今天分享的产品是，Stanley，https://getstanley.ai/
2025 年，John Hu 和合伙人 Vitalii Dodonov 跑到伦敦，租了一间公寓。
两个人给自己 14 天，目标是做出一个 AI 产品。
John Hu 之前在高盛做投行，2020 年进入斯坦福读 MBA，后来退学创业。
Vitalii 则是自学编程出身，做过德勤数据科学家和 eBay 高级软件工程师。
两个人此前已经做出了 Stan Store，一个帮助创作者卖课程、数字产品和咨询服务的平台。
他们的新产品叫 Stanley。
Stanley 做的事情并不复杂：
帮 LinkedIn 创作者想选题、分析历史内容，再按照创作者自己的表达方式写帖子。
两个人用 14 天做出第一版。
2025 年 6 月上线后，6 周做到 20 万美元年化经常性收入，到 10 月，突破 100 万美元。
后来又上线 Instagram 版本，目前两个版本合计已经贡献约 300 万美元年化经常性收入。
没有做“AI 内容工具”，只盯 LinkedIn 上一类人
Stanley 最初的想法其实还挺大的。
John 和 Vitalii 想做一个面向创作者的 AI Agent。
但这和他们最初给自己设定的 14 天做一个产品的小目标匹配不上，14 天根本做不完。
所以到了第二天，两个人就开始砍需求。
先砍平台，不做 Instagram，不做 TikTok，也不做 YouTube，只做 LinkedIn。
再砍内容形式，不做图片，不做视频，只处理文字帖子。
最后再砍用户，他们把第一批客户锁定在：已经拥有 2000 名以上关注者的 LinkedIn 创作者。
理由很简单：这群人已经知道内容有价值。他们也已经在写内容了。
他们的问题不是“要不要做内容”，而是：
今天写什么？为什么上一篇数据很好，下一篇没人看？怎么保持每周稳定发布？怎么写得像自己，而不是一眼看出是 ChatGPT？
John 和 Vitalii 本身就是 LinkedIn 创作者，每周会发布一到两次内容。
与此同时，他们上一个产品 Stan Store 已经服务超过 7 万名创作者。
团队很早就发现一个问题：Stan Store 可以帮创作者卖产品，但在卖产品之前，创作者必须先拥有观众。
所以 Stanley 没有从“AI 能做什么”开始，它是从 Stan 已有客户的问题往前走了一步：
卖东西（培训/课程）之前，先帮你把人吸引过来。
产品还没做出来，John 先假装自己就是 Stanley
这一步我觉得很有意思。
正式开发之前，John 都没有先写完整产品，他先人工模拟 Stanley（这个思路不止一次出现在我过往分享过的初创 AI 产品里了）：
找一个潜在客户，看对方以前发布过什么，研究哪些内容表现好，然后人工给对方想几个选题。
再发邮件问：这些选题对你有没有用？你会不会想继续使用？愿不愿意为这样的服务付费？
John 把这种方法称为躲在幕后的“魔术师”：
产品不存在，创始人先人工完成产品应该做的工作。
这里就解决了一个非常现实的问题。
今天用 Cursor、Claude 做一个 AI 产品，技术门槛已经低很多了。
但技术门槛降低，并不代表需求判断变简单。
你可以三天做一个 AI 销售，五天做一个 AI 营销助手，一周做一个 AI 教练。
问题是，用户到底需不需要？
Stanley 的做法是：先交付结果，再决定要不要做产品。
假设 Stanley 的核心价值是“给创作者找到值得写的内容”，那没有必要先开发登录、账户、支付、聊天窗口和数据后台。
所以创始人 John 自己先找选题，如果人工给出的选题都没人想看，那这个产品也没必要继续做。
这一步，也直接影响了 Stanley 后面的产品设计，它没有被做成一个“大而全的 AI 写作平台”。
因为用户反馈最集中的问题，就是：
