1. 即便是新电脑，也可以绑定家用设备，可以登录微信，行动空间仍然比 Manus 大
2. 永远是一个对话，一个文件系统，上下文不会断，Manus 每新开一个对话就是一个新上下文

AI时代，可以多一些“拿着锤子找钉子”，但得以正确的方式

让我们先回到AI时代以前讨论这个问题。

这里的“钉子”指用户需求，“锤子”则是任何让团队觉得“我们应该做点什么”的优势、能力、冲动。它可能是技术优势、数据优势、渠道和分发优势、资本优势等等。

会“拿着锤子找钉子”，是因为我们倾向于过度依赖熟悉的路径，而非寻找最适合问题的解决方案。

那为什么通常不建议拿着锤子找钉子？

因为这种做法把最不确定的事情放在了最后验证。

至少在AI时代以前，供给的不确定性远小于需求的不确定性。即“能不能做出来”远比“有没有用户需要”好判断。

而且，一旦先有了锤子，看什么可能都像钉子。以及，团队可能会把技术指标误当作用户价值，比如延迟很低、模型很强、架构很美，但用户可能并不会因此多用一次。

也许这个优势可能确实能让产品在竞争中胜出。但问题是，绝大多数创业公司并不是被竞争对手干掉的，他们是死于他们的产品没有用户用。

相比之下，“拿着钉子找锤子”通常是更好的选择：
1.证伪成本的非对称性：证伪一个需求不是真需求相对容易，但要证伪一项优势不构成优势却非常难。
2.解空间的宽窄：从需求出发，可以有很多种方法来解决问题；但从单一优势出发，可探索的空间会小很多。

尽管如此，过去仍有一些“拿着锤子找钉子”成功的案例：
1.Figma：他们最开始拥有一项 WebGL 技术，历经四年尝试了无人机控制软件、3D内容生成、照片编辑、计算摄影、甚至表情包生成器等各种方向，最终才找到“在线协作”这个需求，做出了 Figma。
2.群核科技：他们拥有一项能够实时渲染 GPU 的技术，最初尝试做机器人、电影特效等领域都没有成功，最后还是在家装设计领域找到了突破口，做出了酷家乐。

拿着锤子找钉子的成功需要哪些条件呢？
1.优势确实十分巨大：比如它是一个能带来十倍体验提升的技术。
2.实际对应着隐性的用户需求：这种需求往往需要历经探索才能被发现。
3.走在正确的时机里：太早的话，可能基础设施不成熟，可能用户习惯没到位，可能链条缺关键一环；太晚的话，优势可能已不存在了。
4.愿意长期耐心地探索：无论是创始团队还是投入的资本，都要有足够的耐心

如果你认为自己也拥有某些优势，并希望以此结合用户需求做出成功的产品，该怎么做呢？

首先，要确认你手里拿的是不是真的“雷神之锤”——即不是比普通锤子厉害一点，而是厉害十倍百倍的锤子。
然后，拿着这把锤子快速、高频地去“乱敲”，也就是去试错，发散到各个领域，直到找到用户需求为止。
同时，不要冲动地 all in，要坚定信念、保持耐心。如果这是一个公司行为，最好能得到最高层的战略认同。

以上是非 AI 时代的叙事。

在非 AI 时代，产品经理产生需求可以从用户中来、从数据中来、从竞品中来、从思辨中来，但很少会从技术中来。因为那时没有那么多日新月异的技术爆发，每一项技术的影响范围也没有特别大，所以试图通过技术去推导需求是 ROI（投资回报率）很低的事情。

但 AI 时代不一样。现在恨不得每个月都有激动人心的技术产生，而且 AI 让整个社会都变得活跃起来，用户接受度也变得更高。在这个时代，从可能发生的技术变化去推导用户需求，所占据的思考比例应该比其他几个来源都要高。

当然，这也必须建立在前面所说的正确的方式之上。

什么时候给一个 Agent 施加一个 Workflow 是必要的，又会有哪些负面影响？

这里暂把 Agent 理解为在行动空间内拥有不受限制的观察、思考和行动能力的自由状态，而 Workflow 则是对这种自由状态的约束。

在以下几种情况下，施加 Workflow 是必要的：
1. 保证输出的一致性：
由于大语言模型本质上是一个概率模型，面对相同的目标，每次运行可能会产生不同的结果。施加 Workflow 可以尽量让结果保持一致、稳定、可预期。

2. 提高模型的表现上限：
当 Agent 在自由空间内行动时，可能很难自行探索到最佳路径。Workflow 凝结了人类的智慧，在 Agent 的智力水平在指定任务上尚未达到预期时，可以由人类指导它如何行动，进而得到更好的结果。

