摘要

AI压缩了产品开发漏斗，但不会改变PM的工作。 Brian Tolkin的核心判断是：从PRD到Figma再到代码的接力，正在压缩成“直接做原型，跳过文档阶段”；但真正的能力——“你得去和用户交流，搞清楚人们想要什么……还要知道如何区分第一类决策和第二类决策”——无论AI之前还是之后都不会变。工具箱在变大，稀缺的仍然是判断力。
在AI技能曲线上，主持人与嘉宾先分歧、后收敛。 Brian认为工程能力会变得更重要；Harry则认为会变得不那么重要，因为工具会让“前1%基于性能的模型优化”以下的一切商品化，而优秀设计师会进一步拉开与AI“够用水平”的差距。Brian最后给出的综合判断，是那条可交易的分界线：“所有技能中排名前1%、前5%的人会更有价值，而中位数的价值会大幅下降。”
Series A阶段可能还没到偿还技术债的时候。 面对一家从200万美元增长到800万美元的公司，Brian认为这个阶段大概率还太早——“你得先赢得继续存在于未来的资格，而偿还技术债并不能支付账单”。在Uber那样持续多年的圈地竞争中，速度优先；早期放慢脚步偿还技术债，“有点难办”。
多产品战略可以放进一个2x2矩阵。 新产品需要一个边界清晰的沙盒环境（Uber和Opendoor可以按城市隔离；Uber Eats则“完全独立，什么都分开”），第二个产品也不必反哺第一个产品——但如果同时面对新客户、需要新能力，“大概率就是一家新公司”。Opendoor自己的失误是：多年投入买方业务（零售购房、抵押贷款），而真正的机会在于既有客户加新能力——“卖方业务才是我们赢得胜利的资格所在，也是很多魔力发生的地方。”
共识式产品决策“既难又错”。 Brian介于Spotify CPO Gustav“讨论很廉价，所以应该多讨论”和Harry“独裁式产品领导被低估”之间：收集所有人的意见，再做决定——“决策慢是昂贵的……更慢的决策极少会带来更好的结果”。“反对但承诺”适合一个冲刺周期，却不适合一段职业生涯：“如果我一直在反对之后承诺……那我就待错地方了。”
“你招聘的就是你的战略”。 你选中的人会定义成功的标准，因此招聘要看PM与团队是否匹配（算法产品需要数学能力强的PM，沉闷的团队则可能需要一个爱折腾的人来注入活力），而不是泛泛地追求聪明。失败的招聘“从来不只是被招聘者的责任”——可能是成功标准不清晰、技能组合错配，或岗位本身的模糊程度超出了这个人的提炼能力。
Uber Pool最优与最差的决策，构成了这一集的首尾呼应。 最优决策是前置定价，取代事后按时间和里程计算价格；最差决策则是在乘客已经选择UberX后，仍默认将其导入Pool——“我们把业务需求置于……对用户选择的尊重之上”，这是他称自己已深刻吸取的教训。

精读

1. 成都很可能是首发城市：匹配质量生死系于道路数据

Brian回忆Uber很可能在成都上线——“一座有2000万人、Uber内部大多数人此前甚至没听说过的城市”——与此同时，团队还在搭建中国数据中心。上线前一晚系统仍未正常运行；他估计自己在办公室地板上睡了30分钟，早上约5:30–6:00上线，赶上早高峰，因为Pool“高度依赖流动性来实现高效匹配”。
更持久的教训是：理解让产品运转起来的各个组成部分。中国没有Google Maps，加上“巨大的高速公路和立交桥”，匹配质量受到影响——“我们低估了在缺乏高质量底层道路数据的情况下，如何实现良好匹配的复杂性”。他也希望团队更早意识到文化上的设计差异：中国应用偏爱“颜色、红色和大按钮”，而不是那种简洁、退到背景里的设计。
产品设计是否正在全球趋同？趋同确实存在，方向略微偏向西方；但“随着我们的注意力持续缩短……我们当然正在走向中间地带”。

