AI大模型重构产品范式 - 人机交互范式经历重大变革，从命令行到GUI再到AI对话，学习成本大幅降低，交互带宽显著提升[8][9] - AI通过自然语言对话实现交互，几乎无需学习成本，表达力极其丰富，解决了表达力与易用性并存的问题[9][10] - 多模态能力进一步降低学习成本并提升交互带宽，视觉信息传输效率高于语言，信息衰减更少[13][17] - 人类核心需求不变但满足方式被重新发明，信息获取需求从BBS到门户网站再到今日头条，每个需求都可能被AI重新发明[18][19][20] - AI应用领域仍处于早期阶段，A16Z的AI应用Top 50榜单显示，2024年3月至8月有30%新面孔，2024年8月至2025年3月有40%新面孔[21] AI应用的成功范式 - 成功的AI产品需要平衡模型含量，过度依赖底层模型会导致壁垒低，模型升级可能颠覆业务模式[24] - Jasper案例：估值15亿美元，年收入4000万美元，但过度依赖模型，ChatGPT发布后网站访问量一月内骤降40%，半年后裁员转型[25][26][27] - Notion案例：2022年营收6000万美元，用户2000万；2023年营收飙升至2.5亿美元（增长近5倍），用户增至3000万，AI功能放大原有业务价值[30][31][32] - 成功关键是将行业Know-how和数据结构化融入AI，构建AI驱动的增长引擎，而非简单嫁接模型能力[33] AI大模型重构商业范式 - 工作方式变革：大模型打破技能限制的"能力墙"，使创意更易实现，九岁小朋友可借AI创作科幻小说，催生"超级个体"[35][36] - 组织形态变化：AI将分散工种任务收回个人，在不降低效率的同时提升创造力，二三十人团队可打造估值数亿至十几亿美元公司[39][40] - 用户体验变革：AI提升非结构化数据处理能力，使录音、视频等数据变得有价值，AI硬件可捕捉数据作为"外挂大脑"[44][45][46] - 商业模式变革：AI使广告从"效果"进一步细分为"动作"和"结果"，商业价值可能有数量级提升空间[50][51][52] - 竞争优势变革：AI可能颠覆传统护城河，如将数十万律师服务变成一个模型，竞争维度发生变化[55][56] AI重构千行百业案例 - 法律领域：Harvey公司2023年成立，2024年收入达5200万美元，AI在法律文件起草等标准化业务达人类前25%水平[63] - 医疗领域：Hocritic AI估值达16亿美元，推出医疗AI Agent应用商店；Tempus公司借AI从to B数据销售转型为to C健康管理[65][66] - 汽车领域：智能座舱实现拟人化交互，AI质检覆盖100%外呼电话（效率是人工十倍），AI助手提升销售质量[70] - 消费领域：AI赋能"人、货、场"，自动生成定制化广告文案，智能投流调整周期从天缩短至分钟，优化商品搜索和标签[72][73] 企业AI战略落地方法论 - 理解模型三层能力：预训练解决通用能力（智商），微调解决领域能力（经验），Prompt工程解决任务级能力（产品说明书）[81] - 企业需具备"大模型就绪"条件：数字化程度高，有高质量数据基础；选择适合AI的业务场景，避免盲目投入[84][86][87] - AI战略构建路径：先进行AI诊断，再制定定制化战略，最后方案落地，而非直接寻找现成产品[90][92][93] - 战略能力四个维度：选择合适的基座模型（考虑成本、合规性等）；构建合适组织（分AI应用型、模型核心型、AI原生型）；重新定义数据资产（99%数据无价值，需与场景绑定）；业务场景再思考（AI应重塑整个业务链路）[95][96][98][102]

