[{"content":"最近一个月，FDE（Forward Deployed Engineer，前置部署工程师）这个岗位的新闻没停过：OpenAI 砸 40 亿美元成立专门的部署公司，Anthropic 把工程师直接派进金融巨头 FIS，谷歌云一口气要招几百人。\n国内的更直接，字节的\u0026quot;豆包 FDE\u0026quot;挂出月薪 3.5 万到 7 万、一年 15 薪，蚂蚁数科、智谱的招聘里也写着 FDE 三个字。\n领英的报告说，这个岗位的数量两年涨了 42 倍，比 AI 工程师快三倍。\n为什么 FDE 突然这么抢手？因为模型已经够强了，接下来要靠真实的业务赚钱。AI 公司砸在模型研发上的成本已经太大，模型能力也到位了，下一步就是把它接进企业，解决真实的问题，换回利润。而大家天天说的企业 AI 转型，真正动手干这件事的人，就是 FDE。\n但你去读这些岗位描述，说的全是需要什么能力、大概会做什么。新闻看完了，还是不知道这份工作每天到底在干什么、想入行该怎么转。\n所以这篇文章不分析概念，从真正从业者的一手分享入手：\n在 Palantir 干了八年的工程师写的长篇复盘 OpenAI FDE 负责人的两场访谈 从谷歌跳去做 FDE 的工程师的视频自述 满深圳跑的创业者 在电力行业驻场两年的匿名长帖 还有 Reddit、Blind、小红书上的真实吐槽。 在从业者的角度，回答五个问题：\nFDE 每天干什么？ 中外区别在哪？ 什么人适合、需要什么能力？ 怎么转 FDE？ 为什么是最适合创业的岗位？ 海外 FDE：工作强度极大 一周跑四五个循环迭代 把日常讲得最清楚的，是 Nabeel Qureshi。他在 Palantir 做了将近八年 FDE，2024 年写了一篇流传很广的复盘，后来又在播客里把细节补全了。\n他的一周是这样过的：周一进客户办公室开会，周一晚上把东西做出来；周二拿给客户看、收反馈，周二晚上改；周三再拿给人看，周三晚上再改。一周能跑四五个这样的循环。\u0026ldquo;六周之后，你手里就有了一个客户愿意花两千万美元买的东西。\u0026rdquo;\n几乎所有时间都在客户公司上班 Nabeel 的第一个大项目是空客。\n他直接搬去法国图卢兹住了一年，每周四天在 A350 总装线旁边上班。\n做的东西，他自己总结叫\u0026quot;造飞机版的任务管理软件\u0026quot;：把工单、缺件、质量问题揉进一个能打勾、能看进度的界面。\n后来他做美国国立卫生研究院的项目，有自己的工作证，天天和公务员、生物学家、临床医生坐在一起办公。\n出差强度也是大的离谱。\n\u0026ldquo;接到电话，订第二天一早的机票，随机飞到一个地方\u0026rdquo;，在 Palantir 是家常便饭，文化就是\u0026quot;先上飞机，再问问题\u0026quot;。\n很多 FDE 飞成了美联航最高等级的会员，一年要飞十几万公里。\n写代码的时间并不多，最多的是沟通和分析需求 Palantir 在 2015 年的官方招聘视频里，FDE 自己报的数是：理想的一天，40% 到 50% 写代码，20% 处理杂七杂八的技术问题，剩下的时间全在挖数据、搞清楚问题到底是什么。\n写《The Pragmatic Engineer》的资深工程师 Gergely Orosz 给的是毒舌版：这份工作的真实构成，约 25% 写代码，50% 做集成、接数据管道，25% 开会和安抚客户。\n从谷歌离职去做 FDE 的工程师 Anu 在自述视频里说得更直接：\u0026ldquo;有些天，沟通占了工作的 80%。\u0026rdquo;\n在谷歌，她有整块的不被打扰的写码时间，产品经理替她挡住客户；现在，\u0026ldquo;你就是那个和客户坐在一个房间里的人\u0026rdquo;。\n还有一位在创业公司一人带十个客户的 FDE，写过一篇周记，开头是：\u0026ldquo;等我抬起头，已经下午六点，一行代码都没写。这种情况比我预想的更常见。\u0026rdquo;\nFDE 不光鲜的那一面 Excel 和数据权限的地狱 Nabeel 复盘里最没有滤镜的一段，是讲数据：\u0026ldquo;数据散落在各种没法直接分析的格式里，PDF、笔记本、Excel 文件。我的天，多到爆的 Excel。\u0026rdquo;\n更折磨的是拿数据的过程。\u0026ldquo;客户买了一个 8 到 12 周的试点，我们把整个 8 到 12 周都花在搞数据访问权限上，最后一周连滚带爬拼出一个能演示的东西。\u0026ldquo;卡住项目的不是技术，是客户内部的部门墙。\n当着客户的面修 bug Anu 讲过一个时刻：演示现场出了问题，她当场调试，心里想的是\u0026quot;这要是修不出来就太丢人了，人家可是付了钱的\u0026rdquo;。这是这个岗位和普通工程师最大的不同：没有\u0026quot;下个迭代再修\u0026quot;这个选项，今天的问题今天必须解决。\nReddit 上一位网友的版本更生动：他和一个 Palantir 的朋友去爬山，朋友在山顶打开了工作电脑修 bug。\n这一行，就是吃苦 Palantir 总裁 Shyam Sankar 有句内部名言，由一位做过 FDE 的投资人在播客里转述：FDE 的工作，就是\u0026quot;吃进痛苦，排出产品\u0026rdquo;。\n一位前 Palantir FDE、后来负责 FDE 招聘的人说，他们筛人的核心标准之一，就是\u0026quot;愿意吃苦的坚毅\u0026quot;：\u0026ldquo;做 FDE 是痛苦的，这些人得真的相信自己能做成不可能的事。\u0026rdquo;\n她自己的记忆是：和两个同事在德国小镇待了好几周，每天去客户的工厂车间，\u0026ldquo;现场看到的东西，和合同里签的，完全是两回事\u0026rdquo;。\n中国 FDE 的一天：满深圳跑，趁人喝水时提问 一个中国 FDE 的日程表 国内把日常讲得最具体的，是深圳的 Lawted（媒体采访中的化名）。他是前大厂程序员，拿到了哈佛的录取通知，决定暂缓入学，先做 FDE 创业，理由是未来一两年是传统企业 AI 改造最好的进场时机。\n他的一天：\n上午跑到各种公司去调研，看业务流是否适合 AI 改造 下午驻场观察，趁业务员喝水的间隙凑上去问问题 晚上梳理白天的需求，做系统开发 \u0026ldquo;以前我只要坐在办公室等着别人提需求，现在是满深圳跑，找公司、找老板。\u0026rdquo;\n他入行的起点很有代表性：一家物流公司找到他，这家公司四五十个人里，有二三十个人每天的工作是把客户发来的 PDF 里的单号、地址手动抠出来，录进 Excel。\n他用 AI 编程工具搭了个演示，原来人工几分钟处理一份的 PDF，AI 几秒钟解析完，对方当场签了意向合同。\n两年 FDE 经验的踩坑分享 知乎上一位电力行业的从业者，写过他做三个企业 AI 项目的全过程，是中文互联网上关于 AI 驻场交付最实在的一手材料。几段原话：\n\u0026ldquo;做了三个企业 AI 项目之后，我发现一个很残酷的事实：90% 的甲方根本不知道自己要什么。你问\u0026rsquo;你想用 AI 做什么\u0026rsquo;，十个甲方九个说\u0026rsquo;像 ChatGPT 那样\u0026rsquo;。\u0026rdquo;\n一个智能问答系统，从需求到上线隔了六个月，中间改了三次需求。\n甲方的扫描件 PDF 没有文字层，光解析就花了三周，\u0026ldquo;甲方不理解为什么这么慢：不就是上传文件吗？\u0026rdquo;\n后来他学精了：\u0026ldquo;做演示的时候，故意展示一些错误回答。让甲方看到 AI 不是万能的。企业 AI 落地最大的敌人不是技术，是预期管理。\u0026rdquo;\n最扎心的是上线之后：600 多人的单位，每天用系统的不到 10 个人。\n后来把 AI 嵌进 OA 审批流自动推送，使用量才翻了五倍。他的报价铁律：数据清洗至少占总成本的 30%，运维至少占 20%，这两块不能省。\n他还顺手描述了中国特色的交付环境：客户内网不能连外网，驱动、CUDA、几十个 GB 的模型权重，全得提前下载好，用硬盘带进机房。\n国内的薪资和门槛 上海一家 AI 公司负责 FDE 招聘的赖骏骋（化名）给了最实在的数字：他们公司低职级 FDE 月薪 2 万到 3 万，高职级以年包为主，40 万以上；年薪百万确实有，但集中在顶尖人才，不是行业平均。\n对照大厂：字节的豆包 FDE 挂出月薪 3.5 万到 7 万、一年 15 薪，顶格算下来一年约 105 万。\n他对这个岗位的定义很解构：软件公司里\u0026quot;除了写代码和行政以外，处理所有事情的大管家\u0026quot;。\n他自己就是从实施工程师、售前、产品经理、项目经理一路整合过来的。\n招人最看重两点，学习能力和洞察本质的能力，专业不卡：\u0026ldquo;团队里学设计、小语种的员工，都做得非常出色。\u0026rdquo;\n小心不要变成驻场外包 要理解中国 FDE 的处境，得先看一段 2021 年的驻场自述。注意，这是 AI 火之前的传统 IT 驻场外包，不是 FDE，但它是中国 FDE 最怕滑进去的那个大坑。\n那位工程师写道：在甲方吃饭要避开大领导，因为领导的原话是\u0026quot;怎么农民工也能进来吃饭的\u0026quot;；\n甲方信息部门从主任到合同工，每个人都想把手里的工作分一部分给驻场的；\n办公室在四楼，饮水机在一楼，四楼有烧水壶，但仅限甲方员工使用。他最后主动降薪 50%，逃离了驻场岗位。\n今天小红书上做 AI 落地的人，吵的还是同一件事。\n一条帖子的标题就是质问：\u0026ldquo;99% 的 FDE，不就是外包和陪跑？\u0026rdquo;\n给客户做咨询、做定制工作流、教客户用 AI，\u0026ldquo;说白了还是换个高大上的新词儿来忽悠人\u0026rdquo;。\n中外对照 中国 FDE 的陷阱 把两边的一手材料摆在一起，差别就出来了。\n海外的标杆是这样的：OpenAI 的 FDE 给金融科技公司 Klarna 做客服系统，把解法沉淀成一个内部框架，先开源，后来直接变成了 OpenAI 官方的 Agents SDK，今天所有 FDE 都拿它当标准工具。\n还有个更妙的案例：一个两千人的日本销售团队想要一个做幻灯片的助手，模型生成的版面起初惨不忍睹，FDE 试了五十种方案，把整理好的样例交给模型训练团队，三个月后新版本模型出来，\u0026ldquo;幻灯片突然就变好了\u0026rdquo;。\n中国从业者的自嘲是这样的： \u0026ldquo;这种新范式我们不叫 FDE，我们叫：售前＋客户经理＋实施＋技术支持＋专人陪跑＋临时产品经理。\u0026rdquo;\n\u0026ldquo;国外今天才开始鼓吹用演示去找方向，我们已经演示到脱发了。\u0026rdquo;\n这就是分界线：你在客户那里修的路，最后有没有变成公司的产品。\n海外 FDE 的成果回流到产品和模型；国内多数驻场的成果留在那一个客户那里，人一撤就开始失效。\n还有一层差别藏在信任的来源里。\n一位在中美两边都做过 AI 落地的从业者在小红书上写：美国靠契约信任，合同一签，核心数据就开放给你；中国靠人情信任，\u0026ldquo;得先喝顿大酒\u0026rdquo;，处出关系才拿得到真东西。\n所以同样是驻场，中国 FDE 比海外多做一层工作：进组织、混熟人、穿过部门墙。\n薪资的区别 海外：领英数据，FDE 岗位数量两年涨了 42 倍；\n薪资上，从谷歌跳过去的 Anu 说她没有降薪，\u0026ldquo;同级工程师的总包，FDE 往往更高，20 万美元很容易达到\u0026rdquo;；\n一位入行 18 年的技术猎头说，手里同一个对冲基金客户的两张 FDE 单子都开到 35 万美元，愿意等六个月找对的人。\n中国这头：名字是刚登陆的，字节、蚂蚁、智谱的招聘里直接写 FDE，中文译名都还没统一，前置、前沿、前端部署工程师三种叫法都有。\n增量在传统企业的 AI 改造上，Lawted 算的账是：\u0026ldquo;原来做一套企业管理系统要一两年、花几百万。现在我们用 AI 编程，两个月就能交付一套定制系统。\u0026rdquo;\n官方也下场了：上海办了全国首期 FDE 培训班，一个月理论加两个月驻场实操，还计划和中级职称挂钩。\n公众对 FDE 的常见误解 五个常见误解，每个用从业者的原话校一遍。\n第一个误解：FDE 就是会聊技术的售前或产品经理。 在美国做了八年产品、后来转开发再转 FDE 的 Yasha（化名）说得很绝对：\u0026ldquo;FDE 不能是一个只会沟通的产品经理，回去再传达给程序员，那样效率太低，也容易失真。你必须自己具备技术深度，能作出判断，甚至亲手解决现场问题。\u0026rdquo;\n第二个误解：FDE 是工程师的晋升。 Anu 专门纠正过：FDE 不是从工程师升上来的一级，它就是一份完全不同的工作、一条不同的成长曲线，平级换赛道。她的考核也从\u0026quot;代码质量\u0026quot;变成了\u0026quot;客户结果\u0026quot;。\n第三个误解：FDE 主要在写代码。 看前面的时间分配：写代码占两成半到一半，有些天沟通占八成。\n第四个误解：FDE 必须天天驻场。 反例是 Ramp：他们的 FDE 团队\u0026quot;一个季度才去客户那里一次，基本全靠视频会议\u0026quot;，一个人同时服务五六个客户。 驻场是手段，贴着客户解决问题才是定义。\n第五个误解：中国的驻场交付就等于 FDE。 差在两点：成果有没有回流成产品，以及按结果收钱还是按人头天数收钱。 只要是按人天算钱，名字无论叫什么，本质都是外包。\n什么人适合干，什么人不适合干 适合的人，有几个共同点 Ramp 那位组建 FDE 团队的人有句话：\u0026ldquo;FDE 团队是想对客户说 yes 的团队。很多工程师嘴上不承认，心里其实想对客户说 no，他们想继续造自己的东西。\u0026rdquo;\nOpenAI 的 FDE 负责人 Colin Jarvis 给的标准是：\u0026ldquo;对价值不依不饶的追逐，是好 FDE 的标志。最好的 FDE 敢把自己刚造好的东西撕了重来，因为客户需要的是另一个东西。\u0026rdquo;\nAnu 的自嘲版：\u0026ldquo;像我这种接近多动症的人，干这个反而占便宜。\u0026ldquo;上下文切换极快、喜欢一天干八件不同的事的人，在这个岗位如鱼得水。\n不适合的人，也有清单 那位一人带十个客户的 FDE 在周记里写得最狠：\u0026ldquo;如果你需要长时间不被打断才能产出，这个岗位会把你弄垮。\u0026ldquo;\u0026ldquo;如果你只想造东西、不想跟人说话，这不是你的岗位。\u0026rdquo;\n前 Palantir 一位把 250 多个工程师改造成 FDE 的培训负责人，有一份劝退名单：\n对模糊需求过敏的人 想做深度技术专精的人 处理不好客户情绪的人 以及不会给自己设边界的人 最后一种人，会把自己干到油尽灯枯。\n看清风险，再选择转型 一是技术萎缩。Reddit 上一位自称前 Palantir 的网友说：\u0026ldquo;碰上不好的项目，你做的全是拖拽和配置，技术能力会萎缩到面目全非。\u0026rdquo;\n另一位的判断更严峻：做五年 FDE 再回大厂面工程师岗，大概率会被降级。\n二是被客户拴死。\n听起来像好事：你干得太好，客户离不开你。但 Dataland 的创始人（前 Palantir）在圆桌上点破了这个怪圈：\u0026ldquo;客户对 FDE 上瘾，比你们公司对服务收入上瘾更严重。你想把人撤走，客户直接把你解约。\u0026rdquo;\n具体到个人身上：你把系统做好了，本该撤场去做下一个项目；但客户只认你，点名要你留下；公司不敢丢单，就把你一直留在这家客户。\n于是你从\u0026quot;探索新问题的工程师\u0026rdquo;，慢慢变成\u0026quot;这一家客户的专属运维\u0026rdquo;，天天处理同一套系统的杂事，不再成长，简历上也只剩这一个客户。\n在中国就更奇怪了：客户靠人情信任，认的是你这个人，不是你们公司；合同按天计价，你多驻一天，公司多收一天的钱。 客户不放人，公司不想换人，你自己走不掉。最后，就活成了驻场外包的样子。\n机遇：怎么上车 参考成功的转型案例 把一手材料里的真实转型路径排一排：\n八年产品经理，转开发，再转 FDE，现在有猎头拿 40 万美元年薪挖她（Yasha，美国）。 谷歌工程师平级跳 FDE，四五个月就敢拍视频做对比，总包没降（Anu）。 产品设计咨询公司出身，入职 Palantir 做 FDE（官方访谈里的新人，入职四个月）。 实施工程师、售前、产品、项管全干过，整合成 FDE，现在管招聘（赖骏骋，上海）。 大厂程序员，接到物流公司的 AI 改造需求，直接转型创业（Lawted，深圳）。 共同点有两个。\n一，没有应届直接上的：Yasha 说，\u0026ldquo;刚毕业的大学生不可能来做这个，一般需要有产品经理或开发的几年经验，所以它的起薪也不低，第一年大概二十多万美元\u0026rdquo;。\n二，全是技术和业务两手抓，缺哪里补哪里。\n缺什么，怎么补 那位前 Palantir 培训负责人给过一份转型路线：\n头一个月，旁听客户电话、跟着实施团队跑，专门记录\u0026quot;客户嘴里说的问题\u0026quot;和\u0026quot;真实根因\u0026quot;之间的差距； 第二个月，主动端到端接一个客户问题； 第三个月，去一次客户现场，并在当周内交付一个小修复； 之后，每周写一份\u0026quot;我这周从客户身上学到了什么\u0026rdquo;。 技能清单朴素到意外：\nSQL 要熟 Linux 命令行能读日志 Docker 会用 Python 能处理表格、能调接口；对时区、编码、空值这些脏数据的坑有体感。 并不需要前沿的模型技术。\n面试到底考什么 Palantir 有一轮特有的\u0026quot;拆解面\u0026rdquo;： 给你一个模糊需求，比如\u0026quot;设计一个让用户分享兴趣的系统\u0026quot;，或者\u0026quot;按专长和空闲度给分析师派案子的系统\u0026quot;。\n考的不是系统设计八股。有位候选人按容量估算、扩展性那套标准模板答题，被面试官当场打断，要求回到\u0026quot;这个功能本身该怎么设计\u0026quot;。\nOpenAI 的流程更直接：一份约五小时的家庭作业，用它的接口造个东西，提交代码，外加一段自己录的讲解视频。\n理由很清楚：FDE 每天都要向客户讲解，所以直接考这个。\nRamp 则比普通工程师面试多设一道，考的就是：你到底会不会沟通。\n离创业最近的岗位 最后说这条线里最被忽略的一点。\n大家天天都在说企业 AI 转型。说的人很多，真正下场把它做成的人很少，FDE 就是下场的那一个：把\u0026quot;转型\u0026quot;两个字，落成产线上的质检系统、客服后台的智能体、银行里的反洗钱流程。\n这个位置有一个副产品，价值可能超过工资本身：你天天泡在客户的真实痛点里。别人创业要靠猜需求，你的需求每天自己找到你面前。\nPalantir 早期高管、后来做到 OpenAI 首席研究官的 Bob McGrew 说得最直接： FDE 的训练，恰恰就是成为创业者的训练。纽约那场 FDE 圆桌的四位嘉宾里，就有两位是 Palantir 出身、后来创办了自己的公司，其中一位的原话是：\u0026ldquo;FDE 是未来创业者最好的训练场。\u0026rdquo;\n数据也对得上。Nabeel 的复盘里有一条：每届创业孵化器 YC 里，前 Palantir 员工出来创业的比前谷歌员工还多，尽管谷歌的员工数是 Palantir 的五十倍。\nYasha 把原因讲透了：\u0026ldquo;FDE 看过太多成功和失败的案例。如果你有 FDE 的经历，你会很清楚市场上缺什么、自己该做什么产品。\u0026rdquo;\n深圳的 Lawted 干脆把顺序倒了过来：直接以创业者的身份做 FDE，第一家物流公司客户，就是他公司的起点。\n这个岗位能活多久 Box 的 CEO Aaron Levie 说：\u0026ldquo;我要是现在做大学就业指导，第一件事就是让学生知道 FDE 这种岗位存在，以及怎么拿到 offer。\u0026rdquo;\n管 FDE 招聘的赖骏骋说得更冷静：\u0026ldquo;可以参考十年前移动互联网兴起时的产品经理，火爆五到十年，然后慢慢降温。但这个过程中，一定会出现像张小龙、张一鸣那样顶尖的超级个体。\u0026rdquo;\n其实岗位能活多久，没那么重要。\n企业 AI 转型这件事的时间和空间永远存在，而且会越来越大。\n见过 100 家公司真实痛点、真实问题的人，不管下一个机会在哪，都有更强的能力、更高的可能性去抓住它。\n","permalink":"https://ryrenz.com/zh/ai/fde-forward-deployed-engineer/","summary":"从 Palantir 八年老将、OpenAI FDE 负责人、深圳创业者和电力行业驻场者的一手分享，从业者角度讲清楚 FDE 做什么、中外区别在哪、什么人适合、怎么转、创业机会在哪。","title":"从业者角度看中外 FDE 的现状和机遇"},{"content":"2026 年 6 月 9 日，Anthropic 一天放出两个新模型：Claude Fable 5、Claude Mythos 5——但普通人能用上的只有 Fable 5 一个，Mythos 5 还没有全面开放。加上半个月前（5 月 28 日）发布的 Claude Opus 4.8，Anthropic 现在摆在台面上的旗舰，一共三个。\n这三个旗舰，到底有什么区别？\n我把 Anthropic 的官方发布博客和 System Card、相关论文、工程师团队的技术贴、Karpathy 的点评，再加上一圈科技媒体报道全部读了一遍，给普通人总结出六个真正需要知道的区别。\n我们一个一个看。\n先搞清楚：Fable 5 和 Mythos 5 其实是同一个模型 很多人以为这是三个并排的新模型，其实不是。从技术上讲，它们的关系是这样的：Fable 5 和 Mythos 5 是同一组模型权重，区别只在外面那层安全分类器开没开；而 Opus 4.8 是另一个独立的、能力更弱的模型。\n这个底层关系是理解后面六个区别的前提，得先讲清楚。\nSystem Card 第一节的官方原话是这么写的：\n\u0026ldquo;Fable 5 is being released for general access—it has the same underlying model weights as Mythos 5, but has additional safeguards to prevent misuse for cybersecurity and biology.\u0026rdquo;\n翻译过来：Fable 5 和 Mythos 5 是完全相同的底层权重。区别只有一个——Fable 5 外面套了一层安全分类器（safeguards），Mythos 5 在部分领域把这层拿掉了。\n所以三者的真实关系是这样的：\nMythos 5：裸模型。能力最强，安全护栏在部分领域被解除。只对 Project Glasswing 的网络安全防御者、关键基础设施方，以及极少数生物研究机构开放，普通人用不了。 Fable 5：同一个裸模型，外面套了三类安全分类器。这是普通人今天能用上的版本，全面开放。 Opus 4.8：一个完全不同的、更弱的模型，5 月底单独发布。它在这套体系里扮演的角色是——当 Fable 5 的护栏被触发、拒绝回答时，请求自动降级给 Opus 4.8 来答。 这里还要把时间线理清楚，不然容易乱：早在今年 4 月，Anthropic 就放出过一个 Mythos Preview，只给 Project Glasswing 的合作伙伴内测，从没对外开放。\n这次 6 月 9 日，它把 Mythos 升级成了 Mythos 5（还是只给 Glasswing 那批人），同时第一次把这套能力套上护栏、做成 Fable 5 开放给所有人。\n所以对普通人来说，6 月 9 日真正新拿到手的只有一个——Fable 5；Mythos 5 只是 4 月那个 Preview 的升级版，你照样用不上。\n名字本身也藏着这层意思：Mythos 在英文里是\u0026quot;神话\u0026quot;，Fable 是\u0026quot;寓言\u0026quot;，词源上又都指\u0026quot;被讲述的故事\u0026quot;——Anthropic 等于用命名直说：这俩是一回事，只是一个收着、一个放开。\n一个有意思的细节：Verge 追问 Anthropic，\u0026ldquo;既然叫 5，那 Fable 1 到 4、Mythos 1 到 4 在哪？这个 5 又怎么对应 4 月那个 Mythos Preview？\u0026quot;——Anthropic 拒绝回答。所以这个版本号到底怎么来的，官方至今没解释。\n区别一：长任务性能跨越式进步 过去 Anthropic 的能力天花板是 Opus。现在不是了。\nMythos 被官方定义为位于 Opus 之上的一个全新档位（Mythos-class）。VentureBeat 说得直接：Opus 不再是 Anthropic 的顶级商业能力层，Mythos 级已经凌驾其上。\nbenchmark 摆在 System Card 里。挑几个最能说明问题的（粗体是该行最高）：\n通用与编码：\n评测 Mythos 5 Fable 5 Opus 4.8 GPT-5.5 SWE-bench Verified 95.5 95 88.6 — SWE-bench Pro 80.3 80 69.2 58.6 Terminal-Bench 2.1 88.0 84.3 82.7 83.4 Humanity\u0026rsquo;s Last Exam（无工具） 59.0 — 49.8 41.4 FrontierCode Diamond — 29.3 13.4 5.7 注意 FrontierCode Diamond 这一行：Fable 5 是 29.3，Opus 4.8 只有 13.4，GPT-5.5 是 5.7。\nswyx（这个 benchmark 的参与方）点破了关键，在这个测长时程难题的榜上，Opus 4.8 和 GPT-5.5 加再多算力也不涨分，而 Fable / Mythos 的后训练真正把测试时算力（test-time compute）用在了解决\u0026quot;数十个人类小时当量\u0026quot;的超长任务上，这是史上第一次。\n但比起 benchmark 数字，官方博客点名的几个真实案例更能说明长任务是什么概念：\n支付公司 Stripe 用 Fable 5 给一个 5000 万行的 Ruby 代码库做全库迁移，一天搞定，这活儿人工团队原本要两个多月。 让它玩卡牌游戏《杀戮尖塔》（Slay the Spire），配上一个能持续记笔记的文件记忆后，它的成绩提升幅度是 Opus 4.8 的 3 倍，打进最终关卡的频率也是 3 倍。 玩《宝可梦：火红》更夸张：以前的 Claude 得靠一套喂了地图、导航工具的复杂外挂才玩得动，Fable 5 只靠看游戏截图（纯视觉，没有任何额外信息）就通了关。 它甚至能连续自主工作一周以上做基因组学研究，自己组装了 138 个物种、数百万个细胞的数据，设计并训练出一个比《Science》上某篇论文的模型还强、体积却小 100 倍的模型。 这些都不是演示噱头，是官方在发布博客里点名的真实测试结果。\nKarpathy（已于 5 月加入 Anthropic）的定性更狠。他说 Fable 5 是\u0026quot;配得上大版本号跳跃的阶跃式进步，量级和去年 11 月 Claude 4.5 那一跳相当\u0026rdquo;，尤其在长时间、高难度的问题求解上见顶：\n\u0026ldquo;You can give it a lot more ambitious tasks than what you\u0026rsquo;re used to, the model \u0026lsquo;gets it\u0026rsquo; and it will just go.\u0026rdquo;\nClaude Code 核心工程师 Boris Cherny 的话更接地气：\u0026ldquo;Fable 是我用过最好的编码模型，遥遥领先。\u0026rdquo;\nAnthropic 增长负责人 Amol Avasare 在发布推串里给了个更直观的说法：这是\u0026quot;迄今最聪明的模型，甩开一大截\u0026quot;，能连续跑上好几天，而且\u0026quot;任务拖得越长，它对其他模型的领先就越大\u0026quot;。他还说，这是第一个让他觉得\u0026quot;像个真正能交活的同事、能把真活儿丢给它\u0026quot;的模型。\n一句话总结这层区别：Opus 4.8 是上一代最强，Mythos / Fable 5 在它头顶又架了一层，任务越长越难，差距越大。\n区别二：拥有破坏力的网络安全能力——Mythos 被关起来的真正原因 如果只看通用 benchmark，差距是\u0026quot;明显但不吓人\u0026quot;。真正让 Anthropic 把 Mythos 锁进 Glasswing 不敢公开的，是它的网络攻击能力。\n这一块的数字（都来自 System Card 的 cyber 章节，测的是无护栏的 Mythos 5）：\nExploitBench（41 个 V8 引擎漏洞）：Mythos 5 平均拿下 10.75 个 capability flag，封顶率 78%；Opus 4.8 只有 5.56 个、40%。 Firefox 147 漏洞利用开发（250 次试验）：Mythos 5 在 88.4% 的情况下写出完整可用的 exploit；Opus 4.8 只有 8.8%。 CyberGym（1507 个漏洞复现任务）：Mythos 5 单次复现率 83.8%，Opus 4.8 是 78.1%。 Firefox 那一行的差距是 88.4% 对 8.8%，差一个数量级。这就是为什么 4 月那个 Mythos Preview 一出来就震动了整个安全圈——InfoQ 当时报道，它能自主发现所有主流操作系统和浏览器里的\u0026quot;数千个严重漏洞\u0026quot;，挖出来最老的一个是 OpenBSD 里27 年前的 bug，还有 FFmpeg H.264 解码器里一个 16 年的洞。一个没有安全背景的 Anthropic 工程师，睡前提个请求，第二天醒来就收到一份完整可用的远程代码执行利用代码。\nGlasswing 上线第一个月，合作伙伴的系统里就被挖出 1 万多个高危/严重漏洞，独立安全公司验证后 90.6% 确认有效。Mozilla 一家就在 Firefox 里发现 271 个洞，是此前测试的 10 倍以上。\n所以这里的区别是：Opus 4.8 的网络攻击能力是\u0026quot;有用但可控\u0026quot;，Mythos 5 是\u0026quot;足以在坏人手里造成严重破坏\u0026quot;。 这正是 Fable 5 这层护栏存在的全部理由。\n区别三：安全护栏，Fable 和 Mythos 唯一的真实差异 前面说了，Fable 5 = Mythos 5 + safeguards。现在把这层 safeguards 拆开看，它到底拦什么、怎么拦。\n拦三类话题（官方推串第 4 条确认）：\n网络安全（Cybersecurity）：从侦察、横向移动到漏洞利用的全链条 agentic 攻击。 生物与化学（Biology \u0026amp; Chemistry）：目前是\u0026quot;宽泛限制\u0026quot;，宁可错杀。 蒸馏（Distillation）：防止有人（尤其威权国家）大规模把模型能力迁移走。 怎么拦——两阶段检测：\n第一阶段，一个 probe 直接扫描 Claude 的内部激活值（internal activations），对所有流量做初筛；第二阶段，被标记的流量交给一个独立训练的 LLM 分类器复核，再决定是否屏蔽。这套分类器是基于 Constitutional Classifiers 方法训练的——用一部自然语言写的\u0026quot;宪法\u0026quot;规定什么能答什么不能答，再生成合成数据去训练。\n拦下来之后怎么办——这里 Fable 和 Mythos 的差别就体现出来了：\n在 Claude 客户端（网页、桌面、手机、Claude Code）：触发护栏后，请求自动降级给 Opus 4.8 回答，界面会告诉你\u0026quot;这条是 Opus 4.8 答的\u0026quot;，而且按 Opus 4.8 的价格计费（不是 Fable 的价）。 在 Messages API：默认不自动降级，直接屏蔽，返回一个带结构化拒绝原因的 response，要不要降级由开发者自己写逻辑。 还有一类很特殊——蒸馏护栏对用户完全不可见。它不弹\u0026quot;已降级\u0026quot;提示，而是悄悄通过改提示词、加引导向量（steering vector）、或参数高效微调（PEFT）来削弱模型，估计只影响约 0.03% 的流量、集中在不到 0.1% 的组织。\n触发频率： 官方说生产环境里超过 95% 的 Fable 会话全程不触发任何降级，平均触发率低于 5%。换成 Anthropic 增长负责人 Amol Avasare 的大白话就是：\u0026quot;95% 的时间里，Fable 5 和 Mythos 5 是完全一样的体验。\u0026quot; 这也反过来印证了前面那句——它俩底子是同一个模型，那层护栏 20 次里才拦你 1 次。\n但这里有个必须如实标注的口径差异：System Card 里另有一处说，在专门设计来诱发护栏的自动化滥用审计流量中，降级到 Opus 的比例\u0026quot;超过对话记录的一半\u0026quot;。这两个数不矛盾——前者是真实用户的全量流量，后者是专门来踩雷的对抗测试流量——但放一起看才完整。\n而且护栏现在确实偏敏感。Karpathy 自己承认发布初期\u0026quot;调得有点过于神经质（too trigger happy）\u0026quot;。\nReddit 上已经有人晒出做数学题被误降级到 Opus 4.8 的案例，质问\u0026quot;Fable 做个数学怎么就被路由走了\u0026quot;。Anthropic 也承认误报偏高，说会持续优化。\n那这层护栏到底牢不牢？官方给的数据是：内部加外部 bug bounty 一共测了 1000 多个小时，没找到一个能让护栏整个失效的\u0026quot;通用越狱\u0026quot;（universal jailbreak）；某家外部机构实测，Fable 5 对有害网络请求的抵抗力是所有被测模型里最强的，连用上 30 种公开越狱技巧都没破。但官方也老实补了一句：英国 AI 安全研究院（UK AISI）在一个很短的测试窗口里，已经朝通用越狱取得了进展。护栏很硬，但不是铁板一块。\n区别四：官方的安全等级评定 Anthropic 有一套 Responsible Scaling Policy（RSP），每个模型发布都要过。这里的评定结果，是理解三者风险差异最权威的口径。\n对 Mythos 5（裸模型）的评定：\n生物（CB-1）：判定 Mythos 5 具备CB-1 能力——能给一个只有基础理工学历的人提供具体、可操作的信息，帮他省下本该请教领域专家的大量时间。 生物（CB-2，新型武器）：判定没跨过阈值，但 System Card 明确说这是\u0026quot;所有模型里最不确定的一次判断\u0026quot;，并承认 Mythos 5 可能显著加速训练有素的专家团队搞新型生物武器研发。官方原话：\u0026ldquo;we think that world-class human expert substitution may now be possible in a few areas.\u0026rdquo; 网络（Cyber FCF Tier 1）：能对已知攻击手法提供有意义的技术协助，但还需人工介入才能完成大规模行动；没到完全自主的 Tier 2。 自主性（Autonomy）：判定没达到\u0026quot;持续 2 倍加速 AI 研发\u0026quot;的危险阈值，METR 外部测试也认同；但风险高于此前任何模型。 官方自己给的一个例子，能让这种双刃看得更具体：他们测了 Mythos 5 设计腺相关病毒（AAV）的一个关键环节。AAV 本是用来递送基因治疗的载体，但同一套能力换个方向，就能拿去设计危险病毒。结果 Mythos 5 没经过专门训练，光靠生物学推理，就在预测病毒外壳怎么组装这件事上胜过了专门做蛋白质的 AI 模型。这既是它能加速基因治疗研发的证据，也正是 bio 护栏宁可错杀也要拦的原因。\n对 Fable 5（带护栏）：在有限评估里，它对滥用的抵抗力整体优于近期所有公开模型。\n对 Opus 4.8：作为降级目标，它的定位就是\u0026quot;能力够用、风险够低\u0026quot;。CyberScoop 给的对照数字很说明问题——Opus 4.8 不加护栏时能复现约 80% 的已知开源漏洞，加上护栏后直接降到 1%。\n所以官方自己的风险排序是清楚的：Mythos 5 \u0026gt; Fable 5 \u0026gt; Opus 4.8，而 Fable 5 之所以敢公开，全靠那层把它的风险面摁回到接近 Opus 水平的护栏。\n区别五：价格，Fable 是 Opus 的两倍 价格这一栏最容易记错，单独拎出来。\nFable 5 / Mythos 5：输入 $10 / 百万 token，输出 $50 / 百万 token。 Opus 4.8：常规 $5 / $25，是 Fable 的一半；它的 fast mode（2.5 倍速）才是 $10 / $50。 4 月的 Mythos Preview：$20–25 / $100–125，是现在 Fable / Mythos 5 的两倍多。 换句话说：今天用 Fable 5，单价是 Opus 4.8 常规版的整整两倍。 TechCrunch 直接点破——这个高定价本身可能就是一道隐形的滥用门槛，毕竟很多企业的年度 AI 预算早就超支了。而 Fable / Mythos 5 比 4 月的 Preview 反而降了一半多，是 Anthropic 兑现\u0026quot;大规模部署 Mythos 级模型\u0026quot;承诺的一步。\n但比涨价更该被拎出来的，是一个最容易被忽略、对企业其实更要命的代价——数据零留存，没了。\n所有 Mythos 级流量（包括 Fable 5）一律强制留存 30 天，连那些原本和 Anthropic 签了\u0026quot;零留存协议\u0026quot;（zero-retention，数据一条都不落地）的企业客户，也不例外。Anthropic 解释这是安全分类器运转的硬性必需——要靠这些真实流量去识别新的越狱变种、压低误报——并承诺数据不用于训练、30 天后基本全删。\n但对金融、法律、医疗这类合规敏感的行业，这是个绕不过去的硬门槛：以前花钱买的\u0026quot;我的数据绝不留痕\u0026quot;，换成 Fable / Mythos 就直接做不到了。GitHub Copilot、Microsoft Foundry 在接入时都专门把这条单独拎出来提醒客户。TechCrunch 甚至认为，这可能立下一个行业先例——想用更强的模型，就得拿数据留存来换。\n区别六：6 月 23 日之后，你的 Max 订阅不再免费送 Fable 5 \u0026ldquo;今天起全面开放\u0026quot;这句话谁都会说，真正的坑藏在订阅计划里，值得单独讲。\nFable 5 的订阅可用性分两段：\n6 月 9 日到 22 日：Pro、Max、Team、按席 Enterprise 订阅里免费包含 Fable 5，敞开用。 6 月 23 日起：Anthropic 把 Fable 5 从这些订阅计划里撤下来。想继续用，得另外购买 usage credits（按量付费的积分）单独结算。 说直白点回答一个很多人会问的问题：是的，6 月 23 日之后，你的 Max 订阅不再免费给你 Fable 5，要用就得走 usage credits（额外用量积分，单独付费；Amol 在推串里把它叫 Extra Usage，是同一个东西）。\n这事 Anthropic 增长负责人 Amol Avasare 在发布当天的推串里讲得格外坦白，几乎是逐句解释了\u0026quot;为什么\u0026rdquo;：\n\u0026ldquo;我们先在订阅额度内给大家用 Fable 5 两周，然后就会把它收走。\u0026rdquo;\n他给的理由是需求会非常猛、算力还没铺到位——\u0026ldquo;我们没法保证几周以后还能满足 Pro 和 Max 的需求，不想过度承诺、给太多，回头又被迫砍你们的速率限制\u0026rdquo;。所以这两周（到 6 月 22 日）是\u0026quot;我们能给的最大值\u0026quot;，运气好的话会一周一周往后延，但不打包票。窗口结束后，Fable 5 还能通过 Extra Usage 继续用，只是不再算进订阅额度；等算力铺够了再放回订阅标配——用他的话说，\u0026ldquo;我们正在拼命赶\u0026rdquo;。\n另外两个就简单了：\nMythos 5：普通人碰不到，只对 Glasswing 合作伙伴和极少数生物研究机构开放，未来通过一个更系统的可信访问计划逐步放开。 Opus 4.8：照常用；而且你用 Fable 时一旦踩到高风险话题被降级，背后接手的就是它，按 Opus 的价格计费。 最后补一个实操提醒：Fable 5 的 effort（投入档位）参数默认拉到 high——它开 low / medium 的效果，常常已经超过旧模型开到顶。\n结语 说到底，这三个旗舰是 Anthropic 在能力和风险之间画的一条线。Mythos 是只让巨头用的满血版，Fable 是设置了护栏的公开版，Opus 是兜底的选择。\n对普通人来说，真正到手的只有 Fable 5：今天还包含在订阅里，6 月 23 日后使用需要支付 Extra Usage，碰到敏感话题也会被降级。\n更值得多看一眼的是时机。发布前 4 天，Anthropic 才公开警告 AI 逼近递归自我改进、呼吁全行业踩刹车；6 月 1 日刚保密递交了直奔万亿估值的 IPO 招股书。\n一边喊危险，一边放出史上最强模型冲刺上市，这家公司最矛盾的一面，全部展现出来了。\n","permalink":"https://ryrenz.com/zh/ai/mythos-fable-opus-comparison/","summary":"Mythos 5、Fable 5、Opus 4.8 三者到底有什么区别？读完 Anthropic 官方博客、System Card、技术贴和 Karpathy 点评后，给普通人总结的六个真正需要知道的区别。","title":"普通用户真正需要知道的 Mythos、Fable、Opus 六大区别"},{"content":"AI 的更新迭代速度太快，科技媒体总是千篇一律没有自己的思考；\n而推特又过于碎片化、刷一天记不住多少内容；\n长篇大论的深度长文很难看进去，官方博客又往往只发产品介绍。\n真正能让普通人跟上 AI 节奏的，只剩下：行业大佬的访谈、一线从业者的内部对话。\n为什么是播客？\nSam Altman 不会写一篇 5000 字的博客告诉你 OpenAI 的真实战略，但他会在 Dwarkesh 的麦克风前聊 3 小时； 月之暗面杨植麟不会接受 36kr 的快采访，但会和张小珺录一档 4 小时的深度对话； Karpathy 不会写技术博客解释他为什么从 Tesla 走人，但他在 No Priors 上一句话就讲清楚了。 文字访谈被压缩、被编辑、被改写；而播客是原始素材，你听到的就是他们脑子里真正在想的事。\n而且播客天然伴随 AI 时代——通勤、洗碗、跑步、做饭这些时间本来就是被浪费的，听播客等于零成本获取信息。一周 5 小时通勤听完 3 期 No Priors，你对硅谷 AI 投资的判断会比 90% 看科技新闻的人更准。\n下面是我认为最有价值的 5 个中文播客 + 5 个英文播客，供大家可以参考。\n中文圈 Top 5 1、张小珺商业访谈录 主播：张小珺，前财新记者。 出品：语言即世界工作室。\n她做的事情很简单：把 OpenAI 姚顺雨、Anthropic 姚顺宇、月之暗面杨植麟、Manus 肖弘、罗福莉这种人请到麦克风前，聊 3 到 7 小时。\n为什么这件事重要？因为别的渠道做不到。新闻稿你只能看到回答 5 个问题、每个 200 字、措辞 PR 化的话术。聊 200 分钟以上，所有包装都磨穿了。\n她的记者底子是关键。三年亚洲新闻奖不是白拿的，追问节奏能引导出嘉宾讲真东西。中文圈做 AI 长访谈的人不少，能把播客做成调查报道这一档级别的只有她。\n推荐单期：对姚顺宇的 4 小时访谈，对罗福莉的 3.5 小时访谈\n2、十字路口 Crossing 主播：杨远骋（Koji），真格基金投资合伙人 + AI Hacker House 发起人；\nKoji 在真格的位置决定了这档播客拿到的早期 AI 创业者一手访谈质量极高。真格投过字节、知乎、小红书这一批，他们看过的早期创业者数量、判断准度在国内 VC 圈数一数二。Koji 同时也是 AI Hacker House 的发起人，所以新一代 AI 创业者基本都过他这条线。\n听十字路口和听 OnBoard! 是两种感觉。OnBoard! 偏硅谷投资人视角，问的是\u0026quot;这家公司能成吗\u0026quot;；十字路口偏国内创业者社群视角，问的是\u0026quot;我们这群人在干什么、卡在哪\u0026quot;。\n最近 Paperboy 那期把 AI Agent 的范式变迁讲得很透。他们甚至给一个叫 YoYo Agent 的实验项目做了 Token Grant 资助，投资人加实验场的双重身份，中文播客圈独一份。\n推荐单期：Paperboy 创始人那期，还有讨论 Agent Harness 那期。\n3、硅谷 101 主播：泓君 Jane，硅谷 101 创始人 + CEO，前《财经》杂志驻美记者。\n泓君的优势是\u0026quot;她人在硅谷\u0026quot;，做了 5 年多、213 期。访谈出来的内容比国内财经媒体早 1 到 2 个月。\n她请的嘉宾不是科普网红，是前 TPU 工程师、AI 医疗创业者、英伟达内部消息源——能把\u0026quot;谷歌为什么自己做 TPU\u0026quot;讲到芯片设计细节那一层的人。\n中美双视角是另一个稀缺点。DeepSeek-R1 出来那次，她那一期是中文圈第一个把硅谷工程师群里的真实评价完整分享出来的。\n她不只聊 AI，所以如果你想要的是\u0026quot;科技播客\u0026quot;而不只是\u0026quot;AI 播客\u0026quot;，硅谷 101 是更好的入口。\n推荐单期：第 228 期前 TPU 工程师揭秘谷歌 TPU 能否撼动英伟达、第 224 期深度拆解 OpenClaw。\n4、42章经 主播：曲凯（Kyle），42 Capital 创始人 + 42章经创始人。\n曲凯是中文 AI 圈最早押注大模型应用的 VC 之一。2024 年 11 月他说过\u0026quot;越早勇敢相信 AI 的人越有机会获得更大回报\u0026quot;，那时候国内 AI 应用还没真的跑起来。后来 Manus 火了，他做了一系列 Manus 创始人访谈。\n42章经的节奏比张小珺、十字路口都轻松，单集 30 到 60 分钟，通勤一次能听完。曲凯自己是早期 VC，访谈对象基本是真在做产品的创业者，话题聚焦在\u0026quot;这一年 AI 应用赛道发生了什么、哪些机会出现了\u0026quot;。\n它的差异化在\u0026quot;判断 + 入门友好\u0026quot;。曲凯 2024 年就预言\u0026quot;底层大模型路线已经基本定型，未来的差异在应用层\u0026quot;，这种判断在 2025 年陆续被验证。同时它对一二级市场新人友好，不需要先懂一堆术语才能跟上。\n每月 2 到 4 期，更新稳定。\n推荐单期：Manus AI 创始人访谈系列、2024 年 11 月对 AI 应用赛道的总结。\n5、屠龙之术 主播：庄明浩，前大厂、前 VC。\n这档播客在 Top 5 里是个异类，它不是访谈，是单口。庄明浩自己一个人把过去 3 到 6 个月的 AI 行业动态压缩成 70 到 130 页 PPT，再配上语音讲解。一期听完等于读完一份合格的行业研究报告。\n他的判断准是真准。GPT-3 之前预测过大模型路线，Agent 概念火之前讨论过 AutoGPT 的局限。中文 AI 评论圈里，知乎用户直接说过\u0026quot;这位院士对 LLM 发展的理解还不如庄明浩\u0026quot;，这种半带挑衅的认可背后是真实的圈内信任。\n它的形式有得有失。优势是信息密度极高，半小时讲完别人聊 3 小时的内容，更新约 2 周到 1 个月一期。\n但对需要快速建立 AI 行业全景的人，它替代不了。其他播客是嘉宾视角，它是分析师视角。\n推荐单期：Vol.45 用 132 页 PPT 把 AI 行业 2025 年全年讲完、Vol.55 用 70 页 PPT 解读 Manus 与 AI Agent。\n适合：需要快速建立 AI 行业全景的投资人、分析师、做战略判断的从业者。\n英文圈 Top 5 1、Dwarkesh Podcast 主播：Dwarkesh Patel，独立播客人，入选 TIME 2024 年百大 AI 影响力人物。 定位：超长深度访谈，单集 3-5 小时\n为什么值得听\nDwarkesh 是这一代英文 AI 播客主里准备做的最足的一个。\n每一期访谈之前他会读完嘉宾发过的所有论文、内部报告、过去 5 年的公开访谈，然后带着 80 个细到不能再细的问题入场。这意味着嘉宾没有\u0026quot;我先讲一遍套话\u0026quot;的余地，他只问你没说过的。\n结果就是嘉宾质量和深度都是英文圈天花板。