我差点删掉的一个 AI 副业项目

AI模型价格对比 | AI工具导航 | ONNX模型库 | Vibe Coding教程 | PLC在线仿真器 | Tripo 3D | Meshy AI | ElevenLabs | KlingAI | ArtSpace | Phot.AI | InVideo

它始于一个周末的实验。六个月后，我每天都在使用它。

像许多开发者一样，我有一堆未完成的副项目坟墓。

文件夹的名字像这样：

ai-tool-v1
new-ai-tool
final-ai-tool
final-final-ai-tool
really-final-ai-tool

你懂的。

大多数副项目都悄无声息地死掉了。

一阵兴奋。

几个深夜的编码会话。

然后现实降临。

这个特定的项目也走向了同样的命运。

想法很简单：

构建一个AI系统，作为我开发工作的第二大脑。

没有什么革命性的。

只是一个让想法、代码片段、研究、bug修复、架构决策和项目笔记存放的地方。

起初，它感觉没有必要。

然后奇怪的事情发生了。

我开始使用它。

每天。

然后每天多次。

最终，它成了我工作流程中最有价值的工具之一。

不是因为它很智能。

因为它消除了摩擦。

而消除摩擦往往是最大生产力提升的来源。

1、大多数开发者都有记忆问题

我们喜欢认为自己擅长记忆技术信息。

其实不是。

至少我不是。

每周我都会发现自己已经在搜索我已经解决过的问题。

像这样的问题：

• 我是怎么修复那个Docker问题的？
• 我们用了哪个API端点？
• 那个有用的Python库是什么？
• 我们为什么选择这个架构？
• 那个SQL查询在哪里？

答案是存在的。

在某个地方。

通常埋在：

• Slack消息
• Notion页面
• GitHub issue
• 随机的文本文件
• 浏览器书签

信息没有丢失。

它只是不可访问。

这是一个非常不同的问题。

2、仅仅搜索是不够的

传统搜索在你知道你要找什么时有效。

问题是开发者通常不知道。

有时候我会搜索：

authentication problem

而我实际需要的是：

JWT refresh token issue
from February project

人类记忆是模糊的。

传统搜索期望精确。

AI出人意料地很好地弥合了这个差距。

3、第一个版本简陋得令人尴尬

第一个版本不过是：

Store notes
↓
Generate embeddings
↓
Search
↓
Retrieve results

就这样。

没有花哨的代理。

没有自主工作流。

没有复杂的架构。

核心实现看起来像这样：

from openai import OpenAI
from chromadb import Client

client = OpenAI()
db = Client()

def save_note(text):

    embedding = (
        client.embeddings.create(
            model="text-embedding-3-small",
            input=text
        )
        .data[0]
        .embedding
    )

    db.add(
        documents=[text],
        embeddings=[embedding]
    )

说实话？

它并不令人兴奋。

但它能用。

而能用的软件永远胜过令人兴奋的软件。

4、然后我添加了上下文检索

这是改变一切的功能。

系统不再只是查找笔记，而是可以自动收集相关信息。

例如：

我可以问：

How did we handle authentication
in the ecommerce project?

系统会检索：

• 架构笔记
• 实现细节
• 相关的代码片段
• 之前的bug报告
• 部署笔记

突然它感觉不那么像搜索了。

而更像有一个记忆力完美的队友。

5、真正的生产力提升来自于捕获一切

大多数生产力系统失败的原因是人们停止使用它们。

解决方案不是让检索更智能。

而是让存储更容易。

任何东西都可以保存：

• 会议笔记
• 架构决策
• 代码片段
• 文档
• 研究发现
• AI提示词
• 调试会话

信息越容易捕获，系统就越有价值。

因为知识会复利。

6、AI出人意料地擅长组织混乱

我没想到会喜欢的功能之一是自动分类。

每条新笔记都会自动接收标签。

例如：

Python
Automation
Backend
Database
Architecture
API Design

不需要手动组织。

系统逐渐自我组织起来。

这正是好的软件应该做的。

减少工作量，而不是创造更多工作量。

7、我开始构建专门的AI代理

一旦知识库存在，新的机会就出现了。

我没有使用一个助手，而是创建了几个专门的代理。

一个专注于：

Code Reviews

另一个处理：

Research Summaries

另一个专门做：

Architecture Recommendations

每个代理都访问同一个知识库。

这大大提高了输出质量，因为回复基于真实的项目历史。

而不是通用的互联网知识。

8、最有用的代理不是最聪明的那个

我最常使用的代理执行一个极其无聊的任务。

文档生成。

给定一个项目文件夹：

Project Files
       ↓
Code Analysis
       ↓
Feature Detection
       ↓
Documentation Draft
       ↓
README Creation

实现看起来像这样：

from pathlib import Path

def analyze_project(root):

    files = []

    for file in Path(root).rglob("*"):

        if file.is_file():

            files.append(
                file.read_text(
                    errors="ignore"
                )
            )

    return "\n".join(files)

简单。

但极其有用。

因为开发者很少喜欢写文档。

9、构建AI工作流改变了我对软件的思考方式

在AI之前，软件主要遵循规则。

输入。

处理。

输出。

现代系统不同了。

它们可以：

• 解释
• 分类
• 总结
• 优先排序
• 推荐

这创造了全新的设计可能性。

应用程序变得不那么程序化，更加自适应。

不是自主的。

是自适应的。

这是一个重要的区别。

10、最有价值的AI产品不是消费应用

这个认识花了我一段时间。

每个人都想构建下一个病毒式传播的AI产品。

与此同时，公司正在为以下系统支付真金白银：

• 处理文档
• 组织信息
• 自动化报告
• 分类请求
• 总结会议
• 监控竞争对手

这些问题不那么令人兴奋。

但它们也明显更有利可图。

无聊的问题往往隐藏着有价值的机会。

原文链接: The AI Side Project I Almost Deleted Became the Most Useful Tool on My Laptop

汇智网翻译整理，转载请标明出处