AI 时代创业者正面临一个危险的错觉：技术门槛降低让原型制作变得前所未有的简单，但这恰恰放大了'制造伪需求'的风险。本文深度拆解 Anthropic 创始手册与实战案例，揭示如何通过倾听真实抱怨、验证具体场景来避开'自嗨式创业'陷阱，在AI工具泛滥的时代找到真正值得解决的用户痛点。

最近看 Anthropic 的《创始人手册》

https://claude.com/blog/the-founders-playbook

参加Linkloud 举办的沙龙活动，再听刘小排这些创业者的分享，我发现他们其实都在反复验证一句话：

创业不是创造需求，而是寻找需求。

被创造出来的需求，最后大概率死无葬身之地。

这句话放在 AI 时代尤其重要。因为过去，一个人想把想法变成产品，中间至少还隔着钱、技术、人、时间这些门槛。你要找工程师，要排期，要花预算，要忍受漫长的开发周期。这个过程虽然痛苦，但它天然会逼你想，这件事到底有没有人要？是不是值得做？我是不是在自嗨？这些都是真金白银去试出来的。

但现在不一样了。Claude Code、Codex 这类工具出现以后，一个会用Vibe Coding的人，从“我有个想法”到“我有个MVP”，可能只需要一个下午。技术门槛被 AI 大幅压低，原型变得前所未有地便宜、快速、顺滑。

所以真正危险的地方来了：当一个东西太容易被做出来的时候，人就更容易误以为“它能跑”，就等于“它有需求”。

会场里就有一个老哥，他拿着自己VibeCoding的产品逢人就介绍，我们其实都明白他的产品有多廉价，但也都不说破。即使他把嘴皮子磨破，也没人会买他的单，因为那是一个被幻想的、被制造出来的需求。

Anthropic 手册里有一句话不留情面地说，一个能运行的原型，很容易被误认为是你在解决真实问题的证据，但它不是。原型不是证据，真人的抱怨、真实的行为、反复出现的痛点，才是证据。

在Linkloud分享会，刘小排老师一直强调说“要出去，去听别人抱怨，去看真实世界怎么运转，需求不是坐在家里冥想出来的，也不是让 AI 帮你头脑风暴出来的”。

真实的需求藏在便利店老板的麻烦里，藏在炼油企业的流程里，藏在客户每天绕不过去的低效里，藏在别人反复骂、反复忍、反复花钱解决却仍然不满意的地方。

AI 拉平了创业的技术门槛，但也放大了创业者的幻觉。过去最难的是“我能不能做出来”，现在最难的是“我到底该不该做”。所以在今天，真正重要的能力不再只是构建能力，而是判断能力：在动手之前，先找到那个真实、具体、高频、严重，并且已经有人为它付出代价的问题。

不要本末倒置

AI 时代创业最容易犯的错误，就是把顺序搞反了。

正确的顺序应该是：先找到需求，再验证需求，最后才是构建产品。

但现在很多人变成了：先让 Claude Code 或 Codex 搭一个原型，然后再拿着这个原型去证明自己当初的想法是对的。这就本末倒置了。

需求没有清楚之前，不要动手。动得越快，错得越深。因为 AI 不会替你判断这个需求是不是真的，它只会非常高效地帮你执行一个可能根本不成立的前提。你给它一个错误方向，它也会很努力地生成、测试、调试、优化，最后帮你把一个错误想法做得越来越像真的。

过去，做产品很慢。慢虽然痛苦，但慢本身是一种保护。

你要投入开发成本，要招人，要排期，要烧钱，这些门槛会逼你反复确认：这件事到底值不值得做？但现在，AI 把“从想法到原型”的距离压缩到一个下午。原来需要几个月才能犯的错，现在一天就能犯完。

一个页面能打开，一个按钮能点击，一个流程能走通，一个 demo 看起来很完整，这些都很容易给创始人制造一种错觉：我好像已经离产品很近了。但事实上，你可能只是离真实需求更远了。因为你越早开始构建，就越容易爱上自己做出来的东西；你越爱它，就越不愿意承认它可能没人要。你投入的时间和精力会越来越多，沉没成本积累也会越来越多，难以掉头。

