先说结论
这期公路播客（乌镇开往上海，理想 i8 大部分路段自动驾驶）录于 Jev 发布七十二小时后，但真正的主角不是任何一个新品，而是鸭哥两年来一以贯之的方法论——Context Infrastructure（上下文基础设施）。他的核心判断可以压成三句话：第一，Jev 的大火是「基模成熟 × Agentic 成本敏感 × System One 叙事包装」的乘积，技术上并无太多新成分，但火本身值得学习；第二，今年真实的产品主线是「给 AI 一台永不关机的云端电脑」，Manus、Grok Bot、Muse 先后跟进，持久化正在取代「码农式」的 PR 和 Repo 成为 AI 记忆的载体；第三，个人使用 AI 的方法两年没有本质变化——像管理人一样管理 AI，而「强得可怕」的感觉，来自你给它积累的 context 有多厚。外部核验中两处与播客叙述存在出入（开源复现与 Jev 的实际差距、App Store 下滑的真实归因），文中已并陈。
Jev 为什么火：技术、需求与包装的三重合力
鸭哥给 Jev 的定性很直接：它不是语言模型，不能输出自由文本，只做分类——给几个选项，返回最可能的选择和经校准的概率，而且置信度与概率是分开的两个东西。第一眼看是「GPT 加 Reason Mode」，调研后确认技术上确实接近。类似的 classification API 过去十年至少有四五波公司做过（他点名 Google、OpenAI、Mistral 都发过），全部被弃用。为什么这次火了？他给出三个原因：基模能力到位——他引用 Artificial Intelligence Index 称 GPT-4o 约八分，而上一代的通义千问 3.5（4B 参数）已有二十多分，微型模型碾压当年可直接商用的 GPT-4o；需求起来了——Agentic 应用让 token 消费急剧增加，大家对成本和延迟更敏感，需要低成本完成高频分类；包装高明——「System One Classifier」对上诺贝尔经济学奖得主的系统一/系统二理论，加上创始人确为 InstructGPT 等开创性文章的共同作者，「你得去看看他说的是什么」。他甚至以「比较恶意的揣测」补了一刀：所谓隐身两年，可能主要是等基模成熟——他找过专利、论文、白皮书、代码，什么都没找到。这个揣测与 Jev 创始人 Diogo Almeida 在 TWIML 访谈中的自述（项目实际做了四个月，承认「RLCD 一年做不完」）各有各的说法，姑且并陈。
两个他觉得最有意思的应用都指向同一件事：高频小决策的成本革命。一是 Browser/Computer Use——以前让 LLM 看截图理解界面再操作，改成给 DOM tree 问「下一步点哪」，配合级联分类，体感提速十倍且省钱；但他也主动浇冷水：这个方案同时改了输入模态（图像→文本）和输出形式（生成→分类），哪个因素最关键没有做 ablation 之前不知道。二是 Harness Classifier——Codex、Claude Code 这类工具每次 AI 调用工具时都在跑一个「危险与否」的私有分类，这本来就是 quasi-general classifier，以前只有大厂 harness 做得起，现在可以低成本移植到开源实现里。独立评测（arXiv 2609.37647，37 个数据集、34.6 万次请求总花费不到 10 美元）证实了 Jev 的校准确实扎实：选择概率校准良好、支持选择性预测，37 个数据集中 27 个胜过 Qwen3.8-27B。至于播客中「开源只读复现 85% 对 Jev 88%、三个点工程上难体现」的说法，与外部证据有出入：jev-on-a-laptop 复现项目自己的结论是本地免费 Qwen2.5-7B 在 Jev 官方公开题集上落后约 13 个点（73.8% 对 86.6%）——本地方案的优势是成本、隐私与离线，不是准确率持平。两处口径不同，读者自行取信。
价格侧他补了一个导游项目的实例：全中国几十个旅游城市做成的导游 Agent，一天烧掉约四百亿 token（嘉宾自述，未核验），用 Sonnet 算过约 1.2 万美元，换 DeepSeek V4.1 Flash 只花了 300 美元——「以前不敢想的场景突然就现实了」。
给 AI 一台电脑：从「码农的记忆」到「生活的记忆」
