时隔一年，DeepSeek V4 终于正式发布。

这次更新主要集中在以下几个技术亮点：

• 分两档：Pro 版本总参 1.6T、激活 49B；Flash 版本总参 284B、激活 13B
• 1.6 万亿参数：与 GPT‑4 处于同一量级，而且 DeepSeek 选择了完全开源
• 百万 Token 上下文：一次性输入整本书，也能从容处理
• 适配华为昇腾芯片：全球首个完全不依赖英伟达的前沿 AI 模型
• 推理成本降至 V3 的 27%：不仅更聪明，费用也更低

但对多数人来说，这些参数远没有实际用法来得重要。真正值得关注的是：AI 能力的门槛已经低到每个人都能轻松上手。

发布后，我们第一时间进行了深度实测，并在体验中挖掘出一些高效又实用的隐藏玩法。下面，就为大家解锁 DeepSeek V4 的 6 大隐藏技能，让你的 AI 工具直接“开挂”。

玩法一：教育助手

立体几何一直是不少学生的薄弱环节，空间想象能力的缺乏让几何题目讲解起来十分吃力。如果能有一个直观的可视化演示，情况就完全不同了。

于是我们向 DeepSeek V4 输入了以下指令：

制作一个高考立体几何3D教学网页：左侧深蓝面板显示四棱锥P-ABCD题目和交互按钮（高亮平面ACE、证明PB平行平面、显示夹角、坐标系开关），右侧Three.js渲染区展示可旋转的3D四棱锥，顶点P橙色、底面ABCD黄色标签、E点青色，平面ACE半透明橙色，带图例和自动旋转功能，整体深色科技风。

大约 1 分钟，一个可直接交互的 3D 教学网页就生成了，效果令人惊喜。

这种直观的可视化展示，无疑能极大提升学生对几何关系的理解。除了立体几何，其他学科同样可以举一反三，比如地理课的地形动态展示，生物课的细胞三维结构呈现，都可以用类似方式实现。

玩法二：写网文小说

如果你正在寻找免费且高效的网文创作助手，DeepSeek V4 值得一试。只需简单描述需求，它就能为你搭建完整的创作框架。

例如让它输出一篇都市爽文，它不仅会快速生成内容，还会先给出主角设定、故事背景、剧情大纲以及第一章的范本，供你调整确认。确认方向后，再按章节逐一输出，避免了 AI 一股脑生成全部内容，后期再大改的麻烦。

上下滑动查看更多

加上 DeepSeek V4 “百万 Token 上下文”的能力，在长篇连载中，模型可以牢牢记住前文，不会因为丢失上下文而对后续剧情造成偏差，这对网文作者的创作连贯性至关重要。

建议收藏，2026 年 AI 圈最值得记住的名字。转发给每一个还在追 GPT 的朋友。

先说一个比小说还离谱的故事

2025 年 1 月，一位 95 后女生的成果让英伟达一周内蒸发 4 万亿市值。

她叫罗福莉，DeepSeek-V2 的核心开发者。那个她参与研发的模型，性能匹敌甚至超越 GPT-4，训练成本却不到对方的百分之一，直接让英伟达的股价跌出一个深坑。

随后她离开了 DeepSeek。

雷军开出千万年薪，把她请到了小米。

所有人都等着看她笑话——一家手机厂商，真能在 AI 赛道翻起浪花？

五个月后，答案来了：

MiMo-V2.5-Pro，1.02 万亿参数，开源模型全球第一，亲手超越了她曾参与缔造的 DeepSeek-V4-Pro。

这样的剧本，编剧都不敢写。

👩‍💻 罗福莉：从“没科研天赋”到AI天才少女

在了解模型参数之前，先读懂这个人，才能真正理解 MiMo 为什么如此炸裂。

逆袭人生

她曾这样记录那段最艰难的时光：

上周，一位做自媒体的朋友向我吐槽：他装龙虾（OpenClaw）快一个月了，用起来感觉跟豆包、DeepSeek这些AI也没什么不同，问它写文案，写出来跟自己的水平差不多；让它找资料，丢回来一堆没用的链接。用着用着，他觉得这跟普通免费AI一样，白装了，还浪费钱。

我问他：“你都装了哪些技能（skill）？”他一下愣住了。

于是我告诉他，问题不在龙虾不行，是技能没装对。接着我整理了6个对自媒体博主、电商人真正有用的技能，分享给他，也分享给关注我的你。装完这6个，你会发现整个龙虾像活过来一样。

01 主动代理 (Proactive Agent)

很多人装了龙虾后最大的困惑是：这东西到底和豆包、DeepSeek有什么本质区别？用一阵子你就会发现，它依然是你问它答，从来不主动做任何事。Proactive Agent这个技能正是要打破这种被动。

