产品高管的Claude工作流

• 全片的脊梁骨那句话，值得逐字记住：「AI for leaders is ultimately a test. How good are you at decomposing problems? AI is very good at solving a problem, but it will simplify the problem space if you don't properly decompose it.」（对领导者来说 AI 说到底是一场考验：你拆解问题的能力到底有多强；AI 非常擅长解决「一个」问题，但如果你没把问题空间拆解清楚，它就会把这个问题简化掉。）「decompose（分解）」是全片关键词——大白话：别把一团乱麻直接丢给 AI 让它一把解决，而要先自己动手把它拆成一根根线头。→ 详细
• 同一思想在片尾被说成一句可执行的动作：「forcing yourself to dwell on the problem for long enough to really decompose it and see all the pieces separately is where you're going to create the most value.」（逼自己在一个问题上停留足够久，真正把它拆开、把每一块都单独看清楚——价值最大的地方就在这里。）「dwell on（停留、细想）」是反直觉的关键：AI 时代大家以为价值在「更快」，他偏说价值在「逼自己慢下来想透」。→ 详细

• Aakash 翻遍网上「AI for PM」内容，发现几乎全写给 IC PM（一线、不带人的产品经理）的活：怎么写 PRD、怎么分析一个功能。他的追问方式：「把 PRD 拔高到 all-hands 演示呢？把对单个功能的分析拔高到你要讲给其他 C 级高管听的 metrics retrospective 呢？」这期的稀缺性在于请来「a real VP of product at a real hyper-growth AI company」，分享的不是排练好的假设对话，而是「the actual documents that he presented to his peers（他真拿去给同侪展示过的实际文档）」。嘉宾 Matthew Wing（转写偶作 Wensing）是 Customer.io VP of Product and Design，公司「刚破 1 亿美元 ARR、发了一个 AI agent、正在市场上一路碾压」。承诺教三件事：① 怎么「只用一个上午」做出 all-hands；② 怎么和同侪跑 metrics retrospective；③ 他每周完整的 AI stack。他当过多年全栈工程师但「always product minded」，现在的工作已不是当工程师，而是帮全团队理解「我们到底在做什么、为什么做」。他对 Claude 的评价很诚实：能帮忙，但「very finicky, tricky, and hard to manage at times」。→ 详细 → 详细

• 场景：上午 11 点要给全公司做 all-hands，那周排得满满，于是当天清晨 5 点起床从头做。他只负责其中「大概三分之一」，任务是展示公司 Q2 路线图——「产品负责人常干的活，就是向全公司讲清楚接下来做什么」。隐藏前提「know yourself」：他「I am a morning person」、5 点是「prime time」，但立刻补「Not for everyone」——这套高强度流程吃精力，得挑自己脑子最清醒的时段。他坐下时已有「Google slides 和模板」、心里清楚想做什么，但「I really needed Claude to help me」：方向他定，体力活交给 AI。→ 详细 → 详细
• Aakash 的血泪反例做对照：他自己最近做演示「一直用 Claude 改到最后一刻」，结果「正讲着的时候发现里面有错」——「the worst case scenario」。所以他追问的本质：怎么才能有底气把 Claude 当一个可信的「slide editing partner」。→ 详细

• 全片第一个梗兼真实警告：「whatever you do, don't click enhance this slide（千万别点 Google Slides 的『增强这页』按钮）」——「我们也不知道它到底会干出什么，反正我们这儿谁都不点」，这是他爱拿来吓唬同事的 running joke。言下之意：别指望神奇按钮一键搞定。回到最基本的「锚（anchor）」：动手前先问两个问题——「who am I communicating with and what do I want them to take away from this?」本例受众是整个公司，是 go-to-market、销售、市场加工程的混合体。核心 AI 观：把 AI 当成「极擅长把原材料拿来、转化成别的东西」的家伙，所以第一件事不是「开始搭演示」，而是「take an inventory of what we have on hand first（先盘点手头有什么原材料）」——这是后面所有步骤的总纲。→ 详细

• 常被忽略的现实：「我们公司有现成的材料（had prior materials）」，很多公司都有只是没人想到用。最值钱的一份是「demo day」演示——凌晨 5:10 a.m. 他在 Slack 看到一个 demo day 的 Zoom 录像链接，心想「That's excellent raw material」。但立刻点出形态问题：这本是「工程团队内部互相分享用的」，形态不对、受众没对准，「engineering for engineering sake」，所以不能直接用。他下载了「大概八个文件」，指令很具体：「Give me the video and give me the transcript with all the timestamps（把视频和带所有时间戳的文字记录给我）」。Aakash 顺势追问：Zoom transcript 有什么坑？能直接整份复制粘贴进去吗？→ 详细

