随笔

亨利·福特说：“我问人们想要什么，他们说要一匹更快的马。“但福特真正的天才不是发明了汽车——他发明了生产汽车的系统。没有装配线，T 型车只是另一辆昂贵的实验品。Launch 阶段的核心任务，是把创始人从"T 型车"变成"装配线”。 创始人成为瓶颈的那一刻 The Founder’s Playbook 描述了一个每个创始人都会经历、但很少提前意识到的时刻：你不再是公司的加速器，你成了公司的限速器。 信号很具体。本该一小时的决策，现在要排一周才能轮到你；支持请求在堆积，因为只有你知道答案；运营任务只在你记得做的时候才发生；产品路线图卡在你这里，因为所有重要决定都要过你的手。 在 Idea 和 MVP 阶段，创始人在每个循环里是一种资产——你需要全局认知和紧密反馈循环。但到了 Launch，支持量在涨，产品在变复杂，运营在膨胀。那种"我亲自盯着"的习惯，开始反噬。 这不是一次突然发生的转变，更像温水煮青蛙。某天你突然发现，公司不在"因为你而快”，而在"因为你而慢"。 全面审计：你在忙什么 The Founder’s Playbook 的解法很直白——把你亲自在处理的每件事，从最小任务到最高风险决策，全部列出来。然后分三类。 第一类是可以系统化的：CRM 更新、周报生成、用户外联排期、bug 分类。它们有明确触发条件、决策规则和输出格式，是 AI 工作流自动化的理想对象。先动这些。 第二类是需要人但不一定需要你的：某些支持请求、代码审查、内容审核。这些需要人的判断，但不需要创始人的判断。可以委托给团队成员，或者让 AI 辅助一个初级处理流程。 第三类才是真的需要创始人的：产品叙事决策、董事会关系、战略合作、创始人对创始人的对话。这些需要你独有的上下文和关系，没人能替。 分类完之后，用 Claude Cowork 设计自动化工作流的逻辑：什么触发、什么规则、输出是什么、完成后去哪里。这一步看着琐碎，但它是后面一切的基础。 技术债的系统性清理 Launch 阶段另一个紧迫任务是处理 MVP 阶段攒下的技术债。 MVP 时期，一些技术债是合理的——你拿代码质量换了速度。但到了 Launch，这些债开始产生利息。生产流量在涨、新功能在叠加、代码库在膨胀，那些"以后再说"的捷径，现在成了结构性负债。 The Founder’s Playbook 给了三步走的建议。先用 Claude Code 做一次完整的架构审计，找出脆弱处、维护成本高的捷径、测试覆盖不足的区域。然后把审计结果交给 Claude 做优先级排序——什么必须在下次发布前修，什么可以等一轮 sprint，什么是当前阶段能接受的持续债。最后，把 MVP 阶段脑子里的架构决策写进 CLAUDE.md——那些当时没时间写下来的决定，现在该落地了。 这一步我自己的体会是：写下来这件事，比审计本身还重要。审计是发现问题，写 CLAUDE.md 是把"为什么这么决定"固化下来。下次新人或者 AI 接手时，不用再去猜你的意图。 安全与合规：不再是可选项 MVP 阶段，安全漏洞是理论风险——你的用户是 beta 测试者，没有敏感数据在生产环境里跑。 到了 Launch，情况变了。你的产品上有真实用户、真实数据，可能还有企业合同在谈。合规要求也一样——处理客户数据、处理支付、卖到受监管行业，这些都不再是"未来的事"。 书里的态度很直接：在规模到来之前，而不是之后，做一次系统性的安全和合规审查。 把所有发现当作必须修复的项目，不是建议。 ...

