Stripe Sessions 2027 上有一场质量很高的对话：Nat Friedman 和 Daniel Gross 同 John & Patrick Collison 兄弟一起坐在台上，聊 AI 聊了 55 分钟。

注： Stripe 是全球最大的互联网支付基础设施公司之一，旗下商家年交易额已占全球 GDP 约 1.6%，两兄弟分别担任 CEO 和总裁。

Nat 是前 GitHub CEO，Daniel 是 Pioneer 创始人、AI Grant 合伙人，两人是长期合作伙伴，现在分别在 Meta 负责 Superintelligence Labs（MSL）的产品工作和 compute 战略，加起来投了 100+ 家 AI 公司。他们两这样背景的人坐在一起谈 AI 干货还是很多的，而且会直接落到他们正在解决的实际问题上。

整场看下来我没做笔记式的总结，而是直接记住了其中的五个判断，这篇把这五个点挑出来逐条展开，加一些我自己的旁注。

原始视频来源：Stripe Sessions 2027：Nat Friedman and Daniel Gross in conversation with John and Patrick Collison

你可能用 Claude Code 已经几个月了，但一直在”对话 + 改代码”这个循环里打转。

在终端里输入 /powerup，你会看到一个内置的互动教程系统——10 个课程，每个对应一个你可能完全没发现的功能。这不是第三方整理的技巧帖，是 Anthropic 自己觉得”大多数用户没用到、但应该知道”而专门写进工具里的内容（CC v2.1.90，2026 年 4 月上线）。

本文把这 10 个课程的要点直接提炼出来，配上使用场景说明。读完你应该能立刻多用上 2-3 个。

上一篇文章《AI 时代，为什么产品经理反而更吃香了？》中提到 Lenny Rachitsky 最新的就业市场报告的一组数字：2023 年中期以来，PM 岗位需求超过了设计师并持续拉大，目前 PM 需求是设计师的 1.27 倍。设计师的全球开放岗位约 5,700 个，自 2023 年初以来几乎没有增长。

对此，Lenny 的猜测是：”因为 AI 让工程师可以更快地推进产品，传统设计流程被卷入的机会变少了。”这个解释合理，但还是外部视角。我一直想找到一个来自内部、正在亲历变化的设计师声音。

正好最近 Peter Yang 采访了 Anthropic Cowork 产品的设计负责人 Jenny Wen。40 分钟的对话里，她几乎回答了所有我想问的问题。这篇文章是对那次访谈的编译解读，夹带一些我的观察。

原始访谈：Claude Cowork Tutorial from Cowork’s Design Lead (40 Min) | Jenny Wen，Peter Yang 频道

AI 时代，为什么产品经理反而更吃香了？

Lenny Rachitsky 最近更新了他每半年一次的科技行业就业市场报告。数据中有一个细节在社交媒体上引起不少讨论：从 2023 年中期开始，产品经理（PM）的岗位数量超过了设计师，此后差距持续拉大，目前 PM 需求是设计师的 1.27 倍。与此同时，PM 岗位总量达到了三年来的最高水平，全球超过 7,300 个开放岗位，比 2023 年初的低谷高出 75%。

在所有人都在讨论 AI 会替代哪些岗位的时候，这组数据显得有些”反直觉”。但如果你仔细想想 AI 正在怎样改变产品开发的流程，也许会发现这个趋势并不意外。几天前，Anthropic Claude Code 的产品负责人 Cat Wu 发表了一篇文章，详细描述了她作为 PM 如何用 AI 重塑自己的工作方式。而我自己作为一个 2005 年以后就没写过代码的 PM，在过去半年里也经历了一次类似的”角色升级”。

这篇文章想把这三个视角拼在一起：就业市场数据在说什么，AI 前沿的 PM 在怎么工作，以及我自己的实战体验。

最近一个月，我被身边朋友问了同一个问题至少二十遍：”龙虾到底怎么玩？”

问的人各种各样。有做跨境电商的老王，有做自媒体的小李，还有我老婆 - 她在群里看到了一条”AI帮你自动回邮件”的短视频，第二天就问我能不能也给她装一个。

但每次我反问一句”你想让龙虾帮你干什么”，对面通常会沉默两秒，然后说：”就……都说很厉害，我也想试试。”

这就是现在最普遍的状态：所有人都听说了龙虾，所有人都觉得应该搞一个，但大部分人连它到底是什么都没完全搞清楚，就急着问”怎么装”。

更让人头大的是，你真的去搜”龙虾”，会发现蹦出来一堆名字：KimiClaw、MaxClaw、AutoClaw、原版OpenClaw - 看着像一家人，但又各不相同，越看越懵。

所以今天这篇文章，我不打算写技术教程（那些网上到处都是），我想聊一个更根本的问题：你应该选哪个版本？ 回答三个问题，你自己就能找到答案。

我上次写代码是2005年。

上个月，我是我们项目里定位并修复代码 bug 最多的人。

说说背景。我在大厂和创业公司都干过，做过会员、电商、女性社交、社交游戏、互联网保险等等产品，前后管过几十到上百人的团队。20多年里，对”如何管理一个产品团队”这件事，我有相当完整的认知：PRD、排期、评审、测试、发布，这套流程我已经记不清走过多少次了。

