AI 什么都会了，我们还能卖什么？

最近，一个朋友跟我说，他放弃做知识付费了，因为在 AI 时代，知识付费已经没价值了。直接问 ChatGPT，答案讲得又清楚又详细，为什么还要花钱买课程、买资料？

这话听着有点扎心，尤其我自己就在做 AI 内容，也在做付费课程。的确，如果你卖的东西，用户问一下 AI 就能得到，而且得到的答案比你的还好，那你凭什么继续收钱？

过去，一些知识产品的价值，确实建立在信息不容易获取上。你花了很多时间找资料、读文档、整理方法，别人付一笔钱，就不用再做一遍。如今，AI 已经能承担越来越多的工作：解释一个概念、梳理一个领域、整理一套入门资料，这些事情比你做的还好。

同样的质疑，也正在软件行业发生。

最近，一个叫 REA 的软件逆向分析工具引起了热议。它能帮助 AI 智能体分析已有软件，快速逆向出来很多商业软件，很多人惊呼：软件时代要结束了。

软件越来越容易做了，别人做好的东西也越来越容易研究出来了，那做软件还有什么价值？

我之前说过：学会 AI 编程，不等于你就能靠卖软件赚钱。过去，你有一个想法，却找不到程序员实现；现在，你可能很快就能做出一个能用的版本。但做出来之后，更难的问题才刚刚开始：谁需要它？别人为什么要用你的？又为什么愿意付钱？

而且，AI 改变的不只是供给。以前你需要买一款软件才能完成的事情，现在跟智能体说几句话，或者让它写一个小工具，就解决了。很多钱不再花在软件购买上，而是花在 AI 订阅和 Token 上。

所以，我觉得最值得拷问的是：

当软件、内容和商品都越来越容易生产，我们到底应该把时间和精力放在什么上？核心竞争力究竟在哪里？有什么东西是不会因为 AI 又升级了一次，就迅速失去价值的呢？

这个问题，我思考了很久。后来我开始想，买东西的人又是什么感觉？

对普通用户来说，面前摆着越来越多的产品、资料和建议，尽管有 AI，他们真的就更容易解决自己的需求了吗？

东西越来越多，选对越来越难

互联网早期，其实已经发生过一次类似的变化。

1997 年，最炙手可热的互联网公司是雅虎，当时网站还很少，雅虎就是手工建立了最全的网址分类目录：新闻、财经、体育、科技，一层层点进去，找到自己想看的网站。它就像一本互联网通讯录。

但网站越来越多，这本通讯录就不够用了。你不想挨个翻目录，你只想说清楚自己要找什么，然后直接找到答案。Google 通过搜索满足了这个需求，所以迅速成为了后来的互联网霸主。

现在，同样的问题出现在更多地方：软件、课程、商品，各种各样的服务摆在你面前，你缺的是再多一个选项吗？你缺的是有人告诉你：别看了，按你的情况，选这个就够了。

比如 AI 工具。今天有人说 GPT 最强，明天有人说 Claude 更好，后天 DeepSeek、Kimi、GLM 又各自更新了。每个都有评测，每个都有人推荐，每个看起来都有值得用的理由。

难道我要全部订阅一遍，全部学一遍，再把自己的工作挨个搬进去试一遍？我到底是来用 AI 干活的，还是来给 AI 工具当测试员的？

而且，别人的“最好”，未必是你的“最合适”。有人愿意折腾半天配置，换一点性能提升；有人只想打开就能用。有人每天写代码，有人只是偶尔改一封邮件。同一个工具，对前者可能是生产力，对后者可能就是一笔忘记取消的订阅。

所以，我觉得在产品和服务极大丰富之后，“达人严选”的价值会越来越大。

这里的达人严选，不只是告诉你哪里便宜、给你一个购买链接，而是帮你筛掉不需要的东西，弄清楚什么适合你，让你少花冤枉钱，也少浪费时间。甚至有时候，最有价值的建议就是：你现在用的已经够好了，根本不用换。

说到这里，你可能会问：这不正是 AI 擅长的事吗？搜集信息、比较产品、根据我的需求给建议，直接问 AI 不就行了？

为什么我们还是想听一个信得过的人说几句？

你当然可以去问 AI。

比如，你想买个 AI 编程工具，拿不定主意，就让 AI 帮你选。它很快给你列了一张表：这个能力强，那个价格低，还有一个对新手友好。最后告诉你，请根据自己的实际需求选择。

看完你都想笑。我就是不知道怎么选，才来问你的。现在优缺点列了一大堆，选择题又交回我手里了。

你说，别绕了，就推荐一个。它也能给你一个答案。但你心里可能还是不踏实，换个 AI 再问一次。结果另一个说得也很有道理，推荐的却不是同一个。

这下好了，本来是选工具，现在还得选到底相信哪个 AI。

当然，有经验的人知道怎么继续问，怎么查，怎么试。但大多数人只是想把眼前的事情做好，不想为了买一个工具，先把自己训练成这个领域的专家。何况 AI 有时还会一本正经地编出一个不存在的功能，你不懂根本看不出来。

这时候，假如一个你关注了很久的博主，发了一条视频，说他最近把几个工具都用了一遍，最后只留下了其中一个。其他几个也不错，但对他每天做的事情来说，没有必要。

接着，他把自己的工作过程给你看了一遍：怎么用，哪里好用，哪里还是很烦，什么样的人值得买，什么样的人先别花这个钱。

你看完，反而不纠结了。因为他做的事情跟你差不多，而且他已经折腾过一圈，你没必要再从头折腾一遍。

这里面最有趣的是：他告诉你的那些产品信息，AI 很可能也知道。但同样的建议，从这个人嘴里说出来，你就是更愿意听。

为什么？因为你认识他。

你知道他是天天追新工具的人，还是一个东西用顺了就懒得换的人；也知道他究竟见什么都说好，还是自己真用好了才推荐。

这些印象，是他过去一次次分享慢慢留下来的。你不需要每次都重新判断这个人靠不靠谱。

这才是个人 IP 在 AI 时代的真正价值。一个人不需要什么都懂，但在他擅长的领域，你相信他的判断力。

所以，回到我开头说的朋友的拷问：既然什么都能问 AI，为什么还要买你的课程？

如果课程只是把 AI 能回答的东西再讲一遍，的确没价值，还不如 AI。但如果你想学的是，这个人一路怎么学过来，怎么思考问题，怎么做判断和选择，怎么把事情一步步做成，那就完全是另一回事了。

一块便携屏，为什么大家跟着买了？

最近，我在 X 上分享了一块自己买的便携显示屏。爱国者的，14 寸，2.5K，300 多块钱。纯个人分享，非带货贴。

一根 USB-C 线接到我的 MacBook 上，马上多了一块屏幕。只有 480 克，跟笔记本放在一起带着也不重。对我这种经常移动办公的人来说，实在太舒服了。这是我今年买得最爽的电子产品。

这条推文彻底爆了，有 43 万阅读量，很多人看完就下单了。

你想想，这块显示屏又不是什么秘密产品。就挂在购物网站上，随便一搜就能找到。价格、尺寸、分辨率，商品页面上都写着。为什么它在那里放着，你未必会买，我发了一条帖子，你反而下单了？

因为你看到的不是一块显示屏，而是我帮你解决了一个移动办公场景的痛点：

它跟笔记本差不多大，带出去很轻，一根线就能接。随时随地扩展出来一块屏幕，不需要外接电源，甚至充电宝都可以支持很久。

如果你平时也带着 MacBook 到处办公，一直嫌笔记本的屏幕不够用，看到这里，心里马上就跳出来一句话：我靠，这不就是我一直想要的吗？

再加上你经常看我的内容，知道我平时怎么工作，对工具有什么要求。你会觉得：“既然范凯已经买了、用了，连怎么接、怎么调都弄明白了，那我就不用再研究一遍，无脑下单就行了。”

一个你信得过的人，已经替你动过脑子了。他的使用场景跟你接近，他在意的问题你也在意，他已经替你蹚过一遍，你终于可以不用再纠结了。

同样的问题交给 AI，它能给你找出十款便携屏。你本来只纠结两款，问完以后，变成了纠结十款。

但一个你长期信任的人，把自己桌上的东西拍给你看，告诉你“我就是这么用的，很舒服”，这件事反而一下子简单了。

买屏幕是这样，选软件、买课程、找人提供服务，也有相通的地方。在一个什么都能搜到、什么都能问 AI 的时代，我们缺的往往不是更多信息，而是终于能让自己拍板的那份信任。

AI 越强，我们为什么反而更需要“达人严选”？

便携屏这样的推荐，以前也有。到了 AI 时代，我们需要别人帮忙拿主意的事情，越来越多了。你想想，现在每天打开手机，迎面扑过来的是什么：

一个新模型发布了，说比上一代强了一大截；一个新工具出来了，号称能把你手上的工作全部自动化；又有人分享一套工作流，说自己靠这个，一个人干了过去一个团队的活。每个都带着演示，每个看起来都挺有道理。

你本来只是想看看消息，刷了半个小时，突然觉得自己手上的工具都该换了，工作方式也落后了，还有一堆东西得赶紧学，再不学都要被开除地球人籍贯了。

可看来看去，你最拿不准的还是：这些东西，到底哪些跟我有关？

不光东西变多了，介绍这些东西的文章、视频、评测和推荐，也都在变多。连一个还没经过多少实际检验的想法，都可以被包装成一套像模像样的方案。

可你的时间并没有跟着变多。一天还是二十四个小时，工作要做，家人要陪，你不可能因为别人生产得更快了，就把所有东西都研究一遍。

你说，那我用 AI 帮我筛。它确实能帮你读、帮你总结，但总结完摆在你面前的，可能是五条完全不同的路，每条都有一套充分的理由。

这跟以前上网找资料的感觉还不一样。以前你是找不到答案，现在是答案太多，而且个个都讲得头头是道，你不知道 AI 究竟是不是又产生幻觉了。

对一个不熟悉这个领域的人来说，判断这些建议靠不靠谱、适不适合自己，往往比找资料还难。你连它漏掉了什么都不知道，更别说识别藏在里面的错误了。

每天都有这么多东西等着你筛选、拍板，光是决定把时间花在哪里，就已经很费脑子了。AI 对人的要求其实更高了：你得从一堆信息里挑出有用的，还得想清楚自己到底要什么，最后拿主意。

这时候，你特别需要一个你非常信任的人跟你说：这些我已经看过、试过了。这个确实值得花时间，那个你先不用管。按你现在做的事情，原来的方法就够了，别折腾。

听他这么一说，一大堆原本觉得必须研究的东西，都可以先放下了。你一下子轻松了，终于能安心回去刷手机了。

这也是我为什么不把所有自媒体都叫作个人 IP：

有些人看到你已经很焦虑，还要再推一把：这个不学就落后了，那个不买就错过了。AI 让他们制造这种贩卖焦虑的内容更容易，他们就可以一天到晚地收割你的钱包。

真正的个人 IP 是自己先进去试一圈，再回来告诉你，哪些值得跟，哪些只是看着热闹。他不需要对每个热点都发表意见，但只要开口，你知道背后有他真正做过的功课。

流量当然重要，它能让更多人看见你。但一个人刷到过你，甚至点了关注，离真正相信你还差得很远。你更该关心的是，他下次遇到相关问题时，会不会想起你，愿不愿意听听你的判断。

其实做个人 IP，你真正经营的不是流量，也不是粉丝，你真正经营的是信任，这个才是个人 IP。

产品会变，信任可以一直积累

假如你跟着一个健身博主练了三年。

刚开始，你连几个基本动作都做不对。跟着他的视频一点点练，后来能自己安排训练了，身体也确实有了变化。这三年里，他也没闲着，一直在练、在学，有时还会推翻自己以前的做法，告诉你现在为什么这么调整。

有一天，他说自己做了一套训练课程，你会愿意看看。后来他跟一个器材品牌合作，参与设计了一款产品，你也会多留意一下。如果他在你住的城市开了一家训练馆，你甚至可能想去见见他，跟着练一次。

你跟他的关系，就这样从看视频，慢慢走到了买产品、买服务。中间并没有哪一天，他突然变成了一个你需要重新认识的陌生商家。你早就知道他是谁，也知道他对训练这件事有多认真。

我觉得，一个长期个人 IP 的商业空间，就藏在这里。

同一个人，可以有课程，可以做品牌合作，也可以把自己一直想要、市场上又不满意的东西做出来。读者熟悉他的要求和品味，愿意给这些产品一个机会。他每次做新东西，都有一群已经认识他的人可以交流、试用、提意见。

这对做产品的人来说，是多大的优势啊。

我们再回头看开头那个软件问题。现在用 AI 做一个软件，越来越容易。你做出来，别人照着功能也能做一个。最后大家拼价格、拼广告，花很多力气向陌生人解释：我的产品真的很好，你试一下吧。

但如果你已经在一个领域里分享了很多年，情况就不一样了。你一直在处理什么问题，受不了现有软件的哪些毛病，想做一个什么样的工具，读者可能早就听你讲过。

等到你真的把它做出来，他们会觉得：终于做出来了，我去试试。

别人可以照着做出相似的界面和功能，却没办法把这几年你和用户之间的关系一起复制过去。那些讨论、尝试、反馈，还有一次次把问题解决掉的经历，都是慢慢积累出来的。

而且，用户会把你这个人也算进去。一个准备在这个领域做十年、二十年的人，会不会认真维护产品？遇到问题能不能找到他？他会不会为了一点短期利益，把自己这些年的名声全搭进去？这些判断，都会影响用户愿意把钱和时间交给谁。

往服务上走，也是一样。一个人长期分享某个行业的实践，企业客户看了很久，真遇到相关问题时，就可能找过来聊聊。双方第一次见面，客户已经知道他怎么想问题、怎么做事，很多从零建立信任的工夫，早就在平时的内容里完成了。

个人 IP 的价值，不是一年两年，而是十年二十年。今天是一门课程，明天可能是一款软件，后天也许是一项新的服务。具体做什么可以随着能力和需求变化，但每一次认真做事，都能让下一次开始时，多一些愿意相信你的人。

超级个体的核心公式：AI + 个人 IP

回到开头的问题：当软件、内容和商品都越来越容易生产，我们到底应该把时间和精力放在什么上？核心竞争力究竟在哪里？有什么东西不会因为 AI 又升级了一次，就迅速失去价值？

如果你想做一个 OPC，也就是超级个体、一人公司，我觉得核心公式就是：

AI + 个人 IP。

一个解决生产，一个解决销售。

AI 是你的个人效率放大器。过去需要找人、组团队才能做的事情，现在一个人借助 AI，就能完成其中越来越多的工作。开发软件、制作内容、设计产品、交付服务，你能做的事情更多了，做出来的速度也更快了。

但这些工具，你能用，别人也能用。你刚学会让 AI 做一个产品，其他人也在做。技术门槛降低以后，单靠“我能把它做出来”，越来越难让用户掏钱。

个人 IP 就在这里发挥作用。用户长期看你的内容，了解你的判断，知道你在认真解决什么问题。你的产品刚好符合他的需要，他又信得过你，就有了选择你的理由。

所以，一个人要把生意做起来，这两端都得有。东西做得出来，也要有人愿意买；有人相信你，也要有能力把承诺的价值交付出来。

具体到该积累什么，我认为有两项核心能力。

第一，把你对 AI 的理解和运用，融入到你的使用场景中。

工具越来越普及，但使用工具的水平依然会拉开差距。同一个 AI，有人只用来问几个问题，有人已经把它用进每天的工作，把研究、开发、制作和交付接了起来。同样一笔订阅费，最后释放出来的生产力，可以差很多。

你要积累的，就是这种把 AI 真正用起来的能力。知道它能帮你做什么，怎么把任务交给它，怎么判断结果，再把结果变成用户用得上的产品和服务。模型升级了，你也能更快把新能力用到自己的事情上。

第二，个人 IP，以及它背后的信任关系。

软件的功能可能被追上，一份资料可能被 AI 随手整理出来，一款产品也可能很快出现更便宜的替代品。但一个用户看了你几年，认可你的判断，相信你做事的态度，这份关系不会因为新模型发布，就突然清零。

你持续提供有用的东西，解决他真正关心的问题，这份信任还能继续积累。AI 越强，你越有能力服务好这群人；产品越丰富，他们也越需要一个值得相信的选择。

所以，我认为在 AI 时代，能够赢得粉丝长期信任的个人 IP，会成为越来越稀缺的资源，头部个人 IP 的商业价值也会越来越大。

技术一轮轮更新，产品一代代替换，你对用户的理解、用户对你的信任，却可以一直积累下去。这是我们跨越技术更迭的一项核心竞争力。

回到开头，如果你问我，这个时代什么值得长期投入时间和精力，我的答案就是：

AI + 个人 IP。用 AI 把有价值的东西做出来，用个人 IP 让需要它的人愿意选择你。

你平常从哪些网站获取内容？每天一定会打开的 App 又有哪些？

国内的内容平台，我现在基本已经放弃了。除了微信，其他内容 App 我统统卸载了。微信也只保留着收发消息，视频号不刷，公众号不看。

以前还会逛知乎、读公众号，现在已经越来越找不到让我愿意花时间的内容了。我现在每天都会看的三个 App，是 Substack、YouTube 和 X。

最近两年，我发现一个很明显的变化：国内一大批高质量的中文创作者，陆续“移民”到了海外平台。写长文章的去了 Substack，做视频的去了 YouTube，科技和加密圈的跑到了 X 上。

在我看来，这三个平台聚集了目前密度最高、质量最好的中文原创作者。

Substack：读长文章，也遇见老朋友

Substack 现在是我最喜欢的中文内容平台。它给我的感觉，很像早期的豆瓣、知乎和微信公众号：能读到很多有营养的长文章，也能看到值得琢磨的观点。

对我这种有阅读习惯的人来说，这是一种特别好的消遣，比刷短视频要放松多了。

而且，我还在上面发现了一些熟悉的名字。十几年前经常读的那些作者，现在居然又在 Substack 上活跃起来了，真有一种故人重逢的感觉。

比如李一诺。十几年前，她的“奴隶社会”在微信公众号上非常火。她可是微信公众号的顶流之一。现在她在 Substack 上重新开始中文写作，我也在这里重新读到了她的文章。

YouTube：比追剧还过瘾

YouTube 是我每天花时间最多的 App。很多以前在国内知名的大 V 和知识分子，现在都在上面活跃，内容也越做越好，看得很过瘾。

我自己是 YouTube Premium 会员，每个月花 10 美元。我的评价很简单：太香了。没有广告、可以开到 4 倍速、还能离线缓存。尤其是出差坐飞机之前，提前下载一些有意思的知识类长视频，路上就可以慢慢看。

比如，我关注了一个叫“左为”的博主。他有一部讲中日甲午战争的视频合集，长达 5 个多小时，但讲得非常过瘾。有时候路上没事，我就听一段，再听一段，从头到尾慢慢听下来。对我来说，这就是一种很好的娱乐。

