KCC西安是 开源社下的城市社区位于西安的分支。

上次西安KCC线上，我们聊了几个东西。参与人是我（九歌）和墨洺，damo王。

主要围绕 AI 编程（OpenCode/龙虾等）的实战应用、无人值守开发模式、以及基于 AI 的创业与商业化困境 展开。

下文是内容的总结。

关键摘要

第一，我们对AI 编程的体验已进入“平淡期”与“无人值守”阶段。

用户对 AI 的感知已从 2023 年的”热恋/惊喜期”转入现在的”平淡/依赖期”。AI 已成为像呼吸一样自然的基础设施，不再带来感官刺激，但不可或缺。这个阶段的标志性特征是 无人值守开发——通过 OpenCode 等工具配合 Superpowers Skill，开发者可以实现”睡前下任务，睡醒验收成果”的模式。墨洺结合自己的体验给我们做了生动的分享。

工作流也随之产生了深层变革。 首先是 Plan Mode，AI 不再闷头干活，而是先生成详细计划（Plan），列出 ABCD 步骤，经人类批准后才执行，这种”先汇报、再执行”的逻辑大大增强了人的信任度。其次是 多 Agent 协同，一个主 Agent 调度多个子 Agent 并发处理任务（如一个写代码，一个做测试），避免了单个 Agent 的上下文焦虑。最后是 自我验证，AI 能自动生成测试用例，通过边界测试后才提交 Commit，确保质量。

第二，token虽然贵，但是依然有性价比。

墨洺结合自己的例子，表达了一个观点，虽然重度使用 AI（如 OpenCode）一个月可能消耗约 1500 美元 的 Token，但这远低于雇佣一名人类程序员一个月 1.4万-1.5万人民币 甚至更高的成本。用 1500 美元的 Token 替代数万元的人力，即便 Token 贵，依然极具性价比。这个数字背后的逻辑很残酷，它直接解释了为什么大厂开始裁员、为什么 AI 替代成为必然趋势。

更深层的改变在于人的角色升维。 有了 AI，人的能力被放大，相当于”人生加速到 35 岁”。开发者不再纠结于技术细枝末节，不再每天都在 Debug 和重复性编码中耗尽心力，而是逐步转变为产品经理或项目经理，专注于创意、需求定义和多 Agent 的调度。这是一种从”手工作坊主”到”工厂管理员”的蜕变。

第三， 潜在风险：地雷与幻觉。

现有的技术下，过度依赖AI编程可能导致“浮躁”，开发者不再深究底层细节，AI 可能在未知处埋下隐患（Bug），这种“黑箱”问题未来可能爆发。所以，为了防止自己技能退化和减少未来隐患，依然要加强人工对代码的审核和采用Harness Engineering类似的新时代软件工程来增加软件开发的安全性。

第四，商业化与增长，PLG vs 营销困境。

目前的 AI 难以完全替代高质量的营销（如短视频、公众号），因为 AI 产出的内容往往”似是而非”，缺乏感染力，容易被平台识别为”电子垃圾”或遭到用户反感。Damo王认为，不论是否是AI产出，只要质量上乘的，都应该放行。不过，现在确实一些平台严控使用AI自动发布内容，这显示出营销壁垒依然存在。

打破这种壁垒，PLG 模式（Product Lead Growth） 提供了一条可行的低成本增长路径——通过服务好 C 端用户（如 Linux 商店），让 C 端用户倒逼 B 端（政府/企业）采购。星火应用商店就走过这条路。

但创业团队面临的现实是，很多技术团队陷入了”需要钱招商务/运营 -> 没商务/运营就没营收 -> 没营收就没钱”的死锁。更糟的是，投资人的逻辑 往往简化为看指标（月活、增长），他们很多时候并不懂技术。创业者被迫包装指标去迎合投资人的机械筛选标准。

对此，damo王提出了逆向观点——不要轻易找投资。 通过使用便宜的模型和 AI 团队，将成本压到极低，实现自我造血，避免被资本控制。这种独立生存的策略只有在业务模式已经非常成熟的时候才应该考虑融资。

其他内容

除了上面的内容之外，我们还聊了一些其他的东西。

cli编程的意义

我们提到了 cli, 或者TUI，damo说的，计算机只看的见 命令行的东西给AI。

GUI（图形界面）本质上是给人设计的——图标、按钮、颜色，都是为了让人类直观理解。但AI不需要这些”装饰”，它要的是结构化的信息，而命令行恰恰是最干净、最直接的接口。

这其实揭示了一个趋势：未来的软件交互可能会分层。

给人用的，还是图形界面，好看好操作。

给AI用的，直接暴露命令行或者API，让AI能精准调用。

AI”看得见”的只有命令行的东西。那反过来想，如果我们想让AI帮我们干活，应该优先把工具做成CLI形式，而不是逼AI去”看懂”一个网页按钮在哪里。

保留自己的竞争力

damo王还提到一点，使用便宜的模型组合，未必要用最好的模型，未来的token如果贵了确实要考虑成本以及自身对AI独特的使用技巧作为竞争力。

我的思考是，如果大家都追捧最好的模型，期待着模型拯救一切，其实是没有意义的，如果我们不能做出独特的价值，而完全可以被模型替代，我们的存在意义也就没有了，所以应该有自己独特的东西。

Damo 的思路体现了“系统工程”的本质：

80/20 法则：在任何复杂的任务流中，80% 的工作其实是重复、简单、有规律的（比如数据清洗、格式转换、简单的分类）。只有 20% 的工作需要真正的逻辑推理和创造力。

更好的组合拳策略：

第一层（轻量模型）：用极便宜的模型（如 Gemini Flash-Lite 或国产量化模型）做“看门人”。它们负责过滤掉无效请求、处理简单问答、做初步的意图识别。

第二层（旗舰模型）：只有当第一层模型判定“这事儿我搞不定”或者“置信度低”时，才把任务转交给昂贵的大模型（如 GPT-5.5 或 Claude Opus）。

效果：这种架构能把整体 Token 成本降低 75% 甚至更多，而最终效果却几乎没有损失。

价格锚点下移：随着 DeepSeek、Kimi 等国产模型的崛起，以及开源模型的普及，通用模型的 API 价格已经打到了地板价。

高端依然贵：虽然普通模型便宜了，但顶尖模型（用于解决最难的科学推理、复杂代码生成）依然昂贵。

竞争力转移：未来的核心竞争力，不再是“谁接入了 GPT-6”，而是“谁能用最少的 Token 解决最复杂的问题”。

错误的做法是，不管三七二十一，所有请求都扔给最贵的模型，账单爆炸。设计精妙的路由策略（Router），让不同能力的模型各司其职，把成本压到极致。

自身对 AI 独特的使用技巧”，包括但是不限于“提示词工程 + 架构设计”的结合体。

模型路由能力：知道什么时候该用哪个模型。比如，写文案用国产模型（中文好且便宜），写核心算法用国际模型（逻辑强），画图用专门的图像模型。能把这些串联起来，就是本事。

上下文管理技巧：如何用最少的 Token 把背景信息喂给 AI？不是把整本书扔进去，而是先用小模型提取摘要，再把摘要喂给大模型。这种“压缩-推理”的技巧，能省下巨额成本。

纠错与自愈机制：便宜的模型容易犯错，怎么补救？技巧：设计一个“检查员 Agent”。简单的任务，简单模型写完代码后，再让另一个模型（或同一模型换个 Prompt）去检查错误。只有检查不通过时，才呼叫大模型介入。

openclaw的退烧

我们还讨论了一个小问题，openclaw为什么出圈，有人说是聊天窗口，damo王肯定的说是能干活。

以前的 AI Agent 需要你打开一个专门的网页、登录一个陌生的后台、学习复杂的指令格式。但 OpenClaw 直接寄生在 WhatsApp、Telegram、飞书、钉钉里。

最近，OpenClaw的热度退潮了，不代表东西不行，只是说明它从”猎奇玩具”进入了”筛选期”。

早期那批用户很多是冲着”卧槽AI能自己操作电脑”的新鲜感来的，玩几天发现也就那样——毕竟不是每个人都有那么多重复性电脑操作需要自动化。

但真正留下来的人，是那些找到了具体使用场景的。比如有人用它自动整理资料、有人用来批量处理图片、有人当私人助理用。这些人不会在网上大声嚷嚷，但他们是真实的生产力用户。

OpenClaw 的潜力在于，它打开了”AI 有手有脚”这个大门。现在可能只有 10% 的人能找到用法，但随着生态成熟、插件变多、使用场景被挖掘出来，这个比例会慢慢涨。

就像当年的智能手机，第一批用户也不知道能干嘛，直到应用商店里有了微信、有了抖音。OpenClaw 现在缺的可能就是那个”杀手级应用”。

增长的问题

2B的增长和2C的增长，damo说2B搞定关系很重要，2C看关系，九歌说，2B是解决迫切问题有限，2C是好奇和有趣优先。

damo说，2C要捕捉数据，九歌说，2B要先抓住刚需。

关于是否能为星火应用商店融资的问题，正在困扰着墨洺。

结束

我们每个月会举办一个KCC的线上聊天活动，讨论AI，开源等相关的内容。