当AI让产品构建变得像呼吸一样简单时，我们却陷入了更危险的陷阱——42%的创业失败率背后，是Vibe Coding时代最致命的思维漏洞。Anthropic《创始人手册》揭示了一个反常识真相：能跑的原型不等于真实需求，而AI最该被用来做的，是当你的「魔鬼代言人」。本文将拆解如何用芒格逆向思维+AI反方辩论+Sean Ellis测试，在投入代码之前先验证价值。

我承认我之前的做法都是错的，不是简单的错误，是第一步就做错了，而且我猜你可能也是。

在 AI 时代做东西变得前所未有的容易，现在大多数人，也包括我。犯了一个看上去很合理的错误。我们有了一把超级好用的锤子，很轻，可以快速地去钉钉子，然后大家满世界去找钉子，但钉子是不是真的存在，我们没有想过。

我之前是怎么 Vibe Coding 的

之前找公司的设计同事聊需求的时候，看到他在 Figma 里面弄多语言翻译的变量 Token。他说这个工作很麻烦，很耗时，但必须要做。虽然 Figma 的 AI 里面也有自动翻译，但有时候一些项目的甲方对翻译的内容有明确的要求，只能去复制提供的Excel 表里的翻译内容，然后粘贴到 Figma 的变量 Token 里面，而且有的项目涉及到六国语言就更麻烦了。

我说 Figma 里面不是有插件吗？难道没有类似的插件可以解决吗？他说有，但是试过了都不好用，而且有的也用不了，只能自己手动去弄。

当时 Vibe Coding 这个概念很火，然后我就尝试用 Codex 花了小半天的时间做了一个 Figma 的翻译变量导入器插件。选择翻译的 Excel 表就可以一键，几秒钟的时间，把所有的翻译内容在 Figma 里面新建成对应的变量 Token。

然后我把这个插件发给设计同事去用，他直接惊呆了，很高兴，因为之前这些工作可能需要花他两三天的时间，现在花几秒钟时间导入，然后把变量做关联，基本上几个小时就能搞定。

那个时候我觉得自己很厉害，一个人半天的时间就能从想法到直接可以使用的产品。

这就是 Vibe Coding，脑子里面有一个想法，打开 AI 编程工具，说清楚需求，然后看着 AI 去给你写代码，半个小时或者几个小时你就能有一个可以用的demo，而且整个过程就像呼吸一样轻松自然，你不需要会写代码，你只需要会说话。

我相信很多人都经历过这个过程。你可能不是做一个设计软件的插件，你可能是做一个记账的 App、一个送礼物的小程序、一个记笔记的产品，或者是一个帮你做旅游攻略的产品。但这些流程都是一样的：有个想法，打开 AI 编程工具，描述你的需求，AI 生成，你会觉得自己在创造很了不起的产品。

说实话这种感觉会上瘾。因为在 AI 出现之前，你有一个想法到一个能跑的 Demo，快的话几周、几个月，或者大半年的开发周期，你得去找开发，写需求文档、排期、联调、上线。现在这些全被压缩到一个下午。

你能不兴奋吗？但问题就出在这里。

一本手册让我知道，我弄错了，也弄反了

让我改变想法的是 Anthropic 出的那本《创始人手册》

最开始点开它完全是平时浏览内容的习惯，Anthropic 出的东西我基本上都会看一眼。我以为它是一个产品文档，或者是一个营销的噱头，告诉你 Claude 有多强、怎么用它做产品。但结果不是，它讲的是一个最基本的事情：在 AI 时代，构建变得没有门槛，创业者最容易犯的错误是什么？

手册里有个数据惊到我了：42% 的创业公司失败，原因是做了没人想要的东西。

这个数据来自 CB Insights 对创业公司失败原因的研究，而且这是在 Vibe Coding 时代之前的数据。手册里判断，现在这个比例只会更高不会更低。因为 AI 让想法变成产品的距离大幅压缩，过去开发的高成本，本身就是一个天然的筛选门槛，你不得不在投入真金白银之前，认真想清楚这产品到底有没有人用。

