【增长黑客AI周报】EP#37 创业亏钱经历、达人营销实测、耳机硬件破局、AI玩具调研、智能体踩坑复盘、谷歌老板反思等
「在过剩里，人需要意义；在噪音里，组织需要一致性。」
▪️PREFACE 卷首语
1/ 双十二帮推了一把个人非常爱用的「播客信息降噪」工具——Podwise，挺成功的，成了本次所有帮推的 KOL 中的 TOP 1。
老板一边乐呵呵地给我赚佣金，一边听我反馈「还有人没赶得及上车」，果断给我专门创建了个长期的优惠码：XDash。
您用这个优惠码，在 Podwise 购买付费会员套餐，就能享受 35% off（6.5折）优惠，并且首次注册和后续续费，都锁定这个价格。Enjoy it!
2/ 转眼 2025 走到年底了，又到了盘点一年成败得失的时候。我想了一些选题，看看大家有感兴趣的吗，投个票呗，我来输出一通——
Substack 这个系统只能添加最多五个选题，而且不能自定义输入。如果您对上述之外的其他话题感兴趣，希望我写一写，可以在网页评论区或邮件的回复中提供。
OK，以下是本期的正式内容——
▪️CASE 案例
一个入局晚了的数据标注创业者，3 个月亏了 20 万
via AI故事计划
今年 7 月，45 岁的马飞扬（化名）在朋友的推荐下，带着 20 万积蓄，在老家山东德州的郊区成立了一家数据标注公司。短短 3 个月，他亏光了所有本金，被迫关停公司。
殊不知，那些被宣传为「低门槛、高回报」、普通人也能参与的 AI 生意，背后其实布满了致命的隐形门槛。
看似蓝海的「下沉市场」其实是红海陷阱。主角马飞扬被山西标注基地「几百上千人同时工作」的宏大场面和资源群里「项目刷屏」的热闹假象所震撼，误以为行业需求无限。但入局后才发现，甲方拥有绝对话语权，项目时有时无，利润被压到极低，他 3 个月没收到一分钱回款，最终亏光 20 万本金。
核心壁垒不在技术，而在「资源与话语权」。这个生意模式极度依赖上游稳定的项目分发和公平的结算体系。小城创业者就像产业链末端的「数字民工」，面对不透明的项目渠道和严苛的验收标准，几乎没有议价能力，所谓「连接未来」成了替巨头垫资的苦力活。
这个故事给我们提了个醒：当一项生意被过度包装成「人人可做」时，往往意味着真正的门槛隐藏在你看不见的地方。数据标注创业就像「在别人制定的游戏规则里淘金」，规则、工具甚至金矿的地址都握在甲方手里，你投入的场地、设备和人力，很可能只是为一场海市蜃楼买单。
一手实测 Aha 2.0：真的是达人营销的最优解吗？
via 十字路口 Crossing
这篇文章通过一手实测，深入剖析了这款定位为「AI 达人营销员工」的新工具——Aha2.0，如何进行海外增长的全流程复盘（有 PR 成分，需辩证地看）。
在 Manna 的活动中，Aha 从超过 500 万达人中初筛，最终成功匹配并谈妥了 187 位有合作意向的达人，而团队需要手动处理的，仅仅是最后的确认与审稿。它展示了 Aha 如何将传统依赖人工、Excel 和运气的混乱流程，串联成一个「All In One」的智能任务流。
具体来看，Aha 的方法论可以拆解为两步关键操作：
第一，它用「智能爬虫」模式解决写营销 Brief 的痛点。你只需输入产品官网链接，AI 就能自动提取品牌 Logo、核心卖点、受众画像等关键信息，生成初步的营销方案。这相当于把一个需要数小时翻译和描述的复杂工作，变成了几分钟的「信息投喂」。
第二，它用「LLM 专家主导的达人匹配系统」替代广撒网式的搜索。系统不依赖简单的标签，而是综合达人内容、受众互动、品牌目标等多重因子进行深度匹配，甚至能判断并过滤掉营销号。在 Manna 的案例中，平台在 24-48 小时内就完成了从海量筛选到初步谈价的全过程，并将每位候选达人的「最优价格」、「预估 CPM」等决策指标清晰呈现，让「选谁合作」从凭感觉变成了看数据。
（BTW，我自己的公司也有国内主流社交/娱乐平台（抖音、快手、小红书、微信生态等）的 KOL 营销和品牌服务。如果你是品牌方，从这个 newsletter 找过来，可以享受优惠价，有需求的欢迎接洽~）
逃离内卷：一个深圳老板自投 1000 多万「豪赌」出的 AI 硬件新品类——相机耳机/MusicCam
via 极客公园
