我在这句话上浪费了好几年
「产品做得足够好，自然会有人来。」
这句话我信了很多年。它符合工程师的世界观：代码是可验证的，性能是可测量的，好和坏之间有客观差别。既然有客观差别，那么好的东西胜出就是迟早的事——市场是有效的，只是需要一点时间。
我做开源的那几年一直是这个逻辑。项目写得漂亮，测试覆盖率高，文档也认真写了，接下来就是等。等有人 star，等有人提 issue，等有人在某篇博客里提一句。有时候确实会等到，但更多时候是没有。而每次没等到的时候，我的第一反应都是同一个：东西还不够好，回去继续改。
这是一个非常舒服的归因。它把所有问题都收敛到我最擅长的那一层——写代码。它让我可以理直气壮地继续做我本来就想做的事，同时避开我不想做的那件事：走出去，告诉别人我做了什么。
后来我才想明白，这个归因结构本身就是问题。它不是勤奋，它是一种用擅长的事逃避不擅长的事的高级形式。
而更要命的是，这句话在过去确实有几分道理，所以它才那么难被证伪。
那句话曾经成立的条件
「好产品自然会有人来」不是纯粹的自欺，它有过成立的年代。成立的条件是一个隐藏前提：好产品本身就稀缺。
在建一个东西要三个月、要一个团队、要一笔钱的年代，能被做出来并且做得好的东西数量有限。这个有限本身就在做筛选。一个真正好用的工具出现在 GitHub 上，它周围没有五十个功能相似的替代品，它自带一部分注意力——因为稀缺的东西天然会被谈论。
那个年代里，「把东西做好」既是产品动作，也是分发动作。它们合成了一件事，所以你不需要单独考虑分发。
现在这个前提塌了。
建造成本趋零之后，好产品不再稀缺。不是说好产品变多了一点，是数量级变了。同一个需求上，你能想到的方案，同一周里有几十个人也想到了，而且他们和你用的是同一批模型、同一套工具、同一个部署平台。你做得好，别人也做得好；你三天做完，别人三天也做完。
稀缺性没有消失，它只是整体迁移了——从产品端迁到了注意力端。
这就是总纲 里那句话的完整含义：好产品不再稀缺，被看见才稀缺。它不是一句励志话，是一个供需结构的描述。
我想把话说得更狠一点：在今天，一个没有分发的好产品和一个不存在的产品，在市场层面上是同一个东西。 这听着刺耳，但它是可验证的——没有人知道它存在，它就不产生任何后果。它只在你自己的硬盘上和你的自我认同里存在。
为什么分发是纯资产
总纲 里给了一个判断标准，我们再拿它来量一次分发层：
这层装备的进步，是只帮我，还是同时帮我所有的竞争者？
生产层过不了这一关。模型升级一次，你和你所有对手的编码速度同时上升，相对位置没变。判断层过了一半——一部分能外化成规则，一部分只能长在你脑子里。
分发层是这四层里最干净地过关的一层。
没有任何一次模型升级，会替另一个人补上你花三年积累的读者。
这是分发层最本质的性质。它不是「AI 暂时还做不到」，是它在结构上就不属于 AI 能覆盖的范畴。因为受众和信任不是一个可以被计算出来的东西，它们是时间的函数——是同一个人在足够长的时间里，被同一批人反复看到、反复验证之后，才慢慢结晶出来的东西。
而这个函数没有任何工具能压缩。
一个最能说明问题的实验（虽然你没法真的做）：把同一篇文章，用一个新注册的账号发一次，用一个写了三年的账号再发一次。内容一模一样，一个字都不改。得到的反馈会差出一到两个数量级。
差的那部分是什么？不是内容质量——内容是同一个。差的是接收端的先验。三年账号的读者已经知道「这个人写东西通常值得读完」，所以他们愿意付出第一分钟的注意力成本。新账号没有这个先验，它的每一篇文章都得从零证明自己值得被读，而在信息过载的环境里，绝大多数内容根本拿不到那第一分钟。
