03 反对本本主义03 Against Bookism
不要成为AI时代的本本主义者Don't become an AI-era bookist
本本主义最致命的，不是它会让你失败，而是它让你看起来极其专业地失败。一个没做过调查的人本该露怯、犹豫、被人一眼看穿；可一个抱着AI本本的人不会——他术语精准、逻辑自洽、PPT挑不出一处毛病，然后把公司稳稳地开进沟里。
1930年毛写《反对本本主义》，拆的是一件极具体的事：用书本上的现成结论，代替对眼前这块土地的亲自调查。"你对于某个问题没有调查，就停止你对于某个问题的发言权。"九十多年后这件事没有消失，只是换了一种更难察觉的形态。旧本本是别人在别处、别时、为别的处境写下的，你的大脑会本能地打个折扣；LLM的本本却用你的措辞、答你此刻的问题、为你即时定制，读起来像一份专门为你做的调查。AI之所以是放大本本主义、而不只是平移它，关键就在这层距离感被抹平的瞬间——本本从一个你会警惕的东西，变成了一个你会依赖的东西。
一、毛拆的是一件具体的事：以本本代替调查，等于跳过怀胎直接要分娩
《反对本本主义》通篇只论证一件事：调查是解决问题的唯一基础。"调查就是解决问题"，毛把它比作"十月怀胎"和"一朝分娩"——你完完全全把一个问题的现状和历史调查明白了，解决办法自己就长出来了。本本主义则是跳过怀胎、直接要分娩：以为本本上写了，照着做就一定对。
这里有个最容易被忽略、却最关键的区分。毛从不反对本本本身——"马克思主义的'本本'是要学习的"。他反对的是"脱离实际情况的本本主义"。一个本本正确与否，不取决于它从哪里来。"我们说上级领导机关的指示是正确的，决不单是因为它出于'上级领导机关'"，而是因为它的内容恰好适合此时此地的客观情势。本本的权威不来自出处，只来自它和现实的吻合度。这个区分待会儿会救我们一命——因为AI时代最容易犯的错，恰恰是把"反对本本主义"误读成"反对一切本本、反对一切聚合和理论"。
把这套逻辑搬到2026年，"本本"换了一批载体却没换本质：LLM对某个行业的概括、麦肯锡式的行业报告、竞品拆解、增长黑客的growth playbook、某篇10万+里的"PMF方法论"，全是今天的本本。AI时代的本本主义，就是用LLM对"一类用户"的统计理解，替换掉你对"你那群具体用户"的亲自接触——你没读一条真实对话、没打一个回访电话，却已经能对着投资人侃侃而谈"我的用户画像"。毛的判断在这里依然成立：你对这个问题没有调查，你就没有发言权，哪怕你的PPT做得无可挑剔。
二、AI本本最危险的地方，是它错得足够顺滑，让你把"读起来顺"误当成"事情是对的"
一段磕磕巴巴的真话，和一段丝滑的平均答案摆在一起，多数人会信后者。这是人脑的一个底层bug：我们天生把表达的流利，误当成内容的可靠。LLM恰好是人类造出来的、最擅长把平均答案说得顺滑的机器——它给你的，本质上是全网语料关于这个问题的统计中心：是"情感陪伴App"这个词在英文互联网上的平均回答，不是你后台那几十万个有名有姓、各自活在平均值之外的人。流利是可信度的伪信号，而AI把这个伪信号做到了人类语言能达到的上限。
它还会喂给你一种"我已经调查得很深"的错觉。一本纸书读到最后一页就到头了，你清楚自己知识的边界在哪。LLM可以被无限追问，你来回追问二十轮，会真切地觉得自己钻得很深——其实你只是把同一个本本翻来覆去读了二十遍，从头到尾没碰过一个新的、来自现实的数据点。它的知识在你开始提问的那一刻就已经封闭，你的"调查"于是被锁死在这个封闭圈里打转。毛要你"迈开两脚"，学孔夫子的"每事问"，AI给你的却是一把舒服的椅子，让你坐着、把每一件事都问给一个从没见过你用户的对象。
三、AI时代的三种本本主义者，我在自己和团队身上都见过
我给这三类人起了名字，因为这三种我都亲历过——有的是我自己，有的是我看着身边的创始人一头栽进去。
第一种是 Prompt本本主义者。他把prompt engineering当成了产品思考。花三天调一个"用户画像生成器"的system prompt，调到能吐出一段漂亮的人物小传，却没花三小时去读真实用户的聊天记录。他的核心动作是问GPT"用户想要什么"，而不是去问用户——把"问对模型"误当成了"想清楚问题"。可模型再聪明，它手里也没有你用户的数据，它只能把别人的本本用更顺的话再讲一遍给你听。
