成为会造产品的BuilderPM

• 嘉宾 Mahesh Yadav，13 年大厂经历，干过 Microsoft、Amazon、Meta、Google 四家 PM（开场介绍："a PM everywhere"）；这是他第二次上 Aakash Gupta 的播客（上期讲过用 n8n 无代码搭后端、接 Lovable/v0 前端）。他不是"商学院→麦肯锡→PM"的传统路径，而是工程师一步步慢慢转 PM："我一直在造客户真正想要的东西，也就是从客户需求倒推（working backward from customers），而不是为了造而造——后者在 Microsoft 可是相当流行"。核心呼吁带着使命感："这是我们大显身手的时候（this is our time to shine），只是我们还得去学一点东西。" → 详细

• 最大误解是"开始用 Claude Code、配好 OpenClaw 就成 builder PM 了"，但 Mahesh 说这股热度本身没毛病——"这是人们第一次发现自己动动嘴说一句、事情就办成了（you just say things, and it just happens）"，只是这不是本质。一句话定义：builder PM = 能跟客户聊、搞清该造什么、把第一版造出来、做到 10 个客户，全程不用跟任何开发者说一句话的人。 佐证："连一直写代码的工程师都说自己不再写代码了，他们在跟客户聊，Claude Code 替他们写代码"——所以真正值钱的技能是"造什么、客户到底想要什么"，这本事 PM 本来就有。更宏大的定义：builder PM 是主动把今天这个 AI 红利**扩散到经济里（diffuse the benefits of AI into economy）**的人。 → 详细

• 主张反潮流：别人说"想当 builder PM 就直接从 OpenClaw 开始"，Mahesh 说先理解底层——理想情况搞懂模型怎么造出来、什么是神经网络、什么是 transformer，"至少要理解那套脚手架（scaffolding）"。他在 AI 领域干了 10 年，早年从 TensorFlow / PyTorch 入手，新时代从 n8n 入手去问"什么是 agent、什么是 memory、什么是 tools"。关键认知（原话）："模型只是那个智能层，它被训练来预测下一个词，现在还带点推理，但你需要这一整套 harness（有人叫 scaffolding）才能真正搭出一个能解决问题的东西——这套 harness 就叫 agent。" 通俗讲：模型只是个聪明但啥都不会做的应届生，得给它配上记事本、工具箱和员工守则才能上岗。 → 详细

• 用养孩子打比方：①先教世界知识（knowledge）→ ②教当下状态/信号（"this is hot, this is cold"，对应 memory）→ ③教用工具（教好就能让孩子去倒杯水，对应 tools）→ ④教护栏/法律（"过马路要左右看，这是你的责任"，对应 guardrails）。把"人"换成模型，agent 就成立。经验结论（原话）："到目前为止每一个 agent 里都至少有这四样里的一个，好的 agent 四样全有"——知识、记忆、工具、护栏。下面五个 n8n demo 就是依次把这四样一件件加上去、亲眼看"少了它会怎样、加了它好在哪"。 → 详细

• "不带保护网（without nets）"现场从零搭：拖一个 AI agent → 接 OpenAI 聊天模型，为省钱挑了便宜的 GPT-4.1 mini；此时 agent "像个什么都不懂的小婴儿"，能答训练数据里有的问题。测知识边界：问"Trump 关于结束伊朗冲突说了什么"，模型答 "我的知识截止到 2024 年 6 月"、答不上来。解法：加搜索工具 Tavily，把搜索 query 交给模型自己定（而非写死 hard code），再问同一问题，agent 调用搜索、抓信息成功作答 "Trump 表示伊朗冲突可随时结束，已没什么可打的目标了（practically nothing left to target）"。 → 详细

• 不加 memory 时追问"我说的是哪场冲突（what conflict am I talking about）"，agent 答不上、要你"提供更多上下文"——Mahesh 点评："只用工具和智能搭的是个笨 agent（stupid agent），啥都记不住。谁愿意跟一个什么都记不住的人聊天呢？" 加一个简单 memory：它拿一个 session ID、记住最近五轮对话；再追问"哪场冲突"，agent 从 memory 取出、这次不再调搜索，直接答"你指的是伊朗的冲突，大约 2026 年 2 月前后开始那场"。小结金句："agent 只是个脚手架，真正干活的是智能、memory 和 tools。" 紧接着切到能赚钱的场景："伊朗冲突不能帮我赚钱，但我要是把合同搞好了，能赚不少钱。" → 详细

