标题“一个没有 AI 的 AI Native 产品”是对当前“AI Native”说法的调侃。这种说法似乎隐含着一种价值倾向，仿佛 AI 是一种神奇的佐料，只要产品有了 AI 就能变得高级。于是，各行各业的产品都争相融入 AI，从笔记软件到电子表格，再到网盘和冰箱，AI 无处不在。尤其是在 DeepSeek 等大模型兴起之后，这种趋势愈演愈烈。
“AI Native”在这个价值向量上更进一步，认为 AI Native 产品并非简单集成 AI，而是 AI 必须作为产品的核心，缺少 AI 产品便无法成立。这种定义虽然被广泛接受，但在作者看来，这更像是讨论猫狗牛马是否纯种，强调血统的纯正性。
上述两种思想倾向都跳过了最基本的问题：产品为何非得使用 AI？作者认为，这源于一种 AI FOMO（害怕错过）情绪导致的思维短路。
AI Native 或许需要新的解释，这要求我们切换视角，将其理解为一种环境描述，而非产品定性。在此语境下，AI Native 可以有两种不同的解读，取决于回答“谁的环境？”这一问题。
首先，AI Native 可以指 AI 的环境。当前一代 AI 的特性是，如果环境不合适，其性能将大打折扣。因此，为 AI 打造适宜其发挥作用的环境成为一个至关重要的设计问题。例如，在大模型工具使用能力尚弱时，设计数百个 API 供其调用便是一种失败尝试。而 Claude Code 则是一个成功案例，它将命令行工具和文件系统开放给大模型使用，实现了卓越的上下文管理，支撑大模型完成复杂的代码编写任务。此外，Computer Use 和 Browser Use 等尝试，旨在让大模型模拟人类与计算机软件的交互方式来完成任务，其前景仍未可知。
“什么样的环境适宜 AI 工作？”这是给 AI 产品设计者的一条富有启发性的提示词。
其次，AI Native 也可以指人的工作环境。无论以何种方式实现，未来人类所处的数字环境（甚至物理环境）中必将充满各种形态的 AI，无论是聊天机器人、Agents 还是其他形式——它将变得越来越 AI Native。
AI Native 的这一重含义很少被提及，仿佛在未来的世界中，人类消失了，AI 成了世界的中心。
不难发现，此前的三种思维模型都存在一个巨大问题：缺乏对用户的考量，仿佛最终产品无需供人使用。对于产品设计者或产品经理而言，若终日沉溺于 AI 技术本身，将用户抛诸脑后，这无疑是一种由 AI Hype（AI炒作）情绪导致的老花眼——表面上是远视，实则看不清眼前最重要的东西。
一个完整的思维模型至少应包含三个要素：人、AI 和环境。从这个思维模型中可以衍生出许多有趣的提示词：
- 人要如何与 AI 交流？如何与环境交互？
- AI 如何与环境互动？如何与人互动？
- 人需要什么样的工作环境？AI 需要什么样的工作环境？
AI 产品设计者需要回答和解决这些问题。若能带着这种 AI Native 的思维模型去思考 AI 产品，或许会获得全新的视野。正如 Alan Kay 所言：“Perspective is worth 80 IQ points。”
Rem 产品介绍
Rem 的核心目标是：做人与 AI 沟通的媒介。
Rem 的初始形态是一个提示词助手。作者此前积累了一些常用提示词，暂存在 Notion 中。但这种方式的问题在于，每次在笔记应用中寻找提示词时，都必须跳出当前工作流：从 AI 聊天窗切换到笔记应用，搜索提示词，复制，然后回到 AI 聊天窗粘贴到输入框。流程繁琐并非根本问题，更令人困扰的是上下文切换带来的额外认知负荷，它打断了原有工作流。
Rem 正是为了解决这一痛点而设计的。
Rem 目前具备两项主要功能：一是提供一个集中存放提示词的平台；二是提供一个交互界面，使用户在任何需要输入提示词的场景下都能快速调取出所需提示词。
如果用户有类似痛点，欢迎访问官网 https://rem.so/ 下载使用（需在电脑浏览器打开）。当前版本功能免费，仅支持 macOS。
