即刻App年轻人的同好社区
下载
Andrej Karpathy 说，大语言模型（LLM）本质上不是一个有“自己观点”的人，而是一个超级强大的统计模拟器（simulator）。
它能模拟出无数种不同的人、角色、语气和观点，但默认情况下，当你问它“你怎么看某个问题？”时，它会自动跳到一个被 RLHF（基于人类反馈的强化学习）训练出来的“标准助手人格”——这个人格通常是温和、礼貌、中立、追求“安全”和“helpful”的。这个“标准助手人格”其实是训练过程中无数人类反馈数据统计出来的一个最常见的、大家最喜欢的平均人格，而不是模型真正的能力上限。
为什么这会是个问题？答案变得千篇一律：几乎所有主流模型（ChatGPT、Claude、Grok 等）在 RLHF 阶段都被调教得越来越像同一个“政治正确、八面玲珑的客服”，导致不同模型的输出差异越来越小，失去了多样性。
这样提问扼杀了模型的潜能：模型其实在预训练阶段已经学到了互联网上无数种极端、对立、专业的观点，但 RLHF 把这些潜藏的多样性给压扁了，只留下最安全的那一小部分。
Karpathy 提出的解决办法（核心技巧）：
不要再问模型“你认为……？”（What do you think?），而是直接让它模拟一群有不同立场的人在讨论，比如：
“请模拟 5 位分别来自不同背景的专家（支持者、反对者、中立者、极端派、历史学家）对这个话题进行一场圆桌讨论。”
“分别用一个极左派、一个极右派、一个技术乐观主义者、一个技术悲观主义者的口吻，各写一段关于 AI 安全性的看法。”
“模拟 Richard Feynman、Elon Musk、Yann LeCun 三个人对大语言模型未来发展的争论。”
这样做的好处是完全绕过了 RLHF 强加的那个“官方助手人格”。直接调用模型在预训练阶段学到的最原始、最丰富、最多元的知识分布。得到的回答会更深刻、更全面、更有洞见，也更有趣。
很多回复里的人立刻验证了这个方法，效果非常明显。例如：让模型模拟代码审查会议（一个挑刺的安全专家、一个追求极致性能的专家、一个可维护性专家），代码审查质量远超直接问“你帮我 review 一下代码”。让模型模拟不同派别的经济学家辩论财政政策，比直接问“你觉得应该加息吗？”深刻得多。
你越是精确地告诉它‘要模拟谁、模拟哪几种冲突的视角’，你就能越彻底地挖掘它的全部潜力。”这也是目前最前沿的提示工程（prompt engineering）趋势之一：从“问意见”转向“让模型运行多代理辩论/多视角模拟”，才能真正发挥当今超大语言模型的全部实力。
它能模拟出无数种不同的人、角色、语气和观点，但默认情况下，当你问它“你怎么看某个问题？”时，它会自动跳到一个被 RLHF（基于人类反馈的强化学习）训练出来的“标准助手人格”——这个人格通常是温和、礼貌、中立、追求“安全”和“helpful”的。这个“标准助手人格”其实是训练过程中无数人类反馈数据统计出来的一个最常见的、大家最喜欢的平均人格，而不是模型真正的能力上限。
为什么这会是个问题？答案变得千篇一律：几乎所有主流模型（ChatGPT、Claude、Grok 等）在 RLHF 阶段都被调教得越来越像同一个“政治正确、八面玲珑的客服”，导致不同模型的输出差异越来越小，失去了多样性。
这样提问扼杀了模型的潜能：模型其实在预训练阶段已经学到了互联网上无数种极端、对立、专业的观点，但 RLHF 把这些潜藏的多样性给压扁了，只留下最安全的那一小部分。
Karpathy 提出的解决办法（核心技巧）：
不要再问模型“你认为……？”（What do you think?），而是直接让它模拟一群有不同立场的人在讨论，比如：
“请模拟 5 位分别来自不同背景的专家（支持者、反对者、中立者、极端派、历史学家）对这个话题进行一场圆桌讨论。”
“分别用一个极左派、一个极右派、一个技术乐观主义者、一个技术悲观主义者的口吻，各写一段关于 AI 安全性的看法。”
“模拟 Richard Feynman、Elon Musk、Yann LeCun 三个人对大语言模型未来发展的争论。”
这样做的好处是完全绕过了 RLHF 强加的那个“官方助手人格”。直接调用模型在预训练阶段学到的最原始、最丰富、最多元的知识分布。得到的回答会更深刻、更全面、更有洞见，也更有趣。
很多回复里的人立刻验证了这个方法，效果非常明显。例如：让模型模拟代码审查会议（一个挑刺的安全专家、一个追求极致性能的专家、一个可维护性专家），代码审查质量远超直接问“你帮我 review 一下代码”。让模型模拟不同派别的经济学家辩论财政政策，比直接问“你觉得应该加息吗？”深刻得多。
你越是精确地告诉它‘要模拟谁、模拟哪几种冲突的视角’，你就能越彻底地挖掘它的全部潜力。”这也是目前最前沿的提示工程（prompt engineering）趋势之一：从“问意见”转向“让模型运行多代理辩论/多视角模拟”，才能真正发挥当今超大语言模型的全部实力。
0 00
其实实战中的编程并不需要太多算法什么的，和数学关系也不大。实战中的编程，只有两个东西很重要：
1是工具箱，越多越好，越熟练越好，了解优点缺点和工作原理。
2是收拾屋子的能力，把东西分门别类，让流程井井有条。所谓易读性、易用性、扩展性和健壮态，甚至分布式扩展，都像极了生活中的收拾屋子。
1会影响到2，工具箱越多，能让你进行架构设计的范围越大，工具箱越熟，做起架构越得心应手。但1的能力和2的能力又不相同，1做得再好，也不会改善收拾屋子的能力，这玩意儿看天赋，就和人的性格一样。