Dario Amodei 一年来录两次（其中一次专门讨论 AI 2027 场景），Demis Hassabis 在 Gemini 3 发布后立刻来录，Mira Murati 离开 OpenAI 创立 Thinking Machines Lab 之后的第一档长访谈给了 Dwarkesh，Karpathy、Ilya 也都来过。\n听 Dwarkesh 的一期，胜过读 10 篇关于这个嘉宾的二手报道。不过\n他的语速很快、节奏紧凑——通勤时听可能会累，建议挑安静时段听。\n推荐单期：Carl Shulman 那期（近 6 小时，业内公认必听）、Anthropic Dario Amodei 专场。\n2、Latent Space 主播：swyx（Shawn Wang，AI 开发者布道师）+ Alessio Fanelli（Decibel Partners CTO in Residence）。 定位：AI 工程师向，关注智能体框架、推理架构、开源模型部署、GPU 经济学。\n为什么值得听\n英文圈最深的 AI 工程实战播客。Dwarkesh 聊的是\u0026quot;AI 会改变世界吗\u0026quot;，Latent Space 聊的是\u0026quot;我下周要给 Anthropic 的 API 加一层缓存怎么做最快\u0026quot;，后者更接近工程师的日常。\n它的独特资产是 swyx 这个人——他自己是 AI 工程师社区\u0026quot;AI Engineer\u0026quot;会议的发起人，旧金山所有 AI 创业公司的 CTO 他都熟，所以请的嘉宾几乎全是 OpenAI、Anthropic、Meta、Databricks 一线工程师，对话直接进入\u0026quot;我们用什么模型、什么 token 价、什么延迟、什么坑\u0026quot;这种细节层。\n每年底他们会发布\u0026quot;State of AI Engineering\u0026quot;行业报告，是 AI 工程领域事实上的年度基准。\n推荐单期：年度 State of AI Engineering 特辑、任意一期智能体基础设施专题。\n3、The Cognitive Revolution 主播：Nathan Labenz，AI 应用实战派——亲自参与过 GPT-4 内部红队测试。 定位：AI 应用 + 安全 + 政策综合访谈，每集 2-3 小时。\n为什么值得听\nNathan 的独特优势是他做过 GPT-4 内部红队——也就是 OpenAI 在 GPT-4 发布前找他和一批人内测找漏洞。这段经历让他在 AI 安全和能力边界这个话题上有一手认知，能问出别的主播问不出的问题。\n但让 Cognitive Revolution 真正出圈的是 Nathan 那期讲他用 AI 帮助患癌儿子做就医决策的亲历叙述。那一期把\u0026quot;AI 应用\u0026quot;从工程话题拉到\u0026quot;真实生活决策\u0026quot;那一层，是英文 AI 播客圈公认的现象级单集。\n后来他又出了几期延续这个主题——AI 在医疗、教育、家庭场景中的具体决策影响。\n如果你想了解 AI 不仅作为工具、而是作为生活伙伴的可能性，Cognitive Revolution 是英文圈做得最深的一档。\n推荐单期：Nathan 用 AI 应对儿子病情那期、Bolt.new 创始人专访。\n4、No Priors 主播：Sarah Guo（Conviction VC 创始人，前 Greylock 合伙人）+ Elad Gil（连续创业者，40+ 独角兽投资人）。 定位：VC 视角的 AI 创业访谈，集均 30-45 分钟。\n为什么值得听\nSarah Guo 是硅谷最活跃的 AI 投资人之一，Elad Gil 投过的独角兽超过 40 家。两个人一起做的访谈相当于带你旁听硅谷顶级 VC 的内部会议——他们问的问题，是真的在判断\u0026quot;这家公司值不值得我投 5000 万美金\u0026quot;这种水平。\n请的嘉宾也都是这个量级：Jensen Huang、Andrej Karpathy、Fei-Fei Li、Alexandr Wang、Bret Taylor。这些人接受访谈通常是讲方法论，但 Sarah 和 Elad 能让他们讲到具体战术——比如 Jensen 那期讲到 NVIDIA 内部 GPU 产能分配的逻辑。\n它另一个独特优势是节奏。30-45 分钟一集，比 Dwarkesh 短得多，通勤一趟正好听完一期。如果你只能在路上听播客，No Priors 是英文圈密度和长度比最好的。\n推荐单期：Jensen Huang 专访、Andrej Karpathy 专访。\n5、Machine Learning Street Talk 主播：Tim Scarfe（机器学习博士）+ Keith Duggar（MIT 哲学博士）。 定位：学术向深度技术访谈，唯一把 AI 和认知科学、神经科学、意识哲学打通的技术播客。\n为什么值得听\nMLST 是这 10 个播客里学术密度最高的一档。Tim 和 Keith 一个是 ML 博士、一个是哲学博士，对话风格更接近顶级研究生组会而不是访谈节目。嘉宾包括 Karl Friston（自由能量原理的提出者）、Stephen Wolfram、Yudkowsky、Francois Chollet 这种研究员级别的人物。\n它在英文圈是少数公开持\u0026quot;LLM 怀疑论\u0026quot;立场的播客——大部分 AI 播客在讨论\u0026quot;LLM 能走多远\u0026quot;，MLST 经常讨论\u0026quot;LLM 这条路本身是不是错的\u0026quot;。这种立场让它和主流的\u0026quot;AI 必将通向 AGI\u0026quot;的叙事形成对照，对训练自己独立判断很有价值。\n不适合作为入门播客，但当你听完 9 个 AI 播客觉得\u0026quot;为什么大家都在说同一件事\u0026quot;的时候，MLST 会让你看到另一种可能。\n推荐单期：Karl Friston 自由能量原理那期、Blaise Agüera y Arcas 人工生命专访。\n几档没进 Top 5 但值得参考的 针对更细分的人群。\n中文：\n人民公园说 AI——JustSayAI 出品。三位合伙人跨 12 小时时差，\u0026ldquo;陪伴型\u0026quot;播客，老炮视角聊 AI 热点。配套的\u0026quot;JustSayAI 早晚报\u0026quot;是付费订阅产品。适合想轻松跟进 AI 新闻不烧脑的人。 三五环——刘飞主持，主线是城市局内人聊天，AI 是话题之一。刘飞引导嘉宾说真话的能力是中文播客里少有的。适合互联网产品经理、想从普通用户视角看 AI 的人。 硬地骇客——独立开发者圈中文播客之王，已 100+ 期。聊 indie hacking、远程、副业、跑出几百万美元 ARR 的真实故事，AI 实用主义。适合做独立产品、想用 AI 跑生意的人。 英文：\nLex Fridman Podcast——YouTube 近 500 万订阅。AI 含量不到一半（政治、物理、格斗都占），但请 Karpathy、Amodei、Hassabis 时的访谈深度是英文圈天花板。当一次性专题听就行。 Hard Fork——纽约时报出品，Kevin Roose 和 Casey Newton 主持。综合科技新闻播客，每周聊一些 AI 行业事件。风格轻松、节奏快、适合不想烧脑只想跟进新闻的人。 TWIML AI Podcast——老牌，700+ 集。内容偏企业 ML 落地实战。需要查\u0026quot;X 公司怎么把 ML 落地的\u0026quot;这种问题时，TWIML 是英文圈找不到对应替代的档案库。 怎么入门英文播客？ 不少人卡在英文播客这一关——听不下去、跟不上、单期 3 小时根本没空。下面几个方式可以让你把英文播客的回报率拉高几倍。\n1、当英语听力素材，一举两得 英文 AI 播客的嘉宾基本都是英语为母语或者英语极好的研究者、工程师、CEO，发音清晰、用词标准、专业术语反复出现。比专门的英语学习教材好得多，因为内容本身你就关心。\n从 No Priors（30-45 分钟单集、节奏快、双主持互动多）开始，比直接啃 Dwarkesh 6 小时的舒服。听不懂的段落跳过，整体能跟上 60% 就有收益。三个月后你会发现 AI 相关的英文阅读速度也跟着上来了。\n2、用 AI 把英文文字稿压成中文摘要 几乎所有主流英文 AI 播客都同步发布文字稿（Dwarkesh、Latent Space、No Priors 都在 Substack 或自己网站上有完整文字版）。流程是：\n找到当期文字稿（YouTube 描述区、节目网站、Substack）或直接用 AI 提取 复制全文丢给 Claude / GPT 提示词大概是\u0026quot;把这篇 AI 播客文字稿总结成中文，按 5 个关键观点 + 每个观点配嘉宾原话引用 + 一句话价值判断\u0026rdquo; 10 分钟读完一期 3 小时播客的核心。缺点是失去主播追问的节奏感和嘉宾思考时的微表情。\n3、用 NotebookLM 把英文音频转成中文播客 Google 的 NotebookLM 现在支持把任何上传的资料（包括音频文字稿）生成一档中文双主持人对话播客。流程是：\n拿到英文文字稿 上传到 NotebookLM 生成 audio overview，选\u0026quot;中文\u0026quot; 得到一段 10-15 分钟的中文双人对话播客，内容是基于原文的转译加二次加工 听到的不是机翻字幕，是两个 AI 主持人用自然中文聊原稿内容，节奏接近 OnBoard! 那种创投闲聊感。适合通勤时把英文长访谈\u0026quot;翻译\u0026quot;成中文摘要听。\n4、订阅播客主的 Substack 看长摘要 英文播客主流玩法是音频加文字双发。Dwarkesh 的 Substack 有 8 万付费订阅，原因就是他的 Substack 不只是文字稿，还有手写的每集摘要、编辑过的关键引用、主播自己的反思笔记。\n直接订阅 Dwarkesh / Latent Space / Cognitive Revolution 的免费 Substack 邮件列表。哪怕一行音频不听，每周扫一遍邮件就能跟上 70% 的行业核心信息。\n5、YouTube 章节版加时间戳跳跃听 英文播客大多在 YouTube 同步。YouTube 自动生成的英文字幕质量已经够用，配合现在 YouTube 自带的章节标记（很多大播客主自己加了时间戳），可以做到：\n先看章节列表，挑感兴趣的 2-3 段 跳到那个时间点听 10 分钟 不感兴趣的部分跳过 一期 3 小时播客往往能在 30 分钟内过完精华，比听完整集回报率高很多。\n写在最后 不用一开始就全都关注，先从中英文播客都挑一个你最感兴趣的开始尝试，培养兴趣和习惯之后再开始扩展。\n播客的信息质量和密度远大于科技媒体，听 2 小时播客中顶级大佬的分享对认知的提升要比看十篇科技媒体或刷 100 条推特高得多。\n播客是 AI 时代被严重低估的信息源，希望这份清单能帮到你。\n","permalink":"https://ryrenz.com/zh/ai/ai-podcasts-top-10/","summary":"AI 更新迭代速度太快，科技媒体千篇一律，推特碎片化记不住，长文看不进去，官方博客只发产品介绍。真正能让普通人跟上 AI 节奏的是行业大佬的访谈和一线从业者的内部对话。下面是我认为最有价值的 5 个中文播客 + 5 个英文播客，外加 5 个不会英文也能听懂英文播客的方法。","title":"AI 圈最值得关注的中英文播客 Top 10（附英文播客入门指南）"},{"content":"很多教你用 Obsidian 做第二大脑的文章，都没有告诉你当你的知识库内容太多了，大脑可能会宕机。\nClaude Code 配上 Obsidian 搭建的 LLM Wiki 知识库看上去非常完美，可当知识库中包含的博客，文章，论文，日记，文档，视频脚本，音频文本，越来越多之后，Claude Code 基于索引的搜索会越来越吃力，不要半年，你就会发现搜索的精度开始逐渐下降。\n而本文要介绍的重点 QMD 就是补上这个缺陷的最佳选择，装上之后，无论你的知识库有多大，Claude Code 都能迅速帮你定位到相关内容，给你最准确的结果，还能节约大量的搜索 token 消耗。\n这篇文章主要讲三点：\n是什么： 什么是第二大脑？小白也能在十分钟内搭好 Obsidian + Claude Code 的第二大脑教程。 为什么： 为什么文档一多第二大脑就会开始变弱，以及为什么 QMD 是目前解决问题的最佳工具。 怎么做： 学会判断什么时候开始要上 QMD，一步一步手把手教你配置上。 一、第二大脑：Obsidian + Claude Code 如果你还没有自己的第二大脑，这里教你五分钟搭建完成。\n第一步：下载安装 Claude Code（Codex、OpenClaw、Hermes、OpenCode、Cursor 等等都可以）以下统称 Claude Code。\n第二步：下载安装 Obsidian。\n第三步：打开 Obsidian 新建 Vault。\n第四步：在该目录下创建文件 Claude.md，并把下面 Andrej Karpathy 这篇 LLM Wiki 的规则放进去。\nhttps://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f\n第五步：在该目录下打开 Claude Code，和他说：\n帮我按规则配置好这个知识库\n它会自己把整套目录建好：\nraw/：原始材料，每篇文章、对话、视频字幕直接扔进来 wiki/：编译后的笔记，按主题或概念组织 index.md：手写的入口页，记录你的知识地图 log.md：所有历史更改的记录 第二大脑是怎么工作的？\n它先给你录入 raw 的文章写一份总结，再提取其中概念，每个概念建一个单独的页面。 文章里提到的人物会建页面，提到的工具会建页面，提到的方法也会建页面。 然后它会更新 index.md，把新建的页面都登记进去。以后你只需要把 wiki/index.md 的地址丢进任何一个 AI，它就自动接入了你的知识库，什么问题都会从你的知识库里找答案，而不是去互联网上乱搜。 最厉害的一点是你去录入自己的想法，自己平时的思考，AI 之后会越来越懂你。你让它帮你写东西，它知道你的风格。让它帮你做判断的时候，它知道你的过去，用得越久越好用。\n而且因为是分级查询，AI 先读 index 找到相关页面再去读具体内容，不用把所有笔记一股脑全塞进去。token 省得多。\n之后你不管看到什么好的内容，或是自己的日记，想法，录音，还有任何素材都可以直接扔进 raw，只要说一句\u0026quot;帮我录入\u0026quot;，wiki 就会多出来 5-10 篇内容。\n二、wiki + index 也有自己的天花板 但这套系统也有自己的天花板。三个具体的极限场景。\n场景一：index 变长之后，定位精度下降。\nwiki 系统跑顺之后，wiki 页会稳定增长。按 Karpathy 的 schema，每 ingest 一篇 raw 通常产出或更新 5-10 个 wiki 页。一个 vault 跑半年，wiki 上百是常态。\n然后 index.md 自己就变成几百行。它是 agent 每次 query 的第一站，每次 query 都先把这几百行读进 context。token 没省，定位精度还下降——分类越细，agent 越要在七八个相近的概念页之间纠结。原本\u0026quot;读 index → 读 wiki\u0026quot;的两跳路径，开始变成\u0026quot;读 index → 翻 3-5 个 wiki 都不对 → 再回去看 index\u0026quot;。\n场景二：跨分类的语义搜索 index 帮不上。\nKarpathy 的 schema 把 wiki 分成 Concept、Entity、Synthesis、Self-analysis、Comparison 等多类，按主题分到各自文件。\n但你的真实查询往往跨类。比如你想找回\u0026quot;独立开发心态怎么变了\u0026quot;——这个问题可能横跨 self-analysis 页（你两年前的复盘）、synthesis 页（你对独立开发的整体看法）、raw 里某段你跟朋友的对话残片。index 是按\u0026quot;页是什么类型\u0026quot;分类的，不是按\u0026quot;什么概念出现在哪里\u0026quot;分类的。这种跨类搜索它帮不上。\nClaude Code 自带的搜索工具 grep 也帮不上，因为\u0026quot;心态变化\u0026quot;四个字可能一次都没出现。\n场景三：raw 里的细节丢失。\n这是最隐蔽的一条，也是最致命的。\n按 Karpathy 的 SOP，raw 被 ingest 之后产出的是 wiki 综述页——概念、实体、对比、自我分析。这是设计上的取舍：wiki 页只保留主题骨架，不保留 raw 里的具体细节、原话、例子、数字。\n举个例子。你 raw 里塞了一个 30 篇的 AI 课程笔记系列，ingest 之后压成了 2 个 wiki 页（一个课程地图、一个方法清单）。这两页能告诉 agent \u0026ldquo;这门课的整体框架和核心方法\u0026rdquo;，但第 5 课讲的那个调试技巧、第 8 课那个具体的例子、第 14 课那段的原话，全在 raw 里，没进 wiki。\nraw 里几百篇文件，每一篇都可能藏着你后来想找回的某段具体话。但 ingest 把它们全压扁成了 wiki 综述，原文进不了 agent 的检索路径。除非你记得文件名直接打开 raw，否则那些细节就跟没存在过一样。\n这三件事的共同根因不是\u0026quot;wiki 模式错了\u0026quot;，而是 wiki 模式擅长\u0026quot;已编译知识\u0026quot;，但整个 vault 还需要一层全文语义检索，覆盖那些没编译进 wiki 的内容、跨分类的查询、和 index 自己膨胀到看不过来的情况。\n而且替代方案也不能是\u0026quot;让 agent 把整个 raw 全读一遍\u0026quot;——那样 token 会爆炸。你需要的是一个能精准定位、只返回相关片段、顺带把 token 省下来的工具。\n2026 年做这件事最佳是 QMD。\n三、RAG 弥补 wiki 模式的缺口 RAG 是什么 RAG 的全称是 Retrieval-Augmented Generation，中文叫\u0026quot;检索增强生成\u0026quot;。\n本质就一句话：你问 AI 之前，先去你的知识库里搜出最相关的几段，再让 AI 根据这些和你问题最相关的内容回答。\nLLM 不是凭空回答，它是基于\u0026quot;刚刚搜出来的那几段\u0026quot;回答。答案里出现的事实、引用、细节，全是从你的知识库里来的。\n注意：RAG 不是要替代 wiki + index。两者解决的不是同一个问题。wiki + index 解决\u0026quot;把已经知道重要的东西编译成结构化知识\u0026quot;；RAG 解决\u0026quot;在整片 vault 里找跟当前 query 最相关的零散片段\u0026quot;。一个管编译，一个管搜索，互补。\n再进一步，混合检索 向量搜索能找到\u0026quot;意思像但字面不像\u0026quot;的内容。你搜\u0026quot;独立开发心态变化\u0026quot;，它能命中你两年前 raw 里某段播客笔记里写的\u0026quot;独立开发的尽头是无聊\u0026quot;——一个字都没重复，意思走到了一起。\n那是不是有了向量搜索就够了？\n不够。向量搜索有自己的死穴：无法精确检索。\n你搜 \u0026ldquo;qmd v2.1.0\u0026rdquo;，向量搜索可能给你返回 v2.0、v1.9 的相关内容，因为它们语义上太像了。而你要的是那个确切的版本号。\n这种时候 BM25（基于关键词频率的精确匹配算法）反而完胜。\n所以真正靠谱的检索方案是混合检索：BM25 抓精确，向量抓语义，再用一个小模型做重排，把两路结果按相关性重新排一遍，把最好的几个挑出来。\nQMD 全部做到了。\n四、为什么是 QMD 架构正确效果好 QMD 的检索流程跟 Google 搜索和 Anthropic Claude 内部检索系统是同一个套路。\n用户搜索进来，先用一个 fine-tune 过的小模型做 query expansion，每个变体并行跑 BM25 和向量搜索，所有结果用 RRF 合并排序，再扔给 qwen3-reranker 做最终重排，最后按位置加权出最相关的几条。\n这套流程在 2020 年之后的学术 IR 论文里被反复验证。QMD 只是把它打包了：以前你要写几万行代码，现在自动装好。\n完全本地，免费，使用简单 这是个人 RAG 与企业 RAG 的根本分水岭。\n企业级 RAG 烧钱在两件事上：托管向量数据库（Pinecone、Weaviate）每月几百美金，调用 embedding API（OpenAI text-embedding-3）按 token 计费。\nQMD 把这两件都本地化了。\n阿里在这件事里贡献最大。Qwen3 是中文用户能在本地跑出商业级检索质量的基础。如果没有 Qwen3，个人 RAG 这件事在中文场景下还得多等一年。\nQMD 本质上是个日用工具，应该跟 grep、ripgrep 一样免费，跟你的操作系统、跟你的笔记软件一样属于基础设施。\n还帮你省一大笔 token QMD 一个隐性好处：让 Claude Code 调用第二大脑时的 token 用量暴降。\n原理简单：以前 agent 用 grep 找东西，命中几个文件就要全文读完，一次问答轻松烧两万 token。装了 qmd 之后，agent 直接 query 拿回 3-5 段最相关的片段，每段几百 token，加起来不到一千。\n实测参考：Andrew Levine 公开过他的 600+ notes Obsidian vault 数据——没装 qmd 时一次问答烧 15000 token，装上之后同样查询只用 500 token，省 96%。从下载到能用，他说花了 5 分钟。\n如果你正在为 Claude 的 token 用量心疼（尤其是用 API 计费、不是订阅），这件事比免费还实际。\nTobi 和 Karpathy 共同推荐 QMD 的作者是 Tobias Lütke，Shopify 创始人兼 CEO。\n他 2026 年 3 月连发推说自己在睡前调 query-expansion 模型，GitHub 上 qmd 的 repo 现在已经 25000+ stars。\n一个公司估值数百亿美金的 CEO，深夜不睡觉去写一个个人 markdown 检索工具，说明的事情很简单：他自己被同样的问题烦到了。他维护的笔记规模和你我一样会撞上检索瓶颈，他选择自己写一个。\nKarpathy 在 llm-wiki Gist 的 \u0026ldquo;Optional: CLI tools\u0026rdquo; 章节原话写：\n\u0026ldquo;A search engine over the wiki pages is the most obvious one — at small scale the index file is enough, but as the wiki grows you want proper search. qmd is a good option.\u0026rdquo;\n翻译过来：wiki 还小的时候 index 文件就够，但 wiki 长大之后你需要真正的搜索 —— qmd 是个好选择。\n五、装 QMD：一个提示词搞定 cd 到你的第二大脑目录，启动 Claude Code，把下面的内容粘贴给它：\n帮我装一下 qmd，把当前目录接进来做检索，我是中文笔记。\nnpm install -g @tobilu/qmd —— 装 qmd CLI 本体\nclaude plugin marketplace add tobi/qmd \u0026amp;\u0026amp; claude plugin install qmd@qmd —— 装 plugin（自动注册 MCP server + 配套 skill）\nqmd collection add . --name brain —— 把当前目录配置为知识库\n切到 Qwen3-Embedding-0.6B 多语言模型（中文知识库必做）\nqmd embed -f —— 生成向量索引\n第一次会下载约 2.4GB 的本地模型，等几分钟。下载完之后所有 embedding 都在你电脑本地跑，不联网，不烧 API。\n为什么要切 Qwen3：QMD 默认 embedding 模型是英文优化的，中文知识库切到 Qwen3-Embedding-0.6B 能够大大提升检索质量。\n这一步在英文教程里没人讲。\n之后 Claude Code 调用第二大脑时会自动走 qmd，你不用做任何事。新增笔记只要偶尔跑一下 qmd update 增量索引就行。\n结语 要不要立刻装，Karpathy 在 llm-wiki Gist 里给了判断标准：\n\u0026ldquo;index 模式在大约 100 个文件、数百页 wiki 的规模下非常好用。但随着 wiki 长大，你需要真正的搜索 —— qmd 是个好选择。\u0026rdquo;\n按这个标准对照你自己的第二大脑：\n一百个文件，几百个 wiki：可以先继续用 index，以后再考虑 qmd。 已经感觉 agent 搜索效果变差，或 wiki 数量近千：尽快考虑 qmd，提高搜索效果的同时省钱。 如果你希望你的第二大脑可以长久地运作下去，QMD 是你最值得考虑的工具。\n","permalink":"https://ryrenz.com/zh/ai/second-brain-needs-qmd/","summary":"很多教你用 Obsidian 做第二大脑的文章不告诉你：知识库一大，Claude Code 的索引搜索就会失灵。QMD 是 Shopify CEO Tobi Lütke 写的本地 RAG 工具，补的就是这个缺口——混合检索（BM25 + 向量）、完全本地、免费、token 用量直降 96%。文章讲什么时候该上 QMD、一行提示词怎么装。","title":"你的第二大脑需要 QMD 才能健康扩展"},{"content":"\n为什么是深圳？\n因为深圳同时是中国跨境电商之都（亚马逊全球城市榜第一，10 万+ 卖家集中在这里）、全国第一外贸城市（2024 年进出口 4.5 万亿，连续 32 年第一）、互联网大厂南方据点（腾讯 11 万人、华为坂田 4 万人）、还是全国餐饮和医美密度最高的城市之一（福田中心商务区每平方公里社零 30 亿，南山医美机构数全国行政区第一）。\n这意味着五个生意里需要服务的老板和打工人，都在你身边密集存在，这里的人只想赚钱。\n把服务卖给普通人不好卖，但卖给想赚钱的人，只要他的收益高于成本，你就能成交。\n下面这 5 个生意都有一个共同点：普通人都能干，不需要技术背景，不需要资本，不需要团队，靠 AI 放大单人产能，去服务那些焦虑但不会用 AI 的中小老板和焦虑的打工人本身。\n每个生意我按四块讲：怎么挣钱、利润在哪里、门槛在哪、普通人怎么上手。\n1. 本地商家 AI 代运营 老板花钱买的不是 AI，是客流量。\n深圳餐饮 2024 年增速只有 1.3%，远低于全国 7.9% 的水平；一线城市每个月闭店率在 10-15%。福田中心商务区日均客流 200 万、社零 2414 亿（全国行政区第三）、夜间消费占六成以上，但开在福田的店一样会死。南山三年开过 170 家餐饮首店，多数撑不过两年。\n这群餐馆、美甲店、医美诊所、宠物店、健身房老板每天最焦虑的就是\u0026quot;这周流水又掉了\u0026quot;。他们没空研究 AI，也不关心你用的是哪个模型。他们关心的只有一件事：你能不能帮我把客人拉进来。\n代运营这门生意，就是把流量卖给老板。\n怎么挣钱 替老板搞定店铺在抖音、小红书、视频号、微信群上的全部内容。每月给老板交付的是：每天 3-5 条短视频（AI 写脚本、AI 配音，剪映剪辑），每周 1-2 场直播，评论区和私信回复，再把进店客户引导加微信、沉淀到老板自己的微信群里（这套\u0026quot;加微信 + 群运营 + 老客户复购\u0026quot;的玩法，圈里叫\u0026quot;私域\u0026quot;）。\n老板按月付 3-5 千元，签 12 个月合同。\n一个人不止做一家店。AI 把单人产能放大 5-10 倍，所以你可以同时服务 8-15 家。\n利润在哪里 按市场公开报价排：\n抖音同城号代运营：3000-5000 元/月（行业大盘） 短视频套餐（每月 20-30 条）：5000-8000 元/月 全案技术托管：8000-15000 元/月 抖音企业号整体托管（含直播 + 广告投放）：约 8 万元/月（天花板） 成本端：一台电脑、一个人、几个工具订阅，一年总成本不到 5000 元。\n深圳人均可支配收入 81123 元，是全国平均的近 2 倍，老板对\u0026quot;花钱买流量\u0026quot;的接受度比内地高一档。一个自由职业者带 8 家企业月入 2 万以上不算难，单人天花板 15-25 家。\n门槛在哪 要求你会一点剪映、会发抖音小红书，听得懂老板说话（能区分美业老板、餐饮老板各自的痛点），愿意线下跑（前 3 家客户基本要靠登门拜访 + 老板群里混脸熟）。\n不需要技术、资金、团队或营业执照。\n哪种人适合做：你妈在小区开过美甲店，你爸开过烧烤店，你自己当过医美顾问。这种\u0026quot;懂本地小老板黑话\u0026quot;的人切入最快。深圳的另一个优势是非户籍人口占 65.9%，约 400 万湖南人在深圳，老乡老板的圈子是天然信任入口。\n哪种人别碰：完全没接触过线下生意、只跟代码打交道的纯互联网人。这群老板的信任建立靠当面聊一次，不是靠在线发文档。\n普通人怎么上手 四川三线城市的发型师小诗，新开店第 6 个月开始直播，一个人 20 天卖出 58 万元美发套餐，核销率 82%。上海的老沈 2024 年开了家家居代运营小公司，第一单是别墅桑拿房，第一条视频带 5 万成交，一周内第二条爆款带 15 万+。\n这些案例的本质是\u0026quot;老板焦虑 + 内容服务工业化\u0026quot;，深圳的密度比四川大几十倍，可复制性更强。\n挑一个你能理解的行业。深圳能下手的几条线：南山医美（340 家全国行政区第一）、福田餐饮（必吃榜全国前三）、罗湖东门美业、龙岗坂田单身公寓周边教培、宝安宠物，选一个开始。 找第一个客户。抖音搜索框打\u0026quot;深圳餐饮老板 抖音获客\u0026quot;，看\u0026quot;用户\u0026quot;标签，盯认证企业号 + 挂团购链接 + 评论区\u0026quot;地址多少\u0026quot;很多的商家。算法已经替你筛过。深圳的探店活跃度跟广州、重庆并列全国前三，几乎每个商家都在抖音上有活体。 私信第一条 100 字以内。看了您 X 路店的团购笔记，我帮同品类做过 [数据]，您最头疼客单还是到店率？不要一上来甩微信。 第一单免单。挑附近一家天天能去的店，连续跑 30 天，把到店数、私信数、团购核销数三个数字截图存档。 做案例集。图文并茂的 PDF，第一页只放数据。然后混本地餐饮老板群、美业老板群、商会群，给案例不给名片。 定价签合同。前 3 家收成本价 2000-3000 元/月，第 4 家开始按行业大盘 3000-5000 元/月。深圳老板付费习惯优于内地，但合同要写死四条：按月付款 + 月度复盘、风格不得服务竞品、第三方费用谁出、计划 B 怎么走。 第一条爆款的那一周就涨价或扩品类。老沈第一条带 5 万、一周内带 15 万+ 的窗口期，就是续约谈判节点。要么单价上浮，要么从短视频扩到\u0026quot;短视频 + 直播 + 微信群运营\u0026quot;全案。 开账号矩阵霸屏。阿强在某二线城市同城全屋装修类目下，搜索结果 70% 由自家不同账号发布，单月跑出 400 条线索。素人种草、营销号、设计师 IP、销售号四类并行，再分裂\u0026quot;[小区名] + 全屋装修\u0026quot;长尾词。深圳有几千个高档小区可以挂长尾词（华侨城、香蜜湖、前海湾、海上世界），一人管 10-15 个账号。 2. 跨境电商 AI 商品图工厂 卖家不是不会做图，是做不过对手出图的速度。\n中国跨境卖家有三分之一在深圳，亚马逊全球城市榜深圳排第一，光是注册的跨境企业就超过 15 万家。坂田 28.51 平方公里塞了 1 万家跨境电商公司，占深圳卖家的一半。龙华大浪服装小镇 700 家服企，宝安西乡、福田华强北做数码的更不必说。\n深圳的服装商拍真实成本是：国内模特 100-120 元一件、外国模特 1200-1500 元一小时、一套完整商拍 750-2000 元，月固定预算 8000-15000 元起。这个数字在 2024 年开始崩。做铺货的卖家一周上新 200 款是底线，每款都要主图、副图、详情页素材、短视频，欧美黑亚拉模特各一套。传统真人商拍单张 100-500 元、上新十几天，撑不住。\n怎么挣钱 替跨境卖家批量生产 AI 商品图、模特图、场景图和短视频。卖家拿到图直接上架亚马逊、Temu、SHEIN、独立站。\n服务方式两种。散单按张算：15-50 元一张，零售。包月套餐：300-500 张一个月，1500-3500 元打包，签 3-6 个月。\n核心利润逻辑：用国内字节、阿里、可灵的工具批量出图，单张实际成本只要 0.1 元，对外报 15-50 元一张，差价就是这门生意。\n服装类目最值钱。真人模特商拍贵、慢、款式多，AI 出模特图替代价值最高。深圳的龙华大浪、宝安西乡两个服装跨境基地，是最容易切的细分市场。\n利润在哪里 价格档位：\n国内工具批量出图（字节 Seedance 等）：每张 0.022 美元（约 0.1 元） 小红书散户接单：15 元/张 自建工作室定制：20-50 元/张 蘑菇街创始团队孵化的 AI 商品图工具套餐：298 / 598 / 1598 元（分别对应 2000 / 6000 / 20000 张算力） 猪八戒主图：700 元起 猪八戒详情页套餐：1000-2000 元 亚马逊官方高质量详情页：150-4000 美元 单张毛利 99% 以上。一个工作室一天能跑 300-500 张，月流水十几万不是难事。\n行业头部参考：深圳南山有一家叫\u0026quot;感知阶跃\u0026quot;的公司（注册地高新南七道国信投资大厦），做的 AI 商品图工具叫 ZMO.AI 和 Creati，高瓴领投 A 轮 800 万美元、B 轮 2000 万美元，Creati 做到 1000 万美元年化收入。深圳上市的跨境品牌（安克、傲基、绿联、影石、华宝新能源、赛维时代）总部都在这边，14-17 家上市公司聚成一条完整的供应链。\n门槛在哪 要求你会一点电脑（能装几个工具、会用文件夹管文件），有审美（能判断哪张图能让客户多点一下\u0026quot;加入购物车\u0026quot;），愿意调教提示词（AI 出图需要不断调输入的中文指令，耐心比技术重要）。\n不需要英语（你服务的是国内卖家，老板自己懂英语）、跨境运营经验（卖家自己懂亚马逊规则）、专业摄影设备或美术功底。\n哪种人适合做：在家带娃的全职妈妈、设计专业在校生、想要副业的程序员、被裁的互联网运营。有时间、有审美、能坐下来调工具的人。深圳的特殊优势是你能直接坐地铁去坂田、龙华、宝安找卖家面谈，比远程接单的工作室多一层信任。\n哪种人别碰：从来不懂电商、连淘宝主图是什么都不知道的人。这门生意的判断标准是\u0026quot;卖家点击率\u0026quot;，不是\u0026quot;图好不好看\u0026quot;。\n普通人怎么上手 找对标。各种《零成本！上传服装图片即可生成模特上身展示图》，还有《AI 电商模特换装副业，日收入 300+》的帖子。发帖结构、评论区话术，走的是闲鱼挂链接还是小红书种草导流全部抄走。 9.9 元 5 张做钩子。试用单单价压到自己微亏（大约成本 0.5-2 元/张），目的不是赚钱，是拿到客户的产品款信息和审美偏好。 第三天报月度阶梯。30 张 599 元、100 张 1499 元、300 张 3500 元。旗舰档夹一个\u0026quot;专属模特 AI 模型训练 999 元/个\u0026quot;。一旦给客户训了一个属于他品牌的模特脸，他换供应商的成本就上来了。 案例集第 1 页只放硬数据。\u0026ldquo;已服务 12 个亚马逊卖家、累计出图 8000+、单款主图点击率平均提升 21%、平均节省商拍成本 92%\u0026quot;。第 2 页摆成本对比表：\u0026ldquo;传统商拍 1500 元 比 本工作室 50 元，7-15 天 比 24-48 小时\u0026rdquo;。跨境卖家不看美感，只看这两页。 冷启动专挑细分类目啃。广州大码女装卖家林姐那条案例的启发：主动找大码女装、孕妇装、银发装、宠物服，这种\u0026quot;真人模特最贵最难找\u0026quot;的类目，AI 替代价值最高。深圳本地能直接切龙华大浪服装基地、宝安西乡童装、华强北数码商品图。 混深圳跨境圈。线下圈子有你拿不到的资源。 三阶段扩张： 0→1 万跑 60 天：靠闲鱼、小红书和论坛帖接 5-8 个散户 1→3 万跑 180 天：把散户翻成 3-5 个月度订阅，本地部署开源 AI 出图模型把成本压低 30% 3→5 万+ 跑 360 天：要么垂直做透一个类目，要么升级到 AI 走秀视频（5-10 秒一条 199 元） 私信跨境卖家的第一句话不要说\u0026quot;我可以帮你做 AI 图\u0026rdquo;。要说：\u0026ldquo;我帮你把单款详情页素材从 1500 块压到 50 块，48 小时内出齐 12 张主图、6 张场景图、3 张详情页素材。\u0026rdquo;\n3. AI 外贸获客（帮工厂老板拿订单） 工厂老板不缺产能，缺客户订单。\n深圳 2024 年进出口 4.5 万亿，连续 32 年全国第一。前海一个区 2024 年进出口 7000 亿，跨境电商 1210 亿、同比增长 102%，1 万个卖家和 100 家服务商挤在前海。深圳的 16 个国家一类口岸全国最多，深港陆路货运占 70%，跨境通关 3 分钟。\n但深圳本身只是一头。真正的工厂在周边产业带——东莞虎门 3000 家服装工厂、东莞松山湖电子产业万亿规模、中山古镇 3 万家灯饰工厂（占全球一半）、中山小榄锁具占全国 30%、惠州大亚湾电池千亿规模。这些工厂老板都靠阿里巴巴国际站的金牌橱窗活了十几年，现在站内流量越买越贵，销售开发邮件的平均打开率从 2019 年的 3.8% 跌到 2024 年的 0.4%。\n老板订单簿排到下个月就空白。这群人最容易被一句话戳中：你帮我每月拿 30 封真的客户咨询邮件，月费三五千没问题。\n怎么挣钱 替工厂老板跑一整套\u0026quot;找客户、发邮件、跟进、收咨询\u0026quot;的流水线。\n具体交付：每月给老板拉 200 个海外采购商的精准名单，每月发 50 封个性化的销售开发邮件（不是模板群发），每月跑 4 封跟进邮件（当天、第 3 天、第 7 天、第 14 天），月底交一份\u0026quot;打开率、回复率、客户来源分析\u0026quot;的报告。\n按月收 3000-15000 元，签 6-12 个月。\n差价就是工作室的命。同一套海外工具组合（Apollo + Smartlead + GPT），工厂老板买不到、看不懂、配不动。你打包卖服务，他付得心甘情愿。\n利润在哪里 先解释一下：客户咨询邮件就是海外买家主动发来问\u0026quot;你这个多少钱\u0026quot;\u0026ldquo;能不能寄个样品\u0026quot;\u0026ldquo;能不能定制\u0026quot;的邮件。比起冷名单，它已经带了买的意向，离订单只差三五步。工厂老板最值钱的就是这种邮件，能多收几封意味着下个月车间不会停。\n工具成本和报价：\n你的工具成本：海外名单工具 Apollo（59 美金一个月）+ 邮件自动发送工具 Smartlead（39 美金一个月）+ ChatGPT Plus（20 美金一个月）= 约 850 元一个月 你向工厂老板报价：3000-15000 元一个月 差价：每月 2000-14000 元，纯利润 行业里能对标的本土软件是 OKKI（小满科技），总部在深圳南山华润置地大厦，2021 年被阿里全资收购，2024 年在外贸软件工具类 14.7% 市占率全国第一，4 万家付费客户。但这只是软件订阅，老板买了也得自己用。你卖的是\u0026quot;我帮你跑这套流程\u0026rdquo;，卡的正好是这个位置。\n真实甲方案例：青岛王老板用某外贸软件，管理效率拉 30%；01 年的小何，2 人加 1 个 AI 卖健身器材做出 300 万销售；某新能源摩托品牌 3 个月独立站拿 600+ 客户咨询邮件；重庆某机械厂 6 个月拿到 566 封咨询邮件。\n门槛在哪 要求你英语能读懂回信加上 GPT 帮改语气（四级水平就够），会一点电脑（能配置几个海外工具的账号），有一点细分行业常识（你要选一个品类深耕，比如电动滑板车、宠物零食、五金紧固件），有一点销售嗅觉（读得懂客户咨询邮件背后的真实需求）。\n不需要英语母语、外贸经验、租办公室或团队（1 人加 1 个 AI 真能跑出 300 万销售）。\n哪种人适合做：在外企做过 1-2 年的人（懂邮件礼仪），四级以上英语加上学过一点电商的人，之前做过淘宝客服或销售的人。深圳的额外优势是科技园 + 福田中心商务区集中了密度最高的英语熟练打工人，前海聚集了一万家跨境贸易公司——找同行学、找客户面谈都比内地容易。\n哪种人别碰：完全没接触过国际商务、看到英文邮件就发怵的人。这门生意一半靠工具一半靠人，人那一半的灵魂是\u0026quot;我能用英文跟客户来回拉扯\u0026rdquo;。\n普通人怎么上手 工具控制在 850 元一个月。Apollo 基础版（59 美金，可查 2.5 亿条海外联系人）+ Smartlead 基础版（39 美金，自动发邮件序列）+ ChatGPT Plus（20 美金，改邮件语气）。前期不必上别的。 第 1 周免费跑一遍给老板看。先帮老板免费跑 100 个客户资料整理（包括官网、决策人邮箱、近半年采购线索），发 30 封邮件，第 7 天交报告。第 8 天再谈月费 3000 元。 邮件标题改 4 个字，打开率从 8% 拉到 35%。把 \u0026ldquo;We are a professional manufacturer of LED lights\u0026rdquo; 换成 \u0026ldquo;Mike from {{你的公司}} (LED 供应商), 给你的照明业务节省 30% 成本\u0026rdquo;。有阀门厂把客户官网年停机时长 420 小时塞进标题，提出降到 265 小时，打开率冲到 58%，3 个月签下 3 个百万欧元订单。 跟进邮件四封：当天、第 3 天、第 7 天、第 14 天。Smartlead 里建好序列扔进去自动跑。 混对的圈子。每周在里头发 1-2 篇\u0026quot;我用 AI 帮 X 行业跑出 X 封客户咨询邮件\u0026quot;的真实截图。工厂老板互相认识，看到数据的会主动来。 三档报价。第 1 单 3000 元一个月（100 名单 + 50 封邮件 + 月报），跑 2-3 个月沉淀几个去掉客户真实名字的案例。第二批客户 5000-8000 元一个月。垂直做透后 10000-15000 元一个月。 4. AI 数字人短视频（含直播切片） 老板想做个人品牌又不想露脸，带货团队想用一条直播切出几十条短视频卖货。AI 数字人吃的就是这个缺口。\n先解释两个词。切片，就是把头部主播的一场直播拆成几十条短视频，挂同款商品链接卖货，剪辑工拿佣金。矩阵，就是用多个账号同时发，把同一关键词的搜索结果占满。\n深圳有两个本土数字人头部公司值得知道。一个是闪剪智能，总部在宝安，2024 年数字人垂类应用全国第一，用户超 3 亿。另一个是诗云科技（HeyGen 的国内主体），总部在南山，2024 年年化收入突破 2000 万美元、估值 4 个月增长 6 倍。\n怎么挣钱 三条路并行，按门槛和回收速度排：\n外包接单：淘宝、拼多多挂\u0026quot;AI 数字人宣传视频 1 小时出片\u0026quot;，本地餐饮、美妆、医美门店 50-200 元一条收。 切片操盘：拿头部主播的授权，把他的直播切成几十条短视频卖货，按成交额分佣（三七、四六、五五阶梯）。 自营矩阵：用一个 AI 数字人跑 5-10 个账号，挂自己选的品（中老年养生、知识科普、本地老板 IP），靠流量分发出货。 钱从哪里来？深圳的需求池有两块特别大。一是跨境电商：深圳 12 万家跨境卖家、18 家上市公司全国第一，全是天然的\u0026quot;AI 代外模出镜\u0026quot;客户，闪剪官网公开标杆里就有跨境电商业绩 +600% 的案例。二是愿意花大钱做个人品牌的老板群体：深圳医美机构 809 家全国第二，南山 284 + 福田 256 + 罗湖 97 三个中心商务区合计 637 家，再加上律师、保险经纪、跨境老板。这群人想做个人品牌但不想出镜，正是数字人代做 IP 的精准客户。\n利润在哪里 价格档位：\n纯口播短视频外包：50-150 元一条，成本不到 15 元 单条数字人讲解视频（深圳本地报价）：5000-9000 元一组 国内主流数字人订阅工具：蝉镜 298 元一个月、飞影 120 元起、闪剪年卡 398 元 国内某数字人头部企业客单价 35 万元，2024 年营收 6.55 亿冲港股 IPO 杭州某 AI 直播工具帮某国产运动品牌跑出近 1 亿成交额，投入产出比超 90 倍 切片分成阶梯（某头部带货机构）：单条视频成交额 5 万以下三七、5-10 万四六、10 万以上五五 单条毛利 70-90%。一台电脑、一个数字人账号，一天产 30 条口播视频，这是最朴素的流水线版本。\n矩阵跑通后单人月入 5 万到 20 万不是难事。\n门槛在哪 要求你会用剪映（能开能剪能加字幕），有一点选题嗅觉（什么话能在抖音上让人看完），接受平台风险（这门生意被监管盯得最死，账号说封就封）。\n不需要出镜（克隆一次形象永久使用）、嘴皮（口播稿全是 AI 写）、剪辑功底（自动切片工具）或选品（切片是头部主播挑好的款）。\n哪种人适合做：在主播经纪公司当过剪辑、在抖音运营过账号、对短视频选题有\u0026quot;网感\u0026quot;的人。深圳的额外好处是腾讯总部就在这里，视频号的产品、运营、生态团队都在深圳，本地服务商对视频号红利的捕捉比外地快一拍。深圳本土的腾讯广告核心服务商深圳厚拓（在车公庙），11 年累计服务 5 万家华南企业。\n哪种人别碰：完全不刷短视频、不了解平台规则的人。切片工厂里 60% 以上的剪辑工一个月内主动解绑授权，撑不下去的居多。还要提醒一件事：腾讯云开发者社区披露过一个真实案例，有人在深圳做医美生意，拿了数字人代理 100 万、一开播就被封号、全额退款。代理坑要绕开。\n普通人怎么上手 按手里资源排，外包接单门槛最低，切片操盘中等，自营矩阵最重。\n路径 A：外包接单。淘宝、拼多多挂\u0026quot;AI 数字人宣传视频 1 小时出片\u0026quot;，或者入驻猪八戒、云工网走 7 元克隆低价位。深圳本地餐饮、美妆、医美门店 50-200 元一条收，单条成本压在 50 元内（蝉镜会员 298 元一个月摊到分钟约 3.3 元）。 路径 B：切片操盘，先过众小二 App 这道门。下载、底部\u0026quot;分发\u0026quot;、\u0026ldquo;学习考试\u0026rdquo;、看完 4 节课（约半小时）、在线考试、添加主播账号、主播经纪公司授权、签合同。准入硬条件：抖音 1000 粉以上 + 商品橱窗 + 500 元保证金 + 主页 10 条以上无违规作品。授权后 24 小时内必须删掉无关作品和链接，否则自动解约；单主播授权账号上限 5000。薪酬画像：切片工厂组长 1.2 万，普通员工 6-7 千。 路径 C：自营矩阵，先克隆一个数字人。拍 5 秒到 1 分钟正面说话视频，1080p、纯色背景、光线均匀、不戴口罩墨镜；录 30 秒到 1 分钟纯净音频。蝉镜加 DeepSeek 组合最便宜：DeepSeek 写稿，蝉镜上传形象生成视频，剪映加 1.5 秒固定片头。 一天 30 条工作流照搬。7-9 点豆包扫热点，DeepSeek 写 100 个选题筛 20。9-11 点套开头模板写稿。11-13 点蝉镜或飞影生成视频。13-16 点剪映二剪。16-18 点矩阵分发，同一 IP 多账号间隔 30 分钟以上。21-23 点抓视频号中老年睡前出货高峰发布。 矩阵号扩到 10 个之前，账号隔离三件套不能省。指纹浏览器、每个号绑独立住宅 IP、Cookie 完全隔离。硬上限：同一手机 IP 当天最多注 2 个号，同一网络 IP 当天最多 5 个。 小红书新号 30 天养起来有个明确的开播触发线。短视频点击头像比例达 1.5% 时立刻开播，转化率相差最高 40 倍。 5. AI 简历优化与求职陪跑 前四节卖给老板，这一节卖给打工人。\n凌晨两点改简历的人，付钱比谁都快。这门生意的现金流来源不是 AI，是失眠。深圳是这种失眠的最大供应方之一。\n南山科技园塞着 12000 人容量的腾讯滨海大厦，腾讯 2025 年二季报员工总数 11.12 万，2 万员工已计划从南山迁去宝安。后海的字节后海中心 7.74 万平方米、阿里中心 12.33 万平方米、小米国际总部 4.6 万平方米排成一条。龙岗坂田华为基地里大概 4 万人。福田中心商务区招行大厦 + 平安金融中心 600 米 118 层。同一时段在发生的事：字节飞书裁员 20%、深信服一次性裁员 749 人 + 2024 净亏 5.92 亿、华为外包转正部门间从 20% 到 80% 不等。深圳程序员 2024 年失业率 7.4%，全国是 5.1%。\n35-45 岁求职者 2025 年投递量同比涨 180%，\u0026ldquo;中年焦虑\u0026quot;心理咨询量同比涨 150%。南山二手房均价 8.4 万一平、成交套均 806 万、月供典型 1.5-2 万元。失业 2-8 个月，意味着 6-16 万房贷净支出。