若用户抱有其他期待，Rem 可能不符预期，建议不花费时间体验。以下设计考量有助于用户做出判断。
Rem 的设计考量
一、 Rem 不设公共提示词库
Rem 并非提示词库，它旨在供用户存放并便捷使用自行制作的常用提示词，以减少操作阻力和认知负荷。短期内，Rem 也不会提供公共提示词库。常用提示词通常有两种来源：一是通过网络搜寻他人分享的提示词模板或库，但这些模板通常需要根据个人需求调整以适配工作流，无法直接使用。
另一种更有效的 AI 使用方式是，从自身工作流中提炼提示词：将工作流中的特定环节提取出来，交由 AI 自动或半自动完成。从这个角度看，提示词本质上是一种用于描述任务和工作流的媒介。
Rem 未来将把重点放在第二种场景。
二、提示词会消失吗？
提示词不会消失。没有人会认为输入一句废话，AI 就能给出深刻洞见，或相信输入一句话，AI 就能完美理解意图并完成复杂任务。AI 需要提示词的“刺激”和“引导”，才能激活与任务相关的神经元和线路。AI 输出内容的质量和任务完成表现，极大程度上取决于输入的质量。“垃圾进，垃圾出”至今仍是生成式 AI 的铁律。
许多人认为提示词会消失，是考虑到大模型具备长思考能力后，用户只需告知任务及要求，大模型便可自主规划步骤、执行计划，并根据反馈动态调整。Claude Code 便展现了这种能力的强大。然而，这种交互方式无法覆盖所有场景，否则 Slash Commands 和 Agent Skills 等工具便失去了存在的必要。
另一种解释是，提示词只会从部分终端用户的视野中消失，这些用户是最小白的 AI 产品使用者。对他们而言，提示词并未消失，只是隐藏在了交互界面之下。作者部分认同这一解释。
在一般软件产品中，代码完全隐藏在用户界面之下。提示词与代码类似，理论上也应是终端用户完全无需关注的内容。此说法有一定道理，但提示词不能等同于代码，它以自然语言为媒介，而非晦涩难懂的“天书”。提示词与为沉淀程序性知识而用自然语言撰写的笔记或文档并无根本差异。有能力用自然语言撰写内容的人虽然是少数，但其数量规模不小。
提示词真的应该完全隐藏于界面之下吗？现实情况是，许多用户呼吁开发者开放自定义提示词入口。任何号称 AI Native 的产品，若不支持用户定制提示词，也难以想象。也许“提示词会不会消失”并非一条有价值的提示词，我们更应思考：什么样的交互界面才能更好地促进人与 AI 的交流？如何帮助用户准确传达意图？如何帮助用户与 AI 对齐上下文？这些问题的解决方案最终都将落实到输入给大模型的提示词上。提示词是人与 AI 交流最重要的媒介，即使它不以原始形态出现，也必然会以某种形式存在。
三、轻管理 & 用为先
提示词并非新事物，网上有众多提示词管理工具，甚至笔记软件也能满足提示词管理需求。提示词管理并非重点，作者的痛点在于使用便捷性。因此，Rem 并非提示词管理工具，而是一个提示词使用工具。
目前 Rem 仅提供标签作为管理手段。标签灵活自由，用户可将提示词名称或大小类别写入标签，实现多级分类。标签作为提示词的索引，用户可在其中写入任何有助于快速找到提示词的文本。
Rem 未来也不会做重度管理功能，至少不会做传统的管理功能，如目录或分组。一方面，树状结构和目录结构是组织信息的低效方式；另一方面，AI 的出现使得这些落后的信息组织方式变得愈发不必要。
提示词的提炼、制作和优化将是 Rem 的重点。但 Rem 不会沿用传统的文本编辑交互模式，具体来说，用户不会见到复杂的 Markdown 编辑器。若体验过氛围编程或氛围写作，便会明白传统文本编辑交互模式正在被取代。若用 Claude 编写过提示词，便会知晓 AI 编写提示词的水平已超越一般水准。
提示词无需人类“亲自”编写，人类只需关注自身工作流和工具使用。
这套视觉设计也深受作者喜爱。AI 在构建演示时效率极高，但要推出可用的产品，仍需人类的审美、洞察和判断，以及对细节的打磨。特别鸣谢设计师 Alan Yin 为 Rem 提供的品牌视觉和 UI 设计。
