用 AI 助理时，有个区别很容易被忽略：你是让它“帮我做一次”，还是把一件事交给它长期负责？ 如果每次都得你想起来、打开对话、再交代一遍，那负责盯着这件事的人，其实还是你。 Nick Baumann 分享了一个挺具体的例子：他把出差报销交给个人 Dot 和工作 Dot 配合处理。 一个根据出差日期整理开销和收据，另一个核对公司政策，再提交报销。他只需要在报销成功，或者有事情需要自己处理时收到消息。 省下来的除了操作时间，还有每隔一阵就得想起“我是不是又该报销了”的负担。 怎么做到？他的方法是一张共享的“职责表”。每件事都写清楚：想要什么结果、去哪里找信息、哪些能直接做、哪些需要你批准、什么时候检查、怎样算完成，以及什么时候通知你、什么时候保持安静。 还要约好什么时候停止或复盘，并记录实际运行情况。这样，“以后帮我盯着”才有了明确的执行方式。 这里有个细节：AI 说“记住了”，还不算接手。相关检查和日程要真正设置好、验证过，才能算开始运行；以后暂停这项职责，配套提醒也要一起关掉。 如果它现在已经经常发些没用的消息，可以先让它列出正在跟进的事情，把重复、过时和没设置好的部分清理一遍。 这套思路很适合用在试用到期提醒、邮件跟进、会议协调、补货降价监控这些事情上。 想让 AI 帮你省心，需要把目标、权限和完成标准交代清楚，再确认它真的跑起来了。

AI 越来越强，我们会不会反而越来越少思考？ Addy Osmani 最近聊到一个很真实的变化：一开始，你会认真检查 AI 给的答案；后来觉得它挺靠谱，就只扫一眼；再后来，干脆直接接受。 直到别人问起“为什么这么做”，你才发现，自己其实也说不清。 把任务交给 AI 当然没问题，关键是分清哪些事可以放心交，哪些事还得自己拿主意。 选个酒店、整理资料，出点错通常还能补救；但涉及资金、产品上线、用户利益，就不能只凭一句“已完成”点头。尤其是那个绿色对勾，你得知道它到底检查了什么，还有什么没检查。 他给的几个建议很实用： ·问 AI 之前，先想一下自己的答案，哪怕猜得不对； ·拿到结果后，先看证据，再看总结； ·除了问“做了什么”，也问问“你替我做了哪些决定、用了哪些假设”。 不用每一行都亲自过，但至少要能解释关键选择，知道结果靠什么站得住。

之前我也分享过一个X自动化内容工作流，当时是结合Claude/codex来做的。 现在grok bot已经可以自己跑完整个流程了： grok搜集素材放到飞书素材库——每天固定时间bot从素材库挑题，写成分享体，先只进飞书审稿。 自动任务停在这里，后面两道闸等人说话。 1）筛可写选题 → 分享体+图 → 飞书推文草稿；聊天只丢链接 2）你说进排期，才建 Typefully 草稿——先不定时 3）你报具体钟点，再设定时；没给时间绝不猜点 一句判断：机器人负责挑、写、排；闸门出现的时候，才轮到我点头。

之前我分享过一套 OpenClaw 自动发公众号的方案，当时是通过 Telegram 给 AI 发一句话，它就能自动写稿、上传图片，最后把文章推到公众号草稿箱。 最近我又把这套流程搬到了 Claude Code 上，现在文章写完，只要跟 Claude Code 说一句「传到公众号草稿箱」，它就会自动排版、上传图片、设置封面和摘要，直接生成草稿。 需要改稿，告诉它「更新刚才那篇」，还能直接修改原来的草稿。 具体操作就 4 步： 第一步，获取 AppID。 登录公众号后台，在「设置与开发」→「账号设置」里找到 AppID。 第二步，获取 AppSecret。 打开 ，管理员扫码登录，找到「我的业务」→「公众号」→「基础信息」→「开发密钥」。重置后记得保存，新密钥只显示一次。 第三步，设置 IP 白名单。 把调用接口的机器公网出口 IP 加进去。我现在直接用一台固定 IP 的云服务器，避免本地代理换 IP 导致接口报错。 第四步，配置 Claude Code。 把公众号 API 的上传流程交给它，包括获取 token、上传正文图片和封面、转换 HTML、创建或更新草稿，最后自动检查上传结果。 这次还有一个很重要的调整：AppSecret 不再直接发给 AI，而是保存在 Mac 系统钥匙串里，通过受控脚本调用，尽量减少密钥泄露的风险。 现在我的完整流程就是： AI 辅助选题、写稿 → Markdown 修改定稿 → Claude Code 自动排版上传 → 公众号后台预览 → 人工发布。 发布和删除这两个操作，我仍然自己来，避免 AI 误操作。

