Aibrary 是全球首个面向个人成长的 Agentic AI，让知识与你对话，引导你用行动改变自己。
作者：Ethan KJ Li 是一位连续创业者，曾创办中国领先的教育科技公司「极课大数据」，并于 2019 年被字节跳动成功并购。此后他担任字节跳动智慧教育业务线 CEO，主导多项教育智能化产品落地。
2025年初在硅谷创立 Ouraca Inc.，专注打造新一代“AI native” 的终身学习产品线。首款产品 Aibrary正式版即将上线：是全球首个专为个人成长打造的 Agentic AI，它不仅帮助你获取知识，更陪你思考，激发动机，引导行动，让成长真正发生。通过个性化播客、认知引导与行动建议，Aibrary 将书籍与专家洞见转化为你专属的学习旅程。
这篇文章是我在硅谷AI领域创业100天后的沉淀和思考，写给所有在AI浪潮中探索的同路人。它不提供标准答案，但试图提出一些不一样的问题。
with the assistance of ChatGPT as a thought partner.
引言
在硅谷创业的第100天，我盯着屏幕上的测试用户数据，脑中反复出现一个问题：我们真的找到“PMF”（产品市场契合）了吗？在AI创业的狂热浪潮中，“找到PMF”俨然成了⼝号，但我愈发感觉到，这个词正在被滥用，成为创业者追逐短期高潮的借口。经过这100天，我开始质疑一些主流认知，从AI工具类产品如何定义价值，到组织如何重塑协作范式，再到个人如何在AI时代持续学习进化。
当“PMF”变成⼝号，小心陷入“一波流”
PMF，那个曾经“唯一”的重要指标：
对创业者而言，“产品市场契合”（PMF）应该意味着产品为用户持续创造价值。然而在AI工具领域，我发现许多产品仍沿袭传统订阅制：“用户付费订阅 = 实现价值”。这种思维缺乏对实际使⽤效果的敏感度。市面上一大批功能同质化的AI工具月费定在5.9-19.9美元中间，仿佛只要有人订阅，就证明了产品成功。但订阅≠价值实现——工具被使用并不代表用户真正达成了目标。
订阅热潮中的隐忧：
目前AI工具大多服务于极早期尝鲜的用户（early adopters），创业公司之间互相成为付费用户（S2S, startup-to-startup）的现象很普遍。我自己在今年给团队购置AI工具时几乎不设预算上限，但冷静想想，明年还会继续吗？我们的单人AI工具预算可能就稳定在200美元了。和我有相同想法的创业者不在少数，这意味着现在靠订阅费生存的大量AI产品可能很快失去收入来源。换句话说，一些表面风光的AI工具可能只是昙花一现的“一波流”，抓住了第一波流量红利却未必能找到真正的用户。
1. 价值持续深化的新模式：传统移动互联网时代，产品的规模增长依赖流量分发和跑马圈地。而在今天，我意识到分发逻辑正在转向另一种模式：只有为用户持续交付不断深化的价值，才能真正突破每用户收入（ARPU）和用户终身价值（LTV）的天花板。如果产品今天能为用户创造的价值是不断增加的，那么早期阶段即便用户规模不大，你比巨头更早与用户建立起信任和使用习惯，就变得意义非凡。相反，若产品提供的只是低频、简单的功能，那就无法积累提升AI能力所需的高质量数据飞轮，用户迟早会流失，最终产品难逃“一波流”命运。此时再靠砸钱买用户、用资本催熟市场，可能已经不是最优的发展策略。
2. Outcome胜于Output：我重读了老书《B4B: How Technology and Big Data Are Reinventing the Customer-Supplier Relationship》。它的核心观点：传统B2B模式强调“卖出产品”（Product Push），而B4B倡导“为客户创造结果”（Outcome Pull）。换到AI产品上，用户并不想买一个冰冷的工具，他们想要的是业务成果和持续价值。颠覆性的AI产品不应只是提供能力，而要帮助用户确确实实实现转化。这意味着，我们要把“客户成功”（Customer Success）的机制嵌入产品本身，用数据和反馈构建智能引擎，驱动用户不断前进。不要再沉迷于“工具=价值”的幻觉——很多AI工具类产品停留在提供一个功能点，而非确保用户得到实际收益。设想一下，如果你的产品不止是“让用户生成了一段内容”，而是“帮助用户完成了一次业务成交”甚至“实现了某种改变”，那你就可以探索全新的商业模式。在这种归因下，也许未来AI工具公司会像“催债公司”那样按效果分成，只不过执行过程更加高度自动化。
正如一位来自Palo Alto 的本地投资人和我交流时强调：
