Granola 为什么能赢：会议笔记，把产品做简单很重要

Notion AI、Otter.ai、Plaud，不管是应用还是硬件产品，「会议记录工具」赛道已有的竞争者都太多了。

Granola 作为一个刚刚推出一年多的新产品，迅速地成为了硅谷创业者、投资人常用的 AI 笔记产品。为什么能在一众产品中打出差异化？独特的产品认知以及设计理念非常关键。

甚至，Granola 的创始人 Chris Pedregal 认为，「AI 笔记」在会议场景下的头号竞争对手，其实是苹果备忘录（Apple Notes），而不是其他同类 AI 笔记产品。

「用户在会议中决定记笔记的窗口期只有 500 毫秒，我们的竞争对手是「苹果备忘录」，它随时随地都能用。这就是我们的设计起点。」

在 Chris Pedregal  看来，AI 要想帮到用户，关键在于「它掌握多少关于你的上下文信息」。即使是在当下，「上下文」这个话题也还是被低估了，上下文的设计、筛选，本身就是一门学问。

一款真正好用的「AI 会议笔记」产品是怎么做的？在与 First Mark 的 Matt Turk 的对谈中，Chris 分享了 Granola 背后的产品设计思考以及非常实用的技巧与经验。

如果用一句话总结 Granola 产品「好用」的关键：极简的「蜥蜴脑设计」，加上利用好用户的「上下文」。

TLDR: 

• 在会议场景下，我们能支配的，可能只有用户大脑的百分之一的空间。在这种情境下，用户根本没有足够的精力去应对一个布满复杂按钮的界面。我们管它叫「为蜥蜴脑设计」。

• Granola 的一个核心特点是在会议中「隐形」，核心是「以最小的侵入性实现最大的实用性」。

• 大多数产品和设计决策基于「直觉」（指决策是否符合产品愿景），但直觉必须建立在大量用户反馈之上，我们会用尽可能多的真实用户反馈来填充「上下文」。

• 尽快用上市场上最好的模型。我们的策略是先用最新、最棒的第三方模型，直到遇到瓶颈，「只有通过微调或训练模型才能提升体验」的时候，我们才会自己动手。

• 会议场景的优势在于「有明确的时间节点」，通过日历就能知道用户什么时候要开会。但光有触发点还不够，我认为，「产品有用」加上「在正确的时间推送提醒」，二者结合才是用户留存高的关键。

• 应对大厂、巨头竞争的关键是「不要只看当下的世界和当下的产品能力」。笔记功能确实有用，但它只是「未来工作方式」的一块垫脚石。未来的工作场景里，AI 会掌握关于你的深度个人上下文。

播客链接：https://www.youtube.com/watch?v=IcbuTTVUY7M

文章部分内容引用自「RTE开发者社区」。

超 13000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。

• 最新、最值得关注的 AI 新品资讯； 
  

• 不定期赠送热门新品的邀请码、会员码；
  

• 最精准的AI产品曝光渠道

01 

产品做简单很重要，

用户决定记笔记的窗口期只有 500 毫秒

主持人：聊聊你们的设计理念。你们提到过「蜥蜴脑」这个概念，详细解释一下。

蜥蜴脑：人脑中掌管与理性思考无关的部分，是掌握动物本能的古老部分。

Sam Stephenson：在软件开发过程中，很容易陷入纸上谈兵的误区。特别是当会议安排密集时，压力会非常大。刚结束一个会议，又要匆忙赶往下一个，在这种高压状态下，你分给一个软件的脑力空间是极其有限的。

我们能支配的，可能只有你大脑的百分之一的空间。这是我们作为产品设计者需要记住的。我们把那个「压力山大、连续开会」的瞬间牢记在脑中进行设计，这帮助我们保持清醒。很多人称赞 Granola 的简洁易用，正是因为我们深知，在这种情境下，用户根本没有足够的精力去应对一个布满复杂按钮的界面。我们称之为「为蜥蜴脑设计」。

Chris Pedregal：我们努力判断什么是「单向门」决策，什么是「双向门」决策。如果是双向门，我们可以快速发布，观察反应。但我们必须保持产品的灵魂。大家喜欢 Granola 就是因为它简洁、克制。如果你为了加功能而破坏了这一点，就等于杀鸡取卵了。

