AI 工作台设计手记：从 7 款工具里学到的 4 个模式

AI 工作台设计手记：从 7 款工具里学到的 4 个模式

我正在设计一款面向故事创作和影视前期制作的 AI 原生工作台，内部代号 StoryCanvas。 我不是设计师出身。所以在动手画界面之前，我需要先搞清楚一个问题：市面上的 AI 工作台是怎么做的？它们是怎么组织上下文、怎么管理生成产物、怎么支持协作的？ 于是我花了一周时间研究了 7 款产品。下面是我的第一阶段学习笔记——不是竞品分析报告，而是一个正在做产品的人，把学到的东西摊开来看。欢迎拍砖。 研究问题 动手之前先给自己列了几个问题：AI 工作台和「AI 功能」到底有什么区别？ 项目状态、AI 状态、协作状态三者之间应该是什么关系？ 在设计界面之前，我应该先验证哪些工作台模式？从 7 款产品里学到的 4 个模式 模式一：工作台即上下文容器 Notion AI 在页面、文档、任务、数据库和已连接的应用内运作。Cursor 在一个代码库内运作，能访问文件、终端、规则文件和 diff。Figma AI 在设计文件内运作，能访问组件库、设计令牌、评论和组件实例。 从这些产品里我学到的最重要的一课是：有用的 AI 工作发生在持久的工作台内部，而不是在脱离上下文的聊天里。一个全局聊天框如果不了解你当前在看什么、选中了什么，它的回答就像一个新同事没看你的文档就开始提建议——敬业但没用。 放在我的场景里，这意味着 StoryCanvas 需要一个持久的项目容器：让 AI 能访问已选定的故事上下文、已采纳的参考素材、已生成的资产，以及过往的决策记录。不是一个聊天窗口，而是一个有记忆的工作空间。 模式二：工作台即共享视觉状态 Figma、Higgsfield、Lovart、Milanote 和 Obsidian Canvas 都用了空间状态来帮助用户组织复杂素材。画板不只是装饰——它是协作和记忆的载体。 这让我想到一个问题：StoryCanvas 的画布布局是一个重要视图，但它不能是唯一的真相来源。如果用户把角色卡从画布左上角拖到右下角，后台数据里这个角色所属的剧本、场景、关系仍然应该可以查询。空间表达服务于视觉思维，但项目数据本身应该保持结构化、可查询。 模式三：工作台即操作面板 Cursor 的 Agent 可以搜索、读取、编辑、执行命令、调用 MCP 工具和应用变更。Figma 的 Agent 可以生成和优化设计，并连接设计库。Higgsfield 的画布让用户可以串联模型输出、重跑工作流。 观察这些产品后，我开始思考 StoryCanvas 的 AI 应该能做什么——不是「能做任何事情」，而是有明确权限边界的操作。我目前清单上的候选操作包括：提议场景重写、生成镜头变体、提取角色设定表、整理参考素材、创建分镜分支、更新资产元数据。每个操作都应该有清楚的作用域和审查机制。AI 可以提议，但不能静默修改。 模式四：工作台即协作记录 Higgsfield 强调实时协作和附着在节点上的评论。Figma 强调可分享的 AI 对话线程和团队评审。Milanote 强调在画板上收集团队和客户的反馈。 这是我在设计 StoryCanvas 时最想避免掉进的一个坑：让决策消失在聊天里。一个导演说「这个场景不太对」，AI 重新生成了一个版本——三个月后，没人记得为什么要改。所以我在考虑：AI 运行记录、评论、审批和被否决的替代方案，都应该附着在它们所影响的对象上。不是聊天记录的 scrollback，而是对象附带的设计历史。后续要研究的能力清单 在进入原型阶段之前，我列了一个待验证的能力列表——都来自这次调研的启发：项目级上下文索引：覆盖剧本、场景、角色、参考素材和已生成的媒体。 对象级 AI 操作：从选中和检查器面板中暴露出来，而不是藏在聊天框里。 生成队列：包含状态、成本/额度可见性、失败恢复和重试。 版本历史和分支：针对故事和媒体资产，不是简单的 undo/redo。 可复用的配方/模板：用于重复的视觉风格和镜头类型。 审查模式：在提交前查看 AI 提议的变更。 协作锚点：附着在对象上的评论、线程和审批。5 个必须避免的反模式 以下是从调研里总结的 5 个设计陷阱——每一条背后都有反例产品：一个看不到画布选中上下文的全局聊天框。 AI 不知道用户在做什么，只能给泛泛的回答。 一堆没有来源追溯的生成资产文件。 这张角色概念图是哪个版本的剧本生成的？没人知道。 一个要求用户先选模型、再描述意图的工作流。 用户不是 AI 工程师，他们只想说「帮我画一个雨中的东京街头」。 AI 静默修改项目状态而不告知用户。 「咦，这个角色的设定什么时候被改了？」 仅靠画布存储数据，导致搜索、自动化和导出变得困难。 当画布上有一百多个节点时，你不想一个个去找。下一步 这篇笔记是一个开端。我从 7 款产品里看到了清晰的模式，也知道了我需要避开哪些坑。 