给水管工修网页漏洞，Reddit 内部做了 700 个 AI 原型

在 Startup Ideas Podcast) 里，James Dickerson 讲了给本地工种公司做服务的一套打法。他的判断是，这些公司已经在花钱买流量，问题出在落地页上。他估计，一家年营收 500 万美元的水管公司每年营销支出在 15 万到 25 万美元之间，而代理商做一个好的漏斗要收 2 万美元。会用 coding agent 的人，可以把这件事做得又快又好。

他卖的是预约单和来电，不讲 AI，因为很多老板分不清 AI agent 和房产中介 agent。交付的是一组漏斗：79 美元的保养引流单、页面上直接报价、「修还是换」测评问卷，以及老板出镜讲解 2 万到 3 万美元的换机决策。不同搜索词的广告对应不同的页面。他说大多数公司把所有流量都导到同一个页面。

获客用 Chet Holmes 的 Dream 100：先列出 100 家目标公司，让 AI 去读评论、爬网站、查老板背景，然后每周给这些人提供有用的内容。他还会寄「lumpy mail」，比如一个盒子里装一枚黄铜管件，附上已经替对方重做好的页面链接。他强调这要做很久才见效，第一单可以用一次免费搭建换一份案例。

How I AI 本期里，Blair Metcalf 演示了 Reddit Proto。设计师和 PM 不用碰 GitHub，就能做出接近线上产品的原型。原型可以用真实账号登录，信息流、搜索和社区里都是熟悉的内容，管理层评审时不用在脑子里替换占位数据。

关键是让 AI 带着上下文改代码：每条批注都附上对应的组件、设计系统规范和用户意图，再交给 Cursor。设计系统 MCP 告诉 Cursor 该用哪个组件、长什么样、代码放在哪里。交接环节叫「feature capsule」：设计师提交 Figma 链接，系统把每个元素对应到生产组件，结合以往的工程反馈，生成带验收标准的 PRD。

小团队照搬整套平台不现实，但其中两点可以先试：给 AI 的输入要包括组件和规范，交给工程的需求要写明验收标准。

Rittika Jindal 在 Latent Space 的文章里一步步记录了离线配置：联网时装好 OpenCode 1.19.4，用 Ollama 拉取 qwen3.5:9b，并让 Ollama 只监听本机、关闭云功能。然后关掉 Wi-Fi，先用 curl 确认本地服务还能响应、外部地址访问失败，再开始干活。

她的做法里有两点值得照搬。第一，先让测试失败，再让 agent 修：三个用例失败给了 agent 明确的目标，也让人可以不看它的解释，直接用测试检查结果。第二，权限确认是人工检查点：agent 提议跑 pytest 时，她在确认环节发现命令不对。

她也引用了一项研究：在云端模型上，OpenCode 每解决一个任务消耗的 token 约为 Goose 的 40 倍。本地运行不按 token 计费，但上下文长度会占用内存。

在 App Masters 这期节目里，Jake 把问题从「该付多少 CPM」改成了「这些播放带来的收入，允许我付多少」。按这个思路，底价负责保底，奖励跟播放量挂钩，到一定量级就封顶，避免爆款视频把单次合作做亏。

做付费 App 的小团队可以先跑几次小额合作，记录播放、下载和收入，用早期数据定出自己的 RPM，再整理成能重复执行的合作条款。节目还区分了投放广告、网红合作和 UGC 三种渠道。

Aaron Levie 在 X 上说，这是招股书里最关键的数字。他判断，现在只有极少数公司真正让 agent 在后台大量处理任务，不需要人去提示。批量处理数据、多个 agent 并行写代码、在流程里自动执行任务，这类用法消耗的 token 要多出约 100 倍，也更容易直接算出投入回报。

Nikunj Kothari 的拆解给了另一面的数据：上半年约 80% 的收入按用量计费，而算力合同大多一签就是好几年。

对读者来说，这组数字有两层意思。大公司里愿意动手改造流程的人仍然不多。能把一个流程改成 agent 在后台跑、人做判断的人，在组织里会越来越稀缺。