当 AI 技术日趋成熟，大模型能力不断突破，为什么真正被用户接受的AI产品依然稀缺？问题的关键不在于技术不够强大，而在于产品设计陷入了"炫技陷阱"——过度追求功能完整性和技术先进性，却忽视了用户的使用门槛和真实需求。Get笔记在产品迭代中形成了一份独特的“断舍离清单”：砍掉 50+ 会议模板，只保留一键生成；叫停开发进度 50% 但自己人都不愿付费的“高级”功能；不做 AI PPT 和可视化网页，因为用户要记录而非表演。这些看似“倒退”的选择，实际上是对“ AI 产品应该如何落地”的反复思考。

本次演讲我将通过这些决策案例，展示如何识别“伪需求”与“真场景”，如何“用我们自己会付200美金吗？”来判断功能价值。AI 的价值不在于能做什么，而在于在真实场景中解决了什么问题。

演讲提纲

1. 开场：AI 产品的"炫技陷阱"

• 技术突破与用户接受度的反差
• Get 笔记 100 万用户背后的"不做什么"

2. 断舍离清单：那些被我们拒绝的“高级”功能

• 砍掉 50+ 会议模板的决策
• 叫停 50% 进度功能的勇气
• 不做 AI PPT 和可视化网页的思考
• 其他被拒绝的“伪需求”

3. 决策框架：从“能做"到"该做”

• “我们自己会付 200 美金吗？”——内部验证法则
• “家人能学会吗”——门槛测试标准
• “用户在哪里用”——场景优先原则

4. 真场景 vs 伪需求：AI 产品的价值判断

• 记录 vs 表演：用户要的是什么
• 功能 vs 负担：每个选择都是门槛
• 技术 vs 场景：谁服务谁

5. 从炫技到实用：AI 产品的初期生存方式

• 小公司的生存智慧
• 可复制的断舍离法则
• Get 笔记的未来思考

您认为，这样的技术在实践过程中有哪些痛点？

• AI 能做 100 件事，但用户只需要 10 件
• 技术团队容易陷入"因为能做，所以要做"的思维惯性
• 高级功能开发成本高，但使用频率低
• 边缘场景投入大，核心场景打不透

演讲亮点

• “断舍离”方法：不是“用户要什么”，而是“我们自己会付 200 美金吗”
• 不是比拼谁的AI更“智能”、功能更“完整”，而是场景驱动，无场景，不 AI

听众收益

• 技术 Leader 最难的不是带团队实现功能，而是有勇气不做什么。从技术思维到价值思维的转换工具
• 理解约束如何创造更好的产品体验，学会区分技术优雅与产品价值，不是能处理复杂，而是能保持简单

本次演讲我将分享如何借助用户研究驱动早期产品-市场匹配（PMF），系统性应对客户、产品与销售的三维挑战。通过分享硅谷 AI 与Fintech 初创公司的真实案例，展示用户研究如何有效识别市场机会、指引产品迭代并推动商业化成功。内容涵盖早期 PMF 的三大核心——问题验证、高价值用户定义与产品定位，揭示两个早期研究的致命陷阱：从解决方案出发的盲点和反馈谬误。为 AI 创业者提供实用的洞察，帮助你在不确定性中找到通往 PMF 的最短路径。

演讲提纲

1. PMF：三维挑战

• 找到 PMF 就像对接航天器，需要解决三个未知数：客户、产品、销售
•  
• 你听说过的 PMF 信号：强留存、40%+ "非常失望"——但 PMF 实际上是一个连续的概念（Nascent → Developing → Strong → Extreme PMF） ，不是二元的，即使对 2C 也是如此

