过去做产品，我们反复讲先做 MVP，快速上线、快速验证、快速迭代。现在借助 AI，五分钟做出原型、半小时搭出一个看起来相当成熟的展示网页，已经不是什么值得惊讶的事情。一个人就能把过去需要团队配合的想法迅速变成可以运行的东西。
开发门槛降下来了，市场却没有因此变得好做。产品越来越多，用户越来越难打动；Demo 越来越容易，可靠交付、获客和商业化依然艰难。模型和工具还在不断换代，今天值得投入的能力，明天就可能成为模型或通用工具的基础功能。能把产品做出来，已经远远不够。
上一篇 Opsx 实践谈到，研发节奏应该先服从真实问题。这篇继续展开：独立开发者和小团队该怎么选市场、做产品，让用户用起来、愿意付费；什么值得长期积累，什么时候应该停，以及产品经理怎样在变化中保持探索、观察与敬畏。
产品已经过剩，客户不会因为你做出来了就买单
现在既是一个低欲望的时代，也是一个产品井喷、供给高度过剩的时代。客户的预算一再收缩，需求又不断被通用 AI 和大厂产品抢走。某项能力一旦成为已有工具的附带功能，客户就少了单独购买它的理由，留给新产品的付费空间越来越小。
用户的审美被大幅拉高，对新鲜事物的兴趣也在下降。漂亮界面、流畅 Demo，已经不够让人兴奋。除非做到 ChatGPT、《黑神话：悟空》这样的现象级产品，才有机会真正点燃用户，形成病毒式、爆炸性的自传播。日常用的应用还是那几个，手机里的 App 反而越来越少。AI、小程序已经能解决的事情，为什么还要专门安装一个 App？产品供给越来越多，用户愿意留给新产品的位置却越来越少。
大模型能力的进化速度又超乎想象，能做的事情越来越多，能力越来越强，AGI 看起来已经指日可待。今天还需要专门开发的能力，下一轮模型升级就可能直接具备。自己的开发成本降低了，竞争者的成本也降低了，产品赖以成立的前提正在快速变化。
OpenClaw 这种现象级产品，也基本就火了三个月，后来的 Hermes 也是，腾讯“龙虾”QClaw 也宣布将停止运营。新产品不断涌现，注意力很快就转向下一轮。我相信绝大多数产品经理都不会觉得自己能做出一个比 OpenClaw 更现象级的产品。连这样的产品都不能一直占据注意力，凭什么觉得闭门打磨几个月，市场就会等着自己？
没有充分的产品调研，没有能够接触、服务并建立信任的客户资源，只凭想法投入商业研发，大概率会失败。 至少要知道第一批用户在哪里，能不能约到，愿不愿意让你进入真实场景验证。
找到用户，还要看他们愿不愿意付费。国内个人 IT 市场有两个直接障碍：付费意愿极低，技术用户又总想自己手搓一个。免费工具、开源方案和已有订阅已经够多，AI 又让自己动手更容易。我们用 AI 提高研发效率，客户也会用 AI 降低对我们的依赖。对独立开发者和小团队来说，不要做国内个人 IT 付费市场，尤其是面向技术用户的通用效率工具。
放到面向个人用户的商业产品市场，能看到的成功路径也主要集中在游戏、娱乐、色情这三个赛道，其他赛道基本看不到清晰的成功路径。连曾经兴起的知识付费都越来越撑不下去了：用户能直接问 AI，为什么还要为一份整理好的答案和资料买单？
国内 To B，也不要轻易做纯软件。 除非有很强的垄断地位、技术壁垒，或者融合了众多行业属性、指标和流程的垂直业务场景，否则很难靠一款软件打开市场。
在这类客户心里，看不见的软件往往就意味着没什么技术含量，短时间可以复制一份。尤其有了 AI，自己招研发就能做，还美其名曰“自主可控”。但持续维护、处理故障、适应业务变化的责任并没有消失，拿到源码也只是换了一种方式承担成本。
如果市场真有潜力，大厂也会下场直接做。国外更常见通过收购补齐产品，国内小团队却很难等来这样的结局，反而要直接面对大厂的客户、渠道和产品组合。不要把“做起来以后等收购”当成退路。
