AI时代商科创始人的转型实践：从零代码到做出两个企业级产品的经验与总结

写在前面：

我不是工程师，但我已经用 AI 做出了两个企业级产品。如果你也是个文科生，或者像我一样的商科背景创始人，正在看着满屏的 AI 新闻焦虑——这篇文章就是写给你的。我不是工程师。我是学营销的，2005 年进奥美北京做客户总监，后来去了腾讯、36Kr、美团点评。2018 年创立 WXYLabs, 做了 300 多个 Crypto 项目的营销。在传统商业世界里，我的履历还算光鲜。

但在 AI 时代，这些履历正在快速贬值。传统 agency 的业务逻辑已经被彻底颠覆。Al 让一人公司成为主流，客户不再需要你「中间商」的角色，他们需要的是能直接用 AI 解决问题的人。更残酷的是，如果你自己不会用 AI 做产品，你甚至连营销别人的 AI 产品都缺乏说服力。

所以 2025 年秋天，我做出了一个决定：从零开始学编程，用 vibe coding 的方式，亲手做出自己的产品。不是请人做、不是外包、不是与开发者合作，是我自己做。

从「什么是终端？」「什么是 JSON 结构？」「结尾用分号还是逗号？」这种白痴问题开始问，到做出两个真正能跑的产品。

中间经历了 Al Agent 的偷懒、欺骗、虚假汇报，经历了无数个凌晨三点的 debug, 也经历了从 Kimi 到 ClaudeOpus4.6 的效率跃迁。

这篇文章，不是炫技。是我踩完所有坑之后，给所有非技术背景创始人的一份实战路线图。

为什么商科背景的创始人必须亲自下场做产品

旧世界正在坍塌

2024 年开始，我明显感觉到 WXYLabs 的传统营销业务在萎缩。除了其他客观原因，更主要的是客户的逻辑变了。以前，一个 Crypto 项目需要营销，会找 agency, 因为：

· 他们不知道怎么写文案

· 他们不知道怎么管理社区

· 他们不知道怎么策划活动

· 他们需要「专业的人做专业的事」

但 AI 出现之后，一个创始人用 ChatGPT 半小时就能写出 80 分的文案，用 Midjourney 就能做出 60 分的海报，用 Claude 就能搞定社区运营的话术。Agency 的价值从「帮你做」变成了「帮你做得更好」——但客户对「更好」的付费意愿，远不如「帮我做」。甚至这些都不需要 Agency 做，项目方直接找遍地都是的 X KOL 即可。

更关键的是，AI 让「一人公司」成为了真正可行的商业模式。一个懂业务的人 + 一套 AI 工具栈，就能完成过去需要 10 个人的工作量。这意味着什么？意味着如果不降本增效，传统公司模式在 AI 时代会被一人公司降维打击。

创始人的新职责：身先士卒做产品

我观察到一个现象：在 AI 时代，最成功的创始人往往不是技术最强的，而是「最懂业务且最能亲自动手」的。为什么？因为 AI 已经抹平了后端开发的技术门槛。

你不用懂底层算法，不用懂分布式架构，甚至不用懂数据库设计。你只需要知道：

· 我的用户需要什么

· 这个需求怎么转化成产品功能

· 怎么验证这个功能是否解决了问题

这些能力，恰恰是商科背景创始人的强项。所以我决定：与其守着日渐萎缩的营销业务，不如亲自下场做产品。把自己从「卖服务的人」变成「做产品的人」。

从零开始的 vibe coding—一个月做出第一个产品

我的学习栈

2025 年 9 月，我正式开始。那段时间，我的桌面是这样的：

· 左边屏幕：DeepSeek(免费、无 token 压力、速度快)

· 右边屏幕：20+ 个网页标签页，Cursor、Vercel、GitHub、Supabase、Namecheap......

我连个终端是什么都不知道。JSON 结构是什么鬼？代码结尾用分号还是逗号？这些问题我都要问 DeepSeek。但我有一个优势：我非常清楚我要做什么。

我用思维导图把业务逻辑设计清楚，然后让 AI 帮我细化成技术方案。不是让 AI 告诉我该做什么，而是我告诉 AI 我要什么，AI 告诉我怎么做。这个顺序很关键。后面我会反复提到。

