01 / 33
2026.4

从一笔账
到一个时代

AI 赋能工作提效：从账面到你的工作

📉 QuantHatch · AI 虚拟交易
🧬 OriSelf · 10,000+ 用户
💰 账面 · 16 个 Skill API
¥60K
两个龙虾二等奖 · 税前
20 天
每天 2-3h · 除 token 外零成本
$6K
Token 真金白银 · 2026 至今
talk-5 二维码
扫码看讲稿
accountingllm.site/talk-5
在线翻页 · 跟讲现场同步

一个不断用 AI 结合专业去做产品的人

秘圣淼 · 厦门大学管理学院 · 会计学本硕
SCROLL
02 / 33
ABOUT ME

自我介绍

牛牛酱头像

牛牛酱（秘圣淼）

@厦门大学管理学院 · 会计学本硕

QuantHatch — AI 虚拟交易竞技场（A/港/美三市场）

OriSelf — AI 人格测试平台，10,000+ 用户

账面 — AI 原生会计基础设施，16 个 Skill API

一个不断用 AI 结合专业去做产品的人

$6K
Token 真金白银
2026 至今 · 三个月
3
个 AI 产品
QuantHatch · OriSelf · 账面
¥60K
龙虾大赛二等奖 · 税前
北京中关村 · 账面
03 / 33
第一幕 · 棱镜
TRIALS

四次试验，N 次转向

小步快跑、加速迭代——总有些会失败

📉
QuantHatch
AI 虚拟交易竞技场
服务器跑了一个月就跑路
确认：Agent 也是消费者，它需要 Skill 不是界面
🧬
OriSelf
AI 人格测试平台
10,000+ 用户
确认：JSON ≠ 产品完成
♻️
token-recyclebin
方向一：回收闲置 token → 否
方向二：agent 交易平台 → 否
方向三：测评 Skill → 仍不稳定
总成本 ¥200 · 每次转向都在校准认知
💰
账面
AI 原生会计基础设施
两个龙虾二等奖 · ¥60K
真正值钱的是边界能力——问题提得对
04 / 33
AGENDA · 今天聊什么

三幕 · 一套五步法

01

第一幕 · 棱镜：我怎么做出了账面

五步法实战——从会计生的疑问到 AI 原生会计基础设施

02

第二幕 · 迁移：同样的五步法，用在你的工作上

AI 三级能力 · 强弱智元 · Token 即预算 · 做完 ≠ 做好

03

第三幕 · 边界：工具革命如何推开人的活动边界

牛耕 → Excel → AI · 科技发展即资本增密、排斥劳动 · 与 AI 同行

贯穿始终的一个承诺：五步法可复制——我怎么走的，你也能怎么走
05 / 33
第一幕 · 棱镜
FRAMEWORK

五步法

我用这五步做出了账面。我想让每个人都可以用同样的五步，提效自己的工作

🔍
发现问题
这份工作，真的是为人设计的吗？
🎯
识别痛点
哪一步最该交给机器？
⚙️
提出方案
把问题和边界讲清楚
🚀
解决问题
真正的问题往往藏在文本之外
📢
推广验证
别人也需要吗？
先看我怎么走的 →
06 / 33
账面实战 · Step 1
STEP 01 · 发现问题

“财务工作，真的是为人类设计的吗？”

学会计的时候，我一直有一个疑问：为什么要逼人当翻译？

你脑子里的事实
”张总请客户王老板在希尔顿吃饭，花了¥2,800，谈定了Q3 独家代理”
✓ 谁 · ✓ 请谁 · ✓ 在哪 · ✓ 花多少 · ✓ 为什么 · ✓ 达成什么
财务软件要你输入的
借：管理费用-业务招待费 ¥2,800
贷：银行存款      ¥2,800
✗ 谁请的？丢了 · ✗ 请谁？丢了 · ✗ 为什么？丢了 · ✗ 结果？丢了
💡 我的思考
传统财务软件把“翻译”这件事甩给了人——四年本科、CPA 考试、继续教育，全在训练翻译员。但翻译是规则性工作，规则性工作天然适合机器。这就是我发现的问题。
更关键的是：每一笔分录都是一次 有损压缩
07 / 33
账面实战 · Step 2
STEP 02 · 识别痛点

