Hermes 森林防火报警研判：用 2B 小模型给报警分流
云雾、炊烟、反光让摄像头误报很多，值班员要逐条复核。基于 Qwen3.5-2B 做轻量判断模型，只输出真警 / 误报和置信度：高置信度自动派单，低置信度转人工。
- 2B轻量判断模型
- 5 张/秒300I A2 单卡测试吞吐
- AI-Box端侧验证中
森林防火
交互演示 ↗
01
主导项目
我主导或负责的 AI 项目。每篇写清四件事：当时的约束、我做的判断、最后的结果、做错了什么。
项目界面配图为 AI 生成的示意图，客户名称、地名和业务数据已隐去。标有「交互演示」的是我个人做的演示版，数据为虚构。
草原智能监管：10 余类识别任务，怎么把误报压下来
草原监管原来靠人工盯屏，特殊场景多、误报高、研判慢。我负责产品方案：拆解火点预警、禁牧识别、工程车检测等 10 余类任务，采用 VLM + RAG，设计困难样本回流，完成昇腾边缘设备适配。
- 89%典型场景识别准确率
- 10+ 类识别任务
- 百万级项目合同
草原监管
阳光厨房与智慧养老：一套方案，复用到 3 个项目
后厨和社区养老的监管原来靠人工巡检和纸质报告，只能抽查，问题发现得晚。用视觉识别、大模型研判加 Agent 派单，覆盖 20 余类识别任务，自动生成异常报告并派发任务。
- 20+ 类识别任务
- 3 个同类项目复用
- 大小模型分工调度
食安养老
水利知识库 Agent：从演示能力到日常工具
行业知识库最怕做成摆设：资料堆进去了，问答时好时坏，演示很漂亮，业务人员却不愿意用。我从资料整理、问答一致性和任务型 Agent 三处下手，从方案设计一路跟到交付。
- 百万级项目，主导交付
- RAG行业知识库
- Agent任务编排
水利
方案推演
两个做过完整方案推演的场景，思路和上面的项目一脉相承。
工单分派：小模型打头阵，大模型兜底
热线工单里有大量模板化诉求。让小模型做一级分类扛住量，疑难工单交给大模型精读，仍拿不准的转人工。最难的一环，是教会系统说"我不确定"。
政务
合同条款比对：把法务的红笔变成规则库
从关键词规则升级到 LLM 条款级比对。推演下来，最大的收获在模型之外：把法务口中的"感觉不对"翻译成可执行的检查清单。风险提示可以自动化，判断依然属于人。
文档智能
背景
森林防火靠摄像头值守，报警量大。云雾、炊烟、水面反光都可能被识别成烟火，误报一多，值班员只能逐条点开复核，真正的火情反而容易被淹没在一堆"疑似"里。视觉大模型看得更准，但推理成本高，部署不到前端设备上。
我的角色
产品负责人。负责 Hermes 报警研判与处置方案：模型该输出什么、数据怎么准备、报警怎么分流、处置结果怎么回到训练里。
三个关键判断
- 模型只回答一个问题。不让模型写长段分析，只输出"真警 / 误报"和一个置信度。输出越简单，阈值越好定，效果也越好评测。
- 用小模型，放到边上。基座选 Qwen3.5-2B 做轻量判断模型。2B 的体量才有机会在单卡、甚至端侧盒子上跑起来，研判不用排队等云端。
- 误报是最好的训练数据。值班员每一次"这不是火"的复核，都应该回到训练集里，变成困难负样本。
方案
- 报警接入图像与事件
- 模型研判真警 / 误报 + 置信度
- 按置信度分流高：自动派单
低：人工复核 - 处置与复盘误判样本回到训练数据
力气花得最多的是数据。先定历史报警图像的清洗规则：去重，剔除模糊、过曝的图片；再统一可见光和热成像、白天和夜间的标注口径；误报样本整理成困难负样本，持续补进训练，用 LoRA / SFT 做场景适配。
进展
300I A2 单卡测试吞吐 5 张/秒，正在做 AI-Box 端侧验证，目前在客户试点。试点有了结论，这篇会接着更新。
要提防的坑
标注口径。可见光和热成像、白天和夜间，看起来都是"烟火"，判断依据却不一样。口径不统一，模型学到的就是标注员之间的分歧。所以补数据之前，先把口径写成文档，再开始标。