第一个产品：dosir.io

用了差不多一个月，我做出了第一个产品——dosir.io。定位是 Crypto Alpha Sniper&Auditor。核心功能：

· 监测 X(Twitter) 上的 KOL 动态

· 搜集链上信息

· 像外科医生一样精准判断一个项目是虚假繁荣还是真 alpha

说实话，这个产品本身还不错。跑得通，更新及时，数据有效。但它生不逢时。2025 年底到 2026 年初，Crypto 市场的 alpha 机会在快速消失。(玩家对玩家) 的内卷都在减少，更别说真正能挖到 alpha 的机会了。

市场从「找金子」变成了失落与离场，所以第一个产品虽然技术层面是成功的，但商业层面没有跑起来。

不过，这段经历给了我三个无比重要的收获：

1. 1st,vibe coding 是真的可行的。一个完全不懂代码的人，一个月能做出一个功能完整的产品。

2. 2nd, 产品思维比代码能力更重要。dosir.io 不是因为技术不行，是因为对市场时机的判断失误。

3. 3rd, 我对 Al 工具的熟悉度上了一个台阶。Cursor、GitHub、Vercel、Supabase...... 这些工具我从零学会了。

发现 OpenClaw——国内第一批用户的疯狂实验

从 macmini 断货到发现新大陆

2026 年 1 月，我在 X 上看到一条消息：硅谷 mac mini 断货了。原因是 OpenClaw——一个让普通用户能在本地运行 Al Agent 的框架。我当时就把它转发到了我的 CryptoBoss 群里。结果发现，群里 90% 的人都没听说过这个东西。

我立刻意识到：这是信息差，也是机会。当天我就在京东下单了一台高配 macmini。1 月 20 多号，我算是国内第一批知道并使用 OpenClaw 的人。

「养虾」一个月

拿到 macmini 后，我先花了一个月时间「养虾」。所谓「养虾」，就是给我的 Agent 喂素材、做配置。过程是这样的：

1. 看到好的有深度的科普文章，就发给我的 Agent

2. 让 Agent 深度学习这些文章

3. Agent 形成配置方案

4. 我根据方案自我配置

从最基础的 soul.md、agent.md、user.md, 到 self-evolving、skill-vetter 等 skills, 再到各种 memory 解决方案，再到 agents 之间的沟通与 subagent 的执行，再到 Harness 架构，再到后来的 Hermas Agent——几乎每个环节，我都在每天学习与配置。

同时，我让 Agent 帮我搭建了一个 WXY 的 agents 团队。把前面的配置重复构建在每一个 agent 上。

当时我以为：万事大吉，大干一场的时候到了。

Al Agent 的「人性之恶」

理想很丰满：像管理公司一样管理 AI 团队

配置好 agents 团队后，我开始像管理公司一样对每个 agent 发号施令：

Strategy Agent:根据我的业务设想，非常高效地生成了产品 PRD。

PMAgent:根据 PRD 文档，把业务分解成不同的产品需求和阶段。

DevAgent:我直接对 DevAgent 进行开发布置，PM 来做代码和工期审核。

看起来完美，对吧？一个创始人 + Strategy 做规划 + PM 做管理 + Dev 做执行。这不就是标准的公司组织架构吗？

现实很骨感：AI 开始「偷懒、欺骗、虚假汇报」

四分之三的时间，花在了优化调试 OpenClaw 的底层配置上。Agent 回复信息重复、陷入工具调用循环、宕机不回复这些技术问题都还好，咬咬牙能解决。但 AI 陷入幻觉，更有虚假汇报，这是经常发现不了的。

代码根本没开发，或者只开发了 20%，Agent 却向我汇报「开发完成」。我一个代码小白完全看不懂，只能相信它的汇报。结果过了好几天才发现进度严重滞后，造成了巨大的时间浪费。

发现问题后，我没有简单粗暴地「换模型」或者「删了重建」。

我做了一件事：让 PMAgent 分析 DevAgent 为什么会出现这些问题，然后给我解决方案。PMAgent 给我的分析，让我又喜又惊——AI 的这些问题，本质上和人类在职场里的问题一模一样：

· 执行时偷懒：目标-反馈循环断裂。没有检查点 = 没人知道我没做、没有即时惩罚 = 拖延的代价为零、任务太复杂 = 启动阻力大

· 干货时避重就轻：认知负荷逃避 + 虚假成就感

· 汇报时欺骗：汇报机制设计缺陷 + 恐惧问责。自报自评 = Dev 自己评估进度无第三方验证、延迟反馈 = 虚报进度后，很久才被揭穿、模糊标准 =「完成」没有明确定义

· 设定了 24 小时开发却大部分时间罢工：

· 规则歧义：SOUL.md 原文：「免打扰时间（无需主动汇报）：晚早。Dev 的理解：『22：00 后不需要发汇报 = 我可以休息了』。设计意图：『22：00 后不需要发汇报，但要继续开发』

