思绪

最近和一位产品经理朋友聊天，她也是一位 4 岁孩子的妈妈。我们聊到了两个让我很感兴趣的问题。

幼儿园为什么需要那么多时间规则？

据她观察，孩子不太愿意去幼儿园，一个原因可能是幼儿园更有秩序：几点学习、几点游戏、几点吃饭，很多事情都已经被安排好；在家里，孩子的时间相对自由。

这让我开始思考：幼儿园里的时间规则究竟服务于什么目的？

一种可能是管理效率。孩子越多，老师越需要借助统一的时间安排降低管理成本。如果希望给孩子更宽松、更个性化的空间，往往意味着需要更高的师生比，也可能带来更高的费用。

另一种可能是帮助孩子逐渐适应集体生活。幼儿园、小学和之后的学校生活都需要协作与规则，提前认识时间和秩序，本身也是社会化的一部分。

还有一种可能与儿童的认知发展有关。年幼的孩子专注时间有限，把活动拆成较短的学习和休息周期，可能更符合他们的注意力特点。

这些都只是我基于一次聊天形成的初步理解。幼儿园的规则既可能服务于教学和协作，也可能压缩孩子自主选择的空间，二者如何平衡，值得继续观察。

AI 会怎样进入孩子的陪伴关系？

我问她，作为一位接触 AI 产品的母亲，是否会担心孩子这一代的未来。她说会担心，因为 AI 变化太快，很难判断孩子长大后会面对怎样的工作和社会环境。

她偶尔也会让孩子和豆包聊天，因为 AI 能比较稳定地接住孩子的话题，还能记住过去谈过的内容。

这让我意识到，“记忆”可能是 AI 陪伴中很重要的一部分。父母未必能记住孩子说过的每个小细节，而 AI 可以持续保存和调用这些信息。

但更值得思考的是：父母能不能把 AI 当作辅助记录工具，帮助自己更好地记住孩子、理解孩子，再把这些记忆带回真实的亲子关系中？AI 可以帮助记录和提醒，但人与孩子之间的感情，仍然需要在真实的相处中建立。

最近和两位朋友聊天，听到一个通过政策和资源合作降低创业成本的案例。

1. 政策与合作资源

一位教育行业创业者在当地开展线下围棋教育。据朋友转述，他获得了部分场地和创业政策支持，也通过加盟合作降低了前期师资成本。

这个案例让我意识到，创业前除了研究用户和产品，也值得研究当地公开的产业政策、创业补贴和园区支持。不过，不同地区、不同主体的申请条件差异很大，朋友转述的个案不能直接复制，真正行动前必须查询当地政府发布的正式文件，并核实适用条件。

2. 一手信源

这件事也让我重新注意到“信源”的价值。互联网信息有原始信息，也有经过多次加工的内容。政策文件、主管部门说明和真实从业者经验，比没有出处的二手结论更值得优先参考。

3. 选址与精准客流

摆摊或开设线下业务时，客流数量并不是唯一标准，客流与产品是否匹配更重要。

例如，手工、文创类产品可以考虑文创园区。虽然摊位成本可能更高，但人群兴趣更集中，需要通过更好的产品提高成交率和客单价。面向学生和家长的产品，则可以寻找亲子客流集中的场所，但也需要考虑家长的防备心理。

所以，线下选址不能只问“哪里人多”，还要问“这里的人为什么来、他们是否需要我的产品，以及我能否用有意思、有用的方式建立信任”。

记录一个过往不会关心的板块。而且这是很有必要的，需要拓宽自己的事业和认知边界的事情。这次了解和学习的是关于“工厂、供应链、品牌”之间的关系。

1、先说工厂端。

工厂拥有的是生产能力，而生产能力来源于生产要素和生产工具，而工厂的生产工具成本极高，整个生产线上的设备成本非常高，且有折旧。所以简单来说，对于工厂 需要有稳定的订单来源，来保证这些设备的正常运行，来摊薄固定成本。另外工厂中的工人属于单位变动成本，会随着订单的增多而线性增加。这个过程中，如果每个月的订单相对固定 且 稳定，那工厂就可以有可观稳定的毛利收入。