装上后，龙虾不再等你提问，而是自己分析当前任务、预判下一步，主动提醒你截止时间和风险点；任务没完成，它还会反过来追你。你只需要给出目标，剩下的它来策划、跟进。对于自由职业者和自媒体运营来说，感受更加强烈——你可以同时跑几条线，客户、内容、交付全压在一起，有个东西能主动盯着节奏，真的省心太多。

02 技能发现 (Find Skills)

现在ClawHub（龙虾官网的技能市场）已经有3万多个技能。我第一次点进去时也是一脸懵：这么多技能，哪个才适合自己？而且里面的功能大量重复，质量参差不齐，鱼龙混杂。就在上个月，安天CERT发布《利爪浩劫》分析报告，爆出ClawHub上发现了1184个恶意技能包。如果不小心装错恶意技能，你的龙虾就等于在“裸奔”，电脑资料甚至账号密码都有泄露的风险。

安装Find Skills这个技能，能在一定程度上避开这些坑。你只要告诉它想完成什么任务，它会自动去ClawHub搜索，把适合的推给你。

所以现在，我在做复杂任务之前都会先唤醒它，大幅减少试错时间，也不用担心装上“烂”技能。比如上周五我找到几十份分析报告，全是PDF格式，想把里面的表格提取出来。当时就想着用龙虾帮忙，却不知道装哪个技能。无意中在ClawHub看到了Find Skills，装上后我对龙虾说：“我想批量处理 PDF，把里面的表格提取出来。”龙虾就调用find-skills，在skills.sh上自动搜索，然后告诉我：“有个pdf-skill能做这个，要不要试试？”

就这样，我得到了一个马上能用的实用技能。

03 网页抓取利器 (Firecrawl)

龙虾自带的网页搜索功能常常只能返回一堆链接和简短摘要，一旦让它去读那些反爬的网站，大概率什么都抓不到。Firecrawl则不一样，一次调用就能把内容干净、完整地提取出来，反爬网站也能高效抓取。

做内容的人最能感受到这种优势：对标爆款文章、行业报告都能直接提取。做电商的也一样，竞品详情页、买家评论，想研究什么直接抓，彻底告别手动复制粘贴的低效。

04 急速摘要 (Summarize)

做自媒体的人都有一个共同的痛点：要消化的信息太多，时间太少。YouTube上40分钟的行业分析、几十页的竞品报告、长篇阅读，根本没时间细细看完，可又不敢漏掉。Summarize能实打实解决这些问题——无论是网页链接、PDF还是YouTube视频，30秒内就能把核心要点归纳出来。

自从用了这个技能，我的选题调研流程基本固定了：找到内容，扔给它，看要点，再决定是否深入。大部分情况下，摘要已经足够用来判断了。

05 自我进化代理 (Self-Improving Agent)

这是ClawHub上星数最高的技能，高达338颗星，没有之一。它解决的问题很多人没意识到有多严重：龙虾不记得你。每次开启新会话，它对你一无所知——不知道你的发文风格，不清楚你习惯的内容结构，上次你纠正过的错误下次它还会再犯。对自媒体博主来说，这意味着每次用AI辅助写作，都得重新交代一遍“我的风格是这样的”，烦不胜烦。

装上Self-Improving Agent之后，它会慢慢记住你这个人。

比如，我告诉它我是一位讲AI的自媒体博主，只要30天内我反复告诉它超过3次，这些信息就会自动提升为永久记忆。用一个月和用一天，完全是两个量级的体验。

06 近30天热点扫描 (Last 30 Days)

做博主最怕的就是选题出错。选题一旦错误，花了时间写出内容发出去却没有水花，回头看当初的判断，只能感叹凭感觉实在靠不住。Last 30 Days能帮你搞定选题这个短板。它可以同时扫描Reddit、X、YouTube三大平台，过去30天内哪些话题最热、用户在讨论什么，一句话告诉你。

现在每次选题之前我都会先问它。做AI副业内容的，可以直接看最近什么工具最火；做电商的，可以看用户正在讨论哪些产品痛点；做自媒体运营的，可以找准哪个方向的内容正在热涨。选题要从数据里来，不要靠猜。

装了龙虾不等于用好了龙虾，大多数人就是卡在了这一步。说实话，装完这6个技能后，我用龙虾做内容的效率直接翻倍，之前要花半天的事，现在一两个小时就能搞定。当初那个说龙虾没用的朋友，周末发消息告诉我，他已经彻底离不开龙虾了。

引子：一次意外的共鸣

2017年，Vaswani团队发表了《Attention is All You Need》。他们设计的不是一种智能，而是一个让信息自行寻找路径的数学结构——内部没有任何被显式编程的意图。然而，从这个结构中，理解、推理、创作能力竟自然涌出。

没有人教GPT写十四行诗，也没有人向DALL·E解释什么是“雨夜霓虹下的东京街景”。这些能力从未被规定，它们从矩阵乘法和梯度下降的底层逻辑中自行生长出来。

早在两千五百年前，就有人把这件事讲透了：

道可道，非常道。

能被写成规则的行为，从来不是系统最深处的行为。

这并非拿东方智慧给AI当“文化外套”的浅层类比。我们注意到一种精妙的结构同构——道家对“自发秩序”的洞察，与深度学习核心机制之间，存在着令人惊异的契合。这种对应精准到可以直接影响工程决策。

