产品经理的日常

培根说，知识的拥有者有三种——

第一种是蚂蚁。他们从世界各地搜集信息，堆成一座巨大的土丘，然后坐在堆顶。如果他的蚁丘最大、知识堆最大，他就为之自豪。但他做的全部事情，就是占有它。那是一座漂亮的图书馆，却什么也产不出来。

第二种是蜘蛛。他们吐出精致的丝网——美丽、繁复、合乎逻辑的理论体系。你赞叹它们，很容易被它们迷住、缠住。但里面没有任何真实的东西，全都只是从蜘蛛自己身体里吐出来。

第三种是蜜蜂。他们从自然的果实中采集，再通过自己生命这一器官加工所采之物，产出一种对世界来说既甜美又有用的东西。

你是哪种昆虫？

vibe coding小白，codex出来的产品很丑，要自己先去用比如figma make画个原型嘛？

有没有vibe coding大佬指点一下🫶🏻

当执行不是问题时，定义问题的能力就成了新竞争力

做产品经理的朋友们，推荐你们都去装一下这个skill，名字叫 lenny-skills。

这个skill，涵盖了86 个资深PM技能，都是从 Lenny's Podcast 的访谈里蒸馏出来。

Lenny's Podcast 如果你没听过，可以去搜一下，它是英文产品圈里最有影响力的播客之一。

这个项目，把 100 多期播客里的内容，整理成 86 个 Skill 文件，每个文件对应一个产品工作场景，然后放进 Claude Code 的 .claude/skills/ 目录里。

我装上去试了一周，说一下我的真实感受。

1
我第一个用的是 writing-prds 这个技能。

我们团队在做一个新功能，大概方向清楚了。

装了 writing-prds 这个技能之后，我重新跟 Claude 对话，说我在做什么、目标用户是谁、想解决什么问题。

Claude 问我的第一个问题是：你现在写这份 PRD，最主要的读者是谁，他们读完之后需要做出什么决定？

我的 PRD 是写给工程师看的、还是给 stakeholder 看的、还是给自己理清思路用的，这三件事对应的写法其实完全不一样。

之后 Claude 给我的建议开始变得不一样了。

它不是在帮我填框架，而是在帮我想清楚一些更根本的东西：这个问题值得现在解决吗、我们真的理解用户痛点还是在假设、成功的标准是什么以及我们有没有能力衡量它。

2
还有competitive-analysis 这个技能。

当时我在研究一个竞品，想搞清楚我们跟它的差距在哪、对方的定位是什么、我们有没有机会。

用 competitive-analysis 技能之后，Claude 先问了我几个问题，有一个是：你现在做这个竞品分析，是要做出什么决定，还是要说服谁？

我当时随口说，是给团队做方向判断用的。

Claude 接下来说的一句话我印象很深：竞品分析最常见的错误，是把描述当成了分析。知道对方有什么功能是描述，但知道他们为什么这么做、这么做意味着什么、我们应该如何回应，才是分析。

然后它引导我沿着这个方向去想：竞品的用户是谁、他们选择竞品的真实原因是什么、对方在哪些地方有结构性优势而不只是暂时领先、我们能差异化的空间在哪里。

3
说实话，如果你是一个经验很丰富的 PM，在某些场景下你可能觉得这东西给出来的框架你早就知道。

但即便是这样，我觉得它的价值可能在另一个地方：帮你快速组织思路，帮你在对话里逼出一些你知道但没有认真想过的东西。

对于刚进入产品岗位不久的人，或者像我这样产品经验不是特别深、但经常需要做产品决策的人，它的价值会更直接。它不会让你跳过学习的过程，但它会在你需要的那个具体时刻，帮你用上一些你原本不知道的思考方式。

