先做，再评价
把使用场景和限制讲清楚，让工具评价有真实任务作为依据。
关于我
从使用 AI，到亲手把事情做成。
我是 Jarvis，非技术出身。我关心的，是怎样借助 AI 把一个想法做成产品，再把它带到用户面前。
我的关注点沿着产品往外延伸：开发工具如何选择，SEO / GEO 怎样帮助获客，流量能否带来使用，投入和回报是否值得继续。
最近，我把视频反推提示词接进生成流程，也重新复盘了自己做 X 的前三个月。一个是产品实验，一个是流量实验，都在帮助我理解怎样把 AI 用到实际业务中。
看看这些公开记录 ↗Build. Measure. Learn.Jarvis ↗
我正在关注的四个问题
AI 产品与商业化Business
从需求、交付到定价和用户反馈，把产品放进真实使用场景。我想验证的是：一个人借助 AI，能把一件生意推进到哪一步。
AI Coding 实战Build
把模型、Agent、Skill 和 MCP 放进具体开发任务。关注从想法到可运行产品的过程，也关注调试、维护和协作的代价。
SEO / GEO 与获客Discovery
产品做好以后，继续研究它如何被搜索到、被理解、被使用。把搜索曝光、点击和用户行为连起来看。
工具的长期体验Tools
把工具放进日常工作，再谈优点、限制与使用成本。比起功能清单，我更关心它最终能留下哪一部分价值。
我的实验方法 从假设到复盘的六个环节 ＋
HOW I BUILD
我怎样记录一场实验
从问题出发，把结果和判断留下来。
“结果要和过程一起看。”
把假设、行动、投入和结果放在一起。
展开任一步，看看它要解决什么问题。
01
提出假设
先明确这次要解决的具体问题，让结果有可以对照的起点。
留下什么一个可以验证的问题02
动手实现
把模型和工具用进项目，记录采取的步骤与选择。
留下什么可复现的行动过程03
记录成本
把时间、工具订阅、模型调用等投入记下来。
留下什么有统计范围的成本04
观察数据
把曝光、访问、使用和付费分开看，不把它们混成一个结果。
留下什么带时间范围的数据05
判断结果
对照最初的假设，说明哪里有效、哪里还没有得到验证。
留下什么结果与适用边界06
公开复盘
写下踩坑、被推翻的判断，以及下一次准备怎样改。
留下什么新的判断与下一步
发布 → 反馈 → 再迭代。作品会变，认真解决问题的方式不变。
为什么把过程公开
工具更新很快，真正留下来的，是亲自做过之后的判断。我想把这个网站和 X 连接起来：产品放在这里，过程留在记录里，让下一次尝试有据可依。
结果带着上下文
看数据时同时看时间、成本与统计范围，成功和失败都值得复盘。
和同路人交换经验
如果你也在用 AI 做产品、尝试获客，欢迎交流具体问题与不同判断。