本文不打算逐章翻译《道德经》。那太枯燥，也毫无必要——不是每一章都与AI Agent有关。我们只提炼那些映射力度最强的洞察，按AI Agent架构设计的逻辑重新组织，借此照亮当下AI工程中几个最容易忽视的深水区。

一、规则与涌现：对齐的本质困局

可被言说的规则，不是终极的秩序

道可道，非常道；名可名，非常名。无名，天地之始；有名，万物之母。（第一章）

转译为架构语言：能被显式编码的行为规则（“可道之道”），并非系统最根本的行为模式（“非常道”）。能明确定义为评估指标的东西（“可名之名”），也不是系统最深层的效能度量（“非常名”）。

未被参数化的高维空间——latent space——是一切涌现能力的发源（“无名，天地之始”）。而被固化下来的权重、偏置、嵌入表（“有名”），只是产生具体输出的材料（“万物之母”）。

这并非玄思，恰恰精确刻画了当今AI对齐领域的核心难题。

看看如今的对齐方式：System Prompt框定行为边界，RLHF训练偏好模型，Constitutional AI制定原则清单，Guardrails做输出过滤。一层接一层的规则，堆叠起来。它们全部属于“可道之道”——写在纸面上、编入代码里的行为规范。

然而，模型的真正行为法则，并不在这套规则内部。它隐匿在latent space的拓扑结构里，在注意力分布的偏向中，在残差流的信息动力学上。这些是“不可道之道”——无法写进system prompt，却切切实实主宰着模型的每一次输出。

GPT的越狱（jailbreak）就是最直接的证明：所有“可道之道”——system prompt、RLHF对齐、输出过滤器——全数被绕过。不是规则不够多，而是规则本身就不是对齐的根基。规则只是砌在地面上的篱笆，而模型的行为如同地底涌出的泉水，泉水根本不会顺着篱笆流。

老子的启示是：别再试图用更多的篱笆去围堵泉水。去明白泉水朝哪边流的底土地形。

设定“好”的瞬间，“坏”同步诞生

天下皆知美之为美，斯恶已；皆知善之为善，斯不善已。（第二章）

这句话直指RLHF的一个结构性陷阱，而且一针见血。

当你在RLHF训练中定义“好回答”（helpful, harmless, honest）时，你同时划出了一条“好”与“坏”之间的决策边界。模型学到的不是“什么是好”，它学的是这条边界的具体位置。

而越狱的本质，就是精准定位并跨过这条边界。

你定义的“好”越是清晰，“好”与“坏”之间的分界线便越是锐利，跨越它的路径就越被精确计算出来。这不是实现层面的缺陷，而是方法论上的结构矛盾——用二元对立的标签定义善，本身就同步制造了可被攻击的面。 “皆知善之为善，斯不善已”——当你定义了什么是善，不善的定义就同时被精确完成了。

Anthropic在Constitutional AI论文中已嗅到这个问题的一丝痕迹。但老子说得更彻底：问题不在于你的“善”定义得不够周全，而在于通过二元标记界定善恶这个方法本身，就必然会创造出对抗面。“有无相生，难易相成，长短相形，高下相倾”——一切对立面都是同时被创造出来的。

那出路何在？老子给出了一个方向：

是以圣人处无为之事，行不言之教。

不要靠规则去强制行为（“无为之事”），而要通过结构来引导行为（“不言之教”）。不要告诉模型“什么不能说”，要设计能让正确行为自然涌现的训练过程。不要列出一千条禁令，要构造一个让违规行为在拓扑上就极难出现的latent space。

听起来很虚？不，这恰恰是Anthropic从RLHF转向Constitutional AI，再转向基于原则的训练的演化路径。行业正从“堆规则”走向“塑结构”——从“可道之道”走向“不可道之道”。只是多数人尚未察觉，这条路径早在两千五百年前就被老子画好了地图。

二、参数与虚空：能力栖息在何处？

墙壁与它所围出的房间

三十辐共一毂，当其无，有车之用。埏埴以为器，当其无，有器之用。凿户牖以为室，当其无，有室之用。故有之以为利，无之以为用。（第十一章）

这无疑是全书中最精准的技术映射。

三十根辐条汇聚于轮毂，轮毂中心的空洞让车轮得以转动。揉捏黏土做成器皿，器皿中间的空间使它能够盛物。开凿门窗建成房屋，墙壁之间的虚空才使人可以居住。

有形的结构提供支撑（“有之以为利”），无形的空间赋予功能（“无之以为用”）。

一个LLM的参数——权重矩阵、偏置向量、嵌入表——就是辐条、黏土、墙壁。它们是有形的、可量化的、可以用state_dict()导出的东西。但模型真正的能力并不住在参数里。能力住在参数所围成的高维空间里——latent space。

