---

Ribeirão Preto，太阳能板安装线下课。一个搭在地面上的瓦片屋顶——根本不是真屋顶。我站在那儿看着它，心里想：我学了 250 个小时，就为了这个？

我刚刚创办了 João Monlevade 市的第一家太阳能公司。在 Blue Sol 完成了六个认证模块，成绩在 92% 到 100% 之间。结果只需要一个贴着地面的训练屋顶，我就明白了：高处不适合我。一米都不行，假的也不行。

这个问题——站在一个连真屋顶都算不上的训练屋顶前提出来的问题——催生了后来的一切。如果我不上屋顶，那我拿着 250 小时的太阳能课程、一张技校文凭和 12 年的网站与营销经验，能做什么？

答案几个月后才出现，随着合伙人的加入：做 marketplace（交易平台）。不自己卖、不自己装——而是搭一个让别人在上面卖和装的平台。

我职业生涯的每一次转向都遵循同一个规律：一个看起来像损失的问题，最后变成了我做过的最好的投资。恐高变成了 marketplace。死掉的创业公司变成了稳定的客户组合。三所大学没拿到文凭，变成了 800 小时解决过的问题。不是因为我有韧性——是因为我的运营模式能从错误里获益。

如果你是小团队的技术型创始人，这个故事大概也是你的故事。

---

AMD K6 和 Stack Overflow 之前的世界

1998 年，我 11 岁，拥有整个街区唯一一台电脑。AMD K6，4GB 硬盘，Windows 98。有人付钱让我按 ABNT（巴西技术标准协会）规范排版学位论文。我按每页 R$ 1,00 收费。打字加排版。那年我 11 岁。

这不是什么天赋使然。这是我用手上有的东西能做的事。

15 岁，读信息技术技校。17 岁，做设计和网站的自由职业者。2004 年是 Internet Explorer 6 的时代，什么都会崩。那时候没有葡萄牙语的 Stack Overflow。卡在一个报错上时，我就读英文文档——能读懂多少算多少——然后一直试到它能跑起来。

我考进 UFES（联邦大学）读平面设计，2007 年转到 UEMG。2010 年进了 Zavala Propaganda——在那里我做了 Aneethun 的网站，以及 Bio Extratus 的英文站和西班牙文站。给一个米纳斯州的化妆品品牌做国际化，而当时“响应式网站”还是个新鲜词。

---

DENATRAN、警察，和被改装的设备

2012 年，在 Belo Horizonte 的 GCT 公司。做交通管理与控制。我的职位：信息技术助理。我的实际工作：巴西第一台通过 DENATRAN（巴西国家交通管理局）认证的电子罚单终端，认证测试阶段的 QA。

这是一台替代纸质罚单本的电子设备，交警用它开罚单。每一个字段、每一条流程、每一项校验都必须完美运行——因为一旦不行，DENATRAN 就不会给认证。而没有认证，整个项目就死了。

我现场全程跟了联邦审核。这种审核过程中，总会有东西需要临场调整。那位程序员很能干。我们通过了。

之后，我跑了巴西 16 个城市做团队培训。Salvador、Uberlândia、Governador Valadares、Feira de Santana、Teófilo Otoni。每个城市的硬件都不一样，而且人们并不想用这个系统。军警、市政警卫和交通执法人员，有时候更愿意用纸质罚单本，而不是新技术。

还有一个谁都没预料到的问题：执法人员会去改装设备。他们在一台只该用来开违章罚单的设备上装 WhatsApp、游戏和私人应用。我们只好上了封锁工具。

我上了远程支持——这改变了整个运营方式。每周要处理几十台设备，有维修的，也有新机要配置的。原来要几天的事，变成几小时。原来有时会让 Bahia 州的一位专业人员整整一周没设备可用的情况，变成当天就能解决。

我在 GCT 学到的东西写不进证书：在联邦政府坐在同一个房间的压力下调试代码，以及培训根本不想学的人。

---

Oak：200 家合作商、50 座电站，和一部改变一切的法规

在 Ribeirão Preto 的那个屋顶之后，转向 marketplace 的决定催生了 Oak Energia——巴西第一个可再生能源交易平台。不只是太阳能：光伏、小型水电站、沼气发生器、垂直轴风力发电机。

