一堂AI探索营：从工具到协同的范式迁移

开场：为什么要做这次探索营

有同学搭了一个很复杂的工作流，有同学做了一个一堂的选课系统，有同学在落地页、销售信的时候，或多或少地把一堂的课用在了各个地方。但是我们发现大家用的方法完全不一样，而且没有套路。所以我们自己内部也一直在尝试，能不能摸出来一套工作方法，可以相对统一地指导大家。

过去两年——有没有"一天人家一年"的错觉——我们发现大航海里很多同学变化挺大的，尤其是我自己。包括为了准备这节课，大会期间我几乎把我的日常工作习惯、知识管理的方式做了一次重构式的升级。

这次做课我跟于路说，如果只能总结一句话，我最近半年自己的记录的话，就是：我初步完成了从人类独立工作到人机协同的一次范式转移。

我现在的工作习惯出现了很大的变化，来自于我开始适应跟AI一起工作、实现一个任务的过程。我倒不是说用了什么工具、学了什么技巧和语法、懂了什么模型——这些不是最重要的——而是整个的工作方式、工作理念甚至工作习惯出现了一次大的重构。一会我给你们讲，你们可以来感受一下。

所以这次探索营，我希望把我们阶段性的一些过程和成果尝试分享、开源给大家，包括我们的一些困扰、我们的进步、我们解决过的问题，还有我们尚未解决的问题，都拿出来，我们一起来探索。

之前可能你学习一堂课，希望从这节课开始加入第三个角色——就是你、一堂课、加上AI这三个角色同时使用。相当于未来一堂的课可以帮你调教AI，也许AI也来帮你干活，能全面提升你的能力和段位。

说大一点，今天这节课很有可能会成为一堂往前看十年的一个开篇的探索。希望通过这个探索营能够感召可能上百个各种各样的先锋同学们，我们来试着做一次探索，做一次范式迁移，看看能不能帮助更多的同学，未来引领可能上万的一堂会员尽早拿到下一个时代的能力门票。

热身思考：两个本质问题

第一个问题：一堂的课给你最大的价值是什么？

我们先来热身，先来感受一下你们过去的思考。

你们过去上了各种各样的课，我不知道大家有没有想过：一堂的课给大家最大的价值是什么？如果用一个词、两个词、三个词，你可以想一下，一堂的课究竟给你创造的价值是什么？

如果我填空：一堂的课帮我______？那个空你会怎么填？

你觉得一堂给你的只是一点信息差吗？只是一点知识吗？就我们在每一个课堂上究竟教给你的那个东西是什么？大家想过这个问题没？

这是个非常非常本质的问题，希望大家今天带着这个非常本质的问题进行整个的思考，因为这个问题直接决定了你们怎么看待一堂，怎么看待AI，怎么看待你们未来的竞争力。

而且你们可能打出了很多——比如说"规律"对吧？"审美"特别好，还有吗？"体系"特别好，"底层逻辑"对吧？

然后随着时间，我不知道你们现在有没有思考：随着AI的逐步演化渗透、快速进步，长期来看，你们在评论区打出来的这些东西，是不重要了——未来AI都接管了？还是说对未来我们的要求更高了，反而更重要了？那背后的逻辑是什么？

这是个灵魂拷问，你们想一想你们内心的答案。非常非常非常重要，一定要理性地判断，你不必讨好我，你们有一个自己的答案就好。

因为这个问题直接决定了你们以后如何跟AI相处，你怎么用AI，你的能力怎么用，AI的能力怎么用。这个非常重要，所以这个问题很本质。你们越早想清楚，越早积累，就越有可能积累更多的核心能力红利，越容易在人群中、公司中脱颖而出。

第二个问题：关于终局的想象

现在应该已经出现了一些智能体的成熟度，历经了很多对吧？智能体、各种各样的工具，甚至近几个月AI Agent开始爆火，各种各样的工具开始雨后春笋全出来了。

我不知道你们有没有尝试思考过，很久以后大概的终局是什么样？我们先不说AGI——这些事件之后再说——在没有实现AGI之前，大概我们是怎么工作的？我说两年、三年、五年之后，我们的能力、我们的团队都达到了一个相对较好的水平，那个时候我们会怎么跟AI协同？大家想过这个问题没？

现在很多人用AI就当搜索用对吧？这对话框你发个消息对方回应了，最多用个Agent，帮做一点点简单的搜集任务、整理任务、做个PPT也就到头了。

那么真正往前看三年，高水平的人类团队和高水平的AI团队是怎么在一起工作的？那个最佳实践长什么样？我不知道大家想过吗？脑子里有那么一个大概的图景吗？

这两个问题都很难，而且极其重要。希望你可以想一想，大胆思考、大胆想象，看看今天这节课结束之后能不能对你们的审美、对你们的追求有一个全面的提升。

关于探索营的说明

我必须要解释一下，我们整个探索营它不是周五的正式课，它不是正式课，我们是一个共同探索的过程。我只是课的一半，我们后面还请了第二个老师来讲，带大家一起来探索。就是我们都是未知的，这是一个面向未来的一些探索的课题。

所以今天主要是抛砖，作为开篇我来给大家讲一讲一堂和我过去的成果，然后汇报一下我是怎么解决这个重大难题的，以及给你们开放一个可能你们没有见过的、比较初的还是比较新的出门，甚至公司内部好多人都没见过——我现在是怎么用AI的。今天我给你们完整讲一讲我的思考路径。

然后第二步，初探，给大家一周左右的时间，你来照葫芦画瓢。我来激发完了之后，你们来写一写你们的体感，写一篇作业，这篇作业就是努力地去探一探你们的认知上限。

然后第三步，我们再来引喻。这次我们请了花总，花总给大家讲第二节课，他是这次AI大航海的获奖者，给你们讲一讲他的实践，以及背后的专业的那一挂是怎么落地的，给大家一些可借鉴的最佳实践。

然后第四步再写第二份作业，同样的题目再拉满了写一次，看看有多少进步。这就是你们面对未来目前最好的一份作业。

最后我们这个尝试做一次大总结，我们再给大家组织一些活动，大家可以交叉做一些相互的学习，然后你们会看到大量的同学在这个过程中一起进步、一起学习的过程。所以大家可以期待一下。

然后这节课不是正课，更多的是启发而非方法。如果讲得没有周五好，大家多包涵。而且里面很多的方法都是阶段性的，你们默认为它不会出现在黄宝书里，也不会出现在任何除了探索营以外的地方——除非过了半年、一两年这个东西成熟了，现在就是探索营。

我真的不保证它会不会怎么样，好吧？这个更多的就讲我个人。强烈建议大家努力听完，今天这个东西在市场上真不容易找得到，这也是我最近刚摸出来的一套体系。

欢迎大家，一定要交作业，一定要交作业。今天这节课实话实说是三个月之前，我自己在大航海早期的时候最想找的材料，我当时没找着，找了一圈没找到类似的东西。相当于三个月我终于摸索出来一套方法，这套方法你们好好听，说不定有一些你可以直接抄，有些应该还挺有启发的。

第一次飞跃：从碎片到体系——用缪斯(MUSE)模型重构认知结构

我把今天的课分成四个大的阶段，大概有一个时间顺序——就是我大概从比较早期、完全没入门、完全门外汉，到现在相对来说有了体系，也有了自信和笃定——这个形成的过程。然后你们来感受一下如何用一堂的课形成个人的AI能力。

借这次机会我也给大家回顾一下我过去的几次大的进步和飞跃。这四次呢，前面相对简单，第一次相对比较简单，从第二、第三次就比较难了，你们要努力跟上。

早期的混乱状态

第一次，我们大概应该是从最开始拆的这批出来，一直到可能去年的夏天。我觉得我第一次大的飞跃就是我的整个关于AI的认知结构出现了一次大的重塑。

把时间往前拉，大概2023年到2025年中，AI爆发，这的确我判断对于一堂、对于我是一个比较大的机会。然后我也早期读了很多的东西，也尝鲜了很多的工具，也试着做了很多所谓的刻意练习。

前期第一次接触AI的时候都觉得很爽——哎呀很厉害，然后觉得全是新的，全是机会，全都很有价值。然后呢我用的还是我之前习惯性的工作方法：大量地去阅读，然后收藏整理到我的笔记本，然后试图把这些课题往一起合并。

但是我发现一个非常悲剧的现象：就是AI这个范围太大了，所有的内容乱作一团，甚至信息都要爆炸。多到什么程度？多到我脑子装不下，我笔记本也装不下，我完全无法掌握这些东西。而且我越到后面越看越乱、越看越乱，所有的消息都是多个维度的一起来撞我。

我不知道你们过去有过这个阶段吗？或者现在还是这个阶段吗？

就是我们平时会遇到海量的信息——各种各样的案例、各种各样的专家。如果我们脑子里没有一个对于AI的一个基本的框架、一个体系、一个秩序，就很有可能前后左右乱作一团。然后几千个知识点、几千个信息点，经常举的例子就像一堆碎叶子一样全扔在地上，每一篇文章、每一个模型、每一个工具都是一片叶子，堆在地上。然后当你堆了足够多的叶子、堆成一个叶子小山的时候，你会发现你很难理解、很难实践，更别说你试图把这堆叶子一步步整合统筹、内化成你自己的一些能力。

我不知道你们过去有这个阶段吗？非常非常糟糕。

所以大概有一年多的时间我非常焦虑，大概到2025年年中吧，从2024到2025年那么一段时间，我感觉我学了非常多的东西，但是我一直觉得自己没入门。我就盯着我的笔记本那一大堆的东西——一堆树叶——非常痛苦、非常焦虑。我又是一个希望有逻辑的人，我不喜欢全都是碎的，我还是希望有一个体系。

用缪斯模型重构知识体系

我带大家找找题感，这是非常真实的。我们最近从我的知识库和网上随便找了十篇文章，对吧？你可以扫读一下。这十篇文章就是在信息流里或者朋友圈里出现的，每篇文章你觉得都很有价值，对吧？

“如何写出完美的Prompt”、“2025年AI如何重塑人和AI的关系”、“AI造假、伦理崩塌”、“AI 15个工具”、“一张图看懂什么”、“Agent 2.0”、“一个印度少年24小时复刻了一个百万美金的AI”、包括"赛博活佛"这个大家都知道，包括"脱单智能体外传"——每一个都很有价值，你看每一个好像都很干货，对吧？

所以我们平时在网上会遇到这样的文章、信息、教程、采访、创业案例各种各样的，每一个都挺精彩的。但是**这些之间有什么关系呢？**我们只是随手地收藏、收藏、收藏，把它们放到了一个大的收藏夹里吗？那是扔进去几乎应该就很难找得回来了吧，就像一堆碎片扔在地上。还是它有可能能服从于我们脑子里的一个知识结构，有吗？

怎么样看到这些焦虑吗？有同学说听着都很焦虑。

所以当一个人你们有一个知识体系，比如说你们有一个印象笔记，对吧？你们有一个文件夹叫"AI文章"，你把这个文章全扔到一个文件夹下，你感受一下——或者有五个文件夹，你会往哪个文件夹里扔呢？你背后的逻辑是什么呢？就是很容易遭遇混乱，而且AI范围太大了，就会导致你整个的思考逻辑全是碎的。

这就是过去两年我自己一直在遇到的问题——就是我只能到最后投降，我只能标个重点就扔在一个池子里，然后扔多了之后导致我无法吸收、无法找到这些内容，然后就一直处于一种很原始、很入门的状态。我在AI上从2023年一直到2024年中一直都是这样。

对，因为那个很像刚刚学了一个，又出来一个更厉害的——这就是很多大家提的。

而且尤其是我们平时可能跟大家不一样，还遇到很多的专家，包括之前我们的一百多位AI朋友对吧？各种各样的专家，然后每个人擅长的都不一样。他擅长什么呢？他们应该在我专家名录的什么位置呢？我该怎么跟他们聊天呢？他们到底是不是一样的？怎么去面对他们也乱了。

所以能够形成思考体系非常非常重要。

然后我说一下，其实我自己最大的也是最基本的一次进步就是来自于大概去年年中。我之前过去十几年的工作，我都是在比较经典的知识管理——你们应该很多人上过我的课对吧？我用印象笔记加上飞书加上Flomo，这样的一个工具组合。然后在我各个知识管理里面，AI只是一个文件夹、一个态度。然后我把各种内容都扔到一个文件夹里，然后当我发现我扔了几百个内容之后，一个文件夹就乱套了、就崩了，因为这些内容根本就不是一类内容，怎么办呢？

所以那个时候我遇到的第一个问题就是：我必须被迫地重构我的知识系统。

怎么做？我早年没有意识到，后来我到了去年年中我才意识到，我不知道你们现在有多少同学意识到了：如果你们是一个有长期追求的管理者、创业者，尤其是未来还有可能最AI、创业，有责任心，就是——缪斯模型是我们最好的全局的知识系统。

你们有同学认识到了吗？认识到，已经深刻认识到了对吧？从来没想到的同学打个0，意识到但没有动过手的同学打个1，你们有同学已经用缪斯模型大概把自己的知识认知结构调了一遍的打个2，我看看比例。

一半0、一半1，就一个2。

好，我说一下。就是我从去年年中开始深刻地意识到：缪斯模型其实就是一个极好的梳理我知识体系的模型。

所以我现在从去年开始，第一件事，我让于路把一堂的知识库按照缪斯模型全部整理了一下。就是我们现在打开看缪斯模型，整个的目录就是缪斯——就是你想看哪一层东西、有什么样的工具，就去到不同的楼去看。包括我们整个的结构，打开里面就一层一层的全部展开，缪斯模型对应的什么使用层，然后我们再把基本工具都打开。

所以我们第一件事先让于路把一堂的入库全部统一按照缪斯模型的思想，我们公司整个俱乐部大家思考结构对齐了以后，再有新内容——这是第一步。

缪斯模型简介

没听过缪斯模型是吧？我稍微解释一下。缪斯模型是"重新理解人工智能"类的课里面最重要的模型，就是我们把整个人工智能的全景图画成了四层，这四层是有依赖关系的，然后每一层的目标都不太一样，所以这四层是有个联动的，包含了我们看到的整个AI图景。缪斯模型一共有四层。

建立个人知识库

然后第二个，我后来在去年大概后半年秋天的时候，我偷偷地在家里一个人给自己建了一个个人的知识库。就是因为我发现我需要——我的信息不能全公开，我还是希望我自己整理。然后我自己在公司里偷偷打开了一个只属于我一个人的知识库，然后这个知识库的整个目录就是缪斯模型。相当于公司有个缪斯模型，然后我自己再搭一个我的知识库，这是我私有的，因为我需要很多我自己的辅导和自己的结论。然后就往里面加了很多很多的东西，按缪斯模型的结构，然后把我整个的学习全部放到飞书上。

所以这是我们的第二个工作。

有这个模型之后，其实我整个人状态好了特别特别多。就是我建了很多很多模型在我自己的这个私有知识库里。比如说举个例子，这是我智能体这个文件夹下面——我需要研究一些东西，或者很多入门的、有些思考的、有一些挑战的任务，我都扔到我的这个目录下面。然后比如说Workflow，有一段时间我想学Workflow，我就把Workflow的一些入门的东西、框架性的东西都扔在这个目录下面。然后比如说我想研究数据——就是到底数据对AI的价值是什么——我有时候就开了一个数据的文件夹，正好就是缪斯模型里的东西。

然后相当于我自己就建了一棵自己的知识树，大概长出来了，不再是碎片——至少我能挂到一级树杈或者二级树杈上。这样的话我整个那个叶子就不再扔在地上，就都挂在我的树上了。

好，第一个我先把公司的树给建起来，第二步把我个人的树建起来。

萃取模型

然后在这个阶段其实我出现了我在自学AI最重要的一次进步，就是建了很多模型。因为有知识树了嘛，然后就可以大量地把这棵树上的这一茬里面的各种各样的叶子萃取成模型，然后再把这棵树上的这个叉里的那个那个东西萃取成模型。

然后那个时候就萃取了很多有意思的模型。举个例子，比如说那两天想入门各种各样的AI工具，然后我就把我遇到和测试的各种工具尝试做分类，等我分完类之后，我发现我在工具这一下脑子就清楚特别多——就这一个大的树杈我就理清楚了。

然后我又发现这个扣子，我就发现扣子太多太乱了，我看了大量扣子的教程搞得我很烦，然后我特想知道扣子从入门到进阶到高阶到底有啥。后来我就把这一茬儿里面各种各样的教程、各种各样的材料，然后整理了一个段位图——从上手阶段、入门阶段、高阶阶段，把这些工具全拉了个单子。有了这个单子之后，相当于我这一茬也都让我理得比较顺了。

然后后来还有Workflow，有段时间我就沉迷于测试各种各样的工具和各种各样的不同的方法，然后我又尝试发现Workflow还有一些各种各样的理念的流派、各种各样的工具，然后我尝试把我用过的和相对比较顺手的拉了个单子，一共分成三个段位，每个段位用什么样的策略，以及不同的项目该用什么样的策略和工具，做了一个匹配。这个我后来也建了一个这样的模型，还挺有趣的。就我把Workflow分成四个段位，然后面对什么样的项目可以用什么样的工具策略，然后匹配的重心都不一样。整理完了之后，相当于这个叉也被我理清楚了。

然后甚至我还做了一个很有意思的小工具。因为Workflow有一个相对进阶一点的方法，就是一步一步地去引导性地编程，然后里面就出现了大量的技巧和梯步，然后我又把所有的这一类里面的一些常用的技巧又拉了个单子——怎么用这些策略更好地给Workflow，不会走太多的弯路。然后我又总结了一个模型。

所以这是我个人的知识库。

所以你看我之前就是很碎、全都是乱的，我现在尝试长出来一棵树，树里有一个大树杈叫做使用层，使用层里面有个二树叉叫做Workflow，Workflow里面有个三树叉叫做引导式分步编程，分步编程里面有一坨有结构的叶子——相当于我这棵树慢慢就长出来了。

听懂了吧？这就是我第二阶段我做的事。就是我大概从去年九、十月份开始建我个人的一个人的知识库，我就建了很多很多这种有意思的模型。而且很快，这种模型建的话可能快的话也就一个晚上、两个晚上就能搞一个。做了很多这样的工作，所以慢慢地就把这个给做完了。

重构阅读习惯

好，然后第三步，就是我平时个人收藏夹散落在各个位置上，各个位置上。然后我平时阅读有的时候在优酷、知乎、小红书、B站，反正各种各样的工具，然后我的收藏呢就都是收藏在那个文件夹里，太乱了，很糟糕很糟糕。

然后我发现我之前用印象笔记全都是断的，我之前印象笔记已经非常不适用于我的AI工作习惯了，咋办？我又测评了一圈市场上的工具，最后一路测测到最后停留在了Cubox上。

然后我用Cubox又重构了我的阅读习惯。

简单来说，就是我把我的各个场景，尤其是两个场景——一个是电脑上的浏览器阅读、网页阅读，和最重要的公众号阅读——这两个极其友好，可以一键啪就到我的一个目录里。然后我把我个人的阅读清单也做成了缪斯模型。

一看就很熟，如果咱俩要协作，你看到我的可以看特别眼熟——奇迹层，包括AI的深度，包括什么场景、数据、基本功，基本功里面也包括……就相当于公司的知识体系跟我个人的建模的体系，跟我阅读的体系，这三个体系是颜色和结构对上的。

一个是更多的是我的输入嘛对吧？就是我平时阅读大量的输入都会扔到某一棵树的树杈上，树杈上长到一段时间我就去飞书上建个模，然后建模之后这个未来有可能一部分吐给外面、吐给同学，反正就这么一个模型——全对上了。

所以当我把这个东西建完之后，我整个人就一下就非常通畅了，就没有那么难受的状态了。

我稍微说一下，如果有同学要选工具的话，Cubox这个工具你们可以试试看。

然后我又回归到我的阅读习惯，就是我在Cubox有一个收藏，就是我会把所有的扔进去，然后一点点地识别是哪个类别，把它扔到某一个目录上。然后我会做的习惯是我给它评分——上过知识管理课的同学就会知道，我会打一个60分到99分之间，也可能不打分。打了分就代表它的干货密度很高，我未来可能会主动阅读；如果没打分，它就沉在下面了，可能就是被我未来搜索。

所以我就打了一堆分，所以你看我现在比如看Workflow，我有60分的、70分的，甚至有些90分的——最高是90。如果99分的就是那种"哇这里面全是我想要的东西"。

所以我打完分之后，我未来要想系统地去——比如说我有一个晚上时间，我想系统地回顾一下整个Workflow的我的阅读库——我可以非常快地以最好的速度按金字塔从上往下读，这样的话更容易去吸收。而且我还可以打很多标签，有很多标签的东西。

所以做了很多这样的工作，包括这是我的AI创业原生创业，这里面就有一些90%还有99的，这个99的这一篇就是我觉得"哇这篇一定要好好读，它会影响一堂的课程体系"。就是我标了个99，它就在一个非常显眼的位置，我可能未来时常有时间就去翻一翻这篇文章。

所以相当于我大量的阅读把它挂到我的Cubox上。然后它只是收集，因为它不方便做笔记，它不是一个笔记软件，它就是一个收集器，然后慢慢慢慢就过去了。

所以这就是我的工作。

然后多说一句，就是这个东西只适合于文章，它最友好的就是网页和公众号文章极其友好。而且它的信息密度看起来比B站好多了，我自从有了它之后，我的B站的阅读占比大大降低，我大量的时间都是在刷公众号，信息密度很高。

不支持视频号，视频不支持，然后我们自己内部开发了一个小工具，就是我们有一个接口直接扔，反正最后我有办法把我的视频号也能扔到这里，反正大概也打通了。

好了，所以这一步完成之后，我这个人基本上就通了，就不再惧怕混乱了。而且我很享受——说一句不好听的——我很享受那种批阅奏章的感觉。就是我看到一篇文章，我脑子里会快速地反应它在哪个树杈上，然后我会标一个60到99或者不标，然后挂到那个树杈上。这种批阅奏章的感觉其实是非常爽的。

所以有了这个东西之后，我整个人的学习就进入了正循环，就没有那个所谓的熵增的那种混乱感。就是它会越来越快乐，就是越多、你的树杈上长得越丰满越快乐。然后基本上就比较舒适了，大概我绝大部分都能挂到某一个树杈上，实在不行有一些分歧或者重复也没关系。因为后面还有一些智能列表、标签，大概也能找到那篇文章或者搜索。

所以这个我知识树基本上就形成了。

然后这几个工具做完之后，我第一步就完成了——就是我自己的知识系统完成了彼此关联、互补，包括激发点亮。

不知道你能不能理解。就比如说我在你看一篇AI创业的文章，不是创业案例聚合流程，但如果你面前堆着三十篇高质量行业照，你沉浸在里面不断地思考，你很多时候能激发出非常多的灵感。这就是这个树叶，因为知识会点亮知识——越相近的知识它就彼此之间会有激发和共性和差异性，这个天然就会涌现出大量的想法和可能性。

所以当你真的能够在第二个树杈、第三个树杈都能扔在一起的时候，它自然而然就会长出了很多的新知识。这种其实就是知识管理比较重要的东西。

完整的知识系统

好，做这个够用吗？够用。就是这个不是最终的水平，因为这才是一个静态的工作。

我花了大概两周的时间去摸了一遍我能找到的目前的最佳实践的这个模型，然后围绕着一堂的内容，我又做了最后一次动态的整理，跟大家稍微汇报一下我现在的整个知识系统。

为了方便笃定——我是一个作品型的人，你们知道的——为了方便努力，我在我的人生红点的核心能力里面专门加了一个核心能力叫AI专家，我必须要说服我自己，我未来必须得成为一个AI专家，我才有足够强的这个追求。好，这第一步，就是我把自己建了一个核心能力。

然后第二个，我又尝试着把我AI专家的一部分核心的动手的刻意练习我又加回来，这就是我未来可能持续动态更新的——一直在更新。好，就是我要成为AI专家，以专业刻意练习。

