Ep130 Ruvj 5Dobxs

导读：从现象级产品到重新理解 AI Native

本期访谈的入口是妙鸭。2023 年，张月光在阿里做出过妙鸭这样现象级的 AI 写真产品；但两年后他反而说，妙鸭不是 AI Native 产品。这句话是整期最重要的认知转折。它不是否定妙鸭，而是把“用了 AI 技术”和“产品范式被 AI 改写”区分开。

本节先建立全篇的主线：张月光作为互联网时代训练出来的产品经理，经历了大厂、第一次创业、妙鸭、离开阿里、创办沐言智语、探索星眠和 Dokie，最终把问题收束到两个判断。第一，AI Native 产品的核心不是是否用 AI，而是从流程设计转向上下文设计。第二，下一阶段最值得押注的是 Agent，尤其是能够突破个人能力边界的 AI 朋友。

本期核心命题

AI Native 不是“没有 AI 做不了”的简单定义。更高阶的定义是：用户输入和模型输出都变得开放，产品经理不能再穷举流程，而要设计上下文、工具、模型组合、反馈和产品心智。

视觉策略说明

本视频是固定访谈画面，没有 slides、白板或产品演示。按播客笔记标准，正文不重复插入人物帧；封面用于来源识别，正文用流程到上下文、One Way Door、AI 产品组织、Agent 反馈环等概念图来解释内容。

本章小结

这期不是“妙鸭复盘”那么简单。它真正讨论的是互联网产品经理如何穿越 AI 范式变化：从流程、按钮和漏斗，走向上下文、模型能力、Agent 行动和用户心智。

产品经理的底色：大厂游戏与长坡厚雪

前面导读给出了 AI Native 的大问题，这一章先回到人。张月光对 AI 产品的判断，不是从模型研究出发，而是从十多年产品经理经历、两次创业和大厂组织游戏中长出来的。

张月光的经历很杂：SaaS、支付宝、字节、第一次创业、阿里优酷、妙鸭、第二次创业。访谈里他把 35 岁到 45 岁设成一个新阶段，希望和同一群人做同一件事。这解释了他为什么离开阿里：不是因为单个产品成功或失败，而是想摆脱大厂里的不可控变化，重新组织人和事。

大厂游戏的两种战役

他把大厂打怪升级分成两种：外部战役和内部战役。外部战役是赢市场、赢用户、赢竞争对手；内部战役是赢身边人、赢评价体系、赢资源分配。大厂增长期，电梯向上，外部战役很多；当行业进入真空期，内部战役的吸引力会变强，人很容易被组织机制拉回内部竞争。

内部战役的隐性成本

内部战役可以让人升职，但会逐渐改变产品经理的注意力：从“用户和外部世界发生了什么”转向“组织里谁怎么看我”。AI 提供的新机会，恰恰是重新打开外部游戏。

第一次创业的情感线索

第一次创业中的元音产品，让他第一次直接感到“活生生的用户”。用户在群里讨论、付费、停服时写小作文，这和大厂后台看到新增 500 万用户的抽象数字很不同。这个经历后来延续到星眠：AI 乙女游戏不是凭空出现，而是来自他早期对 Live2D、陪伴、角色和女性用户的长期兴趣。

从用户数字到用户生命感

大厂数据能训练规模感，但不一定训练产品的情感判断。小产品的用户反馈会让产品经理看到具体的人、具体的喜欢和具体的失落，这会影响后续对 AI 陪伴和 AI 朋友的判断。

本章小结

张月光的底层动力，是从内部游戏回到外部游戏，从抽象指标回到具体用户，从短期项目切换到长期同伴和长期事业。这个背景决定了他后面对 One Way Door、AI 朋友和 Agent 的偏好。