纯软件最后往往变成定制化开发服务，甚至卖源码。卖出一份软件，和获得一个定制开发项目，是两种不同的生意。 接项目就按项目成本和交付能力算账，不能套用软件低成本复制的预期。把投入放在能接触到的垂直业务上，将行业积累转化为客户看得见、愿意购买的结果。
少替用户想象，尽快让真实问题检验产品
只有乐观主义才会驱动人做出好产品。但市场没有义务奖励这种相信。
产品经理很容易爱上自己规划的系统：看板、知识库、协作、社区，每个模块都讲得通，却说不清客户为什么需要，或者为什么要选自己的产品。AI 又让“顺便做一下”格外容易，功能越积越多，产品越来越重。产品越做越完整，客户选择它的理由却未必增加。
需求讨论应该往回追问：谁遇到了什么问题？现在怎么处理？最麻烦的一步在哪里？客户说想要一个看板，可能只是每天不知道哪些订单需要处理，未必需要一整套可视化系统。需求必须追溯到真实问题，开发者觉得不错、客户随口说想要，都不能免检。
用户有需求，和用户会选择你的产品，是两回事。 立项前要把竞争推演一遍：客户现在用什么，有哪些竞品和开源项目，为什么要换成你的？优势在哪里，有没有技术壁垒？大厂如果抄过去、整合进现有产品，还剩什么竞争力？下一代更强的 LLM，会不会直接覆盖这项能力？
同时算清楚，做到能交付需要多久、多少人、多少钱，后续维护和服务还要投入多少。等产品做出来，今天看到的机会还在不在？这些问题要在投入前列出依据和待验证的假设，不能靠一句“用户确实有需求”就跳过。
实现之前，先看哪些能力已经有了。小团队不要再造轮子。操作系统、数据库、IDE，甚至通用 Agent，都不要轻易碰。 Claude Code、Codex、OpenCode、DeepSeek Harness（DSH）已经提供了优秀的 Agent 能力，直接用起来，围绕客户场景组合和扩展。能做出相似的 Demo，不代表能长期追上它们的研发、维护和生态投入，别把商业项目变成底层技术练习。
不要轻易把优秀开源产品改头换面，包装成自己的商业产品。改个界面、加几个功能，不会自动产生付费价值，却可能背上跟进上游、维护分支和独立交付的负担。把精力放在行业场景、系统接入和实际交付上，别把拥有一份自己的代码当成竞争力。
确实需要自己开发的部分，尽可能提供原子功能，内部保持能力可组合，按场景组织数据读取、分析、生成和执行。搭好框架，让用户能够自己配置模型、权限和工作流，别把产品经理自认为不错的整套模块强加给客户。轻量化在当下尤其重要，需求应该随着真实问题生长。
Make it exist first. Make it good later. 尽快做一版，放进真实场景，验证客户是否愿意用它解决问题。第一版就要明确任务、完成标准和风险边界；企业产品还要找到具体使用者和验收人，不能把愿意听介绍当成愿意使用，更不能当成愿意购买。
AI 产品最贵的部分，是让别人真正用起来
产品经理应该多做一些自用 AI 产品。从自己的工作问题出发，先提高个人效率，再看能不能帮同事、帮公司提效，进而开源形成品牌，或者长成商业产品。自用和内部使用本身就有价值，不必第一天就背上创业项目的目标，也没必要为想象中的外部市场提前补齐多租户、计费和管理后台。
亲手做产品，还能让你紧跟 AI 的步伐。模型能做什么、哪里会失败、工具怎样接入，都要在实际构建和使用中体会。只看发布会、评测和别人的 Demo，很难形成自己的产品判断。 持续探索，才能在新能力出现时更快看见应用机会、捕捉产品灵感，让自己置身于 AI 浪潮中。
但自己用得顺手，不代表别人也能用。自用时，模型理解错了就换一种问法，执行失败就看日志，结果不对就凭经验修正。这些没有写进代码的能力，一直在支撑工具运行。交给别人以后，缺口就暴露了。