不少同学来问我，做副业项目比较推荐的是啥，我简单说几句最近的情况 一种就是跟 AI 算力相关的，不管是 gpt 账号，Claude 账号，还是各种 xxx AI 账号，这个毫无疑问，没门槛，上手快的，有复购，需要了解整个流程技术，唯一搞定流量，这个不用说 一种是公众号 AI 测评号，各种AI 工具测评，详细流程，植入软广，目前不管是 Twitter 还是公众号，各个大厂大模型需要发布，AI 来了，各种层出不穷的产品都需要推广，这个时候商单啥的相对容易很多，我最近 几个朋友，都拿到月入 10W 的收益。 很多人知道我最近做 AI出海，以外有啥不一样，做出海各种套壳，本质上也是一种卖算力，只是变成了工作流，更产品化而已 这两个赚钱密码，反正该说的都说了，AI 时代，反正大家做的事情一定要跟 AI 强相关。 判断你的业务是不是好业务，就是看大模型的反正你是开心还是不开心 比如 gpt6 发布了，比如 gpt images2.5 发布了，你是开心还是兴奋还是觉得无所谓，还是觉得影响了你。 希望大家人人都能拥抱 AI，紧跟 AI，一起实现 10 倍增长！🎉🎉

之前刷帖子的时候发现一套 X 自动化内容工作流，感觉挺不错的： Grok 找素材 → Claude/Codex 写帖子 → Grok 评分挑错 → Typefully 发布 → Webhook 自动记录和复盘。 Claude 或 Codex 负责写，Grok 再站在编辑的角度重新打分、挑问题，这样能减少 AI “自己写完自己觉得很好”的情况。 前面 Grok 主要负责从 X 上找真实素材，比如最近大家在讨论什么、有哪些热门帖子、不同人的观点是什么、有没有真实案例和争议点。 最好只让它整理成一个“素材包”，把原始链接、关键观点和待验证的信息留下来，而不是一上来就直接生成一篇文章。 然后把这些素材交给 Claude 或 Codex，改写成适合 X 的帖子，可以一次生成 几个不同角度，比如经验分享、工具拆解、案例复盘。写完以后，再交回 Grok，从开头吸引力、信息密度、可信度、独特性、互动潜力等维度评分。 高分进入发布队列，中间分数继续改，事实不确定的内容直接留给人工确认。 最后通过 Typefully 把内容放进草稿箱或者排期发布，发布成功以后再用 Webhook 自动记录帖子、素材来源、评分和最终链接。 后面就可以按周复盘：什么选题表现最好，什么内容比较弱，下一轮应该多写什么、少写什么。 这样整套系统就不只是“AI 自动发帖”，而是形成了一个真正的闭环： 找素材 → 写内容 → 交叉审核 → 发布 → 记录 → 根据结果继续优化。