有一类人可能最适合：就是那些在小团队里、一个人当多个角色用的创业者或独立开发者。

既要做产品、又要写文案、又要想增长，什么都得懂一点但什么都不够深。这种情况下，能在需要的时候快速调用一个经过验证的框架，是很实用的事情。

在最开始使用 AI 的时候，其实我很担心自己会因为 AI 太好用而变懒。

老实说，变懒倒是没有。但也不完全是原来那个意义上的勤快了。

变化是悄悄发生的。最开始用 AI 就是简单当搜索引擎升级版，后来是写东西的草稿纸，再后来是帮我做 iOS 开发的搭档。

现在有时候我打开它，说的第一句话是：我在想一件事，你帮我理理。

其实这里有一个很重要的关键转变：从帮我做到帮我想。

我是汉语言文学出身，写东西一直是我觉得属于自己的事。所以最早我对 AI 写作是有一点防御的，生怕用多了，自己的表达就钝了。

现在这个担心基本消失了。AI 能顺着你说，但它提不出让你皱眉头的问题。那种等等这里逻辑不对的摩擦感，还是得自己经历。写作的核心是做判断，这个没被替代。

开发上感受更直接。我不是科班程序员，以前做 App 卡在技术细节上会有一种很具体的无力感。现在这个卡顿明显少了。它让我能更快进入真正需要判断的部分：这个功能值不值得做，用户体验对不对，架构上会不会留坑。

开发者最贵的资源是时间和注意力，这方面它实实在在帮了我。

当然也有用得不怎么好的时候。有阵子我把什么都扔给它，连这件事我自己怎么看都懒得先想清楚。产出很快，但总觉得差点意思。像是别人替我说的话。后来我意识到，AI 输出的质量上限，其实卡在你输入时的思考深度。

你想得模糊，它就给你漂亮的模糊。

如果你也在摸索怎么用好它，这三件事我觉得值得试试。

一，把它当一个不会走神的在场者。AI 不会打断你，不会分心，不会觉得你在绕圈子。我现在遇到想不清楚的事，直接开一个对话，像自言自语一样往里说，说着说着自己就清楚了。它在不在都行，但它在让我说得更完整，表达更精确。

二，用它做你不敢开始的事。我以前不写代码，不是不想，是不知道第一步咋干。现在的做法是把想要的结果描述清楚，让它带我走第一步。很多事卡住不是因为难，是因为入口不知道在哪，这个它特别擅长解决。

三，把重要的判断过程存进对话里。AI 会帮你记住上下文，这个能力经常被低估。我做一个决定之前，会把来龙去脉都说给它听，让它帮我整理一遍。这样两周后回头看，能看到自己当时怎么想的，比任何笔记都清楚。

AI 它已经不是工具这个词能描述的东西了。更像是一种工作介质，在我和我要做的事情之间，帮我少走一些弯路。但弯路本身，该走的还是要走。

而有一件事是非常确定的：我已经完全没有办法回到没有 AI 的生活。

你呢？

艾伦研究所的知名研究员 Nathan Lambert，前两天来北京和我们熟知的国内 AI 公司聊了一圈，包括月之暗面、智谱、字节、阿里、美团、小米等等。

聊完之后，他写了一篇文章做总结。我觉得这篇挺有意思的，因为 Nathan 本身对硅谷非常熟，这次相当于带着硅谷的视角来看我们中国的 AI 实验室是怎么运作的，以及他看到了哪些不一样的地方。

文章我看完了，写一些自己的笔记。

1、DeepSeek 被所有人公认为技术品味和执行力最好，是技术方向上的引领者，但在商业上并不是引领者。

反过来，像字节、阿里这种巨头，被视为真正能够把大模型吃进整个业务体系、最终兑现成大规模市场份额的那批公司。

2、字节是各大中国 AI 实验室最重视的竞争对手，因为他们思路清晰，而且战斗力极强。

一个可以印证侧面是，在开放权重已经成主流气质的中国 AI 圈子里，字节是少数坚持走 OpenAI 这条闭源路线的公司，同时，目前他们的豆包应用地位相当于中国的ChatGPT。

