即刻App年轻人的同好社区
下载
我最近看到了一些用OpenClaw的海外案例，真的有点被震撼到了。
OpenClaw你可以把它理解成一个能自主思考、自主决策的智能助手。但真正让我震惊的，是这个工具在金融投资领域的表现......
我花了些时间研究了几个海外的案例，发现这个技术的应用场景比我想象的要广泛得多。更重要的是，国内现在也有了相对简单的部署方式。
所以今天想和大家聊聊这个话题，看看 AI 在投资这件事上，它到底能做到什么程度。
1️⃣ Polymarket 高频交易：AI 如何在预测市场中赚钱
先说一个最典型的案例，在海外有个叫 Polymarket 的预测市场平台，用户可以对各种事件的结果下注。
有人用 OpenClaw 搭建了一个自动化交易系统，专门在这个平台上做高频交易。
这个系统的逻辑其实不复杂。它会实时监控市场上的赔率变化，当发现定价偏差的时候，就会自动下单套利。
听起来和传统的量化交易有点像，但关键区别在于，OpenClaw 可以处理非结构化的信息。
比如说，它能读懂新闻标题，能理解社交媒体上的情绪变化，甚至能分析不同信息源之间的矛盾。这些能力让它在判断市场情绪和趋势的时候，比传统的量化模型要灵活得多。
据说这个系统在运行的前几周，就实现了稳定盈利。虽然具体数据没有完全公开，但从一些社区讨论来看，收益率确实相当可观。
这让我开始思考，AI 在金融市场上的应用，可能真的到了一个新的阶段。
2️⃣ 一夜赚 24.5 万美元：真实案例背后的技术逻辑
更夸张的案例来了，有个开发者在 Twitter 上分享了自己的经历，他用 OpenClaw 搭建了一个自动化投资系统，在某次市场波动中，一夜之间赚了 24.5 万美元。
这个数字听起来有点不可思议，但如果你了解背后的逻辑，就会发现其实是有迹可循的。
这个系统的核心能力在于，它能同时监控多个数据源，包括股票价格、期权数据、新闻事件、社交媒体情绪等等。
当系统检测到某个特定的信号组合时，比如某只股票的期权交易量突然激增，同时社交媒体上出现了相关的讨论热度，它就会自动判断这可能是一个交易机会。然后在毫秒级的时间内完成下单操作。
关键是，这整个过程完全不需要人工干预。系统会自己决定买什么、买多少、什么时候卖。这种自主决策的能力，是传统的程序化交易很难做到的。
当然，我也要说句公道话，这种高收益的案例肯定不是常态。
金融市场本身就充满不确定性，任何工具都不可能保证稳赚不赔。但这个案例至少证明了一点，AI 在处理复杂金融决策方面，已经具备了相当强的能力。
3️⃣ OpenClaw 的技术想象力：不只是炒股这么简单
说到这里，你可能会好奇，OpenClaw 到底有什么特别的？为什么它能做到这些事情？
其实核心在于它的架构设计。
OpenClaw 不是一个简单的交易机器人，而是一个完整的 AI Agent 框架。它可以调用各种外部工具和 API，可以进行多步骤的推理，可以根据反馈不断调整策略。
用个比喻来说，传统的量化交易系统就像是一个按照固定程序运行的机器，而 OpenClaw 更像是一个有思考能力的助手。它不仅能执行指令，还能理解上下文，能根据情况灵活应变。
这种能力的想象空间其实非常大，除了炒股和投资，它还可以用来做市场调研、竞品分析、舆情监控等等。有些公司甚至用它来做自动化的客户服务和销售跟进。
这才是 OpenClaw 最有价值的地方，它不是为某个特定场景设计的工具，而是一个通用的智能框架。你可以根据自己的需求，训练它去完成各种复杂任务。
4️⃣ 国内的机会：百度等平台提供的极简部署方式
说了这么多海外案例，可能有人会问，国内能用吗？答案是肯定的，而且比你想象的要简单。
最近百度推出了一套基于文心大模型的 Agent 开发平台，提供了非常友好的部署方式。
你不需要深厚的技术背景，也不需要从零开始搭建系统。平台已经把底层的模型能力、工具调用、任务编排等功能都封装好了。
你只需要定义好自己的业务逻辑，比如你想监控哪些数据源，想根据什么规则做决策，然后通过可视化的界面配置一下就可以了。整个过程可能只需要几个小时，就能搭建出一个可用的 AI Agent。
当然，国内的金融监管环境和海外不太一样，在实际应用的时候还是要注意合规性。但从技术可行性来说，门槛已经大大降低了。
我觉得这是一个很积极的信号，技术的普及往往需要降低使用门槛，当更多人能够接触和使用这些工具的时候，才会有更多创新的应用场景出现。
但我也想提醒一点，技术本身是中性的。AI 可以帮助我们更高效地处理信息、做出决策，但它不能替代我们对风险的判断和对市场的敬畏。任何投资都有风险，AI 工具只是辅助手段，不是万能钥匙。
从趋势来看，AI Agent 在各个行业的应用会越来越广泛。金融只是一个开始，未来可能在医疗、教育、制造业等领域，都会看到类似的智能化应用。
技术的发展速度可能比我们想象的要快，关键是我们要保持开放的心态，去了解、去尝试、去思考。
你怎么看这个趋势？
OpenClaw你可以把它理解成一个能自主思考、自主决策的智能助手。但真正让我震惊的，是这个工具在金融投资领域的表现......
我花了些时间研究了几个海外的案例，发现这个技术的应用场景比我想象的要广泛得多。更重要的是，国内现在也有了相对简单的部署方式。
所以今天想和大家聊聊这个话题，看看 AI 在投资这件事上，它到底能做到什么程度。
1️⃣ Polymarket 高频交易：AI 如何在预测市场中赚钱
先说一个最典型的案例，在海外有个叫 Polymarket 的预测市场平台，用户可以对各种事件的结果下注。
有人用 OpenClaw 搭建了一个自动化交易系统，专门在这个平台上做高频交易。
这个系统的逻辑其实不复杂。它会实时监控市场上的赔率变化，当发现定价偏差的时候，就会自动下单套利。
听起来和传统的量化交易有点像，但关键区别在于，OpenClaw 可以处理非结构化的信息。
比如说，它能读懂新闻标题，能理解社交媒体上的情绪变化，甚至能分析不同信息源之间的矛盾。这些能力让它在判断市场情绪和趋势的时候，比传统的量化模型要灵活得多。
据说这个系统在运行的前几周，就实现了稳定盈利。虽然具体数据没有完全公开，但从一些社区讨论来看，收益率确实相当可观。
这让我开始思考，AI 在金融市场上的应用，可能真的到了一个新的阶段。
2️⃣ 一夜赚 24.5 万美元：真实案例背后的技术逻辑
更夸张的案例来了，有个开发者在 Twitter 上分享了自己的经历，他用 OpenClaw 搭建了一个自动化投资系统，在某次市场波动中，一夜之间赚了 24.5 万美元。
这个数字听起来有点不可思议，但如果你了解背后的逻辑，就会发现其实是有迹可循的。
这个系统的核心能力在于，它能同时监控多个数据源，包括股票价格、期权数据、新闻事件、社交媒体情绪等等。
当系统检测到某个特定的信号组合时，比如某只股票的期权交易量突然激增，同时社交媒体上出现了相关的讨论热度，它就会自动判断这可能是一个交易机会。然后在毫秒级的时间内完成下单操作。
关键是，这整个过程完全不需要人工干预。系统会自己决定买什么、买多少、什么时候卖。这种自主决策的能力，是传统的程序化交易很难做到的。
当然，我也要说句公道话，这种高收益的案例肯定不是常态。
金融市场本身就充满不确定性，任何工具都不可能保证稳赚不赔。但这个案例至少证明了一点，AI 在处理复杂金融决策方面，已经具备了相当强的能力。
3️⃣ OpenClaw 的技术想象力：不只是炒股这么简单
说到这里，你可能会好奇，OpenClaw 到底有什么特别的？为什么它能做到这些事情？
其实核心在于它的架构设计。
OpenClaw 不是一个简单的交易机器人，而是一个完整的 AI Agent 框架。它可以调用各种外部工具和 API，可以进行多步骤的推理，可以根据反馈不断调整策略。
用个比喻来说，传统的量化交易系统就像是一个按照固定程序运行的机器，而 OpenClaw 更像是一个有思考能力的助手。它不仅能执行指令，还能理解上下文，能根据情况灵活应变。
这种能力的想象空间其实非常大，除了炒股和投资，它还可以用来做市场调研、竞品分析、舆情监控等等。有些公司甚至用它来做自动化的客户服务和销售跟进。
这才是 OpenClaw 最有价值的地方，它不是为某个特定场景设计的工具，而是一个通用的智能框架。你可以根据自己的需求，训练它去完成各种复杂任务。
4️⃣ 国内的机会：百度等平台提供的极简部署方式
说了这么多海外案例，可能有人会问，国内能用吗？答案是肯定的，而且比你想象的要简单。
最近百度推出了一套基于文心大模型的 Agent 开发平台，提供了非常友好的部署方式。
你不需要深厚的技术背景，也不需要从零开始搭建系统。平台已经把底层的模型能力、工具调用、任务编排等功能都封装好了。
你只需要定义好自己的业务逻辑，比如你想监控哪些数据源，想根据什么规则做决策，然后通过可视化的界面配置一下就可以了。整个过程可能只需要几个小时，就能搭建出一个可用的 AI Agent。
当然，国内的金融监管环境和海外不太一样，在实际应用的时候还是要注意合规性。但从技术可行性来说，门槛已经大大降低了。
我觉得这是一个很积极的信号，技术的普及往往需要降低使用门槛，当更多人能够接触和使用这些工具的时候，才会有更多创新的应用场景出现。
但我也想提醒一点，技术本身是中性的。AI 可以帮助我们更高效地处理信息、做出决策，但它不能替代我们对风险的判断和对市场的敬畏。任何投资都有风险，AI 工具只是辅助手段，不是万能钥匙。
从趋势来看，AI Agent 在各个行业的应用会越来越广泛。金融只是一个开始，未来可能在医疗、教育、制造业等领域，都会看到类似的智能化应用。
技术的发展速度可能比我们想象的要快，关键是我们要保持开放的心态，去了解、去尝试、去思考。
你怎么看这个趋势？
2 00
最近看到一篇关于字节 Seed 团队的深度报道，这个团队在去年经历了不小的调整，吴永辉接手后带来了一些新变化。
你可能听说过 Seed 团队之前的一些波折，但这一年他们到底做了什么，外界知道的并不多。我觉得这些变化背后的逻辑，对理解大厂 AI 团队的运作方式挺有参考价值。
看完之后我也对吴永辉的管理思路有了新的认识，他不是那种喜欢搞大动作的人，但每一步都挺扎实的。
文章开头就提到，吴永辉接手后做的第一件事是调整团队方向。之前 Seed 团队更偏研究型，发了不少论文，但产品落地这块一直不太理想。
这个转变其实挺难的，你想啊，一个习惯了做研究的团队，突然要开始关注用户需求、产品体验，这不是换个 KPI 那么简单。
文章里提到，吴永辉花了好几个月时间跟团队成员一对一聊，了解大家的想法和困惑。
这个做法很聪明，很多管理者上来就直接定新规矩，但吴永辉选择先听、再说。这种方式虽然慢一点，但能让团队更容易接受变化。毕竟做 AI 的人都挺有想法的，硬推肯定不行。
从结果来看，这个转型还算成功。团队现在的重心已经转移到了几个核心产品上，而不是像之前那样什么都想做。专注度提高了，效率自然也上来了。
第二个变化是关于协作方式的，吴永辉把之前那种各自为战的工作模式改成了小组制。
具体怎么做呢？
他把团队拆成了几个小组，每个小组负责一个完整的产品模块。这样做的好处是责任更清晰，大家不会互相推诿。而且小组内部的沟通成本也降低了很多。
不过这里有个问题，就是小组之间怎么协作。
文章提到，吴永辉设立了一个技术委员会，专门负责协调各小组之间的资源和技术方案，这样既保证了小组的自主性，又避免了各自为政。
我之前在其他公司也见过类似的组织架构调整，但很多都失败了。为什么？
因为只改了形式，没改文化。吴永辉这次做得比较彻底，不光调整了组织结构，还重新梳理了评价体系。现在团队成员的绩效不只看个人产出，还要看对整个产品的贡献。
第三点是关于技术路线的。文章里提到一个挺有争议的决定，就是 Seed 团队在某些场景下放弃了自研模型，转而使用开源方案。
