Lenny 公开 350+ 份新闻通讯数据集：如何使用 MCP 将其与您的 AI 助手集成
TL;DR 核心要点
- Lenny Rachitsky 将其 350 多篇 Newsletter 文章和 300 多份播客文字稿以 AI 友好的 Markdown 格式开放。免费用户可访问部分内容，付费用户可获取完整合集。
- 该数据集附带 MCP 服务器和 GitHub 仓库，可直接与 Claude Code、Cursor 等 AI 工具集成。
- 社区已基于此数据构建了 50 多个创意项目，包括 RPG 游戏、育儿网站和 Twitter 机器人。
- 本文将提供从数据获取到 MCP 集成的完整指南，以及 5 大类创意应用场景。
110 万订阅者背后的 Newsletter 数据集，现已向所有人开放
你可能听说过 Lenny Rachitsky 这个名字。这位前 Airbnb 产品负责人于 2019 年开始撰写他的 Newsletter，现在拥有超过 110 万订阅者，年收入超过 200 万美元，使其成为 Substack 上排名第一的商业 Newsletter 1。他的播客也位列科技类播客前十名，嘉宾包括硅谷顶尖的产品经理、增长专家和创业者。
2026 年 3 月 17 日，Lenny 做了一件前所未有的事：他将自己所有的内容资产作为 AI 可读的 Markdown 数据集开放。凭借 350 多篇深度 Newsletter 文章、300 多份完整的播客文字稿、一个配套的 MCP 服务器和一个 GitHub 仓库，现在任何人都可以使用这些数据构建 AI 应用程序 2。
本文将涵盖该数据集的完整内容、如何通过 MCP 服务器将其集成到你的 AI 工具中、社区已构建的 50 多个创意项目，以及你如何利用这些数据创建自己的 AI 知识助手。本文适用于内容创作者、Newsletter 作者、AI 应用开发者和知识管理爱好者。
Lenny 的数据集包含什么：顶级产品知识的完整档案
这并非简单的“内容搬运”。Lenny 的数据集经过精心组织，专为 AI 消费场景设计。
在数据规模方面，免费用户可以访问包含 10 篇 Newsletter 文章和 50 份播客文字稿的入门包，并通过 LennysData.com 连接到入门级 MCP 服务器。而付费订阅者则可以访问完整的 349 篇 Newsletter 文章和 289 份播客文字稿，以及完整的 MCP 访问权限和一个私有 GitHub 仓库 3。
在数据格式方面，所有文件均为纯 Markdown 格式，可直接用于 Claude Code、Cursor 和其他 AI 工具。仓库中的 index.json 文件包含结构化元数据，如标题、发布日期、字数、Newsletter 副标题、播客嘉宾信息和剧集描述。值得注意的是，最近 3 个月内发布的 Newsletter 文章不包含在数据集中。
在内容质量方面，这些数据涵盖了产品管理、用户增长、创业策略和职业发展等核心领域。播客嘉宾包括 Airbnb、Figma、Notion、Stripe 和 Duolingo 等公司的高管和创始人。这并非随机抓取的网络内容，而是经过 7 年积累并由 110 万人验证的高质量知识库。
为什么这很重要：内容创作者的数据觉醒
全球 AI 训练数据集市场在 2025 年达到 35.9 亿美元，预计到 2034 年将增长到 231.8 亿美元，复合年增长率为 22.9% 4。在这个数据即燃料的时代，高质量、小众的内容数据变得极其稀缺。
Lenny 的做法代表了一种新的创作者经济模式。传统上，Newsletter 作者通过付费墙来保护内容价值。然而，Lenny 却反其道而行之：他将内容作为“数据资产”开放，允许社区在其之上构建新的价值层。这不仅没有减少他的付费订阅（事实上，数据集的传播吸引了更多关注），反而围绕他的内容创建了一个开发者生态系统。
与其他内容创作者的做法相比，这种“内容即 API”的方法几乎是前所未有的。正如 Lenny 自己所说：“我认为以前没有人做过这样的事情。” 2 这种模式的核心洞察是：当你的内容足够好，数据结构足够清晰时，社区会帮助你创造出你从未想象过的价值。
想象一下这个场景：你是一位产品经理，正在准备一份关于用户增长策略的演示文稿。你无需花费数小时筛选 Lenny 的历史文章，而是可以直接要求 AI 助手从 300 多个播客节目中检索所有关于“增长循环”的讨论，并自动生成一份包含具体示例和数据的摘要。这就是结构化数据集带来的效率飞跃。
三步集成：从数据获取到 MCP 服务器连接
将 Lenny 的数据集集成到你的 AI 工作流程中并不复杂。以下是具体步骤。
第一步：获取数据
访问 LennysData.com 并输入你的订阅邮箱以获取登录链接。免费用户可以下载入门包 ZIP 文件或直接克隆公共 GitHub 仓库：
``plaintext
git clone https://github.com/LennysNewsletter/lennys-newsletterpodcastdata.git
``
付费用户可以登录以访问包含完整数据集的私有仓库。
