你已在营销领域深耕 15 年以上。
现在，用 AI 真正做出成果。
不是又一堆 AI 点子。而是一份同事能读懂的成果、一次依据明确标准的坦诚评估，以及为你选定（而非猜测）的下一个 sprint。
运营者首14天
选择一个值得改进的工作流程。
一个就绪评分、更清晰的AI与人类边界，以及一条你可以有据可依而非盲目猜测的试点路径。
Leader 前 14 天
让 AI 提案可以被衡量。
形成更清楚的业务理由、领导层能检查的衡量框架，以及不依赖热词的团队运营变化。
构建者首14天
在变得更大之前，诚实地审视你的构建。
一次构建现实检查、一份为真实用户准备的构建简报，以及一个经得起时间、风险和 QA 考验的构建计划。
证据
真实工作，来源清楚。
Operator 和 Leader 示例来自课程材料。Builder 示例来自 Chandler 自己真实上线产品后的公开复盘。
Operator 证据
真实的 Operator 成果
先用课程支撑的模板，再做出你自己的版本。
Leader proof
面向决策的材料，不是表演
领导层可以真正检查的 brief、ROI 逻辑和决策关口。
Builder 证据
来自 Chandler 自己的构建经历
来自真实交付工作的公开文章，不是假设案例。
How Prova works
一次推进一个 sprint。每条 path 都保持同一个节奏。
课程教理论。通用 AI 给的是答案，不是路径。Prova 围绕始终困难的那部分打造：运营判断——先学什么、忽略什么、什么改起来是安全的。
01 · Pick
Pick one thing.
Operator 选一个 workflow，Leader 选一个需要 pilot 验证的决策，Builder 选一个 build。只选一件事，并把它说清楚。
02 · Submit
提交一份真实的成果。
不是测验，也不是反思。而是一份工作流审计、一份构建 brief、一份推广计划。
03 · Review
获得基于评分标准的评估。
通过、修改，或夯实基础。一个依据明确标准的坦诚判定。
04 · Next
Next sprint chosen.
路线图会根据你上一次评估中的证据来调整，而非猜测。
Operator 的第一个 sprint
Workflow Audit
一个明确的风险、一次更安全的交接、一条站得住脚的 AI 与人之间的界线——针对一个你真正在运行的 workflow。
Questions
开始之前的常见问题。
这和 ChatGPT 或 Claude 有什么不同？
通用 AI 给你答案，却给不了路径。Prova 会排好先学什么的顺序，依据明确标准评估你的成果，并根据你上一次的证据来选定下一个 sprint。价值在于做事的节奏，而不是聊天。而且因为它记得你提交过的成果，每个 sprint 都从你已经建好的地方出发，而不是对着空白提示框重新开始。
我需要会写代码吗？
不需要。Operator 和 Leader 路径面向想改进工作或推动试点的营销人，不要求会写代码。Builder 路径会按 sprint 教你一套明确的技术栈：Vercel、Supabase、Claude Code 或 Codex。
如果我还没有项目想法怎么办？
第一个 sprint 就是为这个设计的。Operator 会审视自己已经在做的 workflow。Leader 会选择一个值得验证的试点决策。Builder 会先写 Build Reality Check，再决定用什么工具。你不需要一开始就有完整计划。
我之后可以切换路径吗？
可以。assessment 会安排你的第一个 sprint，但 roadmap 会根据后续证据调整。你可以在 Operator、Leader 和 Builder 之间切换，不会丢失进度。
Background
为什么要这样打造它。
From Chandler
我在广告行业做了 20 年 —— 我曾带领团队为 Google 管理每年超过 10 亿美元的付费媒体 —— 代码是我自学的。我做 Prova，是因为我反复看到的缺口并不是信息，而是顺序。
课程教的是理论。通用 AI 往往给你答案，却给不了路径。真正难的部分始终是运营判断：先学什么、忽略什么、什么改起来是安全的、什么还太脆弱不能信。Prova 正是围绕这一部分打造的。
我实际走过的路
从只是阅读 AI 的资料，到在真实环境中运行它，一共五步。回头看，它比当时的感觉要整齐得多。
Dec 2022
保持怀疑，但一直在关注
当时我负责付费媒体。新聊天工具出现的第一天，我就让它写广告文案，结果完全不能用。但即将到来的东西，轮廓已经看得见。
Mid 2023
学了理论，什么都没做出来
我刷完了课程和视频，也能讲清楚 transformer 和注意力机制。但我始终没有把任何东西交到用户面前。理解模型如何运作，和能够驾驭它，不是一回事。
Early 2024
最初的几次动手，以及真正的教训
前三次都败在不起眼的地方：接口、部署，本该一小时解决的问题。我学到的是，模型并不知道我想要什么。我给出的系统越清晰，它执行得越准确。
Late 2024
做出了一个有真实用户的产品
一个真实产品教给我的，比一整年的课程还多。狠心收窄范围，发布最小可用版本，让真实反馈决定下一步。
2025–2026
继续做，并开始教别人
我一边继续构建，一边开始和在学习同一门手艺的人一起工作。长久的教训是：这种工作方式会让已经理解行业的人更强，但它不会替你提供判断力。