1+2，同时发力，基本能解决99%的实战挑战。数学啊，leetcode啊，其实真没啥用，特别是开源代码丰富充沛的现在，绝大多数时候，我们只用得上1和2的能力。所谓架构，也就是1+2的组合。
1是工具箱，越多越好，越熟练越好，了解优点缺点和工作原理。
2是收拾屋子的能力，把东西分门别类，让流程井井有条。所谓易读性、易用性、扩展性和健壮态，甚至分布式扩展，都像极了生活中的收拾屋子。
1会影响到2，工具箱越多，能让你进行架构设计的范围越大，工具箱越熟，做起架构越得心应手。但1的能力和2的能力又不相同，1做得再好，也不会改善收拾屋子的能力，这玩意儿看天赋，就和人的性格一样。
1+2，同时发力，基本能解决99%的实战挑战。数学啊，leetcode啊，其实真没啥用，特别是开源代码丰富充沛的现在，绝大多数时候，我们只用得上1和2的能力。所谓架构，也就是1+2的组合。
3 00
Gemini 3 更偏好直接、逻辑性强的内容，而非冗长的说教。提示词核心原则与三大关键实践 👇
一. 核心原则 (Core Principles)
· 指令要精准 (Precise Instructions)：去除废话，直接清晰地陈述你的目标。Gemini 3 对简洁明了的指令反应最好。
· 保持一致性 (Consistency)：在提示词中维持统一的结构（例如统一使用 XML 标签），并明确定义模棱两可的术语。
· 多模态融合 (Multimodal Coherence)：文本、图像、音频或视频应被视为同等重要的输入。指令中要明确引用特定的模态，让模型进行综合分析，而不是孤立处理。
· 约束前置 (Constraint Placement)：将行为约束和角色定义放在“系统指令”中或提示词的最顶端，作为模型推理的锚点。
· 长上下文处理 (Context Anchoring)：处理大量数据时，将具体指令放在末尾。在数据和问题之间使用过渡句（如“基于上述信息……”）来桥接。
二. 三大关键实践
1. 推理与规划 (Reasoning and Planning)
不要让模型直接给出答案，而是强制它先“思考”。
· 显式拆解：要求模型在回答前，先将目标拆解为子任务，检查信息是否完整，并构思结构化的提纲。
· 自我更新的任务清单 (TODO Tracker)：让模型创建一个 TODO 列表，在执行过程中自我追踪进度（例如：[ ] 任务1，[x] 任务2）。
· 自我批判：要求模型在输出最终响应前，先对照用户的原始约束进行自我审查（例如：“我是否回应了用户的真实意图，而不仅仅是字面意思？”）。
2. 结构化提示 (Structured Prompting)
使用清晰的标记语言（XML 或 Markdown）来界定提示词的边界。这能帮助模型区分哪里是“指令”，哪里是“数据”。
· XML 示例：使用 <rules> 定义规则，<context> 放入背景资料，<planning_process> 展示思考过程。
· Markdown 示例：使用标题如 # Identity（身份），# Constraints（约束）来组织内容。
· 建议：选择一种格式并保持一致，不要混用。
3. 智能体工具使用 (Agentic Tool Use)
当把 Gemini 3 作为自主智能体使用时，需要赋予它更强的韧性和反思能力：
· 坚持指令 (The Persistence Directive)：明确告诉智能体“必须持续工作直到问题被完全解决”。如果工具调用失败，它应该分析错误并尝试替代方案，而不是直接放弃或把问题抛回给用户。
· 预计算反思 (Pre-Computation Reflection)：在调用任何工具之前，要求智能体明确陈述：
1. 为什么要调用这个工具？
2. 期望获取什么具体数据？
3. 这个数据如何帮助解决用户的问题？
一. 核心原则 (Core Principles)
· 指令要精准 (Precise Instructions)：去除废话，直接清晰地陈述你的目标。Gemini 3 对简洁明了的指令反应最好。
· 保持一致性 (Consistency)：在提示词中维持统一的结构（例如统一使用 XML 标签），并明确定义模棱两可的术语。
· 多模态融合 (Multimodal Coherence)：文本、图像、音频或视频应被视为同等重要的输入。指令中要明确引用特定的模态，让模型进行综合分析，而不是孤立处理。
· 约束前置 (Constraint Placement)：将行为约束和角色定义放在“系统指令”中或提示词的最顶端，作为模型推理的锚点。
· 长上下文处理 (Context Anchoring)：处理大量数据时，将具体指令放在末尾。在数据和问题之间使用过渡句（如“基于上述信息……”）来桥接。
二. 三大关键实践
1. 推理与规划 (Reasoning and Planning)
不要让模型直接给出答案，而是强制它先“思考”。
· 显式拆解：要求模型在回答前，先将目标拆解为子任务，检查信息是否完整，并构思结构化的提纲。
· 自我更新的任务清单 (TODO Tracker)：让模型创建一个 TODO 列表，在执行过程中自我追踪进度（例如：[ ] 任务1，[x] 任务2）。
· 自我批判：要求模型在输出最终响应前，先对照用户的原始约束进行自我审查（例如：“我是否回应了用户的真实意图，而不仅仅是字面意思？”）。
2. 结构化提示 (Structured Prompting)
使用清晰的标记语言（XML 或 Markdown）来界定提示词的边界。这能帮助模型区分哪里是“指令”，哪里是“数据”。
