PM 角色转型与新方法论

主题: PM 角色转型与新方法论 | 覆盖: 5 篇分享 | 覆盖会场/时间: PM 角色转型分会场 · 2026-04-24 下午

涉及分享

主题概述

5 位讲者从不同位置回答同一个问题：当 AI 把执行力从稀缺变成充裕，PM 的存在价值要往哪迁移？莫亦寒从底座层切入（Spec / Context / Skill），刘芳从表达层切入（叙事 / 共情），子璇从研究方法论切入（生成式人设 / 始终在线），韩瞳从文明史尺度切入（智慧 / 勇气 / 品味），邹昌力从机制设计切入（Harness / Benchmark / 控熵飞轮）——五人共同把 PM 的核心交付物从「写一份 PRD」改写为「在更多候选里持续判断什么是最重要的事，并把判断沉淀成机制」。

共识观点

共识 1：判断力是 AI 时代真正的稀缺品

AI 把候选放大到爆炸，PM 的护城河从「能做什么」迁移到「判什么更重要」。莫亦寒的 Decision Maker 三维框架（架构可拓展 / 节奏可演进 / 用户连续性）、邹昌力的「判断力 = 学习 + 实践 + 沉淀方法」、韩瞳的「智慧是看见长期后果的能力」——三人在同一件事上落子。

「能做的事越多，判断什么更重要就越稀缺。」——莫亦寒 「判断力，是这条路上唯一不会贬值的资产。」——莫亦寒 「成年人的成熟，不是知道更多信息，而是能判断一件事的长期影响。」——韩瞳

来自: 莫亦寒、邹昌力、韩瞳

共识 2：PRD / Spec / Context 从交付物升级为活资产

PRD 不再是「评审完冻结、增量补丁」的文档，而是 AI 直接消费的源头骨架：结构化、边界清晰、可被验证。莫亦寒提出 PRD as a Live Asset 与 Context Provider 两个 Shift；邹昌力把 PRD 评审节奏改成「demo + 业务说明零歧义交付」+「上线后补 PRD/文档，问题更新到规范」；两人都把信息组织从串行接力改成共享 context 的并行同步。

「PRD/SPEC 不再只是给人看——它是 AI 生成代码、测试、文档、原型的唯一源头。」——莫亦寒 「开会是一切的开始，文档是一切的结束。」——邹昌力

来自: 莫亦寒、邹昌力

共识 3：差异化护城河往「人味」迁移——故事、品味、共识不可复制

当模型 / 功能 / 技术快速趋同，能让产品被记住的不是更强的功能，而是「人」的部分。刘芳给出最系统的方法论（信息厚度 × 情感温度，承认差距 + 真诚以待）；韩瞳把品味列为三种值得长期积累的能力之一（技术 / 艺术 / 情绪价值三层品味）；邹昌力说「建品牌 + 机制——像比特币：技术可复制，共识不可复制」。

「指标只能触达用户，故事才能触动用户。」——刘芳 「当技术让一切趋同，你就是一切。」——刘芳 「品味……是判断什么是好的能力。」——韩瞳

来自: 刘芳、韩瞳、邹昌力

共识 4：从「做项目」到「建能力」——常驻、复用、始终在线

研究、判断、踩过的坑都不该是一次性产出。子璇把用户研究从「按季度启动、按月交付的项目」改造为「按小时按天可调用的常驻能力」（速度 100×、成本 1/100、覆盖度 100×）；莫亦寒把 Skill 做成 Internal / Open / CLI 三层穿透层，让 PM、研发、SRE 的诊断流程和产品方案随时可用；邹昌力把每次 review 的判断沉淀成 AI 起手 prompt，从「修一个 bug」扩展到「消灭所有同类 bug」。

「研究因此而『始终在线』——无论什么人、什么想法、在任何地方，都可以被即时验证。」——子璇 「修复 = 一次；规则 = 永久。」——邹昌力

来自: 子璇、莫亦寒、邹昌力

共识 5：PM 从「做事」转向「设计机制」管理 AI

判断力本身要可复用，必须沉淀进机制。邹昌力最显式：「从『做事』转到『设计机制』」「把 Codebase 做成 Agent」「定义 Benchmark + 构建 Harness」；莫亦寒的 Skill 三层和 Lakebase 底座是同一思路在不同抽象层的实现；子璇的 AI Persona 库 + AI Panel 是研究侧的机制化。三人都把「亲自做」让位给「设计让 AI 自洽地把事做好」。

「上医·治未病：让问题不再发生。」——邹昌力 「不要只把 AI 当提效，而要把它当生产力。」——韩瞳

来自: 邹昌力、莫亦寒、子璇、韩瞳

不同侧重 / 分歧

切面 1：变与不变的取舍——五种不同的「不变量」

• 莫亦寒：判断力不变，PRD 形态、协作模式、底座架构都变
• 刘芳：人对故事和共情的需求不变，差异化从功能层迁到表达层
• 子璇：「理解消费者」这件事不变，但研究形态从项目变能力
• 韩瞳：连接是产业核心价值不变（搜推不会被轻易取代），但比特世界在「连接 ↔ 计算」之间钟摆
• 邹昌力：寻找价值的方法没变，但游戏规则、团队分工、工作流程全变了
• 观察：五人共同回避「一切都变」的恐慌叙事，每人都先锚定一个「不变量」再展开变化——这是工程出身 PM 群体面对范式跃迁时的典型应对方式

切面 2：PM 的新交付物到底是什么

• 莫亦寒：可被 AI 消费的共享 Context（PRD / Spec / Skill）
• 刘芳：让用户在意的「感知」（从创造产品走向创造感知）
• 子璇：可对话、可复用的 AI Persona 库（用户洞察的常驻能力）
• 韩瞳：智慧、勇气、品味三种能力的持续积累（个人侧的交付物）
• 邹昌力：能让 AI 自洽运转的机制集合（Harness / Benchmark / 规则 / 飞轮）
• 观察：互补而非对立——莫/邹偏组织侧的机制基础设施，子璇偏研究侧的能力沉淀，刘芳偏用户侧的感知设计，韩瞳偏个人侧的能力底座；五条加在一起就是「AI 时代 PM 的全栈交付物清单」

切面 3：对待 AI 的关系定位

• 莫亦寒：AI 是 Context 的共同生产者与消费者（PM · AI · Engineering 三方共享 context）
• 邹昌力：AI 是被设计、被驯化、被沉淀机制约束的对象（控熵 + 起手规避 + 自我打榜）
• 子璇：AI 是模拟「主观世界」的建模工具（不是干活的 AI，是模拟我们的 AI）
• 刘芳 / 韩瞳：AI 是让一切趋同的背景力——人的差异化（活人感 / 智慧勇气品味）才是回应
• 观察：前三人偏「与 AI 协作 / 设计 AI」的工程视角，后两人偏「区隔于 AI / 人本侧的护城河」的人文视角；前者解决「怎么用」，后者解决「凭什么不被取代」

切面 4：判断「该做什么」的方法

• 莫亦寒：架构可拓展 / 节奏可演进 / 用户连续性（三维收敛框架）
• 邹昌力：围绕下一次模型质变构建产品·新模型发布那一刻 ready（时机判断）
• 韩瞳：选公司看十年而非一年·优秀的人 / 足够的钱 / 对未来有用的知识三占一（评估机会）
• 刘芳：高出 1cm 法则·只比用户当前认知高一点点（叙事侧的判断尺度）
• 观察：从企业级（莫亦寒）到行业级（邹昌力）到个人职业级（韩瞳）到沟通级（刘芳），不同尺度都给出了具体的判断标尺，可以叠加使用