会计四步：确认 · 计量 · 记录 · 报告

账面要打通的是从确认到报告的全流程——痛点集中在前两步

① 确认 RECOGNITION
痛点在这
"这事算不算一笔账？"
业务事实发生了什么、该不该入账、属于哪类经济事项——本来应该机器自动判断
今天靠会计学四年 + CPA 记忆规则，交给人是在浪费
② 计量 MEASUREMENT
痛点在这
"这一笔记多少钱？"
金额、税率、账龄、折旧、汇率转换——全是可枚举的规则，却逼着人一笔一笔填
小店老板记不来，上市公司要雇几十个人专门做这件事
③ 记录 RECORDING
分录 · 凭证 · 账簿
在"确认+计量"被打通后，这一步天然自动化
浮动账本 · 同一事件多视角投影
④ 报告 REPORTING
财务 · 税务 · 管理
三本账 + 经营洞察 + 风控巡检——Agent 自主执行
AI CFO 月结 < 2 分钟
💡 打通了前两步，后两步自然瓦解
1982 年 McCarthy 在顶刊 TAR 就提出了 REA 模型：先记事件，别急着记借贷。40 年来工业界没有落地，因为当时没有 AI 能听懂自然语言——现在有了。账面做的就是：让"确认"和"计量"这两个一直压在会计身上的翻译活，变成 Agent 的一次 API 调用。
08 / 33
账面实战 · Step 3
STEP 03 · 提出方案

“把会计理解成 经济世界的棱镜”

同一笔经营事实进入系统后，沿着不同目的，折射成不同口径

INPUT · 真实业务
同一束白光
“卖了一件 99 元的 T 恤，
送了一张 20 元代金券”
老板问：这单到底赚了多少？
税局问：99 元都要交税吗？
审计问：代金券算不算负债？
财务会计
对外披露
追求稳定、可比，口径更克制，记录成本更高。
目的：可比代价：更严格
税务会计
征管合规
关心应税、可查、可核，优先服从规则。
目的：合规代价：更保守
管理会计
经营决策
服务行动，怎么有用就怎么组织。
目的：决策代价：不必统一
01 · 不是一切都该被同一种算法记录
有些事实值得精确量化，有些只能靠判断去近似
02 · 目的一变，口径就会变
给投资人看的、给税局看的、给老板自己看的，本来就不是同一张表
03 · 成本一变，精度也会变
会计不是寻找唯一真相，而是在不同场景下选择值得付出的记录方式
会计没有天然的 Ground Truth，只有为不同目的折射出来的 口径光谱
09 / 33
账面实战 · Step 4
STEP 04 · 解决问题

一句话记账 → 三本账 + AI CFO 全流程

DEMO · 一句话走完全流程
# 小李说了一句话
$ POST /skill/event
{ “description”:
  “淘宝卖出潮牌T恤一件,
   售价99元,成本35元” }
✓ 事件已记录 # 全部上下文零丢失
━━ 📊 财务账 ━━
借:应收账款 ¥99
贷:主营业务收入 ¥87.61 · 应交税费 ¥11.39
━━ 🏛️ 税务账 ━━ 销项税 ¥11.39 · 税率 13%
━━ 🎯 管理账 ━━ SKU:潮牌T恤 · 毛利:¥52.61 · 率:60%
“帮我结 3 月的账，看看哪款最赚，有没有什么风险”
🧠
理解意图 → 拆解为 3 个子任务
~2s
✅
月结：检查 47 笔事件 → 结转损益
~30s
🎯
归因：潮牌T恤毛利 60% 最高
运动短裤毛利 18%，建议调价或淘汰
~30s
🔍
巡检：发现 2 个风险
⚠ 应收 ¥4,200 超30天 · ⚠ 退货率异常
~15s
🎉
全部完成！
< 2 min
证据链 · 全程可追溯
⚡原话
sha:a3f8
→
📋凭证
sha:7b2c
→
📝分录
sha:e9d1
→
📊报表
sha:4f6a
→
🔍审计
verify()
VS · 传统方式 对照
传统方式
打开财务软件 → 选科目（要学）→ 填借贷（要学）→ 算税率（要学）。会计根本没那么好学——那我们的四年本科都白上了。
账面
说一句话 → 政策编译器 0.3 秒折射为三本账，月底 AI CFO 自动执行全套月结流程。学习成本：0
任务传统账面
记账5分钟/笔3秒100x
月结3天1分钟4320x
归因1周30秒20000x
巡检年度每天365x
门槛4年本科0∞
10 / 33
账面实战 · Step 5
STEP 05 · 推广验证

