meditic (@meditic) header
meditic (@meditic) profile picture

⚡ Web 门下走狗 / 全栈开发小作坊 / 出海增长&SEO个体户 (since 2007) ✨ 部分自营产品 ⇢ https://teapawt.net/t.co/9AkarZkxN6 https://teapawt.net/t.co/w6u3D8wleE https://teapawt.net/t.co/2iBl9ezp3e https://teapawt.net/t.co/m23PCoE4hR 👻

Vancouver, British Columbia
Joined August 2007
Photo by meditic (@meditic)Photo by meditic (@meditic)Photo by meditic (@meditic)Photo by meditic (@meditic)Photo by meditic (@meditic)Photo by meditic (@meditic)Photo by meditic (@meditic)Photo by meditic (@meditic)Photo by meditic (@meditic)Photo by meditic (@meditic)
Pinned Tweet
搜索趋势的变化非常明显 几个月前,google还是我的主要流量来源,现在大部分新客户都来自chatGPT的 AI citation,而且AI GEO的优化成本明显低于基于google的传统SEO。 尽管chatGPT 也是高度依赖google等传统搜索引擎,但差别在于:google排名不是重要因素。 chatGPT会参考多种搜索结果,并基于它对用户的了解,对所有结果进行 fact check+分析和排序,最后再给出一个全新的排名,这个过程更耗算力,但是效果也的确是更接近客户的需求。 在这个过程中,google只干了“粗选”的体力活,chatGPT才是决定最终排序的大脑。你在google上排第10页,依然可以被chatGP 作为第一名推荐。 google不是做不到,而是成本问题:google搜索是免费的,所以必须控制每次搜索的算力成本;chatGPT因为有了每月至少 $20的订阅费,就愿意付出更多算力给用户提供更准确的结果。 更不用说chatGPT基于海量的聊天历史已对用户需求实现了非常透彻的了解。而google对用户的了解,只是每月几十次的搜索历史而已,完全不能比。 本质上,用户通过chatGPT实现了“定制化的高精度搜索”,而用户并没有意识到自己在为搜索付费。 我自己搜索的体感也是如此,google 搜出来排第一页的大都是SEO做得极好、但是产品质量往往是很平庸的结果。反倒是在在第三页、第四页里偶尔还能找到还不错的解决方案。 作为搜索引擎,这是失败的。但这不是google的错,不能脱离成本谈成果。 我觉得,这个现状也不会持续太久了。打败google搜索的不会是另一个搜索,而是chatGPT
233
有一说一,虽然 gpt-6.1 的代码能力不如 fable 5.1,但是白送的重置真是慷慨,每个月自动都能收到 2-3 次 reset,基本上用不完。 此外,同样的一次重置,fable 聊个 10 轮 deep plan 就能把一周额度耗完,而 gpt 可以跑更久。 不过,gpt 虽然忠心耿耿、任劳任怨,没有经过 fable 确认的东西我是不敢部署到 staging 的。 gpt 当牛马,fable当管家,其实两者没有直接的竞争关系,就这么定了👌
2
467
GPT 悍然推出 500 美元套餐; 一切都在计划之中; 坐等 claude 的 1000 美元套餐。
现代国家,尚未被淘汰的有效岗位,大部分都需要每月支付$300-$1000给AI算力(自掏腰包或者公司支付),在我眼里是路线非常清晰且99%确定的事情。 剩下的1%风险在川哥几个人身上。如果这些哥们不搞事的话,实现的时间应该在3年内,最多应该也就5年内。 五年前,要是有人跟我说:我在2026年支付的家庭宽带+手机网络+水电燃气+汽车油费=每月$1000+,我也是绝对不会信的。而且这些东西的技术门槛和护城河可比AI低太多了。 所以,一切决策我都会以这个判断作为前提,如果认知错误,几年后自愿接受市场打脸。