而现在这个门槛消失了，做一个 Demo 不需要几个月和几十万，一个下午就够了。你甚至都不需要一个懂技术的联合创始人，只需要能够清晰地描述你的需求，跟 AI 多聊几轮。

这看上去不应该是好事吗？但手册里面说恰恰相反，正因为做东西变得太容易了，创业者反而都跳过了最重要的那一步，就是验证这个东西到底有没有人用。

你 Vibe Coding 的产品是可以用，但是除了你以外，有人愿意用它吗？有人愿意付费吗？

这个问题在我后续 Vibe Coding 几个产品的时候我也答不上来，因为我也没有去问过别人。

我跳过了整个验证环节，直接从想法到构建。也不是因为我懒，是因为 AI 让构建变得太简单了，简单到我都没意识到自己跳过了什么。

手册里总结了这种状态：一个能跑的原型，很容易被误认为你在解决真实问题，但它不是，它只是压力测试的道具。真正的证据，来自你和用户真实的对话。

有想法先别动手，让 AI 否定你

大多数创业者、产品经理、做副业的人都是：我有一个想法，我觉得很好，我要想办法实现它，把所有的精力都花在怎么做成。不是说这样不对。有想法马上去执行是好的，但是要做对的事，把事情做对。

查理芒格有一个思维模型，总是反过来想。想做成一件事情的时候，先反过来想，想清楚怎么样做才能失败，记录下来，然后避免这些事情。这种思维方式，放在很多事情上都很受用。

以前你想做一个产品，你很难真正客观地否定自己的想法，毕竟那是你的点子，你会迷之自信地觉得你的想法是对的，产品是有需求的。而且现在有了 AI，你也会去向 AI 求证，但是 AI 会顺着你说，它会认同你的想法。你问它这个想法、这个产品怎么样？它大概会说：嗯，这是一个很有前景的方向，很有前景的产品。然后还帮你列出很多条理由，去佐证为什么这个事是对的、值得你去做。你很满意，你觉得自己也做了调研，但实际上你只是让 AI 帮你完成了一次精致的自我欺骗。

解决方法很简单，也是用 AI，只是反过来用。你应该把 AI 当成一个反方的辩手。你不要问 AI 这个想法好不好，你应该问它这个想法最有可能怎么死。

错误的用法，你跟 AI 说：我想做一个 xx 产品，你觉得怎么样？AI 会很配合地跟你说，你这是一个很有价值的方向，市场有需求，你该如何去做。你听完觉得，果然我这个想法是个好想法，然后就去做了。

正确的用法是反过来的，你跟 AI 说：帮我找出我这个想法最致命的 3 个问题，假设你是一个投资人，你告诉我，你为什么不会投？

或者更狠一点：假设你是我最强的竞争对手，你会怎么击败我？

你会发现 AI 在唱反调这件事上非常擅长，它会告诉你，你想做的产品这个赛道上已经有好几个产品也在做了，也会告诉你，你认为的用户需求很多，但实际上用户的频率其实没有你想象的那么高。这些反方的观点也不一定全对，但它会逼着你去验证。而验证这个事 AI 帮你做不了，你得去找真实的用户去聊。

问他们，会不会用你做的这个产品，这种问题只会得到礼貌性的谎言回答。

但是你如果问他：上次有这种需求是什么时候？具体是怎么做的？花了多久的时间？哪一步最烦？你用了哪些工具？如果没有这些工具，你是怎么做的？

这些问题都是用户之前真实发生过的行为，不是对未来的想象。用户可以对未来撒谎，觉得这个产品挺好的，我会用，但他们很难去伪造已经发生过的具体行为。

手册上把这个叫做，问过去，不问未来。听上去很简单，但是真的这样做的人很少。

所以完整正确的流程是这样的：先把你模糊的一个想法，逼成一个可以被验证的具体假设。不是我要做一个 xx 产品，而是去思考：谁有这个问题？有多频繁？有多严重？现在他是怎么解决的？这四个问题你都能答上来，假设才算合格。

