AI App · 经营复盘

Cal AI 联创 Jake Castillo 说，他们给博主付固定费用，付费按 CPM 折算后不能超过每千次播放带来的收入；签 UFC 博主花了数千美元，下载量没有任何起色。

Jake Castillo 在 Sub Club 访谈里讲了 Cal AI 靠博主增长的打法。起点是一个判断：健身博主数量极多，能合作的品牌却只有蛋白粉、运动服这几类，很多博主从没接过商单，而且每周本来就在拍饮食视频，把 App 放进去几乎不用改内容。他把扫描、分析、出结果这三步叫作 magic moment：观众会忍不住多看一眼。要是需要解释才看得懂，视频就像广告，传不开。

失败的尝试同样有参考价值。UFC 选手确实需要精确算热量，但他说，看比赛的人大多是在沙发上吃着披萨，不想算卡路里。他的结论是按观众想要什么来选博主，而不是按博主自己做什么。判断方法是看评论区：如果满屏都是火焰表情，大概率不会转化；如果评论在感谢博主教会自己怎么练，这个博主更值得签。

合作费用他算得很直接：按博主的平均播放量算保本，付费不超过每千次播放带来的收入，并且付固定费用。偶尔有一条视频爆了，多出来的收益全归自己。做付费 App 的人可以先拿三五个博主试，记下每条视频的播放量和对应几天的下载量，再决定要不要放量。

代码变更涨了 12 倍，Anthropic 七个人换掉了 Git

工作提效 · 本周动态

Anthropic 称，每天合并的代码变更从 5 月的约 2,500 次增加到 9 月的 30,000 多次。一个 7 人团队自建了版本控制系统，用五个月完成了从 Git 的迁移。

Simon Willison 的这篇点评提到，Anthropic 自建版本控制系统，是因为过去半年代码变更速度急剧上升。他让 Claude 在官方图表上标出了 2026 年各次模型公开发布的时间，并推测新一代模型是速度提升的重要原因。有人在 Hacker News 上问 Scion 为什么不支持离线，Scion 工程师回答：Scion 最大的用户是 Claude，而 Claude 必然在线。

对普通工程团队，更有用的是 adversarial review 这一段。Willison 自己常让 Claude 和 GPT 互相挑错。Anthropic 的经验和他一致：这个办法在很多方面非常有效，但模型会对假想的风险过度反应，需要熟练的工程师判断哪些顾虑可以放下。可以这样分工：模型负责把问题都列出来，人负责取舍，并记下自己否决了哪几条、为什么。

200 人的公司强制全员用 AI，高管还要管 token 预算

AI 认知 · 观点访谈

MinIO 联创兼联席 CEO Garima Kapoor 说，复杂后端基础设施从开发到上线的周期由约 12 个月缩短到约 1 个月，公司已经让高管对 token 预算负责。

在 Supercompanies 这期节目开头，Kapoor 把模型称为「推理引擎」，认为结果好坏取决于你给 agent 的上下文够不够准确。她预计，以后连同一个任务都会同时用到好几家前沿模型，因为一个任务里包含不同类型的工作。

她的做法里有两点可以直接借鉴。第一，把 token 当作和人力一样的预算项来管理，让负责人对这笔钱的回报负责，而不只看人用得多不多。第二，不绑定单一模型，按任务类型分配。对大厂员工来说，可以先在自己的项目里统计每月 AI 花费和交付变化，用数字争取资源。

两条指令，把 90 分钟访谈剪成 10 分钟

内容创作 · 本周演示

AI 视频博主 Theoretically Media 说，他用 MCP 把 Gemini 4 Argon 接入 DaVinci Resolve，两条指令就把一段 90 分钟的对谈剪成了 10 分钟访谈，B-roll 素材也一起找好了。

Theoretically Media 在这期视频里展示了几个实际项目，和内容制作关系最近的是 07:37 开始的 DaVinci Resolve 剪辑：模型通过 MCP 直接操作剪辑软件，把长对谈压缩成访谈并补上 B-roll。08:48 开始讲的是用它整理编剧笔记、让停工的项目重新开工。