200 家安装集成商注册成为合作伙伴。50 座电站在平台上完成销售与并网认证，分布在巴西多个城市。YouTube 频道每周更新内容。办了 3 届 Médio Piracicaba 可持续发展博览会。无论我们在哪里讲这个想法，都收获很好的反馈——巴西国内还是国外都一样。我们从没见过类似的东西。

我参加了 Fórmula de Lançamento（巴西知名的产品发布营销课程），因为我需要增长。SEBRAE（巴西小微企业服务支持局）的 Fast Motion 项目邀请我们去加速。和投资人谈过。同期，我还考进 UFOP 读计算机工程——全校第一名。五个学期里一边读书一边做创业公司。疫情时停了。没再回去。

我们几个合伙人约定了一个 5 年的期限。然后，和那么多创业公司一样，我们没有成为独角兽。

---

那场会议

销售周期长。并网认证慢。然后 ANEEL（巴西电力监管局）修订了关于自发电的规范条例。法律上的不确定性冻结了整个行业。

这不是某个戏剧性的一天。这是一场合伙人之间的会议。我们看了数字，看了当初约定的 5 年期限，看了监管环境。然后我们决定各走各的路。

六年。200 家合作商。50 座电站。3 届博览会。一个至今还在、留作纪念的 YouTube 频道。还有一家停摆的公司，只要有人想买，随时可以重启。

大多数人看到这一段，看到的是失败。我看到的是这个：我失去了公司，但没有失去任何一项能力。我会搭平台。我会在没见过客户本人的情况下，通过 WhatsApp 谈成 R$ 30 万的单子——而且对接的那个客户从来没有好心情。我会把 200 家彼此从未见过面的合作商组织起来。我也会重新开始。

这个错误的代价是 6 年。而我从这个错误里学到的东西，在几周之内就搭起了后来的一切。这不是韧性——韧性是扛住打击。这是从打击中获益。

---

先来的是墓园，公司名字还没有

转型是立刻发生的。第一个客户是别人介绍来的——一家墓园——那时候公司连新名字都还没有。

想想这意味着什么。一家墓园把它的数字化运营，交给一个刚刚关掉创业公司的人。他们不认识我本人。是别人推荐的我。而我搭的系统必须在某个周日深夜、某个丧亲的家庭想要缴一笔分期款时，正常工作。没有余地。没有“先试试看能不能跑”。如果门户挂了，这家人就得空手回家，没能办完他们本来要办的事。

这就是支撑我们所做之事的信任程度。也是从那以后塑造了整个运营方式的后果程度。

Juliana——国际关系专业出身，经济工程方向研究生——逐步接下了管理、内容和战略。她不是从设计师变成 CEO 的。她是那种明白了“战略性内容才是长期支撑客户组合的东西”的人。

当我们选定“Evolutiva Negócios Digitais”这个名字时，这家机构已经运营了好几个月。客户来得比名字还早。

---

我们做什么，以及为什么它有效

两位创始人。稳定的客户组合，已经 4 年。我们的客户是墓园、货币兑换机构和电商。

墓园的 24 小时支付门户，配有全渠道客服和值班团队，必须一直可用。一旦出故障，丧亲的家庭当下得不到服务，而急需这些服务的人也用不上。

货币兑换机构的 chatbot 必须回出正确的汇率。一旦出错，客户拿到的是一个凭空编出来的数字，会亏钱。

电商的反欺诈系统必须判断准确。一旦判错，一个正当的客户被拦下，就再也不会回来了。

系统一旦出故障，我们就丢客户。我们没有缓冲层，没有法务部门，也没有投资人替我们兜住损失。正是这一点让我们可靠——我们是真的把自己押在局里。

支撑这套运营的有三层：

为客户组合改造过的 Scrum。每周一个 sprint，覆盖所有客户。二元目标：5 个条目——过或不过。每天只做一件大事。每张卡片三双手：做的人不验证，验证的人不移动卡片。已完成 7 个完整 sprint，每周五做回顾。