分享一个增长小技巧：品牌词截流。 假设你发现一个产品已经做起来了，而且每天都有人主动搜索它的品牌名，这时候可以看看： 它的其他域名后缀有没有被注册，比如主站用了 .com，那 .io、.ai、.co 是否还空着。 有人会注册同名的其他后缀，做一个相近品类的产品，然后围绕这个品牌词做 SEO： ·域名里包含品牌词 ·网页标题覆盖品牌词 ·产品定位和原产品接近 ·持续优化内容、外链和点击率 这样用户搜索原品牌时，它也有机会出现在搜索结果前几名，相当于直接承接了一部分已经被市场教育过的精准流量。 这类玩法通常叫竞品品牌词 SEO、同名域名截流，做得比较激进的也会被称为品牌劫持。 它背后的思路其实很通用： 与其从零创造搜索需求，不如找到已经有搜索量、但搜索结果还没有被完全占满的关键词，然后做一个能够承接需求的产品或页面。 当然，不建议直接冒充别人。涉及商标、页面高度模仿或者故意让用户产生混淆，可能面临投诉、域名仲裁甚至法律风险。 更稳妥的做法，是研究竞品相关的长尾词、替代词和对比词，比如： ·某产品 alternative ·某产品 vs 你的产品 ·某产品平替 ·某产品怎么用 适合某类人群的某产品替代方案 本质上都是同一个增长逻辑：找到别人已经验证过的需求，再用 SEO 精准承接流量。

Claude Code 的 Artifacts 功能从 Team / Enterprise 扩展到了 Pro 和 Max 用户。 以前你让 AI 写代码，结果大多是终端输出、文件改动、聊天记录； 现在 Claude 可以把一次工作过程直接发布成一个私有网页，而且会随着它继续工作实时更新。 你只要让 Claude 创建一个 artifact，它就会生成对应的 HTML 或 Markdown，并在发布前询问你是否确认。 确认后会得到一个 链接，点开就能看，不用再手动去项目文件夹里找文件。 这个页面最大的亮点是会实时更新。Claude 继续工作时，网页内容也会同步变化，适合用来看 PR walkthrough、代码架构图、请求链路说明、数据 dashboard 等原本在终端里不太好展示的内容。 安全性也考虑到了：Artifacts 默认私有，每次发布前都会询问确认；页面自包含，不能加载外部脚本、不能发请求，也不能把数据传到外部。 想试的话，更新 Claude Code、登录 Pro 或 Max 账号，然后直接让 Claude 创建一个 artifact 就可以了。 已发布内容可以在 查看，也能用 Ctrl + ] 重新打开最新 artifact。

刚刷到一篇帖子讲如何用好fable5大概这几条： 1.Fable 5 不是普通聊天模型，而是长程任务执行模型 它更适合复杂 coding、研究、文档分析、多 Agent 协作等任务，重点是“持续把事做完”。 2.关键用法是 Loop Engineering 不要一轮一轮手动问，而是设定目标、标准和循环，让 AI 自己持续推进任务，只在需要你决策时找你。 3.成本高，要用“杠铃策略” 前期用 Fable 5 做规划，中间执行交给便宜模型或子 Agent，最后再用 Fable 5 做验收，既保证质量也控制成本。 4.Skills 是提升效率的核心工具 把反复做的工作沉淀成可复用模板，比如写作、研究、分析、脚本生成，让 Fable 5 以后按你的流程和风格执行。 5.视觉能力被低估了 Fable 5 不只是会读文字，还能分析截图、图表、PDF、UI 页面，用来做数据提取、设计评审和产品分析很有价值。 6.必须搭建上下文系统 把公司资料、项目背景、SOP、客户信息、决策记录放进本地 context 文件夹，让 Fable 5 每次都基于真实背景工作。 总结一下： Fable 5 最适合处理高价值、复杂、长周期的任务。真正的用法不是频繁问答，而是让它结合 Loop、Skills、视觉能力和上下文记忆，变成一个可以持续工作的 AI 执行系统。 限时1周，这7天最好用Claude Fable 5把你的所有的工作流、SOP、Skill、项目方案、项目代码全部优化迭代一遍。

塞进 CI/CD，每个 PR 自动过一遍安全 说实话，这个用法才是它真正能落地的地方。 Strix 带了非交互模式（-n 参数），不弹交互界面，实时打印发现的漏洞，跑完输出报告，发现漏洞会以非零退出码结束，这一点很关键，意味着它能直接卡住 CI 流水线。 配进 GitHub Actions 也就十来行：👇 在 PR 场景下，它会自动只扫改动的文件，跑得快，不会每次全量扫，这样有问题的代码在合进主分支之前就被拦下来了，比上线后再补救划算得多。

