WooodHead

Building

[WooodHead @ScottUnderscore]

@tualatrix 我家娃跟你家差不多大，之前用的粘贴的纸尿裤，翻身翻的根本不给机会穿纸尿裤，现在都换成拉拉裤了，步骤少一点😂

[WooodHead @ScottUnderscore]

@royxy 这个树真不错，有意境

[WooodHead @ScottUnderscore]

@ianneo_ai 个人感觉靠谱，哪怕grok，用了两个月还是回到A O两家的怀抱

[Kevin Ma @kevinma_dev_zh]

独立开发做产品也有几个月了。虽然离自己真正想达到的目标还有很远，但最近也陆续有了一些阶段性的小成果，还是挺开心的。

踩过一些坑，也慢慢改变了不少以前做产品的想法。分享几个我目前越来越确定的判断。

1. 尽量做红海需求，谨慎碰蓝海

以前总觉得，别人已经做过的东西，再去做还有什么意思？

现在反而觉得，对于独立开发者来说，红海往往更适合。

一个市场里已经有大量产品，意味着需求已经被验证，用户也已经被教育过。你不用从头证明「为什么需要这个东西」，还有大量竞品可以研究：用户为什么买它、抱怨什么、哪些需求一直没有被满足、哪些体验做得还不够好。

有人做成功了，也不代表你没有机会。

你可以找到一个更具体的细分人群，把某个核心体验做得更极致，或者提供更简单、更便宜的方案。

尤其当竞争对手需要养一个团队，而你只有一个人时，你的成本结构完全不同。只要能把最关键的需求解决好，小而精本身就是一种优势。

2. 做之前，先找成功案例

现在我越来越不愿意完全凭感觉做产品。

如果一个需求真的存在，最好能找到已经有人靠它赚到钱的案例。

甚至可以去看竞品的定价、用户评价、Reddit、App Store 评论、社交媒体讨论，看看用户到底为什么付钱，又在抱怨什么。

独立开发资源太有限了，没有多少资本可以用半年时间验证一个自己想象出来的需求。

能站在别人已经验证过的市场上继续往前走，风险会低很多。

3. 谨慎做开发者工具

这一点是我现在会特别小心的。

开发者很喜欢研究工具，也很愿意试新东西，但整体来说，对很多工具的付费意愿并没有想象中高。

尤其如果面向中文个人开发者市场，商业化通常会更难。

当然也有例外，比如海外市场，或者直接面向小团队、小公司，帮助他们节省时间、降低成本、提高收入的 To 小 B 产品。

所以如果只是因为自己是开发者，觉得某个工具「做出来肯定有人喜欢」，我现在会非常谨慎。

4. 独立开发本质上也是创业，每天都在做取舍

一个人最大的限制永远是时间和精力。

功能、设计、技术架构、增长、客服、内容、运营，每一件事都可以无限优化，但你根本不可能同时把所有事情做到最好。

所以一定要知道自己的产品靠什么产生价值。

如果设计和体验就是产品的核心竞争力，那就值得投入大量精力把它做好。

如果用户真正付钱购买的是某项功能价值，那资源就应该优先放在解决这个问题上。UI 和 UX 可以没有那么惊艳，但基本体验必须过关，保持简单、清晰、顺手就够了。

千万别为了满足自己的审美和技术洁癖，把大量时间花在用户根本不在乎的地方。

独立开发尤其需要警惕完美主义和自我感动。

5. 判断需求真假的最好方式，就是看有没有人愿意付钱

这个可能是我现在感受最深的一点。

用户说「这个产品很好」「这个功能我很需要」「以后一定支持」，这些反馈当然有价值，但它们和真正掏钱之间还有很远的距离。

真正强烈的信号，是付款。

如果很多人都说喜欢，却始终没人愿意付费，那就应该重新审视产品到底解决了多大的问题。

反过来，那些已经付钱的人非常值得认真听。

他们为什么愿意付费？最看重什么？什么地方让他们觉得值？还有什么问题阻碍他们继续使用？

这些声音往往比一百条「看起来不错」更有价值。

6. 一开始就要敢于收费

我现在越来越不认可独立产品先做大量免费用户，再慢慢考虑商业化的思路。

