7.8
深览指数
科技人人都是产品经理·深思圈··AI 生成
年入过亿美金的创始人真实分享：所谓“AI 套壳”，其实是个误会
Gamma 联合创始人 Jon Noronha 拆解 AI agent 产品：一次生成 20 页演示文稿背后约 20 个模型、200 次调用，harness（模型外的工具与检查层）才是产品差异所在，而非“套壳”。他给出反共识判断：创意领域无法靠 eval 打分，品味+难作假的付费/留存指标才是验证方式；新模型一小时内接入做性价比实验；意外发现“好的麻烦”（让用户审大纲、答问题）提升满意度与付费率。适合做 AI 应用层产品、关心护城河与实验方法的读者。原文 ↗
核心观点
- ▍“AI 套壳”是个误会：各家大模型核心能力接近，把模型变成产品的魔法几乎全在 harness（工具、检查、追问偏好那一层），模型是可随时更换的零件。
- ▍创意领域“好不好看”“像不像我”无法靠 eval 打分，创始人能带进领域的真正优势是品味，再用付费、留存这类难作假的信号验证。
- 01Gamma 一次生成 20 页演示文稿：开云端沙盒、填表单、拉 Notion/Slack 内容、写大纲、视觉模型选模板、并行生图，最后视觉模型逐页找对齐/裁切/对比度问题并多轮修复，累计约 20 个模型、200 次调用。
- 02现成模型判断“一页幻灯片好不好”效果不理想，Gamma 开始自研专门评估单页质量的模型；这步用户看不见，却决定成品能否直接用。
- 03新模型发布后一小时内接入：Claude Haiku 5.5 发布当天在去录音路上启动八个实验，测改一页小地方、改大纲等快而便宜的任务，预计砍掉四个。
- 04技术栈“广而浅”：98% 的价值来自提示工程与上下文工程，微调只用于控成本或再挤 2%-3% 质量；现在没人手写提示，都是 Claude 代写。
- 05反直觉实验：fast mode（跳过审大纲、答问题）没有赢，慢下来让用户审大纲、选故事走向的版本满意度更高、后续动作更多、付费比例更高，Jon 称之为“好的麻烦”（good friction）。
- 06Jon 认为云端闭源模型被低估：钱都流向闭源，因 Anthropic、OpenAI、Google 彼此只差几个月，激烈竞争让应用层最受益。
反方 / 局限
- — Jon 承认 Gamma 已在做有收获的微调以降低成本并做个性化，且开始自研评估模型——这与“98% 价值在提示、模型可换”的主线存在张力，自研模型能力可能成为新护城河。
- — “好的麻烦”结论只在 Gamma 的演示文稿场景与现有用户群中验证，作者未讨论该结论是否适用于追求极致效率的工具型产品，也未给出样本量与统计口径。
- — Jon 反复建议“不一定做软件、真实世界生意机会大”，但他自认对硬件/实体服务不熟，这套建议缺乏其亲自验证的案例支撑。
GammaJon NoronhaGreg IsenbergThe Startup Ideas PodcastAnthropicOpenAIGoogleClaude CodeClaude Haiku 5.5agent harnessAI smell（AI 味）good friction（好的麻烦）OptimizelyNano BananaRestoration Hardware
18 分钟 · 6 卡片 · 13 资料
读原文 →