然后第三个，这张图你们如果谁想搭知识系统，这个接近最佳实践。

就是我说一下现在我的整个的学习的系统大概长成什么样了。就是我平时会输入一大堆信息，包含了日常偶遇、主动订阅、搜索，这些注意1到4质量越来越高，数量越来越少，大概就是这四个输入源，包括各种各样的一些渠道，这是我目前看的。

然后第二个就是采集，就是它会散在各种地方，然后我争取用Cubox统一整理，然后至少做到本地收藏，因为本地收藏至少还能找得着——如果都不收藏它就没了。然后我会用一些方法打打标签、打打分之类的，大概就是判断。

然后处理呢就是升级信息源——就是如果发现这个信息源质量非常高，我会按图索骥来扒一扒这个作者或者这个渠道还有没有类似的文章，会增加一些我的订阅。然后同时去做建模，然后同时我如果激发出一些我的灵感，我就把它记在Flomo里。如果我发现这里面有一个模型，我就把它记在飞书里——飞书最善于编辑协同和建模，Flomo最善于随手记，然后Cubox最善于做清单式的记录和分类、分叉。然后如果一些硬核的内容我可能会扔到Obsidian里面，反正每个工具有它最擅长的一个点，但是我用Cubox做收集器，大概这么一个工具。

然后最后就是沉淀。一会我会说，Obsidian最近用的比较多，就是到资产层和实践层我会用Obsidian为主，其他的就是一圈。一会我会说，现在整个工作流，目前整个工作流的质量应该是比较大的，就是在AI创业管理领域。目前做得不够好的是自动化，但是相当长的时间内我还做不到自动化，因为我现在判断还建不成模，我现在就用人工来过这套模型，这个也许未来也希望做成自动化的，当数量足够多之后。

好了，你们可以参考啊。

好了，这就是整个的过程。就是我说一下，飞书的优势在于写作和它的复杂的协作专家编辑——就是每一个工具有它特别擅长的地方，我尝试把每一个工具最擅长的一个角拿出来，然后把它穿起来，就不指望用一个工具做所有的事情。

所以我自己作为一个坚定的人生红点派和逻辑控派，第一波整理之后就舒服了。所以当我完成从最上层的人生红点到必备能力，到必备能力里面的能力项，然后再到我的缪斯模型，然后再到我个人的学习循环，再到我的知识树，然后我个人的阅读知识树、建模知识树、公司知识树全部对齐——这是我的第一次飞跃。

就舒适了，我现在就没有那么多焦虑。我现在反而很享受看到各种各样的信息，就如果我真的发现有一个信息它挂不到我的树上，我会非常警惕，我说"哎呀是不是我的树杈又少一茬，我可以再加目录"，反而比较开心。

好了，我说完了。

背后的一堂课程

好，这就是我过去半年主要的工作，跟大家汇报完了。其实再往前倒，从大概2012年到2024年这十几年的时间，我搭建我个人的系统，主要在印象笔记上。然后从2024年到2026年初，我用了两年的时间几乎把我过去一年的知识系统又做了一次大的重构。

从我当年的经验来看，我分享一下我自己的洞察，这个完全是个人的预期，你们也可以参考。我懵乎乎地觉得我这个人大概可能要读一万篇左右相对高质量的文章，然后一万篇我大概的收藏率是20%，然后我会把两千篇左右扔到我的Cubox里，然后其中有一半左右我会认真地标记权重。

然后我猜这一千到两千篇文章应该作为我这个人，应该能帮我扫除各个领域的各种AI所谓课题的常见盲区了，我可以形成一个相对全局性的客观的认识，不会老被一些东西震惊、一惊一乍的，我该知道的应该也就知道了个八九不离十了。

所以目前在整体这个1000-2000这个进度差不多25%吧，预计可能还需要四个季度去完成，这是我个人对自己的预期。如果你们也想搭建一个类似的东西，你们可以参考。

当然，多说一句，因为我的身份是一堂的一号位，我们还是一个相对广范围的一个研究团队，所以我们的要求是更高的。你们不必这么难，你们可能不需要到这个值，你们可能只需要完成三分之一到四分之一也许也行，好吧？

如果你们想来做的话，我建议大家可以试着拿缪斯模型来梳理你们个人的知识体系，好吧？

这也是今天我要讲的四次飞跃里面的第一次飞跃——第一阶段的应用，也是最简单的阶段，这是四次里最简单的。

我们来稍微总结一下。先看完这个之后能不能感受的，其实背后是有几个一堂的课题，大家发现规律没？我们刚才看到刚才这个案例背后有几节一堂的课，我是在把几节一堂的课尝试用在了这一个案例上，我调用哪几个模型？感受一下。

调用了缪斯模型，可以，这是管理特别好，还有吗？还有吗？我们想想还有吗？

咱们快速过一下。

首先，我今天第一次飞跃就是建立一个体系，就是我们用了一堂大概三到五节课，构建了一个面向未来认知系统的一个知识模型。

首先，一堂最重要的两个模型——这也是在今天反复会出现的两个模型，这是所有AI朋友一定要知道的。

缪斯模型

一个叫缪斯模型，也叫双三角模型。没听过这两个模型的同学自己平时去画一下重点，我默认所有同学都应该特别熟。

我简单说它回答的问题：就是我们作为一个管理者也好、创业者也好，面向未来十年怎么去看AI市场上的玩家、角色、信息，有没有一个分层理解的框架？

最上层是奇迹层，所谓那种变革市场趋势、终局什么法治伦理，都是这一层、科幻层，都是那种美好的愿景。然后再下一层叫做实用层，大量的公司在落地智能体，AI Agent工程化，什么什么提示词都在这一层——就是怎么用好AI解决问题、降本增效。再下一层叫创业层，就是正儿八经去做一个AI的所谓的原生项目，就是基于AI去做一个新项目创业，大到一个独角兽，小到一个一人公司、一个小编都在这一层。然后下面就变了，这个跟我们关系没那么大，就是一些底层的模型、原理、技术云，甚至一些驱动。

好，这是缪斯模型。

双三角模型

然后第二个双三角。双三角我简单来说，这个模型是今天最重要的，也希望大家反复理解的模型。我不知道有多少同学深刻意识到这张图很值钱，我今天希望大家反复地看到这张图——我今天全程就在讲这张图。

我说一下什么叫双三角。双三角需要回答的问题不是眼下的一个事儿怎么做，而是在一年、三年、五年、十年之后，**人和AI到底能力边界和分工是什么？**就我们人靠什么还依然有竞争力、依然值钱，它解决的是那种长期的抽象能力问题。

所以左边三角叫人类三角，回答的问题是：同样都会用AI，人到底拼什么？右边回答的是：同样大家都是人类专家，到底AI拼什么？

左边的三角分别是审美、体系、创造力。就是为什么大家都会用AI，其实都会构思，为什么人类有那么大的区别？是因为你的审美没有他好，你的体系不健壮，你的创造力不行，然后导致的结果就是你做不出来好东西。

然后右边是：同样都是AI专家，为什么AI专家有那么大的身价的区别？第一个区别就是你的场景识别、场景判断力；第二个叫基本功，你会不会用那些工具，会不会用哪些方法；第三个叫数据，就是你能掌握多少的数据去去去尝试去用。

这三个很重要，这三个很重要。

好，这个是一个非常非常非常重要的一个模型。这个模型支撑了我们做很多很多的决策。然后这两张图其实是被很多一堂的同学大大大大低估的AI模型。

我猜应该很多同学心里的话叫"我不喜欢这种抽象的东西"对吧？会吧，肯定会对吧？好多同学之前第一次听我讲课的时候就说"我不喜欢抽象的东西，我就想知道扣子怎么搭，我就想知道我怎么用，这个东西越具体越好"——就喜欢这种特别具体的东西。

然后我希望大家能够转过来一个思考的习惯。就是它正确的用法是来应对这些变化的。

我不知道你们现在能理解吗？我再说一遍：**这两张图是为了让大家无惧变化的。**因为市场太快了，Suno现在火你相不相信三个月好多人可能就不一定多提了，又会出现一个新工具，然后Claude又出现一个版本，GPT-4.6又出现，所有东西都在全出来，变化太快。这种图是帮大家应对这些变化的，因为它足够的抽象、足够的上层，它才能够本质和稳定。

如果你们希望你们在AI领域也是一个长期主义的人，你们是一个希望积累五年甚至十年尺度复利的人，这两张图就是你们最好的可以抓在手里的那个复利的工具。你们要尝试把你们的能力、你们的认知、你们的团队的那些东西构建在这种图上，你们就能常年积累，而不会一次性地清空。

这个非常非常重要。

所以市场上你们可能能找到一万套各种各样的课程工具，你都可以学，没关系。但是你们认真地问问自己：学了这么多东西，五年之后、十年之后你学的这东西有多少还在这个市场上，有多少还能用？而这张图上的很多东西大概率在五年之后甚至十年后依然还是正确的、还是有用的、还是能指导你工作。

这张图就是一个全局性的抽象的模型，所以这种层级的模型才有可能扛得住变化，才有可能穿越时间，才有可能帮你构建核心能力。所以这两张图大家一定要重视，尤其是右边这张图，非常非常非常重要。

这个总结应该在国内应该在这个范畴里应该是最容易让大家学习吸收和知行合一的，大家回去如果不认识，回去好好看一看，这个非常重要，非常重要。

好，继续。

科学学习

然后第二个，大家看到了吗？背后其实是有这个科学学习模型。我不知道大家有没有上过，简单来说就是如果你们要真正学习一个高质量的东西的话，你要主动地去构建一个输入、处理、输出的模型，然后把这个模型不断调优，然后来构建在自己身上。

所以我们在课上给大家讲了一系列的这个工作和工具，大家可以参考。里面最重要的一个理念是在处理层，就是要有知识树的逻辑——就是尝试把这个叶子穿成一个树，然后这个才是高水平的学习。就是你不能一直散的学，到一定程度这个要形成一个树。

我之前说过一句话，我不知道大家认不认同。就是我之前很早很早之前反复强调的一句话是：**什么时候是你学习一个复杂课题真正入门的标志？**不是读了教材，不是做了实践，甚至不是赚到钱，而是你形成了一套你对于这个课题的基础的、朴素的、底层的、框架性的认识。

只有你形成了这个相对本质的、稳定的认识，你这棵树才能形成，你未来你所有的所思所想、成也好败也好、看的文章见的人，才能挂到这棵树上，不然它永远在地上。

所以这棵树非常重要。所以学习循环里面给大家讲说知识树里面会有什么树根、树干、树杈、树叶——这是我们要追求的。所以我们要争取一步一步地把自己的认知体系争取构建在那一棵树上，当你们有了这棵树之后就会好特别多，就好特别多。

所以这个环节给大家三个词，分别是主动、体系、螺旋上升。

第一个词叫主动——AI来了，其实所有人过去的经验基本都被清空，在这个课题上大家都在一个起跑线上。你们的资历、年龄差距其实就没那么重要了，人和人的学习能力会体现出巨大的差距，而这张图就是你们学习能力构建的速度。

所以这个模型大家要重视，这个相当于最近反正我这个AI学习的课最近一年在我身上含金量越来越高。相当于我希望主动地用AI构建出一套新的模型，然后所有人都是公平的，构建的速度就决定了你学习的速度。

所以现在的状态就是我看到一个东西，我都会习惯性地去想说它在哪棵树的哪个位置，然后大概它周围还有什么，它能不能跟那个一起思考，它跟那个的本质关系大概是什么，在哪个叉里——然后它就有可能相互激发，甚至有可能会诞生一个全新的属于我、属于一堂的东西。

好，这就是一堂的第一种用法——就是用来建体系。

知识管理

然后还有一节课叫知识管理。知识管理这节课相对容易，这节课好多同学还挺喜欢的。其实本质上讲你要主动地做知识管理。就是如果清单的一笔记对标电脑它是你的内存的话，那知识库就是你的硬盘。你有没有外挂硬盘，还是你每次想完就扔、想完就扔？所以要尝试做一个知识管理，把你的偶遇变成你长期的能力。

然后我们给大家讲了初阶的就是备忘、进阶的是模型，其实这节课完全适用，只不过有些工具可能需要更新，有些AI工具，中心思想就是要打造一个外挂、一个外脑，给自己一个存储器。不然的话我们很容易就像狗熊掰棒子，平时也想了很多事、做了很多事、做了很多案例，也见了很多文章，但是如果没有硬盘的话，它都散落在各个地儿，时间线拉长了之后你就会越丢越多、越丢越多。

然后所以知识管理很重要。

当然刚才的过程还包含了一些什么知识萃取啦、敏感性笔记啦、人生红点这些都有，但是这些都是进阶的部分，就不提了。

第一次飞跃总结

好吧，然后这就是第一阶段的飞跃——我第一次相对比较简单的一次关于AI使用的第一次飞跃，就这一层。

这次核心的变化就是用缪斯模型和双三角，然后内化变成了自己的认知结构，然后再去看这些碎片的东西都会笃定特别稳。

当你有了这种体系的稳定性，就有了一个进步的基础，有了底盘才不会被上层的东西所焦虑。然后甚至当你看到一些新工具、新技术出来的时候，你大概就知道它大概在什么位置，不会太焦虑。

大概就是第一层，好吧，说完了。

这一步我不知道多少同学已经飞过来了，希望我刚才我自己的这一段的经验和开源可以帮助一部分同学完成——也许可以完成一个最难的那个从零到一的所谓的知识认知系统的构建，好吧？这是第一步。

第二次飞跃：从沮丧到信心——泛产品设计与Feature思维

好，第二步要来了。

第一步其实还只是认知，它只是你怎么看AI、怎么聊AI、对吧怎么想AI。第二步才是真正的动手和实践。

实践中的持续沮丧

我不知道你们过去有没有这种持续的沮丧感，不瞒您说，其实我在过去有大半年的时间特别沮丧。我给大家分享一下。

其实我在半年前，包括大航海期间，其实实践了挺多的各种各样大大小小项目，包括Workflow，我也做了一些自己心心念念很长时间的一些小工具，做了一些爬虫网站，这个做了一个什么什么，然后包括文生图，围绕课、围绕兴趣做挺多东西，包括这次我也动手——我不只是完全学，我也花了很多钱去做一些AI的小项目。

然后开始的时候进步很快——就是我在最开始学的时候一两个晚上就能弄，好厉害。然后经历了大概几天，最多一两周之后，兴奋期一过，然后我就会发现我的进步速度很快就会被卡死，就我很难持续地在这些课题上持续进步。

我不知道你们有这个状态吗？

这就是动手遇到的第二个AI的卡点。就是我就很焦虑，特别焦虑。就是我自己过去这么多年，我的工作习惯叫刻意练习，你们知道的。就是我会在人生红点级别的人生核心能力上会不断锻炼、不断锻炼、不断锻炼，甚至我会拉满了刻意练习。我完全无法接受我长期只是个60分或者70分的水平，无法进阶到低端甚至，这个实在太难受、太糟糕、太焦虑了。

我不知道你们过去经历过这个状态吗？就是AI的那些动手的能力、那些项目无法持续进阶和快速进化。有吗？

就很糟糕，我跟你讲上上手很容易，就是第一次不会那个东西刚学的时候很快乐，学到大概六七十分，就卡那了。文生图六七十分卡那了，然后那个Workflow六七十分卡那了，就全都卡那了。

为啥呢？为啥呢？对，你们想过这事吗？就为什么我在人工智能这么重大的事儿上就很难那种真的非常科学地刻意练习，为什么呢？

好，没有目标？没有目标是里面几乎最好解的。除了目标以外最大的问题是什么？

刻意练习的困境

刻意练习，大家记得吧，来有同学抢答一下，刻意练习的几个要素是什么？就什么条件下才能刻意练习。

就我自己在AI上，过去我自己也好，还是我带人也好，坚定地拉满地刻意练习是我对跟我汇报人的基本条件，如果一个人不刻意练习我就都不愿意带，但是我发现我自己在AI上竟然刻意练习非常痛苦，非常非常痛苦。

我说一下本质逻辑是什么，带大家聊聊体感。

比如说提示词对吧？是所有人都在用的最基本的东西。你们感觉你们现在提示词的能力跟你们三个月前有显著进步吗？那再往前倒三个月、六个月呢？再倒六个月呢？或者你往前倒三个月会有显著进步？你明显地感觉到因为提示词的能力增强，你的工作产出在显著显著地进步，会有吗？

这就是典型的刻意练习对吧？就是典型的我有没有持续在进阶、持续在进步，非常非常典型。就有的人会觉得我开始的三个月进步很快，后面我一年的时间其实跟我三个月的差不多——这个就是典型的没法刻意练习。

然后很多人我猜就跟那个开车开习惯了一样，已经没有太大的进步了，虽然事儿做了很多，每天都在写提示词，但提示词的水平就卡在那条线上，对吗？

所以怎么能够更好的学习呢？怎么能够更好地把这种核心能力能够有机会持续地进步呢？

来，抢答一下，一堂有一节课，因为它有节课专门教大家如何十倍速地去练某一个技能、一个能力——那个科学学习课，大家记得哈，刻意练习。

刻意练习核心就1+4个要素，自己复习一下，新同学自己打一下。

简单来说，如果你们想学习某一个具体的专项能力，想未来成为专家，想获得三倍五倍十倍的进步速度的话，一共是1+4。

第一个叫长期追求，有足够高的追求。"刻意"是前提——你得刻意想成长，没有"刻意"一切都别说，这是那个前提。

然后四个要素分别是固定套路、非舒适区、及时反馈、大量重复。这四个要素，每增加一个要素，你的速度乘以2；每减少一个要素，你的速度除以2。大概就是对世界的真相。

这个我已经强调好多次了，复习一下。那怎么做呢？AI有没有可能刻意练习呢？在现在这个时间点上有可能吗？有可能。

AI为什么很难刻意练习

所以这个时候就很麻烦，就非常非常麻烦。就是我过去我的工作习惯是我但凡想学一个什么东西，我可能都会努力地把自己的这几个要素拉满，然后让自己待在无限进步区——就是我可以一直进步一直进步，不会看到头，我永远在进步的状态。就是包括你看我们做课，很多基本功都是这样的。

但是我发现在AI上就很难让自己待在这所谓的无限进步区，我很难把这几个条件凑满。有同学有过这个焦虑吗？

这是反正是我真实的焦虑。就我自己一个已经那么笃定刻意练习，并且已经练习过可能几十个能力的人，我面对AI的这些能力我依然有点束手无策，就挺痛苦的。

这个我大概2025年的后半年大概就是这种焦虑。就是我学了很多东西，接触的东西非常多，遍地都是工具，今天学一个明天又出一个，今天学一个明天又出一个，然后学得越多练得越多，然后我也不能不学。一会觉得这个工具好，一会觉得那个工具好，然后变化也很快，我好不容易这个练完了，扣子出来了，扣子好不容易用了几次，又出来了，Lulu又出来，各种就开始一遍遍出来。

然后而且我发现市场东西都是散的，各家其实都有自己一套逻辑，好像都不太一样，我学哪套逻辑呢？我是学官方的还是某一个博主的，我还是学什么呢？好像也都不太一样，那个套路都不一样，都很难受。

所以包括我自己有很长一段时间，我就特别特别烦这个事。就我在我个人的知识库里面积累了大量的一页纸——就是那种所谓的实践任务和实践动作——但是我找不到一个能够真正成长的练习的模式。

然后我就一直在琢磨怎么刻意练习呢？我是练扣子，还是练什么类似，跟我说到底练啥呢？

你比如说一万小时定律了，别说一万，一千小时我甚至连一百个小时我都练不下去，我不知道你懂我在说什么。就比如说我学一个工具，我甚至连刻意练习一百个小时我都很难，因为工具太多了，我的时间被打散在各种各样的场景和各种各样的工作里，根本积累不起来用力。

就我刻意练习追求的是什么？叫一套东西无限用。就争取比如说动力阻力触点对吧？一堂我平均每天用一次动力阻力触点，我连续五年我就是顶尖专家。我最好有一个东西去重复用，而不是每天都用新东西。

但是我发现在人工智能怎么练呢？怎么练呢？我不知道你有这个困扰吗？现在有这个困扰？

这个困扰非常难。这是一堂2026年我特别想帮全体会员试图解决的一个困扰，今天我先初步跟你们分享一下我最近是怎么跟自己和解的，好吧？我最近很爽，就是因为这次，我跟你们分享一下我初步的感受，只是初步。

就是非常痛苦，大概纠结了半年。

为什么这么难

来，是不是很真实？刻意练习这个要素特别不好凑。

最好凑的就是目标，目标很容易定嘛，我希望成为AI专家对吧？我希望我是个实践专家、认知专家，这是我的人生目标，是搞定的。

除了目标，这四个每个都很难：

**第一个，有套路吗？**你们现在用AI有一个相对稳定的套路有吗？你会发现工具太多、技巧太多，很难形成一个长期稳定的套路，套路就很难找。

**第二个，很容易舒适。**就是你刚开始用的时候很入门、很简单，然后你很容易就是你给它它也给你，挺高兴，它也给你，挺高兴的，但是好不好用其实也差不多。就是很容易进入那种开心的状态，很难进入那种持续不满意的状态——这就是很容易舒适。

**第三个，及时反馈没有。**而且AI最擅长唬人——它的答案就是如果你判断力不够，它给你什么你都觉得很厉害，就很容易惊喜，很难有反馈。它说什么你就信什么——这就很容易进入舒适的状态，对吗？

**第四个，非常分散。**这个最糟糕。是吗？几个板块，几十个工具，然后你的任务还不一样，你会发现你的那点练习会散在各种套路、各种任务里，它并不是一个东西重复处理——这是一个天灾。就是很难大量地刻意练习，对吧？

所以你感觉这个要素每一个都很难，更别说穿透性。是不是你们现在也在遇到其中的问题？

就是如果真正想在非常短的时间内能够让自己成为一个所谓的某一个体系套路的专家，怎么突破这四个东西呢？

来，是吗？我猜绝大部分应该是这个点。怎么办？怎么办？来，有同学度过这个阶段了，说一下你们是怎么度过的？这一步非常难非常难。

今天我做个文生图对吧？公司需要我做个图，明天我做个PPT，后天我做个博客，大后天我又调试一个AI专家——那全不一样。所以何谈刻意练习呢？每个事还练不了两下就蜻蜓点水就过去了，怎么办？怎么办？

泛产品设计

我作为一个长期追求优秀的教育公司，我必须得解决这个问题，因为这是一堂几乎最底层的逻辑。

所以我试图找到一套——**有没有可能有一套相对底层的、统一的、可以刻意练习的方法，可以应对各种各样的工具？**文生图、扣子，什么什么提示词，什么什么做个PPT，Workflow——有没有可能接近用一套东西来长期刻意练习，有没有可能？

这是我们给自己的一个命题——就是有没有可能完成一次大一统。

然后我们平时会遇到大量这样的工作，你看这就是日常对吧？我们遇到很多很多各种各样的AI的场景，全都是不一样的。而且你去看教程都是碎的。

我纠结了很长一段时间，我自己也练了很多很多的项目，最终我在大概三个月之后，大概航海的后半段，终于完成了一次可以说服自己的——它一共是两个资源，分别是泛产品设计和统一Feature**。

大家有点难，你们跟着我理解。

第一个稍微讲一下，第一个叫做泛产品设计。

泛产品设计的本质是：我们做任何一次AI的交付——可能AI还给你的——本质上是怎么样的交付？那么按良品产品来看，不管产品多简单还多复杂，其实都是一个所谓的"产品"。

什么意思？就是我们平时是不是很容易陷入到那种评价AI做得好不好的状态？就是说"哎AI还真行"，“哎这儿不靠谱就糊了”。一旦陷入了就是下套跑状态——就是一直容易你给它它就给你——是吗？就是一旦等到你测试一下"哎行不行？"这样一次性评价完它我们就会放弃——这就是我们很多很多失败的原因。

