Karpathy 两小时从 4300 万条评论里挑出一个视频站,屏幕时间 App 月收入做到 40 万美元
30 秒速读
- 工作提效Andrej Karpathy 让 Claude 把 Hacker News 二十年里的 4300 万条评论筛成 6,454 个反复被推荐的视频,做成网站并部署上线,他说一共用了约 2 小时。
- AI AppBrainrot 联创 Yoni Smoliar 说,App 2025 年夏天上线,月收入从约 1 万美元涨到约 40 万美元;他用 Claude 和 Codex 分析埋点数据,找出重度用户的行为。
- 工作提效Figma 增长 PM Ezra Mechaber 把个人的 Claude Code 配置做成共享仓库 PM OS,收了 31 个技能,Figma 六七十位 PM 都在用。
- AI 认知Simon Willison 用最新人口普查局数据重画 AI 采用率图:250 人以上公司回答「用了」的比例从约 12% 升到约 40%,但中间问卷措辞改过一次。
01|Karpathy 周末两小时,用 HN 二十年评论重做 YouTube 推荐
- 谁·场景
- Andrej Karpathy 不满意 YouTube 的推荐,周末给自己做了一个叫 HackerTube 的视频站。
- 怎么用
- 他用 Mac 上的 Claude Code 桌面版,默认 Opus 5.5、Medium effort,只和 Claude 对话,分析数据、写代码、部署都交给它;他自己只在浏览器里做了三件事。
- 结果
- 他说约 2 小时完成。网站不用登录,推荐状态存在本地浏览器里,评论分析数据打包成一个 zip 公开。
- 你可以试
- 挑一个你嫌推荐不准的信息源,找一份能下载的公开数据,让 AI 先做筛选和统计,再决定要不要做成页面。
- 注意
- 要申请 API key、开服务器、买域名,账号和付费这几步得本人去办;他是顶尖工程师,判断 AI 做得对不对的能力也是普通人比不上的。
Andrej Karpathy 在 X 上介绍了一个周末项目 HackerTube。他嫌 YouTube 推荐不好,就让 Claude 读完 Hacker News 二十年来的 4300 万条评论,挑出 6,454 个反复被人推荐的视频。他说用 Opus 5.5 花了大约 2 小时,观看体验好了很多。缩略图取的是视频中段的一帧,不用上传者反复测试过的点击图。底层的评论分析数据他打包成了一个 zip,建议别人「让你的 Claude 读它,做一个自己的版本」。
分工很清楚。他只和 Claude 对话,其余都交给 Claude,自己只在浏览器里做了三件事:在 Google Cloud 后台创建查询 YouTube 元数据的 API key,开一台 VPS,买域名。服务器开好后,他把 IP 给 Claude,让它更新、加固安全、部署并优化代码,这些都是 Claude 完成的。
可以借鉴的是这种拆法:需要账号、付钱、身份验证的事本人做,其余交给 AI。开工前先列出这几个人工节点,就知道卡点在哪。他说很多原本要几周甚至几个月的项目,现在几次尝试就能做出来。这句话放在一个数据公开、需求是他自己的周末项目上成立;涉及客户数据或线上业务的项目,安全加固和代码检查需要的时间会更多。
02|屏幕时间 App 一年从月入 1 万做到 40 万美元
- 谁·场景
- Yoni Smoliar 以前是大公司的软件工程师,和联创 Brock Anderson 做了屏幕时间 App Brainrot,主要卖年订阅。
- 怎么用
- 把采样后的埋点数据发到 Mixpanel 或 PostHog,让 Claude 或 Codex 分析,找激活时刻和最活跃的用户群;平时也用 Claude Code 和 Codex 写代码、做内部事务。
- 结果
- 他说下载量约两百万,用户约 15 万,月收入约 40 万美元;上线第一天约 1 万美元,主要靠他上线前积累的 10 到 15 万 Instagram 粉丝和候补名单。
- 你可以试
- 已有产品的人,导出一段用户行为数据让 AI 比较重度用户和普通用户,找出一个可以引导其他人照着做的动作。
- 注意
- 冷启动靠的是现成的粉丝,后来的增长靠网红内容和付费广告,这两样 AI 都替代不了;40 万是收入,扣掉广告和平台抽成前的数字。
Yoni Smoliar 在 Starter Story 访谈里讲了 Brainrot 的经过。他当时手机成瘾,想到一个点子:刷得越多,App 里那只电子宠物大脑就烂得越厉害。打开被限制的 App 时,要先走一段小流程,比如「接一通大脑打来的 FaceTime」,靠这点阻力改变习惯。上线前他在 Instagram 讲自己的创业经历,攒了 10 到 15 万粉丝,用候补名单制造悬念,他说上线第一天就有约 1 万美元收入。
增长靠什么,他讲得很直接:网红内容和付费广告有效,就把有效的事做十倍。AI 用在理解用户上:埋点采样发到 Mixpanel 或 PostHog,让 Claude 或 Codex 去分析,弄清激活时刻和最投入的用户群,再想办法让其他用户也做出这些行为。接着做小实验,比如调整引导页某张图的顺序。他说十次里九次没用,第十次可能改变走势。他的工具栈还有 Firebase(实验)、Superwall(付费墙)、AppStack(广告归因),外包人员在 Upwork 上找。