第二步：连接到 MCP 服务器
MCP (Model Context Protocol) 是 Anthropic 推出的一种开放标准，允许 AI 模型以标准化方式访问外部数据源。Lenny 的数据集提供了官方 MCP 服务器，你可以直接在 Claude Code 或其他支持 MCP 的客户端中进行配置。免费用户可以使用入门级 MCP，而付费用户则可以获得完整数据的 MCP 访问权限。
配置完成后，你可以在 AI 对话中直接搜索和引用 Lenny 的所有内容。例如，你可以提问：“在 Lenny 的播客嘉宾中，谁讨论了 PLG (Product-Led Growth) 策略？他们的核心见解是什么？”
第三步：选择你的构建工具
获取数据后，你可以根据自己的需求选择不同的构建路径。如果你是开发者，可以使用 Claude Code 或 Cursor 直接基于 Markdown 文件构建应用程序。如果你更倾向于知识管理，可以将这些内容导入到你偏好的知识库工具中。
例如，你可以在 YouMind 中创建一个专门的 项目，并将 Lenny 的 Newsletter 文章链接批量保存到其中。YouMind 的 AI 将自动组织这些内容，你可以随时提问、检索和分析整个知识库。这种方法特别适合不编码但希望通过 AI 高效消化大量内容的创作者和知识工作者。
需要注意一个常见的误解：不要试图一次性将所有数据倾倒到一个 AI 聊天窗口中。更好的方法是按主题分批处理，或者让 AI 通过 MCP 服务器按需检索。
社区已构建了什么：50 多个创意项目案例研究
Lenny 之前只发布了播客文字稿数据，社区就已经构建了 50 多个项目。以下是最具代表性的 5 类应用。
游戏化学习：LennyRPG。 产品设计师 Ben Shih 将 300 多个播客文字稿转化为 Pokémon 风格的 RPG 游戏 LennyRPG。玩家在像素世界中遇到播客嘉宾，通过回答产品管理问题来“战斗”和“捕获”他们。Ben 使用 Phaser 游戏框架、Claude Code 和 OpenAI API，在短短几周内完成了从概念到发布的整个开发过程 2。
跨领域知识迁移：Tiny Stakeholders。 由 Ondrej Machart 开发的 Tiny Stakeholders 将播客中的产品管理方法论应用于育儿场景。这个项目展示了高质量内容数据的一个有趣特性：好的框架和思维模型可以跨领域迁移。
结构化知识提取：Lenny Skills Database。 Refound AI 团队从播客档案中提取了 86 项可操作的技能，每项技能都附有具体的上下文和来源引用 5。他们使用 Claude 进行预处理，并使用 ChromaDB 进行向量嵌入，使整个过程高度自动化。
社交媒体 AI Agent：Learn from Lenny。 @learnfromlenny 是一个运行在 X (Twitter) 上的 AI Agent，它根据播客档案回答用户的产品管理问题，每次回复都包含原始来源。
视觉内容再创作：Lenny Gallery。 Lenny Gallery 将每个播客剧集的核心见解转化为精美的图表，将一个小时的播客变成可分享的视觉摘要。
这些项目的共同特点是它们并非简单的“内容搬运”，而是在原始数据的基础上创造了新的价值形式。
工具对比：如何选择你的 Newsletter 数据管理方案
面对像 Lenny 这样的大规模内容数据集，不同的工具适用于不同的用例。以下是主流解决方案的对比：
工具 | 最佳用例 | 免费版本 | 核心优势 |
|---|---|---|---|
非技术用户的 AI 知识管理 | ✅ | 多源导入 (URL/PDF/播客) + AI 问答，支持 项目 发布和分享 | |
开发者直接用代码构建应用 | ✅ (有额度限制) | 原生 MCP 支持，强大的代码生成能力 | |
开发者在 IDE 内集成 AI | ✅ (有额度限制) | 原生 Markdown 文件支持，适合大型项目 | |
单次会话研究和文档问答 | ✅ | Google 生态集成，音频概览功能 | |
阅读高亮和笔记管理 | ❌ | 强大的高亮和批注系统 |
如果你是开发者，Claude Code + MCP 服务器是最直接的路径，允许在对话中实时查询完整数据。如果你是内容创作者或知识工作者，不希望编码但希望通过 AI 消化这些内容，YouMind 的 项目 功能更适合：你可以批量导入文章链接，然后使用 AI 提问和分析整个知识库。YouMind 目前更适合“收集 → 整理 → AI 问答”的知识管理场景，但尚不支持直接连接外部 MCP 服务器。对于需要深度代码开发的项目，仍然推荐 Claude Code 或 Cursor。
常见问题
问：Lenny 的数据集是完全免费的吗？
答：不完全是。免费用户可以访问包含 10 篇 Newsletter 和 50 份播客文字稿的入门包，以及入门级 MCP 访问权限。完整的 349 篇文章和 289 份文字稿需要付费订阅 Lenny 的 Newsletter（每年约 150 美元）。最近 3 个月内发布的文章不包含在数据集中。
