Cursor，四個 MIT 學生，$9B 估值。他們沒有發明新技術，他們找到了開發者每天在 VS Code 和 ChatGPT 之間反覆切換的 10 倍摩擦點，從那裡切入，重新定義了整個工作流。
AI 時代的能力不是學更多工具，是理解工具背後的結構。Addy Osmani 在 Beyond Vibe Coding 裡說得清楚：AI 時代的開發不是 vibe coding，憑感覺讓 AI 寫 code，是品味驅動的系統設計。
這套知識體系做的就是這件事：六大支柱，從 AI 底層邏輯到實戰拆解，幫你從「會用 AI」升級到「懂 AI」再到「用 AI 建事業」。
目前 19 篇已上線，83 篇規劃完成，83 個原創框架。持續更新中。
現在就能讀：22 篇已上線文章
25 篇文章，三大區塊：AI 時代的「從零到一」、「一人公司的底層架構」，以及全新的「本地 AI 實戰：OpenClaw 完整系列」。
從零到一：Cursor 的關鍵切入點
Cursor 關鍵切入點（啟蒙文）
Cursor 四個人怎麼做到 $9B 估值：找到 AI 產品的關鍵切入點
AI 時代的「從零到一」不是「做一個 AI 產品」，是找到現有工作流裡的 10 倍改善點，然後用 AI 從那個點切入重新定義整個工作流。Cursor 四個 MIT 學生做的不是一個新的程式編輯器，他們找到了「開發者每天在 VS Code 和 ChatGPT 之間反覆切換」這個 10 倍摩擦點，從這裡切進去，做出了 $9B 估值。
這篇拆解的不只是 Cursor 的故事，是 AI 時代零到一的底層邏輯。Eric Ries 在 Running Lean 裡的精實驗證原則在 AI 時代依然成立，只是驗證速度被壓縮到了週而不是月。
核心框架：關鍵切入點 (Launch Entry Point) — AI 時代的零到一不是做新產品，是找到 10 倍改善點切入。
如果你只讀一篇，讀這篇。它同時連結到：
- CEO 決策日記的智力槓桿：當 AI 取代 90% 的專業，品味才是方向盤
- CEO 決策日記的引力場模型：建一個引力場，讓成果自然發生
以小搏大：一人公司的底層架構
一人公司底層架構（啟蒙文）
AI 時代一人公司的底層架構：從 20 人裁到 0 員工，年營收 3 億全解
當 AI 能取代大部分執行層的工作，「公司需要多少人」這個問題的答案正在被重寫。這篇拆解一人公司（或極小團隊）的底層架構，不是省錢，是用 AI 重新設計整個價值創造的結構。
本地 AI 實戰：OpenClaw 完整系列（17 篇）
OpenClaw 是開源 AI Agent 助理，跑在你自己的電腦上，用 Telegram 操作。這 17 篇從入門到進階、從概念到實戰，是目前中文世界最完整的 OpenClaw 系列。
入門與安裝：
- OpenClaw 新手入門：零基礎 30 分鐘搞定第一個 AI 助理 – 零基礎安裝指南
- OpenClaw 7 大功能實測：對話、檔案、知識庫、行程、信件、寫作、排程全體驗 – 功能巡禮式教學
- 史上最完整 OpenClaw 教學：從零安裝到 AI 自動化工作流 – 百科全書級教學
- OpenClaw 裝好然後呢？自動化完整教學 – 進階自動化指南
概念與解析：
- OpenClaw 為什麼爆紅？如何讓 Mac Mini 缺貨？AI Agent 產品策略拆解 – 產品策略拆解
- OpenClaw 是什麼？一篇搞懂功能、費用、安全性 – 概念導覽
- OpenClaw 懶人包 2026：AI Agent 是什麼、怎麼裝、拿來幹嘛，一篇全搞定 – 摘要懶人包
- Notion AI 不夠用？OpenClaw 知識庫深度實測 5 大優勢 – 深度比較評測
- OpenClaw 免費版夠用嗎？三種方案完整比較，免費版極限 vs Plus 升級時機 – 方案比較
實戰與應用：
- OpenClaw 真實評價 2026：優缺點完整分析 CEO 真實評測，驚豔與踩坑 – 長期使用心得
- Notion 筆記、Google Drive 檔案散落各處？OpenClaw 用 AI 讀 PDF 自動整理知識庫 – 場景教學
- 一人公司 AI 工作流：10 個 OpenClaw 自動化配方，複製貼上即跑 – 自動化配方包
- 一人公司 AI 自動化完整教學：OpenClaw 營運指南 – 一人公司自動化完整教學
- 本地 AI 免費模型：不花錢、不外洩 OpenClaw 免費部署完整指南 – 本地部署免費指南
- AI Agent 怎麼選？OpenClaw、ChatGPT、Claude Code 三款實測比較 2026 – 能力半徑框架選對 AI 工具
- OpenClaw 企業怎麼用？5 個 AI 自動化工作流讓團隊效率翻倍 – 企業級自動化成熟度階梯
- OpenClaw iPhone 怎麼用？Siri 捷徑 + iMessage + Webhook 完整串接 – 觸及距離決定使用頻率
- Google Drive 變 AI 知識庫：OpenClaw 檔案自動整理搜尋完整教學
- OpenClaw 2026 最新功能全解析：Gemini、PDF 原生到安全強化完整拆解
- OpenClaw 硬體需求完整指南：M4 Max 128GB 實測數據與 Mac 選購建議
六大支柱速覽：一句話理解每個支柱
六個支柱的遞進邏輯：
先懂 AI 的底層規則（支柱 1），再建動手能力（支柱 2），然後把能力變成產品（支柱 3）和業務（支柱 4），接著用最小團隊撬動最大成果（支柱 5），最後從真實案例中學到活的教訓（支柱 6）。
| 支柱 | 核心問題 | 文章數 | 框架數 | 你會學到 |
|---|---|---|---|---|
