做投研台调研时，我第一反应是去差评区看用户在骂什么。结果差评区骂的全是「下单卡、操作复杂、手续费高」，没有一条提到「我看不懂财报」。可我一转进搜索栏，满屏都是「怎么看财报」「ROE 是什么意思」；社区里也全是「求白话解释资产负债表」的原声。
同一批人，换了个渠道，说的完全不是一回事。差评是情绪，搜索才是需求。如果我只听差评，我会做出一款「更快更稳的交易 App」；但我听搜索、听社区，我会做出「帮我看懂财报」的东西。
所以投研台的产品判断，是从「三源交叉取证」里长出来的：差评、搜索、社区三处互相印证，还要分辨哪一处离真实需求最近。听清楚用户「在找什么」，比听他们「在骂什么」更重要。
通用 AI 最迷人也最危险的地方，是「它什么都能算」。刚做投研台时我也这么想——让大模型读年报、算比率，多省事。直到它把「人民币百万元」当成一百万、把母公司报表当成合并报表，一个差之千里的数字就出来了。
后来我做了个决定：大模型只负责「读 PDF、抽原始字段」，一切算术交给 Python 规则，再用四层校验兜底。乍看是「阉割」了 AI 的能力，实际上是把 AI 放在了它最可靠的位置——它「读得准」，但不「算得数」。
做产品最难的不是「加上什么」，而是「敢于拿掉什么」。让 AI 闭嘴，往往比让它说个不停更难，也更值。
做 AI-Vocab 时我发现，「AI 门槛」很大一部分其实是「术语门槛」。RLHF、RAG、MoE、上下文窗口……这些词本身，就把一心想进来的普通用户挡在了门外。你没法跟一个连「RAG 是什么」都不知道的人，聊「它和长上下文该怎么选」。
于是我做的是：每个词先一句「是什么」，再配一个生活类比（Token 像切积木块、RAG 像开卷考试带小抄），外加「你在哪会碰到它」「容易搞错什么」。
把专业翻译成人话，不只是降低门槛——它也在建立信任。当一个人不是因为「被迫」而是因为「听懂了」而愿意用你的产品，那你就在同时做产品和做教育。而「把专业翻译成人话」，是我一直想做的事。