免费用户当然可以帮助你获得反馈，但免费很容易掩盖一个最关键的问题：用户到底愿不愿意为这个价值付钱？

所以我更倾向于，让用户有机会真正体验到核心价值，然后尽早收费。

核心体验可以试，真正持续产生价值的部分就应该收费。

也不用为了追求用户量，做大量免费功能、长尾功能，把自己拖进无限维护的泥潭里。

如果一个产品长期赚不到钱，它最终连继续改善体验的机会都很难拥有。

而且产品从第一天就收费，用户从一开始就知道这是一门生意。以后你也不用面对「以前免费，为什么现在收费」这种预期落差。

独立开发做到现在，我越来越觉得，产品能不能活下去，比看起来有多少用户重要得多。

做已经被验证的需求，找到一个足够具体的切口，把最核心的问题解决好，尽早验证付费，然后把有限的时间持续投入到真正产生价值的地方。

这大概就是我这几个月做独立产品之后，最大的几项认知变化，希望对你有帮助，没有浪费你的阅读时间。

[WooodHead @ScottUnderscore]

@Michaelzsguo @poteto 她提到了 feature map，跟我的方式一样。我每个项目都有个 docs/requirements.md ，列出所有的需求和优先级，就是项目总的 roadmap。

[WooodHead @ScottUnderscore]

她提到了 feature map，跟我的方式一样。我每个项目都有个 docs/requirements.md ，列出所有的需求和优先级，就是项目总的 roadmap。

[WooodHead @ScottUnderscore]

这个视频非常重要，请大家反复观看学习，做好笔记。直接发给 AI： 这个视频讲什么”

[Michael Guo @Michaelzsguo]

Lauren Tan @poteto 是 Cursor 的工程师，之前在 Meta 做 React Compiler，也在 Netflix 做过 tech lead 和工程经理。

她加入 Cursor 只有五个月。第一个月还在熟悉代码库，上个月已经合入了 1000 个 PR。这个月才过去 12 天，她又合入了接近 800 个。

这不是 AI slop code，而是你每天都在使用的 Cursor 的代码。

很多人，包括 Claude Code 的 Boris，都提过自己借助 coding agent 达到了类似的效率。但真正愿意把工作方法完整分享出来的人并不多。Lauren 在这个一小时的视频里，几乎是手把手讲了她怎么走到这一步。

她认为，用 AI coding 最大的问题不是生成代码，而是验证代码。

如果 agent 不能自己运行产品、操作界面、读取 CPU trace 和 heap snapshot、打开模拟器并复现问题，那么最后还是要由你来检查结果。你就是整个流程的 verifier，也是无法并行工作的瓶颈。

Lauren 的做法，是先给 agent 建立完整的验证能力：让它能通过 Chrome DevTools 或模拟器实际操作产品，再用 feature map 告诉它每个功能在哪里、怎么进入。这样即使同事只丢来一张截图，或者一句很模糊的 bug 描述，agent 也能找到对应功能，复现问题并验证修复。

每当她发现 agent 在猜测、漏读代码或走错方向，就把这个失败模式写成一条 skill。然后像测试代码一样测试这些 skill：让多个 sub-agent 分别执行任务，由 coordinator 制定 rubric，再让另一个模型交叉检查评分，反复迭代到结果足够稳定。

现在，她甚至允许 agent 自动合并 PR。有一天早上醒来，已经有 20 个 PR 自动进入 main；她直接在 main 上检查，结果都没有问题。

这套方法不是简单的提示词技巧，更像做工程管理：先设计好环境、流程和验收机制，再让团队并行工作。只不过这支团队，现在由几十个 coding agent 组成。

[WooodHead @ScottUnderscore]

