一份幻灯片背后调用 200 次模型，去健身房前先让 AI 教练核对一遍计划
30 秒速读
- AI AppGamma 联创 Jon Noronha 说，用户拿到一份成品演示稿，背后约有 20 个模型、200 次调用，其中包括几轮视觉质检。
- AI 生活少数派作者叁思 Santh 把 Apple Watch、Oura 和训记的数据接进 NAS 上的 SQLite，每次训练前由两个「教练」出计划、一个「循证教练」核查，他本人确认后再写回 App。
- 内容创作四届艾美奖得主 Fred Graver 说，打开 AI 之前，要先花一两天把自己对作品的想法全部写下来，再让 AI 扮演编剧室和焦点小组。
- 工作提效Anthropic 的 Boris Cherny 转述：犹他州 10 个州政府机构的 34 名开发者参加试点，80% 在 30 分钟内配好环境，71% 报告四周里省下 20 小时以上。
- AI 认知陈然说，Pure Global 在 2025 年重写了内部系统，国内开发团队从高峰期二十来人压缩到一两人；他判断 2027 年裁员会变得极难。
01｜Gamma 拆解：一份幻灯片背后调用 200 次模型
- 谁·场景
- Gamma 联合创始人、首席产品官 Jon Noronha，在 Greg Isenberg 的播客里讲解公司今年把产品重做成 agent 的过程。
- 怎么用
- 云端沙盒读取用户文件，先弹出表单追问用途，再生成大纲、匹配模板、并行生成文字和图片，最后由视觉模型逐页查错并多轮修复。
- 结果
- 他说一份演示稿约用 20 个模型、200 次调用；产品价值 98% 来自 prompt，fine-tuning 主要用来降成本。判断模型或 prompt 好坏，主要看付费转化。
- 你可以试
- 想做垂直 agent，先列出这个领域里你独有的工具、数据或审美，再设计一个「生成→自查→修复」的循环。
- 注意
- 他认为最适合的是主观性强、用户在意细节的领域，比如设计和游戏；法律科技这类方向他觉得已经太挤。
Jon Noronha 在 Greg Isenberg 的节目里，把用户一次输入之后的流程讲了一遍。前 10 秒先问用户「这份稿子给谁看」，并从 Notion、Slack 等连接器拉取上下文。生成大纲、挑模板前已经调用了三四十次。生成完成后，视觉模型逐页检查文字错位、人像被裁、对比度不对，修几轮再交给用户。他说现成模型做这种质检效果不好，Gamma 在自己训练专用模型。
评估方面，他说「好不好看」很难写成 eval。Gamma 更依赖大规模 A/B 测试，观察编辑时长、分享导出和付费转化，其中付费最难造假。一次「快速模式」实验里，保留一些必要的摩擦反而带来了更高的付费转化。
对小团队来说，他给的门槛是：先用现成闭源模型把使用量做起来，有了真实用户，再考虑微调。
02｜去健身房前，先让三个 AI 教练核对训练计划
- 谁·场景
- 少数派作者叁思 Santh，平时做抗阻和有氧训练，想让 AI 根据自己的身体数据安排每次训练。
- 怎么用
- 通过 Freddy 和训记的 API，用 Python 脚本定时把数据拉进本地 SQLite；体脂和训练感受用文字或图片发给 Agent 录入；再给 Agent 定制一个 Skill，规定它怎样分析、怎样给建议。
- 结果
- 他发现直接让 Claude「详细分析」，只能得到好看但没用的看板。改成定制 Skill 后，每次训练形成「出计划→核查→本人确认→练完备注余量→回传」的闭环。
- 你可以试
- 先导出一段时间的训练和睡眠数据，用 grill-me 这类会反过来追问的 Skill 把需求问清楚，再写自己的分析规则。
- 注意
- 他说这套方法只用于辅助日常训练，不能拿来排查症状或处理医疗问题。搭建需要 NAS、API 和写脚本的能力。
叁思 Santh 在少数派记录了数据处理这一步。交给 AI 的是运动、睡眠、恢复数据和训练日志，全部存在家里 NAS 上的本地数据库，只能从局域网访问。计划由他本人确认后才写进训记。
他比较了十个社区 Skill，Star 最多的只有 200 多个，而且多数偏耐力训练，最后决定自己定制，把别人的好做法拿过来用：缺数据时在报告里注明，用 1 到 5 分的主观精力评分替补；HRV 对比本人近 28 天的均值；至少 10 晚数据才算相关性；统计交给脚本算。
他强调最难的一步是把需求说清楚。Agent 第一轮就问他：计算和决策分别由谁来做？他的答案是统计数字交给代码。如果你也有手环数据，可以先从这一条做起：数字让脚本算，AI 只负责解释和建议。
