ARTICLE · 990990
有人用 AI 做了一个只有补光功能的 App,累计收入 30 多万,真正值钱的不是代码
有人用 AI 做了一个只有补光功能的 App,累计收入 30 多万,真正值钱的不是代码自拍的时候，总觉得光线不好，于是，开始各种调角度和打光。自拍3分钟，准备半小时。 咱们今天的开篇案例，针对的就是这样的一个很常见的现象。 一个女生自拍时，嫌房间里的光不好看。 她没有买补光灯，也没有研究复杂的摄影设备，只是在手机上打开一张纯色图片，把屏幕亮度调高，用那一点光给脸补亮。 站在旁边的人看见了。 作为一个理工男，他没有去欣赏这个小姐姐的长相和身材，反而，注意到了她补光的这个小方法。他觉得这个办法挺巧妙，但就是过程有点复杂。每次都要先找图片、调颜色、调亮度，屏幕上还会留着相册和状态栏，试半天，说不定还得换图片。 于是，他用 AI 做了一个功能很小的 App。 打开以后，手机屏幕直接变成补光灯。用户可以换颜色、调亮度，界面上没有多余东西。 这款 App 后来做了付费版。按开发者自己的记录，累计收入大约 30 万到 40 万元。 看到这个数字是不是很心动，别激动，这个数字很容易把你带偏。 它不是「一小时赚了 40 万」，也不代表随手做一个 App 都能拿到同样的结果。你没有看到这个数字背后的榜单推荐、传播、产品上架后的持续优化，这些都参与了这个数字从0开始的不断增长。 真正值得细品的是那个起点。 开发者没有先问「现在最火的 AI 项目是什么」，也没有关起门来设计一套庞大的商业系统。他只是看见一个人正在用复杂的办法解决一个小问题，然后，他想把这个办法做得更简单一点儿。 
以前，这种需求很可能就停在一句「要是有个 App 就好了」。 找团队要钱，学编程要时间，做出来以后还不知道有没有人用。需求太小，不值得专门启动一个开发项目。 但是现在，AI 把这些成本打下来了。 一个普通人也可以先把东西做出来，拿给真实用户试，再决定值不值得继续。 这就是普通人用 AI 赚钱的第六条路——AI 编程。 它让更多人第一次摸到了代码这个杠杆。 只是，代码虽然能把想法变成产品，但它不会自动把产品变成收入。 过去，一个不懂技术的人想做软件，第一步通常不是验证需求，而是找程序员。 他要先把脑子里模糊的想法讲给产品经理，产品经理再画原型，设计师做页面，前后端写代码，测试找问题，最后还要有人负责服务器、域名、支付和上架。 项目还没有碰到第一个真实用户，成本已经先发生了。 这套方式适合成熟业务，不适合一个刚冒出来的小想法。 一个点子到底有没有人要，常常要花几万块、几个月以后才知道。很多普通人的想法，就死在这道门槛前面。 AI 编程改变的就是这里。 
你可以直接用大白话说清楚要解决什么问题，AI会帮你列需求、画页面、写前端、接数据库、改bug。过去需要多人接力的第一版，现在，一个人也有机会搞定。 不会写代码的人，能把需求变成一个可运行的原型；会写代码的人，则可以把查文档、写样板代码和重复排错的时间省下来。 有人把自己经营视频号时反复做的工作，做成了一套 SaaS。67 天里，他一边用工具服务自己的业务，一边迭代产品。后来他记录的约 10 万元收入中，有7 万多是来自视频佣金，而剩下的3 万多则是来自软件订阅。 这个结构很重要。 软件没有凭空变出收入。它先解决了开发者自己的业务需求，业务效果又给软件提供了内容和证明，最后才有人愿意订阅。 另一个做英语学习网站的人，五周获得 1400 多名付费用户，按他的后台记录，单月收入做到了 5 万元。他前两周主要做开发，产品上线以后，大约 80% 的时间转向了内容、运营和用户反馈。 代码门槛下降以后，产品竞争没有消失。 难题只是换了位置。 以前最先卡住你的是「能不能做」。现在更容易卡住你的是「该做什么」「谁会使用」「用户从哪里来」「为什么愿意付费」。 我见过不少人用 AI 做 Demo。 页面能打开，按钮能点击，模型也给出了结果。然后他把截图发到朋友圈，说自己的产品已经跑通了。 