却花了十年才回到家。

木马的详细故事反而出自几百年后罗马诗人维吉尔的《埃涅阿斯纪》。"小心带着礼物的希腊人"这句名言就是那里来的。

恰纳卡莱海边的木马复制品。特洛伊遗址就在土耳其西北的这座城市附近

恰纳卡莱海边的木马复制品。特洛伊遗址就在土耳其西北的这座城市附近

今天的特洛伊:遗址公园与特洛伊博物馆位置图

今天去看特洛伊:遗址是一座考古公园,旁边 800 米是 2018 年开馆的特洛伊博物馆,都在恰纳卡莱省的 Tevfikiye 村(地址:Tevfikiye Köyü, 17100 Çanakkale, Türkiye),距恰纳卡莱市区约 30 公里

所以诺兰拍《奥德赛》,拍的不是攻城,是回家。

电影开场就是伊萨卡宫廷里一个游吟诗人在唱木马计,佩涅洛佩(奥德修斯的妻子)听不下去,打断了他。整部电影里木马计被拆成三次、从三个人的视角分批讲完。

出场人物,一张表

电影卡司也顺便对上:

· 马特·达蒙演奥德修斯;

· 安妮·海瑟薇演佩涅洛佩;

· 汤姆·赫兰德演忒勒马科斯;

· 赞达亚演雅典娜(智慧女神,奥德修斯的保护神);

· 本尼·萨夫迪演阿伽门农;乔·博恩瑟演墨涅拉俄斯。

· 露皮塔·尼永奥一人分饰海伦和阿伽门农的妻子克吕泰墨涅斯特拉

原著里这两人是姐妹,电影里改成了双胞胎:同一张脸,一个被丈夫毁了容,一个杀了丈夫。

奥德修斯为什么非去不可

这是我当时反复问的问题:奥德修斯家在希腊最西边的小岛上,特洛伊在今天的土耳其,隔着一整片海。别人抢了别人的老婆,关他什么事?

答案是一份他自己起草的契约。

当年海伦择婿,全希腊几十个贵族都来求婚。她父亲不敢选:选谁,剩下几十个都会翻脸。奥德修斯也在求婚队伍里,但他清楚自己是穷岛小王,赢不了,于是找海伦的父亲做了笔交易:我给你一个方案解这个死局,你帮我娶你侄女佩涅洛佩。

方案是让所有求婚者先立誓:

无论谁娶到海伦,其他人都有义务保卫这桩婚姻;将来有人侵犯它,全体立誓者必须共同讨伐。

这个设计把落选者从潜在的敌人变成了婚姻的担保人。僵局解开,墨涅拉俄斯中选,奥德修斯也如愿娶到了佩涅洛佩。

若干年后帕里斯把海伦带走,条款触发。这份誓约类似北约第五条:一家被打,全体自动参战。而奥德修斯自己也立过誓,他设计的条款绑住了他自己。

他试过赖账。使者上门征兵时,他装疯:用牛和驴混着套犁,往地里撒盐。对方把他刚出生的儿子放在犁前,他本能地拐开了。疯装不下去,只能跟着出征。

帕里斯为什么去抢海伦:一只金苹果

奥德修斯这头是被誓约绑走的。另一头我又问了一个问题:帕里斯一个来做客的王子,怎么就敢把主人家的王后带走?我本来以为答案就是"海伦太美了",补完课发现,神话给的起因具体得多。

事情要从一场婚礼说起。珀琉斯和忒提斯结婚(这对夫妻后来的儿子,就是阿基琉斯),众神都在宾客名单上,唯独漏了不和女神厄里斯。她还是来了,扔下一只金苹果就走,上面刻着一行字:给最美的女神。

赫拉、雅典娜、阿佛洛狄忒都伸了手。宙斯不敢裁决:判给谁,另外两个都会记恨他。

于是他把这个烫手的裁判权丢给一个凡人,特洛伊王子帕里斯。

三位女神没有比美,是比出价。赫拉许他统治亚洲,雅典娜许他百战百胜,阿佛洛狄忒许他世上最美的女人。帕里斯把苹果判给了阿佛洛狄忒。所以他后来到斯巴达作客、带走海伦,在神话的账上不是见色起意:阿佛洛狄忒欠他一个"世上最美的女人",他是来兑现的。至于这个女人已经结婚、正是主人家的王后,神许诺的时候没管,他兑现的时候也没管。

一场漏请了客人的婚宴,一只苹果,一个被收买的裁判,十年战争。起因和结局还在同一张桌上:婚宴的新人生下了阿基琉斯,这场从他父母婚礼上开始的战争,他会在里面战死。

这一段诺兰没有拍。电影里除了雅典娜(而且只有奥德修斯看得见她),奥林匹斯诸神基本被抹掉了,风暴、雷电都按自然现象处理,开战的理由只保留了人间的版本。金苹果和三女神的赌局,属于补了课才知道的前史。

出征:两三周的航程

出征路线图:从伊萨卡出发,绕过伯罗奔尼撒半岛,经奥利斯集结,过莱姆诺斯、忒涅多斯抵达特洛伊

出征路线图:从伊萨卡出发,绕过伯罗奔尼撒半岛,经奥利斯集结,过莱姆诺斯、忒涅多斯抵达特洛伊

从伊萨卡到特洛伊,直线约 510 公里。青铜时代的船不敢离岸,贴着海岸和岛链走,海路约 700 公里,顺风两三周。这在当时是常规商路,不是探险。

船也和我想的不一样。荷马管它们叫“黑船”:船身涂沥青防水,涂完就是黑的;长十几到二十几米,没有甲板,一根桅杆,挂一面方形的帆,配五十个桨手。方帆就是一块兜风的布,风从船尾吹来,把布吹鼓,船才往前走;风向不对,帆就没用,全靠桨手划。所以出海前得等风。没有罗盘,没有海图,白天靠认海岸和岛屿定位,天黑就把船拖上沙滩,生火做饭,睡在岸上。所谓贴岸走,是因为离了岸就不知道自己在哪。

黑绘陶杯上的希腊战船:一根桅杆,一面方帆,船舷一排桨

"黑船"长这样:一根桅杆,一面方帆,船舷一排桨。黑绘陶杯细部,约公元前 520 年,法国国家图书馆藏

全希腊的船在奥利斯(希腊中部的一处港湾,正对优卑亚岛)集结。风迟迟不来,阿伽门农在这里献祭了自己的女儿换取顺风。船还没出海,先死了自己人。

然后是所谓的"十年围城"。这四个字也和我想的不一样:青铜时代没有投石机、没有攻城塔,面对认真修过的城墙毫无办法,而希腊人的营地只扎在海边,城的另外几面是敞开的,特洛伊照常接收援军和粮食。实际发生的事,是双方在城和海之间的平原上断断续续打了十年野战,希腊军队靠劫掠周边城镇维持补给,还因为分赃不匀反复内讧。《伊利亚特》开篇的冲突就是阿伽门农和阿基琉斯争一个女俘。

僵局拖了十年,因为双方都赢不了,也都不能走:特洛伊人打不退希腊人,希腊人攻不进城,又不肯空手回家,回去没法交代。最后打破僵局的不是武力,是木马,一次针对判断力的欺骗。城墙没有被攻破,是特洛伊人自己把它拖进去的。

谁对谁错?荷马拒绝回答

看电影之前我以为这是个正邪故事。补完课发现,荷马的写法里没有反派。

那个世界的头号规矩叫宾主之谊:主人必须善待客人,客人绝不能伤害主人。

宙斯(众神之王)亲自守护这条法。帕里斯以客人身份住在墨涅拉俄斯家里,趁主人出门,带走了女主人和财宝。这件事帕里斯没有道理,荷马也没替他说话:特洛伊城里的长老们提议把海伦送回去,是他自己不肯。

但荷马紧接着就让你看到另一面。《伊利亚特》第一卷,阿伽门农仗着统帅身份抢走阿基琉斯的女俘。你为了"有人抢女人"打了十年仗,然后自己抢别人的女人。荷马把这件事放在全诗开头,等于开篇就告诉你:这一仗没有干净的一方。

赫克托耳知道弟弟理亏,还是出城迎战,因为不战就是耻辱。他清楚特洛伊会亡,妻子会为奴,儿子活不成,但还是穿上了铠甲。

破城之夜,希腊人在神庙里施暴,把赫克托耳的婴儿从城墙上摔下去。于是神明转头惩罚胜利者:阿伽门农活着回到家,当晚被妻子杀死在浴室里,她记着女儿被献祭那笔账,等了十年。奥德修斯在海上漂了十年,全船人死光,一个人回到家。

荷马的答案不是谁对,是没有人赢。特洛伊人失去了城,希腊人失去了归途,整部《奥德赛》讲的就是赢了之后怎么回不了家。

希腊人到底图什么

谁对谁错聊完,我问了个更直接的问题:几十个王、上千条船,漂洋过海打十年,总不能真是为了一个女人。

第一层答案在地图上。特洛伊卡在达达尼尔海峡口,黑海贸易的必经之路,谁坐在那里谁收过路费。这是最硬的经济动因。

第二层是能搬走的财富。青铜时代的掠夺逻辑很实在:土地搬不走,金属、织物、牲畜、人搬得走。破城之后希腊人也确实没留下来殖民,装船回了家。

他们要的不是特洛伊这块地,是特洛伊这个仓库。

第三层有硬证据,也是最让我意外的一条:他们抢人,主要是抢女人回去干活。证据出在迈锡尼。这里多说一句:迈锡尼是阿伽门农的都城,当时希腊最强的王国,强到整个时代的希腊文明都以它命名,叫迈锡尼文明;这座城今天和特洛伊一样只剩遗址,在伯罗奔尼撒半岛的东北角(出征图上标了位置)。

它的宫殿废墟里挖出过一批线形文字 B 泥板(青铜时代希腊的记账文字),上面登记着成批的女性纺织工,按来源地分组:克尼多斯的、米利都的、哈利卡纳索斯的,全部来自安纳托利亚西岸,特洛伊就在那条海岸线上。也就是说,史诗里当战利品分掉的女俘,抢回去是进宫殿纺织作坊干活的,账本上记得清清楚楚。《伊利亚特》开篇阿伽门农和阿基琉斯争的那个女俘,放进这套账本里,就是一个在册的纺织工。

电影把这层窗户纸直接捅破了。开战前夜,奥德修斯对佩涅洛佩说(大意,非逐字台词):

海伦只是阿伽门农的借口。他真正要的,是打破特洛伊对贸易航线的控制。他绝不会收手。

所以“抢回海伦”是名义:帕里斯破坏宾主之谊,给了全希腊一个合法的出兵理由;真正让几十个王带船出海的,是抢劫的预期收益。战争要一个说得出口的理由,理由和原因是两回事。

海伦:以她的名义

整个故事里,最让我唏嘘的是海伦。

她到底是怎么跟帕里斯走的?自愿私奔,还是被劫走?荷马故意不写死。史诗里她反复咒骂自己,但自责不等于自愿。古希腊人也受不了这个悬案,后来干脆造了个新版本:海伦根本没去特洛伊,去的是神用云做的幻影,真人在埃及待了十年。这个版本的存在本身就说明,三千年前的人也觉得这件事说不清。

荷马不写死,诺兰也不写死,但他给了海伦一道原著里没有的疤。原著里她毫发无伤,战后照常做斯巴达王后。古代传说里有个著名场面:破城之夜,墨涅拉俄斯提剑冲进城要杀她,看到她的脸,剑掉在了地上。诺兰把这一幕反过来拍:这一次,剑落了下去。电影里海伦脸上带着大疤,墨涅拉俄斯还当着客人的面拿它开玩笑:

Perhaps you‘ ve heard of Helen? Face that launched a thousand ships. Maybe now just five hundred.(也许你听说过海伦?那张发动一千条船的脸。现在,大概只值五百条了。)

号称为她打了十年仗的丈夫,把剑砍在她脸上,再把她带回宫里继续做王后。她回来了,但没有被原谅。

电影里另一场戏,墨涅拉俄斯把破城说成正义的胜利,海伦当场顶回去:那是你哥哥的野心。全片看得最清楚的人是她。

忒勒马科斯到斯巴达打听父亲的下落,临走时海伦抱住他,托他给母亲带话。原话是:

I‘ m sorry for Troy, and for everything that has happened in my name.(为特洛伊,为以我之名发生的一切,说对不起。)

电影剧照:佩涅洛佩与忒勒马科斯在伊萨卡城头远望大海

佩涅洛佩(安妮·海瑟薇)与忒勒马科斯(汤姆·赫兰德)在伊萨卡城头远望大海。海伦的道歉,就是托这个儿子带给这位母亲的。剧照 ©Universal Pictures

这句话的措辞很准:她说的不是 for what I did,是 in my name。她不认领因果,只认领署名,因为决定确实从来没轮到她做:

金苹果那场赌局里,阿佛洛狄忒把她当赏格许给帕里斯,没人问过她;

帕里斯带她走的时候,荷马连她愿不愿意都不写;

阿伽门农出兵,为的不是她;

墨涅拉俄斯的剑落下来之前,也没人问过她想不想回斯巴达。

仗以她的名义打了十年,她参与的决策是零。最后她托一个二十岁的年轻人,把道歉带给另一个从没见过面的女人:

一个成了战争的理由,一个成了战争的代价。

归途:十年的迷宫

电影版归途九站地图:特洛伊、独眼巨人、女巫基尔克、冥界、塞壬、墨西拿海峡、太阳神的牛群、卡吕普索、伊萨卡

电影版归途九站地图:特洛伊、独眼巨人、女巫基尔克、冥界、塞壬、墨西拿海峡、太阳神的牛群、卡吕普索、伊萨卡

去程 700 公里走了两三周,回程走了十年。地图上那条绕遍整个地中海的线,就是电影的主体。

先说明一点:荷马从不给坐标,他只说"漂了九天"。图上这些地点是后来的希腊人和罗马人认领的,因为谁都想让自己的家乡出现在史诗里。

独眼巨人被安在西西里的埃特纳火山下,女巫基尔克的岛是罗马附近的奇尔切奥山,塞壬(用歌声诱杀水手的海妖)在阿马尔菲海岸外的小岛,船员偷宰太阳神牛群的那一站在锡拉库萨附近。冥界荷马放在人间世界之外,没有坐标,诺兰去冰岛的黑沙滩拍的这场戏。

塞壬那一站,希腊人自己画过"剧照"。大英博物馆有一只公元前 480 年左右的陶瓶,画的正是奥德修斯把自己绑在桅杆上听歌:

大英博物馆藏"塞壬瓶":奥德修斯绑在桅杆上,人首鸟身的塞壬在头顶盘旋,约公元前 480 年

大英博物馆藏"塞壬瓶":奥德修斯绑在桅杆上,人首鸟身的塞壬在头顶盘旋,约公元前 480 年

斯库拉与卡律布狄斯那一站,是两只怪物一边一个守着窄水道,船要过就得选牺牲谁。后人把这一站安在墨西拿海峡,也就是意大利半岛和西西里岛之间那条水道:最窄处约三公里,海流确实凶:

太空视角下的墨西拿海峡:左边是西西里,右边是意大利半岛,最窄处约三公里。NASA 摄

太空视角下的墨西拿海峡:左边是西西里,右边是意大利半岛,最窄处约三公里。NASA 摄

卡吕普索(把奥德修斯扣了七年的女神)的岛,传统上认作马耳他的戈佐岛。今天岛上有个洞穴就叫"卡吕普索洞",俯瞰一片红沙滩,电影的这段也是在马耳他拍的:

马耳他戈佐岛 Ramla 湾的红沙滩

马耳他戈佐岛 Ramla 湾的红沙滩,“卡吕普索洞”就在湾边的山坡上

这条路线在地理上完全不成立,从特洛伊回伊萨卡根本不该经过西西里和马耳他,那是往西多走了两千公里。但荷马的地理不是导航,是叙事:越往西,越远离人类世界,越接近怪物和神,迷失本身就是空间上的写法。同一片海,去的时候是路,回来的时候是迷宫。出发时他带着十二条船,回家时只剩他一个人,家里没人认得他,连他自己都要重新证明"我是谁"。

谁战争最大的代价不是死人,是把一个你熟悉的世界,变成你认不出的世界。

诺兰改了什么

补完原著背景再回看电影,最有意思的部分是改编。海伦的疤和道歉前面讲过了,再列几处我印象深的。

删掉了阿基琉斯。 原著的冥界一章里,奥德修斯见到阿基琉斯的鬼魂,夸他是最伟大的英雄,对方回答:

我宁可活着给穷人当雇工,也不愿在这里统治所有亡魂。

这个用命换名的人,亲口说不值。电影把这场戏整个删了,阿基琉斯全片没有出现。我能理解取舍,但有点可惜:这句话是整个英雄叙事的自我否定,是荷马反战的那一刀。

忘忧莲并进了卡吕普索。原著里“吃了就忘记回家”的忘忧莲是独立一站,和卡吕普索的岛不相干。电影把两者合并:卡吕普索用莲花压住他的记忆,表面是止痛,实际是囚禁,而他自己也想忘。一个亲手烧掉一座城的人,被递过来一样能让他不再记得的东西,他接受了,七年就这么过去。

要回家,得先同意重新疼起来。

这是全片我最喜欢的改动。

勃克林《奥德修斯与卡吕普索》,1882 年:他背对着她望向海,她坐在洞中。画家比电影早一百四十年画出了同一种关系

勃克林《奥德修斯与卡吕普索》,1882 年:他背对着她望向海,她坐在洞中。画家比电影早一百四十年画出了同一种关系

结局。原著结尾奥德修斯杀光求婚者,继续做伊萨卡的王。电影里他把王位交给忒勒马科斯,和佩涅洛佩一起乘船离开,向着日落。诺兰在采访里讲过他的改编立场:他对荷马是忠实的,荷马不是可以随手改写的对象;但原著结局里的一些处理,他认为没办法原样搬上今天的银幕。

黑船迎着落日航行

向着日落的黑船。官方预告片画面 ©Universal Pictures

诺兰没有在任何采访里自称拍了一部"反战电影",反战是我自己的读法。但也不需要他自称:荷马写的胜利者没一个有好下场,电影里开战的真实动机又被奥德修斯亲口说破。这样的故事只要完整讲出来,立场就藏不住。

这一切是真的吗

问到这里我已经停不下来了:特洛伊真的存在吗?打过这场仗吗?

