这个五一节我做了个总结，在 2 年多的创业里，我一共做了 25 个 AI 项目¶
Ch01.013 这个五一节我做了个总结，在 2 年多的创业里，我一共做了 25 个 AI 项目¶
📊 Level ⭐ | 11.7KB |
entities/2-year-25-ai-projects-summary.md-> 原文存档
摘要¶
这个五一节我做了个总结，在 2 年多的创业里，我一共做了 25 个 AI 项目，涵盖了复杂的行业级应用、简单 AI 客服、Agent 等品类； 然后又做了 20 多场企业 AI 咨询，在先后两个创业项目都不太成功的情况下（2B 的 CEO 数字分身收不到尾款、2C 的空气小猪正在运营），终于下定决心踏踏实实做账号、卖课、做企业咨询，原因无他，ROI 高罢了... 于是乎，今年开始我有个重要角色就是扮演客服，所以有机会接触了各式各样的人，也算是开了眼界，但你要问我最讨厌的课程咨询类型的话，我会说会一点 AI 的程序员... 为什么呢？可能有些同学就要说半灌水响叮当了，但这个答案太肤浅。 如果让我说下原因的话，应该是【AI 的非对称性】。 什么意思呢？意思是现在我们很容易就能用 AI 拿到 70 分的结果，但真正难的却是如今将 70 提升到 90 分，这其实是很难，要付出的代价是很大的。 比如，随便一个程序员都能调用下 GPT 的API、也能用 Coze、Dify 实现一点工作流，解决点工作中的小事、又或者已经可以自己研究 Agent 了，会用 Skills 去解决一些工程问题......... → 原文存档
深度分析¶
-
AI 非对称性是核心矛盾：作者将 AI 能力获取描述为一条非线性曲线——从 0 分到 70 分门槛极低，随便一个程序员调用 GPT API、用 Coze/Dify 搭工作流就能实现；但从 70 分推向 90 分的工程化水平，需要系统性知识框架、数据治理、Agent 架构设计等深层能力，代价呈指数级增长。这一非对称性解释了为何"会一点 AI 的程序员"反而最难服务：他们能拿到 70 分的结果，却不知道如何解释为什么效果不够好，更不知道怎么进一步提升。
-
半吊子现象的本质是框架缺失：作者指出的"最讨厌的课程咨询类型是会一点 AI 的程序员"，并非对程序员的身份歧视，而是对缺乏系统性知识框架却以为自己理解了的认知偏差的精准描述。这些人能调用工具、完成小任务，但遇到 Agent 中 Tools 调用不稳定、Agent 间通信、会话压缩机制、蒸馏同事等工程深水区问题时便一筹莫展。根本原因在于他们收集的是碎片化知识点，而非可推导、可扩展的系统性框架。
-
热点追逐陷阱制造焦虑循环：作者观察到，没有框架的人容易陷入"追热点—学新工具—焦虑—再追热点"的恶性循环。今天 Manus 火追 Manus，明天 OpenClaw 出又换门，最终脑子里的知识碎片化、时间花了却不成体系。这种循环的根源不是勤奋程度，而是缺少一个能够判断什么值得学、什么该放弃的认知框架。ROI 高的学习路径需要系统性，而非追随每个新热点的敏捷响应。
-
ToB/ToC 双线失败的 ROI 警示：作者坦承 CEO 数字分身（ToB）收不到尾款、空气小猪（ToC）仍在运营中，最终选择"踏踏实实做账号、卖课、做企业咨询"作为主要收入来源，理由简单直接——ROI 高。这一路径转变揭示了 AI 创业的一个现实：复杂行业级应用和消费级产品的不确定性远高于知识变现类业务，在没有验证商业闭环前，追求高 ROI 的最小化路径可能是更理性的选择。
-
Agent 工程深水区触及 AI 本质问题：作者列举了 Tools 调用不稳定、Agent 间通信、对话压缩机制、蒸馏同事等工程难题，并指出"这个时候才会涉及到 AI 的本质问题——数据"。这些并非调参层面的问题，而是涉及知识表示、记忆管理、多 Agent 协作协议的深层架构问题。对这些问题的理解和解决能力，是区分 70 分选手和 90 分选手的关键分水岭。
-
25 个项目的分类映射到 AI 成熟度光谱：作者将 25 个项目分为三类——复杂的行业级应用、简单 AI 客服、Agent。这一分类恰好对应了 AI 落地的三个成熟度层次：行业级应用需要领域知识 + 工程能力 + 数据治理，通常是 90 分玩家的主战场；AI 客服看起来简单，但实际涉及意图识别、对话管理、集成企业知识库等，对 70 分选手而言反而是"看起来容易做起来难"的典型场景；Agent 则是当前最热门但也是最容易被低估难度的方向，真正的 Agent 需要多工具调用、长期记忆、任务分解与自我反思能力。
-
客服角色是低成本认知杠杆：作者提到今年开始"扮演客服"接触了大量真实用户，发现"会一点 AI 的程序员"是最难服务的群体。这个洞察的价值在于，它是用极低的成本（兼职客服）换来的真实市场认知。很多创业者花大量时间做用户研究、焦点小组，却忽略了直接与潜在用户对话这个最简单的路径。更重要的是，客服场景下的用户问题往往直接反映了认知缺口，是产品迭代和内容方向最真实的信号。
