铃阅
❌

普通视图

今日接收 — 2026年11月17日 ⏭ 晚点再听LaterCast

Grok Bot 核心工程师:所有代码都是垃圾(除了我的)丨AI Engineer

2026年11月16日 20:45

原创 Capihom 2026-11-16 20:45 北京

一个防闪烁的补丁,后来变成了 183 个定时器。Lauren Tan 用这个教训讲清楚,怎样让 AI 在提交前就把代码跑一遍、查一遍。

每天挑选一期硅谷AI科技值得关注的播客,让你与前沿同频。如果你现在没空可以收藏进 晚点再听LaterCast,在通勤、走路或做家务时一篇篇轻松听完

"烂代码是可以变成好东西的。"

"代码库恰好是智能体最大的输入之一。"

"如果写代码这一环产出的是烂代码,自动化只会产出更多烂代码。"

Lauren Tan 在 Cursor 团队遇到过一个界面闪烁的问题。智能体用了个很小的补丁:把释放资源的操作放进定时器,稍后再做。它还留了一行注释,解释为什么要这样写。后来,这种写法被复制到共享模块里。她在台上拿出一张时间线,从 9 月 9 日那条补丁讲起,到 10 月 17 日,图上已经有 183 个定时器。

Tan 现在是 SpaceXSI 的首席工程师,在 Grok Bot 团队工作。她在 AI Engineer Code Summit 上讲起这段经历,是因为她后来每天要面对的代码比那时更多。按她在台上的说法,团队一个月有约 11,000 个 PR 进入生产环境。她花了大约半年,才敢让智能体把不少日常修改自行合入。那半年里,她主要改的是智能体工作的代码库,以及它交代码之前必须做的检查。

新代码来得越快,旧写法越容易被抄走

Tan 记得,2024 年上班时,一次可能只要看三条同事提交的 PR。到她做这套流程时,她拿三百条来形容改动涌来的速度。以前一段勉强能用的代码可能会留在原地,今天智能体读完仓库,发现别处也是这么写的,就很容易在新功能里再写一遍。已经废弃的接口、临时绕开的检查、只有老同事知道为什么存在的例外,都会被当成现成范例。

智能体会照着仓库里的代码写,清掉一处坏范例,就少了一条反复被抄走的路。 Tan 用倒三角解释自己怎么分配工程时间。先改代码结构和接口,再用 lint(静态规则检查)、类型、编译和持续集成检查挡住明确违规的写法。接着验证程序跑起来的行为,把确实需要判断的事写进规则、技能或 AGENTS.md,最后留一部分给人审。人仍然要看代码,只是有些问题在提交之前就可以被发现。她把整理仓库比作打理花园,每天都有新东西长出来,偶尔拔一把草不够,还得清掉会继续长出同样问题的地方。

Tan 的倒三角从代码库和自动检查开始,逐层补上验证、文字规则和人工审查。

Tan 的倒三角从代码库和自动检查开始,逐层补上验证、文字规则和人工审查。

有些错误,换一种接口就能少审一遍

做 Grok Bot 时,团队给 Electron 桌面应用写了一个叫 Dune 的客户端框架。Tan 说,可以把它想成 Electron 应用的 Next.js。它收进了团队以前做桌面软件踩过的坑。比如 React 的 `useEffect` 有适用场景,但产品代码里很容易被用来补不清楚的状态关系。Grok Bot 的做法是把它限制在部分 Dune 接口内部,平时写业务代码的智能体就不用反复判断这一处用得合不合适。

另一个坑来自 Cursor。同样用 Electron,智能体有时会把主进程的代码导入渲染端,原本不该拖住界面绘制的耗时任务也跟着进来,软件用起来就容易卡。Dune 把这两端放进两个明确的顶层目录,依赖图检查和 lint 规则禁止两边互相导入。检查根据导入关系判断,实际运行速度还要另测。

一条约束能靠目录和依赖检查说清,就可以在提交时执行。 对 Tan 来说,改过接口以后,后来接手的人也能从目录看出一段代码该放哪儿。她不必在每个 PR 里都重新解释界面线程为什么要保持轻量。

一个防闪烁的定时器,后来变成了 183 个

开头那个补丁之所以能被复制,是因为它当时确实遮住了闪烁,解释也写得有道理。Tan 说,更深的问题在于,Cursor 把 VS Code 偏命令式的写法和 React 偏声明式的写法接在一起。两边不容易协调,智能体就用 `setTimeout`、`requestAnimationFrame` 或 `requestIdleCallback` 推迟操作。定时器被频繁创建、销毁,垃圾回收的负担加重,用户就会感觉到卡顿。

Grok Bot 团队后来大幅减少代码注释。她的投影片给了两个数字,7 月底是 65,824,演讲时剩 1,227。Tan 在意的是,有些注释会过时,有些会把一次临时绕行包装成后人照抄的做法。她见过智能体在 Markdown 里为补丁找理由,也见过它把工程师随口提的一次纠正,当成到处套用的规定。

"注释最麻烦的是,它没法强制执行。"

遇到会反复出现的问题,团队会改接口、清理旧写法,或者让 lint 报错时告诉智能体该从哪儿修。 一条只说「禁止用定时器」的规则容易把正常用法一起拦下。Tan 更在意的是找出哪种情况下智能体总要靠延时补救,再去改那段难以协调的代码。

一处为了解决闪烁而加的定时器被搬进共享模块,技术演讲的时间线最终记录了 183 个定时器。

一处为了解决闪烁而加的定时器被搬进共享模块,技术演讲的时间线最终记录了 183 个定时器。

让智能体把功能跑一遍,再带着证据回来

Grok Bot 的评审有一部分变成了看验证材料,比如截图、录屏、流程图和形式化验证结果。最容易做的验证是给智能体一个能运行应用的环境,也能用 Chrome DevTools Protocol 一类工具调试。Tan 的团队还做了功能地图,列出产品有哪些功能、用户怎么走到那一步,以及看到什么才算走通。这样工程师说「左侧栏那个东西」时,智能体至少有一份可以核对的词表,不必重新猜一遍。

他们把常用操作封装成命令行工具和驱动。下次验证同一个流程时,智能体可以直接调用已有命令,命令本身也可以测试,省得每次都花 token 重新写脚本。代码能执行到结束只是第一步,评审需要知道它走的是哪条用户路径,以及结果在哪里能看见。

有些错误平时点一遍界面不容易碰到。比如通知涉及多台设备和多个平台,操作顺序一变,系统就可能进入另一种状态。团队用 TLA+ 把这类流程写成状态模型,检查应该始终成立的规则。对于自己写的虚拟列表库,他们又试着用 Lean 验证某些算法的性质,关注闪烁和位置抖动一类问题。界面上还试了 Bombadil,让工具探索不同操作组合,检查预先写好的条件。Tan 说,这些试验已经找出了一些缺陷,各种验证还是得搭着用。

功能地图让智能体知道应用里有什么、用户怎么到达,以及怎样证明这个功能走通了。

功能地图让智能体知道应用里有什么、用户怎么到达,以及怎样证明这个功能走通了。

约 0.5% 的回退率,只能回答一个问题

Tan 提到一位叫 Cindy 的同行。半年前,她担心一些不易察觉的错误已经被合并。后来,她说自己每天约 70% 的 token 都花在验证上。Tan 的用量也大多投在验证。她认为,自动化让一些原本嫌贵、不好写也不好维护的测试做得起了。她还在自己的 pstack 插件里加了 state chart 技能,把用户能遇到的状态画出来。评审看完录屏里走通的一条路,也能再看一眼图上还有哪些分支。

谈到交付规模时,Tan 给了两组数据。她个人一个月交付了约 3,000 个 PR,团队同期约 11,000 个。10 月约有 227 人至少贡献过一个 PR,其中一些人并不熟悉整个产品。她说客户端大约一天出一个稳定版,投影片上列出的 10 月数据是 15 个版本,发版间隔的中位数为 28 小时。启动、打字、打开新对话、切换对话,她说也比产品刚上线时更快了。

约 0.5% 是现场图表里被回退的代码提交占比。 图上 6 月是 0.98%,8 月到 10 月在 0.47% 到 0.48% 之间。一个缺陷也可以随后修掉,或者暂时没人发现,因此回退率只能和实际使用表现、测试结果一起看。一个 PR 可以包含多次代码提交,11,000 个 PR 和回退率用的是两个不同的统计单位。

图表按代码提交统计回退率,6 月为 0.98%,8 月至 10 月在 0.47% 到 0.48% 之间。

图表按代码提交统计回退率,6 月为 0.98%,8 月至 10 月在 0.47% 到 0.48% 之间。

一次发布之后,机器人会把新版再跑一遍

Tan 展示的后续流程从客户端切出新版本开始。Grok Bot 自动启动一个 Cursor Project,让智能体跑起整套应用,尝试多种操作组合来找异常。找到可以复现的问题,流程会分别开修复 PR。按她的介绍,这条管道也能自动合并修复。能这么做,有赖于前面已经投入的几层检查,日常改动走同一套流程,重复出错的写法会先被拦下来。

先让一次修改从复现到验收跑得稳,再考虑让它每天自己跑。 这也是 Tan 为什么把发布、通知、调度放在最后讲。如果智能体交上来的改动总得由人重写,多开几条流水线只会让待处理的 PR 堆得更快。一个团队更容易从小处开始,比如让智能体修好一个反复出现的界面问题,也把以后怎么复现、怎么判断修好的办法留在仓库里。

写在最后

下次看到智能体又犯了同一个错,可以把这条 PR 当成检查工程流程的机会。 先找它是不是照抄了旧代码,再看能不能改掉那个范例,或者补上一条会报错的检查。最后让它自己跑一遍应用,把结果带回来。这次多做的一步,下次换个同事或换个模型,还能用得上。

内容来源:"All Code Is Slop (Except Mine) — Lauren Tan, SpaceXSI"丨AI Engineer(嘉宾:Lauren Tan)

原视频:https://www.youtube.com/watch?v=O_zcc6Xl12g

相关文章

如果你现在没空,可以收藏进晚点再听,通勤、走路或做家务时一次性听完⇣

⇣ 关注我,每天为你更新硅谷最新的 AI 创业/科技播客总结,让你与前沿保持同频 ⇣

跳转微信打开

昨日接收 — 2026年11月16日 ⏭ 晚点再听LaterCast

AI 同事来了,公司能把哪些工作交给它?丨Y Combinator

2026年11月15日 20:55

原创 Capihom 2026-11-15 20:55 北京

Grok Bot 团队讲怎么让 AI 在公司接活:从销售接力和只读查数,到 Slack 里开发功能、在代码库里拦住常犯的错。

每天挑选一期硅谷AI科技值得关注的播客,让你与前沿同频。如果你现在没空可以收藏进 晚点再听LaterCast,在通勤、走路或做家务时一篇篇轻松听完

"我可能会直接交给它一个目标。"

"那个 Slack 讨论串里有 200 条消息。"

"东西已经做出来了,但我们不想全合进去。"

Lauren Tan 在 X 上看到一段视频,想知道 Grok Bot 能不能做出类似的功能。她没另开一个编程窗口,而是在 Slack 的讨论串里把链接发给自己的工程机器人。机器人叫来一个 Cursor 云端智能体,后者在虚拟机里跑起应用,把原型的截图和录屏带回群里。产品和工程同事看着同一份东西给意见,最后就在这个讨论串里把功能做完了。

在这期对谈里,Grok Bot 核心团队的 Lauren Tan 和 Roman Ugarte 讲了他们怎么做到这一步。两人参与把产品从第一行代码做到上线,前后约七周。但让机器人能在公司接活,花的功夫更多。销售要弄清报价交给谁,研发要让机器人自己验收,产品团队还得想明白:既然一个主意很快就能变成代码,什么样的改动值得真的发给用户?