跨场金句精选

「能做的事越多，判断什么更重要就越稀缺。」——莫亦寒（PM 即 Builder）

「PRD/SPEC 不再只是给人看——它是 AI 生成代码、测试、文档、原型的唯一源头。」——莫亦寒（PM 即 Builder）

「指标只能触达用户，故事才能触动用户。」——刘芳（Storyteller 火爆硅谷）

「当技术让一切趋同，你就是一切。」——刘芳（Storyteller 火爆硅谷）

「物理为客观世界建模，语言模型为主观世界建模。」——子璇（从项目到能力）

「成年人的成熟，不是知道更多信息，而是能判断一件事的长期影响。」——韩瞳（AI 时代自我迭代）

「开会是一切的开始，文档是一切的结束。」——邹昌力（从互联网到 AI）

「修复 = 一次；规则 = 永久。」——邹昌力（从互联网到 AI）

主题级行动建议

• 把 PRD 写成结构化、边界清晰、可被验证的 Spec——让 AI 可以直接消费，评审从「PRD + 口头讲解」升级为「PRD + 可交互原型 / demo + 业务说明」（依据：莫亦寒、邹昌力）
• 建立组织内的常驻能力库：研究侧建 AI Persona 库（子璇）、协作侧建 Skill 共享层（莫亦寒）、机制侧建 Benchmark / Harness（邹昌力）——把每次产出留存为可复用资产，而不是一次性项目（依据：子璇、莫亦寒、邹昌力）
• 用具体框架做候选收敛：架构可拓展 / 节奏可演进 / 用户连续性三维（莫亦寒）+ 围绕下一次模型质变 ready（邹昌力）+ 看十年而非一年（韩瞳）（依据：莫亦寒、邹昌力、韩瞳）
• 把每次踩过的坑写进 AI 起手的 prompt / 规范：从「修一个 bug」到「消灭所有同类 bug」，把判断沉淀成机制而非记忆（依据：邹昌力、莫亦寒）
• 流程从串行改为并行同步演进：会议只对齐方向、方案 / 视觉 / Coding 同步推进、多套方案并行验证、上线后补 PRD（依据：邹昌力、莫亦寒）
• 重建差异化叙事能力：用「真实素材 + 独特角度」立主题，举例子 + 做抽象做深入浅出，承认差距 + 真诚以待做共情；交稿前用「我相信吗 / 我代入吗 / 我会被打动吗」三问做活人感测试（依据：刘芳）
• 持续做自我探索：明确自己擅长什么、想成为谁、愿为哪些价值长期投入，把记忆性叶子知识外包给 AI，把精力投入跨学科树干常识（依据：韩瞳）

如果你只有 5 分钟

1. 新护城河 = 判断力 + 机制——AI 时代 PM 的核心产出从「写需求」变成「在爆炸候选里判断什么最重要 + 把判断沉淀成 AI 可复用的规则」（莫亦寒 / 邹昌力 / 韩瞳共识）
2. 核心交付物升级为活资产——PRD、Spec、Context、Skill、Persona 库都从一次性文档变成持续维护的共享层，PM 从「需求方」变成「共享 Context 的提供者」（莫亦寒 / 子璇 / 邹昌力共识）
3. 差异化往人味侧迁移——当功能趋同，故事、活人感、品味、不可复制的共识成为新的稀缺品；交稿前的「活人感三问」是最便宜的练习（刘芳 / 韩瞳 / 邹昌力共识）

AI Agent 工程化与 ToB 落地

主题: AI Agent 设计、工程化与 ToB 严肃场景落地 | 覆盖: 4 篇分享 | 会场/时间: AI Agent 设计与商业化 + AI 重塑 ToB 产业应用 · 2026-04-24 下午

涉及分享

主题概述

4 位讲者站在 4 个不同位置——开放平台（MiniMax）、严肃合规（法大大法律）、专业行业（医疗）、企业私域数据（每日互动）——回答同一个问题：Agent 不是 chatbot，单个大 Prompt 撑不起 ToB 严肃场景。共同的解法是用工程化把 LLM 的发散性”锁住”：拆解任务 → 多 Agent 并行 → 引入评测 → 加上反馈闭环 → 把私有知识做成可被模型直接消费的资产。Agent 的护城河不再是模型本身，而是架构 + 知识 + 评测 + 流程沉淀的工程化叠加。

共识观点

共识 1：单体 Prompt 路线在严肃场景必然失败

模型再强，把”读合同 → 提取实体 → 应用法规 → 发现漏洞 → 撰写建议”塞进一个 Prompt，错误会沿推理链累积放大；ToB 要的是”可复现的正确结果”，不是”运气好时的正确”。

「ToB 要的是『可复现的正确结果』——模型强不等于产品能落地。」——梅容 来自: 梅容、冯雯、居斌

共识 2：架构方向都指向「拆 + 校 + 反馈」

• 冯雯：Single-Agent + Planner / Executor / Memory / Tools 四件套
• 梅容：Agentic Workflow + 解析 Agent / 规则 Agent / 裁判 Agent 三段式
• 居斌：知识胶囊 + Attention 直接消化 + 多模型协同
• 邓鹤菱：本地小模型 + 云端大模型 + 流而不留的混合云架构

不同名词，但骨架一致：任务拆解 + 角色分工 + 中间结果可校验 + 失败可定位。

共识 3：评测体系是 Agent 工程化的核心交付物，不是附加品

• 梅容：Recall / Precision 双指标，准确率从 60% → 90%+ 的跃迁完全靠评测驱动
• 冯雯：把”不对、重来、主动修改”等自然语言反馈做成产品化闭环（采集 → 分类 → 量化 → 迭代）
• 张泽逊在 06 主题里也强调过同一点：「学习速度 ≈ 反馈准确度 × 反馈速度」

来自: 梅容、冯雯（+ 张泽逊跨主题印证）

共识 4：私有知识 / 私域数据是真正的护城河

通用模型只是地基，真正的差异化在垂直 know-how 怎么进入推理链。

• 梅容：来源分层 L1-L4（法条原文 / 权威指南 / 专业评论 / AI 辅助），置信度阈值 ≥ 85%
• 居斌：知识胶囊（KVI 框架）让领域知识进入 Attention 而非检索时翻书
• 邓鹤菱：「本行业 - 本地区 - 本单位 - 本人」四级知识体系
• 冯雯：MaxClaw / MaxHermes / Office Skills 把通用 Skill 与企业 Skill 都做成可调用单元

来自: 梅容、居斌、邓鹤菱、冯雯

共识 5：失败处理 / HITL 是设计起点，不是兜底

“Agent 必然会犯错”被 4 位讲者反复强调，对策都是把失败前置为产品要素。

• 冯雯：让 AI 看 → 让 AI 帮 → 让 AI 做 → 让 AI 管 4 级信任阶梯，每级都要明确介入边界
• 梅容：高罚款/诉讼场景强制 HITL 拦截节点，不论模型多好
• 邓鹤菱：「不敢用」是私有数据 AI 的第一困境，必须把安全做成设计约束 来自: 冯雯、梅容、邓鹤菱

不同侧重 / 分歧

切面 1：Agent 是平台还是产品？

• 冯雯（平台视角）：MiniMax 把 Agent 做成开放生态，MaxClaw 是桌面沙箱、MaxHermes 是 24/7 在线 Agent、Office Skills 开源给所有人调用，平台输出的是”原料”
• 梅容（垂直产品视角）：法律场景必须把 SOP 完全沉淀进自己的 Workflow，Skill 化只是手段不是目的，最终交付是”可复用的法律技能矩阵”
• 居斌（基础设施视角）：医疗的”知识底座”是行业级公共资产，不是单产品形态
• 邓鹤菱（业务嵌入视角）：AI 能力要”藏”在业务流里而不是摆在界面上