-
"数据"是 AI 纵深能力的底层约束：作者指出，当进入 Tools 调用、Agent 通信、蒸馏同事等深水区时，"才会涉及到 AI 的本质问题——数据"。这里的"数据"至少包含三个层面：训练数据的质量和覆盖度（决定模型能力上限）、企业私有数据的治理和结构化程度（决定 AI 能否真正落地）、以及动态数据的持续反馈机制（决定 AI 能否迭代优化）。很多 AI 项目失败，表面上是模型效果不好，根因往往是数据层面的准备不足。
实践启示¶
-
先建框架，再选工具：在投入学习任何具体 AI 工具（Coze、Dify、Agent Skills）之前，先用 2-3 周时间构建个人知识框架，明确 AI 能力的边界在哪里、分哪些层次（API 调用→工作流编排→Agent 架构→知识治理）。框架先行可以避免被每个新热点带跑，也能让后续学习效率提升 3-5 倍。
-
用"工程深水区"测试自己的真实水平：不要只停留在"能跑通 Demo"的层次，主动尝试解决 Tools 调用不稳定、Agent 间状态同步、对话历史压缩等实际工程问题。如果在尝试过程中发现无从下手，说明还处于 70 分以下阶段，需要先补足系统性知识而非继续追逐新工具。
-
以"能不能卖出去"验证学习方向：作者最终选择卖课和企业咨询而非继续做复杂行业应用，核心逻辑是 ROI 可量化。对于个人学习路径，可以设一个简单的验证标准：如果学完某个方向后，能不能用它做出一个别人愿意付费的产品或服务？不能的话，说明这个方向可能还停留在"技术可行"而非"商业可行"的阶段。
-
客服经验是极低成本的用户认知来源：作者通过扮演客服接触了大量真实用户需求，发现"会一点 AI 的程序员"是认知偏差最严重的人群。这一发现成本极低（只需兼职客服），但对产品定位和内容方向有重大指导意义。如果你在做 AI 相关产品或内容，建议至少花 1-2 个月做一线客服或销售，直接听取用户的问题和困惑。
-
追求纵深而非广度，放弃追热点的"机会成本"：热点（Manus、OpenClaw、Agent Store）的最大危害不是让人分心，而是让人误以为"了解热点 = 理解本质"。正确的策略是选择一个具体方向（如工作流自动化、Agent 记忆系统、企业知识库）深挖 6-12 个月，建立可复用的知识体系和作品集，而非每出现一个热点就 all in 三周然后清零重来。
-
为 70 分到 90 分的跃迁预留"数据债"预算：作者强调从 70 分到 90 分的代价极大，这个代价主要在于数据侧的准备工作。企业私有数据的清洗、结构化、标注和质量提升，通常占整个 AI 落地项目 60-80% 的工作量。在评估任何一个 AI 学习方向时，应该问自己：完成这个方向的学习后，我是否具备处理数据层面问题的能力？如果答案是否定的，那么这个方向的"90 分"门槛可能还没有真正跨越。
-
用"最小可行产品"验证后再投入重度资源：作者在 ToB 的 CEO 数字分身项目上"收不到尾款"，意味着在投入大量开发资源前没有充分验证客户的付费意愿。对于任何复杂行业级应用，建议先用 2-4 周做一个只包含核心功能的 MVP，给真实客户试用并收取定金，确认需求真实性后再进入正式开发。
-
识别自己的"能力圈边界"并保持诚实：作者最终选择做账号、卖课、咨询而非继续死磕复杂行业应用，这是对自身能力圈边界的清醒认知。AI 创业中一个常见的陷阱是：因为某个技术方向很热门、很有挑战性，就一直深耕，即使商业路径不清晰也不愿意转向。"ROI 高罢了"这个朴素的理由，恰恰是经历过两次失败后总结出的务实话指南。
创业路径反思¶
作者在 2 年多的创业历程中经历了明显的方向转变，这个转变过程本身就是重要的案例研究：
第一阶段：技术驱动期——25 个 AI 项目的积累展示了"先做起来"的探索精神，涵盖了从行业级应用到简单 AI 客服再到 Agent 的多个品类。这个阶段的收获是明确了 AI 落地的主要挑战在哪里——不是模型能力，而是工程化能力和数据治理。
第二阶段：咨询验证期——20 多场企业 AI 咨询让作者有机会深入了解不同企业的 AI 需求和能力现状。咨询角色本质上是一种低风险的市场验证方式：不用承担产品开发成本，却能获取真实的市场痛点和付费意愿。
第三阶段：内容商业期——选择"踏踏实实做账号、卖课、做企业咨询"，本质上是将前两阶段积累的 AI 认知和创业经验产品化、知识变现。这个转型的关键洞察是：在 AI 领域，认知差比技术差更容易转化为商业价值。一个连续创业者花两年时间积累的 AI 落地经验，是很多传统行业从业者愿意付费购买的知识。
核心教训：技术能力不等于商业能力，25 个项目的技术积累如果没有配套的商业验证，就会变成"自我感动式"的忙碌。真正的 ROI 优化，是把能力圈内的东西卖出去，而不是一直在能力圈外挣扎。