《腾讯学堂：AI 原生思维——像训练大模型一样训练自己》

引言

腾讯学堂出品，本文整理自 AI 博主、《软件工程之美》专栏作者宝玉在腾讯内部的分享。

他以自己做了三年的字幕翻译 App 为主线，讲了 AI 产品从找需求、判边界、最小验证、重设计到落地交付的完整过程；问答环节回应了另一个问题：每个个体如何与 AI 共同进化。做产品的、写代码的、带团队的，都能从这份一线实操记录里拿到能用的东西。

嘉宾介绍

前言：像训练大模型一样训练自己

今天讲 AI 原生思维，分两个部分：一是 AI 产品怎么做，怎么找需求、判边界、落地交付；二是个体怎么跟 AI 共同进化。选这两个题目，是因为我做 AI 博主这些年，被问得最多的就是两类问题：一类是 AI 焦虑，AI 会不会替代我们，该学什么；另一类来自做 AI 产品的人，AI 产品跟传统产品到底有什么不一样。

先简单介绍自己。我大学学的力学，因为喜欢做软件转到软件工程；2000 年左右自学编程，从 ASP、PHP 做到 .NET、iOS 前端，再到 AI 开发；职位从工程师做到开发总监，出国留学后又从工程师做到工程经理。写自媒体也一样，最早写《软件工程之美》专栏，这几年主要写 AI。我一直在转型，所以 AI 来的时候没那么恐惧，以前的经验告诉我，无非就是要去学、去转。

这些年的经历用一个比喻说，就是像训练大模型一样训练自己。我做自媒体本质是费曼学习法：要学 AI，就把学到的东西分享出来；为了分享，得去学更多理论；写出来收到反馈，反馈又帮我建立新的循环。模型也一样，预训练之后靠微调、对齐不断进化。而且模型一直在变：GPT-3 是自动补全，ChatGPT 会聊天，现在 Agent 能自主完成任务。模型在进化，知识也得跟着进化，很多时候要敢于推翻自己的旧权重。这是贯穿全场的暗线。

▲ 贯穿全场的暗线：建立反馈循环 → 跟着模型一起进化 → 敢于推翻旧权重

一、找需求：盯着模型能力的边界线

上半场我用一个自己做的 AI 产品贯穿始终：一个转录翻译 App（BaoCut），给它英文视频，输出中文字幕。选它不是因为它多好，而是我自己做的、踩过很多坑，每个判断和每个坑都能讲出当时的真实想法。别人的案例只能讲结果，自己的案例才能讲决策。

想法的起点很早。年轻时《反恐 24 小时》正火，人人字幕组第一时间把美剧翻译出来，我觉得这件事很了不起。后来有了 AI，我自己要看吴恩达的教学视频，就想：能不能像字幕组一样，也做出双语字幕？

但需求不是拍脑袋就值得做。你觉得大家都需要的东西，做出来可能没人用；没人用就没反馈，慢慢就做不下去了。做之前我先问自己三件事：

▲ 判断一个 AI 需求的三问：痛点够不够硬、我是不是用户、AI 是不是刚好够到

1.1 一个提示词的三级命运

关于第三问“AI 是不是刚好够到”，插一个例子。我有个做得很成功的画图提示词，就是后来很火的 Nano Banana 城市天气图，Google CEO 在推特上公开致谢过它。

这个提示词迭代了很多版本。GPT 刚出画图模型时我就在用，但那时要手动输入城市、天气一大堆信息，才能画出一张很酷的图，有人围观，不火。到了 Nano Banana 这代，Gemini 内置搜索能自己查天气，我把提示词简化到只输一个城市名：输入上海，就生成一张带当天天气效果的上海地标图。这一下有了传播性，每个人都想试自己的城市，生成后贴回来分享，从中文圈火到英文圈，最后 Google 官方都注意到了。

▲ 同一个提示词的三级命运——体验差一步，命运差十倍

同一个需求，模型没有检索能力时，它只是个普通提示词；能力到了，就能让所有人参与。需求一直都在，是能力边界刚好扫过了它。另一点是品味：人人都能用 AI 生成东西，想流行还是得有自己的品味，品味就是门槛。

1.2 跟着模型进化的方向走

回头看模型的几次跃迁：GPT-3 时代是自动补全，能做的事有限，比如写营销文案；ChatGPT 有了对话能力，聊天机器人这类需求一下迸发出来；这一两年有了 Agent 能力，能按目标调工具自动完成任务，Claude Code、Manus 就是基于新能力长出来的。

