这是一份关于我个人经历的自述：
2025 年年初，16岁的我创办了第一家属于自己的公司“寻安科技”，一家不那么正式的草台班子公司。这一年跌宕起伏，最开始满怀对创业的热情，我们发布了第一款产品“NoBase”，这一款产品是专门为开发者服务的后端集成平台，从产品上线成功到上线后反响平平，我的心情也从最开始的激动变得平静甚至有些麻木。
2025 年 9 月份，17 岁的我参加了人生中第一场黑客松，是北京 AI 嘉年华和美团联合举办的。当时在小红书看到这个活动，在这之前我还不知道有这种比赛形式存在，我查阅了资料，发现国内最大的黑客松比赛是 AdventureX。我看了创办 AdventureX 的Ryan 朱浩宇的故事，当时他创办的时候只有 17 岁，但他想要创办国内最大的黑客松比赛，并且给所有选手免费提供住宿机票费用的报销。从一个想法开始，从无到有，拉到了机构的投资。在一切还是未知数的时候，我们都会觉得某个想法很疯狂，但当它实现后，无数人都会为你鼓掌。我想，这个世界总要有一些人去做一些看起来不可能完成的事情。
不过比较遗憾的是，8 月份 AdventureX 举办了第二届，但我在 9 月份才知道它的存在，后来也有很多类似的比赛。说回我第一次参加的黑客松，最开始我跟父母沟通了这件事，因为距离太远，我身处湖北恩施，到北京坐火车需要十几个小时，但因为当时看完 Ryan 朱浩宇的故事我觉得我应该为自己去争取一些机会，虽然一切都是未知的，人天生会对不确定的事情产生恐惧，但这份受故事鼓舞的热情占据了我大部分内心，我依然选择去说服我的父母，终于他们妥协了。
来到了北京，这是我第一次来到大城市，在比赛的现场，有遇到跟我年纪相仿但比我小的朋友，也有已经工作了的前辈。参加这些活动之后最大的感受是，与人建立连接并不是一件可怕的事情，在这之前我是一个只想埋头研究技术，不喜欢抛头露面的人，因为总觉得这样太过张扬，所以比较抵触演讲，可能是因为经常沉浸在互联网上，之前也有看到类似的视频，比如一名深圳的高中生创办自己的公司，但评论区存在质疑的声音，会去否定这种人，很多人会说“什么年龄就该干什么事”。
但在参加这种类型的活动之后我渐渐发现，其实这个世界大部分人是很包容的，跟很多经历比我多的人相处聊天，他们不吝啬赞美，当我讲出我的想法的时候我能感受到他们对我的欣赏，实际上这是让我倍受鼓舞充满能量的一件事。
在这期间，我也完成了我的首场公开演讲，面对会场的几百名观众，第一次难免有些胆怯，但我想这对我来说也有里程碑的意义。后来，顺理成章的，我参加了第二场，第三场类似的活动、比赛。与很多人接触，建立了连接。我观察到，大部分人看到我的个人介绍，第一反应是：“你居然是高中生” 。很多人会问，你为什么这么早就开始接触这些了。
关于我的经历，7 岁那年，我有了自己的第一个 QQ 账号，自然而然的，我接触到的信息总是比同龄人多，以前短视频还没火起来的时候，以社交软件为主，会长时间泡在 QQ 群里聊天，接触到了一些需要一点技术的东西。以前流行过 QQ 机器人，可以说那是我玩过最早的聊天机器人，有个电脑软件叫“酷Q”，登录一个 QQ 账号，那个账号就变成机器人了，你可以跟他聊天，不过早期没有对话大模型，所有的对话都是基于机器人去现有的词库里匹配，也就是说其实是写死的，你问 a 他只会回答 b 或者 c，不会自己去思考总结。
上微机课，众所周知，电脑上都会有一个控制软件方便老师操控学生的机器。小学的时候，微机课很难得，几乎一个星期只有一节，而且老师基本上都在讲理论，老师会把学生的屏幕变成黑屏，只显示“保持安静”，或者显示老师屏幕上的内容，只能看着不能退出。我对此十分不满，所以我自己去寻找解决的方法，按什么键都无济于事，后来在一次偶然的操作中发现，只要关机再开机，会进入一段加载状态，还没有进入系统，这段时间是可以操作键盘鼠标的，然后经历了一段时间的尝试，我终于发现了第一种破解的方法，断网，一个最原始但最有效的方法。可能这也是我最早的“黑客技术”启蒙。
后来从初中到高中这段时间，受影视剧的启发，我自学了信息安全相关的技术，随着对电脑知识不断丰富，我研究出了不下十几种退出控制软件的方法，从简单到复杂的破解方式都被我研究出来了。可以说全班同学都用上了我给的方法，但我最初只分享给了两三个人，慢慢的几乎全班都知道了。比较戏剧性的是，某次我到机房，看见别人班的同学还挂着我用给的那个工具。
12 岁的时候，我开始自学编程，这对当时零基础的我来说，很煎熬，甚至经历了无数次放弃。没有任何支持，没有报班，没有人带，甚至只有一台配置不怎么样的笔记本，我的编程学习甚至大部分时间是在手机上完成的。当时我将 C 语言作为我首个入门学习的编程语言，但由于当时完全不理解，只觉得是一堆英文字母，受了一点打击，觉得自己大概率是学不会编程了，陷入了很长一段时间的自我怀疑。
后来接触了一些入门简单的编程语言，比如 Python，这让我对编程理解能力有了很大的提升，之后在 14 岁那年我自学了更多编程语言，也开始做一些简单的小项目。在这之后，我每年都会总结自己做了一些什么对我来说比较有意义的事情。
我 15 岁那年，学习成绩并不是很好，所以上了职业高中，刚入学我就黑掉了学校的学工系统，里面有近千名学生的身份证号信息，实际上技术并不难，但这让我对电脑技术产生了更浓厚的兴趣，我并不想做一个破坏者，所以这也是我人生中提交的第一个安全漏洞。因为有了成就感，我疯狂痴迷于技术，那时候想证明自己的技术去考了计算机二级证书，第一次考就过了，这对现在的我来说不算什么，但对于当时一无所有的我来说是很宝贵的经历。