2. AI压缩开发漏斗，但PM的核心工作没有变化

过去的接力模式是：PM负责PRD，设计师负责Figma文件，工程师负责代码，PM因此“站在漏斗顶端”。Brian认为，AI“会彻底压缩这个循环”；PM和设计师可以一起直接做原型、拿给客户看，跳过文档阶段。不会改变的仍是：和用户交流、提炼要做什么、让产品对业务有效，以及知道如何区分“第一类决策”和“第二类决策”。
Figma会输给听起来像Replit的工具吗？他的概括是：未来“更多PM会从原型环境而非设计环境开始”，答案是会；但Figma仍在为设计师、PM和工程师持续构建能力，并不断向生产代码靠近。
关于工程与设计谁更重要，Brian认为AI时代工程能力会变得更重要；Harry则反驳称，“前1%基于性能的模型优化”以下的能力会被商品化，而优秀设计师会与AI的“够用水平”拉开差距。Brian承认这种分化形态：每种技能排名前1%–5%的人会更有价值，中位数的价值会下降。
他最后的愿望，也是对AI热潮的一层保留：“利用AI工具打破职能之间的孤岛，其难度会高于很多人现在所承认的程度。”

3. 技术债不能支付账单，OKR要靠执行赢得资格

Harry设定了一个假设：一家Series A公司在1年内从200万美元增长到800万美元，同时技术债不断累积。Brian的回答是，这个阶段大概率还太早——“你得先赢得继续存在于未来的资格，而偿还技术债并不能支付账单”。但竞争环境很关键：Uber曾多年处于圈地阶段，而大多数早期公司甚至还不知道是否真的有人愿意为产品付费。
优先级排序除了影响、信心和投入，还要由管理层明确决定公司究竟在优化哪个时间周期——“债务”这个词很准确，因为你是在权衡现在支付，还是以后支付。
关于OKR，他把它们称为“级联树”：团队目标逐级向上承接1到2层目标（在Uber，顶层指标是行程数；他负责的切片是Pool行程数）。最大的错误是目标太多——3个，也许3到5个——因为“如果你什么都关注，就等于什么都没关注”；真正的流程还应当能说清楚哪些重要事情你没有做。一个值得保留的节奏原则是：“你要先证明自己能在更短周期内执行，才有资格制定更长周期的OKR。”当你连3周后能交付什么都说不清时，年度计划可能并没有价值。
CEO是否应该兼任CPO？不一定，但早期通常应该如此：如果产品是公司拥有的最重要资产，那么早期把它“外包”出去会非常困难。

4. 多产品：给新业务搭沙盒，先搞清楚自己身处哪个象限

这个产品难题很可能是经典的创新者窘境——“你不能为了在核心产品之上构建新产品，而牺牲核心产品”。他更偏好的做法是：给新产品一个边界清晰的沙盒，放宽公司约束，同时不让核心业务承受风险。Uber和Opendoor可以按城市建立沙盒；Uber Eats则更进一步——“完全独立的应用……完全独立的一切”。
与“第二个产品必须反哺第一个产品”的常见规则相反，第二个产品不必做到这一点，但必须利用某种竞争优势。他用客户群×能力构成2x2矩阵：新客户加新能力，“大概率就是一家新公司”。
Opendoor自己的错误，是重注买方业务——零售购房和抵押贷款——而不是面向既有客户开发新能力。抵押贷款最终失败，但他拒绝事后诸葛亮：“很难把糟糕的决策和糟糕的结果完全分开”；这些当时都是经过充分推理的选择。现在真正应该聚焦的是卖方。

