Star

Star的日记

庆祝每一天

别把「产品化自己」理解成做自媒体

记录时间:2026-08-25 10:45:40

这篇笔记整理自一张关于纳瓦尔财富观的读书笔记截图,只梳理截图中的观点,不补充原文之外的事实。

看到「代码」和「媒体」这两个词,很多人会立刻把结论翻译成:「我要做自媒体」或者「我要学编程」。可这只是选中了工具,还没有回答自己要用它做什么。

这张读书笔记想说的,是怎样建立一套不再完全依赖个人工时的系统。

工资和财富不是一回事

这份笔记先区分了工资和财富。工资通常来自时间与金钱的交换;它所说的财富,则是人在休息时仍能运转的资产或系统。

问题是怎样让一次投入留下一项在下班后仍会产生结果的资产,而不是继续多卖几个小时。

所以这套思路没有把重点放在炒股技巧或升职方法上。它关心的是,挣钱是否必须本人一直在场。

杠杆会放大结果,却不会替你决定做什么

按照截图的整理,纳瓦尔把杠杆分成三类,并给出了明确的排序:劳动力最次,资本较好,代码或媒体最好。笔记给出的理由是,代码与媒体的边际成本为零。

一本书、一档播客、一段视频或一份代码,都不必随着受众增加而按同样比例增加作者的工时。对普通人来说,这类杠杆还有一个直接的特点:开始创作通常不需要先得到谁的许可。

这份笔记甚至把它称为普通人跨越阶层的唯一一条无需许可的道路。这是一个很绝对的判断,它强调的重点倒很清楚:代码和媒体可以由一个人先做起来,不必等别人把杠杆交到手里。

不过,选中了工具,并不等于已经决定要做什么。使用媒体,也不等于答案只能是做自媒体。

专属知识不是热门技能清单

截图把「专属知识」描述成一种无法通过标准培训获得,只能跟着好奇心和热情逐渐积累的知识。

这里重要的未必是某项孤立技能,而是一个人独有的组合。童年时反复投入的兴趣、旁人不太理解的怪癖,以及后来走过的路,放在一起,可能比一张热门职业清单更难复制。

比如,一个人同时懂园艺和编程,两个单独看都很常见的领域,组合起来却可能指向智能灌溉系统。专属知识往往就藏在这种交叉处。它不一定热门,却和一个人的经历贴得很紧。

杠杆越大,判断越值钱

截图里有一句很重的判断:在杠杆时代,一个正确的决策胜过一千个小时的盲目努力。

沿着这份笔记的逻辑,同一个决定会被资本、代码或媒体重复执行。杠杆越大,越要先判断该把它用在哪里。忙了一千个小时,也不能代替这个选择。

「产品化自己」不是换一种方式出售时间

「产品化自己」(Productize Yourself)容易被误解成给自己做个人品牌,或者把每天的工作搬到网上。按这份笔记的标准,逐小时收费仍然是在出售时间,只是换了一个地方。

它给出的路径,是把难以复制的知识组合放进能够反复交付的产品、代码、内容或系统,并尽可能持有其中的股权。

代码和媒体用来复制专属知识;笔记把最后一步放在股权,以及一套即使自己暂时不在场也能继续运转的系统上。

复利需要时间

这份笔记最后把复利从金钱延伸到人际关系和声誉。

「不要高估一年的变化,也不要低估十年的积累」,说的正是这种时间尺度。金钱、人际关系和声誉,都要放到更长的时间里看。

所以看到代码和媒体时,不必立刻得出「我要做自媒体」的结论。先要问的是,自己有什么难以复制的知识组合,又能把它变成什么。

把“IP”倒过来

记录时间:2026-08-17 20:15:20

这篇笔记受黄峥《把「资本主义」倒过来》的思路启发,继续推演泡泡玛特能否把分散的审美偏好变成生产可用的需求承诺。

把羽绒衣换成一只玩偶

谈IP生意,迪士尼绕不过去。

它最经典的做法,是先花几年时间和大笔资金拍出电影或动画。角色被观众接受以后,商品、授权和乐园再把这份感情延长。资本先下注,观众后表态。猜对了,一个IP可以经营几十年;猜错了,大量内容成本很难收回。

黄峥在2017年的《把“资本主义”倒过来》里设想,一千个人在夏天就确定冬天要买某种羽绒衣,并愿意付订金。工厂由此得到「需求的确定性」,可以利用生产低谷,也能更有把握地安排原料采购。消费者交出订单时,也交出了一小部分关于未来的信息。工厂用折扣买下这份信息。

把羽绒衣换成一只玩偶,问题就变成了:

消费者能不能把自己对审美与情绪的确定性,提前卖给艺术家、工厂和资本?

这里有两次「倒过来」。泡泡玛特已经做到的,是让商品先于完整故事成为IP入口。王宁曾直接比较两条路径:迪士尼通过电影培养粉丝、形成IP,泡泡玛特则「通过艺术家的设计形成潮玩IP」。

一个玩偶放在办公桌上、挂在背包上,人们不用先看完一部电影,也能先喜欢它的形状、表情和气质。商品既在变现,也在替IP寻找喜欢它的人。

第二次「倒过来」仍是推演:让消费者对具体产品的付费承诺,走在规模生产前面。第一层改变IP怎样被认识,第二层改变产品怎样被生产。两者可以相连,却不是一回事。

一万两千份订金会改变什么

假设一位尚未成名的艺术家,设计了一只蓝灰色的毛绒角色。它看上去安静,甚至有点忧郁,在任何一个国家可能都只有少数人喜欢。艺术家自己做一万只,也许两年都卖不完;只做几百只,开模、备料和找渠道又太贵。

王宁在一次演讲里说,许多海外艺术家难以走向大众,一个原因正是有些市场「小到承受不起一个最小的订单」。单个市场养不起一种审美,不代表全世界加起来也养不起。

现在让平台把这个原型推荐给全球五万名可能喜欢类似风格的人。其中一万两千人愿意支付20元订金,条件是售价不超过199元,材质达到样品标准,并在120天内交付。产品按约交付,订金抵扣货款;消费者无故取消,会损失一部分订金;项目没有达到生产门槛,钱原路退回。

再假设类似项目最终有八成用户成交,一万两千份意向大约会变成九千六百份订单。平台不把数字用满,只向工厂承诺首批八千件,同时预留下一批产能。

工厂有了可以安排的基础订单,艺术家能拿到开发费用和最低销量对应的版税保障。消费者锁定价格和配货顺序,也让一种原本不会被生产的小众设计有机会存在。履约率低于预期、制造延期或第二批需求消失,风险仍由平台承担。

这种确定性不一定只换来低价。平台也可以用它缩小首批产量、改善材料,或者支持更多小众设计。当然,省下来的钱也可能全部留作利润。机制本身不会自动偏向消费者和艺术家,关键在于确定性换回了什么。

全球需求也不能简单合成一个库存数字。产品法规、包装、运输和退款,仍要按地区处理。平台能汇集的是需求,不能抹平每个市场的差别。

喜欢为什么还不是订单

一个人停留五秒、点一次赞、收藏一张图片,离他愿意付订金还很远。黄峥的羽绒衣例子之所以成立,是因为消费者拿出了钱或信用,承担了一部分反悔成本。工厂拿到的是一份有代价的未来承诺。

浏览和停留几乎没有成本;收藏、愿望单、到货提醒和加购稍强一些;真实购买、复购、订金和预购,才逐渐接近生产能使用的语言。

即使交了订金,也要说清原型、价格、材质、地区和交付时间。用户喜欢「孤独感」,不等于他会购买一只199元、17厘米高的蓝灰色毛绒玩偶。审美偏好落到具体商品和交易条件上,才可能减少库存风险。