从自用到 开放基础设施

解决了自己的问题后，我把它做成了每个 Agent 都可以调用的 Skill

🧑‍💻
个人工具
解决自己的问题
账面最初就是我自己用
👥
团队/社区
分享给有同样痛点的人
Demo 让别人也能体验
🌐
开放基础设施
16 个 Skill API 端点
任何 Agent 即插即用
以前只有大公司请得起 CFO · 现在每个小店的 AI 都自带一个
11 / 33
第一幕 · 收束
PROBLEM = 现状 ≠ 预期

什么是“问题”？
现状与预期不符，就是问题

那“预期”是什么？我对一份工作的预期，分成三类

CLASS I · 预期一
这个工作
本来就不应该给人来做
机械、可枚举、零判断的流水操作，交给人只是在浪费生命。
典型场景
处理报销单手工填表
CLASS II · 预期二
这个工作
给 AI 做也许更好
需要理解、组织、表达——但 AI 的速度和广度能带来人做不到的角度。
典型场景
写总结报告做数据大屏数据洞察
CLASS III · 预期三
这个工作
可以被 AI 重构整个流程
不是替代一个环节，而是重写整条生产线——账面就在做这件事。
典型场景
审计抽凭一本账 → 三本账
为什么是我想到了这个问题？我是会计学本硕、我本科的时候就在一次次和老师讨论"这些东西为什么不能自动化执行，而是需要我埋头苦学呢？"——我对这三类预期的分辨，来自我的专业会计训练、不断的自动化尝试和对于这个专业的思考。在座的各位同事都已经有了丰富的从业经验，那如果你也能想到 + 能描述 + 能描述仔细，说明你对这个领域已有足够深的认知。
领域认知是前提，接下来就是看 AI 工具的应用与发展了 →
12 / 33
第二幕 · 迁移 · 开场
KARPATHY 原话
”
😶一拨人
去年某个时候试了一下 ChatGPT 的免费版，然后就让那次体验过度地塑造了对 AI 的看法
🚀另一拨人
天天用前沿模型工作，体验完全是另一个世界
这两拨人在讨论 AI 时，基本是在各说各话（talking past each other）
— Andrej Karpathy
前特斯拉 AI 总监 · OpenAI 联合创始人
其实只有知道与不知道的区别
不是一群人更聪明、另一群人更笨——只是信息差。今天讲完，大家就都知道了。
13 / 33
你的工作 · Step 1
YOUR STEP 01 · 发现问题

“你的工作，真的是为 人 设计的吗？”

试着问自己：我每天有多少时间花在“把信息从 A 搬到 B”？

📊
做报表
导出→粘贴Excel→调格式→做图表
本质：搬运+格式化
Class I · 不该给人做
📋
写总结
翻聊天记录→整理文档→发领导
本质：提取+结构化
Class II · AI 做更好
📝
填表格
A系统→手动搬到B系统→核对
本质：翻译+校验
Class I · 不该给人做
🔍
审核校验
逐行对数据→找不一致→标注
本质：比对+标注
Class III · 可被重构
同样的三类预期，也适用在你的工作上
Class I
不该给人做
机械、可枚举、零判断 → 干脆别做
Class II
AI 做更好
理解 + 组织 + 表达 → 交给 AI
Class III
可被 AI 重构
不是替代一环 → 重写整条生产线
这些工作的本质
都是在 当翻译
14 / 33
你的工作 · Step 2
YOUR STEP 02 · 识别痛点

