| Agentic Engineering | 用完整 spec、自动化 eval 和 CI 门禁让 agent 自主发现并修正问题的软件工程方式 | Harness为王的能动工程大师课 |
| Harness | 围绕 AI 编码助手的规则/context/skills/guardrails/workflow/可观测性集合,加速上限的 90% 在此 | Harness为王的能动工程大师课 |
| Context Rot | 会话上下文塞入过多信息导致模型表现下降 | Harness为王的能动工程大师课 |
| 静态上下文与动态上下文 | 恒定加载 vs 按需加载的权衡,决定专精多 agent 还是通才 agent+skills | Harness为王的能动工程大师课 |
| LLM wiki | Karpathy 提出的用 LLM 增量维护、带交叉链接的个人知识库范式 | 给LLM Wiki定的开放标准OKF来了 |
| OKF | Google 发布的个人知识库开放标准,只统一文件组织与 metadata 字段 | 给LLM Wiki定的开放标准OKF来了 |
| Bundle | OKF 下打包好的可分享知识库 | 给LLM Wiki定的开放标准OKF来了 |
| 渐进式披露 | 先读索引摘要判断方向、再按需打开全文的检索策略 | 给LLM Wiki定的开放标准OKF来了 |
| Entity document | 针对单个概念/实体的独立文档,知识图谱的节点 | 给LLM Wiki定的开放标准OKF来了 |
| Front matter | Markdown 头部 YAML 元数据块,OKF 中仅 type 必填 | 给LLM Wiki定的开放标准OKF来了 |
| forward/goal | 设定目标与成功标准后让模型自主推进到终态的长任务执行模式 | Fable5五个高杠杆用例 |
| PRD | 产品需求文档,长周期 AI 定制项目能跑多远的前置决定因素 | Fable5五个高杠杆用例 |
| Deep Research | Claude Code 内多步自主调研并产出结构化报告的工作流 | Fable5五个高杠杆用例 |
| Agentic OS | 包在 Claude Code 之上的可视化 Web 壳层,个人技能与自动化的操作面板 | Fable5五个高杠杆用例 |
| Affiliate Marketing | 推广他人产品按佣金分成的变现方式 | 内容变现三阶段打法 |
| Lead Magnet | 用免费资源换取受众邮箱的营销钩子 | 内容变现三阶段打法 |
| Outlier Video | 播放量远超频道均值的爆款,用来反推真实需求信号 | 内容变现三阶段打法 |
| Unique Mechanism | 课程/内容区别于竞品的教学框架本身 | 内容变现三阶段打法 |
| 三阶段变现模型 | 联盟佣金→邮件列表→自有课程依次叠加的收入结构 | 内容变现三阶段打法 |
| Meta Harness | 编排多个 AI 编码助手协同完成同一任务的上层系统,而非强化单个 agent | Omnigent编排多个AI编码助手的元Harness |
| Human-in-the-Loop审批 | 对高风险动作(如 force push)设人工批准关卡后才放行 agent 继续执行 | Omnigent编排多个AI编码助手的元Harness |
| Ask User Question 工具 | Claude Code 计划模式下反复追问技术实现/UI/UX/取舍细节、把粗糙 plan 逼成详尽 PRD 的交互工具 | Claude Code 完全解读 |
| Ralph Loop | 把 PRD/任务清单交给 agent 逐项自主推进、每步验证(测试+lint)通过才前进、直到清单跑完的自动化循环 | Claude Code 完全解读 |
| Audacity | 技术门槛被 AI 拉平后,靠审美、耐心与细节打磨制造产品差异化的自觉态度 | Claude Code 完全解读 |
| Plan Mode | Claude Code 内置规划模式,执行前先反问澄清目标,把单向指令变成协作 | Claude Code 六个层级 |
| Regression to the Mean | 缺乏协作式提示时,AI 编码助手填补计划漏洞的方式趋向平庸产出的现象 | Claude Code 六个层级 |
| CLAUDE.md | 项目根目录下 Claude Code 每次会话开始读取的规范文件;研究显示滥用收益微弱还推高推理成本 | Claude Code 六个层级 |
| Vibe Coder | 只提需求、不问机制、一路”下一步”点到底的用法,与理解模块+追问原理的”AI 开发者”相对 | Claude Code 六个层级 |
| Agent Teams | Claude Code 实验性功能:多个 subagent 通过共享任务列表互通,主 session 兼任统筹汇报的 team lead | Claude Code 六个层级 |
| Skill Creator | Anthropic 官方元技能,用于创建 skill 及对已有 skill 跑 evals/benchmark 评估质量 | Claude Code 六个层级 |
| Git Worktree | Git 多工作副本机制,让并行 Claude Code 会话各自独立操作、互不冲突,最后再合并 | Claude Code 六个层级 |
| GEO | 为 AI/LLM 生成式答案(而非传统关键词排名)做内容与信任信号优化的新方法论 | 2026 无 SEO 依赖的创业策略 |
| AI Overview | Google 搜索结果页插入的 AI 生成摘要,可能让用户无需点击外链就获得答案 | 2026 无 SEO 依赖的创业策略 |
| 曝光-点击解耦 | 排名与曝光维持或创新高、但点击流量因 AI Overview 下滑,网站影响力换了种存在方式 | 2026 无 SEO 依赖的创业策略 |
| Skyscraper Technique | Brian Dean 2015 年提出的外链内容策略(找高链接内容→做更好版本→outreach),效力正减退 | 2026 无 SEO 依赖的创业策略 |
| Helpful Content Update | 2022 年 Google 推出、现并入核心排序的算法更新,惩罚为搜索引擎而非用户写作的内容 | 2026 无 SEO 依赖的创业策略 |
| 经验护城河 | AI 知识面超普通人但无亲身经历,第一手实践经验成为普通从业者相对 AI 不可复制的优势 | 2026 无 SEO 依赖的创业策略 |
| System Prompt | 决定 agent 基调与行为的顶层指令;本课指 global+local 两份 CLAUDE.md 合并后的完整注入内容 | CC高阶课·System Prompt 与 CLAUDE.md |
| Subagent | 由主 agent 派生、上下文独立且短的子代理,是并行化的执行单元 | CC高阶课·并行化基础 |
| Fan-out Fan-in | 先并行 spawn 多个研究 subagent(fan-out)、再汇总到一个 synthesizer(fan-in)的团队模式 | CC高阶课·并行化基础 |
| 随机共识 | N 个 agent 独立各出解、synthesizer 按出现频次(众数)归并出共识,兼采离群解 | CC高阶课·多 Agent 共识 |