对做播客、访谈的人，这说明粗剪这类重复劳动可以先交给 AI。成片的取舍仍要自己定：哪句话不能删，哪里的上下文需要保留，AI 无法替你判断。

给 ChatGPT 100 美元，排出纽约三天长周末

AI 生活 · 本周演示

Tom's Guide 作者 Elton Jones 让 ChatGPT 用 100 美元规划纽约秋季三天长周末，三天预算分别为 18、35、30 美元，另留 17 美元备用。

Elton Jones 在 Tom's Guide 记录了这次规划。他觉得最有用的，是 AI 列出了很多本地免费资源：限定居民的免费博物馆夜场、需要 RSVP 的户外节庆，以及他从没听说过的蘑菇节。ChatGPT 最后的建议是，城市免费提供的东西就别花钱买，并提到纽约市文化事务局有一份免费和随意付费的文化场馆清单。

可以照搬的是先给预算上限，再让 AI 按天列出花费，花钱的去向一目了然。拿到推荐后，他自己查了蘑菇节的详细信息才决定去。这一步不能省，AI 给的活动时间可能不准。

今天可以做的一件事

找一位你目标领域的头部博主，打开他最近一条视频，读前 50 条评论，把观众提的问题和抱怨抄进一张表，再标出哪些是你的产品、服务或下一篇内容能回答的。这是 Jake Castillo 判断一个领域能不能做的办法，半小时就能做完。如果大部分评论只是表情和夸赞，就换一位博主或换一个领域再看。

AI 生活 · 本周演示

Tom's Guide 作者 Amanda Caswell 连续一个月每天给自己写一封随手邮件，让 Gemini 回复。据她自述，Gemini 能从杂乱文字里挑出遗漏的待办，但回信口吻空洞，她因此停止用 AI 回复认识的人。

Amanda Caswell 在 Tom's Guide 记录了一个月的试验：每天给自己写一封不讲语法、想到哪写到哪的邮件，再让 Gemini 回信。起初的回复积极得过头，抱怨一个失败的项目，也会收到「这是学习机会」加三条行动建议。她说，自己清楚写下时是什么心情，读到这种回信，落差特别明显。这让她决定以后不再用 Gemini 回复认识的人。

后来她改了提问方式：不要一串建议，只要 AI 指出一件可能被忽略的事，再问一个问题。 她给出的提示词大意是：把邮件当作每日复盘，不要客套和打气，列出我完成了什么、可能忽略了什么，再问我一个能改变明天做法的问题，不要默认每个问题都需要解决方案。她还建议给这些邮件建一个 Gmail 标签，每周回看一次，找反复出现的问题。

这套做法门槛很低，适合脑子里事情多、家务和工作混在一起的人。她自己的结论是：AI 不会比她更懂她的生活，也不能替她决定下一步做什么。它的用处在于帮她整理已经写下的东西。

让 agent 守规矩，与其改说明文档，不如让提交直接失败

工作提效 · 本周动态

Geoffrey Huntley 用一个 pre-commit hook 拦下绕过诊断库的代码，并把纠正提示注入给 agent，自述遵守率变成「十次十中」；Simon Willison 则让 Codex 做了个小工具，好让密钥文件不经过模型。

Simon Willison 引用了 Geoffrey Huntley 的一段话。agent 不按要求调用他的诊断库，他可以去改 AGENTS.md，但他认为写进文档的规则和实际行为之间总有差距，时间长了还会走样。他的做法是把规则写进 pre-commit hook：发现违规调用，提交就失败，同时把纠正提示塞给 agent。他说之后 agent 每次都照做。

同一周，Willison 发布了 web-edit。他用手机跑 Codex 时需要改一个凭据文件，又不想让凭据经过模型，于是让 Codex 现做了一个网页文件编辑器：agent 负责把服务启动起来，他再通过 Tailscale 在手机上直接改文件。

两件事思路相同：能交给机器检查的规则，用代码强制执行；不该交给模型的数据，留一条人工通道。 团队里已经在用 agent 写代码的人，可以从 lint 规则和提交钩子入手，把说明文档里反复强调的要求改成自动检查。

