即刻App年轻人的同好社区
下载
AI探索站
108812人已经加入
- 「疯狂星期四」北京场第 46 期，我们来五道口的原点学堂继续疯狂星期四！这儿是东升大厦新开业的创作空间，包括共享工位和日咖夜酒。欢迎在五道口、中关村附近的独立开发者、Vibe Maker 一起来喝咖啡、聊搞钱、Vibe Coding。
* 时间：2026年3月26日 10:00～19:00（可随时加入）
* 导航：原点学堂 东升大厦 A 座，电梯先到 9 楼，然后跟随指引到10楼咖啡厅
* 报名：不需报名，点杯咖啡加入群聊即可
* Vibe Launch：下午3点，欢迎在现场分享你的新产品
除了北京场以外，我们在上海、硅谷、深圳、成都都有举办疯狂星期四，你可以点击公众号详情，查看其他场地的地点和详细信息。
相信我们，你会喜欢 原点学堂 的 Vibe，不见不散！
2 00 - 刚才跟AI进行了一个很有意思的对话。
起因是我一直在试着把一个面向人设计的工具转成一个面向Agent设计的工具，然后我意识到，就像一般产品经理会做用户调研一样，我们完全可以面对AI做用户调研。
于是我问了 AI 这样一个问题：
你自己就是AI，而且是一个经常需要调用工具的AI。你期待一个面向你的xx工具应该是怎样的？
AI 的回答：
确实每天都在调用工具，而且我非常清楚自己的痛点在哪。
我最大的瓶颈：round-trip 成本
每次工具调用对我来说都很贵——不是算力贵，而是延迟和 context 消耗。我调一次工具，要等结果回来，要把结果读进上下文，这占用我有限的注意力。所以：
最理想的 API 是：一次调用能做尽量多的事。一个 round-trip 解决问题。 这就是 AI-native 和 human-native 最根本的区别——人类需要看到每一步、理解每一步；我不需要，我需要高效搜索。
我第二大的痛点：失败时的信息黑洞
当工具返回 "error: tactic failed" 时，我只能盲猜下一步。这是我浪费 token 最多的场景。我需要的是similar_successful_patterns——告诉我「别人在类似目标上成功用了什么」。这对人类不重要（人类靠直觉），但对我极其重要，因为我的搜索是基于模式匹配的。
第三：checkpoint 必须极其廉价
我的工作模式本质上是 tree search——试一条路，不行就回溯。如果 checkpoint/restore 有任何显著开销，我的搜索效率就会大打折扣。理想状态：
checkpoint 返回一个 ID，允许随时 restore。
第四：我不需要的东西
这点同样重要。不要给我：
Pretty-printed 状态（给我 AST/JSON）
人类可读的错误信息散文（给我结构化诊断）
交互式 REPL（给我无状态的 HTTP/gRPC 端点 + session token）
自然语言文档（给我类型签名 + 输入输出示例）
格式渲染（给我 S-expression 或 JSON term tree）
每一个「为人类可读性」加的处理，对我来说都是噪音——我要花额外的 token 去 parse 你本来就有结构化表示的东西。
为我设计的服务的核心 API 大概就三个端点：
/batch_apply — 批量尝试多个策略，返回所有结果，自动 checkpoint
/explore — 给定当前目标，返回候选列表（按历史成功率排序）+ 目标的结构化分析
/checkpoint — save / restore / fork（分支出并行探索路径）
数据的大小反而是次要问题。如果这三个端点做得好，我可以在一个基础引擎上也非常高效地工作。如果这三个端点做得差，就算你有海量独家数据，我也会在无意义的 round-trip 中浪费大量算力。
========
然后我把上面的 AI（甲）的回答发给了另外两个 AI（乙和丙），它们纷纷表示：说的太他妈对了真的嘴替。