接下来我会把这些观察变成 StoryCanvas 的低保真原型——不是追求好看，而是验证一个假设：AI 原生工作台的核心设计问题不是「提示框放哪里」，而是项目上下文、空间组织、生成溯源、审查和协作如何拼装在一起。 如果你也在做 AI 工具的产品设计，或者对 StoryCanvas 的方向有兴趣，欢迎在评论区聊聊。Build in public 这件事，一个人想容易走偏。参考来源Notion AI: https://www.notion.com/en-gb/product/ai Cursor overview: https://docs.cursor.com/chat/overview Cursor tools: https://docs.cursor.com/en/agent/tools Figma AI: https://www.figma.com/ai/ Figma AI agent: https://www.figma.com/solutions/ai-design-agent/ Higgsfield Canvas: https://higgsfield.ai/canvas-intro Lovart ChatCanvas launch: https://www.lovart.ai/news/lovart-design-agent-public-launch-chatcanvas Milanote: https://milanote.com/ Obsidian Canvas: https://obsidian.md/canvas

你放弃英语，不是因为不够努力，而是你讲错了自己的故事

你放弃英语，不是因为不够努力，而是你讲错了自己的故事

每个学英语的人都想成功，但残酷的现实是，大多数人最终都会放弃——而且，这里面包括你。 除非，你先改变对自己讲的故事。没有技巧分享，没有单词列表，没有语法讲解。这篇文章想讲一个关于人类、关于权力、关于你是谁的故事。 看完之后，你也许会明白一件事：我们放弃语言学习，从来不是因为资源不够或方法不对，而是因为我们给自己写了一个「我学不好」的剧本，并且演到了放弃那一幕。 四万年前的电影制片人 先从一个看起来和学习毫无关系的故事开始。 1990 年，一位大学教授在法国参观岩洞。大多数洞穴装的是现代电灯，但有一个洞穴还在用煤油灯——摇曳的火光会在岩壁上制造出跳动的阴影。 就在那一刻，他看到了一个秘密。 现代灯光下，岩壁上画的是静态的动物轮廓。但在火光中，那些看似拙劣的刻画——多头山羊、多腿猛犸、被反复划过的线条——全部活了过来。「在短短几秒钟内，我看到了切割和溶解、变化和运动。形状出现又消失，颜色转移和改变——简言之，我在看一部电影。」 四万年前的人类，就已经在用岩壁做银幕了。他们不是在犯「画错了」的错，他们在做动画。 这个故事说明了一件根本的事：人类天生就是讲故事的动物。这是刻在 DNA 里的本能，比农业、比文字、比国家都更古老。而故事，有改变现实的力量。 信念比药片更管用 再讲一个更小的故事：疣。 很多人身上长过无害的疣子。现代医学有很多方法可以去除它们，但研究还发现了一件奇怪的事——暗示疗法同样有效。 告诉患者「你的疣会在没有任何治疗的情况下自行消失」，只要你让他们足够相信这个故事，效果堪比药物。 关键点不是「安慰剂效应」的科学机制。关键点是： 你对自己讲的故事，会改变你的身体。那它当然也能改变你的行为。 你的叙事身份是什么？ 现在回到你自己。 心理学里有一个概念叫叙事身份认同（Narrative Identity）：你对自己讲述的关于「我是谁」的故事，最终定义了你，也创造了你。 每一个语言学习者，都有自己的剧本。也许是这样的：「我记性很差，永远记不住新单词。」 「我的发音很糟糕，别人总是听不懂。」 「我考了两次都没过，可能我真的不是学英语的料。」 「别人学得都比我快，我永远追不上。」这些不是客观描述。这是你在给自己写的叙事——而你最终会成为你反复讲述的那个故事。 语言学习动机研究领域的世界级学者 Zoltán Dörnyei 画过一个「语言学习者心理图谱」，他把叙事身份认同放在正中心。他说：「人们塑造自己人生叙事的方式，会塑造他们的整个心态。」换句话说，如果你每天给自己讲的故事是「我很差，我会失败」，那么不管你用什么 App、跟什么 AI 练口语、背多少单词，你都会放弃。因为放弃，才是那个剧本的结局。 谁偷走了你的故事？ 但问题比个人心态更深。 我们需要问一个真正锋利的问题：在英语学习的体制里，你并不是自己故事的主角。 想想看——你的教材是远在另一个大陆的人写的，他们不知道你是谁、你关心什么。你参加的考试是标准化的，考的是出题人认为重要的东西，不是你认为重要的。有时候，甚至不是人在评判你，而是机器。你从一开始就被一个体系接管了叙事权。 