然后把假设交给 AI，让它去做压力测试，找反向证据、失败的案例，以及你没想到的竞争对手。你不是向它寻求认可，而是寻找能推翻自己的证据。

最后拿着这些被 AI 拆解过的假设，去找真实的目标用户聊，不是去问感受，而是去问行为。

如果经历了这些步骤，你的想法还能站得住脚，那大概率它是一个值得去做的东西。如果站不住，那也没事，恭喜你，刚用几个小时的成本，避免了可能浪费几个月时间的错误。

这就是芒格说的，先想清楚怎么失败。在 AI 时代，这件事非常容易就能做到。

MVP 不是做一个产品，而是去获取证据

很多人看到 MVP 这个词，脑子里想到的是一个功能精简能用的产品，但手册里面对 MVP 的定义跟这个不太一样。它说 MVP 的目的不是把产品做出来，而是用最小的代价验证问题是否真的存在。

区别在哪里？区别在于心态。大多数人做 MVP 的心态就是先做出来再说，做出来发到网上有人说好，那就算自己验证了。手册里面的心态是反过来的：做出来是为了拿着它去找别人聊，聊天本身才是目的。

MVP 不是答案，MVP 是问题的载体。你做出来的那个东西，它的核心功能不是好用，而是引发对话。

你拿着它去找 5 个目标用户让他们用，看他们的反应。不是听他们说挺好的，是观察他们是不是真的能够理解这个东西，是不是愿意试用，试用之后是不是还想主动去用，是不是愿意把这个产品分享给别人。

手册里面说了一个我觉得很精准的判断标准，Sean Ellis 测试。问你的活跃用户一个问题：如果再也不能使用这个产品，你会有什么感觉？如果超过 40% 的人回答非常失望，那你可能找到了真正的 PMF，如果低于这个数字，那你还在寻找的路上。

更直观的信号是另外一个努力测试：在找到 PMF 之前，你用户的留存靠的是你不停地推、催、激励、人工跟进、创始人亲自下场维护。找到了 PMF 之后，用户自己就来了，你不用去推，他们也会自己拉着别人来用。

从推变成拉，这种感受的变化，是你是否在正确道路上最清晰的信号。

如果你还在用力推，说明你还没有到。不是说你做得不够好，是说这个方向可能需要调整：也许目标用户选错了，也许功能侧重点偏了，也许整个问题就不够痛。

这个时候回头去看之前的内容，你会发现它们是连通的。之前提到先想清楚怎么失败，MVP 阶段就是用最小的成本去验证失败的可能性还在不在。如果你在 MVP 阶段发现那些失败的路径确实存在，这不是失败，这是正常的情况。你用了几个星期的成本发现了这件事情，而不是用几个月。

手册里有一句话我很喜欢：”数据不支持当前的方向不是失败，而是系统在正常工作。”

很多人不理解这一点，觉得发现想法有问题就是失败，于是拒绝面对数据，继续向前冲。

你可以想一想，42% 的创业公司死于做了没人要的东西，他们之中有多少人是在数据已经告诉他们这条路走不通的时候，选择了假装没看见。

这个方法不只是做产品才用得上

看到这里你会觉得，我又没创业，这跟我有什么关系？关系其实比你想的还要大。

手册里讲的事情就一句话：在投入大量资源之前，先拿到足够的证据。

这事跟创不创业没有关系。

如果你想做副业，很多人做副业就是看到某个方向火了，然后马上投入、买课、买设备、注册账号、开始做内容。做了 3 个月发现没有起色，就换下一个方向，再继续投入，再发现不行，反复循环。

如果你用手册里面的逻辑来做副业，流程应该是：先让 AI 帮你拆解这个方向最有可能失败的原因，是赛道太挤，还是目标人群不够明确？是变现路径不清晰？

然后带着这些问题去找已经在做的人聊。问他们的时候，不是问，你觉得这个方向好不好，而是问：你做这件事多久了？收入多少？最难的事情是什么？有没有想过放弃？为什么没有放弃？去问之前真实的经历，不要问未来的乐观预测。