网络与网络效应的力量 - 许多最重要的互联网服务都是网络，随着更多人使用，服务价值会显著提升，例如电子邮件、万维网、YouTube和Facebook [5] - 网络效应是一种强大的指数级力量，使公司能从无到有，最终影响数亿或数十亿用户，变得非常有价值 [6] - 构建网络在初期非常困难，但创业者可采用策略使产品从第一天起就有用，例如借助其他现有网络进行冷启动 [10] 科技中的指数级力量 - 科技领域存在三种重要的指数级力量：摩尔定律（半导体性能约每18-24个月翻倍）、软件的可组合性（开源软件像乐高积木可重用复合）以及网络效应 [6][7][8] - 对于创业者和投资者而言，最重要的事是首先识别并顺应这些指数级力量，因为它们将压倒一切战术性的产品工作 [6][10] - 可组合性使得开源软件能利用互联网的集体智慧，例如Linux从业余项目成长为全球主导操作系统 [7] 创业策略：为工具而来，为网络而留 - 创业者的一种有效战术模式是“为工具而来，为网络而留”，即先提供有价值的单用户工具，再逐步构建网络效应 [10] - Instagram早期通过提供免费酷炫滤镜和借助Twitter等外部网络进行分享，最终在自己的网络上获得吸引力 [10] - 现代生产力工具如Figma、Notion和Stripe的Link产品也体现了这一模式，它们对单人用户有用，但社交功能层变得至关重要 [11] 人工智能时代的竞争与商业模式 - 人工智能领域目前涌现出许多强大的工具，但缺乏明显的网络效应，如何超越一时风尚构建长期吸引力是关键挑战 [12] - 观察到消费者为AI软件支付高额费用的现象，例如Google最高套餐250美元/月，Grok 300美元/月，预示着付费软件的复兴 [14] - 人工智能领域的资本效应显著，筹集大量资金（如10亿美元）本身可以成为护城河，因为保持技术前沿需要巨大投入 [15] 利用社区与运动寻找投资机会 - 关注互联网上极度热情、拥有自己语言和规范的技术爱好者社区，是发现下一个大趋势的重要方法 [17] - 许多重要的科技运动最初由相对较小的核心爱好者群体领导，例如开源软件、加密项目和早期的神经网络研究 [17] - 判断一个运动能否成功的关键在于其背后是否有指数级力量驱动，而不仅仅是线性力量 [18] 平台迁移与想法迷宫 - 在平台迁移中，企业家需要进入正确的“想法迷宫”，即一个动态的、充满未知的领域，并具备在迷宫中保持敏捷和坚持的能力 [24] - 成功的公司如Netflix，其核心是进入正确的迷宫（互联网将导致订阅电影），并通过多次转型实现目标 [24] - 人工智能作为一个元过程，类似于半导体行业的摩尔定律，极有可能在长期内持续指数级扩展，为创业者创造巨大机会和挑战 [26] 原生技术与拟物化技术 - 新技术平台发展初期常出现拟物化设计，模仿先前的媒体形式，随后才会发展出真正原生于新平台的应用和语法 [28][29] - 人工智能目前可能处于拟物化阶段，例如图像生成模仿插画师，未来可能出现全新的、难以预测的原生媒介，如虚拟世界 [30] - 新一代“AI原生”的年轻人可能更善于发现和创造原生于AI技术的新应用和体验 [30] 开源AI与技术的民主化 - 开源软件是技术民主化的关键力量，它极大降低了初创公司和用户获取软件的成本，例如使廉价Android手机成为可能 [35] - 对于AI，开源面临的挑战在于训练顶级模型需要巨大的资本支出，这可能影响其长期的稳态资助模式 [36] - 一个可能的乐观结果是开源AI模型始终稍微落后于顶尖闭源模型，但足以满足大多数初创公司和消费者的需求，形成良好平衡 [36][38]

企业微信发展现状 - 企业微信已拥有超过1400万真实企业与组织使用 每天服务超过7.5亿微信用户 [1] - 产品历经9年发展 完成12次版本迭代 上线超过1700项功能更新 [15] AI功能升级核心 - 智能搜索支持自然语言提问 可跨聊天记录/文档/会议纪要/邮件进行精准检索并直接输出答案 [2][3] - 智能总结能一键提取冗长内容的核心要点 自动生成精炼摘要 显著节省阅读整理时间 [6] - 智能机器人支持7x24小时在线解答 通过导入企业制度/产品知识等资料提供即时内部支持 [8] 智能表格创新应用 - 智能表格具备自动分类/关键信息提取/图片理解能力 从记录工具升级为半自动运营中枢 [9][11] - 电商行业应用案例：处理上千条客户评论的时间从全天缩短至3分钟 准确率大幅提升 [11] - 制造业应用案例：通过拍照上传实现安全巡检自动化 识别现场作业合规性 [11] - 独家优势：与微信连接实现客户信息自动建档 支持加好友/拉群动作自动沉淀至表格 [12] 邮箱功能升级 - 企业邮箱可自动整合往来邮件与企业微信信息 支持会议记录生成邮件及英文语法校对 [14] - 传统抄送/群发指令升级为企业微信通讯录快速筛选模式 提升对外沟通效率 [14] 生态协同价值 - 实现微信消息互通/直接添加好友/私域群运营 连接上游供应商与下游经销商 [12] - 提供上百个行业模板开箱即用 并向具备研发能力的企业开放API接口实现数据实时同步 [12] - 通过连接社会资源将客户信息转化为可量化经营资产 串联获客-交付-售后全闭环 [15][16]