城是真的。遗址在今天土耳其西北的希萨利克,紧挨达达尼尔海峡口,1870 年代被施里曼(一个痴迷荷马的德国富商)挖开。挖出来的不是一座城,是九层城叠在一起:三千年里人们反复在同一个土丘上重建,因为这个位置扼守黑海航道,太值钱,烧了也要回来。对应传说年代的是第七层 a 段,约公元前 1180 年被焚毁,火灾层、仓促加固的房屋、街道上的尸骨都在。

最上面的第九城值得多说两句。它是希腊人和罗马人建的新城,就叫伊利昂,靠"特洛伊故地"这个身份繁荣了一千二百年:亚历山大东征路过时专门来祭拜,罗马人干脆认特洛伊王子埃涅阿斯当祖先,前面提过的《埃涅阿斯纪》就是为这套认祖叙事写的。讽刺的是,他们脚下踩着的才是真特洛伊:第九城的地基打在第七城的灰烬上,住在上面的人并不知道下面埋着什么。

没有哪个文明是连续的。他们都是在自己前一次的废墟上重新开始,而且大多数时候,新的那一层并不知道下面埋着什么。

第九城的结局我也问了:它没有毁于哪场战争,是地理把它废掉的。

特洛伊的价值从来不在城墙里,在城下面那个海湾:帆船顶不动海峡里的逆风逆流,进黑海之前要在湾里锚泊等风,等风的船队就是这座城的生意。但斯卡曼德河(今天的卡拉门德雷斯河)的泥沙一直在填这个湾,几百年里海岸线一路后退,今天遗址离海已经有五六公里,当年的海湾整个变成了农田平原。

湾没了,船不再停,城就没有了存在的理由。

拜占庭时代航运和财富都聚到君士坦丁堡那头,伊利昂缩成村庄,再后来连位置都被人忘掉,直到施里曼来挖。

特洛伊遗址的城墙,今天还立在土耳其恰纳卡莱省的希萨利克土丘上

特洛伊遗址的城墙,今天还立在土耳其恰纳卡莱省的希萨利克土丘上

施里曼本人是个灾难型的先驱:他认定特洛伊在最底层,用炸药从顶上一路挖穿,恰好毁掉了他真正要找的那两层。

他后来在迈锡尼挖出一副黄金面具,激动地宣布"我凝视了阿伽门农的脸"。后来测年发现,面具比任何可能的特洛伊战争早了三百多年。

迈锡尼出土的"阿伽门农面具",实际年代约公元前 1550 年,比传说中的特洛伊战争早三百年。雅典国家考古博物馆藏

迈锡尼出土的"阿伽门农面具",实际年代约公元前 1550 年,比传说中的特洛伊战争早三百年。雅典国家考古博物馆藏

战争的部分,更准确的说法是:不存在一场十年围城的总决战,但赫梯帝国的外交档案里记着爱琴海势力在安纳托利亚西岸持续上百年的袭扰和冲突。档案里那座城叫 Wilusa,与希腊语的"伊利奥斯"对音;有份条约里 Wilusa 统治者叫 Alaksandu,而帕里斯在史诗里的另一个名字正是亚历山德罗斯。口头传统把上百年的边境摩擦,压缩、放大、道德化成了一个十年的故事。

最让我意外的是史诗自己的传播方式。它成文于公元前 8 世纪,离它描写的年代已经过去四百多年,中间希腊经历了一次彻底的文明断层,连文字都失传了。故事靠吟游诗人口口相传活下来,格律就是纠错码:每行诗有严格的音节结构,记错的词大多不合律,当场就会卡住。而它真的记住了东西。

荷马描写过一种用野猪獠牙缝在皮革上的头盔,他那个时代没人见过这种东西,考古学家后来在迈锡尼墓葬里挖出了实物,和诗里的描述能对上。

迈锡尼的野猪牙头盔,荷马在《伊利亚特》里准确描述过它的做法,而他生活的年代这种头盔已消失四百年。雅典国家考古博物馆藏

迈锡尼的野猪牙头盔,荷马在《伊利亚特》里准确描述过它的做法,而他生活的年代这种头盔已消失四百年。雅典国家考古博物馆藏

造一把剑需要三个大陆

电影里奥德修斯有句台词,大意是:我们的青铜时代正在崩塌。看电影时我以为是句氛围台词,补完课发现它是字面意思。

青铜是铜加锡。铜好办,塞浦路斯就是产铜大户。锡极其稀少,地中海世界几乎不产。

2022 年的一项同位素研究测了乌鲁布伦沉船上的锡锭:1/3来自塔吉克斯坦的矿山,走了3200 公里陆路才到地中海上船;

2025 年的研究又确认,以色列海岸沉船上的锡来自英国康沃尔。

造一把剑的供应链,横跨三个大陆。

青铜时代原料网络地图:锡从英国康沃尔和塔吉克斯坦两头汇入东地中海,铜出塞浦路斯,青金石来自阿富汗,琥珀来自波罗的海

青铜时代原料网络地图:锡从英国康沃尔和塔吉克斯坦两头汇入东地中海,铜出塞浦路斯,青金石来自阿富汗,琥珀来自波罗的海

乌鲁布伦沉船是这张网络的实物证据:一艘公元前 1320 年左右沉在土耳其海岸的商船,货舱里有塞浦路斯的铜锭、中亚的锡、阿富汗的青金石、波罗的海的琥珀、埃及的圣甲虫,来自十来个不同文化的货物装在同一条船上。

博德鲁姆水下考古博物馆的乌鲁布伦沉船复原,货舱里铺满牛皮形铜锭

博德鲁姆水下考古博物馆的乌鲁布伦沉船复原,货舱里铺满牛皮形铜锭

公元前 1200 年前后,这张网络在大约五十年内整体熄灭。百年干旱、连环地震、饥荒、流民,多重冲击同时打在一个高度耦合、毫无冗余的系统上:

锡进不来,青铜造不出,靠宫殿统一记账分配的经济没有任何备份。

特洛伊、乌加里特、赫梯首都、迈锡尼,接连烧毁。希腊人烧了特洛伊把战利品运回家,不到一代人,迈锡尼自己也被烧成灰。我们今天还能读到迈锡尼的账本泥板,恰恰因为烧掉宫殿的大火把泥板烤成了陶。

此后希腊进入四百年黑暗时代,文字失传,人口锐减。荷马四百年后唱这个故事时,只记得城破了、英雄叫什么名字,完全不知道自己在给一整个崩溃的世界写墓志铭。这段推荐 Eric Cline 的《文明的崩塌:公元前 1177 年的地中海世界》,整本书讲的就是这场连锁崩溃。

特洛伊城破的时候,中国在干什么

补课过程中最提神的一问。答案:商朝正当盛年。

特洛伊第七层焚毁约在公元前 1180 年。那时商朝已立国四百多年,都城在殷,也就是今天的安阳。甲骨文已经用了七八十年,王室占卜、归档、记事,是一套有专职人员的文书系统。青铜工艺正处在铸造后母戊鼎那种八百公斤重器的高峰。

同一个世纪,地中海那边线形文字 B 随宫殿一起烧毁,希腊人即将忘掉怎么写字,一忘四百年;黄河这边,占卜师刻完龟甲归档入坑,那批龟甲三千年后挖出来我们还能读。一边的文字在死,一边的文字在被埋进土里等着被读。两边彼此完全不知道对方存在。

这是补课时让我印象最深的中西差别:希腊的书写传统断过,断得非常彻底,线形文字 B 直到 1952 年才被重新破译,和后来的希腊字母毫无继承关系;甲骨文到金文到篆隶楷,改朝换代无数次,文字一次都没断过。

为什么中国没断?

迈锡尼是一张国际贸易网上的节点,青铜、财富、政权的合法性都靠外部输入,网络一断,它就没有存在的理由;

商周是农业内向型体系,粮食、人口、政权都在本地闭环,改朝换代换的是顶层,底下那套自己接着转。所以希腊断得彻底,中国换代不换字。今天我们还能大致读两千年前的文本,希腊人却一度读不了五百年前的自己。

还有个反直觉的后续:希腊那次断裂,反而长出了新东西。宫殿经济烧掉之后再没重建,填进真空的是一批小型、自治、互相竞争的城邦。如果迈锡尼的宫殿体系顺利延续,大概率长成近东式的神权王国,不会有公民大会、悲剧竞赛和哲学辩论。

雅典民主是断裂之后长出来的东西,不是文明连续的成果。思想的爆发,需要的不是繁荣,是权力的分散。而权力的分散,往往正是上一个秩序崩掉之后留下的空档。

往后对照也有意思:荷马史诗写定和《诗经》早期篇章的整理差不多同时;孔子去世九年后,苏格拉底出生;希腊独立战争和鸦片战争,前后相隔不到二十年。

写在最后

《伊利亚特》全诗的第一个词是"愤怒",《奥德赛》的第一个词是"人"。一部讲愤怒如何毁掉最强的战士,一部讲一个人如何回家。三千年前的听众围着吟游诗人听的就是这两件事。

荷马不歌颂胜利,胜利者的下场在他笔下并不比失败者好。

诺兰接住了这一点,还用 IMAX 胶片把它拍得好看,这是我佩服的地方。

补完这一圈课,最后留在我心里的不是历史知识,是人没怎么变。开战前要找一个说得出口的理由,冠冕堂皇就行,牵强也不要紧,海伦就是这么被用的;打赢了急着分战利品,分不匀就当场内讧;明知这仗不该再打,谁也拉不下脸先撤。

另一面也没变:奥德修斯装疯装到一半,看见儿子被放到犁前,还是把犁拐开了;赫克托耳知道城守不住,还是出了城门;佩涅洛佩等了二十年。而且这两面经常长在同一个人身上:装疯是算计,把犁拐开是本能,中间隔了不到一分钟。荷马把这些原样写下来,一个字不评,他知道人看人,是看得懂的。

琢磨完这些,我大概懂了诺兰为什么挑《奥德赛》而不是《伊利亚特》:

《伊利亚特》讲怎么打赢一场仗,《奥德赛》讲的是打赢之后:仗赢了,又如何?

破城那晚,奥德修斯拿到了一个人能从战争里拿到的一切:胜利、战利品、名声。之后他用十年把这些全部丢掉——船沉了,战利品沉了,同伴死光了,在独眼巨人的洞里他连名字都不敢报,自称"无人"。丢到一无所有,他才回到伊萨卡。

这首诗自己也是这么活下来的。唱它的那个世界整个烧掉了,希腊人忘了怎么写字,宫殿和账本都没留住,这个故事靠人一代代背下来,穿过四百年黑暗期。城和财宝都没熬过那场崩溃,一首诗熬过来了。

想继续挖的话:《伊利亚特》《奥德赛》中译本有王焕生和陈中梅两个通行版本;英文可以看 Emily Wilson 的新译本;青铜时代崩溃看上面提过的《文明的崩塌》。我自己也是刚补的课,写错的地方欢迎指正。


图片来源与授权

· 四张地图为自绘示意图(海岸线数据:Natural Earth),归途站点采用后世传统比定,非荷马所给坐标。

· 照片与画作来自 Wikimedia Commons:特洛伊城墙 Jorge Láscar (CC BY 2.0);木马复制品 YesimMutlu (CC BY-SA 4.0);黑船陶杯 Clio20 (CC BY-SA 3.0);墨西拿海峡 NASA(公有领域);戈佐岛 Freddyolsson (CC BY-SA 4.0);阿伽门农面具、野猪牙头盔 Jebulon (CC0);乌鲁布伦沉船复原 Dosseman (CC BY-SA 4.0);塞壬瓶与勃克林画作为公有领域。

· 演员照片同样来自 Wikimedia Commons:马特·达蒙 Elena Ternovaja (CC BY-SA 3.0);安妮·海 瑟薇 Jay Dixit (CC BY-SA 4.0);汤姆·赫兰德 Gage Skidmore (CC BY-SA 3.0);赞达亚 Glenn Francis, PacificProDigital.com (CC BY-SA 4.0);露皮塔·尼永奥 John Sears (CC BY-SA 4.0);本尼·萨夫迪 Colleen Sturtevant (CC BY-SA 4.0);乔·博恩瑟 Super Festivals (CC BY 2.0)。

· 剧照与预告片画面来自环球影业官方宣传物料(©Universal Pictures),仅作影评配图。

跳转微信打开

什么是 FDE —— 不只是一个岗位,更是一种能力

2026年8月3日 18:30

原创 佳芮的创业笔记 2026-08-03 18:30 北京

你这周开始学的东西,是今天全世界的 AI 公司花百万美金在抢的能力

句子第四期新兵训练营,Day 2 下午,我给新来的 FDE 讲了一个小时:什么是 FDE。

新兵训练营是我们让 FDE 快速上手的培训体系,一期五天,从在句子怎么做事、产品能力,到真实成交案例、交付实战,一期带一批新人进来。

这不是岗位说明书。是想让每个人知道一件事——你这周开始学的东西,是今天全世界的 AI 公司花百万美金在抢的能力。我们 2023 年就在干,比硅谷早三年。

听众三十个人,岗位很杂:FDE、管培生、做商业化的、研发的、产品的,还有香港来的实习生。我讲了四件事:FDE 是什么、为什么偏偏是现在火、为什么你稀缺、你的路能走多远。

事都是真事,不是编的。涉及同事的地方,对外这一版我把名字都换成了化名。

下面是全部内容,一页一页放上去。

什么是 FDE 你站在了一个十年一遇的位置上 · 新兵训练营第四期 · Day 2 · AI 项目交付

这个词从哪来 · Palantir 第 13 号员工 Shyam Sankar,2000 年代末发明

如果一个问题能用一份需求文档解决,那这个问题早就被解决了。 · — Shyam Sankar · Palantir

好想法不是在 Palo Alto 吃草莓时冒出来的。它们出现在吉布提的田野上、底特律的工厂车间里。 · — Shyam

精妙的不是把人派出去,是背后那套分工 · 前线两种人搭班子,后方把现场抽象成产品

Palantir 今天 · 3000  亿美元市值

为什么这两年突然火 · 钱花了,东西却跑不起来

Agent 还没有现成的样子。SaaS 你一上来就知道要做成什么样;Agent 不是 —— 只能钻进客户真实业务里一点点

为什么 FDE 稀缺 = 为什么你值钱

第一个该招的,不是工程师 · 大部分公司做 AI 落地第一反应是招算法 —— 错了

上一页那个学法语的 00 后女生 · 就是她 · 小胡 —— 她为什么行,下一步难在哪

我交过的学费 · 再强的 PE,一个人也补不上「读懂客户的生意」

那 FDE 到底要什么样的人 · 会写代码、懂行业,都能补。这两样补不出来

再看一个真人 · 小麦 · 现场每撞一堵墙,他把它变成一个产品

再看一个产品怎么长出来的 · 句子守护 · CTO 亲自下场,逼出来的产品

我喜欢的画像 · 硅谷黑帮那股气质 —— 我不强求统一画像

最后一轮,我亲自面 · 能坐在这的 FDE,已经是百里挑一

对在座每个人 · 别因为你不是 CS 科班、不是算法出身,就觉得自己边缘。

再往上看一层 · 会写代码 + 这股劲,天花板不可限量

你的路怎么走 —— 台阶是实的

一条主线 · 不管你在哪个台阶,衡量你的标准不变

最根基的一件事 · 把事情做完、拿到结果、靠谱

你的进阶之路 · 对外这条线 FDE · FDE 四级台阶,一级一级往上走

还有第二条线:对内 AI 管培生 · 同一件事,两个名字

为什么一个人能干以前一条流水线的活 · 1 + N:一个人加一支 Agent 团队

天花板有多高

三代组织,你赶上了第三代 · AI 第一次让协作可以并行

我给你的,是真烧得起 · 你的天花板不是公司给不给你工具

你能走多远 · 这种人,离自己出去开公司,其实只差一步。

把话说在前面 · 我也不会反对你去创业。

我对组织的思考 · 我没办法为你的成长负责,但能为你的成长创造空间

你这个 FDE 的天花板,就是你自己。

我常跟大家说一句话 · 3 年以后 ——

你赶上了什么

收尾 · 先说句实话 · 产品还不完美,但一直在变好

你在做的,是这个时代最值钱的事 ——

附 · 现场可能被问到的 · backup —— 先想好答案

阅读原文

跳转微信打开

硅谷最火的岗位 FDE,我们干了三年(后续):这回把坑全摊开了

2026年7月13日 23:35

原创 佳芮的创业笔记 2026-07-13 23:35 北京

FDE,让AI真正变成生产力

这是崔牛会基于《硅谷今年最火的岗位 FDE,我们闷头干了三年》做的一小时深访。

崔牛会的创始人崔强约访时说得很直接:他想看 FDE 照进中国的落地现实到底长什么样,能不能抽出一套给中国 AI 公司、SaaS 转型公司用得上的打法。

所以这次不复述文章,只追问那些一笔带过、当时觉得"不好展开"的地方。

下面按对话整理,问题做了合并,金句做了高亮。

一、FDE 这个词,和一个没打算做 FDE 的起点

崔牛会:你最早注意到 FDE 这个词是什么时候?是前年 10 月 Palantir 把它讲火的时候吗?

更早,具体哪天记不清了,但一定在 2023 年之前。Palantir 这个角色搞了二十多年,我很早就盯着这家公司。

但有意思的是,2023 年我自己下场的时候,出发点根本不是 FDE。我们几乎是跟 dify、coze 同一时间做那套低代码平台的。我在 SaaS 行业创业了十多年,太清楚上一代低代码平台的毛病了:技术看不上,觉得这东西 low,不屑于用;非技术又没那个逻辑能力,用不起来。每家低代码公司本质上都在发明一种自己的语言,可你这门语言凭什么能标准化到所有人都认?这就跟"PHP 是世界上最好的语言"一样,是个吵了二十年也没结果的梗。

所以我当时就一个判断:这套东西必须我们自己用,自己拿它给客户交付结果。我卖了太多年软件,太清楚 SaaS 交付的从来不是软件,是最佳实践——今天 AI 让最佳实践交付得更简洁,那我们干脆只卖最后那个结果。2023 年第一天我就没卖软件,第一天就开始搭团队。那时候团队不叫 FDE,叫 PE,prompt engineer。

崔牛会:那会儿招 PE 是什么光景?

巨贵,还傲慢。一个应届生两万多。我印象特别深,面一个人鼻孔朝天,我多问几个细节,他觉得我在窃取他的方案——我就问了他一个 RAG 的原理,他转头找 HR 投诉,说你们公司想偷我的知识产权。

现在回头看挺可笑,但那就是当时的风气:大家对 AI 没什么真认知,懂一点点就觉得自己是大佬。这事现在完全不存在了。说它只是想说明,我们是从一个很糙的起点摸出来的。后来我才发现,当时纯属自救折腾出来的这些东西,OpenAI 后来也在做——真没想到。

二、为什么是一个新角色,不是"让更好的人上"

崔牛会:你最早是怎么意识到,需要的是一个新角色,而不是把现有的人换成更厉害的?