第二种是 数据本本主义者。注意，他的毛病不是看dashboard——在三十万用户的盘子上你必须看dashboard，这是常识不是原罪——他的毛病是把dashboard上的读数当成了终点。他能把"七日留存30%、次日留存55%、付费率4.2%"这串数字脱口而出，却答不上来"为什么是30%而不是20%"，更不会顺着那个反常的数字走下去，看看它背后那台机器到底是哪个齿轮卡住了。在桥水，我学到的纪律是：任何一个指标，你若画不出生成它的那条因果链，你就不准拿它下注；一个你拆不开的数字，是一个你不能交易的数字。只知道"是什么"、不知道"为什么"，你就没法预测任何一次改动会把这个数字推向哪边，只能在黑暗里拍脑袋。
第三种是 框架本本主义者。他用精益创业、Jobs-to-be-Done、PMF、AARRR来替代对自己具体处境的分析。框架本身没错，但每一个框架都是别人从别的案例里抽干了水分、留下的那副骨架。当你把"我此刻的处境"硬塞进一个通用框架的格子里，被挤掉的，往往恰恰是你身上那部分独有的、不可复制的、真正决定生死的东西。框架让你显得很有方法论，代价是你不再亲眼看自己的战场。
四、破解之道：先用数据决定去哪里看，再用毛的"调查技术"亲眼去看
安心舍早期我栽过一个干净利落的跟头。我问过GPT："中国用户要什么样的情感陪伴功能？"它给了一套极专业的答案：情绪日记、CBT练习、冥想引导、心情打卡。术语精准、结构完整——一份标准的本本。我照着做了第一版，上线两周，七日留存卡在十几个点，怎么调prompt都不动。后来我自己去读凌晨一点到三点的原始对话，才看见真相：用户根本不是来"管理情绪"的，他们是来"不想一个人待着"的。他们要的是被记住、是凌晨发出去的那句话有人接得住、是第二天AI还记得昨晚那件事。我把产品从那版本本里拆出来重做，七日留存翻到三成出头。靠的不是更好的prompt，是我一条一条读对话。
但"一条一条读对话"这句话，放到今天三十万用户的体量上，立刻会被一个投资人当场问穿："那你还看不看留存盘？"当然看。规模一上来，亲自调查不是用读原文去取代聚合，而是反过来——先用聚合把"该去读哪一段"找出来，再扎进那一段去读原文。dashboard告诉我哪一类用户在第三天集体掉头、哪个新功能上线后凌晨对话突然变短；我带着这个坐标，去读那一批人那几天的真实对话。聚合负责回答"去哪里看"，精读负责回答"那里到底发生了什么"，长尾里那几个最反常的个案负责回答"我之前所有假设里，哪一条是错的"。把聚合和精读对立起来、以为读原文就能取代看数据，那才是真正的本本主义——别忘了毛反对的从来不是本本，是脱离实际的本本。dashboard只要还牵着你往真实对话里走，它就不是本本主义；它一旦变成你不再去看人的借口，才是。
毛在《反对本本主义》末尾讲了一段非常具体的"调查技术"，几乎可以一字不改地搬进今天的产品工作。"要亲身出马"——创始人自己去读对话、自己打回访，这件事不能外包给运营，更不能外包给一份AI生成的摘要。"要深入"——不要停在"用户说想要X"，追问他凌晨到底为什么点开这个App。"开调查会"——把一小撮真实重度用户拉进一个群，让他们当着你的面互相争论，分歧里全是金子。"要自己做记录"——读一手原文，不读二手提要，这里的"二手"也包括AI替你写的总结。"要定调查纲目"——列提纲是为了让你问得更深，不是让你照着流程走过场。
把这套技术落到今天，你的用户调查该问的，就是孔夫子那个"每事问"的现代版：他上一次打开你的App，前一秒在干什么、带着什么情绪？他卸载的那一天，具体发生了什么事？他愿意掏钱的那一刻，到底解决了他哪一个说不出口的难处？这些问题没有任何一个LLM能替你回答，因为答案只长在那个具体的人身上，从来不在任何本本里。
毛把调查比作十月怀胎，分娩是水到渠成的事。今天最大的诱惑，是LLM让你觉得可以跳过怀胎——它三秒钟就把一个看似足月的结论塞进你手里，而那个结论，从没在你的现实里真正孕育过一天。所以最后只剩一个问题：你上一个自认无懈可击的决定，是建立在你亲自核对过的事实上，还是建立在一段你从没验证、却读起来异常顺滑的AI回答上？