Anthropic 手册里提到，早在智能体编程出现之前，就已经有 42% 的创业公司死于“做了没人想要的东西”。而到了 AI 时代，这个比例只会更高。不是因为大家不会做东西，而是因为大家太会做东西了。技术门槛被移除以后，创业者失去了一道天然的冷静机制，任何一个未经验证的想法，都可以迅速长成一个看起来很像产品的东西。但看起来像产品，不等于它解决了真实问题。真正的问题不是“你能不能做出来”，而是“有没有人真的需要它”。如果这个问题没有被证明真实存在，如果你说不清楚谁有这个问题、多久遇到一次、严重到什么程度、现在怎么解决，那你写下的每一行代码，其实都可能是在给幻觉添砖加瓦。

所以 AI 时代的第一条创业纪律应该是：让你的意义判断永远领先于你的构建速度。

不要因为原型容易做，就急着做原型。不要因为 AI 可以帮你快速搭建，就跳过最重要的验证阶段。原型真正的作用，不是证明你已经在解决真问题，而是作为一个“压力测试道具”，拿去跟真实用户对话，观察他们的反应，逼出真实反馈。换句话说，原型不是答案，它只是问题的一种问法。在需求没有清楚之前，最该做的不是打开编辑器，而是走出去。去听抱怨，去看流程，去问过去发生过什么，去理解别人现在怎么凑合、怎么忍、怎么绕、怎么花钱解决。只有当你从真实世界里拿到了足够多的证据，再回到 AI 工具前面，构建才有意义。

否则，AI 越强，你死得越快。

怎么找需求

那需求到底从哪里来？需求最常见的入口，其实很朴素：抱怨。

刘小排讲过一个很典型的方式：去听别人抱怨。

这句话听起来不高级，但特别对。因为抱怨往往比赞美更接近真实需求。赞美很多时候是礼貌，是场面话，是“你这个想法挺好的”。

但抱怨不是。抱怨背后有情绪，有成本，有反复受挫之后的无奈。一个人反复抱怨某件事，说明他已经被这件事折磨过很多次了。一个行业里很多人都在抱怨同一件事，说明这里面可能有一条缝。一个人一边抱怨，一边还在花钱、花时间、求人、绕流程去解决它，那这个需求就开始变得有意思了。所以找需求的第一步，不是坐在家里想“我能做什么”，而是出去听“别人哪里难受”。

一个人说“这个软件不好用”，这还不够。但如果他说：“我每次做这个都要导三遍表，中间还得找财务确认，最后老板问起来我还要重新整理一版。”

这就不一样了。前者是评价，后者是场景。

创业者要找的不是一句抽象的“我不满意”，而是藏在抱怨后面的具体动作：他上一次遇到这个问题是什么时候？当时怎么处理？花了多久？找了谁？为什么现有方案没解决？他最后是忍了，绕过去了，还是花钱买了一个不完美的替代方案？这些细节，才是需求的矿。

罗永浩也有类似的习惯。他不是只坐在办公室里想产品，而是会去逛便利店，去看货架，去看真实消费者怎么拿东西、怎么比较、怎么犹豫。后来他聊炼油企业、具身智能这些方向，本质上也是同一个逻辑：不要只看概念，要去看真实世界里具体的人、具体的流程、具体的低效。

很多创业想法死掉，不是因为技术不够强，而是因为一开始就没有靠近真实世界。尤其是 AI 时代，这个问题会更严重。因为现在“想象一个需求”太容易了。你只要打开 ChatGPT，让它列 50 个垂直行业 AI Agent 机会，它马上能给你一大堆：法律、医疗、教育、营销、财务、人力、供应链……每一个看起来都有逻辑，每一个都能写出市场规模，每一个都能包装成“万亿级机会”。但这不是需求。这只是概念长得像需求。

真正的需求，一定带着泥土味。它不是“中小企业需要更高效的管理工具”这种大词，而是“某类公司里某个岗位的人，每周都要被某个流程卡住三次，每次都要用 Excel、微信、飞书、邮件来回倒腾，最后还经常出错”。