自主可控的 AI。语言模型跑在我们自己的基础设施上——每次调用成本为零。这不是“我们用 ChatGPT”。而是：我们有一台服务器，上面的模型了解每个客户的业务。墓园的 chatbot 能预约参观。货币兑换机构的那个，用真实数据回答汇率问题。美发沙龙的那个，掌握过去 15 年共 8.2 万次服务记录的历史数据。当 AI 供应商把价格翻了三倍时——自 2023 年以来这已经发生过三次——我们的客户毫无感觉。

260 个已解决并记录在案的问题。每个问题都变成一份可复用的流程。每个错误都变成一个被记录下来的坑。生产环境部署从 45 分钟降到 8 分钟。月度报告从 4 小时降到 40 分钟。这个知识库每周都在变大——复利效应用在了运营上。

我把这些数字公开出来，是因为我花了 6 年才找到它们——没有人该花这么长时间。

---

写不进文凭的那些数字

3 所大学：UFES、UEMG、UFOP。一张文凭都没有。计算机工程全校第一名。

800 小时的课程和培训，来自 12 家机构的认证。从 Google Ads 到光伏太阳能。从 UX Research 到高级谈判。

正式凭证是脆弱的——市场一变，它们就贬值。解决新问题的能力是反脆弱的——市场一变，它反而升值。

那 250 小时的太阳能课程看起来毫无用处。直到我需要给一笔 R$ 5 万的投资做财务建模。Alura 上那 444 小时看起来像是“基础课”。直到我需要一个人从头搭出一整套系统。

---

写给认出自己的人

如果你在用小团队运营，而瓶颈是时间，不是人才——出路不是招更多人。而是放大每个人能解决的问题数量。

四年稳定的客户组合。两位创始人。因技术故障丢失的客户：零。

每门课程的完整清单：evolutivanegociosdigitais.com.br/certificados-joao-vitor/

我固定服务 4 个客户。如果你想聊聊自主可控的 AI、改造过的 Scrum，或者怎么用小团队运营——趁我的日程还没排满——在 LinkedIn 上给我发消息。

---

我花了几个月想认出院子里的一只鸟。为了不再重来一次，我做了一个 Alexa skill。

每天早上，一对绿色的鸟都会停在我家附近同一根电线上。我很确定它们不是 maritaca（巴西常见的一类绿色鹦鹉）——体型不一样，叫声也不一样。但我不知道它们叫什么。

这样过了几个月。我在 WikiAves（巴西最权威的观鸟数据库）上查过，那是一个非常出色的项目——但对我这样的新手来说，信息量带来的更多是压迫感，而不是帮助。我不知道该用哪些术语去筛选。我分不清“绿色、翅膀上有红斑”到底是一种外来的 sabiá（巴西画眉类鸟）还是一种常见的鹦鹉。后来我才知道：那是 Maracanã 小金刚鹦鹉。

接着出现了一个讽刺的转折，而这个转折埋下了后面所有的事：我想去查一下它们的叫声来确认，结果发现鹦鹉类并没有标准化的叫声。我原本想用来当证据的鸣声，根本就不存在可被分类的形式。挑战已经在我脑子里成形了。

第一个想法是错的（而且不道德）

我最初的计划是用 Alexa 去听周围的鸟声，然后通过音频来识别。两个问题在同一天就否掉了这个想法：

Alexa 只能采集人声。它不听环境声——麦克风是为语音指令优化的。背景声音是噪声，不是信号。也不存在我能开启的什么“聆听模式”。

用回放声音吸引鸟类是一种有问题的做法。播放某个物种的鸣声来吸引它，会造成领地压力，可能让鸟离开巢穴，并干扰繁殖。IN ICMBio 14/2018（巴西环境部下属生物多样性保护机构 ICMBio 的 2018 年第 14 号规范性指令）和 CEMAVE（巴西全国野生鸟类研究与保护中心）都不建议这样做。知道这一点后，我毫不犹豫地放弃了这个想法。

于是这个 skill 变成了另一样东西：不再是“录下你听到的声音”，而是“描述你看到的样子”。用自然语言跟 Alexa 说——颜色、体型、在哪里、喙的形状——它就会给出最可能的物种。

