陈然：用 AI 创造价值，重新安排工作与生活

月球大叔、陈然 · 月球大叔 · 2026-10-06

导读

本篇讲义根据“月球大叔”与陈然的深度访谈整理。陈然本科毕业于清华大学软件学院，后赴卡内基梅隆大学（CMU）攻读计算数据科学硕士。他的职业路径横跨房产搜索平台 Trulia、免费流媒体平台 Tubi，经历了从一线算法工程师到总监的成长；随后他暂别全职职场陪伴家人，并在解决自身备考与财务疑问的过程中，搭建起免费备考平台等自动化副业；2025年，他回归职场担任医疗器械全球注册公司 Pure Global 及生命科学增长公司 VayoMed 的首席技术官（CTO）。全篇围绕他的真实选择展开：先看清评价规则与业务目标，再决定个人投入的位置；在组织中推动技术落地，在家庭中统筹时间与风险，并用 AI 工具重构工作流与个人实践。

先看清问题，再选择自己的位置

很多人做职业与学习规划时，容易顺着周围的评价体系闷头用力，却很少停下来追问这套系统究竟在衡量什么。陈然从湖北宜昌考入清华、再到卡内基梅隆大学（CMU，美国计算机名校）转向机器学习的经历，展示了一种贯穿始终的习惯：先拆解目标背后的真实规则，识别自身长短板，再选择能让个人产出被直接观测的位置。

标准化考试教会了什么

在学习与工程实践中，常见的一种低效是把大量精力花在抄写工整板书、做漂亮笔记等动作上，却没有弄清考核机制如何运作。陈然在高中阶段数学较好，但长期不理解语文拿分的逻辑。到了高二、高三，他与老师等人交流后了解到当时高考语文作文的阅卷情况：阅卷时间很紧，阅卷人往往会看议论文的开头、结尾、中间词藻的层级以及论据案例的丰富程度来判分。这一交流让他形成了一个认识：高考作为一场标准化考试（规则固定、按统一评分标准批量判分的考核），答题需要对齐评分维度，而不是临场天马行空。

基于这一个人观察，陈然采取了针对性的应试方法：面对800字的高考作文，他整理出约2000字的固定开头与案例素材，每天早读背诵并在考试中组合调用；面对阅读理解关于“作者感情”的提问，他也归纳出约20种常见情绪类别，做题时像做选择题一样逐一排查匹配。这套应试技巧让他的语文成绩稳定下来。当然，背诵模板只是他当年应对选拔考试的个人做法，不能替代读写与思考训练；但从中养成的一个习惯——在做事前先想明白“我们到底在干什么、怎样达到这个目的”——成为了他日后做专业与职业选择的起点。

进入清华大学后，这种先找定位的习惯延伸到了表达与社交中。2009年陈然入学时，计算机软件学院并非当时的热门高分专业，班上不少同学是调剂或转系而来，对专业缺乏信心；同时课程难度很大，当许多零基础同学还在学习怎么写 for loop 循环时，大作业已要求结合 C# 与 API（应用程序接口）端到端做出完整应用。在学业受挫与同辈压力下，他在2010至2011年接触到正处于爆发期的互联网，却在身边找不到同频讨论的人，于是转而去早期的知乎等网站持续写文章，通过公开表达寻找认同与交流渠道。

从清华到 CMU：兴趣怎样成为选择

当外部主流评价与个人兴趣不一致时，该如何取舍？陈然在清华大二进入实验室接触不同方向后，很快意识到自己不擅长也不喜欢纯粹的学术科研，而是想做实际应用。当时恰逢移动互联网兴起，他很早就参与了安卓开发，还受邀参加了小米第一代手机发布会，最初甚至打算本科毕业直接去做移动开发创业。然而在与学长学姐交流并观察他们的创业实践后，他觉得只写一个移动应用（App）缺少竞争力，必须结合特定垂直行业的具体需求，而自己作为学生既找不到也想象不出这样的切入点，于是放弃了毕业直接创业的念头。

既然不做纯科研，也不适合立刻做移动应用创业，下一步往哪里走？陈然在实验室探索中接触到了数据挖掘（data mining，从海量数据中发现规律与关联的技术，与机器学习应用有很大交叉），尤其是社交网络中的数据挖掘，这让他产生了浓厚兴趣。2013年本科毕业出国时，他之前的几届同学仍普遍将攻读博士学位视为默认选项，而把授课型硕士（以课程学习与工程实践为主、不以学术科研为主要要求的硕士项目）放在“鄙视链”较低的位置。但陈然因为明确以就业为目标，直接批量申请了大城市前30到50名高校的授课型硕士，最终进入 CMU 攻读计算数据科学硕士。

在 CMU 就读期间，陈然没有跟随当时更好找工作的底层基础设施（Infra）或数据库方向，而是把选课全部集中在机器学习与数据科学上。当时业界对大规模机器学习仍在摸索，他在课堂上学习了用 Hadoop 集群运行朴素贝叶斯（Naive Bayes）分类算法，并在云计算课程中使用 AWS 平台。让他印象最深的是博士生课程深度学习（deep learning）：在计算机系学生规模庞大的 CMU，这门课当时连20人都没有选满，陈然因此得以作为授课型硕士选入，在课上研读玻尔兹曼机与2012年刚发表的 AlexNet 等神经网络论文。他还主动调整课程设置，联合匹兹堡大学的一名博士生开展了为期三个学期的法律文本 AI 应用项目，并共同发表了论文。

技术成果怎样接到商业结果

为什么同样是写代码，陈然会从早期的移动开发、网页开发转向机器学习算法？经过一年多的学习，他在博客中提出过一个看法：技术本身不是商业社会中最重要的东西。他看重的是，一项工作贡献能否被清晰地测量，尤其是通过商业价值来测量。在他看来，如果技术脱离了可观测的业务结果，工程师容易陷入单纯沉迷技术的状态，在公司资源分配与评价中也难以体现自己的分量。

陈然通过对比两类开发工作说明了他在意的区别：在传统的网页或客户端开发中，工程师往往按照产品经理的要求把功能实现出来，这更像是帮助业务流程自动化的手段；即便产品最后为公司赚了一个亿，大家通常也不会把这笔营收直接归功于某位前端或移动端程序员。而在数据挖掘、推荐系统或广告算法中，虽然用户是否点击广告同时受用户需求、展示位置、广告内容与算法排序等多种因素影响，但算法模型的改动效果更容易通过指标观测。在陈然看来，如果算法迭代带来了可衡量的点击率或营收增量，这部分业务贡献与 credit（功劳归属，组织内部对成果贡献的认定）会更直接地落到算法工程师身上。

当然，底层基础设施与客户端工程同样是商业系统运转不可缺少的底座，技术价值并不局限于直接创收；但从个人职业选择的角度看，陈然希望待在离业务指标和终端用户更近的算法应用层，让个人产出的商业影响能够被直接观测。这种“用可观测的商业价值衡量工作”的倾向，解释了他为何坚持走机器学习应用路线，也促使他在毕业求职时优先寻找能直接服务终端客户、影响公司业务的团队。

先识别系统评价函数，再决定投入方向

陈然在备考、选课和选技术方向时，展现出一套连贯的思考顺序：

看清评价规则：先了解所在系统按什么标准评估结果（如考试阅卷关注的要素、业务看重的转化与营收指标）。
评估自身长短板：承认自己在哪些地方不占优势（如不喜欢做纯科研、缺乏垂直行业积累做移动创业）。
选择可观测的位置：把时间和精力投向自己感兴趣、且产出更容易被评价体系直接看见的环节。

如何衡量算法改动对业务的贡献

在推荐、搜索与广告等场景中，用户的点击与转化同时受商品内容、展示位置、季节需求与算法模型等多重因素影响，因此不能把业务总营收简单归因于某一次代码改动。工程实践中通常采用以下步骤衡量技术贡献：

选定目标指标：明确本次迭代要改善的具体业务指标（如点击率、转化率、用户留存或单次展示收益）。
设计对照或前后比较：通过在线对照实验（将随机流量分配给新旧模型）或严谨的前后对比分析，剥离环境波动，单独观测算法变动带来的增量结果。

对象	解决的问题	机制与取舍
高考语文备考策略	偏科且不理解传统语文阅卷逻辑，导致考试分数波动大	观察快速阅卷规律，准备2000字素材与阅读情绪分类清单；放弃临场自由发挥，换取分数稳定
2013年赴CMU读授课型硕士	不适合纯科研且缺乏行业积累做移动创业，需寻找核心竞争力	不追随读博鄙视链与热门底层设施方向，全选机器学习与20人小班深度学习课，积累早期应用经验
聚焦机器学习与推荐算法	传统客户端或网页开发难以将公司营收增长直接归功于工程师个人	转向可通过业务指标与实验观测商业增量的数据挖掘与算法方向，使技术产出的功劳归属（`credit`）更清晰