上方的交互演示用虚构数据还原了报警接入、模型研判、云台复核、风险分级、资源调度到复盘日报的完整过程，可以直接运行。
背景
草原监管原来靠人工盯屏研判。防火要盯烟火，禁牧要盯牲畜有没有进禁牧区，还要留意工程车这类对象。草原上的场景变化大，特殊情况多，结果是误报高、研判慢，值班人员疲于奔命。
我的角色
产品方案负责人，覆盖防火与禁牧两条业务线，项目合同为百万级。
三个关键判断
- 先拆任务，再选模型。把"监管"拆成火点预警、禁牧识别、工程车检测等 10 余类可以单独评测的识别任务。每类任务有自己的准确率口径，不用一个笼统的"识别率"糊过去。
- VLM 看画面，RAG 管业务。视觉大模型负责看懂画面，RAG 把业务规则喂给它，研判结论才对得上一线的处置要求。
- 困难样本是主线工作。模型上线那天只是开始。设计好困难样本采集、标注质检和 Badcase 回流流程，准确率才会往上走。
方案
- 前端采集摄像头等多源数据
- 任务拆解10 余类识别任务
- VLM + RAG 研判看懂画面，对上规则
- 预警与处置人确认后派发
- Badcase 回流采集、质检、再训练
部署端推进了量化、推理优化和昇腾边缘设备适配，让研判尽量在离现场近的地方完成。
结果
典型场景识别准确率 89%。"典型场景"这个限定词很重要：草原上总有模型没见过的情况，我更愿意把能稳定做到的范围说清楚，剩下的交给回流机制慢慢补。
要提防的坑
只报一个总准确率，好做的任务会把难做的任务藏起来。按任务分开评测，哪类任务在拖后腿一眼就能看出来，资源也知道该往哪里投。
背景
后厨和社区养老的监管，原来靠人工巡检和纸质报告。巡检只能抽查，问题往往事后才发现；纸质报告也很难追溯和统计。
我的角色
产品负责人，负责阳光厨房与智慧养老两条产品线。
三个关键判断
- 大小模型分工。高频、固定的识别交给视觉小模型，比如人员违规、消防安防；需要理解上下文的研判和报告生成交给大模型。
- 识别之后要有人接手。只报警不派单，异常就会停在屏幕上。用 Agent 把异常变成任务，派到具体负责人，处理结果再回传。
- 第一个项目就按复用来做。训练集与标注规范、任务清单、报告模板，从一开始就按标准件设计。
方案
- 摄像头画面后厨 / 社区养老
- 视觉识别20 余类任务
- 大模型研判异常分析与报告
- Agent 派单派给具体负责人
- 处理回传结果留痕可追溯
结果
覆盖人员违规、行为分析、消防安防等 20 余类识别任务，自动完成异常分析、报告生成和任务派发。方案标准化后，复用到了 3 个同类项目。
复用的前提
厨房和养老看起来是两个行业，底层却是同一条链路：发现问题、判断问题、提醒处理。看清了这条链路，换场景时改的是识别任务和报告模板，主干不用动。
背景
行业知识库很容易做成摆设：资料堆进去了，问答时好时坏，演示时很漂亮，业务人员却不愿意天天用。水利行业的资料多、专业、更新频繁，这个问题更明显。
我的角色
主导项目交付，从方案设计跟到交付，同时负责 LLM 问答和 RAG 知识库的能力建设。项目合同为百万级。
我下手的三个地方
- 资料怎么整理。入库之前先治理：按业务主题归档，处理好版本和过期内容。知识库答得好不好，一半取决于喂进去的东西。
- 问答怎么保持一致。同一个问题，今天问和明天问应该得到一致的答案，并且每个答案都能标出出处。业务人员敢不敢用，看的就是这两点。
- Agent 怎么落地。先挑高频、步骤固定的任务做成任务型 Agent，跑稳了再扩。能演示的能力很多，能天天用的要少而精。
方案
- 资料治理归档、版本、去旧
- RAG 问答答案带出处
- 任务型 Agent高频、步骤固定的任务
- 业务人员确认反馈回到知识库
延伸
LLM 问答、RAG 知识库这些能力，我后来和感知、分析、告警、交互、运维等共性需求放在一起，整理成了 8 个标准化模块，供各项目复用。