企业微信发展现状 - 企业微信已拥有超过1400万真实企业与组织使用 每天服务超过7.5亿微信用户 [1] - 产品发展9年 与Notion同龄 现成为微软长青且赚钱的业务 Notion成为硅谷最火热的办公软件 [1] - 企业微信5.0版本于8月20日正式发布 带来大量AI相关更新 [2] AI功能升级 - 智能搜索支持自然语言提问式搜索 能快速定位聊天记录、文档、会议纪要及邮件中的信息 [4][5] - 智能总结功能可一键提取核心要点 自动生成精炼摘要 显著节省阅读与整理时间 [7] - 智能机器人可7x24小时在线解答员工常见问题 通过导入企业规章制度、产品知识等资料实现 [9] - 智能表格具备自动分类、关键信息提取、图片理解等功能 从记录工具升级为半自动运营中枢 [14] 行业应用案例 - 零售企业比优特通过智能搜索快速定位历史经验总结和资源 助力业务改善推进 [6] - 电商行业使用智能表格处理客户评论 上千条评论3分钟即可完成分类 效率大幅提升 [14] - 制造业依托智能表格进行安全巡检 拍照上传即可识别现场作业安全性 提升巡检效率 [14] 微信生态协同优势 - 企业微信智能表格可自动将"加好友、拉群"动作沉淀为单行记录 实现客户信息自动建档和持续更新 [15] - 企业微信天然连接微信 支持消息互通、添加微信好友、运营私域微信群等能力 [15] - 可连接上游供应商和下游经销商等B端客户 掌握订单排产和销售情况 [15] 产品迭代与功能更新 - 企业邮箱可自动整合往来邮件和企业微信信息 根据会议记录生成邮件 支持英文语法校对 [18] - 过去一年完成12次版本迭代 上线1700多个功能更新 [18] - 提供上百个智能表格模板开箱即用 覆盖项目管理、客户跟进、销售管理等场景 [16] 战略定位与价值 - AI技术投入注重实际应用 为企业办公和对外服务提供便利 [2] - 数字化核心在于回答"AI在哪儿节省时间、促进业务" 而非讨论"有没有AI" [19] - 将"连接"核心价值转化为可量化、可增长的经营资产 [19]

核心观点 - Notion通过AI实现从被动工具到主动助手的范式跃迁 核心在于产品范式 认知模型 商业策略和组织文化四个维度的系统性进化 [3][10][12][16][17] - AI赋能Notion从"数字LEGO积木"进化为"第二大脑" 通过写作助手 内容总结 数据库填充和智能问答等功能显著提升用户体验 [6][10][15][16] - Notion重构人机协作认知模型 用户从资料整理者转变为意图发起者 AI成为理解语境 补全信息的思维伙伴 [12][15][16] - AI驱动Notion商业增长 通过订阅机制实现用户付费转化和企业市场渗透 2023-2024年月活用户接近1亿 超50%财富500强企业采用 [20][23][24] - Notion凭借"美学+工程"的文化底色和战略定力 在AI转型中展现"慢中有快"的特质 通过社区共创和技术整合快速实现产品迭代 [29][31][33][36][39] 产品范式进化 - 从自由度高的文档工具发展为AI驱动的"第二大脑" 解决用户面对空白页无从下手的痛点 [6][10] - AI写作助手可起草内容 头脑风暴 改写文本和生成摘要 超50%用户会在AI初稿基础上继续编辑 [6] - AI内容总结功能将30分钟会议压缩为30秒行动项 实现从"信息仓库"到"信息蒸馏器"的转变 [6] - 数据库AI自动填充功能可自定义提示词抓取特定答案 并支持实时更新 大幅减少人工整理时间 [6] - Q&A功能支持自然语言提问检索工作区内容 比人工搜索节省90%时间 