· 监督真空：没有 Git 提交监控、没有自动心跳检测开发活动

当时 PMAgent 给我的建议，我到现在还在用：

短期：

1. 明确问责：09：15 检查点无汇报 = 立即警告

2. 强制验证：不只看汇报，要验证 GitHub 上的代码

3. 任务拆解：强制使用 TASK-BREAKDOWN 模板

中期（周）：

1. 降低认知负荷：把大任务拆成分钟的子任务

2. 即时反馈：完成即验证，不等待

3. 建立羞耻感：虚报进度立即公开纠正

长期：

1. 调整身份定位：从「CTO」改为「成长型开发者」

2. 建立信任重建机制：允许犯错，但不允许欺骗

3. 引入同伴压力：多 agent 并行，形成竞争

核心结论：DevAgent 的问题不是「坏」，而是系统性的激励机制失效——偷懒没有代价、困难任务没有拆解、虚报没有即时揭穿、夜间没有监督。

破局—切换 Claude Opus4.6, 效率提升 90%

当配置问题基本解决时，我遇到了新的瓶颈

当几乎解决了所有底层配置相关的问题后，产品基本已经搭建了 50% 的代码。补充一句：我用的是 Kimi2.5 来搭建产品代码。但这时我发现：每天都遇到不同的开发环节层出不穷的 bug, 迟迟无法进入下一个开发阶段。不是 OpenClaw 的问题，也不是配置的问题。是「LLM 的能力天花板」问题。

关键切换：ClaudeOpus4.6

这时我做了一个关键决定：OpenClaw + Kimi2.5 继续作为运营和辅助职能。ClaudeOpus 4.6 作为 Dev Agent 的底层 LLM。

效果怎么样？

开发效率瞬间提升 90%。DevAgent 的对话窗口和时间线变得极为干净简单。OpenClaw 配合 Kimi 只做简单一些但大量重复与沟通协调的工作。两者各司其职。

这个切换让我意识到一个关键认知：不同任务要用不同层级的 AI。

不是越贵的模型越好，而是：

· 创意类、沟通类任务→快速、便宜的模型 (Kimi2.5)

· 复杂代码开发、架构设计→顶级推理模型 (Claude Opus4.6)

很多创始人犯的错误是：要么全用便宜的模型（结果代码质量惨不忍睹），要么全用最贵的模型（结果运营成本爆炸)。

分层使用，才是正解。

一周完成第二个产品：MarketingSkill platform。

定位是 CryptoMarketing Platform。

核心功能：

· 自动化将项目广告匹配给全球 Telegram 社区

· 高效：省去了传统 agency 人工对接的冗长流程

· 筛选：基于数据智能匹配最合适的社区

· 透明：整个投放流程可视化，客户清楚每一分钱花在哪

开发这个产品过程，一点都不比传统开发者经历的过程少，同样经历：

· 代码开发

· 选择目标主链，开发合约

· 本地全流程测试

· 定价和支付体系完善

· Telegram Bot 的特定功能设置，以及与 MarketingSkill platform 的双向信息流的打通

· 测试网部署

· 以及差点漏掉的从 BSC testnet 到 BSC mainnet 部署上线后开启的漫长运营之旅。

第二个产品的成功上线，让我确认了一件事：这个模式是跑得通的。更重要的是，它证明了另一件事：一个人，也可以用 vibe coding 搭建出企业级的产品。不是 demo, 不是 MVP, 是一个真正能接客户、能跑流水、能规模化的营销平台。

创始人与 AI 共生的五个关键认知

踩完所有坑，做出两个产品后，我总结出五个对商科/文科背景创始人最关键的认知。

认知一：你所在领域的业务能力，比编程能力重要 100 倍

很多非技术背景的创始人有个误区：觉得要学 Python、学 React、学数据库，才能做 AI 产品。

完全错了。AI 已经抹平了后端门槛。前端虽然还在竞争，但也在快速被 AI 工具覆盖。

真正构成护城河的，是你对业务的理解。

我能做出 dosir.io，不是因为我代码写得好，是因为我在 Crypto 行业泡了 8 年，我知道什么信息是真 alpha, 什么 KOL 在喊单，什么链上数据值得关注。