技术栈：Python、贝叶斯，以及四个互不相通的开放数据库

Alexa 并不算是一台聪明的设备。它识别语音，然后调用云端的一个函数。全部的智能都在 AWS 上的一个 Lambda（Python）里，而真正的工作是让四个原本没打算互相对话的数据库给出一个一致的答案。

AVONET（Tobias et al. 2022，CC BY 4.0）收录了 1.1万多种鸟类的标准化形态特征——skill 从你的描述中提取的 7 个属性就来自这里：主色、副色、以参照物衡量的体型、环境、姿态、喙和尾。

GBIF 有巴西鸟类的出现记录。我把这些数据当作贝叶斯先验：如果你在 São Paulo 描述“一只大的绿鸟”，评分器会给那些确实出现在该地区的物种更高的权重（半径 30 km，至少 20 条记录）。同样的描述下，bem-te-vi（巴西常见的大食蝇霸鹟）排在稀有物种前面。

xeno-canto 有真实的鸣声录音。这里有一个对我来说没得选的决定：我不可能直接去用这些音频而不署名录音者。每一次播放都会显示录音者的名字、许可协议（CC BY-NC-SA 4.0）以及该录音在资料库中的编号。Python 在抓取这些音频、以编程方式整理物种和作者方面表现非常好。

Han et al. 2025（CC0）补充了 AVONET 没有覆盖的羽色数据。

pt-BR 下的 slot type AMAZON.SearchQuery 可以采集自由语句——“我在院子地上看到一只黄色的小鸟，翅膀是黑的”会整句作为文本传入，再由解析器提取属性。没有菜单，没有“颜色请按 1”。你可以像跟朋友说话一样说。

数字，不夸大任何一点

全巴西 1627 个物种。其中 1014 个有 xeno-canto 的真实录音。数据库最初只有 São Paulo 地区的 390 个物种，后来扩展到覆盖巴西所有生物群落。

在加入真实噪声的模拟中（描述不完整、属性错误、地区性俗名）：正确的鸟出现在前 3 个建议里的比例是约 54%。不是 90%。这就是这个模型今天用开放数据和一个接受自由语句的解析器所能做到的。对这个数字保持透明，比把它往上凑更重要。

还有一个鸣声小测验：skill 播放一段真实录音，你来猜是什么物种。猜对了，它记分。猜错了，它告诉你答案并再播一次，让你建立联想。这是一种不用去野外也能练耳朵的方式。

而最大的工程瓶颈不是评分器——是 Alexa Developer Console。测试一个 Alexa skill 是个很慢的过程：部署耗时、日志延迟，界面也很少有人真正摸透。开发过 Alexa 的人都懂。没开发过的，以后会懂。

这个 skill 不做什么（故意的）

它不录鸟的声音——Alexa 做不到。它不循环播放鸣声去吸引鸟——那是不道德的。它没有使用数据，因为刚刚上线。它没有用户评价，因为我不会去编。WikiAves、xeno-canto、GBIF 和 AVONET 是被署名的数据来源，不是合作方。

每一次鸣声播放都附带负责任回放的提示。单次播放、控制音量、署名录音者、提醒注意繁殖季。这不是功能——这是义务。

邀请：去用、去弄坏、去改进

代码是 MIT 许可，仓库是公开的：github.com/jvitorcarvalho/aves-do-brasil-alexa。

我希望大家能从中玩得开心。希望有人听到 urutau（大林鸱，一种巴西夜行鸟）的叫声，那是你能听到的最奇特的声音之一。希望有人认出院子里的一只鸟，然后在午饭时讲给朋友听。希望 Manaus 的某个开发者拿走这个仓库，为亚马逊地区重新校准先验。希望某位鸟类学家去修正那些来自 GBIF、很可能有错的俗名。

