AI 实干派 看真正用 AI 拿到结果的人怎么做
AI 实干派 021 · 2026 年 10 月 30 日 · 周五 · 约 9 分钟读完

每小时自动上线的 AI 游戏公司,以及一年只省 30 美元的 Prime 会员

30 秒速读

工作提效·本周演示·2026-10-29·US

谁·场景
Jacob Sansbury 在开发 Spawn,一个多人在线游戏,玩家对游戏内的 AI 角色 Savi 下指令就能修改游戏世界。Simon Willison 转述并点评了他的长文。
怎么用
智能体直接改线上代码,自己读报错、bug 报告和指标。Savi 遇到 bug 会自己提交,交给一个智能体判断:要修、不修,还是需要人做设计决定。监控告警会唤醒一个负责该事故的智能体。
结果
Jacob 说,bug 通常在一小时内修好,并在同一个聊天里通知用户;出问题的改动 30 秒内可以回滚。他说 Fable 5 和 5.1 才让这种自主程度成为可能,Opus 5.5 还差一点。
你可以试
挑一个出错代价低的内部工具,先把回滚做到一键可用,再让智能体按「修 / 不修 / 需要人决定」三类处理 bug 报告,人只看第三类。
注意
Simon 认为,出错后果更严重的软件很难这样开发。这套做法的成本也只有极少数团队负担得起。

Simon Willison 推荐了 Jacob Sansbury 的长文。Spawn 是一个多人游戏,玩家用提示词改造世界,Simon 在手机上试了几分钟,就造出了一座城堡和一条龙,还骑着龙绕城堡飞。Jacob 说,开发工作主要交给一群智能体,每月 token 超过 300 万美元,「花在 token 上的钱是工资的 30 倍」。

这套流程有几个设计可以借鉴。一小时没上线就算 SEV-0,也就是最高级别事故,他的理由是智能体只能记住几个小时的工作,上线越频繁,它越不容易乱。回滚要快而且范围要小,他们能在 30 秒内只撤回出问题的那部分,还会故意制造故障来测试恢复流程。用户反馈直接进入修复队列,修好后在原来的聊天里回复用户。

也有失败的例子。他们让 GPT-6 Astra 按安全审查结果修复问题,结果它把所有功能都关掉了,标注「安全修复完成后再打开」。所以选模型要用真实任务来试,看排行榜不够。Simon 的判断是,游戏出错代价低,适合探索智能体能力的边界,换成支付或医疗软件就是另一回事。

AI 生活·本周演示·2026-10-29·US

谁·场景
Meredith Dietz 跑过多场马拉松,是 Strava 付费用户,在美国测试刚推出的 Gemini 集成。
怎么用
在 Gemini 的 Personal Intelligence 里选 Strava,登录并授权。之后用自然语言提问,比如「同样心率下我是不是变快了」「比较几场马拉松前的训练量」。
结果
Gemini 先说她效率进步明显,她提醒后才补上:9 月长距离跑时气温 75–84°F,心率被推高。它算出她的轻松跑配速约 9:43/英里,接近马拉松配速,建议放慢到 10:30–11:15,她同意这条建议。
你可以试
连接后问老数据时写明具体日期和地点。对讨好你的结论追问天气、地形和疲劳,把它当作取数工具,不当教练。
注意
授权页写明,Gemini 能读取活动、表现指标、训练计划、装备、俱乐部和个人资料;部分对话内容以及你的姓名和邮箱可能会共享给 Strava。连接是只读的,可以随时断开。

Meredith Dietz 在 Lifehacker 测试了 Strava 和 Gemini 的新集成。设置只需三步:打开 Gemini 的 Personal Intelligence,在已连接应用里选 Strava,登录并授权。她要求分析 2019 年以来的每一次马拉松,Gemini 只找到 2026 年 10 月的一场。追问后它解释,受分页限制,它只能读到大约 2026 年夏天以后的记录。可在别的回答里,它又提到了她 2025 年和 2024 年的比赛,能读到多少数据并不稳定。

她的用法可以照着做:先让 AI 快速取数,再自己追问它可能漏掉的变量。Gemini 推荐的追问,让她想到了原本没列的比较,例如不同年份赛前的周跑量和长距离频率。宽泛的问题,比如「我哪里做得对、哪里做错了」,得到的多是讨好式的通用建议。

她认为这类建议大多是普通跑者看一眼数据也能得出的常识。对已经会看训练数据的人,这个功能主要省的是翻记录的时间,涉及重要数字时仍要回原始记录核对。

原文:Lifehacker
Micro SaaS·机会观察·2026-10-29·US

谁·场景
Startup Ideas Podcast 主持人 Greg Isenberg,2026-10-29 的单人节目。
怎么用
他把模式拆成三层:免费工具拉来用户和数据;智能体按 token 或按结果收费;人工服务按周或按月收费。
结果
他举的例子是卡路里记录 App:记录功能免费,个性化餐单、更精确的追踪要付费,每周一次的减重教练再单独收费。
你可以试
找一个用户现在按席位付费、但只用基础功能的细分工具,列出「免费基础版 + 付费智能体 + 付费人工」三档,先去问十个潜在用户最愿意为哪一档付钱。
注意
他认为面向《财富》500 强这类大企业仍会按席位收费,因为它们愿意为安全和被照顾的感觉付钱。免费工具在赚到钱之前就要承担托管和模型成本。

