Figma 如何战胜 Adobe 等六篇 | 42章经 AI Newsletter

Figma 如何战胜 Adobe 等六篇 | 42章经 AI Newsletter Figma 如何战胜 Adobe 等六篇 | 42章经 AI Newsletter Modified October 27, 2025 工作久了，她就琢磨出了一些方法，把 「打造惊喜感」 这件事拆解成了一套有迹可循的方法论。 她首先给「Delight」下了个定义： Delight = 喜悦 (Joy) + 惊喜 (Surprise)。 那如何系统地打造 Delight？有三个抓手： 1) 超越预期: 给用户一些他们压根没想到的好处。比如，你用微软的 Edge 浏览器买东西，快付款时它不知道从哪儿自动找到了一个 15% 的折扣券，帮你白赚了一笔。 2) 预判需求： 在用户开口之前，就想到他们可能需要什么。比如 Revolut 作为一个跨国转账 App，居然内置了卖 eSIM 卡的功能。因为他们知道自己的用户很多是国际商旅人士，有流量和通话的需求。 3) 消除阻力： 想想用户在哪个环节最焦虑、最痛苦，然后用产品方案把这种负面情绪抹平。比如，Google Meet 团队就发现，大家之所以会「Zoom 疲劳」，一个很重要的原因是总在屏幕上盯着自己的脸看，这体验就像旁边有个人随时举着一面镜子，心理压力巨大。于是他们就开发了一个功能，让人能把自己的画面最小化，一下子就解脱了。 具体的执行流程，她也拆了四步： 第一步： 重新定义用户分类。 她强调了一点，传统做产品，总喜欢按人口特征（这人是谁）或者行为（他干了什么）来区分用户，但这还不够。更有效的方法，是按 动机 来分。同样是打开 Spotify，有的人是想给自己的视频找个配乐（功能动机），有的人纯粹是为了排解孤独（个人情感动机），还有的人是为了转发分享，显示自己品味很好（社交情感动机）。 第二步： 把动机转化为机会点。 识别出这些动机，尤其是情感层面的，再把它们变成产品可以下手的机会。 第三步：给方案分类，这里她把 「愉悦感」 分了三层： • 浅层愉悦 (Surface Delight)，推荐占比 10% ：只满足情感，不具备功能性。比如加州有一家酒店在泳池边安了部「冰棒热线」，拿起电话就能叫一根冰棒。很有趣，但用户不会因为它而订这家酒店。 • 低度愉悦 (Low Delight)，占比 50% ：只满足功能，这是产品的基本盘，不多说。 • 深度愉悦 (Deep Delight)，占比 40% ：同时满足功能和情感。比如 Spotify 的个性化歌单就是一个例子，它既能帮忙 「发现新歌」（功能），又时不时让人咯噔一下，「靠，它懂我！」（情感）。 第四步： 用清单检查，避免好心办坏事。 有时候，你眼里的惊喜，可能是别人眼里的冒犯。当年，法国外卖软件 Deliveroo 在母亲节那天，给用户发了个「妈妈的未接来电」形式的推送。本意是想提醒大家别忘了关心妈妈，结果被骂得很惨。因为不是每个人的妈妈都还在身边，这个「惊喜」对很多人来说，是在伤口上撒盐。 接下来，上面的技巧只解决了单点执行的问题，更深一层的问题是，如何让「创造惊喜」从一种个人技巧，变成一种可持续的组织能力？ Nesrine 也给了一些方法，比如： • 可以像 Google 一样，把 Delight 明确写进产品战略里，大家在做规划时不得不想着它。 • 可以给「惊喜感」原则起个内部代号，搞得酷一点。比如 Dropbox 有个产品原则叫「纸杯蛋糕」(Cupcake)，Snowflake 有个叫「超级英雄」(Superhero)，本质上都在提醒团队：多做一点让人眼前一亮的事情。 • 还可以把它变成一个日常活动。比如，Spotify 每月都会有「Hack Days」，年底还有「Hack Week」，鼓励大家跳出条条框框去创新。 最后，她还提到了一个 2B 的点，我觉得特别有风骨： 在 B 端市场，信任，是最高级的愉悦感。 比如社交媒体管理工具 Buffer，他们发现有大概 2% 的用户，长期不活跃但还在傻傻地付钱，于是 Buffer 主动给 这些人发邮件说：「我们看你很久没用了，要不要我们帮你取消订阅，顺便把钱退你？」 