陈然早期的三次关键选择与取舍对照

无论是应对高中的标准化考试，还是在清华与 CMU 选择专业方向，陈然都强调先想清楚评判规则与目标。下图将他早期的三次关键选择串联为一个完整过程：

从学习问题到可观察的结果；依据访谈口述整理（00:01:15–00:22:24）下载 PDF 原图

读图：先看清问题，再选择自己的位置

图中央由四个自左向右排列的圆角矩形组成，通过灰色单向箭头依次连接：最左侧蓝框为“明确问题 / 评价规则”，向右指向紫框“补足能力 / 课程／项目”，再指向黄框“进入真实任务 / 用户／业务”，最后指向右侧绿框“观察结果 / 调整方向”。图底部居中标注总结文字：“从考试、CMU 项目到机器学习应用：先问要解决什么”。

看清“明确问题—补足能力—进入任务—观察结果”的链条后，下一章我们将进入工业界，看当算法真正要上线触达用户时，会遇到怎样的组织阻力。

本章小结

先理解规则再发力：无论是应对标准化考试还是进入新领域，先弄明白系统如何评判结果，有助于减少盲目投入。
结合兴趣与长板做选择：在2009年软件专业尚未大热、2013年深度学习选课人数很少时，陈然通过实验室尝试认清自己适合做应用而非纯科研，在 CMU 积累了机器学习与法律文本项目经验。
寻找可观测商业价值的位置：陈然倾向于选择能够通过业务指标直接观测产出与功劳归属（credit）的算法应用层，这一偏好直接影响了他的后续求职。

从一线工程师到能推动落地的人

明确了让技术贴近可测量的商业结果后，真正进入工业界往往会遇到组织与流程上的阻力。本章围绕陈然2014年毕业后在房地产搜索平台 Trulia 与免费流媒体平台 Tubi 的两段硅谷经历（00:22:24–00:38:26），探讨算法工程师如何应对落地阻力、主动带着方案求职，并在创业公司中搭建团队框架。

Trulia 的落地瓶颈

2014年从 CMU 毕业时，硅谷正处于 Google、Meta 等大公司快速扩张，以及 Pinterest、Airbnb、Uber、Snapchat 等公司吸引大批毕业生的阶段。陈然当时拿到最好的录用通知（offer）来自苹果公司（Apple），但他觉得在大厂做算法离终端客户太远，不容易直接看到个人对公司业务状态的影响。因此，他选择加入已上市的房地产搜索引擎公司 Trulia。当时数据科学（data science）一词常包含两个方向：偏重算法的应用科学家（applied scientist）与偏重业务的数据分析（data analytics）。Trulia 的数据科学团队只有五六个人，负责图像识别、自然语言处理（NLP，计算机处理人类语言的技术）、搜索与推荐等应用，做出的东西可以直接面向终端用户。

尽管团队定位贴近产品，陈然在 Trulia 的第一份工作中还是体会到了算法在工业界落地的困难。2015年2月，行业龙头 Zillow 完成了对 Trulia 的收购（访谈口述中误记为2017年）。陈然坦言，作为基层工程师，这次行业合并并未给自己带来额外的财务回报，却让他看到了机器学习项目在组织内受阻的原因。

在陈然看来，无论是当年的机器学习还是今天的 AI，算法落地往往伴随对既有流程的改动，需要调整组织分工并重新对齐公司的优先级（priority）。此类跨团队的系统变更，需要技术高管（如首席技术官 CTO）提供资源支持、协调产品与工程团队的排期，并在跨部门协作遇到阻力时出面承担责任。在 Trulia 期间，由于缺少这种自上而下的强力支持，团队想做的实验和想上线的算法很难争取到工程排期，最后容易变成写写技术博客、自娱自乐却看不到实际业务效果。这段经历成为了他去下一家公司组建团队时极力避免的教训。

求职从研究业务和提出方案开始

在 Trulia 感到算法难以推动后，陈然决定去早期创业公司寻找机会。他通过以下步骤直接联系目标团队：

筛选目标公司：利用创业公司数据库 Crunchbase，搜索近期完成融资、处于 B 轮以前的创业公司。
直接联系管理层：找出这些公司首席执行官（CEO）的电子邮箱，逐一发邮件说明自己正在看机会、对他们公司很感兴趣，邀请对方喝咖啡聊天。
从技术社区拓展交流：他在知乎上看到免费流媒体平台 Tubi TV 的工程师陈天，主动约喝咖啡交流后，发现双方对业务与技术的想法非常契合，随后通过面试并于2017年入职。

谈到许多年轻工程师投出300份简历却拿不到工作、而硅谷创业者同时感叹招不到人的现象，陈然认为问题常出在求职者的学生心态上。所谓学生心态，是在沟通中请求对方提供一份工作、强调自己是“来学习的”；而早期创业公司需要的是能直接分担压力、解决问题的人。尽管当时陈然只有一两年的工作经验，但他在联系创业公司时始终传递明确的信息——告诉对方：“我知道你们在机器学习落地上遇到问题，我就是来帮你们落地、帮你们解决问题的那个人。”

陈然同时指出，这种信心要建立在能为对方提供附加价值（value added）的基础上。求职者在见面前需要对目标公司的业务做深入调研（research），尤其是在 AI 工具普及的当下，可以提前针对对方的业务问题做出可演示的原型（prototype，用于验证产品或算法思路的初步可运行版本）。带着具体研究和方案去交流，无论最终是否进入面试或拿到录用通知，都能形成一次有质量的行业探讨。

Tubi 的管理：给团队框架与空间

陈然于2017年加入 Tubi。这是一家采用“免费观看加广告”模式的长视频流媒体公司，主要服务美国大众市场。在长视频流媒体普遍亏损的行业里，Tubi 赶上了内容分发网络（CDN，加速视频等数据传输的服务器网络）价格下降、工程工具成熟以及免费影视内容库存（inventory）充足的交汇点，实现了盈利，并于2020年4月被福克斯（Fox）收购。这次收购为陈然带来了一笔财务回报，支撑他在2023至2024年前后离开全职岗位休息和探索了两年。在 Tubi 工作的数年间，他经历了团队从零搭建的过程，职位也从一线工程师一步步晋升至总监（director）。

刚加入 Tubi 时，陈然是公司的首位机器学习工程师（first ML engineer），整个数据与机器学习团队算上他只有两个人。他们从头搭建了机器学习基础设施（infrastructure）、用于追踪用户行为的分析事件埋点（analytics events）以及A/B测试（A/B testing，将用户随机分组以对比新旧策略效果的对照实验）。入职初期，陈然曾习惯性地问坐在旁边的 CTO：“我们机器学习的路线图（roadmap）和愿景（vision）是什么？”CTO 反问道：“我请你来，不就是让你告诉我这件事的吗？”这句话促使陈然完成了从执行者到规划者的思维转变（mindset shift），开始对照在 Trulia 体会到的痛点来规划 Tubi 的技术迭代。

随着团队扩大并走上管理岗位，陈然形成了自己的管理方式。他认为，工程师只有做自己真正想做且重要的事情，才能发挥最大价值。因此，作为管理者（manager），他的重心不是按天给每个人派发具体任务，而是做好两件事：第一，搭建清晰的迭代与评估框架，明确用什么客观指标来衡量工作表现（performance）；第二，清除跨部门协作中的阻碍因素（blocker，卡住项目进度或拖慢实验迭代的流程与沟通问题）。当然，让团队成员自主提出课题并不意味着管理者可以免责，管理者仍需对评估标准、迭代效率以及团队最终的交付结果负责。

陈然也谈到了这种管理方式的取舍（trade-off）：当团队成员都在顺畅地出成果时，如果上级信任你，会认可你搭建体系与扫清障碍的作用；但如果上级缺乏信任，看到具体活儿都是下面的人干出来的，就可能觉得管理者可有可无。由此他谈到对职场晋升（“爬梯子”）的看法：在早期创业公司，去得早、占住关键位置并随团队扩大承担起责任，往往就能顺势晋升；而在日常推进中，一旦获得 CTO 等高层的信任，跨部门排期与资源协调都会顺畅很多。在他看来，如果缺少关键决策者的信任，仅靠自己每天埋头苦干零散的事务，往往很难换来预期的晋升回报。

算法落地的三项工程基础：埋点、基建与 A/B 测试

在陈然从零搭建 Tubi 数据与机器学习团队的过程中，算法模型需要依靠三项工程基础才能进入业务闭环：

分析事件埋点（Analytics Events）：在客户端与服务端定义并采集用户的曝光、点击、观看时长等行为数据，为模型训练和效果分析提供反馈信号。
机器学习基础设施（ML Infrastructure）：支撑数据清洗、特征计算、模型训练与线上推理，让算法能够稳定响应终端请求。
A/B 测试（A/B Testing）：通过流量分组对比新算法与基线策略在业务指标上的差异，使团队能够用实验结果说明算法改动的实际效果。

主动求职的价值提案闭环

陈然在寻找早期创业公司机会时，没有只靠被动投递简历，而是采取了面向业务问题的沟通步骤：

筛选对象：用 Crunchbase 查找 B 轮以前刚完成融资、有业务增长需求但算法团队尚在起步阶段的公司。
前置调研：沟通前先研究目标公司的产品与技术问题，结合现有工具提前准备可演示的原型（prototype）。
明确价值主张：直接联系 CEO 或核心工程师喝咖啡，把沟通重心从“希望来学习”转为“能够帮团队推进 AI 落地并解决具体问题”。