3、美团、蚂蚁、小米这些公司为什么自己做大模型？国外Uber、Airbnb 这批公司也没做自己的模型，用的时候买别人的就行了。

但在这些中国公司眼里，LLM 是未来产品的核心底座，如果完全依赖外部模型，等于把自己最关键的那一层放在别人手里，被掣肘只是时间问题。所以宁可自己花大力气训一个通用模型，把这块底座攥在自己手里。

4、中国开发者几乎都被 Claude 圈粉了。Nathan 说，很多一线开发者描述日常写代码时，都主动提到 Claude，承认它改变了自己的开发方式，哪怕它在中国并不能正式落地。

少数人会提到自己在用 Kimi 或者智谱的命令行工具，但被问到真正高频依赖的助手时，几乎都会说回 Claude。在湾区很火的 Codex，在中国被提到的频率反而没有那么高。

5、中国的 LLM 社区更像一个生态，而不是彼此敌对。Nathan 和多家实验室私下交流后，发现他们谈到同行时，几乎都是尊重和欣赏，很少有火药味。而在硅谷，私下聊起其他实验室，话锋会很快变得尖锐。

6、中国大模型团队的整体气质和美国不一样。表面上看，大家都是搞大模型、RL、Agent，用的技术栈差不多，但在组织方式和人本身的气质上，中国这边更像一支全栈工程队。

研究员普遍愿意做琐碎、不出彩的脏活累活，愿意为了整体模型效果搁置自己的方案，不太追求个人署名和明星科学家身份。

这种弱 ego 的文化，在那种需要各个模块严丝合缝配合的大工程里，反而更适配。Llama 团队据说就是被相反的那种文化拖垮的，一群顶尖研究员都想让自己的方案进最终模型，互相博弈。

7、中国顶级实验室里，学生的比例非常高，而且是直接参与主战场的大模型研发，不是被边缘化的实习。和美国的 OpenAI、Anthropic、Cursor 这些几乎不开放相关实习形成鲜明对比。

Google 名义上有 Gemini 实习，但大家普遍担心实习内容被隔离在核心工作之外。

学生的优势是对旧时代 AI 范式没有太多包袱，能很快把上一套观念清空，重新学习。同时他们极度习惯在巨量论文和内部技术细节中速成，把复杂栈啃下来，进组之后就愿意把人生阶段压在这件事上。

8、中国研究员对宏大的 AI 叙事兴趣不高。Nathan 在和不少一线研究员聊天时，发现他们一提到经济结构变化、社会风险、AI 道德这些问题，往往会有明显的停顿和困惑，像是被问了一个和日常工作无关的问题。

很多人会直接表达，自己的角色就是把模型做好，而不是对社会怎么变发表观点。有位研究员还引用了 Dan Wang 的说法，中国是工程师在掌舵，美国是律师在掌舵。

Nathan 也观察到，中国并没有 Dwarkesh、Lex Fridman 这种能系统性把科学家捧成明星的播客生态。这种习惯既和个人性格有关，也深受教育和制度环境的塑造，他们在一个不鼓励公开争论社会议题的系统里长大，并且在里面取得了成功。

9、北京的 AI 圈子整体很像湾区版的紧凑硅谷。从机场下飞机，可以顺路去阿里北京园区，坐几趟滴滴，在三十六小时之内走完智谱、月之暗面、清华、美团、小米、零一万物等一长串机构。

整座城市里，打车过去就是一个新的实验室。选大一点的车型，常见是带按摩椅的电动小面包。这种空间上的密集分布，让不同实验室之间的交流成本被压得很低，研究员之间的流动也变得非常频繁。

10、中国研究员普遍更偏工程视角，对融资、产业格局、资本叙事这些话题兴趣没那么高。Nathan 在硅谷习惯了另一种氛围，研究员对外部环境的敏感度非常高，融资、算力、数据生态、行业风向，几乎每个人都在认真琢磨自己所在公司的位置和外部环境的关系。