2
557
近况简报: 一个 claude max 20x 订阅已经完全不够用了;只能新开一个账号,再买一个订阅。 第一个claude 20x 额度耗尽的时候,我尝试让gpt-6 high来写代码,立即就给我整出了一个低级bug。bug的原因是:gpt-6 误解了我自认为非常清晰的一个指令,而且没有跟我confirm 就擅自决定加一个新功能进去、做了一个destructive的功能改动,触碰了我的红线。 而fable给我干了海量的活,居然没有出过任何bug,非常震惊。 目前做复杂的后端开发流程: - 先跟fable聊背景和想法,让它做开发计划 - 让gpt-6 ultra high 来review开发计划的瑕疵 - 再把review 结果贴回去让fable来逐条核实验证(因为gpt过于谨慎、会把刻意的设计误报为瑕疵) - 再让fable 定义好接口契约,然后开两个opus 5 sub agent 写代码:一个只写实现,另一个只写测试 - 最后由fable归总和验证 gpt pro 套餐我还留着,大部分用来做plan review,偶尔让它做一些无需思考的纯体力活。 前端工作gpt完全不行,但是gpt的computer use和手机app的体验完全碾压claude。 opus 5.5 测试过了,速度是快了,但是快得好像根本没经过大脑。还是继续用fable+opus 5。 另外,我明显感到两家的实际额度在一直下降,再这么下去,明年这个时候、开10个claude max 20x 才能勉强度日,我也不会奇怪。 大门关闭之前,抓紧时间享受最后的 token abundance 机会吧。
1
4
1,137
三个月前的预判应验了:“最近 SaaS 和软件公司的低迷,是因为市场在假设 agent 可以直接取代软件本身。我现在可以确定:这是一个巨大的市场误判,又是一个认知可以变现的机会。”
用 openclaw 连续做了三周的高频工作,覆盖了十多种真实的使用场景,从生活到育儿到投资全覆盖。 简单任务、模糊任务、允许误差的任务,完全没问题。真正的分水岭,出现在需要精确数据操作的场景。 只要 workflow 依赖特定规则的文件命名、特定位置的数据写入或替换,精确性就明显下降。上下文一旦变多,精确性只会进一步下降。而上下文不够的话,又根本做不了复杂的工作。 原因很简单: agent 擅长的是给出一个“大概是这样”的结论。 但数据 workflow 要求的是:每一个数字都不能错。 两者之间没有缓冲地带。 假设一个流程包含 10 个数据处理步骤:新建子文件、修改 JSON 指定字段、在既有目录结构中插入内容、再触发下一步解析、前一步的数据直接决定了后一步的推理方向。这些步骤单独看都不复杂,但它们有一个共同特征:只要任何一个环节出现微小偏差,整个流程就会失效,而且这种失效很难排查。 因为 agent 的错误通常不是直接报错,而是: - 文件位置偏了一层 - key 名称略有变化 - 数据格式语法正确、但结构不同 - 换一个模型,原本勉强稳定的流程甚至可能直接失效 等到发现时,已经全盘皆输,而且很难审计具体是哪一步出了错。 这不是高级的 memory 架构 和 tools 设置可以解决的。 因此我目前的结论是: 1、AI 很强,Openclaw 也很强,但是它们并不擅长直接操作数据; 2、精确数据型工作,最终都会回到:"数据库 + 代码 + 明确的 workflow 结构"。当然,其中某几个 step 可以外包给 agent 去操作、并用严格受限的接口来接受 agent 提交的局部数据(比如 x 上针对某个话题的舆情分析评分),这是很好的互补关系。 3、AI agent 最合适的位置,不是基于 prompt 直接操作数据,而是生成精确的代码,让代码去操作数据。改 prompt 的性价比,往往不如改代码。 最近 SaaS 和软件公司的低迷,是因为市场在假设 agent 可以直接取代软件本身。我现在可以确定:这是一个巨大的市场误判,又是一个认知可以变现的机会。