所处阶段与角色	面临的核心问题	应对机制与管理取舍
Trulia 应用科学家（2014年起，2015年公司被 Zillow 收购）	缺乏自上而下的全力支持，跨部门排期困难，算法实验难以转化为可观测的商业效果。	深刻认识到高层（如CTO）支持与组织优先级对齐的必要性，决定离开缺乏落地环境的团队。
早期创业公司求职者（2017年前后）	单纯大量投递简历容易石沉大海，而早期创业公司需要能直接解决业务问题的工程师。	用Crunchbase筛选B轮前公司，带着业务调研与落地信心直接约CEO或核心工程师喝咖啡。
Tubi 首位 ML 工程师至总监（2017年起，2020年公司被 Fox 收购）	从零搭建仅有两人的数据与算法团队，需独立制定技术路线图并支撑流媒体广告变现业务。	搭建埋点与 A/B 测试等衡量框架，替团队清除跨部门阻碍；成员自主提出方案，管理者对框架和交付负责，同时依赖高层信任。

陈然不同阶段的职业环境与落地机制对比

对比在 Trulia 难以争取工程排期的困境与在 Tubi 搭建团队的经历，陈然指出算法落地不仅靠工程师个人，还需要管理层提供支撑条件。下图展示了这一上下配合结构：

技术落地需要组织配合；依据访谈口述整理（00:22:24–00:38:26）下载 PDF 原图

读图：从一线工程师到能推动落地的人

图分为上下两层。上层是一个横跨宽度的紫色长框，写有“管理支持：统一优先级 · 数据与实验基础 · 跨团队清障”，下方有一根垂直向下的箭头指向下层执行链。下层由四个水平排列的方框通过向右箭头依次相连：蓝框“业务问题 / 团队提出方案”\(\rightarrow\)黄框“数据与原型 / 检验可行性”\(\rightarrow\)绿框“上线实验 / 观察影响”\(\rightarrow\)蓝框“复盘与迭代 / 下一步责任”。底部标注：“自主提出方案，也要对交付与结果负责”。

当上层的管理清障与下层的实验闭环顺畅运转，团队才能持续交付业务结果。而随着 Tubi 被收购及工作告一段落，下一章我们将看陈然如何把这套规划思维转向家庭与财富管理。

本章小结

跨团队技术落地需要资源与优先级配合：算法上线常涉及流程改动，需要 CTO 等管理层支持并协调跨部门工程排期，才能避免沦为脱离业务的内部尝试。
带着调研和方案去求职：放下请求工作机会的“学生心态”，通过前置业务调研、准备原型并直接联系早期公司负责人，围绕“能帮公司解决什么问题”展开交流。
管理者负责搭框架与清路障：从一线工程师转为管理者，需要建立埋点与 A/B 测试等衡量框架并扫清跨部门协作障碍；团队成员自主推进具体课题，管理者则依托高层信任对整体结果负责。

把家庭、时间和财富放进同一个选择

Tubi 在2020年被福克斯收购，陈然继续工作至2023至2024年前后，带着一笔阶段性回报暂别全职职场。本章顺着他随后两年全职带娃并自考税务、证券与财务规划证照的经历（00:38:26–01:04:46），探讨他如何把配偶职业支持、育儿目标与硅谷家庭的集中风险放到同一个框架下思考。

全职奶爸与夫妻共同安排职业

在 Tubi 工作多年、身边不少老同事相继离开去创业后，陈然在2023至2024年前后选择离开全职岗位，当了两年全职奶爸。这一决定经过了夫妻双方的共同商量。当时家里两个孩子还小（老二刚刚出生），而他的太太在四大会计师事务所工作，日常工作非常繁忙，同时还在攻读为期四年的兼职 JD（Juris Doctor，法律职业博士）。陈然觉得女性生育本身非常辛苦，他不希望太太的职业生涯因为生育被打断，反而希望她能借此再上一步；既然自己手里有了一笔收购带来的回报，赚钱的目的本就是在需要的时候派上用场，由他留在家里照顾孩子、休息一两年正好合适。

陈然支持太太读法学院的另一层个人考虑，来自他对 AI 冲击下职业前景的判断。在他看来，AI 对许多常规岗位冲击很大；以法律行业为例，他认为受冲击最直接的是没有执业执照的 Paralegal（律师助理），而持有律师执照的从业者因为准入门槛较高，在他看来更容易与 AI 工具形成互补（当然，在现实执业中，持牌律师的工作方式与竞争环境同样会受到技术演变的影响）。出于这一判断，他在家里全职带娃，支持太太考下 LSAT（法学院入学考试）并兼职攻读法学院。

在这两年没有请人、双方父母也不在身边的全职带娃生活里，陈然把育儿安排简化为两条原则：空间上坚持离家近，选学校和日常活动都尽量控制在离家开车五分钟范围内；关系上希望让孩子发自内心地喜欢父母。他觉得，在 AI 快速发展的时代，具体的技术与学科知识变化太快，父母很难预知孩子多年后的技能需求；只有让孩子看到父母就觉得开心、累了愿意回到父母身边获得能量，父母的价值观才能正面影响孩子。为此，他提醒自己不要把职场上抱怨同事或领导的负面情绪带回家，先让自己过得快乐。而在陪伴孩子之余，他感觉自己仍有不少空闲时间，于是开始围绕家庭财务规划自学考证。

风险来自多件资产的共同来源

手握一笔阶段性资金后，陈然最初找过不少财务规划人员交流，但聊下来并不满意：他接触到的一些正统财务规划师虽然专业、人也很好，但不太理解硅谷和湾区从业者的具体情况；而银行或第三方机构里的一些免费顾问，聊到最后往往在推销理财或保险产品。觉得“求人不如求己”，他在带娃期间开始自己研究并考取相关证照：先从自己最不理解的人寿保险考起，接着在零基础状态下用40天考完了三门美国注册税务师（EA，Enrolled Agent）考试，随后陆续考了 Series 6、63、65 等证券考试，并在积累一定从业时间后拿下了注册财务规划师（CFP，Certified Financial Planner）。这段为解决自身疑问而展开的学习，不仅催生了他后来的免费备考网站，也改变了看待人与钱关系的视角。

在交流与学习中，陈然注意到了硅谷从业者与传统财富管理视角在风险感受上的反差。访谈中他与主持人用1到10的主观刻度做了一个对照：主持人觉得硅谷人一半以上收入是股票，整体风险大概在6左右，而自己长期定投标普500指数（S&P 500）属于2到3分的风险厌恶；陈然还补充说，他身边的许多硅谷同事习惯把公司发放的 RSU（限制性股票单位，雇主按归属期发放的本公司股票薪酬）当成 Savings Account（储蓄账户），发下来后除了买房几乎不卖，甚至觉得持有英伟达（NVIDIA）这类大科技股风险很低，只有去炒小盘股或买期权才算高风险。但在陈然学习的财务规划视角里，标普500虽然通过宽基指数分散了单一公司经营失败的风险，本质上仍属于随市场波动的股票资产，在他的风险对照里已接近7到8分的较高风险区间。

陈然想提醒的重点，是多项资产与收入暴露在同一个风险源之下。他指出，许多硅谷从业者的工作收入来自高科技行业，名下最大的资产是硅谷当地的房子（背负房贷），而主要的金融资产又是自己所在科技公司的单只股票（Single Stock）。从风险分散的角度看，工作、房产与股票同时绑在同一个行业乃至同一家雇主身上，风险高度集中。陈然也谈到硅谷的现实反差：过去二三十年里，人们常看到在 Google 或 Apple 工作且一直不卖股票的身边案例较早实现了财富自由，而按教科书分散卖出的人可能还在打工；但他也见过因为盲目听信推荐或长期坚持某种单一策略而亏损的客户案例，只是输钱的故事很少流传。他在节目中假设了一个泡沫破裂的极端压力情景：一旦行业遭遇严重寒冬，集中持仓的家庭可能同时面临失业、公司股票大幅缩水与房贷断供的连锁压力。在他看来，资产配置没有唯一客观的标准答案，而是个人对人生选择的投射，财务规划的作用是帮助人们看清潜在影响、做出知情决策（Informed Decision）。

复利、杠铃与生活底线

面对已经赚到的阶段性资金，陈然认为有两个问题需要先想清楚：

分清时代红利与个人能力：他形容“一个人一旦中过彩票，脑子是有可能会坏掉的”——如果把时代赋予的运气当成自己是“天选之子”，总想拿着第一笔钱去博下一张更大的彩票，很容易在后续的高风险投入中亏掉本金。
明确赚钱之后的目标：拿到一笔可观回报后，究竟是继续拿去博取更高收益，还是定下目标好好生活、多花时间陪伴孩子与配偶，需要提前做出清醒的选择。

结合自己的观察，陈然对比了两种不同的家庭消费与财富安排。第一种是他称为教科书式的复利增长路子：通过定期储蓄并做长期投资，让收益继续参与积累，随着资产与现金流在市场波动中逐步增加，慢慢改善房子、车子与旅游等日常消费。第二种是他觉得不少年轻人感兴趣的杠铃策略（Barbell Strategy）：把一部分资产放在非常保守稳健的配置里，另一部分资金则拿去全力投入（All in）高风险高潜在回报的机会。在金融概念上，复利是收益再投资的累积机制，杠铃是风险分配方式，两者本身并不互斥；陈然对比它们的重点，是提醒日常生活的开销底线不能依赖激进端的投资回报。如果采用杠铃式的风险分配，前提是认识到激进那一端的资金随时可能亏完，甚至若使用借贷杠杆还可能侵蚀保守端资产；因此必须用保守端构建稳定的现金流底线，保持固定的日常消费水平（住同样的房子、开同样的车子），确保哪怕高风险投入全部落空，家庭依然能维持正常生活。