| 1. AI 底層邏輯 | 工具每月在變，什麼不會變？ | 0 已上線 / 12 規劃 | 12 | 對話架構、資料流思維、能力邊界、迭代系統 |
| 2. AI 開發力 | 為什麼需要懂 code？怎麼用 AI 快速學？ | 14 已上線 / 23 規劃 | 23 | No-Code 局限、AI 輔助開發、最小知識集、人機協作、本地 AI 實戰（OpenClaw 系列） |
| 3. AI 產品實戰 | 從想法到有人買單 | 0 已上線 / 12 規劃 | 12 | 產品策略、閃電驗證、品質突破、Product-Market Fit |
| 4. AI 商業全鏈 | 用 AI 重做企業價值鏈的每一環 | 0 已上線 / 12 規劃 | 12 | 行銷、顧客、營運、數據決策 |
| 5. 以小搏大 | 一個人 + AI 做到千人成果 | 0 已上線 / 12 規劃 | 12 | 一人架構、成本歸零、AI 團隊、槓桿堆疊 |
| 6. 實戰拆解 | 真實案例，完整路徑，血淋淋的教訓 | 1 已上線 / 12 規劃 | 12 | 從零到一、工具鏈、失敗拆解、下一波機會 |
支柱之間的遞進關係：
- 支柱 1-2 是基礎層：先理解 AI 的底層邏輯，再建立動手能力
- 支柱 3-4 是商業層：把能力變成可以賺錢的產品和業務
- 支柱 5-6 是放大層：用最小的團隊撬動最大的成果，從真實案例中學到活的教訓
這個遞進結構本身就是一次認知升級的路徑：從「我怎麼用 AI」到「我怎麼用 AI 賺錢」到「我怎麼用 AI 建一間公司」。每升一層，你思考的維度不同，問題的性質不同，需要的框架也不同。
支柱 1：AI 底層邏輯 — 工具每月在變，這些知識不會變
四層認知體系：介面層 → 架構層 → 判斷層 → 進化層
這個支柱回答一個根本問題：當 AI 工具每三個月換一批，你學的東西怎麼不過時？答案是，往下挖一層。工具是表面，底下是結構。Osmani 在 Beyond Vibe Coding 裡反覆強調：vibe coding 的問題不是效率低，是你不知道自己在建什麼。
Prompt 第一性原理（介面層）
你跟 AI 說話的方式，決定了 AI 的能力上限。但 Prompt 技巧的天花板不是技巧本身，是你自己的思考品質。
| 版本 | 角色 | 標題 | 命名框架 | 一句話價值 |
|---|---|---|---|---|
| A | 啟蒙文 | 你跟 AI 說話的方式決定了 AI 的能力上限 | 對話架構 (Conversation Architecture) | Prompt 不是一句話，是一個結構 |
| B | 工具文 | 一套不會過時的 Prompt 設計系統 | 指令解析度 (Instruction Resolution) | 五個維度提高 AI 理解你的精確度 |
| C | 挑戰文 | Prompt 技巧的天花板不是技巧 | 思考瓶頸 (Thinking Bottleneck) | 你的思考品質才是 AI 輸出的上限 |
資料流思維（架構層）
所有 AI 工具的底層都是同一張資料流圖。看懂這張圖，工具怎麼換都不怕。
| 版本 | 角色 | 標題 | 命名框架 | 一句話價值 |
|---|---|---|---|---|
| A | 啟蒙文 | 所有 AI 工具的底層都是同一張資料流圖 | 資料流地圖 (Data Flow Map) | 學一張圖勝過學一百個工具 |
| B | 工具文 | 五分鐘判斷你的 AI 專案該用什麼架構 | 架構選擇樹 (Architecture Decision Tree) | 一棵決策樹選對技術架構 |
| C | 挑戰文 | 大多數 AI 專案失敗的結構性原因 | 工具先行陷阱 (Tool-First Trap) | 先選工具後想問題是最常見的死法 |
AI 能力邊界（判斷層）
AI 不是什麼都能做。但邊界跟你想的不一樣：大部分人畫錯了線。
| 版本 | 角色 | 標題 | 命名框架 | 一句話價值 |
|---|---|---|---|---|
| A | 啟蒙文 | AI 不是什麼都能做但邊界跟你想的不一樣 | 能力光譜 (Capability Spectrum) | AI 的能力是光譜不是開關 |
| B | 工具文 | 三個問題判斷這件事該不該交給 AI | AI 適任度測試 (AI Fitness Test) | 三個問題快速判斷人做還是 AI 做 |
| C | 挑戰文 | 你畫的人機分工線幾乎一定是錯的 | 人機分工線 (Human-AI Division Line) | 分工線是動態的，固定不動會出事 |
持續迭代系統（進化層）
你的 AI 使用能力為什麼停滯了？因為你沒有一個讓系統自己進化的機制。
| 版本 | 角色 | 標題 | 命名框架 | 一句話價值 |
|---|---|---|---|---|
| A | 啟蒙文 | 為什麼你的 AI 使用能力停滯了 | 迭代飛輪 (Iteration Flywheel) | AI 能力需要一個自我強化的循環 |
| B | 工具文 | 你的 AI 工作流需要一個操作系統 | AI 操作系統 (AI Operating System) | 把零散的 AI 使用變成一套系統 |
| C | 挑戰文 | 你的 AI 系統正在退化你只是還沒發現 | 活系統 (Living System) | 不更新的 AI 系統會慢慢變成廢物 |
支柱 2：AI 開發力 — 為什麼你需要懂 code，怎麼用 AI 快速學會
四層能力體系：覺醒層 → 起步層 → 知識層 → 協作層
Osmani 在 Beyond Vibe Coding 裡的核心論點：AI 不會取代開發者，但懂得跟 AI 協作的開發者會取代不懂的。這個支柱不是要你變成工程師，是要你理解到「讓 AI 寫 code 但你看不懂」跟「你看得懂 AI 寫的 code」之間有一道鴻溝，這道鴻溝就是你的商業天花板。