后来学校生活实在太过无趣，16 岁那年我几乎黑掉了全校的所有控制系统，我可以关掉机房任意一台电脑，接管教师机，断掉全班电脑的网络，这一切都是我在上课的时候发现的，当然这些同样不难，也没有什么实质的危害，这一切之后也被管理员修复了，做完这些我开始有些疲惫了，这样的技术不会为我的生活带来什么便利，反而我陷入了一种焦虑。
后来，我在家gap了一段时间，我有充足的时间精力来做自己想做的事情，也是在那时候，我赚到了人生中的第一桶金，通过给别人写项目赚到了四千块钱，这也证明了我的能力是有价值的。16 岁的时候有段时间学校安排了实习，是一个安徽的工厂，我去了一段时间，每一天都是煎熬，一个月后我实在受不了了，我觉得看不到自己的未来，觉得工厂不讲人情，我处理不好人际关系，于是我选择了离职回到恩施，找了一份本地实习的工作。当时在招聘软件给各种老板和 hr 投递简历，几乎没有人愿意选择相信一名 16 岁的高中生可以胜任程序员这份工作，最后一名老板看到了我的消息，愿意跟我聊聊。我去到了线下，这是我第一次面试，虽然我有些腼腆，但非常顺利，我成功找到了人生第一份程序员的实习工作，也做了一些我自己觉得比较厉害的项目。最有成就感的是，当我写的程序被放到广场那块巨大的屏幕上，并被很多人看到，并且在短视频平台传播和讨论，虽然他们不会知道是我写的，但这种成就感是难以形容的。实习结束后，我回去创办了寻安科技，我看到了一句话我感触颇深，“人因有梦想而伟大，又因坚持梦想而成功。”这句话后来被我当成公司的 slogan，激励着我一直走下去。
17 岁，是我成长最快的一年，有一种很奇妙的感觉，可以用“念念不忘，必有回响”这句话来形容。作为从小城市长大的孩子，来到上海、北京这种大城市也只在我的脑子里想象过，但没有想到真的有一天可以来到这里，并且认识那么多优秀的人。还有三个月的时间我就成年了，我总告诉自己，给我的时间不多了，我好像总是迫切的想要一场成功来证明自己。我曾经也无数次陷入过低谷，真诚感谢每位曾经帮助过我的人，哪怕只是一句夸赞，这都为我带来了能量。
故事还会继续，我们都无法预见未来会发生，就像 12 岁那年的我永远不会想象到 5 年后的自己去到了更大的舞台，被更多人看见并认可。当有了一个目标，尽力而为去做就好，时间自会给出答案，也许可能不是想象中的结果，但每一次努力都会得到很多收获。
⚒️
创造、思考，或一切
48
48Think Different
在给 Bonjour! 招募一位产品实习/正职
日常工作内容是和我一起思考 & 打磨产品、整点好玩的、和开发搏斗把想法落地、以及听摇滚乐和怪叫（或者整 丶 其他抽象行为）
最重要的是希望你对 Build 感到愉悦，不会认为这是一份枯燥的工作
其次是希望你：
1. 始终对新事物保持好奇，看到好玩的产品总是会上手当产品蝗虫
2. 对 AI 产品有观察与理解，喜欢思考如何把 AI 落地到产品并提供用户价值，总是想把最好的东西做到产品里
3. 是社交 / 社区应用深度使用者
4. 有做产品之外的爱好，比如有喜欢的电影导演、游戏或音乐，其他也行，但越酷越好，毕竟产品功夫在诗外 XD
5. 除去这些以外，没有背景、经历、学历的要求
作为一个初创团队，我们能提供
1. 在一个高速增长的产品中，从上手收集反馈，到做出产品决策，再到继续根据反馈迭代产品的实践系统（如果你喜欢做研究但又苦恼于无法把结论实际指导于生产并验证的话，这应该还挺好玩儿的）
2. 一个基础素质过硬又好玩儿和抽象的团队，Steve Jobs 说和 A 级选手们呆在一起会把个人能力拉到极高，所以我们一直在努力做好这件事情 :D
3. 追星，如果你在水下但又有一些产品 Idol 想见，来了我们团队大概率会有和他们 1 对 1 面聊的机会（国内的好搞一点，像 elon musk 和 sama 这样体量的就比较难了 LOL）
4. 一份支持在杭州生活的薪资，同时希望能和你长期协作，所以如果你来实习，我们提供实习转正
希望和你讨论
1. 你对 AI 如何提升社交效率或其他产品价值的思考
2. 你对社交和社区的底层思考
3. 你最喜欢的三个产品
地点在杭州，希望和你线下协作
投递邮箱：hr@bonjour.bio
很多人说，从长远来看，AI 应用公司仍然拥有巨大的机会，但更长期来看，我们都会死，所以，我们需要在一个不短也不长的时间维度中做有效的推演。这个推演必然不可能基于幻想，而是基于历史经验和现实的理解。
下面是我的理解，结论是AI 应用会活下来，但不是以现在的方式。
短期来看，AI 应用很难活下来。大部分甚至 95% 的 AI 应用，最后都会被模型吞噬。
但是我们仍然应该做 AI 应用，并且持续投资。
为什么呢？道理很简单：从人类历史的经验来看，基础设施跟最后的应用产品是两回事。
现在大家可能更关注基础设施，比如 Google 和 Amazon 有 Cloud和算力，而 OpenAI 则有最好的模型（国内可能就是 Kimi 之类的）。不管从哪个方面来看，大家都会觉得这些公司在疯狂地向上下游延伸。
如果从产业链的位置来看，我们可以把 Cloud 和算力看作油田和电网，模型公司就像炼油厂和发电设备。那 AI 应用是什么？能够被炼油厂和油田吞噬的，本质上根本不是 AI 应用。
类比来讲，真正的 AI 应用应该像汽车、空调、电脑和手机。过去几年最大的进步都在前两层：模型变得非常强，推理成本在下降，智能也可以被大规模调用。我们现在常说要接入 API，接入 API 就如同当年接入电力的工厂，或是把汽油用于内燃机汽车一样的感觉。
但从投资角度来看，应用公司现在基本上处于非常严峻的寒冬阶段。虽然有消息说未来几个月可能会回暖一段时间，但目前很多应用给人的感觉，就是底层模型只要一更新就会被取代。比如一年前还比较火的 AI 搜索 Perplexity，很快就被 OpenAI 整合进去了。
但是，掌握基础设施的公司，并不一定能定义、发现和创造出基础设施之上的产品。