观察：4 种视角不冲突，对应 Agent 进入企业的 4 个层次——通用平台 / 垂直应用 / 行业基座 / 业务流嵌入。

切面 2：Single Agent vs Multi-Agent

• 冯雯：明确选 Single-Agent 路线，引用 Anthropic / Cognition / LangChain 三家研究——单 Agent 在小任务+工具变多时表现最好，仅在工具/信息量极大时多 Agent 才占优
• 梅容：明确选 Multi-Agent 三段式（解析 / 规则 / 裁判），用算力冗余换稳定性

观察：表面对立，实则适配场景不同——MiniMax Agent 面向开放任务（任务边界发散），法大大面向标准化合同审查（任务边界明确，且容错极低）。任务可枚举性 + 容错容忍度 = 架构选型决策依据。

切面 3：知识进入 LLM 的方式

• 梅容：CoT + RAG + 规则拆解（外部检索 + 提示词工程）
• 居斌：知识胶囊进入 Attention 计算（让知识成为模型的”肌肉记忆”，跳出 RAG 翻书模式）
• 邓鹤菱：本地小模型常驻 + 云端大模型按需 + 数据”流而不留”
• 冯雯：Memory 系统（Session Note + 历史摘要 + 工具调用记忆融合 + Token 阈值压缩）

观察：从外部检索 → 模型内部 Attention → 混合架构 → Memory 工程，4 种方案是知识与推理融合度的光谱，越深度融合越快，但门槛和成本也越高。居斌的”知识胶囊”是 4 者中工程门槛最高的方向。

切面 4：评测的颗粒度

• 梅容：节点级评测（Workflow 每个节点都跑 Recall / Precision），找出短板节点定向优化
• 冯雯：体验级评测（用户的”重来 / 修正”动作直接转化为指标）
• 居斌：结果级评测（医疗结论的事实正确性）
• 邓鹤菱：业务级评测（AI 是否真的被业务流使用，使用率 / 留存率）

观察：评测越靠后越接近商业价值，越靠前越有助于工程优化。完整体系应该 4 层都建。

跨场金句精选

「让 AI 看 → 让 AI 帮 → 让 AI 做 → 让 AI 管，每跨一级都是用户心理门槛的产品化跨越。」——冯雯（信任阶梯 4 级）

「Agent 必然会犯错，关键是设计让用户『接受失败』而非『放弃产品』的体验兜底。」——冯雯

「ToB 要的是『可复现的正确结果』——模型强不等于产品能落地。」——梅容

「在法律这一严肃领域，没有『人机协作』的 AI 是昂贵的玩具。」——梅容

「优秀的生产系统，必须把专家纠错的『沉没成本』，转化为大模型能力升级的『燃料』。」——梅容

「2026 年，AI 产品的核心壁垒早已不是底层模型参数的较量，真正拉开差距的，是对垂直业务 SOP 的理解深度，以及打磨『工程化确定性』的落地能力。」——梅容

「让知识从『翻书』变成『肌肉记忆』——RAG 是查找，知识胶囊是消化。」——居斌（推断金句）

「私有数据 AI 应用的四重困境是：不敢用 / 不能用 / 用不起 / 不好用。」——邓鹤菱

主题级行动建议

• 进场前用「四维自评」判断要不要全自动：场景复杂度 / 容错底线 / 知识壁垒 / 数据链路（梅容）；得分低于 60 分先做 Copilot
• 架构选型按任务边界：任务边界发散 → Single-Agent + Memory；任务边界明确 + 严肃 → Multi-Agent 解析/规则/裁判（冯雯 + 梅容）
• 评测体系四层都建：节点级 / 体验级 / 结果级 / 业务级，从工程到商业全链路可观测
• 复杂决策强制原子化拆解：1 个复杂决策 → 至少 5 个独立单点判断（梅容）
• 来源分层 + 置信度阈值：法条原文 100% / 权威指南 / 专业评论 / 待核实，阈值 ≥ 85%（梅容）
• 私有知识做成”模型可消费”的资产：不是堆 PDF，而是按「本行业-本地区-本单位-本人」分层 + 知识胶囊封装（邓鹤菱 + 居斌）
• 失败设计前置：进度透明 / 中间结果可保留 / 用户可介入修正继续 / 信任阶梯 4 级明确（冯雯）
• 反馈闭环产品化：用户的”不对、重来、主动修改”自动采集 → 分类 → 量化 → 驱动迭代（冯雯 + 梅容）

如果你只有 5 分钟

1. 单体 Prompt 在 ToB 严肃场景必死——必须走 Agentic Workflow（拆任务 + 多角色分工 + 中间结果可校验）
2. 评测体系是 Agent 的核心交付物，不是附加项；从 60% 到 90% 的跨越靠评测驱动，不靠模型升级
3. 护城河在私有知识 + 工程化沉淀——通用模型是地基，垂直 know-how 怎么进入推理链才是差异化（4 种方案：CoT+RAG / 知识胶囊 / 混合云分层 / Memory 工程）

AI Native 创业与产品演化

主题: AI Native 创业与产品演化 | 覆盖: 3 篇分享 | 覆盖会场/时间: AI Native 创业分会场 · 2026-04-25 下午

涉及分享

主题概述

3 位讲者从 3 种位置回答同一组问题：当模型本身已经成为水电、AI 产品的护城河到底在哪里？侯悠扬站在已被验证的成熟产品（Notion）位置，回答「成熟产品如何沿着用户心智演化」；包季真站在创业判断者位置，回答「在大模型射程外、大厂打不到的缝隙里如何起手」；俞佳站在垂直深耕者位置，回答「在一个被多数人忽视的赛道（AI 陪伴）如何用产品架构和用户洞察建立壁垒」。三种视角拼出来的图景是一致的：AI 时代不再奖励「产品做得多好」，奖励的是「对用户心智的理解 × 把价值送到对的人手上的能力 × 持续迭代不被自己稀释的克制」。

共识观点

共识 1：产品本身已经不是护城河，渠道 / 上下文 / 用户关系才是

包季真把这件事讲得最直白——「在 AI 时代『产品』是最不值钱的东西」，因为 vibe coding 一周就能复刻；护城河必须转移到渠道、客户关系、运营壁垒。侯悠扬从企业服务侧给出对应观察：协同工作 AI 不仅取决于输出质量，更取决于上下文（system of record）、工具生态、具体工作流，没有上下文的 AI 是离散功能点。俞佳则从消费侧验证：用户选择西湖心辰不是因为「AI 更会聊」，而是因为「记得我、不骚扰我、始终在那里」——这本质上也是上下文（长程记忆）+ 关系深度（90+ 对话轮次）形成的留存。

「产品做得再好也是替别人做嫁衣。只要你能赚钱，马上就有一堆 vibe coder 在后面等着抄。」——包季真 「上下文越丰富，AI 价值越大。」——侯悠扬 来自: 包季真、侯悠扬、俞佳

共识 2：用户/组织心智的演化才是产品的真实节奏

三位讲者都不再以「模型能力」为产品演化坐标，而是以「用户/组织心智阶段」为坐标。侯悠扬给出最完整的双层四阶段模型——用户从「写作型 → 问答型 → 协作型 → 代理型」，组织从「思维伙伴 → 助手 → 队友 → 系统」，每阶段都有具体卡点和对应产品助力。俞佳的迭代路径与之同构：第一版「急着给建议」失败，转向「先让用户觉得你懂我」后留存翻倍，本质是从「让 AI 更强」转向「让用户更轻松地继续说下去」。包季真虽然没用「心智」这个词，但他的「3 分产品 7 分运营 → 1 分产品 9 分运营」也是同一件事——产品价值的天平已经从「功能」滑到「用户怎么用、嵌入哪个流程、被谁付费」。