是被客户的不满意逼出来的。

最早交付全靠 PE。他能照着客户说的把提示词、把流程搭出来,活儿不差。但那一年半,我有一半时间在救火。火分两类。

一类是 PE 摸不透客户那门生意:客户怎么获客、钱卡在哪个环节、一句话背后是什么业务逻辑,他不懂。客户说一套,他照着搭一套,交出去总不是客户真正要的。这类火,我后来靠搭一支懂行业的咨询团队压下去——先把客户的生意吃透,再动手搭。

另一类是交付出去的 Agent 质量不合格:测试时好好的,一上线碰到真实数据和真实用户就出问题。这类火,我后来靠「句子守护」压下去——专门盯 Agent 上线之后的表现。

我一开始的反应跟大多数人一样:是不是这个 PE 不够强?换个更强的上。换了发现没用。再强的 PE,一个人也补不上"读懂客户的生意",更盯不住上线后的质量——那都不是 prompt 写得好不好的问题。

两类火救下来,我才想明白:缺的不是能力高低,是能力的组合,还有责任的边界。一个人既要钻进客户的生意,又要把东西搭出来,又要接进系统,还要上线后一直盯着。这套组合,现有任何一个岗位都不完整。所以不是"让更好的人上",是这个活本身需要一个新角色。

崔牛会:实施、售前、产品经理、客户成功,公司里这些岗位都现成的,为什么补不上这个位置?

因为它们各自只对一段负责,干完那一段就撤了。

售前对签单负责,单签下来就走。实施对验收负责,验收完就走。产品经理对 roadmap 负责,做的是卖给所有客户的功能,不对某一个客户身上的结果负责。客户成功维护关系、催客户用起来,但他不动手改系统。

AI 系统最麻烦的地方,是风险在上线后。它是个概率系统,测试时好好的,一碰到真实数据和真实用户就开始悄悄退化,还不报错,一点点把客户的信任磨掉。偏偏这时候,上面这些角色全撤了——系统最该有人盯的时候,没人了。

FDE 补的就是这个。售前的终点、产品经理的终点、实施的终点,正好是 FDE 的起点。从进场到上线到客户自己的人能接手,一根线拉到底,中间不换人。

还得补一句为什么是现在。

传统交付为什么要一串角色接力?因为一个人干不完。懂生意、搭系统、接老系统、上线盯着,每一段都是专门的活,只能拆开交给不同的人。可一拆开,每交接一次,上下文就掉一层:售前听懂的需求,传到实施那儿变了形;实施搭的东西,产品又按自己的 roadmap 改一道。交付里最值钱的就是上下文,可协作的人越多,上下文丢得越快——每一道交接都在丢。所以最好的办法,是让一个人尽量把能做的都做完。

以前只能忍这份损耗,没有 AI,一个人确实干不完这么多事。今天不一样:写代码、搭流程、跑测试这些工序,AI 都能当手脚使,一个 FDE 借着这套工具,能把原来一条流水线上几个人接力的活,自己并行做完。人少了,交接少了,上下文就留住了。一根线拉到底不是因为我们要求 FDE 是全才,是 AI 把那些原本必须拆开的工序,重新收拢回了一个人手里。

崔牛会:这听起来像是 OPC(一人公司)的逻辑。

我有个暴论:OPC 是个伪命题,可每家公司里,每个人又都该是 OPC。只有这样组织效率才提得上去。Anthropic 后来的访谈里讲的也是这件事——职位的边界会模糊掉,因为当每个人都为结果负责,沟通产生的信息熵就少了。

说白了有点像 OKR 和 KPI:当大家的 O 真的统一了,你就没必要再去拆那一堆 KPI 了。

三、FDE 到底是什么,它怎么反过来塑造了你们

崔牛会:用你自己的话定义 FDE。

一个客户,很多能力,对客户身上的真实成果负责。

拆开就三件:读懂客户的生意,把要交付的成果设计出来,用工程手段把质量兜住。具体到我们,就是 FDE 拿着七大产品基建,直接给客户交付结果。写代码只是其中一道工序,不是目的。衡量他的不是写了多少代码、交了几份文档,是这套系统到底有没有人在用、客户的生意有没有变好。

这套基建是三年踩坑踩出来的。FDE 拿它做完一个客户,能做到 1/10 的时间、1/10 的成本,交付两倍好的效果——中间是 200 倍的差异化。

崔牛会:它和售前、产品经理、实施顾问,一句话各自的区别?

售前对"签没签下来"负责,FDE 对"签下来之后客户有没有变好"负责。产品经理对"功能上没上线"负责,FDE 对"这个客户的转化、人效有没有真涨"负责。实施顾问对"交付物验收没验收"负责,FDE 对"上线之后还在不在跑"负责。

差别都在最后那半句。前面那些岗位的终点,是 FDE 的起点。

崔牛会:上一篇文章把 FDE 对客户的价值讲透了。我想问反过来的——它对句子互动自己的价值是什么?

这个问题问到点子上了。对外我们讲的都是客户人效翻倍、转化涨了多少。对内,FDE 对我们最大的价值,是它塑造了我们的产品形态。

我们今天的七个产品基建,只有句子秒回、句子秒懂这两个是当初坐在会议室里规划出来的;剩下五个,全是 FDE 在客户现场撞墙撞出来的。这也是我第一天就不卖软件的原因——我卖了太多年软件,太知道这里头的拧巴了:客户提的需求都是合理的,客户提的解决方案永远是不合理的。如果客户那么厉害,他自己就能当产品经理了。需求经过销售、经过售后、再传到产品手里,早就变形成一个奇怪的东西,解决不了他真正的问题。那好,我直接下场给你解决,我自己就知道最佳实践长什么样。

句子守护就是这么长出来的,这个故事很典型。

我逼着 FDE 必须交付好结果。FDE 说不行,有这问题那问题。我说好,那给你做 AI 测试。第一版做出来,FDE 又说一堆断点。我拉着 CTO 一起对,CTO 说你可以这么这么做,FDE 说不行有问题,俩人就是对不到一起去。我说那行,CTO 你下场,你把这个客户的 AI 测试整个跑出来,给我交付个结果。CTO 下场才发现,原来中间这么多断点,FDE 根本没能力把它讲清楚。整个句子守护,就是 CTO 一个人从产品设计、开发、测试到交付结果干出来的——因为他自己干过 FDE,所以他知道断点在哪,所以他解得开。雏形出来后再丢给产品包装交互、丢给测试做工程化测试,才成了今天的产品。

AI 时代,我们公司很多产品的开发顺序都倒过来了:原来是产品提需求、技术写代码、测试测结果;现在是技术直接下场把活干完,再丢回给产品写 PRD、丢给测试出报告,紧接着上线。生产的顺序变了,生产的组织也跟着变了。

崔牛会:那 FDE 是一个岗位,还是一种能力?

现在是岗位,本质是能力,长期会变成 AI native 公司的基本功。

同一件事,两个名字:对外,给客户搭 AI 员工的岗位叫 FDE;对内,帮我用 AI 重塑组织的岗位叫 AI 管培生。只是对内做得更彻底——因为决策权在我手里。他们直接向我汇报,任务只有一个:把我们自己的业务流,用 AI 重做一遍。有些对内跑通的场景,直接就长成了对外能卖的产品。比如内部招聘难受,我们就把 boss 直聘打招呼、自动面试全自动化,做成产品卖出去;比如我们有个产品叫跟单小二,最早是内部的 AI CRM——我认为以后 B2B 销售就负责到场、提供情绪价值,会议纪要、录 CRM、竞品分析、出解决方案、跟踪客户进展这些后台活全是 AI 给他干完。

这事不止这两个岗位在干,是整个公司在干。合同审核我们有个 AI 员工叫秒审,一份合同从过去审一天压到两分钟。我办过一次内部的 AI 员工 Hackathon,让各部门自己造 AI 员工,马上还要再办一次——标准就一个:这个 AI 员工能不能在内部真上岗、真接活,不是做个 demo 给大家看。每两周一次 AI workshop,以前是我讲,现在台上换成了销售、运营、财务、HR 这些从没写过代码的人,分享自己怎么用 vibe coding 把手上的活解决掉。为了让大家敢用,我给全员开了无限量 token,一人一台 MacBook,爱怎么烧怎么烧。从我到不写代码的财务,每天第一件事都是打开 Claude Code 干活。

加入句子互动,进入下一代 AI 组织

我之所以把内部这件事看得重,是因为我判断组织形态本身在变。

第一代是华为,把公司当一套流程跑,靠标准化做规模——run a company as a process。

第二代是字节,把公司当产品做,整个组织像软件一样迭代——develop a company as a product。

第三代我看的是 Anthropic:design a company as a parallel network——把公司设计成一张并行的网络,不停把串行的瓶颈压掉。

前两代再强,人和人之间还是串行的:你等我交接,我等你审批。AI 第一次让协作可以并行,组织的最小单元不再是一支团队,是"一个人加一支 Agent 团队",我叫它 1+N。一家 AI native 公司,如果人均做不到 FDE,那就说明这个员工不合格——这事在 Anthropic 内部已经发生了,在我们公司我还在努力。

四、谁在干,从哪来,怎么练

崔牛会:现在 FDE 团队谁在带,结构什么样?多大规模?

负责人是个学法学的 00 后女生。一开始没想让她当 leader,选她是因为两点:一是责任心极强,客户结果不好她会焦虑,甚至有点内耗;二是热心,我们开玩笑叫她鸡妈妈,新人进来她特别愿意教——这其实很少见,教人很费精力。她现在也面临新课题,带的人多了,太年轻,还需要更有资历、更懂客户和管理的人补上来,团队一直在迭代。但这个选择背后我想说的是:FDE 真正稀缺的不是写代码的人,是有极强责任心、又足够 AI native 的人。

规模上,公司现在七八十人,三分之一是 FDE,二十多个。这是核心部门,未来人数可能超过产研。画像很杂:基本是 00 后,也有从腾讯、百度、比亚迪挖来的资深测试开发,还有我们自己的产品转岗的——中间出去创过业,做 Geo 拿了 TS,团队也组得不错,后来又回来了。我挺喜欢硅谷 PayPal 黑帮那种气质——Palantir 自己就是从那帮人里长出来的,反叛的人能做好 founder,也能做好 FDE。所以我们不强求统一画像,核心就是责任心、AI native、好奇心、执行力。

我们刻意把规模按住。这不是省钱,是设计。如果客户翻一倍 FDE 就得翻一倍,那说明产品没起到杠杆,又退回外包了。Palantir 到 2016 年 FDE 比软件工程师还多,我们想走反过来的路:客户在涨,FDE 人数按住,靠产品基建放大每个 FDE 能盖住的客户数。

崔牛会:从哪招?要行业老兵,还是 AI 原住民?淘汰率多高?

两类人,不是一类。一类是懂某门生意的老手,招这种我专挑"反叛者"——不只懂这行怎么干,还能一眼看出现在这套为什么不够好。另一类是长在 AI 里的年轻人,天生把大模型当手脚使。唯独不该上来就招的是算法工程师。大部分公司做 AI 落地第一反应是招算法,错了。第一个该招的,是能听懂客户怎么赚钱的人。

招聘是社招,一整套标准面试体系,最后一轮我亲自面。早期我这关淘汰率 80% 到 90%,现在画像对齐了,淘汰率降到 10% 到 20%。我面得很快,半小时,就看一件事:你是不是真做过事。很多人爱用 fancy 的词把自己包装得很厉害,我往细节里追几句,纸老虎一捅就破。只要真做过,就能来。

崔牛会:怎么培养?怎么考核?

培养不靠上课,靠筛选加老带新。底层先筛两样东西:好奇心和执行力。

好奇心,让你愿意扎进一门跟你八竿子打不着的生意,把它当回事去搞懂。

执行力,让你在"看出哪儿不对"和"动手把它改了"之间一直来回,而不是写份报告就交差。

这股劲,Palantir 早期那帮人身上最明显。他们招人不挑科班对口的领域专家,专挑好奇心旺、不服现状的——把一个你完全不懂的领域甩过来,情报也好、反欺诈也好,你能自己钻进去趟出条路。这批人后来出去开了一大堆公司,底色是同一种:不接受"这行就这么干",先问凭什么,再上手把它干掉。会写代码、懂行业,都能补;好奇心和不服气这两样,补不出来。我招 FDE 看的就是这股劲,比简历上写了什么重要得多。

筛对了人,培养就简单了。先上一周新兵训练营——这套课打磨到现在,HR 自己就能带了,今年还拿到了工信部认证的 FDE 培训证书,甚至开始跟职业大学合作培训 FDE。上完直接老带新,老 FDE 带着新人上真实客户现场,跑着跑着就长出业务 sense,听得懂客户话里的生意了。这个过程没法加速,就得在真客户、真数据、真出过故障的现场崩溃过很多次,才能跑出来。所以我不觉得能招到完美的 FDE,但我有信心能培养出来。

考核只看一件事:你负责的客户,业务指标有没有真涨。拿销售场景举例,我们落地时和客户做 AB Test——AI 组是销售加 AI,对照组是同样的销售纯人工,两组线索质量、团队水平拉平,只差用不用 AI。不看代码量,不看文档,不看工时。内部考核口径和对客户的收费口径是同一个,所以不会跑偏。

崔牛会:你自己还会下场做 FDE 的活吗?

会,而且挑的是最难的那摊——带着 AI 管培生,把我们自己的内部业务流重做一遍。我在革自己的命,第一刀先冲着我自己的工作流来。这种改造最难啃、杠杆也最高:它动的是流程本身、是谁干什么、是出了事谁担,这种决定只有我拍得了,所以我得自己先下场。

我先把自己一天的活搬上 Agent——调研、写文档、看数据、盯几条线并行。我一个人每天就烧掉几百万 token,把模型推到极限,所以我很清楚现在模型最强能到哪、边界在哪。所以 FDE 不大敢跟我说"这是模型幻觉",他知道我会把他骂回去,而且会给一个更好的解法。

我自己趟通一条,就带着 AI 管培生照着把它铺到对应部门,一条业务流一条业务流地重做。

五、一个完整的案例,和按结果收费踩过的坑

崔牛会:挑一个最典型的,从头到尾讲一遍。

就讲那个头部在线教育客户。

第一阶段,诊断。一位懂这行的前辈带着行业经验驻场三五天,把客户的 SOP、知识库、整条获客转化链路摸清楚:他从哪获客,怎么转化,钱卡在哪个环节。不上来装软件,先搞明白这门生意。

第二阶段,搭。业务专家带着 FDE 把销售 Agent 搭起来、跑内测,质量这块交给句子守护兜底。

第三阶段,落地,做 AB Test。整条链路一个环节一个环节比:触达率、响应率、转化率、人效,每一步都有数据,全程留痕。结果:AI 组的产出是对照组的三倍。一个销售一个月能盯的人,从一千做到三千。转人工率从 27% 降到 2.73%,故障率从 16.26% 降到 0.13%,线索量六个月爬了十一倍。收费跟着结果走:他盯的人翻了三倍,付给我们的也翻三倍。

崔牛会:按结果收费喊了这么多年,这套收费方式是一开始就这样吗?

不是,踩了很多坑,迭代了快一年。

最早我特别想按 GMV 分成,跑失败了。因为 GMV 好不好,取决的因素太多——流量质量、销售转化、SKU 定价,你很难说这单涨了是因为我的 AI。GMV 没法做干净的 AB Test。

迭代到最后,变成按 leads 收费,核心是控制变量法:只留"用不用 AI"这一个变量,别的全拉平,我才能说产出都是 AI 带来的。光是把这个量化指标跑通,就花了小一年——你不知道怎么量化,就不知道怎么收钱。

中间还有个坑特别有意思:销售特别爱抠 AI 的字眼。在线教育的销售都觉得自己的话术身经百战,就揪着 AI 说"你这语气跟我不一样""你这句该用'亲'还是'宝'还是'~'",说你这就是不准。后来我们干脆不纠准确率了,只盯两类指标:

  • 过程指标:填表率、行课率、完课率、作业完成率

  • 结果指标:就一个——一个人能接的 leads 翻倍,ROI 不掉。人工组一个人接 800 leads,AI 组接 3000 leads,单个 leads 的 ROI 不下降

注意力全压到这两类指标上,那些"要不要加个'哦'"的纠结,就不重要了。

崔牛会:做了 FDE 之后,项目成功率提高了吗?怎么定义成功?

提高了,但不是每个都成。成功的定义就是上面那个 AB Test:AI 组打赢对照组,客户业务指标真涨,然后他愿意续约、愿意把单子做大。从世俗的 SaaS 口径看,我们的 NDR 是 112%,recurring 收入占 92%——老客户每年不光续,还在扩,单个合同越做越大。这是用脚投票的结果。

做不动的也有,两类。一类是数据和系统基建太烂,底层是散的,AI 在上面跑不起来;另一类是组织本身不愿意用,老板想要、下面的人不配合。这两类我们后面都有了对应的解法,下面讲。

六、七大产品基建:现场每撞一堵墙,产品就长一块

崔牛会:这种"现场的苦变成产品",挑几个最典型的讲讲?

七个产品基建,每一个背后都是一堵现场撞过的墙。

句子守护,我最看重的一个。它管的是 Agent 的质量。Agent 改一行就可能带坏另一处,靠人一遍遍手测根本测不全、测不准,上线前心里没底。我们的办法是把传统软件工程那一套搬过来,管 Agent 的健康度。我们内部叫六道关:AI 生成测试用例、批量验收跑回归、灰度上线、AI 工单、上线后 AI 质检——每改一行全量重考,回归不到标准不放行;上线后还有一个 AI 盯着所有 AI,定期抽检真实对话出健康度报告。这套东西在 PE 时代根本做不起来:全靠人的手感,没有自动化回归兜底,测漏是常态。现在它是产品,下一个客户进场质量这道关开箱就有。

我们给它一句定位:像管软件一样管 Agent。我特别想做的事,本质是 AI 守护人,因为人本来就不靠谱。它也理顺了销售和 FDE 的协作。销售不懂技术,过去 Agent 到底好不好全靠嘴上掰扯,掰不清就来找我断官司。现在句子守护直接出一份测试报告,质量结果全在上面,是量化的——销售一看就知道 FDE 交付的 Agent 行不行,报告不达标就是 FDE 没搞好。这份报告甚至能直接摊给客户看。

句子制造,从"客户基建太烂"那类失败里长出来的。客户底层数据是散的,AI 没法在上面跑,以前我们不做定开,就让客户自己去补,周期一拉长就不了了之。所以我们做了个独立环境,本质是个 coding agent,FDE 直接在里头给客户把需要的数字化系统做出来,时间成本很低,还跟我们系统打通。

句子懂行,解决知识工程。客户甩给你两个 T 的文件,说"这就是我的知识库,拿去做 AI"。可文件里到处是矛盾:同一个产品,这份文档写卖 2000,那份写 5000,到底信哪个?而且文件散落各处,没标签、没元数据,根本没法检索。句子懂行用 AI 做预处理,把散落的内容整理成 AI 能检索的形态,再把所有矛盾点列出来,让客户先裁决哪条对、再进库,顺手把测试也做了。这是每个客户专属的知识工程——做好了,其实是帮客户把自己的知识先理清楚,AI 检索才跑得准。

句子 CLI,解决"老系统不敢动"。客户有几百个系统,往往跟收银、跟钱相关,是核心业务,谁也不敢让你重做——出了事谁负责?所以我们不动它,给每个系统配 CLI,原系统不用改,照样能把数据处理打通。

崔牛会:刚才提到两类做不动的客户,后来怎么解的?