| Synthesizer | 综合 agent,以更短 prompt 把多个子 agent 的输出整合为最终答案 | CC高阶课·并行化基础 |
| Contrarian Agent | 被指派专门唱反调、主动挑战其他 agent 观点的 agent 角色 | CC高阶课·Model-Chat |
| Pipeline(专家串行) | 专家 agent 顺序交接产物 A→B→C 各司其职,替代单 agent 全包 | CC高阶课·精简 Agent 团队 |
| 复合概率衰减 | 多步 AI 串联成功率叠乘,步骤越多、无人把关整体正确率越低,论证 human-in-the-loop | CC高阶课·组织层级 |
| 组织层级过深 | 多 agent orchestrator 普遍层级冗余;层级是底层模型变强的产物,而非架构本身的智能 | CC高阶课·组织层级 |
| Auto-Research | 目标+变更手段+标准化评估三前提下无人值守反复迭代、自我改进某可测指标的框架 | CC高阶课·Auto-Research 导论 |
| 递归自我改进 | 快循环下微小改进复利叠加、加速上扬的指数式优化 | CC高阶课·Auto-Research 组件 |
| AI 编码光谱 | vibe coding → agentic engineering → independent research 三阶段,人从操作者退到只设目标 | CC高阶课·搭建 Auto-Research |
| 网络自动化三级台阶 | HTTP 请求 ↔ 浏览器自动化 ↔ 电脑自动化,能力递增而速度/成本递增的权衡光谱 | CC高阶课·高阶浏览器自动化 |
| 模型分散 | 主力模型约 70% + 多家分流,用组合对冲单点故障与性能波动(“作物轮作”在 AI 工具上的落地) | CC高阶课·模型分散 |
| AGENTS.md | 平台无关的 agent 配置文件,对应 Claude 专属的 CLAUDE.md,让工作区可被任意 agent 接手 | CC高阶课·模型分散 |
| root 洁净原则 | 绝不往工作区根目录散丢脚本/临时/data 文件,一切进 active 目录或子目录 | CC高阶课·工作区实战 |
| 20 安全法则 | 只清最划算的低垂果实,把攻破成本抬到高于资产价值,接受残余风险 | CC高阶课·安全隐患 |
| Typosquatting | 注册与正规包/域名拼写相近的名字投放恶意内容,利用 AI 的包名幻觉 | CC高阶课·安全隐患 |
| RLS(行级安全) | 数据库按行控制读写权限;Supabase 默认不开则匿名公钥可读写删全表 | CC高阶课·安全隐患 |
| 非对称回报 | 以极小投入/占位博取远超投入的潜在收益;先掌握 agent harness 者的先发优势 | CC高阶课·未来判断 |
| 护城河转移 | AI 拉平实现难度后,产品护城河正从软件质量转向分发与合规 | CC高阶课·未来判断 |
| Topical Authority | 靠某细分主题成体系的内容密度与内链结构赢得搜索引擎认可为该领域权威 | AI博客自动化流水线-选词生成到变现的全流程 |
| Content Cluster | 围绕一个子主题的 hub 页加 5-20 篇紧密关联关键词文章,用来堆出主题权威 | AI博客自动化流水线-选词生成到变现的全流程 |
| 单篇三重变现 | 在同一篇文章横向叠加展示广告、产品联盟链接、退出弹窗自有产品三个收入口 | AI博客自动化流水线-选词生成到变现的全流程 |
| Domain Rating | Ahrefs 的域名反链权威度评分(0-100),衡量站点反链档次与竞争硬度 | 用AI批量建外链的完整打法-从找站到关系交换 |
| Link Surplus | 保持约五篇 guest post 常态在进行、随时可对外分配链接的储备状态 | 用AI批量建外链的完整打法-从找站到关系交换 |
| 换链 | Link Swap/ABC exchange,双方在各自 guest post 里互相给对方加链的对等交换 | 用AI批量建外链的完整打法-从找站到关系交换 |
| 价值交换 | 外链的本质是有价资产,不会白给,只能靠双方互给好处 trade/swap | 用AI批量建外链的完整打法-从找站到关系交换 |
| Guest Post | 为别人网站供稿并在文内植入指向自己站点链接的外链手法 | 用AI批量建外链的完整打法-从找站到关系交换 |
| 断链外链 | 发现对方页面失效链接、建议用自己对口内容替换以回收反链的低成本手法 | 用AI批量建外链的完整打法-从找站到关系交换 |
| 记者信源平台 | HARO/featured.com 等撮合记者选题需求与专家信源的平台,被采用即得媒体署名与反链 | 用AI批量建外链的完整打法-从找站到关系交换 |
| NLP友好内容 | 用主谓宾清晰语序与无歧义用词写作,让 Google 的 NLP 算法对含义毫无疑问从而给排名 | NLP友好写作让Google算法读懂并偏爱你的内容 |
| Echo-back答案格式 | 回声重复问题+动词 is+带单位答案的定式,明确标记你正面回答了该查询 | NLP友好写作让Google算法读懂并偏爱你的内容 |
| Giga NLP prompt | Matt Diggity 的 ChatGPT 提示词,强制内容严格遵循主谓宾结构并剔除填充词 | NLP友好写作让Google算法读懂并偏爱你的内容 |
| 40平衡 | 60% 精力做 NLP 友好、40% 做可读吸引力,兼顾算法排名与人类阅读体验 | NLP友好写作让Google算法读懂并偏爱你的内容 |
| 品牌搜索量 | 一个月内直接搜索某品牌名的次数,被视为独立正向排名因子并向 AI 发出权威信号 | 2025 SEO 五大新策略 |
| 流量多元化 | 刻意让流量不只来自 Google,健康的社交/邮件/直接流量占比被视为正向信号 | 2025 SEO 五大新策略 |
| NavBoost | DOJ 反垄断庭审曝光的 Google 算法,按用户参与度对内容排序 | 2025 SEO 五大新策略 |
| 目标完成(Goal Completion) | 以最快速度结束用户搜索旅程、拿到答案后不回退不再搜的用户信号,重于停留时长 | 2025 SEO 五大新策略 |
| Digital PR | 做数据/榜单类新闻性内容并推给记者以换取高权重媒体反链的外链手法 | 2025 SEO 五大新策略 |
| Search Bots | 机器人代搜关键词再点击目标站以伪造用户信号的黑帽服务,风险高 | 2025 SEO 五大新策略 |
| 内容再利用 | 把一份优质存量内容改造成多平台多格式重新分发,以远低于新写的边际成本扩大触达 | 零代码搭建AI自动化工作流Gumloop实战拆解 |
| 子流程 | 把一段工作流封装成可复用节点、像函数一样可导出分享,用于重复子任务 | 零代码搭建AI自动化工作流Gumloop实战拆解 |
| Loop 模式 | 给工作流喂一批输入后平台并发跑上千次并托管调度与限流,是自动化规模化的关键 | 零代码搭建AI自动化工作流Gumloop实战拆解 |
| 自建节点 | 把第三方 API 文档粘进 Custom Node Builder,让 AI 现场生成平台集成节点 | 零代码搭建AI自动化工作流Gumloop实战拆解 |
| 瀑布式富集 | 多个数据源依次兜底调用,给一条线索补齐公司行业、营收、规模等外部字段 | 零代码搭建AI自动化工作流Gumloop实战拆解 |