你越能把问题说具体，需求才越可能是真的。

Anthropic 手册里也提到过类似的标准。一个模糊观察不够，必须把它逼成可检验的假设。比如，“合同审查太慢”只是观察；但“中型公司内部法务每个合同审查周期要三天以上，因为修订意见散在邮件里、没有统一版本受控文档”，这才是可以验证的问题。区别就在这里。前一句让人觉得“好像是这样”。后一句可以让你立刻去找人问：你是不是这样？多久一次？为什么会这样？现在怎么处理？有没有为此付费？

需求不是靠灵感命中的，而是靠逼近现实挖出来的。这也是为什么“出去”这么重要。窝在家里，很容易爱上自己的想法。你打开文档，越写越顺；打开 AI，越问越有道理；打开代码工具，越做越像产品。整个过程都在给你正反馈。你会觉得自己在推进，其实可能只是陷在一个越来越精致的自我说服系统里。但你一出去，真实世界会立刻打断你。别人不一定关心你的宏大叙事。他只关心这个东西能不能帮他少加一次班，少背一次锅，少填一张表，少被客户追着骂一次。这时候，很多虚假的需求就会露馅。你以为对方需要一个完整平台，结果他只是需要一个自动生成报告的小工具。你以为他需要 AI 决策，结果他最想解决的是数据来源太乱。你以为客户要的是“效率提升”，结果他真正痛的是“出了问题没人负责”。这就是找需求最有价值的地方：它会不断修正你脑子里那个过于漂亮的假设。

这比做一个“看起来很 AI 的产品”难多了。因为它要求你放下创造者的自恋，先去当一个观察者。

去听人怎么骂现有方案。

去看人怎么用笨办法绕过系统。

去问他上一次被这个问题折磨是什么时候。

去弄清楚他现在为这个问题付出了什么代价。

需求往往不是被创造出来的，而是已经在那里，只是没人足够认真地把它捡起来。

AI 可以帮你总结访谈，整理评论，分析竞品，归纳高频抱怨。它是很好的望远镜，可以帮你看到哪里可能有问题。但它不能替你确认这个问题值不值得做。因为真假判断，最后还是要回到真人身上。人有没有真的被这个问题困扰？他有没有持续为此付出代价？现有方案为什么没解决？如果你不做，他是不是还会继续痛？这些问题，坐在家里是问不出来的。

所以找需求这件事，听起来很笨：出去，聊天，听抱怨，记细节，反复追问。

但创业里很多真正值钱的东西，本来就不是靠聪明想出来的，而是靠笨功夫磨出来的

三、中心论点：如何验证需求

找到抱怨之后，还不能马上动手，因为抱怨只是入口，不是结论。

很多创业者听到几句抱怨，尤其是这些抱怨刚好和自己脑子里的想法对上，就会立刻兴奋起来，觉得“你看，市场真的需要这个”。但这时候反而最该警惕，因为一个想法如果太容易被证明，往往不是它真的对，而是你问问题的方式太想让它对。

Anthropic 创始人手册里讲客户探索时，反复强调一个点：访谈要浮现人们实际做了什么，而不是他们以为自己会做什么。这个差别很关键，因为人对未来的自己总是过度乐观，对新产品也总是过度友善。用户不是故意骗你，他只是基于一个没有成本的想象，给了你一个听起来很积极的回答。所以验证需求，本质上不是让别人认同你，而是想办法推翻你自己。

这也是为什么要做“反驳式提问”。你不能只问支持你想法的问题，还要主动问那些可能让你难受的问题。

“如果这个问题这么痛，为什么你到现在还没解决？”

“你现在用的替代方案，虽然麻烦，但是不是其实已经够用了？”

“如果我要你下周就切换工作流，你最大的阻力是什么？”

“这件事是你自己痛，还是老板痛？谁有预算？”

这些问题不好听，但有用，因为创业最怕的不是别人否定你，而是大家都客客气气地支持你，最后市场用死亡来否定你。

AI 时代还有一个更隐蔽的坑，叫“自我安慰式尽职调查”。

你让 AI 帮你分析市场，它会给你市场规模；你让 AI 帮你找竞品缺点，它会给你竞品漏洞；你让 AI 帮你论证这个方向为什么值得做，它会给你一套很完整、很漂亮、很像融资 BP 的逻辑。确认偏误过去就有，现在它配上了一台研究引擎。

