《灯下白》EP59 李术其

🎙️嘉宾｜李术其

猫工头，本名李术其，人力资源行业从业者，主导研发「杰伴」AI 人力资源与智能办公平台，中国人力资源协会创新创业大赛二等奖；同期主导「芯火」计划，获绍兴市人力资源服务业创业创新大赛创业组一等奖。获字节跳动豆包应用创作大赛铜奖、腾讯混元大模型攻防三等奖，具备企业级 AI 安全与落地调优经验。第二届 CCF 算法大会作主题报告，担任宁波人才发展集团「青年午校」AI 常驻讲师，并将 AI 智能体与知识库方案落地于多个政企单位、大型国企及职业院校。在 AIGC 视觉与传播领域，曾获深圳市人才服务中心全民创作大赛一等奖、阿里万相模型心跳大赛二等奖，作品入选北京 2025 AI 视听创作嘉年华展播。

上一期《灯下白》，我们聊了一个完全不会写代码的人，如何借助AI给几百人的人力资源公司搭业务系统。这一期继续聊猫工头身上另一项已经被朋友们反复催更的能力：薅AI羊毛。

但李术其所谓的“薅羊毛”，核心并不是单纯追求免费。他真正想解决的是一个生产问题：如果自己使用AI的方法就是大量试错，那么怎样把每一次试错的成本尽可能压低，让模型可以放开手脚去跑？

因此，他会主动寻找各家AI产品公开提供的免费额度、试用活动和低成本方案，也会让多个AI同时搜索不同信源，比较不同平台的价格和能力。什么时候坚持免费，什么时候应该付费，什么工具值得长期买会员，他也有一套自己的判断标准。

聊到后半段，你会发现他真正想“薅”的，其实不只是Token。

他连AI的记忆、上下文和工作过程，都想一起榨出来。

主持人：吴熳（微信rosiawu，欢迎添加加听友群）

在得到直播讲过AI应用，在WaytoAGI北京切磋分享，代表中国在英国大使馆文教处国际大会全英发言讲中国AI如何赋能英语教学，AI牛马库导航科普网站 ka21.org 主理人

本节目由人类与GPT共同策划，剪映处理音频中水词，千问处理剪辑时间轴，GPT撰写Shownotes，Banana Pro生成播客logo，即梦生成播客封面，Suno生成片头片尾音乐，同时由声湃和中关村科学城公司提供录音场地，由罗德麦克风提供录音设备。感谢中关村科学城的政策支持！
《灯下白》坚持100% Human，真人真聊真AI，对白坦白灯下白。

🪝本期故事

如果经常和猫工头在同一个群里，你很容易产生一种错觉，他好像拥有用不完的AI额度。别人做一张图会认真改提示词，他习惯先让AI出一批再说；别人拿到一个方案会慢慢琢磨，他更愿意让几个Agent分别跑一遍；别人担心某一次生成失败浪费Token，他的态度通常是继续跑，因为错误本身也能帮他确认下一步应该往哪里走。

于是问题来了，这么用AI，到底得花多少钱？

答案就是他为什么会如此执着于“薅羊毛”。

李术其真正开始大量使用AIGC是在2025年初。当时他的主要工作仍然和新媒体、营销相关，需要给自己公司以及制造业、服务业客户持续生产小红书、抖音、快手和公众号内容。传统拍摄需要摄影、场地、人员和时间，一天下来能够产出的素材有限，AI图片和视频很快就进入了他的真实交付流程。

也就是从那时候开始，他发现很多AI产品在早期都会提供相当可观的体验额度，有些按天送，有些按月送，有些工作流本身几乎没有额外成本，还有些产品会通过活动提供免费试用。对一个每天需要大量图片和视频的人来说，这些额度很快就从“福利”变成了真正的生产资料。

所以李术其会主动研究这些东西。一个原本长期免费的产品开始收费，他第一反应通常是先看看有没有其他方案能够继续完成同样的任务。如果有，就先换。如果确实找不到足够稳定的替代品，而且这个工具又能明显提高产出，他也会付费。

这也是这一期非常重要的一点。李术其并不排斥花钱，他甚至买过价格并不低的年度会员。真正决定他是否付费的，是这个工具能不能进入真实生产，以及单位产出成本到底划不划算。

