夜雨聆风转载说明：
本文转载自超脑创始人王佳梁的个人公众号“佳梁AI研习社”，原标题《4 天没写一行代码，我把一个产品想清楚了》。
我们转载的原因是——文中的方法论，几乎和我们教孩子做项目的做法是一样的。如果你想理解"为什么超脑不教知识点、让孩子直接做项目"，这篇意外成为一份很完整的说明。以下为原文（第一人称即王佳梁）。
这几天我在陪超脑「步步有伴」的团队做产品推演——它是一款连接盲人跑者和陪跑志愿者的微信小程序，也是超脑 AI for Good 公益孵化营里的一个种子项目。
先介绍下这个背景
AI for Good 孵化营是超脑冬令营的延续。
很多 PBL 教育项目的常见问题是：孩子们做完路演、讲完 demo 就不了了之——作品留在 PPT 里，没真正交付给任何用户。我们不想让这件事再发生。
所以这次我们做了一个新的尝试：从冬令营里挑出高意愿、愿意投入足够时间的学生，配上导师和志愿者，每一组带一个真实的公益项目，花几周时间把它落到真实用户手里、持续迭代。
这也是我们在探索的一个更大的闭环——AI、教育、公益三件事打通：
教育产生的能力，用到公益项目里 公益项目变成教育真实的练兵场 冬令营的利润反哺给这些 AI 赋能公益的项目，让它们能活下去
这是我们想探索的 AI for Good 的全新模式：不是做一个"慈善活动"，是做一个可持续的系统。
「步步有伴」是其中一组，也是整个 AI for Good 孵化营的起点——它源于我和公益前辈宋海峰老师的一次连线（详见AI如何助力公益？我们想探索一种可持续的模式）。
项目组已经做了什么
在我介入之前，团队已经做了非常扎实的前期工作：
访谈了 4 位盲人跑者、2 位志愿者 开了 10 来次项目例会和导师对齐会（每场 1-2 小时的完整记录） 完成了 2 小时的深度需求讨论会 开发出第一版原型，交付给一批真实用户体验 计划在 2050 大会（4 月 24-26 日在杭州举办的青年科技聚会）上发布正式的 MVP
这是一个做得很认真的项目。 团队找到我，希望我给他们一些产品层面的反馈。
在用 AI 帮他们梳理和迭代的过程中，我越来越觉得：整个过程本身就是一个非常典型的 AI 时代人机协作样本。 于是除了给团队交付产出，我也想把这次共同走过的方法沉淀下来——让更多做公益、做AI、做教育的人用得上。
这篇文章就是那次沉淀的一部分。
一件反常识的事
我在这个项目上花了 4 天。
4 天里，我写了 0 行代码。
写了 6 万字。
这 6 万字里没有一句是 PRD 功能描述，没有一行是技术方案。是 4 份全球调研报告、3 份团队行动文档、3 份传承方法论——方向判断、风险清单、运营手册、访谈提纲。
和我合作过的工程师朋友听到这个节奏，第一反应是："你不是很懂 AI 编程吗？4 天产出点东西岂不是分分钟？"
但我越做越相信一件事：AI 时代做产品，真正值得投入时间的地方，不是写代码。
我给它起了个名字，叫 Vibe Coding 70/30 法则——
70% 的时间精力挖需求、找对的问题；30% 的时间写代码。
这不是一个关于"AI 让写代码变快"的故事。这是一个关于"AI 让做对事变得更重要"的故事。
我这 4 天具体做了什么
这 4 天分成三个阶段，每个阶段的产出都是下一阶段的前置条件：
Phase 1｜让 AI 能读进信息 （2 天） ↓Phase 2｜让 AI 把信息想透 （1 天） ↓Phase 3｜让团队能拿走结论 （1 天）Phase 1：上下文是一切
我的第一步不是约他们开会。
是让他们把所有的文档、会议记录、调研报告、项目代码，全部发给我。
项目资料散在三个地方：飞书 wiki 上的几十篇文档（PRD、需求讨论、会议纪要）、两位导师各自的代码仓库、一个上一版本的归档压缩包。
我要的不是摘要，是全部原始资料。因为：
AI 协作最重要的就是上下文。
有了完整上下文，AI 才能真正帮我分析和复盘。没有上下文的 AI 协作，就是在瞎聊。
我用工具批量把飞书文档抓到本地，把代码仓 clone 下来，把归档解压——所有东西变成一个文件夹里的可搜索 markdown 文件。
还有一个小挑战——团队积累了 10 来场 1-2 小时的会议录音转写。直接读逐字稿谁都读不完。所以我做了一次小实验：设计 5 种不同的 prompt 策略，让 AI 并行处理 7 场会议，再用另一个 AI 当评委打分，选出最稳定的那个方案，批量生成所有会议的结构化摘要。
这 2 天看起来都在做"不性感"的工作——拉资料、写索引、做 benchmark。但没有这 2 天，后面所有对话都会卡在"我需要先看一下 X 文档"的循环里。
环境决定了上限，技巧决定能不能摸到。 这是我这次最想传达的观察之一。