為什麼不能只用 No-Code（覺醒層）
不是 No-Code 不好，是你把自己的天花板綁在了別人的平台上。
| 版本 | 角色 | 標題 | 命名框架 | 一句話價值 |
|---|---|---|---|---|
| A | 啟蒙文 | 你以為省了學 code 的時間其實你付了更貴的代價 | 依賴陷阱 (Dependency Trap) | 你省的時間會以十倍的代價回來 |
| B | 工具文 | 三個問題判斷你的業務需要多少技術控制權 | 技術自主度測試 (Tech Autonomy Test) | 不是人人要全端，但你該知道你需要多少 |
| C | 挑戰文 | 每一層你不理解的抽象都是未來的負債 | 抽象層稅 (Abstraction Tax) | 你用的每一個「簡化工具」都在收稅 |
AI 輔助開發入門（起步層）
AI 讓學寫 code 變成了完全不同的事。但最常犯的錯不是不會寫，是急著寫而不是急著懂。
| 版本 | 角色 | 標題 | 命名框架 | 一句話價值 |
|---|---|---|---|---|
| A | 啟蒙文 | AI 讓學寫 code 這件事變成了什麼 | AI 學習加速器 (AI Learning Accelerator) | AI 把學 code 的門檻降了 10 倍 |
| B | 工具文 | 用 AI 學 code 的人最常犯的錯 | 理解優先法 (Understanding-First Method) | 先理解再讓 AI 寫，順序錯了全盤皆輸 |
| C | 挑戰文 | 你讓 AI 寫了但看不懂的每一行 code 都是負債 | 理解債 (Understanding Debt) | AI 寫的 code 你不懂 = 定時炸彈 |
全端最小知識集（知識層）
你不需要學所有技術。你需要一個「完整但最小」的堆疊，然後在一件事上學到通。
| 版本 | 角色 | 標題 | 命名框架 | 一句話價值 |
|---|---|---|---|---|
| A | 啟蒙文 | 你不需要學所有技術你需要一個完整的最小堆疊 | 最小可控堆疊 (Minimum Controllable Stack) | 從前端到部署的最小完整路徑 |
| B | 工具文 | 不是什麼都學一點而是一件學到通 | T型知識圖 (T-Shaped Knowledge Map) | 廣度知道有什麼，深度掌握一條線 |
| C | 挑戰文 | 你覺得要學的東西無窮無盡這本身就是問題 | 知識焦慮陷阱 (Knowledge Anxiety Trap) | 焦慮來自沒有邊界，畫出邊界就解決了 |
人機協作開發（協作層）
AI 寫、你想、你改、AI 再寫：這才是正確的開發節奏。但你不能當乘客。
| 版本 | 角色 | 標題 | 命名框架 | 一句話價值 |
|---|---|---|---|---|
| A | 啟蒙文 | AI 寫你想你改 AI 再寫這才是正確的開發節奏 | 人機開發節奏 (Human-AI Dev Rhythm) | 人和 AI 交替推進的正確循環 |
| B | 工具文 | 三個問題判斷 AI 寫的 code 能不能用 | Code Review 三問法 (Code Review Three Questions) | 不用全懂，問對三個問題就夠 |
| C | 挑戰文 | 你以為 AI 在自動開車其實你需要隨時準備接管 | 自動駕駛錯覺 (Autopilot Illusion) | AI 是 L3 自動駕駛，不是 L5 |
支柱 3：AI 產品實戰 — 從想法到有人買單
四層產品體系：方向層 → 驗證層 → 品質層 → 契合層
Nika 在 Building AI-Powered Products 裡提出了一個關鍵區分：AI 功能和 AI 產品是兩件完全不同的事。加一個 AI 功能很容易，做一個有人願意付錢的 AI 產品很難。這個支柱教你的是後者。Covey 的「以終為始」在這裡同樣適用，不是從技術出發往外推，是從使用者的痛點倒推你該建什麼。
AI 產品策略（方向層）
AI 時代選產品方向的底層邏輯變了。AI 讓你更快做出東西，也讓你更快做出沒人要的東西。
| 版本 | 角色 | 標題 | 命名框架 | 一句話價值 |
|---|---|---|---|---|
| A | 啟蒙文 | AI 時代選產品方向的底層邏輯變了 | 產品直覺 (Product Intuition) | 好產品的直覺從哪來、怎麼練 |
| B | 工具文 | 三個問題篩掉 90% 不值得做的產品方向 | AI 產品篩選器 (AI Product Filter) | 在動手前就篩掉不該做的方向 |
| C | 挑戰文 | AI 讓你更快做出東西也讓你更快做出沒人要的東西 | 偽需求放大器 (Fake Demand Amplifier) | AI 把做產品的速度和判斷失誤都放大了 |
AI 閃電驗證（驗證層）
AI 讓你能在 48 小時內知道一個想法值不值得做。但速度本身也是陷阱。這就是 Running Lean 的精實驗證在 AI 時代的進化版，驗證週期從月壓縮到天。
| 版本 | 角色 | 標題 | 命名框架 | 一句話價值 |
|---|---|---|---|---|
| A | 啟蒙文 | AI 讓你能在 48 小時內知道一個想法值不值得做 | 閃電驗證 (Lightning Validation) | 驗證的速度是 AI 時代最大的武器 |
| B | 工具文 | 48 小時從零到用戶反饋的完整操作手冊 | 48 小時驗證法 (48-Hour Validation Method) | Week 1 到 Week 4 的完整步驟 |