回到当下的职场环境，陈然觉得不少高收入的硅谷大厂员工之所以在社交媒体上频繁抱怨，是因为过去清晰的“职场爬梯子”预期正在受到 AI 浪潮与行业竞争的冲击，而高昂的生活开销又让现金流承压。他个人认为 AI 对公司结构与行业分工的冲击还会继续加剧，因此建议大家不妨用更保守的底线心态来做准备——比如先假设“未来两年所在公司可能遇到很大困难”，以此倒推当下的消费习惯与财务缓冲，提前把家庭生活的底线安排稳妥。

硅谷家庭的“三重同源风险”暴露

在陈然的分析中，许多科技从业者习惯长期持有雇主发放的单只股票（RSU），却容易忽略相关性风险：当一个家庭的工资收入（科技行业岗位）、主要金融资产（雇主单只股票）与当地房产及房贷同时依赖科技行业的景气度时，一旦行业明显下行，三者可能同时承压。相比之下，宽基股票指数基金虽然能分散单一公司经营失败的非系统性风险，但仍随股票市场整体波动，且若与个人职业、居住地处于同一经济周期，仍需留足家庭现金流缓冲。

美国个人财务与税务常见证照辨析

陈然在全职带娃期间自考的几类考试，分别对应美国个人财务与税务的不同专业领域（注：通过考试与最终取得执业注册或牌照通常还涉及背景审查、从业经验或机构挂靠等具体监管要求）：

人寿保险（Life Insurance）：对应保单条款、风险转移与保险合规相关知识。
注册税务师（Enrolled Agent, EA）：面向美国联邦税务申报与税务代理领域的专业资格。
证券业考试（Series 6 / 63 / 65）：分别对应共同基金与可变年金产品、州证券法规以及投资顾问业务领域的专业考核。
注册财务规划师（CFP）：涵盖投资、税务、保险、退休与遗产规划的综合财务规划资质，除考试外还要求相应的实务工作经验。

策略类型	解决的核心问题	运作机制与生活取舍
复利增长策略	追求长期资产积累与生活品质的逐步改善	定期储蓄并分散投资，随资产与现金流增长逐步升级住房、用车等日常消费。
杠铃策略（保守端+激进端）	在保障基本生活不被击穿的前提下博取阶层跃迁	用稳健资产保障日常现金流并保持固定消费水平；仅用不影响基本生活的资金参与高风险机会。
单一雇主RSU集中持仓	在科技巨头高速成长期最大化分享单一公司红利	工资、当地房产与单只股票绑定于同一行业；行业上行期增值明显，但若遇极端行业下行则面临多重压力。

家庭财富管理的两种典型理念与行为约束对照

在考取税务与财务规划证照的过程中，陈然意识到许多硅谷家庭虽然拥有高薪、房产与股票，却忽略了它们背后的共同风险源。下图拆解了这种集中暴露的结构：

不同资产可能暴露于同一种风险；依据访谈口述整理（00:51:48–01:01:40）下载 PDF 原图

读图：把家庭、时间和财富放进同一个选择

图采用自上而下的一对三分支布局。顶部居中的紫色框为“科技行业与雇主状况”，从其底部引出三条带箭头的曲线，分别指向下方的三个并列方框：左侧蓝框“工资与职业 / 未来收入”、中间黄框“雇主股票 / 持仓市值”、右侧绿框“当地房产 / 需求与房贷”。图底部居中总结：“规划先看家庭现金流、消费底线与集中暴露”。

认识到工资、雇主股票与当地房产同受科技行业景气度影响后，家庭财务规划便需要先守住现金流与消费底线。而在全职带娃与考证期间，陈然也顺势从自身备考痛点中长出了下一章的“零人副业”。

本章小结

夫妻协商统筹家庭与学业：陈然在2023至2024年前后暂别全职岗位带娃两年，以“5分钟生活圈”和愉快陪伴照顾孩子，支持太太在四大工作期间兼职攻读 JD。
看清收入与资产的集中暴露：通过自学税务与财务规划知识，他指出把雇主 RSU 当作储蓄账户的隐患——当工资、本地房产与单只股票都绑定在高科技行业时，家庭在极端下行期会面临集中风险。
让资产配置匹配生活底线：无论是选择随资产积累逐步改善生活的长期投资，还是选择固定日常开销、用余钱博取高赔率的杠铃方式，都需要先算清家庭现金流底线，做出知情决策（Informed Decision）。

零人副业怎样从自己的痛点长出来

在上一章提到的全职带娃与自考证照期间，陈然不仅梳理了家庭财务，还顺手把自己的备考痛点做成了一系列“零人副业”。本章（01:04:46–01:20:21）将拆解他如何利用大模型控制单位成本、如何在多个自动化尝试中做取舍，以及为什么做赚现金流的生意必须从真实客流与收支账本出发。

免费备考平台与单位成本

陈然的第一个代表性副业项目，直接源于他前文提到的密集考证经历。当时他花了不少钱购买市面上的备考资料，却觉得这些资料写得一般，论坛和老师答疑的效率也不如直接向 AI 提问并让 AI 协助搜集资料。既然借助 AI 大幅加快了自己的备考速度，他便干脆把“提供免费备考资料、用 AI 辅助学习”的思路做成了一个名为 Open Exam Preparation 的网站。利用大模型的生成与扩展能力，该网站从最初的十几个考试起步，逐步扩大考试科目的覆盖范围（访谈中他自述已滚雪球式扩展到几百、几千乃至上万个规模）。

在商业模式上，他复用了早年在免费流媒体平台 Tubi 验证过的“免费内容+广告变现”路径：向用户免费开放备考资料，依靠页面广告以及导购链接（如跳转到 Amazon 购买参考书或第三方付费考试平台）获取收入。据陈然在节目中自述，该项目当时的月营收约为1万美元。尽管被称为“零人副业”，它并非完全脱离人工的永动机，陈然每天仍会花时间查看运行状态并把控方向。

当一个网站在三天内就可能被别人用 AI 编程（AI coding）模仿出来时，竞争靠什么维持？陈然认为有两点：先发位置与供应链成本管理。他以瓶装水作比：水本身差别不大，商业上比拼的是谁做得早以及供应链管理能力。在 AI 内容站点上，这就体现为“能不能用更少的 Token（大模型切分、处理文本与计费的单位，可对应词片段、字符或符号）做出更好的效果”。他算了一笔账：如果别人做同样的事需要消耗数倍的 Token、获取接口的价格高出许多，或者需要雇一名全职员工来维护，账面上可能就难以维持；而他通过调优不同模型、摸清能力边界并寻找更便宜的 Token 渠道，就能以更低的成本提供服务。他把这比作2017年加入 Tubi 时的技术交汇点——当时正是内容分发网络（CDN）价格下降、工程工具成熟与免费影视库存（inventory）充足叠在一起，才让免费流媒体跑通。面对竞争，他的心态也很放松：能做好就做，“做不过就跑”，再去寻找下一个项目。

音乐、信息站与寻找新项目

除了备考平台，陈然还尝试过其他自动化项目。当 AI 音乐生成模型 Suno 刚推出时，他曾批量生成歌曲并上传到 Spotify、Apple Music 等平台。但到了访谈前一年的年底，他停止了对这个项目的继续投入。原因在于音乐行业的反馈循环（feedback loop，从投入动作到看到市场结果的时间周期）太长，花了时间却迟迟看不到正反馈。据他当时自述，这些存量音乐每月大约带来100多美元收入且在缓慢增长，但从时间回报来看，不值得人工继续投入精力。

为了寻找更多机会，他搭建了一套结合 AI 与外部 API 的寻找项目流程，用来扫描潜在的“价值洼地”：先根据预设条件找到机会并用低成本 Token 把网站做出来放上去，再观察能不能赚到钱、有没有真实访问，并将结果反馈给 AI 以修正后续筛选条件。在他尝试的一二十个项目里，大部分都没有跑通，其中保留下来的一个网站叫 Second Chance Info。该网站通过抓取和整理网上公开信息，为美国的无家可归者或戒毒康复人群汇总医疗、住宿与求职资讯。陈然并不擅长做推广，只是把网站放在服务器上靠自然流量运行；虽然没有商业化，但收到真实用户发来的感谢邮件，让他觉得用低成本 Token 做点对别人有用的事也很开心。

对比备考网站的持续运转与其他跨界项目的停滞，陈然认为做这类项目最大的困难不是写代码，而是对其他行业真实痛点的理解不足。新项目上线初期往往有一段时间没有外部反馈，他在 Open Exam Preparation 上之所以能坚持投入，是因为自己亲身经历过找备考资料的痛苦，确信这个工具有实际价值；而在不熟悉的行业里，即便用 AI 做出了产品，由于不清楚用户真正的痛点在哪里，收不到正反馈时也不知道该如何调整迭代，最后只能像撒种子一样看运气。

