# AI浪潮下,比技術更稀缺的是信任——為什麼我決定用影片去建立它

我經常在半夜想起一個問題:當 AI 每半年就升級一次,我今天學的東西明天就可能過時,那我們到底在堅持什麼?

這個問題曾經讓我相當沮喪。我看著那些新聞標題,什麼 GPT-5 要來了、什麼模型參數翻倍了、什麼開源工具又免費了——每次都像一陣颶風吹過,讓人感覺自己的努力瞬間貶值。我記得有一陣子,我幾乎每週都在重新學習某個新工具,生怕被淘汰。後來我才明白,我焦慮的其實不是技術本身。

▋ 那些消失無蹤的努力

我花了一年時間精通某個工具,開發了一套完整的工作流程,甚至寫了教程。六個月後,一個新的 AI 工具出現了,以更簡單的方式做了同樣的事。我多年的積累,感覺就像沙灘上的堡壘,一波浪就沖平了。那種無力感是真實的。

許多人都在經歷這個。你花時間建立的技能、寫的代碼、做的優化——這些東西在技術快速迭代的時代,確實有可能變成歷史。這不是說我們不該學習新技術,而是說,單純把時間投進「追逐工具」這件事,本身就是一場追不完的遊戲。

那時我開始問自己:什麼東西是真正不會被取代的?

▋ 信任是唯一的防守

答案浮出來的時候,我有點驚訝自己為什麼沒更早想到——是信任。

想想你的生活,你會輕易相信一個陌生人說的話嗎?不會。但如果是一個你認識多年、經常看到他的內容、了解他思路的人呢?你對他說的話會有一種自然的信任。這不是因為他比別人聰明,而是因為時間和重複的接觸,讓你在潛意識裡對他建立了基礎認知。

信任是會累積的。技術可能半年換一次,但信任不會。一個人對你的認識、對你的了解,這是隨著時間沉澱的。就算你用的工具全部過時了,你和某個人之間的連結不會。這是技術取代不了的。

反過來想,如果我想在 AI 時代活得更踏實一點,我應該做什麼?我的答案是:去建立信任。

▋ 建立信任的三種方式

產品、影片、或人與人的接觸——這三個都可以建立信任。

產品是最直接的,但前提是你要先把人吸引過來;人與人接觸最深度,但規模受限;而影片呢,它介於兩者之間,但它有個獨特的優勢——當 AI 工具出現時,它不是被淘汰,反而是被增強。

我開始用 AI 來幫我生產更多影片內容。不是因為我想偷懶,而是因為我意識到,影片是建立信任最有效的載體。一個人透過影片看到你的思考方式、聽到你的聲音、看到你的表情,這些東西會在他心裡積累。而 AI 工具可以幫我加速這個過程——我可以用更少的時間產出更多高品質的內容,觸及更多人。

▋ 為什麼是影片

產品需要別人先找到你。人與人的接觸受時間和地點限制。但影片不同,它可以被複製、被分享、被無限次地消費。更重要的是,影片保留了「人性」——你的聲音、你的想法、你的節奏,這些東西是 AI 很難完全模擬的。

而當你把 AI 工具整合進拍片流程時,你並沒有失去這些人性的東西。你只是把重複性的工作自動化了——剪輯、字幕、配音、特效——這樣你就能把更多時間投進內容策劃和思考上,讓影片本身更有深度。

我現在的想法是這樣的:不要害怕 AI 會取代你的技能。更重要的是,去思考什麼是 AI 永遠取代不了的——那就是你和別人之間建立的理解和信任。然後利用 AI 工具,更高效地去建立和維持這份信任。

▋ 現在的我

這半年我改變了我的工作節奏。我不再試圖精通每一個新工具,而是把精力放在想清楚我要傳達什麼。然後我用 AI 來幫我快速執行。結果是什麼呢?我產出的影片內容增加了三倍,但我花的時間反而減少了。更重要的是,我感覺不到那種被技術追著跑的焦慮了。

因為我知道,就算工具再怎麼變,我和我的觀眾之間的連結不會消失。他們認識的是我這個人,是我的想法和聲音。工具只是載體,不是核心。

所以我想問你,如果你也在 AI 浪潮裡感到迷茫,你是否考慮過,與其追趕技術,不如去建立信任?這一次,不是用錯誤的方式去相信 AI 會拯救你,而是去思考,怎樣用 AI 去深化你和別人之間真實的連結。