讲了一个深圳传统耳机制造商老板，在行业陷入「9 块 9 包邮」的红海绝境时，如何破釜沉舟，自掏腰包 1000 多万，赌出一个融合相机、耳机和 AI 助手的全新品类 MusicCam 的故事。
（原载于 GeekPark 的帖子已经被删除了，我特地找到了 Zaker 上的一篇缓存文本。内容多少有公关意味，但披露的一些创业细节还是可以看看的。）
当传统耳机利润薄如刀片、团队失去方向时，老板何卫没有选择优化旧产品，而是跳出来做「加法」。他深入研究运动相机和骨传导耳机两个领域的王者，发现前者佩戴麻烦，后者功能单一。于是，他提出了一个看似简单却直击痛点的「A+B」逻辑：把两者结合，创造一个「音乐摄像机」新物种。
最大的难关是防水，尤其是在可旋转的镜头关节上实现 IPX8 级防水。团队模具开了一套又一套，几十万几十万地烧钱，问题依旧。这时，何卫展现出了「豪赌」的决心，他的逻辑是：如果不解决，之前花的几百万就全打水漂。于是逼着团队挖来专家，最终用一个精巧的多机构密封方案攻克难题，仅这个小转轴就藏着数个发明专利。
产品最终能打动人，靠的是源于真实生活的细节。比如，何卫接女儿放学时，发现镜头拍不到矮小的孩子，于是立刻催生了镜头可俯仰 30 度调节的功能；又比如，他自己骑车单手操作样机摔了一跤，马上回公司复盘，催生了更安全的右手操作逻辑。这些细节的代价是模具全部报废，但正是这些「笨拙」的生活场景，让产品从「能用」进化到「好用」。这印证了：最好的产品经理，是生活本身。
最终产品在 Kickstarter 上众筹超 68 万美金。
18 岁用户自述：花 6000 块买 6 款 AI 玩具，年轻人到底在为什么买单?
via 白鲸出海
通过一位 18 岁大学生王诗航的真实体验，深入探讨了当下 AI 陪伴玩具这个新兴市场的消费逻辑与产品现状。他投入超过 6000 元购买了 6 款产品，从仿真宠物到语音盒子，这场「陪伴实验」背后，其实揭示了 AI 玩具行业一个关键的商业困境：产品定位的摇摆与盈利模式的迷茫。
文中提到，像「AI 小耙」这样的产品，最初主打「面向成人的治愈玩具」，承诺永久不限量沟通，但后来却悄悄改为「仅限一年」，并突然上线付费教育功能「耙老师」。这背后是一个反直觉的商业现实：看似前景广阔的成人情感陪伴市场，实际付费意愿薄弱，迫使团队转向看似更易变现的儿童教育赛道。
这种「从治愈到教培」的急转弯，暴露了许多 AI 玩具创企「没想清楚就入场」的尴尬——它们卡在了「到底是玩具，还是智能硬件」的模糊地带。
年轻人愿意为这些单价近千元的 AI 玩具买单，本质上是在为一种「可触摸的治愈感」和「收藏的新鲜感」付费。然而，行业若想从小众玩具走向大众市场，必须解决产品定位与商业模式的根本矛盾。否则，它们可能永远只是玩家床头「竞争激烈」却很快被收进箱子的短暂慰藉。
▪️OPINION 观点
我们花一年打造 AI 智能体，踩过的 8 个坑和收获的 8 条真经
via ThinkInAI 社区
这是一个名为 PostHog 的团队从一年实战中提炼出的 AI 智能体构建心法。
他们发现：看似先进的「基于图的工作流」和「子智能体」架构，反而是效率的陷阱，而一个简单的「单一循环」配上「待办事项」工具，却能爆发出惊人的生产力。
团队曾花费数月追逐基于图的复杂编排，结果发现，图结构限制了 LLM 的自我纠正能力，上下文极易丢失。如今他们回归到令人愉悦的简单架构——一个能通过循环反馈持续验证输出的单一 LLM 循环，这反而能可靠执行数十个步骤的任务。
在这过程中，把任务分给「CEO」、「工程师」、「测试员」等子智能体的想法听起来很聪明，实则愚蠢。每一层抽象都在丢失上下文，自我纠偏的能力随之消失。他们从 Claude Code 的成功中看到，使用简单工具的单个 LLM 循环，才是涌现惊人结果的秘诀。
而在单一循环里，他们加入了一个看似什么也不做的「todo_write」工具。LLM 每走完一步就写下下一步待办，这就像思维链的强化版，能神奇地让智能体在长任务中保持正轨，不再迷失。
归根结底，构建高效智能体的核心不是堆砌复杂架构，而是最大化上下文留存与自我纠正的空间。把智能体想象成一个需要不断自我对话、记笔记的思考者，而不是一条僵化的流水线，这才是解锁其真正潜力的关键。
很多结论，跟迭代了一年的 《我的个人 10X 知识萃取系统》 收获心得是高度契合的。
