即刻App年轻人的同好社区
下载
置顶
大家一定要看这期内容，我给大家扒了一下，Anthropic 的工程师是怎么用 Claude Code 构建开发工具的！
这哥们叫CJ，在 Anthropic 主要负责开发者体验这块，说白了就是让开发者用得爽。
他分享的核心话题是如何用 Claude Code 快速搭建自定义工具，而且是真正能解决实际问题的工具。
我说真的，AI 编程工具已经不再是概念阶段了，它正在改变开发者的日常工作流程。
那种以前需要花几天时间搭建的小工具，现在可能十几分钟就能搞定，这个转变的速度比我想象的要快。
1️⃣ 为什么是 Claude Code 而不是其他工具
市面上 AI 编程助手那么多，Cursor、Copilot、Windsurf 都挺火的，CJ 为什么选择 Claude Code？
他给出的理由如下👇
首先是模型能力。
Claude 在理解复杂需求和生成高质量代码方面确实有优势，特别是处理那些需要多步推理的任务。
CJ 提到一个细节，Claude Code 会在执行代码前先思考，这个思考过程虽然看不见，但能明显感觉到输出质量的提升。
其次是工作流的整合度。
Claude Code 不只是一个代码生成器，它能直接读取文件、执行命令、修改代码，整个过程是连贯的。你不需要在不同工具之间来回切换，这种流畅度在实际使用中特别重要。
CJ 说他们团队内部就在用 Claude Code 开发 Claude Code 本身。这种自举的方式说明工具已经成熟到可以用于生产环境了。
2️⃣ Flowy 工具的诞生：把 ASCII 流程图变成可视化界面
CJ 在节目里现场演示了一个叫 Flowy 的工具，这个案例特别能说明 AI 开发的实际应用场景。
是这样的，他们团队内部经常用 ASCII 字符画流程图，就是那种用加减号和竖线拼出来的图表。
虽然在代码里看着还行，但如果想要一个更直观的可视化界面呢？
传统做法可能需要找个前端框架，写一堆解析逻辑，搞不好要花好几天。
CJ 直接让 Claude Code 来做这件事。
他先给了一个 ASCII 流程图的例子，然后描述需求：把这个转成可交互的可视化界面。
Claude Code 理解了需求之后，开始生成代码。
整个过程你能看到它在思考如何解析 ASCII 格式，如何用 React Flow 这样的库来渲染，如何处理节点之间的连接关系。
有意思的是调试过程。
第一版代码运行起来之后，发现节点位置有点问题，CJ 没有自己去改代码，而是直接告诉 Claude Code 哪里不对，然后 AI 自己去修复。
这种迭代速度真的很快，基本上就是对话式编程。
从这个案例能看出来，AI 开发工具的价值不在于替代开发者，而在于大幅降低实现想法的门槛。
以前你可能因为觉得麻烦就放弃了某个小工具的开发，现在可以快速验证想法是否可行。
3️⃣ 用 CodeX 检查 Claude 的代码
CJ 演示了一个很酷的玩法，用另一个 AI 模型来审查 Claude 生成的代码。
他用的是 OpenAI 的 CodeX 模型，专门训练用于代码分析。
流程是这样的：Claude Code 生成一段代码之后，自动调用 CodeX 进行审查，检查潜在的 bug、性能问题、安全漏洞等等。
CodeX 会给出详细的反馈，然后 Claude Code 根据这些反馈进行改进。
就像人类开发中的 Code Review 流程，只不过现在是 AI 之间互相审查。
不同模型有不同的优势，Claude 擅长理解需求和生成代码，CodeX 擅长发现代码问题，把它们组合起来能得到更可靠的结果。
CJ 提到一个观点我很认同，未来的开发流程可能不是单一 AI 工具的天下，而是多个专门化的 AI 协同工作。就像现在的微服务架构，每个服务做好自己擅长的事情，通过 API 组合起来完成复杂任务。
这种模式还有个好处，可以避免单一模型的偏见或盲区。
一个模型可能在某些场景下表现很好，但在其他场景下就不行了，多模型协作能够互相补充，提高整体质量。
4️⃣ AI 开发工具的未来趋势
聊到最后，CJ 分享了一些他对 AI 开发工具未来的看法。
第一个趋势是工具会变得更加情境感知。
现在的 AI 编程助手已经能读取当前文件内容，但未来可能会理解整个项目的架构、团队的编码规范、甚至你个人的编程习惯。它不只是生成代码，而是生成符合你项目风格的代码。
第二个趋势是从代码生成到系统设计。
现在 AI 主要帮你写具体的函数或模块，但未来可能参与到更高层次的架构决策中。比如你说想做一个实时聊天应用，AI 不只是给你代码，还会建议用什么技术栈、如何设计数据库、怎么处理并发等等。
第三个趋势是开发流程的重构。
传统的开发流程是写代码、测试、部署，未来可能变成描述需求、AI 生成、人类审查。开发者的角色会从编码者转变为架构师和审查者，更多时间花在思考问题而不是敲键盘上。
CJ 还提到一个有意思的点，AI 工具会让编程变得更加民主化。
以前你需要花很多时间学习语法和框架，现在可以更快地把想法变成现实。这不是说专业开发者会失业，而是说更多人能够参与到软件开发中来。
从更大的趋势来看，软件开发正在经历一次范式转变。
我们正在从手工编码时代进入到人机协作时代，开发者的核心价值会从写代码转向解决问题。这个转变可能比我们想象的要快，也比我们想象的要深刻。
这哥们叫CJ，在 Anthropic 主要负责开发者体验这块，说白了就是让开发者用得爽。
他分享的核心话题是如何用 Claude Code 快速搭建自定义工具，而且是真正能解决实际问题的工具。
我说真的，AI 编程工具已经不再是概念阶段了，它正在改变开发者的日常工作流程。
那种以前需要花几天时间搭建的小工具，现在可能十几分钟就能搞定，这个转变的速度比我想象的要快。
1️⃣ 为什么是 Claude Code 而不是其他工具
市面上 AI 编程助手那么多，Cursor、Copilot、Windsurf 都挺火的，CJ 为什么选择 Claude Code？
他给出的理由如下👇
首先是模型能力。
Claude 在理解复杂需求和生成高质量代码方面确实有优势，特别是处理那些需要多步推理的任务。
CJ 提到一个细节，Claude Code 会在执行代码前先思考，这个思考过程虽然看不见，但能明显感觉到输出质量的提升。
其次是工作流的整合度。
Claude Code 不只是一个代码生成器，它能直接读取文件、执行命令、修改代码，整个过程是连贯的。你不需要在不同工具之间来回切换，这种流畅度在实际使用中特别重要。
CJ 说他们团队内部就在用 Claude Code 开发 Claude Code 本身。这种自举的方式说明工具已经成熟到可以用于生产环境了。
2️⃣ Flowy 工具的诞生：把 ASCII 流程图变成可视化界面
CJ 在节目里现场演示了一个叫 Flowy 的工具，这个案例特别能说明 AI 开发的实际应用场景。
是这样的，他们团队内部经常用 ASCII 字符画流程图，就是那种用加减号和竖线拼出来的图表。
虽然在代码里看着还行，但如果想要一个更直观的可视化界面呢？
传统做法可能需要找个前端框架，写一堆解析逻辑，搞不好要花好几天。
CJ 直接让 Claude Code 来做这件事。
他先给了一个 ASCII 流程图的例子，然后描述需求：把这个转成可交互的可视化界面。
Claude Code 理解了需求之后，开始生成代码。
整个过程你能看到它在思考如何解析 ASCII 格式，如何用 React Flow 这样的库来渲染，如何处理节点之间的连接关系。
有意思的是调试过程。
第一版代码运行起来之后，发现节点位置有点问题，CJ 没有自己去改代码，而是直接告诉 Claude Code 哪里不对，然后 AI 自己去修复。
这种迭代速度真的很快，基本上就是对话式编程。
从这个案例能看出来，AI 开发工具的价值不在于替代开发者，而在于大幅降低实现想法的门槛。
以前你可能因为觉得麻烦就放弃了某个小工具的开发，现在可以快速验证想法是否可行。
3️⃣ 用 CodeX 检查 Claude 的代码
CJ 演示了一个很酷的玩法，用另一个 AI 模型来审查 Claude 生成的代码。
他用的是 OpenAI 的 CodeX 模型，专门训练用于代码分析。
流程是这样的：Claude Code 生成一段代码之后，自动调用 CodeX 进行审查，检查潜在的 bug、性能问题、安全漏洞等等。
CodeX 会给出详细的反馈，然后 Claude Code 根据这些反馈进行改进。
就像人类开发中的 Code Review 流程，只不过现在是 AI 之间互相审查。
不同模型有不同的优势，Claude 擅长理解需求和生成代码，CodeX 擅长发现代码问题，把它们组合起来能得到更可靠的结果。
CJ 提到一个观点我很认同，未来的开发流程可能不是单一 AI 工具的天下，而是多个专门化的 AI 协同工作。就像现在的微服务架构，每个服务做好自己擅长的事情，通过 API 组合起来完成复杂任务。
这种模式还有个好处，可以避免单一模型的偏见或盲区。
一个模型可能在某些场景下表现很好，但在其他场景下就不行了，多模型协作能够互相补充，提高整体质量。
4️⃣ AI 开发工具的未来趋势
聊到最后，CJ 分享了一些他对 AI 开发工具未来的看法。
第一个趋势是工具会变得更加情境感知。
现在的 AI 编程助手已经能读取当前文件内容，但未来可能会理解整个项目的架构、团队的编码规范、甚至你个人的编程习惯。它不只是生成代码，而是生成符合你项目风格的代码。
第二个趋势是从代码生成到系统设计。
现在 AI 主要帮你写具体的函数或模块，但未来可能参与到更高层次的架构决策中。比如你说想做一个实时聊天应用，AI 不只是给你代码，还会建议用什么技术栈、如何设计数据库、怎么处理并发等等。
第三个趋势是开发流程的重构。