| 工作流即 API | 把整条自动化当 API,用 webhook 从自有产品事件触发并传入动态字段后台运行 | 零代码搭建AI自动化工作流Gumloop实战拆解 |
| 步骤清单可自动化判据 | 凡能像给实习生写便签一样列成有序步骤清单的流程,就能完全自动化 | 零代码搭建AI自动化工作流Gumloop实战拆解 |
| Programmatic SEO | 用模板加变量批量生成大量各自命中一个查询、且对搜索者真实有用的页面的打法 | Pieter Levels编程式SEO打法拆解 |
| Crawl Budget | 搜索引擎分配给一个站点的抓取额度,被低价值页面稀释会拖累整站 SEO | Pieter Levels编程式SEO打法拆解 |
| 模板变量依赖 | 编程式页面生成三要素:同一模板配不同变量、内容随变量而变,喂数据即批量起页 | Pieter Levels编程式SEO打法拆解 |
| 双边数据飞轮 | 同一份数据的供需两侧各自成页被索引,平台白捡两侧流量并向 Google 证明有价值 | Pieter Levels编程式SEO打法拆解 |
| 搜索意图 | 用户输入某查询时真正想解决的需求,是判断页面是否有用、编程式 SEO 是否被罚的分水岭 | Pieter Levels编程式SEO打法拆解 |
| Query Fan-out | AI 搜索把一个查询拆成多个子查询并行检索再汇总,优化对象从单词变为整个主题覆盖 | 对SEO与AI SEO的思考上-仍然只是SEO |
| Multimodal Search | 多模态搜索:以一种模态发起、以另一种模态返回理解性回答的搜索交互 | 对SEO与AI SEO的思考上-仍然只是SEO |
| 全价值度量 | 不止数点击,而是衡量高质量点击与自定义转化,以评估 AI 格式带来的更投入访客 | 对SEO与AI SEO的思考上-仍然只是SEO |
| Commodity Content | 事实性、非原创、谁写都差不多、易被 LLM 直接呈现替代的通用信息 | 对SEO与AI SEO的思考上-仍然只是SEO |
| 原创声音 | 只有你能提供的独特视角与第一手取态,是 LLM 量产商品化内容时代不可复制的护城河 | 对SEO与AI SEO的思考上-仍然只是SEO |
| n8n MCP Server | n8n 内置的 MCP 服务,把 workflow 作为 context 暴露给 agent,提供搜索/执行/取详情工具 | 用n8n MCP让Claude Code为工作流生成前端界面 |
| Workflow 后端配 AI 前端 | 后端逻辑搭在 n8n workflow、前端界面交给 AI agent 读取后自动生成的分工模式 | 用n8n MCP让Claude Code为工作流生成前端界面 |
| RAG | 检索增强生成:召回相关文档片段喂给 LLM 再据此生成带来源的回答,是训练数据外的信息源 | 自托管AI实战-OpenWebUI加Ollama搭建私有大模型 |
| Open WebUI | 自托管开源大模型的 Web 交互前端,提供聊天、RAG 知识库、API 端点等工作流管理 | 自托管AI实战-OpenWebUI加Ollama搭建私有大模型 |
| Ollama | 本地 LLM 运行器,负责下载与运行开源模型权重,常在 Open WebUI 引擎盖下工作 | 自托管AI实战-OpenWebUI加Ollama搭建私有大模型 |
| VDS | 虚拟专用服务器,提供独占硬件资源,区别于多台共享物理硬件的 VPS | 自托管AI实战-OpenWebUI加Ollama搭建私有大模型 |
| self-hosting AI | 在自有机器或云服务器上跑开源 LLM 而非调云厂商 API,换取省钱、隐私与可控性 | 自托管AI实战-OpenWebUI加Ollama搭建私有大模型 |
| Link Intersect | Ahrefs 工具,找出链向竞品却没链向你的站点,用于发现值得提交的目录与反链机会 | 从零起步给新网站导流的六个战术 |
| Sweat Equity Partnership | 用时间、技能或专长(而非金钱)换取进入他人受众的机会,以解决对方真实需求开场 | 从零起步给新网站导流的六个战术 |
| 可链接资产 | 靠自身价值(原创研究/数据/工具)被动吸引反链的内容,也是 AI 偏爱的取用源 | 话题权威不是堆博客而是这些 |
| 底部漏斗内容 | 针对已有明确行动/购买意图的决策阶段查询做的内容,竞争少、流量稳、抗核心更新 | 话题权威不是堆博客而是这些 |
| 无链品牌提及 | 没有超链接、但周围语言仍被搜索引擎读取并塑造话题权威的品牌提及 | 话题权威不是堆博客而是这些 |
| Listicle 可见性 | 让品牌被列入”最佳X”清单文以获得 AI 答案里的提及与引用;门槛低、易被 spam | 五位SEO专家给的GEO打法 |
| 三方对比页 | 蹭两个知名品牌的 A vs B 对比、把自己插进去做成三方清单,借巨头流量带自己进 AI 答案 | 五位SEO专家给的GEO打法 |
| YouTube 可见性 | 品牌在 YouTube 被提及的程度,是与 AI 引用相关性最强的因子之一 | 五位SEO专家给的GEO打法 |
| Remotion | 用 React 组件描述视频画面、可渲染成 MP4 的编程式视频框架,视频即代码故 AI 能生成视频 | 用Remotion加Claude Code提示词生成宣传视频含VPS部署 |
| Render Farm | 把耗时耗资源的视频渲染任务集中/并行放到远程 VPS 上执行的机器 | 用Remotion加Claude Code提示词生成宣传视频含VPS部署 |
| Scene | Remotion 视频里的一个片段,对应一段独立 React 代码,多个 scene 组成完整视频 | 用Remotion加Claude Code提示词生成宣传视频含VPS部署 |
| MCP server | 接入 AI agent 的外部能力服务,本视频用来把 11 Labs 等 TTS 接给 agent 配音 | 用Remotion加Claude Code提示词生成宣传视频含VPS部署 |
| 自托管 AI 助手 agent | 以 CLI 自行部署、接入 Telegram/WhatsApp、支持工具调用与 cron 主动推送的个人 AI 助手 | 买Mac Mini前先用VPS自托管AI助手agent |
| VPS 自托管 | 在按月租的云端虚拟服务器上运行服务/agent,替代本地或专用硬件,便宜可秒级扩配 | 买Mac Mini前先用VPS自托管AI助手agent |
| SSH 端口转发 | 用 SSH 把远端机器内网/localhost 端口映射到本机以访问未公开暴露的服务 | 买Mac Mini前先用VPS自托管AI助手agent |
| tmux 会话保活 | 用 tmux 新建 session 启动进程后 detach,让进程在关闭终端后仍于后台持续运行 | 买Mac Mini前先用VPS自托管AI助手agent |
| Motia | 多语言后端框架,把 API、后台任务、定时任务、事件工作流与实时流统一到单一 step 原语 | Motia后端框架教程-单一step原语统管后端 |
| Step 原语 | Motia 的唯一核心构件,每个 step=一份 config+一个 handler,靠 config.type 区分三类 | Motia后端框架教程-单一step原语统管后端 |