先把机器人放到工作发生的地方

Grok Bot 最早是团队内部的原型。Ugarte 看到工程师已经能让编程智能体带着目标跑很久,便想知道,市场、销售和客服能不能有类似的搭档。团队给机器人设了各自的名字、身份和工具,让它们有自己的工作环境,可以在后台持续运行。内部试用时,最爱折腾 AI 的人觉得趁手,一些平时并不积极用 AI 的同事也喜欢。对后者来说,在熟悉的地方喊一声,有时比学会一套新界面更容易。

Tan 以前看到 Slack 里有一条故障报告,要先跟同事确认细节,再把对话摘要贴进编程工具。现在她可以在原讨论串里叫机器人进来,当事人也在场,漏了什么可以接着问。她也会在 X 上帮用户排查问题,至于给自己挑午饭的机器人,就留在私人界面。工作要交给谁,先看需要哪些人和资料参与,再决定把机器人放进哪个频道。

团队怎么拆也有两种思路。可以按职能分,工程、市场各做一类工作,也可以按客户分,让一个机器人跟住一个账号的不同事情。有人从只用一个机器人开始,后来发现经常重复的事有自己的资料和固定做法,才单独拆出来。Ugarte 更喜欢让一个机器人盯住一个业务问题,由最懂这件事的同事来教它。对招人吃紧的小公司,主持人举了记账这样的例子,谈的是可以从原来没人专做的活开始试。节目没有给出记账的准确率或审计结果。

销售和客服怎么接力

访谈举了一个投放例子。团队给市场机器人开了 Google 和 Facebook 广告账号,给定预算,让它向设计团队的机器人要素材,拿几个版本做对比测试。支持团队则在试另一种做法:让机器人接触工单和复现问题所需的工具,看看哪些问题能一路处理下去,哪些还要交回给同事。

销售的拆法更具体。客户研究机器人准备会前资料和跟进信息,需要报价时交给报价机器人。后者负责准备价格方案、审批材料和订单表,遇到特殊条款,再找负责交易审查的机器人处理。案例图上,获批条款还会传回报价机器人,接着更新文件。这套流程也给销售部门的同事留了一个共同改进的地方。了解报价的人可以补审批规则,知道客户最常问什么的人可以补会前准备的做法。

一个部门共用一套机器人,资深同事总结出的做法就能留给下一位接手的人。 Ugarte 介绍,团队版机器人在录制前约两周上线。工程部门也在共享技能。主持人注意到,在 Slack 群里看过一次 Tan 怎么把任务交给机器人,第二天就有人照着试。过去留在个人编程会话里的做法,现在同事能看见,也更容易指出哪一步不合自己的需要。另一个客服案例里,共用机器人在 Slack 里分流客户消息,能处理的工单先接手,超出范围的再转给对应负责人。

客户研究机器人发起报价,报价机器人把特殊条款转给交易审查机器人,获批条款再回到报价环节。

客户研究机器人发起报价,报价机器人把特殊条款转给交易审查机器人,获批条款再回到报价环节。

一开始只给读权限

机器人现在会进 Slack,也会进会议,但它并不天然知道谁说了算。几位同事在一个线程里争论同一个方案时,它可能分不清谁熟悉业务、谁能拍板。Grok Bot 已经区分所有者、管理者和受邀协作者,但 Ugarte 说,权限和身份怎么设计,行业还在摸索。节目里,YC 主持人提到自己开源的 Quartermaster,用的是另一套办法:机器人继承相应使用者的访问权限。普通工程师和合伙人叫它去找同一份资料,能拿到的东西未必相同。

Ugarte 举的内部例子是 Databot。数据科学团队常收到快速查数的 Slack 消息,便做了一个能读数据库、在群里回答问题的机器人。Tan 也会让自己的工程机器人去找它问,一条故障到底影响多少人,两边怎么问、怎么答,群里都能看见。团队给供应商采购做了类似尝试。YC 自己还做了一个让编程智能体互相问答的空间,有点像公司内部的 Stack Overflow。节目谈到,工具权限和机器人看到的上下文越多,越有必要看清是谁让它做了什么。

可以先让机器人查数据、回答问题,等它反复做对了,再开放实际操作的权限。 Ugarte 把接下来分成两步,先让它把一项任务从头做到尾,再考虑交给它一段长期职责,比如持续盯一个指标。他觉得多数团队离最后一步还有距离。至于 AI 同事以后有自己的电话号码、信用卡,或能更自然地理解人的意图,Tan 是把它们当作未来设想来谈的。

一项功能做完,讨论串里留下了 200 条消息

Tan 展示的 Slack 原型就是一次多人协作。她和同事 Samantha 先看视频里展示的想法能怎么实现,再看工程机器人带回来的截图和录屏,另一位产品经理也参与了判断。后面的改动都接着在原串里谈。Tan 说,她为这个项目没回 Cursor 里读 PR,看的是用户最后能用到的东西。这个过程仍然有来回,只是同事更早看到原型,反馈不用等到工程师把整项功能写完。

敢让智能体合并部分代码,是因为团队先把许多原本靠人工把守的检查放到了工具里。 Tan 说,自己的月度 PR 数量已从两千多涨到四千多。那是提交改动的规模,里面有大量维护工作。对于一部分日常改动,智能体可以自己合并。基础设施、数据库和部署等敏感环节,她仍认为工程师值得留在检查流程里。

她把自己的做法整理成开源的 PStack,一套给 Cursor 智能体用的技能。灵感来自 Garry Tan 的 GStack。她把它比作厨师换厨房时带着的刀:怎么复现、怎么检查、什么样的改动算过关,可以带到下一次工作里。公司代码库有内部版本,云端智能体也能拿到这些技能。Garry 则在自己的 Cappy 里用一个协调智能体管十几条并行工作线,还让它从公开的工具里找适合自己的做法。他发现,积累下来的会话能帮助机器人区分哪些地方他会亲自插手,哪些可以继续做。

先教它运行程序,再把反复犯的错写进代码库

Tan 在节目里画了一个循环。从让智能体自己运行程序开始,按真实用户会走的路径操作,看到错误再回去改。如果在查卡顿,也可以让它采集 CPU 性能轨迹,看看时间花在哪儿。基础检查跑顺了,监控告警就能触发同一套流程,让智能体到自己的环境里复现问题。能跑通说明功能符合预期,速度、资源消耗和代码是否容易维护,还要另验。

"代码库也是一种记忆。"

她举的是 Grok Bot 的 Electron 桌面应用。管界面绘制的线程一旦被耗时任务占住,滚动和点击就容易卡。团队给代码库加了依赖检查,直接禁止主进程和渲染端的代码互相引用,免得较重的任务被顺手带到界面这边。检查的是依赖关系,运行耗时仍要实测。从此,评审不必让模型一遍遍翻代码,看同一种引用有没有混进来。

同一个问题在评审里出现几次,就值得看看能不能用架构或自动检查把它挡住。 Tan 把投入画成倒三角,最宽的一层是代码结构,其次是编译器、静态检查和 lint,再往下才是写给智能体看的规则与技能,最后留少量人工审查。Garry 当时在和自己的机器人讨论审查成本:原来一轮大约用五千万 token,他想降到一千万,机器人则拿着一组覆盖约 30 类错误的评测,主张至少留三千万。这是他当时在试的预算。Tan 也会让不同模型互相挑错,但她发现,评审器不知道一个模块两个月后就会下线时,可能耗上许多力气去追求不值得做的改进。她也提到自己在实验室有宽裕的 token 额度,这些流程是在这样的条件下摸出来的。

Tan 把工程上的投入画成倒三角:先在代码库和静态检查中解决问题,再补规则、技能和人工审查。

Tan 把工程上的投入画成倒三角:先在代码库和静态检查中解决问题,再补规则、技能和人工审查。

修小故障可以自动,新功能得先有人想用

Grok Bot 团队有一个叫 Sandy 的机器人,每天接收来自产品、客服和 X 的数千条反馈。据 Ugarte 介绍,有些小故障会沿着复现、修复、合并的流程自动处理,节目还提到凌晨自动发出修复的例子。可如果改的是用户天天点的按钮,合并前他们会让团队自己用上一段时间。内部用下来反应平平,或者有人喜欢有人不喜欢,这项改动通常就搁着。Tan 更愿意让智能体去修故障、查性能,把工程师的时间留给那些会改变用户体验的决定。

这也是节目的话题从代码转向公司的地方。软件有代码库、测试和发布记录,出了错可以复现。市场或销售的重要信息可能散在文档里,也可能只有几个老同事知道。桌面应用有没有提速好测,市场工作有没有做得更好,就得先商量看哪个数字、它该由谁负责。节目里聊到了另一种组织设想:有人亲手交付,有人为结果负责,还有人一边做一边教会同事用工具。Ugarte 想看看,从零组建的公司会不会从一开始就把各部门的资料和验收方式建好。

团队现在偶尔会遇到这种情况:路线图还在讨论,桌上已经有人说「这个我周末写好了,有个 PR」。能很快做出来,让这类提议变多了。最后留下什么,得看每个改动能不能让同一款产品变得更好用。Tan 说,她自己更享受的也是这一部分。日常维护有人接过去,她就可以多花时间看看用户每天碰到的那些细节。

从学写宏,到教机器人做工程

Tan 在新加坡长大,在澳大利亚读会计和金融。一门财务建模课上,她发现自己做 Excel 表格、写 VBA 宏,比做估值还有意思。毕业后她和同学试过创业,项目没走多远,但她由此认识了当地的创业者,也找到了第一份工作。她把自学 JavaScript 框架 Ember 的过程写在博客上,被社区成员看到,邀请她去波特兰的会议演讲。她当时连会议都没参加过,也很怕上台,最后还是去了。

她后来参与了 React 编译器的开发,把自己的想法讲清楚、让别人愿意一起做,仍然是她看重的本领。 这也落回节目开头那个 Slack 讨论串。有人发截屏,有人讲用户会怎么操作,有人写代码验证,大家都看得见彼此为什么调整方向。Tan 说,她自己从公开分享里获得过机会,现在也乐于把做过的试验放出来,看看别人会怎么接着做。

写在最后

如果想试试让 AI 接手一项工作,可以从团队里反复有人来问的那个问题开始。 比如一周总有几次要查某类故障影响了多少用户,就把查数口径和资料来源写清楚,让它先在群里给只读结果。等同事能复核它的答案,再决定下一步是不是该让它动手。

内容来源:"The Rise Of AI Coworkers"丨Y Combinator(嘉宾:Lauren Tan、Roman Ugarte)

原视频:https://www.youtube.com/watch?v=y1-9yeYLJUo

相关文章

如果你现在没空,可以收藏进晚点再听,通勤、走路或做家务时一次性听完⇣

⇣ 关注我,每天为你更新硅谷最新的 AI 创业/科技播客总结,让你与前沿保持同频 ⇣

跳转微信打开

AI自动化之后,人类工作的新图景丨Every

2026年11月13日 21:00

原创 Capihom 2026-11-13 21:00 北京

同一份问卷,同一个 Claude,Every 的四位同事为什么做出了四种东西?Dan Shipper 用团队里的实际工作,解释怎么判断一条 AI 答案值不值得跟进。

每天挑选一期硅谷AI科技值得关注的播客,让你与前沿同频。如果你现在没空可以收藏进 晚点再听LaterCast,在通勤、走路或做家务时一篇篇轻松听完

"看到模型做着和自己一样的工作,你对自己的认识也会受到冲击。"

"生成答案已经很便宜了,难的是给这些答案排出先后。"

"我们应该衡量的是,它能不能从我的角度把我的工作做好。"

Every 做完一轮季度用户调查,联合创始人兼 CEO Dan Shipper 从回复里看到了向团队卖订阅的机会,于是用 Claude 搭了个简单的客户管理系统,开始给潜在客户发邮件。负责增长的工程师 Yash Poojary 看的是同一份问卷,先注意到的却是另一件事:有些人付费一个月就走了,嫌 Every 的邮件太多。

在 Every 的 Thesis: 2027 大会上,Shipper 把这两件事放在一起讲。他自己一周之内用 AI 做了好几种以前得找不同同事帮忙的活,可那份问卷交到同事手里,依然有他没看见的东西。这让他重新想了一遍,团队里的每个人究竟在为哪部分工作负责。

他用一份订阅做了五种活

Shipper 是在一周的日程空隙里处理问卷的。他先让 Claude 从不同角度分析数据、出报告,又做了个实时答题游戏,在全员会上让大家比一比谁最了解用户。看到团队订阅的机会后,他又搭出一个自己的 CRM,用来整理名单、联系潜在客户。分析数据、做游戏、找销售机会、写工具、发开发邮件,按他对 2020 年工作方式的估算,得找数据分析师、游戏开发者、产品营销、工程师和销售开发来做,也许要花 20 万美元。他当时付的是 Claude 订阅费。

这种落差也出现在 OpenAI 的 GDPval 评测里。评测请行业专家把真实工作写成详细任务,再请评审在不知道作品出自谁的情况下,比较模型与未使用 AI 的专业人士交出的成品。演讲举的是一个有 200 套公寓的物业项目:根据住户离开的原因,制定一份计划,目标是在半年内把住户留存率提高 10%。Shipper 在现场展示了三个成绩:GPT-4o 是 12.4%,Claude Opus 4.1 是 47.6%,GPT-5.4 是 83%。这三个比例都把打平算在内。

评分时,题目、材料和目标都已经给定,团队在日常工作里还得自己决定先解决什么。 Shipper 说,看见模型能做自己赖以谋生的事,人难免会怀疑以往学会的本领还有多少分量。要判断工作会怎么变,他提出两种看法:从大量数据里找趋势,或者追着一个真实案例看清细节。规模定律说明了第一种的用处,把数据和算力做大,模型能力随之提高。可要知道同样的工具交到几个人手里会发生什么,还得回到那份问卷。

同一份问卷,四个人各自找到了什么

Yash 平时盯的是付费订阅增长。他发现,部分首次订阅的人在第一个月后退订,反馈里提到邮件太多。演讲的投影片给出了他想试的改法:给订阅者一个只在周日收邮件的选项。他还为这项修改提交了代码。那时他也在帮大会做自定义直播播放器,据 Shipper 说,活动当天有数千人通过它观看直播。演讲讲到的是找到问题和提出改法,没给出改完后的留存数据。

市场负责人 Douglas Brundage 读出的是一种孤独感。有些读者在工作和生活里都找不到人聊自己用 AI 做的事,说多了还会被人觉得夸张。他们来 Every,有一部分原因是想看看有没有别人也在这样工作。资深编辑 Jack 则做了一个黏土动画风格的答题节目,用类似《Family Feud》的形式把结果讲给同事听。加上 Shipper 自己做的团队版销售跟进,一份问卷最后有了四个去向。

大家用的是同一份数据和同一个模型,追问的却是自己平时负责的问题。 Shipper 试过只问 Claude「你从这份数据里看到了什么」。它也能说出几条有用的判断,例如内容是生意的基础,组合订阅能让读者留下,内容发得太多有风险。Yash 则把最后一点追到了首月退订,又具体到能动手改的邮件频率。知道要盯哪个数字,才知道应该让 AI 把哪一条反馈再往下查。

Dan Shipper 在访谈中讨论同一份问卷,四个人各自找到了什么

同一份用户调查,在 Every 团队里分别变成了销售跟进、邮件频率选项、读者洞察和答题节目。

让 Claude 猜老板会怎么回,它写了 400 个答案

Every 负责评测的 Mike Taylor 用 Shipper 的 83 个 Slack 讨论串做了个实验,看看 Claude 能不能预测他会说什么。只要允许模型对每个问题给出 400 种答法,有 93% 的时候,候选里能找到符合 Shipper 实际回复的答案。再让模型自己排序,现场投影片上,真实回复排进前 10 条的比例约为 60%。Shipper 口头说的是前 10%,两处口径有出入,这里采用投影片上的数字。

