AI 边角料

Felix
  • 5.0 (1)
  • Technology
  • Updated Daily

本人在中美做AI，分享洞察&感受 @产品，技术，商业化，创业管理 公司：知行奇点AI，做企业AI升级 小红书：康康你的AI 博客: https://felixk.me/

  1. 5d ago

    【深度复盘】Jev 是如何在24小时打造出全球性AI营销事件

    9 月 15 日，一个只有 1,500 粉丝的账号发了条帖子。48 小时后，浏览量 3,700 万。 这个号不是公司官方账号，是旧金山一家叫 TypeSafe AI 的实验室的创始人本人。发帖之前没有任何异常，发帖之后，数字开始往一个明显不正常的方向走。 这期我们复盘的不是模型本身，是这条发布路径。从发布前两周到发布后 72 小时，几乎每一步都能对上一个具体动作：什么时候出关、什么时候公布融资、主帖发在哪一格、80 到 100 个账号是怎么在第一个小时内压进转发节奏的、第一句话为什么给的是一份三秒能核实的资历而不是公司名。 节目里有一段争论：这种量级的曝光，真的是靠排期排出来的吗，会不会就是东西太硬、技术圈自发传开的？我们把这个疑问摆在台面上，然后一步步对着时间线找动作、找数字，看这个解释站不站得住。 最后想请你做一件事：不管你手上是在做产品发布、公司内部项目推广，还是自己账号的一次内容规划——先想清楚，真到发布那天，你脑子里那份"会替你转发"的名单，第一个名字是谁。评论区告诉我你列到了第几个。

  2. 6d ago

    一线产品经理经验分享：B端产品中用AI的四步法与边界

    京东零售的一位 B 端产品经理，今年四月接手一批收银系统需求，覆盖开发票、部分退款、手动折扣、菜品数据本地化和排序优化五个分支。按老办法估下来要 34 人日，最后 15 人日交付，评审一次过，效率提升 56%。但这省下来的时间，不是 AI 替他做判断省的——一次都没有。AI 干的是结构化的活，判断和复核全在人手里。反例先摆出来：手上存两百多条 Prompt，模板齐全，结果让 AI 写需求文档读着顺，交给开发逻辑坑一堆，三天补坑没人记账。病根在于上来就让 AI 直接生成，它手上没有历史规则、没有踩过的坑，只能编，编出来的东西还特别顺。 他把方法压成一句话：人是决策者，AI 是劳动者。AI 管六件事——整理材料、生成初稿、提疑点、补结构、查遗漏、顺语言；人管另外六件——定目标、划边界、拍异常、评影响、担结论、负责到底。这就像装修请了个手艺再好的师傅，他不知道你妈住主卧腿脚不便、阳台墙不能砸，图纸一丢就能砸出漂亮但没法住的活。AI 缺的不是能力，是你脑子里那部分。落地成四步：Skill，把这类活的结构固定成可复用指令；Prompt，把料给够，连自己还没想清楚的地方也如实说；Context，先别急着生成，让 AI 反问，把没对齐的意图一条条补齐；Harness，回头调用 Skill 出初稿，边界和异常人来补。判据很糙但好用：一件事做过两次以上，才值得沉淀成 Skill，别指望一次写全，先跑一次真实需求再攒。 支付设置页改版是个具体案例。常规做法是截图丢给 AI，说照苹果风格重做，他没这么干。而是先让 AI 模拟登录、拿到身份凭证，跑一遍真实流程，才发现要改的内容藏在一个嵌套输入框里，截图根本发现不了。真结构找到后才轮到设计：调用绑定苹果 HIG（Human Interface Guidelines）规范的固定指令，在真实结构上出第一版原型，再围着弹窗、搜索、批量设置磨细节。五分支需求那次更典型：他没让 AI 直接生成文档，而是把原始需求原样喂进去，让 AI 一点一点反问，逼出跨分支交叉点——比如混合支付订单能不能开票——这些恰恰是过去只有评审现场才会被当场揪出来的坑。B 端产品后台核心从来不是好看，是层级得清楚、规则得说明白。AI 不返工的前提，是你先让它读懂真实结构，而不是甩一张截图讲几句虚的要求。