妙鸭：把 AI 用得好的互联网产品

本节从个人经历转入产品案例。理解妙鸭，是理解整期访谈的第一道门：它既是张月光最广为人知的成功案例，也是他后来反思“什么才是 AI Native”的反例。

妙鸭的成功来自几个产品判断：图像技术当时相对成熟；不要做 Midjourney 式通用图像生成；选足够垂直的写真人像；避开电商长链条，选择 2C 可定价的写真生意；把效果目标压成“真、像、美”。这些判断都很优秀，但张月光后来认为，妙鸭仍然是互联网产品思维。

图片资源缺失

\begin{figure}[H]
\centering
\includegraphics[width=0.94\textwidth]{miaoya-not-ai-native.png}
\caption{妙鸭为什么不是 AI Native：固定输入、固定链路、固定输出。}
\end{figure}

读图：妙鸭的稳定来自限制自由度

图中三段分别是输入固定、链路固定、输出固定。用户上传约 20 张照片，系统训练个人模型，再通过固定模板和固定生成链路输出写真。它把 AI 能力用得很好，但仍然通过限制用户自由度来换稳定效果。

真、像、美

前面说妙鸭链路固定，但固定链路不等于简单。它真正的难点，是把一个很窄的场景做到足够强的效果函数。

妙鸭的效果标准是三件事。真，是看不出 AI 生成；像，是足够像用户本人，让传播与“我”有关；美，是比真实自己更好看一点。这个三角解释了为什么它能成为爆款：它不是展示 AI 技术，而是把 AI 技术变成一个强烈的消费体验。

妙鸭的产品教训

AI 爆款不一定来自最通用的模型，而可能来自一个垂直场景中的明确效果函数。妙鸭的效果函数就是“真、像、美”。

为什么这仍是互联网产品

效果函数解释了妙鸭为什么成功，本节则解释它为什么仍不是 AI Native。关键不在结果是否惊艳，而在产品是否仍然依赖预设流程。

妙鸭本质上仍是流程设计：用户按预设步骤上传照片，选择模板，系统沿固定工艺链生成结果。用户输入不开放，输出也不开放。产品经理能够设计完整流程，工程师按流程实现，体验可控。这是互联网产品方法论的胜利，而不是 AI Native 方法论的完全展开。

本章小结

妙鸭说明，AI 能力用得好，不等于产品范式被 AI 改写。它是一个极好的“AI 加互联网产品”，但不是张月光后来理解的 AI Native。

从流程设计到上下文设计

本期最重要的产品方法论，是从 flow design 转向 context design。互联网产品过去 20 年的基本范式，是产品经理预设用户路径、输入和输出；设计师画出界面；工程师实现流程。AI Native 产品里，用户输入开放，模型输出开放，尤其 Agent 时代还会调用工具、生成文件、执行动作，流程无法被完全穷举。

图片资源缺失

\begin{figure}[H]
\centering
\includegraphics[width=0.96\textwidth]{flow-to-context-design.png}
\caption{从流程设计到上下文设计：有限自由度转向开放输入与开放输出。}
\end{figure}

读图：AI Native 的设计对象变了

左侧流程设计面向按钮、页面、漏斗和固定输出；右侧上下文设计面向 prompt、context、工具、模型组合、约束和反馈。产品流程仍然重要，但它要围绕模型能力和上下文效果反推，而不是先画完整流程再期待模型配合。

为什么传统协作会失效

前面的图把范式差异画出来了，这里落到团队协作。AI Native 不是产品经理一个人的认知变化，而是产品、设计、工程和模型团队的协作顺序变化。

传统团队协作是线性的：产品经理写需求，设计师画图，工程师施工。AI Native 产品里，最关键的中间部分可能是用户看不见的 context：给模型什么材料、怎样组织任务、调用哪些工具、如何评测输出、怎样让用户反馈进入下一轮。这些东西不先跑通，UI 流程可能越精致越错。