泡泡玛特已经在IP层面做小批量测试,再按结果分配资源。王宁在《因为独特》的公开节选里,把发掘IP比作「抖音怎么挖掘一个网红」。一个B级IP先开发一个系列,生产几千至一万套;市场反应好,下一轮再增加产量、门店和宣传资源。

目前能确认的,是公司内部的IP赛马。消费者一侧有没有抖音式的个性化商品流,浏览数据是否直接进入工厂排产,公开材料还没有给出证据。

推荐系统本身也会改变需求。一个IP拿到更多曝光和热门联名,销量自然会增加,平台又会根据销量继续加码。最后看到的「用户喜欢」,究竟是原本存在的偏好,还是反复曝光的结果,很难分开。

旧数据还有另一个问题。它只能比较已经出现的选项,容易做出更多像上一个LABUBU的东西,也可能淘汰需要时间才能被理解的设计。艺术家负责提出市场里还没有的东西,算法适合判断先让谁看、首批做多少,不能反过来替艺术家创作。

只替第一张订单减少不确定性

免费收集浏览和购买记录,只是普通的数据利用。消费者要主动给出有成本、带条件的购买承诺,同时换回价格锁定、优先配货或选择权,才能算一次交换。

这种承诺只能为第一张生产订单提供一个需求区间。它无法证明IP会流行十年,也不能替电影、游戏和乐园预售观众。目前的公开材料只确认了泡泡玛特内部的IP赛马,尚未证明消费者的付费承诺已经进入生产决策。

下一只玩偶仍要靠艺术家创造。平台能做的,是在作品尚未成为爆款时,让愿意付钱的人更早找到它,并把这份承诺带进第一张生产订单。

泡泡玛特会成为「审美版抖音」吗?

记录时间:2026-08-17 14:57:42

前台像迪士尼和耐克,分发像抖音,后台像拼多多。

这句话描述的是一个终局假设,离泡泡玛特今天的样子还有距离。

王宁在《因为独特》中解释泡泡玛特如何发现IP时,用过一个很直接的比喻:「像抖音怎么挖掘一个网红。」《因为独特》公开摘编

他说的是公司内部的资源分配。一批玩具背后,泡泡玛特正在尝试建立一套发现审美、验证需求、分配产能和放大IP的系统。

判断这家公司,关键在于它能否把偶然命中一个全球IP,变成持续发现、放大并延长多个IP生命周期的能力。

如果这套能力成立,泡泡玛特的边界会超出玩具和单一IP运营。它可能成为一个把IP作为商品单位、按情绪和审美理解需求,并以推荐机制和柔性供应链为基础设施的全球消费平台。

目前,部分条件已经具备,但整套系统还没有得到验证。

一、商品正在变成内容

迪士尼式IP有一条经典路径:

故事 → 角色 → 粉丝 → 衍生商品

观众先花两个小时看电影,或者几十个小时追完一部动画。角色在故事中获得性格、关系和命运,之后才被印到衣服、杯子和玩具上。

泡泡玛特把入口倒了过来:

视觉形象 → 商品接触 → 情感投射 → IP → 后续内容

2019年,王宁在一次演讲中谈到年轻人的时间碎片化。他认为,潮玩降低了认识一个IP的时间门槛:「一分钟,你知道你喜不喜欢它。」一个MOLLY放在办公桌上,用户每天都会看见它,这种反复接触又会积累用户与IP相处的时间。黑蚁资本整理的演讲实录

2026年,他以《哪吒》《黑神话》和LABUBU作比较:卖出的LABUBU不会消失,而会留在办公桌和家中书架上,继续加深用户对IP的认识与感情。李翔《2026,再访王宁》

从这个角度看,泡泡玛特的玩偶很像一种立体短视频:

  • 几秒钟就能判断自己是否喜欢;
  • 不要求先理解完整世界观;
  • 可以直接承载可爱、叛逆、孤独、怪诞或治愈;
  • 放在身边以后,会获得远长于一次短视频的曝光时间;
  • 新造型、新材质和新联名,又像同一个角色不断更新内容。

商品负责降低IP的首次理解成本,内容负责延长它的生命。故事仍然重要,只是进入资本配置的时间更晚。

二、先把「平台」说清楚

拼多多连接大量独立商家和消费者,交易双方可以持续加入。泡泡玛特会选择艺术家、判断设计、控制产品开发、组织生产,并经营自己的品牌和渠道。它更像一家同时拥有制作、发行和经纪能力的唱片公司。

本文所说的「平台」,指的是泡泡玛特在产业链两端扮演不同角色:

面向消费者,它是一个有明确审美与质量承诺的品牌;

面向艺术家、IP和供应链,它提供一套可以反复使用的商业化基础设施。

2025年接受人民日报采访时,王宁说,平台孵化IP的方式更适应这个时代,并把中国市场与制造业视为服务全球艺术家的基础。人民日报访谈

这是一个强管理、强筛选的平台。更多艺术家不会自动带来更多好IP,更多消费者也不会自动保证艺术家成功。公司的审美判断、产品开发、资源配置和长期运营,决定了两边能否相互吸引。

文化产业也不会平均分配成功。王宁在2026年访谈中举例说,公司可能减少次要IP,把资源向LABUBU、星星人、MOLLY和SKULLPANDA等头部IP集中。平台的价值不在于平均扶持所有IP,而在于用共同基础设施提高命中率,同时压低每次失败的代价。李翔《2026,再访王宁》

三、第一条「商品流」已经在内部运转

泡泡玛特与抖音最像的,是公司内部的IP资源分配。

在《因为独特》的公开书摘中,王宁把IP分为S、A、B、C级。一个B级IP可能先开发一个系列,生产几千到一万套;市场反馈好,下一代便增加产量、门店陈列、广告、宣传片和艺术家签售;反馈转弱,资源也会随之减少。《因为独特》公开摘编

整套过程和内容平台的流量测试很像:小范围曝光,观察反馈,增加资源,扩大样本,再做一次判断。

2024年接受福布斯中国访谈时,王宁说,IP孵化和资源配置基于数据与市场反馈,而非个人主观判断;同一段话里,他也强调文化创意无法完全流程化,仍然依赖创新和个人能力。红杉授权转载的访谈

这是一场数据辅助的审美赛马。人工判断哪些独特值得获得第一次机会,数据再检验它能否扩展到更普遍的人群。王宁所说的「艺术追求独特,商业追求普遍」,恰好描述了两套判断的分工。人民日报访谈

2025年的经营数据给出了一些初步迹象:泡泡玛特有17个艺术家IP收入超过1亿元,其中6个超过20亿元;星星人收入从上年的1.21亿元升至20.56亿元。可是同一年,THE MONSTERS的收入占比也从23.3%升到38.1%。泡泡玛特2025年年报

多IP能力与头部集中正在同时增强。前一组数字说明公司不只有一个能卖的IP,后一组数字提醒投资者:一次更大的爆款,仍然会重新抬高集中风险。

四、第二条「商品流」仍是未来式

内部IP赛马解决的是「公司把资源给谁」。用户侧商品流要回答的是「这个消费者此刻最可能喜欢什么」。

从购买动机看,潮玩比明确刚需更依赖发现式消费。一个人可能不知道某个IP的名字,只知道自己最近偏爱蓝色、毛绒、安静、带一点孤独感的东西。推荐系统可以在这种偏好变成搜索词以前,把商品送到他面前。

泡泡玛特已经拥有建设这种系统所需的不少基础设施。2025年,中国内地注册会员达到7258万,会员贡献销售额93.7%;购买会员中,55.7%在年内购买两次或以上,这是公司的复购率口径。按年报各地区数据相加,全球线上收入约164.34亿元,占总收入约44.3%;其中,中国内地泡泡抽盒机收入34.23亿元。自研App、官网、抽盒机、直营门店和机器人商店共同提供了直接触达消费者的渠道。泡泡玛特2025年年报

