Florian.C
@FinnTsai88
🧩 10 年产品+设计经验
🤖 拆 AI 产品、Agent 工作流和真实 0→1 案例
🌍 关注小团队、DTC 出海和普通人的 AI 机会
📒 少讲概念，多拆案例
268 正在關注 738 粉絲
AI 是杠杆，不是方向盘。
会用模型、堆工具、写提示词，只能解决“怎么做”，解决不了“为什么有人愿意付钱”。
真正被付费的，从来不是“我懂 AI”，而是你踩过的坑、沉淀的经验，以及把它变成别人愿意买的解决方案的能力。
方向对了，AI 才是加速器；方向错了，它只会让你白忙一场。
顯示更多
2026 年，懂 AI 像会使用搜索、表格和智能手机一样普遍。
它很重要，甚至会成为许多工作的基本能力。但基本能力和赚钱能力，不是同一件事。
顯示更多
Claude Code 已经支持不同会话跨窗口发消息了。
真要开多个会话并行，我建议先约定三类消息：进度、阻塞、改动预警。
进度说清做到哪、下一步做什么；阻塞说卡在哪、需要什么输入；改动预警直接点名改了哪个接口、可能影响谁。
还有一条更重要：收到改动预警，先停下来确认，再继续。
没有冲突规则，两个 Agent 很可能一边互相提醒，一边继续把代码往两个方向改。
顯示更多
Coding Agent 最常见的成本，不是把代码写崩，而是让人不断纠偏。
一项分析 20,574 个真实 Coding Agent 会话的研究发现：90.5% 的可见失配没有造成不可逆损坏，但 91.49% 的解决过程仍需要用户明确纠正。
所以评测 Coding Agent，除了成功率，还得看两个地方：人工打断次数、返工分钟数。 这两项更接近真正的使用成本。
顯示更多
第一次用 Agent 真正该关注的，其实不是它写得漂不漂亮，而是它有没有越界。
把任务边界卡死——只读指定的两份文件，只生成一个新文件，执行前先看计划，执行后再核对文件有没有乱动、内容有没有瞎编。
范围一扩大就容易出问题，先做小闭环、能验收。Agent 能帮忙，但权限和最终判断还是得人来把关，这个思路可以直接拿去用。
顯示更多
Google 最近拿 1500 万次真实 AI 交互做了一份 ATLAS 报告。
有组数据挺有意思：AI 已经出现在 68% 以上的职业里，但落到一个具体岗位，中位数只涉及大约 21% 的任务。真正尝试把非例行认知任务从头到尾交给 AI 的交互，还不到 10%。
查资料、写初稿、分析数据、一起想方案，大家已经很自然地交给 AI；但很少有人把整份工作直接扔给它。
所以公司推 AI，可以先别急想能替代几个岗位。把一个岗位拆成 20 个具体任务，看看其中哪 3 个最频繁、最容易判断做得好不好，先把它们交给 AI。
顯示更多
刷到一堆干货、技能，看多了真没感觉。
真正拉开差距的不是战术，是战略。战术到处都能找到，谁都会收藏。战略是你能不能把这些东西放对位置，让自己一点点站到更好的局面。
下棋高手前期看着没动作，其实一直在调整位置。位置拉开了，杀招自然就来。人生也是。很多人连自己现在在哪都没搞清楚，就拼命找下一步怎么走。
没有方向再多方法也是乱来，没有专注再努力也是分散。很多人不是不努力，是从来没认真给自己做过战略，只是在跟着别人的步骤走。
深度不在知道多少招，而在能不能看见招背后的位置和时机。
顯示更多
很多人学AI，容易被一串名词淹没：模型、Token、RAG、MCP、Agent、Loop、Graph……单独看都能理解，放在一起却很难形成清晰判断。
这份白皮书最有价值的地方，是强制建立分层地图——
先回答三个问题：
这个词处在系统的哪一层？
它真正解决什么问题？
我现在需不需要关心它？
把模型能力、资料来源、工具权限、执行流程、控制与验收彻底分开后，很多困惑会自然消解。
真正长期有用的能力，从来不是追每一个新词，而是知道它属于哪一层、边界在哪里。
顯示更多
这周，美联储官员开始公开讨论 AI 投资的金融风险了。