Phase 2：挖掘的一天
资料就位后，真正的挖掘开始。
整整一天，我和 AI 做了约 15 轮对话，总共输入了 2000 字。
中午我发现了一个张力——PRD 写的产品方向，和团队实际在做的方向不一致。于是追问 AI："到底哪个对？"
下午我让 AI 跳出项目内部视角，做一次第一性原理推演 + 全球先例调研。我没有指定案例，让它自己去找——它翻出了 Achilles International、parkrun、国内的何亚君跑团等一批先例。然后我追问了一个关键问题——"他们都踩过什么坑？"
成功故事有幸存者偏差，失败案例才有信息密度。
这一问挖出了好几个关键教训：有的项目因为培训产能跟不上死在半路，有的因为匹配信任破裂出过事故，有的因为时间银行兑换机制系统性失败。
傍晚我让两个不同的 AI（Claude 和 Codex）并行做同一个调研题——每个 AI 都有自己的盲点，两个 AI 的并集大于 1 + 1。
夜里我又升维了一层——问 AI："这个'匹配'问题是不是很多公益组织都会遇到？有没有类似场景可以借鉴？" 这一问让 AI 打开了横向视角——它找到了陪诊、老年陪伴、留守儿童一对一通信等一批场景。其中"蓝信封"给留守儿童写信的项目里有一个关键数字让我印象很深：他们 13 个人撑起 15 个省的运营，其中 2-3 个人专门做心理支持——质量监控成本比匹配成本更高。这个数字直接改写了后面的运营手册设计。
Phase 3：让团队拿走结论
挖完之后，如果成果只停留在对话框里，就等于什么都没发生。
所以我做了三份面向不同读者的文档：
- 10 分钟的执行摘要
——给忙碌的每个人 - 60 分钟的详细调研报告
——给需要证据的决策者 - 30 分钟的方法论文档
——给想学习"怎么挖"的人
发布到飞书，发给项目团队，并提交到 GitHub 仓库。至此整个第一轮反馈完成。
为什么这样做有效——4 个观察
观察 1：AI 时代的 MVP 需要重新定义
MVP 这个概念大家都熟——Minimum Viable Product，最小可行产品。源自 Lean Startup，它隐含的前提是：开发成本是瓶颈，所以要砍到不能再砍。
但 AI 辅助开发改变了这个前提。过去一个功能要 1 个工程师 3 天，现在 AI 辅助下可能半天。当开发不再是主要瓶颈，真正的瓶颈变成了——我们有多少关键假设需要验证？
所以我给 AI 时代的 MVP 起了一个新定义：
MVP = 能覆盖所有关键业务假设验证的最小完整产品。
这直接改变了产品决策的判断标准：从"能不能砍"变成"假设覆盖够不够"。
举个具体例子：「步步有伴」的 PRD 修改清单里列了保险、知情同意书、事故留痕——传统思路会问"能不能先不做"。但用新标准看，这些都对应一个关键假设："产品能否活过第一次事故"。
一个关键假设没被覆盖的 MVP，不叫 MVP，叫准备裸奔。
观察 2：让 MVP 决定胜负，比让会议决定胜负更可靠
这个项目团队还做了一件事，他们自己可能都没意识到有多重要——两位导师独立在做两套方案。
看起来是"重复劳动"。但我越看越觉得，这是 AI 时代最值得推广的协作模式。
| 直接赛马 | ||
过去"达成共识"是开始做事的前置条件；AI 时代，"有不同方案就同时做"比"达成共识"更快。
不强求共识，是一种效率。
观察 3：人做直觉判断，AI 做证据补全
这个项目里有一个让我印象最深的判断。
团队做过扎实的用户调研——多位盲人跑者的深度访谈。访谈结果偏向"盲人自己发需求、志愿者接单"这条路线，团队也基于这个方向做了第一版原型。
但 2 周例会上，李老师反转了方向——他说用户嘴上说的和心里真实想的不一样：盲人不太会主动打开 APP 发需求，心理门槛太高、输入成本太高。更可能的模式是"看到有活动才去"。所以他要改成"志愿者发活动、盲人报名"。
这个判断在当时没有任何外部证据。没有全球调研、没有案例数据——他靠的是对用户真实心理的理解，以及对宋老师"奥森陪跑"模式的长期观察。
一个月后我做的全球调研给了答案：9 个国际先例里 8 个是供给方先起步的。Be My Eyes 冷启动时堆了 1030 万志愿者才对盲人开放。
李老师的直觉是对的。
这件事让我想清楚一件事——AI 协作里人不可替代的那部分，就是这种直觉。AI 可以帮你挖调研、写方案、验证假设，但"听懂用户真正的痛点"是人的职责。
所以这套方法论的第 0 条原则是：
人做直觉判断，AI 做证据补全。
顺便说一句，这个关键判断当时没有留下正式的书面记录。我们这次挖掘通过会议纪要考古才还原出完整的决策链。这也是我们在这次复盘里一起总结出来的一条教训——产品方向级的决策，最好在 72 小时内写下来。没写下来就等于没发生。