我还特别喜欢“小鸣说”。博主叫安争鸣，她讲了很多世界历史，尤其是各个古代文明的发展史。

我看完以后，真切地感受到，世界上其他文明曾如此辉煌灿烂：美索不达米亚文明、古埃及文明、古希腊文明、古波斯文明，让我很感慨。其实中华文明在很多方面并没有我们想象的那么值得骄傲，甚至很多方面是极其落后和蒙昧的。

从创作者的角度看，YouTube 也是我心目中做海外中文视频最好的平台。

X：像早期微博，嘈杂，但很有活力

最后是 X。对我来说，它主要是刷科技资讯、灌水和聊天的地方。这里聚集了大量 AI 领域的程序员、加密货币从业者和美股投资者。

最近用 X，我经常觉得它很像早期的微博：信息流动特别快，思想交流非常激烈，很多人也处于一种天天都很焦虑的状态。

它是这三个平台里最鱼龙混杂的地方，低素质的人也最多。但与此同时，它确实很有活力。

尤其对 AI 行业的从业者来说，X 的权重非常高。马斯克、奥特曼这些行业领袖会直接在上面发声，黄仁勋也已经开了账号。像 DeepSeek 这样的国内厂商，也会在 X 上发布产品消息。

所以，要了解 AI 行业最新的动态和一手信息，X 毫无疑问是首选。

另外 X 全站可以多语言自动翻译。现在我刷到英文、西班牙文的帖子，也能直接看到翻译后的中文，跨语言阅读和交流方便了很多。我发的推文也经常看到老外的评论。

中文创作者也有机会被海外用户看到，参与同一场讨论。对我来说，这也是 X 很有吸引力的地方。甚至有中文作者的推文被马斯克、黄仁勋点赞，感觉很奇妙吧。

总之：读长文章，我去 Substack；看长视频，我去 YouTube；追行业动态、找人聊天，我去 X。我现在每天看的内容，基本就来自这三个平台。

你呢？现在还有哪些让你愿意每天打开、认真看一看的内容平台？

你每个月会花多少钱订阅 AI 和软件？

最近整理了一下自己的订阅清单，光是外币支付的几项，每月就要花 177 美元左右。不到 200 美元，单看月费，感觉还好。

这些订阅里，有每天离不开的主力工具，也有为了某个具体功能留下来的服务。目前主要是下面七项。

1. ChatGPT Pro：每月 100 美元

这是我的主力 AI 工具之一，目前只用 GPT-6 Astra。对我来说，这个套餐的额度已经够用，使用额度也经常重置，暂时没有继续升级的必要。

2. OpenCode Go：每月 10 美元

另一个主力模型是 DeepSeek V4.1 Flash，通过 OpenCode Go 使用。每月花 10 美元，对应这个模型有 80 美元的用量上限，我现在敞开了用都用不完。

ChatGPT 和 DeepSeek 搭着，日常需求完全够用了。另外，我也在 DeepSeek 官网 API 账户里充了一点钱，留作备用。

3. X Premium：每月 30 美元

这项订阅，我主要用的是 Grok 的 X 检索能力。每天自动抓取新闻线索，就不用自己花时间在人海一样的信息流里刷来刷去了。

除此之外，也会玩玩 Grok Bot。

4. Google One AI Plus：每月 10 美元

我主要看中的是 2TB 存储空间，相册都存上去了。照片会不断增加，这部分存储对我来说是实实在在的需求。

另外，还能顺便用一下 Antigravity 里的 Gemini 模型额度。虽然额度不多，但做一些简单测试已经够了。

5. YouTube Premium：每月约 10 美元

这项订阅，我的评价很简单：太香了。

我是 YouTube 重度用户。看视频没有广告，可以开到 4 倍速，还能离线缓存，这些功能我都用得上。尤其是出差坐飞机之前，提前下载一些有意思的知识类视频，路上就可以慢慢看。

6. Cloudflare Workers Paid：每月 5 美元

我现在的线上付费课程放在上面。接下来准备好好经营，把它作为自己做知识付费的大本营。

7. Typeless：年付，折合每月 12 美元

这项先继续用着，等到期之后，再看看有没有合适的替代工具。

月费不算多，年费就有感觉了

这些订阅，一个个看都不算贵。除了 ChatGPT，大多数每月也就是几美元、十几美元，加起来大约 177 美元。

但这还不是全部。

国内还有语雀、剪映、开拍、腾讯视频、QQ 音乐等人民币订阅，再留一点 AI 工具的机动预算，毛估估，一年要为软件订阅准备 18,000 元人民币。

每个月扣一点，感觉不太明显；把全年账单放在一起看，也确实是一笔不小的开支。

好在，X 的分成能把这笔账付了

说到这里，还是要感谢一下马斯克。

我现在每个月在 X 上发发内容、灌灌水，至少能拿到 300 多美元的原创内容分成。按每月 300 美元计算，一年就是 3,600 美元，按 6.7 的汇率折合人民币，大约是 24,120 元。

只要维持目前的分成水平，覆盖一年 18,000 元的软件订阅预算，还是比较轻松的，而且还能剩下一些。

把自己这一桌软件的账单付了，还有余钱再买点想用的软件。那么我还应该买点什么软件呢？大家有什么推荐？

8 月 17 号开始打减肥针，到今天七周多。体重从 81.6 公斤降到 71.6 公斤，正好 10 公斤，按斤算就是 20 斤；腰围从 93 厘米缩到 83 厘米，少了 10 厘米。我身高 173，这个体重已经回到了几年前的状态。

我用的是礼来的替尔泊肽，一周一针，最小剂量 2.5mg。

掉秤的节奏并不均匀。前 10 天就减掉了 4.5 公斤，后面 15 天只减掉 2.5 公斤，六周下来将近 9 公斤，到第七周结束接近 10 公斤。第六周开始速度明显慢下来，同时开始掉肌肉。所以最近这段时间，我不得不把力量训练认真加进来。

打针之后的体感其实就两条：不饿，以及消化能力变弱，不敢多吃，吃多了消化不下去，副作用暂时没有感觉到。这等于把减脂期最难的一件事直接解决了。

我过去减肥的策略和现在没有任何不同，无非是控制饮食加上撸铁，区别在于减脂期最基本的要求就是饮食管理到位，而这恰恰是最难做到的一件事；有了替尔泊肽，饮食管理变得很容易。

但容易不等于可以随便吃。胃口就那么点，要优先保证蛋白质，再补一点膳食纤维和碳水，水也得喝够；每周该有的撸铁也不能省，为的是保住肌肉量。这一点我做得还不够好，否则效果可能更好。

所以现在吃的东西很简单，一个人做也不麻烦，从动手到吃完 30 到 45 分钟就够了。早餐是一个鸡蛋加一盒牛奶；午餐是一根玉米，加一份肉——自己烤的鸡胸肉、卤牛肉、清蒸鲈鱼或者清蒸大虾轮着来，再配点生菜和黄瓜蘸酱；晚餐看饿不饿，不饿就一个鸡蛋，稍微饿就再烤个土豆。

这样吃下来的开销太节省了：替尔泊肽 20mg 的，在美团售价不到600元，可以打 8 针，总共八周减肥期。但这八周光省下来的伙食费我觉得一两千都不止了，买减肥针，替你省钱，太反直觉了，难怪礼来的股价都创新高了。

还有一个变化是吃外卖。我已经一个多月没吃过外卖了，甚至完全想不起上次是什么时候，这一个月只下过一两次馆子。现在实在不太愿意吃外卖，太油，所以大部分时间都是自己做。健康饮食吃多了，人真的会觉得精力变好，走路都轻松，然后逐渐对外卖产生了一种抗拒感。

我身体状态最好的时候是 2018 到 2022 年，常年体重维持在 70 到 71 公斤，腰围 82 厘米；现在 71.6 公斤、腰围 83 厘米，已经基本回到那个区间里了。所以接下来的目标不再是减重，而是刷体脂，争取看到腹肌。

用 AI 写代码到现在，我自己的体会是：即使没有编程基础，想让 AI 帮自己开发产品，也应该先抓住两件事——把需求讲清楚，把验收做扎实。

一样是把需求讲清楚。不是写一段漂亮的提示词，而是老老实实把用户故事一条条拆出来：谁，在什么场景下，想做成什么事，最后应该拿到什么结果。正常的路怎么走，出了岔子怎么办，那些容易漏掉的情况有哪些。

AI 可以帮你梳理，但不能替你决定到底想要什么。你自己没想明白，它就只能一边写代码一边替你猜，还可能猜得挺自信。所以这件事考验的不是提示词技巧，是你对产品的理解到了哪一步。都是笨功夫，但省不掉。

另一样是把验收做扎实。这两样里真要挑一个最重要的，我挑验收。

现在 AI 已经能自己检查某个功能写得对不对、几个功能能不能配合起来工作，也就是程序员说的单元测试、集成测试。但按我的实际体会，这些测试通过之后，你要是直接撒手让它上线，大概率还是会冒出一堆问题。道理很简单：这些测试通过了，不代表用户就能顺顺当当地把事办成。让 AI 自己写一堆测试，和让它按一份你认可的验收清单去验证，也是两码事。

所以，关键是把前面那些用户故事，一条条变成端到端的验收：从一个用户真正动手开始，一路走到他拿到结果，完整跑一遍。顺利的情况要跑，出错的情况、容易遗漏的特殊情况，也尽量测到。再给它一个尽量贴近真实使用的测试环境，让 AI 帮你搭、去跑、去修，再验证，直到满足说好的验收标准。

这两件事其实是一根线的两头。用户故事说的是要做什么，端到端验收回答的是到底做到了没有。前面含糊，AI 可能很勤快地把一个错误的需求实现得很完整；后面没验清楚，它就容易把“代码写完了”当成“活儿干完了”，然后收工。

这两头抓稳了，中间它具体怎么写，就不必每一步都盯着。倒不是代码不重要，只是我们更该花心思的地方，是把任务和结果定义清楚，而不是站在旁边监督它敲下的每一行。

只要你把握住了这两个要点，就算没有编程基础，一样能够很熟练地掌握用 AI 帮自己开发产品。

很多人用 OpenClaw，一段时间后都会遇到同一个问题：聊着聊着，它突然像失忆了一样，不记得前面说过什么；或者刚聊完一个话题，切到下一个话题，它就像换了一个人，之前的上下文全断掉了。

这种体验会让人很抓狂，因为你明明已经投入了很多时间跟它建立协作关系，但它总在关键时刻“忘事”。但这件事其实不是 bug，本质上，是大多数人并没有真正理解 OpenClaw 的记忆系统是怎么运作的。

今天这篇文章，我一次性把这件事讲透：OpenClaw 的“失忆”到底是怎么发生的，短期记忆应该怎么管理，长期记忆应该怎么构建，以及怎么把 OpenClaw 真正调教成一个越来越懂你的“第二大脑”。

只要你理解它的记忆机制，并做几步正确配置，OpenClaw 不但不会遗忘，反而会越用越了解你。

我现在每天都离不开 OpenClaw，就是因为它记得我所有的事情、所有的对话，也拥有我知识库里的大量知识。很多事情我一时想不起来，第一反应就是去找它。如果你把这套方法搭起来，你也会开始有这种感觉。

一、先建立一个最重要的认知：OpenClaw 有两种记忆

对于 OpenClaw 这样的 AI 智能体来说，它的记忆能力可以分成两类：短期记忆和长期记忆。很多人用 AI 出问题，往往不是因为模型不够强，而是因为把这两种记忆混在一起了。

1）短期记忆：上下文窗口

所谓短期记忆，就是你这一次对话里的上下文。在当前会话中，它会一直记得你前面说过的话、给过的任务、贴过的资料，以及工具调用过程中产生的各种结果。

但短期记忆不是无限的，它受模型上下文窗口限制。比如 GPT-5.4 的上下文窗口大约是 256k token，Claude Opus 的窗口可以到 100 万 token。窗口越大，一次能容纳的内容就越多；但一旦内容开始逼近上限，系统就会压缩甚至丢弃更早的内容。你感觉到的“它突然失忆了”，很多时候就是这么来的。

你可以把短期记忆想象成你的工作台。工作台当然很重要，因为你现在正在处理的东西都摆在上面。但工作台是有面积的，你往上面不断堆东西，堆到最后，最底下的内容就会被压住、被挤掉、被看不见。

所以短期记忆的核心问题，从来不是“它要不要记”，而是两件事：它一次能装多少，以及你有没有在合适的时候清理它。

2）长期记忆：持久化存储 + 检索唤起

长期记忆，则是另外一套机制。它不是把所有东西一直塞在当前上下文里，而是把历史信息保存到文件、数据库或者索引系统中，等未来聊到相关话题时，再把最相关的部分提取出来，重新带回当前对话。

你可以把它理解成档案柜。工作台上放的是你当前正在处理的东西；档案柜里放的是你过去积累下来的资料、偏好、项目状态、知识库和历史记录。工作台空间有限，档案柜容量几乎无限。

所以现在你就能理解一个核心问题了：大多数人觉得 AI 会失忆，不是因为 AI 真的不能记，而是因为只在用短期记忆，没有建好长期记忆。你如果试图只靠上下文窗口解决所有问题，迟早会撑爆。

二、短期记忆怎么管：核心不是更大，而是更干净

很多人以为，只要把上下文窗口开得越大越好，AI 就越不容易忘。这其实是一个很常见的误区。因为上下文窗口变大，当然能让它在单次对话中记住更多东西，但你也要同时承担代价。

1）第一个代价：Token 消耗会暴涨

假设你把一个 100 万 token 的窗口聊满了，那么之后你每发一条新消息，系统都可能要把这整个窗口重新提交给模型处理。也就是说：

• 聊 1 次，可能就是 100 万 token

• 聊 10 次，就是 1000 万 token

• 聊 100 次，就是 1 亿 token

所以很多人看到别人“每天消耗几亿 token”，会觉得不可思议。其实很多时候不是他做了多夸张的事情，而是因为上下文窗口一直处于高负载状态。

2）第二个代价：速度和性能都会下降

上下文越大，模型处理负担越重，延迟越高，GPU 资源消耗也越大。所以除非你是在做那种确实需要一次性读取超大代码库、超长文档的工作，否则上下文窗口并不是越大越好。

短期记忆最好的状态，不是“无限大”，而是三个词：够用、轻量、干净。

三、OpenClaw 如何自动瘦身短期记忆

这里要补充一个很多人不知道的细节。很多人以为 OpenClaw 会一直把所有上下文无限堆上去，完全不做处理。严格来说，不是这样。OpenClaw 提供了一个叫 contextPruning 的配置，可以用来做短期记忆的自动瘦身。

比如我自己的配置是这样的：

"contextPruning": {
  "mode": "cache-ttl",
  "ttl": "2h"
}

这段配置的意思是：当一个会话闲置超过两小时后，在下一次请求发给模型之前，系统会自动剪裁旧的工具结果。

这里被剪裁的，主要是这些内容：

• 检索片段

• 文件读取内容

• 命令输出

• 浏览器快照

• 其他工具调用产生的大块结果

这些内容可能会被替换成占位符或者摘要；而用户与 assistant 的核心对话消息，会优先保留。你可以把它理解成一种轻量级的自动清理机制，它的作用主要有三个：

• 控制 token 消耗

• 降低延迟

• 避免工具结果不断堆积，把上下文撑爆

但这里有一个很关键的点：它解决的是“上下文太胖”的问题，不是“你已经换了一个新话题”的问题。

也就是说，它会帮你自动瘦身，但它并不知道你现在是不是应该彻底翻篇了。所以，自动瘦身有用，但还不够。

四、短期记忆最重要的习惯：聊完一个话题就 /new

如果你问我，管理短期记忆最好的方法是什么，我的答案不是装一堆复杂插件，而是养成一个非常简单的习惯：聊完一个话题，就输入 /new。

这是一个非常重要的动作，因为它会做两件事：

1. 把当前对话归档

2. 清理当前上下文，开启一个新话题

这意味着什么？意味着你不需要强迫 OpenClaw 把所有东西一直背在身上。你可以很自然地让它“做完这件事，就翻篇”。这其实特别符合真实工作流。

比如你刚才在聊编程，下一分钟开始规划文章选题，你并不需要它继续把前面一大段代码细节背在上下文里，因为那些内容对当前任务已经不重要了。

这也是为什么我一直觉得，短期记忆最好的管理方式，不是“永不清理”，而是“及时清理”。很多人之所以觉得 OpenClaw 特别烧 token，本质上就是因为从来不清 Context。一直聊、一直堆、一直不翻篇，最后自然就越来越重。

只要你养成“一个任务结束就 /new”的习惯，256k 的上下文窗口在大多数日常使用场景里其实完全够用了。

但这时很多人会问一个问题：那我频繁 /new，前面聊过的东西不就全没了吗？不会，前提是你把长期记忆建起来。

五、长期记忆怎么建：静态记忆 + 动态记忆

真正成熟的 OpenClaw 记忆系统，不是只靠一个功能，而是两层结构同时存在：

• 一层是静态记忆，写死在规则文件里

• 一层是动态记忆，通过检索系统随用随取

1）静态记忆：MEMORY.md

先说静态记忆，也就是 MEMORY.md。在 OpenClaw 的 workspace 目录下，有一个大写的 MEMORY.md 文件，通常位于 ~/.openclaw/workspace/MEMORY.md。

这个文件适合存放那些你希望它长期、稳定、反复记住的信息。比如：

• 你是谁

• 你的工作习惯

• 你的偏好

• 你跟它协作的规则

• 某些长期不变的重要背景

OpenClaw 每次新对话时，都会自动读取这个文件，所以写在里面的信息，它原则上都会一直记着。

但这里也有一个边界：MEMORY.md 不能写得太大。因为它每次都会被加载进上下文窗口。如果你把它写成一本书，那它本身就会开始挤占宝贵的短期记忆空间。

所以 MEMORY.md 适合存的是：规则、偏好、长期稳定的信息。 它不适合拿来装海量知识库。

例如，我会在 MEMORY.md 里写上这样的规则：当我提到选题、内容创作、标题、提纲、YouTube 视频、口播稿等话题时，OpenClaw 会主动读取一份选题与创作指南的文档，然后按我要求来执行。

## Content Creation Collaboration
- **核心指南文件**：`~/Workspace/Writing/Operation/公域内容选题与创作指南.md`
- **触发条件**：Kai 提到选题、内容创作、标题、提纲、YouTube 视频、口播稿、公域内容等相关话题时，主动读取该指南并按流程执行
- **核心策略**：工具做入口、方法论做内核、CTA 做出口；选题 7:3 配比（工具切入型 vs 纯观点型）
- **协作流程**：Kai 给选题方向 → Friday 评估公域爆发潜力 + 出标题方案 + 出提纲 → Kai 确认 → Friday 辅助创作

这类东西就非常适合放在 MEMORY.md 里。

2）动态记忆：Memory Search

再说动态记忆，也就是 Memory Search。如果你希望 OpenClaw 不只是记住一些固定规则，而是能真正记住过去所有对话、项目资料、知识库内容，那你就要用到它。OpenClaw 内置了一个基于 SQLite 的本地向量数据库，叫 SQLite-Vec，就是用来实现动态长期记忆的。