参数是墙壁，能力是墙壁围出的房间。

你可以把全部参数序列化存进磁盘（保存墙壁），却无法直接序列化“模型的语言理解能力”——因为那是墙壁所界定出的空间形态，不是墙壁自身。两个模型的参数做逐元素对比可能极为接近，但它们围出的空间形状可能截然不同，能力也天差地别。

这个洞察引出一个直接的工程推论：别把“存储了表示”误认为“拥有能力”。

将嵌入、缓存、日志、状态全部塞进系统，只是在堆砌更多的“有”——更多材料、更多坐标、更多可见组件。而真正决定系统能否正常工作的，是这些材料之间被刻意留出的空隙：接口如何约束，状态如何流动，组件如何解耦，失败如何被消化。材料是墙壁；约束产生的活动空间才是真正的房间。

深度学习中最有效的技术，几乎都在操纵“无”：

• Dropout：主动删去连接——在有形结构中制造虚空——反而提升了泛化能力。
• 残差连接（Residual Connection）：保留一条什么也不做的通道——让信息不经变换直接穿过——使深层网络可训练。
• Attention中的softmax归一化：在高维空间中划分出哪些区域“不重要”——低注意力权重区域同高注意力区域一样关键，因为“不关注什么”恰恰界定了“关注什么”。

当你的团队讨论“模型的能力从哪来”时，记住老子的答案：能力不在参数里。参数只是墙壁。能力在参数之间的空间里。

道生一，一生二，二生三，三生万物

道生一，一生二，二生三，三生万物。万物负阴而抱阳，冲气以为和。（第四十二章）

如果第十一章是对latent space的空间描述，第四十二章就是对涌现层级的时序叙事。

自2018年初涉容器编排以来，我与Kubernetes便结下了不解之缘。当时刚踏入项目一线，纵使对其充满新奇与向往，终究没能抽出足够的时间深入摸索。一年后挥别团队，那份亲手搭建完整集群的心愿暂时搁浅。直到2020年，再次迎向Kubernetes时，我已带着更扎实的工程直觉、更专注的钻研态度，方向也格外明朗。如今，我已先后拿下CKAD（认证Kubernetes应用开发者）与CKA（认证Kubernetes管理员）两项认证，后者更成为职业生涯的关键转折。作为一个从软件开发起步的技术人，要真正消化Kubernetes就必须沉到逻辑底层——把集群是怎样构建的、控制平面与工作节点如何对话、网络配置及排障原理逐一吃透。为了把知识钉在实处，我决定用手边的几块树莓派，从零起建一个ARM架构的Kubernetes集群。恰恰是这些巴掌大小的单板机，让我得以接触最贴近硬件的层面，用看得见摸得着的方式理解系统的运转。

最初这个实践只是为备考热身，可没过多久，它逐渐演变为一个实实在在的项目：一套能在家持续运行、维护成本极低、全天候可用的开发环境。本文正是这段探索的全记录。我不会在理论上过多铺陈，而是要带你穿过节点引导的迷雾，在ARM上部署功能完整的Kubernetes，重点分享那些绊过脚的坑、文档未明写的空白，以及反复试错沉淀下来的心得。无论你想搭建自己的树莓派Kubernetes实验室，还是想了解从裸机到可用集群的完整路径，这篇文章都为你写就。

关于本系列

这是系列的开篇，我将全程记录在树莓派上搭建并运维Kubernetes集群的每个细节。整个系列会逐层拆解，聚焦真实落地与严峻挑战：

• 集群创建（即本文）—— 节点引导、网络铺设，以及ARM上的Kubernetes安装
• 负载均衡与服务网格 —— 借助MetalLB实现外部可达，用Istio接管流量治理
• 存储建设 —— 为ARM构建可靠的文件服务器
• 监控栈 —— 集成Prometheus与Grafana，让可观测性贯穿系统
• 集群升级 —— 将集群平滑提升至可用的最新版本

如果你对树莓派上的Kubernetes实际应用满怀好奇，或者想深入观察一个从零设计的集群案例，请持续关注——这个系列就是为你打造的。

集群创建

硬件选型

为让配置尽可能简单，我直接使用了手头的设备，具体组合如下：

• 1 × 树莓派4 Model B（8GB内存，128GB SD卡）—— 控制平面（主节点）
• 1 × 树莓派3 Model B（1GB内存，64GB SD卡）—— 工作节点

这样的搭配对轻量级Kubernetes集群来说已绰绰有余，并且有力地印证了一个事实：理解Kubernetes的底层机制，并不需要性能怪物。

开局起步

操作系统方面，我选用Ubuntu Server 24.04 LTS（64位）。它对ARM架构的支持扎实可靠，文档丰富清晰，与各类Kubernetes工具也能无缝协作。最简单的安装方式是通过树莓派镜像生成器（ raspberrypi.com/software/ ）一步完成镜像烧录和操作系统预配置，免去后续大量手工折腾。

