文章來源于「周喆吾」個人賬號

周喆吾 是 Presence 公司創始人、CEO ，曾任 MetaApp 聯合創始人，前摩拜單車移動端負責人，回國前曾在硅谷 LinkedIn 、Uber 總部增長團隊做研發工作。

近期，周喆吾在一篇文章中分享了其在 3D AR社交平臺 Presence 的創業過程中，對于產品方向、技術應用等方面的思考與不斷調整的經驗。

文章核心的觀點是，在AI創業中，不要忽視「快」（速度）和「長context」（長文本上下文處理能力）兩個至關重要的因素。

超 6000 人的「AI 產品市集」社群！不錯過每一款有價值的 AI 應用。

邀請從業者、開發人員和創業者，飛書掃碼加群：

進群后，你有機會得到：

• 最新、最值得關注的 AI 新品資訊；
  

• 不定期贈送熱門新品的邀請碼、會員碼；
  

• 最精準的AI產品曝光渠道

AI 浪潮剛開始，我們就沖到了美國總榜前 30。當時看著同屏的公司，都是耳熟能詳的大廠，其中有兩位還是自己當年在美國服務過的老東家，有一種飄飄然的感覺。

在這波 AI 落地的技術浪潮中沉浮沖浪了兩年，我的認知螺旋上升，被現實一再的打擊和蹂躪，逐步意識到哪些是錯誤的產品方向（留存、營收、護城河等角度判斷），再一點點 pivot —— 思考、實踐、反饋、迭代。本文記錄一下階段性的一些挫折和反思。

我之前忽略了快的重要性

在中國體驗不到，在硅谷生活的時候就發現 ChatGPT 隨手用太順手了，雖然單次用戶價值沒有那么那么高，但是用戶習慣會被方便影響；反觀 Perplexity，一開始起量也是因為快，自從加了 Cloudflare check 之后我的使用率就大幅下降了。23 年寫的這篇，當時的判斷還是莽撞了。絲滑、加載快，價值千鈞。

之前寫的 L4 取代白領是錯誤想法，其實90%是擴大了白領工作 TAM

例子：bland.ai，能達到真人聲音的打電話，調用預制好的決策樹和每個「prompt 單元格」。使用場景比如 Flexport（美國的航運、卡車運輸的滿幫）一個個給司機打電話問是否接單，然后同步到 demand 側。

再舉一例：行業習慣于用短信做召回，用產品做推送，現在可以直接有個「真人」客服做激活和留存；有點像是我們之前做游戲的時候，只有大 R 才能得到的 GS 體驗，客服運營拉滿，情緒價值和產品體驗飆漲。這個之前在小 R 和不夠大的訂單場景下，由于商業價值小于雇人的成本所以只能用靜態產品化體驗，現在可以達到客制化體驗（product -> product + sales/ops） 舉例子之前 Superhuman 的首次激活，不是讓你直接探索產品，而是約一個 30 分鐘的視頻電話，投屏 step-by-step 做到 inbox zero，有個售前陪著你達到 aha moment，這樣付費率飆漲。這種打法未來可以普及到更多的、更低 LTV 的場景里了。

這直接顛覆了 10 年前彼得·蒂爾《從 0 到 1》里提到的 distribution doldrum，之前只有大 ARPU 的商品可以做銷售，低 ARPU 的商品只能靠 mkt distribution，現在低 ARPU 的商品也可以提供強銷售和客制化體驗了！

再舉一個例子是本地化，之前出海公司主要做純空軍（工具、信息流、游戲）和空降兵（電商），陸軍業務很多都鎩羽而歸（滴滴只拿下巴西、OPay 在非洲收縮）。有了 L4 的 AI 員工，其實不應該是去取代傳統的空軍員工，而是低成本擴張陸軍啊......

Workflow Capture怎么做？

新市場出來了，切到業務增量里，然后把用的什么模型、什么云廠商，都抽象掉；引用王川，商業的 value creation 和 value capture 是兩碼事，誰被管道化誰就被 commoditize，變成完全競爭，不可能有超額利潤了。舉例子微信管道化了運營商，字節穿山甲管道化了應用商店。

Marc Andresseen 最近的采訪里說 browser war 對現在最大的指導意義是，Unix 最后戰勝了所有的 properitary server OS，SUN 公司 1000 億美金如日中天最后歸零。開源模型會使得模型層被管道化。最后價值在應用層，workflow capture —— 回歸遷移成本和網絡效應

我忽略了真正可用的 long context的實戰效應

Gemini 2.5 pro 給了驚鴻一瞥，原來 long context 真的如此有用，之前行業講了三年的 RAG/企業知識庫都是忽悠，因為模型在 runtime 只能利用一鱗半爪的上下文，根本達不到銷售說的功效。（很多時候大 SaaS 公司的老板是最大的 bs 銷售）

然而最新的 1m token context 真實可用的模型出來之后，丟 30 個文檔再聊，是完全不一樣的產品。

其實去年 Eric Schmidt 斯坦福演講就說的很清楚了，就是更少的 hallucination，更長的 context，更可用的多模態多 agency，路徑很早就 layout 了。但是只有模型真的出來，才醍醐灌頂。我真是后知后覺啊！

我為什么會犯這樣的錯誤？

反思：對于快和 long context 的忽略，包括更少 hallucination 會有什么 c 端體感。我為什么會犯這樣的錯誤？

模型從業者的微觀體感：產品需求寫在 PRD 里的很多實際上沒有意義，因為通過產品需求描述已經很難得到模型到底能不能做出來了。

比如 「讓模型調用企業知識庫里的相關文檔來給建議」，這樣的需求，到底是用什么模型、多長的 context，是用 RAG 還是全塞進去，效果/速度/成本都有巨大的差別。天淵之別，云泥之判！

所以產品經理寫一個這樣的需求就沒意義了。這個怎么解？我只能想到先多把玩，然后大量 ab 實驗，且實驗的時候一定要對基模和 prompt 參數有強限定。比如某個 feature 不行，不一定是 PRD 不行，沒準換個更大的 base model 就能打正。

其實這件事之前張月光也給我們講過了，妙鴨相機和其他所有類似的影樓寫真就是模型能力區別。關鍵詞：真、像、美。DeepSeek 也是一樣道理。C 端產品經理需要大踏步的提升自己的認知模型。很多時候最大的正向收益在調模型里，怎么調用怎么利用，而不是在 UI/UX 上。模型是超能力，是力量之源。

同理，投資人的工作也很難做，我觀察到投資人經常專注在產品定位、流量和交互上，實際上還是要看快/長/智帶來的 C 端體驗變量。最讓我佩服的投資人是 Yuri Milner，他是我見過這些大老板里唯一一個跟我坐在一起手把手把玩產品，問我畫面延遲細節的。大家都會看 30 日留存、看用戶訪談匯總、看 TAM，但是有幾個會自己把玩？移動互聯網中美一共有 10 家達到千億美金，他投中了 7 家。

推薦算法年代的以史為鑒

最后剩者為王，最強的產品是能最大化把推薦算法能力爆發的 UGC 短內容生態。AI 時代可能也是，什么產品最大化發揚模型的超能力，能贏。

Sundar Pichai 最新的思考里，只做一件事：做出最好的模型，場景、商業模式 follows。管理 20 萬人可以只專注到一件事上捅穿，是有大智慧的。

轉載原創文章請添加微信：founderparker