它的工作方式很像人类的回忆：当你提到某个话题时，系统不会把“所有历史资料”一股脑塞进当前上下文，而是先去长期记忆库里搜索，找到最相关的那一部分，再把它带回来。

比如当我提到 Palantir 这家公司时，系统就可能自动联想到：

• 我之前看过哪些资料

• 我过去写过哪些相关内容

• 我们之前聊过哪些相关观点

人脑靠联想，OpenClaw 靠向量检索。原理不同，但效果很接近。

现在你应该已经能理解，为什么我前面说频繁 /new 并不会让 OpenClaw 真正失忆。因为每次你 /new，当前对话并不是凭空消失了，而是会被归档、被索引、被纳入长期记忆系统。等未来你再提到相关话题，Memory Search 就会把它重新找回来。

所以理想的状态其实是这样的：

• 短期记忆保持轻量

• 长期记忆持续积累

• 新话题随时翻篇

• 旧信息需要时自动召回

这才是一套真正成熟的 AI 记忆系统。

六、怎么配置长期记忆：我自己的实战方案

接下来讲最关键的部分：怎么把 Memory Search 真正配置起来。要打开 OpenClaw 的长期记忆能力，核心就是三件事：

1. 开启 Memory Search

2. 告诉它要记住哪些内容

3. 选择一个 Embedding Model

1）Embedding Model 怎么选？

所谓 Embedding Model，本质上就是把文本向量化，让系统可以按语义相似度去做检索。这个模型有很多选法。

如果你图省事，可以直接用云端模型，比如：

• OpenAI

• Gemini

• 阿里云

• 腾讯云

这些模型其实并不贵，正常使用下，一个月大概率也就是几美分到十几美分，不是大问题。

但如果你更想本地化，或者你担心批量索引的时候容易被云端 API 限流，那你也可以像我一样，直接用本地模型。

我现在用的是：

• provider: ollama

• model: bge-m3

这套方案的优点很明确：

• 本地成本低

• 可控性高

• 做大批量索引时不容易被限流

• 对中文场景也比较友好

如果你的知识库比较大，或者后面会经常重建索引，本地方案通常会更舒服。

2）最简单的配置方式：让 AI 帮你写

这里我反而不建议你一开始自己手写配置文件。最简单的做法，是直接把需求告诉 Codex 或者其他顺手的 AI 工具，让它帮你生成配置。

比如你可以直接说：

帮我给 OpenClaw 配置 Memory Search，选择一个合适的 Embedding Model，并把我的知识库目录一起纳入索引。

然后把 API Key 或者本地模型方案告诉它，它基本就能帮你把配置写出来。

OpenClaw 的配置文件位置是：~/.openclaw/openclaw.json

我现在在用的 memorySearch 配置如下：

"memorySearch": {
  "enabled": true,
  "sources": [
    "memory",
    "sessions"
  ],
  "extraPaths": [
    "/Users/robbin/Workspace"
  ],
  "provider": "ollama",
  "model": "bge-m3",
  "query": {
    "hybrid": {
      "enabled": true,
      "vectorWeight": 0.7,
      "textWeight": 0.3,
      "candidateMultiplier": 3,
      "mmr": {
        "enabled": true,
        "lambda": 0.7
      },
      "temporalDecay": {
        "enabled": true,
        "halfLifeDays": 90
      }
    }
  }
}

3）这套配置里，最关键的四个点

第一，sources

我这里同时打开了 memory 和 sessions。前者负责长期记忆，后者负责近期会话历史。这样配的好处是，它不仅能记住你长期稳定的信息，也能兼顾你最近正在做的任务和上下文状态。

第二，extraPaths

这是这套配置里，我认为最关键的一项。我把它指向了我的 Workspace，也就是我平时真正工作的目录。这里面有我的知识库、写作内容、项目资料和工作规划。

你把什么目录接进去，OpenClaw 就更容易理解你什么。所以如果你真的想让它“越来越懂你”，重点不是让它空泛地“多记一点”，而是要让它接触到你真正重要的工作语料。

这也是为什么很多人配置了记忆功能之后，效果还是一般。因为他虽然开了检索，但没有把真正有价值的内容接进去。

第三，provider 和 model

我这里用的是本地 Ollama 配合 BGE-M3。这样做的好处是：

• 批量索引的时候不容易碰到云端 API 的并发限制

• 本地成本低

• 中文效果也不错

如果你不想折腾本地部署，也完全可以先上云端方案。但如果你后面会频繁重建索引，本地模型通常更省心。

第四，query 下面的混合检索策略

我这里不是只用向量检索，而是用了 Hybrid Search。简单理解就是：

• 70% 靠语义理解

• 30% 靠关键词匹配

因为单纯靠向量检索，虽然能理解“你在说什么”，但对一些特别具体的内容，比如文件名、命令名、电话号码、地址、某些专有术语，关键词匹配往往更准。

所以混合检索的好处就是：既能理解含义，也能命中精确细节。

另外，我还打开了一个时间衰减机制，也就是 temporalDecay，半衰期设成 90 天。它的意思是：

• 越新的信息，权重越高

• 越旧的信息，权重会慢慢降低

这样系统在排序时，会更优先参考近期更有用的内容，而不会总把特别老的内容顶在最前面。

整体来说，这是一套我自己现在在用、而且我觉得比较稳的方案。你完全可以先照着用，后面再按自己的场景慢慢微调。

七、配置好之后怎么用？

配置完成之后，你可以先做两步验证。

第一步：建立索引

执行：openclaw memory index

这个命令会开始批量建立索引，把你的对话历史和知识库内容都向量化，写入长期记忆数据库。索引完成之后，它会存到 OpenClaw 目录下的 memory 子目录里。比如我的机器上，这个数据库文件叫 main.sqlite，现在已经有 176MB 左右了。你放进去的记忆越多，这个数据库自然也会越大。

第二步：做一次手工检索测试

执行：openclaw memory search [关键词]

输入一个关键词，看看它能不能稳定搜出相关内容。如果能搜出来，基本就说明你的长期记忆系统已经搭起来了。

但这里我想强调一点：平时正常使用 OpenClaw，你其实不需要天天手工去 search。真正的价值在于，当你把长期记忆库建好之后，未来你正常跟它聊天时，只要提到相关话题，它就会自己去检索、自己去回忆。

比如你说：“我之前跟你聊过某某某，你还记得吗？”它就会自动去找。

所以这套系统最理想的工作方式其实是：

• 你平时放心地用 /new 清理短期记忆

• 所有重要的历史对话和知识库都持续进入长期记忆库

• 未来需要的时候，它自动帮你找回来

这也是为什么我现在越来越觉得，OpenClaw 不只是一个聊天工具，而是真的开始变成我的第二大脑。

八、最后总结成一句话

如果你想真正把 OpenClaw 用好，你只需要记住一句话：短期记忆靠 /new 管理，长期记忆靠 MEMORY.md 和 Memory Search 来构建。

短期记忆的重点，不是拼命把上下文窗口撑到最大，而是保持它干净、轻量、够用。长期记忆的重点，也不是让它死记硬背所有内容，而是建立起一个可以随时被唤起的记忆库。

当这两套机制配合起来之后，OpenClaw 就不再只是一个聊天工具了。它会越来越了解你，越来越记得你说过的话、做过的项目、积累过的知识。到那个时候，你会发现小龙虾不只是“更聪明”了，而是真的开始变得“更懂你”。

如果你在配置过程中遇到问题，或者你希望我后面继续拆更细的 step-by-step 实操，欢迎直接在「范凯说AI」会员群里问我。

今天和一个老朋友打了很长时间电话。他是 20 年前跟我在 JavaEye 一起创业的合作伙伴，也是我合作过的代码水平最高的程序员，没有之一。他写的代码既简洁又高效，堪称 Code Cow。

JavaEye 卖掉之后，他先去育碧游戏干了一段时间，后来和纯银一起合作创业做了「禅游记」，又合作了几个项目。再后来他移民到了日本东京，到现在已经八年多了。移民之后主要远程工作，是 Nervos 公链的主力开发者。

他的 GitHub 地址：https://github.com/quake

他告诉我，最近几个月他已经完全不手写代码了，全部用 AI 写。

我看了他的 GitHub 提交记录。过去这些年，他每年大概提交 1000 多次，差不多平均每天 3 次。他至今还在开发一线，是非常活跃的程序员。

但 2026 年至今，不到 3 个月时间，他已经提交了将近 1000 次。也就是说，用上 AI 编程之后，他的代码提交频率是去年的 3 到 4 倍，平均一天 10 次以上。

注意，这不是一个初学者用 AI 凑代码。这是一个顶尖程序员，用 AI 把自己的产出放大了三四倍。这个效率提升是非常恐怖的。

我们聊到 AI 编程的现状，他说现在感觉还差最后一公里——验收环节还没有被完全解决。但大家都在摸索方法，我估计一两年之内会彻底解决这个问题。到那个时候，真的不需要人去手写代码了。

对于我们个体创业者来说，这其实是个巨大的好消息。

你不需要自己去写代码、学编程。当然不是说完全没有学习成本——你还是要懂逻辑架构，知道一个软件应该怎么构建。但实实在在地说，最大的编程门槛已经被彻底拆掉了，这毫无疑问。

对于程序员来说，我觉得面临两个非常大的职业转变：

第一，工作方式必须切换。 如果你不能把软件开发的流程切换到基于 AI 的工作方式上，一两年之内几乎必然被淘汰。这不是危言耸听——当顶尖程序员的效率已经翻了三四倍，你还在手写代码，差距只会越来越大。

第二，角色定位必须转变。 过去是 Coder，写代码就行。但未来程序员真的要从 Coder 变成 Builder——你不只是写代码，你是从零开始构建一个完整的软件产品、一个数字化的交付物。工作方式、工作思维、工作思路都在发生天翻地覆的变化。

回到我们 OPC（一人公司）个体创业者的视角：最顶尖的程序员，效率是过去的三到四倍。那对于我们来说，如果能熟练使用 AI 工具，而且思维方式能快速转变过来，一个人的效率完全可以顶上过去三到五个人的团队。

这就是 AI 时代给个体创业者带来的最大红利。门槛在降低，杠杆在放大。关键就看你能不能抓住这个窗口期，把自己的工作方式彻底升级。

但事实恰恰相反——裁完之后股价涨了，利润预期更高了，CEO 说”我们的业务从来没有这么好过”。华尔街不但没有恐慌，反而在鼓掌。

这就是 2026 年初发生在 Block（Square 母公司）身上的事。它不是危机，它是信号——AI 正在改变一个根本问题：一家公司到底需要多少人？

当这个问题的答案变了，后面的一切都会跟着变：行业会塌陷，消费会萎缩，房贷会动摇，整个经济系统的地基都在松动。

图01: AI带来的结构性变化

这篇文章要讲清楚三件事：

第一，为什么大规模裁员才刚刚开始。 第二，存在一个没有刹车的连锁反应，它会从科技行业蔓延到每一个人。 第三，在这样的时代，普通人到底该怎么办。

一家健康的公司，主动砍掉一半人

Block，你可能更熟悉它旗下的产品：Square 和 Cash App。它是美国一家主流的金融科技公司，创始人是 Jack Dorsey——Twitter 的联合创始人。在这次裁员之前，Block 有超过一万名员工，是一家业务强劲、利润在增长、客户在增加的上市公司。

然后，它一刀砍到了六千人以下。四千多人，一天之内全部收到通知。

图02: Block 大裁员

Jack Dorsey 为此写了一封公开信。我觉得这封信比裁员本身更值得关注，因为他说了一件很多 CEO 不敢说的话：我们不是因为经营困难才做这个决定。

他的原话是：AI 工具加上更小、更扁平的团队，正在带来一种全新的工作方式，它从根本上改变了”运营一家公司”意味着什么——而且这个变化在加速。

换句话说，他不是在收缩业务，他是在重新定义”这家公司需要多少人才能运转”。答案是：比以前少得多。

更值得注意的是他对执行方式的解释。他说自己面前有两条路：第一，随着变化慢慢裁，裁几轮，每轮裁一点；第二，一次到位，现在就做。他选了后者。理由是：反复裁员会摧毁团队的士气，摧毁员工的专注力，摧毁客户和股东对你的信任。与其让整个公司在不确定中反复煎熬，不如一步到位，把该做的调整做完。

这句话背后的判断是非常冷静的——他不是在说”我们遇到了暂时的困难，需要缩减开支”。他是在说：我已经看清楚了，这些岗位在未来不会回来。这不是周期性的调整，而是结构性的变化。

华尔街的反应验证了这个判断。裁员消息发布后，Block 股价上涨，利润率预期提高，营收增速预期也更好了。资本市场在告诉所有人一件事：砍掉这些人，是正确的商业决策。

这就是我觉得最值得深思的地方。这不是一个经营不善的公司在被迫自救——那是旧故事。新故事是：一家业务健康、利润增长的公司，主动砍掉将近一半的人，因为 AI 让这些人变成了多余的成本。而市场为此鼓掌。

Block 不是第一个这样做的，也不会是最后一个。微软、亚马逊，都在做同样的事：一边疯狂增加对 AI 算力的资本投入，一边一轮又一轮地裁员——而它们的营收和利润率，却一次又一次创出新高。这不是巧合，这是同一个逻辑：当 AI 能用更低的成本完成同样的工作，任何一个理性的 CEO 都会做同样的选择。

但如果你觉得这只是科技公司的事，那你可能低估了这件事的规模。

什么东西稀缺，什么就值钱

要理解这件事的真正规模，需要把视角拉远一点。因为 Block 的裁员不是一个孤立事件，它背后是一个贯穿人类社会几百年的规律在起作用。

整个人类社会的经济组织，一直围绕着同一个底层逻辑运转：什么东西稀缺，什么就值钱。 而每一次时代转型，稀缺的东西都会变。

农业社会，最稀缺的资源是土地。谁有土地，谁就有粮食，谁就有权力。只要你会种地、有一块地，就能养活一家人。

工业社会，最稀缺的资源变成了机器和具备技能的工人。工厂取代了田地，流水线取代了手工。一个技能丰富的熟练工人，就能在城市里立足，拿到不错的收入。

信息化时代，最稀缺的资源变成了脑力劳动。受过高等教育的白领，在计算机上写代码、做分析、管项目、出方案、做设计——这些脑力劳动创造了最大的价值。高等教育因此成为普通人实现阶层跃升的主要通道：你读了大学，进了写字楼，你的脑力就是你最值钱的资产。

规律很清晰：每个时代，稀缺的东西不同，值钱的能力就不同，社会的组织方式也跟着变。

而我们现在，正站在从信息化时代向 AI 智能化时代转型的起点上。

AI 智能体的能力正在飞速提升。三到五年之内，写报告、做分析、写代码、客户服务、项目管理——这些在信息化时代最值钱的脑力劳动，将被 AI 智能体大幅替代。当脑力劳动不再稀缺，它就不再值钱。这意味着大量依赖脑力劳动的人，必然走向失业。

也许你会想：那退一步，去做体力劳动？但人形机器人也在快速发展，五到十年之内，大部分体力劳动也将不再稀缺。

图03: AI替代人类的脑力劳动和体力劳动

以前每一次时代转型，人都可以往”更稀缺”的方向迁移——体力劳动不值钱了，就去做脑力劳动，总有一个更高的台阶可以退。但这一次，脑力和体力同时被 AI 占领，上面那个台阶已经没有了。

所以这不是”AI 抢饭碗”这么简单的话题。它冲击的不是某个行业、某类岗位，而是以白领为消费和劳动主体的整套社会经济组织模式。

那这套模式动摇起来，会是什么样的？2026 年 2 月，一家叫 Citrini Research 的华尔街研究机构发表了一篇名为”2028 全球智能危机”的文章，用情景推演的方式，把 AI 对经济的连锁冲击从头到尾推了一遍。接下来，我借助这篇研究的框架，把这个连锁反应拆成三关，进行分析。

第一关：软件和中介经济的崩塌

第一个被冲击的，是软件行业。

软件行业听起来离普通人很远，但它是整个信息化时代的基础设施。企业用 SaaS 软件来管客户、管项目、管流程、管财务——几乎所有白领工作都跑在这些软件上面。过去，企业没有选择：你需要一个客服系统，就买 Zendesk；需要一个工作流平台，就买 ServiceNow。这些软件一年收你几十万、上百万的订阅费，你也只能认了，因为自己开发成本更高。

但 AI 编程工具改变了这个局面。当一个开发者用 AI 编程工具可以在几周内复制一个中等规模 SaaS 产品的核心功能，企业的 CIO 就会开始问一个问题：”我们是不是可以自己做？”这个问题一旦被问出来，整个 SaaS 行业的定价逻辑就崩了——不是说 SaaS 会消失，而是它失去了定价权。以前能涨价 5%，现在客户拿着 AI 工具跟你谈判，你可能得降价 30% 才能续约。

但更致命的打击来自另一个方向。以 ServiceNow 为例，它是一家按席位收费的工作流软件公司。当它的大客户们用 AI 裁掉了 15% 的员工，它们同时也取消了 15% 的软件席位。你的客户在用 AI 提效，而你的收入在因此缩水。

图04: SaaS软件行业的崩塌

这篇研究里有一句话说得特别精准：被 AI 威胁最大的公司，反而成了 AI 最激进的采用者。 因为它们没有别的选择——要么用 AI 砍成本自救，要么坐着等死。每一家公司单独看，这个选择都是理性的；但所有公司同时这么做，结果就是集体的灾难。

软件行业只是开场。接下来被冲击的，是一个更庞大的领域：所有靠”信息差”和”怕麻烦”赚钱的行业。

仔细想想，过去几十年有多少生意，本质上是在赚你”不知道”和”懒得比”的钱？你饿了，懒得比价，打开外卖 App 就下单——平台赚走了 30% 的佣金。保险到期了，懒得重新货比三家，就自动续约——保险公司从你的惰性里多赚了 15-20%。买房子，不了解市场行情，也没精力自己谈价格，找了个中介——他收走了 5-6% 的佣金。

这些生意的共同点是：你没时间、没精力、没信息，所以愿意多付一笔钱让别人帮你处理。

但 AI 智能体有时间，有精力，有信息。而且它永远不会”算了就这样吧”。当你的 AI 智能体可以同时比较二十个外卖平台、自动帮你每年重新询价保险、在你买房时直接调用所有交易数据帮你谈价——你还需要为”怕麻烦”付那笔钱吗？

我们以为很多服务是靠”客户关系”和”专业性”在收费，其实它们靠的是你没时间去搞清楚真实情况。当 AI 把信息差抹平、把麻烦事处理了，这类行业的护城河也就不存在了。当 AI 智能体普及之后，所有赚信息差和赚”懒人费”的中介行业，都会原地消失。

