战略研究的第三界面

自然语言正在成为调度算力、工具、上下文和组织协作的新方式。

为腾讯游戏战略准备 · AI 工作流与判断力训练

不是互联网。不是移动互联网。也不是云计算。

提示：那项技术改变了“谁能操作计算机”。

GatesNotes, "The Age of AI has begun", March 2023.

Source: Bill Gates, GatesNotes, "The Age of AI has begun", March 21, 2023.

命令行 强大、通用，但需要程序语言和工程能力。

图形界面 窗口、图标、菜单、鼠标，让普通人能操作软件。

自然语言 搜索、分析、写作、执行、跨工具协作，开始可以用语言调度。

AI 是人类与计算之间的第三种界面。

编码判断 什么信息可信，什么机制关键，什么结论值得进入内部讨论。

调度算力 检索竞品、整理访谈、生成简报、跟进工作室问题、沉淀结论。

复利能力 每次调研、评审和复盘留下上下文，让下一次研究站在已有判断上。

日常研究工作是入口，因为判断力本来就出现在这些工作里。

孙煜征 Yuzheng Sun

Cornell economics PhD

Meta、Amazon、腾讯、Statsig（后被 OpenAI 收购）。长期做数据科学、实验、增长和 AI-native 教育。

王言 Dr. Yan Wang

Columbia PhD

Adobe、Microsoft、Samsara。近 20 年 AI 研发经验，约 40 篇论文和 20 项美国专利。

15,000+

AI Builders 社区成员

3,000+

付费 AI Builders 学员

4.9/5

Maven 学员评分

50%+ 来自硅谷一线科技公司

企业培训与顾问

为技术团队、产品团队和业务团队定制 AI 提效训练与 workflow advisory。

腾讯 · 美团 · 字节 · 1Password · Hover · Amazon · DoorDash · Pinterest 企业 AI 培训现场。重点是把 AI 变成可运行的工作方式。

JPMorgan Chase

Quant Researcher

做出了原本没想到能这么快完成的日常应用。

TikTok

Strategy Ops Manager

“对技术和非技术背景的 builders 都有价值。”