主持人：Granola 的一个核心特点是在会议中「隐形」，不会像其他工具那样派一个机器人加入会议。这在当时是一个很大胆的设计，尤其考虑到隐私问题。当初是怎么做出这个决定的？

Chris Pedregal：我们始终从「打造一款优秀的个人工具」出发，而优秀的工具必须具备两个核心特质：稳定和可靠。比如一支笔，如果只有一半时间能用，那就是支烂笔，你肯定不会用。

会议场景的特殊性在于：你的会议可能在 Zoom、Teams、Huddles、WhatsApp 上开，甚至可能是线下见面，所以 Granola 必须「跨场景通用」。用户在会议中决定记笔记的窗口期只有 500 毫秒，我们的竞争对手是「苹果备忘录」，它随时随地都能用。这就是我们的设计起点。

从技术层面看，「加入机器人」的模式无法实现「跨场景通用」；但更重要的是，这种模式会让用户感到不适，屏幕上突然出现一个「黑盒子」，有时甚至比你先进入会议，非常尴尬。当然，从增长和传播角度，这种模式很有效（一个用户用了，所有参会者都会看到产品），所以当时很多人觉得我们不这么做是「疯了」。

另外，我坚信两三年后，所有人都会用上类似 Granola 的工具，它太实用了，而且会越来越好用。作为社会，我们需要找到「正确的使用规范」，核心是「以最小的侵入性实现最大的实用性」。

市面上的其他工具大多会存储音频和视频，我们觉得这很不妥，我不想保存所有会议的音视频，这太有侵入性了。用户真正需要的是什么？是「优质的笔记」。所以我们很早就做了一个决定：即使存储音频能带来便利，我们也绝不存储。这彻底改变了 Granola 的定位：它更像「智能增强记事本」，而非「会议记录仪」。

主持人：但你们还是会存储转录文本，用户可以随时回顾，这对体验来说很重要。

Chris Pedregal：没错，我们会存储转录文本。其实一开始我们甚至不想存储，或者至少不想让用户看到。但后来我们发现了一个重要的设计原则：在 AI 会犯错的世界里（比如转录出错），用户不能只依赖 AI 输出，必须能回溯源头。转录文本确实经常出错，但用户看到后可以判断「这段有问题」，这是体验的重要组成部分。

主持人：Granola 的体验非常简单流畅，但我们都知道，把产品做得「简单」其实最难。你们是怎么做到这一点的？为了保持简洁，你们砍掉了哪些功能？

Chris Pedregal：前几天我们办活动，喝着啤酒回忆起公开推出前的 Granola 版本，简直不敢相信。保密期一年里，我们不断添加功能、增加视图，到最后那个版本，用户可以滑动切换多个面板：转录文本、会议逐字记录、公开笔记、私人笔记、多语言笔记……功能繁杂到离谱。这其实是因为我们听到了太多用户的痛点和需求，然后不断叠加解决方案。

但后来我们做了一件我很自豪的事，虽然过程很难：我们梳理了所有功能，砍掉了 50%，并重新设计。如果当时已经公开推出，这件事根本不可能（或极难）做到，因为会有大量用户习惯了原有功能，砍掉一半会引发强烈不满。但当时我们只有 150 名试用用户，而不是现在的规模，所以才能果断下手。

简洁性之所以难，还因为组织层面的问题：除了创始人，团队成员往往只聚焦自己负责的问题，会基于「局部最优」来设计功能，却缺乏对产品整体愿景和战略的把握。最后你会发现，每个人都觉得自己加的功能很有价值，但叠加起来后，APP 里塞满了 10 个按钮，再也没有那种「简洁神奇」的感觉了。

真正的风险在于「用户需求」：人们总是会要自己没有的功能，却很少有人说「能不能砍掉一半功能」，即便他们喜欢 Granola，正是因为它的简洁。所以，公司里只有产品和设计负责人会坚持「简洁性」，这是个孤独的工作，因为你会让很多人不满，但它至关重要。

