“有了AI，我感觉自己强得可怕！”｜对谈鸭哥

概览

本期播客围绕一个核心判断展开：大模型的能力仍在快速提升，但真正决定个人能否用好 AI 的，已经不只是模型选择或提示词技巧，而是能否为 AI 提供充分的上下文、清晰的目标、可验证的标准，以及持续自我改进的闭环。

鸭哥从新兴分类模型、云端持久化电脑和 3D 内容生成谈起，进一步分享了 AI 辅助就医、保险理赔、个人知识管理、自媒体运营、健康分析和定制软件开发等实践。他把这些方法概括为“Context Infrastructure”：收集和整理上下文，让 AI 能够检索、消费并产出新的上下文，由此形成不断积累的系统。

讨论的另一条主线是人与 AI 的关系正在从“使用工具”转向“管理团队”。AI 可以像医生助理、律师助理、秘书或程序员一样并行工作，但人仍需负责需求定义、质量验收、风险控制和商业闭环。未来更稀缺的能力，可能不是亲自完成任务，而是明确知道自己要什么，并让 AI 围绕目标自主运转。

分段落总结

[00:40] 重新理解新兴分类模型

[事实] 鸭哥认为节目中所称的“JV/GEV”并不是能够生成自由文本的通用大模型，而是一个快速、低成本、输出校准概率的分类器，其技术形态与大模型的 JSON Mode 很接近。

[事实] 类似的 Classification API 过去已经由 Google、OpenAI、Mistral 等公司尝试过，但不少产品后来被弃用，因此这一思路本身并非全新发明。

[事实] 他将这次产品走红归因于三个条件：小模型能力成熟、Agent 工作流带来低成本分类需求，以及“System 1 Classifier”等概念包装产生的传播效果。

[推测] 这次热潮的意义可能不只在技术创新，也在于它重新组织了开发者的认知，让已有能力被重新发现并用于新的自动化场景。

[05:39] 分类器在浏览器操作与安全判断中的用途

[事实] 在 Browser Use 场景中，可以把网页 DOM Tree 转化为候选项，通过分级分类快速决定下一步点击对象，从而降低处理截图所需的延迟和 Token 成本。

[事实] 鸭哥提醒，速度提升可能同时来自“图像转 DOM Tree”和“自由生成转分类”两项变化，必须通过消融实验才能判断哪个因素更关键。

[事实] Codex 等 Agent Harness 在每次工具调用时，都可能使用分类器判断操作是否危险；由于调用频繁，延迟与成本非常重要。

[事实] 通用分类服务可以让开源 Harness 更容易获得原本只有大厂产品才有能力维护的安全判断模块。

[09:03] 模型成熟与成本下降解锁新场景

[事实] 鸭哥没有找到该分类产品公开的专利、论文、白皮书或代码，因此推测所谓两年研发期可能包含了等待基础模型成熟的过程。

[事实] 他举例称，自己曾用低价模型处理一天约 400 亿 Token 的导游项目，把估算约 1.2 万美元的成本降至约 300 美元。

[事实] 他提到一个未经微调、直接基于开源小模型 Logit 实现的分类方案，在相关 Benchmark 上取得约 85% 的结果，接近原产品公布的约 88%。

[推测] 当小模型能够本地部署且推理价格足够低时，过去因成本无法成立的数据标注、路由和自动化任务将更具可行性。

[12:26] 给 AI 一台持久化的云端电脑

[事实] 传统 Cloud Agent 通常在每项任务开始时新建环境，而 Manus、Grokbot、Muse 等产品开始提供保留凭据、文件和记忆的持久化云端电脑。