在这个世界里，「你是谁」不是正确的问题。正确的问题是：「你被允许做什么？」 你被允许进那所大学吗？你被允许做那份工作吗？你被允许说那种语言吗？「这是你对抗一个十亿美元产业。这是你对抗母语者。」这不是危言耸听。听最后一个故事就明白了。 空难中沉默的人 1990 年 1 月 25 日，Avianca 52 号航班从哥伦比亚波哥大起飞，目的地纽约。 前几个小时一切正常。但纽约上空天气恶劣，飞机被要求在空中盘旋等待降落指令。一圈又一圈，燃油开始耗尽。 但他们没有宣布紧急状态。 等到只剩 27 分钟燃油、跑道还在 17 分钟之外的时候，他们仍然没有说出那个词。 最后一次着陆尝试因强风失败。空管要求他们绕一圈重来。此时只剩 7 分钟燃油，跑道在 15 分钟以外。坠毁已经是数学上的必然。 空管问了机组一句话：「你们的燃油状况没问题吧？」副驾驶回答：「I guess so, thank you very much.」然后他转头对机长说：「那个人生气了。」 几分钟后，引擎熄火。飞机无声地坠入地面。 让人不寒而栗的不是空难本身，而是这个事实：即使在面对确定的死亡时，这两位飞行员仍然觉得自己没有权力用语言来拯救自己和乘客。他们还在担心「被评判」。 他们有足够的词汇，有无线电，有空管的频道。他们唯一没有的，是说出「Mayday」的勇气——因为在他们的叙事里，自己没有资格这样做。 那么——这也是你的故事吗？你也要放弃自己的力量，安静地消失在黑夜里吗？ 拿回你的叙事权 解法不是方法，不是技巧，而是一句话： 现在，你就可以改变你的故事。 当老师指着你的鼻子问一个你不会的语法题时，不要害怕。你说：「我不知道，请教我。」这五个字，才是真正的学习心态。 一个「重写叙事」之后的例子——同样的事实，完全不同的故事：「学英语确实很难，要学的东西太多了。但正因如此我才有老师帮忙。我每天都在进步一点点。」 「我在考试里常犯一些低级错误，但我提醒自己，考试能帮我找到需要改进的地方。」 「课堂上我们学了大量的语法和词汇，但我知道那只是语言的一部分。课堂之外，人们并不太在意语法。」 「我的目标是在新工作中能用英语自如交流，所以我逼自己参加每一次对话和会议。我不知道还要多久才能完全适应，有好的时候也有不好的时候，但我知道只要持续练习就会不断进步。」这不是盲目乐观。这是一个拿回了叙事主权的人说的话。 同一个学习者，同一个现实，但因为换了剧本，结局完全不同。 你才是主角 没有人能替你写你的故事，因为那永远是陌生人的心理学。只有你自己真正了解自己。这是你的叙事身份。 看看你面前的屏幕——屏幕上映出了你自己的脸。你就是你自己故事里的主角。是时候像主角一样行动了。这篇文章没有教你一个单词表，没有讲一道语法题，没有分享一个学习技巧。但它讲的可能是语言学习中最重要的一件事：在你说出第一个英语单词之前，你已经在用一种语言定义自己了——那种语言，就是你对自己讲的故事。 如果你一直在学英语、放弃、再学、再放弃的循环里，也许该停下来问自己一个问题：不是「我的方法对不对」，而是「我给自己写的剧本，结局是什么」。 改掉那个结局。然后，一切都会不一样。

Ideogram 4 正式开源：不输 GPT-Image 与 Midjourney 的 9.3B 图像模型，支持本地部署！

Ideogram 4 正式开源：不输 GPT-Image 与 Midjourney 的 9.3B 图像模型，支持本地部署！

开源图像生成的「GPT 时刻」 2026 年 6 月 3 日，AI 图像生成公司 Ideogram 悄悄做了一个大动作：将旗下旗舰模型 Ideogram 4 的权重全面开源。 这不是一次常规的社区炒作。这是当前开源图像生成领域实力最强的模型——在多个第三方评测中，它不仅是所有开源模型中的第一名，而且在实际盲测中仅次于闭源的 GPT Image 2，把 Flux、Stable Diffusion、Hunyuan 等当红开源模型远远甩在身后。 简而言之：你用本地 GPU 跑出来的图，质量已经和顶级闭源服务不相上下了。Ideogram 4 是什么 Ideogram 是一家由前 Google Brain 研究员创立的 AI 图像公司，此前以精准的文字渲染（Text-in-Image）能力在设计师群体中积累了口碑。Ideogram 4 是他们的 首个开放权重模型——从头训练的基础模型，而非任何现有模型的微调。 几个关键数字：指标 数值参数量 9.3B架构 流匹配 Diffusion Transformer（DiT）文本编码器 Qwen3-VL-8B-Instruct最大原生分辨率 2048 × 2048宽高比范围 最高 6:1量化版本 nf4（CUDA）、fp8（全平台）许可证 非商业许可（商业需联系授权）推理代码许可 Apache 2.0六大核心能力拆解 1. 