我不知道下一篇应该写什么。
第三天，他们做出了产品，然后发现和 ChatGPT 没区别
开发的第一天，Vitalii 开始用自然语言配合 Cursor 写后端。
按照他的说法，整个 Stanley 第一版后台，他没有手写一行代码。
到第二天，团队已经能够抓取用户历史 LinkedIn 帖子，并搭起基础 Agent 和提示词。
第三天，原型就可以用了，然后就出现了一个问题。
Stanley 给出的建议是：
“分享你的创业经历”、“讲一个个人故事”、“分享你的经验”。
这类内容大家应该很熟悉，听上去没错，但完全没用。
团队后来自己总结，当时 Stanley 给出的内容“太泛”。用户测试时甚至直接反馈：像一个更差的 ChatGPT。
于是他们开始改产品。
比如，不能告诉创作者：“分享一个创业经验。”
而要结合创作者的历史内容、个人经历和账号数据，直接告诉他：
可以写一篇“ Stan 怎么从 0 做到 1000 万美元”的具体复盘。
这两者区别就很大了，前者给了一个内容类型，后者已经给出了一个可以直接写的选题。
到了第六天，团队又发现另一个问题。
如果只是学习用户以前的帖子，Stanley 就会不断重复用户过去说过的话。
一个人以前经常写创业，AI 就继续让他写创业，以前喜欢讲融资，AI 就不断给融资选题。
最后形成一个内容循环。
于是产品逻辑又改了一次，Stanley 不再只是“学习你的语气”。
它还要分析：
哪些内容表现更好；你的经历里还有哪些内容没有写；同行最近什么内容表现好；哪些主题与你过去的内容相关，但可以往前走一步。
Stanley 从一个 AI 写手，变成了一个内容分析工具。
这也是它和直接打开 ChatGPT 写一句：
“帮我写一篇 LinkedIn 帖子”，最大的区别。
Stanley 现在的 LinkedIn 产品会分析用户历史内容、识别表达特点、优化开头和结构、寻找表现较好的内容模式，并通过每周邮件提供数据分析和下一步选题建议。
LinkedIn 版本当前定价为每月 149 美元。
也就是说，Stanley 卖的不是“生成文字”，而是：
根据你内容的历史数据和表现，直接告诉你下一篇写什么。
做到第五天，他们已经开始找客户了
产品还没有完成，John 和 Vitalii 已经开始获客。
他们先选择了 5 位 LinkedIn 上的大型创作者，包括 Justin Welsh、Lara Acosta 和 Steven Bartlett。
Stanley 分析这些人的历史帖子，找到表现较好的内容，再生成一份非常具体的内容分析，然后团队把分析直接发给本人。
不是：“你好，我们做了一个 AI 内容工具，要不要试试？”
而是直接就告诉对方：
我们分析了你的内容，哪些帖子表现最好，可能是什么原因，接下来还有哪些题值得写。
等于先把产品的一部分结果免费交付出去。
后来，他们把这个办法扩大到大约 200 名 LinkedIn 创作者。
Stanley 先看每个人的账号，再根据对方的内容，自动生成几个个性化选题，最后写一封邮件。
邮件的逻辑大概是：
这是根据你的账号找到的几个内容机会，想把其中一个直接写成帖子，可以继续使用 Stanley。
也就是说，他们没有用营销文案卖 AI，他们直接让 AI 产品完成一次服务。
用户先看到结果，然后再决定要不要继续。
这个获客方法和普通 AI 产品有一个很大的区别。
普通冷邮件是介绍产品：我们有什么功能，我们用了什么模型，我们能提高多少效率。
Stanley 的冷邮件，本身就是一次产品体验。
如果对方看完选题，点进产品，说明这个结果有价值。
没人点，也很简单。不是销售话术没写好，就可能是 Stanley 给出的内容根本不够好。
所以这套获客方式，同时也是产品测试。
产品负责找客户，客户的点击又反过来验证产品。
14 天里，他们没有等产品“做好”
