一句话做插件,验收还得靠人

插件可以理解成给现有软件加的一个小工具。比如原来的软件能聊天，你想让它多一个整理库存的功能，就描述这个功能，让它生成一个能在软件里用的插件。

这件事昨天的盘面提过一嘴。今天换个角度：如果给它一个具体的工作需求，该怎么说，怎么判断它做出来的东西能不能用？

先交代边界：现有材料里没有公开试用结果，也没有实际操作记录。入口在哪里、谁能用、生成过程要多久、有没有额外费用，都还没确认。下面是一个可以拿去尝试的需求示例，不是已经跑通的教程。

……

假设有一家小店，想做一个库存提醒工具。

每天把商品名称、现有数量和最低库存填进去。数量低于最低库存时，工具显示“需要补货”；数量够用，就显示“库存正常”。

这个需求不复杂，适合当第一道题：输入是什么、输出是什么，提前都能说清楚。先用虚构商品和数字，别把真实客户资料、价格或订单放进去。

可以这样描述：

“帮我做一个库存提醒插件。我会输入商品名称、现有数量和最低库存。现有数量低于最低库存时，显示‘需要补货’；大于或等于最低库存时，显示‘库存正常’。请用几条虚构商品数据测试，告诉我测试结果，并说明怎样使用。”

这里有个小地方要说清：数量刚好等于最低库存时算正常。这条规则是例子里自己定的。你的生意如果要求到线就补货，就把“大于或等于”改成“大于”，让它按你的规则来。

……

假如生成出来了，先别急着相信它说的“测试完成”。自己拿几条数字对照：

现有数量 8，最低库存 10，应该显示“需要补货”。

现有数量 10，最低库存 10，应该显示“库存正常”。

现有数量 12，最低库存 10，也应该显示“库存正常”。

再试试漏填数量、输入负数会怎样。如果工具还能保存数据，就关掉再打开，看看数据还在不在。哪一步不符合要求，就把具体情况告诉它，比如“现有数量等于最低库存时，你显示了需要补货，请按之前的规则修改”。

这些是验收办法，不代表目前的创作者模式一定支持保存数据，也不代表它一定能按要求修改成功。能不能安装、测试结果会显示在哪里，都得等实际操作才能确认。

……

我看这类工具的价值，得算两笔账。

第一笔是做工具省下多少时间。过去不会写代码的人，想加个小功能，往往得找人做，或者在现成软件里凑合。现在如果说清楚需求就能生成，尝试的门槛确实有机会降下来。

第二笔是检查它花多少时间。库存提醒做错一次，结果还能拿数字对照；要是直接拿它算应收账款、生成报价，错了可能要到后面才发现。做得出来和用得放心，中间还隔着验收这一步。

所以我的建议是：先挑一个规则简单、结果能人工对照的小任务。别一开始就要求它接客户资料、自动发消息，或者替你做付款决定。先看它能不能把一件小事做对，再考虑往上加。

我可能看错的地方是：如果这个模式的实际使用门槛比宣传里高，或者生成和修改一次要花不少时间，上面的好处就要打折。现在缺的不是更多演示，是一份从描述到安装、再到验收的完整实测记录。

……

再看看今天的 AI 盘面。

ARC Prize 公布了 DeepSeek V4.1 Flash 在两项评测中的成绩；这类评测考的是模型处理特定题目的能力，不能直接等同于日常工作的表现。

据一条转述，金融科技公司 Revolut 将约 2000 名工程师迁移到自行部署的智谱 GLM 模型做编码，具体实施范围还需要核对原始信息。

据 Big Technology 采访，OpenAI 消费产品负责人称 ChatGPT 的搜索类查询量约为谷歌的五分之一；这是公司方面给出的口径。

……

1、DeepSeek 的评测成绩有了新数字。

据 ARC Prize 公布的数据，DeepSeek V4.1 Flash 在其中一项评测上得分 78.1%，每道任务成本 0.16 美元。分数和成本可以帮助研究者比较模型，但题目怎么设计、实际工作能不能做对，是两回事。普通用户没必要因为一个榜单数字就换掉手里的工具。

2、智谱模型被一家海外金融科技公司用于编程，值得继续看。

现有素材转述称，Revolut 把约 2000 名工程师迁到自己部署的 GLM 模型，并把其他部分编程工具列为例外。自己部署，意思是企业在自己的计算环境里运行模型。这个说法目前还缺原始信息核对；即使数字确认了，也不能直接推出它适合每一家企业。

3、ChatGPT 的搜索用量，OpenAI 给了一个比较口径。

据 Big Technology 的采访，OpenAI 消费产品负责人称，ChatGPT 的搜索类查询量约为谷歌的五分之一。这个数字看起来大，但材料没有说明两边怎样划分和统计“搜索类查询”。拿它判断用户正在更多地向 AI 提问可以，拿它直接判断谷歌丢了多少搜索业务，证据还不够。

……