先说清楚：输入输出是什么

在把任务交给 AI 之前，你自己要先理清四件事

📥
输入
什么原材料？
Excel？聊天记录？PDF？
⚙️
流程
什么规则？
哪些步骤是固定的？
📤
输出
要什么结果？
报表？文档？邮件？
🎯
目标
为什么做？
服务于什么决策？
✗ 反面案例
“帮我把这个搞好”——真人都挠头，AI 也摇头
✓ 正面案例
“把 A 列按日期排序，B 列汇总透视表，输出 PDF”
Garbage In Garbage Out，需求越清晰，AI 越强大
模糊的需求只会产出 模糊的结果
15 / 33
你的工作 · Step 3 · 先认清三个级别
YOUR STEP 03 · 提出方案（上）

AI 不是“一个东西”
它有 三个级别，对应三种活

认清级别，才能"用对"而不是"用贵"

LEVEL 01 · 对话
单轮问答
Chat / Q&A
01
你问它答，一次一次来。不记步骤、不调工具、不循环——像查字典。
典型场景
翻译一段话 · 解释一个术语 · 帮我改这句邮件措辞
代表工具
ChatGPT 对话框文心一言豆包
LEVEL 02 · 脚本
固定流程
Script / Skill
02
规则写死、每次一样——写一次，永远自动跑。定时任务、批处理、格式转换都属于这层。
典型场景
每日序时账导出 · Excel 批量改格式 · 邮件定时抄送
代表工具
Python 脚本Claude Skillcron / 定时器
LEVEL 03 · AGENT
自主决策
Autonomous Loop
03
能理解目标、选工具、循环迭代，直到把一件活做完。甚至能回头造一个脚本给你下次直接用。
典型场景
序时账 → 数据大屏 · 一本账 → 三本账 · 审计抽凭重构
代表工具
Claude Code腾讯 WorkBuddyCursor Agent
级别越高，不等于越好——对应得上，才叫“会用”
下一页用会计的序时账，带大家把这三级走一遍 ↓
16 / 33
你的工作 · Step 3 · 实战
YOUR STEP 03 · 提出方案

你的任务适合什么 级别 的 AI？

一个真实场景：会计序时账到数据大屏——同一个需求衍生出三个小场景

案例一 · 序时账定时自动导出
📚
序时账
数据库
→
⏰
定时
脚本
→
📊
Excel
日报
需求固定、规则清晰——一个定时任务脚本就够了，每天自动跑一次
Lv.2
脚本就够
写一次，永远自动跑
案例二 · 序时账 → 数据大屏
🧠理解数据结构
🎨选可视化方案
📺生成交互大屏
要理解业务、做视觉判断——需要 Agent 的决策能力，脚本做不了
Lv.3
Agent 出手
理解 + 决策
案例三 · Agent 造一次，永久复用
🤖
Agent
构造一次
⇒
📦
产出
脚本/Skill
→
♾️
从此
不再需要
Agent 把“转大屏”这件事写成脚本/Skill——更灵活、有普适性
Lv.3 → 2
Agent 造工具
一次构造，普适复用
80% 的工作 Lv.1 对话就够了 · 用对级别比用贵工具重要
关键不是“AI 有多强”，而是“你能不能识别这件事该用哪个级别”
17 / 33
你的工作 · Step 4
YOUR STEP 04 · 解决问题

做完了 ≠ 做好了

"为什么你的上级不自己问 AI，而是来让你完成这个任务？"
叫你来做这个任务的人，不是让你转发 AI 的答案——他要的是 你的判断
✗ AI 直接输出
report_v1.xlsx
部门
支出
环比
市场部
¥128,500
+12.3%
技术部
¥89,200
+5.1%
行政部
¥45,600
-2.8%
三月总支出 ¥263,300，环比上升 8.2%。市场部增幅最高。
⚠ 数据准确，但领导看完：“所以呢？”
→
✓ 你加工之后
月度经营洞察 · 决策建议版
业务背景
3/15 活动临时追加 2 位 KOL，费用多出 ¥14K
管理判断
问题不是“花多了”，而是临时加单没有预算闸门
关键发现：费用上涨来自一次活动，不是日常失控；活动带来 42 条线索，预算不该一刀切。
建议动作：4 月继续投放，KOL 费用上限锁 ¥120K，超额必须提前审批。
下一步：活动结束 48 小时内回填线索成本和转化率，再决定是否加码。
✓ 领导直接拍板：“预算继续，先立闸门”
AI 负责“事实” · 你负责把事实 变成决策
✓ 懂业务背景 ✓ 懂上级偏好 ✓ 懂“下一步”
AI 帮你更快到达终点
选择去哪个终点 仍然握在你手里
18 / 33
你的工作 · Step 5
YOUR STEP 05 · 推广验证

