中世纪欧洲的城堡有三种防御：护城河（让敌人难以接近）、城墙（让敌人难以突破）、和吊桥（让盟友自由进出）。AI 时代的护城河也有三种——数据飞轮、领域知识、和用户工作流锁定。
AI 让复制变容易，让积累变稀缺
2025 年，一个有趣的现象引起了投资圈的注意：一批 AI 原生公司的估值开始分化。有些公司功能看起来差不多，但估值差了一个数量级。区别在哪？
护城河。
在 AI 让"复制一个产品"变得越来越容易的时代，功能不再是壁垒。一个有充足资源的竞品可以用几周时间复制你的功能。那什么才是真正不可复制的？
The Founder’s Playbook 给出了三个答案。每一个都建立在时间积累之上——而时间，是 AI 无法加速的。
第一条护城河：数据飞轮
用户和产品互动时产生行为信号——哪些输出被接受，哪些被拒绝。这些信号随时间积累，变成你的产品路线图。
The Founder’s Playbook 把这叫做"复利价值"：每一次改进让产品更有用，更多使用产生更多反馈，更多反馈驱动更多改进。这就是数据飞轮。
这种数据有三个关键属性。时间锁定的——你买不到数千个用户在你的产品里优化工作流留下的行为指纹。上下文特定的——这些数据是在你的产品、你的用户群体、你的使用场景中产生的，换个环境就不一样了。不可能被复制的——即使竞品知道你有这个飞轮，他们也无法在短时间内重建。
书中给出了一个具体的练习：把你的产品互动数据（收集了什么、收集了多久、用户如何随时间互动）交给 Claude，让它识别三个最高信号的行为模式，然后设计一个反馈循环，把每个模式变成系统性的模型改进。最后，让它帮你起草一页"护城河叙事"——你的数据飞轮怎么转、转了多久、为什么一个有充足资源的竞品今天开始做，两年内也复制不了。
第二条护城河：领域知识外化
很多 AI 原生公司的创始人做的是高度具体的应用——他们在某个行业里亲身经历过的问题。Agentic AI 让这些没有工程背景的创始人也能用领域知识构建产品。
关键在于：把你的领域知识放进一个结构化的、AI 能访问的上下文里。
通过长期对话、项目和记忆，把你的行业知识——行规、监管陷阱、边缘 case、为什么显而易见的答案行不通——放进 Claude 的上下文。然后把这些编码成 Skills，让 Claude 每次都以同样的方式执行。
书中举了一个精彩的例子：一个通用 AI 医疗计费工具会在 340B 药品项目上出错，但你的产品专门处理了这些逻辑。为什么？因为你有领域知识，而且你把它编码进了你的系统。
几个月后，这就变成了一种专有的知识基底，通用 AI 做不到。一个没有你这种领域经验的竞品，即使有同样的 AI 工具，也会在你的细分领域里反复踩坑。
你的测试套件就是你的护城河的地图。 每一个你处理过的边缘 case，都是竞品还没踩到的坑。
第三条护城河：用户工作流锁定
数据飞轮让产品更难复制，但工作流锁定让产品更难离开。
用户在你的产品上构建了自动化，培训了团队，连接了数据源。他们开发的 prompt、优化的工作流、标准化的输出——都是围绕你的产品塑造的。这时候，换产品就不再是产品决策，而是一个全规模的运营项目。
The Founder’s Playbook 给出了一个实操方法：让 Claude 按集成深度映射你的客户群。对每个客户群体，识别他们在你的产品上构建了哪些工作流、依赖哪些集成。这显示了你的产品在哪里"粘"得牢，哪里还需要加深。
集成的数量和质量是关键。你提供的集成越多，客户就有越多表面面积来构建依赖你的工作流。Claude Code 帮你快速构建原生集成——数据管道、项目管理工具、用户依赖的其他系统。更深一层的锁定：构建 API、webhook 和 SDK，让客户不只是"用"你的产品，而是"在之上构建"——这是最深形式的锁定。
三种护城河的协同
三条护城河不是独立的——它们互相加强。
领域知识让你的产品更精准，吸引更多用户。更多用户产生更多数据，让产品更好。更好的产品让更多用户构建工作流，增加切换成本。更高的切换成本让用户更愿意留下来，产生更多数据。
这就是 AI 原生公司的增长飞轮——不是单一优势的正反馈循环，而是三种优势的协同放大。
我的反思
护城河这个话题让我想到巴菲特。他一生都在寻找"有护城河的企业"——那些即使有充足资金和优秀管理者，竞争对手也无法复制其竞争优势的公司。
在 AI 时代，护城河的形态变了。过去，护城河可以是规模经济、品牌、网络效应、专利。这些仍然有效，但 AI 让一种新的护城河变得可能：时间积累的专有知识。
过去，一个创始人在某个行业积累的十年经验，很难被编码和传递。现在，通过 AI，这些经验可以被结构化、被编码成 Skills、被嵌入到产品中。这意味着领域专家第一次可以把他们的隐性知识变成显性的、可执行的、可规模化的系统。
这是非技术背景创始人的最大机会。你不需要会写代码——你需要的是在一个领域里足够深的经验，以及把这种经验编码进 AI 系统的能力。
最后一篇，我们来聊这个系列的终章：Same Job, New Rules——创始人的不变与变。
系列阅读快速跳转
| 日期 | 篇目 | 核心问题 |
|---|---|---|
| 06-03 | 从福特流水线到 AI 原生：范式转移 | 什么是 AI Native？为什么是现在？ |
| 06-05 | 找到你的问题域：从"能做"到"该做" | 如何在无限可能中找到值得解决的问题 |
| 06-06 | 用 AI 做压力测试：让魔鬼代言人替人思考 | 如何用 AI 反驳自己，避免确认偏误 |
| 06-07 | 构建第一个 AI 原生产品：从 CLAUDE.md 开始 | 写代码之前先写文档的逆向思维 |
| 06-10 | MVP 的四个暗礁：速度与陷阱的博弈 | AI 加速下最容易踩的四个坑 |
| 06-11 | 产品市场契合的谎言与真相 | 如何识别假信号，找到真契合 |
| 06-12 | 从创始人驱动到系统化运营 | 建立不依赖创始人的运营机器 |
| 06-22 | 技术债与架构决策：为 Scale 打下地基 | 如何在快与稳之间找到平衡 |
| 06-23 | 构建护城河：数据、知识与锁定 | AI 时代的三种防御体系 |
| 06-25 | Same Job, New Rules：创始人的不变与变 | 什么变了，什么没变 |