第 5 天，第一批创作者开始测试。
但结果很差：内容僵硬、太安全、太像 ChatGPT。
所以，第 6 天，他们就开始改产品核心逻辑。
第 7 天，已经有 100 人进入 Alpha 等候名单，10 人开始实际使用；团队完成了超过 10 次用户访谈。
第 9 天，Agent 的提示词越来越复杂。
因为团队给它加了太多要求：
友好、专业、数据驱动、聪明、口语化……
最后不同要求互相冲突，产品反而坏了。
于是他们干脆重做 Agent，并从 ChatGPT 切换到 Claude，同时删掉大量相互冲突的指令，只保留最核心的任务。
第 10 天，又出现一个很小的问题，Stanley 有时需要接近 20 秒才能回答。
用户不知道产品是在思考，还是卡死了。
两个人没有时间优化整个后端。
于是先改前端，等待时不再只显示一个加载圆点，屏幕开始告诉用户：
正在读取你的历史帖子、正在分析数据、正在寻找内容模式。
后台可能并没有变快，但用户知道系统正在做什么。
到了第 12 天，团队开始直接观察用户使用。
有一个用户单次使用超过 45 分钟。
还有人直接把 Stanley 给出的内容复制到 LinkedIn。
更重要的是，有用户周末主动回来继续使用。
团队把这些行为当成非常重要的产品信号。
不是注册人数，也不是页面浏览量，而是：
用户有没有拿走结果，以及，没人提醒的时候，他会不会自己回来。
第 13 天，当时已经测试 Stanley 的用户，很多人每天都会回来，并在产品里停留至少 30 分钟。
14 天结束时，Stanley 收到超过 500 份测试申请，已有 200 多名付费用户。产品发布帖获得超过 2000 条评论。
在开发产品的同时，也把发布做完了
Stanley 还有一个很关键的增长动作：公开开发。
从到达伦敦第一天开始，John 和 Vitalii 就持续公开记录这 14 天。
今天做了什么、产品哪里坏了、用户骂了什么、他们改了什么。
整个过程被持续发布到社交平台和 YouTube。
所以，第 14 天 Stanley 上线时，并不是一个突然出现的新产品。
已经有人连续看了两个星期了：
有人在等结果、有人申请测试、有人参与评论、有人甚至已经给产品提过意见。
Stan 官方复盘称，Stanley 没有依靠付费广告做到 100 万美元以上年化收入；
其增长主要来自公开开发、早期用户反馈，以及成功用户继续分享产品形成的自然传播。
早期测试用户中，有人反馈使用 Stanley 后互动量翻倍、内容制作时间减少一半。
但是，我还是要强调一点：Stanley 不是“14 天从零创业”。
在做 Stanley 之前，Stan 已经是一家约 3000 万美元年化收入的公司，拥有超过 7 万名创作者用户。
John 自己也长期公开分享创业过程。
他们真正拥有的是三样东西：
非常熟悉的一群客户、已经存在的分发渠道、以及一个长期积累的客户问题。
AI 只是把最后的开发周期，从过去可能需要几个月，压到了 14 天。
Stanley 的“14 天”，其实花了几年
回头看 Stanley 的增长路径，会发现它非常短：
14 天做产品，6 周做到 20 万美元年化收入，4 个月突破 100 万美元。
但这个产品背后的逻辑并不是 14 天形成的。
他们的第一个产品 Stan Store 先服务了数万名创作者。
团队先发现：
创作者知道要发内容，但很难稳定地找到好选题。
然后再往下拆解问题：
普通 AI 可以写字，却不知道这个人过去写过什么，也不知道什么内容对他的账号有效。
所以 Stanley 最后解决的问题就变得非常窄：
根据一个创作者自己的内容和数据，帮他找到下一篇值得写的东西。
现在做产品确实越来越快，但也因为越来越快，做什么，比怎么做更重要了。
过去，一个团队可能花半年把错误的产品做出来。
今天，14 天就够。