所以更好的用法是反过来：让 AI 当反方辩手，让它找失败竞品、负面市场信号、用户不切换的理由、这个方向里最难规模化的部分，以及为什么巨头更容易赢、为什么你做不成。

如果你听完最强反方论点之后，还是觉得这个问题值得继续挖，那才有一点意思。

但注意，只是一点意思，真正的验证仍然要回到真人那里。AI 可以帮你设计问题，整理访谈，提取支持证据和反对证据，但它不能替你坐到用户面前，看对方停顿、犹豫、回避、皱眉。很多时候，需求验证不是听用户说了什么，而是看他说到哪里突然有情绪。

他说“这个还挺麻烦的”，可能没什么；但他说“这个我真的烦死了，每次都要搞到晚上十一点，而且最后出了问题还是我背锅”，这就不一样了。情绪、代价、频率、替代方案、预算归属，这几个东西连在一起，需求才开始变硬。验证需求还要警惕一种特别顺的想法，那种你一讲，所有人都说对；你一写，逻辑特别完整；你一做 demo，大家都觉得酷。它往往最危险，因为太顺的东西，可能只是停留在概念层面，没有撞上真实世界的阻力。

真实需求通常没那么漂亮，它会有脏活累活，会有组织阻力，会有预算问题，会有历史系统，会有人不愿意改流程。你以为客户需要一个 AI 平台，聊完发现，他真正需要的是一个能把三个系统的数据自动对齐的小流程；你以为客户想要智能决策，聊完发现，他根本不敢让 AI 决策，只想让 AI 帮他把证据整理好，最后人来拍板；你以为客户痛在效率，聊完发现，他痛在责任不清，一出事没人能解释过程。

验证的价值就在这里：它不是为了让你更坚定地相信原来的想法，而是为了逼迫你看到真问题到底是什么。

四、退出标准是找到用户、需求、场景的契合方案

验证做到什么时候可以停？不是当你终于把自己说服了，也不是当朋友都说“这个方向挺好”，而是当你找到用户、需求、场景之间的契合方案。很多创业者验证需求时，只盯着“有没有需求”，但这其实还不够。一个需求单独存在没有意义，它必须落在具体用户身上，也必须发生在具体场景里。离开用户，需求就会变成抽象概念；离开场景，方案就会变成空中楼阁。

所以创意阶段真正要退出，不是证明“这个问题存在”，而是证明“某一类用户，在某一个具体场景下，反复遇到某个足够痛的问题，并且你的方案正好能在这个场景里解决它”。

第一个判据，是用户必须清楚。不是“中小企业”“年轻人”“知识工作者”这种大人群，而是一个能被找到、能被访谈、能被触达、能被观察的具体人群。比如中型公司内部法务、DTC 品牌的增长负责人、营销服务公司的项目经理、负责排期和交付的运营同事。你越能说清楚谁最痛，谁每天被这个问题折磨，谁现在已经在用笨办法解决，谁有动力推动改变，用户画像才越接近真实。

第二个判据，是需求必须具体。不要停在“他们想更高效”“他们需要自动化”“他们希望降低成本”这种层面，而是要说清楚：他们现在到底卡在哪一步？这个问题多久发生一次？每次带来什么损失？他们现在怎么绕过去？为什么现有方案不够好？如果这些问题答不上来，需求就还没有被验证，只是一个听起来合理的方向。

第三个判据，是场景必须成立。也就是这个需求是在什么时间、什么流程、什么压力下被触发的。很多需求平时看起来不强，但一到特定场景就变得很硬。比如客户追问结果、老板要复盘、系统出故障、合同要在当天审完、投放数据要马上归因，这些场景会把一个模糊需求变成一个必须解决的问题。真正强的创业机会，往往不是“大家平时都觉得有点用”，而是“到了这个场景，不解决就很难受”。

只有用户、需求、场景三件事同时对上，方案才有意义。

否则你很容易做出一种“哪里都能用，所以哪里都不刚需”的产品。AI 时代尤其容易这样，因为 AI 的能力太泛了，什么都能沾一点：写文案、做总结、查资料、跑流程、生成报告、自动回复。它看起来能服务很多人，实际上可能没有一个人非用不可。真正要找的不是一个宽泛能力，而是一个精准切口：什么用户，在什么场景下，为什么必须用你。