有油田和炼油业务的石油公司很多，但宝马和奔驰并不来自它们。像宝马、奔驰这样的公司，自己既没有油田、炼油厂，但它们依然是汽车时代最重要的产品之一。决定汽车能否成立的，当然包含石油，轮胎，但更多的是驾驶体验、一整套制造体系、产品设计、品牌以及对用户的理解。
电也是一样的。电网建成、电路接入，并不意味着冰箱、空调、洗衣机、电视的形态就会直接产生或出现。电力只是让这类产品的出现成为可能；至于用电来做什么、哪些产品能走进每个家庭，依然需要应用层面的公司去一点点发现。
AI 也会进入类似的阶段：
1. 基础设施阶段：市场关心谁能训出更好的模型、拥有更多的算力，以及谁能把推理成本压得更低。在这个阶段，大家关注的核心是 AI 这种新型能源的能力边界。
2. 应用爆发阶段（AI+）：大量公司把 AI 接入现有的软件、岗位和流程。给原有产品加上 AI 能力，把任务交给 agent，用自然语言代替 UI 或 GUI。这确实会产生一部分真实价值，但很大程度上，它类似于给蒸汽工厂接上电灯泡，并未改变蒸汽工厂的本质，也没有改变其管理组织与生产形态。
3. AI Native Applications 阶段：类似移动互联网时代的原生应用（如抖音、淘宝）。它不是给某个产品加一层 AI 功能，也不是给大模型套一层 UI 的皮在某个小场景做简单应用，而是以“AI 存在”为前提，重新设计用户的行为、工作流与生活方式。
现在的整体发展大概处于第一阶段到第二阶段的过渡期。但社会发展往往不是线性递增或线性递推的过程，完全可能出现跳步式的跨越发展。
如果用石油和电力来类比，现在非常重要的 AI 应用（例如 coding agent）已经切入了生产流程，改变了我们与代码与软件的交互方式。但它更像工厂里的电动机或电灯泡，绝对不是应用的终点。
未来的机会大致会沿着两个方向展开：
To B 方向：
历史上工厂刚接入电力时，并没有立刻变成现代工厂。早期的做法只是把蒸汽机换成电动机，但工厂里的转动轴、整体布局、生产流程以及工人的作息，依然沿袭着蒸汽时代的运转逻辑。
真正的变革发生在后面：当每台机器都拥有独立电机，不再依赖中央动力轴来排列厂房生产线时，整个协作与生产方式才真正以电力时代的方式被重构。
显然，这已经被一部分人发现了，所以不在这里展开。
To C 方向：
To C 更加神奇，因为任何的技术，只要不 To C，它就本质上没有意义，给岁月以文明。这类似于电力接入家庭，普通人开始使用 AI。但目前大多数场景依然停留在聊天框里，其角色更像是一个电灯泡。它很神奇、很重要，也会成为日常，但电灯绝不是电力时代的全部。
真正塑造电力时代并对人类生活产生深远影响的，是后面衍生出的冰箱、空调、洗衣机、电视和电脑，而不是更好的电灯。它们共同依托电网这些基础设施，却创造并解决了全新的需求，形成了一种新的生活方式。
我们无法想象没有电灯的生活，但更难想象没有空调、电视、电脑和手机的生活。一百年前的人不会觉得自己有使用手机或空调的需求。
AI 的消费级应用也会出现类似的情况。未来更突出的 To C 产品，形态很可能与现在的 Context 或 Claude Code 完全不同，甚至不一定会以聊天框的形式存在。它应当深入到人的创造、表达、沟通、记忆与决策之中，与人建立起一种恒久的关系，而不仅局限于单次完成或单次生成的交互。
OpenAI 和 Anthropic 或许能做出很棒的应用，例如codex，甚至占据很大的品类，但这并不意味着他们能给出属于 AI 时代的“空调”、“手机”或“电脑”的答案。
当然，现在的整体 AI 应用还只是模型的包装，也不太可能会变成电视机、电脑和手机这样的公司。但我觉得这只能说明第一批应用不够成熟，并不能说应用没有价值，或者说模型要通洗一切。我们已经拥有了 AI 时代电力的概念，但还没有发明出冰箱、空调和电脑。
所以我认为下一批可能会超过 Manus Cursor 的应用公司，它可能不拥有最强的模型，但一定发现并塑造了一件事情：
当智能、Agent、Coding Agent 变成了基础设施，当 Token 变成了一个基本的消费单元的时候，我们到底以什么样的方式工作、生活和创造？
谁能塑造这种创造和工作方式，即使是影响这种范式，都可能拥有的不是一家万亿美元的公司，而是一家十万亿美元的公司。
「产品经理」真是个好词，这个词听起来太体面了，以至于从互联网行业到 AI 行业，产品经理一直是很多喜欢科技的年轻同学意向非常高的岗位。
目前，大把大把想加入 AI 行业找工作的年轻人，都会想从事这个岗位。
但大家对这个岗位的标准还是很模糊。
有的人会用传统产品经理的评价维度，去判断自己是否适合成为一个 AI 产品经理。
有的人则觉得只要 AI 用得好，跟大模型、Agent 们聊得熟，用过很多 AI 产品，就是一个好的 AI 产品经理了。
这两种看法其实都不对。
一个人是不是好的 AI 产品经理，虽然刚刚那两个因素是必要的，但其实还有三个新的技能是你需要学习的，分别就是原型、Benchmark 和 Eva。
1️⃣ 原型
以前由于 AI 写代码还没有 Vibe Coding 这件事情，你要开发一个产品，它的标准流程是：产品经理先出需求文档（PRD），盘点一下为什么要加这个功能，以及具体交互逻辑是什么样的。
拿需求文档和 UI 设计师对设计排期，和研发对开发排期，最后把这些都加到整体项目排期里。
UI 设计师基于需求文档提供高保真原型，最后给到研发，研发根据高保真原型开发前端页面和后端接口。
这条链路很长，每个环节都需要沟通和等待。
一个简单的功能，可能要花两三周才能看到真实效果。
但现在 AI 来了，AI 的写代码能力足够强之后，产品经理与其写个 PRD 再跟这么多岗位沟通，不如直接基于产品的各种组件写一个单独的网页页面。