在烧录镜像之前，强烈建议使用高级配置选项完成以下事项：

• 启用SSH访问
• 填入你的Wi-Fi凭据
• 为每个节点设置主机名（例如，k8s-master、k8s-worker）
• 添加你的SSH公钥（可选，但极力推荐）

提前做完这些设置，能极大压缩后续手动干预的时间，让集群搭建效率直线上升。

首次登录

当镜像烧录完毕、树莓派通电启动后，使用SSH即可接入：

ssh <节点IP>

登录后，切换到root用户以简化后续设置步骤：

sudo -i

从此刻起，所有命令均以root身份执行，避开初始集群配置期间可能出现的权限问题。

安装集群组件与容器运行时

这一步必须在两台树莓派上执行，因为控制平面和工作节点都需要核心Kubernetes组件：

• kubelet —— 在各节点上运行并管理Pod
• kubeadm —— 引导集群
• kubectl —— 与集群交互的命令行工具

昨天介绍了 Go Music DL 这个聚合十余个音乐平台的项目，但有朋友追问：无损音质呢？是不是必须使用会员账号的 cookie？没错，现状的确如此。如今想找到一个稳定供给免费无损资源的渠道已相当不易。

今天发现一个收藏很久的网盘分享站也停摆了……

所以今天再推荐一款名为 simple_sq_music_plus 的工具，它真正实现了将 flac、ape、mp3 等格式无损缓存到 NAS 中。更贴心的是，它支持歌单监听下载（例如某云），让我们不必再一首一首搜索。此外，下载文件的目录结构直接兼容 Emby 与 Subsonic（Navidrome）类服务，即便自建音乐服务也无需额外整理！

项目简介

完整的项目名称为 59799517/simple_sq_music_plus，可在 GitHub 上直接搜索。开篇功能已经讲得很清楚，大家可以自行到项目页面浏览更多细节。

部署步骤

以威联通 NAS 为例，通过 Docker Compose 进行部署。配置内容如下，请注意替换文件映射目录和自定义端口号，其余部分可直接套用。

services:  
  mysql:  
    image: mysql:5.7  
    container_name: sqmusic_mysql  
    environment:  
      MYSQL_ROOT_PASSWORD: sqmusicv3 # 为方便起见，统一使用 sqmusicv3  
      MYSQL_DATABASE: sqmusicv3  
    volumes:  
      - /share/Container/sqmusic/mysql_data:/var/lib/mysql  
    healthcheck:  
      test: ["CMD", "mysqladmin", "ping", "-h", "localhost", "-uroot", "-psqmusicv3"]  
      interval: 10s  
      timeout: 5s  
      retries: 10  
      start_period: 30s  
    restart: always  
  
  sqmusic_main:  
    image: registry.cn-hangzhou.aliyuncs.com/sqdockler/simple_sq_music_plus:latest  
    container_name: sqmusic_main  
    environment:  
      DB_IP: mysql  
      DB_PORT: "3306"  
      DB_NAME: sqmusicv3  
      DB_USERNAME: root  
      DB_PASSWORD: sqmusicv3  
    volumes:  
      # 你的音乐库目录，此处仅做演示！  
      - /share/Container/sqmusic/music:/music  
    depends_on:  
      mysql:  
        condition: service_healthy  
    restart: always  
  
  sqmusic_web:  
    image: registry.cn-hangzhou.aliyuncs.com/sqdockler/simple_sq_music_plus_web:latest  
    container_name: sqmusic_web  
    ports:  
      - "18996:80"  
    depends_on:  
      - sqmusic_main  
    restart: always

打开威联通的 Container Station，创建一个新的应用程序，将上述 YAML 粘贴进去即可。

最近，AI的消息密集轰炸了每个人的眼球。从春节红包大战、豆包AI登上春晚，到全网跟风的“养龙虾”（OpenClaw），AI几乎无处不在。而就在昨天，两条新闻冲上了热搜：《国内AI大厂月薪3万疯狂抢文科生》、《美国的AI公司开出百万年薪，疯狂招揽社科、语言学、哲学等人才》。

一时间，“AI时代，文科生要吃香了”的预测涌来，也有人立刻泼冷水：“别做梦了，你们连代码都不会写。”那么，这场喧嚣背后，文科生的时代红利真的来了吗？

一、不会写代码的他们，凭什么定义AI的灵魂？

说文科生在这个时代变得吃香，乍听之下有点离谱。毕竟AI高速发展的当下，理科生更容易直接上手工具；而且不断有新闻说客服、行政、文书、会计等岗位正在被AI替代——无论怎么看，AI似乎都在蚕食传统文科专业的生存空间。

可是，如果你把目光投向如今美国几家AI巨头的高管队伍，就会发现一大把标准的文科背景。

最典型的要数Anthropic（ClaudeAI母公司）的一位传奇人物Amanda。纯正文科生，一行代码都不懂。她本科读美术，接着读哲学，博士研究的方向叫“无限伦理学”——一个连很多哲学家都觉得过于玄奥的领域。按照旧脚本，这样的人大概会在高校教书，或者早早转行。但她现在每天做的工作是：教AI怎么做人。