问：什么是 MCP 服务器？普通用户可以使用吗？
答：MCP (Model Context Protocol) 是 Anthropic 在 2024 年底推出的一种开放标准，允许 AI 模型以标准化方式访问外部数据。它目前主要通过 Claude Code 和 Cursor 等开发工具使用。如果普通用户不熟悉命令行，可以先下载 Markdown 文件并导入到 YouMind 等知识管理工具中，以使用 AI 问答功能。
问：我可以使用这些数据训练自己的 AI 模型吗？
答：数据集的使用受 LICENSE.md 文件的约束。目前，这些数据主要用于 AI 工具中的上下文检索（例如 RAG），而不是直接用于模型微调。建议在使用前仔细阅读 GitHub 仓库中的许可协议。
问：除了 Lenny，还有其他 Newsletter 作者发布过类似的数据集吗？
答：目前，Lenny 是第一位以如此系统的方式（Markdown + MCP + GitHub）开放完整内容的头部 Newsletter 作者。这种做法在创作者经济中是前所未有的，但可能会激励更多创作者效仿。
问：创作挑战的截止日期是什么时候？
答：Lenny 发起的创作挑战截止日期是 2025 年 4 月 15 日。参与者需要基于数据集构建项目，并在 Newsletter 评论区提交链接。获胜者将获得一年免费的 Newsletter 订阅。
总结
Lenny Rachitsky 发布 350 多篇 Newsletter 文章和 300 多份播客文字稿数据集，标志着内容创作者经济的一个重要转折点：高质量内容不再仅仅是供阅读的，它正在成为可编程的数据资产。通过 MCP 服务器和结构化的 Markdown 格式，任何开发者和创作者都可以将这些知识集成到他们的 AI 工作流程中。社区已经通过 50 多个项目展示了这种模式的巨大潜力。
无论你是想构建一个 AI 驱动的知识助手，还是更高效地消化和组织 Newsletter 内容，现在都是一个很好的行动时机。你可以访问 LennysData.com 获取数据，或者尝试使用 YouMind 将你关注的 Newsletter 和播客内容导入到你的个人知识库中，让 AI 帮助你完成从信息收集到知识创造的整个闭环。
参考文献
[2] 我如何构建 LennyRPG
[3] Lenny 的 Newsletter 和播客数据 GitHub 仓库
[6] Lenny Rachitsky 付费 Newsletter 深度分析
[7] 什么是 MCP：简单介绍
对这篇文章有疑问？
免费使用 AI 提问相关文章
Grok Imagine 视频生成评测：三冠王实力对决五大模型对比
2026 年 1 月，xAI 的 在一个月内生成了 12.45 亿个视频。这个数字在一年前是不可想象的，当时 xAI 甚至还没有视频产品。从零到巅峰，Grok Imagine 仅用了七个月就实现了这一目标。 更值得注意的是排行榜数据。在 Arcada Labs 运营的 视频评测中，Grok Imagine 斩获三项第一：视频生成竞技场 Elo 1337（领先第二名模型 33 分），图像转视频竞技场 Elo 1298（击败 Google Veo 3.1、Kling 和 Sora），以及视频编辑竞技场 Elo 1291。没有其他模型能同时在所有这三个类别中名列前茅。 本文适用于正在选择 AI 视频生成工具的创作者、营销团队和独立开发者。你将找到 Grok Imagine、Google Veo 3.1、Kling 3.0、Sora 2 和 Seedance 2.0 这五大主流模型的全面交叉对比，包括定价、核心功能、优缺点和场景推荐。 DesignArena 采用 Elo 评分系统，用户通过匿名盲测在两个模型的输出之间进行投票。这种机制与评估大型语言模型的 LMArena（前身为 LMSYS Chatbot Arena）一致，被业界认为是与实际用户偏好最接近的排名方法。 Grok Imagine 的三个 Elo 分数代表了不同的能力维度。视频生成 Elo 1337 衡量的是直接从文本提示生成视频的质量；图像转视频 Elo 1298 测试的是将静态图像转换为动态视频的能力；视频编辑 Elo 1291 则评估在现有视频上进行风格迁移、添加/删除元素以及其他操作的性能。 这三种能力的结合形成了一个完整的视频创作闭环。对于实际工作流程而言，你不仅需要“生成一个好看的视频”，还需要快速从产品图片中创建广告素材（图像转视频），并在不从头开始的情况下微调生成结果（视频编辑）。Grok Imagine 是目前唯一在这三个阶段都排名第一的模型。 值得注意的是，Kling 3.0 在一些独立的基准测试中重新获得了文本转视频类别的领先地位。 AI 视频生成排名每周都在变化，但 Grok Imagine 在图像转视频和视频编辑类别中的优势目前依然稳固。 以下是截至 2026 年 3 月，五大主流 AI 视频生成模型的核心参数对比。数据来源于官方平台定价页面和第三方评测。 