| C | 挑戰文 | 驗證速度是武器但速度本身也是陷阱 | 速度陷阱 (Speed Trap) | 快到看不清楚比慢更危險 |
AI 品質突破（品質層）
AI 時代產品品質的定義變了。80 分是起跑線不是終點，但大部分人停在了起跑線。
| 版本 | 角色 | 標題 | 命名框架 | 一句話價值 |
|---|---|---|---|---|
| A | 啟蒙文 | AI 時代產品品質的定義變了 | 品質槓桿 (Quality Leverage) | AI 讓品質成為可以槓桿化的變數 |
| B | 工具文 | 一套讓 AI 幫你從 80 分做到 95 分的品質系統 | AI 品質堆疊 (AI Quality Stack) | 自動化品質檢查的完整流程 |
| C | 挑戰文 | 80 分的陷阱為什麼夠好是不夠好的 | 及格線詛咒 (Good-Enough Curse) | 所有人都能 80 分時 80 分就是零分 |
AI 加速 PMF（契合層）
你怎麼知道你的產品真的被需要了？數據可能在騙你。
| 版本 | 角色 | 標題 | 命名框架 | 一句話價值 |
|---|---|---|---|---|
| A | 啟蒙文 | 你怎麼知道你的產品真的被需要了 | 契合信號 (Fit Signal) | PMF 有五個信號，大部分人只看到一個 |
| B | 工具文 | 一套量化 Product-Market Fit 的儀表板 | PMF 儀表板 (PMF Dashboard) | 五個指標量化你離 PMF 有多遠 |
| C | 挑戰文 | 你的數據說你有 PMF 但用戶的行為說沒有 | 假契合 (False Fit) | 數據造假比你想的容易 |
支柱 4：AI 商業全鏈 — 用 AI 重做企業價值鏈的每一環
四環商業體系：行銷（帶進來）→ 顧客（留住）→ 營運（服務好）→ 數據決策（決定下一步）
AI x 行銷
AI 重構了行銷的成本結構和遊戲規則。一個人可以建立完整的行銷系統，但當所有人都用 AI 做行銷時，你怎麼辦？
| 版本 | 角色 | 標題 | 命名框架 | 真實案例 |
|---|---|---|---|---|
| A | 啟蒙文 | AI 重構了行銷的成本結構和遊戲規則 | AI 行銷引擎 (AI Marketing Engine) | Pieter Levels / PhotoAI $300K/月 |
| B | 工具文 | 一個人用 AI 建立完整行銷系統的操作手冊 | 一人行銷堆疊 (Solo Marketing Stack) | Danny Postma / HeadshotPro $1M ARR |
| C | 挑戰文 | 當所有人都用 AI 做行銷你的內容就淹沒在噪音裡 | 行銷噪音牆 (Marketing Noise Wall) | Google HCU 消滅 AI 內容農場 |
AI x 顧客
AI 讓你的產品從工具變成用戶離不開的習慣。但效率太高可能讓用戶覺得你不在乎他們。
| 版本 | 角色 | 標題 | 命名框架 | 真實案例 |
|---|---|---|---|---|
| A | 啟蒙文 | AI 讓你的產品從工具變成用戶離不開的習慣 | 顧客引力場 (Customer Gravity Field) | Midjourney 11 人 $200M ARR |
| B | 工具文 | 用 AI 建立自動化的顧客留存和擴展飛輪 | AI 顧客飛輪 (AI Customer Flywheel) | Gamma.app |
| C | 挑戰文 | 你的 AI 客服很有效率但用戶開始覺得你不在乎他們 | 自動化疏離 (Automation Alienation) | Air Canada AI 客服錯誤承諾事件 |
AI x 營運
AI 讓營運從「花人力做事」變成「花判斷力設計系統」。但自動化過頭，你可能不知道自己的公司怎麼運作了。
| 版本 | 角色 | 標題 | 命名框架 | 真實案例 |
|---|---|---|---|---|
| A | 啟蒙文 | AI 讓營運從花人力做事變成花判斷力設計系統 | 營運槓桿 (Operations Leverage) | Klarna AI 2.3M 對話/月，$40M 利潤改善 |
| B | 工具文 | 一人公司用 AI 建立不需要自己在場也能運轉的營運系統 | 一人營運堆疊 (Solo Operations Stack) | Perplexity AI ~50 人，$30B 估值 |
| C | 挑戰文 | 你自動化了營運然後你不知道公司怎麼運作了 | 自動化黑箱 (Automation Black Box) | Zillow iBuying $881M 虧損 |
AI x 數據決策
AI 讓你看到以前看不到的模式。但看到不等於做對決定，數據越多不代表決定越好。
| 版本 | 角色 | 標題 | 命名框架 | 真實案例 |
|---|---|---|---|---|
| A | 啟蒙文 | AI 讓你看到以前看不到的模式但看到不等於做對決定 | 數據判斷力 (Data Judgment) | Replit AI 轉型 → $11.6B 估值 |
| B | 工具文 | 一人公司需要追蹤的五個指標和一個你不需要的 | 決策儀表板 (Decision Dashboard) | Plausible Analytics 2 人 $1M+ ARR |
| C | 挑戰文 | 數據越多不代表決定越好 | 數據近視 (Data Myopia) | Stitch Fix $20B → 股價跌 96% |
支柱 5：以小搏大 — 一個人 + AI 做到千人的成果