1947 年，飞行员肯尼斯·阿诺德在雷尼尔山附近目击九个碟状物体，“飞碟"一词从此诞生。但大多数 UFO 报告最终都被证实是气象气球、金星、或光学错觉。数据不会说谎，但对数据的解读会。 创始人最容易对自己撒的谎 产品市场契合（Product-Market Fit，PMF）大概是创业里最被滥用的词。每个创始人都在找它，但说实话，很多人找到的只是它的影子。 The Founder’s Playbook 给的定义反而很克制：一个特定、可识别的用户群体，发现你的产品有价值到足以回来用（留存）、付费（收入）、或告诉别人（推荐）。三个条件满足其一就行。 问题就出在"其一"上——这三个信号，每一个都能被伪造。 三种假阳性 最常见的假阳性是注册涨、激活没动。用户来了、注册了，但从未真正用过产品的核心功能。你打开后台，注册曲线昂扬向上，活跃曲线却像一条死鱼。这种情况在有强外联驱动的产品里尤其多见——创始人人脉能拉来注册，但拉不来留存。 收入也是个大坑。用户付了一个月的费，第二个月就走了。这事在解决一次性需求的产品里几乎是标配——报税、年度合规检查、一次性数据迁移。用户掏钱那一刻你以为是 PMF，其实只是一次性需求被满足了。一次性收入和持续收入之间那道缝，就是假 PMF 和真 PMF 之间的距离。 但最伤人的，是访谈里的热情。用户当面说"这产品太棒了”，第三周就不来了。说出来的喜好和实际行为之间，有一条巨大的鸿沟。斯坦福行为设计实验室反复证实过一件事：自我报告的行为，预测力接近随机。 这句话我每次读到都觉得像被扇了一巴掌。 从"推"到"拉" The Founder’s Playbook 给了一个更本质的判断标准——你的产品是在被你"推"，还是在被用户"拉"。 PMF 之前，留存全靠你干预。频繁外联、给激励、创始人亲自盯，所有的留存都是你"推"出来的。就像推一辆没发动的车，你一松手它就停。 PMF 之后，产品开始自己做这些事。用户自己回来、自己摸索新功能、自己告诉朋友。这时候你松手，车还在走——它有自己的发动机了。 这个转变很难量化，但你能感觉到。某天你发现自己不再需要每天发邮件求用户使用，用户开始主动给你发功能请求，自然增长（而非付费增长）开始占比上升——这些信号叠在一起，就是 PMF 的证据。 衡量框架：在用户来之前建好 上一篇文章提过这个原则，但值得展开。 The Founder’s Playbook 的建议是：在第一个用户进来之前，就定义好你的衡量框架。我倾向于把这件事看得比"写第一行代码"还重要——因为一旦数据开始流，你就来不及冷静定义"什么算好"了，你会被数字推着走。 具体要做的几件事，先说留存基准。Day 7 留存多少算合格？Day 30 呢？这数字因产品而异——社交工具和 SaaS 的基准天差地别。但你必须给自己一个数字，否则"好不好"永远是一个情绪判断。 然后是激活标准。注册不算数，完成第一次核心工作流才算。AI 写作工具可能是"生成第一篇文章并导出"，CRM 可能是"导入联系人并创建了第一个 pipeline"。这个标准要硬，不能事后改。 最后——也是最容易被忽略的——是预设"假阳性"模式。注册了但没激活、付费了但没留存、初始热情但没有重复使用。当这些模式出现时，你的框架应该能自动把它们标红，而不是让你事后拍脑袋回忆。 用 AI 做对抗性分析 数据进来之后，The Founder’s Playbook 建议让 AI 对你的 traction 做一次 adversarial 分析——让它扮演最严厉的怀疑论者。 “这些注册数字里有多少是创始人的朋友？” “这个留存率在同行业里算什么水平？” “如果去掉前两周的外联推动，自然留存是多少？” 这些问题你自己其实也能想到。但问题在于，创始人天生有一种倾向——把好消息当证据，把坏消息当例外。我自己写过几年量化策略，对此深有体会：人一旦对某个结果有情绪偏好，“客观分析"就开始失灵。AI 没这个偏好。它不会因为这是你的创业公司就对你温柔。 ...