这是一次方案推演，写的是思路，不涉及具体项目数据。
问题
热线工单的特点是量大、诉求重复度高，但长尾很长。全部交给大模型，成本和时延都扛不住；全部交给规则或小模型，疑难工单又会被分错部门，来回流转。
分层架构
- 小模型打头阵：做一级分类，处理大部分模板化诉求。
- 置信度把关：小模型拿得准的，直接分派；拿不准的，往下走。
- 大模型精读：补全诉求要素，给出分派建议和理由。
- 人工兜底：大模型也拿不准的，转给人。
最难的一环
教会系统说"我不确定"。模型天然倾向于给出一个答案，哪怕它没把握。所以要单独评测置信度是否可信：高置信度的样本里，分错的比例有多少。这个数不过关，分层就没有意义。
这是一次方案推演，写的是思路，不涉及具体项目数据。
问题
关键词规则能抓住"违约金""管辖"这类显性条款，抓不住"这条写得有点怪"。法务看合同时最有价值的那句"感觉不对"，规则写不出来。
两条线并行
- 规则库：法务能说清楚的部分，写成检查项，确定、可解释。
- LLM 条款级比对：先把合同按条款切分、对齐，再逐条和标准文本比对，找出改动和风险点。
最大的收获
在模型之外。和法务一起把"感觉不对"拆开，会发现大部分直觉都能落成具体的检查项：比如责任上限被改了、付款节点被挪了。拆得越细，规则库越厚，LLM 需要兜的部分就越少。
02
能跑的作品
用 AI 编程工具自己做出来的东西：三个能直接打开的原型，一个能玩的游戏，两部 HTML 短片。
原型与工具
方案讲不清的时候，我就做一个能点的。
评标室空间定位：把一份监管方案做成能点的 3D 大屏
18 间评标室、56 台定位相机、32 条告警规则。人员定位、历史回溯、联动监控，都能直接点开看。
原型
在线 Demo ↗
PixelSpec 像素产品部：三个 AI 角色替我开需求会
小满查重与澄清，墨墨定稿结构化 Spec，阿闪产出能试用的 Demo，关键节点由我确认。输入一句需求，输出 Spec 文档和可运行的 Demo。
Agent
在线 Demo ↗
PixelClip Studio：一个人的短视频流水线
输入一个主题，依次生成文案、分镜、TTS 配音、字幕和 BGM，合成一条完整的短视频。散落在七八个工具里的活，收进一个像素风工作台。
短视频
在线 Demo ↗
放映厅
悬停看预告，点开拉幕。每部都附了一篇制作手记。
可试玩
放映
放映
制作手记 · 办公室快打
一个产品经理用 AI 编程工具做出的横版动作游戏：玩法、剧情和手感取舍都在这里。
制作手记 · 抬头
一部用代码"拍"出来的 3 分钟短片：从一条时间线，到双色画面、手写字幕和原创配乐。
制作手记 · 一张图片
把视觉识别的日常工作讲成一部短片。第一版做得像仪表盘，被我自己否掉了。
为什么做成原型
评标室空间见证这类方案，文档写得再细，评审时大家脑子里也很难同时装下 18 间评标室、56 台定位相机和 32 条告警规则。与其讲，不如让人直接点：人在哪间屋、触发了哪条规则、回溯时轨迹怎么走。
原型里有什么
- 3D 人员定位：评标室的空间布局和人员实时位置。
- 告警规则：32 条规则触发后，在空间里直接定位到人和房间。
- 历史回溯：按时间轴回放轨迹，和监控画面联动。
怎么做的
从一份标准方案文档出发，先把文档里的对象、规则和流程整理成数据，再用 AI 编程工具搭出可交互的大屏。数据全部是虚构的，结构和规则来自方案本身。
想解决什么
需求从一句模糊的想法，到一份能开发的 Spec，中间要来回澄清很多轮。我想试试：如果把这个过程拆给几个 AI 角色，我只在关键节点拍板，会怎样。
三个角色
- 小满：查重和澄清。这个需求以前有没有做过？还缺哪些信息？
- 墨墨：把澄清后的内容写成结构化 Spec。
- 阿闪：按 Spec 直接产出一个能试用的 Demo。
