我买了 ChatGPT Pro 之后，才用没几天，有几个触动：

第一：仅仅从问问题后，它接任务时的表现看，它已经比很多工作者“聪明”了。

可以参见我的截图：

在接到任务后，有系统思考能力地快速分析，然后提出疑问要求确认重点，得到回应之后，复述要做的工作，确保目标一致——这就已经打败可能超过 90% 的人了（我都做不好）。

第二：DeepResearch 暂时还无法取代人，深入挖掘的能力有待提升。

举一个例子：我请它帮我做某个方向的调研，它给出的参考链接里，其实有许多在我原有认知之外的，比如有某机构 2021 年的业务报表，有相关政府部门 2022 年的数据。但是——它没办法意识到，我看到这些信息时眼睛一亮，然后沿着这些线索，挖掘更多信息和数据去了。

第三：付费刺激使用和思考（可惜这种刺激往往不持久）。

不菲的价格，会让我觉得，每天不问回 100 元票价都很亏。于是激发了我更多思考和提问。目前还不知道能持续多久，希望不止类似买相机、买手机那样的三分钟新鲜感。

第四：结合 AI 的阅读、学习很愉悦。

目前的大模型公司普遍是，人类给 AI 一堆资料，然后不需要人类阅读，人只需要问 AI，让 AI 吐出你想要的信息。在我看来，这种方式，存在很大问题。

阅读过程中的思考，然后提出问题，让你的脑子和你学习的资料、和 AI 互动，在这个互动过程中激发出更多灵感和创造力，得到属于人的 aha moment，这才有意思。

–

先说一下，Slax Reader 是个结合了 AI 能力的稍后阅读产品，可以免费使用，同时具备付费功能（毕竟要 AI 算力），只允许 Gmail 账号登录。

地址：https://r.slax.com，欢迎试试，也欢迎付费 ;)

开源了，也还是会收费的。

以下是正文：

–

前几天，我在群里发了一条：

讨论：如果 Reader 索性开源发布，大家会喜欢，还是担忧？为什么？

同事们的回复普遍比较积极。

Zhiqiang：

两者都有。

• 喜欢是没试过开源一整个项目，有机会尝试了。

• 担忧是光开源代码不够、还需要支撑，比如文档、issue 的处理、PR 管理这些。事情多了起来。咱开源除了表达一种态度，还希望能提供价值，仅代码的价值比较有限，支撑性的工作是蛮重要的一环。

总体上，喜欢 > 担忧。

Senwei：

总体来说我赞成开源

• 有部分用户是喜欢自己部署的，开源能吸引他们（omnivore 停服的时候看到了一些这样的用户）

• 开源大部分功能，一部分功能闭源（dify、lobechat 的策略）

• 开源让用户自己接模型，如果用得多可能是付费更省钱，如用 cursor 的开源替代，自己接模型比 cursor 月付费要贵  （cline 多聊几轮就 1 美元了，可能还没把功能改好，cursor 月费 20 刀）

Huanan：

喜欢 > 担忧 +1。

我再补充个担忧的点，市面上整个项目开源的产品也不少，部署难度（特指后端）会直接决定我们能够吸引多少小白用户，但是碰巧，我们选择的依赖 Cloudflare 的 Serverless 以及后端依赖项目过多，我们的部署难度其实挺高的。需要用户绑定 VISA 信用卡、开通各种各样的服务配置才能使用~

Junchang：

我这边的想法跟 Huanan 后面补充的差不多，就是目前项目如果要开源的话还是有点难度的，除了 serverless 那套我们还有个自己手动维护的 readability

我也记录我的想法，跟大伙儿讨论。

为什么开源

• 实践开源 。此前我们一直是嘴上说说，没有实际入局，现在有些精力和资源，有坑或者有利，我们不妨都尽力试试。

• 吸引社区贡献者和爱好者 。建设开源社区很有趣，我一直想试试。让我们有核心团队和松散的贡献者。

无论新人还是老手，在面对新产品选择时，都会犯错误。

拿我自己来说，最近两年，我启动过几个项目，还没有做成的，失败的倒有了一些。回过头看，如果在项目启动前就更加严谨地思考，以及参考成熟的思考框架，或许更好。

对小规模的技术创业团队而言，经典的创业框架或分析方法（比如完整的 Business Model Canvas、7 Domains Framework 等）会过于宏大。我们还小，不需要穷尽那么多维度，可以选择更聚焦和短平快的工具，帮助团队迅速验证想法、找到早期切入点。

