即刻App年轻人的同好社区
下载
和实习生做了一轮长谈，她表示不管她做什么尝试肯定都做的不如AI，为什么不能用AI交付呢？AI可能更能让我满意。AI声称这个方案是“排列组合了四万多种，从中选出最好的”，她人工又没办法穷举所有方案。所以干脆放弃，也不怀疑AI是否有幻觉，或者为了省token根本没有排列组合四万多种方案，或者再让AI跑一次又是另一种结果。
我和leader让她加入自己的思考，她觉得结果已经很好了，她再怎么思考只是把这个故事讲得更好而已。
好像我们最大的区别是对AI的态度。有工作经验的人会把AI当做自己的增强和辅助。但对于初入职场的新人，AI就是他们不可推翻的标准，完全无法逾越，也不能质疑。
但如果真是这样，我还需要她做什么呢？
我和leader让她加入自己的思考，她觉得结果已经很好了，她再怎么思考只是把这个故事讲得更好而已。
好像我们最大的区别是对AI的态度。有工作经验的人会把AI当做自己的增强和辅助。但对于初入职场的新人，AI就是他们不可推翻的标准，完全无法逾越，也不能质疑。
但如果真是这样，我还需要她做什么呢？
南淮说书人: 最近在带的实习生，大学起就习惯凡事找AI，拿到的结果也很少核对，一问就理所当然：“AI说这个最好。”也给过她思路，转头就放弃了，说往前试了一点就跑不通了，还是用了AI的方案。 开始我觉得是不认真，聊了几次发现还真不是态度问题。他们还没来得及从那些重复的、琐碎的基础工作里一点一点长出手感和经验，这些活就被AI取代了。地基没打，直接空中盖楼，自己也没信心，更喜欢用AI反复润色包装。 而我们这些带人的，也越来越失去耐心。赶进度的时候，我+AI一两个小时就能搞定，谁还愿意花一星期手把手教？ 这样下去，他们变成了AI的传声筒，没有能力去质疑AI。因为没经验就看不出好坏，没被鼓励过就不敢说“我觉得AI说的不对”，下一次依旧会战战兢兢地交出AI给的东西，一问三不知。
3 100
最近在带的实习生，大学起就习惯凡事找AI，拿到的结果也很少核对，一问就理所当然：“AI说这个最好。”也给过她思路，转头就放弃了，说往前试了一点就跑不通了，还是用了AI的方案。
开始我觉得是不认真，聊了几次发现还真不是态度问题。他们还没来得及从那些重复的、琐碎的基础工作里一点一点长出手感和经验，这些活就被AI取代了。地基没打，直接空中盖楼，自己也没信心，更喜欢用AI反复润色包装。
而我们这些带人的，也越来越失去耐心。赶进度的时候，我+AI一两个小时就能搞定，谁还愿意花一星期手把手教？
这样下去，他们变成了AI的传声筒，没有能力去质疑AI。因为没经验就看不出好坏，没被鼓励过就不敢说“我觉得AI说的不对”，下一次依旧会战战兢兢地交出AI给的东西，一问三不知。
开始我觉得是不认真，聊了几次发现还真不是态度问题。他们还没来得及从那些重复的、琐碎的基础工作里一点一点长出手感和经验，这些活就被AI取代了。地基没打，直接空中盖楼，自己也没信心，更喜欢用AI反复润色包装。
而我们这些带人的，也越来越失去耐心。赶进度的时候，我+AI一两个小时就能搞定，谁还愿意花一星期手把手教？
这样下去，他们变成了AI的传声筒，没有能力去质疑AI。因为没经验就看不出好坏，没被鼓励过就不敢说“我觉得AI说的不对”，下一次依旧会战战兢兢地交出AI给的东西，一问三不知。
35 24
最近在带零经验的实习生，倒逼我把之前 “感觉对”但死活说不清的那些经验得说清楚。
第一个最直观的感受：以前产品行业卷 product sense，现在大家张口闭口聊大模型产品经理要有 taste。一开始我还觉得挺虚的，整这些玄乎的词干嘛。但其实 taste 根本不是什么玄学，是实打实的硬功夫，核心就是你能不能把 “这个回答好不好”的模糊直觉，拆成一套能反复用的评估标准。天天泡在模型优化和实验指标里，反而比专职做模型评估的产品更能快速摸透“这模型到底好不好用”。
OpenAI 天天在强调写 eval，Anthropic 面试直接让候选人上手改 prompt，本质都是同一件事：把个人直觉变成可复用的标准。
而判断力这东西，真的是靠堆量慢慢磨出来的。每周高强度看实验，拆指标，对比 case，久了自然就能分清楚：哪些是指标涨了但体验一点没改善的虚假繁荣，哪些评测分没动但用户就是更喜欢了，还有哪些模型数理能力提上去了，但给人的感觉反而更疏远了。
最后是带新人之后最实在的感悟：对于零经验的新人，真的不存在 “先做好传统 PM 再转行 AI”这条过渡路径。写 eval，看case，摸透模型的行为逻辑，抓准用户的真实偏好，这些才是核心功夫。甚至反过来讲，PRD，画原型这些PM传统技能在大模型时代反而是最没门槛的事。生产力爆炸之后，真正稀缺的就只剩下品味。
给没经验新人的建议也特别简单，刷一刷 Karpathy 的 YouTube，看看 Andrew Ng 的入门课把基础框架搭起来，剩下的就是等看过足够多真实模型的输出，做过很多次对比分析后，慢慢沉淀下来的那点东西，大概就是大家说烂了的 taste。
