YX Nexus 周报001

寻找有趣的想法，记录思考的过程

Connecting Thoughts, Creating Cognition

输入精选

1.两个想法之间的差距越大，它们的结合就越具有原创性和令人惊讶性。 -- 尤德·肯尼特（Yoed Kenett），美国心理学家

2.“AI”不再是“AI”，AI产品的构建：进一步探索文章——“AI”只是个名字：复杂性转移与产品设计

OpenAI首席产品官：

人工智能，其实就是那些还没实现的东西。因为一旦它实现了、能用了，我们就把它叫做机器学习；等它变得无处不在，我们又把它称作算法。我们总是在它还不太靠谱的时候，把它叫做 AI。
模型的智能本质上是多维度的。某个模型在“竞赛编程”方面非常强，但那并不意味着它也擅长前端开发，或者后端开发，或者能把一堆用 COBOL 写的代码转换成 Python。光是在“软件工程”这个领域里，模型的能力就有各种不同维度。
艾森豪威尔有句名言：“计划没什么用，但规划过程很有价值。”我非常认同这句话，特别是在快速变化的行业。比如说季度路线图，我们可以趁机思考：“哪些做得好？哪些没做好？我们从中学到了什么？”所以，哪怕你的规划只有一部分是对的，那这个“规划的过程”依然是有价值的。
我们整体的心态就是：两个月之后就会有一个更好的模型，它会彻底打破现在存在的那些限制。所以，如果你正在开发一个产品，如果你构建的东西刚好卡在模型能力的“边缘”，那就继续做下去，说明你选的方向是对的。
我认为未来的产品团队中一定会有越来越多研究人员内嵌在团队中。我不仅仅是指像我们这种基础模型公司。其实说实话，行业里让我有点惊讶的一件事是：大家对“微调模型”的应用还不够广泛。你知道吗，其实这些模型已经非常强大了。
我们的 API 在很多事情上表现得很好，但当你有特定的用例时，你总是可以通过微调来让模型在特定的用例上表现得更好。这只是一个时间问题，人们还没有完全适应这样做。

3.少楠Plidezus，flomo创始人之一，产品沉思录主理人之一

创业最关键要解答的问题是：怎么做到既让用户满意，又能让公司赚钱（或不烧钱），还能把事儿长长久久的做下去？
和企业生命周期息息相关的两个重点：（1）抓需求（2）控成本
「抓需求」第一个反常识：用户想要的不是新功能，而是更好的自己（用户会为了自己想象中的期待买单，且往往做决策的原因和动机非常简单）
「用户每天很忙很忙。我们永远是嵌在用户整个生命旅程的一小个环节。很多时候，我们做的产品在用户的生命里没那么重要」（放下ego，和真正的用户站在一起。真正的用户没那么朴实无华，但真实往往也并不那么Fancy)
「用户真正需要的并非产品本身，而是产品所带来的结果和进步」（产品功能没那么重要，用户可感知的结果和价值才更加重要）
「抓需求」第二个反常识：避免高级用户陷阱，没有调查就没有发言权（高级用户的需求往往不是普通用户的需求）Flomo之前每年做2000+份问卷，做几十场1V1的访谈。做产品，就要去看看真正真实的世界。产品经理觉得好的功能，和用户真正觉得好的功能，大多时候是两个世界。
「抓需求」第三个反常识：非顾客才是重要的顾客（「非顾客远比现在顾客群体更大，其中隐藏着真正需求和创新——《成果管理》）
关于控成本，任何大的功能迭代，都务必保障『先算账，再动手』
『优化成本能直接带来利润，扩大营收只有部分能转化为利润——《经营者的财务金三角》
任何大的产品决策，不要盲目从众。谋定而后动。花时间充分调研，是绝对必要的。对创业者而言，先活着，比什么都重要。
『如何Balance 产品体验和成本控制的点？』——『先知道体验的阈值是多少：80还是85要把体验的临界点再define出来』