泛产品设计为什么好？使用者大家的关系有没有理解？大家好，这是客观，你能不能用那才是关键。所以就需要脱水的理解：就是可以充值的，就是都是一直打磨出来的，不是一次性给你结果就跑。

你这么觉得也能通——比如你随便写个提示词三五十字，拿出来让它跑，其实都差不多，最后都是差不多的结果。那个东西不行，你一定要的思维是——一个在找问题就离需求，就是你用用户价值以目标更新，你要有审美。我专门画了那个审美拉高的逻辑——上限永远是最佳实践，没有比增加更好的，慢慢慢慢慢慢打磨。

所以如果简单的话，都是让这个AI不告诉它说什么什么地方图都忘了，后面有什么说明——你要不定目标、聊不了需求，好系统的需求不要拼，然后去定义那边、上定义你的意义，最佳实践是什么。

然后有了中间就有一个巨大的概念，就是AI一出就不满意，然后你能一步一步一步一步一步把那个压力调上去——这是关键，而不要试图评价某一次交付的好坏。

那个朋友，那个朋友。所以这是非常重要的。这个不是AI不行，我不行——有关系的，你不能改？大概就是我不够强。你说你打磨那么久它还不行，那时候你可以说"哎还不行"；你不买你不行的时候就说"哎呀不行"——这个以后会耍，会说。

然后所以本质上其实还是个双三角——还是双三角。就是我们要审美和判断在自己手里。所以交付的本质其实跟人交付没有区别，你给它拍了或者是具体——你给下属派活没有区别，都是一个个中间产品而已，不是这版常默认就好。

我现在的习惯是越好，无论要求二版真心难——这是基本。我们不能指望AI给你讲，指望一次就是好的，好大哥，真正重点打磨怎么样？我的思路是一轮一轮打磨，然后现在能不能通过拨轮，通过不断调整，通过产品上的打磨，也会有能达到三到七的——70就是100分，不是靠AI本身来。

所以这个刚好——这是人类负责的，就是所谓的审美、体系和创造力。

然后AI呢才是我们被动的那个——升级调教，进阶的机器，扣着飞车之后摸到上限。

其实本质上这个东西是有点抽象。如果你们能理解刚才这个过程，其实我们就可以把看上去很复杂的问题、项目全部做成产品体系——不管文生图还是写一个小代码，还是什么做一个报告，这样都是这条路。

这就是一个相对来说可以摸到上限的一套相对科学的工作流。

泛产品设计案例一：城市马拉松海报

有点抽象是吧？我给你们举两个例子。举一个大家熟悉的例子，再讲一个你们可能觉得离得很远的例子，甚至毫无关系，但是本质上都一样。你们试着理解两个案例的共性。

第一个例子，上次马拉松大家有看到我们的城市海报吗？就是我们做了很多城市的海报对吧？特别漂亮。海报我们自己做完之后很清楚——怎么样一下子把主要能力和审美拉上去。

然后跟大家分享一下，各位如何在一天之内——大概一个半白天的时间——把这东西从零做出来的。对，里面素材AI都能做，你只能做出来那种不行的——就是不能把你说起来又给你了。你们自由发挥20分钟比较费劲儿，根本不可能的空间是不能够，特别是资源它就要变小了。

怎么做？那怎么过程？

第一步就是我画的这个漫画——两个太过长了——把我什么拉上线，不知道目标。所以我第一件事，我找了大量的作品——噢原来这种组合海报是这么一致性和差异性的，哇真棒。好，第一个审美。第二个审美，然后原来这种城市特色的大海报有这么多种玩法，哇这这票真好。第二个是什么成本？第三个就是每次没有方法，那有没有可能留下这个——可以有多的体验、购买多种好的话？这张海报真聪明，所以这样是分析了一个框架、或者是这样的。

然后做框架听嘛，然后顺便接了——因为我自己有大概10分的审美——过了一遍，然后说"哎呀"，然后第二就是另外这门开始：我能做什么呢？应该是想保二生三，是我一个呀。就拿出来搞了很多微信创造了和林总啦。

然后呢，那首先就有成就感哈，就是这就是我感觉是我感到也很希望的——我今天也是当红色变成一个，噢不不不是AI人家，点子就少——**这是人类的创造力，噢人类的审美，人类的体系。**然后这个问题写出来了多少说明了。

然后就是AI书开始给我磨啊，给第一次了。前半句再举两个例子，然后来你给我写——写了一下，我不写，简单，我都没给我低于50分、60分、20分弄了，结果它们的审美辩解下来也就够了，但是不够我介绍往下。这个时候这些文案就出来了。

所以这么做的——就是你说我直接试图让AI一次性就做事真的不现实，真的在我那里，我得能判断它是不是80分。能力去调它，我说怎么调再说，再调，如果我能判断就一步一步有——然后后面开始做海报了，也是一样的，就可以用AI来做海报，一遍遍调到100、100道。就是包括后来又做一些辅助的海报，一遍遍到最后这张海报出来。

所以这张海报人美它是AI的一致性、创业、最佳实践，AI可能做人都能够什么样一些创新的文案。这个就这个城市，这个本地人一看就会会心笑的这些文案——都是AI辅助做的，都是磨了好多轮的，包括里面这些图都是AI辅助做的。

所以你看整个的过程其实是一个泛产品设计：就是我自己是有美的审美抓在我手里，审美也在我手里，然后把这个体系在我手里，然后一个重要利益抓我手里，然后就一遍遍面对需求。一会说怎么让它更好地去调——如果它只能够五六十分，你用什么方法让AI有能力够到七八十分——这是一会要讲的。好吧，我们先说整个工作流怎么样，感受到这个背后的逻辑吧。

泛产品设计案例二：官网设计

来，我给你举一个Workflow的例子。这个例子很多同学最近都在做类似的事儿，我感觉是不对。我最近摸了一个还挺有意思的工作流，你可以参考。

我跟大家分享一下我最近的几年吧，可能现在一堂没有一直没有关注过我们体系的官网，都是好多年了，就我们都不忍直视，好多好多内容都是旧的。正好进来练习一个AI练习来，这个官网设计其实是一个非常典型的Workflow的场景——就是AI来辅助做好看的官网这件事儿，对吧？

如果你们来做一个Workflow的官网，你们会怎么做？你可以想想看。

然后我发现好多同学最近在大航海上也做过类似的，就是想办法弄一个技术的，啪扔给这个Google展览呀这个什么，有的直接咔一出就得了，发现完全不行。

然后我们也尝试试着动手。我们直接把一个非常复杂的提示词直接扔给几个主流的AI让它们去做，大概就长这样——非常次。是不是非常次？就是你说它多差吧它也没有差，你跟没有比肯定还行，但是你说它好吧，也一丁点都不好。一看就是一眼AI。

这就是AI的初级水平，可能也就二三十分。就是你看没有审美对吧？我也不知道大概好的官网什么样，大概模模糊糊的，然后我直接把我的那个描述直接给AI一堆信息来给我做一个，它大概就是二三十分的感觉还行呀对吧？

对，所以所以你会发现**真正区别是什么？就是审美不一样。**就是我们要尝试建立审美，我们要尝试真正建立审美。跟零比、跟AI比肯定还行，毕竟这个工具买的很贵的还行，但是不好意思，这个跟真正顶级的比，中间差一大截呢，一看就是AI的，也很容易AI的。

来，让你感受一下。对，它说先用即稿搭建模板，大概就是很多人的习惯，这里面其中一个就是一个AI做的，其中一个就是这个，你们自己感受吧。

这个还是知识——你看过程是什么？**主要是审美抓在人身上，不要让AI审美在一起。**然后我还是用双三角：就是创造力、审美——我不是AI的工具，AI负责做、AI负责执行数据，AI负责去做那个戏剧场景。

然后呢，定义了一个大的里程碑——就是我先定一个目标，先说清楚官网为啥、优先级是什么，然后我要审美——这个第二步非常重要，就我专门留一个环节叫建审美，然后我要去调研市场已有的信息、把信息拿足，然后做内容大纲，然后再做设计风格，然后再做Demo，最后再考虑什么什么Workflow什么后面的事儿。

爽了，爽了。所以这个是我来定的，这个体现人的能力，这个你不能让AI都给你。然后我也不懂这个官网设计怎么做，就之前我从来没有研究过所谓的教育公司，尤其是这种顶级的教育公司官网是怎么设计的。

然后呢我就尝试着——我有一个自己用的一个很好用的，比如说Oscar模型，就是我自家自用的——就尝试着用Oscar模型让AI一步一步一步地去引导我去推——到底顶级的官网该怎么调研和怎么思考。

然后有一个非常有意思的调研过程，这个比较细，你们如果感受，回头你可以自己看稿子。如果你们过去从来没有用过Oscar这个模型，这个调研结果应该你们还挺意外的。

好，我说一下我是一个什么项目，然后大概我想做什么以及参考什么样的风格，然后我说好。然后对方就拿Oscar的系统第一步跟我去定目标——这个几个方面你的目标到底是什么？好，第一步目标是什么。就是它每一步都是不断地跟我确认，它跟我聊聊聊聊聊清楚了。

好，然后定范围、定研究范围、敲定范围。然后第三步去这个产品的罗列、敲什么东西，我说好。然后第四步给我搜集情报。最后一步给我归纳加验证、形成结论。就是完全按照大模型给我做一遍。

然后这个还有什么意思？基本上就先做好模型，然后还有那个单子，包括现在一些模型，包括一些维度，还有一些主流的调研的清单，给我拉出来一张。所以最后挑出来的这个标杆官网，包括赛道建模的赛道，包括一些引领者，不够还有国内最佳实践，结果就推出来一个——哎哟官网要怎么样？

很多部门的上海的地方基本认识好。这是AI做的哈，我只是中间确认，我只负责确认，它负责干活。

好，这是一个基本的流程。然后回头如果大概大概就可以把这个其实拍一下，回头再说。

然后我做完之后，然后这个还是太粗了，只是一个方向性、基本的、常识性的认识。然后我对审美又做了一个看上去很笨的工作——我让AI给我拉了全球Top 20的职业线上教育公司，我一个个看过。

它给我拉了20个公司，我就一个个扫——世界上最顶级的职业教育公司，它就跟一堂一样，我项目部有个师妹说不知道"哎呀"——噢原来它们都在一条水平线上，明显就是一个估值量级的。这些公司看着就很贵，比我们平时那些公司看贵多了——我先建立一个审美，至少我的审美先过去，达不达到再说，AI能不能达到我先不管。

执行力的上限不会超过对最佳实践理解的下限。

所以花了很多时间去建审美。甚至我要做一个看上去笨笨的工作：就是按照一个大概官网常见的模块——就是那个顺序——重新拉了一遍，比如说风格亮点一般来说怎么设计的，然后每个官网有哪些个性化特色，包括什么Header，包括里面什么大图啦、正文啦，包括课程介绍啦，都会有很多的特色。

我尝试把官网打散了、肢解，然后一点点地排序。就是建立每一个官网模块的什么，比如课程介绍一般有哪些好看的、哪些类型？好的导航条一般有哪些类型？中间的设计有哪些类型？

这个工作大概前前后后做了一个小时了，很快很快。所以我相当于人工建立的这个审美做完了，拿AI给我挑出来的20个公司建立审美。

然后我又做了一个工作。因为我特别想知道一堂的品牌的营销——就是为了尽量少动手，我尝试让AI帮我做一轮分析。然后就比较有趣，就是AI帮我去把知乎上大概有二三十万字的差评——我让AI写了个Workflow，让AI差不多抓了两千条，大家在知乎上夸一堂的好评都抓回来。然后AI一轮给我写了很多调查报告——就是大家怎么理解一堂的品牌定位理念、我们的品牌关键词。然后相当于AI给了我很多的辅助，相当于我拉了很多的信息，然后AI也帮我做了一些所谓的整理和萃取。

然后这就是当时AI来写报告写清楚了——我在一堂部的员工估计都不掌握这些点。对，这就是知乎拉回来的，然后AI收了一轮关于一堂的内容的理解。

然后后面就开始灵感闪现了。好，然后又拿了一个品牌定位，就围绕着那些大纲、围绕类型，我做了一轮人类的创造力——就我把我的一些灵感闪现，包括一些设想、我对一堂的理解写进去。

然后你看现在我有什么？我有审美了，我有调研了，我有AI的报告了。然后直接——这个就可以画原型了。

我用人工画了个线框图，就是黑底白的是什么，就是相框不给大家用——就画了一个大概结构图。这个包含了什么？包含了刚才的AI的报告，包含了我的灵感实践，包含了全球最贵的20家公司的审美，包含了我所有的创意——大概就构成了一个大纲稿。

跟上了吧？跟上了。

然后剩下的工作就是Workflow的工作。我大概花了六七个小时时间，大概一个半，这个后半夜的时间，然后开始逐个模块儿地Workflow，然后基本上都做到了一个看上去跟那20家公司也不太差的一个官网——那都是全球最贵的在线销售公司。

然后就做了一些非常酷的、也非常专业的一些特效。就非常那个全球最佳实践的工作——前面是一个Banner条，然后中间是一堂的核心理念，然后有一个打字机一直在那一圈一圈的讲品牌理念，然后一直翻译。这个特效是某一家特别贵的公司的特效，Workflow也实现了，就完全不像AI做出来了，这基本上就是人类的水平了。

然后包括我们的行列条，也包括我们的用户分布——这都是来自于某一些的某一些最佳实践的局部要素。包括一个非常简洁大气的一个学习入口，老同学进来直接输入关键词可以直接上课，这个入口。

然后呢包括整个的过程，包括了知识弱化、无需承诺，然后一堂最值钱的四个数字来体现我们是一家足够优秀的公司。最后的Footer，我又要官网下面按到最后会出现一个大堂。然后甚至最后我有个大的视觉系统，整个人的眼睛会出现一个对一堂的品牌非常强的视觉突出的重心——就这些都来自于那些靠谱20公司的一些局部的优秀设计，然后我们结合着我们的内容、把我能做的加上审美，然后做成一个原型图，然后AI开发出来。

这个官网做出来，基本上就跟上面那两个比你感受一下。这就是1.0的水平跟刚才那个比就是两个世界的东西，这个如果是20分的话，那个有可能七八十分吧，大概的水平。那个基本上就已经完全可能比一般的设计师水平还好了，如果对方没有最佳视角的话，可能比一般的设计师可能还好。

大概就这样。

泛产品设计的本质

所以刷了刷了。怎么样，感受到了吗？感受到了吗？这就是这么个过程。整个这个前前后后一共花了两三个晚上吧，一共累计一个晚上五六个小时左右就全做完了，从零一直做到最后。大概15个小时吧，就是Workflow我做完了，我做完后面做完了。

我多说一句，如果春节顺利的话，可能春节前后我会跟大家见面这个新的官网。然后我用的工具是Bolt，然后这个其实Workflow还挺复杂的，比你们想象要复杂。如果你们回头感兴趣，我给你们讲讲具体Workflow的过程。

就是这种一致性品牌做很难保证，很容易跑量、很容易乱套了。所以这里面用的方法叫做先定义设计宪法，先把这个第四层——用类似于系统提示词把它锁死——然后做一个案例，然后把它搞通，然后一个模块一个模块一个模块分别跳，然后把它拼在一起。然后这里面最难的是置信和上下文的调整——就是不让它像AI那么像，AI太容易像AI了。

所以这个比较细，如果大家感兴趣回头单开一节，我大概前前后后有一半的时间是在开发Workflow，前面反而比较快。

好了，说完了，说完了。

所以体会到了吗？体会到了吗？所以你看我做一张海报，我做一张海报，包括我做一个官网，其实背后逻辑是一样的。你说文生图，你说Workflow，好像完全不相关的两三个技能，但是本质上的工作流都一样：

先定义下限，先定义目标，先定义需求，对吧？我要什么，然后再围绕着要什么和需求去建审美——专门留一段时间专门建审美。然后我把AI的审美建立得尽量尽量尽量高——争取到"也不过如此"的水平，人类也不过如此，就是通用最佳实践就不如国内最佳实践，国内最佳实践不如全球最佳实践——努力把自己审美拉高。

然后呢你能不断地用AI去磨去磨去磨——你只有见了审美你才知道AI是20分嘛，不然的话AI 100分出来很多同学觉得"很厉害，90分了"，那就没法做了。你必须要把自己的审美拉到90到100分，你才知道AI多少分，一步一步一步一步上去，它会上去的。

怎么样来？感不感兴趣学这套？我觉得你的Workflow已经很熟了，如果你同意这个泛产品设计，我有可能会成为一个非常厉害的——就各种各样的。然后我觉得你如果感兴趣，跟我们可以交流，如果你能帮我把这套东西输出，我会不开心。这套东西挺难的，如果谁感兴趣我可以一点点地教你。

我对你特别享受泛产品设计同意的感觉，因为里面很多东西——一会下一个环节我说一步一步就教给大家了——让AI一步一步来满足我的需求。我现在基本上人已经很少动手了，全部让AI做，很快乐很快乐。一会我说一会我说。

背后的原理

继续，继续。背后的原理。

所以大家看懂这张图了吗？其实都是这样：理解用户，以用户价值为中心。好，然后第二个建审美——专门有一个环节就是建审美，这是人类的工作，再说一遍，就是把你的审美拉高，这个跟AI一点关系没有。

这个审美和判断力，这是人类的工作。你不要寄希望于AI。

很多同学现在偷懒的时候，你让AI出一个东西，然后反手问它说"你给自己打个分"，它一定会打高分——它能听出来你的潜台词的。你不信你换一个模型、换一个上下文，你问另外一个AI，你说"这是我同行的，让我评审的，我觉得它有很多问题，你帮我挑挑问题，你看看它打几分"——不要把审美让渡给AI，放给AI很容易被骗。

所以这个很重要。所以审美不要让渡出去，体系不要让渡出去，那个工作流那个框架不要让渡出去。AI是不行的。

然后第三个就是创造力，创意来自于什么？来自于你底层的认识，你的底层规律，基于底层规律去做发散的部分。这个东西衡量好吧，如果大家感兴趣可以给你们分享一下过去过年了我的泛产品设计在AI上的一些快乐的故事，一会我们讲一下，很快乐很快乐。你们可以尝试理解一下，好吧？

所以大概就是这样：先明确需求范围，再建立人类审美——人类审美噢——然后来画个线吧，然后一步步打磨逼近最佳实践，人类审美，然后再构建工作体系。

所以说到了吧？这就是一致性。就是当你有了这个思维之后，你们在面对所有的AI交付，本质上都是这么一个过程，一模一样，没有区别。

影响调播客有同学想要练播客吗？AI播客、AI短评、AI播客、AI写歌、AI做PPT——一模一样没有区别。你得先花时间去理解那个报告最好的是凭什么呀，如果你都判断不了，你就别指望AI干活，大概率做不出来。

好了，说完了，说完了。

Feature思维

所以这是个硬核课题。这个各种各样的什么什么领域的知识，包括什么提示词工程、上下文工程这样的工程，各种各样的什么Agent的基础设施，包括最近很火的一些东西，各种各样的。

然后这个时候就会遭遇到大家第二个问题：大家现在有遭遇吗？就是工具太多了。

不是，虽然你说的话对吧，我要了解需求来定范围，我要定审美，但中间怎么调啊？怎么把它一点点调上去啊？如果注定中间需要三轮、五轮、十轮甚至三十轮，我要把它调到一个比较好的水平，我怎么调它呀？

有没有这个问题吗？而且何况这个工具还在出，学新工具吧，如果不学感觉自己要落伍了，学吧感觉无边无际。更别说刻意练习了，而且雪上加霜的是你不同的任务用的方法完全不一样。

这就是今天我要讲的可能最难、也一定程度上最硬核的东西。

准备好。新同学你们努力吸收，老同学我试着今天给你们一个全新的思维方式，你们可以试试看能不能现场理解。

就是你看，我带你们理解一下。就是你们现在有遇到这个问题——就是所有AI一事一议——遇到了吗？就是你每个任务都不一样，每一个人用的方法都不一样，所以导致结果就是没法练习。就是你每一次好像都是新开一个，反正每一个都是不重复的。

所以这个就导致了我们在用AI的时候非常焦虑，非常焦虑。

所以我们自诩是一个业内比较顶级的一个知识萃取的机构，下面我给你们演示一下我是怎么思考这个问题、最终怎么解决这个问题的。

然后这个事情本质上其实啊就是你尝试着把这件事情解耦开，上下分层，你就会发现一个非常有意思的现象。

你会发现其实在市场上你们可以学的是四层——假设下面是1234，从下往上对吧？我们该把我们的刻意练习可以建到第几层呢？

**第一层是什么？**就是那些底层原理、那些算法层的、那些原理层、甚至数学层的、概率层的，对吧？有恩班，大板块大体系基本上就这样。那你我们要把我们的刻意练习建到这个体系上吗？

好，第二层往上走就会发现一堆的所谓的组件——什么智能体啦、Dify啦什么工作流啦——一大堆，而且工具就很多了对吧？就一大堆的技术，各种各样的技术板块，可能有几十个几百个，那大概就这样。我们要把它能力建在这一层吗？

好，第三个就是更多的工具可能就几百几千个对吧？光Agent它都有多少，然后光这个大圆模型就有多少，然后现在市场上的各家AI都有，全是工具无边无际。

然后再往上就更多了，十万百万级的各种各样的教程。

所以我们到底沿着哪一层学呢？你们会沿着哪一层？就是你们更希望把自己的做事的能力和刻意练习的套路构建在哪一层上？

这其实就非常有意思——就是我们构建在哪一层好像都有点难受。哪一层？哪一层？下面是1234，越往上越多，越往上越多，越往上学的东西越多、方法越多、套路越多、技巧越多。

所以好，这就出现了一个非常有意思的现象。

就是你看，如果我把我的能力构建在底层，比如说我所有写个提示词啦、什么做个文生图啦，我都从底层原理开始，我从Transformer开始理解——太难了太抽象了，就算你能学会，你也很难跟别人协作，它没法直接指导实践，太抽象了对吧？太难了。

如果你往上走，你如果构建在比如说智能体的这一层、什么Dify这一层，你会发现也很多，非常非常乱。所以都很难，都很难。

如果你再往上走，你看市场变化就特别快，工具一直在涌现，场景一直在涌现，就是一些大量的都是这种教程，各种各样的知识库。

构建在哪一层好像都有点费劲，怎么办？

所以有没有可能有一个相对比较完美的，我可以应对我各个层面的执行呢？甚至可以既能指导实践、又能长期稳定，最好常年还不太变，五年十年之后可能也是它——有没有可能？

Feature层

所以这就会出现一个非常有意思的逻辑了。

来，我自己纠结了很久，纠结了很久，我一直在找方法，一直没有找到特别特别好的解法。

后来我尝试自己提炼——我尝试抛开了市场上的一些上层的一些工具和风投，我尝试抛开这些流行工具本身，我试着去理解一个东西叫做原子级别的特性。

大家可以帮我画一下重点，这个有点难，有点抽象。

我说一下什么叫原子级别的特性。

就是我不管它是什么Dify，它是个什么工作流、什么Workflow，它其实是由一堆小的原子级别的特性构成的这个上层的这些东西。它为什么好用？它一定是有一些特性，所以才好用。每个产品都有它的特性，有的比较难有的比较简单，有的比较大有的比较小。

所以我尝试能不能把上层的东西一个个全部拆开，我拆成一堆特性，拆成一些特别小的原子级别的特性——我就练这些东西。我不在链上面，这些原子级别的特性是相对长期稳定的。这个挺难的。挺难的。

所以我后来最近在公司内部一直在提一个词，今天我再跟大家讲，叫Feature。Feature如果强调翻译叫"特性"嘛，特性级别的一些基本的原子级别的小Feature上。

