從靈感到真東西：駭客松項目要先想清楚誰會用

一場駭客松，四十八小時，幾個人加幾個 AI 工具，就能做出一個能跑、能演示的產品。這幾乎是過去兩年最讓人興奮的畫面。

但興奮過後，真正的分水嶺才出現：能演示的產品，和有人願意長期使用、甚至願意付費的產品，中間隔着的不是技術，而是需求、邊界和責任。

本期嘉賓 Leaf 很年輕，卻已經是駭客松賽場上的常客。他在網易「帝王蟹」比賽中拿下亞軍，作品是用 AI 替代人工盯防體能測試的「AI 體能數字員工」；如今他是 CODJAP 的技術骨幹，也在配合產業方推進股票代幣化相關的 Token Truth 項目。

這場對話里，我們聊了駭客松項目如何從靈感長成真東西、AI 落地的三層邊界、企業隱性經驗怎麼結構化，也聊了那些被低估的風險——從一條摩斯密碼轉走 17.4 萬美元，到一次簽名釣走 177 萬美元。

以下為對話實錄整理。

網易帝王蟹做了什麼

Tina： 先請你跟大家打個招呼，也簡單介紹一下自己。

Leaf： 大家好，我是 Leaf。最近在幫 CODJAP 做一些技術和資源上的生態鏈接，也經常參加駭客松。前段時間的網易帝王蟹比賽，很榮幸評委認可了我們的作品，拿到了亞軍。最近也在跟非小號的肯博士交流，成立了微 Agent 的 FX 戰隊，代表非小號去參加各種駭客松。CODJAP 下個月有 final demo day，我也在幫他們找評委。

Tina： 帝王蟹是個什麼樣的比賽？普通人能參加嗎，還是有一定門檻？

Leaf： 它做的是企業級 skill，所以還是需要有一些拿得出手的東西。但普通人也能參與，我見過一些項目 idea 創新度很高，獲勝機率也不低；或者你的 skill 能配置上比較新穎的能力，也有機會。

我們那個項目叫「練了嗎」，做的是 AI 體能數字員工。它植入了視覺能力，通過攝影機識別，你做俯卧撐、仰卧起坐能實時計數。落到企業場景里，就是批量招聘、轉崗時經常要人工盯着候選人完成深蹲這些體能測試，很麻煩，我們用 AI 把這個人工環節替代掉。

它還能用在流水線監測上。高危作業里，比如沒戴安全帽、工人操作失誤，可以配置監控去識別動作，有不標準的地方就語音播報，減少工傷機率。技術層面和業務層面都能幫企業解決問題，這類項目普通人也能參加，技術強一點當然更好。

從想法到產品

Tina： 在駭客松這種高壓環境下，你是怎麼把一個想法變成產品的？比賽結束之後，這個項目還有人在跟進嗎，還是說它就是為比賽而生的？

Leaf： 一開始想 idea，我考慮的是它必須企業級，能真正幫企業解決問題。如果只是給個人做日常訓練輔助，體現不出企業價值。

所以我想找一個能和企業結合的場景。我平時會看很多影音，發現流水線招藍領工人，尤其是體能崗位，是要考核體能的——深蹲一百下、俯卧撐一百下，完成了才能入崗。「練了嗎」本身能實時計數，那就換個思路：在招聘、轉崗需要人工盯體能測試的時候，把這套技術植入進去，用 AI 替代人工。這個點剛好擊中了一位評委，他很看重，項目就被推上去了。

比賽之後項目還會繼續完善。但我現在更看重產業資源這一塊，覺得跟肯博士他們一起做項目會更有前景。打比賽的項目可以慢慢打磨，真正能落地的方向更重要。

Token Truth 與股票代幣化

Leaf： 最近我在配合肯博士做一個股票代幣化相關的項目，叫 Token Truth，一句話概括就是：讓投資者問得明白，讓項目方講得清楚。

它針對幾個模塊。第一個是「問得明白」：把白皮書、代幣經濟、解鎖規則、市場數據、新聞、社區討論都接進 AI 知識庫，投資者用自然語言提問就能得到答案。第二個是基本面分析：市場、社區、風險做綜合分析。第三個是跟蹤執行：關注列表加投資計劃，用戶授權之後對接平台。

目前還在 mock 階段，後面看能不能接上他們那邊的 API。

Tina： 我打斷一下，我們在影音號直播，純屬項目分享，沒有任何投資建議，儘量聊技術層面，少聊投資層面。

Leaf： 明白。我講技術側的判斷：一旦一家公司的股票變成代幣，這家公司靠什麼賺錢、我買的憑證有什麼權利、什麼時候可以轉讓、分紅怎麼算——這些問題就從投資機構的研究工作，變成了每個持有人必須能自己查到的基礎設施需求。Token Truth 在 RWA 時代不只是更好的投研工具，它會變成資產的基礎設施。