如果一个团队每天只生成几张图片，一个几千元的会员可能很贵。可如果每天需要几百张甚至上千张图片，按照官方API单次调用成本去算，年度会员反而可能非常便宜。视频也是同样的逻辑。只要它能够稳定支撑交付，贵和便宜就必须放在使用量里重新计算。

所以猫工头真正追求的，是把每一次试错的边际成本尽可能压低。

这和他使用AI的方法直接相关。

很多人会先规划，希望第一次提示就尽可能接近正确答案。李术其很少这样。他会让AI先出一批结果，然后自己从结果里挑。图片没有想象中的效果，就换风格继续出。方案不确定，就同时交给几个Agent。一个AI给出的答案不放心，就让另外几个再查一遍。模型之间出现分歧时，再把几个结果重新放到一起比较。

他自己说得很直接，他愿意让AI“错一百次”。

只要错误的成本足够低，他就愿意用数量换概率。

这也是为什么吴熳听完以后，把这套方法概括成“暴力美学”，李术其自己的总结则更加简单：“大力出奇迹。”

这句话听起来像开玩笑，背后其实是一套很完整的生产逻辑。李术其清楚自己不一定比模型聪明，所以他希望把人的体力消耗降到最低，把大量枚举、试错、搜索和生成交给AI。人负责提出目标，判断结果，再决定下一步。

在他的理想状态里，人消耗一分体力，AI消耗九十九分。

而要维持这种工作方式，就必须拥有大量可以放心消耗的算力和Token。

所以当他突然需要一个成本很高的TTS服务时，他不会先打开十几个网站自己比。他会让多个AI去找，因为不同AI能够接触到的信息源不同。有的平台更擅长官方网页，有的平台覆盖社交内容更多，有的平台对海外信息更敏感，同一个需求交给多个AI之后，搜索半径会明显扩大。

他真正追求的是在尽可能低的新增加成本下完成任务。

这和上一期他反复强调的“我要结果”其实是一套方法。尽量不要替AI提前决定路径，而要把真实目标和真实约束说清楚。

除了AI搜索，他还有一个非常朴素的羊毛信息源，就是微信群。因为自己加入的群很多，他会直接在聊天记录里搜索“免费”“羊毛”之类的关键词。有人刚好分享了活动，就点进去看一下。对他来说，这个过程并没有想象中那么耗时，很多信息几分钟就可以判断值不值得继续研究。

当然，这一期也出现了另一种完全不同的做事逻辑。旁听的边牧（刘旭）会觉得寻找免费资源本身就有时间成本，既然官方API稳定可靠，直接花钱可能更节省时间。李术其接受这个逻辑，但他自己的使用方式决定了，他依然愿意花一两个小时找到一个可以稳定用几个月的低成本方案。

因为他每天消耗的量太大。

如果只是偶尔问几个问题，完全没有必要折腾这么多工具。可如果每天都在大量生成图片、视频、代码和文档，一个长期可用的免费额度，很快就会产生非常可观的价值。

所以“薅羊毛”其实和他的工作量绑定在一起。

更重要的是，这些资源又会反过来改变他的AI使用方式。因为知道试错成本很低，他会更愿意大胆尝试，也更愿意让AI先做，再判断。试错量增加以后，他又更容易发现真正有效的方法。

于是形成一个循环。

低成本带来更多试错，更多试错带来更多经验，经验又让他越来越知道什么任务应该交给AI。

如果这期只聊到这里，它大概就是一期关于AI工具成本管理的节目。

真正让我觉得有意思的内容，出现在后半段。

李术其开始展示自己给AI设计的一套“记忆系统”。

因为长期同时使用不同Agent以后，他越来越明显地遇到一个问题，模型可以很强，但上下文很容易断。

今天和一个Agent聊了两个小时，形成了很多判断。过几天换另一个Agent，它不知道前面发生过什么。某个非常关键的决定只存在于聊天窗口里，一旦对话变长或者项目切换，未来就很难重新找到。

于是李术其开始人为规定项目里的文件结构。

第一层是原始材料。图片、Word、资料以及所有投喂给AI的内容，都尽量保存下来，并转换成AI后续更容易持续读取的格式。

第二层是过程草稿。只要讨论内容达到一定长度，或者出现重要决策，就要落成文档，不能让它只停留在一次临时对话里。人的原话、提示词、AI给出的阶段性判断，也尽可能保留下来。