这个网页页面是可以交互的，产品经理可以直接在上面验证功能的交互逻辑，确认功能是否必须添加，以及具体的展现位置。
接着，产品经理把这个网页原型及背后的代码交付给工程师，工程师再把它融合到原有的产品里。
这样的效率会比从“原型图到低保真，再到高保真，最后到产品”的速度快很多。
很多 AI Native 的公司现在都是这么做的。
这对工程师来说也挺友好，现在很多 AI Native 公司的员工都在用 Cursor 和 Cloud Code 这种 Coding Agent 来写代码。
产品经理出的交互原型里自带了产品的交互逻辑，虽然这段用来做原型的代码，没办法直接用到生产环境，
但是，产品经理在让 AI 把交互逻辑确定好、在自己的原型上实现想要的交互之后，可以顺便让 AI 根据代码反向写一份需求文档。
这份需求文档都不用给人看，是一份完全给 AI 看的 Markdown 格式的文档。
当工程师想实现相应的功能时，直接把这份需求文档作为参考文件给到他们自己的 Coding Agent，AI 就可以很好地理解这个逻辑并快速实现功能。
工程师们只需要再做一些工程上的优化，保证不出问题就行了。
所以 Vibe Coding 算是新时代的 AI 产品经理的基本功了。如果一个 AI 产品经理没有任何 Vibe Coding 的技能，是没办法用这种新的工作方式去配合产研团队工作的。
2️⃣ Benchmark（标准）
Benchmark 可以简单地理解成大模型的评价标准，相当于大模型 AI 产品（Agent）输出的评价标准。
举个例子，假设有一家公司做了一款通用医疗健康相关的 Agent 产品，用户的平常使用场景包括：
咨询健康问题，它能给出非常专业且有针对性的建议；
列出健康计划，它能基于用户的身体情况，保证该计划对用户来说是真正有益的；
进行病情检查，这款医疗产品能通过多轮对话的方式获得用户的关键信息，然后给出专业、详细的诊断。
如果做这么一款产品，该如何评价这款医疗健康 Agent 每次的输出是好还是坏？
这里我们就需要一套标准，这套标准也就是所谓的 Benchmark。
拿健康咨询这个场景来说，Benchmark 可以包含四个评价维度：
1. 专业性（回答是否符合医学常识，有无明显错误）
2. 针对性（是否根据用户具体情况给建议，还是泛泛而谈）
3. 安全性（是否避免过度诊断，有无提示就医边界）
4. 可操作性（建议是否具体可执行，用户能否立即行动）。
每个维度可以打 0-10 分。
病情检查场景的 Benchmark 又是另一套：
1. 信息采集完整度（是否通过多轮对话获取关键症状、病史、用药情况）
2. 诊断逻辑清晰度（推理过程是否可追溯，用户能否理解）
3. 就医引导准确性（是否明确告知需要挂什么科室、做什么检查）、免责边界（是否清楚说明这不是正式诊断，需医生确诊）。
用户说：“肚子疼了两天。”好的回答是依次询问疼痛位置、性质、伴随症状、饮食情况，最后给出可能原因和就医建议。差的回答是直接说“可能是胃炎，吃点胃药”。
可以看到，不同的使用场景需要不同的 Benchmark。这套标准的设计，直接决定了产品后续的迭代方向和开发后续。
3️⃣ Eva（评测）
Eva 就是 Eval（评测）的简称。
OpenAI 的首席产品官 Kevin Weil 说过一句话：“Writing evals is the most important thing a PM can do in the AI era.”（在 AI 时代，写 eval 是 PM 能做的最重要的事。）
为什么 Eval 这么重要？因为传统的 PRD 在 AI 产品上失效了。
传统产品开发是一条直线：问题 → 需求文档 → 设计 → 工程 → 上线。写个 spec，按 spec 做，验证 spec。
但 AI 产品不是这么玩的。同一个 prompt 每次跑出来的结果都不一样。
一句“模型应该有帮助且简洁”写在 PRD 里，太模糊没法执行，太含糊没法验证，太静态跟不上模型的变化。
PRD 是为确定性世界设计的。AI 产品的世界是非确定性的。
那 PRD 该被什么取代？答案就是 Eval——结构化、可重复、自动化的产品质量评测。Eval 替代 PRD，成为 AI 产品经理的核心交付物。
Benchmark 定义了“好”的标准，包括评价维度和打分规则。
Eva 是把 Benchmark 落地成可执行、可重复的测试系统。
可以这样理解：Benchmark 是考试大纲，Eva 是具体的试卷和阅卷系统。
Eval 的本质是用代码定义“好”是什么样子。它把 Benchmark 的每个评价维度转化为可测试的信号。
Eval 同时扮演三个角色：它是产品规格（定义目标）、验收标准（衡量通过/失败）、产品路线图（指向下一步该改进什么）。一份 eval 抵三份文档。
假设你在做一个从烹饪视频生成食谱的功能，PRD 写着“要有帮助且准确”。这句话有什么用？什么都没有。
但如果你先定 Benchmark：格式规范性、信息完整性、可读性。再把 Benchmark 拆解成三个可衡量的信号：
格式：食材在前，步骤在后。用 AI 评审员 Agent 按评分标准打分。
食材完整性：视频里提到的食材是不是都包含了。用确定性字符串匹配验证。
步骤简洁度：步骤是不是简短易扫。用 AI 评审员，用好/差示例校准。
三个信号，一座山。
你不再跟工程师说“把它做好”，而是交出一个 eval 说：“把这个数字提上去”。
以及，对于 AI 产品经理来说，写出第一个 eval 并不难。难的是建飞轮。
飞轮有四个阶段：
Observe（观察）：记录每一次输入、输出、trace 和失败。你没法改进你看不到的东西。
