创始人手册： 构建原生AI初创公司

为什么叫QQ？ -

目录

章节页码
2026 年，创业生命周期被重新启动3
“创始人”这件事正在改变5
想法阶段8
MVP 阶段15
发布阶段21
规模化阶段25
同一份工作，新的规则31
资源33

第 1 章 2026 年，创业生命周期被重新启动

AI 正在重塑创业公司的构建方式。今天，从未写过一行代码的创始人也能发布生产级应用；而“10 人独角兽”这种精益团队，已经从逆袭故事变成了一套有意为之的行动方案。

在 2026 年，AI 可以编写生产级代码、开展市场研究、综合竞争格局、起草投资人材料，并自动化运营工作流。它消除了即便经验丰富的技术型创始人过去也会遇到的陡峭学习曲线，包括整合工具、平台和系统，把一个想法真正落地所需的一切。最重要的是，AI 让“谁能创办公司、谁能构建产品”这件事变得更加公平。

在 2026 年，一个好想法能把创始人带得比以往更远。智能体式编码把过去需要一个工程团队完成的事情，压缩成创始人自己就能交付的工作。

传统创业增长路径假设，从想法到规模化的路径是：验证 → 融资 → 招人 → 构建 → 再融资 → 增长 → 再招更多人 → 循环往复。现在，AI 已经抹去了这样一种预期：创业生命周期的每一个新阶段都必然需要更大的团队、不同的技能组合，以及新一轮融资。

这本手册会根据这些新的现实，重新绘制创业旅程的四个核心阶段：想法、MVP、发布和规模化。我们会审视：当 AI 成为技术和组织发展的核心时，每个阶段会是什么样；每个阶段应当使用哪些工具；以及创始人如何用这些工具压缩时间线。如果你已经准备好绘制从想法到退出的最短路径，请继续读下去。

第 2 章 “创始人”这件事正在改变

过去，创始人常常由“他们会做什么”来定义：技术型创始人写代码，非技术型创始人负责业务运营和成交。但 2026 年创始人可用的模型、系统和 AI 智能体，已经拆掉了“能构建的人”和“拥有值得构建的想法的人”之间那堵墙。

AI 原生创业公司正在从根本上改变“成为创始人”意味着什么。如今，一个没有工程背景的人也可以构建生产级软件，让自己的想法成真；而一个技术能力很强、商业经验有限的创始人，也可以轻松产出上市策略、财务模型和高度打磨的融资演示文稿。

历史上，创始人大部分时间都处在执行模式：写代码、管人、处理日常运营工作。在 AI 原生创业公司里，创始人的角色会少很多“个人贡献者”的成分，而更像是智能体的编排者，也就是能读取文件、运行命令、执行代码，甚至浏览网页的专门化 AI 助手。创始人的注意力上移到更高层次的工作：生成想法，并指挥承载这些想法的系统，包括 AI 智能体、工具以及任何已有的小团队。

不过，把 AI 作为核心基础设施最具革命性的结果，是解放拥有领域专业知识的非技术型创始人。当创始人群体不再局限于有工程背景的人时，你会看到有截然不同生活经验的人开始创办公司，解决传统技术创始人管道从未优先考虑，甚至可能从未注意到的真实问题。

精益创业公司的 AI 工具能力

传统创业模型假设你需要雇工程师来构建产品、雇销售来销售、雇运营人员来运转公司。员工人数被视为组织动能和产品成熟度的标志。

2026 年的早期创业公司完全不同。它们在设计上就极度精益，通常只有创始人一个人，或者再加上少数几个人。通过把技术发展和组织发展都建立在 AI 这一基础设施之上，它们可以在扩大团队之前就实现产品验证、早期收入，甚至盈利。AI 尤其在三个领域帮助创业公司像一个大得多的组织那样运转：研究、智能体式编码，以及关键业务运营的工作流自动化。

对话智能与研究

可以理解为：每个领域随叫随到的专家

想想创始人在第一年需要知道、但几乎一定一开始并不知道的所有事情：我该如何设置薪资系统？如何规划产品开发 sprint？如何起草一份精炼的投资人备忘录？

过去，早期创业公司的这些问题通常只有同一个答案：去找懂的人。对自举或种子轮前的创始人来说，这会消耗原本可以用于构建的时间，甚至可能需要把一大块早期资金花在顾问身上。现在，他们拥有了一个覆盖几乎所有领域的随叫随到的 AI 专家。

  • 深度研究：竞争分析、市场规模测算、财务建模
  • 文档起草：融资演示文稿、案例研究、投资人备忘录、PRD
  • 战略思考伙伴：反方分析、预演失败、情景规划、路线图优化

智能体式编码

可以理解为：永远在线、从不阻塞的工程师

过去，构建软件需要一个技术联合创始人、一家外包开发公司，或者足够长的资金跑道，能让你在写出第一行生产代码之前雇起一个工程团队。

智能体式编码工具现在让每一个有创业想法的人都可以用自然语言描述自己想构建什么，并指挥 AI 以完整工程团队的速度和规模生成、测试、调试、重构生产级代码库。

从“我有一个想法”到“我有一个产品”的时间线已经被压缩。创始人的角色现在集中在“构建什么”和“为什么构建”上，而 AI 负责实际构造可供真实用户使用的真实基础设施。

工作流自动化

可以理解为：按需调用的自动化运营团队

即便创始人可以像顾问一样研究、像工程团队一样构建，战略规划或产品开发之外仍然有一整类工作必须完成。排日程、更新 CRM、拉取周报、保持文档更新、发布内容、跟踪合规要求、管理公司运行所依赖的工具与系统之间的连接组织，这些也都得有人做。在精益创业公司里，这些负担主要落在创始人身上，而且会严重占用本应投入高阶决策的时间和注意力。

AI 工具驱动的工作流自动化可以卸下这笔成本。重复性运营任务可以被配置为自动发生：交易推进时 CRM 自动更新，周报自动汇总，产品文档随产品变更同步更新。更关键的是，Claude Cowork 可以接入创业公司运行所依赖的互联系统：项目管理工具、沟通栈、数据源，而不需要有人去构建和维护这些集成。在 Day Zero 创业公司里，那个“有人”几乎总是创始人。

时机与编排决定一切

能有效利用 AI 的研究、自动化和智能体式编码能力的创始人，可以打造一家杠杆远超其人数的创业公司。他们也能把大部分时间和精力投入真正重要的工作。

这些工作不会自动驾驶完成；编排这些 AI 工具的创始人需要知道如何使用它们，以及何时使用它们。本手册余下部分会探讨创始人在 AI 原生创业路径上会遇到的目标与挑战，以及如何在旅程的每个阶段有效应用 AI 工具。

第 3 章 想法阶段

每一位创业创始人都从同一个地方出发：一个挥之不去的问题。这个阶段是想法与现实相遇的地方：2026 年的创业成功，要求创始人在证据足够之前保持“不构建”的纪律。

这一阶段的工作是研究、客户发现、竞争分析，以及诚实评估反证，所有这些都应发生在你让 Claude Code 生成第一行生产代码之前。

想法阶段目标

在想法阶段，创始人的主要目标是以研究为导向的验证：在投入资源构建之前，汇集扎实证据，证明一个真实问题确实存在，并且你提出的解决方案确实能够解决它。

实际来说，想法阶段是一系列需要创始人大致按顺序回答的问题：

  • 这个问题是否真实、具体，并且出现频率足以支撑围绕它构建产品？
  • 具体是谁有这个问题？这是否构成一个市场？
  • 有没有其他人在解决它？如果有，他们是怎么解决的，解决得如何？
  • 一个解决方案到底需要做什么才能解决这个问题？我的想法能做到吗？

这些问题的答案最终汇总成一个核心问题：这值得构建吗？

这意味着先变具体，再开始行动。“人们在报销上很痛苦”只是一个观察。“中型企业的财务经理每周花 4 个多小时核对报销提交，因为他们当前的工具无法与会计软件集成”才是一个可测试的假设。

