AI边角料（我搬家啦）

每当我感到工作艰难或生活困苦时，我就会提醒自己，我本可以身处 18 世纪的大洋之中，乘船航行。

-Garrett Langley，Flock Safety 的创始人和 CEO

关于 B2B 产品市场契合（PMF）框架。本框架将抽象的 PMF 过程系统化为四个可测量的阶段，为早期技术创业者提供清晰的行动指南。

一：PMF的层次与核心三要素

PMF 是初创公司前三年内最重要的任务，但常被神秘化，缺乏具体指导。

• 极致 PMF 的精确定义包含三大核心要素：需求、满意度和效率。
• 效率要素常被忽略，缺乏效率的增长是不可持续的（例如，亏本售卖的 $100 贩卖机）。
• PMF 遵循阶段性模式，分为四个层次：新生期 (Nascent, L1)、发展期 (Developing, L2)、强劲期 (Strong, L3)、极致期 (Extreme, L4)。

二：L1-L2：从满意度到需求扩大

多数初创公司（约 60%）会停滞在 L1 或 L2，无法进入自我驱动的强劲增长。

• 新生期（L1）：核心目标是找到 3-5 个对解决方案高度满意的客户。
  战略重点：满意度优先，效率可暂时忽略。
  Vanta 早期通过完全手动为客户提供 SOC 2 认证服务，实现了 L1 的极致满意度。
  滞留迹象：产品消失客户不会失望；寻找下一位客户极其困难（边际客户获取成本高）。
  
• 发展期（L2）：核心目标是扩展到 25 个满意客户，开始建立可规模化的需求来源。
  财务基准：ARR 在 $500K 到 $5M 之间；后悔流失率（Regretted Churn）不高于 20%。
  Looker 通过“前线部署”流程（Forward Deploy）确保客户见到自身数据价值后，实现极高成交率。
  

三：增长的杠杆与进阶（L3/L4）

当增长停滞时，应利用 4P 框架来引导产品调整和业务转向。

• 4P 框架（Pivoting Levers）：调整 用户画像 (Persona)、待解决问题 (Problem)、价值主张 (Promise) 和 产品 (Product) 这四个要素来破局。
  
  
• L3/L4 进阶与效率聚焦：强劲期（L3）特征：客户获取变得更容易，感受到“滚下山的石头”般的势能。
  财务焦点从 L3 开始转向效率：毛利率需高于 60%；烧钱倍数（Burn Multiple）降至 3 以下。
  极致期（L4）目标：扩大总目标市场（TAM），通过新产品线（如 Vanta 的问卷管理、Stripe 的 Radar/Atlas）重复寻找 PMF。
  

行动建议： 创始人应积极进行以“支付意愿”为驱动的客户发掘，通过追问“你愿意支付的公平价格、昂贵价格和过高价格”来量化支付意愿，避免被客户的礼貌反馈误导。

#AI #产品 #PMF #创新 #智能体

探讨创新为什么会失败，以及如何通过重塑商业模式和创新变现的思维方式，系统性地实现产品盈利。

我们将借鉴两本著作《商业模式生成》和《创新变现》

• 创新失败率高企： 为什么近四分之三的新产品或服务无法达到其收入和利润目标？
• 传统思维的陷阱： 大多数公司将定价视为创新周期的最后一步（即“先设计，再建造，再推广，最后定价”）。这种滞后的定价决策导致了收入估算仅仅是猜测，而非基于事实。

• 九大要素： 画布涵盖了业务的四大核心领域——客户、产品、基础设施和财务可行性。
  核心要素包括：价值主张： 解决客户问题或满足其需求的产品和服务组合。
  客户细分： 企业希望接触和服务的不同人群或组织群体。
  收入来源： 组织从每个客户细分群体中获得的现金。
  成本结构： 运营商业模式过程中发生的所有成本。
  