所以找需求要盯着模型能力进化的方向。每次升级，边界线外扩一圈，扫过的地方全是新需求。不是想到一个需求做出来就有人用，在边界线上找，才最容易发现新机会。

二、判边界：能力、成本、价值，一个需求要连闯三关

找到需求，接下来评估值不值得做。我看三个角度：AI 的能力现在做不做得到？成本成不成立？交付的价值是不是用户真要的？多数人只盯着第一关。

▲ AI 产品的三条边界：能力线会动、成本线会动，价值线锚在人性上不动

2.1 能力边界：同一个想法，两种命运

2023 年 GPT-4 刚出时，有个叫 AutoGPT 的项目：通用 Agent 雏形，你输入任务，它就不停调 GPT-4、调 Google 搜索，汇总成报告。GitHub 上 Star 涨得飞快，但火了一阵就凉了。原因很简单：那时 Agent 能力没到，任务经常打转；调 Google API 要付费，GPT-4 又非常贵，烧大把 Token 交付不了结果。

Manus 是同一个“通用 Agent”的想法，但它出现在能力刚好够到的时刻：模型已经能自己列 to-do list、逐条执行、交付结果，于是一夜刷屏。想法不是关键，能力边界才是。想法太早，烧的只是 Token。

▲ AutoGPT 与 Manus：同一个想法，边界两侧，两种命运

边界线没有停。Claude Code 用最简单的命令行循环调工具写代码，至今是最火的 Coding Agent，形态服务于能力，不服务于潮流。“小龙虾”（OpenClaw）又进一步：通过电报、微信、QQ 就能指挥它干活，还把 Skill 用到极致。模型只训练过公共知识，我用 Markdown 文件就能教它给文章配图、发布，把私有知识装进去。再往后 Codex 的创新是 GUI 和 Computer Use：能操作浏览器和 App，写完网页自己点鼠标、敲键盘完整测一遍，以前要人全程参与的中间过程，现在最后验收就行。到现在各家都在推“Work”类产品，Agent 从写代码泛化到办公。边界每次外扩后还有小的溢出点，盯住就能发现新需求。

我的产品也是一层层解锁的：Whisper 解锁听写，大模型解锁翻译和拆字幕，Agent 解锁自主执行和验收。最早翻半小时字幕，我要校对一两个小时；现在 Codex 翻完，我花五分钟看一遍就行，时间轴对得非常准。每解锁一层能力，产品就能重设计一次。

▲ BaoCut 的三层能力解锁：Whisper → 大模型 → Agent，每解锁一层产品就能重设计一次

2.2 成本边界：账单会直接杀死产品

第二个因素是成本。GPT-4 时代翻半小时视频要几美元，我自己勉强接受，普通人太贵，那个版本我一直自己用。现在 DeepSeek 这类模型出来，一小时视频几毛钱就能翻完。但成本要动态看：Token 单价在降，Agent 模式下消耗量上去了，不能只看单价。公式很简单：调用次数 × 每次 Token 量 × 单价，降成本就从这三个因子下手。

我有过一次真实优化。最早让模型直接输出结构化 JSON，十句字幕加标记就有几十 K Token，结构越复杂单次处理量越小，半小时视频要几十上百次请求，用户抱怨一个视频用掉 20% 周额度。后来改成纯文本和 HTML 输出，HTML 对模型友好，就像网页翻译，单次量大了，次数降了。代价是解析变复杂：润色后要用 diff 算法找改动、对回时间轴。但这就是取舍：模型输出简单格式，复杂解析交给程序。翻译用便宜模型，只有对齐才用贵一点的。一轮下来，调用从 33 次降到 12 次，单集处理从 31 分钟降到 18 分钟。

▲ 一次真实的成本优化：调用 33 → 12 次，单集处理 31 → 18 分钟

2.3 价值边界：用户买的是结果，还是结果背后的人

第三关是价值。字幕翻译用户要的是确定性结果，英文进去、准确中文出来，不在乎谁翻的。但不是所有东西都这样：AI 自动写小说、做视频，很多人天然抵触，叫“AI 垃圾”；哪怕我只让 AI 润色文章，都有读者评论“AI 味很重”。如果产品只是在生产更多 AI 垃圾，就要想想值不值得做。用户买的是结果还是结果背后的人，这条线锚在人性上，不随模型升级移动。

▲ 两条会动的线上找机会，在那条不动的线内侧建护城河

三、最小验证：让坏想法死得早

决定做了，下一步是怎么快速做出来。这个项目我两三年前就开了，一直没发布：视频编辑器工作量大，Whisper 早期时间戳对不准，业余时间老被打断，眼看要进“半成品坟场”。破局靠两个选择。

第一个是 Claude Design：用指令直接生成高保真交互原型，不用写代码，配模拟数据，几分钟就能上手测试。从头做没人做过的东西，靠写代码反馈周期太长；用原型，周期压到几小时，马上知道哪里不对。MVP 决策也在这步做：只做 Mac、只做最简单的播放和字幕。