基于 LLM 的产品也因此面临一个尴尬的困境：产品本来面向有技术背景的用户，这些用户却往往想借助 AI 自己构建；小白不敢用、不愿用、用不起来，还有人根本不接受、不相信 AI。真正服务这些用户，团队就要承担高昂的可靠性和安全权限研发成本。
技术用户愿意配置、排错，普通用户只想把事情办完。模型、权限和工作流可以开放给需要控制权的人，但不能要求每个用户先学会这些东西。产品要处理模糊输入、核验结果、控制权限、解释执行状态，并在失败后恢复。简单是交付给用户的结果，背后的复杂要由产品承担。
不要承诺“消除幻觉”，要控制不确定性造成的后果：能核验的核验，无法确定的保留疑问，无法安全执行的停下来。报告草稿与直接修改业务数据，需要承担的责任完全不同。
自用工具可以靠作者兜底。商业产品如果每次都靠作者兜底，就必须把作者的时间算进交付成本。 小团队承担不起复杂的交付，就收窄场景，把一个问题做透，优先选择结果容易核验、错误容易恢复、权限范围清楚的任务。不要承诺什么都能做，最后却让用户自己理解、配置和补救。
做出来以后，就走出去
工具开始服务更多人，就要考虑怎样触达用户。可以像 CC Switch、Multica 这类产品一样，选择开源免费，积累使用、反馈和品牌。开源只是发布方式，解决高频痛点、持续触达目标用户，才会形成影响力。 自用、开源、商业化可以互相转化，每个阶段都应知道自己要什么。
如果决定商业化，产品做出来就只是迈出一小步。让更多目标用户用起来、让价值转化为收入，才决定商业产品能否成功。有人愿意掏钱，比一百句“很有前景”实在。
发一个链接、写一篇介绍，然后等用户上门；没人来，就回去继续开发——继续开发有时只是在回避市场。代码会按要求回应，客户不会。
第一版能解决具体问题以后，就应该走出去，帮用户部署，接入实际环境，用他的真实任务跑一次。原来怎么做，现在省下什么，结果是否可信，哪一步还让他犹豫？把价值展示给用户，也让自己看清产品到底有没有价值。
品牌和推广同时开始：目标用户在哪里，为什么信任我们，愿意为什么结果付费？把已解决的问题和可以公开的案例讲清楚，在相关社区、行业交流和合作渠道里持续出现，比补几个没人提出的功能更值得做。
用户看不懂就调整表达，不愿试就检查门槛，用后不回来就检查价值。研发、交付、推广和销售应当互相推动，不能把市场工作永远排在“产品完善以后”。
商业产品立项时，就应该讨论什么时候停
商业产品走出去，是为了找到用户和收入；设停手线，是为了找不到继续投入的理由时，真的停下来。模型和竞品变化这么快，小团队不能再花半年闭门研发、再花半年找市场，立项时就要约定验证期限、退出和收缩条件。
比如先用三个月找到深度使用的种子客户，再用三个月验证付费和商业路径。时间只是举例，关键是让每一阶段的投入都有依据。检查时，重点看三个信号：
- 有人真正用。 愿意交出真实业务任务，而非只看演示。
- 有人主动回来。 下一次同类任务出现时，不靠团队反复催促。
- 有人付费，交付成本可控。 重复配置、排错和补救能逐步减少，不必每多一个客户就再配一个人。
到检查点仍没有真实使用或主动复用，就停止扩大研发，重新检查需求；到了商业验证期限还没有人付费，就不能无限期维持原来的投入。有人付费但人工兜底降不下来，就收缩场景，或者按服务生意重新定价。检查之后必须有动作，不能每次都以“再完善一下”结束。
“底层已经搭好了”“再补几个功能就完整了”“已经投入这么多了”，都没回答客户为什么需要，却暴露了沉没成本的影响：已经花掉、无法收回的时间和金钱，让人觉得停下就全白费了，于是继续投入，试图证明之前的决定没有错。
已经花掉的钱，不会因为继续花钱就自动回来。 要判断的是下一笔投入能带来什么。技术债和团队对项目的感情，会让停手越来越难，别等到舍不得的时候再决定。