第一类,基建太烂,就是上面说的句子制造,直接下场帮他把数字化系统补上。

第二类更微妙——老板和执行层有 gap,老板聊得很好,下面的人就是不配合。我们最早觉得自己有底气按结果收费,就不收咨询费,直接下场吭哧吭哧干。后来发现不行,不收咨询费他就不重视。所以现在反过来:先收一笔咨询费,老板交了钱,下面的人才会觉得"这东西我们交了钱,得用起来",后面再收按结果付费的 AI 员工费用。先收咨询费再按结果收费,成功率反而更高。

七、什么客户最需要,规模化卡在哪

崔牛会:在你的认知里,哪类客户最需要 FDE?

所有非 AI native 的公司,都需要 FDE。

判断一家公司 AI native 不 native,有个暴论式的标准:看 00 后比例,看 founder 背景。如果 founder 是 00 后、又在做 AI,大概率挺 native;如果 founder 不是 00 后、又没技术背景,很难。我自己是把命革掉半条,加上原本就写程序出身——我的开源框架上个时代有两万多 star,影响过上百万开发者——我才长成一个还算 AI native 的人。今天的 vibe coding,其实你得懂程序,才知道怎么设计架构、怎么部署。没技术背景的销售型创始人,补这个认知要花不少时间。

顺带说个观察。美国的 SaaS 土壤确实比中国好太多,这点我承认。但也别因此就神化它的数字化程度。我中美两地常跑,2019 年进过 YC,现在也给一些美国 founder 做 mentor。一个耶鲁的同学做财务 Agent,底下接的还是 Windows 时代那种离谱的老软件,在美国跑了几十年。真到系统层面,各家公司都不行。怎么用 AI 把这些老掉牙的东西接进来、变成 AI 能处理的,才是今天所有 AI 公司共同的命题。

项目这边:越复杂、离钱越近、结果越能量化的,FDE 机会越大。制造业、金融这类复杂项目尤其需要——我们最近还做了个 AI 后勤主管,管充电站的保洁:几千个充电桩,过去靠人排班、靠人盯、验收靠抽查,现在 AI 按需派单、AI 看照片验收、不合格自动出工单和报告,连这种蓝领后勤的活都能管。反过来,离钱越远的就越低一档,比如客服——同一个客户,一个 AI 销售岗一年带来的合同额,是 AI 客服岗的十倍以上。

崔牛会:FDE 规模化,最大的挑战是什么?

人。

能扎进陌生生意、又对结果较真的人,本来就稀缺;更麻烦的是,这种人离自己出去开公司只差一步——他既懂一门生意怎么赚钱,又会用 AI 把活干完,凭什么留下来跟你干?

我们公司最近就有两个离职的人又回来了。靠的是文化和产品基建,让人觉得"咱们一起干,你拿到的更多"。所以挑战是两层:一是持续找到、留住这种人;二是用产品把对这种人的依赖一点点降下来,让一个没那么稀缺的人,靠我们的工具也能干出接近的结果。第二层做得好不好,决定了按结果收费这个模式能铺多大。

崔牛会:FDE 会成为 AI 公司的标配吗?

会。Bob McGrew 那句话我很认同:

Agent 没有现成的样子。SaaS 你一上来就知道要做成什么样,照着做个更好的去抢市场;Agent 不是,没人知道一个销售 Agent、客服 Agent、甚至我们做的那个能接案子的律师 Agent,最后该长成什么样,只能钻进客户真实业务里一点点试。谁想在 Agent 时代找到 PMF,FDE 大概绕不开。

硅谷今年集体做 FDE,巨头一边自建一边拉麦肯锡、德勤,说到底是认了同一件事:客户认的是结果,不是过程。

八、重来一次,和"CEO 是天花板"

崔牛会:如果重来一次,你会怎么设计 FDE?

三件事,两件照做,一件会改。

照做的:第一天就按结果收费,2023 年就定下来,扛住了同行都按人头按工时收的压力。还有一句——第一天就别招算法,招懂生意的人。这条我们只做对了一半:确实第一天就没招算法,但也没招到懂生意的人,招的是一批 00 后 PE。不过那个时候我没那么多资源,再来一遍大概率还是这么走,还是得从零培养。这其实是个资源匹配的问题——换成今天的我,有资源了,第一天就会去招懂生意的人。

为什么以前没资源、现在有了?很多人是因为相信所以看见,也有很多人是因为看见所以相信。两年前我盲目相信这事能成,先做了出来,今天麦肯锡、科尔尼、安迈这些非常资深的合伙人愿意跟我们合作、给我们带大 case——是因为我们做到了,他们看见了,所以信了。

会改的:更早把"质量兜底"做成产品。句子守护我们做晚了。其实 2023 年第一个项目我就在干这事——自己写代码、用 Excel 把测试用例放进去批量跑结果,想把它标准化。但真做成花了这么久。为什么慢?说到底还是组织的问题:23 年我没有现在的现金流、现在的认知。一家 AI 公司的天花板,就是 CEO 本人——他的认知、他的执行力、他当下的资源,决定了这家公司能做成什么样。

所以那些坑,我大概只能自己踩。CEO 多半是不撞南墙不回头的人,没撞到南墙,就总觉得自己是对的。换个阶段、换个认知,踩的坑不一样,但该犯的错一个不会少——区别只在于,撞下去之后知不知道收脚。

阅读原文

跳转微信打开

从“趁早女孩”到AI公司CEO:我用12年,活成了我理想的样子

2026年6月30日 22:29

鹤鸣 2026-06-30 22:29 北京

以下文章来源于:趁早行动

趁早行动

把事情一件一件做完,让愿望一个一个实现✨

当你出发了,就离完成不远了。

“如果总赢,世界就没什么意思了。”

今天,想和大家分享一个女孩的故事。

她曾用一个ppt就拿到500万投资,爽快地赢过;也曾在至暗时刻独坐到天亮,默默地熬过。

30岁到来时,她的愿望一一落空,却在5年之后,依旧活成了自己理想中的样子。

她就是「句子互动」的创始人&CEO@李佳芮,也是一个“追了潇洒姐整整十12年”的趁早星人。

这是她创业12年,一次次跌入谷底,也一次次绝地重生的故事;

也是一个女孩用12年的时间,终于活成自己想要的样子的故事。

01 

打勾。

“时间看得见。”

这句个人签名,佳芮用了很多年。

她有一个微博账号“芮芮要出马甲线”,专门用来打卡——

#2023运动打卡50天#

#2024运动100天#

#2025运动100天#

#2026运动50天#

跑步、滑雪、跳舞。

“如果不打卡的话,我就觉得这次白练了。”

她对于“打卡”这件事的坚持,有时甚至不会被身边的人理解。

坚持打好一个勾,坚持做完一件事——

但或许,正是这个看似执拗的习惯,会变成她穿越人生风暴时,手里最牢固的那根绳索。

而这一切,还要从2013年,佳芮还在北京邮电大学读书时说起。

有一天,她在宿舍里刷到了一篇文章:《写在30岁到来的这一天》。作者名叫王潇,文字锋利、爽快,对人生的许多困惑给出了痛快的答案。

“就觉得,哇,好爽!”

20+岁的佳芮立刻就被击中了。

“所有人都会有一个30岁的里程碑。

今天我回头看的话,可能会觉得18岁不够作为里程碑,因为你刚上大学,还是没有脱离你的家庭。

但是30岁是一个一定能过上自己理想生活的那种状态,或者说如果你没过上,就是你不行,跟你原生家庭没有关系,因为你完全独立了。”

就像追星一样,佳芮把潇洒姐所有的内容都翻了一遍。那个时候她心里就认定:

这个人,就是我想要成为的样子。

那天,佳芮在宿舍里写下了自己对30岁的期待,写下了3件想完成的事情。之后,她开始“像追剧一样”追着潇洒姐的人生轨迹。

也是从那时起,她学到了两件影响她一生的事。

第一个,是打卡。

“我特别喜欢做打勾的爽,以及我特别喜欢把任务拆开,去分门别类地打勾。

有的时候打勾那一刻的完成、打勾的意义、那个使命的感觉,可能超过了你完成这件事本身。”

· 佳芮的日常跑步打卡

第二件,是自律。

看到潇洒姐的健身微博,佳芮也开始去健身:

“……今天早上忽然想起女神@王潇_潇洒姐 的好看小巅峰,忽然决定我从明天开始练习潇洒健身100天,不练100天,就练到生日那天……”

在读到潇洒姐书中跑马拉松的故事时,佳芮的心中也忽然想到:哎,我要不要跑一场马拉松?

· 2015年,佳芮跑完了她的第一场全马

以及更重要的,活成自己想要的样子。

“我觉得其实你能够选择自己的人生是很重要的,包括我可以选择我的身材、我的体型、我的伴侣、我的生活、我的工作,我的每一件事我都有自己很大的选择权。

我真的是在‘按自己的意愿过一生’,这件事是很重要的一件事。

当然,你为了实现按自己的意愿过一生,你要付出很多。”

每年年末,佳芮都会写下一篇《写在xx年的最后一天》,一写就写了将近十年。

只有两年她没有写。

那是她即将迎来30岁的时候,那两年没有如约成为她的里程碑,反而成为了她人生中低谷的两年。

02

一个ppt,

价值500万。

2014年,命运第一次来敲门。

“双创时代”,钱到处都是,风口上飞着各种各样的故事。还没毕业的佳芮和几个同学一起做项目,参加腾讯的创新创业比赛。

她当时的想法很简单:积累一些项目经验,找一份好工作。

结果,她成了现场唯一拿到投资的团队。

拿着500万,佳芮休了学,和两个合伙人一起去深圳创业,公司就开在腾讯大厦旁边。

只可惜,她的第一次创业没能走得太远,公司解散之后,佳芮回到北京继续上学。

但她并没有停下来。

之前接的项目客户还需要服务,她成立了新的公司,合作对象很多是国内外知名的大厂。接到的项目越来越多,她赚到了第一桶金。

“其实做生意就是做人,你认识了一些人以后,大家觉得你靠谱,就不停地有人给你介绍项目。”

她称那个时候的自己是一个“程序员贩卖师”。

然而,内心深处,佳芮却觉得,她不能再这么做下去了。

“我也想解释,但怎么解释呢?说我其实不是在砌一块砖,也不是在搭一面墙,我是要修建一座教堂?我根本都不知道那座教堂有没有,是什么样。”(王潇,《按自己的意愿过一生》)

读到潇洒姐书中这段话时,她觉得,这就是在说她自己——她想要建一座教堂,但现在,她只是不停地为别人搬砖砌墙。

她想做自己的产品。

“后来我就不再接项目了。”

佳芮自己非常喜欢舞蹈,就和朋友一起录了很多舞蹈教学视频,做了一个舞蹈自媒体,结果全网播放过亿,积累了大量的粉丝,建起了很多微信群。

但管理数量这么庞大的社群,太难了。

“我自己是一个程序员,所以我就当时写了一个小的demo,解决我自己的问题。”(来自「三橙星球」专访)

于是,2016年,佳芮写了开源框架「Wechaty」。

“Wechaty后来长成全球最大的对话式RPA开源框架,也是今天「句子互动」产品的底子。

一开始的理由特别朴素:我就想把我自己的群管起来。”

顺着这条路,她开始做AI。

2016年,AlphaGo击败了韩国棋手李世石,所有人都在说AI的奇点来了。

佳芮也一样,她开始研究深度学习、NLP,但那个时候的技术远远达不到智能化。她在弯路上绕来绕去,环境也渐渐冷却。

“没有钱,没有呼声,没有喝彩”,佳芮“只是在熬”。

压力是现实而残酷的,身边的同学很多都进了大厂,赶上了互联网的黄金十年,薪资和职位越来越高。和他们相比,那个当初用一个ppt就拿到500万投资的女孩好像在走一条下坡路。

但从第一个项目开始,佳芮就从来不是一个会中途放弃的人。就算失败了也要画个完整的句号,在很多年里,这种“把事做完”的执着一次又一次拉住了她。

“随着你不烂尾的过程中,你就会解决一个又一个的问题。”

2017年,佳芮给自己这一年的总结是“蛰伏”,她要把自己关进“山洞”。

“先踏踏实实回来把你的产品做好,踏踏实实把你现在的一些基础东西做好。等你准备好的时候,开始重新再去聊。”

03

熬。

山洞里的日子,比想象中更难熬。蛰伏,原来要以“年”为单位来计算。

30岁即将到来,却不是她想象中的样子。最焦虑的时候,身高有171cm的佳芮体重一度掉到90多斤。

她真的不止一次想过放弃。

不停地有大厂的HR来挖她,有一次她甚至真的去谈了薪水。

“倒不是真想入职——我就是想知道,我在这个市场上到底值多少钱。”

市场给出的定价一次比一次更高,也给了她越来越多的底气。

但更重要的是,每到年末,当她回头望去,都会发现自己确实成长了很多。

“我发现每年我都在进步。

人活着的意义是什么呢?

其实就是不停地探索,你不停地去看这个世界,不停地有一种成长的体验,这个我觉得可能是人最大的意义。”

2017年年末,佳芮写下了一句话:

“我爱这个行业,就像我爱活着的人生。”

一年又一年,公司在生存的边缘起起伏伏,佳芮“熬”了下去,熬到技术成熟,熬到拐点出现,熬到下一次转机。

2019年,创业再次经历危机,她去土耳其旅行,心里想着“回来就不干了”。

· 佳芮在土耳其

结果在去土耳其的路上,她收到了Y Combinator的offer。

· Y Combinator,全球顶级创业孵化器,孵化过Airbnb、Reddit、Dropbox等公司

“全球最好的孵化器说要投你,我就试一试嘛。”

接受offer的那一刻,她就知道,自己要继续创业,继续走下去。

“你既然拿了这么多钱,总不能卷铺盖走人吧,那就干呗。”

那一年,佳芮现在的公司「句子互动」成立了。

2021年,“双减”政策公布,一夜之间,佳芮的客户少了90%。

公司每个月都在亏损,办公室要退租,团队要调整,核心成员提了离职,还有客户投诉系统不稳定。

所有的坏消息,好像约好了一样一起砸到她面前。

佳芮的脑子很乱,也很累,不知道明天要怎么给客户交代,不知道技术问题要怎么解决,不知道要怎么面对这一切。

她一个人在公司的行军床上坐了一整夜。

所有的信息和压力都在她一个人身上,找不到任何人来替她承担。

但第二天天亮,她站起来,把事情一件一件地解决。

“如果你不做完,就没有今天。”

创业中的危机数不胜数,佳芮引用了电影《火星救援》里的一句话:

“你想各种办法,解决一个问题,然后接着解决下一个问题,循环往复,等你解决了足够多的问题,你就可以回家了。”

· 电影《火星救援》台词

从2016年到2026年,整整10年,AI的周期起起落落,经历过狂热,也经历过寒冬。当年和她同时期做AI的公司,很多已经“死掉了”。

但佳芮和她的公司“活了下来”。

“拼到最后,谁能心态平和地一道一道题目解下去,谁就能走得更远。”

回望这段经历时,佳芮觉得可能连她自己都没有再来一次的勇气,但正是因为她的“较劲”甚至“死磕”,她和公司一路蛰伏、成长,直至一次又一次运气降临的时刻。

在一次演讲中,她分享道:

“周期不是穿越的,是熬过去的。

熬过去之后,你就可以很得意地说,我穿越了周期。”

潮水退去,她做成了想要做成的事,成为了想要成为的人。

04

时间看得见。

今年年初,佳芮刚刚生完宝宝。

“我希望从她的视角里看,重新养自己一回,这也是一种人生体验。”

对于这场人生,她是冒险家,是体验派。

佳芮曾想象出理想中的30岁的样子,后来愿望迟到了几年,但是没关系,因为她过上了更想要的人生。

现在,她可以肯定地说出,如今的她就是18岁时她想要活成的样子。

“如果最终一定能完成,那晚几年又怎么样?”

比起“心想事成”,她更想要这场人生体验。

“如果总赢,世界就没什么意思了。”

“我是一个苦行僧。”她很清楚,自己选择的是一条更加辛苦的道路。

“我到底图什么?你总得给自己一个答案。

我的答案是:我图成长得更快,图探索到大厂看不到的那些东西。这是我人生里最宝贵的财产。”

探索成长的边界就像不停地打怪升级,

“能打到A级的时候,你就希望说我想看看S级的boss什么样,你打到S级的时候,我想看S++级的boss什么样。”

佳芮一直把跑步的习惯坚持到了现在,每一次打卡的快乐一如当初。

“跑步和成长本质上是一样的:和自己比,看到自己的进步,追踪自己的进步,持续给自己正反馈,本身就是一件很幸福的小事。”

“我一直都去奥森跑5公里。

当你到了奥森的时候,基本上你就一定能跑完这5公里。但很多时候是你不想去,你犯懒,你不出发。

当你出发了,就离完成不远了。”

本周三晚7点,佳芮将作为「心想事成的女孩」栏目嘉宾,分享她过去十几年来在AI技术浪潮中的创业心得,和她从一个趁早女孩到CEO到成长故事。

如果你正在为未来感到焦虑,或者正在坚持和放弃之间徘徊,如果你也想知道如何跨越周期、活出想要的人生——

明晚7点,欢迎来趁早行动直播间,和佳芮一起聊一聊。

我们不见不散!

点击预约直播👇

跳转微信打开

硅谷今年最火的岗位 FDE,我们闷头干了三年

2026年6月8日 22:22

原创 佳芮的创业笔记 2026-06-08 22:22 美国

让 AI 真正变成生产力

今年硅谷突然都在抢一个岗位,叫 FDE,Forward Deployed Engineer:公司派到客户现场的人,跟客户一起,把一个 AI demo 真正变成天天在用的系统。

这岗位我们闷头干了三年。

a16z 把 FDE 称作"tech 最火的岗位"。过去 12 个月,招聘量涨了 7 倍:

  • 2025 年 4 月全行业 643 个职位,2026 年 4 月涨到 5,330 个

  • YC 创业公司里就有 100 多家在招,三年前一家都没有。

薪水也在水涨船高:顶级 FDE 在 OpenAI、Anthropic 总包 30 万到 60 万美元,做到资深、纯做技术不带团队的,竟然能超过 100 万美元。

下面看这几家具体在做什么:

  • OpenAI 2024 年底就组建了 FDE 团队,2026 年把它做成独立的 The Deployment Company,初始投资超 40 亿美元,又收购英国 Tomoro,拿到 150 个资深的 FDE

  • Anthropic 组了个 Applied AI 团队,专门派工程师进大企业现场做 AI 落地

  • Google Cloud、Databricks、Scale AI、Adobe,以及几乎所有 B 轮以后的 AI 公司,都在大规模招 FDE

可光招人、买团队还不够。真要把 AI 铺进一家家企业,巨头还是得拉上麦肯锡、德勤、贝恩这些咨询公司。

这事我们 2023 年就在干了,比硅谷早三年。打一开始就说好:客户的业务真做好了才给钱,交个 demo、一份 SOP、几段提示词或者给套软件,都不算数。

FDE 是什么,最早怎么来的

FDE 全称 Forward Deployed Engineer。Palantir 第 13 号员工 Shyam Sankar 在 2000 年代末提出,2010 年代初成型,他本人就是这个词的发明者。

它和我们熟悉的 to B 岗位都不一样:

FDE 不是顾问,也不是一般的软件工程师,是真正被派进客户内部的人:进客户的群,跟客户的产品、研发坐一块儿,拿客户真实的数据和系统干活,开他们的晨会、动手写代码、线上出故障就去修。

他既要定"做什么",也得把东西做出来、接进系统、保证上线后一直能跑。衡量他的不是写了多少代码、交了几份文档,是这套系统到底有没有人在用、客户的生意有没有变好。

上线也不算完,他得一直待到这套系统变成客户每天的日常、客户自己的人能接手。

Palantir 为什么要发明它?它最早的客户是情报机构,这种客户有个特殊麻烦,没法清楚告诉你想要什么:东西是机密,写不进需求文档,开不进会议室。

Shyam Sankar 的判断:

他干脆把工程师塞进客户现场(驻军基地、分析员办公室、战场附近的指挥所),靠观察、实验、当场动手,去搞懂客户真实的业务。

Shyam 反复讲过一句话:

Good ideas don't come from eating strawberries in Palo Alto. They come from the fields of Djibouti and the factory floors of Detroit.