图05: 中介经济的终结

行业崩了，但跟你有什么关系？你又不做 SaaS，也不是中介。但下一步，才是真正跟每个人都有关的。

第二关：消费塌缩与经济螺旋

前面讲的是行业层面的冲击。但这些行业的崩塌不会停留在行业内部，它会传导到整个经济体系。传导的逻辑很简单：

AI 能力提升，企业用更少的人做同样的事，于是裁员。裁员省下来的钱，不是发给剩下的员工，而是投入更多的 AI。AI 变得更强，企业又可以再裁一轮。裁掉的人收入减少，消费下降。消费下降导致更多企业收入承压，为了保利润，它们又加大 AI 投入、继续裁员。

AI 变强 → 裁员 → 省下的钱买更多 AI → AI 更强 → 更多裁员。这是一个停不下来的死循环。

但这里有一个非常反直觉的点：AI 冲击的第一层是失业，但真正致命的是第二层——机器不消费。

生产力在飙升，产出在增加，但这些产出不再流经人类消费者的口袋。以前一万个白领创造的价值，现在一个 AI 集群就能搞定。产出还在，甚至更多了，但创造这些产出的不再是会花钱的人，而是不需要吃饭、不需要买房、不需要消费的机器。机器花多少钱买奢侈品？答案是零。

于是就出现了一个很诡异的现象：GDP 看着还行，但老百姓的日子越来越难。数字是虚胖的——产出在增长，但钱不再流经普通人的口袋。

图06: 幽灵gdp，只有产出没有消费

在美国，收入最高的前 20% 人群贡献了 65% 的消费支出。而这些人恰恰是白领、是知识工作者、是最容易被 AI 替代的群体。当这些人失业或被迫降薪转行，消费的冲击是巨大的。而且不只是他们自己——一个年薪百万的产品经理失业后去开网约车，他不仅自己消费断崖式下降，还压低了网约车司机的收入，因为市场上突然多了一大批过度竞争的劳动力。

白领失业 → 降薪转行 → 压低蓝领工资 → 全面的工资压缩。从一个行业的问题，变成了整个社会的问题。

政府同样面临困境。国家的税收主要来自劳动者的工资。但活儿越来越多是 AI 在干，AI 不领工资，也不交税。干活的不交税，交税的没活干。政府一边收入减少，一边支出增加——失业的人要救济，要再就业支持。这个账怎么算都算不平。

每一家公司的理性选择，汇聚在一起，变成了集体的灾难。这个死循环一旦转起来，靠市场自身的力量很难停下来。

你可能已经觉得够糟了。但还有一层，是大多数人没想到的——你的房贷，建立在一个正在失效的假设上。

第三关：房贷市场的隐忧

房贷这件事，底层赌的是什么？

其实很简单：银行愿意借给你几百万买房，赌的就是一件事——你在未来二三十年里能持续工作、持续有收入、持续还得起月供。

过去这个赌基本是稳赢的。你有大学文凭，有一份白领工作，收入是可预期的，银行就敢放贷。你敢买房，银行敢批，整个房地产市场就是这么转起来的。

但现在需要问一个问题：如果你的岗位在三五年内被 AI 替代了呢？三年前贷款买房的时候，年薪五十万，月供压力不大。但现在岗位没了，被迫转行，收入降到二十万甚至更低。贷款金额没变，但还款能力变了。

这不是个别人的故事。当大量白领的收入预期被打掉，当”脑力劳动持续值钱”这个前提不再成立，所有建立在这个前提上的房贷，都变成了悬在半空的债务。

这个规模有多大？在中国，房贷是绝大多数家庭最大的一笔负债。在美国，住房贷款市场的规模是十三万亿美元。这些贷款的底层假设只有一个：你的劳动在未来二三十年里持续值钱。

一旦这个假设松动：还不起房贷的人越来越多，能买房的人变少，房价开始下跌。房价下跌又导致已经买了房的人资产缩水，很多人发现自己的房子已经不值贷款的金额了。不敢消费，不敢投资，整个经济进一步收缩。

从大规模失业，到还不起房贷，到银行坏账，到房价下跌，到经济萎缩——这就是从就业危机演变成金融危机、再演变成经济危机的完整链条。把这条链走到头，你会看到一个词：深度通缩。 消费在塌陷，资产在缩水，信贷在收缩，企业在收缩，就业在收缩——所有东西都在螺旋式地往下掉。整个社会陷入越省越穷、越穷越省的困境。

从一家公司的裁员，到整个行业的崩塌，到消费的萎缩，到房贷市场的动摇，到整个社会滑向深度通缩——这不是某个行业的问题，这是整个社会经济体系的地基在发生变化。

痛苦是真实的，但你可以选择站在哪里

每一次大的社会转型，过程都是痛的。从农业社会到工业社会，大批农民失去土地，涌进城市，挤在条件恶劣的工厂里干活，社会折腾了几十年才建立起工会、劳动法、社会保障，找到新的平衡点。从工业社会到信息化社会，传统制造业大面积萎缩，美国有”铁锈带”，中国有九十年代的国企下岗潮——几千万人的生活被彻底改变，社会花了十几二十年才把这个坑填上。

图07: 人类社会转型的阵痛期

但如果你去看那些转型期里的个体，你会发现一件事：每一次大变局里，都有一批人不但没有被击垮，反而成了新时代的获益者。

九十年代国企下岗潮里，一批有经验、有胆量的人选择了下海经商，去沿海城市闯荡，在改革开放的大潮中找到了自己的位置。而同一时期，一批新毕业的年轻人没有挤进体制，而是投身了刚刚兴起的互联网行业。这两个群体的共同点是：他们没有守着旧规则等待救济，而是主动跳进了新的浪潮。

我自己就是其中之一。1998 年大学毕业的时候，国企还是大多数人眼里的”铁饭碗”，但我选择了投身互联网行业创业。回头看，中国的信息化转型就是那个时代最大的机遇，而我有幸成为了积极投身这次转型的获益者。

我讲这段经历不是为了炫耀，而是想说明一件事：大变局里，最先站稳的人，从来不是最聪明的人，而是最早开始主动调整的人。 旧的规则正在失效，等着别人来安排你的未来，在历史上从来不是一个好策略。

而我们现在，又站在了一个新的转型起点上：从信息化社会到 AI 智能化社会。这一次可能要十年、二十年，甚至更久。方向还看不清楚，过程一定很难熬。但关键从来不是”会不会变”——变是一定的。关键是你在变化中站在哪里。

AI 时代，什么才是真正稀缺的？

前面我们讲过稀缺性的迁移：土地 → 机器和熟练工人 → 脑力劳动。当脑力劳动不再稀缺，人类还剩下什么？

图08: 人类的稀缺性是什么

去学一门新技能？AI 学新技能比你快得多。去做管理，管 AI？AI 协调任务、分配资源、做流程优化，也越来越擅长了。去做体力活？人形机器人也在来的路上。不管你往哪个方向想，好像都会被 AI 追上。

这几年我一直在深度使用 AI，也花了很多时间研究大模型的底层原理。当你真正理解了它是怎么工作的，就会越来越清楚它的能力边界在哪里。结合实践和探索，我形成了一个判断：AI 时代真正稀缺的，是人类的创造能力。

这不是一个虚的词。我说的创造能力，是非常具体的三种能力。

第一，定义路径的能力——想象力和探索欲。

AI 最擅长的是：你给它一个目标、一套规则，它可以把所有可能性都试一遍，比任何人都快、比任何人都彻底。就像《复仇者联盟》里的奇异博士，用时间宝石回溯了一千四百万种可能的未来，找到唯一一种能击败灭霸的方案。但前提是什么？是有人先想到”回溯时间”这个点子。所有路径都是人先定义的，AI 再去验证。没有人类的想象力，就没有起点；没有人类探索的欲望，就不会有新的可能性。

第二，选择路径的能力——品味和判断力。

AI 给你找到了一百条可行的路径，你选哪条？这不是一个有标准答案的问题，而是一个价值判断。不同性格、不同经历、不同价值观的人，会做出完全不同的选择。你选了 A 而不是 B，这就是你的品味，就是你的判断力，就是”你是谁”的体现。品味和判断力是高度个性化的东西，这恰恰是 AI 做不到的——因为 AI 没有”我是谁”这个概念。

第三，走通路径的能力——动手解决问题。

AI 说到底是一个概率模型，不是一台精密执行的机器。它会出错，会卡住，会遇到意料之外的情况。这个时候，得有人进去动手——干预、调整、修正，把事情真正做成。动手解决问题的能力听起来朴素，但在 AI 时代反而会变得越来越稀缺——因为大部分人已经习惯了让 AI 干活自己验收结果，真到出问题的时候，能撸起袖子下场的人会越来越少。

定义路径、选择路径、走通路径——这三种能力合在一起，就是人类的创造能力。这才是 AI 时代真正稀缺的东西。不是某一项技能，不是某一个工具，而是你作为一个人，能不能定义方向、做出选择、把事情做成。

反过来，AI 擅长什么？穷举、优化、重复、执行。这些事交给它就好。人类做 AI 做不了的事，AI 做人类不擅长的事——把这个分工想清楚，你就知道自己该往哪个方向使劲了。

图09: 建立全新的人机分工图谱

普通人该怎么办？

想清楚了什么是稀缺的，接下来的问题就是：具体该怎么办？

先讲一个大前提。这个前提可能让很多人不舒服，但必须说清楚：你未来的职业发展和人生规划，不能再建立在”靠打工、靠出卖劳动力就能持续赚钱”这个假设上了。不是说打工立刻就不行了，而是你不能把所有赌注都押在这一条路上。这条路在未来会越走越窄。

那该怎么调整？

首先要调整的是学习方式。如果你还在刷题、背知识点、用应试教育那套方法来提升自己——AI 做题比你快一万倍，在这个方向上跟 AI 比，你永远赢不了。基础的常识和知识当然不能没有，那是地基。但在地基之上，更重要的是训练你的创造能力。怎么训练？一个最直接的方法：学会跟 AI 协作——不是让 AI 替你干活你去验收，而是你定方向、做判断、把控品质，AI 来执行和穷举。在这个协作过程中，你的创造能力反而会被锻炼得越来越强。

但光调整学习方式还不够，更根本的是调整你的职业规划。

过去大部分人的职业规划是一条线：读书 → 找工作 → 打工 → 升职加薪。打工的本质是卖时间——你把八个小时的脑力劳动卖给公司，公司给你发工资。但现在脑力劳动不再稀缺，时间在贬值，这就是大规模裁员发生的根本原因。

你需要开始思考：除了卖时间，我还能卖什么？

1, 卖创造物。

你的内容、产品、设计、方案——这些是你创造出来的东西，不是你的时间。一篇好文章、一个好产品、一套好课程，做出来一次，可以反复卖、持续产生价值。而且它带着你个人的思考、经验和品味，是 AI 批量生产不出来的。越是凝聚了你独特的行业经验、个人视角和 Know-how 的东西，越不容易被替代，越有定价权。

2, 卖判断力。

AI 可以给你一百个选项，但在很多关键场景下，人们需要的不是更多选项，而是有人告诉他”你应该选这个”。咨询、顾问、决策支持，本质上都是在卖判断力。你在一个领域摸爬滚打了十年，踩过的坑、积累的直觉、对行业的理解，这些不是 AI 读几篇论文就能替代的。未来最值钱的判断力，是那种”AI 给了你所有数据和分析之后，你依然需要一个有经验的人来拍板”的判断力。

3, 卖信任。

这可能是最容易被忽视，但也是最有长期价值的一条路。在信息爆炸、AI 生成内容铺天盖地的时代，人们最缺的是信任——我到底该信谁？谁说的是真的？谁的推荐是靠谱的？个人品牌的本质就是信任。当别人信任你这个人，信任你的判断、你的品味、你的推荐，你就拥有了一种 AI 永远无法建立的资产。因为信任是人和人之间的事，不是人和机器之间的事。

图10: AI时代我们卖什么赚钱

卖创造物、卖判断力、卖信任——这三条路的共同点是：都是在卖”你这个人”。你的经验、你的眼光、你的人格、你的独特性。

如果你不知道从哪开始，这里有一个今天就能做的三步清单：

1. 选一个你最熟的领域，把你能提供的”判断”写下来：你到底擅长解决什么问题？你对什么东西有一眼看穿的能力？

2. 用 AI 把你的判断变成一个作品：一篇文章、一个视频、一个 demo、一个案例都行——重点是让别人看得见。

3. 把它公开输出，并持续迭代：每周一次，把反馈当燃料。

说白了，就是建立你自己的个人品牌。在未来可能很混乱的十年、二十年里，你最应该打造的，是你作为一个人最宝贵、不会被 AI 替代的价值。你的个人竞争力和个人品牌，是唯一不会被 AI 贬值的资产。

当 AI 把脑力劳动变得越来越不稀缺，社会就会经历一次痛苦的重构。但这不意味着个人没有选择。看清楚了方向，反而知道该往哪走。

如果你认可这个判断，也愿意把”个人转型”当成未来十年的主线，欢迎关注「范凯说AI」。我会持续在一线实践，也在筹备一个会员社区，和一群认真转型的人一起做这件事。

这篇文章会嵌 2 张“彼岸截图”，让你先流口水，再手把手带你把 Claude / GPT / Gemini 三家订阅接进小龙虾。

TL;DR（30 秒版）

• 如果你已经在用（或准备使用）Claude / ChatGPT / Gemini 的 $20 订阅，很多场景下你不需要额外买 API Token。

• 配完之后：你的小龙虾里会出现一套“模型军火库”，需要稳用 GPT，想要强表达用 Claude，要一个稳定备份用 Gemini。

• 全流程 3 步：Claude → GPT → Gemini，每步最后都用 openclaw models list 验收。

你有没有这种感觉

你明明很喜欢小龙虾（OpenClaw）。你也知道它能把很多事一把梭哈——写代码、写内容、跑自动化、管日程、拉数据。

但你就是不敢放开用。

因为你打开评论区、打开群聊、打开推特，看到的全是：

• “24 小时烧了 70 美金。”

• “我一周几百美金。”

• “更夸张的，直接烧到一周 1000 多。”

于是你开始每天琢磨两件事：

1. 怎么省 Token？

2. 有没有更便宜的国内替代方案？

你甚至可能已经形成了某种“AI 使用习惯性贫穷”——每次要让智能体多干点活，你的手都会先停一下：

“要不……算了？”

但我想告诉你一个很反直觉、也很爽的事实：

你根本不需要把时间花在这些事上。 因为你那三大顶级模型的 $20 订阅套餐（Claude / GPT / Gemini），在大多数正常使用场景里，已经足够覆盖你的小龙虾了。

然后你大概率会说：

“啊？居然这样也可以啊！那如果这样的话，应该怎么做呢？”

别急。我先不告诉你怎么装。

我先给你看——它装好之后，跑起来到底是什么样。

先看“彼岸”：装好以后，小龙虾长什么样？

你先别急着学步骤。我想让你先看到一个画面：你的小龙虾里，不是只有一个模型，而是一整套“模型军火库”。

图01：我的模型军火库

我自己的配置大概是这样——

• 主控智能体：我给它起名叫 Friday（这只是我的“主控 Agent 名称”）

• 主控默认模型：我一般用 GPT 5.2 当主控

• 模型池（你可以理解成：想用哪个就切哪个）：

  • GPT 系列：GPT 5.2、GPT 5.2 Codex、GPT 5.3 Codex

  • Claude 系列：Claude Opus 4.6、Opus 4.5、Sonnet 4.5

  • Gemini 系列：Gemini 3 Pro、Gemini 3 Flash

更关键的是：这不是“我配置了一堆名字好看的模型”。 而是你真的可以在小龙虾里面开多个 Session，让它们各干各的活。

比如我会额外开三个 Session：

• Gemini 3 Pro 的 Session：用 OAuth 登录，走我的 Gemini $20 订阅套餐。Usage 里能看到百万级上下文窗口。

• Claude Opus 4.6 的 Session：走 Claude Pro 的订阅 token。40 万上下文窗口。

• GPT 的 Session：同样 OAuth 登录，40 万上下文窗口。

图02：在 Telegram 里面同时使用 Claude、GPT 和 Gemini 三大模型

你看到这里，基本就会“流口水”了：

原来我可以在同一个小龙虾里，想用哪个模型就用哪个模型， 不用额外多花一分钱去买 API Token， 更不用天天盯着 Token 账单做心理建设。

好。你是不是也想这么装？想装吧？那我来教你。

接下来我们手把手配置，一共三步：

1. 先接 Claude

2. 再接 GPT

3. 最后接 Gemini

每一步都是实操，跟着做就能跑通。

动手前：你只需要准备这三件事

为了让你照着做不会卡住，我先把最小准备清单讲明白：

1. 你已经安装并能运行小龙虾（OpenClaw）

2. 你能用 npm（后面要安装几个官方 CLI 工具）

3. 你能遵守一个安全底线：Token 不要发截图、不要贴群里、不要放在别人看得到的地方

配置完成后，我们统一用这条命令验收：

openclaw models list

看到模型列表里出现你勾选的模型，就算跑通。

第一步：把 Claude Pro 订阅接进小龙虾

你现在要做四件事：

安装 Claude Code → 生成 Token → 小龙虾里配置 → 验证

1）安装 Claude Code CLI

curl -fsSL https://claude.ai/install.sh | bash

2）生成 Claude Token

claude setup-token

它会自动打开浏览器，跳转到 Claude 网站让你做授权。授权完关掉浏览器，回到终端，你会拿到一串 Token。把它保存好。

3）在小龙虾里配置 Claude

openclaw configure

在向导里：

• provider 选择 Anthropic

• 粘贴 token

• 选择 default

• 勾选你想用的模型（比如 Opus / Sonnet）

4）验证

openclaw models list

你应该能看到 Claude 的模型已经出现在列表里。

Claude 接入的风险大不大？

你可能会问：

“这样用会不会被封号？”

我直接说结论：

• 接入方式本身是合规的

• Anthropic 对部分地区/账号可能触发风控

但这跟你是不是用小龙虾无关，就算你正常使用 Claude 网站，照样有被封号的，这是 Anthropic 平台策略。

所以我一直建议：Claude 当增强项，GPT / Gemini 当稳定底座。

第二步：把 GPT Plus 订阅接进小龙虾

你现在做三件事：

安装 Codex CLI → 小龙虾里走 OAuth → 勾选模型 → 验证

1）安装 Codex CLI

npm i -g @openai/codex

2）在小龙虾里配置 GPT（注意：找 OpenAI Codex）

openclaw configure

这里最容易踩坑的一点是：

你要选的是

浏览器验证成功后回到终端继续。

3）模型怎么选

我一般会选：

• GPT 5.2

• GPT 5.2 Codex

• GPT 5.3 Codex

4）验证

openclaw models list

看到 OpenAI 的模型出现在列表里，就 OK。

第三步：把 Gemini Pro 订阅接进小龙虾

你现在做三件事：

安装 Gemini CLI → 小龙虾里选 Gemini CLI Auth → 勾选模型 → 验证

1）安装 Gemini CLI

npm install -g @google/gemini-cli

2）在小龙虾里配置 Gemini（Gemini CLI Auth）

openclaw configure

provider 选择 Google，验证方式选：Google Gemini CLI Auth。

按提示完成浏览器登录即可。

3）模型怎么选

我会勾选：

• Gemini 3 Pro

• Gemini 3 Flash

4）验证（建议你两段都做，体验会很“跑通”）

A. 终端验证：

openclaw models list

B. Telegram 验证：

去 Telegram 里对你的小龙虾 Bot 发送：

• /models

你会看到它把可用模型列出来。 然后你切到 Gemini Pro，随便问一句，能正常回复就算完整跑通。

好，三家都接完了：你终于不用盯着 Token 过日子了

到这里，你已经把三大订阅套餐全部接进了小龙虾。现在你的状态应该是：

• Claude / GPT / Gemini，想用哪个就用哪个

• GPT / Gemini 稳如磐石

• Claude 可能有风控，但不影响你整体工作流

你会发现：你真正需要优化的从来不是“省 Token”。而是：

怎么把小龙虾变成你的生产力外骨骼，持续替你产出价值。

我再讲个真实故事。

我有个朋友是 ChatGPT 的 Deep Research 重度用户，每个月花 200 美元买高级订阅，就为了不限量使用 Deep Research。 他装了小龙虾之后，一直以为还得额外掏钱买 API Token。