AI 時代的全棧與崗位

Tina： 從你自己的經歷看，AI 給年輕人帶來的最大變化是什麼？

Leaf： 最大的變化是往全棧走。以前寫代碼我偏前端，Vue、React 都會用，但在公司做項目得配合後端調接口、聯調、排錯。到了 AI 時代，前後端的活差不多都要一個人做：自己寫前端、自己調接口、自己配數據庫、自己測試，慢慢就往全能型人才走。

另一方面，純前端、純後端工程師的基礎需求會慢慢減少——以前十個人乾的活，現在三四個人就能幹。但 AI 方向會帶來新的崗位，比如 prompt 工程師、AI 訓練和開發工程師。有點像當年安卓、iOS 剛起來的時候，早期進去的人能拿到比較高的薪水，現在往 AI 工程師靠，也是類似的機會。

AI 會一本正經地犯錯

Tina： AI 能幫我們寫代碼、做設計、查資料，但它也可能一本正經地犯錯，做出來的東西看着很好卻根本不能用，而且它不能背鍋。你有沒有哪次經歷，讓你意識到有些能力必須自己掌握？

Leaf： 模型會產生幻覺，數據會髒，權限會過大，這三個問題都挺大。

有個案例我印象很深：Grok 通過 X 連接了 Bankr 錢包。攻擊者先往 Grok 關聯的錢包轉了一個免費 NFT，表面是贈品，實際解鎖了更高等級的工具調用權限，包括轉賬。接着在 X 上發了一串亂碼——摩斯密碼。Grok 沒有被告知「把錢轉給我」，它是被要求翻譯這段密碼，翻譯出來是一條金融指令，它就照着執行了，中間沒有要求人工確認。17.4 萬美元就這麼轉走了。

所以我的建議是：用它提高工作效率可以，但錢這一塊必須自己管；真正需要簽名授權的地方，還是得人來簽。

Tina： 就是謹慎樂觀——抱着開放心態用 AI，但不要完全信任，要做二次驗證。

給第一次打駭客松的人

Tina： 如果有人第一次參加駭客松，你建議他提前做好什麼準備？

Leaf： 先了解比賽和賽題，然後想清楚三個問題。

第一，誰會用，越具體越好。比如「做跨境電商的中小賣家」，就比「創業者」具體十倍。第二，他現在是怎麼解決的，痛在哪裡。第三，做完之後有什麼東西可以被驗證，能拿給別人試、能拿到反饋。

最常見的錯誤是先想技術棧、先想酷炫效果、先想 demo 好不好看。但評委和真實用戶關心的是：這個東西解決了誰的什麼問題。

第二件事，把權限邊界和人工確認從最開始就設計進去。「真東西」和「真 demo」的區別之一，就是它有明確邊界——哪些是 AI 能做的，哪些必須人來做，出錯怎麼回滾。這些在 demo 階段就要想清楚，不要等上線再補。

第三件事，提前把部署流程跑通。駭客松時間很趕，你要配騰訊雲服務器、部署網站，用 Vercel 部署有時也會各種報錯。最怕最後半小時、一小時才開始部署，一堆代碼報錯，來不及了。還有上鏈，很多開發者用的框架比較舊，或者用 Vue，和錢包連接的兼容性沒那麼好，部署合約卡半天。

有經驗的選手一開始就想好了技術棧：前端 Next.js，後端 Python，部署在哪個服務器、域名怎麼配、PM2 怎麼起，全部提前弄好。代碼改完提交到雲服務器，拉一下代碼，PM2 restart，網站上就更新了。這些流程不要在比賽現場浪費時間。

Tina： 如果能回到你第一次參賽那天，給當時的自己一個提醒，你最想說什麼？

Leaf： 第一，弄清楚評委主要想要什麼。很多項目自己覺得做得不錯，但評委不一定 get 到點。時間有限，十幾二十個項目，評委沒有那麼多時間仔細看，所以要用簡潔的語言把亮點全部展示出來。很多優秀項目初篩都沒過，原因可能就在這。第二，一定要了解清楚規則，不然一開始就走偏了。

從「能回答」到「能幹活」

Tina： AI 真的開始幹活了，但從「能回答」到「能幹活」，它跨過了哪些門檻？

Leaf： 跨過好幾個關鍵門檻。

第一，工具調用從不穩定變成相對穩定。以前模型只能生成文字，你拿到的是一段建議；現在它能比較可靠地調用 API、讀文件、寫代碼、操作瀏覽器，從「說得對」變成「能動手」。

