有时候你会被时髦、花里胡哨的东西吸引，忽略真正的热爱。

等你反应过来，十年过去了。

你会拍大腿：我TM 都干嘛去了？

有的东西能等，比如小众文艺电影、比如配角（最新的比如《一战再战》里的 SENSEI）。

有的东西等不了，比如壮士暮年的 NBA 巨星（保罗要退役了）、万金油 3D。

更多的东西在中间：读什么书？刷什么视频？因为什么而工作？等等等等

品味，TASTE，不只是具体风格认知，更是元认知，关于你是谁，你要去哪里。

怎么用好 AI ？这里有最佳建议

经常有人看了我分享的 case 后问：你是怎么用 AI 的？

我以前的答案很简单——直接把你这个问题问 AI 就好了，它会引导你。听起来像在打太极，但确实是真心话。

今天看到一个更好的答案，来自 Anthropic 的 Research PM Alex Albert：

「把你本来要问人的问题，也问一遍 AI。」

Alex 现在在研究团队做 PM，主导了 Claude 4.x 系列模型、自适应思考等核心功能的定义和落地。

那他怎么回答这个问题的呢？准确来讲，他是在回答「如何用 AI-native 的方式做产品、做 PM」，但我觉得方法论完全可以复用，原话是这样的——

「最简单的一句就是：直接用。下次你准备去做一件事、准备去问人一个问题的时候，不妨并行地也把同一个问题丢给 Claude，然后比较两边结果。」

「这样反复做很多次之后，你自然就会建立一张『能力地图』——Claude适合用来做什么，在哪些地方可靠，在哪些地方还不够可靠。」

我觉得这个建议远比我以前的答案更具体、更可落地，不只是「直接用」，是「并行用 + 对比 + 建能力地图」。

为什么？

第一，它绕过了「得先想清楚怎么用 AI 才能用好」这个最大的卡点。

我观察过太多人一上来就觉得必须先搞清楚 Prompt 怎么写、要不要装 Claude Code、MCP 是啥，否则无从下手。还没开始用，已经被这些前摇吓退了。

Alex 这条建议的巧妙在于——你本来就要问一个人一个问题，那把同一个问题原封不动丢给 AI 试试就行了。Prompt 写得糟糕也无所谓，迈出第一步最重要。

第二，真实场景的对比本身就是最好的学习。

并行问 AI 和人，对比两边的结果，AI 哪里答得比人好、哪里漏了关键点、哪里干脆错了——虽然实际上大多数情况是惊喜。它不是一份「AI 能力说明书」，是你自己用一次一次的真实体感长出来的能力地图。

为什么强调体感？可以用我最近很认可的一句话来解释：

你可以外包你的思考，但无法外包你的理解。

我其实之前也有个类似的思维转变：AI First，任何事情都优先让 AI 干。

比如原来习惯自己干的事情——克制动手的冲动，懒一点，让 AI干试试；比如本来觉得自己干不了的事情——试试让 AI 干；比如本来觉得必须依赖别人的事情——试着把你当面/微信/飞书/里发给对方的需求发给AI。

虽然结果类似，但可能对思维惯性的改变有点大，Alex的建议就自然多了：

该怎么干还是继续干——然后多问一遍 AI 试试？也许新世界的大门就被推开了。

HTML太香！markdown 再见！

Anthropic 刚刚发布了《创始人手册：创建一家 AI Native 公司》，详细介绍了怎样用 AI 重构创业周期的各个阶段——虽然主要是为了推广 Claude 三件套，但夹带的方法论和思路有不少启发。

都说新时代不能用旧地图，但新地图却很少有人给——现在产品能力被认为独一档的 Anthropic 给了一张，值得一读。

不过我推荐的读法是，抛开具体的 Claude 三件套用法，重点看那些貌似虚头巴脑的方法论、思路和哲学，还是我一直以来的观点：魔鬼藏在那些 AI 总结会忽略或不知所云的细节里。

「They are so good but it's also spoiling that I start thinking less.（它们好用到有点危险，因为太顺手了，我反而开始少动脑了。）」

Google Book 的 「Magic Pointer」交互还挺有意思的，摇晃鼠标光标就能唤醒 Gemini，它会根据光标指向的内容提供上下文建议。

交互跟手，又能发挥 Gemini 多模态的优势。很奇怪，我第一个联想到的竟然是锤子手机的侧边按钮闪念胶囊，有点PC 多模态版本内味儿了……

“与 AI 协作的方式与其智能程度同样重要。”

Mira：the way we work with AI matters as much as how smart it is.

