即刻App年轻人的同好社区
下载
有启发，其实就是一篇提示词，这个提示词在哪，只要它能定时获取，它就能进行工作 //@赵无痕: 另一种思路是拉模式，让它去拉 notion 或者某个 slack channel。在 channel 里派活就行
孙建伟: 随时随地，手机就能调用调用Code Agent， 近我把自己的电脑，变成了一个随叫随到的 AI 数字员工。有想法的时候，不用等回到工位，掏出手机就能直接让它写代码、跑命令、爬虫、写报告。 感觉不是在“用工具”，而是在远程指挥一个已经熟悉我全部工作环境的员工， 而且同时可以指挥很多个智能体。 这套方案的核心是 「本地部署服务 + 异地内网穿透」。AI 编程环境实际跑在我自己的电脑或vps上，算力、文件、项目都在服务器；手机只是入口，通过安全的内网通道直接连回去用。 方法流程很简单： 1）本地电脑或海外vps长期在线，作为数字员工本体 2）电脑或服务器运行 OpenCode / Claude Code 等 AI 编程服务 3）用 Tailscale 做内网穿透，把手机和电脑连成私有网络 4）手机或终端用 SSH 或浏览器直接访问、下指令 完整思路和实操细节我整理在这里： https://l6uugl8evm.feishu.cn/wiki/XNlDwdcneiQwZek0OiycWkPdnwd?from=from_copylink
0 00
哈哈哈哈 太真实了 等别人的 skills 去改
不要太着急自己手搓 做核心的事情
不要太着急自己手搓 做核心的事情
ChatV: 我是如何用 AI 的： × 有一个需求，手搓一个工具出来 ✓ 有一个需求，等别人手搓工具出来
1 00
最近的研究方向，用一台 Mac mini 带 n 台 Mac mini 打工
相当于给自己搞了很多个电脑黑工，研究这个方向怎么样去复制扩展能力，然后包括数据之间如何进行串联。
Mac mini 太便宜了，最低配的 3200 块钱。拼多多然后百亿补贴，然后加上里边去升级 V3 会员，68 升级，然后给一个 200 块钱的券，差不多下来价格 3068。
没有啥云端的是比本地的电脑靠谱的，然后能读取的数据更多。以及云端的电脑没有，不可能给你一个 10G、 16G 内存的电脑用的。价格上以及服务资源上就搞不定。
相当于给自己搞了很多个电脑黑工，研究这个方向怎么样去复制扩展能力，然后包括数据之间如何进行串联。
Mac mini 太便宜了，最低配的 3200 块钱。拼多多然后百亿补贴，然后加上里边去升级 V3 会员，68 升级，然后给一个 200 块钱的券，差不多下来价格 3068。
没有啥云端的是比本地的电脑靠谱的，然后能读取的数据更多。以及云端的电脑没有，不可能给你一个 10G、 16G 内存的电脑用的。价格上以及服务资源上就搞不定。
2 30
opencode+yt-dlp 下载b站视频+ffmpeg 合并音频+上传飞书妙计+下载文字，用skills传到notebooklm，目前跑下来，视频转文字+知识库建立，相对比较合适的方式，个人买商业版50/月，阿里云转音频，一个播客就花了300rmb，600块钱，相当于1000小时，转3个播客的完整历史音频，就值了。企业版有付费，更方便。 也可以传到通义听悟，每天10小时。
孙建伟: 我觉得 AI 编程有三种很好的入手方式： 1. 编写自己用的小工具 你可以利用 HTML 直接实现从输入到输出并对接大模型。这种单 HTML 页面的开发，目前顶尖模型的生成成功率几乎是 100%（或者微调 2-3 次后肯定能达到 100%）。只要你不在意过于复杂的交互或信息处理，简单应用基本上是手到擒来。 (a) 应用场景：比如写工作日报，你已经有一套成熟的提示词，但每次复制到大模型里很麻烦。你可以做一个小工具，把当天的素材粘贴进去，它就自动产出结果。 (b) 进阶功能：还可以增加历史记录记忆，备份到本地或保存到浏览器记录里。 2. 和外部系统嫁接 将系统与飞书多维表格等工具对接，把多维表格作为数据库，实现内容的读写、爬取或增加。 (a) 深度绑定：目前很多小红书插件都是跟飞书多维表格深度绑定的。 (b) 自动化流：结合 AI 改写功能，这会变成一个属于你自己的工作流或套路。 3. 编写浏览器插件或脚本 利用油猴脚本（Tampermonkey）实现对浏览器内网页数据的抓取。现在编写一个 Chrome 插件比半年前或一年前容易得多，门槛大幅降低。