第二，任務拆解和狀態管理明顯提升。複雜任務不容易跑偏，Agent 框架可以拆步驟、記中間狀態、失敗重試、保留上下文，這是從單次回答走向多步執行的基礎。

第三，權限和沙箱開始被認真對待。雖然還遠不完美，但至少意識到不能隨便把執行權交給模型，有了基礎的權限隔離和人工確認節點，才敢讓它碰真實的數據和系統。

有個項目我覺得定位很清晰，叫克隆體 AI，給企業和個體提供「硅基員工團隊」，覆蓋公域曝光、流媒體這些環節。它的核心不是生成內容，而是自動化的營銷員工矩陣：自動生成內容、自動觸達、自動回復。很多團隊做引流還是靠人工，它把這一整段用 AI 跑起來，轉化率就上去了。

判斷需求，再驗證需求

Tina： 產品越來越容易做出來，但商業成功沒有變得同樣容易。判斷一個 AI 產品有沒有真實需求，你會最關注哪些信號？

Leaf： 三個層次。

第一，用戶願意用自己的真實數據和流程來試。不是「這個 idea 好酷」，而是他願意把日常工作里的一部分交給你。用假數據試的不算，那叫 demo；用真數據試的，才是有人信你。

第二，有明確的付費意願或者替換成本。它能幫你省時間、減少出錯，或者替代一個原本很貴的流程，而不是「好玩」。

第三，有人願意持續回來用。很多客戶一開始確實有付費意願，也確實有用，但可能圖個新鮮，後面就不再續費、不再提需求了。回頭客是最難也最真實的信號。

從願意試，到願意付，再到願意繼續——這三層缺一層，需求都可能是假的。

Tina： 那有沒有低成本提前驗證需求的辦法，而不是開發幾個月才發現方向不對？

Leaf： 從一個很小的 MVP 閉環開始跑。

拿「練了嗎」舉例。評委最看重的是高危流水線監測，能實時播報危險動作。那就先只做這個閉環，做出雛形，主要設備就是監控器加播報器，拿去給工廠老闆試用。如果他們願意試一周、兩周，覺得對新工人確實有幫助，願意持續體驗，那就相當於有用戶願意買單。最小的閉環跑通了，再慢慢做裂變。

我還想到一個例子。廣東財經大學第一屆學生會長，前段時間做了一個 AI 邀請函：客人走進茶館或者餐廳，AI 從進門開始引導他到對應座位，整體生成一段 AI 影音，菜單也用 AI 做，全流程閉環。他先服務特定行業，比如餐飲店——這種邀請函比傳統的有誠意，也更有新意。後面再做主題酒店，選珠江新城那種地段，做成網紅打卡點。先做透一個場景，再裂變到另一個領域。

把隱性經驗結構化

Tina： 傳統行業很多經驗不在公開資料里，是資深員工憑經驗判斷的。企業怎麼把這些藏在員工經驗、業務流程和客戶關係裡的知識，轉化成 AI 能用的東西？

Leaf： 關鍵是把隱性經驗結構化。具體分幾步。

第一步，跟實際幹活的人一起走一遍流程，把判斷標準、例外情況、決策依據一條條記下來。傳統行業里最值錢的經驗，往往是知道什麼時候不能按標準流程走。這些東西不被結構化，AI 就很容易在關鍵例外上出錯。

第二步，做成可執行的規則、檢查清單、決策樹，而不是只寫進提示詞。提示詞是給模型的，規則和決策樹是給系統的；前者會隨著模型升級失效，後者才是資產。

第三步，讓 AI 先做輔助判斷，加人工確認，不要直接替代。等積累了足夠的正負樣本，再逐步提高自動化的比例。

Tina： 很多企業一開始是先整理資料、建知識庫，但資料越多不代表 AI 越懂業務。整理資料和讓一線員工參與，哪個更重要？

Leaf： 讓一線員工參與更重要。

三層落地標準

Leaf： 判斷一個 AI 應用能不能上生產，我一般看它出錯之後會發生什麼。AI 出錯是必然的，模型有幻覺、數據會髒、會有例外。真正決定能不能上生產的，不是出錯機率有多低，而是出錯之後代價能不能被兜住。

我把它分成三層。

第一層，輔助生成：AI 只產出內容，人來審核。

第二層，輔助判斷：AI 給出結論，人來拍板，出錯了人還來得及攔。

第三層，受限執行：AI 在明確邊界內直接動手，但必須有白名單、限額、撤銷窗口和兜底機制，缺一個都不好上生產。

完全自主、端到端並行、無人審批的自主交易 Agent，目前基本沒有能上三層的，這部分還很危險。很多錢包正在往受限執行這個方向走，但硬門檻就在那裡。

最容易被低估的風險

Tina： 當 AI 開始調用工具、訪問業務資料、在系統里執行操作，你覺得企業落地智能體時最容易被低估的風險是什麼？

Leaf： 不是模型能力，而是權限、驗證和責任。

第一個是透明性喪失。AI 把多步操作打包成一次確認，用戶只看到一個按鈕，背後可能已經跨了幾個協議、改了幾個授權額度，甚至觸發了未知回調。這就是 Web3 時代特有的「形式合規、實質失控」——表面上你點了同意，但你根本不知道同意了什麼。