什么意思？就是我争取抛开上层的很多东西，我回到——我用Feature作为我提升能力的一个最小单位。

什么什么扣子无所谓，用什么都行，而且彼此很多东西的确是至于它用什么Suno，它用什么——所以尝试找到一个一个一个最小的那个Feature。

这个就很有意思很有意思。

然后这个时候我发现我找到了很多叫Feature。举个例子，比如说给大模型设定一个身份角色，这就是一个小Feature，对吧？你会发现它原来交付是20分，你给它设那个角色可能瞬间就跳到30、40了——这就是一个有效的Feature。

就是一个Feature、一个Feature就可以有可能让AI的表现显著增强。

包括思维链，你让它直接做一个动作它可能不行，你尝试着给它规定一个思考方式，甚至评估方式，它就是一个流程——然后这个思维链对于一部分任务就很有效，非常Feature。

所以再比如说大家用Dify对吧？我现在有一个——它有很多很多Feature，非常非常多的Feature——它可以彼此调用了，它可以这个它可以自己自动化的一些东西，它有很多很多的Feature。其中一个非常重要的Feature就是它有一个渐进式披露的策略，大家应该知道——就是它因为上下文太大了，它一次性带过去效率很低，它有一个机制就是它先看一个清单，需要的时候它再一点点披露——这就是一个Feature。

这个Feature你可以用它的，甚至你可以自己去搭一个类似的，你也可以实现这个。比如说Dify只不过给你封装好了，它就是一个Feature。很多人用Dify在那个场景下用，不是想要它的所有，可能就是盯上了它这个Feature很有效，因为这个Feature可以提效、可以处理更大规模的数据、可以帮你省Token。

所以它是个Feature。我们尝试把Dify拆解成一堆这种小Feature。

听懂了。

再比如说你让AI做一个事儿做得不好，啪你给它一个参考案例，这个时候再让它做，质量就上去了——给它参考案例就是一个Feature。

包括反向确认——你让它做它可能不行，你让它反向地找你确认一次再做，这个时候质量就会上去，可能就从30分到50分了——这可能就是个Feature。

听懂了吗？

所以我们要做的是什么？就是我们要争取找到一个确定Feature集，这个Feature集可以让我们把各种各样的任务全并成一个Feature集。

你们过去在用AI——当然你们过去AI实践越多，你们这些Feature越多，它不用发明了，发明的是我，只要提炼分类就好。

听懂了吧？听懂了。

所以我很多时候我们用所谓的提示词、用很多的工作流、用很多的AI Agent，本质上就是在用它们提供的这些最小的特性而已。有点抽象，有点抽象。

Feature的假设与应用

所以这个时候就提出了一个非常大胆的假设，非常非常大胆。

就是有没有可能我先来示范、先来测试、先来牵头，我们来在这四层面增加一层叫Feature层？这层就是用来刻意练习用的，它可以把所有工具全部打穿。有了这一层你不用关心底层原理，然后你也不用关心过于追求上层的工具，你把你主要的练习和注意力放在Feature层上，这个足以碾压一切，可以十年稳定。

有没有可能？

这是我们想要尝试挑战的一个课题。

于是我就尝试提出了一个很有意思的假设：能不能在这儿加一层Feature？这个Feature比底层的原理肯定是要多，然后但是又不至于有几十几百个，那可能就在个位数到几十这个范围，相对是人类的智商还能控制住的范围，而且它长期稳定。

所以把这些Feature有没有可能拉一个单子？然后不管是我优化提示词，还是优化播客，还是Workflow，还是做播客，还是做什么什么短视频，都用这个Feature集？这样的话我就不用管它是个智能体还是个Sale还是个恩班，不重要。恩班只是一种封装了Feature的一个工具集而已。

听懂了吧？跟上了跟上了。

有没有可能就是我把我的刻意练习锁在这一层？这样我就比较开心了，我就可以常年练习了。跟上吧。

所以这样的话，我们就把众多的工具、大圆模型的框架共性全部萃取出来，变成一堆的最小原子特性——也就是Feature。

然后每一个Feature就是一次打磨机会，就是你的一颗子弹，就是你的一个牌，就是你的一张牌。当你发现AI只有20分30分40分的时候，你就一直往里扔子弹，一直往出出牌，直到出到你达到了你的目标，或者是出完了——你能力上限就在这了。AI还不行你就可以认怂了。

这就叫刻意练习。

而且相当多的时候你会发现你根本出不完这些牌，这个时候你根本不会出这些牌。这样的话我们就可以常年保持在刻意练习的状态。

听懂了吗？

它没有那么底下，因为底下还有更低级性的，它是刚好可以指导实践的那一层。它刚好可以指导实践。

我的Feature库

好，然后有一天晚上我很兴奋，后半夜我有一个晚上没睡觉，然后做了一次爆炸式的灵感闪现。我尝试把我过去两年所有遭遇过的、我证明过有效的——就是从20到30、40、50，所有能够辅助往上调的那些所谓的最小单位——我做了一次灵感闪现。

当时给自己定了一个很变态的目标：保30争50。第一次我只做了30到35吧，实在做不下去了。而且我当时还用了AI辅助，我一轮一轮地做，AI在引导我一轮轮做，我一个晚上大概拉出了30个Feature。

然后后来呢我又看了很多文章，我包括还有好多知识库，我也跟公司大概聊了几轮，后来又补了一些，现在已经有40多了，应该没到50，40多吧——形成了我个人的Feature库。

注意哈，这不是正式的课。你们可以参考也可以带走，但是你们不要默认为这是一堂官方的方法论，不会出现在黄宝书里，这个也只是我个人，我从我知识库粘过来的，所以还没有完全萃取成课，希望大家理解。里面好多都是我个人笔记。

然后我尝试着把我能找到的Feature全部放到一个巨大的单子里，分别又分了几层，分别是单元模型这一层，然后数据这一层，然后协作这一层和最后效率这一层。然后我尝试现在拉了大概有将近50个Feature，40多吧。

我举个例子。

比如说你让AI写歌词对吧？这么简单的事儿，你会发现AI这个不行——你肯定有审美嘛，你特别知道很牛的歌词——但是你把你的需求给它一说，最重要其实它还给它编写一个垃圾出来，20分完全不合格。

好问题了，你如何通过出一堆Feature、出一堆牌、打一梭子弹，把它在一段时间、一个晚上时间把它轰到60、70、80、90？有没有可能？把这一梭子子弹怎么打出去？

给你们演示一下，演示一下。

好，第一个Feature：选模型——我能不能从第一次一个模型换成另一个？这就是第一个Feature。换模型很有可能会上升，这是一个Feature像最小原子单位。

第二个：我会选不同的版本——之前用GPT-3.5，我现在可以用普通版对吧？换模型可能顺便就上升了，这是一个Feature，最小Feature。当你发现不够好，可以把模型版本替换一下。

第三个Feature：换参数——你可以直接把温度调高一点，它就会比较奔放，只要调那个参数的时候，也是一个Feature。

第四个：多抽卡——你可以同时抽卡一次抽5个卡，用多抽卡的方式，这也是个Feature。

第五个：模型组合——你知道写小说有个方法吗？你的策划用比如说GPT-4，然后你用Claude写，最后你再用Gemini检查。很多公司就这么做的，它是把一堆模型的最擅长的一个点全拼在一起——这也是个Feature。

你看这些都是Feature，每一颗子弹都是一个假设，每一颗子弹都有可能把你从20分拔到30分，但是不确定，你得自己测。那什么很有意思。所以每一个都叫最小原子，你就不用管它是个什么Dify还是什么样的，不用管，你把你的注意力放到这一层上。

是不是有点抽象？有点抽象。

发现写的不行，你们能理解吗？我们理解代表就好了。

**你问它你给它设定角色了吗？**好，这是一个Feature。

第二个你给自己就行了——很多时候你给它这都不管用，你说你是谁，比你说它是谁够用。

你给它任务要求，你给它必要的东西，你给它限制规则，你给它额外限制，你告诉它主要风格——你尝试通过更多的约束不断地调教嘛，这些都是你每次出一张牌，质量可能就能好一点。

然后再比如说一些更大一点的上面的工具。以Dify为例，咱们说Dify——它不同的模式也不一样，比如说Dify的Agent模式，就是它不同的版本的上限也不一样。

然后包括要不要用渐进式披露的策略，包括复制粘贴——就是把上下文复制单一版，对于有一些场景就很有效——这些都是子弹。

所以包括数据层，我可以用上下文的方式去增强它，我可以给它数据。

特别有效的——就是你给它个案例集，它瞬间就变好了。一会我给你们演示一个例子，非常经典。就你在那苦哈哈地在那一直写提示词，写半天不如直接给它一个最佳实践，同时让它理解一下最佳实践，然后反过来再让它做一遍，瞬间就好。这些都是Feature。

所以我们可能有一大堆的这种所谓的上下文的一些方法，有一堆数据的方法。

然后我还有一些高阶的，比如说AI的高阶角色——我可以让它直接做一些反向的事情，我可以直接拆分任务。拆分任务有很多，包括拆分什么什么思维链——这些都是Feature。就是当然这些Feature的掌握比较难，你们可以一个一个对着这些去学，里面分别是什么，让AI给你举俩例子。这些都是Feature。

包括拆解工作流，你看越往下越难，越往下越链条越长，越往下越接近扣子。但是越往上其实一个聊天窗就够了，这都是一些原子。

所以我们在早期的时候出牌，比较简单的时候多在上面出。你还是想往高了追，这个时候你可以再用所谓的什么工作流。出的不够，再用所谓的RAG，再用所谓的智能体的方式——越出越复杂越出越复杂，甚至出到最后，甚至拖到最后，你们可能得用一些什么模型训练之类的东西，就更复杂了。

就是这些"牌"——每一张牌都有可能帮你把这个任务从20分拉到80分，但是它有没有效，你得用你的刻意练习一点点地去测它。

说完了说完了。

Feature小抄

所以为了方便大家更好地记，于路非常贴心地给大家做了一张小抄。是你们理解这些Feature之后，你们可以平时放在手边。

就是你们现在比如说做一个提示词、做一个什么东西，它如果发现质量不够好，你问问自己这些招出了多少个？

我现在的习惯是先出那么二三十个子弹出去。不出二三十个发现还是不行，我可能就认了。但如果你咱们随便写个提示词不行，那只能说明我们不行——对，我们那个梭子一颗子弹都没打呀。

所以这个非常非常重要好吧？你们可以自己试试看，每一个都是一堆特性，每一个都是一个具体的特性，大家回头试试看试试看。

Feature思维的两大好处

所以当你有了一个Feature思维之后，我们再带回到工作里面上——提示词呀，什么AI后面有图，或者做一个很复杂的调研——很多早期就是50分，甚至20分，没关系。

然后你们就是——我们要尝试不断往里面叠加一些你们认为这个任务有机会影响的一些Feature，不断打磨不断打磨不断打磨，没有出的可以出。然后就会逐步地朝着60、70、80、90一直在进步。

所以我说一下，如果你们切换成所谓的Feature的思路之后，它有两个巨大的连带的好处。

首先第一个好处：就是你会非常理性地看待工具。

比如市场上很火爆的一些工具，它特殊的一些比较好的Feature——你不要理解那个工具本身它有多火，它就是大概率是有一些Feature做的一个封装。你要尝试用这种Feature的角度去理解。

就是你能不能把恩班呀什么DeepSeek拆成一些它的特性？然后你对着它的Feature之后你会理性特别多，就是你能诊断借用它的Feature好——这个叫我们可以更辩证地看待，就不会被那些工具所纠结。因为你过去可能绝大部分Feature你都很熟了，它只不过补了两三个Feature而已。

好，这是一个优点。

好，第二个最大的优点是什么？就是你会发现你用扣子搭的东西跟你在聊天框搭的很多东西本质上可能是一样的。

我不知道你们懂我在说什么。就是如果你没有用到那些相对进阶高阶的那些扣子上的那些所谓的Feature，你用的还是那个基础的Feature，你在扣子上拿到的结果跟你在提示框拿的是一样的。

这个时候我们就抛弃了迷信了，就不用太迷信了——它都是一堆Feature的叠加而已。

所以可能更好的最佳实践是什么？就是你想做一个任务的时候，你的前十几个Feature你就在聊天框里做。比如放在一个更复杂的，然后你发现迭代得不够了，你可以升级一个工具，比如GPT-4o，然后你再封装Feature。再不够用了，你可以放到扣子上，扣子再不够用，你可能还要做一些私有化的发展，甚至自己去开发，甚至自己调模型——它就是一直在叠加，以Feature为核心的迭代驱动，而不是非得用一个复杂的工具。

当有了这东西之后就会非常敞亮。你发现其实很多玩家用的扣子，它其实都是几个工作流，就这几个节点，你完全就可以用一个人工的方式把那个扣子的工作就给模拟出来，没有区别，一样的。

所以大家能理解吗？我再说一下，这个很重要。这样大家就可以循序渐进了。

然后我在我的个人知识库里做了一张很有意思的图，你们可以参考，这只是大概的经验值，很有意思很有意思。

就是我们在完成一个任务的时候，完全可以从上往下逐步地去叠加那个所谓的Feature去完成任务。

比如说最简单的ChatGPT——就我就聊天嘛，聊天一个聊天框大概就往里面可以叠加10多个Feature，你很多在那儿找就好了。

然后如果不够你可以再升级，再用一些别的，比如说GPT的系统提示词、尝试记忆，加一些东西。如果再不够你可以把它封装成GPTs，或者用Charles Dify都可以，往里面叠加一些Feature——因为那些东西能做的是一个聊天框做不到的。然后如果发现还不够用，你还想再进化，你可以把这个东西直接挪到扣子上。扣子如果发现还是做不到，你可以做一些工程化的东西，甚至微调的东西——它就是在叠加的状态。它不是谁比谁一定好，它是相对包含的关系。

所以当有了这个之后，你在看AI的东西的时候会非常非常的简单。我不知道你们懂我在说什么。就是如果你们过去真的困扰工具和困扰这些所谓学习，它就会很本质——就是你们就不用纠结，它就一点点演化就好了。

而且真正好的AI Agent最早都是从聊天框里调出来的。

我再说一遍。就是很多的那些AI Agent——就是一整套最早的那些特性，初步的调试就是从聊天框里调的，不用上来就打一个特别复杂的。很多人都卡死在第一步，一会我给你演示一下。

就是你们很多那个AI Agent的很多的那些特性，其实一个聊天框里就能模拟的七七八八。就是真的就可以，你先摸一下，你摸一下就好了。这样的你的产品磨出来，你就用简单的方法磨就好，不需要一上来在上面。而不是真的觉得"哎呀这个厉害这个牛"——没必要比，没必要比。在一些相同的Feature上它是等价的，等价的。甚至在相同的Feature情况下，聊天框都更好。

就是扣子因为不能调用某些模型，你还不如在聊天框里跟ChatGPT多聊两轮。

好，这个有点抽象有点难。

然后所以当你们真正理解了这个所谓的Feature这一层之后，然后你就可以无视变化——工具一直在变，但是这一层相对稳定。然后你只需要把这些特性去理解，甚至把它练得滚瓜烂熟，去记住、去使用、去测试。

就像手里拿了一堆积木，你需要练这个你就搭起来，再练这个再搭起来——各种复杂的问题就拿那些所谓的5到10个板块，然后大概50个左右的小Feature就直接拼一个东西出来。你手里其实有50块积木，这50块积木就能让你搞一个非常高的水准。

Feature思维改变刻意练习

刷了，刷了。

比如说我自己现在比如说我在练，我们内部做批评、做博客——然后我现在可能我不会对吧？我也没那个就是就很差，我第一次做没关系——只要给我足够多的Feature，只要我有审美，只要AI还给我一段时间，我肯定能笔一直磨就好了。给你花一段时间去磨它，没关系嘛，我总能去磨到一个相对接近业内比较好的水准。

然后这种底层的底气其实又来自于Feature的统一性和来自于泛产品设计的追求。

我大概说完了。

所以总结一下：泛产品设计可以统一工作流，Feature思维可以统一刻意练习。

然后这张图大家尝试理解一下，还挺酷的。

就是如果过去大家做各种事都是碎的，感觉很难持续进步，你们试着可以切换到右边的Feature的思维，你会发现很多事就顺了。

举个例子，比如说**之前的目标是啥？**就是我想成为AI专家。这只是之前呢。现在我不只是有长期的信心，有这种感性的"我想进一步"、“我立志”——我还有短期的信心，就是理性——我手里就有牌，我就有信心了。

好，然后之前太多太碎，现在呢？我统一的流程尽量要泛产品，我统一的工作方法尽量用这一层的Feature层。

里面包含一部分技术功能，反正各种各样的你们看到市场上的一些东西，我们全把它肢解成这个Feature，我就练就好了。

然后再比如说非舒适区——它很容易满足、很容易舒适。现在你会发现你如果盯着最佳实践，你很难舒适，你永远做不到。然后你手里有50个Feature，你会非常焦虑，因为你这些牌不会出。所以你会常年处于一种非舒适的状态——这是很好的，这是很好的状态，常年对自己不满意。

然后及时反馈——之前很容易满足，现在你清楚地知道AI不行，它们所有的初稿都很都很不行，然后我们要花足够多的时间建立审美。然后我们有了审美之后，我就知道"哎呀这一轮是20、30、45、16、17、18"——大概知道它的水平了。所以我可以用这个我脑子里的最佳实践和它的顺序来不断地建立审美。

然后大量重复——之前呢都很碎，要求不一样。现在我可以把所有的都合并成一套模型，我一天就可能练个两三轮，我可能一年恨不得能练500到1000轮——我一年练500次，我还学不会这个玩意儿了？

所以它就有机会不断滚，不断地进阶冲刺的速度大大增加。

好，算了好算了。

这整个的过程，你们一定程度上可以尝试着用这套思维方式去指导自己做一些具体的项目。所以如果你们能够把自己拉到那个所谓的刻意练习的状态，我最近就很开心。

我在2025年上半年有很长一段时间能感受到自己没有那种快速进步了，但是我在下半年某一个时间段把这套模型在我的笔记里理清楚的时候，我发现我的进步速度一下就上去了。然后整个人那个状态就很开心，就是我发现我做各种项目我争取都用这套模型来做。一会我给你们举个例子，里面有些例子还挺有趣的，都是一套方法。

然后这样的话我就解决各种问题都是重复的，然后我就可以快速刻意练习。然后我练一套，就跟咱们理解那个动力阻力触点一样对吧？就是它不是个运营方法，也不是个销售方法，它是个底层的转化率的本质方法。看上去有点难学，是有点难的。好处是一旦你学会了，你会发现在各个领域你都能重复。

所以它相当于完成了一个刻意练习这个板块里的大一统。

所以这个Feature就对标你们可以理解就是那个动力阻力触点或者一套五步法。它是一个底层通用的，大家自己理解一下，理解一下。

所以你们感受一下，如果两个人真的长期都想成为AI专家，都对于AI呀有追求，如果一个人是常年是左面，一个人常年是右边，两个人三个月、一年、两年之后两人的能力进步速度会拉开多大的差距？

反正我的判断是至少差个三五倍吧。就这是完全不同的两种做法。

这就是我们的第二轮突破。

这个大概是在2025年的11月份吧，可能大航海的中期吧，我大概慢慢地完成了自我说服的突破。

是不是感觉挺难的了？挺难的。这就是第二轮我的第二轮进步。

第三次飞跃：从工具到协同——Obsidian广场模型

来，给你们看看第三轮，也是今天事实上可能你们最不好理解的一轮。

第三轮，大概2025年冬天，我最近在做的一件事情。

工具太多的困扰

然后我又陷入到一个新的问题。我现在认知结构差不多理清楚了，刻意练习的状态也基本有了。这个时候出现了第三个问题：工具太多了。

来互动一下，你们过去三个月你们在AI上持续用哪些工具？哪些是你们手边的工具？用得最多？你可以说某一些AI，真的某一些什么工作流平台或者是什么大模型都行，来抠一下。看看你们用的最高频的工具是什么。

豆包，第一块什么的，还有Gemini很多，豆包很多，还有啥？ChatGPT很多，这么多。你们打出来打出来感受一下。Kimi，没关系打出来。

我说一下，因为我经历一段时间感觉工具太多的状态。很多人还有你把你的各种文生图的工具，各种视频的工具，各种你手边用的工具——高频低频的全算上——应该大家平均应该都超过十个工具了吧？都转出来用，对吗？

工具太多了，怎么办？怎么办？

就是你们有没有那段时间的工具太多，它没法工具独立，没法协同，是你的问题吗？就是我一会用这个、一会用这个，聊天窗全是独立的。然后我做一个项目吧，一会用它、一会用它。这个怎么把这些聊天记录在一个上下文里呢？咋办呢？

遇到这个问题了吗？就是太多了，而且事实上从最佳实践上来说，你最好有的时候也得分开用，分开用明显也是好的，但是东西太多了，咋办？咋办？

尤其是很多很多模型彼此交叉用，因为我有的时候还有一些测评的需求，所以我过去可能还在不同的场景下，有的时候抠得很细，我自己现在在好几个模型转着圈地用。就是每一个应该都有一些使用的场景。

那这时候咋办呢？

AI和笔记的割裂

我跟大家分享一下我现在在测的各种工具。我自己现在在用的：ChatGPT我在用，ChatGPT用得相对多，DeepSeek偶尔用，在一些深度聊的时候我会跟ChatGPT交叉验证。然后Claude，这个一部分写代码在用。Gemini也偶尔在用，是因为它顺手嘛，不用梯子。然后豆包，包括飞书知识问答最近用的比较多，这都是我在用的，你可以理解为每个月可能这些都会用一遍。然后包括偶尔可能也会碰一下Kimi，偶尔写作的时候。

然后各种管理工具这些，飞书什么什么印象笔记，Cubox我只发这些也都间接性的都得用。然后而且这些工具吧，反正有些新出的工具我也我也没测，就很多我也经常来用，比如说编程我可能用它，有的时候用它，有的时候用它，它都在尝试用。

然后包括最近Gemini我还挺顺手的，就是谷歌出的Gemini也挺顺手的。就有一些小的场景它们的确是比别的好用，在一些小的场景下。

所以这个时候就出现了一个很大的问题：就是工具太多，彼此不互通，彼此消息隔离。每一个工具都像是这个楼里有一个AI，这个楼里有一个AI，它们根本就不是一个团队。

我不知道你们会有这种感受吗？

而且更糟糕的是我发现AI和笔记全都脱节了——就是它都在一个个聊天框里，然后它都在处在一个个地方，然后大量的这个关键认识、然后认识无法贯穿。然后说我要一些关键的聊天我复制粘贴到飞书吧，我如果记录每次都得复制粘贴，而效率有点低。你说我不粘吧，一些有一些重要的项目，尤其是需要未来回溯或者跟团队协作的，过一两周聊天窗一冲过去可能就没了。

你们有困扰吗？

那个时候就是其实这个表格式的状态：就是那些工具其实一直存在各个地方，一个个的格子里，然后这些格子彼此不打通的。然后再偶尔地去求问题呀、偶尔做一个调研、做一个搜索——你就一个任务没问题，但是如果你稍微大一点的项目，做一个摸上线的项目，尤其是非常长的项目，你会发现这些工具之间的协同太大、太难了。

所以就会发现这个里边的结果跟这结果无关，而且我们这个结果无关，就那种长期复利的结构的资产级别就很少很少，所以就很会出现好多好多问题。

痛苦。我不知道你们现在遇到这个问题，你们是怎么解的？

知识管理的范式转移

然后这个其实困扰了很长一段时间。然后说一下我自己的探索。

就是2025年年末的时候，我曾经有两周的时间非常纠结一个问题：就是我要不要去单开一个我自己的知识体系和工作的一个工具的项目？

然后回顾一下过去十几年。在2012到2017年那个时候我主要用印象笔记的时候，一个人嘛，然后我大概印象笔记积累了差不多四千多篇文章，差不多有一千多篇是我个人写的笔记。然后到2017到2021年我用的是石墨的协作文档、印象笔记，早期的时候那个时候团队协作，我的印象笔记用得就没那么多了。然后到2022年开始，我大概整个公司就全部都在飞书上，那个时候最主要矛盾是实时协作和效率碾压一切，我们把石墨文档和协作文档也都废掉了。

