关注深思圈的老朋友们应该知道，深思圈算是国内最早开始关注这一轮生成式AI的自媒体。我在去年9月份从上一家公司离职后，开始找寻新的创业方向，当时已经有Stable Diffusion带起的文生图热潮，但大语言模型这块还没开始流行起来。正巧在9月20日，红杉发了一篇标志性的文章——《红杉观点｜生成式AI：一个创造性的新世界》，我在读完这篇文章后，一下子就认定了这个新方向，并在第一时间翻译了这篇文章，被广泛传播。

基于当时的技术条件（GPT-3模型）和我自己过往的背景（做过SaaS、生产力工具和教育产品，海外背景，有出海经验），我在去年10月份开始做第一款AIGC出海产品——AI写作的CHRome插件。当时都还没有ChatGPT这一类Chatbot的产品形态，大语言模型的产品典型代表还是Copy.ai和Jasper这一类文本生成工具。在当时我们觉得Jasper这一类文本生成工具只能是根据一个Prompt直接生成整个文章，对细节的把控还没办法做到很好，同时用户只能在他们网站中进行生成，无法随时随地用到这样一个能力。我们觉得用插件的形式可以更加灵活地嵌入到用户工作流中，并在生成的过程中使用特定场景的Context来提供更加个性化的生成能力。这个idea在现在看来已经很常见了，大量的AI插件基本都是这个思路，也已经跑出了挺多不错的产品。

另外在开始这个项目的Day 1，我们就确定只做出海。当时考虑的主要因素有：

1. 技术本身GPT-3对中文的支持不如英文效果更好。

2. 我在之前两年都是在SaaS行业，也深刻了解海内外SaaS生态的巨大差异，在经历过2021年SaaS投资热潮后，2022年开始国内SaaS无论是在融资还是营收两方面都开始冷下来，面临着极大的挑战。

3. 去年底投资大环境已经不好了，所以要做好Bootstrapping的准备，海外在生产力工具和SaaS付费习惯上优于国内，有大量不靠融资，自力更生成长起来的成功案例。

4. 我自己本身对海外市场很熟悉，也有过往的出海经验。

在11月份ChatGPT横空出世后，大量的AI应用开始井喷，我从10月份开始做深思圈的视频号，主要内容就是各类最新的AIGC产品Demo和相关的最新行业资讯，每天基本上维持在3～5条更新，并一直保持到现在。很多朋友都问过我这么高频的更新是怎么做到的，是有什么自动化的工具吗？其实所有的信息都是我自己看过手动筛选的，因为我是一个好奇心特别强的人，也特别享受体验新产品，因此平时休闲的方式就是看各类信息，这对我来说是一种兴趣爱好，而不是一项工作。

ChatGPT带来的这一波热潮，也给AI相关的自媒体带来了一波极大的红利。特别是在过年春节期间，以及GPT-4发布后的一段时间，无论是国内还是海外都有大量的推荐流量。在开头也说过，深思圈是最早一批开始做生成式AI相关内容的自媒体，也依靠这一波红利实现了快速增长，当然赶上了好时候是一个外部因素，如何把握好这一时机，则需要具体的运营方法，这里我分享总结的两点经验就是：“唯快不破”和“兴趣是最好的驱动力”。

深思圈无论是文字形式的公众号内容，还是视频形式的视频号内容，都追求最新最快，比如最开始提到的红杉的文章，以及后续一系列的AI产品Demo视频，深思圈都做到了国内首发。能做到这主要原因就是刚才提到的第二点：兴趣是最好的驱动力，由于时差的关系，很多海外信息的发布时间往往是国内凌晨，另外就是节假日反而是视频号流量最大的时候，但这些时间点肯定都不是正常工作时间了。正因为这就是我的兴趣爱好，再加上所有视频剪辑以及文字写作排版工作都是我一个人完成的，所以我可以在看到的第一时间就开始制作并发出。如果我把这个当作工作，那我其实是不会有足够强的驱动力在非工作时间去做这样的事情，所以我觉得做你喜欢的事情，才能有足够强的驱动力，并且支撑你付出更多。