河南，高考放榜。 一个叫韩雅平的女孩查到自己的分数：699。物理类。这个数字意味着清华和北大的招生办会在同一天把电话打到她家里。 她的家在河南农村。家里有个妹妹，母亲患强直性脊柱炎，常年卧床，父亲务农加打零工撑起整个家。她从小没上过补习班，高考之前甚至没有自己的手机。699分，是一盏在没有补课、没有陪读、没有任何外部资源加持的屋子里，靠自己一页一页熬出来的灯。 清华和北大同时向她伸出手。她在工科和医学之间犹豫过，最终填报了清华大学的卓越医师-科学家（卓医班）。原因朴素，也沉重——她希望未来在强直性脊柱炎等疑难杂症的研究中做出贡献。这门病，就长在她母亲的脊柱里。 志愿表传到网上，评论区炸了。替她惋惜的、替她着急的、替她规划人生路线的，比比皆是。主流声音惊人地一致——“千万别学医"“应该学工科"“应该选人工智能"“这个家庭条件学医沉没成本太大了”。 这让我想起一句话：**成见就是人心中的大山，任你怎么努力都搬不动。**只不过这一次，山不在那个18岁女孩心里，而在替她操心的网友心里。 大家帮她出主意的时候，总以为是她的认知不够。可有没有一种可能——是网友自己的认知不够？ 网友在吵什么 把评论区的声音归一归，大致三类，而且每一类都有"过来人"在背书。 第一类：“这分数学医太可惜，应该去工科。” 一位广东网友的留言被广泛转发：“她最适合学工科，好就业，赚钱快，人工智能AI方向，现在国与国之间竞赛，大有可为，或者学通信工程也行。“还有人说得更直白：“这成绩学通信电子之类热门专业，毕业年薪30万起，有个七八年能年薪百万，这才叫改变命运。学医还是科研方向，这辈子都是穷打工的。” 这套逻辑里，高考分数是一种"货币”，699分这么"贵”，就该买回报最快的专业。听起来务实，但它有一个盲区：它假设所有人都把"尽快赚钱"当作人生第一目标。 第二类：“学医周期太长，寒门耗不起。” 这一类声音里，有一位广东医生的长留言，读起来格外沉重：“又一个状元学医了，唉，看到这则消息我心挺痛的！因为我也是穷人家的孩子……以为学医是个终身安稳的铁饭碗……然而全是泡影，自己活得乱七八糟，更没工夫管生我的和我生的！像这个状元这种家庭，学医的沉没成本太大了！大概率，子欲养而亲不待……没权没势，少学医！” 还有网友算了一笔账：“8年本博，必加3年规培，30岁了。““35岁才开始算正式有点回报，本硕直博规培还有个好导师一路畅通才到现在。” 这些担忧是真实的，来自真实的医生、真实的生活。但它们都建立在一个前提上：**她学的是传统临床医学，走的是传统医生晋升路线。**可她报的不是普通临床医学——这一点，我后面会详细讲。 第三类：“清华医学不行，要学医该去北大或协和。” 一位北京医生说得最直白：“清华自己的医学院很拉胯，协和现在跟清华离婚了也拿不到清华的双证。真要学医去北大医学部，好歹正经北大，医学院里也是top2……这个分去清华医学院，讲真的可惜了！“评论区里"工科清华，医学北大"的说法反复出现。 这一类至少触及了一个真问题：清华医学的底子到底怎么样？但结论下得太快了。要回答这个问题，得先把清华医学和协和的纠葛理清楚。 清华医学、协和、卓医班：一团需要拆开的线 很多人的困惑，来自"清华医学"这四个字背后的历史。 2006年，原中国协和医科大学更名为"北京协和医学院（清华大学医学部）"，教育部和卫健委签署了清华与协和紧密合作的协议。从那年起，协和的临床八年制学生通过清华招生。换句话说，你报清华的临床医学，拿的可能是协和的文凭——这是很多人对"清华医学"好印象的来源。 **但两家最终没有合并。**2009年起，清华开始独立发展自己的医学院，开设了八年制医学实验班。协和和清华的合作至今仍在——通过清华招生的协和八年制学生，毕业能同时拿到清华和协和两份证书。但清华自己办的医学项目，和协和是两回事。 **而韩雅平报的卓医班，正是清华自己的项目，和协和没有关系。**梅斯医学在评论区专门澄清过：“不是哈，她这个卓医班和协和没关系，就是清华自己的。” 