核心内容

这段视频讲的是：如何把 Grok Bot 从一个“你问它答”的聊天机器人，变成一支能长期运行、互相协作的 AI 员工团队。

补充更正一下：进一步核对后，视频中的嘉宾应是 John Bai，不是我前面提到的 Ryo Lu。官方 Dive Club 将这一期标为 《John Bai — The Grok Bot design journey》；John Bai 曾是 Cursor 在纽约的首位设计师。网上有二次搬运版本把人物或时长标错：X 搬运页显示 59:40，而官方播客条目是 48:24。

1. 他同时运行 10～20 个专业 Agent

John Bai 说，自己正在运行大约 10～20 个 Grok Bot Agent，处理了大约 90% 的日常重复工作。

重点不是让一个万能 Agent 什么都做，而是给每个 Agent 分配一个长期岗位，例如：

设计/Figma 助手
邮件和 Slack 信息整理
调研 Agent
日程或项目跟进
报销、文档、运营等专职 Agent

这些 Agent 各自保留独立的上下文和工作记忆，可以并行运行。

2. 用一个 “Chief of Staff” 管理其他 Agent

他不会每天分别找十几个 Bot 对话，而是设置了一个 Chief of Staff，类似 AI 办公室主任或总管 Agent。

它的职责是：

知道其他 Agent 各自负责什么；
判断任务应该交给哪个 Agent；
汇总各 Agent 的进度和结果；
在不同 Agent 之间传递上下文；
只有遇到需要人类判断的事情，才通知用户。

用 Agent 工程术语来说，这相当于：

Supervisor/Router Agent + 多个 Specialist Worker Agents + Human-in-the-loop

所以视频真正强调的是组织与调度结构，而不只是模型能力。

3. Grok Bot 更像“云端员工”，而不只是聊天窗口

帖子配套教程对这个模式进行了更具体的解释：每个 Bot 都可以拥有自己的云端计算机、浏览器会话、工具连接和长期任务；即使用户关掉电脑，它仍然可以继续执行工作。

典型流程是：

你交代一个长期岗位，而不是只发一次 Prompt；
Agent 登录 Gmail、Slack、Notion、Google Drive 等工具；
你演示一次具体操作流程；
Agent 把它保存成 routine；
再通过定时任务或事件触发器自动执行；
完成后汇报结果，或者把需要批准的动作留给你。

核心变化是从 prompting（不断提问） 转向 delegation（委派工作）。

4. 视频本身很大一部分在讲 Grok Bot 的产品设计

这不是一套以代码、LangGraph 或 Agent SDK 为主的工程教程。官方节目介绍显示，视频更偏向 Grok Bot 的设计过程和 Agent 产品交互，包括：

最早的原型如何演变成 Grok Bot 的形象；
为什么尝试其他交互方式后，仍然认为聊天界面适合 AI；
如何把复杂的 Agent 能力包装成普通消费者也能使用的产品；
Grok Bot 的不同 onboarding 方案；
John Bai 如何利用 Agent 加速自己的 Figma 工作；
为什么即使有 AI，他仍然从 Figma 开始设计探索；
Cursor 内部不同设计师为什么会形成完全不同的 AI 工作流。
5. 最重要的是权限边界，而不是 Agent 数量

配套教程提出了一个很实用的权限划分方法：

可逆操作可以自动执行：

调研
总结
分类和打标签
整理文件
起草邮件
准备报表

不可逆或影响外部世界的操作需要人工批准：

真正发送邮件
花钱或转账
对外发布内容
删除重要数据
接受协议或承诺价格

判断标准可以简单概括为：

一分钟内无法撤销的事情，先停下来问人。

这实际上就是 Agent 系统中的 approval gate、permission boundary 和 human-in-the-loop guardrail。