| 事件驱动工作流 | 步骤间通过 emit 发射事件、subscribe 订阅主题串成链而非直接调用,天然解耦可插拔 | Motia后端框架教程-单一step原语统管后端 |
| Motia State | Motia 内置的键值存储,仅适合跨步骤共享临时数据/缓存,非持久数据库替代品 | Motia后端框架教程-单一step原语统管后端 |
| Motia Streams | Motia 内置的实时推送能力,前端用 provider+hook 消费,免自建 websocket/SSE | Motia后端框架教程-单一step原语统管后端 |
| Motia Workbench | 随框架附带的可视化 UI,基于真实代码画步骤图、tracing、日志并内置端点测试 | Motia后端框架教程-单一step原语统管后端 |
| 数据主权 | 在自有域名上自主决定内容排布、可见度与变现,不受平台算法与内容政策裁剪的掌控权 | 2026还需要自己的网站吗——Google团队的取舍框架 |
| BID 三重筛选法 | 承诺关键词前必过的三关:商业价值、搜索意图、竞争难度,任一不过即放弃 | AI时代关键词研究五步法 |
| 种子词与修饰词 | 种子词是 niche 宽泛词,修饰词是 best/how-to/calculator 等把种子词变成真实搜索的附加词 | AI时代关键词研究五步法 |
| 关键词乘数 | 把种子词投进匹配词报告、再用 include 过滤器叠加修饰词,批量放大出成百上千关键词 | AI时代关键词研究五步法 |
| 工具型关键词 | calculator/checker/generator 等需真实交互的搜索词,AI 只能给答案无法替代交互 | AI时代关键词研究五步法 |
| 品牌提及即训练数据 | Reddit/评论/讨论中的品牌提及已成 AI 系统训练数据,越常见越被推荐 | AI时代关键词研究五步法 |
| Keyword Difficulty | 关键词工具给出的 0-100 排名难度分,越低越易排,但需再深挖页面反链指标 | AI时代关键词研究五步法 |
| HTML 解析容错 | 浏览器为兼容存量网页对不规范 HTML 极度宽容、自动纠错的解析行为 | HTML解析的真相-浏览器容错与SEO |
| 自动闭合 head | 浏览器/搜索引擎一旦在 head 里遇到非 metadata 元素,即判定 body 已开始并结束 head | HTML解析的真相-浏览器容错与SEO |
| 混合信号 | 初始 HTML 与 JS 渲染后给出的 SEO 指令不一致,令搜索引擎无法判断真实意图 | HTML解析的真相-浏览器容错与SEO |
| 资源提示 | link 上的 preconnect/preload 等关键字,指示浏览器提前加载优化,对搜索引擎几乎无用 | HTML解析的真相-浏览器容错与SEO |
| 应用层规则超越标准 | 每个 HTML 消费者按自身需要叠加的、HTML 标准未定义的应用特定规则 | HTML解析的真相-浏览器容错与SEO |
| AI-ready 摘要页 | 把长文压成结构紧凑、数字清晰的短摘要落地页,更易被 AI Overview 与答案引擎引用 | 停更新内容后流量反而暴涨的内容再利用五步法 |
| 渠道命中清单 | 用受众研究工具定位受众实际活跃与搜索的平台,列出优先分发渠道的清单 | 停更新内容后流量反而暴涨的内容再利用五步法 |
| NotebookLM | Google 的 AI 研究/笔记工具,靠社区 CLI 接入 Claude Code,可产出播客/思维导图/信息图 | 把研究工作流打包成Claude Code超级技能 |
| Super Skill | 用 Skill Creator 把多个子技能合并成的单一工作流技能,一条命令跑完整条流水线 | 把研究工作流打包成Claude Code超级技能 |
| 第二大脑 | Obsidian vault 作为记录思维方式与工作偏好的知识库,对人和对 Claude Code 双重可读 | 把研究工作流打包成Claude Code超级技能 |
| 自我改进循环 | 反复跑流程并让 Claude Code 依最近对话更新 CLAUDE.md,使输出越来越贴合用户偏好 | 把研究工作流打包成Claude Code超级技能 |
| 抓取基础设施即服务 | Google 内部把抓取能力做成可 API 调用的中央 SaaS,各团队带参数调用而非各跑爬虫 | Google爬虫幕后Googlebot只是一个名字 |
| Googlebot 名字误用 | Googlebot 不是程序,而是某团队调用中央抓取服务时所用的名字/客户端之一 | Google爬虫幕后Googlebot只是一个名字 |
| crawler vs fetcher | 同一抓取设施上两类客户端:crawler 批量持续消费 URL 流,fetcher 单 URL 且需有人等响应 | Google爬虫幕后Googlebot只是一个名字 |
| Googlebot 15MB 抓取上限 | Googlebot 默认对每个 URL 只抓前 15MB 原始字节即停,额度按 URL 独立计 | Google爬虫幕后Googlebot只是一个名字 |
| 503 节流 | 服务器返回 503 被 Google 视作过载信号并进一步减速抓取,而 403/404 不影响速率 | Google爬虫幕后Googlebot只是一个名字 |
| 地理封锁抓取失败 | Google 默认从美国 IP 抓取,geo-block 会导致抓不到,跨区租 IP 是不可依赖的特例 | Google爬虫幕后Googlebot只是一个名字 |
| 抓取缓存复用 | Google 内部激进缓存,短时间内已抓内容不再重复抓而复用副本,受项目权限策略约束 | Google爬虫幕后Googlebot只是一个名字 |
| E-E-A-T | 经验/专业/权威/可信——Google 对内容背后是否可信真人与品牌的综合、不可单点操纵信号 | Lily Ray谈SEO的未来——核心更新、AI搜索与GEO反垃圾 |
| 自吹式榜单 | best X for Y 文章把自家排第一以操纵引用,现已从有效转为反噬品牌 LLM 可见度 | Lily Ray谈SEO的未来——核心更新、AI搜索与GEO反垃圾 |
| 品牌复利 | 靠长期真实营销积累权威、让新页面快速排名并被 LLM 快速引用的复利效应,抗算法更新 | Lily Ray谈SEO的未来——核心更新、AI搜索与GEO反垃圾 |
| 站点臃肿 | 大量低质页面拉低整站质量分、成为核心更新负债,恢复时应第一优先清理 | Lily Ray谈SEO的未来——核心更新、AI搜索与GEO反垃圾 |
| Google Discover | Google 的信息流推荐,比 SEO 更易被点击率与图片操纵,但过火会触发人工处罚 | Lily Ray谈SEO的未来——核心更新、AI搜索与GEO反垃圾 |
| 整站质量分 | Google 对整站内容质量的评估,影响新页面被信任与展示的程度 | Lily Ray谈SEO的未来——核心更新、AI搜索与GEO反垃圾 |
| Spam Brain | Google 持续迭代的反垃圾 AI 系统,长期把链接垃圾等列为最大违规之一 | Lily Ray谈SEO的未来——核心更新、AI搜索与GEO反垃圾 |
