一层一层往下挖
设计思维与包容性设计

这场共学最反复强调的一点，是不要让 AI 太着急。无论是深圳湾游客投喂候鸟的案例，还是“宅家的年轻人”小程序案例，只要用户一把素材喂给 AI，它几乎立刻就会冲去给方案、写 PRD、甚至开始开发。对成年人来说，这种自动化很高效；但对孩子来说，这往往意味着理解还没开始，方案已经把路封死了。

徐雁斐展示了同一个问题的三种做法：直接 research 报告、直接让 AI 用某方法引导，以及明确要求 AI “只提问、不直接给结果”。真正最有教学价值的，是第三种土方法。因为当人类回答出“游客影响力很小”这种自认为理所当然的话时，AI 才能反过来追问“你真的确定游客之间不会互相影响吗？”这时才会出现真正的思维转折。

利益相关者地图在这场会里不是一个抽象工具，而是被反复用作“打破孩子自我视角”的第一步。最经典的例子，是孩子们觉得“课堂桌椅不好玩”，原本只会想到自己、老师和家长；但当 AI 帮他们展开到校长、教育局、采购方、设计师、保洁阿姨、安全管理者时，问题的复杂度突然显现出来了。

深圳湾投喂候鸟的案例也一样。候鸟、游客、本地居民、管理者、环保组织、立法者并不是平铺名单，而是让人开始意识到：每一方担心的事不同，所以解决方案不可能只靠一句“立个牌子”完成。

这场会里最“重”的环节，不是 brainstorming，而是问题定义。詹娜反复强调，如果这个环节没有做扎实，后面写出来的 PRD 很可能只是 AI 生成的一串看似专业、其实很空的黑话。她特别指出，很多人会在定义问题之前就滑向产品说明，这是设计思维最容易被 AI 打断的地方。

层次	要求	不能跳过的原因
POV	写清某个用户在某个场景里想做什么、为什么做不到、卡点在哪里	如果这一步写得空，后面所有方案都会漂
How Might We	尽量发散出多个角度，既不能太宽，也不能太窄	太宽无法引导创意，太窄会把方案锁死
PRD	在问题 frame 被确认后再进入	否则就会出现“AI 太着急帮你做产品”

这也是为什么詹娜建议：可以让 AI 先给出多个问题定义版本，让学生去比较、挑选、拼接和改写，而不是期待孩子第一次就凭空写出最好的那一个。这里的核心不是“AI 替他写”，而是通过比较训练判断力。

王佳梁在这场会里补上的一个关键维度，是“找药方的线”。除了研究用户的痛点，还要研究用户现在是怎么凑合的、有哪些自己发明的笨办法、市场上已有的方案为什么没有真正用起来。否则孩子很容易陷入一种虚假的创新感，以为世界上没有人做过这个问题。

面对“竞品已经存在，学生会失落”的问题，詹娜给出的应对也非常实在：不是立刻换题，而是继续追问，为什么这些方案到现在还没被这个案主用起来？是太贵、太难用、信息不对称，还是根本没打中最痛的那一点？新的切入点往往就在这里。

这场会最可落地的部分之一，是詹娜把自己常用的“Concept Sketch / Concept Review”讲清楚了。意思很简单：在真正 coding 之前，先把想法画出来、讲出来，让用户给反馈。因为画画、拼图、纸面表达比做出一个可运行原型便宜太多，也快太多。

这里还有两个教学要求被点得很明白。第一，孩子要学会问“为什么你喜欢这个功能”“为什么你不喜欢这个东西”，否则只会收到“好玩/不好玩”这种没法转成下一步行动的评价。第二，黑客松流程上最好安排不止一次案主反馈，尤其在开发前就先做一轮 concept review，再在第二天或第三天加入更正式的案主测试。

这场会虽然前半程几乎都在讲设计思维，但它最后指向的是包容性设计。詹娜给出一个很重要的理解转向：我们不再把 disability 只理解为一个人的身体问题，而更倾向于把它看成人与环境、人与技术互动时发生的错配。眼镜就是最简单的例子：很多近视者如果没有眼镜，也会在许多场景里“做不到”，但环境和工具补齐后，这种障碍就显著下降了。

正因为这样，前面那一层一层的分析才有意义。你越能具体描述场景、越能看见不同利益相关者、越能理解用户现在怎么凑合、越能通过低成本反馈去修正方案，你就越有机会把“个人困难”重新理解成“系统错配”，从而设计出真正有包容性的东西。

这也解释了为什么这场共学看似一直在讲工具和流程，底层却始终没有离开微光黑客松最初的问题：我们如何让孩子用自己的独特视角，去看见别人被平均值忽略的那一小块世界。