今天这个 skill 覆盖全巴西——1627 个物种，1014 个有录音。还有提升空间。

想试试：“Alexa, abre Aves do Brasil”。免费，无广告，不收集数据。

想参与：提一个 issue，发一个 PR，或者告诉我 tico-tico（巴西常见的方胸草鹀）在你所在的城市叫别的名字。都有帮助。

---

由 Evolutiva Negócios Digitais（巴西米纳斯吉拉斯州 João Monlevade/MG）开发。数据来源：AVONET（Tobias et al. 2022，CC BY 4.0）、GBIF（CC0）、xeno-canto（CC BY-NC-SA 4.0）、Han et al. 2025（CC0）、WikiAves（公开查询）。回放提示依据 IN ICMBio 14/2018 和 CEMAVE 指南。

常见问题

Aves do Brasil skill 是怎么通过口述描述识别一只鸟的？

这个 skill 使用一个贝叶斯评分器，把从你的话里提取的 7 个属性——颜色、体型、环境、姿态、喙、尾和副色——与 1627 个巴西物种的形态数据做交叉比对。数据库来自 AVONET（Tobias et al. 2022），并用 GBIF 的出现记录做补充，以提高你所在地区更可能出现的物种的权重。你用自然语言描述你看到的，就会得到与描述最匹配的物种。

这个 skill 会播放鸣声来吸引鸟吗？

不会。这个 skill 每次查询只播放一次 xeno-canto 的真实录音，音量受控，并署名原录音者。循环播放鸣声来吸引鸟会造成领地压力，并可能干扰繁殖——IN ICMBio 14/2018 和 CEMAVE 都不建议这种做法。每一次播放都附带负责任回放的提示。

语音识别的准确率是多少？

在加入真实噪声的模拟中（描述不完整、属性错误、地区性俗名），正确的鸟出现在前 3 个建议里的比例约为 54%。这个数字反映的是当前使用开放数据和自由语句解析器的表现。这个 skill 不会把指标往上凑——对局限保持透明是有意为之。

Aves do Brasil skill 是免费的吗？会收集个人数据吗？

这个 skill 是免费的，无广告，也不收集个人数据。代码以 MIT 许可开源，放在公开仓库里。所用的数据库（AVONET、GBIF、xeno-canto、Han et al. 2025）全部是开放数据，并已妥当署名。

我可以为这个 skill 做贡献或者修正鸟类俗名吗？

可以。仓库接受 issue 和 pull request——欢迎鸟类学家、开发者和观鸟者的贡献。与 GBIF 记录不同的地区性俗名可以直接修正。当前数据库覆盖巴西 1627 个物种，其中 1014 个有真实录音，但在区域校准和扩展上还有空间。

三年里，我把一个 AI 智能体推上了生产环境，后来又亲手把它下线。它对话流畅，回答精准。可它没解决任何人的问题。

这部分几乎没人讲。市场上满是上线的故事，却没有下线的故事——而后者教会的更多。

这篇文章分两半。前一半是我诚实的盘点：什么在跑，什么还在测试，什么死了，以及为什么让我交付量提升最多的东西并不是人工智能。后一半是市场数据，解释了为什么这段经历对今天做技术的人很重要——包括为什么 Scrum Master 岗位下降了 62%，而 85% 的 Product Manager 岗位已经开始要求 AI 能力。

我是谁

我从平面设计起步，后来转到IT，在 WordPress 和网站开发上做了很多年——二十多年都在和网站、服务器以及生产环境里坏掉的东西打交道。现在我做 MarTech：营销、系统和钱交汇的那一层。

我不是 AI 研究者。我是那个周五晚上结账流程停止处理时接电话的人。我的客户是真实的企业，合计月营收超过一百万雷亚尔，而他们从我这里买的不是技术——是可预测性。

这改变了我对成功的定义。一个在演示里惊艳、却在真实流程边缘崩掉的模型，对付我钱的人来说一文不值。这把尺子解释了后面所有的决定。

我为什么一直沉默

我在 2022 年创办了 Evolutiva，之后发表得很少。那不是内容策略，而是没时间，而且说实话，还有点怕在拿不出东西之前就先开口。

三年之后，我有东西可拿了。包括那些没成的。

那个上了生产环境、又被我下线的 AI 智能体

它能用。但让它继续留在线上仍然是个错误。

有个客户每天接到几十个电话，问的都是同样的问题：合同状态、账单补开、过户。信息是存在的——散落在多年累积下来的成千上万份文档、导出文件和表格里。

我搭了一个 RAG 智能体（Retrieval-Augmented Generation，检索增强生成——说白了：AI 在回答之前先去客户真实的数据库里找答案，而不是编）。它和另一家技术公司合作上了生产环境。