核心功能： 文本转视频、图像转视频、视频编辑、视频扩展（Extend from Frame）、多宽高比支持（1:1, 16:9, 9:16, 4:3, 3:4, 3:2, 2:3）。基于 xAI 自研的 Aurora 自回归引擎，使用 110,000 块 NVIDIA GB200 GPU 训练。 定价结构： 免费用户有基本配额限制；X Premium（8 美元/月）提供基本访问权限；SuperGrok（30 美元/月）解锁 720p 和 10 秒视频，每日约 100 个视频的限制；SuperGrok Heavy（300 美元/月）每日限制 500 个视频。API 定价为 4.20 美元/分钟。 优点： 生成速度极快，输入提示后几乎瞬间返回图像流，并可一键将每张图像转换为视频。视频编辑能力是其独特卖点：你可以使用自然语言指令在现有视频上进行风格迁移、添加或删除物体以及控制运动路径，而无需重新生成。支持的宽高比最多，适合同时制作横版、竖版和方形素材。 缺点： 最大分辨率仅为 720p，对于需要高清交付的品牌项目来说是一个显著的缺点。视频编辑输入上限为 8.7 秒。多次链式扩展后图像质量明显下降。内容审核政策备受争议，“Spicy Mode”曾引起国际关注。 核心功能： 文本转视频、图像转视频、首尾帧控制、视频扩展、原生音频（对话、音效、背景音乐同步生成）。支持 720p、1080p 和 4K 输出。通过 Gemini API 和 Vertex AI 提供。 定价结构： Google AI Plus 7.99 美元/月 (Veo 3.1 Fast)，AI Pro 19.99 美元/月，AI Ultra 249.99 美元/月。Veo 3.1 Fast 的 API 定价为 0.15 美元/秒，Standard 为 0.40 美元/秒，均包含音频。 优点： 目前唯一支持真正原生 4K 输出的模型（通过 Vertex AI）。音频生成质量业界领先，对话自动唇形同步，音效与屏幕动作同步。首尾帧控制使得逐镜头工作流程更易管理，适合需要镜头连续性的叙事项目。Google Cloud 基础设施提供企业级 SLA。 缺点： 标准时长仅为 4/6/8 秒，远短于 Grok Imagine 和 Kling 3.0 的 15 秒上限。宽高比仅支持 16:9 和 9:16。Vertex AI 上的图像转视频功能仍处于预览阶段。4K 输出需要高级订阅或 API 访问，普通用户难以触及。 核心功能： 文本转视频、图像转视频、多镜头叙事（一次性生成 2-6 个镜头）、通用参考（支持多达 7 张参考图像/视频以锁定角色一致性）、原生音频、唇形同步。由快手开发。 定价结构： 免费层级每日提供 66 积分（约 1-2 个 720p 视频），Standard 5.99 美元/月，Pro 37 美元/月（3000 积分，约 50 个 1080p 视频），Ultra 更高。API 每秒价格为 0.029 美元，是五大模型中最便宜的。 优点： 性价比无与伦比。Pro 套餐每个视频成本约为 0.74 美元，远低于其他模型。多镜头叙事是杀手级功能：你可以在结构化提示中描述多个镜头的主题、时长和运镜，模型会自动处理镜头间的转场和剪辑。支持原生 4K 输出。文本渲染能力是所有模型中最强的，适合电商和营销场景。 缺点： 免费层级有水印，不能用于商业用途。高峰时段排队时间可能超过 30 分钟。生成失败仍会消耗积分。与 Grok Imagine 相比，缺乏视频编辑功能（只能生成，不能修改现有视频）。 核心功能： 文本转视频、图像转视频、故事板镜头编辑、视频扩展、角色一致性引擎。Sora 1 已于 2026 年 3 月 13 日正式退役，Sora 2 成为唯一版本。 定价结构： 免费层级已于 2026 年 1 月停止。ChatGPT Plus 20 美元/月（有限配额），ChatGPT Pro 200 美元/月（优先访问）。API 定价：720p 0.10 美元/秒，1080p 0.30-0.70 美元/秒。 优点： 物理模拟能力是所有模型中最强的。重力、流体、材质反射等细节极其逼真，适合高度写实的场景。支持长达 60 秒的视频生成，远超其他模型。故事板功能允许逐帧编辑，赋予创作者精确的控制力。 缺点： 价格门槛是五大模型中最高的。200 美元/月的 Pro 订阅让个人创作者望而却步。服务稳定性问题频发：2026 年 3 月曾多次出现视频卡在 99% 完成度、“服务器过载”等错误。没有免费层级意味着无法在付费前充分评估。 核心功能： 文本转视频、图像转视频、多模态参考输入（最多 12 个文件，涵盖文本、图像、视频、音频）、原生音频（音效 + 音乐 + 8 种语言唇形同步）、原生 2K 分辨率。由字节跳动开发，于 2026 年 2 月 12 日发布。 定价结构： Dreamina 免费层级（每日免费积分，带水印），即梦基础会员 69 元人民币/月（约 9.60 美元），Dreamina 国际付费计划。API 通过 BytePlus 提供，定价约为 0.02-0.05 美元/秒。 优点： 12 个文件的多模态输入是独家功能。你可以同时上传角色参考图、场景照片、动作视频片段和背景音乐，模型会综合所有参考生成视频。