03｜艾美奖编剧的做法：先花两天清空自己，再打开 AI
- 谁·场景
- Fred Graver，做过 Letterman 节目编剧、Twitter 电视业务负责人，现在运营 AI Writer's Studio。他在 Every 的播客上讲自己的创作流程。
- 怎么用
- 写一份「我是怎样的写作者」文档和一份项目文档，让 AI 判断这个点子和这个人是否相配、受众在哪；再让 AI 模拟一个 8 人焦点小组，里面要有一个专门唱反调的人。
- 结果
- 他把创作分成构思、制作、营销三个阶段，每个阶段都让 AI 参与讨论，但 AI 不代笔。他说没有自己的观点，AI 只会让作品更平庸。
- 你可以试
- 选一个想写的题目，先手写或语音口述一页想法，再连同个人文档一起交给 Claude，问它「受众是谁、在哪个平台」。
- 注意
- 这套方法的前提是你已经有想表达的东西；要是先打开 AI，就失去了只靠自己思考的那一次机会。
Fred Graver 在 The Every Podcast 里说，他把 AI 当成虚拟编剧室，让它做一群帮你想事情的人，不当枪手用。他还会把 Substack 上看到的各种 Skill 和方法丢给 Claude，问它：「这对我有用吗？」Claude 有时会说已经在做了，有时会说可以一起搭。
他的出发点来自电视工作的经验：越靠近受众越安全。他做 Best Week Ever 时，制作人内部交流用的 Tumblr 意外有一两万人在看，于是团队开始读受众的反馈。对做自媒体的人来说，先写个人定位文档，再用 AI 模拟受众反馈，花的成本很低，适合在正式写之前检验选题。
04｜犹他州 34 名政府开发者试用 Claude Code 四周
- 谁·场景
- Claude Code 负责人 Boris Cherny 在 X 上转述犹他州政府的四周试点。
- 怎么用
- 给 10 个州政府机构的 34 名开发者开通 Claude Code，观察上手速度和自报节省的时间。
- 结果
- 他说 80% 的人 30 分钟内跑通环境，71% 自报试点结束时省下超过 20 小时。
- 你可以试
- 在团队里推 AI 编程工具时，可以照这个结构做小规模试点：固定人数和周期，记录上手时间和每人自报的节省。
- 注意
- 节省时间是参与者自报，没有拆分出审查和返工花的时间。
Boris Cherny 在 X 上发了这组数字。政府机构流程多、合规要求严，30 分钟内能上手的比例，可以看作部署门槛的参考。
更值得借鉴的是试点的设计：人数不多、周期四周、指标只有两个，分别是多快能用起来、省了多少时间。想在公司内部争取预算的人可以照这个结构做，另外加记一项：省下的时间里，有多少又花在了代码审查上。
05｜陈然：二十人开发团队压到一两人之后，他怎么看裁员窗口
- 谁说的
- 陈然，Pure Global 合伙人，常驻旧金山，这一年和很多老板聊过企业 AI 转型，在个人网站发文。
- 核心观点
- 他认为 AI 转型的核心收益之一是趁现在还能精简团队；2027 年起，就业保护立法可能让裁员极其困难，而成本只有老公司 1% 的 AI native 小团队会直接抢客户。
- 依据
- 依据是他自己公司的经历，以及合伙人 DJ 去泰国子公司驻场两天、第二天写完整套进出口系统的例子。
- 对你的意义
- 他给员工的建议是：用 AI 省下的时间不要还给公司，先跑通自己的独立收入闭环，哪怕最初只有几百美元。
- 争议·条件
- 2027 年立法收紧是他个人的预测。他的例子来自软件团队，在需求清楚、由一个人说了算的业务里才成立。
陈然在这篇文章里的说法很直接：AI 转型就是要大裁员，而且有时间窗口。他认为 2025 年是窗口期，2026 年社保等用人成本上升、阻力变大，2027 年可能出现大量就业保护立法。这些都是他的判断，还没有发生。
他给老板的做法是：旧业务转入维护模式，抽一两个懂客户的人按十倍压缩比重做核心业务，指定一个人全权负责，把业务规则写进 AI 能读的知识库。他也提醒，交付做完以后，瓶颈会转到获客。
对大厂员工，他的建议更有操作性：把上班当成一种主动选择，同时用一个月 200 美元左右的 coding plan 在熟悉的行业里找真实客户。
今天可以做的一件事
从手头的 AI 使用里挑一个反复做的任务，比如周报、数据整理或训练计划，用 Gamma 和叁思 Santh 的思路给它加一步「自查」：先列出 3 条最常出错的地方，比如数字算错、格式不对、漏了某类信息，写成规则交给 AI，让它生成后按规则逐条检查一遍再交给你。哪些数字必须交给脚本或你自己核对，也写进规则里。做三次后对比一下，你的修改时间有没有变短。