• 痛点切到合同场景：问"关税和伊朗战争对我们合同付款条款（payment terms）的影响"，模型只能笼统答、讲的不是"我的"合同——因为还没配 RAG。建知识库流程：上传一份 MSA（master service agreement）→ data loader 把二进制转文本 → 简单切分（1,000 字符一段、相邻重叠 200 字符）→ 用 embedding 模型转成数字向量 → 存入 RAG（retrieval augmented generation）数据库。大白话：机器没法像人那样理解文字，得先把合同切碎、翻译成机器语言存起来，用时再按相关性捞出。接上 RAG 后再问"付款条款会因战争或关税改变吗"，agent 从你提供的文档提取、答"文档没有规定相关条款"——关键是这答案来自你自己的知识库，而非泛泛之谈。 → 详细

• 升级动机（原话）："单 agent 很好用，但要做真正的核查就需要多 agent（multi-agent）系统了……因为这个世界本来就是多 agent 的（the world is multi-agent）。" 端到端案例：给一份 NDA，"像问律师那样"发一封邮件——"能在签约之前帮我把这份合同里的风险找出来吗？" → 邮件打到 Gmail → 自动触发已发布的 workflow，"我什么都不用做" → 几秒内跑完回一份"合同分析报告（contract analysis report）"。真实输出（verbatim）：识别出 "本协议受特拉华州（Delaware）法律管辖、不考虑法律冲突原则；在 NDA 判定标准下特拉华州是中立司法管辖地（neutral jurisdiction）" 等条款——"它就这样把所有细节都给你"。 → 详细

• 为什么要 evals（原话）："这些 agent 不像人类会做大量自我评估（self-evaluations）。你干不好会被炒鱿鱼；它们不会丢工作，就算丢了对你也不是好事。"——人会因怕被罚而自我把关，AI 不会，所以把关得你来设计。做法：建 ground truth（标准答案），标注"这些是要关注的条款、正确取值、按 playbook 有没有风险"，playbook 也请真正的律师（real lawyer）写；流程"白天让人提交、跑结果存起来，晚上用 judge 按风险类别和修改建议评估"。律师类比："他们看你的合同、跟标准值对比、判断风险、给理由和修改建议，顺便说他们从不为风险辩护"。关键数字：某次评估显示 "风险识别正确 80%，但修改建议只有人类水平的 30%，所以你还有活儿要干"。 → 详细

• n8n 定位（原话）："它更像是一个能帮你拿下头 10 个客户的工具（gets you to your first 10 customers），尤其配上 webhook 很强"——不写一行代码就搭后端、接 Lovable/v0、"点一个按钮 n8n 里就有事发生，不用写一行代码就能 debug 一切"。撑不住的场景他一口气列全：想做迭代、想进生产环境、想让三个人一起给代码做贡献、想要一个测试集（test set）、想套个容器（container）再上生产——n8n 都不支持；最糟的是根本没法让人看到代码、进入代码模式。结论：到了"落成代码、分享给团队、以最优化延迟推给成百上千用户"这步，"它就是会把你卡在 10 个客户这个量级（it just stops you beyond 10 customers）。" → 详细

• 时间线（原话）："你应该在 n8n 上扎扎实实花个两周左右（good two weeks），再转到 Claude Code。" Claude Code 出现一年多，但"最近这六个月用它去搭东西、推进生产，可能性实在太多了"。同一套工具链兼容两端：完全没编程经验的人能用 skill、sub agent、hook、给团队派定时任务；会写代码一辈子的人也能在你的基础之上继续往上搭——"有一个人可以分配任务、一起干活"这个概念，跟"代码"这个概念在 Claude Code 里结合了。本质洞察（原话）："如果你能造出一个把代码写得很好的东西，那它任何任务都能干得很好（if you can build something that codes well, it can do any task well）。" 大白话：写好代码是极讲逻辑、规划和自我纠错的活，能做好这件难事的"大脑"干别的活自然游刃有余。 → 详细

• 背景：Mahesh 三年前在 Google 觉得"我们做 AI 不够快"而离职创业，做一家公司"去自动化后台事务（automate back office）"。他引用 Andrej Karpathy 的"2025 年 12 月有什么东西变了"，坦承"我也还没完全想明白（still not wrapped my head around it）"。突破：Anthropic 本来只在做写代码工具，想"为了写代码就做一件事"——把 agent loop 搭出来：构建 context → 采取 action（所有连接器和工具）→ 做 evaluation → 基于评估结果再回过头来，一遍又一遍地干。 大白话：给 AI 装了一个"想—做—自查—再想"的工作循环，让它能像人一样反复打磨直到把活干成。 → 详细

• 过去三年所有 AI 公司都拿"已有的模型"干三类活之一：**第一类（action/连接器）**以 Gamma 为代表——只说"把模型和工具连起来让你轻松做幻灯片，再给各种连接器"，就干这一件事，如今十亿美元估值（billion-dollar）；第二类（context/领域知识）以 Harvey、Legora 为代表——"给模型注入领域专属知识、做上下文工程喂给律师"，"两年就成了估值一百亿美元级（one to 10 billion）"；第三类（框架）以 Salesforce、Agentforce、Amazon Q 为代表——"帮你用所有这些快速搭起来"。结局：context/action/eval 三件事现全归 Claude Code，Anthropic 还发了面向法律、市场营销、销售的插件。判断（原话）："这就是 Anthropic 杀进了所有人的饭碗（entering into everybody's lunch）。" 而 Claude Code 那 两三亿美元（two to three billion，原文如此口播，疑口误） 收入，基本来自这些原本以为能替每个客户分别解决、现在解决不了的活儿。 → 详细