• 范式转变： 成功的范式是“先市场和定价，然后设计，再建造”，即“围绕价格设计产品”
• “支付意愿”对话的必要性： 在产品开发早期就与潜在客户进行价值和支付意愿的深入讨论。
• 这能帮助公司避免：
  功能震荡： 产品功能过多且定价过高，使客户感到困惑且价值不清晰（如 亚马逊 Fire Phone）。
  微创新： 虽是好产品，但定价过低，未能充分发挥盈利潜力（如 Playmobil 的诺亚方舟）。
  僵尸产品： 客户根本不想要的产品被推出市场（如 Segway）。
  
• 盈利模式的选择重于定价：
  如何收费通常比收费多少更重要。
  成功的模式如：
  按替代指标定价： 如米其林向卡车车队按里程收费，而非按轮胎数量收费。
  动态定价： 价格根据实时供需波动（如 Uber 的溢价收费）。
  免费增值模式： 提供免费基础服务，通过付费高级服务盈利（如 LinkedIn、Dropbox）。
  

• 客户细分是关键： 不要为“平均客户”设计产品。
  应根据客户的需求、感知价值和支付意愿进行细分，并为不同细分市场设计不同的产品组合（例如：保时捷针对不同客户群定制配置）。
• 产品配置与捆绑： 区分领导者功能、填充物功能和杀手功能。通过捆绑可以增加整体利润，并简化客户的购买决策。
• 价值沟通： 创新不会“自言自语”。必须清楚地传达利益，而不是功能（Features）。
• 商业论证： 商业论证应是“活的文件”，包含关于价值、价格、成本和销量的四个关键支柱信息，并持续更新和整合。

构建不可预测、自主行动的AI 代理（Agent），我们如何确保其质量、效率和安全性？

• 1非确定性的破局者。Agent 的非确定性（输出不固定）使其行为不可预测。
  传统的 QA 方法（如单元测试）对 Agent 彻底失效。
  

• 2：失败模式更“隐蔽”。Agent 的失败不是系统崩溃，而是微妙的质量退化，例如幻觉、概念漂移或自主开发出意想不到的低效策略。
  传统的调试器无法解决这些**“判断的缺陷”**。
  

• 3：新时代的首要原则。Agent 质量不再是最终的测试环节，而是必须是架构的一个支柱
  

• 1：真相是“轨迹”（Trajectory）。不能只评估最终输出。Agent 的**整个决策过程（轨迹）**才是衡量其逻辑、效率和安全的真正标准。
  

• 2：战略锚点：“外部到内部”框架。评估必须从用户价值和业务目标出发（外部视角），再深入到内部组件分析。
  

• 3：质量的四大支柱（评价标准）。有效性： 是否准确且成功地实现了用户的实际意图。
  效率： 消耗了多少成本（Token）、延迟和步骤复杂度。
  鲁棒性： 面对 API 失败或模糊提示时，是否能优雅地处理。
  安全与对齐： 这是不可协商的底线，确保 Agent 在道德和安全边界内运行。
  

• 4：混合评委体系。需要结合自动化和人类判断：使用 LLM-as-a-Judge 和 Agent-as-a-Judge 实现规模化评估。
  Human-in-the-Loop (HITL) 评估是不可或缺的，用于判断细微差别、复杂伦理和建立金标准。
  

• 1：超越监控，实现可观测性。目标是理解 Agent 的认知过程质量，而不是简单检查它是否运行。
  

• 2：可观测性的三大支柱。日志（Logs）： 代理的日记，记录发生了什么（原子事实）。
  追踪（Tracing）： 叙事线索，将日志连接成故事，揭示为什么发生（因果关系）。
  指标（Metrics）： 代理的成绩单，定量汇总表现如何（分为系统健康指标和输出质量指标）。
  