流程先行的风险

如果先把页面、按钮和用户路径全部设计完，再去接模型，很容易发现模型真实输出和预设流程不匹配。AI Native 产品应先验证能力闭环，再设计外层流程。

本章小结

流程设计到上下文设计，是互联网产品经理转向 AI 产品的关键认知鸿沟。产品经理不再只是用户路径设计师，而要成为模型能力、上下文、反馈和用户心智的组织者。

One Way Door：长期正确的产品信号

有了妙鸭和上下文设计的讨论，接下来需要一个产品筛选标准。张月光用 One Way Door 来判断一件事是否值得长期押注。

张月光喜欢 One Way Door 产品：用户一旦用了新解法，就知道自己回不去旧解法。Cursor、Claude Code 之于传统 IDE，就是典型例子。One Way Door 不一定一开始体验完美，但它让人看到未来会形成全方位优势。

图片资源缺失

\begin{figure}[H]
\centering
\includegraphics[width=0.92\textwidth]{one-way-door-product.png}
\caption{One Way Door 产品判断：旧解法、新解法、新常态。}
\end{figure}

读图：单向门不是 wow moment

图中单向门位于旧解法和新常态之间。wow moment 只是惊艳，用户可能很快退回旧流程；单向门则改变用户的默认行为。它的市场份额可能从小开始，但会随时间持续上涨。

为什么 Agent 可能是单向门

Agent 产品如果真的让用户突破能力边界，它就不只是提高效率，而是改变用户对“我能做什么”的理解。张月光说，Dokie 现阶段从 PPT 切入，但真正目标不是 PPT，而是帮他突破个人能力边界的 AI 朋友。

单向门的产品检验

一个 AI 产品是否值得长期做，可以问：我用了以后，是否不愿回到旧方法？它是否解决旧需求，但用新方式给出全方位优势？它是否会随模型进步而越来越强？

本章小结

One Way Door 是本期的产品筛选器。妙鸭是强爆款，但不一定是单向门；Agent 如果能稳定突破能力边界，则可能成为长期正确的门。

产品评测清单：从 Wow 到 Retention

前几章讨论了妙鸭、AI Native 和 One Way Door，但产品判断还需要更可操作的清单。张月光在访谈里多次把“好看”“惊艳”和“长期正确”分开：一个产品可以很 wow，却不是单向门；可以短期爆发，却不能长期留存；可以技术很强，却没有用户心智。

四层评测

层次	要问的问题	妙鸭 / Dokie 的启发
技术成立	这代模型是否能稳定做出结果？	妙鸭选择当时相对成熟的图像技术；Dokie 要验证 Agent 是否能真实完成创作表达。
效果函数	用户为什么觉得它好？	妙鸭是“真、像、美”；Dokie 是“突破能力边界”。
单向门	用户用了后是否回不去旧方法？	妙鸭是强体验但不一定永久替代；Agent 若能稳定干活，更可能成为单向门。
心智与留存	用户会用什么词记住它？是否足够高频？	PPT 太窄，创作与表达更宽；AI 朋友则需要长期关系感。

从爆款到长期产品

爆款通常证明技术、传播和需求击中过一次；长期产品还要证明心智、频次、留存、复购和能力进化。AI 产品尤其要警惕“只证明了 wow，没有证明单向门”。

为什么“我自己会用”仍然重要

张月光说，他很难做自己完全不会用的产品判断。这个标准并不适用于所有产品经理，但在 AI 早期尤其重要，因为很多指标还没稳定，用户也说不清楚自己要什么。创始人自己是否真的离不开这个新解法，常常是最早的定性信号。

自用不是万能验证

自用能捕捉早期直觉，但不能替代用户分层、真实场景和商业验证。它适合作为启动信号，不适合作为最终证明。

本章小结

AI 产品评测要同时看技术、效果函数、单向门和用户心智。妙鸭证明张月光能做爆款，Dokie 要证明他能做长期正确的 Agent。

AI 产品组织：Taste 与两段式

当产品从流程设计转为上下文设计，组织方式也必须变。张月光说，决策边界变模糊，Taste 变得重要，工作从线性变成两段式。这里的 Taste，不是主观审美，而是判断模型输出好坏、用户体验边界和产品方向是否值得押注的能力。