每个角色交棒前，都停下来等我确认。输入一句需求，最后拿到一份 Spec 文档和一个可运行的 Demo。整个工具本地优先，资料不出本机。
像素办公室
三个角色坐在一间像素风办公室里，谁在干活、卡在哪一步，一眼就能看到。多 Agent 协作最怕"黑箱"，把过程画出来，比写一堆日志更直观。
想解决什么
做一条短视频，要在七八个工具之间来回切：写文案、拆分镜、配音、对字幕、找音乐、做封面。每一步都不难，难的是串起来。
一条流水线
- 主题一句话
- 文案与分镜LLM 生成
- 配音与字幕TTS，字幕自动对齐
- BGM 混音人声优先
- 封面与校验成片归档
所有步骤收进一个像素风工作台，每一步的中间产物都能看、能改，改完从这一步往后重跑。
它是什么
一个横版动作游戏，题材是打工人。纯 HTML5 Canvas，零依赖、零构建；美术全部用代码程序化绘制，音效由 WebAudio 合成。五个上司，五场 Boss 战，还有无限加班模式和更衣室。
几个我最喜欢的设计
- 墨量经济：远程开笔要耗墨，近战命中才能回墨，逼着你贴脸打。
- 弹反：白色和蓝色的攻击可以反，橙色的必须躲。
- 服装：打赢一个上司，就能穿上他的衣服，但一次只能穿一件。
- 剧情装置：工牌上的名字会一关一关褪色；拒绝"画饼"才能打出隐藏结局。
怎么做的
和 AI 编程助手一起，从玩法设计文档、剧情设定写起，再一个系统一个系统地实现：角色、Boss、关卡、存档。测试靠在浏览器控制台里逐帧驱动游戏，验证每个机制是否按设计生效。
AI 帮不上的那一步
"打起来爽不爽"。AI 能很快写出能跑的战斗系统，手感却只能自己一遍遍玩出来。这一项我还没调完，算是下一版的功课。
它讲了什么
从 8 月 11 日到 9 月 29 日，几款 AI 产品先后走进我的生活：Grok Bot、Muse、Jev、Cue、Dots。前后相隔四十九天，正好是七个七天。片子沿着这条时间线走，穿插了卡尼曼、杰文斯、帕斯卡、康德等人的观点，最后落在一句话上：让机器低头工作，让人抬头生活。
视觉
只用两种颜色：米黄和克莱因蓝。字幕用霞鹜文楷手写体。"头"这个字是全片的母题，会倾斜，也会上扬。
怎么做的
整部片子是一个 HTML 页面，用代码"拍"出来：
- 旁白稿按段落写好
- 配音语音合成，带词级时间戳
- 排版时间戳驱动字幕和画面
- 配乐程序化原创
- 混音与导出人声出现时音乐自动避让
AI 帮不上的那一步
选什么讲、讲到哪里停。时间线上的事件很多，哪几件值得进片子、落点那句话怎么说，这些只能自己定。
它讲了什么
一张监控图片，怎样一步步成为解决问题的起点：从视觉识别，到大模型，再到本地部署。素材来自林区、水利、园区这几类我熟悉的视觉识别业务，全片 8 章。
两条导演原则
- 模型名只讲能力变化，不画架构图。
- 还在推进中的事，不能说成已经交付。
推翻的第一版
第一版做成了仪表盘的样子：卡片、胶囊、顶栏，一屏一屏都像产品界面。看完觉得不够高级，整版推翻，改成编辑电影的风格：全屏网点照片，粗细字重的强对比，整屏深松绿的章节卡，细线分隔，去掉所有 UI 装饰。
怎么做的
画面素材先用 AI 生图，再转成双色网点；检测框按照片坐标逐个标定。管线沿用了《抬头》的那一套。
AI 帮不上的那一步
判断"不够高级"。AI 可以很快把第一版做出来，但要不要推翻，只能自己拍板。
03
关于我
产品经理，AI 应用实践者，复盘的忠实信徒。
2017 年在京东做智能客服和 NLP；2019 年到一智科技，把智慧工地监管平台从 0 做到 1；2021 年起在大华做公共领域的 AI 产品，从森林防火、草原做到水利和食安养老。
比起一串头衔，我更相信经历是一次次具体的解题。所以这里主要写复盘：当时的约束是什么，我怎么理解场景，哪些判断被验证了，哪些摔了跟头。比如这篇：Hermes 报警研判 →