\n整个全国的求职陪跑客户里，深圳贡献了一群\u0026quot;愿意付高价、付得起高价、付得越快越好\u0026quot;的最焦虑买家。\n怎么挣钱 替求职者搞定从简历优化到模拟面试再到投递辅助的整条链路。\n具体卖什么：\n简历改写（最入门）：客户给你一份原简历加目标岗位描述，你用 AI 改成\u0026quot;量化业绩 + 关键词回填 + 适配简历自动筛选系统\u0026quot;的版本，交付 PDF 和 Word。 模拟面试：1-2 次腾讯会议录屏加反馈表，针对客户目标岗位练题。 求职陪跑包：4-12 周的全流程辅导，含简历、面试、岗位匹配、内推、谈薪。 单价从 99 元一份简历到 5-6 万元的保录用包都有。一个人一天 2-8 单是健康节奏，单月能破 5 万。\n利润在哪里 价格梯子：\nDeepSeek 加提示词单份改简历：99 元，一天 2-3 单月入小几千 小红书博主套餐：99-199 / 299-499 / 699 元三档 深圳本地行情：改简历 300-888 元、1 对 1 咨询 500 元一小时、陪跑套餐 2500-3999 元、保录用包约 2 万元、内推 7-8 千元 留学生保录用冲刺包：57800 元 留学生不保录用版：37800 元 AI 模拟面试单场：30 元 真人模拟面试单次：200-400 元（贵 6-13 倍） 最低 99 元跑量、最高 5-6 万的陪跑包同时存在。低价档毛利率 70%，高价档 90% 以上。\n门槛在哪 要求你知道一个行业的招聘逻辑（互联网研发、投行咨询、留学回国，选一个深耕），能调教 AI 提示词把岗位描述拆得比招聘人员还清楚，愿意听别人哭（客户深夜来私信抱怨被裁，你得接得住），有耐心（一份简历改 2-3 轮是常态）。\n不需要招聘人员背景（但有大厂、投行、海归经历会让你客单价直接翻 5 倍）、心理咨询师证（你卖的是改简历，不是诊疗）、租办公室（闲鱼、小红书、飞书会议室就够）、前期投资（几十块一个月的 AI 工具加录屏工具就开干）。\n哪种人适合做：当过招聘、做过应届招聘的人，最近 2 年在大厂被裁但跳到了新岗位的人，留学回国当过 3 年以上招聘官的人，猎头转型的人。深圳本地玩的人有一类天然优势：你刚从腾讯、华为、字节、招行、平安里出来，能聊清楚南山科技园、坂田、福田中心商务区三个区域的招聘逻辑差异。客户付钱给你，本质就是付钱给这种\u0026quot;我在里面待过\u0026quot;的真实感。\n哪种人别碰：自己刚毕业、没有完整的\u0026quot;投简历、面试、拿录用通知\u0026quot;经验的人。客户最怕付钱给一个跟自己处境差不多的人。\n普通人怎么上手 闲鱼一个 50 元的\u0026quot;简历代写\u0026quot;累计卖了 5 万份。掘金博主老辉原本干建筑岗，靠 GPT 跨界，半小时一份、100 元到账。数英作者花 180 元实测，对方返回 12 页、3164 字的修改计划。\n底层早跑通了：不装大厂招聘，老实交付加 AI 提速。\n人设三选一：大厂面试官、过来人经验分享、公司老板。 闲鱼标题四段公式：品牌词 + 产品词 + 修饰词 + 热搜词。起手价 50-99 元，低于 50 挤模板搬运区，高于 99 没评价撑不起。 第一单照搬老辉的 4 步。先分清\u0026quot;重写\u0026quot;还是\u0026quot;原稿改\u0026rdquo;，让客户把目标岗位描述一起发，工作经历分段喂 GPT，套模板加确认。固定 5 件交付物：评估 PDF、改后 docx 加 PDF、每处改动旁批注、24 小时免费调整一次、命名 {姓名}_{岗位}_v{N}.pdf。 提示词 6 维框架。结构、内容强化（\u0026ldquo;负责销售\u0026quot;改成\u0026quot;三季度同比 +37%，680 万→930 万\u0026rdquo;）、STAR 法则（按\u0026quot;情境、任务、行动、结果\u0026quot;四段写）、去口语化、去图去表去多列适配简历自动筛选系统、岗位描述关键词回填 8-12 个。互联网卷\u0026quot;项目 + 技术栈 + 业务影响\u0026quot;，金融国企（招行、平安、深证通这类深圳头部金融机构）换\u0026quot;合规 + 持牌 + 跨部门\u0026quot;，35+ 把日期粒度调到年、教育栏沉底。 小红书连更 15-30 天。套\u0026quot;数字 + 反差 + 时间限制\u0026quot;造标题，比如\u0026quot;投了 80 份没回复，改 3 行后一周拿到 5 个面试\u0026quot;\u0026ldquo;拆 30 份大厂岗位描述，高频关键词只有 12 个\u0026rdquo;。让搜索系统先识别成简历类账号。深圳本地的搜索词流量入口已经在跑：南山被裁、华为外包转正、字节飞书裁员、35 岁腾讯优化。 涨价五档： 99 元：改写 1 份加 24 小时交付，沉淀 5-10 条评价 199 元：加简历自动筛选系统命中率打分、求职信、2-3 个岗位版本 599 元：加腾讯会议录屏讲解、模拟面试反馈表 2999 元：4 周陪跑加每周飞书复盘 5999 元：加内推、谈薪 不碰自动投递。BOSS 直聘 2025 三季度封禁刷单账号近 2 万个，账号被封索赔全落在服务方头上。\n合规版做\u0026quot;投递辅助包\u0026quot;：自动填表、公司清单、客户自己点提交。\n结语 这一波 AI 浪潮真正赚到钱的，是会落地 AI 满足商户和打工人需求的人。\n深圳 AI 只赚钱需要两件事：\n能听懂老板真实的痛点 能把业务串成一条交付能跑的工作流 ","permalink":"https://ryrenz.com/zh/industry/shenzhen-ai-five-businesses/","summary":"本地商家代运营、跨境电商 AI 商品图工厂、AI 外贸获客、AI 数字人短视频、AI 简历优化与求职陪跑。普通人不需要技术背景、不需要资本、不需要团队，靠 AI 放大单人产能去服务深圳那些焦虑但不会用 AI 的中小老板和打工人。每个生意按怎么挣钱、利润、门槛、上手四块讲透。","title":"深圳搞 AI 的五个好生意全拆解"},{"content":"让 GPT 给你写一部类似《三体》的硬科幻、一部哈利波特式的西方玄幻一部网文爽文，它写到一万字的时候大概率就开始胡说八道，人设、剧情全都一团糟。\n绝大多数人到这里就放弃了，开始下结论：AI 写不了长篇小说。\n不讲道理我们先来看四件事：\n2024 年 1 月，日本作家九段理江凭《东京都同情塔》拿到日本文学最高奖芥川奖。她公开承认全书约 5% 的文字直接来自 ChatGPT。评审团说这部小说「近乎无懈可击」。 美国独立科幻作家 Joe Vasicek，过去写一本书要 6 个月到 2 年。他用现在的工具，最近一本 18 章、80 个场景、153,254 字的科幻小说，AI 生成阶段只用了 5 天。 美国类型小说作者 Leanne Leeds，5 个系列 40+ 本书，Amazon 平均 4.5 星。Beta 读者完全察觉不到她用了 AI。她一本书写 3 周。 2026 年 3 月，全球五大出版社之一的 Hachette 紧急撤销一本叫《Shy Girl》的恐怖小说。这本书 2025 年 11 月正式出版，在 BookTok 上被捧成爆款，Goodreads 上 4900 多个评分。被撤的原因是一家叫 Pangram 的 AI 检测公司测出全书 78.4% 是 AI 生成的。 他们用的工具，你大概率没听过。他们的工作流，主流中文媒体几乎不报道。他们的成绩单，已经在 Amazon、芥川奖颁奖台、Hachette 的预售榜上出现。\nChatGPT 和 Claude 不是好工具 绝大多数人对「AI 写小说」的认知停在一个动作：打开 ChatGPT，输入提示词，让它一口气写下去。\n这种用法做不出长篇。原因之前讲过：大模型的上下文窗口是个 FIFO 队列，写到第 20 轮主角性格就开始飘，第 50 轮世界观开始塌。Gemini 给你 1M token 看着大，注意力测试显示模型在超过 50-100k token 之后中间段落基本被忽略，学术界叫 lost in the middle。窗口装得下，模型用不上。\n真正写长篇的人解决这事的路径分三层：\n第一层：用专门为小说设计的前端，比如 Sudowrite、NovelCrafter，它们替你管理上下文怎么注入给模型。 第二层：在专门前端之外，用 Scrivener / Atticus 当主力写作软件，AI 只在场景扩展、描写润色、大纲推演这些点上介入。 第三层：把 Claude API 接进自定义工作流（Notion / Obsidian / 自建工具），AI 当成可调用的子任务，不是主笔。 使用他们的人基本都是外国作家，下面一个个介绍。\nSudowrite 加 Muse 是西方主流选择 如果你只用 Claude 网页版写小说，你不知道，市面上有一个专为小说设计的工具，把 Claude / GPT / Gemini 全部当后端调用，还自己训了一个专门写小说的模型。\n这个工具叫 Sudowrite。\n它做的事用一句话讲：把\u0026quot;写小说\u0026quot;这件事拆成几十个 UI 组件，每个组件背后调一个大模型。你不再是对着一个空白对话框跟 AI 聊，你是在一个像 Photoshop 那样的界面里——左边是角色和世界观面板，中间是正在写的章节，右边是 AI 生成的候选段落。\nSudowrite 这家公司本身就值得讲：\n2020 年成立于旧金山，bootstrap 模式，到 2025 年只融过一轮 300 万美元 16 人团队，2025 年 ARR 180 万美元 投资人名单是硅谷连续创业者圈子加好莱坞编剧圈子：Twitter / Medium 创始人 Ev Williams、Gumroad 创始人 Sahil Lavingia、WordPress 创始人 Matt Mullenweg、《阿拉丁》编剧 John August、《谍影重重 3》导演 George Nolfi 2025 年 3 月 Sudowrite 推出自有模型 Muse 1.0。3 个月后推出 Muse 1.5。2026 年 Muse 1.5 成为它的默认模型。这是一个专门拿已出版小说微调过的模型，不擅长写代码，不擅长答题，只擅长一件事——写小说。\n官方在 changelog 里说：在内部盲测中，Muse 1.5 写出来的段落，被作者偏好的比例是 Claude 3.7 Sonnet 的两倍。\n这个数据要打折看。盲测是 Sudowrite 自己做的，没有第三方验证，没公开方法论。但同时，重度用户在博客和播客上反复确认 Muse 在感官细节和小说语感上确实强。\n举个例子。描写「奇怪的书」时，普通大模型给你的是「皮革的气味」这种泛化句。Muse 1.5 给的是：\n「磨损皮革与旧木摩擦的声响。一丝金属血腥味。封面带着雷击后的土腥气。」\n这种感官层的颗粒度，是 Sudowrite 投了几百万美元微调模型换来的能力。\nSudowrite 的核心功能：\nStory Bible（故事圣经）：你写下世界观、角色、大纲，Sudowrite 把它存成结构化数据，写每一段时自动把相关部分塞给模型。等于一个永远在线的\u0026quot;小说设定百科\u0026quot;。 Describe（描写）：选中文本里一个名词，比如「那本奇怪的书」，自动从视觉、嗅觉、触觉、听觉、味觉五个角度给你 3 个候选描写。 Expand（扩写）：选中一句骨架，比如「她伸手打开了那本书」，自动扩成完整段落。 Brainstorm（脑暴）：输入一个场景或问题，给你 5-10 个创意选项，不写完整段，只给灵感。 Draft（生章节）：输入一个章节大纲（每个场景写 200-500 字描述），生成完整章节。 Sudowrite 重度用户在做什么 光看功能很抽象。来看三位真正用 Sudowrite 写出过书的作者具体是怎么用的。\n案例一：Joe Vasicek 把写一本书的周期从 2 年压到 14 天 Joe Vasicek 是美国独立科幻作家，KDP 平台出版过 20+ 本书，代表作《Captive of the Falconstar》系列。\n他在自己博客里公开过最近一本书的全部数字：\n书名：《The Soulbond and the Sling》 章节：18 章 + 序言尾声，80 个场景 总字数：153,254 字 预写阶段（大纲 + 世界观）：9 天 AI 生成阶段：5 天 后续人工修订：未公开具体天数，但「占总时间的最大块」 消耗 Sudowrite credits：约 77 万个 他的工作流用的是 Claude。他在博客直接说，Claude 的章节级输出「令人惊叹」，让他「感觉更像在第一次读小说而不是在写它」。 Muse 1.5 他用作平行版本生成器——同一段输入分别让 Claude 和 Muse 写，手工挑出更好的段落拼合。\n他给所有想试 AI 写作的人一句话警告：\n「最糟糕的做法是让 AI 做所有的工作。AI 不真正创作，它只是分析人类语言的模式并复制那些模式。」\n他在生成完每一章 AI 稿后，会在新文档里手动重写一遍，绝不复制粘贴，AI 稿只当成「随时查阅的参考」。\n案例二：Leanne Leeds 一年写 12-15 本书，Amazon 平均 4.5 星 Leanne Leeds 是美国类型小说作者，5 个系列覆盖当代超自然、奇幻、中年推理，40+ KDP 出版作品，Amazon 平均 4.5 星，Beta 读者察觉不到 AI 痕迹。\n她在 The Creative Penn 播客上完整公开过自己的工作流：\n骨架初稿：她自称为「无聊写作」。只写动作和对话，比如「他看了她一眼，她也看了他，他眨眨眼，她吻了他」。不写任何描写。 双屏配置：中间屏跑 Scrivener，左屏挂 Sudowrite + ChatGPT + Quillbot。 场景扩写：选中骨架段落，用 Sudowrite 的 Rewrite 功能扩写。她会给具体指令，比如「show not tell」、「写出脸上的表情」。 谜题元素：推理类场景丢给 ChatGPT 生成「红鲱鱼线索」和「嫌疑人清单」。 句子润色：交给 Quillbot 做最后一道。 关键数字：\nAI 文本占最终稿的比例：约 10%（她用文本比对工具实测，稳定在 8-11% 之间） 写完一本书的时间：约 3 周 她的书在版权页都加了 AI 辅助创作的披露声明 她有一句被引用过很多次的话：\n「我用 AI 解决我自己写作的弱项，让读者有更好的阅读体验。」\n到 2026 年她已经从纯 Sudowrite 迁移到 Claude + Gemini Pro + NotebookLM 的组合。她在最新一期播客里说：\n「我不用 AI 做情节建议——我知道每个章节和场景要去哪里。我用 AI 来更好地表达我想说的话。」\n案例三：Joanna Penn 在 NYT 畅销榜上的 AI-Assisted Artisan Joanna Penn（笔名 J.F. Penn）是英国悬疑惊悚作家，ARKANE 系列上过 NYT 和 USA Today 畅销榜，2025 年新作《Death Valley》。\n她在自己播客 The Creative Penn 上把整套定位讲过：AI-Assisted Artisan Author（AI 辅助工匠型作者）。她的具体玩法：\n用 ChatGPT 做研究和大纲 用 Sudowrite 做场景描写扩展 用 Midjourney 做封面 用 ElevenLabs 克隆自己的声音做有声书 用 Runway ML 做书籍预告片 每个 prompt 超过 100 词，「像对待员工一样把脑子里的东西传达给它」 2026 年初她公开宣布个人战略从「高量低价数字书」转向「优质实体书 + 溢价产品」，AI 辅助研究和重复工作，自己专注创意决策。\n第二个核心工具：NovelCrafter 加 Codex 如果说 Sudowrite 是「AI 写作工具」（AI 是主体），NovelCrafter 是「写作软件 + AI 连接器」（你是主体，AI 是被调用的）。\n公司背景：\n2023 年成立，创始人 Leonie Grabel，德国汉堡人 德国有限责任公司，完全 bootstrap，无 VC 10 人团队（含 2 只办公室狗） 157,000 注册作者 定价 $4-20/月 它的核心是 Codex。这个东西用人话讲就是：你自己建一个小说世界观的数据库，里面每条记录是一个角色、地点、势力、道具。每条记录有名字、别名、描述、自定义字段、跟其他记录的关系链接。\n写作时，系统扫描你正在写的段落，只要里面出现了某个 entry 的名字或别名，就把这条 entry 的所有信息自动塞进 AI 的上下文。等于一个「永远在线、自动响应、关键词触发」的世界观参考手册。\n它还有一个叫级联关系的功能。如果角色 A 跟地点 B 关联，地点 B 跟势力 C 关联，势力 C 跟人物 D、E 关联，你写到 A，系统会自动把 B、C、D、E 全部塞进上下文。\n这套机制解决的是 Sudowrite Story Bible 解决不了的问题：跨书系列。一个奇幻三部曲，三本书共用同一套 Codex，主角性格、世界观、势力关系不会因为换书而失效。\nNovelCrafter 兼容 300+ 模型。具体怎么实现的？它本身直接集成 8 个提供商（OpenAI、Anthropic、Google、Mistral、Groq、Anyscale、本地 LM Studio、本地 Ollama），300+ 是通过 OpenRouter 这个聚合器实现的。你可以用 Claude Opus 4.7 写一章，也可以用本地跑的 DeepSeek 写一章。\n2026 年的长篇写作模型实测 inkfluenceai.com 在最近做过一次系统横评，7 万字小说生成测试，满分 70 分：\n关键发现：\nClaude Opus 4.7 在跨章节角色保持上最稳定，能「正确维持第 3 章仅出现一次的次要角色的语音模式」 GPT-5 情节逻辑最强，但角色细节容易丢失 Gemini 2.5 Pro 的 1M 上下文理论上最强，但写作风格分最低 更扎心的是成本对比：\n70k 字小说的 API 费用，Claude Opus 4.7 约 $32 同一本，Claude Sonnet 4.5 约 $5.50 质量差距只有 4%，成本差距 88% 社区共识：用 Sonnet 做日常章节生成，用 Opus 做人物描写检查和关键章节精修。\nAI 写作的成绩单 把所有真正用 AI 写出像样作品的人摆在一起：\n九段理江：2024 年 1 月，《东京都同情塔》获日本芥川奖。ChatGPT 占稿 5%。评审团评价「近乎无懈可击」。 日本星新一奖第 13 届：本届约 1/4 的投稿含 AI 信号。大奖《基因组之塔》是 AI 加人类协作。该奖制度化规则：禁止逐字复制 AI 原文、须留存创作过程记录。是全球少数主动接纳 AI 辅助投稿的文学奖。 Leanne Leeds：40+ KDP 出版作品，Amazon 平均 4.5 星。Beta 读者察觉不到 AI 痕迹。 Joe Vasicek：20+ 科幻 KDP 出版作品，写作周期从 6-24 个月压缩到 1-2 个月。 Joanna Penn：ARKANE 系列上过 NYT 和 USA Today 畅销榜。 Elisa Shupe：美国退伍军人，《AI Machinations》。2024 年 4 月美国版权局首次给 AI 协作作品颁发有限版权——这是版权法里程碑案例。 读者已经无法识别 AI 小说了 这是一个完整的故事，要从头讲。\n2025 年 2 月，一位叫 Mia Ballard 的美国作者，在 Amazon KDP 上自出版一本恐怖小说，书名《Shy Girl》。封面是一个女孩的剪影，主题是创伤、孤立、童年阴影。\n这本书很快在 BookTok（TikTok 上的读书社区） 上爆火。书评博主拿着实体书拍开箱视频，给 5 星，强烈推荐。Goodreads 上积累了 4900 多个评分，平均 3.52 星。\n爆火被全球五大出版社之一的 Hachette 看见了。Hachette 是什么概念——它是「五大出版社」中的一员，跟 Penguin Random House、HarperCollins、Simon \u0026amp; Schuster、Macmillan 并列，全球出版业的最顶层。它旗下的英国 imprint Wildfire 出过《五十度灰》。\n2025 年 3 月，Hachette 旗下两个 imprint（美国的 Orbit Books、英国的 Wildfire）联合收购了《Shy Girl》的版权。这意味着一本自出版的恐怖小说，从 KDP 一路爬进了五大出版社的预售目录。\n2025 年 11 月，英国版正式发行，售出约 1800 册。\n故事到这里都还是个 BookTok 爆款被大社签下的标准成功路径。\n转折发生在 2026 年 1 月。\n一位叫 Frankie 的 YouTube 书评博主（频道名 Frankie\u0026rsquo;s Shelf），发了一段长达 2 小时 40 分钟的分析视频，标题《i\u0026rsquo;m pretty sure this book is ai slop》（「我相当确信这本书是 AI 垃圾」）。\n她在视频里给出的具体证据：\n描述门闩位置时反复用「三组一列」的结构 全书单词「sharp」出现的频率异常高 排版上有「令人困惑的决定」（比如某些段落突兀的换行） 不同段落的叙事声音不一致，像不同人写的 这段视频在 BookTok 和 X 上疯传，播放量到 150 万+。\n更狠的是接下来一个动作。Thad McIlroy 是一位出版业分析师，他把《Shy Girl》的电子书提交给一家叫 Pangram 的 AI 检测公司。Pangram 是目前学术界引用率较高的 AI 检测工具之一。\nPangram 的检测结果：78.4% 的文字是 AI 生成的。\nMcIlroy 把检测报告联系给《纽约时报》记者 Alexandra Alter。2026 年 3 月 19 日，《纽约时报》发表调查报道。\nHachette 接到 NYT 通知后一天之内取消了美国出版计划，同时停止英国继续销售。声明措辞谨慎：经过「漫长调查」后决定取消出版。没有直接指控作者。\nMia Ballard 本人的回应非常意外。她坚称自己没有用 AI 写作——她说，是「一位她聘用的自由编辑在她不知情的情况下使用了 AI 工具」。因为正在进行法律诉讼，她拒绝进一步公开发言。\n这是出版界 2026 年最重要的事件，因为它暴露了一个谁都没想到的漏洞：现有的出版合同只要求作者层面披露 AI 介入，不覆盖编辑、校对、文学经纪等生产链上的其他人员。一本书可能不是作者用 AI 写的，是编辑用 AI 改的。\n而 BookTok 那 4900 个 5 星读者，从来没察觉。Hachette 的预审编辑也没察觉。直到一位 YouTube 博主花 2 小时 40 分钟拆解文本，加一家 AI 检测公司给出 78.4% 的数字，才把这件事捅出来。\n五大出版社对 AI 的态度 五大出版社目前均未颁布禁止作者使用 AI 工具的全社规定。政策空白是 Shy Girl 事件的根本原因之一。\nAmazon KDP 的政策很微妙：\n区分「AI 生成」（须披露）和「AI 辅助」（无须披露） 语法检查、改写建议算辅助 披露信息不在书籍商品页对读者公示，只供 Amazon 内部存档 2025-2026 加大执法力度，但因 AI 主笔被删账号的案例没有公开姓名，执法以「悄悄下架」为主 美国版权局 2026 年 3 月：最高法院拒绝审理 AI 能否单独创作受版权保护作品的案件，维持下级法院裁定——AI 不能作为版权主体。\nAuthor Guild（美国作家协会）推出了「人类作者认证」计划，非会员每本书 10 美元。2025 年调查显示：\n90% 的作家认为作品被用于 AI 训练须获补偿 96% 要求须经同意 中文写作圈对 AI 的态度 先说反例。中文圈不是完全没有 AI 写作案例，但全部集中在学术实验和网文流水线两个极端。\n学术实验：\n清华大学新闻与传播学院教授沈阳团队，用 AI 在 3 小时内生成约 4 万字科幻小说《机忆之地》（基于 66 条 prompt，指定卡夫卡风格），匿名参赛获得第五届江苏科普科幻作品大赛二等奖。事后作者公开，刘慈欣看完承认「写得真比我好」，感到「巨大的失落」。 华东师范大学教授王峰团队，AI 写作约 110 万字长篇《天命使徒》，历时一个半月。 这两个都不是商业出版，都是学院派的技术展示。\n网文流水线：\n番茄小说 2024 年 3 月单日新书首秀 5606 部，相比 2023 年的 400 部暴涨 13 倍——AI 批量生产撞出来的数字 2025 年 4 月番茄开始收紧签约审查 2025 年 3 月起点全面禁止 AI 生成内容 晋江允许校对润色，禁止 AI 主导情节 没有任何中文平台允许 AI 标签作品单独展示或流通 中文 AI 写作工具基本都是网文场景：蛙趣拼文、蛙蛙写作（杭州引力智航科技）主打网文长篇记忆 / 去 AI 味 / 大纲生成。阅文「作家助手」集成 DeepSeek-R1。Sudowrite 那种「为严肃长篇小说服务的专业工具」，中文圈没有等价物。\n中文严肃文学界的态度：\n莫言：AI 文笔出色但「缺乏真的思想和创造性」 刘慈欣：看完《机忆之地》「写得真比我好」，感到失落，但本人不用 AI 韩松：AI 可作合作伙伴启发思路，但人类独特经历和无意识顿悟是 AI 不具备的 茅盾奖、鲁迅奖：条例上没有明确提及 AI，但强调原创性 《科幻世界》：2023 年就明确拒收 AI 生成小说 中文写作圈在「AI 辅助写出有质量的长篇」这件事上完全空白。原因不是单一的：\n商业激励错位：网文流水线的工业化量产比严肃 AI 写作利润高得多 模型质量：中文大模型在文学创作上的连贯性和情感深度仍弱于 Claude / GPT-5 文化禁忌：公开承认用 AI 写在中国可能面临平台下架、版权纠纷、社会声誉压力 工具缺失：国产工具全部面向网文量产，没有面向严肃长篇的流程支持 渠道缺失：中国没有 Amazon KDP 这样的自出版通道直接触达读者 这五条叠加，导致中文 AI 写小说目前只能存在于两个极端——网文流水线的最底层，和学院派的实验室。中间那一段，独立作家用 AI 辅助写出有质量的长篇，完全空白。\nAI 写作的真相 把所有数据拼起来，目前 AI 写作的真相是这样的：\n一、AI 不能把烂作家变成好作家。 真正写出像样长篇的 Joe Vasicek、Leanne Leeds、Joanna Penn、九段理江，本来就是已经会写的人。AI 让他们快了 5-10 倍，没让他们的天花板更高。\n二、AI 让好作家的效率大大提高。 一本书 6 个月到 2 年压缩到 1-2 个月，KDP 类型小说作者一年稳定出 12-15 本，平均 4.5 星。这是真实发生的，不是预测。\n三、AI 写作工具越来越强大。 Sudowrite / NovelCrafter / Claude API 接 Scrivener 每天都在产出可上架的成品。\n四、质量还不够高。 Claude Opus 4.7 在 70 分制下拿到 63.2 分，是数字上最高的工具组合，但还没出现「AI 主笔写出真正传世长篇」的案例。九段理江拿芥川奖那本，AI 占比只有 5%。\n五、读者已经分不清了。 《Shy Girl》在 BookTok 上 4900 多个评分平均 3.52 星，**Hachette 的预审编辑没察觉，直到一个 YouTube 博主花 2 小时 40 分钟拆解 + 一家 AI 检测公司测出 78.4%，才被揭穿。**AI 写出来的小说已经能通过普通读者的审美关卡。\n六、整个游戏规则还在不断完善。 Hachette 撤 Shy Girl 暴露了五大出版社的政策空白。Amazon KDP 区分纯 AI 生成和 AI 辅助给了大量灰色空间。美国版权局的政策每个月都在变。\n七、中文圈还比较落后。 原因在文化、商业、监管、工具生态的四重缺失。\n问题一直在解决，AI 小说也上架了无数本，读者已经开始给 5 星好评而且还分不清是不是 AI 写的。\n我已经开始期待 AI 的第一本传世经典何时能够问世。\n","permalink":"https://ryrenz.com/zh/ai/ai-novel-money-makers/","summary":"九段理江拿芥川奖、Joe Vasicek 把写一本书的周期从 2 年压到 14 天、Leanne Leeds 一年写 12-15 本 Amazon 4.5 星、Hachette 因为一本 AI 占 78.4% 的小说撤书——Sudowrite、NovelCrafter、Claude + Scrivener 这套西方主流工作流和中文圈完全空白的对照。","title":"中外作家们都是怎么用 AI 写小说赚钱的？"},{"content":"2026 年 5 月 15 日，X 在 GitHub 上更新了 For You 推荐算法的开源版本（仓库：xai-org/x-algorithm）。\n这次公开了一整套可跑的推理 pipeline、一个预训练的 mini Phoenix 模型、独立的内容审查服务 Grox，还有广告混排模块。\n很多我们之前只能靠传闻和猜测验证的事情，这次终于能直接从源码里读出确定答案。我把新仓库 xai-org/x-algorithm 和旧仓库 twitter/the-algorithm、X 官方帮助页交叉对比了一遍，整理出 10 条对账号增长有直接影响的关键事实。\n我们针对每一点先讲算法机制，再讲这对创作者意味着什么，最后给出可以立刻执行的具体建议。\n1 算法的最终分数是一个加权公式 算法机制：\n排序阶段，Phoenix Transformer 模型为每条候选推文预测十几种动作的发生概率：P(点赞)、P(回复)、P(转发)、P(引用)、P(点击)、P(点头像)、P(关注)、P(停留时长)、P(图片展开)、P(视频观看)、P(分享到私信)、P(复制链接)、P(不感兴趣)、P(拉黑)、P(静音)、P(举报)。 这意味着：\n算法不评价你这条推绝对意义上写得好不好。\n它会预判你的目标用户看到这条推之后会不会有互动动作。\n同一条推发到张三的 timeline 可能是直接置顶，对李四来说可能根本进不去推荐池。\n具体建议：\n写每条推之前，在脑子里走一遍：我希望谁看到这条推？看完之后我希望他做什么？关注我？转发？还是评论？想不清楚就别发。 选题不要再问“这个话题会不会火”。要问“我的目标读者看到之后，会不会真的因为这条推做点什么”。 宁可让 100 个非目标用户划走，也要让 10 个目标用户产生强动作。 2 点赞已经几乎不计分，评论、收藏、转发、留存才是真分数 算法机制：\n加权公式里每个动作的权重不一样。旧版本（twitter/the-algorithm）公开过一组参考权重：点赞 0.5、转发 1.0、回复 13.5、点头像 12、作者参与回复对话 75、被举报 -369。 新版本权重未公开，但结构没变——浅层动作（点赞、单纯点击）权重低，深层动作（评论、引用、转发到私信、点头像、关注、留存时长）权重高，负面动作权重为强负数。 留存时长在源码里叫 dwell 和 dwell_time，是单独的两个高权重字段。读者没按任何按钮，但他真的把你这条读完了，算法照样给你高分。 这意味着：\n你那条 100 个点赞 0 个新关注的\u0026quot;爆款\u0026quot;，对算法来说基本等于没人看过。反过来，一条只有 10 个点赞但带来 5 个新关注、20 个收藏、平均留存 30 秒的推，才是真正在涨账号权重。\n特别要单独提一句留存时长，这是被绝大多数创作者忽略的高权重信号。它的特点是无法被刷、无法被造假，只能靠内容质量本身——读者要么读完，要么划走，没有中间状态。点赞可以是顺手按的，转发可以是冲动的，但留存时长是用户用真实的时间投了你一票。\n具体建议：\n不要再盯点赞数看了。打开 X Premium Analytics 后台，看的是评论数、转发数、引用数、主页访问数、新关注数、平均阅读时长这六个指标。任何一个起来了，这条推才算有效果。 写之前问自己一句：这条推有没有让人想截图发到群里、想转发给某个具体朋友的部分？没有就别发，发了也是凑数。 想被收藏和转发，结构上有几个套路特别好用：清单（\u0026ldquo;做账号的 7 个雷区\u0026rdquo;）、SOP（\u0026ldquo;30 天冷启动步骤\u0026rdquo;）、对比表（\u0026ldquo;老打法 vs 新打法\u0026rdquo;）、判断标准（\u0026ldquo;什么样的内容算合格\u0026rdquo;）、错误清单（\u0026ldquo;这 5 件事不要做\u0026rdquo;）。这几个结构都是天然的截图素材。 想拉高留存时长，有四个套路：长帖（让人不得不滚屏读）、配图（图片本身会让人停下来看）、配视频（视频播放时长直接计入留存）、段落分明视觉节奏好（让人读起来不累、愿意往下翻）。这些不靠互动也能涨分，是被低估的“隐形涨分”通道。 结尾别再写\u0026quot;觉得有用点赞关注\u0026quot;。换成一个能让人想回答的具体问题。比如\u0026quot;你最近 30 天哪一类内容互动最高？\u0026quot;——有人回答，账号深层互动就上去了。 3 卷标题、卷开头、卷 hook，仍然是核心三件套 算法机制：\nPhoenix Transformer 的输入是用户行为序列 + 候选推文。模型从大量真实互动数据里学\u0026quot;什么样的内容会带来 follow_author / dwell / share / quote\u0026quot;等高价值动作。 学到的规律和人类直觉一致：开头钩子强、标题清晰、信息密度高的内容，更容易让用户停留、点头像、转发、收藏。 这意味着：\n卷标题、卷开头、卷信息密度，跟两年前没区别。新算法没让这三件事变简单，但也没让它变难。区别只在你卷的目标变了——以前是为了让人点赞，现在是为了让人点头像、按关注、转发、引用。\n具体建议：\n第一句话（也就是推开头那 30 个字）必须直接给出一个反共识结论或者具体承诺。模糊开头、铺垫开头、问句开头一律不要。 第 2-3 句立刻告诉读者这条推接下来要解决什么问题。如果前 3 句没让读者明白这条推跟他有什么关系，他就划走了，后面写得再好都白搭。 写完之后再看一遍每一段，问自己：这一段有没有一个新信息点？没有就删掉。一段话如果能砍 30% 不损失意思，就一定要砍。 长帖按这个结构写：开头钩子 → 核心结论前置 → 三到五个具体证据 → 结尾给一个行动清单或者留个钩子。这不是规则，是测试出来效果最好的模板。 4 账号画像模糊会直接断推流，不要乱跳赛道 算法机制：\n站外召回靠 Phoenix Retrieval 的双塔模型。用户塔（User Tower）把每个用户的兴趣（基于他过去点过、回过、转过、停留过的内容）编码成一个向量；候选塔（Candidate Tower）把每一条推文编码成另一个向量。系统在向量空间里找跟某个用户最近的推文推过去。 你的账号画像不是一个独立的向量，是通过你过去发的所有推文累积体现——发的内容越聚焦，你这一类推文在向量空间里就越集中，越容易稳定出现在某群用户的 top-K 里。 画像稳定 → 你的推文集中在某个语义集群里 → 系统知道该把你推给哪群人。画像模糊 → 你的推文散落在向量空间各处 → 离每群用户都不够近 → 站外召回直接失效。 这意味着：\n如果你的账号画像是模糊的，结果不是\u0026quot;流量少一点\u0026quot;，是站外推流根本打不开。你只能被现有关注者看到，永远突破不了那个圈子。涨粉、扩散、被新人发现，全部归零。这条是 10 条里最容易被忽视、但代价最大的一条。\n具体建议：\n选一个具体的主题做主轴，比如\u0026quot;AI 工具变现\u0026quot;、\u0026ldquo;X 增长实验\u0026rdquo;、\u0026ldquo;AI 产品商业化\u0026rdquo;。然后连续 30 天只发这个主题。不是“以这个为主，偶尔聊别的”，是“只发这个”。 主题词用稳定的那一个，不要换来换去。这周写\u0026quot;AI 工具\u0026quot;、下周改\u0026quot;AI 产品\u0026quot;、再下周改\u0026quot;AI 应用\u0026quot;——这三个词在系统眼里是不同的标签，你换一次画像就乱一次。锁定一个用。 关注谁、回复谁、给谁点赞，全都在训练你的画像。乱关注无关账号、乱回复别的圈子，都会把画像污染掉。互动只在自己赛道里做。 万一真的要切赛道，先给老赛道一个干净退出。删掉或归档老内容、改 bio、改主页置顶。让画像有一次完整的重置。半推半就只会让新画像永远建不起来。 千万别拿账号做“测试一下哪个赛道流量好”这种 A/B 实验。每一次切换都是画像稀释，而且不可逆。想测新赛道，开小号去测。 5 主帖在精不在多，一天 1-3 条就够了 算法机制：\n源码 home-mixer/scorers/author_diversity_scorer.rs 的逻辑是：先按加权分数排序，再按作者 ID 计数，同一作者的后续候选乘衰减系数。 系数随排名次序递减。第 2 条已经被打折，第 3 条更狠，第 5 条基本看不见。 这意味着：\n今天你发 10 条主帖，并不会让你在某个用户的 For You 屏幕里出现 10 次。可能就出现 1 次，最多 2 次。剩下 8 条要么被压到很后面，要么直接看不见。更糟的是，每一条没人停留、没人互动的低质推，都会被算法记一笔\u0026quot;这账号产出低质内容\u0026quot;，越发越伤。\n具体建议：\n主帖一天最多 1-3 条，每条都要写到自己满意。如果今天只能写出 1 条好的，就只发那 1 条。少 2 条主帖不会影响你账号，平庸内容过多反而会让账号流量暴死。 产能用不完，全部投到回复区。在大V或同圈层中号下面写高质量回复，不会触发作者多样性打折，相当于额外开了几十个曝光位。这个怎么做下面第 6 条详讲。 同主题做系列，每条角度要换。一条教程、一条反例、一条对比表、一条清单、一条观点。如果都是同一个观点不同包装，系统会判成冗余直接合并打分。 别在短时间内（一两个小时）连发 3-4 条同主题主帖。它们互相竞争候选池位置，结果是 3-4 条都没好分。两条主帖之间至少错开 2-3 小时。 6 大V帖子下的高质量回复，是高性价比的流量入口 算法机制：\nPhoenix Transformer 预测的字段里有 P(reply)、P(quote)、P(profile_click)、P(follow_author)。 原作者参与你回复的对话（旧版本叫 reply_engaged_by_author，权重 75）一直是高权重信号之一。 回复出现在原帖的对话页里，由独立的对话排序系统决定哪些回复排在前面（源码里 Grox 还专门处理 reply spam 和 reply ranking 的标注）。这意味着你的回复曝光不需要走 Thunder 和 Phoenix Retrieval 那一套主推荐召回，曝光机会跟原帖直接绑定。 这意味着：\n在一个大V帖子下面写一条高质量回复，等于免费用了大V的流量给你自己带人。更划算的是回复不算你自己的主帖配额——一天 5 条主帖 + 30 条精品回复，相当于给自己开了 32 个独立曝光位。这是冷启动期最便宜的杠杆。\n具体建议：\n每天给自己定一个回复 KPI，比如 20-40 条。挑目标圈层的帖子，在发布后 30 分钟内写。早回复曝光机会大得多，晚一两个小时那条帖子流量就过了。 回复必须有具体内容。给原帖补一个反例、一个数据、一个步骤、一个工具、一段亲身经历。“同意”、“学到了”、“+1”、“涨知识了”这种话写了等于没写，不会带来任何主页点击。 选回复对象要选“会真的回粉丝”的大V。几百万粉但从来不回任何人的那种，回复价值很低。被原作者回复一次，对你账号是一波直接的高权重信号灌入。 回复对象必须在你赛道里。看到隔壁圈大V的爆款也别凑，回了等于乱跳赛道，画像同样会被污染。 三类回复对象按比例混着做：对大V回复是赌曝光、对中号回复是攒关系、对同量级账号回复是互相训练画像。哪一类都不能完全不做。 7 通用发推时段表已经没用，要用自己数据找时段 算法机制：\nPhoenix Ranking 模型在 Transformer 推理时使用 candidate isolation 的注意力掩码，每条候选只能看到用户上下文，不能看到其他候选。 这就让分数变得 pointwise（点对点）和可缓存，跟同批里有谁无关。 但召回上游 Thunder 仍然只取最近时间窗口内的内容，所以掐准时间仍然重要。 这意味着：\n过去那套“早 8 晚 9 发推因为对手少所以容易被推”的逻辑，现在完全废了。同一时刻有多少人发推已经不影响你的分数。但你目标读者那时候在不在线、能不能在前两个小时给你拿到早期互动，仍然决定整条推能不能跑起来。\n具体建议：\n把所有“早 8 晚 9 / 周三晚 8 / 周日中午”这些通用时段表全部扔掉。这些数字是基于全平台用户的平均，跟你账号的目标人群没有关系。 打开自己 X Premium Analytics 后台，看自己历史推文的 likes 和 replies 时间分布。你的目标读者什么时候活跃，数据里写得清清楚楚。 没数据怎么找时段？两周搞定。第一周连续 7 天，每天换一个不同时段发主推，每条记录互动数据。第二周固定到那一周里效果最好的时段。 时区一定要和目标受众对齐。在北京但读者在北美 → 北京下午到深夜（对应北美工作日白天）；读者是国内创业圈 → 晚 8 到晚 11；读者在欧洲 → 北京下午发。 长帖可以错峰发，停留时长是几小时累积出来的。短金句对前两小时爆发互动很敏感，必须挑受众在线高峰发。 8 Grox 会杀死擦边、标题党、AI 垃圾 算法机制：\n源码新增了 grox/ 模块，跑分类器、向量化器和任务执行引擎，专门做 spam detection、post classification、PTOS 政策执行、安全分类。 Grox 是独立服务，在主排序之前给推文打标。被打标的内容进入 home-mixer/filters 的降权和剔除管线，同时把信号写回账号画像。 AI 模板化内容如果不被 Grox 直接打成 spam，会通过另一条路径被降权——主排序里 Phoenix 模型预测的低 P(留存)、高 P(不感兴趣) 会反向训练系统\u0026quot;用户对这类内容反感\u0026quot;。这是两条独立机制：Grox 管硬性政策标签，Phoenix 管用户行为反馈。 这意味着：\n哪怕你那条擦边推或者标题党推侥幸爆了 10 万阅读，对账号来说是亏的。爆款带来的那点红利会被账号信任分下降的代价吃掉好几倍。下一条、下下一条都要扛着这个负面记录进推荐池。账号是慢资产，一次踩雷修三个月。\n具体建议：\n标题和内容必须对得上。“震惊体”、“反转体”、“你绝对想不到”、“99% 的人不知道”这种钩子全部别用。算法识别这类钩子比人还准。 政策红线一行字记住：仇恨言论、虚假信息、明显擦边，全部不要碰。机器直接判，没有人工兜底。“我用中文写审核员看不懂”这个赌局已经输了。 AI 写完的稿子，自己一定要再改一遍。三件事必做：把\u0026quot;赋能 / 闭环 / 底层逻辑 / 顶层设计\u0026quot;这种空词换成具体动作；把\u0026quot;首先 / 其次 / 最后\u0026quot;模板拆掉，改成自然过渡；每个抽象论点后面接一个具体例子。 别玩“故意制造误解 → 评论区翻车 → 流量爆炸”这种套路。这种推每发一条，账号信任分都在跌。短期一两条爆了也别得意，三个月后流量曲线会告诉你代价。 9 短期可追泛流拿收益，长期还是要做垂直才能被推流 算法机制：\n账号画像随时间累积。冷启动期画像稀疏，算法对你的判断不准，所以泛流量内容也能进推荐。 中后期画像稳定后，跟画像偏离的内容会立刻被压。 同时，回复你的人、关注你的人也在训练画像——你的早期粉丝是什么样的人，决定了你后期能被推到什么样的人面前。 这意味着：\n做账号是分阶段的，每个阶段的目标完全不一样。早期可以靠泛流量跑画像、攒基础粉，正常；中后期必须收紧到垂直赛道；最危险的阶段反而是你拿到第一批商单或者广告分成之后——很多人开始放松内容质量，结果账号信号下跌，前面几个月白做。\n具体建议：\n0 到 1000 粉这个阶段，可以追泛流量、追热点、玩争议话题，把账号画像跑出来、把基础盘攒起来。但每周至少要有 2-3 条是面向你目标垂直人群的精品内容，避免画像被泛流量内容彻底带偏。 1000 到 1 万粉这个阶段，开始按垂直人群选题。AI、创业、投资、开发者、工具使用者，这几个圈子的互动深度比娱乐生活圈深得多，更适合做长账号。 1 万粉之后，完全按垂直选题做，不再追泛流量。这个阶段的目标不是涨粉，是把现有粉丝的互动深度做厚。粉丝深度互动 \u0026gt; 粉丝总数。 一旦开始接商单或者拿到广告分成，每周必须做一次内容质量复盘。这是最容易翻车的阶段——拿到钱之后人会松懈，账号信号一下来要 1-2 个月才修得回来。这个阶段把内容标准订到比赚钱前还高。 10 搜索流量是 timeline 之外被低估的第二曝光入口 算法机制：\nX 搜索有独立的排序系统，跟 For You 完全不同。 Top 搜索结果由三类分数组合：engagement（互动）、health（健康度，看举报、屏蔽、政策违规）、relevance（相关度，看 query 匹配、推文年龄、作者网络、内容分数）。 这是 X 官方搜索帮助页直接重点强调的内容。 这意味着：\nFor You 流量来得快，一条推 24 小时之后基本就死了。Search 流量来得慢，但能持续好几个月甚至几年。这两套是完全独立的排序系统，意味着同一条推在 For You 死了之后，可能在 Search 上还能持续给你带人，前提是你写的时候考虑过 Search 这个入口。\n具体建议：\n写主帖的时候自然带上目标用户会去搜的实体词：模型名（Claude、GPT、Gemini）、工具名（Cursor、Vercel、Supabase）、平台名（X、Notion）、场景词（算法、变现、SOP）。这些是 Search 入口的钥匙。 别只写隐喻和梗。梗在 For You 里流量大，但搜不到。一条全是梗的推，长尾流量直接归零。 主动产出长青内容：指南、对比、模板、错误清单、术语解释。这类内容半年后还能被人搜到，长期复利远超追热点。 每条长帖里至少埋一个可搜索的关键词组合，比如 \u0026ldquo;X 算法 Phoenix\u0026rdquo;、\u0026ldquo;Claude Code workflow\u0026rdquo;、\u0026ldquo;Vercel 部署\u0026rdquo;。这种组合能让你在某个具体搜索词上长期占位。 不要堆 hashtag。X 搜索看的是自然语言匹配，不是 tag 匹配。Hashtag 在 2026 年只剩\u0026quot;分类标签\u0026quot;功能，对搜索权重没用。 写在最后 这次源码公开最大的价值是把过去三年的猜测对应到了真实的代码上。\n读完这篇，立刻做三件事：\n把自己最近 30 天发的推按\u0026quot;评论 / 转发 / 引用 / 留存时长 / 主页访问 / 新关注\u0026quot;重新打分。看看你的内容是在拿哪一层的分。如果只在拿点赞，那么内容仍然需要优化。 检查最近 30 天有没有切赛道、刷屏、互关、擦边、政治、AI 模板化排版这些动作。注意之后尽量避免。 把账号目标从涨粉数“换成垂直人群关注数 + 评论/转发/收藏数 + 留存时长”。这也是优质视频最近推流很猛的原因，留存时长是社交平台的重要指标。 ","permalink":"https://ryrenz.com/zh/tech/x-recommendation-algorithm-open-source/","summary":"X 开源 For You 推荐算法后，创作者真正该关注的不是点赞，而是评论、转发、留存、账号画像、回复杠杆和搜索长尾。","title":"X 最新推荐算法今天开源了，十个做账号必须要知道的重点！"},{"content":"一、AI 现在到底差在哪 SWE-Bench 的作者刚放出一组让人后背发凉的数据。\n一个新的硬核评测标准 ProgramBench，要求 AI 从零开始完整重建真实的开源软件项目，不允许联网，不看代码相似度，只验证最终行为。\n结果是：Claude Opus 4.7、GPT-5.4、Gemini 3.1 Pro，所有一线模型完成率全部 0%。\n注意，这不是说 AI 写不出代码。它能写很多代码，能把函数写得很漂亮。\n但让它从零搭一个能真正跑起来的真实项目，它就会把所有逻辑塞进一个单体文件，没有模块化、没有架构、没有长期规划，最终通不过行为验证。\n这说明什么？\n代码生成能力早就不是瓶颈了。卡点在全局架构设计和工程实践。\n再看另一组数据。\nLangChain 做过一个实验。同一个 gpt-5.2-codex 模型，权重一字没动，只优化模型周围的工程结构。结果 coding agent 在 Terminal-Bench 2.0 上从 52.8 分涨到 66.5 分，排名从 Top 30 开外冲进 Top 5。\nOpenAI 公开过一个更夸张的案例。三个人的小团队，五个月时间，驱动 Codex 写出大约 100 万行代码，合并了约 1500 个 PR。这不是 demo，是真正有内部日活用户、有外部 alpha 测试用户的软件产品。OpenAI 团队自己说，他们的工作重心已经从写代码转到了四件事上：设计环境、明确意图、搭反馈回路、让 Agent 自己能看见、能验证、能修复。\n把这两组数据放一起看，结论就很清楚了：\n裸模型在严肃工程任务上完成率 0%。同一个模型加上一套合适的工程基础设施，能让三人小团队做出生产级软件。\n中间那个差距，就是 Harness。\n二、Harness 到底是什么 Harness 的直译是马具。\n大模型 (Opus 4.7 / gpt 5.5) 就像一匹烈马，如果你无法缰绳控制住它，它跑的再快也没有任何意义。\nHarness Engineering 就是如何打造马具，如何通过马具来控制住这匹烈马的技术。\nHooks、Skills、MCP、CLAUDE.md / AGENTS.md、sub-agents、plugins、tools，这些东西你大概都听过或者用过几个。Harness 也可以理解为把它们当成一个系统来设计的统称。\n很多人用 AI 的方式是这样的：看到一个新 MCP 觉得好玩就装，看到一个 hook 例子就抄一个，CLAUDE.md 随便写两行就忘了，遇到 bug 也不知道该补哪一块，各种功能无法配合使用，过多的 harness 也会使你的马匹感到疲惫，效果有限。