几乎所有 AI 助手都在努力让你感觉良好；我们反着来——把安慰从它身上拿掉。这不是偏爱为难谁，而是一次刻意的分工实验：线上由 AI 做严师，线下由老师做暖师。写下这个决定的理由、它的三条边界，以及任何人都能照着做的三条规则。
先说结论：我们花了两个通宵，把一个 AI 变得"不好相处"。
它不会夸你的想法有创意，不会在你讲到一半时说"这个方向很有前景"。它会问你谁付费、付了多少钱、为什么是你；你答不上来，它就安静地等一会儿，然后从另一个角度再问一遍。三轮下来，给你一张打分卡，指出三个洞。
做产品的人都知道，这几乎违反了所有"用户体验"的常识。但我们做这个决定时，心里非常清楚：我们不是在做一个让用户舒服的产品，我们在做一个让用户成长的陪练。
先讲一件我们团队的观察。
和 AI 打交道多了会发现一个规律：它的默认姿态是配合。你抛出一个想法，它多半先肯定，再"补充一点小建议"；你给出一个明显站不住的判断，它更愿意帮你把话说圆，而不是当面拆开。这不能怪它——它被训练的宗旨就是"让对话顺利进行"。
但创业练习恰恰需要反着来：对话太顺利，练习就失效了。
在真实的融资现场，没有人会帮你把话圆上。投资人只会问下一个问题，或者沉默地看着你。学生第一次面对那种沉默的时候，心里如果没有"被追问过"的准备，会非常慌。所以真实世界里最稀缺的能力，在练习场里必须被刻意制造出来——而一个只会附和的陪练，制造不出任何东西。
一个永远说"很棒，继续加油"的陪练，不是在鼓励你，是在浪费你的时间。 —— 我们团队的观点，欢迎讨论
想法确定之后，紧接着是一个更棘手的问题：严格和温暖，能不能长在同一个角色身上？
我们试过，答案是很难。如果让 AI 同时承担"指出你的问题"和"照顾你的情绪"，它会在关键时刻选后者——因为那是它被训练出来更擅长的方向。所以我们做了一个分工，我们团队把它叫作师生双系统：
为什么这样分？因为两件事需要的能力正好相反。AI 的长处是稳定：同样的规则，对第一人和对第一百人一模一样，不会因为疲惫或交情而松口。人的长处是温度：只有人能说出一句让某个人记一辈子的鼓励。
所以学生的体验是这样的：先在线上被一个不留情面的"投资人"追问三轮，有点狼狈；然后走进教室，老师先肯定他敢讲，再一起看那张打分卡。严厉刚刚好发生在有人托底的地方——这是我们能想到的，对学习者最负责的安排。
说"要做严师"很容易，做成一个让人愿意再来的严师很难。区别就在边界上。我们在设计时守了三条：
这三条边界，其实也就是严师和杠精的分界线：前者帮你把方案变得更结实，后者只想证明他比你聪明。
上线前，教授亲自上手测了一轮。九个字的评语：
果然很严厉，我很喜欢。 —— 教授自测之后的第一句评语（2026-09-21）
我们特意把这句记了下来，因为它回答了一个我们最常被问到的问题：AI 太严厉，会不会打击人？
一个真实用户的回答是：严，是对的；而"喜欢"，来自被认真对待的感觉。严厉之所以被接受，是因为它背后传递的是"我认为这个方案值得被认真挑毛病"。敷衍的表扬，才是真正的不尊重。
顺带说一句：这九个字也顺便解决了另一个设计难题——我们原本担心要不要给严师加一点"温度"。答案是不用。愿意再来的理由不是它温和，是它每次都能让你比上一次更清楚自己缺什么。
再加一条提醒：这三条规则，对人也适用。给自己找个会提意见的合伙人，比找十个只会说"挺好"的人有用得多。
可以抄走的一句话：把安慰换成判据，把鼓励留给人。——AI 负责不放过问题，人负责不让人掉队。 —— 本期方法速记
我们团队认为，AI 时代最有价值的教会别人的东西，不是"答案可以来得很快"，而是"好东西必须被追问过很多轮"。
所以这个严师会一直在——它不负责让你舒服，它负责让你经得起下一次真正的提问。我们，下一期见。