AI 实干派 看真正用 AI 拿到结果的人怎么做
AI 实干派 038 · 2026 年 11 月 16 日 · 周一 · 约 8 分钟读完

PK 只占 8.9% 的时长,却拿走 67.1% 的打赏;AI 产品的免费试用被薅掉数万美元

30 秒速读

AI App·机会观察·2026-11-16·US

谁·场景
工程师博主鸭哥(grapeot),业余爱看 B 站虚拟歌手直播,花了大约三周做观察。
怎么用
他用 AI 做了一整套工具,抓取直播间公开的实时弹幕和送礼记录,又在运营群里潜水,统计盲盒开箱、PK 流水和等级花费。
结果
他统计了 3,766 次 15 元心动盲盒,平均开出 14.68 元,去掉 5 座 2,233 元城堡后只剩 11.73 元。PK 时段每小时的流水是平时的 20.9 倍,六成以上打赏挤在中间那 1 分钟的双倍计分时间里。
你可以试
挑一个数据公开的产品,比如直播间、榜单或二手平台,让 AI 写抓取和统计脚本,去验证你对它怎么赚钱的一个猜测。前提是数据公开可见,抓取量不违反平台规则。
注意
样本只有 20 个歌势房,不含擦边类直播。这是四篇系列的第一篇,工具怎么做的放在后续文章里。

鸭哥在这篇文章里说,B 站直播的音视频、弹幕和送礼记录都是公开的,等于一个现成的大数据源。他用 AI 做了抓取工具,花了三周拆解平台怎样把「街头卖唱」那种几十块钱封顶的打赏做成大生意。他的结论是,平台卖的东西从「听一首歌」换成了主播的注意力。一毛钱的粉丝灯牌、按花费分级的徽章、每月 198 元的舰长都计入主播的考核或者挂成公开计数,主播只好自己贴时间、贴周边。

数据部分最有说服力。他实测盲盒的期望接近公示值,但是绝大多数人靠的是运气,算下来,即使赶上周五 5 倍爆率、单发期望 18.69 元,花 1,500 元连抽 100 发的人仍有 76.9% 亏钱。PK 的红蓝进度条加上 1 分钟双倍计分,把六成以上的打赏集中到了这 1 分钟里。

这对做付费 App 和社区产品的人是一份现成的拆解:公开排名、断签就失效的优惠价、限时加倍,都是几乎零成本的规则。另一个可以借鉴的地方是方法。对一门生意感到好奇时,先让 AI 帮你写工具采集公开数据,用数字检验直觉。

Micro SaaS·经营复盘·2026-11-16·US

谁·场景
Claire Vo 一个人做 ChatPRD,这是一个没融资、面向产品经理的 AI 平台。她在自己的 How I AI 节目里做了一期复盘。
怎么用
她把遇到的滥用归成六种模式、四类滥用者,然后分别上了业务管控和技术防御,再用 Jev 搭了一个实时给欺诈行为分类的循环,用机器人盯机器人。
结果
她说滥用手法包括批量薅免费试用、倒卖促销码、套壳转发,还有人装了一个自定义 MCP,把产品当成 24 小时不停跑的算力。她最终永久取消了免费试用。
你可以试
如果你在卖 AI 产品,先按账号统计 token 消耗,把全天候不间断调用、促销码被反复使用的账号拉出来看。这需要你的后台能按用户记录模型调用。
注意
关掉试用会影响转化,要看你的用户有没有不试用也愿意付费的意愿。她的防御工具大多基于 Vercel、Clerk、Stripe,换了技术栈要找对应的方案。

Claire Vo 在这期节目里讲了一个 AI SaaS 特有的成本问题。她总结成一句话:卖 AI 就是在卖算力。有人薅试用、倒卖促销码、把 ChatPRD 包一层转发出去,甚至通过自定义 MCP 把它变成 24 小时运转的计算节点。她还说,自己不小心资助了别人做 Roblox 和 Fortnite 地图。

她的应对分三层。业务层:取消免费试用,加上其他放慢欺诈的手段(13:45 起)。技术层用到 Stripe Radar、Vercel AI Gateway、Vercel BotID、Vercel Firewall 和 Clerk(21:27 起)。最后一层是用 Jev 实时给欺诈分类(30:25 起)。她还提醒,AI 客服台本身也可能被当成攻击入口。

做 Micro SaaS 的人给免费额度定价时,可以把被滥用的成本也算进获客成本。上线前就准备好按账号看用量,比出了账单再追查便宜。

工作提效·本周演示·2026-11-15·US

谁·场景
Simon Willison 是开源工具 Datasette 的作者,正在赶 1.0 版本。
怎么用
他的提示词分三步:先读两个已有的地图插件和自己写的一个 demo 页面,再合并它们的功能做成新插件,最后加一句「be creative and think outside the box」。
结果
AI 给的创意里,他最喜欢的一个是先用 SVG 预览 GeoJSON 形状,滚动到可见区域时才加载 WebGL。Claude 还做了一个能在浏览器里通过 Datasette Lite 直接运行的演示。
你可以试
下次让 AI 写新功能时,指给它两三个现有的参考实现,讲清楚要合并成什么,再留一句开放的话让它提额外功能,你从中挑选。
注意
这个做法依赖他手里已有成熟插件和 demo 当参考。插件是 0.1a0 早期版本,生成的代码仍然要人来审查。