好想法不是在 Palo Alto 吃草莓时冒出来的,它们出现在吉布提的田野上、底特律的工厂车间里。

但 Palantir 真正精妙的地方不在"把人派出去",在背后那套分工。

下场的 FDE 其实是两种人搭班子:

  • 一种叫 Echo,是懂行业的领域专家,负责钻进客户的生意、找出真正该解决的问题;

  • 一种叫 Delta,是工程师,负责快速把东西搭出来。他们在前线搭的代码糙、全是临时补丁,后方还有一支产品团队,专门把现场趟出来的做法抽象成通用产品:先铺出一条"碎石路",再修成能跑下接下来 5 到 10 个客户的"高速公路"。

Palantir 今天一半以上收入的 Foundry,就是这么从一个个客户现场长出来的。

到 2016 年,Palantir 内部 FDE 的人数比软件工程师还多。今天这家公司市值超过 3000 亿美元,毛利率 80%,是软件公司的水平,不是咨询公司(埃森哲只有 32%)。FDE 不是辅助岗位,是它能从"被人骂作咨询公司"长成真正产品公司的原因。

这是 FDE 的模式:让最顶尖的工程师下场。

Palantir 的 FDE 不少是物理、数学背景,技术底子比市面上大多数人都硬。这套打法能啃下最难的客户,可门槛也高得吓人:你得找到既是物理博士、又愿意常驻客户现场写生产代码的人,这种人又少又贵。所以十几年,没人学得来。

FDE 怎么突然就火了

Palantir 闷头干了十几年,外界一直当它是个特例,没人学。直到这两年,大批企业砸钱上 AI,钱花了,东西却跑不起来。

MIT NANDA 2025 年调了 300 个公开的 AI 项目,95% 的企业试点对利润几乎没有可衡量的影响。

问题并不出在模型,GPT、Claude 都很能打,但是落地现场那摊东西却面临很大的挑战:脏数据、没人写过文档的工作流、合规红线、一堆为 AI 之前的时代设计的老系统。

一个 FDE 的原话:

更麻烦的是,AI 系统和传统软件,出问题的方式不一样。传统软件的风险在上线前,设计、集成、测试,跑通了基本就一直跑,真出错也直接报错,好查好修。

AI 反过来,风险在上线后:它是个概率系统,测试时好好的,一碰到真实数据和真实用户就开始退化,还不报错,只是悄悄变得不靠谱,答非所问、前后矛盾,一点点把用户的信任磨掉。偏偏这时候交付的人都走了,内部团队转去做下一个功能,顾问按合同干完就撤。

系统最该有人盯的时候,没人了。FDE 补的就是这个位置:人在客户现场,问题一冒头就当场调、当场改。

再往根上说,Bob McGrew(Palantir 第二位工程师、后来的 OpenAI 首席研究官)的角度是:

Agent 还没有现成的样子。SaaS 你一上来就知道要做成什么样,照着做个更好的去抢市场就行;

Agent 不是,没人知道一个销售 Agent、客服 Agent 最后该长成什么样,只能钻进客户的真实业务里一点点试,而这种试只能在客户内部做。

结论是:谁想在 Agent 时代找到 PMF,FDE 大概是绕不开的路。

巨头自己建了,还得拉上咨询公司

巨头的办法,是把咨询公司大规模拉进来一起干:

  • OpenAI 签了 BCG、McKinsey、Accenture、Capgemini、PwC 五家组成 Frontier Alliances,让它们帮自己把 AI 铺进企业;它砸 40 亿成立的 The Deployment Company,出资方里 Bain、McKinsey、Capgemini 三家就是咨询公司

  • Anthropic 拉黑石、高盛、Hellman & Friedman 合资 15 亿美元搞了家企业 AI 服务公司,把工程师送进世界 500 强,用私募的钱再造一支 FDE 队伍;它的合作方 Deloitte 也直接挂出了"Anthropic Forward Deployed Engineer"的岗位招人

自己建了为什么还要找咨询公司?OpenAI 不缺钱、不缺工程师,连现成的 FDE 都买得到。它缺的是另一样:钻进一家企业、把生意摸透、最后对结果负责。这件事麦肯锡、德勤干了几十年,OpenAI 想从零练出来很慢,不如直接拉它们一起干。

Bob McGrew 给想做 FDE 的创业者提过一个醒:

“如果不是非做不可,别碰,很容易做着做着就变成纯做服务的外包公司。但如果你的市场离了 FDE 根本起不来,那它可能就是你唯一行得通的方式。”

这套"AI 公司+咨询公司"的组合,在中国基本没有。

埃森哲、德勤、麦肯锡在中国都有团队,但规模、话语权比美国小一截;本土咨询公司里,也没谁跟大模型公司这么深度绑定。

我们没等这个组合出现。从 2023 年起,我们就让一个团队同时长出两套肌肉:懂客户的生意,懂 AI 工程。逼我们走这条路的是中国客户:业务真变好他们才续费,过程做得再漂亮也不买单。

一家 AI 公司怎么自己做 FDE

第一个该招的不是工程师

公开资料里反复出现一个事实:Palantir 最成功的几位 FDE,背景是物理和数学,不是 CS。有的来自硬件工程,加入前根本没写过软件。这一拨人里还有产品经理和设计师。Palantir CEO Alex Karp 是哲学博士。

我们自己 FDE 的负责人,是个学法语的 00 后女生。

说穿了并不意外。Palantir 的 FDE 团队里,写代码的是 Delta,真正稀缺的是钻业务的 Echo。Shyam 招 Echo 专挑"反叛者":不只懂这行怎么干,还能看出现在这套为什么不够好。

FDE 真正的核心能力,是读懂客户的生意、把要交付的成果设计出来。写代码是后半段的事。能想清楚"客户的钱从哪儿来、卡在哪儿、AI 能从哪儿撬动它"的人,比只会写代码的人稀缺得多。

大部分公司做 AI 落地的第一反应,是招算法工程师。错了。第一个该招的,是能听懂客户怎么赚钱的人,就是 Palantir 那个 Echo。

这件事我们交过学费。

我们踩过的坑:PE 摸不透客户的生意

最早交付全靠 PE(Prompt 工程师)一个人跑。他能照着客户说的把 prompt、把流程搭出来,可客户那行的生意怎么转、那些话背后的业务逻辑是什么,他摸不透。客户说一套,他照着搭一套,结果总不是客户真正要的。客户不满意,我那一年半有一半时间在救火,救的都是同一类:交付出去的 Agent 又出问题了。

被客户问住、设计被质疑的时候,PE 没底气,只能搬一句"客户就想要这个"来挡,其实他自己也没真懂客户要什么。东西的质量也兜不住:测试全靠手感,改好一处又坏一处。

后来我们改了打法:进场不再让 PE 单挑,先拉一个这行的业务专家一起进去,把客户的生意、流程、门道吃透,再带着 PE 一块搭。业务专家管"该做成什么",PE 把它落出来。配合一阵子,PE 自己也慢慢长出了懂业务的能力,能听懂客户话里的生意了。

想明白的就一条:第一个进客户现场的,得是真懂这行生意的人,不能让一个只会搭 prompt 的人单扛全部。

一个客户,很多能力,对真实成果负责

前年十月我读到 Palantir 的 FDE,第一反应是:我们要的就是这个名字。"按结果交付"的方向我们三年没改,但定义一直模糊。FDE 这个词把它定义清楚了:一个客户,很多能力,对客户身上的真实成果负责。

改名之后,我们改的是这件事本身怎么干。四件事:

进场,先摸客户怎么赚钱。 一个项目分三个阶段。第一阶段是诊断,懂这个行业的业务专家驻场三五天,把客户的 SOP、知识库、整条链路摸清楚:他怎么获客、怎么转化、钱卡在哪个环节。这些业务专家,有的就是从客户那个行业里挖来的老手:比如做在线教育时,我们跟一家头部在线教育公司的前 COO 深度绑定,他离职后跟我们一起,把这个行业的 AI 落地一遍遍打磨出来。不上来就装软件,先搞明白这门生意。这一步就是 Palantir 那个 Echo 在干的事。

搭,是几个人一起搭。 第二阶段,业务专家带着行业经验,和 FDE 一起把 Agent 搭起来、跑内测。这一步过去是 PE 一个人硬扛,现在不是了:懂业务的管业务,工程的活交给工程师,谁也别替谁硬撑。

质量,靠句子守护兜着。 PE 时代最做不好的就是测试调优,全靠人盯,改对了 A 又错了 B。我们把它做成了一个产品,叫句子守护:它自己从客户百万级的真实聊天记录里,挖出用户可能问的刁钻问题,一条条编成测试题(连正确答案该是什么都写好),拿去考被测的 Agent,自动跑、自动出报告:每条的通过率、答得快不快、花了多少钱、要不要转人工,全摆在报告里。这套东西和具体业务解耦,FDE 在现场踩的坑都沉淀进去,下一个客户进场,他手里的杠杆更大。

交付的是成果,不是一个搭好的流程。怎么证明成果是真的?落地时我们和客户做 A/B:AI 组是销售加 AI 一起干,对照组是同样的销售、纯人工,两组的线索质量、团队水平都拉平,只差用不用 AI。然后整条链路一个环节一个环节地比:触达率、响应率、转化率、人效,每一步都有数据,全程留痕,不是只看最后一个大盘数字。两组一摆,AI 带来多少增量,清清楚楚。我们也按这个结果收费:客户的人效真涨了,我们才拿钱。

这四件事合起来,懂生意的人就不用一个人硬扛了:他站在最前面,背后有业务专家、有工程师、有句子守护这套工具接着。他不用自己写代码,系统替他兜着。

这套收费方式,2023 年我们就定下了。当时国内同行主流还是按人头、按工时、按项目里程碑收,按结果的我们是少数。我后来才知道,这正是 FDE 区别于 SaaS 的命根子:SaaS 按席位、按用量收钱,FDE 卖的是"你帮客户解决了一个问题"。这里头有个不对称:大客户既不信自己能成,也不信你能成,因为他见过太多烂尾项目。

所以早期由我们把风险全扛下来,做成了、客户业务真变好了,再付钱。三年下来这条路站住了:客户续约率高,单个客户的合同越做越大。拿一个在线教育的头部客户说,用上这套之后,AI 组的产出是对照组的三倍,一个销售一个月能盯的人从一千做到三千,整条链路从人海一对一变成了一套系统。

他付给我们的钱也跟着这个涨幅走:盯的人翻三倍,付的也翻三倍。我们赚的就是这中间的人效提升,按线索量收费,不按人头、不按工时。

三年 FDE,长出了 7 个产品基建

我们今天有 7 个产品基建,但不是一开始就规划好的。最早只有两个:句子秒回和句子秒懂,一个是人和 Agent 协作的工作台,一个是搭 Agent 的大脑。剩下的全是 FDE 在客户现场一个个撞出来的:撞知识库的墙,长出句子智库;撞测试的墙,长出句子守护;撞老系统接不进来的墙,长出句子 CLI。现场踩的坑,一个个变成了下一个 FDE 进场就能用的杠杆。

这 7 个产品基建分三层,从客户天天在用的那层往下说:

  • 给终端用户用

    句子秒回(工位)是人和 Agent 协作的界面,一套界面复制到销售、律师、市场、HR;句子参谋(参谋)相当于一个随叫随到的数据分析师,用大白话问一句,就能挖用户洞察、拉转化分析、报异常预警。

  • 搭 Agent

    句子智库(记忆)做的是知识工程,把客户几百万字、散乱、还互相打架的知识,炼成 AI 查得到、越用越准的资产,这是 FDE 进场第一件事,业务没理清上面全白搭;句子秒懂(大脑)让业务的人也能编排多个 Agent;句子守护(主管)管测试、灰度、质检,上线每一步把关。

  • 数字化补齐

    AI 要在客户的系统里跑起来,先得把底层铺平。句子 CLI(手)对外打通各大平台,对内把客户的老系统封装成接口、接进上层;句子智造(地基)补齐客户缺的那块数字化能力。

FDE 贯穿这三层,用全套 7 个产品基建,把 AI 装进客户的真实业务。客户开通就拿到我们十年沉下来的行业能力,不用从零搭。这也是为什么我们敢按结果收费:不是赌运气,是手里有这套基建兜底。

从销售开始,往更多场景长

我们最早从销售切进去,这个场景离钱最近,AI 帮客户多转化、多签单,效果最容易用数字讲清楚。同一套 FDE 打法和产品基建跑通之后,往别处复制就快了:场景上,销售之外,律师、市场、HR 都在做;行业上,从在线教育起家,现在金融、医美、电商也铺开了。换个场景、换个行业,做法都一样:把人效做翻倍,把效果摆成数字。

三种 FDE,同一个角色,不同的活法

我们和 Palantir 解的是同一个问题:客户没法清楚地告诉你他要什么。Palantir 的客户是情报机构,机密说不出口;我们的客户是中国 to B,业务流复杂、KPI 多元、组织里利益盘根错节,需求文档同样写不清楚。两边的解法都是把人塞进去,靠观察、实验、当场动手搞懂客户真实的业务。

但三种模式的活法很不一样:

差别集中在两处。

一是成果能不能量化。Palantir 的成果常是"让一个原本不可能完成的任务被完成",比如破获一起恐袭、合规出一份报告,难量化;我们的成果是转化率、人效、营收,可以 A/B 测。所以我们能做按结果收费,Palantir 大部分单子做不到。这一点我们比 Palantir 走得远。

二是对人的门槛。Palantir 的 FDE 哪怕是物理博士,平均水平也比中国市场上大部分人高一截;我们这边的 FDE,可以是个 00 后、一个长在 AI 里的"原住民"。

不是要求更低,是 Agent 时代的低代码工具链帮 FDE 兜了底:他天生把 AI 当手脚使,只要能想清楚客户怎么赚钱、把成果设计出来,剩下的交给工具。OpenAI、Anthropic 今年新做 FDE 也是这个思路:前面是熟悉业务的人,后面是平台和工具兜底。

下场三年,我改了几个想法

AI 没有让客户裁员,反而让客户去抢更多流量。

我们本来以为人效翻倍,客户就会把差的销售裁掉。结果客户不裁。他用同样多的人,把市场上所有好的线索全抢了过来。

市场上的流量就那么多,谁的人效高,谁就能多拿。

好销售和差销售用上 AI,提升的幅度其实差不多。真正拉开差距的不是销售本身的好坏,是他愿不愿意用 AI。这件事甚至改了我们招人的画像。以前嫌一个人想法太多、不够踏实,现在这种人反而是我要的:脑子里点子多,会使 AI,还拿得准 AI 交出来的东西到底行不行。

按结果收钱这条路,三年前我们也没底;三年下来跑通了,比按工时收费的同行稳,客户也认。硅谷今年集体做 FDE,说到底也是认了这件事:客户认的是结果,不是过程。

干 FDE,真正稀缺的是这种人:能扎进一门陌生生意、快速摸懂,又对结果较真。会写代码反而是最不缺的。这种人,离自己出去开公司,其实只差一步。

写在最后

Palantir 十几年前就把这条路走通了,靠的是最顶尖的工程师。硅谷今年才把它捧成最火的岗位,巨头一边自己建、一边拉咨询公司,创业公司则自己招人。我们 2023 年就上路了,没叫它 FDE,靠的是一个团队自己长出两套肌肉,三年踩坑沉淀成 7 个产品基建,从第一天就按结果收钱。

最早把 FDE 讲清楚的那几个人,Palantir 的 Shyam、Bob,反复说的也不是"工程师驻场",是"卖成果,不卖软件"。这正是我们被国内客户逼着走的路。

说大一点,FDE 解的是 AI 这两年最拧巴的一个错配:技术早成熟了,企业也急着要,可大模型变不成业务生产力,中间缺的,就是把模型真正落进一门门生意里的人。

这个角色,中美都验证过是最优解:美国有 Palantir、有 OpenAI 的Deployment Company,中国是我们。

大模型不会自己变成客户的转化、人效、营收,得有人扎进去,一寸一寸把它落下来。这就是 FDE。

我们想做的,是在中国把这件事做到极致:让 AI 别停在 demo 里,真正变成一家家企业手里的生产力,给他们创造看得见的价值。

阅读原文

跳转微信打开

OpenAI 输给 Anthropic,不是输在产品,是输在组织

2026年6月1日 22:00

原创 佳芮的创业笔记 2026-06-01 22:00 美国

Open AI的整套打法都是按 C 端长出来的,其实是在企业AI致命的。

企业 AI,OpenAI 已经输了。不是输在产品,是输在组织——它整套打法都是按 C 端长出来的。

先说数字

根据Menlo Ventures 2025 中报 [1] 显示,2023 年底,OpenAI 在企业 LLM API 市场份额为50%。两年半之后,Anthropic变为32%,而OpenAI 份额减半,变成了OpenAI变为25%。

第一名换人了。

从Menlo 另一份数据[2]来看 2026 年初的企业 LLM 总支出中Anthropic为 40%,OpenAI 则是27%。

ARR 也反超了,2026 年 4 月 Anthropic 300 亿,OpenAI 约 250 亿。[3] 年费超百万美元的企业客户超过 1000 家,两个月翻一倍。

财富 10 强里面有 8 家在用 Claude。

营收来源也是反过来的,根据1月10号CNBC发表的数据,Anthropic 85% 来自企业;OpenAI 约 60% 来自消费者[4] 

ChatGPT 成全了 OpenAI,也困住了 OpenAI

一个 2 个月内冲到 1 亿用户的消费品,会反过来让整家公司练出一身 C 端肌肉——发布节奏快、迭代激进、容忍度高、用户骂两句没事、产品出问题改一版就行。

这套打法在 C 端是优势,到了企业市场就全成了负债:

  • 企业要的不是"上周更聪明了",是"过去 12 个月行为一致"

  • 企业不接受"偶尔幻觉",金融、医疗、法务一次幻觉就是合规事故

  • 企业采购周期 6-18 个月,要的是 5 年合作;C 端用户中位停留 < 2 周

  • 企业要 SOC 2、HIPAA、数据驻留、审计日志;C 端用户根本不知道这些是什么

OpenAI 没法两边都赢——它整套组织肌肉(工程师文化、迭代节奏、定价模型、销售组织)都是被 ChatGPT 这个 C 端爆款训练出来的,做不了企业基础设施。

五年前的反共识

五年前,Amodei 兄妹带着一批资深研究员从 OpenAI 出来,创立 Anthropic。三条创立原则在当时都属于反共识:

  1. 安全和盈利不冲突,可以同时做
  2. 真正的价值在企业市场,不在 to C 病毒式产品
  3. 稳步推进比鲁莽抢跑更能赢

Anthropic 总裁 Daniela Amodei(CEO Dario 的妹妹)讲过他们当时离开 OpenAI 的想法:

We really just felt more like we were running towards something than running away from something.