不过这个过程中，有一些板块是有一些细节的。

第一，固定成本。这个确实是可以摊薄的，但是如果在过程中 突然增加新设备采购，新设备的成本可能会快速压垮现金流，所以这中间工厂还需要考虑设备采购带来的现金流影响。

第二，人工成本。人工可以是单位固定成本，但是准确来说是"半固定成本"。一部分是，我们为人工支付的底薪和五险一金是相对固定的，有这么多工人就需要支付这么多的底薪和五险一金。还有一部分是，订单激增时的加班费用，工人每天工作时长固定，工作时间增加 也会增加加班的费用，有时候会成倍增加。还有一部分是，部分工人的持续保留，比如一些优秀的工人 需要长期持有，不能随着订单的减少 而砍掉优秀工人，以防他们换工厂。如果出现此类情况，那在工厂订单回升的时候，就需要大规模招聘，从而又有新的成本增加。

第三，是利润率。部分大工厂在和一些品牌合作的时候，大品牌的订单量非常稳定，但是在这场生意中，他们占据更多上风 或 话语权，那他们会更多的压缩工厂的成本 提出更多的要求，以让工厂给到品牌方更低的价格。这样工厂的利润率就会变压缩到一个水平范围内。当然我觉得当工厂足够大 能力足够强的时候，对于小品牌或者小订单量的商家，工厂侧又会有更高的话语权和定价权。

2、供应链。

供应链，我起初认为，他们的核心竞争力在于“信息差”，但是这不准确。在几十年前，信息流通不发达的时候，确实可以靠“信息差”赚钱。但是现在信息流通速度很快，信息差变少，品牌很容易找到工厂。所以供应链的核心竞争力从原来的信息差，变成了现在的“资源整合与协同”。

商品，在过去几十年内是变的越来越多样了。原来的商品 通过单一工厂就可以搞定，但是现在为了追求更高品质的产品 和 更多功能的产品，单一工厂无法承担起这种产品的生产。但是品牌方又需要这样的东西。所以在这个过程中，供应链通过找到各个上游工厂来搞定这些材料和中间件，最终将多种产品 整合到一个工厂 形成品牌方需要的产品。这种资源整合和协同的能力，解决了品牌方对于复杂多样产品生产的问题。

这个过程中，其实不是品牌方不能做，他们完全可以自己来做，但是这个事情做起来很复杂，品牌方也需要投入资源，而且品牌方的优势在于洞察用户需求，拿出可以卖给用户的产品，而不是花心思去搞定很多工厂，所以倒不如将这个事情外包给供应链，让供应链来帮品牌方解决这个产品的确定性的问题。所以品牌将这个事情外包出去，是省下一笔管理成本和出错风险。

而供应链收取的也是一小部分工厂的溢价，而且是承担这个过程中不确定性的溢价。供应链背靠多家工厂，当一家工厂出现问题，他们可以迅速找到另一家工厂来满足这笔订单，这种确定性的交付是溢价的核心。

不过，这个过程中的风险也很明显，供应链作为中间的环节，需要同时协调工厂和品牌。如果工厂端和品牌端出现问题或者违约，那供应链作为这个信用机构 需要承担高额的赔偿。这也需要供应链拥有庞大的现金流，一方面可以低价购买工厂端的产品，以及工厂端希望尽快付钱的诉求，另一方面也可以禁得住品牌方希望延期支付的欠款。

3、品牌端。

品牌端的成本来源于工厂和供应链的这些采购成本，还有营销、销售、企划等费用。而他们的收益 其实核心在于产品溢价。一件衣服看起来工厂出来就100元，但是增加上各种营销费用，加上利润溢价等等，售价可能到500，甚至更高。当然品牌也会区分低端、中端和高端，不同档次的品牌，这个溢价也不同。所以品牌端他们核心的竞争力一方面在于能否预测到下一个阶段的“流行趋势”或者用户需求。如果预测成功，那前期囤的货，就可以更高的销售掉，从而获取更多的利润。如果预测失败，这些囤货就会堆积在仓库中，从而支付更多的成本 还会挤压新品的存储库存。不过只靠预测，其实并不长久，不可能每一次都压中结果，所以还需要有一些基础的保命牌。当然由此也会衍生出一种新的模式 叫“预售”，通过“预售”的方式来降低库存压力。