图片资源缺失

\begin{figure}[H]
\centering
\includegraphics[width=0.96\textwidth]{ai-product-org-two-stage.png}
\caption{AI 产品组织：线性工作变两段式。}
\end{figure}

读图：先验证能力，再封装产品

图中第一段是模型可行性：context、prompt、工具、模型组合、评测和 taste 判断；第二段才是产品封装：流程、UI、商业模式和用户心智。传统线性工作流把需求定义放在最前面，AI Native 团队则要先确认模型能力真实存在。

Taste 为什么重要

AI 输出有不确定性，用户输入也不确定。产品经理不能只说“这里放一个按钮”，而要判断输出是否足够好、是否可控、是否有用户愿意持续使用、是否能成为单向门。这个判断往往无法完全被指标替代，因为早期产品还没有稳定指标。

术语消化：AI 产品组织

术语	一句话解释	在本期中的作用
Taste	对输出质量、产品方向和用户体验的判断力	决策边界模糊时的核心能力。
Context Design	设计模型可见的信息、工具和约束	AI Native 产品的中间层。
Prompt Practice	构造输入和任务描述的方法	只是 context design 的一部分。
Two-stage Work	先验证模型能力，再封装产品流程	替代传统线性协作。
Evaluation	判断输出是否稳定、可用和可迭代	连接 taste 与工程。

本章小结

AI 产品组织的关键，是让产品、设计、工程和模型能力在同一个反馈环里工作。没有 taste，团队容易被 demo 迷惑；没有工程验证，taste 又会变成玄学。

第二次创业：AI 人口、Will 与 Skill

产品筛选标准讲完后，问题进入更宏观的判断：这一代 AI 到底在创造什么。张月光的答案不是“更多服务”，而是“AI 人口”。

张月光第二次创业时，有一个更宏大的判断：这代 AI 技术不是创造 AI 服务，而是创造 AI 人口。所谓 AI 人口，是大量可交互、可执行、可协作的 AI 个体进入人类网络。这个判断解释了为什么他会同时做 AI 乙女游戏和 Agent：前者探索情感/内容里的 AI 个体，后者探索生产力里的 AI 个体。

图片资源缺失

\begin{figure}[H]
\centering
\includegraphics[width=0.94\textwidth]{ai-population-will-skill.png}
\caption{AI 人口、Will 与 Skill：人负责目标，AI 负责执行。}
\end{figure}

读图：AI 服务和 AI 人口的差别

如果 AI 是服务，用户调用功能；如果 AI 是人口，用户和某个会做事的对象协作。图中 Will 指目标、意图、选择和品味；Skill 指执行、生成、工具调用和越过个人能力边界。

人负责 Will，AI 负责 Skill

上一节把 AI 看成“人口”，这一节拆开人与 AI 的分工。Will / Skill 是一个简短但很实用的产品框架。

访谈中他说，人应该负责 Will，AI 负责 Skill。这句话很适合解释 Agent 产品：用户不用掌握所有技能，但要知道自己想要什么、什么结果好、什么时候继续、什么时候停止。AI 则承担执行、工具调用和生成。

Will / Skill 分工

AI 产品越强，越不应把人完全排除在外。人的价值转向目标、判断、品味和选择；AI 的价值转向执行、生成和能力扩展。

本章小结

AI 人口不是一句口号，而是产品定位变化：用户不只是使用功能，而是与 AI 个体协作。Will / Skill 分工，是张月光理解 Agent 和 AI 朋友的核心框架。

CEO 视角：迷茫期、心力与 All In

本期另一个重要层面，是创业者如何管理探索期。沐言智语融资顺利，但张月光反复说，钱不是最重要的，团队心力和自己的心力更重要。没有结果的探索会消耗团队，如果创始人不断换方向，又不管理预期，团队会被搞崩。