这个决定在团队内部引起了不小的讨论，毕竟对于一个技术团队来说，自研是很有成就感的事情。
但吴永辉的逻辑很清楚，他认为技术选型要服务于产品目标，而不是为了炫技。
现在开源社区的发展速度太快了，很多时候自研不一定比开源方案更好。与其花大量时间重复造轮子，不如把精力放在真正有价值的创新上。
当然，这不是说完全放弃自研，文章也提到，在一些核心技术点上，团队还是坚持自主研发。
最后一点是关于人的。
文章末尾提到，吴永辉很重视团队氛围的建设。他会定期组织技术分享会，鼓励大家交流想法。
这个看起来很常规，但实际操作起来并不容易。尤其是在经历了一些波折之后，团队成员的心态可能都比较微妙。吴永辉的做法是坦诚沟通，不回避问题。
另外，他还调整了招聘策略。
之前 Seed 团队更倾向于招科研背景的人，现在开始更多考虑工程能力和产品思维，这个变化其实也反映了团队定位的转变。
吴永辉这一年做的事情，说白了就是在做减法。减掉不必要的项目，减掉低效的流程，减掉不合适的人。但同时，他又在做加法，加强团队协作，加深产品理解，加大核心技术投入。
这种一减一加之间的平衡，我觉得是最难把握的。
做得好，团队就能重新焕发活力。做不好，可能就会陷入混乱。从目前的情况看，Seed 团队的调整还算成功。
至于未来会怎样，现在还不好说。但至少现在，这个团队找到了自己的节奏，这本身就是一件值得肯定的事情。
你可能听说过 Seed 团队之前的一些波折，但这一年他们到底做了什么，外界知道的并不多。我觉得这些变化背后的逻辑，对理解大厂 AI 团队的运作方式挺有参考价值。
看完之后我也对吴永辉的管理思路有了新的认识，他不是那种喜欢搞大动作的人，但每一步都挺扎实的。
文章开头就提到，吴永辉接手后做的第一件事是调整团队方向。之前 Seed 团队更偏研究型，发了不少论文，但产品落地这块一直不太理想。
这个转变其实挺难的，你想啊，一个习惯了做研究的团队，突然要开始关注用户需求、产品体验，这不是换个 KPI 那么简单。
文章里提到，吴永辉花了好几个月时间跟团队成员一对一聊，了解大家的想法和困惑。
这个做法很聪明，很多管理者上来就直接定新规矩，但吴永辉选择先听、再说。这种方式虽然慢一点，但能让团队更容易接受变化。毕竟做 AI 的人都挺有想法的，硬推肯定不行。
从结果来看，这个转型还算成功。团队现在的重心已经转移到了几个核心产品上，而不是像之前那样什么都想做。专注度提高了，效率自然也上来了。
第二个变化是关于协作方式的，吴永辉把之前那种各自为战的工作模式改成了小组制。
具体怎么做呢？
他把团队拆成了几个小组，每个小组负责一个完整的产品模块。这样做的好处是责任更清晰，大家不会互相推诿。而且小组内部的沟通成本也降低了很多。
不过这里有个问题，就是小组之间怎么协作。
文章提到，吴永辉设立了一个技术委员会，专门负责协调各小组之间的资源和技术方案，这样既保证了小组的自主性，又避免了各自为政。
我之前在其他公司也见过类似的组织架构调整，但很多都失败了。为什么？
因为只改了形式，没改文化。吴永辉这次做得比较彻底，不光调整了组织结构，还重新梳理了评价体系。现在团队成员的绩效不只看个人产出，还要看对整个产品的贡献。
第三点是关于技术路线的。文章里提到一个挺有争议的决定，就是 Seed 团队在某些场景下放弃了自研模型，转而使用开源方案。
这个决定在团队内部引起了不小的讨论，毕竟对于一个技术团队来说，自研是很有成就感的事情。
但吴永辉的逻辑很清楚，他认为技术选型要服务于产品目标，而不是为了炫技。
现在开源社区的发展速度太快了，很多时候自研不一定比开源方案更好。与其花大量时间重复造轮子，不如把精力放在真正有价值的创新上。
当然，这不是说完全放弃自研，文章也提到，在一些核心技术点上，团队还是坚持自主研发。
最后一点是关于人的。
文章末尾提到，吴永辉很重视团队氛围的建设。他会定期组织技术分享会，鼓励大家交流想法。
这个看起来很常规，但实际操作起来并不容易。尤其是在经历了一些波折之后，团队成员的心态可能都比较微妙。吴永辉的做法是坦诚沟通，不回避问题。
另外，他还调整了招聘策略。
之前 Seed 团队更倾向于招科研背景的人，现在开始更多考虑工程能力和产品思维，这个变化其实也反映了团队定位的转变。
吴永辉这一年做的事情，说白了就是在做减法。减掉不必要的项目，减掉低效的流程，减掉不合适的人。但同时，他又在做加法，加强团队协作，加深产品理解，加大核心技术投入。
这种一减一加之间的平衡，我觉得是最难把握的。
做得好，团队就能重新焕发活力。做不好，可能就会陷入混乱。从目前的情况看，Seed 团队的调整还算成功。
至于未来会怎样，现在还不好说。但至少现在，这个团队找到了自己的节奏，这本身就是一件值得肯定的事情。
4 00
最近听了一档鹅厂的播客「以鹅传鹅」讲 To B 的一期内容，意外发现了一个有意思的现象。
你有没有发现，不管去哪家公司，打开手机基本都绕不开这几个应用：企微聊客户、腾讯会议开会、腾讯文档协作。
用得太顺手了，以至于我们都快忘了，这背后其实是腾讯精心布局的一整套商业闭环。
说起腾讯，大家第一反应可能还是游戏、社交这些 To C 业务。但如果你仔细观察身边的职场环境，会发现腾讯的 ToB 基因早就渗透到工作的每个角落。
今天想跟大家聊聊，腾讯是怎么把 To B 这盘棋下得如此巧妙的。
先说点实在的数据吧，很多人觉得腾讯没有 ToB 基因，这个印象其实停留在好几年前了。马化腾在今年的员工大会上谈到 To B，有这么一句话，“2025 年 CSIG 已经实现了规模化的盈利”。
播客里腾讯金融云的负责人代大海分享了一个细节：他从 2017 年加入腾讯到现在，见证了整个 To B 业务从被质疑到逐渐被认可的过程。最让人印象深刻的是，他提到自己做过的最长的一个项目，从最开始启动到最后一笔款收回来，用了整整 7 年时间。
这个时间跨度听起来有点夸张，但恰恰说明了 To B 业务的本质——它就像种树，10 年前种下，10 年后才能成林。而腾讯愿意为此投入耐心和资源，本身就是一种战略选择。
看最近几年的财报，腾讯的金融科技及企业服务板块增速一直保持在 30% 以上。2023 年这块业务的收入已经超过 2000 亿人民币，占总营收的比重接近 35%。
这个体量已经超过了很多专门做企业服务的公司全年营收。从 2018 年到现在短短五六年时间，腾讯云的市场份额已经稳居国内前三。企业微信的活跃用户突破 8 亿，服务企业数量超过 1200 万家。
更值得关注的是在金融这个对技术要求最严苛的领域，腾讯云已经服务全球超 10000 家金融客户。
在国内银行领域，与央行、六大国有银行都建立了合作关系，TOP200 银行中 90% 以上选择了腾讯云。
腾讯云数据库 TDSQL 已服务近半国内 TOP 20 银行，企业微信服务了 17 家国有大型银行和全国性股份制银行总行，覆盖比例超过 90%。
所以当有人说感觉不到腾讯做 To B 的时候，我反而觉得这恰恰证明了它做得有多成功。因为真正好的企业服务，就应该是无感的，就像你不会每天感谢水龙头提供自来水一样。
现在我们来拆解一下这套组合拳到底妙在哪里。
想象一个典型的工作场景：早上你用微信和客户确认了会议时间，然后切换到企业微信拉了个内部群讨论方案，接着在腾讯文档里多人实时编辑 PPT，最后又回到微信把定稿发给客户。
整个流程行云流水，你甚至没意识到自己在不同产品之间跳转了多少次。
这就是腾讯最厉害的地方，它不是简单地推出几个独立的企业工具，而是基于微信这个超级入口，构建了一条完整的工作动线。
微信解决外部沟通，企业微信负责内部协同和客户管理，腾讯文档提供内容生产能力。三者之间的切换成本几乎为零，数据可以无缝流转。
这种能力的价值在实际案例中体现得淋漓尽致。比如华兴银行用腾讯云打造的大模型信贷尽调助手，把原本需要 7-10 天才能完成的百页授信尽调报告，压缩到 1 天内完成，人工审核采纳率达到 93%，工作效率提升了 10 倍。
再比如长生人寿基于腾讯乐享 AI 知识库，上线了智能展业助手“AI-长小生”，将单证处理时间从小时级缩短至分钟级，人工录入与复核工作量减少了 80% 以上。
这些案例背后的逻辑是一致的：腾讯把原本分散在不同系统、不同人员手中的知识和流程，通过企业微信、腾讯文档、腾讯云等工具链整合起来，变成了可管理、可传承、可智能化的企业资产。
而且你发现没有，这套工具链覆盖的不只是某个环节，而是职场人的完整工作流。从获客、沟通、协作到交付，每个步骤都有对应的产品支撑。
这种全链条的覆盖能力，才是腾讯 To B 战略的核心竞争力。
说到这里，我们可以回答开头那个问题了：为什么感觉企业微信无处不在？
答案其实很简单，因为腾讯选择了一条和传统企业服务完全不同的路径。
以前做 To B，大家都想着怎么卖软件、卖系统，恨不得在企业里刷存在感。但腾讯反其道而行之，它要做的是基础设施，是那种你用着用着就忘了它存在的东西。
这个策略太聪明了，因为微信已经有 12 亿用户，这意味着企业微信天然就有最低的学习成本。
员工不需要培训，老板不用担心推广难度，IT 部门也省去了复杂的部署流程。这种基于社交关系链的企业服务，本身就具备病毒式传播的基因。
最能说明问题的是在金融这种对安全性、稳定性要求极高的行业，腾讯也站稳了脚跟。
中国农业银行完成了全球最大规模的银行核心分布式迁移，采用腾讯云数据库 TDSQL 实现全栈国产化；张家港农商行在银行传统核心数据库领域首次实现国产化，成本缩减到传统架构的 1/5。
腾讯的 To B 能力不只是停留在协同办公层面，而是深入到了企业最核心的业务系统。这种粘性一旦形成，就很难被替代。
从商业角度看，这是一个教科书级别的案例。腾讯用社交优势撬动企业市场，用免费策略快速占领心智，用生态思维构建长期壁垒。
这套打法看起来很慢，但一旦跑通了，就是指数级的增长。
往后看，随着数字化转型的深入，企业服务市场还会继续扩大。腾讯这条微信-企业微信-腾讯文档的工具链，可能会变得更加不可或缺。
到那时候，我们或许会发现，所谓的 ToB 基因，从来不是天生的，而是在正确的战略和持续的投入中逐渐生长出来的。
你有没有发现，不管去哪家公司，打开手机基本都绕不开这几个应用：企微聊客户、腾讯会议开会、腾讯文档协作。
用得太顺手了，以至于我们都快忘了，这背后其实是腾讯精心布局的一整套商业闭环。
说起腾讯，大家第一反应可能还是游戏、社交这些 To C 业务。但如果你仔细观察身边的职场环境，会发现腾讯的 ToB 基因早就渗透到工作的每个角落。
今天想跟大家聊聊，腾讯是怎么把 To B 这盘棋下得如此巧妙的。
先说点实在的数据吧，很多人觉得腾讯没有 ToB 基因，这个印象其实停留在好几年前了。马化腾在今年的员工大会上谈到 To B，有这么一句话，“2025 年 CSIG 已经实现了规模化的盈利”。
播客里腾讯金融云的负责人代大海分享了一个细节：他从 2017 年加入腾讯到现在，见证了整个 To B 业务从被质疑到逐渐被认可的过程。最让人印象深刻的是，他提到自己做过的最长的一个项目，从最开始启动到最后一笔款收回来，用了整整 7 年时间。
这个时间跨度听起来有点夸张，但恰恰说明了 To B 业务的本质——它就像种树，10 年前种下，10 年后才能成林。而腾讯愿意为此投入耐心和资源，本身就是一种战略选择。
看最近几年的财报，腾讯的金融科技及企业服务板块增速一直保持在 30% 以上。2023 年这块业务的收入已经超过 2000 亿人民币，占总营收的比重接近 35%。
这个体量已经超过了很多专门做企业服务的公司全年营收。从 2018 年到现在短短五六年时间，腾讯云的市场份额已经稳居国内前三。企业微信的活跃用户突破 8 亿，服务企业数量超过 1200 万家。
更值得关注的是在金融这个对技术要求最严苛的领域，腾讯云已经服务全球超 10000 家金融客户。
在国内银行领域，与央行、六大国有银行都建立了合作关系，TOP200 银行中 90% 以上选择了腾讯云。