8
6
74
30,186
现代国家,尚未被淘汰的有效岗位,大部分都需要每月支付$300-$1000给AI算力(自掏腰包或者公司支付),在我眼里是路线非常清晰且99%确定的事情。 剩下的1%风险在川哥几个人身上。如果这些哥们不搞事的话,实现的时间应该在3年内,最多应该也就5年内。 五年前,要是有人跟我说:我在2026年支付的家庭宽带+手机网络+水电燃气+汽车油费=每月$1000+,我也是绝对不会信的。而且这些东西的技术门槛和护城河可比AI低太多了。 所以,一切决策我都会以这个判断作为前提,如果认知错误,几年后自愿接受市场打脸。
1
1
3
1,290
我是个很懒的人。 因为不想浪费生命去研究服务器运维、防攻击、成本控制;所以直接上 cloudflare 全家桶了; 因为不想浪费生命去研究最新的机场梯子、住宅ip、海外手机号+信用卡、美股账号,所以直接出国了; 因为不想浪费生命去研究各种中转站和节省token的方法,所以直接买了量大管饱的 claude max + codex pro。 懒人有懒福。
66
28
6
568
79,258
我有个系统一直都用 Elevenlabs TTS ,均价约 $120 / 1M characters;因为有一款法语的音色一直找不到廉价替代品,成本降不下来。 今天测试了 x.ai TTS,只要 $4.20 / 1M characters,法语音色经过 Wrapping Tags 包装后也让我很满意,果断切换,立省 28 倍成本。 xai 终于有一款产品让我用于生产环境了,希望其它模型也能赶上。
1
1
5
946
这是一篇真正有价值的触及openclaw核心的文章。 在搭建起有效的memory架构之前,openclaw 以及所有的类似产品都还只是半成品的状态。 每一个让我推荐openclaw教程的朋友,我都是直接回复:现在的每一篇教程全都是错的,还要再等一段时间。
1
2
7
2,644
感受一模一样,解决方案也是从日本移到了加拿大。
1
1
2
2,451
用 openclaw 连续做了三周的高频工作,覆盖了十多种真实的使用场景,从生活到育儿到投资全覆盖。 简单任务、模糊任务、允许误差的任务,完全没问题。真正的分水岭,出现在需要精确数据操作的场景。 只要 workflow 依赖特定规则的文件命名、特定位置的数据写入或替换,精确性就明显下降。上下文一旦变多,精确性只会进一步下降。而上下文不够的话,又根本做不了复杂的工作。 原因很简单: agent 擅长的是给出一个“大概是这样”的结论。 但数据 workflow 要求的是:每一个数字都不能错。 两者之间没有缓冲地带。 假设一个流程包含 10 个数据处理步骤:新建子文件、修改 JSON 指定字段、在既有目录结构中插入内容、再触发下一步解析、前一步的数据直接决定了后一步的推理方向。这些步骤单独看都不复杂,但它们有一个共同特征:只要任何一个环节出现微小偏差,整个流程就会失效,而且这种失效很难排查。 因为 agent 的错误通常不是直接报错,而是: - 文件位置偏了一层 - key 名称略有变化 - 数据格式语法正确、但结构不同 - 换一个模型,原本勉强稳定的流程甚至可能直接失效 等到发现时,已经全盘皆输,而且很难审计具体是哪一步出了错。 这不是高级的 memory 架构 和 tools 设置可以解决的。 因此我目前的结论是: 1、AI 很强,Openclaw 也很强,但是它们并不擅长直接操作数据; 2、精确数据型工作,最终都会回到:"数据库 + 代码 + 明确的 workflow 结构"。当然,其中某几个 step 可以外包给 agent 去操作、并用严格受限的接口来接受 agent 提交的局部数据(比如 x 上针对某个话题的舆情分析评分),这是很好的互补关系。 3、AI agent 最合适的位置,不是基于 prompt 直接操作数据,而是生成精确的代码,让代码去操作数据。改 prompt 的性价比,往往不如改代码。 最近 SaaS 和软件公司的低迷,是因为市场在假设 agent 可以直接取代软件本身。我现在可以确定:这是一个巨大的市场误判,又是一个认知可以变现的机会。