我们更像是朝着某个东西在跑,而不是从某个东西逃出来。

不是带情绪出走,是带着自己的产品方向离开。2022 年 11 月 ChatGPT 上线、两个月冲到 1 亿用户那一波,Anthropic 看着没跟。

Daniela 给的理由是:

Anthropic, as an organization, is well suited to be a B2B company. We really care about things like reliability and security and safety. That's baked into our DNA.

Anthropic 这个组织,本来就更适合做 B2B 公司。我们真的在意可靠性、安全、保密——这些写在 DNA 里。

这三个词的顺序不是随机的,reliability 排在最前,是 Anthropic 五年来反复回到的那个词。

Daniela 还讲过一条内部价值观:

One of the values and the things that we talk about a lot internally is just how not to believe the hype.

我们内部一个很重要的价值观,就是不要相信 hype。我们从来不是为了博关注、博头条,是来真的做事的。

Anthropic 投资方 Bessemer Ventures 的合伙人 Sameer Dholakia,给的商业理由是:

Enterprise customers don't churn the way consumers do.

企业客户不会像消费者那样说走就走。

C 端用户中位停留不到 2 周,但是企业一签就是几年。Anthropic 五年前赌的就是这条——前两年看着像放弃 C 端的大市场,今天 ARR 反超 OpenAI。

Anthropic 选的是 reliability

Anthropic 官方使命的原话:

We are an AI safety and research company that builds reliable, interpretable, and steerable AI systems.

我们是一家 AI 安全与研究公司,造的是可靠、可解释、可控的 AI 系统。

他们说自己是 "AI safety and research company"——但造的系统第一属性是reliable,排在 interpretable、steerable 之前。

外界把他们记成"safety 公司"是因为公关声量集中在那儿——但他们卖给企业的核心价值,从来第一位都是 reliable。Daniela 在 CNBC 那段采访里也把顺序排得很清楚:reliability 第一,security 第二,safety 第三。

Anthropic 自己面向企业的话术开头就写:

Enterprises cannot afford inconsistent AI behavior. Business environments demand repeatable and stable outputs.

企业容不得 AI 行为不一致。企业场景要的就是可重复、稳定的输出。

硅谷在吵泡沫、刷 benchmark、争谁家模型最聪明,Anthropic 把精力放在那些很少上头条、却真正决定能不能上线的问题上——AI 在最敏感的系统里,到底能不能被信任。

Daniela 在 Fast Company 那篇专访里(2026-01-27)说:

Trust is what unlocks deployment at scale.

信任,才是规模化部署的钥匙。

In regulated industries, the question isn't just which model is smartest—it's which model you can actually rely on, and whether the company behind it will be a responsible long-term partner.

在受监管的行业里,问题不是哪个模型最聪明——是哪个你真能靠得住,以及它背后的公司是不是一个负责任的长期伙伴。

Daniela 紧接着补了一句:

I think we are a good judge of what our models can do reliably and what they cannot do reliably.

我们对自己的模型能可靠做什么、不能可靠做什么,判断是准的。

Anthropic 把 Claude 定位成企业基础设施——一种会在医疗系统、保险平台、合规流水线里连续跑几小时、有时几天的软件,而不是消费品。

OpenAI 比的是"最聪明",Anthropic 比的是"最能放心连续跑一年"。客户买单时看的是后者——因为企业评估 AI 的问题变了:过去问"哪个模型最强",现在问"哪个模型能让我有把握上线进我自己的系统"。

展开看是这 7 道关:

  1. 可预测性—— 一致、可重复的输出,不能"上周这么答这周那么答"
  2. 数据安全与隐私 ——内部文档、客户数据、专有信息不外泄
  3. 治理与控制——能划红线、能管住它说什么、能让它按公司规矩办事
  4. 可审计与透明——输出可追溯、可解释,有合规能用的日志
  5. 集成——能接进 CRM、知识库、内部 API、现有工作流
  6. 可扩展——数据量大、用户多、场景杂的时候照样跑得稳
  7. 多模型策略——企业不再押注一家,按场景选最合适的模型

Anthropic 这套打法每一条都对得上。驱动 AI 采购的不再是模型性能,是模型在企业的真实约束里能不能跑稳。Accenture、Deloitte 这些咨询大厂也在按这 7 条给客户挑供应商,Anthropic 正好是合身的那家。

Do More With Less——用更少做更多

"Do more with less" 是 Anthropic 公司层面的价值观——别因为有钱就堆资源,先逼自己用更少的人、更少的钱、更少的算力把事做出来。亚马逊在领导力原则里有一条 Frugality(节俭),讲的是同一件事。

Daniela 在 CNBC 的另一篇专访[5]里讲的:

Anthropic has always had a fraction of what our competitors have had in terms of compute and capital, and yet, pretty consistently, we've had the most powerful, most performant models for the majority of the past several years.

Anthropic 一直只有竞争对手一小部分的算力和资本,但过去几年里,绝大多数时候我们都在最强最快的模型那一档。

这条价值观体现在好几个维度上,不只是算力:

  • 算力和资本:OpenAI 押了 1.4 万亿美元的算力承诺,但是Anthropic 大约 1000 亿,只有 1/14。
  • 基础设施:OpenAI 重金自建大型园区 + 专属算力,但是Anthropic 不绑定一家,按成本、可用性、客户需求决定模型跑在哪儿。
  • 训练:把功夫下在更高质量的数据和 post-training 技术上,单位算力性能更高,而不是靠堆参数、堆训练量。
  • 产品:选择跑得起、容易上线的形态,让客户用得起、采用门槛低。

每一笔投入都在算"每美元算力换多少业务结果"。下一阶段拼的不是谁的预训练规模最大,是谁能把单位资源做出最大的能力。

这件事对做 To B 创业的人意味着什么

第一波生成式 AI 靠的是消费者兴奋感和病毒式传播。下一波则会在企业的采购流程、架构评审、合规审查里安静地完成——决定 AI 到底能不能真正嵌进有问责机制的组织里。

我有三个判断:

  • 基础设施化 AI 正在变成像云计算一样"看不见的"企业基础设施,开始承重,开始进入关键工作流。

  • 生态竞争 胜负不再只取决于模型本身,取决于和现有系统的集成程度。

  • 治理是第一差异点  AI 治理会成为决定长期供应商关系的核心竞争因素,意义已经超出"合规"本身。

对国内做 To B 的创业公司也一样。最容易踩的坑就是被国内大厂的 C 端 demo 故事带跑——比谁的多模态更炫、谁的 chat 体验更顺。客户付钱看的根本不是这些。

而且中国做 To B 的 AI 创业还多一层硬约束:拿不到美国大厂级别的资本和算力。能赢的路只有一条——"do more with less",把每一块资源都换成具体的业务结果。

句子互动这两年走的就是这条路。不到 100 人的团队对着四个行业(在线教育、政企、消费品、金融)做 IM-native Agentic AI——不追多模态秀场,不追炫 demo,把每一块算力换成具体业务指标:营销转化、客服一次性解决率、续约率、合规审核通过率。一次幻觉、一次不一致、一次掉线,丢的都是真订单。我们卖的不是 demo 里那个最炫的回答,是连续跑一年都不出意外的那个回答。

为了真做到这件事,我们搭了一套 Agent 质量保障体系——AI 测试、批量验收、灰度发布、Badcase 反馈、回归测试、AI 质检 6 个模块串成闭环,覆盖上线前、上线中、上线后整条链路。每次 Agent 改动都跑全量回归,灰度发布按比例分流,线上 AI 客服和人工客服用同一套质检标准。Agent 上线不是赌博,是每一步都有据可依。

句子互动 全链路 AI 质量保障体系:6 个模块串成闭环——上线前的 AI 测试 + 批量验收、上线中的灰度发布、上线后的 Badcase 反馈 + 回归测试 + AI 质检;KPI 上测试效率 +80%、上线风险 -60%、Badcase 闭环 100%、版本稳定性 +50%

我自己每天的工作方式是 1 个人 + N 个 Agent,公司内部先把"每美元算力换多少业务结果"跑通。

Anthropic 在英文世界证明了一遍。中文世界也一样。

赢家不会是最聪明的那家,是最靠得住的那家——这也正是句子互动从做 Agent 第一天起,就一直坚持的事。

转自我的博客:https://rui.juzi.bot/claude/ (你需要复制出来去浏览器看,公众号跳转不了..)

🔗本文引用链接

[1]https://x.com/rohanpaul_ai/status/1984683421109481704;

[2]https://www.axios.com/2026/03/18/ai-enterprise-revenue-anthropic-openai

[3]https://medium.com/@david.j.sea/anthropic-just-passed-openai-in-revenue-here-is-why-it-matters-e3dd9bb04069

[4]https://www.cnbc.com/2026/01/10/anthropic-amodei-siblings-generative-ai.html

[5]https://www.cnbc.com/2026/01/03/anthropic-daniela-amodei-do-more-with-less-bet.html

BTW: 

我开始恢复自己的博客了,感谢 claude code,欢迎来到我的博客:rui.juzi.bot 

我的 Claude 永动机的实验,也会持续在我的博客更新。

阅读原文

跳转微信打开

从 Vibe Coding 到 Vibe X:写代码只是开始

2026年5月1日 22:58

原创 佳芮的创业笔记 2026-05-01 22:58 北京

我又开始写代码了——但这事跟代码没关系。

做了 12 年公司、接近 10 年没动手写代码的 CEO,被 Claude Opus 4.5 拉回键盘——通宵了好几晚 vibe coding。但这事儿真不只是 coding:它是我在搭下一代组织的入口。

AI 不会替代程序员,但程序员会替代其他人。

--这或许就是 AI 原生组织的样子。

一个十年没碰代码的人,又开始写代码了

我本科和研究生都是计算机。十年前我是程序员。

做公司最开始那几年,代码全是我自己写的——2016 年给 Wechaty 提第一个 commit,2018 年手搓了这个博客,那时候 GitHub 主页一片绿。

2018 年 CTO 加入之后才陆续不写了。先是没时间,再是没必要:团队比我写得快、写得好。再往后连 PR 都不看了,团队问要不要给我代码库权限,我直接拒绝——完全不碰才好。

Claude Opus 4.5 出来之后我又开始写了。

不是因为模型多聪明。是因为以前挡在我和代码之间的那堆破事——配环境、查命令、看报错——全不用我管了。

让我退坑的,从来不是"想不出要写什么"

写代码这件事,过去最讨厌的部分从来不是"想清楚要做什么"——是要先穿过一层一层基础设施:

  • 这个语言我不熟、那个框架我没用过

  • 这个工具链得 setup 半天,npm 装包还报错

  • 那个 Unix 命令我每次都得现查一遍

  • 这个云服务还要开账号、配密钥、对一遍权限

这些事没有一件跟"我想做的东西"有关。它们是过路费。

做了 12 年公司、十年没动手写代码,这层过路费在我这里堆得比谁都厚。我曾是全球最大对话式 RPA 开源框架 Wechaty 的作者,现在比一个刚毕业的工程师还慢得多——人家熟练度还在,我连 git rebase 都得现查。

Agent 把这一层吃掉了。

剩给我的事情,刚好是我最熟的几件事:想清楚自己要什么、把它讲明白、判断做出来的东西对不对。做了 12 年公司,这就是我天天在练的。

过路费没了。剩下的,全是 CEO 本来就在干的事。

Vibe coding 是一种有真实回报的电子游戏

写了一段时间我发现,这件事像在玩游戏——上头到我连续通宵了好几个晚上 vibe coding。

  • 一直贴着自己能力的边在跑,反馈密集

  • 但它没有关卡,做出来的是真东西

  • 不是为了通关,是真有一个能跑起来的东西

过去能写代码的人是 0.1%。Agent 把这个数字推到 1-3%——几十倍。

我猜未来的样子会像 Minecraft——单人或两三人做出来的东西,反而走得最远。不是因为他们更聪明,是因为他们没有要照顾的团队意见、没有要 review 的 PR、没有要妥协的 PRD。

一个判断对的人,加上 agent,速度会非常快。

AI 太想讨好你

但 agent 还远没到能放手让它自己跑的地步。

我的体感是:模型像狗。有用,但得有训练师在旁边把方向。它会顺着你说,你说什么它都觉得有道理。一个错误的判断,它能给你写出 200 行漂亮的代码来证明你是对的。

而且上下文一长就开始失忆。codebase 大一点,它会反复修同一个 bug、忘掉刚才已经做过的事。

我试过让两个 agent 互相 review 同一个 PR,发现它们会互相迎合 ——谁都不会硬顶对方,提不出真正的反对意见。

但人 + AI 的组合——人来定架构,AI 来填代码——在原型和简单应用上效果惊人。这是我目前唯一觉得稳定能跑起来的工作方式。

从 Vibe Coding 到 Vibe X

开始写代码之后我很快发现:同一套方法,不只能用在 coding 上。

我把它叫 Vibe X ——X 可以是任何"用脑子干"的活。每天我用 Claude 干的事里,coding 反而是最小的一块:分析客户数据、改 PPT、拆 SOP、写文章、调流程——都是同一套打法。代码只是凑巧最早被跑通的那个场景。

被打开的不是"写代码"这一件事,是"用脑子干活"这整个面。

再往下推一层——一个 Agent 的本质,就是一组编排好的 skill。Skill 是能动性的最小单元,它知道一件事怎么干、从哪儿找上下文、用什么工具、做完放哪儿。

这给搭下一代组织一个非常具体的起点:把每个岗位拆成一组 skill,再把这些 skill 编排起来。组织设计可以从"画组织架构图"变成"编排 skill"。

想做一个 Claude 永动机

我现在每天最稳定的工作方式是:脑子里想,顺手写出来,让 Claude 干,我 review。

我脑子里同时在转的事情很多,所以让 Claude 并行跑——想到一个丢一个,他几条线一起推,我慢慢 review。我审得没他写得快,所以他从来不闲着。

我把这件事叫「Claude 永动机」——核心不是 Claude 多强,而是只要我还在动脑,它就一直在动手。

  • 客户:拆客户问题 → 出解决方案 → 整理成PPT / Demo

  • 产品:设计下一代 Agent 工作台 → 跑原型 → 自己上手用一遍

  • 团队:把模糊的战略想清楚 → 拆成 OKR → 跟到落地

  • AI 原生组织实验:把一个原本要人干的活拆成 SOP → Agent 化 → 我 review

  • 写小工具自动化日常的杂活,我写的代码都没有给公司用 ^_^

这些事过去的瓶颈都不在工具,是在我——一次只能干一件,想到的大部分根本等不到落地就漏掉了。

但只要让 Claude 一直在跑,瓶颈就只剩"我想清楚要什么"。我已经在做了。

这里,将是我的下一代组织试验田

但我真正在想的事情,比这些都大。

我每天都在想一件事:下一代的组织会长什么样。

  • 不是工具变强,是组织本身被重新搭一遍

  • 不是给员工配 AI,是每个人本身就带一支 AI 队伍

  • 不是 AI 替代人,是少数人借 AI 的杠杆,干过去一整支团队的活

这套思考前几天在北大讲过一次——《重新发明组织 —— AI 原生时代,我们正在交付的产品,和还没解的题》(在我博客里有:https://rui.juzi.bot/slides/files/2026-04-25-ai-organization-pku/index.html)。但讲清楚是一回事,把它真跑出来是另一回事。最快的方式还是自己先搭一个出来跑。

我不缺实验田。句子互动近百号人——产品、客户、组织每天都在跑。外面还有一批客户,跟我们一起在走"AI 原生组织"这条路。我自己先做 1 号实验对象,跑通的先交给团队,再带出去给客户。

「Claude 永动机」这一栏,从今天开始放我跑过的实验:

  • 怎么把"我"变成 1+N 的组织(1 个我,N 个 Agent)

  • 跑过的有意思的长任务

  • hack Claude 的小实验(自动点"继续"、把 share 链接里的产物全扒下来这种)

  • 失败的实验,和为什么失败

写在 2026 年 4 月。这一栏从今天开始填。

转自我的博客:https://rui.juzi.bot/claude/ (你需要复制出来去浏览器看,公众号跳转不了..)

BTW: 

我开始恢复自己的博客了,感谢 claude code,欢迎来到我的博客:rui.juzi.bot 

我的 Claude 永动机的实验,也会持续在我的博客更新。

阅读原文

跳转微信打开

写在句子互动的2026 年

2026年2月24日 15:56

李佳芮 2026-02-24 15:56 北京

2026,让我们继续 Dive Deep,同时,加速迭代。

去年破局,今年破竹。我们,准备好了。

句子互动的小伙伴们,

开工大吉!

2025 年,是我们的「AI 破局年」。

我们在 AI 交付上迈出了里程碑式的一步:在在线教育的销售转化环节用 AI 交付了结果,并让用户愿意按结果付费,实现了 AI 的真正落地,甚至 PK 掉了某头部在线教育公司自研一年的成果。

我们的 AI  员工完成了超过 5500 万次自主决策,生成了 1257 万次智能回复,触达了 410 万用户,帮助客户团队实现了 3 倍的人效提升。

这些数字背后,是我们去年提出的「主动出击」终于在 AI 领域开花结果,「追求公平」的分配原则让创造价值的同学获得了应有的回报,而「打造学习型组织」上,虽然还有很多不完美,但我们沉淀的最佳实践和一系列内部分享会,正在让持续学习和自我迭代的文化融入团队的血液。

今年,我们聊一聊「Dive Deep」、「AI 交付」和「AI 原生组织」。

Dive Deep

Dive Deep 最开始是来自亚马逊的企业文化:

Leaders operate at all levels, stay connected to the details, audit frequently, and are skeptical when metrics and anecdote differ. No task is beneath them.