3. 与外界的交互：
AI 世界是概率性的，而现实世界的 IT 系统是确定性的，两者之间存在着巨大的不匹配。所以，AI 与 IT 系统之间的接口，就需要输入输出的约束限制，来保证它们之间交互的顺畅。Workflow 充当了大模型的“柔性思考”与外部世界的“刚性规则”之间的胶水代码。

4. 降低成本和延迟：
许多固定任务都有路径最优解。如果每次都让 AI 从头开始探索，可能每次都会探索到同样的路径，但中间会重复浪费大量的 Token 和时间。施加 Workflow 可以直接利用这些最优路径，从而降低成本、加快完成速度。

5. 风控与合规：
完全自由的 Agent 可能会带来一些不可控的风险。例如，有些操作是只读的，操作失误顶多是答错一个问题；但有些操作是可写的，可能会删数据库、进行一场不合规的交易等。施加 Workflow 有助于规避这些意外。

6. 可观测性与可审计性：
Agent 的探索有一些“黑盒”性质，如果希望在过程节点中进行监控，就需要通过 Workflow 来实现。

7. 多 Agent 协作：
现在的 Agent 的智能还达不到彼此之间可以自由协作的程度。如果要想搭建一个多 Agent 协作完成任务的系统，必须要设定一个 Workflow 来约束它们的通信和分工。


当然，Workflow 也会带来一些负面影响：
1. 它会限制 Agent 的自由发挥，导致其缺乏创造性，上限被锁死。
2. 随着模型的进步，原本为了提升效果而设计的 Workflow，反而可能成为制约 Agent 能力发挥的桎梏。很多复杂的 Workflow 其实是针对特定模型的“坏毛病”专门调优的 Prompt 链条，而当更强的模型出现时，这些原本为了纠正旧模型缺陷的 Workflow，反而会限制新模型的直觉，甚至导致性能下降。这实际上是把旧模型的缺陷耦合进了业务逻辑里。

本质上，Workflow 是人类智慧的冻结或模型能力的缓存。当我们为一个 Agent 设计一个 Workflow 的时候，我们预设了我们显式的规划会比模型实时生成的规划更好。当模型为了解决同一个问题，每次都沿用同样的路径时，为了减少延迟和成本，我们就帮模型固化下来。最终，无论是来自人类的智慧还是来自模型的能力，它们都会在不同的层次上逐渐内化。

首先，用户自己的重复性工作可能会体现为一段提示词、一个模板、一个 GPTs 或一个 Skill。它们有可能在互联网上进行传播，被更多人使用。

其次，所有做AI 产品的开发者，可以从用户与产品的大量交互中积累最佳实践，并将其内化到评测或提示词的领域知识中，从而形成固定的 Workflow 和暂时的产品护城河。

最后，模型也会逐渐内化这些知识。所以有时候你会发现，一个经过仔细调教的上一代模型，效果还不如一个裸露的下一代模型。因为所有 Agent 与世界交互的数据，最终都会成为下一代模型训练的养料。

更聪明的模型的直觉，有时候比非常努力但笨拙的模型还要厉害，这就是应用层的苦涩的真相。因此，Workflow 的本质是大模型技术债，产品经理面临的挑战不仅在于设计一个可以达到预期效果的 Workflow，更在于设计一个能够随着模型的进步实现优雅降级的 Workflow 系统。在制作 Workflow 的过程中，要尽量让它是可拆卸、满足一定条件可绕过的。这样随着模型智能的提升，Workflow 才不会成为限制发展的阻碍。

收费可以筛选用户，让目标更专注，迭代更快速，而且在收费的条件下还能和对手打得有来有回，也是实力的体现

对AI产品经理的要求，和过去的产品经理有什么不同？
过去做产品，我们理解 PMF 的逻辑是线性的：“假设我做出了这个功能，用户会不会喜欢？” 这考验的是纯粹的产品Sense，判断需求、场景、价值，做出用户愿意用的东西。

但现在做AI产品，PMF变成了两层不确定性的叠加：
第一层：假设我这么写提示词/这么组织工程实现，模型会不会这么表现？
第二层：假设模型这么表现了，用户会不会喜欢？

这意味着产品经理不仅要有用户sense，还要有模型sense——只有同时具备两者，才能把双重不确定性收敛到一个确定的范围内（小龙说产品经理的工作就是把一个40%概率的事情提升到80%的概率）。这是PMF在定义上的延展：过去只有Product-Market Fit，现在还要求 Product-Model Fit。

更棘手的是，PMF还有了时间上的限制。模型在持续变化，即便我们成功把两层不确定性都拉到了确定位置、做出了一个work的功能，三个月后它可能就不work了。苦涩的教训会持续上演。 PMF 不再是一次性找到就能长期复用的答案，而更像一张会过期的门票。就像 lovable 增长负责人 Elena Verna 说，所有的 PMF 都只有三个月，过了三个月，所有厂商都要重新洗牌，重新建立 PMF。