2. 早期 PMF 的三大基石

• 基石 1：验证你在解决重要问题
• 基石 2：定义高价值客户
• 基石 3：竞争定位

3. 案例研究与实践

• 案例 1：AI 初创公司（A 轮 2025，约 10 亿美元估值）
  • 背景 / 时间线 （6-8周）
  • 研究方法：Light market survey + 访谈 + Product telemetry, 降低发布前风险
  • 经验总结：
    • 结合多方数据才能快速达成共识：转型还是不转型？
    • 验证问题：虽然AI技术很炫酷，但是这里有没有用户需求？
    • 定义高价值客户：如何协调分散的反馈？谁是我们最在意的？
    • 竞争定位：产品的差异化存在吗？
• 案例 2：Robinhood (B 轮 2016 年, 之后 2017 超过 1 亿美元估值，2021 上市)
  • 背景 / 时间线 （6-8周）
  • 研究方法：访谈 + 问卷 + Alpha 原型测试 + 多阶段产品部署
  • 经验总结：
    • 识别核心细分市场，直接定义 Options 产品差异化，构建从零到一的 3 年路线

4. 经验总结：两个致命陷阱

• 解决方案优于问题：从解决方案开始会产生盲点。深入研究用户问题最重要
• 反馈谬误：意见 ≠ 洞察；重点关注用户行为和付费行为驱动的信号

5. 超越初期 PMF

• 不同 PMF 阶段需要不同研究，本次分享集中在早期研究

• Developing PMF 的研究重点是：量化测量 PMF、满意度追踪

实践痛点

在产品市场契合（PMF）的探索中，许多 AI 创业者面临以下痛点：

• 不确定性：如何从复杂的市场反馈中识别真正的客户需求，避免盲目开发产品
• 资源有限：早期阶段如何高效利用有限的资源，通过研究降低风险并加速 PMF 的达成
• 反馈噪音：如何区分有价值的用户洞察与无效意见，避免被误导
• 竞争压力：在激烈的 AI 产品市场中，如何通过差异化定位脱颖而出

演讲亮点

• 三大基石框架：提供早期 PMF 的三大基石框架，帮助创业者系统化地验证问题、定义客户和竞争定位
• 硅谷案例分享：通过 AI 和金融科技领域的真实案例，展示研究如何驱动产品成功
• 致命陷阱揭示：揭示早期研究中的两个致命陷阱，帮助听众避免常见错误
• 实用策略：分享如何在不同 PMF 阶段灵活调整研究策略，超越初期 PMF

听众收益

• 清晰框架：获得早期 PMF 的系统化框架，帮助创业者高效验证产品和市场
• 实战案例：通过硅谷成功案例，学习如何将研究转化为产品成功
• 避坑指南：了解早期研究中的常见陷阱，避免资源浪费和方向错误

本次演讲我将聚焦于 AI 技术从概念验证到商业落地的核心挑战与破局之道。针对行业普遍存在的“ Demo 惊艳但难以变现”困局，提出从“炫技”到“实用”的思维转变和产品策略，强调以用户需求为中心、深耕垂直场景、量化价值回报，并分享实战经验与风险应对。希望为听众提供破解商业化难题的思维框架、产品方法与实战参考，帮助项目跨越理想与现实之间的鸿沟，实现可持续的价值交付。

演讲提纲

1. 炫酷 Demo 的幻象与商业现实的落差

• 行业痛点直击： AI 技术火热部署的表象下，是商业价值转化的困难
• 技术狂欢 vs 付费犹豫： 许多 AI 项目停留在概念验证阶段，Demo 效果惊艳却难以转化为生产力和收入
• 核心矛盾： 用户不为尖端技术本身埋单，只为自身问题被解决埋单

2. 破局关键：四大思维转变，实现从炫技到实用

• 价值锚定：从“能力导向”转向“需求导向”
• 场景深耕：从“通用平台”转向“垂直闭环”
• 价值量化：从“能力展示”转向“ROI 量化”
• 用户心智：从“神奇玩具”转向“生产引擎”

