一只报警器定位到 40 厘米,一条视频广告约 5 美元
30 秒速读
- AI 生活Simon Willison 用 Claude Code 做了一个多设备声音定位工具。他说定位误差约 40 厘米,最后在那堆箱子里翻出一只旧的一氧化碳报警器。
- AI AppCody Schneider 演示用 agent 做投放:输入品牌网址出五条静态广告。他说一条带动效的 AI 虚拟人广告约 5 美元,请人做要 300 到 500 美元。
- AI AppWilliam Imoh 用 Codex 做出 iOS 和 Android 原生的 AI 语言陪练 Mural。他说 30 分钟实时语音的成本约 3 到 5 美元。
- 工作提效Every 团队试用 Fable 5.2,有人 3 天上线了内部视频剪辑工具。Dan Shipper 说它慢、费 token,日常写邮件他会换别的模型。
- AI 认知Ethan Mollick 让 Fable 5.2 筹划一门年入 2 万美元的生意、写一篇实证论文。他称之为「参差的 AGI」:产出接近专家,但看不出自己哪里品味和判断出了错。
01|满屋没拆的箱子里,Claude 帮他找出一直在响的报警器
- 谁·场景
- 开发者 Simon Willison 家里有间储物间,堆满搬家后还没拆的箱子,其中有东西间歇性地蜂鸣。两声间隔太长,人站在屋里听不出位置。
- 怎么用
- 他先在手机上用 Claude Code Cloud 写问题说明,AI 顺带找到一篇 2007 年的声学测距论文。系统由一台 Python 服务器和若干设备组成,各设备用浏览器麦克风监听;之后他在笔记本上和 Fable 5.2 一边运行一边加功能。
- 结果
- 他说系统把声源定位到约 40 厘米内。翻开那一堆箱子,找到一只急需换电池的旧一氧化碳报警器。
- 你可以试
- 遇到靠人工排查很费劲的家务问题,可以先让 AI 写一份问题说明,查查有没有现成方法,再决定动不动手。前提是会运行 Python,手边有几台闲置设备。
- 注意
- 设备互相放声音来自动测位置,效果不好,他改成手动拖图标粗定位。服务器还能让监听设备执行任意新代码,只适合在自家网络里用。
Simon Willison 在本人博客记录了 Beep Locator 的做法。两台 iPad、一部手机和两台电脑扫码加入,各自缓存最近 60 秒的音频,用 FFT 检测疑似蜂鸣。检测到蜂鸣后,服务器让一台设备播放一声短 chirp,用来对齐各设备的录音,再算出位置。
他的流程分三步。第一步只让 AI 写 problem.md,研究看着靠谱了才让它动手搭系统。第二步是先校验工具:他加了拍手模式,在屋里不同位置拍手,确认地图能标出拍手的位置,再去找蜂鸣。第三步,让 AI 加回放功能,他听过录音、确认是那个蜂鸣后点一下标记,系统之后就专门盯这个频率。
他觉得最有意思的是,这等于给 Claude Code 装上了耳朵。设备一直在线,新代码直接推送过去,他基本只需坐在电脑旁聊进展、提需求。真正动手的那步,摆设备和翻箱子,还得他自己来。
02|agent 配齐数据和权限后,一条 UGC 广告约 5 美元
- 谁·场景
- 营销数据平台 Graphed 创始人 Cody Schneider,在 Greg Isenberg 的节目里给产品没人买的创始人现场演示。
- 怎么用
- Airbyte 把广告、分析、CRM、支付数据同步进 ClickHouse 仓库,agent 只从仓库读数据。Facebook 和 Google Ads 的 API 只用来写,比如上传素材、关停广告。再给 agent 接上生图、视频、线索类 API。
- 结果
- 静态广告 skill 读品牌网址,提取品牌风格,查对手广告库,再从 Reddit 等处找痛点,提出五个方案并生成成图。他说 Google Ads agent 能在 20 秒内审完 5000 个搜索词,判断搜索意图是否匹配落地页。
- 你可以试
- 先只做一步:把产品网址交给 agent,让它整理用户痛点、写五条广告文案,人工挑一两条,小预算投放测试。
- 注意
- 读写分开,是为了防止 agent 高频请求违反平台 API 条款、导致封号。Greg 补充说,还需要大量参考素材和一个给广告打分的创意总监 agent,上线前保留人工把关。
这期节目里,Cody Schneider 用自家平台演示,同时讲了开源组件的拼法。他把 agent 的工作环境分成三块:数据、平台写权限、工具。数据全放进仓库有两个好处:agent 可以随便查,不撞 API 限流;广告还能一路关联到付款和客户终身价值,看出哪类素材带来的客户更值钱。
现场他给 Idea Browser 生成了五个方向,比如「别再花六个月做一个没人要的点子」,再把同一组概念改写成虚拟人口播视频脚本。他的判断是,Facebook 的算法会把好素材匹配给合适的买家,出素材的速度最重要。
对独立开发者来说,最低成本的版本是只用静态广告这一步做需求验证。全套数据管道要接很多付费服务,等投放确实有效再补也来得及。
03|没写过 Swift,他用 Codex 做出原生双端语言陪练
- 谁·场景