这种程度的创作控制力在其他模型中完全缺失。原生 2K 分辨率对所有用户可用（不像 Veo 3.1 的 4K 需要高级订阅）。69 元人民币/月的入门价格是 Sora 2 Pro 的二十分之一。 缺点： 中国以外的访问体验仍有摩擦，Dreamina 国际版直到 2026 年 2 月下旬才上线。内容审核相对严格。学习曲线相对陡峭，充分利用多模态输入需要时间探索。最大时长为 10 秒，短于 Grok Imagine 和 Kling 3.0 的 15 秒。 选择 AI 视频生成模型的核心问题不是“哪个最好”，而是“你在优化哪个工作流程？” 以下是基于实际场景的推荐： 批量制作社交媒体短视频：选择 Grok Imagine 或 Kling 3.0。 你需要快速产出各种宽高比的素材，频繁迭代，且对分辨率要求不高。Grok Imagine 的“生成 → 编辑 → 发布”闭环最流畅；Kling 3.0 的免费层级和低成本适合预算有限的个人创作者。 品牌广告和产品宣传片：选择 Veo 3.1。 当客户要求 4K 交付、音视频同步和镜头连续性时，Veo 3.1 的首尾帧控制和原生音频是不可替代的。Google Cloud 的企业级支持也使其更适合有合规要求的商业项目。 电商产品视频和带文字素材：选择 Kling 3.0。 文字渲染能力是 Kling 的独特优势。产品名称、价格标签、宣传文案可以在视频中清晰呈现，这是其他模型难以持续做到的。0.029 美元/秒的 API 价格也使得大规模生产成为可能。 电影级概念预览和物理模拟：选择 Sora 2。 如果你的场景涉及复杂的物理交互（水面反射、布料动力学、碰撞效果），Sora 2 的物理引擎仍然是行业标准。60 秒的最大时长也适合完整的场景预览。但请准备好 200 美元/月的预算。 多素材参考的创意项目：选择 Seedance 2.0。 当你拥有角色设计图、场景参考、动作视频片段和背景音乐，并希望模型综合所有素材生成视频时，Seedance 2.0 的 12 文件多模态输入是唯一的选择。适合动画工作室、音乐视频制作和概念艺术团队。 无论你选择哪个模型，提示词质量直接决定输出质量。Grok Imagine 的官方建议是“像给摄影指导写剧本一样写提示词”，而不是简单堆砌关键词。 一个有效的视频提示词通常包含五个层面：场景描述、主体动作、运镜、光线与氛围、风格参考。 例如，“桌上的一只猫”和“一只橙色的猫慵懒地从木质餐桌边缘探出头，暖色侧光，浅景深，缓慢推近镜头，电影颗粒质感”会产生截然不同的结果。后者为模型提供了足够的创作锚点。 如果你想快速上手而不是从零摸索，收录了 400 多个社区精选视频提示词，涵盖电影级、产品广告、动画、社交内容等多种风格，支持一键复制，直接使用。这些经过社区验证的提示词模板可以显著缩短你的学习曲线。 问：Grok Imagine 视频生成免费吗？ 答：有免费配额，但非常有限。免费用户每 2 小时约有 10 次图像生成，视频需要从图像转换。完整的 720p/10 秒视频功能需要 SuperGrok 订阅（30 美元/月）。X Premium（8 美元/月）提供基本访问权限，但功能有限。 问：2026 年最便宜的 AI 视频生成工具是哪个？ 答：根据 API 每秒成本，Kling 3.0 最便宜（0.029 美元/秒）。根据订阅入门价格，Seedance 2.0 的即梦基础会员 69 元人民币/月（约 9.60 美元）性价比最高。两者都提供免费层级供评估。 问：Grok Imagine 和 Sora 2 哪个更好？ 答：这取决于你的需求。Grok Imagine 在图像转视频和视频编辑方面排名更高，生成速度更快，且更便宜（SuperGrok 30 美元/月 vs. ChatGPT Pro 200 美元/月）。Sora 2 在物理模拟和长视频（最长 60 秒）方面更强。如果你需要快速迭代短视频，选择 Grok Imagine；如果你需要电影级的真实感，选择 Sora 2。 问：AI 视频生成模型排名可靠吗？ 答：DesignArena 和 Artificial Analysis 等平台采用匿名盲测 + Elo 评分系统，类似于国际象棋的排名系统，在统计学上是可靠的。然而，排名每周都在变化，不同基准测试的结果可能有所不同。建议将排名作为参考而非唯一的决策依据，并根据你自己的实际测试做出判断。 问：哪个 AI 视频模型支持原生音频生成？ 答：截至 2026 年 3 月，Grok Imagine、Veo 3.1、Kling 3.0、Sora 2 和 Seedance 2.0 都支持原生音频生成。其中，Veo 3.1 的音频质量（对话唇形同步、环境音效）被多项评测认为是最好的。 2026 年，AI 视频生成进入了真正的多模型竞争时代。Grok Imagine 在七个月内从零到 DesignArena 三冠王的历程证明，新入局者可以完全颠覆格局。然而，“最强”不等于“最适合你”：Kling 3.0 的 0.029 美元/秒让批量生产成为现实，Veo 3.1 的 4K 原生音频为品牌项目树立了新标准，Seedance 2.0 的 12 文件多模态输入开辟了全新的创意途径。 选择模型的关键在于明确你的核心需求：无论是迭代速度、输出质量、成本控制还是创意灵活性。最高效的工作流程往往不是押宝单一模型，而是根据项目类型灵活组合使用。 想快速上手 Grok Imagine 视频生成？访问 ，获取 400 多个社区精选视频提示词，一键复制，涵盖电影级、广告、动画等多种风格，助你跳过提示词探索阶段，直接产出高质量视频。 [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19]
