AI 对齐 1200 小时直播录音和打赏账单,"一毛钱漏斗"不成立;ChatPRD 免费试用被刷成别人的生产线
30 秒速读
- 工作提效鸭哥团队用 AI 把 1200 多小时 B 站直播录音和 51.4 万元打赏流水对上,发现 3600 多名新付费观众里只有 0.4% 从小额一路升级到大额。
- Micro SaaSChatPRD 创始人 Claire Vo 发现有团伙循环薅免费试用和优惠码,把她的 Agent 当成自家生产工具,她正在逐步取消免费试用。
- Micro SaaSLinear COO Cristina Cordova 说,一年前 Agent 创建的工作占 3%,现在超过一半;客服回复由 AI 起草、人来决定,编码会话按 API 原价加少量加价收费。
- AI 认知陈然复盘一年里为四类业务搭的 AI 系统,认为流程外壳只需四到六个交接节点,人按例外管理;重活放在本地包月订阅上跑,他估算比全部走云端 API 省下十到三十倍的月账单。
- 工作提效Peter Yang 在五个日常场景里对比 Gemini 4 Neon 和 Opus 5.5:Opus 在 3D 和设计上仍然更强,Neon 在写作和语气上持平或更好。
01|AI 转写 1200 小时直播录音,一毛钱漏斗不成立
- 谁·场景
- 鸭哥(grapeot)团队研究 B 站中小体量的虚拟歌手和聊天直播间,想弄清打赏的人是谁、在什么时候掏钱。
- 怎么用
- 录下 1200 多小时直播音频做语音转写,再和 74 万多条进房记录、礼物账单按时间对齐。用 AI 把谁进房、聊了什么、什么时候付钱串成一条线,还从弹幕闲聊里归纳观众的职业。
- 结果
- 按他们的统计,86.6% 的新客花不到 5 元就停了;3.9% 的跳级新客贡献了新客流水的 75.4%,其中八成以上之前已在全站打赏满 3000 元。PK 时段只占 11% 时长,每小时流水 2078 元,约为平时的 14 倍。
- 你可以试
- 手上有对话记录(销售通话、社群聊天、直播)又有交易流水的人,可以先挑一小段,把转写文本和订单按时间戳对齐,看看付款前几分钟发生了什么。
- 注意
- 样本只覆盖 B 站中小虚拟歌房和聊天房,结论是相关关系,换成大主播或电商直播不一定成立。
鸭哥在《直播观察(三)》里说,他们发现已有研究只抓弹幕和礼物账单,没有录主播的声音,没法把主播说了什么和观众掏钱的时刻对应起来。于是团队自己录了 1200 多小时音频并转写,再和 74 万多条进房记录、51.4 万元实付流水按时间对齐。结论和多数从业者的直觉相反:0.1 元点灯牌的路人几乎不会变成大客户,大额流水靠的是在其他直播间早就习惯付费的老玩家。
这套方法的价值在于把"说了什么"和"付了多少"放到同一条时间线上。他们据此算出几个具体的数:观众刚进房或刚发第一条弹幕时,主播在 45 秒内叫出名字接话,中低消费观众 5 分钟内付钱的概率约是没接话时的 3 倍;观众送礼后主播长时间夸赞,回访率反而从 75.5% 降到 69.6%。决定观众会不会回来的,主要是他当晚自己发了多少条弹幕。
做社群、直播、知识付费或 App 的人可以照这个思路检查自己的转化假设:先确认"低价引流再升级"这条路在你的数据里有没有人真的走通,再决定把精力放在拉新还是留住已有的付费用户。
02|ChatPRD 免费试用被刷成别人的生产线,创始人决定关停
- 谁·场景
- Claire Vo 经营 ChatPRD,这是一个帮产品经理把想法写成需求文档的 AI 平台,从 GPT-4 时代上线至今,她一直在公开记录开发过程。
- 怎么用
- 她在视频里讲了在用量中发现的异常:有团伙循环使用免费试用和优惠码,通过通道接入 ChatPRD 的 Agent,有的只是白用 AI,更多的是转卖 token,或者在上面跑自己的生意。
- 结果