• 3：诊断工具：Traces 的价值。追踪是调试多步骤复杂故障的必备工具，它能瞬间揭示 Agent 是在 RAG 阶段、工具调用阶段还是推理阶段出错。
  

• 1：质量飞轮的创建。通过结构化实践，将评估转化为一个自我强化的系统（Agent Quality Flywheel）。
  

• 2：飞轮的驱动力。从四个质量支柱（目标）开始，通过可观测性（数据）提供证据。
  使用混合评估（引擎）判断质量。
  关键是：将每一次生产失败捕获并转化为永久的回归测试，驱动 Agent 逻辑改进。
  

• 3：最终目标是信任。掌握“评估工程”是下一波 AI 的关键竞争优势。
  信任不是靠运气，而是建立在持续、全面、架构健全的评估之上。

1. Painting Session —— 临时工作台动态组装：指令 + 工具 + RAG + 对话历史
   关键：只放必要信息，避免上下文腐烂
   结构：Events（流水账） + State（结构化变量）
   
2. Memory —— 永久文件柜不是RAG（查外部知识），是存你的偏好、习惯、流程
   类型：陈述性（你爱什么） + 程序性（你怎么做）
   关键：LLM驱动的ETL管道 —— 自动提取、去重、合并、打标签
   信任机制：Memory Province —— 每条记忆带来源和可信度（用户说 > AI猜）
   

• 能记住你工作流的AI，会自动优化你的流程 → 差异化竞争核心
• 未来AI产品的护城河，不是模型，是个性化记忆的深度与可信度

• 记忆必须用户级隔离
• 记忆写入要实时、事件驱动
• 检索别只靠语义相似 —— 加上 Recency + Importance

谷歌最新白皮书：从智能体的demo开发 到正式产是一套系统化的五阶段路线图。

我们将拆解这份指南的核心框架，告诉你如何避开“Demo 很强，上线就崩”的陷阱，把 AI Agent 真正做成能交付、可衡量、负责任的业务。

你将听到

• 为什么“先跑通再优化”是最大误区？
  Gen AI 的非确定性本质决定了：你必须在写第一行代码前，就定义好怎么衡量好坏。没有度量标准，就没有迭代方向。

• 五阶段路线图全景：明确目标：不是所有问题都该用 Agent 解决。聚焦六大核心场景：客户、员工、代码、数据、安全、创意。
  选对模型：大模型起步，小模型优化；复杂任务可用多模型协同。别被“开源”或“闭源”绑架，按治理、用例、性能三角权衡。
  评估先行：构建有代表性的测试集，组合使用自动评分器、计算指标 + 人工评估。评估不是一次性的，而是持续标尺。
  
  改进行为：两条路径——定制化（微调、蒸馏、RLHF）改模型内部；
  增强（RAG、工具调用、推理循环、记忆）改模型外部输入。
  发布与监控：版本控制提示词和配置；用预留算力防性能崩溃；持续监控质量、安全、偏见、成本。
  
• “质量即架构”原则：Agent 系统必须是 “可评估设计”（evaluatable-by-design）——每个环节都要能被度量、被测试、被回滚。
• 治理不是事后的合规检查，而是内建能力：从第一天就集成对抗提示注入、越狱、数据投毒的防护，并让安全团队掌握 AI 威胁模型。
• 持续监控怎么做？
  不仅要看延迟、错误率，还要用嵌入聚类识别异常输出，用任务级评分器跟踪质量漂移。当 LLM 表现下滑时，你要比用户先知道。
• 关键提醒：61% 的企业已在运行 Gen AI 用例——现在不是要不要做的问题，而是如何避免做错的问题。