这个智能体听得懂问题，找得到正确的文档，回答组织得清清楚楚。按任何对话类指标衡量，它都及格。

然后我把它下线了。

我为什么关掉一个能用的东西

因为服务得好，不等于解决问题。

客户的系统没有对外暴露集成接口。这个智能体能说“您的 boleto（巴西常用的银行付款单）在 3 月 12 日到期了”，但没法生成一份补开的付款单。它知道过户是可行的，但没法启动这个流程。

它就是个被锁在没有电话的房间里的优秀员工。

打电话来的客户不想要信息。他们想把问题解决掉。这个智能体只送到半路——而在客服里，走一半有时比什么都不做更糟，因为它制造了期待，然后把客户送回队列里。

失败的不是模型。是它下面的基础设施。而让一个只留下好印象、却交付不出结果的系统继续在线，是披着展示橱窗外衣的技术债。

这是我学到的最贵的一课，它变成了我的准则：没有行动能力的 AI 是演示，不是产品。

一套遗留系统为什么在进生产环境之前就变成了 SaaS

另一个客户跑在一套已经撑不住业务量的遗留系统上：周期性收款、手工对账、靠邮件来回传表格。我开始重建——数据库迁移、容器化、数据管道、自动收款。

做到一半，我意识到一件改变了整个项目的事：问题不属于那个客户。它属于整个行业。

那个市场里每一家企业都有同样的痛点、同样的手工流程、同样的表格。为一个客户做定制方案，解决的是一个案子。做一个多租户平台——一个 SaaS，每家企业在同一套底座上有自己隔离的环境——解决的是整个市场。

我把架构重做成了 SaaS。

诚实的保留：这套系统还没有进生产环境。它处在试点阶段。我本可以写“面向该行业的 SaaS 平台”，然后让你以为上面跑着几十个客户。并没有。有的是一套做好的架构、一个正在进行的试点，和一个我站得住脚的产品决定——但“生产环境”这个词，只有在真实用户靠这套系统干活之后才能用。

外汇交易台为什么还在测试（而且会一直测到对为止）

我做了一个数字化外汇操作台：报价、合约、compliance（合规）文档，全部实时。在里面，一个 AI 智能体充当系统的交互界面——操作员对话，智能体就在真实流程里执行。

这和第一个案子正好相反：这里的 AI 有手。

而这恰恰就是它还在测试的原因。

这套系统动的是真实客户的真实资金，而且跨国。操作必须快，因为外汇有报价窗口。必须不容出错，因为一个数字填错不是 bug——是某个人的实际亏损。而且必须可审计，因为涉及监管。

当出错的代价是金钱且跨境时，“看起来好像能跑”不是放行标准。这里的赶工不是敏捷，是不负责任。

花了 R$ 2.5 万多在 AI 上，我学到了什么

过去这几年，我在人工智能工具上投了 R$ 2.5 万多——ChatGPT、Gemini、Claude、Perplexity、OpenRouter、OpenCode，几乎试过那段时间里存在过的每一种订阅和模型组合。

那不是上课。是每天在必须交付的工作里实际用。

最让人不舒服的收获是：我所知道的东西几乎每周都在变。一月份做某个任务最好的模型，到三月就不是了。有效的 prompt 技巧，在模型变强之后就不再需要了。看起来不可或缺的工具，一次发布之后就变成多余的。

那些把 AI 当成学一次就够的东西的人，手里剩下的是过期的知识。能积累下来的不是捷径——是判断力：知道一个模型什么时候够用，什么时候问题不在模型，以及什么时候正确答案是完全不用 AI。

把智能体和系统连起来的东西：MCP

今天把这一切串起来的是 MCP —— Model Context Protocol，一个被 Anthropic、Google 和 Microsoft 采用的标准，用来给语言模型装上“手”。