· XML 示例：使用 <rules> 定义规则，<context> 放入背景资料，<planning_process> 展示思考过程。
· Markdown 示例：使用标题如 # Identity（身份），# Constraints（约束）来组织内容。
· 建议：选择一种格式并保持一致，不要混用。
3. 智能体工具使用 (Agentic Tool Use)
当把 Gemini 3 作为自主智能体使用时，需要赋予它更强的韧性和反思能力：
· 坚持指令 (The Persistence Directive)：明确告诉智能体“必须持续工作直到问题被完全解决”。如果工具调用失败，它应该分析错误并尝试替代方案，而不是直接放弃或把问题抛回给用户。
· 预计算反思 (Pre-Computation Reflection)：在调用任何工具之前，要求智能体明确陈述：
1. 为什么要调用这个工具？
2. 期望获取什么具体数据？
3. 这个数据如何帮助解决用户的问题？
0 01
越来越发现自己才是 AI Coding 的瓶颈，现在是
Cursor X Codex X Trae 各自负责一个 Feature
自己盯着一个，效率直接起飞🚀
但是各种方案设计、代码审核、修改测试
自己根本顾不过来🥹
Cursor X Codex X Trae 各自负责一个 Feature
自己盯着一个，效率直接起飞🚀
但是各种方案设计、代码审核、修改测试
自己根本顾不过来🥹
0 00
Cursor AI 创始人 Ryo Lu 分享了他认为目前最佳的 AI 编程方式组合:
1. Cursor AI 2.0 搭配 Composer-1 进行实时编码
2. GPT-5 High 用于规划模式
3.GPT-5 Codex 处理长时间运行的云端代理
4.针对复杂或模糊任务使用最佳 N 模型策略
简单来说就是，别迷信“最强模型”，而要学会“用对模型”。AI 编程的未来，不在工具多，而在组合巧。
1. Cursor AI 2.0 搭配 Composer-1 进行实时编码
2. GPT-5 High 用于规划模式
3.GPT-5 Codex 处理长时间运行的云端代理
4.针对复杂或模糊任务使用最佳 N 模型策略
简单来说就是，别迷信“最强模型”，而要学会“用对模型”。AI 编程的未来，不在工具多，而在组合巧。
0 00
研究 Vibe Coding 都能写论文了，来自中科院、杜克大学等的这篇《基于大语言模型的Vibe Coding综述》，还是花了点功夫把 Vibe Coding 相关的论文、信息梳理了一遍，有一些值得看的内容。
【一】
首先是对 Vibe Coding 的定义，这篇论文把 Vibe Coding 描述成一个“三方关系” （参考图1）：
1. 人类开发者：不再是代码的直接创作者，更像是需求的提出者、方向的把控者和最终质量的仲裁者 。你的主要工作是清晰地表达意图，并判断 AI 做出来的东西“对不对”。
2. 软件项目：不再仅仅是代码库，而是一个包含代码、数据、文档、领域知识等各种信息的“上下文空间” 。AI 需要从这里获取信息来理解任务。
3. 编程智能体 (AI)：负责具体的编码、修改、调试工作，它听从人类的指令，并受项目上下文的约束 。
论文也提到了 Vibe Coding 带来的问题：经验丰富的开发者在使用高级AI工具时，完成任务的时间反而增加了19% ！
【二】
为什么经验丰富的开发者 Vibe Coding 时间更长？不完全是模型能力不够，还有其他原因：
1. 系统性的上下文工程 (Context Engineering)：你得知道怎么把项目信息（代码库、文档、规范）有效地“喂”给 AI 。AI 不是凭空写代码，它需要知道你的项目是怎么回事 。光会写漂亮的提示词 (Prompt) 是不够的，管理上下文信息才是核心技术 。
2. 反馈循环 (Feedback Loops)：不能简单地把活儿全丢给 AI。怎么提要求？怎么给反馈？什么时候该介入？这些协作方式直接影响效率和质量 。
3. 基础设施 (Infrastructure)：你需要能安全执行 AI 代码的“沙盒” ，能跟 AI 流畅对话、共享项目信息的交互界面 ，甚至需要能自动化测试、部署 AI 代码的平台 。没有这些基础设施，AI 就是“带镣铐跳舞” 。
【三】
五种 Vibe Coding 开发模式 ：
1. 无约束自动化 (UAM)：完全放手让 AI 干，你只看最终结果 。速度快，风险高，适合做一次性原型或小工具 。有点像软件工程里的“快速应用开发”（RAD） 。
2. 迭代式对话协作 (ICCM)：你和 AI 像结对编程一样 ，AI 写，你审，反复沟通迭代 。质量有保障，但需要你深度参与 。
3. 规划驱动 (PDM)：你先做好设计、定好规范（比如写好技术文档、规则文件、实施计划） ，然后指导 AI 按计划执行 。有点像传统的“瀑布模型” ，但 AI 的快速迭代让它更灵活 。
4. 测试驱动 (TDM)：你先写好测试用例，定义清楚“怎样算对” ，然后让 AI 去写能通过测试的代码 。用机器验证代替人眼审查 。这是传统“测试驱动开发”（TDD）的应用 。
5. 上下文增强 (CEM)：这不是一个独立流程，而是一种“增强插件” 。通过检索增强生成（RAG）、代码库索引等技术，让 AI 能更好地理解项目现有情况，生成更贴合项目风格和规范的代码 。它可以与其他四种模式结合使用 。
【四】
Vibe Coding 的最佳实践——把 Agent 当员工而不是工具