所以这是我们过去我的整个的认知知识管理主要的流程。

然后我在想说：未来十年，我要不要再切换一个新的工具？价值最大化。

然后我当时有一段时间测了电脑上各种各样推荐的工具，从这个Roam Research还有一个小小黑有朋友可能知道，Heptabase啊，各种笔记、Logseq，包括各种高东西我都摸了一遍。然后发现其实很难有一个足够好的大一统的工具，感觉必要性都没有那么大，没有那么大。

然后后来就很麻烦，非常麻烦。然后本着"除非必要勿增实体"的原则，尤其是老有一些同学在我耳边嘟嘟囔囔的说"差生文具多，别老搞工具，高手都是一招鲜吃遍天"，所以有一段时间我一度觉得我就算了，我就用这几个工具得了，得了。

然后我一度觉得不用了。

然后就某一天真的是运气好，某一天就那两周最后的时候，我突然在一篇文章一个角落的一行小字上看到了一句话，那句话一下就把我揭穿了。那句话大概的意思是——我找不到那篇文章了——大概的意思是：

“面向未来十年的知识管理，你的知识管理机制不是给人用，而是要让AI丝滑地进来，跟你站在旁边一起工作。你的笔记不再是给你用的，而是给AI用的，甚至你看不看得懂已经不重要了。你要通过这些笔记让AI成为你的合作伙伴。”

就这么一句话，我觉得一下就觉得我靠，瞬间就觉得之前我的印象笔记那些东西不香了。因为那些笔记无法达成这个状态——就是那些笔记它们内在的是有的，然后我实在不行我把它背下来，我也能跟AI交流——太低了。导致结果是它完全跟AI工作隔离的，印象笔记也只是某一个楼里某一个AI。

我现在需要的是各个楼里边AI一起协同，都很难受。很难受。

所以我后来意识到，其实我站在更长期的角度来看，我可能需要一个十年尺度的AI协同，这才是我最主要的矛盾，而不是我跟人协同。

我当年为了跟人协同，我切换到了石墨文档和飞书。但是未来十年我很多的事儿已经不是跟人协作了，我要跟AI协同。AI就是我的员工，我怎么跟AI系统最舒服？我发现现在的工具好像不行，真的不行。

Obsidian广场模型

然后所以这里面其实背后有一个概念，也是之前花总一直在提的人在环模型。这个模型大家知道。

简单来说，咱俩说就是——我们的双三角模型其实描述的是长期的抽象的人和AI的这个互补性。人在环说的是在一个具体的工作流、一个过程，人和AI应该怎么协同——它是一个微观的、眼下的、短期的一个协作循环。

然后它核心回答的问题是：关键节点一定要引入人的判断和反馈。你不要让AI全做，里面哪些节点让人做，哪些节点让AI做？人负责什么？人要把人的优势发挥出来——定义呀、评估吧。然后AI呢也按照它的优势来做。

所以人在环就是我们想争取能够构建一个任务循环里，让人和AI同时同步工作，你把它当人看。

所以这个模型其实就是双三角模型的一个微观模型吧，其实很多都对上了。到时候我们提出来双三角也可以重新贷款出来。

所以后来我们一圈评估了一半，最后的结果是——如果面向刚才我说的这个特点，让AI跟各种工具把这些楼里的AI全部打通——目前有很多的人在用Obsidian。

一个我之前一直没有用的一个工具，好，先出来了。它是个广场——所有楼里边AI都上广场工作，然后楼里就全都是AI呀，所有的AI都可以来Obsidian那个工作，它那个广场不是一堆楼，它全是AI。

后来呢，为什么在这件事上大家都在推荐Obsidian？我后来去调研完了之后，发现有两个很大的特点：

第一个，Obsidian非常简单，就是它其实就是Markdown。

它不是自己定义了一堆奇奇怪怪的格式，你们知道我在说哪几家——就是很多工具定义了一堆奇怪的布局、各种各样的格式、一堆区块，导致AI理解其实没那么顺。但是Obsidian它就是Markdown，它就是在相对通用且友好的格式，然后再结合着我们最擅长的Markdown笔记，就可以做出来更好的文档。好，这是第一个优势。

第二个最大的优势就是本地存储。

Obsidian的文件夹的管理器本质就是本地，就是它说到天上去它就是一堆的本地文件夹，加上一堆本地Markdown文档。就算这笔记本没了，那堆文档还属于你。

所以它其实是一个不接天气——大概理解吧，基本天气有巨大的好处是所有的AI都能理解本地文档，所有的模型工具都能理解。就它这个广场它已经到了这个广场，然后所有的那个工程师大家都可以来广场跳舞。它天然就把所有的模型——就不存在说"哎ChatGPT也不能用，哎什么模型不能用"——所有的Feature的优势都可以在广场上发挥出来。这是它一个很重要的优势，很重要的优势。

实战案例：时间管理AI教练

尝试一下。然后给你们看一个例子吧，好吧？这个例子你们努力跟上。这个例子是最近我在做的一个很有趣的例子，非常非常代表这种广场的模型，而且其实它一定程度上是我目前我的能力上限。我带你们感受一下这个广场的快乐。

这个东西它就需要一个有一个广场能够把楼里的AI专家给我转到网上去做。当然这个模型还有一样，它跟我的思路一样呢。

刚才一共是十步，大家跟着我的思路。

好，这个例子我还有多少同学经常听时间管理课？举个手。让大家喜不喜欢那节课？那节课我这么说吧，如果你真的时间很紧张，你们觉得自己时间很值钱，那就更好好听课，真的真的很有用，非常非常有用。

就是那个时间管理本质上是用科学方法在洞察你这个人的时间匹配的科学规律，而不是教你一个什么时间管理闹钟——那个闹钟不重要。所以那节课非常重要。

然后我不知道大家喜不喜欢那节课。那节课就是前段时间我正常跟家里面磨课或者一些同学一两次，我突然来了一个灵感：就是一堂我们时间管理这节课其实是非常独特的，它的理论基础模型嘛非常扎实，很有效——就是用Y模型给自己的时间管理洞察建模，持续地改造自己的时间模型、事情模型和匹配模型，然后来不断地洞察、不断地提升、不断地匹配、不断提假设，来获得大范围的自己时间效能的提升——就这么一个课。

然后过去几年的时间，其实我自己不夸张地讲受益于这个模型。我至少至少提过一百个假设，我至少建过十个左右的模型，我在关键事情的效率至少优化了可能50%到几百——就是非常非常显著。然后我也辅导过很多身边的同学，因为我比较熟嘛，我辅导过很多身边的同学，大家其实结果也还不错。

但是说实话这套方法掌握太难了，因为它基于Y模型，你得见过足够多的东西，它对人的要求太高了。

所以后来这个特别适合AI做的事儿。就是我后来提出了一个感受：**有没有可能做成一个时间管理AI教练？**它是面对创业者、管理者、创业者这种相对高价值的、时间很值钱的、时间很紧张的、甚至能直接变现的一些人。尝试着不断地收集这个人的三个模型的信息，然后AI辅助一轮一轮地洞察，最后给他时间改善建议：“你是不是可以试试调升级一下时间模型？你是不是可以换一个匹配呢？你是不是可以调整一下你的事情模型呢？”

我觉得AI可以做帮你做很多这样的工作，就来代替我去做。它不是什么小工具，是不是？它是一个教练型产品。

然后市场上那些工具是工具属性，它就帮你管日程、帮你记录日程、帮你做闹钟。不是，它是一个教练属性的东西——它是不断地来收集你的信息，不断给你深度的时间洞察。你自己好不好用你自己就知道，就是你自己换一种方式可能瞬间就有效了。

因为时间是人类几乎最不可再生的资源。越对于越高净值的、越值钱的人，其实他们的时间其实越稀缺，而且大家的训练是严重不足的，大家很多人没有这个意识。这个工具有可能变成一个变现链——我觉得它不是一个简单的AI的产品，就是它不是一个小应用。如果它真的能做得好的话，有可能它的天花板非常高，非常高。它有机会做一个也许不太小的项目。

这是我大概的判断。

十步工作流详解

来，准备好准备好。

然后最早的出发点是来自于有一天——也没多少天，大概十天以前——我当时在我的Flomo里就写了一个idea，我写了一个创意，然后我说"哎呀这个我有一个AI的idea叫NowUTime"，类似于"Now You See Me"，就是起了一个比较酷的名字。然后这是一个时间洞察工具，包括一些大概我整理了一下，我大概包括歪歪的一些可能这个特性，不是一片地写在这儿。

然后有一天晚上我就突然想起这事，我就特别兴奋，那个这个这个那天我觉得"哇这事好像真的很有机会"。然后正好那天晚上兴致很高，然后我就说试试吧，今天晚上我就一个晚上的时间，我来推一推这个项目，看看到底这个项目是个什么东西。

因为之前只有一个模糊的创意嘛，什么都没有对吧？

然后我在想我说：有没有可能用我新搭的这套Obsidian工作流，来尝试着——我不干活，AI干活——看看能不能把这事摸到一个什么样的水平？

注意，这是我的边界：就是我尽量少干活，我只做人类做的事儿，所有AI能做的都让AI做。就是我不是在跟AI协同嘛，它是我的员工嘛，它不是我的工具，就是我跟它协同——一轮一轮的人在环。

试试有没有可能做到什么样。然后我看看能不能带几个AI把这个事做成一个还行的样子。注意，这就是背景。

然后我给大家分享一下整个的过程，你们可以参考一下。这个过程是最近我觉得相对来说我摸出来的一个偏成熟最佳实践的模式，如果你们想复制，你可以直接去试试看。

来，准备好好准备好好。

第一步：建文档

所有项目的第一步先建文档。我现在在Obsidian里开了一个这个文件，就是把这个文档建出来。

然后我开了一个顶层文档，就是"0.0顶层分析"——就是这个是整个文档是AI可能不给我看的，所有未来各种工具、各个AI文件夹都得从这个文档开始读起，这个文档的最重要的上下文背景目标先写清楚。

然后我加了一个文档，然后我先写了一个创意说明，我把那个Flomo粘过来，我跟AI读了一起调了调。对，这里头看好了过来。

过来这种问题就是介绍：就是我们那个一个人要给它最终目的是不断地收集这个人的三个模型，然后给这个人定制一个结构化的实验报告。通过这个报告足够成熟、足够优秀，最终才有可能给人建议。所以那个洞察报告是最重要的——这是我判断的。这也简单对吧？

相当于每一个人都可以做一个账户，甚至未来可以直接封装成一个GPTs就行，也许能做到类似的效果。就是把那个时间洞察报告一定要定义好，这个很重要，很重要。

好吧，然后这是第一步。

第二步：最佳实践数据包

然后这个里面其中最重要的精华——所以怎么去维护这个报告？包括这个报告长什么样？包括这个报告质量高低就决定一切。

所以怎么做报告呢？就是我在想说：如果我让AI去做这个事儿，AI怎么能理解这个项目呢？光有这个创意，AI还完全理解不了。

后来第二步怎么做？如果你们的话，你们第二步会怎么做？我现在把创意贴在这儿，贴在笔记本里了，然后第二步怎么做？

就是我有一个所谓的创意、商业创意，然后我现在想让AI辅助我把这个创意一步步推出来，甚至变成一个产品。这个时候我的第二步要做什么？

所以在这个时候其实，就是必须要考虑人的——对于所谓的体系、所谓的审美、对于所谓Feature的理解。这个没办法，这个东西只能在人身上。所以人要做判断——**建立审美实践。噢，现在没有审美、没有产品、现在没有可以想象的产品，咋办呢？**很难，很难。

第二步怎么做？如果你们的话第二步怎么做？注意，你们要认真理解整个的过程，我都是面向AI工作的，我不是在给我工作，我一直在尝试给AI工作，我一直在理解AI怎么增加更多的Feature、增加更多的上下文让它做得更好。跟上我的思路，跟上我的思路。

好，然后第二步，我先花了二十多分钟的时间，我给AI做了一个最佳实践的数据包。

什么意思？因为AI根本不了解这个项目，它只有几句抽象的一个创意，它不知道什么是歪模型，它不知道什么是时间管理，它不知道我是谁——什么都不知道。在这种情况下你直接让人家干活，它会干得一塌糊涂。

所以第一步——做完顶层文档，我做的第一件事，我做了一个人工的二十分钟的工作。我因为我迭代了很多轮嘛，就我那个时间管理模型相对成熟，因为我最起码是一个相对偏最佳实践的样本。

所以我尝试把我过去几年打磨成了一个我个人的案例，写了一篇文章。这是纯人工写的哟，以我为例：然后我是谁、我在做什么、然后我平时时间的特点、然后我希望我做什么。然后我还把一些方法论也敲到这儿了。然后我自己现在的时间模型——这是已经最后的结果。我现在的事情模型——这是我现在每天干的事的清单。然后我现在的匹配模型——这就比较多了，我其实过去验证过很多很多的匹配策略，包括各种各样的，这是我的结果。

就是这一套模型——如果AI要去辅导一个人，如果真的能在半年之内能把一个人辅导到这种水平，这已经非常了不起了。这个人非常非常了不起了。**这就是我的那个所谓的审美。我要让AI知道最终出口是在这儿。**这个很重要。

好，然后我曾经在高洁英讲过——我这套模型是怎么迭代出来的——它大概就是歪模型的四步怎么迭代出来的。然后我尝试让AI又帮我做了整理——这就非常AI了——就是大概AI帮我把那张图试着也整理成了一个清单。相当于我有一个动态的结果，稍微一个静态的结果，加上一个一轮一轮动态的迭代的过程。

这就是所谓的上下文——最重要的是AI的判断，所谓的它的审美和案例。这就是所有工作的前提——这就是整个项目里面最核心的一页纸洞察报告。

如果未来能给你们去提炼一个你们这样的报告，并且真的有效，这个产品就很值钱。好，这个说完了说完了。

好，这一步是人几乎就做到头的工作——我后来就没有再敲大的文档，后面就只是指导AI干活。

好，说完了说完了。

好，这是第二步。第一步建文档、写顶层，说清楚项目的关键背景。第二步，然后把最佳实践、最重要的数据包写下来。好，这两步就做完了。好，然后这也是最重要的所谓的上下文的Feature，还有大量的上下文。

第三步：让AI理解文档

然后第三步，然后就开始打开工具。因为我判断这里面需要深度推理，所以就用ChatGPT，然后用ChatGPT带官方的这个工具——没关系，你们可以用很多平替的工具、Dify也行。

然后我开始直接说"你给我读这个文档，看看你能不能理解这个文档在做什么"。然后它就说"哎我看完了"。我说"你这个创意很不错，它是一个什么什么项目"，然后它说"哎读完了"。

然后我说"好，你给我写一篇报告，叫做你从我的时间报告里——你别光说你理解了——你给我理解一下我的那个时间管理的报告背后到底在做什么，你给我写一篇报告，你能理解到什么程度"——这是个Feature噢，让AI自己干活，然后让AI来评价。你不要光说，让它做一个，然后我说你给我写一个我的时间洞察背后的逻辑和分析，你看看你能读出来啥。

然后AI就出了一版——第一版非常差，非常差。它根本不理解我在做什么，它只能看到表面说"这个人很敏感，这个人时间说得非常非常的……"——那我们就非常非常差，就非常非常的AI。

然后我说"不行"，那缺什么呢？你看这不就是AI只能做到40分，那我得往里加Feature。我会加什么Feature呢？就是它根本不了解一堂时间管理的课——就是我们有理论自信，我们知道我们背后是什么对吧？它看到的就是一个案例，它根本不了解背后的这个产品逻辑和理论逻辑。靠几行字是推导不出来一堂的课的。

第四步：喂方法论

后来第四步，然后我去到飞书的知识问答——因为公司挂了一堂课嘛——然后我在那有一个通用的提示词，专门用来抽离课程模型的。然后我说"你给我抽一下，重新理解时间管理这节课里面的关键方法论和关键的案例"，这就是当时大概的提示词——把它给我抽出来，按照尽量AI理解很舒服的方式抽出来，我不读，就是给AI读的，你就按照AI的标准抽就行。

后来它就把整节课抽出来——这节课其实人读起来很费劲，但是AI读其实很舒服。这里面很多都是一些所谓的标签、XML的，都是一些格式——就是AI读起来会非常顺。我尝试把这节课的关键方法论抽出来，我大概跟它磨了一两轮，发现AI可以相对比较完整拿出来。

然后我怕AI还不懂，我又去飞书里又抽了一轮。结合——我说"你把歪模型和时间管理怎么结合，把这两节课给我同时抽一个知识包出来，你要清楚地告诉我歪模型是怎么跟时间管理结合的"。

然后它又做了一个数据包，这个数据包就是它用歪模型来解释时间管理，基本上就说清楚了。相当于最重要的歪模型、最重要的时间管理——大概就所谓的方法的数据包就抽出来了。

然后注意，这就是上下文。

第五步：AI再次分析

然后这个时候我又继续问ChatGPT，我说"好，方法论给你了，我这节课背后有两个数据包，请你把这两个读完之后，再给我分析我这个项目到底我在做什么，然后你这个时候再来分析一下我的那个洞察报告背后到底专业在哪？为什么洞察报告有用？"

然后这个时候AI洞察报告就比较专业了。它就做了一篇洞察报告，这一篇就已经包含了很多科学思维、歪模型的思维，甚至里面已经有很多的时间管理的方法论了，包括很多的技巧。就是它大概就能大概知道这个报告的审美和追求。

跟上了跟上了。

**就是所以你看当我发现AI不行的时候，然后不要着急说它不行——能不能再加两个看上去比较有用的Feature？**我大概就加了几轮吧，两三轮，基本上它就已经相对比较像样——大概到我这已经合格项。合格项。

第六步：市场分析

然后说"好，你大概终于知道我要做什么，你终于知道这个项目的追求是什么。好，基于上面所有的信息"，然后我说"你再给我读这个文档、这个文档、这三个文档，然后帮我做一次市场分析吧——看看现在市场已经有很成熟、知名的这种项目没？有没有这种相对科学洞察、科学派的这种？然后已经有成熟的帮我分析一下AI的市场定位？是不是有可能有一个机会？是不是已经怎么怎么样。然后你要读我的这几个文档"。

然后说一下"理性客观，不要谄媚我"。上下文给足之后让它去做，因为ChatGPT的上下文非常长，这种文档一共没多少字，大概能跟上。

然后这个时候它就写了一篇笔记。这篇笔记——我觉得我大概分配给一堂员工，估计给他一周的时间他也不一定能做到这个水平。大概它就把一些时间管理的新工具都摸了一遍——这个现在AI管理工具市场上现在主流的有几派：自动调度派有一些公司、主要解决的问题、追踪派和手账派——这些工具现在都在用。

然后它尝试去理解我们想做的这个工具——NowUTime这个工具——然后我们定义的所谓"高管教练"这个流派，就是这个流派追求的是什么？跟其他定位其实就很不一样。

然后最大的有三个机会：一个是按时间的补货——这个也是我过去其实教练最重要的东西，就是帮助他意识到有很多暗时间，这个非常值钱，非常非常值钱。如果我能帮你们调教出暗时间的话，估计你们应该很开心，暗时间是很多人忽略了的，这是很重要的一个产品的产出。好，第二个是从To Do List到Priorities——就不是说给你事项，而是告诉你什么可能是更优的。然后第三个，甚至它还写了一个什么算法支配——算法支配的逆向心理，不如让他自己去感受主动调整的快乐，而不是被被动管理。这是三个机会。

然后同时还讲了有两个负收益你一定要警惕：第一个负收益是教育成本——这个产品的属性，用户肯定不理解；然后第二个是反人性——大家可能不愿意给你数据。很有道理，这个可能就是产品内核要去考虑的——怎么去解决这个负收益。

然后同时它又给了一些建议，它说"的确这是一个新的哲学，有机会，然后挑战很大，你可以试试"。然后不知道好像还摸得比较清楚，我觉得好像比较清晰。

跟上了跟上。

然后就还行——基本上跟我最开始预测的差不多。然后我当时——我的副屏也跟Claude大概也让它摸了一遍，结论是类似的、类似的——发现我好像是个机会，好像是个机会。然后这个报告是AI自己写在这个笔记本里的——就是它我没有复制粘贴，它自己就写着。

第七步：里程碑方案

好，然后到第七步，然后说"好，挺好的。这个我喜欢精益创业，你别直接给我做，就是能不能给我做一个里程碑的方案？我喜欢SaaS MVP，而且给我一个最后的很宏大的愿景，然后同时一步一步倒拆回一个特别小的MVP，你给我拆一下。"

然后AI就写了一版，你可以瞅一眼——什么我要做一个什么什么样的东西，然后什么Aha Moment呀、什么乱七八糟的什么要看什么七天留存用户比例怎么样……

你们觉得怎么样？你们觉得怎么样？

你叫吧。做什么、做什么、做什么、看什么指标，怎么样？

就是它告诉我要做什么做什么做什么，看什么指标。

就是如果是你们的话，你们到这个阶段你们会怎么做？不深呀。

怎么样？就是你看AI直接就告诉你：第一阶段你就可以设计一个什么提示词，找20个种子用户，然后什么做一个什么工具，然后去观察它有没有惊叹、观察它有没有什么什么什么什么用户留存。

怎么样？

特别好？噢特别好。

嗯，终于看出来了。

这个就是AI——然后做完这个方案之后就立刻问我说"你觉得怎么样？是不是特别好？然后咱们就做了"——就像已经开始动手了，就是已经想启动了、启动了AI的MVP了。我就没问题，咱们做第一版吧。

然后当时我不知道你们怎么想，**我当时就把它拦住了，我说"你这个玩意是个啥呀？这个啥东西？看似不错，很唬人，很像样，但是有形无神——压根儿整个画里连个假设都没有，你做个屁啊！**不好意思，你做个毛啊，还MVP啊，你怎么不说呀？

就是它就告诉我做什么产品，它为什么要验证什么？对吧？咱们是假设驱动的，咱又不是做产品驱动的，咱又不是愿景驱动的，对吧？

我之前课上说过没有：**关键假设的验证就是个空壳——你没有假设算啥？**这个产品需求相对明确，内核能不能磨出来？最难的其实是产品内核。

第八步：补产品内核方法论

然后我又第八步——我又跑到飞书知识问答，我赶紧又临时找那个知识萃取师，又要了一页纸产品内核的方法论。就是那个BetaPack，就数据包——就是整个课的介绍、重点前半段主要是这个课里面的重要的方法论，然后后半段重点是产品内核画布。因为这个画布很容易理解，画布一填基本上的业务逻辑就理得七七八八了——画布是一个交互工具。

然后我还严格要求它，我说"你给我抽一个工具"——这个儿童台灯呢，还有一个什么篮球鞋的，这都是课程的工具，还有词典笔——这是一堂课程最经典的三个做加减法的逻辑，都抽出来。

好，这就是一堂目前产品内核的那个工具包。然后我抽出来，我检查了两遍，当然中间调了两轮。然后觉得还行，然后啪扔到Obsidian。

然后这个时候告诉ChatGPT说"来，你检查一下你刚才上一段到底是什么水平。好好检查，然后你给我学习一下什么是产品内核，学完之后请你按照产品内核的方法论再给我写一版"。

然后这个时候AI就——当然也非常磨了一两次、小的版本——然后后来就写了它的2.0的思路。

哎呀这个挺有趣的——AI上了就开始，1.0已经废弃了。对，一切的思维上来就做——这就是AI初级段位，连个价值意识都没有，这明显段位不行了。

然后然后这个时候它就说"那我2.0，我要尝试着去做到剥离需求，找到最小解决方案"。它开始尝试拿产品内核。它说它又反思一轮刚才它的错误，反思完了之后它说"我要用产品内核的思路去剥离——我怎么去拆用户、怎么去推场景、然后怎么去找到掌控感、然后去需求"。