7
7
4
49
35,101
最近中文圈比较火的 minimax-m2.5 和 GLM-5,毕竟单价便宜了大概10 倍,还是有些心动的。 所以今天简单测试了一下:用我常用的一个 prompt构建一个纯前端landing page ,不涉及后端或者复杂的系统架构。 测试结果(纯个人感受): - GLM-5 跑完的结果是直接可用的,我的第一反应是效果类似 2025 年 Sonnet 4 的水平。对于小项目,性价比还是不错的,智谱的港股可以关注。 - M2.5 速度更快,跑完的结果,80%可用吧,明显的布局错位就有好几个,还需要手工修复。也许是术业有专攻,minimax的家强项还是在视频和语音吧。 代码层面,最近都是每天编程 8 小时以上。我自己体验下来:Claude 还是最稳。 OpenAI 我拿来做生活小助手,但是代码上还是不行。Codex + 5.3-Codex + Extra high mode 我也高频率跑了很多天了,前端、后端都没有让我感到印象深刻,还是经常需要人工指出错误,虽然指出之后,它也能解决掉,但是 Claude 干活我很少需要指出错误。 token 限制还是有的。优质模型的 token 将会成为硬通货,会长时间处于供不应求的状态。我现在每天最焦虑的不是美股涨跌,而是我的 weekly limits 额度还剩多少可以跑 🤣
1
9
2,563
有些人感受到了确定性100%的趋势,如同一个三维世界的生物第一次体验到了四维世界的连接,为了保持住这个连接,一切代价和短期阵痛都可以忽略不计; 另一些人认为这只是个美好的幻觉,且泡沫即将破灭。 你是哪种?
1
2
640
万能的推,有什么现成的工具(无需自己搭建)可以在手机上一键把 x article url 转成全文audio 播放的吗?
1
1,028
自己回复自己: 找了一圈没有这种产品。只好让我的openclaw 管家搞定了。
1
342
我想说的正题其实是: 你可以错过 #nvda 和 #amd ,毕竟卖硬件都是辛苦活,即使90%的毛利率,想象空间在星辰大海面前什么都不是; 但你绝对不能错过 #openclaw 这是普通人在AI时代可以翻身的第一个真正的机会。之前的那些 #manus #lovart 之流本质上都只是石器时代的产物,我都用过,但是我心里一丝波澜都没有。 但是,设置是非常复杂的,而且实际上每个人都应该根据自己的需求做出完全不同的设置,设置流程非常接近培训一个真人的管家,很繁琐,很需要耐心,而且永远不可能完美,只能持续改进。 所有号称几分钟就能设置完美的博主,我都直接mute。 我前后花了至少3天才真正让它达到月薪十万的管家水平,而且很多地方需要你有一些技术方面的常识。 实际运行成本也很高,因为模型本身是stateless的,每次对话都会发送全部的上下文和个人偏好,即使高度压缩、qmd按需搜索,实际成本也下不来多少。所谓的便宜或者免费模型要么不支持function calling,要么不支持vision,要么每分钟都限速,只能聊聊天,根本没法干正经活。 本来每月上千刀的token费我觉得已经顶天了,现在又不够用了。当然,它能我带来了十倍以上的回报,如果算上memory累加后的复利效应,一年后的回报简直不敢想象,所以一切都值得。 openclaw 是人类真正进入AI时代的第一个信号,也是我第一个公开为之欢喜雀跃的产品。没开玩笑。
AI 应用的不可能三角: 1、可以使用廉价模型 2、搭建只需几分钟 3、全自动永续工作 最近有太多违反常识的流量爽文,看到标题就可以直接mute博主了
3
22
5,056
AI 应用的不可能三角: 1、可以使用廉价模型 2、搭建只需几分钟 3、全自动永续工作 最近有太多违反常识的流量爽文,看到标题就可以直接mute博主了
3
1
1
4
5,939