行动路线极其简单好上手😎 //@Jackey_KPP2: 你写的真的太好了，用你的提示词去试了一下，ds果然给我设计了个「知识管理游戏化入门30关」，每一关都非常具体，可执行，只要我马上去做，就能马上获得正反馈。

大模型的到来，让有快速正反馈的学习路径变得唾手可得。

在大学的时候，我兴趣还算广泛，对什么都挺感兴趣，碰到一个新领域就想扎进去学上一番。但每次入门都感觉挺困难的，因为一个新领域有茫茫然的知识，根本不知道从哪里开始。

比如学摄影，就至少有相机操作、前期构图和取景、后期PS技术和调色原理等内容；具体到人像摄影，就有情绪引导、姿势引导，甚至还包括基础妆造和搭配。

这么多的内容，如果没有一个清晰的主线，就会让人因为学习曲线过于陡峭而放弃。我大一大二的时候，学编程完全学不进去，就是这个原因。

Overwhelmed，就是那种状态的精准写照，因为信息量太大，脑子过载，无法思考。

而每次突破，都是因为放弃大而全的想法，转而从一个个小的切入口开始练习。我有个暑假，每天都花时间做构图和取景训练，就在校园里找各种各样的元素，像是长方形、正方形、圆、三角关系等等。几十天练习下来，取景的感觉明显变好了很多。

再后来，随着对某个领域的了解越来越深入，慢慢有了“学习路径”这个概念。

每个行业，每个学科，其实都有自己的学习路径，也就是一般先学什么，后学什么。当有厉害的老师指点的时候，沿着经典路径学，入门到一个水平，基本都是不难的。

只不过，好老师很难得。在不了解行业的情况下，很容易碰到一些混子。就好比这段时间流行的deepseek课程，每个都要大几百上千，但几乎所有的东西都可以让deepseek自己讲出来。进这种智商税的班，钱花了不说，还没学到东西，甚至有时还打击自信心。

而现在有了大模型，局面就完全不一样了。

可以直接跟它说：我想学xx东西，我现在知道xxx，请给我规划一条学习路径，包含几十个相对独立的小任务，每个任务30分钟，让我能有实操的正反馈。

如果一个AI的内容你觉得不保险，还可以多问几个，综合对比，再找个AI做最后的总结提炼，效果不会差的。

附图是我前段时间想做一个小网站，但我只会基础的html和python，然后让gpt o1帮我规划的一小部分学习路径：

- 创建首个Flask路由（27分钟）
- 实现动态时间显示（需研究模板引擎）
- 连接SQLite数据库（引入CRUD操作）
- ...

每个微任务都设有即时验证机制：或是网页显示的实时数据，或是控制台输出的调试信息。

这种高频正反馈机制，配合AI老师有答疑，我只用了2个周末，就弄明白了flask web app的基础操作，也能review AI写的网站代码了。

而在以前，一想到要自己看书，看书之前还要找大量的教程和资料，知道哪本书或者哪个博主最合适；找到之后还要从头开始啃，就感觉没一个月弄不出来。心理压力实在太大了。

AI改变了两件事，一是第一次真正能做到全民个性化教学，二是抹掉了大量行业基础的信息差。

对于内驱力强，好奇心重的人而言，这就是最好的时代。入行的门槛，从未如此低过。

这个时代最妙的，是AI把各行业的"藏宝图"摊平了任你选。不需要交智商税报班，不用跪求大佬指点，就像随身带着无数个耐心满级的私教。每次完成小任务时都有成就提示，比游戏升级还让人上瘾。

这种认知效率的范式转换，或许才是智能时代真正的启蒙之光。

水多了加面，面多了加水，逻辑越加越复杂，缺少系统层面的抽象和思考，结果还是按下葫芦浮起瓢，就是一些产品经理的神仙操作。

比如，为了方便销售卖出高溢价，设计了一套规则，却发现会误伤一些普通用户，使得他们也被收了高价。普通用户很不爽，经常投诉，结果解决方案不是整体抽象，而是直接再加一套新的补丁规则……

再比如，运营部门提出"要区分新老用户优惠力度"，产品直接新增用户类型判断；市场部要求"叠加秒杀商品专属折扣"，又在原有逻辑外挂载新模块。最终用户付款时，出现了优惠规则与折扣叠加计算出亏本价格的情况……