Top 5 mistakes writers make building AI agents
via Write With AI
跟上面那篇异曲同工。上面的是开发者角度，这篇站在内容创作者角度。
作者观察到许多创作者一旦发现 AI agents 的可能性，就恨不得立刻自动化所有事情——从监测趋势、撰写 LinkedIn 帖子、生成 Twitter 线程，到自动回复评论和跨平台发布。这种「自动化一切」的狂热，结果却造出了一个难以调试、运行昂贵且产出平庸的「弗兰肯斯坦」系统。这背后的商业逻辑异常清晰：贪多求全，反而会拖垮效率。
作者用了一个精炼的比喻来破解这个迷思：学烹饪不会从为 12 人准备七道菜的大餐开始，而是从炒鸡蛋起步。
构建 AI 代理同理，你的第一个代理应该只把「一件事」做到极致，比如「监测趋势 → 生成 LinkedIn 帖子」。先精通一个工作流，再叠加下一个。这种「单点突破，再系统扩展」的方法论，能让你避开复杂系统的泥潭，真正享受到 AI 带来的效率红利——文中提到，那些成功将 AI 系统植入业务的企业家，客户留存和升级率提升了 20-30%，因为他们从低价值的行政工作中解放了出来。
说到底，构建 AI 内容代理不比学 Excel 难，关键在于克制开始的冲动，用最小的可行系统跑通闭环，这才是聪明人的商业自动化起点。
只有创作者才懂：AIGC 视频从概念到落地的真实「填坑」指南
via 非凡产研
填平理想与现实之间的深坑，靠的不是模型迭代，而是创作者对协作、审美与叙事门槛的重新定义。
这篇访谈，通过几位一线创作者的实战经历，揭示了 AIGC 视频从爆款梦想到落地成片之间，那些技术教程不会告诉你的真实困境与野路子解法。
技术平权后，最大的卡点反而不是技术，而是团队审美分歧：文中提到一个典型案例：版本管理混乱导致导演用了旧素材，整片气质错位。这逼着创作者重新定义人才——美术基础、影视语言和 AI 理解，缺一不可。AI 解放了技术，却放大了「什么才是好看」的战争。
模型再强，也代替不了叙事能力：不会讲故事的人，多给十个模型，只会多出十条平庸的片子。解决方法很朴素：大量拆解传统优秀影片的叙事结构，把 Prompt 当作「可训练的协作对象」，而不是万能剧本机。当你知道自己要什么时，Prompt 只是工具；当你不知道时，它会把你带向更模糊的地方。
长内容不是炼丹玄学，而是实践科学：面对 Kling 半年迭代 30 次的疯狂速度，焦虑是常态。但真正解决长叙事难题的方法只有四个字：大量练习。有团队让新人生成十万张图，在失败里摸清每个模型的脾气，把这变成一种经验科学，就像摄影师摸透一支镜头的全部特性。技术更新会废掉技巧，但如果你目标是拍出长片，那么更新永远不够快。
最终，当工具越来越傻瓜，留下的真正护城河只剩两样：审美和表达。创作者不仅要懂技术，还得学会与市场和技术的「认知偏差」沟通，这才是 AIGC 时代从概念到落地的真实填坑指南。
AI Agent 下半场的竞争法则
via 甲子光年
通过一场汇集了清智资本、Pokee.ai、灵宇宙等公司创始人的圆桌对话，揭示了 AI Agent 竞争的下半场，正从技术参数的比拼，转向生态构建与用户关系的深度沉淀。
其中最吸引人的一个反直觉观点是：未来 AI Agent 最稳固的壁垒，可能不是超凡的智力，而是与用户共同生活、积累信任后形成的「羁绊」。这就像灵宇宙创始人顾嘉唯的判断，C 端产品的真正壁垒是人与 AI 在真实世界中共历琐事后形成的共同记忆。
为了讲透这个观点，我们可以分两点来看：
第一，企业级市场的「网络效应」壁垒。Pokee.ai 创始人朱哲清指出，处理像谷歌项目里包含超过 350 项任务的超长工作流，需要强化学习驱动。而未来的壁垒，将是由工具、智能体和用户构成的三方市场网络效应——这意味着，谁先织好这张协同网络，谁就拥有了护城河。
第二，C 端市场的「情感资产」壁垒。心影随形联合创始人王碧豪基于服务千万游戏用户的心得，提出个人记忆资产的沉淀与运营能力是关键。这类似于创作者的社交资产，用户用得越久，依赖越深，迁移成本就越高。AI 正在从「全能工具」演变为不可替代的「场景协作者」和情感伙伴。
未来的赢家，或许不是最聪明的那个，而是最能让人「离不开」的那个。
布林坦承谷歌低估 Transformer，「还被 OpenAI 挖走了 Ilya」
via 量子位