怎么用：一行命令就能跑 上手很简单。前提是本机装好 Docker 并运行，再准备一个大模型的 API key（OpenAI、Anthropic、Google 这些主流的都支持）。 安装就一行： curl -sSL | bash 然后配一下用哪个模型： export STRIX_LLM="openai/gpt-5.4" export LLM_API_KEY="your-api-key" 跑第一次安全评估，直接指向你的代码目录： strix --target ./app-directory 第一次跑会自动拉沙箱用的 Docker 镜像，结果保存在 strix_runs 目录下。 它的 target 很灵活，不止能扫本地代码。下面几种都行： # 扫一个 GitHub 仓库 strix --target # 黑盒测一个线上应用 strix --target # 带凭证的灰盒测试 strix --target --instruction "用 user:pass 做已登录态测试" # 源码 + 线上应用一起测 strix -t -t 还能用 --instruction 给它定向指令，比如"重点测业务逻辑漏洞和 IDOR"，让它把火力集中到你最担心的地方。

它和普通扫描工具到底差在哪 差别就俩字：验证。 传统静态分析是看代码、找可疑模式，所以特别容易误报，它说这儿可能有 SQL 注入，但到底能不能真打进去，它自己也不知道，得你挨个去核实，这一步，最熬人。 Strix 不一样，它走的是动态路线，它会真的运行你的代码，构造请求、操作浏览器、跑 exploit，一直试到真的打通为止。打通之后给你的不是一句"疑似漏洞"，而是一个可复现的 PoC 加上完整的复现步骤，也就是说，它报上来的每一条，都是验证过确实能利用的，不用你再回去筛误报。 这个区别对开发者特别实在。误报筛多了人是会麻木的，到最后真漏洞混在里面也容易被忽略。 Strix 把"能不能真利用"这一步自己做了，剩给你的就是干货。

这个开源 AI 黑客能自己上手攻击你的代码，还把漏洞打给你看 写过几年代码的人，多少都对安全测试有点又爱又怕。 你知道它重要，可真要做起来就头疼。要么花钱请人做渗透测试，一轮下来动辄几周，报告还死贵；要么上静态扫描工具，跑完吐给你一长串告警，点进去一看，大半是误报，真正能打的没几个。结果就是安全这事一拖再拖，等真出了事才想起来还有这茬。 Strix 想换个思路解决这件事，它是一个开源项目，用 Python 写的，核心是一群能自主行动的 AI agent，说白了就是 AI 黑客。 它不靠扫源码猜哪里有问题，而是真的把你的应用跑起来，像真人黑客那样动手攻击，找到漏洞之后再用一个能跑通的 PoC 把它证明给你看。

Fable 5回来了，Anthropic 这次重新上线了 Claude Fable 5。 简单回顾一下：6 月 12 日，美国政府对 Claude Fable 5 和 Claude Mythos 5 实施了出口管制，要求限制外国用户访问。因为这个要求是立即生效，而且平台没办法实时可靠验证用户国籍，所以 Anthropic 当时直接暂停了所有用户对这两个模型的访问。 现在出口管制已经解除，Fable 5 开始全球恢复访问，覆盖 Claude Platform、 Code 和 Claude Cowork。 Fable 5 重新上线后有什么变化？ 最大变化是加了新的安全分类器。 Anthropic 和美国政府、Amazon 等合作方一起训练了新的 classifier，专门阻断报告里提到的那种绕过方式。 官方给出的数字是：新的分类器能在超过 99% 的情况下阻止该技巧。 如果用户的请求被 Fable 5 的分类器拦下，系统不会直接让 Fable 5 回答，而是会把请求转给 Claude Opus 4.8。用户会收到提示，知道这次请求被 fallback 了。 这个设计很有意思：不是简单拒绝，而是降级处理。 也就是说，Anthropic 试图在两件事之间找平衡： 一边让用户继续用到 Fable 5 的强能力， 一边避免它在 cyber / bio / chemistry / distillation 这些高风险方向释放太多能力。