然后这个时候开始分析产品内核，然后找了一堆产品的可能的内核要素，这些是、哪些是、哪些不是，做了一轮。我跟它当时还磨了一小轮，慢慢地调到了跟我大概的共识——就它说有些是、特性是内核、有些不是内核，最后找到了一个相对比较小的、相对我也觉得相对差不多的那个产品内核。

跟上了吧？跟上了。

第九步：五步法全局盘点

所以这个时候它又描述说"有了这个内核，我就要设计里程碑了"。然后你看这个时候它是基于测试产品内核设计的MVP里程碑。跟上了跟上。

所以这个时候它又开始说"你看设计完了是不是特别好？这个我准备测试，你怎么想？"

如果你们不是我的话，你们会让AI开始干活吗？它老想到下一步——就是做完一个所谓就是它的策划，它就马上要执行了。

然后如果你们是我的话——它它已经一定程度上把产品内核看上去定义出来了，然后这个时候看上去好像也还行，这个时候它想设计MVP了——怎么办？怎么办？

所以后来后来我看了它这个方案之后，我觉得"哎好像还挺有道理的"，这个方案就——我在调的情况下，它已经能够把一些AI什么去掉，只是一轮一轮地提出不满，并且让我留保留最小的那个内核要素，什么什么甚至最后的报告去掉，它只……

然后怎么办呢？怎么办呢？

然后后来我就跟它说，我说"哎不行了，这个商业不能只到内核这一步就做。最好是全局预判——中年之戏"。我说"你能不能把商业全部的要素拆一遍，然后咱们再做MVP？"

然后我就跑去飞书知识问答，然后又去要了一页纸叫一套五步法，然后我把五步法的方法论也都揉出来。然后同时我又专门做了五步法的案例——这是一堂的版本，就是一堂过去签的比较好的五步法。同时这是谁的五步法呀？还有一个消费品的五步法——我们把案例都给它。

然后我说"好，你照着一套五步法，然后要去做全局盘点、重点执行。然后你最好把那个全局的商业要素拆一遍，然后你看一看那个产品内核合不合理，产品内核跟后面东西配不配得上，如果发现基本合理咱再动手。"

然后这个时候AI又消化了一阵子，然后最后说"好，这个还行"——当时中间磨了两次磨了两次。然后这个时候它大概理解了一套五步法是个啥。

然后这个时候开始拆了第一版五步法。这一版基本上就有点像样了——就是它已经非常勇敢地把一些用户砍掉，把一些内核要素砍掉，然后留下来比较少的内核，甚至把一些所谓的一些要素都拿掉。然后找到了一个相对来说需求通向产品内核、通向商业模式看上去通、同时也勇敢地做了很多减法的一个模型。

这个当然也调过两次，我觉得好像还行，不至于有太大的硬伤，至少我觉得能往下一步走了。

第十步：MVP方案

然后到后面就开始做又做了一个报告。然后就基于五步法，然后设计说"我现在为了验证，我需要第一阶段测什么，第二阶段测什么"。它又出了一个报告。

然后这个就相对比较像样了。虽然里面还有很多不够专业的地方，它大概就是单元模型那个一套五步法可能还有3.5的样子——大概的样子。那基本逻辑还没到定量，就差不多通了。也差不多到了我现在对这个项目理解比较上限的位置了。

然后说"好，你下一步你再试试看，你再试试看"。然后"你做一下吧"。这个时候我说我跟它说的时候说"行了，开始做MVP吧。但是一定要小规模、只做最小的，然后我要追求超快、短平快"。

然后这个时候它又嘎嘎做一顿分析，最后给出了一套这个产品真正执行的MVP方案。

然后这MVP的方案就是——它说"我一定要超快猛"，还分别理解什么叫超、快、猛。然后做最小的要素，就是最小的先拉一轮用户循环。然后甚至直接把那个系统提示词直接给我拉了一轮出来，然后甚至还做了一个系统提示词的模拟的结果。

然后说"你可以拿这个东西找一些用户，就用系统提示词的方法让AI尝试跟他对话记录，看看它能不能洞察出一些东西。只要有了最小的洞察，有了一点点用户这个所谓的用户的体感和Aha Moment，可能这个产品有的做。"

反正最后一个MVP方案就出来了。然后最后还说了一下"说我整个的设计思路怎么怎么怎么样"。

然后我看了之后的MVP案例，虽然有些糙，但已经可以开始收集关键假设的产品内核的认知了。这个的确有效，如果未来要验证的话，一定程度上就可以从这个最糙的系统提示词开始测了。

看，大概就这样。

广场模型的本质

怎么样？

一共十轮。大家感受到这个AI和人是平等工作吗？**就不是我调用它一下，然后从它的这样一个结果。就是它就是一个所谓的员工，然后**人在环的感觉。

就是有一份工作是我来做——我不会让AI来做。然后我要判断，我全程在说"不行、不行、别着急"。然后我一直在控制，然后但是"你来做、你来做、你来做、你来做"——但凡它能做就让它做，但是判断力得在我身上。我大概知道这个东西差不多能用了，我说可以到下一步开始。

然后所以这个工作其实就是我们可能用Obsidian就可以很好地实现这个。你用其他也可以，但是其他的你可能得不断地去管理文档、管理上下文、不断地去复制粘贴。但是这是一个广场，所有的AI都可以在广场上做这道菜。大概就这样大概就这样。

怎么样怎么样？有什么感受？

我说一下背后的原理。

其实整个的过程——你们猜一下这个花了多少时间？你可以猜一下。一共从最开始我从Flomo粘进来，到最后所有的一共花了多少时间？

就我特别想说的是什么？这个所谓的这套模型——就是整个的过程，一旦你要是启动了，再加上你对Feature一定程度上慢慢开始熟，速度可以很快。

你们猜一下一共花了多长时间？就是从零Flomo粘出来一直到最后第十步做完，一共花了多少时间？

不知道王欢是不是想学这套东西，如果你也很感兴趣，刚才我说的泛产品设计，我觉得下一次我们大航海我甚至可以起一个战队，我来尝试把这一套都交给你们。

我跟你讲这个速度，我跟你讲，验证需求可快了。而且这里面好多工作都没有做，这验证需求可快了，一轮一轮地验证，这真的是一个晚上就能办，MVP就做出来。

答案是大概花了一个小时到一个半小时吧。

这个就就整个的过程其实从粘过来，然后到设计到MVP，全程大概七八十分钟应该不到90分钟，就十个步骤我就做完了。

然后我大概前前后后给了十几轮吧，大大小小的反馈——有些小反馈有些大反馈。然后我在过程中就一直在说"不够好，我再给你一张牌，我给你个招你再调一调"——就是我跟它说不够好，我再给你一堆Feature，就一遍一遍往它身上扔东西，然后扔到我觉得还行，到下一步，就一步一步扔一步一步扔。

然后整个过程中我用的工具整体上就是Obsidian，因为它是本地文档，所有的AI都可以在这协作。然后包括什么谷歌的Gemini，包括这个主要用模型是ChatGPT最好的一个模型——因为我不想省力，所以用的是最好的一个模型。然后过程中用了飞书知识问答，然后我一遍一遍从一堂上拉方法论出来。然后过程中还开了一个窗口跟Claude稍微聊一聊，中间有过程有时间就跟它交叉验证一下。

大概就是整个的过程。

而且整个过程中我只写了顶层文档和洞察报告的最佳实践，全程我只控制创造力和审美。我负责的是整个体系、整个工作流——这个东西我现在比较理性，我不那么相信AI能做好，我不那么相信——除非我做的次数足够多，说不定能固化一个工作流。我不相信AI还可以自己设计一套工作流做得比较好。

就是所以我还是要把人类的三要素努力地抓到我自己手里。然后剩下的全部的工作默认全部AI来做。

然后而且尽量自动——就是它自动地直接写到Obsidian，就别让我复制粘贴，你就直接看这堆文档，直接往文档里写，然后自己放好位置、自己打标签、然后自己做市场调研、自己做可行性分析、自己整理一页纸、自己评估、自己洞察、自己改、自己……全程就是你自己改。我争取就别让我复制粘贴——当然飞书知识问答没办法，因为在那个楼里我只能粘出来，其他的全都是在那个文件夹里自己做的。

我全程是没有非得我来回地复制粘贴上下文——非常痛苦。就是我那个文件在不大到一定程度的时候，就是按照那个目录结构。

然后是不是还挺有道理的？所以现在有没有感觉双三角很有道理？

真的，我不知道你们过去有多少同学觉得一边用AI，一边觉得双三角真的真的值钱。就这张图给了我极大的自信，我清楚地知道哪些是我作为管理者的工作——就是我不指望AI，我不奢求——以后说不定行，现在我不指望。哪些就是AI的活，我不动。

就这张图其实给了我们非常非常多的自信。

然后我给你们看一下最终的文档就长这样。长这样。00就是创意说明。然后10就是我的两个报告——这个我的这个以我为建行的就是示例是给AI的，这我给它准备的出口的最佳实践，所以在所有的这个系统都是从上面往下读，它会快速地看到这个项目最终的出口和目标意图。然后20就是我给它准备的一堆方法论——过程中缺的。然后30就是市场调研和这个对我的洞察——就是它自己做的一些洞察，洞察模型的洞察磨了两轮。然后后面就是MVP的方案——我不管它，它自己读、自己写、自己读、自己写——1.0、2.0、3.0全自动。然后就嘟嘟嘟嘟嘟就下了。

大家说大概就这样。方法论这几个文档是我粘过来的，其他的都是它自己写的。

刷刷刷。怎么样怎么样？是不是有点难？好难。

这个已经有一点点接近目前偏这个人机协同的偏差比较高的最佳实践。当然还没有很多自动化。

我说一个我自己的判断：就是我现在的逻辑是——如果在一些重要的环节上，我可能还是希望用人工的方式去控制整个的流程和这个工作，我不是那么愿意过早地用自动化生成——类似于那些自动化的工具、自动化Agent生成、扣子这些。

因为一旦启动自动化，很多的流程就失控了——就是你人工很难进去。所以通常我更愿意相信那些方法是中后期用来做标准化封装工程化的方法，而前面的测试还是靠人，这样更容易摸到更高的天花板。

相当于那些Feature是掌握在我手里的，每一个节点我都可以往里面打一梭子弹，每一个环节我都可以往里面打一梭子子弹。但如果它是自动化的，说实话你看到那个复杂的Agent那个文档，正常人是没有勇气去改的，反正我觉得我没有勇气去改一个有依赖关系的特别复杂的文档。

所以大概就这样。怎么样怎么样？

第三次飞跃总结

嗯感觉脑袋要炸了？没关系，就嗯我也刚学会，你没发现我也刚学会了。

所以回过头来说，希望大家能理解左边的三角——这是我的本职工作。这个我不会轻易地让渡给AI做，我不动手好吧？不奢望。

右边三角呢是AI该做的事。但凡AI能做的，我就给它反馈。

大概就这么一个逻辑是类似的好吧？这是人在环，大概的逻辑是吗？

这就是今天要讲的很核心的东西。

加油啊加油。

我特别不喜欢这句话，就就嗯可以你们说的有道理，但我说说实话，什么"一听就会、一用就废"，我是这样的——你要深刻地知道认知是要比你的实践要先走很早的。

就是今天能把你的审美拉上来，就已经把你的成长空间给打开了，至于你能不能上来，你可以一点点对自己不满意。但是很多人过去没有见过这些东西的时候，一直觉得自己很厉害——扣个扣子什么复刻一个扣子觉得特别了不起。不是的，就是其实还有还有一套不一样的东西。

所以先先一步步来，一步步来。就是听不懂没关系，但至少至少至少现在还行，好吧？一步步来一步步来。就是认知和实践就是两件事儿，它们每个都有价值。我们我们不能指望说一听就会做，那我跟你讲人类那成啥了？你别指望好吧，别指望。你们如果真能临摹一个也很好，加油，加油。

好，来继续继续。

所以大家现在能感受到这是一种范式的升级吗？

当时跟于路聊的时候，于路就说了一句话，说"哎出门啊，这个说终于有感受到什么叫做AI原生的工作方式了吧"。

就是这个时候你会发现就不再限制在一个简单的聊天框里面。它是一个能干活的人，而且那些AI也可以随便调。然后呢你可以直接让它们去调研、去检查、去改，然后跟你同时地去写同一个文档——就跟人协作没有太多区别了。然后大家对着同一个文档一起来讨论、一起来设计。

然后而你呢也不再是一个人，而是一个架构师、产品架构师、或者有一个一个项目总监，你要去一轮一轮地去调用各各个工具去打磨去提升。

然后再说一遍，正好回扣到刚才，大家感受到了吗？整个我刚才的过程最大的底气是什么？就是我有审美，我有泛产品设计，我这套工作流我很有信心，同时我有足够多的Feature，我有很多很多牌还没出呢。

所以只要我有Feature，只要我有一套确定的流程，我就觉得我还有机会。所以就一直磨呗，实在磨不上去我就认了，以后再说。但是我对这条道路信心很足。

所以这就是过去两个月我一直在练的一种新的工作方式，就是比较兴奋、也比较高效，也解决了过去我很长一段时间的困扰。所以就同意了。

第四次飞跃：从随机到AI团队——个人Persona的封装

Flomo洞察报告案例

那个我不知道多少朋友想要。这是我们内部在测试的一个项目，测试的项目。

就大家有看到我的这条朋友圈吗？前段时间我看到一个Flomo，我说这才是AI该做的事儿。它把我这一两年的这个我所有的笔记，然后尝试做了一次萃取，试着去理解我这些笔记之后我的一些内在的东西——我的纠结、我的洞察、我的追求。

我想说我非常感动，它拍了很多那种弱弱的、那种理性的彩虹屁，让我觉得非常受用，而且它给了我很大的激励。我觉得这个东西对我对Flomo的能力有一个非常强的这个认识。

大家看到了吗？看到了。我不知道你们有没有生成，非常受用对吧？非常受用。

然后它给我写的，你们扫一眼就好了，它说什么——清楚地感觉到"这是一堂业务啊什么什么构思"，就是它试着在理解我的纠结和我的追求。然后以及我长期真的使命，而且不是用我的原话，它尝试洞察了很多背后的东西，包括心理上的东西。

然后"你笔试空谈，坚信价值资产出于思考复盘和实践中的推演，因此你将第一条定义成什么"——这的确是最近我在思考的事情。然后它写了很多这种深度的洞察，就是就明显的是那种激励，有很多的所谓的弱弱的彩虹屁，但是的确会让人很受用，而且事实上它给了我很强的激励。

然后"你正搭建的是一所介于理想和现实之间的桥梁，桥的一头是热血和使命，另一头是严谨和实干。而你所有的思考都在确保这座桥既坚固到足以承受重量，又充满吸引力，让人愿意踏上旅程。"——这其实就是一堂想做的对吧？它能洞察出这些东西，我觉得嗯不枉我往上写了几百篇这个笔记对吧？

所以怎么样？怎么样怎么样？

来问题来了，问题来了：**一堂要不要做一个类似的？**你们可以猜一下怎么做。

就是我跟你讲，我跟你讲，就这些东西我感觉"哇我看了五遍十遍"，我觉得嗯这就是这才是人工智能该做的事。对吧？宽容度也足够高，然后也不太容易说错话，然后同时它又很容易洞察一些人类知识里深层次的情感上的东西。怎么办？怎么办？对吧？看着让人流泪的程度，对。

打造同学年度洞察报告

然后给大家分享一下分享一下。

就是我跟我们公司的批评，这个尝试用刚才我说的Obsidian工作流异步协作，两个人在异步做了一次测试，跟大家分享一下分享一下。

来准备好准备好。你们来感受一下整个的思路。

我们差不多就是也定义了一个目标，然后我们大概提了15到20个Feature，就往里面叠加了一堆的所谓的打磨点。它一开始肯定不行——我们直接让它说，我们把一个同学作业扔给它说"你也给我写一个这种深度报告"，写得很烂，非常烂。

然后怎么做？我给大家分享一下整个的思路。

首先这是我们整体的文档，这个是我们的整体的洞察报告，包括作业的素材，包括这个我们找了一些Flomo的最佳实践，包括找了一些同学的作业抓出来全量作业，扔了几个同学。然后这是我们内部的评测的，这是我测的，然后我又进一步地测，我把我的顶层思考包括规律总结这些都做出来。对，这个过程。然后开始做测试，一轮一轮测一轮一轮地摸上限。

然后顶层思考呢我就上来之后我只写了这一个文档——这个必须要我来写，而且我要把上下文争取给足。这是一个什么什么项目、一堂我们这个什么公司、然后大量同学、然后我们需要写1000字的深度洞察报告，我最终的目的是把年终盘点像个人学习诗歌一样做深度洞察激励。希望有三个意图：真的理解，真的激励。

不好意思，审美只能在我身上——这个东西你让AI做AI很容易跑偏的，这个东西只在我身上。我知道我一堂同学想要什么，我也知道我想在这个体系里让这个产品达到什么样。这个东西不要让渡出去。

然后内容洞察包含三个东西：一二三，包含共性特点、引入一下引用一下它的原文，然后发掘它内心积极的力量，以及深度洞察以及找到内心的纠结追求、背后的思考。一会我说这个是最后加的。然后形式要求，散文一样的内容盘点。好，大概就这样。

然后我尝试让AI写了一轮，写了一轮发现写得还行。但后来就出现了一个问题：就是它写这个人的东西跟一堂没啥关系——就是对吧？就它写这个人背后心的洞察写得还行，但跟一堂没啥关系，咋办呢？咋办呢？

然后出现了两个拐点。第一个拐点，其实有三个拐点，我简单复述一下。

第一个拐点就是它之前写得特别死，就是特别特别死。之前我们的批评是怎么做的？它大概是把那个尝试用AI读这些报告之间的关系，然后抽了一些关键词，写了个提示词，然后这样写的报告就很次。然后这个怎么办呢？就是我们又不是个心理学家对吧？我们怎么去调那个提示词呢？调不出来，这是第一次。

然后我后来怎么做？我说我先出一张最好出的牌。我怎么出牌？我说"来，请你把上面的几个Flomo的洞察报告给我写一个规律总结。我给它5到6个写得比较好的那个Flomo的洞察，你给我总结背后的规律和共性，然后带上我的顶层文档，给我去拆它。"

然后它又拆了一篇报告出来——全人工，我没有动手，我全程没有写提示词，我对于报告的专业性我都不懂。我就直接出了一张看上去最有效的且最容易做的牌——直接让AI自己去洞察。然后我把上下文补充全——这是我的工作——然后直接让它干。

然后洞察完了之后直接上来说"模拟你要写一个洞察报告，未来我希望也能给你一些一堂的同学的作业，然后能够达到类似的水准，基本100%复刻。来，开始给我总结报告"，它就总结了一个规律总结。哎还挺专业的，我挑出来毛病——这个就超出我审美，那个没办法。说好那就试试吧。

然后写1.0，然后写完1.0之后我发现一个问题就是不行——1.0它遇到的问题就是它写得比较好，但是它跟一堂没关系。

然后我又跑到一堂的知识库里抽离了一个——我说一堂的价值观，你把一堂的常见的价值观、金句、理念给我抽了一篇报告。然后我就把它放到了这个一堂的价值观。我后来又加了一句话在顶层文档，我说"你要尝试着贴合一堂价值观，参考这篇文档至少匹配个一到五条。你别光说这个人怎么样，最好说说它跟一堂的关系。"这个我就加进去了，然后AI就刷——上升了一个段位，不错，好多了。

然后我又发现一个问题：就是很多报告它写的是"这个同学在做什么什么项目"，在展望未来的时候说到它那个项目，它说它们早已经不做了，因为作业是没有时间的。咋办呢？后来我又给它加了一个规则，我说"你不要默认为用户是在做这个项目，不要提及具体的项目，至少不要默认为他以后还要做这个项目"，把这个所有规则都拿掉，又给它加了两个规则——这就是磨出来的。我认为它不行，给它提要求、提要求、提要求。

然后磨完之后来吧，给你们展现一下展现一下这个在做完之后大概的水平。

张磊的洞察报告

给你们看两个同学的作业，你们感受一下。如果你们是张磊，你们会怎么想？这是张磊——当年我真的是读了他的作业特别感动，我才邀请他加入，他当我的合伙人的。这是张磊的报告：

"你在作业里面提到了一个偶像——卢瑟福，一位培养了11位诺贝尔奖得主的物理学家。这把钥匙打开了你所理解的商业所有行为的大门。你哪里是来创业？你分明是在经营一间商业实验室。别人创业是为了证明’我是对的’，而你创业似乎是为了验证’什么是真的’。

从这个项目到这个项目，从这个项目到这个项目，再到今天的这个项目，你像一位穿着白大褂的科学家，冷静地把每一个idea从此送上解剖台。你不怕失败，你甚至在享受证伪的快感。

那个关于酸奶的复盘，精彩得像一篇学术论文——花一个月的时间把需求什么什么一一击碎，最后得出一个’不具可行性’的结论。在常人眼里的徒劳无功，在你这里是一次实事求是的伟大胜利。

你真正掌握了一套一堂的核心心法：大胆假设，小心求证。你用行动证明了——失败不是成功之母，高质量复盘才是。你感受一下感受一下。

然而实验室的造价是昂贵的——你看开始出纠结了，开始纠结和内心的挣扎了——然而实验室的造价是昂贵的，前三年的任性让你付出了什么什么的代价。现在你转向做这个生意，看起来是一次对现实的低头。你把那那个想要改变世界的科学家暂时关进了小黑屋，放出了那个精明算计的生意人。

甚至在写到这个项目的时候，你的笔触都变得乏味——执行、客单价，只剩下复制。你在字里行间读出了你的不甘，你觉得这是在降维、是苟且、是为了生存的不得已而为之。

但是我想告诉你的是：请不要轻视这间实验室的地基。卢瑟福之所以通过实验室推翻了原子模型，是因为他有最精密的仪器。商业世界里面现金流、供应链、组织效率，就是你的粒子对撞机。你现在所做的俗气的生意，实际上都在为你未来的诺贝尔级的发现打造一台性能最强的实验设备。

创业是世界上最好的大学，你不仅是这所大学的学生，你更是这所大学的教导主任。我看到你对于思维模型技能树的痴迷，你对于认知提升的极度渴求，都在说明一件事儿——你并没有真正放弃成为老师或者科学家的梦想，只是换了一个讲台。

流水不争先，争的是滔滔不绝。别着急去拿那些名为成功的诺贝尔奖。继续做那个讲道理、相信成长的实验家吧。当你的商业实验室足够坚固，当你对于商业规律的洞察足够深刻，那个藏在心底的大发现终会在某一次看似平凡的实验中震耳欲聋地降临。"

爽啊！怎么样怎么样？

你说什么人才能对张磊说出这种话？虽然这里面弱弱的夸他，你知道很多都是那种激励，但是我看得到你的纠结，我看得到你让你走的弯路，我看得到你的失败，但是我依然看到你内心最深处的那个科学家的那种精神。

怎么样？怎么样？你们想拥有一个你们的吗？

西西的洞察报告

来，继续继续。

然后我们又把这套这个西西的十几万字作业也吐给了这个模型，又跑了一遍。来给你们稍微过一下，西西的。

"从你洋洋洒洒的复盘和作业中，我读到了一种推土机一般的生命力。你似乎正在试图用科学方法论这台重型机器，在一片名为不确定性的荒原上试图推平出一条通往安全的大道。让我们暂且关掉机器的轰鸣，听听驾驶舱里面那个真实的你吧。

显性价值是你引以为傲的适应力和执行力：从十年的出版人到新媒体操盘手，你展示了惊人的转身速度。你疯狂迷恋歪模型和关键假设，把工作拆解为一个个可被证伪的单元。这背后是你对于实事求是的及时转型、极致践行。你鄙视那些虚假的热闹，无论是对直播间数据的冷峻计算，还是对致富星球项目的坦诚复盘，都证明了你坚信的一点：失败不是成功之母，高质量的复盘才是。宁愿面对惨淡的项目，也不愿在虚幻的泡沫中沉睡。这种清醒是你最坚硬的铠甲。