传统的开发流程是写代码、测试、部署，未来可能变成描述需求、AI 生成、人类审查。开发者的角色会从编码者转变为架构师和审查者，更多时间花在思考问题而不是敲键盘上。
CJ 还提到一个有意思的点，AI 工具会让编程变得更加民主化。
以前你需要花很多时间学习语法和框架，现在可以更快地把想法变成现实。这不是说专业开发者会失业，而是说更多人能够参与到软件开发中来。
从更大的趋势来看，软件开发正在经历一次范式转变。
我们正在从手工编码时代进入到人机协作时代，开发者的核心价值会从写代码转向解决问题。这个转变可能比我们想象的要快，也比我们想象的要深刻。
1 00
最近看了一场AI营销大师班的分享，主讲人是Ethan Mollick，宾夕法尼亚大学沃顿商学院的教授，这场分享让我对AI营销有了完全不同的理解。
很多人一提到AI营销，脑子里想的都是各种工具、各种自动化。
但Ethan的思路完全不一样，他更关注的是方法论，是如何用AI重新构建整个营销系统。
听完之后，我发现自己之前对AI营销的理解可能太浅了。
这场分享干货很多，但核心其实就是几个关键点。接下来我就用比较轻松的方式，把这些要点梳理一下。
1️⃣ 先花1小时做研究，这是最被低估的环节
Ethan特别强调一个习惯：每次开始做营销之前，先花1小时做深度市场研究。
听起来很简单，但实际上大部分人都跳过了这一步。我们总是急着动手，急着出方案，急着看效果。
可Ethan说，这1小时的研究能让后面的工作效率提升好几倍。
他推荐用Perplexity MCP这个工具。这个工具的厉害之处在于，它能帮你快速了解市场现状、竞争对手策略、目标用户画像。相当于把传统需要几天才能完成的市场调研，压缩到1小时内。
2️⃣ 技能的价值在最后那10%
Ethan说，专家知识的真正价值其实在最后那10%到20%。
什么意思呢？就是说，一个领域的基础知识，AI现在都能搞定了。但那些真正需要经验、需要判断力、需要创造性思维的部分，才是专家的核心竞争力。
我们不应该把时间花在那些AI能做的基础工作上，而应该专注于那些需要深度思考和创意的环节。比如品牌定位、核心信息提炼、情感连接的建立，这些才是人的价值所在。
3️⃣ 营销系统要完整，不能东一榔头西一棒子
Ethan展示了一个完整的营销系统构建流程：从市场研究开始，到落地页设计，再到lead magnet的制作，最后是广告创意的生成。
这个流程听起来很标准，但重点在于，他强调这些环节要连贯。
很多人做营销，今天做个落地页，明天想个广告创意，后天又搞个引流活动，结果整个系统是割裂的。
完整的营销系统应该每个环节都能无缝衔接，数据能流通，策略能一致。这样才能形成合力，而不是各自为战。
AI的价值就在这里。它能帮你快速搭建起这个完整的框架，让你不用在每个环节都从零开始。
4️⃣ Remotion让视频广告制作变得超简单
这个工具我之前没听说过，但Ethan的演示让我眼前一亮。
Remotion是一个可以在终端创建程序化视频广告的工具，它几乎零成本。你不需要专业的视频制作团队，不需要昂贵的软件，甚至不需要太多视频制作经验。
想象一下，你可以用代码的方式生成视频广告。这意味着你可以批量生成、快速迭代、精准定制。比如针对不同的用户群体，你可以快速生成不同版本的视频广告，测试哪个效果更好。
这种灵活性和效率，是传统视频制作方式完全无法比拟的。
5️⃣ 编排器技能解决了一个大问题
Ethan提到了一个叫Orchestrator skill的东西，这个技能的作用是帮你解决下一步该做什么的困惑。
做营销的人都知道，很多时候我们不是不知道怎么做，而是不知道先做什么、后做什么。任务太多，优先级不清楚，结果就是手忙脚乱。
编排器技能就像一个智能助手，它能根据你的目标和当前进度，给出合理的行动建议。这样你就不用一直纠结下一步该干嘛，可以把精力放在执行上。
这个功能听起来简单，但实际上能大大提升工作效率。毕竟，决策疲劳是真实存在的。
6️⃣ Claude Code让一切都在一个地方完成
最后一个点，Ethan特别强调了Claude Code的价值。
传统的营销流程你可能需要在不同的工具之间切换：这里做个设计，那里写个文案，另一个地方跑个广告。工具多了，协作就变得复杂，效率也会降低。
Claude Code的厉害之处在于，它提供了一个统一的环境。你可以在同一个地方完成产品构建和营销系统的搭建。这种一体化的体验，能让整个流程更加顺畅。
而且，因为所有东西都在一个环境里，数据的流通也更容易。你可以更快地看到效果，更快地做出调整。
AI营销的核心不是技术本身，而是思维方式的转变。
我们要学会的，不是怎么用某个具体的AI工具，而是怎么用AI的思维去重新构建营销系统。从研究到执行，从策略到落地，每个环节都可以用AI来优化。
另一个感受是，AI时代的营销门槛其实降低了。以前你可能需要一个团队才能完成的事情，现在一个人借助AI工具就能搞定。
但与此同时，竞争也会更激烈，因为大家都有了这些工具。
所以，真正的竞争优势在哪里？
还是在那最后10%的专家知识，在你对市场的洞察，在你的创意和判断力
很多人一提到AI营销，脑子里想的都是各种工具、各种自动化。
但Ethan的思路完全不一样，他更关注的是方法论，是如何用AI重新构建整个营销系统。
听完之后，我发现自己之前对AI营销的理解可能太浅了。
这场分享干货很多，但核心其实就是几个关键点。接下来我就用比较轻松的方式，把这些要点梳理一下。
1️⃣ 先花1小时做研究，这是最被低估的环节
Ethan特别强调一个习惯：每次开始做营销之前，先花1小时做深度市场研究。
听起来很简单，但实际上大部分人都跳过了这一步。我们总是急着动手，急着出方案，急着看效果。
可Ethan说，这1小时的研究能让后面的工作效率提升好几倍。
他推荐用Perplexity MCP这个工具。这个工具的厉害之处在于，它能帮你快速了解市场现状、竞争对手策略、目标用户画像。相当于把传统需要几天才能完成的市场调研，压缩到1小时内。
2️⃣ 技能的价值在最后那10%
Ethan说，专家知识的真正价值其实在最后那10%到20%。
什么意思呢？就是说，一个领域的基础知识，AI现在都能搞定了。但那些真正需要经验、需要判断力、需要创造性思维的部分，才是专家的核心竞争力。
我们不应该把时间花在那些AI能做的基础工作上，而应该专注于那些需要深度思考和创意的环节。比如品牌定位、核心信息提炼、情感连接的建立，这些才是人的价值所在。
3️⃣ 营销系统要完整，不能东一榔头西一棒子
Ethan展示了一个完整的营销系统构建流程：从市场研究开始，到落地页设计，再到lead magnet的制作，最后是广告创意的生成。
这个流程听起来很标准，但重点在于，他强调这些环节要连贯。
很多人做营销，今天做个落地页，明天想个广告创意，后天又搞个引流活动，结果整个系统是割裂的。
完整的营销系统应该每个环节都能无缝衔接，数据能流通，策略能一致。这样才能形成合力，而不是各自为战。
AI的价值就在这里。它能帮你快速搭建起这个完整的框架，让你不用在每个环节都从零开始。
4️⃣ Remotion让视频广告制作变得超简单
这个工具我之前没听说过，但Ethan的演示让我眼前一亮。
Remotion是一个可以在终端创建程序化视频广告的工具，它几乎零成本。你不需要专业的视频制作团队，不需要昂贵的软件，甚至不需要太多视频制作经验。
想象一下，你可以用代码的方式生成视频广告。这意味着你可以批量生成、快速迭代、精准定制。比如针对不同的用户群体，你可以快速生成不同版本的视频广告，测试哪个效果更好。
这种灵活性和效率，是传统视频制作方式完全无法比拟的。
5️⃣ 编排器技能解决了一个大问题
Ethan提到了一个叫Orchestrator skill的东西，这个技能的作用是帮你解决下一步该做什么的困惑。
做营销的人都知道，很多时候我们不是不知道怎么做，而是不知道先做什么、后做什么。任务太多，优先级不清楚，结果就是手忙脚乱。
编排器技能就像一个智能助手，它能根据你的目标和当前进度，给出合理的行动建议。这样你就不用一直纠结下一步该干嘛，可以把精力放在执行上。
这个功能听起来简单，但实际上能大大提升工作效率。毕竟，决策疲劳是真实存在的。
6️⃣ Claude Code让一切都在一个地方完成
最后一个点，Ethan特别强调了Claude Code的价值。
传统的营销流程你可能需要在不同的工具之间切换：这里做个设计，那里写个文案，另一个地方跑个广告。工具多了，协作就变得复杂，效率也会降低。
Claude Code的厉害之处在于，它提供了一个统一的环境。你可以在同一个地方完成产品构建和营销系统的搭建。这种一体化的体验，能让整个流程更加顺畅。
而且，因为所有东西都在一个环境里，数据的流通也更容易。你可以更快地看到效果，更快地做出调整。
AI营销的核心不是技术本身，而是思维方式的转变。
我们要学会的，不是怎么用某个具体的AI工具，而是怎么用AI的思维去重新构建营销系统。从研究到执行，从策略到落地，每个环节都可以用AI来优化。
另一个感受是，AI时代的营销门槛其实降低了。以前你可能需要一个团队才能完成的事情，现在一个人借助AI工具就能搞定。
但与此同时，竞争也会更激烈，因为大家都有了这些工具。
所以，真正的竞争优势在哪里？
还是在那最后10%的专家知识，在你对市场的洞察，在你的创意和判断力
2 01
推荐大家去看一下 ARK Invest 的创始人 Cathie Wood，也就是大家常说的木头姐的最新访谈，聊的是她对 2026 年的展望。
木头姐这个人吧，在投资圈算是个争议人物。2020-2021 年她的基金业绩爆棚，但后来又跌得很惨。
不过不管你认不认同她的投资风格，有一点得承认，她确实是少数敢于长期押注颠覆性创新的投资人。
这次访谈里，她依然保持着那种对未来技术的乐观态度，但也多了些对市场现实的思考。
木头姐在访谈里最核心的观点就是：AI 不仅不是泡沫，反而是被市场低估了。她说现在 AI 领域的投资规模确实很大，但这些投资正在转化为实实在在的生产力提升。