四層以小搏大體系：架構層 → 經濟層 → 能力層 → 放大層
一人公司實戰架構（架構層）
一個人做到千人成果的公司架構長什麼樣？答案不是「一個人做所有事」，是「架構即團隊」。
| 版本 | 角色 | 標題 | 命名框架 | 真實案例 |
|---|---|---|---|---|
| A | 啟蒙文 | 一個人做到千人成果的公司架構長什麼樣 | 架構即團隊 (Architecture Is Your Team) | Gumroad 0 全職員工 $9.8M 營收 |
| B | 工具文 | 一人公司需要的最小完整系統和每個環節的工具 | 自運轉系統 (Self-Running System) | Justin Welsh 1 人 $5M+ ARR |
| C | 挑戰文 | 一人架構的天花板在哪裡 | 架構天花板 (Architecture Ceiling) | ConvertKit 1人→70人 $30M+ ARR |
成本結構歸零（經濟層）
AI 讓創業成本結構根本性改變。但當所有成本都歸零，你以為免費的東西才是最貴的。
| 版本 | 角色 | 標題 | 命名框架 | 真實案例 |
|---|---|---|---|---|
| A | 啟蒙文 | AI 讓創業的成本結構長什麼樣 | 成本蒸發 (Cost Evaporation) | Carrd 1 人 $1M+ ARR 96% 利潤率 |
| B | 工具文 | 一張成本地圖幫你找出可以歸零的每一項支出 | 成本地圖 (Cost Map) | Bannerbear 1 人 $500K+ ARR |
| C | 挑戰文 | 當所有成本都歸零你以為免費的東西才是最貴的 | 零成本陷阱 (Zero-Cost Trap) | Jasper AI $15 億估值 → 多輪裁員 |
AI 團隊設計（能力層）
AI 時代的團隊不是一群人，是一組能力模組。但有些位置只有人能坐。
| 版本 | 角色 | 標題 | 命名框架 | 真實案例 |
|---|---|---|---|---|
| A | 啟蒙文 | AI 時代的團隊不是一群人是一組能力模組 | 能力模組 (Capability Module) | Marc Lou 1 人 $100K+/月 |
| B | 工具文 | 你需要的每一個團隊角色用 AI 怎麼實現 | AI 角色矩陣 (AI Role Matrix) | Stratechery 1 人 $3-5M ARR |
| C | 挑戰文 | 你以為 AI 可以取代團隊但有些位置只有人能坐 | 團隊錯覺 (Team Illusion) | Humane AI Pin $230M 融資 → 最差產品 |
槓桿堆疊（放大層）
你的產出不是加法，是五種槓桿的乘法。但堆錯順序，整個結構會倒。
| 版本 | 角色 | 標題 | 命名框架 | 真實案例 |
|---|---|---|---|---|
| A | 啟蒙文 | 你的產出不是加法是五種槓桿的乘法 | 槓桿方程式 (Leverage Equation) | Ali Abdaal 醫生 → $5M+ ARR |
| B | 工具文 | 先疊什麼後疊什麼錯誤的順序會讓整個結構倒塌 | 槓桿堆疊序列 (Leverage Stacking Sequence) | Nathan Barry 部落格 → Kit $30M+ ARR |
| C | 挑戰文 | 槓桿堆越高倒的時候越慘 | 槓桿倒塌 (Leverage Collapse) | WeWork $47B 估值 → 破產 |
支柱 6：實戰拆解 — 真實案例，完整路徑，血淋淋的教訓（1 篇已上線）
四層實戰體系：旅程層 → 裝備層 → 反面層 → 未來層
這是目前唯一有文章上線的支柱。為什麼從這裡開始？因為理論再好，不如一個真實案例拆解來得有力。Cursor 的故事不只是一個案例，它是 AI 時代「從零到一」的活教材。
從零到一（旅程層）— 1 篇已上線
AI 時代從零到一的啟動切入點變了。90% 的 AI 產品死在同一個地方：不是技術不夠好，是結構不對。
| 版本 | 角色 | 標題 | 命名框架 | 狀態 |
|---|---|---|---|---|
| A | 啟蒙文 | Cursor 四個人怎麼做到 $9B 估值 | 關鍵切入點 (Launch Entry Point) | 已上線 |
| B | 工具文 | 從想法到第一個付費用戶的 30 天完整路徑 | 30 天啟動法 (30-Day Launch Method) | 規劃中 |
| C | 挑戰文 | 90% 的 AI 產品死在同一個地方 | 死亡谷 (Death Valley) | 規劃中 |
工具鏈全解析（裝備層）
工具每半年換一次，但價值鏈十年不變。先看價值鏈再選工具，反過來做的人都在交工具債。
| 版本 | 角色 | 標題 | 命名框架 | 一句話價值 |
|---|---|---|---|---|
| A | 啟蒙文 | 工具每半年換一次但價值鏈十年不變 | 價值鏈先行 (Value Chain First) | 先畫價值鏈再選工具，不要反過來 |
| B | 工具文 | 一人公司的完整 AI 工具鏈 | 工具鏈藍圖 (Toolchain Blueprint) | 8 類別 x 最佳工具 x $71-140/月 |
| C | 挑戰文 | 你的工具比你的產品還多這就是工具債 | 工具債 (Tool Debt) | 工具的隱性成本：整合+學習+切換=982hr/年 |
失敗拆解（反面層）
成功的 AI 公司各有各的路。失敗的 AI 公司死法驚人地相似，而且大部分轉型都是假的。
| 版本 | 角色 | 標題 | 命名框架 | 真實案例 |
|---|---|---|---|---|