第二条主线是云端持久电脑。他的梳理：Cursor 很早的 Cloud Agent 就在云端跑，但一切从头开始、无持久化；2026 年 4 月 Manus 先出 Cloud Computer（VM 不销毁、凭据和记忆都留着），8 月 xAI 的 Grok Bot 跟进（自家此前文章记录其 8 月 20-22 日全面开放，每账户一台持久化远程电脑），9 月 Meta 的 Muse 跟上（9 月 8 日上线，三周 340 万下载）。为什么这个思路对？他的解释是「老思路太码农了」——用 GitHub PR 和 Repo 保证记忆连续，脱离代码场景就失效；而一台不关机的电脑记得住你上次的身份信息、大众点评登录过一次就行，真正能完成「跟代码没有关系的生活化的东西」。这与他看到的生活痛点有关：路上常见端着 MacBook 不敢关机的人——「一看就是 Claude Code 和 Codex 用户」。
能力侧让他「impressive 到不行」的是基模的 3D 进展。他用 GPT-6（播客口误作 Ultra；其本人博客确证为 GPT-6 Astra）几句话做出了可达鸭的三维形象、绑骨、动捕联动——摄像头拍他，可达鸭跟着动，一个 VTuber 原型就完成了。他的博客（yage.ai）记录了完整实验：博丽神社建模、爆炸视图、浏览器第一人称漫游、瓷器烧制科普视频，整个流程连同经验教训做成了开源 Skill。他的判断是「基模能力干倒一个工业」——VTuber 皮套原本需要美工、绑骨、动捕的完整分工链条，现在交付成本降了一两个数量级（当然人物精修仍有差距）。
但方法论层面他坚持：个人使用 AI 的方法没有本质变化，只是水位在涨。两年前十字路口有期节目叫「大模型还是小学生，不要着急让他去打工」，他的版本是「以前带大专生，现在带本科生——你仍然要管理他：清晰交代任务、验收结果」。这个「像人一样」不是修辞，他给出的对照是：AI 会犯错需要检查、需要明确成功标准——这些跟管理真人完全一样；不一样的是不需要画饼（它天生 helpful）、不用顾忌自尊心，但需要你把要求、context 全部外化成文件和 prompt——「人讲究内化，AI 讲究外化」。
强得可怕的三段故事：context 才是个人杠杆
标题那句话的注脚是三段亲身经历。第一段：带娃就医。幼儿园老师牵着娃时娃挣扎，造成「牵拉肘」（nursemaid’s elbow，关节移位）。家长毫无经验，AI 判断症状吻合、建议不必去急诊但该去 urgent care、推荐了西雅图儿童医院并说明「不会自愈，别白扛疼」；到了医院医生一个复位动作解决。他不期待 AI 代替医生，但 AI 在整个决策链里补足了信息、又把「哪家有位置、哪家评价好」这些体力活干完——当时娃在哭、大人要喂饭，完全没精力。第二段：保险索赔。AI 接入了他的邮箱，知道全部病情、医院、保险细节，于是整理材料、找收件人、发邮件、跟进账单，全程留档；唯一需要人做的是打电话——「这帮人你不打电话他就不会真的给你寄支票」。第三段：分享复制。别的家长孩子被咬也要索赔，他让 AI 把上次流程总结成两份文档——一份给人看、一份给对方的 agent 直接执行，对方拿去就能用。
他的总结是两条启发：context 真的非常重要——没有 context 的 AI 只能给你「建议去医院」这类正确的废话；把 AI 当秘书用、像经理一样管理——经理的最高境界是「他不在场时 team 还能正常运转」，对 AI 也一样：别手把手教，让它积累 context、沉淀 SOP。「强得可怕」的本质是「我不是一个人在战斗，周围有一个医生、律师、文秘天团，24×7，还能无限复制——一百件事交给一百个秘书」。但他补了一句扎心的观察：觉得 AI 好用的多是老板们，因为他们本来就会用秘书。
一切都是文件：Context Infrastructure 的技术路线
去年他给 AI 装眼睛和耳朵的实验，如今一半失败一半进化。失败的一半：每天自动拍照，拍了三四个月停了——「一直没找到它能带来什么额外 context」。进化的一半：录音（尤其会议）继续，且补上了两件配套——一个开源的 intake skill 把录音转写入库，然后走两条索引路线：「雅虎式」人工/LLM 分话题建索引，大课题看索引就知道去哪找文件；「Google 式」embedding 语义检索，AI 可自主发起本地文件的语义搜索。