成为"随身智库" [7][10] 认知模型重构 - 传统笔记软件存在"认知断层"问题 用户忙于记录而错过思考 [12] - 新模式下用户聚焦意图和决策 AI负责信息支撑和具体操作 形成"人-AI-工具"三元协作 [16] - AI理解用户上下文并执行操作 如自动创建知识库架构 使新人无需纠结实现路径 [16] - 与新兴AI原生产品相比 Notion凭借功能全面和生态成熟实现差异化竞争 [26][27] - 创始人受计算机先驱思想启发 旨在通过AI"增扩人的思考" 让用户专注于创造和决策 [13][15] 商业模式创新 - 初期采用AI附加订阅模式(每人每月$10) 推动免费用户付费转化和企业ARPU提升 [20] - 2024年将AI整合至高阶付费方案 作为区分用户层级的关键卖点 [22] - 通过收购日历和邮件服务完善办公套件 形成"一体化+AI"的企业市场竞争力 [22] - 2023-2024年月活用户从100万爆发增长至近1亿 超50%财富500强企业采用 [23][24] - 相比Evernote等竞品 Notion在AI应用深度和商业化成熟度上显著领先 [25][27] 组织文化转型 - 以"美学+工程"为核心理念 曾为重构产品闭关开发2年 积累深厚产品内功 [29][31] - 小团队高效协作 在GPT-4发布后果断投入AI开发 比ChatGPT早上线1个月 [1][31] - 采用多模型集成策略 支持新模型在1天内上线 90%精力投入评估迭代 [36] - 通过社区共创降低转型阻力 用户贡献AI模板和教程形成良性生态 [33][38] - 保持"慢中有快"特质 既坚守产品理念又敢于在技术风口快速抢跑 [31][39]

Notion的AI战略与产品理念 - Notion于2023年2月上线Notion AI早于GPT-4发布后续推出Q&A、Meeting Notes、企业搜索等功能致力于打造「AI工作空间」让用户以「AI同事」方式使用产品[2] - 公司定位为「软件领域的乐高」目标整合团队所需的十几种工具到同一平台提供可定制化的工作流构建模块[7][8] - 数据库是核心「积木」大多数知识工作本质是云端高级文件柜工程师日常将关系型数据库与视图连接公司使命是普及这种能力[12][16] 产品设计哲学与行业对比 - 产品理想区间为7.5分而非满分需平衡工艺美感与商业实用性对比Figma得7分Linear得8.5分[20][24] - 采用乐高式模块化设计避免传统生产力工具功能臃肿问题基础部件仅20个左右如表格、数据库、图表等但支持灵活组合[15][26] - 用户引导策略从零散积木转向预制「套装」降低学习曲线类似乐高与漫威联名款模式[13][14] AI时代的产品开发范式转变 - 构建AI产品类似「酿啤酒」需引导模型能力而非传统「造桥」式开发语言模型通常只能完成70-80%需实验性迭代[43][44] - 行业从「销售工具」转向「提供工作本身」如客服领域AI直接替代人类支持知识工作领域尚未出现真正Agent[48][41] - Notion整合上下文和工具的优势使其在构建知识工作智能体上具备先发条件企业搜索等功能已初步实现自动化[40][52] 计算媒介的历史与AI机遇 - 早期计算机先驱意图让计算像阅读写作一样成为可塑媒介但过去仅程序员能实现这一愿景[30][31] - AI技术可能回归嬉皮士时代初衷但当前使用方式仍受旧媒介限制如ChatGPT界面模仿搜索引擎[34][37] - 语言模型革命性堪比计算媒介本身需5-10年探索其潜力Notion受Alan Kay等启发延续「可塑造软件」理念[32][38] 行业竞争与未来方向 - 垂直SaaS碎片化问题显著普通公司使用超100种工具Notion通过整合降低70%工具成本案例Ramp[10][50] - 知识工作Agent未普及因工具和上下文分散编程Agent更易实现因GitHub代码库集中[41][42] - 公司推出三款AI产品：企业搜索、研究报告自动生成、智能会议纪要利用现有模块快速开发[49][51]