| A | 啟蒙文 | AI 創業最貴的三堂課每堂都超過十億美元 | 結構性失敗 (Structural Failure) | Stability AI / Rabbit R1 / Inflection AI |
| B | 工具文 | 把一間 AI 公司的失敗拆成七層你就知道問題在哪 | 失敗解剖術 (Failure Autopsy) | 七層模型完整拆解 Stability AI |
| C | 挑戰文 | 他們不是轉型是在假裝轉型 | 假轉型 (Fake Pivot) | Olive AI $800M+ 融資 → 3 次假轉型 → 解散 |
下一波突破點（未來層）
下一波 AI 機會不在模型更強，在結構性缺口。90% 追浪的人淹死在浪裡，但信號永遠比趨勢早 18 個月到。
| 版本 | 角色 | 標題 | 命名框架 | 一句話價值 |
|---|---|---|---|---|
| A | 啟蒙文 | AI 的下一個十億美元機會藏在結構性缺口裡 | 突破點地圖 (Breakthrough Map) | 五個結構性缺口就是五個十億級機會 |
| B | 工具文 | 在所有人看到趨勢之前看到信號 | 早期信號 (Early Signal) | 5 信號源 x 3 過濾器的偵測系統 |
| C | 挑戰文 | 90% 追浪的人淹死在浪裡 | 追浪陷阱 (Wave-Chasing Trap) | AI Wrapper 三種死法和一種活法 |
六條閱讀路線：根據你現在的需求選
目前只有 1 篇內容文章已上線，但閱讀路線的規劃已經完成。當新文章上線時，這些路線會直接變成可走的路徑。現在你可以先從唯一已上線的文章開始，再搭配跨主題的已上線文章加深理解。
路線 A：「我完全不懂 AI，從哪開始？」（認知啟蒙路線）
現在可讀：1 篇已上線 + 2 篇跨主題
- 關鍵切入點（支柱 6）→ 從 Cursor 的故事理解 AI 時代的切入邏輯（已上線）
- 智力槓桿（CEO 決策日記）→ 當 AI 取代 90% 的專業，品味才是方向盤（已上線，跨主題）
- 引力場模型（CEO 決策日記）→ 建一個引力場，讓成果自然發生（已上線，跨主題）
- 對話架構（支柱 1）→ 先學怎麼跟 AI 說話（規劃中）
- 能力光譜（支柱 1）→ 知道 AI 能做什麼不能做什麼（規劃中）
路線 B：「我想用 AI 做一個產品」（產品路線）
現在可讀：1 篇已上線
- 關鍵切入點（支柱 6）→ 找到 10 倍改善的切入點（已上線）
- 產品直覺（支柱 3）→ 選方向（規劃中）
- AI 產品篩選器（支柱 3）→ 篩掉不該做的（規劃中）
- 48 小時驗證法（支柱 3）→ 48 小時內知道值不值得做（規劃中）
- 死亡谷（支柱 6）→ 避免 90% 的人死的地方（規劃中）
- 契合信號（支柱 3）→ 確認你的產品真的被需要（規劃中）
路線 C：「我想一個人建公司」（一人公司路線）
現在可讀：1 篇已上線 + 1 篇跨主題
- 關鍵切入點（支柱 6）→ 看 4 人怎麼做到 $9B（已上線）
- 交易結構透視（Business Model）→ 看懂交易結構你就看懂一切（已上線，跨主題）
- 架構即團隊（支柱 5）→ 一人公司的架構長什麼樣（規劃中）
- 成本蒸發（支柱 5）→ AI 時代的成本結構（規劃中）
- 能力模組（支柱 5）→ 用 AI 組建能力團隊（規劃中）
- 槓桿方程式（支柱 5）→ 五種槓桿的乘法（規劃中）
- 一人行銷堆疊（支柱 4）→ 一個人建完整行銷系統（規劃中）
路線 D：「我已經有產品，想用 AI 強化業務」（業務強化路線）
現在可讀：1 篇跨主題
- SEO 關鍵字策略（SEO Playbook）→ 搜尋意圖與原生語言（已上線，跨主題）
- AI 行銷引擎（支柱 4）→ 行銷的遊戲規則怎麼變了（規劃中）
- 顧客引力場（支柱 4）→ 從工具變成用戶離不開的習慣（規劃中）
- 營運槓桿（支柱 4）→ 營運自動化的正確方式（規劃中）
- 數據判斷力（支柱 4）→ 用數據做對決定（規劃中）
- AI 品質堆疊（支柱 3）→ 從 80 分做到 95 分的系統（規劃中）
路線 E：「我想從失敗案例中學習」（反面教材路線）
現在可讀：1 篇已上線（部分相關）
- 關鍵切入點（支柱 6）→ 先看成功的切入邏輯，才能理解失敗的結構（已上線）
- 結構性失敗（支柱 6）→ 三堂十億美元的課（規劃中）
- 失敗解剖術（支柱 6）→ 七層模型拆解失敗（規劃中）
- 假轉型（支柱 6）→ 你的轉型是真的嗎？（規劃中）
- 偽需求放大器（支柱 3）→ AI 讓你更快做出沒人要的東西（規劃中）
- 零成本陷阱（支柱 5）→ 免費的東西才是最貴的（規劃中）
路線 F：「我想找下一個 AI 機會」（機會偵測路線）
現在可讀：1 篇已上線 + 1 篇跨主題
- 關鍵切入點（支柱 6）→ Cursor 怎麼找到切入點的（已上線）
- 共識代價（CEO 決策日記）→ 所有人都同意的方向，利潤已經被瓜分完了（已上線，跨主題）
- 突破點地圖（支柱 6）→ 五個結構性缺口（規劃中）
- 早期信號（支柱 6）→ 比趨勢早 18 個月看到機會（規劃中）
- 追浪陷阱（支柱 6）→ 別追浪，等浪（規劃中）
72 個命名框架速查表
每個框架都是一個可以立刻使用的概念工具。中文名 + 英文名，方便記憶和引用。這 72 個框架是整套知識體系的骨架，有名字的洞察才會被記住、被傳播、被引用。
支柱 1：AI 底層邏輯（12 個）
| # | 框架 | English | 一句話 |
|---|---|---|---|
| 1 | 對話架構 | Conversation Architecture | Prompt 不是一句話，是一個結構 |