  3. Sep 18

    生活和工作中：如何调整确信感，逼出“尽力的上限”？

    一：不知道天花板时，可以带来更大的爆发力 • 1939年伯克利研究生Dantzig迟到，误把黑板上两道未解统计难题当作业，六周后解出，导师Neyman周日早上冲到他家门口直接投稿——唯一变量：他不知道那是"不可能" • 1964年五角大楼Nth Country项目：两个无涉密权限的博士后靠公开文献造出当量等同广岛的核弹设计，只靠一句"能做成"撑了两年半，全程不知道自己在靠近答案还是越跑越偏 • 1974年密码学家Diffie认定公钥密码学无解，同事一句"Merkle在做了"，他回去重新想，不久后就发表了奠基论文——同一个大脑同一套知识，开关是"有人在干" • 吃豆人玩家误信"Junior boards上有人做了分组"，五天不眠不休找到隐藏安全点，后来才知道那句话根本传错了——错误信息也能改写行为，大脑只需要"解法存在"这个信号 二：从"试试看"到"找出那个解法"的切换 • AI电商生图团队三周交不出透明香水瓶场景图，翻译工具把"半透明磨砂感"翻成全透明，七步链路重跑一次就是一笔钱，团队心里那句"可能真的做不到"越试越强 • 第四周第一天，竞品产品页上刷到同类型香水瓶图——玻璃折射、液体通透感、大理石侧光全部到位，团队什么工具都没变，状态却从"试试看"切换成"找出解法" • Wiener的说法很精确：科学家一旦知道问题有答案，整个态度就变了——OpenAI做出ChatGPT后全球实验室迅速跟发LLM，靠的不是新技术，是路线被证明可行 • 同样的时间和资源，"确信有解"和"不确信"这两种搜索行为，产出根本不在一个量级 三：大脑在真正极限前早早踩了刹车 • 1999年开普敦大学实验：运动员骑到力竭，肌电图测出活跃肌肉纤维只剩三成——传统理论说该动员更多肌肉补偿，实际是大脑主动降速，生理极限远没到 • 耐力车手Robič横跨美国三千英里，每天骑三百五十英里、睡九十分钟，出现幻觉还想对着邮筒挥拳——体能师Miran替他做所有决策、瞒住剩余里程，因为他自己的大脑在骗他停下 • Robič的动力不是热爱，是被父亲偏爱弟弟、二十八岁还在洗碗的那口气——他说"我一生都在被推开，我的力量就是从它们来的"，还曾因为跟一座山较劲两个月爬了三十八次 • 体能师就是那个"第二脑"：把主观的"我不行了"信息挡在外面，大脑调控器才不会提前锁死搜索空间——你永远不知道自己真正的边界在哪，因为"到极限了"这个信号，本身就隔着一整条河

  4. Sep 16

    如何孵化内部AI 项目：Anthropic 的经验分享

    1️⃣：一支只有二十人的小队，凭什么定生死 • Anthropic 内部的 Labs 团队，规模不到二十人，孵化出了 Claude Code、MCP（Model Context Protocol）、Claude Design 这些你正在用的东西 • 但这支精英小队自己的内部项目成功率只有 20%到 30%，也就是说七成项目从立项那天起就注定被砍 • 反直觉的地方在于：这不是烧得起钱的奢侈，是刻意设计的纪律，跟团队大小、预算多少没关系 2️⃣：三条停损规则，买的是失败的自由 • 规则一：每两周一次复盘，只回答一个问题——继续还是转向，没有中间状态 • 规则二：一个项目只要团队超过 4 个人，就必须从 Labs 毕业，逼着项目要么证明自己能独立活下去，要么结束 • 规则三：20%到 30%的成功率是提前定好的规则，不是做完之后回头算的账——你事先就知道大概率会失败，所以失败不丢人 3️⃣：规则管结束，不管定目标 • 这套机制的边界很清楚：三条规则全是关于什么时候停，没有一条教你怎么定目标 • 类比一下：这是一套很锋利的剪刀，但剪什么、从哪下手，得靠人先想清楚 • 今天就能做的事：给团队里一直没成的某个 AI 试验，写一句两周后的成功判定条件——写不出这句话，通常就说明它已经该停了