外部变化触发重估，客户价值是否被替代才决定行动。竞品发布相似功能，只要客户仍然使用、付费，交付成本可控，就值得继续。停止商业投入，也可以转为自用、缩小范围或开源。
乐观主义让我立项，退出机制让我还有机会做下一个产品。
模型可以换，产品要留下自己的价值
如果下一代模型能直接完成今天演示的能力，用户为什么还需要这个产品？答案要从模型之外的积累中找。
设计时就默认模型会换、Agent 会换，数据和接口必须能迁移。值得打磨的是能够留下来的业务价值，不能把全部投入押在当前技术栈上。 在 Opsx 中，值得保存的是资产身份和关系、系统连接、业务约定、任务与执行证据、Git 历史、验收口径，以及经过验证的流程和方法。
这些积累来自真实现场，承载着模型无法凭空知道的业务事实，应当能修正、能追溯来源，供更强的模型继续使用。正如知识库和上下文文章所讨论的，通用知识无须反复加工囤积，更值得投入的是获取现场事实和验证结果的能力。
产品也应该面向 Agent 开发：可以推出 CLI/MCP 工具，也可以把已有功能通过 API 暴露给 Agent。 个人 AI 助理的文章讨论过，未来越来越多任务会由助理发起。用户把目标交给 WorkBuddy 这类工作助手或个人助理，Agent 再执行命令、调用接口，完成具体操作，不必让用户逐个打开应用、点击菜单。
比如一款经营分析产品，可以提供查询销售数据、计算指标、导出报表的命令或 API。用户说“整理本周经营情况”，Agent 就传入日期范围，调用产品已有的数据查询和计算能力，取得结构化结果，再组织成报告。产品负责正确取数、按业务口径计算，Agent 负责理解目标、组织调用和呈现结果。
这要求命令和接口把能做什么、需要哪些参数、返回什么结果写清楚，并提供明确的授权范围、执行状态和错误信息，让 Agent 能判断调用是否成功。用户需求已经出现时，就把相应能力接出来。一个能被 Agent 稳定调用的工具，本身就可以是完整的产品，不必再围绕它重做一套聊天窗口或 Agent。
进一步看，未来的产品很可能不再按固定版本集中交付。发现问题、修改代码、验证和发布，可以在运行过程中持续发生。产品自动发现 Bug，交给 Agent 修复，通过验证后直接发布。用户可能只觉得刚才卡了一下，问题就已经解决，不必提交工单，再等下一个版本。
这种修改能力也可以向客户开放。用户提出需求，Agent 就在自己的使用环境中调整流程、增加功能，形成专属版本。产品经理不必提前猜完所有需求，客户也不必为了一个小功能排队等研发。交付给客户的，可以是一套能够继续生长的产品。
用户不再需要关注版本号，底层却更需要清楚的变更记录、自动验证、权限隔离和回退能力。客户的修改应当在自己的范围内生效。基础能力持续升级，个性化功能各自生长，这也会改变定制开发依赖供应商逐单交付的方式。
回归人性，保持敬畏，虚心若愚
无论产品由人操作，还是由 Agent 调用，技术怎样进化，做产品的第一性原理都要回到人的真实需要：少费力、少受挫、被理解，对重要的事情保有选择和控制。能实现的东西越多，越需要克制，让生活和工作变得简单。不能要求用户先学会开发者设计的一整套复杂规则，再怪他们不懂产品、不愿改变。技术可以突破，人性不能靠产品规划强行改写。
回归简单，也意味着尊重事物的发展规律。需求要在使用中确认，信任要靠交付积累，产品要随着真实反馈生长。AI 可以加快实现，却不能凭空替我们完成这些积累。向赖以生存的大自然、宇宙学习，观察事物怎样形成、变化、相互作用，也承认自己的理解始终有限。不要因为能迅速写出代码，就觉得一切都可以按照自己的意志设计。
保持敬畏，虚心若愚。亲手做，持续探索，让自己置身于 AI 浪潮中，同时回到人的需要、简单的体验和真实的发展规律。工具越来越强，产品最终应该让人活得更轻松，而不是让人承担更多复杂。