| 2 | 指令解析度 | Instruction Resolution | AI 理解你的精確度取決於你表達的精確度 |
| 3 | 思考瓶頸 | Thinking Bottleneck | 你的思考品質是 AI 輸出的天花板 |
| 4 | 資料流地圖 | Data Flow Map | 所有 AI 工具的底層都是同一張圖 |
| 5 | 架構選擇樹 | Architecture Decision Tree | 一棵樹選對技術架構 |
| 6 | 工具先行陷阱 | Tool-First Trap | 先選工具後想問題是最常見的死法 |
| 7 | 能力光譜 | Capability Spectrum | AI 的能力是光譜不是開關 |
| 8 | AI 適任度測試 | AI Fitness Test | 三個問題判斷人做還是 AI 做 |
| 9 | 人機分工線 | Human-AI Division Line | 分工線是動態的，不動就出事 |
| 10 | 迭代飛輪 | Iteration Flywheel | AI 能力需要自我強化的循環 |
| 11 | AI 操作系統 | AI Operating System | 把零散的 AI 使用變成一套系統 |
| 12 | 活系統 | Living System | 不更新的 AI 系統會退化 |
支柱 2：AI 開發力（12 個）
| # | 框架 | English | 一句話 |
|---|---|---|---|
| 13 | 依賴陷阱 | Dependency Trap | 省的時間會以十倍代價回來 |
| 14 | 技術自主度測試 | Tech Autonomy Test | 你需要多少技術控制權？ |
| 15 | 抽象層稅 | Abstraction Tax | 每一層你不理解的抽象都在收稅 |
| 16 | AI 學習加速器 | AI Learning Accelerator | AI 把學 code 的門檻降了 10 倍 |
| 17 | 理解優先法 | Understanding-First Method | 先理解再讓 AI 寫 |
| 18 | 理解債 | Understanding Debt | AI 寫的 code 你不懂 = 定時炸彈 |
| 19 | 最小可控堆疊 | Minimum Controllable Stack | 完整但最小的技術路徑 |
| 20 | T型知識圖 | T-Shaped Knowledge Map | 廣度知道有什麼，深度掌握一條線 |
| 21 | 知識焦慮陷阱 | Knowledge Anxiety Trap | 焦慮來自沒有邊界 |
| 22 | 人機開發節奏 | Human-AI Dev Rhythm | 人和 AI 交替推進的正確循環 |
| 23 | Code Review 三問法 | Code Review Three Questions | 不用全懂，問對三個問題就夠 |
| 24 | 自動駕駛錯覺 | Autopilot Illusion | AI 是 L3 自動駕駛，不是 L5 |
支柱 3：AI 產品實戰（12 個）
| # | 框架 | English | 一句話 |
|---|---|---|---|
| 25 | 產品直覺 | Product Intuition | 好產品的直覺怎麼練 |
| 26 | AI 產品篩選器 | AI Product Filter | 三個問題篩掉 90% 不該做的方向 |
| 27 | 偽需求放大器 | Fake Demand Amplifier | AI 把速度和判斷失誤都放大了 |
| 28 | 閃電驗證 | Lightning Validation | 48 小時知道值不值得做 |
| 29 | 48 小時驗證法 | 48-Hour Validation Method | 從零到用戶反饋的完整路徑 |
| 30 | 速度陷阱 | Speed Trap | 快到看不清楚比慢更危險 |
| 31 | 品質槓桿 | Quality Leverage | 品質成為可槓桿化的變數 |
| 32 | AI 品質堆疊 | AI Quality Stack | 80 分做到 95 分的系統 |
| 33 | 及格線詛咒 | Good-Enough Curse | 所有人 80 分時 80 分 = 零分 |
| 34 | 契合信號 | Fit Signal | PMF 有五個信號 |
| 35 | PMF 儀表板 | PMF Dashboard | 量化你離 PMF 有多遠 |
| 36 | 假契合 | False Fit | 數據造假比你想的容易 |
支柱 4：AI 商業全鏈（12 個）
| # | 框架 | English | 一句話 |
|---|---|---|---|
| 37 | AI 行銷引擎 | AI Marketing Engine | 行銷成本結構被重寫了 |
| 38 | 一人行銷堆疊 | Solo Marketing Stack | 一個人的完整行銷系統 |
| 39 | 行銷噪音牆 | Marketing Noise Wall | AI 內容淹沒了你的訊息 |
| 40 | 顧客引力場 | Customer Gravity Field | 從工具變成用戶離不開的習慣 |
| 41 | AI 顧客飛輪 | AI Customer Flywheel | 自動化的留存和擴展循環 |
| 42 | 自動化疏離 | Automation Alienation | 效率太高讓用戶覺得你不在乎 |
| 43 | 營運槓桿 | Operations Leverage | 營運從花人力變成花判斷力 |
| 44 | 一人營運堆疊 | Solo Operations Stack | 不需要自己在場也能運轉 |