这个先验只能用时间和一致性堆出来。你没法花钱买（买来的是曝光，不是先验），没法用 AI 生成，没法从别人那里继承。它是纯资产的教科书定义。
AI 同时做了两件必然同时发生的事
现在讲这一篇里我认为最重要的机制。很多人只看到了 AI 对内容的第一重影响——生产变便宜了。但真正的结构性变化是第二重，而且这两重是必然同时发生的。
内容生产的边际成本被压到接近零。写一篇文章、做一张图、剪一段视频，需要的时间从「几天」变成「几十分钟」。这是好消息，对所有人。
但正因为对所有人都是好消息，供给会暴增。而注意力的总量——人类一天有多少小时能用来读东西——是一个几乎不变的常数。
供给暴增，需求恒定。价格必然上涨。这里的「价格」就是：让一个人真的看完你的东西，所需要付出的代价。
生产成本 ↓↓↓ 注意力总量 ≈ 常数
（模型让人人都能产出） （一天就那么多小时）
│ │
▼ │
┌──────────────┐ │
│ 内容供给暴增 │ │
└──────┬───────┘ │
│ │
▼ ▼
┌────────────────────────────────────────────────┐
│ 单位注意力的争夺成本 ↑↑↑ │
└──────┬─────────────────────────────────────────┘
│
├──► 冷启动更难：新内容更难拿到第一分钟
│
├──► 存量资产更值钱：已有的信任成了稀缺品
│
└──► 结论：生产变便宜的同一天，分发变贵了
这张图里最反直觉的是右下角那条：生产变便宜，直接后果是存量分发资产升值。
因为当所有人都能产出内容的时候，「谁产出的」这个问题的权重上升了。读者没法读完所有东西，必须做筛选，而筛选最省力的依据就是来源——我认识这个人，我读过他写的东西，那我先读他的。
所以 AI 的普及不是削弱了分发资产，是加固了它。这和很多人的直觉相反。很多人以为 AI 会让内容民主化、让好内容更容易冒头。实际发生的更可能是相反：它让已经有受众的人更容易被看到，让没有受众的人更难被看到。
我不认为这是好事。但我认为这是正在发生的事，而在这件正在发生的事里，选择站在哪一边是你能控制的。
fly.pieter.com 表面上是生产层的胜利
这个案例被引用了无数次，几乎每次都被引错。
2025 年 2 月，Pieter Levels 用大约三小时做出了一个浏览器里的飞行模拟器原型，17 天从 0 做到 100 万美元年化收入（$87,000 MRR），有 32 万人玩过。收入主要来自游戏里的广告位，不是订阅。
这个故事传播的时候，被压缩成了一句话：AI 让一个人三小时做出百万美元产品。
这句话是错的，或者说，它只对了三小时那部分。
三小时是生产层。而从三小时到 100 万美元的那一段，全部是分发层在兑现。
如果同样的原型出自一个没有受众的人，会发生什么？它会出现在某个 GitHub 仓库或者某个免费部署平台上，可能有几十个人玩过，然后沉下去。这不是假设，这是每天在发生的默认结果。这个产品之所以在 17 天里跑完那条曲线，是因为它一出生就被推送到了一个已经存在的、庞大的、长期关注这个人在做什么的人群面前。
换句话说：那 17 天花掉的不是 17 天的努力，是十几年积累的分发资产在一次性变现。
Levels 自己的数据把这件事说得更清楚。他做过 70 多个项目，其中大约只有 4 个真正赚到钱，命中率大概 5%。这个数字第一眼看是失败率的故事，但它真正的含义是另一个：那 66 个失败的项目并不是白做的，因为它们全部是公开做的。