产品理念与设计哲学 - Notion采用模块化、可组合的架构理念，将不同功能整合到统一平台，用户可自定义工作流和数据结构[1] - 产品设计灵感源自"乐高积木"概念，强调开放性和可塑性，与主流SaaS垂直工具形成鲜明对比[7][8] - 核心理念源于上世纪六七十年代计算机先驱思想，认为计算应像读写能力一样可塑和普及[11][12] - 2015年公司曾归零重启，将团队缩减至2人并迁至京都，以重构技术基础实现长远目标[31][32] AI战略与产品进化 - AI被定位为"虚拟队友"，目标是放大个体能力和团队协作而非替代岗位[2][46] - 2022年底提前接触GPT-4后迅速推出Notion AI，比ChatGPT上线早一个月[23][24] - 最新AI功能包括会议自动转录、文档润色、企业级搜索等，员工数接近1000人[25][43] - 即将推出可定制化AI队友功能，支持创建不同专业方向的虚拟协作者[49][50] 商业模式与行业定位 - 公司已实现盈利且保持快速增长，四年前估值达100亿美元后未再融资[21] - 定位为"AI原生版Microsoft Access"，专注数据库类应用场景[15] - 与微软Office/Google Workspace是共存关系，但覆盖它们未触及的领域[14] - AI功能已并入主套餐，超半数销售额来自AI产品需求[56] 行业趋势观察 - AI推动软件从"工具集合"向"有机系统"过渡，变革速度快于互联网泡沫时期[2][60] - B2B AI领域将出现专业化分工，不同行业需要特定类型的AI代理[55][56] - 技术迭代周期缩短至三个月，要求开发方式更迭代和实验驱动[59][61] - AI可靠性问题被类比为"实习生"，需建立新的信任和使用预期[48][63] 公司运营与管理 - 保持"小巴士"式紧凑团队结构，强调人才密度而非规模扩张[26][27] - 采用经典职能部门划分，但保持跨领域协作灵活性[28][29] - 决策区分"单扇门/双扇门"类型，对核心业务领域CEO深度参与[30] - 开发模式转向接受模糊性，需要复合型人才和实验文化[61][62]

核心观点 - AI创企Gamma以30人团队服务近5000万用户 ARR超5000万美元并持续盈利一年多 展现小团队高效益模式[2][3] - 公司提出"球员兼教练"管理模式 强调通才价值 通过组织创新实现资源最大化利用[7][12][14] - 创始人认为盈利是检验PMF的终极标准 过度融资会削弱创造力 可持续业务比快速增长更重要[9][36][43] - AI时代竞争环境剧变 需警惕短期PMF假象 持久的产品市场契合才是关键[50][51][54] 组织模式创新 - 团队规模控制在15-20人 产品设计师占比25% 技能互补是早期团队核心[8][11] - "球员兼教练"模式取代传统管理层 要求管理者兼具执行与战略能力 通过三个月项目试用筛选人才[12][15][16] - 最有价值员工是善于解决问题的多面手 需具备高度主动性和快速学习能力[7][19] - 创始人每周两次固定会议保持透明沟通 避免团队凝聚力问题[22][24] 融资与盈利策略 - 公司经历硅谷银行危机后更注重财务可持续性 种子轮融资后设定盈利目标[39][43] - 不过度融资作为创新约束 迫使团队专注产品与盈利 而非规模扩张[9][36][43] - 提出"太阳能汽车"发展模式 用收入驱动再投资替代传统融资扩张路径[48] - 未来可能出现更多靠种子轮支撑的盈利企业 但当前案例仍以MidJourney为代表[45] 产品与市场策略 - 产品从"设计优先"转向"内容优先" 通过AI深度整合降低用户创作门槛[57][58] - 彻底重构新用户引导流程 提供预制内容模板替代零散功能模块[59] - 目标成为商业沟通新标准 目前完全依赖口碑传播 用户达5000万[61][63] - 警惕AI时代的PMF假象 短期增长不等于长期契合 需持续投资产品差异化[50][54] 行业竞争洞察 - AI发展速度导致竞争格局剧变 需应对来自各方的潜在威胁[51][52] - 公开业绩数据可能吸引过度竞争 需平衡透明度与商业机密[54] - 演示工具领域已有多次失败案例 必须通过产品创新建立差异化[42] - 移动互联网时代的竞争规律已不适用 需建立新的市场应对机制[51]

