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 TV·7月2日週四·20 min中文

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

重點
  • 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

乾貨
  • 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

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

詳細

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。

---

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Everything Goldman Sachs Taught Me About AI (In 10 minutes)
AI 技術英文8月24日

Everything Goldman Sachs Taught Me About AI (In 10 minutes)

Nate Herk

  • 驗證優於相信:看起來完整的AI輸出不等於正確答案,需在提示中要求模型重新檢查數字、引用來源,並對無把握的部分標記。
  • 區分AI與自動化:確定步驟且答案已知的任務用傳統自動化更便宜快速;只在需要判斷力、靈活性或處理複雜資訊時才用AI,兩者結合效果最佳。
  • 以問題驅動選型:先寫清楚「要解決的問題是什麼、成功的樣子是什麼」,再決定用什麼工具,許多失敗項目是從技術而非問題出發。
Mu: a self-hosted personal agent where the interface is an email address you can write to
AI 技術英文8月23日

Mu: a self-hosted personal agent where the interface is an email address you can write to

GitHub Awesome

  • Mu 是自主代理人系統,具有實際網址與獨立伺服器,用戶可透過多種方式與其互動——網頁應用、電子郵件或程式化介面。
  • 架構完整覆蓋日常工作流程的多個層面,整合郵件收發(SMTP/IMAP)、檔案管理、行事曆、新聞聚合、市場數據與搜尋功能於一個 Go 伺服器內。
  • 支援自帶模型與多種通訊協定,用戶可選擇不同的 AI 模型,並透過 MCP、HTTP API 或命令列工具整合到其他系統。