| AI 红队自测 | 用 AI agent 扮演白帽渗透测试员,对自己拥有或获授权的站点自动寻找漏洞的防御性测试 | 用自动研究循环红队自测vibecoded网站 |
| Playwright CLI | Playwright 的命令行形态,微软免费出品,比 MCP 形态更快且 token 用量约为其 20% | Claude Code 三个浏览器 agent 工具速览 |
| Firecrawl Interact | Firecrawl agent 的子功能,让浏览器自动化与网页抓取合成同一条流程 | Claude Code 三个浏览器 agent 工具速览 |
| Vercel Agent Browser | Vercel 出的 CLI 浏览器 agent,能力略弱于 Playwright CLI 但更精简更快 | Claude Code 三个浏览器 agent 工具速览 |
| 页面体积的多重定义 | page size 无唯一口径,分传输字节、落盘字节、抓取字节三种,谈论须先校准 | 网站在变胖吗页面体积HTML大小与Googlebot抓取上限 |
| 内容与标记比 | 页面有用内容相对标记开销的比例,是判断大体积页面重得值不值的标准而非绝对字节 | 网站在变胖吗页面体积HTML大小与Googlebot抓取上限 |
| 结构化数据膨胀 | 结构化数据专为机器不为用户,堆得越多页面越大,是站点富展示收益 vs 体积的取舍 | 网站在变胖吗页面体积HTML大小与Googlebot抓取上限 |
| Graph RAG | 在向量检索之外并行构建实体+关系知识图谱的 RAG,能回答跨文档的关联性问题 | 用LightRAG给Claude Code接上Graph RAG知识库 |
| 知识图谱 | 由实体(节点)与关系(边)构成的信息网络,graph RAG 在向量库外并行构建的第二层结构 | 用LightRAG给Claude Code接上Graph RAG知识库 |
| 余弦相似度 | 以向量夹角衡量文本语义相近程度,是 RAG 向量检索取回相关片段的判据 | 用LightRAG给Claude Code接上Graph RAG知识库 |
| LightRAG | HKUDS 开源的低成本 graph RAG 框架,双层架构,对标 Microsoft GraphRAG | 用LightRAG给Claude Code接上Graph RAG知识库 |
| Claude Code Skill | 把外部 API/工具端点封装为 Claude Code 可直接调用的技能单元 | 用LightRAG给Claude Code接上Graph RAG知识库 |
| Search Everywhere Optimization | 把 SEO 从搜索引擎扩展到受众验证决策的所有平台建立可见度的策略 | 被全平台搜到从SEO到搜索无处不在优化 |
| 共识信号 | 同一答案在多平台、多来源、多格式反复出现形成的可信信号,人和 AI 都据此推荐 | 被全平台搜到从SEO到搜索无处不在优化 |
| Meta Overlap | 不同平台各自最优的内容格式彼此相邻,一份内容可自然衍生多平台原生内容 | 被全平台搜到从SEO到搜索无处不在优化 |
| 共识地图 | 从近期成交客户访谈还原出的、受众验证购买决策所经过的平台路径,用于决定投哪些平台 | 被全平台搜到从SEO到搜索无处不在优化 |
| 共识飞轮 | 多平台曝光互喂、品牌词搜索强化 AI 权威判定、AI 推荐再带来更多搜索的复利循环 | 被全平台搜到从SEO到搜索无处不在优化 |
| 无头 Claude Code | claude -p 非交互模式,脱离 IDE 一次性执行完退出,可被 shell/循环/cron 调度 | Claude Code 无头循环搭被动收入自动化 |
| 定时自动化循环 | while true; do claude -p; sleep N; done 按固定间隔无人值守反复触发同一 skill | Claude Code 无头循环搭被动收入自动化 |
| 技能即管道 | 把取数→处理→发送等多步流程固化进一个 skill,用一句 slash 触发整条流水线 | Claude Code 无头循环搭被动收入自动化 |
| Cornerstoning | 把已产生授权的页面内链导向待排名页、层层滚雪球扩张排名版图的现代 PageRank 打法 | 内链第一铁律-把内链当动态资产来经营 |
| Striking Distance Keywords | 排名接近首页(约第 7 位)、只差一点授权就能冲上去的词/页 | 内链第一铁律-把内链当动态资产来经营 |
| Orphan Page | 没有任何内链指向的页面,轮换内链时需留一条最弱链接兜底以防掉出索引 | 内链第一铁律-把内链当动态资产来经营 |
| Malinvestment | 把内链/授权投到根本排不上去的页面而形成的浪费,应改投触及范围页 | 内链第一铁律-把内链当动态资产来经营 |
| 内链轮换 | 把内链当动态资产按月复盘、把授权从已排名页迁移到接近排名页的持续经营动作 | 内链第一铁律-把内链当动态资产来经营 |
| Compact Keywords | Edward Sturm 自创的说法,指铺大量面向购买意图的短页面直接成交 | 内链第一铁律-把内链当动态资产来经营 |
| Preview（Claude Code） | 桌面版本地起开发服务器、可打开 HTML/PDF 并让 Claude 自行操作应用与截图核验 UI 的预览面板 | Claude Code 桌面版五大必知升级 |
| Cloud Session（云会话） | 跑在 Anthropic 基础设施上的 Claude web 会话,本地机器关机也能继续推进任务 | Claude Code 桌面版五大必知升级 |
| RPIT 循环 | research-plan-implement-test 的构建反馈循环,桌面版 Preview 让构建与测试反馈更快 | Claude Code 桌面版五大必知升级 |
| Hermes Agent | 可自托管、通过 Telegram/Discord 对话的个人 AI 助手,带记忆、自动生成技能与 cron | 在VPS上自托管Hermes Agent与Dashboard面板 |
| Agent 网关 | 自托管 agent 必须常驻服务器的进程,负责收发消息与触发 cron,不在线则无回复 | 在VPS上自托管Hermes Agent与Dashboard面板 |
| OpenRouter | 统一 LLM API 入口,用一个 key 切换各家模型,代价是按用量付费而非复用订阅额度 | 在VPS上自托管Hermes Agent与Dashboard面板 |
| 零和偏误 | 认为新事物上升则旧事物必然下降的认知偏差,用于反驳 AI 搜索会杀死 SEO | 什么是AEO答案引擎优化 |
| 品牌提及 | 被 AI 在生成式答案中提到你的品牌,被主张是 AI 可见度唯一最强的杠杆 | 什么是AEO答案引擎优化 |
| AI Visibility | 以出现概率而非固定排名衡量品牌在 AI 答案中被引用的表现,因输出叠加随机而呈概率分布 | AI搜索引擎的三大运作机制 |
| AI Mode | Google 搜索的多轮对话式模式,自带 fan out 与引用、借助模型参数化记忆,拥有更大自有平台 | AI如何改变Google搜索与SEO |