Oracle

Sr. Principal TPM

实用技能加上 builder mindset。

查看 Maven 公开评价

1 界面变迁 自然语言成为人和计算之间的第三界面。

2 工作方式 日常研究、访谈、跟进和沉淀，是学习调度 AI 的最佳入口。

3 市场信号 AI-native 团队已经把 agentic workflow 用在真实生产中。

4 训练能力 补齐五个差距：产出、诊断、委派、记忆和新能力。

5 战略工作流 把能力落到竞品研究、内部调研、战略判断和组织推动。

课程从日常工作切入，因为这是从“知道 AI 重要”走向“真的会用 AI 工作”的最快路径。

界面 可处理什么 起步门槛 价值来自哪里

GUI 明确的软件任务 低 按钮、菜单、页面和流程设计。

编程 通用任务 高 技术语言、工程纪律和系统设计。

自然语言 通用任务 低，但会拉开差距 上下文、工具、验证和工作习惯。

关键在于让语言接入真实工作环境，而不只停留在提问技巧。

红旗法案类比：如果人必须走在机器前面，机器的速度不会真正表达出来。 电机类比：早期工厂不能只替换动力源，而要重构工作流。

今天的瓶颈更多来自旧流程：上下文、文件、检查、跟进和重启成本仍然靠人手搬运。

竞品体验、外部研究、内部访谈、工作室对接、周会复盘：这些工作重复发生，也最容易漏掉价值。

Action

会议纪要自动进入负责人、待办、邮件、文档和下一次 follow-up。

Opportunity

多个工作室、多款竞品、多次访谈里的重复信号，能在消失前被看见。

Context

人、项目、证据、假设、异议、结论和后续动作，成为可检索的团队记忆。

先减少价值泄漏，再把判断方式变成可持续复用的工作系统。

1. 跟进

AI 给了答案，但邮件、文档、会议、负责人和检查点仍靠人手搬。

2. 上下文

每次都要重新解释项目背景、历史判断、工作室关系、标准和禁区。

3. 记忆

有价值的内容留在 chat history，而不是进入文件、标签、索引和复盘系统。

系统看起来很聪明，但真实工作流没有变深。

明确目标、边界、负责人、输出格式和质量标准。

指定 找到相关竞品笔记、访谈、会议、SOP、报告和历史文档。

检索 调用文档、表格、邮件、日历、浏览器、本地文件等工具。

执行 检查引用、结论、格式、权限、遗漏和失败模式。

检查 留下标签、链接、决策、owner 和可复用模式。

沉淀 人的角色从“操作员”变成“设定者、审稿人和判断者”。

开发者是领先市场，因为他们的工作天然有文件、工具、测试和 review loop。游戏战略要借这个市场观察工作方式。

AI-native signal 1 · Cursor / Anysphere

里程碑 | 公开报道口径 | 为什么重要

Jan 2025 | $100M ARR | 达到过去 SaaS 头部公司需要更久才能达到的规模。

Jun 2025 | $500M ARR; $9.9B valuation | 个人开发者和企业采用同时发生。

Nov 2025 | $1B+ ARR; $29.3B valuation | AI-native 工作流产品压缩了传统 B2B 增长曲线。

2026 reports | $2B ARR; $50B talks | 市场在为“工作流入口”定价，而不只是为 seat-based 软件定价。

它不是一个更好的编辑器；它是日常工作环境的迁移。

Sources: TechCrunch, CNBC, The Next Web, SaaStr reporting summarized in the supplied case dossier.

AI-native signal 2 · Anthropic / Claude

真实生产工作

Anthropic 曾表示，Claude Code 已经写了其内部大部分代码。

闭环执行 Agent 读取代码库、编辑文件、运行测试、处理错误，并迭代到可交付结果。

人的质量控制

强用户会指定目标、检查 diff、加严测试、评估失败，并沉淀可复用模式。

新的 craft 是指定、委派、评估，并让工作模式复利。

Sources: Anthropic Claude Code product page and documentation; Anthropic Research.

Enterprise signal · Incumbents are acting

信号 | 发生了什么 | 对游戏战略意味着什么

Goldman Sachs | 自主工程 agent 从实验走向受监督的企业采用。 | 高风险工作需要权限、review、可追溯、回滚和责任边界。

Shopify | AI proficiency 进入人力和资源配置讨论。 | AI fluency 正在变成管理期待，而不是兴趣爱好。

Block | 管理注意力从层级路由转向共享智能层。 | 更深的变化是协调方式和工作设计，而不是软件上线。

学习 AI-native 的速度，同时保留大组织需要的来源纪律、权限和 review。

Sources: CNBC, July 11, 2025; Cognition AI corporate blog, September 8, 2025; reporting on Tobi Lutke's March 2025 memo; Block, "From Hierarchy to Intelligence", March 31, 2026.