第二个有点阴差阳错：我用了完全不熟的 Swift 加 AppKit。这些年我主要做前端，Electron、TypeScript 特别熟，用熟的语言有个坏处，你老想自己控制代码，一控制你就成了瓶颈，不放心让 AI 写。Swift 不熟，只能交给 AI，我只管验收，代码都不怎么看。正因为不熟才能放手，几天就做出能跑的 MVP。在不熟悉的领域开始，反而更接近 AI 原生思维。

▲ BaoCut 差点死掉：高保真原型与一门不熟悉的语言救了它

最小验证的另一面是让坏想法死得早。反例：我嫌刷推特微博太花时间，用 AI 一小时做了个客户端原型，挺漂亮，但做出来发现还不如网页方便，没有每天想用的冲动，砍掉。字幕 App 相反，比脚本好用太多，我每天都在用，就一直迭代到现在。

四、重设计：不要让 AI 模仿人

4.1 V1：模拟人类字幕组

GPT-4 时代的第一版，直觉做法是模拟字幕组：Whisper 听写、转 SRT、大模型翻译、人工校对、算法处理时间轴。能做，但问题多：模型翻译时自作主张把两条字幕合并，时间戳对不上；校对要完整看一遍视频，翻一集要一两个小时；长句还要靠大模型拆。V1.5 用工作流编排和算法打补丁，有效，但旧框架里打补丁，收益递减。

▲ V1 模拟人类字幕组：工具替代了大量人工，但校对依然繁重

4.2 V2：以终为始，三连追问

到了 Agent 时代，我重新思考这个产品，思路一句话：以终为始。终点很简单，把英文视频翻译成中文字幕。不问“原流程哪步还能优化”，从终点倒推，连追三个问题：

▲ V2 推倒重来：不问原流程哪步能优化，以终为始三连追问

▲ 一页看懂：从“模仿人”到“围绕 Agent 重设”

4.3 三条设计准则

• 准则一：让 Agent 操作它最擅长的格式。 HTML、Markdown、纯文本在训练数据里管够，选型先问：这个格式模型见得多吗？
• 准则二：给设计规范，不给模板。 模板是专家捷径，规范加模型能力是笨办法，但“苦涩的教训”说通用方法终将战胜专家捷径。模型每升级一次，产品不改代码自动变强，这就是“搭架子等模型”。
• 准则三：把 App 做成 Agent 的插件。 用户现在不是先打开你的 App，而是先打开 Agent。最诚实的信号是我自己：BaoCut 是我写的 App，但现在连我都不打开它的界面了。Codex 里丢个视频链接，说一句“帮我翻译这个字幕”，它调 BaoCut 命令行翻完，我只确认。作者本人都绕过了自己的图形界面，这就是入口迁移最诚实的证据。

▲ 作者本人都绕过了自己的图形界面——入口迁移最诚实的证据

五、落地验证：流程没变，人的角色变了

新功能怎么上线？上周的真实案例：用户有两台电脑，一台性能好不常用，一台常用性能弱，希望“远程转录”，用常用的机器指挥另一台的显卡跑字幕。好需求，我按固定流程推进，但没打开编辑器。

▲ 落地五关：流程没变，执行主体变了，人的位置在关键节点上

▲ 复盘四句话：角色变了、确认合并不省略、验证题给 Agent、瓶颈在两侧

整个功能时间跨度一两天，实际投入几小时，以前至少要几周。流程还是传统那套，一个没少；变的是我的角色：不再是程序员，而是产品经理加测试，更像管理者。确认可以合并，不能省略。验证题给 Agent，判断题留给人。

六、结语与一页落地地图

▲ 一页落地地图：找需求 → 判边界 → 最小验证 → 重设计 → 落地五关 → 持续进化

总结一下。做 AI 产品，先找符合 AI 特点的需求：痛点够不够硬、自己是不是用户、AI 是不是刚好够到；再看三条边界：能力、成本、价值。做的时候先做高保真原型快速验证，让坏想法死得早。设计时站在 AI 的角度：给它工具自己验证，用它熟悉的格式，给规范不给模板。开发时人的精力放在定义和验收两头，确认可以合并，不能省略。

模型一直在进化。今天 Agent 能力强，明天可能是一群 Agent 协作。每次边界线外扩，都值得重新想一遍：这个能力边界下，对 AI 最好的设计是什么，有什么新需求冒出来了。就像训练大模型要推翻旧权重，做产品的人也要敢于推翻自己的旧答案。

腾讯内部精彩问答 (Q&A 完整记录)

▲ 腾讯学堂现场精彩互动问答