所以我这一年做的事，是把整条产品研发链路重新设计成一个 AI 能参与运行的系统。
我是何恒宇。在校生，干大事教育产品经理。本职上我 0-1 操盘 3 个盈利产品、带 100 人团队、是《物理重构》第一作者（30 万册，ISBN 可查）；今年独立主导公司级的 AI 研发体系重构，把业务判断做成了可重复、可审计的系统。业余做的两个 AI 产品跑完了立项到止损的完整一轮，其中一个被阿里通义千问团队主动加微信约产品共创。
一个是直接把 AI 的东西当结果，一个是把 AI 当过程，这是完全不同的产出。
2026 年 7 月，我在一次内部对齐里说的。这句话现在是我团队的工作前提。
01 — About
高三那年，我是某位创始人课程的付费用户。
那时候我站在需求侧，掏的是自己的钱，所以这个行业哪里在骗人、哪里真的有用，我有第一手的体感。毕业后我主动加入了他的公司，一年后跟着他一起出来独立创业，走完了付费用户 → 员工 → 创始团队核心这三步。这条路的好处是，我做教育产品的时候不用去猜用户在想什么，因为那个用户就是我。
在干大事，我接的一直是公司最新、最难、还没人趟过的板块。越是一团乱、越是没人做过的，我越上。方法很笨：用第一性原理把复杂的事拆成最简单的步骤，然后一件一件捋顺，跑出结果。
我现在找的是 AI 产品经理的岗位。选这个方向不是因为 AI 热，是因为我这一年真的把 AI 从个人工具推成了公司层面的运行方式，我知道这件事在一个组织里会卡在哪。
02 — How I Use AI
工具三个月换一轮，我今年 2 月做的那批智能体和 workflow，到 8 月基本已经不用了。不变的是你把 AI 放在什么位置上：让它替你出结果，还是让它在你定义的系统里跑。
让 AI 写一段，看着不对，就告诉它「这里应该怎么写」。整个过程里 AI 始终不知道这件事的全貌。每一次修补的经验都不会累积，下一个任务重新开始，还得这么改一遍。
不先让它写，先告诉它这件事到底要什么：用户是谁、终局是什么、判据有哪些、什么不能碰。前期更慢，但量产的稳定性完全是另一个量级，而且架构可以被下一个项目直接继承。
实际操作 · AI 直出只到 70 分，剩下 20 分怎么来
AI 能省掉我 80–90% 的精力，但最有灵魂的那部分必须人来判断。关键不在于「人还要改」，在于人改的是哪 10%：改措辞是校对，改判断才会被 AI 带到后面所有产出里。
落地 · 我给公司搭的四层研发体系
服务谁、要成为什么、边界在哪。不解决这层，下面全是白做。
流程与角色分工，哪些由人决定、哪些交给 AI，交接点在哪。人机分权在这层定死。
每个节点的单一事实源：交接物、不可擅改参数、变更规则。这层是 AI 真正读的东西。
飞书多维表格上五张全项目共用的运行表，加三条母版规则防止各项目分叉。
03 — Product Sense
这句话是我在一次内部讨论里说的，它还有后半句：哪怕他是一个应届生，只要思维在、愿意迭代，这件事就成立。我现在就是那个应届生，所以下面写的是我判断产品用的标尺。
产出便宜了，判断就变贵了。
以前一个产品经理的价值，很大一部分在于他能协调资源、把一个想法变成真东西。现在我一个人用 AI 就能把想法做到上线。做出来不再是门槛，于是唯一还稀缺的能力浮出水面：你怎么知道这个东西是好的。
所以我判断一个产品经理的标准，从来不是他做过多大的产品，是问他为什么当时那样决定。下面这四问是我立项前必须答完的，答不完不开工。
如果我不是用户，我凭什么相信自己对痛感的判断。先信任自己作为典型用户的痛感，做出来，让市场数据告诉我对不对。
一个产品能不能长期活着，看的是它有没有别人短期补不上的东西：独占的资产、被验证过的方法论、还是难以复制的交付体系。说不出护城河，就说明它随时可以被抄走。
真需求不等于持续需求。一个痛点是真的，不代表它值得做成产品，也可能用户解决完就永远离开。这一问决定了要不要投入长期资源。
如果失败之后只剩损失，没有任何可复用的东西，这个项目一开始就不该立。一次失败的价值，在于它能不能变成一条规则。
