Stop planning for 2027: how OpenAI builds product 90 days at a time | Tara Sesha and Nan Yu (OpenAI)
Lenny's Podcast · 2026-10-01

OpenAI 产品负责人 Tara 和 Nan 说:做 AI 产品只能规划 2-3 个月,因为没人能预测一年后模型什么样,但语音交互会是下一个爆发点。
一边是 Stripe 式的"每个细节打磨到完美",一边是 OpenAI 式的"先扔出去再迭代"——两位产品负责人现场拆解了这个矛盾。她们还吵了一个具体问题:你该养一个全能 Agent,还是 40 个小 Agent?答案跟你想的可能不一样。
那个被骂的"开关",为什么还是得先上
ChatGPT 里那个让人困惑的切换按钮,Tara 自己承认不是好方案,但它是把 Agent 能力送到 10 亿用户手里最快的路。
- Tara 说自己是亚洲父母养大的,不习惯做不完美的东西,在 Stripe 干了七年,那里每个枚举命名都要想 100 遍。但 AI 时代她被迫换脑子:先发出去,再看用户怎么用,比在办公室里推演强一万倍。
- 那个开关是"不完美的方案",但核心目的是让 10 亿 ChatGPT 用户用上 Agent,同时不打断开发者的工作流。Tara 判断:一年后可能就不用再讨论这个纠结了。
- 判断一个产品该不该发,Tara 的内部标准是:这东西是不是瞄准了 2-3 个月后模型的能力,而不是死盯现在,也不是跳到太远的未来做成没法用的东西。
一个全能 Agent 还是 40 个小 Agent?
Nan 从人类本能出发给了答案,Tara 则说这根本不是哲学问题,是权限和记忆怎么设计的工程问题。
- Nan 说没人管得了 40 个直接下属(黄仁勋也许行),所以用户会自然发明"幕僚长 Agent"来管其他 Agent——你以为管了 7 个,其实还是管 1 个。
- Tara 认为关键不是哲学而是具体问题:单个 Agent 进不同 Slack 频道时,记忆要不要隔离?用你的账号还是通用账号? 这些边界情况才决定设计。
- 企业客户嘴上说"吸收不了变化",但 Nan 说如果不把最新的 Agent 能力推给企业,他们就会被竞争对手跳过——所以该硬推的时候就得硬推。
产品经理现在得会写 eval,还得能直接跟研究员对话
Tara 说跟研究团队合作是她到 OpenAI 后全新的技能,跟带工程团队完全是两回事。
- 跟研究员合作,最有效的方式是带着具体用户案例和 eval 去:这个 prompt 加这些技能能跑通,能不能把它训练进模型里?先证明你能写出好 eval,研究员才信任你。
- Nan 说入职引导(onboarding)现在比以前重要得多,因为模型能力过剩,用户根本不知道怎么用;Tara 补充说用户对隐私和数据使用的理解也变成了硬要求。
- 两人都强调 PM 必须能被用户直接私信。Tara 说 Claire 给她发"我不喜欢 Astra 这个态度"的反馈,她第一反应是"把那些输出发给我看看"——这种细节是研究员最需要的东西。
带走一句话
"如果你不为今天之外的两三个月做规划,你就会被落在后面;但如果你为几年后做规划,你的预测几乎总是错的。"
- 如果你在做 AI 产品,把"这个功能瞄准的是 2-3 个月后的模型能力"当成发布门槛,而不是等模型完全成熟再动手——Tara 说这是 OpenAI 内部的硬标准。
- 设计 Agent 产品时,先回答权限和记忆的边界问题(进不同频道记忆是否隔离、用谁的凭证),再决定是做一个全能 Agent 还是多个小 Agent——Tara 认为这比哲学讨论重要得多。