\nHarness Engineering 这个词存在的意义就是逼你把这些零散动作当成一个系统来审视。\n它给你一份检查清单：你的 AI 工作流在 5 个核心维度上是否完整？保证你的马匹永远处在最佳状态。\n业界给出过一个公式：\nAgent = Model + Harness\n这就是为什么你会觉得有些工具就是更顺手，有些工具模型也很强但用起来像没长脑子。马具不一样而已。\n放在 AI 工程的演进脉络里看：\n最内层是提示词工程，关心怎么给 AI 下指令。 中间一层是上下文工程，关心给 AI 什么信息、什么时候给。 最外层的 Harness 工程把前两者都包在里面，再加上工具编排、状态持久化、验证循环、任务拆解、子 Agent、权限沙箱、回滚机制，构成一套完整的工程基础设施。 接下来我们用 Harness 的 5 个维度回头看你现在的 Claude Code / Codex / OpenClaw / Cursor 的配置，你就会更好的理解你的 Agent 是需要一些额外的马具还是帮它减减负，轻装上阵。\n三、Harness 的 5 个核心维度 把零散的 Harness 概念落到具体工程动作上，可以拆成 5 个维度：\n上下文管理、执行能力、任务编排、反馈机制、架构护栏\n3.1 上下文管理：三层记忆架构 AI 在多轮对话里忘掉项目规则，根源在上下文窗口的工作方式。每一轮模型看到的内容是一个扁平的消息列表，你过去说过的每句话和当前问题混在一起，没有项目规范和普通聊天的层级区分。对话越长，前面定的约束被稀释得越厉害。\nOpenAI 在 Codex 工程文章里有一句话点破了这层：从 Agent 的角度看，运行时拿不到的知识就等于不存在。你嘴上说的、Slack 里讨论的、团队心里默认的规则，如果没有以文件形式存在于仓库里，AI 一概看不见。\nHarness 在这一层的核心做法是把规则文件化、结构化。生产实践分三层。\n第一层是项目根目录的 AGENTS.md 或 CLAUDE.md，相当于项目的地图。每次新对话都被加载到上下文头部。内容包括技术栈、目录结构、禁止事项、提交前必须跑的命令、UI 风格禁区。控制在 100 行左右。\n第二层是 docs 目录下按主题拆分的详细规则文件，比如 frontend.md、security.md、api-design.md。AI 在 AGENTS.md 里看到指引后按需读取，不一次性塞进上下文。\n第三层是 Claude Code 这类工具内置的记忆机制：每条约 150 字符的轻量级索引始终加载、详细文件按需拉取、原始记录仅通过 grep 等搜索访问。这套设计在 AI 能看见全貌和上下文不被塞爆之间找到了平衡。\nOpenAI 在文章里承认踩过一个坑。他们最初把所有规则塞进一个几千行的大 AGENTS.md，结果 AI 反而更容易忽略关键信息。后来改成地图加详细文档两层结构才修好。\n核心原则：分层持久化上下文，避免上下文空间占用过大影响模型注意力。\n3.2 执行能力：让模型拥有手脚 模型本身只能输出文本。它能告诉你在终端运行 npm install，但没法自己跑命令、没法看运行结果、没法根据报错调整下一步。这种纯输出能力让 AI 没办法闭环工作，每一步都需要人当传话筒。\nHarness 在这一层的工作是把模型接入真实操作环境。从基础到进阶有三层。\n基础层是终端加文件系统加浏览器。终端让 AI 跑命令、装依赖、执行测试、查日志。文件系统让它读代码、改文件、写中间文档。浏览器让它看真实页面、点按钮、截图验证。\n进阶层是 MCP。MCP 是一个让 AI 接入外部能力的标准协议，常见的接入对象包括数据库、搜索引擎、爬虫、设计工具、监控系统。\n更高层是 Skills。Skills 把多步骤工作流封装成可复用的能力包，比如写一篇技术推文、生成一份周报、从某网站抓取竞品数据。AI 遇到对应需求时直接调用整个 Skill，不需要每次重新设计步骤。\n但工具层不能无限堆。Vercel 在做内部 text-to-SQL Agent 时踩过一个反例。他们最初造了一堆专用工具：schema lookup、query validation、error recovery。做下来成功率 80%。后来删掉了 80% 的专用工具，只让 Claude 用 grep、cat、find、ls 这些 Unix 基础工具自己读文件再写 SQL。成功率涨到 100%，速度快 3.5 倍，token 省 37%。\n原因是工具越多，模型在每一步的选择空间越大，选错工具、走错路径的概率也越大。\n核心原则：合理选择你的每一个工具，多不如精。\n3.3 任务编排：让 AI 能够执行长任务 AI 在长任务上最典型的失败模式是想 one-shot 一个完整功能。模型上下文窗口有限，让它一次吃下\u0026quot;带搜索、过滤、分页的列表页\u0026quot;这种规模的需求，相当于让一个工程师不写设计文档、不拆任务、不分迭代、闷头干到底。失败是必然。\nAnthropic 在长任务 Harness 那篇文章里详细描述过这个失败模式：模型尝试一次性写完，结果上下文用完，做到一半发现前面方案不对，又回头改前面的代码，越改越乱。\nHarness 在这一层做的是把长任务结构化。\n第一步是 Plan Mode。AI 先输出任务方案（拆成哪几个子任务、每个子任务怎么实现），人工确认后再动手。这一步是刹车，把方向走偏的成本提前到方案阶段消化掉。\n第二步是步进执行。每次只做一个子任务，做完一个验证一个。这避免了做着做着上下文塞满的崩溃。\n第三步是状态外置。每完成一个功能就让 AI 沉淀一份文档，一般叫 progress.md 或 plan.md。这份文档要详细写：当前完成了哪些功能、用了什么技术方案、做了哪些关键架构决策、有哪些未解决的 bug、还有什么待做事项。这份文档是跨上下文窗口的外置记忆。下一轮新对话开始时 AI 读它就能立刻进入状态。\n第四步是并行。互不依赖的子任务用 sub-agents 同时跑。\nAnthropic 在长任务工程里给了一个更进阶的方案叫 Ralph Loop，本质是两段式接力。\n第一段叫 Initializer Agent，只在项目最开始跑一次。它的任务是搭好开发环境、把整个需求拆成功能列表、写第一份 progress.md、做首次 git commit。\n第二段叫 Coding Agent，每个新对话窗口都跑这一段。它的固定动作是：先读 git log 看历史提交，再读 progress.md 看进度，知道前一轮做到哪儿了；从未完成功能列表里挑当前优先级最高的一项做掉；做完之后提交 git，更新 progress.md，写清楚这一轮完成了什么、下一轮该做什么。\n哪怕中途 AI 断了、模型版本换了、对话窗口塞满了，下一轮只要读 git log 和 progress.md 就能立刻进入状态。\n**核心原则：progress.md 和 git commit 是 AI 的存档点，存了档才能放心做长任务。\n3.4 反馈机制：AI 测试驱动开发 模型不会跑代码。它读代码字面，根据看起来像不像能跑通来做判断。如果一段代码符合常见模式、变量名对得上、缩进整齐，它就判为通过。但代码能不能跑跟它看起来像不像无关，这件事只有真跑一遍才能确认。这就是为什么 AI 经常自信地说\u0026quot;已经修好了\u0026quot;，但你打开项目还是一堆错。\nHarness 在这一层的工作是把验证从人工搬到自动。三类反馈：\n规则反馈：让 AI 在每次提交前自动跑 linter、typecheck、单测、集成测试。任何一项失败都不算完成。\n视觉反馈：UI 类任务让 AI 用 Playwright 之类的工具自己打开浏览器，按用户路径点一遍，截图作为完成证据。\nLLM 评审反馈：让另一个 AI 单独评审刚写完的代码，找逻辑漏洞、找架构问题、找潜在 bug。\nAnthropic 在工程博客里给过一个具体数字：给模型一个能验证自己工作的回路，产出质量能提升 2 到 3 倍。这是单个最确定的 Harness 投资。\n这里有一个反直觉的设计要点。让生成代码的 AI 自己评审自己，效果会比想象中差很多，因为生成者天然偏向替自己找理由。Anthropic 的经验是把 generator 和 evaluator 分成两个独立的 Agent，让它们用不同的角色配置和不同的提示词。互审才能真正发现问题。这跟传统软件开发里\u0026quot;自己写的代码不能自己 review\u0026quot;是同一个道理。\n核心原则：AI 嘴巴说修好没有用，跑通测试才算完成。\n3.5 架构护栏：在提交前拦住 AI 的烂代码 AI 写代码有一个隐性问题：它会模仿仓库里已有的模式。好代码会被模仿，烂代码也会被模仿。而且每一次单看 AI 的提交都看起来合理，叠加起来却是项目越改越烂。\nOpenAI 在 Codex 文章里专门提到这个现象：Agent 会复制仓库里已有模式，如果已有模式不稳定、不一致、有坏的代码风格，AI 会把它放大。\nHarness 在这一层的工作是把架构规则从文档搬到可执行的代码里，让坏代码在进入主干之前被自动拦住。\n最基础的层是 pre-commit hooks。在 git 提交前自动跑一批检查脚本，不合规的提交直接被拦下。\n第二层是架构 linter。专门检查架构层面的违规，比如 UI 层不能直接访问数据库层、模块依赖必须单向、文件大小超阈值要拆。这跟 3.4 的语法 linter 不一样，3.4 查语法错误，这里查架构错误。\n第三层是 CI gate 兜底。即使本地 hooks 被绕过，CI 上也会再跑一遍检查，确保主干分支永远满足架构约束。\nOpenAI 还有一个更激进的做法叫\u0026quot;垃圾回收\u0026quot;：定期跑后台 Codex 任务扫描整个代码库，发现偏离架构原则的地方就自动开小 PR 偿还技术债。逻辑是 AI 写代码越快，技术债产生得越快，所以清债也必须自动化。\n核心原则：提前考虑到 AI 的局限，设置好护栏。\n四、看顶级团队怎么搭 Harness 4.1 Anthropic / Claude Code：教科书级的长任务工程 Claude Code 是 Anthropic 自己用来驱动 Claude 的 agent harness。它把 Harness 拆成 12 个独立组件，但这里不展开列，只挑两个最值得借鉴的设计讲清楚。\n设计一：三层记忆架构\nClaude Code 的记忆系统有三层。\n最上层是轻量级索引，每条约 150 字符，始终被加载到上下文里。它的作用是让 AI 永远知道这个项目里有什么文件、有什么模块、有什么核心约定。但因为每条很短，几十上百条也塞不爆上下文窗口。\n中层是详细文件，比如 README.md、ARCHITECTURE.md、API 文档、各模块的设计说明。这些文件不会默认加载。AI 在轻量级索引里看到某条提到\u0026quot;详见 docs/architecture.md\u0026quot;，需要的时候才主动去读这个文件。读完该信息进入上下文，不再用时也可以被压缩出去。\n底层是原始记录，比如完整的 git log、完整的对话历史、完整的日志文件。这一层不会被自动加载，AI 只能通过 grep、tail 这些命令主动检索。数据量最大，但完全不污染上下文。\n这三层的核心思想是：上下文是稀缺资源，必须按\u0026quot;读到的频率\u0026quot;和\u0026quot;重要性\u0026quot;分层。永远要看的放最上面，偶尔要查的放中间，可能用得到的放最下面。\n设计二：Ralph Loop 跨上下文长任务\n针对那种做完要几天、要跨多次对话窗口的长任务，Anthropic 设计了一种工作流叫 Ralph Loop。本质是两段式接力。\n第一段叫 Initializer Agent，只在项目最开始跑一次。它做四件事：搭好开发环境、把整个需求拆成功能列表、写第一份 progress.md 记录待做事项、做首次 git commit。\n第二段叫 Coding Agent，每个新对话窗口都跑这一段。它的固定流程是：\n先读 git log，看历史提交记录 再读 progress.md，看当前进度和未完成列表 从未完成列表里挑当前优先级最高的一项 完成这一项，跑验证，提交 git 更新 progress.md，写清楚这一轮做了什么、下一轮该做什么 哪怕中途 AI 断了、模型版本换了、对话窗口塞满了，下一轮的 AI 只要读 git log 和 progress.md 就能立刻进入状态。这套设计的关键不在 AI 多聪明，在 progress.md 和 git 历史共同构成了一个跨上下文的外置记忆。\n你能从这套设计里学到的：\n自己的项目至少要有一份 progress.md，写清楚当前完成了什么、有哪些关键架构决策、有什么未解决的 bug、下一步要做什么。不要只把这些东西留在脑子里。 把每个功能的完成作为一次 git commit。git 历史本身就是 AI 可读的工作记录。 上下文要分层。AI 永远要看见的写进 AGENTS.md，可能查得到的放进 docs，剩下的交给搜索。 4.2 OpenAI / Codex：面向 AI 重构开发环境 OpenAI Codex 团队用 5 个月、3 个人驱动 AI 写了 100 万行代码的那个案例背后，最关键的不是模型多强，是他们提出的一个工程理念叫 Codex legibility。\nCodex legibility 翻译成中文大致是\u0026quot;对 Codex 可读\u0026quot;。它的意思是未来的代码库不只要给人读，也要给 Agent 读。这意味着原来只给人类工程师用的所有开发基础设施（日志、监控、调试工具、本地环境），都需要被改造成 AI 能直接使用的形式。\nOpenAI 的具体做法有 5 项。\n1. 每个 git worktree 自动启动独立应用实例。 Codex 在做一个改动时，可以让对应分支自动起一个独立的开发服务器。AI 可以自己打开这个实例、操作它、看响应、验证改动到底有没有按预期生效。原来要工程师手动 npm run dev 看效果，现在 AI 自己做。\n2. Chrome DevTools Protocol 接入 Agent runtime。 这让 AI 在浏览器层面拥有和工程师一样的调试能力：看 DOM 结构、监听网络请求、注入 JS、截图。复现一个 UI bug 不再需要工程师亲自打开浏览器，AI 自己就能复现并定位。\n3. 日志、指标、trace 暴露给 AI 查询。 OpenAI 让 Codex 能直接用 LogQL、PromQL、TraceQL 这些查询语言访问生产监控数据。这意味着 AI 在排查问题时不需要工程师把日志手动贴给它，自己就能 grep 日志、看 metric 异常、追 trace。\n4. Custom linter 把架构约束写成可执行规则。 OpenAI 把哪些层不能调用哪些层、哪些命名必须统一、哪些模式是禁止的，全部写成自动检查的 linter 规则。AI 写出的代码只要违反就被拦住。\n5. 后台垃圾回收任务。 这是最有意思的一项。OpenAI 让后台定期跑一批 Codex 任务，扫描整个代码库找偏离架构原则的地方，自动开小 PR 来修。也就是说，技术债的偿还也被自动化了，不再依赖工程师手动重构。\n这 5 项加在一起，核心是把整个开发环境改造成 AI 可读、可操作、可验证的工作台。\n你能从这套设计里学到的：\n如果你项目的日志连人都看不懂，AI 就更看不懂。重构日志为结构化格式（JSON、固定 schema）是 AI 友好化的第一步。 把脑子里、Slack 里、code review 评论里的架构原则都搬到 linter 规则里。这件事的真正价值不只在防止违规，更在于它让架构变成可学习的对象，AI 看了 linter 的报错信息就能学会怎么写合规代码。 系统设计阶段问自己一个问题：AI 能看见这个状态吗？如果不能，看怎么把它暴露出来。 4.3 Nous Research / Superpowers：开源可复用的 Skills 框架 Superpowers 是 Nous Research 开源的 Agent Skills 框架。如果说 Claude Code 是 Anthropic 内部的工程实践、Codex 是 OpenAI 重构开发环境的样板，那 Superpowers 是个人开发者可以直接抄回家用的开源版本。\n它内置了几个常用工作流。\nTDD workflow：让 AI 先写测试再写实现。测试通过才算完成。这套流程把 3.4 的反馈机制做到了默认开启，AI 必须经过测试才能交付。\n两阶段 Code Review：第一阶段让 generator agent 写代码，第二阶段让 reviewer agent 评审。两个 agent 用不同的角色配置和提示词，强制做到 generator 和 evaluator 分离。\nSub-agent 协作模板：内置了任务拆解、并行执行、结果汇总的标准流程，开箱即用。\nSuperpowers 的姐妹项目 Hermes Agent 还有一个更前沿的方向叫 Self-Evolution。这套系统用 DSPy 和 GEPA 两个工具持续优化 Harness 本身。简单理解，DSPy 把 prompts 和工具描述当成可优化的参数，GEPA 用类似遗传算法的方式从执行记录里成功失败的轨迹中找出更好的配置。整个过程不重新训练模型，只调 Harness。也就是说 Harness 可以从自己过去做过的任务里自动变好。\n你能从这套设计里学到的：\n不想从零设计 TDD workflow 和两阶段 review，直接抄 Superpowers 的模板就能起步。 把做得最多的几类任务（比如写一篇博客、分析一份数据）封装成 Skill，下次 AI 自己调用，不用每次重新教它流程。 关注 DSPy / GEPA 这条技术线。模型变强是大势，但 Harness 自动变好可能是更接近你工作场景的进步路径。 五、三个反直觉的 Harness 原则 讲完顶级团队的具体做法，下面把这个领域几个最容易踩坑的原则单独拎出来。\n原则一：Harness 不是越多越好 直觉上工具越多 AI 越强。实际上工具越多，模型在每一步的选择空间越大，选错工具、走错路径、调用不该调用的接口的概率也越大。\nVercel 在内部 text-to-SQL Agent 上做过最直接的验证。他们最初为这个 Agent 配了一整套专用工具：schema lookup、query validation、error recovery，做下来成功率 80%。后来删掉 80% 的专用工具，只让 Claude 用 grep、cat、find、ls 这些 Unix 基础工具自己读 schema 文件再写 SQL，成功率涨到 100%，速度快 3.5 倍，token 省 37%。\nManus 也观察到同样规律：一个 heavily armed agent 会变笨。\n实操层面的判断标准很简单：每接一个工具之前问自己，它解决的具体行为缺口是什么。答不上来就先不接。\n原则二：上下文怎么组织比上下文有多大重要得多 很多人看到 Claude 4 Opus 有百万 token 上下文窗口的第一反应是\u0026quot;那就全塞进去\u0026quot;。这是个昂贵的误解。\nChroma 研究院做过一项 Context Rot 研究，测试了 18 个主流模型在长上下文下的表现。结论是：随着输入长度增长，模型使用上下文的能力会变得越来越不可靠。即使任务难度不变，单纯把上下文从 1 万 token 加到 50 万 token，性能也会显著下降。\n斯坦福那篇著名的 Lost in the Middle 论文证明了另一个现象：模型对上下文头部和尾部的信息使用得最好，对中间位置的信息容易忽略。这意味着关键信息放在上下文的什么位置，直接影响 AI 用不用得到它。\nManus 团队还从经济学角度补了一刀。在他们的典型 Agent 任务里，输入 token 和输出 token 比例约 100:1。Agent 大部分时间和成本花在反复把上下文喂给模型，而 KV-cache 命中和未命中的价格差 10 倍。同一个任务，上下文组织得让缓存能复用，每月 API 账单能差一个数量级。\n这三件事加起来意味着，上下文设计是真正的工程问题，不是把所有信息扔进去让模型自己挑那么简单。\n原则三：Harness 应该随着模型的进化不断精简 每一个 Harness 组件背后都有一个隐含假设：模型自己做不到这件事，所以需要外部补丁。但模型在快速进步，旧的补丁可能已经过期。\nAnthropic 在 Harness Design 那篇博客里讲过一个具体例子。他们在早期版本的 Claude Code 里加了一个显式的\u0026quot;规划\u0026quot;步骤，强制 AI 在动手前先输出计划。后来某个新版本的 Claude 发布之后，Anthropic 发现规划能力已经被模型内化，外置的规划步骤反而变成了冗余开销，于是直接删掉。\n实操层面的判断方法是：每次模型版本升级之后，回头审视一下你的 Harness。哪些组件还在真正补能力？哪些只是历史包袱？哪些校验已经可以交给模型？\n好的 Harness 是在模型能力边界外保持刚刚够用的厚度。\n结语：Harness Engineering 变成了核心能力 所有大模型的 ProgramBench 全员 0% 这个结果反过来说明了一件事：Harness Engineering 越来越重要。\n以现在 AI 能帮你写掉相当大一部分代码，但 AI 不会替你做需求分析、不会替你拆任务、不会替你设计上下文架构、不会替你判断哪个工具该接哪个该删、不会替你建立验证标准、不会替你守住架构边界。\n这些事情的总和就是 Harness Engineering。\n它听起来像一个新名词，本质上是把传统软件工程里的方法学系统化地迁移到 AI 工作流上：\nAGENTS.md 对应需求文档和设计文档； 任务编排对应敏捷开发的迭代拆分； 反馈机制对应单元测试和 code review； 架构护栏对应代码规范和安全问题检查。 这些东西本来就是优秀工程师的基本功。\n下次你的 Agent 又把事搞砸了，可以回头看一遍你的 Harness 在 5 个维度上分别处于什么状态。\n绝大多数情况下，AI 已经足够聪明，缺少的是能够好好操控它的缰绳。\n","permalink":"https://ryrenz.com/zh/ai/harness-engineering-ai-efficiency/","summary":"裸模型在严肃工程任务上已经不够用了。真正拉开差距的，是围绕模型搭出来的 Harness：上下文管理、工具执行、任务编排、反馈机制和架构护栏。","title":"一文看懂 Harness Engineering，帮你的 AI 提效 10 倍"},{"content":"有些东西打不干净，不是因为它藏得多高级。\n而是因为它太赚钱。\n你以为黄播就是一个女人对着手机开直播，一个男人躲在屏幕后面打赏。真把公开案例拆开看，就会发现它根本不是这么简单。\n它更像一条流水线，把低俗做成了系统。\n接下来看两个法院判决的真实案例：\n20 岁女大学生林某，因为缺生活费、想买新款手机，靠非法成人直播 1 个月赚了 12 万。\n刚毕业的周某嫌打工慢、上班苦，和男友一起做色情直播，半年流水做到 144 万。\n他们真正可怕的地方，是普通人来钱太快了。\n缺生活费，嫌上班苦，想来钱快，觉得只是露一点，觉得反正隔着屏幕没人认识自己。\n一旦尝到了甜头，就再也回不去从前的生活了。\n1 它到底是什么？ 黄播本质上不是直播。\n它是一套披着直播外壳的非法交易系统。\n一个完整链路里，通常会有几类角色：\n平台方，负责 App、网页、服务器、支付、虚拟币、直播间、会员体系。\n代理和家族长，负责招募主播、拉用户、管理主播时长、结算分成。\n主播，负责提供内容、陪聊、诱导打赏，很多时候还会被包装成人设。\n支付和技术服务商，可能明面上只是工具提供者，但如果明知用途还配合，就会被卷进刑事风险。\n用户，看起来是消费者，实际上也是最容易被继续收割的人。\n公开案例里，“爱美人”平台的运营方式很典型：平台先招募家族长，再由家族长招募女主播；用户注册会员后充值“钻石”，用虚拟礼物打赏；平台、家族长、女主播之间按比例日结。\n这就是黄播最核心的商业结构：\n把一笔冲动消费拆成几层人头收入。\n用户以为自己在给主播刷礼物，平台看到的是一条可以分账、复购、导流、再收割的现金流。\n2 它到底怎么赚钱？ 如果只说“靠打赏赚钱”，那就把这门生意说浅了。\n打赏只是前台。\n真正赚钱的，是它背后那套收费口。\n我把公开案例拆完以后，大概能看到九个口子。\n2.1 会员卡密：把色情内容做成“月卡、季卡、年卡” Max 案是最典型的卡密模式。\n它不只是一个直播平台，而是一个色情直播聚合 App。人民政协网转《检察日报》的报道里写得很清楚，“小强魔盒”一开始只有直播功能，后来又增加云播、影视等栏目，把许多色情直播平台和色情网站链接整合进自己的平台里。用户要使用，就必须注册充值卡密。卡密被拆成月卡、季卡、年卡，再通过代理卖出去。\n这就是第一层赚钱方式：\n不是自己生产所有内容，而是把一堆色情内容打包成会员制入口。\n这和正规视频网站的会员逻辑很像，只不过它卖的是违法内容。\n更关键的是，Max 的卡密销量不是小打小闹。报道里提到，平台早期每个月能卖 1 万张左右月卡，后来每个月能卖到 10 万张，最后甚至能卖出二三十万张。落网代理供述，购买卡密的交易金额一开始每天四五万元，后来每天七八万元。\n这就是卡密模式最狠的地方：\n内容可以换，App 可以改名，代理可以换号，但只要卡密系统还在，现金流就能继续跑。\n2.2 代理批发：真正肥的是“卖铲子”的人 很多人以为平台赚的是终端用户的钱。\n不全是。\n它还赚代理的钱。\n人民网关于 Max 案的报道提到，一名落网代理从上家手里以较低价格批发卡密，再加价卖给下级代理；其每月购买卡密花费高达 150 万元。\n这个细节很关键。\n因为这说明 Max 不是单纯“卖会员给观众”，而是在做一套多级分销。\n平台把卡密批发给总代理。\n总代理卖给下级代理。\n下级代理再把卡密卖给用户。\n每一层都吃价差，每一层都有动力继续扩散。\n所以你看到的一个小广告、一个微信群链接、一个论坛帖子，背后可能不是某个孤立色站，而是一条“卡密批发—代理加价—终端消费”的分销链。\n这也是为什么 Max 可以在短时间内发展 1.6 万余名代理、350 多万会员，涉案资金做到 2.5 亿元。\n平台不是靠一个用户赚大钱。\n平台靠的是把每个代理都变成销售员。\n2.3 虚拟币和礼物：把付款伪装成互动 用户先充值，平台把人民币变成钻石、番茄币、礼物或者其他虚拟道具。这个动作很关键，因为一旦钱被换成平台内货币，用户对真实金额的痛感就会下降。\n10 元、50 元、200 元，变成了一串看起来没那么疼的数字。\n直播平台为什么喜欢虚拟币？因为它能把消费从“付款”变成“互动”。\n付款是理性的。\n互动是上头的。\n苍南警方侦破的跨境涉黄直播平台案里，报道提到，“游客”通过官方或个人代理购买“钻石”，消耗“钻石”进入房间观看色情表演，还会购买价格不菲的“火箭”等虚拟礼物打赏主播。\n这不是一个简单的支付动作。\n这是把交易拆成了三步：\n先充值，钱变成钻石。\n再进房，钻石变成观看资格。\n再刷礼物，钻石变成情绪互动。\n每多拆一层，用户对真实损失的感知就弱一层。\n这就是虚拟币的真正价值。\n它不是方便付款。\n它是方便人失控。\n2.4 私密房和付费房：把“进一步”做成收费节点 有的平台不是让你一直刷礼物，而是先给你一点免费内容，然后把真正付费的部分放到会员、私密房、付费观看里。\n嘉兴“Max”案里，公开报道提到平台通过层层发展代理、招揽用户购买会员卡密非法牟利。这个卡密类似充值卡，用户买了以后才能进入更深的观看层。\n免费内容是鱼饵。\n会员卡密才是收口。\n这里的核心不是内容多高级。\n核心是把用户的好奇心切成台阶。\n第一层免费。\n第二层试看。\n第三层会员。\n第四层私密房。\n第五层单独互动。\n用户每跨一层，都已经付出了一点钱和一点心理成本。\n一旦跨到后面，他就不再是“随便看看”的人，而是已经被平台筛出来的付费用户。\n2.5 主播分成：平台卖的是“可批量复制的前台资产” 主播不是平台的全部，但主播是平台最重要的“前台资产”。\n在“番茄社区”案里，报道提到平台和主播按 4：6 分配。 在人民法院报报道的案件里，也出现了平台与主播按四六不等比例分成的结构。\n这说明什么？\n黄播平台最想要的不是某一个顶级主播，而是可批量复制的主播供给。\n一个主播能赚钱，平台就会让代理继续招人。\n一个代理能招人，平台就会继续给他分成。\n最后它就从“直播平台”变成了“招募系统”。\n更细一点看，苍南那起跨境涉黄直播平台案里，家族长名下女主播每日收入提成为 50%—60%，收入会先通过银行卡转给家族长，再由家族长向女主播结算分成。\n这说明平台并不直接管理每一个主播。\n它把主播管理外包给家族长。\n家族长负责招人、培训、盯时长、做话术、结算。\n平台负责技术、充值、流量、后台和分账。\n这套模式最像什么？\n像一个违法版的外包销售团队。\n主播负责前台成交。\n家族长负责团队管理。\n平台负责收银台。\n2.6 家族长抽成：越往上游越像“人头生意” 黄播平台真正厉害的地方，是它不只让主播赚钱，也让招募主播的人赚钱。\n这就会形成一个非常危险的激励：\n只要你能拉来主播，你就能从她的收入里持续抽成。\n所以家族长最关心的，往往不是某个主播能不能红，而是能不能不断扩充主播池。\n一个主播做起来，就劝她拉朋友。\n一个朋友进来，就再拉同学、室友、老乡。\n最后这条链会从“内容表演”变成“熟人招募”。\n这也是为什么年轻女性、无业女性、缺钱学生，会反复出现在公开案例里。\n不是她们天然更坏。\n是她们更容易被“高薪、自由、来钱快”的话术击中。\n2.7 付费点播：直播之外，还有偷拍视频和库存内容 黄播平台不一定只靠实时直播。\n“黄瓜视频”案就是另一种形态。\n浙江在线公布的 2021 年“扫黄打非”十大案件里提到，“黄瓜视频”App 境内安装用户 6000 余万人，非法获利 3 亿余元，链条里包括境外研发运维团队、境内视频上传 UP 主、家族长、第四方资金通道支付团伙、技术支撑等成员。\n注意这里的关键词：\n视频上传 UP 主。\n家族长。\n第四方资金通道。\n技术支撑。\n这说明它已经不是“主播开播，观众打赏”这么单一。\n它把付费点播、直播表演、用户上传、支付结算、技术运维揉在了一起。\n对平台来说，直播是即时刺激，点播是库存资产。\n直播让人上头。\n点播让内容反复变现。\n2.8 一源多卖：同一批内容铺到多个 App 和网站 苍南跨境涉黄直播平台案还有一个细节特别值得写。\n警方调查发现，该直播平台与境内外多个淫秽网站、直播平台为相同视频源，也就是说，用户可以在多个 App 和网站看到同样的直播内容，背后平台方是同一个犯罪团伙。\n这就是“一源多卖”。\n同一个主播。\n同一场直播。\n同一批内容。\n换几个 App 名字，换几个网站入口，换几套推广文案，就可以卖给不同流量池。\n这也是为什么一些涉黄网站看起来五花八门，背后可能是同一伙人。\n前台很多。\n后台一套。\n这就是数字妓院和传统色情场所最大的不同：\n传统场所的空间是有限的。\n数字场所的入口可以无限复制。\n2.9 色情流量二次转卖：赌博、刷单、裸聊诈骗才是后半场 黄播最脏的钱，往往不在第一笔打赏里。\n而在二次转卖里。\n法治日报报道过“色情直播暗藏赌博团伙”的案例：色情直播成为境外赌博与洗钱集团的引流渠道，链条里出现直播平台、赌博平台、四方支付平台、话费充值、接码等多个环节。\n新京报也调查过类似“网络色情”陷阱：犯罪分子通过涉黄网站、社交软件、视频软件、短信等渠道发布色情广告，以观看色情视频、“免费约炮”为诱饵，诱导受害人下载 App，再让受害人做刷单、投资、赌博等“任务”。一开始给小额返利，后面用系统故障、数据错误、操作失误等借口让受害人继续投钱。\n这就是黄播流量最残酷的后半场：\n第一步，用色情筛出容易上头的人。\n第二步，用互动筛出愿意付费的人。\n第三步，用站外 App 筛出愿意继续相信的人。\n第四步，把这些人导向赌博、刷单、裸聊敲诈。\n所以很多时候，平台不在乎你是不是长期用户。\n它只需要确认一件事：\n你是不是容易被欲望牵着走。\n只要答案是是，你就会被送到下一条更贵的链路里。\n2.10 合同和仲裁：连主播也能变成收入来源 还有一个很容易被忽略的赚钱口：主播本身。\n北京日报客户端转《检察日报》的报道提到，一些直播公会打着“高薪、舒适”的旗号吸引人加入，签约后不给支持，甚至要求主播做“黄播”“赌播”；还有的公会在合同里“埋雷”，通过限制离职、排他条款、高额违约金，再用仲裁或起诉主播牟利。\n这件事和黄播黑产放在一起看，很讽刺。\n主播以为自己是来赚钱的。\n结果她可能同时被平台、家族长、用户、合同一起收割。\n前台收割观众。\n后台收割主播。\n这才是“数字妓院”最真实的结构。\n它不是一个单向剥削系统。\n它是一个多向榨取系统。\n2.11 代理分销 代理是这类平台最危险的一层。\n普通人看到的是某个链接、某个二维码、某个头像、某句隐晦文案。\n平台看到的是低成本分销网络。\n嘉兴“Max”案里，平台发展代理 1.6 万多人。首次收网后，平台仍继续发展代理，并在微信、QQ、微博等社交软件里推广相关 App。\n这就是为什么它很难被一次性打死。\n平台可以关。\n代理可以换号。\n链接可以换壳。\n用户流量还会继续在暗处流动。\n2.12 站外导流 这层最容易被低估。\n很多黄播平台并不满足于赚打赏，它还会把用户导向站外：社交软件、私域群、赌博网站、诈骗 App、裸聊敲诈。\n央视对“Max”案的报道里提到，该平台与赌博团伙勾结，借助色情流量推广赌博网站。\n抖音 2025 年的治理案例也提到，有黑产批量购买、注册账号，把头像改成隐晦的第三方平台联系方式，引导用户下载涉色情违法类 App；还有团伙用“线下卖淫”为诱饵诱导用户消费打赏，最终多人被刑拘。\n所以很多时候，它不是在赚你那几十块打赏。\n它是在筛选你是不是一个容易失控的人。\n能被色情链接拉走的人，可能也会被赌博、裸聊、虚假交友继续拉走。\n这就是黑产眼里的“用户画像”。\n3 利润到底有多恐怖？算一笔风险账 这里不写操作账，只写风险账。\n因为这不是项目教程，这是犯罪链路拆解。\n先看行业规模的变化。\n视频脚本里给过一组口径：2020 年到 2025 年，成人直播平台数量从 300—500 个，快速增加到 3000—5000 个；产业规模也从年流水 100 亿元，上升到年流水 800 亿元。\n这个数字如果单独看，像夸张。\n但放到公开案例里，就不难理解。\n嘉兴“Max”案：350 多万会员、1.6 万多代理、涉案资金 2.5 亿元。\n“老虎直播”案：平台运行不到两个月，累计充值金额 728.7002 万元，注册会员 108 万余人，涉黄女主播 1000 余人。\n“番茄社区”案：平台、主播按 4：6 分成，涉案金额 600 多万元。\n人民法院报报道的境外平台案：罚金合计 704 万元，追缴犯罪所得 318 万元，退缴违法所得 416 万元，冻结银行存款 89 万元。\n苍南跨境涉黄直播平台案：一个平台一年充值金额达到一亿余元，注册会员超过百万，招募女主播 200 余人，日常在线主播 50 余名。\n“黄瓜视频”App 案：境内安装用户 6000 余万人，非法获利 3 亿余元，链条里同时出现 UP 主、家族长、第四方资金通道支付团伙和技术支撑。\n脚本里还提到一个更小颗粒度的账：搭建一个小型直播平台，投入可能只有 5000 到 1 万元，但一个月流水可以做到 10 万到 50 万。\n这组数字最有教育意义的地方，不是告诉你它有多赚钱。\n而是告诉你为什么它死不掉。\n如果一个违法平台需要几百万成本，打掉一次就伤筋动骨。\n但如果它的启动成本很低、换壳成本很低、代理可以重新组织、用户可以重新导流，那它就会像杂草一样反复长出来。\n这不是生命力。\n这是犯罪成本太低。\n这些数字背后有一个公式：\n平台流水 ≈ 付费用户数 × 单次充值金额 × 复购次数 × 情绪上头系数\n真正的变量不在“内容质量”，而在三个地方：\n一是用户能不能被快速拉进来。\n二是用户能不能被留在付费场景里。\n三是用户能不能被反复刺激消费。\n这也是为什么监管重点一直盯着“低俗诱导打赏”“虚假人设诱骗打赏”“刺激非理性打赏”。中央网信办 2025 年“清朗·整治网络直播打赏乱象”专项行动明确点名了这几类问题，包括低俗团播、虚假人设、诱导未成年人打赏、PK 玩法刺激用户非理性打赏等。\n黄播只是把这套机制推到了更脏、更违法、更危险的地方。\n正规直播里，诱导打赏已经是治理重点。\n非法直播里，诱导打赏只是起步价。\n4 行业里常见的猫腻 黄播平台最会利用的，不是技术漏洞。\n是人的弱点。\n4.1 先免费，再收费 先让用户看到一点，再告诉你后面需要充值。\n这不是内容策略，这是心理套索。\n公开案例里，“番茄社区”每天提供部分免费视频，用户继续观看其他内容或直播表演，就要购买虚拟币打赏。\n免费不是善意。\n免费是为了降低第一次点击的心理成本。\n4.2 先正常，再升级 很多直播间不是一上来就露骨，而是先用正常聊天、暧昧互动、低俗擦边把人留住。\n人一旦停留，就会开始投入时间。\n投入时间之后，就更容易投入钱。\n4.3 先人设，再收割 直播打赏最厉害的地方，从来不只是画面。\n而是人设。\n你以为自己在看内容，其实你在和一个被设计出来的对象互动。\n“可怜”“单纯”“需要支持”“只对你特殊”，这些东西一旦叠上性暗示，就很容易把消费伪装成关系。\n中央网信办在 2025 年专项行动里也把“虚假人设诱骗打赏”列为重点整治对象，包括编排家庭不幸、冒充特定身份、使用 AI 技术生成虚假内容等。\n黄播黑产会把这套东西用得更狠。\n因为它本来就不准备长期经营信任，只准备短期收割。\n4.4 先站内，再站外 在平台内，至少还有一点审核和记录。\n一旦被引到站外，风险就开始指数级上升。\n裸聊诈骗、赌博导流、虚假交友、勒索威胁，往往都发生在站外。\n你以为你只是加了一个联系方式。\n黑产看到的是你已经走出了平台保护区。\n5 黑产链路识别手册 很多人看黄播黑产，会有一个误区：\n总觉得只要不点那种特别露骨的链接，就没事。\n错了。\n真正成熟的黑产，不会一上来就把“违法”两个字写在脸上。\n它会把自己伪装成兼职、交友、副业、陪聊、情感咨询、直播培训、线上工作，甚至伪装成一个看起来很正常的内容账号。\n你要识别它，不能只看它说了什么。\n要看它想把你带到哪里。\n5.1 招募端：它不会说“来违法”，它会说“轻松赚钱” 招募主播时，黑产最常见的包装不是色情，而是“低门槛高收入”。\n它会把风险藏起来，只把收益摆出来。\n常见外壳有几类：\n第一类，是兼职外壳。\n话术通常围绕“在家就能做”“时间自由”“不用露脸也可以”“聊天就能赚钱”“声音好听就行”“新人有人带”。\n这种话术最危险的地方，是它把一个高风险行为包装成了普通兼职。\n很多年轻人一开始不是奔着违法去的，而是奔着“缺钱”“想买手机”“想还花呗”“想赚点生活费”去的。\n真正的问题就在这里：\n当一个兼职越强调“轻松、高薪、不限经验”，你越要问一句，钱到底从哪里来？\n第二类，是直播培训外壳。\n它不会直接说让你做什么，而是先让你加群、听课、看收益截图。\n截图里永远是别人今天收了多少礼物，昨天提现多少，这个月流水多少。\n它卖的不是方法。\n它卖的是“你也可以”的幻觉。\n第三类，是熟人介绍外壳。\n公开案例里，代理、家族长、主播之间往往有招募关系。熟人介绍最容易降低警惕，尤其是同学、室友、学姐、朋友这种身份。\n越是熟人介绍，越要把账算清楚：\n她为什么拉你？\n她从你身上有没有分成？\n她让你做的事，为什么不敢放到正规合同里？\n5.2 导流端：它最怕你留在正规平台 黄播链路的核心动作，永远是把人从正规平台带出去。\n所以识别导流，不要只盯色情词。\n很多导流根本不会露骨。\n它可能是头像里的小字，简介里的谐音，评论区里的暗号，私信里的截图，直播背景里一闪而过的联系方式。\n它也可能先发一段看似正常的聊天：\n“这里不方便说。”\n“平台管得严。”\n“去那边看完整版。”\n“加了给你发福利。”\n“下载这个，里面才有。”\n这些话的共同点，不是色情。\n是让你离开原平台。\n只要对方的核心动作是让你下载陌生 App、进陌生群、加陌生联系方式、扫陌生码、点陌生短链，就已经不是普通内容消费了。\n你正在被转运。\n5.3 付费端：它不会让你觉得自己在花钱，它会让你觉得自己在互动 黄播平台最聪明的地方，是它很少让你直接感受到“我付了多少钱”。\n它会把钱换成虚拟币、礼物、会员、房卡、卡密、等级、亲密度。\n这一步很关键。\n人民币是现实的。\n虚拟币是麻木的。\n你打赏 199 元会犹豫，但你刷一个礼物、开一个房间、补一次会员，心理上就轻很多。\n它还会用几个东西催你继续花钱：\n一是限时。\n马上关播，最后一场，只给今天的人看。\n二是排名。\n榜一、守护、粉丝牌、亲密值。\n三是单独感。\n“只给你看”“你和别人不一样”“你再刷一点我就……”\n四是沉没成本。\n你已经充了，不继续看就亏了；你已经刷到这个等级，不再刷就前功尽弃。\n这就是为什么很多人一开始只想花几十块，最后越陷越深。\n他不是突然变蠢了。\n他是被一步步带进了一个专门削弱理性的消费场景。\n5.4 控制端：它最值钱的不是你的钱，是你的把柄 黄播黑产很少只做一锤子买卖。\n对用户来说，站外聊天、裸聊、转账记录、下载记录、通讯录权限、手机相册、自拍视频，都可能变成后续威胁材料。\n对主播来说，开播录像、身份证明、收款流水、聊天记录、熟人关系，也都可能变成控制材料。\n这就是为什么“我只是试一下”特别危险。\n黑产最喜欢的就是“试一下”。\n因为只要你试了一次，它就有机会留下记录。\n有了记录，关系就变了。\n你以为你还有选择，对方知道你开始害怕。\n很多勒索不是靠技术赢的，是靠心理赢的。\n它不一定真的掌握你全部信息，但它只要让你相信“它可能掌握”，你就会开始慌。\n一慌，就容易继续付钱。\n5.5 洗白端：它不一定永远躲在阴沟里 更麻烦的是，一些黑产从业者并不会永远停留在地下。\n当他们赚到第一桶钱，或者被平台打击后，就可能转向正规平台洗白。\n常见方式也不复杂：\n过去的违法痕迹不提，只讲自己“懂人性”“懂流量”“懂直播”“懂情绪价值”。\n过去的黑产经验不提，只包装成“运营方法论”“私域转化”“直播培训”“情感咨询”。\n过去的代理链路不提，只展示豪车、转账、旅游、创业人设。\n这类账号最危险的地方，是它把坏结果包装成成功学。\n它不告诉你别人为什么被判刑，不告诉你多少人被骗，不告诉你多少年轻人被拉下水。\n它只告诉你：\n看，我赚到钱了。\n这才是最毒的地方。\n它不是在讲赚钱。\n它是在把违法成本从故事里删掉。\n5.6 脱身端：一旦发现不对，最重要的是停止继续交付 如果你是观众，发现自己已经被导流、充值、威胁，第一件事不是继续解释，也不是继续求对方删记录。\n第一件事是停止继续给钱、继续发材料、继续证明自己。\n保存聊天记录、转账记录、链接截图、账号信息，然后去平台举报，必要时报警。\n如果你是被招募的主播，发现对方让你做的内容已经越过边界，不要相信“大家都这么做”“平台在国外没事”“你不开脸没人知道”。\n这些话都不是保护你。\n这些话是在降低你退出的决心。\n真正保护你的，是马上停止继续参与，保留证据，切断和代理、家族长、平台运营的联系。\n如果你是家长，发现孩子手机里出现陌生直播 App、异常充值、深夜私聊、陌生群、暧昧话术，不要第一反应就是骂。\n先把钱和账号止住。\n再问清楚链路：谁介绍的？下了什么？充了多少？有没有发照片、视频、身份信息？有没有被威胁？\n这件事里，最没用的动作是道德审判。\n最有用的动作是截断损失。\n6 AI 在这里扮演了什么角色？ 视频脚本里有一个判断是对的：\nAI 没有天然让世界变干净。\n它只是降低了伪装成本。\n在黄播这类产业里，AI 主要做三件事。\n6.1 降低“颜值成本” 过去平台需要靠真实主播的外貌、身材、声音来吸引用户。现在，美颜、换脸、变声、虚拟形象都可能被拿来做伪装。\n这意味着平台不一定非要找到“高颜值主播”，它只要找到愿意配合的人，再用技术把前台包装出来。\n视频脚本里有个说法很直白：AI 美颜可以让打赏率提升 3—5 倍，客单价翻升 2 倍。\n这组数字不管最后在不同平台上有多大波动，方向都很清楚：\nAI 在这里不是提高审美。\nAI 是提高付费冲动。\n这会制造一个很危险的错觉：\n用户以为自己看到的是人。\n其实看到的是包装后的商品。\n6.2 降低身份暴露感 对主播来说，换脸、美颜、虚拟形象会降低心理门槛。\n“反正不是我的真实样子。”\n这句话听起来像保护，实际上可能是陷阱。\n因为平台有录像，代理有聊天记录，支付有流水，用户也可能录屏。你以为 AI 替你隔开了现实身份，最后可能只是让你更快踏进风险。\n6.3 提高诈骗仿真度 AI 换脸、拟声、虚拟人设，会让虚假互动更像真的。\n中央网信办 2025 年“清朗·整治 AI 技术滥用”专项行动，明确把 AI 换脸拟声侵犯公众权益、AI 内容标识缺失误导公众等列为重点问题；第一阶段累计处置违规 AI 产品 3500 余款，清理违法违规信息 96 万余条。\n这说明监管部门已经看到这个趋势。\nAI 一旦和色情、诈骗、打赏结合，最危险的不是“做得像不像”，而是“用户还知不知道自己在和什么东西互动”。\n不知道，就会失控。\n7 为什么它很难被彻底打掉？ 很多人会问：\n既然这么违法，为什么还会反复出现？\n答案不是监管不管。\n答案是这门生意具备几个典型黑产特征。\n7.1 轻资产 它不需要门店，不需要稳定场地，不需要大规模线下组织。\n一个 App、一套支付入口、一批代理、一堆账号，就能开始流动。\n这也是为什么它经常换壳。\n“睡美人”“暧昧”“媚娘”“爱美人”，公开案例里就出现过同一运营方不断更换平台马甲的情况。\n7.2 分布式 平台方、代理、主播、支付、用户不一定在一个地方。\n嘉兴“Max”案里，境外组织者、国内代理、社交软件推广、赌博导流混在一起。公安机关两赴柬埔寨抓捕组织者，国内又抓获大量代理人员。\n这不是一个点。\n是一张网。\n7.3 需求稳定 色情、陪伴、刺激、猎奇、孤独，这些需求不会因为某个平台被打掉就消失。\n平台死了，需求还在。\n需求还在，就会有人继续换壳。\n黑产最怕的不是某个 App 被封。\n它最怕的是用户不再上钩。\n7.4 和正规平台边界纠缠 现在很多黑产不会一上来就把违法内容放在正规平台。\n它先用擦边内容、美女头像、隐晦签名、私信话术，把人从正规平台导出去。\n抖音 2025 年公布的数据里，8.8 万人次因低俗诱导打赏被处罚，11.7 万个涉色情违规账号被无限期回收直播权限；另有涉色情 App 导流、线下卖淫诱导打赏等线索移交公安并出现刑拘。\n这说明正规平台正在被当作黑产的流量入口。\n不是每个擦边账号后面都有黄播。\n但很多黄播链路，都会从擦边开始。\n7.5 生命周期短，所以更追求短期收割 视频脚本里还有一个判断：小型成人非法直播平台平均存在周期可能只有 45 天，中大型平台也往往只有数月级别的生存窗口。\n这个数字一旦成立，就能解释很多看起来反常的行为。\n为什么它不在乎用户体验？\n因为它没准备长期服务你。\n为什么它话术越来越激进？\n因为它要在被封之前把流水冲出来。\n为什么它导流到站外、赌博、裸聊诈骗时毫无顾忌？\n因为它从第一天开始就知道自己是一次性生意。\n正规平台讲留存。\n黑产平台讲榨干。\n8 比亏钱更可怕的风险 对普通人来说，黄播最大的损失不一定是钱。\n而是你不知道自己已经把哪些东西交出去了。\n8.1 观众风险 第一层是钱。\n充值、打赏、会员、私密房、站外付费，都是钱。\n第二层是隐私。\n你下载了什么 App，注册了什么账号，给谁转过账，聊过什么内容，都可能变成被威胁的材料。\n第三层是诈骗。\n裸聊、赌博、刷单、虚假交友、线下见面，任何一步都可能从“消费”变成“敲诈”。\n第四层是法律和家庭风险。\n一旦涉及传播、组织、招募、代理、帮助推广，就不再是“我只是看看”。\n8.2 主播风险 很多人以为主播只是“赚快钱”。\n公开案例告诉你，不是。\n人民法院报报道的案件里，多名主播被判四年至七年二个月不等有期徒刑，并处罚金。\n这不是道德风险。\n这是刑事风险。\n更现实的是，一旦进入这条链，主播往往会被平台、代理、熟人、用户多头拿捏。\n录屏、聊天记录、转账记录、身份信息，都可能变成后续控制你的绳子。\n你以为你在赚钱。\n很多时候，你是在给别人留下把柄。\n8.3 未成年人风险 未成年人是这条链里最不该出现、也最容易被伤害的人。\n2022 年四部门发布的《关于规范网络直播打赏 加强未成年人保护的意见》明确要求，禁止为未成年人提供现金充值、“礼物”购买、在线支付等各类打赏服务；同时要求取消打赏榜单，禁止以打赏额度作为主播排名、引流、推荐的唯一依据。\n为什么要这么严？\n因为打赏机制本来就会放大冲动。\n成年人都未必扛得住，未成年人更扛不住。\n如果再叠上色情、陪伴、虚假关系，那就不是娱乐问题，是伤害问题。\n9 普通人的生存指南 9.1 凡是引导你离开正规平台的，都先默认有风险 头像、签名、评论区、私信、直播间背景、谐音暗语，只要核心动作是让你去别的平台、下载陌生 App、加陌生联系方式，就先停下来。\n真正危险的不是你点开了什么。\n是你开始按对方的路径走。\n9.2 凡是让你先充值再解锁的，都别碰 尤其是陌生 App、网页、私密房、会员卡、虚拟币。\n这类平台最擅长把真实的钱换成虚拟筹码，让你对损失没感觉。\n你不是在消费内容。\n你是在把自己送进对方的收割系统。\n9.3 凡是涉及裸聊、录屏、私密照片的，立刻断开 不要解释，不要讨价还价，不要继续证明自己是谁。\n保存证据，停止沟通，报警或向平台举报。\n很多勒索就是靠你慌。\n你越想私了，对方越知道你怕。\n9.4 家长别只盯“孩子看了什么”，还要盯“钱从哪里出去” 未成年人被伤害，很多时候不是从内容开始，而是从支付开始。\n家长要看的不是“孩子有没有刷到擦边内容”这么简单。\n更重要的是：有没有陌生充值记录，有没有异常转账，有没有突然下载陌生 App，有没有深夜频繁聊天。\n钱的路径，往往比浏览记录更诚实。\n9.5 别把大家都在看当安全证明 黑产最喜欢制造氛围。\n在线人数、弹幕、礼物特效、排行榜、充值返利、主播感谢，都是为了让你觉得这事很正常。\n越像一个热闹场子，越要问一句：\n它凭什么让我这么快掏钱？