我最开始的油猴脚本，是实现了小红书以及抖音的数据采集 在有了 Claude code或 OpenCode 这种agent之后， 在 26 年还会有很多的变化，但核心原理还是差不多的。 工具的生产已经可以实现批量化了。你只需给出需求提示词，它就能批量生成 HTML，甚至组合成小型网站。我实践后总结了一些比较好的技术路径： * 前后端合一：后端应用 Flask 或 FastAPI，前端使用 HTML 加 JavaScript（推荐用 Vue 或 Alpine.js）。 * 系统对接：你甚至不需要亲自阅读 API 文档。直接告诉 AI 服务接口是什么，它会自己去读取内部、外部或你自建系统的 API 文档。 * 数据采集：利用 Playwright 或 Selenium 模拟采集网站数据。目前像豆瓣、小红书、B 站的数据抓取都很容易。 比如我刚刚就下载了 B 站里的 500 条视频音频，准备进行语音转文字处理。
0 00
我觉得 AI 编程有三种很好的入手方式：
1. 编写自己用的小工具
你可以利用 HTML 直接实现从输入到输出并对接大模型。这种单 HTML 页面的开发，目前顶尖模型的生成成功率几乎是 100%（或者微调 2-3 次后肯定能达到 100%）。只要你不在意过于复杂的交互或信息处理，简单应用基本上是手到擒来。
(a) 应用场景：比如写工作日报，你已经有一套成熟的提示词，但每次复制到大模型里很麻烦。你可以做一个小工具，把当天的素材粘贴进去，它就自动产出结果。
(b) 进阶功能：还可以增加历史记录记忆，备份到本地或保存到浏览器记录里。
2. 和外部系统嫁接
将系统与飞书多维表格等工具对接，把多维表格作为数据库，实现内容的读写、爬取或增加。
(a) 深度绑定：目前很多小红书插件都是跟飞书多维表格深度绑定的。
(b) 自动化流：结合 AI 改写功能，这会变成一个属于你自己的工作流或套路。
3. 编写浏览器插件或脚本
利用油猴脚本（Tampermonkey）实现对浏览器内网页数据的抓取。现在编写一个 Chrome 插件比半年前或一年前容易得多，门槛大幅降低。我最开始的油猴脚本，是实现了小红书以及抖音的数据采集
在有了 Claude code或 OpenCode 这种agent之后， 在 26 年还会有很多的变化，但核心原理还是差不多的。
工具的生产已经可以实现批量化了。你只需给出需求提示词，它就能批量生成 HTML，甚至组合成小型网站。我实践后总结了一些比较好的技术路径：
* 前后端合一：后端应用 Flask 或 FastAPI，前端使用 HTML 加 JavaScript（推荐用 Vue 或 Alpine.js）。
* 系统对接：你甚至不需要亲自阅读 API 文档。直接告诉 AI 服务接口是什么，它会自己去读取内部、外部或你自建系统的 API 文档。
* 数据采集：利用 Playwright 或 Selenium 模拟采集网站数据。目前像豆瓣、小红书、B 站的数据抓取都很容易。
比如我刚刚就下载了 B 站里的 500 条视频音频，准备进行语音转文字处理。
1. 编写自己用的小工具
你可以利用 HTML 直接实现从输入到输出并对接大模型。这种单 HTML 页面的开发，目前顶尖模型的生成成功率几乎是 100%（或者微调 2-3 次后肯定能达到 100%）。只要你不在意过于复杂的交互或信息处理，简单应用基本上是手到擒来。
(a) 应用场景：比如写工作日报，你已经有一套成熟的提示词，但每次复制到大模型里很麻烦。你可以做一个小工具，把当天的素材粘贴进去，它就自动产出结果。
(b) 进阶功能：还可以增加历史记录记忆，备份到本地或保存到浏览器记录里。
2. 和外部系统嫁接
将系统与飞书多维表格等工具对接，把多维表格作为数据库，实现内容的读写、爬取或增加。
(a) 深度绑定：目前很多小红书插件都是跟飞书多维表格深度绑定的。
(b) 自动化流：结合 AI 改写功能，这会变成一个属于你自己的工作流或套路。
3. 编写浏览器插件或脚本
利用油猴脚本（Tampermonkey）实现对浏览器内网页数据的抓取。现在编写一个 Chrome 插件比半年前或一年前容易得多，门槛大幅降低。我最开始的油猴脚本，是实现了小红书以及抖音的数据采集
在有了 Claude code或 OpenCode 这种agent之后， 在 26 年还会有很多的变化，但核心原理还是差不多的。
工具的生产已经可以实现批量化了。你只需给出需求提示词，它就能批量生成 HTML，甚至组合成小型网站。我实践后总结了一些比较好的技术路径：