这些触点理论上可以形成一条反馈链:

浏览、停留、收藏、抽盒、购买和复购
↓
识别用户对形象、颜色、材质、情绪和价格带的偏好
↓
推荐IP与产品
↓
小规模测试需求
↓
调整曝光、产量与补货

在2025年年报及本文引用的公开访谈中,公司没有披露用户审美标签、推荐点击率、推荐成交占比、算法带来的转化提升,也没有披露海外会员数量和复购率。现有材料能确认数据、渠道和游戏化购物界面的存在,无法确认一套专有的个性化商品推荐引擎已经成为增长核心。

而且,会员、App和供应链也是大型零售商的常规配置。泡泡玛特要证明它们构成护城河,还需要拿出更难的结果:系统是否比同行更早识别赢家,是否降低了新IP失败成本,是否带来可测量的推荐增量。

因此,「审美版抖音」目前仍只是推演,不过已经有了一些基础。

五、从商品流到生产计划

2017年,黄峥在个人公众号文章《把「资本主义」倒过来》中设计过一个思想实验:一千个人在夏天确定冬天要买某种羽绒衣,并愿意支付订金。工厂由此得到原来没有的需求确定性,可以利用生产计划低谷,并在采购原材料时更有把握,随后把一部分成本节约返还给消费者。黄峥原文存档

分散而模糊的需求一旦变成生产者能够使用的信号,就会反过来影响生产。

2018年接受《财经》采访时,黄峥把前台分发说得更直白:「把今日头条下的信息流换成商品流就是拼多多。」同年提交的招股书披露,拼多多尝试根据订单、浏览和停留行为理解用户偏好,直接展示和推荐商品;后续文件又谈到把聚合后的偏好传给商家,帮助调整生产、库存计划、销售计划和物流服务。《财经》访谈、拼多多招股书、拼多多2018年年报

在黄峥的羽绒服思想实验里,需求确定性换来折扣和更可计划的生产。放到泡泡玛特身上,还可以再推一步:确定性也可以被用来扩大设计的多样性、降低首次试产错误,并缩短爆款确认后的加产与全球补货时间。

一个国家里,喜欢暗黑、哭泣、怪诞或孤独感的人可能不足以支撑一个大系列;把全球相似审美汇集起来,小众偏好就有机会跨过生产的最小规模。王宁早年也谈到,有些国家的市场太小,甚至不足以支撑最小量级的订单;中国市场和制造业则可以把半商业化的艺术创作变成大众买得起的产品。红杉CEO峰会演讲整理

这条类比有两道边界。

第一,浏览、点赞和收藏的强度远低于订金。它们只是需求信号,离「确定性」还有距离。第二,推荐系统会制造一部分需求。一个IP得到更多曝光以后,销量上升可能来自审美更普遍,也可能只是平台给了它更多流量。

算法适合降低试错成本,不适合替艺术家决定创作。只追逐短期转化,系统会不断复制已经成功的脸型、颜色和材质,最后得到一排相似的爆款。

泡泡玛特2025年年报把「柔性供应链策略」、供应商议价和集中采购列为毛利率提升的原因;公司还表示,已经建立全球六大生产基地,正在提高供应链自动化与数字化水平,完善研发、生产、发售和返单的全流程管理。泡泡玛特2025年年报

但库存数据没有同步改善。2025年末存货达到54.73亿元,存货周转天数从102天升至123天。公司的解释是海外收入占比提高、运输周期变长,并且全球净增109家门店,需要提前备货。

柔性供应链在成本端已有管理层归因;在供给响应、低库存和高周转上仍缺少量化证明。

泡泡玛特可以学习拼多多的后台反馈效率,同时保留完全不同的前台目标:

层面 可以学习什么 必须守住什么
用户分发 发现、反馈和动态曝光 不能只追求点击与短期转化
需求与供应链 需求聚合、预测和快速返单 不能把最低价和无限放量当目标
产品与品牌 用数据减少错误、提高可得性 保留设计差异、质量与品牌溢价

「像耐克」只指一件事:让产品本身承载身份表达与品牌溢价。后台要少生产需求不足的商品,更快补充需求已经得到验证的商品;前台仍要维持审美、品牌和情绪价值。

六、「反向迪士尼」改变了投入顺序

商品先于故事,不只改变用户认识IP的路径,也改变公司承担不确定性的方式。

传统内容公司先投入资金创造故事和世界观,再等待市场判断它能否成为IP。泡泡玛特可以先用小批量商品测试视觉形象,再用跨系列、跨材质和跨市场销售观察生命力,最后决定是否投入动画、游戏、电影、展览和乐园。

王宁在2025年接受央视采访时区分了两条路径:迪士尼通过电影形成IP,泡泡玛特则通过艺术家的设计形成潮玩IP;乐园、表演和后续内容再让角色变得更鲜活。央视专访文字稿

如果商品销售能够成为IP长期需求的有效先行指标,这个顺序有机会降低重内容投资风险。

商品畅销却不能自动证明一部电影会成功。视觉形象、毛绒手感和拆盒体验形成的喜爱,未必能支撑九十分钟的故事。2025年年报提到饰品、甜品、电影等创新业务,并表示这些业务不追求激进增长;乐园则另有扩建与运营披露。年报未分别披露乐园、电影或数字娱乐的收入、利润和资本回报率。

反向迪士尼让轻产品先验证用户需求。重内容仍要单独证明自己的创作能力和经济性。

七、把系统假设交给数字验证

2025年,泡泡玛特收入371.2亿元,其中海外收入占43.8%;THE MONSTERS占38.1%,毛绒占50.4%。这些数字同时记录了全球化与跨品类的成功,也暴露了单一IP和单一品类集中。泡泡玛特2025年年报

现有证据也支持一个更普通的解释:泡泡玛特也许是一家优秀的垂直整合消费品牌,拥有强审美、强渠道和数字化零售能力,但还没有形成平台型护城河。

两种解释的差别,需要从六组指标里寻找:

  1. 新IP的队列。 每年有多少IP首次跨过1亿元、10亿元和20亿元?两三年后还有多少留在这个区间?
  2. 集中度的质量。 第一大IP和第一大品类占比如何变化?其他IP的增长来自独立需求,还是被头部IP带来的流量暂时托起?
  3. 数据带来的增量。 海外会员、复购、直营数字渠道渗透率,以及推荐成交占比能否逐步披露?推荐系统比普通陈列多卖了多少?
  4. 供应链的反馈速度。 除了毛利率,还要看存货周转、缺货率、补货周期、折扣率和减值。
  5. 跨载体的经济性。 同一个IP从手办进入毛绒、饰品、家居和内容以后,新增收入能否带来合理毛利与现金回报?
  6. 重业务的资本回报。 乐园、电影、游戏和线下体验能否增强IP、获取新用户,并产生可接受的回报?如果公司始终不单独披露,投资者就很难判断它们究竟是资产还是营销费用。

组织是另一项不容易出现在财务指标里的风险。2026年,王宁给泡泡玛特2025年的业务表现打了90至95分,给组织只打70分。他担心漂亮数据掩盖海外交付、流程和团队问题。李翔《2026,再访王宁》

监管也会限制推荐与游戏化的边界。中国现行规则要求盲盒经营者公示关键信息、保护未成年人,并禁止操纵抽取概率;算法推荐服务还要提供关闭个性化推荐等选择。市场监管总局《盲盒经营行为规范指引(试行)》、《互联网信息服务算法推荐管理规定》