每一次公开的尝试，哪怕最后没成，都在往同一个账户里存钱——存的不是钱，是「这个人一直在做东西」这件事本身在很多人脑子里的印象。等到第 70 个项目出现的时候，它的冷启动成本已经被前面 69 次垫得非常低了。
这就是 building in public 的真正经济学。它不是一种性格外向的人才能做的事，也不是一种自我营销。它是把必然会发生的失败，转换成不会归零的资产的唯一机制。
失败的项目会归零。关于这次失败的记录不会。
大多数人不是输在产品上
另一组数据可以从反面印证。ScrapingFish 抓了 Indie Hackers 上 937 个通过 Stripe 验证过营收的产品，结果是：超过 54% 的产品营收为零，只有大约 5% 的产品月收入超过约 8333 美元。
而且这个数据集本身还有严重的幸存者偏差——它只包含那些已经做完了、主动上架了、还接了 Stripe 的产品。那些做到一半放弃的、根本没上架的，压根不在分母里。真实的分布只会更极端。
这个数字通常被用来劝退，我觉得那是最没意思的读法。我关心的是另一个问题：那 54% 里，有多少是因为产品不好，有多少是因为没人知道它存在？
没有人能给出精确的拆分。但根据我自己见过的和做过的，我的判断是后者的比例远高于前者。做出一个能用的、解决真实问题的小工具，在今天已经不是一件难事了。让一百个真正需要它的人知道它存在，才是难的那件事。
「AI 味」是新的分发税
供给暴增之后，读者的筛选策略会变。这里发生了一件相当有意思的事。
当所有人都能一键生成结构工整、逻辑清晰、四平八稳的文章之后，这种文本本身的信号价值归零了。它不再证明作者有能力，因为它不需要能力。它只证明作者有一个订阅账号。
于是读者开始用一个新的、极其省力的启发式来筛选：这段话读起来像不像一个具体的人写的。
这个判断可以在两三行之内完成，成本极低，而且相当准。我自己现在读东西也是这样——扫一眼开头，如果每一句都在正确地说废话，我就关掉了。不是因为它错，是因为它没有任何我在别处读不到的东西。
所以「AI 味」在 2026 年不是一个美学问题，是一个分发问题。它是一笔税：带着这个味道的内容，需要付出更高的代价才能拿到同样的注意力。
而大多数人对抗 AI 味的方式是错的。他们去改词——把「赋能」换成「帮助」，把「深度解读」换成「聊聊」，让模型「不要用排比句」。这些都是表面。改完之后它还是一篇没有作者的文章，只是换了一层皮。
真正的解法只有一个：写只有你有的那部分。
具体是哪些：
- 一手的失败细节。 不是「这个方案有一些坑」，而是「我在这里卡了两天，因为我以为 X 是 Y，结果不是」。模型可以生成前者，生成不了后者，因为它没在那两天里。
- 具体的数字，尤其是难看的数字。 你的项目实际有多少人用、你花了多少钱、多少时间、放弃了什么。数字是最难伪造的具体性。
- 当时的犹豫。 你在两个方案之间纠结过什么、为什么最后选了那个、现在回头看是不是选错了。AI 生成的文本天然是「已经想清楚了」的语气，因为它是一次性输出的。人的思考有痕迹，痕迹本身就是身份证。
- 走过的弯路。 尤其是那种你现在觉得很蠢的弯路。写出来会让人有点难堪，而那点难堪恰恰就是可信度的来源——没有人会编造一个让自己显得蠢的细节。
我发现一个可靠的自检：把文章里所有「我」开头的、带具体时间地点数字的句子删掉，如果剩下的部分还完整成立，那这篇文章不需要你写。
这不意味着不用 AI 写作。我自己用得很重。区别在于分工：让模型处理结构、语法、节奏、翻译、扩写，但那些只有你有的具体性，必须由你亲手放进去。 模型是编辑，不是作者。它可以把你的东西整理得更好读，但它不能替你经历。
把做产品的过程本身变成内容
这是超级个体在分发上唯一的、团队学不来的结构性优势，我认为它被严重低估了。