目标是让战略研究者更接近 AI-native 团队已经展现出来的工作标准。

差距 | Chat 模式体验 | 课程目标

1. 可用产出 | 总结漂亮，但观点弱，需要大量重写。 | 产出能进入简报、周会、项目讨论和下一步行动。

2. 质量诊断 | 凭感觉换 prompt 或换模型。 | 分清上下文、工作模式、prompt、工具权限和模型边界。

3. 完整委派 | 人盯着每一步，自己变成 pipeline。 | 一句话委派工作环，agent 检索、执行、检查、汇报。

4. 复利记忆 | 上周调好的方法消失在聊天记录里。 | 个人和团队上下文累积，新工作继承过去判断。

5. 新能力 | AI 只是加速原流程。 | AI 捕捉漏掉的动作、发现跨项目信号、监控假设漂移。

差距不再是有没有模型，而是能不能控制这项能力。

名词学习 模型名、工具名、功能、RAG、MCP、agent、benchmark。有用，但仍在能力上游。

• 开会时显得很懂
• 容易变成追工具
• 很少直接改变产出质量

动词学习 指定、拆解、委派、检查、测试、修订、记录、复用。真正杠杆在这里。

• 把 AI 从回答框变成工作者
• 创造可复用资产和判断系统
• 跨模型、跨工具迁移

战略研究也是动词优先：体验、比较、访谈、建模、判断、推动、复盘、修订。

1. 基本功

Excel 曾经变成商业人士的基础技能。AI fluency 正在成为处理信息和做判断的人必须具备的能力。

2. 可学习

业务人员可以学会 Excel，不需要变成软件工程师；AI 也可以通过真实工作、重复、反馈和模板学会。

3. 有深度

打开 Excel 很容易，建好模型很难。AI 也是：上手容易，但强用户会形成持续扩大的优势。

AI 应该让战略同学觉得“我能学会”，同时也要把它当成一门严肃 craft。

Session 1

跑完整工作环。

用真实或近似真实的竞品研究、访谈纪要、内部调研任务，练习目标、上下文、owner 和质量标准。

Output: 一个可用 artifact + 一次失败诊断。

Session 2

把判断打包成上下文。

把来源层级、常见模式、失败模式和 workflow instructions 沉淀成 context files 和 skills。

Output: 个人 context file、可复用 skill、一次 rerun。

Session 3

把工作变成基础设施。

扩展到检索、产物生成、引用、委派、review 和 context capture。

Output: 第一个周期性工作流 + 团队 baseline 候选。

这给非工程背景的战略同学一条结构化路径，进入一门看似简单、实际很深的 craft。

1 战略研究 Axiom Library

来源层级、判断标准、失败模式、内部沟通原则。

2 个人 context files

每个人开始编码自己的研究偏好、质量标准、项目背景和判断方式。

3 可复用 workflow skills

竞品分析、访谈纪要、工作室调研、周报、PPT 简报和复盘。

4 Context ledger pattern

字段、标签、owner、关联产物和复盘节奏，让日常工作可检索。

5 团队 context architecture

共享资料池、个人 INDEX、项目 INDEX、周期扫描和提醒。

6 后续 support loop

Q&A、作业 review、团队 baseline 候选提炼。

目标：每一个有价值的研究流程，都更容易复跑、检查、共享和进化。

AI 不应该只帮你更快总结信息，而要帮你更好地形成判断、推动协作、积累上下文。

竞品体验、数据、市场报告、玩家反馈、工作室访谈、内部资料。

Input

信息 什么值得关注，什么只是噪音，什么是结构性变化。

Filter

信号 玩法、内容、商业化、发行、社区和组织能力如何共同作用。

Model

机制 机会、风险、优先级、取舍、时机和内部建议。

Decision

判断 简报、对齐、工作室跟进、试点、复盘和下一轮研究。

Action

推动 只总结信息的 AI，停留在价值链最不稀缺的部分。

共识本身是基本盘；真正值钱的是知道什么时候“尾部情况是真的”。

Naval 的区分很有用

有价值的 contrarian，是在从众压力下仍然能从第一性原理独立推理。

AI 应该帮什么

• 理解共识模型
• 变成可推动的战略动作

Contrarian thinking means disciplined search for the rare case where consensus is wrong.

正确非共识判断来自 intelligence + lived context + reasoning judgment + taste。

Sources: AI Builders Module 4; NFX, "How Contrarians Think".

一次性研究

全面检索、来源综合、共识框架、漂亮总结。

• 适合快速覆盖
• 通常平衡、合理
• 弱在团队具体判断和行动

Context-aware workflow

在战略团队自己的来源层级、品类模型、历史判断、工作室上下文和行动标准中执行工作。

• 过滤“现在重要”的信号
• 检验正确非共识判断
• 把证据连接到内部推动和下一步

竞争优势不只是公共模型，而是团队围绕判断积累出来的私有上下文。

Context layer | 包含什么 | 如何改变输出

来源层级 | 不同品类、地区、项目阶段里，哪些证据更有权重。 | 避免所有信息被压平成同等可信的 prose。

捕获上下文 | 工作室访谈、会议、异议、后续动作、历史简报和决策记录。 | 保留工作推进后最容易消失的线索。

游戏机制模型 | 玩法、内容、商业化、社区、发行、平台和组织能力之间的关系。 | 从列事实进入因果推理。

战略 lens | 共识容易低估、过度反应或看漏的地方。 | 强制 AI 给出观点，而不是安全的平衡总结。

行动标准 | 什么结论值得简报、对齐、试点、跟进或放弃。 | 把研究连接到可执行、可复盘的组织动作。

细节由 Yan 展示。这里先给大家三个观察点。

1. 语言调度工具

一个会议动作可以变成文档、邮件、owner 通知和下一步，而不是让人手工搬运。

2. Context 改变输出

系统在生成产物前先检索相关笔记、SOP、历史反馈和标准。

3. 工作留下记忆

纪要、决策、产物和 follow-up 变成结构化上下文，未来 AI 可以复用。

关注什么不再泄漏：那些过去会散落在会议、群聊和文档里的 context，现在开始复利。