主持人：你们决定砍掉一半功能时，是怎么做决策的？更多是依靠用户访谈的定性反馈，还是看后台的定量数据？这里面直觉和数据各占多大比重？

Chris Pedregal：其实都有。我们目前的核心原则是：大多数产品和设计决策基于直觉，但直觉必须建立在大量用户反馈之上。这里的「直觉」，是指「这个决策是否符合产品愿景」；而「不脱离现实」的方法，就像 LLM 一样，我们会用尽可能多的真实用户反馈来填充「上下文」。  

定量数据当然重要：我们会测量所有功能的使用情况，比如「很多人要求这个功能，但实际用的人很少」，就说明这是「少数人的声音」，这是很有用的判断工具。但更重要的是持续和用户沟通。  

我和联合创始人 Sam 每周会做 4-6 次用户访谈，团队其他人也会定期和用户交流，不是「为某个功能做冲刺时才聊」，而是每天都安排，确保我们始终了解用户的真实状态。做产品时，很容易把用户「抽象化」，说服自己「他们需要 X 功能」，但只有真正和用户接触才会发现：「他们太忙了，根本没注意到 APP 里的按钮，更不会用这个功能」。这种定性认知至关重要。

02 

用最好的模型，

不做基模可能会做的事

主持人：从用户体验来看，Granola 背后应该用了不少 AI 模型。你们是完全依赖第三方的模型，还是也自研了一部分？

Chris Pedregal：没有完全依赖第三方。我们的理念是「尽快用上市场上最好的模型」。现阶段，聚焦产品本身、解决用户当下的体验痛点，能带来巨大价值；而且基础模型的迭代速度非常快，越来越智能。所以我们的策略是先用最新、最棒的第三方模型，直到遇到瓶颈，也就是「只有通过微调或训练模型才能提升体验」的时候，我们才会自己动手。目前来看，光是跟进模型的更新、把它们的潜力发挥到极致，就已经让我们忙不过来了。

主持人：所以你们的系统里整合了像 OpenAI、Anthropic 和谷歌等多种模型？会用开源模型吗？

Chris Pedregal：我们会测试所有新推出的模型。其实只要花时间研究模型，哪怕是用户也能发现它们的特点，比如「这个模型特别擅长写这类内容」「那个模型能处理超大上下文，精准提取信息」。所以 Granola 里整合了多种模型，但我们会根据具体功能场景设置默认模型。简单说，就是用户可以自己选模型，但我们会根据他们的使用需求，引导他们选择最合适的那一个。

主持人：模型本身在不断迭代，行为也不完全稳定。在这种情况下，你们怎么保证用户体验的一致性？是让用户自己去选择和适应，还是在产品层面把这些复杂性封装起来？

Chris Pedregal：我们会把复杂性抽象掉。一开始，我们根本不让用户选模型，直到后来才在「聊天功能」里开放了这个选项；而在「笔记生成」功能上，我们至今都没有让用户自己选模型，原因很简单：每次有新模型推出，我们都要重新调整或优化笔记生成的提示词（Prompt），才能保证体验的一致性和提升效果，这背后要做大量工作。

这其实也是 Granola 的核心价值之一：相比直接使用基础模型，我们会处理好这些细节，确保用户拿到的笔记「有 Granola 的味道」，风格统一，且质量持续提升。

主持人：那你们是怎么设计提示词（Prompt）的？

Chris Pedregal：Granola 会收集很多关于用户的信号：你是谁、做什么工作、在哪家公司、和谁开会、对方的背景是什么……我们还花了大量精力研究「不同职业的人常见的会议类型，以及这些会议中真正重要的内容」。

比如 Granola 刚推出时，有个功能让大家很惊艳：如果风投和创始人在同一场路演会上都用 Granola，两人收到的笔记会完全不同。这背后的逻辑很简单：一方面，人通常更关心「对方说的话」而非「自己说的话」；另一方面，创始人和风投在路演中关注的重点本就天差地别，这些都通过我们内置到系统里的规则来实现。

主持人：随着模型本身变得越来越好，有哪些功能是你们刻意决定不做的，又有哪些是你们认为必须由 Granola 来解决的？

Sam Stephenson：我们必须非常谨慎地选择要解决的挑战，清楚在哪些地方该下功夫创新，又在哪些地方只需要等着技术自己变好就行。比如 AI 输出的质量、速度和成本，这些我们不做任何事，它自己也会改善。但有些东西，比如用户体验，如果我们不努力，它就永远不会变好。