这操作非常反商业直觉，简直是自断财路，但长期看，这种真诚反而把用户的心给锁死了，用户黏性更高了 (所以说，最高级的套路就是真诚！格局打开)。 Reference： • A 4 step framework for building delightful products | Lenny's Podcast • http://i71i.com/xg88 • The Power of Emotional Delight in Product Design with Dr. Nesrine Changuel | Agile Mentors Podcast • http://i71i.com/xgel • Nesrine Changuel We Should All Prioritise Product Delight | One Knight in Product • http://i71i.com/xg8u • (五) 如何更科学地评估 AI 产品的留存率？ A16Z 上个月连发了两篇文章，讨论 AI 公司的留存问题。 起因是他们发现，现在很多 AI 公司根本不知道怎么衡量自己的留存率。 AI 产品很多是面向 Prosumer 的，既不能按 ToC 算，也没法套 SaaS 的模版。更头疼的是，AI 产品里有太多尝鲜的「游客」，早期的留存数据没有太大意义。 于是 A16Z 分析了数百个 AI 产品的数据，给了一个新的分水岭：M3（第三个月）。 他们发现，绝大多数 AI 产品的留存率会从 M3 开始变得平稳。这个时候，尝鲜的游客基本都走光了，留下来的才是产品真正的用户。所以，想知道真实的用户留存情况，最好别从第一个月开始看，把基准换到 M3，更能反映产品真实的 PMF。 顺着这个思路，算 LTV/CAC 也最好换个锚点，单独区分一下 M3 这批用户的 LTV/CAC。这才能看清你的市场花费到底换来了多少「有效用户」。 并且，基于 M3 这个新基准，他们还给出了一个新的北极星指标：M12/M3。也就是用第 12 个月的留存用户数除以第 3 个月的留存用户数，看那些熬过「游客期」的用户，在一年后还剩多少。这最终说明了你产品长期留存的质量。 • 如果 M12/M3＞85%，说明你跑赢了市场平均线。 • 如果 M12/M3＞95%，属于 Top 25% 。 • 如果 M12/M3＞100%，就是顶流水平。 Wait，看到这我愣了一下，留存率还能超过 100%？用户还会自我分裂吗？ 这在移动互联网时代确实不大可能，但在 AI 时代，很多公司都出现了这种「微笑留存曲线」。因为模型在不断进化，前两个月的流失用户，可能会因为产品变强了而重新回来。最典型的例子就是 ChatGPT，比如下图是 ChatGPT 在不同时期的月留存曲线： 这还只是在谈用户留存。如果看收入留存，超过 100% 的 AI 公司更多。A16Z 的另一篇文章进一步解释了这个问题，他们认为，这背后有两个关键变化： 1) 定价模式发生了改变，从移动互联网时期的订阅制或广告模式，更多转向了基于使用量或者实际结果的收费模式，所以随着 AI 进步，用量就会增加，收入就会增长。 2) AI 天然打通了一条从个人用户到企业客户的渗透路径，比如 ChatGPT、Gamma，很多都是员工自己用着爽，然后就忍不住在工作群里分享，自然而然地就渗透进了公司。一旦同事们开始用，公司就有了付费的理由，从而能够获得更大的企业预算支出。 所以，AI 其实很大程度上改变了 ToC 产品的商业模式。 基于这个逻辑，A16Z 给 AI 创业者提了三点建议，帮助大家进一步提高产品收入： 第一，不要只搞简单的订阅制，现在越来越多的 AI 工具开始提供不同等级的订阅套餐，让用户在基础额度用完后，再单独购买 credits 来继续使用。这样一来，收入就和用户的「使用深度」挂钩，收入天花板会被打开。 第二，尽早加入「团队协作」功能。这是承接上面说的「自下而上渗透」的关键。