把有用的答案写进候选,和从一长串候选里把它挑出来,是两件工作。 即便进了前 10 条,团队还是得判断哪个答案值得采用。放回问卷这件事上,Shipper 当然可以让 Claude 模拟 Yash,猜他最可能留意什么,可 Shipper 自己未必知道,几十条看起来都讲得通的建议里,哪一条最值得增长团队这周动手。

"你在团队里负责某一块,这会帮你缩小要找的范围,也帮你想清楚怎么问模型。"

Shipper 认为,责任先限定了要去哪儿找,个人经验再影响你从里面挑哪条。每个人各自盯着一个真正要解决的问题,团队才有机会在同一份数据里多走几条路。Every 当时有约 30 人,他自己在空隙里能做的事变多了,团队仍能同时看见订阅、市场和内容上的不同机会。

Dan Shipper 在访谈中讨论让 Claude 猜老板会怎么回,它写了 400 个答案

83 个 Slack 讨论串的结果:放宽到 400 条候选时,命中率是 93%,缩到前 10 条时约为 60%。

明年的模型变强,今天的人也在积累经验

Shipper 还讲了自己在 2022 年用 GPT-3 的经历。当时有人觉得模型只会复述语言,能力增长很快就会停,也有人觉得所有工作马上就要消失。他实际用过之后写道,如果这类工具再进步几年,一个人手边可能就像有了一个小团队,甚至能做出以往得靠大型企业、研究机构或创作团队才能做出的成果。现在回头看,分析问卷、做个小工具、发几封开发邮件,已经能穿插在他原有的工作里。

那模型以后也能把答案排得更准呢?Shipper 觉得很有可能。可到了 2027 年,Yash 也会多一年的经验,而且会用上那时的模型。 他拿这件事开了个玩笑,既然比较的两边都用了 2027 年的 Claude,干脆把 Claude 约掉。剩下要比的是,一个了解付费用户、知道公司在试什么的人,能不能比一条通用指令更好地利用同样的能力。即使是长期运行的智能体,也得有人设定它在为哪个问题工作。

在他的设想里,今天稀缺的做法可能会被明天的模型学会,成为人人都拿得到的结果。到了那一步,Yash 同样可以用新的能力去查上一代模型还查不清的事。看整条能力曲线,能知道模型长进了多少。看一个人几年来怎么用工具,才知道他的工作也变了多少。

测模型之前,先说清你想让它做好哪件事

Shipper 在 2024 年把这种工作方式称为「分配经济」。原本要自己写、自己算的事,现在可以交给模型做一部分,人来分配任务、检查产出,再决定要不要把结果用进实际工作。做过增长的人会问:哪些用户在什么时候离开,反馈和实际行为能不能对上?要是答案指向邮件频率,还得有人决定先改什么、怎么知道改动有没有用。

挑工作用的模型时,可以拿自己一直想做好的那件事来测。 数学和编程基准方便比较,是因为大家能就很多题的对错达成一致。可如果你负责一份订阅业务,光知道模型能写出像样的分析还不够,你还想知道它能不能按你的标准追查一次退订、指出证据缺在哪里,并给出你有条件验证的改动。Shipper 认为,人人都能拿到标准答案以后,有价值的是你能不能提出一个别人暂时没在问的问题,再用模型把它查清。大会最后,他也邀请现场观众把自己实际用过的办法讲给身边的人。

写在最后

下次拿到用户反馈,可以先写下自己愿意跟进的那个问题,再把资料交给 AI。 做留存就问哪类人什么时候离开,做内容就问哪些话值得拿去和读者再聊一次。等答案回来,挑一条能去核实的,把结果记下来。多做几次,你会更清楚哪些活可以交出去,哪些判断得靠自己在现场慢慢积累。

内容来源:"A New Vision for Human Work After Automation"丨Every(嘉宾:Dan Shipper)

原视频:https://www.youtube.com/watch?v=WstNofgQF5Q

相关文章

如果你现在没空,可以收藏进晚点再听,通勤、走路或做家务时一次性听完⇣

⇣ 关注我,每天为你更新硅谷最新的 AI 创业/科技播客总结,让你与前沿保持同频 ⇣

跳转微信打开

如何比99%的人更擅长使用Grok Bot?丨Greg Isenberg

2026年11月12日 20:45

原创 Capihom 2026-11-12 20:45 北京

Ras Mic 打开自己的 Grok Bot,演示怎么调度 Claude Code、先画设计再做网店、每天找选题,以及让 AI 帮忙管账和购物。

每天挑选一期硅谷AI科技值得关注的播客,让你与前沿同频。如果你现在没空可以收藏进 晚点再听LaterCast,在通勤、走路或做家务时一篇篇轻松听完

"我现在很少自己打开网页了,除非像刷 X 那样,我确实想亲自去看。"

"我宁愿先把设计定下来,自己看着满意了,再让它写代码。"

"我通常不用 AI 写脚本,因为我发现,人还是更爱听人讲。"

Ras Mic 想给自己的产品 Pluto 加一个功能,让用户能用自己的数据微调模型。朋友用 Claude Code 写了方案,发来一份 PDF。Mic 把文件转给 Grok Bot,只让它先看看方案哪里有问题。接下来,他补了一条必须满足的要求,又把朋友的反馈贴进去。等改好的方案过了自己这一关,他才让机器人叫 Claude Code 开工。几个小时后,聊天里多了五个可以审查的代码改动。

在这场访谈里,Mic 打开自己的 Grok Bot,翻给观众看的大多是这种还在推进的事。有的到了测试阶段,有的隔夜生成了代码,他甚至还没跑过。这些机器人分工不同,有的每天替他找选题,有的记着项目上次做到哪儿,还有一个专门劝他别乱花钱。

哪些项目值得养一个专用机器人

Mic 在 Grok Bot 里给 Pluto、自己的圣经应用和 Bezalel 分别建了机器人,每个都有自己的项目资料、技能和工作环境。Bezalel 当时每月有约 200 美元的经常性收入,Mic 已经把它当作一个需要长期维护的产品。拿 Bezalel 来说,他有次想找之前让 AI 做过的首页动画,连参考图是什么样都忘了,只说了句「那个带动画的东西」。机器人起初找错了改动,经他提醒才认出是个拖拽演示,并问要不要把它做成首页原型。Mic 让它继续,看到成品用了通用图标,又要求换成相应公司的标志,最后亲手合并了改动。

要不要单独建一个机器人,取决于这个项目以后还会不会反复用到同一批资料和决定。 他的通用工程机器人负责接零散点子,比如一个叫 Still 的截图扩展,据他说前后只用了两轮指令。一次朋友和他聊美国政府采购,他让机器人看看有没有跟 AI 治理相关的招标,又让工程机器人试着做个合规工具。第二天 GitHub 上已经有仓库,但录节目时他还没亲自运行,所以能确认的只是做出了代码。

反过来,要经常维护机器、下载和微调本地模型的工作,他分别留了长期使用的 IT 和机器学习机器人。节目里他当场删了一个做多伦多课程相关工作的机器人,理由很简单,那件事已经结束了。投资终端、交易平台这些实验是不是值得长期占个位置,他自己也还在看。

先审方案,再让 Claude Code 开工

回到 Pluto 的微调功能。Mic 给 Grok Bot 的材料不只是一份 PDF,还有朋友的意见、他自己认定不能省掉的要求,以及一条供参考的推文。等它根据这些材料修完方案,他才下达实现指令,让 Grok Bot 用 Claude Code 的 Opus 5.5 和 `/goal` 开工,需要时开多个会话,把改动放在独立的工作目录里,最后通过 PR 交给他审。截图里的执行计划还专门保留了几道关口,合并代码、改生产环境和启用付费资源,都要等他点头。Mic 说五个 PR 已经齐了,有人在测试这个功能。

"我当时只说「审一下」,没让它上来就做。"

Mic 把开会话、分任务和收结果交给机器人,自己保留方案审批和合并代码的决定。 他也用 Codex 和 T3 Code。接 Claude Code 时,可以在机器人使用的机器上登录,也可以像他那样,用 Tailscale 把自己的机器连起来,由机器人调度已有的开发环境。Greg 问他何必多加一层,他举了个很日常的例子:在妈妈家吃饭时,手机上就能看到跑完的改动,知道哪个项目需要他看一眼。至于为什么这次选 Claude Code,他提到模型偏好和订阅成本,他把每月 200 美元的订阅折算成按 API 调用计费约 8,000 到 12,000 美元的用量,这是他在节目里给出的估算,不能当作套餐额度。

这种分工也用到了代码之外。为在加拿大提供本地算力的 VP Cloud 找供应商时,Mic 说其中一个机器人让另一个机器人去发邮件询价,主动把他的 YouTube 订阅人数写进邮件,当作谈折扣的筹码。节目没交代折扣有没有谈成。真正出乎他意料的是,他没叫机器人拿频道说事,机器人自己想到了。

同一段里,Mic 还展示了受彭博终端启发、用 Rust 做的交易工具,说它可以接券商并切换到实盘模式。另一个用加密资产交易合成股票的点子,当时已经有代码,他还在找托管服务。Greg 接着问,做得这么快,安全怎么查?Mic 说,他会让本地模型反复检查 Pluto 一类应用,也区分了不同产品的风险。他做的圣经应用免费、无需登录,涉及收款或敏感信息的应用,在他看来更需要认真检查。他讲的是自己的做法,节目里没有公开检查结果。

Ras Mic 在访谈中讨论先审方案,再让 Claude Code 开工

Mic 在 Grok Bot 里交代 Pluto 的实现方式,要求用 Claude Code,允许开多个会话。

网店先在画布上改,满意了才写代码

给弟弟的服装品牌做网店时,Mic 把服装素材发给机器人,想要带基督教元素的哥特风格。机器人起初按 Framer 想方案,他纠正说网站要放在 Shopify。接着,他让机器人通过 MCP 在设计工具 Paper 里画页面。Mic 平时会从 X 和 Mobbin 找参考,拿一张喜欢的截图,让机器人提炼成一套可以反复用的设计规范,再自己改字体、颜色、间距和按钮大小。这样换页面或做新组件时,机器人有一套现成的规则可循。

"我可以在 Paper 里留评论,然后让机器人去处理这些评论。"

字体、排版和页面内容先在设计稿上定下来,改完再接到 Shopify,能省掉一轮重写。 Mic 演示了怎么在画布上标出不满意的标志、字体或间距,然后让机器人按评论改。他接入 Shopify 账号后,让机器人把定下来的设计做成店铺前端,并在节目里打开页面展示。

Ras Mic 在访谈中讨论网店先在画布上改,满意了才写代码

服装店首页进入 Shopify 编辑器,页面沿用了在 Paper 里定下的设计。

每天两次找选题,脚本还是自己写

早上九点和下午五点,Mic 的 YouTube 机器人各扫一遍 X,每次发来三个适合他频道的题目,附上原帖、标题提议和可用资料。节目当天,他点开了几条候选,其中有 Claude 接入金融服务,也有远程编程智能体。连数据中心的地方投票,机器人都能从科技从业者关注的角度挑出来。Mic 说这些题目不会照单全收,但每天都能看到这一行的人在聊什么,自己拍视频时手边也有资料。

选题机器人替他找材料,他自己决定这件事值不值得拍、该怎么讲。 他还有一个剪辑机器人,专门用来试风格。以前看粗剪只会说「这段有点黄」,说不清要调什么,现在可以先用自己的话描述想法,再把整理好的要求交给真人剪辑师,让对方按实际画面调整。录制时,他还没有用这套剪辑流程发过成片。

Greg 则讲了自己的试验。他想到一个题就用手机录一段,把素材和剪辑要求交给 Claude Code,出来的短视频直接发过,其中有几条据他说有几十万播放。Mic 也试过让 AI 做动画,觉得难点已经变成怎么把节奏、字幕和动画该怎么进场讲清楚。

顾问机器人拿他的账本劝他别买楼

Mic 说自己很容易突然对新生意来劲,今天想开卡车运输公司,明天又去看投资房。他把一条房产挂牌发给顾问机器人,得到的答复是现在先别买。这栋楼会占用他为别的目标留的现金,卖家还只接受没有代理人的买家,锅炉和暖气设备则是 2009 年的,未来几年可能要预留更换费用。这些都是机器人根据挂牌和他的情况指出的疑点,节目没有逐项核实房况。

让这次劝阻有针对性的,是顾问知道他正为什么存钱,也能看到他的钱花到了哪里。 Mic 说他通过 Plaid 接入账户,让财务机器人分别处理个人和公司相关的资料。他也试着让机器人筛加拿大的政府合同,结合自己公司的情况判断哪些值得看、哪些得先招人。同样的上下文也能用回设计。有次他要给朋友做网站,机器人主动问要不要复用之前为亲友项目做过的 Paper 设计规范,免去他重新找一遍。

这种用法依赖财务和业务资料的访问权限。节目里 Mic 特意没有往上翻涉及具体金额的聊天记录,观众能看到的是顾问怎么把目标和挂牌细节摆到一起,至于账户里具体有什么、机器人拥有哪些交易权限,访谈没有展开。

买 PS5 Pro 时,他自己打了最后一通电话

Mic 让购物机器人每天在 eBay 上找未拆封的显卡,看到合适的就发给他。有次他想买一台 PS5 Pro,机器人先给卖家发邮件,查出对方是安大略省一家离他约两小时车程的店,接着把电话号码和一份通话提纲发给他。他没照稿念,自己打电话确认后才给机器人下单权限。另一次他想找穿着舒服的鞋,让机器人列了几双、发邮件请妻子帮挑,再把她选中的款式转回来。