原生 2K 分辨率生成 大多数开源图像模型（如 SDXL、Flux）原生只能生成 1024×1024，要上 2K 必须依赖超分辨率后处理。Ideogram 4 直接原生支持 256–2048 的任意分辨率（16 的倍数），宽高比最高支持 6:1。 这意味着从方形缩略图到超宽横幅，一套权重全搞定——噪声调度会根据分辨率自动调整。 2. JSON 结构化提示词 这是 Ideogram 4 最独特的创新。模型完全在结构化 JSON 标注上训练，你可以用 JSON 精确控制：调色板：通过 colour_palette 数组指定十六进制颜色，每张图最多 16 个颜色 边界框布局：通过 bbox 坐标（y_min, x_min, y_max, x_max）精确放置主体和文字 空间组合：通过 compositional_deconstruction 逐元素描述每个对象的位置、大小、外观这对于 UI 原型设计、海报排版、数据可视化等需要精确控制的场景，价值巨大——AI 生图从「抽卡」变成了「编程」。 不想手写 JSON？Ideogram 提供了 Magic Prompt API（免费），自动将自然语言提示词转换为结构化 JSON。 3. 最强文字渲染 AI 生图中的「文字」一直是老大难问题。Ideogram 4 在这方面做到了开源最强：在 X-Omni OCR 英文准确率评测中，取得 0.97 的高分 以 9.3B 参数，领先 Qwen-Image（20B）、FLUX.2 dev（32B）、HunyuanImage 3.0（80B MoE）等参数量大得多的模型 支持多行文字、Logo、标语、水印的高保真生成在 ContraLabs 由 10 位专业设计师进行的盲测中，Ideogram 4 的排版能力以 47.9% 的第一名胜率大幅领先 Nano Banana 2（30.0%）、FLUX.2 [max]（15.5%）和 Grok Imagine 1.0（15.0%）。 4. 极致参数效率 9.3B 的参数，在如今动辄 30B、80B 的图像模型里不算大。但 Ideogram 4 的评测结果表明——架构设计比堆参数重要得多。它在文本渲染、布局控制等核心维度上超越了参数量数倍于它的对手。 5. 全面可控性 除了 JSON 提示词，Ideogram 4 还支持：色彩调色板条件控制：直接指定主色调 非对称分类器自由引导：条件分支和无条件分支可独立优化，分别控制提示词遵循度和图像质量 多采样预设：V4_QUALITY_48（最高质量 48 步）、V4_DEFAULT_20、V4_TURBO_126. 安全审核集成 内置 Hive 文本和视觉内容审核，支持在推理时自动过滤不安全内容。技术架构：为什么 DiT + VLM 是正确答案 Ideogram 4 的架构有三个值得关注的设计决策： 全单流 DiT 文本和图像 token 拼接为统一序列，通过同一个 34 层 Transformer 处理——没有独立的文本分支或图像分支。这意味着每一层都能进行跨模态交互，而非在某个融合层才「见面」。 视觉语言模型做文本编码器 大多数图像模型用 CLIP 或 T5 做文本编码器，Ideogram 4 用的是 Qwen3-VL-8B-Instruct——一个完整的视觉语言模型。 更关键的是，它不从最后一层取隐藏状态，而是从 13 个中间层分别提取并拼接。这给了 DiT 多尺度的语义特征：浅层提供表面级 token 信息，深层提供组合性理解。 流匹配范式 使用 Flow Matching 替代传统扩散过程，用 Euler 采样器在 logit-normal 噪声调度上积分。相比 DDPM/DDIM，训练效率更高，推理质量也更好。横向对比：Ideogram 4 到底有多强 Design Arena（设计竞技场） 在 Design Arena 整体排行榜中：开源模型第一，以显著优势领先第二名 仅落后于 GPT 和 Gemini 两个闭源模型 在开源模型中以「断崖式」领先ContraLabs 专业设计师盲测 10 位顶级设计师盲测排版能力，Ideogram 4 在两项核心指标上全部第一：模型 第一名胜率 实际可用性（/5）Ideogram 4 47.9% 3.55Gemini 3.1 Flash 30.0% 2.84FLUX.2 [max] 15.5% 2.49Grok Imagine 1.0 15.0% 2.61Ideogram 内部评测 由专业平面设计师盲测，Bradley-Terry 评分：总排名第二，仅次于 GPT Image 2 medium 开源模型排名第一开源基准测试基准 测试能力 Ideogram 4 表现7Bench 布局控制 显著优于所有闭源模型SpatialGenEval 空间推理 接近领先闭源模型X-Omni OCR 文字渲染 最佳开源模型（0.97）Prism 提示词对齐 接近领先闭源模型一句话总结 如果说之前的开源图像模型是在「追赶」，Ideogram 4 就是在「并跑」。