一人公司选 AI 业务，我的五条判断原则

这半年，我反复看到一种很拧巴的 AI 副业状态。

不是说他们做不下去。恰恰相反：Cursor 用着，Claude 订着，工作流搭了一个又一个，日历上全是"测试新工具"。但一问到"现在跑得怎么样"，就开始含糊。

全是坑。

但坑不在工具上。真正的问题是：一开始就选错了要解决的事。

说实话，这个弯很容易绕进去。过去半年能看到的东西太多，每个工具都在暗示你一件事：以前小团队才能干的活，现在一个人就能往前推。

但有一句更关键的话，没人说：不是所有事，都适合被一个人用 AI 扛下来。扛错了，反而更乱。

一个负责规划，一个负责执行，一个负责审稿，一个负责总结，看起来像开公司，实际跑两轮就开始互相污染上下文。最后不是事情变少了，是你多了一堆需要判断真假的中间产物。

所以一人公司真正该问的，不是"我能不能用 AI 少雇几个人"。更好的问题是：我的业务，能不能被拆成一套可验证的自动化工作流？

下面五条，是我现在判断一人公司 AI 项目的基本原则。不保证全对，但可以先拿去参考。

一 别押注模型缺陷

写这条的时候，我犹豫了一下。

因为说出来容易像废话：谁不知道模型会变强？但我想说的不是"乐观就对了"，而是一条更具体的使用原则：如果没有明确反证，就别把商业模式建立在"模型现在还不会"这件事上。

过去很多 AI 产品，都有一种微妙的侥幸：模型不会写长文，所以我做长文工具；模型不会读长上下文，所以我做文档工具；模型不会规划，所以我做流程模板。

这些方向不是不能做。问题是，如果你的价值只来自"模型暂时不会"，模型一升级，你的价值就被吃掉一块。

已经发生了。GPT-4.1 支持最高 100 万 token 上下文；Claude 把 extended thinking 和 Claude Code 推到台前，让模型在回答前做更长推理、通过工具完成更复杂的任务。昨天的"不会"，今天就可能变成基础能力。

这里真正重要的是一个方向：模型进步不是抽象地"更聪明"，它会直接落到一人公司最缺的几件事，比如读长材料、改代码、按复杂指令执行、少量人工干预完成任务。

所以做一人公司，第一件事是识别一种危险业务：模型越强，你越弱。

只卖一套公开提示词，只卖一个简单套壳界面，只卖一个"帮你总结 PDF"的薄工具，短期可能赚钱，但不是稳固资产。

更好的方向反过来：模型越强，你的系统越强。你有私有数据、行业场景、自己的验收规则、持续反馈、分发渠道。模型越会读材料，你的研究系统越强；模型越会写代码，你的自动化服务越强。

现在可以做一个快速检查：把手上的 AI 项目写成一句话，然后问自己，如果明年模型能力明显提升，这个项目是更值钱，还是直接被默认能力吞掉？

答案是后者的话，先别兴奋。

二 别迷信 AI 员工，先把流程做短

这个阶段很容易让人兴奋。

AI 产品经理、AI 工程师、AI 设计师、AI 运营，把一人公司包装成小公司，你是 CEO，下面是一群 AI 员工。这个比喻早期挺好用的。MetaGPT 这类多智能体框架，把产品经理、架构师、工程师、QA 等角色塞进软件开发任务里，确实证明了一件事：人类管理方法迁移到 AI 智能体上，是有红利的。

但这个红利吃不了太久。

AI 智能体不是人。没有真正的长期责任感，没有稳定的组织记忆，也没有现实里的上下文嗅觉。你把它们拆成十个角色，本质上可能还是同一个模型的十种说话方式。

更麻烦的是：多智能体特别容易把简单问题搞复杂。本来一个脚本能完成的事，被拆成需求分析、任务分派、执行、review、总结、复盘，每一步都要传话，每一步都可能丢信息，每一步都可能生成一堆看起来很认真、实际没解决问题的文字。