然而在这些严密的逻辑闭环下，隐性的价值却指向一个深层的焦虑：对失控的极度恐惧。你反复提及战略上的懒惰和战术上的勤奋，这不只是自谦，更像是一种防御机制。你试图用理性来规训无常，以为只要掌握了通向成功的公式就能避免失败的痛苦。

但这形成了一种迷人的张力：你越是渴望通过变来掌控命运，内心深处或许越是渴望一种不变的安稳。

其实你不必如此紧绷。你最真实的那句话——‘相信成长本身就是对抗不确定性最好的武器’。如果强大自己是解决问题唯一的方法，那么外界的风云变幻就不是对你能力的审判，而是对你内功的磨练。

进一步看，你的价值位移正在发生微妙的偏移。早期的你像是一个完美的答题者，试图满分通过老板、市场给出的所有答卷。现在的你开始触碰到答题的极限。当支付星球面临生死存亡，你开始意识到：真正的壁垒不在于做对了多少道题，而是在于你是否敢于定义自己的题目。你对于文化使命的思考，证明你正在从工具人向布道者进化。你开始明白：创业是世界上最好的大学，而你是这所大学里最勤奋的学生。

所以从这些交织的信号里面，我想给你一句终极洞察：你过去每一次跨界和阵痛，都不是为了让你成为一个更完美的执行机器，而是为了让你在破碎和重构中生长出属于自己的主编视角。

无限进步的人浑身散发着光。不要试图做生活的小编，试图通过修修补补来讨好世界。去做你生活的主编，哪怕素材粗糙，哪怕前途未卜，你也有权利为自己的篇章定下最响亮的标题。"

这就是一个出版行业出身、转了自媒体、创过业、并且挣扎在一堂完成转型的同学，看到它的作业背后的洞察。

怎么样怎么样？这个怎么样？是吧？还挺有趣的，挺有趣的。

你们可以猜一下，这个项目从最早建第一篇笔记开始立项，大概做到这种水平花了多长时间？猜一下。猜一下。猜一下。

就从立项开始做到大概这个水平，调到这个就是非常叠加，然后摸到这个上限大概多长时间？看一下。

大概的时间是——批评前期准备素材，包括求爷爷告奶奶找这些作业，包括素材，然后加上他自己的测试，前前后后花了可能两三个小时。我自己花了90分钟——这里面我大概做了50%到60%的工作吧，50%差不多。就做完了，做完了。我前前后后这一套工作就是90分钟的工作，90分钟。就是90分钟，从顶层思考一路做到最后大概就这水平。

所以刷了刷了。怎么样？感受到广场的快乐了吗？这个过程可是好多工具在广场上做噢，它不是一个AI，它还有别的，里面有一部分飞书的工作，反正各种工作都在这个广场一起跳，我最后把这个舞给跳出来。

说说。

多少同学想要？有可能我们在春节前后会做工程化，怎么样？

我不知道这个算力和难度我们不确定，这里面不是那么容易工程化。有可能我们在春节前后会给你一篇属于你的定制版的你的个人报告。你如果在一堂超过一次学分的话，有可能会送你们一个小礼物，好吧？大家可以期待一下，期待一下。

好吧。

第四次飞跃总结

这就是我们的第三次飞跃。然后从单纯的窗口里面的一个AI工具变成了身边的干活的AI伙伴。

这是第三次飞跃。刷了刷了。

好，这就是第三次。

来后面加速了，不好意思。来第四次，第四次飞跃。

这就是最近也就最近一两个月我在做的事吧。

一堂课题与AI的四化结合

然后我其实过去一直在探索，大家是如何把一堂的方法论和AI的工具和案例各种四化结合的？有没有可能把一堂的方法论和AI做到1+1显著大于2？我们最高的追求不再是一个临时的项目，而是一种系统的全公司的甚至全体会员的集体进步。

我希望这些能力更多的能让学员学会——一堂给了大家那么多的课题，然后一堂过去有200节课、几十套方法论、大量的最佳实践案例、甚至数百个刊例——这些有没有可能转化成你们的具体的业务场景的生产力呢？

这里面有个非常本质的问题，非常的本质的问题。就是在AI一个具体的场景——比如说你们要分析一个项目的硬伤，或者分析一个项目值不值得投资，一个转化率怎么提升，或者好奇一个名字怎么打磨出来的——就是一堂在你们解决具体场景具体问题上主要的价值是什么？

换言之，如果没有一堂的课，你跟你的合伙人、跟其他同学讨论，你们可能会遇到什么问题？或者是你未来跟AI——如果现在的通用的大模型它没有一堂课——你在用AI上有什么问题吗？

我给大家十秒钟喝口水。

如果用一句话来提炼，你们认为一堂最大最大的价值是什么？尤其是跟AI协同，你们认为是为什么？AI写作，就有了一堂课之后会好很多，那个好的那个点到底是啥？

话语体系？审美？这些刚才都说过了。还有吗？还有吗？就是一堂其实最稀缺的是啥？最最稀缺的市场。价值观？嗯有点粗。还有啥？确定性？嗯还有吗？

就是我们最追求的是啥？

噢对对，我稍微说一下说一下。

就是我觉得本质上其实是从双三角出发对吧？这三要素。然后我不太谦虚地讲：至少在国内在早期商业和管理领域，一堂应该是你们能找到的极少的能够在三张地图、几十个重点课题，能够把这三个要素——就是审美、体系、创造力——全部击穿自洽，并且试图教你们融会贯通的课程。我应该没有过度夸大。

我再说一遍：同时教你们审美、体系和创造力，并且在地图集帮你们去分别贯穿，甚至希望你形成统一的大一统的体系——我们至少在追求教会你们这件事上应该是目前国内做的最好的。

就是我们审美——我们给你失败的敏感性，我们给你最佳实践的见识；我们给你体系——给你完整的逻辑链里程碑，给你尽量可证伪的一套工作体系；然后我们给你创造力——甚至我们追求的是本质方法论和清单工具、评测体系，用底层去解决上层的创新。

我们这些基本都给了。

所以每个要素都是你在跟AI协作的时候，其实你们未来的课的学习就是最大的你自己的竞争力的要素。

课程与AI协同的现状与挑战

所以下一个问题：如何把一堂课题用在真实AI的场景里呢？

然后一堂其实过去收集了很多同学一些比较碎的案例。比如说有一个同学之前好像课题过——他在做电商落地页的时候特别想做一个自动化的这个落地页，里面就设计过。教大家教AI去讲相对非常难，大家教起来非常痛苦。后来呢他就认真地写了一个提示词，然后把它封装到——应该扣子里吧——然后把一堂的奖项和框架就直接写到提示词里了，AI去调就行了。后来呢他们就工业化地做了很多落地页，结果还不错。

**相当于把能力不要交给人，把能力交给AI，让AI有能力去跟人协同就好了。**这个思路还挺有趣的。

再比如说有个同学听了灵感闪现的课，然后开始去在业务里面尝试做灵感闪现，然后拿这个东西，然后就很多假设就被他的同事采纳了，就还挺顺——就是我还是把我的能力尝试交给人工智能，然后再跟人去协同。

然后再比如说有的同学经常记笔记，然后用清单的笔记做了很多资料的整理，思路就清楚了特别多。

然后有的同学科学起名——想起个名，实在是没经验，后来就通过一轮一轮地把一堂的这个科学起名课封装到GPTs，一轮就跟它对话，最后真的还取出了个名字，还挺有意思。

所以我不知道你们过去有尝试过把一堂的课转化到一些具体业务场景上的一些使用的问题吗？还挺有意思，挺有意思的。

然后我一堂内部的团队，其实最近半年我迫使大家用得挺多，包括简单的内容团队、交付团队，我们都尝试着把一堂各种课转化成这样的能力。

然后但是，不好意思，实事求是地讲——这不是一堂的问题，是整个业内的问题——我们在解决人和AI协同，尤其是专业方法协同，整个行业现在都是在起步期，甚至都没有很多人都没有意识。

所以实事求是地讲，现在整个的渗透率非常低。如果我们尝试定量一下：我们有1.2万个活跃会员，一堂我们现在有200门课。如果人使用课程直接分析、解决问题和复盘的话，可能一年至少得1.2万人可能用过可能100万次吧，在200节课上，其实量也很大的对吧？然后过去都是纯人工在用一堂的课对吧？人来复盘，人来拆解，人来调研，人来练习，人来做分享——全都是纯人工在使用一堂的课。

那未来呢？就是真正其实人跟课——画一张示意图——之前是啥？之前都是人直接用课对吧？去解决问题。这是之前，人直接用。**未来有没有可能有一条通路是"人、课、AI"这三角同时解决问题？有没有可能？**你就那个图景长什么样？

这是现在业内整个大家都在比较焦虑的问题，都不太会。

有没有可能有这样一个方法？就是我推测现在在整个的占比甚至连千分之一都不见得有——可能一万个会员加在一起可能一年也不到一千次，太少了。多数人无机可施，少量的人试一试效果不好、不顺手，不如纯人工就放弃了。怎么办呢？怎么办呢？

三个基本判断

所以逻辑上其实——我自己的判断——长期这一定是必经之路。我不知道大家相不相信，虽然商业管理比较难，依然是必经之路。

你们注定未来有很多的工作，就像刚才我讲的，只要跟AI协同的，不会是你学会了、就你一个人用。AI也只是你一个小的手，你大概有很多工作需要跟AI一起协同嘛。

所以那就要解决一个问题：就是我怎么能够尽量地让AI成倍地提升我的效率？有没有可能怎么提升？怎么提升？

所以这个长期来看我觉得这是必经之路。过去只有人和人，未来可能有人、课、AI。未来注定是一个人恨不得配10个甚至100个所谓的给你打工的数字员工，每一个人都在一个点上能帮你的忙。

然后随着算力的成熟、AI能力的逐步进步，甚至未来的这些员工都有可能白菜价。然后我们可以拥有甚至无限的聪明的名校的博士实习生，区别就在于我们能不能把这些聪明的博士生转化成你自己的一个训练有素的工作团队。这就是区别。

所以作为一堂，我们作为一个教育公司，我们真的渴望在未来的12个月到18个月，把这个所谓的课程协作率提升10倍，甚至100倍。之前可能现在连千分之一都到不了，我们希望这个率是可以快速上升的。

怎么解决呢？就是我们有什么方法能够尽量把一堂同学的效能拉上去呢，背后的逻辑是什么？

最近两个月我一直在纠结，设计了一组又一组的方案，我们一直在测，最后大概摸出来一些东西。在做方案之前，我先说三个基本的判断，希望跟所有朋友先形成共识。我说的主要是在商业和管理这个领域，咱们不泛化。代码领域可能已经相对成熟了，但我说的是这个领域。

第一个判断，短期内让AI直接帮你去做所谓的商业决策，不太现实。我不知道大家认不认可，这是一个很美好的幻想。

就是我想开一个奶茶店对吧？我把我的信息、预算、我的资金、城市都扔给它，直接让它把预判的结果、可行性报告、一套五步法、算账模型全都给我，我直接照着它给我的报告直接去开店就行了——这个事儿真的不太现实。

在代码领域、在设计师领域、甚至在法律、新闻学的领域，一定程度上可能有了比较好的结果。但是至少在商业决策领域，我们目光所及，这种所谓的自主分析、直接完成决策的AI，目前我们还没有看到特别成熟的。小的调研说不定还行，但稍微涉及到决策就极难。

之前有道的周枫发过一个预判的图，他在做教育，他说现在整个行业是在二三阶段，现在在主动辅导和虚拟老师层面能辅助教学，但真正做判断、做创新，远远没到。更别说在商业管理领域——这是极其复杂的商业决策，而且每一个决策背后都是活生生的人和财务投资。

至少在未来的12到24个月，我觉得不太会诞生非常成熟的、通用的商业决策智能体。你随便找它，你遇到任何问题，它像我辅导大家一样，能够给大家一个接近于人类专家辅导的水平——短期内真的不太现实。

当然如果写点文案、做点调研，相对容易得多，这些会相对比较早地实现。但是真正的商业分析是一个极大的工程。

这是第一个判断：先跟大家形成共识，降低对"一步到位"的期待。

第二个判断，大而全的智能体其实是结果，不是1.0。这是一个很有意思的洞察。

就是我们发现很多友商——大家不要提名字，不好意思——我们调研了很多友商，很多友商试图去做一个某某模型通用的智能体，就是所有关于这个模型的你都可以跟它聊，试图用这个智能体解决方法论周边的各种问题。

然后通过我们用一些侧面调研的方式，发现效果都比较难、都比较一般。

AI交付的结果，其实跟你的问题范围大小、明确程度成反比。就是当你收敛到一个特别特别小颗粒度的时候，AI就很好用；你把它一泛化，只要一泛化，能力就很失控。

所以大概率这是一个演化的过程：最早可能就是从一个很小的模型开始，从一个Prompt开始解决一个小问题，然后强化、强化、强化，最后增加Feature，增加Feature，甚至吃掉用户的反馈，一轮一轮滚，最后是有可能做出一个足够强的智能体的。

但是，这个是我现在的认知：至少在我们这个领域，真的这种复杂的智能体它无法直接系统设计，它大概就是在使用的循环里迭代出来的。这是很重要的一个预判。

第三个判断，人和AI必须得同时专业，价值才能放大10倍。

我不知道大家有没有想过一个问题，就是很多人可能来了就天然会有一种偷懒心态，包括我也是，大家都很容易对吧？觉得"哇终于人可以躺平了"对吧？“我可以什么都不懂，我可以不学，然后我直接把活——老板给我的活——我直接甩给AI，然后它干完得了，未来AI干活我领工资，岂不美哉？”

大家会有这个想法吧？真的行吗？

就是未来再往前看一点，真的会出现一种情况：老板把活给你，把公司给你，你把活——你不太会的情况下——直接甩给AI，干完你还上去，这事就结束了。真的有可能吗？

我不知道大家有没有深刻地意识到这个非常残酷的现实。

AI不是学员制度，是增幅器。

这句话最近后半句是有一个人写的，我特别喜欢。就是AI不是平等对待每一个人，说你许愿我就平等地给每一个人。不是的，它不会把所有的新人老人都拉到同一个好的水平。恰恰相反，它是增幅器：

你所有过去的优点、你的擅长，你如果用好AI，它都会成倍成倍地增加；
同样的，你目前所有的短板、缺点、盲区、糟糕的判断力，也会成倍地放大。

你会跟那个比你好一点的人拉开更大的差距。

所以我自己作为一个教育公司，我纠结了很久，我大概形成一个基本的认知，先分享给大家：

在AI出现后，60分这条线变得简单了，而且在这条线上未来可能都不需要人，60分的线变得的确简单了。但是真正靠谱级的那些竞争在急剧加剧。

你会发现那些越贵的人，他们现在反而越来越贵；那些入门的岗位，很多企业已经不招了。其实更难了，AI把人和人的竞争加剧了。

最近我听到一个话我觉得还挺形象的，他说AI像我们身后每一个人都追着一只老虎，就是它就一直在追着我们，我们必须得快。它不是说所有人都平等公平，不是，它把所有的优点缺点全给放大了。

所以未来，如果大家有些事不那么重要，就想入个门、凑合着一个能用的，差不多就可以做了。但是真正在商业、在竞争领域，你要如果有足够好的追求，你想赚钱，你想持续地有竞争力——

我目前的判断是：只有你们懂一堂的课，同时也比较懂AI，你们还能互补协作，AI能加乘、能加乘，然后才有机会做一个比较好的协作。

你不要试图觉得好像"我可以不会五步法，AI会就行"。那我跟你讲，刚才我的那两句话你提都提不出来——“必须有假设，必须全局预判”——这两句话你根本就不在你的审美里，这个真的没办法。

应对策略：最小原子、固定封装、灵活组合

所以综合以上三个判断，我说一下一堂我自己从2024年起，围绕着一堂目前我们有的四个最大的优势，我们找到了一个应对刚才我说这个问题的、长期可发展的核心策略。

有同学帮我打一下，我写了一句话，叫：

提炼最小原子，然后支持固定封装和随时灵活组合。

这是一个设想，有可能陆续地跟大家见面，快的话有些同学马上就会见到。我说一下，这是个设想，我们还没有正式发布，我们内部一直在测。

然后一会我会稍微说一下，我们可能会招一点点先锋官，如果你们特别特别渴望通过提升工作方式来加强效能，那一会可以试着抢一个名额试试看。

第一个词：最小原子

好，我快速说。

首先第一个叫最小原子，什么意思？

就是既然我们不能一次性搞个大的对吧？搞不出一个复杂的智能体出来，我们也承担不起这个失败的成本，有没有可能我们就莫不如回到最小的单位？

我们尝试给大家最小、最小、最小的工作原子，就像积木一样，就像一颗子弹、一个砖块、一个电池一样，你自己去拼一个流程出来，有没有可能？

一堂把子弹给你准备得足够多，所以这个东西我不知道是不是大家想要的。

归根结底，子弹就两类：

第一类叫提示词（Prompt）。 提示词本质上是逻辑，就是围绕某一个课程、某一个小的范围，那个最小的逻辑提示词。它还原的是工作解题的过程。比如说产品内核玻璃的提示词，人生红利排序的提示词，提示词升级的提示词，战略会打磨的提示词——它就解决一个问题的一个关键环节，很有效就够了，就一个非常小的环节。

第二类叫数据包（Data Pack）。 数据包是资料，就是我不是要逻辑，我要的是资料——我完成某一个任务必须的那些方法论资料，包括上下文、必备的信息、必备的专业性。比如说一堂五步法画布和填写的Data Pack，产品内核玻璃的Data Pack，创业搞砸案例集Data Pack——有了这些东西就可以做出更好的判断，这就是一个很好的子弹。

我们给你们准备很多很多很多的子弹，主要是因为一堂有足够多最小的逻辑和最小的资料，你们自己去拼。

这是我们的第一个叫"最小原子"，这是我们试图在下一阶段给大家回答的。

第二个词：固定封装

好，第二个，固定封装。

其实在一堂磨课的过程中，我们从一开始就一直有一个巨大的争吵，就是什么是真的智能体？这个市场上对于智能体吵得不可开交。

好在行业里没有统一定义。狭义的理解，最经典的智能体就是那些什么自主完成任务、自己评估、自己调整、自己调用工具的那个玩意——这是很多做工程的人认为的狭义定义。

但是如果咱们讨论狭义定义就会出现非常多的问题，所以一堂我们还是喜欢更广义的定义，大家就不要纠结概念。而且我们后面也会少提"智能体"这个词，对于多数人其实都没那么好用。

然后说一下，最后我跟教研在最后的最后达成的共识是：我们认为智能体是广义的，边界在于两个字——封装。

划重点：封装。这是我第一次给你们认真提。

什么叫封装？

就是原本的是那个通用的大模型，它完全不知道你是谁，它就是一个刚刚睁开眼睛、苏醒的、失忆了的超级天才。它很厉害，它知道人类的信息和大量的数据，但是它不认识你，它说话就是通用的说话，然后对你一无所知。

你但凡给它配置了一个或者一类身份要求配置——可以配置工作流、配置数据、配置规范、配置说话习惯——但凡它开始被你固定封装、解决某一类具体的问题，我们都可以认为它是广义的智能体。

这个非常重要。封装是本质。

一个所谓的实体智能体，封装是什么？就是我要把我的未来持续的任务封装成一个持续的智能体，那个东西就可以了。你至于它里面有哪些特性、有没有思维链，不重要，那只是Feature。

所以最简单最简单的封装，你就是在豆包上写一句提示词，叫"你是一个非常有耐心的幼儿园老师"——这句话就是智能体。

你们不要小瞧这句话。你们要理解，就这一句话，就直接把它原本非常发散的90%甚至99%的可能性、那种随机性就收敛了。它就会按照它的身份、按照它的说话习惯，用那种方式跟你对话。这个勉强就可以叫一个封装。

这个要尝试理解。

所以如果你们想要一个有耐心的、说话可爱的聊天助手，你就可以直接找这个定制的AI对话，它就已经是那个天才唤醒之后被提了一句话要求了，它就会按照你的要求开始给你做一些东西，稳定地跟你对话。不要追求说非得怎么样。

然后还有一个有意思的例子。我发现于路他在ChatGPT的系统提示词就一句话，我说你这么简单吗？真的一句话都不用多写？他说就这一句话就很好用。

他每次跟ChatGPT对话的时候，他默认配了一句系统提示词，叫"你是一个创业教育公司的助手，已经有数万创业者和管理者在使用"。他每次对话就加这句话，对方就会"支棱"起来，对方就会把它当成了一个正经的、专业的人在对待，而不会当成一个小白。

你看就这么一句话，这26个字可以显著地提升AI的专业性和沟通方式。而且系统提示词如果用配置的方法，系统提示词通常是在整个上下文、整个AI对话的优先级非常高的一个参数维度，所以它更容易按照系统提示词去执行。它所有对话的场景，都会自动把这个背景信息带给AI。

所以感受一下，核心其实就是这句话：把未来重复的任务封装成稳定的智能体。

所以本质上封装，大家不要纠结，你们如果跟我辩经也可以，我知道市场各种定义，只不过我们不太想去来回争吵那个智能体的边界是什么。一堂我们现在认为的边界就是封装。只要你给自己封装了一个AI、那个AI真的是给你自己用的、你给它提了一些要求，那条线我们就姑且可以把它叫做智能体。

虽然以后一堂我们可能会少提"智能体"这个词，一会我说一下我们自己起了一个一堂的名字。

封装的实践案例

比如过去几个月我自己在ChatGPT上封装了一些智能体，然后去解决我的问题。

举个例子，我所有重复的工作，我都习惯性地看看能不能帮我稍微封装一下：

比如说322评估——它每次都各种犯错，后来我就尝试把那个评估封装了一个智能体，每次它报错了我都先拿这个过一下审；
包括纹身图解构；
包括一些学习助手；
包括一些深度研究；
甚至还有小说练习。

这些其实都是我实际发生过的。就我遇到那个场景，我就习惯性地跟它对话，它就带着一些复杂的设定，它可以更好地去完成我的任务。我过去做了很多这样的封装。

举个例子，这里面有一个很有意思的，叫做提示词段位提升官。就我专门有一个很有意思的提示词，我可以尝试着把一个一轮对话的提示词，然后自动地增加一堆Feature，变成一个类似于ReAct、类似于思维链的、一轮一轮找我确认的里程碑模型。

就是之前对吧，你给它一个材料让它写东西，它"啪"一下就直接出来了。现在你把那个提示词喂给这个提示词段位提升官，它就会先告诉你说"你想在哪个节点确认？我确定主题，我确定什么"，每一轮它就把一个工作拆成一个工作流，然后每个工作流都找你一轮轮评审，评审过了到下一轮。

这个提示词就用来帮你直接把一个可能60分的提示词，争取把它优化到七八十分。

回头大家如果感兴趣可以试试看，尤其是如果你们谁想未来想设计智能体，这个提示词可以在多轮对话里去尽量模拟一些更多的智能体的Feature，你们可以试试看，还挺有意思的。这个提示词评价挺高的。

所以我有了这个之后，以后我遇到一个问题我就甩给它，它就给我封装成一个多轮对话的版本。所以你看，每次我不需要写，我就有一类问题我就专门找它，就很好。

从个人封装到团队协同

最近几周的时间，我在公司里面积极地推进这件事。之前我是个人非常私人地用ChatGPT去封装一些东西，然后最近我在公司内鼓励大家交流学习的时候，发现这样不够用，因为它很难协同。就是说它都很私人，而且需要梯子。

后来我们在想，有没有可能给大家更多的协作空间，让更多的人鼓励大家把一些长期的任务尽量地把它沉淀下来封装？这样的话自己就会有一种复利和迭代。

然后我开始习惯性地换了一个工具叫Claude。这是我现在在Claude上封装的，就是我有不同版本的助手，不同的场景我会调不同的助手跟我聊，它们的模型不一样，它们的系统提示词不一样：