尤其是在设计和排版场景下，它几乎追平了闭源最强模型。本地部署指南 硬件要求量化版本 所需显存 支持平台nf4 ~13GB（双 UNet + CLIP GGUF） 仅 CUDA（NVIDIA GPU）fp8 更高 全平台最低配置推荐：16GB 显存的 NVIDIA GPU（如 RTX 4080、RTX 5070）。 步骤一：获取模型权重 模型权重在 Hugging Face 上设有访问门控，需要两步：访问模型页面，点击 「Agree and access repository」 接受许可协议nf4 版本：ideogram-ai/ideogram-4-nf4 fp8 版本：ideogram-ai/ideogram-4-fp8创建 Hugging Face 访问令牌并登录：hf auth login # 或直接导出 export HF_TOKEN="hf_..."步骤二：安装推理代码 git clone https://github.com/ideogram-oss/ideogram4 cd ideogram4 pip install .步骤三：获取 Magic Prompt API Key（免费） Magic Prompt 自动将自然语言转换为 JSON 提示词，注册即用： https://developer.ideogram.ai/ export IDEOGRAM_API_KEY="your_key_here"步骤四：运行推理 python run_inference.py \ --prompt "a ginger cat wearing a tiny wizard hat reading a spellbook" \ --output out.png \ --quantization "nf4" \ --magic-prompt-key "$IDEOGRAM_API_KEY"最高质量模式（原生 2K）： python run_inference.py \ --prompt "..." \ --output out.png \ --quantization "nf4" \ --height 2048 \ --width 2048 \ --sampler-preset V4_QUALITY_48ComfyUI 集成（社区方案） ComfyUI 已实现 Day 0 支持，需要升级到 v0.24.0+。 安装配置在 ComfyUI 模板库中，找到 「Ideogram v4（滑滑板图标）」的本地运行模板（注意：还有一个是调用在线 API 的，不要选错）模型下载地址：modelscope.cn/models/Comfy-Org/Ideogram-4社区踩坑经验 来自知乎用户的实际测试反馈：双 UNet 结构：正面条件和负面条件各需要一个 UNet，即使用 nf4 量化也要 ~11GB CLIP 编码器很大：Qwen3-VL-8B 又是一个 ~11GB，建议用 GGUF 量化版本（unsloth/Qwen3-VL-8B-Instruct-GGUF） CFG 参数注意：CFG Override 的 start_percent 应设为 0.7，K Sampler 用 euler 最省显存方案：两个 UNet 都用 nf4，CLIP 用 GGUF，峰值显存约 13GB+ bbox 坐标格式：注意是 [y_min, x_min, y_max, x_max]，而非常见的 [x, y, w, h]16GB 显存用户的一个痛点是每次改提示词都要重新加载 CLIP，机械硬盘用户出 1M 图要一分钟以上。强烈建议上 SSD。JSON 提示词实战 不想手写 JSON？用大模型生成。以下是社区验证有效的提示词模板（将最后一句替换为你的需求）： Please act as a scene composition assistant. Given my request for an image, you must output a single JSON document that describes the scene in a structured, render-ready form. Output JSON only — no prose, no markdown fences, no commentary.Your response MUST be a single valid JSON object matching exactly this shape:{ "high_level_description": "...", "style_description": { "aesthetics": "...", "lighting": "...", "photo": "...", "medium": "...", "color_palette": ["#XXXXXX", "#XXXXXX"] }, "compositional_deconstruction": { "background": "...", "elements": [ { "type": "obj", "bbox": [y_min, x_min, y_max, x_max], "desc": "...", "color_palette": ["#XXXXXX"] } ] } }Hard constraints: - bbox coordinates: [y_min, x_min, y_max, x_max] on a 1000×1000 canvas - All keys are required. Output valid JSON and nothing else.Now, generate the JSON based on my image request: [你的绘画需求]用 Gemini Flash 或 GPT-4o 来生成 JSON 提示词，效果最好。写在最后：开源图像模型的转折点 Ideogram 4 的开源有几个信号值得关注：开源不再等于「够用就行」。它在设计和排版场景下已经逼近甚至超越闭源最强模型，这对 Midjourney、DALL·E 构成真实压力。架构创新比参数量重要。9.3B 的模型在多个维度上碾压 30B、80B 的对手——单流 DiT + VLM 编码器 + JSON 结构化训练的组合拳，可能是下一代图像模型的标配。本地部署的体验门槛在降低。nf4 量化 + GGUF CLIP 编码器已经能在 16GB 消费级显卡上跑，虽然速度不如云端服务，但对于追求隐私和可控性的用户，这是一个真正的选择。「可编程生图」是新方向。JSON 提示词看似增加了使用门槛，但它将 AI 生图从「描述性」推向了「精确控制」，打开了 UI 原型、排版设计、数据可视化等严肃应用场景的大门。最后也说一句实话：如果你只是偶尔生成几张图玩，直接用 ideogram.ai 的在线服务就够了。但如果你需要精确控制、本地隐私、批量生成，或者你想在自己的产品中集成图像生成能力——Ideogram 4 可能是当下最好的开源选择。

ChatGPT 是最好的英语学习工具——但它解决不了真正的问题

ChatGPT 是最好的英语学习工具——但它解决不了真正的问题

所有语言学习者的梦想，是拥有一个每周七天、每天二十四小时免费陪你练习的老师。现在这个梦想真的实现了——但学外语的人反而越来越少。前几天刷到一个英国英语老师 Christian 做的 YouTube 视频，标题是《用 ChatGPT 学英语》。我以为又是一期工具推荐，没想到看完之后，他根本不是在推销 ChatGPT，而是在给所有语言学习者泼一盆冷水。 这盆水浇得很准。 梦想成真了，然后呢？ ChatGPT 这类大语言模型的出现，对语言学习者来说是真正的革命：请不起老师？问题解决了。 没有英语语境，没有人可以对话？问题解决了。 想要一个单词的十个例句，还要带发音？问题解决了。 想模拟电话面试、工作面试？问题解决了。Christian 在视频里真的演示了这个场景：他输入「我下周有一个工作面试，想练习英语」，ChatGPT 立刻接手，问他想重点练哪些方向，然后开始角色扮演。反应速度、覆盖广度、耐心程度，完胜任何一个真人外教。 按照正常逻辑，接下来的故事应该是：全球流利说外语的人大爆发，语言学习迎来黄金时代。 但现实完全相反。 越来越少的人在学外语 美国的数据最典型：过去五年，学外语的人数下降了 17%。这还只是英语母语者——他们确实有理由偷懒，因为英语本身就是通行证。 但问题是，即便是你——正在学英语的人——大概率也没有把 ChatGPT 变成每日练习的对话搭档。 Christian 说他是一名真正在课堂里工作的老师，几乎每天都和真实的学生打交道。他从没见过这么多人，对一场「革命」如此冷漠。 为什么？ 这不是第一次了 答案其实很老：语言学习从来不是资源问题，而是人的问题。 他列了一张清单，每一条都让我觉得似曾相识—— 录音机时代：「我现在随时可以听真实对话了！英语学习从此又快又简单！」 互联网时代：「我可以找到无限内容和对话伙伴了！英语学习从此又快又简单！」 App 时代：「我上班坐地铁的五分钟就能学语法和词汇！英语学习从此又快又简单！」 AI 时代：「AI 将让英语学习又快又简单！」 每一次，都有同一句口号。每一次，都有同一个结局。 人们尝试一下，发现不是魔法，然后去找下一个「又快又简单」的东西。 战俘营里的英语课 这个道理，Christian 用了一个让我印象深刻的故事来说明。 