• 能不能整份粘贴？能，他一开始就试了，但关键在配上「非常清晰的指令」——原话三层：「I gave it framing. I gave it context. I treated it like a junior employee（我给了它框架、上下文，把它当成一个初级员工来对待）」。这句是全片核心比喻：像带新人一样先交代背景和边界，而不是甩一句话指望它读心。诀窍是单一、明确、收窄的指令——只让它做「一件事」：「All I want you to do is extract the timestamps from this」。为什么只要时间戳？因为他真正要的是截图放进演示，而这些截图唯一能找到的地方就是这段录像，可他「don't have 50 minutes to go through the Zoom recording」。这就是「拆解」的微缩版：不让它「帮我做演示」，而让它做一个边界极窄、一定能做对的小变换。→ 详细

• 逐屏拆解。第三类既不是他也不是 Claude：「shapes and the art（形状、美术）」来自 marketing / brand design team，「作为模板交给我的」。属于「他」的核心是「叙事的骨架本身（the shape of the narrative）」——他是「a huge believer in storytelling」，看重「upping your craft in terms of storytelling」。本例叙事逻辑：先提四月中旬那次大发布，因为「讲故事时人们想知道：我们的主角上回停在哪儿？」所以开篇要承认这次 launch、交代紧接着在做什么，再「用它当一座桥接到后面」。他提前定好的结构：先几页讲 adoption metrics、现在到哪一步、有哪些 fast follows（大发布后紧跟着补的小改进），再进入战略部分。→ 详细

• 叙事骨架这部分「不会外包给 Claude」，成本判断很务实：「或许能外包、我也能把它做成一个 skill，但这种事一年大概也就做三次（maybe three times a year），目前还不值得为它投入做工具」。元规则：任务越低频，越不值得为它建专门工具/流程，手动做反而更划算。定好结构后他再回头针对每一块问「原材料分别是什么」（第二轮盘点）——「strategic look ahead」那部分需要用到所有截图，原材料就是那份 Zoom 录像的 transcript。→ 详细

• 这是全片「Claude 创造巨大价值」的高光环节。他在 Zoom transcript 之外又喂进第二份原材料——公司的「strategy doc」，让 Claude 知道「the three themes of our strategy（战略的三个主题）」。手头同时有所有「lightning round」演示（demo day 上每人几分钟轮流快讲「我接下来做什么」）+ strategy doc。指令的本质：「我有这份列出我们今年产品和工程三大主题的文档，能不能帮我把那段 Zoom 录像过一遍，立刻按今年定下的 investment theme（投入主题）类别，把所有那些演示重新组织归类。」——原来的录像按人/按项目排，他要 Claude 重排成「按战略主题」，这样工程内部内容才对得上公司层面的叙事。→ 详细
• 他给这操作起了三个都值得记的名字：「matrix multiplication（矩阵相乘）」「pivot（转轴）」「transformation（变换）」。解释很形象：「我这边有这个原材料、那边有那个，本质上想让你做一次变换……把这块内容转成那块内容的形态。」结果「瞬间就完成了（instantaneous）」。完成那一刻的体感他描述得很生动：「you almost feel that audible click ... now that Zoom call recording is strategically shaped（你几乎能听到一声『咔哒』——现在那段 Zoom 录像已被塑造成战略形态了），我可以开始把它顺进这些 slides 里去了。」——这声「咔哒」是判断「源已被加工成可用形态」的直觉信号。→ 详细

• 前面这些「30 到 45 分钟就能做完」；之后的「edit and polish」主要是 talk track（讲稿 / 口播脚本，即站着讲 PPT 时实际要说的话）。他强调 talk track「工作量一点都不小（just as much work）」——截图里能看到他「在底下划掉了一堆东西」，因为它对「nail the beats of the story（踩准故事的节奏点）」非常重要（「beats」是编剧术语，指故事里一个个该停顿、该转折的小节点）。→ 详细
• 顺序是有意选的、也是可复用的方法论：有些人先写 talk track 再做 slides，他反过来——先做 slides。理由：一是「我很清楚想让人们看到什么」，二是他坚信「show, not tell（展示，而非陈述）」，所以「想先把『展示』这部分做对」。具体做法是聪明的「反推」：把做好的 slides 截图喂回同一个 Claude 会话，说「给这个写一份 talk track」，但下反向约束——「别只是把幻灯片上的东西鹦鹉学舌一遍（don't want you just to regurgitate）」；提醒它「你已经把整段通话录像和整份战略文档吸收进去了，用上所有这些上下文」。结果「它给出的 talk track 就有意思多了」。结论金句：「the order in which you do things really matters（你做这些事的先后顺序真的很关键）」——先 show 后 tell、且 tell 时把 show 当上下文喂回去。→ 详细