还有一点深思圈视频号的核心思路就是多发内容，关注深思圈的老朋友应该都知道，从去年开始做视频号，我每天基本都会发3～5条视频，甚至更多，节假日也从来没有休息过，而且这些视频内容都是我手动一个个看过筛选的。为什么要特意强调这个手动，因为我觉得做内容很需要一种感觉，看得、写得和发得多了之后，你就会有一种感觉。我比较相信一句话就是“书读百遍，其义自现”，YC的创始人Paul Graham曾写过一篇文章《Do things that don't scale》其实讲得也是这个道理。有时候看似一些”笨方法”，最终结果反而会比走捷径更好。下图是二月份AI内容流量高峰期的一些单日增长数据：

说回到AI产品这边，在ChatGPT以及GPT-3.5模型开放之后，大量基于大模型的产品开始井喷，特别是类似于我们AI写作插件的应用开始大量出现，由于我做视频号内容的关系，接触并体验了大量的AI产品，在当时也写了一篇文章：《最新有趣的AIGC产品分析》来分析这些AI产品。现在回头看，那些产品基本上属于GPT的套壳应用，也就是“GPT Wrapper”，当时也已经有人开始了对这一类产品的质疑与讨论。如果一个产品核心是基于外部API的，不同产品之间只是存在UI上的差异，那么这个产品未来的核心竞争力和壁垒会在哪里？这也是我们当时思考的问题，在2月份春节后，我们的开始尝试做第二款AI产品——通过自然语言对话，进行数据分析，给出洞察的AI助理。我们对“GPT Wrapper”的解法是进一步嵌入用户工作流，拿到比别人更多的数据，把数据和前期工作作为产品的长期飞轮与壁垒。当时有个不错的对标产品就是Seek AI，刚刚融完750万美金的种子轮，我写过一篇相关的分析文章：《面向数据领域，这家AIGC公司种子轮融了750万美金》。

虽然这款产品同样也是面向海外市场，不过我们在做完MVP和早期用户验证后，发现一个问题就是数据分析型的产品在海外基本上属于SLG（销售驱动增长），而我擅长的是在PLG（产品驱动增长）。团队本身不在海外，做面向中大型客户的销售驱动产品非常难，而且过往的增长经验很难在此复用，因此我们虽然解决了壁垒问题，但在Founder-Market Fit上遇到了新的挑战。

在经历过这两款应用类产品后，我们开始更深层次的思考如何从大模型本身的特性来做一个AI-Native的产品。在这里补充一点背景信息，我在的上一家公司是做无代码开发平台的，我自己本身也对无代码很感兴趣，之前也写过关于海外无代码巨头Webflow的分析文章：《万字解析无代码领头羊Webflow的增长之路》。大模型的出现，其实在某种意义上是新一代的无代码，以下是我当时的朋友圈分享：

早在22年12月份，海外就有Brancher AI和Cookup AI这两款产品出现，这两款产品都是基于大模型底座，把Prompt封装成个性化的小应用，比如生成推文、博客、起标题、扮演名人对话、代码互转和翻译等等。用户只需要输入自然语言Prompt，无需代码，即可做出原来需要用代码才能实现的功能。

后来在23年3月份，ChatPDF的爆火，让人们意识到大模型结合外部数据之后的强大能力。另外就是LangChain这个大模型开发框架的兴起，大量的ChatXXX应用本质上就是针对不同场景的Prompt封装，或者再加一层向量数据库，先索引背景信息，再把信息拼成新的Prompt传给大模型，再返回对应的结果。在当时我写了国内首批用LangChain搭建私域数据的ChatGPT的教程：《零基础｜搭建基于私域数据的ChatGPT》，这篇文章在发出后，有非常多的人加我咨询相关的问题，也让我意识到了这里面潜藏的巨大需求。

此外当时还兴起了一个新的概念——中间层，LangChain就属于在大模型和具体AI应用之间的中间层产品，帮助开发者更好的基于大模型和外部数据来搭建起特定的AI应用。当时在朋友圈也分享过我对AI Paradigm三个阶段的看法，从对Prompt的直接封装调用，再到加入外部数据源，实现基于特定数据的ChatGPT for XXX应用，再到引入外部工具（通过API或者Plugin）来实现直接完成特定的任务，也就是AI Agent。后面我还写过一篇更完整的分析文章：《AGI要来了？AI Paradigm的新阶段和新趋势》，来讲中间层和Agent这个事情，感兴趣的朋友可以看看。现在回头来看，当时的判断基本上已经得到了验证。

我们在3月份开始的第三个AI项目，用一句话概括就是——无代码版的LangChain。就像Vue和React是给开发者用的前端开发框架，Webflow则是让普通人也可以通过拖拉拽的方式实现无代码开发应用。而在AI应用方面，有给开发者用的新框架LangChian，一定也有新的无代码平台搭建AI应用的方式和机会存在，而这样的平台天然就是AI-Native的产品。

我们在当时应该是首批开始做这件事，同时打中间层这一市场定位的团队。这个产品本身也非常符合Founder-Market Fit这一要求，我自己有无代码产品的经验，同时也对海外无代码产品增长和建立壁垒有着比较深入的了解。无代码产品长期的壁垒在于两点：一是足够多的模版，降低用户的上手门槛；二是形成了服务商和需求端的双边Marketplace。像Webflow、Bubble、Airtable和Zapier（打通不同平台的API）都具有这些特征，而且这一类平台发展周期都相对较长，在早期都需要找到一些特定场景，通过一个个use case来扩充自己的用户人群。

我们也确实是这么做的，在这个项目开始之后，我们一方面通过一个个新奇的带有viral性质的use case来吸引用户眼球，然后将这些use case沉淀为平台里的模版，降低用户上手门槛。比如用户只需要上传文档或者输入他们的网站链接，就可以制作出不同的ChatGPT for XXX应用，并集成到他们的网站、Discord或者应用上。而这些集成的应用都会露出我们的品牌Logo，并支持一键复制模版再创作，再给我们带来更多的曝光和用户。整个产品的增长策略就是典型的PLG（产品驱动增长）方式，同时由于生成式AI在当时社交媒体上的流量红利，使得我们可以用非常低成本的Content Marketing（内容营销）来实现有机增长。

通过这三个AI产品，我基本完整经历了AI产品出海冷启动的全过程，包括如何在Product Hunt上Launch产品，并拿到一个好的名次，然后利用好Product Hunt的排名，来实现后续的二次传播和SEO优化。同时如何借助海外这一波AI导航站，来实现免费的早期基础流量，以及借助Twitter和LinkedIn上的AI流量红利来实现口碑传播，这是以往产品出海所没有的新方式。此外在有了目标人群（ICP理想用户画像）后，如何利用好海外丰富的Martech营销SaaS来实现精准人群的定向营销，以及利用AI SEO工具实现一个人做整个站点的SEO优化等等，这些经验心得我会在文章的第三部分详细讲解。

回到自媒体这边，从四月初开始，国内的AIGC流量红利开始减弱，同时竞争也开始逐渐多了起来，一些原来做Web3或者做产品的公众号开始转型做AI相关的内容。不过比较幸运的是，深思圈（公众号和视频号）的关注数在5月末正好一周年之际达到了10万的目标，此外我也开始在另外两个平台：小红书和即刻上开始同步更新内容。深思圈在我个人手上达到10万粉丝的目标之后，我跟另外两位朋友一块启动了一个专注海外AI产品的新账号：SenseAI，采用团队共同运营的方式，更加聚焦的同时也能够产出更多好的内容，也可以通过团队的力量举办更多的活动。

第二部分谈谈我目前对这一波AI浪潮产品的总结和判断，以及我下一步准备开启的一个新计划。首先接第一部分结尾讲到的AI中间层项目，我们从3月份一直做到8月份，在这期间无论是海外还是国内，中间层都算是一个不错的定位。首先是在海外LangChain官宣了BenchMark的1000万美金种子轮，另外像Fixie、Dust.tt也分别拿到了1700万美金和500万美金的种子轮。此外也有像跟我们一样主打无代码搭建AI应用的AirOps也拿到了700万美金的种子轮。国内的投资出手会更谨慎一些，但相比较短期内看不到壁垒在哪里的应用层来说，中间层相对还是比较好的一个选择。

但随着跟用户的深入沟通，加上我自己本身做自媒体接触的大量应用，会发现中间层的产品在当下也有着不少挑战，主要有以下两点：

1. 定位比较尴尬，由于大模型本身还处于发展早期，大模型的边界究竟在哪里，是应用层和中间层都必须面临的一个问题。比如ChatGPT在3月底推出的Plugin就在某种意义上把之前很火热的ChatGPT for XXX这一类产品给覆盖了，这也间接导致很多C端或者小B原来通过类似LangChain等中间层产品搭建基于个性化数据源的需求消失了。后来OpenAI又在6月份推出了Function Calling，可以让开发者直接在API接口中调用插件功能，这个更是直接干了原来中间层的事情。包括最近刚刚上线的GPT-4V多模态模型，使得原来通过中间层接入OCR图像识别文字能力以及外部语音能力的价值也消失。

2. AI产品并未如预期那样百花齐放，从我体验过的绝大多数应用来看，在技术实现上都是相似的，而且都十分简单。如果把AI应用开发者看作是挖金矿的人，做中间层的定位往往就是卖水的人。如果挖金矿的人不够多，或者说挖金矿的难度并不大，那么卖水收获的价值自然也就有限了。

此外对于无代码或者面向非开发者的中间层产品来说，还面临一个发展阶段的问题，就是当下AI应用形态还在早期，无代码适合已经有成熟应用形态，并进一步抽象应用来降低门槛，适用于更广人群的阶段。当产品形态还没有定型，就做无代码平台，在实际跟用户交流的时候就会发现用户也不知道自己应该做什么，因为非开发者跟开发者相比在产品思维和实现上并没有足够多的经验，这就导致他们只能停留在模版阶段，而无法进一步根据自己需求把AI应用融入到工作流，进入到生产力阶段。反过来对于平台本身也一样，没有足够多实际落地的use case，导致整个无代码开发方式的优化和创新就找不到方向。

以上这些经验和认知是我在实际做了中间层产品之后，跟用户交流和复盘的过程中总结出来的。这里提到的中间层面临的挑战，其实也是当下大模型应用层产品面临的挑战。在这一年的时间里，由于我自己本身做自媒体社群，同时也在创业，所以跟海内外很多投资人和创业者都进行了非常多深度的交流，会发现大家都慢慢从一开始的狂热兴奋冷静下来重新思考这一轮Paradigm Shift范式转移。

首先毫无疑问大模型的出现，是一次史无前例的巨大机会，这一点是我始终坚信的。但在当前阶段，大模型在实际解决特定问题和场景时，依旧有很大的问题和局限性，比如常见的幻觉问题，记忆长度问题等。我自己体验了上百款AI产品，很多Demo做得很酷炫，一开始觉得革命性的产品，但实际上手之后会发现离真正生产落地差距挺大的，很多视频、图片、设计图、应用生成类的AI产品都存在这个问题。而很多文字生成类的产品虽然在一些生产场景已经有不错的效果了，但同质化严重，要想成长为具有差异化壁垒的巨头还很远差距。我觉得主要原因就是目前大模型底层能力还在早期，还需要一段时间的发展，才能真正诞生出基于大模型全新工作流的AI-Native产品。同时对于现阶段的创业公司来说，一方面在融资环境上受整个大环境大周期的影响，并不是很乐观；另外一方面在产品层面上，同时受到大模型本身以及原有的很多巨头公司挤压，导致产品的功能可能一个不小心就被覆盖了。

但与此同时，得益于海外原本就很成熟且健康的工具生态，有大量的Indie hackers独立开发者通过开发一个个细分市场的AI+SaaS工具实现Bootstrapping盈利。我们做的三个AI产品，从Day 1开始就是收费盈利的。最近我也在即刻分享过很多海外独立开发者的真实案例，比如被称为独立开发者之王的Levelsio在今年五月份就凭借PhotoAI和InteriorAI这两款应用实现了100万美金的ARR；还有最早做ChatGPT for XXX搭建平台的Chatbase也在本月实现了100万美金的ARR，而其开发者Yasser在此之前还只是一个刚刚大学毕业，发愁找不到工作的学生；此外类似ChatPDF的产品PDF.ai的开发者Damon Chen也在上月底宣布，自己从三年前不会编程，为了孩子离职创业，自学编程到如今已经靠几款SaaS+AI产品实现了100万美金的收入。类似的案例还有很多，大家可以关注我即刻查看。