这也是为什么 MVP 之前的判断，不应该只是“这个产品能不能做”，而应该是“这个方案是不是嵌进了用户真实场景”。如果你的方案要求用户改变太多工作流，要求他迁移太多数据，要求他承担太高试错成本，那即使需求真实，也可能推不动。相反，如果你的方案能顺着他已有的流程进去，在他最痛的节点上解决一个具体问题，它就更容易被接受。知道自己先服务谁、先解决什么、先进入哪个场景。因为只有足够窄，反馈才清楚；只有足够具体，需求才会变硬。

所以创意阶段的退出，不是喊一句“问题—方案契合”就够了，而是要真正找到用户、需求、场景的契合方案。当你能清楚说出：谁在什么情况下遇到什么问题，为什么现有方案不够好，而你的方案为什么能在这个场景里更顺地解决它，这时候才可以往前走。否则，就算 AI 一下午能帮你搭出 MVP，也应该先停住。因为你还没有找到需求，你只是找到了一个可以被构建的想法。

五、Vibe coding 必须先定架构

在传统开发里，真正开始写代码之前，团队通常会先定框架。这个框架不一定一开始就很复杂，但至少要把几个基本问题想清楚：项目怎么分层，前端和后端怎么交互，数据结构怎么设计，用户权限怎么处理，核心模块之间是什么关系，哪些能力以后可能扩展，哪些只是临时验证。它的意义不是为了显得专业，而是为了让后面的每一次开发，都长在同一个骨架上。

因为软件不是一堆功能的堆叠。一个产品能不能长期迭代，关键不只是某个页面能不能打开、某个按钮能不能点击，而是整个系统有没有一致的结构。传统开发里，架构就像城市规划。你可以先修一条路、盖一栋楼，但你至少要知道主干道在哪里，水电怎么走，未来要不要扩区。如果一开始完全没有规划，今天哪里堵就在哪里凿洞，明天哪里缺就在哪里接线，短期看起来很快，长期一定会变成一座到处打补丁的违章建筑。

Vibe coding 出现以后，这件事变得更容易被忽略。因为它太方便了。你不需要先完整写 PRD，不需要画系统图，也不需要先找工程师讨论技术方案。你只要对 AI 说一句“帮我做一个登录页”“加一个排行榜”“这里补一个支付按钮”“结果页再加一个分享卡片”，它马上就能开工。过去需要排期、沟通、开发、测试的东西，现在像聊天一样就能长出来。便利性本身不是问题，问题是它会制造一种错觉：既然功能可以随时补，那框架好像也可以以后再说。于是很多人开始随意 coding，缺什么补什么，看见一个想法就加一个功能，发现一个页面空了就让 AI 填上，用户提一个反馈就马上改一版。整个过程非常爽，因为每一步都有即时反馈，产品好像一直在变丰富。但这种丰富，可能只是表面丰富。真正的弊端，会在几轮之后慢慢出现。

第一个问题，是数据结构会越来越乱。每次 AI 都是在解决当前问题，单独看都能跑，但整体上没有统一的数据模型。等你以后要做用户画像、历史记录、订阅权限、跨端同步时，就会发现同一个概念在不同地方被写成了好几套东西。

第二个问题，是功能之间会互相打架。没有框架的时候，AI 很容易把逻辑写在最方便的位置：有时写在页面组件里，有时写在接口里，有时写在工具函数里，有时直接写死在前端。刚开始看不出问题，因为功能少，怎么写都能跑。但功能一多，改一个地方就会牵动另一个地方。你想改结果页，分享卡片坏了；你想改用户状态，排行榜不更新了；你想加权限，发现很多入口根本没有统一校验。

第三个问题，是产品会失去清晰边界。因为加东西太便宜了，Vibe coding 很容易让人不断加东西。但一个早期产品最重要的不是功能多，而是核心链路清楚。没有框架约束时，你会把很多“看起来有用”的功能都塞进去，却没有一条真正顺滑的主线。用户进来不知道重点是什么，创始人自己也很难判断下一步该优化哪里。