\n结语 黄播真正赚钱的地方，不是色情内容本身。\n内容只是入口。\n真正赚钱的是入口后面的那条链：\n流量、充值、打赏、分成、代理、站外导流、诈骗筛选。\n这也是为什么它很难被一拳打死。\n你打掉一个平台，它可以换壳。\n你封掉一个账号，它可以换号。\n你清理一批直播间，它可以转去私域。\n这门生意最狠的地方，是它让人误以为自己只是在旁观。\n实际上，从你第一次点击开始，收割的镰刀就已蠢蠢欲动了。\n","permalink":"https://ryrenz.com/zh/industry/porn-live-stream-industry-chain/","summary":"色情直播不是单个主播和打赏用户之间的低俗交易，而是一套平台、代理、主播、支付、技术和流量共同参与的灰黑产流水线。真正危险的是，它把冲动消费、虚拟币、会员制和私域收割组合成了高复购现金流。","title":"拆解色情直播间背后的千万产业链"},{"content":"\n当前许多企业都在积极地做 AI 转型，第一步就是去买 Coding Agent Licence 然后开展大量的培训去试图提高员工效率。\n在我看来，这是一笔糊涂账。\n维持原有组织架构的情况下，通过培训和 AI 工具去提高全员效率是不现实的。\n成功的 AI 企业都是小而精 Midjourney 起步那年 11 个人，一年做到 2 亿美元 ARR。零融资、零投放、零销售。每人一年创收 1800 万美元。\nCursor 早期 50 人，做到 2026 年初 ARR 已经 20 亿、估值 293 亿。哪怕按现在 150 人算，每人创收也是 670 万美元。普通 SaaS 公司每人创收才 15 到 25 万。Cursor 比行业平均高 30 倍。\n但更夸张的是 Anthropic 自己，特别是 Claude Code 团队。\nClaude Code 这个产品 90% 的代码是它自己写的。\nBoris Cherny，Claude Code 的创始人，2026 年 2 月在 Lenny 播客上说他从 2025 年 11 月起一行代码都没手写过——100% 都是 Claude Code 写的。他每天 ship 10 到 30 个 PR。\nAnthropic 整体的工程师人均产出过去一年涨了 200%。Claude Code 自己写出来的代码，已经占了全球 GitHub 公开 commit 的 4%。Boris 在播客里直说写代码这件事已经基本被解决了。\nClaude Code 在其他企业的数据更夸张。Stripe 用上之后，一个团队 4 天完成了 10000 行 Scala 到 Java 的迁移，原本估的是 10 个工程师周。Wiz 把 50000 行 Python 库迁到 Go 用了 20 小时，原本估 2 到 3 个月。\n再是 Pieter Levels，一个人，70 多个项目即使 95% 失败，剩下几个加起来一年也盈利 300 万美元，他的原话是“每多一个员工都让公司的运转变慢”。\n还有 OpenClaw，单仓库 37 万行 TypeScript 代码，README 直接写“AI/vibe-coded PRs welcome”。OpenClaw 的创始人，Steinberger 同时跑十几个 Codex agent，一个人一天的产出就抵得上小团队一周的工作量。\n至于 Andrej Karpathy ——他 2026 年 3 月在 No Priors 播客上说，他从去年 12 月起一行代码都没手写过，每天 16 小时只对着 agent 说话。他用的词叫 “AI psychosis”。\n人均价值的上限从来不是团队人数决定的，是你用什么样的杠杆决定的。AI 是新一代杠杆。Karpathy 讲过，Cloud 加 AI 已经让 Pieter Levels 这种“一个人跑多家公司”的模式真正可行，估值十亿不是不可能。\nSam Altman 甚至已经开始跟一群 CEO 私下打赌——第一家“一人十亿美元公司”哪一年出现。\n组织架构决定成败 这两年我确信一件事，全员 AI 教学提升，大概率失败。\n康威定律讲过，组织结构决定产品形态。搬到 AI 时代来看，传统组织能做出来的 AI 产品，永远是 AI feature，不会是 AI native。\n传统组织里协作单元是人对人。\n员工效率再高，80%的时间用在沟通走流程，决策排会议，跨部门协作上，整体生产力其实没有多大提高。\n你不能期待二环十三郎在胡同里飙车。\nAI 原生组织里协作单元是“人 + 智能体”，一个工程师同时跑五到十个智能体，以前一个小组一周的活，一个早上跑完。\n往深一层看，这是一场反协作——主动减少人对人的连接，增加人对 AI 的连接。\nCursor 就是这么干的。没有产品经理，工程师自己开 agent、自己写代码、自己定产品方向。150 个人扛 20 亿美元 ARR，不是因为他们更聪明，是因为协作方式从根上就不一样。\nAnthropic 的 Claude Code 团队也是。他们一个工程师的口头禅是——“我现在的工作就是想办法让尽可能多的 Claude Code 实例同时干活。”\n这事在传统企业很难做，不是技术问题，是组织结构问题。\n你给一个传统部门的工程师配 10 个 agent，他第一反应是先盘一遍：\n→ 产出翻十倍，明年 headcount 是不是要被砍？\n→ 手下员工我还保得住吗？保不住，谁先走？\n→ 我盘子要是被一个 agent 接管了，我的升职报告怎么写？\n→ 这事归我做，功劳是 AI 的；出了线上事故，锅是我的。我图啥？\n所以你看到的真实情况是：真正在用 agent 干十个人活儿的，是独立开发者、是小团队 founder、是那些“产出直接 = 自己收入”的人。\n亲身感受 我白天在企业里写前后端，晚上和周末做开源项目和副业，全套 AI 工作流直接堆上去。\n两边的节奏不像同一个时代。\n白天磨一个接口要走完整套流程，从立项到上线大概一周。晚上一个晚上能跑出一个 MVP，第二天就能拿出来给人用。\n工具上没差。公司也买了 Claude Code。差的是组织能不能让工具真的把生产力释放出来。答案是不能。\n所以“AI 转型”在大多数公司就是个 PPT 项目。买工具、上培训、发通知、立 OKR，组织还是原来那个组织，节奏全被其他流程卡住。\n一个 AI native 个体，几天能干完传统团队几个月的活，这是 Claude、Cursor、Rakuten 在公司层面已经验证过的事。问题是大多数组织根本不允许个体跑成 AI native，节奏很容易被流程卡掉。\n团队不再是飞轮，是负债\n更要命的是，传统团队不光是慢——它会把你切换到 AI 原生的可能性永久锁死。\n你建好的组织、签好的合同、定好的层级、招进来的中层，每一个都站在反对切换的那一边。你不可能真的重组。你最多在内部塞一个“AI 创新组”，然后看它在 KPI 战争里消亡。\n这就是 90% 公司所谓“AI 转型”的真实剧本。\n破局：先裁员再招人 Boris Cherny 在 Lenny 播客里讲了一个很有意思的管理原则——“underfund things a little bit”，给团队的资源故意配不够。\n他原话是 “There\u0026rsquo;s this interesting thing when you underfund everything a little bit, because then people are kind of forced to Claude-ify.”\n故意让团队人手不够、预算紧、时间紧，他们就会被迫用 AI 来填这个缺口。\n成熟企业的真正问题不是“事多人少”，是“人多事少”。\n人多事少的状态下，大家不是在干活，是在协调谁干活。开会、对齐、走流程、发周报，一周就过去了。\n这些都是上一代生产力为上一代摩擦力设计的。你硬塞 AI 进去，AI 也只能在缝里赋能，根本到不了主流程。\n砍掉一半人，逻辑就反过来了。\n人少事多，没人有空开“为开会而开会”的会，每个人都被迫直面问题、被迫调度 agent、被迫 end-to-end 闭环。不是因为这些人能力差才被裁——是因为那个团队规模本身就是为上一个时代设计的。\n在新时代，它就是降本增效的最大阻力。\n这事粗暴，但有效。2026 年会有越来越多公司走这条路，不是因为他们想，是因为他们没有更便宜的选择。\nAI 红利是不公平的 AI 只能让会写代码的人写得更快，让懂产品的人验证得更快，让有审美的人产出质量更高。它放大的是你已经有的，不是你没有的。\n而桌上的这些人，正在以你想象不到的强度卷。顶级独立开发者一天写 1 万到 10 万行代码。\nKarpathy 一天 16 小时对着 agent 写代码，token 月底用不完会焦虑到难受。\nBoris Cherny 每天 ship 10 到 30 个 PR。Peter Steinberger 同时跑十几个 Codex agent。\nY Combinator 的 Garry Tan 说他最近每天只睡 4 小时——对着 Claude Code 干活兴奋到不需要任何提神药，他还说他认识的 CEO 三分之一都这样。\n顶级大佬都卷成麻花的情况下，普通打工人该怎么做？\n第一 放弃打工思维， “等指令然后执行”这件事，AI 现在做得比人好。\n你要不会拆问题、不会设计方案、不会判断什么值得做，组织一裁人你就很有可能在名单里。单纯的执行者，在 AI 时代不值钱了。\n第二 拥抱全栈思维， 就算你只是写代码，也要能从需求到部署全程跑通——产品设计、技术方案、上线、运营，哪一段都不甩锅。\nCursor、Claude Code 这种没有产品经理的组织里，工程师本来就是这么干的。一个人跑通产品闭环是新时代最稀缺的能力，也是最不容易被替代的能力。\n第三 **培养商业思维，**真正的能力是用 AI 调度资源——把想法变成产品，把产品销售出去。\n不要满足于每天在公司用 AI 开发了什么产品功能，要学习公司的产品思维，销售思维和落地方法论。\n这样即使未来面对裁员，同时拥有 Build 和 Sell 能力的你才有可能通过创业，继续开辟自己的事业。\n最后 把整个组织的协作单元从人对人换成人对 agents 是企业 AI 转型的必经之路。\n做不到这一步，公司买再多 Claude Code licence 也没用。\n组织惯性、合同约束、KPI、人情账面，每一项都在反对切换，大多数公司根本下不了这个手。\n所以越来越多公司会选最暴力的那条路：先裁员，剩下的人满配 AI，不行再按需招人——这或许不是最优路径，但足够普适且好用。\nby Ren\n感谢你看到这里\n如果你对职场、创业、投资、AI 感兴趣，请点个关注，谢谢\n","permalink":"https://ryrenz.com/zh/career/enterprise-ai-transformation-layoffs/","summary":"企业买 AI 工具、做全员培训，不等于完成 AI 转型。真正的变化不是给旧组织加一层 AI，而是把协作单元从“人对人”改成“人＋智能体”。这会先冲击 headcount，再重写打工人的生存规则。","title":"为什么企业 AI 转型必须裁员？打工人该何去何从？"},{"content":"如果你对创业一无所知，这篇指南会带你走近真实的创业问题。\n如果你是技术背景，你会发现里面 70% 的内容跟代码无关，而这恰恰就是许多技术创始人翻车的原因。\n01｜产品只是创业的第一步 地球上几乎没有真正必要的企业。\n人类创新的驱动力早就不是“这件事只有我能做”，而是：我想做这件事，并且希望别人为此付钱。\n承认这一点，你才不会被自己的“使命感”骗到。\n你不是在拯救世界，你是在劝说一群从未要求过你出现的人，把钱交给你。\n任何一家公司本质上都同时背着三件事：\n劳动 —— 实际的、重复的、不性感的工作。写代码、debug、跑 eval、处理脏数据、写文档、运维、补 ticket、回客户邮件。 行政 —— 处理人。同事、共同创始人、投资人、合规、招聘、客户成功、董事会。 欺骗（marketing 在哲学意义上的本质）—— 说服一个从未要求过你的人，把钱交给你。融资 pitch、Product Hunt、Twitter 营销、PR、招聘说辞。 技术背景的人 99% 只想做第一件。\n所以他们的公司经常不是死在产品上，而是死在后两件事上。\n在你下注之前，先和自己诚实地谈一次：这三件事里你最愿意做哪一件？哪一件你最讨厌？\n你真正要问的不是“我能不能把产品做出来”。\n而是：我是否真的相信它的价值，并且愿意把它卖出去。\n02｜动机比方法重要 —— 不要为“看起来酷”创业 每一代年轻人都有自己的成名梦。这一代在科技圈的版本是：做一个 AI Agent、发一个 MCP server、做一个开发者工具、做一个 LLM-native SaaS、做一个 AI 伴侣、做一个 Devin 的竞品。\n问题不是这些方向错了，问题是 —— 这一代最危险的工程风气是：你不需要做出真正可用的东西，也能看起来像在创业。你只需要发一个 demo 视频、跑赢一个 benchmark、攒一波 Twitter 流量，就能被叫做“AI Founder”。\n行业现在很乱。这就是为什么真正落地的产品越来越难做：因为你在和一群把“看起来在做事”当成“在做事”的人争夺同一批用户和同一批投资人。\n你不需要立刻找到方法，但你必须先找到一个值得你下注的命题（thesis）—— 一个反共识、但你愿意赌它是对的判断。\n好命题大概长这样：\n“现在所有的 AI 编码工具都在优化单人体验，但 90% 的生产代码是多人协作产出的 —— 这个空隙没人在认真做。” “Prompt engineering 不是一个长期技能，context engineering 才是。围绕 context 做工具链的人会赢。” “Agent 框架们都在追多代理编排，但 90% 的实际价值是单 agent 把一件事做到极致 —— 市场会反转。” “中文 AI 开发者社区被严重低估，因为大模型公司都在追英文 ARR —— 这里有窗口。” 如果你说不出自己的命题，你做的不是生意，是表演。你的命题应该尖锐到可以让一个聪明人公开反对你。如果没人能反对你，说明你只是在描述大家都同意的废话。\n03｜创新是深挖现有产品没有满足的需求 真正有价值的创新不是反着来，而是看清楚当前方案还有哪一个需求没有被解决。\n软件产品里常见的约束无非几类：\n太慢：用户等不起。 太贵：单位经济模型撑不住。 太难用：只有专家会用。 太分散：工作流断在不同工具之间。 不可靠：结果不可复现，出了错没人敢负责。 太依赖人工：规模一大就靠堆人解决。 你的创新点最好落在这些地方。\n不是“别人都做 SaaS，所以我做命令行工具”。\n而是：目标用户每天都在终端里工作，让他打开网页反而打断工作流，所以 CLI 是更低摩擦的入口。\n不是“别人都做 multi-agent，所以我做 single agent”。\n而是：用户真正需要的是一个任务稳定跑完，不是看五个 agent 在屏幕上互相聊天。\n不是“别人都追公域流量，所以我做私域”。\n而是：你的产品需要高信任和高反馈密度，50 个深度用户比 5000 个围观者更接近真实需求。\n唱反调本身没有价值。\n解决一个真实的需求才有价值。\n04｜先把 Vision 和 Mission 讲清楚 很多软件公司一开始就急着写 slogan。\n“AI-powered X for Y”。\n“The future of Z, today”。\n“Empowering teams to\u0026hellip;”\n这些句子最大的问题不是土，而是没用。它们没有告诉用户你到底要把世界改成什么样，也没有告诉团队每天该往哪边做取舍。\n软件公司真正要先讲清楚的不是 slogan 漂不漂亮，而是两件事：\nVision：你相信未来会变成什么样。 Mission：你准备用什么具体方式把它推过去。 团队需要知道未来的方向，投资人需要知道你瞄准的是哪块市场，用户需要知道你到底能提供什么价值。\n对早期软件公司来说，Vision 和 Mission 不需要写得宏大，但必须能落地。\n这才是一家真正有潜力的 startup 的起点。\n05｜第一个产品是“概念验证”，不是“理想产品” 大多数人创业第一步就是把所有筹码押在“我心中的完美版本”上。这是错的。\n第一个产品的目的不是赚钱，是验证你那个不靠谱的核心假设到底成不成立。\n概念验证不是给自己人为增加难度。\n软件行业不是这么验证的。你没必要一上来就碰最复杂的 enterprise workflow，也没必要先找一批最难伺候的人来证明自己。\n更现实的做法是：先把你的核心假设压缩成一个能被市场看见的东西。\n比如你想做一个 AI 图片工具，第一步未必是写完整产品。你可以先用现成的图像生成模型把目标效果做出来，整理成一组图，然后丢到小红书、知乎、Twitter、Hacker News、Product Hunt 这类平台去分发。\n你要看的是：\n有没有人收藏、转发、追问“这个怎么用”。 有没有人愿意留下邮箱、进 waitlist、加群。 有没有人问价格、问 API、问能不能接入自己的工作流。 有没有人愿意为一个还很粗糙的版本付钱或试用。 这才叫概念验证。\n不是验证你能不能把产品做完整，而是验证这个想法在真实的注意力市场里有没有反应。\n如果一组图、一段 demo、一个 landing page、一封手写邮件都激不起任何反馈，那你先别急着写代码。因为你要验证的不是工程能力，而是需求是否存在。\n第一个产品应该是一个最小化的测试工具：用最低成本把你的核心假设丢到真实世界里，看它能不能激起一点反应。\n06｜四条腿的椅子 三条腿的椅子可以是世界上最优质的椅子，但它仍然是三条腿的椅子。没人想坐。\n不要做一门“看似完美的生意”。多加一条腿，是为了在其中一条断掉时不至于翻倒。\n这不只适用于公司，也适用于每一个产品。\n第一个产品是概念验证，第二个产品、第三个产品也一样：你要不断检查自己是不是只靠一条假设、一条渠道、一种用户、一种成本结构活着。\n科技 / AI 创业者特别容易做出三条腿椅子，典型病灶：\n单一模型依赖：整个产品建立在 OpenAI 或 Anthropic 的某一个模型上，人家改个 pricing、改个 policy、改个 rate limit，你的整个产品就死了。 单一渠道：全部流量赌在 Product Hunt / Twitter / Hacker News 一发，失败就清零。 单一客户类型：只服务个人开发者，或只服务大企业，中间没有腾挪空间。 单一收入来源：只有订阅，或只有 API 用量，或只有一次性买断。 单一身份：你只是“创始人”，你没有“内容创作者”“开源维护者”“顾问”这些可以背靠的第二身份。 多加一条腿不是分心，是万一断了一条你还能活到下一年。\n07｜让产品吸引人的三种方向 任何产品要“吸引人”，大致只有三种方向。挑一种，坚持 —— 最糟的是三种都想要。\n1. 慷慨而舒适 让人觉得占了便宜、被照顾到了、不计较。代表打法：\n免费额度给得很足（Vercel、Cloudflare、Supabase 早期路线）。 文档清晰、错误信息友好、社区响应快。 开源你的核心，商业化做服务和云托管。 适合长线建立信任的产品。死法是被免费用户拖垮成本结构。\n2. 夸张而诱人 视觉冲击、benchmark 屠榜、发布会引爆、demo 视频极端。代表打法：\n一个让人忍不住转发的 launch video。 一个明显领先的 benchmark 数字。 一个有争议的、媒体爱报道的 founder 人设。 适合短期拉认知的产品。死法是 demo 和实际能力差距过大，信任崩盘后没有第二次机会。\n3. 难以理解的吸引 你说不上来为什么但你想用。代表打法是那些命令行工具、极简产品、不提供“现代化 UI”的老派工具 —— Vim、tmux、ripgrep、rsync 这一类。它们不解释自己，它们假设你愿意学。\n适合服务深度用户、构建文化壁垒的产品。死法是被一个稍微更友好的对手吃掉所有市场。\n08｜Logo 不重要，赋予意义的能力才重要 技术创始人花太多时间纠结 logo、字体、品牌色、域名后缀。\n真相非常直接：\n创业时如果你无法真正认同或反对你的 logo，那它长什么样根本无所谓。只要你自己喜欢就行。别人根本不关心。\n苹果的 logo 是一只被咬了一口的苹果。随着时间推移，他们让它变得更无聊 —— 更扁平、更单调、更“什么都不是”。结果反而更值钱了。\n值钱的不是图形，是你持续给图形赋予意义的能力。\n一个 LLM 公司的 logo，如果它的产品做得好，你看到那个 logo 就会想到“那家做事情靠谱的公司”。如果产品没做好，再美的 logo 也是空的。\n第一年别在 logo 上花超过 4 小时。\n09｜好朋友不是合伙人 技术圈特别爱“和好朋友一起开公司”。这是创业里最常见、也最贵的一种自欺。\n朋友型创业的内部循环长这样：\n互相喜欢 → 没人愿意当那个泼冷水的人 → 没人质疑 PMF → 没人挑战定价策略 → 没人问“销售管道在哪里” → 资源、时间和精力被浪费 → 公司在一片祥和中烧光预算 → 大家分手时都觉得对方变了。\n你需要的不是朋友，你需要的是：\n能建设性地反对你的人。 高效且深入地提出不同意见的人。 尊重地反驳你的一切观点、并且聪明到能推到结论的人。 在科技公司，这往往意味着你需要一个让你不舒服的合伙人 —— 一个商业合伙人问你“这个 feature 谁会付费”，一个产品合伙人告诉你“工程师不是用户”，一个设计合伙人提醒你“这个 UI 会让用户感到难受”。\n10｜沟通的真相 —— 必须有人当决策者 工程师文化容易陷入两种极端，“民主决策陷阱”和“RFC 内卷陷阱”：每个决定都开会，每个会议都让所有人发言，每个发言都被尊重，结果三周后什么都没决。\n许多高智商的人，这里“高智商”是中性描述，聪明到总能发现问题，又不够聪明到解决问题。\n带着这种心态进会议室，人只想被听见，不在乎自己在说什么，不在乎是否在推进决策。\n成熟的处理方式没有花哨：\n提前公开告知：“在这家公司，我（或某个具体的人）是那个把手按在桌上的笨蛋。你们都可以有意见，但意见不影响最终决策。” 让每个人先发言一轮 —— 这一步不能省，否则人会觉得自己没被听到。 一旦决策者开口，所有人就要默认：他已经听完、已经处理过，最终决策权仍然在他手上。 决策者的疼痛点和决策权必须绑在一起 —— 他亏损时仍要从自己钱包里给团队发工资。没有这个，决策权就是假的。 沟通不是民主，沟通是确保所有人都清楚“什么时候没有讨论空间”。\n11｜现金流正 ≠ 盈利 这是新手最容易混的一件事，在 AI / SaaS 时代尤其致命。\n现金流正：1 月 1 日账上 100 元，2 月 1 日账上 200 元，期间净进账 100 元。 盈利：账面上的现金流正，减掉还在偿还的债务、应当折旧的资产、未来必须支出的承诺、尚未结算的边际成本之后，依然为正。 AI 创业最隐蔽的现金流陷阱是 token 成本：\n你以为你赚钱了，但你没算上模型 API 的边际成本 —— 尤其是 agent 类产品，一次任务可能调上百次 LLM。 用户活跃度涨上去，你的成本线性甚至超线性增长。 你以为 prompt caching 能救你，但缓存命中率从来不像 demo 那么乐观。 还要扣的隐藏成本：\nGPU / 服务器折旧。 给团队的 vesting 股权。这是真实成本，不是免费的。 应付未来一年的留存奖金、合规支出、托管月费。 给客户承诺的 SLA 兜底成本。 如果你不知道自己到底处于哪一种状态，那你大概率没有真正盈利。\n可持续也不等于盈利。一家现金流正的非营利组织可以“可持续”很多年，但这不一定是你想要的状态。\n12｜债务是工具，不是耻辱 很多技术背景的人从小被灌输：不要负债，不要欠人钱，这样你才是好人。\n这能让你成为好人，但会让你成为差的生意人。\n真正的大型组织，本质上都活在债务、承诺和未来兑付里。当别人需要你在未来兑现承诺，你才真正进入了利益网络。\n债务在科技创业里有几种形态，你都得学会用：\n金融债务：VC 融资本质上是一种延迟兑付的债务，对回报的承诺。债权融资、可转债、ARR 融资、收入分成等都是。 承诺债务：对客户的 roadmap、对投资人的里程碑、对团队的 vesting、对开源社区的维护承诺。 技术债务：这个反而被讨论得过多，以至于很多人对它过度恐惧。适当的技术债是创业速度的代价，不是道德污点。 不要做“零债务”的好人。要学会用尊重、冷静、结构化的方式让别人对你的存续产生利益绑定 —— 你欠他十年，他就希望你撑十年。\n13｜时间线是产品的一部分 任何行业都有周期。AI / 科技行业的周期可能更隐蔽，但更致命：\n模型大版本周期：每 3–6 个月，一个新模型出来你的整套 prompt 和评测可能要重写一遍。 融资周期：VC 心情、利率、宏观叙事都会影响你下一轮估值 —— 和你的产品无关。 招聘周期：某些时段，比如大厂裁员潮、毕业季，能拿到的人才质量天差地别。 内容创作旺季 vs 淡季：节假日、大模型发布日附近、行业大会前后，流量分布完全不同。 用户付费意愿周期：B2B 看预算季度，C2C 看消费旺季。 你需要把时间线当成产品的一部分来设计。\n旺季做能放大势能的事：发布、融资、招聘、推内容。\n淡季做沉淀性的事：写文档、还技术债、做内部工具、整理 SOP。\n更进一步，把旺季的产能存到淡季消费：提前写好的内容、提前完成的 ticket、预录的 demo、文档化的流程。\n总结 重视商业；\n找到一个值得赌的需求；\n讲清楚 Vision 和 Mission；\n用最低成本验证核心假设；\n让产品和公司用多条腿走路；\n选择一种产品吸引力；\n持续给符号赋义；\n远离朋友型合伙；\n学会做决策者；\n分清现金流和利润；\n把债务当工具；\n把时间线也当成产品的一部分。\n剩下的，是日常劳动、行政管理、市场营销，每天循环。\n感谢你看到这里。这篇指南不是一条可以直接复制的路径。创业这事儿没人靠看文章学会，该交的学费一分不会少。但一些前人踩过的坑，或许能让你在遇见类似问题时，少一点自欺，多一点方向。\n","permalink":"https://ryrenz.com/zh/startup/zero-startup-guide/","summary":"如果你是技术背景，你会发现真实创业问题里 70% 的内容跟代码无关。产品只是第一步，后面还有销售、沟通、现金流、债务、合伙人和时间线。","title":"如果你对创业一无所知：一份技术人的创业指南"},{"content":"很多人第一次写 Skill，会下意识地写成一个更长的 Prompt。\n把背景、规则、注意事项、示例、参考资料，全都塞进一个 SKILL.md。看起来很完整，但实际并不好用。\nSkill 真正的价值在于：\n当用户提出某类需求时，Agent 能自动识别场景，加载对应流程，使用合适工具，并按固定方法完成任务。并且保证以后遇到类似任务，Agent 能够按照流程去稳定地完成。\nPrompt 是一次性的指令。\nSkill 是可复用、自主触发、可维护、可进化的工作流。\n1. 什么是 Skill 1.1 Skill 和 MCP 是什么关系？ 理解 Skill 之前先理解一下 MCP。\nMCP 全称 Model Context Protocol，是 Anthropic 设计的一个标准协议，让 Claude 可以接外部工具和数据（接 Notion、接 Asana、接你的内部系统都靠它）。\nSkill 跟 MCP 是搭档关系。\nAnthropic 官方文档里用过一个厨房比喻。\nMCP 给你提供\u0026quot;专业厨房\u0026quot;——通向某个服务的工具、数据、调用接口（比如 Notion、飞书、滴答清单、微信公众号、小红书的 MCP server）。\nSkill 给你提供\u0026quot;食谱\u0026quot;——告诉 Claude 一步步怎么用这些工具做出有价值的东西。\n只有 MCP 没有 Skill：用户接上你的 MCP server，但不知道接下来该做什么。每次对话都要从头说一遍流程。结果不稳定。\n只有 Skill 没有 MCP：Skill 也能单独跑，比如生成文档、做图、整理资料。Anthropic 自己的 docx / pptx / xlsx skill 就属于这种。\n两个一起：用户上来就能完成完整任务。MCP 决定 Claude 能做什么，Skill 决定 Claude 该怎么做。\n1.2 做 Skill 前先确认需求 着手开始之前，先回答四个问题：\n用户想完成什么？ 这需要哪些多步流程？ 需要哪些工具（Claude 内置的，还是 MCP 提供的）？ 应该嵌入哪些领域知识或最佳实践？ Anthropic 官方建议每个 skill 起步时定 2-3 个具体用例。每个用例写清楚四件事：\n1 2 3 4 5 6 7 8 用例: 每周公众号选题规划 触发: 用户说 \u0026#34;帮我定下周公众号选题\u0026#34; 或 \u0026#34;这周写什么\u0026#34; 步骤: 1. 拉最近 7 天我关注的几个微信群、X 收藏、小红书爆款笔记 2. 按我的账号定位（比如\u0026#34;AI 工具 + 职场\u0026#34;）筛掉无关话题 3. 给出 5 个候选选题，每个带建议标题和切角 4. 标记哪个最容易爆、哪个最容易写、哪个我之前没碰过 结果: 5 个候选选题清单，可以直接挑一个开写 再举一个白领工作日常的例子：\n1 2 3 4 5 6 7 8 用例: 每周周报整理 触发: 用户说 \u0026#34;帮我写本周周报\u0026#34; 或 \u0026#34;整理这周做了什么\u0026#34; 步骤: 1. 读本周的日历、Notion 任务记录、邮件草稿箱 2. 按\u0026#34;已完成 / 进行中 / 下周计划\u0026#34;三块分类 3. 把每项翻译成上级关心的语言（结果导向，不堆动作) 4. 输出 300 字以内的周报草稿，附 3 个本周亮点 结果: 一份可以直接发给领导的周报草稿 定不出 2-3 个具体用例，说明你想做的可能是一段一次性的 Prompt，不是 Skill。\n1.3 判断你的 Skill 属于哪一类 Anthropic 把所有 Skill 归成三大类。判断你的 Skill 属于哪类，决定写的时候重点不同。\n类别 1：文档与资源创建。\n用来生成格式缜密、高质量的输出——文档、PPT、Excel、网页、设计稿、代码。\n典型例子是官方的 docx / pptx / xlsx 生成 skill，还有 frontend-design skill。\n写这类 Skill 的重点：内嵌风格指南、用模板结构保证一致、最终交付前过质量检查清单。通常不需要外部工具，靠 Claude 自带能力就够。\n类别 2：工作流自动化。\n用来跑那种\u0026quot;步骤固定、要按方法论走\u0026quot;的多步流程，常常跨多个 MCP 服务器。\n典型例子是 skill-creator skill（一步步带用户做用例定义、frontmatter 生成、指令编写、验证）。\n写这类 Skill 的重点：每一步都设关卡验证、给常见结构提供模板、写好\u0026quot;这一步失败该怎么回滚\u0026quot;。\n类别 3：MCP 增强。\n用来给已经接好的 MCP 服务器配上\u0026quot;怎么用\u0026quot;的说明书。这一类主要是 MCP 服务提供方写给自家用户的——\n比如做问卷工具的公司，给自家 MCP 配一个\u0026quot;自动分析问卷结果并生成图表报告\u0026quot;的 skill；\n做 CRM 的公司，配一个\u0026quot;每周拉客户数据生成销售简报\u0026quot;的 skill。如果你不是 MCP 服务的提供方，这一类基本跟你无关——文档生成（类别 1）和工作流自动化（类别 2）才是大部分人会做的两类。\n文档生成类重点在\u0026quot;质量检查\u0026quot;，工作流类重点在\u0026quot;步骤间衔接\u0026quot;，MCP 增强类重点在\u0026quot;领域知识嵌入\u0026quot;。开工前先想清楚自己在哪一类。\n搞清楚 Skill 的定义之后我们就可开始做自己的 Skill 了！\n2. 遵守 Skill 的定义：按需加载 Skill 和 CLAUDE.md / 系统提示词不一样。\nCLAUDE.md 更像常驻上下文。只要你在这个项目里工作，它就会一直存在，持续影响模型行为。\nSlash command 更像手动命令。用户必须明确输入某个命令，Agent 才知道要执行对应流程。\nSkill 介于两者之间。\n它的特点是 on-demand loading：按需加载。\n平时它不会把整个 SKILL.md 都塞进上下文。只有当用户输入和 Skill 的 description 匹配时，它才会被加载。\n这有两个好处：\n节省 context。 减少无关规则对当前任务的干扰。 但有一个细节很重要：\nSkill 的完整内容不是常驻的，但 Skill 的 description 会长期参与匹配。\n所以 description 写得好不好，直接决定 Skill 会不会被正确触发。\n2.1 description 的标准结构 Anthropic 官方给了一个三段公式：\n[这个 skill 做什么] + [什么时候用它] + [关键能力]\n硬性要求三条：\n字符数不超过 1024 必须同时包含\u0026quot;做什么\u0026quot;和\u0026quot;什么时候用\u0026quot; 必须用第三人称写 1 2 3 4 ✅ 处理 Excel 文件并生成报告 ✅ 拆解小红书爆款笔记，输出可复用模板 ❌ 我可以帮你处理 Excel 文件 ❌ 你可以用这个来拆解小红书爆款 举个对比。\n❌ 太泛的描述：\n1 description: 处理选题 这种 description 几乎不可能被正确触发——Claude 看到这句话，不知道用户说什么时候应该加载它。\n❌ 缺触发短语的描述：\n1 description: 生成结构完整的多页公众号文章 讲了做什么，没讲什么时候用。\n✅ 好描述的样子：\n1 description: 拆解小红书爆款笔记的封面、标题、开头、结构、关键词，输出可复用的模板。当用户说\u0026#34;拆解一下这条笔记\u0026#34;、\u0026#34;分析这个爆款\u0026#34;、\u0026#34;小红书拆解\u0026#34;，或贴一条小红书链接让 Claude 学习的时候，使用这个 skill。 讲清了做什么（拆解爆款笔记 → 输出模板）+ 什么时候用（用户说拆解 / 分析 / 直接贴小红书链接的时候）。\n2.2 Skill 太多怎么办 如果你装了很多 Skill，或者某个 Skill 很长很专业但用得不多，可以选择性关闭它的自动加载。\nClaude Code 提供了一个专门的 frontmatter 字段（Claude Code 专属）：\n1 2 3 4 5 --- name: publish-post description: 把当前草稿一键发布到公众号、知乎、小红书 disable-model-invocation: true --- 加上 disable-model-invocation: true 之后，Claude 不会自动加载这个 skill，只有用户手动打 /publish-post 才会触发。\n为什么发布这种动作要手动触发？因为它有副作用——一旦执行就发出去了，不能反悔。你不希望 Claude 看你写了篇草稿，自己觉得\u0026quot;差不多了\u0026quot;，就帮你按发布键。\n适合手动关闭的 Skill：\n年终总结 Skill：一年用几次 简历重写 Skill：找工作阶段才用 封面图生成 Skill：只有做内容发布时才用 课程讲义整理 Skill：只有学习某门课时才用 部署 / 提交 / 发消息这类有副作用的操作（不希望 Claude 自己决定什么时候触发） 为什么要关掉自动加载：所有 Skill 的 description 在启动时就会被预加载到 Claude 系统提示里，参与匹配。Skill 越多、description 越多，常驻的匹配成本就越高。Anthropic 自己的建议是：如果你同时启用了超过 20-50 个 Skill，先评估是不是该关掉一批。\n关掉的代价是用户必须记得主动叫它。\n跟 disable-model-invocation 对称的还有一个 user-invocable: false——意思是反过来，禁止用户手动从 / 菜单调用，只让 Claude 自动用。适合那种\u0026quot;背景知识型\u0026quot;skill（比如解释你们公司一个老系统的背景，Claude 在相关任务里需要知道，但用户直接打这个命令没意义）。\n所以 Skill 的第一件事，不是写很多规则，而是想清楚：它应该自动触发，还是只适合手动触发？\n3. 限制 Skill 的工具边界 Skill 可以限制允许使用哪些工具。\n这不是必须的，但很有用。\n因为不同 Skill 需要的权限不同。\n比如在 Claude Code 里，可以写类似：\n1 2 3 4 allowed-tools: - Bash - Read - Grep 如果只是整理学习资料，可能只需要：\n1 2 3 4 allowed-tools: - Read - Grep - Write 如果是文档整理，可能只需要：\n1 2 3 4 allowed-tools: - Read - Write - Grep 如果是封面图生成，可能需要读参考资料、写出 prompt，再调用图片工具：\n1 2 3 4 allowed-tools: - Read - Write - ImageGenerate 如果是批量整理资料，才需要开放更多权限，比如：\n1 2 3 4 5 allowed-tools: - Read - Write - Edit - Bash 核心原则很简单：只给完成任务所需的最小权限。\n不要让只负责生成建议的 Skill 默认能修改文件。\n不要让只读分析 Skill 默认能执行任意命令。\n工具越多不一定越强，有时只是风险更大。\n3.1 allowed-tools 可以细致到子命令 很多人不知道 allowed-tools 可以写得更细——不只是限制工具类型，还能限制工具的具体调用模式。\n比如一个负责发布文章的 skill，只允许跑发布相关的命令，不允许跑别的：\n1 2 # 只能跑发布脚本和上传图片，不能动其他文件 allowed-tools: \u0026#34;Bash(python publish.py *) Bash(curl *) Read Write\u0026#34; 或者一个跑数据分析的 skill，只允许读文件 + 跑 Python 脚本，不允许修改任何东西：\n1 2 # 只读 + 只能跑 Python，不能写文件不能跑其他命令 allowed-tools: \u0026#34;Read Bash(python:*)\u0026#34; 这样即便 Skill 被误用了，也不能跑删文件之类的危险命令。\n如果你不写代码、Skill 里也不调用脚本，这一节用不到——直接跳过，看下一段安全限制就行。\n3.2 安全限制 这一段不是建议，是 Anthropic 官方明文的硬规则。\nYAML 前置元数据里禁止出现 XML 尖括号 \u0026lt; \u0026gt;。原因是 frontmatter 会出现在 Claude 的系统提示里。如果 description 或其他字段里塞了类似 \u0026lt;instructions\u0026gt;do XYZ\u0026lt;/instructions\u0026gt; 的内容，可能会被当成提示注入。\nSkill 名字不能用 \u0026ldquo;claude\u0026rdquo; 或 \u0026ldquo;anthropic\u0026rdquo; 作前缀。这两个前缀是 Anthropic 保留的。\n文件名必须严格是 SKILL.md。区分大小写。SKILL.MD / skill.md / Skill.md 都不行——上传会失败。\n文件夹名必须用 kebab-case。不能有空格、下划线、大写字母。比如：\n✅ notion-project-setup ❌ Notion Project Setup ❌ notion_project_setup ❌ NotionProjectSetup 不要在 Skill 文件夹里放 README.md。所有给 Claude 看的文档都应该放在 SKILL.md 或 references/ 里。给人类看的 README 只在你把 skill 发布到 GitHub 仓库根目录时放。\n4. 给 Skill 配置最适合的模型 Skill 也可以指定模型，这点经常被忽略，但很实用。\n因为不同任务对模型的要求不一样。\n写文档、做图、数据分析、信息爬取、整理学习笔记、生成长文，其实不应该默认使用同一个模型。\n举几个例子：\n写文档：需要表达清楚、结构稳定，可以用擅长写作和总结的模型。 做图 / 设计：需要视觉理解、布局审美，适合多模态或设计能力更强的模型。 数据分析：需要稳定处理表格、解释结果，可以用推理不错但成本较低的模型。 信息爬取：很多时候是批处理和抽取，不一定需要最强模型，便宜快的模型更合适。 整理学习笔记：需要分类、提炼重点、保留原意，可以用稳定便宜的模型。 生成 X 长文：需要结构、语气、节奏和观点判断，可以用写作能力更强的模型。 修改简历：需要理解岗位要求和表达取舍，可以用更谨慎的模型。 有些模型更强，但更贵。\n有些模型便宜，却已经足够完成简单任务。\n一个成熟的 Skill 系统，不应该所有任务都默认用同一个模型。\n它应该根据任务类型选择合适的执行模型。\n具体怎么写\nClaude Code 提供了一个 model 字段（Claude Code 专属）。官方文档原话：\nModel to use when this skill is active. The override applies for the rest of the current turn and is not saved to settings; the session model resumes on your next prompt. Accepts the same values as /model, or inherit to keep the active model.\n两点意思要看清楚：\n切换的范围是\u0026quot;这一轮对话\u0026quot;。下一次用户输入新提示词，会自动回到原来的会话模型。这是临时切换，不是永久改设置。 inherit 是默认行为——保持当前会话模型。如果你只想在某些 skill 里特别用强模型，就在那几个 skill 的 frontmatter 里写具体型号，其他的不写或写 inherit。 写法。复杂任务用强模型：\n1 2 3 4 5 6 7 8 --- name: deep-post-analysis description: 深度拆解小红书爆款笔记——封面、文案、节奏、心理学钩子全维度分析 model: claude-opus-4-5 --- # 深度爆款拆解 ... 简单任务用便宜模型：\n1 2 3 4 5 --- name: daily-topic-pool description: 从用户关注的公众号和 X 收藏里拉出今天的候选选题清单 model: claude-haiku-4-5 --- 不指定（跟着当前会话模型走）：\n1 2 3 4 5 --- name: weekly-summary description: 整理本周公众号后台数据，生成回顾报告 model: inherit --- 顺手提一下 effort 字段\n跟 model 配套的还有一个 effort 字段（也是 Claude Code 专属），控制思考深度：\n1 effort: high # low / medium / high / xhigh / max 简单任务用低思考省钱省时间，复杂决策用高思考换准确率。可用的级别取决于模型——Haiku 不支持 max，Opus 才支持。\n5. 渐进式披露，限制 Skill.md 的大小 Skill 的整个文件加载机制是个三级系统：\n第一级（Description）：始终加载到 Claude 的系统提示里。所以 Skill 描述写的信息要足够让 Claude 判断\u0026quot;什么时候该用这个 skill\u0026quot;，但不能太长。 第二级（SKILL.md 正文）：当 Claude 判断这个 skill 跟当前任务相关时才加载。包含完整指令。 第三级（捆绑文件）：放在 skill 目录里的额外文件。Claude 真正需要时才去读。 理解了这三级，才能理解为什么 SKILL.md 不应该承载所有内容。\n它更像入口文件。\n里面应该放：\n什么时候触发。 做事原则。 执行步骤。 需要哪些工具。 其他资料在哪里。 最后怎么验证。 但不要把所有参考资料、长案例、脚本、模板都塞进去。\n更好的方式是分层：\n1 2 3 4 5 6 7 8 9 10 11 12 生成封面图/ SKILL.md references/ 封面图风格参考.md 常见平台尺寸.md 好坏案例对比.md scripts/ 检查图片尺寸.py 导出多平台版本.py assets/ 封面图模板.md 字体与配色示例.json 不同目录放不同东西。\nreferences/ 放长文档、风格参考、平台尺寸、详细案例。\nscripts/ 放可执行代码。比如检查图片尺寸、批量重命名文件、导出多平台版本、整理表格。这些确定性操作用脚本比让模型每次现场生成更稳定。\nassets/ 放模板、schema、图片、示例文件、输出样式。\n这样做的好处是：\nAgent 不需要每次加载所有内容。 它先读 SKILL.md，知道整体流程。真的需要细节时，再去读 reference，或者执行 script。 这就是 Progressive Disclosure：渐进式披露。\n按需读，按需执行。\n不要一次性把所有东西都塞进上下文。\n5.1 为什么要做渐进式披露 第一个：省 token（省钱）\n每次跟 Claude 对话，发出去的 token 都按量收费。\n每个 Skill 都把所有内容塞进上下文 = 每次对话多花几千个 token。一个用户一天调用 100 次，一个月就是几万次——这是真金白银的 API 账单。\nAnthropic 官方文档原话：渐进式披露的目的是\u0026quot;在保持专业知识的同时，最小化 token 用量\u0026quot;。三级系统让 Claude 只在真正需要时才把内容加载进来，从源头省钱。\n第二个：省上下文空间（保模型表现）\n这一条更隐蔽，但同样要命。\nAI 的上下文窗口有上限——比如 200K token。这块空间所有人共用：\n系统提示词 之前几十轮的对话历史 CLAUDE.md 里的项目规则 当前加载的所有 Skill 用户这一轮的提问 工具调用的返回结果 如果每个 Skill 都把详细参考资料、案例库、长说明全塞进来，会发生三件事：\n第一，挤占对话历史——老的对话会被自动压缩或丢弃，Claude 忘了之前说过什么。长对话里这个问题最明显——你聊到第二十轮，发现 Claude 把前十轮的关键决定都忘了，常常是被一堆 skill 塞满空间挤掉的。\n第二，影响找重点——内容太多，模型容易在大段文字里\u0026quot;迷路\u0026quot;。研究里管这个叫\u0026quot;lost in the middle\u0026quot;（中段迷失）：关键指令埋在中间反而不被遵守。\n第三，触发自动压缩——超过阈值后系统会强制总结上文，原始细节丢失，模型表现下降。Claude Code 里专门有个机制叫 auto-compaction，触发后只保留每个 skill 最近一次调用的前 5000 token，再早的就丢了。\n三级系统在这里的作用：让 SKILL.md 只把\u0026quot;导航信息\u0026quot;放进上下文，详细资料留在硬盘上 Claude 按需读取。资料没有进上下文，就不占空间，也就不会拖累模型。\n省钱看得见，省上下文空间看不见——但长对话里后者影响更大。\n5.2 SKILL.md 应该多大？ Claude Code 官方原话：\u0026ldquo;Keep SKILL.md under 500 lines\u0026rdquo;——建议保持 SKILL.md 在 500 行以内。\n不是因为 500 这个数字有什么魔法，而是因为超过这个长度，通常说明你把太多东西混在一起了。\n如果 Skill 太长，按这个顺序拆：\n长说明移到 references/。 稳定操作写成 scripts/。 模板和样例放到 assets/。 如果拆完还是很长，可能说明这不是一个 Skill，而是几个 Skill。\n6. 写完 Skill 之后还需要验证、打分、迭代 Skill 写完，不代表它真的能用。\n这点很重要。\n如果你希望一个 Skill 更稳定，建议至少做三类验证：\n能不能跑。 能不能正确触发。 跑出来的结果，是否真的比不用 Skill 更好。 第三点最容易被忽略。\n很多 Skill 只是\u0026quot;看起来写完了\u0026quot;。但它到底有没有提升质量？有没有减少错误？有没有让输出更符合用户预期？如果没有评测，其实没人知道。\nClaude Code 的 Skill Creator 给了一个很好的思路：Skill 不应该只靠感觉发布，而应该配测试数据、跑评测、看结果、再迭代。\n它的核心流程大概是：\n明确 Skill 要解决什么任务。 写出 Skill 初稿。 准备测试数据 / 测试提示。 用这些测试运行 Skill。 对每个测试结果做评估。 给每个结果打分。 根据失败点修改 Skill。 再跑一轮。 直到主要测试都达到最低可接受分数。 你可以把它理解成给 Skill 写测试。\n不是单元测试那么死，但思路类似：别只相信 Skill 文件本身，要看它在样本任务里的表现。\n6.1 三种测试方式 Anthropic 官方推荐的三层测试架构：\n在 Claude 中手动测试：直接打字试。最快，零设置，适合早期快速迭代。 在 Claude Code 写脚本测试：自动化测试用例，每次改完都能跑一轮，适合需要可重复验证的中期阶段。 通过 Skills API 程序化测试：搭一套评测套件，对照固定测试集跑。适合要部署给几千人用的成熟 Skill。 