长文更新 | 做AI产品2年多总结出来的25条核心认知
输入“/”快速插入内容
长文更新 | 做AI产品2年多总结出来的25条核心认知
长文更新 | 做AI产品2年多总结出来的25条核心认知
用户4242用户42422025年10月12日修改
原创 Kenny肯尼 Kenny 肯尼2025年10月09日 20:27 上海
全文19,473字，阅读约50分钟， 原文发于2月
近期gap有空，结合近半年突飞猛进的模型侧和应用层发展，以及自己做Agent的实践，对之前的《25条认知》做了修订，主要在第三部分「如何设计产品」，核心观点如下：
•
找到Model-Product-Market-Fit最关键 ，模型能力（现状&未来）匹配用户需求（存量&增量）
•
用户需求是渐变的光谱 ，按过去的旧分类，AI只能替代存量解决方案，无法创造增量市场
•
给用户交付一个结果 ，而非单纯做体验，通过管理用户预期，收敛场景，最终满足和超出用户预期
•
产品框架要最大化拿到模型进步的红利 ，产品不在于弥补模型的不足，而在于充分发挥模型在目标场景的作用
•
把模型当做人 ，一个非常聪明但一张白纸的人，在教模型干活之前，先想想人是怎么做事的，然后帮助它landing
•
接受失控，相信模型，相信用户，相信社区 ，然后会见证很多超出计划和预期的美妙结果
前言
从23年初参与AI项目到现在，做过亿级用户规模的AI特效，也落地过更复杂的营销创作工具，还探索过Agent，是我最累最忙的两年多，在此期间积累了一些成功经验，更多是失败教训，但总体拿到的手感反馈的确比较多。
比较幸运所在的影像业务， 有大模型最丰富的落地场景，无论是文本、图片、视频还是音频，无论是单一模态还是多模态组合，并且可以立即拿到用户反馈，建立认知 。在大家还不清楚大模型的时候，就开始思考怎么落地；在大家还不知道怎么落地时，已经拿到很多实践反馈；在大家开始实践时，已经往更深更广更远的维度来抽象思考了。
这篇文章字数比较多，有不少共识和非共识的内容，也有很多具体的信息和细节。 没必要试图记住这些原则，而是感受它，看哪些是有共鸣的 ，哪些是没经历过但后续要刻意关注的。里面也有不一定对，或者只在特定条件下成立，边看边甄别。
如何迭代认知
1. 理解大模型，需要理论和实践。你不上手，就很难真正的理解，也无法做出有价值的判断
需要建立认知框架，才能避免迷失在信息的乱流中 ，否则每天一睁眼，那么多AI信息，又多又快，让人焦虑。大模型原理掌握Transformer、Diffusion、DiT、SFT、RL等，这类课程其实网上非常多了，这里推荐OpenAI创始人之一Andrej Karpathy的Deep Dive into LLMs like ChatGPT（目前最好的LLM入门），还有张涛老师的 Stable Diffusion 原理 ， Deepseek R1技术解读 ，MIT的How to AI (Almost) Anything，建议先看科普视频，再看论文和文档，不然会很吃力，尤其是像我这样的文科生
理解原理的基础上，还要实际上手体验 ，否则就像你高中，上课听了都会，下课做题傻眼。那些自媒体说的颠覆性能力，算法跟你说咱们模型的各项评分多少，你是没有概念的。可能看似很高的分数，其实给用户使用依然是灾难。或者咱们的能力超过竞品模型，但在实际体验，用户感受不到这个差距。最简单的方式，就是去即梦、可灵、豆包等简单易上手的工具来体验模型效果，以及在工作中尽量使用AI提效。
体验之后，最好有项目可以实践，在更大场景验证。 你自己体验，跟做出产品给更多用户使用，依然有巨大的认知鸿沟。因为业务和岗位原因，你可能没有研发资源，那怎么办？先利用外部工具跑起来，验证收益再投入资源。AI项目有高度不确定性，与其等老板给你资源立项，不如自己先思考起来，小步快跑去尝试，帮助个人提效和业务内部提效。
在项目实践中，不要当无脑的螺丝钉，成为分工细化的受害者 。在大厂分工很细，有用户产品、框架产品、作者产品、策略产品、工具产品，一个项目经常要多个产品和不同方向的研发、算法来完成，分工的好处是可以把每件事做得很精细极致，适合规模化阶段。但是做AI产品，分工太细，不一定是好事，比如一个产品不管数据、策略、供给，只做前端交互用户体验，那可能做10个AI项目，都不是真的AI产品，或者一个算法产品只做标准、打标、清洗，而不管终端的用户场景，可能也是打标poc。要全链路都了解，从而形成你的判断力。
现在的组织分工，岗位边界，都是服务移动互联网的产品形态，但其实并不匹配新一代的AI产品，如果还是固守自己过去的边界，不学习，不承担边界之外的任务，那么是很难在AI时代迅速成长的。