「Iterates & Refines（迭代并改进）是所有 AI 熟练度行为中相关性最强的单一变量，占比 85.7%。」——侯悠扬（引 Anthropic Research） 「迭代方向不是『更会聊』，是『让人轻松地继续说下去』。」——俞佳 来自: 侯悠扬、俞佳、包季真

共识 3：判断「不该做什么」比判断「能做什么」更稀缺

包季真把这件事提炼为收尾——「AI 时代最稀缺的两样能力：判断不该做什么的能力（靠认知）+ 把好东西送到对的人手上的能力（靠渠道）」，并用稀释律「Everything added dilutes everything else」给它装上引擎。俞佳的 v1→v2 转变就是一次「拒绝去做」——拒绝「急着给建议」「堆功能」「搞 NSFW（10% −15% 留存衰减）」，转而专注 roleplay（30%+ 留存）。侯悠扬的对应表达是「不是每个人都需要成为 AI 构建者，10-20% 员工创建代理服务全公司」——同样是反直觉的「拒绝铺开」。

「AI 创业最大的陷阱不是做不大，是不知道什么时候该停。」——包季真 来自: 包季真、俞佳、侯悠扬

共识 4：找老需求、不发明新需求

包季真把判断公式说得最干脆：「好的 AI 创业 = 老需求 × 新杠杆」（Validated Demand × 10× Cost Reduction），并用 Humane AI Pin（$850M → $116M）和律师合同工具（人手一个、自费）的对照证明——发明需求几乎必死，重做被验证过的老需求最易活。俞佳的方向同构：倾诉欲是被验证了几千年的老需求（求签、算命、找朋友诉苦），AI 只是把成本（怕添麻烦、200-1500 元/小时）打到接近零。侯悠扬展示的 Notion 路径也是如此——写作、搜索、文档、任务，全部是已存在的工作场景，AI 只是给它们装新杠杆。

「与其投 2.3 亿教育市场接受一个新需求，不如找一个已经被验证了几十年的老需求，让 AI 把它的成本打下来。」——包季真 来自: 包季真、俞佳、侯悠扬

共识 5：上下文/记忆是 AI 产品最难也最有价值的工程

俞佳把这件事做成了完整架构——三层 Context（Fixed / Semi-Static / Memory）+ Messages 层 + 旁挂 Memory DB，触发压缩 20%→75%→20%，记忆从「关键词优先级筛选」改为「以事件为单位、跟着时间往前更新」（参考 MemGPT、Mem0）。侯悠扬从 B 端给出对应：Notion 整个产品就是一个企业级 system of record，统一上下文与连接数据源是「解锁 Level 1 以上每一层的价值」的基础。包季真则从反面证明：缺少上下文（私有数据 / 工作流嵌入 / 行业关系）的应用都在大模型射程内，会被自带或淘汰。

「记忆的单位不是关键词，是事。」——俞佳 「上下文是基础。统一工具与连接数据源能解锁 Level 1 以上每一层的价值。」——侯悠扬 来自: 俞佳、侯悠扬、包季真

不同侧重 / 分歧

切面 1：起手位置不同——成熟产品的演化 vs 创业的清醒判断 vs 垂直赛道的深耕

• 侯悠扬（Notion）：起手位置是「已经成功的产品」，问题是「如何沿着用户/组织心智一路爬到 Level 4」。给出的是双层四阶段模型 + 三家客户（Ramp / Brainlabs / Heidi）的逐级路径。
• 包季真：起手位置是「还没下场或刚下场的创业者」，问题是「我应该做什么、不该做什么、什么时候该停」。给出的是六问框架（CHANNEL / PAIN / OPERATIONS / RANGE / GIANTS / SOLO）+ Triple Check。
• 俞佳（西湖心辰）：起手位置是「在垂直赛道深耕了几年」，问题是「如何在被低估的赛道（AI 陪伴）建立技术 + 用户洞察的双壁垒」。给出的是产品架构（三层 Context、事件化记忆）+ 用户画像（慕强反控、照顾者综合症、绝对偏爱）+ 反常识业务结论（NSFW 衰减、roleplay 留存）。
• 观察：互补——侯悠扬告诉你「已经在路上的人怎么爬」；包季真告诉你「准备上路的人怎么判断要不要走、走哪条」；俞佳告诉你「选定方向后怎么深扎下去」。三者拼成「准备上路 → 上路 → 在路上」的完整光谱。

切面 2：对「时机」的不同表述

• 侯悠扬：时机是「组织所处等级」——不同业务线以各自速度成熟，工程可能在 Level 3 而市场还在 Level 2，等级叠加而非替代。
• 包季真：时机是「大模型的射程」——你做的事在射程内（纯对话、通用文本生成、单次任务）就会被自带，在射程外（私有数据 / 工作流嵌入 / 行业关系）才能搭帐篷。
• 俞佳：时机是「用户的心理门槛」——小孩哥小孩姐已经习惯对虚拟角色投入感情，普通成年人还得过「我为什么要跟机器聊天」这道门槛，所以增长曲线天然不同。
• 观察：不同层次但指向同一件事——做 AI 产品要校准两个时钟（自己所在的演化等级 + 模型/用户当前能托住什么），任何一个错位都会让好产品失败。Humane AI Pin、KITE、OLIVE 三个反面案例都是「时机错位」的不同变体。

切面 3：对「大厂」的不同应对

• 包季真：直接面对——大厂用「价格锚点归零」（豆包用户端全免费 + API 4 元/小时）+「订阅补贴 API」（Claude Pro $20 抵 $163 API，13.5×）双招把市场打到「这一切本来就该免费」，活下来三条路：政策/关系驱动、脏活累活、比业务结果而非工具。
• 侯悠扬：通过把 Notion 做成 system of record 间接对抗——Ramp 把 8 个工具整合到 Notion，Heidi 让 Notion 成为「150+ 国家的公司操作系统」，护城河来自上下文厚度而不是功能点。
• 俞佳：通过定义不同竞品错位竞争——「我们抢的不是大厂的 AI 用户，是某音/某站/小某书的休闲娱乐时间」，把战场从「AI 工具」挪到「内容质量 + 用户陪伴时长」，绕开了大厂的工具补贴。
• 观察：三者都没有「正面卷大厂」，而是用三种不同的「让大厂打不到」策略——包季真讲方法论，侯悠扬讲案例（system of record），俞佳讲战场重新定义。

切面 4：对「人」的关注密度差异

• 侯悠扬：以「角色和岗位」组织——AI 转型五大角色（C-Level 赞助人 / AI Leader / 运营与赋能 / IT / Champions），用户分四阶段心智，组织分四级，是结构化的「人」。
• 俞佳：以「具体用户故事」组织——37 岁五孩母亲 Taalysin、宾州矿区 IT 男 Noble、亲手捏泥塑「小天」的用户、46% 不求助的抑郁学生，是有名字、有处境、有眼泪的「人」。
• 包季真：以「创业者画像和决策点」组织——开发者从问架构变成「我该怎么跟 AI 说」，律师自费付 6000 元三年，前苹果设计师烧 2.3 亿失败，是处于决策时刻的「人」。
• 观察：同一个「以人为本」在不同位置呈现完全不同的颗粒度。这反过来说明 AI Native 创业不是单一画像——需要会画组织结构图、会写用户故事、会做创业判断三种不同的「人感」。