技术选型上他的态度很鲜明：一切都是文件，没必要搞 embedding 数据库或 Memory Layer 那样的高层抽象——Manus 那篇 Context Engineering 博客（2025 年 7 月，manus.im）他评价「值一百万美元」，核心思想正是 file system as context：AI 对文件系统本来就是 well-trained 的。他反对单纯为了用 MCP 而 MCP、为了 Memory 而 Memory，用文件加 CLI 就够了。这也是他没用 Grok Bot / Manus 云端电脑的原因：context 难完全迁移，而且密钥等敏感信息会明文出现在聊天记录里——他的很多 AI 是 zero data retention 协议下才敢乱贴东西的。主持人分享了同一方向的实践：微信聊天记录备份到本地、Codex 随时读取，参加活动前让 AI 扫名单找二度好友，「经常有意外惊喜」。
零人公司：能自我改进，但商业闭环仍是人的事
鸭哥把 yage.ai 网站的 AI 内容频道当成「零人公司」实验。起点是学员老问「从哪得到靠谱的 AI 信息」，让 AI 自动采集、写作、发布。这件事「稍微一想很简单，仔细想其实很难」：pretraining 学的是共识，共识没有阿尔法；alignment 倾向保守中庸——「乔布斯在 alignment 里肯定会被干掉」。所以 off-the-shelf 的 AI 输出注定平庸，必须注入他自己的思维方法——比如他调研任何东西都反问「横向调研（竞品、alternative）做了吗？纵向调研（这家公司的历史、为什么改变）做了吗？」。结果是读者反馈「不像 AI 写的，有思想」。数据（嘉宾自述，未独立核验）：newsletter 半年从零到 1600+ 订阅，X 账号 5700+ 粉丝，他没有写过任何一篇 post。更有意思的是闭环细节：X 运营本身是 AI 提议的（「你有 newsletter 为什么不运营 X」），连「搞不清楚流量来自哪个渠道」都是 AI 自己发现并解决的——它搭了基于 URL 参数的 UTM 分类体系，分析出「newsletter 用户质量高、X 来的看看就走」，再反过来调整写作和引流策略。鸭哥自己干的事只有两件：给它装眼睛（Google Analytics、Search Console、X 高级账户分析）和装双手（能自主发推），然后偶尔骂它「写得又像三大顶会了，不像我」。
商业上他答得很诚实：又赚钱又不赚钱。赚钱是因为 Superlinear Academy 的 AI 培训把这个零人公司当教学案例，有真实收入；不赚钱是因为它没有自己跑通新的商业场景。「AI 是放大器」——真正发现需求、找到客户、完成交付还是得靠人。他由此推演出一个反直觉的判断：纯程序员在 AI 时代反而可能处于劣势——「我就缺个程序员」的人如鱼得水，而程序员产生了「我用 AI 肯定比别人好」的虚拟幻觉，商业短板并没有被补上。AI 奖励的两种人：本来就有 domain expertise 的，和会管理 AI 的——注意他的用词是管理不是使用。零人公司方法论叫「老鸭汤」：开源在 GitHub 上，但「老鸭汤要熬，小龙虾要养」——拿去用不是开箱即用，「开箱即用出来是我，不是用户」，你得在自己的场景跑一遍、把反馈变成文件喂回去，它才变成你的汤。
什么在贬值，什么在升值
值钱能力的问题他答得很果断：写代码快、刷力扣不值钱了，设计也在贬值（他称 Figma 时代的设计工具产出已达 Senior 水平——播客原话提到的模型名转写存疑，保留判断）；升值的是经理能力——给 AI 搭 Context、搭 Evaluation、让它自我闭环自我改进。但紧接着他泼了冷水，方向却出人意料：他不是担心 AI 取代人，而是「对人类乐观、对用 AI 悲观」——用好 AI 的前提是能清晰表达「我要什么」，而日常生活中能把需求讲清楚的人本来就极少。这个能力可以练：跟 AI 对练，让它指出你哪里没讲清；而且对 AI 的沟通比对人类简单得多——不用顾忌言外之意和自尊心，「我经常爆粗口骂 AI」。