实际效果是：有了 MCP，模型不只是聊天。它查数据库、触发流程、写入信息，并在系统内部返回结果。

还记得那个被锁在没有电话的房间里的智能体吗？MCP 就是那部电话。如果它在当年那个项目的时候就有现在这样的成熟度，我大概什么都不用关掉。

真正让我的交付量翻倍的东西——不是 AI

是流程。

这通常会让期待听到某个工具名字的人失望，但这是诚实的答案。AI 提高了我的执行速度。流程提高了我的稳定性——而稳定性才是客户买的东西。

大部分时间我是一个人干。Scrum 按手册来是预设有团队的：多人参加的 daily、分开的角色、对齐的仪式。一个人的时候，这些就变成演戏——自己和自己开会。

我做了调整。只保留那些真正能解决单人工作者实际问题的部分：

Scrum 实践	我如何改造成单人作业
Sprint	封闭的周循环，开始时就冻结范围
优先级排序的 Backlog	按客户影响排的单一队列，而不是按当天的心情
Daily	早上简短复盘：什么卡住了，今天出什么
Definition of Done	开工前就写下的标准——没有它，“差不多做完了”会变成永远
Velocity	每周关闭的卡片数——我唯一跟踪的指标
回顾会	周五半小时：什么延迟了，为什么

收益不是来自任何单一实践。它来自不再每天重新决定优先级。开放的范围和流动的队列会消耗一种没人计入账的精力——而一个人干活时，这种精力是最稀缺的资源。

结果：我每周关闭的卡片数大约翻了一倍。不是因为工作时间更长。是因为我停下来的次数更少、重做更少、开始的事情都收尾。

真正有效的组合是这样：用 AI 执行得更快，用流程执行对的事。只要前半截，产出的是大量高速生产的废品。

诚实的招聘分析：什么涨了，什么崩了

在我做这些东西的同时，市场以几乎没人预见到的方式重新组织了。我去查了数据——有些让人很不舒服。

Scrum Master 岗位为什么崩了

因为实践被吸收了，独立的职位不再站得住脚。

2023 年 1 月，Capital One 在一个决定里裁掉了一千多个 Scrum Master、敏捷教练和交付负责人的岗位。几个月后，Royal London 辞退了自己 90% 的敏捷教练。在英国，Scrum Master 的正式岗位数两年里从 79 降到 30——下降 62%。

Capital One 自己给出的理由才是有意思的部分：这个角色在“转型初期阶段是关键的”，但随着组织的成熟，自然的下一步是“把敏捷交付流程直接整合进工程部门”。

翻译一下：方法赢了，职位输了。Scrum 仍然在 87% 的团队里跑着。消失的是那个专门为了主持仪式而招的人。

还有第二个因素，而且更残酷。全世界已经签发了超过400 万份敏捷证书。在 Scrum.org，不到 1% 的证书达到了最高级别。当证书的供给增长远远快于可验证能力的供给时，市场就不再能区分两者——于是开始把所有人都当成可替换的。

那 Product Manager 呢？那是另一个故事

产品市场回升了——这是 2022 年以来岗位量最大的时候，全球有超过 7.300 个在招职位。但这轮回升有主人。

在一份对 654 份真实 Product Manager 岗位描述的分析里，85% 已经提到 AI 或 machine learning，**32% 要求有 *evals* 经验***——也就是那些衡量一套 AI 系统是真的能用、而不只是看起来能用的测试。

而这里是最让我注意的数据：大约 30% 的在招 PM 岗位是 AI PM，但不到 5% 的资深 PM 真正让一个 AI 智能体运转起来过。

这个距离，就是整个机会的一行总结。

这在实践中意味着什么

AI 能力的薪资溢价一年内从 25% 跳到 56%——翻了一倍多。根据 LinkedIn 自己的数据，对这些能力的需求在十二个月内增长了 142%。

对在巴西的人来说，影响是直接的：被国际公司雇用的产品专业人士拿到的薪酬区间是每月 US$ 4 千到 US$ 1.2 万，通常是本地同等岗位的 2 到 4 倍。带 AI 的 Payments Engineer 岗位每月付US$ 5 千到 US$ 9.5 千。