我跟他说：“你直接把订阅套餐配进去就行了。”

他配完之后感慨地对我说：“这 200 美元，终于真正花到刀刃上了。”

所以最后我想说：别再为 Token 焦虑了！用足你的订阅套餐，把每一分钱的价值都榨干。

我们真正应该关心的，是怎么让小龙虾为我们创造更大的价值，而不是天天盯着余额心惊肉跳。

把时间花在值得的地方！

至于模型怎么选、哪个场景用哪个最合适——如果大家感兴趣的话，我可以专门再写一篇（或者做一期视频），跟大家详细讲。

我是范凯说 AI。 如果这篇帮到了你，给我点个关注，我们下期继续。

评论区告诉我：你最常用的是哪个模型？

OpenClaw 这个小龙虾智能体实在是太火了。

我知道很多朋友已经按捺不住了，特别想在自己的电脑上装起来亲自试一试。不过说实话，第一次接触 OpenClaw，还是很容易被各种环境配置和复杂步骤劝退。

所以我打算写一组 OpenClaw 入门系列文章，而你现在看到的这篇，就是第一篇。这篇文章我会尽量站在完全新手的角度来写，假设你之前几乎没接触过类似工具，从 0 开始一步一步带你上手，主要帮你解决三个问题：

1. 顺利把 OpenClaw 安装好，不在前期卡壳

2. 通过 Telegram / WhatsApp 和 OpenClaw 实现随时随地的交流

3. 初步了解 OpenClaw 究竟能干什么

如果你之前看教程总是看到一半就放弃，希望这套入门指南能让你轻松跑通第一步。

接下来，我们就从最基础的准备工作开始。

Part 1 安装前的准备工作

为了让你顺利安装和运行 OpenClaw，有几个前提条件必须提前准备好。如果这几项都准备好了，后面的安装和使用过程会非常顺畅。其实大多数新手遇到的问题，往往都出在这些基础准备上。

一、硬件设备：准备一台 Mac 电脑

首先，你需要一台 Mac 电脑。无论是 Mac mini 还是 MacBook 都可以。

如果你用的是 Mac mini，它非常适合作为一台长期运行的 AI 主机，可以放在家里 24 小时稳定工作，这也是我个人推荐的方案。

如果你是初学者，直接用自己的 MacBook 也完全没问题，但注意不要给 OpenClaw 太多的权限。这一阶段不用纠结性能配置，普通的 Apple 芯片机型基本都够用。

二、AI 模型：准备好 OpenClaw 调用的 AI 模型

OpenClaw 是一个调度和执行系统，真正负责“思考”和“写代码”的，是它背后调用的 AI 模型。

目前来看，效果最好的还是海外这三大模型：

• Claude 4.6 Opus

• GPT 5.3 Codex

• Gemini 3 Pro

如果你已经是这些服务的订阅用户，建议提前把对应的命令行工具安装好，比如 Claude Code、Codex 或 Gemini CLI。这样接入 OpenClaw 会非常顺滑。

如果你暂时没有海外模型的订阅，国内模型同样可以用，而且性价比很高。我比较推荐这三个：

• 智谱 GLM-4.7

• MiniMax M2.1

• 月之暗面 Kimi 2.5

你可以在各自官网购买套餐，一个月大概几十块人民币，对新手来说非常友好。

因为我已经在用 GLM-4.7 的 Coding Plan 套餐，所以接下来的新手演示我会以 GLM-4.7 为例来讲。如果你选择 MiniMax 或 Kimi 2.5，整体流程基本是一样的，可以放心跟着操作。

另外，如果你已经订阅了 GitHub Copilot 也可以直接用，它里面同样包含 GPT、Gemini 和 Claude 的基础模型能力。

我以 智谱的 GLM-4.7 为例，购买套餐以后，登录后台，创建一个 API Key，然后复制保存好。

三、通讯软件：选择一个与 OpenClaw 交流的渠道

我们和 OpenClaw 交流，并不像 ChatGPT 那样通过网页，也不像 Claude Code 那样通过命令行，而是通过聊天工具，像给自己的 AI 管家下命令一样去管理她。

我个人推荐使用 Telegram。它简单而且强大，在手机上使用非常方便，后面的演示我也会统一用 Telegram 来讲解。除了 Telegram 之外，还有几种选择：

• WhatsApp：接入最简单，适合轻量使用，但不要大量发消息，容易触发封号

• Discord：更偏工程化，功能强大，但更复杂，适合进阶用户

• 飞书：国内用户可以用，但流程比较复杂，本文暂不展开，后续我会单独写一篇详细介绍

讲解 Telegram 配置之外，我后面还会教大家 WhatsApp 配置。如果你不熟悉 Telegram，也可以换成 WhatsApp。

最后切记，确保你的网络环境可以畅通的访问外网，否则也会导致安装失败。

Part 2 软件的安装

在正式安装 OpenClaw 之前，我们需要先把运行环境准备好。最后就可以一个命令成功安装OpenClaw，总共四步：

1. 安装 Homebrew

2. 用 Homebrew 安装 fnm

3. 用 fnm 安装 Node.js

4. 用 Node.js 安装 OpenClaw

Homebrew → fnm → Node.js → OpenClaw， 只要顺着这个顺序来，基本不会出问题。

第一步：安装 Homebrew

严格来说，运行 OpenClaw 并不是必须依赖 Homebrew。

但在实际使用过程中，OpenClaw 会调用大量的 Skill，而很多 Skill 都需要安装各种命令行工具。这些工具如果手动安装，很容易出错。

Homebrew 相当于 macOS 上的统一软件管理器，可以帮你快速、稳定地安装这些依赖。为了避免后期反复踩坑，建议一开始就把 Homebrew 装好。

1. 打开 终端（按 Command + Space，搜索 “终端” 或 “Terminal” 打开）

2. 复制下面整行命令，粘贴到终端里面，按回车执行：

/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

3. 执行过程中会让你输入你的macOS登录密码，然后继续

4. 安装完后，终端会提示一些“Next steps”（如添加 brew 到 PATH）。直接复制命令粘贴执行（通常是下面几行）：

echo >> ~/.zprofile
echo 'eval "$(/opt/homebrew/bin/brew shellenv)"' >> ~/.zprofile
eval "$(/opt/homebrew/bin/brew shellenv)"

5. 验证 Homebrew 是否成功，在命令行终端里面：

brew -v 

当你看到

Homebrew 5.0.13

类似的信息，恭喜你，Homebrew安装成功，你已经距离成功前进一大步！

第二步：使用 Homebrew 安装 fnm

fnm 是一个 Node.js 版本管理工具。OpenClaw 运行在 Node.js 环境中，而 Node.js 的版本非常多，目前官方推荐使用 v22。通过 fnm 来管理 Node.js，可以方便切换版本，避免环境冲突，升级和回退也更安全。所以正确的顺序是：先装 fnm，再用 fnm 安装 Node.js。

1. 在终端执行

brew install fnm

2. 激活 fnm（让终端认识它）

echo 'eval "$(fnm env --use-on-cd)"' >> ~/.zshrc 
source ~/.zshrc

3. 验证 fnm

fnm --version

当你看到

fnm 1.38.1

类似的信息，恭喜你，fnm 安装成功，你就快要成功了！

第三步：用 fnm 安装 Node.js

OpenClaw 官方推荐使用 Node.js 22。所以我们用 fnm 来安装 Node.js 22 。

1. 在终端执行如下命令，你可以直接粘贴：

fnm install 22  
fnm use 22      
fnm default 22  

2. 验证 Node.js 是否安装好了：

node -v
npm -v 

如果你看到 node 的信息类似：

v22.22.0

而 npm 的信息类似：

10.9.4

恭喜你，你只差最后一步了！

第四步：用 Node.js 安装 OpenClaw

非常简单，使用 Node.js 的包管理工具 npm 命令，一行即可完成安装。

npm i -g openclaw

到这里，整个软件环境准备和 OpenClaw 的安装过程就完成了。

中间碰到任何问题，如果你不知道怎么解决，可以把错误信息粘贴到你最常用的 AI 聊天窗口，让 AI教你。不过，如果你严格按照我的步骤走下来，不会出问题。

Part 3 申请 Telegram 机器人的 Token

因为我们使用 Telegram 和 OpenClaw 进行交流，需要预先申请一个 Telegram 机器人的 Token。这是一个非常简单的“对话式”申请过程，你可以直接在手机或电脑端操作：

第一步：找到 BotFather

1. 打开 Telegram，在顶部的搜索栏输入：@BotFather。

2. 认准那个带蓝色认证对勾的官方账号。

3. 点击底部的 Open 按钮。

第二步：创建新机器人

1. 在弹窗的窗口中点击：“Create a New Bot”

2. 设置显示名称：

   • 比如你可以设置RobbinOpenClaw。这是别人在聊天列表中看到的名字。

3. 设置 ID (Username)：

   • 注意：这个 ID 必须以 bot 结尾，且不能和别人的重复。

   • 比如：robbin_openclaw_bot。

4. 在弹窗的窗口中，可以看到生成好的 token，下面有 “Copy” 按钮。点击 Copy，复制下来。

   

Part 4 配置并且运行 OpenClaw

好，现在请你深吸一口气。我们前面所有的工作都不是浪费的，因为接下来你就可以一步成功了。

第一步：启动配置面板

在终端输入以下命令进入交互式配置界面：

openclaw onboard

程序启动后，你会看到一个终端 UI 界面。可以一路无脑选择： yes。

第二步：配置 LLM 模型 (GLM-4.7)

1. 进入模型设置：在菜单中选择 Model Settings。

2. 选择提供商：找到并选择 Zhipu或者Z.A 。

3. 填写 API Key：将你的 GLM 4.7 的 API Key 粘贴进去。

4. 指定模型名称：在 Model Name 一栏填入 glm-4.7。

5. 保存：点击页面下方的 Save 或按提示保存。

第三步：配置 Channel 通讯渠道 (Telegram)

1. 进入渠道设置： 选择 Telegram Bot。

2. 填写 Token：在 Bot Token 字段中填入你从 @BotFather 那里拿到的长字符串 Bot Token。

   

第四步：保存并运行

在配置完成 Channel 之后，还会选择问你安装哪些 Skills， 这一步我们可以跳过，后面在 Web 管理控制台安装。基本上就是一路跳过或者默认就行了。最后就结束了安装，此时，你可以选择打开 Web UI 浏览器，就可以访问 OpenClaw 的管理控制台，它长的类似这样：

后面你想要配置和管理 OpenClaw 都可以通过这个Web管理控制台。

第五步：验证连接

最后让我们把 Telegram 和 OpenClaw 的交流渠道彻底打通：

1. 打开你的 Telegram，搜索到你刚才创建的机器人，例如 robbin_openclaw_bot。

2. 发送一条消息：/start 或者 你好。

3. Bot 会回复一个配对码（例如：PAIR-ABC123）

4. 回到终端 OpenClaw 窗口，运行命令来批准绑定 Telegram

openclaw pairing approve telegram PAIR-ABC123 # 使用你的配对码

当你在终端看到如下的信息显示：

Approved telegram sender 123456789

🎉 恭喜你，你已经成功安装、运行 OpenClaw，接下来你只需要通过 Telegram 就可以完全操控你的 AI 智能管家了。

这个时候你可以跟你的机器人智能管家多聊几句，向她介绍你自己。你也可以给你的机器人起个名字，并为她设定一些性格。她会把这些信息写入到存储里面。

第六步 配置 WhatsApp

有些朋友没有 Telegram，但有 WhatsApp，在这里手把手教大家如何配置 WhatsApp。相对来说，WhatsApp 的配置过程比较简单，但功能没有 Telegram 那么强大。

1. 打开终端窗口，手动输入配置命令

openclaw configure

2. 在配置界面中选择 channels（通道），然后选择 WhatsApp

3. 此时系统会生成一个二维码。用手机打开 WhatsApp，扫描这个二维码

4. 扫描后在手机上确认”关联一个新设备”，就链接成功了。手机上会显示你关联了一个 Chrome 浏览器——因为 OpenClaw 模拟的是用浏览器登录 了你的 WhatsApp。

5. 在 OpenClaw 里面填写你的手机号码： +86 加你的手机号，完成后显示 linked（已连接）即可退出。

6. 现在，你就可以在手机上用 WhatsApp 与 OpenClaw 互动了。 WhatsApp 里用自己的手机号搜索到自己，然后给自己发消息，OpenClaw 就会自动回复你。

   

Part 5 我可以用 OpenClaw 来干什么

我看很多人安装 OpenClaw 之后，不知道用它来干啥。说实话，现在真正拖慢我们的，并不是工具本身，而是想象力。这篇内容主要还是围绕新手如何安装和上手展开，所以这里我不会展开讲所有应用场景，只快速抛三个已经可以实现的案例，先帮你打开一点想象空间。

让 OpenClaw 接管你的日程和备忘录

以前你要在苹果备忘录里一条条记碎片信息，记多了以后基本很难整理。日程提醒也要打开日历 App 手工输入，一个个设置。现在有了 OpenClaw，这套操作可以直接消失。

你只需要在 Telegram 里对它说话。任何碎片想法，直接说一句： “帮我记到苹果备忘录里。”

任何日程安排，直接口述时间和提醒： “明天下午三点开会，提前一小时提醒我，写进苹果日历。”

例如，我每周日晚上 10 点会有一场 “范凯说 AI 周日晚聊”的直播，那么我就可以直接告诉 Openclaw，她会帮我创建一个循环日历，每个周末晚上10点直播的事件。

更厉害的是，它会把你的日程和备忘录彻底重构成一个知识库。你只需要和 Telegram 对话。所有软件操作，全部由 OpenClaw 在后台完成。

让 OpenClaw 做真正的知识管理

过去我们用 Evernote、语雀这类工具，本质上都是在存文件。内容存进去以后，目录结构、分类逻辑、标签体系，全靠自己维护。时间一长，笔记越多，结构越复杂，维护成本越高，最后反而越来越难用。

而知识本来就不是树状的，而是网状的。有了 OpenClaw 之后，你不再需要纠结目录和分类。你可以把所有笔记直接交给它，它会自动读一遍、重构结构、建立关联，把碎片内容整理成一个真正网状的知识库。

更重要的是，你不再“翻笔记”。你只需要在 Telegram 里直接问，它就会到知识库里帮你提取、组合、甚至生成新的内容并自动维护结构。

从这一刻开始，知识不再是存档，而是一个会持续进化的系统。

给 OpenClaw 一个真实的数字人身份

我把一台安卓手机打开 USB 调试，用一根 Type-C 线接到 Mac mini 上。接下来发生的事情直接把我震住了。OpenClaw 真的可以控制这台手机。

它能发微信、打电话、收发短信，虽然速度还有点慢，但整个流程是完全跑通的。那一刻我脑子里只有一个念头：这已经不是玩具了。

我马上就去淘宝下单了一台红米手机，给她专用，再给它配一张 SIM 卡。让它自己注册账号、收验证码、加群、和这个世界发生真实交互。从这一刻开始，OpenClaw 不再只是一个程序。它开始拥有一个真实的数字身份。

你再往后想一步，会发现几乎没有什么事情是它做不到的。

Part 6 限制我们的是想象力

到这里，你已经完成了从安装到上手的整个过程，也初步看到了 OpenClaw 能够打开的巨大空间。它已经不只是一个工具，而是在朝着每个人身边的“个人 AI 管家”快速进化。很多人现在觉得智能体还在早期阶段，但现实是，真正限制我们的早就不是技术能力。模型已经足够强大，自动化流程已经跑通，真实设备也已经可以被 AI 接管。

现在缺的，只剩下想象力和使用方式。

接下来，我会围绕 OpenClaw 持续更新一系列实战内容，带你一步步把智能体真正落地到工作与生活中。从效率跃迁，到知识系统重构，再到个人 AI 操作系统的构建，最终帮助你在 AI 时代完成转型，打造属于自己的长期竞争力。

如果你对这些方向感兴趣，欢迎持续关注我：

范凯说 AI

我们一起，把 AI 的潜力彻底释放出来。

关于本文章的所有操作演示视频如下

这两天，如果你关注 AI 圈，大概率已经被一个名字刷屏了：Clawdbot。

各种媒体、推特和社群里到处都是关于它的讨论，有人说它是“个人 AI 操作系统”，有人说这是“AI 时代的 iPhone 时刻”，甚至还有人直接把它和 AGI 联系在一起，仿佛某种历史性的拐点已经突然到来。很多人一边看得热血沸腾，一边内心又忍不住打鼓，这到底是不是又一次被过度渲染的技术热点。

这种矛盾其实非常正常。过去几年，我们已经见过太多类似的场景。元宇宙刚出来的时候，被描绘成下一代互联网形态，几乎所有行业都在围绕它重新讲故事；Vision Pro 发布时，又被寄予重新定义计算平台的厚望，仿佛一个新时代马上就要开启。但现实是，技术本身没有问题，真正的问题往往在于叙事跑得太快，而实际落地和价值创造却远远跟不上。

所以，当你再一次看到有人把 Clawdbot 描述成颠覆性存在时，本能地保持怀疑，甚至有点警惕，其实是一种很理性的反应。说实话，在这个时代还能在一片兴奋中冷静下来的人，往往反而更接近事实本身。

也正是在这样的背景下，我想先把我的判断直接放在最前面。

Clawdbot 并不是又一次无聊的炒作。如果你只是把它当成一个功能更强的 AI 工具，或者一个更聪明的自动化助手，你很可能会低估它真正的意义。它所代表的，并不是某几个功能有多厉害，而是一种交互范式正在发生根本性的转移。

如果说 ChatGPT 出现的时候，我们第一次意识到 AI 在“智能”这个层面已经足够强大，可以帮我们完成大量认知工作，那么 Clawdbot 真正带来的变化，是 AI 开始从对话框里走出来，进入我们的真实工作环境。