| 45 | 自動化黑箱 | Automation Black Box | 自動化到你不知道公司怎麼運作 |
| 46 | 數據判斷力 | Data Judgment | 看到模式不等於做對決定 |
| 47 | 決策儀表板 | Decision Dashboard | 五個必須追蹤的指標 |
| 48 | 數據近視 | Data Myopia | 數據越多不代表決定越好 |
支柱 5：以小搏大（12 個）
| # | 框架 | English | 一句話 |
|---|---|---|---|
| 49 | 架構即團隊 | Architecture Is Your Team | 系統架構就是你的團隊 |
| 50 | 自運轉系統 | Self-Running System | 最小完整系統 + 每環節的工具 |
| 51 | 架構天花板 | Architecture Ceiling | 一人架構的極限在哪裡 |
| 52 | 成本蒸發 | Cost Evaporation | AI 讓成本結構根本性改變 |
| 53 | 成本地圖 | Cost Map | 找出可以歸零的每一項支出 |
| 54 | 零成本陷阱 | Zero-Cost Trap | 免費的東西才是最貴的 |
| 55 | 能力模組 | Capability Module | 團隊 = 一組能力模組 |
| 56 | AI 角色矩陣 | AI Role Matrix | 每個角色用 AI 怎麼實現 |
| 57 | 團隊錯覺 | Team Illusion | 有些位置只有人能坐 |
| 58 | 槓桿方程式 | Leverage Equation | 產出 = 五種槓桿的乘法 |
| 59 | 槓桿堆疊序列 | Leverage Stacking Sequence | 堆錯順序整個結構會倒 |
| 60 | 槓桿倒塌 | Leverage Collapse | 槓桿堆越高倒越慘 |
支柱 6：實戰拆解（12 個）
| # | 框架 | English | 一句話 |
|---|---|---|---|
| 61 | 關鍵切入點 | Launch Entry Point | AI 時代的啟動邏輯變了 |
| 62 | 30 天啟動法 | 30-Day Launch Method | 從想法到付費用戶的 30 天路徑 |
| 63 | 死亡谷 | Death Valley | 90% 的 AI 產品死在這裡 |
| 64 | 價值鏈先行 | Value Chain First | 先看價值鏈再選工具 |
| 65 | 工具鏈藍圖 | Toolchain Blueprint | 一人公司的完整工具推薦 |
| 66 | 工具債 | Tool Debt | 工具太多就是債 |
| 67 | 結構性失敗 | Structural Failure | 結構錯了執行越好死越快 |
| 68 | 失敗解剖術 | Failure Autopsy | 七層模型找到致命層 |
| 69 | 假轉型 | Fake Pivot | 換方向不等於換結構 |
| 70 | 突破點地圖 | Breakthrough Map | 追結構性缺口不追熱門賽道 |
| 71 | 早期信號 | Early Signal | 追信號不追趨勢 |
| 72 | 追浪陷阱 | Wave-Chasing Trap | 90% 追浪的人淹死在浪裡 |
跨主題連結：四個知識體系，互相支撐
AI 全端實戰不是一座孤島。它跟 CEO 決策日記、商業模式、SEO Playbook 形成一個互鎖的知識網路。
跟 CEO 決策日記的連結：
- 智力槓桿：AI 全端實戰教你怎麼用 AI，智力槓桿告訴你「品味是方向盤」，你用 AI 做什麼比你怎麼用 AI 更重要
- 引力場模型：不追工具，建一個讓工具和機會自然被吸引的場域
- 共識代價：所有人都在學的 AI 工具，利潤已經被瓜分完了。你需要的是別人沒在學的認知維度
- CEO 決策日記完整地圖：97 篇文章、113 個框架的完整導航
跟商業模式的連結：
跟 SEO Playbook 的連結：
- SEO 關鍵字策略：AI 產品的行銷第一步：理解搜尋意圖和原生語言
- SEO Playbook 完整地圖：69 篇文章、76 個框架的完整導航
這張地圖怎麼用
如果你只有 10 分鐘：先讀這篇，Cursor 四個人怎麼做到 $9B 估值。一個案例，一個框架，讓你理解 AI 時代「從零到一」的邏輯。
如果你有 30 分鐘：讀完 Cursor 拆解後，跳到跨主題文章。智力槓桿告訴你 AI 時代「什麼有價值」，引力場模型告訴你「怎麼讓價值自然聚集」。
如果你想持續追蹤：收藏這張地圖。72 篇文章會陸續上線，每篇上線時這裡會更新狀態和連結。你不用找文章，文章會在這張地圖上等你。
每篇文章的三種角色：
- 啟蒙文（版本 A）= 為什麼這件事重要，先讀這篇建立認知
- 工具文（版本 B）= 怎麼做，讀完可以馬上動手
- 挑戰文（版本 C）= 什麼會出錯，避免常見的陷阱
回到愛因斯坦那句話：我們無法用創造問題時的同一個思維層次，來解決這些問題。
學 AI 也是一樣。多數人在「工具操作」的層次上拼命學，學更多 prompt 技巧、學更多工具、追更多教學。但真正讓你從「會用 AI」跳到「懂 AI」的，不是更多的工具知識，是一次思維模式的質變：理解資料流而不只是操作介面，理解能力邊界而不只是功能清單，理解架構設計而不只是 vibe coding。
這 72 個框架，就是 72 個催化劑。每讀一篇，你的認知結構都會被微調一點。當量變觸發質變的那一刻，問題在更高維度下不復存在。
從 Cursor 那篇開始。現在。
