AI 实干派 看真正用 AI 拿到结果的人怎么做
AI 实干派 022 · 2026 年 10 月 31 日 · 周六 · 约 9 分钟读完

一个“无聊”的 Excel 网站月入 3 万美元,两句提示词让小模型跑起马里奥

30 秒速读

Micro SaaS·经营复盘·2026-10-28·US

谁·场景
Jake 读金融出身,自学编程。他在 Starter Story 节目里讲了 Excel Exercises:这个网站用浏览器里的练习教 Excel 函数和快捷键,他做了五六年,前几年一直是业余在做。
怎么用
代码大部分是普通 HTML、CSS 和 JavaScript,他说现在新代码由 Claude 来写。网站跑在 GCP 上,云服务每月不到 100 美元,邮件工具 SendGrid 每月 35 美元,另外是 Stripe 手续费。
结果
他说网站现在每月收入 3 万到 3.5 万美元。过去四周约 5 万访客,约 2,500 名在付费的订阅用户。两年前辞职全职做以后,收入涨了大约 5 倍。
你可以试
如果你有订阅收入,把付款记录导出成表格,按月付和年付分别算每个客户的终身价值(LTV)、获客成本和回本周期,再决定改哪档价格。
注意
从月收入 1 万涨到 3 万靠的是付费广告和企业团购,前提是单位经济账算得过来。AI 在这门生意里只负责写代码,增长主要来自 SEO、定价和口碑。

Jake 在金融公司上班时,入职要看一长串 Excel 培训视频,他看得直犯困。后来做 Duolingo 时他想到“给 Excel 也做一个”。网站还很粗糙、也没推广,就有人付了 50 美元。这是他得到的第一个验证。产品采用免费增值模式:先给几节免费课,之后是硬付费墙。最难做的是让网页上的表格用起来像真的电子表格。节目

增长分两段。从 0 到每月 1 万美元,靠 SEO:他在首页写了 1500 到 2000 字,讲这是什么、为什么比看视频学得好。有人劝他首页别放这么多字,他没删,因为成交都从这里来。从 1 万到 3 万,靠付费广告和大学、企业订单。用户自己用过觉得好,回公司推荐给老板,老板来问能不能一次开 50 个账号。

最值得学的是他做的分群核算。Stripe 只给一个混在一起的平均 LTV,平均下来 LTV 和获客成本的比约 3:1,看着很健康。他把付款按月付、年付拆开以后才发现:年付客户很赚钱,月付客户只是勉强盈利,回本要四五个月。他把月付价格翻倍,年付不变,之后增长才真正起来。开始投广告前,先把这笔账按客户群拆开算。

工作提效·本周演示·2026-10-30·US

谁·场景
开发者 Drew Breunig 受 Divyansh Agrawal 的 qwenputer 项目启发,做了一个好玩的项目。
怎么用
第一条提示词只要求可行性研究:读 qwenputer 的文章和源码,判断能不能用同样方法模拟 NES 的芯片和内存,要多大的模型,换成更小的模型能不能达到原机时钟速度。第二条才说“开做”,并写明要什么:权重文件,加一个能指向游戏 ROM 运行的命令行工具。
结果
游戏 ROM 能在 Qwen 里运行,只是很慢。过程中 Opus 自己找到了 Christopher Pow 15 年前发布的 NES CPU 一致性测试,并用它来检验结果。
你可以试
做一个陌生的技术项目时,先让 AI 只读资料、评估可行性和规模,你确认后再让它动手,同时写清最终要交付的文件和用法。
注意
这个方法之所以能成,是因为现成的权威测试集。没有客观测试标准的任务,AI 很难自己判断做没做对。

Simon Willison 在博客里介绍了 nesformer:Drew Breunig 把 NES 的 6502 CPU 模拟器“烤”进了 Qwen3.5-4B 的权重,可以在模型里玩超级马里奥,速度很慢。Drew 在 Hacker News 公开了他用的两条 Opus 5.5 提示词。

这两条提示词的顺序可以直接借鉴。第一步只问“能不能做、要多大”,给 AI 一篇参考文章和源码,让它探索方案和模型规模,不急着写代码。第二步才下指令,并降低不必要的要求(“慢也没关系”),同时说清交付物:权重和一个命令行工具。范围清楚,AI 才有收尾的标准。

更关键的一点是 Opus 找到了一套 15 年前的 CPU 一致性测试。工程、数据、财务类任务都可以照这个思路:开工前先问 AI“有没有现成的测试集、标准答案或对账数据可以用来验收”。有了这些,AI 的产出才能自动核对,不必全靠人逐行检查。

AI 生活·本周演示·2026-10-29·US

谁·场景
Amanda Caswell 所在地区季节性风暴频繁,停电后上不了网,连“冰箱断电后食物能放多久”这种问题都没处查。
怎么用
Survival LLM 是免费开源软件,支持 Windows 和 Mac。AI 模型在本机运行,并检索本地参考库,资料来自 Wikipedia、MedlinePlus、FEMA、CDC、iFixit,共约 150 万篇文章。回答时会列出引用了哪些文章,还可以导入自己的 PDF、Word 文件和笔记。
结果
她查到了停电期间食物保鲜、家电维修、轻度烧伤处理等内容。开发者在旧版资料库上测过 22 道急救题:最大的模型答对 21 道,16–31GB 内存机器推荐的模型答对 14 道。
你可以试
趁有网时装好软件,把发电机说明书、紧急联系人、家庭应急计划导进去。之后在断网状态下试问几个问题,用它列出的原文核对答案。
注意
下载量大:资料库 1.3GB 到 9GB,模型 6GB 到 80GB。8GB 内存的电脑开发者不推荐跑模型。笔记本没电就用不了。安全相关的答案一定要看原文。