八卦时间~ 谷歌联合创始人谢尔盖・布林在斯坦福做了场演讲，深度复盘了这家科技巨头如何在 AI 浪潮中一度掉队，又凭借深厚积累逆风翻盘。布林亲口揭秘的谷歌「AI 战略失误」细节，这堪称一场价值千亿的商战反思课。
具体来看，布林分享了两个关键失误：
错判 Transformer：当这篇革命性论文发布后，谷歌内部却低估了其价值，担心聊天 AI「会说蠢话」而不敢全力投入和推向市场。这给了 OpenAI 绝佳的窗口期，后者不仅抓住机会，甚至反过来从谷歌的「全明星 AI 梦之队」里挖走了核心人物 Ilya Sutskever 等人。
过早商业化谷歌眼镜：布林坦承自己当时「飘了」，幻想成为下一个乔布斯，结果在成本控制和用户体验未成熟时就强行推出产品，最终遭遇市场冷遇。他总结的血泪教训是：当外界期待高涨、成本攀升、deadline 迫近时，更要顶住压力，给自己足够时间打磨产品，避免陷入被期望裹挟的恶性循环。
幸好，谷歌的「全栈技术」家底——包括自研 TPU 芯片、大规模数据中心和长期的深度学习投入——构成了它翻盘的底气。
布林也给出了职业建议：AI 时代，他反而「不推荐比较文学专业」，因为 AI 在这方面可能更擅长；他更看好量子计算、材料科学这些被低估的硬核领域，以及「利用 AI 激发灵感，而非替代思考」的人机协作新模式。
随便看看：
《AI 暴击下，科技行业增长最快的新工作居然是这个》 ：当 AI 引发大规模裁员焦虑时，硅谷和华尔街的科技巨头们，却正在以高达 27.4 万美元（约合人民币 200 万）的年薪，疯抢一个古老的职业——「故事讲述者」。为什么最会搞钱的科技公司，突然开始狂抢「讲故事的人」？大概是因为：在过剩里，人需要意义；在噪音里，组织需要一致性。
《实测 GPT5.2 打工人版的十种用法，我觉得 Gemini 3 Pro 要笑到肚子痛了》：通过一系列深度实测，揭示了 GPT5.2 在商业场景下的真实能力与尴尬。GPT5.2 在官方宣称的「赚钱能力」测试上表现突出，但在实际应用中却暴露了「后缀版本」性能不稳定与性价比失衡的致命问题。
适合个人上手的教程/评测/资源：
《第一批用 AI 赚钱的人，已经不写代码了》：讲几个非技术背景的普通人用 AI 工具「秒哒」成功创业并赚钱的真实案例。例如一位在油气行业干了 12 年的石油工程师王治磊，用「秒哒」一个人开发了一套「油气井生产优化设计系统」，不仅解决了传统专业软件价格昂贵、功能割裂的痛点，更关键的是，这套系统直接被大庆油田、长庆油田等一线单位以及多所高校采用。
《我把 NotebookLM 知識庫接到 Gemini：3 分鐘將課程素材變成攻略圖解、Google 簡報、互動網頁》：揭秘了如何将 Google 两大 AI 工具——NotebookLM 和 Gemini——串联起来，实现从知识沉淀到高质量内容产出的自动化工作流。核心洞察是：NotebookLM 负责做「知识库」，而 Gemini 3 Pro 则扮演「输出引擎」，这个组合能解决 NotebookLM 自身 AI 处理能力有限、产出可控性低的痛点，让囤积的资料真正「活」起来，变成可直接使用的视觉化作品。
《一句 prompt，自动部署 AI 手机，邪修还是快》：作者喜欢技术「邪修」，最近与 AutoGLM 开发者刘潇联手，将复杂的 AI 手机部署文档重写成 AI 能读懂的版本，从而实现用一句指令就让 AI 自动完成部署（类似豆包手机）的硬核故事。
《Get 笔记期末季：AI 时代，不需要学霸也能做出好笔记》：通过一个挪威 AI 课件工具 Curipod 的深度案例，揭示了 AI 如何将枯燥知识转化为引人入胜的情境体验，并以此逻辑重塑了笔记工具。作者测试 Curipod 时，仅输入「讲玄武门事变」的简单指令，AI 生成的第一页竟是一道「家族餐馆继承」选择题，将公元 626 年的血腥政变转化为中学生能切身代入的困境。
《左手 NovelCrafter，右手 Claude Code，作为码字人，我从没这么痛快过》：介绍了个方便写网络小说的工具 NovelCrafter，主要原理是先创建个项目 wiki，把人物设定、场景设定、风格说明都丢在里面，再据此开始自动化创作（会用 Claude Code/Codex/Cursor/Antigravity/Trae 的话自行实现也不难）。