2. AI项目0-1阶段协作很痛苦，需要团队对模型理解有共识，建议组成AI native的闭环小团队
如果你做的AI项目，在业界已经是成熟模式，比如AI特效，需要更多人分工做大规模。但人一多，每个人对Diffusion、DiT的效果理解不一样，会经历比较混乱的阶段，甚至各方会互相指责。这种情况下，就需要项目组内各位同学短期内多看、多体验，努力补课， 团队成员在模型理解上达成共识 ，知道哪些是切入点，哪些优化空间不大。
偏探索性的AI项目，比如Agent，最好小团队闭环，减少沟通成本 ，组织的摩擦和繁重的会议，对精力的损耗超级大。想想你们一周那么累，但真正投入到有价值的事情的占比有多少？可能超过20%就算不错了。
人经常会高估个人的能力，低估组织的力量 。deepseek的人才不一定是最顶尖的，也就一百多人，但当团队有共识，把精力都在投入到真正做事上，可能实际的产出会很大，短期更容易跑出来。
关于AI native的组织，推荐看lovable的两位员工写的 《The New Designer Playbook》和《How to thrive in the Al era；The rise of the AI-native employee》；42章经的《组织能力才是AI公司真正的壁垒》；Calvin的《Reflections on OpenAI》，Lenny的《25 proven tactics to accelerate AI adoption at your company》。结合自己在公司内封闭AI项目的的实践，总结如下：
•
每个人都是多面手，而不是分工细化的螺丝钉
•
在AI native的项目里，需要新的分工和新的技能，每个同学都要开始 做自己不擅长的新东西，然后发现自己不行，所以更愿意利用AI 。如果做的事情已经很熟了，哪怕麻烦点，大家依然会倾向于用人工的方式解决。
•
行动比流程更关键，快速干，干中学，不要那么多拉通对齐
•
行动足够快，那么失败成本就足够低
3. 对过去成功路径的过度依赖，可能是未来成功的阻碍
很多年轻同学入职即大厂，一直在成熟产品上做ab优化，最擅长的就是分析数据拆漏斗，找到流失最大的环节，然后针对性优化，不清楚哪个手段更有效，再多分几个实验组，最后ab涨0.2%，开开心心推全实验。 但如果把这套ab经验套在做0-1项目，可能会让你在错误的或不重要的方向上浪费时间 。比如某个项目刚上线，使用导出率很低，有同学就担心怎么办，想优化漏斗。但我对生成的效果很有信心，所以判断不应该投入太多做雕花，更重要的是找到目标用户，透传产品价值，后面转化率自然就翻了几倍。
我意识到同学们还在用精细化AB的思维来做AI创新产品，没有勇气下判断，于是在团队内分享过去的0-1经验。比如疫情做腾讯课堂极速版，48小时上线，没有什么增长策略，2周DAU千万，1年用户破亿。当时公司有很多个教育业务做，为什么我们能成为最大的公立校网课平台？因为过去大家认为，公立校的决策者是校领导，所以产品架构要以学校为单位，但我们正月里开始接待教育局领导，发现老师数字化程度太低，学校的组织架构和课程表太复杂，果断采用一个老师手机号注册->一键开课->分享链接给学生，同期另一个相似形态的是腾讯会议，也起飞了。
还有某些高阶同学，做10-100阶段太久，方法论又复杂又酷炫，已经忘记当年0-1阶段的粗糙了，会形成一种幻觉，因为我很牛逼，所以当初能做成。很起飞很爆炸的项目，大概率不是因为方案本身做的多么精细，而是抓住了关键点和机遇。 在0-1阶段，如果方案要非常精细完美面面俱到才能做成，那么这事儿可能就不成立 ，我工作这几年，数据好到远超预期的方案，都是很粗糙很赶做出来的，但都把握了最关键的点。
高阶PM做AI项目，尤其要警惕，你要避免过去具体的经验对你的干扰 ，觉得自己之前在抖音是这样做的，做成了，所以现在按同样的方法在新业务也能做成，但忽略了条件和时间点的变化。我转到新业务后，一方面是输出过去的经验，另一方面，会甄别哪些是有效的，哪些是无效的，如何做本地化，避免活成自己过去讨厌的样子。
移动互联网的数据飞轮、网络效应是构建业务壁垒的底层逻辑，但这个方法论在大模型还没被大范围验证。 Chatbot在24年都在搞投放，先圈用户，用户的行为和prompt构建数据飞轮，但实际上我们看到，用户被推荐引擎驯化的，表达能力已经非常糟糕了，用户的prompt非常的初级，低质，甚至糟糕，而模型训练需要优质的数据，所以价值不大。反倒没啥用户规模的deepseek，做出R1，然后一鸣惊人，0投放，成为史上增长最快的AI产品。