L130_价值在模型之外
前几天一个做独立开发的朋友半夜发来一个链接，说他花一个晚上 vibe coding 出了个新产品，让我看看。
我点开的第一秒，还没看清它是干什么的，脑子里先冒出来一个词：这是 AI 做的。
不是因为它有 bug，恰恰相反，它做得很「完整」——有 hero 大标题，标题里某个关键词用了从靛蓝到紫罗兰的渐变色，下面三个卡片，每个卡片顶上都顶着一行灰色小字（kicker），中间还煞有介事地摆了「10x 效率提升 / 500+ 用户 / 99.9% 可用」三个统计数字。它太标准了，标准到像是从一个我已经见过一千遍的模子里倒出来的。
我把这个感受发给他，他愣了一下，回我：「你说得对，但我说不出哪里不对。」
我也说不太清。直到这周读到 yetone 做的一个网站 Kill AI Slop，我才找到了那个词——slop（泔水）。他把这种「AI 味」拆成了 34 个可以命名、可以指认的具体特征：靛蓝紫渐变、渐变标题文字、border-l-4 的彩色竖条提示框、满屏的 emoji 和徽章、凭空捏造的三个统计数字……我朋友那个页面，几乎中了一半。
—
这件小事一直在我脑子里打转。它让我想起增长黑客那份 AI 周报里，范冰在 EP#63 开篇写的一句题记：「价值正从模型本身挪到模型之外。」
这句话这周像根线一样，把我读的四份周刊串了起来。增长黑客的两期讲 AI 创业和硅谷落地，体验碎周报讲设计，Tw93 的潮流周刊讲工具和生活——表面上八竿子打不着，但它们都在回答同一个问题的不同侧面：当模型本身变得越来越强、越来越便宜，人还剩下什么？
答案越来越清晰：当「做出来」变得几乎免费，稀缺的东西就集体上浮了一层。不再是「你能不能做」，而是「你做的东西有没有品味、有没有判断、有没有一个明确的焦点」。我朋友的页面之所以一眼假，不是因为 AI 不会写代码，而是因为它没有品味——它不会做减法，只会把所有它见过的「好看的元素」一股脑堆上去。yetone 那个网站里有句话说得极准：模型「没有品味，只会抓取在缩略图里看起来最唬人的东西」。
我越来越觉得，2026 年真正拉开差距的那条线，不在「会不会用 AI」，而在**「谁来给 AI 定方向」**。这周所有让我停下来想一想的东西——一篇设计随笔、一个反 slop 的工具、一个给 Agent 用的搜索引擎——几乎都在做同一件事：把人重新放到方向盘后面。不是回到手工时代，而是找到那个「人负责定义什么是对的，机器负责无限执行」的接触面。
📚 深度阅读
引导层：AI 时代真正的方向盘
体验碎周报这期推荐的 Luke Wroblewski 那篇 The AI Steering Layer，是我这周读到最有「框架感」的一篇，也几乎是给我上面那点困惑做了个理论收尾。
他的出发点特别朴素：当 AI 可以无限量地生成产出时，团队真正缺的从来不是产能，而是一个刻意设计的**「引导层」（Steering Layer）**——它在概念上坐落于「AI 工具」和「代码库」之间，作用是让所有 AI 生成的东西，持续对齐品牌、设计和工程规范。他把它定义为「上下文如何在一个项目、一个团队、乃至一整家公司层面被强制贯彻」，中心那句反复出现的公式是：Better context, better results.