Sam Stephenson：最典型的例子是多语言支持。产品上线后这是用户呼声最高的需求。但当时的技术现状意味着，做一个好的多语言切换界面需要投入数周甚至一个月。我们判断，市面上有几十家公司都在全力解决多语言实时转录模型的问题。我们选择等待，因为未来的解决方案会比我们当时能做的任何临时方案都好得多。

Chris Pedregal：另一个例子是上下文窗口的长度。早期产品只能处理三十分钟的会议。我们本可以花大力气做切分处理，但我们选择了等待，结果上下文窗口很快就变大了。还有一个是 RAG（检索增强生成）。

RAG 的基本概念是，当你的信息库（比如所有会议记录）远超模型单次能处理的上下文容量时，你需要通过搜索来挑选一部分信息喂给模型。做一个基础版的 RAG 很容易，但做好很难。然而，随着上下文窗口不断变大，一个反直觉但有效的方法是：把所有相关信息都塞进去。这在工程上似乎很「粗暴」，但 AI 模型比我们想象的要聪明得多，它能发现我们用 RAG 无法捕捉到的深层关联。

主持人：对于一场一小时的长会议，你们怎么处理上下文窗口的限制？有用到文本分块（Chunking）之类的技术吗？

Chris Pedregal：其实在 2023 年，一小时会议的信息量确实很大，但现在来看不算什么，过去三年模型的上下文窗口尺寸增长得太快了，对我们来说是天大的好事。

主持人：那如果是四小时的董事会呢？另外，像速率限制（Rate Limits）这类问题，现在还算是难题吗？

Chris Pedregal：不算难题。现在的问题在于：笔记很短，转录文本很长，单场会议还好，但当你有大量会议、形成庞大的信息库时，问题就来了。

这里的难点在于取舍：如果只是做「信息查找」，用 RAG（检索增强生成）、关键词搜索或余弦相似度就能实现；但我们发现，用户很多「有意思的查询」用这些方法根本无法满足。比如「我哪些地方没讲清楚？」「用户在这场沟通中提到了哪些 bug？」，要回答这些问题，模型必须掌握完整上下文。

所以我们会把大量上下文塞进模型的上下文窗口，尽管这成本很高。我们正在研发的一个功能，就是能跨数千场会议分析完整上下文，就像我之前提到的。

但还是那句话，以现在的技术水平，这确实很贵，本质上是在「成本」和「质量」之间做取舍。而 Granola 从一开始就坚持「为一年后的世界做产品」：等我们把功能做出来、推广开，模型或相关能力的成本自然会降到合理水平。所以这种取舍，最终还是围绕「需要高智能的查询质量」来做的。

主持人：成本问题现在确实很受关注，有些 AI 工具的毛利率甚至是负的。你们是怎么考虑成本和毛利率的？另外，和 AI 编程工具相比，会议场景的 Token 消耗是不是有很大不同？

Chris Pedregal：我们业务中最花钱的其实是「转录」，而且一直都是「高质量转录」（尤其是实时转录），而不是 LLM  的推理（Inference）。我们始终用市场上最好的实时转录服务，而转录成本在过去几年已经大幅下降，未来应该还会继续降。

所以我们现在的毛利率不是负的。但我预计，随着用户开始对「更大数据集做更复杂的查询」，推理成本可能会保持不变甚至上升。这就像一场竞赛：推理成本的下降速度，能不能赶上用户对「更复杂、更智能功能」的需求增长速度？

主持人：我们聊聊音频处理技术。比如「说话人分离」（Diarization）和「降噪」这些行业难题，你们是怎么解决的？是自研还是用了哪些供应商的方案？

Chris Pedregal：比如回声消除（Echo Cancellation），我们是在设备端自己实现的，这很重要，比如有人开会开到一半摘下耳机，回声消除功能必须能跟上。

主持人：这是你们内部开发的吗？

Chris Pedregal：对，是在一些开源框架的基础上做的。转录方面，我们和 DeepGram、Assembly 这些供应商合作，他们一直在推出更好的模型，我们也会一直用最新的。