她举了个例子，说 OpenAI、Anthropic 这些公司虽然烧钱很猛，但它们正在重新定义软件开发、客户服务、内容创作这些领域的效率。这就像当年互联网刚起来的时候，大家也觉得是泡沫，但后来证明那些早期投资都是值得的。
不过她也提到，市场确实存在一些过度炒作的现象。比如有些公司只是在产品里加了个 AI 功能，估值就翻倍，这种肯定不可持续。
真正有价值的是那些能够用 AI 重构商业模式、创造新市场的公司。
这个观点其实挺有意思的，现在市场上确实有两派声音，一派说 AI 是新一轮科技革命，另一派说这就是又一个泡沫。木头姐的立场很明确，她站在前者这边，但她的理由不是空喊口号，而是基于对技术落地速度和商业价值的判断。
另一个让我印象深刻的观点是关于自动驾驶的。木头姐说，2026 年可能会是自动驾驶真正开始商业化落地的一年。
她特别看好特斯拉的 FSD（完全自动驾驶）技术。
按她的说法，特斯拉现在已经积累了海量的真实道路数据，这是其他公司很难追上的优势。而且随着 AI 模型的进化，FSD 的能力提升速度会越来越快。
但她也承认，监管是个大问题。自动驾驶技术可能已经准备好了，但政策法规还没跟上。不同国家、不同地区的态度差异很大，这会影响技术推广的速度。
自动驾驶这事儿，技术上的进步大家都看得到，但什么时候能真正上路，确实不是技术公司单方面能决定的。
木头姐对加密货币的态度是，比特币已经从一个投机资产，逐渐转变为一种价值储存工具，有点像数字黄金。
她特别提到，随着更多机构投资者进场，比特币的波动性会逐渐降低，市场会更加成熟。而且她认为，美国政府对加密货币的态度正在转变，从之前的严格监管，到现在开始探索如何将其纳入主流金融体系。
不过她也说，加密货币市场里还是有很多垃圾项目，投资者需要非常谨慎。真正有价值的是那些解决了实际问题的区块链应用，而不是纯粹的炒作。
这个观点跟她对 AI 的看法其实是一致的，都是在强调技术的实际应用价值，而不是概念炒作。我觉得这是她作为投资人比较清醒的地方，不会被市场情绪完全左右。
访谈最后，木头姐聊到了她的投资哲学。她说自己一直坚持的就是长期主义，相信颠覆性创新最终会创造巨大价值。
但她也坦承，过去几年 ARK 基金的表现确实不理想，很多人质疑她的投资策略。但她觉得，创新投资本来就是反人性的，需要在市场最悲观的时候保持信心，在市场最乐观的时候保持冷静。
她说了一句话我觉得挺有道理的：市场总是高估短期影响，低估长期价值。很多真正改变世界的技术，在早期都是不被看好的，但只要方向对了，时间会证明一切。
木头姐依然是那个木头姐，依然对创新技术充满热情，依然坚持自己的投资理念。不管你认不认同她的观点，至少她提供了一个不同的视角，让我们思考技术发展的长期趋势，而不是只盯着短期的涨跌。
木头姐这个人吧，在投资圈算是个争议人物。2020-2021 年她的基金业绩爆棚，但后来又跌得很惨。
不过不管你认不认同她的投资风格，有一点得承认，她确实是少数敢于长期押注颠覆性创新的投资人。
这次访谈里，她依然保持着那种对未来技术的乐观态度，但也多了些对市场现实的思考。
木头姐在访谈里最核心的观点就是：AI 不仅不是泡沫，反而是被市场低估了。她说现在 AI 领域的投资规模确实很大，但这些投资正在转化为实实在在的生产力提升。
她举了个例子，说 OpenAI、Anthropic 这些公司虽然烧钱很猛，但它们正在重新定义软件开发、客户服务、内容创作这些领域的效率。这就像当年互联网刚起来的时候，大家也觉得是泡沫，但后来证明那些早期投资都是值得的。
不过她也提到，市场确实存在一些过度炒作的现象。比如有些公司只是在产品里加了个 AI 功能，估值就翻倍，这种肯定不可持续。
真正有价值的是那些能够用 AI 重构商业模式、创造新市场的公司。
这个观点其实挺有意思的，现在市场上确实有两派声音，一派说 AI 是新一轮科技革命，另一派说这就是又一个泡沫。木头姐的立场很明确，她站在前者这边，但她的理由不是空喊口号，而是基于对技术落地速度和商业价值的判断。
另一个让我印象深刻的观点是关于自动驾驶的。木头姐说，2026 年可能会是自动驾驶真正开始商业化落地的一年。
她特别看好特斯拉的 FSD（完全自动驾驶）技术。
按她的说法，特斯拉现在已经积累了海量的真实道路数据，这是其他公司很难追上的优势。而且随着 AI 模型的进化，FSD 的能力提升速度会越来越快。
但她也承认，监管是个大问题。自动驾驶技术可能已经准备好了，但政策法规还没跟上。不同国家、不同地区的态度差异很大，这会影响技术推广的速度。
自动驾驶这事儿，技术上的进步大家都看得到，但什么时候能真正上路，确实不是技术公司单方面能决定的。
木头姐对加密货币的态度是，比特币已经从一个投机资产，逐渐转变为一种价值储存工具，有点像数字黄金。
她特别提到，随着更多机构投资者进场，比特币的波动性会逐渐降低，市场会更加成熟。而且她认为，美国政府对加密货币的态度正在转变，从之前的严格监管，到现在开始探索如何将其纳入主流金融体系。
不过她也说，加密货币市场里还是有很多垃圾项目，投资者需要非常谨慎。真正有价值的是那些解决了实际问题的区块链应用，而不是纯粹的炒作。
这个观点跟她对 AI 的看法其实是一致的，都是在强调技术的实际应用价值，而不是概念炒作。我觉得这是她作为投资人比较清醒的地方，不会被市场情绪完全左右。
访谈最后，木头姐聊到了她的投资哲学。她说自己一直坚持的就是长期主义，相信颠覆性创新最终会创造巨大价值。
但她也坦承，过去几年 ARK 基金的表现确实不理想，很多人质疑她的投资策略。但她觉得，创新投资本来就是反人性的，需要在市场最悲观的时候保持信心，在市场最乐观的时候保持冷静。
她说了一句话我觉得挺有道理的：市场总是高估短期影响，低估长期价值。很多真正改变世界的技术，在早期都是不被看好的，但只要方向对了，时间会证明一切。
木头姐依然是那个木头姐，依然对创新技术充满热情，依然坚持自己的投资理念。不管你认不认同她的观点，至少她提供了一个不同的视角，让我们思考技术发展的长期趋势，而不是只盯着短期的涨跌。
3 10
最近刷到一篇关于 OpenAI 和 Anthropic 竞争的深度分析，这两家公司的关系真的有点像科技圈宫斗，从同一个屋檐下到分道扬镳，再到现在正面交锋，故事线相当精彩。
简单说，这篇文章主要聊的是 OpenAI 和 Anthropic 这两家 AI 公司是怎么从昔日同事变成今天对手的。很多人不知道，Anthropic 的创始团队本来就是从 OpenAI 出来的。
表面上看这是技术路线之争，但实际上牵扯到的是理念、资本、人才，甚至是对未来的不同想象。
1️⃣ 从分家到对峙：一场理念之争
这个故事得从 2021 年说起。当时 Anthropic 的几位创始人，包括 Dario Amodei 和 Daniela Amodei 兄妹，还在 OpenAI 工作。
但他们对公司的发展方向产生了分歧，核心矛盾就是 AI 安全问题。
Anthropic 团队觉得 OpenAI 在追求技术突破的时候，对安全性的重视不够。他们认为应该更谨慎地开发 AI，确保技术不会失控。
而 OpenAI 那边可能觉得，先把技术做出来再说，安全问题可以边走边看。
这种分歧背后反映的是两种不同的价值观：一种是快速迭代、占领市场；另一种是稳扎稳打、注重长期风险。
有意思的是，Anthropic 出走之后并没有销声匿迹，反而拿到了大量融资，包括 Google 的投资，这说明市场上确实有人认可他们的理念。
而 OpenAI 这边也不甘示弱，和微软深度绑定，ChatGPT 的爆火让他们一下子站到了聚光灯下。
所以，这场竞争从一开始就不只是技术层面的，更是两种发展哲学的碰撞。
2️⃣ 产品对决：Claude 能挑战 ChatGPT 吗？
Anthropic 在宣传 Claude 的时候，一直强调它更安全、更可靠、更不容易胡说八道。这其实是在暗戳戳地说 ChatGPT 有时候会一本正经地瞎编。
确实，早期的 ChatGPT 在事实准确性上翻过不少车，这也是很多专业用户诟病的地方。
从技术路线上看，Anthropic 采用的是所谓的宪法式 AI（Constitutional AI），简单说就是给 AI 设定一套规则，让它在回答问题的时候自我审查，避免输出有害内容。这个思路挺新颖的，但代价就是模型可能会显得保守一些。
而 OpenAI 这边，他们的策略更激进，迭代速度也非常快。他们的逻辑可能是，先把用户量做起来，问题可以后面慢慢修。
市场反应挺有意思的，ChatGPT 的用户基数更大，但 Claude 在某些专业领域，比如法律、医疗等对准确性要求高的场景，开始有了自己的拥趸。
这说明两个产品其实是在打不同的牌。
3️⃣ 资本游戏：站队比技术更重要？
聊完产品，不得不说说钱的事。AI 这个赛道烧钱是出了名的，没有强大的资本支持，再好的技术也玩不转。
OpenAI 背后是微软，这个大家都知道。微软不仅投了上百亿美元，还把 OpenAI 的技术深度整合到自己的产品线里，从 Office 到 Azure，到处都能看到 AI 的影子。这种绑定关系让 OpenAI 有了稳定的现金流和应用场景。
Anthropic 这边，主要投资方是 Google。虽然 Google 投的钱可能没有微软那么多，但也是数十亿美元的级别。更重要的是，Google 本身就是 AI 领域的老玩家，有 DeepMind 这样的王牌在手，所以 Anthropic 某种程度上也是在帮 Google 对抗微软。
这就形成了一个很有意思的格局：微软 + OpenAI vs Google + Anthropic。
表面上看是创业公司之间的竞争，实际上是两大科技巨头的代理人战争。
有业内人士说，现在做 AI 创业，站队比技术还重要。你的技术再牛，如果没有大厂撑腰，很难在这个赛道上活下去。