哪怕产品还在 MVP 阶段，也要加上最基础的团队功能（比如团队文件夹、协作画布、安全验证）。 有了这些，你就能顺理成章地向价格不敏感的企业客户加收溢价（比如 ChatGPT 个人版 20 美元，企业版会收到 25 60 美元）。A16Z 甚至建议，可以把个人版当获客成本，哪怕亏钱也要做，目的就是为了抢占企业市场。Notion 在 2020 年就采用了这种策略，为个人用户提供无限的免费页面，同时对协作功能进行激进收费，这直接带动了它当年的爆发性增长。 第三，从 Day 1 就开始考虑进军 ToB 业务。 如果你的 ToC 产品也可以被企业用户采用，那就应该考虑在 1 2 年内就引进一个 ToB 的销售负责人。如果不去迅速抢占 B 端市场，很可能就会在激烈的竞争中丢掉最大的收入来源。 Reference： • Retention Is All You Need • http://i71i.com/1b42 • The Great Expansion: A New Era of Consumer Software • http://i71i.com/1b4m (六) Palantir 的 FDE 模式，为什么突然火了？ FDE 最近有点小火。 Bob McGrew 有一期很好的播客，把这个模式讲透了。 先稍微介绍一下 Bob McGrew，他曾经是 Palantir 的高管，后来成了 OpenAI 的首席研究官，带队开发了 ChatGPT 和 GPT 4。 他在播客里提到一个很有趣的现象：他去参加 AI 创业者大会，结果没人问他 ChatGPT 的事，所有人都围着他，只想搞清楚 Palantir 的 Forward Deployed Engineer (FDE) 模式到底是怎么玩的。现在 YC 的招聘网站上，有超过 100 家 AI Agent 公司都在招 FDE，连 OpenAI 自己也组建了 FDE 团队来服务大客户。 那要理解这个模式，首先要搞清楚 FDE 到底是干嘛的。 简单来说，FDE 就是一个驻扎在客户现场的工程师，负责填补「你的产品能做什么」和「客户到底需要什么」之间的巨大鸿沟。 我听完第一反应是，这不就是咨询吗？但深究下去，会发现两者的商业逻辑并不一样。咨询模式卖的是「人时」，按小时或按项目收费。而 FDE 模式的核心是「产品探索」。FDE 在一线用定制化的方式满足客户需求，但这只是手段。目的是把这些一线的需求和解法反馈给后方，产品团队再将这些具体的解决方案抽象、沉淀，变成通用的产品功能。所以这个模式在初期往往是亏钱的，但随着产品在一次次实战中变得越来越强大，利润率就会逐渐转正。 Palantir 的 FDE 团队里，有两个关键角色：Echo 和 Delta。 • Echo 团队更像「咨询分析师」，他们通常来自客户所在的行业，比如前 CIA 雇员、前金融分析师。他们的任务是深入客户的业务流程，挖掘出用户真正的痛点，同时负责维护客户关系。 • Delta 团队则是「部署工程师」，负责快速写代码，把 Echo 的想法变成一个个能跑起来的原型。 这种分工，也决定了他们非常独特的招人标准。 • 招 Echo，他们喜欢找「叛徒」——那些来自客户行业内部，但又深刻理解现有模式不行、渴望变革的人。 • Delta 则要找擅长快速原型开发的人，而不是追求完美代码的工匠。能快速交付价值是第一位的，代码以后可能要重写甚至扔掉。 一个顶级的 FDE，身上往往有创始人的影子。他们需要独立面对高度不确定的环境，自己定义问题，然后利用手头的「产品杠杆」去创造价值。这种经历本身就是极佳的创业训练，这也是为什么 Palantir 能走出大量的创业公司。 而这种模式对后方的产品经理也提出了极高的要求。他必须具备超强的「抽象能力」，能从客户 A 的一个具体需求里，提炼出能满足未来 10 个客户的通用解决方案。Palantir 最早的关系图谱设计，就是把「人」、「钱」这些具体概念抽象成了通用的「对象」和「关系」，这才让一套系统能够灵活地服务于反恐、金融、医疗等完全不同的领域。 另外，这期播客还分享了几个 FDE 模式下常踩的坑： 1) 你必须主动承担风险。