工作之外，我在路上。去过 18 个地方，家里有两只狗、一只猫，偶尔找家咖啡馆，把买回来的书读完。
职业航线
2017 → 至今-
京东商城
产品经理 · 智能客服 / NLP
设计意图识别体系和 5 大 BU 路由策略，问题匹配准确率 88%；3 个月上线，日均处理咨询 10 万+。
-
一智科技
产品经理 Leader · 智慧工地
监管平台和配套终端从 0 到 1，单品毛利率 45%；对接 7 个省市住建主管单位，推动 3 个地市政策试点。
-
浙江大华
AI 产品负责人 · 公共民生
森林防火、草原、水利、食安养老；主导两个百万级项目，把共性需求整理成 8 个标准化模块。
两种节拍，都是我认识世界的方式。
04
AI 笔记
工具、模型和方法。每篇都从项目里的一个具体问题出发。
每月 75 刀，四个同事：我的 AI 订阅怎么分工
四家都订了：Grok Bot 跑日常、出视频，Claude 管核心产出，GPT 做调研和补位，Gemini 看病、管资料。用久了发现，它们更像四个性格完全不同的同事。
双模型并跑一个月：Claude Fable 5 与 GPT-5.6-Sol 怎么分工
一个胜在严谨的工程闭环，一个赢在天马行空的生成手感。我给两个模型定了分工规则：谁写代码、谁做创意、什么时候果断换人。
MCP 初体验：把本地工具接进大模型
让模型直接读我的文件、查我的数据、调我的脚本。上手路径、安全边界，以及一个预感：工具生态的迭代速度，可能比模型本身还快。
从提示词工程到上下文工程：喂什么，比怎么说更重要
提示词写得再花哨，也救不了塞错上下文的对话。我管理上下文的几个习惯：该塞什么、塞多少、什么时候清场重来。
开源大模型应用：基于 Qwen 全家桶的私有化部署
LLM、VLM、ASR、TTS 各管一摊。私有化部署时要算清楚的账，以及怎么把几个模型组合成可复用的产品能力。
YOLO 使用指南：从模型推理到模型训练
大模型在部分场景准确率不够，需要 YOLO 这类检测模型补位。我的学习路径：先跑通推理，再弄懂数据、标注、训练和效果验证。
Vibe Coding：一个产品经理的项目闭环
从没有代码经验开始，用 AI 辅助完成需求拆解、界面搭建、功能调试和部署上线。这个网站、《办公室快打》和几个原型，都是这么做出来的。
能力地图
节点越大，关联的项目和文章越多。点一下节点，看它连着哪些内容。
拖动节点 · 悬停查看关联
用久了，我慢慢摸清了它们各自的脾气：谁什么活都肯接，谁最靠得住，谁哪里缺人补哪里，谁敢把话说透。
团队编制：每月 75 刀
- Grok$30
- Claude$20
- GPT$20
- Gemini$5
四位同事
Grok执行担当
月薪 $30
什么活都肯接的那个。
- 日常大部分事情直接丢给 Grok Bot，它在云上自己跑，我合上电脑它还在干。
- 要做视频，找它。
- Cursor 是套餐里带的，偶尔开来写写代码。
Claude核心产出
月薪 $20
团队里最靠谱的那位。
- 写代码、做前端设计、写文案。
- 不能出错的重要内容，都先让它把框架搭起来。
- 额度不多，所以舍不得让它干杂活。
GPT万能替补
月薪 $20
哪里缺人，就补哪里。
- 查资料、写调研报告是它的强项。
- 代码写到一半卡住了，找它补。
- 日常琐事也能接，偶尔还拿它做点逆向。
Gemini看病 · 管资料
月薪 $5
最出乎我意料的那位。
- 身体不舒服，先问它。
- 云盘和 NotebookLM 也在这 5 刀里。
- 偶尔还能出个视频。
最意外的一位：Gemini
身体不舒服的时候去问 GPT 和 Opus，得到的基本都是"建议你做个检查，详细咨询医生"。话没错，但跟没说一样。
Gemini 不一样，它敢直接告诉你"可能是这几种原因"。我把症状和检查结果一点点补给它，它会说哪种可能变大了，或者提醒我该往别的方向想。再加上它背后是 Google 那一整套搜索，查到的东西也更靠谱。