• 反直觉点（原话）："我以为最好的东西会发生在**浏览器（browser）**上，但真正突破的地方是 computer control（控制电脑）。"为什么能解锁？"我们以为这些是写代码的工具，所以放心给了它们两样东西的访问权——第一你的文件系统（file system），第二你的 bash 命令。"能力映射（他的等式）："如果你能控制电脑、浏览器，还能访问文件系统，你就能做所有 context 管理；再加 bash 就能执行所有 action；第三还有浏览器控制。所以你拥有了所有执行能力。"内置 eval：Claude Code 还自带评估——长度检查、规则检查、HTML 里 UI 元素检查、LLM as a judge——"所以你不需要第三方供应商了，你不需要 Harvey 了。" → 详细

• 新范式（原话）："任何你想做的事都可以变成一个 skill。而 skill 由会采取 action 的 sub-agent 驱动，sub-agent 可被 hooks 触发，现在你还可以调度任务（schedule jobs）。" 这层叫"新的 scaffolding 层"——"一个非常薄的、用英语写的层（a very thin layer in English）"，普通人用大白话就能搭。底层模型支撑（关键数字）：像 Opus 4.6 已能干长周期（long-horizon）任务——"被训练成可连续跑三到六小时不崩；而六个月前 benchmark 上它们能干的最长周期任务也就三分钟，过去六个月是指数级增长的"。苦活外包：以前 builder 自己操心的脏活（chunk size、agentic RAG、graph RAG、检索、eval 验证）现在全是 Claude Code 的责任——"context 太大它会帮你压缩（compact），你不需要为它写代码，你只需要付钱"。颠覆性价格金句："你付的钱大概 20 块或 200 块，而这些事 Harvey 以前要收你一万美元（$10,000）。所以每个律师、每家律所现在都有了，他们看着就说：也许我们不需要工具了。" → 详细

• 坦诚的反差：他早先试 Claude Code 做写代码以外的事并不满意——"嗯，是个好工具，但 Cursor 也能干一样的事；我还有 GitHub Copilot，因为我是微软的人所以免费拿到的，你懂的"。三个月前 Opus 4.6 出来后他重新上手，态度 180 度反转（原话）："现在它就是个超能力（superpower）。我都不知道它的极限在哪儿。我想让它干什么它就能干什么。" 他自嘲"有人说我是在吓唬大家来报我的课，没有我那些课我日子也过得挺好"，并把这次震撼跟两次"前端被解决"的时刻并列："就像我当初看到 ChatGPT 很兴奋；看到 Lovable 是我的第二个时刻——觉得前端是个已经被解决的问题了（front-end is a solved problem）。"
• 公开挑战金句（贯穿全片反复出现）："我有一个对任何人都成立的公开挑战：只要你能干某个活儿，你就告诉我那是什么活儿，这个 agent 一年 365 天、一天 24 小时都会比你干得更好。" 他总结这就是当下对所有人变了的事：如果你懂你的 skill，你就可以在 Claude Code 里把它造出来，然后把那份工作委派给 agent。 这句是全片总纲——它把"工具热"翻译成一条可执行的个人策略：先识别你的手艺，再把手艺产品化成 skill，最后委派给 agent 持续替你跑。 → 详细