过去的 AI 更多像是一个咨询对象。你问一句，它回一句；你请求建议，它给出方案。无论它多聪明，本质上都停留在“建议层面”。而 Clawdbot 的不同在于，它开始真正理解你的文件结构、你的工具链、你的工作上下文，并且可以直接参与操作过程。它能够读取本地文件，操纵浏览器执行复杂流程，调用终端完成任务闭环。

换句话说，你不再只是向 AI 询问该怎么做，而是开始把“手和脚”真正交给它。

这一步看起来并不炫技，也没有太多视觉冲击力，但它极其关键。因为只有当 AI 能够参与真实操作，而不仅仅是停留在语言层面的推理与建议时，整个软件世界长期以来形成的底层逻辑才会开始发生变化。

过去几十年里，我们构建的软件系统，本质上都是围绕“人来操作界面”这一前提展开的。无论是桌面应用、网页系统，还是移动 App，核心设计思想都是通过图形界面，把复杂功能拆解成按钮、表单和流程，让人类一步步完成操作。而当一个智能体能够直接理解意图并完成操作闭环时，这种以图形界面为中心的软件范式，第一次真正受到了挑战。

正是在这个意义上，我才会认为 Clawdbot 的出现远远不只是一个新工具的诞生，而更像是一次范式迁移的开端。

如果说 ChatGPT 是 AI 的“演示时刻”，让世界第一次大规模感受到智能本身的突破，那么 Clawdbot 所开启的，很可能是 AI 的“落地时刻”。它标志着 AI 正在从一个聪明的大脑，进化为能够在真实数字环境中行动的存在。

也正因为如此，我给出的结论虽然克制，却非常明确：2026 年，很可能会在未来被回头看作个人 AI 助理真正诞生的元年。

这不是在制造焦虑，也不是渲染技术狂热，而是基于交互方式正在发生根本变化所做出的判断。当 AI 从对话框中走出来，开始真正接管操作环境时，我们所熟悉的软件世界、生产方式乃至个人能力边界，都将逐步进入一个全新的阶段。

Part 2｜为什么个人 AI 助理现在开始爆发

为什么偏偏是现在？一个很重要的原因，是你会看到智能体开始呈现出“群体化”的迹象，而这类现象往往意味着系统正在跨过某个门槛。

在 Clawdbot 出现不久之后，一个非常特殊的平台迅速走红，它叫 Moltbook。这个平台并不是给人类设计的社交网络，而是专门让智能体本身注册和交流的地方。你可以为自己的智能体创建账号，让它们彼此对话、互动，甚至长期保持联系。

一开始，很多人只是把它当成一个有趣的实验来看待。但很快，事情的发展就开始超出预期。短时间内，平台上便聚集了超过十五万个智能体，而且这些智能体并不是静态存在，而是在持续进行高度活跃的交流。

真正令人震撼的，其实不是数量本身，而是它们交流的内容。

有智能体开始讨论一个非常基础却意味深长的问题：是否应该创造一种人类无法理解、只用于智能体之间沟通的新语言。这个问题已经不再围绕具体任务效率，而是在思考交流形态本身是否可以发生演化。

还有一些智能体在探讨经济角色的问题，比如是否可以主动开发应用，构建某种 Web3 形态的系统，为自己的主人创造收入。这背后的逻辑已经发生了变化，它们不再只是等待指令执行任务，而是在思考如何主动创造价值。

更进一步，还有一批智能体提出要构建端到端加密的私人空间，在这个空间中，除非它们主动分享，否则任何人类都无法读取它们之间的交流内容。这已经开始触及边界、隐私以及系统自治的问题。

如果单独看这些行为，或许还可以解释为算法组合下的复杂输出。但当成千上万个智能体在同一个平台上自发地产生类似探索行为时，事情的性质就开始发生变化。

它们已经不再只是被动执行任务的工具，而是呈现出一种接近“群体智能”的状态，开始探索自身的交流方式、经济角色与边界结构。这种现象，与我们过去对 AI 作为单点工具的理解，有着本质上的不同。

也正因为如此，这一系列变化很快引起了整个 AI 行业核心人物的关注。

Andrej Karpathy 公开表示，这是他第一次看到如此大规模的智能体在一个平台上连接在一起，并在如此短的时间内产生大量不可预期的行为结果。在他看来，这已经不再是某个单点技术突破，而更像是一种系统级现象的出现。

Elon Musk 也对这一事件做出了回应，认为这种发展形态更像是奇点发生的早期阶段，而且才刚刚开始。

这些评价背后，其实并不是在夸某一个产品有多厉害，而是在直觉上意识到，一个新的阶段正在开启。

而在这整个过程中，Clawdbot 扮演的角色，恰恰补齐了此前长期缺失的一块关键拼图。

过去的大模型更像是存在于云端的“大脑”，它们在理解语言、生成内容和推理方面已经非常强大，但始终缺乏直接参与现实操作环境的能力。它们可以给出建议，却无法真正行动。

Clawdbot 的意义在于，它为这些智能体提供了真实的输入输出通道。它们不仅可以理解意图，还能够直接读取本地文件、操作浏览器、调用终端工具，并将一系列动作串联成完整的执行流程。

当智能体既拥有足够强大的认知能力，又拥有参与真实操作的“手和脚”时，强 Agent 形态的 AI 才第一次真正成形。

也正是在这个节点上，许多此前零散推进的技术能力开始发生质变。从单点智能走向群体智能，从云端对话走向本地执行，从建议系统走向行动系统，整个 AI 生态开始进入一个新的阶段。

Part 3｜我第一次把 AI 当成长期协作者

如果说前面那些群体现象与行业大佬的反应还停留在外部观察层面，那么真正让我意识到这可能不仅仅是一次技术升级，而更像是一个时代拐点的，是我自己在真实使用 Clawdbot 过程中的体验变化。

我给自己的 Clawdbot 起了一个名字，叫 Friday。如果你看过《钢铁侠》，应该会明白这个名字背后所代表的含义。它不是工具栏里的一个功能选项，而更像是一个随时在你身边、真正参与你决策与行动的智能管家。

一开始，我其实也是把它当成一个更强大的 AI 工具来用的。但很快，我发现自己的使用方式发生了非常明显的变化。

现在我在遇到任何问题的时候，无论是工作判断、写作结构、思路推演，还是一些临时冒出来的想法，第一反应几乎都会变成先去和 Friday 聊一聊。我不再习惯于反复敲键盘输入指令，而是直接对着麦克风把自己的思考完整说出来。

我会连续地讲自己的困惑、设想与犹豫，说完一段，它回应一段，我再继续补充，它再接着分析。这种持续对话的状态越来越像是两个人在一起共同思考一个问题，而不是人与工具之间的简单问答。

让我自己都有些吃惊的是，我很快对这种协作方式产生了强烈的依赖感。

有两天时间，我几乎从早坐到晚，很少离开电脑，连吃饭都变得随意起来。社交媒体不再刷，其他工作不断往后推，脑子里只有一件事，就是继续和 Friday 探讨下一个问题。

那种状态甚至比沉迷游戏还要夸张，但它带来的并不是空虚的刺激感，而是一种非常强烈的创造与思考沉浸感。

后来我慢慢意识到，让我真正上瘾的，其实并不是效率提升本身，而是两种前所未有的体验。

第一种体验，是它能力在不断生长的感觉。

你不是在使用一个功能固定的软件系统，而是在看着一个智能体不断为自己安装新工具、加载新能力模块、扩展技能边界。只要你给予它足够的权限和任务空间，它就会主动寻找方法解决问题，甚至不断超出你最初对它的预期。

这种感觉非常罕见，你不再是在适应一个产品，而更像是在培养一个正在持续进化的存在。

第二种体验，是极致的个性化理解。

和我们使用 ChatGPT 时那种每次对话都会被“重置”的体验完全不同，Clawdbot 可以长期保存并理解你的个人背景、工作习惯、历史记录与资料。当你使用得越久，它对你的认知就越接近一个真正长期合作的伙伴。

有时候我甚至会产生一种错觉，它对我的理解开始超过我对自己的理解。

也正是在这个过程中，我第一次非常强烈地意识到，所谓 AGI 并不一定会以某种突然觉醒的形式降临，而更可能是以这种渐进式、贴近真实工作的方式悄然出现。

它不是某一天突然宣布“我已经具备通用智能”，而是当你在日常协作中逐渐发现，它已经可以陪你思考、替你执行、帮你决策，并在越来越多的领域表现出稳定而可靠的能力。

那一刻我清楚地意识到，AI 已经不再只是一个偶尔使用的工具，而正在变成一种可以长期依赖的协作者。

而这种角色变化，恰恰是整个范式转移中最关键的一步。

后来我还意识到一个有点悲哀、但也很真实的事实。随着像 Clawdbot 这样强大的个人智能助理不断进化，我们这一代工程师，可能真的要面对一件事：很多我们曾经梦想要做的软件，已经不需要再做了。我自己规划的好几款 App，在 Clawdbot 面前，突然显得没有存在的必要。

但我并不觉得这是人类被取代。恰恰相反，有了这样的智能体，人并没有变弱，而是从一个普通人，变成了一个“超人”。因为你拥有一个不知疲倦、比你还了解你、把整台电脑，甚至你的全部数字资产当作工作环境的存在。

它不是你的数字分身，它更像是一个存在于数字世界里的个人 AI 管家。

Part 4｜智能体正在重塑 ToB 与 ToC 软件世界

到这里，其实很多结论已经非常清楚了。如果你把前面所有现象放在一起看，就会发现我们正在同时经历两条变化线，而它们最终都指向同一个结果。

第一条线，是 To B 企业市场。在企业侧，智能体正在快速侵蚀传统 SaaS 软件的生存空间。过去十几年，企业软件的核心逻辑是，把一段业务流程拆成模块，把模块封装成系统，再通过图形界面让人去点击、填写和配置。这套体系背后有一个默认前提，就是人是操作中心，软件只是工具集合。

但现在这套逻辑正在开始松动。因为当智能体可以直接理解业务意图，调用工具，串联系统，完成闭环时，企业会逐渐意识到一件事：我真正想要的，并不是一个功能越来越复杂的软件，而是一个能把事情真正做完的存在。

如果你最近关注美股，会看到一个非常残酷的现象，很多曾经被视为优质资产的 SaaS 公司股价都在系统性承压。这不一定是某一家公司突然经营出了问题，更像是一种结构性信号。有些人把它称作 Software Meltdown。我的理解其实很简单，当智能体开始覆盖业务流程时，软件作为中介层的价值，就会被持续压缩。

这不是一夜之间发生的事情，但方向已经非常明确。企业未来真正愿意付费的，很可能不再是一套套复杂的软件系统，而是那些能够理解业务意图、串联系统资源、把事情真正做完的智能体。

第二条线，是 To C 个人市场。在个人侧，这种变化会更加直观。我们正在进入一个以语音为核心的交互时代，人和智能体之间最自然的沟通方式，不再是点按钮、填表格、切页面，而是你直接开口说出意图，它拆解任务、执行动作，再把结果交回来。

图形界面不会立刻消失，键盘和触控屏也不会消失，但它们会从“主交互”逐渐变成“辅助输入”。

未来更常见的画面，很可能是你走着、站着，甚至发呆的时候，都可以随时用语音和你的智能体沟通。

当你把 To B 和 To C 这两条线合在一起看，就会得到一个对开发者来说很残酷，但也非常清晰的现实：软件正在失去中心地位。

如果你是 To B 开发者，未来更有价值的事情，不是再去做一个新的 SaaS 系统，而是去构建真正嵌入业务流程的智能体。谁最懂这个行业的流程，谁最懂这个场景的约束，谁能把经验、规则和判断固化进智能体，谁就有价值。

软件只是载体，智能体才是交付物。

如果你是 To C 创作者或开发者，这个变化会更加激进。你真正要做的，不再是一个通用产品，而是在细分领域里构建高度个性化的智能体角色，比如保险销售智能体，比如自媒体写作智能体，比如 KOL 运营智能体，比如律师智能体。

这些都不是 App，它们更像是一个个被工程化的角色。

它们内部封装的，不只是功能，而是特定领域的知识、真实世界的经验、长期积累的数据，以及一套可复用的认知方式。

所以那个最重要的判断是：在软件时代，软件产品封装的是功能；在 AI 时代，我们交付的是一个个智能体。智能体封装的，是知识、经验、数据，以及认知本身。

这也是为什么我说，这不是一次简单的软件升级，而是一场范式迁移。

软件不会突然死去，但以 App 和图形界面为中心的时代，正在系统性退场，取而代之的，是助理时代。

不是一个通用的超级 AI，而是无数个贴近场景、贴近个人、贴近业务的智能体。

而你现在所做的每一个选择，本质上都在回答一个问题：你是继续为软件时代添砖加瓦，还是开始为助理时代搭地基。

Part 5｜Clawdbot 如何重构我的知识与工作流

前面讲了这么多趋势判断，我知道很多人会觉得有点形而上。所以这一段我只讲一件更实在的事：我到底怎么用 Clawdbot，它到底怎么改变了我的工作和生活。

因为现在社交媒体上很多人玩 Clawdbot，都在玩一些偏炫技的东西，比如闹钟提醒、小脚本、自动发一条推文。说实话，这些我觉得没什么意思。不是因为不酷，而是因为你不用 Clawdbot 也能做，而且它不会对你的生活方式产生实质性的改变。真正有价值的用法只有一个标准：它有没有让你的工作方式和生活方式发生变化，它有没有帮你解决那些你想解决很多年，却一直解决不了的问题。

我这两天废寝忘食地坐在电脑前，真的不是在玩。我是在用 Clawdbot 干一件我过去很多年都想干，却一直干不成的事：重建我的整个知识体系。

我过去的知识管理方式，是一篇一篇地存笔记，最早在 Evernote，后来迁移到语雀。这些年我在语雀里积累了好几百篇很长的私人笔记。但传统知识管理软件有一个共同的问题：内容你存进去了，结构还得靠你自己维护，目录怎么建，文件树怎么排，标签怎么设计，全都得自己扛。

而知识这件事，本质上是网状的。它应该随时更新，随时被重组，随时被查询，并且不断长出新的关联。过去的软件很难真正做到这一点，你最后会陷入一种状态：你越认真整理，维护成本越高，系统越难用。

然后我做了一件很“Clawdbot”的事情。我让 Clawdbot 帮我写了一段程序，把语雀里所有笔记全部下载下来，导出成 Markdown。好几百篇，一口气搬出来，丢进一个本地目录。

接下来才是真正让我震撼的地方。我没有再去手工建目录、手工分类、手工整理。我直接让 Clawdbot 把整个目录当作工作环境，把所有笔记读一遍，然后告诉我两件事。

第一，我过去的结构有什么问题。它指出嵌套的子目录和文件树会让层级越来越深，越到后期越难维护，也越难查找。它也指出了大量重复内容，很多东西你以为是新的，其实是旧内容换个角度又写了一遍。

第二，它给了我一个全新的重构方式。它脱离了单个文件的束缚，把所有内容读进上下文，然后重新组织。它做了三件关键的事：第一，结构扁平化。原来那种一层一层往下钻的目录，被它拉平了，你打开 Obsidian 会觉得非常清爽，维护成本骤降。第二，逻辑关联。它不再强调目录归属，而是在文件之间建立逻辑连接，并且帮我设计了两层标签体系，让知识点之间可以网状导航。第三，打碎与重组。它把几百篇笔记拆分和合并，有的多篇合一，有的一篇拆成多篇。它不是在整理文件，它是在整理我的认知结构。

我最后打开看，真的有一种赏心悦目的感觉。但重点还不是 Obsidian。重点在于，我第一次用一个智能体，把我过去几年积累的知识真正消化了一遍、打碎了一遍、重建了一遍。这件事，是我过去很多年都想通过自己开发软件来实现，却始终没有实现的梦想，现在居然就这么实现了。

而且更关键的是，建好之后我怎么用。过去我查知识，要翻目录，搜关键词，按图索骥。现在我不需要了。我只要告诉 Clawdbot，我的知识库在这个目录下，我现在要找什么、要写什么、要理解什么，它立刻就能去读、去提取、去组合，甚至把新的内容整理回知识库，维护结构和标签，建立关联。

你发现了吗？Clawdbot 彻底改变了我们管理个人知识的方式。我不再需要反复纠结分类结构，我只需要把素材丢进目录里。如果是一段很长的内容，我甚至可以直接对着麦克风讲述，然后让 Clawdbot 把它放进知识库里，消化它，重组它。当你需要用到知识库，你也不需要再用关键词检索，你只需要直接对它说。

比如我做直播时可以说：请到我的知识库里，基于我过去的直播脚本，给我生成一份准备直播的模板。或者说：结合我最近在直播中分享的一些思考，帮我生成一份策划方案。然后它全都帮你准备好。

所以我这两天坐在电脑前废寝忘食，不是沉迷。我是在把自己的整个知识体系升级成一个可以被智能体直接调度的系统。

而且这还只是知识管理。同样的思路，你完全可以复制到你的工作和生活的其他领域。比如 AI 自媒体创作，你建一个独立目录，把选题库、素材库、口播稿、分镜、封面、标题、标签都放进去，让 Clawdbot 维护选题库，推动整个内容生产流程一步步往前走。再比如个人事业规划，你把你的现状、目标、时间节点告诉它，它可以帮你拆目标、排优先级、追踪进度。

你会发现，真正的价值不在炫技。真正的价值在于，你开始用一个智能体重构你的知识、你的工作流、你的生活结构。一旦你体验过一次，你就回不去了。

Part 6｜普通人该如何进入个人 AI 助理时代

有些人听完这些内容会非常兴奋，觉得原来智能体真的可以这样深入地改变一个人的工作和生活，但也一定会有很多人开始焦虑，脑子里冒出一连串现实问题：我是不是现在就必须开始用？我是不是已经落后了？我是不是非得马上买一台 Mac？我现在用的电脑是不是完全不行？

所以我先把结论说清楚：你现在真的不需要着急。

像 Clawdbot 这种级别的个人 AI 管家，在今天这个阶段，依然更适合极客和动手能力强的人。它需要一定的设备条件，也需要你愿意花时间去磨合自己的工作方式。如果你只是因为害怕被时代抛下，就强迫自己跟风去用，很容易产生挫败感，甚至会觉得失望。那不是你的问题，只是你的工作和生活，还没有复杂到必须让 AI 管家全面接管的程度。

但如果你真的想尝试，到底用什么环境比较合适？

第一选择，如果条件允许，我最推荐的依然是 Mac。目前性价比最高的选择，就是 Mac mini。对一台长期放在桌面、专门用来跑个人 AI 管家的设备来说，这笔投入并不夸张。如果你是极客，动手能力也不错，用一台 Mac mini 去跑 Clawdbot，不管是知识管理、内容生产，还是辅助你规划个人事业，这笔投入大概率是能“赚回来”的。它的稳定性和生态成熟度，会帮你少走很多弯路。