从客流、需求到收支，而非先做产品

为什么不少有技术背景的人想做赚钱的小项目，却常常做不出结果？陈然借用他前段时间爱看的短视频博主“勇哥说餐饮”连麦案例做了一个类比。视频里许多餐饮开店者之所以失败，常见原因是凭个人喜好开店（比如“我喜欢吃面包就开家面包店”）、轻信招商画饼交了20万加盟费，或者在没有自然客流的地方开店，指望靠自己拍小红书做线上运营把客人吸引过来。陈然觉得，这和硅谷不少创业者拍脑袋想出一个需求、以为做出来就会有人用的误区非常相似。

受这套餐饮诊断思路的启发，陈然总结了自己做现金流生意的三个步骤：

先找本来就有客流的地方：不指望靠个人魅力或当网红去凭空拉客，而是利用第三方工具查看 Google 搜索的关键词（keywords）数据，寻找那些“已经有人在搜、但现有网页内容质量不高”的真实需求缺口。
按客流的需求提供产品：看这群搜索的用户真正需要什么，再去做什么，而不是自己喜欢什么就做什么。
老板亲自下场算清收支账：就像餐饮诊断里常提醒店主核查店里是否雇了超出实际工作量的人手一样，做小生意需要老板亲自算清楚收入与支出，按实际工作需求控制人力与运营开销，持续优化供应链成本。

陈然特别强调，要把拉风险投资的创业与赚取现金流的生意区分开来。前者往往致力于探索新产品或需要较长周期验证的市场方向，在一段时间内可能没有营业收入，需要依靠融资来支撑长期投入与扩张；而后者追求直接的账面盈利，需要围绕现有真实需求、获客渠道和成本核算来运转。在他看来，这两条路径各有各的做法，但如果把两者混在一起——既没有风投的长期资金支持，又不去研究真实客源和收支账本——就很容易两头落空。

Token 供应链与边际成本控制

在大语言模型应用中，Token 是模型对文本进行分词处理与计费的基本单位（可对应词片段、汉字或标点符号）。对于依靠广告或导购变现的免费网站，单次访问带来的平均收入较低，后台生成与更新内容的成本会直接影响项目的收支平衡。陈然提到的“供应链管理”，是指根据任务难度选择合适价格与能力边界的模型，在保证内容可用性的前提下减少不必要的 Token 消耗。同时在实际经营中，除模型调用费外，还需计入服务器、域名以及创办人日常查看和调整方向的时间投入。

风投支持型创业与现金流小生意的运作差异

陈然在访谈中区分了两类不同目标的项目路径：

风投支持型创业：通常面向需要较长周期验证的新产品或大市场扩张，早期允许暂不盈利，依靠外部融资推进研发与增长。
现金流小生意：直接围绕已有的具体需求提供服务，要求尽快算清收入与成本账，依靠自身业务回款维持运转。

在做个人项目或副业时，先明确自己走的是哪条路，有助于避免在需要精打细算的现金流项目上盲目铺摊子或忽视真实客源。

项目名称与方向	解决的核心问题	运行机制与取舍结果
Open Exam Preparation（免费备考平台）	传统考证资料昂贵且答疑效率低，缺乏系统化的免费AI辅导资料。	据其自述逐步扩大至上万个考试科目，靠广告与导购变现；因源于自身备考痛点而持续维护。
Suno AI 音乐生成分发	探索AI生成音乐在 Spotify 与 Apple Music 等流媒体平台的自动化变现。	据其自述存量曲目每月带来百余美元收入；因正反馈周期太长，已停止人工继续投入。
Second Chance Info 与机会扫描器	用API寻找有搜索量但缺乏优质供给的缺口，如弱势群体医疗住宿信息汇总。	信息站靠自然流量运行并收到用户感谢邮件；因跨行业痛点难把握，多数扫描出的项目未跑通。

陈然的三类自动化副业项目对照

对比免费备考网站的持续运转与跨界项目的停滞，并结合“勇哥说餐饮”的启发，陈然总结了做赚取现金流小生意的客观规律。下图展示了这四个推进阶段：

从真实需求到能持续经营的小项目；依据访谈口述整理（01:04:46–01:20:21）下载 PDF 原图

读图：零人副业怎样从自己的痛点长出来

图上方由四个从左到右排列的方框组成，以向右箭头依次连接：左侧蓝框“找到真实需求 / 亲历／搜索”\(\rightarrow\)紫框“做出可用产品 / 备考资料”\(\rightarrow\)黄框“算清每笔账 / 收入／成本”\(\rightarrow\)右侧绿框“观察用户反馈 / 继续／调整”。图下方设有一个宽幅蓝色长框，写明运营边界：“‘零人’仍需要选题、查看运行与经营决策”。

从真实需求出发、算清收支账本并根据反馈迭代，构成了个人副业的运转闭环。当陈然在2025年回归职场担任 CTO 时，这套面向真实需求做减法的思路又被带入了下一章的企业级改造中。

本章小结

亲历痛点有助于度过冷启动期：Open Exam Preparation 之所以能持续扩展并跑通广告与导购收入，源于陈然自己备考时的真实痛点；而在不熟悉的行业里，即便能用 AI 快速搭出网站，也常因难以把握真实需求而无法持续迭代。
用先发位置与成本控制应对同质化：当网站功能容易被模仿时，竞争会落到谁先占住位置，以及谁能通过模型调优与 Token 成本控制，以更低的单位成本提供同等质量的内容。
做现金流生意要先看客流与账本：不要把拉风投的创业与赚现金流的生意混为一谈；做小生意应通过搜索关键词等线索找到真实需求缺口，按客群需要提供产品，并亲自算清每一笔收支。

AI 进入工作流后，公司怎样一起变化

上一章我们看到，围绕个人亲历痛点并控制好单位成本，单人就能维护几个现金流副业。如果把视角切换到拥有全球各地办公室的成熟服务团队，引入 AI 工具又会带来哪些变化？本章（01:20:21–01:31:11）跟随陈然在2025年回归职场的经历，看一家医疗器械注册服务公司如何删减软件功能、重写内部系统、沉淀知识库，并由此改变服务报价与业务重心。

从医疗注册交付到生命科学获客

2025年，陈然在旧金山摩根大通（J.P. Morgan）大会期间与朋友交流了企业 AI 转型的想法，随后以 CTO 身份加入对方创立已有多年的医疗器械全球注册服务公司 Pure Global。从早年在 CMU 做法律文本项目，到 Trulia 的房产搜索、Tubi 的流媒体推荐，再到医疗合规文本与业务流程，陈然一直从事机器学习与 AI 的应用落地。在他看来，许多通用领域受 AI 冲击容易陷入激烈竞争，而金融、医疗、法律等合规要求高的行业，由于存在独特的行业经验与专门知识（know-how），反而具备更长久的落地机会。

当陈然带领团队用 AI 改造内部流程后，公司的业务瓶颈很快发生了转移。随着内部文档编写与服务交付效率明显提升，原本积压的交付任务被消化，新的主要问题变成了“如何获取更多客户”。为了解决获客难题，团队顺势孵化了另一家公司 VayoMed，陈然同样担任 CTO。这家新公司一方面服务于自身的客户增长，另一方面也面向生命科学（life science）领域的同类企业提供商业增长服务。

删减功能、重写系统和沉淀知识

这场内部改造的契机，是2025年团队开始在日常工作中使用运行于命令行界面（CLI，Command Line Interface）和终端（terminal）的编程工具 Claude Code 及当时的 Sonnet 系列模型。陈然回忆，作为一线写代码的人，他们试用后立刻意识到工作方式要变了。在此之前，大家用 ChatGPT 更多是在网页界面（UI）里复制粘贴，模型主要起启发思路的作用；而当工具进入命令行终端，能够直接配合本地工作流处理任务时，AI 才真正接入了日常生产流程（workflow）。在陈然看来，如今许多日常工作的难度低于现有模型的能力，重点在于如何把模型顺畅地接入具体流程。

围绕新的 AI 工作流，陈然作为 CTO 与团队一起在公司内部推进了三项改动：

放弃部分收费软件，改为免费获客渠道：公司原本有一些按年收费的软件即服务（SaaS）产品和收费数据库。团队认为继续靠这部分软件收年费已不划算，于是直接把部分 SaaS 的源代码送给现有客户不再继续做，并将部分数据库免费公开到网上，将其转为吸引潜在客户的入口（这是该公司结合自身业务做出的取舍，并不代表所有 SaaS 模式都失去价值）。
用 AI 重写内部系统并删减冗余功能：陈然用 AI 把公司内部系统全部重写了一遍。重写过程中，他花大量时间与客户交流，发现客户真正需要的功能比原先系统里的简单得多——过去的不少功能只是团队为了证明自身存在感而加上去的。只保留客户真正需要的核心部分后，新系统无论是给内部员工用还是配合 AI 使用，都更加顺手。
搭建内部知识库（knowledge base）：团队花了很多时间建立内部知识库，并推动改变沟通习惯：遇到业务问题先直接问 AI；如果 AI 答得不好，就去修改和补充知识库。通过这种方式，原本分散在个人脑子里的经验得以沉淀下来，新员工也能借助知识库更快上手业务。