这话可能有点极端，但也不是完全没道理。
4️⃣ 未来走向：合作还是继续对抗？
那么问题来了，这两家公司未来会怎么发展呢？
从目前的态势看，短期内他们应该还会继续竞争。OpenAI 有先发优势和用户基础，Anthropic 有差异化定位和技术积累，谁也不太可能一下子把对方干掉。
但长期来看，AI 这个市场足够大，完全容得下多个玩家。就像当年的搜索引擎，Google 一家独大，但 Bing、DuckDuckGo 这些也都活得挺好。关键是找到自己的细分市场和核心用户。
还有一种可能性，就是监管介入。随着 AI 技术越来越强大，各国政府肯定会加强监管。到那个时候，Anthropic 在安全性上的提前布局可能会成为优势。而 OpenAI 如果继续激进路线，可能会面临更多合规压力。
另外，人才流动也是个值得关注的点。AI 圈子说大不大，很多顶尖研究者都互相认识。今天在 OpenAI 的人，明天可能就跳到 Anthropic 了，反之亦然。
这种流动性会让两家公司的技术路线产生某种程度的趋同。
OpenAI 和 Anthropic 的故事，某种程度上也是整个 AI 行业的缩影。快与慢、激进与保守、商业化与安全性，这些矛盾会长期存在。
但有一点可以肯定，这场竞争对我们普通用户来说是好事。竞争越激烈，产品迭代越快，我们能用到的工具就越好用。
简单说，这篇文章主要聊的是 OpenAI 和 Anthropic 这两家 AI 公司是怎么从昔日同事变成今天对手的。很多人不知道，Anthropic 的创始团队本来就是从 OpenAI 出来的。
表面上看这是技术路线之争，但实际上牵扯到的是理念、资本、人才，甚至是对未来的不同想象。
1️⃣ 从分家到对峙：一场理念之争
这个故事得从 2021 年说起。当时 Anthropic 的几位创始人，包括 Dario Amodei 和 Daniela Amodei 兄妹，还在 OpenAI 工作。
但他们对公司的发展方向产生了分歧，核心矛盾就是 AI 安全问题。
Anthropic 团队觉得 OpenAI 在追求技术突破的时候，对安全性的重视不够。他们认为应该更谨慎地开发 AI，确保技术不会失控。
而 OpenAI 那边可能觉得，先把技术做出来再说，安全问题可以边走边看。
这种分歧背后反映的是两种不同的价值观：一种是快速迭代、占领市场；另一种是稳扎稳打、注重长期风险。
有意思的是，Anthropic 出走之后并没有销声匿迹，反而拿到了大量融资，包括 Google 的投资，这说明市场上确实有人认可他们的理念。
而 OpenAI 这边也不甘示弱，和微软深度绑定，ChatGPT 的爆火让他们一下子站到了聚光灯下。
所以，这场竞争从一开始就不只是技术层面的，更是两种发展哲学的碰撞。
2️⃣ 产品对决：Claude 能挑战 ChatGPT 吗？
Anthropic 在宣传 Claude 的时候，一直强调它更安全、更可靠、更不容易胡说八道。这其实是在暗戳戳地说 ChatGPT 有时候会一本正经地瞎编。
确实，早期的 ChatGPT 在事实准确性上翻过不少车，这也是很多专业用户诟病的地方。
从技术路线上看，Anthropic 采用的是所谓的宪法式 AI（Constitutional AI），简单说就是给 AI 设定一套规则，让它在回答问题的时候自我审查，避免输出有害内容。这个思路挺新颖的，但代价就是模型可能会显得保守一些。
而 OpenAI 这边，他们的策略更激进，迭代速度也非常快。他们的逻辑可能是，先把用户量做起来，问题可以后面慢慢修。
市场反应挺有意思的，ChatGPT 的用户基数更大，但 Claude 在某些专业领域，比如法律、医疗等对准确性要求高的场景，开始有了自己的拥趸。
这说明两个产品其实是在打不同的牌。
3️⃣ 资本游戏：站队比技术更重要？
聊完产品，不得不说说钱的事。AI 这个赛道烧钱是出了名的，没有强大的资本支持，再好的技术也玩不转。
OpenAI 背后是微软，这个大家都知道。微软不仅投了上百亿美元，还把 OpenAI 的技术深度整合到自己的产品线里，从 Office 到 Azure，到处都能看到 AI 的影子。这种绑定关系让 OpenAI 有了稳定的现金流和应用场景。
Anthropic 这边，主要投资方是 Google。虽然 Google 投的钱可能没有微软那么多，但也是数十亿美元的级别。更重要的是，Google 本身就是 AI 领域的老玩家，有 DeepMind 这样的王牌在手，所以 Anthropic 某种程度上也是在帮 Google 对抗微软。
这就形成了一个很有意思的格局：微软 + OpenAI vs Google + Anthropic。
表面上看是创业公司之间的竞争，实际上是两大科技巨头的代理人战争。
有业内人士说，现在做 AI 创业，站队比技术还重要。你的技术再牛，如果没有大厂撑腰，很难在这个赛道上活下去。
这话可能有点极端，但也不是完全没道理。
4️⃣ 未来走向：合作还是继续对抗？
那么问题来了，这两家公司未来会怎么发展呢？
从目前的态势看，短期内他们应该还会继续竞争。OpenAI 有先发优势和用户基础，Anthropic 有差异化定位和技术积累，谁也不太可能一下子把对方干掉。
但长期来看，AI 这个市场足够大，完全容得下多个玩家。就像当年的搜索引擎，Google 一家独大，但 Bing、DuckDuckGo 这些也都活得挺好。关键是找到自己的细分市场和核心用户。
还有一种可能性，就是监管介入。随着 AI 技术越来越强大，各国政府肯定会加强监管。到那个时候，Anthropic 在安全性上的提前布局可能会成为优势。而 OpenAI 如果继续激进路线，可能会面临更多合规压力。
另外，人才流动也是个值得关注的点。AI 圈子说大不大，很多顶尖研究者都互相认识。今天在 OpenAI 的人，明天可能就跳到 Anthropic 了，反之亦然。
这种流动性会让两家公司的技术路线产生某种程度的趋同。
OpenAI 和 Anthropic 的故事，某种程度上也是整个 AI 行业的缩影。快与慢、激进与保守、商业化与安全性，这些矛盾会长期存在。
但有一点可以肯定，这场竞争对我们普通用户来说是好事。竞争越激烈，产品迭代越快，我们能用到的工具就越好用。
1 01
我今天在Hacker News上刷到一条很有意思的帖子，讨论AI与人类工作的关系。
贴主的观点认为，AI needs to augment rather than replace humans or the workplace is doomed（人工智能需要增强人类能力而不是取代人类，否则职场将走向灭亡。）
但评论区很多人也认为，自动化是历史必然趋势挡不住。
我觉得这个问题的讨论很有价值，因为这不仅仅是个技术问题，更是一场关于未来社会形态的思想碰撞。
我总结了一下正反双方的观点，最后说一下我的看法。
先说正方观点，也就是AI 应该增强而非取代人类工作。
1️⃣ 工作不只是赚钱工具
支持放慢AI取代步伐的人提出了一个很打动我的观点：工作给人带来的不仅是收入，还有尊严感和社会身份认同。
当你介绍自己时，是不是经常说我是做什么工作的？工作已经深深嵌入了我们的自我认知体系。
如果AI突然把大量岗位干掉，那些失去工作的人不只是经济上受损，心理冲击可能更大。
有人在评论里提到，他父亲退休后整个人都变了，因为失去了那种被需要的感觉。这种精神层面的东西，UBI（全民基本收入）解决不了。
2️⃣ 社会需要适应时间
还有人指出，技术变革太快会引发系统性风险。
历史上每次工业革命都伴随着阵痛期，但以前的变化速度相对缓慢，人们有时间调整。现在AI的发展速度是指数级的，如果不给社会留出缓冲时间，可能会造成大规模失业、贫富差距急剧扩大，甚至社会动荡。
逻辑是：我们不反对进步，但能不能稍微慢一点？让教育系统跟上，让政策制定者有时间思考，让普通人有机会转型。
3️⃣ 资本主义不一定靠谱
这派人对市场自我调节能力持怀疑态度。他们认为，指望资本主义自动创造新工作岗位太理想化了。
现实是，科技巨头裁员时可不会手软，Meta、Google、Amazon这些公司说裁就裁，哪管你是不是有房贷要还。
反方的观点认为，挡不住，也不该挡。
1️⃣ 自动化是解放不是威胁
反对限制AI发展的人认为，自动化本质上是好事。它能把人类从重复性劳动中解放出来，让我们去做更有创造性、更有意义的事情。
换句话说，你真的想一辈子做那些机械化的工作吗？
有人举例说，以前有专门的电梯操作员，现在这个岗位消失了，但没人觉得这是坏事。同样的道理，很多现在看起来不可或缺的工作，未来可能根本不需要人来做。
2️⃣ 历史证明新机会总会出现
工业革命干掉了手工业者，但创造了工厂工人；计算机革命淘汰了打字员，但催生了整个IT行业。
每次技术飞跃都有人担心失业，结果人类总能找到新的工作方式。
他们相信市场的创造力，现在已经出现了AI训练师、提示工程师这些新职业，谁知道未来还会冒出什么岗位？
3️⃣ 经济规律不以人的意志为转移
还有一个更现实的论点：就算你想阻止AI发展也做不到。如果一个国家限制AI应用，其他国家不限制，那这个国家的企业就会失去竞争力。
这是全球化时代的残酷现实，你不用AI，你的竞争对手会用。
其实在我看来，双方的核心分歧其实不在技术层面，而在这几个深层问题上：
首先是关于时间节奏。一方说要慢慢来，另一方说慢不下来，这背后是对变革速度的不同预期。
其次是信任度的差异，你相信市场会自动调节吗？你相信新工作会及时出现吗？你对资本主义的信心有多大？这些信念决定了你站在哪一边。
最后是关于工作意义的理解。工作到底是什么？是谋生手段还是人生价值的体现？这个哲学问题直接影响你对AI取代工作的态度。
有些国家和地区开始试验UBI，想看看能不能缓解自动化带来的冲击。但效果如何还不好说，毕竟这是个全新的社会实验。
