我创建了第一个博客

做产品久了，我越来越相信一件事：真正重要的能力，不只是给出一个答案，而是知道答案是怎么长出来的。

过去几年，我做了不少跨度很大的事情。从解密游戏、密室和剧本杀，到铁路、建筑、盾构等工科实训，再到 MR 数字空间教学系统和跨现实智能评价。我经常需要在完全不同的人和知识之间来回翻译：专家讲规则，教师讲课堂，研发讲实现，使用者只关心自己到底该怎么做。

项目交付以后，页面和功能会留下来，但很多更有价值的部分反而很容易消失。一个需求为什么被保留，另一个为什么被放弃；一个看起来很酷的交互，为什么在真实场景里并不成立；一个模糊的想法，是怎样被拆成可以验证的产品。这些过程很少出现在正式文档里。

所以我创建了这个博客。不是为了持续输出正确答案，而是给自己的判断留下可以回看、可以被质疑的轨迹。

很多人理解 XR，会先想到头显、眼镜、Unity 或三维画面。但在产品工作里，设备通常只是最后被看见的一层。真正困难的是前面的事：把行业知识变成任务，把任务变成操作，把操作变成反馈，再把反馈变成能够被判断和改进的数据。

例如一套专业实训系统，重点从来不是做出一个足够逼真的场景。它需要回答：学员为什么要做这一步，错误会造成什么后果，系统如何知道他做对了，教师如何看见过程，训练结束以后又留下什么。这些问题共同决定了产品，而不是某个单独的三维功能。

这也是我看好 XR 的原因。它不只是把内容从二维屏幕搬到三维空间，而是有机会把知识、规则、空间和人的行动重新组织在一起。尤其在教育与专业实训里，很多原本只能靠讲解、想象或高成本现场练习的内容，可以变得可进入、可练习、可反馈。

我现在几乎在产品工作的每个阶段使用 AI。最开始是沟通思路和快速学习，后来是整理访谈、梳理需求、形成文档，再后来，我开始用 Codex、Hermes 这样的 Agent Harness，把想法直接推进到可以体验的小产品。

但我并不把“会用 AI”理解成会写几个提示词。更重要的是知道问题应该怎样切分，哪些信息需要交给模型，哪些判断必须由人承担，产出如何验证，以及怎样让一次对话变成可以复用的工作流。

我也在思考 AI 如何真正进入 XR 教育。比如用带摄像头的 AR 眼镜识别线下实训过程，结合 VR 中的数据锚点，对照 SOP 判断动作、顺序与结果，最后形成可解释的评价。它不是为了给 XR 加一个 AI 标签，而是因为评价本来就是实训中最难、也最值得被改善的一环。

我会更多写工作与能力相关的内容。包括复杂知识怎样被产品化，空间交互怎样服务任务，多人教学系统怎样建立秩序，AI 怎样进入需求、文档、原型和评价闭环，以及一个产品经理如何和行业专家、研发、美术、硬件与交付团队共同把事情做成。

• XR 与空间产品：从设备能力回到真实体验与业务价值。
• AI 工作方法：从一次对话走向稳定、可验证的产品工作流。
• 产品判断与成长：记录选择背后的依据，也记录判断如何变化。

我不打算把这里写成教程合集，也不想把每篇文章都包装成宏大的趋势判断。更希望它像一张持续展开的地图：有已经走过的路，也有仍然模糊的方向。写作不是对工作的总结，而是工作的一部分。

这是第一篇。先把入口打开，剩下的，边做边写。