腾讯云数据库 TDSQL 已服务近半国内 TOP 20 银行，企业微信服务了 17 家国有大型银行和全国性股份制银行总行，覆盖比例超过 90%。
所以当有人说感觉不到腾讯做 To B 的时候，我反而觉得这恰恰证明了它做得有多成功。因为真正好的企业服务，就应该是无感的，就像你不会每天感谢水龙头提供自来水一样。
现在我们来拆解一下这套组合拳到底妙在哪里。
想象一个典型的工作场景：早上你用微信和客户确认了会议时间，然后切换到企业微信拉了个内部群讨论方案，接着在腾讯文档里多人实时编辑 PPT，最后又回到微信把定稿发给客户。
整个流程行云流水，你甚至没意识到自己在不同产品之间跳转了多少次。
这就是腾讯最厉害的地方，它不是简单地推出几个独立的企业工具，而是基于微信这个超级入口，构建了一条完整的工作动线。
微信解决外部沟通，企业微信负责内部协同和客户管理，腾讯文档提供内容生产能力。三者之间的切换成本几乎为零，数据可以无缝流转。
这种能力的价值在实际案例中体现得淋漓尽致。比如华兴银行用腾讯云打造的大模型信贷尽调助手，把原本需要 7-10 天才能完成的百页授信尽调报告，压缩到 1 天内完成，人工审核采纳率达到 93%，工作效率提升了 10 倍。
再比如长生人寿基于腾讯乐享 AI 知识库，上线了智能展业助手“AI-长小生”，将单证处理时间从小时级缩短至分钟级，人工录入与复核工作量减少了 80% 以上。
这些案例背后的逻辑是一致的：腾讯把原本分散在不同系统、不同人员手中的知识和流程，通过企业微信、腾讯文档、腾讯云等工具链整合起来，变成了可管理、可传承、可智能化的企业资产。
而且你发现没有，这套工具链覆盖的不只是某个环节，而是职场人的完整工作流。从获客、沟通、协作到交付，每个步骤都有对应的产品支撑。
这种全链条的覆盖能力，才是腾讯 To B 战略的核心竞争力。
说到这里，我们可以回答开头那个问题了：为什么感觉企业微信无处不在？
答案其实很简单，因为腾讯选择了一条和传统企业服务完全不同的路径。
以前做 To B，大家都想着怎么卖软件、卖系统，恨不得在企业里刷存在感。但腾讯反其道而行之，它要做的是基础设施，是那种你用着用着就忘了它存在的东西。
这个策略太聪明了，因为微信已经有 12 亿用户，这意味着企业微信天然就有最低的学习成本。
员工不需要培训，老板不用担心推广难度，IT 部门也省去了复杂的部署流程。这种基于社交关系链的企业服务，本身就具备病毒式传播的基因。
最能说明问题的是在金融这种对安全性、稳定性要求极高的行业，腾讯也站稳了脚跟。
中国农业银行完成了全球最大规模的银行核心分布式迁移，采用腾讯云数据库 TDSQL 实现全栈国产化；张家港农商行在银行传统核心数据库领域首次实现国产化，成本缩减到传统架构的 1/5。
腾讯的 To B 能力不只是停留在协同办公层面，而是深入到了企业最核心的业务系统。这种粘性一旦形成，就很难被替代。
从商业角度看，这是一个教科书级别的案例。腾讯用社交优势撬动企业市场，用免费策略快速占领心智，用生态思维构建长期壁垒。
这套打法看起来很慢，但一旦跑通了，就是指数级的增长。
往后看，随着数字化转型的深入，企业服务市场还会继续扩大。腾讯这条微信-企业微信-腾讯文档的工具链，可能会变得更加不可或缺。
到那时候，我们或许会发现，所谓的 ToB 基因，从来不是天生的，而是在正确的战略和持续的投入中逐渐生长出来的。
0 00
一个人用一周时间，花 300 美元，就能搭建出一个媲美 Techmeme 的新闻聚合平台，你会怎么想？
这个人既不是全职工程师，也没有团队支持，只是在深夜对着 AI 编程助手敲敲打打。
这个人就是曾经创办 Digg 的硅谷传奇 Kevin Rose，而他构建的这套系统能够自动抓取 63 个 RSS 源、用三种工具交叉验证文章质量、通过向量嵌入技术实现语义聚类、甚至还搭建了一套编辑评分系统来判断新闻价值，你还会觉得这只是个玩具项目吗？
这就是 2026 年正在发生的事情，Vibe Coding正在撕开一道裂缝，让我们看见产品开发的未来。
Kevin Rose 在最近一次访谈中毫不避讳地承认：我构建的东西可能有 bug，可能不够优雅，可能在高并发下会崩溃。
但他紧接着抛出了一个问题：找到一个真正有人想用的产品，和写出完美无缺的代码，哪个更难？
答案显而易见。
过去二十年，我们见证了太多技术完美但无人问津的产品。那些在 GitHub 上星标过万的开源项目，有多少真正改变了用户的生活？
传统软件开发的逻辑是先花三个月做需求分析和技术选型，再花六个月搭建基础架构，然后用一年时间打磨产品细节，最后推向市场时发现用户根本不买账。
这时候，那些精心设计的数据库范式、那些反复推敲的 API 接口、那些为了性能优化而通宵达旦的努力，统统变成了沉没成本。
Vibe Coding 反其道而行之，它的核心逻辑是：先用最快的速度把想法变成可以运行的原型，让真实用户告诉你这东西到底行不行。
如果不行，立刻砍掉重来，成本不过是几百美元的 AI 调用费用和几个晚上的时间。如果行，再找专业工程师来重构代码、优化性能、处理边界情况。
Kevin Rose 说得很直白：如果我的产品因为 5 万人同时涌入而崩溃，那简直是最幸福的烦恼。我保证能找到工程师来解决这个问题。但如果产品根本没人用，再完美的代码也毫无意义。
Kevin Rose 在访谈中反复强调一个观点：失败是最好的老师。
他的项目里有一个 URL 叫做 clusters-v2，因为 v1 版本的聚类算法效果不好，被整个删掉了。
那代表着四个小时的工作量，但 Kevin 毫不心疼，直接在 GitHub 上回滚了那次提交，就当那四个小时从未发生过。
在传统开发模式下，这种决策是很难做出的。如果你花了一周时间设计一个功能模块，写了上千行代码，做了完整的单元测试，然后发现方向错了，大概率是硬着头皮继续优化，试图让它变得有用，因为沉没成本太高了。
但在 Vibe Coding 模式下，试错成本被压缩到了极致。一个功能从想法到原型可能只需要两个小时，如果不行就立刻放弃，再试下一个方向。
Kevin 说他的项目里有 90% 的功能最终都会被砍掉，只保留那 10% 真正有价值的部分。
这种开发哲学听起来很浪费，但实际上恰恰相反。因为它避免了最大的浪费，那就是在错误的方向上投入大量资源。
Kevin Rose 提出了一个概念：个人软件，就是为自己量身定制的工具，只解决你自己的问题，不考虑大众市场。
比如你想要一个专注于 AI 领域的新闻聚合器，能够按照新颖性和技术深度排序，而不是按照点击量排序，那就自己做一个。
现在，一个人、一台电脑、一个 AI 编程助手，就能在几天内搞定。
Kevin 说他的 Nylon 项目可能永远不会正式发布，也可能只是做成一个简单的单页网站，服务几百个和他有相同兴趣的人。
这种心态的转变很重要，不是每个产品都要成为下一个 Facebook，不是每个创业者都要追求独角兽估值。有时候，做一个小而美的工具，服务一个小而精的社群，也是一种成功。
如果代码不再是门槛，那产品经理的价值在哪里？
Kevin Rose 给出的答案是：做减法。
他说未来的产品开发，难的不是能做什么，而是选择不做什么。因为 AI 可以帮你实现任何功能，你可以在一周内搭建出一个功能丰富到令人眼花缭乱的系统。
但这个系统真的有用吗？用户真的需要这么多功能吗？
Kevin 的 Nylon 项目就是一个典型案例，他在后台搭建了文章来源分布分析、作者声誉评分、话题时间线追踪、相似度距离可视化等等一大堆功能。
但他很清楚，这些功能里 90% 都是自嗨，真正有价值的可能只有 10%。
那么问题来了：哪 10%？
这就是产品经理的核心能力。不是画原型图，不是写需求文档，而是在一堆可能性中找到那个真正重要的点。
Kevin 提到了一个细节：他最关心的指标是新颖性。不是今天的新颖性，而是长时间跨度上的新颖性。
他举了个例子，比特币第一次在 Hacker News 上被提及时，几乎所有人都在嘲笑它，觉得这是个愚蠢的想法。
但如果当时有一个系统能够识别出这个想法的新颖性，并把它推荐给那些愿意接受新事物的人，那会怎样？
这种洞察不是技术问题，而是产品哲学问题。你要理解用户真正的需求是什么，不是他们说出来的需求，而是他们行为背后的动机。
Kevin 还提到了留存机制的重要性。他观察到很多产品都在追求日活、月活这样的虚荣指标，但真正重要的是用户为什么回来。是因为产品真的有价值，还是因为你设计了一堆上瘾机制？
他举了个例子，他做的另一个项目叫 Idea Browser，每天推送一个创业点子。这个产品的留存率很高，因为用户知道每天都会有新东西，而且这个新东西是精心筛选过的，不是算法推荐的信息流垃圾。
这就是产品经理的价值，在 AI 可以生成无限内容的时代，策展能力变得比生产能力更重要。
Vibe Coding 确实降低了编程的门槛，让更多人能够把想法变成产品。但它也扩大了那些真正懂产品的人的能力边界，让他们能够在更短的时间内尝试更多的可能性。
先做出来，再说其他。更重要的是，先让产品活下来。
这个人既不是全职工程师，也没有团队支持，只是在深夜对着 AI 编程助手敲敲打打。
这个人就是曾经创办 Digg 的硅谷传奇 Kevin Rose，而他构建的这套系统能够自动抓取 63 个 RSS 源、用三种工具交叉验证文章质量、通过向量嵌入技术实现语义聚类、甚至还搭建了一套编辑评分系统来判断新闻价值，你还会觉得这只是个玩具项目吗？
这就是 2026 年正在发生的事情，Vibe Coding正在撕开一道裂缝，让我们看见产品开发的未来。
Kevin Rose 在最近一次访谈中毫不避讳地承认：我构建的东西可能有 bug，可能不够优雅，可能在高并发下会崩溃。
但他紧接着抛出了一个问题：找到一个真正有人想用的产品，和写出完美无缺的代码，哪个更难？
答案显而易见。
过去二十年，我们见证了太多技术完美但无人问津的产品。那些在 GitHub 上星标过万的开源项目，有多少真正改变了用户的生活？
传统软件开发的逻辑是先花三个月做需求分析和技术选型，再花六个月搭建基础架构，然后用一年时间打磨产品细节，最后推向市场时发现用户根本不买账。
这时候，那些精心设计的数据库范式、那些反复推敲的 API 接口、那些为了性能优化而通宵达旦的努力，统统变成了沉没成本。
Vibe Coding 反其道而行之，它的核心逻辑是：先用最快的速度把想法变成可以运行的原型，让真实用户告诉你这东西到底行不行。
如果不行，立刻砍掉重来，成本不过是几百美元的 AI 调用费用和几个晚上的时间。如果行，再找专业工程师来重构代码、优化性能、处理边界情况。
Kevin Rose 说得很直白：如果我的产品因为 5 万人同时涌入而崩溃，那简直是最幸福的烦恼。我保证能找到工程师来解决这个问题。但如果产品根本没人用，再完美的代码也毫无意义。
Kevin Rose 在访谈中反复强调一个观点：失败是最好的老师。
他的项目里有一个 URL 叫做 clusters-v2，因为 v1 版本的聚类算法效果不好，被整个删掉了。
那代表着四个小时的工作量，但 Kevin 毫不心疼，直接在 GitHub 上回滚了那次提交，就当那四个小时从未发生过。
在传统开发模式下，这种决策是很难做出的。如果你花了一周时间设计一个功能模块，写了上千行代码，做了完整的单元测试，然后发现方向错了，大概率是硬着头皮继续优化，试图让它变得有用，因为沉没成本太高了。
但在 Vibe Coding 模式下，试错成本被压缩到了极致。一个功能从想法到原型可能只需要两个小时，如果不行就立刻放弃，再试下一个方向。
Kevin 说他的项目里有 90% 的功能最终都会被砍掉，只保留那 10% 真正有价值的部分。
这种开发哲学听起来很浪费，但实际上恰恰相反。因为它避免了最大的浪费，那就是在错误的方向上投入大量资源。