18 岁零基础做 App，花几千美元买网红视频差点做垮

AI App · 经营复盘

据 Starter Story 短视频，18 岁的 Lino 在 Lovable 上做了两个月后推倒重来，改用 Rork 一个月做完，自述首月收入 7000 美元；早期投网红 UGC 时利润率只剩 5% 到 10%。

Starter Story 发了两段 Lino 的短视频。第一段讲开发：他在 Lovable 上做了两个月，自己不满意，整个推掉，换成 Rork 用一个月重做，自述首月收入 7000 美元。第二段讲获客，教训更具体。他在还不知道什么内容能转化时，就去找大号健身网红，每条视频花几千美元，利润率压到 5% 到 10%，差点把生意做垮。

后来的调整分三步：给一位大号健身创作者股权，换来免费、持续的内容；砍掉其他 UGC 合作；把验证过的素材先投 Meta，再搬到 TikTok 投给更年轻的人群。 他自述的 ROAS 从 2 到 2.5 倍提高到 4 到 5 倍。

这两段是一分钟左右的短视频，没有讲留存、退款和投放预算。它们最有用的地方是交代了顺序：找到能转化的内容形式之前，不要花大钱买曝光。

Anthropic 让 Claude 自己编排多 agent，代价是贵得多

AI 认知 · 观点访谈

两位 Anthropic 工程师在 AI Engineer NYC 演示新功能 dynamic workflows：由 Claude 自己规划并启动一组子 agent。他们承认在演示用例里，这种方式比单 agent 贵得多，模型运行时也不知道自己的预算。

据 Latent Space 的现场报道，Anthropic 在 AI Engineer NYC 讲解了 Claude Managed Agents 的新功能 dynamic workflows。Stall 称之为「下一代多 agent 编排」：由 Claude 决定要开几个 agent、怎么分工。Avilla 的出发点是，开发者同时管很多 agent 时，自己会成为审 PR 的瓶颈。

问答环节比演示本身更有参考价值。模型运行时不知道预算，开发者只能设置会话预算；Stall 半开玩笑地说，告诉模型预算可能让它「焦虑」。决定开几个 agent 靠 eval 和较低的默认值，任务大时还要明确要求它多并行。想看主 agent 给子 agent 传了什么，可以在 Claude Console 的图里逐步查看。

这些都是厂商在介绍自家新功能。Stall 说 flows 是在难题上投入更多推理算力。对普通团队来说，先算清多花的钱换来了多少多找到的东西，再决定把哪些任务交给多 agent。

今天可以做的一件事

今晚花 10 分钟，把今天的工作、没做完的事和家里要记的事不加整理地写下来，交给你常用的 AI 助手，并要求它：「不要客套和打气，告诉我完成了什么、可能忽略了什么，再问我一个关于明天的问题。」写之前删掉公司机密和他人隐私。连续做五天，周五把原文和回复对照着读一遍，记下它帮你找回了几件事、哪几次判断错了。

AI 认知 · 观点访谈

Karpathy 估算（他本人的粗算）：约 75% 的人几乎没碰过 LLM，约 0.2% 的人在数学和代码领域亲身体验到前沿能力。他认为这道认知差距正在变大。

Andrej Karpathy 在这条推文里说，人们对 LLM 能力的认知正在分化，而且他认为这道差距在扩大。按他的粗算，约 60 亿人几乎没接触过 LLM；10 到 20 亿人偶尔用免费版，把它当成更好用的搜索或写作助手；约 2000 万人在数学和代码领域用前沿模型，亲眼看到几周到几个月的项目由 agent 完成；另有约 5000 人能用内部系统。他还说，不到一年前，自己还在一个字符一个字符地手写代码。

对读者更有用的是他列出的三个成因。第一，收益随问题的规模和周期增长，一段话就能答完的问题发挥不出系统的能力。第二，能力分布不均，在可验证、经济价值高的数字领域最强。第三，使用权限不同，分为免费版、付费版和内部版。他还提到，许多高管日常主要在和人沟通，对 AI 的理解大多是间接的。

各层人数是估算，没有统计依据。如果你还停留在免费版加短问题的用法，可以先准备两三个真正难、自己也在乎的问题，用前沿模型做一次完整尝试，再判断它在你的岗位上值多少。