5. 真相内核、速度优先，以及65分的数据观

他对产品工作的标志性概括是：在“一片嘈杂声中找到真相的内核”。反馈往往以解决方案的形式出现——用户要求某个功能、交易丢失——而工作是提炼真正重要的东西。Uber的真相内核是：5分钟内是否有车、车辆是否可用、价格是否合理；“其他所有产品细节都会淡去”。这也是创始人错过产品市场匹配的快速答案：爱上了解决方案，而不是问题本身。
在速度和品位之间，他明确站在速度一边：“围绕反馈闭环向目标发射的次数越多，成功的可能性就越高”；但产品不能烂到直接上线，否则糟糕的执行会制造一个错误的负面结果，这正是MVP里“可行”的含义。
在直觉和数据之间，他在0–100的数据尺度上给自己打65分，但在Opendoor学到一个重要前提——“和用户交流也是数据……如果你和10个客户交流，他们都告诉你某件事，这和我查看150个数据点一样，都是数据。”
面对重新设计和新奇效应（Harry举例说，用户失去iPhone Home键），你可能需要让实验拥有足够的耐心：用第5周到第8周的数据评估实验，而不是第1周到第4周。至于简单性，他的原则是：“在必要的复杂性既定的情况下，简单总是更好。”但当产品必须支持多种车型时，“按一下按钮，叫到一辆车”虽然更简单，滑杆才是更简单的界面。

6. 共识是错的，“反对但承诺”也有保质期

Harry先抛出这场争论：Spotify的Gustav认为“讨论很廉价，所以应该多讨论”，而Harry——“考虑到他是管理着一家市值近千亿美元公司的CPO，而我只有一档播客，这个观点实在非常大胆且自负”——认为独裁式产品领导被低估了。Brian给出的中间路径是：“共识式产品决策既难又错”（“你认为A，我认为B，那我们取中间值”），但完全不听B也同样不对。应该吸收每个人的专业意见，然后做决定；双方都同意，“更慢的决策极少会带来更好的结果”。
Harry在这一集最尖锐的反驳是：根本不同意的人不会愿意周末加班——你得到的只是参与，而不是承诺。Brian借Steve Jobs在斯坦福的测试作出让步：反对但承诺适合“一个冲刺周期、1个月”，但“如果我一直在反对之后承诺……那我就待错地方了”。
他为“对齐”辩护，回应Harry称其为管理学里的无意义术语：任何人在任何时候，都能流畅说出自己正在做的最重要的事、它为什么重要，以及它如何向上承接——“不一定意味着同意”。相关的管理手艺是：节假日后或裁员后，刻意做一次“不自然”的优先级排序——迅速交付一个高信心、低投入的项目，因为动能会不断复利。

7. 招聘即战略，然后待得足够久，才真正产生影响

PM并非千人一面：他们可能从设计、工程、数据或运营岗位成长而来，因此招聘的核心是PM与团队的匹配，类似创始人与市场的匹配，主要看两个维度：产品需要什么（后端算法产品需要数学能力强的PM），以及职能团队缺什么（有时需要“那个疯狂、跳脱的折腾者”来注入活力）。他一直记得Opendoor的一句话：“你招聘的就是你的战略。”
招聘失败“几乎总是公司或招聘者的责任”：没有清晰的成功定义，实际问题所需的技能组合不对，或者“岗位的模糊程度超出了这个人的提炼能力”。面试中最强的信号来自共事过的人；否则就使用模糊的案例题，考察的是思考清晰度，而不是可以学习的技巧（冲刺周期——大多数团队是2周，增长团队是1周——以及优先级排序都可以教）。他认为最被低估的PM来源是从其他职能内部转岗。
针对硅谷的频繁跳槽——“现在你会从一家AI公司跳到另一家”——如果每18–24个月换一次工作，还要花6个月熟悉新环境，“你根本没有多少时间真正发挥作用”；对公司和客户的上下文理解会不断复利。他给应届毕业生的建议是：加入一家相对早期的公司——“既能看到一些哪些做法有效，又允许你自己犯错”。
他之所以可能喜欢运营负担很重的产品，是因为第三方可以摧毁你精心打造的软件：“计算机是确定性的，而现实世界中的人不是”。在Opendoor，他把核心三角概括为产品、运营和设计。

90. 朱啸虎又来了：中国现实主义AIGC故事的1周年连载 Agent Engineering with Pydantic + Graphs——对话 Pydantic Logfire CEO Samuel Colvin