AI确实会取代很多工作，这个趋势可能真的挡不住。但正方担心的社会问题也确实存在，不是说说新工作会出现就能解决的。
核心问题可能在于：新机会的创造速度能不能跟上旧岗位的消失速度？
如果能，那皆大欢喜。如果不能，中间这段空档期怎么办？那些转型困难的人怎么办？
也许我们需要的不是阻止AI发展，而是建立更好的社会安全网和再培训机制。让技术继续进步，但也要确保没有人在这个过程中被彻底抛弃。
你怎么看这个问题？
贴主的观点认为，AI needs to augment rather than replace humans or the workplace is doomed（人工智能需要增强人类能力而不是取代人类，否则职场将走向灭亡。）
但评论区很多人也认为，自动化是历史必然趋势挡不住。
我觉得这个问题的讨论很有价值，因为这不仅仅是个技术问题，更是一场关于未来社会形态的思想碰撞。
我总结了一下正反双方的观点，最后说一下我的看法。
先说正方观点，也就是AI 应该增强而非取代人类工作。
1️⃣ 工作不只是赚钱工具
支持放慢AI取代步伐的人提出了一个很打动我的观点：工作给人带来的不仅是收入，还有尊严感和社会身份认同。
当你介绍自己时，是不是经常说我是做什么工作的？工作已经深深嵌入了我们的自我认知体系。
如果AI突然把大量岗位干掉，那些失去工作的人不只是经济上受损，心理冲击可能更大。
有人在评论里提到，他父亲退休后整个人都变了，因为失去了那种被需要的感觉。这种精神层面的东西，UBI（全民基本收入）解决不了。
2️⃣ 社会需要适应时间
还有人指出，技术变革太快会引发系统性风险。
历史上每次工业革命都伴随着阵痛期，但以前的变化速度相对缓慢，人们有时间调整。现在AI的发展速度是指数级的，如果不给社会留出缓冲时间，可能会造成大规模失业、贫富差距急剧扩大，甚至社会动荡。
逻辑是：我们不反对进步，但能不能稍微慢一点？让教育系统跟上，让政策制定者有时间思考，让普通人有机会转型。
3️⃣ 资本主义不一定靠谱
这派人对市场自我调节能力持怀疑态度。他们认为，指望资本主义自动创造新工作岗位太理想化了。
现实是，科技巨头裁员时可不会手软，Meta、Google、Amazon这些公司说裁就裁，哪管你是不是有房贷要还。
反方的观点认为，挡不住，也不该挡。
1️⃣ 自动化是解放不是威胁
反对限制AI发展的人认为，自动化本质上是好事。它能把人类从重复性劳动中解放出来，让我们去做更有创造性、更有意义的事情。
换句话说，你真的想一辈子做那些机械化的工作吗？
有人举例说，以前有专门的电梯操作员，现在这个岗位消失了，但没人觉得这是坏事。同样的道理，很多现在看起来不可或缺的工作，未来可能根本不需要人来做。
2️⃣ 历史证明新机会总会出现
工业革命干掉了手工业者，但创造了工厂工人；计算机革命淘汰了打字员，但催生了整个IT行业。
每次技术飞跃都有人担心失业，结果人类总能找到新的工作方式。
他们相信市场的创造力，现在已经出现了AI训练师、提示工程师这些新职业，谁知道未来还会冒出什么岗位？
3️⃣ 经济规律不以人的意志为转移
还有一个更现实的论点：就算你想阻止AI发展也做不到。如果一个国家限制AI应用，其他国家不限制，那这个国家的企业就会失去竞争力。
这是全球化时代的残酷现实，你不用AI，你的竞争对手会用。
其实在我看来，双方的核心分歧其实不在技术层面，而在这几个深层问题上：
首先是关于时间节奏。一方说要慢慢来，另一方说慢不下来，这背后是对变革速度的不同预期。
其次是信任度的差异，你相信市场会自动调节吗？你相信新工作会及时出现吗？你对资本主义的信心有多大？这些信念决定了你站在哪一边。
最后是关于工作意义的理解。工作到底是什么？是谋生手段还是人生价值的体现？这个哲学问题直接影响你对AI取代工作的态度。
有些国家和地区开始试验UBI，想看看能不能缓解自动化带来的冲击。但效果如何还不好说，毕竟这是个全新的社会实验。
AI确实会取代很多工作，这个趋势可能真的挡不住。但正方担心的社会问题也确实存在，不是说说新工作会出现就能解决的。
核心问题可能在于：新机会的创造速度能不能跟上旧岗位的消失速度？
如果能，那皆大欢喜。如果不能，中间这段空档期怎么办？那些转型困难的人怎么办？
也许我们需要的不是阻止AI发展，而是建立更好的社会安全网和再培训机制。让技术继续进步，但也要确保没有人在这个过程中被彻底抛弃。
你怎么看这个问题？
0 00
最近看到产品经理Peter Yang分享的一篇OpenClaw使用教程，感觉对我来说很有用！
Peter分享了5个他自己在用的场景，从管理日程到生成报告，基本上覆盖了日常工作的方方面面。
1️⃣ 管理Google日历
比如，你可以直接跟AI说今天下午3点要开会，它就能自动在你的Google日历上创建事件。不用再打开日历应用，点来点去找时间段。
Peter提到他经常用这个功能来快速记录临时安排，比如突然收到一个会议邀请，或者想起来要预留时间做某件事，直接告诉AI就行了。
而且，AI还能理解相对时间的表达，比如你说明天上午或者下周三，它都能准确识别并创建对应的日程。
2️⃣ 编辑Google Docs和Sheets
比如你正在写文档，突然需要插入一段数据或者调整格式，以前你得切换到对应的应用里操作。
现在有了OpenClaw，你可以直接让AI帮你完成。
比如，你可以让AI在Google Sheets里整理数据，可以按某个字段排序，或者计算总和。你不需要记住复杂的函数语法，只要用人话描述你想要的结果就行。
在文档编辑方面也是一样，需要调整段落格式、插入表格、修改标题样式，这些原本需要在菜单里翻找的操作，现在都可以通过对话完成。这种交互方式的改变，降低了很多工具的使用门槛。
3️⃣ 给机器人配音
这个功能听起来有点特别，但在某些场景下确实很有用。Peter提到他会用AI生成语音，然后应用到一些自动化流程里。比如做视频旁白，或者给客服机器人配音。
传统的文字转语音工具往往听起来很机械，但现在AI生成的语音已经相当自然了。你可以选择不同的音色、语速，甚至情感基调。
这对于需要批量生成语音内容的场景来说，效率提升是显而易见的。
更进一步说，这种能力其实代表了AI在多模态处理上的进步。它不仅能理解文字，还能生成听觉内容。未来可能还会有更多感官维度的整合，比如视觉、触觉等等。
4️⃣ 获取个性化简报
这个功能特别适合信息过载的现代人，你可以让AI每天早上给你生成一份简报，内容完全根据你的需求定制。想看科技新闻、行业动态还是某个特定话题的更新，都可以。
Peter的做法是让AI抓取他关注的几个信息源，然后整理成一份简洁的摘要。这样他每天只需要花几分钟就能了解重要信息，不用在各个网站和应用之间跳来跳去。
这背后其实是AI的信息聚合和筛选能力，它能从海量信息中找出你真正关心的内容，然后用你喜欢的方式呈现出来。这种个性化的信息消费体验，可能会成为未来的标配。
5️⃣ 获取每周洞察报告
Peter会让AI在每周末生成一份报告，总结这一周的工作进展、日程安排、重要事件等等。
它可以自动从你的日历、文档、邮件里提取信息，然后整理成结构化的报告。
AI还能在报告里加入一些分析和建议，比如你这周开了多少会议，时间分配是否合理，哪些任务还没完成等等。这种数据驱动的自我管理方式，确实能帮助我们更好地规划时间。
从更大的趋势来看，AI和各种应用的整合会越来越紧密。未来可能不需要学习每个软件的操作方法，只要告诉AI你想要什么结果就行。
这对普通用户来说是巨大的便利，但对软件开发者来说可能意味着需要重新思考产品设计。
当然，这些工具现在还在早期阶段，肯定会有各种不完善的地方。但方向是明确的，AI正在从云端走向我们的日常工作流程。
Peter分享了5个他自己在用的场景，从管理日程到生成报告，基本上覆盖了日常工作的方方面面。
1️⃣ 管理Google日历
比如，你可以直接跟AI说今天下午3点要开会，它就能自动在你的Google日历上创建事件。不用再打开日历应用，点来点去找时间段。
Peter提到他经常用这个功能来快速记录临时安排，比如突然收到一个会议邀请，或者想起来要预留时间做某件事，直接告诉AI就行了。
而且，AI还能理解相对时间的表达，比如你说明天上午或者下周三，它都能准确识别并创建对应的日程。
2️⃣ 编辑Google Docs和Sheets
比如你正在写文档，突然需要插入一段数据或者调整格式，以前你得切换到对应的应用里操作。
现在有了OpenClaw，你可以直接让AI帮你完成。
比如，你可以让AI在Google Sheets里整理数据，可以按某个字段排序，或者计算总和。你不需要记住复杂的函数语法，只要用人话描述你想要的结果就行。
在文档编辑方面也是一样，需要调整段落格式、插入表格、修改标题样式，这些原本需要在菜单里翻找的操作，现在都可以通过对话完成。这种交互方式的改变，降低了很多工具的使用门槛。
3️⃣ 给机器人配音
这个功能听起来有点特别，但在某些场景下确实很有用。Peter提到他会用AI生成语音，然后应用到一些自动化流程里。比如做视频旁白，或者给客服机器人配音。
传统的文字转语音工具往往听起来很机械，但现在AI生成的语音已经相当自然了。你可以选择不同的音色、语速，甚至情感基调。
这对于需要批量生成语音内容的场景来说，效率提升是显而易见的。
更进一步说，这种能力其实代表了AI在多模态处理上的进步。它不仅能理解文字，还能生成听觉内容。未来可能还会有更多感官维度的整合，比如视觉、触觉等等。
4️⃣ 获取个性化简报
这个功能特别适合信息过载的现代人，你可以让AI每天早上给你生成一份简报，内容完全根据你的需求定制。想看科技新闻、行业动态还是某个特定话题的更新，都可以。
Peter的做法是让AI抓取他关注的几个信息源，然后整理成一份简洁的摘要。这样他每天只需要花几分钟就能了解重要信息，不用在各个网站和应用之间跳来跳去。