所以问题变成了：清华自己办的"卓越医师-科学家"班，到底行不行？ 卓医班，到底在学什么 这是这篇文章最想讲清楚的部分。因为大多数争论，源于信息差——人们拿自己对"学医"的全部想象，套在这个专业上，然后得出"可惜"的结论。 卓医班的全称是**“卓越医师-科学家”。注意这个词的构成：不是"医师”，是"医师-科学家”。它培养的不是传统意义上"背解剖、考执医、进科室"的临床医生，而是医师科学家（Physician-Scientist）**——既能上临床，也能进实验室；既懂疾病的表象，也追它的根源。 医学+科学+工程 清华做医学有一个别人没有的先天优势：它的工程和基础科学是世界级的。这意味着卓医班的学生，从第一天起就站在一个交叉路口上。 基础阶段，他们学的不是"医学生版"的生化物理，而是和清华理工科学生一样深度的数理化生。细胞生物学、分子遗传学、生物化学——这些课程由清华生命科学学院的力量支撑，深度远超普通医学院。一个卓医班的学生，在实验室里用到的数学建模和数据分析能力，和计算机系的学生没有本质差距。 临床阶段，他们要完成系统的临床医学训练——内科、外科、妇产、儿科，一样不少。但区别在于，他们不只是学"怎么治”，而是同时追问"为什么这样治"“还有没有更好的治法”。每一个临床病例，都可能是一个科研问题的起点。 科研训练，这才是"卓越"二字真正的分量。从本科阶段开始，学生就进实验室，参与真实的科研项目——可能是自身免疫疾病的发病机制（强直性脊柱炎就属于这一类），可能是医学影像的AI辅助诊断，可能是基因编辑在遗传病中的应用。他们不是在"参观"科研，而是在"做"科研。几年下来，发表的论文、掌握的实验技术、建立的科研思维，足以让他们在任何一流大学的博士申请中具备竞争力。 跨学科不是口号 今天医学最前沿的突破在哪里？AI读片比放射科医生更快，基因测序让精准医疗成为可能，脑机接口让瘫痪患者重新行走，合成生物学让药物可以被"设计"而非"发现”。**这些突破没有一个是由传统临床医生单独完成的。**它们需要既懂医学问题、又懂技术手段的人——而这正是卓医班要培养的人。 一个只会写代码的工程师，不知道哪个临床痛点值得解决。一个只会看病的医生，不知道技术能帮他做什么。站在中间的人，价值最大。 七年本博，然后呢 回到网友最担心的"周期长”。卓医班的路径设计，恰恰回应了这个焦虑。 它不是"五年本科+三年硕士+三年博士"的传统马拉松，而是本博贯通——让学生在七年左右完成从本科到博士的系统训练。当同龄人还在考研大军里厮杀、在申博焦虑中煎熬时，这条轨道上的学生已经在稳步前进。 网友说的"8年+3年规培=30岁”，其实混淆了两件事：卓医班的本博贯通，和传统临床医学的规培。一个以"医师-科学家"为培养目标的项目，科研训练本身就嵌在博士培养里，和单纯"读完书再去规培"的路径不是一回事。临床执照和规培的要求仍然存在，但卓医班的设计初衷，是让你在科研和临床之间并行推进，而不是串行排队。 七年拿到博士学位，在医学领域不算慢。传统路径走完同样学历往往要十年以上。这条轨道的"无后顾之忧”，不只是时间上的，更是心态上的：你不需要在每个分岔口重新竞争、重新焦虑，可以把全部精力放在真正的学习和研究上。 出国深造，天然顺路 卓医班的科研导向，让出国深造几乎是一条"自带的路"。 医师科学家是全球医学科研界最稀缺的人才类型。美国NIH多年来一直在喊"医师科学家危机"——临床医生不做科研，科研人员不懂临床，中间断层越来越大。一个在清华接受了系统科研训练、有临床医学背景的中国学生，在哈佛、约翰霍普金斯、斯坦福的实验室里，是抢手的。 清华医学院本身就和国际一流医学机构有合作与交换渠道。一个有心出国深造的卓医班学生，他的简历——临床训练+科研论文+交叉学科背景——在国际申请池里极具竞争力。 那个最被忽略的细节 评论区里几百条留言，争论沉没成本、争论清华北大、争论工科医学，但有一条信息始终被轻轻带过——她选医学，是因为她母亲的病。 强直性脊柱炎。一种慢性炎症性疾病，主要侵犯脊柱和骶髂关节，晚期可能导致脊柱完全融合，被称为"竹节样脊柱"。