至于说话人分离，说实话，实时分离的质量目前还处于初级阶段——我们一直在密切关注，但还没找到能让我们满意的方案。而且这里有个风险：如果给模型输入错误的说话人信息，反而会让它更困惑，还不如让它自己推断「谁在说话」。

其他方面，比如评估工具，我们用 BrainTrust 做了很多模型效果评估（Eval）。

主持人：你们怎么处理「护栏（Guardrails）」问题，确保 AI 不会输出不该说的内容？

Chris Pedregal：不同产品对「有害内容」的定义不同。比如谷歌或 ChatGPT 这类开放式工具，如果用户问健康建议，可能会有严重风险；但对我们来说，用户大多是「基于自己的会议数据提问」，风险主要在于「回答错误」或「幻觉（Hallucination）」。

我们不可能做到 100%准确，也不能让用户「完全信任我们」。所以除了尽力减少错误，更重要的是在产品设计上让用户能「查看源头」。比如「这个答案是怎么来的？引用了哪些内容？」我们花了很多时间做「引用标注」功能，让用户能看到原始转录文本和引文，未来还会在这方面做更多优化。这是目前解决这个问题的核心思路。

03 

把创始人服务好，

其他用户的需求也能满足

主持人：在产品正式推出前，你们是怎么找到第一批用户的？后来吸引到很多顶尖的创始人和投资人，是你们有意为之，还是自然发生的？

Chris Pedregal：这分两个阶段。一开始，我们是「为自己打造产品」，第一批用户就是朋友、家人以及人脉圈里的「知识工作者」（他们经常用电脑、开 Zoom 会议），这让我们走了很远。

后来有个转折点：用户开始反馈不同的需求，我们意识到「Granola 最终会是一款面向所有人的横向产品，但第一天应该先聚焦一类用户，把体验做到极致，再逐步扩展」。

我们观察后发现，风投（VC）人士符合几个条件：会议多、笔记风格相对固定，而且我们能接触到他们。于是我们决定「先为风投打造产品」。但推出后我们立刻转向了，不是说不再服务风投，而是把下一个目标定为「创始人」。我们觉得创始人是「最难服务的群体」：他们可能上午开销售会、下午做用户调研、晚上面试，场景极其复杂。我们认为「如果能为创始人做好产品，那默认也能满足其他角色的基本需求」，之后再逐步优化即可。

主持人：你前边提到不让机器人加入会议，其实是牺牲了一部分病毒式传播的机会。那你们是怎么弥补的？现在产品里有哪些关键的增长机制？

Chris Pedregal：我们其实没刻意做增长，而是专注于把产品做好，没想到这反而带来了很多病毒式传播，核心是「用户主动推荐」。

有个很有意思的现象是我之前完全没料到的：现在如果有人在 Zoom 会议里看到对方用了其他 AI 机器人，可能会问「你怎么在用这个机器人？怎么不用 Granola？」没想到这些 AI 机器人反而成了「话题引子」，让用户主动推荐 Granola，这太不可思议了。

我们始终从「价值」出发做决策：比如「要不要像其他公司那样，把笔记自动发给所有参会者？」但这到底是「用户需要的工具功能」，还是「为了增长的手段」？我们最终选择了更有价值的方案：允许用户通过链接分享 Granola 笔记，接收方可以直接和转录文本聊天、提问，解锁所有 AI 功能。现在这种链接分享很频繁，很多人看到后会好奇「这是什么」，然后下载 Granola，这成了重要的增长来源。

我们现在正在做的（还处于早期）是「从个人的第二大脑，扩展到团队或公司的第二大脑」——我们内部已经在用了，不得不说，有了共享上下文后，能做的事太多了。但这也带来了新问题：「哪些会议、哪些上下文要共享？哪些不要？」这里的风险很高，比如不能搞「一刀切」的全员共享，人类关系很复杂，一刀切很容易出问题。