精益画布

精益画布（Lean Canvas）就是一个这样的思考框架。它由 Ash Maurya 基于 Business Model Canvas 简化和重构而来，专门面向初创企业或小规模创业团队，包括了 9 个部分：

1. 问题（Problem）：需要解决的核心痛点是什么？

2. 客户细分（Customer Segments）：你的核心用户是谁？早期使用者是谁？

3. 独特价值主张（Unique Value Proposition）：你给用户带来的独特好处是什么？为什么你和别人不一样？

4. 解决方案（Solution）：用什么样的产品或服务形式来解决用户问题？

5. 渠道（Channels）：如何触达用户？怎么让他们知道并使用你的产品？

6. 收入来源（Revenue Streams）：你的盈利模式是什么？用户是否愿意付费，或者是否有其他可行的变现方式？

7. 成本结构（Cost Structure）：主要成本来自哪里？人力、服务器、营销还是其他？

8. 关键指标（Key Metrics）：哪些数据可以反映产品价值和业务健康度？（留存率、付费转化等）

9. 不公平优势（Unfair Advantage）：你或你的团队是否具备一些别人难以复制的优势？（技术专利、独家资源、特殊关系网等）

Lean Canvas 更适合小步快跑、快速迭代的团队，因为它聚焦于问题-解决方案和早期验证，而不是去做全盘、长期的商业生态考量。

其他几个朴素的问题

在创业画布之外，有些创业者经常讨论到的元素，也值得参考。

• 是不是高频：是不是像刷牙一样，每天早晚都要用的？

• 是不是足够痛：是被子弹击中的痛，还是被蚊子咬了的痛？

• 目标人群是不是够大：是大群体需要，还是极少数人需要？

• 是不是很挤：有没有非常多人在试图解决这个问题？

• 有没有机会从很小做起：是需要长时间构建一个大生意，还是可以有极小的版本？

• 有没有长期进化的空间：可以持续迭代很多年吗（坡够不够长）？

• 有没有飞轮效应：是不是每增加一个用户和内容，就能增强自己的能力和壁垒？

• 有没有网络效应：有没有机会像微信、Facebook 这样，用了就会传播，而且朋友在哪，你就会在哪，朋友用啥，你就会用啥？

• 我们对这件事有没有真正的热情：如果一年没起色，我们会不会放弃？如果不做，你有多难受？

不少 App 有个功能叫置顶，我常用的 Google Keep、微信读书都有。

我用 Google Keep 做临时记录。读书时看到一段有意思的话、开会时灵光一闪有个主意、朋友聊天听到有趣的想法等等，我会快速先记几个字，有时间时，再慢慢整理——有的觉得没意思了就直接删除，有的扩展整理成文后归档。这里置顶的，往往是我觉得比较重要，最好这一两天就处理的记录。

我用微信读书阅读（产品比 Kindle、得到等好许多）。日常有朋友推荐好书，或者读第一本书时，扩展搜索/问 AI 之后，延伸出了对第二、第三本的兴趣，我会把这些当下感兴趣的书收集了，都堆到书架。这里置顶的，是我觉得近期就会看的书。

但慢慢地，这两个产品的置顶功能，就被我搞废了——置顶越积越多，以至于从最初”置顶可以优先处理“，变成了”不置顶我就看不到了“。

所以这个假期，我对它们做了清理。

对 Google Keep，默认无置顶，如有置顶，当天做完。对微信读书，最多置顶 4 本书，要加一本，得先减一本。算是还了置顶本来面目。

减少置顶，就是做减法。

我这两个小例子，刚好证明了“想做的事太多”，反而导致困境。我身边不少事事积极的朋友，包括我自己在内，普遍容易遇到这个问题。通常情况下，我们的能力不足以支撑我们同时做多件事。