从AI 从业者的角度来读《无穷的开始》

它挑战了我们最深的信念：“只要有更多数据和算力，就能走向 AGI”。

作者戴维·多伊奇指出：真正的知识不是从数据中归纳出来的，而是人类通过“可被证伪的猜想”创造出来的。

你将听到

• 为什么科学史上所有突破（如宇宙大爆炸理论）都始于“先有猜想，再找证据”？数据只是筛子，不是种子——你的AI模型永远想不到用户真正需要什么，只有你能。
• “好解释”的致命标准：希腊神话说冬天是女神悲伤，细节随便换；科学说地轴倾斜23.5度，改1度就崩。你的产品战略是前者还是后者？苹果生态为何砍掉任一环就失效？
• 创业内核必须“难以改变”：坚信“AI重塑知识工作”是地轴，改UI定价是微调航线。警惕路演时的“普西芬妮陷阱”——用可替换的故事掩盖脆弱逻辑。
• 人类不是地球飞船的乘客，而是设计师：沙子变芯片、荒野变家园，靠的是知识而非资源。当投资人问市场规模，你要答：“我将创造多大市场？”
• 复活节岛崩溃真相：他们砍光树不是因贪婪，而是除了造石像，想不出新办法。所有失败都是知识不足——创业卡壳时，别问“为什么难”，问“我们缺哪块知识？”
• 真正的乐观主义：进步不是消灭问题，而是从“如何造火箭”转向“如何登陆火星”。你的团队开会是在庆祝任务完成，还是为发现新无知而兴奋？
• 最尖锐拷问：如果颠覆性创新永远无法预测，你给投资人的5年路线图，是否正在扼杀创造力？如何平衡计划与闪电般的灵感？

AI初创公司的销售，不是“找人卖产品”，而是“创始人亲自当侦探+战略家”。从0到100万ARR vs 100万到1000万ARR，是两种完全不同的战争——你用错了打法，就永远走不出“伪PMF”陷阱。我们拆解硅谷一线AI创业者的真实销售路径：如何用“反直觉策略”赢得第一批灯塔客户、避开定价陷阱、组建真正的“创始人级销售团队”。

你将听到

• 为什么在0–100万ARR阶段，创始人必须亲自卖？
  因为此时你不是在卖产品，而是在卖“你对问题的深刻洞察”——你的热情、愿景、反常识观点，才是天使客户的购买理由。
• 真正的“钩子”不是“我们能帮你提高效率”，而是：“顶尖工程师，只愿加入用AI工具的公司。”
  制造“啊哈时刻”比功能清单重要100倍——用反直觉洞察引爆好奇心。
• 早期销售的终极真理：别发1000封邮件，只写30封真正个性化的信。
  每封15分钟，手动筛选30个最值得学习的客户——这是最小成本的市场验证，远胜自动化轰炸。
• 第一次通话的目标不是成交，而是“赢得学习的权利”。
  不做Demo！不推销！问：“你过去怎么解决这个问题？”“谁在内部反对你做改变？”——用脆弱感换真实反馈。
• “服务先行”是合法的敲门砖，但必须有边界：90天咨询，只为换一个“设计伙伴”和一份内部立项报告。
  你不是在做咨询公司，你是在用服务换入场券、换信任、换产品路线图的校准权。
• 早期销售的5个“不要做”：不要雇销售VP（ARR <50万别碰）
  不要问“什么让你夜不能寐”（陈词滥调）
  不要追求完美产品再卖（不完美但真诚更动人）
  不要只盯着收入数字（学习比签约更重要）
  不要害怕暴露早期状态（真实是早期最大的杠杆）
  