观察 4：AI 的"环境"决定天花板，提问技巧决定能不能摸到
很多人学 AI 协作，喜欢学"怎么写好的 prompt"。但我这 4 天的经验告诉我——再好的提问技巧，如果 AI 面前没有合适的信息可读，都没用。
想做好 AI 协作，有三件事要先做：
- 信息可读
：所有资料汇总到一个 AI 能一次读完的地方 - 信息结构化
：长文档压缩成带重点的格式 - 记忆持久化
：让 AI 跨对话不忘事
顺便说一下——关于"怎么给 AI 造环境"这件事，我之前在一篇叫 《AI 很强，但组织效率为什么没有提升？》 的文章里专门展开过，里面称之为 Environment Engineering——提前为 AI 搭一个包含知识库、工作流、工具能力的生态，让它能自主"觅食"而不只是被动执行。感兴趣的朋友可以翻回去看那篇，这里就不展开了。
看到别人用 AI 做出漂亮产出时，不要只学 TA 最后的提问技巧——先看 TA 给 AI 造了什么"环境"。
用 AI 协作的 7 条"安全带"
如果说前面 4 个观察是"为什么这样做"，那下面这张表是我给自己总结的提问技巧清单——每一条都对应 AI 的一个系统性缺陷。
AI 不是万能的，它有非常固定的毛病。你如果不在提问时主动对冲，它会默认把你带进坑里。
这 7 条我这 4 天里全都用过。每一条背后都对应 AI 的一个真实的毛病——你不主动对冲，对话就会变成"AI 说得都对但没啥用"。
提问的节奏也有规律：收敛 → 发散 → 收敛 → 发散 → 收敛。
发散，允许 AI 往远处想（"全球有什么先例？"） 收敛，拉回到现实问题（"最大的风险是什么？"） 两者交替，像呼吸一样
永远发散是务虚，永远收敛是短视。
为什么我要和超脑的读者讲这个
写到这里你可能会问——这和超脑的孩子有什么关系？
答案是：我们每天教超脑的孩子做的事，就是这套方法论的小规模版本。
超脑有个不传统的做法——不教知识点，让孩子直接做项目。家长第一次听到常常疑惑：知识不教，孩子做得出什么？
我们观察了几年得出一个结论——AI 时代，知识不稀缺，"想要"才稀缺。
孩子面对一个自己真正想解决的问题时：
他会自己找资料（AI 是最便宜的搜索引擎） 他会自己试错（AI 是最耐心的实验伙伴） 他会自己迭代（AI 是最不知疲倦的助手）
这整套行为模式，和我这 4 天做「步步有伴」的方法，骨架是一样的：
先搞清楚"对的问题"——70% 时间给挖需求 让工具（AI）跑得快——30% 时间做出东西 不等共识，直接做——"赛马"替代开会 相信自己的直觉，让证据补充——判断力是自己的
9 岁的安安做她的长尾喵 IP、初中生做梦核校园游戏——他们都在跑这一套。
只不过他们跑的项目更小、更具体、更有感情。但方法论的内核是同一个。
这也是为什么 AI for Good 孵化营让我兴奋——学生用冬令营学到的 AI 能力去做公益项目，反过来又在真实交付中把能力长成了。而我们再把冬令营的收入反哺给这些项目——让整件事长期跑得下去。
AI、教育、公益，同一个闭环。
一句话结尾
这7天没有魔法。只是把"让 AI 能读进信息""让 AI 把信息想透""让团队能拿走结论"三件事，分别用造环境、并行协作、分层交付做扎实。
AI 不是替代思考的机器。AI 是放大思考的工具——但只有在你已经知道"怎么问对问题"的时候才成立。
这件事对大人成立，对孩子更成立。
超脑资讯——超燃2026夏季AI真实创造营
过去三年，超脑AI孵化器(SuperMind)以非营利模式运作，进行各种创新教育实验，专注探索AI时代的教育新范式。它陪伴了数百位中小学生，从"第一次接触AI"到"做出可以被真实用户使用的作品"。许许多多的故事在超脑的实验中诞生。
今年夏天，为了更可持续运营，超脑推出商业品牌超燃(SuperSpark)。超脑继续负责探索和实验，超燃负责把验证过的教育方法变成产品，带给更多孩子。
上海、大理多城开营。7天，组队、选题、调研、设计、用AI开发，做出一个自己的作品。
👉如果你也在思考：在AI时代，孩子应该如何真正参与这个世界，真正做出一个属于自己的AI项目，欢迎扫码添加「超脑微信小助手」，我们会优先为你保留「2026年夏令营」沟通名额。
👉 相关历史文章：
2026超燃AI x 致极学院 ｜AI for Good 未来创变者夏令营·上海
2026超燃AI × 猫猫果儿｜真实创造夏令营·大理篇：当AI遇见苍山洱海
2026超燃AI | 真实创造AI for Design文创营·上海
超燃AI｜2026夏季AI for Film 电影创作营·上海
超脑AI孵化器，一场探索 AI 时代教育新范式的创新教育实验