关键在于，他说的不是「AI 能不能做这些事」——它当然能。问题是两点：能不能用你想要的那种方式去做，以及能不能每一次、每个人都这样可重复地做。产能无上限，但如果没有一层被强制执行的上下文，无限的产能反而会把不一致放大成灾难——这正是我朋友那个页面的病根。
他给的例子很具体：他自己的产品里，引导层由「设计令牌 + 写在 agents.md 里的开发指令 + agent skills」组成，任何用 AI 来协作的人，都会被自动「吸附」（snapped to）到既定规范上。更妙的是他的一个主张：不该要求团队里每个人都像开发者一样工作，所以要给设计师、文案、PM 一个独立的界面去贡献上下文——一致性由系统兜底，而不是靠人自律。
读完我最大的感触是：过去写在 Wiki 里没人看的规范文档，现在正在升级成一层「可执行、被强制」的基础设施。 人的杠杆点，从「亲手生产内容」上移到了「设计那层约束内容生产的规则」。谁掌握了引导层，谁就握着 AI 无限产出的方向盘。这跟上一期我聊的「记者变编辑」是同一件事的两个说法——你的价值不再是产出的速度，而是那套「什么能发、什么不能发」的判断。
🔗：https://www.lukew.com/ff/entry.asp?2155
供给爆炸之后，什么才是真正稀缺的
增长黑客 EP#64 里「不懂经」那篇观点，几乎是给「引导层」这件事补了一个更冷酷的商业注脚。
他的论点是：AI 把「做东西」的门槛降到了地板，于是供给爆炸，而需求是刚性的。数据很吓人——2026 年 Q1，美国 App Store 新增了 41.4 万个 App，其中只有 118 个获得了高关注度；也就是说，99.98% 的产品一出生就沉进了噪音里。他引用了杰文斯悖论：AI 让造 App 变得「像 19 世纪的煤一样极度充沛且廉价」。而越是充沛廉价的东西，越不值钱。
那什么还值钱？他借了个希伯来词 chiddush——从旧材料里提炼出的、不可复制的新洞见。他给出五个「价值转移」的方向，每一个都是从「量」转向「质」：从「能做多少」转向「能舍弃什么」；从堆信息转向给判断；从积累技能转向讲叙事；从做内容转向占位置；从做「建造者」转向做「建造房间的人」。最后归到一句话：赢家要能回答「为什么是你」。
这跟同一期真格基金那篇「Agent 元年 500 天」的观察是咬合的——软件交互正从「以人的注意力为中心的 GUI」，转向「以 Agent 为中心的 Headless」。当机器能独立干活，为人类认知缺陷打补丁的图形界面，反而成了多余。歸藏用 FFmpeg 命令行让 AI 自动剪几十万行代码的视频，就是个活例子。
我把这两篇放在一起读，得到一个有点反直觉的结论：AI 时代最不该做的，就是继续拼命「多产」。 当每个人都能一晚上做出一个 App，多做一个 App 的边际价值趋近于零。真正稀缺的是那个「舍弃」的动作、那个「为什么是你」的答案——而这两样，恰恰是模型给不了你的。
🔗：https://www.zengzhang.ai/p/aiep64-agent500ai-aiminimax
价值在模型之外：从硅谷会场到国企机房
如果说前面两篇是「道」，增长黑客 EP#63 就是把这套道理砸进泥地里的「术」，而且砸得很痛。
范冰这期的题记就是那句「价值正从模型本身挪到模型之外」，然后他用一组一手见闻把「模型之外」到底是什么讲透了。郎瀚威连去三天硅谷 AI 工程师大会，带回来的结论不是技术，而是「怎么把东西卖给工程师」——头部模型确实吞掉了没有护城河的公司，但真需求被推向了上游，催生出「看护 Agent、管预算、做协同」这些新痛点。价值从模型，挪到了数据、工作流、客户关系，甚至线下的人本身。
最扎心的是那篇讲 FDE（现场部署工程师）的口述。这个被硅谷捧为「AI 落地最后一公里」的光鲜职位，在国内更像是乙方外包填坑。里面有个细节我盯着看了很久：一个专业团队花了几十万、做了三个月的「全链路 AI 化」产品，实际效果不如一位 60 岁老校长三天手搓的简化版 Agent——原因不是技术，而是老校长的版本不改变用户习惯，所以被广泛接受了。
这件事和「引导层」形成了一种奇妙的呼应：技术从来不是瓶颈，「懂不懂人、懂不懂场景」才是。FDE 的痛苦，本质上是组织内部人性与权责的博弈；老校长的成功，本质上是他天然握着那层「引导」——他知道该舍弃什么、该保留什么用户习惯。同一期里 a16z 最新一批投资开始「往脏活累活里卷」（报税、建筑投标、诉讼、农业采购），逻辑是一样的：当模型能力拉平，记忆、权限、校验、和对具体行业的理解，比参数更值钱。
🔗：https://www.zengzhang.ai/p/aiep63-fdea16z01
🤖 AI 工具
AnySearch：一个不给人用的搜索引擎
增长黑客提到、我顺着挖下去的 AnySearch，是这周最能具象化「Headless 趋势」的产品。它 7 月 13 日登顶了 Product Hunt 周榜——在一堆 Agent、模型产品扎堆的榜单里，一个「搜索」产品能突围，本身就是个信号。
它最反直觉的一点是：它不是给人用的搜索框，而是给 Agent 用的搜索基础设施。 传统搜索为人设计——返回一堆链接和摘要，等着你去点、去扫、去判断可信度。但 Agent 干不了这些，它会在几秒内吞下大量结果直接喂给推理。所以 AnySearch 把过滤、去重、排序、正文抽取这些原本压在 Agent 身上的脏活，全部上移到搜索层，直接输出带来源引用的 Markdown，Agent 拿来即用，还顺手把 token 消耗和上下文膨胀压了下去。它同时提供 Skill、MCP、REST API 三种接入方式，几乎是照着「Agent 的工作流」而不是「人的浏览习惯」重画了一遍搜索。
我为什么觉得它值得记一笔？因为它精确地演示了那个正在发生的迁移：软件的「使用者」正从人变成 Agent，接口形态也随之从 GUI 转向 API/MCP。 GUI 是为人的认知带宽设计的，而 Agent 要的不是界面，是契约——稳定、结构化、可追溯的数据管道。这条赛道上 Exa、Tavily、连我自己天天用来绕过反爬的 Jina Reader（r.jina.ai，把任意网页转成干净 Markdown）都是同一个逻辑。当模型能力逐渐拉平，Agent 的差异化越来越取决于它能拿到什么样的「输入」，搜索这个信息入口就从脆弱的组件，变成了关键基建。
Kill AI Slop：把「品味」编译成可执行的规则
回到开头那个让我一眼看穿的页面。yetone 的 Kill AI Slop 之所以让我兴奋，是因为他做了一件很难的事——把主观的「审美判断」工程化了。
yetone 是 avante.nvim 的作者（那个「让 Neovim 用起来像 Cursor」的著名插件）。一个深度做 AI 编程工具的人，反过来对 AI 生成物的审美缺陷开火，这批判来自一线，不是外行吐槽。他把「AI 味」拆成 34 个具体病征，每一条都配交互式的 before/after 对照，还给出「代码信号」（比如 from-indigo-500 to-purple-500、bg-clip-text、border-l-4），并配了一个可以直接 npx skills add yetone/kill-ai-slop 装进代码库的 Skill——它会扫描你的代码，指出「为什么这一处读起来像机器做的」，然后以最小 diff 帮你改。
但真正让我记住它的，是那个「进化版 slop」的洞察。当大家开始反 slop，「简洁高级的终端风」「编辑部 dashboard 风」又会变成新一轮套路。这说明 slop 的本质根本不是某种具体样式，而是「缺乏决策的默认值」——任何风格一旦变成无脑套用，都会沦为泔水。所以反 slop 不是一份黑名单，而是一种「每个决定都要有理由」的思维方式。它那句收尾我很喜欢：the ugly default, deleted.（把那个丑陋的默认值，删掉。）
这件事和「引导层」是一枚硬币的两面：引导层是「先定义好品味，再让 AI 在框内生成」；Kill AI Slop 是「AI 已经生成了没品味的东西，再回头把品味补进去」。而它最妙也最讽刺的地方在于——连「对抗 AI 的没品味」这件事，现在也交给一个 AI Skill 来做了。
🛠️ 效率工具
llmfit：一条命令，告诉你这台机器能跑什么模型
Tw93 潮流周刊推荐的 llmfit 解决的是一个很实在的小痛点：本地模型和量化方案多到爆炸，到底哪个能在我这台机器上跑得动、跑得好？
它是个终端工具（Rust 写的，快 3 万 star），会自动检测你的 RAM、CPU、GPU/VRAM 和后端，然后从四个维度给每个模型打分：Fit（内存装不装得下）、Speed（预估 tokens/秒）、Quality（能力得分）、Context（可用上下文窗口）。更硬核的是，它的速度估算基于一套内存带宽模型 + 社区实测数据，你还能自己跑 llmfit bench 实测 tok/s，再一键把结果 PR 回项目，让同款硬件的人直接看到实测值。支持 Ollama、llama.cpp、MLX、LM Studio 等一堆本地 provider，llmfit recommend --json 甚至能直接喂给你自己的 Agent。
我把它放进来，是因为它背后那件事和本期主题隐隐相通：当模型本身不再稀缺，「哪个模型适合我的具体场景」这个判断反而变值钱了。 选型从玄学变成了可验证、可复现的决策——这本身就是一种「引导」。
🔗：https://github.com/AlexsJones/llmfit
Reicon：在 AI 生图时代，一套「人手雕」的图标库
体验碎周报里的 Reicon 是一套免费开源的 SVG 图标库，2700+ 个图标，Outline 和 Filled 两种风格，MIT 许可，支持 React / Vue / Svelte / Flutter / Figma。工程上没什么好多说的，npm install reicon-react 就能用。
我想聊的是它的调性。官方用词是 handcrafted、pixel-perfect、「以近乎偏执的精度打造」——人手逐一雕琢、追求几何精准。在一个「一句话就能让 AI 生成一整套图标」的时代，坚持人工精制，听起来有点固执，甚至有点「不划算」。但恰恰是这份固执，成了它的差异化：AI 批量生成的图标往往风格漂移、笔画粗细参差，而人手统一打磨出来的那种网格对齐、视觉重量的一致性，是泛化模型很难复制的。
这让我想起 Tw93 这期封面——他拍了天目里一家店门口的一堆椅子，配文「以物为介，拥抱传统」，然后写道：比起 AI 世界，他更喜欢现实世界与真实的感受。Reicon 和那堆椅子，本质上是同一种态度：当机器把「快」和「多」推到极致，「慢」和「人手的痕迹」本身，就成了一种稀缺的品味。
✨ 随便看看
服务设计师去当了几天柜姐：体验碎周报推荐的一篇一手观察，作者发现坐在办公桌前拍脑袋建的用户画像根本不够用——商场店和街边店的顾客差异极大，服务标准不该「一刀切」。又一个「价值在模型之外、在真实场景里」的注脚。链接
姚顺雨 300 天重建腾讯混元：前 OpenAI 研究员空降，提出「守正出奇」——先修好数据清洗、Infra 这些基本功再谈创新，用传统 MoE 架构训出 295B 的 Hy3 Preview，推理成本只有 1/7。基本功比刷榜更值钱。晚点 LatePost 报道
ScreenshotOne，一个人的截图 API 生意：Dmytro 只解决「可靠地生成网页截图」这一个窄需求，做到 400+ 付费客户、约 20 万美元 ARR（月均约 1.7 万美元）。窄、真、有黏性——小工具生意的教科书。链接
我见证了 MiniMax 的「至暗时刻」：M3 发布后因定价沟通失误股价跌 15.71%，百人「作战群」里公开争执。技术之外，叙事和沟通同样是护城河的一部分。链接
Tutti：多智能体共享工作区：体验碎周报发现的开源项目，打通 Claude Code、Codex、Canvas 之间的上下文、文件和任务，还能复用已有订阅。当你手里的 Agent 越来越多，「协同」就成了新问题。链接
山手线背景音：把东京山手线各站的旋律、广播、车门提示音和列车声融合成一段环线氛围音。写东西写累了放一放，意外地治愈。链接