KeyFrame內部研究專用

产品经理PM还会存在吗 | Codex主管Andrew | 产品流程反转 | 品味 | PRD已死原型当立 | 锚定效应 | 判断力 | 设计流程 | 协作模式 | 失败教训

Best Partners TV20 min中文
觀看原始影片

三句話摘要

AI 時代產品工作的本質反轉:從驗證想法的成本變低,到判斷哪個想法值得做變得最稀缺。 --- AI 降低了做出來的成本,但提高了做對了的難度;工具容易取得了,判斷力反而變成了最不可替代的稀缺資產。 產品流程根本反轉:以前實現成本高,所以必須先做研究、文檔、原型、驗證風險才敢寫代碼;現在實現幾乎免費,真正昂貴的是品味能力,即判斷 90 個同時生成的功能方案中哪個最值得整合進產品。

重點整理

  1. 產品流程根本反轉:以前實現成本高,所以必須先做研究、文檔、原型、驗證風險才敢寫代碼;現在實現幾乎免費,真正昂貴的是品味能力,即判斷 90 個同時生成的功能方案中哪個最值得整合進產品。

  2. 品味是多層次的判斷:不只是表層審美(動效節奏、視覺匹配度),更重要的是系統思維(功能是否適配整體架構、會否衝突)和方向判斷(在無限可能中選對投入資源的路)。

  3. 岗位融合但不消失:Codex 團隊裡設計師懂代碼、產品經理懂技術,工作邊界模糊了,但岗位仍由「平均時間投入方向」定義,並非所有崗位都消失,而是需要基層級專業能力。

  4. 規劃策略反差極大:短期事情做細節、長期只看方向;提前做所有功能原型,等模型升級後逐次驗證能否上線,而非精確規劃 9 個月後的計畫(那是虛假精確)。

  5. --

實用技巧與重點

  • 數據與現象
  • Codex 周活躍用戶:6 個月暴漲 6 倍,突破 500 萬
  • OpenAI 內部採用率:近 100% 員工每週使用
  • 常見情景:90 個無協調的團隊同時手搓 90 個功能完全相同的產品原型
  • 工具與技術應用
  • 記憶功能、日報自動生成、Notion + Codex 自動同步狀態追踪
  • AI 可直接操作電腦界面(無需 API)、修改 Premiere 工程文件、自行寫軟體插件
  • 案例:攝影師用 Codex 剪視頻,靠 AI 修改 Premiere 文件和自寫插件完成
  • 產品規劃原則
  • ≤9 個月:做細節 >9 個月:只看方向
  • 模型升級週期是驅動因素,同一功能外殼可能要發布 6 次才等到模型能力跟上
  • 2 月發布的 Codex 應用成功,但同樣產品提前到 11 月發布會失敗(模型能力決定體驗)
  • 角色與團隊
  • 工作方式:區域聯防式,不是自上而下規劃
  • 核心工作:策展、引導對齊、梳理散落的想法
  • 招聘重點:主動性、品味、產品意識,而非單一技能
  • 講者背景
  • 安德魯·布羅西諾:做過設計師、寫過代碼、有創業經歷,成功前失敗 10~15 年
  • --

結論

AI 降低了做出來的成本,但提高了做對了的難度;工具容易取得了,判斷力反而變成了最不可替代的稀缺資產。

完整解析

AI 編程工具 Codex 的爆紅背後,反映的是整個產品工作流的根本反轉。過去十年,軟體產業的底層假設是「實現成本高昂」,因此團隊必須在動手寫代碼前就把所有假設驗證清楚:先做用戶研究、寫詳細需求文檔、做低保真原型、多輪評審,風險預置換掉後才動手開發。儘管行業早已告別瀑布式開發,但這套「預先規劃」的邏輯仍根深蒂固。

而今,AI 把代碼實現的成本壓到了幾乎零。OpenAI 內部時常出現 90 個毫不相關的團隊各自手搓同一功能的情景。這時候,真正稀缺的能力變了:不再是「能否把想法實現出來」,而是「在幾十上百個現成方案中,品味出哪個值得正式投入、哪個應該棄用、哪個該整合進某個更大的功能模組」。這是對審美、系統思維和戰略眼光的綜合考驗。

很多人誤解品味就是介面好不好看。實際上品味分好幾層。表層確實是審美——動效節奏對不對、視覺與語義是否匹配;中層是系統思維——這個功能放進整體產品架構裡合不合適,會不會和別的模組衝突;最深層是方向判斷——當你什麼都能做時,該選擇做什麼,怎樣走到那個目標。正因如此,過去「能不能寫代碼」成了硬門檻,現在「該寫什麼代碼」變成了最難的問題。

這一轉變也改寫了產品團隊的協作方式。傳統的分工(產品經理負責規劃、設計師負責美感、工程師負責實現)已然模糊,但並未消失。Codex 團隊的設計師多數懂代碼、產品經理懂技術,工作內容高度重疊。然而岗位不再由「你做的事從哪開始到哪結束」定義,而是由「你平均把時間花在什麼上」定義。設計師可能花 30% 的時間寫代碼,但平均下來重心仍在設計美感和系統架構。這是融合而非消失。

在規劃策略上,Codex 團隊採取了完全不同的節奏:短期事情(幾週到一個月)要做細節,長期規劃(9 個月以上)只看大方向,任何超過 9 個月的精確計畫都是虛假精確。核心原則是「提前做完所有功能的原型」,等著模型升級。同一個功能的外殼可能保持不變,但因為模型能力差異,用戶體驗可能天差地別——2 月發布的版本成功,同樣的產品若提前到 11 月發布就會失敗,唯一的變數就是這幾個月裡大模型能力的躍升。

講者本人則用 Codex 搭建了自己的工作系統:每天早上一份自動生成的日報,汇總了他加入的幾千個 Slack 頻道中最關鍵的五個問題;五月的一次大版本發布,整個協調基本靠 Codex 在 Notion 裡自動拉取代碼提交和 Slack 更新。這些個人工作流因人而異,但共性需求(如記憶功能)應該沉澱進產品底座,避免每人都重複造輪子。

Codex 最終的願景不是把所有軟體都塞進一個聊天框,而是像水一樣滲透進使用者習慣的所有工具——用表格就不展示代碼、寫代碼就給完整開發環境、自動調用需要的工具、根據任務自適應介面複雜度。這種「工作主機」的定位,跨越了傳統的「開發者工具」邊界。

---

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。