就这样，经年累月下来，各种规则越加越多，慢慢就变成了屎山代码。新来的人难以理解，难以维护，更难以修正。

而一个厉害的中后台产品经理，对于业务架构应该有高维度的抽象提炼能力，从而将复杂问题简单化，规整化。

一个系统中，用户、权限、订单、用量、优惠券等等基础概念，都应该能用E-R图清晰表示出来，而不是揉在一团，变成不可分割，不可理解的东西。

我始终觉得，内部流程问题是确定的、可解的，无非是站在哪个层次来看待。它不像商业化相关的问题，要面对大量的不确定性，要能拨开云雾，找准机会点。

这当然很考验一个人的抽象概括能力，但这不正好用来做自己的一个核心竞争力么？

如果坚信AI的未来，那么应该重仓的包括但不限于：
- 算力概念，所有的AI都要基于算力芯片，以及一部分存储能力；
- AI上下游工具链，大模型目前只有脑子、眼睛、耳朵，需要一些更高效更专业化的工具，去拓展模型的感官和行动能力；
- 能源概念，算力背后都是电力，电力的背后则是能源；

上面这部分是AI会带来的增量，不过他们是否适合现在入手，是不是在低估值阶段，未来会不会有新的玩家进场抢份额，都需要进一步的判断。

增量之外，纯量也有值得关注的，聚焦在现有行业，如医疗、教育、金融、法律等等。但逻辑就变成，现有哪家公司，谁把AI用得好，谁理论上就能抢占更多市场份额，比如前段时间起飞的高途教育。

重仓的方式，除了花钱在股市上投资，也包括肉身去到相关行业的公司里打工或者自己创业。

对manus或者通用agent最期待的场景之一，就是在公司各种内部业务的自动化没做好之前，用agent暴力平推。

好处至少有两个：
1. 再也不用专门招一个初级岗位的人，流动率又高，筛简历面试也要花时间，还得培训和带教，并且月工资比ai高多了；
2. 再也不用等着各个职能部门之间艰难推动业务流程自动化了，他们跟不上节奏没关系，我可以先用先进生产力。

现在做业务的一大效率瓶颈，就是收集数据、分析数据、确认数据口径、交叉验证等等太花时间。尤其在基建不够好的情况下，大量时间被浪费在重复的体力劳动上。而想要把基建做好，又是一个巨大的工程，以及漫长的排期。

这种业务对数据分析的快节奏要求，和落后低效的基建之间的矛盾，如果能通过agent来解决，将会极大地提升总体生产力。

10倍速的生产力，不去拥抱，就只能被抛弃。

招一名高级AI产品经理~

我们是合合信息TextIn，一个国内头部的文档识别与处理的AI开放平台。目前增长势头良好，热门产品的市场口碑也很扎实。因此，今年的趋势大概率还会更好。

在市场需求非常旺盛的当下，我们希望招一名对产品商业化有经验/有感觉的AI产品经理，一起打造更符合市场需求的热门产品，将市场需求转化为收入。

【职责】
1. 围绕文档的识别、理解、处理相关的AI能力，定义产品特性，推动产品迭代，打造有行业竞争力和知名度的API产品
2. 通过数据分析、行业洞察、客户调研等手段，明确高价值客户群及其所需产品方案，挖掘产品增长的机会点和方向，为上下游团队提供指引和支持
3. 以客户为中心，按需迭代开发者平台和内部业务流程，确保浏览、试用、购买、文档查询、api调用、对账等任务正常

【岗位要求】
1. 5年以上B端/SaaS/开发者相关产品经验，有扎实的产品基本功和项目管理能力
2. 主导或至少深度参与过商业化产品的构建过程，0-1或1-10的阶段均可，对如何做出爆款产品有自己的理解，做出过日均调用量10万次以上api产品的优先
3. 毕业于理工科专业，懂AI，懂代码逻辑，有工程技术背景优先，能与工程和算法轻松对齐
4. 对做产品和AI有极大的热情
5. 抗压能力强，能适应快节奏的市场和工作环境

【补充信息】
1. 可以提供在一个纯粹的，有增长的团队，操刀做一款商业化成功产品的机会
2. 合合信息有非常成熟的产品团队，C端明星产品有扫描全能王，新开发的AI出海产品也能名列前茅，有成体系的产品和运营打法
3. 公司现金流非常健康，稳定性有保障，提供五险一金+商业险+补充医疗，解决多数后顾之忧
4. 整体工作强度适中，双休有保障，但在关键阶段也是要狠抓进度的
5. base上海