这最多只能说明技术链路通了。 一个能赚钱的产品，至少还要过五道门。 第一道门，问题真实存在。 用户现在就遇到这个问题，而且已经在花时间、花钱，或者忍受一种很麻烦的做法。补光灯的起点，就是眼前有人在用纯色图片补光。 第二道门，第一版能完成一条完整任务。 用户不是来欣赏页面的。他要从进入产品开始，一直走到结果出现。中间缺登录、缺保存、缺导出、缺支付，都会让「看起来能用」停在演示阶段。 第三道门，别人能访问。 在自己电脑上运行，和交给客户使用，是两件事。部署、域名、真机适配、账号和权限，都是产品的一部分。 第四道门，真实用户愿意反复使用。 朋友说一句「挺好」，没有多少判断价值。要看他会不会在没有你提醒的情况下再打开，会不会真的把任务放进去，会在哪一步退出。 第五道门，有人愿意付钱。 付费不一定一开始就很多。它的价值是帮你区分「大家觉得有意思」和「这个结果值得掏钱」。 一位没有技术背景的从业者，把托管业务里依赖纸张和人工传递的流程，做成了一个小系统。第一版不是宏大的平台，只有一条能用的任务闭环。 他让真实用户在手机上操作，处理两轮修改，完成部署，最后收到了 2000 元服务费。 2000 元不算大结果，也不能证明这个系统已经可以规模化。 它证明的是另一件更基础的事， 一个真实的人遇到问题，一个普通人借助 AI 做出解决方案，对方用过、改过，最后愿意付款。 这条闭环，比一个功能更多、界面更漂亮、却没有用户的 Demo 值钱。 
AI 编程不是只有「做一个 SaaS，等订阅收入」这一种玩法。 目前能看到的入口，大致有八类。 第一类，是身边人的微需求。 补光灯属于这一类。范围小，第一版容易完成，用户反馈也直接。它适合第一次做产品，因为你不需要先理解一个陌生行业。 第二类，是自己每天会用的垂直工具。 英语学习网站的开发者自己就是用户。他知道哪些功能真有用，哪些只是看起来高级。自己持续使用，能减少凭空猜需求的概率。 第三类，是把已经跑通的业务工具化。 做内容的人可以把选题、素材和发布流程做成工具；做咨询的人可以把诊断和交付步骤封装起来；做电商的人可以把自己反复使用的数据处理流程做成系统。 这类产品的优势是，需求已经在业务里被验证过。 第四类，是重做一个行业的成本曲线。 有团队发现，口语陪练是真需求，但全程靠真人老师，价格和产能都受限制。他们把高频练习环节做成 AI 产品，再卖个人订阅和机构授权。六个月累计收入约 23.3 万元，其中第六个月接近 9 万，但这里面有约 7.3 万元的一次性机构签约费，其余是个人订阅347 名，对应的收入是 10063 元。 一次性签约和持续订阅分开看，才能看清这门生意的稳定性。 第五类，是定制开发服务。 客户先带着需求和预算来，你用 AI 提高开发速度，交付一个小程序、网站或内部系统。它比从零做产品更容易拿到第一笔钱，但也更考验需求、报价、部署和售后。 第六类，是一个真实场景的小系统。 它可能服务一家门店、一个培训机构、一支销售团队，或者一套过去依赖表格和人工传递的流程。客户数量不一定多，单个问题的价值却比较明确。 第七类，是海外小产品。 海外市场客单价和付费习惯不同，AI 又降低了多次试错的开发成本。有人一个月做 30 个站点，阶段性记录的日收入约 300 美元；也有开发者做出月入约 1 万美元的产品。 这些数字不能直接乘以 30 或 365，更不能把阶段结果当成长期稳定收入。月入1万美元的案例背后还有 5 年开发经验和 2 年出海积累。 第八类，是企业系统和行业解决方案。 企业愿意为接入真实数据、改变工作流程、培训员工和长期维护付更高价格。对应的决策链更长，权限、安全和责任也更重。 这八类入口没有统一的优劣。 