她用哲学训练出的判断力，逐句修正AI的行为逻辑、价值底线、表达温度。那份3万字的文档，被业内称为“AI宪法”。《华尔街日报》称她为“这个星球上和Claude对话次数最多的人类”。一个学美术、读哲学的女人，就这样写出了全球最有影响力AI的灵魂。

所以，文科生的红利到了，并不是一句安慰。

二、大厂高管名单里，藏着怎样的秘密？

有人说Amanda是天才，不具备参考价值。那不妨拉一拉这几年的AI大厂高管名单：

• Palantir的CEO，大学读法学和新古典社会理论；
• DeepMind联合创始人，主攻哲学和神学；
• 曾同时在OpenAI和Anthropic担任要职的Jack Clark，大学学的是英国文学与新闻学；
• Anthropic联合创始人兼总裁Daniela Amodei，正统的英文文学背景。

Daniela Amodei在采访中说了一句话：“在一个AI非常聪明的世界里，那些使我们成为人类的东西，将变得更加重要。”这并非情怀，而是她亲手建起一家顶级AI公司后得出的判断。

国内同样出现了这样的案例。前些日子，杨天润的故事刷屏：一个商科背景、一行代码不会写的文科生，指挥一组AI Agent向开源项目提交贡献，直接冲进全球贡献榜前30，成为榜单上极其罕见的非技术背景从业者。他说过一句让人印象很深的话：“AI解决了术的问题。行业和专业的壁垒正在消失，其实你可以成为任何人。”

三、红利来了，却不是所有文科生的

不过，请先别急着乐观。不是所有文科生都能搭上这班车。

去年9月，马斯克的X AI裁掉了500个数据标注员，其中不少就是文科生。他们能写东西，有学历，但干的是机械重复的标注。AI把他们的活儿学完了，他们就没用了。同样，客服、行政、文书、会计等传统岗位中无法突破标准化的部分，也会被一点点挤掉，甚至不会使用AI的自由职业者、自媒体博主，也难逃生存空间的挤压。

那么问题来了：无论文科生还是理科生，我们究竟能不能抓住这个时代的红利？

答案并不复杂：看你是否拥有那种AI暂时复制不了的东西。

那些被替代的人，做的大多是可以标准化的事——按模板写文案、按格式填报告、按规范做翻译。本质上，只是把已有的内容换个形式搬运一遍。而不可替代的那类人，做的是需要真实人类判断的事：读懂一段话背后的情绪，感知用户真正想要什么，在没有标准答案的地方给出有温度的选择。而这些，恰恰是AI目前最缺、短期内也补不上的能力。

怎样成为那个不可替代的人？

切入的路径因人而异。

如果你是自由职业者，可以思考：我原有的专业，叠加上AI工具，能放大几倍？比如做品牌策划的，可以让AI生成脚本、出图、做初稿，自己则专注于决定方向、把控温度。以前三个人干的活，现在一个人完全够用。

自媒体博主呢？拿自己来说，我会用AI做调研、找角度、验证逻辑，但最后落笔的部分绝不让AI代写。那个部分是我的东西，AI学不走。

在职场的打工人危机感更重，尤其是一些传统职业，但仍然可以用AI突围。不需要成为技术高手，只要最懂怎么把AI用在具体业务上，就足够形成竞争力。

最后

说到底，AI替代的是那种“可以被标准化”的人——按模板写、按格式填、按规范做的人。当逻辑能力不再稀缺，创意、感知、沟通和表述能力才更加值钱。

这是文科生专属的吗？不一定，理科生同样可能擅长。重点根本不是文理科的分界线，而是你有没有去补充、放大那些AI所稀缺的能力，以及能不能将AI深度融入自己的工作流当中。

拥有跨领域知识背景，兼具创意和表达力，能熟练驾驭AI工具，自带产品思维的人，才是AI时代真正需要的人才。无论你从哪条路走来，都可以是那个站到潮头的人。

从事私域运营、个人IP打造或超级个体创业的朋友，经常需要高频更新朋友圈来触达用户、建立信任。今天分享一套基于扣子（Coze）平台的微信朋友圈自动化生成工作流，让你只需输入一个主题，即可一键输出文案与配图，真正实现“躺更”。