很多大企业客户内部经历过太多失败的项目，他们既不相信自己，也不相信你这个小公司能搞定事情。所以，创业公司初期应该主动承担所有风险，比如承诺「没效果就退款」，用这种方式来建立信任，换取进入客户内部的机会。 2) 警惕 FDE 沦为外包。 FDE 最大的风险之一，就是团队只是在完成客户指派的任务，而不是在主动解决对客户业务最有价值的问题。客户让你解决的，往往是他们觉得最容易让你做的，而不是对他们最重要的。不过，一旦你成功解决了客户的第一个核心问题，你就能赢得信任，并有机会发现和解决企业内部其他更有价值的问题。 3) 搞定客户的 CEO 至关重要。 FDE 模式的实施会牵动客户内部的很多流程和部门，如果没有最高管理层的支持，项目根本推不下去。Palantir 就只做 CEO 的 Top 5 concerns，否则宁可不做。 4) FDE 与产品团队的张力是必要的。FDE 的目的是快速解决眼前这一个客户的特定问题，这使得他们倾向于采用最简单的路径，而后方产品团队则要考虑通用性，所以两个团队的沟通过程通常极其痛苦，但这种内在的矛盾和张力是正常的，甚至是必要的。 铺垫了这么多，那到底什么时候该用 FDE 模式？ Bob 的答案来了个 180 度转弯：其实，能不用就别用。 如果你已经找到了 PMF，可以像传统 SaaS 一样标准化地扩张，那你简直是天选之子，千万别碰 FDE。FDE 只适用于那些产品和市场都极度不明确，需要大量共同探索的场景。 但这也就解释了，为什么 FDE 在今天的 Agent 时代突然迎来了一次大爆发。 在传统 SaaS 里，公司会刻意和客户保持距离，因为每个客户付的钱不多，想要规模化盈利就不能做得太重。 但在 AI 时代，游戏规则变了： 一方面，因为 AI 能完全替代人力，所以合同金额可以非常大（几百万甚至上亿），就算投入一支团队深度嵌入客户现场，也是值得的； 另一方面，AI 产品形态高度不确定，客户自己也说不清楚要什么，很多真正的痛点和解决方案必须通过在一线共创才能浮现。 工作久了，她就琢磨出了一些方法，把 「打造惊喜感」 这件事拆解成了一套有迹可循的方法论。 她首先给「Delight」下了个定义： Delight = 喜悦 (Joy) + 惊喜 (Surprise)。 那如何系统地打造 Delight？有三个抓手： 1) 超越预期: 给用户一些他们压根没想到的好处。比如，你用微软的 Edge 浏览器买东西，快付款时它不知道从哪儿自动找到了一个 15% 的折扣券，帮你白赚了一笔。 2) 预判需求： 在用户开口之前，就想到他们可能需要什么。比如 Revolut 作为一个跨国转账 App，居然内置了卖 eSIM 卡的功能。因为他们知道自己的用户很多是国际商旅人士，有流量和通话的需求。 3) 消除阻力： 想想用户在哪个环节最焦虑、最痛苦，然后用产品方案把这种负面情绪抹平。比如，Google Meet 团队就发现，大家之所以会「Zoom 疲劳」，一个很重要的原因是总在屏幕上盯着自己的脸看，这体验就像旁边有个人随时举着一面镜子，心理压力巨大。于是他们就开发了一个功能，让人能把自己的画面最小化，一下子就解脱了。 具体的执行流程，她也拆了四步： 第一步： 重新定义用户分类。 她强调了一点，传统做产品，总喜欢按人口特征（这人是谁）或者行为（他干了什么）来区分用户，但这还不够。更有效的方法，是按 动机 来分。同样是打开 Spotify，有的人是想给自己的视频找个配乐（功能动机），有的人纯粹是为了排解孤独（个人情感动机），还有的人是为了转发分享，显示自己品味很好（社交情感动机）。 第二步： 把动机转化为机会点。 识别出这些动机，尤其是情感层面的，再把它们变成产品可以下手的机会。 第三步：给方案分类，这里她把 「愉悦感」 分了三层： • 浅层愉悦 (Surface Delight)，推荐占比 10% ：只满足情感，不具备功能性。比如加州有一家酒店在泳池边安了部「冰棒热线」，拿起电话就能叫一根冰棒。很有趣，但用户不会因为它而订这家酒店。 • 低度愉悦 (Low Delight)，占比 50% ：只满足功能，这是产品的基本盘，不多说。 • 深度愉悦 (Deep Delight)，占比 40% ：同时满足功能和情感。比如 Spotify 的个性化歌单就是一个例子，它既能帮忙 「发现新歌」（功能），又时不时让人咯噔一下，「靠，它懂我！」（情感）。 第四步： 用清单检查，避免好心办坏事。 有时候，你眼里的惊喜，可能是别人眼里的冒犯。当年，法国外卖软件 Deliveroo 在母亲节那天，给用户发了个「妈妈的未接来电」形式的推送。本意是想提醒大家别忘了关心妈妈，结果被骂得很惨。因为不是每个人的妈妈都还在身边，这个「惊喜」对很多人来说，是在伤口上撒盐。 接下来，上面的技巧只解决了单点执行的问题，更深一层的问题是，如何让「创造惊喜」从一种个人技巧，变成一种可持续的组织能力？ Nesrine 也给了一些方法，比如： • 可以像 Google 一样，把 Delight 明确写进产品战略里，大家在做规划时不得不想着它。 • 可以给「惊喜感」原则起个内部代号，搞得酷一点。比如 Dropbox 有个产品原则叫「纸杯蛋糕」(Cupcake)，Snowflake 有个叫「超级英雄」(Superhero)，本质上都在提醒团队：多做一点让人眼前一亮的事情。 • 还可以把它变成一个日常活动。比如，Spotify 每月都会有「Hack Days」，年底还有「Hack Week」，鼓励大家跳出条条框框去创新。 最后，她还提到了一个 2B 的点，我觉得特别有风骨： 在 B 端市场，信任，是最高级的愉悦感。 比如社交媒体管理工具 Buffer，他们发现有大概 2% 的用户，长期不活跃但还在傻傻地付钱，于是 Buffer 主动给 这些人发邮件说：「我们看你很久没用了，要不要我们帮你取消订阅，顺便把钱退你？」 这操作非常反商业直觉，简直是自断财路，但长期看，这种真诚反而把用户的心给锁死了，用户黏性更高了 (所以说，最高级的套路就是真诚！格局打开)。 Reference： • A 4 step framework for building delightful products | Lenny's Podcast • http://i71i.com/xg88 • The Power of Emotional Delight in Product Design with Dr. Nesrine Changuel | Agile Mentors Podcast • http://i71i.com/xgel • Nesrine Changuel We Should All Prioritise Product Delight | One Knight in Product • http://i71i.com/xg8u • (五) 如何更科学地评估 AI 产品的留存率？ A16Z 上个月连发了两篇文章，讨论 AI 公司的留存问题。 起因是他们发现，现在很多 AI 公司根本不知道怎么衡量自己的留存率。 AI 产品很多是面向 Prosumer 的，既不能按 ToC 算，也没法套 SaaS 的模版。更头疼的是，AI 产品里有太多尝鲜的「游客」，早期的留存数据没有太大意义。 于是 A16Z 分析了数百个 AI 产品的数据，给了一个新的分水岭：M3（第三个月）。 他们发现，绝大多数 AI 产品的留存率会从 M3 开始变得平稳。这个时候，尝鲜的游客基本都走光了，留下来的才是产品真正的用户。所以，想知道真实的用户留存情况，最好别从第一个月开始看，把基准换到 M3，更能反映产品真实的 PMF。 顺着这个思路，算 LTV/CAC 也最好换个锚点，单独区分一下 M3 这批用户的 LTV/CAC。这才能看清你的市场花费到底换来了多少「有效用户」。 并且，基于 M3 这个新基准，他们还给出了一个新的北极星指标：M12/M3。也就是用第 12 个月的留存用户数除以第 3 个月的留存用户数，看那些熬过「游客期」的用户，在一年后还剩多少。这最终说明了你产品长期留存的质量。 • 如果 M12/M3＞85%，说明你跑赢了市场平均线。 • 如果 M12/M3＞95%，属于 Top 25% 。 • 如果 M12/M3＞100%，就是顶流水平。 Wait，看到这我愣了一下，留存率还能超过 100%？用户还会自我分裂吗？ 这在移动互联网时代确实不大可能，但在 AI 时代，很多公司都出现了这种「微笑留存曲线」。因为模型在不断进化，前两个月的流失用户，可能会因为产品变强了而重新回来。最典型的例子就是 ChatGPT，比如下图是 ChatGPT 在不同时期的月留存曲线： 这还只是在谈用户留存。如果看收入留存，超过 100% 的 AI 公司更多。A16Z 的另一篇文章进一步解释了这个问题，他们认为，这背后有两个关键变化： 1) 定价模式发生了改变，从移动互联网时期的订阅制或广告模式，更多转向了基于使用量或者实际结果的收费模式，所以随着 AI 进步，用量就会增加，收入就会增长。 2) AI 天然打通了一条从个人用户到企业客户的渗透路径，比如 ChatGPT、Gamma，很多都是员工自己用着爽，然后就忍不住在工作群里分享，自然而然地就渗透进了公司。一旦同事们开始用，公司就有了付费的理由，从而能够获得更大的企业预算支出。 所以，AI 其实很大程度上改变了 ToC 产品的商业模式。 基于这个逻辑，A16Z 给 AI 创业者提了三点建议，帮助大家进一步提高产品收入： 第一，不要只搞简单的订阅制，现在越来越多的 AI 工具开始提供不同等级的订阅套餐，让用户在基础额度用完后，再单独购买 credits 来继续使用。这样一来，收入就和用户的「使用深度」挂钩，收入天花板会被打开。 第二，尽早加入「团队协作」功能。这是承接上面说的「自下而上渗透」的关键。哪怕产品还在 MVP 阶段，也要加上最基础的团队功能（比如团队文件夹、协作画布、安全验证）。 有了这些，你就能顺理成章地向价格不敏感的企业客户加收溢价（比如 ChatGPT 个人版 20 美元，企业版会收到 25 60 美元）。A16Z 甚至建议，可以把个人版当获客成本，哪怕亏钱也要做，目的就是为了抢占企业市场。Notion 在 2020 年就采用了这种策略，为个人用户提供无限的免费页面，同时对协作功能进行激进收费，这直接带动了它当年的爆发性增长。 第三，从 Day 1 就开始考虑进军 ToB 业务。 如果你的 ToC 产品也可以被企业用户采用，那就应该考虑在 1 2 年内就引进一个 ToB 的销售负责人。如果不去迅速抢占 B 端市场，很可能就会在激烈的竞争中丢掉最大的收入来源。 Reference： • Retention Is All You Need • http://i71i.com/1b42 • The Great Expansion: A New Era of Consumer Software • http://i71i.com/1b4m (六) Palantir 的 FDE 模式，为什么突然火了？ FDE 最近有点小火。 Bob McGrew 有一期很好的播客，把这个模式讲透了。 先稍微介绍一下 Bob McGrew，他曾经是 Palantir 的高管，后来成了 OpenAI 的首席研究官，带队开发了 ChatGPT 和 GPT 4。 他在播客里提到一个很有趣的现象：他去参加 AI 创业者大会，结果没人问他 ChatGPT 的事，所有人都围着他，只想搞清楚 Palantir 的 Forward Deployed Engineer (FDE) 模式到底是怎么玩的。现在 YC 的招聘网站上，有超过 100 家 AI Agent 公司都在招 FDE，连 OpenAI 自己也组建了 FDE 团队来服务大客户。 那要理解这个模式，首先要搞清楚 FDE 到底是干嘛的。 简单来说，FDE 就是一个驻扎在客户现场的工程师，负责填补「你的产品能做什么」和「客户到底需要什么」之间的巨大鸿沟。 我听完第一反应是，这不就是咨询吗？但深究下去，会发现两者的商业逻辑并不一样。咨询模式卖的是「人时」，按小时或按项目收费。而 FDE 模式的核心是「产品探索」。FDE 在一线用定制化的方式满足客户需求，但这只是手段。