04 — Capability
简历上罗列能力标签没有意义，谁都能写「敏捷」「化繁为简」。我把自己的能力拆成三层，每一层都有能被追问的证据。
产品经理最贵的能力，是判断一件事值不值得做。这个判断没法外包给数据，因为在你决定做之前，那些数据还不存在。我立项前固定问四个问题：需求我自己有没有、护城河是什么、三年后它还在不在、做砸了我能拿走什么。
判断权最怕的一种情况是「我想清楚了，但我做不出来」，那判断就变成了空谈。所以我把自己动手的成本压到最低：从公司级研发体系的四层架构，到一个 C 端产品的完整上线，我都能自己落地，不必等排期。这件事真正改变的不是效率，是我敢试的想法数量。
AI 最危险的地方不是产出慢，是产出快到没人来得及验证。一堆看起来做完了的东西，其实从没进过真实业务。我给团队立的判断标准只有一句：生成 ≠ 采用，设计 ≠ 运行，交付 ≠ 业务效果。只有被人真正用上、进入了下一环节、并且留下可回读证据的产出，才算业务结果。
05 — Works
下面每一件都有第三方可查的凭证：正式出版物 ISBN、平台后台截图、原始对话记录。不需要你相信我，你可以直接去核。
先说我遇到的问题。团队用上 AI 之后产出速度暴涨，但冒出三个新麻烦：生成的速度远远超过验证的速度，一堆「看起来做完了」的文件从没进过真实业务；跨人协作的上下文交接成本高得离谱；以及所有人用 AI 的方式都是在结果上打补丁，从没人先告诉 AI 整件事到底要什么。
我的判断：AI 的产出是工业品，不是工艺品。用做手作的方式使唤 AI，论精细不如人自己做，论规模被自己的注意力卡死。它需要的是工程和架构思维：先把顶层方法论定死，再让 AI 在框架里量产。以前是人一件件做出来，现在是人定义系统、AI 在系统里跑，人守在判断和验证这两个位置上。
做的三件事。一、四层架构（业务战略 / 业务设计 / 节点标准 / 技术承载），把立项主链拆成六个节点，每个节点定死交接物、不可擅改参数、变更规则和人机分权边界，技术上落成飞书多维表格里五张全项目共用的运行表。二、把 AI 会话上下文变成公司的沟通协议，最快的同步方式不再是开会，而是你直接把和 AI 的聊天记录发给我，我丢给我的 AI。三、给 AI 产出建立结果分级规则：生成 ≠ 采用，设计 ≠ 运行，交付 ≠ 业务效果。
口径说明：体系已在团队内运行，业务层边界与变更机制已冻结，技术骨架已真实建立。但按我自己定的结果分级规则，效率收益要等真实项目周期的数据，这部分我不写成业绩。
在校期间从 0 主导内容策划、章节架构与出版交付全过程，四川教育出版社正式出版，ISBN 与版权页可查可背调。这本书的方法论金字塔也是我做体系化产品的起点：它最大的价值不是覆盖得全，是出问题时能定位到是哪几条方法论。
「个性化学习计划 + 学霸督学陪伴」的服务型产品。我论证出的护城河不在师资，在交付体系：SOP、话术库、周报三件套，让普通学霸也能稳定交付名校级督学。重服务能不能跑通，核心不在招到多牛的人，在能不能把交付变成可复制的系统。
查看方法论沉淀 →把聊天记录在本机解密，用 AI 蒸馏成一份关系分析报告，全程数据不上传服务端。零投流上线 2 小时 500 用户，之后被阿里通义千问团队主动加微信约产品共创。
看产品复盘 →30 天跑通 PMF，然后在盈利状态下被我关停。这个产品最大的产出不是收入，是它逼我补上了立项四问里的第三问。
看完整决策过程 →06 — Signal
是阿里通义千问团队主动加我微信，约我做产品共创。我没投过简历，也没找过内推。这件事让我意识到一个东西：作品改变的是我和对方的关系性质。
那通电话问的第一个问题不是「你的优点是什么」，是「你怎么想到做这些东西」。前一个问题是在筛人，后一个问题是在跟同行聊天。
07 — Decision
这是「再见前任」从立项到关停的全过程。立项四问里的第三问，就是从这里补上的。
