Product on All about Raspberry Pi

AI 原生产品增长打法：你的预算在烧钱，还是在训练产品？

Wed, 29 Apr 2026 00:00:00 +0000

两周前，一个做 AI 写作 Agent 的朋友约我吃饭，他刚拿了 A 轮，准备砸 200 万投放抖音和小红书。

我顺嘴问了一句：你们 Agent 的复杂任务成功率是多少？

他愣了一下，说：“你这问题问得有点怪，我们看的是 DAU 和留存。”

三个月后我们再见面，他融的钱烧了一半，DAU 涨了三倍，月留存从 18% 掉到了 9%。他叹了口气：“用户来了，但 Agent 还是那个 Agent。”

那一刻我意识到一件事：很多 AI 创业团队还在用 SaaS 时代的增长教科书，跑一个根本不是 SaaS 的生意。

别再手动整理用户反馈了：把 VOC 变成一条自动化生产线

Tue, 31 Mar 2026 00:00:00 +0000

每家公司都说"以用户为中心"，但 90% 的用户声音（Voice of Customer, VOC）最终的归宿是——躺在某个 Excel 表里，等着某个产品经理"有空的时候"去翻一翻。

问题不是团队不重视用户反馈。问题是：从原始反馈到可执行的产品动作之间，隔着太多手工活。 收集、清洗、分类、归因、优先级排序、写进 Backlog——每一步都在消耗人的精力，而人的精力是有限的。

这篇文章是一个完整的教程：如何用 AI + 自动化工具，把 VOC 变成一条可执行的生产线——从原始数据采集，到最终输出结构化的产品需求，全程自动。

别用同一把尺子量所有 Agent：按行业和岗位设计评测体系才是正经事

Tue, 31 Mar 2026 00:00:00 +0000

上个月参加一个 Agent 产品的内部评审，产品经理拿出一张 benchmark 表格：准确率 92%、响应时间 1.2 秒、幻觉率 3%。数字很漂亮，领导很满意。

然后我问了一个问题：“这个 92% 的准确率，是在什么任务上测的？”

回答是一组通用 QA 数据集。

我又问：“你的目标用户是电商运营，你有没有用电商运营真实工作场景的任务来测？”

会议室安静了五秒钟。

这就是今天 Agent 评测的核心矛盾：我们在用"通用考试"的成绩来预测"专业岗位"的表现。 这就像用高考数学成绩来判断一个人能不能当好外科医生——逻辑上不成立，但大家都在这么干。

To B Agent 失败的根本原因：不是能力问题，是没有把 Agent 变成默认路径

Thu, 26 Mar 2026 00:00:00 +0000

回顾过去两年，无数 To B Agent 项目的墓碑上都刻着同一句话：“技术很好，但业务没用起来。”

技术团队困惑——模型能力明明够了，准确率也达标了，为什么运营就是不用？是培训不够？是界面不好？是 Prompt 没调好？

都不是。真正的原因是：你给了运营"用不用随便"的选择权。而只要有选择权，理性人就会选择不用。

别再卷模型了：To B Agent 创业，用户反馈才是生死线

Mon, 23 Mar 2026 00:00:00 +0000

2026 年，一个事实已经无法忽视：模型训练不再是一项研究活动，而是一项系统工程。

预训练需要万卡集群和 PB 级数据管线，强化学习需要奖励模型和 RLHF/DPO 的工程化流水线，推理优化涉及量化、蒸馏、speculative decoding 等一整套工具链，Agent 能力构建则横跨 function calling、长上下文、规划与工具使用的多维调优。任何一个方向的突破，如果不能在其他环节配合落地，就只是一篇论文，不是一个产品。

这意味着什么？模型本身正在变成标准化基础设施。 就像今天没有哪家 SaaS 公司拿"我们用了 PostgreSQL"当竞争优势一样，未来也不会有哪家 Agent 公司仅靠"我们微调了一个更好的模型"赢得市场。

那么 To B Agent 创业的制胜变量到底是什么？