6 月 27 日，我们在成都办了一场「一人公司 AI 出海交流会」。 这次请到几位实战派朋友，聊了 聊SEO、X 增长、AI 内容和产品出海。 几个重点： 1.先找真实痛点，别先想“大产品” 每天都有人问、有人抱怨、有人愿意付钱的问题，优先做。能马上收费的小工具，通常比“大而全”的项目更容易跑通。 2.先拿到第一笔钱，再谈优化 先做一个最小版本，只要能解决核心问题、能收一次钱就行。卡住大多数人的不是做不出来，而是一直拿不到第一单。 3.用 AI 提高产出，不要只拿来写代码 人负责想目标、定边界、看结果，AI 负责生成、修改、测试、排版、配图这些重复活。 重点是把流程标准化，形成可复用的“工作流”。 4.多试几个小项目，别死磕一个 开发成本低了以后，打法要变成“快速试错”。先做多个小项目，留下跑得通的，挂掉的就当训练成本。 5.内容不是终点，是获客手段 持续发你在做什么、怎么做、踩了什么坑，能慢慢建立信任。 用户不是看你一篇内容就下单，而是先记住你，后面需要时自然想到你。 6.做一人公司，核心是三件事一起跑 低成本做产品，持续做分发，尽量把能力放到更大的市场里。只做其中一项，效果都会打折。

很多公司裁员的时候都会提到 AI，尤其是技术岗位，听起来好像软件工程师是最容易被自动化取代的一群人。 毕竟现在 AI 写代码越来越快，很多人自然会担心：是不是以后一个工程师就能顶好几个？ 如果 AI 真的在大规模替代工程师，最先被压缩的应该就是工程招聘，但现实看起来并不是这样。 相反，很多公司可能是因为有了 AI，工程师反而能做更多事，需求也被“放大”了。 AI 没有让工程师变少，反而让他们更忙了，因为 AI 把很多基础活提速之后，工程师就会继续去做更多新想法、新项目。 所以现在看起来，AI 对工程行业的影响，可能更像是“提高效率、扩大需求”，而不是简单地“替代工作”。 这有点像经济学里说的杰文斯悖论：效率越高，需求反而越大。 至少就目前来看，工程师并没有因为 AI 退场，反而像是进入了一个更忙的阶段。

Notion × Cursor：把文档、任务和讨论线程直接变成 AI 编程入口 昨天看到“Notion 如何使用 Cursor SDK 嵌入编程智能体” 一句话总结： 你现在可以直接在 Notion 里把任务委派给 Cursor。 在文档里 @ 它、在讨论线程里提它、或者在数据库里给它分配一个 issue，Cursor 会自己去规划、构建、测试、验证，然后在发起 PR 前把结果跑通。 这件事背后有两层含义： 对用户来说，这是 “在 Notion 里直接叫一个 coding agent 干活” 对产品和创业团队来说，这是 “Cursor SDK 已经成熟到别家产品能拿来当 agent 引擎了” Notion 并不是自己从零造一个 coding agent，而是把 Cursor SDK 嵌进了自己的工作流里。 Cursor 负责底层的 agent runtime、云端执行环境、模型调用、工具调用和 PR 流程；Notion 负责提供任务入口、文档上下文、讨论记录和团队协作场景。 换句话说，Cursor 更像是“会干活的 agent 引擎”，Notion 则是“组织记忆和任务调度台”。 以前 AI 编程大多发生在 IDE 或聊天框里，现在它开始进入团队真正产生需求的地方：任务板、文档页、评论区和会议记录。 这对团队协作的意义很大。很多时候，问题不是代码没人写，而是需求在 Notion，讨论在评论区，代码在 GitHub，结果没人同步回来。 这样的集成有机会把“任务 → 代码 → 测试 → PR → 文档回写”串成一个更完整的闭环。 当然，它现在还不是人人都能随手用的功能，权限、计费、企业安全、MCP 稳定性这些问题都还需要继续观察。 但方向已经很清楚了：AI coding 不会只停留在编辑器里，它会越来越多地进入团队的工作流系统。 🔗