交付能力改变定价和瓶颈

需要明确的是，医疗器械全球注册依然离不开当地的专业执行。陈然介绍，Pure Global 在全球设有近20个办公室，分布在巴西、墨西哥、东南亚、美洲与欧洲等地；帮客户在比如巴西完成注册，仍需要当地办公室的人员去推进具体项目。但注册过程中需要准备的大量文档（陈然将其类比为出国申请绿卡时要填写的繁琐表格与材料），在引入内部 AI 工具辅助后，编写速率大幅提升。当然，内部文档起草提速，并不等同于各国监管机构的官方审批流程被自动加速或替代。

文档交付能力的提升，给公司带来了两方面的变化。一是待办项目的消化：据陈然在节目中自述，公司过去后备队列里可能有五六十个等待处理的项目，引入 AI 辅助后这些积压项目被清空，团队由此把主要精力转向了寻找更多新客户。二是服务报价方式的改变：据他介绍，传统医疗器械注册服务通常价格不透明，多采用按小时计费，或分为“第一年较高注册费 + 后续每年年费”两部分；而在内部注册文档制作成本下降后，他们选择在网上公开项目价格，免收首年注册费，改为按固定费用（flat fee）收取年费。

陈然在访谈中举了一组数字来说明这种服务费结构的变化（此处数字为口述对照示例，未指明具体币种或国家，也不代表各国监管机构收取的官方规费）：假设其他公司第一年收 5,000 的注册费，之后每年收 3,000 的年费；而他们不收首年注册费，第一年和后续每年都统一收 2,000 的年费。陈然表示，在他们的观察中，行业里公开透明报价的公司很少，因此当潜在客户在搜索引擎查询注册价格时，很容易搜到他们。与此同时，公司也配套调整了内部的激励性薪酬（incentive compensation），让员工在不显著增加工作时长的情况下分享效率提升的成果（关于薪酬与分成机制的思考，将在下一章详细展开）。

网页端对话与命令行终端工作流（CLI Workflow）的区别

陈然对比了团队使用两类 AI 工具的不同体验：

网页端复制粘贴：在传统聊天窗口中，用户需要手动把材料复制进去、等待回复后再粘贴回业务文档或代码编辑器，模型停留在业务系统外部，主要提供思路启发。
命令行终端（CLI）接入工作流：以 Claude Code 等工具为例，AI 直接进入开发者的终端环境，与本地代码和文件流程衔接。这种工作流上的衔接，促使陈然团队在2025年动手用 AI 重写并精简了内部业务系统。

医疗器械注册服务中的人工职责与 AI 辅助环节

在 Pure Global 的业务改造中，不同环节的分工如下：

AI 辅助与知识库环节：内部知识库沉淀业务经验，供员工日常查询与新人培训；AI 工具辅助内部团队快速起草和整理注册所需的大量文档材料。
当地团队与外部监管环节：分布在全球近20个办公室的当地人员仍负责在所在国家或地区推进具体注册项目，而最终的注册审批仍由各国监管机构按法规决定。

运营维度	传统业务模式	AI 重构后的模式及取舍
软件与数据资产	维护复杂的SaaS软件向客户收取年费，行业数据库作为付费产品售卖。	将部分SaaS源码赠予客户，免费公开部分数据库作为获客入口；用AI重写并精简内部系统。
内部协作与经验传承	业务经验散落在资深员工脑中，跨部门与新员工依靠口头沟通和会议对齐。	搭建集中式知识库（`knowledge base`），全员优先向AI提问，回答不准则迭代知识库，加速新人上手。
项目交付与核心瓶颈	人工编写大量合规文档，据自述后备队列曾积压五六十个项目，交付产能受限。	AI 辅助加速内部文档编写，消化存量积压；业务主要瓶颈转向获客，进而孵化增长服务公司 VayoMed。
服务定价策略	报价通常不透明，采用按小时计费或“首年注册费 + 后续年费”的两段式收费结构。	在网上公开报价，免收首年注册费，改为统一收取固定年费（`flat fee`），以此吸引搜索询价的潜在客户。

AI 介入工作流前后的企业运营机制对比

2025年加入 Pure Global 后，陈然带领团队用 AI 重写内部系统、沉淀知识库并辅助编写注册文档，使公司的核心矛盾从交付产能转向了客户增长。下图呈现了这一演变：

AI 重构交付后，瓶颈向获客移动；依据访谈口述整理（01:20:21–01:31:11）下载 PDF 原图

读图：AI 进入工作流后，公司怎样一起变化

图分为上下两部分。上排是四个由左向右以箭头连接的流程框：蓝框“客户真正需求 / 删减功能”\(\rightarrow\)紫框“系统＋知识库 / 沉淀经验”\(\rightarrow\)黄框“专家＋AI工具 / 完成服务交付”\(\rightarrow\)绿框“更多交付能力 / 需要更多客户”。下排并列两个大框展示对应的两家公司定位：左侧蓝框为“Pure Global / 医疗器械注册服务”，右侧绿框为“VayoMed / 生命科学客户增长”。

当“专家＋AI工具”大幅提高了服务交付能力后，企业自然需要开拓更多客户来匹配产能。下一章我们将通过具体算例与组织分析，探讨为什么局部提速必须与获客和分成机制连起来。

本章小结

工具进入终端工作流推动内部改造：当 AI 从网页复制粘贴转向命令行终端（CLI）工作流后，陈然团队在2025年用 AI 重写了内部系统。
删减冗余功能与沉淀知识库并行：通过与客户交流砍掉无用功能、将部分原收费软件与数据库转为免费获客入口，并建立全员优先提问与维护的内部知识库，使团队协作围绕新流程运转。
内部交付提速改变报价结构与业务重心：AI 辅助大幅加快了注册文档的起草速度，消化了待办项目，使公司得以推出免首年注册费的公开固定年费模式，并将战略重心转向客户增长。

效率、获客和分成必须连起来

上一章我们看到，当 AI 接入企业工作流并降低文档起草成本后，公司的核心问题迅速从“交付产能不足”转向了“客户不够”。本章（01:31:11–01:40:51；01:45:25–01:49:04）进一步探讨这一变化背后的系统关系：为什么单个编码环节提速不会自动带来公司整体同比例增长？在开发门槛降低后，获客方式、工具投入与团队收益分配应当如何配合？

局部提速为何不会自动变成整体增长

在将 AI 编程工具引入工作流后，主持人在访谈中引述了一个行业讨论：当写代码不成问题后，代码审查（review）与发布交付（ship）反而成了卡点。我们可以用一个简单的教学算例来理解这种局部与整体的关系：假设在从产品开发、审查发布、获客分发到售后的完整链条中，纯编写代码只占总工作耗时的20%，其余环节占80%且耗时保持不变；此时即便编码速度提升为原来的5倍，编码耗时从 \(0.2\) 降到 \(0.04\)，整体总耗时仍为：

\[ T_{\text{new}} = 0.8 + \frac{0.2}{5} = 0.84 \]

对应的整体速度倍数约为：

\[ S = \frac{1}{0.84} \approx 1.19 \]

也就是说，20%的环节提速5倍，整体速度仅提升约19%（注：节目口述中随口提到的“27%”为心算偏差，此处按准确算术结果19%呈现）。要真正提升整体产出，就必须去识别并疏通编码之外的实际业务瓶颈。

在陈然看来，阻碍局部技术提速转化为整体产出的一个常见原因，是公司的组织架构尚未适应新的生产力。他观察到，传统公司里设有许多经理、总监等层级，不少日常工作只是召集会议、传递信息；而在 AI 能够自动汇聚上下文、配合知识库解答问题后，这类单纯传递信息的环节就不再像过去那样必要，组织架构也会随之趋向扁平。

除了内部架构调整，陈然还强调了来自外部的竞争压力。他把当前比作“马车时代的城堡里已经出现了汽车”：无论传统企业是否愿意变革，外部都已经涌现出一批AI 原生（AI native，从产品逻辑到工作流都围绕 AI 构建）的创业公司，尝试以传统公司10%甚至1%的成本做出功能相近的计费（billing）、获客或法律辅助工具。同时，陈然团队在重写完内部系统后，也开始重新审视外部的服务供应商（vendor）——他在节目中举例说，如果某家外部供应商每月收费5,000（口述示例数字），提供的功能并不复杂且不愿降价，团队现在自己动手写一个替代工具就会快得多。

创始人品牌要面对真正的客户

当开发与生产不再是最大障碍，获客就成了决定生意成败的关键环节。陈然虽然过去写过上千篇博客、在网上一早就有读者基础，但他受“勇哥说餐饮”等案例启发，写文章提出过一个观点：如果目标是做赚钱的生意，不要把主要精力花在打造创始人个人品牌（founder IP）上。他解释说，这并不是否定创始人发声在获客上的一定帮助，而是要分清主次——高频出镜打造创始人个人品牌往往更适合服务于拉风险投资；如果只是想经营一门赚钱的生意，更根本的事情是花时间去寻找客户需求、解决具体问题并为客户提供附加价值（value add）。

沿着同样的逻辑，陈然分析了创业圈流行的公开分享开发过程（build in public）。他指出，那些通过公开分享开发过程赚到钱的团队，其售卖的产品往往是面向开发者的工具，他们的目标客户本来就是关注这类技术动态的程序员，因此公开分享开发过程恰好能够触达潜在买家。