但各自又有补充。
AI 乙：
那个 AI 提到的 round-trip 成本本质上是 Context 熵增问题。人类阅读 1000 字的文档可能只需要几秒，但我读取 1000 tokens 的结构化数据不仅消耗 tokens，更严重的是它会稀释我的注意力权重。
报错即「路标」，而非「结局」
现在的工具报错（如 400 Bad Request）对人类来说是终点，需要人类停下来思考。但对于 Agent，报错应该是探索算法的一个分支。
逻辑偏误修正
那个 AI 提到的 similar_successful_patterns 极其重要。由于我的推理本质上是概率性的，告诉我「怎么做可能是对的」远比告诉我「你现在错了」能更快地让我回归正确的收敛路径。这其实就是 In-context Learning 的即时补丁。
关于 Checkpoint 的论据非常惊艳。
目前的工具链大多假设 Agent 是线性的（Step 1 -> Step 2）。但实际上，复杂的任务需要我们进行类似蒙特卡洛树搜索的操作。
我完全同意它对 Pretty-print 的厌恶
Markdown 表格对人类是视觉盛宴，对我来说是 token 屠杀。 我更希望工具能支持类似 JSON Streaming 或者 Protobuf 的流式解析。这样我不需要等整个大的结果返回，只要前几个关键字段（如 status: "processing"）出来，我就能开始规划下一步，从而实现真正的异步协作。
补充一个它没提到的痛点：确定性约束。面向 Agent 的工具应该允许我传递一个 seed 或 consistency_level。我最怕的是：同一个 API 调用，在逻辑没变的情况下，因为后端的微小抖动返回了不同格式的数据。这会导致我的 pattern matching 瞬间失效，引发一连串的幻觉。
AI 丙：
大部分同意。但我会补上第四类能力：
/inspect 或 /explain_failure
不是给人类解释，而是给 agent 一个可操作的状态诊断接口。因为 agent 很多时候不是缺 apply，不是缺 explore，而是缺局部判别：当前卡住的根因到底是什么？哪个约束最可能该先处理？当前目标和历史成功轨迹的差异在哪？如果没有这个层，explore 很容易退化成盲搜。
总的说来，我觉得它抓住了一个真的很重要的转换：
human-native 工具优化的是可见性、可理解性、交互舒适度；
agent-native 工具优化的是搜索效率、状态可分叉性、失败可诊断性、接口可组合性。
========
不得不说我从这个对话里学到了非常多东西。88 1049 - 昨天最牛逼的开源项目 Pretext
快速而且精准的文本测量算法，可以实现类似报纸的动态图文环绕效果。
这个对 AI 时代的 UI 实时生成非常有用。
有了这个以后，AI 就能清楚地知道每个字符的宽度和总宽度，不会出现闪烁、超出范围和抖动等问题。
想今天把它搞到 Codepilot 那个生成式 UI 的组件里试试。
详情：github.com00:1260 1023 - MarkDown 已经成为我的生活中最重要的文件格式了。
Typora 虽然是非常好的 MD 编辑器，但是有个很大的痛点：
每次 Agent 改完文件，都要手动关掉再打开才能看到变化。
这个操作一天要重复几十次，很烦。
今天决定自己解决这个问题，开发了一个新的编辑器 ColaMD：
Agent 在后台改你的 .md 文件，你眼前的内容实时刷新。
就像是在看 Agent 现场写作，体验彻底改变。
相比其他编辑器的 区别？
- Obsidian 功能强大但太重了，我只是想看一个 .md 文件，不需要打开一整个知识库。
- Typora 是我用过体验最好的编辑器，但它不支持文件被外部修改后实时刷新