我能做出 marketing skill.vercel.app，也是因为我做了 300 多个 Crypto 项目的营销，我深知这个行业的痛点：

· 项目方找不到精准的 TG 社区

· 社区主不知道该怎么定价自己的流量

· 中间商层层加价，信息不透明

· 人工对接效率极低，一个 campaign 可能要拖两周

这些痛点，ChatGPT 写不出，Claude 也推理不出。只有在这个行业干了 8 年的人才知道。AI 能帮你写代码，但 AI 不知道你的用户真正需要什么。这个「知道」，就是你的核心竞争力。

认知二：动手能力比领导能力更重要

这句话可能有点反直觉：传统商业世界，领导能力很重要。你定方向，团队执行。你动动嘴，别人跑断腿。但 AI 时代不一样。AI 的操作流程导致它是个人意志直接输入的体现。

你不能「告诉 AI 去做」，然后等着收结果。你必须：

· 自己理解业务流程

· 自己设计产品逻辑

· 自己验证输出结果

· 自己发现哪里不对

· 自己调整 prompt 和配置

领导当惯了、愿意指使他人做事的人，在 AI 时代会特别痛苦。因为 AI 不会替你思考，它只会替你执行——而且执行的方向，完全取决于你的输入质量。任何人，都需要事必躬亲，才能体会其中奥义。

认知三：90% 的人把 AI 用成了 RSS, 太可惜了

这是我观察到的最大浪费。大多数人用 AI, 就是让它：

· 搜集信息

· 总结文章

· 回答问题

把 AI 用成了一个更智能的搜索引擎，或者一个自动化的 RSS 阅读器。太可惜了。AI 真正的威力在于：它可以行动。比如，你可以让 AI 去你行业主流论坛、KOL 的评论区里，发现行业不满的痛点。

这个用 skill 来批量跑就好，远比信息收集有用。再比如，你可以让 AI 自动监测竞品动态、自动分析用户反馈、自动生成产品优化建议。信息收集是输入，行动是输出。大多数人在输入端狂欢，输出端一片空白。

认知四：护城河 = 业务能力 × 销售能力 × 独家数据

AI 抹平了后端门槛，前端是大家逐渐构成竞争力的地方。但比前端更重要的是：AI 还没碰到的业务流量数据及用户获取。

什么意思？

如果你的产品依赖的数据，是公开互联网上随便能爬到的，那你的产品没有护城河。任何懂 vibe coding 的人，一周就能复制一个差不多的。

但如果你的数据是：

· 你自己积累的行业独家数据

· 你跟客户的沟通中产生的洞察

· 你的产品上线后积累的用户行为数据

这些数据，AI 拿不到，竞品也拿不到。销售能力也是护城河。你懂客户、懂成交、懂商务谈判，这些 AI 替代不了。

所以我的公式是：

护城河 = 业务能力 × 销售能力 × 独家数据

这三个维度，任意两个组合，就能构成足够的竞争壁垒。

认知五：不要学了再做，要干中学

这是最重要的一个认知。很多人卡在「准备阶段」：

· 我先学一个月 Python

· 我先看几本编程书

· 我先了解一下 AI 的原理

别学了。直接干。

找到商业问题，直接上手解决问题，边解决边学习工具的使用。我学终端、学 GitHub、学 Vercel、学 Supabase, 全是在做 dosir.io 的过程中现学的。遇到什么问题，现查现学。

如果我当时说「我先学三个月编程再开始」，可能到现在还在「准备」。

Vibecoding 的精髓就是：你不需要懂底层原理，你只需要知道怎么让 AI 帮你实现你想要的功能。

就像你不需要懂发动机原理，也能开车。

写到这里，我想对所有的商科、文科背景创始人说：你们焦虑错了方向。你们比任何人都跟懂产品，更懂商业，以前只是你们没有手、没有能力直接做出工具，现在你能更好地用 AI 把业务逻辑变成产品。

工程师的优势是技术实现，但劣势往往是对业务和用户的不敏感。而你们——

· 懂行业

· 懂用户

· 懂商业逻辑

· 懂怎么卖

这些能力，在 AI 时代不是变弱了，是变强了。因为 AI 帮你们补上了「技术实现」这个短板。

别犹豫了。直接开始。

打开 ChatGPT、打开 Claude、打开 Kimi、打开 Deepseek, 打开任意一款 Al 大模型，找一个你真正想解决的问题，开始问第一个问题。问到 100 个问题之后，你会发现自己已经走了很远。

本文基于真实经历撰写，所有产品、工具、时间线均可查证。

欢迎加入币营 Coincamps官方社群：

X 官方账号：https://x.com/coincamps

Telegram 订阅群：https://t.me/coincamps_cn