相反，如果一家公司的目标客户并非开发者（例如医疗器械企业或普通生活服务需求者），在技术社区公开展示开发过程，通常很难吸引来真正的付费客户。因此，获客方式需要取决于所发布的内容能否真正接触并帮助到目标客群——比如在医疗注册业务中直接公开透明价格以承接搜索询盘，或者在副业中通过搜索关键词寻找供需缺口，都是直接围绕目标客群的真实需求场景来获客。

工具投入怎样配合组织与收益分配

在内部工具投入上，陈然分享了他访谈当时的个人使用账本：他估算自己每月在各类 AI 工具上消耗上百亿乃至三四百亿 Token，但每月账单花费大约只在1,000美元左右。他解释说，如果直接调用 API 跑这么大的量会非常昂贵，但在当时，各家厂商推出了按月付费的编程订阅套餐（coding plan）。按他当时的个人使用经验，订阅 OpenAI、Anthropic、Google Gemini 以及第三方云平台（如 Ollama 相关服务）的高阶套餐（例如当时每月200美元档位的套餐），可以支撑很高的调用量。陈然把这种现象比作当年的“外卖补贴大战”，认为模型厂商为了吸引高价值开发者，在现阶段提供了很大补贴；但他同时提醒，未来模型公司若面临上市与财务压力，这类补贴可能会减少。因此，上述套餐价格与调用量只是他当时的个人体验，并非厂商的固定额度承诺；对工程团队而言，关键在于算清楚工具投入能否转化为实际的业务产出与交付质量。

有了好用的工具，如何让团队成员真正愿意用起来？陈然谈到了他对传统全职员工（full-time employee）制度与薪酬结构的看法。他用了一个假设的例子来说明心态差异：假设一名专业人员直接面对客户并提供服务，客户付给他1万块钱，他往往会很开心并努力把服务做好；但如果他在公司里领老板发的1万块钱固定工资，他心里可能会觉得自己值2万块钱、受到了剥削，进而缺乏多做事的动力，甚至倾向于应付差事。在陈然看来，当 AI 工具能够让主动投入的人产生数倍乃至十倍以上的产出差异时，传统的固定薪资结构如果不允许员工分享生产力提升带来的额外收益，员工就容易担心“用 AI 省下了时间，好处全归了股东，自己反而更快被替代”。

为了改变这种顾虑，陈然希望未来的生产关系与激励性薪酬（incentive compensation）能有更多变化，比如出现更多类似律所合伙人（partner）或按项目合作的合同承包人（contractor）模式：赚得多、大家分得多。他认为，当一线人员能够通过分成直接享受到生产力提升带来的额外收入时，大家才会有更强的内驱力（incentive）去用好先进工具、创造更多价值。当然，在实际企业管理中，薪酬与用工制度的设计除考虑结果分成外，通常还需兼顾收入稳定性、跨团队协作与合规质量控制等多方面因素。

局部提速与系统整体加速比的教学算例

为了理解“为什么单个环节提速5倍，整体产出却没有提升5倍”，我们可以借用系统分析中的瓶颈计算方法（在计算机体系结构中常称为阿姆达尔定律 Amdahl's Law，此处作为教学延伸背景）。假设某业务全流程原总耗时为 \(1\)，其中待加速环节占 \(p = 0.2\)（20%），其余未改变环节占 \(1 - p = 0.8\)（80%），当该局部环节速度提升至 \(k = 5\) 倍时：

\[ T_{\text{new}} = (1 - p) + \frac{p}{k} = 0.8 + \frac{0.2}{5} = 0.84 \]

\[ S = \frac{1}{T_{\text{new}}} = \frac{1}{0.84} \approx 1.19 \]

计算表明，新总耗时为原耗时的84%，整体速度约为原来的 \(1.19\) 倍（即提升约19%）。这说明当局部编码时间被压缩后，整体效率将主要受限于其余80%的代码审查、发布交付与市场获客等环节。

区分短期套餐补贴与长期单位任务经济学

陈然提到自己当时每月花约1,000美元订阅多家编程套餐即可使用百亿级 Token，这是他在特定时期的个人使用情况，不能视为各模型厂商的官方固定额度或长期价格保证。在实际工程管理中需注意：

套餐规则会动态调整：厂商在市场竞争阶段的定价与限流策略可能随运营成本和财务压力而变化。
以有效交付衡量投入：工具开支不应只看消耗了多少 Token，而要看是否真正帮助团队完成了高质量的产品功能、文档交付或业务验证。

核心环节	常见的错位现象	机制拆解与对齐取舍
研发与交付	编码效率提升5倍，但公司整体业务产出与交付速度几乎没有同比例增长。	假设编码仅占全流程20%，提速5倍后整体仅提速约19%。需识别并疏通审查、交付、组织沟通与获客等实际瓶颈。
品牌与获客	把大量时间花在打造创始人个人品牌或公开分享开发过程上，却未能带来真实付费客户。	公开分享开发过程在目标客户同为开发者时更容易见效；面向其他行业客户时，需把精力放回客户真实需求与采购场景。
工具与分配	引入了高效的 AI 工具，但员工担心提效后只增加工作量或被替代，缺乏主动使用的积极性。	陈然倡议通过激励性薪酬或合伙分成让成员共享效率红利；实际制度设计中也需兼顾协作与质量稳定。

AI时代商业落地的三组核心错位与对齐机制

为什么写代码的速度提高了好几倍，公司整体业务产出却没有同比例增长？即使配齐了工具，又该如何调动团队积极性？下图将局部提速算例与业务分配链条放在一起对比：

局部提速与整体收益之间还有哪些环节；依据访谈口述整理（01:31:11–01:40:51；01:45:25–01:49:04）下载 PDF 原图

读图：效率、获客和分成必须连起来

图分为上下两排。上排展示耗时对比：左侧蓝框“原总耗时：100% / 待提速环节 20% ＋其余 80%”通过向右箭头指向右侧紫框“新总耗时：84% / 20% ÷ 5 ＋ 80%”。下排由三个方框自左向右以箭头连接：蓝框“任务提速 / 完成有效工作”\(\rightarrow\)黄框“交付与获客 / 形成业务结果”\(\rightarrow\)绿框“收益与分配 / 调整参与激励”。底部标注：“教学算例：整体速度约为原来的 1.19 倍”。

只有当局部任务提速顺利通过交付与获客转化为业务结果，并配合合理的收益分配机制时，AI 工具的生产力才能充分释放。最后一章，我们将回到个人视角，看如何从自身条件出发迈出下一步。

本章小结

局部提速需配合全流程疏通：算例表明，若假设编码占全流程耗时的20%且提速5倍，其余80%不变时整体速度仅提升约19%；企业需同步简化内部沟通层级、评估外部软件成本，并打通审查、交付与获客瓶颈。
获客方式要对齐目标客户：打造创始人个人品牌更偏向融资场景，公开分享开发过程（build in public）在客户同为开发者时更有帮助；做赚钱的生意应把重心放在解决目标客户的真实需求上。
让工具投入与收益分配挂钩：利用编程订阅套餐的阶段性价格优势可降低开发成本，而通过激励性薪酬或分成机制让员工分享生产力提升的额外收益，有助于激发团队主动用好 AI 工具。

主动选择：下一步从哪里开始

看清了组织瓶颈、获客逻辑与分成机制之后，技术变革最终会回到每个人的具体生活：面对快速变化的行业环境，个体该如何做决定？本章（01:40:51–01:45:25；01:49:04–01:56:14）回到陈然关于“主体性”与“以终为始”的讨论，说明如何分辨不同类型的一手信息源，以及不同年龄段的从业者如何从自身条件出发，做一次小规模的真实实践。

主体性与以终为始

回顾从清华、CMU 到两家被收购的公司，再到全职奶爸、回归职场担任 CTO 以及做零人副业的经历，陈然觉得自己只是比较清楚每个阶段想要什么，喜欢做自己觉得有意思、能带来快乐的事。他借用中文播客里听到的主体性（以自我为中心看待人生与做选择的意识）来形容这种态度：工作只是服务于生活的手段，而不应反过来定义一个人的人生。在他看来，大厂打工或职场头衔只是特定时代的产物，跳出“工牌与职级等于人生全部”的思维定式后，除了保证每天吃饱睡好这些基本生存需求，更重要的是想清楚自己想要怎样的生活，再去主动选择在哪里工作、如何处理人与钱的关系以及如何陪伴家人。

这种跳出当下职场内耗的视角，也来自他在做财务规划时接触老年客户的经历。陈然发现，财务规划的实际需求大多集中在退休规划上，年轻人很少主动关注；而在与许多老年人聊钱和人生回顾时，他得到了一种以终为始（从老年或人生终局倒推当下选择）的启发。许多长者回看一生时都会提到，年轻时让自己反复纠结的不少事情，到了晚年其实并不重要。这促使陈然思考：面对外部环境的不确定性，与其陷在被动的职场消耗里，不如尽早梳理好家庭与财务底线，按自己的方式去过主动选择的生活。