歡迎在留言區分享你的想法。

Read more

Claude 的 Project、Skill、Connector 到底怎麼分?一次搞懂三者的關係

Claude 的 Project、Skill、Connector 到底怎麼分?一次搞懂三者的關係

很多人問我,在 Claude 裡面,Project、Skill、Connector 這三個東西到底差在哪裡? 什麼時候該用哪一個? 老實說,我一開始也搞得很混亂。 但實際用了一段時間之後,我發現其實邏輯很簡單。 先從最基本的開始:Connector 是對外的資料來源 如果你需要從外部拿資料,比如說接 Google Calendar、接 Notion、接你自己的資料庫,你就需要 Connector。 它就是一個 MCP 的連結,讓 Claude 可以去外面抓資料回來。 沒有 Connector,Claude 就只能用它自己知道的東西,沒辦法碰到你的資料。 Skill 則是內部的運算邏輯 Skill 沒有辦法對外連接。 它只能在內部用 Python 或程式碼執行。 你可以把它想成是一個 Controller,專門負責處理運算的部分。 比如說,你想讓 Claude 用特定的格式改寫文章、

By Andy Lin
讓 AI 認識你 — Memory is All You Need

讓 AI 認識你 — Memory is All You Need

讓 AI 認識你 — Memory is All You Need 最近我在 Claude 上快速搭建了七大 Agent。 原因很簡單:你的助理應該是越使用越懂你。 而 Claude Project 有個關鍵功能叫 Memory,它會根據你不斷詢問的過程,主動提取記憶。 這就是我認為 AI 助手真正強大的地方。 GA 分析助手:從進階到客製化 自從我串接 GA MCP 後,這位助手已經變得非常厲害。 漏斗分析、訪客來源、異常事件追蹤、站上任何問題都難不倒它。 但我想要的不只是這些。 我希望它隨著時間,能夠對齊我的知識,知道我要什麼。 你不用想太多,不用一次設定好整個 instructions。 試著使用一週,再回頭看看 memory,你會發現它已經根據你的行為開始學習客製化了。 許多助手不需要懂老闆要什麼,但網站分析不一樣。 因為我沒有那麼多美國時間,

By Andy Lin
AGI 來臨:兩大 AI 巨頭的預測與警示

AGI 來臨:兩大 AI 巨頭的預測與警示

在近期的達沃斯論壇上,Anthropic 執行長 Dario Amodei 與 Google DeepMind 執行長 Demis Hassabis 進行了一場關於「AGI 之後的世界」的深度對談,揭示了 AI 發展的最新進展與未來展望。 AGI 時間線預測 Dario 重申了他去年的預測:在 2026-2027 年,AI 模型將能夠在諸多領域達到諾貝爾獎得主的水準。他表示目前 Anthropic 的工程師已經不再親自寫程式碼,而是讓模型來完成編寫工作,人類只負責編輯和周邊任務。他預估在 6-12 個月內,模型將能端到端完成大部分工程師的工作。 Demis 則持稍微保守的態度,認為在十年內有 50% 的機會實現 AGI。他指出編程和數學領域較容易自動化,因為結果可驗證;但自然科學領域則更具挑戰性,需要實驗驗證,且目前模型在「提出問題」和「建立理論」

By Andy Lin
讓 AI 當你的健康顧問:我用 Apple Watch 數據打造個人健康分析 Agent

讓 AI 當你的健康顧問:我用 Apple Watch 數據打造個人健康分析 Agent

最近我嘗試做了一個 Agent,專門用來分析我的身體健康狀況。 這不是什麼有商業潛力的專案,純粹是出於好奇。 我想知道現在的 AI 到底能幫我們把健康分析做到什麼程度。 資料從哪來? 要讓 AI 分析任何東西,首先得有資料。 我第一個想到的就是 Apple Health。 因為我每天戴著 Apple Watch,它本來就會自動記錄睡眠、運動、心跳這些數據。 除此之外,我也在嘗試另一個經絡檢測的儀器,有點像中醫把脈的概念,只是還沒整合進來。 我覺得如果未來能把更多資料源串在一起,應該可以做出更有意思的應用。 技術架構其實不難 我用了一個叫「Apple Health Auto Export」的 App。 這個 App 可以把健康資料透過 REST API 自動傳送到你指定的伺服器。 資料打到伺服器後,我再處理並存到 Database 裡。 接著寫一個 MCP Server,然後在

By Andy Lin