第四个问题，是后期重构成本会变得非常高。临时方案一旦被后续功能依赖，它就不再是临时方案，而变成了地基的一部分。你早期随手写死的用户 ID，后面可能牵连支付；早期随手放在前端的状态，后面可能牵连数据同步；早期没有设计的权限模型，后面可能牵连所有页面。等你想正规化时，不是重写一个文件，而是拆掉一片系统。

所以Vibe coding 不是不需要架构，而是更需要先定架构。

框架的意义，是给 AI 设边界。

没有框架，AI 是一个很快的施工队，你让它今天往东盖一间，明天往西接一层，它都能盖。但有框架之后，AI 才更像一个真正的工程助手：它知道功能应该放在哪里，数据应该怎么走，哪些地方不能乱改，哪些接口要复用，哪些原则不能突破。这样你既能享受 Vibe coding 的速度，又不会让产品在快速迭代中变成一团线。

所以在 AI 时代，创始人可以不懂每一行代码，但不能不懂自己的产品骨架。越是不会代码，越要先把框架说清楚，因为你没有能力在代码层面随时纠偏，就更不能让 AI 一开始随便长。Vibe coding 的正确姿势，不是想到哪写到哪，而是先定一个清楚的系统边界，再让 AI 在边界里快速施工。

否则，它会让你很快得到一个能跑的原型，也会让你更快做出一个越改越乱、最后没人敢维护的系统。

写在最后：AI 拉平创业门槛，重塑“谁能创业”

AI 最大的改变，不只是让写代码变快了，而是让“谁能创业”这件事变了。过去，一个人就算有很好的行业洞察，也常常卡在技术门槛上：不会写代码，找不到工程师，外包成本太高，原型周期太长。现在这些障碍正在被一点点移除，一个不懂代码的人，也可以靠 Claude Code、Codex、Cursor 这类工具，把想法变成能跑的东西。

这当然是巨大的机会。它意味着更多懂行业、懂用户、懂具体场景的人，可以真正下场做产品。很多过去只有大公司、技术团队、融资创业者才能尝试的方向，现在个人开发者、小团队、行业从业者也有机会试一试。创业的门槛被拉低之后，世界上会出现更多奇怪但有生命力的产品，因为创造权不再只掌握在少数工程团队手里。

但问题也在这里。

当“能不能做出来”不再是最大的限制，真正的瓶颈就会从构建能力转向选择能力。以前大家拼的是谁能把东西做出来，现在更重要的是谁知道该做什么、不该做什么、先做什么、后做什么。AI 会放大执行力，也会放大错误判断。一个方向如果是对的，AI 能让你更快接近机会；一个方向如果从一开始就是错的，AI 也会让你更快把时间花在一个没人要的东西上。

所以 AI 时代创业，最重要的能力反而变得更朴素：找需求、听抱怨、验证问题、判断场景、守住产品骨架。你不能因为原型好做，就跳过需求；不能因为 AI 会写代码，就不定框架；不能因为市场分析看起来漂亮，就以为用户真的会买单。技术越容易，前面的判断越重要。因为过去技术门槛会帮你慢下来，现在没人帮你慢下来，刹车只能你自己踩。

真正的创业机会，往往不在“AI 能做什么”里，而在“真实世界哪里还很难受”里。一个便利店老板每天怎么盘货，一个营销团队怎么对客户交付结果，一个法务怎么处理合同版本，一个项目负责人怎么在出问题后复盘追责，这些具体场景里的麻烦，比任何宏大的 AI 叙事都更接近需求。AI 是工具，不是方向；模型能力是生产力，不是用户痛点本身。

所以“寻找需求，不是创造需求”在今天比过去更重要。AI 让我们更容易创造一个看起来完整的产品，但它不能替我们创造真实需求。需求只能从真实的人、真实的流程、真实的抱怨和真实的代价里长出来。一个人已经为了某个问题反复加班、花钱、求人、绕流程，这才是创业者应该盯住的地方。

最后，AI 拉平的是技术门槛，不是商业判断。它让更多人有资格开始，但不会保证更多人做对。未来能跑出来的创业者，未必是最会让 AI 写代码的人，而是最能在一堆想法里找到真问题、在一堆反馈里听出真需求、在一堆功能诱惑里守住主线的人。技术障碍被移除之后，真正决定生死的，不再是你能构建什么，而是你选择构建什么。