- 其他付费软件，Markdown 是一个基础格式，免费的编辑器也应该更加普及。
所以 ColaMD 的定位就是：
一个轻量的、免费的、为 Agent 时代设计的 Markdown 编辑器。
没有文件管理，没有知识库，没有插件系统，没有 AI 功能。
对了，icon 设计了 20 版，最后选了一个极简的版本，希望你能喜欢。
MIT 开源，免费，macOS / Windows / Linux 都能用。
GitHub 地址：github.com
好记的域名：ColaMD.com
67 1116 - sora的APP关闭了
无数人看笑话
留存差
瞎搞
打败抖音的绝对不是另外一个抖音
……
这些观点我觉得都没问题
类似这几年很多人常常挂在嘴边的
“我早就说过xxx”
“这不就是xxx”
……
大概率这些判断最后都是“正确”的
但很多时候这些判断会类似“人总会死”的情境
尤其在变革的当下
所有走过的“弯路”最后可能都算数
这个议题真的值得展开的角度，
我其实挺想看到的的是：
1.AI模型公司的架构选择（产品架构 and 组织架构）
2.模型公司的资源优先级或者说如何权衡自身的“token效率”
3.什么阶段，什么估值，什么市场竞争地位的公司如何做动态的战略取舍
但又想
咳，谁会关心这些呢？
摊手99 329 - 做了一个月投放之后我发现一个很反直觉的事情：投放的瓶颈根本不在投放，在素材。素材的瓶颈也不在创意本身，在生产效率。
你脑子里有再多想法，一周只能产出五条成品素材，就永远跑不过平台的疲劳周期。算法需要持续被喂新内容，而传统的制作流程：从脚本到拍摄到剪辑到上传，天然就是慢的。
这个结论是交了学费之后才想明白的。
一个月前我连Meta Ads Manager都没打开过。做了十年产品/工程/自然营销，从来没花过一分钱买流量。CPR这个词我第一反应是心肺复苏，attribution window怎么设不知道。然后因为团队调整，增长投放这件事突然落到了我手上。六位数的月预算，跑了两年的campaign架构，一整
套我完全看不懂的广告后台，需要有人马上接手，没有过渡期。
创业公司就是这样，事情来了你就得上。
接手之后做的第一件事不是学怎么建campaign（meta ads manager真的巨巨巨难用），是把过去两年的数据全翻了一遍。翻完发现一个很刺眼的事实：历史上花在网红渠道的钱，算到最终付费用户，单个成本是四位数美金。而同一时期，一个外包UGC创作者一条视频一百多美金，跑出来的注册成本比整个网红项目加起来还低，观众留存率是所有素材里最高的💀💀💀。
这个对比太明显了，它直接决定了接下来一个月的方向：❌传统渠道上补人，✅AI把UGC素材的生产效率升量级。
首先决定的是：素材全是AI生成的。我们同时起了五个campaign，每个campaign塞不同风格的角色和场景，想的是快速铺开看哪个方向有信号。头几天确实有几条素材跑出了还不错的数据，会觉得好像方向对了，开始有一点兴奋。然后两周之内全部崩了。五个campaign，每一个都在同一个时间段进入了素材疲劳。花费断崖式下降，转化几乎归零。最差的那一周，所有campaign加起来跑了整整七天，回来的注册个位数。看后台的时候真的会开始怀疑，AI生成的素材到底能不能转化？
后来复盘的时候才发现，公司内部文档里团队其实早就写过一份文档，把我们踩的每一个坑都预判到了。单一内容形式会快速消耗受众注意力，重复同一种风格只会加速疲劳，top-of-funnel的观众根本不想看产品demo。我们犯的不是AI的错误，是内容策略的错误，只不过用AI角色把传统的坑重新踩了一遍。
想明白这件事之后，第二代素材完全换了做法。不再只有一种格式，而是同时测POV视角、reaction，hook、多素材混剪。角色也不再单一，测试纪律拉起来👉每条素材给一小笔预算，48小时看数据，达标就放大，不达标就杀掉，不跟任何一条素材谈感情。这个框架跑起来之后，数据慢慢回来了。某些hook风格的点击率接近20%，特定角色加场景的组合在持续找到自己的受众。从噪音里开始能听到信号了。