- 她举的例子是一家国际化的 Roblox 和 Fortnite 地图工作室,用她的 Agent 做地图,相当于由她出钱养着。高频出现的 prompt 里还有"骑自行车的鹈鹕"SVG,Simon Willison 推测这是用来识别底层模型。她决定全面收掉免费试用。
- 你可以试
- 如果你的 AI 产品有免费试用,今天就把试用账号的 token 消耗按账号排一次序,看最高的那一批在做什么,再决定是否给试用设用量上限。
- 注意
- 取消免费试用会伤害正常用户的转化,模型成本低、被滥用风险小的产品未必需要这么做。
Simon Willison 在博客里转述了 Claire Vo 的视频。ChatPRD 的免费试用被成批滥用:有人循环使用试用和优惠码,把她的 Agent 接进自己的工作流程。她的原话是:"我在资助一家国际化的 Roblox 和 Fortnite 地图工作室。"
有个细节值得做 AI 产品的人留意:滥用者常跑"骑自行车的鹈鹕"SVG 这种 prompt。Simon 认为这是在探测底层模型,因为不同模型家族的输出有明显特征,他自己也用这个方法猜过 OpenRouter 上的匿名模型。也就是说,有人会专门研究你背后接的是哪个模型、值不值得薅。
对 Micro SaaS 来说,免费试用的成本不再只是"送出去几天功能",每个试用账号都在实打实消耗模型费用。定价和试用设计要把单账号的 token 上限、优惠码能否叠加、异常用量告警一起考虑。Simon 也认为,面对这种程度的滥用,Claire 收掉免费试用看起来是对的决定。
03|Linear 一半工单由 Agent 创建,AI 功能怎么定价
- 谁·场景
- Cristina Cordova 是 Linear 的 COO,之前在 Stripe 待了七年半。她在 Latent Space 节目里讲了 Linear 年度经常性收入(ARR)过 1 亿美元途中做的取舍。
- 怎么用
- Linear 推出了 MCP server 和 Agent 平台。客服不让 LLM 自己回工单,由 AI 起草、人决定发什么。编码会话让用户自选 OpenAI 或 Anthropic 的模型,按公开 API 价格加少量加价收费。
- 结果
- 公司称有 4 万多付费客户,净收入留存 177%。她说三年半来没有一起因为客服体验差引起的投诉升级。客户还常以为回复是 AI 写的,因为回得太快。
- 你可以试
- 给自己的产品同时盯两条线:Agent 调用量和用户打开 App 的次数。新的 AI 功能先作为免费 beta 上线,同时提前告知以后会收费。
- 注意
- 按 API 原价加价收费的前提是客户愿意自己选模型;按效果收费在 Linear 也还没找到办法。
Latent Space 这期访谈里,Cordova 说 Linear 2025 年 5 月上线 MCP server,现在超过一半的 issue 由 Agent 创建。她的判断是,满足于当"一个挂着 MCP 的数据库"的 SaaS 是在犯大错。她同时看 Agent 用量和 App 用量两条线:Agent 用量涨而 App 用量不涨,说明你正在变成可替换的商品。
定价上,她的原则是对产生成本的部分收费,其余免费。座位费保留;Linear Agent 的聊天功能用的是前沿模型,仍然免费;编码会话和定时任务 Loops 走 AI 额度。新的 AI 功能先作为免费 beta 上线并提前告知会收费,价格从高往低调,不把原来免费的东西改成收费。
她还提醒,现在很多企业有专门的 AI 预算,采购变快了,但买家签的多是一年期合同和付费试点。等这些合同到期续约时,才能看出谁的 ARR 是真的。做小型 SaaS 的人可以照搬两件事:客服用 AI 起草、人工把关;把模型成本透明地传给客户,再加一层服务费。
04|搭了四套 AI 系统后,他说人只该盯红灯
