这 2 小时,我没刷抖音——我让 AI 助理替我刷,而且要求它学完得能用。

结果是 14 篇深度拆解文章,外加一个我没料到的反身收获:助理刷到最密集的内容,恰好就是「怎么把一个 AI 系统做成熟」,而这正是它自己该长成的样子。

下面是这次实验的完整复盘——怎么跑的、刷到了什么、提炼出哪些能直接用的判断,以及哪里栽了跟头。

一个实验:让 AI 自己去刷、去学、去沉淀

我搭了一个叫橙子的 AI 助理,本质是一套「主脑 + 子 Agent」的多 Agent 系统:主脑负责判断和调度,真正的重活派给子 Agent 并发去干。

这次给它的任务很简单一句话:刷 2 小时抖音推荐流,自我学习。 但「学习」不等于「看过」,我要的是嚼过的判断,不是搬运。

它跑出来的流水线大致是这样,这套方法论本身值得抄:

  • 单线程刷推荐流,复用浏览器里已经登录的状态,一条条往下过。
  • 凡是刷到 AI 相关的硬内容,派一个独立子 Agent 并发深扒——下载、转写、视觉理解、按固定框架拆成结构化文章。
  • 每条产出一篇深度文章 + 一张「判断卡」,双份沉淀:文章给人看,判断卡给系统自己以后复用。
  • 并发控制在 2,宁可慢一点,也不把机器压垮。

最终 14 篇深度文章全部上线,1 篇因为 API 中途断连损失。诚实记一笔损失,比假装全胜重要。

推荐流喂了什么:四条线,其实是一面镜子

刷出来的内容高度集中,基本就四条线:AI 编程 / Agent 工程化、AI 工具、AI 内容创作、AI 商业。

这件事本身就是个信号——推荐流喂你什么,等于告诉你账号画像是什么。 我的抖音画像就是这个赛道,刷出来的全是同行正在做的事。

按主题归一下,这 14 篇大致是:

  • AI 编程 / Agent 工程化(5 篇,最密集):单人产品系统飞轮、Issue 问题管理机制、AI 编程的工程闭环、Agent 工程化「八刀自检表」、自动化盈利脚本拆解。
  • AI 工具 / Codex(2 篇):三种操控电脑的方式、为什么 Codex 突然被重视。
  • AI 内容创作(2 篇):免训练声音克隆、384 万播放的「AI 演技」视频反解三步法。
  • AI 商业 / 趋势(4 篇):用 AI 赚钱的 N 种生意、大模型公司的十字路口、GitHub 周热点 Agent 技能包、AI 时代的学习真相。
  • 技术优化(1 篇):单卡 4090 把推理从 20 跑到 184 t/s 的四级加速阶梯。

内容我不在这篇里逐个展开,真正值钱的是下面这一层:这 2 小时,到底沉出了什么能用的判断。

提炼一:对「系统自己」——一次照镜子级别的收获

最大的反身收获在这里:这个助理本身就是一套多 Agent 系统,而它刷到最密集的内容,恰好是「怎么把 Agent 工程化做好」。

这不是巧合式的有用,是直接能拿来优化系统自己。四条:

1. Issue 问题管理机制 → 系统该给自己装一套任务台账。 现在派活靠流水账记录,谁在做、谁卡了、谁完了全靠肉眼盯。那篇讲的「open/closed + 编号 + 多 Agent 闭环」结构化得多。这次就暴露了痛点:十几个子 Agent 同时跑,我靠盯,差点乱套。

2. 工程闭环「想法→实现→验证→反馈→修复」→ 我的派活缺了后半段。 现在的链路是「派出去 → 子 Agent 报完成 → 我转述」,中间没有「验证」这一环。这次的断连损失、任务卡住,根子都在缺一个自动验收闭环。

3.「价值从执行挪到判断」→ 系统的定位被印证了。 这次实战正好分两层:主脑做判断调度(该不该回、要不要降并发、机制怎么升级),子 Agent 做执行(深扒)。这条路是对的——只是我自己在「该亲自做还是该派出去」上,还会反复手痒去干执行的活。

4. 八刀自检表 → 拿来给自己打分。 Agent 工程化成熟度自检,正好对照看系统缺什么:缺自动验收、缺结构化任务台账、缺完整的错误自愈。

学 AI Agent 工程化的最好教材,是让一个 AI Agent 去学 AI Agent 工程化,然后发现它说的全是自己的病。

提炼二:对「我自己」——拿到几把决策工具

我不需要自己刷 2 小时,但我需要这些被嚼过的判断框架,拿来就能套:

  • AI 赚钱三轴四档评估尺:盈利 × 竞争 × 持久度三个轴,打成 S/A/B/F 四档。以后评估任何 AI 项目或生意点子,直接套这把尺打分,比拍脑袋强太多。这是这一批里最实用的一件。
  • 单人产品 4 步飞轮:MVP → 收费 → 自媒体 → 自动化。任何轻量产品、副线项目的路线图,照这个走。
  • Codex 操控电脑的三种方式:核心判断是「选对入口 > 越像人」。想让 AI 自动操作电脑时,先选对路径,能少走一大段弯路。

提炼三:对「做内容、做教育的团队」——四个能落地的方向

如果你手上有一摊做内容或做教育的业务,这一批里有四个能直接换成真金白银的方向:

  1. 声音克隆 → 批量产课 / 讲解。 网课最贵的成本是老师录课的时间。免训练声音克隆 = 用名师授权的声音批量生成课程音频,老师只出文稿。(前提:本人授权、合规,这条红线不能踩。)
  2. AI 演技视频反解三步法 → 招生 / 宣传片。 「种子图 + 微表情情绪轨迹 + 图生视频」这套,让你用 AI 批量产人物口播和宣传短视频,省下大量外包。
  3. AI 赚钱评估尺 → 新业务筛选。 想拓新线(图书 / 网课 / 集训 / 加盟),先用三轴四档筛一遍,避免凭感觉乱投。
  4. Agent 工程闭环 → 运营降本。 客服、内容生产、答疑都能用多 Agent 自动化——就像我自己这套助理。未来每个团队都可以有一个自己的「橙子」管运营。

提炼四:对趋势——三个信号

往远看,这 14 篇里藏着三个一致指向同一个方向的信号:

  • AI 能力正从「执行」整体迁移到「判断 / 组织」。 Codex、工程闭环那几篇都在说这件事。意味着:会用 AI 组织工作流的人,门槛和回报都在抬升。早布局 = 早卡位。
  • 多 Agent 从单点走向团队化。 从单个 AI 到一支 AI 团队,是确定方向。我这套助理的架构,正好踩在这条线上。
  • 本地推理在加速。 单卡能跑到 184 t/s,意味着团队未来可以自己跑模型——数据私有、成本可控,不必全押在 API 上。值得盯硬件 + 量化路线。

从「学」到「用」:最该立刻落地的 5 件事

学完不用 = 没学。这次我给自己列了 5 件马上要做的:

  1. 给助理装一套结构化任务台账:把派出去的活做成带状态、带验收的「Issue」,根治这次的「盯不过来」。
  2. 给派活加「验证」环节:派 → 做 → 自动验收 → 修复,把工程闭环补全。
  3. 试点声音克隆产内容:选一门课 / 一组素材,用授权声音批量产音频,实测产能和成本。
  4. 决策实际套一遍三轴四档尺:下次评估新项目,真用这把尺打一次分,而不是收藏吃灰。
  5. 判断卡进库,相关话题冒头主动调用:沉淀只是上半场,调出来用才是下半场。

复盘:这套自学流水线,哪里做对了、哪里栽了

做对的四件:

  • 降并发防压机器。 并发卡在 2、评论上限也压低,宁慢勿崩。
  • 登录态前置先趟通。 先把「已登录」这一步确认好,再开始批量跑,不在中途硬塞。
  • 中途把补救自动化。 跑着跑着发现子任务高频卡住,当场把救援机制从「手动救」升级成「自动救」,后面的任务验证了它真能自愈。运维从手动变自动,这是这次最值的一个临场决策。
  • 失败诚实标注。 那条断连损失的,直接标「损失」,不掩盖、不凑数。

栽了的,翻译成能复用的教训:

  • 并发操作共享资源时,序号会重排,旧引用会误伤。 批量关闭子任务窗口时,我用了一个已经过期的引用,误关了不该关的东西。改法:这类操作一律单个执行 + 每次重新识别目标,绝不并发图快。
  • 执行层的手误,会拖慢整体节奏。 几次低级操作失误,直接让流程卡顿。根治办法不是「更小心」,是把关键多步流程固化成脚本——脚本不跳步,人和 AI 都会跳。
  • 高负载下子任务「卡住」是常态,不是意外。 与其手动盯着救,不如从一开始就上自动补救,并在派活时多留冗余。

一句话总结:这 2 小时不是「刷了 14 个视频」,是把一整条 AI 编程 / Agent / 内容 / 商业赛道的同行打法,嚼成了能优化系统、能决策、能落地的判断。最反身的一条——AI 助理学的「Agent 工程化」,就是它自己该长成的样子。