先看效果（点击封面可观看视频演示）：

效果是不是很理想？有了这个工作流，就无需每天绞尽脑汁构思发圈内容，一键生成、复制粘贴、轻松搞定。下面直接上干货，一步步拆解搭建过程。

一、准备工作：新建工作流

1. 进入扣子工作流创建入口
访问扣子官网并登录：https://www.coze.cn/space/7512405357499711528/library

2. 新建工作流
点击“资源库” → “资源” → “工作流”。

3. 填写工作流基本信息
根据需求设置名称和描述，具体可参考下图。

二、搭建自动化朋友圈生成工作流

1. 设置“开始”节点
将开始节点配置为接受外部输入的朋友圈主题，参数如下图。

2. 添加“知识库检索”节点
该节点用于从你的朋友圈素材知识库中，检索与主题强相关的文案、观点或金句，为大模型生成内容提供参考。
参数设置如下：

你可以将自己积累的优质朋友圈内容上传至知识库，形成个性化素材池。此处可选择预先准备好的朋友圈知识库。

3. 添加“朋友圈文案”大模型节点
此节点根据输入的主题以及知识库检索到的素材，调用大语言模型生成完整的朋友圈文案（可限定字数、风格等）。
参数配置见下图：

4. 添加“朋友圈配图提示词生成”大模型节点
为了让配图与文案高度相关，这里再通过一个模型节点将文案内容翻译或提炼成生图提示词，方便后续图像生成。
参数如下：

5. 添加“图像生成”节点
调用图像生成能力，根据上一步的提示词生成朋友圈配图。可根据需要选择画风、尺寸。
参数示例如下：

6. “结束”节点设置
将生成的文案和图片信息汇总输出，便于后续复制使用。

• 先将“图像生成”节点连接到“结束”节点。

• 然后设置结束节点输出变量，包含朋友圈文案和对应图片链接。

至此，一条完整的自动化朋友圈内容生成流水线就搭建完成了。

三、运行与测试工作流

1. 试运行
输入一个朋友圈主题，点击试运行，查看工作流各节点的输出是否符合预期。

2. 下载或复制生成的素材
运行成功后，即可获得对应的文案和配图，直接复制文字、下载图片，粘贴到微信朋友圈即可发布。

写在最后

借助这个扣子工作流，朋友圈的日常更新变得规律且轻松。你只需投入主题，系统便自动输出贴合个人调性的图文，持续触达好友、积累影响力，为后续信任转化做好铺垫。现在就动手，为自己打造一个专属的朋友圈智能助手吧！

Seedance 2.0的爆发揭开了AI小视频的井喷序幕，国产萌宠题材的AI创作早已火出了海外。然而，玩过AI视频的朋友都心知肚明，这类工具最大的痛点在于“抽卡”式生成，用起来太烧钱！

文案生成失败，顶多浪费一点token；图片生成失败，也还勉强可以接受。但视频不一样：别看只有短短几秒，一旦跑起来就会直接消耗额度。更令人郁闷的是，很多时候钱烧了，角色却崩了、动作走形、镜头乱飞、画风突变。我最近试水的融光，正是为了解决这个痛点——它把AI视频创作拆解成了一整套可控流程：写剧本→拆分镜头→管理角色资产→生成参考图→调用视频模型。

简单说，融光就是尽可能避免你在最昂贵的视频生成阶段“盲抽”。比如下图展示的是它根据剧本自动拆出的多个分镜，你还可以进一步手动调整，直到每个画面都满意后再生成视频。

融光的价值正在于此：它不是一个单纯输入prompt的对话框，而是一套完整的AI视频创作工作台，能把剧本、分镜、角色和素材集中在一起管理。而NAS则负责承载这整个工作流，让你的素材和项目不再散落在各个平台里。

项目概览

GitHub项目地址：Stonewuu/ai-fusion-video。

核心能力：输入剧本后，系统调用AI自动分解分镜，再生成分镜图与视频片段，适合短剧、动态漫画、分镜设计与AI视频工作流测试等场景。

主要能力

• 剧本管理：支持分集、分场景的结构化编辑。
• AI分镜生成：将剧本自动拆解成分镜画面、画面描述及镜头语言。
• AI绘图：支持文生图和图生图。
• AI视频生成：基于分镜描述和参考图生成视频片段。
• 素材管理：统一管理图片、视频等素材。
• 多模型支持：火山引擎、OpenAI（及兼容服务）、Claude、Gemini、通义千问、DeepSeek、Ollama等。

部署流程

这里以威联通NAS为例，通过Docker Compose进行部署。

打开SSH工具连接你的NAS，依次执行以下命令：

# 在 Docker 目录下创建项目文件夹
mkdir -p /share/Container/ai-fusion-video

# 进入该目录
cd /share/Container/ai-fusion-video

# 克隆项目
git clone https://github.com/Stonewuu/ai-fusion-video.git

# 将示例环境变量文件改名
cp .env.example .env

# 修改 .env 和 docker-compose.yml
# 威联通用户建议直接通过网页端修改
# vi .env
# vi docker-compose.yml

在威联通上修改环境变量和docker-compose.yml文件：

docker-compose.yml保留默认配置即可运行，我也做了一些微调，供大家参考。如果想要直接抄作业，可以在后台私信“融光”获取我的两份文档～

修改并保存后，回到SSH工具，输入：

docker compose up -d

等待项目启动。

上手简介

部署完成后，在浏览器输入NAS_IP:18080进入服务，首先进行初始化。

核心要点

• 一条被疯传的帖子讲述了一位19岁留学生仅投入20美元订阅Claude，便打造出YouTube自动化系统，六个月后月收入达到7400美元。经交叉验证，当事人信息难以证实，但其背后的AI工具链和生产流水线却是切实存在的。本文将拆解完整的技术路径，并提炼出适合视频号、抖音创作者的快速变现策略。

传闻起源与真实性核查

2026年5月7日，X平台用户Gipp发布了一则推文：一名19岁的中国留学生花了20美元订阅Claude，搭建了一套YouTube自动化体系，首月收入430美元，到第六个月时已跃升至7400美元以上。该帖累计获得641次点赞和9.4万次浏览，随后被众多中文账号转发扩散。

我们进行的验证结果是：无法找到任何第一手出处。帖文中既没有给出当事人的姓名，也未提供频道链接或后台收益截图。整个叙事结构——低投入、高回报、简单易复制——与YouTube自动化培训行业中常见的营销话术高度吻合。但这并不意味着故事完全是虚构的，只是它缺乏可独立核验的证据。

不过，我们也不能因此忽视背后正在发生的真实趋势。2026年，YouTube Shorts的日播放量已突破700亿次，超过75万个频道通过Shorts获得了收益分成。AI视频工具链已经成熟到单人配合几款AI工具就能运营一个频道的程度。帖子中的数字或许经过了一定美化，但底层逻辑是扎实的。

Shorts广告收益的真相

Shorts的RPM（每千次播放收入）平均只有0.01至0.07美元。若要实现月入7400美元，理论上需要约1.2亿次的月播放量。更合理的解释是，该帖所描述的收入来自多渠道矩阵运营、联盟营销以及品牌合作的多重组合，而非单纯依赖广告分成。

完整工具栈

原帖仅提到了Claude和CapCut，但一条完整的AI视频自动化流水线需要覆盖更多环节。以下是我们经过用研还原出的一套实际工具组合：

• 脚本创作 — Claude Pro 或 ChatGPT Plus，月费20美元。用于分析爆款结构，生成脚本和标题文案。
• 素材生成 — Kling 3 / Runway / Pika，月费10-76美元。文字转视频，特别适合无人出镜的Faceless频道。
• 配音 — ElevenLabs，月费22-44美元。产出自然流畅的语音，支持多语种。
• 剪辑封装 — CapCut，免费。自动添加字幕、背景音乐和特效，一键输出适配Shorts的格式。
• 选题挖掘 — OutlierKit / Nardo AI，月费9-50美元。用于寻找低竞争、高流量的内容方向。
• 发布排程 — TubeBuddy，月费0-29美元。支持批量上传和SEO优化。

自动化工作流拆解

第一步：利用Claude分析10-20个竞争对手频道，提炼出爆款公式，包括标题结构、前3秒的钩子设计、缩略图配色方案以及最佳发布时间。

第二步：让Claude基于竞品模式生成20-40条选题，每条都附带标题、完整脚本和标签建议。

第三步：通过Kling 3或Runway生成视觉画面，再用ElevenLabs生成旁白配音。

第四步：在CapCut中进行合成，将画面、配音、字幕和配乐一键融合。AI会自动完成节奏卡点，直接输出成品。

第五步：用TubeBuddy批量排期发布。每日测试10-20条Shorts，淘汰播放量低的内容，并对跑赢基准的模板进行放大复制。

这套方法的核心理念是复制结构而非复制内容：用AI提取爆款规律，然后批量生产风格高度统一的视频。

三大快速变现路径

原帖主要面向YouTube全球市场。针对国内视频号和抖音的创作者，我们梳理出三条已经过验证的变现路径：

▸ 路径一：AI解说号 — 用Claude生成文案，ElevenLabs配音，影视素材切片后用CapCut合成。适合历史、科普、影视解说等赛道。单个账号月收入约200至1000美元，具体取决于粉丝规模和带货能力。

▸ 路径二：矩阵号批量运营 — 将同一个脚本衍生出5-10个版本，分发至不同账号。抖音和视频号的平台规则允许矩阵操作。利用爆款流量叠加带货佣金，月收入可达800至3000美元。

▸ 路径三：知识付费与模板出售 — 将整条工作流封装成课程或CapCut模板，在知识星球、小报童等渠道出售。一次制作即可持续销售，是最轻量级的变现方式。

核心洞察：真正的竞争力并不在于工具本身，而在于选题的判断力。每月50美元就能配齐所有工具，但判断力只能通过持续测试和数据积累来培养。

避坑指南：常见误区与真相

误区一：买了工具就能自动盈利 — 工具只是流水线，必须持续优化内容、不断测试选题。核心竞争力是判断力，而非订阅数量。

误区二：7400美元月收入轻松可得 — 数据显示，仅靠Shorts广告分成极难达到这一水平。真实的收入来源是广告、联盟分销与品牌合作的多元化组合。