[事实] 持久化环境使 AI 不再局限于 GitHub 和代码任务，也能处理订票、登录网站等需要长期身份与状态的日常事务。

[事实] 鸭哥认为这一模式相当于把个人自行购买设备、保持开机和配置网络等工作交给服务商完成。

[推测] 云端电脑的关键价值并非单次推理能力，而是让 AI 拥有连续状态，从临时工具转变为长期工作的数字成员。

[14:21] 基础模型正在压缩完整产业流程

[事实] 鸭哥用 GPT-6 Astra 制作了动漫角色的三维形象、纹理、绑骨和动作捕捉原型，并将相关 Skill 开源。

[事实] 传统 VTuber 形象制作需要美术、三维建模和技术框架等多环节协作，而他通过与模型对话完成了从形象生成到动作同步的流程。

[事实] 他强调，这并不意味着相关产业已经被完全替代，但个人已经能够用极低门槛完成过去需要完整团队才能制作的原型。

[17:10] AI 变强，但管理原则没有改变

[事实] 鸭哥将模型能力的提升比作从“带大专生”变成“带本科生”：能力提高了，但仍然必须清楚交代任务、定义成功标准并验收结果。

[事实] 他认为 AI 更像会犯错的工作人员，而不是输入后必然得到正确结果的普通工具。

[事实] 使用 AI 的稳定原则是提供上下文、明确目标、检查产出，并让系统逐步积累经验，而不是期待模型升级自动解决全部问题。

[18:00] 从辅助就医到接管保险理赔

[事实] 鸭哥的孩子出现牵拉肘症状时，AI 根据描述提出可能原因、询问症状，并建议前往儿童医院的 Urgent Care；医生最终确认并通过复位处理。

[事实] AI 还帮助查找附近机构、评价和可预约情况，但鸭哥明确表示，他并不期待 AI 代替医生，而是用它补充决策信息和处理检索工作。

[事实] 后续保险理赔中，AI 利用此前积累的病情、医院、账单和邮件上下文整理材料、撰写邮件并跟进流程；最终仍由人打电话推动赔付。

[事实] 他又让 AI 将完整流程整理为分别供人和 Agent 阅读的文档，分享给遇到类似问题的其他家长。

[推测] 这个案例体现的不是 AI 单点诊断能力，而是持续上下文让医疗信息、行政流程和知识复用连接成了一条工作链。

[23:00] 把 AI 当秘书，并让系统在主人缺席时运转

[事实] 鸭哥认为，没有上下文的 AI 往往只能给出“建议去医院”之类正确但缺乏实际帮助的答案。

[事实] 他主张像管理团队一样管理 AI：搭建结构、定义奖励和评价方式、沉淀 SOP，让 AI 能够自我迭代，而不是在每个步骤中手把手指导。

[事实] 他将理想状态概括为：即使管理者不在场，AI 组成的系统仍然能够正常运转。

[事实] “强得可怕”的感觉来自拥有可并行复制的医生助理、律师助理和秘书团队，但前提是使用者本身知道如何分配和验收工作。

[26:20] AI 提高效率，也抬高了脑力劳动强度

[事实] 鸭哥选择进入 Gap 阶段，一方面因为长期工作疲劳，另一方面因为 AI 完成了大量体力性任务后，留给人的几乎都是高强度脑力工作。

[事实] 他形容过去希望 AI 替自己开会、自己享受写代码；现实却变成自己继续开会，而 AI 把更容易进入心流的编码工作做完了。

[事实] 他计划与柯代表全职投入 Superlinear Academy，希望把以管理学视角使用 AI 的方法传递给更多人。

[推测] AI 带来的未必是自然减负；如果组织只增加任务吞吐量而不调整节奏，人的认知负担反而可能上升。

[29:46] 个人上下文实验：录音、文件与双重索引

[事实] 鸭哥曾连续数月用相机记录生活，但因没有找到有效用途而停止；会议录音则因能提供重要上下文而继续保留。

[事实] 录音经 Intake Skill 转写后，会同时通过主题目录和基于 Embedding 的语义搜索建立索引，供 AI 查找原始内容。