跨场金句精选

「AI 正在让互联网变成传统行业。」——包季真（AI 创业六问） 「AI 时代最稀缺的两样能力：判断不该做什么的能力（靠认知）+ 把好东西送到对的人手上的能力（靠渠道）。」——包季真（AI 创业六问） 「Everything added dilutes everything else.（你增加的任何一个东西都会稀释其他所有东西。）」——包季真（AI 创业六问） 「公司会同时处在多个等级，等级彼此叠加而非替代。」——侯悠扬（Notion AI 演化史） 「把每个人变成『构建者，而不是按按钮的人』。」——Ramp 案例（侯悠扬引用） 「人和人的交互，也是费 token 的。」——俞佳（仿生人会爱上电子羊吗） 「记忆的单位不是关键词，是事。」——俞佳（仿生人会爱上电子羊吗） 「那份爱是不是幻觉不重要。重要的是，他确实因此活过了那段日子。」——俞佳（仿生人会爱上电子羊吗）

主题级行动建议

• 校准两个时钟：盘点当前业务在「组织 AI 等级」和「大模型射程」的位置，避免做射程内或等级跳级的事（依据：侯悠扬 Level 1-4 模型、包季真射程测试）
• 用 Triple Check 做痛点验证：谁痛 / 谁付钱 / 谁决策是不是同一拨人，不是就先停（依据：包季真）
• 把「上下文工程」当一等公民：B 端做 system of record + 数据源连接，C 端做事件化长程记忆（参考 MemGPT / Mem0），不要再用超长 system prompt（依据：侯悠扬、俞佳）
• 围绕「迭代并改进」（85.7% 相关性）培训用户：核心不是一次性 prompt，是持续 Iterates & Refines；为四阶段心智卡点（写作 / 问答 / 协作 / 代理）分别设计产品助力（依据：侯悠扬）
• 审视稀释律：盘点产品里每个新功能是否稀释了其他能力，砍掉孤立单点；学 Manus 三条反本能（反向打磨、新功能高门槛、拒绝 Hao123 模式）（依据：包季真）
• 重新定义竞品坐标系：不要默认「我的对手是隔壁的 AI 应用」，问「我抢的是用户哪一段时间 / 哪个流程 / 哪种关系」（依据：俞佳的「24h 中 1h」、包季真的「业务结果而非工具」）

如果你只有 5 分钟

1. AI 产品的护城河已经从「产品做得好」整体迁移到「上下文 + 渠道 + 用户关系」——侯悠扬的 system of record、包季真的「产品最不值钱」、俞佳的「记得我、不骚扰我、始终在那里」是同一件事的三种表达
2. 以「用户/组织心智阶段」而非「模型能力」为坐标做产品演化——侯悠扬的双层四阶段、俞佳的「v1 急着给建议失败 → v2 先让用户觉得你懂我留存翻倍」、包季真的「3 分产品 7 分运营 → 1 分产品 9 分运营」都在说同一种节奏
3. AI 时代真正稀缺的是「判断不该做什么」和「把好东西送到对的人手上」——前者要用 Triple Check、稀释律、射程测试做减法，后者要重新理解渠道、上下文、用户关系；好的 AI 创业 = 老需求 × 新杠杆，永远不要发明需求

具身智能与新交互形态

主题: 硬件 / 3D / 眼镜，AI 如何重新定义物理世界与人体之间的交互 | 覆盖: 3 篇分享 | 会场/时间: 具身与智能空间 + 大厂 AI 产品探索（上） · 2026-04-24 下午

涉及分享

主题概述

3 位讲者分别站在 家居 / 屏幕 / 身体 三个不同的物理介面，讨论同一件事：屏幕和点击不再是 AI 与人交互的唯一形式。AI 把感知 / 决策 / 反馈嵌入到 IoT 设备、3D 商品资产、眼镜+脑机接口里——硬件不再是”承载交互的工具”，而是”交互本身”。3 个场景共同推进一个母题：软与硬不再是上下层关系，而是缠绕共生的双链结构。

共识观点

共识 1：AI 不是给硬件加个对话框，是重新定义硬件的物种属性

• 邓梦柔：AI 硬件 ≠ 智能硬件 + AI 升级版，技术原理（稳定准确 vs 技多敏捷）/ 交互方式（遥控器 vs 皮套）/ 商业模式（一口价 vs 周期订阅）三层全错位
• 王泽华：AI3D 不是给商品加 3D 视图，是从「商品展示 / 交互方式 / 生产方式」三轴线重写电商基建
• 吴秋璇：AI 眼镜不是「带 AI 的眼镜」，是多模态 AI 的最佳硬件载体（解放双手 + 共享视野 + 融入现实 + 全新交互）

来自: 三人共识

共识 2：内容 / 资产 / 数据要”基建化”，从单产品转为底座

• 王泽华：AI3D 模型生产已达 L3 级别自动化，3D 资产成为电商基础设施
• 邓梦柔：涂鸦把 IoT 平台架构延续，原地长出 AI 能力，30 个命令组 / 273 个子命令的 CLI 覆盖开发平台 20%
• 吴秋璇（推断）：眼镜+BCI 把人类认知信号也变成”可被产品调用的数据底座”

观察：3 个垂直场景都在回答”从功能层走向能力/资产层”的同一命题，与主题 06 的”ship capabilities not features”形成跨主题印证。

共识 3：多模态打破单一感知 / 单一通路

• 王泽华：从 2D 屏幕到 3D 沉浸，从手指点击到无处不在
• 吴秋璇：眼镜的”双重感知”——外部世界（视觉/听觉/位置） × 内部认知（专注度/焦虑度/疲惫度）
• 邓梦柔：硬件的「生命感」需要”被唤醒、能感知、能交流、能成长”4 种能力共同支撑，而不是单一对话

来自: 三人共识

共识 4：硬件 PM 的新能力维度——人文 / 角色 / 情感

• 邓梦柔：从「造物」到「造人」，传统 PM 图谱（产品架构、UI/UX、数据分析）外多了「人文素养」一层
• 吴秋璇（隐含）：AI 眼镜要决策”正确时间 × 方式 × 内容”，本质是设计与人的关系节奏
• 王泽华：AI3D 让”商品”具备空间感和情感氛围，不再是参数列表

来自: 三人共识

不同侧重 / 分歧

切面 1：「打破物理边界」的不同位置

观察：3 个场景对应 AI 渗入物理世界的三层路径：外界物体 → 显示层 → 人体本身。后续 1-3 年，三层会从分立走向叠加。

切面 2：商业模式的破局难度

• 王泽华（最易）：AI3D 是 B 端电商基建，模型生产 L3 级别成本骤降，可直接接入现有电商收入模型
• 邓梦柔（最难）：硬件 + AI 的成本组成（衍生服务/模型 Token/软件服务/IoT 云/原材料）让传统”一口价”模式失效，但用户对周期订阅接受度低
• 吴秋璇（不确定）：硬件本身高门槛 + BCI 仍在早期，盈利路径未明

观察：商业模式跑通速度与「是否依赖新硬件出货」直接相关——AI3D 不需新硬件，落地最快。

切面 3：「生命感 / 拟人」与「工具化 / 效率」的张力

• 邓梦柔：硬件要抛弃「正在思考」工具态提示，建立「生命感」——延续人格、声纹识别、灵魂转移
• 王泽华：AI3D 偏工具理性——3D 资产服务购物决策，无人格设计
• 吴秋璇：眼镜的角色定位介于两者之间——不能像玩具那样吵，又要主动感知和介入