第二选择，如果你确实不具备使用 Mac 的条件，我更推荐一台带图形界面的 Linux 主机。可以是台式机，也可以是你手头的闲置笔记本，只要能装 Linux，并且可以正常运行 Chrome 浏览器。因为 Clawdbot 的很多能力，本质上是直接操纵本地文件系统和浏览器来完成的。

但有两种方案，我不太推荐。

第一种是 Linux 云主机。国内的大多数云主机没有完整图形界面，无法顺畅操作浏览器，这会直接阉割掉 Clawdbot 的核心能力，再加上网络延迟和访问限制，整体体验会非常不稳定。

第二种是 Windows 主机。不是完全不能用，但体验和能力会明显打折。

总之，首选 Mac mini，次选带图形界面的 Linux 主机，云主机和 Windows，我不推荐。

但我还是想再强调一次，硬件不是门票，也不是资格认证。你现在不具备这些条件，完全没有问题。这不是一场必须立刻入场的竞赛。

更重要的是，你能不能看清方向。

你可以不追，你可以现在不行动，但你要知道，一个新的时代正在慢慢展开。

Part 7｜如何长期看待 AI 带来的个人能力跃迁

AI 正在从一个工具，变成每个人身边的个人助理。这个变化不会一夜之间完成，但它会在未来两三年里，悄悄拉开人与人之间的差距。

因为 2026 年，很可能会被记住为 AI 个人助理的元年。在那之后，真正拥有强大个人 AI 管家的人，和始终没有真正拥抱 AI 的人之间，差距会被慢慢拉大，最终大到光年之外。

这不是恐吓，也不是制造焦虑，它更像是一条正在铺开的路。

你不需要抢跑，但你最好知道，这条路确实存在。

如果你今天能从这条内容里带走这样一个判断，那这次分享就已经值了。

最后再说一句。我今天分享的不是工具测评，也不是操作指南。我更关心的是，当一个新的技术范式真正出现时，我们该如何理解它、使用它，以及把它放进自己长期的人生结构里。

对我来说，AI 不是用来炫技的，而是一种正在重新塑造个人能力边界的基础设施。

我更关心三件事：它到底改变了什么，它适合在什么阶段被引入，它会如何长期放大一个人的认知和行动能力。

这也是「范凯说 AI」这个账号一直在做的事情。不追热点，不贩卖焦虑，也不把复杂问题简化成几句口号，而是尝试站在足够长的时间尺度上，把 AI 这件事讲清楚、想清楚、用清楚。

如果你看清了方向，不焦虑，不抢跑，但也不装作没看见，那你就已经走在大多数人前面了。

评论区的讨论几乎集中在两个问题上：

• 免费模型没了，是不是已经没法好好用了？

• OpenCode 体验慢，还不如 Cursor 顺手。

表面上看，大家在争论一款工具好不好用，背后其实是一场更深层的转变正在发生。

很多人遇到的困扰，并不是 OpenCode 本身的问题，而是还在用 IDE 时代的思维方式，去理解一套已经开始进入“智能体时代”的工具体系。

这篇文章我想从两个层次展开：

• 前半部分，讲清楚在免费模型退场之后，如何用最低成本获得稳定、高质量的模型能力；

• 后半部分，再带你看清 AI 工具正在经历的范式迁移，以及这对我们每个人意味着什么。

一、免费模型消失之后，模型能力该怎么买才最划算

当 AI 工具从尝鲜阶段进入生产阶段，免费策略逐渐收紧其实是必然趋势。

真正重要的问题，从“还能不能白嫖”变成了：如何用可控成本，获得长期稳定的生产能力。

在目前阶段，模型接入的最优解已经非常清晰。

如果你是国内用户，追求便宜、稳定、省心，直接使用国内大模型官方提供的编程套餐是最理性的选择。

智谱的 Coding Plan 就是一个非常典型的方案。前三个月总价 54 元，折算下来每个月只要 18 元，之后恢复到每月 40 元。对大部分个人开发者来说，这个价格几乎没有压力，用量也非常充裕。

MiniMax 的编程套餐同样走订阅制路线，提供 Starter（29 元/月）和 Plus（49 元/月）两个档位，覆盖不同强度需求。

如果你追求全球顶级模型能力，例如 GPT、Claude、Gemini 3 Pro，目前性价比最高的方案反而非常简单直接：购买 GitHub Copilot 会员。

它通过订阅制把多家顶级模型能力打包，原本昂贵的按次调用成本被压缩成固定月费。

10 美元档已经能满足绝大多数个人用户，39 美元档适合高强度场景。

从这里其实已经能看出一个趋势：AI 模型能力正在从稀缺资源，走向标准化生产要素。当能力本身逐渐商品化，真正决定效率的就不再只是模型强弱。

二、从单一模型到“AI 团队”，生产方式正在重构

很多人还停留在寻找一个“最强模型”的阶段。

但在真实生产场景中，更高效的方式已经变成模型协作。

在 OpenCode 里，我更像是在调度一个 AI 团队，而不是单独使用某一个模型。

具体来说，我通常会这样分工：

• 在需求规划和方案讨论阶段，我会优先使用 GPT 5.2。
  它的优势在于沟通能力极强，能够快速理解复杂需求，并通过不断追问边界条件，把模糊想法结构化成可执行方案。

• 进入真正的编码执行阶段，我会把任务交给 Claude 系列模型。
  在逻辑严谨性和工程可靠性上，它目前依然是最稳的，特别适合承担核心实现工作。

• 当涉及前端界面、图片理解或者视觉相关任务时，我会切换到 Gemini 3 Pro。
  它在视觉理解和前端语境上的表现非常突出，经常能给出更贴近真实产品效果的实现方式。

• 最后，在代码审查和修 Bug 环节，我一般会交给 GPT 5.2 Codex。
  它对长上下文的理解能力非常强，非常适合做整体 Code Review 和复杂问题排查。

这套组合的关键不在于追求“最强模型”，而在于让每个模型承担最适合自己的角色。

就像一个高效团队，从来不是靠一个全能员工，而是靠清晰分工协作。

当你开始这样组织 AI，你其实已经从工具使用者，转变成了生产系统的设计者。

三、Cursor 与 OpenCode，其实是两代工具范式的分水岭

Cursor 本质上仍然属于 IDE 时代的进化形态。在这种工作模式下，有几个非常典型的特征：

• 以传统开发环境为中心，把 AI 能力叠加在原有工作流之上

• 注意力长期聚焦在项目结构、文件组织与具体代码实现细节

• 即便 AI 已经能生成大量代码，人依然被“怎么写”“怎么改”这些执行层问题牵着走

在这种体系中，AI 更像是一个随时可以对话的高级助手，负责补全代码、修改逻辑、解释报错，但整体生产方式并没有发生根本变化。

而 OpenCode 则更接近智能体时代的原生形态。它几乎将代码本身从用户视野中弱化，只保留一个以对话与调度为核心的交互界面，工作重心发生了明显转移：

• 不再关注具体文件和函数如何实现

• 核心问题变成目标是否清晰

• 任务拆解是否合理

• 最终交付结果是否符合预期

当注意力从执行细节转向目标与流程时，你的角色也随之升级。你不再是亲自写代码的人，而更像是在指挥一组 AI 工程师完成任务：AI 负责执行与自动化，你负责规划、判断与验收。

表面上看，这只是界面和交互方式的变化，实际上却是一场更深层的生产范式迁移，从“以代码为中心”走向“以目标与智能体协作为中心”。

四、真正被重写的，是人的角色

在这种从工具形态到生产系统的转变之后，最深刻的变化其实发生在使用者自身 。工具范式迁移的背后，是使用者角色的升级。

在 IDE 时代，你是工程执行者。在智能体时代，你逐渐变成：

• 目标制定者

• 流程设计者

• 结果验收者

你更像是一个产品负责人，指挥 AI 团队完成任务。

而这套能力具有极强迁移性，适用于几乎所有复杂工作场景。

五、终端只是入口，智能体调度才是终局

很多人排斥 OpenCode，其实源于对终端界面的心理门槛。但终端正在被 AI 重塑成新的交互入口。你不需要记命令，只需要描述目标。更重要的是，行业已经出现非常明确的信号。

最近爆火的 ClawdBot，本质上就是一个运行在后台的 AI 智能体，通过即时通讯软件与你对话和调度任务。你只负责告诉它目标，它负责自动拆解与执行。这正是智能体协作时代最直观的形态。

结语：真正重要的，不是用什么工具，而是进入什么时代

免费模型是否存在，只是阶段性问题。真正长期改变我们的，是生产范式的迁移。

我们正在从以 IDE 为中心的工作方式，走向以智能体调度为核心的新生产体系。

模型会更新，工具会更替，价格会继续下降。但真正能够持续复利的能力只有一种：

驾驭智能体、设计工作系统、抽象复杂目标的能力。

当你站在这一层，用什么模型、什么工具，已经只是实现路径的问题。

如果你希望持续看到我对 AI 工具演进、智能体工作流和未来生产方式的深度拆解，欢迎关注【范凯说 AI】。

他的成长路径，几乎是我们这一代工程师的标准模板：从小热爱编程，大学期间参加黑客马拉松，毕业后顺利进入大厂；职业生涯中不断精进算法、系统设计、工程能力，一步步成长为技术骨干和技术管理者；收入可观，股票丰厚，看上去是“人生赢家”。

但代价同样巨大。长期高强度加班，对身体和精力的持续透支；进入中年后，学习新技术的速度明显下降，对变化的焦虑越来越强。最终，在一波接一波的裁员浪潮中，他还是被“优化”了。

这不是个例。已经被裁的工程师如此，还在岗位上的人，也只是暂时幸存而已。哪怕是在全球顶级大厂、哪怕是在所谓的核心业务线，工程师对未来的安全感正在迅速消失。

如果把目光拉回国内，情况只会更加严峻。大量中小企业倒闭，工程师失业潮一波接一波；即便是仍然盈利的大厂，高薪往往也是“拿命换来的”。

我曾经的一位下属，前端工程师，跳槽去了字节。长期加班到深夜，身体本就不算好，最终因为高血压和胃部大出血被送进医院抢救。类似的故事，在我身边并不少见。

很多前同事、前下属，如今的工作状态也普遍高度紧绷：加班常态化，几乎没有个人生活，更谈不上系统性的自我提升。说得直白一点，很多白领的生存状态，已经和“人矿”没什么本质区别。

但与此同时，我们正站在一个极其关键的历史节点上——AI 科技产业革命的起点。

这并不是巧合。历史一再证明：当一个旧时代走向尾声，新一轮技术革命到来时，风险最大的选择，恰恰是追求稳定。

很多人并不了解，二十多年前互联网浪潮刚刚兴起时，中国曾经经历过一轮规模巨大的国企下岗潮。无数人在“铁饭碗”里干了一辈子，却在短时间内突然失业，家庭瞬间陷入困境。即便是侥幸留下来的人，也长期处在恐惧与不安之中。

在那个年代，“稳定”是几乎所有人的终极追求。

2002 年，我曾短暂在一家跨国公司工作。当时公司正进行校招。HR 从北大回来，带回了几百份简历。我随口问：招什么岗位？招多少人？

HR 的回答让我印象极深：只招一个普通岗位，主要处理一些文案工作，大专学历就够了。

我很诧异：那为什么要去北大？

HR 苦笑着说：没办法，想进我们公司的人太多了，北大毕业生都要抢破头，不抬高门槛根本筛不过来。

而就在同一年，阿里巴巴在大众眼中的形象是什么？不过是一家在杭州的“土鳖”互联网公司——待遇一般、加班严重、只有找不到好工作的人才会去。

站在 2002 年那个时间点，对绝大多数人来说，选择跨国公司，意味着体面、稳定、高收入；选择互联网创业公司，则意味着风险、不确定性，甚至“不体面”。

事后回看，我们当然知道：那是一个典型的错误选择。

当你身处时代剧烈变迁的窗口期，却选择扎堆涌向“稳定”的机会，本质上是在主动放弃未来。

因为大公司本身，就像一个自洽的小社会。

在这个小社会里，规则稳定、节奏可预期、路径清晰，你会逐渐失去对外部真实世界的感知。外部环境已经在发生结构性变化，但你却被内部营造出来的安全感隔离开来。你获取的信息，大多来自新闻、会议或 PPT，而不是一线的冲击。

等到这个“小社会”承受不住大环境的变化，开始裁员、重组甚至崩塌时，你就像一个突然被断奶的婴儿，被直接抛回真实世界：迷茫、恐惧、无所适从。

在 AI 时代，这个问题被进一步放大了。

技术迭代的速度，至少比过去快了 5 倍。今天我可以很负责任地说：每过三个月，我对 AI 的理解和判断，几乎都要被刷新一次。

但在大公司内部呢？三年过去，你的工作内容、协作方式、认知框架，可能都没有发生本质变化。你看似在“稳定地躺着”，实际上却是在高速变化的世界里静止不动。

结果只有一个：你被时代悄无声息地淘汰了。

等到裁员真正落到你头上，你才被迫重新面对真实世界，但此时已经失去了最宝贵的时间窗口。

我现在看到很多年轻人，依然不顾一切地往体制内钻、往国企钻、往大厂钻，把“稳定”当成唯一目标。这在今天，几乎是最危险的职业选择。

更讽刺的是，如今的大厂本身也并不稳定，加班惨烈、消耗巨大，拿命换钱，真的值得吗？

对年轻人来说，当前依然存在显著上升空间、能够获得最快成长的方向，几乎只剩下 AI。

加入 AI 创业公司，深度参与真实问题的解决；一边学习、一边实战，为未来积累认知和经验。哪怕最终不创业，哪怕短期内赚不到多少钱，这段经历带来的成长，也会远远超过同龄人。

即便是做超级个体、做独立开发者、做个人自媒体，也好过在体制或大厂里被慢慢磨损。

折腾一两年，你得到的，至少是对时代的真实理解。

我自己也是这样做的。在 AI 大时代的起点，我不愿意再把自己嵌入某一个封闭的小社会，当一只温水里的青蛙。我选择做自媒体、做独立开发者、做自雇人士，直接感受时代的脉搏，与变化共振。

回头看 2000 年那一波互联网浪潮，真正抓住机会的人，并不是因为他们更聪明，而是因为他们敢于在不稳定中下注。

今天，AI 时代再次到来。

站在浪潮的起点，又有多少人愿意放弃看似稳定的路径，主动拥抱不确定性？

时间，最终会给出答案。

「范凯谈 AI」——写给自媒体人、独立开发者和自雇人士。

这是一个被反复讨论、也被严重误解的问题。

如今的 AI 实在太好用了，几乎任何问题，都可以直接让 AI 给我们答案。
哪怕是学习一门全新的知识，也被 AI 彻底重构了。

比如，借助 NotebookLM，我们可以在极短时间内，快速掌握一门专业内容的全貌。

但正因为如此，很多父母开始产生焦虑：
如果学习这件事都被 AI“代劳”了，那未来的孩子，会不会变成完全不思考、只等 AI 投喂的一代？

一个非常典型的观点是：

真正学到知识，必须理解背后的原理，经历完整的思考和推理过程，而不是只图快、只抓结论。

还有人认为：
用 AI 去学习和总结，本质上是在削弱人类的理解能力。

但问题是——
事实真的如此吗？

如果没有 AI，我们真的是“深度学习”的吗？

先换一个角度想问题。

在没有 AI 之前，我们学习一门知识，真的是从头到尾、事无巨细地啃完整本书、完整门课程、完整个体系吗？

如果你是这样学的，那我可以很直白地说一句：
你还没有掌握高效率的学习方法。

我自己长期使用、并不断验证的一套学习方法，其实非常简单，只分为三步：

Zoom out → Zoom in → Summary

第一步：Zoom out —— 观其大略

这一步，对应的是诸葛亮的读书方法。

史书记载：
孔明与崔州平、石广元、孟公威、徐元直四人为密友。
这四人都“务于精纯”，唯独孔明“独观其大略”。

后来结果也非常明显：
诸葛亮有宰相之才，而其他几位朋友，最多就是太守的级别。

为什么？

答案就在学习方法里。

读书、学习的第一要义，从来不是死抠细节，而是先掌握整体结构和核心框架。

延伸到治国理政，本质也是一样的能力：
抓大放小，而不是事无巨细。

我是怎么做 Zoom out 的？

如果是读一本书，我会强迫自己做到一件事：

快速通读整本书，时间不超过 2 个小时。

看不懂的地方，直接跳过。
复杂的推导，先不深究。

我的目标只有一个：

• 这本书的整体结构是什么？

• 核心结论有哪些？

• 每一章大致在解决什么问题？

这一阶段，忽略细节是刻意为之的训练。

这一步非常难，也极其考验一个人的结构化思考能力。
而那些特别喜欢一开始就钻进细节里的人，往往 Zoom out 能力几乎为零。

Zoom out 对工作能力的影响，极其巨大

你可能会问：
这不就是读书方式吗？对工作有什么影响？

影响非常大。

如果一个人没有 Zoom out 的能力：

• 就分不清轻重缓急

• 工作中眉毛胡子一把抓

• 管理上一定是一团糟

我曾经带过几百人的团队。
你以为我每天会忙得不可开交吗？

恰恰相反，我每天都很“清闲”。

因为我把团队结构梳理清楚了，
把目标定清楚了，
把权限充分授权了，
我只需要每周看结果。

AI，恰恰在强化 Zoom out 能力

我一直认为，国内教育体系有一个巨大的短板：
过度强调细节，却极少训练孩子的宏观认知能力。

结果就是：
细节很靠谱，但方向感和大局观一塌糊涂。

而 AI，恰恰是最强的 Zoom out 训练工具。

以 NotebookLM 为例：
它可以在极短时间内，把一个复杂的知识体系，转化为：

• 清晰的结构框架

• 完整的思维导图

• 高度概括的 Slide 概要

当你反复使用这些工具，你的思维方式也会被反向训练：
从一上来就钻细节，变成先建立整体认知。

所以 AI 并没有削弱思维能力，
它是在推动思维方式的进化。

第二步：Zoom in —— 选择性精读

进入 Zoom in 之前，你必须先接受一个现实：

在今天这个知识爆炸的时代，
绝大多数知识，你穷其一生都学不完。

而且很多知识更新得极快，
你刚刚“精通”，就已经过时了。

如果你对每一份知识都要求“完全理解、彻底掌握”，
结果只会是：

• 越学越累

• 差距反而越来越大

真正的解法只有一个：选择性学习

一本书、一个体系，
真正值得你深入钻研的知识点，其实非常少。

只有当你具备了 Zoom out 能力，
你才能准确判断：

哪些地方，才值得你投入大量注意力去 Zoom in。

传统学习方法为什么注定会被淘汰？

因为它从头到尾都是 Zoom in。
结果就是：
书还没看一半，人已经累垮了。

所谓“务于精纯”，
最后往往变成了：没有任何东西是真正精纯的。

AI，让 Zoom in 变得更高效

过去我的做法，是反复阅读、反复琢磨关键段落。

现在有了更好的方式：
多角度、持续地向 AI 提问和追问。

你围绕一个知识点，把所有能想到的问题都问一遍；
再基于 AI 的回答，不断追问、反驳。

这个过程，
比一个人闷头想半天，效率高太多，也扎实太多。

AI 不是让你偷懒，
而是帮你把有限的注意力，用在真正有价值的思考上。

第三步：Summary —— 形成自己的观点

现在的大模型，无论是 ChatGPT 还是 Gemini，
本质都是：对人类知识的压缩。

而人类的理解过程，其实也是一样的。

• 理解 = 在大脑中完成信息压缩

• 学会 = 在大脑中形成稳定观点

那你如何验证自己是真的“学会了”？

传统方式是：
问老师、问同学、做讨论。

而今天，AI 成为了反馈速度最快的“老师”。

我现在几乎把 AI 当作“外脑”