我身边有人卡在一段已经结束的关系里，反复翻聊天记录，想说的话没说出去。这个痛感我有第一手体感，不需要调研来告诉我它真不真。
dogfooding 是我的立项方式：先信任自己作为典型用户的痛感，做出来，让市场数据告诉我对不对。
我当时的立项逻辑只有两条：需求是真的、这个品类大厂不会碰。两条都成立，所以我直接开做了。
我跳过了时间维度。一个需求是真的，不代表它是持续的。这一课后来变成了我立项四问里的第三问。
产品建在蔡格尼克效应等四个心理学结论上。但比功能更早定下来的是三条红线：不复合、不假装、是回响。
情感类产品最容易滑向的就是「让用户以为 Ta 回来了」。这三条是我给产品设的伦理边界，宁可转化差一点也不越线。
30 天跑到 100w 抖音播放、4000 人社群、300+ 陌生人付费。从增长看这是个好开局。
但留存是断崖式下跌的。用户用完一次就走。我又试了三种邻域变现方向，全部失败。这两个信号合起来只说明一件事：这是一次性需求。
它当时是盈利的，继续做还能赚一段短期的钱。我停掉它是因为它偏离了我认为三年值得做的事情，而我不想把时间押在一个已经知道没有未来的东西上。
这是止盈，不是认输。止损一个亏钱的产品是理性，止损一个赚钱的产品才是判断。
我把它提炼成立项前必答的四问，从那以后每个项目开始前都要走一遍。第三问就是这次补上的。
一个立项失败最大的价值，是它能不能变成一条可复用的规则。如果不能，那才是真的白做了。
08 — Thinking
我不打算列几句漂亮话。每条都写清楚我原来是怎么想的、被什么事修正、现在的规矩是什么。
再见前任 30 天跑到 100w 播放，我当时挺兴奋。然后留存断崖式下跌，三个邻域变现方向全试全败。它是个一次性需求，用户用完就走。我在盈利状态下把它关了。
快，但不是瞎快。「先做再说」省下来的那点时间，抵不过方向错了之后的沉没成本。兵马可以先行，粮草必须有方向。
用 AI 之后产出速度暴涨，但很快发现一个问题：直接拿 AI 的输出去交付，质量稳定卡在一个天花板上。看着完整，经不起用。一个是直接把 AI 的东西当结果，一个是把 AI 当过程，这是完全不同的产出。
AI 能省掉 80–90% 的精力，但最有灵魂的那部分必须人来判断。我的活不是写，是在 AI 的草稿上做取舍。
团队用上 AI 之后，真正的浪费不在产出，在每次协作都要把上下文重建一遍。开会讲背景、写文档同步、再被人问一遍。同一段前提，一天讲三次。
完整上下文瞬间到手，谁都不用再复述一遍背景。沟通的最小单位，从「一场会议」变成了「一段可交接的上下文」。这个动作现在是我团队默认的同步方式，替掉了大部分进度会。
做《物理重构》的方法论体系时，我一开始追求的是覆盖得全、结构得漂亮。后来发现真正救命的不是完整度。有金字塔的好处不是它多完美，而是可归因。
学生说某一节不好，我能查到是哪几条方法论出的问题，改那几条就行。没有体系的东西被说不行，只能整个重做。这个差别决定了一个体系能不能长期迭代下去。
AI 让「做出来」变得极其便宜，于是生成的速度远远超过验证的速度。团队里堆了一批看起来完成度很高的东西，翻出来一看，从没进过真实业务。
只有被人真正用上、进入了下一环节、且留下可回读证据的产出，才算业务结果。这条规则我先用在自己身上，所以这个网站上没写「AI 体系提效了多少」。
需求大的地方，早就有人在了。拼投入拼资源，新公司必输。真正该问的不是「哪里需求大」，是「我有什么是别人短期补不上的」。
重服务这条线的护城河不在师资，在交付体系。我照这个判断立项了学习计划，用 SOP 三件套把交付变成可复制的系统，做成了公司第一大营收产品，退款率 15%（同类行业 30–50%）。
09 — Experience
这条线索把上面的东西串起来。每一段经历，都对应着一个能点开细看的产品。
10 — Numbers
上层是我个人直接负责、第三方可查的；下层是我所属产品线的整体战绩。分开写是因为混在一起会让人无法判断哪些真是我的。
11 — FAQ
这几条是我预判会被追问的，直接写在这里，省得面试时才第一次听到。