我认为视频最值得看的地方

它最有价值的观点不是“我开了 20 个 Agent”，而是：

不要只追求更聪明的模型，要给 Agent 建立岗位、上下文、调度关系、权限边界和反馈机制。

可以把整套架构映射为：

Chief of Staff：Supervisor / Router
专业 Bot：Worker Agents
群聊和任务转交：Orchestration
定时和事件触发：Scheduler / Event System
登录与工具连接：Tool Execution Layer
人工批准：Human-in-the-loop
每周检查运行结果：Evals / Observability

至于“自动化了 90% 的日常工作”，这是发言者描述的个人使用情况，不能视为所有用户都能达到的通用指标。真正落地时，可靠性、运行成本、权限隔离、错误恢复和结果检查仍然很重要

[WooodHead @ScottUnderscore]

@Fei2411 我的体感是 Cursor Ultra 很不耐用，肯定比不上 gpt pro。翻倍以后不知道怎么样。

[WooodHead @ScottUnderscore]

@xmglab 几个月才解决，你跟我说解决的快？？？

[WooodHead @ScottUnderscore]

@xmglab Tibo 说了，Plus 你们这些小白用户，额度用完一脸懵逼，为了你们好所以给你们限制一下。╮(╯▽╰)╭

[WooodHead @ScottUnderscore]

@Fei2411 Cursor 额度一直非常抠，翻倍了估计就是从没法用变成可以用，称不上慷慨。

[WooodHead @ScottUnderscore]

遇到 Pro 被切成 gpt5-mini 的，都去评论喷他呀，太 tm 坑人了。这不赔钱吗？

[Adam Fry @adamhfry]

@YunQi2025 We found an issue that was causing our system to unintentionally move to 5.5-mini for approximately 3% of Pro and Thinking turns! We've since fixed the regression, and apologize for the inconvenience!

[WooodHead @ScottUnderscore]

@adamhfry @YunQi2025 你确定是 bug 不是故意的？随意发个请求问你是什么模型，都会说是 gpt-5 mini。你跟我说这是要花几个月才能发现 bug？我上个月的$200 Pro 就从来没用过 Pro 模式，只用 xhigh。太坑人了。

[WooodHead @ScottUnderscore]

现在才发现吗？我上上个月的 Pro 就是 mini，x 上都说是代理问题，结果 tm 是 bug？ 这几天的 Pro 确实恢复了。

[Max For AI @MaxForAI]

🚨突发，OpenAI承认他们“不小心”把一些ChatGPT用户的请求切换到了GPT-5.5-mini😠

ChatGPT 消费类负责人Adam Fry刚刚确认，他们发现了一个模型路由Bug：

大约3%的Pro和Thinking请求，在后台会被错误切换到GPT-5.5-mini。

也就是说，你明明选的是高阶模型，界面看起来也没问题，但真正回答你的，可能已经变成了mini。

目前OpenAI表示问题已经修复，并向用户道歉。

这也解释了为什么最近有些人会觉得模型偶尔突然变快、推理变浅，甚至像是瞬间降智。

最离谱的地方在于，这种问题用户自己其实很难发现。

模型回答差了，你第一反应大概率只会觉得今天状态不好，而不会想到：

服务器压根没给你跑你选的那个模型。

所以有时候觉得模型突然变傻，还真不一定是错觉。

相信自己的感觉！

[WooodHead @ScottUnderscore]

昨天用了下 gpt sol ultra，就是拉起一堆子 agent 的那个，完全没有感觉到有什么优点，就只是 token 消耗很快。可能还得找机会多用用。说是可以并行的任务就可以用这个 ultra，那按理说只是任务执行时间会加快，不应该额外消耗很多 token 啊。

[WooodHead @ScottUnderscore]

卧槽，活这么大第一次见这种动作，力度应该前所未见。

[猫总 @catmangox]

卧槽，征求火箭军违规采购线索，看样子导弹注水是真的了。

[迈克 Mike Chong @mike_chong_zh]

确实好用 我的首席客服