结语

泡泡玛特最有想象力的形态,是一套把全球情绪、审美和注意力转化为需求信号的系统。这些信号再传给艺术家、产品团队、渠道和供应链:用小规模试错发现IP,用全球分发放大IP,用内容和体验延长IP。

如果这套系统成立,前台会像迪士尼和耐克,分发会像抖音,后台会像拼多多。

现有证据足以支持一个数据化、全渠道、全球化的IP运营平台雏形。但用户侧推荐增量、供应链反馈速度和跨代IP命中率,还缺少证据。

护城河最终要落到四个可检查的优势:

比同行更早发现好IP, 更便宜地验证失败, 更快地放大成功, 更长久地经营已经成功的IP。

LABUBU证明泡泡玛特能够把一个IP放大到全球。接下来几批IP的表现,才会决定这是一套可复制的系统,还是一次极其成功的命中。

做 App 两年,收入刚好超过 50 万

记录时间:2026-08-10 14:46:08

这篇笔记记录我在一次裁员之后开始独立做 App,并在两年后回头看这条完全不在人生规划里的路。

前几天,我把做 App 这两年的收入算了一遍,数字刚好超过 50 万。

这个数字不算多,但这样的生活对我来说非常轻松。我的工作时间很少,大部分收入都是被动收入。真正超出想象的不是数字,而是我第一次知道:原来不靠上班,我也能挣到钱。

裁员把我的人生提前推到了最后一步

做自由职业,原本完全不在我的人生规划里。

我在 2023 年研究生毕业,毕业后去了特斯拉。那时的计划很普通:先在大厂上几年班,再跳到另一家大厂;干几年,再跳一次。等到 35 岁,手里差不多攒下一点现金,再决定往后做什么。

结果工作还没满一年,我就遇上了大裁员。公司给了 N+3,我拿着十几万块钱,坐在上海偏僻的出租屋里,不知所措。

上天就帮我提前跳到了最后一步。我确实拿着现金存款,但确实只有一点,而且到了这一步,我还是想不到该干嘛。

我只是想试试,能不能靠产品养活自己

我一直喜欢看国外独立开发和自由职业的内容,也读过《低成本创业》《精益创业》《小而美》,看过 Marc Lou、Levelsio 这些独立开发者的故事。

于是我开始想:要不要试着做一个产品,看看能不能养活自己?反正手里还有一些钱,大不了花完以后再重新找工作。

不过我后来才发现,真正选择这条路以后,再回职场没有当初想得那么容易。

于是,我开始做 App。

最难的是看不到收入的时候

大概做了半年,事情才开始有起色。

前面其实吃过很多苦,尤其是没有收入的那段时间。每天都在做事,又不知道这些事会不会有结果;每天也都在想,要不要还是去找个班上。

现在我说这样的生活很轻松,不等于这条路从一开始就轻松。

真正有效的,是三件很普通的事

如果要总结这两年的经验,我觉得最重要的大概是三点。

  1. 多做市场。
  2. 多花时间设计 onboarding 和付费墙。
  3. 不停地发帖。 在小红书、抖音、TikTok、Threads,以及任何能想到的社区里宣传产品。

坦白说,我做的产品没有什么惊艳的亮点,只是上面这几件普通的事做得比较好。

这是创作者最好的时代

走到今天,我越来越觉得,我们正处在人类历史上对创作者最好的时代。

  1. 在 AI 的帮助下,创作门槛已经很低。
  2. 自媒体是一种传播杠杆,传播成本也很低。
  3. 市场庞大到难以想象。

两年后的我,拿到了一个过去从未想象过的答案。

原来不靠上班,我也能挣到钱。

为什么你刷不到那些正在赚钱的公众号

记录时间:2026-08-07 09:49:53

这篇笔记整理自一篇讲「公众号贴图」的文章。我把它重写了一遍,去掉口号,留下能被验证的部分。我自己没做过这个方向,判断部分仅供参考。

公众号的图文越做越短,越来越像卡片。几张图配三五句话,就构成一条内容。

有人用它拿阅读量,有人用它涨粉卖货,有人用它把人导进微信。工具一样,结果差得很远。

你刷不到,不代表它没流量

公众号的传播和关系链、兴趣标签、阅读习惯绑在一起。后果是:很多账号在特定人群里跑得很猛,你一辈子刷不到一次。

中老年养生、怀旧故事、育儿资料、职场新人避坑,这些内容在你的信息流里不存在,在目标用户的信息流里是每天点开的东西。

所以你觉得土的选题,可能正是别人稳定获客的入口。判断一个赛道,要看那群人缺什么。你自己刷到过什么,说明不了任何事。

窗口来自大团队算不过账

这个形态目前还没被大内容团队吃透,原因很现实:单篇的直接收益撑不起一个团队的人力。规模化的一方不愿意投,个人反而进得来。

不需要拍摄设备,不需要人设,几张图就能测一个人群。这是它现在便宜的地方。

赛道要窄到能被验收

先看后端。如果你已经有产品、服务、资料、社群或者电商货源,就围着它选题,别反过来。减脂、家庭教育、学科资料、居家好物、中老年健康科普,这类领域自带「解决问题」的属性,转化路径短。

再看细分程度。把「美食」切到「上班族十分钟快手菜」,把「育儿」切到「挑食宝宝爱吃的辅食」,把「职场」切到「入职前三十天避坑」。主题、人群、场景各切一刀,剩下的流量才是精准的。

最后看目标。影视剧评、社会情绪这类大流量赛道能做,但要先想清楚你要什么:阅读量、涨粉、评论、商品转化、导私域,这五个目标对应五种完全不同的写法。流量大不等于粉丝准,曝光高不等于卖得动。

拆低粉爆款,别拆大号

大号爆了,可能只是因为粉丝基数大。真正值得研究的是粉丝不多但某条内容点赞收藏极高的账号,那说明选题本身击中了需求。

拆的时候看四件事:标题怎么写的,第一屏怎么抓人的,评论区在问什么,用户收藏它准备拿去干什么。

你拆的是需求,不是文案。学结构、换角度、用自己的案例重新写,这是能长期做的方式;直接搬图搬字,做不了多久。

想让系统给你推同类内容,就去搜关键词、深度浏览、看完评论区。这是在训练自己的素材雷达。

封面决定点不点,正文决定留不留

用户在碎片流里不会先判断你有没有深度,他先判断这东西跟自己有没有关系。

封面就四条:字少、字大、一图一个主题、关键词明确。标题越具体越好。「聪明的女人」改成「高情商的女人」,「减肥方法」改成「普通人最容易坚持的减脂习惯」。夸张没有用,具体才有人点。

正文三五句就够,但每句得有信息增量:一个真实观察,一个避坑提醒,一个具体方法,一个反常识的判断。结尾留个问题,让人有话可说。

一个例子:写给五零后的怀旧图文

有一类内容在年轻人看来很土:老照片风格的图文,写给五零后六零后的回忆,关于青春、儿女、辛苦半生。

排版简单,文字也不复杂。但它满足的是一个真实需求,被理解、被看见、被安慰。这群人有时间,有粘性,有明确的生活需求,也愿意为陪伴付费。

后端可以承接相册、日历、听书设备、适老化产品。同时这条赛道离红线最近,下面单说。

单篇广告费不是收入,是筛子

只靠流量主分成,除非撞上大爆款,否则收益有限。贴图的价值在于它是个便宜的前端入口。

完整链路是:内容曝光,账号涨粉,产品承接,私域沉淀,长期复购。

前端阶段别盯着那几毛钱,盯这四个信号:哪类标题点击高,哪类封面停留久,哪类话题评论多,哪类人愿意关注。

中端要求产品和内容对齐。用户因为哪个痛点关注你,就该因为同一个痛点完成转化。养生内容接养生茶和按摩工具,育儿内容接教辅和绘本,职场内容接简历模板和沟通课。

后端是信任资产。用户加你是因为你给过他价值,第二天就群发商品链接、朋友圈刷屏,透支的是同一份信任。稳的节奏是先输出,再建立人设,用低门槛产品测需求,最后才做高客单。