1980 年，两伊战争爆发，持续了整整八年。战争中，数千名士兵被俘，关押在条件极为恶劣的战俘营里。那种地方，是为惩罚而设计的，是你能想到的学习语言最糟糕的环境。 但就是在那里，一些战俘开始学英语。 动机各不相同：有人是为了打发漫长的无聊和抑郁；有人觉得「时间是黄金」，不想浪费被俘的每一天；还有人是为了将来用英语改变命运。 他们没有书，没有铅笔，没有纸——这些东西都被明令禁止。会英语的战俘悄悄教其他人，课程在秘密中进行，因为守卫不允许任何形式的教育活动。 当外界没有任何资源的时候，他们在院子里捡起树枝，蹲下来，在泥土上写单词和句子。 结果如何？其中一些人，后来流利到可以在舞台上表演英语戏剧。 那些在战俘营里、用树枝在泥土上练英语的人，比大多数拥有所有工具和资源的现代学习者，学得更好。 这就是答案。 学习是买不到的东西 Christian 说了一句话，我觉得值得原文引用：「没有任何技术、系统或方法，能让语言学习变得快速或容易。学一门语言，可能是你成年后做过的最难的事。无论用什么方法，当你剥离掉技术、内容和老师，永远剩下同一件事：学习。这不是任何人或机器能替你做的，你也买不到它。你必须自己去做，你必须去赢得它。」我们点开那些「用 AI 学英语」的视频，内心深处都藏着一个小小的期待：也许这次，真的有捷径。 没有。 那 AI 究竟有没有用？ 有，非常有用——但不是作为魔法，而是作为工具。 工具的价值，完全取决于使用它的人的心态。 一把好锤子，放在一个不想盖房子的人手里，毫无意义。放在一个每天坚持动工的人手里，它就是改变速度的利器。 ChatGPT 是有史以来最好的语言学习工具，没有之一。但它解决的是「有没有资源」的问题，不解决「想不想学」的问题。 如果你真的想学好英语，现在的条件比任何时代都要好。没有钱请老师，有 AI；没有人陪你练口语，有 AI；不懂某个表达，有 AI；想模拟面试，有 AI。 如果你不想学，那这一切都只是手机里又一个打开三天就被遗忘的 App。 时间才是最宝贵的资源 视频最后，Christian 把话题拉回了那些战俘。他们在最恶劣的条件下拼命学英语，是因为他们明白一件事： 时间是我们最宝贵的资源。 不是工具，不是方法，不是 App，不是 AI。 是时间。 你现在手里有全世界最好的语言学习工具，免费，随时可用。唯一的问题是，你打算从什么时候开始认真用它？这篇文章的灵感来自 Canguro English 的 YouTube 视频《Get fluent with AI - Use ChatGPT to learn and practice English》。Christian 是一位英国英语老师，他的频道专注于帮助非母语者真正掌握英语沟通能力，而不只是学语法。

当每个人都能造应用：AI 时代，分发是新的代码

当每个人都能造应用：AI 时代，分发是新的代码

一张图，说透 2026 年 AI 创业的真相 前几天在 X 上看到一张图（来自 FT，数据来源：Demirer et al, 2026），配着 @levelsio 的推文一起看，瞬间觉得很多事情串起来了。 先上图：这张图有三个数据系列，全部以 2024 年均值为基准 100：深蓝线（App 发布量）：Agentic AI 时代后垂直拉升，2026 年已飙到 180——相当于 2024 年均值的 1.8 倍。 浅蓝线（有实质用户量的 App）：纹丝不动，紧贴 100 基准线，整个 2025-2026 年毫无增长。 中蓝线（App 评论量）：不升反降，跌到约 75，说明不仅新用户没增加，老用户的活跃度和满意度也在下滑。翻译过来就是一句话：能造船的人多了 80%，但港口的位置一个都没多。levelsio 说了什么 Pieter Levels（@levelsio）是独立开发者的标志性人物，一个人做了 NomadList、RemoteOK、PhotoAI、InteriorAI 等一系列产品，年营收 300 万美元以上，没有团队、没有融资。 他在转发这张图时写了这样一段话（大意）：我认为挑战在于现在每个人都可以构建应用，但是：几乎没有人拥有分发渠道（比如受众） 有钱支付分发费用（广告或用户生成内容） 拥有免费获得分发的创意天才（传统上称为游击营销）这三句话，说得非常准。 他用三个条件定义了 AI 时代真正稀缺的东西——不是构建能力，是分发能力。为什么「能做出来」已经不够了 第一，信噪比正在崩溃 这张图最令人警觉的不是 App 发布量涨了多少，而是评论量在下降。 当一个市场里每个月涌入的产品是以前的两倍，用户的注意力并没有同步扩张。平台的通知栏、推荐位、搜索结果页——这些「发现机制」的承载能力是固定的。分蛋糕的人多了，每块蛋糕自然更小。 更糟糕的是，当大量低质量 AI 生成应用涌入商店，用户的信任度下降，整体转化率随之降低。