“PMF is not enough. The real leverage is in AI evaluation ”
在AI创业时代，找到PMF只是起点，而不是终点。真正决定产品能否走得远、形成护城河的，不是你有没有PMF，而是你是否构建了一个持续有效的“AI评估系统”——一个能理解用户行为、衡量智能体表现、生成反馈闭环，并随之演化的系统。真正挑战在于：你如何持续衡量每一个输出是否“对”？用户是否真的得到了价值？系统是否在进步？
从瀑布到涌现：发现式构建的产品观
过去100天，我们几乎颠覆了传统“设计-开发-反馈”的瀑布流程，转向一种“发现式构建”的思维。这个概念源于我们和一些优秀团队的讨论，对复杂系统的观察和一系列新工具的实践。
AI加速迭代，试错反而成为优势：以往开发软件，从撰写方案文档、开会讨论，到编码实现、测试上线，需要漫长的周期。现在，AI赋能的新工具正打破这个瀑布式流程，让“边想边造”成为现实。举几个不稀奇的例子：
•Lovable/Bolt 等产品可以让我仅用几句话描述一个想法，AI便自动生成一个可运行的全栈应用。
•Cursor 允许我在现有代码基础上，用自然语言指导AI修改代码。
•Replit Agent 则更激进，从零开始根据我的描述构建应用，甚至连部署都一并搞定。
这些AI辅助开发工具正在重塑协作模式——从“写文档 -> 同步沟通 -> 反复讨论 -> 设计开发执行”，变成了“直接生成可测试的Demo”。现在没人浪费时间写冗长的项目文档，也不用为对齐理解反复开会协调。相反，需求一旦产生，我们先用AI快速做出一个demo，一边用自然语言描述需求，一边让AI即时产出原型，所见即所得。在这个过程中，AI不仅生成技术方案和界面设计，还会主动提示我潜在遗漏和问题。大量方案可以在短时间内产出供团队选择讨论，失败的代价急剧下降，我们就获得了循环优势。正如我常说的：“好产品是被‘选’出来的，不是设计出来的。”当试错成本降到最低，产品经理的角色更像是在众多快速试验中发现那个最优解，而非凭过去经验去构思一个完美方案。
就像Sean McClure在新书《Discovered, Not Designed: Building Things in the Age of Complexity》中的观点。高度复杂的现代系统内部运作机制，已经难以让人用线性的因果方式完全设计和理解。自然界从不按蓝图施工，却通过涌现产生了精妙的功能和结构。同理，在打造复杂的AI系统时，我们需要放弃对每个组件精确控制的幻想，转而去设计“外层结构”或元参数（meta-logic：那些不直接决定具体行为、但会深刻影响系统演化轨迹的设计变量），让系统自己通过试错、反馈和进化形成所需行为。这种“外层结构”，对应到我们的创业实践，就是为团队与产品设定明确的目标、反馈机制和成长路径，而少去规定细枝末节的流程。我们给予系统一定的规则和边界条件，然后允许人和AI在其中自由探索。事实证明，在这样的环境下，往往会涌现出许多比我们预先设计更优的协作方式和创新点，就像找到我们的核心功能“idea twin”。
AI原生组织：从管理范式到协作方式的重塑
我深刻意识到：AI原生的组织（AI-native organization）正在挑战现代管理学的基本假设。
1. 中层管理的消解：传统公司依赖中层管理者上传下达、统筹资源。但在一个AI深入渗透的组织里，这一层级正在消失。AI可以实时处理信息、执行决策辅助，大幅减少了信息传递的人工链条。未来最危险的职位，不是某个职能，而是整个层级，很可能就是那些纯粹“传话筒”式的中层管理者。当AI工具把工程执行效率提升百倍时，反而是产品洞察与决策能力可能成为新的瓶颈。这要求组织扁平化，每个人都更接近用户和决策源头，而不是层层汇报。
2. 旧管理范式的由来与失效：现代管理理论本就诞生于工业革命的大工厂时代，其目的在于如何有效地组织人力以进行大规模生产。但如今生产力的结构已经变了——AI正大范围进入组织，人与AI协同作战已成常态。旧范式下那种自上而下的严格控制、流水线式分工，正在被更加灵活、自适应的协作取代。
3. 从“盲盒”到确定性：构建AI驱动的系统时，我常常感到自己像在拆盲盒：当前的大模型本质上是强大却不稳定的“概率引擎”，每次调用都可能输出惊喜或离谱的结果。但我们的产品又需要在一系列连续且相互依赖的步骤中输出确定性的结果——这就是Agent（智能体）设计面临的最大矛盾。如何在充满随机性的AI核心上，搭建起可靠的应用？我们的策略是在架构中构建“反思-验证”循环。Agent需要学会自我反思行为、评估任务完成度，甚至自主修正步骤——学术界称之为ReAct框架（Reason+Act）。简单来说，就是让AI自己来检查自己。只有这样，AI智能体才能在复杂多变的环境下逐步逼近确定性要求。