- 25 人公司 Hackmamba 的创始人 William Imoh。他在 Duolingo 连续打卡 1000 天,仍然无法用挪威语对话,于是自己做了一个全程沉浸的陪练。
- 怎么用
- Codex 写 Swift 和 Kotlin,他按 epic 和 user story 写需求,给出明确的设计方向(极简、苹果水准、有秋天的感觉)。第一版是暗色,他改成了暖色渐变。实时语音用 GPT-Live-1。
- 结果
- 他说没有 GPT-Live-1 就做不出这个产品。一次会话的模型费用对软件来说偏高,但比按需请真人家教便宜。
- 你可以试
- 下次让 agent 写功能,先写「用户问题 → user story → 验收标准」。卡住了就开新会话,把任务拆成几步,再让另一个 agent 审查。
- 注意
- 实时语音成本高,定价要先覆盖每次会话的模型费用。他默认给 agent 很宽的权限,但银行和客户数据不开放。
在 How I AI 这一期里,Imoh 的观点是,agent 写代码以后,创始人会什么语言已经不那么重要,技术栈跟着产品愿景走。他觉得做产品经理的经验能直接变成更好的提示:需求越贴近具体的用户问题,产出越稳定。
公司运营上,他用一组以指环王角色命名的 Grok Bot 分工:Gandalf 当幕僚长,Legolas 管市场,Aragorn 管销售。它们接入了 Google Workspace、Linear、Notion、Pipedrive 和 QuickBooks。他说上下文来自给到的访问权限,而不是更长的提示。模型变强后,他的大部分 skill 已经用不上,留下来的是增长策略、内容策略、去 AI 腔这类长期有用的经验。
做 AI App 的人可以先算一笔账:核心体验每分钟的模型成本,和用户愿意付的价格之间还有没有空间。
04|用 Fable 5.2 跑大任务,先说清什么算完成
- 谁·场景
- Every CEO Dan Shipper 汇总了团队的提前试用。Anthropic 的 Alex Albert 和官方提示文档另外给了两条具体用法。
- 怎么用
- Shipper 建议交给它大任务,让它过夜或跑一个周末,但事先定好完成标准、预算和检查力度。Albert 每次新模型发布,都会在所有项目上跑同一条体检提示。
- 结果
- Kieran Klaassen 3 天上线了自带 agent 的剪辑工具 Everycut。另一位同事 Mike 发现,它做完构建后还会再花一两天测试。还有人把研究做成纪录片,说那是职业生涯里效率最高的 3 周。
- 你可以试
- 挑一个自己维护的项目,跑一遍 Albert 的提示,只让它修有把握的地方,其余列成清单由你过目。
- 注意
- Shipper 说试用期免费,按 API 价格这些项目会很贵。新版比 5.1 便宜 20%,但写邮件、快速来回改代码这类事,他会换别的模型。
05|Mollick 让 Fable 5.2 筹划生意、写论文:接近专家,缺判断力
- 谁说的
- 创业学教授 Ethan Mollick,在公开发布前大量试用了这个模型,2026-11-09 发表在 One Useful Thing。
- 核心观点
- 他把 AGI 定义为「用电脑完成的多数智力任务上,达到多数人类专家的水平」。按这个标准,他认为 Fable 5.2「几乎」算 AGI,缺口不再是幻觉,而在品味和判断。
- 依据
- Fable 筛了 22 个点子,选定 Prebid Brief,读了 201 个市县政府的公开议程。他说方案像 MBA 团队学期末的水平,AI 自估成功率 20% 到 40%。论文方面,他只花了不到一小时,但成稿 182 页,所谓预注册并没有真正做,也没人完整核对过结果。
- 对你的意义
- 分工时,把「发现问题、判断好坏、决定删什么」留给人。想让 AI 托管一件事,要预留每周几个小时的人工补位。
- 争议·条件
- AI 准备向地方政府发公共记录申请时,他叫停了实验,所以 AI 能否独立经营这门生意没有验证。AI 的产出速度已经超过人审读的速度。
Mollick 在文章里列了几项测试。论文发现,科罗拉多把 LLC 注册费从 50 美元降到 1 美元后,新注册增加约 17%,但后续的经营活动记录没有相应增加。他说这篇论文好于他对二年级博士生的预期,但现在还不能发表:每条批评都换来一轮新分析,没有一处被删掉。
他还让 Fable 重建了 Auden 1941 年那门以难著称的文学课。第一版内容准确但乏味,第二版又像儿童游戏,每次都要他指出问题,AI 几分钟就能改好,却自己一次都没发现。
他的判断是,AI 已经能在很短时间内做完要人做几个月的初稿,瓶颈转到了审核和取舍。拿它做副业调研或写报告,要把人工核对的时间算进成本。
今天可以做的一件事
挑一个你自己维护的项目,可以是代码仓库、一份长期更新的文档或表格模板,把 Alex Albert 的那句话交给 AI:「通读整个项目,找出所有坏掉的、不一致的、低效的或不再需要的东西。有把握的直接修,其余列出来给我审。」改动完成后,记下三件事:它修了什么,你否掉了什么,你总共花了多少分钟审核。这份记录能帮你判断以后哪些清理工作可以放心交给 AI。