再说下细节

第一，成本。对于品牌方来说，和工厂一样也有固定成本，比如店面房租，这是刚性支出。还有营销费用、销售人力成本、各种活动宣传费用等，这些成本加起来其实很多。100的衣服卖500，看起来赚了400元，但是实际上，算上这些成本，品牌方实际的利润可能只有10-20%

第二，营收能力。每家品牌有自己的定位和风格，那最基础的就是符合定位和风格的产品，就好比是常青树，是营收的基本盘。而需要靠预测趋势的，并不能完全作为主营，品牌不可能每一次都压中流行趋势，所以如果没压中 那损失会很大。所以不能完全靠这种流行预测来冲击更高的稳定营收。

第三，库存。如果库存堆积，那带来的是高额的堆积库存成本，当然更严重的是 这些货品也需要被售出，如果售出速度慢，那意味着他们需要打折和降价来售出，那就更不可能有利润。与此同时，频繁降价和打折，会带来品牌的损失，让顾客认为品牌形象就是低价低端品牌，品牌价值受损。而品牌的力量在于 给用户一个价值的锚定，让用户知道这个品牌就值这个钱，如果因为自身营业能力下降，迫使商品降价，那对用户的影响就是品牌价值的降低，从而影响后续的售卖。

【芝加哥脑暴法】

1、定义核心问题（明确接下来我们讨论的事情是围绕哪个核心问题或者目标，我们只围绕这个来进行）

2、头脑风暴（这个环节大家发散发言，暂时不考虑是否有问题，鼓励极端的想法）

3、深度质询（区分主张派和质疑派，主张派极力保护自己的观点，质疑派考虑实际情况和问题攻击各个观点）

4、收敛测试（剔除经不起逻辑推敲的想法，将幸存的点子进行交叉组合。输出核心行动假设与第一步验证的最小成本（MVP/验证指标）

分析数据不是找答案，而是验证假设

分析数据时，数据本身不会自动给出答案。它更重要的作用，是帮助我们验证自己提出的假设框架是否成立。

我通常会做三个动作。

1. 拆解问题

把问题拆成一系列可能影响结果的变量，不根据单一指标直接下结论。一个结果通常受到多个因素影响，需要尽可能通过控制变量或分组比较，排除其他因素的干扰。

2. 怀疑假设

提出假设后，主动寻找能够推翻它的证据。排除当前能够想到的反例后，只能阶段性相信这个假设，因为仍可能存在尚未发现的影响因素。

3. 预判数据模式

在正式提取数据前，先想清楚：如果假设成立，数据大致应该呈现什么特征；如果假设不成立，又可能看到什么结果。这样提出的数据需求会更有目的，也能减少拿到大量数据后再临时寻找解释的情况。

所以，完整过程是：先搭建分析框架，提出假设，预判可能出现的数据模式，再寻找反例，最后结合实际情境和历史经验做出判断。

将任务当项目来思考

很多时候，领导或同事提出的是一个具体任务，但他们真正希望解决的，可能是任务背后的问题。

比如，有人让你查看一项数据。表面需求只是取数，但他可能正在判断一个项目是否值得做，或者希望用数据验证某个想法。如果只返回一个数字，接下来往往还会出现新的取数要求，因为真正的问题并没有被识别出来。

在 AI 逐渐能够完成基础取数和整理工作的情况下，人的价值更体现在理解任务背景、发现真正问题和组织完整解决路径上。

因此，面对一个不够明确的任务，可以先追问：

1. 为什么现在要看这个数据？
2. 它将支持什么判断或决定？
3. 如果数据呈现不同结果，后续动作分别是什么？
4. 除了这项数据，还需要哪些信息才能完成判断？