我必须做的保留：这些调研主要来自英国和美国。方向可以迁移到巴西，确切幅度不行。请当作数量级参考，绝不要当作保证的薪资底线。

我对这些的解读

这不是“Scrum 死了”，也不是“产品岗完了”。是另一件事，而且更具体：

市场停止为孤立的流程付钱，开始为应用在能跑的系统上的流程付钱。

一个只主持仪式的 Scrum Master 变成了成本。一个只写用户故事、只排队列优先级的 Product Owner 变成了成本。继续有价值——而且更贵——的是既有方法又懂正在被构建的那套系统的人。

这正是本文前一部分重要的原因。我用 Scrum 不是因为我喜欢框架。我用它是因为，没有流程，AI 会让我在更短时间里产出更多垃圾。我卖 AI 也不是因为它流行。我卖它是因为我知道它下面什么会坏。

稀有的组合不是会 AI，也不是会流程。是两个都会，而且有在生产环境里干过留下的伤疤。

这篇文章适合谁

如果你的业务需要能在生产环境里真正跑起来的支付基础设施、自动化或 AI 智能体——而且已经厌倦了那种撑不过真实流程的漂亮演示——那我们可以直接聊。

如果你在组建技术团队，想找一个已经建过、已经搞坏过、已经关掉过自己项目并且能讲清楚为什么的人，也一样。

我宁愿说“这个还在测试”，也不愿卖我没有的确定性。在动钱的系统里，这就是供应商和麻烦之间的区别。

常见问题

所谓生产环境里的 AI 智能体，实际上是什么？

是一套有人靠它来干活的 AI 系统——不是演示。区别不在模型，而在行动能力：查真实数据、在系统里执行操作、处理错误、留下可审计的痕迹。一个只会聊天的智能体是原型，哪怕它已经发布在一个公开地址上。

AI 项目在企业里为什么失败？

大多数时候是因为基础设施，不是因为模型。混乱的数据、没有集成接口的遗留系统、不存在的认证机制、没有梳理过的流程，会放倒任何智能体，不管它多好。我第一个上生产环境的智能体就是这么失败的：AI 是对的，它下面的底座没准备好。

什么是 MCP（Model Context Protocol）？

它是一个开放协议，让语言模型能在外部系统里执行动作，而不只是生成文本。有了 MCP，一个智能体可以查数据库、触发流程，并在企业系统内部写入信息。它是 Anthropic、Google 和 Microsoft 正在采用的标准，用来把 AI 连接到真实的工具上。

一个人干活值得用 Scrum 吗？

值得，前提是做过改造——没有团队还照搬手册，就变成空洞的仪式。在单人作业里支撑收益的，是范围封闭的周循环、按影响排序的单一队列，以及开工前就定好的完成标准。被丢掉的是那些为了对齐多人而存在的仪式。

Scrum Master 的岗位是在消失吗？

专职岗位大幅萎缩了，但实践没有。在英国，Scrum Master 的正式职位两年内下降了 62%，而 Capital One 和 Royal London 这样的公司一次性裁掉了数百个敏捷角色。同时，Scrum 仍在大约 87% 的团队里跑着：组织把方法吸收进了工程部门，而不是保留那个独立的职位。市场停止为孤立的主持工作付钱，开始为应用在系统上的方法付钱。

2026 年 Product Manager 需要懂 AI 吗？

实际上，需要。在一份对 654 份真实 Product Manager 岗位的分析里，85% 提到了 AI 或 machine learning，32% 要求有 evals 经验。大约 30% 的在招 PM 岗位专门是 AI PM，而不到 5% 的资深 PM 已经交付过一个能运转的 AI 智能体——正是这个距离支撑着有这项能力的人 56% 的薪资溢价。

把一个 AI 智能体推上生产环境要多久？

几乎完全取决于它要操作的那些系统的状态，而不是智能体本身。在集成接口已经就绪、数据组织良好的底座上，几周。在一个没有集成接口的遗留系统里，真正的工作是打地基——而那通常要几个月。任何在审计基础设施之前给出的工期都是瞎猜。

---

想聊聊你的情况吗？通过 WhatsApp 或 [email protected] 联系我。