AI Coding Productivity 101｜Agent 写得更快，团队为什么没有更快
Codex、Claude Code 和 Cursor 正在把代码生产变成可并行的 Agent 工作。问题也随之改变：我们不再只需要测开发者写得多快，而要判断更多变更是否真正穿过评审、测试、部署，最终转化为产品价值。
阅读全文
AI Product Growth 101｜00｜Reading Guide：从 AI 能力到可持续产品
会调用模型，只是 AI 产品的起点。这个系列讨论怎样选切口、验证需求、设计开发闭环，并让用户持续使用和付费。
阅读全文
AI Product Growth 101｜02｜Evidence Prototype：原型不是缩小版产品
AI 原型最重要的产物不是 Demo，而是证据：能力是否可行、用户是否愿意委托、结果是否进入真实工作流。
阅读全文
AI Product Growth 101｜01｜Wedge Workflow：先选一个值得被接管的工作流
好的 AI 切口不是最炫的能力，而是一个高频、费力、可验证，并且用户愿意逐步交出控制权的工作流。
阅读全文
AI Product Growth 101｜03｜AI Development Loop：从功能迭代到行为迭代
AI 产品不是发布后才知道效果。把真实失败样本变成评估集，让每次模型、提示词和工作流变化都能被比较。
阅读全文
AI Product Growth 101｜04｜Activation：第一次成功结果
AI 产品的激活不是发出第一条 Prompt，而是用户第一次获得可接受、可交付，并且愿意再次委托的任务结果。
阅读全文
AI Product Growth 101｜06｜Monetization：按什么收费，决定你做什么产品
Seat、Token、任务还是结果？AI 产品的收费单位会塑造用户行为，也会决定团队是在优化使用量还是有效价值。
阅读全文
AI Product Growth 101｜07｜Distribution：让产品输出成为增长输入
AI 降低了生产成本，也制造了内容过剩。真正有效的增长来自可传播的结果、可信的人和产品生态，而不是更多自动生成。
阅读全文
AI Product Growth 101｜08｜Operating Metrics：同时衡量结果、信任与经济性
调用量增长不等于产品变好。AI 产品需要同时看任务结果、用户信任和单位经济，任何一条掉队都不可持续。
阅读全文
Loop Engineering 为什么突然火了？
Loop Engineering 不是让 Agent 多跑几轮，而是在不确定的 Agent 之上，设计一条能够产生证据、识别进展并走向可判定终态的路径。
阅读全文
为什么 Claude Code 和 Codex 这么吃额度：从 KV Cache 到 Prompt Cache
为什么 Claude Code、Codex 这类 coding agent 在长任务里容易吃额度、首 token 变慢？原因之一是长上下文反复 prefill。KV Cache 和 Prompt Cache，分别解决了两层重复计算问题。
阅读全文