3. 产品逻辑重塑：构建用户付费意愿的实用策略

• 不可替代的价值主张： 明确产品为特定场景提供了其他手段无法替代的核心价值。这需要深度结合行业 Know-how 和 AI 能力，打造出独特卖点
• 高价值感知的产品形态： 优化产品形态和交付模式，让用户切实感受到价值和易用性
• 用户导向的定价策略： 针对 B 端和行业客户，探索灵活的价值定价模式，让付费与收益相挂钩，降低初始采用门槛

4. “小浣熊”实践：从理论到行动的产品化经验

• 垂直场景选择与 PMF 验证
• ROI 案例验证： 1-2 个场景样例

5. 挑战与反思：AI 产品落地的深水区

• 需求的动态演进：企业业务环境变化快，AI 产品需要能够快速适应升级。如果陷入一次性交付的思维，产品很快会与用户真实需求脱节
• 成本与性能平衡：大模型算力和调用成本高昂。商业落地必须权衡效果和成本，探索更高性价比的方案，确保在预算可控范围内交付令客户满意的性能
• 数据合规与伦理安全：随着监管环境收紧，AI 产品必须严守数据安全和伦理底线

6. 总结与展望：回归产品本质，点亮 AI 商业化之路

• 核心公式重申：真实痛点 × 闭环场景 × 可量化价值 = 用户付费。AI 产品的成败终归取决于产品是否解决了真实问题，并在具体场景中以闭环方式产生了可证明的价值
• 产品初心与行动呼吁：面对日新月异的大模型技术浪潮，产品经理需要踏实地，将 AI 融入用户的工作与生活，创造经得起时间检验的长期价值

您认为，这样的技术在实践过程中有哪些痛点？

• 早期还是要深入客户去共创，标准化的前期需要投入大量精力
• 要持续保持对技术的敏感度和产品创新的敏锐

演讲亮点

• 不追求大而全的解法，在技术优势上，专注 B 端企业场景价值
• 提供灵活低成本私有化方案

听众收益

• 破解 Demo 陷阱困局，获得大模型价值交付的核心思维模式
• 掌握构建用户付费意愿的实用产品逻辑工具箱
• 洞察头部企业的落地实践，规避产品商业化探索的深水区暗礁

多智能体系统作为分布式人工智能的核心领域，近年来在技术方向、实践挑战和未来趋势上呈现出多维度的发展。蚂蚁在 Mutil-Agent System 上有不少实践经历，我们会分享如何在 Mutil Agent System 里面完成 Context Engineering，以及如何优雅对 MCP、CUA、Browser Use 的高效使用，以及如何通过代码化的方式，完成复杂 Agent 的构建。

演讲提纲

1. 多智能体系统（Multi-Agent System, MAS）背景介绍

• 大模型、智能体、多智能体之间的关系
•  多智能体的优势与劣势

2. Mutil Agent 下的 Context 管理

• Context Engineering 对于多智能体架构的重要性
• 如何进行合理的 Context 管理

3. Mutil Agent 实践中的经验，如何定义协议以及与 CUA 的协同

• 多智能体协同中的标准制定与落地
• 如何让多智能体在 CUA 上进行工作协同

4. Mutil Agent 几个场景的实践案例演示

• 多智能体协同完成 PPT 场景的编写
• 多智能体协同完成数据分析
• 多智能体协同完成应用开发
• 多智能体协同完成文档编写

5. 未来 Mutil Agent 的方向与展望

您认为，这样的技术在实践过程中有哪些痛点？

• Planner 如何合理理解用户需求，拆分可执行的任务
• 非人类场景经验性的任务，还没法很好覆盖

演讲亮点

• Mutil Agent 是基于什么协议标准进行协同的
• 标准化协议如何制定和落地
• 如何解决 Mutil Agent 完成复杂任务上下文时所面临的问题

听众收益

• 了解 Mutil Agent 的几类技术方向
• Mutil Agent 实践过程中的困难与误区
• Mutil Agent 未来发展的方向