你能接触到客户，却没有流量，可以先做定制；你自己就是重度用户，可以从小产品开始；你已经跑通一门业务，也有内容渠道，再考虑把内部工具做成 SaaS。 选入口时，先看你手里有什么，不要光顾着看别人赚了多少。 如果还是拿不准，可以用一个简单的顺序判断。 你已经认识愿意付费的客户，需求又比较分散，先做服务；你连续做过几次相似项目，重复环节越来越清楚，再考虑产品化；你自己就是高频用户，能够每天判断产品好坏，可以直接做小工具；你既没有用户，也不懂那个行业，只是看到别人收入高，先别做。 第一笔钱也不必非得来自订阅。 可以是一次小额服务费、一笔定制费、一张机构授权订单，甚至是比赛奖金。不同收入验证的东西不同。服务费证明有人愿意为解决问题付钱，订阅证明用户可能持续需要，机构授权证明产品能进入组织，比赛奖金更多证明作品和创意得到评审认可。 把验证目标搞清楚，才不会用一个数字证明它原本证明不了的事情。 AI 编程最容易制造一种错觉， 产品上线那一刻，工作已经完成了。 实际上，用户第一次看到产品之前，开发者做的所有工作，都还没有接受市场检验。 英语学习网站的案例很有代表性。 开发者用两周左右完成主要产品，后面把大部分时间用在内容和运营上。他要解释产品解决什么问题，让潜在用户看见，观察谁愿意注册，分析用户为什么留下或离开，再调整页面、内容和价格。 如果没有这部分工作，网站只会安静地躺在服务器上。 
同样的事情也发生在小程序和 App 里。 应用商店不会因为你写得认真就自动推荐，搜索引擎也不会因为功能完整就自动给流量。即使平台短期给了一次榜单曝光，后面能不能留下用户，仍然要看产品体验和持续运营。 很多失败项目有一个共同过程， 开发者在没有用户时继续加功能。 没有人使用，他认为是功能不够；没有人付费，他又加会员、积分、排行榜和社交。每加一层，测试和维护都更复杂，但产品却没有更接近真实需求。 正确的动作通常相反。 先停下开发，找几位目标用户，看他们怎样完成任务。问他们现在用什么办法，哪一步最烦，为什么没有继续用你的产品。能通过内容、私聊、社群或已有客户找到第一批人，比多写十个页面更有价值。 产品上线以后，时间分配也要变。 前期可以把大量时间放在开发上；第一版能用以后，应该逐步把时间转向用户访谈、内容、分发、成交和服务。 如果一个产品已经连续几周没有真实使用，你还把所有时间花在代码上，忙碌本身正在掩盖问题。 早期产品不用做复杂的数据看板，先记录六个数就够了。 有多少目标用户看见了产品，有多少人愿意点进去，有多少人完成第一次任务，有多少人第二次回来，有多少人主动询问价格，最后有多少人付款。 这些数字对应的是六个不同问题。 没人看见，先解决分发；有人看却不点，检查场景和表达；点进去却完不成，检查流程；完成一次却不回来，检查使用频率和结果价值；有人问价却不付款，检查定价、信任和付费时机。 如果把它们混成一个「用户太少」，下一步很容易改错地方。 还有几个信号出现时，应该暂停加功能。 连续两周没有真实用户主动回来；每次演示都需要开发者在旁边解释；用户只夸技术，没有人说会在什么场景使用；新功能来自自己的想象，不来自使用记录；维护旧功能的时间已经超过验证新需求的时间。 暂停并不等于放弃。 它是把注意力从生产拉回判断。产品方向重新确认之后，再写代码才有意义。 很多人一说 AI 编程，就想做一个能自动收钱的产品。 订阅收入很诱人，但它对流量、留存、支付、稳定性和持续维护都有要求。对于没有用户基础的人，定制服务往往更接近第一笔钱。 一位从业者接到短链系统需求，首单报价 1 万元。 他没有从空白代码开始硬写，而是先追问客户要解决什么、使用人数多少、是否需要权限和统计，再寻找合适的开源方案，用 AI 帮助理解代码、修改功能和排错。 真正费心的部分包括部署、数据安全、域名、服务器和交付后的维护。 报价 1 万元也不等于净收入 1 万元。工具、服务器、沟通、返工和售后都要从里面扣除。 一位应届生用 AI 辅助完成小程序项目，拿到 4000 元首单。另一个做前端定制的人，副业收入超过 7000 元，据他说大约 96% 的代码是由 AI 生成的。 96% 这个数字听起来很高。 可客户不会按代码由谁写来验收。 