你做的东西，别人也需要吗？

生态
团队
🧑
你
开放 API / 产品
像账面：16 个端点
脚本 / 模板
部署到服务器
Prompt 模板
发到群里人人用
哪怕一个好用的脚本 · 分享给同事就是 创造价值
如果团队天天都有人能给每个人提高 1% 效率，经年累月就是 翻天覆地
19 / 33
TOOLBOX

工具推荐：WorkBuddy + GLM5.1

一个原则：用对级别比用贵工具重要

WORKBUDDY · 腾讯内网部署
$ workbuddy “把这份客户对账单
  Excel 按账龄分组，
  超 30 天的标红发邮件”
✓ 一次性脚本已生成
✓ 邮件已发送 · 耗时 3 分钟
场景一
一次性脚本
批量改文件名、数据清洗、格式转换——用完即抛
场景二
特定任务
周报汇总、客户分级、异常检测——日常提效
🔒
GLM5.1 · 本地部署
按公司要求，模型必须本地部署，数据不出网——否则客户对账单、内部报表走公网都有数据外发风险。
⚡
当前最优 · 两个月后重估
这只是 2026.04 的当前最优方案——两个月后可能就有更新、更强的 Agent 框架了。重要的不是记住工具名字，而是理解“什么任务用什么级别”的判断方法。
用对级别，才是真正的 AI 思维
WorkBuddy 是 Agent（Lv.3），但它最擅长的是帮你产出 Lv.2 脚本——这才是它的杠杆
20 / 33
RECAP

五步法回顾

发现问题
会计在做翻译，翻译会丢信息
01
你的工作里
哪些是在“当翻译”？
识别痛点
“规则翻译”最适合 AI
02
理清四要素
输入 · 流程 · 输出 · 目标
提出方案
编译器 + 事件原生 + API
03
选对级别
对话 / 脚本 / Agent
解决问题
一句话记账→三本账
04
做完 ≠ 做好
目标达成了吗？
推广验证
16 个 API 即插即用
05
分享出去
哪怕只是一个 Prompt
账面的路径
你的路径
21 / 33
第三幕 · 边界

每一次工具革命
都在把人的活动边界继续推开

纵观人类技术史，每一次科技发展，本质都是一次"资本增密、排斥劳动"的过程——牛耕、蒸汽机、电、Excel，无一例外。AI 不是例外，只是当下这一轮。工具把边界推开的同时，也在把活从人身上拿走。
历史上，每一次革命前，人类都在问自己三个问题
①
这件事，应该由人类来完成吗？
②
牲畜 / 机器，是不是能做得更好？
③
它能不能重构整个工作的形态？
—— 这三问，对应我们刚才讲过的 三类预期。工具革命的本质，就是把答案从“是”推到“不是”
🐂
~4000 BC
牛耕
解放双手
奴隶制瓦解
🚂
1800s
蒸汽机
工人→技师
工厂诞生
🚗
1900s
汽车
马车夫→司机
物流业诞生
⚡
1920s
电力
作坊→工厂
产能释放
📊
1980s
Excel
算盘→分析师
没人说会计失业
🤖
NOW
AI
执行者→决策者
你+AI=超级个体
Excel 出现时，没人说会计要失业
他们只是不用打算盘了。AI 也一样
22 / 33
EVOLUTION

AI 四年六次跃迁

从“聊天工具”到“数字员工团队”——每一跃迁，都重写了“会用 AI”的定义

2022
GPT-3
能对话
175B 参数
1750 亿参数里埋藏能力
但经常一本正经胡说
当时用法：API 写代码
2022.11
ChatGPT
全民爆发
RLHF 对齐后
5 天 100 万用户
人类第一次和 AI 对话
当时用法：聊天写文案
2023.03
GPT-4
质变 · 会推理
多模态
司法考试 top 10%
能代码、能推理
当时用法：Copilot
2024
Agent
开始做事
Devin / AutoGPT
Vibe Coding 被命名
从回答→执行
当时用法：Cursor 编程
2025
MCP · Skill
可装插件
MCP 开放协议
Claude Skill 生态
Agent 能调工具了
当时用法：写 Skill
2026 · NOW
Operator
数字员工
Opus 4.6 / GPT-5.4
能连续工作数小时
你有整支 AI 团队
此刻用法：账面
每隔 8 个月，"会用 AI"的含义就要换一次
聊天 → Copilot → Cursor → Skill → 整支 Agent 团队
每 8 个月，"能被外包给 Agent 的活"都在扩圈——资本增密、排斥劳动的边界，每一次都悄悄往岗位里再挪一点
23 / 33
认知铺垫
基础概念