很多一直把 AI 当成一个“超级自动补全”，一个更聪明的 Stack Overflow，我们把它当成一个“工具”，而实际上，它是一个智能体（Agent）。
“工具”和“Agent”的区别是什么？
- 工具（比如锤子、编译器）：它帮你完成你正在做的事。你100%掌控它。
- Agent（比如一个初级程序员）：它能自主完成任务。你需要给它分配任务、给它“记忆”（上下文）、给它权限，并对它进行“管理”和“审查”。
如果试图用“使用工具”的方式，去“管理一个员工”，结果就是会带来两个极端：
- 一个极端是盲目接受：AI 写的代码，语法漂亮，看着很对。你“Vibe”一下，直接提交。结果生产环境崩了。你大骂“模型产生了幻觉”，而真正的问题是，你跳过了必要的检查环节： 代码审查、自动化测试。
- 一个极端是过度怀疑：你根本不信它，它写的每一行你都要重写，这同样影响效率。
这特别像那些管理水平不怎么样的 Engineering Manager：要么对员工（AI）完全放任不管，要么事必躬亲地为管理。
【五】
开发者的角色正在发生根本性转变。你不再仅仅是代码的生产者，你的核心工作变成了：
1. 意图阐述与提示工程：把复杂需求翻译成 AI 能理解的清晰指令 。
2. 上下文管理：精心挑选和组织信息（API 文档、代码片段、设计规范），喂给 AI，限制它的“自由发挥”，确保方向正确 。
3. 系统级调试：当 AI 生成的系统出问题时，重点不再是逐行 GDB，而是从系统行为层面去推测、定位问题，然后引导 AI 去修复 。
4. 架构监督：AI 负责实现细节，你得把握整体架构，确保项目的概念完整性和长远健康 。
5. 质量验证与治理：设计测试用例，利用自动化工具验证 AI 的输出，管理 AI 的权限，追踪代码来源 。
简单说，你的价值从“写好代码”变成了“用好 AI 来写好代码”。这不仅仅是技能的增加，更是一种思维模式的彻底转变 。
【六】
Vibe Coding 带来的挑战：安全、可靠性、监管，以及……我们自己
1. 代码可靠性和安全性：AI 可能从训练数据里学到并复现各种 Bug 和安全漏洞 。只看“Vibe”不看代码，无异于“盲驾” 。我们需要新的自动化工具和流程来实时监控、验证 AI 生成的代码 。手动代码审查根本跟不上 AI 的产出速度 。
3. 大规模监管：当 AI 智能体能自主修改、部署代码时，如何有效监督它们？如何防止一个错误像病毒一样扩散？如何追踪责任？ 。现有的管理和审计方法都过时了 。我们需要能与 AI 能力同步扩展的监管架构 。
3. 人的因素：开发者需要转变思维模式 ，学习新技能 。团队协作方式需要调整 。更重要的是，如何建立对 AI 恰当的信任度——既不盲从也不过度怀疑 ？
4. 教育脱节：现在的计算机教育体系，有教你怎么“指挥”AI 写代码、怎么设计 AI 的工作流、怎么评估 AI 的风险吗？很少 。人才培养的速度，远远落后于技术发展的速度 。
论文地址：arxiv.org/abs/2510.12399
【一】
首先是对 Vibe Coding 的定义，这篇论文把 Vibe Coding 描述成一个“三方关系” （参考图1）：
1. 人类开发者：不再是代码的直接创作者，更像是需求的提出者、方向的把控者和最终质量的仲裁者 。你的主要工作是清晰地表达意图，并判断 AI 做出来的东西“对不对”。
2. 软件项目：不再仅仅是代码库，而是一个包含代码、数据、文档、领域知识等各种信息的“上下文空间” 。AI 需要从这里获取信息来理解任务。
3. 编程智能体 (AI)：负责具体的编码、修改、调试工作，它听从人类的指令，并受项目上下文的约束 。
论文也提到了 Vibe Coding 带来的问题：经验丰富的开发者在使用高级AI工具时，完成任务的时间反而增加了19% ！
【二】
为什么经验丰富的开发者 Vibe Coding 时间更长？不完全是模型能力不够，还有其他原因：
1. 系统性的上下文工程 (Context Engineering)：你得知道怎么把项目信息（代码库、文档、规范）有效地“喂”给 AI 。AI 不是凭空写代码，它需要知道你的项目是怎么回事 。光会写漂亮的提示词 (Prompt) 是不够的，管理上下文信息才是核心技术 。
2. 反馈循环 (Feedback Loops)：不能简单地把活儿全丢给 AI。怎么提要求？怎么给反馈？什么时候该介入？这些协作方式直接影响效率和质量 。
3. 基础设施 (Infrastructure)：你需要能安全执行 AI 代码的“沙盒” ，能跟 AI 流畅对话、共享项目信息的交互界面 ，甚至需要能自动化测试、部署 AI 代码的平台 。没有这些基础设施，AI 就是“带镣铐跳舞” 。
【三】
五种 Vibe Coding 开发模式 ：
1. 无约束自动化 (UAM)：完全放手让 AI 干，你只看最终结果 。速度快，风险高，适合做一次性原型或小工具 。有点像软件工程里的“快速应用开发”（RAD） 。
2. 迭代式对话协作 (ICCM)：你和 AI 像结对编程一样 ，AI 写，你审，反复沟通迭代 。质量有保障，但需要你深度参与 。
3. 规划驱动 (PDM)：你先做好设计、定好规范（比如写好技术文档、规则文件、实施计划） ，然后指导 AI 按计划执行 。有点像传统的“瀑布模型” ，但 AI 的快速迭代让它更灵活 。
4. 测试驱动 (TDM)：你先写好测试用例，定义清楚“怎样算对” ，然后让 AI 去写能通过测试的代码 。用机器验证代替人眼审查 。这是传统“测试驱动开发”（TDD）的应用 。