Amanda Caswell 在 Tom's Guide 写了她的试用经历。Survival LLM 需要提前联网下载模型和资料库,装好之后可以完全离线提问。开发者估计安装要 20 分钟到两个半小时,她在 Lenovo 的 Windows 11 电脑上用了约 36 分钟。支持搭载 Apple Silicon、系统为 macOS 14 及以上的 Mac,以及 64 位 Windows 10/11。开发者说问题和上传的文件都只留在本机。

她最看重的是答案附带出处,可以直接读相关段落,这对安全类问题很重要。可惜准确率和电脑配置关系很大:内存少的机器只能用较小的模型,答对率明显下降,8GB 内存的机器基本只能用检索功能。

家里有 16GB 以上内存的电脑,可以把它当作应急预案的一部分,用处更像一本可检索的离线百科,代替不了专业急救。软件不在应用商店上架,安装时会弹出安全提示,装不装要自己判断。

AI 认知·观点访谈·2026-10-30·US

谁说的
Nathan Lambert 长期研究和训练开放模型,这篇文章发在他的 newsletter Interconnects 上。几周前他写过:Claude Mythos 就算意外以开放权重泄露,世界也“大体没事”。这篇是回应批评后的复盘。
核心观点
他的看法是:开放模型给攻防双方都添了力量,资源更多的公司会比攻击者更快用上开放模型;最近的漏洞潮大多是闭源模型发现的;整个问题主要关乎 AI 能力怎样扩散,开源还是闭源是次要的。
依据
他的依据有三条。第一,GLM-5.3 被认为跨过了这条能力门槛,权重公开已经一个多月,公开证据里看不出局面有大的变化。第二,Epoch AI 用 GLM 5.3 做出了一个 Firefox 漏洞利用,但攻击还需要搭网站、引人访问等多个环节。第三,安全研究者 Joshua Saxe 的数据显示,攻击数量早在 ChatGPT 出现前就在指数增长。
对你的意义
如果你维护线上产品,可以先按他的预期准备:接下来会是一段漏洞集中被披露、需要密集打补丁的时期。参考他引用的说法,把攻击者看成有固定业务流程的生意人,按他们惯用的手法排查风险,不要把每个新漏洞都当末日。
争议·条件
反方观点他也引用了:Rob Wiblin 和 Anthropic 在 4 月都警告后果可能很严重。他承认,对没预料到会有一段动荡期的人来说,“没事”这个词说轻了。

Nathan Lambert 在 Interconnects 里回顾了被称为“Black October”的这段时间:PHP2Shell、GitLab 等严重漏洞接连被披露,期间 Binance 又出了加密货币安全事件。他仍然基本坚持原来的判断,同时修正了说法:所谓“没事”,指的是整个行业被迫换一种方式维护软件,这个过程会很贵、很辛苦,但社会不至于失序。

这里要分清“他认为”和“已经发生”。已经发生的是漏洞数量激增,WSJ 报道网络安全应急人员已经忙不过来。他的判断是:开放模型目前部署成本高、算力紧张,如果近期有攻击用到开放模型,很可能是通过某个防护很差的 API。他自己也说这个判断误差很大。

对读者来说,这篇文章提醒的是把注意力放回整个生态层面:补丁、依赖库、部署方式,比争论该怪开源还是闭源更实际。

原文:Interconnects
Micro SaaS·机会观察·2026-10-31·US

谁·场景
Latent Space 的 AINews 栏目汇总了本周和模型成本有关的几组数据,适合正在做 AI 产品、自己付模型账单的人。
怎么用
Agent Arena 统计了 2.6 万个 Agent 会话的成本。同期 Anthropic 调整了订阅档位:Max 5x 改名 Max,每月 100 美元;Max 20x 改名 Ultra,每月 200 美元。
结果
Agent Arena 称,缓存每失效一次,任务账单增加约 5%。Anthropic 宣布,通过验证的 Ultra 账户取消 5 小时会话限制,每周额度不变,新账户要等验证完成。
你可以试
把产品里 Agent 的调用日志按是否命中缓存拆开,算出每个任务的平均成本,再检查哪些步骤反复让缓存失效。
注意
3.6 倍是这批榜单 Agent 的统计结果,你的任务结构不同,节省比例也会不同。关于订阅补贴的估算来自第三方推算,未经核实。

Latent Space 本期汇总了几组成本数据。对做 Micro SaaS 的人最有用的是 Agent Arena 这组:用不用提示词缓存,同一个任务的成本差 3.6 倍;缓存只要失效一次,账单就多约 5%。做定价时,模型成本应该按实际缓存命中率算,不能直接拿 API 标价去乘。

订阅这边,Claude Ultra 取消了 5 小时限制,对重度个人开发者来说,用订阅干活的空间更大了。同一期还提到 SemiAnalysis 的一份推算:订阅只带来约 18% 的收入,却用掉了一半以上的算力。这个数字未经核实,不过它提醒了一个风险:今天便宜的订阅额度,不一定会一直这么便宜。

同期还有一条和流量有关的消息:Google 首席商务官 Philipp Schindler 说,AI Mode 的变现水平较低,影响了搜索收入。像头条那样靠 SEO 起家的生意,可以开始关注自己的搜索流量有没有变化。

原文:Latent Space

今天可以做的一件事

打开你的收款后台(Stripe 或其他平台),导出最近半年的付款记录到表格,按月付、年付(或不同价格档位)分开,各算一个平均客户价值和回本周期。没有订阅产品的话,就拿公司里的一个付费工具或自己的一个副业项目来算。算完后看一个问题:哪一群客户其实不赚钱?再试着回答第二个问题:如果只调这一档的价格,最坏情况会损失多少?这张表就是你下次改定价时的依据。