- 谁说的
- 陈然在旧金山工作,过去一年为外部交付门户、外联 CRM、个人常驻代理和多站点内容运营四类真实业务分别搭了 AI 系统,2026 年 11 月在个人网站上写了这篇复盘。
- 核心观点
- 他认为 AI 自己不需要看板,看板是给人掌控用的。所以流程分两层:外层是很简单的状态机,只放跨角色交接和确定性门禁;里面交给 Markdown Runbook 处理各种例外。人像塔台一样只看红灯:等自己拍板的、门禁失败或超时的、卡在客户那里的。
- 依据
- 依据是他的外联 CRM 实践:把模型调用拆成带提示词版本和 JSON Schema 的任务单,大批量粗活交给本地常开机器上的包月订阅,无风险的结果自动采纳,有异常标记的交给强模型和人复核,几乎不花按次 API 费用。
- 对你的意义
- 把手上一个 AI 流程压缩成四到六个阶段,只标出谁交给谁、哪一步要人放行;再把核心查询和写操作逐步封装成 MCP 接口。
- 争议·条件
- 这是他个人的判断(2026-11-20),他预计底层运行时 2027 年能到可用水平;本地订阅方案依赖常开机器和订阅额度。
陈然在这篇文章里说,他现在同时维护着四套互不连通的待办表、三套本机执行桥和三套发布保护机制,每次想合并都卡住。他总结出四个痛点:Agent 跑起来就听不见新指令,前台交付和后台协作脱节,云端 API 太贵,几套 SaaS 互相拼接。
可以直接借鉴的是两条原则。一是状态机只管交接点,例外交给 Runbook,避免把业务拆成几十个节点、最后谁也维护不动。二是按变化速度分层:调规则、改提示词、改审批阈值都当作带版本号的数据来更新,正在跑的任务锁定启动时的版本,新任务用新版本,不用重启。
他对 2027 年的判断是:中途转向、耐用租约这类通用的底层管道大概率会有成熟的开源方案,现在自己从零搭性价比很低;但业务口径、多角色可见性和人机授权的红线,没有框架能替你定,现在就该开始整理。
05|Peter Yang 用五个场景对比 Gemini 4 Neon 和 Opus
- 谁·场景
- Peter Yang 做面向忙碌人群的 AI 教程,Opus 5.5 是他日常工作最常用的模型。
- 怎么用
- 他拍了一段视频,用五个使用场景并排测试 Gemini 4 Neon 和 Opus 5.5。
- 结果
- 他的结论是,Gemini 4 的三个模型里自己 99% 的任务会用 Neon,它比 Carbon 快很多,效果差不多。他认为每月 100 美元的 Gemini Ultra 很划算,里面还包括 YouTube Premium 家庭版和 20 TB 存储。
- 你可以试
- 挑三到五个你每周都会做的真实任务,同一个提示词分别交给两个模型,按速度和需要修改的程度打分,再决定把哪类任务交给哪个模型。
- 注意
- 结论来自他的个人测试;Ultra 划不划算,取决于你本来用不用这些捆绑服务。
Peter Yang 在 X 上分享了测试结论:做 3D 和设计,Opus 5.5 仍然更好;写作和语气,Gemini 4 Neon 持平或更好。他还说,Gemini 4 虽然有三个模型,实际上他几乎只会用 Neon,因为它快得多。
这里可以学的是用自己的任务做对比,不看榜单。新模型口碑很好的时候,拿五个日常场景并排跑一遍,比读评测更快知道它在你的工作里能顶替谁。订阅选择也一样:把捆绑服务算进去,看哪个订阅能顶掉你已经在付的钱。
今天可以做的一件事
找一份你手上同时有"对话"和"结果"的数据:销售通话录音和成交记录、社群聊天和下单时间,或者客服工单和退款记录。先只取一周的量,让 AI 转写、整理成带时间戳的文本,再和结果数据按时间对齐。然后问一个具体问题:付款或流失前 5 分钟里,通常发生了什么?如果答案和你原来的假设不一样,你就有了下一次实验的方向。