AI 吞噬软件：Naval 的推文引发万亿美元市场崩盘，创作者该何去何从？
2026 年 3 月 14 日，硅谷传奇投资人 Naval Ravikant 在 X 上发布了一条六字推文：“软件被 AI 吞噬了。” 埃隆·马斯克用一个词回复：“是的。” 这条推文获得了超过 1 亿次曝光。它之所以病毒式传播，并非因为其措辞华丽，而是因为它精准地颠覆了硅谷最经典的预言之一。2011 年，Marc Andreessen 在《华尔街日报》上撰写了《软件正在吞噬世界》，宣称软件将吞噬所有传统行业 。十五年后，Naval 用同样的措辞宣布：吞噬者本身已被吞噬。 本文面向内容创作者、知识工作者以及所有依赖软件工具进行创作和研究的人。你将理解这一转变的底层逻辑，以及 5 个可操作的适应策略。 要理解 Naval 声明的分量，我们首先需要了解“软件吞噬世界”那十五年间发生了什么。 Naval 推文发布后第二天，《福布斯》发表的一篇深度分析指出，SaaS 时代本质上是一个“分发故事”，而非“能力故事” 。Salesforce 并没有发明客户管理；它只是让你无需花费 50 万美元部署 Oracle 就能管理客户。Slack 并没有发明团队沟通；它只是让沟通更快、更可搜索。Shopify 并没有发明零售；它只是消除了实体店面和支付终端的障碍。 每个 SaaS 赢家的模式都一样：识别一个门槛高的工作流程，并将其打包成按月订阅。创新发生在分发层；底层任务保持不变。 AI 所做的事情则完全不同。它不是让任务更便宜；它正在取代任务本身。每月 20 美元的通用 AI 订阅可以起草合同、进行竞品分析、生成销售邮件序列并构建财务模型。此时，一家公司为什么还要为相同产出支付每人每月 200 美元的 SaaS 订阅费呢？正如分析师 David Cyrus 所说，这“已经在市场边缘发生” 。 数据已经证实了这一评估。2026 年的前六周，标普 500 软件与服务指数市值蒸发近 1 万亿美元 。摩根士丹利的软件分析报告指出 SaaS 估值倍数下降了 33%，并提出了“软件三重威胁”：公司自建软件（vibe coding）、AI 模型取代传统应用，以及 AI 驱动的裁员机械地减少软件席位 。 “SaaSpocalypse”一词由 Jefferies 交易员创造，用于描述 2026 年 2 月初开始的企业软件股票大规模崩盘 。 导火索是 Palantir 首席执行官 Alex Karp 在财报电话会议上的一句话：AI 在编写和管理企业软件方面已经足够强大，足以让许多 SaaS 公司变得无关紧要。这一声明直接导致了一波抛售，微软、Salesforce 和 ServiceNow 总共损失了 3000 亿美元市值 。 更值得注意的是微软首席执行官萨蒂亚·纳德拉的态度。在一次播客中，他承认商业应用在 Agent 时代可能会“崩溃” 。当一家三万亿美元公司的首席执行官公开承认其自身产品类别面临生存威胁时，这不是危言耸听；这是一个信号。 对于内容创作者来说，这种崩溃意味着什么？这意味着你所依赖的工具正在经历一次根本性的重新定价。每月单独为写作工具、SEO 工具、社交媒体管理工具和设计工具付费的时代正在走向终结。取而代之的是，一个足够强大的 AI 平台可以同时完成所有这些任务。 Stack Overflow 2025 年的开发者调查显示，84% 的开发者已经在使用 AI 工具 。而内容创作领域的数据则更为激进：83% 的创作者已在工作流程中使用 AI，其中 38.7% 已完全集成 。 既然你已经理解了这一趋势，那么关键问题是：你应该怎么做？这里有 5 个可操作的策略。 大多数创作者的信息来源是碎片化的：在这里读一篇文章，在那里听一个播客，书签里保存着数百个链接。AI 时代的核心竞争力不是“大量消费”，而是“良好整合”。 具体做法：选择一个能够统一各种信息来源的工具，将网页、PDF、视频、播客和推文全部汇集到一个地方。例如，使用 的项目功能，你可以将 Naval 的推文、《福布斯》的分析、摩根士丹利的研究报告以及相关的播客都保存到同一个知识空间。然后，你可以直接向这些材料提问：“这些来源的核心分歧是什么？”“哪些数据点支持我文章的论点？”这比在十个浏览器标签页之间来回切换效率高出十倍。 谷歌搜索给你十个蓝色链接。AI 研究给你结构化的答案。区别在于：前者需要你花两小时阅读和整理，而后者在两分钟内给你一个即用型分析框架。 具体做法：在开始任何创作项目之前，先用 AI 进行一轮深度研究。不要只问“AI 对软件行业有什么影响？”相反，要问“2026 年 SaaS 市值崩溃的三个核心驱动因素是什么？