要点速览
- Noah Kagan 停用使用 10 年的 Zapier，年支出从 4788 美元降至 0，并给出可复用的自动化审计方法。
- Tony Dinh 用内置翻译工具替换 i18n SaaS，每月省 124 美元，覆盖 2705 个翻译键、16 种语言。
- Alex Lieberman 提出“AI 组合矩阵”与投产前准备度检查项，用于评估 AI 机会与试点落地。
- 一篇机制可解释性新文章认为神经网络大体可读，但语言模型证据偏薄、详细论文尚未发布。
- Starter Story 拆解 Career Hound：硬付费墙、上月营收 2.8 万美元，差异在营销而非产品。
- acquire.com 新挂牌涵盖 AI 备考、数字健身、VA 索赔工具与 web-to-print SaaS，收入与要价差异显著。
- Ben Tossell 分享非技术背景下的 agent 使用方式，并提出单线程与多 agent 的待观察问题。
一、AI 工具替代与成本审计
- Noah Kagan 停用使用 10 年的 Zapier：其 123 个自动化中 63 个一个月未运行，2 个承担 88% 工作量，其余多为表单转 Slack、HubSpot 转 Sheets 等连接；他用 Claude 重建 1 个，其余迁入已付费工具，年支出从 4788 美元降至 0。他给出的审计方法是导出 Zapier 任务历史，让 Claude 或 ChatGPT 列出每个自动化、负责人及近 30 天运行次数，标记未运行项，找出少数承担主要工作的自动化，并为每个匹配可替代的已付费工具，给出带日期的取消计划。1
- Tony Dinh 称其动机是减少依赖而非削减成本，省钱只是附带好处；其应用已用内置翻译工具替换此前使用的 i18n 翻译 SaaS，每月省 124 美元，覆盖 2705 个翻译键、16 种语言，使用 GPT-Luna 6 的成本约 0.75 美元，并称翻译更准确且结合上下文。1
二、AI 落地方法与可解释性研究
- Alex Lieberman 提出用“AI 组合矩阵”评估 AI 机会：按“回报大小”与“当前是否可执行”分为立即加速、投资解锁、速赢、降优先级四类，并给出从目标出发、盘点存量、设定规则到排序落地的四步流程。他强调落地规则：每个试点需有业务负责人、可核验结果与成本估算；小型修复若成本低、有负责人且数周内见效即可直接做；试点启动前先写好 go/no-go 标准，并以“更快/更省/更好且质量不降、员工日常使用、增益确由 AI 带来、成本收益假设成立”作为早期证据。投产前准备度检查项包括价值是否明确、流程是否可理解可度量、数据是否可获取、是否有人部署与支持、目标用户是否参与、团队是否有余力改变工作方式、业务负责人是否对结果与决策负责、法律管控与护栏是否到位。排序上，他主张第一波从“立即加速”象限取，先按成功概率、再按回报排序，优先选准备度问题大多已解决、负责人有意愿、范围可控的项目；速赢并行推进；当某个缺口同时阻塞多个大回报项目时，应提前投入“使能型”工作，即使它不直接产生回报。1
- Alex Lieberman 转述并解读 Nick Cammarata 关于机制可解释性的新文章：该文认为神经网络大体可读，“纠缠成一团”的叙事被夸大，原因是旧工具与旧模型设计不佳；其四步论证为网络只用一种学习原理、现代工具下研究效果超预期、理解会复利式累积、以及（高度推测）直接研究可能已接近所需。该文列举证据：猫/车神经元实为检测尖 V 形，车内嵌于狗神经元实为姿态神经元；2014 年 InceptionV1 末层仅 0-5% 神经元可解释，被归因于模型与工具问题；将神经元从 480 减到 10 并未出现叠加式混杂，只是类别变宽；稀疏自编码器找到的内容约 88% 是已有神经元的复制；对 Qwen3-32B 的 1000 个神经元审计显示 90% 只有一个主职能、7% 有两个相关职能、2-4% 为随机混合。该文自认的薄弱处包括：语言模型证据偏薄，详细技术论文尚未发布；“90% 只有一个职能”取决于如何界定“一个职能”；微弱信号尚无可靠检验方法，而这正是叠加论支持者认为隐藏概念所在之处。1
三、产品增长与营销实战
- Starter Story 拆解 Roman 用两年做出的 Career Hound：从公司官网直接抓取招聘信息，无免费方案，硬付费墙为每周 7 美元、每月 20 美元或每年 50 美元；上月营收 2.8 万美元，8000+ 用户、779 个活跃订阅，过去 30 天社交浏览量 1170 万。作者认为该产品本身并无特别之处，差异在于 Roman 的营销能力：他学过心理学，并连续 5 个夏天挨家挨户销售报警系统，由此学会管理创作者和用内容激发情绪。Roman 的营销方法包括：花数小时刷 Instagram、Reddit、TikTok 做“内容淘金”，收集吸引注意力的素材；忽略一周就过时的热点，寻找可长期复用的常青格式；其成功格式“Companies hiring remote worldwide”加列表再导流到网站，已连续运行两年。他还倾向雇佣 50 岁以上的年长创作者，认为白发能为求职建议带来潜意识可信度；每条视频约付 20 美元，私信联系已在出于兴趣做内容的人，并给出极简单指令，让对方无需做调研。其工具栈很精简：Shortimize、PostHog、WhatsApp、Clarity、Hetzner、Postmark、Google Suite、Cloudflare。作者总结：不需要新点子，需要成熟品类加持续营销实验；Roman 称“创建一家盈利企业实际上是必然的”。1
- acquire.com 新挂牌项目呈现不同收入与要价组合：移动端 AI 学习应用将课程材料转为个性化备考内容，TTM 收入 38.7k 美元，要价 10 万美元；数字健身品牌 Stripe 累计收款约 1220 万美元，订阅 MRR 约 6.9k 美元，TTM 收入 18.4 万美元，要价 20 万美元；面向 VA 索赔的 AI 工具定位“VA 索赔版 TurboTax”，称可自动找出应得福利并在数分钟内完成申报，TTM 收入 670 万美元，要价 1000 万美元；面向印刷商的 web-to-print SaaS 用于简化订单处理并提升收入，TTM 收入 25.87 万美元，要价 69.94 万美元。该账号还推出免费 Listing Scorecard，按买家实际关注点给挂牌打分并显示其位置。1 2 3 4 5
四、个人实践与观点
- Ben Tossell 在播客中与主持人线下对谈其 AI 使用方式：自称“非技术”且对终端有畏惧，但已在 FactoryAI 将代码上线生产；他把 agent 的上下文存放在文件夹中、不使用 Claude Code，并称 AI 让他更愿意花时间在电脑前。该期节目列出的内容包括：用做“无聊小项目”学习与 AI 协作、为个人网站做吉祥物动画器、做可视化词典以理解编码 agent 的术语、把任务分给 Pi、Factory 和 Codex、认同更快的模型感觉更聪明并偏好在工作过程中引导 agent、用共享词汇表避免人与 agent 各说各话、以及质疑把 AI 采用问题称为“技能问题”会让 AI 实验室免责。Ben 的做法还包括让个人上下文在 agent 和模型之间可移植，并减少 agent 记住的关于自己的信息；他主张不断向 AI 提问。他提出一个待观察的问题：使用个人 agent 时，最终会收敛到单一线程还是多个 agent。1 2
- Codie Sanchez 称其见过的成功第一预测因素是亲身经历，其风投组合中最成功的创始人已在所解决的问题领域深耕 10 年以上；她引述一家 110 亿美元公司创始人的观点，称管理者是浪费空间，并附上其替代招聘方式的说明链接。她认为，若初创公司创始人不够投入、甚至不带一点妄想，公司就赢不了；并称正是这种妄想可能带来畅销书和大生意。1 2 3
- Justin Welsh 认为，不确定人生方向时应先行动——写作、录制、发布、打电话、发邮件、拓展人脉都可以，动力来自行动而非空想；他提出，几乎无法在避免显得愚蠢的前提下取得极大成功，即一段时间的“看起来像傻瓜”几乎是必经过程。1 2