这是一人公司最该警惕的地方：别把人类公司的低效，也复制进 AI 系统。

真正值得学的是 SWE-agent 那个方向：不是"让 AI 扮演程序员"，而是 Agent-Computer Interface。说白了，就是给模型设计更适合它的操作接口：怎么查文件、怎么改代码、怎么跑测试、怎么拿反馈。

角色名没那么重要，接口设计才重要。

对一人公司来说，好的 AI 工作流不应该先问"我要几个 AI 员工"，应该先问几个更朴素的问题：

• • 输入从哪里来？
• • 工具权限给到哪里？
• • 中间状态怎么记录？
• • 结果怎么验证？
• • 失败怎么退回？

今天可以做一件小事：把你最常用的一个 AI 流程画出来，删掉所有只是"互相汇报"的环节，只保留会改变文件、调用工具、做出判断、触发验证的步骤。

流程越短，越能跑。

三 通用 skills 会被内化，别把提示词当护城河

说这条有点打脸。现在很多人都在花大量时间打磨 skill 文件。

这里的 skill，简单理解就是一套写给 AI 的工作说明书：做什么、按什么步骤、用什么工具、输出什么格式、怎么自查。这东西确实有用，我也认同。

但要看清一件事：通用、稳定、高频的 skills，不会永远是你的独门秘诀。

这事在提示词上已经发生过一轮了。早期用 AI，大家要写很长的提示词：请你一步步思考、请你扮演专家、请你先拆解问题……后来模型越来越成熟，你说个普通需求，它自己就会拆解、追问、整理格式了。

skills 也会走这条路。

通用写作流程、通用代码 review 清单、通用研究模板，只要足够高频、足够稳定、足够容易评估，迟早会变成模型默认能力，或者变成产品里的一个按钮。

对普通用户是好事。对一人公司来说，消息不太好：你不能把护城河建立在公开提示词、通用 skill 包、简单工作流模板上。

真正能留下来的，是更贴近你自己业务的东西：你的私有案例库、客户问题记录、行业判断标准、审核规则、工具链、分发渠道、持续反馈。

换句话说：外面的通用 skills 会被吃掉，里面的私有业务系统更可能留下。

这条原则有个反直觉的好处：你可以更轻松地借助模型升级。过去你要写很长的操作说明，现在模型默认就会一部分，省出来的精力可以集中在私有部分。

坏处也很硬：靠技巧套利的窗口期很短。今天觉得自己有一套很强的 AI 工作流，明天可能就变成某个产品的默认按钮。

今天可以做一个分类，把你的 skills 分成两堆。

一堆叫通用技巧，比如"帮我改标题""帮我总结文章""帮我检查错别字"，这些不要当长期资产。

另一堆叫私有流程，比如"根据我过去 50 篇文章的选题记录判断这个角度能不能写""根据我的客户反馈决定下一版产品优先改什么"，这些才值得沉淀。

别迷信 skill 文件本身。真正值钱的是它背后的业务记忆。

四 把 AI 智能体当生产运行系统，而不只是开发工具

这条说出来可能有点超前，但从现在的产品演进看，这个方向跑不掉。

很多人现在用 Cursor、Claude Code、Codex，是把它们当开发工具：帮我写代码、帮我改 bug、帮我读项目、帮我部署。没错，但这个理解偏窄。

更大的变化是：AI 智能体会进入产品运行期。

说大白话，用户最后消费的，不只是你提前写好的软件功能，而是系统实时生成的结果：报告、代码、设计、方案、研究结论、内容、决策建议，甚至下一步行动。这就是我说的生产运行系统：产品正在跑的时候，AI 智能体参与关键逻辑，生成结果、调用工具、记录状态、触发检查。不是只在开发阶段帮你写代码。

Base44 是个好例子。Wix 宣布以约 8000 万美元收购它，产品承诺是用户用自然语言创建完整应用，系统处理数据库、认证、部署等技术细节。

注意用户买的不是"代码编辑器"。用户买的是结果：我说出想法，系统把应用跑起来。

这对一人公司的启发挺大。很多人做 AI 产品，还停留在"我做个工具，让用户自己操作"。但更有价值的方向可能是：我做一套系统，直接替用户产出结果。

内容公司不只是卖编辑器，而是卖持续生成和筛选后的选题、脚本、配图、发布素材。研究服务不只是卖搜索框，而是卖经过来源核查、反例检查、结构整理后的研究记录。代码服务不只是卖代码生成，而是卖 issue 分析、patch 生成、测试、回滚建议这一整段过程。