观察：硬件越靠近身体（手机→眼镜→脑），「拟人 / 生命感」的设计要求越高；越靠近货架（购物展示），越保持工具理性。

跨场金句精选

「所有智能硬件都是 AI 硬件——但智能硬件升级 AI ≠ AI 硬件。」——邓梦柔

「软件是遥控器关心『功能能不能跑通』，硬件是皮套关心『用户和它的关系能不能持续』。」——邓梦柔

「AI 硬件 PM 的新能力维度是『人文素养』——从造物到造人。」——邓梦柔

「3D 不是给商品加张图，是给电商加一层基建。」——王泽华（推断）

「眼镜是多模态 AI 的最佳载体——解放双手 + 共享视野 + 融入现实 + 全新交互。」——吴秋璇

「下一代眼镜双重感知：外部世界 × 内部认知。」——吴秋璇

主题级行动建议

• 做 AI 硬件 PM 必须同时握 IoT 与 AI 两条技术链——通信协议/物模型/控制面板 + Agent/Skills/MCP（邓梦柔）
• 重新设计硬件商业模型：原材料成本 + 模型 Token + 衍生服务 + 云服务 + 周期订阅，「Pay As You Go」在硬件场景失效（邓梦柔）
• 做 AI 硬件先回答 4 个能力问题：被唤醒 / 能感知 / 能交流 / 能成长 ——每项配明确技术栈（邓梦柔）
• 3D 资产基建化：把模型生产做到 L3 级别自动化，让 3D 成为内容供应链的基础（王泽华）
• 眼镜场景设计先回答 3 个决策：正确的时间 × 正确的方式 × 正确的内容，三者缺一就是骚扰（吴秋璇）
• 硬件设计语言要从工具态切换到生命感：抛弃「正在思考」提示，建立人格延续（邓梦柔）
• PM 能力升级：传统图谱外加一层「人文素养 / 角色塑造 / 情感共鸣」（邓梦柔）

如果你只有 5 分钟

1. AI 硬件不是给硬件加 AI——是技术 / 交互 / 商业三层全错位的新物种，不要用 IoT 思维做（邓梦柔）
2. AI 把交互层从屏幕推向身体——3D（屏内沉浸）→ 眼镜（眼前融合）→ BCI（进入大脑），三层会逐步叠加
3. 硬件 PM 多了一层人文素养——从”造物”到”造人”，硬件要有”生命感”，PM 要懂角色 / 关系 / 情感节奏

组织变革与决策科学

主题: AI 时代如何做”正确的事”——从宏观产业 / 决策科学 / 组织形态 / 数据决策方法 4 个维度展开 | 覆盖: 4 篇分享 | 会场/时间: 主会场 + 人机协同与组织提效 + 工作坊

涉及分享

主题概述

4 位讲者从 4 个不同高度回答同一问题：当 AI 把”执行”边际成本压到接近 0，谁来负责”判断什么值得执行”。马杰讲产业级共创、顾青讲方法论级”智理”、梁公军讲组织级 Self-run、韩瞳讲方法级数据决策。从抽象到具体串成一条完整链路：宏观判断 → 决策科学 → 组织形态 → 数据决策方法。共同结论是：判断力（提问/逻辑推理/因果思维）从软技能升级为硬能力，组织要为这种能力让出位置。

共识观点

共识 1：判断力比执行力更重要

AI 让执行变便宜后，决定产品成败的是「该不该做」「为谁做」「做什么不做什么」。

• 马杰：TC-PMF（Technology-Cost-Product-Market Fit）需要产业方共同参与才能找对方向
• 顾青：组织从「语言/汇报表达」转向「智理 = 智能 × 逻辑推理」
• 梁公军：CCD（指令到代码距离）从 >5 变 0 后，价值卡口从 Coding 移到 Spec 与判断
• 韩瞳：数据决策的第一步是「问题定义」——大量决策错在第一步，后面再正确也没用

来自: 4 人共识

共识 2：组织要小、要扁、要 Self-run

经典的层级 + 大团队结构在 AI Coding 提速后成为瓶颈。

• 梁公军：「三三制 + 标品战略 + 三猛打法」，每个人群最终都有专属 Claw
• 马杰：「异构智力组织」——AI + 人类 + 不同领域专家共同构成执行单元
• 顾青：组织要把「人机协同力」做成核心能力之一

来自: 梁公军、马杰、顾青

共识 3：把 SOP / Spec / 判断力沉淀成可被 AI 消费的资产

判断力不能停留在个人脑里，要变成可复用、可被 AI 调用的”指令源”。

• 马杰：把行业 know-how 与 AI 公司的能力共建为可复用的产业模型
• 顾青：用「数据领导力」让组织决策建立在数据之上而非汇报话术
• 梁公军：Spec 是新的 PRD，判断力沉淀进 Harness
• 韩瞳：因果分析报告 / 实验设计模板 / 子问题树是组织的”决策资产”

来自: 4 人共识

共识 4：经验直觉让位给数据 / 因果 / 逻辑推理

• 顾青：「智理 = 智能 × 逻辑推理」，三件套：提问 × 数据领导力 × 人机协同力
• 韩瞳：数据决策三件套——问题定义 + 因果思维 + AB 实验
• 马杰：行业共创不是”凭感觉合作”，需要 TC-PMF 框架
• 梁公军：组织决策从经验直觉切到 Spec + 评测驱动

来自: 4 人共识

不同侧重 / 分歧

切面 1：4 种粒度——从产业到方法

观察：4 个粒度互补——马杰和顾青讲”为什么”和”方向”，梁公军讲”组织怎么变”，韩瞳讲”日常决策怎么做”。是同一棵树的根 → 干 → 枝 → 叶。

切面 2：「人」的位置怎么摆

• 马杰：人 + AI 共构「异构智力组织」，人不会被替代但角色会变
• 顾青：人的核心价值在「提问」和「人机协同力」，会问问题和驾驭 AI 是新基本功
• 梁公军：未来”每个人群都有专属 Claw”，人的角色是设计 Agent 而非自己执行
• 韩瞳：判断力杠杆被 AI 放大但不能被替代——选哪个问题做、用什么因果模型，都是人的决策

观察：4 人都不主张”AI 替代人”，但对”人保留什么能力”的具体说法不同——提问 / 智理 / 设计 / 判断。这 4 个角度可以拼成 AI 时代核心人才能力图谱。

切面 3：变革的”切入口”

• 马杰：从 PMF 切入，找到能落地的产业场景再说
• 顾青：从认知模式切入，把汇报话术换成逻辑推理
• 梁公军：从研发组织切入，AI Coding 改组织结构
• 韩瞳：从决策动作切入，每次具体决策都用三件套

观察：4 种切入口对应 4 种角色——CEO（马杰）/ COO 或战略（顾青）/ CTO（梁公军）/ PM 或分析师（韩瞳）。组织里 4 类角色都能找到自己的入口。

切面 4：「不变的部分」是什么

• 马杰：技术 + 行业洞察 + 组织能力的乘积关系不变
• 顾青：数据驱动决策的逻辑不变，只是从汇报数据变成实时数据
• 梁公军：用户价值不变，只是交付路径变短
• 韩瞳：因果思维 / 实验方法不变，只是被 AI 放大