不能碰的几条

医疗养生的禁词:包治百病、降三高、根治、祖传秘方、绝对有效、不用看医生。轻则限流,重则封号。

制造恐惧和孤独:面向中老年的情绪类内容尤其危险。平台打击的是拿孤独感换打赏,不打击真正的陪伴和交付。

强诱导互动:「必须转发」「不转就怎样」「点关注领取全部」。图片文字、标题、正文、评论区现在都会被识别。换成「你遇到过这种情况吗」这种真问题就没事。

AI 批量灌内容:一天发几十篇,短期可能撞到爆款,长期做不出账号。AI 适合拓选题、优化标题、润色文案,痛点判断和情绪分寸还得人来把控。

便宜的验证比正确的判断有用

贴图不是什么高级玩法。它的全部价值在于便宜:一条内容就能替你验证这个赛道有没有人看,这群人有没有痛点,愿不愿意评论,会不会关注,最后买不买单。

验证完再决定投入多少。这比在岸上判断水深快得多。

160 元的股票,段永平想用 150 元的成本拿

记录时间:2026-08-06 14:06:12

这篇笔记整理自一次关于段永平在泡泡玛特上卖期权的讨论。文中的价格是为了把账算清楚而取的整数,不是真实报价。

先把三个数字摆出来:泡泡玛特现价 160 元,段永平愿意接受的持仓成本是 150 元,一个月期权的权利金按 10 元算。

他要解决的不是「一个月后股价是多少」。他提前给自己设计了两个都能接受的结果:跌下来,就用 150 元的净成本拿货;不跌,就收 10 元走人。

方法一:卖出一张 Put

执行价 160 元,收权利金 10 元。翻成人话:一个月以后,如果你愿意,我按 160 元买你的股票;为了承担这个义务,你现在先付我 10 元。

跌到 120 元。 对方会要求行权,他按 160 元接货。扣掉先收的 10 元,净成本 150 元。此刻市价只有 120 元,账面浮亏 30 元。

这里是最容易被误读的一步。150 元是他的持仓成本,不是地板价。股票照样能跌到 100 元、80 元,他一分都躲不开。卖 Put 省下的就是那 10 元。

停在 150 元。 150 低于 160,Put 照样被行权,他仍按 160 接货,净成本 150,市价 150。不赚不亏,拿到了自己要的成本。

涨到 200 元。 没人会把值 200 元的股票按 160 元卖给他。Put 作废,他手里没有股票,落袋 10 元。

方法二:买入股票,再卖出 Covered Call

假设港交所限制他继续卖 Put,他可以换一条路,同时做两件事:160 元买入股票,卖出执行价 160 元的 Call,收 10 元。净成本同样是 150 元。

跌到 120 元。 谁也不会按 160 元去买市价 120 元的股票,Call 作废。股票留在他手里,成本 150,市价 120,浮亏 30。和卖 Put 的结果一样。

停在 150 元。 Call 不会被行权。股票留下,成本 150,市价 150,不赚不亏。

涨到 200 元。 对方按约定的 160 元把股票买走。他 160 买入、160 卖出,价差为零,手里剩下那 10 元权利金。股票没了,赚 10 元。

两条路并排看

一个月后股价 卖 160 Put,收 10 160 买入 + 卖 160 Call,收 10
120 元 接货,净成本 150,浮亏 30 持股,净成本 150,浮亏 30
150 元 接货,净成本 150,不赚不亏 持股,净成本 150,不赚不亏
160 元 大概率不接货,赚约 10 大概率被行权,赚约 10
200 元 空仓,赚 10 股票被买走,赚 10

四行结果对得上。背后是期权定价里的看跌看涨平价(put-call parity):同一标的、同一执行价、同一到期日,卖出 Put 的现金流等价于买入股票再卖出 Call。区别只在开仓时占不占资金、算不算持股。

分开说一句:卖 Put 是先不买,跌下来再接;买股票加卖 Call 是先买下,不大涨就留着,大涨就交出去。

他到底在说什么

他没有说自己能把泡泡玛特按在 150 到 160 之间。他说的是另一件事:这家公司值得用 150 元的成本持有。市场肯给这个价,他就拿;不肯给,他就收下那 10 元权利金。

卖 Put 的两个结局:150 元成本买到,或者买不到但赚 10 元。买股票加卖 Call 的两个结局:150 元成本留下,或者股票被拿走但赚 10 元。

他放弃了一个月内大涨的那部分收益,换回 10 元确定的现金,把成本从 160 压到 150。

这套做法的代价

上涨被封死在 10 元。真涨到 300 元,他拿的还是 10 元,剩下的归别人。

下跌几乎没有保护。股价掉到 80 元的时候,那 10 元权利金聊胜于无。

换来的是确定性,付出的是弹性,风险本身并没有变小。整套操作成立的前提,是他本来就想在 150 元买下这家公司。不想买的人照着抄,跌下来接一手自己根本不愿意持有的股票,那 10 元一点忙都帮不上。

90% 的人,把 Codex 用反了

记录时间:2026-08-05 14:30:42

这篇笔记是个人观点,来自一条我最近在用的 Codex 使用方式。

大多数人用 Codex 的方式,是一上来就扔一句话:

帮我写一个 App。

然后 Codex 立刻开始生成文件、写代码。问题不在于它写不出东西,而在于它写的东西没经过验证。

架构是拍脑袋想的,坑是别人早就踩过的,需求也未必对得上。结果就是:一大堆代码生成了,然后你一句句推翻重来。token 烧在最没价值的地方。

先把 Codex 连上 GitHub

真正的省 token 技巧只有一句话:先调研,后动手。

第一步,给 Codex 连上 GitHub 插件。这一步是关键,它让 Codex 有能力去翻真实的开源项目,而不是凭空编。

然后,不要让它写代码。先发这样一段提示词:

我要开发一个 XXX。

暂时不要创建文件,也不要输出代码。

先在 GitHub 调研同类开源项目,筛选出最有参考价值的方案。分析它们解决了什么问题、采用什么架构、依赖哪些技术、目前是否活跃,以及有哪些设计值得复用或避开。

最后结合我的需求,给出技术选型、系统架构、MVP 范围和开发顺序。得到我的确认后,再进入实现阶段。

它会帮你做三件事

方向确定之前,Codex 会先做三件事:

  1. 找到经过真实项目验证的方案——别人已经跑通过的架构,比它现场编的靠谱得多。
  2. 研究别人已经踩过的坑——issue、PR、弃坑原因,提前帮你避开。
  3. 根据你的需求做技术取舍——选型、架构、MVP 范围,全部对齐你的实际情况。

等这三件事做完,你拿到的是一份有依据的方案,而不是一堆待推翻的代码。

确认之后,再让它写

Codex 给出方案后,你只需要确认或微调。比如:

MVP 砍掉后台管理,先做核心流程。

然后发一句「开始实现」,它才真正动手。

这时候生成的代码,命中率高、返工少。前面省下的调研 token,远小于你反复推翻重写浪费的 token——据说整体能省下大约 90%。

没有 GitHub 插件也行

如果你的 Codex 没有 GitHub 插件,把调研环节换成 web 搜索 + 读文档 一样有效。核心不是工具,而是顺序:先研究,再实现。

把顺序调对,Codex 才真正从「代码生成器」变成「能帮你做技术决策的搭档」。

三代之后,没人想回忆你

记录时间:2026-08-05 10:01:38

这篇笔记是个人观点,起点是脑子里突然冒出来的一句话。

人一旦死了,你所有的物品都是垃圾。三代之后,你的痕迹会被抹平。除非你给家族留下一笔大到无法忽略的财富,否则没人想去回忆你。

遗物在一周内变成垃圾

老人走后,子女回老家清屋子。抽屉里有老花镜、攒了三十年的报纸、写了一半的账本、一台还能响的收音机。这些东西在主人手里都有位置,有的还很贵。

清屋子的人给自己两天时间。留下三五样,剩下的装进编织袋,拖到楼下。留下的那几样谈不上有用,只是当天下不去手。等到搬家、装修、下一次腾地方,它们也会走同一条路。

你现在正在挑的那件东西,最后会由一个不知道它来历的人决定去留。

三代是记忆的上限

你爷爷叫什么,你大概答得上来。

你太爷爷呢。他靠什么吃饭,怕什么,爱吃什么,脾气好不好,做过哪件让家里人记很久的事。绝大多数人到这里就哑了。有族谱的家庭能翻出一个名字,名字后面是空的。

三代之后,你在活人脑子里只剩一个称谓:我太爷爷。再往后连称谓都省了。记忆有容量,谁都得先装眼前的人。

被记住是要有人付账的

还在被后人主动回忆的人,背后基本都挂着一笔仍在发挥作用的钱。祠堂要修,族谱要续,基金会每年要开会,公司大堂要挂创始人的照片。

后人回忆你,是因为回忆的过程里有他们自己的份。名字附在还在生息的资产上,就有人替你保管这个名字。名字什么都没附着,回忆你就成了一笔纯支出,谁也不愿意长期付。

财富买到的是一个被反复念出来的名号。感情不在这笔交易里。

知道结局以后,今天反而清楚了

我不打算靠攒钱去换三代之后的一句提及。那笔账算下来太贵,收货的人还不是我。

真正落到手上的只有这些:今天吃了什么,谁在旁边,正在做的事自己认不认。买东西之前多想一秒,这玩意最后由谁来扔。为了让别人记住而做的事,可以少做一点。

死后归零这件事,不需要解决,接受就行。剩下的时间还是照常过。

多 agents 协作的最好方式,就是不要让 agents 协作

记录时间:2026-08-04 14:04:37

这篇笔记是个人观点,文中引用的实验结论凭记忆写下,没有逐条核对原文。

多 agents 协作的最好方式,是不要让 agents 协作。

从 openclaw 时代到后 openclaw 时代,也就是短暂存在过的 hermes agent 时代,很多人沉迷于让 agent 模拟三省六部,或者模拟一家公司的组织架构。很少有人回头看一眼现实,也很少有人翻一翻理论。

组织是人类不得不付的成本

稍微大一点的公司都有「组织流程部」,或者叫别的名字、干同样活的部门。它存在的理由只有一个:组织间的沟通成本太高,高到需要专门养一个部门去压它。

有多高呢,很多公司一半以上的运营成本花在沟通问题上。

人类还是要组织结构,因为一个人干不完所有事,只能把这笔沟通成本认下来。

agent 不是。今天的 agent 已经能独立做完现实世界里需要一整个团队才能做完的事。既然如此,我为什么要替 agent 组织支付这笔成本?这是本末倒置,因果混淆。

三家实验室给出了同一个答案

google 对一百多种 agent 架构做过实验,结论是:在可并行的任务上,中心化 agent 加 subagents 能提升 80% 左右。

在顺序推理的任务上,无论 subagents 还是模拟公司组织的多 agent 架构,效率下降 39% 到 70%。

anthropic 虽然傻逼,但它的研究结论也是中心化 agent 加 subagents 是唯一解。openai 什么形式都试过,最后又回到了 subagents。

确定性机器之间沟通也不便宜

分布式系统里没有自然语言的歧义,参与者不是人,也不是像人的 agent,只是几台确定性的机器要对状态和顺序达成一致。为了这件事,我们引入 Paxos、Raft;为了大规模传播状态时省一点成本,又加上 Gossip 这类协议。

这些协议的成本大概没人算过。我自己做分布式系统的经验是,协议没用好,光维护协议就能吃掉整个系统一半的带宽,数据通信部分还没开始算。而这只是系统运转成本里很小的一块。

工作流已经把这条路走过一遍

在模拟公司组织架构的 agents 协作被发明之前,业界试过一轮类似的东西。前 agents 时代有从 n8n 到 Dify、Coze、FastGPT 的各种工作流。