好处是：一人公司可以交付过去小团队才能交付的结果。

代价也是真的：AI 一旦进入产品运行期，幻觉就不再是"回答错了"，而是业务事故。权限、安全、成本、延迟、日志、审计、回滚，都必须认真处理。

今天可以做的小事：看看你现在的产品或服务，找出其中一个"用户真正想要的结果"，然后问自己，我能不能让 AI 从辅助工具往前走一步，参与这个结果的生成？

只走一步就行，别一上来把核心业务全交出去。

五 优先做封闭、可验证、高搜索空间的问题

这是五条里最关键的一条，也是最容易被低估的一条。

什么叫封闭？问题边界清楚，输入和输出相对明确。

什么叫高搜索空间？可能有很多方案，其中绝大多数不对，但只要找到一个好的就值钱。

什么叫可验证？结果对不对、好不好，有没有相对便宜的方法检查。

软件工程为什么是 AI 智能体最早爆发的方向之一？因为它有测试。SWE-bench 这类评测，本质上就是给真实代码库和真实 issue，让模型生成 patch，再用测试去验证。

数学证明为什么适合？因为证明可以被检查。AlphaGeometry 不是让语言模型自由发挥，而是把搜索能力和符号验证结合起来。

AlphaEvolve 更典型。DeepMind 把 Gemini 的生成能力和自动评估器结合，用进化搜索改进算法，被用于数据中心、芯片设计和 AI 训练流程。

这类案例的共同点不是"AI 像人一样聪明"，而是：AI 每提出一个方案，都能被验证器打分。

这就是一人公司最该抓的地方。

如果一个业务没有验证器，AI 产出越多你越痛苦。它写一百篇稿子，你要看一百篇；它生成一百个方案，你要判断一百个；它跑出一百个销售话术，你要承担一百个误导风险。

产能变成了审核债务。挺扎心的。

反过来，如果验证便宜，AI 就真的变成杠杆。它试很多方案，你只需要设计好筛选机制。

所以一人公司更适合做这些事：

• • 代码修复、测试生成、自动化脚本
• • 数据清洗、报表生成、格式转换
• • 广告素材生成后用点击率或转化率筛选
• • SEO 页面生成后用收录、排名、转化监控
• • 垂直研究初筛，再由人做最终判断
• • 规则明确的文档检查、合同初筛、财务分类
• • 游戏关卡、仿真、算法、设计方案的批量搜索

不太适合一上来就硬吃这些：

• • 复杂社交产品
• • 金融风控核心决策
• • 医疗诊断和高风险健康建议
• • 强合规广告
• • 大型企业权限系统
• • 需要大量线下关系和长期信任的业务

不是 AI 完全帮不上忙，而是这些问题太开放，验证太贵，失败责任太重。它们需要人持续观察环境、定义问题、承担后果。

今天可以给你的项目打三分。

输入清楚吗？不清楚，扣一分。输出可验吗？不可验，扣一分。失败可控吗？不可控，扣一分。

三分项目，可以让 AI 大量试错。一分项目，先别急着堆智能体，先把问题定义清楚。

最后说一句

写到这里，也要反过来问一句：是不是说得太绝对了？

有些原则在特定情况下肯定会被推翻。比如第一条，说不定有人就靠"押注模型缺陷"活得很好，只要跑得足够快、迭代足够勤。我也不确定，真的不确定。

但从现在能看到的案例和工具演进来看，这五条是一人公司用 AI 做业务时，最容易踩的几个坑的反面。

一人公司的关键，不是一个人管理一群 AI 员工，而是一个人设计一套可验证的自动生产系统。

至于你的项目适不适合，建议先小范围试一下，别全梭哈。