如果你也对产品有追求，愿意把手弄脏，希望做出受市场欢迎的作品，欢迎投递简历，邮箱：lei_liu@intsig.net。

业务快速增长就是最好的鸡血，尤其是在好几个月增长缓慢之后。

Deepseek简直就像全行业的兴奋剂，一下子点燃了市场。但市场机会来了，接下来要拷问的，就是这个机会凭什么是自己的。

越来越能体会到，做业务跟炒股很像。可能90%都是垃圾时间，但在这个过程中也要持续修炼内功，这样才能在10%的黄金时间段里取得收获。

雷总曾说，在风口上，猪也能飞起来。

这句话除了自谦外，也警示了一点，那就是飞起来的猪要想办法尽快让自己长出翅膀，一来是在有风的时候，飞得更高一点；另一方面，也是避免等风停了被摔死。

持续迭代，持续精进，等到风起，努力向上飞~

再好的方法论，也需要非常扎实的执行落地才会有效果。

产品经理这行的大忌就是，站在岸上指挥研发团队干活，而没有亲自下场、亲自泡在用户圈子里、亲自把手弄脏。

对于2B的业务，要想对客户的应用场景和痛点真的有体感，难度只会更高。因为每一个行业，甚至每一个客户，他们的业务场景都不完全一样，客户自己会创造出各式各样的使用方法。

但正因为如此，才更加需要多投入进去，跟客户保持交流，去感知市场认知和情绪的变化，去想办法把客户的使用流程自己体验几遍，把客户提到的竞品自己认真测试几遍。

理论选手和实干家，最大的区别就在这里。

最后，浅浅放个招聘：

TextIn团队招一名面向开发者或2B方向的产品经理，base上海，负责深度理解市场需求，定义api产品的产品特性，以及迭代一部分平台功能。

需要有技术背景，懂ai，有扎实的产品基本功和项目管理能力，5年左右产品经验为佳。

有打造爆款产品和商业化成功产品的追求，也有做爆款产品的心得，最好做出过日均调用量10万次以上的api产品。

有意者可以直接点我头像，到主页加v联系~

尝试用coze搭一个知识库解决一些技术客服问题，结果发现：

同样一份openapi的yaml文件，给到ds r1，大多数问题都能回答对；但放到coze的知识库里，不管用默认切分还是按目录切分，文档中没直接给出答案的问题，内容召回的正确率都不是太高，后面的回答自然也答不对了。

我猜，ds r1的长上下文，可以将一般的yaml文件内容都包含进去。再加上它的推理能力，可以自己决定如何从文档中找出相关内容，然后通过推理得出答案。

但对于解决多文档场景的知识库问答而言，可能在问题理解和chunk召回这前两步，模型就已经整错了方向，于是回答效果不如单文档就不意外了。

除了coze的知识库，我还测试过monica带知识库功能的智能体。同样也是经常说找不到相关的内容，但这些问题在单独问ds r1的时候都是能正确回答的。

基于知识库和ds r1，回答文档中没明确提到，但通过简单推理可以回答的问题。这样的大模型应用，万即上有大神实操过吗？

在coze这类平台上，提升问答效果的手段都有哪些呢？我知道的，包括问ds r1的，有：
- 规范上传的文档内容和格式，保证分chunk时同一段被分在一起
- 在工作流里设置一些高优关键词或同义词表，减少问题理解模型的误判

“有用”已死，“有趣”当立。

比如从产品层面看：

理工男光想着做有用的产品，结果哼哧哼哧做出来，遇到的都是价格敏感型用户，发现根本赚不了钱。

而有的人做一个小游戏，用户纷纷裂变，靠广告曝光费就赚了很多。

再比如从工作层面看：

有AI之后，好像白领工作就变得没价值了，它都能干。

工业革命以来，人类第一次遇到了“有用”没用的困境。也第一次，普遍意义上，“有趣”的价值变得更高。

那些教PPT的、做工具软件的，哪个不是被卷到白菜价？反倒是泡泡玛特卖塑料娃娃，羊了个羊搞死循环关卡，用户一边骂一边疯狂分享。

现在最赚钱的本事，是把"无意义"包装成"小确幸"——就像便利店集点卡，那纸片有啥用呢？但小姑娘们就是愿意为它多买两杯奶茶。

工业革命把人类训练成机器，AI革命却逼着人类重新当回"人"。

以前总说"别整虚的"，现在风向变了，好像“虚的”更重要：
- 猫猫狗狗的短视频，总是比科普纪录片的播放量更高，也更值钱，因为平台真按观看时长发钱
- 朋友里最受欢迎的不是Excel高手，而是聚会时能组局玩桌游的社交达人
-微信读书用户画线最多的句子是"人生不是轨道而是原野"
-星巴克猫爪杯炒到3000块时，店员说："这杯子其实装不了热水"

究其原因，当生存不再是问题，人们开始为"犯傻/玩乐"买单。就像《武林外传》里白展堂说的："人活着不就图个乐呵？"

所以别再问"这有什么用"了。

“无用”，可能就是新的消费趋势。