Posts for: #AI

用 AI 帮助思考。这是 AI 越来越聪明之后，我最主要的用法。至于效果，前段时间，我和同事们交流，我略带兴奋地告诉他们：我觉得我变聪明了。

但是我也观察到有人掉进陷阱，主要有这么几种情况：

1. 一句话询问。把 AI 当成可以理解语义的搜索引擎。

2. 只用 AI 解决问题。忘记了我们有丰富的工具。

3. 问过当作已消化吸收。比如 AI 做的 Deep Research 报告，我猜很多人只是快速扫一眼，就“放着以后看“，实际上永远不看了。

昨天合伙人 Shotgun 在公司的知识星球里发了篇文章——大语言模型说：我可以提供“高质量的回答“，前提是有“高质量的问题“。他举了好些例子帮助理解：

 原则：

 - 原则一：第一次提问要尽可能开放，只说需求，不说具体解决方案。

 - 原则二：通过问题链，通过学习大语言模型的回答，让自己的提问越来越专业，越来越细致，从而得到更高水平的答案。

 - 原则三：通过事实检查和双重检查，核实推理过程和回答的准确性。

 原因：

 - 大语言模型，我理解其本质是一个预测器：根据用户输入的内容，来从概率上预测随后的内容，由于通用的大语言模型使用大量的文本进行训练，文本质量良莠不齐，所以输出内容质量非常依赖于输入的内容质量，用户输入的内容越专业、越准确，大语言模型预测出来的内容就越“聪明“。

 - 反驳或者让大语言模型重新认真构造答案，本质上是给之前的普通回答进行降权，而给专业回答进行提权，类似于对大语言模型说：“我不希望你用一些科普的东西糊弄我，我希望看到专业的回答”、“你是一名通讯行业的专家，从你专业的角度来看：”，这时大语言模型检索的重点就会进入专业领域，而非科普，当然就更容易得到高质量的回答。

 - 问题链则是更精确进入专业领域的方式，通过提问-学习-再次追问的模式，由提问者和大语言模型共同思考、讨论，来得出更高质量的答案。

 - 问题链能起作用的另一个原因是：很多复杂问题并不存在现成的答案，虽然推理模型一定程度上，也可以组合内容来得到复杂问题的答案，但如果通过分解问题来让提问跟现存的答案更接近，显然可以提高回答的速度和质量。

祝你能在 AI 的帮助下变得更聪明。

–

1. 看到 Manus 演示之后，AI + 电脑 + 权限，AI 开始使用工具——走出了从猿到人的这一步。而且相较 Devin、OpenHands 这些产品，他们做得更简单，一下子让 Agent 易于理解了。虽然我本来就用过 OpenAI 的 Deep Research、Operator，还是觉得有突破。

2. Manus 的完成度很高，而不仅仅是粗糙的 MVP——可能也是因为此前 Monica 做了很多扎实的积累。举一个有助于传播的产品设计例子：学习了 DeepSeek，把思维链、操作链放出来了——以及最后的结果。所以每一次执行，都能有传播可能性。再举个技术的例子：他们的图像搜索做得也不错（相比之下，很多知识库产品的图像理解、搜索都有问题）。

3. 我还挺喜欢比如即刻这家公司（他们还有小宇宙），或者 Monica 这家公司（他们还发布了 Manus），他们怎么创新的？我们怎么才能从机制上、精神上有创新？

4. 我的第一反应是羡慕，或许还有一点点小嫉妒。Manus 离我们更近，我们似乎也能做，但为什么不是我们？什么限制了我们？导火索之一就是 Manus。我们如果想要有一个什么事情是全国第一，全球第一的话，应该是什么？我们缺了什么？想象力？野心？基础能力？算力？资金？热情？全力以赴？年轻？

5. 听了张小珺采访肖弘的播客后，觉得他们确实很优秀，比如：时机抓得很准（对“套壳”的理解和趋势、提前量、时间窗口的理解），敢决策（比如卖掉公司，比如快速收购），产品感非常好（讲到的一些激发他灵感的时刻），找夹缝（清晰地认识到自己的优缺点，寻找同行可能的缝隙），全情投入（只有工作而没有 work life balance，连续几年春节都在工作）。

6. 认真想想，我对通用 Agent 的判断，可能还是不会做——我内心还是觉得它挡在了大厂必经的路上。这里面的时间窗口和夹缝很可能不够。但，也可能这只是我的热情和勇气不够而已。记录一下，让我们看看半年、一年后的发展。