因为今天做 AI 已经不是关起门来搞工程奇迹那种事了，模型公司同时是一个综合体，要建模、要部署、要融资、要拉生态，外面的每一根线都会反过来影响里面的研究节奏。

但中国研究员明显不在这个频道上。Nathan 问到行业生态、融资、算力供应、数据产业这些话题，得到的反应常常是耸耸肩，说那不是我的问题，我的事就是把模型做好。

11、中国企业对 AI 的花钱习惯，更接近云，而不是 SaaS。外界常说中国企业不愿意为软件买单，所以本土 AI 市场会偏小。但 Nathan 和多位从业者聊完后，感受到的现实是，虽然传统 SaaS 市场确实不大，但云服务在中国是个大生意。

关键问题变成，企业为 AI 付费，最终会更像买 SaaS，还是更像买云基础设施。从目前各家公司的实际讨论和规划来看，大家普遍不太担心企业侧的 AI 支出，倾向认为它会挂在更刚性的基础设施那一侧。

12、中国的数据产业在 RL 和高质量任务环境上明显不如美国成熟。和 OpenAI、Anthropic 那种可以为单个 RL 环境花上千万美元、一年累计几亿美金的玩法相比，中国团队的普遍反馈是，本土数据服务供应商不是没有，但质量参差不齐，很难直接买到能用的内容。

于是就形成了一种很中国式的解决办法，很多 RL 场景、评测环境干脆自己搭，研究员本人要花大量时间设计任务、构建环境。字节、阿里这种大公司，也会养起自己庞大的标注团队，在公司内部自给自足。

13、算力是所有中国实验室的共同痛点。无论走到哪家，大家对高质量英伟达 GPU 的需求都是一个词，不够用。如果供应允许，他们会毫不犹豫地继续加仓。

国产加速卡在推理侧评价还可以，已经被不少公司部署到在线服务里，华为芯片在很多实验室都有落地。但在大规模训练上，英伟达依然是黄金标准，国产方案更多是辅助补位。

14、在开放程度和生态态度上，中国实验室显得既务实又有整体视角。Nathan 几乎问遍了所有头部团队，为什么会在这样的环境下持续开放自家最强模型。他自己坦言，把所有权心态和真实的生态支持这两件事联系起来，他还没完全想明白。

但从对话里，他归纳出几个共同的现实诉求，通过开放权重，快速让更多开发者参与打磨，发现缺陷；通过回馈开源社区，获得技术和口碑上的正循环；同时在内部保留更定制、更私密的模型版本服务自家业务。整体表现出来的，是一种既不绝对开源、也不一味封闭的中间态。

15、中国实验室对英伟达芯片的渴求是压倒性的。Nathan 走访下来，所有人现在的进展都卡在同一件事上，就是英伟达的卡不够用。

如果能买到，毫无疑问会继续加仓。

这里他特意点出来一个区分，英伟达是训练这一侧的黄金标准，没有替代品。但在推理这一侧，画风就完全不一样了。包括华为在内的国产加速卡，评价都是正面的，不是凑合用，是真的能打。

Nathan 说他遇到的实验室里，无数家都已经能拿到华为芯片，供给这边不是问题。所以中国实验室现在的真实状态是一个两层结构，训练咬牙抢英伟达，推理大方用国产卡，分得很清楚。

DeepSeek招聘agent产品经理啦，HC多多！
模型策略产品经理 Agent方向
职责描述：
a. Agent场景定义与策略闭环
洞察高价值Agent应用场景——个人助理（如OpenClaw式的生活/工作Agent）、Deep Research、自动化工作流、多模态设备控制等——定义模型能力需求与产品策略，主导Agent评测体系及训练数据方案的设计，以数据驱动持续迭代模型表现与用户体验。
b. 技术判断力与竞品洞察
熟悉Agent核心机制（Tool Use、Planning、长期记忆、Multi-Agent协作等）；持续跟踪行业前沿，熟悉并深度使用过Claude Code、OpenClaw、Manus等知名agent；对主流Benchmark及真实用户场景下的能力瓶颈有体系化认知，能将竞品观察转化为可落地的模型优化方向。
c. 问题拆解与跨团队推进
将模糊的场景痛点（如Agent跨session记忆连续性、多工具调度可靠性、个性化偏好建模等）拆解为明确的模型能力Gap、数据构造方案和评测指标，协同研发与数据团队推进落地，确保从策略到上线的完整闭环。