• 背景：他自己创业、现在大概有 20 个人（20 people）跟他一起干，"一旦你管这么多人，你就会发现你大部分时间都花在了 review（评审）上"，于是把 review 这份活交给 agent。操作：在 Cowork（"跟 Claude Code 一样可以给它提供 context"）开一个新任务、选他的 review context 文件夹、把模型从 "Opus 4.6 太贵了" 切到 Sonnet（自嘲"我付了他们很多钱，他们大概想让我用 Opus 多烧 token，不用，Sonnet 已经足够好"）；上传一份真实的、上线产品的 two-pager，指令是"你能用我们的 checklist review 这个文件、像我会做的那样把批注加上去吗（put comments as I would have done）？"。
• 关键变化（原话）："以前你想干这种事，得自己去搭查询引擎（query engine）、搭'查询到知识'的映射（query to knowledge mapping）。但现在不用了——它自动就找到了我造的那个 PRD review skill，然后去读我的 review 指令、读我的 checklist，基于这个 checklist 去 review、像我会做的那样加批注。" 可复用性："我本来还可以把整个 agent 塞进 Slack，随便谁都能来找我 review，它五分钟内给一份，帮我在那些基础的、大家容易忘的事上省一堆时间。"
• 真实批注示例（verbatim，证明"不是含糊其辞 wishy-washy，而是真正高质量、我自己会写的批注"）："缺少了 Mode 这一节；补一节解释你的护城河（defensible advantage）是什么；一家四大咨询公司要造出这个需要哪些步骤？AI 的失败模式（failure modes）没被处理；归因（attribution）错了会怎样？怎么处理把 AI 的工作误判成人类工作、或反过来的情况？" 他还现场加两条人工批注推进它：一条要求改成 PR FAQ 格式（"用'问题—解决方案'的标题，而不是一问一答 question answering"）；另一条针对过于宽泛的描述——"这个太宽泛了，写具体一点，让它指向一个具体的人的故事——当那些 CXO 看不到他们 AI 投资的影响时会发生什么。" 工作哲学："有一天我会去把所有东西都批注一遍，有一天我什么都不批注。今天我想推一推 AI——如果 AI 替我们干活了，那我们就去把它再往前推一推。" → 详细

• 痛点（金句）："这个 agent 循环可以解决世界饥饿问题（solve the world hunger），但它解决不了我自己的饥饿（it can't solve my hunger）"——官方做出来的 skill "是相当静态的（pretty static），这基本上就是所有人都在试图解决的问题"。"我的饥饿"指每个人/每个组织独有的个性化偏好。
• 他造的"循环外（outside the loop）"机制：另起一个 sub-agent，每 2 小时或每 30 分钟自动跑一次，去看同一文件夹里新加的批注，对比"输入文档 vs 用户改后文档（input document vs user modified document）"两个文件，把学习收获写进一个 learner.md——他特别强调"这是 Claude Code 没有提供的，是我作为人类自己加上去的。" 他自述："这是 Mahesh，方框是 AI；它去检查 agent 循环干完的活、每天更新批注、再创建 learner.md 去更新 checklist，而 checklist 又是这个循环的输入——不是不经过我的反馈，而是带着我的反馈（with my feedback）。"
• 完整数据留痕：他是 PM、"很擅长把东西整理得井井有条"，所以每次任务完成自动建一个文件夹，记"谁干的、关于什么、什么时候干的"，并存全部产物——用的 checklist、输入文档、输出文档、用户改后文档——"想回头查、想 debug，所有数据都在"。
• human-in-loop 的关键纪律：learner 不会马上去更新 checklist；他还有另一个 skill 专门观察模式，"如果它连着 5 天都发现同一个模式，就会给我发一封邮件：嘿，你今天把同一条批注更新了五次、或过去一周更新了五次，你想让我更新 checklist 吗？这是更新后的 checklist——我快速 review 一下，新 checklist 就生效"。checklist 因此有 master 主版本 + 一个正在改的版本（version in works） 双版本并存。
• 价值与金句（原话）：每天用下来，"我的 reviewer 会比 Aakash 的、比其他任何人的、比 Claude Code 默认的都更好，因为它从我的最佳实践里学到了东西。我的组织有它不同的灵魂（my organization has a different soul），我们在乎不同的东西。" 机制的精妙在于交互自然——"我们不是让你点赞或点踩（not thumbs up and thumbs down），我们只是让你去干你交给它的那份活儿；如果你在那份活儿上有所补充，下一次我们就会干得更好。" 升华："如果你有一门手艺，又有个东西在那里向你学习你的手艺、然后再推着你往前走——我觉得这是人类一直以来的梦想（that's the dream humans always had）。" → 详细

• 起步逻辑：先做"你每天都在做的一件常规活"（对他是 PRD review，对你可能是写 PRD），把这第一件活干成后，"genie 就出瓶了（the genie is out of the box）"；而且他强调 cohort 的 labs 全部公开（the labs are public）。
• 公开的 labs 一条龙（按顺序）：① 创建 agent / sub-agent 做竞品分析（competitive analyzer）——"去网上做调研，看你面对的各种竞品有什么内部消息、外部消息（insider news, outsider news），给你生成一份报告"；② 做完用户/市场调研后在 Claude Code 里写 PRD；③ 创建 mock 和可视化（mocks and visualization）——"而这些以前你得等设计团队来做（waiting for your design teams）"；④ 从源头把 mock 克隆下来、再改造，搭出端到端能跑的真实原型——"拿这些界面改一改，搭出一个端到端能跑的原型，你可以发布出去，让客户去感受、触摸、给你反馈，不是在 mock 上，而是当作一个真实的产品（as a real product）"。
• 再到数据闭环：⑤ 分析数据看"谁在用、怎么用、哪里出问题"，并生成漂亮的 dashboard，展示 "分析了多少份合同、处理时长（processing time）、平均评分（average rating）、合规率（compliance rate）、bug 报告"。收尾点题："以前从写 PRD 到出 mock、从 mock 到能跑的真实原型、再到拉来客户看信号，整套流程几乎要花你两三个月，现在全被 Claude Code 压缩了。" 并承诺给所有 Aakash 观众做一小时免费课程，不管要付出什么——因为"这项技术非常昂贵，如果我们造不出东西、没法把红利扩散到经济里，我们就都会失败"。 → 详细