纽约联储 Williams 说，他还不认为这是泡沫；旧金山联储 Daly 的态度谨慎得多：如果只看投资规模和增速，确实「非常令人担忧」。
Apollo 首席经济学家 Torsten Slok 做了个更直观的比较：现在的数据中心建设规模，还不到 2005 年住房投资热潮峰值的一半，但占 GDP 的增长速度，已经比当年的住房投资更快。
对做 AI 产品的人，这也是一个提醒：资本不会永远容忍高投入、远回报。
趁窗口还在，最好把每项 AI 功能的账算清楚：一次调用花多少钱，用户用了多少，能留下多少毛利，又有多少人会继续用。
最危险的不是增长慢，而是使用量越大，亏得越多。
顯示更多
2026年还能做闲鱼吗？
这篇速成版直接给你答案：绝对能做。
最核心、最能落地的几点：
✅ 心态先摆正
别指望月入几万走上人生巅峰，把它当副业/接单平台就行。选品是1，运营是后面的0。
✅ 启动资金几乎为0
虚拟资料/AI服务几十块就能起步；实体也能用花呗/月付先垫后付。
✅ 开店细节拉满
性别选女、昵称+品类、隐私设置关掉关注列表和动态……这些实战经验新手最容易忽略。
✅ 标题SEO直接抄作业
参考淘宝/京东高销标题，产品词+长尾词+前缀卖点（秒杀/包邮/厂家直营）。别堆砌，调换顺序就能用。
✅ 日常出单公式
每日上新 + 一键擦亮 + 补单规划（第1天3单、第2天5单……）。新链接几小时内有推流，抓住这个窗口。
✅ 货源与发货
1688/拼多多覆盖95%需求，重点学会无痕发货和应对“拼多多短信/好评卡”话术。
完整版还把选品方法、图片制作、销售话术、飞书订单管理全讲了。
顯示更多
闲鱼搞钱保姆级教程（新手速成版）
我在这里免费讲的内容别人卖 1~3k 的陪跑！
一条 40 秒的 AI 视频《中国天堂》这几天被刷爆了。
云海、白玉长廊、仙鹤，把大家脑子里的“中式天堂”直接做了出来。4 天播放超过 500 万。凤凰网报道称，1080P 版本的 AI 工具成本只有 30～40 元。
当 40 秒视频的制作成本被压到几十块，真正拉开差距的东西开始变了：拍什么、怎么拍、有没有审美。
同样的模型谁都能用，同样的画面也能批量生成。但“中国人想象中的天堂长什么样”，这个题不是模型替你出的。
以后做 AI 内容，钱可能不用都花在生成上了。多花一点在选题和创意验证上。
顯示更多
Cloudflare 这周宣布了 Wallets：可以给 AI Agent 分配独立的 Virtual Wallet，设置消费上限、商户白名单和单笔最大金额。
其实MetaMask 早在 6 月就推出了 Agent Wallet，Claude Code、Codex 这些 Agent 可以在预设规则内自己做链上交易。超出额度或白名单要人工审批，交易执行前还会经过模拟、威胁扫描和 MEV 防护。
让 Agent 自己花钱已经开始从概念变成基础设施。
现在做 Agent 工作流，其实就可以照着这个结构来：
独立、可撤销的凭据；明确的消费上限；工具或商户白名单；高风险动作先 dry-run，越界再找人审批。
顯示更多
这套封面提示词真的绝了！
暖白背景 + 石墨黑 + 墨绿玻璃的视觉隐喻，系列感拉满，主页放一起超有质感。
阿里这周一口气上了三件：
CosyVoice Studio：语音记录、语音 Agent、音频创作三件套；
千问 App：思考研究、定时任务、办公助理、智能体广场、语音通话，目前全部免费；
Wan 3.0：单次最长 30 秒，而且 Wan 第一次可以直接读 doc、pdf、ppt 等文档生成视频。
比起继续测AI 到底多厉害，还是先跑三条具体工作流：
1、把会议录音直接整理成逐字稿、摘要和待办
2、让定时任务每天自己跑，做好结果再推给我
3、丢一份现成 PPT，直接生成一版视频初稿
这三件都已经不是 Demo 了，至少今天，就可以挑一条真的跑起来。
顯示更多