每个因素有哪些数据支持？反驳论点是什么？”问题越具体，AI 提供的答案就越有价值。 这是最关键的一步。大多数创作者将 AI 视为“写作助手”，只在最后一步（创作）使用它。效率的真正飞跃来自于将 AI 嵌入到整个循环中：在学习阶段使用 AI 整理和消化信息，在思考阶段使用 AI 进行比较分析和逻辑验证，在创作阶段使用 AI 加速产出。 的设计理念就体现了这一循环。它不仅仅是一个写作工具或笔记工具，而是一个集成学习、思考和创作整个过程的集成创作环境（ICE）。你可以在一个项目里进行研究，将研究材料转化为播客节目，通过 Audio Pod“听学”，然后直接在 Craft 编辑器中根据这些材料创作内容。然而，需要注意的是，YouMind 目前最适合需要整合多样化信息源进行深度创作的场景。如果你只是需要快速发布一条社交媒体更新，一个轻量级工具可能更合适。 Buffer 的一项分析说得很好：大多数创作者只需要 3 到 5 个工具来解决特定的瓶颈；超过这个数量通常只会增加复杂性而不会增加价值 。 具体做法：审计你当前的工具栈。列出所有你每月付费的 SaaS 订阅，并问自己两个问题：AI 能否直接执行这个工具的核心功能？如果能，我是否还需要为它的“包装”付费？你可能会发现，在砍掉一半订阅后，你的生产力反而提高了。 最后一个也是最容易被忽视的策略。AI 最大的价值不是帮助你写文章（尽管它能做到），而是帮助你清晰思考。使用 AI 挑战你的论点，找出你的逻辑漏洞，并提供你未曾考虑过的反驳论点。这是 AI 对创作者最深层的价值。 市面上的 AI 创作工具众多，但定位差异很大。以下是针对内容创作者“学习 → 研究 → 创作”循环的对比： 选择工具的关键不是“哪个最强”，而是“哪个最符合你的工作流程瓶颈”。如果你的痛点是信息碎片化和研究效率低下，那么优先选择能整合多样化来源的工具。如果你的痛点是团队协作，那么 Notion 可能更适合。 问：AI 真的会取代所有软件吗？ 答：不会。拥有专有数据护城河的软件（如彭博终端 40 年的金融数据）、合规基础设施（如医疗领域的 Epic）以及深度嵌入企业技术栈的系统级软件（如 Salesforce 拥有 3000 多个应用的生态系统）仍然拥有强大的护城河。主要被取代的目标是中间层的通用 SaaS 工具。 问：内容创作者需要学习编程吗？ 答：无需成为程序员，但你需要理解“AI 工作流”的逻辑。核心技能是：清晰描述你的需求（提示工程）、有效组织信息来源，以及判断 AI 输出的质量。这些技能比编写代码更重要。 问：SaaSpocalypse 会持续多久？ 答：摩根士丹利和 a16z 之间存在分歧。悲观主义者认为，中端 SaaS 公司在未来 3 到 5 年内将受到显著压缩。乐观主义者（如 a16z 的 Steven Sinofsky）认为 AI 将创造更多软件需求，而不是减少 。从历史上看，杰文斯悖论（资源越便宜，整体消耗越多）支持乐观主义者，但这次 AI 正在取代任务本身，所以机制确实不同。 问：普通创作者如何判断一个 AI 工具是否值得付费？ 答：问自己三个问题：它是否解决了我的工作流程中最耗时的部分？它的核心功能能否被免费的通用 AI（如免费版 ChatGPT）取代？它能否随着我不断增长的需求进行扩展？如果答案分别是“是、否、是”，那么它就值得付费。 问：Naval 的“AI 吞噬软件”论点有什么反驳意见吗？ 答：有。汇丰银行分析师 Stephen Bersey 发表了一份题为《软件将吞噬 AI》的报告，认为软件将吸收 AI 而非被其取代，并且软件是 AI 的载体 。《商业内幕》也发表了一篇文章指出，公司自建软件的失败率极高，SaaS 供应商的护城河被低估了 。真相可能介于两者之间。 Naval 的六个字揭示了当前正在发生的结构性转变：AI 并非辅助软件；它正在取代软件所执行的任务。万亿美元市值的蒸发并非恐慌，而是市场对这一现实的重新定价。 对于内容创作者来说，这是过去十年最大的机会窗口。当创作所需的工具成本趋近于零时，竞争的焦点将从“谁能负担得起更好的工具”转向“谁能更高效地整合信息、更深入地思考、更快地输出有价值的内容”。 立即行动起来：审计你的工具栈，削减冗余订阅，选择一个能连接“学习 → 研究 → 创作”整个过程的 AI 平台，并将节省下来的时间投入到真正重要的事情上。你独特的视角、深度思考和真实体验是 AI 无法取代的护城河。 免费体验 ，将你的碎片化信息转化为创作燃料。 [1] [2] [3] [4] [5] [6] [7] [8] [9] [10]
学习 OpenClaw 的最佳方式