GPT / Opus
① 描述症状
建议你做个检查，详细咨询医生。
② 补充检查结果还是建议你做个检查，详细咨询医生。
Gemini
① 描述症状
可能是这几种原因：……
② 补充检查结果这样看，第一种的可能性更高了；也有另一种可能，要往这个方向再看看……
如果说 GPT 和 Opus 像医院门口的导诊台，Gemini 就像你身边那个学医的朋友，愿意跟你把话说透。
看病那部分是我的个人体验。AI 的判断我只拿来做就诊前的准备，最后还是听医生的。
为什么要并跑
同一个任务，两个模型给出的东西风格差别很大。与其每次凭感觉选，不如并跑一段时间，把分工规则定下来。
我的分工规则
- 工程闭环交给 Claude Fable 5：写代码、改 bug、补测试、按约束重构。它的长处是严谨，改动范围收得住。
- 生成手感交给 GPT-5.6-Sol：文案方向、视觉概念、头脑风暴。它的长处是发散，常给出我没想到的角度。
- 评审交叉进行：一个模型的产出，交给另一个挑刺。两边都说没问题的，我再看。
什么时候果断换人
- 同一个问题改了两轮，还在原地打转。
- 开始"自信地出错"：给出的理由很完整，结论却是错的。
- 对话太长，前面定好的约束开始被忘记。这时候先让它总结，再新开一轮。
MCP 是什么
一套让大模型调用外部工具的通用协议。工具按约定写成一个 server，模型就能读文件、查数据、执行脚本，不用每接一个工具都重新开发一遍。
我的上手路径
- 先接文件：让模型读本地文档，效果立竿见影，风险最低。
- 再接数据：只读查询优先，写操作先不开放。
- 最后接脚本：执行前必须经过人确认。
安全边界
能读的范围、能写的范围、哪些操作要确认，在接入前就写清楚。工具接得越多，这件事越重要。
核心观点
提示词写得再花哨，也救不了塞错上下文的对话。模型能做多好，很大程度上取决于它看到了什么。
该塞什么
- 目标：这次要完成什么，做到什么程度算完成。
- 约束：不能动什么、必须遵守什么。
- 材料：相关的文件和数据，只给相关的。
- 验收标准：怎么判断做对了。
塞多少
宁精勿多。无关的材料会稀释注意力，让模型在不重要的地方用力。
什么时候清场重来
对话跑偏、约束被遗忘、来回修补越补越乱的时候。先让模型总结当前进展和约束，再带着总结开一个新对话。
全家桶各管一摊
- LLM：理解、生成、研判。
- VLM：看懂图片和视频画面。
- ASR：语音转文字。
- TTS：文字转语音。
单个模型解决单个问题，组合起来才是产品能力。比如 ASR 加 LLM，就是会议纪要；VLM 加 LLM，就是"看图说话"的巡检研判。
私有化部署要算的账
- 显存和并发：模型尺寸、量化方式和同时服务的请求数，三者要一起算。
- 算力适配：昇腾和英伟达的环境差异，越早验证越好。
- 升级路径：模型换代时，接口和评测集要能复用。
为什么学 YOLO
大模型在部分场景准确率不够，需要 YOLO 这类检测模型补位：快、轻、对固定目标稳定。产品经理懂一点检测模型，和算法同事讨论数据和指标时，能少很多鸡同鸭讲。
学习路径
- 场景认知要检测什么
- 推理实践先跑通现成模型
- 数据准备采集与标注
- 训练在自己的数据上
- 评估部署mAP、召回、FPS
最大的体会
模型效果的上限，大多在数据那一步就定了。标注口径不统一，训练再久也是在学噪声。
起点
我没有写代码的经验。这一年里，用 AI 编程工具做出来的东西，就摆在这个网站上：网站本身、《办公室快打》、PixelSpec、PixelClip、评标室 3D 大屏原型，还有两部 HTML 短片。
一个项目怎么走完
- 需求拆解：先写清楚要什么、不要什么，比直接让 AI 开写省时间。
- 界面搭建：先出能看的样子，再补能用的功能。
- 功能调试：出了问题，先让 AI 复现、定位，再改。
- 部署验证：真的放到线上，用真实设备打开一遍。
对产品经理意味着什么
方案讲不清的时候，可以直接做一个能点的原型。和研发、和客户沟通时，一个能跑的东西，比十页文档更有说服力。
05
AI 产品体验
亲手试过的 AI 新产品。每则写四件事：试了什么、结果、我的判断、还会不会用。
Opus 5.5 · 视频
Opus 5.5 视频：20 刀，像在和上帝对话
加班间隙把视频输出功能从头试了一遍。想法第一次这么快有了画面，接下来要看它能不能稳定地用进作品里。
视频生成继续用
豆包手机 · 手机 Agent
豆包手机：想象先到了，体验还在路上
国庆第一天入手，专门测了手机 Agent。能演示出来的能力，和愿意天天依赖的体验之间，还隔着一段路。
手机 Agent观望
Kits × HeyGen · 歌曲与数字人
Kits × HeyGen：把一阵上头，做成一次交付
Kits 做 AI 歌曲，HeyGen 做数字人。两样串起来，最后真的用进了公司的采访场景。
数字人已用进工作
Looki · AI 相机
Looki：把生活外包给一台小相机
素材自动整理、日常自动成片，思路很讨喜。顺手把体验过程录了屏，偷师了不少交互细节。
AI 相机偷师中
得到 Seed · 录音卡
Seed 录音卡：把灵感挂在胸前
开会、散步、开车时的碎碎念，回来自动变成文字稿和待办。以前的灵感是"回头再说"，现在是"已经记下"。
录音卡日常在用
智能眼镜 · 自己开发
智能眼镜：给它装一个游戏模拟器
眼镜会不会成为下一个手机？不知道，但可以先亲自开发、亲自调教。用 Vibe Coding 适配了游戏模拟器，把儿时的快乐找了回来。
智能眼镜折腾中
- 试了什么
- Opus 5.5 的视频输出功能，从头到尾探索了一遍。
- 结果
- 想法第一次这么快有了画面，试完一个，又想试下一个。
- 我的判断
- 20 刀的订阅，换来的是"想到就能看到"。接下来要看的，是它能不能稳定地用进作品里。
- 还会不会用
- 会。
10 月 7 日来公司加班，工作间隙顺手把 Opus 5.5 输出视频的功能探索了一遍。原本只是一点好奇，结果又进入了熟悉的状态：想试的越来越多，下一个念头好像也值得做出来看看。
当想法开始有了画面，那种惊讶很难用参数说明白。最贴近当时心情的，大概就是一句：「20 刀，居然可以与上帝对话。」带点夸张，也带点真心。
- 试了什么
- 手机 Agent：按一下侧边的 AI 键，把日常要办的事交给它。
- 结果
- 和真实场景的需求相比，差距还比较大。
- 我的判断
- 方向值得期待。能演示出来的能力，和愿意天天依赖的体验，中间还隔着一段路；手机 Agent 仍在探索阶段。
- 还会不会用
- 观望，保持关注。
10 月 1 日，买了刚发布的豆包手机。侧边那颗橙色的 AI 键一按，就能把事情交给它。对手机 Agent 好奇了很久，这次终于能放进自己的日常里实测。
实测下来，效果和真实场景的需求相差还是比较大。先把这一次记下来，保持好奇，也把期待放回实际使用里。
- 试了什么
- Kits 做 AI 歌曲：克隆音色、分离人声、换声翻唱；HeyGen 做数字人，让一段声音配上一个会开口的人。
- 结果
- 两样串起来，完成了公司采访场景的应用。
- 我的判断
- 单独试一个功能，很难停在"试一下"；把几个工具接成一条线、一起做完一件具体的事，才算学会。
- 还会不会用
- 已经用进工作。
8 月 15 日，记一下最近的沉迷对象：Kits 和 HeyGen。单独玩哪一个都有意思，放在一起，就很难只停在「试一下」。
学新工具最快的时候，往往就是手上正好有件想做的事。
- 试了什么
- Looki 新品的素材自动整理和日常自动成片，并把整个体验过程录了屏。
- 结果
- 自动整理、自动成片的思路很讨喜。
- 我的判断
- 好产品是最好的学习素材。它的交互细节，值得一帧一帧拆。
- 还会不会用
- 边用边偷师。
- 试了什么
- 开会、散步、开车时，把碎碎念交给这张挂在胸前的录音卡。
- 结果
- 回来自动变成文字稿和待办。
- 我的判断
- 它解决的是"记下来"这一步。以前的灵感是"回头再说"，现在是"已经记下"。
- 还会不会用
- 日常在用。
- 试了什么
- 用 Vibe Coding，自己给智能眼镜适配游戏模拟器。
- 结果
- 跑起来了，儿时的快乐找回来了。
- 我的判断
- 眼镜会不会成为下一个手机替代风口，现在说不准；但亲手开发一遍，比看十篇评测更清楚它能做什么。
- 还会不会用
- 还在折腾。
06 · 生活
旅行摄影
人生如逆旅，我亦是行人。
18 个地方，44 张底片。从冰岛的黑沙滩、挪威的峡湾与极光，到曼谷寺庙和湄南河的夜色。比起景点，我更记得某个傍晚忽然松下来的那口气。
点地图上的城市，看那里的照片；也可以在下面的胶片里按地方筛选。
在路上
原创配乐 · 循环播放
胶片
点开放大 · 可按地点筛选
生活小记
大模型之外，留给自己的几件小事。
家里的三位：司令、钱钱和皮克嗦
一只叫司令的雪纳瑞，一只叫钱钱的布偶猫；今年 9 月，又在宠博会上带回了小腊肠皮克嗦。它们负责巡逻、撒娇、偶尔制造一点小混乱，我负责见证它们长大。
家庭成员
咖啡：从路过 CyPARK 开始
2025 年偶然路过 CyPARK 咖啡节，爱好就此开机；2026 年再去，这回上手试了咖啡大师的手法。半个品鉴大师，继续进修。
咖啡日常
手绘：从喜欢守望先锋开始
雾子皮肤返场，闲来无事就画雾子。我的理论非常朴素：画得越好，打得越 6。排位分数暂时还没被这套理论说服，但快乐已经先一步到账。
绘画练习
城市夜骑：晚风是最好的下班仪式
下班后沿着江边骑到路灯尽头再折返。不为锻炼，就为把白天开过的会一脚一脚踩碎。夜里的城市和白天不是同一座，连红绿灯都温柔了几分。
生活记录
阅读：《不上班咖啡馆》
整理书架时发现，西西弗买回来的书还剩点没看。于是找个咖啡馆，把它读完。成年人的生活也需要一点解放，哪怕只是从一杯咖啡和一页书开始。
阅读笔记
第一次逛漫展：热闹看过了，打卡就算了
去了成都世界线动漫展，人生第一次逛漫展。现场氛围是真的热烈，但对打卡、集章这些玩法实在提不起兴趣。漫展留给真正热爱它的人。
生活记录
一只叫司令的雪纳瑞，一只叫钱钱的布偶猫。它们负责在家里巡逻、撒娇、偶尔制造一点小混乱，我负责见证它们长大。人生能猫狗双全，已经算是偷偷攒到一张生活奖励券。
今年 9 月 13 日去了 TOPS 成都宠博会。那天正好是展会的最后一天，原本只是凑个热闹，最后却带回了一位新的家庭成员：一只棕褐色、长耳朵垂下来的小腊肠，取名皮克嗦。
司令和钱钱，从那天起多了个弟弟。皮克嗦会负责什么，还在观察中。家庭相册，也翻到了新的一页。
2025 · 开机
偶然路过 CyPARK 咖啡节，咖啡爱好就此开机。之后手冲、咖啡机样样俱全，从巴拿马的豆子喝到埃塞俄比亚，也算用杯子路过了世界上好几处咖啡产地。
2026 · 进修
9 月 25 日，咖啡节开幕第一天，又去了一趟 CyPARK。今年的此地世界咖啡节来了五十多个咖啡品牌，从亚洲一路排到欧洲、北美和大洋洲，现场一如既往地火热。
这次没满足于排队喝，跟着咖啡大师的手法自己试了试。从看别人做到自己动手，手上一点点的变化就足够让人开心。半个品鉴大师的头衔先续上，下一杯继续练。
10 月 4 日，去了成都世界线动漫展，在中国西部国际博览城，也是我人生第一次逛漫展。展馆里人从众，舞台、展台、coser 和排着长队的打卡点挤在一起，那种热烈的氛围，确实只有站在现场才感受得到。
但走了一圈，也确认了一件事：集章、打卡、排队合影这些玩法，我实在提不起兴趣。热闹看过了，好奇心也满足了。漫展留给真正热爱它的人，下一次，我大概不会再来了。