两个补充观察也值得记下。一是他在生活数据上跑出的「多变量回归」实验：Apple Watch、CGM 血糖仪、智能体重秤的数据通过一个 AI 写的 iOS app 加服务器自动同步（开源），AI 用几十天数据训练分类器预测每晚睡眠时长，倒推最相关因素——咖啡与睡眠无关（证伪省掉了他一周的戒咖啡实验）、酒精前半夜助眠后半夜破坏、最相关的变量是当晚最后一次用 AI 的时间；戒掉晚间用 AI 后，次月平均睡眠涨了一个多小时（个人数据实验，机制解释来自 AI，供参考）。二是主持人提到的 App Store 数据：「最近一个季度软件付费数量增长率首次下跌」，并归因于 vibe coding 让人自己写工具。这个现象为真——2026 年 Q2 美国 App Store 消费支出同比下降约 6%，十年首次（Sensor Tower 估算，FT 图表）；但外部分析普遍把主因归于 Epic 案后法院强制开放外部支付链接、监管压力与游戏消费疲软，而非 AI 自建软件（FourWeekMBA 的分析标题就叫「Regulation, Not AI, Is the Cause」）。归因之争本身比数据更有信息量：vibe coding 冲击传统软件购买这件事目前更多是叙事而非已被计量的现实。
赛博许愿：让 context infrastructure 进组织
被问到一年后的心愿，他说是把这套东西从个人推向组织。他的论据有两个。执行侧：亚马逊 Leadership Principle 靠开会、层层 role model 都未必灌输得进去（Bias for Action 说了半天还是一堆人不 bias），但如果执行者是 AI，「贯彻 Leadership Principle 就是个加 prompt 的问题」——AI 在确定性和指令遵循性上有着「无与伦比的优势」（这还没算 24×7）。协作侧：他与课代表（合伙人）现在的合作很多已是「两个 agent 在讨论」——对方的 agent 发草案邮件过来，他的 agent 接邮箱审阅、回信提问题，两个 agent 吵几轮事情就定了，人只给高层指导。他的想象是：如果这套东西 scalable，未来会出现协作、沉淀、执行、考评都完全不同的「真正 AI native 的企业形式」。节目最后他也划了目前的边界：具身的东西（机械臂化妆）不放心、产生后果且不经审阅的自动发布不 comfortable——但这个边界在移动，「半年前我觉得不行的事，你看我现在也在做零人公司实验了」。
机制链条与可迁移启发
- 分类决策的商品化 → 大厂私有功能开源化 → 接口与智能分开计价。小模型能力到位 + Agentic 成本敏感，让「校准的分类判断」成为新原语（独立评测证实校准质量；Ramp 数据显示其一个月抢下约一个百分点企业份额）；此前只有大厂 harness 做得起的安全检测等能力被拉平到开源可用。启发：评估这类产品时把「接口创新」与「智能提升」分开看——开源复现的差距（本地 73.8% 对 86.6%）说明智能本身仍有溢价。观察指标：开源复现的追平速度、OpenAI 决策模型的动作。
- Context 文件化 → 个人杠杆非线性放大 → 表达能力成为瓶颈。录音、微信、健康数据全部落文件、建索引，AI 就能从「正确的废话」变成「医生+律师+秘书天团」；而放大倍数取决于两件事——你积累的 context 厚度，和你把需求说清楚的能力。启发：AI 输出质量是输入 context 质量的函数；个人知识管理的最优解可能朴素得出奇——文件加命令行。
- 零人公司的真实边界 → 放大器定律 → 自查你的短板。内容生产、渠道分析、自我改进的闭环已可自动化（1600 订阅、5700 粉为证），但发现需求、打通闭环、完成交付仍是人的活。启发：AI 放大的是你原有的 domain expertise 与管理能力；「缺个程序员」型选手受益最大，纯执行型程序员反而要补商业课。
- 管理学视角替代技术视角 → 外化+验收+SOP → 组织的新稀缺品。对 AI 不画饼但要外化要求、验收结果、沉淀 SOP；执行层的确定性和指令遵循性让「企业文化」从洗脑工程变成 prompt 工程。启发：个人练「清晰表达需求」（可与 AI 对练），组织练「把隐性知识变成 AI 可消费的文件」。
ASR 与归属备注：文中「GPT-6 Ultra」经嘉宾本人博客确证应为 GPT-6 Astra；「勇哥说餐饮」经核验账号名为「勇哥餐饮创业说」（新榜/虎嗅 2026，477 万粉，付费连麦 365-499 元）；GEP/加GPT、OpenCL、Manas、Sunny、woop 等按上下文校准为 Jev、OpenClaw、Manus、Sonnet、Whoop；「TypeFlow」疑为 Typefully，保留原文并注。导游项目 400 亿 token、newsletter 1600 订阅、睡眠 +1 小时等个人数据均为嘉宾自述未核验；Jev 隐身两年 vs 四个月的两说、App Store 下滑归因冲突已并陈。