她的母亲常年卧床，就是因为这个病。而韩雅平说，她希望在这类疑难杂症的研究中做出贡献。 那些劝她"去学AI、毕业年薪30万"的网友，有没有想过一件事：**她母亲的病，不是年薪30万能治好的。**有些选择，不是因为"不懂现实"，恰恰是因为太懂现实——她每天看着母亲躺在床上，比任何网友都更清楚疾病意味着什么。她选医学，不是"被理想冲昏了头"，而是在自己能力所及的范围内，选了一个可能离母亲的病最近的方向。 一位江苏网友的留言，是评论区里少有的清醒声音：“人家只是家里穷，但是家里并没有要她负担什么，只是让她学自己喜欢的。并不是所有家里穷就一定要让孩子快点挣钱回血。而且她母亲这个病还真不是有钱就能看的，她为了理想、为了科研，而且她也有这个能力，为什么不能支持她？她能有这个分就是能够努力也有毅力，为什么大家都不信她呢？到底怕的是她不行，还是自己如果是她就不行？” 最后那句话问得好：到底怕的是她不行，还是自己如果是她就不行？ 站在当下看未来，意义不大 说句实话，我当年报志愿的时候，也被同样的局限困住过。 那年我的分数不算亮眼，填志愿时选了一堆电子和工程方向，尤其是当时最红火的土木工程——那是基建狂飙的年代，土木就是"钱途"的代名词。结果阴差阳错，被平行志愿里的计算机专业录了。你说当时计算机有多吸引人？远没有今天这副模样。那年头大家觉得学计算机就是去修电脑的，亲戚听说我学计算机，第一反应是"以后帮我装个系统"。 后来的事，大家都知道了。互联网起来了，移动互联网起来了，计算机从"修电脑的"变成了"改变世界的"。当年那些挤破头进土木的同学，如今不少在行业下行里苦苦支撑。而我这个阴差阳错进了计算机的人，反倒吃到了整整两波时代红利。 我讲这段不是炫耀。我想说的是——**眼前觉得AI好，和当年觉得土木好，是同一种视角：站在当下看未来。**你用今天的行情去押七年后的宝，押中的概率，其实没那么高。 那些劝韩雅平"去学AI"的网友，和当年劝我"去学土木"的长辈，本质上做的是同一件事：**用自己此刻的认知，替别人规划未来。**区别只在于，当年长辈们押错了，而这次网友觉得自己押对了。可当年长辈们也觉得自己押对了。 所以，与其替别人预测未来，不如承认一件事：**我们看到的"最优解"，往往只是此刻视野里的最优解。**七年后什么专业吃香，谁也说不准。但有些东西是可以说准的——一个在清华平台上、接受医学与工程交叉训练、有科研能力也有临床视野的人，他的选择空间只会比今天更大，不会更小。 那座山，到底挡住了谁 网友说"699分报医学太可惜"，潜台词是医学的回报配不上699分。但这个判断建立在一个过时的认知上——他们脑子里的"学医"，是五年本科毕业进县医院值夜班。他们不知道医师科学家是什么，不知道卓医班的交叉学科布局，不知道本博贯通的路径，不知道这个专业出国深造的顺滑程度。 网友说"应该报计算机或AI"，潜台词是当下最赚钱的专业就是最好的专业。但我自己的经历已经说明了——**站在当下看未来，意义并没有想象中那么大。**七年后AI领域会是什么竞争格局？计算机的就业会不会饱和？没有人知道。但有一件事确定：无论技术怎么变，人总是会生病，医学总是需要突破，而站在医学和技术交叉点上的人，永远稀缺。 网友说"清华医学拉胯，应该去北大"，这话有历史背景，但结论太草率。清华医学确实年轻，协和确实更强——但卓医班的价值不在"清华医学的历史积淀"，而在"清华工程+科学的资源嫁接到医学上"这种独特结构。北大医学部的临床底蕴更深，但它能给一个学生提供清华级别的工科交叉平台吗？这是两套不同的牌，不是简单的"谁强谁弱"。 每一个"可惜"的背后，都藏着一片认知的盲区。 最讽刺的是，这些网友帮助韩雅平的姿态是居高临下的——“孩子，你还年轻，不懂。“但事实上，一个能考出699分、在工科和医学之间认真权衡过、因为母亲的病而选定方向的考生，她对卓医班的了解，大概率比评论区99%的人都多。她不是认知不够，她是认知够了之后，做出了一个不符合大众预期但符合自己判断的决定。 