Kevin Rose 提出了一个概念：个人软件，就是为自己量身定制的工具，只解决你自己的问题，不考虑大众市场。
比如你想要一个专注于 AI 领域的新闻聚合器，能够按照新颖性和技术深度排序，而不是按照点击量排序，那就自己做一个。
现在，一个人、一台电脑、一个 AI 编程助手，就能在几天内搞定。
Kevin 说他的 Nylon 项目可能永远不会正式发布，也可能只是做成一个简单的单页网站，服务几百个和他有相同兴趣的人。
这种心态的转变很重要，不是每个产品都要成为下一个 Facebook，不是每个创业者都要追求独角兽估值。有时候，做一个小而美的工具，服务一个小而精的社群，也是一种成功。
如果代码不再是门槛，那产品经理的价值在哪里？
Kevin Rose 给出的答案是：做减法。
他说未来的产品开发，难的不是能做什么，而是选择不做什么。因为 AI 可以帮你实现任何功能，你可以在一周内搭建出一个功能丰富到令人眼花缭乱的系统。
但这个系统真的有用吗？用户真的需要这么多功能吗？
Kevin 的 Nylon 项目就是一个典型案例，他在后台搭建了文章来源分布分析、作者声誉评分、话题时间线追踪、相似度距离可视化等等一大堆功能。
但他很清楚，这些功能里 90% 都是自嗨，真正有价值的可能只有 10%。
那么问题来了：哪 10%？
这就是产品经理的核心能力。不是画原型图，不是写需求文档，而是在一堆可能性中找到那个真正重要的点。
Kevin 提到了一个细节：他最关心的指标是新颖性。不是今天的新颖性，而是长时间跨度上的新颖性。
他举了个例子，比特币第一次在 Hacker News 上被提及时，几乎所有人都在嘲笑它，觉得这是个愚蠢的想法。
但如果当时有一个系统能够识别出这个想法的新颖性，并把它推荐给那些愿意接受新事物的人，那会怎样？
这种洞察不是技术问题，而是产品哲学问题。你要理解用户真正的需求是什么，不是他们说出来的需求，而是他们行为背后的动机。
Kevin 还提到了留存机制的重要性。他观察到很多产品都在追求日活、月活这样的虚荣指标，但真正重要的是用户为什么回来。是因为产品真的有价值，还是因为你设计了一堆上瘾机制？
他举了个例子，他做的另一个项目叫 Idea Browser，每天推送一个创业点子。这个产品的留存率很高，因为用户知道每天都会有新东西，而且这个新东西是精心筛选过的，不是算法推荐的信息流垃圾。
这就是产品经理的价值，在 AI 可以生成无限内容的时代，策展能力变得比生产能力更重要。
Vibe Coding 确实降低了编程的门槛，让更多人能够把想法变成产品。但它也扩大了那些真正懂产品的人的能力边界，让他们能够在更短的时间内尝试更多的可能性。
先做出来，再说其他。更重要的是，先让产品活下来。
2 01
给大家分享一下硅谷最顶尖的投资人马克·安德森的教育理念。
他 10 岁的孩子现在在家上学。
在马克看来，现在最重要的不是让孩子学会某个技能，而是要培养出超能力个体。
什么是超能力个体？
举个例子，你身边肯定有那种编程很厉害的朋友。以前，这些人用 AI 工具，可能效率提升了一倍。
但马克说，真正顶尖的程序员，用了 AI 之后，能力不是翻倍，而是变成了原来的 10 倍。
换句话说，AI 不是让所有人都变得更好一点点，而是让本来就很优秀的人，变得异常强大。
这就是超能力个体的核心，不是普通的好，而是好到让人震惊的那种程度。
这种转变是怎么发生的？
第一步，你得在某个领域已经很深入。可能是写代码，可能是做设计，也可能是写文章。
关键是你得真的懂这个领域的门道。
第二步，你要学会用 AI 作为杠杆，就像物理学里说的，给我一个支点，我能撬动地球。AI 就是那个支点。
第三步，也是最关键的，你要有主动性。
马克用了一个词叫 agency，也就是能主动做事的能力。不是等着别人告诉你该干什么，而是你自己知道该往哪走。
为什么现在这么重要？这里有个很多人没注意到的大背景。
过去 50 年，虽然我们感觉科技发展很快，但实际上，经济学家有个指标叫生产力增长，用来衡量技术对经济的真实影响。
这个数字显示，过去 50 年的技术进步速度，只有 1940 到 1970 年的一半，是 1870 到 1940 年的三分之一。
同时，全球人口增长在放缓，很多国家甚至开始人口下降，中国、日本、欧洲很多国家都是这样。
这意味着如果没有 AI，我们其实应该恐慌。因为人口减少加上技术进步缓慢，经济就会萎缩。
但现在，AI 来了，而且来得正是时候。
马克说，这个时机简直是奇迹般的巧合，我们恰好在最需要 AI 的时候，拥有了这项技术。
说到这里，你可能会问，这跟普通人有什么关系？
关系大了。
几百年来，教育界有个共识，最好的教育方式是一对一辅导。亚历山大大帝的老师是亚里士多德，这种配置当然效果好。
但问题是，除了最富有的家庭，谁能负担得起？
现在不一样了，AI 可以给每个孩子提供一对一的辅导。而且这种辅导是无限的，随时随地，想问什么问什么。
有个教育学上的著名发现叫布鲁姆两西格玛效应。研究发现，一对一辅导能让学生的成绩从 50 百分位提升到 99 百分位。这是唯一一种能稳定提升两个标准差的教育方法。
现在，这种方法可以普及了。
你可以让孩子对着 AI 说，教我这个概念。如果听不懂，就说，能不能讲得简单一点？然后让 AI 出题测试，看看是不是真的理解了。
说完教育，我们来聊聊工作。
马克提到了一个特别有意思的现象，他叫它墨西哥对峙。
现在，每个程序员都觉得自己可以做产品经理和设计师的活，因为有 AI 帮忙。
同时，每个产品经理觉得自己能写代码、能设计，设计师也觉得自己能做产品、能编程。
三个角色，互相觉得对方的活自己也能干。
这不就是三方对峙吗？
但这不是坏事。
马克引用了漫画家斯科特·亚当斯的理论。亚当斯说，精通两项技能的人，价值不是两倍，而是远超两倍。精通三项的人，价值远超三倍。
换句话说，AI 时代最有价值的不是单一领域的专家，而是能横跨多个领域的复合型人才。
以前我们说 T 型人才，在一个领域很深，在其他领域有广度。
现在要变成 E 型人才了，在多个领域都有深度。
同理，一个设计师如果学会了用 AI 写代码和做产品规划，他就不只是设计师了，而是一个能独立完成整个项目的超能力个体。
说了这么多理论，来点实际的。
马克给的建议很直接，把你所有的空闲时间都用来跟 AI 对话，让 AI 训练你。
现在的 AI 就像是一个随时待命的私人教练，你不用它，不就是浪费吗？
具体操作上，可以这样。
如果你是程序员，不要只用 AI 写代码，让它教你产品思维，教你设计原则。
问它，这个功能的用户体验怎么优化？这个界面怎么设计更好？
如果你是产品经理，让 AI 教你基础的编程逻辑。不是说要你变成程序员，而是要理解技术的可能性和限制。同时也学点设计，至少能画出像样的原型。
如果你是设计师，学会用 AI 生成代码原型。也学学产品思维，理解为什么要做某个功能，而不只是把它做得好看。
关键是，不要把自己限制在一个身份里。
有人可能会问，既然 AI 都能写代码了，为什么还要学编程？
马克的回答很有意思。他说，即使 AI 能写代码，你也得懂代码在干什么。就像你开车不需要知道发动机的每个零件，但你得知道油门刹车怎么用。
更重要的是，编程不只是写代码，而是一种思维方式。是把复杂问题拆解成小步骤的能力，是逻辑思考的训练。
这种能力，在任何领域都有用。
我们正处在一个特殊的历史时刻。人口在下降，但 AI 在崛起。这不是巧合，而是一种幸运的同步。
如果没有 AI，我们会面临劳动力短缺、经济萎缩的问题。但有了 AI，这些问题不但能解决，还可能迎来一个经济大繁荣的时代。
在这个时代，人类工作者不会变得不值钱，反而会更值钱。因为能用好 AI 的人，会变得异常稀缺和宝贵。
这就是为什么培养超能力个体这么重要。
不是说每个人都要变成全才，而是说，在你擅长的领域深耕的同时，要学会借助 AI 的力量，横向拓展到其他领域。
这样，你就不只是一个程序员、一个设计师、一个产品经理，而是一个能独立创造价值的超能力个体。
这个转变不会自动发生。
它需要你主动去学习，主动去尝试，主动去突破自己的舒适区。
他 10 岁的孩子现在在家上学。
在马克看来，现在最重要的不是让孩子学会某个技能，而是要培养出超能力个体。
什么是超能力个体？
举个例子，你身边肯定有那种编程很厉害的朋友。以前，这些人用 AI 工具，可能效率提升了一倍。
但马克说，真正顶尖的程序员，用了 AI 之后，能力不是翻倍，而是变成了原来的 10 倍。
换句话说，AI 不是让所有人都变得更好一点点，而是让本来就很优秀的人，变得异常强大。
这就是超能力个体的核心，不是普通的好，而是好到让人震惊的那种程度。
这种转变是怎么发生的？
第一步，你得在某个领域已经很深入。可能是写代码，可能是做设计，也可能是写文章。
关键是你得真的懂这个领域的门道。
第二步，你要学会用 AI 作为杠杆，就像物理学里说的，给我一个支点，我能撬动地球。AI 就是那个支点。
第三步，也是最关键的，你要有主动性。
马克用了一个词叫 agency，也就是能主动做事的能力。不是等着别人告诉你该干什么，而是你自己知道该往哪走。
为什么现在这么重要？这里有个很多人没注意到的大背景。
过去 50 年，虽然我们感觉科技发展很快，但实际上，经济学家有个指标叫生产力增长，用来衡量技术对经济的真实影响。
这个数字显示，过去 50 年的技术进步速度，只有 1940 到 1970 年的一半，是 1870 到 1940 年的三分之一。
同时，全球人口增长在放缓，很多国家甚至开始人口下降，中国、日本、欧洲很多国家都是这样。
这意味着如果没有 AI，我们其实应该恐慌。因为人口减少加上技术进步缓慢，经济就会萎缩。
但现在，AI 来了，而且来得正是时候。
马克说，这个时机简直是奇迹般的巧合，我们恰好在最需要 AI 的时候，拥有了这项技术。
说到这里，你可能会问，这跟普通人有什么关系？
关系大了。
几百年来，教育界有个共识，最好的教育方式是一对一辅导。亚历山大大帝的老师是亚里士多德，这种配置当然效果好。
但问题是，除了最富有的家庭，谁能负担得起？
现在不一样了，AI 可以给每个孩子提供一对一的辅导。而且这种辅导是无限的，随时随地，想问什么问什么。
有个教育学上的著名发现叫布鲁姆两西格玛效应。研究发现，一对一辅导能让学生的成绩从 50 百分位提升到 99 百分位。这是唯一一种能稳定提升两个标准差的教育方法。
现在，这种方法可以普及了。
你可以让孩子对着 AI 说，教我这个概念。如果听不懂，就说，能不能讲得简单一点？然后让 AI 出题测试，看看是不是真的理解了。
说完教育，我们来聊聊工作。
马克提到了一个特别有意思的现象，他叫它墨西哥对峙。
现在，每个程序员都觉得自己可以做产品经理和设计师的活，因为有 AI 帮忙。
同时，每个产品经理觉得自己能写代码、能设计，设计师也觉得自己能做产品、能编程。
三个角色，互相觉得对方的活自己也能干。
这不就是三方对峙吗？
但这不是坏事。
马克引用了漫画家斯科特·亚当斯的理论。亚当斯说，精通两项技能的人，价值不是两倍，而是远超两倍。精通三项的人，价值远超三倍。
换句话说，AI 时代最有价值的不是单一领域的专家，而是能横跨多个领域的复合型人才。
以前我们说 T 型人才，在一个领域很深，在其他领域有广度。
现在要变成 E 型人才了，在多个领域都有深度。
同理，一个设计师如果学会了用 AI 写代码和做产品规划，他就不只是设计师了，而是一个能独立完成整个项目的超能力个体。
说了这么多理论，来点实际的。
马克给的建议很直接，把你所有的空闲时间都用来跟 AI 对话，让 AI 训练你。
现在的 AI 就像是一个随时待命的私人教练，你不用它，不就是浪费吗？
具体操作上，可以这样。
如果你是程序员，不要只用 AI 写代码，让它教你产品思维，教你设计原则。
问它，这个功能的用户体验怎么优化？这个界面怎么设计更好？