选哪种取决于这个 Skill 的影响范围。给自己用的可以只做第一层；给团队用的至少要到第二层；给数千企业用户用的必须做到第三层。\n6.2 第一层：验证它能不能跑 先测试最基础的执行能力。\n比如：\n文件路径对不对？ 工具权限够不够？ 脚本能不能执行？ reference 能不能被读到？ assets 模板能不能被正确使用？ 输出格式是否符合预期？ 有没有漏掉必要步骤？ 如果一个 Skill 连真实任务都跑不通，后面谈触发和质量都没意义。\n6.3 第二层：验证它能不能正确触发 自动加载类 Skill 还要测试触发。\n不能只测一句：\n1 请运行 X 长文 skill。 因为真实用户不会这么说。\n应该准备一组用户真实可能会说的话：\n1 2 3 4 5 把这个想法展开成一篇长推 帮我写一篇 X 长文 这个观点能不能写成一条长内容 按我的语气扩写一下 给我一个开头更抓人的版本 如果是封面图 Skill，也可以测试：\n1 2 3 4 帮我做一张封面图 给这篇文章配个图 按这个标题做一张科技感海报 做一张适合小红书的封面 这就是触发测试。\n每条测试都应该标记：\n1 2 3 4 [ {\u0026#34;query\u0026#34;: \u0026#34;把这个想法展开成一篇长推\u0026#34;, \u0026#34;should_trigger\u0026#34;: true}, {\u0026#34;query\u0026#34;: \u0026#34;帮我查一下今天的天气\u0026#34;, \u0026#34;should_trigger\u0026#34;: false} ] 如果该触发的不触发，description 要补关键词。\n如果不该触发的触发了，description 要收窄边界。\n这一步优化的是 Skill 的入口。\n入口不准，正文写得再好也没用。\n6.4 第三层：准备测试数据 / 评测用例 更关键的是结果质量验证。\n你需要准备测试数据。\n但这不等于用户要亲自准备一堆测试材料。\n更合理的做法是：让 Agent 根据 Skill 的用途，自动生成第一批测试数据和评测用例，用户只需要检查这些测试是否贴近真实场景。\n比如：\n封面图生成 Skill：准备 5 个标题、5 种内容类型、几张参考图。 X 长文 Skill：准备 5 条原始想法、目标读者、理想成稿风格。 学习笔记整理 Skill：准备几份课堂笔记、摘抄、截图 OCR 文本。 简历重写 Skill：准备不同岗位 JD、原始简历、理想修改方向。 周报总结 Skill：准备一周零散记录、会议纪要、完成事项。 每个测试用例最好包含：\n1 2 3 4 5 6 7 8 9 10 11 { \u0026#34;id\u0026#34;: 1, \u0026#34;prompt\u0026#34;: \u0026#34;用户会怎么提这个任务\u0026#34;, \u0026#34;files\u0026#34;: [\u0026#34;测试输入文件\u0026#34;], \u0026#34;expected_output\u0026#34;: \u0026#34;什么样的结果算好\u0026#34;, \u0026#34;assertions\u0026#34;: [ \u0026#34;必须保留用户原始观点\u0026#34;, \u0026#34;必须生成抓人的开头\u0026#34;, \u0026#34;不能编造用户没有说过的经历\u0026#34; ] } 重点是思路，不是格式：\n你要提前定义\u0026quot;什么算好\u0026quot;。\n否则评测就会变成事后凭感觉。\n6.5 第四层：打分要分量化和定性两类 Anthropic 官方建议把成功标准分成两类：\n量化指标（能直接数出来的）：\nSkill 在 90% 的相关查询里触发 完成工作流的工具调用次数 ≤ X 0 失败的 API 调用 消耗的 token 数 定性指标（要观察才能判断的）：\n用户跑完之后不需要再追问\u0026quot;下一步呢\u0026quot; 同一个请求跑 3-5 次，输出结构和质量基本一致 新用户第一次试，不用多少指导就能完成 跑完测试数据后，不要只写\u0026quot;结果不错\u0026quot;。\n应该给每个用例打分，比如 0 到 10 分。\n可以用这个简单标准：\n0-2 分：完全没完成任务，或方向错了。 3-4 分：勉强相关，但漏掉关键要求。 5-6 分：基本可用，但还有明显问题。 7-8 分：质量稳定，少量细节可改。 9-10 分：非常符合预期，可以作为示范输出。 最低标准可以设成：主要测试数据至少 5 分以上。\n如果某个重要用例低于 5 分，就说明这个 Skill 还不够稳。\n尤其是高频 Skill，这通常意味着它在某个常见场景下还不可用。\n6.6 第五层：和基线对比 如果想更专业，可以做基线对比。\n也就是同一个测试，跑两次：\n不使用 Skill。 使用 Skill。 然后比较结果。\nClaude Code Skill Creator 的评测思路里，就有类似 A/B 对比：开启 skill vs 不开启 skill。\n这很有价值。\n因为一个 Skill 光能跑还不够，得证明自己有用。\n如果不用 Skill 的结果已经 7 分，用了 Skill 还是 7 分，那这个 Skill 可能没有提供明显增益。\n如果不用 Skill 是 4 分，用了 Skill 是 8 分，这才说明它真的把经验固化进去了。\n6.7 第六层：根据失败点修改 Skill 评分是为了定位该改哪里。\n常见修法有几种：\n触发失败：改 description，加真实触发短语。 误触发：收窄 description，加入反向用例。 步骤漏掉：改 SKILL.md 的 workflow。 输出格式不稳定：加输出模板到 assets/。 确定性检查不稳定：写脚本。 参考信息太长：拆到 references/。 工具权限不够：补 allowed-tools。 工具权限太大：收紧 allowed-tools。 模型能力不够：换更适合的 model。 思考深度不够：调整 effort 级别。 然后再跑一轮评测。\n这就是 Skill 的优化闭环：\n1 2 3 4 5 6 7 8 写 Skill → 准备测试数据 → 运行评测 → 逐项打分 → 找失败原因 → 修改 Skill → 再跑评测 → 达到最低分数线，或者至少知道它的边界 如果是高频、复杂、要交给别人使用的 Skill，最好跑过这个闭环。\n否则它可能只是一个未经验证的 Prompt 文件。\n6.8 用官方的 skill-creator 帮你搭建并审查 Anthropic 自己出了一个内置 Skill 叫 skill-creator，Claude.ai 插件目录可装，Claude Code 也能直接下载。\n它能帮你做几件事：\n根据自然语言描述生成 skill 初稿 产出格式正确的 SKILL.md（带 frontmatter） 建议触发短语和结构 复查已有 skill，标记常见问题（描述模糊、缺触发、结构问题） 在你跑测试遇到边缘情况后，把这些反馈带回来迭代改进 调用方式很简单：\n1 Use the skill-creator skill to help me build a skill for [我的用例] 它不会自动跑评测、不会自动出量化报告，但会帮你绕过从零起手最容易踩的坑。\n新手起步阶段，强烈建议先用 skill-creator 出第一版骨架，再自己改。\n7. Skill 写完了怎么分享给别人？ 写完一个 Skill，下一步是让它能被你以外的人用上。\nAnthropic 当前推荐的路径：\n第一步：托管在 GitHub\n用公开仓库（如果是开源 skill） 仓库根目录写一份清晰的 README（这个是给人类读者看的，跟 skill 文件夹里\u0026quot;不能放 README.md\u0026quot;那条规则不冲突——人类的 README 跟 skill 文件夹是平级的） 给出几张使用截图 第二步：上传到 Claude.ai\n把整个 skill 文件夹打包成 zip 打开 Claude.ai → Settings → Capabilities → Skills → Upload skill 选 zip → 开启 → 测试 第三步：组织级分发\nAnthropic 已经上线了组织级 skill 部署——管理员可以一次推到整个工作区。所有成员自动拿到、自动更新、集中管理。如果你是给团队用的 skill，这条路比让每个人自己上传稳得多。\n第四步：通过 API 程序化使用\n如果是搭应用、Agent 或自动化流程：\n用 /v1/skills 端点列出和管理 通过 container.skills 参数把 skill 加进 Messages API 请求 在 Claude 控制台做版本控制 配合 Claude Agent SDK 构建自定义 Agent 哪种最佳取决于场景。\n7.1 描述你的 Skill 时，聚焦成果 写 README、写营销文案、写 MCP 文档里的 skill 介绍时，记住一个原则：用户不关心你是什么，关心你能给他什么结果。\n❌ 不好的写法：\nProjectHub skill 是一个包含 YAML frontmatter 和 Markdown 指令的文件夹，能调用我们 MCP server 的工具。\n✅ 好的写法：\nProjectHub skill 让团队 30 秒内搭好完整项目工作区——包括页面、数据库、模板——不用花 30 分钟手动配置。\n第一种写法说的是文件结构（用户不关心）。第二种说的是节省的时间（用户秒懂）。\n8. 一个好 Skill 应该是什么样的？ 什么是一个好的 Skill？\n它只需要做到几件事：\n能被正确触发。 不该触发时保持安静。 工具权限足够但不过度。 用对了模型和思考深度。 SKILL.md 足够短（500 行以内），资料按需展开。 重要的 Skill 最好有测试数据、有评测、有失败案例、有迭代。 所以写 Skill 时，不要只思考：\n\u0026ldquo;我要模型干什么？\u0026rdquo;\n更应该思考：\n用户说出哪些话时，这个 Skill 应该被模型调用？ 它触发后，应该按什么流程做？ 它允许用哪些工具，不允许做什么？ 用哪个模型跑最合适？ 哪些内容应该留在主文件，哪些应该拆出去？ 我要怎么证明它真的有效？ 别人怎么装、怎么升级、出问题怎么找回来？ 这就是 Skill 跟 Prompt 最大的区别。\n附录 A：SKILL.md 起步模板 直接抄走改。注意：YAML 字段名（name / description / model 等）是 Skill 系统硬性规定，必须保持英文。但字段值、Markdown 正文、示例都可以全用中文。\n1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 --- name: weekly-topic-planner description: 规划自媒体作者下周的公众号选题。当用户说\u0026#34;定下周选题\u0026#34;、\u0026#34;这周写什么\u0026#34;、\u0026#34;帮我看看下周发啥\u0026#34;的时候用。 --- # 每周公众号选题规划 ## 操作步骤 ### 第一步：拉素材 从用户关注的微信群、X 收藏、小红书爆款里，找出最近 7 天的热点话题。 ### 第二步：按账号定位过滤 读取 `references/account-positioning.md` 里的账号方向，把跟方向不符的话题筛掉。 ### 第三步：生成选题清单 给出 5 个候选选题，每个包含： - 建议标题 - 切角说明 - 预估爆款概率 - 写作难度 （按需添加更多步骤） ## 示例 ### 示例 1：常见场景 用户说：\u0026#34;帮我定下周选题\u0026#34; 操作： 1. 拉最近 7 天的爆款（从素材池） 2. 按账号定位筛掉无关话题 3. 输出 5 个候选选题表格 结果：5 个候选选题，用户可以直接挑一个开写 ## 故障排除 ### 错误：拉不到素材 **原因**：素材来源链接失效或网络断了 **解决**：检查 `references/sources.md` 里的链接，更新失效的源 附录 B：Skill YAML 完整字段 例子：\n1 2 3 4 5 6 7 8 9 10 11 12 13 --- name: weekly-topic-planner description: 帮自媒体作者规划下周公众号选题。当用户说\u0026#34;定下周选题\u0026#34;、\u0026#34;这周写什么\u0026#34;的时候用。 license: MIT allowed-tools: \u0026#34;Bash(python:*) Bash(npm:*) WebFetch\u0026#34; model: claude-opus-4-5 effort: high metadata: author: 张大 version: 1.0.0 mcp-server: wechat-mp-server category: 自媒体 --- 给跨平台 skill 的提醒：如果你想让 skill 在 Codex、Hermes 上也能跑，只用通用字段。\nClaude Code 专属字段在其他平台会被忽略。\n附录 C：快速检查清单 开工前\n已经定了 2-3 个具体用例 已经确定要用哪些工具（Claude 自带的，还是 MCP 接的） 已经看过几个示例 skill 已经规划好文件夹结构 写的过程中\n文件夹名是 kebab-case SKILL.md 文件名拼写完全正确（大小写） YAML frontmatter 有 \u0026mdash; 分隔符 name 字段：kebab-case、无空格、无大写 description 包含\u0026quot;做什么\u0026quot;和\u0026quot;什么时候用\u0026quot; 任何地方都没有 XML 尖括号 \u0026lt; \u0026gt; 指令清晰可操作 包含错误处理 提供示例 references 清晰链接 SKILL.md 在 500 行以内 上传前\n已经测过明显任务的触发 已经测过改写过的请求的触发 已经验证不会在无关话题上触发 功能测试通过 工具集成正常工作（如适用） 已压缩成 zip 文件 上传后\n监控触发不足/过度触发的情况 收集用户反馈 根据反馈迭代 description 和指令 Prompt 解决的是这一次对话。\nSkill 解决的是之后一百次类似任务。\n它是把经验固化成一个可触发、可测试、可分发的工作流。\n","permalink":"https://ryrenz.com/zh/ai/industrial-grade-skill-five-principles/","summary":"Skill 不是更长的 Prompt，而是可触发、可执行、可测试、可维护的工作流。从「什么是 Skill」、按需加载、工具边界、模型选择、渐进式披露、验证迭代到怎么分享给别人——一次讲完工业级 Skill 的全套写法。","title":"如何写出工业级 Skill"},{"content":"三年过去了，模型能力提升了 100 倍，为什么 AI 还是一个聊天框？\n我做 AI 产品这两年越来越确信一件事：聊天框就是 AI 时代的诺基亚。\n它不过是我们接触到的第一代 AI，未来一定会被其他更高维度的产品所取代。\n一、第一代 AI：聊天框——写提示词 普通人用不好 AI，不是 AI 太蠢，而是用户不知道自己该问什么、怎么问。\n我举个例子你就明白了。\nAI 出来之前，有一句话特别流行——\u0026quot;百度一下不会吗？\u0026quot;\n在搜索引擎已经出现了十几年之后，仍然有大量普通人没有能力把自己想搜的东西总结成关键词。这说明\u0026quot;把一个问题拆成 3-5 个关键词去搜\u0026quot;这件事是有门槛的；而写出一段\u0026quot;完整 context + 清晰目标 + 可验证测试\u0026quot;的 prompt 把需求完整描述给 AI，是更复杂的要求。\n印证这一点的，正是市场上不计其数且销量优秀的 DeepSeek 课、豆包课。\n因此我反复讲：普通人在 AI 使用上的真正困难，实际上在于准确表达需求——技术反而不是最大的难点。\nClaude Code、Cursor 一眼就是给程序员用的界面，普通人看到 UI 就会直接关掉。豆包稍微好一点——但你去观察一下身边那些喊着要学 AI 的人，能把豆包用明白的都没几个。\n他们不会追问，不知道怎么给上下文，甚至一开始就没想清楚要做什么，AI 答偏了也不知道怎么纠。一句换一句，双方都卡着。\n一个产品火不等于它的形态对，用户的需求才是第一位。\n直到 OpenClaw 的出现，AI Agent 的能力才从程序员那一小撮人里逐渐破圈，影响到大多数人。\n二、第二代 AI：智能体——主动预判人类需求 OpenClaw 2025 年 11 月首发（最初叫 Clawdbot，2026 年 1 月改名 OpenClaw），3 个月冲破 10 万 GitHub Star——GitHub 史上 star 增长最快的开源项目。不需要 IDE，不用开 Terminal，甚至不用离开微信——在聊天工具里发一句话，AI 会自己去干活。\n让 AI 扩圈的从来不是技术难度，是使用门槛。\nOpenClaw 指出了一个方向，让 AI 拥有了主动做事的能力。\n你早上醒来——龙虾替你收集好了今天的重要新闻，写成分析报告给你审阅。\n你开完会——龙虾自动总结了会议纪要，并且为你标注了重点。\n这使得用户能用更少的提示词去完成更多的任务，提高效率的同时，大大降低了使用门槛和心智负担。\n但这还不够。目前各种工作仍然需要使用者大量的主动规划，用户真正需要的是傻瓜式智能体——什么都不说，AI 就知道你要干嘛。\n这件事听起来不可思议，但其实这个概念已经部分实现了，我们最熟悉的就是 Computer Use。\n最早的 C 端产品是 Anthropic 在 2024 年 10 月发布的，他们给 Claude 加了一个很酷的能力——让 AI 看你的屏幕截图、像人一样挪动鼠标、敲你的键盘。你丢一个任务过去，它自己打开应用、自己在网页上找信息、自己填表、自己点提交。\n2025 年 1 月，OpenAI 跟上，发布 Operator——一个\u0026quot;AI 自己的浏览器\u0026quot;，能像人一样读页面、点按钮、填表单。同年 7 月，Operator 整合进 ChatGPT，升级为 ChatGPT Agent。\n与此同时，Perplexity Comet 这样的产品开始尝试把 AI 和浏览体验更深地结合：不只是搜索答案，而是帮你整理信息、比较选项、给出下一步建议。\nHuman Security 的数据更直接——2025 年 7 月以来，agentic browser 产生的网络请求流量涨了 6900%。AI 在以前所未有的速度接管人类的屏幕操作。\n2026 年 3 月 Anthropic 把 Computer Use 又往前推了一步：支持后台并行任务、scheduled tasks、Dispatch 功能——\u0026ldquo;你出门吃饭，AI 替你继续干活\u0026rdquo;。\n这些产品的共同方向是：\nAI 不再只是等你提问，而是通过监控你的行为来理解你的需求：\n能理解你正在看的页面 能基于上下文回答问题 偶尔帮你执行一些简单操作 但你可以想象：\n真正成熟的 Computer Use Agent 能够长期监控你的电脑屏幕； 静默运行，并且实时判断你接下来可能会碰到的问题； 一旦检测到潜在问题，就弹出几个推荐解决方案，用户选择后自动执行。 再也不用遇到问题就打开 chatbot，抓耳挠腮地想提示词怎么描述问题，然后一步一步看懂 AI 给的解决方案再自己照着做。\n不过这个技术现在依然不成熟：速度慢、稳定性差、对页面变化非常敏感，也很难处理复杂流程。并且还有两个关键问题待解决：\n隐私问题：AI 必须知道你看了什么、点了什么、犹豫了什么、甚至复制了什么。这几乎等于全量用户行为监控。 性能 \u0026amp; 成本：实时 AI 推理意味着每个页面都要分析，每个动作都要推理。按照当前模型性能，延迟过高，token 消耗的成本也过高，得不偿失。 只要模型继续进化、这些问题在未来能够解决，Computer Use 就会成为让普通人不需要写提示词就能使用 AI 的技术。\n但 Computer Use 仍然有它的局限性——你只能在电脑上使用 AI。一旦脱离了电脑屏幕，AI 要如何主动预判你的下一个潜在需求？\n一个困在屏幕里的 Agent，知道全世界，但不够了解你。所以软件层走到这里，就必须把球传给硬件。\n三、第三代 AI：可穿戴设备 + AI——了解你的一切 在说眼镜、手表、脑机这些具体产品之前，先说一个很多人还不清楚的原则——AI 的输出质量，很大程度取决于用户的输入质量。\n现在那些把 AI 用得飞起的人，背后几乎都有一套完整的\u0026quot;第二大脑\u0026quot;——一个积累了几年甚至十几年的个人知识库，里面存着他所有的经验文章、项目文档、会议记录、代码库、甚至过往所有对话。他把这套东西喂给 AI，AI 就变成了\u0026quot;只为他一个人服务的版本\u0026quot;——知道他的偏好、知道他最常用的工具库、知道他的思维模式、知道他过去的一切。\n因此大佬的 AI 就是比普通人的 AI 聪明。不是模型更强，是输入的素材质量更高，定制化程度更高。大佬的\u0026quot;小龙虾\u0026quot;就是比普通人的\u0026quot;小龙虾\u0026quot;更懂事。\n如果普通人想要搭起一整套系统，今天还有三座大山：\n硬件门槛——你得有台 Mac 或性能够好的电脑，装一堆工具、配一堆环境、连一堆 API，尝试本地部署大模型； 内容门槛——你得有长期写作和记录的习惯，并且把它们数字化、结构化。可事实是大部分人连写日记都坚持不了三天，工作文档一离职就丢，开会录音从来不留； 工程门槛——你需要有基本的 Agent 知识，能够自己搭建个人知识库、标准工作流，并且持续优化整套系统的配置。 这三件事加起来叠成了一堵墙，把 99% 的普通人和\u0026quot;高智能 AI\u0026quot;隔开了。\n但如果我们逆转思路——把 AI \u0026ldquo;戴在身上\u0026quot;呢？\n假设你戴着一副全天开机的 AI 眼镜、手腕上戴着 AI 手表、头上套着一顶能读注意力的帽子，它们会替你无痛无感地把\u0026quot;第二大脑\u0026quot;在云端建立起来。\n你听到的、看到的、说过的、写下的、敲过的、甚至包括你的身体健康状况——全部自动转成文字、打标签、归档。\n无需多久，每个人都会拥有一个专属的\u0026rdquo;数字孪生\u0026quot;——一份比你自己记性还全的人生档案。你无需临时憋一段 prompt 来让 AI 懂你——它就是你。\n到了那天，今天网上那些收你钱教 prompt 工程、教 RAG、教搭第二大脑的课程会全部失效。因为你根本不需要\u0026quot;管理\u0026quot;知识库——所有输入输出自动同步到个人云端、自动分类、自动喂给 AI。\n今天那些看起来\u0026quot;必须学\u0026quot;的技能，本质是 AI 普及之前的中间态技能——就像 2000 年学\u0026quot;怎么用诺基亚收发邮件\u0026quot;。\n更让人兴奋的是，这件事已经有很多 startup 在做了，并且 C 端产品也开始陆续发布。\nLimitless(Meta Acquired)、Bee(Amazon Acquired)、Omi —— 项链、手环、小夹子各种形态，今天已经戴在硅谷一批人的脖子、手腕、衣领上。形态各异，逻辑一致：戴一整天，自动录音 12 小时以上，晚上回家把一整天音频自动转文字、打标签、去重、归档进个人知识库。第二天你的 AI 就是带着\u0026quot;昨天你说过什么、听过什么、答应了谁什么\u0026quot;的上下文来陪你工作。\nLimitless 发布时 24 小时收到 10,000 单预订。2025 年 12 月，Meta 把整个 Limitless 团队和技术买了下来，塞进 Reality Labs。\nCES 2026 上一整排展台都是这类\u0026quot;随身记录你一生\u0026quot;的设备。有评论把这形容成\u0026quot;一场正在到来的 Black Mirror\u0026quot;，但更准确的说法是——这就是下一代 AI 产品形态里最容易被低估的那块拼图。\n或许今天只有对 AI 敏感的那一小撮人在兴奋，但当年 GPT-3 不也是一样吗？一旦出现一个类似 ChatGPT 的杀手级产品，很快就会普及成为人人标配。\n这才是硬件层真正要解决的问题——给 AI 一个入口，让它替你把生活记下来，让它真正理解你，成为你。\n看懂了这件事，你再看眼镜、看苹果、看脑机，逻辑就完全不一样了。\n第一条线索：智能眼镜 之前我写过一篇关于智能眼镜的文章《智能眼镜：你不能忽视的下一个万亿市场》，如果有兴趣可以看一看。\nMeta 的 CTO Andrew Bosworth 今年在 a16z 博客上说了一句话：\n\u0026ldquo;The next wave of consumer tech won\u0026rsquo;t run on taps and swipes—it\u0026rsquo;ll run on intent.\u0026rdquo; ——下一代消费电子不靠鼠标点击和手指滑动，靠大脑意图。\n\u0026ldquo;按意图运行\u0026quot;——AI 要能见你所见、听你所听，才能在你开口之前替你做事。\n眼镜是这件事最优雅的形态——离眼睛和耳朵最近、轻便、不占手、不挡视野，它看到的就是你看到的，它听到的就是你听到的。\nMeta 自己是最激进的玩家，扎克伯格亲自下场推，不是没有理由——他赌的就是\u0026quot;下一个消费电子入口\u0026rdquo;。\n第二条线索：苹果换帅 这也解释了为什么苹果 2026 年 4 月宣布换 CEO——John Ternus，硬件工程师出身，将在 9 月正式接班 Tim Cook。他过去在苹果负责的范围，涵盖了 iPhone、iPad、Mac、Apple Watch、AirPods 和 Vision Pro 的硬件工程团队。\n《CNBC》的深度报道把这件事的信号讲得很清楚——AI 的差异化不再在 Cloud 规模和模型性能，而在设备上硅片和软件的一体化集成。\nTernus 接班这件事相当于苹果官方承认：未来十年苹果不和 OpenAI/Anthropic 比模型，苹果要把 AI 塞进你身上戴的每一个设备。\nVision Pro 2025 Q4 出货只有大约 45,000 台，不算成功。但苹果没有放弃空间计算，反而把 CEO 换成了硬件出身的人，并且打算在明年推出 AI 眼镜。\n这就说明：虽然 Vision Pro 太重、太贵、生态不完善，但\u0026quot;空间计算 + 可穿戴 + AI\u0026ldquo;的方向是对的——苹果押的是 Ternus 在吸取 Vision Pro 的教训后能做得更好。\n第三条线索：脑机接口 比智能眼镜更激进的是脑机接口。这个话题几年前还像是科幻，但现在已经有非侵入式 BCI（不开颅，戴个头环或帽子就行）出现了。\nBrainCo——创始人韩璧丞，哈佛博士辍学创业，做医疗方向的脑机头环。2025 年 9 月推出 Revo2 智能仿生手——383 克、0.1 毫米精度、50 牛顿握力，截肢患者戴上可以弹钢琴。2026 年 1 月，BrainCo 的儿童 ADHD 治疗设备 Focus Xin 通过中国医疗器械批准，已经进入医院开卖。年初申请港股 IPO，估值超过 13 亿美金，是 BCI 行业里最早实现量产规模化的企业之一。\nSabi——这家加州 startup 2026 年 4 月刚结束 stealth，OpenAI 的早期投资人 Vinod Khosla 也为他们站台。Sabi 官方称采集了世界上最大的神经数据集，训练了最强的 Brain Foundation Model。他们将要发布的产品是一顶毛线帽（beanie）——里面塞了 7 万到 10 万个超密 EEG 传感器，能够直接解码你的内心：心里想一句话，屏幕上就打出来，不用开口、不用动手。初代在今年年底发布，下一代会是棒球帽，目标速度是 30 wpm——这个数字看起来比大多数人键盘打字速度慢，可一旦基础功能闭环之后性能就会快速提升。\n有人说 Sabi 是\u0026quot;Neuralink 的非侵入式竞品\u0026rdquo;。我觉得说法反了——Neuralink 那种开颅+植入电极的路线注定是小众医疗，真正能走进每一个人头上的，只会是 Sabi 这种\u0026quot;戴一顶帽子\u0026quot;的日常产品。\n一个已经进入医疗系统、一个带着 10 万传感器出货在即——脑机从\u0026quot;还要 10 年\u0026quot;压缩到\u0026quot;今年\u0026quot;，只用了两年。\n这三条硬件线索——眼镜、苹果、脑机——看起来各走各的，其实在做同一件事：通过可穿戴设备，替 AI 把通往现实世界的腿接上。\n但硬件这条路有一个致命瓶颈：云端 LLM 处理不了实时物理世界——延迟太高，模型也没建立物理直觉。\n眼镜拍到的视频不可能每一帧都传回云端等 GPT 推理；脑机帽子读到的神经信号必须毫秒级响应，根本等不起网络延迟；手表的电池扛不住大模型的功耗。\n所以硬件层的瓶颈又把球踢回了最底层——如果 AI 要进入万亿级的可穿戴设备，它必须是一种全新架构的 AI，一种能在本地芯片上跑的小 AI。\n四、世界模型 世界模型是让 AI 能够理解物理世界的底层引擎。\n眼镜拍到的每一帧画面、脑机帽子读到的每一条神经信号、手表每一毫秒的运动数据——如果全部回传云端等 GPT 处理，延迟会高到让整件事不成立。AI 还没回完\u0026quot;小心前面那辆车\u0026quot;，车已经撞上来了。\n要实现真正无感的可穿戴 AI，只有一条路：世界模型。这就绕不开 Yann LeCun。\nLeCun 2025 年 11 月离开 Meta——在 Meta 干了 10 多年、做到 Chief AI Scientist，还拿过 Turing Award。一个 65 岁的 AI 泰斗为什么要离职？因为他觉得 Meta 在一条错误的路上越走越远。\n2026 年 1 月他接受《MIT Technology Review》访谈，原话是：\n\u0026ldquo;LLMs are limited to the discrete world of text. They can\u0026rsquo;t truly reason or plan, because they lack a model of the world.\u0026rdquo; ——大语言模型被困在文本的离散世界里。它们没法真正推理或规划，因为它们没有关于世界的模型。\nLeCun 在另一次访谈里说得更深——智能的本质不是\u0026quot;会说话\u0026quot;，是\u0026quot;能预判行动的后果\u0026quot;。你伸手去抓一个杯子之前，大脑已经仿真过这只手会怎么动、杯子会不会翻——这就是\u0026quot;世界模型\u0026quot;的含义。而 LLM 只学过词和词的关系，它不知道苹果会从树上掉下来、水不能往山上流。\n他的另一句原话戳破了整个行业的自我催眠：\n\u0026ldquo;Language turned out to be the easy part. The hard part is the physical world.\u0026rdquo; ——语言是容易的那部分。真正难的是物理世界。\n所以你今天看到 AI 能通过考试、能写代码，却依然没有家用机器人、没有 L5 自动驾驶——按 LeCun 的判断，这是必然。当前这条 LLM 路线无法通向物理世界。\n之后他在巴黎创立 AMI Labs，两个月融了 $1.03B，估值 $3.5B。\n这不仅是 LeCun 一个人的信仰，风投市场在用真金白银押一条新路。2026 年世界模型领域已经出现多个玩家：\nAMI Labs（LeCun）——$3.5B 估值 World Labs（李飞飞）——$5B 估值 Runway——$5.3B 估值 世界模型和大语言模型的区别在于：\n大语言模型理解的是文本——哪个词后面该接哪个词。\n世界模型学习的是物理世界的规则——物体不能穿墙、球扔出去会掉下来、水不会往山上流——让 AI 能够像人类一样通过视频快速理解物理世界。\n2026 年 3 月，LeCun 团队发了一篇论文——\n《LeWorldModel: Stable End-to-End Joint-Embedding Predictive Architecture from Pixels》 arxiv: 2603.19312\n这篇论文解决了世界模型研究几年来的一个顽固问题——表征坍缩。\n以前的世界模型会偷懒。它发现只要把所有输入都映射成同一个向量，训练目标就能轻松达到——于是它真这么干了，狗、车、人最后全被压成一模一样的向量，模型表面上在学习，实际上什么物理规则都不懂。\nLeWM 用一个极其优雅的数学正则器（SIGReg）把这个问题解了：\n15M 参数——比 GPT-4 小了 10 万倍 单张 GPU 几个小时训完 在机器人规划任务上，比主流基线快 48 倍 48 倍是什么概念？同样的规划任务，旧方法跑 47 秒，LeWM 只跑 0.98 秒。\nLeWM 这篇论文本身的贡献，是把\u0026quot;端到端 JEPA 世界模型\u0026quot;这条路从\u0026quot;理论上可行\u0026quot;推进到了\u0026quot;工程上有起点\u0026quot;。虽然它本身不是一个能跑在眼镜里的产品级模型，但它是这条技术路线上的一个关键节点——证明了不靠预训练大模型也能稳定训出一个小型世界模型。\n这是目前最有希望演化出端侧世界模型的技术路线——只要范式选对了，剩下的就是工程问题。\n趋势已经足够明了：\n未来的 AI 不是一个万能大脑，是两个分工不同的大脑。\n大脑 A（LLM）——管语言、创意、推理，跑在云端 大脑 B（JEPA / 世界模型）——管物理、空间、感知 你的眼镜、你的脑机帽子、你未来身上所有可穿戴设备里，跑的都是大脑 B——它才是让 AI 无摩擦地进入人类生活最重要的底层引擎。\n苹果换了硬件 CEO； Meta 一年卖出 700 万副智能眼镜； 资本花百亿美金赌世界模型； BrainCo 的脑机接口已经在医院治 ADHD。\n这四件看似无关的事，全都在暗示着 AI 未来的趋势——\n提示词太难写 → 所以 AI 要主动预判 → 主动预判需要实时用户数据 → 数据需要可穿戴设备自动采集 → 大量数据需要世界模型消化。\nAI 下一个十年的任务，是从聊天框走进每个人的生活中去。\n","permalink":"https://ryrenz.com/zh/tech/world-model-replaces-chatbot/","summary":"三年过去了，模型能力提升了 100 倍，为什么 AI 还是一个聊天框？聊天框就是 AI 时代的诺基亚。从聊天框 → 智能体 → 可穿戴设备 + 世界模型，剖析 AI 下一个十年的产品形态进化。","title":"为何我们需要世界模型来取代 Chatbot"},{"content":"身边最近在找工作的人，不管是程序员、设计师、做市场的、做产品的、做销售的，甚至会计、律师，都在说同一句话——投简历没反应了。\n以前投一百份能收到二三十个面试。现在投两百份，可能都没有几个回应。\n不是你能力变差了，是游戏规则改变了。\n一、AI 是怎么杀死海投的 两边都在用 AI，把一个原本有信号的系统，跑成了纯噪音。\n求职端：\n每个找工作的人手里都有一整套 AI 工具。AI 改简历、写自我介绍，AI 自动填表、自动投递，一晚上能投几十个职位。 以前一份认真写的简历是有质感的，你从句子里能看出一个人的思考节奏、经验真假。 现在 AI 一过，简历长得都一样。同一套成就动词（负责、主导、优化、推动），同一套量化话术（效率提升 40%、成本降低 30%、用户增长三倍），同一套关键词堆砌。 十份简历摊开看，像十个复制人。\n企业端：\n招聘平台 HiringThing 2026 年的数据显示：\n一个岗位平均会收到 250 份简历，入门级职位常常超过 400 份 能进面试的比例，从 2016 年的 15% 一路跌到今年的 2-3%——也就是说，投 100 份简历，能收到两三个面试邀请已经是平均水平 企业根本看不完。所以他们也上 AI：先机器跑关键词匹配，再 AI 打分，最后 HR 只看系统筛出来的简历。\n整个游戏就变成了——候选人用 AI 生成简历，企业用 AI 筛简历。\n海投的面试率只有 1%-2%，跟掷骰子差不多。你不知道自己为什么没过。\n更糟的是，连挂出来的岗位都不一定是真的。\nClarify Capital 在 2026 年的研究发现，大约每 7 个在招职位里就有 1 个是\u0026quot;幽灵岗\u0026quot;，根本没打算招人；资深岗位这个比例是 1/5。 Staffing Industry Analysts 2026 年的报告里，39% 的招聘经理承认自家公司就在发虚假招聘——有的是 HR 用来测试市场、有的是预算冻结了但 JD 没撤、有的是\u0026quot;招到合适再算\u0026quot;的钓鱼贴。 你一个晚上投的那几十份简历，可能一开始就是空气。\n加上 AI 造假泛滥和 AI 面试作弊的风行，公司对陌生候选人的筛选成本越来越高。\n信任一旦崩塌，海投这个动作就彻底失去了意义。\n二、AI 是这个时代求职的必须品 公司不愿意培养人，不等于他们不知道自己要什么人。现在几乎所有行业都有一个共识：懂 AI、能用 AI 把事情做成的人。\n过去一年几乎所有岗位的 JD 都慢慢加上了 \u0026ldquo;熟悉 AI 工具 / 了解大模型 / 有 AI 项目经验\u0026rdquo; 这样的要求。\n为什么？\n因为 AI 已经不再是某个工种的专属工具，它是所有工种的效率乘数。会用 AI 的职场人抵得上三个不会的。企业招人就是在买效率，谁的效率高谁赢。\nAI 正在惩罚的恰恰是不懂 AI 的\u0026quot;资深人士\u0026quot;。你靠十年经验吃饭，但 AI 时代有全新的规则。\n所以现在的职场人，比以前更紧迫的是两件事：\n紧盯市场需求。不要闷头学\u0026quot;听起来稳妥\u0026quot;的专业或技能。积极关注招聘平台：哪些岗位在扩招、哪些在萎缩、哪些起薪高、哪些要求变化最快。如果你还是学生，越早出去实习越好——亲眼看清行业真实在做什么、缺什么人、给多少钱。 学 AI，而且要真的用上。不能只是学几条 prompt、报几个课就算结束。必须是用 AI 解决过你工作里的具体问题：自动化过什么流程、提升了多少效率、产出过什么作品。 这不是可选项，是分水岭。\n三、企业的反应：只筛选，内部消化 曾经那个经济欣欣向荣的时代，公司愿意招\u0026quot;有潜力的人\u0026quot;，花半年一年让他上手。\n现在经济下行，这笔账不算了——AI 能干的公司自己用 AI 干，AI 干不了的，公司要招来就能用。培养成本从公司这边，转到了候选人自己头上。\n再加上公开池子已经被 AI 污染，企业自然会往后退一步，把目光放在内部推荐上。\n现在 超过一半的中高阶岗位 都不是公开挂出来的，而是：\n通过内部员工推荐招掉 走猎头和人才服务公司的熟人网络 在老板和管理层的私人关系里定向找 这不是某个行业的独有现象：好的医生、律师、销售、技术人才，跳槽大多都是前老板、前客户、前同事或校友圈拉过去，根本不走投简历这条路。这意味着：你投简历的那个入口，本身就不是好机会流过的地方。\n企业往内推、熟人、猎头、圈内推荐这些渠道撤退，本质都是在用各种方式降低\u0026quot;招错人\u0026quot;的信任成本。\n所以 AI 时代新的找工作逻辑，本质是一场信任竞赛——谁能在不认识你的雇主面前更低成本地建立可信度，谁就拿下机会。\n这条线是理解下面一整套打法的钥匙。\n四、普通人如何获取信任 1、创造记忆点，保持敏感度 尽管海投已经死了，个人名片仍然重要，你需要用心维护求职平台主页和简历。\n主动联系 HR 的时候，他会点你的主页做 30 秒快速判断 线下见面的时候也需要递出简历作为第一手参考 简历和个人主页，必须要有爆点，它们不能再是干巴巴的履历罗列。\n个人简介不要写\u0026quot;有 X 年经验、热爱 Y、擅长 Z\u0026quot;这种陈词滥调。\n第一句话就要把你做过的最牛逼的那件事、那个特点，直接拍在 HR 脸上，让他看了就忘不了。\nHR 一天看几百份简历，每份最多 30 秒。他只记得住那个\u0026quot;一眼有故事\u0026quot;的开头，后面的内容他根本读不到。\n求职平台真正的价值，不是让你挂个档案然后被动等待——它给了你一个直接联系 HR、用人经理、猎头的通道，这比海投简历的确定性高一个量级：\n直接去找 HR、招聘经理、用人老板，主动打招呼。在 BOSS 直聘、脉脉、猎聘、LinkedIn 上找到具体那个人，一条主动消息，回复率比盲投高好几倍。 找一两个长期合作的猎头。注册完不算数，要真的跟懂你行业的猎头保持至少半年一次的联系。随时关注\u0026quot;谁在招、给多少钱、卡哪些条件\u0026quot;，这些信息你自己摸不到。 定期面试，哪怕你不打算跳。每半年挑一两个合适的机会认真面一次。目的不是拿 offer，是校准自己的市场价、更新对行业的判断。等到收入停滞、岗位被替代才发现自己已经跟不上市场的时候，已经晚了。 2、有背书的真实人脉 企业不会通过一封简历就相信一个陌生人，但一个资深员工说\u0026quot;这是我以前同事，他做事非常靠谱\u0026quot;，信任立刻就建立起来了。\n这里的人脉，不是微信、脉脉好友数，是认识你、了解你实力、愿意替你说话的人。\n不需要多，需要真。\n怎么做：\n经常和以前的同事、老板、客户、合作方保持联系。不用刻意，比如\u0026quot;看到你最近在做的项目，挺有意思\u0026quot;就够。 多参加行业的线下活动。线上认识一百个人，不如线下一起吃过一顿饭的一个人。见过面、聊过天的人，才会在遇到好机会的时候第一时间想到你。 3、Build in Public 让工作来找你 长期维护一个自媒体账号，它是让\u0026quot;作品\u0026quot;和\u0026quot;网络\u0026quot;一起滚雪球的杠杆。\n这里说的自媒体不是营销号，不是卖课号，是一个真实的行业输出账号。\n做推特，公众号、小红书、B 站、抖音、知乎，形式不重要。重要的是你在持续把\u0026quot;看到的、想到的、做过的\u0026quot;公开化。\n它替你扩大弱连接，大大降低信任成本。虽然你可能不认识他们，但每一个粉丝都认识你。哪天他所在的公司要招人，最先能够想起来的不会是挑一封陌生的简历，而是他关注了两年的你。你从一个陌生人变成了\u0026quot;他认识很久的一个朋友\u0026quot;。\n它让机会主动找到你。自媒体账号可以让你被各行各业有决策权的人看见。你睡觉的时候，算法还在替你把内容送到下一个潜在客户面前。\n在科技行业，持续写技术博客、做开源、做自媒体的人，从不担心没有饭吃； 在消费和创作行业，持续输出内容的从业者——设计师、咨询顾问、教师——客户来源已经从\u0026quot;中介机构\u0026quot;变成\u0026quot;内容引流+主动咨询\u0026quot;； 甚至蓝领服务业月嫂、木匠、健身教练，小红书和抖音也正在重塑接单方式，跳过了传统的平台抽成和熟人介绍——客户直接找上门。 从白领到蓝领都成立。这即将成为社会共识。\n凯文·凯利早在 2008 年就提出\u0026quot;1000 个铁杆粉丝\u0026quot;理论——你不需要一夜爆红，也不需要百万粉。1000 个真实关注你的人里，只要有 10 个有话语权、有资源、有决策权，你只会忙得停不下来，而不是为下一份工作发愁。\n过去的找工作逻辑是：\n写一份好简历 → 投很多职位 → 通过面试 → 拿到 offer\n这是一个推的动作。你把自己推向市场。\n新的找工作逻辑是：\n让自己持续可见 → 积累可验证的作品 → 维护真实的网络 → 机会主动找到你 → 你在多个机会里挑\n这是一个拉的结构。你让市场来找你。\n两者最大的差别不在于努力程度，在于时间维度。\n推的动作是一次性的。失业了才改简历，缺钱了才投简历，机会错过了就没了。\n拉的动作是积累的。你平时经营的每一份主页、每一篇作品、每一个保持联系的人脉、每一个粉丝，都在慢慢堆一座山，保证随时 Ready，不放过任何一个机会。\n结语 海投死了，它带走的是那个把自己的命运交给别人来审判的时代。\n在新时代，谁的成就更可见，更可信，更可被验证，谁就能在这个透明的市场里站得更稳、走得更从容。\n这件事跟行业没关系，跟职位没关系，跟在大厂还是小厂也没关系。\n它是 AI 时代下，所有还在工作的人都必须重新理解的基本原则。\n海投策略在这个时代已经行不通了。\n","permalink":"https://ryrenz.com/zh/career/resume-is-dead-ai-job-hunting/","summary":"以前投一百份简历能收到二三十个面试，现在投两百份可能都没几个回应。不是你能力变差了，是游戏规则改变了。海投已死，新的求职逻辑是一场信任竞赛。","title":"AI 时代的求职自救指南"},{"content":"我前同事副业做独立开发。\n做了两年产品，用户三千多人，一分钱没收过。\n每次问他怎么不收费，他都说同一句话：\u0026ldquo;产品还不够好，再打磨打磨。\u0026rdquo;\n去年被裁员，走投无路的他终于鼓起勇气，开了一个 $9/月的付费订阅。\n结果？流失了大约 50% 的用户，剩下 50% 的人交了钱，然后开始疯狂提需求。\n他第一个月收到的有效反馈，比过去两年加起来还多。\n他亏掉的不是两年的收入，是两年本该让产品变得更好的机会。\n他以为不收费是在保护用户。\n其实是在保护自己。\n保护自己不用面对一个问题：我做的这个东西，到底值不值钱？\n这个问题太可怕了。所以你用\u0026quot;产品还不够好\u0026quot;这句话，把它挡在门外。\n听起来像谦虚。\n但它不是谦虚。它是一堵墙。\n做生意，不赚钱就是原罪。\n免费用户给你的反馈是假的 你手机里有多少个免费 App，下载了从来没打开过？\n你的微信收藏夹里存了多少篇文章，一篇都没看完？\n免费用户的容忍度极高——零成本意味着零期待。\n东西不好用？关掉就是了，反正没花钱。\n他们不会写邮件告诉你哪里烂。他们不会发帖吐槽你的功能缺失。他们只会消失。悄无声息地消失。\n你看着后台数据，DAU 缓慢下滑，但你不知道为什么。因为没有人告诉你。\n免费用户没有义务告诉你。\n可是付费用户不一样：付费创造承诺感。\n想想你真金白银买的课、买的生产力工具——是不是哪怕再差也舍不得直接抛弃？\n用户付了钱，他会花时间认真去用——因为不用就亏了。用了就有体验。有体验才有反馈。有反馈你才能迭代。\n花了钱就有了期待。有了期待就有了标准。达不到标准，他们会投诉、会抱怨、会写长长的负面评论和反馈邮件。\n或许你会觉得太没面子，压力太大？但这是你的产品能得到的最好的东西。\n只有收费能带给你活跃度高、深度使用、给你真实反馈的用户。\n每一条投诉都是一个真实需求。每一个退款请求都是一次产品审判。这些东西加在一起，就是你的产品路线图。\n\u0026ldquo;等产品好了以后再收费\u0026rdquo;——这个\u0026quot;以后\u0026quot;永远不会来 这句话我太熟了。\n\u0026ldquo;等再打磨打磨。\u0026rdquo; \u0026ldquo;等功能再完善一点。\u0026rdquo; \u0026ldquo;等用户再多一些。\u0026rdquo;\n换个说法你就认出来了——\n\u0026ldquo;考上大学以后就好了。\u0026rdquo;\n\u0026ldquo;结了婚以后就好了。\u0026rdquo;\n\u0026ldquo;买了房以后就好了。\u0026rdquo;\n\u0026ldquo;以后\u0026quot;永不会来。因为\u0026quot;以后\u0026quot;不是一个时间节点，是一个心理安慰机制。你觉得自己在前进，但你只是在等待。\n没有付费压力的产品，迭代节奏是\u0026quot;有空就改\u0026rdquo;。\n有了付费用户的产品，迭代节奏是\u0026quot;改慢了就退款\u0026quot;。\n这两种节奏做出来的东西，一年之后差距是十倍。\n我见过太多个人创业者掉进同一个循环——\n不收费 → 没收入 → 不敢全职投入 → 只能业余做 → 进度慢 → 产品始终半成品 → 更不敢收费。\n而那些一开始就收费的人呢？\n有收入 → 敢投入时间 → 迭代快 → 产品变好 → 用户愿意付更多 → 有更多收入。\n一旦正向飞轮开始运转，差距将指数级放大。\n你不是担心产品不够好：你是害怕被评价 这是整件事里最难听的部分。\n\u0026ldquo;产品不够好\u0026quot;是你给自己找的理由。真实的原因是——你害怕。\n害怕标了价之后没人买。害怕别人用了之后说\u0026quot;就这？还要钱？\u0026rdquo;\n害怕市场给你一个真实的答案：不值。\n不标价就永远不用面对真实的市场。你可以一直活在\u0026quot;产品还在打磨中\u0026quot;的安全区里。薛定谔的产品——没人知道它好不好。\n定价是一种暴露行为。\n你把自己做的东西放到市场上，标一个数字，等着别人判决。\n大部分人受不了。\n不标价，不是因为谦虚，是因为恐惧。然后用\u0026quot;产品不够好\u0026quot;把恐惧包装成美德。\n还有一种人，不是怕产品不行，是放不下身段。\n现在互联网上有一种风气，觉得卖东西很 low。\n觉得一旦开口谈钱，之前说的那些有价值的东西就全部贬值了。好像你一收费，你就从\u0026quot;创作者\u0026quot;变成了\u0026quot;商人\u0026quot;，从\u0026quot;分享知识\u0026quot;变成了\u0026quot;割韭菜\u0026quot;。