第三层是相对稳定的内容底稿。经过多轮讨论以后，某些结论逐渐确定，就进入更加稳定的版本。

第四层才是交付成果。只有真正确认可以使用、提交或者发布的内容，才进入最终交付区。

旧版本怎么办？

继续保留。

V1、V2、V3都可以存在，发生冲突时按照最新版本执行。因为对于未来重新进入这个项目的Agent来说，过去走错的路也可能帮助它理解为什么最后会选择现在的方案。

这样一来，哪怕下次更换模型、更换Agent，新的AI依然可以重新读取整个项目。它可以知道原始材料是什么，过去讨论过哪些方案，哪些判断后来被推翻，最后为什么形成今天的决定，以及当前真正有效的版本在哪里。

李术其把它理解成自己给AI做了一套“记忆Wiki”。

这也让这一期从“薅羊毛”突然走到了更有价值的一层。

最开始他薅的是图片额度和视频额度，后来开始研究Token、模型和会员，再往后，他连每一次跟AI讨论形成的上下文都不愿意浪费。

Token烧掉可以。

错误出现也可以。

模型以后不用了也可以。

可这些Token和错误帮助你形成的经验，最好留下来。

因为那才是真正属于自己的资产。

💡本期你会听到

这一期会从李术其最早做AIGC时的真实生产需求讲起。2025年初，他的团队需要大量生产企业营销内容，图片和视频模型很快从新鲜工具变成了交付工具。产量上来以后，额度和Token也开始变成真实成本，于是他逐渐形成了一个习惯，每次遇到新任务时，都先研究有没有低成本方案可以让自己把事情跑起来。

我们也会详细聊他为什么这么需要免费额度。原因和他的工作方式密切相关，他习惯让AI大量试错，很少要求每一轮生成都必须成功。图片可以先出二十张，技术方案可以让多个Agent同时跑，一个搜索结果不确定，就让不同AI继续交叉查证。当试错成本足够低时，他会更愿意扩大探索范围。

另一条很重要的线，是他如何判断什么时候应该付费。免费工具能够稳定完成任务，他就继续使用；免费方案已经影响生产效率，而且付费工具可以明确提升交付能力，他会直接购买。对高频团队来说，几千元的年度会员放进每天几百次调用里重新计算，可能反而非常划算。

这一期还会聊他的AI搜索和工具选型方法。他会让多个AI同时搜索同一个需求，因为不同产品能够覆盖不同信息源。找到候选方案以后，再让Agent去读取官网、比较套餐和单次成本。很多过去需要人工做几个小时的工具调研，现在已经可以由AI先完成第一轮筛选。

最后一部分会进入更高级的多Agent工作流。为了避免上下文随着模型切换而丢失，李术其给自己的项目建立了固定文件结构，把原始材料、过程讨论、重要决策、历史版本和最终成果分别保存。新的Agent进入以后，可以重新读取整个项目。对长期使用AI的人来说，这套“项目记忆”可能比免费Token本身更值得借鉴。

🔥本期金句

“我从来不怕它错，我就是让它错一百次。”

“我的原动力来自于，我会给AI提各种无理的要求。”

“我没钱，但我要用TTS，你帮我想办法。”

“免费和无成本，对AI来说不是一件事。”

“我只要无成本能用就行。”

“我知道我的能力不一定有AI聪明，我只是比较会提要求。”

“大力出奇迹。”

“我愿意消耗一分体力，让AI消耗九十九分体力。”

“很多人怕AI试错，是因为Token要花钱。当Token不花钱以后，就没有那么怕试错了。”

“能不花钱解决问题，我就先不花钱。”

“任何让我觉得不舒服的地方，我都会让AI帮我找解决方案。”

“重要决策必须落文档。”

“所有过程都留着。”

“说白了，我自己给AI做了一套记忆系统。”

⏱Shownotes

01:28 左猫右狗集合。 这一期吴熳旁边坐着猫工头李术其和边牧刘旭，猫工头继续上一期的话题，从AI进入企业管理切换到了AIGC和大家一直想听的“薅羊毛”。

02:10 AIGC为什么会让李术其开始研究免费额度？ 因为他的工作本来就需要大量生产小红书、抖音、快手和公众号内容。传统拍摄产能有限，AI图片和视频开始进入真实交付以后，模型额度也自然变成了成本问题。