本本主义最致命的，不是它会让你失败，而是它让你看起来极其专业地失败。一个没做过调查的人本该露怯、犹豫、被人一眼看穿；可一个抱着AI本本的人不会——他术语精准、逻辑自洽、PPT挑不出一处毛病，然后把公司稳稳地开进沟里。
1930年毛写《反对本本主义》，拆的是一件极具体的事：用书本上的现成结论，代替对眼前这块土地的亲自调查。"你对于某个问题没有调查，就停止你对于某个问题的发言权。"九十多年后这件事没有消失，只是换了一种更难察觉的形态。旧本本是别人在别处、别时、为别的处境写下的，你的大脑会本能地打个折扣；LLM的本本却用你的措辞、答你此刻的问题、为你即时定制，读起来像一份专门为你做的调查。AI之所以是放大本本主义、而不只是平移它，关键就在这层距离感被抹平的瞬间——本本从一个你会警惕的东西，变成了一个你会依赖的东西。
一、毛拆的是一件具体的事：以本本代替调查，等于跳过怀胎直接要分娩
《反对本本主义》通篇只论证一件事：调查是解决问题的唯一基础。"调查就是解决问题"，毛把它比作"十月怀胎"和"一朝分娩"——你完完全全把一个问题的现状和历史调查明白了，解决办法自己就长出来了。本本主义则是跳过怀胎、直接要分娩：以为本本上写了，照着做就一定对。
这里有个最容易被忽略、却最关键的区分。毛从不反对本本本身——"马克思主义的'本本'是要学习的"。他反对的是"脱离实际情况的本本主义"。一个本本正确与否，不取决于它从哪里来。"我们说上级领导机关的指示是正确的，决不单是因为它出于'上级领导机关'"，而是因为它的内容恰好适合此时此地的客观情势。本本的权威不来自出处，只来自它和现实的吻合度。这个区分待会儿会救我们一命——因为AI时代最容易犯的错，恰恰是把"反对本本主义"误读成"反对一切本本、反对一切聚合和理论"。
把这套逻辑搬到2026年，"本本"换了一批载体却没换本质：LLM对某个行业的概括、麦肯锡式的行业报告、竞品拆解、增长黑客的growth playbook、某篇10万+里的"PMF方法论"，全是今天的本本。AI时代的本本主义，就是用LLM对"一类用户"的统计理解，替换掉你对"你那群具体用户"的亲自接触——你没读一条真实对话、没打一个回访电话，却已经能对着投资人侃侃而谈"我的用户画像"。毛的判断在这里依然成立：你对这个问题没有调查，你就没有发言权，哪怕你的PPT做得无可挑剔。
二、AI本本最危险的地方，是它错得足够顺滑，让你把"读起来顺"误当成"事情是对的"
一段磕磕巴巴的真话，和一段丝滑的平均答案摆在一起，多数人会信后者。这是人脑的一个底层bug：我们天生把表达的流利，误当成内容的可靠。LLM恰好是人类造出来的、最擅长把平均答案说得顺滑的机器——它给你的，本质上是全网语料关于这个问题的统计中心：是"情感陪伴App"这个词在英文互联网上的平均回答，不是你后台那几十万个有名有姓、各自活在平均值之外的人。流利是可信度的伪信号，而AI把这个伪信号做到了人类语言能达到的上限。
它还会喂给你一种"我已经调查得很深"的错觉。一本纸书读到最后一页就到头了，你清楚自己知识的边界在哪。LLM可以被无限追问，你来回追问二十轮，会真切地觉得自己钻得很深——其实你只是把同一个本本翻来覆去读了二十遍，从头到尾没碰过一个新的、来自现实的数据点。它的知识在你开始提问的那一刻就已经封闭，你的"调查"于是被锁死在这个封闭圈里打转。毛要你"迈开两脚"，学孔夫子的"每事问"，AI给你的却是一把舒服的椅子，让你坐着、把每一件事都问给一个从没见过你用户的对象。
三、AI时代的三种本本主义者，我在自己和团队身上都见过
我给这三类人起了名字，因为这三种我都亲历过——有的是我自己，有的是我看着身边的创始人一头栽进去。
第一种是 Prompt本本主义者。他把prompt engineering当成了产品思考。花三天调一个"用户画像生成器"的system prompt，调到能吐出一段漂亮的人物小传，却没花三小时去读真实用户的聊天记录。他的核心动作是问GPT"用户想要什么"，而不是去问用户——把"问对模型"误当成了"想清楚问题"。可模型再聪明，它手里也没有你用户的数据，它只能把别人的本本用更顺的话再讲一遍给你听。