这对产品经理的要求陡然提高：你必须对行业演进有足够深的认知，甚至要能预判两三个月后什么会变好、什么会变糟，再倒推回当下，做好以下两类产品决策：
1. 现在模型表现不够好，要施加工程手段让它变好吗？还是等模型？
2. 未来模型在哪些方面会变好？我可以提前做好什么功能？

判断是在做产品还是在做套壳，或许就看一点：模型变强了，你的核心价值是被稀释了，还是被放大了（如Cursor/Manus）？ 前者只有三个月，后者才是时间的朋友。

选择决定期望，努力决定方差，选择错了，越努力越惨，选择对了，不努力也不稳固

AI降低创作门槛之后，谁来消费？

AI正在激发增量市场，以NotebookLM做PPT为例：PPT、漫画这类内容本身是"阅读友好"的，只是过去制作成本太高。当AI把制作成本极度压缩后，供给量会大大增加——这是一个被激发出来的增量市场。

但供给和消费不会同比例增长，所以问题来了：供给可以翻100倍，但消费者不可能翻100倍，最多三五倍。人人都能写书、人人都能画漫画之后，谁去消费这些内容？现有的书人们都读不完。

如果找不到新的消费动力，这个增量市场似乎很难做大。

一个可能的答案是，创作本身成为一种欲望。类比智能手机拍照：过去用相机拍照，照片要发到杂志或某个地方才有意义；现在用手机拍照，很多时候不需要分享，拍下来本身就能带来价值。

以前创作成本高，必须有大量观众才划算。现在成本极低（如用AI几分钟写一首押韵的歌或生成一个梗图），只要我自己觉得好听，或者发在群里逗乐了两个朋友，这个价值就足够覆盖成本了 。

成本降低改变了"价值成立"的门槛。过去创作一个漫画，如果只对自己和朋友有价值，这件事不成立——因为成本太高，创作者没有动力。

如果说智能手机降低了拍照门槛，Instagram通过“滤镜（工具）+ 点赞（社交反馈）”承接了这些溢出的创作欲 。那么在AI时代，我们目前虽然有了强大的创作工具（相当于有了“智能手机”），但还没有找到那个能完美承接AI原生内容的“Instagram” 。

如果AI降低了各类创作的门槛，那么问题就变成：下一个"Instagram"是什么？

它大概率不是点赞分发式的——那个时代可能已经过去了。它应该是另一种形式，让创作者在供给远超消费的时代，依然能获得持续创作的动力。

可能是自己消费自己的创作，可能是小圈子的正反馈，也可能是某种我们还没想到的机制。

AI 让创作变得像呼吸一样容易之后，真正稀缺的，可能不再是“生成”，而是“承接生成的方式”。

​初创公司的创始人就是驾驶着一架正在组装的飞机冲下悬崖，并在落地前试图让它飞起来的人。

Peak 在播客中说，目前的 Agent 设计不应盲目照搬人类社会的「角色分工」架构（如强制拆分 PM、设计师、研发等角色）。人类之所以需要各司其职，是因为单人智力存在上限，必须通过分工来专注特定领域；但大模型并不受此限制，它完全具备同时处理多重角色的能力。相反，像“每个 Agent 各做各的、产出交给下一角色、再依赖对方输入继续”的那类按人类角色串联的混合式架构，反而会因为极高的沟通和交互成本，导致整体表现不如单体模型。因此，以人类角色分工来设计Agent角色分工的架构是不合理的。

但我有一个不同的想法：也许多 Agent 架构现在不合适，并非因为模型智力太高不需要分工，恰恰相反，是因为模型目前的智力还「太低」。

人类之所以能实现高效的「多 Agent」协作，是因为我们拥有更长期的记忆、更深厚的过往学习与共享背景，极低的通信带宽（一个眼神、一句话）就能同步极其复杂的上下文。而目前的 Agent 在上下文同步上非常困难，信息在不同 Agent 间流转时极易丢失或出错。

参考 OpenAI 的 AGI 五层分级，Agent（L3）之后是创新（L4），最后才是组织（L5）。所以多Agent也许不是这个时代最该押注的形态。或许只有当新范式出现（甚至不一定是下一次，而是多次范式演进），模型能像人一样能基于情绪、基于极少量数据快速学习和调整时，真正的多 Agent 组织形态才会成熟。

我终归会赚到属于我的那份钱的，而这只取决于我的认知程度有多深，所以不必纠结我现在少赚或多赚了多少钱，而要思考我此刻是否处在提升认知最陡峭的曲线上。