目的是把这些一线的需求和解法反馈给后方，产品团队再将这些具体的解决方案抽象、沉淀，变成通用的产品功能。所以这个模式在初期往往是亏钱的，但随着产品在一次次实战中变得越来越强大，利润率就会逐渐转正。 Palantir 的 FDE 团队里，有两个关键角色：Echo 和 Delta。 • Echo 团队更像「咨询分析师」，他们通常来自客户所在的行业，比如前 CIA 雇员、前金融分析师。他们的任务是深入客户的业务流程，挖掘出用户真正的痛点，同时负责维护客户关系。 • Delta 团队则是「部署工程师」，负责快速写代码，把 Echo 的想法变成一个个能跑起来的原型。 这种分工，也决定了他们非常独特的招人标准。 • 招 Echo，他们喜欢找「叛徒」——那些来自客户行业内部，但又深刻理解现有模式不行、渴望变革的人。 • Delta 则要找擅长快速原型开发的人，而不是追求完美代码的工匠。能快速交付价值是第一位的，代码以后可能要重写甚至扔掉。 一个顶级的 FDE，身上往往有创始人的影子。他们需要独立面对高度不确定的环境，自己定义问题，然后利用手头的「产品杠杆」去创造价值。这种经历本身就是极佳的创业训练，这也是为什么 Palantir 能走出大量的创业公司。 而这种模式对后方的产品经理也提出了极高的要求。他必须具备超强的「抽象能力」，能从客户 A 的一个具体需求里，提炼出能满足未来 10 个客户的通用解决方案。Palantir 最早的关系图谱设计，就是把「人」、「钱」这些具体概念抽象成了通用的「对象」和「关系」，这才让一套系统能够灵活地服务于反恐、金融、医疗等完全不同的领域。 另外，这期播客还分享了几个 FDE 模式下常踩的坑： 1) 你必须主动承担风险。很多大企业客户内部经历过太多失败的项目，他们既不相信自己，也不相信你这个小公司能搞定事情。所以，创业公司初期应该主动承担所有风险，比如承诺「没效果就退款」，用这种方式来建立信任，换取进入客户内部的机会。 2) 警惕 FDE 沦为外包。 FDE 最大的风险之一，就是团队只是在完成客户指派的任务，而不是在主动解决对客户业务最有价值的问题。客户让你解决的，往往是他们觉得最容易让你做的，而不是对他们最重要的。不过，一旦你成功解决了客户的第一个核心问题，你就能赢得信任，并有机会发现和解决企业内部其他更有价值的问题。 3) 搞定客户的 CEO 至关重要。 FDE 模式的实施会牵动客户内部的很多流程和部门，如果没有最高管理层的支持，项目根本推不下去。Palantir 就只做 CEO 的 Top 5 concerns，否则宁可不做。 4) FDE 与产品团队的张力是必要的。FDE 的目的是快速解决眼前这一个客户的特定问题，这使得他们倾向于采用最简单的路径，而后方产品团队则要考虑通用性，所以两个团队的沟通过程通常极其痛苦，但这种内在的矛盾和张力是正常的，甚至是必要的。 铺垫了这么多，那到底什么时候该用 FDE 模式？ Bob 的答案来了个 180 度转弯：其实，能不用就别用。 如果你已经找到了 PMF，可以像传统 SaaS 一样标准化地扩张，那你简直是天选之子，千万别碰 FDE。FDE 只适用于那些产品和市场都极度不明确，需要大量共同探索的场景。 但这也就解释了，为什么 FDE 在今天的 Agent 时代突然迎来了一次大爆发。 在传统 SaaS 里，公司会刻意和客户保持距离，因为每个客户付的钱不多，想要规模化盈利就不能做得太重。 但在 AI 时代，游戏规则变了： 一方面，因为 AI 能完全替代人力，所以合同金额可以非常大（几百万甚至上亿），就算投入一支团队深度嵌入客户现场，也是值得的； 另一方面，AI 产品形态高度不确定，客户自己也说不清楚要什么，很多真正的痛点和解决方案必须通过在一线共创才能浮现。 所以，如果做个总结的话，FDE 模式的精髓，就是「doing things that don't scale at scale」 (规模化地做那些不规模的事)。这是 YC 经典建议「做不能规模化的事」的进阶版，也是为什么这个模式如此之「重」，但又如此强