Every 的员工各自养的 agent 都停了，最后改成全公司共用一个

AI 咨询 · 机会观察

据 Every 节目自述，公司从每人各跑一个 OpenClaw，改为依赖一个共用的公司 agent；平台负责人 Willie Williams 提到，此后他本人的 token 用量大幅下降。

在 The Every Podcast 这一期，Dan Shipper 和 Every 平台负责人 Willie Williams 讲了公司内部的一次转变：起初每人各自运行 OpenClaw 个人 agent，后来这些 agent 陆续停用，公司转向一个共用的公司 agent。这个 agent 已作为 Every Agent 对外发布。节目还谈到为 builder 做产品和为 operator 做产品有什么不同，以及 AI 时代的工程管理。

他们的判断是：工作会跑在公司 agent 上，个人 agent 留给私人生活，比如为生活的不同方面分别设一个 AI 教练。这对 AI 咨询有参考价值。员工各自用个人工具，热情过去后容易停用；把一个流程做成团队共用的 agent，接上团队数据，再加上主动推送，才有可能持续用下去。

这是厂商讲自家的路线，个人 agent 停用的原因和 token 用量数据，摘要都没有披露。节目从 11:13 开始讲个人 agent 为什么停用，23:53 讲 token 用量，可以直接从这两处看起。

Meta 设计总监讲 Muse：同一件事按三个层级展示，主对话只开一个

AI App · 本周演示

Meta 设计总监 Alex Cornell 介绍 Muse 的设计取舍：用渐进披露分三层展示 agent 的动作，主对话只保留一个持续的线程，不展示思考过程。他还演示了把多年的 Instagram 收藏整理成购物目录。

在 How I AI 这期节目，Meta 设计总监 Alex Cornell 讲了 Muse 的设计。他的指导问题是：「如果你是在和另一个人说话，这件事该怎么进行？」所以 Muse 去掉了传统的消息气泡，把 agent 放在屏幕顶部。这是 Meta 员工介绍自家产品，没有给出用户或留存数据。

对做消费级 AI App 的人，有三条可以直接对照。第一，渐进披露：同一项活动用 emoji、任务列表、原始日志三层呈现，不同用户各取所需。第二，生成式 UI 只让内容变，结构保持固定，变化的只是状态 emoji、个性化建议和小动画。第三，他认为可见的思考链往往是为了掩盖延迟，模型够快时，直接给结果就行。

他自己用 Muse 处理个人数据的例子也能借鉴：把多年攒下的 Instagram 收藏交给 agent 归类，做成购物推荐目录。用户手里这类闲置的个人数据，也许能成为 App 的切入点。节目附有三个工作流的分步拆解。

不放心让 agent 上线代码，就让它先交「证据」再人工验收

工作提效 · 本周演示

教过 10 万多人用 AI 开发的 Micky 说，他还不信任 agent 处理用户在用的东西，所以让 agent 先提交改动前后的测试证据，人工审查只放在最后一步。

Peter Yang 发布了一段与 Micky 的访谈摘录。Micky 说：「我还没到信任 agent 的程度，尤其是对用户正在用的东西。」他的解决办法是把人工审查放到最后，并且在审查前，让 agent 尽可能多地拿出证据：改动前后的测试对比、greploop 等，用来说明「做了哪些工作，为什么这样是对的」。

这个思路不要求你更信任 agent，而是降低你核实它的成本。他说，人工审查大概是开发者工作里最难受的一环，先让 agent 自证，能减少这部分摩擦。这一点对工程以外的岗位也适用。让 AI 改报表、改需求文档时，可以要求它附上原始数据和修改后的对照，以及它自己核对过哪些项。

限制：推文只讲了四步流程里的验收一步，也没有效率数据。具体做法要看他的完整视频。

给 agent 一份旧插件当样板，让它读完新文档就写出新插件

工作提效 · 本周动态

Simon Willison 让 GPT-6 Astra 读 OpenAI 新发布的 Decisions API 文档，参照他已有的 llm-typesafe 插件，写出了 llm-openai-decisions 插件（0.1a0 预览版）。