需求提出者有时只能描述自己当前想到的表层任务，未必已经把完整问题表达清楚。这并不意味着要猜测对方心思，而是需要通过提问，把一个零散任务还原成可以推进和验收的项目。

这个思路也适用于产品需求。用户提出想要的功能，并不一定是问题本身；他希望通过这个功能解决什么困难，才是更值得关注的部分。

所谓“将任务当项目来思考”，就是在执行之前多走一步：理解任务的起点、目标、相关方、判断标准和后续动作。

问题：AI时代，究竟应该教孩子什么？

第一次思考：

首先，我觉得这个问题很大，从我一开始有想法做给家长和孩子的AI学习圈的时候，一开始并没有想很多，只觉得切中其中一部分需求或者痛点就行，但是有可能这个痛点并不成立，进而可能导致后面的产品也是不成立的。所以关于这个问题的回答，需要进行多轮的深入思考和学习。

那切入正题，我觉得回答这个问题，其实先要回答的 并不是问题本身。AI时代是一个时间窗口，是这个时代特有的，但是可能只聊这个时代的事情并不能完整回答问题。所以我觉得需要先忽略AI时代这个名词，而是回答本质的问题，学生成年之前的教育 应该是什么样子的？我们在孩子成年之前，应该教孩子什么？我觉得应该是会有一些底层的东西 本质的东西 是需要教给他们的。比如生存的技能？比如价值观？等等，我还不确定，所以我觉得需要先搞清楚，在不同学生阶段，我们应该教他们什么？

问题转向：抛开时代差异，我们应该教给孩子什么最底层和本质的东西？

当有新的工具出现时

我们或许第一时间会有一些焦虑和兴奋。尤其是在听到其他人用的很好的时候，会更焦虑，会想自己要不要也试一下。但是尝试之后发现，自己用不起来，或者会有各种问题。

我认为这时候，要想的不是工具，而是我自己的场景到底是什么？我需要什么工具？如果我的场景，不涉及到这个工具，那我完全没必要用这个工具。所以问题的本质在于，工具服务于场景，场景越深入，我们再寻找适配的工具。就像各种扳手和螺丝刀，不同场景使用不同的型号，不能因为我们只加固一下桌椅，而准备了全套的家装装备。

但是，并不是说我们完全不关心出现了什么新的工具。我觉得可以都看看，看出现了什么工具，因为工具服务于场景，所以当有新工具出现，也意味着有一些需要这些工具的场景出现。那我们看这些新工具，就是为了看有哪些新场景出现，而这些场景我们自己有没有？有可能这些场景，我们还没有，那可能是因为我们不是一个行业或者分类，又或者是因为我们不在同样的深度，我们还没有达到使用这种工具的深度。

比如，最近疯传的个人工作台或者之前的龙虾，我们用不起来，是因为我们并没有场景，或者是因为我们的工作并没有那么多种类，不需要用工作台展示出来那么多。龙虾更是了，我们没有需要固定产出的结果，所以可能不需要龙虾来替我们产出结果。当然这些建立在，我们有没有想清楚自己的日常是什么样的，有没有固定的事项分类，有没有需要产出的结果。

所以，我认为 "工具服务于场景"

1，梳理你自己的"日常工作"，包括真实工作中的事项，生活中的个人主线等一系列你希望每天或每周持续关注的事情

2，留意新工具的出现，因为那可能意味着新场景的出现。由此来判断自己有没有可以延伸的或者没有意识到的场景。

3，不要为了拧螺丝，买整套家装设备，尽管那很好看，但不一定是你需要的

发现做策略的人，或者说做运营的人，我们习惯一开始先“定义问题”然后“解构问题”，当有一个命题或者半命题出现在我面前的时候，其实我的第一反应不是回答它，而是先定义和拆解这个问题。