4.首款设计Agent Lovart的产品构建思维与AI产品洞察，这同样适用于个人转型：

Lovart创始人陈冕：

当然，它（Lovart）首先是一个工具。但你可以理解为，它现在是工具，未来可能演变成一种「人」、一种「职业」，或一种服务。这也是 AI 带来的变化。一个非常有意思的商业命题是：我们不能沿用工具时代的思路来理解 AI 时代的工具。SaaS 的本质是服务由人提供，是人使用工具。而现在，AI 成为提供服务的主体。这里的商业价值巨大，本质上是对特定职业生产效率的提升甚至替代，是对生产关系的重构。所以这是一件令人振奋且意义巨大的事。尽管国内投资人过去在工具类项目上损失惨重，但我认为对 AI 领域的投资应更乐观。
中国人愿意为服务付费，为最终结果付费，只是对纯粹的工具付费意愿较低。所以关键在于 AI 最终是工具、服务还是结果？这取决于模型的智能程度。我们认为 AI 最终会成为直接交付结果的服务，因此中国用户会为此付费。这是对未来的预判，当下我们先从海外市场开始。
如何与 Agent 协作和打交道，我们也是第一次。它们确实有自己的「想法」。所以在这方面，我们都还在持续摸索。不过，我们公司有很多设计师，他们觉得这个过程很有意思，因为某种程度上他们在「教」AI 如何进行设计。
本质上就是将人类的设计 know-how 传达给 AI。简单理解为将设计领域的知识和流程融入到模型训练和 Agent 逻辑中。我认为未来的产品经理，其核心价值更多在于行业知识深度，在于将特定行业的 Know-how 体系化地教给 AI。
真正需要思考的是，你自身的优势是什么？在规划要做的事情时，要想清楚这需要哪些关键能力，其中哪些是你的核心优势，并且这个优势目前还没有被其他团队充分利用。基于自身优势去寻找市场机会，这才有意义。所以核心并不是简单地看竞品有没有做什么。

5.AI时代的个人转型：谷歌前CEO 埃里克·施密特 (Eric Schmidt) 在最新一期的TED演讲中对处于这场技术变革中所有渴望转型的或兴奋或焦虑的人的建议：

有一件事必须记住：这是一场马拉松，不是一场短跑。
我们当年在谷歌共事时就发现，在我们那种增长速度下，一年内能完成的事情太多，多到你甚至会忘记自己走了多远。人类的大脑无法真正理解这种指数级的变化。而我们现在正处于这种指数曲线加速上升的阶段。随着技术变革速度越来越快，你会忘记两三年前的“真理”曾经是什么——这点至关重要。
所以我给所有人的建议是：要顺势而为，但要每天都顺势而为。不要把它看作某种阶段性的任务，也不是你完成后就能放下的事，而是你必须理解它，并在此基础上不断构建。
无论你是艺术家、教师、医生、商业人士还是技术人员，每个人都有理由去使用这项技术。如果你不使用它，相比你的同行、竞争对手，以及那些渴望成功的人，你将变得不再具有竞争力。
要拥抱它，而且要迅速拥抱它。
我自己都被这些系统的发展速度震惊到了——顺带一提，我的背景是企业软件。如今，Anthropic 开发了一种叫 MCP 的模型协议，你可以直接把模型接入数据库，完全不需要那些传统的连接器。我知道这听起来很“极客”，但原本依赖连接器的一整个产业可能都会因此消失。现在的系统能让你只需说出你想要什么，它就能直接给你生成结果。这就是商业世界正在发生的真实变革。
而像这样的变革，现在每天都在不断出现。

输出思考

1.警惕：

频繁使用AI工具与批判性思维能力的下降之间存在显著的负相关关系，尤其是涉及决策等方面。
因素是“认知卸载”的增加，即个体倾向于将本应由大脑完成的认知任务（基于环境的客观理性分析、决策）交给AI，长期可能导致相关认知能力的弱化。
同时，利用AI辅助反思，注意因过多的“正确客观言论”而流于表面，有些时候，哪怕只是自己感受到一小点也受益匪浅。少即是多。