这就是评论量下跌的深层原因：不是用户变少了，是用户变得更谨慎了。 第二，「受众」正在变成最强的护城河 levelsio 说的第一条——「几乎没有人拥有分发渠道（受众）」——是他自己成功的注脚。 他能在一天之内让一个新产品的启动页获得几万次访问，不是因为他懂增长黑客，而是因为他在 Twitter 上积累了百万级的关注者。他自己的账号就是他的营销部门。 AI 工具让构建成本趋近于零之后，你手上的读者关系反而变得更值钱了，不是更不值钱。因为产品可以 AI 生成，但信任不能。 第三，广告竞价正在杀死没有收入的初创产品 第二条，「有钱支付分发费用」——这听起来很世俗，但这就是现实。 Meta、Google、TikTok 的广告系统是为有收入的企业优化的。如果你是一个没有收入、没有融资的独立开发者，你根本竞不过那些有 ARR 的 SaaS 产品。他们可以负担更高的 CAC（客户获取成本），因为你没有收入来覆盖这个成本。 这意味着：没有收入的分发，必须靠创意或已有受众。这就是 levelsio 说的第三条——「创意天才（游击营销）」。 第四，平台是唯一的赢家 这张图对独立开发者是警示，对平台来说是机会。 苹果、微信、TikTok——谁控制着用户的注意力入口，谁就坐拥一切。当供给侧无限扩张、需求侧不变，平台的议价能力反而会提高。 这对独立开发者的启示是：选择平台比选择技术栈更重要。在微信生态里做一个小程序，可能比在 App Store 里发布一个原生应用更容易获得初始用户——因为微信的社交分发机制对小产品更友好。levelsio 自己就是最好的证明 levelsio 说这番话的时候，他不是在维护自己的优势——他是在用亲身经历论证自己的观点。 十年前，当他还是一个籍籍无名的数字游民，在 Twitter 上分享 NomadList 的构建过程时，没有人觉得「受众」是护城河。Build in Public 在那个年代是一种个人品牌建设，没有人把它当成一种战略。 但十年后回头看，他无意中做对了 AI 时代最重要的一件事：在供给过剩之前，提前占住了分发入口。他的受众 —— Twitter 百万粉丝，每条推文都是免费分发渠道 —— 是十年公开构建的自然沉淀，不是 AI 赋予的优势 他的收入 —— PhotoAI 等产品有稳定现金流，可以负担付费投放 —— 同样是积累的结果，不是一夜之间靠 AI 工具做出来的 他的创意营销 —— Build in Public 本身就是他的独特分发方式 —— 这件事 AI 再强也替代不了所以他的三个判断，不是站在高处说风凉话，而是坦诚地告诉你：我能走到今天，靠的就是这三样。而这三样，AI 帮不了你。这张图没告诉你的事 FT 的这张图只覆盖了「应用发布量」和「用户活跃度」，但有几个维度它没有展现： 第一，收入集中度。 发布量涨了 80%，但收入可能集中在顶部 1% 的产品里。如果真是这样，局势比图表看起来更严峻。 第二，企业级市场 vs 消费者市场。 这张图应该是消费者应用的数据。企业级 AI 工具（B2B）的分发逻辑完全不同——口碑、销售团队、集成生态才是关键，而不是 App Store 榜单。 第三，地理差异。 中美两个市场的分发逻辑截然不同。在美国，Twitter/X、Product Hunt、Reddit 是独立开发者的主战场；在中国，微信公众号、小红书、抖音才是。这张图如果只看美国数据，对中国的借鉴意义需要打折。对你来说，这意味着什么 如果你正在经营一个内容品牌（比如「AI知识迁移」），或者正在考虑做一个 AI 产品，这张图和 levelsio 的话给你以下几个行动点： 1. 把读者关系当成资产来管理，而不是流量。 粉丝数是一个虚荣指标，但「有多少人会点开你的每一篇文章」才是真正的护城河。levelsio 的三条护城河里，第一条就是最难被复制的。 2. 做产品之前，先想清楚分发。 以前的产品逻辑是：做一个好产品 → 用户会来。现在的逻辑应该是：想清楚怎么让用户知道 → 再做产品。顺序反了。 3. 善用平台的分发机制，而不是对抗它。 微信的「看一看」、小红书的算法推荐、抖音的同城——这些机制对小而美的产品是有利的，因为它们的推荐逻辑是「内容质量」而不是「广告预算」。 4. 把「Build in Public」当成分发策略，而不只是记录。 levelsio 的成功不是因为他产品做得最好，而是因为他最会让别人想看他的产品。这个过程本身就是营销。一句话总结 AI 时代的竞争，已经从「谁能做出来」转移到「谁能让人看到」。 构建是新时代的识字率——重要，但不再是稀缺能力。 分发才是新时代的代码。数据来源：Demirer et al, 2026，经由 Financial Times 可视化。推文来源：@levelsio（Pieter Levels），2026 年 6 月。