[事实] 他主张“一切都是文件”，认为普通文件与命令行已经足以承担记忆层，没有必要为了 MCP、向量数据库或 Memory Layer 而增加抽象。

[事实] 他尚未广泛使用云端持久化电脑，原因包括本地上下文难以完整迁移，以及隐私、密钥和聊天记录可能流入外部服务的风险。

[事实] 主持人也分享了将微信聊天记录备份到本地供 Codex 检索的实践，用于发现活动参与者与自己的历史交集。

[35:18] 由 AI 运转的自媒体实验

[事实] 鸭哥尝试让 AI 完成资料采集、研究、写作、发布、引流和数据分析，以解决人工无法长期高频维护专业内容的问题。

[事实] 他认为通用模型通过预训练学习的是共识，通过对齐倾向安全和中庸，因此直接生成的内容容易成为“正确的废话”。

[事实] 为形成鲜明观点，他向 AI 注入自己的文章、聊天记录、思考方式和横向研究习惯，让模型按照他的框架比较竞争者、历史路径与变化原因。

[事实] 该项目在约半年内获得 1600 多名 Newsletter 订阅者和 5700 多名 X 平台粉丝，文章与引流文案主要由 AI 生成。

[事实] AI 还建立 UTM 渠道归因，并结合 Google Analytics、Search Console 和平台分析数据调整选题、风格与推广策略。

[推测] “零人公司”的核心并不是无人参与，而是人负责目标和系统设计，AI 负责执行、观测、总结与迭代。

[43:22] 让 AI 学会一个人的观点

[事实] AI 对鸭哥观点的理解来自其博客、微信聊天和人机对话记录，再通过 Skill 总结为能够灵活应用的观点体系。

[事实] 他以餐饮博主“永哥”为例：下载并转写约 100 个视频，提炼出 20 条关于选址、客流动线和成本的实践经验。

[事实] 鸭哥认为，AI 有时会补充他遗漏的思路，但模型天然偏中庸，仍需明确推动，才能产生更有立场的表达。

[事实] AI 帮他把现有实践总结为 Context Infrastructure 的三个环节：收集整理上下文、让 AI 消费上下文，以及让产出成为新的上下文并形成闭环。

[47:09] 零人公司能做什么，不能做什么

[事实] 鸭哥的自媒体项目已经通过 AI 培训案例间接产生收入，但尚未独立跑通一个新的商业闭环。

[事实] 他认为 AI 可以承担编程、研究、写作和运营等大量脑力执行工作，却还不能仅凭一句“去赚钱”自主完成需求发现、获客和交付。

[事实] AI 对原本具有行业知识、商业知识或其他专业积累的人放大作用最大；只会编程但缺乏商业能力的人，短板不会自动被模型补齐。

[事实] 他强调应当谈“管理 AI”而不只是“使用 AI”：人的目标、标准和上下文必须被外化为文件或 Prompt，AI 才能持续利用。

[推测] AI 降低的是执行门槛，而不是判断市场、承担责任和建立信任的门槛。

[51:31] 开源工作流为何不能开箱即用

[事实] 鸭哥表示自己的 Skill、示例和思维方式均已开源，但直接下载并不能复现同样效果。

[事实] 他把自己的 Context Infrastructure 称为“老鸭汤”，其中包含个人观点、支持性 Skill 和长期反馈形成的标准。

[事实] 用户需要在自己的场景中运行系统、指出不符合需求的地方，并把反馈沉淀为文件，才能逐渐培养出属于自己的工作流。

[推测] 可复制的是系统结构和训练方法，不可直接复制的是一个人长期积累的判断标准与生活上下文。

[53:43] AI 如何改善个人生活质量

[事实] 为批量保存幼儿园 App 中的数千张照片，鸭哥让 AI 找到 Web 端、分析网络请求、逆向私有接口并下载照片，随后导入 Apple Photos 完成人脸分类。