• 这条规矩重要到他「把它写进了发给新员工的『how to work with me』文档里」：很多初级员工——他明确把 Claude 归为「very talented but very junior」——都「太急着讨好你了（very eager to please）」，正因这股急切劲儿，「它会冲得太远太快（go too far too fast）」。「eager to please」是理解他全套管理手法的钥匙：AI 像个想给老板留好印象的新人，会过度发挥。具体案例：当时他在做对某些指标的「root cause analysis（根因分析，为什么这个数掉了/涨了）」，提取了数据交给 Claude 边看边琢磨，结果「它做的第一件事」就是想「直接给我生成一整份定价策略文档，用 Word 写」。问题不在内容而在形态：「我们这儿不用 Word 文档，我要是分享一份 Word 的战略文档，大家会觉得我疯了」。他把 junior 的行为模式说全了：一听到 prompt 就想「我知道该干嘛了，我要讨好经理、一击命中、knock it out of the park」，然后「不问任何后续问题直接冲向终点线」，等他们回来「你不可避免地得大改，因为他们一开始 didn't ask enough clarifying questions（没问够澄清性问题）」。→ 详细

• 习惯做法叫「very iteratively rolling context into the session（非常迭代式地一点一点把上下文卷进会话）」。好处是「这样它就不会把各种东西耦合在一起（doesn't couple things）」，也压住它急着讨好的劲儿。大白话：别一次把所有背景倒给它，分批喂、喂一点看一点。一旦看到急着讨好的苗头——比如它问「Hey, do you want me to do this next?」——他会非常迅速地说：「stop, stop recommending the next step. I will tell you when I want you to do the next thing（停，别再推荐下一步了，等我想让你做时我会告诉你）」，目的是「把那种思路从会话里掐掉（kill that thinking out of the session）」。他给这种不停催问起了个传神的名字：「drip torture（滴水之刑）」——它一直戳你「要不要我把这东西写出来？」，「感觉几乎像你被烦到、被胁迫着不得不说『好吧』」。但提醒：你说「好」时其实「还不到时候、上下文还不够，可你自己还不知道」，所以「你真的得停止逼我往前冲去生成那个交付物」。→ 详细

• 反直觉的算账：与其对第一次请求点头再返工，不如来一场「50, 100, even 200 iterations」、最后憋出一个超棒交付物的会话。因为那第一版交付物不可避免地「full of slop」——slop 是 AI 圈俚语，指「敷衍的、低质的、看着像样实则没用的产出」。他对 slop 有一套独到定义，值得记：把它们看成「micro hallucinations（微幻觉）」——「倒不是说它完全错了……你需要一份文档，但它给你一份 Word 文档。你不是在『fabricating data（编造数据）』那个意义上幻觉，但你在『the way work gets done here（这儿活儿是怎么干的）』这件事上幻觉了。」也就是说，幻觉不只发生在事实层，也发生在「办事方式/分寸」层，而后者更隐蔽、更要命。他用一个绝妙的厨房比喻收尾：「we think of that as like the magic of AI ... oh, it can just do this thing so quickly. But as a leader, you don't want to microwave your output（我们往往把『它能这么快就把事干了』当成 AI 的魔力，但作为领导者，你不会想用微波炉去叮一下你的产出）」——「如果你干的全是这个，那是低价值的」。正确姿势是「slow cook（慢炖）」：「把它放慢到足以搭建起你想讲的那个故事」，才能做出「真正有说服力、有冲击力、能打动受众的东西」。→ 详细

• Aakash 追问：怎么才能正确放慢、怎么「避免自己变成一门 slop cannon（水货加农炮，一门只会突突突喷劣质产出的大炮）」。Matthew 拿出「最极端的版本」示范。两个背景细节：① 他「很多和 AI 的互动是用语音完成的，尤其散步的时候」，这种场景更常用「ChatGPT 手机 app」，因为喜欢它的语音模式；② 但这次「越来越多地被 Claude 圈粉」，用的是 Opus 4.7（他还顺嘴提「我知道 4.7、4.6 之间有些争议，但我就直接上了 4.7」），点了麦克风按钮用语音。→ 详细
• 核心手法是刻意用类比（analogy）。他先讲为什么领导者爱用类比：「analogies are super helpful to ... clear away the noise and to focus（类比超级有用，能帮你把噪音清理掉、聚焦）」——把核心主旨装进一个简单故事里，「晚点再迁移到真正在谈的那个领域，现在先老老实实在这个类比里推演」。本例他真正想搭的是一套客户「life cycle model（生命周期模型）」：客户怎么进入、有时 churn（流失）、有时 expand（扩张）。但关键操作是——「我当下还不想让 AI 知道这是在讲客户」。于是坚持用一个「biology metaphor（生物学隐喻）」开场：毛毛虫长大、破茧而出。起手式极抽象：「assume you have a 2x2 matrix and you have each of those representing a stage of life ... things begin at the bottom left and proceed to the top left or the bottom right and then they finish at the top right（假设一个 2x2 矩阵，每格代表生命的一个阶段，事物从左下开始，往左上或右下推进，最后在右上收尾）」。此刻「Claude 完全摸不清我要往哪儿去」——他强调这是「a virtue / a benefit（一个优点）」：只有当 Claude 猜不到终点，它才不会自作主张往前冲。→ 详细