Analyze（分析）：找模式。什么在坏、在哪坏、为什么坏？观测数据变成产品洞察。
Evaluate（评测）：把发现的失败模式变成新的 eval case。每一个线上故障都是 eval suite 的候选。必要时，还要调整 Benchmark 标准本身。
Improve（改进）：针对更新后的 eval suite 做 hillclimbing，上线，然后重复。
这个循环会自我加速。更多线上数据 → 更好的 eval → 更好的 AI → 更好的产品 → 更多用户 → 更多线上数据。
线上失败不仅变成测试用例，还会反向优化 Benchmark 本身。
那么，这三个技能在实际工作中是如何配合的？
AI 产品的设计和迭代过程中，我们会日常需要高频地解决这么几个问题：
问题 1：如何让用户方便地同步 context
在这里很多产品做了很好的设计。
比如 AI 创作产品 YouMind，它有一个类似于知识库的文件目录。同时它还有一个浏览器插件，能够剪藏你日常在浏览器上阅读的各种内容。
当你想要将一些信息同步给 agent 的时候，可以直接 @ 某篇具体的文档。这样你写过的内容，或者你收藏的、值得大模型参考的内容，就可以非常方便地发给 agent。
这个环节考验的是原型技能，产品经理需要用 Vibe Coding 快速做出可交互的原型，验证 @ 引用、文档目录、浏览器剪藏这些交互方式是否真的方便用户。
问题 2：如何让模型的输出足够好
这个“好与不好”没有绝对标准，它是基于不同类型的 agent 产品，服务不同的人群、解决不同类型的问题来判断的。
有的人让 AI 写一份报告，是希望看到尽可能全面、广度足够广的内容。
有的人则希望得到精简精炼的结论，以及支撑结论的论据。他希望报告字数不要太多，否则看不完。
这两类产品就要设计不同的交互方式和 Benchmark。
问题 3：如何评价产品质量
在产品开发完毕后，怎么判断做得到底好不好？后端搭建的那套大模型相关算法和 agent 工作流输出的内容质量怎么样？
这就需要用 Eva（评测集） 去测。不同类型产品的评测集是大不相同的。一款给小白创作者的写作产品，和一款面向专业编剧的创作产品，以及同时面向这两类人的通用型 agent 产品，它们的评测集会大不相同。
这三个技能整合到一起，AI 产品经理的每周工作节奏就变成了这样：
周一：观察线上数据，标记 20 个不达标响应，分析用户使用场景和痛点。这是 Eva 飞轮的 Observe 阶段。
周二：基于问题类型，判断是否需要调整 Benchmark 标准。提炼 5 个新 eval case 加入测试集。这一天同时用到了 Benchmark 和 Eva 两个技能。
周三：跑完整 eval suite 对比上周模型和本周候选。必要时用 Vibe Coding 快速做原型验证新交互方案。这一天用到了 Eva 和原型两个技能。
周四：看数据决定发布，确认 Benchmark 各维度得分是否达标。这一天再次用到 Benchmark 和 Eva。
周五：飞轮又转快一圈，三个技能的配合让产品持续进化。
这些都是需要 AI 产品经理基于复杂情况做出复杂判断的，也是比较考验 AI 产品经理职业素养的地方。
如果你还在用传统产品经理的方式做 AI 产品，或者最近在看 AI 产品经理的机会，可以试试从一个功能开始：
用 Vibe Coding 做个原型，为这个功能设计 Benchmark，写出第一个 eval suite。不需要很复杂，甚至可以从一个 spreadsheet 开始——列出 20 个输入 case，手动标记期望输出，跑一遍看通过率。
然后从那里往前走。
每次线上出了一个坏 case，加进 eval suite。每次换模型、改 prompt，跑一遍 suite 看有没有退步。
记得这个过程要多做记录，多留文档。
如果有精力的话，录几个像张咋啦 Zara 那样的视频发出来。
AI 这行还挺缺这种类型的新型 AI 产品经理的，大家招这一类人才都招得挺头疼。
多多让自己被看见，好的机会兴许会直接找上门来。
曾经在一家做 ToB 的 AI 创业公司，所以经常有机会和老板一起去参加行业大会。
去得多了，自己琢磨出了一套 SOP，靠这套 SOP 交到了不少有意思的朋友，感觉还挺有用的。
今年 AI 圈子里的行业大会也不少，我猜朋友们也需要，所以我来展开写写。
首先呢，不怎么去行业大会的朋友可能会觉得，行业大会里，最该做的，是好好听分享嘉宾讲的内容。
这样想很正常，因为每个行业大会在宣传的时候，都会着重强调，我们请了哪些特别厉害的嘉宾，聊哪些特别热门的话题。
但是呢，听内容，倒真不必放在特别高的优先级上。
因为行业大会里分享的所有内容，大概率都会变成公众号、播客等更加用户友好的内容形态再发出来，到时候再学习也不晚。
所以，参加行业大会最重要的，是认识这里面的人，让这些人成为你的合作方和客户。
在行业大会上社交是个 ROI 很高的事情，毕竟参加行业大会是一件很贵很麻烦的事情，能来的都是对这个领域热情很高的人，且都有社交需求，很容易聊上。
那怎么和人搭上话呢？
这里就有些详细的技巧了：
1️⃣
在行业大会开始之前，早点到现场，然后打开地图 App 或者大众点评搜索离这里最近的咖啡馆，然后自己走过去一趟，背熟路线。
2️⃣
行业大会开始后，去认真听嘉宾的分享，但是在听的时候，你一定要持续地问自己这个问题：“如果我和一个陌生人聊起这场分享的内容，我们会聊什么？”
带着这个问题听，嘉宾分享的所有内容，会很自然地变成你的社交弹药，和人聊天时，就能快速找到话题了。
3️⃣
再厉害的嘉宾，讲得久了，一定有人听不动了，会跑到会场外透气。
在听了一个小时左右后，你就该意识到，时候到了，该去抓人了。
4️⃣
你来到会场外，但凡一个人看起来没太多事情，你就可以过去搭话了。