OpenAI 发布 Decisions API 后，Simon Willison 当天就发布了对应插件。做法是让 GPT-6 Astra 阅读新 API 文档，参照他已有的 llm-typesafe 插件来写。两个 API 都支持三类问题：是否题、选择题和打分题。区别在于 gpt-6-luna 还能处理图片。他演示了一个例子：问一张鹈鹕的图片里有没有哺乳动物，返回的概率是 0.0。

可以借鉴的是「样板 + 新文档」的组合：已有的实现告诉 agent 代码风格和结构，新文档补上接口细节。内部工具对接新系统、按旧模板做新报表，都可以这样分工。前提是两者结构相近，而且你看得懂样板。他把版本标为 alpha，最终质量仍要靠作者自己审查。

今天可以做的一件事

选一件下周要交给 AI 做的事，最好是改代码、改文档或整理数据。在提示词末尾加一句：「完成后列出证据：改了哪些地方、改动前后的对比、你自己核对过哪些项。」手边如果有一份结构相似的旧产出，一并作为样板发给它。做完后记两个数字：从拿到证据到验收完成用了多少分钟，以及证据清单里有几处你还是要回到原文去查。这两个数字能告诉你，这类任务里人和 AI 各该承担多少。

工作提效 · 本周演示

Simon Willison 做饭时用语音指挥 Codex 开发博客 newsletter 归档功能，主要工作约半小时；之后打字审查和修改又用了约半小时（本人记录）。

Simon Willison 在本人博客记录了这次开发：用 ChatGPT 桌面版 Codex 的语音模式，对着本地开发环境做出 Newsletters 页面。他公开的口述稿充满「嗯」和自我纠正，比如先说不想让 newsletter 出现在日期归档页，又改口说要出现。模型照样理解了需求。语音阶段约半小时，做出数据模型和迁移、四种导入（包括从 Substack 未公开的 API 翻页抓取）、公开归档页和搜索集成。

他的工作顺序可以借鉴：先打字启动预览 → 语音讲清目标和例外情况 → 让 Codex 开分支、提 PR → 坐回键盘审查。审查时他发现一个导入脚本用 Git 子进程拉私有仓库，就改成了 API 方式，并补上调整。这部分又用了约半小时。

他说的主要好处是能同时做两件事，原来做饭时听播客的时间，现在可以用来开发。前提是本人懂代码、能判断 PR 质量，任务也足够小。他也写明，细节阶段还是打字更快。

辞职五个月，第一个 SaaS 做到月入一万美元

Micro SaaS · 经营复盘

19 岁的 Vadim 今年 3 月辞去市场营销工作，产品 Vugola 完全靠 AI 开发，5 个月后月收入约 1 万美元、用户超过 2 万（Starter Story 介绍，本人口径）。

Starter Story 视频讲的是 19 岁的 Vadim：今年 3 月辞掉市场营销工作开始做 app，此前从未上线过产品。他的产品 Vugola 在 5 个月后做到每月约 1 万美元收入、用户超过 2 万。按节目概括，他的方法只有两件事：全部用 AI 开发，以及「不怕难为情地」在 Instagram 发内容。

材料里真正有用的是他的背景：他原本就做营销，分发能力是现成的，AI 补上了他不会写代码的短板。章节标题里「Know your customers」和「Time vs money with content」这两部分（2:10、9:02）值得优先看。

对副业读者来说，可以把顺序倒过来想：先确认自己能持续触达哪群人，再用 AI 低成本做产品。月收入是节目和本人口径，不能当作利润；视频简介里的「任何人都能做到」也是节目自己的说法，没有给出比例证据。

千人老公司改造自己：工程小组从 7 人缩到 3 人

AI 咨询 · 机会观察

差旅公司 Engine 创始人自述：工程小组从 7 人缩到 3 人、交付快 5–10 倍，超过一半客服工单无需人工；公司仍有 420 个空缺职位。

在 Supercompanies 这期节目中，Engine 创始人 Elia Wallen 讲了一家有历史包袱的老公司怎样当众改造自己：工程小组从 7 人缩到 3 人，交付速度提高 5–10 倍；超过一半的客服工单不需要人工处理；市场、销售、财务各自嵌入应用 AI 团队。他还说，公司把 AI 带来的利润空间拿去收购一家 30 年的差旅管理公司，没有直接留作利润。