• 容易被忽略的背景：Claude 此刻「已攒了关于我的一大堆上下文——知道我是产品 VP、在 Customer.io、甚至一些私人生活的事」，正因如此它「总想通过预判、读心来加价值」、动不动「jumps to that next step」，这是它最危险的本能。验证放慢奏效的瞬间：他问「在这个虚构系统里这些路径一共有多少种排列组合」，此刻 Claude 离题十万八千里，但没有一头扎进「要不要我生成一份客户生命周期演示」，而是回「before I give you a number, I want to check a couple things ... because the count swings a lot depending on what you mean（在给你数字之前我想先确认几件事，因为这个数量会随你指的是什么大幅变化）」——先问了一个clarifying question。他的判断标准：「a senior person asks clarifying questions of a leader before they go do a thing」，所以这一问是「它在更像资深的人那样思考」的信号。方法论提醒：你完全「可以把这一点 codify into a skill or a prompt（编码进一个 skill 或 prompt）」直接写「请在行动前先问澄清问题」，但他这次故意不明说，是在试验「就算不明说，能不能把它一步步引上这条路」。→ 详细

• 另一条手法是「逐层加 complexity」。开头「非常 MBA 范儿，就是个 SWOT 分析、或一个 2x2、或某个极简单的东西」（SWOT 是商学院最常见的四象限：优势/劣势/机会/威胁，代指最朴素的 2x2 起点）；到中段才开始加规则，Claude 就「oh, I get it」。他用「桌游之夜（game nights）」的类比把这讲透：讲规则的人有一种「觉得必须把每条规则连同每个例外一边讲一边全讲清楚」，结果「大家眼神就开始放空了（eyes tend to glaze over）」，变成「rules on rules（规则套规则）」，听众根本搞不清「目标是什么？怎么算赢？」Claude 一模一样：要先给它「here are the rules of the game. Here's how we're going to win」这种「crude heuristics（粗糙启发式）」，再迭代式一层层叠复杂度。每加一层先「把地基稳住」——明确「we're not relitigating or revising what we've already established（不会重新翻案、推翻已确立的东西）」。如果一次性全倒进去，它「就跟人一样：消化不良（indigestion）、脑力疲劳、用力过猛（overdoes it）」，最后落到「super complex lost in the woods（极其复杂、迷失在丛林里）」——「它对自己得意得不行，但你不会，因为你想『我到底哪一步走岔了？』」他还点出放慢对你自己的好处：加太快「你自己对它的『挑战』就不够了（you yourself aren't challenging enough）」，慢下来等于「giving myself time to think」，「真的在锤炼清晰思考、而非仓促下结论」。→ 详细

• 直到「迭代过很多轮之后」，他「才终于告诉它这是干什么用的」：其实是要搭建「a pretty holistic view of our customer base（一幅相当全面的、关于客户群的整体图景）」。结果特别好笑——「我一告诉它目的，它就特别兴奋，开始顺着那条路一路狂奔」，还主动问：「Do you want me to draft this as a notion page in a pricing philosophy section or as a one-pager that Colin could have?（要不要起草成一个 Notion 页面放进定价哲学版块，或做成一页纸让 Colin 拿着？）」——Colin 是公司 CEO，也是他的汇报对象。他答「No, let's stay abstract for now」。Claude 随后那句「坦白」他觉得特别酷，值得逐字记：「I was sort of afraid of telling you what this was for because you would get a little excited like a junior intern. We need to stay academic for just a little bit longer.（我之前有点不敢告诉你这是干嘛用的，因为你会像个初级实习生一样有点小兴奋。我们还得再保持学术状态、多撑一会儿。）」他形容自己整个过程就是在「字面意义上 coaching（带教）它」，把抽象、把这个类比里所有能榨出来的价值「rung all the value that I could out of the abstraction（都榨干了）」。→ 详细
• 「保持抽象」的真正回报是一个干净、可迁移的心智模型：这套模型他「本来可以套用到任意数量的生意上——从电商、到面包房、到干洗店、再到 Customer.io」。正因「没让它一开始就假定这跟 Customer.io 有关」，才搭出「一个干净得多、好用得多的心智模型」。之后再把模型「应用到某个领域」，他形容这「几乎像一次 stress test（压力测试）」：套到 Customer.io 上，「如果生成出来全是胡说八道，我就知道模型有问题；但如果跟现实对得上，反而给我更多信心证明模型是对的」。点睛句：「as a leader we don't exist just to generate Claude outputs ... we exist to create mental models, to reframe, to drive alignment（作为领导者，我们存在的意义并不只是去生成 Claude 的产出，而是创造心智模型、重新框定问题、并在这个例子里和一群其他领导者一起就定价哲学达成共识）」。→ 详细