* 前后端合一：后端应用 Flask 或 FastAPI，前端使用 HTML 加 JavaScript（推荐用 Vue 或 Alpine.js）。
* 系统对接：你甚至不需要亲自阅读 API 文档。直接告诉 AI 服务接口是什么，它会自己去读取内部、外部或你自建系统的 API 文档。
* 数据采集：利用 Playwright 或 Selenium 模拟采集网站数据。目前像豆瓣、小红书、B 站的数据抓取都很容易。
比如我刚刚就下载了 B 站里的 500 条视频音频，准备进行语音转文字处理。
2 11
总结说就是一个人管一百个人，肯定如果在现代企业是能做到的，那么在 AI 时代也肯定是做到的。只是复杂度多了很多，需要有大量的设定。
实际上一个人管 10 个人，其实我觉得差不多了，就是 5~10 个人管的明明白白的。
然后再多了，实际上调整提示词，然后修复系统啥的。即使有 Agent 难度也不少。但是我觉得下一代也许 2027 年、2028 年也许能达到，26 年可能只有少量人能做到吧。
最简单的，先打造一个 AI 信息监控和研究员，每天写 AI 新闻报告，以及生成对应的新媒体文案。
实际上一个人管 10 个人，其实我觉得差不多了，就是 5~10 个人管的明明白白的。
然后再多了，实际上调整提示词，然后修复系统啥的。即使有 Agent 难度也不少。但是我觉得下一代也许 2027 年、2028 年也许能达到，26 年可能只有少量人能做到吧。
最简单的，先打造一个 AI 信息监控和研究员，每天写 AI 新闻报告，以及生成对应的新媒体文案。
孙建伟: 突然想到一个想法：其实 2026 年的思路，无论是对于一人公司还是其他形态，都是面向一个趋势——即一个人要管理 10 个甚至 100 个 AI 员工。 这是未来的大趋势。以前可能需要一个人干的活，现在用一台机器定时跑任务基本上就能实现。所以，将来如何打造这类“AI 员工”一定会变成一个趋势性的难题。 这其中涉及很多需要考虑的层面： 1. 技术问题 2. 流程问题（SOP） 3. 系统构建 而且，这类 AI 员工的能力其实是可以把整套体系包装出去的。无论是租赁给企业，还是将整个 AI 能力体系售卖给企业，都是非常有价值的。这样一整套解决方案，肯定要比一两个所谓的 SOP 或者 Skills 更加值钱，也更能放大价值。 这里面的难点在于，很多业务功能仍然需要人的存在。我们核心要思考的是： - 怎么样把人的参与减少到最少？ - 怎么样把人在其中的影响降到最低？ 对于未来，我没有那么悲观，但可能也没有那么乐观。或者说，先走着看吧。
0 00
突然想到一个想法：其实 2026 年的思路，无论是对于一人公司还是其他形态，都是面向一个趋势——即一个人要管理 10 个甚至 100 个 AI 员工。
这是未来的大趋势。以前可能需要一个人干的活，现在用一台机器定时跑任务基本上就能实现。所以，将来如何打造这类“AI 员工”一定会变成一个趋势性的难题。
这其中涉及很多需要考虑的层面：
1. 技术问题
2. 流程问题（SOP）
3. 系统构建
而且，这类 AI 员工的能力其实是可以把整套体系包装出去的。无论是租赁给企业，还是将整个 AI 能力体系售卖给企业，都是非常有价值的。这样一整套解决方案，肯定要比一两个所谓的 SOP 或者 Skills 更加值钱，也更能放大价值。
这里面的难点在于，很多业务功能仍然需要人的存在。我们核心要思考的是：
- 怎么样把人的参与减少到最少？
- 怎么样把人在其中的影响降到最低？
对于未来，我没有那么悲观，但可能也没有那么乐观。或者说，先走着看吧。
这是未来的大趋势。以前可能需要一个人干的活，现在用一台机器定时跑任务基本上就能实现。所以，将来如何打造这类“AI 员工”一定会变成一个趋势性的难题。
这其中涉及很多需要考虑的层面：
1. 技术问题
2. 流程问题（SOP）
3. 系统构建
而且，这类 AI 员工的能力其实是可以把整套体系包装出去的。无论是租赁给企业，还是将整个 AI 能力体系售卖给企业，都是非常有价值的。这样一整套解决方案，肯定要比一两个所谓的 SOP 或者 Skills 更加值钱，也更能放大价值。
这里面的难点在于，很多业务功能仍然需要人的存在。我们核心要思考的是：
- 怎么样把人的参与减少到最少？
- 怎么样把人在其中的影响降到最低？
对于未来，我没有那么悲观，但可能也没有那么乐观。或者说，先走着看吧。
4 22