2.我观察、思考到，当前貌似成功（有实际作用、提高效率、前景广阔、明面上收入较高尽管可能不盈利）的AI Native应用（如以Cursor为代表的非模型应用），都是一看就知、细琢磨也对然而没啥用的观点：

都核心围绕AI进行设计和运作。
都有智能化的信息索引和管理机制。
都依赖AI进行深度交互和辅助。
都采用多模型协同工作的后台架构。
其目标都是提升特定领域的效率和体验。

3.模型不仅是技术工具，更是价值观、审美标准和叙事逻辑的体现。

翟东升（长期观察国际政治经济和中国发展的知名学者）：

“语言大模型的底层是价值观…图形大模型的底层是审美…视频大模型的底层是叙事和话语权…”
“谁掌握了语言大模型图形大模型视频大模型的主导权…谁就掌握了二十一世纪的意识形态的主导权。”
“我们要上升到这个层次上，上升到...和...生死存亡的概念，来讨论人工智能的主导权的问题。”

进一步思考文章：智库学者对于AI重塑制造、意识形态与治理的大局观

4.一款孵化中的产品的宣言YX Nexus 产品宣言 v0.1 (概念说明书)。

我们的核心目标是：助力用户在探索内心与外部世界的旅程中，不再孤独，持续进步。

5.一个包含主流LLMs、AI Agent应用中文系统提示词的开源仓库它包含：

LLMs — ChatGPT、Claude、DeepSeek、Gemini、Grok、Kimi等。
AI Agents — Bolt、Cline、Cursor 、Devin、Dia、Lovable、Lovart、Manus、Perplexity、Replit、Trae、v0、Windsurf等。

6.“AI”只是个名字：复杂性转移与产品设计

AI的本质并不是某项具体技术，而是对未来能力的一种投射。或者说是一种大众的认知标签。
复杂性不能消失，只能转移。
对于产品来讲，或许“AI-first”应该被“User-first，AI-enabled”替代。更多的体验设计、交互创新、系统封装、生态构建未尝不是竞争力。

继续探索

1.Ilya Sutskever（曾任OpenAI的联合创始人及首席科学家）推荐了30篇 AI 领域（大部分）的相关奠基论文，评价：“If you really learn all of these, you’ll know 90% of what matters today. ”

后续我可能会出一个专题，深入浅出拆解这些学术论文。论文地址：

https://aman.ai/primers/ai/top-30-papers/

2.Andrej Karpathy（OpenAI创始团队成员）提出了一种新的 AI 学习方式 “System Prompt Learning” ，其核心思想是，LLM应该像人类为自己“做笔记”一样，动态地学习、修改和优化其自身的“系统提示词”。

他指出，当前LLM的学习主要依赖于预训练（Pretraining）——获取广泛的知识、微调（Finetuning，包括监督学习和强化学习）——塑造习惯性的行为和风格。但他认为，这两种方式都涉及到模型参数的改变，而很多人类的学习过程，更像是对“系统提示”或“行为准则”的显性更新和记忆。就像我们在遇到问题、想出解决方案后，会记住一些明确的规则或策略以备下次使用（也许）。

他的灵感也来自 Claude 最新泄露出的长达17000词的系统提示词中，其中不仅包含行为风格，更有大量通用的问题解决策略。Karpathy 认为这类知识更适合通过 “System Prompt Learning” 来生成和优化，而非仅仅依赖强化学习写入到权重里或由工程师手写。

通过这种机制，LLM 仿佛在不断地为自己撰写和修订一本关于如何思考、如何行动的“内部操作手册”，实现一种更主动、更可解释的自我进化。

这也是一种人机协作新范式的具体体现。用户不再仅仅是使用者，更是 AI 学习和进化的引导者和反馈者。用户提供的结构化思考、明确的偏好、甚至是对 AI 行为的“元指令”，都可以成为 AI 进行“System Prompt Learning”的宝贵输入。

这也意味着AI不是简单的工具，而是与用户共同学习、共同进化的对象。