我举个例子：前几天参加创始人晚宴，有个人说「我们公司刚换成 Granola」。我问为什么，他说：「我撞见联合创始人和 CTO 在讨论解雇一个核心员工，结果发现 Google Meet 的录制功能还开着，而这个会议是紧接着全员大会用的同一个会议室。我们突然意识到，一旦结束会议，全公司都会收到包含‘解雇讨论’的邮件。当时所有人都慌了，把那台电脑当成‘神圣设备’保护起来，最后找了 10 个人才在管理员后台找到隐藏的设置关掉。关掉后还坐了五分钟，生怕出灾难。」

主持人：Granola 的数据非常高。除了把产品做好之外，你们有没有采取什么特别的策略来提升用户留存？

Chris Pedregal：我整个职业生涯都在做产品，深刻体会到「让用户养成使用习惯」有多难。早年我以为「只要产品足够好，用户就会一直用」，但现实很残酷：你把好产品交给用户，他们说「太棒了」，结果下周遇到同样的问题时，还是忘了用你的产品。问原因，他们会说「我就是忘了，我还是很喜欢你们的产品，但就是没想起用」，这种时刻真的很让人沮丧。

所以现在如果有创始人来找我聊想法，我都会劝他们「好好想想用户使用产品的‘触发点’是什么」。会议场景的优势在于「有明确的时间节点」，通过日历就能知道用户什么时候要开会。但光有触发点不够，如果 Granola 本身没用，留存还是上不去。所以我认为，「产品有用」加上「在正确的时间推送提醒」，二者结合才是留存高的关键。

04 

Granola 的竞争对手，

其实是苹果备忘录

主持人：你们未来的产品路线图是怎么样的？你几次提到了「跨会议分析」，具体讲讲。

Chris Pedregal：未来的方向是：你有一个「上下文库」，然后可以根据需求实时生成文档或内容。我们正在做的功能包括：基于你所有的会议历史，提炼深度洞察。比如你可以问「过去两年我们接触过的公司里，哪些最有可能领投我们的 C 轮融资？」现在没有任何工具能回答这个问题，但 Granola 的新版本可以扫描我的 2500 场会议，20 秒内给出非常智能的答案，这就是「深度研究模式」。

另外，我们还在探索「实时生成的内容能否共享」——比如公司可以建一个「销售会议库」，团队成员访问一个链接（不用打开 Granola app），就能看到「企业客户今天提到的最重要的事」，每次刷新都是最新内容，就像一份动态备忘录。

还有一些功能暂时不能透露，但核心都是「基于你的上下文（而且上下文会越来越多），实时为你处理信息」——这会解锁很多人们现在根本想不到的使用场景和工作流。

主持人：不知道这算不算路线图的一部分，或者现在产品有没有类似功能，但作为用户，我很期待「Granola 教练」的角色——比如基于我一整天的活动，提醒我「 主持人 ，你该问更好的问题，这三个问题你从来没问过」，或者「你花了太多时间在无关紧要的事上」。可能有点直接，但会很有用。

Chris Pedregal：我很好奇，对你个人而言，有没有哪个「理想教练」的人选？比如我们要训练一个「Granola 教练」，你希望它以谁为原型？

主持人：我其实没真正有过教练，所以不太好说。但整个教练行业的逻辑就是：每周花一小时和你聊「如何分配时间、工作中遇到的问题、做得好和不好的地方」，就像心理咨询一样。如果 Granola 能掌握我所有会议中的言论，时间长了，它肯定能清楚我「擅长什么、哪里需要改进」。

主持人：Granola 进入的「AI 笔记」赛道时，其实已经有很多竞争者了，甚至连 Zoom 这样的大公司都有类似功能。你们当时为什么决定进入这个竞争激烈的市场？是相信自己能做出比所有人都更好的产品吗？

Chris Pedregal：这是个很好的问题。答案其实取决于我们一开始想做什么。

我们一开始想做的是「思考工具」。Granola 的起源是这样的：我之前的创业公司被谷歌收购，之后我离开谷歌，想再开一家新公司。就在这时，我第一次接触到了 LLMs，它彻底震撼了我，我意识到「这会改变一切，尤其是我们工作中用到的生产力工具」。后来我遇到了我的联合创始人 Sam Stephenson，他之前有思考工具、知识管理方面的经验。我们俩当时就达成共识：「AI 将改变人类的工作与思考方式，我们需要一款工具来支持这种改变，这就是我们要做的事。」

