| 產品 | 用途 | 記憶方法 |
|---|---|---|
| Claude Chatbot | 隨手問問題、改文字、brainstorm，即開即用 | 隨手想問一個問題 |
| Claude Cowork | 跨多份資料產出成品，接檔案、connector、跑排程 | 要產出一份非軟體的成品 |
| Claude Code | 直接碰 codebase、git、開發環境，從原型做到上線 | 要寫程式 |
痛點是否真的存在 → 誰有這個問題 → 問題發生得夠頻繁嗎 → 大家現在怎麼解決 → 解法到底有沒有打中真正的問題
① 把模糊的 idea 變成可以驗證的假設
給 Claude：你觀察到的痛點、你服務的人他們現在的工作流程、你懷疑哪個地方有摩擦。讓 Claude 幫你拆成五個問題，最後判斷這些問題是否可一一回答。
② 反向驗證（重要！）
不要問「請幫我分析這個市場為什麼有機會」（它在幫你找支持證據）。請 Claude 扮演反方：客戶為什麼可能根本沒有這個痛點、競品為什麼已經夠好、市場為什麼可能太小、解法為什麼很難賣。
③ Customer Discovery 訪談設計
問過去不問未來。Claude 可以幫你設計訪談問題、檢查哪些問題太具備誘導性、哪些問題太過抽象。
以前 scope creep 會被工程成本擋住（工程師皺眉、PM 排優先級、老闆看 budget）。現在每個突發奇想都可以很快變成產品的一部分——這就是無意義的需求蔓延。
① MVP Scope Doc
定義做什麼、不做什麼、排除功能（這塊一定要寫！）。判斷這個功能是否是能驗證產品價值的核心，還是只是手癢想加。
② CLAUDE Markdown
給未來 AI session 看的工作記憶、員工手冊。讓 Claude Code 每次進來都知道專案的基本規則，在結構上保持一致性，避免 codebase 漂移。
③ Security Review
AI 寫的程式碼能跑不等於安全。功能對不對一眼就看出來，但安全漏洞不會報錯、不會當機。先讓 Claude 掃一輪：authentication、session 處理、API 資料洩漏、injection 風險。
Launch 不只是產品上線，而是公司從 founder 手工操作變成可以重複運轉的系統。AI 不應該只是聊天機器人，應該是營運系統的一部分。
① Weekly Metrics Brief
固定產出每週 metrics report：輸入各種產品和營運指標，AI 產出本週變化、異常訊號、可能原因、下週應該追的問題。
Sean Ellis Test：問活躍用戶「如果你不能再用這個產品，你會有多失望？」如果 >40% 回答 very disappointed = 有意義的 PMF 指標。
② Support 和 Bug Triage SOP
建立分類規則、優先級、標準回覆、升級條件。讓你知道哪些問題可以流程化，哪些代表產品本身需要改。
| 護城河 | 含義 |
|---|---|
| Accumulated Depth | 對領域的理解、產品整合深度、別人沒有的資料和流程 |
| Proprietary System Data | 產品被用得越久，越懂這群人怎麼做事，競爭對手看 landing page 抄不走 |
| Workflow Lock-in | 客戶把自動化、團隊習慣、標準輸出都建在你的產品上，替換你是個 operational project |
User Behavior Data Flywheel：從使用者行為找出可以持續改善產品的訊號——哪些 output 被改掉、哪些流程被重複使用、哪些功能沒人碰。持續追蹤轉成優化 idea，模型越來越準，越準越多人用。
避免只有一個功能：今天做摘要，明天別人也做摘要，沒技術壁壘。但如果產品已經接到他的資料來源進入他的團隊流程，影響他的標準輸出——離開成本就高到不像話。
[0:46] "AI 不是讓創業變簡單，而是讓執行還有試錯的成本都變得更低。好的想法可以更快的被驗證，但錯的想法也可以很快就被包裝得有模有樣。"
[4:38] "42% 的 startup 失敗是因為 built something nobody wanted。AI 不會自動解決這個問題，AI 只會讓你更快做出一個沒人要的東西。"
[8:18] "AI 最擅長的是 greenfield project，也就是從零開始做一個 demo。但真正麻煩的是 brownfield project，產品已經有人用、資料已經進來、架構已經開始累積技術債之後，還要持續迭代。"
[16:53] "AI-native startup 不是用了 AI 工具的公司，是把 AI 變成工作系統的公司。"
[16:21] "AI 會放大創業者的判斷力，也會放大創業者的愚蠢。"