领导者深入业务各个环节,始终掌握第一手细节。他们经常检查,对数据与传闻不符之处保持怀疑态度。他们从不认为有任何工作不值得自己亲自去做。

在此之上,我做了一些延伸,Dive Deep 是一种由好奇心驱动、以数据为基础、追求根本原因的思维模式和工作习惯。在关键的问题上,我们需要有刨根问底的原则,极致的工作态度和深度的思维模式,才能帮助我们交付更好的结果。

AI 让很多事情交付结果变的越来越容易,但是真正能拉开距离的,其实是交付结果的深度,唯有 Dive Deep,才能交付十倍好的结果。

我们的“按结果付费”模式,本质上就是一种 Dive Deep 模式——如果我们不能深入到客户的业务细节中,精准地衡量、交付我们创造的价值,这个模式就无法规模化。

我们的产品需要 Dive Deep,我们只有深入在客户的土壤之中,泡在客户的真实场景里面,才能对客户需求有深度洞察,对客户业务流程的深度理解,更重要的要让 AI 真正嵌入到客户的业务中,才能真正让我们的 AI 员工上岗,AI 上岗在这里,还有一个更深的意义:不止是真正为企业带来结果,还要帮助企业完成AI的组织落地。

我们的研发需要 Dive Deep,修复一个 Bug 只是开始,更重要的是分析这个 Bug 出现的根因:是代码规范问题、测试流程缺失,还是架构设计缺陷?如何从系统上防止同类问题再次发生?每个人都可以向前一步,前端、后端、测试、运维主动承担相邻领域的职责,不局限于“一亩三分地”,共同为产品的最终交付质量负责。

我们的销售和交付需要 Dive Deep,这意味着我们要成为客户的业务专家。我们要比客户的执行层更懂他的业务痛点,能帮他算清楚每一笔 ROI。我们PK掉头部公司自研一年的成果,就是一个典型的 Dive Deep 的胜利。我们要把这些 Know-how 沉淀下来,变成可复制的方法论。

对我们每一个人的日常工作,都可以 Dive Deep。我做的这件事,最终为客户创造了什么价值?衡量我工作结果的核心指标是什么?在讨论时,多用“数据显示”开头,而不是“我觉得”。当数据和直觉、听到的传闻不一致时,要敢于怀疑,并深入探究,直到找到真相。

AI 交付

过去一年,我们在在线教育行业跑通了按结果付费的模式,沉淀了最好的 SOP 和最佳实践,搭建速度实现了十倍的提升。但这只是一个开始。

我也听到一些 Prompt Engineer(PE) 同学的焦虑:大模型越来越强,会吃掉 PE 吗?

我的答案是:流程引擎的时代正在过去,或者说,流程引擎正在被 AI 重新定义。PE 的未来,一定不是搭建流程引擎,而是能更好地管理 AI,让 AI 的能力变得可控可用、可衡量、可优化、可规模化。

这意味着我们需要做几件事:

第一,给 Agent 做工具。我们不能只是在用 AI,我们要为 AI 打造更强大的基础设施,让 Agent 能够调用更多的能力,完成更复杂的任务。

第二,让 AI 交付的结果可评估、可衡量。 Agent 上岗前,要有量化的测试标准 -- 准确率、覆盖率、异常兜底率,像软件发版一样有明确的质量门槛。Agent 上岗后,要有清晰的效益衡量 -- 客户的转化率、人效、满意度,这些是我们"按结果付费"的根基。没有测试,就没有质量;没有衡量,就没有优化。

第三,技术轮岗。我们要把软件工程的最佳实践全面落地到 AI 交付中。代码审查、自动化测试、持续集成、版本管理 -- 这些在软件工程领域已经被验证过的方法论,同样适用于 AI 交付。我们的交付不能只靠"手感",要靠工程化的体系来保证质量和效率。

我们学习 Palantir 的 FDE(Forward Deployed Engineer)模式,需要既懂技术,又懂业务的人,能够深入到客户的场景中,用工程化的方式交付 AI 解决方案。这是我们 AI 交付团队进化的方向,也是我们从“项目交付”到“价值共创”的关键。

打造AI原生组织

作为一家打造 AI 员工的公司,我们自己本身就是 AI 最好的实验场,我们内部所有流程都应该尽可能 AI 化,这也是去年开始我提出的打造 AI 原生组织,但是去年还只是在管培生层面,今年要逐渐覆盖到全员。

我们更好的深度实践,一方面是内部的提效,另外一方面也是将这些实践输出给我们的客户。

过去的实践我发现,AI 落地不仅需要高层对于 AI-First 的坚定投入,还需要自下而上的热情,也就是真正在一线干活的人,需要对 AI 感到兴奋,愿意学习、愿意布道、愿意总结最佳实践,愿意在组织里做知识分享。

自下而上的推动比想象中重要的原因是,每个人的工作都不一样、非常具体。无论是软件工程、财务、运营、市场还是销售,落地到工作层面,会有大量“最后一公里”的细节,必须靠一线的人去试、去打磨、去改 workflow。

只有高层的坚定决心,缺少一线的热情拥抱,即使在绩效写明了“你要用 AI 提升生产力”,也必然会走向失败。一个客观事实是,一线不可能全面拥抱,就需要一小波“AI 传教士”先开始,然后逐步渗透,逐步影响。

新的一年,“AI 传教士”不仅仅是 AI 管培生的工作,也会吸纳各个部门对 AI 兴奋的人,我们也会组织一系列的 hackathon,核心目标是用 AI 重塑句子内部的工作流。这也是学习型组织的进一步延伸:内部尝试,拿到结果,做持续的知识分享,在组织内部制造兴奋感,吸引更多人加入。

最后

在刚刚结束的年会上,我分享了竹子的故事:竹子用了四年的时间,仅仅只生长了3厘米,但是到了第五年开春,竹子就会以每天30cm的速度飞速生长,从破土而出的竹笋到一棵竹子,仅仅只需要六周时间。

我们 2025 年的年会主题是「Dive Deep,Rise High.」我们所有的深入钻研,都是为了最终的突破和飞跃。只有先 Dive Deep,才有可能 Rise High。

但 AI 时代,只靠深度还不够,我们还需要速度。

速度,意味着更快的迭代。模型、用户需求、竞争者都在快速变化,AI 创业的本质已经变成一个持续实验的过程,而不是一次性产品设计。谁迭代更快,谁就能赢。

在高速变化的 AI 时代,商业模式会变、产品会变、技术会变,唯一稳定的变量,是我们的进化能力。

2026,让我们继续 Dive Deep,同时,加速迭代。

去年破局,今年破竹。我们,准备好了。

句子互动创始人 李佳芮

2026.2.24

往年回顾

跳转微信打开

写在 2025 年的最后一天

2026年2月22日 23:58

原创 佳芮的创业笔记 2026-02-22 23:58 北京

在创业的第 11 年,忽然开始有点参悟到了什么是“平常心” --- 回归事物本源、认清本质,做对的事情,持久的平和心态。这还是蛮难的一个修行。

2025年,我的关键词是 -- 平常心

今年由于身体的原因,也没有刻意逼迫自己,拖到大年初六才写完。

其实12月31日那天晚上,还是有点失眠,特别想爬起来写这篇文章,那天晚上我就确定了,2025 年的关键词是“平常心”。 其实如果是过去的自己,一定就直接爬起来写东西到凌晨了,不过那天晚上还是刻意控制了下自己,努力睡觉,虽然效果甚微。

第一次认真了解「平常心」,是在段永平的文章。那应该是好多年前了,那个时候其实对于这个词不是特别理解,以为是大佬无欲无求后追求的人生状态。然而在今年,严格意义上创业的第 11 年,忽然开始有点参悟到了什么是“平常心” --- 回归事物本源、认清本质,做对的事情,持久的平和心态。

这还是蛮难的一个修行。

从 2016 年开始,每一年都会给自己一个关键词来回顾过去的一年:2016年是激荡, 2017年是蛰伏,2018年是厚重,2021年是感恩,2022 年的接受,2023 年是奔跑,2024 年是九死一生。

在 2025 年的年底,我定的关键词是「平常心」。

其实不是我这一年已经修炼的多好,更多的是,我终于清醒地意识到,修炼「平常心」,是我接下来日子里重要的命题。

01. 平常心看我们内部的变化

其实在当下 AI 的行业里,真的很难做到平常心,每天一个大新闻,难免会有一些 FOMO 情绪。幸运的是,亲身经历过上一波的 AI 周期,加上对技术底层逻辑的一些认知,不至于太容易被外面的喧嚣推着走,但即便如此,内心难免会有些波澜,也在努力做一些克制。

回头看创业的这些年,我总想抓住太多东西,面对层出不穷的机会,我总觉得自己精力无限,觉得没有什么问题是熬一个通宵解决不了的,如果不行,那就多熬几个。今年这一年,因为身体的原因,被迫学会了拒绝,如今回望,虽有些许遗憾,但大局并未因此受到太多影响。原来,很多机会,放一放,真的没什么。

认真思考之后抓住几个重要的,然后全力以赴,再给一些容错的空间,似乎也就够了。

外部在发生很多变化,但更需要的,还是守住自己的主线,不能乱了阵脚。

有的时候也会质疑我们走的是不是有点太稳了,会错过什么。但回头看,那些新的东西,我们似乎也并未缺席,一直在用自己的方式尝试和探索。

句子互动今年的年纪,说大不大,说小不小了,偶尔也会担心她会逐渐变成一家传统的公司,有一次被人评价“句子做的事情不够cool",还是让我深思了很久。似乎很多公司都是急剧转型,YC 也很提倡公司发展要趁早 pivot(转型),似乎“百年老店”的执着显得有些不合时宜。

但我始终相信,客户的本质需求一直没有发生变化,只是技术的更新迭代,让需求的实现方式发生变化而已,只要我们一直在尝试最新的东西去尝试解决本质问题,只要我们对客户本质需求理解的越来越深刻,总是能找到我们自己的路的。

今年我有一个很深的感受:To B 业务要解决的,从来不只是一个孤立的“真需求”,还包括围绕这个需求展开的一系列复杂的“组织落地问题”。有时,后者带来的工作量甚至远超需求本身,但谁又能说,解决这些组织问题,不属于真正需求的一部分呢?

当然,或许在更长远的未来,当“一人十亿美金公司”成为常态时,组织问题会迎刃而解。但总归还是务实的解决好眼前的问题,迭代到未来,自然会有新的需求浮现。 

今年年底,我们在在线教育行业的销售转化环节,用按结果付费的方式落了地,甚至真正PK掉了头部公司内部自研一年的成果,这个战绩,让我内心稍安。To B的增长曲线确实不像To C那样陡峭,没有“坐火箭”般的速度,但只要我们一步一个脚印地夯实业务根基,自然会建立起属于自己的、坚不可摧的长期护城河。

02. 重新思考「抓大放小」

今年的一大遗憾,是对产品和技术的深度思考变少了。我似乎总是被各种琐事裹挟,缺少了深度研讨和思考的整块时间。虽然和身体有一些关系,但也让我开始反思“抓大放小”的智慧。

其实一直都在说「思考不做什么很重要」,我也一直在尝试哪些东西我可以不做。但现实是,有时我一旦放手,事情就会演变成一团乱麻,最终我不得不花费更长的时间去“擦屁股”。在擦了几次屁股之后,我开始懊悔,当初或许不该过于放手。

然而,若不放手,又会被无数看似重要却细碎的事务所淹没,被推着去做许多微小却又感觉很重要的决策。很多时候,我们根本无法说清,到底是无数微小而正确的决策,一步步地引领我们走向终点;还是某一个石破天惊的重大决策,决定了公司的成败? --- 在成功者的新闻稿里,故事总是由几个决定性的瞬间构成,显得惊心动魄且富有戏剧性。但在真实的商业世界里,伟大的决策与无数正确的微小决策之间,或许本就是一个动态的平衡。

更进一步,如何让组织能够自发地、持续地做出正确的微决策,或许是更重要的事情,也是我接下来需要面对和解决的核心命题。

03. 聊一聊新身份

在除夕的前几天,我的人生清单上,又完成了一项——我拥有了一个全新的身份,如愿成为了一位妈妈。

其实直到今天,我都还有点恍惚,虽然我期待这一刻已经很久很久了,但是对于新的身份,至今还没有完全适应。

成为妈妈的过程,远比我想象的要辛苦。早期的严重孕反让我一度卧床不起,就算有要紧事必须去公司,到了楼下得先在楼下吐一阵才能上楼。后来听一个朋友说,有几次在清华上课时路过公司楼下,看到我蹲在地上,迟迟不敢上前打招呼,以为我在蹲在地上痛苦,还在想是不是我遇到什么难事。其实,我只是在与翻江倒海的恶心感和头疼作斗争。

好不容易熬过孕反,开始疯狂加班整理孕反期间公司的混乱,欠下的债总是要还的,终于还的差不多了以后,就到了孕晚期,各种腰酸腿痛接踵而至。我拖着沉重的身体,在年底处理各种总结和年度规划,好在孕晚期虽然身体酸痛,倒不像孕早期那样精神萎靡,整个人精力还是在线的。唯一的遗憾是运动没能跟上,体重涨了不少,宝宝也偏大。周五开完最后一个会,周一,我便去引产了。

看到那么柔软的小生命在我怀中,哇哇大哭,她依赖我,她需要我,她信任我,我闻着她奶乎乎的香气,瞬间变得柔软很多,也幸福很多。

或许,正是这段孕育生命的过程,让我知道自己能掌控的事情原来是那么有限。这也以一种意想不到的方式,帮助我练习了“平常心” -- 比如我连我自己的身体,都完全控制不了,身体本身有它自己的节奏和意志,强求不来。

创业以来,我最大的无力感并非来自外部的竞争或压力,而是来自身体本身——当你觉得自己还大有可为,但身体却发出了“不允许”的信号时,那种无力感,最为深刻。

好在怀孕只是一个阶段性的过程,新生儿开启了新的生命,我的身体也即将重新开启新的状态。

或许怀孕过程中那些艰难的时刻,是在提醒我保重身体的重要性。以及我确实发现自己天生精力和能量比一般人要旺盛一些,所以能做的事情也就多一些,这种高能量,可能确实是推动我创业到今天的很重要的因素。

新的一年,最重要的事情,保护好身体,保护好我的高能量。

最后

我也忘记了2025年 4 月 24 日那天发生了什么事情,我忽然在即刻上发了这样的动态,在这一刻,似乎用来形容这一年也很合适,不过最后一句话可以稍微调整一下 --- 努力修炼「平常心」。

写在最后一天系列(2021 年之后才搬到公众号,之前都在个人博客上)

点击原文链接,跳转我的个人博客主页,博客断更多年,老文章都在。

阅读原文

跳转微信打开

2025 年,一个创业者的 100 条思考切片

2026年2月17日 21:43

原创 佳芮的创业笔记 2026-02-17 21:43 北京

要特别特别坚决地相信,未来的你一定比现在好,只要你在坚持成长,只要去做一个一头扎入未知的人。

年末,按照惯例整理一整年的思考切片。这次打算和写在《2025 年的最后一天》分开发布了。

以下是一些思考分类:

  • 关于技术与人

  • 关于商业

  • 关于创业

  • 关于竞争

  • 一些常识

  • 关于 AI

  • 关于产品

  • 关于团队

  • 关于成长

  • 关于希望

  • 关于做事

  • 一些感性的表达

关于技术与人

1.

我们塑造工具,工具反过来塑造我们。

-- 麦克卢汉

2. 

历史上,每次有新工具都在改写工作形态,但并没有把“所有劳动”彻底抹去

3.

杰文斯悖论:当技术进步提高了使用资源的效率,但成本降低导致需求增加,令资源消耗的速度不减反增。

4.

大模型学习推理能力,和我希望团队的成长是非常相似的:意识到错误,改成,拆解复杂任务到简单任务,在当前路径不通的时候换和路径。

“It learns to recognize and correct its mistakes. It learns to break down tricky steps into simpler ones. It learns to try a different approach when the current one isn’t working. ”

5.

从机器学习,到向机器学习

6.

正如机器可以被认为是工人延长了的手和腿,工人也可以被认为是机器的延伸。我们使用一台机器来做我们不能做的事情,却发现自己必须做机器所做的事情。人为了控制而使用机器,却被机器所控制。

7.

如果不站在个体而是站在文明的进程来看,文明的进程很少有直线前进的。这不是在原地兜圈子,而是在走一条蜿蜒曲折的盘山公路。

8.

赫拉利认为,人类最重要的禀赋之一是讲故事和相信故事的能力。这种能力让我们能够展开大规模的协作,创造出复杂的社会体系和文明。从金钱到法律,从国家到宗教,这些看似坚固的现实,本质上都是人类共同相信的故事。

-- 人类简史

关于商业

9.

作为一个后来者,必须要用最先进的技术,提供了完全不同的产品体验,以及完全不同的商业模式,同时要有一个非常好的能力来支撑在技术,产品用户之间的高速增长。

10.

我经常思考的是,一个东西能不能让社会的运行效率变高,以及你能否在它的产业分工链条上找到擅长的位置。

只要终局是让社会效率更高,就是成立的。中间很多都是阶段性的,过度关注必然眼花缭乱。

-- 梁文峰

11. 

在商业和政治中有一句老话,当你在解释的时候,你就输了。

12.

价格下降等于需求的爆炸性增长。

13.

消费市场可能会有赢者通吃的情况,因为存在网络效应。但在 To B 的市场,只要是企业买单,就一定会希望有多家供应商。-- Azure 如何在AWS已经高市场占有率的情况下杀出来的例子,说明了这一点。

14.

最好的市场是:市场容量(TAM)很大,同时不会被一个玩家吃光的领域。能容纳多家共赢的大市场才是最好的,而你只要成为其中之一就行。

其实卷一点也无所谓。

15.

“科学玄学化”:如果一个人的资源很多,数据也很多,那他就会愿意相信“资源制胜论”。

但是资源制胜论本质上只是个信仰,相信一篇paper里面一个观测在更广场景、更大规模仍然适用。这不是科学,是玄学。

16.

回音室效应”(Echo chamber):即互相放大的机制。比如八个投资人投向同一方向,彼此交流时会强化、统一观点,“我觉得Scaling Law很有用”“俺也一样”。这样的人多了,慢慢就形成了不可忽视的共识。

17.

“Sometimes the biggest risk isn't betting against the consensus, it’s betting with it.

这种共识非常可怕,因为造成共识的人是决策者,但他们未必具备技术前瞻性。”

18.

“科学的方法是抛弃主义,分析风险来源,尝试量化。如果接受贝叶斯主义,所有事情都有概率,即使不可观测或无法精确量化,至少可以估计。估计出一个可量化的区间,这件事就能达到。”

19.

人欲即天理

20.