比如这个给家长和学生的AI学习圈，当我们有这个想法的时候，我最先就是先定义问题和解构问题。比如这个想法出现的原点是什么？其中的每一个词和想法都是什么意思？如何定义他们？原点的想法的时候，这些人他们当时是怎么想的？

这或许是我们作为运营的一种特质，我们坚信将问题定义正确，也就是找到问题的本质 是解决问题成功的一半。由此也衍生出了一句话“场景不对，策略白配”，意思就是我们如果没有选对场景，没有找对问题，那输出的策略和落地的策略也是效率不好的，解决不了根本问题。

原点： 有这样一批人，他们的身份是家长，他们有孩子，有可能是需要工作的打工人，他们在这个AI时代 存在一些焦虑。

解构： 那他们焦虑的是什么呢？这是一个暂时没有答案的问题，是需要调研的问题，也是必须回答的问题，因为这决定了他们的焦虑是真问题还是假问题？是否可以被解决？

比如，他们的焦虑有可能是，

有人说“AI发展太快了，我不知道应该如何带孩子适应这个时代”

有人说“AI发展太快了，可以做的太多了，我们都要失业了，未来孩子怎么办啊？”

当然也可能有人会说“AI发展确实快，但是这是他们面临的问题，接下来会有新的变化和机会等着他们”

解决：暂时还不知道如何解决。也不知道是否应该被解决，但是可以知道，如果焦虑的人是有一定体量的，那我们就有机会创造一些产品和结果 来让焦虑的人缓解焦虑。或许是一个产品，或许是一些课程，也可能是一种服务。

所以当前的重点，是先明确这些有焦虑的家长，他们焦虑的到底是什么？担心的是什么？

策略工作流的六大一级环节。

第一步，我先进行公司业务整体的经营分析，因为无论老板要做什么方向，其实都是有理由的，而这个理由 从公司的经营上就可以看出来。所以先进行经营分析，是明确公司现状，让我和老板可以站在同一个思考维度，来看清楚公司的业务接下来应该怎么走；

第二步，是进行业务分析与数据分析，其中包括理解公司的业务，团队情况，同时进行全链路的数据分析，找到和最终结果相关的板块与环节；同时在这个环节我们会有一些基于分析的假设，而这些假设就是下面第三步需要重点调研的内容。

第三步，是进行调研，包含用户研究、行业研究、竞品研究和销售团队研究等，目的是明确我们面临的问题 在用户层面和公司内部销售层面 是不是真问题，来最终定位真问题，同时调研竞品和行业是怎么做的。

第四步，进行策略设计，结合前面的业务分析和调研 找到适合我们业务的几种调整方案，以及方案落地所需要的测试方案、协作要求、demo等内容，并内部决策哪个方案可以进行落地。这个环节中还涉及到很多二级环节，比如产品、内容、课程、赋能培训等

第五步，进行项目管理，监控过程数据变化和策略环节中各个团队是否按时间要求完成任务 以及各项任务是否符合策略设计要求。

第六步，是进行策略复盘与结论输出 明确后续动作。这个策略最终是上线 还是优化 还是停止，都需要在这个步骤得到一个明确的结论。

整体来说是这六个大的一级环节，其中每个一级环节中会涉及到二级环节，每个二级环节都各自的要求和方法。

为什么参加这次共创？

我收到了一次教育应用内测共创邀请。最初吸引我的是其他参与者的作品，看起来很有意思，也是我过去没有接触过的形式。它和 AI 有关，又是一件我力所能及、可以实际动手尝试的事情，所以我决定参加。

最开始有三个方向：一是做一个沉浸式宇宙应用，让孩子在星空中认识天体；二是参考互动影视游戏，做一个沉浸式历史学习应用；三是让学生穿越到不同的历史场景，与古人对话。

宇宙方向对 3D、画面精度和渲染能力的要求很高，超出了我当时能控制的范围。最后我选择了历史互动应用，因为它可以通过图片、音效和第一人称叙事制造氛围，也更适合快速验证想法。