03:49 原来薅羊毛几乎从他接触AIGC的第一天就开始了。 当时一些平台提供大量免费能力，他很快意识到，只要把不同产品的公开体验资源组合起来，就能支撑一部分真实业务。

06:21 为什么会准备多个账号和不同工具？ 核心原因依然是交付量。当每天都需要大量图片和视频时，一个账号的免费额度很容易用完，多套公开资源组合起来以后才能满足持续生产。

09:13 AI干活的时候，人为什么还有时间水群？ 李术其经常同时把多个任务交给不同Agent。只要模型还在跑，他暂时没有需要判断的反馈，这段时间就可以去处理其他事情。

11:06 不同工具为什么要互相接力？ 因为任何一个产品的免费额度都可能有限。只要项目和资料保存在本地，不同Agent之间就可以继续处理同一个任务，工具切换的成本会下降。

12:29 羊毛资源到底从哪里找？ 第一来源就是AI。只要遇到一个成本较高的新需求，李术其会让多个AI分别搜索国内外可用的低成本方案，再把结果放到一起比较。

14:19 为什么同一个问题要让几个AI同时搜？ 因为不同产品能够覆盖的信息源并不完全相同。多个AI同时寻找，可以扩大搜索半径，也能降低单一答案遗漏重要信息的概率。

16:23 他为什么需要这么大的免费资源量？ 因为他的AI工作方式本身就依赖大量试错。很多Token最后并不会形成交付成果，但这些尝试帮助他更快知道什么方向可行。

17:02 “我没钱，但我要TTS”为什么是一个值得记住的提示方式？ 因为这句话只说明了目标和约束，没有提前替AI规定解法。AI可以在更大的范围里寻找实现路径。

18:34 多个编程Agent之间也可以接力。 只要项目保存在本机，一个Agent额度用完以后，可以由另一个继续处理，核心资产不会跟着工具一起丢失。

20:11 猫工头其实也真的会花钱。 某些工具在免费方案里已经没有足够稳定的替代品，而且确实能够提高生产效率，他就会购买年度会员。

21:41 到底什么时候值得付费？ 判断标准非常实际，免费方案已经影响真实交付，而付费工具能够明显解决问题时，花钱就有意义。

22:20 图片生成领域为什么会买高档会员？ 因为他的团队每天需要大量生产营销素材。调用量足够高以后，年度会员的单位成本会迅速降低。

24:36 为什么一上来先出二十张？ 团队并不一定提前知道最好的画面长什么样，与其长时间空想，不如让AI先给出多个候选，再从真实结果里判断方向。

27:49 工具比价也可以交给AI。 先让AI搜索候选网站，再让Agent读取官方套餐和价格，最后整理成表格，人只负责做最终选型。

30:31 这套AI使用方式被吴熳总结为“暴力美学”。 李术其自己的总结更加朴素，就是“大力出奇迹”。

31:03 人和AI的体力应该怎样分配？ 李术其希望自己只承担少量目标设定和判断，把绝大多数搜索、枚举、生成和试错交给机器。

32:17 免费资源真的完全没有时间成本吗？ 这一段也出现了不同观点。有人更愿意直接购买稳定API，李术其则认为，只要花少量时间找到一个能稳定使用几个月的低成本方案，长期依然值得。

34:06 主动搜索和固定信息源都会用。 除了让AI搜索，他也会直接从大量微信群和聊天记录里搜“免费”“羊毛”等关键词，快速判断有没有值得尝试的新资源。

36:30 “能不花钱解决，就先不花钱。” 到这里，薅羊毛已经成为他解决问题时的一种默认习惯，先研究低成本路径，再决定是否付费。

37:18 一个AI给出的方案为什么还要再验证？ 李术其经常让多个Agent分别执行，再把几个版本放到一起继续优化，让不同模型互相补充。

38:23 话题开始从羊毛进入AI记忆系统。 长期多Agent工作以后，他发现真正麻烦的是上下文断裂，于是开始给所有项目规定固定文件结构。

39:08 原始材料和过程草稿为什么必须分开？ 原始资料负责保存事实来源，过程草稿负责记录讨论、探索和阶段性判断，未来的Agent才能重新理解项目是怎样一步一步走到现在的。