转行也是同样的道理。你想从传统行业跳到 AI 行业，但不确定有没有机会，不要一上来就辞职。先让 AI 帮你查一查这个行业目前最大的人才缺口在哪里、最常见的入行失败模式是什么。然后去找已经成功转行的人去聊：他们走了什么路？踩了哪些坑？有哪些能力是从外面看着很重要，但实际工作后发现根本不是那回事的。

再比如做自媒体。你想做某个垂类的账号，但不知道有没有目标受众。别一上来就日更 30 天，先让 AI 分析这个垂类头部账号的选题是什么、评论区都在聊什么、有哪些内容互动高但没人做。然后先发 5 条内容测试一下，看看有没有真实的互动信号。

核心都是一样的，这是一种思维方式，不只属于创业者。很多人做决策都是先干再说，觉得想那么多不如先做，觉得做了才知道行不行。

这话不是没道理，但是它有个前提：你得知道自己在验证什么。如果你做了之后都不知道要看什么指标，什么算成功，什么算失败，那你不是在验证，你是在碰运气。

碰运气这种事，在 AI 让一切都变得很容易的时代，代价反而很高。因为你会碰得更快、碰得更多，每次都觉得，这次不行下次一定，但每次失败都没有留下可以复用的经验。

先停下来，想一想。让 AI 帮你拆解一下，找几个真实的人聊一聊。这几个动作花不了多少时间，但能帮你弄清楚一件事：你到底是在验证，还是在碰运气

Vibe Coding 没错，是顺序错了

写这篇文章的初衷也不是为了让你看完之后就变得畏手畏脚，这不是一篇让你想清楚再动手的文章，也不是在说 Vibe Coding 有什么问题。

AI 帮你快速构建，没问题，一个人能做出一个能跑的产品，这件事在历史上从来没有像今天这么容易，这是好事。

问题不在工具，问题在顺序。大多数的流程都是有一个想法，打开 AI 编程工具做出来，然后发现没人用，再换一个想法再做，再发现没人用。

正确的流程应该是：有一个想法，先让 AI 去质疑它，用芒格的逆向思维去找出它可能的所有失败路径。带着这些疑问去找真实的人聊，问他们过去的行为，而不是未来的想法。如果假设还站得住脚，做一个最小的 MVP 去拿证据，有了证据支持再大规模地去构建。

顺序变了，但做的事没有变。你还是会用 AI 去构建，还是会 Vibe Coding，只不过你在按下回车键之前多做了一件事：去确认你想要构建的东西真的有人需要。

手册里最后还有一句话，我觉得也是整本书里最值得记住的一句：瓶颈不再是你能构建什么，而是你选择构建什么。

在 AI 之前，瓶颈是能不能做出来。你有一个好的想法，但是你不懂代码，没有预算，或者是技术太复杂了，所以大量的好想法死在了执行阶段。

现在这个瓶颈基本上不存在了，AI 几乎让任何人都可以把想法变成产品。但是新的瓶颈出现了：当所有人都能做出东西的时候，你做的那个东西，凭什么被人需要？

答案不在你跟 AI 的对话里，也不在 AI 生成的代码里，答案在真实用户的行为里：他们用不用，愿不愿意持续地用，愿不愿意去跟别人分享。

所以如果你现在脑子里有一个蠢蠢欲动的想法，我的建议是先别打开 Claude Code 或Codex，打开一个对话窗口跟 AI 说，帮我找出我这个想法最致命的 3 个问题，然后去找一个真实的人聊一聊。

做完这两件事你再决定要不要做。

这不会让你的进展变慢。慢就是快，做对的事，把事情做对。反而会让你少浪费几个月的时间在一个没人用的产品上。

这才是 AI 时代最该学会的事。