所以，我们构想的「情境感知型工作空间」（也就是 AI 驱动的工作空间），才是 Granola 的核心目标。当时我们觉得「愿景很清晰，就按这个方向做」，但紧接着就面临一个问题：作为两个人，在 2023 年创业，到底该从哪里入手？

我们可以想象这样一个场景：有一个「助手」，它了解你的一切、知道你正在做什么、能给你建议、还能从你身上学习，这个愿景很美好，但作为初创团队，我们需要一个切入点。后来我们意识到：AI 要想帮到用户，关键在于「它掌握多少关于你的上下文信息」。即便到了 2025 年的今天，我觉得「上下文」这个话题还是被低估了，上下文的设计、筛选，本身就是一门学问。

总之，要帮到用户，我们需要获取他们的「上下文信息」；而作为小团队，我们需要一个低门槛的切入点。当时我们锁定了两个方向：邮件，或者会议，这两个场景里有大量对用户有价值的上下文信息。但从产品角度看，让用户更换邮件客户端太难了，这是个很高的要求。

相比之下，「会议笔记」这个场景的「头号竞争对手」，其实是苹果备忘录（Apple Notes）。你想想：开会到 5 分钟，有人说的话很重要、需要记下来，你就会找纸笔，或者打开苹果备忘录，它本质上就是「虚拟纸笔」。所以我们才从「会议笔记」切入，算是「不情愿地」进入了这个饱和赛道，但我们的思路和其他公司完全不同。

我们始终把 Granola 定位成「为你个人服务的工具」，帮你更好地完成工作。市面上很多会议记录工具，给人的感觉根本不是这样：你登录进去，看到的是「会议仓库」，全是会议录音；或者会议一结束，它就给所有参会者发一封「通用笔记」。这和「为你量身定制、优化体验的个人工具」完全是两回事。

说实话，我当时也很惊讶 Granola 能在这么拥挤的赛道里突围。毕竟市场上噪音太多、竞品太多，而 Granola 的设计理念就是「低调」，里面没有任何「增长技巧」（growth hacks）。能做到这一点，真的是个很大的惊喜。

主持人：竞争是个绕不开的话题。你们做的事看起来非常基础，但又有变革的潜力，为什么像 OpenAI、谷歌这些大公司没有直接下场来做？你们怎么看待来自巨头的竞争压力？

Chris Pedregal：其实很有意思的是，我们推出 Granola 时，大多数竞争对手已经有了 AI 笔记功能，但我们还是脱颖而出，赢得了用户的喜爱和增长。

我认为应对竞争的关键是「不要只看当下的世界和当下的产品能力」。笔记功能确实有用，但它只是「未来工作方式」的一块垫脚石。未来的工作场景里，AI 会掌握关于你的深度个人上下文；一年后、两年后的 Granola，会和现在大不一样——它依然会保持简洁，但能帮你完成更多工作。目前还没有人做出这样的产品，很多公司都在往这个方向冲。AI 领域的竞争确实激烈，但当涉及到「为新媒介原生设计的产品」时，初创公司往往更有优势。

主持人：我想再追问一下，特别是关于 OpenAI。Granola 在做的事，本质上是在构建一个「第二大脑」，这对于 OpenAI 或谷歌这类公司来说，战略意义应该非常大。你怎么看这些 AI 巨头未来的布局？

Chris Pedregal：我会把谷歌和 OpenAI 归为不同类别，相比传统巨头，我更关注 OpenAI 和 Anthropic 这类「AI 原生」公司，它们是这个领域的引领者。

我没有水晶球，无法预测未来，但 OpenAI 的路线很明确：「面向所有人，覆盖所有场景」，而且他们做得非常好。但核心问题在于：我们能否针对特定场景、特定用户，把产品做得远比他们更出色？

现在很难想象最终会是什么样子，可能「特定场景」的市场空间不大，也可能「为特定工作流打造专属工具、做到极致」的价值远超预期。如果我不相信「为用户量身定制的优质体验能赢」，当初就不会做这个赌注了。不过未来确实充满未知，值得期待。我们还有很多未推出的功能，相信会带来完全不同的体验。