39:53 什么内容必须落文档？ 长内容和重要决策都应该保存下来，不能只存在于临时聊天窗口。

40:23 为什么连原始提示词也要留？ 因为提示词本身记录了人的真实意图。未来重新进入项目时，这些内容可以帮助新的Agent理解当时为什么会产生某个决定。

40:54 历史版本要不要删除？ 李术其选择全部保留。V1、V2、V3都可以存在，执行时以最新版本为准，但过程本身仍然是项目记忆的一部分。

41:39 相当于自己给AI做了一套项目Wiki。 新Agent进入以后，可以重新读取资料、讨论、决策和版本变化，不需要每次从零开始。

42:11 最终成果和过程内容必须分开。 探索过程中产生的内容留在草稿区，相对确定的内容进入底稿，真正完成的成果再进入交付区。

43:27 一期关于“薅羊毛”的节目，最后聊成了高级AI工作流。 对刚开始使用AI的人来说，这一段可能有点超前，但对于长期多Agent协作的人来说，怎样保存上下文和项目资产，可能比再多一个免费工具更重要。

📖故事摘要

猫工头李术其为什么这么爱薅羊毛？

如果答案只是“舍不得花钱”，这一期根本撑不到四十多分钟。

真正的原因，是他的AI使用方式天然需要巨量资源。他喜欢先跑，喜欢大量生成，喜欢几个Agent一起干，也愿意让AI先犯错。所有这些方法都有一个共同前提，就是你得舍得烧Token。

当每一次失败都意味着真实成本时，人自然会变得谨慎，会努力让每一句提示词都尽可能准确，也会减少那些暂时看不到结果的探索。李术其想解决的，就是这种心理限制。

只要把边际试错成本压低，他就可以把更多体力工作交给机器。

所以“羊毛”在他的体系里其实是一种算力资源。免费额度能够满足需求，就先用免费额度；公开活动能支撑真实工作，就利用活动；如果已经找不到稳定替代方案，而且付费工具能够明确产生价值，那就购买。

这也是为什么一个天天寻找免费资源的人，同时又能毫不犹豫地买价格不低的会员。

他算的是产出。

一天几百张图片，一个月大量视频，几个Agent同时跑项目，如果工具真的能够支撑交付，那么会员费放进这种使用量里重新计算以后，可能非常便宜。

这一期真正值得带走的第二件事，是向AI描述需求的方式。

“帮我找一个免费的TTS”和“我没钱，但我要完成TTS”，听起来只差几个字，背后的思维却完全不同。前一句已经替AI决定了答案，后一句把真实目标和真实约束告诉AI，让模型自己扩大解题范围。

李术其始终强调结果，所以他愿意尽量把路径探索交给机器。

第三件事，也是这一期最值得留下来的部分，是AI时代真正不能浪费的东西，可能已经从Token逐渐变成了上下文。

Token可以再买。

额度可以再找。

模型可以换。

可一个项目里已经讨论十几个小时形成的判断，如果全部消失，重新来一遍的成本可能远远高于模型费用。

所以他开始保存原始材料、过程草稿、重要决策、历史版本和最终成果。错误版本也留着，因为这些东西共同构成了未来Agent理解项目的记忆。

从这个角度看，这一期其实讲了两种完全不同的“浪费”。

Token可以大胆消耗，因为它帮助你扩大试错空间。

上下文最好认真保存，因为那是每一次试错最后留下来的经验。

这可能才是猫工头整套“暴力美学”真正完整的版本。

💬听众互动

你每个月到底在AI工具上花多少钱？有没有哪一个工具你一直觉得会员很贵，可认真算一下自己的调用量和节省下来的工作时间以后，突然发现其实并不贵？反过来，又有没有哪个AI会员你每个月都在续费，实际上根本没怎么使用？

我还更想听大家回答另一个问题。

你和AI聊出来的那些重要结论，现在都放在哪里？

它们还停留在某一个已经很难找到的聊天窗口里，还是已经变成了自己的文档、知识库和项目资产？

当模型越来越频繁地更换，Agent也越来越多以后，也许真正长期属于我们的，是这些被完整保存下来的上下文。

真人真聊真AI，对白坦白灯下白。

我们下一盏灯见。