产品思考

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。 ...

当下 AI 正在接过越来越多原本分散在不同产品中的需求。过去，遇到问题要打开搜索引擎、浏览网站、翻找论坛；现在，许多问题可以直接问 AI。用户不必为每一种需求都寻找一个入口，可以先表达自己想要什么。 这种变化正在从获取信息延伸到执行任务。OpenClaw、Codex、WorkBuddy 等 Agent，让我们开始把一项工作直接交给 AI：由它调用 Tool、操作文件或运行环境，拆解步骤并跟进结果。人从亲自操作软件，逐渐转向提出目标、判断结果。 这条路径也延伸到了手机。中兴推出的 AI 手机，将豆包集成到底层操作系统中，让它根据自然语言指令跨 App 执行任务。随着能力扩展，回复邮件、协调工作、购物和规划行程，都可以逐步交给手机中的 AI 处理。 再进一步，当 Agent 能持续在线，任务也就不必依赖我一直使用某一台设备。Cloud Agent 已经让任务可以在云端执行，手机连接桌面 Agent 则提供了另一种路径。沿着这个方向，我期待一个 7×24 小时待命的个人助理：通过手机、手表或眼镜随时接收我的指令，在后台推进任务，也能按约定的时间和条件主动处理事项。 这些能力最终会汇聚成一个贯穿工作与生活的个人 AI 助理。其他应用继续提供专业能力，由助理根据需求调用 CLI 或接口；对我而言，只需要与这一个助理交互，就能完成越来越多的事情。 但从“能替我执行任务”到“能替我安排生活”，还缺少一层关键能力：它需要了解我。我的一部分生活散落在邮箱、聊天记录、工作平台和各类个人账户中，另一部分发生在现实里，没有被记录下来。每次下指令都重新解释背景，仍然需要我承担大量的信息整理工作。 要走到这一步，助理还需要持续获得个人背景与现实反馈。智能眼镜，可能就是连接这两个世界的载体。 AI 能执行任务之后，人为什么仍然忙碌 日常事务的负担，往往来自一件事引起的一连串变化。一次出差改期，可能同时影响会议、交通、住宿、运动预约和家庭安排。每个 App 都能处理其中一部分，但判断哪些事情受影响、按什么顺序调整、有没有遗漏，仍然需要人来完成。 如果 AI 只是等待一条条具体指令，这项协调工作就没有被接走。用户仍要自己发现问题、整理背景、拆解步骤，再分别要求它改机票、取消预约、通知相关人员。操作可以自动化，组织整件事的负担依然在人身上。 因此，个人助理需要持续掌握目标、约束和事务进度。收到变化后，它应该识别受影响的安排，提出处理方案，在授权范围内执行，并核对结果。它要接下的，是从发现需要处理的事情，到确认事情已经处理好的完整过程。 这要求系统在对话之外持续保存目标、任务状态与依赖关系，让新的事件能够触发后续处理，而不必等待用户重新发起一次对话。 为什么 AI 助理需要一副眼镜 要让 AI 助理真正了解我，仅靠账户数据和主动提问还不够。大量背景发生在现实生活中：与人的交谈、眼前的环境、临时出现的变化。如果每件事都需要我重新描述、整理后交给 AI，助理能够理解的世界，就始终受限于我提供了多少信息。它需要持续的视听输入，直接获得与我有关的现场上下文。 这种感知也应贯穿做事的过程。助理提出建议或采取行动后，需要知道现场发生了什么变化、结果是否符合预期，再决定继续还是调整。仅凭最初的一条指令和过去的记忆，无法支撑它应对不断变化的现实。所见所听既是理解我的依据，也是助理校验判断、调整行动的反馈。 人脑无法完整保存这些信息。我们会忘记交谈中的细节、见闻中的线索，甚至刚听过的一段音乐。更重要的是，事情发生时，我们未必知道哪些细节以后有用。因此，需要外部设备留下可回查的记录，让 AI 在需要时找到依据，而不必依赖人的记忆补全背景。这些记录既能帮助回忆，也能积累为助理理解偏好、提出建议和辅助决策的材料。连续的音视频还需要按事件组织，与人物、任务和时间关联；影响当前事务的变化及时处理，其余内容留待需要时查询。 在我看来，眼镜是目前最接近承担这一使命的随身设备。它接近人的视线，也适合在交谈、工作和出行时佩戴，作用有些类似执法记录仪或行车记录仪：随着活动留下现场记录，减少专门拿出设备拍摄的动作。与 AI 结合后，这些记录还能及时进入理解与行动过程，使眼镜成为个人助理接触现实的入口。 但从今天智能眼镜仅有的拍摄、音频、翻译和 AI 问答功能，走到全天候个人助理，仍有很长的工程路径。狭小的镜框必须同时面对电池容量、散热、存储与算力的约束；把推理交给手机或云端，又会带来连接稳定性、传输能耗和响应延迟的问题。难点在于让持续感知、及时响应与舒适佩戴同时成立。 我相信，随着硬件、模型效率和设备协同的进步，这些瓶颈会逐步得到解决。眼镜可以承担感知与交互，手机和云端分担存储与推理，让完整的助理能力由多个设备共同提供。 有了共同经历，AI 才能逐渐懂我 除了所见所听，个人助理还需要在授权下接入日历、邮箱、IM、办公平台、购物与账单、支付与银行卡信息、学习进度及健康数据。当前事实按需查询，值得长期保留的约定、偏好和经验进入 Memory，让分散的信息逐渐形成对一个人的理解。 其中，个人日历可以成为组织事务的时间主线：历史安排结合实际完成情况，说明时间花在了哪里；未来日程承载目标与承诺，支持规划、冲突检查和动态调整。过去的执行结果，也能成为下一次安排的依据。 通信能力还应包括接听和拨打电话。助理可以按授权代接事务性来电、致电预约或协调改期，把邮件、聊天与通话中确认的事项同步到任务和日历，让沟通自然接上执行。 随着共同经历积累，助理能够把新的需求与此前的讨论、选择和约束联系起来，甚至发现我自己忽略的生活规律。但一次选择未必代表长期偏好，它的理解也需要接受纠正。共同经历的价值，是让助理逐渐知道，同一个建议为什么适合我，又为什么不适合我。 这种理解也能帮助它筛选外部信息：让我知道正在发生的大事，关注感兴趣的新闻与技术动态，发现新电影、新歌，同时保留接触陌生内容的机会。进一步，它可以结合我的状态与日程安排观影或旅行，也能按授权主动获取资料、联系他人，让兴趣与需求有机会落实。 健康应当成为助理的长期任务 我认为，健康管理值得成为个人 AI 助理的一条重要产品方向。记录运动、睡眠和心率只是起点，如果最后仍要用户自己解释曲线、调整生活，数据就没有充分转化为帮助。我期待助理接入穿戴设备、家庭测量设备与体检记录，在数据可靠的范围内持续跟踪身体状态，结合饮食、运动、睡眠和日程，给出能够落实的生活建议，并把锻炼、休息与复查安排纳入日历，持续跟进。 ...