需求文档有没有歧义，接口能不能对上，版本是否可回滚，日志能不能定位问题，部署以后能否稳定运行，最后都要由交付者负责。 AI 生成大量代码，只能说明生产方式变了。 项目责任没有跟着转移。 定制服务还有一个常见的坑，低价接复杂项目。 有团队在 63 天内做到公司多业务营收 10 万元，其中一个复杂项目报价 1.5 万元，做完以后几乎没有利润。需求不断变化、沟通和返工持续增加，AI 省下的编码时间，很快被项目管理消耗掉。 所以，接单前至少要沟通清楚六件事，交付什么，哪些功能不做，客户何时提供资料，怎样验收，包含几轮修改，超出范围如何重新报价。 先把边界谈清楚，再考虑 AI 能做多快。 一单定制项目真正跑起来，可以分成六个节点。 第一次沟通只做判断，不要着急承诺工期。先问清客户现在怎么做、谁在使用、问题发生在哪一步、必须保留哪些旧数据。客户说想做一个「跟某某平台一样的系统」，这句话没办法直接拿去开发。 第二个节点是范围确认。把第一版要完成的任务、使用角色、页面、输入、输出和明确不做的功能列出来。客户确认以后，新增角色、新增业务流程、改动核心数据结构，都不能再算普通修改。 第三个节点是原型或关键流程确认。与其先写一大堆代码，不如先让客户看懂用户从哪里进入、怎样完成任务、最后得到什么。如果方向偏了，在这一步改，代价最低。 第四个节点才是开发。这里可以让 AI 大量参与，但每完成一个模块就要测试一次。登录、权限、支付、导出和第三方接口，不能留到最后一天一起碰运气。 第五个节点是交付前验收。用客户的真实数据走完整流程，分别测试电脑和手机，记录异常情况。客户要能用自己的账号登录并完成任务，一段演示视频代替不了验收。 第六个节点是上线后的边界。免费维护多久，什么错误属于开发方修复，什么新需求需要重新报价，数据怎样备份，谁保管账号，都要在项目关闭前确认。 这六个节点看起来会让项目变慢。 实际上，它们是在阻止项目后期失控。AI 省下来的时间，应该用来增加验证次数，不是用来跳过验证。 定制服务的优点是离钱近。 它的缺点也很明显，每个客户都从头来一遍，人会被项目排期锁住。 要让代码杠杆真正发挥作用，需要把一次交付中反复出现的东西留下来。 可以留下需求问卷、报价规则、数据库结构、登录和权限模块、支付模块、部署脚本、质检清单，也可以留下某个行业的专用流程。 下一单再来时，不必从空白开始。 前面那位做视频业务和 SaaS 的开发者，就是先在自己的业务里使用工具。产品效果被业务收入验证后，他通过内容让同类从业者看见，再卖软件订阅。 他得到的不是单一收入。 一边是业务佣金，一边是工具订阅。业务持续给产品提供反馈，产品又让业务效率提高。 还有人本来在做资料和内容服务，后来把制作、分发和学习流程做成平台，一个月变现 3000 多元。这个结果里包含资料商品和平台收入，不能全部算成 SaaS 订阅，但它说明服务里的重复动作可以被重新组织成产品。 最稳的产品化，往往不是先写一套大系统再去找需求。 它是先做三次、五次相似的项目，发现哪些步骤总在重复，哪些字段每个客户都要填，哪些错误每次都要检查，然后把这些部分做成模块。 如果每个客户的需求完全不同，核心价值又依赖你本人临场判断，那它可能更适合高价服务，不一定适合强行做 SaaS。 产品化不是给服务换个名字。 它要求相似用户、相似问题、相似流程和可重复结果。 这里还要算一笔账。 一次性服务费到账快，但收入跟着项目数量波动；订阅金额可能不高，却能观察用户是否持续获得价值；机构授权能在某个月迅速抬高收入，也会带来培训、部署和支持成本。 前面那个口语陪练项目，第六个月接近 9 万元，看起来已经很像稳定月收入。拆开以后，个人订阅是 10063 元，大头来自一笔约 7.3 万元的机构签约。 这不是说机构单没有价值。 恰恰相反，它说明同一个产品可以服务不同客户。只是经营者要知道，下一月如果没有新签机构，收入会回到什么水平；已有机构会不会续费；每个机构需要多少人工支持；服务器和模型调用会随着使用量增加多少。 