第二种是 数据本本主义者。注意，他的毛病不是看dashboard——在三十万用户的盘子上你必须看dashboard，这是常识不是原罪——他的毛病是把dashboard上的读数当成了终点。他能把"七日留存30%、次日留存55%、付费率4.2%"这串数字脱口而出，却答不上来"为什么是30%而不是20%"，更不会顺着那个反常的数字走下去，看看它背后那台机器到底是哪个齿轮卡住了。在桥水，我学到的纪律是：任何一个指标，你若画不出生成它的那条因果链，你就不准拿它下注；一个你拆不开的数字，是一个你不能交易的数字。只知道"是什么"、不知道"为什么"，你就没法预测任何一次改动会把这个数字推向哪边，只能在黑暗里拍脑袋。
第三种是 框架本本主义者。他用精益创业、Jobs-to-be-Done、PMF、AARRR来替代对自己具体处境的分析。框架本身没错，但每一个框架都是别人从别的案例里抽干了水分、留下的那副骨架。当你把"我此刻的处境"硬塞进一个通用框架的格子里，被挤掉的，往往恰恰是你身上那部分独有的、不可复制的、真正决定生死的东西。框架让你显得很有方法论，代价是你不再亲眼看自己的战场。
四、破解之道：先用数据决定去哪里看，再用毛的"调查技术"亲眼去看
安心舍早期我栽过一个干净利落的跟头。我问过GPT："中国用户要什么样的情感陪伴功能？"它给了一套极专业的答案：情绪日记、CBT练习、冥想引导、心情打卡。术语精准、结构完整——一份标准的本本。我照着做了第一版，上线两周，七日留存卡在十几个点，怎么调prompt都不动。后来我自己去读凌晨一点到三点的原始对话，才看见真相：用户根本不是来"管理情绪"的，他们是来"不想一个人待着"的。他们要的是被记住、是凌晨发出去的那句话有人接得住、是第二天AI还记得昨晚那件事。我把产品从那版本本里拆出来重做，七日留存翻到三成出头。靠的不是更好的prompt，是我一条一条读对话。
但"一条一条读对话"这句话，放到今天三十万用户的体量上，立刻会被一个投资人当场问穿："那你还看不看留存盘？"当然看。规模一上来，亲自调查不是用读原文去取代聚合，而是反过来——先用聚合把"该去读哪一段"找出来，再扎进那一段去读原文。dashboard告诉我哪一类用户在第三天集体掉头、哪个新功能上线后凌晨对话突然变短；我带着这个坐标，去读那一批人那几天的真实对话。聚合负责回答"去哪里看"，精读负责回答"那里到底发生了什么"，长尾里那几个最反常的个案负责回答"我之前所有假设里，哪一条是错的"。把聚合和精读对立起来、以为读原文就能取代看数据，那才是真正的本本主义——别忘了毛反对的从来不是本本，是脱离实际的本本。dashboard只要还牵着你往真实对话里走，它就不是本本主义；它一旦变成你不再去看人的借口，才是。
毛在《反对本本主义》末尾讲了一段非常具体的"调查技术"，几乎可以一字不改地搬进今天的产品工作。"要亲身出马"——创始人自己去读对话、自己打回访，这件事不能外包给运营，更不能外包给一份AI生成的摘要。"要深入"——不要停在"用户说想要X"，追问他凌晨到底为什么点开这个App。"开调查会"——把一小撮真实重度用户拉进一个群，让他们当着你的面互相争论，分歧里全是金子。"要自己做记录"——读一手原文，不读二手提要，这里的"二手"也包括AI替你写的总结。"要定调查纲目"——列提纲是为了让你问得更深，不是让你照着流程走过场。
把这套技术落到今天，你的用户调查该问的，就是孔夫子那个"每事问"的现代版：他上一次打开你的App，前一秒在干什么、带着什么情绪？他卸载的那一天，具体发生了什么事？他愿意掏钱的那一刻，到底解决了他哪一个说不出口的难处？这些问题没有任何一个LLM能替你回答，因为答案只长在那个具体的人身上，从来不在任何本本里。
毛把调查比作十月怀胎，分娩是水到渠成的事。今天最大的诱惑，是LLM让你觉得可以跳过怀胎——它三秒钟就把一个看似足月的结论塞进你手里，而那个结论，从没在你的现实里真正孕育过一天。所以最后只剩一个问题：你上一个自认无懈可击的决定，是建立在你亲自核对过的事实上，还是建立在一段你从没验证、却读起来异常顺滑的AI回答上？