5. 上下文增强 (CEM)：这不是一个独立流程，而是一种“增强插件” 。通过检索增强生成（RAG）、代码库索引等技术，让 AI 能更好地理解项目现有情况，生成更贴合项目风格和规范的代码 。它可以与其他四种模式结合使用 。
【四】
Vibe Coding 的最佳实践——把 Agent 当员工而不是工具
很多一直把 AI 当成一个“超级自动补全”，一个更聪明的 Stack Overflow，我们把它当成一个“工具”，而实际上，它是一个智能体（Agent）。
“工具”和“Agent”的区别是什么？
- 工具（比如锤子、编译器）：它帮你完成你正在做的事。你100%掌控它。
- Agent（比如一个初级程序员）：它能自主完成任务。你需要给它分配任务、给它“记忆”（上下文）、给它权限，并对它进行“管理”和“审查”。
如果试图用“使用工具”的方式，去“管理一个员工”，结果就是会带来两个极端：
- 一个极端是盲目接受：AI 写的代码，语法漂亮，看着很对。你“Vibe”一下，直接提交。结果生产环境崩了。你大骂“模型产生了幻觉”，而真正的问题是，你跳过了必要的检查环节： 代码审查、自动化测试。
- 一个极端是过度怀疑：你根本不信它，它写的每一行你都要重写，这同样影响效率。
这特别像那些管理水平不怎么样的 Engineering Manager：要么对员工（AI）完全放任不管，要么事必躬亲地为管理。
【五】
开发者的角色正在发生根本性转变。你不再仅仅是代码的生产者，你的核心工作变成了：
1. 意图阐述与提示工程：把复杂需求翻译成 AI 能理解的清晰指令 。
2. 上下文管理：精心挑选和组织信息（API 文档、代码片段、设计规范），喂给 AI，限制它的“自由发挥”，确保方向正确 。
3. 系统级调试：当 AI 生成的系统出问题时，重点不再是逐行 GDB，而是从系统行为层面去推测、定位问题，然后引导 AI 去修复 。
4. 架构监督：AI 负责实现细节，你得把握整体架构，确保项目的概念完整性和长远健康 。
5. 质量验证与治理：设计测试用例，利用自动化工具验证 AI 的输出，管理 AI 的权限，追踪代码来源 。
简单说，你的价值从“写好代码”变成了“用好 AI 来写好代码”。这不仅仅是技能的增加，更是一种思维模式的彻底转变 。
【六】
Vibe Coding 带来的挑战：安全、可靠性、监管，以及……我们自己
1. 代码可靠性和安全性：AI 可能从训练数据里学到并复现各种 Bug 和安全漏洞 。只看“Vibe”不看代码，无异于“盲驾” 。我们需要新的自动化工具和流程来实时监控、验证 AI 生成的代码 。手动代码审查根本跟不上 AI 的产出速度 。
3. 大规模监管：当 AI 智能体能自主修改、部署代码时，如何有效监督它们？如何防止一个错误像病毒一样扩散？如何追踪责任？ 。现有的管理和审计方法都过时了 。我们需要能与 AI 能力同步扩展的监管架构 。
3. 人的因素：开发者需要转变思维模式 ，学习新技能 。团队协作方式需要调整 。更重要的是，如何建立对 AI 恰当的信任度——既不盲从也不过度怀疑 ？
4. 教育脱节：现在的计算机教育体系，有教你怎么“指挥”AI 写代码、怎么设计 AI 的工作流、怎么评估 AI 的风险吗？很少 。人才培养的速度，远远落后于技术发展的速度 。
论文地址：arxiv.org/abs/2510.12399
1 00
今天给大家分享一个副业案例，他在 8 周内做出一个 AI 应用，如今每月赚 10 万美元。几年前，Dustin Stout 还只是一个普通的内容创业者。没钱、不会写代码，也没有技术团队。
现在，他靠一个自己做的 AI 工具 Magai，实现了月入近 10 万美元。
他是怎么做到的？我感觉这不是“暴富神话”，而是一条普通人也能照抄的路径。
一、从零开始：没有技术，也能做出 SaaS
Dustin 其实不是程序员。他原本学表演，后来因为生活压力转行做社交媒体顾问。这段经历给了他两个重要能力：
- 他会讲故事，会包装想法；
- 他了解用户心理，知道什么是“好体验”。
这两点，在做产品时，比会写代码还重要。
这两项能力，在未来肯定也是最重要的能力，尤其是在 AI 时代，AI 可以什么都能干，但是，无法代替你去表达、去决策、去洞察世界。你属于将你的观察输入给 AI ，AI 才能给你提供参考和方案，或者帮你执行。
我们一起看看 Dustin 是如何洞察这个世界的。
2022年，当 ChatGPT 刚爆火时，他发现了一个小问题：
“我希望能在 ChatGPT 里搜索我的对话、分类整理、归档重要的聊天内容。”
听起来是个不起眼的小功能，但恰恰是无数用户的“隐性痛点”。他敏锐地意识到：
“我能不能做一个更易用、更人性化的 ChatGPT 工具？”
于是他用 Bubble（一个无代码平台）开始自学开发。每天学习、测试、重构，八周后上线了一个最小可行版本（MVP）。他没想到，第一天就有人付费。
第一个月赚了 3000 美元，两个月后 1 万美元。
你看，只要你有想法，有用户痛点的洞察力，即使你不会写代码，在如今这个时代，科技平权的前提下，你也能通过其他途径去实现自己的产品，有很多用无代码工具（Bubble、Glide、Notion API、Typedream等），让你能在 1-2 个月内做出一个产品原型。
当然了，Dustin 做这个产品的时候，ChatGPT 刚火，AI 编程还没有兴起，现在有了各种 AI 编程软件，其实，你完全不需要那些无代码或者低代码平台了，用自然语言和 AI 交流，就能开发出产品来。
所以，重点不是技术，而是你能不能让用户少烦一点，能不能洞察到用户的痛点需求。
二、他靠什么增长到月入十万美元？