这背后其实是AI的信息聚合和筛选能力，它能从海量信息中找出你真正关心的内容，然后用你喜欢的方式呈现出来。这种个性化的信息消费体验，可能会成为未来的标配。
5️⃣ 获取每周洞察报告
Peter会让AI在每周末生成一份报告，总结这一周的工作进展、日程安排、重要事件等等。
它可以自动从你的日历、文档、邮件里提取信息，然后整理成结构化的报告。
AI还能在报告里加入一些分析和建议，比如你这周开了多少会议，时间分配是否合理，哪些任务还没完成等等。这种数据驱动的自我管理方式，确实能帮助我们更好地规划时间。
从更大的趋势来看，AI和各种应用的整合会越来越紧密。未来可能不需要学习每个软件的操作方法，只要告诉AI你想要什么结果就行。
这对普通用户来说是巨大的便利，但对软件开发者来说可能意味着需要重新思考产品设计。
当然，这些工具现在还在早期阶段，肯定会有各种不完善的地方。但方向是明确的，AI正在从云端走向我们的日常工作流程。
2 02
最近刷到一个国外网友分享的教程，非常实用！
讲的是怎么用AI工具从零开始做虚拟网红，创作者把整个流程拆得特别细，从生成人物到动作迁移，再到产品植入，基本上把目前能用的主流工具都串起来了。
这个视频的核心就是教你怎么做AI网红带货，但不是那种简单的换脸或者P图，而是真的从头到尾生成一个虚拟人物，让她做各种动作，最后还能自然地展示产品。
看完之后我挺惊讶的，因为整个流程比想象中要成熟得多。前做虚拟网红可能需要专业团队，现在一个人用几个工具就能搞定。
当然，效果好不好是另一回事，但至少技术上已经不是什么难题了。
那具体怎么做呢？我把视频里提到的几个关键步骤整理了一下。
1️⃣ 用Higgsfield生成虚拟人物
视频里第一步用的是Higgsfield AI Influencer Studio这个工具。它的作用就是生成一个虚拟人物形象，你可以设定各种参数，比如长相、发型、穿着风格这些。
这个工具的逻辑很简单，就是通过文字描述来生成图像，但它专门针对虚拟网红做了优化，所以生成出来的人物会更符合社交媒体上常见的那种风格。
不过这里有个问题，就是生成的人物一致性怎么保证，毕竟做网红需要一个稳定的形象，不能每次生成都长得不一样。
从目前的技术来看，这类工具一般会用参考图或者种子值来保持一致性。
但实际使用中还是会有偏差，这可能需要多生成几次，挑出最满意的那张作为基准。
2️⃣ 用Kling Motion Control做动作迁移
有了人物形象之后，下一步就是让她动起来，视频里用的是Kling的Motion Control功能。
简单说就是你找一段真人的动作视频，然后把这个动作套到虚拟人物身上。
比如你想让AI网红做一个开箱动作，就找一段真人开箱的视频，然后通过工具把动作转移过去。有点像换脸，但更复杂一些，因为不只是换脸，而是整个身体的动作都要匹配上。
这个技术的关键在于动作的自然度。如果转移得不好，看起来就会很僵硬，像木偶一样。
Kling在这方面做得还不错，至少从视频展示的效果来看，动作流畅度是可以接受的。
3️⃣ 用Nano Banana Pro和Google Veo 3.1生成UGC内容
接下来是生成UGC风格的内容。UGC就是用户生成内容，说白了就是那种看起来不那么专业、更像普通人随手拍的视频。
视频里提到了两个工具，一个是Nano Banana Pro，另一个是Google Veo 3.1，这两个工具的作用都是生成视频，但侧重点不太一样。
Nano Banana Pro更擅长生成短视频片段，而Google Veo 3.1在视频质量和细节上会更好一些。
为什么要做UGC风格呢？
因为现在用户对过度精修的广告有点审美疲劳了，反而是那种真实感强的内容更容易引起共鸣。所以很多品牌现在都在往这个方向走，用AI生成UGC内容其实是一个挺聪明的策略。
4️⃣ 用Kling 01 Edit做产品植入
最后一步是产品植入，这个环节用的是Kling 01 Edit，它可以在已经生成的视频里自然地加入产品。
比如你已经有了一段AI网红在咖啡厅的视频，现在想让她手里拿着你的产品，就可以用这个工具来实现。
它不是简单地把产品P上去，而是会根据场景的光影、角度这些因素来调整产品的呈现方式，让它看起来更自然。
这个功能其实挺实用的，因为很多时候你不需要重新生成整段视频，只需要在某个地方加个产品就行了。这样既省时间，又能保证视频的整体质量。
看完这个流程，我觉得AI网红这个领域确实在快速发展。技术上的门槛越来越低，工具也越来越成熟。
总的来说，AI网红这个赛道还在早期阶段，技术在进步，玩法也在不断更新。对于品牌方来说，这可能是一个值得尝试的方向。
讲的是怎么用AI工具从零开始做虚拟网红，创作者把整个流程拆得特别细，从生成人物到动作迁移，再到产品植入，基本上把目前能用的主流工具都串起来了。
这个视频的核心就是教你怎么做AI网红带货，但不是那种简单的换脸或者P图，而是真的从头到尾生成一个虚拟人物，让她做各种动作，最后还能自然地展示产品。
看完之后我挺惊讶的，因为整个流程比想象中要成熟得多。前做虚拟网红可能需要专业团队，现在一个人用几个工具就能搞定。
当然，效果好不好是另一回事，但至少技术上已经不是什么难题了。
那具体怎么做呢？我把视频里提到的几个关键步骤整理了一下。
1️⃣ 用Higgsfield生成虚拟人物
视频里第一步用的是Higgsfield AI Influencer Studio这个工具。它的作用就是生成一个虚拟人物形象，你可以设定各种参数，比如长相、发型、穿着风格这些。
这个工具的逻辑很简单，就是通过文字描述来生成图像，但它专门针对虚拟网红做了优化，所以生成出来的人物会更符合社交媒体上常见的那种风格。
不过这里有个问题，就是生成的人物一致性怎么保证，毕竟做网红需要一个稳定的形象，不能每次生成都长得不一样。
从目前的技术来看，这类工具一般会用参考图或者种子值来保持一致性。
但实际使用中还是会有偏差，这可能需要多生成几次，挑出最满意的那张作为基准。
2️⃣ 用Kling Motion Control做动作迁移
有了人物形象之后，下一步就是让她动起来，视频里用的是Kling的Motion Control功能。
简单说就是你找一段真人的动作视频，然后把这个动作套到虚拟人物身上。
比如你想让AI网红做一个开箱动作，就找一段真人开箱的视频，然后通过工具把动作转移过去。有点像换脸，但更复杂一些，因为不只是换脸，而是整个身体的动作都要匹配上。
这个技术的关键在于动作的自然度。如果转移得不好，看起来就会很僵硬，像木偶一样。
Kling在这方面做得还不错，至少从视频展示的效果来看，动作流畅度是可以接受的。
3️⃣ 用Nano Banana Pro和Google Veo 3.1生成UGC内容
接下来是生成UGC风格的内容。UGC就是用户生成内容，说白了就是那种看起来不那么专业、更像普通人随手拍的视频。
视频里提到了两个工具，一个是Nano Banana Pro，另一个是Google Veo 3.1，这两个工具的作用都是生成视频，但侧重点不太一样。
Nano Banana Pro更擅长生成短视频片段，而Google Veo 3.1在视频质量和细节上会更好一些。
为什么要做UGC风格呢？
因为现在用户对过度精修的广告有点审美疲劳了，反而是那种真实感强的内容更容易引起共鸣。所以很多品牌现在都在往这个方向走，用AI生成UGC内容其实是一个挺聪明的策略。
4️⃣ 用Kling 01 Edit做产品植入
最后一步是产品植入，这个环节用的是Kling 01 Edit，它可以在已经生成的视频里自然地加入产品。
比如你已经有了一段AI网红在咖啡厅的视频，现在想让她手里拿着你的产品，就可以用这个工具来实现。
它不是简单地把产品P上去，而是会根据场景的光影、角度这些因素来调整产品的呈现方式，让它看起来更自然。
这个功能其实挺实用的，因为很多时候你不需要重新生成整段视频，只需要在某个地方加个产品就行了。这样既省时间，又能保证视频的整体质量。
看完这个流程，我觉得AI网红这个领域确实在快速发展。技术上的门槛越来越低，工具也越来越成熟。
总的来说，AI网红这个赛道还在早期阶段，技术在进步，玩法也在不断更新。对于品牌方来说，这可能是一个值得尝试的方向。
6 31
强烈推荐大家学习一下她如何用Claude做广告！
最近刷到Jessica Vieira的一个视频，讲她怎么用Claude AI搭建广告文案系统。
这姑娘是个文案策略师，专门帮品牌写销售页面和广告的，看完说实话有点被震撼到了。
她分享的不是那种用AI写了个文案的简单操作，而是真正把AI当成工作伙伴，建立了一套完整的项目系统。
核心就是五份关键文档，让Claude能像了解她自己一样了解客户品牌。
看完我第一反应是：这才是AI工具的正确打开方式啊！不是替代人的创意，而是把重复性的思考过程系统化。
今天我把她分享的几个关键点整理出来，和大家聊聊这套方法为什么值得借鉴。
1️⃣ ICP文档：先搞清楚你在跟谁说话
Jessica提到的第一份文档叫ICP（理想客户画像），这份文档要回答"你的客户是谁，他们在挣扎什么，他们想要什么结果"。
她会花时间整理客户的痛点、目标、购买障碍这些信息，然后喂给Claude。
你给AI的背景信息越具体，它输出的内容就越贴近真实场景，这个逻辑其实适用于所有AI工具的使用。
2️⃣ 品牌圣经：让AI学会品牌的说话方式
第二份是Brand Bible（品牌圣经）。这个文档记录品牌的声音、语调、价值观这些东西。
Jessica说她会把品牌的使命、独特卖点、甚至禁用词都写进去。
每个品牌说话的方式都不一样，有的品牌走专业路线，有的偏轻松幽默。
如果没有这份文档，AI可能给你写出来的文案风格飘忽不定，今天像咨询公司，明天像街边小店。
她提到一个细节：会把客户过往的优秀文案案例也放进去，让Claude学习那种感觉。这招挺聪明，相当于给AI提供了参考答案。
3️⃣ 销售页面框架：把转化逻辑固化下来
