699分与卓越医学:网友替她可惜,她可能正替网友可惜

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。 ...

y9 .Z | July 4, 2026 | 28 min | Shanghai

MVP 的四个暗礁:速度与陷阱的博弈

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。 ...

y9 .Z | July 2, 2026 | 12 min | Shanghai

构建第一个 AI 原生产品:从 CLAUDE.md 开始

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。 ...

y9 .Z | June 26, 2026 | 11 min | Shanghai

用 AI 做压力测试:让魔鬼代言人替你思考

苏格拉底说:“未经审视的人生不值得过。“在 AI 时代,未经反驳的创业想法不值得做——而 AI 给了你一个永不疲倦的反驳者。 确认偏误的新武器 1960 年,英国心理学家彼得·沃森做了一个著名的"2-4-6 实验”。他告诉受试者三个数字 2、4、6 遵循某个规则,让他们猜规则是什么。受试者几乎无一例外地先猜"连续偶数”,然后只举符合这个猜想的例子来验证。沃森的真正规则其实是"任意三个递增数字"——但很少有人主动去举反例来反驳自己。 这就是确认偏误:我们本能地寻找支持自己信念的证据,而忽略或贬低反面证据。在创业中,这是致命的。 The Founder’s Playbook 指出了一个 AI 时代特有的危险:确认偏误现在有了一个研究引擎。让 AI 验证你的创业想法,它会找到支持证据;让 AI 做市场规模测算,它会找到让 TAM 看起来可融资的数字。如果你不提出尖锐的问题,AI 可以比你更快地为一个坏想法构建出一套看起来像那么回事的"尽职调查"。 更危险的是,这个过程会让你感觉自己是在做尽职调查。一份 30 页的市场分析报告、一组漂亮的 TAM/SAM/SOM 拆解、五个"验证过"的用户痛点——看起来严谨无比,但前提可能是错的。 结构化魔鬼代言人 解法是同一个工具,指向相反的方向。 天主教会在 1587 年设立了一个正式职位叫"魔鬼代言人"(Devil’s Advocate)——专门负责在封圣过程中提出反对意见,质疑候选人的圣迹和美德。这个职位的存在不是为了阻挠封圣,而是为了确保封圣决定的严肃性。 The Founder’s Playbook 建议你把 AI 当作你的结构化魔鬼代言人。我自己把它拆成三个动作。 第一个动作是攻击问题陈述。不是让 AI 说"这个问题很好",而是让它构建一个论证:为什么这个问题没有你以为的那么大、不值得解决、或者已经被很好地解决了。让它找反例:哪些市场信号是负面的?哪些竞争对手失败了,为什么?用户行为模式里有哪些和你的假设矛盾的地方? 第二个动作是替竞品辩护。让 AI 分析竞品的方案为什么比你好、用户为什么选他们、你的差异化优势为什么没有你以为的那么牢固。这一步会逼着你理解竞品的真实优势——而不是你为了方便而刻意简化的那个"竞品"。 第三个动作是质疑解决方案。你的方案依赖哪些假设?每个假设在什么情况下不成立?如果有一个假设被证伪,整个方案会怎样? 压力测试之后 做完这三步,你大概会经历两种反应之一。 第一种:你的想法经受住了攻击,你知道了它最脆弱的在哪里——这让你在接下来的用户访谈中有了明确的测试方向。 第二种:你的想法被撕开了,你发现核心假设站不住——说实话,这是好消息。不是"你失败了",而是"你在动手之前就知道这条路走不通了"。 这让我想到查理·芒格的一句话:“我只想知道我会死在哪里,这样我就永远不去那个地方。” AI 让你有能力在创业之前,先快速"死"上几十次。每一次虚拟的死亡,都避免了一次真实的资源浪费。 用户访谈的框架 压力测试之后,才轮到用户访谈。书中建议用 AI 来设计和优化访谈框架——但有一个关键原则:问题要先自己写,再让 AI 审。 为什么?因为如果你直接让 AI 生成访谈问题,你会得到一组"正确但平庸"的问题。它们没有引导性、没有漏洞、也没有灵魂。但如果你先自己写——暴露你的偏见、你的假设、你的盲区——然后让 AI 来审,它会指出哪些问题在引导受访者、哪些太宽泛、哪些会得到社会期望的答案而不是真话。 一个实用的技巧:在访谈中,永远问过去,不问未来。“告诉我你上次遇到这个问题时发生了什么"比"你觉得你会不会用这种产品"有价值得多。人们不擅长预测未来,但很擅长回忆过去。 每五场访谈之后,让 AI 合成笔记,列出支持假设的证据和挑战假设的证据。如果前者远长于后者,要警惕——可能不是数据在说话,是你在选择性地听。 ...