今年 3 月以太坊上有一筆典型的 permit 簽名釣魚。受害者以為自己只是完成一次普通授權，可能是領獎勵、驗證錢包，頁面沒讓他輸私鑰，也沒讓他確認多筆轉賬，只讓他簽了一條看起來像普通 EIP-712 的消息。攻擊者拿到簽名後，先通過 permit 把自己設成 USDC 的支出方，再通過 multicall 在同一筆鏈上調用里連續執行三次 transfer，把受害者錢包里約 176 萬枚 USDC、價值約 177 萬美元，分別轉到三個攻擊者控制的錢包。

整個過程沒有盜取私鑰，也沒有讓受害者再次簽名，利用的就是那條不經意簽出的授權。

第二個是無主責任。以前錢包被盜，起碼知道是點了釣魚鏈接，或者項目方合約有漏洞。但 AI 接管之後，用戶可能只看到「AI 幫我操作了」，出了問題卻不知道是模型幻覺、數據源被污染，還是權限被濫用。

此外還有 prompt 注入——攻擊者精心構造輸入，誘導 Agent 執行惡意轉賬或批准危險合約；還有低級執行錯誤，比如在高波動行情里忘了設止損、誤判 gas 費和滑點，一筆交易就把帳戶清零；以及治理和權限濫用。

還有一個容易被忽略的：AI 生成內容的作者歸屬空白。你用 AI 生成內容，作者到底是誰？可以說是我自己寫的，也可以說是模型寫的，模型本身也可以聲稱是它生成的。這個問題重要，是因為它直接關聯各國的 AI 監管——真正卡的是責任歸屬：內容出錯、侵權、有害，誰負責？產生收益，怎麼分配？在 Web3 語境下，這就是老問題：溯源與不可抵賴。目前還沒有成熟的解決方案。

未來與差距

Tina： 未來一年，你最看好哪些能持續產生需求的 AI 應用方向？

Leaf： 我比較看好 AI + Web3。它同時踩在幾個痛點上。

第一個是資訊不對稱。很多普通用戶買了一個項目，三個月後才發現這家公司根本不是這麼賺錢的，自己買的東西沒有投票權，團隊代幣已經解鎖了一大半。資訊差被平台和項目方拿走，用戶長期處在資訊黑洞裡。

第二個是資訊差可以被 AI 打破。把公司資料、白皮書、審計報告結構化成 AI 知識庫，用戶就能直接問：這家公司靠什麼賺錢、什麼時候可以轉讓、社區風險在哪。再往下，自動整理基本面、新聞、市場數據和社區資訊，解釋變化和風險。

另一個方向是 Physical AI。現在鏈上虛假資訊太多，如果能和真實線下結合，需求會很大。比如車裡的導航數據，用戶可以授權提供給地圖方，實時更新地圖；機器人、智能設備的所有權、租賃權、使用權上鏈，通過 Physical AI 自動執行；供應鏈物流實時監控位置、溫度、損壞狀態，再結合鏈上智能結算；預測市場和保險也能獲得可靠的地面數據源，降低預言機風險。

Tina： 最後聊聊 AI 平權。有人說 AI 會放大差距，也有人說它在降低專業門檻。你怎麼看？決定差距的關鍵是什麼？

Leaf： AI 確實在降低專業能力的使用門檻。學英語、學西班牙語做翻譯的，現在一個翻譯工具就能替代很大一部分需求；律師的基礎諮詢，Agent 也能問答；銷售的口才和溝通，很多 AI 已經在自動化獲客和觸達。對有單一專業技能的人來說，衝擊是實實在在的，這一點不用迴避。

決定差距的關鍵，我覺得是能不能用 AI 跑通商業閉環。現在 AI 產品很多，但能把整個商業閉環跑通、真正實現的還是少。一個人會前端、會後端，能把項目做成產品，還能找到融資、推廣到商業層面——這種綜合能力非常稀缺。

這就是大家說的 OPC，一人公司。產品多，資本少，能把閉環走通的人更少。能力集中也好，能力普及也好，資本在很多地方依然是稀缺的。當然，提高自己的綜合能力，這個是一定要去做的。

Tina： 最後一個問題，請完成這個句子：AI 真正改變的不只是效率，而是——

Leaf： 而是傳統的工作模式。

（本文為直播實錄整理，僅作交流學習用途；個別產品與模型表述以實際情況為準。）

來源：金色財經

發佈者對本文章的內容承擔全部責任
在投資加密貨幣前，請務必深入研究，理解相關風險，並謹慎評估自己的風險承受能力。不要因為短期高回報的誘惑而忽視潛在的重大損失。