第三份是Sales Page（销售页面）模板。
Jessica会把一个高转化销售页面的结构拆解清楚：标题怎么写，痛点怎么呈现，CTA（行动号召）放哪里。
有了这个框架，Claude就能按照验证过的转化逻辑来组织内容，不用每次都从零开始想"这一段该写什么"。
这个思路其实揭示了一个真相：好文案不是天马行空的创意，而是有章法可循的。
把这些章法文档化，AI就能帮你快速生成符合规范的初稿。
4️⃣ 创意原型库：给AI一个灵感仓库
第四份是Creative Archetypes（创意原型）。Jessica会收集各种广告角度、钩子、开场方式，整理成一个创意库。
她举例说，同样是卖健身课程，你可以用"变革故事"角度，也可以用"问题解决"角度，还可以用"社会证明"角度。
有了这个库，她让Claude生成文案时可以指定用这个原型来写。
这个方法解决了创意枯竭的问题。你不需要每次都绞尽脑汁想新角度，而是从已有的原型里选一个最合适的。
5️⃣ 效率提升：从8小时到2小时
Jessica提到最实际的一点：用这套系统后，她写一个销售页面的时间从8小时缩短到2小时。
但她强调，这不是说AI直接生成了完美文案，而是AI帮她快速生成了80%的内容框架，她只需要花时间在那20%的精修和个性化上。这个比例分配才是关键。
很多人用AI失败就是因为期待它一次性输出完美结果，实际上AI更适合做快速起草的工作，把你从白纸焦虑中解放出来。
Jessica的方法本质上是把她多年积累的文案知识结构化了。这些文档不仅让AI更好用，其实也是在梳理她自己的工作方法论。这个过程本身就很有价值。
往大了说，这可能代表了未来专业工作的一个趋势：把隐性知识显性化，把个人经验系统化。
谁能做好这一步，谁就能更好地利用AI放大自己的能力。
最近刷到Jessica Vieira的一个视频，讲她怎么用Claude AI搭建广告文案系统。
这姑娘是个文案策略师，专门帮品牌写销售页面和广告的，看完说实话有点被震撼到了。
她分享的不是那种用AI写了个文案的简单操作，而是真正把AI当成工作伙伴，建立了一套完整的项目系统。
核心就是五份关键文档，让Claude能像了解她自己一样了解客户品牌。
看完我第一反应是：这才是AI工具的正确打开方式啊！不是替代人的创意，而是把重复性的思考过程系统化。
今天我把她分享的几个关键点整理出来，和大家聊聊这套方法为什么值得借鉴。
1️⃣ ICP文档：先搞清楚你在跟谁说话
Jessica提到的第一份文档叫ICP（理想客户画像），这份文档要回答"你的客户是谁，他们在挣扎什么，他们想要什么结果"。
她会花时间整理客户的痛点、目标、购买障碍这些信息，然后喂给Claude。
你给AI的背景信息越具体，它输出的内容就越贴近真实场景，这个逻辑其实适用于所有AI工具的使用。
2️⃣ 品牌圣经：让AI学会品牌的说话方式
第二份是Brand Bible（品牌圣经）。这个文档记录品牌的声音、语调、价值观这些东西。
Jessica说她会把品牌的使命、独特卖点、甚至禁用词都写进去。
每个品牌说话的方式都不一样，有的品牌走专业路线，有的偏轻松幽默。
如果没有这份文档，AI可能给你写出来的文案风格飘忽不定，今天像咨询公司，明天像街边小店。
她提到一个细节：会把客户过往的优秀文案案例也放进去，让Claude学习那种感觉。这招挺聪明，相当于给AI提供了参考答案。
3️⃣ 销售页面框架：把转化逻辑固化下来
第三份是Sales Page（销售页面）模板。
Jessica会把一个高转化销售页面的结构拆解清楚：标题怎么写，痛点怎么呈现，CTA（行动号召）放哪里。
有了这个框架，Claude就能按照验证过的转化逻辑来组织内容，不用每次都从零开始想"这一段该写什么"。
这个思路其实揭示了一个真相：好文案不是天马行空的创意，而是有章法可循的。
把这些章法文档化，AI就能帮你快速生成符合规范的初稿。
4️⃣ 创意原型库：给AI一个灵感仓库
第四份是Creative Archetypes（创意原型）。Jessica会收集各种广告角度、钩子、开场方式，整理成一个创意库。
她举例说，同样是卖健身课程，你可以用"变革故事"角度，也可以用"问题解决"角度，还可以用"社会证明"角度。
有了这个库，她让Claude生成文案时可以指定用这个原型来写。
这个方法解决了创意枯竭的问题。你不需要每次都绞尽脑汁想新角度，而是从已有的原型里选一个最合适的。
5️⃣ 效率提升：从8小时到2小时
Jessica提到最实际的一点：用这套系统后，她写一个销售页面的时间从8小时缩短到2小时。
但她强调，这不是说AI直接生成了完美文案，而是AI帮她快速生成了80%的内容框架，她只需要花时间在那20%的精修和个性化上。这个比例分配才是关键。
很多人用AI失败就是因为期待它一次性输出完美结果，实际上AI更适合做快速起草的工作，把你从白纸焦虑中解放出来。
Jessica的方法本质上是把她多年积累的文案知识结构化了。这些文档不仅让AI更好用，其实也是在梳理她自己的工作方法论。这个过程本身就很有价值。
往大了说，这可能代表了未来专业工作的一个趋势：把隐性知识显性化，把个人经验系统化。
谁能做好这一步，谁就能更好地利用AI放大自己的能力。
43 624
最近刷到Peter Steinberger的一期访谈，他是最近全网刷屏的OpenClaw的创始人，他在这期节目里分享了他是怎么使用AI编程的。
他对现在火热的 AI Agent 提出了一个很犀利的批评，说白了就是四个字：中看不中用。
他具体是怎么得出这个结论的呢？
Peter 的核心观点其实很简单：现在市面上那些 AI Agent，本质上就是在烧钱生产垃圾代码。
第一个问题：缺少人的参与。
现在很多 AI Agent 的宣传都是这样的：你只要说一句话，它就能自动帮你完成整个任务。
但实际上，它会在后台疯狂调用 API，消耗大量 token，最后给你一个看似完整、实则漏洞百出的结果。
比如你让 AI Agent 帮你写一个网页，它可能会生成几千行代码，看起来挺像那么回事。但你仔细一看，布局有问题、交互逻辑不对、性能也差。
为什么？因为整个过程中，它完全不知道你真正想要什么。
换句话说，它只是在用概率模型拼凑代码，而不是在理解你的需求。
第二个问题：质量无法保证。
Peter 说得很直白：AI 生成的代码往往是烂代码。
这不是说 AI 不够聪明，而是因为它缺少一个关键能力，就是审美。
审是对好代码的直觉判断，一个有经验的程序员看到代码，能立刻感觉到哪里不对劲，哪里可以优化。
但 AI 不行，它只会按照训练数据的模式去生成，至于生成的东西是不是优雅、是不是高效，它根本不在乎。
同理，如果你让 AI 帮你设计一个产品界面，它可能会给你一个功能齐全但丑到爆的方案。因为它不懂什么叫好看，什么叫用户体验。
第三个问题：成本太高。
这个问题可能是最现实的。
Peter 提到，让 AI Agent 自己跑，消耗的 token 数量是惊人的。
它可能会反复尝试、反复修改，每一次尝试都在烧钱。而最终的结果，可能还不如你直接花十分钟手写一个简单版本。
那 AI 到底该怎么用？
说了这么多问题，难道 AI 就没用了吗？当然不是，Peter 自己就是 AI 的重度用户，他甚至用 AI 来管理自己的人生。
关键在于，你要把 AI 放在正确的位置上。
Peter 的做法是这样的：他把 AI 当成一个超级助手，而不是替代品。
他会让 AI 帮他做三类事情。
第一类：信息整理。
比如说，他会把自己的日程、笔记、想法全部喂给 AI，让 AI 帮他总结、分类、提炼重点。
这个过程中，AI 不需要做决策，只需要处理信息，这正是 AI 擅长的事情。
第二类：快速原型。
当他有一个新想法时，会先让 AI 生成一个粗糙的版本，然后自己再去打磨。这样做的好处是，可以快速验证想法是否可行，而不用从零开始写代码。
注意，这里的关键词是粗糙版本。他从来不指望 AI 一次就能给出完美答案，而是把 AI 当成一个快速迭代的工具。
第三类：重复性工作。
比如说，写文档、生成测试用例、转换数据格式这些事情，完全可以交给 AI。因为这些任务有明确的规则，不需要太多创造性。
Peter 的观点让我想到了一个更本质的问题：我们到底需要什么样的 AI 工具？
现在很多 AI 产品都在追求自动化，恨不得让 AI 包办一切，但这可能是个误区。因为真正有价值的工作，往往需要人的判断、人的创造力、人的审美。
Peter 的观点可能会让一些人失望，因为它戳破了 AI 万能的幻想。但我觉得，这恰恰是最有价值的地方。
市面上大部分声音都在说AI会让编程变得更容易，人人都能成为程序员。
但实际情况可能恰恰相反，AI提高了入门门槛的同时，也提高了成为优秀程序员的门槛。因为现在不仅要懂技术，还要懂如何与AI协作，如何在AI的基础上创造价值。
我觉得有几个趋势是比较明确的：
第一，纯粹的编码工作会越来越少，更多时间会花在设计、审查和优化上。
第二，程序员之间的差距会进一步拉大，会用AI的和不会用的，差距可能比以前更大。
第三，软技能会变得更重要，比如沟通能力、系统思维、产品sense等。
你不能指望 AI 自己完成完美的工作，但你可以通过合理的使用，让它成为你最强大的助手，这才是 AI 时代真正的生存法则。
他对现在火热的 AI Agent 提出了一个很犀利的批评，说白了就是四个字：中看不中用。
他具体是怎么得出这个结论的呢？
Peter 的核心观点其实很简单：现在市面上那些 AI Agent，本质上就是在烧钱生产垃圾代码。
第一个问题：缺少人的参与。
现在很多 AI Agent 的宣传都是这样的：你只要说一句话，它就能自动帮你完成整个任务。
但实际上，它会在后台疯狂调用 API，消耗大量 token，最后给你一个看似完整、实则漏洞百出的结果。
比如你让 AI Agent 帮你写一个网页，它可能会生成几千行代码，看起来挺像那么回事。但你仔细一看，布局有问题、交互逻辑不对、性能也差。