昨晚我发了一条推文，内容是：我——一个零编程背景的人文学科出身者——如何在一天之内从对 OpenClaw 一无所知到成功安装并基本掌握它，我还附上了一张“8 步从零到英雄路线图”的图表。 发布在我的另一个 X 账号 上（面向中国 AI 社区） 今早醒来，这条帖子获得了超过 10 万的曝光量，新增了 1000 多名粉丝。 我不是来炫耀这些数字的。但它们让我意识到一件事：那条帖子、那张插图以及你现在正在阅读的这篇文章，都始于同一个行动——学习 OpenClaw。 然而，这 10 万曝光量并非来自学习 OpenClaw。它们来自发布 OpenClaw 相关内容。 所以，本文将向你展示你可以用来同时实现这两点的终极工具和方法。 如果你对 OpenClaw 足够好奇并尝试使用它，你很可能是一个 AI 爱好者。而且在你内心深处，你可能已经在想：“一旦我搞懂了它，我想分享一些关于它的东西。” 你不是一个人。许多创作者正是通过这种趋势，从零开始建立了自己的账号。 所以，策略是： 正确学习 OpenClaw → 在学习过程中记录下来 → 将笔记转化为内容 → 发布出去。 你不仅会变得更聪明，还会拥有更多的受众。 技能和粉丝，两者兼得。 那么，你如何才能做到两者兼顾呢？ 让我们从前半部分开始：学习 OpenClaw 的正确方法是什么？ 没有任何博客文章、YouTube 视频或第三方课程能与 OpenClaw 的官方文档相媲美。它是最详细、最实用、最权威的资源。毋庸置疑。 OpenClaw 官方网站 但这些文档有 500 多页。其中许多是跨语言的重复翻译。有些是失效的 404 链接。还有一些内容几乎相同。这意味着其中有很大一部分你不需要阅读。 所以问题变成了：你如何自动剔除噪音——重复的、失效的页面、冗余的内容——并只提取值得学习的内容？ 我偶然发现了一种看似可靠的方法： 好主意。 但有一个问题：你首先需要一个可用的 OpenClaw 环境。这意味着 Python 3.10+、pip 安装、Playwright 浏览器自动化、Google OAuth 设置——然后运行 NotebookLM 技能来连接所有这些。 如果其中任何一个步骤出错，都可能耗费你半天时间。 对于那些目标是“我想了解 OpenClaw 到底是什么”的人来说——他们可能甚至还没有设置好 Claw，所有这些先决条件都是一个彻底的障碍。 你还没开始学习，就已经在调试依赖冲突了。 我们需要一条更简单的路径，能达到大致相同的结果。 同样的 500 多页文档。不同的方法。 我打开了 OpenClaw 文档的站点地图：。Ctrl+A。Ctrl+C。 在 YouMind 中打开一个新文档。Ctrl+V。 然后，你就得到了一个包含所有 OpenClaw 学习资源 URL 的页面。 将站点地图复制粘贴到 YouMind 中，作为可读的 Craft 页面。 然后在聊天中输入 @，包含该站点地图文档并说： 它做到了。近 200 个干净的 URL 页面，被提取并保存到我的 Board 中作为学习材料。整个过程不超过 2 分钟。 没有命令行。 没有环境设置。 没有 OAuth。 没有需要解析的错误日志。 一个自然语言指令。仅此而已。 我输入了简单的指令，YouMind 自动完成了所有工作。 然后我开始学习。我 @ 引用了这些材料（或者整个 Board——两种方式都行），然后问了我想问的任何问题： 问题是基于来源回答的，所以没有幻觉。 它根据刚刚清理过的官方文档进行了回答。我不懂的地方就追问。经过几轮这样的交流，我对基本原理有了扎实的掌握。 到目前为止，YouMind 和 NotebookLM 之间的学习体验大致相当（除了设置摩擦）。但真正的差距在你学习完成后才显现出来。 还记得我们一开始说的吗：你学习 OpenClaw 可能不是为了把知识束之高阁。你想要发布一些东西。一篇帖子。一个帖子串。一份指南。这意味着你的工具不能止步于学习，它需要引导你完成创作和发布。 这并不是对 NotebookLM 的批评。它是一个很棒的学习工具。但也就到此为止了。你的笔记就躺在 NotebookLM 里面。 想写一个 Twitter 帖子串？你得自己写。 想在另一个平台发布？切换工具。 想起草一份初学者指南？从头开始。 没有创作循环。 然而，在 YouMind 中，我学完之后，没有切换到任何其他工具。 在同一个聊天窗口中，我输入： 它写出了那个帖子串。就是那个获得了 10 万+ 曝光量的帖子。 我几乎没有编辑它——不是因为我懒，而是因为它已经符合我的语气。YouMind 观察了我提问的方式，看到了我的笔记，追踪了哪些地方让我困惑，哪些地方让我茅塞顿开。它提取并组织了我的实际经验。 然后我说： 它制作了一张。在同一个聊天窗口。 你现在正在阅读的这篇文章也是在 YouMind 中撰写的，甚至它的封面图片也是 YouMind 通过一个简单的指令制作的。 所有这些——学习、写作、图形、发布——都发生在一个地方。没有工具切换。无需向不同的 AI 重新解释上下文。 在其中学习。在其中写作。在其中设计。从其中发布。 NotebookLM 的终点是“你理解了”。YouMind 的终点是“你发布了”。 那篇 10 万+ 的帖子并非因为我是一个出色的作家而成功。它成功是因为我一学完就发布了。 没有摩擦。没有间隔。 如果我不得不重新格式化我的笔记，重新制作图形，并重新解释上下文，我就会对自己说“我明天再做”。 而明天永远不会到来。 每一次工具切换都是摩擦。每一个摩擦点都是你放弃的机会。消除一次切换，你就能提高内容实际发布的几率。 而发布——而非学习——才是你的知识开始产生真正价值的时刻。 -- 本文与 YouMind 共同创作