包括学习助手——有一些帮我概念解读，就是之前跟你们说过，我遇到一些新名词之前就很焦虑，现在我就发给它，它就很善于用总分总，并且用大白话和专业严谨交叉的方式给我把一个事讲清楚。我遇到一个特别涩的东西我就发给它，它大概能够讲清楚，我也挺开心的。
包括深度解读——我每次遇到一个概念特别深、我理解不了，它就一层一层帮我剥离背后的逻辑，反正就有这么一个提示词，以后遇到这种难题我就甩给它，它负责教我、把我教明白。

反正我尝试把我一些日常的常见的任务，尤其是较高频的任务，尝试把它都封装成助手，然后挂到我的Claude上。这样的话有一部分任务就可以直接扔过去。

包括可读性排版——我之前调了挺久的那个排版的模型，后来就把它封装起来，以后遇到这一类问题就甩给这个助手，慢慢就顺了。包括刚才我说的奥斯卡模型其实都在里面。

我不知道你们未来渴不渴望、或者有多渴望，你们未来也能搭一套类似的东西？就是你要主动地去封装，围绕着你未来持续性的一些任务难题，然后尝试去封装一个持续性的工具来保证随处可用的灵活性，并且越来越顺，最好里面还有很多一堂的方法论。

然后国外有一些工具支持封装，国内的封装，除非你们用扣子，实在是有点没那么顺手。就是国内的封装一直没有那么舒服，国内有很多工具，但是顺手性一直没有那么好。

所以有什么办法呢？

TCPR模型：教学、咨询、实践、研究

然后分享一下最近五六天我的一个升级，还挺有趣的。

就几周前，我们当时刚给高阶同学交付了一个课叫"高阶智能体探索应用"，我们提出了一个模型叫TCPR。

简单来说，就我们为了更好地去区分专家的追求和核心内核，我们把角色分成4个角色，分别是T（Teach 教学）、C（Consult 咨询）、P（Practice 实践）、R（Research 研究），4个核心角色。

从图上可以看到，这个模型的结构很有意思：R（研究）是底座，是所有能力的基础；而T（教学）、C（咨询）、P（实践）是三个向上延伸的尖角，代表三种不同的价值交付方式。

然后4个核心角色的定义不一样、追求不一样、擅长不一样、能力不一样、目标不一样，都不一样。然后它们进阶的能力也都不一样。

当时我们做了这个模型，然后你看我刚才那些助手是不是感觉很乱？就是一旦超过20个，我跟你讲没有逻辑就非常难受、非常痛、非常恶心。

所以怎么办？后来我们内部在磨的时候，我突然有一天想——我摆来摆去、摆来摆去——我发现：我靠，好像它们不就是TCPR吗？

然后当我把刚才那一大堆东西重新按照TCPR再重新排个序的时候，就出现了一个非常有意思的分类。然后这个时候就会发现有4组：

第一组：T（Teach）——负责教我

这是我现在的几个T，这些T就负责给我讲东西。它们不直接干活，它们就善于讲东西，善于把一个非常涩的东西通过调用知识、逐层解读给我把它讲清楚。一个我听不懂的东西给我解释清楚，用我擅长的、能听懂的方式：什么解释概念了、什么解释某一个模型了、解释一个深度洞察了、甚至按照时间轴给我解释一个东西。

T就负责变着花样把我教明白，帮我理解学习，它不干别的，它不会干活。

第二组：C（Consult）——负责引导我思考

它们不能给我答案，注意，咨询顾问不直接给答案，它就是带我一步步思考，尽量地一步一步专业地推进：

包括怎么洞察需求——之前给你们分享过；
包括学习教练；
包括深度引导；
包括怎么起名字；
包括"必然提示词"——挺知名的一个提示词。

这些都是典型的C，就是它善于一步步引导我思考。它是一个提示词，分成好多步，我能跟它聊5分钟到一个小时恨不得，它就模拟的是咨询引导的过程。

C就负责一步一步引导我思考，它把我变得专业，但是它不能给答案。

第三组：P（Practice）——负责直接干活

它们是直接干活的：

直接帮我从知识库抽离东西、排列；
直接帮我把一个图片逆向工程回提示词；
直接帮我升级一个提示词的思维链；
直接排版；
直接把一个纹身图解构出来。

它们就直接干活，它们要直接出结果的。

P是可以直接动手帮我解题的，它可以把活干完，它可以给我答案，它们要非常具体、非常直接。

第四组：R（Research）——负责建模和研究

从图上可以看到，R是整个模型的底座，是所有能力的基础支撑。

包括建模、帮我研究、帮我调研；包括萃取——把一个东西变成明细了；一轮轮深度调研了、辩证了、发散研究，都是R。

R就善于从海量信息里找规律、建模、找边界，它就善于干这个事，别的事它也不会干。

所以当做完之后就很顺对吧？

角色	核心功能	特征
T（教学）	把我教明白	不干活，只负责让你理解
C（咨询）	引导我思考	不给答案，只引导思考
P（实践）	直接动手干活	直接出结果、给答案
R（研究）	建模、找规律、探边界	是底层能力基础

所以我们当把这些东西分完之后，会发现完全不一样对吧？五步法可以是T的五步法、也可以是P的五步法，但是在不同的身份上它们干的活完全不一样。所以就瞬间感觉"我靠，好像就通畅很多"。

然后我们要不要追求说有一个一堂五步法，又会T又会C又会P又会R？不现实。我们就先让它能引导你思考，然后引导到一定程度，说不定未来就能变成一个P，变成一个直接帮你干活的了。没关系，等待时间、Feature一步一步发生，发生到一定程度可能就发生了。

好，所以也许12-18个月之后，至少在商业管理领域，我立志于帮助一部分同学配一个属于你们个人的TCPR团队。

这个团队对你来说足够专业、足够默契、足够务实、足够具体、足够定制化。这个应该是一个非常棒的、AI的一堂的愿景：给每一个人用一堂的体系定制一套属于你的TCPR团队。你们可以围绕自己的工作内容和工作重心去做、去自己做。

第三个词：灵活组合

所以除了原子和固定封装，最后一个词就是灵活组合，这是真正这个模型妙的地方。

如果给了你们最小原子之后，我们又给你们封装了一层，你们就会发现：当你们未来拿到这些原子之后，你们自己把它用在哪都行，用哪都行。

我给你一堆的Data Pack，给你一堆最小的原子的方法论，我可以把它用在Claude里、用到扣子里、用到什么Dify里、用到Manus里，都行，随便用，用哪都行。它就是那个最小的解决问题的单元，你把这些都穿起来、拼起来就好了。

所以最早的时候你的原子非常少，你自己往里面一直叠加就好了，它就会越来越多。

**原子其实最大的好处是它是通用级别的，它是最小的。它唯一的缺点就是你需要手工拼接，剩下的全是优点。**它是最小的提示词、Data Pack，你可以在ChatGPT里面、可以在Claude里面、可以在扣子里面、Dify里面，任何地方都可以用这些原子。

比如说你在写那个某一个工作流的时候，你发现它写得特别具体、一点都不高级，你可以"啪"的一下把那个具象阶梯甩给它说"给我往抽象了改，用这三个手指头给我改一轮"，它就给你用这三个手指头给你改。就是你只要把你的Data Pack甩给它，然后跟它提要求，它可能就换了。

这是我们追求的。

所以这是一堂我们未来希望给大量的数以万计的同学提供大量的积木：我们给你们上百个最小单位的提示词，可能未来有数百个给你们至少会员内部开源的Data Pack，你们可以用。这就是我们给你们最好的子弹，至于你们怎么去拼接，当遇到问题的时候你们就直接砸过去一堆这些最小的原子去解决问题，短平快地快速升级。然后至于你用哪些工具，不重要，都是拼出来的。

一个美好的实践案例

我给大家举个特别简单的例子。这是一个美好的幻想，我们内部也刚刚实现，但是怎么复刻我们还没有摸得特别清楚，我给你们稍微幻想一下：

比如说你们想做一个智能体或者一个工作流，就是给某些客户写一些个性化的推荐信。它需要读你们客户的一部分信息和背景，然后给它发一封个性化的销售信或者一点东西过去。这是一个目标。

你如果之前调就非常费劲，现在怎么调呢？特别简单。

你可以尝试着去引入三个模型：

你把动力三曲线这个Data Pack拿走；
然后你可以把逐字稿说人话的Data Pack拿走；
你可以把具象阶梯拿走。

然后把这三个"啪"的一下直接扔到你的扣子里，甚至是自动化直接喂给AI，然后你就说"我要做一个什么任务，我需要这三个方法"。

甚至你可以如果你足够专业，你可以用这三个方法直接给它提要求。比如说：

“我要用三曲线里面的利益曲线，而且我只要’名’和’情’，你别给我’利益’，我不要利益，那些什么什么我不要利益。然后说人话你必须要给我写到口语化逐字稿风格，达到四级别，不到四你自己改。然后第三个你要自己去想，你要具象阶梯，我这个不要抽象，你就多用佐证，而且多用场景化和数据化，避免升华和痛苦激发这个策略——我们的用户不喜欢，我们都是高净值用户。”

你可以直接用你会的那些专业的方法，直接去给它提要求。甚至提完要求之后就这么一段话甩给它，它自己也许就能给你拼出来一个还不错的东西。如果Data Pack足够好、你足够专业的话，AI只要能听懂，后面很多的其实它自己就调用一堂的数据包或者小抄就可以完成自我评估了。

所以这种工作如果你自己一点点调、一点点从零去搭，你非常一点点写提示词、一点点抠的话，估计忙活一两周都不一定搞得出来。但是如果你足够专业、足够懂课、足够懂一堂、且熟练掌握这些Data Pack，也许快的话也就30分钟到90分钟工作量就能摸到一个还不错的水准。

这件事情是我现在在刻意练的，这件事情应该在一堂内部会持续地找到很多实践的案例。希望未来大家也可以试试看。

怎么样？是不是还挺酷的？这就是今天希望最后也许能达到的愿景之一吧。挺难的，挺难的。

四次飞跃：快速回顾

好了，快速回顾一下，终于讲完了。不好意思拖堂了。

过去两年半的时间，尤其是过去半年，我完成了4次大的飞跃，现在应该就可以理解了：

第一次飞跃：从碎片到体系
用缪斯模型和双三角，重构了我的知识体系。

第二次飞跃：从沮丧到信心
用泛产品设计加上Feature的思路，把刻意练习变成了统一的方法和工作流。

第三次飞跃：从工具到协同
用类似于Claude这样的协同工具，让人和AI可以协作工作。

第四次飞跃：从随机到AI团队
我开始有意识去封装更多的为我所用的东西。至于封装是一个系统提示词、还是一句话、还是别的什么都行。反正我未来需要解决很多固定的问题，我争取让它固定地帮我解题。

大概就这样。

两张图的重要性

然后我们稍微复习一下。今天最重要的是给大家打两张图纸：

第一张图：缪斯模型和双三角
这两张图大家理解再多都不为过，还是不要低估它。

第二张图：泛产品心态
这张图就是你们未来做产品的心态——做得不好是我的问题，没有错。AI不行那就是时间不到或者我不行，别怪AI。

第三组：Feature子弹
这些Feature就是你的子弹，你把子弹打出去才知道AI行不行。

第四个追求：TICE团队
以后不只是你用课，未来有可能是你和课堂协同。同时希望大家有这个最小原子的思路：我们给大家最小的原子，未来可以固定封装。

一堂的核心价值主张

这节课接近尾声。我感慨一句：AI变化实在太快了。一方面大家算法工具持续升级，另外一方面我们扎进去会发现每天都是一日学一年的感觉，这种信息量太大了。

所以最后我还特别想回到核心逻辑上——市场上有无数的AI的课、内容、教程各种各样，一堂我们在这个板块最稀缺的、给你们的价值是什么？

我希望大家理解：

我们希望试着给大家，在这个变化非常快的世界里面，尽早找到你的那个底层的确定性，找到一个10年稳定的体系。然后就可以忘掉焦虑、消除恐惧、减少混沌，要用10年稳定的框架去一步一步一步地去积累你的复利，然后迭代到最后的获胜。

到最后的时候，当我们真正被问到"有什么机会赢"的时候，我们可以非常自信地说：我们不是靠某一次运气好，我们也不是靠某一次赌对了，我们不是靠某一个风口，我们靠的是确定性一点点垒出来的。

TICE模型的进一步洞察

刚才在讲到高阶探索营，我们刚交付完那个营，然后我发现就两周的时间，我们内部就已经发现认知出现了一个重大的进步甚至偏差。

就是我之前想的TICE是来描述人类的——就是你追求T、你追求I、你追求C、你追求E。我后来发现不是，它可以描述人工智能。

就是你未来可以拥有你的TICE团队，它可以把你的长板放大、把你的短板补上。每个人都可以在一堂搭建属于你的商业管理领域的TICE团队：有人负责教你，有人负责带你思考，有人负责给你干活，有人负责帮你建模和探索边界。

很有可能未来会变成这个样子。就是我们之前想的还是人在这边工作，未来很有可能里面越来越多的比例会变成AI。

那问题来了：谁先率先完成的话，谁先跑在前面，别被那只老虎吃掉——可能这就是我们这一批人必须要回答的一个问题了。

所以希望大家加油吧。

产品预告：三合一产品

老同学可能知道，过去一年其实我们一直在内部测试一堂的各种产品，我们也做了很多很多的假设和验证。或许你们也听说过类似于什么"银行啊""中心啊"这种各种内部代号，我们一直在调研、设计和思考，甚至做做停停，也推翻过好几版了。

然后不过目前感觉，距离一堂的产品跟你们见面可能也就差临门一二三脚了。快跟大家见面了。

我稍微说一下，我们现在设想的这个产品可能是一个三合一的样子：

第一个：原子中心

就是有一个地方可以让大家去里面把原子的Prompt和Data Pack拿走。而且我每一个会说清楚边界、这个究竟在哪有效，我尽量尽量把它收敛到一个非常小的场景下，大家不要滥用。

这是一个AI中心，是给你们会员的资产，那些子弹。

第二个：带一堂课程库的商业垂直大模型

有可能是GPT-4，有可能是别的，不知道。然后你可以直接跟它对话，它是懂一堂各种课的，你可以自己从它身上抽离一些Data Pack也行，试试看。

第三个：Partner（趴那）

这个词第一次跟你们见面，我们先暂定，有可能会改。什么叫"趴那"？我们为了避免大家谈智能体来回吵架，就叫"趴那"。你可以叫它伙伴、朋友，甚至如果你是一人公司，你可以直接在一堂搭建你的TICE团队、你的合伙人团队。

它有可能是一堂我们自己定义的一组官方的Partner，你可以用，这个它也可能是闭源的，官方的会进化。然后也可能你在一堂封装你的Partner——你可以自己定制很多Partner，你把一堂提示词包括你自己公司的提示词放到里面，它就有可能打造你的这批Partner团队。

有一些负责教你，有些负责帮你思考，有些负责帮你去动手，有些负责帮你去建模。慢慢的，一堂的粘性也变好，你们的效率变高，同时也许我们就能拿到下一个时代我们在商业管理领域里面的一张非常大的牌。

这张牌属于一堂，也属于大家。

如果顺利的话，这可能是2026年上半年一堂这家公司主要的任务之一。

先锋官招募计划

稍微预告一下最近两个月的时间。当然我们有可能会在大航海的时候统一做这个项目，但是在大航海之前还有两个月的时间。我除了会主动带我们内部的大概二三十个人尝试以外，我大概想招募100个左右、最最渴望这件事儿、最最有趣、最最想尝鲜的同学。

然后我们来尝试做一次"还没批"——就是我们先不动研发，我们先用已有的工具、用一种比较笨的方法先去搭一个工作流，跟研发出来结果差不多的一个东西。

所以我们大概计划可能招募100个左右先锋官的名额。今天我先稍微预热一下，如果谁要想排个队可以先排一下。

我们来给你们一套类似于Claude的配置工具（不一定最后有可能会调），然后全程是有流程、但是不会给你们开发的结果，然后给你们一些系统提示词、给你一些Partner，然后给你一些官方的东西。然后我们试着教你如何去定制你们自己的TICE团队，然后甚至开放一些Prompt和Data Pack，你们可以自己用。

同时教你养成习惯。同时我们会给你们一个带一堂课程的大模型——类似于有一堂课程的GPT-4，然后大家可以试着调用。你可以自己去试一个有200节课的AI，你可以跟它试试看、找找场景。

然后作为义务，我们肯定不会收钱，但是我们可能会强要求大家每周使用。你们需要有决心切换到这种工作习惯上，至少努力尝试直到最终放弃。摒弃叫"定期打卡"，如果中途不交作业，我们可能就把你踢了。

所以总之吧，作为先锋尝鲜，我们给了大家5个字：不要瞎期待。就是你们要接受失败，你们也接受一堂失败，也接受你们失败——就是尝鲜就奔着失败去的。

我们先率先让一部分同学先来体验一下这个东西大概的样子和内核，而且用一种比较糙的方法、用一种"安慰剂"的方法先做。感受一下这种深度协作跟AI协作，甚至是AI原生的工作方式，让一部分同学先来试着切换一下范式试试看。

如果大家特别想加入、非常非常非常明确的话，可以打一个口令申请。我们可以优先邀请大家。然后我们大概100个名额左右吧，如果顺利的话，我们可能会在下月初某一个会上正式宣讲，所以你们可以先来占个座。我们至少未来会重点邀请。

我们肯定后面要交作业的，不会直接打个口令就直接入围了。大家做好准备，至少可能在一周或隔周交一份作业、交一份你的心得或者使用的过程。我们来尝试收集更多的认知。

然后我可能会把这个项目当成是我官方代表队下一次"一堂大航海——商业突围大航海"的一个我官方下场的项目。我在内部能拉一个团队正式来做这个事。

所以加油。

专家悬赏计划

第二个是给专家准备的。

我们计划伴随着最近两个月可能会发起一个悬赏计划，大概会招募30-50个专家，试着让大家来写一些你们理解的——当然我们会给你们严格的要求和边界——你们来教、你们来做，把一堂课转化成提示词。

然后打磨这个过程，有可能会被收录到原子中心，甚至有可能成为官方的Partner。我们看看专家能释放出多少的一堂的力量。

然后这次我们按照TICE和每一批，准备了奖金池，预设的奖金：大概是一年的大会员、一年的会员、5年的会员，大概就是这个状态。

如果你们真的想挑战专家的话，可以打一个口令。挑战悬赏门槛一定很高，你需要把提示词调完之后，说清楚这个提示词的价值、使用的场景、边界、正向案例，甚至该怎么调、它哪些问题解决不了，尝试把一个东西真正定义清楚。

可以试试看，如果有同学特别想挑战——如何把一堂的课转化成一个完整的Partner的话——可以试试看，挺难的。我们大概需要招募30-50个吧，如果你确定想加入，欢迎申请，我们未来会优先邀请你。后面会给大家正式的申请作业，今天只不过先占个座、至少保留一下通道，回头优先找你。

好，请大家未来两周看好消息，及时提交你们自己的介绍和自己的一些经历。

结语：长期主义与复利思维

最后的最后，还是送给大家一句话吧。

希望大家在这个变化的市场多一些长期主义的筹划和复利的积累。这是我最近送给自己的一句话：

我们不奢求毕其功于一役，但我们极度渴望论持久战式的最终获胜。

我觉得这个心态挺重要的。就是越是变化，可能越需要尽早地去抓到一些确定性。我觉得一堂还是喜欢"论持久战"这个东西——眼下的变化都是要拥抱的，但是我们心里一直在攒牌，攒牌的心态很重要。我心里一定得有些牌，我不能只看眼下的一个月，真的太难受了。

好了，希望大家加油吧。

作业布置

好了，今天的第一个开放作业：你可以自由讲讲你的收获。

第二个是挑战题：就是我今天给大家示范了一个大概的探索的过程，你可以试试看。你可以来挑战一下：找一个你自己重要的场景（越小越好），用今天的思维来建立审美，用Feature打磨提高上限，挑战一下，做一个有用的实践。

这个作业默认公开，如果你们写得好的话，有可能会入围我们的案例库，有可能跟我们交朋友。每次这个作业都会出现很多厉害的同学，加油，欢迎大家写一页纸。

然后这次的福利是给大家准备了5个用得频率比较高的Data Pack，你们只要交了作业就可以把这5个拿走了。欢迎大家认真交作业。

未来预告

最后预告两个事儿：

第一，我们应该会在2月初有两个非常重要的启动会，前后脚。如果有同学错过了或者想参加下一次大航海的话，欢迎大家2月初一定要来启动会，有一些名额可能是限量的，需要稍微抢一下。

下一次大航海的方向是**“商业创业业务突破五步法循环”**——以五步法为主，带上预判、带上业务公式、带上转化率。你可以解决一个预判期的问题、探索期的问题、一人公司的早期问题，也可以解决一个增长期的问题。然后这一次我们会出现非常多有意思的项目和案例。

上半年我们可能会出现一次千人一起做新业务的大航海，大家可以期待一下。

第二，这次我们可能打算会开启一个新的角色，类似于"飞行旁观者"。就是很多同学过去没有机会参与到一些项目的创客里，这次我们可能有些团队可以选择被一些同学围观——即便你没法加入这个团队，你特别喜欢这个项目，你未来也可能要做这种业务，但是你可以一定程度上拿到他们很多决策的过程，你至少可以跟他们学习。

我觉得看这些同学一路做决策、一路证实证伪踩坑，应该也是很好的素材。所以这次我们可能会做一点点各种各样的创新。

最后的感慨

这条路有点难、有点晦涩，但是从长期能力提升来说，它足够足够正确。就是它这条路的确会通向一个比较高的水准。

一堂其实比较喜欢这种相对长一点的、难一点的、相对正确的路——就是它不会走歪，它也不会怎么样，虽然难，但是一个飞轮一旦滚出来会越来越好的路。

对，这节课部分真的有点难。但还是那句话，探索营的目标是引领一部分同学往前走。我们注定会在大家里面看到有些同学表现很好，然后我们再去交朋友，然后再去形成专家，然后一步一步一步最后变成一个不错的东西。

未来我觉得一堂，我想象中如果明年这个时候比较美好的样子，是我们希望更多地帮大家去推动解决问题和执行合一。就是除了以前你们复盘自己学会了用一堂课以外，明年可能可以让数以千计的同学、甚至绝大部分一堂的同学，都可以在一堂我们的工具里稍微配一组你们自己的Partner。

而且它是一定程度上可以自己进化的，然后它会陪着你解决问题。哪怕就是学一堂的课，哪怕就是把一堂课转化成一张卷子，哪怕就是把一堂课转化成一个播客，其实也都有可能慢慢都能做到。就是你们自己去玩就好了，我们尝试上一套机制，它下限足够可靠、上限可以进化就好了。

的确挺难的，所以大家加油。

最终还是要回到业务，最终还是要回到人的判断力和人的能力上。 尤其是现在AI也在快速成熟，很多上一次还挺稀缺的能力，现在都不太重要了。所以还是那句话：刚才很多事能做出来，前提是我得有判断力，我得知道五步法大概在什么档，我得知道AI做得不行。如果没有这个东西的话，真就很难了。

所以还是要把人的成长和AI的做事儿分开，才有机会。

好了，结束了。感谢大家今天的时间，真的不容易。又熬了一节足够难的课，我终于可以稍微缓一下。

希望大家这次如果可以的话，拉满了写一份作业。下周六不见不散，下周六是我们请花总给大家更多地讲一讲内部的一些实操的细节，好多你们可能没有听懂的部分，下周会展开讲更多的细节和实操的部分。

感谢大家今天的时间，我们江湖再见，很快会再遇到。

拜拜。

核心价值主张

在变化非常快的世界里，找到10年稳定的体系，用确定性一点点垒出最终的获胜。