有人不认可工作流是在模拟组织架构。但工作流干的就是把组织协调压缩成机器可以执行的形式,它是现实世界组织间沟通的最高效模拟。

那么它们做起来了么,使用它们的成本有人算过么。如果你已经觉得工作流的使用成本很高,模拟组织架构的多 agents 只会更高。

agents 越像人,沟通越贵

agents 越像人,agents 之间的沟通成本越往上走,是熵增。

agents 变聪明,不等于认知自动对齐。人类发明教育这类学科上万年了,认知也没对齐,何况 agents。

幸好 agents 还不做生意

我们应该庆幸现在的 agents 还没发展出商业行为。按人类商业的玩法,一半以上的商业模式建立在「信息差」之上,可见信息传播的成本有多高。

哪天 agents 也学会做生意,世界就有趣了。

想用 AI 赚钱的人,好像都在走同一条路

记录时间:2026-08-04 13:20:00

这篇笔记整理自我对一类账号的长期观察,是个人归纳,不是统计结论。它描述的是一种常见路径,不代表每个人都会这样走。

我发现,想用 AI 赚钱的人,好像都在走同一条路。而且顺序惊人地一致。

第一阶段:沉迷技术本身

先研究 AI 技术。MCP、skill、harness、上下文工程、各种 agent 框架,一个接一个地追。

这个阶段最舒服,因为它有明确的进度感。今天看懂了一个协议,明天跑通了一个工作流,每一步都像在进步。但技术的进步曲线和收入的曲线,是两条线。

第二阶段:第一次想商业化,却不肯用笨办法

研究到某一天会意识到,技术本身不产生收入。于是第一次认真思考商业化。

有意思的是,这时候大多数人不愿意按照已经被验证过的方式做生意和扩张——找客户、交付、复购、招人、复制。那些太慢、太重、太不性感。

于是选了另一条路:企图用 AI 把所有岗位都解决掉,一个人干完一整家公司的活,做 OPC。

第三阶段:发现 OPC 的尽头是流量

做着做着会发现,那些讲 OPC 的人,实际的变现方式大多数是三样:卖课、咨询、定制。

再往下看一层,这三样业务的核心全部都是同一个东西——流量。

于是开始做自媒体。

第四阶段:把经验打包,成为商业导师

这时候的处境有点尴尬:学了 AI,学了怎么做自媒体,花钱买了很多课,试了很多错,钱还是没赚到。

然后想起了那句话:把自己的经验打包,这是你的第一个产品。

于是开始教别人怎么做自媒体,教别人怎么搞流量,成为「商业导师」,教别人赚钱。

第五阶段:把自媒体当成主业

最后会发现,教别人赚钱这个赛道已经无比拥挤。而且所谓的商业认知、商业思维,在现实生活里往往没有办法落地——它们解释力很强,指导性很弱。

于是索性把做自媒体本身当成主业。

为什么你永远看不出他在卖什么

这条路径解释了一个常见现象:很多账号讲 AI、讲认知、讲商业,讲得很密很勤,但无论讲多少,你始终不知道他到底在卖什么产品。

因为作者自己也不知道。

更准确地说,是不愿意知道。卖一个产品,意味着放弃卖其他所有产品的可能性。 而他想要卖的是所有产品。

选择一个具体的东西去卖,就要接受一个具体的市场、一群具体的客户、一份具体的交付、一次具体的失败。不选,就永远保留着「什么都可能」的状态。

于是什么都卖,什么都做,什么都聊,什么都拍。

唯一的出口是收窄

这五个阶段有一个共同点:每一步都在往更宽的地方走。技术学得更宽,岗位覆盖得更宽,内容讲得更宽,受众定得更宽。

而赚钱这件事的方向,恰恰相反。

它要求你收窄到一个具体的人、一个具体的问题、一个能被验收的结果。窄到别人一听就知道该不该找你,窄到你交付完对方能判断做没做到。

放弃其他可能性,本来就是做成一件事的成本。

AI 提效以后,省下来的时间去了哪里

记录时间:2026-08-03 17:05:19

这篇笔记从一则匿名职场分享出发,讨论 AI 节省下来的时间为何未必直接变成下班时间。匿名内容无法核实,也不代表任何一家公司的普遍情况。

工具让事情变快,工作日却没有变短

我刷到一则自称大厂员工的匿名用户分享。

他说,聊天群里几乎所有人都承认自己正在大量使用 AI。写方案更快了,代码产出提高了,数据分析也不用每次从零开始。可当大家聊到下班时间时,没有一个人觉得自己因此提前下班了。

按他的描述,以前需要一天完成的事,现在半天做完。剩下的半天没有凭空消失,只是接着装进了新的任务。事情更多,交付更快,要求也随之提高。

我还是记住了这则分享,因为它把一个问题说得很具体:如果 AI 提高了生产效率,节省下来的时间去了哪里?

AI 能省下任务时间

在一项预注册线上随机实验中,453 名有工作经验的专业人士完成了与职业相关的写作任务。被随机赋予 ChatGPT 使用权限的一组,相比对照组平均少花了 40% 的时间,盲评质量还提高了 18%。这项发表于《Science》的研究支持这样一个判断:在边界清楚的写作任务上,生成式 AI 可以同时改善速度和质量。

在一个客服工作场景中,也观察到了类似方向。一项发表于《经济学季刊》的研究追踪了 5172 名客服人员,并利用 AI 助手分批上线的时间差进行估计。获得助手访问权限后,客服人员平均每小时成功解决的问题数提高约 15%,经验较少的员工提升更明显。

这些数字很容易让人产生一个直觉:一项工作原来需要八小时,现在效率提高了,工作日也该缩短。

这两项研究回答的是完成一项任务需要多久、单位时间能处理多少问题,却没有回答一名员工能否提前离开。任务有终点,岗位里的任务通常会继续出现。

省下来的时间先变成了可用产能

在按工作时间安排任务的岗位里,员工领取报酬所对应的是一段工作时间和职责,任务数量通常没有预先封顶。

当一份报告从一天缩短到半天,剩下的时间往往会被理解成可继续安排的产能。如果工时、任务量和绩效规则都没有改变,下一项工作就是效率收益的常见去处之一。

丹麦的一项研究询问了 AI 省下来的时间可能流向哪里。研究者把 11 类高 AI 暴露职业的大规模调查与行政记录连接起来。AI 使用者平均报告节省了约 3% 的工作时间。在那些报告有节时收益的使用者中,约 85% 表示,如果聊天机器人为任务省下时间,他们预计会把时间用于其他工作。

采用者与可比未采用者的登记工时和收入,没有出现明显不同的前后变化。这项 NBER 工作论文记录的是受访者的预期,不能排除较小的工时变化,更不能证明企业拿走了全部收益。谨慎一点说,任务提速没有在登记工时中表现为同等幅度的缩短。

产出标准可能跟着能力一起移动

效率收益还可能改变组织对「正常产出」的理解。

当只有少数人使用 AI 时,会用工具是一种个人优势。一个人可以更快交付,也可能因此显得能力更强。等到大多数人都开始使用,同样的速度可能逐渐成为基本要求。竞争也可能从「能不能完成」转向「同样时间里能完成多少、质量还能提高多少」。

这个变化未必需要管理者明确宣布。团队看见两天能做完的方案现在一天就能交付,下一次排期可能会参考新的速度。以前交一个版本已经足够,现在生成三个版本的成本降低了,评审标准也可能变成「为什么不多比较几种方案」。能做的版本多了,评审的预期也可能跟着提高。

对一些知识工作者而言,AI 降低了开始一项任务的摩擦,也让「顺手再做一点」变得太容易。人一边开会,一边等模型生成;一边写代码,一边让另一个代理检查问题;本来可以停下来的间隙,被新的提示和新的结果填满。机器可以并行,人仍然只有一份注意力。于是一天完成了更多事情,主观感受却可能比以前更满。

伯克利的两位研究者在一家约 200 人的美国科技公司进行了八个月观察,并访谈了 40 多名员工。研究者归纳出三类变化:员工开始承担原本属于其他岗位的任务,工作进入午餐和会议前后的零碎时间,同时维持更多正在运行的任务线程。她们还认为,当这种更快、更密的工作方式逐渐变得可见,额外努力可能被重新理解为正常表现。这项仍在进行中的研究提供了一个可以继续检验的解释,不能代表所有公司。

一部分时间也可能留给个人

任务预先封顶、做完即可退出时,效率可以直接变成时间收益。员工能够独立调整工作节奏时,也可能保留其中一部分。

一项由 Microsoft 与 66 家企业开展、覆盖 7137 名知识工作者的随机现场实验观察到了这种可能。随机获得 Copilot 访问权限的员工,在实验后期平均每周少花 1.4 小时处理 Outlook 邮件,在非正常工作时段里的 Microsoft 数字应用活动也平均减少约 0.25 小时。

但是,在研究能够观察到的指标中,Teams 会议时间及邮件、会议、文档的数量或构成都没有明显变化。研究者据此推测,个人能够独立调整的邮件流程比较容易改变,需要同事共同配合的会议和分工则很难由一个人改写。这些数据看不到非 Microsoft 应用和线下活动,不能当作完整工时记录。

这说明效率收益并非必然被新增任务全部吸收。现有研究也不足以判断,在不同岗位和组织里,哪一种去向更常见。任务边界、管理方式和工时规则,共同影响着员工能够保留多少时间收益。

闲暇还需要被写进规则

长期数据提醒我们,生产率与工时从来不是一比一变化。

OECD 对工作时间的长期整理显示,在有数据的 11 个国家中,每名劳动者实际工作的周工时自 1970 年以来平均减少了八小时,但下降速度越来越慢。1995 年至 2019 年,全职员工通常每周工作的时间大体保持稳定。OECD 比较生产率、工时和闲暇的趋势后指出,生产率增长没有与更多闲暇同步出现。

国际劳工组织对工作时间的历史回顾显示,八小时工作制、五天工作制和带薪休假等变化,除了生产率提供的物质条件,也离不开法律、集体谈判和企业制度。技术让「少工作仍能维持产出」成为可能,能否兑现还要看规则。

同样一份 AI 效率收益,可以变成企业的更多产出和更低成本,也可以变成员工更高的收入或更短的工作时间,还可能通过更低价格和更好产品流向消费者。企业也要承担工具、培训、审核和错误风险的成本,新增产出并不等于净收益全部归企业。即使工时没有下降,员工也可能因为少做重复劳动而改善工作体验。

个人当然可以学习工具,也可以争取更清楚的交付边界。但一个人无法靠更好的提示词,独自重写团队的绩效标准和工作制度。

AI 已经被观察到能缩短一部分任务的完成时间,却不会替人决定省下来的时间如何分配。当这些任务上的效率收益出现,它最终变成更多产出、更高收入,还是更短工时,仍由任务边界、组织规则和劳动者的议价共同决定。