如果你是产品经理，让 AI 教你基础的编程逻辑。不是说要你变成程序员，而是要理解技术的可能性和限制。同时也学点设计，至少能画出像样的原型。
如果你是设计师，学会用 AI 生成代码原型。也学学产品思维，理解为什么要做某个功能，而不只是把它做得好看。
关键是，不要把自己限制在一个身份里。
有人可能会问，既然 AI 都能写代码了，为什么还要学编程？
马克的回答很有意思。他说，即使 AI 能写代码，你也得懂代码在干什么。就像你开车不需要知道发动机的每个零件，但你得知道油门刹车怎么用。
更重要的是，编程不只是写代码，而是一种思维方式。是把复杂问题拆解成小步骤的能力，是逻辑思考的训练。
这种能力，在任何领域都有用。
我们正处在一个特殊的历史时刻。人口在下降，但 AI 在崛起。这不是巧合，而是一种幸运的同步。
如果没有 AI，我们会面临劳动力短缺、经济萎缩的问题。但有了 AI，这些问题不但能解决，还可能迎来一个经济大繁荣的时代。
在这个时代，人类工作者不会变得不值钱，反而会更值钱。因为能用好 AI 的人，会变得异常稀缺和宝贵。
这就是为什么培养超能力个体这么重要。
不是说每个人都要变成全才，而是说，在你擅长的领域深耕的同时，要学会借助 AI 的力量，横向拓展到其他领域。
这样，你就不只是一个程序员、一个设计师、一个产品经理，而是一个能独立创造价值的超能力个体。
这个转变不会自动发生。
它需要你主动去学习，主动去尝试，主动去突破自己的舒适区。
8 00
最近看了一期 TBPN 的访谈，嘉宾是 Peter Steinberger，就是那个让整个科技圈都炸了的 Maltbot（原名 Clawdbot）的创始人。
我说真的，这个项目的爆红速度我从来没见过，GitHub 的星标增长曲线就是一条直线往上冲！
我在朋友圈也上看到一些朋友，居然专门买 Mac Mini，就为了跑这个项目。
Peter 的背景很有意思，他之前做了13年自己的软件公司，然后卖掉了，整个人完全 burnout。
休息了三年之后，2024年4月，他突然发现 AI 已经变得很好用了，然后就像上瘾一样，每天凌晨四点还在给朋友发消息，对方居然秒回。
这次访谈让我印象最深的不是技术细节，而是 Peter 对整个 AI 时代的理解。
1️⃣ AI 助手的正确打开方式：不是浏览器，而是你的跨平台朋友
Peter 说他最开始只是想在 WhatsApp 上和电脑聊天，因为当 AI 代理在跑任务的时候，他去厨房拿东西也想随时检查进度。结果他花了一个小时就做出来了，而且还支持语音和图片。
有一次他在摩洛哥旅行，随口发了条语音消息，结果 AI 自己判断出这是个音频文件，用 ffmpeg 转换格式，发现没装 Whisper 就调用 OpenAI 的 API 转录，然后正常回复。
这个故事让我意识到，大家之前都在盯着浏览器做 AI 助手，但其实完全搞错了方向。
谁在乎浏览器啊？我们需要的是一个能跨越所有应用、所有设备的助手！
2️⃣ 一个人怎么做出企业级的产出？秘诀是让 AI 用 AI 的方式思考
很多人好奇 Peter 一个人怎么能做到这么快的开发速度。
他的回答很有意思：不要为人类设计工具，要为 AI 设计工具。
他说 MCP（Model Context Protocol）其实不太好用，真正能规模化的是 CLI（命令行工具）。AI 天生就懂 Unix，你只要给它一堆小程序，它会自己调用帮助菜单，搞清楚怎么用，然后就能用了。
他在项目里接入了 Google 地图、Sonos 音响、家庭摄像头、自动化系统，每多一个 CLI，AI 的能力就强一分。
这种思路完全颠覆了传统的软件开发逻辑。现在用 Claude Sonnet 或者 GPT Codex，他基本上可以做到提交代码直接 push 到主分支，95% 的情况下都能跑通。
3️⃣ 未来大量 App 会消失，因为 AI 助手会直接帮你搞定一切
Peter 提到一个很有意思的场景：为什么还需要健身 App？你只要给食物拍张照片，AI 已经知道你在麦当劳做了坏决定，它会自动调整你的健身计划来弥补。
他说很多 App 会简化成 API，然后 API 本身可能都不需要了，因为 AI 可以直接处理所有事情。
这个观点听起来有点极端，但我们现在订阅那么多 SaaS 服务，每个都只能解决一小部分问题。
但如果有个 AI 助手能直接和你对话，理解你的需求，然后构建出完全个性化的解决方案，而且还免费，谁还会去订阅那些标准化的产品？
4️⃣ 非技术人员也能成为开发者，这不是未来，是现在
Peter 在维也纳的一个聚会上遇到一个设计公司的人，完全不懂编程，但通过 Maltbot 已经做了25个内部 Web 服务。他就是在 Telegram 上和 AI 聊天，AI 帮他把所有东西都搭建好了。
Peter 说这种模式会让非技术人员拥有超级个性化的软件，精准解决自己的问题。
更重要的是，现在的 AI 模型已经是最差的版本了。以后只会越来越好，越来越快，越来越容易用。这意味着编程的门槛会彻底消失，任何人都能通过自然语言创造软件。
5️⃣ 开源的新哲学：代码不值钱了，值钱的是想法和品牌
有人问 Peter 怎么看开源许可的问题，他说肯定会有人拿去卖，但他不在乎。
他的原话是：代码已经不值钱了，你可以把代码删掉，几个月后重新写一遍。真正有价值的是想法、关注度和品牌。
以前代码是护城河，现在 AI 几个小时就能重写一遍。所以 Peter 选择用 MIT 许可，让项目尽可能开放和自由。
他说最好的防御就是让开源做得足够好，让别人没有商业化的空间。
6️⃣ 被迫改名的戏剧性时刻：从 Clawdbot 到 Maltbot
项目爆红之后，Anthropic 给 Peter 发了封邮件，要求改名。
虽然对方很客气，没有直接派律师，但时间线很紧。Peter 说那天能出错的事情全都出错了。
他同时打开两个 Twitter 窗口，一边改名，一边注册新账号，结果新名字已经被加密货币的脚本抢注了。
不过他也承认，长远来看改名其实是好事。Maltbot 有了自己的独立品牌，不会和 Anthropic 的 Claude 混淆。而且项目这么早期，体验又这么神奇，品牌问题很快就会解决。
7️⃣ 开源项目的未来：从个人项目到社区，但不是公司
现在 Peter 每天被各种邮件轰炸，有安全研究员、有想投资的 VC、有想收购的公司。
但他的态度很明确：他不想做公司，更倾向于建立一个基金会或者非营利组织。他说这个项目应该比他自己的生命周期更长，需要更多维护者加入。
他在访谈最后呼吁：如果你热爱开源，有经验，喜欢处理安全报告，或者喜欢拆解软件然后帮忙而不是只扔问题过来，请联系他,他希望这个项目能真正成为社区的东西。
Peter 说他只是想玩得开心，结果意外点燃了整个行业对个人 AI 助手的需求。
而且这只是开始......
我说真的，这个项目的爆红速度我从来没见过，GitHub 的星标增长曲线就是一条直线往上冲！
我在朋友圈也上看到一些朋友，居然专门买 Mac Mini，就为了跑这个项目。
Peter 的背景很有意思，他之前做了13年自己的软件公司，然后卖掉了，整个人完全 burnout。
休息了三年之后，2024年4月，他突然发现 AI 已经变得很好用了，然后就像上瘾一样，每天凌晨四点还在给朋友发消息，对方居然秒回。
这次访谈让我印象最深的不是技术细节，而是 Peter 对整个 AI 时代的理解。
1️⃣ AI 助手的正确打开方式：不是浏览器，而是你的跨平台朋友
Peter 说他最开始只是想在 WhatsApp 上和电脑聊天，因为当 AI 代理在跑任务的时候，他去厨房拿东西也想随时检查进度。结果他花了一个小时就做出来了，而且还支持语音和图片。
有一次他在摩洛哥旅行，随口发了条语音消息，结果 AI 自己判断出这是个音频文件，用 ffmpeg 转换格式，发现没装 Whisper 就调用 OpenAI 的 API 转录，然后正常回复。
这个故事让我意识到，大家之前都在盯着浏览器做 AI 助手，但其实完全搞错了方向。
谁在乎浏览器啊？我们需要的是一个能跨越所有应用、所有设备的助手！
2️⃣ 一个人怎么做出企业级的产出？秘诀是让 AI 用 AI 的方式思考
很多人好奇 Peter 一个人怎么能做到这么快的开发速度。
他的回答很有意思：不要为人类设计工具，要为 AI 设计工具。
他说 MCP（Model Context Protocol）其实不太好用，真正能规模化的是 CLI（命令行工具）。AI 天生就懂 Unix，你只要给它一堆小程序，它会自己调用帮助菜单，搞清楚怎么用，然后就能用了。
他在项目里接入了 Google 地图、Sonos 音响、家庭摄像头、自动化系统，每多一个 CLI，AI 的能力就强一分。
这种思路完全颠覆了传统的软件开发逻辑。现在用 Claude Sonnet 或者 GPT Codex，他基本上可以做到提交代码直接 push 到主分支，95% 的情况下都能跑通。
3️⃣ 未来大量 App 会消失，因为 AI 助手会直接帮你搞定一切
Peter 提到一个很有意思的场景：为什么还需要健身 App？你只要给食物拍张照片，AI 已经知道你在麦当劳做了坏决定，它会自动调整你的健身计划来弥补。
他说很多 App 会简化成 API，然后 API 本身可能都不需要了，因为 AI 可以直接处理所有事情。
这个观点听起来有点极端，但我们现在订阅那么多 SaaS 服务，每个都只能解决一小部分问题。
但如果有个 AI 助手能直接和你对话，理解你的需求，然后构建出完全个性化的解决方案，而且还免费，谁还会去订阅那些标准化的产品？
4️⃣ 非技术人员也能成为开发者，这不是未来，是现在
Peter 在维也纳的一个聚会上遇到一个设计公司的人，完全不懂编程，但通过 Maltbot 已经做了25个内部 Web 服务。他就是在 Telegram 上和 AI 聊天，AI 帮他把所有东西都搭建好了。
Peter 说这种模式会让非技术人员拥有超级个性化的软件，精准解决自己的问题。
更重要的是，现在的 AI 模型已经是最差的版本了。以后只会越来越好，越来越快，越来越容易用。这意味着编程的门槛会彻底消失，任何人都能通过自然语言创造软件。
5️⃣ 开源的新哲学：代码不值钱了，值钱的是想法和品牌
有人问 Peter 怎么看开源许可的问题，他说肯定会有人拿去卖，但他不在乎。
他的原话是：代码已经不值钱了，你可以把代码删掉，几个月后重新写一遍。真正有价值的是想法、关注度和品牌。
以前代码是护城河，现在 AI 几个小时就能重写一遍。所以 Peter 选择用 MIT 许可，让项目尽可能开放和自由。
他说最好的防御就是让开源做得足够好，让别人没有商业化的空间。
6️⃣ 被迫改名的戏剧性时刻：从 Clawdbot 到 Maltbot
项目爆红之后，Anthropic 给 Peter 发了封邮件，要求改名。
虽然对方很客气，没有直接派律师，但时间线很紧。Peter 说那天能出错的事情全都出错了。
他同时打开两个 Twitter 窗口，一边改名，一边注册新账号，结果新名字已经被加密货币的脚本抢注了。
不过他也承认，长远来看改名其实是好事。Maltbot 有了自己的独立品牌，不会和 Anthropic 的 Claude 混淆。而且项目这么早期，体验又这么神奇，品牌问题很快就会解决。
7️⃣ 开源项目的未来：从个人项目到社区，但不是公司
现在 Peter 每天被各种邮件轰炸，有安全研究员、有想投资的 VC、有想收购的公司。
但他的态度很明确：他不想做公司，更倾向于建立一个基金会或者非营利组织。他说这个项目应该比他自己的生命周期更长，需要更多维护者加入。
他在访谈最后呼吁：如果你热爱开源，有经验，喜欢处理安全报告，或者喜欢拆解软件然后帮忙而不是只扔问题过来，请联系他,他希望这个项目能真正成为社区的东西。
Peter 说他只是想玩得开心，结果意外点燃了整个行业对个人 AI 助手的需求。
而且这只是开始......