• Aakash 精准总结：你是把 Claude 当「thinking partner」推敲「指标复盘里到底要展示什么」，「并没有一上来就奔向 Claude——『来，把这场复盘给我搭出来』」，「真正聚焦的是思考本身」。由此 Matthew 引出全片最锋利的框架。先讲来历：他记得 GPT-4 出来时那种「你人在哪儿」的历史时刻感，跟当医生的岳父说「it's getting scary good」。他意识到 AI 突然能接手他称之为「blue-collar knowledge work（蓝领知识工作）」的那一大块活——别人反问「知识工作怎么会是蓝领」，他解释：就是「拿一份信息 pivot、从一种形态翻译成另一种——『这是 slide deck，得变成 Google doc』『这是 Google doc，得变成 slide deck』」，「在 LLM 出现前，很长时间人们就是靠这种翻译活领工资，那是工作里最底层的一档——而它正在被抹掉（wiped out）」。→ 详细 → 详细
• 核心框架「source（源） / target（靶）」：「源和靶都不是新东西，连『把源翻译成靶』那道箭头也是我们过去在做的事——那曾经是我们创造大量价值的地方。」他点名谁在干这道箭头：「a lot of middle management ... consultants etc.（一大堆中层管理、顾问）」。结论：「The real work that's left for us is how do I choose the right source and how do I choose the best target?（留给我们的真活是：怎么选对那个源、又怎么选出最好的那个靶。）」target = 「你讲的故事、故事的形状、form factor、那个交付物——该是 slides 还是别的？这仍得由你选」；source = 「一个关于定价哲学的干净心智模型？还是 Slack 里这七段对话？」操作建议：以前几乎把源和靶当理所当然、拼命做中间翻译；现在反过来——「translation work is easy, that's almost free（翻译活很简单、几乎免费）」，所以要「把时间花在更认真地琢磨那个源上——打磨一份真正干净的源信息、心智模型、框架」，再「对那个靶非常审慎：我想讲一个故事、想 show not tell、想击中这几个点」。而且容错很低：不满意就「run it again，但记得改改这个那个」。→ 详细

• 同一练习里他给四个方格起了「cute terms（挺萌的名字）」如「unicorn（独角兽）」「horse（马）」，Claude「一上来就直接顺着用了」、放进靶里、放进故事里。最终成品落在 Notion。他回头问 Claude「跟你之前生成的相比这个有什么不一样」，Claude 给出一段他觉得特别酷的坦白：「我当时立刻就把那些词用上了，没停下来想——那些是新词，如果放进故事里，会有读者想『这独角……都是些什么新词啊？』」，他们会「过度纠结、会 resist（抵触）」，因为总有人心里想「这些太傻了」「我看不懂」「这是 jargon（黑话）」。他的处理：告诉 Claude「那些词是你我之间的事（between me and you），别在这份产出里用，受众现在还不会有好反应，晚点再引入——也许一个月以后」。点睛句：「it doesn't have that social IQ ... that's not built in（它没有那种社交智商，那不是内置的）」——一个故事怎样才能 resonate（共鸣）、会不会有东西反被人盯着不放，「Claude 目前就是不懂」。→ 详细

• 他做了件很妙的事——事后直接问 LLM「为什么你写不出这份东西」。他把最终文档分享给 CMO Jason 和几位 direct reports 后，回头问：「I'm curious why an LLM like you might struggle to write this for me automatically（很好奇为什么像你这样的 LLM 没办法帮我自动写出这份东西）」——言下之意「最后是我自己动手写的」。他还半开玩笑点出这种诡异感：「is this AGI? ... holding out the butterfly ... because it's self-aware a little bit（这是不是 AGI？就像你把一只蝴蝶托在手心，而它似乎有了一点点自我意识）」。LLM 给出（他也认同）四条「还不能外包」的理由：→ 详细
  • ① Voice（语气/声音）——较乐观：「it doesn't know how to speak like I speak just yet（还没学会像我这样说话），但这点可以改进，对此我是个乐观派。」
  • ② Political calibration（政治分寸）——更难。正面例子：Claude「自己知道把动物代号去掉，换成『simple small』和『large sophisticated』，这些选择是它有意为之」，说明它懂「read the room（察言观色）」。他澄清这里的「政治」不是贬义：不是「商场如战场、勾心斗角」，而是「people are political animals（人是政治性的动物）」（他提到是某位哲学家的话，实为亚里士多德）——我们每个人读东西时都在边读边评判、过滤噪音，这是第二天性。而 AI「还不太擅长猜什么能在你受众那里共鸣」。他给这种失误精确定级：「that's not even a micro hallucination, that is a misreading the room and being too eager（甚至算不上微幻觉，而是误判了场合、太过急于求成）」——「跟一个初级员工会犯的错一模一样」。
  • ③ Historical context（历史包袱）——例子：假设 Claude「读了三年前的原始材料、沿用了里面某个术语」，但作为领导者你应清楚「这个术语背后背负着很多包袱、甚至可能牵扯着某些人的职业生涯（some careers that are attached to that term）」，所以「我得仔细想清楚该怎么用、什么时候用，而 Claude 目前不具备这种历史语境，这点要花更长时间才能解决」。
  • ④ Persuasiveness（说服力）——他认为最根本：「我们这代最优秀的作者、讲故事的人，至今仍没单纯靠 AI 去生成那些故事，这是有原因的。」本质是「bringing the reader along with you（带着读者一起走）」——「你知道他们刚开完一场 all-hands、刚经历公司史上最大发布日，你了解他们从何而来，然后引领他们走下去」。要想清楚一个很具体的问题：「what's the emotional space of my reader as they pick up this document on a Tuesday ... are they really excited? Are they exhausted? Are they just getting into a board meeting room after traveling all night?（我的读者在某个周二拿起这份文档时情绪状态怎样？特别兴奋、还是累瘫了、还是熬了一整夜飞机刚走进董事会会议室？）」他断言「Claude 目前永远做不到这一点」——「但恰恰在这里你可以出类拔萃，而不是仅仅照单全收 AI 生成的东西」。