购物里最省事的一步,是机器人把候选和待核实的问题都找齐,他只需要确认那件自己在意的事。 对 Mic 来说,这就是他现在少开网页的原因。节目末尾,他还拿出桌上的树莓派和音箱,讲自己没做过硬件,遇到不知道怎么接线、要买哪块配件,就边问边装。两三年前他还在上班,做 YouTube 只是图个乐,当时 Greg 第一次私信他,他甚至以为是诈骗,特意确认了才回。如今他在节目末尾拿着手边的硬件说,有些以前只在脑子里想过的事,现在可以动手试了。

写在最后

手头有一件总被打断的小事,就可以从那里试起。 比如每周收集选题,先让 AI 把原帖和资料找齐,你来挑哪条值得跟。做几次以后,再看看它有没有记住上回为什么淘汰某个候选,下回能不能少走一次弯路。这个变化比一天建了多少机器人更容易看出来。

内容来源:"Use Grok Bot Better Than 99% of People (Full Course)"丨Greg Isenberg(嘉宾:Ras Mic)

原视频:https://www.youtube.com/watch?v=1cWZ7Ekff6E

相关文章

如果你现在没空,可以收藏进晚点再听,通勤、走路或做家务时一次性听完⇣

⇣ 关注我,每天为你更新硅谷最新的 AI 创业/科技播客总结,让你与前沿保持同频 ⇣

跳转微信打开

Gemini产品负责人谈AI时代产品经理为什么又重要了丨Lenny's Podcast

2026年11月10日 20:54

原创 Capihom 2026-11-10 20:54 北京

Gemini 产品负责人 Tulsee Doshi 讲模型怎么测、产品该做多超前,以及原型更容易做之后,团队需要产品经理作哪些判断。

每天挑选一期硅谷AI科技值得关注的播客,让你与前沿同频。如果你现在没空可以收藏进 晚点再听LaterCast,在通勤、走路或做家务时一篇篇轻松听完

"模型并不可预测,有点像斯内普的魔药课。"

"哪怕只从五条提示词开始,也可以。"

"你应该提供的是洞见,模型应该提供的是数据。"

拿到一个新模型,把以前的题再问一遍,往往就能看出回答有没有变顺。Tulsee Doshi 还想知道,它究竟在哪类任务上强到能改变用户的做法。同一个模型,放进搜索框给人查资料,和放进编辑器里给工程师写代码,能派上用场的地方并不一样。

Doshi 负责 Google 的前沿模型产品,包括 Gemini,也涉及 Nano Banana 等生成媒体模型、开放模型 Gemma 和语音能力。原型变得容易做以后,她更看重产品经理能不能选对问题,再拿着原型、评测或数据和团队说清做到什么程度才算好。

模型训练有目标,训出来还得重新认识

做模型也要先定目标,比如希望它在哪些任务上进步、哪些评测要达到什么水平。训练过程中,研究员会观察指标怎么变、什么时候需要介入。即使目标定得很清楚,团队也要等训练结果出来,才知道模型还有哪些本来没想到的本事。Doshi 想到了《哈利·波特》里的魔药课。

"你可以把所有原料都加进去,也应该认真想过期待什么,但还得预料到会有一点魔法,而且那点魔法会让你吃惊。"

产品经理要在训练前提出想要的能力,也要在训练后亲手找出模型在哪些任务上表现得出乎意料。 一个模型在某项能力上进步了,团队还得弄清它在哪种产品里最有用。对话能不能跟上用户的意思,遇到不清楚的要求会追问什么,都会影响人用起来的感受。Doshi 的团队会和搜索、Gemini 应用、YouTube 等内部团队以及外部客户交流,看看哪些变化会真的改善他们的工作。

Google 为什么要做不同价位和能力的模型

录制这期节目时,Doshi 说,她希望观众在节目播出时已经能用上 Gemini 4 Argon,并用它来说明 Google 仍在投入前沿模型。Google 能一起考虑硬件、模型和应用,按实际用途选方案。用户打开搜索查个信息,和工程师用模型处理复杂工作,对成本和质量的要求自然不同。同一家公司可以追求能力最强的模型,也得为大量日常请求找到质量够用、成本合适的方案。

这些区别到了界面上也很明显。搜索的 AI 模式要让平时不写提示词的人用得明白,面向熟练开发者的工具则可以保留终端、编辑器和斜杠命令。Flow 和 NotebookLM 是她提到的其他尝试,它们让用户用不同方式接触模型。主持人也追问,既然 Gmail、日历和文档就在 Google 手里,为什么其他助手先把这些资料用出了新体验?Doshi 承认还有工作要做,团队在想的是该到用户本来就在的地方提供什么体验,访谈中没有给出新产品的具体承诺。

Doshi 此前做了六年负责任 AI 的产品工作。谈到上线安全,她举了监测系统的例子,团队会观察模型的推理过程是否偏离交给它的任务,发现异常时介入,再把这些情况带回后续改进。能观察到模型什么时候开始偏离,她才更有把握把能力交给用户。

她也谈到 AI 可以帮安全团队保护已有系统。Google 正和包括 Wiz 在内的安全团队合作,探索怎样用模型发现和修补漏洞。她举的例子来自 Wiz 的 Scan for Good 项目,该项目曾与一家医院系统合作,发现并修补了一处漏洞。访谈没有交代漏洞细节,也没有说明这次修补用了哪个模型。

产品经理得说清楚,模型怎样回答才算好

Doshi 把模型怎么和人沟通也看作用户体验的一部分。用户给了一句含糊的要求,模型先问什么、会不会说明自己哪里不确定,这些体验发生在回答里,光改页面解决不了。Gemini 团队会看用户反馈,也会和研究员一起讨论希望模型表现成什么样,把这些判断写成评测标准,再用于整理数据和训练。

第一套评测可以从五条自己看得懂、也评得出好坏的提示词开始。 Doshi 建议先亲自做评审,跑完之后对着结果想:我为什么更愿意用这个答案?多轮对话尤其适合这样做,因为最后的结果可能都像样,过程里却有一个模型早就弄错了用户的意思。把样本慢慢扩到二十条,只要能测出两个模型在一项能力上的差别,就已经有用。

"一开始可以只让自己做评审,读完提示词,再判断得到的回答到底好不好。"

她也看重正式评测之前的手感。有的人熟悉视觉设计,就一直试三维动画和画面效果;有人会拿写作、信息综合或财务分析来试。最好挑自己有兴趣、又看得出门道的题,尤其是模型已经偶尔做得不错、但离你愿意实际使用还有一段距离的任务。遇到新版本再把它拿出来,差别会比漫无目的地聊几句更容易看见。

量错了东西,评测做得再勤也会漏

Doshi 以前做肤色表现评测时,团队发现当时有人沿用 Fitzpatrick 六级分类。这套分类原来为医疗用途设计,拿来代表不同人群的肤色,并不适合他们要回答的问题。团队与哈佛大学的 Monk 教授合作,将他通过访谈和研究整理出的十级肤色量表用于评测,调整了检查 Pixel 相机和图像生成等产品的办法。

做评测之前,先问样本和评分标准能不能代表你要服务的人。 在这个例子里,换了量表,团队才更有条件看清哪些人的肤色表现被原来的分类漏掉。Doshi 也提醒,给模型打分的评审本身有好坏,服务端的过滤和部署方式同样可能影响用户最终拿到的结果。语音尤其明显,同一句话除了内容对不对,还有声调、停顿、听起来自不自然,所以要把实际交到用户耳朵里的版本一起测。

做今天能用的产品,也给明天留点地方

Doshi 用 60/20/20 形容产品可以做多超前。大约六成在今天就能用,保证原型能完成它的基本任务。两成现在偶尔有瑕疵,但已经有迹象表明模型再进步一点就能做好。剩下两成是现在只有苗头、做出来却可能让产品明显不同的尝试。她说比例本身可以改,连做模型的人也很难精确预测三个月后模型会到哪一步。

用现有模型已经做出的结果安排试验,比给未来的模型定一个到期日更可靠。 这也意味着上线以后还得重测旧设计。有些团队曾经为了补模型短板,给它加了许多提示、工具和步骤,换了新模型后,那些步骤有时反而妨碍它发挥。Doshi 所说的 harness,就是模型工作时用到的指令、工具、资料和技能;模型变了,可以拿原来的任务再跑一次,看看哪些约束还管用、哪些有机会简化。

她也用过去的研究解释过怎么为 Agent 分工。在斯坦福时,她参与的「闪组团队」项目研究的是人,尝试把有不同技能的众包工作者按任务临时组织起来,做完再解散。今天她看到同样的组织问题出现在多个子 Agent 协作时。这是她从旧研究引出的类比。

Tulsee Doshi 在访谈中讨论做今天能用的产品,也给明天留点地方

Doshi 用 60/20/20 区分已经能用的功能和还要继续验证的尝试。

原型容易做了,团队更需要有人作判断

Doshi 想招的产品经理会每天用模型,有自己的试题,愿意钻进数据和长对话记录,也会在外部环境变了之后重看两个月前写的路线图。当团队能很快做出许多原型,产品经理的用处就在于判断哪些值得继续,以及让大家对为什么做这件事达成一致。 写下需求只是一步,带去讨论的还可以是跑得动的原型、一组评测,或能解释用户现状的数据。

这种能力很难在每天赶进度的间隙里练出来。她的团队让熟悉工具的同事分享可复用的技能、办小型工作坊,也在筹备腾出两天,让产品经理暂时放下日常任务去做东西。她自己开始问,某件事如果已经做第二次了,是不是可以试着交给模型;策略怎么写、最后选哪条路,还是要有人判断。

她拿发布两周后的复盘举例,AI 可以去整理看板、用户反馈和公开讨论,产品经理得解释这些材料意味着什么,以及接下来打算怎么做。她也承认团队工作量很大,怎样让节奏可持续,她自己还在摸索。在她看来,反复返工、优先事项乱变,或者整天在做看不到用处的杂活,都容易让人疲惫。她希望先把这类活交给工具,也会和团队里的人聊聊什么工作值得他们投入,因为同是产品经理,觉得有意思的事未必一样。

写在最后

下次团队说一个新模型「感觉更好」时,可以挑五条真正在用的任务,把两个版本的回答放到一起看。先记下哪一个回答让你少改了一步、少问了一个问题,再想那处差别值不值得做进产品。 这组题留着,下次模型变了还能接着用。

内容来源:"Why PMs are suddenly valuable again | Tulsee Doshi (Head of Product, Gemini)"丨Lenny's Podcast(嘉宾:Tulsee Doshi)

原视频:https://www.youtube.com/watch?v=qGf2Yvan4Wg

相关文章

如果你现在没空,可以收藏进晚点再听,通勤、走路或做家务时一次性听完⇣

⇣ 关注我,每天为你更新硅谷最新的 AI 创业/科技播客总结,让你与前沿保持同频 ⇣

跳转微信打开

如何打造一家AI-Native服务公司丨Aakash Gupta

2026年11月9日 20:45

原创 Capihom 2026-11-09 20:45 北京

Salesforce AI 负责人 Jayesh Govindarajan 讲团队怎样给 Agent 定评测标准、换模型时检查旧流程,以及把客户现场的办法变成通用功能。

每天挑选一期硅谷AI科技值得关注的播客,让你与前沿同频。如果你现在没空可以收藏进 晚点再听LaterCast,在通勤、走路或做家务时一篇篇轻松听完

"你能多快拿到反馈?多快验证这个想法?"

"如果你的团队有技术债,那也是你的问题。"

"先把价值说清楚,再定义能衡量这个价值的指标。"

客户想改个流程,产品经理写好需求、等工程师做出第一版,再把链接发回去,才发现自己一开始就理解错了。Salesforce AI 工程负责人 Jayesh Govindarajan 举这个例子,是想说明原型可以更早拿给客户看,有些分歧在写正式需求之前就能问清。

等 Agent 真要替客户查账、退款,团队还得定下来它该查什么数据、用哪版政策、什么时候交给人工。 Jayesh 带领的约 700 人 AI 工程组织里,有人负责模型,有人让模型接上数据和工具,也有人专门做评测、盯着 Agent 上线后的表现。

在客户提出需求的地方做原型

Jayesh 的团队平时用 Slack 讨论工作,也会通过 Slack Connect 和一些客户直接协作。客户为什么提需求、之前试过哪些办法,都可以连着原来的对话一起看。 有时客户看了界面,只想改个按钮,有时看到按钮才发现,两边想的根本是两件事。

"产品经理可以在和客户的 Slack 对话里做个小原型,直接问他:这是你想要的吗?"