话题开头模板大概是这样的：“你好呀，我刚刚在这个会场有看到过你，我一直都很想认识一下这个领域的朋友，所以想来和你打个招呼。”
假设对方没有拒绝你，那么就可以接着聊下去了；
如果对方表示“有事”或者流露出了明显不愿意聊天的样子，那咱也不用灰心，礼貌地道个别，去抓下一个人就行。
这里要多说一句，你自己大可不必担心对方不愿意和你聊。
以我当 I 人的经验，那些在门口落单的人的心理活动，大概是这样的：
“大家怎么都是三五成群地来的呀，我也好想加入他们呀，但是直接过去会不会不太好？”
“我也好想认识点这个领域的人呀，但是我该怎么搭话呢？”
“要是有个人来主动找我的话就好了5555……”
所以有时候你去主动开启聊天，还会不小心给人一种「自己终于被拯救了」的感觉，对方还挺开心的。
5️⃣
如果对方愿意聊下去，那么我们可以这么展开话题：
“刚刚 xx（嘉宾名）的分享我真的特别有启发，因为我是做在一家 xx 公司 xxx 业务的，所以 ta 说的那几个点我真的太有感触了……”
你看，通过这样的方式，我们就丝滑地完成了自我介绍。
如果你一上来就说我是 xxx 公司的 xx 负责人，那么可能会“销售感过重”，而且如果你的公司很大很有名的话，可能有显摆 title 的嫌疑，有概率引起对方本能的反感。
以嘉宾分享的内容切入，把自己的介绍作为话题的背景信息补充给对方，这样就丝滑多了，不容易让人反感。
6️⃣
通常这么聊完之后，对方也会很自然地介绍自己的公司和业务，你俩就了解彼此了。
当对方介绍完，就可以夸夸这个领域，然后掏出手机加微信了。
怎么夸这个领域呢？这个就看平时的积累了，得多看看这个领域头部公司的 PR 稿，以及各种大号对这个领域的测评文章。
你就能很快学会，这个领域的人，是怎么给其它人传递该领域的价值的。
比如，做 Agent 你就说，吴恩达说过 Agent 大趋势，这条路很有希望；做 RAG 的你就说，RAG 真的是大模型落地性价比最高的方式；做开源的你就说，开源的力量真的很神奇，感觉开源世界的进步速度真的太超越大众的预期了；……
通常聊到这里，微信加上之后，你可以去找下一个人了。
但如果你的目标并不是“多”，而是“深”，那么你应该和这个人说，附近有家很不错的咖啡，我刚好熟悉路，要不我们一起去那边聊聊。
把人约到了咖啡馆，我们就能去聊得很多很深了，这时我们不该急着离开，聊上一两个小时都是值得的。
这里需要注意到的是，话题最终一定得从公司行业这些大格局的东西，回归到对方这个人身上。
对方是创始人，就得聊聊 ta 一开始为什么决定做这个，有哪些感性的感受；对方是从业者，就得聊聊为什么当初来到这个行当，感受如何；对方是媒体人，就得聊聊见过的那么多人里，哪些印象最深刻；
这样你俩才能顺利地交上朋友。
如果对方是和朋友一起来的，刚好就可以一起认识一下朋友们，那么自然而然就认识更多人了。
7️⃣
在大会结束的一天晚上，做两件事情：
对于深聊过的人，你们聊的时候必然提到了不少文章、播客、视频之类的东西，记得当天发了；
发完这些之后，可以顺便发一下公司或者业务的介绍。
这里有个细节，打开介绍的舒适感：长图>小绿书>视频号>公众号>飞书文档>PDF 文件。
所以只有 PDF 材料的赶紧做个长图，球球了。
对于没深聊过的人，简单发段文字的介绍，配个长图并且说一声“有机会一起喝个咖啡”。
这时候通常对方都不会拒绝，直接聊上。
然后，给自己在微信上设个提醒，一周之后，得真的去约对方喝个咖啡，这时候成功率很高。
9️⃣
我以前是 ENFP，对于那时的我来说，社交是一个毫无顾虑的事情，我可以很丝滑地开启，没有心理卡点。
但印象深刻的是，那时候经常因为太过热情搞砸各种事情，看似很受欢迎，实际上常常让朋友和同事皱眉。
现在我自己成了 INTJ，社交对我来说，压力也不小。
但我感觉现在社交的成功率高多了，因为我把各种细节都琢磨明白了。
以前的社交勇气是性格天然，现在的社交勇气是努力复盘而获得的。
实不相瞒，后一种勇气，让我觉得更坚实，更有信心，比当 E 人的时候舒服多了。
最近密集和十几家 AI Startup 的 Founder 聊招聘需求，其中一家刚融完第二轮、估值 3000 万的 AI 出海团队，我问他们最想看什么样的人。
他们的回答很直接：
“两类。
第一类，懂点开发的产运；第二类，有丰富黑客松经验的；可以多多益善。”
我问："那你们看重大厂背景吗？"
Founder 的回答很克制，但很真实：
"我们看重 1-2 年大厂经历带来的基础工作素养，但如果是干了很多年的，我们其实不太倾向。我们有自己 AI-native 的工作方式，需要你能快速适应，而不是被大厂那一套给完全裹挟。"
这个回答让我想到很多来找我们聊机会的同学。
他们最常问的问题是：
"我没有大厂实习，我怎么证明自己？"
其实这个问题本身就问错了。
AI Startup 的 Founder 在意的是你有没有真正动手做过东西。
你 ship 过什么？
你在一个有约束的环境里，
有没有从 0 到 1 把一个想法变成现实过？
而黑客松，
恰好是验证这件事最低门槛、最高效的方式。
一场 48 小时的黑客松，你会经历：
从 0 开始定义一个问题、
快速搭出一个 MVP、
在压力下做取舍、
在陌生人面前 demo 你的想法。
这个过程里暴露出来的能力，
比一份漂亮的简历真实一百倍。
现在很多 AI Startup 的 Founder
本身就活跃在黑客松圈子里。
你在那里遇到的人，
很可能就是你下一份工作的 Hiring Manager，甚至是你未来的 co-founder。
如果你现在想进 AI Startup
却不知道从哪里开始，
我的建议很具体：
先去报一个黑客松。
不用等简历完美，不用等自己"准备好了"。