对咨询从业者，这期提供了一张诊断清单：哪些部门要嵌入 AI 人员，客服里多大比例能自动解决，招聘怎样考 AI 能力，推理费用在哪一层管控。一家 1000 人的公司仍有 420 个空缺职位，也说明 AI 改造不一定意味着减员。

以上数字都出自创始人本人，材料没有给出客服自动解决的质量指标，也没有给出成本细节。拿去和客户谈时，应当说明这是单家公司的自述，不是行业基准。

一个人用 AI 做出 17 分钟短片，他的建议是「组个乐队」

内容创作 · 本周演示

Magnific 联创 Javi Lopez 独自用 AI 做出 17 分 41 秒的 Backrooms 短片第一集；节目由 Magnific 赞助，时间和成本的具体数字材料里没有给出。

Theoretically Media 这期视频采访了 Javi Lopez。他一个人用 AI 做出 17 分 41 秒的短片《Backrooms Nemoris》第一集。主持人自己做过最长约 8 分钟的 AI 短片，想弄清 17 分钟的长片是怎么撑下来的。需要说明的是，这期由 Magnific 赞助，而 Javi 就是 Magnific 的联合创始人。

可借鉴的经验有三条。一是选题借用 Backrooms 这类人人可以参与的网络神话，容易获得关注；但他也提醒，玩别人的 IP，律师随时能把它收走。二是早期的邮轮故事拆成多段发布，用设定的积累吸引观众回来。三是拍摄上别模仿手持镜头。主持人最后的结论是：一个人做 17 分钟很难，和别人组队分工更现实。

这条属于「用 AI 创作」。材料没有披露播放量、收入和制作成本，想参考成本可以直接看视频 11:04 起的部分。

工程会被 AI 大幅加速，研究判断力不会因此自动变强

AI 认知 · 观点访谈

AI 研究者 Nathan Lambert（2026-10-09）认为，几年内模型会成为超人级的 GPU 工程师，智能成本近乎指数下降，但这不等于通向通用超级智能。

Nathan Lambert 在 Interconnects 解释，自己为什么不认同一些顶尖研究者「几年后 AI 会比我强」的判断。他认为研究者看到的是工程能力的突飞猛进：训练速度、单次回答成本这些指标都可以验证，所以很适合交给 agent 优化。他预计智能的有效成本会近乎指数下降，2–3 年内预训练的架构和数据选择研究可能被自动化。但这只让实验更容易，不会让模型的本质发生剧变。

他的推论和读者相关：成本下降会通过 Jevons 悖论带来更多需求，行业的瓶颈会落在怎样把 agent 用到具体人群和场景上。他举了 Meta Muse 为例，认为它的价值来自理解 agent 怎样工作，而不是推进性能前沿。

这些是他 10 月 9 日的预测。对做产品和副业的人，可以把它当成一个分工假设：可验证的执行交给 AI，人把时间用在挑问题和做交付上。

今天可以做的一件事

从这周的待办里挑一件边界清楚的小任务，比如一个内部报表或一个页面，学 Simon Willison 的做法：先把要什么、不要什么、有哪些例外口述或写成一段话交给 AI，再单独留出时间验收。做完记下三个数：AI 阶段用时、审查修改用时、你改了哪几处。两个时间加起来，才是这件事的真实耗时。如果你有内容平台，也可以把这次记录发出去，看看有没有同行追问。这是验证需求最便宜的办法。

工作提效 · 本周动态

Simon Willison 做饭时用语音开发博客功能，主要工作约半小时，之后检查和修改又用了约半小时。

开发者 Simon Willison 做饭时与 Codex 语音对话，给博客增加 newsletter 归档功能。约半小时完成主要工作后，他又花了约半小时使用键盘补充要求、审查代码、调整导入脚本，才部署上线。他熟悉这个项目，处理的是一个范围明确的小功能。本人记录

