在看曾鸣老师的书，里面提到

"过去企业争夺的是商品入口——谁的货架最显眼，谁的搜索排名更靠前，谁的推荐位更精准；未来企业争夺的则是谁最先进入用户任务形成的那一刻。因为谁先进入任务起点，谁就拥有定义解决路径的权力。这是一个比流量入口更深层次的入口"

那如果从这个角度思考，虽然现在 OpenAI 在市场上的认可度暂时不如 Claude，但是别忘了 ChatGPT 依然占据着绝大多数 C 端用户的 AI 推荐入口，

互联网、移动互联网的商业模式就这么几种：广告、电商、游戏/音视频/直播打赏、金融（贷款），美国多了云服务和 SaaS 两种

C 端付费订阅这个模式暂时没有跑通，但说到底付费订阅也不过是 Sass 应用衍生出来的一种商业模式，未来 AI 时代大概率会有其他商业模式衍生出来，

而占据了这个用户任务入口的 OpenAI 至少占据了 3 大商业优势:
- 定义方案的权利，同一个目标可以通过不同方式实现，但对于绝大多数用户来说， AI 推荐的便是那个答案 这个存在替代广告的空间
- 组织供给的权利，决定调用哪些工具、接入哪些服务，以及怎样把它们组合起来 这个存在替代 App Store 做应用分发的可能性
- 分配交易机会的权利，用户接受方案后， AI 再来决定哪些商家获得订单和合作 这个可以替代金融管道

当然 以上只是个人浅薄理解 AI 时代才刚刚开始，仅此记录以待后续观察

做套壳通用型产品的红利期逐渐褪去，下一步该思考的是如何做围绕可验证的业务结果交付的产品，

比如过去一两年再广告领域创业的 AI 公司产品，很多是通过 AI 生图和 AI 视频技术自动生成广告素材，但从商业角度来看，这是一个局部、单点的任务，从技术角度来看，可能只是一些工作流、Propmt 的组合，也没有所谓的技术壁垒

这样的产品可以帮客户提高效率，吃到红利、但最终会涌现很多竞品 竞争激烈 难以形成所谓的产品壁垒

但假如迭代成去做能承诺对广告效果负责的产品，那又是另外一回事儿了，

而 AI 时代的结果交付注定不会是依赖专人服务那种， 要实现规模化交付，就需要把更多重复执行交给 AI，卡点不在于人，而在于一个好的 AI Agent 网络，

但 AI 一开始是区分不了效果好坏的，是需要不断训练的，其关键就在于建立起"执行-结果-反馈"的闭环系统，积累用户数据、积累广告结果数据，然后根据数据反馈再交付 AI 去迭代进化 形成复利飞轮 而这也将会是最大的产品壁垒

用户只表达目标，不需要自己找工具、配置和组合资源，在这个前提下，未来平台的核心竞争力是不是就变成了谁更理解用户、谁能更可靠地完成任务？

更理解用户 意味着你要有用户上下文的积累 这个积累越深 用户越离不开你 比如我现在离不开 GPT 的原因就是持续使用积累的上下文历史 ，模型能力可以一直迭代 但是独属于自己的上下文是很难迁移被替代的，

更可靠的完成任务，一个是依赖底层大模型的能力，一个是和外部资源的打通互联，以及对于隐私、安全边界的保障

现在大模型的能力竞争已经白热化了，那么后两者是否存在机会？比如做 Agent 时代的互联网协议？企业私有模型的部署落地？

用户反复使用，新的循环开始了 能力 -> 任务 -> 更高质量的反馈 -> 更强的能力 -> 更多任务，

这种任务执行迭代持续积累的委托关系，在模型能力已经足够的基础上，感觉会很快进入正向飞轮阶段，进入智能复利的阶段， 形成平台的壁垒，现在大火的 personal Agent 比如 Muse、dots 某种程度上来看都是在抢占这一生态位

从 how123 作为网站的入口 再到搜索引擎 Google、baidu 的崛起，

一开始网站类型和数量都不多，门户网站聚合那些高频需求网站 作为入口方便用户，

再到网站数量井喷式发展，货架式查看已经无法满足用户，转而走向理解用户意图通过搜索展现，搜索引擎开始走上舞台，当然其对应的搜索广告这种商业模式作为商业闭环也是不可或缺的一部分

现在类似 workbuddy 这种我理解还是货架式展现，还是需要用户主动去配置集成 ，

AI 的辅助会降低集成的难度 但有没有可能用户就不需要任何主动干预 AI 会主动去理解用户意图自动吸附各种互补的资源？

解答一个题目核心在于构思一个解题方案的思路，

这个思路可能是逐渐形成的，或者在明显不成功的实验和一段时期的犹豫不决之后，会刹那间闪现出一个"好主意"

错误的归因会导致我们思考回答问题的时候停留在表面，

一是，把现象当作原因。例如“客户不买，是因为产品没有吸引力”。“没有吸引力”如果只是指“客户不愿买”，那么这句话还没解释任何东西。究竟是价格、信任、需求不匹配，还是客户根本没看懂？这些才让我们开始接近具体原因