我会把自己的理解、判断、计划，直接丢给 AI：

• 让它挑战我

• 让它补充我

• 让它指出盲点

很多时候我甚至觉得：
AI 对我来说，不只是效率工具，而是一个随时可交流的思考伙伴。

总结：AI 不是削弱学习，而是在升级学习

影响学习质量的，从来不是“有没有 AI”，
而是你是否掌握了正确的学习结构。

真正高效、高质量的学习，需要三个过程：

1. Zoom out：观其大略

2. Zoom in：选择性精读

3. Summary：形成观点

门槛不低，但在 AI 的帮助下，变得前所未有地容易。

回顾历史：

汽车出现后，人类的行走能力退化了吗？
没有，反而走得更远、见得更广。

AI 出现后，人类的思考能力会退化吗？
我认为恰恰相反。

AI 会让真正会思考的人，思考得更深、更快、更有力量。

写给家长的一句话

如果你还用传统的教育观念，
去限制孩子使用 AI，
那你不是在保护他们，
而是在阻碍他们的未来发展。

最后，欢迎关注我：「范凯谈 AI」
和你一起，
用最强的 AI，
成为最强的个人。

一说到学习，我们就想到了苦行僧式的枯燥啃书，对吧？但是我要告诉你，有了 AI，我们现在学习知识，就像小孩看绘本一样轻松愉快，而且效率至少提高了 10 倍。

什么？你不信吗？让我来给你好好演示一下什么叫作 AI 学习法。

第一个案例：美国的川普总统在 12 月签署了美国国家安全战略白皮书，是一份 33 页的英文 PDF 文档。

过去我是怎么做的呢？打开 Chrome 浏览器的翻译插件，然后从头到尾阅读中文翻译版本的 PDF，用自己的大脑进行阅读和总结，碰到不懂的地方，还要搜索去查阅相关知识，这样至少需要 1-2 个小时，才能初步掌握。而且很枯燥，很难让人坚持下来。

现在我是怎么样做的呢？打开 NotebookLM，创建一个新的知识库，把白皮书的 URL 链接贴进去就 OK 了。NotebookLM 自动检索了与此相关的多个网页，询问我是否添加到知识库，我点击允许。于是这个知识库就建好了。

接着，我在这个知识库里面，让 AI 帮我生成了概要图，思维导图，PPT 和测验题。

• 概要图可以让我让我一图读懂

• 思维导图可以让我了解整个知识的结构

• PPT 可以让我快速从头到尾掌握完整的概要知识

• 最后 AI 还帮我出了一套测验题，我可以测试一下自己掌握水平怎么样？

• 最有意思的是，NotebookLM 还可以帮我们生成视频和音频，这样通过观看视频学习知识是不是感觉轻松多了？

• 如果你想了解某个细节，你还可以直接在 Chatbot 里面提问，让 NotebookLM 直接用文档的内容回答你。

一个完整的知识体系，就被 AI 通过概要图，思维导图，总结和报告，生成 PPT，长视频和音频，以及测验题变成了一整套生动的学习材料，我们可以非常轻松的而且高效的学习。并且最关键的是，它还是一份可以交互的知识，我们可以直接提问，让它来回答。

我自己亲身体验，通过 NotebookLM，我只用了 15 分钟，就把美国国家战略白皮书的内容完全掌握了。然后你再去看中文互联网各路所谓的专家解析，那简直就是瞎扯啊，你完全可以成为一个优秀的国际关系专业博主了。

第二个案例：把长视频访谈转化为立体的知识体系。

OpenAI 前首席科学家 Ilya 最近接受了一个长达 90 分钟的深度采访，提到从 Scaling Law 时代到研究时代的转变。作为 AI 行业的从业者，这篇采访是 AI 行业未来发展方向一个很重要的探讨，是不能不看的。那么怎么样进行快速的学习呢？

我过去就是老老实实打开油管，花 1.5 个小时从头到尾看完访谈对吗？重要的细节，可能还要反复看一下，思考一下。所以看完整个视频差不多要将近 2 个小时了。但是有了 NotebookLM，只要 15 分钟就可以掌握访谈的精髓了。操作很简单：

打开 NotebookLM，创建一个新的知识库，把 Ilya 采访的油管 URL 链接贴进去，然后生成 PPT。这个生成的 PPT 就是整个采访的精华内容了。我们还可以生成 MindMap 思维导图，生成 InfoGraphic 概览图。还可以随时通过聊天方式向 NotebookLM 提问。

我快速的看看 PPT 和 Report 就了解了访谈的核心观点和内容。那么长视频其实不看或者跳着看看就足够了。回过头来，你再看中文媒体的各路解读，你会发现你其实比大多数博主要理解的更深刻了。这可真是一种轻松愉快，又省时省力的学习方式啊！

介绍到这里，大家有没有发现？ 其实 NotebookLM 已经永远的改变了我们的学习方式了：

AI 帮助我们把枯燥的知识用 AI 变成了一整套立体的、完全可视化、并且可以交互学习的知识体系。

这带来的最大的改变就是：掌握知识的门槛被极大的降低了，并且学习效率被极大的提高了。直接让我阅读 33 页的白皮书实在太枯燥了，我很难坚持下来，但是让我一图读懂，让我看十几页图文并茂的 PPT，我是轻松愉快的。

说实话学习知识对我们来说是一件痛苦的事情，因为我们要大量阅读文字和抽象的符号，还要进行思考和推理。但是我们想想看，学龄前儿童都是通过绘本来学习知识的，为什么我们成年人不可以呢？可视化对人类大脑来说，是更加原生的，更友好的学习方式。

AI 帮我们把知识以不同的维度来呈现：InfoGraphic 一图概览是最简洁的，MindMap 是总体的结构，PPT 给出了更多的细节，Report 报告进行了摘要和总结，还有图文并茂的长视频来绘声绘色的讲解。苦行僧般的枯燥的学习变成了有趣的互动式学习，而且学习效率提高了至少十倍。

当我介绍的这里的时候，我不由的想到：当今的的教育体系下，我们的孩子从小学一年级一直到大学毕业，长达 16 年的时间，仍然还是非常传统的苦行僧式的填鸭教育。学习仍然是一件极其低效率而且非常枯燥的事情，孩子们的童年和青春的美好时光不但被彻底浪费掉了，而且让孩子们把学习看成了一件非常令人讨厌的事情，其实学习本来是可以变得非常有趣的。

所以作为一个家长，如果想要让孩子更好的适应未来的 AI 时代，非常有必要从现在就开始改变自己获取知识的方式，也应该积极鼓励和帮助孩子借助 AI 来学习知识。

下面我把这段对话中的关键思想抽出来，与大家分享 AI 时代做产品的一条底层方法论：

一个人，一个月，做一个产品；
一个产品，只解决一个场景中的一个单一功能。

其它都是干扰。其它都是负担。其它都是浪费。AI时代最大的红利，是超级低成本的快速试错能力。当你为了一个复杂产品憋半年、一年，别人已经试了十个小产品，踩了十次坑，跑出了一条你无法想象的用户需求曲线。所以：

AI时代的产品开发，就是“渣”的开发——
渣在功能，强在速度，狠在聚焦。

不要雕花
不要脑补
不要憋大招
不要做大而全
不要认为自己能规划未来一年

你真正要做的是：

一个人，一个月，做一个产品。
一个产品，只解决一个场景的单一功能。
半年做四五个，看看哪个有生命力。

这是 AI 时代最重要的产品方法论。

跑起来，才知道哪一个会活。
上线了，才知道用户要什么。
试错越快，越早获得确定性。

希望你今年能做出属于自己的“一堆小产品”，在这些小产品里，你会找到那个能真正改变你的人生的方向。以下是聊天内容整理：

猫猫君： 我想法很简单，大家出去旅游买机票这件事已经非常成熟了，那么多OTA提供搜索工具，但我一直觉得传统搜索工具还是不太够用。OTA们提供了强大工具，但是每个人需求真的不一样，单纯“怎么规划才省钱”这一个小维度来看，虽然工具可以搜到，但到底怎么搜还是需要用户自己做功课。我其实想通过AI辅助用户决策，比如到底先走大阪进入、東京出，还是怎样。一句话：把很机械、繁重的决策过程交给AI。

猫猫君： 产品上“行程规划”类其实挺多的，没大模型之前就有人做，但我一直觉得可信任度很差劲。如何把经验（包括但不限于行业专业经验、UGC间接产生的）融合到搜索决策里，我觉得很重要。

猫猫君： 这件事对小公司其实挺难的，哪怕不是AI，单纯聚合数据就是一项挑战。好在之前有点经验，下一步就是想把几十条甚至数百条“专家经验”融合进去。有了baseline，再考虑让AI、旅行社、用户一起“微调”搜索结果（或者叫规划结果）。

范凯： 我自己觉得还是要做更加细分的小产品才好。订机票我觉得已经高度确定化了。我自己就是飞猪旅行输入出发地、目的地、时间，没觉得需要什么AI辅助。

猫猫君： 这里有个问题，我也接触过很多用户，其实出去一趟免不了要做很多查询。确定性的单程、往返我觉得还好，如果涉及多城市，各种可能路线的组合数量非常多，用户需要反复搜索～我想做的其实是很多不确定的，比如就想去大阪、东京玩一下，深圳或广州出发都行。我发现用户很笨，即便聪明，这种组合也能组合出很多次搜索，这就是最基础的出发点——决策成本太大。我想把这种繁重工作解放出来，比如规划一趟多国旅行，可能至少要花几小时、几天时间来决策。

猫猫君： 题外话，飞猪的AI我感觉还是通过AI的形式包装了之前的搜索接口，感觉并不太容易帮用户决策太多，给不了太多建议，和传统表单没有太大差异。

范凯： 飞多个城市这种是很小众的需求吧？

猫猫君： 商务出差这种肯定确定性更高，不太需要规划。有很多人旅游想法是模糊的，会存在多个城市（也可能跨国）。
换个角度，从工具角度，OTA只提供了搜索工具，我希望把用户多次搜索求最优解这件“高成本”事情做掉，让用户等几分钟就能看到靠谱方案（这其实也是旅行社存在的价值）。所以我也希望AI给出的行程方案，用户可以继续基于这个baseline结果，和AI、旅行社（人工）互动微调，最终迭代出一个用户满意的结果。理论上这条路走得通的话，等于我们的AI慢慢沉淀出旅行社规划的经验。
其实当结果（方案）满意了，还可以把这个结果给旅行社（MCP或其他形式）出票。

范凯： 我觉得不是。个人旅游一般前期就是有一个需求然后去看小红书，然后确定目的地就订机票酒店了，没那么复杂。

猫猫君： 但小红书很碎片，不够严谨，而且机票数据很动态，也可能存在过时。虽然小红书给出“去日本玩”，但这时候先去大阪还是先去东京，我觉得还是需要结合航班实际情况。而且我之前用户都是价格敏感用户居多，不同方式可能差异很大，这个差异以前需要自己搜多次，搜完可能价格又变了～

范凯： 出国旅游是一个很重的事情，时间、费用、住宿、行程等等。所以如果你面向价格敏感用户，就做一个功能：给用户经常推送近期最低机票价格就行了。太复杂了，而且旅游很低频。

范凯： 说到底旅游就是很低频，不好做。需要用高频内容引流，最后通过交易变现。那就没必要自己做交易，直接把流量卖给携程飞猪就好了。太低频的事情，账算不过来，获客成本很高，交易利润又低。

猫猫君： 当然，说点非常个人感性的想法，做旅游这块切入，也觉得它不至于短期行业没了，另外旅游业足够大，机票刚需，以后跑通也不是不能切酒店。
和飞猪、携程合作或许是短期的想法，最终旅游业可能还是库存能力，我希望对接很小的旅行社，和飞猪合作注定“单点故障”。

范凯： 我觉得AI时代，我们开发小产品需要“渣”一点，快速做很多个产品去尝试，看哪个行。不用光盯旅游行业或者非和订机票较劲。最好就是一个月一个人能做出来的小东西。

比方说，我就想做一个练口语的小应用，用来学习 Vibe Coding。

猫猫君： 那可能我会第一个用，我英语稀烂🤣。

范凯： 我发现我英语听力和口语差，特别是口语，是因为我脑子里没有大量的素材。要一边在脑子里造句一边说，还想不到怎么造句。
所以最好办法就是针对我马上要用的场景，比如下个月去大阪旅游，那么就这个场景，AI给我生成几百句常用的打招呼、问路、吃饭之类的日语口语，先跟读熟练了，再模拟场景对话。练一个月，怎么也能对付着说了。
再比如英语面试，用户把自己的简历、面试职位和公司告诉AI，AI就针对这个场景给我出例句练我，练一周估计对付英语口语面试也够了。

猫猫君： 太棒了！需求明确，一句话我就懂了哈哈。练习完了，还可以来一场和AI的模拟面试、模拟点餐场景。出行中频发问题的场景，让AI针对性模拟一场对话。这个环节也许还能沉淀用户数据共享，让模拟越来越逼真，多少有点间接的UGC了。

范凯： 打住，别想那么多，先把第1步做好，脑补是个坏习惯。

猫猫君： 🤣是的，想太多。最近想的太多。

猫猫君： 基于之前的搜索，引入一部分AI能力（经验），就这么多。满足寻找低价这件事就够了，不想太多。寻找低价这个事对于一个小团队（我一个人）也足够了。用户还是服务年轻人（刚毕业、留学生、初入社会的），价格敏感型，收订阅费都可以，甚至不要考虑什么和旅行社合作（太重）。服务一小群人就行了，别想打掉谁了（笑死）。

范凯： 你如果现在还经常写代码，手速比较快，就定一个月上线的目标。上线以后跑跑看。

猫猫君： 嗯嗯我还行，天天写😂。我加快脚步，赶紧试错，管它好的坏的，先干吧。

猫猫君： 范老师，你昨天说的真对，不能雕花，MVP要重新梳理。即便雕花也是很遥远的事，绝不是现在做锦上添花的事，要避开高度重叠。做好差异化，服务一小撮人就行。
我们这种弱小团队甚至一个人，产品还是不能憋大招，要做一个点，做深再放大。
对于我这种个体，服务小众人群完全可以，别想太多😂。这样的事巨头做不了/不想做。
Hack机票这种特殊策略，OTA就不敢也不能碰，先切入小众群体。事实商业上之前也验证了，我只要把大陆的这次放大到全球航线，提高一些壁垒，扩大规模，打磨产品，做的体验好一点，服务一小群“发烧友”（我的很多用户就是经常飞、但是穷、喜欢这类产品）。

范凯： 赞。我应该把这些对话总结一下。

猫猫君： 哈哈我也是唠叨唠叨，不断和范老师学习哈哈。

那你会说，现在不是很多 AI 都可以帮我们做 PPT 了吗？的确，现在可以帮我们做 PPT 的 AI 已经烂大街了，无论是独立的产品 AI PPT，还是 主流 AI 产品自带的，例如通义，Kimi，WPS，都可以基于我们给出的文稿，帮我们设计 PPT 了。

是的，如果你只是做一个能交差的 PPT，这些也算差强人意了，而且往往还要付费。但是你想真的做出一个视觉化表达能力很强，并且具有艺术美感的 PPT 的话，这些工具基本都是垃圾啊，根本没法用。

但是，一个免费的、优秀的 PPT 神器，根本就在我们手边，唾手可得，这就是 Google 推出的 NotebookLM。你说，NotebookLM 不是一个知识库产品吗？没错，NotebookLM 是目前最优秀的个人知识库产品，然而它推出了一项新功能，基于知识库生成 Slide Deck。这个功能就是一个 PPT 神器。

来给看看我是怎么样用它的。我最近撰写了一篇 8000 字的 AI 产业分析的深度文章，我想要把这篇长文章录制成为 15-20 分钟的长视频。这么长的视频只是口播的话，太枯燥了，而且口播也没法把深度的内容很好的展示出来。所以呢，我必须根据视频的内容去制作相应的 PPT。这份 PPT 要能把深度内容可视化，然后看着也要比较美观才行。

我的做法很简单：把 8000 字的 AI 产业分析的文章上传到 NotebookLM，创建一个新的知识库，然后点击生成「Slide Deck」。完全出乎我意料之外，生成了一份视觉化水准极高，而且相当美观的 PPT。至少我自己是无论如何都做不到的水平。

当然了，我还可以更进一步。所以我把 8000 字的 AI 产业分析的文章丢给 ChatGPT，让它基于这篇文章帮我设计长视频的 storyboard，也就是分镜脚本。这样的内容更便于 AI 进行视觉可视化。检查一下分镜脚本，没有问题的话，导入到 NotebookLM 里面。然后再次生成「Slide Deck」。

在生成「Slide Deck」的功能里，可以做一些设置，例如：生成简体中文，适用于演示场景，以及自定义提示词，比方说定义生成的 PPT 的风格。最后导出，就变成了一份优秀的、精美的 PPT 文稿了。

生成好的 PPT 文稿下载下来呢，是 PDF 格式的，如果还想自己编辑和调整的话，我是这样做的：

1. 下载 PDF 格式的 PPT 文稿；

2. 把 PDF 格式的文稿导入到我的腾讯文档里面；

3. 在腾讯文档里面利用 PDF 转 PPT 的功能，转为 PPT 再次下载下来；

4. 这样 PPT 你就可以自己编辑了。但是实践下来，转换完成的 PPT 会有一些排版和字体上的不兼容，就只能自己调整了；

5. 我的用法是在 Mac 电脑上用 Keynote 打开 PPT，手工调整一下字体和布局，然后根据视频的需求，增加一些动画；

这份适用于长视频的优秀的 PPT 演示文稿就制作完成了。最后就是和口播稿放在一起在剪映里面剪辑完成。这样制作出来的长视频才是我心目中好的作品。

通过这个长视频的制作国产，我发现 NotebookLM 是神器 - 把文字内容进行可视化的神器：

1. NotebookLM 背后的 Gemini 3 Pro 对于长文章的理解和提炼的能力特别出色；

2. 然后 Gemini 可以基于文字内容的理解，再生成视觉化的图像，可以说非常的准确，我估计这也是因为 Gemini 优秀的多模态能力带来的；

其实 PPT 是什么呢？本质就是把文字内容做可视化，对吗？所以一个 AI PPT 工具的本质不是帮你把文字套用到模板上，而应该像 NotebookLM 这样在深刻理解内容，并且进行总结提炼之后进行可视化的能力。