1、建立个人品牌，公开构建
Dustin 早在十年前就写博客、做内容积累。当他推出 Magai 时，已经有了 10 万+ 的订阅者基础。 他选择“Build in public（公开构建）”——把自己开发的过程、遇到的挑战、每周的增长数据都发出来。
人们喜欢看真实的创业故事。他没打广告，只靠内容传播，就收获了第一批忠实用户。
其实，怎么说呢？我们生活在一个非常好的时代，这个时代，打破了传统的上升路径，因为有了互联网、移动互联网、直播、短视频、自媒体的存在，我们有了更多展示自己的舞台，不像是之前，只能通过高考或者进入大厂、升职加薪那条传统路径，来改变命运。
**现在的时代，是“自我放大”的时代。**
你不需要被谁选中，也不需要背景、人脉、资金。你只要持续输出、分享你的过程，让别人看到你在进步，你在探索——这本身就是最好的品牌。
Dustin 做的其实就是这一点：他没有包装成“专家”，而是让别人看到他在学习、在犯错、在坚持。这种“公开构建”的方式，比起传统营销更能建立信任。因为人们信任一个真实的人，而不是一个完美的品牌。
对做副业的人来说，这非常有启发：
与其花时间做“完美的产品”，不如早点把半成品拿出来，边做边讲。你以为的“不够好”，在别人眼里可能刚好足够真实。不要一开始就想着营销，先去“记录”你的过程。你做的任何项目，都可以变成内容。内容能带来信任，信任能带来转化。
所以，公开表达真的很重要，真的是要学会在互联网上展示自己。
2、联盟营销：让别人帮你卖
Magai 在早期内置了一个**非常慷慨的联盟计划**：推荐者能从订阅用户的“经常性收入”中获得提成。如果被推荐的用户付费12个月，推荐者就能拿12个月的分成。
这让很多小博主、创作者主动帮他推广。
如果你做副业产品，想低成本获客，**不要靠广告**，靠“分享激励”机制，让别人替你传播。这比烧钱投流靠谱太多，同时没有成本的付出。
3、真诚的人脉：靠关系而非流量
Dustin 一直真心与同行交流、帮别人推广。所以当他推出产品时，那些被他帮助过的人纷纷帮他反推。他的第一批核心用户，几乎都是口碑积累来的。
这给我一个启发就是：不要只盯着“流量”，要经营“关系”。有时候，一个你真诚帮助过的人，就能带来一批早期付费用户。
三、他的商业模式：不搞免费，直接收费
Magai 没有免费版，也没有免费试用。一上来就是 $20/月的订阅计划。
听起来激进，但他解释得很清楚：“真正有价值的用户，不介意付费。免费用户会让你忙到崩溃，但不创造价值。”
于是他用两个定价策略完成了早期变现：
- $20/月：个人用户计划
- $40/月：团队计划（支持多用户协作）
这种“干净利落”的收费逻辑，也让他快速现金流转正。
从一开始就筛掉了不付费的人群，让用户更专注，也让产品迭代更快。因为他听到的反馈，都是来自“真正愿意付钱”的人。
我们很多搞副业的人，很害怕收费，不敢收费，感觉收费会损失很多用户和流量，其实这种思维是错误的，收费恰恰是过滤用户的一种方式，只有付费的用户才是你真正的用户。
对做副业的人来说，这是一个很有价值的理念：
你的产品不需要讨好所有人，只需要被一小群愿意付费的人喜欢。
先从小圈子做深，再逐步扩展，才是更可持续的增长路径。
所以，不要害怕收费。免费模式最贵的地方是“时间成本”。 一开始就收费，反而能吸引真正的用户。
四、从失败中走出来：不要让过去定义你
Dustin 在访谈最后说了一段非常打动人的话：“我以前做过几次产品，都失败了。那些失败差点让我放弃自己。但我后来明白，人们拒绝的是你的产品，不是你。”
我感觉这是很多想做副业的人最该记住的一句话。做产品、写内容、创业、副业……所有这些都意味着：你要被拒绝、被质疑、被忽视。但那不代表你错了。只要你在做正确的事，坚持优化，迟早会遇到属于你的突破点。
五、可复制的普通人路线图
Dustin 的故事之所以有启发，不是因为他多聪明，而是因为这条路径几乎每个人都能照搬。
第一步是找到真实的痛点。他不是去想“我要做一个 AI 产品”，而是从自己日常使用 ChatGPT 的过程中发现问题——找不到聊天记录、不方便分类。所有伟大的产品，几乎都起于一句抱怨。
第二步是用现成工具验证想法。不会写代码没关系，如今有无代码、低代码平台，也有能帮你编程的 AI。关键是别卡在“我不会”的阶段，而是先把想法跑起来。
第三步是用内容来传播产品。Dustin 不是靠广告起量的，而是靠“公开构建”——他写博客、发动态、分享进展、晒收入，让人们见证一个产品从 0 到 1 的过程。真实、透明、持续更新，本身就是最好的营销。
第四步是持续打磨体验。他不断观察用户反馈，哪怕是细微的功能也认真优化。很多人以为做产品靠灵感，其实靠的是耐心。
这几步听起来都不复杂，但连贯起来，几乎就是一套可复制的“个人 SaaS 启动模板”：
发现问题 → 用 AI 或无代码工具验证 → 用内容积累信任 → 持续迭代。
换句话说，这不是“程序员的机会”，而是洞察者的机会。
未来几年，AI 会让“动手”这件事越来越容易，但“看见问题”的能力，依然是稀缺的。
谁更懂人、懂痛点，谁就能在这个时代，用 AI 放大自己的价值。
六、结语：你不需要更聪明，只需要更真诚
Dustin 没有技术背景、没有资金、没有团队。他有的只是好奇心 + 执行力 + 真诚的表达。
他靠这三样东西，在 AI 热潮中切出一个属于自己的口子。
这件事的本质不是“副业赚10万美元”，而是——当一个普通人开始认真解决问题，并持续行动，他就不再是普通人了。
最后我再分享一句我特别喜欢的一句话：普通人赚不到钱，因为他们只想做普通人。