在一个团队里，「做的人」和「写的人」是分开的。工程师做，市场写。这中间必然存在信息损耗和时间延迟：工程师做完了，市场来问怎么回事，工程师讲一遍，市场理解一部分，写出来的东西再回去给工程师审，工程师说不是这个意思，来回几轮，两周过去了。最后产出的内容通常是抽象的、正确的、无聊的——因为所有具体的、有味道的、有点尴尬的细节，都在这个传递过程中被磨掉了。
个体没有这个问题。做的人和写的人是同一个人。所有的细节都在你脑子里，是新鲜的，没有经过任何一轮抛光。
这个结构优势不会自动兑现。它需要你有意识地设计一条管道，否则细节就在你脑子里自然衰减掉了。
总纲 里说过，四层之间是有方向的，第四层的产出应该往下沉淀成第二层和第一层的资产。分发层这里，那条管道具体长这样：
第四层 · 生产层的一次交付
（一个功能 / 一次重构 / 一次踩坑 / 一次放弃）
│
├──► 过程中就地留痕（这一步是唯一需要纪律的）
│ · 决策：为什么选 A 不选 B
│ · 卡点：卡在哪、卡了多久、怎么出来的
│ · 数字：耗时、成本、性能前后对比
│ · 弯路：事后觉得蠢的那些
│
▼
┌───────────────────┐
│ 一份粗糙的原始素材 │ ← 只对自己可读，不追求成文
└─────────┬─────────┘
│
├──► 一篇深度长文（源素材，你的主场，可长期被检索）
│ │
│ ├──► 短形态：结论 + 一张图（社交平台）
│ ├──► 长形态：加背景 + 加数据（技术社区）
│ └──► 对话形态：把它拆成几个具体问题（问答场景）
│
└──► 第一层 · 声誉层：一致的公开输出本身
│
└──► 反哺：下一个产品的冷启动成本更低
关键在第一步：就地留痕。
这一步是整条管道里唯一需要纪律的地方，也是最容易被跳过的地方。因为在做的当下，你觉得这些细节太琐碎了，不值得记，而且你确信自己记得住。
你记不住。三周之后你只会记得「后来解决了」，那些让内容有价值的具体性——你当时到底以为什么、试了什么、为什么试错了——全部消失了。留下的是一个抽象的、正确的、无聊的版本。也就是团队会产出的那种版本，你的结构优势在这一步就丢光了。
我的做法很土：一个纯文本文件，做的过程中随手往里扔句子，不追求通顺，不追求完整，只追求当时的具体。这个文件只有我自己看得懂。等到要写东西的时候，它就是原料，而且是别人不可能有的原料。
有了原料之后的所有环节，AI 都能大幅提速。没有原料的时候，AI 提速的只是废话的产量。
一鱼多吃能省摩擦，不能省表达
一份源素材转成多个平台的不同形态，这件事在 AI 之后确实变容易了很多。这是真实的效率提升，值得做。
但我想诚实地划一条边界，因为这件事被过度承诺了。
跨平台复用能降低摩擦，不能替代平台原生表达。
每个平台都有自己的语法——不只是长度限制，还有节奏、开头的方式、读者进来时的心理状态、什么样的话在这里显得自然而在别处显得做作。一段在长文里恰到好处的展开，直接切成短句发到快节奏的平台上，会显得啰嗦；一句在短平台上很锋利的判断，直接放进长文里，会显得轻浮和没有论证。
真正能自动化的部分是信息的重新打包：抽结论、换长度、调格式、做翻译。这些交给模型没问题。
不能自动化的部分是这段话在这个语境里该怎么说。这需要你对那个平台有真实的体感——你得自己在那里待过，读过别人怎么说话，知道什么会被无视。
所以我的判断是：一鱼多吃是省力工具，不是分发策略。 它让你在已经选定的渠道上少花点时间，它不会替你选渠道，也不会替你在一个你完全不熟悉的地方建立存在感。