不要先整理:把混乱的问题交给 AI

记录时间:2026-08-02 18:25:48

这篇笔记整理自我对如何把模糊想法交给 AI 的一次方法设计。

给那些想真正用好 AI,却总是不知道该从哪里开始的人,我有一个听起来不太像提示词教程的建议:先不要整理。

不要急着把问题压缩成三句话,也不要等自己想清楚以后再去问 AI。找一个可以说话的地方,把最近想做的事、卡住的事、一直没开始的想法,以及那些说不清哪里不对的问题,在避开敏感信息和可识别第三方细节的前提下,全都说出来。

这套方法适合问题还很模糊、自己也不知道该怎样定义的时候。已经明确、低风险且可以检查结果的任务,可以直接让 AI 制作第一版,不必先绕这一圈。

至少说十分钟。

这十分钟,是给那些开头没有说出口的东西留一点时间。然后,把转录文字交给 AI,让它先向你提问。

这套方法来自我自己的 AI 使用经验,我准备推荐别人试试。它还没有经过普遍验证,可以先当作一次简单的实验:看看当你不再努力把问题包装完整时,AI 能不能帮助你找到一项马上可以做的行动。

不要等想清楚以后再开口

很多人面对 AI 时,会本能地先当自己的编辑。

一句话还没输入,就开始删掉重复,补齐逻辑,担心背景太长,怀疑自己的问题是不是太琐碎。最后发出去的内容可能非常清楚,却只剩下自己已经知道的部分。困住自己的矛盾、犹豫和说到一半又改口的地方,反而没有交出去。

这些不整齐的内容,会补上整理过程中被丢掉的上下文。

更多时候,问题只有一个模糊轮廓。我们可能在一件事上反复打转,或者收集了很多资料,仍然不知道该从哪里开始。

这种时候,不必先把自己训练成一个会写提示词的人。先把原始材料交出来,让 AI 通过提问帮你一起理清。

先说够十分钟

十分钟只是一个最低约束,用来帮助人越过最初几分钟的自我审查。它不是科学阈值,也没有什么神奇效果。

我的判断是,刚开始说时,我们通常还在介绍背景,努力显得有条理,也会下意识避开那些让自己难堪、矛盾或者没有把握的部分。如果只说两三分钟,很容易得到一份口头版的正式汇报。继续说下去,准备好的内容慢慢用完,反复出现的念头才更有机会浮出来。

所以这十分钟里,不要追求逻辑,不要想着说得漂亮,也不用及时修正自己。想到哪里就说到哪里。前后矛盾没有关系,重复也没有关系。你甚至可以直接说:「我不知道为什么一直提到这件事,但它好像对我很重要。」

语音的作用,是降低表达的摩擦。可以使用豆包输入法的语音转文字,也可以直接对豆包说完以后复制转录内容。任何足够顺手、能保存文字的语音工具都可以,重点是让表达变得足够轻松。

一套可以直接尝试的流程

如果你想完整照着我的版本做,可以从下面这套配置开始。这是我目前推荐的具体入口,换成其他工具也能完成后面的核心步骤。

开始以前,先决定哪些内容可以进入第三方工具。删除密码、密钥、身份证件、未公开商业信息,以及不必要的姓名和联系方式。未经对方同意,不要上传能够识别第三方的私聊原文或独特细节。内容敏感时,还要先确认所用服务的数据处理方式符合自己的要求。

  1. 给 OpenAI 付费,使用当前能够在 Codex 中选择 GPT-5.6 Sol 的套餐。
  2. 下载并打开 Codex。
  3. 选择 GPT-5.6 Sol。
  4. 输入 /plan,进入计划模式。
  5. 在手机上打开豆包输入法,开始说话;也可以说给豆包,再复制转录文字。
  6. 至少说十分钟,然后把转录文字发到电脑上。
  7. 回到 Codex,输入下面这段话:

我刚刚说了一些想法,可能很乱。我会把转录文字粘贴在下面。请你先读完,不要马上给方案。你要先向我提问,帮我搞清楚这里面真正重要的东西是什么,以及我可以怎样用你把这些想法变成具体成果。请每次只问一个最关键的问题,一直问,直到我说可以开始为止。在我说可以开始以后,先总结你理解的目标、还不确定的地方和一项候选行动,等我确认后再执行。

  1. 粘贴已经去敏、与问题有关的转录文字。
  2. 按回车,然后认真回答 Codex 接下来提出的问题。

模型名称、套餐和界面以后都可能变化。如果你的账户里没有 Sol,就选择当前可用、最适合复杂推理的模型。这套方法的核心是语音倾倒和连续追问,不会绑在某个固定产品版本上。

为什么要让 AI 先提问

把一大段混乱文字交给 AI 以后,一个常见的冲动是马上问:「那我该怎么办?」

AI 可以很快给出一套完整方案,但它未必在解决你最关心的问题。转录文字里可能同时出现工作、学习、关系、创作和金钱。哪一件最重要,哪一句只是顺带抱怨,哪一个困难已经困扰很久,AI 仅靠第一遍阅读不一定能判断。

所以先暂时把提问的主动权交给 Codex。

这里交出去的只是提问顺序,最终决定仍然在你。AI 可以追问「如果只能解决一件事,你会选什么」,也可以指出两段话之间的矛盾,要求你举一个最近发生的例子。你仍然要判断哪些问题问到了点上,哪些方向不适合自己,以及最后愿意采取什么行动。

AI 的问题也可能带偏。它如果开始替你下诊断、预设你的动机,或者把一种解释说成唯一答案,就要求它列出其他可能性和目前无法确定的地方。你也可以直接拒绝问题里的前提,让它换一个方向继续问。

持续追问只需要帮助你从一团材料里,找到一个现在值得处理的问题。追问到这一步就够了,不必得到一份关于自己的完美分析。

什么时候可以说「可以开始」?当你能用一句话说清「我现在要处理的是……」,并能把下一步说成一个今天可以开始、完成后可以检查结果的具体动作。如果回答已经开始重复,就让 Codex 总结目前的理解和两个候选行动,再由你选一个。

找到一项马上能做的行动

这套方法的最低完成标准很小:找到一项马上能做的行动。

这项行动可以很小:给一个人发出那条一直没发的消息,列出某个项目最小版本必须包含的三项内容,打开一个新文件写下第一段,或者让 Codex 根据刚刚确认的目标开始制作第一份可检查的成果。

马上能做,不等于马上作出重大决定。遇到医疗、财务、职业和关系中的高风险问题,下一步也可以是核实信息、咨询合适的专业人士,或者给自己留出冷静时间。

一旦这项行动已经足够明确,就可以停止追问,切回执行。否则,「继续理解自己」也可能变成另一种准备,和反复收集提示词、比较模型、研究工作流没有区别。

按这套方法的目标,判断 AI 有没有帮上忙,只需看你是否比十分钟前更接近一个具体动作。

工具可以换,边界不能丢

不习惯语音,就写一份未经整理的长文本。暂时不想付费,也可以把同一段提示词发给支持长文本和多轮对话、数据处理方式符合自己要求的 AI。整套流程若听起来很奇怪,可以从一句更简单的话开始:

有人建议我这样开始用 AI。我想试试,但不知道该怎么做。你先帮我开始。

完整表达自己的问题,不等于把所有敏感信息原样上传。前面那道去敏检查不能省,也不要因为 AI 问得很具体,就交出与目标无关的私人信息。

在我看来,一段未经整理的材料,比继续收集工具和提示词更可能成为起点。我想推荐的,就是把这样一个问题足够完整地交给 AI,并允许它在给答案以前继续追问。

先说出来。

剩下的,让 AI 和你一起整理。等问题逐渐清楚,就选出一项马上能做的行动,然后开始。

至少在这个起点上,好奇心和持续追问,比技巧更重要。