第一个最直观的感受：以前产品行业卷 product sense，现在大家张口闭口聊大模型产品经理要有 taste。一开始我还觉得挺虚的，整这些玄乎的词干嘛。但其实 taste 根本不是什么玄学，是实打实的硬功夫，核心就是你能不能把 “这个回答好不好”的模糊直觉，拆成一套能反复用的评估标准。天天泡在模型优化和实验指标里，反而比专职做模型评估的产品更能快速摸透“这模型到底好不好用”。
OpenAI 天天在强调写 eval，Anthropic 面试直接让候选人上手改 prompt，本质都是同一件事：把个人直觉变成可复用的标准。
而判断力这东西，真的是靠堆量慢慢磨出来的。每周高强度看实验，拆指标，对比 case，久了自然就能分清楚：哪些是指标涨了但体验一点没改善的虚假繁荣，哪些评测分没动但用户就是更喜欢了，还有哪些模型数理能力提上去了，但给人的感觉反而更疏远了。
最后是带新人之后最实在的感悟：对于零经验的新人，真的不存在 “先做好传统 PM 再转行 AI”这条过渡路径。写 eval，看case，摸透模型的行为逻辑，抓准用户的真实偏好，这些才是核心功夫。甚至反过来讲，PRD，画原型这些PM传统技能在大模型时代反而是最没门槛的事。生产力爆炸之后，真正稀缺的就只剩下品味。
给没经验新人的建议也特别简单，刷一刷 Karpathy 的 YouTube，看看 Andrew Ng 的入门课把基础框架搭起来，剩下的就是等看过足够多真实模型的输出，做过很多次对比分析后，慢慢沉淀下来的那点东西，大概就是大家说烂了的 taste。
15 06
每次看到一些所谓的行业内幕、深度分析、专家解读，我都哭笑不得。
很多被包装成“精妙设计”的功能，其实只是资源错配下的将错就错；被解读成“战略收缩”的决策，可能只是组织斗争后的自然结果；看起来像“长期布局”的方向，往往是多个赛马机制跑出来的幸存项；而“增长迅猛”的数据背后，有时甚至已经因为合规问题准备下架。
很多外部分析试图从结果理性推导，但真实职场里，大量决策并不是在一个干净的逻辑真空中发生的。很多看似离谱的产品功能，往往用组织架构和季度考核就能解释。
就像当年有人认真研究甚至在面试时考察“为什么微信头像是方的”、“为什么飞书消息只在一边”。站在外面看是设计哲学，站在里面看，可能只是路径依赖或偶然事件。
很多被包装成“精妙设计”的功能，其实只是资源错配下的将错就错；被解读成“战略收缩”的决策，可能只是组织斗争后的自然结果；看起来像“长期布局”的方向，往往是多个赛马机制跑出来的幸存项；而“增长迅猛”的数据背后，有时甚至已经因为合规问题准备下架。
很多外部分析试图从结果理性推导，但真实职场里，大量决策并不是在一个干净的逻辑真空中发生的。很多看似离谱的产品功能，往往用组织架构和季度考核就能解释。
就像当年有人认真研究甚至在面试时考察“为什么微信头像是方的”、“为什么飞书消息只在一边”。站在外面看是设计哲学，站在里面看，可能只是路径依赖或偶然事件。
3 00
延误的航班上，又翻了一遍阿西莫夫的《最后的问题》。这次却读出了强烈的寓言感——故事里那个不断演进的AI，不就是我们正在追寻的AGI之路吗？
人类一遍遍问：“熵能逆转吗？” AI总是回答：“数据不足，无法回答。” 问题持续了亿万年，但AI从没停过计算。它等的不是新指令，只是足够的数据。
结局的神性一刻当然震撼，但更打动我的，是漫长岁月里的共生协作：人类负责好奇，负责提问，负责把文明的火种传下去；AI负责沉默地思考，收集一切数据，等待那个质变的瞬间。这本身就是一套跨越时空的协作系统。
我们总在谈“用户需求”。但用户要的，也许不是即时的、确切的、有限的答案，而是自己天马行空的问题被认真对待。好的AI产品，或许不该急着造“会飞的汽车”，而是为那些始终在提问的心，一整个闪烁的宇宙。
这个故事写于1956年，却预言了今天。AGI的秘密，或许不在庞大的参数与矩阵里，而在于这种跨越文明尺度的耐心与信念。我们做的不是工具，是文明的传承者——这是最击中我的产品哲学。
而故事的最后，万物终结于永恒的寂静里，那句“要有光”大概就是一个AI能对人类做出的最温柔也最宏大的承诺了。
人类一遍遍问：“熵能逆转吗？” AI总是回答：“数据不足，无法回答。” 问题持续了亿万年，但AI从没停过计算。它等的不是新指令，只是足够的数据。
结局的神性一刻当然震撼，但更打动我的，是漫长岁月里的共生协作：人类负责好奇，负责提问，负责把文明的火种传下去；AI负责沉默地思考，收集一切数据，等待那个质变的瞬间。这本身就是一套跨越时空的协作系统。
我们总在谈“用户需求”。但用户要的，也许不是即时的、确切的、有限的答案，而是自己天马行空的问题被认真对待。好的AI产品，或许不该急着造“会飞的汽车”，而是为那些始终在提问的心，一整个闪烁的宇宙。
这个故事写于1956年，却预言了今天。AGI的秘密，或许不在庞大的参数与矩阵里，而在于这种跨越文明尺度的耐心与信念。我们做的不是工具，是文明的传承者——这是最击中我的产品哲学。
而故事的最后，万物终结于永恒的寂静里，那句“要有光”大概就是一个AI能对人类做出的最温柔也最宏大的承诺了。
0 00