对个体来说，更现实的做法是：主场只有一个，是你能完全控制、内容能长期存在、可以被检索的地方（对我来说就是自己的博客）；其他渠道是分流口，各自用各自的语言，但都指回主场。
分发的终点，多了一个上下文窗口
这是「分发」这个概念在 2026 年新长出来的一半，我认为它的重要性还没有被充分定价。
过去，分发的终点是人的眼睛。你写的东西被人看到，链路就完成了。
现在多了一条链路：你写的东西被模型读到、理解、然后在回答别人问题的时候引用。
这条链路的存在已经不需要论证了。MCP 生态在 2025 年 12 月的官方口径是 10,000+ 已发布的 server，同年 12 月 9 日，MCP 和 AGENTS.md 一起被捐给了 Linux Foundation 旗下的 Agentic AI Foundation，采纳方包括 Claude、Cursor、Microsoft Copilot、Gemini、VS Code、ChatGPT。这些数字本身不重要，重要的是它们共同说明的一件事：模型已经成为一个普遍的信息中介层。 越来越多的人不是先搜索再阅读，而是直接问，然后读一个综合出来的答案。
这带来一个结构性的变化，我想把它单独提出来：
「被引用」是一种全新的分发形态——它不产生点击，但产生信任。
传统分发的计量单位是流量：多少人点进来、看了多久、转化了多少。被模型引用不给你这些东西。用户可能永远不会点开你的链接，你的访问日志上什么都不会多。
但在那个用户得到的答案里，你的名字出现了，作为某个判断的依据出现的。这件事在他心里留下的东西，和一次普通的页面访问完全不同——因为它是被第三方背书的。他不是主动找到你，是他信任的工具引用了你。
这是一种没有点击的分发，而且它的信任转化效率可能比点击更高。
具体怎么做我不在这里展开，我另有一整个 GEO 专栏 在讲这件事的机制。这里只说三个和分发层直接相关的判断：
第一，结构化的内容更容易被引用。 模型检索的单元是段落而不是整篇文章。所以每一个小节都应该能脱离上下文单独成立——如果一段话必须读完前面三段才懂，它被抠出来的时候就是残缺的。
第二，有明确结论的内容更容易被引用。 那种通篇「视情况而定」「各有利弊」的内容，模型没法从里面摘出任何可用的句子。敢下判断句，在 AI 检索时代变成了一种分发优势。 这一点我觉得挺讽刺，也挺有意思——它把「说人话、下结论」这件本来属于写作品味的事，变成了一件有明确回报的事。
第三，一手的东西比二手的东西更有优势。 综述性的、把别人观点整理一遍的内容，正是模型自己最擅长生成的，它不需要引用你。它需要引用的是它生成不出来的东西：具体的数据、具体的经历、具体的判断。
你注意到没有——这三条和前面那节「怎么对抗 AI 味」的结论，指向的是同一个方向。让人愿意读的东西，和让模型愿意引的东西，在 2026 年高度重合。 这大概是这个时代少有的好消息之一：你不需要为两个受众写两套东西。
现在说不好听的部分
我不想让这一篇读起来像一篇励志文，所以必须把分发层最难的地方讲清楚。
分发的复利是真的，但它的启动期极其漫长，而且在启动期里几乎没有反馈。
这是它最反直觉的地方。我们习惯了指数增长的故事，但指数曲线的前半段是什么样子，大部分人没有真正体验过——它看起来完全就是一条平的线。不是缓慢上升，是看不出上升。
对比一下生产层：你今天配好一个 AI 编码工作流，明天就能感觉到快。反馈周期是小时级的，因果关系是清晰的，这种即时反馈让你愿意继续投入。
分发层完全相反。你写第一篇文章，可能三个人读。写到第十篇，可能还是十几个人读。这中间隔了几个月，投入了大量时间，你得到的信号和你没做这件事时几乎没有区别。