为什么？因为整个过程中，它完全不知道你真正想要什么。
换句话说，它只是在用概率模型拼凑代码，而不是在理解你的需求。
第二个问题：质量无法保证。
Peter 说得很直白：AI 生成的代码往往是烂代码。
这不是说 AI 不够聪明，而是因为它缺少一个关键能力，就是审美。
审是对好代码的直觉判断，一个有经验的程序员看到代码，能立刻感觉到哪里不对劲，哪里可以优化。
但 AI 不行，它只会按照训练数据的模式去生成，至于生成的东西是不是优雅、是不是高效，它根本不在乎。
同理，如果你让 AI 帮你设计一个产品界面，它可能会给你一个功能齐全但丑到爆的方案。因为它不懂什么叫好看，什么叫用户体验。
第三个问题：成本太高。
这个问题可能是最现实的。
Peter 提到，让 AI Agent 自己跑，消耗的 token 数量是惊人的。
它可能会反复尝试、反复修改，每一次尝试都在烧钱。而最终的结果，可能还不如你直接花十分钟手写一个简单版本。
那 AI 到底该怎么用？
说了这么多问题，难道 AI 就没用了吗？当然不是，Peter 自己就是 AI 的重度用户，他甚至用 AI 来管理自己的人生。
关键在于，你要把 AI 放在正确的位置上。
Peter 的做法是这样的：他把 AI 当成一个超级助手，而不是替代品。
他会让 AI 帮他做三类事情。
第一类：信息整理。
比如说，他会把自己的日程、笔记、想法全部喂给 AI，让 AI 帮他总结、分类、提炼重点。
这个过程中，AI 不需要做决策，只需要处理信息，这正是 AI 擅长的事情。
第二类：快速原型。
当他有一个新想法时，会先让 AI 生成一个粗糙的版本，然后自己再去打磨。这样做的好处是，可以快速验证想法是否可行，而不用从零开始写代码。
注意，这里的关键词是粗糙版本。他从来不指望 AI 一次就能给出完美答案，而是把 AI 当成一个快速迭代的工具。
第三类：重复性工作。
比如说，写文档、生成测试用例、转换数据格式这些事情，完全可以交给 AI。因为这些任务有明确的规则，不需要太多创造性。
Peter 的观点让我想到了一个更本质的问题：我们到底需要什么样的 AI 工具？
现在很多 AI 产品都在追求自动化，恨不得让 AI 包办一切，但这可能是个误区。因为真正有价值的工作，往往需要人的判断、人的创造力、人的审美。
Peter 的观点可能会让一些人失望，因为它戳破了 AI 万能的幻想。但我觉得，这恰恰是最有价值的地方。
市面上大部分声音都在说AI会让编程变得更容易，人人都能成为程序员。
但实际情况可能恰恰相反，AI提高了入门门槛的同时，也提高了成为优秀程序员的门槛。因为现在不仅要懂技术，还要懂如何与AI协作，如何在AI的基础上创造价值。
我觉得有几个趋势是比较明确的：
第一，纯粹的编码工作会越来越少，更多时间会花在设计、审查和优化上。
第二，程序员之间的差距会进一步拉大，会用AI的和不会用的，差距可能比以前更大。
第三，软技能会变得更重要，比如沟通能力、系统思维、产品sense等。
你不能指望 AI 自己完成完美的工作，但你可以通过合理的使用，让它成为你最强大的助手，这才是 AI 时代真正的生存法则。
1 00
最近看到沃顿商学院教授 Ethan Mollick 写的一篇文章，讲他用 Claude Code 做的一个实验。
这位教授一直在研究 AI 对工作和教育的影响，算是这个领域比较有发言权的人了。
他做了什么呢？
就是给 AI 下了一个指令，让它开发一个能每月赚 1000 美元的创业项目，而且要求自己什么都不用做。
结果 AI 真的独立工作了一个多小时，创建了数百个代码文件，最后给他部署了一个完整的销售网站。更夸张的是，这个网站真的能收钱。
我第一次看到这个案例的时候是有点震惊的。不是因为 AI 能写代码，而是它展现出来的那种持续工作能力和自主决策能力。
今天我就把这篇文章里最重要的几个技术突破点整理出来，和聊聊 AI 到底是怎么做到的，以及这对我们普通人意味着什么。
1️⃣ AI 终于能长时间独立工作了
这是最大的变化。以前我们用 AI，基本上是一问一答的模式，你问一句它答一句。
但 Claude Code 不一样，它能连续工作一个多小时，中间不需要你插手。
这背后的技术叫做自主纠错，简单说就是 AI 在工作过程中如果发现问题，它会自己想办法解决，而不是停下来问你怎么办。
这听起来简单，但实现起来非常难。因为 AI 需要判断什么是错误，什么是正常的中间状态，还要知道用什么方法去修正。
当 AI 的记忆快满了的时候，它会自动做笔记，然后清空记忆继续工作。就像电影《记忆碎片》里的主角一样，每次醒来都看自己的纹身来回忆之前发生了什么。
这个机制让 AI 可以处理超长的任务，不会因为记忆限制而卡住。
2️⃣ 技能系统让 AI 变成了多面手
Claude Code 有一个很巧妙的设计，叫做skill system。你可以把它理解成 AI 的工具箱，里面装着各种专业能力。
比如说，当 AI 需要建网站的时候，它就加载网站创建技能，这个技能里包含了建网站的所有知识和工具。需要做数据分析的时候，就切换到 Excel 技能。
这个设计解决了一个很实际的问题。AI 的记忆空间是有限的，不可能把所有知识都装进去。
但通过技能系统，它可以根据任务需要动态加载知识，既节省了空间，又保证了专业性。
而且这些技能是可以共享的，任何人都可以创建技能并分享给其他人用。
已经有程序员发布了一套完整的软件开发技能包，从头脑风暴到代码测试全流程覆盖。这意味着 AI 的能力会越来越强，因为全世界的人都在给它添加新技能。
3️⃣ AI 学会了团队协作
Claude Code 可以创建子智能体，启动其他专门的 AI 来处理特定任务，就像一个项目经理带着一个团队工作。
为什么要这么做呢？
一方面是为了省钱。主 AI 用的是最强大但也最贵的模型，简单的任务可以交给便宜的模型去做。
另一方面是为了提高效率，多个 AI 可以同时工作，就像真正的团队一样。
教授在文章里提到，他创建了专门做研究的 AI 和专门做图片的 AI，主 AI 需要的时候就调用这些助手。
这种工作方式和人类团队已经非常接近了。
从商业角度看，这打开了很多新可能。
以前你可能因为不会编程，很多想法只能停留在脑子里。现在有了这样的工具，门槛大大降低了。当然，这也意味着竞争会更激烈，因为大家都能用这些工具。
如果你对这个方向感兴趣，不妨现在就开始尝试。即使你不是程序员，也可以用 Claude Code 做一些简单的项目，感受一下 AI 协作的方式。
这种实践经验，在未来会变得越来越重要。
这位教授一直在研究 AI 对工作和教育的影响，算是这个领域比较有发言权的人了。
他做了什么呢？
就是给 AI 下了一个指令，让它开发一个能每月赚 1000 美元的创业项目，而且要求自己什么都不用做。
结果 AI 真的独立工作了一个多小时，创建了数百个代码文件，最后给他部署了一个完整的销售网站。更夸张的是，这个网站真的能收钱。
我第一次看到这个案例的时候是有点震惊的。不是因为 AI 能写代码，而是它展现出来的那种持续工作能力和自主决策能力。
今天我就把这篇文章里最重要的几个技术突破点整理出来，和聊聊 AI 到底是怎么做到的，以及这对我们普通人意味着什么。
1️⃣ AI 终于能长时间独立工作了
这是最大的变化。以前我们用 AI，基本上是一问一答的模式，你问一句它答一句。
但 Claude Code 不一样，它能连续工作一个多小时，中间不需要你插手。
这背后的技术叫做自主纠错，简单说就是 AI 在工作过程中如果发现问题，它会自己想办法解决，而不是停下来问你怎么办。
这听起来简单，但实现起来非常难。因为 AI 需要判断什么是错误，什么是正常的中间状态，还要知道用什么方法去修正。
当 AI 的记忆快满了的时候，它会自动做笔记，然后清空记忆继续工作。就像电影《记忆碎片》里的主角一样，每次醒来都看自己的纹身来回忆之前发生了什么。
这个机制让 AI 可以处理超长的任务，不会因为记忆限制而卡住。
2️⃣ 技能系统让 AI 变成了多面手
Claude Code 有一个很巧妙的设计，叫做skill system。你可以把它理解成 AI 的工具箱，里面装着各种专业能力。
比如说，当 AI 需要建网站的时候，它就加载网站创建技能，这个技能里包含了建网站的所有知识和工具。需要做数据分析的时候，就切换到 Excel 技能。
这个设计解决了一个很实际的问题。AI 的记忆空间是有限的，不可能把所有知识都装进去。
但通过技能系统，它可以根据任务需要动态加载知识，既节省了空间，又保证了专业性。
而且这些技能是可以共享的，任何人都可以创建技能并分享给其他人用。
已经有程序员发布了一套完整的软件开发技能包，从头脑风暴到代码测试全流程覆盖。这意味着 AI 的能力会越来越强，因为全世界的人都在给它添加新技能。
3️⃣ AI 学会了团队协作
Claude Code 可以创建子智能体，启动其他专门的 AI 来处理特定任务，就像一个项目经理带着一个团队工作。
为什么要这么做呢？
一方面是为了省钱。主 AI 用的是最强大但也最贵的模型，简单的任务可以交给便宜的模型去做。
另一方面是为了提高效率，多个 AI 可以同时工作，就像真正的团队一样。
教授在文章里提到，他创建了专门做研究的 AI 和专门做图片的 AI，主 AI 需要的时候就调用这些助手。
这种工作方式和人类团队已经非常接近了。
从商业角度看，这打开了很多新可能。
以前你可能因为不会编程，很多想法只能停留在脑子里。现在有了这样的工具，门槛大大降低了。当然，这也意味着竞争会更激烈，因为大家都能用这些工具。
如果你对这个方向感兴趣，不妨现在就开始尝试。即使你不是程序员，也可以用 Claude Code 做一些简单的项目，感受一下 AI 协作的方式。
这种实践经验，在未来会变得越来越重要。
0 01