• Aakash 请他对「all-hands 演示 + 指标复盘」这两个最重要的领导任务做总提炼。最精简版就是开篇那句骨干句：AI for leaders 是「你多会 decompose problems」的考验。落到操作：「we all know one shot is not the answer in most cases（我们都知道大多数情况下一发命中不是答案）」（one-shot 指一句 prompt 让它一把出活）。他把「不 one-shot」讲出比「来回迭代」更深的一层：不只是反复改，而是「非常有意识地把一个棘手问题拆成一个个零件，然后说：『正确的一系列变换应该是这样——从这里开始，如果想到达那里，我们该怎么从右往左地拆解这个问题？』」把问题拆成「a series of transformations that I'm confident you're going to be good at（一连串我有把握你能做好的变换）」。失败模式与建议讲得很完整：「我们失败的地方，恰恰是把问题压扁、过度简化（flatten ... oversimplify），然后就变成『这解决方案显然就是这个嘛』」。所以建议：拿业务里一个棘手或很深的问题，真正去把它「explode（炸开）」拆成所有零件，把这些「pure observations（纯粹的观察）」先放进 context window（上下文窗口），之后再开始拼装解决方案。后果对照很形象：「当你过度简化、手里只有问题那种 flat projection（扁平投影）时，你得到的就是 slop，读它的人会想：『这玩意儿根本没搞懂这个问题的多维本质、它的复杂性、以及为什么我们至今还没能解决它。』」→ 详细

• Aakash 抛出一个他认为「别人在任何地方都没说过」的问题：领导者试图用 AI 去推动「executive alignment（高管层对齐）」时会怎样？Matthew 斩钉截铁：「I think that's bound to fail（注定要失败）」，因为「people can fain alignment really easily（人们太容易假装对齐了）」。他先要求定义清楚 alignment 指什么，给两种文化对照：一种「disagree but commit（可以不同意但要执行）」——允许保留异议、但决定做出就全力执行；另一种「shared consciousness（共享意识）」式——「必须在所有细节上达成一致」。然后抛出又一句锋利判断：「executives are the best at filtering out noise and detecting BS and detecting slop（高管恰恰是最擅长过滤噪音、识别废话、识别 slop 的一群人）」——想用劣质产出蒙混，正好撞在他们最敏锐的本事上。→ 详细
• 他按你在层级中的位置把症状拆成两档：① 你很 senior 还这么干：会遇到很多人「feel obligated to smile and nod or go along with the flow（觉得有义务陪笑点头、随大流）」，或勉强接受再补「okay, I guess we can work with this, but have you considered this?」——「一旦开始听到这类话，你可能就有麻烦了」；而且这还得是他们「心理安全（psychologically safe）、敢说」的前提下，没安全感就「翻个白眼或干脆无视你」，他称这是「the worst kind of misalignment」。② 你位置偏低（director、高级总监、VP、高级 VP，还没到 C 级）：人们会「直接无视你的工作和产出，甚至根本不觉得有责任把它纳入考虑，因为已经把它当噪音过滤掉了」。他说这「really disheartening——你以为下了很大功夫，结果它根本没机会被讨论（doesn't get airtime）、也没进到公司的话语体系里」。真正的诊断往往是：「你产出大量观点时用的就是那种很扁平的方式」，而「最优秀的领导者恰恰最擅长当场就把这类东西过滤掉」。两档症状不同、结局完全一样：「the alignment doesn't end up happening（那个对齐根本不会发生）」。→ 详细

• 他作为领导者主要「活在几个地方」。第一个：「Claude desktop」+ 搭配「co-work」的各种用法（即前面演示的那些例子，整体「co-work 加 Claude」）。第二个：显而易见就是 Slack。他夸自家公司「在把越来越多的 AI 和自动化引入 Slack 这件事上做得非常出色」，所以有「a growing number of agents that are internal（数量不断增长的内部自建 agent）」，他每天都在用。下面三条（Snowflake 分析机器人、Josh 的扫描器、Chiefy）都是这些内部 agent 的具体例子。→ 详细