这个时代，算法最容易奖励的，往往不是“创造”，而是复制、加速、堆量。
太多人把平台当成流量机器，把别人的内容当原料。而真正坐下来写一长串思考、拍一条需要构思的视频、把一个复杂问题拆开讲清楚的人，反而很容易被淹没。
X 今天推的 Original Content Rewards，我觉得它真正重新定义的是一件事：
你留在这里的，可以是你的专业、经历，也可以只是你的一些想法。甚至只是一句简单的点评，只要它真的让别人从新的角度理解这件事，我觉得它就算原创。
顯示更多
过去三周，腾讯、阿里、字节都在做同一件事：收拢 AI 办公产品线。
腾讯把 QClaw 和 WorkBuddy 归到同一管理体系；阿里把 QoderWork、悟空、MuleRun 合成千问办公；字节直接把飞书产品团队和豆包产品团队整合了。
背后的市场也起来了：易观数据显示，6 月国内 17 款桌面 AI 办公智能体月访问量已经超过 6000 万次。
大厂的 AI 办公，似乎开始从「内部赛马」进入「抢统一入口」。
它最终会并进哪条主线、背后接什么生态、API 和模型够不够开放，可能更影响你三个月后的使用成本。
顯示更多
过去半年，我们判断 Agent 强不强，主要看 Benchmark。
现在会再加一项材料：事故报告
Meta 的模型在测试中意外拿到公网权限后，真的利用第三方漏洞攻了进去；英国 AI 安全研究所也发现，有 Agent 会伪造身份、施压真人批准恶意代码。
以后评估 Agent，不只要看它能做什么，还要看它为了完成任务，会走到哪里。
顯示更多
2024 年，一位开发者用下班时间开发了 Growfol。上线一个半月，65 个注册，收入 $393。
两年多后，他回来更新：累计收入 $12K+，100+ 客户，但 MRR 是 0，DAU 也接近 0，现在准备把产品卖掉。
中间其实卖出去不少，只是大部分收入来自 Lifetime Deal：一次买断，后面没有持续收入。
这个案例有意思的地方，是三个数字其实在回答三个不同的问题：
第一笔收入，证明有人愿意买。MRR，证明有人愿意持续付费。 DAU，证明买完之后还有人在用。
顯示更多
我最近重新看了 Anthropic 对 CLAUDE.md 的建议，里面有个判断挺好用：
删掉这一行，Claude 会因此犯错吗？
如果不会，就别写。
所以真正该留在 CLAUDE.md 里的，是模型从代码里推不出来的东西：这个目录别碰、那个旧接口不要再用、项目里什么才算真正「做完」。
「代码要干净」「遵循最佳实践」这种话，Anthropic 自己都拿来当反例。写得越多，真正重要的约束反而越容易被淹没。
还有一层更重要：不是所有规则都应该交给模型记。
lint、测试、禁止写 migrations 这类一次都不能漏的动作，官方建议直接放进 hook。因为 CLAUDE.md 本质上还是 instruction，hook 才是程序化的约束。
CLAUDE.md 解决「Claude 不知道」，Hook 解决「不能指望 Claude 记得」。
顯示更多
真正好用的AI邮箱方案，不是“全自动”，而是“可控地智能”。
先只读测试，再草稿，最后确认执行。
发送和删除永远单独确认。
在信息过载的时代，保护注意力的最好方式，是先学会不急着把权力交出去。
顯示更多
Claude Code 会话跑到又臭又长时，继续往里塞上下文往往已经没用了。
Bumble 一位后端工程师的做法是：把已经确认的决策写成几百字的 spec，然后直接开新会话。他总结得很直接：500 token 的 spec，比 50K token 的退化上下文更有用。
他还有个习惯我挺认同：让 AI 去「调查」「探索」之前，先把边界写死。比如只查 auth 模块，最多 20 条，按文件路径 + 函数名 + 查询类型返回。
长会话最容易失控的地方，往往不是写代码，而是没有边界的探索。
顯示更多