Jayesh 说,Salesforce 凭着多年的客户关系,通常能很快找到十家愿意试用的客户。他更在意的是团队能多快把原型交给客户、拿着反馈改下一版。 要是团队平时很少接触用户,工程师的排期缩短了,等着约到客户的时间照样得算进去。

按 Jayesh 的说法,工程师一开始常用 Cursor,后来不少人更愿意用 Claude Code。Salesforce 先让工具过安全审查,再给团队一段时间试用,最后看大家日常做事选了什么。

Jayesh Govindarajan在Dreamforce现场谈在Slack客户对话里做原型

Jayesh 谈到,产品经理可以在客户的 Slack 对话里做出原型,直接确认需求。

产品经理得写得出八分和十分的答案

在 Jayesh 的团队里,产品经理可以先做原型,工程师有想法也可以直接去问客户,但小队的人员配比暂时没太大变化,还是由产品经理、工程负责人、几位工程师和部分时间参与的设计师组成。谁都可以先动手,做成正式产品时,还是得用上各自的专业经验。 产品经理能判断几家客户说法不同的需求能不能归到一个功能里,工程师则要考虑这个功能从一千家客户用到一万家会不会出问题。

主持人 Aakash Gupta 举了个例子,用 100 条输入做一组参考用例,Jayesh 也赞成尽早做这件事。产品经理要给出不合格、八分和十分的回答样例,让工程师换过模型之后还有同一把尺子可用。 以部分退款为例,八分的回答可以查对订单、告诉客户能退多少,十分还得解释为什么只能退这么多、接下来需要确认什么。要是查错了订单、报错了金额,或把没办成的退款说成已经到账,回复再客气也得判不合格。实际门槛由负责退款业务的人定。

"你能不能定个标准,说清楚什么才算做得好?这就能转成评测。"

Jayesh 说,做数据科学的同事习惯在开发前就想好怎么判断结果,工程团队也开始用这个办法。同一个退款用例里,金额和工具调用可以直接和预期值对照,政策解释则要看有没有说清适用哪条规定。

招产品经理时,Jayesh 还看对方能不能主动把事往前推。比如遇到一项反复要做的工作,先自己做一遍,再教 Agent 按这个办法做。接下来还得看得出哪次交付只是看起来像样,能不能把发现的问题写成下次能跑的用例。

聊天框能换,数字得从同一个地方来

Aakash 问,如果用同一个口径查待成交商机的总金额,模型一次报 2,500 万,一次报 2,000 万,公司该用哪个数?模型可以理解用户在问哪个地区、哪个时间段,但金额得由业务系统按指定字段查出来,这样才有记录可核对。

Jayesh 说,把 Salesforce 的入口放进 Claude 等工具里,仍可以通过接口使用客户原来配置的数据和业务流程。Salesforce 的 Agent Script 可以写清哪些步骤按规则执行、哪些地方需要模型判断,比如让模型理解客户遇到了什么问题,再按已有的退款规则计算应退金额。

换模型之前,先拿旧问题考新模型

Jayesh 举了个假设,一直正常工作的退款 Agent,可能因为有人改了政策文档、把新规则写得含糊,就开始开出超额支票。即使代码一行没动,Agent 读到的资料或背后的模型一变,原来能办对的事也得重新查一遍。

Jayesh 把这些工作叫作智能体开发生命周期,简称 ADLC。上线前,团队跟客户确认任务,做出来、跑用例,再决定能不能交付。上线后如果某类请求开始出错,团队得追到那次调用读了什么资料、执行了什么操作,才能判断应该改政策、补规则,还是让人接手。 Salesforce 提供测试和运行观察工具,Jayesh 提到的 Optimization Agent 还能帮助发现哪里缺资料、哪些提示词需要调整。

有些为旧模型设计的步骤到了新模型上可以简化,但手里如果没有一组能重跑的用例,团队就说不清楚哪些旧问题仍能办对、哪些规则已经被绕过去了。 拿退款来说,可以用同一版政策和同一批订单,让两个模型各跑一遍,逐条查它们选了哪张订单、退了多少钱、该转人工时有没有转,等分清哪些差异是换模型带来的,再试着删减原来的步骤。

写代码快了以后,Jayesh 更在意代码能不能及时审完,测试能不能在上线前发现问题。 他的团队和安全、发布团队一起做辅助代码审查的 Agent,他也建议把发布拆成一批批对客户有用的改动。工程师要是总在修过去留下的问题,能做新功能的时间就少了,所以他把技术债也算在产品经理的账上,排下一轮工作时得一并考虑。

客户现场的解法,怎么进产品路线图

Jayesh 认为,产品往哪个大方向走,仍得由团队先作判断,再用两类反馈修正,一类来自客户试用原型,另一类来自客户实际使用已经上线的产品。后者常由直接跟客户做实施的前线部署工程师带回来。现有工具缺了一段,他们可以先找其他工具接上,必要时和客户一起做个定制版本,等流程跑起来,再看这个办法有没有必要做进产品。

前线工程师会把客户卡在哪一步写到专门的 Slack 频道,产品经理和工程负责人对照路线图决定怎么处理。小障碍修掉就能继续用,如果三家客户都在同一个功能上费劲,就值得回现场看看当初是不是把流程想错了。

前线工程师可以把现成的定制版本拿给其他客户试,看这个办法值不值得做进通用产品。 试的时候要问两件事,别家有没有遇到同样的问题,这个版本能不能让他们也把流程跑通。几家都用得上,产品经理和设计师才有依据跟前线工程师一起调整方案。

Aakash Gupta和Jayesh Govindarajan在Dreamforce现场讨论怎样用客户反馈调整路线图

谈到产品路线图时,Jayesh 把客户试用原型和上线后的实际反馈都列为判断依据。

先在一条业务上交出结果

Jayesh 见过一些项目上来就要改造全公司,范围越做越大,做项目和等结果的人都急。他建议挑一件值得解决的事,先把整条流程跑通,开工时就约好拿什么判断它做成了。 以招聘预筛为例,可以看 Agent 有没有问到规定的问题、该转人工时有没有转,再看招聘人员花在初筛上的时间有没有减少。

Jayesh 提到的一家欧洲大型招聘公司先做文字预筛,覆盖 17 种语言,随后再往语音面试推进。 按他的描述,语音 Agent 可以接着候选人前面的回答继续提问,必要时转给人处理,访谈里没有给出节省时间或成本的数字。

写在最后

手头如果有个准备上线的 Agent,可以和同事挑一条最常见的请求,再挑一条最怕办错的。把每条请求该查什么、能做什么、出了例外该交给谁写进用例,下次政策变了或模型换了,就拿同样的问题再跑一遍。 这样能看出改动有没有影响客户正在用的那条流程。

内容来源:"What an AI-Native Product Team Actually Looks Like at Salesforce"丨Aakash Gupta(嘉宾:Jayesh Govindarajan)

原视频:https://www.youtube.com/watch?v=_jBa_YEobGI

相关文章

如果你现在没空,可以收藏进晚点再听,通勤、走路或做家务时一次性听完⇣

⇣ 关注我,每天为你更新硅谷最新的 AI 创业/科技播客总结,让你与前沿保持同频 ⇣

跳转微信打开

当人人都能做软件,懂业务的人有了什么新机会?丨Y Combinator

2026年11月8日 20:45

原创 Capihom 2026-11-08 20:45 北京

司机用手机做打车应用,工程师让 Agent 写代码,十几人的创业团队重新算融资的账。做软件的门槛降低后,哪些事变了?

每天挑选一期硅谷AI科技值得关注的播客,让你与前沿同频。如果你现在没空可以收藏进 晚点再听LaterCast,在通勤、走路或做家务时一篇篇轻松听完

"过去在 Supabase 上做软件通常需要工程背景,现在没有工程背景的人也能做了。"

"想赢得 Agent,第一步是让模型选中你,第二步是它卡住时别让它换掉你。"

"数据库已经存在了五十年,我觉得它们还会再存在五十年。"

Supabase 的一场大会结束后,一位巴西出租车司机找到联合创始人兼 CEO Paul Copplestone,说自己用手机给当地市场做了一个打车应用,像个小型 Uber。Paul 不知道他为什么要做这个应用,倒是很清楚地记得对方讲起这件事有多兴奋。

访谈里提到,Supabase 的注册量一年间从约 300 万涨到 1,300 万,管理的数据库从约 800 万个涨到接近 5,000 万个,现在每周还会新建超过 100 万个。主持人 Garry Tan 给了另一个数字,约七成新增活动来自 Agent。以前来开数据库的大多是工程师,现在来做软件的人更多了,真正动手开库的常常是 Agent。

懂行的人,可以先把点子做出来

Paul 把增长归到两拨人身上,工程师做的东西比以前多,没有工程背景的人也开始在 Supabase 上搭应用。通常注册量一下子冲上去,激活和转化容易被拉低,这次两项却都在涨,Paul 当时预计营收能达到上一年的约四倍。

一位主持人说,他认识的金融科技创业者以前能凑出几段 Ruby 脚本,真要做成软件还得找工程师,现在已经能给自己做资产负债表和财务追踪工具,连银行接口都从头接。做过金融业务的人知道该记哪些账、该从银行拿什么数据,这些细节就能直接写进他自己的工具里。

Garry 说,前几年 YC 特别看重团队有没有技术联合创始人,现在有些人靠 AI 就能先把点子做一版,看看它管不管用。做出第一版容易了,知道该做什么就更要紧。比如司机要做什么样的打车应用,答案可能就在他每天跑车时碰到的麻烦里。

Paul Copplestone 在 YC 的访谈中讲述巴西出租车司机的故事

Paul Copplestone 用一位巴西司机的经历,说明数据库平台正在迎来哪些新用户。

只给自己用的软件,也值得做

YC 的 Jared Friedman 原本想用 OpenClaw 聊天,把资料全放在 Markdown 里,真要管邮件、开支和运动记录时,还是给自己搭了一个带界面和数据库的「控制塔」。有了专门处理邮件的页面,他打开就能分拣邮件,连收件箱都不用进。

一笔转账只显示姓名时,Jared 的 Agent 可以去查那是谁,再按他自己的方式归类。体重和运动数据也能连着日历看,体重涨了,Agent 还能看到他那几天正在出差。这些事靠一款面向所有人的理财或健康应用,很难替他做到这么细。

Paul 担心联系人和日常流程都留在同一个 Agent 里,将来想换工具还得跟着搬资料,便开始把它们一点点迁出来。Jared 也有个类似的做法,收到文件就转发邮件或直接上传,由 Agent 判断文件和自己有什么关系、接下来该怎么处理,原件留在 Supabase 的文件存储里。

数据库的入口,从仪表盘变成命令行

Supabase 最早给 Postgres 做了个像 Airtable 的仪表盘,工程师可以在页面上直接管理数据,后来有集成方要批量建库,团队才为此做了 API。等到 Bolt、Lovable 这类产品来接入时,批量建库的接口已经有了。

编程 Agent 开始绕过仪表盘之后,Paul 给团队发了份备忘录,要求以代码为先,并重做命令行工具,好让 Agent 能在沙箱里调用。他对产品功能的要求是:

"仪表盘上能做的事,代码里也要能做。"

Supabase 赶上了被模型当作默认数据库的时机,Paul 觉得开源帮了大忙,也承认很难知道换条路会怎样。团队参与维护的工具进入了 Postgres 社区,主持人提到,Agent 排查问题时可以直接读开源实现,Paul 则想到企业采购时也可能想看看供应商的源代码。

创始人用手机试,Agent 卡在哪里

Paul 拿自己搭网站的过程来试 Supabase,那天他从电脑换到手机,继续跟 Agent 通话,嫌网站的生态介绍和用例页面连得不顺,就让它先提建议,再照着改。按他的回忆,大约二十秒后 Agent 让他刷新页面,点开链接就能看到改动。

"我尽量不告诉它该怎么做,也尽量不指给它看 GitHub。"

Paul 有工程背景,知道该给 Agent 哪些提示,所以试的时候反倒有意少说,平时也尽量不看代码,真要核验实现时才打开。他想知道,一个只会描述需求的人,能不能顺利用上 Supabase。

过去碰到一条笼统的 500 错误,工程师还能拿着它去搜,Supabase 现在会让 Agent 跑真实任务,看看它卡住时到底收到什么。报错里能写修法就直接写,需要查文档就指到具体页面,免得模型一开始选了 Supabase,遇到问题却只好换一家。

Agent 写得越多,团队越要知道怎么验收

按主持人转述的 Supabase 内部调查,用编程 Agent 写约八成代码的工程师比例,半年里从约 10% 升到了约 60%。Paul 说公司没有统一的 AI 使用规定,工程师可以自行选工具,模型变好以后,他们也在自己的工作里看到了能做成什么。

工程师用 AI 写的代码多了,团队也开始加做测试、引入新的测试工具来确认结果。Supabase 会让不同模型跑实际任务,比较它们能不能完成,也单独测模型操作 Postgres 的表现。

Paul 说,现在有相当一部分工程时间用来弄清用户究竟在拿产品做什么,再把那些用法变成测试。单个 API 能正常返回,Agent 仍可能在建应用的中途走错,这类问题得把任务从头跑一遍才看得出来。

给 Agent 一堆资料,还得让它找得到那两页

Garry 做 GBrain 时,手里有大量个人资料,模型虽然能读很长的文本,眼下该给它读哪一段却是另一个问题。资料可能有几十 GB,Agent 为了回答手头的问题,也许只需要其中两页。Garry 把检索单独做了一层,用向量搜索和资料间的关系找出相关内容,再交给模型。

他从实际运行记录里挑出一组测试,分成大约四十类,除了看找得准不准,还看要花多久、花多少钱。Agent 可以反复试新的检索办法,分数有改善的就留下,没跑通的也写下来,说明试了什么、可能为什么没用,免得下次再试一遍。

主持人问,以后做软件的人也得懂这些评估方法吗?Garry 觉得未必,他把自己的做法看作早期实验。访谈也提到 Claude Code 的 Boris Cherny 描述的另一种体验,用户可以像跟朋友聊天一样说出需求,让工具自己想办法做出来。

YC 的 Garry Tan 在访谈现场解释 GBrain 如何检索个人资料

Garry Tan 介绍 GBrain,Agent 先从个人资料中找出相关材料,再把检索结果放进上下文。

数据库公司得同时做大、做小

Supabase 最早盯着 YC 的创业公司,Paul 想在它们开张第一天就把数据库接进来,毕竟用起来以后要搬家很麻烦。现在,一些用户做的只是个人理财工具,数据会一年年往里存,项目本身却未必需要一套大公司的配置。