2 00
最近看了一期 How I AI 播客，嘉宾是 Teresa Torres，她在节目里展示了自己怎么用 Claude Code 管理工作和生活。
说实话，看完之后我非常震惊。
Teresa 不是程序员，但她把 Claude Code 用到了极致！
从任务管理到学术研究，从写作辅助到信息整理，基本上把整个工作流都搬到了终端里。更关键的是，她的方法特别实用，完全不需要你有什么技术背景。
这期节目让我收获了很多，我边看边记笔记，把其中最核心的几个方法整理出来。
1️⃣ 用 Markdown 文件管理待办事项
Teresa 之前用 Trello 管理任务，但慢慢发现了一个问题：所有笔记都锁在第三方工具里，想导出数据特别麻烦。
而且她是那种喜欢边做事边记笔记的人，Trello 的搜索功能根本不够用。
于是她想，能不能让 Claude 帮忙搞定这件事？结果就是现在这套系统。
她每天早上打开电脑，在 Claude Code 里输入一个斜杠命令 slash today，然后 Claude 就会自动生成当天的待办清单。
这个清单不是简单的任务列表，会告诉你今天要做什么，哪些任务过期了，甚至还会从你的想法库里挑几个长期项目提醒你。
更厉害的是，因为所有任务都是 Markdown 文件，Claude 可以直接读取，你可以问它：我的销售漏斗现在什么情况？Claude 会马上给你生成一个清单。
不用打开浏览器，不用点十几个按钮，不用在日期选择器里翻来翻去。直接在 Claude 里打几个字，新任务就创建好了。
而且因为是纯文本，搜索起来特别快，就算你记不清当时用的什么词，Claude 也能帮你找到。
2️⃣ 每天自动收集学术论文，再也不怕错过重要研究
Teresa 有个特别的爱好：她想跟上学术界的最新研究。但问题是，谁有时间每天去搜索论文啊？
于是她又让 Claude 帮忙，搭了一个自动化的研究助手。
这个系统每天早上会自动搜索 arXiv 和 Google Scholar，根据她预设的关键词找新论文。然后把结果整理成一份研究摘要，直接出现在她的待办清单里。
如果她看到感兴趣的论文，就下载 PDF 保存起来。第二天，Claude 会自动生成这些论文的详细总结。
这些总结会重点分析研究方法、效应大小这些关键信息，因为 Teresa 需要自己判断这个研究靠不靠谱，值不值得深入阅读。
她分享了一个有意思的故事。有一天她在研究摘要里看到一篇关于购买意向的论文，Claude 生成的总结让她发现了研究方法的问题。第二天她在 LinkedIn 上看到有人分享这篇论文，就写了一篇详细的批判性分析。
结果那条帖子成了她表现最好的内容之一。
自动化不是让你变懒，而是让你能更快地参与到重要对话中。当别人还在慢慢读论文的时候，你已经完成分析并发表观点了。
3️⃣ 用小而精的上下文文件，让 AI 真正懂你
Teresa 有个很重要的发现：给 AI 太多上下文和给太少一样糟糕。
一开始她把所有信息都塞进 Claude 的配置文件里，结果发现 Claude 每次都要加载一大堆无关内容。比如她问狗狗吃了什么东西会不会有事，Claude 根本不需要知道她的营销渠道是什么。
所以她改变了策略，把信息拆成很多小文件，有商业档案、个人档案、写作风格指南、产品信息等等。
然后在主配置文件里建了一个索引，告诉 Claude 什么时候该用哪个文件。
这样做的好处是什么？
你可以特别懒地提问，比如直接说：Claude，帮我看看这篇博客。Claude 会自动加载你的写作风格指南、目标受众信息，然后给出针对性的反馈。
Teresa 强调，这些上下文文件也不是她自己写的。每次和 Claude 完成一个任务，她就问：我们今天学到了什么？应该记录下来吗？然后让 Claude 去更新这些文件。
这个方法其实解决了一个很多人都遇到的问题：怎么让 AI 记住你的偏好和习惯？
答案不是反复解释，而是建立一个结构化的知识库，让 AI 自己去查阅。
4️⃣ Claude 是写作伙伴，不是代笔工具
Teresa 很明确地说，她不让 Claude 替她写东西，但 Claude 是她最重要的写作伙伴。
她的工作流程是这样的：在 Obsidian 里写作，旁边开着 Claude Code。
写完一段就问 Claude：这个说法有证据支持吗？或者：这个开头的吸引力够不够？Claude 会去搜索资料，或者根据她的写作风格指南给出建议。
因为有详细的风格指南，Claude 的反馈特别精准。它知道 Teresa 想写给谁看，想达到什么效果，应该用什么语气。
AI 工具的门槛其实没那么高。你不需要会编程，不需要懂技术，只要愿意花时间和 AI 对话，慢慢建立起适合自己的工作流程。
Teresa 的方法给了我们几个启发。
第一，个性化很重要，不要勉强自己适应别人的系统。
第二，自动化应该服务于你真正在意的事情，而不是为了自动化而自动化。
第三，好的 AI 协作需要你投入时间建立上下文，但这个投资是值得的。
2026 年才刚开始，也许过不了多久，我们每个人都会有一套专属的 AI 工作流。
到那时候，工作效率的差距可能不在于你用什么工具，而在于你怎么用。
说实话，看完之后我非常震惊。
Teresa 不是程序员，但她把 Claude Code 用到了极致！
从任务管理到学术研究，从写作辅助到信息整理，基本上把整个工作流都搬到了终端里。更关键的是，她的方法特别实用，完全不需要你有什么技术背景。
这期节目让我收获了很多，我边看边记笔记，把其中最核心的几个方法整理出来。
1️⃣ 用 Markdown 文件管理待办事项
Teresa 之前用 Trello 管理任务，但慢慢发现了一个问题：所有笔记都锁在第三方工具里，想导出数据特别麻烦。
而且她是那种喜欢边做事边记笔记的人，Trello 的搜索功能根本不够用。
于是她想，能不能让 Claude 帮忙搞定这件事？结果就是现在这套系统。
她每天早上打开电脑，在 Claude Code 里输入一个斜杠命令 slash today，然后 Claude 就会自动生成当天的待办清单。
这个清单不是简单的任务列表，会告诉你今天要做什么，哪些任务过期了，甚至还会从你的想法库里挑几个长期项目提醒你。
更厉害的是，因为所有任务都是 Markdown 文件，Claude 可以直接读取，你可以问它：我的销售漏斗现在什么情况？Claude 会马上给你生成一个清单。
不用打开浏览器，不用点十几个按钮，不用在日期选择器里翻来翻去。直接在 Claude 里打几个字，新任务就创建好了。
而且因为是纯文本，搜索起来特别快，就算你记不清当时用的什么词，Claude 也能帮你找到。
2️⃣ 每天自动收集学术论文，再也不怕错过重要研究
Teresa 有个特别的爱好：她想跟上学术界的最新研究。但问题是，谁有时间每天去搜索论文啊？
于是她又让 Claude 帮忙，搭了一个自动化的研究助手。
这个系统每天早上会自动搜索 arXiv 和 Google Scholar，根据她预设的关键词找新论文。然后把结果整理成一份研究摘要，直接出现在她的待办清单里。
如果她看到感兴趣的论文，就下载 PDF 保存起来。第二天，Claude 会自动生成这些论文的详细总结。
这些总结会重点分析研究方法、效应大小这些关键信息，因为 Teresa 需要自己判断这个研究靠不靠谱，值不值得深入阅读。
她分享了一个有意思的故事。有一天她在研究摘要里看到一篇关于购买意向的论文，Claude 生成的总结让她发现了研究方法的问题。第二天她在 LinkedIn 上看到有人分享这篇论文，就写了一篇详细的批判性分析。
结果那条帖子成了她表现最好的内容之一。
自动化不是让你变懒，而是让你能更快地参与到重要对话中。当别人还在慢慢读论文的时候，你已经完成分析并发表观点了。
3️⃣ 用小而精的上下文文件，让 AI 真正懂你
Teresa 有个很重要的发现：给 AI 太多上下文和给太少一样糟糕。
一开始她把所有信息都塞进 Claude 的配置文件里，结果发现 Claude 每次都要加载一大堆无关内容。比如她问狗狗吃了什么东西会不会有事，Claude 根本不需要知道她的营销渠道是什么。
所以她改变了策略，把信息拆成很多小文件，有商业档案、个人档案、写作风格指南、产品信息等等。
然后在主配置文件里建了一个索引，告诉 Claude 什么时候该用哪个文件。
这样做的好处是什么？
你可以特别懒地提问，比如直接说：Claude，帮我看看这篇博客。Claude 会自动加载你的写作风格指南、目标受众信息，然后给出针对性的反馈。
Teresa 强调，这些上下文文件也不是她自己写的。每次和 Claude 完成一个任务，她就问：我们今天学到了什么？应该记录下来吗？然后让 Claude 去更新这些文件。
这个方法其实解决了一个很多人都遇到的问题：怎么让 AI 记住你的偏好和习惯？
答案不是反复解释，而是建立一个结构化的知识库，让 AI 自己去查阅。
4️⃣ Claude 是写作伙伴，不是代笔工具
Teresa 很明确地说，她不让 Claude 替她写东西，但 Claude 是她最重要的写作伙伴。
她的工作流程是这样的：在 Obsidian 里写作，旁边开着 Claude Code。
写完一段就问 Claude：这个说法有证据支持吗？或者：这个开头的吸引力够不够？Claude 会去搜索资料，或者根据她的写作风格指南给出建议。
因为有详细的风格指南，Claude 的反馈特别精准。它知道 Teresa 想写给谁看，想达到什么效果，应该用什么语气。
AI 工具的门槛其实没那么高。你不需要会编程，不需要懂技术，只要愿意花时间和 AI 对话，慢慢建立起适合自己的工作流程。
Teresa 的方法给了我们几个启发。
第一，个性化很重要，不要勉强自己适应别人的系统。
第二，自动化应该服务于你真正在意的事情，而不是为了自动化而自动化。
第三，好的 AI 协作需要你投入时间建立上下文，但这个投资是值得的。
2026 年才刚开始，也许过不了多久，我们每个人都会有一套专属的 AI 工作流。
到那时候，工作效率的差距可能不在于你用什么工具，而在于你怎么用。
0 00
推荐大家去听 Lenny‘s Podcast 最新一期，这期嘉宾请来了 Jason Cohen，这个人的背景有点厉害，四次创业，打造过两家独角兽公司，其中一家就是 WP Engine。
他还投资了 60 多家创业公司，他在自己的博客 A Smart Bear 上写了快 20 年的产品思考。
这期播客的主题是产品增长停滞时该怎么办，Jason 提出的框架非常实用，是可以马上拿来用的诊断方法。
今天我给大家把这个框架里最重要的几个步骤整理出来。
1️⃣ 第一步：客户流失率才是增长的天花板
Jason 说，当产品增长停滞时，第一个要看的就是客户流失率，也就是 Logo Churn。
因为客户已经离开了，你什么都做不了了。
他给了一个特别直观的公式：新客户数量 ÷ 取消率 = 公司能达到的最大客户规模。
假设你每月能新增 100 个客户，取消率是 5%，那么你的公司永远不会超过 2000 个客户。
因为当你有 2000 个客户时，每月流失的客户数（2000 × 5% = 100）正好等于新增的客户数。
换句话说，客户流失给你的增长设了一个硬上限。
更可怕的是，客户流失的速度会随着公司规模自动增长。你的营销渠道不会因为客户变多就自动带来更多新客户，但流失的客户数会随着客户总数增加而增加。
这就像一个漏水的桶，而且漏洞还会自动变大。
那怎么办？
Jason 说，首先得搞清楚客户为什么离开。
客户通常不会告诉你真相，很多公司在客户取消时会问：你为什么取消？
然后客户说：太贵了。
但 Jason 说，这几乎从来不是真正的原因，因为客户已经看过你的定价页面，决定购买了，还完成了注册和使用。如果真的觉得太贵，他们早就离开了。
真正的原因可能是产品没有兑现承诺，或者缺少某个关键功能，或者和他们用的其他工具不兼容。但客户懒得解释这些，就随便说了一个太贵了。
那怎么问才能得到真实答案？
Jason 推荐了一个小技巧：不要问你为什么取消，而要问是什么让你取消。
有一家叫 Groove 的公司做过测试，改了这个问法之后，可用回复率从 10% 提升到 20%。
另外，Jason 特别强调要关注新用户引导，也就是 onboarding。因为大部分客户流失都发生在最开始的 30 天、60 天或 90 天。
