从高频、昂贵或难以完成的用户任务出发。
AI Product Portfolio · Personal Startup · 2026
把 AI 能力，做成可运行的产品。
我从个人创业中的真实内容生产、音乐发行与多项目协作问题出发，把 AI 能力做成可运行系统；也用真实使用与失败结果校验产品判断，而不是用项目数量代替市场成立。
进入主案例01 / Product Thesis
我如何判断一个 AI 产品是否成立
不是“接了模型”就算 AI 产品。它必须在真实任务里提供可感知增量，并在失败时仍让用户知道发生了什么、可以怎么继续。
说明相较规则、搜索或人工流程，多创造了什么。
把不确定性、修正和人工接管设计进体验。
用任务、样本和结果评测，不用术语替代证据。
02 / Startup Learning
创业不是项目数量，而是一组被验证的假设
我曾围绕公众号、音乐发行与小说创作尝试个人内容业务，并为真实流程构建配套产品。生产侧得到验证；稳定需求、分发与付费闭环没有成立。
用真实创作与发行任务验证，而不是停留在 demo。
沉淀 Music OS、Project Hub 与创作工作流。
更多产出没有自然带来稳定流量、需求与收入。
不继续追加沉没成本，转向真实用户、业务目标与团队环境。
03 / Selected Work
两条主证据，而不是一面项目墙
一个证明我能把复杂 AI 工作流产品化；一个证明我理解 AI 原生交互的失败、恢复与继续行动。
CASE 01 · WORKFLOW PRODUCT
Creation Workflow System
把分散在记录、AI 加工、审校、发布和复盘中的创作任务，收成一条有状态、可追踪、可以继续维护的工作流。
01Capture低摩擦收集想法与素材
02Structure转成可处理的任务与上下文
03AI Work生成、审校、改写与补证据
04Publish按渠道约束准备与发布
05Review保留结果、状态与下一步
Problem
真正的损耗发生在工具之间。
创作不缺 AI 工具，缺的是上下文连续、状态可见与结果进入下一步。反复复制、丢失版本和忘记发布状态，让“生成很快”仍无法换来稳定交付。
Product Goal
把一次性 AI 对话变成可维护流程。
- 每阶段有清晰输入、输出与 owner
- AI 负责生成与结构化
- 人保留判断、确认与发布权限
- 失败能回到明确节点继续处理
Key Decision
我没有继续制造“万能创作 Agent”，而是先固定 Capture / Workshop / Publish / Diary 的责任边界：模型可以更换，任务状态与证据不能消失。
AI / Human Boundary
把判断放对位置。
AI 可做素材归一、结构建议、草稿和渠道适配；人负责选题、事实确认、审校和对外发布。不可逆动作保持确认门槛。
What Changed
从页面集合转向任务系统。
后续版本不再以“多一个工具入口”为进展，而以状态是否连贯、证据是否保留、任务能否完成为判断标准。
Evaluation ledger
已观察
四阶段信息架构已经落地，并被持续用于记录、加工、分发与追踪。
Observed 可访问产品与本地记录。
不声称
当前没有统一口径审计的节省时间、增长或商业转化数据。
Bounded 不用虚构百分比。
下一验证
以 20 条真实创作任务建立基线：完成时间、人工修正、返工、发布成功与单次成本。
Planned 评测方案，不冒充结果。
CASE 02 · AI-NATIVE INTERACTION
MollyTalk × Record
同一条语音能力的两段证据：MollyTalk 探索“开口—转写—反馈—继续表达”，Record 把“录制—转写—保存—导出”做成可使用的线上链路。
User Problem
用户不是只想得到 transcript。
真实任务是知道哪里不自然、怎样表达更好，并获得足以继续开口的下一步，而不是被一次评分终止。
Minimum Loop
Free talk → feedback → next answer
先跑通转写、检查、自然改写与下一轮提示。价值不在“模型给了答案”，而在用户是否继续表达。
Key Decision
识别不完美不是边缘异常，而是主流程。实时预览、手动修正、明确等待与失败后继续完成，必须比“看起来智能”更优先。
Constraint Learned
Web 能验证链路，但不是理想载体。
连续录制、系统级语音能力与移动场景决定了更强版本应回到 native mobile。web 版本被诚实定位为可分享验证层。
Adjacent Proof
Record 补上稳定交付证据。
它覆盖快速录音、实时转写、本地保存、回看与导出复用，说明语音能力后来确实进入可用产品。
Evaluation ledger
已证明
做过真实 STT 接入探索；线上 demo 跑通反馈闭环；Record 提供相邻 shipping 证据。
Observed devlog、截图与线上入口。
不声称
没有正式 benchmark 识别准确率，也不把启发式反馈包装为成熟模型能力。
Bounded 区分原型、产品与评测。
下一验证
30–50 条覆盖口音、噪声、停顿和中英混说的样本；测 CER/WER、延迟、修正率、下一轮开口率与成本。
Planned 可执行 eval contract。
03 / System Proof
能力不是标签，是连续证据
主案例之外，只保留三项能改变招聘判断的旁证。
04 / Role Fit
清楚自己能解决什么，也清楚边界在哪里
适合我的问题
- AI 应用从模糊需求到首版可运行产品
- 复杂 workflow、Creator Tools 与内部工具
- 需要同时理解产品、交互与实现的跨职能团队
- 模型不确定性需要被设计成可恢复体验的场景
不把自己包装成
- 基础模型或算法研究者
- 已经拥有大规模商业增长结果的创业者
- 用项目数量替代深度的“全能型候选人”
- 没有评测就声称模型准确的产品经理