迷茫期如何沟通

他描述自己在迷茫期的原则：实事求是，不把没有信心的想法包装成确定方向；告诉团队现在还没有 all in；允许别人提出更好的想法；用小成本试错控制团队心力。这个做法和产品探索方法一致：不确定时控制变量，确定后才集中资源。

探索期的组织管理

AI 应用创业很容易陷入“每个方向都像机会”的状态。探索期要保护现金，更要保护团队心力；all in 之前，要明确告诉团队这只是试错，而不是最终战役。

为什么 Dokie 可以 All In

张月光说，当他想到 Dokie 背后那件事——做一个突破自己能力边界的 AI 朋友——即使把公司的钱输在这件事上，他也可以接受。这个标准很硬：不是看单个 PPT 产品能不能爆，而是看背后的大命题是否值得公司押注。

All In 的判断

All in 不应来自焦虑、融资压力或追热点，而应来自创始人对大命题的确信：即使失败，也知道为什么值得输在这里。

本章小结

AI 应用公司不仅要找产品，也要管理探索期。张月光对 Dokie 的 all in，真正押注的是“突破能力边界的 AI 朋友”，而不是 PPT 这个单点工具。

星眠与 Dokie：两条产品线

前面解释了 all in 的创业判断，现在需要看这个判断具体落在哪些产品上。星眠和 Dokie 分别代表陪伴内容和生产力 Agent 两条路线。

沐言智语现在有两条主线：AI 乙女游戏星眠，以及 Agent 产品 Dokie。前者延续张月光对 Live2D、陪伴和女性向内容的长期兴趣；后者是他探索一年后决定 all in 的生产力方向。

图片资源缺失

\begin{figure}[H]
\centering
\includegraphics[width=0.94\textwidth]{xingmian-dokie-two-bets.png}
\caption{沐言智语的两条产品线：星眠与 Dokie。}
\end{figure}

读图：一个做内容，一个做能力边界

星眠验证 AI 内容和陪伴，重点是内容、角色、频次和交互；Dokie 从 PPT/创作表达切入，目标是突破用户能力边界。二者都不是单纯炫技，而是在寻找用户会长期交互、长期记住、长期付费的入口。

AI 游戏为什么窄

张月光认为，AI 游戏的可行空间比很多人想得窄。实时生成视频、无限互动影游、开放世界动态剧情，今天技术还很难稳定落地。AI 最容易加分的，是对话陪伴和角色关系，因此他更看好 AI 乙女游戏，而不是泛泛的 AI 游戏。

AI 游戏不是所有游戏加 AI

游戏本质仍是内容产业。AI 可以改变某些内容体验，但不能自动解决剧情、成本、稳定性和用户留存。可行场景往往比宏大愿景更窄。

Dokie 为什么从 PPT 切入

Dokie 从 PPT 切入，但张月光反复强调，它不会永远是 PPT 工具。PPT 是一个创作与表达的入口，真正目标是“帮我突破能力边界的 AI 朋友”。这解释了为什么他愿意 all in Agent，而不愿把全部资金押在此前那些小探索上。

本章小结

星眠和 Dokie 分别代表 AI 人口的两种形态：陪伴/内容中的 AI 个体，以及生产力/创作中的 AI 个体。前者要控制内容成本和陪伴边界，后者要证明能力边界真的被突破。

Agent：短程高频反馈与 LM 内核

星眠与 Dokie 讲完后，重点自然落到 Dokie 背后的 Agent 判断。本节把张月光的 Agent know-how 拆成产品路径和技术内核两部分。

访谈后半段进入 Agent。张月光给出两个 know-how。第一，不要只把 Agent 当成长程离线任务，越长程越不稳定；也许应该做更短程、更高频、更贴近用户反馈的循环。第二，至少今天，LM 仍然是 Agent 的智力内核，因为它能理解用户意图、拆解任务、调用工具和调模型。

图片资源缺失

\begin{figure}[H]
\centering
\includegraphics[width=0.96\textwidth]{agent-short-loop.png}
\caption{Agent 产品的短程高频反馈路线。}
\end{figure}