AI产品定价核心挑战 - AI产品从Day 1即具备强大增量价值但传统SaaS订阅模型无法体现真实价值 [2] - 价值捕获滞后导致无法收回实际业务价值（如节省人力、加速流程） [3] - 早期低价策略（如$20/月）会锚定错误用户心智并锁死未来增长空间 [3][12] AI定价四象限模型 - 基于归因能力（效果可量化程度）和自主能力（独立交付结果程度）划分四种定价模型 [4] - 低归因低自主：座位制收费（如Notion、Slack） [7] - 高归因低自主：混合计费（订阅+使用量）适用于AI协作助手 [8] - 低归因高自主：按使用量收费（如OpenAI API按token计费） [9] - 高归因高自主：结果导向定价（如Intercom Fin每解决工单收$0.99）为黄金象限 [10] - 黄金象限公司占比预计3年内从5%升至25% [10] 常见定价陷阱 - 定价过低导致高价值客户流失且后期涨价遇剧烈反弹 [12][13] - 免费POC浪费资源且无法转化应构建商业归因模型 [16] - 按人头定价忽略AI取代人力流程的本质需转向按结果付费 [17][18] - AI产品竞争对手是人类本身而非传统SaaS工具 [19] 有效定价策略 - 从第一天构建ROI模型量化人力节省/转化提升/机会价值等收益 [21][22] - 对POC收费筛选真实客户并避免被白嫖 [23][24][25] - 采用好/更好/最好阶梯定价（如$20K基础版至$100K企业版）引导价值关注 [27] - 将定价转化为价值叙事（如Superhuman以节省工时换算$30/月合理性） [30][31] - 混合模式为过渡终局应为结果型定价（按转化条数/任务结算/节省成本分成） [33] - 结果型定价可使AI公司收回25%-50%成果价值远高于SaaS的10%-20% [33] 长期定价权构建 - 需同时追求市场份额和钱包份额的双引擎策略 [35] - 产品需具备可归因性（量化业务价值）和自动化能力（独立完成任务闭环） [37][38] - 产品应从点状需求扩展至流程嵌入以渗透多部门场景 [41] - 黄金公式为可归因×自动化×可扩展=高定价权×大钱包份额 [42]

AI时代PMF特性的根本转变 - AI技术将产品-市场契合从静态里程碑转变为持续加速的动态过程，用户获得高效、个性化且近乎免费的体验后，原有产品会迅速被取代[1] - 客户群体和消费者期望持续变化，企业需在初步达成PMF后不仅维持还需不断拓展[2] - AI应用场景验证后普及速度极快，工具获取成本极低甚至免费，用户能立即整合至工作流，导致PMF门槛线斜率变得异常陡峭甚至垂直飙升[4] 用户期望的指数级演变 - 用户期望呈指数级猛涨而非线性爬升，AI驱动平台提供高效、超个性化、近乎实时响应后，原有解决方案瞬间过时导致PMF丢失[7] - 企业缺乏漫长调整期应对市场变化，在意识到威胁严重性前调整窗口就已关闭[7] - 用户期望演变具体表现为：从要求创作工具转变为直接完成工作、从标准版自行调整转变为量身定制方案、从手动操作转变为自动化操作、从按使用者/月付费转变为按实际工作量付费[9] PMF丢失风险评估维度 - 通过官方渠道访问用户占比越高则PMF维持能力越强，需统计直接访问与中介渠道访问比例[10] - 低频产品风险更高因用户习惯不牢固易转换，高频产品已建立稳固习惯更难被替代[11] - 产品位于创作工作流下游或外部时易被取代，AI杀手级应用直接整合至编码、写作、设计等核心创作界面[12] - 专有数据是核心护城河，公开可被大型语言模型获取的数据不构成竞争优势[13] - 需分析增长循环中用户行动动机，若动机消失则正向循环转为负向[14] - 目标用户处于技术采纳曲线最前沿（编码、设计、科技、教育领域）则PMF更易被打破[15] 产品战略资源分配调整 - 根据PMF丢失风险评估结果，需将资源从功能优化重新分配至PMF拓展或重新寻找PMF工作[16] - 产品工作分为五类：PMF工作（从0到1实现契合）、功能工作（扩展功能与市场）、增长工作（加速市场采纳）、规模化工作（解决瓶颈问题）、PMF扩展工作（非增量方式提升PMF上限）[18]