  5. Sep 13

    经验分享：阿里团队从1个人开始做AI 项目，到100人协同的坑和解决方案

    一：一个人干活，加人反而变慢 • 商品短视频从分镜到成片，一人跑通时一天能过四五轮；加三个同事后，同一批商品两版分镜口径对不上——一个按曝光算成本，一个按成片时长算成本 • 效率没有乘以四，团队负责人的下午变成挨个盘问"这版到底怎么出来的"，个人产出反而下滑 • 天猫技术团队复盘一个新品项目从一两人扩到整组的过程，印证同一规律：人一多，框架、协作、整合每个环节都会露出新坑 二：四关不是 AI 不够聪明，是协作没设计好 • 第一关，单人阶段：解法是一份入口地图，加一套自动沉淀机制，做过的事系统自己往下记，不靠人脑记忆 • 第二关，多人加入：先划地——每人明确自己的地界，划完再在系统之间对接一套标准，避免口径各说各话 • 第三关，系统跑快了：单独设一台机器专管提交合并，逐个排查、验证合并口子，把速度和质量分开处理 • 第四关，非技术人员进场：把系统锁死，他们只负责提需求、看结果、反馈结果，不碰系统本身 三：四个解法长得不一样，修的是同一件事 • 四关全部指向架构设计和人机协作方式，没有一关的答案是"等 AI 变聪明" • 从一人到多人再到跨角色协作，每一次规模扩大，暴露的都是提前该想清楚的分工和接口问题，而不是模型能力问题 • 留一个开放问题给听众：你们业务里的多人 AI 协作，撞上过这四关之外的坑吗

  6. Sep 10

    Anthropic预测：AI 导致部分知识工作者失业，经济总量增加

    一：把工作拆成任务，才能看清 AI 在做什么 • 每份工作都是任务的集合——护士的一天里，查房、抽血、记录生命体征、订物资，每一项都可以单独判断 AI 能不能接手 • AI 对任务的影响分四种：辅助做得更好更快、直接自动化、完全不影响、催生全新任务（比如护士要新增"审核 AI 分诊结果"这项工作） • 任务清单本来就在变——手写病历卡三十年前是标配现在基本消失，远程病人监测三十年前不存在现在是常规，工作内容从来不是固定的 • 把全美所有人、机器、软件完成的任务加总，就是过去一年超过 30 万亿美元的美国经济，AI 会怎么改写这张任务清单，决定了经济走向 二：三种情景，冲击程度天差地别 • 保守情景：AI 冲击约等于当年的互联网，宏观数据里几乎看不出痕迹，增长真实但不特殊，慢慢显现 • 可观情景：到 2030 年 AI 能胜任一半知识型工作且大部分自主完成，但现实中大多数任务依然是人在做；GDP 增速翻倍，但知识工作者工资不涨，受益的反而是其他行业劳动者 • 极端情景：AI 在绝大多数知识型工作上超过人类且几乎全自主，需要 AI 具备递归自我改进能力；GDP 年增速达 15%，经济体量每 4.5 年翻倍，但知识型工作岗位大减，失业率超出常规衰退水平 • 一万多名美国人的调查显示，多数人预期接近"可观情景"（2030 年 GDP 因 AI 多出 10%，失业率约 5%），约一成人的判断已经逼近"极端情景" 三：增长会发生，但分配是真正的问题 • 不管哪种情景，AI 都会让美国 GDP 扩大——来源是 AI 辅助、AI 自动化、AI 催生的新任务、整体生产率提升四部分叠加 • 但新增财富里流向资本的比例可能大于流向工人的比例，社会整体更富裕，工人占比却可能缩水 • 大多数情景下失业率仍落在历史正常区间，唯独极端情景（递归自我改进+极快普及）例外，失业率可能飙到历史罕见高位 • 真正的挑战从来不是"AI 会不会创造财富"，而是这些财富能不能被广泛分享——增长的蛋糕会做大，切法却还没定