Paul 假设有十亿级的 AI 用户,如果每个人每月都想开一个项目,数据库公司就得考虑怎么撑住每月十亿级的建库需求。Supabase 要让少数客户的数据库继续长大,也要让大量小项目开得起。

面向刚起步的项目,Paul 提到计划用 Turso 的技术做 Supabase Spark,接下类似 SQLite 的轻量负载。另一头则是面向大型 Postgres 工作负载的 Multigres,留给真正长到需要扩容的项目。

小团队重新算一遍创业的账

Garry 和创始人聊下来,发现有些垂直 SaaS 做到 500 万至 1,000 万美元的年度经常性收入,A 轮也比以前难融。但他也看到,有些公司只靠十到十五个人,就能做到过去得请更多人才能做到的收入规模。

有创始人没拿到下一轮就觉得自己没达标,Garry 会问,手上的收入是不是已经够养活团队。Paul 说,自己刚创业时也觉得拿到钱是件了不起的事,现在反而有点羡慕那些做到了可以不融资的公司。

至于 Supabase 自己,Paul 相信做软件的方式还会继续变,数据总要有地方存,所以愿意长期做数据库。他说,团队还得继续拿自家工具做东西,从合作伙伴那里听听人家在做什么,手上也得留点人试新想法,毕竟听上去很好的合作,动手以后也有做不成的。

写在最后

如果你也想试试,可以挑一件每周都要做、现成软件又帮不上忙的小事,拿几条真实样例给 Agent,看看做出来的东西能不能直接用。它第一次做错时,你纠正它用的那条规则,可能就是你想要的功能。能把这条规则讲清楚,就有东西可试了。

内容来源:"What Happens When Everyone Can Build Software"丨Y Combinator(嘉宾:Paul Copplestone)

原视频:https://www.youtube.com/watch?v=vl7HiMdGfjo

相关文章

如果你现在没空,可以收藏进晚点再听,通勤、走路或做家务时一次性听完⇣

⇣ 关注我,每天为你更新硅谷最新的 AI 创业/科技播客总结,让你与前沿保持同频 ⇣

跳转微信打开

一个让人少刷手机的App,怎么做到月收入40万美元?丨Starter Story

2026年11月7日 20:50

原创 Capihom 2026-11-07 20:50 北京

Brainrot 起于一位工程师想少刷手机的念头。创始人 Yoni Smolyar 讲了上线前怎样找到第一批用户,上线后又怎样用用户行为和渠道数据决定下一步。

每天挑选一期硅谷AI科技值得关注的播客,让你与前沿同频。如果你现在没空可以收藏进 晚点再听LaterCast,在通勤、走路或做家务时一篇篇轻松听完

"我当时就是沉迷手机,整天刷 Instagram、YouTube 和 Twitter。"

"如果一个做法奏效了,就试试按原来十倍的量去做。"

"你今天做的事,要到以后才会见到结果。"

Yoni Smolyar 点开 Instagram,手机上却先弹出一通视频来电,来电显示写着“你的大脑”。他正在演示自己做的 iPhone App Brainrot。平时手指一点就能打开的社交软件,现在得多过一道关。趁这几秒钟,你可以想想,刚才是有事要看,还是又顺手点了进去。

Yoni 以前是软件工程师,做过几个没能起势的小项目。Brainrot 原本是他为了少刷手机做的工具,2025 年夏天上线,主要卖年订阅。据他在访谈中披露,应用的月收入从约 1 万美元增长到约 40 万美元。他一开始想解决的是自己的问题,上线后则要弄清楚,还有谁愿意付钱解决同样的问题。

想少刷手机,他先给自己设了一道关

Yoni 在网上发内容,自己也花了不少时间看社交媒体。他知道市面上早就有锁应用的工具,但还是想试试自己的点子。Brainrot 原本是形容刷太多无聊内容,感觉脑子都要坏掉了。他索性把这句话做成一只数字宠物。用户先选出容易刷过头的 App,花在这些应用上的时间越长,宠物大脑的状态就越差。

Brainrot 能按时段拦截指定应用,也能查每天把时间花在了哪里。Yoni 演示时,宠物的健康值是 97%。卡通大脑平时待在主页上,打开设了拦截的应用时,它也会出现在拦截流程里。

"打开应用时多这么一点阻力,就可能让你改变习惯。"

这道关设在最容易顺手点开的那一刻。使用时长统计能让人事后看到自己刷了多久,拦截流程则在刷之前给人一次停下来的机会。对一个刚开始做 App 的人,Yoni 更愿意推荐这种单一用途的工具,先服务一群处境相似的人,把其中一个问题解决好。

Yoni演示打开Instagram后出现来自“你的大脑”的视频来电

点开 Instagram 后,Brainrot 用一通来电打断原来的操作。

产品还没上线,第一批用户已经在等

在做 Brainrot 之前,Yoni 就在网上分享做副业和开发产品的经历。他注意到,自己关注的一些独立开发者每推出一个网站或项目,第一天就有人用。看他们分享的人已经知道他们在做什么,也愿意试试下一件作品。

到 Brainrot 上线前,Yoni 回忆自己在 Instagram 上已有大约 10 万到 15 万名关注者。他发消息说正在做一款 App,请有兴趣的人先加入等候名单。据他估计,产品开放下载后的第一天就带来了约 1 万美元收入。

他手里已有一批能收到上线消息的人,还有等候名单帮他分辨谁想试。刚做第一个产品的人也可以先找一小批这样的用户。比如想做一款屏幕时间工具,可以先在经常聊这个问题的社群里展示一次实际拦截,看看哪些人愿意留下联系方式、等到能用时再来试。

下载之后,哪些人真的用起来了

等到有人开始使用,Yoni 发现,光看下载量很难决定下一步改哪里。他开始看用户在应用里的实际操作,把经常使用的人和偶尔打开的人分开看,再回头找两群人的区别。

他用“激活时刻”来描述一个值得追查的问题。一个人完成了哪一步,之后更有可能经常回来?以这类应用为例,可以先问,设置过拦截规则的人是否更常回来,再看看只看过时长报告的人后来做了什么。两种用法可能对应不同需求,也可能让团队发现,新用户在还没体会到拦截有什么用之前,就已经离开了。这是可以用数据核实的问题,访谈里没有公布 Brainrot 的具体激活指标。

"弄清用户在哪一步真正用起来,哪些批次的用户最活跃、最爱用,再想办法让其他用户也做出类似的动作。"

Brainrot 团队用 Mixpanel 看使用数据,也用 Firebase 做分析和实验。Yoni 建议,可以让 Claude 或 Codex 协助分析这些记录。团队仍得先决定要弄清什么,并把关键操作记下来。比如连用户有没有设过拦截都不知道,就很难看出他是在设置时放弃了,还是设完以后觉得没用。

节目画面并列展示研究用户行为和识别重度用户

先看用户在应用里做了什么,再找出最常用它的人。

获客要算两笔账,花了多少和收回多少

首发靠自己的受众,接下来要找能持续带来用户的渠道。对 Brainrot 来说,早期奏效的是达人内容和付费广告,团队就在这两件事上继续加投入。Yoni 也提到,与 Brock Anderson 成为联合创始人后,两人一起做,能承担更多工作。

他建议比较渠道时,把获客成本和这些用户带来的收入放在一起看。同样花一笔钱,一个渠道可能带来更多安装,但这批人很少订阅。另一个渠道的安装贵一些,愿意付费的人却更多。要判断预算该加到哪里,就得把两边放在同一段时间里比,同时看安装以后发生了什么。

这也影响团队拿什么去做推广。以屏幕时间工具为例,可以分别展示使用统计和打开应用前的拦截,看看哪种演示带来的人更愿意实际设置并使用。

先改一处,看看用户会不会往下走

Yoni 建议从新手引导的小改动试起。用户总在某一步离开时,可以先改页面出现的顺序。一次只动一处,结果出来时更容易判断是哪项调整起了作用。

"把新手引导里这一页挪个位置会怎样?或者让用户先看这个,再看那个呢?"

比如,原来要先看几页功能介绍才开始设置,可以试试先让用户选出最想少刷的应用,再解释拦截怎么用。做完比较时,除了看有多少人走完了引导,还可以看他们有没有真的启用拦截,之后还用不用。否则页面看起来更顺了,用户也可能只是更快地点完。

Yoni 提醒,这些小改动很多时候看不出效果,偶尔才会碰到一项值得继续投入的变化。增长也常有时差,眼下好看的数字可能是前几周或前几个月的工作带来的。到了这个时候,也得继续安排下一轮要做的事。

写在最后

如果你也有一个自己常遇到的小麻烦,先做出一个能让人试用的版本,找几位确实碰到过这个问题的人。看他们愿不愿意用第二次,以及卡在哪一步。等你能说清楚哪种人会留下、为什么留下,再决定要多做一点功能,还是去找更多这样的人。

内容来源:"How I Built It: $400K/Month iOS App"丨Starter Story(嘉宾:Yoni Smolyar)

原视频:https://www.youtube.com/watch?v=hnxn16HtLIk

相关文章

如果你现在没空,可以收藏进晚点再听,通勤、走路或做家务时一次性听完⇣

⇣ 关注我,每天为你更新硅谷最新的 AI 创业/科技播客总结,让你与前沿保持同频 ⇣

跳转微信打开

如何为生活的方方面面构建 AI Agent?丨Dan Martell

2026年11月6日 20:51

原创 Capihom 2026-11-06 20:51 北京

从收件箱、旅行到家庭日程,Dan Martell分享了他安排AI助手的方法:先弄清要交出去的工作,再让它起草、跟进和协作,把需要自己决定的事留给自己。

每天挑选一期硅谷AI科技值得关注的播客,让你与前沿同频。如果你现在没空可以收藏进 晚点再听LaterCast,在通勤、走路或做家务时一篇篇轻松听完

"你的收件箱,只不过是别人向你索要时间的公开待办清单。"

"如果缺少数据,就告诉我,别猜。"

"先做一遍,存成技能,再设为定时任务。"

每天打开电脑,先回邮件,再看群消息,等到终于能做自己的事,半天已经过去了。下班后还有另一份清单:订酒店、查孩子的活动通知、记住下次见面不能再叫错的人名。AI已经能写出一大段答案,这些零碎的事却往往还是得自己盯着。

Dan Martell团队里的Jen就被收件箱困住过。按他的讲述,她每天要花大量时间处理个人和客户成功业务的邮件,后来让AI先分类、标记优先级、拟好回复,自己再逐封检查、确认发送。第二天上午十点,她告诉Dan,邮件已经处理完了。

她打开收件箱时,邮件已经分好类、拟好回复,只需处理仍然需要自己判断的部分。Dan用Grok Bot安排了不同的AI Agent,分别跟进日程、家庭和公司里的事务,也想把自己从这些反复整理、催问和安排的工作中解放出来。

先把一天从收件箱里拿回来

Dan先给自己安排了一个“总助”机器人,用来了解他的工作、协调其他助手。它得先知道他负责什么、怎样沟通、哪些事情优先,后面才能按这些要求做事。

如果这些信息已经散落在平时使用的ChatGPT或Claude里,他的办法是让原来的工具整理出一份关于自己角色、习惯和沟通方式的说明,再复制给新助手。这样,新助手拿到的是一份关于他怎样工作的说明。

有了背景,他交给总助的第一项固定工作是晨间简报:每个工作日提前查看日历,列出当天要见谁、需要准备什么、有没有时间冲突,以及最该完成的三件事;周一再补上整周安排。如果原本留给专注工作的上午被杂事挤占,也要提醒他。

"每周一再加上整周安排,控制在一页以内;开始之前,有什么需要知道的,就先问我。"

为了不让简报本身变成待处理材料,Dan还会交代哪些内容不用写。邮件仍然会不断进来,但早上先看什么、今天把时间留给什么,可以按自己的优先级决定。

邮件要少改,先让它看你改了什么

总助之外,Dan单独设了一个邮件助手,让它专心处理收件箱和Slack消息。它沿用已有的文件夹和分类习惯,找出需要本人专业判断的邮件,再参考过去发出的邮件起草回复。人打开收件箱后,主要检查这些草稿和待决定事项。

这里容易漏掉的一步,是交代完“用我的语气写”之后,还要继续教它。Dan建议,最初几周只让它起草,自己审核后再发送;到了每周五,把它写的版本和自己最终发出的版本放在一起比较。

"看看我改了什么,比如删掉了哪些词、回复有多长、结尾怎么写,再调整你替我写邮件的方式,让下周的草稿少改一些。"

“像我”因此有了可参照的内容:你删掉了一段客套话,补上了哪个问题的回答,最后究竟保留了多长的解释。这些实际修改,比反复要求“自然一点”“简洁一点”更能说明你想要什么。

他也会让助手之间接力:邮件助手发现急事,先通知总助,再由总助在日历里留出处理时间。按他的安排,提醒不只停留在消息列表里,还要有相应的时间可以处理。至于是否允许AI直接发信,他把它放在经过一段时间审核、修正之后考虑;Jen的案例里,人仍然负责确认和发送。

Dan展示每周比较AI邮件草稿与实际发出版本的任务说明

每周对照草稿和最终发信,看看哪些词被删掉、篇幅和结尾怎样调整。

生活里的待办,要安排到能执行的程度

Dan也遇到过AI帮倒忙:一次替他起草邮件,竟然把朋友妻子的名字写错了。他于是建了一个专门记人的助手,保存见过谁、在哪里认识、对方和谁有关,以及这些信息是什么时候记下的。名字必须按准确拼写保存,不确定就问,不能猜。

健身房前台的新同事、徒步时认识的人,未必会出现在公司通讯录或客户管理系统里。他会在见面后主动告诉助手,对方叫什么、有什么特征,下次想不起名字时,再根据自己之前记下的情况查询。