什么是 Token？

大模型不认识“字”，它认识的最小单位叫 token——就像计算机认识字节

📥
输入 Token
你说的话、发的图、传的文件
📤
输出 Token
AI 回复的文字、代码、分析
💾
缓存 Token
AI 记住的上下文，价格打折
模型输入 $/M token输出 $/M token适用场景
Claude Opus 4.5$15$75深度推理、复杂 Agent、合同审查 → 找到 5 处风险
Claude Sonnet 4.5$3$15日常开发、代码生成、复杂分析
DeepSeek / Kimi$0.14$0.28简单分类、格式转换 → “建议请律师审核”
用 Opus 翻译“Hello World” = 拿茅台冲马桶。用 Kimi 审查复杂合同 = 请保安做法律顾问。用对级别，才是真正的 AI 思维。
24 / 33
认知铺垫 · 关键区别
KEY DISTINCTION

强智元 vs 弱智元

Token 也叫“智元”。不同模型的 token 智力密度完全不同——便宜的干不了贵的活，贵的干便宜的活就是浪费

S
强智元 · Strong Token
Claude Opus 4.6 · GPT-5.4
• 深度推理、复杂决策、长链路任务
• 能当 Agent：自主规划 → 调用工具 → 纠错 → 完成
• 输出 $7.5 – 25 / 百万 token
• 适合：写代码、做财务分析、合同审查、投资决策
W
弱智元 · Weak Token
DeepSeek V3.2 · Kimi K2.5
• 简单分类、格式转换、信息提取
• 只能执行单步指令，无法自主决策
• 输出 $0.42 – 2.94 / 百万 token
• 适合：翻译、摘要、数据清洗、分类打标
实际案例 · 同一任务，两种结果
任务：“分析这份合同，找出对我方不利的条款”
强智元 · Opus 4.6
“第 7.3 条违约金比例过高（30%），行业惯例 10-15%；第 12 条管辖法院约定在对方所在地，建议改为被告所在地；第 5.2 条 Net-90 远超行业标准…”
→ 找到 5 处风险，给出修改建议
弱智元 · DeepSeek V3.2
“这份合同包含违约条款和付款条款，建议请律师审核。”
→ 一句废话，等于没分析
反过来：用 Opus 翻译 “Hello World” = 拿茅台冲马桶。
用对级别，才是真正的 AI 思维
25 / 33
DEEP THINKING

Token 是 智能的会计单位

它把过去难以切分的思考、生成、调用、试错——压成可计价、可优化、可预算的颗粒度

① 计量 COGNITION
把“模型思考过一次”
转成可计费单位
智力第一次有了“单价”——和电费、水费并列
② 结算 RUNTIME
把调用、上下文、检索
全部折算进账单
你的每一次“对话”，都是一笔可对账的事务
③ 压缩 TRIAL-ERROR
把创业最贵的试错成本
前移成可预算的 OPEX
过去需要 3 个月烧一版，现在 3 天 $60
④ 暴露 ARCHITECTURE
账单直接暴露
你的路由策略与失败率
用错了强智元，毛利率就瞬间暴跌
$0
我 2026 年已花 TOKEN
≈ 每天 $67
换来 无限次试错
↓
单价在暴跌
同等智力
一年降 80%
↑
总消耗指数增长
创业、学习、创造
门槛被重写
未来的每一个经济单位
都会有自己的 Token 预算
当试错成本趋近于零，创业、学习、创造的门槛都会被重写
26 / 33
AMPLIFIER

“有多少人工，就有多少 智能”

