半年5700粉，他用AI把自媒体做成了0人公司

半年时间，1600+ 邮件订阅、5700+ X 粉丝，运营者只有一个人，而且这个人几乎不亲自写稿。鸭哥把这套玩法叫「0 人自媒体」——不是没人，是把人该干的活拆开，交给 AI 当秘书、当团队来管。

在从乌镇开往上海的一期公路播客里，主持人 Koji 和老朋友鸭哥聊了整整一路。鸭哥是 Superlinear Academy 联合创始人，哥大 PhD，先后在微软、Pinterest、Samsara 工作过，也是重度 AI 用户。他讲的东西不玄，核心就一句：AI 应该是一个管理的对象，用管理学的视角去用它，而不是用技术的视角。

JEV 爆火，技术本身并不新鲜

话题从刚发布 72 小时的 JEV 开始。鸭哥的判断是，它只做分类、输出经校准的概率，快而便宜，技术本质接近 GPT 加 JSON 模式。此前 Google、OpenAI、Mistral 都发布过类似的 classification API，却没人用。

那为什么 JEV 火了？他给出三层叠加：微型模型能力到位、Agent 带来的低成本低延迟分类需求，以及 system one/system two 的高明包装。他引用 Artificial Intelligence Index 指出，通义千问 3.5 4B 这类小模型评分已超过 GPT-4o；开源实现不微调、不训练，仅取 logit 做只读操作就跑出 85%（官方 88%），说明机模成熟是关键变量。

他还给了两个具体用法：computer use 用 DOM 树替代截图，体感提速十倍；harness 工具调用做安全分类。但他也提醒，提速到底来自 DOM 树还是分类范式，需要做 ablation 才能分清。

给 AI 一台永不关机的云端电脑

第二个趋势是「给 AI 一台永不关机的云端电脑」。鸭哥提到 GPT-6 Astra 几分钟就完成了建模、绑骨与动捕的 VTuber 原型——过去这是要花不少时间的活。

但真正决定 AI 能帮多少忙的，是 context。他用三个亲身案例说明：孩子牵拉肘就医、医保加学校保险理赔、向幼儿园索赔。正因为病历、账单、邮件与聊天记录都以文件形式留在 AI 可读取之处，它才能给出是否去 urgent care 的具体建议，并接管文书撰写与后续跟进。

他为此写了开源的 intake skill 做语音转写与索引，配合基于 embedding 的 semantic search 做语义检索。同时明确反对为了用 MCP 而用 MCP、为了用 memory 而用 memory。

由此他提出 Context Infrastructure 三要素：收集整理 context、让 AI 消费 context、再让输出回流成新的 context，形成复利闭环。这个框架是 AI 反过来启发他补全的，他认为比自己原先的表述更透彻——没有闭环，AI 每次都从零开始；有了闭环，同一套结构可以同时服务于自媒体运营、理赔流程和代码工作。

工程判断上，他给的是「一切皆文件、本地优先」。积累上下文不需要复杂架构，文件加命令行就够了。

把思维方法蒸馏进 AI

回到「0 人自媒体」。鸭哥说，预训练学的是共识、对齐产出的是中庸保守，所以裸用 AI 只能得到正确的废话。他的做法是把个人思维方法蒸馏进 AI，再给它装上数据与双手。

具体来说，他把横向（竞品与替代方案）与纵向（历史演变）的调研习惯作为 context 注入，并接入 Google Analytics、Search Console 与 Twitter 高级账户，让 AI 自己做 UTM 归因、决定写作与引流策略，形成数据驱动的自我改进闭环。同样方法蒸馏勇哥说餐饮的 100 条视频后，得到 20 条开店经验。

但他也坦白，这门生意并未跑通独立商业闭环，收入仍来自 AI 教学。

他对 AI 时代谁更吃香的判断是：最奖励「本来就有领域经验」且「会用管理学视角而非技术视角管理 AI」的人。他把 AI 当人一样管理，但指出二者不同——人需要画饼激励，AI 不需要 motivate，却需要把要求与 context 外化成文件与 prompt。

只有技术、没有商业认知的程序员反而可能处于劣势，因为短板没被补上。而「跟 AI 说你去赚钱」这件事，他至今没有看到可行路径。AI 解放脑力，但发现需求、打通闭环、找到客户、完成交付，仍然要靠人。

他打了个比方：老鸭汤是要熬的，小龙虾是要养的。你单纯把小龙虾拿过来，本身没什么用；老鸭汤拿过来，它也是老鸭汤，不是你的汤。