选题上他建议新手避开竞争激烈的品类,做一个解决一个核心问题的简单工具,最好自己每天都用;要么用户终身价值高,要么用户每天都会打开。06:29 起的「2026 年怎么做 App」部分是重点。
03|Figma 的 PM 共用一个 31 个技能的 Claude Code 仓库
- 谁·场景
- Ezra Mechaber 是 Figma 的增长产品经理。他入职时发现,工程以外几乎没人用 AI 做正经工作。
- 怎么用
- 他和几位 PM 把自己的 Claude Code 配置整理成仓库 PM OS,里面有技能、hooks 和私有子仓库。他用 Codex 做 bug bash,还做了自动跑增长实验的 AutoXP,整个流程只设一个人工确认点。
- 结果
- 节目称 Figma 每位 PM 都在用这个仓库,覆盖六七十人;他每天要跑六次一个整理 Slack 的技能;AutoXP 第一次实验就找到了一个大收益。
- 你可以试
- 把你反复做的一件事(比如整理 Slack、写实验文档)写成一个技能文件,放进团队共享仓库,请同事挑毛病后再精简。
- 注意
- 前提是团队里的 PM 能用终端或 Git,他们后来也做了本地网页前端来降低门槛;自动跑实验需要成熟的实验平台和足够的流量。
在 How I AI 这一期里,Ezra Mechaber 说自己的目标是「在该偷懒的地方偷懒」。他把个人的 Claude Code 配置做成 PM OS,刻意做成一个仓库,不做成产品:技能和 hooks 放在共享部分,个人内容放进私有子仓库,一个仓库让六七十位 PM 保持同步。技能是一个个做出来的,经过同事「吐槽」后再删减,最后留下 31 个。
节目演示了几样东西:一个「幕僚长」式的配置;一个他每天跑六次、用来消化 Slack 的技能;用 Codex 做 bug bash,他说能发现自己注意不到的问题;还有 AutoXP,一个自动化的增长 PM,整个实验流程只留一个人工确认点,第一次实验就找到了大收益。后来他们把入口从终端换成了本地网页前端。
对大厂 PM 来说,比较现实的起点是先在自己身上跑通,再把最常用的几项交给同事试用。06:30 的演示和 22:08 的 AutoXP 部分可以先看。
04|大公司用 AI 的比例到了 40%,前提是看清问卷改过字
- 谁说的
- 开发者 Simon Willison 在博客里,用 GPT-6 重新分析美国人口普查局的商业趋势调查 BTOS。
- 核心观点
- 他认为,大公司 AI 采用率看起来在上升,但前后两段数字不能直接对比,因为问题的问法变了。
- 依据
- 2025 年 9 月,问「是否在生产产品或服务中用 AI」,大公司约 12% 回答是;2025 年 11 月 17 日起改问「是否在任何业务职能中用 AI」,2026 年 2 月约 30%,10 月约 40%。
- 对你的意义
- 下次在汇报或文章里引用「X% 企业在用 AI」时,先找到原始问卷,确认问的是什么、口径什么时候变过。
- 争议·条件
- 从 2026 年 10 月 19 日起,因为第 14434 号行政令,问卷把 AI 改称「Super Intelligence」,他担心这会再次影响结果,首批数据本周四发布。
Simon Willison 在博客里重做了一张去年流传很广的图。美国人口普查局每两周做一次 BTOS 调查,每次向 120 万家企业中的 20 万家发问卷。用 10 月 22 日发布的最新数据,他发现 250 人以上的公司回答「用了 AI」的比例约为 40%,一年前约为 12%。
他强调,这两个数字不能直接比较。2025 年 11 月 17 日之前,问题是「过去两周是否在生产产品或服务中使用 AI」,之后改成「是否在任何业务职能中使用 AI」,问的范围大了很多。按新问法,2026 年 2 月约 30%,10 月约 40%,这一段之内的上升可以比较。更新的变化是:从 10 月 19 日起,因为第 14434 号行政令,问卷把 AI 改叫「Super Intelligence(SI)」,例子写成「SI 驱动的数据分析」。他觉得这种措辞很荒唐,也在关心它会不会影响企业怎么回答。
这对读者的用处很实际。向老板论证 AI 投入、写行业分析时,采用率数字常被拿来用,先查原始问卷和口径变更的时间。他的做法也可以照搬:下载原始 XLSX,让 AI 画图,同时自己读一遍问卷原文。
今天可以做的一件事
学一下 Karpathy 的拆法:从手头挑一件拖了很久的小项目,比如一个内部数据看板,或者把一份公开数据整理成自己用的清单。动手前在纸上列两栏,一栏是必须本人做的事(申请账号、开权限、付费、最后验收),另一栏是交给 AI 的事。然后只做第一栏,第二栏整段交给 Claude Code 或 Codex。做完记下总用时,以及你在哪一步插手修正过。这份记录能告诉你,这类任务以后值不值得交给 AI。