张勇老祖一气化三清：哪吒、海底捞、阿里巴巴。

牛马痕迹

过去几年新出来的社区能有点影响力的是不是就是小宇宙和千岛？

不开玩笑，我认为所有高阶增长人和公司老板都应该研究一下「峰终效应」这个事儿。

先问个问题，一条赚钱的业务链路里有几十个漏斗，让你确定下一阶段的增长核心在哪儿，你怎么定？怎么挖掘出最大的杠杆？你总不能告诉我：全都做吧。你有多大资源？

今天提供一个解法：峰终定律。你就记住四件事儿，最初，最后，最高，最低。

最初就是一条链路中，用户跟你接触的最开始，最开始有助于你建立初印象，设想一下，你开了一家店，店里金碧辉煌，人均恨不得 1000 块钱，但店面是用塑料板子写的店名，你觉得能吸引到目标用户吗？用户来你这儿吃饭会不会觉得寒碜？

最后是什么？就是最后的接触点，举个例子，你开了个咖啡馆，用户点完单了，是不是给个牌子就回去坐着了，用户喝完了自己就离开了？他喝完了什么也记不住，未来怎么复购？这时候如果你设计一个带着金句的漂亮书签，一个钥匙扣，让他走的时候随手带着，然后祝他今天开心，你想想用户的感受怎么样？ 这种思路当然也可以用在互联网产品和电商里。

最低呢，就是体验最差的地方，作为一号位或者高阶的增长人，你真的要去实际体验自己的产品，体验销售给用户说的话，发的物料到底怎么样，有没有非常不清晰的图片，或者非常不合适的话术，最低这个事儿就是不要有用户可以吐槽的地方，这是兜底，是底线，如果大家只顾着找增量，不想着擦屁股，用户体验也是非常割裂的。

最后是聊聊最高，最高其实很简单，但也很复杂，简单是因为大家都能理解，所谓最高就是 aha-moment 嘛，用户使用产品的链路里什么时候 ta 觉得太爽了，超值了。但你必须要有意识去设计一个【1 秒钟】维度的【界面】，在这个界面用户看到了什么，ta 觉得嗨了，为什么嗨，嗨的时候心里想的是什么？是骄傲？自豪？高兴？你要定义清楚，才能做出来。

但最高也是最难的，为什么，因为不好找。这个不是靠手感和推导能做出来的，你需要找到 3-5 个，然后投入资源一个个去试，但只要你能试出一个，把它推到极致，这事儿就值了。

最后留个作业，你觉得，最初，最后，最高，最低，资源有限的情况下，你应该先做哪个？欢迎交流。

刚刚和运营采购讨论产品的时候，隔壁组做手机支架的产品经理参与了进来，他给的一个产品方案让我觉得自己还是太弱了，他不止给了一个方案，他是接二连三给了几个方案，让我觉得很佩服，他明明不是做我这个品类的，但是却可以反应这么快想到一些我完全没有想过的方案。本来都要赶着下班了，听完方案我就跑去先把草稿给画出来了，生怕下周就会忘记，这种感觉还是太新鲜了！虽然离落地还有还长的路要走，但是他的实力在我心中已经得到了认可。

最近做的 AI 项目，直接搞了一个封闭会议室，每个同学都很忙又很兴奋，算法、工程、产品、设计一起频繁讨论，调试，测评，总结，没有明确边界，就是干中学。

好几个同学私下说，他们真想把 OKR 里的其他事情都推掉，全身心做这个项目，因为真的很有意思，难得在大厂里找到创业团队的感觉

当人人都依赖gpt的时候不存在信息交叉验证

我问了gpt一个问题，但我觉得有点不太对，我就把这个问题抛给我的同事（他在这方面有一定经验），然后他甩了一个gpt的截图给我并说下次直接问gpt

不是拜师学艺，就是经验传递。
很开心跟大家分享我对世界的见解。
记开营第一天。

“顾客投诉蜜雪冰城饮料里有柠檬籽”

这个绝对是市场部到杰作

中国第四艘航母或采用核动力推进系统

强袭自由就是核能，有无限动力✌️

架构设计就是这样，3000行代码就实现这么简单的一个机制。

对比来说就是：
无架构设计的内容生产效率是线性的，y=x；
优秀的架构设计生产效率是指数增长的或更大的线性，y=x³或y=5x。

杭州有Deepseek，南京有HeyGem，武汉有Manus，中国AI全球反攻

见过裁员的，第一次见这种威胁裁员的！
最近刚刚D轮融资，还要靠裁员出圈！

“世界都在注视的南京独角兽企业…”
“公司近期完成数亿元D轮融资，累计融资超十亿元，股东阵容包括腾讯、招银、国新、海松等顶级投资机构。”

在装了反炸中心的小米手机里用搜狗输入法在微信里给用华为手机的朋友发了某商品信息，谁先得知？
1：反炸中心
2：搜狗输入法
3：小米
4：华为
5：微信
6：用华为手机的朋友
7：淘宝京东pdd等广告商

留下你的答案顺序。

做带有ai的功能，起手式里必须有测评先行。

所谓测评，就是在定义ai的能力边界，包括定义数据集，定义预期效果，以及定义每次迭代的效果衡量方式。

1）能力边界

其实就是定义擅长解决哪类问题，不擅长解决哪类问题，对于不擅长的，应该如何给用户反馈。

最典型的，就是智能客服系统里，超出知识库范围的就转人工。

2）数据集

上一代ai功能，还需要定义训练集、测试集、验证集，但现在做大模型套壳之后，保留最核心的测试集其实就好了。

但测试集的构建本身也是有说法的，理想的是要和真实业务的数据分布一致，并且要随着业务发展不断调整。不然很可能在自己的测试集上效果很好，但用户一上手感觉就很拉胯。

3）预期效果

一类是技术指标，比如准确率，召回率等等，这是最基础的，用于模型本身测评，任何算法工程师都有这意识。

另一类是反映业务的指标，用于实际效果监控。

对智能客服而言，就是转人工率，转人工意味着系统没有处理好用户疑问，理想情况是越低越好。

对一些识别类任务，就是用户的重试率，重试意味着识别得不好，有问题，也是越低越好。

上面这些东西，如果和算法研发没对齐，大家就是兴冲冲地开发了一堆功能，最后大概率都没法上线，或者收到一堆差评。

ai功能，不是写个提示词，套个大模型就完事了。