如果能在这个阶段做一点改进，对整体留存率的影响会非常大。
2️⃣ 第二步：你的定价可能低得离谱
Jason 说，如果客户流失率已经控制住了，下一步要看的就是定价。
他引用了一个叫 Patrick Campbell 的人的名言：你的价格太低了，因为你只是猜的，而且从来没改过。
很多公司要么是随便定个价，要么是看竞争对手定多少就跟着定多少，然后就再也没改过。
有意思的是，Jason 说提价之后，注册量不一定会下降，反而可能会上升。
他讲了一个真实案例，有个做企业软件的创业者，产品定价是 300 美元一年。
Jason 建议他改成 300 美元一个月，也就是直接涨价 12 倍。结果每周的注册量还是一两个，完全没变。
因为定价会筛选市场。
对于大公司来说，如果看到一个产品只卖 300 美元一年，他们的第一反应不是好便宜啊，而是这玩意儿肯定不行。
太便宜了，说明不够成熟，支持不够好，功能不够强，所以他们根本不会考虑。
但当你把价格提到一个合理的范围，比如 300 美元一个月，大公司反而会觉得，嗯，这个价格看起来靠谱，可能值得试试。
Jason 还提到了定位的力量，通过改变产品定位，可以将收入提高 8 倍。
比如，你的产品原本定位是帮客户省钱，那客户愿意付的价格就是他们省下来的钱的一部分。
但如果你把定位改成帮客户赚钱，那客户愿意付的价格就是他们赚到的钱的一部分，而赚钱的价值远远大于省钱的价值。
所以定价不只是一个数字，而是一个战略决策。
它决定了你服务什么样的客户，解决什么样的问题，创造什么样的价值。
3️⃣ 第三步：现有客户才是可持续增长的关键
Jason 说，不能永远依赖新客户增长，因为营销渠道会饱和，但现有客户可以持续贡献收入。
这就是净收入留存率，也就是 NRR 的重要性。
简单说，就是现有客户今年花的钱，是不是比去年多。
如果你的 NRR 大于 100%，意味着即使不拉新客户，公司收入也在增长，这才是真正健康的增长模式。
怎么做到呢？
增加新功能，提供升级选项，扩展使用场景。让客户在你的产品上花更多钱，而不是只盯着拉新客户。
4️⃣ 第四步：所有营销渠道最终都会衰退
Jason 提出了一个叫大象曲线的理论。
他说，所有营销渠道的增长曲线都像一头大象：先是象鼻子往上翘，然后是平平的背部，最后是屁股往下垂。
换句话说，任何渠道刚开始都会快速增长，然后进入平台期，最后开始衰退。
因为受众会饱和，渠道本身也会衰退。
他举了两个真实案例。
Constant Contact 发现传统营销渠道不行了，就开始做线下研讨会，重新启动了增长。
HubSpot 则通过代理商渠道获得了巨大成功。
关键是，你要主动寻找新渠道，而不是等现有渠道完全失效了才去找。
增长停滞不是偶然的，而是有规律可循的。
很多解决方案是反直觉的，比如提价反而能增加注册量，比如客户说太贵了其实不是真正原因。
Jason 的这个框架给了我们一个清晰的诊断路径：
先看客户流失，再看定价定位，然后看现有客户贡献，最后看营销渠道，每一步都有具体的指标和方法，看完受益匪浅。
他还投资了 60 多家创业公司，他在自己的博客 A Smart Bear 上写了快 20 年的产品思考。
这期播客的主题是产品增长停滞时该怎么办，Jason 提出的框架非常实用，是可以马上拿来用的诊断方法。
今天我给大家把这个框架里最重要的几个步骤整理出来。
1️⃣ 第一步：客户流失率才是增长的天花板
Jason 说，当产品增长停滞时，第一个要看的就是客户流失率，也就是 Logo Churn。
因为客户已经离开了，你什么都做不了了。
他给了一个特别直观的公式：新客户数量 ÷ 取消率 = 公司能达到的最大客户规模。
假设你每月能新增 100 个客户，取消率是 5%，那么你的公司永远不会超过 2000 个客户。
因为当你有 2000 个客户时，每月流失的客户数（2000 × 5% = 100）正好等于新增的客户数。
换句话说，客户流失给你的增长设了一个硬上限。
更可怕的是，客户流失的速度会随着公司规模自动增长。你的营销渠道不会因为客户变多就自动带来更多新客户，但流失的客户数会随着客户总数增加而增加。
这就像一个漏水的桶，而且漏洞还会自动变大。
那怎么办？
Jason 说，首先得搞清楚客户为什么离开。
客户通常不会告诉你真相，很多公司在客户取消时会问：你为什么取消？
然后客户说：太贵了。
但 Jason 说，这几乎从来不是真正的原因，因为客户已经看过你的定价页面，决定购买了，还完成了注册和使用。如果真的觉得太贵，他们早就离开了。
真正的原因可能是产品没有兑现承诺，或者缺少某个关键功能，或者和他们用的其他工具不兼容。但客户懒得解释这些，就随便说了一个太贵了。
那怎么问才能得到真实答案？
Jason 推荐了一个小技巧：不要问你为什么取消，而要问是什么让你取消。
有一家叫 Groove 的公司做过测试，改了这个问法之后，可用回复率从 10% 提升到 20%。
另外，Jason 特别强调要关注新用户引导，也就是 onboarding。因为大部分客户流失都发生在最开始的 30 天、60 天或 90 天。
如果能在这个阶段做一点改进，对整体留存率的影响会非常大。
2️⃣ 第二步：你的定价可能低得离谱
Jason 说，如果客户流失率已经控制住了，下一步要看的就是定价。
他引用了一个叫 Patrick Campbell 的人的名言：你的价格太低了，因为你只是猜的，而且从来没改过。
很多公司要么是随便定个价，要么是看竞争对手定多少就跟着定多少，然后就再也没改过。
有意思的是，Jason 说提价之后，注册量不一定会下降，反而可能会上升。
他讲了一个真实案例，有个做企业软件的创业者，产品定价是 300 美元一年。
Jason 建议他改成 300 美元一个月，也就是直接涨价 12 倍。结果每周的注册量还是一两个，完全没变。
因为定价会筛选市场。
对于大公司来说，如果看到一个产品只卖 300 美元一年，他们的第一反应不是好便宜啊，而是这玩意儿肯定不行。
太便宜了，说明不够成熟，支持不够好，功能不够强，所以他们根本不会考虑。
但当你把价格提到一个合理的范围，比如 300 美元一个月，大公司反而会觉得，嗯，这个价格看起来靠谱，可能值得试试。
Jason 还提到了定位的力量，通过改变产品定位，可以将收入提高 8 倍。
比如，你的产品原本定位是帮客户省钱，那客户愿意付的价格就是他们省下来的钱的一部分。
但如果你把定位改成帮客户赚钱，那客户愿意付的价格就是他们赚到的钱的一部分，而赚钱的价值远远大于省钱的价值。
所以定价不只是一个数字，而是一个战略决策。
它决定了你服务什么样的客户，解决什么样的问题，创造什么样的价值。
3️⃣ 第三步：现有客户才是可持续增长的关键
Jason 说，不能永远依赖新客户增长，因为营销渠道会饱和，但现有客户可以持续贡献收入。
这就是净收入留存率，也就是 NRR 的重要性。
简单说，就是现有客户今年花的钱，是不是比去年多。
如果你的 NRR 大于 100%，意味着即使不拉新客户，公司收入也在增长，这才是真正健康的增长模式。
怎么做到呢？
增加新功能，提供升级选项，扩展使用场景。让客户在你的产品上花更多钱，而不是只盯着拉新客户。
4️⃣ 第四步：所有营销渠道最终都会衰退
Jason 提出了一个叫大象曲线的理论。
他说，所有营销渠道的增长曲线都像一头大象：先是象鼻子往上翘，然后是平平的背部，最后是屁股往下垂。
换句话说，任何渠道刚开始都会快速增长，然后进入平台期，最后开始衰退。
因为受众会饱和，渠道本身也会衰退。
他举了两个真实案例。
Constant Contact 发现传统营销渠道不行了，就开始做线下研讨会，重新启动了增长。
HubSpot 则通过代理商渠道获得了巨大成功。
关键是，你要主动寻找新渠道，而不是等现有渠道完全失效了才去找。
增长停滞不是偶然的，而是有规律可循的。
很多解决方案是反直觉的，比如提价反而能增加注册量，比如客户说太贵了其实不是真正原因。
Jason 的这个框架给了我们一个清晰的诊断路径：
先看客户流失，再看定价定位，然后看现有客户贡献，最后看营销渠道，每一步都有具体的指标和方法，看完受益匪浅。
1 00
推荐大家关注一下硅谷顶级投资机构 a16z 的 AI Apps 团队最近的分享，他们专门投资 AI 应用层的公司，手里握着最前沿的信息和资源。
我花了不少时间研究他们的投资逻辑，今天我就把他们最核心的几个判断整理出来。
1️⃣第一个判断：AI 原生软件会重新定义每个行业。
以前做财务软件，QuickBooks 够用了。但当公司发展到 50 个人，业务扩展到多个国家，QuickBooks 就不行了。
这时候你要么选择老牌的 NetSuite，要么选择新的 AI 原生财务系统。
新系统的优势在哪里？它不只是帮你记账，它能理解你的业务逻辑，自动分类交易，甚至预测现金流。
这就像当年云计算刚出现的时候，那些率先做云原生软件的公司，比如 Shopify、Salesforce，都成了巨头。
现在 AI 来了，同样的故事又在重演。
2️⃣第二个判断：软件开始吃掉劳动力市场。
这个判断才是真正的大机会，而且很多人还没意识到。
以前有些工作，你必须雇人来做，因为没有软件能替代，但现在 AI 可以了。
有一家叫 Salient 的公司，他们做汽车贷款催收服务，但他们用 AI 做了一件事：用软件替代催收员。
你可能会想，这不就是省人力成本吗？
错了，重点不在省钱，而在于创造了以前不可能的价值。
人工催收员一天工作 8 小时，只会说一种语言，而且经常被客户骂得心态崩溃，离职率高达 40-70%。
但 AI 它可以 24 小时工作，说 21 种语言，永远不会情绪失控，还能精准记住每个州的法律规定。
结果催收成功率提高了 50%。注意，不是成本降低 50%，而是收回来的钱多了 50%。
同理，法律行业也在发生类似的变化。
有一家叫 Eve 的公司，专门服务原告律师。以前律师收到 100 个案子，可能只敢接 1 个，因为时间和精力有限。但
有了 Eve 的 AI 系统，它能快速分析医疗记录、就业文件，判断案子的胜算和潜在价值。
律师突然发现，原来只敢接 5 万美元以上的案子，现在 5000 美元的案子也能接了，市场扩大了 10 倍。
3️⃣第三个判断：数据围墙花园是最容易被忽视的护城河。
这个判断最容易被忽视，但可能是最有价值的。
什么叫数据围墙花园？
OpenAI 就像一个超级菜市场，他们卖各种蔬菜，也就是 AI 能力。但问题是，有些菜他们根本没有。
比如说，你想知道 1998 年某个域名是谁注册的，ChatGPT 不知道，因为这个数据它没有。
但有一家叫 Domain Tools 的公司，他们专门收集这个数据。
再比如，FlightAware 收集全球航班的实时位置数据，Pitchbook 收集创业公司的融资数据，这些都是 ChatGPT 拿不到的。
以前，这些公司只是卖数据。但现在有了 AI，他们可以直接卖成品。
比如以前你想分析某个公司的融资历史，你得自己去 Pitchbook 查数据，然后写报告。
现在Pitchbook 可以直接给你一份 AI 生成的分析报告，对比同行业所有公司，给出投资建议。
这个成品的价值，远远高于原始数据。以前可能卖 200 块一个月，现在可以卖 2000 块。
再比如医疗领域，有一家叫 Open Evidence 的公司，他们拿到了新英格兰医学杂志等顶级期刊的独家授权。
你用 ChatGPT 查医学问题，它只能给你一些通用答案。但 Open Evidence 能给你最新的、基于循证医学的专业建议。
这就是数据围墙花园的力量：你有别人没有的数据，再加上 AI，就能创造出无法被替代的价值。
4️⃣第四个判断：护城河比创新更重要。
讲到这里，你可能会问：AI 技术发展这么快，今天你做的东西，明天别人不就能抄了吗？
这是个好问题。
事实上，现在用 AI 做一个软件产品，速度快得惊人。几个工程师，几个星期，就能做出一个看起来不错的产品。
但这也意味着，如果你只是做一个简单的工具，没有任何护城河，那你很快就会被淘汰。
什么是护城河？我总结了几个关键点。
第一，你要成为系统记录。
就是说，客户的核心业务数据都在你这里,换掉你的成本非常高。比如财务系统、ERP 系统，这些都是系统记录。
第二，你要拥有独特的数据。
就像刚才说的数据围墙花园，你有别人拿不到的数据，这就是护城河。
第三，你要形成闭环工作流。