读图：短程高频不是能力低，而是产品可控

图中用户意图进入 LM 内核，LM 调工具和模型生成产物，用户再给高频反馈。相比把 Agent 放进长程任务里等待最终结果，短程高频更容易建立信任、降低延迟焦虑，并把用户判断纳入闭环。

LM 为什么仍是内核

他不太认同“语言无法达到智能终点”的说法，甚至认为语言就是智能的本质。这个观点和 EP133 谢赛宁的世界模型观点形成有趣对照。张月光站在产品和 Agent 视角：用户意图主要以语言表达，工具调用需要语言规划，工作产物也大量是语言或结构化内容，因此 LM 是当前最自然的治理内核。

这里有一组有价值的分歧

谢赛宁强调语言不能替代物理世界；张月光强调语言是 Agent 的智能内核。二者并不必然冲突：物理世界智能需要超越语言，生产力 Agent 现阶段则高度依赖语言组织任务。

本章小结

Agent 产品不是只拼长程 benchmark。短程、高频、低延迟、用户反馈和可编辑结果，可能更早形成真实产品体验。LM 仍是当下 Agent 的核心大脑。

平台、工具与用户心智

Agent 能做事之后，还要回答它在用户心智里是什么。这个问题决定产品边界：是工具，是平台，还是一个新的入口。

张月光还讨论了新平台机会。他认为新内容平台需要新媒介和新交互；Sora 不一定会成为平台，因为它可能仍然是短视频内容形态；ChatGPT 则可能成为平台，因为它形成了新的交互入口。对 Agent 来说，垂直/通用、模型/应用这些词都太粗，真正要看用户用什么心智记住你。

图片资源缺失

\begin{figure}[H]
\centering
\includegraphics[width=0.94\textwidth]{platform-tool-agent-positioning.png}
\caption{新平台的机会：工具型产品、平台型产品与 Agent 入口。}
\end{figure}

读图：用户心智决定边界

工具解决明确任务，平台形成关系和生态，Agent 入口则要让用户为一个高频心智记住品牌。过窄会低频，过宽会“什么都能干等于什么都不能干”。Dokie 的定位是创作与表达 Agent，而不是所有任务的大杂烩。

创作与表达的边界

张月光认为，PPT、文档、表达、创作可以合在一个更高层心智里：帮助用户更好地创作和表达。相反，资料收集、填表、信息处理等任务未必会和创作 Agent 合并。这个判断很产品：不是按模型能力分界，而是按用户心智和使用场景分界。

Agent 的定位问题

Agent 不是越通用越好。产品要找到一个用户愿意记住、足够高频、足够宽但不空泛的心智边界。

本章小结

Agent 产品的竞争，不只是模型能力竞争，也是用户心智竞争。能否从工具变成入口，取决于它是否拥有高频边界、关系感和持续扩展能力。

与前几期的连接：Agent、Context 与语言

这期与前面几期形成一条很清晰的应用层主线。EP139 讲 Agent 技术史，强调工具调用、边界消融和社会辐射；EP135 讲 Elys 和赛博分身，强调 context 的获取、流动与人格化网络；EP133 则从世界模型角度提醒语言之外还有物理世界。EP130 的位置，是把这些技术概念落回产品经理的操作台。

同一个词，不同层面的含义

概念	在前几期中的侧重	在 EP130 中的产品含义
Agent	工具调用、任务执行、系统边界变化	从 PPT/创作表达切入，形成可交互生产力对象。
Context	个人信息、社交网络、赛博分身的数据流	产品经理要设计模型可见上下文，而不是只画流程。
语言	EP133 中被讨论为不够覆盖物理世界	EP130 中被视为 Agent 的治理内核和用户意图入口。
AI 朋友	EP135 更偏关系和社交网络	EP130 强调先提供实用价值，再逐渐形成朋友感。