可借鉴的工作方式是：口述目标和背景，看预览纠正方向，最后集中验收。 对熟悉业务的人，口述还方便补充例外情况。内部报表、小工具维护可以借此试验；评估节省的时间时，把修改和检查一起算进去。

AI 帮他写 newsletter，AI 公司赞助他的工作流视频

内容创作 · 经营复盘

Ali Abdaal 自述写 newsletter 从两小时缩短到半小时；分享 AI 工作方法的视频，也获得了 Anthropic 赞助。

Ali Abdaal 在本人帖子中说，写一期 newsletter 从约两小时缩短到半小时。他的顺序很具体：散步口述到 VoicePal → Claude 或 ChatGPT 整理和反馈 → 自己在 Notion 改写、补上个人经历。

他的完整 AI 工作流视频还展示了另一层生意：视频明确注明 Anthropic 赞助，同时介绍自家产品 VoicePal。一次真实的使用经验，可以成为内容；围绕这类内容积累的受众，又能吸引相关品牌合作。

对想做自媒体的人，可以先记录自己解决过的具体问题，让 AI 协助组织材料，再把过程和结果讲给同类人。这是成熟创作者的实践；省下的时间、涨粉和广告收入要分别观察。 视频可从 18:11 的内容制作部分开始看。

八周做出产品，第一批用户从哪里来？

Micro SaaS · 经营复盘

Magai 用八周做出第一版，创始人此前已经营个人品牌十年，积累超过十万邮件订阅者。

Magai 创始人 Dustin Stout 在 Starter Story 访谈中说，他用 Bubble 加少量代码，八周做出第一版，受访时月营收接近十万美元。这是当时本人自述的营收，不能据此确认利润。

比开发速度更能解释起步的，是他披露的三个条件：经营个人品牌十年、超过十万邮件订阅者，以及业内关系。他还采用持续推荐分成：客户续费，推荐者继续拿佣金。

这给副业选题提供了一个顺序：先看你能接触到谁，再找这些人反复遇到的问题。 产品验证后，再研究谁已经拥有目标受众，以及持续分成是否适合自己的毛利。访谈 04:24 起的获客部分，比单看收入标题更有用。

试用人数上去了，退款却吃掉了增量收入

AI App · 经营复盘

BoldVoice 更强的付费墙提高了试用开始率，随后增加的退款却抵消了收益。

AI 口音与口语教练 BoldVoice 联创 Anada Lakra 在 Sub Club 分享了一个增长实验：更强的付费墙和折扣提高了试用开始率，随后增加的退款却抵消了收益。因此，团队强调等同一批用户使用一段时间后，再看扣除退款的收入。

产品定位也有一个具体选择：面向有职业沟通需求的人。团队要求每位员工每周做两次用户访谈，工程师也参与，持续直接听用户怎么说。

做付费 App 可以学这两件事：找到用户愿意付钱解决的具体场景；把试用、付款、退款连起来看。

帮一个部门把散落的资料做成能用的工具

AI 咨询 · 机会观察

OpenAI 产品负责人演示用 Slack、Notion 和日历数据搭内部工具，可以推出一个待验证的咨询服务方向。

How I AI 节目中，OpenAI 产品负责人 Kath Korevec 演示利用 Slack、Notion 和日历数据创建内部工具，例子包括团队事故协调网站。这是厂商员工的使用演示，材料没有证明客户已为相应咨询服务付费。

由此可以提出一个待验证的服务方向：访谈部门流程 → 整理资料和访问权限 → 做一个团队能用的小工具 → 根据使用情况持续维护。 熟悉业务的人，可以帮助客户界定工具该做什么、数据由谁维护、哪些结果需要人工确认。

想尝试 AI consulting，可以先拿自己熟悉的流程做小样，找实际使用者测试，再讨论交付范围和收费。

今天可以做的一件事

从这周本来就要完成的任务中选一件，保留输入、AI 产物和人工修改记录。做完后，你至少能回答三个问题：省了多少总时间？结果由谁验收？谁还遇到同样的问题？这些材料可以成为下一篇内容，也可以成为产品或咨询服务的需求线索。