| Side-by-side 实验 | Google 用随机真实 query 对比生产版与实验版、由人工评分员打分得统计结论的评估法 | AI如何改变Google搜索与SEO |
| Launch review | 搜索变更即使统计变好也需工程师向有决策权的 leads 汇报、审查损失模式后才决定上线 | AI如何改变Google搜索与SEO |
| 参数化记忆 | LLM 训练进权重、无需检索即可直接回答的内置知识 | AI如何改变Google搜索与SEO |
| Search Quality Rater Guidelines | Google 公开的搜索质量评分员指南,人工评审据此对实验版与生产版差异打分 | AI如何改变Google搜索与SEO |
| llms.txt | 提议中的标准文件,放在站点根目录向 AI 概述站点信息,目前无主流 LLM 厂商正式支持 | AEO技术优化6项检查让AI找到并读懂你 |
| 服务端渲染(SSR) | 服务器直接输出渲染好的完整 HTML 给爬虫,不依赖浏览器端 JS | AEO技术优化6项检查让AI找到并读懂你 |
| Schema markup | 又称结构化数据,加到页面帮机器理解内容的标记代码,对 AEO 证据不明但无害 | AEO技术优化6项检查让AI找到并读懂你 |
| AI 幻觉 URL | AI 编造出站上不存在的 URL 并推荐给用户导致 404,可对有稳定流量者设重定向回收 | AEO技术优化6项检查让AI找到并读懂你 |
| Core Web Vitals | Google 的页面性能核心指标,加载快、HTML 干净的页面对 Google 与 AI 检索双重受益 | AEO技术优化6项检查让AI找到并读懂你 |
| Alternative 页 | 以”竞品品牌+alternative”为目标关键词的对比落地页,抢占决策阶段流量 | 10蓝链时代终结-SEO没死流血的是发布商和联盟客 |
| 联盟链接剥离 | AI 答案识别并去掉联盟客的追踪链接、直接推荐产品,使联盟客失去佣金的机制 | 10蓝链时代终结-SEO没死流血的是发布商和联盟客 |
| 信息增益 | Google 对每个页面的核心拷问——是否提供了全网还没有的独特价值,聚合/目录站难答是故降权 | Google 2026年5月核心更新:AI垃圾被清、本地目录站崩、GSC反链报告失灵 |
| 规模化AI垃圾内容 | 大批量、低独特价值的自动生成内容,2026 核心更新加强了对其检测与惩罚 | Google 2026年5月核心更新:AI垃圾被清、本地目录站崩、GSC反链报告失灵 |
| 人工处罚 | Google 人工审核后对违规站点的直接惩罚,可致整个子目录彻底移出索引 | Google 2026年5月核心更新:AI垃圾被清、本地目录站崩、GSC反链报告失灵 |
| 三王 | 老派 SEO 术语,指 Google 判断页面主题最依赖的三个信号:title tag、H1、URL | 内容不排名的8个原因与逐条修复清单 |
| 搜索意图匹配 | 页面类型必须与 Google 为某 query 认定的意图/页型一致,权威不足时应照抄前五形态 | 内容不排名的8个原因与逐条修复清单 |
| Non-commodity Content | Google 用语,指添加了专家知识、亲身经历、全新数据等 LLM 还不具备信息的内容 | 内容不排名的8个原因与逐条修复清单 |
| 30 法则 | 内容配比 70% 覆盖 SERP 已有预期答案、30% 是 LLM 训练数据里还不存在的原创 | 内容不排名的8个原因与逐条修复清单 |
| 正EV交易 | 期望值为正的交易,即便单笔胜率低于 50%,靠盈亏不对称使长期整体仍盈利 | Fable5实测agentic交易的策略与踩坑 |
| 长赔率淡化 | 故意押注自估胜率极低但赔付很高的单子,靠不对称赔付让整体仍为正 EV | Fable5实测agentic交易的策略与踩坑 |
| 领先-滞后套利 | 利用 Binance 价格领先、Polymarket 报价滞后的时间差,在滞后市场重定价前入场 | Fable5实测agentic交易的策略与踩坑 |
| 分数Kelly仓位 | 按 Kelly 公式算出最优下注比例后取其分数(如四分之一)以降低波动的仓位管理法 | Fable5实测agentic交易的策略与踩坑 |
| 模型切换 | 把查数据等杂活交给便宜模型、只有核心分析才切回贵模型以控制 token 成本的用法 | Fable5实测agentic交易的策略与踩坑 |
| Codebase Memory MCP | 用纯程序化把代码库抽成跨文件/跨 repo 函数-类关系图谱、供编码 agent 查依赖的 MCP | 给编码agent一张代码库地图codebase-memory-MCP |
| 代码库关系图谱 | 把代码里函数/类及其 import、调用关系抽成的图,agent 靠它定位依赖而不逐个加载源文件 | 给编码agent一张代码库地图codebase-memory-MCP |
| Blast Radius | 一处代码改动可能波及、可能弄坏的所有位置,即改动的影响面/爆炸半径 | 给编码agent一张代码库地图codebase-memory-MCP |
| Pre-Tool-Use Hook 增强 | 在 agent 执行某原生工具前用 hook 拦截并把额外信息注入其结果的设计范式 | 给编码agent一张代码库地图codebase-memory-MCP |
| Agentic 工作流 | 用自然语言要点描述、由 agent 解释并循环执行的工作流,提供横向杠杆、可自然语言秒级重构 | Agentic课·导论 |
| DOE 框架 | Directive/Orchestration/Execution 三层架构,把概率性 agent 包起来降随机性;全课主线方法论 | Agentic课·导论 |
| Claude Skills | Anthropic 把 agentic 工作流打包成可复用便携模块的机制:文件夹+带 YAML front matter 的 skill.md | Agentic课·导论 |
| MCP | Model Context Protocol,标准化把工具/数据暴露给 LLM 调用的协议,喻为 AI 的 USB | Agentic课·导论 |
| AI 能力悬置 | overhang:AI 真实能力远超公众认知与使用水平的落差 | Agentic课·基础概念 |
| 认知套利 | 凭你与市场之间的知识落差创造收益,窗口随技术普及收窄 | Agentic课·基础概念 |
| 自主 agent | 凭一条自然语言指令端到端完成多步真实任务、遇阻自行调整策略 | Agentic课·抓线索 |
| 价值之河 | 把经济看成资本流向提供价值者的河流模型 | Agentic课·抓线索 |
| 横向杠杆 | 以 90%×1万岗位 的宽度放大产出,而非 100%×1岗位 的深度 | Agentic课·抓线索 |
| SWE-bench Verified | 衡量真实软件工程能力的基准,前沿模型约得 80 分 | Agentic课·改变游戏 |
| Diffusion LLM | 扩散式语言模型,可近乎瞬时并行生成文本 | Agentic课·改变游戏 |
| PTMRO 五要素 | agent 每次收发消息都走的五步循环:规划/工具/记忆/反思/编排 | Agentic课·五要素 |
| Agent 规划(目标分解) | 把高层目标拆成有依赖顺序的可执行子任务;误差被下游放大,人应重点介入以收窄 | Agentic课·五要素 |