HC多多，实习/全职都可以，实习需on-site半年以上，一周到岗四天，base北京/杭州，简历投递地址：zy.wu@deepseek.com

#字节离职加入创业团队第3周

已经很久没这么纯粹地做 PM 了：不用准备一周3/4次的周会文档+开会反复同步，不用带 juniors —— 就安安静静做好 PM 应该做的：用户调研，分析数据，看竞品，和研发/设计频繁聊想法和进展，用+debug Claude 等 AI 工具。

想起自己离职前，写交接文档时才第一次有点震惊到：周一小组周会、周二产品线周会、周三大业务双周会、周四大部门双周会、周四晚还有 Agent 周会，周四 + 周五2家外部代理周会... 每个会都要写周报、会后 follow up 结论和推动 todo，有很多隐藏的时间成本。

如果定位是 POC，还要花时间带+教 juniors，每个人安排什么事情、怎么给反馈、遇到问题和卡点，都需要投入时间。当人数增加，投入时间还要翻 x 倍。

这两块事情在新团队减少很多，所以能更专注做产品了。

做产品需要有判断，判断形成前，需要有信息输入和想法灵感。思路无非那么几个：自己用、看用户反馈、分析数据、做竞品调研、看行业变化。

这周最有收获的是做竞品分析，好的调研来自一手体验、AI 很难给。刚开始为了提效，用 Claude 做。收集的信息看似很多，但当自己深入用时，就发现信息大多比较浅层、且时效性未必高。

一开始有点费劲：产品我没那么熟，还要看大量竞品，第一天觉得有些 lost 紧张不多。但第二天忽然进入状态：熟悉 + 拎出来几个关键维度，更有目的和针对性，就很容易发现差距。

看竞品我主要分几个维度：产品交互、效果评估、定价策略。以往做产品看1多，做 AI 产品后 1+2 一起看，但来这里后发现付费策略必须考虑。大量看、多用多体验，逐渐就会形成 sense 和判断。

这周很惊喜有「灵感时刻」 —— 想到一个功能点竞品没做（后来发现1家有类似的）且对用户大概率有用！灵感来源于场景联想和迁移，Notion 始终能给人很多启发：它优雅、简洁、Lego for software 的理念经常浮现在脑海。另外，也观察到自己始终会被一种思维习惯牵引 —— be different、差异化，我不喜欢同质的东西。

做的第一个大项目有点大，大家对它的时间预期很高，我也在适应「做减法」让自己节奏更快。过往写 PRD 习惯做很多准备，等全部 ready、确保方案不大改后再进开发（且字节对 PM 要求也如此）。

现在我发现，为了更快，思路和做事方式要变化。有些功能不需要大量论证，有些方案不用预期一下想得非常完整，研发可以和产品一起调研，设计在 PRD 定稿前就启动 exploration，甚至没有所谓的“定稿” —— 字节做需求的流程固然规范，但追求标准化背后的也会牺牲一些灵活性和速度。

沉浸研究产品有踏实做事的快乐。

最近在做产品的过程中慢慢看清楚一个问题：如果说移动互联网时代的本质是“连接”，那 Agent 时代的产品本质是什么？

只说“移动互联网是连接”其实还不够。因为真正改变产业的，不是一个抽象概念，而是一整套底层基础设施成熟后，催生出来的新产品范式。

PC 互联网时代，人主要是坐在电脑前上网，行为是搜索、浏览、下载、发帖。到了移动互联网时代，智能手机、4G、GPS、摄像头、移动支付、App Store、推送通知、社交关系链一起成熟，产品的构建方式就变了。

手机让人随时随地在线。
GPS 让位置成为实时变量。
摄像头让拍照、扫码、短视频成为低摩擦输入。
移动支付让交易闭环瞬间完成。
推送和社交关系链让产品可以持续触达和传播。
推荐算法让内容和商品可以被大规模分发。