• 起源：2025 年 12 月，一个来自澳大利亚的开发者 Peter 做的；Mahesh 总结规律——"所有这些大突破都得来自开发者、来自小团队，而不是大公司"（ChatGPT 是 OpenAI 一个小团队、Lovable 是美国之外一个团队、Claude Code 是 Anthropic 还不大时一个非常小的团队）。基础：agent loop 装进 agent SDK 开放出来，而这个 SDK 从一开始就开放、能接任何模型（含开源模型）。Peter 做的第一层是把 loop 接到各种渠道（WhatsApp、Signal、Slack、Telegram，"已经上百个"），并造了个 gateway 做苦活。三大解锁：① 委派（delegation）——"开发者要做迭代，但这里没有迭代、是委派——你把活儿派出去，我干完直接通过你的渠道找你，你不用待在终端里跟我来回折腾"；② shell / sandbox——"与其给我每个文件夹的权限，不如把我装在一台机器上、一台 Mac Mini 上"；③ 接任何模型——"你再也不被那些 Claude 的限制捆住了（每天都在撞那个上限）"。他还说要全开源、让所有人免费用、任何人都能审计它；因为要装 Mac Mini，"这就是为什么 Mac Mini 现在缺货、要延迟三周发货"；他把这模板称作"新的操作系统（the new operating system）"。 → 详细

• 部署方式：除 Mac Mini（"我也有，但今天不好直接展示，上面太多事在跑"），还可用 UTM 在 Mac 上创建一个虚拟机（VM） 跑 OpenClaw。界面能看 session 概览、已连渠道（"我只接了 WhatsApp"）、使用量，可设 cron jobs、定义 agent 技能节点。实操（verbatim 派活）：他直接在 WhatsApp 里发——"帮我做个 deep research，主题是什么是 agentic loop、长周期任务（long horizon job）的能力、以及它们会怎样冲击软件市场，给我一份完整报告"。agent 回了一份报告（"agentic loop 介绍、行业格局、自主软件 agent 的兴起……"）。他强调两点震撼："这就是我在 WhatsApp 上给地球另一端的一个 agent（an agent on the other side of the world）发消息"，而且 "这还只是最原始的版本（just vanilla），我连放在别处的技能都还没加上去"。 → 详细

• 30 分钟 labs：可连 WhatsApp，也能连 Gmail 做个人助理（personal assistant）——"跟着这个指南，你可以让它管理你的日历"。"自主开发者（autonomous developer）"lab（完整流程）：扫描你的 GitHub → agent 先给你的 UI 或新功能做测试 → 报出 bug → 然后不是把这些 P2/P3 bug 派给开发者，而是它自己试着去修（try to fix the bugs as well）→ 再给工程团队发一个 PR 等最终审批，因为代码仍由工程师控制。他点出背后的张力（金句）："如果他们对你是个威胁，那你也就成了对他们的威胁（if they are becoming a threat to you, you are becoming a threat to them）。"
• 他自己的实践与范式转变：他正在 OpenClaw 里造一个 mini PM，但先造了 dev（开发者）——"因为 dev 对我来说才是稀缺的（that's what is scarcity for me），也许那些工程师正在造 mini PM 呢"。底层范式（原话）："你把活儿交出去，活儿由 agent 完成，你拿回输出——所以你可以衡量输入和输出（measure input and output），而不是去衡量工具、评估那些东西。" 这把"先造哪个 agent"从"造我最熟的"翻转成"造我最被卡脖子、且输入输出最好量的那件"。他还自夸预测一向准："我 2023 年就说 agent 会很厉害，又说 2025 年会走向多 agent 编排（multi-agent orchestration），而今年我一直在说这个模式会被一遍又一遍复制。" → 详细