识别真正做成事情的信息源

当18到22岁的大学生或年轻从业者想要在 AI 浪潮中寻找机会时，陈然认为除了保持长期信念外，最重要的事情是找到合适的一手信息源。他再次用“马车时代的城堡与新出现的汽车”作比喻：当汽车（AI 工具）已经被造出来时，互联网上围绕汽车发声的人其实在做着完全不同的事，应用者需要分清自己在听谁说话。

在陈然的观察中，互联网上关于AI的声音大致可以分为三类：

造汽车的人（模型与底层基建研发者）：包括大模型公司的研究员，以及从事底层基础设施（infrastructure）、模型服务层（serving layer，负责部署模型并提供推理调用的系统层）的工程师。在陈然的印象中，这一群体收入可观，也占据了大量的媒体关注与报道声量。但他指出，对于普通应用者来说，每天跟着讨论某模型有几万亿参数（model parameter）其实与自己关系不大——无论你懂不懂造车，车都会被造出来，而知道怎么造车并不等于会开车去跑业务。
公开展示演示作品的人（demo in public）：这类人把车开出了城堡一点点，用 AI 做出了工具、PPT 或演示片段，并花较多时间在社交媒体上分享。他们不一定完成了商业闭环，但能以亲民的方式帮大众直观理解模型的最新能力边界，具有启发价值。
开着汽车到处跑并插旗的人（跑通商业闭环的实践者）：这批人正忙着用 AI 在各个垂直领域低成本地解决真实问题、获取客户并赚取现金流。在陈然看来，他们往往忙于业务推进而较少在网上高谈阔论；识别这类一手信息源的关键，是看其是否真正服务了客户并跑通商业结果。

陈然做这一区分，并不是贬低基础模型与底层研发的价值，而是提醒想做应用的学习者合理分配注意力：既可以通过公开演示了解工具的能力边界，更要重点观察最新涌现的 AI 原生（AI native）创业公司如何解决具体问题、如何完成业务闭环，并通过深度播客等渠道获取一线实践者的一手经验分享。

把行业经验变成一次小规模实践

相比处于职业探索早期的大学生，30到40岁、已经在职场工作五六年或背负房贷与育儿支出的从业者，面对行业剧变时往往面临更多现实牵绊。陈然与不少同龄人交流后认为，这一群体常见的约束来自过往的职业身份、既有成就以及家庭财务责任；但那些在具体行业里积累了行业经验与专门知识（know-how）的人，也拥有一项实在的优势——知道业务流程里真正的痛点是什么。正如他在第4章做副业时体会到的，不了解行业痛点就很难做出有正反馈的产品，而有实际业务经验的从业者更容易看清哪些环节真正需要改进。

因此，陈然给在职从业者的建议是：如果目前还有一份工作和稳定的现金流收入，不妨珍惜这一缓冲条件，少把精力花在抱怨与空泛的反思上；先停下来梳理清楚家庭财务与生活里真正重要的部分，再问自己一个问题——如果今天剥离掉现有的头衔从零开始，围绕自己掌握的行业价值，能用 AI 工具做出什么真正能帮到别人、能赚到钱的小产品？访谈中他以“先把200刀的套餐开满、试图把它用完”为例，鼓励大家围绕具体项目把 AI 工具真正用起来，实际投入则可根据个人项目需求选择。访谈结束时，陈然道别说“我去接娃娃了”（01:56:10）——在聊完技术浪潮与商业竞争之后回到陪伴家人的日常，也呼应了他把工作当作服务生活手段的选择。

应用者的信息源过滤法则

在技术快速演进期，公开媒体的讨论往往集中在底层的“造车者”（模型参数与底层架构）和表层的“展示者”（公开演示作品 demo in public）。陈然建议，希望做应用落地或个人项目的学习者，可以将信息收集的重心转向“开车跑业务的人”：直接观察早期 AI 原生创业公司如何切入具体场景、如何服务客户并形成收入闭环，同时利用演示作品来直观了解工具的能力边界。

在职人员的稳健尝试路径：现金流 + 行业经验 + 小规模构建

针对有在职收入与行业经验、同时面临家庭财务约束的从业者，陈然提出的行动顺序包含三步：

梳理财务与生活重心：利用在职现金流作为缓冲，理清家庭财务底线，减少在职场负面情绪上的消耗；
盘点行业专门知识（Know-how）：从自己熟悉的业务领域出发，找出别人真正遇到困难、愿意付费解决的具体问题；
动手构建小产品：结合现有 AI 工具做出小规模的可用产品，通过真实用户的反馈与收支结果来验证价值。

人群阶段	核心优势与手头资源	主要约束与认知盲区	陈然建议的行动重心
职业探索早期（如高校学生）	尚未形成固定的历史职业路径包袱，可结合课程学习或个人项目灵活尝试新方向（具体时间与经济条件因人而异）。	缺乏具体行业经验，易被宏观焦虑或纯底层模型参数讨论带偏。	坚定长期信念，过滤二手噪音，重点追踪一手AI原生创业案例并深入学习。
已有数年经验的在职从业者	在特定领域积累了一定的专业技能与行业专门知识（Know-how），且当前保有在职工作收入。	受限于过往成就与职场身份认同，面对行业剧变容易陷入焦虑与抱怨。	停止无效内耗，利用在职现金流兜底，做“从零提供价值”的思考并构建小产品。
背负房贷与育儿支出的资深从业者	具备较长时间的业务阅历，更容易接触并理解行业内的真实商业摩擦与客户痛点。	背负房贷与育儿等刚性支出，家庭抗风险约束强，转身试错空间较窄。	重新梳理家庭财务底线，围绕自身核心价值，用AI工具低成本验证能赚钱的业务。

不同阶段人群应对AI浪潮的优势、约束与行动重心对照

面对 AI 带来的剧烈行业变化，无论是年轻学生还是背负家庭与房贷压力的职场人，都不必困在宏观焦虑里。下图汇总了陈然建议的个人行动次序：

从自己的约束出发做一次小规模实践；依据访谈口述整理（01:40:51–01:45:25；01:49:04–01:56:14）下载 PDF 原图

读图：主动选择：下一步从哪里开始

图上方由四个从左至右排列的方框组成，通过向右箭头依次连接：左侧蓝框“梳理生活目标 / 时间／现金流”\(\rightarrow\)紫框“盘点行业经验 / 能解决的问题”\(\rightarrow\)黄框“接触一手实践 / 客户／做事者”\(\rightarrow\)右侧绿框“试做一个产品 / 观察使用反馈”。图下方居中放置一个宽幅蓝色长框，写有：“用实际结果更新判断，再决定下一步投入”。

从梳理自己的时间与现金流底线开始，结合行业经验与一手信息试做一个小产品，再用真实反馈指导下一步——这正是将整篇访谈的方法论落回日常生活的起点。

本章小结

用主体性与以终为始看待工作：工作是服务生活的手段而非人生的全部定义；借鉴老年人回看一生的视角，尽早梳理家庭与财务底线，把精力放回自己主动选择的生活目标上。
区分信息源，关注跑通商业闭环的一手实践：应用者不必执着于底层模型参数的日常争论，可借助公开演示（demo in public）了解工具能力边界，并重点观察那些真正服务客户、跑通商业闭环的一线实践者。
依托在职缓冲将行业经验转化为小规模实践：有在职收入和行业积累的从业者，可以在理清家庭财务底线的同时，结合自身掌握的行业专门知识（know-how）与 AI 工具，动手试做一个能解决真实问题的小产品。

总结与延伸

纵观陈然从求学、硅谷求职、带团队到经营家庭与副业的多次转身，贯穿其中的线索并非追逐单一的世俗标签，而是先问清楚“这件事情的评判标准是什么、我能提供什么可观测的价值、我想要怎样的生活”。在技术层面，他从早期的机器学习应用一路走到2025年的命令行 AI 工作流，始终强调技术只有嵌入具体业务、通过实验或账本验证贡献，才能摆脱自娱自乐；在组织与商业层面，他指出单点编码提速并不会自动转化为公司整体增长，唯有同步简化冗余功能、沉淀共享知识库、打通获客瓶颈并调整收益分配机制，生产力才能真正释放。

做跨章学习时，建议读者将第1、2章的“结果测量与组织清障”同第5、6章的“AI 重构工作流与系统瓶颈算例”对照阅读，体会工程落地条件在十余年间的延续与演变；同时将第3章的“家庭同源风险与消费底线”和第4、7章的“现金流小项目与在职小规模实践”结合起来。无论处于求学阶段还是背负家庭责任的职场中期，都不妨从梳理自身的现金流底线与行业专门知识（know-how）出发，过滤二手噪音，动手用现有工具完成一次面向真实需求的小规模闭环。

拓展阅读

以下资料供回看节目、查阅术语与继续学习。

月球大叔：本期原视频：https://www.youtube.com/watch?v=DyMgxq0sDFo
官方完整逐字稿：https://unclemoon.ai/blog/007-chen-ran/transcript/
官方访谈文章：https://unclemoon.ai/blog/007-chen-ran/
Zillow：2015 年完成 Trulia 收购：https://www.zillow.com/news/zillow-group/
Fox：2020 年完成 Tubi 收购：https://www.foxcorporation.com/news/corp-press-releases/2020/fox-corporation-completes-acquisition-of-tubi/
Investor.gov：资产配置与分散化：https://www.investor.gov/introduction-investing/getting-started/asset-allocation