成见的代价 我不是说卓医班一定比计算机好。世界上没有"一定好"的专业，只有"适合"的专业。 我也不是说劝退的医生在撒谎。他们的痛苦是真实的，走过的弯路是真实的。但一个人的弯路，不能成为另一个人的判决书。同一个行业里，有人活得乱七八糟，也有人找到了自己的位置——区别往往不在行业，而在个人。 成见最危险的地方，不在于它让我们说错话，而在于它让我们确信自己是对的。一个觉得"学医=亏了"的人，不会去查卓医班的培养方案；一个觉得"AI=未来"的人，不会去想七年后AI人才市场的供给曲线。成见把探索的门关上了，然后把门外的世界当作全部。 韩雅平用699分和一份志愿表，做了一件很多成年人做不到的事——**在一片喧嚣中，听自己的。**她评估了方向、前景、路径，然后选了一条人少但可能更对的路。 这不叫可惜。这叫清醒。 ...

希腊神话中，奥德修斯在塞壬女妖的海域航行时，让船员用蜡封住耳朵，把自己绑在桅杆上。他听到了歌声，但无法偏航。MVP 阶段，你需要同样的自律——听到"快"的歌声，但不被它带偏。 速度是一把双刃剑 上一篇文章我们讲了如何从 CLAUDE.md 开始构建产品。现在假设你已经有了架构文档、范围文档，代码开始跑起来了。 然后速度来了。 Agentic coding 工具让"构建"变得前所未有的快。一个功能从想法到上线，过去要一个 sprint，现在要一个下午。这种速度让人上瘾——你开始觉得"再做几个功能"、“再处理几个边缘 case”、“产品再完善一点再发”。 The Founder’s Playbook 把 MVP 阶段的核心矛盾归结为一句话：AI 保证了速度，但速度本身成了最大的风险。 接下来要说的四个暗礁，都和这个矛盾有关。 第一个暗礁：Agentic 技术债 普通技术债是可以管理的——你欠了，但知道要还，可以在某个 sprint 里集中清理。 Agentic 技术债不一样。它会累积。 原因在于：没有写下来的架构约束，每个 AI 会话都从头推导基础决策。这个会话决定用 REST API，那个会话决定用 GraphQL；这个会话把用户认证放在前端，那个会话把它放在后端。每个决策单独看都合理，但它们合在一起——代码能跑，但背后没有一个连贯的心智模型。 这就像让十个厨师各自做一道菜，但没人告诉他们这是同一桌宴席。每道菜单独吃都没问题，但放在一起，口味冲突、温度不一致、上菜顺序混乱。 The Founder’s Playbook 的建议是：在 MVP 阶段就保持 CLAUDE.md 的更新。每个会话结束，花五分钟记录这个会话做了什么决策、引入了什么假设。这不是文档洁癖，是防止你的代码库在第六个月变成一团只有 AI 能读懂的意大利面。 第二个暗礁：假产品市场契合 这是最危险的暗礁，因为它看起来像陆地。 发布产品的那一刻，是创始人最脆弱的时刻。几周的验证、几个月的构建，终于有了一个能跑的东西。你的朋友来试用，投资人介绍的潜在买家来试用，一条 Hacker News 头条带来一波流量——早期数字看起来不错。 但早期 traction 不等于产品市场契合。 Launch 能量来自短暂的、外部的助推力。真正的产品市场契合是一个模式——它必须在多个迭代周期中持续成立，才能被确认。 书中提到了 Sean Ellis 测试：问你的活跃用户"如果你不能再用这个产品了，你会感觉怎么样？“如果超过 40% 回答"非常失望”，这是一个有意义的信号。 但更根本的检验是从"推"到"拉"的转变。产品市场契合之前，留存需要持续干预——频繁的外联、激励、创始人亲自盯。产品市场契合之后，产品开始自己做这些事。当你发现自己在"推"的力气开始变轻，那才是真正变化的信号。 第三个暗礁：零摩擦范围蔓延 每个功能只要一个下午。每个边缘 case 只要几分钟。每一项单独看都理所当然。 这就是 AI 时代范围蔓延的新形态。传统的制衡——工程师时间的真实成本——不存在了。加一个功能不再需要一个 sprint 的讨论，只需要你的一句话。 ...

