AI 实干派 看真正用 AI 拿到结果的人怎么做
AI 实干派 044 · 2026 年 11 月 22 日 · 周日 · 约 6 分钟读完

卖点写对了比加功能有用,推理档位调高一级花费多了约 6 倍

30 秒速读

Micro SaaS·经营复盘·2026-11-22·US

谁·场景
Greg Kilwein 从 1990 年代就在做软件。他的 AttractWell 给教练和课程创作者提供网站、销售漏斗、邮件、预约、课程和收款,全在一个平台上,已经连续两年没有增长。
怎么用
他让 Google Ads 侧边的 AI 助手分析广告数据,发现「专人支持」那条标题点击率最高。之后 Jason Cohen 和 Sam Horn 在节目里帮他逐项拆解定位、用户证言和获客渠道。
结果
讨论下来有三个改动方向:首页先正面回应「我不懂技术」这层顾虑,用户证言换成「本来怀疑自己做不到,最后做成了」的版本,获客渠道从广告扩展到最好的那批客户常去的地方。
你可以试
把自家广告或落地页各条标题的点击率拉出来对比。在注册后的问卷里加一个问题:「是什么事让你决定现在来找这类工具?」
注意
注册问卷只能代表点过广告的人。想转做「影响力还没变现的博主」这个群体,Jason 担心粉丝太少的人卖不出课,靠工具也解决不了。

Smart Bear Live 这期节目把一次真实的诊断完整录了下来。AttractWell 疫情期间靠精油行业的客户做起来,后来转向教练和课程创作者,增长停了两年。现在大部分流量来自 Google Ads。首页主标题是「一天内上线网站、漏斗、预约和收款」。Greg 让 Google 广告后台的 AI 助手帮他看数据,它指出点击最多的标题讲的是专人支持。Jason 的结论是:这又是一个不该只顾加功能的理由。

Sam Horn 让 Greg 拿一张纸,在中间画一条竖线。左边写客户心里的顾虑,她认为最大的一条是冒名顶替综合征:「我不懂技术,我真的做得成吗?」右边写产品怎么化解这个顾虑。广告关键词仍然要对上用户实际搜的词,点进来以后先讲中这层顾虑,再拿功能证明。用户证言也换个写法,用先怀疑、后成功的故事,比如「以前买过好几个工具都没用起来,这是第一个我自己搞定的」。

人群方面,Greg 的注册问卷大约六个月里稳定在新业务 55%、已有业务 45%。Jason 提醒,这只代表点过广告的人。客户多到没空的教练才是最好的客户,他们往往直接买代搭建服务,平时也不刷广告,更可能出现在行业会议和播客上。想找下一个 10 倍增长,多投广告大概不是答案。

工作提效·本周演示·2026-11-21·US

谁·场景
开发者 Simon Willison 在维护自己写的 llm-gemini 插件。YouTuber Riley Brown 说他有一个月不小心花了 1.2 万美元的 API 费用,于是去请教 Mixpanel 联合创始人 Suhail Doshi。
怎么用
Simon 用「鹈鹕骑自行车」这道固定题目,对比同一模型在不同推理档位下的 token 用量、费用和出图效果。Suhail 的办法是选五件自己真正在做的事,用同一组提示词跑几个模型,看哪些任务能分出高下。
结果
Simon 说,xhigh 档下 Hydrogen 画出的鹈鹕能和 Gemini 4 Neon 打个平手,单次费用是 high 档的大约 6 倍。
你可以试
挑五个你每周都会重复的任务,同一组提示词分别交给贵模型、便宜模型和高推理档位,把费用和产物放在一张表里比。
注意
Simon 这道题主要用来看出图效果。写作、剪辑这类任务的好坏得你自己判断,样本太少也比不出稳定的差别。

Simon Willison 发布 llm-gemini 0.38.1,补上了 Gemini 4 Hydrogen 和 Neon 的 xhigh 推理档位(Carbon 没有这一档)。他更新了对比表:Hydrogen 在 high 档输出 5,311 个 token,花 3.99 美分;在 xhigh 档输出 31,477 个 token,花 23.61 美分,画出的图追上了 Neon。

同一天,Riley Brown 在节目里问 Suhail Doshi:贵的模型什么时候才值得用?Suhail 的建议是拿自己真实的五项工作做小评测,用同样的提示词跑几个模型,看在哪些任务上你真能分出差别。节目还谈到 agent 整天运行时价格会怎么变,以及什么时候换成更便宜的开源模型。

两件事放在一起看:模型选择之外,推理档位本身就是一个成本开关。先用一个固定题目把档位和费用对应起来,只在差别明显的任务上开高档。agent 长时间跑的时候,这个差距会成倍放大。

工作提效·本周动态·2026-11-21·US

谁·场景
Graham Dumpleton 是 Python 部署工具 mod_wsgi 的作者,20 年来一直在琢磨生产环境里怎样跑 Python Web 应用最好。
怎么用
AI 承担大量表面上的编码工作,他负责判断哪里还不够好。他把每天的进展写成文章发出来,把写作当成开发流程的一部分。
结果
三周里 19 篇文章依次讲了 worker 内部机制、开发环境 HTTPS、WSGI 和 ASGI 并存、金丝雀发布、Kubernetes 配合、缩容到零和页面内调试工具栏。
你可以试
如果你熟悉某个领域,可以挑一个自己做了多年的问题,让 AI 写代码,自己每天写一段「今天判断哪里不够好」的记录。
注意
他能做质量把关,靠的是 20 年在同一个问题上踩过的坑。没有这层积累,AI 写得再快,你也很难分辨哪里不能用。

Simon Willison 整理了 Graham Dumpleton 的新项目 Muru。这是一个 AI 辅助开发的 Rust 服务器,用来在开发和生产环境里运行 ASGI 和 WSGI Python 应用。从 11 月 4 日到 22 日,Graham 几乎每天发一篇,从「mod_wsgi 二十年,接下来做什么」一路写到金丝雀发布、Kubernetes、按 worker 上报的数据扩缩容、缩容到零、页面工具栏里的链路追踪。

其中一篇题为「AI as a lifestyle choice」。他写道:AI 表面上做了很多工作,但判断什么还不够好仍然要靠他自己,mod_wsgi 二十年犯过的错恰好派上了用场。他愿意花力气持续打磨,直到 Muru 成为他自己信任、也能让别人信任的东西。

可以借鉴的是把领域经验用在验收上,并把开发过程公开写出来。每天的文章逼他把设计决策讲清楚,也替项目提前攒了文档和读者。对做副业产品的人来说,这套做法同时产出代码、内容和信任。

今天可以做的一件事

从你每周都会重复的工作里挑一件,比如写周报、总结会议、改一段代码。用同一段提示词分别交给两个模型,或同一模型的两个推理档位,记下费用、耗时和你改了多少。再翻出自己产品或简历上最常写的一句卖点,问问自己:它回应的是对方的顾虑,还是只是在列功能?