而且因果关系是断裂的。就算半年后有了起色，你也说不清是哪一篇起了作用，说不清是内容变好了还是运气到了。你拿不到那种「我做了 A，所以得到了 B」的确定感——而工程师恰恰是最依赖这种确定感的一类人。
感知到的回报
▲
│ ╱ 分发层
│ ╱ （拐点后陡峭，
│ 生产层 ╱ 但拐点前几乎平）
│ ┌────────────────── ╱
│ ╱ （立刻见效， ╲ ╱
│ ╱ 然后很快到顶） ╲ ╱
│ ╱ ╳
│╱_____________________╱ ╲___________
└────────────────────────────────────────► 时间
↑ ↑
两周 大多数人在这里放弃
（投入已久，信号仍近似为零）
所以大多数人不是「不知道分发重要」而放弃的。他们知道，他们开始做了，然后在拐点前的那段平地里放弃了。放弃的时候他们的结论通常是「这个不适合我」或者「这条路走不通」——而实际情况是，那条曲线在被放弃的时候，还没到它开始的地方。
我没有办法把这件事说得好听一点。这就是这层资产的定价方式：它之所以值钱，正是因为它需要付出的东西（长时间的、无反馈的坚持）是大多数人付不起的。如果它能在两周内见效，它就不会是资产了，它会和生产层一样变成公共品。
它的痛苦程度和它的护城河宽度，是同一件事的两面。
如果非要给一条实操建议，我给这个：在启动期，不要用外部反馈来评价这件事，用「有没有留下东西」来评价。 这个月我是不是把三次踩坑变成了三篇可检索的记录？这个是你能控制的、有确定反馈的、和最终结果高度相关的。外部反馈是滞后的，用它来做短期评价，你一定会在拐点前放弃。
被看见，和被信任
写到这里，我意识到分发层还有一个界限需要划清楚，否则它很容易被推得太远。
分发解决的是「被看见」，不是「被信任」。
这两件事经常被混为一谈，但它们的机制完全不同。被看见是一个曝光问题，它可以被优化、被加速、被一定程度地购买。被信任不是——它是关于一致性的，关于你在很长的时间里说过的话有没有兑现，关于别人有没有验证过你说的东西。
一个只有分发没有声誉的人，在今天是很常见的一种存在。他们的内容传播得很好，标题起得很准，但没有人真的会因为「这是他说的」而改变自己的判断。他们的曝光量和影响力之间有一道断层。
而这道断层在 AI 时代会变宽。因为当内容生产趋零、当所有人都学会了怎么把话说得好听，「说得好」的信号价值会继续下跌，而「说到做到」的信号价值会上升。
所以这两层的关系是清楚的：分发是声誉的必要不充分条件。 没有分发，你再可信也没人知道；只有分发没有声誉，你被很多人看见，但没有人真的把重要的事托付给你。
分发决定有多少人听见你说话。声誉决定他们听完之后信不信。
回到开头那句话。
「产品做得足够好，自然会有人来」——我现在的看法是，这句话最有害的地方不是它错了，而是它把一个你必须主动做的动作，伪装成了一个会自动发生的过程。
它让你觉得自己在等待市场的裁决，其实你只是在回避一件让你不舒服的事。我在这上面花了好几年才想明白，而这几年里我做的东西并不比现在差——只是没有人知道。
那些没有被记录下来的工作，在市场层面上等同于没有发生过。这是我从这一层学到的最贵的一课。
下一篇是这个系列的最后一篇，讲第一层 · 声誉层 ：为什么信任是 AI 抹不平的最后一样东西，开源贡献这类「不出现在任何装备清单里」的资产为什么被系统性低估，以及最重要的——怎么把四层打通成一个互相喂养的系统，而不是四件分开的事。
如果这一篇的核心是「你做的东西要有人看见」，下一篇的核心就是「看见之后，凭什么信你」。
前一篇讲的是判断层 ——当执行趋零之后，成本全在判断上。如果你是从这一篇进来的，那两篇合起来才是完整的图。
读者回响