4. 新人才画像：这段时间我也明白了一个道理：别再以为做AI产品就是调调API那么简单。真正的挑战在于，如何用传统确定性的软工方法去驾驭那个充满不确定性的AI核心。这需要一种全新的复合型人才：既懂算法和模型原理，又精通分布式系统、状态管理、鲁棒性工程，还深信上下文管理是AI时代的确定性编排艺术。这样的工程师，既能和模型对话，又能把AI的输出稳健地融入产品流程。我很认同Andrej Karpathy的一句话：“后大模型时代，AI公司的核心竞争力，是将模糊的人类意图精准翻译成机器可稳定执行的工作流的能力。”换言之，未来横跨文化与市场的普适能力，不在于模型多高级，而在于人机协作流程有多可靠。
5. 1+N，人机共创的新杠杆：在我们的团队里，我开始推广一种“1+N”模式：一个人类加上多个AI智能体协同工作。用经济学的视角看，人类正在学会同时运用两种杠杆来放大产出：人力杠杆（让AI助理替人做事）和代码杠杆（让AI以软件形式无限复制）。一个AI智能体就像雇了个 tireless 助手，可以执行许多人力才完成的任务；同时它又是软件，能被复制粘贴，平行运行十个甚至一百个副本而不增加沟通成本。在这种模式下，团队的核心指标变成了“杠杆率”——即你能合理撬动并有效利用的AI资源有多少。我常对伙伴们说，如果一个任务一个AI智能体不够完成，那就开十个！这种不受传统组织人力限制的扩展性，正在改变我们的工作流程和心态。
6. 小团队的结构再造：当然，人机协作不只是数量游戏，还需要新的分工结构。我们借鉴硅谷正在悄然共识的“小队双核”模型，可以称为“收割者+培育者”：
•收割者（Product Owner）：每位核心成员负责一个产品或关键功能的全生命周期，对用户数据和成败结果直接负责。他们既要有产品洞见，又要懂数据分析和工程实施，是跨领域的“全能战士”。
•培育者（Infrastructure Builder）：这类成员专注于构建内部通用的智能工具和平台，为所有产品、增长、运营团队提供自动化和规模化的支持。相当于在内部打造“AI赋能平台”，让前线的收割者们如虎添翼。
这样的划分打破了传统按职能分部门的做法。每个人要么直接面向用户创造价值，要么在后台搭建通用能力提升全局效率。AI原生员工也应运而生：不再是会用ChatGPT凑几段文案的人，而是从任务一开始就默认AI是他并肩的同事。在这个范式下，人类不再亲力亲为地执行每一步，而是聚焦于决策、判断与质量控制，让AI去接管那些前置的生成、资料整理、归档总结等工作。整个工作流被重新定义：我们不需要每道工序都由人来做，而是由人来指导AI完成，再由人审校提升。这样的协作方式，大幅提高了我们的实验速度和产出质量。
工作即学习：
在一个AI原生团队中，我提倡一种基于贝叶斯理念的飞轮工作法——Prompt → Iterate → Ship → Learn，也就是“提问-迭代-发布-学习”的循环，用已有信息不断修正对目标认知的方式。这个模型听起来像敏捷开发，但本质上有更深的追求：它不是让你更快完成任务，而是让每一次迭代都加速团队和个体的成长。
每当我们用AI完成一个交付，我都会和团队复盘：AI贡献了多少，人力花费了多少时间，结果反馈如何？哪些确定的信息要继续存回给AI？然后问自己：“这一轮的瓶颈在哪里？下一轮我们怎么再节省10分钟？”这些数据就是我们的认知镜子。没有记录就没有学习，没有数据就没有飞轮——这是我们秉持的信条。
正因如此，我们也痴迷于总结提示词（prompt）的优化，每优化一轮，Prompt在任务中的表现就进化一代。未来的竞争也许不再是代码攒了多厚，而在于你的Prompt在实战中进化了多少代。换句话说，Prompt已成为新的工作语言：每个Prompt都是一次协作意图的声明。写Prompt之前，我们必须先深思目标、场景、风格和输出格式；写完Prompt，我们又通过无数次迭代来精炼它，直至达到最佳效果。当Prompt可以模块化沉淀为组织资产时，效率就会出现质变。这种工作方式，使工作本身变成一个持续强化认知与判断力的过程。选择并被世界反馈，再依据反馈优化再选择，不断逼近最优解——聪明的人不会纠结某次选择对错，而是执着于从反馈中学习更新。
AI时代的终身学习
在AI时代，组织和个人都需要进入一种反馈驱动、终身进化的学习模式。这部分感悟，让我对“教育”产生了新的理解，让我对高山书院的 “No Education, Only Learning”（没有受教，求知探索）也有了更深的感受。