  7. Sep 8

    20-30岁的人如何面对AI时代

    一：最稳的那条路，回报正在崩塌 • 纽约联储今年二月的数据：计算机专业毕业生失业率 6.1%，艺术史 3.0%。被劝退了十年的专业，失业率是热门专业的一半 • 国内的对应版本叫「上岸」——进大厂、考公考编。同一套逻辑：用四年确定的投入，换一张越来越薄的入场券 • 学校在两头拧着来：毕业论文要过 AIGC 检测，AI 率超线打回重写；走出校门第一场面试，问的是你平时用哪个模型、怎么用 • YC 那场面向学生的活动上问了两次：你们学校允许用 cursor 吗——举手的不多；有多少课明确禁止 cursor、禁止 vibe coding——手一下子全举起来了 二：文凭不值钱之后，稀缺的是另一半 • YC 反复观察到的现象：technical expertise 这一侧，二十岁的大学生已经走在最前面。你缺的不是技术，是技术之外那一半 • 那一半叫 domain expertise——某个具体行业里，只有待过的人才知道的活儿是怎么干的。FDE（forward deployed engineer）之所以吃香，是因为它逼你去人家现场，把 AI 落进他们真实的流程 • 今年 YC 投的项目里，有三家在给牙医做 AI agent。三个创始人跟牙科的交集都不是听来的，是真在里面待过，才做得出管用的东西 • 越冷门、越说出去有点丢人的方向，护城河越深——因为大公司看不上，也注意不到 三：不要用应试心态去面对AI 时代 • 最大的风险不是选错行业，是心智惯性：从小被训练成听话和应试，于是把新工作、把手上这套 AI 流程也当成下一张卷子，坐着等人来发 • 真实的东西只有一样：真的营收，真的客户。刷出来的 GMV、包装的用户数、跑通告、上榜单，都是幻象 • 该攒的是两样：核心判断力和落地能力。攒法只有一个——保持耐心，扎进一个陌生行业待上几年 • 该学什么专业、进哪个行业，跨境、机器人还是养老，没有标准答案。那东西只有你自己知道

  8. Sep 6

    FDE 不一定是个好工作，弄不好就成了外包劳工

    一：FDE 真正的门槛不是技术 • FDE（Forward Deployed Engineer）最值钱的能力不是写代码、不是懂模型，是有资格对客户说"不" • OpenAI 招 FDE 要求至少五年工程或交付经验，Anthropic 要求至少四年，门槛卡在经验而不是技术栈 • 说不的前提是摸清自家产品边界——连边界都不知道在哪，就没资格替公司拒绝客户的需求 • 做不到这一条，干的其实是外包开发的活，只是换了个更时髦的名字 二：国内的挂名和实际招聘不符 • boss直聘、猎聘上挂着 FDE 名头的岗位，很多直接招应届生甚至实习生 • 一个入职三个月的新人，没有跟客户博弈的资本，也没时间摸透产品边界，根本谈不上"说不" • 岗位名称照搬过来了，门槛却在本土化过程中被悄悄拿掉，剩下的只是"现场"两个字 • 招聘逻辑还是外包老一套——按人头、按项目量级配人，跟"资深"完全不挂钩 三：三条标准，看清手里的机会 • 判断中国 FDE 岗位值不值得干，不看薪资，看三件事：合同量级、经验会不会沉淀回产品、有没有一条能写下来的说不边界 • 三条都在，是个能长本事的位置；一条都不在，名字再新也是换皮外包工位 • 这套判断只在你还有得选的时候管用，要是没得选，就先杀进去，进去后拿这三条盯它半年 • 只要 AI 能力边界和真实业务需求之间还有那道沟，就得有人来回跑着弥合它——名字可能会变，但这个角色短期内不会消失

See All (64)

About

本人在中美做AI，分享洞察&感受 @产品，技术，商业化，创业管理 公司：知行奇点AI，做企业AI升级 小红书：康康你的AI 博客: https://felixk.me/

Information

  • Creator
    Felix
  • Years Active
    2025 - 2026
  • Episodes
    64
  • Rating
    Clean
  • Copyright
    © 2026 Felix
  • Show Website
    AI 边角料