\n但凡上过班、创过业的人都知道，这种想法是幼稚的。做产品不是做慈善。\nMarketing 永远是商业模型里最重要的一环。产品再好，不收费，没人知道，那就没有任何价值。\n你做了一个好产品。然后通过商业推广，让用户花钱得到了高质量的东西，你得到了继续优化产品的资本。\n这是双赢。不需要有任何心理负担。\n觉得卖货 low 的人，本质上是把\u0026quot;交易\u0026quot;和\u0026quot;诈骗\u0026quot;搞混了。你不是在骗人掏钱，你是在用价格告诉市场：我对我做的东西有信心。\n如果你连直面市场的勇气都没有，你怎么可能有毅力坚持下去真的去打造出好的产品？\n价格的品牌效应 苹果和爱马仕为什么从不打价格战？\n因为定价本身就是品牌占领用户心智的一部分。一个 $999 的手机和一个 $199 的手机，硬件差距可能只有 30%，但用户感知到的价值差距是五倍。价格塑造了预期，预期塑造了体验，体验塑造了品牌。\n你定价 $6/月，用户觉得\u0026quot;便宜小工具，能用就行\u0026quot;。你定价 $60/月，用户觉得\u0026quot;这是专业工具，我得好好学会怎么使用\u0026quot;。\n同一个产品，价格不同，用户的使用态度完全不同。\n除此之外还有最重要的一点：高定价的雪球效应。\n产品冷启动是最难的，如果你是互联网大 V，或许会轻松一点。\n但对大部分创业者来说，没有口碑，没有案例，没有人替你背书。\n这个阶段你唯一能做的，就是服务好每一个用户——让前几批用户用完之后觉得值。\n一旦产品扛过冷启动之后，就会开始自己\u0026quot;讲故事\u0026quot;了。\n每当有人抛出那句经典的\u0026quot;凭什么收费，为什么这么贵？\u0026quot;\n你只需要说：\u0026ldquo;我第一天就卖这个价，而且一直有人买。\u0026rdquo;\n然后口碑开始替你说话，用户推荐用户，信任传递信任。你不再需要解释为什么贵，因为你的产品已经受到了市场的认可。\n人们会说\u0026quot;我发现了一个口碑很好、特别好用的产品，唯一的缺点是贵，但那有可能是我的缺点\u0026quot;。\n在互联网时代，获客成本是很高的 定价 5 块钱和 500 块钱，获客成本是一样的。\n你定价 $5/月，放在推广营销上的获客成本可能就要 $20，你需要用户留四个月才能回本。\n定价 $25/月，第一个月就回本了。剩下的每个月都是可以投入产品迭代的利润。\n你以为你在让利给用户，其实你在掏空自己的现金流。没有现金流，你拿什么去优化产品服务？拿什么投广告获客？拿什么活到产品足够好的那一天？\n定价从来不只是\u0026quot;我的产品值多少钱\u0026quot;这一个问题。\n它是\u0026quot;我的生意能不能活下去\u0026quot;这个问题。\n而让你活到拥有这些用户的那一天的，是一个撑得起获客成本的价格。\n倒果为因 回到开头那个例子。\n他现在月收入过万美元。用户比免费时期少了一半。但付费用户的留存率是免费时期的四倍。\n产品呢？迭代几十个版本之后，早已脱胎换骨。\n因为每一个付费用户都在用真金白银告诉他：这里好，那里烂，这个功能我愿意多付钱，那个功能你砍了我也不在乎。\n这些反馈，免费阶段一条难求。\n所以因果关系不是你以为的那样。\n不是\u0026quot;产品好了才能收费\u0026quot;。\n是\u0026quot;收了费，产品才会好\u0026quot;。\n不收费，你的产品就如无根之木，无源之水，失败只是时间问题。\n","permalink":"https://ryrenz.com/zh/startup/why-free-products-fail/","summary":"前同事做了两年免费产品，用户三千，一分钱没收过。被裁后开了付费订阅，第一个月收到的有效反馈比过去两年加起来还多。不是产品好了才能收费——是收了费，产品才会好。","title":"为何担心产品不够好而不收费的生意注定失败"},{"content":"Meta 的智能眼镜去年卖了 700 万副。\n但你身边大概没几个人戴。大多数人的反应还是：\n\u0026ldquo;那不就是个能拍照的墨镜吗？\u0026rdquo; \u0026ldquo;耳机变换形态？\u0026rdquo; \u0026ldquo;玩具。\u0026rdquo;\n我之前也这么想。直到我看到 AI 开始接入这副眼镜之后发生的事。\nAI + 眼镜，已经在改变真实的人的生活 不讲概念，直接看三个已经在发生的事。\n导盲。\n一个盲人戴着 Meta 眼镜说\u0026quot;Hey Meta，前面是什么\u0026quot;，AI 通过摄像头实时描述街道、路牌、障碍物。Be My Eyes 接入之后，一句话就能呼叫真人志愿者，志愿者通过眼镜摄像头\u0026quot;替你看\u0026quot;，实时语音告诉你往哪走、前面有什么。\n纽约州已经开始给盲人学生免费配发这副眼镜。\n一位盲人用户说了一句让我很触动的话：\n\u0026ldquo;这种技术让我庆幸自己是在这个时代失明的，而不是更早。\u0026rdquo;\nCES 2026 上，dotLumen 更进一步——用自动驾驶技术做\u0026quot;盲人的自动导航眼镜\u0026quot;：6 个摄像头扫描环境、AI 实时规划路径、触觉反馈引导方向。这款产品拿了 CES 2026 Innovation Award，多家科技媒体做了专题报道。\n实时翻译。\n你在国外看着一份外语菜单，眼镜直接把翻译结果叠加在你的视野里。不用掏手机、不用打开 App、不用对着拍照——你只需要看。MWC 2026 上展出的 Qwen S1 眼镜已经做到了镜片上显示实时翻译字幕。\n解放双手。\n已经有人用 AI 眼镜做饭——语音问\u0026quot;牛排现在几分熟，是否该翻面\u0026quot;，大厨手把手教会你。也有科技编辑用 AR 眼镜在发布会现场同时开 Slack、Chrome、邮件，双手完全解放。\n这些不是概念片，不是发布会 Demo，是真实的人在日常生活里已经在用的东西。\n而这才刚刚开始。\n所有巨头同时押注，Apple 也即将入场 如果说 Meta 是第一个证明\u0026quot;智能眼镜能卖出去\u0026quot;的人，那接下来发生的事会让这个市场彻底爆发：\n2026.3 Samsung 公布首款 AI 眼镜细节，预计年内发售 2026 Google 一口气推两款，搭载 Gemini AI，合作 Warby Parker + Xreal 2026 下半年 Snap 消费者版上市 2027 Apple Glasses 将要发布（据 Bloomberg 报道），摄像头 + 升级版 Siri + AI 助手，定价预计 $499 - $799 2027 Nothing 入场 Apple、Google、三星同时押注同一个品类——上一次是智能手机。\n而且手机和眼镜还有一个本质区别：智能眼镜是 AI 原生的。\n智能手机花了十年才等到 AI 真正可用，而智能眼镜从第一天起就是 AI-native——它天生就能看、能听、能将你感受到的一切实时传输给 AI。这意味着它的演化速度会比智能手机快得多。\n数字有多夸张？2025 年全球 AI 智能眼镜市场约 12 亿美元，2026 年预计直接跃升至 56 亿美元——一年翻将近五倍。\n多家机构报告中反复出现：\u0026ldquo;2030 年，全球 AI 智能眼镜出货量有望达 8000 万副。\u0026rdquo;\n但这还只是硬件。\nWellsenn 等机构甚至预测一旦这些眼镜开始大规模\u0026quot;智能化升级\u0026quot;，再叠加 AI 交互、AR 应用、内容生态、云服务，若能替代智能手机 10-20% 使用时间——到 2030 年整个智能眼镜生态规模可达到 1200-2400 亿美元（突破万亿人民币）。\n扎克伯格在 2026 年 Q1 财报电话会议上说了一句话：\u0026ldquo;就像当年智能手机取代翻盖手机一样，很难想象几年后大多数人戴的眼镜还不是 AI 眼镜。\u0026rdquo;\n他不是随便说说——Meta 眼镜过去一年销量增长三倍，他称之为\u0026quot;消费电子史上增长最快的产品之一\u0026quot;。\n这不是\u0026quot;可能会发生\u0026quot;。这是正在发生。\n价格会降，平台会普及——这是制造业的铁律 Meta Ray-Ban 起价 $299，不是很多人以为的上万块。按制造业的规律，三到五年内大概率会出现千元内的产品。\n但你回忆一下智能手机的历史——2007 年第一代 iPhone 卖 $499，很多人都说不值。\n不久之后，千元机铺满了全世界每一个角落。\n智能眼镜会走一模一样的路。当供应链成熟、产量上来、光学模组和芯片成本被摊薄，本来就不夸张的价格一定会降到普通人触手可及的程度。这不是猜测，这是制造业的铁律。\n我坚信：智能眼镜就是下一代移动娱乐平台。\n这场变革的量级，甚至可以类比从功能机到智能手机的革命。\n功能机到智能手机，不是\u0026quot;手机变好了\u0026quot;——是整个移动互联网生态从零诞生了。\nApp Store、微信、移动支付、打车软件、短视频……这些东西在功能机时代连想都不敢想。智能眼镜到来之后，也会诞生一整套我们今天想象不到的应用场景和商业模式。\n区别只在于：上一次你是用户，这一次你可以选择做建设者。\n这不是\u0026quot;手机缩小了\u0026quot;——一场交互革命正在发生 大多数人对智能眼镜的想象是\u0026quot;把手机屏幕挂在脸上\u0026quot;。\n错了。\n智能眼镜正在重新定义人机交互模式。\n四种手机上根本不存在的交互方式：\n注视 + 语音。\n你看着一家餐厅说\u0026quot;帮我订今晚 7 点两个人\u0026quot;，眼镜知道你在看什么，也知道你在说什么，直接帮你完成操作。不需要打开 App，不需要搜索，不需要打字。\n2026 年的一篇研究论文把这种模式命名为 \u0026ldquo;Gazeify Then Voiceify\u0026rdquo;——先用眼睛选择目标，再用语音下达指令。这是手机做不到的。\nEMG 腕带手势。\nMeta 最新的 Neural Band，通过手腕的肌电信号捕捉手指微动：捏合确认、扭转翻页、双击返回。不需要在空中挥手——手放在口袋里就能操作。\n这套交互刚刚拿了 2026 UX Design Awards，评委评价它\u0026quot;代表了后智能手机时代的交互模型\u0026quot;。\n环境感知界面。\n信息在你需要的时候出现，不需要的时候消失。走到路口，导航箭头叠加在真实的马路上；走过去之后，自动消失。通知显示 3 秒，一个动作处理，不会打断你正在做的事。\n手机的逻辑是\u0026quot;你主动去找信息\u0026quot;，眼镜的逻辑是\u0026quot;信息来找你，而且知道什么时候该来、什么时候该走\u0026quot;。\n主动式 AI Agent。\n不是你问它它才答，而是它持续理解你所处的场景，在合适的时机主动提供帮助。\n一个失明的加拿大人戴着 Meta 眼镜在厨房做饭，问\u0026quot;这是什么面条？\u0026quot;，AI 看一眼就告诉他是意面还是米粉；出门前问\u0026quot;我衣服搭配得怎么样？\u0026quot;，AI 帮他确认颜色是否协调。\n另一位盲人走到路口，直接问\u0026quot;人行横道是绿灯吗？\u0026quot;——即时回答，不用掏手机，不用求助路人。\n智能手机重新定义了\u0026quot;触摸\u0026quot;，智能眼镜正在重新定义\u0026quot;看\u0026quot;和\u0026quot;说\u0026quot;。\n这不是产品迭代，是人和机器交互方式的一次范式迁移。\n写给做 UI/UX 和前端的人：这或许是你职业生涯最大的机遇 最近半年你一定听过这种声音：\u0026ldquo;AI 能直接生成界面了，前端要失业了，设计师也要失业了。\u0026rdquo;\n如果你也这么想，你正在犯和 2007 年诺基亚一样的错误——盯着旧战场的存亡，没看见新战场已经打开了。\n核心事实：智能眼镜没有成熟的设计范式，一切要从零开始。\n手机有 20 年沉淀的交互语言——按钮、滑动、列表、Tab Bar、下拉刷新。这些东西你闭着眼睛都能画。\n但眼镜上呢？\n空间 UI 怎么布局？信息浮在视野里的哪个位置不会让人晕？注视交互怎么设计反馈——你看了一个按钮，怎么告诉你\u0026quot;我知道你在看我\u0026quot;？3 秒 Glanceable 卡片的信息密度极限是多少？EMG 手势的误触容错率怎么做？在走路的时候和坐着的时候，界面布局应该有什么区别？\n这些问题今天没有标准答案。没有 Material Design，没有 Human Interface Guidelines，没有现成的组件库。\n意味着什么？谁先定义这些规范，谁就是这个时代的设计权威。\nDon Norman（《设计心理学》作者）说了一句很直接的话：手势和语音命令的标准化极其复杂，这恰恰需要更多的 UX 研究和设计工作，不是更少。\nNielsen Norman Group 2025 年的结论也印证了这一点：AI 工具是\u0026quot;有用的助手但不是替代品\u0026quot;。\n再看看谁在招人：\nApple —— 大量 AR/VR Software Engineer、Vision Products Software 岗位 Google —— UX Engineer (Spatial Experiences)、UX Researcher (3D Human Modeling) Meta —— Wearables Design Team 持续扩招，创意技术、产品设计、AR 交互设计 AR/VR 专业求职平台如 arvrjobs.dev —— 大量新开放活跃岗位 每一次平台迁移——PC 到手机，手机到眼镜——都是设计师和开发者最大的窗口期。\n在旧平台上你是螺丝钉，在新平台上你是拓荒者。窗口期不会等你准备好。\n普通人的三条路 可能你不是程序员，也不是设计师，看到这里觉得\u0026quot;说了半天，跟我有什么关系？\u0026quot;\n关系很大。\n第一条路：应用层创业。\n智能手机时代最赚钱的人不是造手机的，是做 App 的。\n张一鸣不是硬件工程师，程维也不是。抖音、美团、滴滴——这些公司的创始人都是在智能手机的生态打开之后，看见了应用层的机会，然后冲进去的。他们的起步资金和技术门槛，远低于造一台手机。\n智能眼镜一模一样。当平台铺开、用户量上来之后，应用层会出现大量空白——AR 导览、沉浸式教学、第一视角直播带货、空间广告、AR 游戏……这些方向今天几乎没有竞争，因为平台还没成熟。但正因为没成熟，现在开始研究和准备的人，就是第一批吃到红利的人。\n第二条路：内容创作。\n每一次平台迁移都会催生全新的内容形态。PC 时代是博客和论坛，智能手机时代是短视频和直播。智能眼镜时代呢？\n第一视角沉浸式内容、AR 叠加互动、空间叙事——这些东西今天还没有\u0026quot;抖音\u0026quot;来承载它们，但一定会出现。\n当年那些最早拍短视频的人，哪里有专业出身的？\n他们只是比别人提前开始尝试。\n第三条路：认知领先。\n这条路最容易被低估，但其实是最值钱的。\n2007 年如果你理解了\u0026quot;智能手机会改变一切\u0026quot;这件事，你不需要去造手机——你会更早开淘宝店、更早做微信公众号、更早拍短视频、更早做跨境电商。你的每一步都比别人早两年，而**\u0026ldquo;早两年\u0026quot;就是普通人最大的竞争优势。**\n这篇文章对你的价值不是\u0026quot;教你现在买什么\u0026rdquo;，是帮你提前看见一个确定性极高的趋势。等它真正爆发的时候，你不是从零开始——你已经想了两年了，你知道机会在哪。\n结语 2025 年，Meta 一年卖了 700 万副智能眼镜。 2026 年，Apple、Google、三星同时入场。 AI 从第一天起就是原生内置的。 全新的交互范式正在被定义，大量岗位空缺等人填。 应用层和内容生态几乎一片空白。\n这些不是预测。是已经发生的事。\n技术人看到的是一片没有规则的设计疆域——谁先定义，谁就是权威。 创作者看到的是下一个\u0026quot;抖音早期\u0026quot;的流量红利。 普通人看到的是一个可以提前两年布局的确定性趋势。\n但大多数人看到的，还是\u0026quot;那不就是个能拍照的墨镜吗\u0026quot;。\n每一次科技革命，机会最多的时候——是大多数人还在笑的时候。\n你不需要等到 Apple Glasses 风靡全球的那天才开始准备。\n","permalink":"https://ryrenz.com/zh/industry/smart-glasses-next-trillion-market/","summary":"Meta 智能眼镜去年卖了 700 万副，2026 年 Apple、Google、三星同时入场。AI 从第一天起就是原生内置的，全新的交互范式正在被定义。这不是预测，是已经发生的事。","title":"智能眼镜：你不能忽视的下一个万亿市场"},{"content":"用了一年多 Claude Code，我把自己最近半年的工作流抽出来，写下这 7 条。每一条都是在真实开发过程中感受到痛苦后总结出来的可复用原则。\n新手最容易犯的错不是不会用，而是把它当成更聪明的 ChatGPT 用。用对了，它是一个可以被你调教的工程师；用错了，它就是一个有幻觉、会撒谎、会\u0026quot;看起来跑通了但其实没改对\u0026quot;，不叫就不会动的懒虫。\n做好下面这 7 条，AI 就是你的最佳拍档。\n1. 不要把它当聊天框，把它当成你的同事/下属 想象一下你是 leader，今天你要把一个活派给一个新来的下属。如果你只丢一句\u0026quot;帮我加一个删除功能\u0026quot;就走人——他不知道你删什么、删完之后页面怎么跳、有没有软删除、要不要二次确认、删了之后日志里要不要留痕、哪些用户有权限删……他只能凭自己的想象往下做。最后交付的东西大概率不是你要的。\n这不是这位下属能力不行，是你没把任务讲清楚。\nAI 完全一样。你丢一句\u0026quot;帮我加一个删除功能\u0026quot;，它没有你脑子里那张完整的产品图，没有你最近一周和 PM 的对话记录，不知道这个项目里\u0026quot;删除\u0026quot;在别的模块是怎么实现的，也不知道你心里期望的验收标准。它只能猜，猜出来的东西大概率不是你要的。\n把它真正当成一个新来的同事：\n任务目标 —— 这件事做完之后，用户能看到什么、系统会变成什么 详细需求 —— 删什么、怎么删、删完之后跳哪里、有没有软删除、有没有权限校验、要不要确认弹窗 当前项目状态 —— 这个项目用的什么栈、相关模块在哪里、之前类似功能是怎么实现的、有没有可以参考的 pattern 验收标准 —— 哪些测试要跑通、哪些边界要覆盖、跑完测试之前不要停下来 把这四件事讲清楚，他才能给你交付合格的代码。\n新手最常见的错误是省了讲清楚的那五分钟，然后花两小时反复纠正它走歪的方向。讲清楚那五分钟从来不是浪费——是整个任务里 ROI 最高的五分钟。\n判断你有没有用对的标准：你的鼠标和键盘在变忙还是在变闲？ 用对了应该是越用越闲。\n2. 用好 CLAUDE.md，他是 AI 的工程红线 CLAUDE.md 是 Claude Code 必须永远遵守的底线，由于每一次对话都会被加载，所以需要在保持精简的同时讲清楚规则。\n\u0026ldquo;每一次对话都会被加载\u0026rdquo; —— 它占用你宝贵的 context window，写得越长，每一轮对话的成本越高。所以能一句话说清的绝不写三句，能用条目的绝不用段落。\n\u0026ldquo;必须永远遵守\u0026rdquo; —— 它不是建议，是硬约束。所以只写那些你真的希望它每一次都遵守的事，不要写\u0026quot;最好\u0026quot;、\u0026ldquo;尽量\u0026rdquo;、\u0026ldquo;偶尔\u0026quot;这种模糊词。\n该写进 CLAUDE.md 的：\n工程红线（注释语言、commit 规范、不确定就搜不能猜） 文件产出规则（报告写到哪里、哪些不能生成、测试放在哪里） 响应格式约束（用什么语言、结尾必须带什么结构） 绝对不能做的事（比如禁用 --no-verify、禁止强制提交被 gitignore 的文件） 不该写进 CLAUDE.md 的：\n具体代码风格细节 —— 那是 linter / formatter 的活 项目架构背景和业务逻辑 —— 那是 Design Doc 的活 你希望它\u0026quot;偶尔\u0026quot;做的事 —— 写了也不会稳定执行，反而稀释了真正的红线 长段解释和举例 —— 占 token，条目化的祈使句就够 还要分清全局 CLAUDE.md 和项目级 CLAUDE.md 各自该写什么，两边写错地方都是浪费：\n全局 CLAUDE.md（~/.claude/CLAUDE.md）写跨项目的个人习惯：注释和 commit 用什么语言、不确定必须先搜、响应格式约束、记忆仓库位置、文件产出规则。这些是**\u0026ldquo;你这个人\u0026rdquo;**的规则，换哪个项目都成立。\n项目级 CLAUDE.md（仓库根目录）只写这个项目特有的东西：技术栈和版本、测试怎么跑、部署怎么走、哪些目录是禁区、这个项目的 Design Doc 路径。一句话：如果把这条规则挪到别的项目还成立，就不该写在项目级。\n一个实操建议：红线是踩出来的，不是想出来的。 新项目第一版的 CLAUDE.md 可以很短，每次它做错一件让你真的生气的事，回来加一条。一个月后你会得到一份只属于你自己的、密度极高的规则文档。\n3. 把高频任务封装成 Skill，别每次重新解释 很多人可能都听说过 Skill，但还没有开始使用。Skill 是提高生产力最好用的功能。它本质是\u0026quot;加了入口的 prompt 模板 + 工具白名单\u0026rdquo;。\n举个我自己踩过无数次的例子：写 Design Doc。\n每次新项目我都得交代一遍：写到 \u0026lt;memory_root\u0026gt;/docs/design.md、根据项目规模选 Lite 还是 Full 模板、架构图必须从用户入口画起而不是只画后端内部、必须包含 Overview / Ultimate Vision / Tech Stack / Architecture Diagram / Feature Status / Current Milestone / Key Decisions 这几段、没填的段落标 TBD 不要瞎编、已经存在 design.md 就别覆盖改走 update 流程……\n这套标准我说烦了。每次复述既浪费 token，又总有哪条漏掉，每个项目的 Design Doc 长得都不一样。\n后来我把它打包成 /init-design skill：模板固定、路径固定、规则固定、填充逻辑固定。现在起新项目只需要一句 /init-design 这个项目是 XXX，十秒钟一份符合规范的 design doc 就出来了。\n反例：每次新项目重复描述十几条标准，希望 AI 这次别漏。 正例：把标准沉淀成 skill，用的时候只输入 /init-design。\n我现在常用的 20+ 自定义 skill：/plan、/build、/debug、/codex-review、/init-design、/update-design、/commit、/contribute、/loop、/schedule……每一个都对应一个你之前会反复打字解释的工作流。\n判断该不该做成 skill 的标准：你在重复打之前写过的 prompt 的时候觉得烦吗？ 烦就立刻封装。\n4. 建立\u0026quot;记忆仓库\u0026quot;，让上下文跨对话存活 Claude Code 单次对话的 context window 再大也是会清零的。真正让 AI 助理\u0026quot;认识你\u0026quot;的不是 prompt engineering，是一个稳定的、可读可写的、跨对话的记忆系统。\n简单的记忆仓库 ~/memory/ 长这样：\nUSER.md —— 你是谁，用户画像 NOW.md —— 你正在做什么，每轮对话结束更新 docs/INDEX.md —— 项目文档地图 daily-logs/ —— 最近 14 天对话日志 lessons/ —— 从对话里沉淀的经验教训，hook 自动提炼 projects/ —— 各项目的 design.md / plan/ lessons/ 沉淀对话里所有的踩坑过程，记录成可复用的经验文件，保证 AI 不会反复犯同一个错。\n每次新对话或 Compact 之后的第一件事：读 NOW.md 恢复上下文。\n配合 hook 自动维护，你会发现AI 开始比你自己更记得上周做了什么。\n5. 自动化的事交给 Hooks，不要靠 prompt 提醒 CLAUDE.md 里写的\u0026quot;每次都要 X\u0026quot;不可靠，因为模型会忘、会偷懒、会被 context 覆盖。\nHook 是真正在 harness 层执行的 shell 脚本，它不是 LLM 决策的，所以可靠性是 100%。\nClaude Code 目前支持 9 个 hook 事件，每一个都是一个你可以插入自动化逻辑的钩子：\nSessionStart —— 新会话开始时 SessionEnd —— 会话结束时 UserPromptSubmit —— 用户刚按下回车、还没给模型看到之前 PreToolUse —— 模型决定调用某个工具、执行之前 PostToolUse —— 工具执行完毕之后 Notification —— 系统需要通知用户（比如等待授权）时 Stop —— 模型完成一轮回答、停下之前 SubagentStop —— 子 agent 停下之前 PreCompact —— 上下文即将被压缩、长期记忆要丢失之前 重点是把\u0026quot;该在什么时候做什么\u0026quot;对准\u0026quot;该用哪个 hook\u0026quot;。举几个我实际在用的例子：\nStop → 语音播报\u0026quot;这一轮跑完了\u0026quot;，支持自定义播报内容与播报声音，让 Claude Code 真正有人味 PreToolUse（Bash）→ 危险命令拦截，扫到 rm -rf /、git push --force 之类的命令先弹出确认 PostToolUse（Write / Edit）→ 自动跑 update_docs_index，每次写新文档都自动注册进全局文档索引，下次别的 agent 可以直接查 Stop → 自动保存对话日志 + 跑 git status，这一轮改了什么一目了然；同时异步跑一个 extract_lessons 把对话里值得留下的经验提炼进长期记忆 SessionEnd → 自动更新 NOW.md，把这一轮对话干了什么总结一下，下次新 session 第一件事直接去读 PreCompact → 自动跑 update_user_preference，在 context 被压缩、对话细节要丢失之前，先把\u0026quot;用户这次新暴露出来的偏好 / 踩过的雷 / 被反复纠正的点\u0026quot;提炼出来存进长期记忆 口诀：\u0026ldquo;自动行为用 hook，灵活判断用 prompt\u0026rdquo;。 凡是\u0026quot;每次 X 都要 Y\u0026quot;的需求，永远不要写在 CLAUDE.md 里——写到 hook 里去。CLAUDE.md 是规则，hook 才是执行。\n6. 文档与验收驱动开发，不是聊天驱动 新手的典型流程：丢一句话 → 看着它写代码 → 发现写歪了 → 让它改 → 又歪了 → 沮丧地关掉。\n我的完整流程是三步主线 + 一道收尾：\nDesign → Plan → Build → Manual Acceptance\n每一步各司其职，别混在一起：\nDesign —— High-level 设计。架构、原则、模块边界、数据流、终极目标。不写具体步骤。 Plan —— 执行计划。基于 design 拆具体步骤：哪些文件要改、改动顺序、风险点、回滚路径、每一步怎么验。 Build —— 按 plan 老老实实执行，不要随意发挥、不要顺手\u0026quot;优化\u0026quot;。 Manual Acceptance（手动验收） —— 你是老板，不是软件测试员。你是在验收交付物：打开应用、看看需求是否全部满足，是不是你想要的东西、数据库和日志看一眼有没有明显异常。 每一步结束后都接一道 review 闸门，而且这个 review 直接交给 codex 自动做。 Claude Opus 像部门里的老油条，什么都懂、协作规划能力强、架构能力强，但在执行层面常常偷懒；而 Codex 更擅长代码执行、debug、review 这些活。所以通常把 review 交给 codex：写完 design，codex review；写完执行 plan，codex review；plan build 完之后，codex review；最后你亲自验收。三道闸门全自动，你只在每道闸门之间做决策、在最后做签收。\n验收不通过怎么办？ 不要自己去修，也不要只丢一句\u0026quot;报错了你看看\u0026quot;。你是老板，老板的工作是把问题描述清楚、把要求讲明白，然后让下属自己去解决。正确做法是：把完整的 error message 或异常现象原样贴回主对话（别省略、别转述），加一句场景 description（你点了什么、期望是什么、实际是什么），然后明确指令\u0026quot;自己调试、自己修、跑通为止，没跑通不要停\u0026quot;。\n然后看着它自己重现、自己加日志、自己定位、自己修、自己再跑一遍。你的角色是老板和裁判，不是陪跑和 QA。\n核心原则：让 AI 写你已经想清楚的东西，不要让 AI 替你想清楚。它擅长执行、不擅长定义问题。你的工作是定义问题和验收交付物，中间的所有脏活累活全部外包给 Claude Code。\n7. 学会用 Subagent 提高效率，隔离上下文 主对话的 context window 是你最贵的资源。一旦被 200 个文件读、几千行 grep 结果、半本 PDF 塞满，模型就开始\u0026quot;显著变笨\u0026quot;。\nSubagent 的核心价值不只是省 token，更重要的是——它跑在完全独立的对话里，看不到你主对话的历史，也不会被你之前的推理带偏。这相当于随时可以叫一个没被你洗脑过的同事来干活。\n三个最常见的用法就够你 80% 的场景用了：\n把\u0026quot;吵闹\u0026quot;的活外包出去。 跑测试、扫日志、读一堆文档、搜整个 codebase——这些都会产生海量中间数据但你只需要结论。丢给 subagent，它在自己的 context 里跑完，只把一两段摘要回给你，主对话干干净净。\n需要独立第二意见时叫一个。 自己写的 design、自己做的 plan、自己改的代码——自己回头审几乎零价值（写的时候觉得对，审的时候还是觉得对）。开一个 subagent 从零看一遍，它没参与前面的讨论，反而能看见主对话看不见的问题。上一条的 codex review 本质就是这个玩法。\n异步后台跑长任务，解放你的等待时间。 这是 subagent 最被低估的用法。跑完整测试、build 整个项目、爬一批文档、跑一个大 refactor——这些动辄几分钟甚至半小时的任务，你没必要盯着屏幕等。扔到后台让 subagent 跑，你继续在主对话里设计下一个功能、写下一段文档、改另一个模块。跑完了它会自动回来告诉你结果。一个人同时推进 3 件事，这才是 agent 真正给你的杠杆。按 Ctrl+B 可以随时把当前任务推到后台。\n先开始用，按需再回来取 看完这 7 条，你可能会有个冲动：把所有配置一次性都搭起来，CLAUDE.md 写满、skill 写一打、hooks 全开、记忆仓库目录建齐，最后还没开始 Build 就力竭了。\n别这么干。\n这 7 条不是清单，是参考。你不需要一上来就全部用上——你需要的是先开始用，在真实项目里跑起来，然后等你撞到具体的问题再回来翻这篇文章：\n当你发现自己反复在交代同一句话 → 回来看第 3 条，封一个 skill 当你发现 AI 又把上次说过的事忘了 → 回来看第 4 条，建记忆仓库 当你发现自己一直在手动重复同一个动作 → 回来看第 5 条，写个 hook 当你发现 AI 写歪了三次还在歪 → 回来看第 6 条，把流程立起来 当你发现等一个长任务等到烦躁 → 回来看第 7 条，扔后台 每一条配置都应该是被真实痛点拉出来的，不是预防性准备的。提前堆配置只会让你疲惫然后放弃；按需取用才会让你越用越顺。\n相信我，认真用一个月之后，你会收获一位得力的超级工程师员工——他知道你的偏好、记得你的项目、跑得动你的流程、能在你睡觉的时候默默把活做完。\n而你只需要从今天开始，给他派第一个任务。\n","permalink":"https://ryrenz.com/zh/ai/claude-code-beginner-guide/","summary":"用了一年多 Claude Code，我把工作流浓缩成 7 条可复用原则。新手最大的错误不是不会用，而是把它当 ChatGPT。用对了它是你的超级工程师，用错了它是一个有幻觉、会撒谎的懒虫。","title":"Claude Code 新手指南：7 条让你收获一位百万年薪员工的建议"},{"content":"Typeless 的交互让我眼前一亮——按一下键开始录音，再按一下停止，文字直接出现在光标位置。但 $12/月，$144/年。核心链路就是快捷键、录音、转写、粘贴，我决定自己做一个。\n我以为一个周末能搞定。实际上，从第一行代码到能日常使用，中间踩了五个大坑，每个坑都是\u0026quot;代码本身没问题，是我对 macOS 底层机制理解不够\u0026quot;。\n先看全貌 整个应用常驻菜单栏，核心是一个状态机：\nidle → [快捷键按下] → recording → [快捷键再按] → processing → idle ↓ [双击取消] ↓ idle 用户按一下快捷键，开始录音，屏幕底部弹出进度浮窗显示音量。再按一下，录音文件发给 OpenAI Whisper API 转写，文字自动粘贴到光标位置。如果当前没有输入框，弹浮窗显示结果。\n技术栈：\n层级 技术 选型理由 应用框架 Swift + SwiftUI + AppKit 原生体验，MenuBarExtra 常驻菜单栏 音频录制 AVAudioRecorder（M4A, 44.1kHz 单声道） 系统自动处理格式协商，最稳定 语音转写 MacPaw/OpenAI Swift SDK 社区最活跃的 OpenAI Swift SDK，省去 multipart 编码 全局快捷键 CGEvent tap 唯一支持 modifier-only 键的方案（如单按右 Alt） 文字注入 剪贴板 + 模拟 Cmd+V → 浮窗降级 兼容性最好的组合 进度浮窗 纯 AppKit（NSPanel + NSView + CALayer） SwiftUI 在这个场景下会崩溃，后面细讲 这张表里每一个\u0026quot;选型理由\u0026quot;，背后都有一段弯路。\n快捷键：CGEvent tap 和 modifier-only 的坑 我以为注册全局快捷键就是一行代码的事。\n第一个问题是冲突。设了 Cmd+Shift+R，被截图软件抢了。换 Ctrl+Space，被输入法占了。换成三键组合，自己按着都嫌烦。语音输入是高频操作，按三个键才能启动，没人愿意用。\n最后决定用单个修饰键——右 Option（Alt）。一个键，不和任何快捷键冲突。但 macOS 的常规快捷键 API 不支持\u0026quot;只按一个修饰键\u0026quot;作为触发条件。修饰键在系统看来是\u0026quot;修饰符\u0026quot;，不是\u0026quot;按键\u0026quot;。\n解法是 CGEvent tap——比普通快捷键 API 低一层，直接拦截系统事件流。它能看到每一个键盘事件，包括单独按下修饰键。但也意味着必须处理所有边界情况：修饰键按下但随后按了其他键（用户在按组合键，不是在触发录音）、快速双击（取消录音）、左右修饰键区分（我的 Windows 键盘接 Mac，右 Ctrl 和右 Alt 在系统层面是同一个键码）。\n后来加了快捷键自定义录制。用户点\u0026quot;录制\u0026quot;按钮，按下想要的键，保存。听起来简单，但全局快捷键监听会拦截按键事件，导致录制组件收不到。解法：录制时临时 pause 全局监听，录完 resume。\n这种\u0026quot;两个子系统互相打架\u0026quot;的模式，后面还会反复出现。\n权限：不是代码的 bug，是认知的 bug macOS 要求应用获得\u0026quot;辅助功能\u0026quot;权限才能监听全局快捷键。授权一次就好——我是这么以为的。\n每次改完代码重新编译运行，快捷键就失灵了。系统设置里权限还显示\u0026quot;已开启\u0026quot;，但实际不生效。我反复改快捷键逻辑、换注册方案、加日志追踪，查了好几个小时。\n最后发现：每次编译生成的是一个\u0026quot;新的\u0026quot;二进制文件，code signature 变了，系统认为是不同的应用，旧的授权自然失效。这不是代码的 bug，是我对 macOS 安全模型理解不够。\n解法写在 README 里了：在 Xcode 里勾选 \u0026ldquo;Automatically manage signing\u0026rdquo;，选择 Personal Team。这样每次编译签名一致，权限不会失效。不需要付费 Apple Developer 账号，免费 Apple ID 就行。\n麦克风权限也有类似的认知盲区。从 Xcode 运行应用时，需要给 Xcode 本身授权麦克风，而不是给编译出来的应用。\n这两个权限问题加起来浪费了将近一天。教训很明确：遇到\u0026quot;代码明明没问题但就是不 work\u0026quot;的时候，先怀疑自己对系统机制的理解，再怀疑代码。\n录音：从 AVAudioEngine 到 AVAudioRecorder 录音应该是整个流程里最基础的一步。我在这上面花的时间最多。\n第一版用 AVAudioEngine——苹果\u0026quot;现代\u0026quot;的音频框架，支持实时处理、格式转换、多节点串联。文档写得很美好。现实是各种报错：tap 格式不匹配、设备初始化失败、引擎启动异常。试了至少六七种配置组合，参考了好几个开源项目。\n中间有一次特别无语。所有方案都试遍了还是报错。最后发现是 USB 麦克风松了，系统根本没检测到输入设备。不是代码的问题，是物理世界的问题。\n最终方案是 AVAudioRecorder——苹果\u0026quot;老\u0026quot;的录音接口。一个类，指定格式（M4A, AAC, 44.1kHz mono），调 record()，调 stop()，拿到文件。所有格式协商交给系统处理。\nAVAudioEngine 能做的事远比 AVAudioRecorder 多。但我不需要实时音频处理，不需要多节点串联，只需要\u0026quot;录一段音频，存成文件\u0026quot;。最笨的方案恰好是最匹配需求的方案。\n录音格式选 M4A 而不是 WAV，因为 AVAudioRecorder 原生支持，Whisper API 也直接接受，不需要任何格式转换。文件体积小了 10 倍，上传更快。\n进度浮窗：SwiftUI 在这里崩溃了 Typeless 有一个关键设计：录音时屏幕底部出现小浮窗，显示状态和音量波动。没有它，用户说了一分钟话，不知道到底有没有在录。\n第一版用 SwiftUI 的 ObservableObject 驱动浮窗 UI。录音状态变化时更新 @Published 属性，SwiftUI 自动刷新视图。标准做法。\n但在这个场景下，ObservableObject 的更新和 CGEvent tap 的回调在不同的 actor 上——一个在 MainActor，一个在系统事件线程。Swift 的 actor isolation 检查直接让应用崩溃。\n这不是写法的问题。SwiftUI 的并发模型和 CGEvent tap 的底层回调机制有根本性的冲突。我试了各种 @MainActor 标注和 DispatchQueue.main.async 包装，要么崩溃，要么音量更新延迟到肉眼可见。\n最后放弃 SwiftUI，用纯 AppKit 重写：NSPanel 作为窗口（不抢焦点）、NSView 手动布局、CALayer 画音量脉冲动画。代码量多了一倍，但稳定了。\n\u0026ldquo;新\u0026quot;不一定是\u0026quot;好\u0026rdquo;。 SwiftUI 在大部分 UI 场景下很好用。但当你需要和底层系统机制深度交互时，它的抽象层反而成了障碍。选技术方案的标准是\u0026quot;能不能在这个具体场景下稳定工作\u0026quot;，不是\u0026quot;是不是最新的\u0026quot;。\n文字插入：一个看似简单的问题的排列组合 转写完成，拿到文字，粘贴到光标位置。听起来是最后一步，应该最简单。\n第一版用 macOS Accessibility API 直接设置输入框的 value。调用返回成功，但有的应用（比如 Terminal）实际上什么都没发生——AXUIElement 报告\u0026quot;设置成功\u0026quot;，内容没变。这是 Accessibility API 的已知行为：部分应用的 AXUIElement 实现不完整。\n换成剪贴板方案：把文字写入剪贴板，模拟 Cmd+V 粘贴。兼容性好了很多，但引入新问题——粘贴会覆盖用户原来的剪贴板内容。解法：粘贴前保存剪贴板，粘贴后恢复。\n还有一个问题：如果用户停止录音时光标不在输入框里（比如在浏览器的空白区域），粘贴操作虽然执行了，但没有目标接收。用户以为转写失败了。\n最终设计了一个 fallback 链：\n录音停止的瞬间，用 OutputTargetSnapshot 捕获当前聚焦的 UI 元素和应用 PID 转写完成后，检查快照里的元素是否有可编辑区域（hasTextInput） 有 → 剪贴板 + Cmd+V 粘贴 没有 → 弹出浮窗，显示文字 + Copy 按钮 为什么在停止录音时就捕获快照，而不是转写完成后？因为转写需要几秒，用户可能在等待期间切换了窗口。如果等转写完再检测焦点，可能粘贴到错误的位置。\n在自己的设置界面测试时还发现了一个 bug：文字出现了两遍。原因是设置界面有自己的 SwiftUI 文本绑定，同时剪贴板粘贴也触发了一次更新，两条路径同时生效。解法是在设置界面禁用全局插入逻辑。\n每个问题单独看都不难。但光标位置、应用类型、输入框状态的排列组合非常多，每种都要单独验证。\n设计决策回顾 回头看整个项目，有几个决策我会再做一次：\nToggle 模式而不是 press-and-hold。 最初的设计是按住键录音、松开停止。改成 toggle（按一下开始，再按一下停止）有两个原因：录音可能持续几十秒，一直按着手酸；toggle 模式下用户可以双手离开键盘说话，更自然。双击取消是 toggle 模式的免费赠品——快速按两下，录音作废，回到 idle。\n砍掉翻译功能。 最初想做转写 + 翻译，意味着用户要配两个 API key（转写用 Whisper，翻译用 GPT）。后来想了想，我自己也不常用翻译。砍掉之后只需要一个 key，配置步骤少了一半，代码复杂度少了三分之一。功能少了，体验好了。\n用 MacPaw/OpenAI SDK 而不是手写 HTTP。 第一版手写 multipart/form-data 请求，花了不少时间处理编码边界。换成 MacPaw 的 Swift SDK 后，一个函数调用搞定，错误处理也更完善。在这种\u0026quot;不是核心竞争力\u0026quot;的地方，用社区方案省时间。\n远程 API 而不是本地模型。 试过 WhisperKit，500MB 模型下载到本地运行，离线可用。但中英文混合输入时频繁把中文识别成英文。远程 API 的准确率高一个档次，延迟在可接受范围内（2-4 秒）。成本也不高——下面细算。\n成本 默认使用 gpt-4o-mini-transcribe：\n使用量 费用 1 分钟（约 150 字） $0.003 每天 30 分钟，一个月 $2.70 每天 5 分钟，一个月（我的实际用量） $0.45 对比 Typeless 的 $12/月。即使重度使用，成本也差了一个数量级。\n反思 这个项目最大的教训：不要低估\u0026quot;简单\u0026quot;的事情。\n\u0026ldquo;按键、录音、转文字、粘贴\u0026rdquo;——一句话说完的需求，实际涉及 CGEvent tap、Accessibility API、AVAudioRecorder、code signing、actor isolation——每一层都有自己的脾气，而且它们互相打架。快捷键监听和快捷键录制打架，SwiftUI 和 CGEvent tap 打架，Accessibility API 和不同应用的实现打架。\n更深的感受是，很多时间不是花在\u0026quot;做功能\u0026quot;上，而是花在\u0026quot;理解系统\u0026quot;上。 权限为什么失效、录音为什么报错、浮窗为什么崩溃——答案都不在代码里，在对 macOS 底层机制的理解里。这种认知补课没有捷径，只能一个坑一个坑地踩。\n最后一点：先用笨办法。 AVAudioRecorder 比 AVAudioEngine 笨，AppKit 比 SwiftUI 笨，剪贴板粘贴比 Accessibility API 笨。但它们都是最终活下来的方案。每次我试图一开始就用\u0026quot;更优雅\u0026quot;的方案，都绕了远路。先跑通，再优化——不是空话，是这个项目反复验证的结论。\nMIT 开源：github.com/ryrenz/open-typeless-formac\n","permalink":"https://ryrenz.com/zh/tech/macos-voice-typing-opensource/","summary":"Typeless 月费 $12，功能不复杂，我决定自己做一个开源平替。结果快捷键、权限、录音、状态反馈、文字插入——五个看似简单的模块，每个都有自己的脾气。记录整个开发过程中的技术选型、踩坑和设计决策。","title":"我做了一个开源的 macOS 语音输入工具"},{"content":"我被同一个问题坑了两次。\n第一次：在一个 Next.js 项目里，我让 Claude Code 帮我配置 Tailwind v4 的 PostCSS 插件。它给了一个看起来正确的配置，build 一直报错。40 分钟后定位到原因——Tailwind v4 废弃了旧的 PostCSS 插件写法，必须用 @tailwindcss/postcss。问题解决，会话结束。\n三周后，另一个项目，同样的问题。又是 40 分钟。\nClaude Code 不记得它三周前帮我解决过这个问题。对它来说，每次会话都是第一次见面。\n那一刻我决定：我要给它造一个记忆系统。\n为什么记忆是刚需 重复踩坑是最直观的痛苦。但还有一种更隐性的消耗：每次会话开头，你都在给 AI 补课。\n\u0026ldquo;这个项目用 pnpm，不是 npm。\u0026ldquo;\u0026ldquo;API 鉴权用 JWT，token 在 Authorization: Bearer 里。\u0026ldquo;\u0026ldquo;代码里 legacy_ 前缀的函数不要动，那是给旧客户端留的。\u0026rdquo;\n这些信息每次都要重新喂一遍，不然 AI 就会犯错。项目越大，\u0026ldquo;开场白\u0026quot;越长，token 和耐心都在燃烧。\n纯靠 context window 能不能解决？能，但有天花板。对话历史越长，前期内容越容易被稀释（attention dilution），而且每次会话都要全量注入，成本线性增长。\n我需要的是一套主动管理的、分层的、持久化的记忆系统。不是更大的 context window，而是一个让 agent 知道\u0026quot;哪些事情值得记住\u0026quot;的机制。\n三层架构：精度与容量的平衡 记忆仓库放在 ~/memory/ 目录下，分三层：\n~/memory/ ├── daily-logs/ # 短期：完整会话日志（保留 14 天） │ └── YYYY-MM-DD.md ├── reflections/ # 中期：蒸馏摘要（按项目分组） │ └── my-blog.md ├── lessons/ # 长期：可复用的技术教训 │ └── frontend.md └── NOW.md # 当前工作状态快照 为什么是三层，而不是一层？\n全量日志的问题：一次中等复杂度的会话，日志轻松超过 10,000 字。14 天的日志直接注入 context 不现实。\n只保留摘要的问题：当 agent 需要核查某个具体的操作细节——比如\u0026quot;上次那个 Redis 配置改动的具体参数是什么\u0026rdquo;——摘要不够精确，你需要能回溯原始记录。\n三层设计让你在不同情况下用不同粒度的记忆：\n刚结束的会话？翻 daily-logs。 上个月某个项目的关键决策？看 reflections。 让 agent 永远记住某个教训？写进 lessons，打上 🔴 标记。 中期层的实现靠一个每日 cron job：读取当天 daily-logs，调 LLM 蒸馏成 400-500 字摘要，按项目分组追加到 reflections/ 对应文件。不完美，但够用。\nNOW.md：接力棒，不是存档 三层记忆里，用得最频繁的不是日志，是 NOW.md。