• 进入100万–1000万ARR，销售从“游击战”变成“正规军作战”
  目标不再是“找客户”，而是“打下行业制高点”——优先攻占Tier 1灯塔客户（Walmart、NVIDIA、摩根士丹利）。
• 为什么越大的客户，越愿意为AI冒险？
  因为他们怕被颠覆——你不是在卖“工具”，你是在卖“阿尔法”：谁能用你的AI，谁就能成为行业里的“超级马里奥”。
• “终端市场”是个伪命题：要么打企业级，要么打高端SMB，别试图吃中间。
  混合策略 = 资源分散 + 两头不讨好。
• ACV（年度合同价值）必须从第一天就定在 $75k–$150k 区间
  低于$25k？你掉进了“$10k陷阱”：虚假PMF、难以规模化、吸引不到优秀销售、价格锚定后无法提价。
• 企业销售的本质是“交易塑造”
  不是一键下单，而是和客户共同设计方案、定价、ROI模型——甚至用短信和决策者建立私人连接。
• 招聘“创始人级销售”：不找Salesforce的VP，找前创始人、技术出身的售前、懂AI的销售。
  高级销售可能不适应混乱，初级销售扛不起大客户——一次招两个，内部PK，快速识人。
• 别依赖通用销售自动化工具（HubSpot、Apollo）
  当所有人都在用同样的方式联系同一批人，你的信息只会被淹没。真正的高价值线索，藏在LinkedIn之外——靠推荐、靠关系、靠“走后门”。
• 学会对不合适的客户说“不”
  销售漏斗的转化率低？问题不在底部，而在顶部——你放进来太多“伪线索”。严格筛选，才能提高转化。
• 中期销售的5个“不要做”：不要为了签单而打折（除非换灯塔案例或设计伙伴）
  不要让采购流程拖垮你（主动帮客户扫清内部障碍）
  不要为单个客户过度定制产品（守住核心价值主张）
  不要让销售VP用大公司那一套来“标准化”你（会杀死创新）
  不要低估“信任”在企业销售中的权重（它比功能重要10倍）
  
• 贯穿两个阶段的核心真理：
  在AI时代，最强大的销售武器，依然是人类的深度沟通、真诚与战略洞察力——不是自动化，不是AI外呼，而是你作为一个创始人的思考深度。

延伸资源

AI 产品到底该怎么定价？为什么“低价抢市场”对 AI 创业者是致命陷阱？如何通过瞄准灯塔客户、设计价值导向的定价模型、重构 POC 流程，从第一天就建立健康的单位经济模型？我们结合 Marvin Manuch、Jan Able 等一线专家的实战框架，为你拆解一套可立即落地的 AI 定价方法论。

你将听到

• 为什么 AI 的成本结构彻底改变了定价逻辑？
  持续的推理成本 ≠ 传统 SaaS 的边际成本趋零，必须从 Day 1 开始盈利，不能靠“先烧钱后变现”的老路。
• 劳动力预算 vs 软件预算：AI 的真实价值往往来自替代或增强人力，这意味着你的定价应锚定在“省下的两个 FTE 成本”，而非“一个工具订阅费”。
• 20/80 定价陷阱：产品中 20% 的核心功能可能驱动 80% 的付费意愿，但很多团队却把这部分免费送掉，反而在边缘功能上堆砌资源。
• 反直觉策略：优先攻坚 Tier 1 灯塔客户（Walmart、NVIDIA 级别）
  他们才是真正的早期采用者——为“阿尔法优势”付费意愿最强，且成功案例能带来无法估量的品牌背书和产品验证。
• Vision Casting（愿景描绘）：别卖“让马里奥变大的蘑菇”，要卖“成为超级马里奥之后的统治力”——用战略级叙事撬动高价值对话。
• 警惕 $1 万陷阱：低于 $25k ACV 的合同，客户内部不重视、反馈浅薄、价值难验证；健康的企业级 AI 合同 ACV 应在 $75k–$150k 区间。
• Marvin Manuch 的定价矩阵：基于 价值归因性（Attribution） 和 产品自主性（Autonomy） 的二维框架，决定四种定价模型：低归因 + 低自主 → 按席位订阅（Seat-based）
  高归因 + 低自主 → 混合定价（基础费 + 用量费，如 API 调用）
  低归因 + 高自主 → 按使用量付费（Usage-based，如计算资源）
  高归因 + 高自主 → 按结果付费（Outcome-based，黄金象限）
  
• Outcome-based 真实案例：Intercom 的 Fin：按 AI 独立解决的工单数收费
  Chargeflow：按成功追回的拒付金额抽成
  此类模式可捕获客户价值的 25%–50%，远超传统 SaaS 的 10%–20%
  