| Agent 工具(Tool Use) | LLM 与真实系统交互的动作(调 API/执行代码/查库/浏览),是 agent 伸向世界的手 | Agentic课·五要素 |
| Agent 记忆 | 短期(推理 token)/中期(消息链)/长期(跨会话持久化文件与系统提示)三层 | Agentic课·五要素 |
| Agent 反思(自评自纠) | agent 检查自身输出、识别失败并自我纠错,是 self-annealing 的基础 | Agentic课·五要素 |
| Self-annealing 自退火 | 借冶金退火之名,工作流每遇错即诊断修复并写回指令、随运行逐步加固的机制(全课核心概念) | Agentic课·五要素 |
| Agent 编排(Orchestration) | 在规划/工具/记忆/反思间搬运信息的协调层,分角色化团队 vs DOE 两种流派 | Agentic课·五要素 |
| Crew AI | 角色化多 agent 团队编排框架,与 DOE/Claude Skills 并列的一种流派 | Agentic课·五要素 |
| 通用界面 | 当前一切模型交互最终归约成的文本入口(聊天框) | Agentic课·界面演化 |
| no-code 工具 | 拖拽式可视化自动化搭建器,数据流可视易读,与 agentic 工作流相对 | Agentic课·界面演化 |
| Cursor | 主流 AI 代码编辑器/IDE 之一 | Agentic课·界面演化 |
| VS Code | 微软出品的主流 IDE,扩展生态庞大 | Agentic课·界面演化 |
| Antigravity | agentic IDE,三区布局(文件浏览器/编辑器/agent 窗口)运行能动工作流 | Agentic课·界面演化 |
| Whisper Flow | 语音转文字转写工具,用于给 agent 口述指令 | Agentic课·界面演化 |
| 带宽优化 | 利用 说快于打、读快于听 组合语音输入+文本输出吃满人机交互两端 | Agentic课·界面演化 |
| LLM 原生智能 | 不借外部工具、纯靠模型逐 token 推理生成的能力 | Agentic课·LLMvsPython |
| 概率系统 vs 确定性工作 | 概率性生成器(LLM)与有唯一正确答案的确定性计算(脚本)的分野 | Agentic课·LLMvsPython |
| CEO 隐喻 | 自己像 agent 公司的 CEO,只下高层指令、把 怎么做 外包给模型 | Agentic课·IDE |
| UpWork | 自由职业外包平台,课程用作线索抓取/proposal 生成的目标源 | Agentic课·Antigravity |
| workspace | IDE 里承载项目文件与 agent 指令、可跨 IDE 迁移的容器 | Agentic课·VSCode |
| directives 文件夹 | DOE 的 指令 层文件夹,存高层流程说明(通常 markdown),管 做什么 | Agentic课·工作区 |
| executions 文件夹 | DOE 的 执行 层文件夹,存对应实际脚本(通常 Python),管 怎么做 | Agentic课·工作区 |
| .env 文件 | 存 API key/密码等密钥、与代码分离以便安全分享的约定文件 | Agentic课·工作区 |
| agents.md | 每次会话开头自动注入的系统提示文件,跨 IDE 有 claude.md/gemini.md 等变体但内容一致 | Agentic课·工作区 |
| SOP | 标准操作流程;DOE 里 directive 就是自然语言写的 SOP | Agentic课·DOE框架 |
| Directive | DOE 里描述单个任务 做什么/怎么做/何为完成 的指令规格文件 | Agentic课·首个工作流 |
| Definition of Done | agent 自评是否成功的质量判据,directive 四要素之一 | Agentic课·首个工作流 |
| onboarding 工作流 | 新客户入职自动化流程,课程用作首个 DOE 工作流范例 | Agentic课·ClickUpCRM |
| YAML | yet another markup language,skill.md 顶部元数据用的标记语言 | Agentic课·ClaudeSkills |
| Anthropic | Claude 模型与 Claude Code/MCP 的出品公司 | Agentic课·MCP |
| MCP Client | 承载 agent 的 AI 应用外壳(VS Code、Claude Desktop、ChatGPT 等) | Agentic课·MCP |
| 上下文窗口 | 模型单次可容纳的有限 token 空间 | Agentic课·MCP |
| 大海捞针 | needle in a haystack,考察长上下文中检索单个信息能力的测试 | Agentic课·MCP |
| 信息密度 | 单位 token 承载的有效信息量,越高产出越好 | Agentic课·MCP |
| Compaction | 把历史对话摘要压缩后再喂入下一模型实例以省 token | Agentic课·MCP |
| Claude Code | Anthropic 的命令行 agentic 编码工具,本课主要工作载体 | Agentic课·LinkedIn抓取 |
| ideation(构思) | 让 agent 动手前帮你调研并生成候选方案、参与想法定型 | Agentic课·LinkedIn抓取 |
| steering(方向掰正) | 在流程最开头以极小代价把 agent 走向对准目标,回报最高的干预点 | Agentic课·LinkedIn抓取 |
| 并行化 | 同时开多个 agent 实例跑同一任务,扩大方案搜索空间、成倍放大产出 | Agentic课·LinkedIn抓取 |
| 冷启动验证 | 用新数据测试工作流从零到可用,逼出边界问题 | Agentic课·LinkedIn抓取 |
| battle-tested(实战淬炼) | 工作流反复运行、处理过各种边界后达到的高可靠状态 | Agentic课·LinkedIn抓取 |
| 工作区隔离 | 并行 agent 各用独立临时目录干活,避免共用工作区文件冲突 | Agentic课·并行改进 |
| 优胜劣汰式构建 | 遇大障碍即弃方案,只留幸存者并排比测 | Agentic课·并行改进 |
| 合并最优 | 把多方案各自最强部分拼成一条统一工作流,覆盖率叠加 | Agentic课·并行改进 |
| 监督者 | 人退居旁观、按需供给密钥与决策,不介入每步执行的角色 | Agentic课·并行改进 |
| 元指令 | metadirective,把一族独立工作流按序串成一个入口的上层伞形工作流 | Agentic课·持续改进 |
| exponential backoff | 指数退避,失败重试按指数拉长等待间隔的错误处理策略 | Agentic课·自退火 |
| 护栏 Guardrail | 给自主 agent 加的约束层(成本阈值确认、禁改凭证、禁搬密钥、记变更日志) | Agentic课·AI安全 |
| 复合错误率 | 多步流程成功率相乘,错误率随步数灾难性放大(五步 90%→59%、千步 99.9%→约36%) | Agentic课·AI安全 |