判断产品能不能继续做，至少要同时看四个数字，新增付费、续费、使用频率和服务成本。 只看成交额，很容易把一次性项目误判成经常性收入；只看注册人数，也可能把大量从未使用的账户当成产品增长。 好需求不一定听起来宏大。 它往往有四个特征。 第一个特征，问题真实且会重复。 一个人偶尔抱怨一次，未必值得做产品。如果同一件事每周都发生，或者很多人都在重复做，价值会更清楚。 第二个特征，用户已经有笨办法。 用纯色图片补光，用表格传递托管任务，用人工老师承担全部口语练习，用十几个文件维护内容资料。笨办法是很好的证据，它说明问题已经重要到用户愿意忍受麻烦。 第三个特征，结果能在短时间内感知。 光线有没有改善，任务有没有完成，英语练习能不能立刻开始，链接是否生成，这些结果很容易判断。 第一版越容易让用户感知价值，验证越快。 第四个特征，第一版可以压成一条闭环。 从输入到输出，先解决一件事。不要一开始就做社区、商城、积分、会员、代理和后台大全。 找需求时，可以连续问五个问题。 谁正在遇到这个问题？ 他现在怎样解决？ 这个办法浪费了什么？ 如果结果更快、更便宜或更稳定，他愿不愿意付钱？ 我能不能在一周内做出一条可用闭环？ 五个问题都答不出来，先不要开工。 一位46 岁、没有编程背景的实践者，先做免费版本测试用户是否愿意用，再逐步加入收费产品和训练服务，最后得到接近五位数的组合收入。 这个结果里既有工具，也有教学服务，不能全部算成软件收入。 它提供了一个更贴近普通人的顺序，先用免费或低价版本确认需求，再观察用户在哪一步需要帮助。有人只想要工具，有人愿意为学习和陪跑付费。不同需求可以形成不同产品，不必在第一天就把所有东西塞进同一个会员系统。 还有一种找需求的方法，是回到自己正在做的小生意。 如果你每天都在整理同一种资料、回答相似问题、给客户重复制作同一类成果，这些重复动作就是候选需求。先在自己的工作里节省时间，再让同类人试用，比从热搜榜上抄一个产品名字更接近真实市场。 还有一种很常见的假需求，只有开发者自己觉得酷。 它用了最新模型、漂亮界面和复杂技术，却说不清用户为什么要离开原来的办法。这样的项目很适合练技术，也只适合练技术。 AI 编程把大量执行工作变快了。 它可以把口头想法整理成需求草案，生成页面和接口，解释陌生代码，写测试，阅读错误日志，比较几种实现方式，也能帮你把重复模块整理出来。 这些工作过去需要大量查资料和试错。 但有些责任不能交出去。 客户说「做一个预约系统」，你要追问预约谁、谁来确认、冲突怎样处理、取消以后是否退款。AI 可以列问题，却不知道客户真正省略了哪一段业务。 模型给出一个开源库，你要确认许可证是否允许商业使用，版本是否还在维护，有没有明显安全问题。 系统可以在本地运行，你要决定怎样部署，谁能访问数据，密码怎样保存，出错后如何恢复。 产品上线以后，你还要处理用户、价格、内容和售后。 成熟程序员使用 AI，优势通常会被放大。 他们知道什么代码值得接受，哪里必须重构，什么时候要做测试，怎样控制版本。有人靠 AI 重构自己的开发方式，一年技术副业做到六位数。这个结果并不全部来自 AI 小程序，原有技术经验和客户基础仍然存在。 非技术背景的人也能开始，只是要承认能力边界。 先做低风险、单闭环、数据不敏感的小项目；遇到支付、权限、隐私、财务或企业核心数据，找专业人员复核。不会的地方可以补，不能用「AI 写的」替代责任。 AI 更像一支速度很快的工程队。 人负责决定建什么、在哪里建、怎样验收，以及房子出了问题谁来处理。 具体到一天的工作里，可以这样分。 需求沟通由人主导，AI 帮助整理录音、列出矛盾和待确认项；项目范围由人拍板，AI 把确认内容转成任务和验收条件；开发阶段由 AI 承担大量代码和排错，人负责架构、版本、测试和安全；上线以后，AI 可以分析日志和用户反馈，人决定改什么、不改什么，以及怎样向客户说明。 