“如何处理「中间状态」的业务——既不是彻底失败也不是大获成功的企业”,迈克尔(YC 合伙人)给出了一个令人深思的观点:

“我认为中间状态的业务不应该存在,特别是在资金充裕的环境中。大多数聪明的创始人只要努力,都能把生意做到年收入100万美元。如果给这些人2500到5000万美元,他们可能会把一个并不怎么样的业务做到年收入1000万美元。但这并不意味着这是一个好生意,也不意味着它能盈利,更不意味着它将来能成为一个年收入1亿或10亿的企业。这只是说明,如果你花足够的钱,可以想办法收回其中20%。”

他认为这些业务不应该继续发展,除非它们已经盈利,可以像Justin.TV那样被“挤奶”来支持新项目,在他看来:“如果那个不起作用的业务还在烧钱,那就是个大问题,人们不够坦率地承认这点。曾有创始人对我说‘我知道这个产品不会成功,但如果不能每月增长10%,我们就完蛋了’,我回答说‘你刚刚给了我两种你都会完蛋的情况,如果你确信它永远不会成功,你应该停止追求增长’。”

21.

People  buy products and services to get a job done

22.

市场要的不是“我也能做”,而是“只有我能做”

关于创业

23.

“你当然是孤独的,人皆孤独,创业会让孤独更具体。”

24.

“创业不是一场被资本驱动的豪赌,而是一个工程师对技术最极限的践行。”

25.

“对于一个以发现和塑造为爱好的人来说,创业绝对是一个好选择,这个选择在于让体验异常丰富,让痛苦也格外鲜明,而痛苦恰恰是研究样本里最重要的部分。因为只有痛苦才能让人离真相如此之近,当真相出现,发现才算完成,塑造也才有了原点。类似的职业还有演员和画家,都是胜出率很低的职业,长期坚持需要很强的信念,信念来自对这种职业体验的真爱,不然十年真是又残忍又漫长。”

26.

“历史不争辩谁对了,只呈现谁留下了。创业也是。你会发现这是唯结果论的世界,你还会发现你和抄袭狂、大忽悠同台竞技,他们的业绩因为不要脸又增长了,你还听到有人说要脸就是不够狼性的表现,总之无论你的三观架构是怎样的,创业都可以创到令你怀疑人生。但你的价值观会经由这些涤荡变得更坚固,磨难会把你塑造成为一个更有型的人,并深刻觉知自己的原则。”

27.

如果你是一个完成了哲学自洽的创始人,是公司的精神领袖,你的公司又建立起了基础价值观和做事的基本原则,那这家公司的基础就比无数价值观混乱飘摇的公司强大极多。

28.

在新一轮的 AI 创业中,创始人实际上多次重建了他们的技术栈。每次我与他们交谈时,他们都说'我们扔掉了我们告诉你的那个东西,现在用这种新方法做。'"

这种敏捷性成为竞争优势,尤其是与大型企业相比:"大公司需要三个月才能安排会议来讨论是否应该重新评估工具。2029年我们肯定能解决这个问题。"。

最成功的创业公司是那些能够最快构建、愿意走在前沿并不断重新评估最佳方法的公司。

29.

不投机,就不会fomo,其实赌认知的人可能不适合长期创业,follow your heart,追求内心的声音更适合长期价值。

30.

如果按照一级市场投资人的视角思考创业和产品,是非常危险的。

31.

“要认识到创业将让你经历前所未有的情绪过山车。

你将在一天之内经历情绪的剧烈波动,从充满信心地认为自己将拥有整个世界,到突然感到灾难即将降临,陷入深深的绝望。然后再次回到兴奋状态。

一次又一次,一次又一次。”

a16z 创始人说的,我忽然意识到,我竟然习惯了这种过山车的状态,为了习惯这种状态,我开始习惯性失忆。

32.

“你的公司价值1万美元,对方价值3000万美元,他们做什么与你无关”

33.

“认真创业的每个人都有技能,但有一点是,你必须有点「破碎感(broken)」,喜欢痛苦和压力,把生活中的困难视为刺激,这完全不理性。”

“不是每个人都能处理如此多的痛苦和失望,并保持动力,甚至能将其转化为激励”

好像,我确实。。。

34.

对于创始人面临困难时的支持,迈克尔提供了一个实用建议:“老实说,我不记得有什么书帮我度过艰难时期,我认为你最好的范本是那些比你稍微领先一点的其他创始人,因为他们刚刚经历过你正在经历的事情。那些已经非常成功的人可能与你的处境差距太大,而那些与你完全相同位置的人可能和你一样困惑。找到那些比你稍微领先的人,一起喝咖啡或啤酒,坦白地说‘我他妈的一团糟’,听他们说‘是的,我也是’,这会让你感觉好多了。”

35.

“别怀疑自己,每个创始人都会遇到问题。成功的公司看起来一帆风顺,但实际上从来不是这样,每个人都会经历困难,别因此放弃,坚持向前,你终会找到方法。

YC的座右铭是‘坚持就是一切’,但我想说得更具体些:每天都要有一点进步,每天学习新东西,每天尝试新方法——如果你能做到这点,无论过去发生了什么,你最终会成功。”

36.

不得不参与游戏者,是无法全心参与的。

关于竞争

37.

“天下无敌,不是说你的生命中没有敌人,而是所有的敌人在某种意义上,是你另外一种朋友,他们可能会帮助你成为更加伟大、更加宽容、更加包容、更有韧性、更有眼光、更有格局的自己。”  

-- 俞敏洪

38.

战争的目的不是别的,就是保存自己,消灭敌人。 

-- 论持久战

39.

以斗争求团结则团结存,以退让求团结则团结亡。 

-- 毛选

一些常识

40.

看透本质,做出选择。

41.

当所有人都在打擦边球时,你会发现整个行业在逼着大家都去打擦边球。

42.

人的行为是机制下的产物。

43.

几乎任何可以被量化的东西都可以被优化。

关于 AI

44.

AI重塑工作流背后还有一个涵义:劳动力必须被重新赋值。可能会出现一些原本不被重视的工作,在未来变得更有价值。今天我们觉得某些工作“非常高价值”,结果明天可能变成“普通的东西”。

45.

在此时此刻,做公司的核心是理解清楚未来的世界是什么样的,只有这样,你才能为那个世界去制定一些东西,而不是仅仅为当下,这才是公司的指南针。你想清楚了,你的公司一定会清楚。

Cloude 3.5 ~ Claude3.7 的显著提高很多体现在 Agent 层面,而不是与人对话。未来的企业是要为 Agent 做服务的,而不是给人做服务。

46.

“工业革命花了 250 年”。我们现在要从一个“基于碳”的体系转变为别的什么,就意味着要从根本上重塑这 250 年里化学带给我们的东西。

47.

Agent时代的新型人机交互界面- 绝对不是CUI,而是 “Agent管理器”:这不仅仅是一个聊天界面,而是一个比聊天界面更智能的东西,来管理所有Agent及其对话。

“Copilot 作为 AI 的用户界面”是一个极其重要的概念。我们每个人都会拥有类似的界面:有一堆知识工作要做,有一堆agent在帮我们做,而我们这个“真人的知识工作者”要和所有这些agent进行对接。

这才是必须要去构建的人机交互界面,这才是下一代的人机交互界面。

十年前聊的是图形化交互界面(GUI)到对话式交互界面(CUI)的变革,但是agent的时代,我的判断不再是简单的CUI了,也不是所谓只有一个对话按钮解决一切问题,深入思考进去,to b的逻辑不是这样的(to c的我不知道,大家说的都对)

要是有人在 80 年代末和你说“你将会在桌面上同时处理一百万份文档”,你一定会觉得荒诞,“难道要有一百万份纸质文档堆在我桌上?”

但今天,确实有上百万个 Excel、Word 文档储存在系统里。未来也会在 agent 这个层面发生类似情况。肯定会有一个 UI 层来承载这些agent。

SaaS 未来也会发生根本性的改变,它不再是传统的“浏览器里跑的前端+后端数据库”那种模式。

其实我们应该重新思考“用户最终想完成的任务是什么?”SaaS 的agent化,并能在多agent 协作的世界中良好运作,这可能是agent时代的SaaS形态。

48.

由于现在模型并不缺,而且卷的厉害,所以模型本身不是竞争力。高质量的评估集和有效的提示工程,这恰恰是创业者的机会所在。

49.

测试集在当下的 agent 应用中极为重要:为AI设定正确答案的黄金标准。

人们认为公司拥有数据资产,但实际上随机的普通数据并不那么有价值。真正有价值的是一个黄金标准,经过精心标注的评估集。

真正稀缺且难以获取的不是模型本身,而是高质量的评估集和有效的 Prompt  Engineer,这恰恰是创业者的机会所在。

50.

关键不在于数据有多少,而在于你能不能用好。

较少数据都没有挖掘出价值的时候,非归因到自己数据量不够,那不就是“差生文具多”么。

51.

AI 融入工作流的过程中,最有价值的技能不是自己做工作,而是知道如何有效地委派给你的AI 劳动力。

和两年前比,不仅仅是“使用”AI,而是“委派”AI 干活。不同 agent 之间协作完成企业内部真正的业务,是今天句子互动一步一步落地的事情。

关于产品

52.

比完善数字化系统更重要的是“通知”,或者说是信息触达。

完善完整的数据报表放在那里,是不会有什么时间专门去看的,定期推送过去,才会真看:

   1.  没有分析的数据是没有意义的

   2. 没有行动建议的分析是废话

   3. 没有信息推送,所有这些工作都白做。

-- 白鸦

53.

一个好的产品的三要素:

  1. 体验

  2. 敏感

  3. 遵守纪律。

产品是一个专业体系,我们很认真的构建产品的专业体系,怎么体验,怎么定义,怎么验证定义,定义出现问题怎么去修正,一定要走这个体系,一定不能拍脑袋。

产品一定要专业,现在的产品人太懒,且不专业。

--李想

54.

在 PMF 阶段保持稳定的产品架构是重要,但是切忌为未来投入过多。过多的提前投入会让今天的事情变慢,未来的负担变重,且并不能带来多少长期竞争优势。因为应用技术一定在平权。

55.

一个好的想法与一个好的产品之间,需要大量的精细工艺去打磨。 

--乔布斯

56.

真正难的部分根本不是做出解决方案,而是搞清楚客户到底有什么问题,他们真正在乎什么。

“经常有创始人跑来跟我说‘我们能帮这家公司每年省100万美元’,但他们没想过,这家公司可能根本不在乎省这点钱。或者他们说‘我们的工具能让你裁掉一半数据团队的人’,却没意识到数据部门主管压根不想裁员。创始人往往是误解了问题本身,而不是解决方案不行。在YC支持的创始人中,几乎人人都能写代码开发软件,但真正理解客户问题却是一项超级难的技能,很多人甚至懒得动脑筋去搞明白这一点。”

57.

创业其实是个实验,不只是执行一个计划。很多创始人以为自己的工作就是确定产品,做出来,然后去卖。但实际上他们的工作应该是搞清楚用户是谁,他们需要什么,愿意付多少钱,然后再做产品,这需要不断试错。”

关于团队

58.

执行就是执行:给每个士兵都发一个望远镜,他们既看不明白战局,又不敢去战斗。

59.

“我自己从来没有吃过糖,我怎么给别人甜头” 

-- 李想

60.

“我解决不了的能力,才是大家的能力,不要死扛” 

-- 李想

61. 

“大家都想吸纳人才,但这些人才之间的合作交流方式才是真正的重点”

62.

Friedman在一个发展中国家看到一大群工人用铲子挖运河,他问政府官员为什么不使用机械。官员回答说这是一个就业项目,Friedman则反驳道:"如果是就业项目,你应该给他们勺子,而不是铲子。"

63.

“工程问题永远是大量的小问题,而非小量的大问题。

要解决大量小问题,就不能指望有“救世主”通宵达旦数月写出一篇发现世界真理的论文,这只是科幻小说情节。

真正的开发是大量的人每天在做微决策,组织的艺术就是让有这些对“微决策”有决策权的人——未必是CEO或CTO,能自然而然地做出正确决策。”

64.

伟大的组织,关键在于敢于反常识地走不同的道路,并坚定执行。只有在逆境中坚持,才能赢得真正的胜利。

65.

CEO在一些项目上抓细节,主要为了三件事:

第一,锻炼团队,亲自做项目打个样,让他们看看怎么做;

第二,保持手感,公司的大决定,基本都需要有战场前线的具体信息。

第三,愿景沟通,每个项目不同合作方的预期都不一样,这时候CEO 就可以帮着串联软件与硬件、技术与运营、商务与法务。

66.

王兴说,CEO没法让别人代劳的职责是:

第一,设计公司整体愿景和所有战略,确保传达给所有利益相关方,不仅是管理层,包括所有员工,不光是公司内部人,包括股东、消费者、商户和合作伙伴。

第二,招募并留住最优秀的人。

第三,确保公司始终要有足够的资金,这和空气一样。

其他事情都应该找最专业的、最好的人来做。”

67.

Mercor 团队的工作时间是 996(早上 9 点工作到晚上 9 点,一周工作 6 天),Adarsh 倾向于把 996 看作是选择团队成员带来的副作用,而不是目标。Mercor 在选择团队成员的时候,非常谨慎地挑选了对 Mercor 使命有深切关注的人,带来的副作用就是员工不想等到周一才开始推动公司前进,大家是喜欢彼此的陪伴,喜欢自己在做的事情。

在某种程度上,这并不是 Mercor 独有的现象。历史上,所有成功的公司都有过相当强烈的企业文化,这是初创企业的一个特点,以可持续的方式比别人更努力才能成功。这种动力是非常有感染力的,Mercor 团队中的每个人都感到充满能量。

-- 关于 996 工作的另一种解读

关于成长

68.

重新审视的重要性。“大多数人厌恶改变自己的想法,”他说道,“但我喜欢改变我的想法,这意味着我学到了新东西。”

-- 丹尼尔·卡尼曼

69.

最困难的时候,也是成长最快的时候。

70.

有的时候,被封锁,被拒绝真的不是坏事,不再对外界抱有期待,是自我成长的开始。

71.

要特别特别坚决地相信,未来的你一定比现在好,只要你在坚持成长,只要去做一个一头扎入未知的人。

72.

在无限游戏中,每次升级都能看见新风景。

73.

最好的导师不是直接告诉人们该做什么,而是帮助他们思考自己的问题。

74.

作为创始人,我们会经历很多糟心时刻,但客观来讲,随着挑战越来越大,创业者的韧性也会越来越好。因为解决问题的过程中,创始人会成长,心智也会变得成熟。

-- Sam Altman

75.

当你穿过了暴风雨,你早已不再是原来那个人。

-- 村上春树

关于希望

76.

有些不好的事可能集中出现了,但是更多的美好的事正在开始。

77.

“愿你,不管走了多少暗夜里的长路,依然有继续出发的勇气。”

78.

雷军说:年年难过年年过,一年下来还不错,终于熬到了今年,咸鱼翻身,哦不对,时来运转,梦想成真。

所以人生就是这么戏剧性,在小米的历史上最有名的一句话是,永远相信美好的事情即将发生。

79.

只管跑就是了,未来是什么样,交给未来的自己回答,我们都不用为了天亮去跑,跑下去,天自己会亮。

关于做事

80.

一次又一次尝试所有可能性,在可接受的那个范围,都是最优解。

81.

滑雪让我意识到一件事:需要允许一些失控,来维持平衡。

不断的跳出舒适区,在马上失控前救回来。

失控,且及时收回控制权。

82.

low expectation,high hope.

83.

拥有识别套路的能力,但是永葆真诚。

84.

执行力&发现力的平衡,有的时候是『思考先于行动』,有的时候是『借助行动思考』,没有对错,要看情况。

85.

passive learning-让子弹飞一会

86.

“贪嗔痴,对顺境的执着,对逆境的不满,对世界真相的无知。”

87.

越纯粹,越有力量

88.

模糊陷阱,是通过“永远不把问题说清楚”来逃避,更不用说去寻找解决方案了。它存在于那些朦胧、空泛、没有边界的思绪之中。

逃离“模糊陷阱”的方法——用最简单的语言,把问题“从脑子里拿出来”,写下来或画出来,创建一个 Excel 表,或者带着一个明确的问题去散步。把想法从头脑中“移出来”的过程,就像一个过滤器,能把模糊混沌的泥浆,从思维中清理出去。每一次把想法写下来或说出来,都要尝试用越简单、越清晰、越具体的语言来定义问题和答案。

请记住:“模糊陷阱”背后的根源,往往来自“模糊的问题”。

89.

“我们有时候不用特别去等某个状态才去做那件事。可以反过来:我们先去做那件事,然后我们就会有那样的状态。”

“先笑,然后感到快乐。先搬重物,然后感到有力量。先用力地活,然后爱自己的人生。”

一些感性的表达

90.

“大多时候我们感受不到自己正在被无条件地爱,但是学会感恩后,你会发现自己拥有的东西很多,这样你对外的投射是富足的爱,慢慢地,外界也会投射回给你积极和正向的反馈。” 

-- 张静初

91.

不要期待任何人能接你的情绪,本身情绪也是不应该被接纳的。

很多时候我们追求爱情,本质上是追求被给予,被接纳,被关爱。这本身是一个自私的表现。

这种追求爱情本质不是爱。

92.

年度最后一个 1v1 做完了,发现我是一个“脾气暴躁,情绪稳定”的人。

结论,我还是不打算控制脾气🤣

93.

以前我特别不喜欢开车,相对比更喜欢坐车。

最近发现,很晚下班开回家放放空发发呆也挺好,比坐车要好。

心态很静,甚至有的时候觉得回家的路怎么这么短。

94.

在硅谷聊了好多人和诗和远方,晚上就得处理国内的一地玻璃碴子。。。 这就是理想和现实的距离。

95.

当 CEO 当久了就会变笨

96.

任何事情,好像我只要当项目做,总能做的还不错,起码可以超出平均水平,哪怕是日常的事情。然而自己的日常,完全稀碎,没有计划,生活不能自理。。。

97.

忽然想起电视剧《风吹半夏》,许半夏被一桌子老男人瞧不起,股份和份额始终不肯放手。 似乎年纪大一点的传统产业商人,真的不知道自己几斤几两。

他们真应该被教训一下。

98.

热爱某一行的含义,在于既爱它的激情和理想,也爱它的煎熬和沮丧。

99.

爱憎分明,真诚勇敢。

100.

妈妈曾给我算命,34 岁那一年我会有很大的变化,34 岁真的到来的时候,我发现,我终于实现了 15 年前自己想想的样子,比我预期晚了 5 年,但是,他还是终于到来了。 我无比喜欢现现在的自己,更无比感恩一切的到来。

今天,我依然会遇到挑战,公司还有很多没办法解决的事情等待我去解决,我依然面对巨大的不确定性,但是,我发现自己更有勇气,更有耐心,也在变得更加智慧。

年度思考切片集锦(2021 年之后才搬到公众号,之前都在个人博客上)

点击原文链接,跳转我的个人博客主页,博客断更多年,老文章都在。

阅读原文

跳转微信打开

❌