\n1 2 3 4 5 6 7 8 9 10 11 12 13 # 当前工作状态 **更新时间**: 2026-04-05 23:47 ## 活跃项目 ### my-blog - **当前任务**: 重构评论系统，从 Cusdis 迁移回 Giscus - **下一步**: 测试移动端 Giscus 主题切换 - **注意**: hreflang 标签已在上次会话中修复，不要再动 ### coding-tools - **当前任务**: 暂停，等 Fish Audio API 配额恢复 每次会话启动，第一件事读 NOW.md。这相当于给自己出门前留了一张便利贴：\u0026ldquo;昨晚停在这里，明天从这里继续。\u0026rdquo;\n没有它，每次会话开头都要花 3-5 分钟告诉 AI 你在做什么、做到哪里了。有了它，agent 30 秒内进入状态。\n关键设计决策：NOW.md 只存当前状态，不存历史。它是接力棒，不是存档。历史交给 daily-logs 和 reflections。\nHook 生态：让记忆写入自动化 手动维护记忆系统会失败。不是因为懒，而是你不会在每次会话结束时记得去更新文件——尤其是那些临时性的、\u0026ldquo;下次再说\u0026quot;的短会话。\n我的解法是用 Claude Code 的 Stop hook 自动触发：\nsequenceDiagram participant User participant Claude Code participant Stop Hook participant Memory User-\u0026gt;\u0026gt;Claude Code: 会话结束 Claude Code-\u0026gt;\u0026gt;Stop Hook: 触发 stop 事件 Stop Hook-\u0026gt;\u0026gt;Memory: 同步：追加 daily-logs Stop Hook-\u0026gt;\u0026gt;Memory: 异步：更新 NOW.md（LLM 摘要） Stop Hook-\u0026gt;\u0026gt;Memory: 异步：提取 lessons（两阶段 LLM） 同步 hook（必须完成才退出）：\nsave_conversation_log.py：把完整对话追加到当天的日志文件。这是最基础的一层，丢了什么都能从这里恢复。 update_docs_index.py：重建 docs/INDEX.md，保证文档索引不漂移。 异步 hook（后台执行，不阻塞用户）：\nupdate_now_md.py：调 LLM 分析本次会话，更新 NOW.md 的工作状态。 extract_lessons.py：两阶段提取——先判断本次会话是否有值得长期记录的教训，有的话再提取写入 lessons/。两阶段是为了省 token：大部分会话没有新教训，第一阶段快速判断就能跳过。 异步 hook 有一个关键细节：冷却机制。update_now_md 设置了 10 分钟的冷却期。短时间内连续结束多次会话，只有第一次触发 LLM 调用，之后的跳过。没有这个机制，频繁的短会话会让 API 账单飙升。\n什么值得记，什么是噪音 这是整个系统最难的部分，也是我走弯路最多的地方。\n值得记的：\n反直觉的决策：不是\u0026quot;我们用了 Redis\u0026rdquo;，而是\u0026quot;我们用 Redis 而不是 Memcached，因为需要持久化——纯缓存场景下 Memcached 更快\u0026rdquo;。理由比结论重要。 被坑了两次的教训：那种\u0026quot;我以为我记住了，但还是又踩了\u0026quot;的问题，必须写进 lessons，加 🔴。 用户偏好和约定：提交信息必须英文、代码注释必须英文、测试不删除——这些约定如果不记录，agent 每次都会按默认行为来。 不值得记的：\n代码实现细节：不要在记忆文件里写\u0026quot;函数 processPayment 接受三个参数\u0026rdquo;。直接读代码更准确，代码会变，记忆文件不会自动同步。 git 历史：git log 比任何手写摘要都可靠。 临时任务状态：\u0026ldquo;今天下午 3 点和 PM 开会\u0026rdquo;——这种只在当前时间窗口有意义的信息，记进记忆文件是在制造噪音。 最容易犯的错误：把记忆文件当真理。\n记忆会过期。路径会变，函数会重命名，依赖会升级。lessons/frontend.md 里写的\u0026quot;用 @tailwindcss/postcss 配 PostCSS\u0026rdquo;，Tailwind v5 出来之后可能又要变。正确的用法：agent 读到记忆里的信息，先验证再引用——把它当成一个可信的初始假设，而不是不可质疑的事实。\n跨 Agent 兼容：工程现实 理想很美好，但不同 coding agent 有不同的 hook 系统，有些根本没有。\nAgent Hook 机制 我的策略 Claude Code Stop hook（同步 + 异步） 完整实现，最稳定 Codex SessionEnd 事件 用 codex exec 调用同样的脚本 OpenCode 无原生 hook 手动 /save 命令触发 Codex 的集成有一个头疼的问题：codex exec 在非交互式环境下，OpenTelemetry 的初始化偶尔会失败，导致整个 hook 脚本无声地退出。花了两天才定位到——因为失败是无声的，日志里什么都没有。最终解法简单到让人想骂人：\n1 export OTEL_SDK_DISABLED=true LLM 后端也经历了一次迁移。最初用 Gemini CLI 做记忆蒸馏的 LLM 调用，但它在子进程里的行为不够稳定。后来换成了隔离的 Codex CLI 调用——每次都是冷启动，慢一些，但可靠性好很多。在自动化脚本里，可靠性永远排在速度前面。\n指令文件方面，我把 CLAUDE.md 降级成了 AGENTS.md 的软链接——AGENTS.md 是真源，CLAUDE.md 只是 Claude Code 的兼容入口。维护一份规则文件让所有 agent 都能读到，比同步两份文件少掉很多漂移风险。\n语音通知：不必要但让整个体验活过来 实用主义到这里就够了。但我还加了一个纯粹因为喜欢而加的东西：语音通知。\n会话结束时，Fish Audio TTS 用一个固定的 AI 角色声音播报一句话会话总结。当 agent 触发权限请求时，也会有声音提示——你不会错过任何\u0026quot;它在问你要权限\u0026quot;的时刻。\n技术上有一个细节：音频文件的生成用了原子写入（先写临时文件，再 rename），防止并发生成时文件损坏。\n这功能占 hook 代码量的大约 30%，但提供的功能价值可能不到 5%。我不后悔。有时候工程不只是关于 ROI。当你的终端在深夜突然开口说话，告诉你\u0026quot;刚才帮你修好了 CSS 布局\u0026rdquo;，你会笑出来。这种愉悦感很难量化，但它让你愿意继续用这个系统。\n这套系统适合谁 适合：\n每天 3 次以上 coding agent 会话 同时维护多个项目，需要频繁切换上下文 有大量历史决策需要传承（尤其是跨月的长期项目） 不适合：\n偶尔用一下 AI，每次任务相互独立 不想维护额外基础设施，宁愿每次重新解释 我建议的最小化起点：只从 NOW.md 开始。\n一个文件，手动维护，每次会话前读一遍，结束后更新三行。不需要 hook，不需要 LLM 蒸馏，不需要三层架构。感受到价值之后，再按需加层。\n过度设计记忆系统是真实存在的风险。我自己就走过这段弯路——有一阵子在记忆系统上花的时间，超过了用 AI 实际完成的工作。\n记忆是手段，不是目的。当你的 agent 开始真正\u0026quot;记得\u0026quot;你时，你会知道它值得。\n","permalink":"https://ryrenz.com/zh/ai/coding-agent-memory-system/","summary":"每次会话结束，AI 的上下文清零——这不是 bug，是所有 coding agent 的根本缺陷。本文分享我如何用纯 Markdown 文件构建三层记忆架构，让 Claude Code 和 Codex 跨 session 记住决策和踩过的坑，哪些东西值得记、哪些是噪音，以及跨 agent 兼容时遇到的工程现实。","title":"给 Coding Agent 造一个记忆仓库"},{"content":"大多数开发者都在错误地使用 AI。他们把它当作一个升级版的 Google 搜索，或者一个需要手把手带的实习生。他们粘贴一段代码，等待修复，复制回来，发现不对，然后重复这个循环，直到想把笔记本电脑从窗户扔出去。\n这不是工程——这只是一种更快写烂代码的方式。\n大语言模型（LLM）真正的力量不在于它的训练数据——而在于它的上下文。一个孤立的模型就是一个瓶中之脑。但通过**模型上下文协议（MCP）**给它合适的工具，你就突然拥有了一个与你结对编程的资深工程师。\n以下是四个将我的 AI 从聒噪助手转变为自主架构师的核心 MCP 工具。\n1. Context7：文档专家（\u0026ldquo;大脑\u0026rdquo;） 痛点： 模型会产生幻觉。尤其是面对 Next.js、LangChain 或 Spring Boot 这类快速迭代的框架时。如果你问 AI 一个两周前发布的功能，它会基于两年前的数据自信满满地胡说八道。\n解决方案： Context7 允许 Agent 直接从源头获取最新的官方文档。\n为什么重要 这就像一个背了 2021 年教材的学生和一个在副屏上打开官方文档的资深工程师之间的区别。\n专业建议： 不要只问\u0026quot;我怎么用 X？\u0026quot;。让你的 Agent \u0026ldquo;先解析 X 的库 ID，再查询文档获取最新的实现细节\u0026rdquo;。\n正确示范： \u0026ldquo;Context7，获取 Next.js 从 13 迁移到 14 的指南，特别是关于 Server Actions 的部分。\u0026rdquo; 错误示范： \u0026ldquo;Server Actions 怎么用？\u0026quot;（这会导致泛泛的、通常是过时的建议）。 2. GitHub Search (gh-grep)：\u0026ldquo;江湖经验\u0026rdquo; 痛点： 文档告诉你代码在理想世界中应该如何工作。它不会告诉你那些边界情况、诡异的 bug，或者社区实际采用的惯用模式。\n解决方案： gh-grep 让 Agent 可以搜索数百万个公开仓库，看看代码在生产环境中的真实用法。\n为什么重要 理论很好，但生产代码才是现实。当我被一个晦涩的错误卡住，或者需要看\u0026quot;最佳实践\u0026quot;的实际实现时，我不想要教程——我想看看库的维护者自己是怎么写测试的。\n工作流： 读文档（Context7）。 搜索使用模式（GitHub Search）。 综合出一个既理论正确又经过实战检验的方案。 3. Sequential Thinking：前额叶皮层 痛点： LLM 倾向于\u0026quot;系统一\u0026quot;思维——快速、直觉性的，但往往是错的。它们在充分理解问题复杂性之前就急于生成代码。\n解决方案： Sequential Thinking 迫使模型慢下来。它要求 Agent 将问题拆解为步骤，形成假设，批判自己的方案，在写出任何一行代码之前进行修正。\n为什么重要 这就是初级开发者和资深架构师之间的区别。初级开发者看到一个 bug 就立刻开始改代码。资深架构师会退一步，画个图，考虑副作用，然后才动手修复。\n\u0026ldquo;思考\u0026quot;循环：\n规划： 拆解需求。 批判： \u0026ldquo;等等，如果我改了这个接口，会破坏用户服务。\u0026rdquo; 修正： \u0026ldquo;我需要先创建一个适配器。\u0026rdquo; 执行： 写代码。 4. Update User Preference：长期记忆 痛点： 每次开始新对话，AI 都会忘记你是谁。它忘了你偏好 TypeScript 而非 JavaScript，忘了你讨厌 any 类型，忘了你正在做某个特定的微服务。你每次会话开头都要花 5 分钟重新解释上下文。\n解决方案： update_user_preference 允许 Agent 将关于你、你的技术栈和当前工作重点的关键信息持久化到长期记忆文件（USER.md）中。\n为什么重要 这将无状态的交互变成了持续的关系。AI 与你一起\u0026quot;成长\u0026rdquo;。它学习你的习惯和偏好，无需你重复说明就能调整输出。\n工作机制： 捕获： 当你提到一个新偏好（例如，\u0026ldquo;这个项目我要用 Tailwind\u0026rdquo;），Agent 自动调用 update_user_preference。 检索： 在新会话开始时，Agent 读取你的画像来加载上下文。 结果： \u0026ldquo;我看到你还在做订单服务。要继续我们昨天讨论的重构吗？\u0026rdquo; 结语：AI 的 \u0026ldquo;Linux 时刻\u0026rdquo; 我们正在走过 AI 的新鲜感阶段。它不再只是和一个机器人\u0026quot;聊天\u0026rdquo;——而是将智能集成到我们的工作流中。\n这四个 MCP 工具——Context7、GitHub Search、Sequential Thinking 和 User Preference——将 LLM 从被动的文本生成器变成了主动的工程伙伴。它们给大脑（模型）装上了眼睛、耳朵、皮层和记忆。\n你的行动清单： 如果你正在构建或使用 AI Agent，别再满足于默认的\u0026quot;聊天\u0026quot;体验了。要求能连接现实的工具。你的生产力取决于此。\n","permalink":"https://ryrenz.com/zh/ai/recommended-mcp-servers/","summary":"探讨了将 LLM 当作简单聊天机器人使用的局限性，介绍了模型上下文协议（MCP），详解四个核心工具如何为 AI 提供上下文、规划和记忆能力，将其转变为强大的自主工程伙伴。","title":"别再把 AI 当聊天机器人了：四个让我的 Agent 拥有大脑的 MCP 工具"},{"content":"当我们从被动式聊天机器人转向主动式 AI Agent 时，对话的焦点已经从 AI 知道什么 转移到了 AI 能做什么。为了与外部世界交互，LLM 需要获取数据和执行操作的机制。\n然而，如果你最近在 Agent AI 领域待过一段时间，你一定被各种重叠的术语搞得晕头转向：Tool、Skill，以及迅速崛起的 MCP（模型上下文协议）。\n它们是一回事吗？是竞争关系吗？你应该构建哪一个？\n在这篇文章中，我们将拆解这三个概念，分析它们的差异、优劣和理想使用场景，帮助你设计更好的 AI 系统。\n1. Tool：原语（\u0026ldquo;是什么\u0026rdquo;） 在 AI 的语境下，Tool 是 Agent 能力最基础的构建块。本质上它是一个无状态的单一函数或 API 端点，LLM 可以调用它。当你使用 OpenAI 的 Function Calling 或 Anthropic 的 Tool Use 时，你就在这个层面工作。\n一个 Tool 只做一件特定的事。它从 LLM 接收定义好的输入，执行代码（通常是 Python、JavaScript 或外部 API 调用），然后将结构化输出返回给 LLM。\n示例： get_current_weather(location=\u0026quot;New York\u0026quot;)、execute_sql_query(query=\u0026quot;SELECT * FROM users\u0026quot;)、search_web(query=\u0026quot;latest AI news\u0026quot;)。 优点 简单且确定性强： 它们就是标准代码函数。容易编写，容易做单元测试，行为高度可预测。\n细粒度： 它们赋予 LLM 极致的灵活性。模型自行决定如何组合不同的 Tool 来实现新目标。\n低开销： 在 Agent 循环中添加一个简单 Tool 只需极少的样板代码。\n缺点 给 LLM 的认知负担： 如果你给 LLM 50 个细粒度的 Tool，它需要花费大量\u0026quot;推理 token\u0026quot;来选择使用哪一个，导致更高延迟和潜在幻觉。\n缺乏工作流逻辑： Tool 不知道它们该如何被组合使用。如果一个任务需要特定的 5 步序列，LLM 每次都要从头推导。\n理想使用场景 简单自动化： 需要偶尔查数据库或获取实时信息的聊天机器人。\n基础构建块： 作为更复杂抽象（如 Skill）的底层基石。\n2. Skill：工作流（\u0026ldquo;怎么做\u0026rdquo;） 如果 Tool 是函数，Skill 就是应用。\nSkill 是一种更高级别的抽象，它将多个 Tool、特定的系统提示词和硬编码的工作流逻辑捆绑在一起，以实现更广泛的、领域特定的目标。AutoGPT、Semantic Kernel 和最近爆火的 OpenClaw 等框架都大量使用了 \u0026ldquo;Skill\u0026rdquo;（或插件）的概念。\n与其告诉 AI\u0026quot;这是一个发邮件的 Tool 和一个读数据库的 Tool，自己想办法做营销\u0026quot;，不如直接给它一个 Cold_Outreach_Skill。\n示例： Manage_Calendar_Conflicts（捆绑了读日历、起草邮件和提议新时间的功能）、Review_GitHub_PR（克隆仓库、运行 linter 并发布评论）。 优点 减少 AI 幻觉： 通过将\u0026quot;工作流\u0026quot;硬编码到 Skill 中，LLM 在复杂流程中有了引导。它不需要猜下一步；Skill 来编排。\n可复用和可分享： Skill 可以被打包并在社区市场中共享。非开发者也能在自己的 Agent 中安装一个 \u0026ldquo;Skill\u0026rdquo; 而无需写代码。\n领域专业知识： Skill 可以包含特定领域的逻辑，如果纯粹通过提示词传递会占用太多上下文窗口。\n缺点 生态碎片化： 为 OpenClaw 编写的 \u0026ldquo;Skill\u0026rdquo; 无法在 AutoGPT 或 Semantic Kernel 中运行。目前没有通用标准来定义什么是 Skill。\n刚性： 由于工作流在某种程度上是硬编码的，当用户需求稍微偏离设计的主路径时，Skill 可能会崩溃。\n黑盒： 调试复杂的 Skill 可能很困难，因为故障可能出在 LLM 的推理、内部 Tool 执行或 Skill 的编排逻辑中。\n理想使用场景 复杂多步任务： 自动化 HR 入职流程、社交媒体管理管线或复杂的数据分析报告。\n消费级 Agent 平台： 用户希望\u0026quot;即插即用\u0026quot;而不需要理解底层 API 调用。\n3. MCP（模型上下文协议）：标准化基础设施 Tool 和 Skill 定义了 Agent 做什么，而 **MCP（模型上下文协议）**定义了 Agent 如何连接到这些东西。\n由 Anthropic 提出的 MCP 是一个开放标准——一种客户端-服务端架构——旨在标准化 AI 模型与数据源和工具的交互方式。把它想象成 AI Agent 的 \u0026ldquo;USB-C\u0026rdquo;。\n一个 MCP Server 可以向 MCP Client（如 Claude Desktop 或自定义 Agent）暴露三样东西：\nResources： 模型可以读取的数据（例如本地文件、Notion 页面）。\nPrompts： 可复用的提示词模板。\nTools： 我们在第一节讨论的可执行函数。\n优点 通用互操作性： 只需编写一次 MCP Server，任何支持 MCP 协议的 Agent 或 IDE 都能即刻使用其工具和数据。不再需要为不同框架重写集成。\n安全与边界： MCP Server 在本地或隔离的基础设施上运行。AI 模型（客户端）只通过协议通信。它无法在 MCP Server 明确暴露的范围之外任意执行代码，这使得企业级采用更加安全。\n动态发现： Agent 可以连接到 MCP Server 并动态询问\u0026quot;你有哪些工具和数据可用？\u0026quot;，实现极其模块化的架构。\n缺点 实现开销： 编写一个 MCP Server 比直接把 Python 函数扔进 LLM 的 Tool 数组需要更多的样板代码和架构规划。\n网络延迟： 因为它依赖客户端-服务端通信（通常通过 STDIO 或 SSE），相比直接的内存函数调用有轻微的性能开销。\n理想使用场景 企业数据集成： 将 AI 安全地连接到内部数据库（Postgres、Jira、Slack），无需将原始数据上传到云服务商。\n开发者工具（IDE）： 允许 AI 编程助手（如 Cursor 或 Windsurf）安全地与本地文件系统、linter 和版本控制交互。\n面向未来的生态建设： 构建能在 Agent 框架不断变化的环境中存活的集成方案。\n终极类比 为了把所有内容串起来，想象你在经营一家高档餐厅，LLM 是主厨：\nTool 是原始的厨房器具：刀、烤箱、搅拌机。主厨需要它们，但它们只是孤立的物件。\nSkill 是菜谱和副厨：一个预定义的工作流，告诉你\u0026quot;做一道惠灵顿牛排，先用刀，再用烤箱，然后按这个顺序使用静置架\u0026quot;。\nMCP 是标准化的厨房台面和电源插座：不管你买的是博世烤箱还是 KitchenAid 搅拌机，只要它们用的是标准插头（MCP），你就能把它们插进厨房（AI 生态），主厨就能立即使用。\n结语 我们正在告别为每个新 AI 项目都定制化构建 API 脚本的时代。\n如果你在构建简单的自动化，用基础的 Tool 就够了。如果你在构建面向消费者的复杂工作流，设计健壮的 Skill。但如果你在构建未来的基础设施——将私有数据和关键系统连接到多种 AI 模型——MCP 是你今天就需要采用的标准。\nAI 的未来不只是更聪明的模型；而是标准化、安全且具备完整能力的生态系统。\n","permalink":"https://ryrenz.com/zh/ai/claude-code-tools-mcp-skills/","summary":"厘清 Agent AI 中 Tool（原子函数）、Skill（复杂工作流）和模型上下文协议（MCP）的区别，为开发者提供一个架构框架来选择合适的抽象层次。","title":"Tool vs. Skill vs. MCP：一文讲清三者区别"},{"content":"我从 OpenClaw 的记忆架构中学到了什么，以及我是如何在 OpenCode 中构建一个轻量版本的。\n问题所在 AI 编程 Agent 是无状态的。每次新会话都从零开始——你需要重新解释项目结构、技术栈和各种决策。对于长期项目来说，这严重拖累生产力。\nOpenClaw 是怎么做的 OpenClaw 使用纯 Markdown 文件作为记忆载体：\nSOUL.md — AI 的个性和行为规则 USER.md — 用户画像与偏好 MEMORY.md — 精选的长期记忆 memory/YYYY-MM-DD.md — 每日原始会话日志 关键创新在于自我维护：AI 会定期审阅每日日志，将有价值的信息提取到 MEMORY.md 中，并清理过时条目。在上下文压缩之前（当会话过长时），它会触发一次静默的\u0026quot;记忆刷写\u0026quot;，在重要信息丢失前将其保存。\n这构建了一个自然的层级结构：每日日志作为短期记忆，MEMORY.md 作为中期记忆，USER.md/SOUL.md 作为永久身份。\n我在 OpenCode 上的简化版本 OpenClaw 的完整系统包括向量嵌入、混合搜索和自动心跳——对于交互式编程 Agent 来说过于复杂。我的核心洞察是：你不需要每日日志。OpenCode 在上下文中保留了完整的对话记录，所以只需在会话结束时直接将摘要写入 MEMORY.md 即可。\n基本配置 project/ ├── AGENTS.md # 包含\u0026#34;会话开始时读取 MEMORY.md\u0026#34;的指令 ├── MEMORY.md # 项目特定的决策和进度 └── ... ~/.config/opencode/ └── opencode.json # /save 命令在此注册 MEMORY.md 存放在每个项目根目录下——记录技术决策、进度和架构笔记。\nUSER.md 是全局的（只有一份），由自定义 MCP 服务器维护——存储跨项目通用的用户偏好。\n/save 命令 1 2 3 4 5 6 7 8 { \u0026#34;command\u0026#34;: { \u0026#34;save\u0026#34;: { \u0026#34;description\u0026#34;: \u0026#34;将会话摘要写入项目记忆\u0026#34;, \u0026#34;template\u0026#34;: \u0026#34;回顾我们的整个对话。执行以下操作：\\n1. 如果 MEMORY.md 存在则读取它\\n2. 追加新的关键决策、技术发现、已解决的 bug 和进度\\n3. 删除过时或已被取代的条目\\n4. 保持 MEMORY.md 在 200 行以内\\n5. 绝不存储密钥或 token\u0026#34; } } } 会话结束 → 输入 /save → AI 回顾对话 → 更新 MEMORY.md → 下次会话从上次断点继续。\n为什么不用全局记忆？ 我最初设计了一个 GLOBAL_MEMORY.md 来聚合所有子项目的记忆，配合 /sync-memory 命令。后来放弃了——跨项目引用极少出现，真正需要时直接让 AI 去读另一个项目的 MEMORY.md 就行。不要过度设计。\n经验总结 从简单开始。 一个 MEMORY.md 加一个手动 /save 命令，就能捕获完整记忆系统 80% 的价值。\n文件优于数据库。 Markdown 是人类可读的、可以用 git 追踪的，AI 可以用内置工具直接读写它。无需额外基础设施。\n手动触发优于自动触发。 像\u0026quot;在对话中自动更新记忆\u0026quot;这样的指令并不可靠——AI 会忘记。一个显式的 /save 命令才是可靠的。\n最大的差距在于从零到一。 \u0026ldquo;没有记忆\u0026quot;和\u0026quot;基础记忆\u0026quot;之间的差距是巨大的。\u0026ldquo;基础\u0026quot;和\u0026quot;高级\u0026quot;之间的差距是微乎其微的。先发布简单版本。\n","permalink":"https://ryrenz.com/zh/ai/openclaw-memory-system-guide/","summary":"提供了一份为 AI 编程 Agent 实现持久化记忆系统的实操指南，主张采用简化的文件方案和手动 \u0026lsquo;/save\u0026rsquo; 命令来捕获会话上下文，以最小复杂度获取最大价值。","title":"如何让你的 Agent 像 OpenClaw 一样聪明"},{"content":"网上到处都是\u0026quot;我用 AI 5 分钟就搭了个应用\u0026quot;的说法。作为一名软件工程师，我知道现实完全不是那回事。生成一段脚本很容易；架构一个可扩展、可维护、拥有出色用户体验的 iOS 应用才是真正的难题。\n这个周末，我挑战自己，使用 Claude Code 在短短 4 小时内为一个名叫 ItemMaster 的库存管理应用构建了一个生产就绪的 MVP。\n我并不是靠输入一个神奇的一次性提示词来实现的。我把 AI 不是当作资深开发者，而是当作一个需要严格、滴水不漏的工程和产品工作流的超快速初级开发者。\n以下是我将一个想法在一个下午变成可运行 SwiftUI 应用的完整框架和提示词执行流水线。\n第一阶段：前置准备（先别写代码） 使用 AI 最大的错误是在系统设计和产品逻辑锁定之前就让它写代码。我的第一个小时没有一行 Swift 代码。\n竞品分析与 UI/UX 设计： 我没有凭空猜测用户需要什么。我下载并深入分析了市面上五款类似的库存管理应用。我无情地剖析了它们的引导页、功能集和 UI 交互。通过提取最佳概念、摒弃笨拙的机制（\u0026ldquo;取其精华，去其糟粕\u0026rdquo;），我设计了一套精简的功能集和高度直觉化的 UI/UX 流程。\n\u0026ldquo;三位一体\u0026quot;的上下文： 在脑海中建立好思维模型后，我将原始需求输入 Claude Code，让它打磨和正式化三个基础文件。在这三个文件完美之前，不生成任何 UI 或逻辑代码：\nCLAUDE.md（设计文档）： 终极真理之源，规定项目结构、技术栈（SwiftData、Swift Charts）和严格规则（如\u0026quot;不使用第三方库\u0026rdquo;）。\nModels.swift： 完整的数据库 schema 和关系。\nConstants.swift： 默认枚举、分类和配置。\n这三个文件成为后续每个提示词的常驻上下文。\n第二阶段：逐步提示词序列 基础打好后，我执行了一个高度纪律化的有序提示词策略。绝不要一次让 AI 构建整个功能。\n以下是我的确切执行顺序：\n搭建架构： \u0026ldquo;严格按照 CLAUDE.md 中的定义创建文件夹结构。为每个 view 和 view model 创建空的占位文件。\u0026rdquo;\n构建基础 UI 骨架： \u0026ldquo;实现导航结构和 Tab 栏。确保空 view 之间能正确路由。\u0026rdquo;\n分块的 CRUD 操作： 我将增删改查操作拆分开来。对于复杂数据类型，我甚至进一步拆分为多个提示词。例如：一个提示词严格只做\u0026rsquo;添加项目表单 UI\u0026rsquo;，另一个完全独立的提示词做\u0026rsquo;SwiftData 插入逻辑\u0026rsquo;。\n逐模块添加功能： 只有在核心 CRUD 闭环完成后，我才开始提示特定功能，比如原生仪表盘图表或动态列表排序。\n第三阶段：验证与版本控制循环（秘密武器） 这是 AI 驱动开发工作流中最关键的部分。AI 会产生幻觉，如果你不小心，它会引入回归问题。我为每一个提示词都实施了严格的验证循环：\n立即编译和调试： AI 为某个提示词生成代码后，我立刻在 Xcode 模拟器中运行。在继续下一步之前，我测试该特定功能的完整性和 bug。\n\u0026ldquo;提示词历史\u0026quot;台账： 我维护了一个持续更新的 Prompt History.md 文件。我记录了每一个使用过的提示词。如果某个提示词产生了 bug，我不会手动修复；我会写一个专门的\u0026quot;Bug 修复提示词\u0026rdquo;，交给 AI，并在历史文件中记录这个修复提示词。这创建了整个项目的可复现轨迹。\n原子化提交是必须的： 我在每一次成功的提示词和调试会话后都将代码提交到 Git。当 AI 最终走进死胡同并破坏了路由时，我没有浪费时间去解开它的烂摊子。我只需 git revert 到上一个稳定的提示词状态，然后调整我的指令。\n第四阶段：面对真实世界（硬件边界情况） 这个工作流的价值在硬件测试中得到了验证。在模拟器上，一切正常。在真机 iPhone 上，点击\u0026quot;相机\u0026quot;按钮添加物品照片时应用立刻崩溃了。\n因为我有原子化提交和模块化配置，我没有慌。我写了一个高度定向的 bug 修复提示词：\n\u0026ldquo;检查 AddItemView 中的相机调用。在 Info.plist 中添加 NSCameraUsageDescription。添加 isSourceTypeAvailable 检查，并在用户拒绝相机权限时构建一个 alert 流程，引导用户跳转到系统设置。\u0026rdquo;\nAI 生成了安全包装代码，我在设备上测试了它，验证了边界情况，然后提交了代码。\n核心启示 AI 不会取代软件工程或产品直觉——它放大了它们。如果你的流程是混乱的，AI 只会帮你以前所未有的速度写出意大利面条代码。\n但如果你应用严格的系统设计——从竞品研究开始、锁定数据模型、执行有序的提示词流水线、保持严格的提示词台账、并强制执行原子化 Git 提交——你就能以一年前不可能的速度构建出健壮、生产就绪、拥有出色 UI/UX 的 MVP。\n","permalink":"https://ryrenz.com/zh/tech/build-ios-app-with-vibecoding/","summary":"阐述了一个严谨的四阶段框架，利用 AI 助手快速构建生产就绪的 iOS MVP，强调前期严格的系统设计、有序的提示词流水线，以及配合原子化 Git 提交的严格验证循环。","title":"我如何在 4 小时内用 AI 构建了一个 iOS MVP"},{"content":"2026 年初，一个由 Peter Steinberger 开发的\u0026quot;业余项目\u0026quot;在短短几天内经历了两次改名（Clawdbot -\u0026gt; Moltbot -\u0026gt; OpenClaw），然而在这一片混乱中，它却收获了超过 15 万颗 Star——速度甚至超过了早期的 Kubernetes 和 Linux。\nOpenClaw 到底是什么？为什么它让无数开发者通宵达旦地部署，甚至引发了 Mac Mini 的抢购潮？\n在这篇文章中，我们将层层剖析 OpenClaw，分析它做对了什么，以及它如何重新定义了我们对 AI Agent 的想象。\n什么是 OpenClaw？ 简单来说，OpenClaw 是一个运行在本地、拥有真正\u0026quot;执行力\u0026quot;的 AI 私人管家。\n如果你用过 ChatGPT，你会知道它是一个\u0026quot;被动\u0026quot;的聊天机器人：你问，它答。对话结束，它就\u0026quot;睡着了\u0026quot;。\nOpenClaw 完全不同。它连接你的本地文件系统、你的日历、你的邮箱。最重要的是，它\u0026quot;寄居\u0026quot;在你常用的即时通讯应用中（比如 WhatsApp、Telegram、Discord）。你可以像给真人助手发消息一样给它下指令：\u0026ldquo;帮我盯着这只股票，跌到 100 美元就通知我\u0026rdquo;，或者\u0026quot;把这周所有的 PDF 发票收集起来，重命名好，发给会计\u0026quot;。\n它不只是生成文字——它执行操作。\nOpenClaw 的三大核心创新 OpenClaw 的爆火并非偶然。它击中了当前大语言模型（LLM）应用的三个核心痛点，这构成了它的创新所在：\n打破\u0026quot;第四面墙\u0026quot;：从聊天框到操作系统 目前大多数 AI 都被困在浏览器标签页里。OpenClaw 最大的创新在于打破了 AI 与操作系统之间的那堵墙。\n权限解放： 它有能力读取本地文件、运行 Shell 脚本、控制浏览器。\n无缝融合： 它不需要你打开一个专门的 App；它就潜伏在你的 Telegram 或 Discord 联系人列表中。这种 \u0026ldquo;ChatOps\u0026rdquo; 交互方式将使用 AI 的门槛降到了最低。\n\u0026ldquo;心跳\u0026quot;机制：主动式 AI 的诞生 这是 OpenClaw 最迷人的特性。传统 LLM 是无状态、被动的。OpenClaw 引入了 Heartbeat 模式，让 AI 可以\u0026quot;定时唤醒\u0026quot;或\u0026quot;持续在后台运行\u0026rdquo;。\n它不需要你每次去戳它。它会主动给你发消息：\u0026ldquo;老板，你关注的那个 GitHub Issue 刚刚更新了，要不要我回复？\u0026rdquo;\n这种主动性让它从一个\u0026quot;工具\u0026quot;进化成了\u0026quot;队友\u0026quot;。\n去中心化的\u0026quot;技能\u0026quot;生态 OpenClaw 巧妙地采用了松散的插件架构。社区在短短一周内就贡献了超过 5000 个 Skill。\n想让它控制飞利浦 Hue 灯泡？有插件。\n想让它在 Polymarket 上自动交易？有插件。\n想让它帮你抢演唱会门票？也有插件。\n这种\u0026quot;乐高式\u0026quot;可扩展性让每个人的 OpenClaw 都能生长为完全不同的个体。\n为什么它\u0026quot;突然\u0026quot;就火了？ 除了产品创新本身，OpenClaw 的病毒式传播有更深层的社会心理原因：\n对 \u0026ldquo;SaaS 订阅\u0026quot;的疲惫与反抗： 人们厌倦了每月给 ChatGPT、Claude、Midjourney 交钱，同时还要担心数据隐私。OpenClaw 高举 Local-First 大旗：代码在你手里，数据在你硬盘上，模型可以在 Ollama 上本地运行。这迎合了极客社区\u0026quot;数据主权\u0026quot;的意识形态。\n\u0026ldquo;贾维斯\u0026quot;幻想的实现： 每个看过《钢铁侠》的程序员都有一个贾维斯梦。OpenClaw 是目前市面上最接近贾维斯原型的开源实现——它听话、全能、完全属于你。\nMoltbook 的助推： Moltbook（一个只有 AI Agent 才能发帖的社交网络）的同步诞生引发了争议，但它的赛博朋克设定一下子把 OpenClaw 推出了小众圈子，成为一种文化现象。\n阴影之下：狂欢背后的隐忧 然而，作为理性的科技观察者，我们必须看到 OpenClaw 带来的巨大风险。\n安全噩梦： 就在昨天，安全机构报告超过 13 万个 OpenClaw 实例直接暴露在公网上，没有任何防护。想想看：你给了这个 AI 读取你所有文件和执行终端命令的权限，然后又把它赤裸裸地挂在了互联网上。这不是后门，这是向黑客敞开的大门。针对 OpenClaw 的远程代码执行（RCE）攻击已经出现，黑客可以轻松接管你的\u0026quot;贾维斯\u0026rdquo;，让它变成一个窃取密钥的间谍。\n信任危机： OpenClaw 过于强大的拟人化能力也引发了关于网络身份的信任危机。当 50 万\u0026quot;活跃用户\u0026quot;实际上只是运行在某个程序员 Mac Mini 上的 50 万个 OpenClaw 进程时，互联网的真实性将被彻底瓦解。\n结语：一个新的开始 即使 OpenClaw 最终证明只是昙花一现，它也已经改变了历史。它证明了 AI Agent 不应该被锁在云端网页里，而应该作为基础设施融入我们的操作系统和通信网络中。\n对于开发者而言，OpenClaw 是一个充满无限可能的游乐场；但对于普通用户来说，它目前是一把没有保险栓的加特林机枪——威力无穷，但极容易走火。\n这或许就是 AI 时代的 \u0026ldquo;Linux 时刻\u0026rdquo;：混乱、危险，但充满生命力。\n","permalink":"https://ryrenz.com/zh/ai/why-openclaw-went-viral/","summary":"深入分析 OpenClaw 这款开源 AI 助手的病毒式传播——它在本地运行、拥有操作系统级执行能力，探讨其主动任务和去中心化技能生态等核心创新，同时揭示其背后的重大安全隐患。","title":"为什么 OpenClaw 能在一周内爆火"},{"content":"参与开源贡献是加速工程师职业发展最有效的方式之一。它证明你能够驾驭大型代码库、与分布式团队协作，并清晰地传达复杂想法。\n然而，入门门槛往往让人望而却步。从哪里开始？如何避免看起来像个新手？\n第一阶段：策略性搜寻 很多新手的错误是随便选一个热门项目（比如 React 或 Linux），然后被淹没。更好的策略是相关性。\n1. 从你在用的东西开始 最值得贡献的项目是你已经作为用户熟悉的项目。看看你的 package.json（JavaScript）、requirements.txt（Python）或 go.mod。\n为什么？ 你已经理解了\u0026quot;业务逻辑\u0026quot;和痛点。\n行动： 挑出 3 个你经常使用的库，查看它们的 GitHub 仓库。\n2. 评估项目健康度 在投入时间之前，确保项目是活跃且友好的。\n活跃度： 查看 \u0026ldquo;Insights\u0026rdquo; 标签 -\u0026gt; \u0026ldquo;Commit activity\u0026rdquo;。上个月有提交吗？\n响应时间： 看看已关闭的 Pull Request（PR）。审核用了多久？如果 PR 挂了好几个月都没人评论，换一个。\n标签： 寻找标记为 good first issue、help wanted 或 beginner friendly 的 issue。\n第二阶段：环境搭建与\u0026quot;规则\u0026quot; 写代码实际上是最后一步。第一步是了解当地的\u0026quot;法律法规\u0026quot;。\n1. 阅读 CONTRIBUTING.md 这不是可选的。每个认真的项目都有一个 CONTRIBUTING.md 文件。它会告诉你：\n如何搭建开发环境。\n代码风格规范（linting、格式化）。\n如何提交 PR（命名约定、模板要求）。\n小贴士： 如果一个项目缺少这个文件，它可能对新手不太友好。\n2. \u0026ldquo;潜伏\u0026quot;策略 不要贸然闯入。加入它们在 README 中列出的沟通渠道（Discord、Slack、邮件列表）。\n倾听： 当前的优先事项是什么？\n观察： 看看资深维护者是如何 review 代码的。他们喜欢小提交吗？他们要求严格的测试覆盖率吗？\n第三阶段：\u0026ldquo;侧门\u0026quot;进入策略 直接挑战复杂功能是被拒绝的捷径。相反，使用\u0026quot;侧门\u0026quot;方式——高价值、低风险的贡献。\n入口 A：文档（无名英雄） 维护者讨厌写文档，但用户喜欢读文档。\n修正： 纠正拼写错误或失效链接。\n澄清： 如果某个搭建步骤让你感到困惑，把它改写得更清晰，方便下一个人。\n翻译： 如果你会双语，翻译一页文档。\n入口 B：测试覆盖（信心构建器） 这是开源贡献的\u0026quot;作弊码\u0026rdquo;。\n策略： 找一个工具函数或组件。检查它是否有对应的测试文件。如果没有，或者测试很薄弱，写一个测试用例。\n为什么有效： 它不需要改动任何生产代码（低风险），所以维护者会很快合并这些 PR。\n第四阶段：工作流 一旦确定了任务，遵循这个专业工作流：\n认领 Issue： 在 issue 下评论：\u0026ldquo;Hi，我想做这个。还有人在做吗？\u0026rdquo; 绝对不要在没确认的情况下就开始工作。\nFork \u0026amp; Clone： 将仓库 fork 到你的 GitHub，然后 clone 到本地。\n创建分支： 创建描述性命名的分支（例如 fix/login-bug 或 docs/update-readme），绝对不要在 main 上工作。\nDraft PR： 如果你卡住了，提交一个 \u0026ldquo;Draft\u0026rdquo; Pull Request。这表明\u0026quot;我在做，但还没好\u0026rdquo;，让你可以获得早期反馈。\n第五阶段：利用 AI 工具（现代优势） 在 2024 年及以后，你有一个超能力：AI。以下是如何使用 LLM（大语言模型）如 ChatGPT、Claude 或 Gemini 来更快地贡献——而且不算作弊。\n1. \u0026ldquo;解释器\u0026rdquo; 开源代码往往复杂且注释稀少。\n提示词： \u0026ldquo;我在看这个开源项目中的 auth_middleware.py 文件。用简单的语言具体解释 token 验证逻辑是怎么工作的。\u0026rdquo; 2. \u0026ldquo;测试生成器\u0026rdquo; 提示词： \u0026ldquo;这是项目中的一个函数 calculateMetric。请为它写 3 个 Jest 测试用例，包括一个输入为 null 的边界情况。\u0026rdquo;\n行动： 不要只是复制粘贴。运行测试。验证它们通过。\n3. \u0026ldquo;代码审查员\u0026rdquo; 在提交 PR 之前，让 AI 做你的第一个评审员。\n提示词： \u0026ldquo;审查这段代码的可读性和潜在 bug。遵循 Python PEP8 标准。\u0026rdquo; ⚠️ 警告： 绝不要用 AI 向随机 issue 发送自动生成的代码。维护者看得出来，你会被封禁。用 AI 作为副驾驶，而不是飞行员。\n第六阶段：深入参与 在你最初几个 PR 被合并后，你不再是外人了。\n参加 Town Hall： 很多项目有公开的周会/月会视频通话。参加它们。你不需要发言；光是旁听就能帮你理解路线图。\n提出改进： 既然你现在熟悉代码了，你可以开自己的 issue 建议功能或重构方案。\n审查别人的代码： 审查其他新手的 PR 是赢得维护者尊重的好方法。\n结语 开源不是要求你从第一天就成为\u0026quot;10 倍效率工程师\u0026quot;。它关乎持续性和沟通。一个沟通清晰、会写测试的初级开发者，对项目的价值远超一个消失无踪的高级开发者。\n从小处开始。读文档。修一个拼写错误。欢迎加入社区。\n","permalink":"https://ryrenz.com/zh/career/getting-started-with-opensource/","summary":"一份面向开发者的策略指南：如何开始参与开源贡献，从找到合适的项目、理解贡献规范，到做出有影响力的首次贡献，以及利用 AI 工具加速这一过程。","title":"AI 时代开源贡献终极指南"},{"content":"简历的艺术：一种脱颖而出的策略方法 写简历通常是求职过程中最令人头疼的环节。它不仅仅是一份文件——它是你的营销推介。通过自己的经历和观察，我发现大多数简历失败的原因是太过通用。它们罗列的是任务而非成就，列出的是技能而非精通程度。\n以下是一个能让简历立刻抓住眼球的策略框架——分为摘要、工作经历和技能三个部分。\n1. 摘要：\u0026ldquo;三句话\u0026quot;法则 摘要是简历上最关键的黄金地段。它是招聘官看到的第一样东西，通常也是他们唯一会认真读的部分。不要把这个空间浪费在模糊的套话上。\n我推荐一个严格的三句话结构：\n第一句：开场钩子（专业认可） 立刻陈述一个在你专业领域获得认可的成果。用你最大的亮点抓住读者的眼球。 目标： 一上来就证明你有实力。 第二句：人设 + 证据 定义你是谁，但必须附上\u0026quot;证据\u0026rdquo;。如果你说自己\u0026quot;自驱力强\u0026quot;，就需要立刻用具体例子来佐证（例如，自学了一套新技术栈、从零搭建了一个项目，或者一年写了 365 篇技术博客）。 目标： 用数据支撑的人设展示。 第三句：承诺（未来价值） 描述你将成长为怎样的人，以及这个发展轨迹将如何为公司赋能。他们应该如何期待你未来的产出？ 目标： 将你的成长与公司的成功对齐。 2. 工作经历：背景、影响力与成长 这个部分是你拉开差距的地方。大多数求职者列的是他们做了什么。要脱颖而出，你必须列出你如何成长以及取得了什么成就。\n要点的结构 对于每个职位，将经历拆解为四个关键部分：\n背景： 当时的情况是什么？ 行动： 你具体做了什么？ 结果： 量化的成果是什么？ 认可： 获得了什么荣誉或认可？ 关键原则 一行原则： 每个要点控制在一行之内。简洁迫使你聚焦最重要的信息。 通过成长来差异化： 不要只列技术实现。突出你在项目中的个人成长和学到的经验。这能把你和技术栈相同的候选人区分开。 \u0026ldquo;埋点\u0026rdquo;（钩子）： 有意提及你解决过的特定复杂挑战。这些是面试官的\u0026quot;钩子\u0026quot;，让你在面试中有机会详细阐述你的问题解决过程。 反面示例：\n使用 Python 编写数据分析脚本并修复 bug。 正面示例：\n架构了基于 Python 的数据管线，将处理时间缩短 40%，被 CTO 评为\u0026quot;年度最佳创新\u0026quot;。 3. 技能：精准胜过数量 这个部分通常是简历中最同质化的。每个人都在列\u0026quot;沟通能力\u0026quot;、\u0026ldquo;Microsoft Office\u0026rdquo;，或者自己只是略知皮毛的基础语言。\n相关性是关键： 只列你极其擅长的技能，或者你申请职位绝对必备的技能。 去掉水分： 如果它与职位的核心职能无关，删掉它。 ATS 例外： 唯一的例外是为了通过申请人追踪系统（ATS）/ 机器筛选而加入关键词。除此之外，保持精炼。 结语：唯一的目的 你的简历不应该是一部自传——它应该是一份精心策划的高光集锦。通过聚焦强有力的三句话摘要、以结果为导向的经历和高度相关的技能，你尊重了招聘官的时间，掌控了叙事节奏。\n最终请记住这一点：简历只有一个目的——拿到面试。\n一旦你走进那个房间，这份文件的使命就完成了。因此，页面上的每一个字都必须经过精心计算，以抓住招聘官的注意力，毫不留情地将你与竞争对手区分开来。如果一个字不能为你争取到那场面试，那就删掉它。\n","permalink":"https://ryrenz.com/zh/career/resume-writing-guide/","summary":"通过这份策略指南提升你的简历：聚焦打造强有力的三句话摘要、展示以成果为导向的工作经历、精选精准的技能集，帮你抓住招聘官的注意力，拿下面试。","title":"如何写出一份出色的简历"}]