现在我在做一个 AI 健康硬件创业项目。核心团队三个人，而竞品里，主流团队规模是两位数到三位数起步。

每次有人问我们怎么做到的，我通常回答”因为 Claude”。这篇文章想说清楚这句话到底是什么意思。

译者按

给大家推荐这篇文章的一个场景发生在晚上七点：一笔收购交易准备第二天收盘，买方律师突然发来一封信，要求重新谈几个核心条款：新的托管条件、扩大的赔偿豁免、修改后的交割文件。潜台词明确：要么接受，要么放弃。作者 Zack Shapiro 把购买协议、披露附表和这封威胁信一起上传给了 Claude AI。几分钟内，Claude 找出了买方律师自己没注意到的漏洞：他们提出的两个豁免条款，和他们此前在披露附表里已确认的内容直接矛盾。对手的强硬姿态建立在一个没做完功课的起点上。到晚上十一点，Zack 有了一套完整的反提案，每一条都精确锚定在买方自己的合同语言上。交易第二天如期完成。

传统上，这个分析需要三个律所合伙人工作到天亮，而Zack的律所只有两人…

这篇文章的核心，是一个关于为什么通用 AI 比任何垂直行业 AI 产品都更强的深度实战记录，远比”法律 AI 很好用”这类软文有料得多。

Zack 在文章里专门讨论了他为什么不用 Harvey、Spellbook 这些法律专属 AI 工具，转而直接使用 Claude这样的通用性AI。他的逻辑，和《当 Coding 被解决之后》里提到的 Bitter Lesson 完全吻合。Rich Sutton 的苦涩教训说的是：AI 研究 70 年最大的收获，是通用计算方法最终总是击败人类精心手工设计的方法。垂直法律 AI 的逻辑是”在通用模型外包一层法律知识”，但问题在于，真正值钱的从来不是模板库（每家律所的 NDA 长得都差不多），而是律师个人积累十年的判断力：知道哪场谈判值得死磕、哪个条款可以让步，在对手强硬时能看穿他们没做完的功课。

这种判断力无法被机构模版化。但可以被个人编码进 Claude 的 Skills 系统，而这恰恰是 Claude 的通用能力给出的解法，任何垂直包装产品都无法复制。

另一个让我印象深刻的细节：Zack 有一种让他难以阅读长文档的疾病，于是他用 Claude的编码模式自己写了一个命令行工具，把法律文件转成语音，在通勤路上听合同。这种驾驭程度不是随机分布的。我在《AI 时代，平庸者很危险》里写过一个概念：阈值之上的人，AI 给他的不是两倍效能，是十倍。Zack 就是这个概念的活案例。

最后，文章里有一句话我直接共鸣到了：

“我的两人律所，处理的是大型律所的工作量，直接与数百人规模的律所竞争，且成本结构更具优势。”

因为我当前的项目也是这么小型化团队+强AI辅助来运作的，所以更能深刻感触到：这不只是律所的故事，而是正在发生中各个行业中的一个缩影，值得所有白领工作者看看。

看到 Cowork 最新更新的 Plugin 目录页面，不禁想起港片里那句经典台词——

「一家人最紧要齐齐整整。」

只不过，站在 Thomson Reuters、Salesforce、IBM 这些公司的角度，这句话听起来更像死神拿着点名册在念。

打开 Plugin 页面：Sales（销售）、Marketing（市场）、Legal（法务）、Finance（财务）、HR（人力资源）、Engineering（研发）、Design（设计）、Operations（运营），再往下翻，还有 Investment Banking（投行）、Private Equity（私募）、Wealth Management（财富管理） 整套金融家族。

这是一张企业组织架构图，每一个格子里都有人在上班…

过去四周，华尔街用实际行动告诉我们这张图意味着什么：每次 Anthropic 往这张图里填一个新格子，对应行业的股票就跌一次。不是因为发布会有多华丽，不是因为产品演示多完美，仅仅是因为人们开始意识到：这个格子里的活，AI 也许真的能干，而且不需要给它发工资。

这是白领就业结构变化的第一个切实裁决。Axios 说得精准：「被广泛恐惧的白领就业大屠杀甚至还没有真正开始。」

你朋友圈那个『数字员工』，到底是什么？

OpenClaw 全解读：写给每个好奇 AI 下一步走向的普通人

看到这条帖子，你是不是和很多朋友一样：感觉神奇，又有些困惑？鼠标自己动起来了？这是什么东西？怎么弄的？安全吗？

这篇文章，就来把这件事讲清楚。你不需要有任何编程背景，读完你就能明白：OpenClaw 是什么、它能做什么、为什么它让整个科技圈震动、以及对你来说意味着什么。

最近有篇文章在社媒上传得挺广，核心观点是：智能手表的睡眠分期准确率只有50%到65%，和丢硬币差不多，所以你每天早上看的那个深睡时长基本没参考价值。

作为目前在做智能健康戒指、在这个方向上有一手数据的从业者，我第一遍看完觉得写得不错，科普逻辑清晰，也有研究引用，除了觉得有点标题党… 但看第二遍的时候，发现它绕开了几个关键问题，考虑到身边有大量对自己的睡眠状况感兴趣的朋友，所以下面专门来聊一下：