观察：4 人都试图回答”什么是不变的第一性原理”——这与主题 01（PM 角色转型）里邹昌力的”变与不变”形成跨主题呼应。

跨场金句精选

「TC-PMF 不是 AI 公司单方面找出来的，是产业方一起共创出来的。」——马杰（推断）

「智理 = 智能 × 逻辑推理；组织能力要从『语言/汇报表达』转向『智理』。」——顾青

「AI Coding 让 CCD（指令到代码距离）从 >5 变成 0，倒逼组织 Self-run 化。」——梁公军

「未来 2 年，每个人群都有专属 Claw。」——梁公军

「数据决策的第一步是问题定义；大量决策错在第一步，后面再正确也没用。」——韩瞳

「判断力杠杆被 AI 放大，但替代不了。」——韩瞳

「问对问题比给对答案更重要——AI 时代尤其如此。」——顾青（推断）

主题级行动建议

• 决策前先做问题定义：用韩瞳的「逻辑层四步 + 实现层六步」骨架，避免在错的问题上加倍努力
• 每个决策画因果图：因果思维是数据决策的指南针，不画因果图直接看数据是危险的（韩瞳）
• AB 实验是默认动作：不能 AB 的决策也要做”反事实推演”（韩瞳）
• 组织结构跟随研发节奏调整：AI Coding 提速后，三三制小团队 + Self-run 是更高效形态（梁公军）
• 建立「智理」能力评估：把”提问能力 / 数据领导力 / 人机协同力”列入团队能力图谱（顾青）
• 找产业方共建 TC-PMF：AI 公司不要闭门造车，与场景方共同打磨产品（马杰）
• 判断力做成可复用资产：Spec、SOP、决策框架沉淀进文档/评测/Harness，不留在个人脑里（梁公军 + 马杰）
• 对照「智理三件套」做团队改造：会问问题的人、能用数据的人、能驾驭 AI 的人——3 种人都不能少（顾青）

如果你只有 5 分钟

1. AI 时代的核心稀缺品是判断力——执行变便宜了，判断”什么值得做”是新护城河，4 位讲者从 4 个粒度共同确认
2. 组织要小要扁要 Self-run——AI Coding 让 CCD = 0，传统层级结构成为速度瓶颈；未来形态是三三制 + 专属 Claw（梁公军）
3. 数据决策有可学的具体方法——问题定义 + 因果思维 + AB 实验是基本功，与”智理 = 智能 × 逻辑推理”的方法论结合即可落地（韩瞳 + 顾青）

垂直行业、运营增长与产品评测

主题: 垂直行业、运营增长与产品评测 | 覆盖: 4 篇分享 | 覆盖会场/时间: 硅谷 AI 产品 / AI + 金融 / AI 运营数据增长 / 大厂 AI 产品探索 · 2026-04-25 上午

涉及分享

主题概述

四位讲者分布在知识工具（NotebookLM）、金融资产管理（Minara）、增长营销（GEO）、AI 产品评测四个看似毫不相干的垂直/职能赛道，但他们围绕同一个母题展开：当 AI 接管认知与执行链路，产品的「交付物」「受众」「评价标准」三件事都需要重新定义。交付物从 features 变成 capabilities、从策略变成 Agent、从内容变成被 AI 引用的语义资产、从 PRD 变成评测体系；受众从用户变成 AI 模型、从 B 端 LP 变成 C 端散户的”参与感”、从消费者变成 AI 代理；评价标准从点击/Sharpe/完成率变成 SoC 引用份额、Trust/Retention/Autonomy、AI 胜率、Eval Pack 跑出的场景胜率。共同的底层动作只有一个——把”什么叫好”前置定义、可验证地沉淀下来，再让反馈循环跑起来。

共识观点

共识 1：交付物从「功能」升级为「能力」

四位讲者都在用不同语言指向同一件事：产品的最小交付单元发生位移。王珊直接给出表述「不再 ship features，要 ship capabilities」；凌子昂把 Minara 的交付从”一个交易功能”变成”五层 CFO 矩阵”（Chat → Workflow → Strategy Studio → Copilot → Autopilot）的一整条赚钱能力；赵乾坤把品牌交付物从”内容”升级为”被 AI 引用的语义资产”，提出”原子化”和”答案胶囊”；张泽逊把传统 PRD（写规则）替换为评测体系（给示范），交付的是”什么叫好”的定义而非功能描述。

「我们不再 ship features，我们 ship capabilities。」——王珊 「AI 产品的核心智能体验在评测体系里。」——张泽逊 来自: 王珊、凌子昂、赵乾坤、张泽逊

共识 2：评测/反馈循环是 AI 产品的核心竞争力

「学习速度 ≈ 反馈准确度 × 反馈速度」是张泽逊给出的等式公式，其他三位用各自场景反复印证。王珊把”PM 每周亲跑 Evals”列为团队四条实践之一，并说「PM 如果不能手判什么是好的 AI 回答，PRD 就是空的」，同时给出 OBSERVE → DEFINE → CONSTRAIN → INSTRUMENT 四步循环；凌子昂用 Autopilot 90 天 5K+ 用户、$1.5B+ 交易量、58.7% AI 胜率作为「AI 自动赚钱可信度」的反馈数据，并把 PRE / LIVE / POST 三阶段风控作为系统先验约束；赵乾坤要求”周一早会三件事”，每周强制跑 SoC 引用份额测试。评测不是事后验收，是产品定义本身。

「评测速度就是迭代速度，迭代速度就是产品核心竞争力。」——张泽逊 「PM 每周亲跑 Evals，否则 PRD 是空的。」——王珊 来自: 张泽逊、王珊、凌子昂、赵乾坤

共识 3：受众/价值的定义需要重做

四位都在动同一个东西——「我们到底是为谁服务、给他什么价值」的根本假设。王珊提出 Deep Research 同一能力对应三种用户假设（要结论 / 要理解 / 要驾驭），并把”用户要的不是听到答案，是被陪着想”作为设计原点；凌子昂把”受众”从 B 端机构 LP 改成 C 端散户，价值从”高 Sharpe”改成”感觉能赚钱+参与感+情绪记忆”——同样 +52% 收益，GP 抽 25% 用户拒绝，AI Agent 收手续费全员愿意；赵乾坤直接把”受众”从 B2C 改成 B2A（Business to AI），承认”真正的客户是模型”；张泽逊把 PM 的”角色定义”从”写需求”改成”定义什么叫好”。所有人都在主张：先重新回答「为谁、给什么」，再做产品。

「散户要的不是赚钱，是波动带来的参与感、能赚钱的预期感、被拉长时间后的情绪记忆。」——凌子昂 「SEO 是在规则内跳舞，GEO 是在构建规则的基石。」——赵乾坤 来自: 凌子昂、赵乾坤、王珊、张泽逊

共识 4：把主观/模糊翻译成可验证的结构化信号

无论是 AI 体验、金融决策、内容质量还是产品评测，四位讲者都强调要把「好不好」拆成可机器验证的信号。张泽逊给出主观信号翻译三法（抽取可客观维度 / 验证推理逻辑 / 配对 A vs B）；王珊用 Bloom 认知金字塔 × AI 输出模态对照表，把”理解/分析/创造”等模糊认知任务映射到具体输出形态，再用 Failure Quadrants 把”信任”分到 Silent / Catastrophic / Paralysis / Drift 四象限；赵乾坤把 SoC（引用份额）拆成数量/质量/竞争三个维度，并用 FAQ Schema、答案胶囊把内容做成机器可读的高密度单元；凌子昂用 8 层金融交互架构 + DMind Benchmark 把”AI 是否懂金融”量化为可对比的指标（80.3 vs GPT-5.1 78.1）。结构化是把主观体验工程化的唯一通道。

「信息是廉价的，结构化才是昂贵的。」——赵乾坤 「主观信号要拆成可客观验证的二元问题清单。」——张泽逊 来自: 张泽逊、王珊、赵乾坤、凌子昂

共识 5：AI 时代的”控制权”必须前置可见

四位都在强调”行为发生前可介入”而非”事后补救”。王珊主张 Plan 必须先于 Act：Google Deep Research 弹出 research plan、用户 Edit plan 后再 Start research；凌子昂把风控做成 PRE / LIVE / POST 三阶段，明确”作为系统先验约束，而非事后补救”；张泽逊把”3 分钟跑一遍 Eval Pack”做成改动前的强制反馈，让”是否变好”在合并前可见；赵乾坤要求每周一标准化 Prompt 测试 AI 对品牌的理解，“在被推荐的链路里前置介入”。控制权前置 = 让用户/PM/团队在代价发生之前看到意图与影响。

