# 策展 · X (Twitter) 🔥

> 作者：Smith铜匠・十点睡觉 (@smithandai) · 平台：X (Twitter) · 日期：2026-05-16

> 原始來源：https://x.com/smithandai/status/2055289084911001902

## 中文摘要

# Anthropic 給創業者的內部手冊：AI 原生創業的 4 階段方法論

昨晚 Anthropic 官方發布了一篇文章，裡面包含一份完整的 PPT 文件：建構 AI 原生的創業公司，將「我有一個想法」到「我有一個產品」的距離壓縮到一個下午。按理說，這應該讓創業更容易成功。

# 但 Anthropic 發的這篇《Building an AI-native startup》——他們寫給創業者看的一本內部手冊——裡講了一個反直覺的判斷：

> AI 讓創業的失敗率，只會上升。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1778975219651-iaHIWwsK4bcAAjyrZjpg.jpg)

## 這本手冊是誰寫的，憑什麼值得看

寫這份文件的是 Anthropic 自己。

他們不只是在賣 API。他們的工程團隊自己在用 Claude Code 建構產品；他們投了一堆 YC 早期專案；他們的 Startup Program 直接管理著一批正在用 Claude 跑 MVP 的公司。這本手冊基本上是他們看著自家產品和投資組合裡的創業者趟過的坑，反過來整理出的「AI 原生創業作業系統」。

我把整個 PPT 完整翻譯成了中文，仔細看了兩次（完整翻譯 PPT 在下方 GitHub 位址），想看看最強大的 AI 公司怎麼解決提高創業成功機率的問題。

我看完最強烈的感受是：這不是一本鼓動你擁抱 AI 的宣傳冊，反而處處在澆冷水。

它把創業拆成 4 個階段（Idea / MVP / Launch / Scale），每個階段最值得講的不是 AI 能幫你做什麼，而是 AI 在每個階段會放大什麼陷阱。

下面是我把全書 36 頁啃完之後提煉的 4 個核心要點。

---

## ① Idea 階段：原型不等於驗證

42% 的失敗率會上升，根源就在這。

過去要造一個能跑的原型，需要找一位有合適技術棧的共同創辦人，或者一筆預算外包給開發團隊。一來一回最少幾個月。這個慢本身是一種保護：它逼著創業者在沒造出東西的幾個月裡，必須去和真實使用者對話。

現在 Claude Code 一個下午就能給你一個能 demo 的版本。

聽起來很好。但 Anthropic 直接點破了：

> 「一個能跑的原型很容易被誤以為是『你在解決真實問題』的硬證據——但它不是。」

原型只是一根用來跟潛在使用者對話的壓力測試棒，對話本身才是證據。

更狠的一擊在後面。手冊裡有一句我反覆讀了好幾遍：

> 「確認偏誤（confirmation bias）

> 現在配上了一個研究引擎。」

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1778975219754-iaHIWwVn0bQAA4hMBjpg.jpg)

意思是：你讓 AI 驗證你的創業想法，它會去找支持的證據；你讓它估你的 TAM，它會找讓你的 TAM 看起來值得融資的那個數字。AI 沿著你給的方向前進——一個不發出尖銳問題的創業者，可以為一個糟糕的想法構造一份精緻、看起來有研究依據的論證，比以往任何時候都更快，同時還感覺自己已經在做盡職調查。

Anthropic 給的解藥是把同一把 AI 反過來用——讓 Claude 當結構化反方辯手，專門去找證據否定你的假設。這個用法他們說「是 AI 原生創業生命週期裡每一個階段的核心用例」。

我自己的體會：現在用 AI 寫 BP 這件事，本質就是在讓 AI 幫自己做自我催眠。真正應該讓 AI 做的事是：專門找反對你的理由。

---

## ② MVP 階段：當心一種新東西叫「Agentic 技術債」

到了 MVP 階段，Anthropic 提出了一個我沒在別的地方看到過的概念。

傳統技術債是線性的：你寫了個臨時方案，欠下一筆，慢慢還。

AI 時代的技術債是複利的。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1778975219643-iaHIWwB9wb0AAP0Jljpg.jpg)

原文是這麼說的：

> 「如果規約和架構約束沒有寫在 AI 能讀到的地方，每一次會話都會從零重新推導基礎決策，這些決策就開始漂移。最終你得到一個沒有任何連貫心智模型的程式庫——不是因為任何單個部分糟糕，而是因為這些部分從未被設計成能拼到一起。」

這一段我建議每一個用 Cursor/Claude Code 寫程式碼的人貼牆上。

Anthropic 給的具體解法是：在 Claude Code 寫下第一行程式碼之前，先讓 Claude（不是 Claude Code）和你一起討論清楚——

- 這個產品的核心問題是什麼

- 你 6 個月內現實預期的規模是多少

- 因此應該遵循哪些架構原則

- 因此應該避免哪些依賴

- 這個階段你有意接受的權衡是什麼

把這次討論的輸出存為一個叫 `CLAUDE.md` 的檔案。

這個檔案之後會被 Claude Code 在每個新會話開始時自動讀到。它不是文件，是專案的持久化記憶——以及你和 AI 之間共享的、關於「為什麼這麼設計」的契約。

Anthropic 的建議更狠：每個 Claude Code 會話結束後，花 5 分鐘把今天做了什麼決定、引入了什麼假設，加一條日誌到 `CLAUDE.md`。

> 「每會話 5 分鐘的文件化，是對抗『複利成不可管理程式庫的架構漂移』的便宜保險。」

順便提一句，手冊裡另一個我喜歡的觀點是關於零摩擦的範圍蔓延。當加一個功能從「一個 sprint」變成「一個下午」，每一個 feature 的添加單獨看都說得通。這種範圍蔓延在當下感覺不到，因為代價太小，但它會讓你的產品在幾週內膨脹到失去方向。