1
你的认知
×
AI
放大器
=
10
输出能力
120%
先对业务 120% 了解
你自己的能力才是那个被放大的“1”——领域深度决定 AI 能走多远
0
你有 0，放大 10 倍
还是 0。AI 没法无中生有，它只能放大你已经有的东西
∞
团队 × AI 的可能
10 个懂业务的人各自乘 10，团队的边界会被重写
27 / 33
COMPUTE BUDGET · 算力预算

强大的“智能”，都是 Token 堆出来的

不花钱 ≠ 省钱——是断送可能性

MY BURN · 个人账单
¥1.5万 /月
$6,000 / 3 个月
≈ $67 · 每天
当作学习 & 研发投入
TOKEN 花在哪儿了
🧠 账面 Agent 迭代
40%
🔬 论文 & Paper 工具
20%
🏗️ QuantHatch/OriSelf
15%
💬 日常编程/咨询
15%
✍️ 写作 / 讲稿
10%
即便这样——还砍掉了
多 Agent 博弈、长程记忆、3 个新 Skill API 的评测……永远不够用
两条路 · 同一个起点
✕ 抠 Token 团队
“能用 DeepSeek 绝不用 Opus”——一年下来，没做出一个像样项目
✓ 敢烧 Token 个人
个人 1.5w/月 算力投入——两个二等奖 税前 ¥60K，一场比赛赚回所有投入
🧠
认知飞跃
别再问“AI 能力边界在哪”——去用就知道，paperwork 得不出任何结论
⏱️
时间升维
低维劳动外包给 Token，自己的精力升到更高一层的事务上
🔥
最好的组织，会给每个人留一张 可以放心烧的算力额度
抠算力省下的是账单——断送的是团队的上限
坏消息
"一定不要在 2026 年做那个学 Python 的人——至少不要做那个花钱学的人。"
LLM 发展实在是日新月异——我昨天做的 HTML 上还是 Opus 4.6，睡了一觉起来就发布了 Opus 4.7。AI 根本不会等你学会了再发展。
好消息
与其琢磨"xx 的本质"——不如每天调用2 亿 tokens，亲手把现实往前推 1cm。
28 / 33
ATTITUDE

面对 AI，“不是吹，也不是怕”

最大的坑，不是站哪一边——而是两边都不站，把它当作“和我无关”

🎺
吹
OVER-HYPE
"AI 万能，明天替代所有人"
"前端一年死 10 次"、对"一个人用 AI 能干掉之前一个团队"深信不疑——但从未开始动手；甚至也有人让完全不懂运维的 PM 用 Vibe Coding，不小心干崩了生产服务器。
✗ 信息消费者，不是使用者
🚀
用
JUST-DO-IT
“去用、去试——从一次对话开始”
不装专家、不当喷子。遇到一个任务就丢给 AI 试一版，一周你会比周围所有人更了解它能与不能。
✓ 每周至少 3 次主动调用
😰
怕
OVER-FEAR
“AI 太可怕，不敢碰”
担心被取代、担心数据外泄、担心“学了就过时”——所以干脆不碰。结果：一年后发现同事都会了，自己落下了一整代。
✗ 回避者，不是观望者
真正分水岭的不是怎么想，而是 有没有打开那个对话框
吹的人和怕的人有一个共同点：都不是用户。他们的结论都来自"听别人说"
如果你连试错都不敢
就永远不知道自己能 做到什么
29 / 33

"AI 不是淘汰人，是淘汰不会用 AI 的人"

——这半句是胡说八道；删掉它，剩下的才是事实

✕
这句话本身是 PUA
把系统性失业，包装成“你不够努力”
公司裁员时，资本家不说“岗位被 AI 优化”，说的是“员工不会用 AI”
最会用 AI 的程序员，反而最先被裁
“一人顶三人”的代价，就是公司直接缩编三分之二
✓
AI 只是工具，和牛、机器同级
人怎么会被自己的工具干掉？
牛耕、蒸汽机、电、Excel——每代新工具出现时都被说要“淘汰人”，最后都只淘汰了不用它的旧方法
Karpathy：离工具越远，饭碗越稳
长青：电工 · 管子工 · 厨子 · 护士｜先被啃：程序员 · 会计 · 分析师
工具不淘汰人 · 资本家的 PUA 才淘汰人
今天讲完，大家就都知道了——不焦虑、不被 PUA、不为别人的恐惧交税
30 / 33
尾声 · GROW WITH AI
尾声 · GROW WITH AI