所以移动互联网的“连接”不是简单把人和人、人和商品、人和内容连起来，而是形成了一套完整模式：

先捕捉用户的实时状态和意图，再把合适的人、内容、商品或服务匹配给他，最后通过支付、履约、评价、复购形成闭环。

微信不是简单通讯录，而是人与人的实时连接网络。
淘宝不是简单网上货架，而是人与商品的搜索、推荐、交易网络。
抖音不是简单视频播放器，而是人与内容的算法分发网络。
美团、滴滴也不是简单信息平台，而是基于位置、供需和履约能力的服务连接网络。

这就是移动互联网的产业范式：连接 + 匹配 + 分发 + 交易/履约闭环。

那 Agent 时代呢？

我觉得 Agent 时代的核心不只是“理解与执行”。理解和执行只是结果，背后也会形成一整套新的产品构建模式。

这套模式至少包括几个关键能力：

第一，持续采集上下文。
不再只靠用户主动输入表单，而是通过文件、图片、语音、日历、浏览记录、位置、设备、历史行为等方式，低摩擦地理解用户所处的真实情境。

第二，形成长期记忆。
产品不只是完成一次任务，而是记住用户的偏好、历史选择、失败经验、常用规则和生活习惯。越用越懂你，是 Agent 产品和传统工具最大的差别之一。

第三，理解模糊意图。
用户不需要把需求拆成标准流程。很多时候他说的是一句很模糊的话，比如“下周出差，帮我准备得体一点但别太正式”。Agent 要能理解背后的场景、约束和偏好。

第四，调用工具完成任务。
Agent 不能只停留在对话里。它要能调用搜索、日历、邮件、地图、电商、支付、文档、企业系统等工具，把想法变成动作。

第五，管理执行过程。
真正有价值的 Agent 不是一次性回答，而是能拆解任务、规划步骤、处理中间异常、向用户请求确认，并在关键节点保留控制权。

第六，沉淀反馈，优化下次执行。
每一次任务完成后，用户的选择、修改和反馈都应该进入记忆系统，让下一次更准确。

所以 Agent 时代的产品范式可能是：

上下文采集 → 记忆沉淀 → 意图理解 → 任务规划 → 工具调用 → 执行确认 → 反馈学习。

这和移动互联网时代很不一样。

移动互联网产品的核心页面往往是列表、Feed、搜索框、详情页、交易按钮。
Agent 产品的核心结构可能不是页面，而是一个围绕任务运转的智能系统。

举一个衣橱产品的例子。

移动互联网时代的衣橱 App，通常会怎么做？
用户手动录入衣服，上传穿搭照片，浏览穿搭内容，收藏单品，跳转购买。它本质上还是“人与内容”“人与商品”“人与服务”的连接。

但 Agent 时代的衣橱产品应该不一样。

它要知道你衣柜里有哪些衣服，哪些常穿，哪些很久没穿；它要理解你的风格偏好、场合需求、天气、行程、洗护状态；它要记得你上次说某条裤子显胖，某件外套开会穿很合适；它还要能在你说“周末去杭州，两天一夜，想轻松但拍照好看”时，自动给出搭配、行李清单、缺失单品建议，甚至帮你判断是否需要洗衣、购买或替换。

这时它就不是一个“穿搭内容社区”，也不是一个“衣服库存工具”，而是一个私人衣橱 Agent。

它的价值不是连接你和更多穿搭内容，而是理解你的衣橱、你的场景和你的偏好，并参与完成“今天穿什么”“出差带什么”“缺什么要买”这些真实任务。

这也是我认为 Agent 产品会成立的原因。

上一代产品把世界连接到人面前。
下一代产品会把人的上下文理解下来，并替人推进任务。

移动互联网解决的是：你要什么，我帮你找到。
Agent 时代解决的是：你想做什么，我理解之后帮你完成，并且下次做得更像你。

用这个方法来实现团队内 skills 共享，可实现，几乎无额外成本，而且不难，使用飞书文档也是类似操作