y9 .Z | June 18, 2026 | 10 min | Shanghai

找到你的问题域:从"能做"到"该做"的跨越

孙子曰:“夫未战而庙算胜者,得算多也。“在 AI 让"建造"几乎免费的今天,“算"什么、“算"哪里,反而成了最难的一道题。 无限可能,零值判断 2024 年秋天,我在旧金山参加了一场创业聚会。一个穿 Patagonia 背心的年轻人告诉我,他周末用 Claude Code 做了三个产品原型——一个 AI 法律助手、一个自动化记账工具、一个社交媒体内容生成器。“三个都能做,“他说,“但我不知道该做哪个。” 这不是个例。当 agentic coding 抹平了技术门槛,创始人面临的选择困境反而加剧了。过去,你能做什么受限于你会什么;现在,你能做什么几乎没有限制,但"该做什么"的判断难度陡然上升。 这就像一个厨师走进一个无限食材的厨房——真正的限制不再是食材,而是对"什么菜值得做"的品味。 问题的三个层次 The Founder’s Playbook 把 Idea Stage 的验证工作归结为四个按顺序回答的问题:这个问题真实、具体、频繁到值得围绕它做公司吗?谁有这个问题?有没有人在解决它?你的方案能做到吗? 这些问题看似朴素,但每一个都暗藏陷阱。我自己见过太多人在第一关就栽跟头。 第一个陷阱是"真实”。一个经典的创业认知偏差是:我是用户,所以我的问题就是大家的问题。这叫"自我抽样偏差”——你当然有这个问题,因为你就是你。但市场不是你的镜像。 书中给出的例子很精妙:“人们做报销很痛苦"是一个观察,不是假设。“中型公司的财务经理每周花四个多小时核对报销单,因为现有工具和他们的会计软件不互通"才是可验证的假设。前者让你感觉抓住了需求,后者让你能去验证。 第二个陷阱是"具体”。德鲁克在《管理的实践》里说过类似的话:企业只需要做两件事——营销和创新。但如果你问创始人"你在解决什么问题”,得到的答案往往是"让工作更高效"或者"用 AI 改变行业”。说实话,这不是问题陈述,这是愿景口号。真正的问题陈述要具体到你能指着一个人说:“他,每天下午三点,正在经历这个问题。” 第三个陷阱是"频繁”。一个一年发生一次的问题,用户不会为它付费——他们会自己忍着。一个每天发生四次的问题,用户愿意为任何能解决它的东西付费。频率决定了你的收入模型。 用 AI 做竞争地形图 找到问题域不只是向内看——你还得向外看。书中建议用 AI 做竞争地形分析,而且要用一种特殊的方式:让 AI 替你的竞争对手说话。 不是让 AI 列出竞品的功能对比表——那种表格谁都会做。而是让 AI 构建一个论证:为什么这个竞品会成功,而你会失败。让它分析竞品的方案为什么更好、用户为什么选他们、你的差异化优势为什么没有你以为的那么牢固。 这招来自军事战略中的"红队演练”(Red Teaming)。冷战时期,美国国防部专门组建团队扮演苏联指挥官,用苏军的思维来审视美军计划。效果显著——很多在美军内部"显而易见"的行动计划,被红队从敌方视角拆解得千疮百孔。 我自己试过这个方法,它的价值在于:AI 会告诉你那些你因为太爱自己的 idea 而选择性忽略的东西。 客户发现的实操 找到问题域的最后一步是和人说话——不是"你觉得这个想法怎么样”,而是"告诉我你上次遇到这个问题时发生了什么"。 这里有一个创业研究中反复验证的发现:人们不擅长预测自己未来的行为,但很擅长描述自己过去的行为。问"你会不会用这个东西"得到的是愿望清单;问"你上次遇到这个问题时怎么处理的"得到的是行为数据。 The Founder’s Playbook 建议用 Claude Cowork 来自动化客户发现的操作层:构建目标用户画像、生成外联邮件、管理排期、追踪访谈进度。但有一条原则要守住——对话本身必须是人。一个用户说"这个很好但我希望它也能……",这句话背后的含义——是核心需求还是一厢情愿?是个人偏好还是群体特征?——只有人能判断。 退出条件 Idea Stage 的退出条件是找到"问题-解决方案匹配":你有定性证据证明你在为真实的人解决真实的问题。三个检验——你能说清楚谁、多频繁、多严重、现在在怎么办吗?你的方案针对的是被验证过的问题吗?目标用户群构成一个真实的市场吗? 三个都过得去,再往下走。 我自己反复在想的一点是:AI 最大的能力不是帮你做决定,而是帮你更快地发现自己做错了决定。快速验证、快速失败、快速转向——这才是 AI 给 Idea Stage 的真正礼物。不是让你更快地构建,而是让你更快地知道自己该不该构建。 ...

y9 .Z | June 13, 2026 | 10 min | Shanghai