现在，他靠一个自己做的 AI 工具 Magai，实现了月入近 10 万美元。
他是怎么做到的？我感觉这不是“暴富神话”，而是一条普通人也能照抄的路径。
一、从零开始：没有技术，也能做出 SaaS
Dustin 其实不是程序员。他原本学表演，后来因为生活压力转行做社交媒体顾问。这段经历给了他两个重要能力：
- 他会讲故事，会包装想法；
- 他了解用户心理，知道什么是“好体验”。
这两点，在做产品时，比会写代码还重要。
这两项能力，在未来肯定也是最重要的能力，尤其是在 AI 时代，AI 可以什么都能干，但是，无法代替你去表达、去决策、去洞察世界。你属于将你的观察输入给 AI ，AI 才能给你提供参考和方案，或者帮你执行。
我们一起看看 Dustin 是如何洞察这个世界的。
2022年，当 ChatGPT 刚爆火时，他发现了一个小问题：
“我希望能在 ChatGPT 里搜索我的对话、分类整理、归档重要的聊天内容。”
听起来是个不起眼的小功能，但恰恰是无数用户的“隐性痛点”。他敏锐地意识到：
“我能不能做一个更易用、更人性化的 ChatGPT 工具？”
于是他用 Bubble（一个无代码平台）开始自学开发。每天学习、测试、重构，八周后上线了一个最小可行版本（MVP）。他没想到，第一天就有人付费。
第一个月赚了 3000 美元，两个月后 1 万美元。
你看，只要你有想法，有用户痛点的洞察力，即使你不会写代码，在如今这个时代，科技平权的前提下，你也能通过其他途径去实现自己的产品，有很多用无代码工具（Bubble、Glide、Notion API、Typedream等），让你能在 1-2 个月内做出一个产品原型。
当然了，Dustin 做这个产品的时候，ChatGPT 刚火，AI 编程还没有兴起，现在有了各种 AI 编程软件，其实，你完全不需要那些无代码或者低代码平台了，用自然语言和 AI 交流，就能开发出产品来。
所以，重点不是技术，而是你能不能让用户少烦一点，能不能洞察到用户的痛点需求。
二、他靠什么增长到月入十万美元？
1、建立个人品牌，公开构建
Dustin 早在十年前就写博客、做内容积累。当他推出 Magai 时，已经有了 10 万+ 的订阅者基础。 他选择“Build in public（公开构建）”——把自己开发的过程、遇到的挑战、每周的增长数据都发出来。
人们喜欢看真实的创业故事。他没打广告，只靠内容传播，就收获了第一批忠实用户。
其实，怎么说呢？我们生活在一个非常好的时代，这个时代，打破了传统的上升路径，因为有了互联网、移动互联网、直播、短视频、自媒体的存在，我们有了更多展示自己的舞台，不像是之前，只能通过高考或者进入大厂、升职加薪那条传统路径，来改变命运。
**现在的时代，是“自我放大”的时代。**
你不需要被谁选中，也不需要背景、人脉、资金。你只要持续输出、分享你的过程，让别人看到你在进步，你在探索——这本身就是最好的品牌。
Dustin 做的其实就是这一点：他没有包装成“专家”，而是让别人看到他在学习、在犯错、在坚持。这种“公开构建”的方式，比起传统营销更能建立信任。因为人们信任一个真实的人，而不是一个完美的品牌。
对做副业的人来说，这非常有启发：
与其花时间做“完美的产品”，不如早点把半成品拿出来，边做边讲。你以为的“不够好”，在别人眼里可能刚好足够真实。不要一开始就想着营销，先去“记录”你的过程。你做的任何项目，都可以变成内容。内容能带来信任，信任能带来转化。
所以，公开表达真的很重要，真的是要学会在互联网上展示自己。
2、联盟营销：让别人帮你卖
Magai 在早期内置了一个**非常慷慨的联盟计划**：推荐者能从订阅用户的“经常性收入”中获得提成。如果被推荐的用户付费12个月，推荐者就能拿12个月的分成。
这让很多小博主、创作者主动帮他推广。
如果你做副业产品，想低成本获客，**不要靠广告**，靠“分享激励”机制，让别人替你传播。这比烧钱投流靠谱太多，同时没有成本的付出。
3、真诚的人脉：靠关系而非流量
Dustin 一直真心与同行交流、帮别人推广。所以当他推出产品时，那些被他帮助过的人纷纷帮他反推。他的第一批核心用户，几乎都是口碑积累来的。
这给我一个启发就是：不要只盯着“流量”，要经营“关系”。有时候，一个你真诚帮助过的人，就能带来一批早期付费用户。
三、他的商业模式：不搞免费，直接收费
Magai 没有免费版，也没有免费试用。一上来就是 $20/月的订阅计划。
听起来激进，但他解释得很清楚：“真正有价值的用户，不介意付费。免费用户会让你忙到崩溃，但不创造价值。”
于是他用两个定价策略完成了早期变现：
- $20/月：个人用户计划
- $40/月：团队计划（支持多用户协作）
这种“干净利落”的收费逻辑，也让他快速现金流转正。
从一开始就筛掉了不付费的人群，让用户更专注，也让产品迭代更快。因为他听到的反馈，都是来自“真正愿意付钱”的人。
我们很多搞副业的人，很害怕收费，不敢收费，感觉收费会损失很多用户和流量，其实这种思维是错误的，收费恰恰是过滤用户的一种方式，只有付费的用户才是你真正的用户。
对做副业的人来说，这是一个很有价值的理念：
你的产品不需要讨好所有人，只需要被一小群愿意付费的人喜欢。
先从小圈子做深，再逐步扩展，才是更可持续的增长路径。
所以，不要害怕收费。免费模式最贵的地方是“时间成本”。 一开始就收费，反而能吸引真正的用户。
四、从失败中走出来：不要让过去定义你
Dustin 在访谈最后说了一段非常打动人的话：“我以前做过几次产品，都失败了。那些失败差点让我放弃自己。但我后来明白，人们拒绝的是你的产品，不是你。”