我们创立 Thinking Machines 是为了推动人类与人工智能的协作，而这是我们对此愿景的首次尝试。大多数实验室将自主性视为目标，将交互性视为围绕回合制核心的辅助框架。但我们认为，【与人工智能协作的方式与其智能程度同样重要】。交互性必须内置于模型之中，并且必须随着智能的提升而扩展，而非落后于智能。

We started Thinking Machines to advance human-AI collaboration, and this is our first bet on what that looks like. Most labs treat autonomy as the goal and interactivity as scaffolding around a turn-based core. We think the way we work with AI matters as much as how smart it is. Interactivity has to be in the model, and it has to scale with intelligence rather than trail behind it.

Coding 主桌之外，（多模态）实时交互桌？

"稍加思考便会发现，存在着一套非常重要但尚未系统化的知识……即关于特定时空环境的知识。"——哈耶克《知识在社会中的运用》，《美国经济评论》，1945年。

说 Thinking Machine Lab 是 Mira 的 Anthropic ，除了核心成员出走创建的之外……还有他们在技术 Blog 里的内容——包括注释——读起来太有意思了，好像从来没在任何一家前沿 AI Lab 里读到这样的内容。

这是一段关于协作瓶颈内容（见下文）的注释：

注1："稍加思考便会发现，存在着一套非常重要但尚未系统化的知识……即关于特定时空环境的知识。"——哈耶克《知识在社会中的运用》，《美国经济评论》，1945年。

注2：口语因其参与性（相对于客观距离性）本质而具有转瞬即逝的特性。当今的计算机和知识工作媒介具有类似的交互属性。Ong, W. J. 出自《口语文化与书面文化：语词的技术化》，1982 年。

注3：沟通的优化依赖于：(a) 共在性：人们能同步操作他人正在交互的内容；(b) 即时性：人们能实时接收他人产出的信息并获得即时反馈；(c) 同步性：人们能同时接收和产出信息。Clark H. 与 Brennan S.，《沟通中的知识锚定》，载于《社会共享认知视角》，1991 年。

正文内容，讨论了当前人和 AI 协作的瓶颈，定义为「回合制」（相当准确形象）vs「多模态实时交互」，我基本同意每一个字：

协作瓶颈

AI 实验室通常将 AI 自主工作的能力视为模型最重要的能力。因此，当前的模型和界面并未针对人类保持参与进行优化。

自主界面固然有价值，但在大多数实际工作中，用户无法预先完整地说明需求后便撒手不管——良好的成果有赖于协作过程，需要人类持续参与，在过程中不断澄清需求并提供反馈。

然而，人类正越来越多地被排除在外，并非因为工作不需要他们，而是因为界面没有为他们留出参与空间。

相反，人们在与 AI 协作时，若能像与真人协作那样——通过即时通讯、对话、倾听、观察、展示和适时插话，并且模型也能做到同样的事——才能达到最高效率。

要做到这一点，必须超越目前模型的回合制界面。今天的模型以单线程的方式感知现实：在用户敲完字或讲完话之前，模型只是干等着，对用户正在做什么、以什么方式做毫无感知；在模型生成完毕之前，它的感知是冻结的，要么自然结束、要么被打断，期间收不到任何新信息。

这就把人机协作压进了一条极窄的通道，限制了一个人的知识、意图与判断能有多少传达到模型，也限制了模型的工作能被理解多少。

想象一下：一桩关键的分歧靠邮件你来我往地解决，而不是当面谈。

在 Thinking Machines，我们相信，让 AI 在任意模态下都实时可交互，就能打开这条带宽瓶颈。这样 AI 界面就能去就人所在之处，而不是逼着人扭曲自己去迁就 AI 界面。