Greg Isenberg 在节目里说,过去 15 年 SaaS 的难点是雇够好的工程师把工具做出来,再按每席位 9.99 或 29.99 美元收费。他认为到了 Opus 5.5、GPT-6 这一代模型,做工具已经不难,一两个人加 AI 就能做出过去 20 人做的东西。

他的建议是把工具免费送出去,用户付出的是数据和网络效应,再向他们加卖智能:「CRM 免费,想让 CRM 用智能体替你干活就要付钱」。收费有三种方式:按 token、按结果、人工服务按周或按月。他认为「把事做完」的市场比「卖工具」大,所以 SaaS 的总市场反而变大了。

这是他个人的判断。对做 Micro SaaS 的人,最直接的用处是重新设计定价表,把收费点从「能不能用」移到「替你做了多少」。他也划了边界:中小企业、专业个人用户和个人会越来越多地免费使用,大企业仍会付席位费,只是单价可能下降。

AI 生活·本周动态·2026-10-29·US

谁·场景
Tom's Guide 作者 Elton Jones,日常在 Amazon 购物,正在试用 Alexa for Shopping 新增的 100 多项功能。
怎么用
在 Amazon App 里直接问「今年 Prime 帮我省了多少钱」,Alexa 根据他的账户和订单记录给出分项明细。
结果
按 Alexa 给出的明细,他省了 27 美元配送费、3 美元会员折扣,Prime Visa 返现为 0,合计 30 美元。Alexa 同时提醒,Prime Video、音乐等权益没有算进去。
你可以试
美国 Amazon 用户今天就可以问同样的问题,再问「我有一笔不认识的扣款」「我的退款到哪了」,核对账户里的订阅和账单。
注意
Alexa 只算得出能用钱衡量的部分,视频、音乐等权益值多少要自己判断。是否取消会员也要本人决定并操作。

Amazon 给 Alexa for Shopping 加了 100 多项功能,Tom's Guide 的 Elton Jones 先试了查账。和钱有关的新功能包括:查 Prime 权益和累计节省、查礼品卡余额、报告不认识的扣款、追问退款进度,以及跳过下一次定期配送、调整配送频率。目前所有美国 Amazon 用户都能用。

他问 Prime 省了多少,Alexa 给出的明细是:12 个月配送费省 27 美元,会员专享折扣省 3 美元,信用卡返现 0 美元,而年费是 139 美元。他把这当作功能好用的证明,但这组数字本身也说明,光算省下的钱,会员费没有回本,值不值要看他用了多少视频和音乐。

可借鉴的做法是让掌握你账户数据的 AI 替你算一笔账:它能直接读到订单记录,比自己翻账单快。查到不认识的扣款、过期的定期配送,再自己决定取消或申诉。

AI 认知·观点访谈·2026-10-30·US

谁说的
Aaron Levie 是 Box CEO,2026-10-30 在 X 发帖。Thariq 曾在 Anthropic 做 Claude Code,2026-10-29 在 X 发帖,获得 9500 多个赞。
核心观点
Levie 认为,AI 进步曲线「几乎垂直」,前沿使用者和其他人的差距在拉大,所以要不断重新试几个月前没解决的问题。Thariq 则说,用编码智能体时容易进入一种亢奋状态,感觉一直在干活,其实什么也没发生,这往往是在逃避生活里别的事。
依据
Levie 的依据是他的职业经历:他说从没见过进步这么快的技术,一年前就动手、以为已经做完的公司,现在落后得更多。Thariq 的依据是他在一线使用编码智能体的观察。
对你的意义
每季度把之前 AI 做不好的任务重新测一遍。同时每周核对一次:用智能体做的东西里,有多少真正上线或交付了。
争议·条件
两种说法不冲突,但要分开看:Levie 说的是能力在变,所以要常重测;Thariq 说的是使用量本身不等于产出。

Aaron Levie 在 X 上写道,如果 AI 进步放缓,大家会用同样的方式用 AI,竞争优势就会被抹平;实际情况相反。他说,3 到 6 个月前固化下来的流程,现在可能又落后了,而人脑和企业的变革管理流程都跟不上这个速度。他认为 AI 原生公司目前占优,大公司的问题是能不能跟上。

Thariq 的帖子提供了另一面:用编码智能体时,人可能一直在发指令、看输出,觉得自己效率很高,实际没有进展。他认为这常常是在逃避别的事。

两条放在一起,对读者的提醒是:定期重测 AI 能力的边界,但用交付结果衡量自己。可以在日历上设一个季度提醒,重跑一组上次失败的任务;每周看一次实际上线或交付了什么,而不是看用了多少 token、开了多少会话。

今天可以做的一件事

选一个你每月付费的订阅(会员、软件或健身 App),打开它自带的 AI 助手或导出账单,问三个问题:过去 12 个月我实际用了几次?省下或赚回多少钱?有没有不认识的扣款?拿到答案后,像 Meredith Dietz 那样追问一句「你漏掉了什么」,再回原始记录核对一个关键数字。最后由你自己决定续费还是取消,这一步不要交给 AI。