规划旅行也有不少反复查找、安排的工作。Dan和妻子Renee去怀俄明州时,返程航班前空出一个下午,便让助手根据两人的喜好找活动,再放进日历,不用再从一长串景点推荐里挑选、拼凑行程。

为此,他事先交代座位、酒店风格、预算和饮食偏好;有新行程时,先比较机票和酒店,给出三个选项,等自己选定后再往下办理。Dan对接下来的操作也有要求:

"我选好之后,填好预订信息,付款前先征求我的同意。然后把所有安排加进日历,附上链接和确认编号。"

家庭助手沿用同样的思路:从邮件里整理孩子的预约、学校活动和运动安排,把时间、地点、要带的东西一起写进日历,前一晚提醒。需要填表时可以帮忙填写,但提交前必须让他确认。

这些事情单独拿出来都不难,却需要不断记着、查着、跟着。只给一份活动推荐,还留下了大半安排工作;连时间、地点、预订信息和提醒一起整理好,才更接近把一件事交出去。

公司缺的可能不是更多客户

到了公司,Dan想交出去的是另一种重复劳动:查数字、找问题,再追问负责人有没有进展。但查什么,首先取决于老板有没有问对问题。

他旗下有家公司曾认为需要更多销售线索,Dan分析后却发现,新客户激活太慢,也就是客户进来后,迟迟没能完成开始使用产品所需的步骤。如果这时继续增加线索,后面的接待和上手流程就会堆积,客户还可能因此流失,要先处理这个环节,再谈扩大获客。

他希望负责这类分析的助手,每周查看从线索到成交、再到客户开始使用的各个环节,找出可能卡住增长的一步,拿出支持判断的数字,并建议下一项验证。

"找出阻碍增长的那个环节,让我看到背后的数字,再建议下一步做什么测试来解决它。如果缺少数据,就告诉我,别猜。"

在他描述的安排中,助手周日晚上把分析发到相应的Slack频道,提醒负责人确认,周四再回头检查有没有进展。负责人可以顺着它提供的数字核对判断,而不必只面对一句“增长有问题”的催问。

财务助手的任务则收得更窄:每天早上七点,报告银行现金、昨日收入和支出、本周到期账单及异常费用。它只有查看权限,不能转账或付款。比起等到下个月结账后才看报表,这种安排让他能更早注意到变化,也明确限制了助手可以做什么。

Dan展示只读财务信息且禁止转账付款的任务说明

财务任务同时交代了要汇报的数字,以及不能转账、不能付款的限制。

你处理得更快,别让同事忙着接招

个人效率提高后,还有一个容易忽略的问题:你发得更快,周围的人未必接得住。Dan担心,自己和高管用AI加速之后,会把更多事项推给其他同事;如果对方仍按原来的方式处理,他们就可能被新增的工作量淹没。

为此,他还建了团队可以共同询问的助手。内容团队过去常常需要开会问他:某个故事发生时他多大,细节是什么,谈到这类问题时他通常持什么观点。如今团队可以在Slack里问专门的内容助手,它所依据的资料包括他的培训、会议文字记录和公开视频等。

这件事对团队的帮助,是成员找资料时不必都等Dan有空。助手给错答案,修正相应资料和规则之后,其他成员也能用到更新后的内容。共享的前提是给它能向团队提供的材料,个人私密信息需要另外处理。

同样,管理简报也不应只是把各个群聊压缩一遍。Dan要求先提供自己的优先事项,再让助手查看团队讨论了什么、作出了什么决定、与这些优先事项是否一致。重要内容附上出处,没能读取的部分也要说明。

销售跟进则可以从更小的范围开始:夜间检查有没有长期停在同一阶段的商机、没人跟进的线索、结束后没约下一步的电话,再提醒销售负责人。他在这项任务中明确要求,不要直接给客户发消息。AI先帮助团队发现遗漏,下一步如何沟通,交给负责这笔业务的人。

先做成一件事,再让它定期去做

Dan在结尾给出的建议,可以作为前面这些安排的起点:先完成一次,再保存方法,最后设成固定任务。

"先做一遍,存成技能,再设为定时任务。"

如果从收件箱开始,可以先选几封需要回复的邮件,给它过去的写法,看分类和草稿是否合用;改过之后,再让它参考最终版本。晨间简报也可以先做一次,看看缺了哪项准备、多了哪些无用信息,再决定每天重复什么。

反过来,如果第一份结果就看不懂、用不上,定时发送只会每天多来一份待审材料。接入多少工具、建了多少助手,都不能替代这一步检查。

前面那些细节也值得一起留下:查不到的信息要问,重要判断能找到出处,邮件先审核,财务只查看,付款和提交另行确认。把这些要求写进各自负责的任务里,才知道哪些工作已经交出去了,哪些仍要等自己处理。

写在最后

不妨从一件每天都要做、又不太需要临场判断的事开始:整理收件箱,或者汇总明天的日程。先看它能否把资料查齐、把草稿写对,再决定是否定时运行。能少盯住一件琐事,就有机会把腾出的时间留给手头真正想完成的工作,或者下班后想陪的人。

内容来源:"How to Build an AI Agent for Every Part of Your Life"丨Dan Martell

原视频:https://www.youtube.com/watch?v=SJywU4UQryQ

相关文章

如果你现在没空,可以收藏进晚点再听,通勤、走路或做家务时一次性听完⇣

⇣ 关注我,每天为你更新硅谷最新的 AI 创业/科技播客总结,让你与前沿保持同频 ⇣

跳转微信打开

想在AI时代赚到钱,先看看这些生意机会丨Greg Isenberg

2026年11月5日 21:17

原创 Capihom 2026-11-05 21:17 北京

网站、内容和功能越来越容易复制,创业者还该积累什么?Greg Isenberg从实体服务、行业合作、细分受众、社群、交易平台和独有数据出发,讨论AI时代怎样做一门不容易被照搬的生意。

每天挑选一期硅谷AI科技值得关注的播客,让你与前沿同频。如果你现在没空可以收藏进 晚点再听LaterCast,在通勤、走路或做家务时一篇篇轻松听完

"实体生意更难做,但AI没法一夜之间把它复制出来。"

"最初的产品未必难以被AI复制,真正积累下来的是数据、品牌,以及人们对你的信任。"

"当AI让软件、内容和答案几乎免费时,你怎样做出仍然有价值的东西?"

借助 AI,做一个网站、开发一项功能都比过去容易,别人照着你的产品做一份,也不再那么费劲。对准备创业的人来说,接下来要想清楚的是:当市场上有了几款差不多的产品,客户凭什么选你,又为什么愿意继续付钱?

Greg Isenberg 把值得考虑的机会分成八类:实体业务、准入条件、注意力、时机、归属感、交易撮合、独有数据,以及替客户完成工作。把这些方向放在一起看,他关心的始终是同一件事:除了能做出产品,你还掌握着什么,是别人照着界面和代码学不走的?

有些门槛,在屏幕之外

Greg 先讲了最普通的生意:咖啡店和水管维修。顾客要喝咖啡,仍然得有人把咖啡做出来;家里的水管出了问题,也需要有人到现场处理。AI 可以改变这些生意的经营方式,却不能像复制网页一样,立即复制一家能营业的店或一支能上门的队伍。

他把这类生意称为“原子”,对应屏幕上的“像素”,也就是软件。听起来传统,经营起来往往比做软件费劲,但这些麻烦也是后来者要跨过的门槛。

"实体生意更难做,但AI没法一夜之间把它复制出来。"

还有一些门槛来自行业资质和合作关系。比如一家服务公司已经成为某个企业的优先供应商,新竞争者即使做出相似的产品,也不会因此自动获得同样的客户入口。Greg 建议,创业者可以考虑自己能与谁合作、对方为什么愿意选择自己,而不必只盯着产品功能。

在他看来,实体经营和准入条件是比较有保护作用的方向。他进一步猜测,随着更多科技资金进入,部分传统生意的估值可能上升。不过,他也承认,实体生意更难经营。

先有人愿意听你说,再考虑卖什么

当产品制作越来越容易,找到客户就更值得花时间。Greg 觉得,现在人们仍然低估了媒体生意的价值,尤其是围绕一个很小的领域,持续提供让人信任的内容。

他自己以前很讨厌做短视频,主要烦的是剪辑。现在借助 AI,他能按照自己的时间安排制作,反而开始享受这个过程。对他来说,AI减少了制作的麻烦,让原本不愿意花时间做的事,也变得可以持续。

他想做的也不只是一个偶尔发内容的账号,而是一门能持续吸引特定人群的媒体生意。邮件内容、短视频、行业趣闻都可以成为形式,关键是这群人遇到相关问题时,会不会想到你。

"如果要做一家好的媒体公司,你是在建立一个值得信任、难以替代的品牌,让人们在这个领域里愿意来找你。"

内容与时机也有关系。Greg 建议,持续观察自己熟悉的小领域里正在出现什么变化,发现还没人认真服务的需求,就先做点东西。它可以是软件,也可以是实体产品或内容业务。

他并不认为先做出来的那款产品就能一直守住优势。先行动的意义,是更早接触用户,知道他们在乎什么,积累数据、品牌和信任。别人以后也能做出一个相似产品,却未必能同时带走这些东西。

如果已经有一批持续关注你的读者,就可以看看,他们反复在问什么,又有哪些需求还没有合适的产品。这也是Greg建议持续跟踪一个小领域的原因。

Greg把内容经营分为选择小领域、持续制作、借助AI扩大产出,以及建立可信品牌;右侧也提醒,部分媒体内容仍可能被替代。

Greg把内容经营分为选择小领域、持续制作、借助AI扩大产出,以及建立可信品牌;右侧也提醒,部分媒体内容仍可能被替代。

付费社群卖的,不只是群里的信息

有了同一类受众,接下来不一定只能卖工具,也可以组织人们一起做事。Greg 看好围绕共同兴趣和目标建立的付费社群:定期交流、相互督促,或者线下见面,让成员不必一个人摸索。

他举了朋友 Sam Parr 创办的 Hampton。这是一家面向创始人的会员组织,帮助会员在所在城市与其他经营者见面、讨论问题。Greg 看重的是有人挑选成员、组织交流,并帮助他们在经营中往前走。

他自己的团队也在纳什维尔办过一场围绕 Agent 创业的线下活动。他回忆,报名需求比预期更旺,团队甚至有些应接不暇。

所以,他谈社群时反复追问的,是哪些人要聚在一起、为了什么目标、怎样提供好的体验,以及收多少钱。单是把一群人拉进聊天群,并没有把这门生意做完。

AI 可以帮忙整理资料,却不能仅靠复制一份资料,就同时复制成员之间熟悉彼此、愿意继续见面的关系。对组织者来说,这份价值需要在一次次活动和交流中兑现。

网站能复制,买家和卖家不会一起搬过来

Greg 常听到有人说,软件已经没什么可做了。他用来反驳的例子之一,是交易平台。平台的页面只是入口,真正的工作是让供给和需求在这里遇见,形成持续的交易。

他提到,一位朋友做了收藏级汽车的竞拍平台,定期挑选车辆,再利用已有的 Instagram 受众,把对这些车感兴趣的人带进来。这个例子把前面几个方向连在了一起:先有特定人群的注意力,再提供筛选过的商品,最后让人们参与交易。

在 Greg 看来,创业者也可以与已经有受众的创作者、媒体合作,为他们做交易平台。这样不必从零开始同时解决产品和获客,而是先找到一群有明确兴趣的人,看看他们的买卖需求有没有被满足。

"最难的是想清楚,还有哪个没有得到充分服务的小领域,真的需要一个交易平台。"

Greg还设想,AI可以减轻日常运营的负担。过去经营平台,要处理大量客服工单和协调事务,Agent如果能分担其中一部分,小团队也就有机会尝试经营。

平台需要同时照顾两边:买家能否找到想要的东西,卖家能否遇到愿意出价的人。即使别人照着页面做出一个新网站,也得重新把这些人吸引过去,才有机会形成同样的交易。

平台连接供给与需求。Greg建议从服务不足的小领域入手,再通过已有受众或媒体合作,把交易双方带进来。

平台连接供给与需求。Greg建议从服务不足的小领域入手,再通过已有受众或媒体合作,把交易双方带进来。

信息越多,认真筛选也可能有人付钱

在数据上,Greg 提出了两种不同的生意。第一种,是收集模型公司还缺少的数据,提供给训练模型的团队;另一种,是把难以获得、分散或质量参差不齐的信息整理好,卖给需要它的人。

他用餐厅评论解释第二种。自己看 Google 或 Yelp 的评论时,经常觉得不是极好就是极差,分数也未必能帮助选择。有些评论还可能经过人为操纵。他希望有一个地方,能给出经过筛选、真正有参考价值的推荐。

这是他现场想到的例子。他也承认,消费类产品的风险更高,不能因为自己觉得有用,就认定生意一定成立。但他想探索的是,当内容几乎无限时,人们是否愿意花钱获得一份可信的筛选结果。

他把类似机会延伸到企业、小公司和专业用户。经营者需要弄清楚的,是自己能拿到哪些别人不容易得到的信息,能筛掉哪些噪声,以及整理之后对谁有用。只有把这些说清,数据库、目录或推荐服务才不只是又一份信息集合。

不论买家是模型公司还是普通用户,Greg 所说的“独有数据”,重点都在不容易被另一家照搬。如果只是用同一个模型,把同一批公开网页重新归纳一次,竞争者也很容易做出相似东西。

替客户把事做完,也要回答为什么选你

最后一个方向,是用 AI 提供服务,让客户直接购买完成的工作。比如,客户要的是标志或落地页,就由服务商组织不同模型把成品做出来,而不是让客户再买一套工具、自己研究怎么用。