两千多年前，儒家经典《大学》就提出了“止于至善”的理念：学习的终极目标不是取得一纸文凭，而是不断趋近内心最完善、最有德性的自己。先修身，再齐家、治国、平天下——这是一个由内而外的层层递进的成长旅程，是一生的修行。
而“No Education, Only Learning”在这样的背景下，就意味着：
•不再被动等待被安排课程，而是主动地探索未知；
•不再满足于接受知识，而是学会生成意义，将知识融会贯通为自己的洞见；
•不再把学习当成一段人生时期，而是当成一种生活方式。
回望我的创业初衷，我和团队一直坚信：这个世界并不缺优质内容，缺的是能引发“我是谁”之思的真正学习旅程。这就是为什么我们要打造一个以个体成长为核心的AI学习伙伴——它不是传统意义上的教育工具，而更像你的认知镜像，可以引导你走出“被动教育”模式，走入主动探索的“学习”旅程。在一个AI几乎可以回答一切的未来，我们必须重新思考：重要的早已不再是“你知道什么”，而是“你正在成为谁”。AI时代，好问题的价值要远远大于好答案。
脑科学和机器学习也为我们的学习革命提供了隐喻。《Rewire》一书指出，既然AI时代知识不再稀缺，教育就该从“内容灌输”转向“认知重编程”。我们的很多思维定式、情绪反应，本质上都是在大脑中自动化固化下来的“神经连接”。有效的学习需要有意识地破除旧习惯，建立新的神经回路。教育的本质，其实就是让人类对自己实施强化学习（Reinforcement Learning）的过程。我曾与一位硅谷的机器学习专家深谈此事，他认为“教育的关键不在教什么，而在于如何设计反馈机制，让人不断优化自己的策略”。他说得极端些：教人和调优AI模型并无二致，都是通过输入-输出来调控黑箱，使其效率最大化，这是一个数学上完备的解释框架。他说起一个近乎科幻的实验：给人手上带一个智能设备，它模仿钢琴大师或射箭教练，在你手指该用力时给予电刺激提示，通过这种精细的连续反馈，“训练”你学会弹琴或射箭。如果把人脑视作一个有待优化的黑箱，那么设计高频且及时的反馈，比传授海量知识更加重要。在强化学习领域有个著名的问题叫“稀疏奖励”——如果只有学完整首曲子才能得到一次奖励，学习者很容易中途迷失动力。解决办法就是提高反馈频率，细化奖励颗粒度，让学习者在不断的小胜中保持前进动力。我们的产品设计正是遵循这个原则，与哈佛大学的Chris Dede教授合作，探索如何在AI学习伴侣中引入更科学的反馈机制，让用户时刻感受到成长的即时回馈。
可以预见，终身学习的未来形态，将从过去那种“内容为王”转向“反馈为王”。如今输入再多内容给用户，也未必转化为真正的能力提升；相反，设计出有效的反馈机制，才能形成闭环的学习系统。那个机器学习专家把教育比作“黑箱优化”的隐喻极其振聋发聩：教育不是往大脑里塞内容，而是营造一个能持续产生有效反馈的系统，让人自动生长。这正是我和团队在努力的方向——我们致力于把“内容→行动→反馈→成长”闭环起来，用隐含的强化学习哲学去设计产品，希望赋予系统真正的“认知推动力”。
结语：人类是文明的“变异引擎”
100天的实践，让我对人类在AI时代的新定位有了更深刻的体会。如果将整个生命视为一个“变异-选择-复制”的演化算法，那么在未来人机共生的世界里，人类的生态位注定会发生根本迁移。AI擅长的是快速地选择和复制，但创新的源头——那些无序的、随机的、疯狂的“变异”想法——依然主要来自我们人类。因此，个体价值不再取决于执行效率，而取决于你的“变异性”——也就是你能为系统贡献多少新奇而有价值的可能性。
AI的强大在于它几乎包容了所有视角，但这恰恰也是它的局限：它没有它自己的视角。当知识和技能都可以被轻易复制，真正稀缺且不可替代的，是每个人基于独特人生体验所形成的偏见与执念（你的世界观、审美、同情心、价值观）。也许正是这些“不客观”的偏见，构成了注意力经济的起点，构成了教育的终极目标——帮助每个人成为那个连AI也无法复制的独一无二的自己。
在人机共生的航道中，每个人都是一叶扁舟，但只要心之所向，我们终能乘风破浪，用人性的火花去点亮文明的星辰。
凡心所向，素履以往，生如逆旅，一苇以航。
Ethan KJ Li
Founder of Aibrary
From a quiet corner in Silicon Valley, August 4, 2025 — a human–AI co-creation.
文章来自于微信公众号“Z Potentials”。
