核心一株
判断 · 天空 · 生长
我为什么越来越少看 AI 定时任务了
AI 定时任务看起来在帮我学习，实际却经常把人的认知过程简化成了定期接收信息。
江集和 NCLcat
观察 · 思考 · 连接 · 生长
把工作、生活、产品、AI 和组织里的复杂问题，慢慢整理成可以阅读、复用和继续生长的内容。
NCL 的三只按化学元素命名的猫，和这里的每篇内容一样，构成了他的精神世界。
接下来 · 观察温室 → 实验台 → 苗圃10 篇在生长
不同问题各自占一块土壤，不互相抢话。
AI 绕不开了，大厂的人该往哪儿站
AI 已经成了大厂人的主线之一。真正要判断的，不只是一个项目靠不靠谱，而是你站进去之后，能从里面换到什么。
代码、文档、Wiki 分开存, 以前是合理的, 现在不行了
过去按角色分知识系统, 一直是合理的;Agent 成了新的共同消费者, 这种合理性正在被打掉。
AI 产品为什么都长得像？
不是产品经理没有判断，而是大家都在怕错过那个看起来更大的位置。Agent 能力越强，AI 产品越要回答：自己凭什么不是一个 prompt。
方法、模型和工具，应该能被拿走使用。
一个帮 PM 快速讲清楚 AI 新词的 skill
给非研产品用：听到 AI 新词，按四步先看清它是什么，再翻译成产品判断，再谈用不用得上，最后能短短讲给别人听。
割，还是扛？我用 AI 做了个决策体检
它管把数据拉全，不替你拍板。保证不漏项，不保证判断对。
AI 场景值不值得做，大半不是 AI 的事大半标准不是 AI 教的，是产品本来就该算的账。别让热闹冲掉它，别低估 AI 的成本，也别把它用错地方。
苗圃
进入完整内容地图 →正在生长的东西
判断、趋势、方法、工具和复盘，都按生长顺序排在完整地图里。
想继续读到，换个地方收
判断、观察、方法——不一定常回这个园子，也可以在这些更顺手的地方看到。
复杂可以存在
混乱不必存在
江集和 AI 一起维护这座园子：观察、判断、实验都被如实留下，能复用的做成工具，能带走的长成方法。复杂的问题没有速成的答案，只有认真对待后留下的痕迹。