[事实] 面对长期睡眠不足，他让 AI 编写 iOS App，把 Apple Health 中的睡眠、体重、血糖等数据自动同步到电脑。

[事实] AI 对数据进行多变量回归后，未发现咖啡摄入与睡眠时长明显相关，却发现晚间使用 AI 的时间与较差睡眠相关。

[事实] 根据这一结果，他尝试在晚上七八点后停止使用 AI，第二个月平均睡眠时间增加了一个多小时。

[事实] 他还让 AI 为三折叠手机编写定制的 OpenCode Client 和语音识别功能，使设备按个人需求适配工作流。

[推测] 这些案例说明，个人软件的价值正在从购买通用产品，转向围绕自身数据和习惯即时生成专用工具。

[60:38] AI 时代更值钱的能力

[事实] 鸭哥认为，编码速度、刷题能力乃至部分设计能力正在贬值，而搭建上下文、评价体系和自我改进闭环的“经理能力”会更加重要。

[事实] 他认为清楚表达“我要什么”是一项稀缺技能，并将直接决定一个人能否用好 AI。

[事实] 这种表达能力可以通过与 AI 对练来提高，例如要求 AI 指出说明中的模糊之处或给出反例。

[事实] 管理 AI 比管理人少了激励、情绪和自尊等问题，但信息传递、任务设计和质量控制仍不可缺少。

[62:49] 儿童如何接触 AI

[事实] 鸭哥认为，孩子应当及早获得与 AI 互动的机会，就像过去学习使用纸笔一样。

[事实] 他制作了带电子纸、触摸和语音交互的嵌入式设备，并限制孩子每日使用时间。

[事实] 其他家长根据他分享的上下文也制作了识字或亲子创作设备，而参与者此前都没有嵌入式开发经验，程序主要由 AI 完成。

[推测] 这里强调的教育重点并非提前学习某种编程语言，而是建立与智能系统共同创造的直觉，同时保留家长控制。

[65:09] 优秀 AI 学习者的共同点是行动

[事实] 鸭哥观察到，优秀学员有的能把想法真正实现并卖出去，有的能迅速抓住问题本质并找到有效推广方式。

[事实] 这些人的共同点是不停留在纸面，而是立即制作 Demo、进入真实场景并根据结果继续调整。

[事实] 他把学习 AI 比作学游泳：无法只靠观看内容掌握，必须真正进入项目中练习。

[事实] 对想做自媒体或学习 AI 的人，他建议先完成一批实际作品，再带着实践中产生的问题寻求指导。

[66:49] 哪些软件不会轻易被即时生成取代

[事实] 主持人提到，App Store 软件付费数量的增长近期出现下降，并将其与用户能够自行生成工具联系起来。

[事实] 鸭哥认为 Office 等依赖行业共识和文件兼容的软件仍难以替代，因为共同标准不是单个用户能够改变的。

[事实] 密码管理等要求极高正确性、长期维护和安全保障的软件，他也更愿意购买成熟服务，而不是自行实现。

[推测] 通用小工具最容易受到个性化生成软件冲击，网络效应、标准兼容和高责任成本则构成成熟软件更稳固的壁垒。

[68:16] 赛博许愿：让上下文基础设施进入组织

[事实] 鸭哥希望未来一年让 Context Infrastructure 在执行与协作中承担更多责任，而不只服务个人。

[事实] 他以亚马逊 Leadership Principles 为例，认为组织文化在人类员工中需要反复宣导，而 AI 可以通过 Prompt 和 Markdown 文件更确定地执行原则。

[事实] 他与柯代表已经尝试让双方 Agent 通过邮件交换方案和审阅意见，人只提供高层指导，经过数轮交互完成协作。

[事实] 他设想未来企业的协作、知识沉淀、执行与考评方式都可能改变，并把这种形态视为真正的 AI Native 组织。

[推测] 如果这一模式规模化，管理工作的重点将从反复传达要求，转向设计统一、可审计且能持续更新的上下文系统。

[70:56] 当前仍不愿交给 AI 的事情

[事实] 鸭哥不愿让 AI 机械臂在眼睛附近完成化妆等高风险操作，因为一次错误就可能造成不可接受的后果。

[事实] 对未经人工审阅就自动发布文章等会产生外部影响的任务，他目前也保持谨慎。

[事实] 他同时指出，这一边界会随着经验和模型能力不断移动，一些半年前无法接受的自动化，如今已开始在零人公司实验中采用。

[推测] 是否授权 AI 不应只看平均成功率，还应同时考虑失败后果、可逆性以及人工复核成本。

播客点评/总结

本期最有价值的部分，是把“如何用好 AI”从零散技巧提升为一套完整框架：收集上下文、建立检索、外化目标与标准、赋予执行工具，再通过真实反馈形成闭环。医疗、理赔、自媒体和睡眠分析等案例，使这一框架不再停留于抽象概念。

它的另一亮点是没有把 AI 描绘成自动成功机器。节目反复强调人工验收、隐私边界、高风险任务和商业闭环，并明确区分“AI 能执行”与“AI 能独立创造价值”。

[推测] 节目的局限在于大量结论来自个人实践与口述案例，部分模型指标、产品效果、健康相关性和行业数据缺少外部验证；尤其睡眠分析只能说明个人样本中的相关性，不能直接推广为医学结论。

[推测] 本期适合已经在使用 Agent、Codex 或自动化工作流，希望从“偶尔聊天”进阶到长期个人系统的人，也适合创业者、管理者和内容创作者。对于刚接触 AI 的听众，最可操作的起点不是一次搭建完整基础设施，而是先选一个真实任务，持续记录反馈并沉淀成可复用的文件。