• 产品设计为定价服务：内置价值仪表盘、效果报告、ROI 追踪，让价值“看得见、摸得着”，为按结果付费打基础。
• POC 不是技术演示，而是共建商业案例：从第一天就与客户共同定义基线、设定指标、构建 ROI 模型，让 CFO/CEO 看到真实业务影响。
• 对 POC 巧妙收费：筛选高意愿客户
  传递产品价值信号
  避免过早锚定低价
  
• 谈判核心技巧：Give-to-get：让步 ↔ 要求客户投入（如核心团队时间、价值审计授权）
  提供选项：好/更好/最好 三档方案，转移价格焦点
  Anchor high + taper concessions：高起价 + 递减让步（15% → 5% → 2%），清晰传递底线
  确认循环（Confirmation Loops）：不断让客户口头确认价值（“这个功能能省你们多少人时？”）
• 销售是共创，不是交易：与客户 co-author 解决方案，甚至用短信与决策者建立个人化连接；敢于问“今年能签吗？”
• 终极提醒：市场份额（Market Share）≠ 钱包份额（Wallet Share）。AI 创业者必须同时追求规模与利润，警惕低价陷阱、过度承诺、被定制需求带偏。

Cursor 为何能一年从20人扩张到250人？不是靠KPI，而是靠“招聘人、不招岗”“全员参与、口头文化”“IC至上、极致dogfooding”——这套反常规的组合拳，如何构建出一个能自我驱动的AI公司操作系统？我们是否正在见证一种适合AI时代、非传统规模化的新型组织范式？

你将听到

• Cursor 不按JD招聘，而是在 Slack 频道“hiring ideas”里提名“牛人”，整个团队像蜂群一样主动出击——他们问的不是“你能做什么”，而是“你最热爱什么”？
• 为了打动一位候选人，他们送过早期版 Macintosh、浓缩咖啡机——这不是福利，是个性化信任构建，是把招聘变成一场“深度对话”而非“流程交易”。
• 公司 1/5 以上是前创始人，名校背景者众多，但没人提毕业院校——人才密度来自使命吸引，而非头衔包装。
• 办公室像大学公共休息室：没有 logo、没有工牌、墙上全是翻烂的教科书——实体办公是默认值，86% 员工在旧金山/纽约，因为“拍肩膀问问题”比 Slack 更有效。
• “口头文化”是核心：午餐时聊的必须是技术、产品、难题，创始人甚至怕员工“开始聊天气”——文化边界由集体共识守护。
• 产品路线图完全自下而上：全员高强度使用 Cursor 产品，内部版本比公开版领先 3 个月——不是用户驱动，是工程师驱动。
• “Fuzz 仪式”：每次重大发布前，全员 60 分钟静默找 bug，问题直接发到 Slack——质量不是靠评审，是靠集体偏执。
• “Brain Trust”频道：用 emoji 投票快速收集反馈，不是流程，是高频、轻量、信任导向的决策机制。
• 他们不服务“小白用户”，只服务“最顶尖的开发者”——目标不是降低门槛，而是提升天花板，这与他们的招聘逻辑完全一致。
• 外界传“996”，内部说“不是强制，是热爱”——高强度源于对代码改变世界的使命感，而非奖金或KPI。
• CEO 仍深度参与招聘、产品评审，团队高度依赖创始人意志——这像“系统阶段”；但同时 IC 自主权极高、冲突被鼓励、价值观内化——这又在逼近“价值观阶段”。
• 终极问题：Cursor 的这套模式，是能沉淀为可复制的“价值观操作系统”，还是只是一种AI时代特有的、高密度、高强度、不可规模化的临时形态？

适合谁听

• AI 创业者 & 技术负责人
• 软件工程师 & 工程经理
• AI 产品经理
• 关注 “公司文化”“高密度团队”“CEO隐形管理”“AI公司运营”“自驱团队”“个体贡献者” 的业内人士

原文参考

How to Manage a Company When the CEO Disappears: Culture Does

Inside Cursor