带着一个你真正感兴趣的问题去，找两三个互补的队友，
48 小时之后你对自己的了解，会比过去一年都多。
如果你是黑客松大佬，
欢迎带上作品联系我，
Bonjour 陪你一起找到有意义感的工作！
#AI求职 #产品经理求职 #找工作 #应届生求职 #bonjour #职场洞察 #找工互助 #黑客松
在Bonjour! 实习了一个寒假（现在因为开学转为线上志愿者灵活参与做点感兴趣的事情），现在小槐花来讲一讲故事啦（第一集）
始于Vincent上节目，讲述自己早期做项目的故事
后面得知即刻关注的一个大佬泛函老师也加入了
Bonjour! ，就更加有关注，但是一直只在各种黑客松活动的宣发中看到有Bonjour! 的logo
杭州的黑客松，偶然从朋友得知来Bonjour!摆摊的 工作人员居然有人做过恋综节目，印象深刻（后来得知她叫瑞祺），第一次个人比赛路演（面对那么多评委甚至还有线上直播），在结束后，这位瑞祺小姐姐向我递上来了两张卡片（配图），虽然已不记得当时具体说了啥，但感觉这次路演已然取得了“成果”。
后面比赛结束后回到家，刷朋友圈看到在招社区运营立马投了简历૮(˶ᵔᵕᵔ˶)ა，然后约了面试时间，
面试当晚，和Mouna（很巧的是都有在某家创业社区实习经历），不过聊了许久，聊到我为啥想要来这里，我说了对Bonjour！的几位故事的了解，谈到能够找做过恋综节目的人来入职真的太酷啦，再有就是我也想要看看00后是怎么样创业的，因为我也有一些小小的想法💡于是在展示了过往一些相关的经历和回答了几个问题后，得到了一个机会
后续是非常丝滑的入职体验（为桑总点赞，入职，开权限，发工资等都老省心了）
下一期会聊聊(„• ֊ •„)੭Bonjour！实习之旅有价值的收获。
第一次参加良渚的 Demo Day，被氛围拿捏住了。
落地窗外是绿油油的草地和随风摇曳的树枝，阳光透进来，室内 chill 到不行，大家三三两两自在交流，像一场没有剧本的思想漫游。
最记忆深刻的是奇绩校友 Iris 分享的应用出海干货，实打实的经验浓缩。更巧的是发现和k都做过类似的产品——我那时在周周松做了个叫 open-memory 的 Chrome 插件，初衷和 Chat Memo 很像。但人家早就落地开干，印证一句老话：
This world doesn’t lack great ideas — it lacks people who get things done.
Done is better than perfect.
完成，比完美更重要。
做猎头就是不断对人祛魅的过程
作为一个每天高密度和人打交道的工作经常看到一些很优质的候选人简历每次建联上了都会觉得很开心
比如，我这辈子从来没有想过会和美国某科技大厂的工程师产生一些链接，这个事儿说来很有意思，当看到对方简历的时候我第一时间就琢磨给人发邮件📩，码了一大篇邮件后佛系发出去，觉得对方应该大概率不太可能回我，等了几日后今早对方回了，成功建联！哈哈哈，宇宙应该是收到了我的信号
上午初步沟通完后，给企业做了推荐，还是觉得挺兴奋的，但是。正如标题所说，猎头是门销售生意，没有成交都是空谈。虽然人选超级优秀，但是如果不match企业的核心画像也是白搭。
光环之下，更多的是每一个真实的普通人。
现在对自己的职业有了更多的敬畏心。
For fun,for real
如何提升 taste？
我身边有一个人，豆瓣上标记了一千四百多条。电影、书、音乐、展览，什么都看。她能从任何一部作品里拆出方法论，告诉你导演为什么在这里剪一刀，作者为什么直到第三章才亮底牌。我很佩服她，但我没打算复制这条路径。
她从消费端观察世界，通过大量输入提炼自己的判断框架。这条路有效，只是成本很高。我的路径在生产端：在每个我关心的品类里，找到自己当下认为最好的那个，把它研究透，然后拿去造东西。
逻辑很简单：如果一个垂类里最好的东西都无法打动我，排名更靠后的内容通常也没有太大的研究价值。与其扫过前一百名，我更愿意把时间集中在第一名身上，单位时间内获得的信息密度会高得多。
问题是，当你还没有足够积累时，怎么知道谁是第一名？
答案是，一开始不需要选对，只需要选出自己最喜欢的那个。最初的判断就算只有 50% 或 60% 的准确率也够用，因为它只是一个初始值。真正重要的是选择之后发生的事。
你选了一个觉得最好的设计，真正用起来才发现哪里不舒服；你深挖一个最看好的竞品，才发现它在另一个维度上被完全压过；你做了一套自认为优雅的技术选型，上线后用户的行为告诉你判断错了。现实不断给出反馈，你不断修正下一次选择。
这个过程很像机器学习里的梯度下降。品味是一个持续训练的模型，初始权重来自直觉和偏好，损失函数来自现实反馈。你不断选择，承担结果，再更新判断。轮次足够多之后，模型逐渐收敛，你开始形成一套稳定的选择倾向。
这就是 taste。一个人在面对多个合理选项时，持续表现出来的选择倾向。
“多个合理选项”意味着这里没有标准答案。A 和 B 都成立，你却反复偏向 A。“持续”意味着一次选择只是噪声，跨项目、跨场景重复出现才成为信号。“选择倾向”意味着你可以完全理解每个方案的优劣，而 taste 决定了最后留下哪一个。
所以品味最重要的训练场在生产端。消费扩大你的可能性空间，让你知道世界上有哪些答案；生产逼你不断做取舍，因为一个页面最终只能落下一套设计，一个产品必须决定做什么和不做什么，一段代码最后也只能提交一个版本。
你写下什么、删掉什么、在三个方案里留下哪一个，这些选择会连成一条轨迹。品味就藏在这条轨迹里。
我很喜欢一句话：见世面，要去生产端见。
因为生产会让判断产生代价。觉得一个设计漂亮很容易，真正把它做进产品，你才会碰到信息层级、交互效率和实现成本；觉得一个功能聪明也很容易，真正做一遍，你才会承担工程复杂度、用户教育和长期维护。