• 第一个内部机器人用于「ad hoc analysis（随用随做、不走固定流程的即兴分析）」。他有「a 215 reply thread（一条 215 条回复的线程）」，还算了笔账——「其实差不多得算 400 多条，因为我同时在用另一个机器人来回切换」。用例：「我手上有 2000 条客户记录，想做分析，就喂给了它」，它「能访问 Snowflake（云数据仓库）、帮我做查询，我只用 natural language（自然语言）就能完成」。定位：「每当我需要核实一些要放进给其他高管看的研究/报告/总结里的数据时，这就是我的 go-to（首选）」。他强调两点缺一不可：① 要有这样一个机器人；② 同样重要的是要有一个 data team（数据团队）能随时插话——在它表现不如预期时帮忙排障（他爱说「kick the vending machine 踹一脚自动售货机」「slap it 给它一巴掌」）或核实数据。背后纪律：「I'm not just going to take a non-deterministic answer for this（我不会就这么接受一个非确定性的答案）」——AI 每次回答可能不一样、不保证对，涉及给高管看的数据必须有人复核。→ 详细

• 背景数字：Customer.io 是「a fully remote async company（完全远程、异步协作）」，「350+ 员工、可能现在超过 400」，所以时时刻刻在发生海量对话。他吐槽自己的 Slack 界面截图：「99 条未读、32 条待处理活动提醒、2 条私信」佐证信息过载。团队成员 Josh Childs 专为产品团队搭了一个「scanner（扫描器）」，「用 AI 扫过我们几十个频道（a few dozen channels）」，专找「任何地方正在发生、产品经理大概该介入但还没人出现的对话」，能「deep link 到具体某条线程或某张支持工单」。定位很精确：「不是四处巡逻的『police car（警车）』，而更像我们的『radar or sonar（雷达或声呐）』，一直开着」；可调参数：让它在一天特定时段汇报、别太「overly zealous（过于热心）」。价值几层：① 帮领导者「stay close to the ground（贴着地面）」，与那些「otherwise 没办法同时无处不在」的瞬间同频；② 当他已深入某段 200 条回复的分析、或跟 Claude 做抽象演练时，它在后台帮他留意细节；③ 呼应「leaders need to be players（领导者得既是教练也得亲自下场当球员）」；④ 他还会把发现「upgrade（升级）」成流程改进机会、@上能改进工作方式的人。元观察：「用 AI 升级工作方式固然很棒，但它同时也创造出更多去改进工作方式的机会。」→ 详细

• 第四个机器人叫「Chiefy」，是 CEO Colin 做的（「他之前在台上也提过，所以我可以放心分享」），在 Slack 内部运行，有两个主要用途。用途一：查新文档与既有文档的不一致。 每当团队创建新东西（那份分析、那份定价文档），都可以「丢给 Chiefy 过一遍」。Chiefy「有一个语料库，里面是 20、30、50 份相关公司文档（the 20 30 50 relevant company docs）」，即所谓「gold standard（黄金标准）」、经批准核实、我们据以运作的那些文档——可以说是我们的「operating model（运营模型）」，它能帮你找出「discrepancies（不一致之处）」。用途二（反方向）：提醒你回去更新那些被新东西带得过时的旧文档。 领导者最痛的一件事：「你这个月发布或创建了某样东西、让大家对齐，结果三个月后又做了点新东西，那份文档现在要么过时、要么显得陈旧、要么需要更新」。用 AI 自动过一遍你那十几、几十份文档做审计，典型提示：「hey, eight out of these other 12 disagree with this, you might not realize it because you're very recency biased（这另外 12 份里有 8 份跟这份冲突，你可能没意识到，因为你有很强的近因偏差）——这是 intentional or not intentional（有意为之还是无心之失）？」（recency bias / 近因偏差：人容易只记得最近发生的、忘了三个月前定下的东西。）它扮演「accountability check（问责检查）」，逼你回答「哦对，我们其实两个都在做」或「哦对，我们其实在稍微调整战略，那咱们回去把文档改了」。点睛句解释为什么非 AI 不可：「现在没人有时间回头去翻看所有那些文档——这恰恰往往就是 Notion 之类的地方会变陈旧的原因，因为大家实在抽不出时间去审计和复查过去那些产物。」→ 详细

• 人们怎么「reverse engineer（逆向工程）」出他这套带 AI 的 Slack 配置？他先说「取决于你们公司怎么运作」，然后给 Customer.io 的策略：「in a controlled way（在受控的方式下），允许大家拿 OpenClaw 及类似 agent 做实验」（转写作「OpenClaw / open claw」，应为某开源 agent 框架的口述拼写）。他们「自己在做一个 OpenClaw 版本，它是一个 agentic loop（能自主多步循环执行的智能体回路）」；团队里「有些天生技术倾向（predilection for being technical）的成员在搭自己的实例」，公司在背后支持——「这是部署托管的方法、确保安全的方法、可以落地运行的地方」。关键词是「enablement（赋能）」：确保「有预算、有那个空间、有让大家做实验的 margin（余裕）」。他强调「这一切自上而下开始（starts from the top）」，时间线是「二月份启动，当时 OpenClaw 正在 exploding（爆火）」。从领导团队角度浓缩成三件事：「budget（预算）、support（支持）、lead by example（以身作则）」——「你自己去用、维护、给反馈、也亲手做几个（create some of your own）」。集成技术细节他主动跳过：「我就不展开了，因为我大概率会说错（I'll probably misspeak）」。→ 详细