比如 Eve 这家法律科技公司，它不只是帮律师分析案子，还帮他们起草文件、管理流程、追踪结果。
律师的整个工作流都在这个平台上，你说他怎么换？
换句话说，AI 是你的差异化优势，但真正的护城河，还是要靠这些传统的商业逻辑。
AI 应用的机会，不在于你懂多少技术，而在于你能不能找到真实的需求，用 AI 去满足它，然后构建起别人无法复制的优势。
我花了不少时间研究他们的投资逻辑，今天我就把他们最核心的几个判断整理出来。
1️⃣第一个判断：AI 原生软件会重新定义每个行业。
以前做财务软件，QuickBooks 够用了。但当公司发展到 50 个人，业务扩展到多个国家，QuickBooks 就不行了。
这时候你要么选择老牌的 NetSuite，要么选择新的 AI 原生财务系统。
新系统的优势在哪里？它不只是帮你记账，它能理解你的业务逻辑，自动分类交易，甚至预测现金流。
这就像当年云计算刚出现的时候，那些率先做云原生软件的公司，比如 Shopify、Salesforce，都成了巨头。
现在 AI 来了，同样的故事又在重演。
2️⃣第二个判断：软件开始吃掉劳动力市场。
这个判断才是真正的大机会，而且很多人还没意识到。
以前有些工作，你必须雇人来做，因为没有软件能替代，但现在 AI 可以了。
有一家叫 Salient 的公司，他们做汽车贷款催收服务，但他们用 AI 做了一件事：用软件替代催收员。
你可能会想，这不就是省人力成本吗？
错了，重点不在省钱，而在于创造了以前不可能的价值。
人工催收员一天工作 8 小时，只会说一种语言，而且经常被客户骂得心态崩溃，离职率高达 40-70%。
但 AI 它可以 24 小时工作，说 21 种语言，永远不会情绪失控，还能精准记住每个州的法律规定。
结果催收成功率提高了 50%。注意，不是成本降低 50%，而是收回来的钱多了 50%。
同理，法律行业也在发生类似的变化。
有一家叫 Eve 的公司，专门服务原告律师。以前律师收到 100 个案子，可能只敢接 1 个，因为时间和精力有限。但
有了 Eve 的 AI 系统，它能快速分析医疗记录、就业文件，判断案子的胜算和潜在价值。
律师突然发现，原来只敢接 5 万美元以上的案子，现在 5000 美元的案子也能接了，市场扩大了 10 倍。
3️⃣第三个判断：数据围墙花园是最容易被忽视的护城河。
这个判断最容易被忽视，但可能是最有价值的。
什么叫数据围墙花园？
OpenAI 就像一个超级菜市场，他们卖各种蔬菜，也就是 AI 能力。但问题是，有些菜他们根本没有。
比如说，你想知道 1998 年某个域名是谁注册的，ChatGPT 不知道，因为这个数据它没有。
但有一家叫 Domain Tools 的公司，他们专门收集这个数据。
再比如，FlightAware 收集全球航班的实时位置数据，Pitchbook 收集创业公司的融资数据，这些都是 ChatGPT 拿不到的。
以前，这些公司只是卖数据。但现在有了 AI，他们可以直接卖成品。
比如以前你想分析某个公司的融资历史，你得自己去 Pitchbook 查数据，然后写报告。
现在Pitchbook 可以直接给你一份 AI 生成的分析报告，对比同行业所有公司，给出投资建议。
这个成品的价值，远远高于原始数据。以前可能卖 200 块一个月，现在可以卖 2000 块。
再比如医疗领域，有一家叫 Open Evidence 的公司，他们拿到了新英格兰医学杂志等顶级期刊的独家授权。
你用 ChatGPT 查医学问题，它只能给你一些通用答案。但 Open Evidence 能给你最新的、基于循证医学的专业建议。
这就是数据围墙花园的力量：你有别人没有的数据，再加上 AI，就能创造出无法被替代的价值。
4️⃣第四个判断：护城河比创新更重要。
讲到这里，你可能会问：AI 技术发展这么快，今天你做的东西，明天别人不就能抄了吗？
这是个好问题。
事实上，现在用 AI 做一个软件产品，速度快得惊人。几个工程师，几个星期，就能做出一个看起来不错的产品。
但这也意味着，如果你只是做一个简单的工具，没有任何护城河，那你很快就会被淘汰。
什么是护城河？我总结了几个关键点。
第一，你要成为系统记录。
就是说，客户的核心业务数据都在你这里,换掉你的成本非常高。比如财务系统、ERP 系统，这些都是系统记录。
第二，你要拥有独特的数据。
就像刚才说的数据围墙花园，你有别人拿不到的数据，这就是护城河。
第三，你要形成闭环工作流。
比如 Eve 这家法律科技公司，它不只是帮律师分析案子，还帮他们起草文件、管理流程、追踪结果。
律师的整个工作流都在这个平台上，你说他怎么换？
换句话说，AI 是你的差异化优势，但真正的护城河，还是要靠这些传统的商业逻辑。
AI 应用的机会，不在于你懂多少技术，而在于你能不能找到真实的需求，用 AI 去满足它，然后构建起别人无法复制的优势。
1 00
你有没有想过一个问题，为什么你越刷手机越感到空虚？
早上醒来第一件事就是摸手机，明明告诉自己只看5分钟，结果一晃就是两小时。
放下手机后，心里空落落的，还有点自责。
想去健身房，但就是迈不开腿，想学点新东西，但打开电脑就开始走神。
这种状态之前也困扰了我很久，直到我听到斯坦福大学成瘾医学专家Anna Lembke教授讲的一个故事。
她说的不是别人，是她自己。
作为一个研究成瘾的专家，她有一天发现自己对言情小说上瘾了。
一开始只是朋友推荐了暮光之城，她觉得挺好看。然后开始找各种吸血鬼题材的小说，后来是狼人、巫师、精灵。
她买了Kindle，这样就能在公共场合看那些封面尴尬的小说，别人还以为她在读战争与和平。
慢慢地，她发现自己需要越来越重口味的情节才能获得同样的兴奋感。她开始熬夜看小说，白天工作没精神。甚至在看病人的间隙，她也在偷偷看小说。
有一次全家去海边度假，她没去海滩，一直待在房间里看小说。
还有一次参加邻居的派对，她找了个房间躲起来看。
一个研究成瘾的专家，自己也会上瘾。这让我意识到，这不是意志力的问题。
Lembke教授用了一个特别好理解的比喻来解释这件事。
她说，你可以想象大脑深处有个跷跷板，一边是快乐，一边是痛苦。
这个跷跷板平时是平衡的。
当你吃到好吃的薯片，它就往快乐那边倾斜。
但这里有个关键点：你的大脑非常讨厌失衡，它会立刻想办法把跷跷板拉回来。
怎么拉呢？想象有一群小妖精跳到痛苦那一边。
问题是，这些小妖精不会在跷跷板平衡的时候就下来，它们会一直待着，直到跷跷板往痛苦那边倾斜同样的角度。
这就是为什么你吃完一片薯片，会想吃第二片。刷完一条短视频，会想刷下一条。
更麻烦的是，当你反复接触同一种刺激，跷跷板往快乐那边倾斜的幅度会越来越小，时间越来越短。但往痛苦那边倾斜的幅度却越来越大，时间越来越长。
后来，你需要越来越多的刺激，不是为了快乐，而只是为了让自己感觉正常。
这就是成瘾的本质。
人类的大脑是在物资匮乏的环境中进化出来的。
那时候，想吃顿好的得打猎，想听个故事得围着篝火。付出很多努力，才能得到一点点奖励。
但现在，外卖半小时送到，短视频无限刷新，游戏随时能玩，我们生活在一个快乐触手可及的时代。
当你的大脑习惯了刷手机带来的即时快感，那个跷跷板的平衡点已经改变了。
现在，不刷手机的时候，你的跷跷板是倾向痛苦那一边的。
这时候，哪怕是很普通的事情，比如洗碗、付账单、出门见朋友，都会感觉像爬珠穆朗玛峰一样困难。
Lembke教授说，她在临床上看到越来越多的人，连日常小事都觉得痛苦不堪。这不是他们变懒了，而是他们的快乐阈值被抬高了。
好消息是，大脑是可以重置的。
方法很简单：选择一个你觉得可能有问题的行为，比如刷短视频，然后完全停止30天。
前几天会很难受，你会焦虑、烦躁、坐立不安。
但这恰恰说明你的大脑在重置，那些小妖精正在从跷跷板上跳下来。
通常两周左右，你会开始感觉好一些。
一个月后，很多人发现自己能专注了，睡眠质量提高了，对生活的兴趣回来了。
这里有个反直觉的发现。
「当你主动接受适度的痛苦，大脑会释放更多让你感觉良好的化学物质。」
这就是为什么运动后会感觉很爽，为什么完成一项困难的工作会有成就感，为什么冷水澡之后会精神焕发。
我们的祖先需要付出努力才能获得奖励，这是大脑的设计初衷。
想想看，你上次感到真正的满足感是什么时候？
可能不是刷手机的时候，而是完成了一个项目，或者坚持锻炼了一段时间，或者学会了一项新技能。
那些需要你付出努力的事情，才能带来持久的快乐。
下次当你又想拿起手机的时候，问问自己：我是真的想看点什么，还是只是想逃避此刻的不舒服？
如果是后者，试着坐一会儿，感受那个不舒服。你会发现，它没有想象中那么可怕，而且过一会儿，它就会自己消失。
这个过程，就是你的大脑在重新找回平衡。
早上醒来第一件事就是摸手机，明明告诉自己只看5分钟，结果一晃就是两小时。
放下手机后，心里空落落的，还有点自责。
想去健身房，但就是迈不开腿，想学点新东西，但打开电脑就开始走神。
这种状态之前也困扰了我很久，直到我听到斯坦福大学成瘾医学专家Anna Lembke教授讲的一个故事。
她说的不是别人，是她自己。
作为一个研究成瘾的专家，她有一天发现自己对言情小说上瘾了。
一开始只是朋友推荐了暮光之城，她觉得挺好看。然后开始找各种吸血鬼题材的小说，后来是狼人、巫师、精灵。
她买了Kindle，这样就能在公共场合看那些封面尴尬的小说，别人还以为她在读战争与和平。
慢慢地，她发现自己需要越来越重口味的情节才能获得同样的兴奋感。她开始熬夜看小说，白天工作没精神。甚至在看病人的间隙，她也在偷偷看小说。
有一次全家去海边度假，她没去海滩，一直待在房间里看小说。
还有一次参加邻居的派对，她找了个房间躲起来看。
一个研究成瘾的专家，自己也会上瘾。这让我意识到，这不是意志力的问题。
Lembke教授用了一个特别好理解的比喻来解释这件事。
她说，你可以想象大脑深处有个跷跷板，一边是快乐，一边是痛苦。
这个跷跷板平时是平衡的。
当你吃到好吃的薯片，它就往快乐那边倾斜。
但这里有个关键点：你的大脑非常讨厌失衡，它会立刻想办法把跷跷板拉回来。
怎么拉呢？想象有一群小妖精跳到痛苦那一边。
问题是，这些小妖精不会在跷跷板平衡的时候就下来，它们会一直待着，直到跷跷板往痛苦那边倾斜同样的角度。
这就是为什么你吃完一片薯片，会想吃第二片。刷完一条短视频，会想刷下一条。
更麻烦的是，当你反复接触同一种刺激，跷跷板往快乐那边倾斜的幅度会越来越小，时间越来越短。但往痛苦那边倾斜的幅度却越来越大，时间越来越长。
后来，你需要越来越多的刺激，不是为了快乐，而只是为了让自己感觉正常。
这就是成瘾的本质。
人类的大脑是在物资匮乏的环境中进化出来的。
那时候，想吃顿好的得打猎，想听个故事得围着篝火。付出很多努力，才能得到一点点奖励。
但现在，外卖半小时送到，短视频无限刷新，游戏随时能玩，我们生活在一个快乐触手可及的时代。
当你的大脑习惯了刷手机带来的即时快感，那个跷跷板的平衡点已经改变了。
现在，不刷手机的时候，你的跷跷板是倾向痛苦那一边的。
这时候，哪怕是很普通的事情，比如洗碗、付账单、出门见朋友，都会感觉像爬珠穆朗玛峰一样困难。
Lembke教授说，她在临床上看到越来越多的人，连日常小事都觉得痛苦不堪。这不是他们变懒了，而是他们的快乐阈值被抬高了。
好消息是，大脑是可以重置的。
方法很简单：选择一个你觉得可能有问题的行为，比如刷短视频，然后完全停止30天。
前几天会很难受，你会焦虑、烦躁、坐立不安。
但这恰恰说明你的大脑在重置，那些小妖精正在从跷跷板上跳下来。
通常两周左右，你会开始感觉好一些。
一个月后，很多人发现自己能专注了，睡眠质量提高了，对生活的兴趣回来了。
这里有个反直觉的发现。
「当你主动接受适度的痛苦，大脑会释放更多让你感觉良好的化学物质。」
这就是为什么运动后会感觉很爽，为什么完成一项困难的工作会有成就感，为什么冷水澡之后会精神焕发。
我们的祖先需要付出努力才能获得奖励，这是大脑的设计初衷。
想想看，你上次感到真正的满足感是什么时候？
可能不是刷手机的时候，而是完成了一个项目，或者坚持锻炼了一段时间，或者学会了一项新技能。
那些需要你付出努力的事情，才能带来持久的快乐。
下次当你又想拿起手机的时候，问问自己：我是真的想看点什么，还是只是想逃避此刻的不舒服？
如果是后者，试着坐一会儿，感受那个不舒服。你会发现，它没有想象中那么可怕，而且过一会儿，它就会自己消失。
这个过程，就是你的大脑在重新找回平衡。
2 00