@mecnox #8 那个时候硅基流动还没赚什么钱，愿意发 1000 的 e 卡估计是很重要的事情了

@lizongwu #6 创始人的股票一般有锁定期 hh

@jimrok #3 用户量多确实可以分摊研发成本。当然，目前就算不考虑研发成本，硅基流动也是在给用户补贴算力，更何况 AI 推理没有边际成本递减这回事。

私密模型部署目前还是个人自部署比较方便，云服务商托管的话需要解决好存储、GPU 复用、整体调度延迟等问题，暂时感觉不是好做的生意。

@Nasdaq 看好拆分，是因为觉得能挣海外的钱吗？海外算力供应比较充足，算力转 token 这条赛道的竞争异常激烈😂

看起来都是有更好的替代品的老版本模型

先说一个前提：绝大部分尝试改变别人的努力都是徒劳的，甚至会造成反效果。
我觉得要么接受，要么换一个。就我个人来说的话，我不会与楼主描述的这类人谈恋爱。

目前持有 Google AI Pro + Claude Pro + Github Copilot Pro.

网页 chat 聊天场景。Gemini 3 Pro 被 Claude Opus 4.6 秒杀。Gemini APP 如果开了记忆功能，那么在聊天时非常喜欢乱关联其他会话的记忆；用户体验较差，比如很难分清楚哪些信息是从网络搜来的、哪些是模型自己的知识；如果聊深入一点的话题，Gemini 喜欢给空泛/顺着场景说的回复，我有时候同时开两个窗口，Opus 给的回复明显要更加逻辑清晰&直击要害. Gemini 的深度研究功能我以前挺喜欢用，但后来发现还是容易出现顺着场景说的情况。（参考 @daliusu #18 ）

Vibe Coding 场景。Gemini CLI/Antigravity 被 Claude Code/Copilot 秒杀。有一次我指挥 Opus 写好了方案/接口设计/单元测试，让 Gemini CLI + 3.1 Pro 实现代码，结果 Gemini 写出了“能通过单元测试但完全无法工作”的代码，比国产模型表现还差。Antigravity 也容易让我用得脑溢血，产品体验&模型都不行，虽然里面有 Opus 模型可以用但额度少得可怜。换成 Claude Code + Copilot(主力 GPT5.4-xhigh ）我感觉被救赎了。

Agent 场景。Gemini 3.1 的 Agent 能力简直一坨 shit ，Google 甚至得专门出一个 gemini-3.1-pro-preview-customtools 来优化工具使用，我自己的 langchain Agent 表现不好就算了，就算是搭配 Gemini CLI 这种官方的 Agent 也是一团糟，注意力乱飞。相比之下 Opus 4.6 在我的 langchain Agent 和 Claude Code 里都表现得无可挑剔。

后续不打算续费 Google AI Pro 了。

感觉家庭关系挺融洽, 祝好运!

@kisstrnt pro 账号是自己付费的吗? 每月 200 刀还能被封号啊

刚刚阿里云的客服给的反馈：

```
您反馈的 GLM-5 在 CoPaw 中偶现忽略用户指令或工具调用输出异常的问题，我们已确认这是一个已知现象，主要由上下文污染或高负载下响应异常导致。

建议您采取以下措施：

清除当前会话记录并重启 CoPaw ，避免历史上下文干扰；
临时切换至 qwen3.5-plus 或 qwen3-coder-next 模型，这两个模型在 Coding Plan 中表现更稳定。
技术团队已在优化 GLM-5 的相关问题，后续将通过服务端更新逐步改善。感谢您的耐心与反馈。
``

我遇到了相同的问题。
我还碰到的情况是 AI 无视用户的指令，按上一轮的对话继续。甚至还有更离谱的，用户说了一句话，AI 给人的反应像是只看到前几个字。
这些问题在火山的 coding plan 上很少碰到。

HONGMACC-6C4FFA2C
感谢~

美团在即时领域的运费成本控制确实挺有优势的，京东在这方面还有很长的路要走😂

尊重他人命运，放下助人情结

核心目标
两年内，30 岁前，达到月薪 4w ，年薪 50w 以上

我比较好奇的是 OP 为什么会给自己立下这个目标. 家人的要求, 还是个人的焦虑? 达到这个薪资能让自己过得更好吗? 达不到这个薪资会掉入地狱吗?

能拿到多少薪资, 很大程度上是市场环境、公司盈利情况、人力预算等等个人不可控的因素决定的. 最怕的就是盯着自己无法掌控的事情痛苦, 然后动作变形, 导致糟糕的结果.

@jacketma #7 隆基绿能用 5 年的时间从 60 跌到 18 ，万科 A 用 5 年的时间从 30 跌到 5 ，快手用 5 年的时间从 400 跌到 70 ，怎么分辨是“价格洼地”还是“价格陷阱”呢？

另外，llm 打分+向量数据库的方案疑似有点太简陋了。
既然是为用户服务的，llm 的打分就需要和用户（不停变化的）偏好对齐，不然用户想看的是低分、不想看的打高分，那就玩不转了。
向量数据库也只能解决最基本的相关性问题，现实世界要复杂的多，要想做的好的话需要考虑图数据库，包括实体（时间/地点/人物/事件）、实体属性、实体之间的关联，不然就永远只见树木不见森林，没法形成一个好的内容框架。

我对推荐算法了解不多，但看到的观点更多是：基于 LLM 的生成式推荐在顶尖团队手里确实能发挥很大价值，但也有不少局限。中小公司因为数据/技术能力有限，最好不要轻易尝试。

[生成式推荐！推荐系统新范式还是新噱头？ - 知乎]( https://zhuanlan.zhihu.com/p/1931701983313630556)
[[笔记] 从 Tokenization 视角看生成式推荐（ GR ）近几年的发展（ 2025 ）]( https://arthurchiao.art/blog/large-generative-recommendation-tokenization-perspective-notes-zh/)

回到 OP 这个帖子，给我一种强烈的大炮打蚊子的感觉……

非常棒的思路, 用录制来替代 AI 操作页面元素, 解决了效率和可控性问题.

当然从长期来看, 我觉得端到端才是唯一答案, 录制没法解决泛化性的问题.