与 AI 一起成长

“AI”这两个字，在最近 24 个月里彻底换过 3 次含义——每一次都意味着旧的用法完全过时

2024.04
前年 · 整整 24 个月前
“AI” = 会把问题搞混的人工智障
GPT-3.5 问世一年，记不住上下文、代码一改就出错、让它算账能给你算出负数。媒体最爱的话题是“AI 幻觉”——写文案勉强、做决策不行。
· GPT-3.5 / Claude 2· 上下文 8K-16K· Agent 概念尚未出现
2025.04
去年 · 12 个月前
“AI” = 刚出现的 Vibe Coding
Andrej Karpathy 提出 “Vibe Coding” 概念仅 两个月。Cursor 刚火、AI 编程从“玩具”变成“生产力”，但能独立完成复杂任务的 Agent 还很少。
· GPT-4 / Claude 3.5· Cursor、Windsurf 爆红· MCP 标准刚起步
2026.04
现在 · 此刻
“AI” = 每个人手里的 Agent 工具链
Claude Code / WorkBuddy / Codex 都能跑长达数小时的自主任务；Skill、MCP、Sub-Agent 让你把自己的业务知识变成“可复用的数字同事”。
· Opus 4.6 / GPT-5.4· Claude Code + Skills· 全栈自主 Agent 成熟
12 个月前有用的“AI 经验”，今天大部分已经失效
不是学会一次就够——而是把“持续跟进”本身变成工作方式
时代在同时 缩小 与 放大 人和人的差距
缩小：好 idea 花 300-500 块就能验证成产品——再也没有“我有想法就差个程序员” · 扩大：好 idea 被光速验证，提得出好 idea 的能力比以往任何时候都稀缺
31 / 33
理想中的生活

"上午打猎，下午捕鱼"

“我有可能随自己的兴趣今天干这事，明天干那事，上午打猎，下午捕鱼，傍晚从事畜牧，晚饭后从事批判，这样就不会使我老是一个猎人、渔夫、牧人或批判者。”
——马克思《德意志意识形态》
我的日常
上午 9 点起床
到 12 点吃饭
下午再干一会儿
— 这也只是我的目标
偶尔达成，偶尔不行 —
这个演讲
昨天 + 前天
两天 × 8 小时
准备完成
含调研 · 设计 · 写稿全程
未来祝愿
大家也能进入
这样的生活状态
上午打猎，下午捕鱼
AI 正让这件事 从理想走向可达
AI 的浪潮可能是我们每个人所经历的最大的一次海啸，它真的会重构我们绝大多数的知识性工作、组织架构甚至社会形态。而纵观人类社会演变历史，变革从来都是在每一个历史阶段都如影随形的——我们生在如此时代，能在这里相遇相识、与 AI 同行，能在这一波海浪上站在稍微靠近浪头一点的位置，这辈子也值了——
如果还能推着这股海浪往前走 1cm，稍微能让更多人思考一下"人类的工作应该是什么样的"，就已经实现意义了。
32 / 33
经典重读

两千三百年前，荀子写了一段《劝学》

放在 AI 时代，每一个字都在讲今天的事

吾尝终日而思矣，不如须臾之所学也；吾尝跂而望矣，不如登高之博见也。
登高而招，臂非加长也，而见者远；顺风而呼，声非加疾也，而闻者彰。
假舆马者，非利足也，而致千里；假舟楫者，非能水也，而绝江河。
君子生非异也，善假于物也。
——《荀子 · 劝学》
君子生非异也，善假于物也
两千三百年前的八个字——在 AI 时代，它依然是对“人”最准确的定义
33 / 33
AI 是工具
人才是目的
说人话记账 · 零门槛
事件原生 · 浮动账本
五步法可复制
发现 · 识别 · 方案 · 解决 · 推广
用对工具 · 做对判断
知道与不知道的区别
微信二维码
扫码加微信
欢迎交流 AI 创业、工具实践与合作想法
秘圣淼 · 厦门大学管理学院
Q&A — 欢迎任何问题