我感觉这是很多想做副业的人最该记住的一句话。做产品、写内容、创业、副业……所有这些都意味着：你要被拒绝、被质疑、被忽视。但那不代表你错了。只要你在做正确的事，坚持优化，迟早会遇到属于你的突破点。
五、可复制的普通人路线图
Dustin 的故事之所以有启发，不是因为他多聪明，而是因为这条路径几乎每个人都能照搬。
第一步是找到真实的痛点。他不是去想“我要做一个 AI 产品”，而是从自己日常使用 ChatGPT 的过程中发现问题——找不到聊天记录、不方便分类。所有伟大的产品，几乎都起于一句抱怨。
第二步是用现成工具验证想法。不会写代码没关系，如今有无代码、低代码平台，也有能帮你编程的 AI。关键是别卡在“我不会”的阶段，而是先把想法跑起来。
第三步是用内容来传播产品。Dustin 不是靠广告起量的，而是靠“公开构建”——他写博客、发动态、分享进展、晒收入，让人们见证一个产品从 0 到 1 的过程。真实、透明、持续更新，本身就是最好的营销。
第四步是持续打磨体验。他不断观察用户反馈，哪怕是细微的功能也认真优化。很多人以为做产品靠灵感，其实靠的是耐心。
这几步听起来都不复杂，但连贯起来，几乎就是一套可复制的“个人 SaaS 启动模板”：
发现问题 → 用 AI 或无代码工具验证 → 用内容积累信任 → 持续迭代。
换句话说，这不是“程序员的机会”，而是洞察者的机会。
未来几年，AI 会让“动手”这件事越来越容易，但“看见问题”的能力，依然是稀缺的。
谁更懂人、懂痛点，谁就能在这个时代，用 AI 放大自己的价值。
六、结语：你不需要更聪明，只需要更真诚
Dustin 没有技术背景、没有资金、没有团队。他有的只是好奇心 + 执行力 + 真诚的表达。
他靠这三样东西，在 AI 热潮中切出一个属于自己的口子。
这件事的本质不是“副业赚10万美元”，而是——当一个普通人开始认真解决问题，并持续行动，他就不再是普通人了。
最后我再分享一句我特别喜欢的一句话：普通人赚不到钱，因为他们只想做普通人。
1 10
AI 编程不是让你变懒，而是让你更像一个系统设计者。Coding 的确变少了，但你在Architecture & Orchestration（架构与编排）上，做得比过去任何时候都多。
没有对代码的组织和结构化做设计，全靠 Vibe coding， 项目是很难长大的。功能越多，越容易在后期陷入稳定性差、鲁棒性低、可维护性崩塌的泥潭。
AI 本身并不关心这些系统属性，这也意味着，如果人类不主动构建它的秩序，那 AI 产出的代码就只能是一次次补丁的堆砌。
没有对代码的组织和结构化做设计，全靠 Vibe coding， 项目是很难长大的。功能越多，越容易在后期陷入稳定性差、鲁棒性低、可维护性崩塌的泥潭。
AI 本身并不关心这些系统属性，这也意味着，如果人类不主动构建它的秩序，那 AI 产出的代码就只能是一次次补丁的堆砌。
2 00
现在的世界，信息就是武器。
会找信息的人，能用搜索、AI、数据、社群去挖到趋势；不会找的人，只能在朋友圈听别人讲故事。
那如果要提升这种能力，我觉得有三个动作特别重要：
一、 把搜索当技能练
别光靠百度或短视频搜标题，要学会组合搜索。
比如你想研究一个新赛道，就该同时搜：
国外关键词 + Reddit / Twitter + 年份
知乎 / 小红书 + 关键词 + 真实体验
Google Trends / TikTok Creative Center / 数据报告
这套下来，你看到的就是别人半年后才知道的内容。
二、建立信息源系统
信息差的核心，不是你一次找到，而是你能持续获取。
订阅几个优质资讯号、收藏几个行业网站、混进几个专业群。
用RSS、Notion把有价值的信息定期整理，久而久之，你就有了自己的信息数据库。
三、学会筛选与验证
信息越多，误导就会越多。所以遇到所谓内幕消息或风口，先看它的数据逻辑是否成立，再去找独立验证来源，
别盲信热度，盲信就会变韭菜了。
信息能力强的人，赚钱就像开了挂：别人还在问要不要入场，你已经开始布局。
因为你不靠运气，而靠掌握一手信号。
有时候啊，赚钱就是看谁更早知道、看得更准、执行更快。
信息差，就是赚钱差。
如果你现在还在等别人告诉你机会在哪，那机会已经不属于你了。
会找信息的人，能用搜索、AI、数据、社群去挖到趋势；不会找的人，只能在朋友圈听别人讲故事。
那如果要提升这种能力，我觉得有三个动作特别重要：
一、 把搜索当技能练
别光靠百度或短视频搜标题，要学会组合搜索。
比如你想研究一个新赛道，就该同时搜：
国外关键词 + Reddit / Twitter + 年份
知乎 / 小红书 + 关键词 + 真实体验
Google Trends / TikTok Creative Center / 数据报告
这套下来，你看到的就是别人半年后才知道的内容。
二、建立信息源系统
信息差的核心，不是你一次找到，而是你能持续获取。
订阅几个优质资讯号、收藏几个行业网站、混进几个专业群。
用RSS、Notion把有价值的信息定期整理，久而久之，你就有了自己的信息数据库。
三、学会筛选与验证
信息越多，误导就会越多。所以遇到所谓内幕消息或风口，先看它的数据逻辑是否成立，再去找独立验证来源，
别盲信热度，盲信就会变韭菜了。
信息能力强的人，赚钱就像开了挂：别人还在问要不要入场，你已经开始布局。
因为你不靠运气，而靠掌握一手信号。
有时候啊，赚钱就是看谁更早知道、看得更准、执行更快。
信息差，就是赚钱差。
如果你现在还在等别人告诉你机会在哪，那机会已经不属于你了。
2 00