• Aakash 直击要害："Google 是不会允许你随便把公司访问权给一个 OpenClaw 的，大公司的 PM 该怎么化解这些安全顾虑？" Mahesh 关键论断（原话）："百分之百同意。OpenClaw 不是一项技术、不是一个产品，对我来说它是一种模式（it's a pattern）——关于 agent 如何在 agentic loop 里发挥作用的模式。各家会把它复制过去、以沙箱化方式提供给你"（放在 Antigravity / Gmail workspace / GCP 里）。落地设想（GCP / Kubernetes 案例）：今天你说"我的 Kubernetes 集群挂了"对方没法直接 debug；但有了这模式，消息会发到一台跑着 OpenClaw 的沙箱 VM，agent 会**"先去模拟你那个集群、试着做同样部署、再 debug；先把整个问题复现出来——这就是人会做的事"，而"那台 VM 完全由 Google 掌控（fully controlled by Google）"，你看到的全部就是"我给你的问题提供了一个方案"。他认为"以受控方式把这些 agent 沙箱化是一个尚未解决的问题（unsolved problem）**，但 Google 会解决、OpenAI 也在解决"；先例是 Manus（口播作 MyKano）——"早就给你一个 VM 在上面跑代码，OpenClaw 只是因为开源才让这理念变得这么火"。 → 详细

• Aakash 要求把 ChatGPT、n8n/agent、Claude Code、OpenClaw 串成 builder PM 成长路径。阶段一（约 3-4 周，打基础）："头两三周先把基础搞明白——没有这一步你就用不好它，到 OpenClaw 阶段会手足无措（overwhelming）。"他给 cohort 学员"头六周就讲模型是什么、智能/知识是什么、这些工具实际怎么运作"。阶段二（约 3 周，自动化你的世界）：转 Claude Code / co-work，"你现在做的任何事都应该由 agent 来做"，并搭那些让 agent 持续学习、遵循你模式的系统——即 checklist + learner，外加"每晚更新一切、但把我留在回路里（keep me in loop）"的 human-in-loop 模式。阶段三（约 2 周，吃透 OpenClaw）："找到这一生中、你工作里的某一件事，是你可以直接交给一台机器、机器干完、再把结果送到别处给你的"。硬纪律（原话）："务必别把你（真实）世界的权限给它，而是给这个单独造一个世界（create a separate world for this）。" Aakash 据此总结：合计九到十周（nine to 10 weeks），节奏"头四周 → 三周 → 两周"。 → 详细

• 数据点：他每天被找，日历被一个个 15 分钟电话排满，每天给 cohort 成员做四个这种 15 分钟通话（"上过我们训练营的我不收费，因为我想帮忙、也想跟上现在到底在发生什么"）。
• 新考点一（针对 level 5 / level 6 AI 岗）："那种纯考产品直觉（normal product sense）的做法已经没了——他们会直接给你一个问题让你去解，要么是个 case study，要么就在面试现场解。" 背后想看（原话）："你到底懂不懂我们现在所处的位置、这个世界怎么运转，还是说你卡在过去——半年前、一年前的认知里？你是那个能把我们带向新世界的人，还是会拖着我们用老办法做老决策的人（drag us with the old world making old decisions）？"
• 新考点二：系统设计（system design）——"帮我设计一个系统，你觉得 AI 应该在哪里用 OpenClaw 来改进，或者在基于 Claude Code 的 agentic loop 里你会怎么重新设计这套系统？"他配了一个太太的趣事佐证"基础题又回来了"：太太是很厉害的软件工程师，读完 MBA 去面一个偏混合的 MBA 岗位，结果对方问"什么是链表，怎么反转一个链表（how to reverse a linked list）"，她气得直接把电话挂了——"我读了整个 MBA 就是为了摆脱链表，结果它们又冒出来了。"他解释为何系统设计成常态："如果你不懂这些系统怎么设计，你就找不到我们真正该构建的那些能力点（the right capabilities）；这些工具每天都在冒出来，每一次设计上的进步都在抬高'什么是可能的'这条线。"
• 不变的 + 硬门槛：出色的产品直觉、对产品的好品味、对细节的关注（great product sense, great taste, paying attention to detail）这些都不会消失；但硬门槛已立起（原话）——"如果我给你一个任务，你不掏出你的 Claude Code 或者像 Lovable 这样的工具，你就已经出局了（you're already out）。如果你只会问'我能用个画图工具吗，或者我能在 Figma 里做原型吗？'——这些东西就是彻底过去式了，我不感兴趣（done done, I'm not interested）。" → 详细

• AI（广义大伞）：是"从数据里找规律"——"机器学习帮你在数据里找规律（find patterns in data），AI 帮你利用这些规律去赚钱"。典型形态是只能干一件事的认知服务（cognitive services）："你给我发'这是正面还是负面情绪（positive negative emotion）？'我做的就更像单纯的 AI——只能专门做一件事，而且你得按这个格式发给我，否则就自求多福（else best of luck）。" agentic AI：是那个"真正能让你采取行动、把工作做完的东西"，他用三个自问串起来："①我能不能理解我现在所处的世界？②我能不能理解此刻这个世界里正在发生什么？——用这两点构建 context。③我能不能采取行动——跑 bash、调用工具、或调用 MCP server？④做完能不能跑自己的 evals、确认有没有达成目标？三件事都做到，我就是 agentic AI。" 总括（原话）："我们非常依赖模型、依赖这种智能，给它一套松散连接的工具、知识和记忆（loosely connected tools, knowledge and memory），然后就这么信任它去解决难题——这就是 agentic AI，也是当下大部分兴奋点和金钱所在（most of the excitement and money is today）。" → 详细