这里有一个很实用的判断标准。 一项工作如果出错以后容易发现、容易回滚，可以多交给 AI；如果错误不容易发现，又可能伤害客户数据、资金或业务，就必须增加人工检查。 页面文案写得不顺，改起来很快；权限配置错误导致数据泄露，性质完全不同。 人机分工不能按「AI 能不能做」来划线，要按错误代价来划线。 一份小程序首单是 4000 元，一套企业系统可能出现六位数、七位数订单。 差别不在代码行数。 个人小工具解决一个明确任务，决策的人少，部署范围小，出错影响有限。开发者把闭环做通，客户就能判断是否付款。 企业项目会接入真实业务。 它可能牵涉多个部门、历史数据、权限系统、员工培训和长期维护。销售要先理解行业，项目开始前要做诊断和试点，合同里要写交付、验收、保密和责任，系统上线后还要推动员工使用。 有人从企业培训切入，再做小试点、定制系统和行业方案。案例里出现了六位数和七位数项目，但其中包含已确定和推进中的不同状态，订单额不能全部当成到账收入。 另一个从电商运营转向 AI 企业服务的人，为一家 MCN 部署知识库和工作流，一天收入过万元。他个人累计六位数收入来自多类 AI 项目，这个单日过万案例，只能证明企业愿意为一个能改善内容生产的问题付费。 从 4000 元到企业大单，中间不是简单地把报价多写两个零。 你要增加行业理解、售前沟通、系统稳定性、项目管理、培训和组织信用。 新人的第一单解决的是「我能不能完成一次真实交付」。 企业方案解决的是「这套系统能不能在组织里长期运行，并且有人对结果负责」。 两者都是真实路径，不能跳过中间能力直接类比。 AI 编程让一个人可以更快地做多个产品。 海外市场又提供了更高的付费上限，所以很多高结果案例来自出海。 有人一个月快速上线 30 个站点，通过搜索需求筛选方向，阶段性做到日收入约 300 美元。这里值得学的是多次低成本验证，不是把一天的收入直接推算成年收入。 另一位开发者的产品做到月入约 1 万美元。 如果只看结果，AI 编程了21天，很容易误以为结果来自短期冲刺。但完整背景里，他有 5 年开发经验，也做了 2 年出海，支付、SEO、英文市场、用户支持和产品维护都包含在了结果里。 海外不是把中文页面翻成英文就结束。 用户从什么词搜进来，愿意用什么方式支付，退款和税务怎样处理，数据是否合规，客服跨时区怎么做，都需要重新学习。 赛事也是一种入口。 一位有 9 年经验的开发者，借助 AI 完成游戏开发并获得 2.5 万美元比赛奖金。这个钱来自赛事，不是产品销售；这个结果同时依赖创意、规划、体验和成熟开发能力。 比赛适合用明确主题和截止时间逼自己完成作品，也能带来曝光和奖金。但它不等同于稳定商业模式。 高数字可以用来证明上限。 普通人的行动计划，仍然应该从一个可验证的小结果开始。 第一，AI 会生成能运行的错误。 页面能打开，不代表权限没有漏洞；代码通过测试，不代表真实数据不会丢。生成越快，越要建立版本、日志、备份和复核。 第二，复杂产品的维护不会自动消失。 账号、支付、订阅、权限、消息、数据迁移和第三方接口，任何一项变化都可能带来售后。一个人能做出复杂 SaaS，也要准备好长期维护。 第三，平台红利不能复制。 小猫补光灯获得的榜单和传播是个案条件。看见结果以后去复制同一个功能，面对的是已经变化的竞争环境。 第四，低价复杂项目会吞掉利润。 AI 让开发更快，客户也可能因此低估工作量。需求不清、改动无限、验收模糊，最后损失的仍然是交付者的时间。 第五，收入数字很容易被混在一起。 订阅、一次性授权、服务费、佣金、课程、比赛奖金、订单额和 GMV，都叫收入时，看起来很热闹，实际判断会失真。 第六，安全和合规是商业问题。 涉及用户隐私、未成年人、教育、医疗、财务和企业内部数据时，不能先上线再补规则。客户愿意付高价，也正是因为这些问题需要有人承担。 第七，做得多不等于验证得快。 一年做一百个没人使用的产品，只是把一次错误重复了一百遍。有效的多次试错，要求每次都留下搜索、访问、使用、付费和退出原因，再用结果决定下一次做什么。 