7. 佩服 Manus 团队，祝福。

前段时间，顾小北问我：

有没有想过，知识付费的出路在哪里？

或者都直接AI了，大部分的自媒体是会更多还是更少了？

或者说，付费的人群是更多更少？

这个话题应该也和星球有关系吧？

要怎么升级？

能报名星球的，大部分都是因为个人IP，所以关系是有的。虽然是关系，但是也是内容，如果内容都可以随便拿，再好的关系，也变弱了。过去我们人和人的关系是靠内容，觉得你不错，我就付费。现在我和你关系还是很好，内容却随处可以拿，一旦到真金白银的时候，这个关系是不是弱了很多？

坦率地说，这些问题，我没有答案。最近打算和同事们对齐 2025 年的目标，做准备时，我还提了一嘴：我有些担心 AI 会彻底打翻内容、付费社区产品，所以我们需要加快探索。

这里记录对这个危机感的一些碎片想法：

• 在 ChatGPT 刚刚出来的时候，哪怕去年，我都还没有这种紧迫感。但是 DeepSeek 一下让 AI 普惠、破圈了，让我觉得，AI 进入每个人的手机这件事，正在发生。

• 绝大多数用户分辨不出 AI 创作的内容和人创作的内容的区别——很有可能，一段时间之后，也不再会有区别。我隐约觉得，就像有人觉得胶片拍出来的照片质感好，有人觉得黑胶唱片效果好，有人觉得有价值的画就该画在画布上，但这不妨碍数码照片、数码音乐、电子绘画成为主流。如果这样，是不是很快，AI 内容会成为主流？

• 如果内容创作被 AI 占据，那么用户们是不是就不会追随某个创作者了？更不会为之付费了？皮之不存，毛将焉附——知识星球这样的付费社区，是不是就会有很大危险？

我目前隐约设想的解法是，让知识星球成为真人的，真诚的互动社区。这里有人味。大家付费进来，是跟人交流。

如果仅仅要一个答案，大家会直接问 AI 了。

你有什么解法可以教我？

–

这篇是我创业笔记第 810 篇。

这两天的几场聊天，记一些讨论到的信息。

1. “每一次大的收敛，都会带来大的机会。比如手机，把照相机、MP3、打字机、书、手电筒、闹钟、手表、信用卡、DVD、电影院、游戏厅、秘书……都收敛到一起，就是很大的机会。AI 眼看也带来了巨大的收敛。”

2. “能不能让同事们迭代更生猛、讨论更兴奋，不是为了完成任务，而是寻找突破口，努力找到光。”

3. “开会的时候，产品、研发和运营坐在一起讨论产品。我们这次是——面向大模型开发，产研直接数据丢给大模型，大模型根据 prompt 处理成 json 返回，UI 呈现完事。这时改需求，反而是运营急了——需要改写、测试很多 Prompt。我意识到，现在的开发模式变了。”

4. “大模型把世界压缩进了模型。我们需要学习的是怎么调用它，怎么问合适的问题，让它们把合适的答案无损地解压，交还给我们。”

5. “现有的成熟的知识都不该做了，应该做那些 AI 得不到、学不会的东西。AI 压缩世界的过程中，是能腾出更大空间的。比如：是不是大家不用卷，都有钱谈恋爱了，就有很多爱情——这个 AI 应该还学不会”。

6. “现在芯片厂商挣了最多的钱，然后是云计算厂商，然后 Apps 最少。这个结构应该要倒过来，才是健康的，就像云计算那样。Apps 挣最多——解决了真实世界的问题，然后是云计算厂商，然后才是芯片厂商。”

7. “如果你担心模型进化会把你做的东西吞掉，那你大概率做错了。如果你对模型的进化极其兴奋，模型越聪明，你能实现得越好，那你有可能做对了。”

8. “Chatbot 可能不是对的交互模式。想想 Dos 时代的 C:\ 然后一闪一闪的光标——其实就是个对话。然后更自然的是图形界面、鼠标。AI 时代的图形界面会是什么？”

9. “知识星球里，最重要的是人味。我们当然要借助 AI 的力量，但是要能增强互动。都是 AI 之后，真人社区更加珍贵。知识星球必须是真人社区——我们可能要用 AI 帮我们干掉 AI 生产的内容。”

10. “在知识星球里，AI 可以促进内容消费——做更好的推荐。也可以提升星主效率——比如帮助分析转化率最高的星球，分析为什么他们的星球转化率高，帮星主们挣更多钱。”

–

• The Innovator’s Method - Bringing The Lean Startup into Your Organization
• Zero to One
• Breaking Twitter
• 麦肯锡方法
• Unwind
• What I talk about when I talk about running
• The Innovator’s DNA
• Five on a Treasure Island

看了一部分但没看下去的：

• 堂吉柯德
• 真需求
• What They Forgot to Teach You at School

推荐的有：

• The Innovator’s Method - Bringing The Lean Startup into Your Organization
• What I talk about when I talk about running

此外看过的的 pdf：

• Training language models to follow instructions with human feedback
• DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning