干货:9天上架一个IOS App、月模型费从近40万降至17万,这场AI沙龙给我的4个提醒.

现场手记 · 深圳

怎样让学过的AI工具，稳定地帮自己做完一件事？

大家好，我是有鱼，今天下午，我在深圳参加了一期AI沙龙，主题是Vibe Coding实战分享。两个半小时听下来，有几个我觉得比较有价值的点，感觉可以给大家分享一下。

其中，有团队把月模型调用费用从最高近40万元降到了17万元；有非计算机专业的开发者，用9天完成了一款App从开发到海外上架；还有软件服务团队，花了大约半年时间，和业务人员一起调整AI获客流程。

这些项目数字来自嘉宾现场分享。我更想弄明白，他们中间做了哪些选择，哪些经验能用到我们自己的工作中。

第47期人机沙龙现场，深圳，2026年10月25日

关注我比较久的朋友，可能是从投标实操、AI工具或者Skill的分享认识我的。工具学得越多，我越在意它们能不能在真实工作里持续帮上忙。

一支近百人的团队分享说，推广AI编程之后，月模型调用费用最高接近40万元，后来降到了17万元。

他们提到的一项做法，是给不同任务分配不同模型。

常规编码和格式转换，优先交给成本较低、能力够用的模型。遇到架构设计、复杂问题分析，再使用能力更强的模型，关键代码也要认真评审。

这让我想到自己熟悉的投标工作。从文件里提取目录、整理条款，和分析评分要求、检查响应遗漏，对模型能力的要求显然不同。

如果每一步都用高成本模型，有些钱可能花得没有必要；可如果一味换成便宜模型，最后多出大量人工检查和返工，也未必划算。

交出一份合格结果，模型花了多少钱，人又花了多少时间，这笔账要一起算。

现场另一个语音质检案例，把这种分工讲得更具体。

分享者的一款多语言学习产品，有约1.8万条语音需要检查。他用本地Whisper和云端模型交叉检查，把判断不一致的内容筛出来，最终有67条进入人工核对。

面对一大批内容，可以先用自动化筛出疑点，让人集中精力处理。两个模型判断一致的部分，仍然需要抽样检查，不能默认全部正确。

还有一类成本发生在产品运行时。能够提前生成、反复使用的内容，可以先生成并存下来，减少用户每次使用时的重复调用。存储和后续维护也要计入成本。

以后再搭工作流，我会先把每一步列清楚。有些步骤用规则、脚本就能完成，到了需要理解和判断的地方，再选择合适的模型。

另一位分享者介绍了自己开发Fitme的经历。

他是非计算机专业背景，最初的需求很具体，记录身材数据，方便挑选合适的衣服。

据他介绍，核心功能用了一个晚上完成，从开始开发到海外应用商店上架，总共用了9天。过程中使用了Kimi、Codex等工具，也借助了开源社区的Skill和现成资源。

9天很吸引人。对我来说，更值得琢磨的是这个需求的大小。

记录身材数据、帮助选衣服，至少能让开发者说清楚用户为什么打开这个App。第一版围绕这个需求展开，也更容易判断哪些功能值得先做。

如果换成我来做一个办公工具，我会先选一件每周都会遇到的小麻烦。

比如，把招标文件里的关键要求提取出来，整理成一张可以逐项复核的清单。先验证提取是否完整、原文能否找到，再考虑增加其他功能。

需求小，仍然要把流程走完。生成代码之后，还要检查运行结果，放到实际设备上体验；准备上架时，也要逐项处理审核要求。

Skill可以帮忙整理重复步骤和检查规则，但产品是否好用，依然需要有人作判断。

AI让更多人有机会动手做产品。先做出一个能完整解决小问题的工具，对非技术背景的人来说，是可以尝试的起点。

至于这个东西最后有没有人愿意付费，还要继续验证。上架速度和商业回报，需要分开看。

现场一家软件服务团队分享的时间投入，让我印象很深。

他们做外贸获客，把AI开发信流程跑通，用了一个多月。之后和有经验的外贸业务人员一起调整数据、客户筛选和邮件内容，又花了大约半年。

一个多月和半年，分别花在了不同的事情上。

流程跑通，邮件就能发出去。接下来要看收件人是不是合适的潜在客户，邮件能否说到对方关心的事情。收到回复以后，还需要判断是否值得继续跟进。

团队分享的数据是，累计发送约7.8万封邮件，收到约3500封回复，从中筛选出16个高意向客户。

这几个数字放在一起看，比单独说“发出了7.8万封邮件”更有意义。

发送量说明执行了多少次，回复量说明有人回应，到了高意向客户，才更接近业务人员关心的商机。但高意向还不等于成交，这些数字也没有回答最终带来了多少收入。

评价一个自动化流程，要一直看到它给业务带来了什么结果。

这也让我重新想了想Skill的价值。

在投标和售前工作里，一套实用的Skill，可以把评分项拆解、响应检查这些经验写成明确步骤。检查出一处遗漏，最好能找到对应的招标原文；涉及关键承诺或证据不足的内容，就交给人确认。

现场分享中的智能体工程实践，涉及任务编排、工具调用与结果检查

这样的步骤往往需要在实际项目里反复修正。漏检过的要求，可以补成检查项；容易误判的地方，要写清适用条件。某一步看起来做得很快，后来却总要返工，就得重新调整。

对有行业经验的人来说，这件事值得花时间。平时做项目积累的判断，有一部分可以变成AI能够执行、同事也能检查的具体方法。

那个外贸案例用了大约半年调整业务细节，也提醒了我，这种积累有它自己的进度，工具连起来以后，还得继续用、继续改。

现场关于部署和成本的分享，也让我想到工具交付之后的工作。

在自己电脑上运行成功，接下来就要看，同事或客户能不能顺畅使用，出了问题由谁处理。

现成平台方便搭建，自写轻量工具可以更贴合具体需求。选择时，除了比较功能，还得算上服务器费用和维护时间。某个项目换了方案节省资源，自己的项目是否适合，也要看实际负载。

安全方面，开发环境与正式数据要做好隔离，Agent只开放必要的操作权限。模型服务也要确认来源。

对我来说，这部分最实用的提醒，是提前想清楚工具交付后由谁维护。如果每次使用都要开发者在旁边帮忙，就还有流程需要改进。准备上架或收费时，再结合具体业务核实平台和资质要求。

两个半小时听下来，我想先从招标文件的要求提取和响应检查开始。

把任务拆开，尝试给不同步骤分配合适的模型，再记录调用费用，以及人工检查、修改所花的时间。

如果模型费少了，复核时间却变长了，这笔账就要重算。如果速度快了，关键要求却更容易遗漏，流程也得继续改。

这会是我后续想优先做的一项实操。先用真实任务试一试，再把有效的做法和遇到的问题分享出来。

你现在最希望交给AI处理，却一直没能稳定跑通的工作是什么？

可以在留言里说说具体卡在哪一步。投标、做方案、整理资料，或者每天都要重复的一项小工作，都欢迎聊聊。

END