想法阶段退出标准

想法阶段的退出条件是找到问题-解决方案匹配。你已经建立了定性证据，主要来自真实的人类对话，证明你正在为真实的人解决真实的问题，然后才开始构建那个解决方案。

当你能对以下三个问题都回答“是”时，就可以离开想法阶段：

  1. 这个问题是否真实且具体？要肯定回答这个问题，你需要能准确说出谁遇到这个问题、他们多久遇到一次、它对他们影响有多严重，以及他们现在如何处理它。
  2. 你的解决方案是否解决了真正的问题？不是你最初假设的问题，而是验证过程揭示出的问题。有时二者相同，但并不总是如此。
  3. 你是否有足够信号来证明值得构建？在这个阶段你永远不会拥有确定性，等待确定性本身就是一种失败模式。但你需要足够的定性证据，证明投入 MVP 是一个经过推理的决定，而不是信仰之跃。

想法阶段挑战

想法阶段是整个创业旅程中最重要的工作发生之处，因为最具后果的问题也最容易在这里出现：此时犯错，很快就会让刚萌芽的公司偏离轨道。大多数想法阶段挑战都与“行动速度超过理解深度”有关，因此保持深思熟虑和审慎推进的创始人会获得稳定进展。

把构建误认为验证

挑战： 当技术阻碍被移除，充满热情的创始人很容易跳过创业旅程中最重要的工作：验证自己的想法确实是人们需要并会使用的解决方案。

即便在当前智能体式编码时代之前，也有 42% 的创业公司失败，是因为它们构建了没人想要的东西。而现在，Claude Code 这样的智能体式编码方案已经极大缩短了“我有一个想法”和“我有一个产品”之间的距离，这个失败率只会继续上升。

对拥有一个令人神经震颤般好想法的创始人来说，从未有过比现在更好的时代。但快速、轻松地搭出一个看起来像产品的原型，反直觉地说，也给 AI 原生创业公司带来了真正危险的生存风险。

直到很近以前，构建还需要真实的开发时间和预算，即便只是做出一个基础原型通常也要数月。现在，技术开发的门槛基本消失，AI 让创始人太容易在没有验证真实世界效用之前就直接开工。

达成问题-解决方案匹配，要求先验证假设再构建。但许多初创，甚至有经验的创始人，会错误地相信 AI 绕过了这一要求，把流程变成：有一个想法 -> 立刻构建原型 -> 把原型存在本身当作验证。原型变成了相信假设一直正确的理由，而没有真正测试它是否为真。

一个可运行原型很容易被误认为“你正在解决真实问题”的具体证据，但它不是。你的原型只是与潜在用户对话时有用的压力测试道具。那些对话本身才是真正的证据。

过早规模化

挑战： 当构建变得轻松且即时，你可能会让执行规模远远跑在业务需求前面。

过早规模化意味着，在你真正验证某条产品路径值得投入之前，就已经承诺沿着这条路径走下去。

这一直是创业公司的杀手，但 AI 让创始人在不知不觉中掉进过早规模化陷阱变得容易得多。智能体式编码助手非常强大，强大到创始人很容易在尚未验证问题-解决方案匹配之前，就把执行规模扩张得很远，而且甚至没有意识到自己已经偏航。

它会围绕一个根本有缺陷的前提生成、测试、调试和重构代码库，并带着和面对伟大想法时完全一样的热情。系统里的智能来自你。在这个阶段，首要原则是让你的判断和意义建构始终跑在构建之前，尤其是在构建如此快速、如此轻松的时候。

丧失客观性

挑战： 如果你让 AI 工具寻找支持你既有信念的证据，它就会找到。确认偏误现在拥有了一台研究引擎。

确认偏误一直是创业中的职业风险：创始人天性就对自己的想法充满热情。现在，AI 工具让确认偏误显著增强。让 AI 验证你的创业想法，它会找到支持证据；让它测算潜在市场规模，它会找到让你的 TAM 看起来值得融资的数字。

AI 会遵循你的方向。这意味着，如果创始人没有提出尖锐问题，现在就能比以往更快地为一个坏想法构造出一套精致、看似研究充分的论证，同时还深信自己确实在做尽职调查。解药仍然是同一个工具，只是方向相反：AI 能像验证一个想法一样彻底地压力测试一个想法。当研究和结构化对抗性思考浮现出你的想法需要修正的证据时，这就是转向的信号。

Claude 如何帮助想法阶段的创始人

推动一个 AI 原生创业概念穿过想法阶段，可能会让人觉得非常漫长。你是创始人，你就是想构建。但这个极其重要的启动阶段，本质上是一项研究与验证练习，意味着你应该先使用那些能帮助你在全力写代码前更严谨思考的工具。下面是如何在 Claude 的不同产品界面（Chat、Claude Cowork、Claude Code）中使用 Claude，尽可能快速且尽职地推进想法阶段。

如果任务是……该用原因
一个问题、一次改写、一个快速头脑风暴Chat快速、对话式、无需设置
基于你的文件和系统做研究、分析，或产出完整文档Claude Cowork文件夹访问、连接器、skills、定时运行
编写、测试或发布软件Claude Code代码库访问、diff、git、开发环境

Chat、Claude Cowork 或 Claude Code：

选择合适的 Claude 界面

AI 让创业创始人更容易更快发货、自动化繁琐工作流，并以更大规模运营，但你使用的界面很重要。下面说明什么时候该根据任务使用 Chat、Claude Cowork 或 Claude Code。

Chat 适合在不离开当前应用的情况下进行快速交流。用它处理经营公司时不断出现的小任务：从密集的投资人备忘录中提炼一句话结论，在董事会会议前快速核验一个主张，或读懂团队里一长串 Slack 讨论。

Claude Cowork 适合真正耗时的知识工作：从多个来源拉取信息、理解信息，并产出完成品，比如文档、演示文稿或电子表格。可以把它想象成：把一整个文件夹的客户访谈记录转成下一次产品评审的主题发现文档；在融资前从十几个供应商网站构建竞争格局；或设定一个每周一早上的任务，从你连接的工具中拉取指标，并把每周 KPI 简报放进共享文件夹。

Claude Code 是团队工程师使用的智能体式编码环境：直接访问代码库、Plan Mode、git 集成，以及本地、IDE 或沙盒云环境。精益团队可以在这里跨不断增长的代码库发布功能，迁移 MVP 时代遗留代码，并在不等待新增人手的情况下从原型推进到生产。

三者底层都是同一个 Claude；改变的是围绕它的工作空间。

定义并压力测试问题假设

你自己的领域专业知识和前期研究已经生成了一个假设。第一项工作是把它打磨到真正可测试。Claude 在这里尤其有用，因为它能迫使你具体化：到底是谁有这个问题？发生频率如何？严重程度如何？他们现在怎么处理？一个无法精确回答这些问题的问题陈述，还没有准备好进入验证。

  • 练习：和 Claude 一起打磨你的问题陈述，直到它成为一个可测试假设。比如，“合同审核耗时太长”并不具备真正的可测试性。但“中型企业的内部法务团队每个合同审核周期花费 3 天以上，因为修订痕迹分散在邮件线程中，而不是集中在一个版本可控的文档里”就非常可测试。下一步，是让 Claude 反驳你的想法，并寻找能推翻假设的反证。这能浮现负面市场信号、失败的竞争对手、客户行为模式，以及支持性综合分析可能悄悄弱化的结构性障碍。

目标是在进入客户发现前，已经用最强的反方论点压力测试过你的假设，这样信息性用户访谈才会真正开放，而不是寻找确认。

注意：把 Claude 当作结构化的反方顾问，是 AI 创业生命周期每个阶段的核心用例。

市场研究与竞争格局绘制

衡量你的竞争对手

创业公司里有一种特有现象叫“竞争对手忽视”：过度专注于自己的愿景和执行，以至于系统性低估同一领域里其他人在做什么。幸运的是，AI 提供了解药：让 Claude 为“为什么这个解决方案空间里的某个竞争对手会成功，而你不会”提出最有说服力的论证。

Claude 可以分析为什么他们的方法实际上更好、为什么客户会选择他们，以及为什么你认为的差异化可能并没有那么可防御。

  • 练习：让 Claude 按层级绘制你的竞争格局：直接竞争对手、间接竞争对手、潜在收购方，以及可能进入你所在空间的相邻玩家。然后让它论证为什么每一层都对你的成功构成真实威胁，而不仅仅是最容易被你忽略的那种威胁版本。

市场研究

Claude Code 可以综合公开可得的客户反馈，浮现重复出现的抱怨和未被满足的需求。额外好处是：这基本等于免费对竞争对手客户做定性研究。

  • 练习：指示 Claude Cowork 综合关键来源中的竞争对手评价，识别现有解决方案尚未解决的主要抱怨。如果你的假设解决了其中一个或多个，这就是问题-解决方案匹配的强信号。如果没有，这同样值得知道。

Claude Cowork 还可以从密集的行业报告、分析师文件和市场研究文档中提取相关信息和数字；接下来，这些干净、综合后的输入会成为 Claude 分析工作的理想上下文。

  • 练习：基于公开数据构建 TAM/SAM/SOM 模型，并压力测试其背后的假设。识别市场是在扩张、整合还是成熟；这个背景会影响你如何思考时机和差异化。绘制买方格局：谁掌握预算、谁影响决策，以及这两者是否是同一个人。

趋势分析

最后，使用 Claude 监听早期指标，判断你是否在正确的时点进入市场。跟踪那些已经在讨论你的问题的 Reddit 子版块和 LinkedIn 群组，以及用户描述痛点时使用的具体语言。让 Claude 识别类似问题曾被解决过的相邻市场，并提取其中有效和无效的做法。浮现可能加速或威胁机会的监管、技术或人口趋势。

  • 练习：让 Claude 识别三个外部趋势，可能是监管、技术或人口方面，它们可能在未来两年显著影响你的市场；并评估每一个趋势对你的具体假设来说是顺风还是逆风。注意：本节的市场研究和竞争绘图不是一次性练习。你会在 MVP 和发布阶段持续发现新信息并演化思考，因此每当你的假设演化时，都应重复这些练习。

规划并设计客户发现

通过与潜在用户交谈，你能学到什么，取决于两件事：（1）你提问的质量；（2）你是否把这些问题问给了正确的人。Claude 对开展客户发现尤其有帮助，包括该找谁聊、该问什么，以及如何理解听到的信息。

该和谁聊

一个精确的目标画像，比一长串联系人名单有价值得多。它应包括最可能强烈感受到这个问题的具体职位、公司类型、团队结构和资历层级。之后，识别这些人实际在哪里可以触达：他们聚集的社区、活动、LinkedIn 群组和 Slack 工作区，并建立一个优先级框架，根据他们离问题有多近决定先联系谁。

该问什么

定义目标对象后，用 Claude 构建访谈框架本身：正确的问题、正确的顺序，并且设计为浮现人们实际做什么，而不是他们认为自己会做什么。新手创始人的常见错误是问一个泛泛的、面向未来的问题（“你会使用这样的东西吗？”），而不是具体询问相关过去（“跟我讲讲你上一次处理这个问题的情景。”）。

Claude 也可以标记你草拟的问题中哪些在引导受访者、过于宽泛，或可能产生噪音而不是信号。Claude 还能帮助你设计追问，用来探查回避回答或深入模糊但重要的回答。

如果你的假设涉及多个用户画像，Claude 也可以为每类人设计不同的问题集。财务经理和 CFO 与同一问题的关系不同；单一访谈框架会抹平这种差异。

  • 练习：先手动草拟访谈问题，再让 Claude 审核。明确让它标出任何具有引导性、面向未来、过于宽泛，或可能诱导社会期望型回答而非诚实回答的问题。然后让它为访谈中最可能出现回避的两三个时刻建议追问。

访谈后分析

每次对话后，用 Claude 做复盘：把笔记喂给它，让它识别哪些内容确认了你的假设，哪些内容挑战了它，哪些内容真正令人意外。收集一批访谈后，把完整访谈笔记交给 Claude Cowork，浮现反复出现的主题、矛盾，以及正反两个方向上最强的信号。然后把综合结果带回 Claude，让它标记你对数据的解读在哪里可能是在模式匹配你想听到的东西，而不是事实本身。

  • 练习：每完成五次访谈，就指示 Claude Cowork 综合你的笔记，并生成两个列表：支持你假设的证据，以及挑战你假设的证据。如果第一个列表明显更长，让 Claude 判断这种不对称是否反映数据本身，还是反映你原本希望发现的东西。

客户外联与排期

使用 Claude Cowork 自动化构建联系人名单、开展外联和安排用户访谈的运营负担。

Claude Cowork 可以使用你与 Claude 定义的目标画像，包括职位、公司类型和资历层级，来研究并编制结构化潜在客户名单和已验证联系方式。然后它可以大规模起草个性化外联邮件，根据每个人的角色和背景进行定制。

当回复出现时，它通过 MCP 连接 Gmail 和 Google Calendar 来管理线程、处理排期请求，并把访谈放进日历。这个工作流会继续运行：Claude Cowork 按照定义好的节奏生成跟进草稿，比如第 7 天跟进尚未回复的联系人，并在每一步完成时更新你的跟踪表，让你始终知道每个潜在对象在管道中的状态。

  • 练习：把你已验证的访谈目标画像交给 Claude Cowork，让它构建潜在客户名单、起草个性化外联序列，并建立一张跟踪表，列包含外联状态、跟进节奏和访谈完成情况。然后让它运行协调工作，而你专注准备对话本身。

设计最终解决方案概念

你已经完成验证工作：问题真实存在，你知道谁有这个问题，而且你有一个证据支持的解决方案概念。用 Claude 从各个角度发展并挑战你的解决方案概念：缺口是什么？有哪些替代方案？这个解决方案要想规模化成立，哪些条件必须为真？这是一个重要的现实检查点：这个设计是否真的解决了验证过程揭示的问题，而不是你最初假设的问题？

  • 练习：把你的解决方案概念展示给 Claude，让它识别这个设计最依赖的三个假设。然后问它，每个假设成立需要哪些条件，以及如果其中任意一个不成立会有什么后果。

用 Claude Code 构建轻量原型

现在到了有趣的部分：有了已验证的假设和经过压力测试的解决方案概念，你终于准备好构建一些东西了。

这是想法阶段里 Claude Code 登场的时刻。即便你一直在小修小试，现在才是生成正式轻量原型的节点：只构建足够把想法放到真人面前并获得真实反应的最小表面积。

你还不是在构建现实世界产品；你是在构建一个功能性样品，用于客户和投资人对话。真实用户与他们真正可以触摸的东西互动，会告诉你十二次问题-解决方案发现访谈也无法告诉你的事情。之前，你是在确认自己解决的问题是真实存在的；现在，你是在邀请潜在用户与拟议解决方案互动。

  • 练习：定义你的解决方案所依赖的单一核心交互。指示 Claude Code 只构建这一点。完成后，把它放到五个来自已验证目标画像的人面前，让他们试用。这五次对话中学到的东西，将决定你是继续构建，还是回到绘图板。

到达想法阶段终点，是 AI 创业赛道上的巨大跃迁，因为现在你不是在押注一个直觉，而是在基于证据执行。接下来是 MVP 阶段，创始人的引导问题会从“这值得构建吗？”变成“我们到底应该先构建什么？”，AI 的主要角色也会从研究伙伴转向施工队。

第 4 章 MVP 阶段

许多创始人把 MVP 阶段当作构建阶段，但 MVP 阶段本质上仍然是一项证据收集练习。不同之处在于，你现在收集的是关于解决方案的证据，而不是关于问题空间的证据；具体来说，是一个真实、可识别的用户群体是否觉得它有足够价值，愿意使用、复用、付费和/或推荐给他人。

MVP 阶段目标

作为 AI 原生创业公司的创始人，你的目标是把一个已验证的问题转化为真实用户会实际使用的可运行产品。这不是包含每个路线图功能的完整版本，而是你想法最小、最聚焦的迭代：把一个真实解决方案放到真实用户面前，并生成关于产品-市场匹配的真实证据。

同时，你现在如何构建，将决定之后什么是可能的。这意味着 MVP 阶段还有第二个同样重要的目标：在不积累那种会复利增长、并在真实用户大规模到来时反噬你的技术债的情况下快速前进。

最后，从第一天起投资持久上下文，是让 AI 成为倍增器而不是熵源的关键。在 AI 原生创业公司中，你的代码库是你一轮又一轮与 AI 协作的对象，因此可读性是基础。跳过规格、架构决策和上下文文件（如 CLAUDE.md）的创始人，会撞上一堵可预见的墙：每次新会话都要重新解释代码库，AI 生成的变更也会逐渐偏离最初愿景。

MVP 阶段退出标准

MVP 阶段的退出条件是真正的产品-市场匹配证据：证明一个具体、可识别的用户群体认为产品有足够价值，愿意回访（留存）、付费（收入）或告诉他人（推荐）。

MVP 阶段挑战

在 MVP 阶段，创始人的首要原则是速度和判断。这里的挑战集中在：你能否足够快地构建正确的东西、以正确的方式构建，同时避免偷工减料到之后付出代价。

智能体式技术债

挑战： 因为 AI 基本移除了过去控制哪些东西进入生产环境的自然瓶颈，速度已经得到保证。但如果速度是创始人在 MVP 构建中考虑的唯一变量，他们就有可能积累未来难以偿还的技术债。

在 MVP 阶段，一些技术债是合理的，前提是你理解它必须在规模化前被管理。它会逐步积累，可以随时间清理，或通过专门 sprint 清理。然而，AI 技术债会复利增长。

如果没有把规格和架构约束写在 AI 能读到的地方，每个会话都会从头重新推导基础决策，而这些决策会漂移。你最终会得到一个背后没有连贯心智模型的代码库，不是因为任何单个部分都很糟，而是因为这些部分从来没有被设计为相互配合。这是真问题，而且往往很晚才暴露。

落入虚假的产品-市场匹配

挑战： AI 工具可以生成令人印象深刻的早期数字，但这些并不保证市场需要你的产品。

早期动能是创始人能经历的最强心理体验之一。经过数周或数月的验证工作和谨慎、有纪律的构建后，发布产品会让人觉得“我一直是对的”。

智能体式编码工具能让你比以往更快到达这一刻，但早期增长信号并不等于产品-市场匹配。发布热度可能来自短暂因素，比如创始人的朋友、投资人其他被投公司的潜在买家，或 Hacker News 头条带来的一波流量。不幸的是，这些都无法可靠预测第 6 周或第 12 周初始热度消退后会发生什么。

零摩擦范围蔓延

挑战： 当构建感觉轻松且几乎免费，总会有另一个很酷的功能可以加，或另一个边缘情况可以处理。这种范围蔓延可能弊大于利。

范围蔓延一直是创业风险。现在的区别是，过去约束它的传统强制函数，即真实工程时间成本，在“加一个功能只需要一个下午而不是一个 sprint”的情况下不再以同样方式存在。

这里的挑战在于，每一次单独增加都看似有道理。产品当然应该处理那个边缘情况；用户当然会想要那种工作流。因为用智能体式编码构建每一项都太轻松，所以这些在当下并不会让人感觉像范围蔓延。但当产品不断扩展到原始边界之外时，你会冒着失去方向和动能的风险。

解药是在构建开始前写下范围定义：描述产品做什么、刻意不做什么，以及来自真实用户的哪些具体证据才足以证明新增某个东西是合理的。这会把决策点从“我们要不要构建这个？”转移到“是否已有临界数量用户告诉我们，没有这个功能他们无法从产品中获得价值？”

因缺乏经验而不安全

挑战： 创始人用 AI 工具匆忙把应用推向市场，却没有先理解基本安全原则，最终会让用户暴露在可避免的风险中。

残酷事实是，智能体式编码工具生成的是可运行代码，而不是天然安全的代码。功能性代码很容易判断，因为功能要么工作，要么不工作。安全漏洞在被利用前是不可见的，这意味着没有自然反馈回路提醒第一次创业的创始人哪里出错了。然而，把一个 live MVP 发布给真实用户，就意味着真实数据、真实暴露，以及一旦出事就会有真实后果。

轻视安全并不是 AI 原生项目的新问题。每个时代的自举创业公司都常常把安全考虑拖到构建后期，有时甚至等到即将生产发布才处理。在任何用户接触你的应用或解决方案之前进行安全审查，是把最小可行产品发布到世界上的最低责任门槛。

Claude 如何帮助 MVP 阶段的创始人

构建前先定义架构

在 Claude Code 写下第一行生产代码前，先用 Claude 定义并记录将支配这一阶段所有构建工作的架构决策：要遵循的模式、要避免的依赖、正在做出的权衡及其原因。这份输出将成为聚焦的架构上下文文档，并建立 Claude Code 工作时需要遵守的护栏。

没有这份上下文，每个会话都会从零开始，Claude Code 被迫推断自己的结构性假设。让 Claude Code 在没有护栏的情况下构建，会得到一个功能上可用但结构上不连贯的代码库；而迭代和扩展不连贯的代码库，最终是在浪费时间和 token。迟早会到达代码不可避免地坍塌、迫使你从头重建的时刻。

  • 练习：在打开 Claude Code 之前，先打开 Claude，描述你要构建什么：它解决的核心问题、服务的用户，以及你对未来六个月规模的现实预期。让它帮助你定义支配 MVP 构建的架构原则、基于约束应避免的依赖，以及你在当前阶段有意识接受的权衡。接下来，把这份输出保存为 CLAUDE.md Markdown 文件。这是你的架构上下文文档：构建过程的第一个工件，也是后续每次会话所依赖的工件。CLAUDE.md 文件为 Claude Code 提供项目级指令，包含项目特定上下文和指令，并会在 Agent SDK 于某个目录运行时被自动读取。从功能上说，它们就是项目的持久“记忆”。

定义并执行 MVP 范围

无摩擦的范围蔓延，是 AI 时代 MVP 的典型失败模式之一。就像你已经定义并记录产品应用架构一样，在构建任何单个功能之前，你也需要定义 MVP 的范围。

Claude 可以帮助你创建范围文档，描述你的 MVP 产品做什么、刻意不做什么，以及功能修改标准：在当前阶段，来自真实用户的哪些具体证据才足以证明新增某个东西是合理的。

当新的功能想法出现时，它们当然会出现，你要用 Claude 压力测试：这是真正来自用户的信号，还是创始人热情披上了产品思考的外衣。

用 Claude Code 构建 MVP

一旦架构和范围被定义，Claude Code 就成为主要的 MVP 构建工具。用它生成、测试、调试并迭代你的代码库，但要把每个会话视为执行你已经做出的产品决策，而不是顺手加入新决策的机会。

每次 Claude Code 会话开始时，先（1）重新查看范围文档，（2）向模型提供 CLAUDE.md 架构上下文文档。每次会话结束时，用会话浮现出的任何决策更新它。目标是一个你能解释其结构的代码库，而不仅仅是一个能跑的代码库。

  • 练习：为你的 Claude Code 工作创建一个简单会话模板，包含架构上下文文档、本次会话的具体任务，以及要遵守的任何约束或模式。每次会话结束时，在上下文文档中增加一条简短日志，记录构建了什么、做出了哪些决策、引入了哪些假设。每次会话花五分钟记录，是防止架构漂移复利增长成不可管理代码库的廉价保险。

在任何用户接触前进行安全审查

作为 AI 原生创业公司的创始人，你有责任知道代码库里有什么、理解任何潜在暴露向量，并且不把明显漏洞交付给信任你处理其数据的真实用户。

Claude 可以对 AI 生成代码做有用的第一轮安全审查，并帮助识别常见漏洞。把它加入发布前循环是个好习惯。不过，它不是安全工具的替代品；在更高风险场景下，也不是人类审查者的替代品。把它当替代品的创始人，才会出现在安全事故故事里。

Claude Code Security 更进一步：它扫描代码库中的安全漏洞，并为人类审查建议有针对性的补丁，浮现传统方法可能错过的问题。

注意：在本电子书发布时，Claude Code Security 仍是有限 beta 版本，因此在把它纳入工作流之前，请检查当前可用性。

  • 练习：在部署给任何真实用户之前，用一份具体说明让 Claude 审查核心应用代码：检查身份认证和会话处理、API 响应中的数据暴露、输入验证和注入风险，以及存在已知漏洞的依赖。认真对待每一项发现，并评估是否需要修复；任何涉及认证、密钥或数据处理的问题都应有人类审查。

在发布前构建你的度量框架

把早期增长信号误判为产品-市场匹配的创始人，通常也是那些发布后才开始跟踪数据的人，并且他们选择的指标是为了评估哪些东西有效，而不是为了浮现哪些东西无效。解药是在第一个用户出现之前就建立度量框架。

用 Claude 定义哪些指标对你的具体产品重要、基准是什么，以及数据中哪些模式构成真正的产品-市场匹配，哪些只是好看的噪音。具体来说：在发布 MVP 之前，就设定留存基准、激活标准，以及第 7 天和第 30 天目标。

接下来，定义你的具体产品中“假阳性”是什么样：比如有注册但无激活、有收入但无留存、初始热情没有重复使用。当数据到来时，让 Claude 对你自己的增长信号提出反方论证：怀疑者会怎么看这些数字？

管理发现与用户反馈的运营

一旦真实用户进入产品，运营层会迅速膨胀。Claude Cowork 负责那些重要但繁琐的工作，例如构建并维护用户联系人名单、运行外联序列、安排反馈会、分流 bug 报告，以及跟踪迭代周期。想法阶段用于管理发现运营的同样 MCP 集成，在这里也适用。

对需要细腻探索的用户反馈，仍要让人留在收集循环里。比如用户说“这个很好，但我希望它也能……”，这需要解释：这是核心需求还是锦上添花？它是这个客户特有，还是代表某个细分群体？缺失的功能是真问题，还是引导流程上游出了问题？没有工具能替你回答这些问题。

  • 练习：配置 Claude Cowork 运行你的 MVP 阶段反馈循环：为早期用户名单起草外联、安排反馈会、设计 bug 报告和功能请求的结构化收集流程，并每周写一份输入综合。先由你自己审阅综合结果；之后，你可以让 Claude 分析这些信息，捕捉你可能遗漏的重要点。

朝证据迭代，而不是朝完整性迭代

MVP 阶段结束于真正的产品-市场匹配证据，无论产品看起来有多“完成”。宣布你已经达成产品-市场匹配，并准备从 MVP 阶段进入发布阶段，最终是一项把创始人直觉与已收集证据结合起来的判断练习。不过也有一些有用的试金石：

  • Sean Ellis 测试：询问你的活跃用户：“如果你不能再使用这个产品，你会有什么感受？”如果超过 40% 的人回答“非常失望”，这就是一个有意义的 PMF 指标。
  • 努力测试：产品-市场匹配之前，留存需要持续干预，包括频繁外联、激励、个人跟进，以及消耗创始人英雄般的精力来维持用户参与。产品-市场匹配之后，产品开始自行完成这项工作。当事情开始从“推动”变成“拉动”，这种努力变化就是最清晰的真实信号之一。最终，没有任何单一数据点能确认产品-市场匹配，因为它必须是跨多个迭代周期持续成立的模式，你才能明确地说它已经发生。

当证据要求时转向

如果即便投入了所有这些工作，你仍然似乎无法达成产品-市场匹配呢？结果没有确认你最初的方向，这不是失败，而是系统在运转：MVP 阶段的设计目的，就是在你对错误答案过度投资之前浮现这些信息。

当数据不支持当前产品时，用 Claude 梳理这些数据正在告诉你什么。

  • 探索替代客户细分。也许没有转化的用户一开始就不是正确目标。正确受众常常已经在你的数据里，只是权重不足。
  • 调整产品价值主张。也许受众是正确的，但 MVP 只是没有打动用户。对引导流程、信息表达或核心功能重点做调整，可能无需改变已经构建的东西就能解决问题。

保持开放：这种脱节可能深到需要更根本的改变。

  • 练习：如果你已经完成三轮或更多迭代周期，但产品-市场匹配基准没有出现有意义的改善，请在决定下一步前用 Claude 做一次诊断。把留存数据、用户反馈和原始问题假设喂给它，并问三个问题：
  • 这组数据中是否存在某个细分群体的反应不同于其他人？
  • 设计价值和体验价值之间的差距，是定位问题还是产品问题？
  • 当前产品要找到真正 PMF，哪些条件必须为真？根据你看到的情况，这个场景现实吗？

让答案决定你是调整、转向，还是回到想法阶段。

第 5 章 发布阶段

如果说 MVP 阶段是证明你的产品值得存在，那么发布阶段就是证明你的业务值得增长。

发布阶段目标

在发布阶段，创业创始人必须把早期增长信号转化为可重复、可持续的增长引擎。除了让产品具备生产就绪能力之外，你还必须加固其底层基础设施，同时围绕产品真正构建一家公司。

在想法和 MVP 阶段，创业公司天然以创始人为中心，因为你需要完整情境感知和紧密反馈循环。但现在，仍试图亲自抓住每一条线索的创始人，会成为发布阶段瓶颈。目标不是把你从公司中移除，而是构建运营系统，把你的注意力释放给只有创始人才能做的决策。

发布阶段退出标准

发布阶段的退出条件包含三个元素：

  1. 增长可重复且由渠道驱动。你不只是留住用户，还能通过具体渠道可预测地获取用户，并理解单位经济模型：CAC、LTV 和回本周期是你知道且能清楚解释的数字。
  2. 产品能够承载生产工作负载。基础设施已经加固，安全与合规到位，可靠性能在真实生产条件下保持，而不仅仅是在你测试过的条件下。
  3. 运营不再依赖创始人瓶颈。流程存在，自动化到位。你不再是那个亲自处理支持、分流、sprint 规划或报告的人。

发布阶段挑战

找到产品-市场匹配，是早期创业生命周期中最难的问题。现在，创始人的挑战变成保持它。发布阶段里，那些已经找到真实产品牵引力的公司，仍可能因为围绕和支撑产品的组织跟不上而崩塌。以下是需要警惕的失败模式。

技术债到期

挑战： 为了速度和验证而构建的 MVP 代码库足以证明产品有效，但生产流量、新功能和增长的复杂度正在暴露那些捷径。

在 MVP 阶段，积累一些技术债是为了速度做出的合理权衡。在发布阶段，这笔债开始计息，拖得越久，修复成本越高。

解决方案包括系统性架构审计，用来识别结构弱点；有针对性地重构最严重的问题；以及有意义地扩展测试覆盖，确保下一轮功能工作不会重新引入同样的问题。

创始人成为瓶颈

挑战： 在 MVP 阶段，创始人出现在每个循环中是一项资产。但到了发布阶段，随着支持量增长、产品决策堆积、运营复杂度倍增，同一种本能会变成约束。

从亲自做事转向设计让系统做事，是创业生命周期中最困难的转变之一。因为很少有一个清晰时刻标志它已经发生，风险在于完全错过它，继续停留在构建者模式，让组织围绕你停滞。迹象包括：本应一小时内做出的决策，现在要等你一周才处理；支持请求堆积，因为只有你知道答案；运营任务只有在你亲自想起来时才发生。

补救方法是对你亲自处理的一切进行彻底审计，从最微小的任务到最关键的决策，以识别哪些可以系统化、哪些可以委派、哪些确实仍然值得创始人投入时间和注意力。

安全与合规不再可以推迟

挑战： 对 MVP 来说，保持安全和合规措施简单还可以接受；但现在，有真实用户、真实数据，并且可能有企业合同摆在桌面上，这会变成负债。

在 MVP 阶段，只有少数 beta 用户且生产中没有敏感数据，安全漏洞还是理论风险。然而，一旦你的产品进入生产环境，并有真实用户依赖它，假设风险就会变成非常真实的暴露风险。此外，原型阶段不适用的合规要求，一旦你处理客户数据、处理支付或销售给受监管行业，就一定适用。

补救方法是在生产规模到来之前，而不是之后，进行系统性安全与合规审查，并把浮现出的每一项都当作下一波用户到来前必须修复的问题，而不是建议。

尚未准备好就扩张

挑战： 新市场和融资机会看起来像增长机会。它们也可能是产品-市场匹配死去的地方。

你已经建立的初始牵引力是真实的，但它也特定于你的早期受众。过早进入一个与你原始市场显著不同的市场，会引入新的用户行为、合规要求、支付基础设施和基线预期，而你的产品并不是围绕这些设计的。突然之间，新变量太多，你会失去清晰解释自己数据的能力。你还可能在追逐一个未经验证的新受众时，忽视原始用户群。

Claude 如何帮助发布阶段的创始人

在发布阶段，三种 Claude 形态都会被充分使用，而且相互支撑：每个工具的输出都会成为另外两个工具的输入。结果会自然复合，而同时使用三种工具的创始人，会获得超过各部分相加的效果。

这正是超精益创业模型在结构上可行的原因。当 Claude Code 构建产品、Claude Cowork 构建围绕产品的公司，而 Claude 帮助把产品和组织知识运营化时，一个小团队可以像规模大许多倍的公司那样运行。

在技术债复利前修复它

你的 MVP 代码库能运行，但它也需要一次系统性修复检查，寻找任何可能成为结构性负债的技术债。

首先，用 Claude Code 进行完整架构审计：识别代码库中脆弱的地方、哪些捷径未来维护成本会变高，以及哪里测试覆盖薄弱到下一轮功能工作可能重新引入同样问题。

把 Claude Code 的审计发现反馈给 Claude，用来分流和排序修复工作：哪些必须在下一次发布前修复，哪些可以等一个 sprint，哪些在当前阶段属于可接受的持续债务。这也是记录 MVP 阶段做出的架构决策的时刻，也就是那些之前因为没时间写下来而留在你脑子里的决策。现在把它们写进 CLAUDE.md，能确保未来每次 Claude Code 会话都从一个共享理解出发：系统是如何设计的，以及为什么这么设计。

  • 练习：指示 Claude Code 审计你的 MVP 代码库，并产出一份按优先级排序的结构弱点、测试覆盖缺口和重构候选列表。然后把这份列表交给 Claude，让它把修复工作分配到接下来几个 sprint：哪些重大问题需要优先处理，哪些可以与功能开发并行处理，哪些可以等待。

构建替代创始人注意力的系统

要构建释放你注意力、让你处理只有创始人能处理职责的运营系统，首先需要准确知道你的注意力流向哪里。用 Claude Cowork 对当前运营负载做结构化审计，记录每一个重复性任务、每一个落到你桌上的决策，以及每一个只因为你本人记得才发生的工作流。然后让 Claude Cowork 把这份清单分类为：可以完全自动化的事项、需要人但不一定需要你的事项，以及真正需要创始人判断的事项。

审计完成后，用 Claude Cowork 为自动化候选项设计工作流逻辑：每个工作流由什么触发、决策规则是什么、输出长什么样，以及完成后流向哪里。

把安全与合规变成产品工作流

用 Claude Code 浮现代码层面的问题，这些问题经常出现在 SOC 2、GDPR 或 HIPAA 审计，以及目标市场要求的标准中。这会浮现漏洞和合规缺口。把这些发现交给 Claude，帮助你排序修复工作，并设计企业买家在签约前会要求的控制、审计日志和访问管理。注意：AI 扫描是辅助，但不能替代合格的合规审查。

接下来，把合规工作流纳入开发周期，而不是把它作为一次性项目；合规文档需要持续维护和更新。对于正在接近企业合同或国际市场的创始人来说，这也是 Claude Code 安全扫描可以帮助你准备独立安全评估的时刻。

  • 练习：使用 Claude Code 进行一次面向目标市场所需框架的代码级安全审查。把输出交给 Claude，让它产出两样东西：一份按优先级排序的安全修复序列，以及你需要准备哪些文档和控制，才能满足潜在企业买家的合规审查。

建立你一直跳过的产品管理流程

发布阶段需要一组轻量、可重复的流程，它们可以在不需要创始人介入触发或运转的情况下运行。用 Claude 设计你的产品时间线和工作周期如何组织、Claude Code 接触某个功能前规格需要包含什么、bug 报告如何分流和路由、每周指标报告覆盖什么以及如何分发。

流程设计完成后，用 Claude Cowork 构建并运行运营层：安排 sprint 仪式、把进来的 bug 报告路由到正确位置、从连接的数据源汇总周指标，并维护让用户信号持续流入产品决策的反馈循环。

  • 练习：让 Claude 设计一个轻量产品管理操作系统：定义 sprint 节奏、最小规格模板、bug 分流决策树，以及从你的真实数据源拉取的每周指标简报。然后设置 Claude Cowork 实施并运行系统中的重复性运营元素，比如排期、路由和报告汇总，让它们按计划发生，而不需要你。

第 6 章：规模化阶段

在规模化阶段，创始人的角色会从构建者重新聚焦为面向公众的高管。产品仍然是核心，但你的个人日常工作会越来越围绕公司本身展开。你的注意力必须扩展到新的规模化阶段活动，例如分析师简报和 IPO 路演，同时还要努力保持精益、AI 中心的结构性优势。

规模化阶段目标

扩展技术基础设施的工作会继续，同时加入扩展组织本身，并让组织成熟为一家企业的工作。

在规模化阶段，你要从数千用户走向数百万用户，从一个市场走向多个市场。在此前每个阶段，增长都是你可以通过贴近用户、基于紧密反馈循环的数据和创始人直觉不断调整来摸索的事情。但现在，目标是构建由成熟组织运营支撑的系统性增长。

对 AI 原生创业公司来说，你的目标应该是通过累积深度构建可防御护城河：来自你植入产品的专业知识、产品与用户依赖的其他工具和平台之间的深度集成，以及专有系统数据和工作流。那些始终沿着同一方向、在一致基础设施上持续构建的创始人，现在拥有了真正难以复制的东西。

在这个阶段，公开市场投资人、分析师、监管机构、企业采购团队和收购方会施加更大压力，也带来更强怀疑，因为此时利害关系更高。你的产品和组织都必须经受外部审视：不仅是你构建出的能力，还包括围绕它的治理、合规姿态、财务控制和战略叙事。

规模化阶段退出标准

规模化阶段的退出条件不再是单一里程碑，而是一个阈值事件：即便创始人越来越不直接运行日常运营，公司仍然可持续。你已经证明了系统性增长；构建了能满足最严苛外部审查者的组织治理和合规基础设施；并且对这个问题有扎实答案：“如果一个资金充足的既有巨头今天复制你的产品，你的用户会留下吗？”

实践中，这个阈值通常会表现为三种形式之一：在不再需要外部资本的规模上实现可持续盈利、具备 IPO 就绪度，或被收购。三者都要求你的增长是系统性且可审计的，产品护城河经得起审查，组织运营成熟且可持续。

当这是真的，就值得祝贺：你的创业公司已经从一次押注，变成了一门生意。

规模化阶段挑战

委派运营层

挑战： 规模化阶段的运营系统必须可靠且可持续地运行，而不是需要人持续看管。对一个从第一天起就亲力亲为的创始人来说，这种转变既是结构性挑战，也可能是心理挑战。

你的发布阶段工作是在创建系统；到了规模化阶段，它变成两件事：（1）让这些系统成熟到完全可信；（2）然后真正信任它们。

这比听起来更难。即便你是一个擅长委派的创始人，也并不总是清楚该交出去什么、该留在自己手里什么。交得太多、太快，尤其是交给 AI 自动化系统，会让关键决策在缺少只有创始人掌握的关键上下文时被做出。抓得太久，你又会成为瓶颈。

这里的根本挑战，是识别那些只存在于创始人脑子里或未记录工作流中的机构知识，并把它编码进有文档、可审计、可转交的系统。

扩展技术运营

挑战： 客户不再只评估你的产品；他们想知道你的组织是否能成为可靠的基础设施伙伴。

前三个创业阶段的技术挑战集中在代码库：在不积累技术债的情况下构建正确解决方案，然后为真实用户加固安全和合规。进入规模化阶段后，挑战变成围绕代码库构建的一切：创建支持基础设施、文档和可靠性承诺，用来传达成熟度。

签署多年合同的大型客户和机构买家，在签约前会要求这些东西，签约后也会据此要求你履行。让你走到这里的同一套 AI 基础设施，也能帮助你构建具备明确响应时间和文档的专门支持职能，让新客户的工程团队真正用得上。

扩展组织职能

挑战： 规模化阶段的公司通常需要招聘、薪资、会计和法务运营等组织基础设施，无论实际有多少人在运行它。

在发布阶段，系统化运营意味着自动化那些消耗创始人注意力的工作流。规模化阶段的创业公司现在需要发展更广泛、某些方面也更关键的运营职能，例如财务报告、合规监控、合同管理和客户支持等。

构建 GTM 职能

挑战： 自然增长有天花板，而且大多数规模化阶段创始人在真正构建市场进入职能之前就会撞上它。

想法、MVP 和发布阶段的增长通常来自创始人主导的销售，从时机恰好的 Product Hunt 发布，到与早期客户的个人关系。这类自然增长只在一定程度上有效，大多数创业公司会在规模化阶段触达上限。迹象包括用户曲线变平、获客成本上升，以及只有创始人亲自介入时才推进的管道。

规模化阶段的增长要求构建专门的增长引擎，以触达产品的新受众和更广泛受众。不过，大多数创业创始人可能从未真正运行过营销、销售和分析师关系这样的项目。一个真正的 GTM 动作不仅需要建立新系统和流程，还需要创建品牌声音，以及讲述你希望如何谈论产品的故事。因为在创业生命周期的这个阶段，你会需要它，不仅为了触达单个新用户，也为了触达投资人和企业买家等完整目标受众。

幸运的是，GTM 职能不必庞大也能有效；构建产品的同一套 AI 基础设施，也可以引导你把产品推向市场。

Claude 如何帮助规模化阶段的创始人

早期创业阶段把 Claude 作为产品本身的基础设施：验证想法的研究伙伴、设计和构建原型的工程团队，以及让单创始人创业公司成为可能的 AI 运营层。到达规模化阶段的 AI 原生创业创始人，现在可以继续用 Claude、Claude Code 和 Claude Cowork，以同样方式扩展他们已经构建的东西。

把日常任务交给 Claude Cowork

从一个清醒视角开始规模化阶段：现在你最需要把时间和注意力投入哪里？这对从未构建过企业的第一次创业创始人可能是挑战。Claude 可以通过列出这个阶段只有你应该做的事情来帮助你，这可能包括产品叙事决策、董事会关系、企业交易，以及创始人之间的对话。不在清单上的任何事情，都是委派或 Claude Cowork 自动化的候选项。

  • 练习：用 Claude 生成当前运营层的瓶颈地图：每一个目前通过你路由的工作流、决策和审批。然后，让 Claude 推演当你一周无法工作时，每一个会发生什么。会停滞的工作流，就是你仍然足以拖慢进度的亲力亲为之处。

这些如何映射到你与 Claude 制作的创始人优先事项和职责清单？

接下来，是时候压力测试你已经构建的系统是否真的准备好随着业务增长而扩展。

  • 练习：用 Claude 绘制你当前的工作流，然后问它当你一周无法工作时，每一个会发生什么。会停滞的工作流，就是交接标准、升级路径或异常处理仍需收紧的地方。Claude 可以帮助分析失败点并推荐合适修复方案，以便你按需更新或替换 Claude Cowork 自动化。

把技术运营扩展为企业级基础设施

随着规模化，买家需要确信你的产品和组织都可以被信任为长期基础设施。代码库内部的技术工作仍然会一如既往地继续，但现在围绕代码库的技术工作也必须处理。

第一步是把机构知识转化为可扩展系统。用 Claude 起草并维护企业采购期望看到的书面基础设施，包括产品文档、支持 playbook 和 SLA。

同时，指示 Claude Code 根据企业合同所要求的具体可靠性和安全标准审计并加固代码库，并构建 Discord 社区支持时代不需要提供的技术支持基础设施：日志、监控、事件响应工具，以及让 SLA 真正可执行的可观测性层。

然后，Claude Cowork 运行企业支持本身的运营层：工单路由、升级工作流、由产品变更触发的文档更新、续约跟踪，以及企业客户成功所依赖的报告节奏。三者结合，让一个小团队具备大型组织的支持姿态，而这正是签署多年企业合同前你需要证明的东西。

  • 练习：挑选三个最严苛的潜在客户，或识别三个你非常想签下的理想客户。让 Claude 生成差距分析：这些账户中的企业采购团队在签署多年合同前，会期望看到哪些文档、SLA 和支持基础设施？你当前在哪里不足？用输出对 Claude Code 和 Claude Cowork 的技术与文档工作排序。

构建真正的 GTM 职能

创始人的冲劲把你带到了这里，但扩展创业公司需要创建并实施真正的市场进入策略。AI 可以帮助你构建，然后运行完整的 GTM 引擎。

Claude 可以从零开始协助构建基础 GTM 资源：市场细分、信息架构、分析师关系策略、销售 playbook，以及当你开始与公开市场投资人、企业买家和华尔街分析师交谈时重要的投资人指标叙事。这些受众各有自己的词汇，也会用各自标准评估你；Claude 的工作是把产品价值主张翻译成适用于每个受众细分的产品营销方法。

现在，Claude Cowork 可以成为你的战术执行层：内容管道、外联序列、分析师沟通会后勤、新闻室和 PR 节奏、CRM 卫生、pipeline 报告，以及把 GTM 策略变成真实商业动作的许多重复周期。

当 GTM 动作需要产品营销基础设施，例如互动 demo 环境、集成文档、沙盒租户、API 参考、技术单页材料，Claude Code 可以为你构建。买家期望从技术上评估你的产品，而在规模化阶段，一个 Loom 视频和一份销售 deck 已经不够了。这也是让 GTM 动作异步运行的基础设施：一个构建良好的 demo 环境，可以在你开董事会时完成成交。

把领域专业知识和机构知识转化为 AI 上下文

许多超精益创业创始人正在为某个特定行业里自己亲身经历或观察到的真实问题，构建高度具体的应用或工具。智能体式 AI 现在让从未写过一行代码的创始人，也能用自己的领域专业知识构建解决复杂问题的产品。Claude、Claude Code 和 Claude Cowork 各自参与把创始人知识转化为复合增长的产品具体性。

用 Claude 捕捉、组织和打磨创始人知识，会把领域专业知识放到产品能够触达的位置。通过长期对话、项目和记忆，创始人可以把自己知道的一切分享进去：行业术语、监管陷阱、边缘情况、挫折、为什么这个问题的显而易见答案行不通，并将其转化为结构化、可搜索的上下文。Skills 可以把重复工作流编码为可复用例程，例如“我如何审计商业租约”“我如何分流患者接收表单”，让 Claude 每次都以同样方式运行。几个月后，这会成为通用 AI 无法匹配的专有知识基底。

用 Claude 外部化你的领域知识，对于把行业特定边缘情况编码进产品非常有价值。例如，一个通用 AI 医疗计费工具可能会在 340B 药品项目索赔上出错，但你的产品有针对它们的具体逻辑。Claude Code 帮助你把同领域专业人士经常遇到的挫折转化为验证逻辑、提示词优化，或与竞争对手从未听说过的细分行业系统的 MCP 集成。因此，你的应用或工具的深度与广度会不断复合，竞争对手根本难以复制。

  • 练习：识别一个通用竞争对手在你所在垂直领域一定会搞错的边缘情况。和 Claude Code 一起基于你真实见过的场景，为它构建一个专门测试用例（不是单元测试）。每当类似边缘情况出现，就加入测试。你的测试套件会变成护城河地图。

把累积用户数据复合为可防御优势

用户与你的产品互动时，会生成行为信号，例如他们接受哪些输出、拒绝哪些输出，这会影响产品路线图。随着时间推移，你会了解你的特定用户群体的模式、偏好和边缘情况。这就是我们所说的复合价值：每一次改进都会让产品更有用，驱动更多使用，产生更多反馈，再驱动更多改进。

这些数据是时间锁定、上下文特定，并且复制者无法重建的：你不可能买到数千名用户在你的产品里不断打磨工作流所留下的行为指纹。

Claude 可以帮助审计你收集到的任何用户交互数据，识别其中最高信号的行为模式，并设计把持续使用转化为系统性模型改进的反馈循环。

  • 练习：把你的产品交互数据摘要喂给 Claude：你一直在收集什么、收集了多久、你知道用户如何随时间与你的产品互动。让它识别这些数据中三个最高信号的行为模式，并为每一个设计一个反馈循环，将其转化为系统性模型改进。然后让它帮你起草一页护城河叙事，用于产品营销：讲清你的数据飞轮如何运作、它已经转动多久，以及为什么一个资源充足、今天才开始的竞争对手无法在两年内复制它。

创建工作流锁定

复合数据网络效应让你的产品更难被复制，而用户工作流锁定让你的产品更难被离开。用户在日常运营中运行你的产品越久，它就越深地嵌入他们实际工作的方式。他们在它之上构建了自动化，培训人们使用它，并把它连接到自己的数据源和其他工具。他们开发的提示词、打磨的工作流、标准化的输出，都围绕你的产品做什么、如何做而形成。到这个阶段，切换就从一个产品决策变成了全面运营项目。

创建工作流锁定的第一步，是让 Claude 按集成深度绘制当前客户群。对每个客户细分，识别他们在你的产品之上构建了哪些工作流，以及依赖哪些集成。这会显示你的产品在哪里有粘性，以及哪里需要继续深入。

你提供的集成越多，客户就有越多表面积可以构建依赖你产品的工作流。Claude Code 可以帮助你快速搭建与目标用户依赖的数据管道、项目管理工具和其他系统的原生集成。Claude Code 还可以构建 API、webhook 和 SDK，让客户不只是使用你的产品，而是在你的产品之上构建，这是最深层次的锁定。

  • 练习：让 Claude 帮你为前十名客户构建工作流集成审计。对每个客户，记录他们构建的自动化、依赖的集成、通过你产品运行的团队工作流，以及你对其切换成本的估计。然后让 Claude 识别这组客户中的模式：对你的具体产品来说，哪些集成类型会创造最深的锁定？你可以构建或开放什么，来加深那些当前仍停留在表层的客户集成？

第 7 章 同一份工作，新的规则

在 AI 时代，创始人的工作并没有改变：找到一个真实问题，构建能解决它的东西，并把它扩展成一家重要的公司。改变的是到达那里的路径。跨越想法、MVP、发布和规模化四个阶段，AI 把季度压缩成周。

过去需要数月的验证周期，现在可以在几个下午完成。一个可运行原型不再需要拥有正确技术栈的联合创始人；它需要的是一个清晰问题，以及与编码智能体进行几次聚焦会话。发布准备从发布前的混乱冲刺，压缩成一个持续工作流。在规模化阶段，过去迫使早期雇员进入救火角色的运营重量，也越来越可以交给 AI，让团队把注意力投入那些会成为护城河的判断。

瓶颈不再是你能构建什么，而是你选择构建什么。

资源

使用 Claude 构建

创始人故事

  • 三家 YC 创业公司如何用 Claude Code 构建公司： 研究 HumanLayer（F24）、Ambral（W25）和 Vulcan Technologies（S25）如何使用 Claude 快速把原型推向市场，并用智能体式编码工作流扩展 AI 驱动平台。
  • GC AI 的创始人用领域专业知识构建了一个响应式、由 Claude 驱动的法律平台，服务内部法务团队真实工作方式：公司特定 playbook、跨职能利益相关方，以及可变的风险容忍阈值。
  • Carta Healthcare 使用 Claude 驱动其临床抽象平台，每年处理 22,000 例外科病例，并将数据抽象时间减少 66%。
  • Anything 由 Claude 和 Agent SDK 驱动，已经帮助 150 万用户在不写代码的情况下把想法变成可运行软件产品，其中包括一位非技术型创始人，他构建并已经开始销售一个完整招聘平台。Anything 的 AI 智能体负责完整构建，让独立创业者可以加倍投入自己的领域专业知识。
  • Cogent 是一家应用 AI 实验室，构建智能体来自动化关键企业安全任务。这家创业公司使用 Claude 作为智能体的推理层，在整个漏洞生命周期中自动化调查、优先级排序和修复。
  • Airtree 使用 Claude Cowork 作为其运营基础设施中心，把过去分散在十几个工具和团队中的数据统一起来。现在，当一个人用 skills 构建工作流自动化后，组织里的每个人都可以用它完成待办清单中那些一直没做完的事情。
  • Duvo 构建 AI 智能体，跨 ERP、供应商门户、电子表格、邮件甚至电话运行采购、供应链和品类管理流程。Duvo 完全构建在 Claude 之上，使用 Agent SDK 编排跨工作流执行。
  • Zingage 是一个面向居家护理机构、提供 24/7 自动化运营的 AI 智能体平台。这家创业公司使用 Claude 的结构化工具调用，在 EMR 和多个沟通渠道之间编排，并使用 Claude 的上下文推理构建智能体，使其能够给出细腻、面向患者定制的结果，而不是模式匹配到最常见回应。
  • Kindora 是一个 AI 驱动平台，由一位非营利组织高管使用 Claude Sonnet 构建，旨在解决慈善机构与资助方智能匹配这一迫切需求。在把数千个匹配过滤到少数值得追求的机会后，Kindora 的 MCP 连接器让非营利组织可以直接在 Claude 中访问其潜在资助方开发工具。
  • Wordsmith 由一位律师转型 CTO 的创始人创办，致力于为内部法务团队提供可靠的 AI 驱动法律技术。Claude 是 Wordsmith 合同审查、协议起草和文档审阅能力的推理引擎，这家创业公司的工程团队也使用 Claude Code 构建并演化平台本身。

创业支持与机会