• 完整轨迹（verbatim 数字）：起步 12 万美元（120K） → 在 Microsoft 涨到 36-40 万（"那时我觉得已经修成正果了 achieved nirvana"）→ 跳 Meta 涨约 70% → 接着又涨 70%（"全是当时那波 AI 带来的"）；之后基本每年工资翻倍——每两年/18 个月、每跳一次槽就是翻倍。顶峰约 130-140 万美元（1.3, 1.4 million）——"以我这级别和经验，在 AI 领域这是很轻松能拿到的数"。而且不是你投简历，而是对方主动找上门（原话）："他们说'我们需要你，看起来你是唯一干过这事的人。你说现在拿多少，我们在你现有基础上再加 30%、40%。'然后你可以说我要加 100%，一般也不拒绝。" 同辈佐证："我所有朋友如果当时在 Meta，今天就在 Nvidia 干活，总薪酬大概 200 万、250 万美元（2 to 2.5 million）"——Aakash 直呼"这太疯狂了"。 → 详细

• 不是为钱乱跳：去 Meta 是因"在微软待得太无聊、想离开西雅图住湾区"。本不想离开 Meta，但 Meta 有个 USCIS 绿卡案子悬着——"我一跳槽就需要办绿卡、还得切成 PM，但他们办不了，而我已经在那个队里排了 10 年"。他给了 Meta八个月到一年去解决，但它压根没推进；恰好 AWS 的 Bedrock 正在搭建、砸钱挖他，于是去了 Amazon。Google 是"梦想公司（dream company）"——他太太的标准是"如果你是个 PM 却没在 Google 待过，那你就不算 PM"。工程背景转 PM 的处境："读过 MBA 就不用再证明什么；但工程背景出身就得向世界证明你是个正经产品经理，而不是个穿了西装的开发（not a developer just wore a suit）"。打动 Google 的不是波特五力，而是 "我对 AI 懂得有多深、我在 2024 年真正搭过框架和构建过 agent"——"我的面试全程都是非常 AI 导向的"。 → 详细

• 取舍：离开时 Google 约 130 万，"留下来再跳一次现在大概能到 250 万、260 万"，但"这从来都不是钱驱动的，否则我根本不会离开"。核心判断（金句）："这些公司会砸一大笔钱把你留住，然后把你浪费掉（throw a lot of money at you to keep you and then waste you）。" 论据是 "大公司在 AI 上没什么产出（large companies have not produced in AI）"——ChatGPT 出自小公司 OpenAI、Lovable 出自小公司、Claude Code 出自 Anthropic 还不大时一个非常小的团队、OpenClaw 出自一个个人。结论："这些大公司根本没有那种环境，去培育出一个能被想象、能投入生产、能真正交到客户手里（imagined, put in production and put in customer hands）的东西。"
• 制度之弊金句："Google 永远不会推出像 OpenClaw 这样的东西，这样的东西在里面会被扼杀掉（killed），你甚至可能因为尝试做它而被赶出公司。" 最具体的痛点："你可能不敢相信，为了一份两页的文档，你得拿到一页的审批（for a two-page document, you have to have a one page of approvals），而那要花六周（6 weeks）。六周时间，一个非 builder PM 都能变成 builder PM 了，然后他就能造出任何他想要的东西。" 他还把这跟今天的 OpenAI 并列："今天的 OpenAI 也变得太大了，你很难就这么冒出个新点子、扔到 Twitter 上、迭代六个月。"决绝收尾："给我选，我永远不会再回 Google，说实话也不会再回任何公司——它们就是会把你每一个智慧的神经元都扼杀掉（kill every intelligence neuron you have）。"
• 但也有温情与怀念（避免一边倒）："我爱 Google 的那些人，大多数 level 3、level 4 的思考者都在 Google 内部，我随时都愿意——哪怕只是为了跟那些人待上两小时——花钱去他们身边。" 他真正想保住的那"一根线（one thread）"是**"不丢掉学习、保持与时俱进"**——而结果是"我在 Maven 上开始教的那门课，一直帮我保持着比待在那里还要更与时俱进的状态"。 → 详细

• 反复强调的使命（原话）："这项技术非常昂贵、投入很大，如果我们造不出东西、如果我们没法把这项技术的红利扩散到整个经济里，我们就都会失败（we all are going to fail）。" 所以"至少我会尽我的一份力（do my part），Aakash 也在尽他的一份力——他提供这个平台，让我们能把学到的、看到的传播出去"。个人选择落点：他到了"想尽可能保持不受束缚（stay unbounded as much as I could）"的人生节点，离开大厂单干、在 Maven 教课、在 OpenClaw 里造 mini PM；最终衡量——"在这里我做成的事，比我留在 Google 能做的还要多（I would have done more here than what I would have done at Google）。" → 详细