Simon Willison 在发布记录里贴出了完整的提示词。新插件把 MapLibre GL 和免费的 OpenFreeMap 矢量地图结合起来,功能来自他已有的两个插件。关键在于给 AI 看真实的参考代码,而不是只描述需求。末尾那句鼓励 AI 发挥的话,换来了 SVG 预览加懒加载 WebGL 这样的设计。

同一天他还发布了 Datasette 1.0a43。他说自己一直在大量依赖 Claude Fable 5.2 清理 1.0 的任务清单。这一版加入了流式输出和几十处小改进,还修了一个安全问题:私有存储查询的标题和 SQL 可能被看到,他为此单独发了 GitHub advisory。

对工程和工具类岗位来说,让 AI 提功能点子成本很低,可以写进提示词的固定结尾。发版节奏变快以后,安全检查和发布说明仍然得自己把关。

AI 认知·观点访谈·2026-11-16·US

谁说的
Nate Parrott 有工程背景,之前在 The Browser Company 做 Arc 浏览器,现在在 Anthropic 做设计。他在 Peter Yang 的访谈里谈了这些。
核心观点
他有两个观点。第一,AI 压缩的是构建环节,压缩不了用户验证。第二,模型每次都在全新的上下文里工作,会以为自己挑的风格很新颖,其实反复用同一套设计。
依据
他说 Arc 发布前做了一年预研,每个想法要做几周才知道行不行。他还点出 Claude 的默认风格:衬线字体、米白背景、橙色、卡片边上的竖条。Claude Design 的提示词里会明确告诉模型,除非用户要求,不要用这些。
对你的意义
把原型上省下的时间挪到用户测试上。在自己的设计提示词里写清楚,这个模型习惯用哪些字体和配色,没有要求时避开。
争议·条件
默认风格的清单针对的是特定模型,换了模型需要重新观察。他所在的团队做原型的条件比一般团队好。

Peter Yang 发了访谈片段。Nate Parrott 被问到,原型变得容易后做设计是否更有趣了。他的回答落在一个具体的对比上:Arc 时期每个想法要做几周,现在一两天。构建变快了,但把产品交给用户、搞清他们会不会用,这一段没有变快。

在另一个片段里,他解释了 AI 做出的界面为什么长得都差不多。模型每次都觉得「这是我第一次做」,于是反复拿出同一套「原创」风格。Anthropic 的办法很直接,在提示词里点名这个模型偏爱的字体和颜色,要求默认不用。

对 PM 和设计师来说,可以重新分配时间,少花在出稿上,多花在约用户试用上。用 AI 出界面时,先维护一份「这个模型爱用的默认值」黑名单,比每次事后修改更省事。

工作提效·本周动态·2026-11-15·US

谁·场景
Dan Shipper 是订阅媒体 Every 的 CEO。他的团队最近在做「复利型 skill」,也就是越用越好的 skill。
怎么用
他先做一个写 context window 摘要的 skill,再用 autoresearch 自动迭代,拿不用 skill 的基线作对照,一直改到结果接近他的口味。
结果
他说这个 skill 达到了「他口味的 80%」。他认为团队里的 @hammer_mt 终于找到了让 skill 持续变好的方法。
你可以试
挑一个你反复做、能判断好坏的小任务,比如会议纪要或周报摘要。先保存几份你满意的样例作为标准,再让 AI 对照不用 skill 的输出反复改写 skill。
注意
「口味的 80%」是他自己打的分,判断标准就是他本人的偏好。完整做法写在 Every 的内部 feed 上。

Dan Shipper 在这条帖子里介绍了 Every 正在做的方向:skill 每次被使用都能变好,而不是写好就固定不动。他周末拿一个具体任务做试验,让 AI 为上下文窗口写摘要。他先建了一个 skill,再用 autoresearch 自动迭代,并拿不用 skill 时的输出当对照。

这个思路的关键在于有基线、有评判标准。没有对照,就说不清 skill 到底带来了多少提升。对经常写摘要、纪要、周报的岗位来说,可以照着做一个简化版:攒几份自己认可的范例,让 AI 比较新旧输出,再改进 skill 的说明。

这个方法的前提是你清楚自己要什么。摘要这类任务有明确的好坏,比较适合这样迭代;判断标准模糊的任务,很难靠自动循环收敛。

今天可以做的一件事

打开你最常用的一个 AI 提示词或 skill,比如写周报、写纪要、出设计稿时用的那个。今天做两件事。第一,像 Simon Willison 那样,在提示词里加上一两份你满意的旧产出当参考。第二,像 Anthropic 那样,写一行「这个模型爱用、但我不想要的默认做法」,比如某种句式、配色或格式。之后同一个任务各跑一次新旧提示词,把两版结果和你的修改量记下来。积累三五次,你就有了自己的基线,能判断哪条改动真的有用。