战略
战略的基本理念是以己之长攻人之短。
要在一个差异化认知里聚焦，建立局部资源优势。
比如一个创业公司，永远不要试图用投放打赢大厂，大厂的投放几乎无成本，何况即便是字节，也看重用户口碑。
不要老想终局，你是创业者，不是投资人。
也不要老想壁垒，你是创业者，你不是大厂。
不同公司的mission和位置不同，这个世界足够大。
AI Native
什么是 AI Native？
AI 的占比并不重要。
AI 的核心作用是让之前的不可能变为可能。AI PPT 类产品在卖的不是一个 AI 生成的大纲和图片的组合，而是借助 AI 创造了 PPT 创作的新范式。
在 AI 成本较高的时候，反而是 AI 占比低一些，更容易跑通商业闭环。
AI 有点像维生素片，用户为文字产品（维生素药品）付费的意愿极低，但是对包装好的产品（维生素保健品）的付费意愿就会高很多，尽管包装的成本和技术水平可能更低。
AI PMFs
在新的技术（GPT5）来临之前，最先进的玩家已经入局，已经做了尝试。
现有的 PMF 就往往就是已经被验证过的。
可以沿着这些思路和自身资源优势去思考差异化的变体。
在哪里寻找 PMF？
- 每月的 AI 产品增速榜
- YC 和 a16z 关注的新项目
- 一线 AI 公司的产品岗位需求
- 二级市场的咨询话题需求
AI 和 App 的配比
这部分 insights from 张月光，非常认同。
- 对于做模型来说，做学术从20到50分已经很厉害，但是做2C就需要稳定在80分的部分，然后优化到100分再给用户。
- 对于C端用户来说SOTA没有意义，不是100分就是0分。
- 产品要达到 problem solve 水平。
- 模型是开放而通用的，但做应用要做精确的 single domain，做商业价值中最大的部分
- LLM 模型很难定义清楚什么是100分，即使是非常擅长的总结，定义也非常模糊。
- 图像模型就简单多了，人看一眼就知道。
- 算法找到靠谱的合作者很重要，尽量避免一天接 10 个需求/今天做这个明天做那个/需求都还描述不明白的团队。在几个月里专注于一个非常明确的 domain，反复想办法找数据、找层、调超参，目标就是把这玩意给解出来，会比较容易拿到结果。
PM
一个项目需有两个PM
一个做系统构建的PM，设计用户-技术-商业闭环
一个懂模型的PM，定义清楚的技术指标
两个，并不是实际的数量。
算法
有自己的模型团队，有时候会成为燃料，有时候会成为镣铐
有自己的模型的创业公司，可以做的尝试也多，往往在对模型的认知上要更深刻。
但很多时候用不用自己的模型并不重要，至少在起步阶段，用开源模型和API完全足够。
等技术真的成为增长的瓶颈了，此时的资源也许已经能吸引到好的算法。
PM x 算法
AI 产品的PM和算法的合作模式比较特殊。需要相向而行，找到双赢的合作模式。并且对未来几个月的算法迭代有共同的合理的预期。
一旦某一方有了甩锅心态，或者为了追求单一一方的KPI，这个项目就根本不可能成功了。不管是大中小厂都是如此。这也是创新者的窘境里微观的部分。大公司的算法组在为了主业务做优化的时候，和创新项目组不可能双赢。
附上产品经理和算法的日常
算法和雕花
需要雕花吗？当然是需要的
算法迭代的速度是非常缓慢的。
GPT4 发布之后已经一年了 GPT5 还没出来。
在这没出来的一年里，真正发展的就是雕花技巧。
Kimi 、秘塔、AIPPT，一个比一个雕的厉害。
而且现在去看各家大模型，效果其实都没有质的差异。
真正差异化的就是雕花水平。
很多工程的知识，学习难度反而是大于大模型相关的知识。
杨植麟在做算法研究，当然可以不管雕花。
你在做应用的时候千万不要小看雕花。
附上一个 Dify 里的雕花图
你已经把全文读完，为你的品味点赞。