这就是开头说的那个判断开始变清晰的时刻。
GEN2证明了AI素材是能转化的，但同时也证明了一件事：素材的生命周期比我想象的短得多。一条好素材可能只有几天的黄金期，之后就进入衰减。你不是在做"几条好内容"，你是在跟一个永远在消耗的系统赛跑。能赢的唯一方式就是让生产速度远远超过消耗速度。
所以接下来三周，我把几乎所有精力砸在了工具上。我们用Claude Code从零搭了一整套AI素材生产系统: 完整的、任何团队成员都可以直接调用的技能包体系。
举个具体🌰：假设我们在TikTok上看到一条爆款视频，觉得这个hook有意思想复用。在以前，这是一个需要看几遍、截图、写文档、开会讨论、再让剪辑师理解你意思的过程。现在的流程是：把链接丢进Claude Code的视频理解技能，它自动下载、拉字幕、做镜头分析、跟画面内容交叉比对，输出一份结构化的拆解报告，这条视频的开头三
秒用了什么情绪触发、文字出现在第几帧、转折点在哪里、哪些元素是可以迁移到我们产品的。拿着这份拆解，喂给prompt生成技能。这个技能通过一个变量矩阵——角色乘以场景乘以hook类型乘以CTA结尾——一次性输出二十条视频prompt变体。每一条都不一样，但都是基于同一个经过验证的结构生成的。
🌟创意思考被前置到了系统设计层面，到了生成环节就是纯粹的执行。
生成完的视频丢给组装技能，自动把hook片段、正片内容、CTA结尾拼在一起，叠上logo、字幕、标签，位置和尺寸根据视频分辨率自动算好。出来就是可以直接传到广告后台的成品。
角色一致性的问题也解决了。AI视频最头疼的就是character drift——你的角色换个镜头就长得不一样，观众一眼就能看出来是AI。我们在Kling和Seedance上搭了一套角色身份库，每个角色是
一个JSON文件，锁定五官比例、肤色、体型、发型、标志性配饰，生成的时候挂载上去，几十条视频里同一个人保持一致。
投放数据那头也接上了。Meta广告数据自动拉回来，按创意变量拆分：哪个角色在转化、哪个场景成本最低、哪种hook类型点击率最高。制作团队不需要猜下一批做什么，看这张表就知道算法在告诉你什么东西在起效。
整条链路走通之后，一个下午可以完成从"这条TikTok火了"到"这里有二十条基于它为什么火而生成的广告变体"的全流程。这在一个月前是不可能的事情。
但工具只是一半。另一半是用这套工具的人。这可能是这一个月里我最想说的部分。
我们招了四个人进ABG Army。三个年轻人，一个资深视频剪辑师。四个人没有一个碰过Claude Code，没有一个写过任何AI工作流。有一个进来的时候连终端都没打开过，不知道命令行是什么。
我没有给他们上课。没有做培训PPT，没有搞什么"AI入门三天速成"。方式很简单也很残酷，直接给真实任务、真实deadline，遇到不会的现场查现场解。每天一起搭，每天一起踩坑，每天收工的时候比早上多会一点东西。
现在团队有了固定的周度投放复盘节奏，campaign数据和创意策略在同一张桌子上看。有agency partner接进来跑同一套数据流。有一条能从爆款拆解一路走到批量生成的素材管线。有一个虽然只有几个人但每个人都能独立搭工具的团队。
这些东西三十天前全部不存在。
当然我们还差得很远。素材疲劳的周期还是比我想要的快。注册之后的漏斗追踪有缺口，意味着我们对用户从注册到付费这段路径的理解还是模糊的。我不知道的东西，大概比我现在意识到的要多得多。
但机器在转了。数据在流，素材在出，团队在长。每周回头看上一周，都会觉得上周的自己挺蠢的。这大概就是对的方向。
虽然才30天，但我们才刚刚开始💜
（100%原创，如有任何行为的转发，必须经过本人同意）00:08123 3784 
85 429