解藥：在寫第一行程式碼之前，寫一份 scope 文件，明確你的 MVP 刻意不做什麼，以及什麼樣的真實使用者證據才足以加新東西。

---

## ③ Launch 階段：你自己就是最大的瓶頸

到了 Launch 階段，前兩階段那個「創業者事事親為」的本能開始反噬。

這是 Anthropic 給出的幾個非常具體的徵兆：

- 本該 1 小時完成的決策，現在要等一週才輪到你

- 只有你知道答案，所以支援工單越來越多

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1778975219783-iaHIWvwWibgAAAzOBjpg.jpg)

- 只有你親自記得做的營運任務才會發生

我看到這一段的時候笑了——這畫面太熟悉了，身邊見過好幾個創業者就是卡在這一步。

更難的是：沒有一個清晰的時刻告訴你「這個轉換發生了」。你只會在某個月底某天突然發現，公司停滯了，而你以為自己在埋頭幹活。

Anthropic 給的方法是做一次全開式審計——把你親自處理的所有事列出來，從最微小的任務到最高風險的決策，然後讓 Claude 幫你分成三類：

- 可以完全自動化的

- 需要人但不一定是你的

- 真正需要創業者判斷的

第三類才是你這個階段應該花時間的。其餘的，要麼交給 Claude Cowork 自動化，要麼招人或委派。

這一階段還有兩個值得記的細節：

關於安全——Anthropic 直接說：「Agent 程式開發工具生成的是能工作的程式碼，不是天然安全的程式碼。」功能性問題肉眼可見，安全漏洞要被利用才知道。他們建議在任何真實使用者碰你的應用前，專門做一輪安全審查（認證、會話、API 資料暴露、注入風險、有漏洞依賴）。

關於度量——那些把早期 traction 誤判成 PMF 的人，往往是發布之後才開始追蹤資料的。Anthropic 的建議是反過來：在第一個使用者出現之前，先和 Claude 一起定義清楚什麼是假陽性（註冊但沒啟用、收入但沒留存、熱情但沒回訪），等資料進來時，專門讓 Claude 用懷疑者視角解讀這些數字。

---

## ④ Scale 階段：累積深度，才是真護城河

到了 Scale 階段，Anthropic 的論調變了。

前三個階段都在講「AI 是工具」。到這裡，他們講的是怎麼讓 AI 沉澱出一條別人複製不了的護城河。

最有意思的一個例子是這樣的：

> 「一個通用的 AI 醫療帳單工具會在 340B 藥品計畫 claim 上崩潰，但你的工具針對它們有專門邏輯。」

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1778975219658-ediaHIWvcPlacAA86jpg.jpg)

340B 是美國一個非常細分的藥品折扣專案。通用 AI 不可能懂這種垂直行業的邊界情況——但領域創業者懂。

Scale 階段的核心工作，是把這些只有你知道的東西——行業行話、監管陷阱、為什麼顯而易見的答案行不通——透過 Claude 的對話/專案/記憶結構化外化出來，再透過 Skills 把「我如何審計一份商業租約」或「我如何分診一份病人接診表」變成 Claude 每次都能以同樣方式跑的可重用流程。

Anthropic 的話是：

> 「幾個月之後，這就成為一種沒有任何通用 AI 能匹敵的專有知識基底。」

更進一步是使用者資料飛輪——使用者與你產品的每一次互動都生成行為訊號，這些訊號是「時間鎖定的、上下文相關的、抄襲者買不到的」。Anthropic 讓你針對這件事專門寫一份給產品行銷用的「一頁護城河敘事」：

> 「你的資料飛輪怎麼轉、轉了多久、為什麼一個今天才起步的、資源充足的競品在兩年內都無法復刻。」

我讀這一段的時候反應是：直覺上 AI 時代護城河應該更難造，因為模型誰都能用。但 Anthropic 的論點完全反過來——AI 時代護城河反而更深，因為它來自一個通用模型永遠拿不到的東西：你這個特定垂直裡的邊界情況、特定使用者群的行為指紋、和已經嵌進客戶日常工作流的整合深度。

---

## 我的一句話總結

這本手冊的最後一句話，是我讀完後停了很久的：

> 「瓶頸不再是你能造什麼，而是你選擇造什麼。」

過去創業的瓶頸是執行——找到共同創辦人、招到工程師、攢夠現金跑道。現在這些瓶頸被 AI 大部分抹平了。

剩下的瓶頸只有一個：判斷力。

- 在 Idea 階段，判斷力 = 在 AI 幫你立刻造原型的誘惑面前，先去和真實使用者說話

- 在 MVP 階段，判斷力 = 在加一個 feature 只要 30 分鐘的誘惑面前，堅持你寫下的 scope

- 在 Launch 階段，判斷力 = 在自己幹快又順手的誘惑面前，主動把工作交出去

- 在 Scale 階段，判斷力 = 在通用 AI 越來越強的對比下，堅持往你的垂直深度裡下注

AI 讓「造」變得無成本，但判斷反而變得前所未有地致命。

每個階段都對自己說一句：我這是在編排，不是在打工。

---

你現在在 4 個階段裡哪一階段？你撞上的最大那個「AI 陷阱」是什麼？評論區聊聊。

## 標籤

產業趨勢, 教學資源, Anthropic