为什么这条连接重要

如果只看 EP130，它像产品方法论；放进整个队列，它是在回答“Agent 怎么变成普通人会长期使用的产品”。技术史、context 流动、语言边界和产品心智，是同一个问题的不同层。

本章小结

EP130 把 Agent 从技术叙事带回产品叙事：不只问模型能不能做，还问用户为什么记住它、为什么回不去、为什么愿意让它进入自己的工作和关系网络。

术语消化：本期关键词索引

术语	一句话解释	在本期中的作用
AI Native	产品范式被 AI 改写，而不仅是用了 AI	全期中心概念。
流程设计	预设路径、按钮、输入和输出	互联网产品默认范式。
上下文设计	设计模型可见信息、工具和约束	AI Native 产品核心工作。
One Way Door	用户用了新解法后不愿回旧解法	判断长期正确产品的标准。
Taste	判断模型输出、产品方向和用户体验的能力	AI 产品组织核心能力。
AI 人口	可交互、可执行、可协作的 AI 个体进入人类网络	张月光对这代 AI 的宏观理解。
Will / Skill	人负责意图与选择，AI 负责执行能力	Agent 产品的人机分工。
星眠	沐言智语的 AI 乙女游戏产品	AI 内容/陪伴路线。
Dokie	沐言智语的 Agent 产品	创作表达与能力边界路线。
LM 内核	用语言模型理解、拆解、调用工具	当前 Agent 的智力核心。

本章小结

这些术语共同构成一套 AI 产品方法论：从流程到上下文，从服务到 AI 人口，从工具到 Agent 入口，从 wow moment 到 One Way Door。

总结与延伸

核心结论

妙鸭是把 AI 能力用得很好的互联网产品，但不是张月光后来定义的 AI Native。
AI Native 的关键变化，是从流程设计转向上下文设计，产品经理要组织模型可见的信息、工具和反馈。
One Way Door 是判断长期正确产品的重要信号：用户一旦迁移，就不愿回到旧解法。
AI 产品组织从线性工作变成两段式：先验证模型能力和 context，再封装流程和体验。
张月光把这代 AI 理解为创造 AI 人口，而不是只创造 AI 服务。
Will / Skill 分工说明，人负责目标、判断和品味，AI 负责执行和能力扩展。
星眠探索 AI 内容和陪伴，Dokie 探索创作表达 Agent 和能力边界突破。
Agent 产品可以先走短程高频反馈路线，而不是只追逐超长程离线任务。
LM 仍是当前 Agent 的核心内核，但这与物理世界智能是否需要超越语言是两个不同问题。

开放问题

最后保留开放问题，是因为本期给出的更多是产品方法论和创业判断，而不是已经被市场完全验证的结论。下面这些问题，决定 Dokie 和同类 Agent 产品能否从工具走向入口。

AI Native 产品是否会形成稳定的方法论，还是每一类产品都要重新发明 context design？
Agent 的最佳切入点是创作表达、资料处理、代码、办公自动化，还是人格化 AI 朋友？
AI 乙女游戏能否成为大品类，还是只会是 AI 内容的一条窄路径？
LM 作为 Agent 内核能持续多久，多模态模型会不会改变这个判断？
用户会为“AI 朋友”付费，还是只会为“能稳定干活的工具”付费？

拓展阅读

EP139 Agent 技术史：理解 Agent 从工具调用到社会辐射的脉络。
EP135 Tristan / Elys：理解赛博分身、context 流动和 AI 社交网络。
EP113 杨植麟访谈：Agentic LLM、缸中之脑和无限开端。
Cursor、Claude Code 等 coding agent 案例：理解 One Way Door 产品。
AI 游戏、互动叙事、Live2D 和虚拟陪伴相关材料：理解星眠的内容路线。

最后的判断

本期最值得带走的不是“妙鸭不是 AI Native”这句反直觉判断，而是它背后的方法论：当输入和输出都开放时，产品不再只是流程；它变成了上下文、模型、工具、反馈、品味和用户心智共同构成的系统。