「让用户先看到意图，再决定要不要执行。计划是草稿、是合同、也是显式的对齐。」——王珊 「真正成熟的系统，风控必须前置、伴随、复盘。」——凌子昂 来自: 王珊、凌子昂、张泽逊、赵乾坤

不同侧重 / 分歧

切面 1：「重新定义受众」的具体对象不同

• 王珊 强调：受众没变（仍是知识工作者），但要重新定义 AI 替用户完成什么认知过程——区分”要结论 / 要理解 / 要驾驭”三种假设
• 凌子昂 强调：受众从 B 端机构 LP 切换到 C 端散户，价值从 Sharpe 切换到”感觉能赚钱”——一种人类受众内部的迁移
• 赵乾坤 强调：受众直接从人类切换到 AI 模型（B2A），品牌的客户变成”喂养模型”——人 → 机器的彻底跳跃
• 张泽逊 强调：受众层面的 PM 自身角色重定义，从写需求到定义”什么叫好”——生产者侧的角色变迁
• 观察：四种切面互补——王珊调认知颗粒度、凌子昂换人类客群、赵乾坤换物种、张泽逊换 PM 角色，串起来就是 AI 时代「为谁服务」的完整光谱

切面 2：评测/反馈机制的形式不同

• 王珊：四步循环 OBSERVE → DEFINE → CONSTRAIN → INSTRUMENT，PM 每周亲手跑 Evals，关注 behavior metric 而非点击数
• 凌子昂：PRE / LIVE / POST 三阶段风控 + 90 天战绩硬数据（5K+ 用户、$1.5B+ 交易量、58.7% AI 胜率）+ DMind Benchmark 80.3 超越 GPT-5.1
• 赵乾坤：周一早会三个绝对指令（SoC 增长 5% / 更新 3 个核心知识单元 / 标准化 Prompt 测试），从数量/质量/竞争三维度衡量 SoC
• 张泽逊：Eval Pack 工程封装（任务 + 标准 + 脚本 + 参考解法），人出题 AI 判卷，3 分钟出场景 A +12% / 场景 B -8%
• 观察：王珊偏”流程范式”、凌子昂偏”业务硬指标 + 风控阶段”、赵乾坤偏”运营节奏卡点”、张泽逊偏”工程化封装”——同一件事的四种工程实现，可以叠加使用

切面 3：「能力是怎么交付的」的载体不同

• 王珊：能力 = AI 输出模态（Bloom 六层 × AI 模态映射），载体是产品的多模态输出
• 凌子昂：能力 = 5 层产品矩阵（Chat / Workflow / Strategy Studio / Copilot / Autopilot），用户可以从任意一层进入
• 赵乾坤：能力 = 被 AI 引用的语义资产（答案胶囊 + 业务语义图谱），载体是机器可读的内容
• 张泽逊：能力 = 评测体系本身（给示范 vs 写规则），载体是 Eval Pack
• 观察：能力的”载体”从 UI 输出 → 产品矩阵 → 内容资产 → 评测资产层层升维。最有价值的提示是张泽逊的最末一环——评测体系本身就是能力的载体，这与王珊「PM 每周跑 Evals」、赵乾坤「周一早会跑 SoC」形成闭环

切面 4：「Agent 自主性」的边界

• 王珊：自主性光谱五档（Reactive / Suggested / Approval-Gated / Bounded / Proactive），按场景配档位
• 凌子昂：5 层产品矩阵正是自主性递进——Chat（顾问）→ Autopilot（基金经理），Autopilot 弹窗”Autopilot is taking over… If you’d like to manage manually, please exit Autopilot mode first”，把控制权切换显式化
• 赵乾坤：A（Autonomous）= 67% 零干预闭环率作为行业标杆，意图预判 + 决策辅助 + 行动简化 + 闭环追踪
• 张泽逊：未直接谈自主性，但 Eval Pack 「人出题、AI 判卷」本身就是把”判断”这一最高阶认知任务交给 AI 的边界设计
• 观察：王珊给框架、凌子昂给产品形态、赵乾坤给运营动作、张泽逊给评测分工——自主性的设计在 2026 已经从”要不要让 AI 自主”过渡到”在哪一层让 AI 自主、用什么机制兜底”

跨场金句精选

「我们不再 ship features，我们 ship capabilities。」——王珊（硅谷 AI 产品分会场） 「问题不是『做什么功能』，而是『替用户完成什么认知过程』。」——王珊（硅谷 AI 产品分会场） 「评测速度就是迭代速度，迭代速度就是产品核心竞争力。」——张泽逊（大厂 AI 产品探索分会场） 「学习速度 ≈ 反馈准确度 × 反馈速度。」——张泽逊（大厂 AI 产品探索分会场） 「做 AI 产品，难的不是做出好东西，是定义什么叫好。」——张泽逊（大厂 AI 产品探索分会场） 「SEO 是在规则内跳舞，GEO 是在构建规则的基石。」——赵乾坤（AI 运营数据增长分论坛） 「信息是廉价的，结构化才是昂贵的。」——赵乾坤（AI 运营数据增长分论坛） 「你是否相信有一天，人类会将自己的身家交给 AI。」——凌子昂（AI + 金融分会场）

主题级行动建议

• 把团队的”交付清单”改写：从功能列表换成能力清单（capabilities 而非 features），每条能力背后挂一个评测标准（依据：王珊、张泽逊）
• 设立”周度评测节奏”：PM 每周亲手跑一次产品评测（无论是 Eval Pack、SoC 引用份额、还是业务硬指标），不能只看团队报告（依据：王珊、赵乾坤、张泽逊）
• 把控制权前置可见：所有 Agent 类操作设 Plan 阶段（用户可编辑），所有内容/策略类改动跑前置评测（3 分钟出胜率），所有金融类执行加 PRE/LIVE/POST 三阶段（依据：王珊、张泽逊、凌子昂）
• 把”主观体验”翻译成结构化信号：用张泽逊三法（拆维度 / 验推理 / A vs B）+ 王珊 Failure Quadrants + 赵乾坤数量/质量/竞争三维 SoC，组合出本团队的”好坏定义”清单（依据：张泽逊、王珊、赵乾坤）
• 重新审视”我们的客户是谁”：列出三种可能的受众（人类用户的认知颗粒度 / B 端到 C 端的客群迁移 / 人到 AI 模型的物种切换），看哪些客群当前服务空白（依据：王珊、凌子昂、赵乾坤）
• 在 PRD 里加一节「评测标准」：写明”什么叫做对了、用什么数据/case 验证、谁判分”，让”什么叫好”前置成可执行资产（依据：张泽逊、王珊）

如果你只有 5 分钟

1. 交付物变了：AI 时代产品的最小交付单元从「功能」变成「能力」（王珊：ship capabilities not features / 凌子昂：5 层 CFO 矩阵 / 赵乾坤：被 AI 引用的语义资产 / 张泽逊：评测体系即定义）。如果你的 PRD 还在写功能描述，已经过时
2. 评测体系是核心竞争力：学习速度 ≈ 反馈准确度 × 反馈速度（张泽逊）。AI 产品的迭代速度由评测速度决定，PM 必须亲手跑 Evals（王珊），把”什么叫好”前置定义并工程化封装。这是分散在四个赛道但所有讲者都强调的一件事
3. 受众的定义要重做：人类用户内部要换认知颗粒度（要结论/要理解/要驾驭）、B 端到 C 端要换价值主张（Sharpe → 感觉能赚钱）、人到机器要换沟通对象（B2C → B2A）、PM 自己要换角色（写需求 → 定义什么叫好）。先重新回答”为谁、给什么”，再做产品