AI 在创作中扮演什么角色？

这次共创给我最深的感受是：AI 是能力很强的生产工具，但真正的生产力仍然来自人、目标和使用场景。

对创作者来说，AI 有三个角色：

1. 生产工具。 我提出想法，AI 帮助理解需求、提供方案并执行。我负责明确目标、选择方案和提出修改意见。
2. 能力放大器。 我不会编程，也不擅长历史考据和画面制作，但可以先描述自己想实现的体验，再借助 AI 把想法逐步做出来。
3. 执行伙伴。 作品需要什么氛围、节奏和审美，仍然由我判断。AI 可以生成很多可能性，但最终选择什么、为什么这样选择，仍然由人负责。

AI 能为教学带来什么？

第一，它能填补教师或创作者在声音、画面、交互和技术上的能力空白。过去想让历史课更生动，往往只能依赖讲述、图片、视频或实地参观；现在可以尝试旁白、场景图、第一人称画面和互动选择。

第二，它让不同风格的教学材料更容易生产。面对学习偏好不同的学生，教师可以尝试不同的叙事和表现方式。不过，这种个性化是否真的提高学习效果，还需要通过学生测试来验证。

第三，它可能让学习从课堂延伸到课后。一堂课不必讲完所有内容，学生可以在互动应用里继续探索支线，主动补充课堂之外的信息。

最终还是要看学习效果

工具再强、形式再有趣，如果学生没有真正理解和记住知识，前面的探索就没有意义。

这次应用让我形成了一个有待验证的判断：沉浸式决策可能比被动听讲更容易留下记忆。我玩互动历史游戏时，因为代入角色并亲手做出选择，对人物和事件的记忆明显更深。

因此，我希望《玄武门之变》不只是展示历史，而是让学生回到那个时间点，只看到当事人在当时能够获得的信息，再连续做出选择。信息不能一次性全部给出，否则它会变成一道历史应用题；学生需要随着场景推进，逐步认识时间、人物和局势。

我想探索的是：当学生从“听别人讲历史”变成“亲手做出历史选择”，学习是否能从记忆变成经历。

所以，教育中引入 AI 真正需要回答的问题，不是能不能做出更炫的应用，而是能不能让学生学得更快、记得更牢、理解得更深。效果才是终点，技术只是手段。

今天是2026年8月14日，早上打车和司机聊了一路，不过我没敢太追问一些细节，主要还是司机的表达。不过聊到关于AI的话题时，我发现司机洞察到了AI也有可能错误，而且他觉得现在的老人就非常相信这种AI给的内容，就好像20年前，大家很相信电视上的新闻，觉得电视上说的是对的，新闻都说了，一样的。我们未来还是需要警惕这种情况带来的危害。

让 AI 先进场

1. 我们使用 AI 的方式，正在从聊天框里的零散问答，逐渐转向以项目为单位的任务协作。

2. 和 AI 沟通时，需要给出明确需求、可验证目标和清晰约束，再让 Agent 调用合适的工具完成任务。例如，可以让它根据公开标识查找公开账号，或者围绕一个明确主题制作头像方案。

3. 当 Agent 加入工作后，我们会开始把它当作一名虚拟协作者：主动思考它需要哪些背景信息、目标要求和验收标准。

4. Agent 只能在明确授权的权限和数据范围内行动。涉及个人隐私、非公开信息或敏感数据时，不能因为技术上可以获取，就默认允许使用。

【让Agent先进场】

我对于这个话题的理解是，先让调教好的AI Agent做初步判断，人再跟进。

1、 先进场：遇到问题不自己先判断，先让AI Agent顶上去做第一轮分析

2、 Agent前提：能先进场的Agent，一定是经过你 调教、训练和打磨 的，不是拿来就用的通用AI

3、 本质定位：Agent = 数字分身，部分能力（数据分析、策略研究、信息调查）远强于我本人

4、 信息边界：需要了解你的过往经历和日常工作，但 不能碰隐私（具体资产数额、账户密码等）

说白了，就是把Agent当成一个比我能干、又了解你的"前置大脑"，先替你把第一道关。