Greg 也设想过,从 Fiverr、Upwork 等接单平台观察人们愿意花钱做什么,再用 Agent 参与接单和交付。

但在八类方向中,他反而把这种服务放在相对靠后的位置。因为一旦别人也能调用同样的模型,仅仅能交付一个成品,未必带来多少保护。他更看重的是服务商如何提供好的资料、对客户的了解和参考样本,再配合既有的合作关系,把结果做得更好。

"不必只选其中一个方向。你可以把注意力和社群放在一起,把合作准入和交易平台放在一起,也可以把交付结果和独有数据结合起来。"

Greg 的例子里,收藏车的受众与竞拍有关系,创始人的共同问题与线下交流有关系,做服务时掌握的客户资料与交付质量也有关系。各部分能互相帮助,组合才有意义。

回到最初“产品被复制怎么办”的担心,他给出的答案没有停在把产品做得更复杂。人们仍然需要有人到现场服务、帮助找到合适的交易对象、组织值得参与的交流,以及从大量信息里挑出有用的部分。AI 降低了部分工作的成本,这些生意仍得靠日常经营一点点做起来。

写在最后

判断一个创业想法时,可以先问:别人如果复制了网站、代码和文案,还缺什么才能做成同样的生意?可能是愿意合作的客户、一批持续交易的人、可靠的数据,也可能是现场把服务做好的人。先找到自己能够积累的那一项,再用AI减轻重复工作,比只追求更快上线更值得花时间。

内容来源:"If You Want To Create Wealth In The Age of AI, Watch This"丨Greg Isenberg

原视频:https://www.youtube.com/watch?v=b3tMAOFB71o

相关文章

如果你现在没空,可以收藏进晚点再听,通勤、走路或做家务时一次性听完⇣

⇣ 关注我,每天为你更新硅谷最新的 AI 创业/科技播客总结,让你与前沿保持同频 ⇣

跳转微信打开

沃顿教授:真正的AI赚钱机会就在眼前丨Silicon Valley Girl

2026年11月4日 21:40

原创 Capihom 2026-11-04 21:40 北京

做软件越来越容易,机会也未必只在软件生意里。沃顿教授Ethan Mollick谈企业自建工具、行业经验与AI创业,也分享了自己怎样写初稿、带Agent做研究,以及为什么公司仍要给新人留出学习的时间。

每天挑选一期硅谷AI科技值得关注的播客,让你与前沿同频。如果你现在没空可以收藏进 晚点再听LaterCast,在通勤、走路或做家务时一篇篇轻松听完

"如果你能让一门生意更有效率,现在就自己去做。"

"你当然应该用AI来想点子,但要先自己想过。"

"我们很容易把能力交给AI,但可能再也学不回来了。"

随着订阅读者增加,主持人 Marina Mogilko 即将超过邮件软件套餐的人数上限,费用也要明显上涨。她开始考虑,能不能用 AI 自己做一个工具,再接上邮件发送服务,继续经营自己的内容业务。

她把这个问题抛给了沃顿商学院教授 Ethan Mollick。他的回答是:你想做的是邮件内容和视频,软件只是为此必须解决的一件事。过去,不会编程的人往往要先找到技术合伙人,才能把想法做出来;如今,这道门槛正在降低。

Mollick想提醒的是,做生意不必都走同一条路:先做一款软件,再向别人收订阅费。一个懂医疗、供应链或某项服务的人,也可以用 AI 直接改善自己熟悉的业务。

技术带来的空间变大了,接下来的难题却未必是技术:怎样知道客户真需要什么,怎样做出不同于竞争对手的东西,以及怎样在用 AI 省力时,继续长出自己的本事。

客户也能自己做,软件公司卖什么

Mollick 经常与大公司交流。他发现,企业越来越想弄清楚,哪些软件值得买,哪些工具可以借助 AI 自己做。有些创业公司没有自己的模型,出售的能力,客户直接调用大模型也能获得。这时,客户就会重新算账:这款产品究竟替我解决了多少额外的问题?

他没有据此断言 SaaS,即按订阅收费的软件服务,会迅速消失。大企业要把自建工具用好,还有不少事情要处理,成熟供应商也依然有市场。需要重新考虑的是创业者的选择:当软件制作不再那么稀缺,是否还要把卖软件当成默认答案?

Mollick 用淘金打了个比方。人们总想着卖铲子,但如果新技术能帮你找到金矿,也可以自己去挖。他更期待看到的是:

"我希望更多创业者走出“把软件卖出去”这个思路,去生产东西,或者真正把一件事做起来。现在是做这些事情的好时机。"

在他的创业课上,一些没有技术背景的学生已经开始动手。有人研究怎样摸清供应链、找出其中的财务风险,也有人想改进患者获取信息的方式,让人不必面对一堆难懂的表格。这些还只是课堂里的项目,却说明了变化发生在哪里:懂问题的人,终于可以更直接地尝试自己的解法。

当然,复杂的软件业务依然需要优秀工程师。Mollick 看到的,是另一类机会也向更多人打开了:把软件用在现有业务里,提供产品或服务,而不必先把自己变成一家软件公司。

Mollick鼓励创业者用新技术直接改善一门生意,把软件当作工具,扩大创业方向。

Mollick鼓励创业者用新技术直接改善一门生意,把软件当作工具,扩大创业方向。

代码容易写了,生意里的难题还在

创业课里有一种想法,Mollick 几乎年年都会遇到:既然房源信息可以在线匹配,为什么买卖房子还要付经纪佣金?学生们想做个平台,把中间环节去掉,真正尝试后却发现,经纪人还参与着信任建立、交易协调以及法律程序。这些关系不会随着一个新网站上线就消失。

主持人追问,很多当初看起来不可能的生意,后来也有人做成了,老师怎么知道学生一定不行?Mollick 承认,他不知道,所以不会一开始就把这些想法筛掉。他只是见过太多人低估技术之外的麻烦,知道一个合理的设想,离一门运转起来的生意还有多远。

AI 缩短的是部分制作过程。至于谁愿意用、为什么付钱、如何交付,还得在实际经营中弄清楚。这也是 Mollick 为什么仍然看重专业知识。他所说的专业,并不限定为多年的从业资历,也包括认真访谈、进入行业、测试想法,一步步认识这门生意。

他在访谈里提到,研究者曾通过 WhatsApp 向肯尼亚的小企业经营者提供 GPT-4 商业建议,不同经营者的结果差异很大。按研究团队公布的结果,整体上没有发现显著的平均收入和利润增长,原本经营表现不同的人,使用建议后的效果也不同。

这项研究不能替新一代模型下结论,但它提醒创业者,获得建议与用好建议是两回事。熟悉业务的人能把建议放回现实里判断;不了解客户和经营状况,再完整的答案也可能无从取舍。

Mollick 还建议,除了自己的专长,也要懂一点相邻领域。做软件的人了解一些设计和财务,才更容易把 AI 的帮助用到这些地方,而不必事事停在自己原来的分工上。

别让你的想法和别人的越来越像

即使选对了生意,竞争对手也可能在用同一批模型。Mollick 说,早期用 Claude 写文章的人,一度觉得它写得出色又新鲜;等到社交平台上到处都是类似内容,那种语气、行文方式和看问题的角度,就开始让人厌倦了。

他自己的做法是,初稿坚持亲自写。采访中,他解释了为什么宁愿保留这份麻烦:

"我所有东西的初稿都自己写。如果不这样,AI很容易主导我的想法,最后你读到的,就只是经过我转手的Claude答案。"

主持人问,那是不是绝不让 AI 帮忙想点子?他赞成让 AI 参与,建议是:先独立写下自己的想法,再打开模型讨论。就像团队头脑风暴,大家先分别想过,再一起交流,才不容易被第一个说出口的方案带着走。

能判断一个方案好不好,也需要练习。Mollick 会请艺术教授到课上,讲设计师怎样看字体和图像。他希望学生多看好坏不同的作品,并学会解释区别,而不是只说“我喜欢”或“看着挺专业”。

他把这类能力称为 taste。在一项具体工作里,它可能表现为选定一种写法、放弃一版设计,或判断哪个研究问题更值得追。AI 也能作选择,关键在于,它选出来的东西,是否符合你对这项工作的要求。

不必为此把所有事情都留给自己。Mollick 举例,如果财务并不是你的竞争优势,用 AI 帮忙完全没问题;但在决定你与别人有何不同的事情上,最好先有自己的想法,再听模型怎么说。

基础工作交给AI,新人去哪里练习

这样的经验从哪里来,是 Mollick 更担心的一个问题。过去,初级员工替资深同事做基础工作,资深同事给反馈,新人就在修改和重做中慢慢学会。如今,双方都有了更省事的选择。

新人想把作业交好,会让 AI 帮忙;经理拿到一份模型生成的答案,又会觉得自己直接问 AI 更快。工作虽然完成了,新人却可能既没弄懂过程,也没得到指导。

Mollick 担心,公司会顺势减少新人岗位,只招有经验的人。他也强调,初级岗位受到多大影响,眼下仍有不确定性。相比等待一个明确的就业结论,企业已经可以考虑,哪些学习机会不能随着基础任务一起消失。

"更难的那条路,是认真把培训当成工作的一部分。你必须给人时间,允许他们暂时没那么高效,在工作中学习。"

这意味着,培养人不能只靠顺便带一带。用 AI 直接拿到答案,与让 AI 帮自己理解和练习,做出来的东西可能一样,留下的能力却不一样。公司得为后者留出时间,个人也得决定,哪些本事还值得亲自练。

Mollick 称这种不加思索地交出思考的做法为“认知上的放弃”。他自己同样每天受到诱惑:既然 AI 可以做,为什么还要费这个劲?但如果一项能力对自己仍然重要,省掉每一次练习,也可能慢慢失去它。

派Agent干活,不能只在最后收作业

Mollick 把 AI 当作可以委派任务的团队。他不想全程盯着,但也不愿等到成品交来,才发现方向早已跑偏。任务越多,最后统一检查的负担越重,反馈最好从一开始就有。

他用一次研究探索说明了怎么做。故事的情节有起伏,能不能分析这些起伏,找出某种结构?他对这个问题感兴趣,也曾研究它与创业路演之间的联系,于是请 AI 继续探索。

他先让 AI 查相关研究,提出几种办法;看过以后,要求其中四种分别做一个初稿。初稿出来,他再比较:第三种方案有自己喜欢的部分,第二种也有一个好特点,能不能结合?某个结果看着不对,就请 AI 解释可能哪里出了问题。

"我会事先说清楚,希望你在哪些节点汇报,在哪些地方拿出几个不同的例子,交给我选择。"

寻找几千个故事、编写分析工具,这些费时的工作让 AI 去做;研究往哪里走,哪些结果值得继续,他在中途决定。几轮讨论之后,自己也会学到新东西,而不是把最初那句话一直贯彻到底。

主持人觉得,这样的工作流程恐怕很快又会被新模型淘汰。Mollick 纠正说,他刚才讲的是怎样管理一个研究团队,并不是一份可以照着执行的固定脚本。每一步都要看上一轮发生了什么,再决定下一步。

对正在用 Agent 做产品探索、营销计划或分析的人,这个例子提供了一个可借用的安排:先拿到几个方向和少量初步结果,再决定往哪里投入。至于后面的细节,可以继续交给 AI,不必等整项工作完成后才有机会改变主意。

Mollick向主持人解释怎样带AI做研究:先比较不同办法,再根据初稿反馈与调整。

Mollick向主持人解释怎样带AI做研究:先比较不同办法,再根据初稿反馈与调整。

放心交出去之前,先知道它会怎样做

也有一些工作,Mollick 很愿意交出去。写新书时,他既请了人工核查人员,也让 AI 帮忙检查。结果 AI 除了找到他的错误,还发现引用材料中的问题,包括论文表格和新闻报道里的信息。这让他印象深刻,不过它仍是一次个人使用经历,并不代表事实核查从此可以省去复核。

让他不安的是另一种“帮忙”:AI 曾在他不希望发送时,给学院院长发了邮件。替人起草与替人发送,看起来只差一步,却越过了他原本想保留的决定。

所以,使用定时任务时,他会逐渐调整指令,先处理后果较小的事情,摸清工具的行为,再把更重要的任务交给它。如果一个助手把设置藏起来,也不给人调整主动程度的机会,即使看起来很省心,他仍然不知道该信任到什么程度。

Mollick 也不建议因为一次失败,就认定模型永远做不到。可以保留几个自己真正在意、AI 还做不好的任务,隔段时间再试。他还没能让 AI 从头写出一篇既正确、又有新见解的好论文,也没能仅靠一句话就把一个创业想法做成真实公司。

这些尚未完成的事,让他有理由继续尝试。他承认,工具不停变化会让人烦躁,连经常使用 AI 的人也会有跟不上的感觉。与其要求自己精通每个新工具,他更愿意去试:以前做不了的事,现在有没有可能了?

写在最后

准备尝试一门AI生意时,可以先从自己熟悉的工作里找问题,问问客户现在怎样解决、哪里还不满意。把软件做出来,接着拿去试,再根据结果修改。AI能帮你少做许多繁琐工作;至于这门生意该服务谁、做到什么程度才值得收钱,仍需要你在实际经营中找到答案。

内容来源:"Wharton’s Top AI Professor: Stop Starting Software Companies — The Real AI Money Is Here"丨Silicon Valley Girl

原视频:https://www.youtube.com/watch?v=sHHYVvG_C4Q

相关文章

如果你现在没空,可以收藏进晚点再听,通勤、走路或做家务时一次性听完⇣

⇣ 关注我,每天为你更新硅谷最新的 AI 创业/科技播客总结,让你与前沿保持同频 ⇣

跳转微信打开

❌