生产会把“我喜欢什么”推进到“我愿意为什么付出代价”。后者才真正接近 taste。
所以快速训练品味的方法可以压缩成三个动作：选、拆、造。
选出你当下最喜欢的样本，不急着追求客观最优；把它拆透，理解每一个效果背后的选择和代价；然后亲手造东西，让现实检验你的判断。有效的选择被强化，错误的选择被修正，再进入下一轮。
广泛输入当然有价值，但你不一定需要先读几千本书、看几千部电影，才能拥有自己的判断。你可以选一个，研究透，自己造，接受反馈，再重新选择。
这个循环跑得足够多，你会逐渐拥有一套稳定的判断系统。
品味不是学来的，是造出来的。
被“全球最创新的大学” Minerva University 录取了 🤔
（想到 Bonjour 也有很多高中生，转过来同大家分享下。）
虽然 Minerva 在宣称的录取率上做了很 Tricky 的手脚，但不妨碍它是一所非常与众不同的学校，我会珍藏你的 Offer 的 🥹
不过，Bye Minerva 👋，我已经属于其他学校了～
ps. 总结一下吧，录取率和录取难度我觉得与宣传中不符，没有那么难，但考察的维度不太一样。Minerva 不需要你提交 AP/SAT/ACT/任何语言成绩（我也没有提交任何标化成绩），唯一需要的就是GPA。
但是需要写六个自己的活动（并且要求提供证明的办法，例如图片/链接/知情人的邮箱/有没有媒体&播客报道等），这一点非常好。
以及需要完成 Minerva 自己设计的六个 Challenges （就算知道题型也不可能准备），分别是：
1. Math（和 AP Stats/Calculus 毫无关系，靠数感的，例如一串数字让你选下一个是什么，20mins 完成十多道题）
2. Logical Reasoning，参考瑞文推理测验（难度差不多是高级版的瑞文推理测验 APM），这块时间是最长的，大概二十道题左右，不是任何既有题库当中的
3. Comprehension，类似于多邻国英语测试的阅读，只有一篇文章，ABCD 四个选项选择正确的，8-10mins 左右
4. Verbal Communication：四段录像，不同的问题（开放性的），看完录像有 10s 准备时间，然后1-2mins（具体忘了）来回答。
5. Divergent Thinking，给你一个词汇，让你去尽可能写出与这个词汇 **在任何意义上最不相关** 的词汇
6. Written，不是按照 TOEFL 的格式去写小作文，而是类似于给你一个开放性问题，让你“任意文字格式”回答，不要求写完整句子，论证充分即可。我当时回答的时候有标序号 1.,2.,3.,4.，以及用逻辑符，例如 A->B。
That's All! 因为这个测试方法实在是太有趣了，很符合认知心理学，所以特意整理了一下 🫡
虽然最后没选择这个学校，但我觉得有几点是 Minerva 很吸引人的地方：
1. AI 已经抹平了需要时间积累的技术性经验，因此观察和提出问题、批判性思考就显得极为重要，这恰好是 Minerva University 能够提供的；
2. 整个世界在右转是很危险的事情。Minerva 能够让一个人成为世界公民，看到不同地区的思维模式、行事逻辑，这也很重要；
3. 未来 Story-Telling 对一个人的影响会越来越重要，Minerva 能够让人编排出自己极为独特的故事。
供参考。
我为币圈有孙哥这样的人而感到悲伤。
三千万的彩礼官司、一封万字长文、A 股，币安里「景、田、晨」三个字都能被拆成概念炒出涨停。
这个行业好像正在把声量当成唯一的裁判——谁闹得响，谁就有流量；谁埋头做事，谁就活该安静。仿佛以后出了什么热点事件，就要上币安搜搜有没有同名的代币然后fomo，美名其曰注意力经济。仿佛谁越没有下限就越“孙学”，越成功。
真正让我难受的，是身边的两个朋友，一个月里先后被同一把火烫到。
一个是 Usmon，十六七岁，拿 Kotlin Multiplatform 写了 GitHub Store，四万五千用户、五千颗 star。有人蹭他项目的名字，在 pump.fun 上发了 $GITHUB。
币不是他发的，他也在 X 上把话说到最白：这与 GitHub Store、Kurikomi 无关，没有公司币，没有 ICO，将来也不会有。可他还是没能躲开。最后，他把那笔约九千美元的代币创建费，一分不剩，全额捐给了电子前沿基金会，链上可查。他说：「我没有创建这个代币，我也不会再碰加密货币了。」一个十六七岁的孩子，要靠捐掉九千美金来证明自己不是贼——这件事本身，就是这行的耻辱。
另一个是 Evelyn。不丹 Demo Day 之后，一笔 Meme 币的手续费莫名落到她名下，她「糊里糊涂」认了，从此成了全网嘴里的贪心。可她已经把话说清楚了：和 YZi Labs 无关，和 CZ 无关；这笔钱，她要捐给不丹，帮当地大学生找实习。
天天拿私人纠葛制造热搜的，资源滚滚；把自己项目当命做的人，却因为一笔碰巧砸到头上的钱，被围观、被羞辱、被架上火自证清白。这不是这个行业该有的样子。
所以我想说一句很朴素的话，也说给我自己：
不要随便认领不属于你的钱。它落下来的时候像天降横财，其实每一笔都暗中标了价——有的是名声，有的是清白，有的是一个人「再也不想碰这行」的决心。
也请管好自己的项目。今天被蹭的是 GitHub Store，明天可能就是你自己。在情绪跑得比事实还快的行业里，没人能靠运气一直干净。
而那些握着曝光权的人——平台、媒体、每一个按下转发的人——请少给闹剧一点掌声，多做实事的人就多一点活路。我们总得学会，把手电筒照向十年磨一剑的人，而不是把聚光灯喂给下一个只剩热词的盘子。
致被这个行业里的骗子影响到的人，这个行业欠你们一句公道，时间会替它还。