文艺复兴时期的大师在动笔之前，先画几百张草图。达·芬奇的笔记本里全是未完成的想法——不是因为他不擅长完成，而是因为他深知：思考的结构决定了作品的结构。今天，CLAUDE.md 就是你的草图。 先写文档，再写代码 这个建议反直觉到几乎冒犯。 你是创始人，你有一个经过验证的问题，你迫不及待要动手做产品。The Founder’s Playbook 却让你在写任何一行代码之前，先坐下来，和 Claude 一起定义并记录架构决策：遵循什么模式、避免什么依赖、接受什么权衡、为什么。 听起来像官僚主义，其实是为了防止 AI 把你的代码库变成巴别塔。 想想巴别塔的隐喻。如果每个 AI 会话都是一个工人，每个工人都说自己的语言、按自己的方式砌砖，最终的结果不是塔，而是废墟。CLAUDE.md 就是你的通用语——它告诉每一个进入这个项目的 AI：这个系统为什么这样设计、哪些边界不能碰、哪些权衡是刻意的。 为什么这件事在 AI 时代如此关键 传统团队里，架构知识通过代码审查、站会、文档、以及最重要的——人与人之间的隐性传递来维护。一个新工程师加入团队，通过和老工程师配对编程、一起吃午饭、在 Slack 上问"为什么"来学习系统的设计逻辑。 在 AI 原生团队里，你的"新工程师"是每一个新的 Claude Code 会话。它没有上下文——除非你给它。没有 CLAUDE.md，每次会话都从零开始推断结构假设。它能生成能跑的代码，但生成的代码背后没有连贯的心智模型支撑。 这就像让十个建筑师各自设计一栋楼的一层，但没人见过总平面图。每一层单独看都没问题，但它们合在一起会怎样？门可能开在承重墙上，水管可能穿过电线管道。 The Founder’s Playbook 把这种现象叫做"结构性不连贯"（structural incoherence）。代码能跑，能过测试，但背后没有一个统一的设计意图。问题不在任何一段代码，而在于所有代码从未被设计成能协同工作。 CLAUDE.md 里应该写什么 不是完整的规格书。你不需要在这个阶段写一份 IEEE 830 标准的需求文档。 你需要写的是决策和理由。为什么选 PostgreSQL 而不是 MongoDB？为什么接受这个技术债？为什么这个模块的边界划在这里而不是那里？ 举个例子，你可能会写： “我们选择 Next.js 而不是纯 React，因为我们预计未来三个月需要 SSR 来支持 SEO。这是一个刻意的选择，即使它增加了部署复杂度。如果三个月后 SEO 不再是优先级，可以重新评估。” 这段话告诉 AI 的不只是"用什么"，还有"为什么用"和"什么情况下可以改"。 范围文档：AI 时代的疫苗 和架构文档同等重要的是范围文档。 在 AI 时代，范围蔓延（scope creep）是一种全新的危险。过去，加一个功能需要一个 sprint 的工程师时间——这个成本本身就是一种制衡。现在，加一个功能只要一个下午。每一项单独看都理所当然：当然产品应该处理这个边缘 case，当然用户会想要那个工作流。 ...