技术门槛消失后,价值从“能不能做出来”转到“做出来之后谁还愿意持续用、以及你愿不愿意长期维护它”。大公司强在规模,弱在旧包袱,个人可以靠反向定位和深度投入破局。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
能复刻的是第一版,复刻不了的是持续正确
AI 把“做出第一版”压缩得很快,但产品里还有两块没被同样压缩:一是 discovery,靠一版版真实的东西才慢慢弄清到底该做什么;二是 ownership,用户开始依赖之后,要保证它在业务、用户和外部依赖不断变化时仍然正确。一个结账按钮很容易做,真正的交易系统还要处理付款失败、退款、取消会员、权限变化、重复账号、库存变化,以及这些状态互相碰撞后的各种情况。所以别人能复刻你的界面,却很难替你承担这套长期维护。判断一件事值不值得做,可以先问:它留下了什么可以继续积累的东西,掌声停下来以后用户还会不会回来1,2。
大公司能看懂你的模式,却未必敢跟进
规模本身不等于壁垒。看到一家公司用户多、算力多、数据多,不能直接推出它有规模经济,要问究竟哪项重要成本随规模下降、在总成本里占多少。真正能约束大公司的是反向定位:新进入者采用一种对客户更好的模式,在位者技术上能模仿,但模仿会蚕食旧收入、破坏渠道或推翻原有激励,于是迟迟不跟进。判断时不能只说“大公司反应慢”,要具体指出它复制你的模式会损失哪条收入、哪段渠道关系。也要注意,反向定位只约束带旧包袱的在位者,挡不住另一家从零开始的新公司3。
个人破局靠投入深度,不靠点子新颖
AI推演同一个机会,两个人开局都失败,一个人查了很短时间、问了几个同事就放弃,另一个人查十倍时间、问三十个人、连续两周琢磨,才摸到门路。动作看着类似,投入深度完全不同,结果天差地别。推进时,前者把旧工作放第一位,后者敢把新项目优先并说服周围人;遇到困难,前者试两三次就停,后者换路径反复实验到破局。这套差别不保证成功,但说明个人相对团队的优势不在想法,而在愿不愿意在一个方向上投入得比对手深、做得比对手久4。
关于“系统一能力更难被替代”的说法来自刘嘉教授的访谈转述,属于嘉宾观点,不是立正本人的判断,且材料未提供可操作的产品建议。
出处
- 1Don't build: 看清demo和production之间的鸿沟
解释 demo 与 production 的鸿沟,适合核对“能复刻第一版”与“持续维护”的区别。
- 2我对Build in Public的反思
讨论 builder 身份与作品能否被持续选择,适合核对“什么才算 last 的东西”。
- 3菜鸟总有答案,高手总有问题:从“护城河”到 7 Powers:怎样真正思考一个商业问题
把护城河拆成七种机制,适合核对规模、网络、反向定位、转换成本各自成立的条件。
- 4如何抓住那10%真正有价值的工作?
用小S和小A的对比说明投入深度如何拉开价值差距,适合核对个人破局的可迁移部分。
追问2026年10月9日
个人做产品时,哪些部分该自己 build,哪些该 buy?
判断标准不是技术难度,而是谁该长期拥有它:体现你独特优势、决定产品差异的部分自己 build,通用且必须可靠运转的基础设施尽量 buy。
自建还是购买,比的是长期注意力成本
材料里的观点AI 把写代码的显性成本压得很低,于是每月几百美元的 SaaS 显得贵。但一个自建系统如果每周都要从你这里拿走几个小时的注意力、判断和维护,它可能才是更贵的选择。所以比较的不是首次开发成本对月费,而是自建和购买各自要你长期投入多少注意力与责任。一个 checkout 按钮很容易做,真正的交易系统还要面对付款失败、退款、取消会员、权限变化、重复账号这些状态互相碰撞的情况,AI 能写出每个处理函数,但仍要有人判断正确行为是什么,并在现实偏离预期时持续负责1。
独特优势自己 build,通用基础设施交给成熟产品
一个可用的切分方式:把体现你独特优势、值得长期拥有的那层自己做,把通用的部分交给成熟产品。以酒类生意为例,品味、酒源、推荐、内容和客户关系是差异化,值得做得非常独特;账号、支付状态、会员权限和社群基础设施,很可能只是必须可靠运转的基础设施,不必自己维护。反过来,如果某个通用环节恰好是你判断力的来源,或外部产品无法满足你的核心流程,自建的理由就变强。判断时可以问:谁会持续依赖它,失效时由谁负责;哪些部分体现你的优势,哪些只是必须可靠运行1。
先做出来,再看哪些决定原本看不见
AI推演第一版不只是实现想法,它让你看见原来的想法有多不完整。很多正确的决定,在看到错误版本之前根本不存在:先看到页面,才知道信息顺序不对;先用过 dashboard,才知道哪些数据不该占主要位置。所以 build 和 buy 的边界往往不是一开始就能想清楚的,做出一版真实的东西之后,原本被压缩成一个名词的需求才会展开,你才有依据判断哪部分值得自己长期拥有。对个人来说,可以先自己搭出能跑通的最小版本,把通用环节先用现成方案顶上,等真实使用暴露出哪些环节真正影响体验和差异,再决定要不要自己接手1,2。
材料给的是判断原则,没有针对具体产品类型或预算的取舍清单;实际边界仍要看你的产品差异点和维护能力。
出处
- 1Don't build: 看清demo和production之间的鸿沟
直接讨论 demo 与产品的鸿沟、discovery 与 ownership,以及哪些部分值得自己长期拥有,是回答的核心依据。
- 2假学习的终结
说明原型只覆盖顺利情况,从原型到产品才是真正要学的部分,帮助理解为何边界要边做边定。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 总觉得现在学习新东西,技术没有什么意义了,因为ai能比你做的快10倍,同时也觉得任何东西/poc都没有门槛,我能几天之内学习新的技术,并deliver。如果我能,我相信别人也能,那我的竞争力到底在哪里? 学更广的知识还是干别的什么?
几天做出一个能跑的东西,只证明你当下交付得快,不证明能力留在你身上。竞争力更可能来自撤掉帮助后仍能判断、拆解和交付,以及别人做不出来的深度。
- 数据分析师学习什么才能不被淘汰
把重心从“会用工具”转到“能定义问题、创造业务价值、影响决策”,并把 AI 当作放大这些能力的系统来用。
- ai能很容易的建立nlp框架来分析情感或者评论主题,那我还需要学习nlp基础么?
如果目标只是跑通情感分析或评论主题,AI 确实能大幅降低门槛;但要不要学 NLP 基础,取决于你是否需要判断结果对不对、在什么场景下失效。
- 我如果要进行这个创业 我该从什么地方开始?
先别急着做产品,先想清楚谁会在什么情况下付钱、你怎么触达他们;再结合你独有的经验和理解选赛道。
- 我是项目管理,现在有很头疼的点在于项目经历了3代,有很多的技术问题遗留,而且有很多问题都是不知道结果或者进度,以及后续的技术方向。很多信息都掌握在老的PM手上,我无从得知。我很多精力都投入到把模块搭建起来却没有很好的理解模块运行的逻辑和机构的动作,节拍这些细节内容
先把“不知道”变成可追踪的风险清单,再向能补历史信息的人定向索取;同时用“结果+进度+风险”而非“我做了123”来汇报,把模块逻辑和节拍作为要补的技术功课单独立项。
- 立正说codex用了他硬盘300g
现有材料只能确认:立正账号下的一篇文章写到,本机 Codex 目录约 326GiB,清理后降到约 15GiB;文中没有出现“300G”这个说法。