所以，虽然我想做的事很多，但真正重要的，得再认真想想，再仔细砍砍。

–

刚刚在 Twitter 看到 YC 发布了 2025 年春季的 # Requests for Startups——邀请创业者在这些领域尝试突破。链接是：

• https://www.ycombinator.com/rfs

我将内容快速整理分享。

安全的 AI 应用市场

• Garry Tan https://www.ycombinator.com/people/garry-tan

我们想要一个全新的 AI 应用商店和操作系统层，它可以运行在你的电脑或手机上，并且具备以下特性：

1. 保护用户数据：用户完全掌控每个应用可以访问的信息，例如日历、文件或浏览记录，只有在用户授权的情况下，应用才能获取这些数据。

2. 提供统一的共享记忆：所有个人信息（如偏好设置、过往操作、上下文）都存储在这一层，而不会分散在多个应用中，让体验更加连贯。

3. 帮助用户找到最好的 AI 应用：这个应用商店会对每个 AI 工具进行审核和评估，确保用户能够安全地发现并安装优质应用。

4. 帮助开发者构建应用：开发者可以获得基础设施支持，避免重复造轮子，API 简单易用，例如计算资源管理、本地 LLaMA 版本控制、应用级权限管理等。

5. 处理支付：让用户能够轻松购买付费应用或服务，降低支付流程的复杂性。

想象一下，一个旅行 AI 能够帮你找到合适的航班，并且知道你通常带着九岁的孩子一起旅行，而他最喜欢坐在窗边。又或者，一个 AI 助手可以在你阅读文章或书籍时，推荐某个想法最初出现的原始文本。基于这个 AI 应用商店构建的应用，只能访问你允许的少量数据，既能提供强大功能，又能保护隐私。

有人可能会说，大型科技公司最终会打造这样的系统。但现在正是一个独特的机会，你也许可以成为推动这一变革的人。

如果做得好，这将为初创公司和开发者创造更多机会：他们的应用可以利用共享记忆变得更智能，同时，这个平台还能解决应用的分发和变现问题，成为新的市场。

如果你正在开发这样的系统，请申请加入，我们希望帮助你把它做对。

数据中心

• Diana Hu https://www.ycombinator.com/people/diana-hu 和 Dalton Caldwell https://www.ycombinator.com/people/dalton-caldwell

我们需要更多数据中心，并且要能够更快建成、成本更低，以支撑 AI 发展的基础设施。目前的超大规模数据中心项目通常需要数年才能完成，而在当前的市场需求和资金支持下，我们需要新的公司和更具创新性的解决方案，以加速这一进程——无论是在电力基础设施、冷却系统、材料采购，还是项目管理方面。

我们可以想象未来的数据中心将是什么样子：软件将负责规划和建设数据中心或仓库的每个环节，从选址、施工到部署和运营管理，全部由自动化系统完成。这些数据中心将实现无人值守，由机器人 24/7 全天候自主运作，无需人工干预。

合规与审计

• Tom Blomfield https://www.ycombinator.com/people/tom-blomfield

在美国和欧洲，大约有 400 万人（约占总劳动力的 1%）从事合规与审计工作，而合规成本正不断上升。从 GDPR 到 Dodd-Frank，从金融行业的反洗钱（AML）/ 知识你的客户（KYC）要求到 ESG 报告，监管环境正在持续扩大。

传统的合规工作需要阅读大量复杂的法规，对照内部政策和流程文件，手动抽样检查一线工作，并撰写重复性报告。审计人员通常需要筛选大量非结构化数据来发现问题。这些手工、耗时的工作迫切需要自动化。

LLMs（大语言模型）在这方面表现出色。它们可以解析法规文件、企业政策或财务报表，并标记潜在问题，从而减少人工审核的工作量。这些工具可以自动化许多当前由审计员手动执行的测试，例如发现数据异常、识别不完整记录或指出矛盾的政策。