本期没有独立的 lightning round 闪电问答环节。收尾以两组"辛辣个人问题（hot personal questions）"自然落幕，要点已并入主题 27-30，此处提炼最具记忆点的收尾金句：

• 薪酬真相：13 年从 12 万美元做到 130-140 万；同辈在 Nvidia 已 200-250 万。"不是你投简历，而是他们说'我们需要你'，在你现有基础上主动加 30-40%，你要 100% 一般也不拒绝。" → 详细

• 离开 Google 的收尾名句："为了一份两页的文档你得拿到一页的审批、花六周——而六周时间，一个非 builder PM 都能变成 builder PM 了。" → 详细

• 对大厂的爱与决绝："我爱 Google 的人，大多数 level 3/level 4 的思考者都在里面……但给我选，永远不会再回 Google、也不回任何公司——它们会扼杀你每一个智慧神经元。" → 详细

• 面试新硬门槛："如果我给你一个任务，你不掏出 Claude Code 或 Lovable，你就已经出局了；只会问'能用画图工具吗、能在 Figma 做原型吗'的人——彻底是过去式，我不感兴趣。" → 详细

• 全片总纲句："如果你懂你的 skill，你就可以在 Claude Code 里把它造出来，然后把那份工作委派给 agent 去做。" → 详细

• 嘉宾 Mahesh Yadav：在 Maven 开设 cohort《building open claws with Claude Code》——评分常年 48-49（"amongst the highest reviews on Maven"），底气是 Microsoft/Google/Amazon/Meta 13 年大厂真刀真枪造过东西。最大特色是报名送一台 Mac mini（"更妙的是让你公司掏钱"），含大量公开 labs（n8n 基础 / RAG / 多 agent / eval / 竞品分析 sub-agent / mock 与端到端原型 / dashboard / OpenClaw 个人助理与自主开发者等），并承诺给 Aakash 观众一小时免费课程、给 cohort 成员免费 15 分钟 AI PM 面试辅导。折扣码与报名链接见视频简介。 → 详细

• 主持人 Aakash Gupta：YouTube 频道 Aakash Gupta；年度订阅会员可免费解锁一整年 AI 工具套餐 bundle.akashg.com（Mobb、arise、relay app、dovetail、linear、magic patterns、deep sky、reforge、build、descript、speechify）。 → 详细

• 片中其他课程/产品：OpenAI 产品负责人 Mik Dad Jaffer 主理的 AIPM 认证课程（labs 负责人 Pavel Hearn 带你实地搭一个 AI 产品，用 Aakash 码有折扣）；赞助商 Amplitude（移动端 session replay）、Jira Product Discovery（Canva/Deliveroo/The Economist 在用）、Naia One（naiaone.com/akash，物理隔离 air-gapped、不绑云厂商的沙箱，"把发现/测试/验证 AI 工具从几个月缩到几周"）。嘉宾个人社媒/邮箱本期未给出。 → 详细

• builder PM：能跟客户聊、搞清该造什么、把第一版造出来、做到 10 个客户、全程不找开发者的 PM。

• harness / scaffolding（脚手架）：把"只会预测下一个词"的模型包装成能解决问题的 agent 的那一整套东西。

• agent 四件套：知识(knowledge) / 记忆(memory) / 工具(tools) / 护栏(guardrails)——"好 agent 四样全有"。

• agent loop：构建 context → 采取 action → 做 eval → 循环。Anthropic 把它做进 Claude Code，是 2025 年 12 月的拐点。

• RAG（retrieval augmented generation）：把文档切碎→embedding→存库，用时按相关性检索喂给模型，让答案来自你自己的知识库。

• ground truth：人工（含真律师）标注的标准答案，用来跑 eval 对比 agent 表现。

• computer control：给 agent 文件系统 + bash + 浏览器访问权，于是它能做 context 管理(文件) + 执行 action(bash) + 浏览器操作。

• learner.md + checklist：他自己加的自学习回路——比对"原始 vs 改后文档"把差异写进 learner，连续多天同一模式才提议改 checklist（master 版 + 在改版双版本），且要人点头（human-in-loop）。

• OpenClaw：开放的 agent loop + 接各种渠道 + 沙箱委派的"模式"（非产品），来自澳洲开发者 Peter，基于开放的 agent SDK。

• 三大解锁：委派(delegation，不用待终端) / shell+sandbox(装在一台机器上) / 接任何模型(摆脱 Claude 限额)。

• agentic AI：理解世界 + 理解当下 → 构建 context → 采取 action → 跑 eval，四步都做到才算。区别于"只能干一件事、还得按格式喂"的狭义 AI。