• Aakash 点出普遍痛点：他「一直跟很多人聊 OpenClaw，他们老说『哦，我们公司不让用』」，很欣赏 Customer.io 的破局——「自己做一个『enterprise data safe（企业数据安全）』的版本，就能拿它对接企业客户、再部署」，把「合规」从「不让用」变成「自己造一个能用的」。全片定调对比也由 Aakash 一句话点破：「网上大多数内容教的都是某种高级 Claude Code 配置——往里塞进几百万个上下文文件、你整个 Notion、你整个 Slack，还把你所有 MCP 都收集进来」；而这期展示的是「a realistic simple version（一个现实、简单的版本）」——产品领导者怎么用 AI 完成手头最重要的任务，以及怎样用一些更进阶的用例去赋能团队用上 OpenClaw 这样的东西。换句话说：先把朴素、真实、高杠杆的用法做扎实，远比堆一套花哨的重型配置更重要。→ 详细

本期没有独立的 lightning round（快问快答）环节，但收尾沉淀出几条可直接照搬的建议与金句：

• 最可执行的一条（拆解问题）：拿你业务里一个棘手 / 很深的问题，逼自己停留足够久、把它「explode（炸开）」拆成所有零件，把这些「pure observations（纯粹的观察）」先放进 context window，之后再拼装方案——不要 one-shot、不要把问题压扁成「flat projection（扁平投影）」，否则读者一眼能看出「这玩意儿没搞懂问题的多维本质和复杂性」。→ 详细

• 管 Claude 的口诀（慢炖）：当它催「要不要我做下一步」时，明确说「stop, stop recommending the next step. I will tell you when I want you to（停，别再推荐下一步，等我让你做时我会说）」；宁愿 50–200 轮慢炖出好交付物，也别对第一次「要不要我生成」点头再返工。一句话：「don't microwave your output — slow cook it（别用微波炉叮你的产出，要慢炖）」。判断 slop 的尺子是「micro hallucinations」——不是数据错，是「这儿活儿怎么干」错了。→ 详细

• 价值定位金句（source / target）：「as a leader we don't exist just to generate Claude outputs（领导者存在不是为了生成 Claude 的产出），而是创造心智模型、reframe、驱动对齐」；把精力上移到「选对 source、选最好的 target」，把中间那道「几乎免费」的翻译 / 转换交给 AI。→ 详细

• 四件不能外包：voice（语气，乐观可改进）、political calibration（政治分寸，难）、historical context（历史包袱，更难）、persuasiveness（说服力，最根本）——最后这条要求你想清楚「读者周二拿起这份文档时是兴奋、累瘫、还是熬夜飞机刚进董事会」。→ 详细

• 别用 AI 硬凑对齐：「executives are the best at filtering out noise and detecting BS and detecting slop（高管最擅长过滤噪音、识别废话和 slop）」；用敷衍劣质的产出去 drive alignment「注定失败」——要么被陪笑点头敷衍，要么被当噪音直接无视，结局都是「alignment 根本不会发生」。→ 详细

• 落地组织做法：「budget + support + lead by example」，自上而下给团队留出做实验（OpenClaw 等）的预算与「margin（余裕）」；与其堆一套塞满海量上下文的重型配置，不如先把朴素、真实、高杠杆的用法做扎实。→ 详细

• Aakash 收尾盛赞 Matthew「thank you so much for actually showing the real stuff. Nobody shows the real stuff（太感谢你真的把这些『真东西』展示了出来，没人会展示真东西的）」，鼓励「AI-native、AI-forward（AI 原生、AI 优先）」、又一路看到结尾的 PM 去联系他——「这意味着你正在以一种 Customer.io 会很欣赏的方式拥抱 AI」。→ 详细

• 嘉宾 Matthew Wing（Customer.io，VP of Product and Design）：可在 LinkedIn 给他发消息——他明确说「I do see those and I'm always recruiting（那些消息我都会看，而且我一直在招人）」，也可在 X 找到他。→ 详细

• 主持人 Aakash Gupta：节目在 YouTube / Apple Podcasts / Spotify；他的工具礼包在 bundle.ac.com——成为他 newsletter 的付费订阅者，可免费用一整年约九款 AI 产品的付费套餐：Dovetail、Mobbin（转写中作 Mobin）、Linear、Reforge Build、Descript、Arise、Relay App、Magic Patterns、Deep Sky、Speechify 等。→ 详细