这条路确实比过去更适合普通人。 它也比「一句话生成应用」复杂得多。 还有一条边界需要单独说清。 AI 编程降低了完成专业作业、论文、毕业设计和商业系统的技术成本，也因此出现了不少代做需求。能收到钱，不代表这门生意值得进入。 替别人完成需要本人承担的学业成果，可能涉及学术不端；未经授权处理企业代码和数据，可能触碰保密义务；直接复制开源项目改名销售，还可能违反许可证和著作权。 判断一个项目能不能接，不能只问「AI 能不能做」。 还要问，成果应该由谁完成，数据是否得到授权，使用的模型和开源代码能否商用，交付以后谁对错误负责。 商业机会越接近真实组织和真实资金，这几项越不能省略。 先不要注册公司，也不要列一百个产品点子。 打开你的备忘录，回想最近一个月。 有哪些事情，你做过三次以上？ 哪些表格要反复整理？哪些信息总要从几个地方复制？身边的人有没有一直用某种笨办法完成任务？有没有一个小问题，每次都要找人帮忙？ 从里面挑一个。 它最好满足三个条件，有具体用户，一周能做出完整闭环，出错不会造成严重损失。 然后先写清楚四个问题， 谁在什么场景下遇到问题； 他现在怎样解决； 第一版只替他完成哪一步； 什么结果能证明这一步有价值。 再用 AI 做出一个别人能访问的版本。 可以给自己安排一个七天的小周期。 第一天只观察和访谈，不写代码。把目标用户、现有笨办法和完成标准写清楚。 第二天画出最短流程，删掉暂时不影响结果的功能。第一版最好只有一个入口、一条主要任务和一个明确输出。 第三到第四天做出可运行版本，同时保留版本记录。每增加一个关键功能，就用测试数据走一遍。 第五天处理部署、账号、真机和异常提示，让别人不用坐在你的电脑前也能使用。 第六天找 3 到 5 位真实用户。观察他们怎样操作，不要一边演示一边替产品圆场。 第七天只做复盘。哪些人完成了任务，在哪一步离开，谁愿意再次使用，谁愿意付费，下一版只改最影响闭环的一个问题。 
把这一周留下的证据放到同一张表里。不要只记“用户反馈不错”，要记谁完成了什么任务、用了多久、在哪里停住、第二天是否回来、愿意为哪项结果付多少钱。证据越具体，下一次开发越不容易被一句随口提出的新想法带偏。 如果三到五个人都被同一个问题卡住，优先修它；如果每个人提出完全不同的愿望，先不要全部答应。早期产品最容易失控的时刻，就是把每一条意见都当成必须开发的需求。 七天没有拿到付费，也不等于失败。 你至少要拿到明确证据，有人完成任务、有人重复使用、有人主动提出继续使用的条件。连这些都没有，就不要用增加功能来安慰自己。 有人持续使用，再讨论价格。 有人愿意付第一笔钱，再决定继续加功能、做内容获客，还是把它变成定制服务。 如果没有人用，先回到问题，不要急着换模型。 AI 编程最珍贵的地方，是它允许普通人用更低成本把判断交给真实世界。 过去，一个错误方向可能要花几个月、几万元才能被证明。现在，你有机会用一周做出东西，用几位真实用户看清它值不值得继续。 代码是杠杆。 支点仍然是一个真实问题。 在我的知识星球里，我会把第六条路详细拆解出可以直接使用的执行系统，包括八种入口怎么选，真实需求怎样访谈，一句话需求怎样压成 MVP，定制项目怎样报价和锁范围，部署、权限、安全和验收分别查什么，以及普通人如何用 30 天跑完从问题到第一笔付费。 下一篇，我们继续拆普通人用 AI 赚钱的第七条路。
如果你是一位女生，你有没有遇到过这种情况？
一、AI 编程拆掉的，是哪一道门槛
二、做出来，和做成产品，中间隔着五道门
三、普通人可以从哪几种生意开始
四、为什么很多人做完产品，仍然一分钱赚不到
五、独立产品不是唯一答案
六、从服务费到订阅，怎样让一次劳动留下资产
七、真正值得做的需求，通常长什么样
八、AI 能写代码，人必须负责什么
九、同一把代码杠杆，为什么有人赚 4000，有人谈七位数
十、海外产品和赛事，为什么看起来更容易出大数字
十一、这条路冷的一面
十二、普通人今天能做的第一步