二是，把最显眼的因素当作决定因素。例如“文章阅读量低，是因为文笔不好”。文笔最容易被拿来讨论，但文章可能根本没有获得曝光。若读者还没看到文章，反复润色就未必能解决当前的问题，

这会形成一种很容易陷进去的循环：
先认定原因 → 只关注支持它的信息 → 围绕它采取行动 → 行动无效时，认为力度还不够

还是拿做产品来举例，花两周做了个工具产品，发现很少人使用，

于是你觉得是功能还不够完善，继续花了一个月打磨，没人用 → 功能不够 → 加功能 → 仍然没人用 → 功能还不够，

一直在回答“还要做什么功能”，却没有验证“用户为什么需要这个工具、为什么没有继续用”

这也是我这一年来自己做产品感触颇深的一点了

怎么把页面做得好看，这些可以用 AI 生图，AI 做 UI，再加上各种 Design Skills 但都是表层

跟我的 AI 来来回回切磋了 N 多个回合，然后他给了我这么一个答案，

"在开始做产品之前， 我不会先画首页，不是 Design System 而是先去想想自己这个产品的 Brand Bible"

耳目一新，第一次听 Brand Bible 这个词，待我去切磋实践一番

做事情应该和用好 /goal 一样，

定义清楚问题，任务目标，然后围绕目标猛猛干，

开多个窗口的目的也是为了完成 goal,

而不是东一棒槌西一棒槌 为了用 token 而用，为了看似充实而忙碌，不要骗自己

从 2025 年到现在 2026 年 6 月份 ， AI 在长程任务的执行上逐渐成为模型的一个能力考验标准，也衍生出类似 Harness 这样的概念，

理想的场景是，我们写完需求文档和验收标准后，然后让 AI 自己执行、自己优化、直到完成全部验收标准，当它宣布“完成”的时候，我们进行验收，发现完完全全就是我们想要的，

但是说起来简单，真正要达到这个目标是极难的，

一方面是模型的底层能力限制，gpt 5.5 和 claude opus 4.6 出来后，我觉得这个倒不再是关键问题了，

那么最终的问题就来到了，你让 AI 去执行某个任务的时候，你得先定义清楚这个任务，

那么元问题就是，什么叫定义清楚呢？

比如你没有技术基础，不懂单元测试、集成测试或压力测试，你给出的验收标准就会是模糊的“感觉好用",

比如，如果你不懂交互设计，那么就只能模糊的描述，"我希望做出世界顶尖的设计，流畅的交互体验" 类似种种

谈谈自己最近的思考, 我理解的定义清楚可能需要满足两个条件：剩余自由度的无差异性 + 完成状态的可判定性，怎么理解呢，

首先，我觉得任何定义都不可能穷尽所有决策，定义不清楚会跑偏，过度定义同样也不行，很可能会剥夺了 AI 找到更优解的空间，剩余自由度的无差异性，就是确保所有"我们在乎"的维度都被约束住，剩下没约束的，它怎么选都能接受，

再说完成状态的可判定性，这里又得分三层，
1. 机器可判，测试、类型、benchmark
2. 规则可判，LLM-as-judge + 带锚定样例的评分规则——样例远比形容词重要，"克制的广告"写十遍不如三个好例三个坏例，因为样例携带隐性效用函数，
3. 人的最终判断，我们自己独有的风格，品味

一些自己目前的实操是：
1. 使用类似 Superpowers 和 Matt Pocock 的 grill-with-docs 这种脚手架标准，不要急着写代码，开始执行任务前反复讨论，几分钟对抗性问答，比后面改 bug 更省心

2. 产出的 Spec 文档，开独立的 agent 去审核，我现在是在 claude 里接入了 codex ，两边 battle，效果挺好

3. AI 执行成本已经很低了，我自己又没搞过设计，所以我现在是直接让 AI 生成多个交互原型，我再来挑，人识别好坏的能力远强于表述好坏的能力，用选择表达品味远强于我模糊的需求描述

5. 试试 claude 新出的 workflow，很大程度上解决了因为模型的上下文窗口有限和记忆问题，导致的长程复杂执行任务时，无法按照 spec 标准文档来执行的问题，就是有点耗 token 不能常规使用。这个后面再研究一下

和 AI 交互协作的过程中，你如果说我认为 xxx，很多时候 AI 会迎合你给出答案，

诚然，如果这是在你经验丰富的领域，你有自己的判断在，那么好的骑士配上好的千里马，可以帮助你在这个战场更加勇猛驰骋，大杀四方，

但于我自己体感而言，绝大多数，甚至可以说 99% 的领域，我自以为积累的知识经验都只是大模型预训练过程的一小部分语料，

所以现在，我和 AI 沟通，承认自己不懂，质疑自己，抛出问题，让 AI 自己带着问题去思考，反而经常能给我带来一点小惊喜