| 文本界面 | 高杠杆日常工作从散落 GUI 应用收敛到单一文本框入口 | Agentic课·AI安全 |
| Orchestrator(编排器) | 运行时动态路由决策的 agent,类比项目经理 | Agentic课·效率生产力 |
| 后台任务(background tasks) | 让长任务在后台异步执行、不占当前交互窗口的机制 | Agentic课·盯着跑 |
| Hook | 挂在工作流特定节点上触发副作用(如完成播声音)的钩子机制 | Agentic课·盯着跑 |
| Claude Code Hooks | Claude Code 内置特性,在特定事件自动执行 shell 命令,常用于完成时播提示音 | Agentic课·设置Hooks |
| Modal | pay-per-use serverless 平台,一句自然语言把脚本变云函数并给出 webhook URL | Agentic课·上云部署 |
| Webhook | 被访问即触发工作流的 URL+一段逻辑,像门铃,可由浏览器/HTTP/agent 触发 | Agentic课·上云部署 |
| Cron | Unix 定时约定,用字段串描述执行节奏(如每 5 分钟),可让 agent 代写 | Agentic课·上云部署 |
| ClickUp | 项目管理/CRM SaaS,课程用作 CRM wrapper 与自动化触发的目标 | Agentic课·定时部署 |
| Agent | LLM+harness,能循环规划/调工具/反思以完成任务的自主体 | Agentic课·多Agent扩展 |
| Gmail MCP | 接 Gmail 收发邮件能力的 MCP server | Agentic课·日常使用 |
| 上下文污染 | Context Pollution,窗口被中间产物垃圾塞满导致输出质量下降 | Agentic课·子代理 |
| 上下文隔离 | Context Isolation,子代理独占一块干净窗口干脏活、只回传结论 | Agentic课·子代理 |
| 误差累积 | Compounding Errors,多步各自高准确率叠加后被拉低(千步→约 36%) | Agentic课·子代理 |
| 最小权限 | Least Privilege,每个 agent 只配本职所需工具/访问权的安全模式 | Agentic课·子代理 |
| 单一意图页面原则 | 每个页面只服务单一搜索意图/客户画像,混合多重焦点会同时拖累 SEO 与转化 | 用SEO内容实现全网排名 |
| Topic Gap 分析 | 跑话题覆盖工具对比竞品,找出核心话题下自己遗漏的子话题清单 | 用SEO内容实现全网排名 |
| 本地赞助换信任 | 花小额预算换取本地已具备信任的实体页面的提及或外链,门槛最低的本地信任外链手法 | 用SEO内容实现全网排名 |
| ChatGPT Jobs 功能 | 在普通对话里靠自然语言触发的求职能力,不是独立开关,包含搜索真实在招职位、以及简历创建/优化/定制两块;职位搜索目前仅美国可用,简历部分全球可用。 | ChatGPT求职功能实测 |
| GLM 5.2 | Z.ai(智谱)发布的开源权重大模型,MIT 协议,1M 上下文窗口,主打长链路编程/agentic 任务;字幕里出现的 Gemini 5.2/Gelion 5.2 是对该词的语音转写误听,非指 Google Gemini | GLM5.2成本实测与接入 |
| fusion models | OpenRouter 提出的说法:把不同长处的模型串成流水线,如用多模态模型看图讲清楚、再用便宜模型据此执行,以补齐单一模型的能力短板 | GLM5.2成本实测与接入 |
| Terminal-Bench 2.1 | 面向’在终端里完成真实编程任务’能力的基准测试,视频用它衡量 GLM 5.2 与 Opus 4.8 的差距 | GLM5.2成本实测与接入 |
| token minimizing | 前者指不计成本地多用 token 追求产出上限,后者指反过来省 token、把任务路由给刚好够用的模型以追求单位产出效率;视频主张后者 | GLM5.2成本实测与接入 |
| GStack | Garry Tan 开源的 Claude Code/Codex 工程团队级 skill 合集,23 个角色化 skill + 8 个 slash 命令,把 agent 变成 CEO/架构师/QA/安全审计/发版工程师等全流程虚拟团队 | 9个免费AI技能 |
| Graphify | 把代码库、文档、笔记转成可查询知识图谱、充当 agent 记忆层的 skill,查图谱比全库重新扫描更省 token | 9个免费AI技能 |
| Understand Anything | 把代码库转成给人类阅读的交互式知识图谱的 skill,定位是新人 onboarding 与代码探索,而非 agent 记忆 | 9个免费AI技能 |
| Stop Slop | 专门用来去除文本中 AI 写作腔调(‘AI tells’)的极简 skill | 9个免费AI技能 |
| Hyperframes | HeyGen 出品的动画生成 skill,与 Remotion 同类竞品,一句 prompt 生成 After Effects 风格短片 | 9个免费AI技能 |
| PROFIT 系统 | 博主提出的六步顺序框架:Pick a niche(选细分市场)→Recognize the right offer(明确offer)→Outreach that converts(有效获客)→Fulfilled with AI(标准化交付)→Increasing recurring revenue(经常性收入)→Transform into a real business(生意化),核心是先想问题、工具放最后。 | 30天签首个AI代理客户 |
| Setup fee + monthly retainer | 把一次性尾款拆成覆盖运营成本的起步费和持续积累的月费两段收取,避免每月从零开始找客户。 | 30天签首个AI代理客户 |
| Meditations on Moloch | Scott Alexander 2014 年文章,用竞争性激励结构解释个体为何明知集体后果有害仍被迫参与——本章用它解释 AI 实验室为何冒着地缘政治风险持续狂奔。 | 0xSero课·02地缘政治经济学 |
| member of technical staff | Anthropic 对内部员工的统一称呼、不设常规科层头衔,被视为其低员工流失率企业文化的组成部分。 | 0xSero课·02地缘政治经济学 |
| Claude constitution | Anthropic 为模型撰写的价值/行为准则文档,本章视其为往模型注入人格与道德立场的具体实践。 | 0xSero课·02地缘政治经济学 |
| 制裁名单式分发 | 本章讨论的一种推测性未来机制:政府/厂商用可自定义的技术性规则(员工规模、员工国籍占比等)圈定能获得下一代最强模型访问权的实体名单,借此把集中化控制落到实处。 | 0xSero课·02地缘政治经济学 |
| 蜜月期效应 | 新模型发布初期因关注度和炒作而掩盖真实缺陷,退潮后即便模型未变也会有人说其被削弱的心理现象 | 0xSero课·01封禁三猜想 |
| Bloodborne 基准 | 用重建这款魂系动作游戏作为提示词,横向比较不同模型代码生成细节还原能力的非正式基准测试 | 0xSero课·01封禁三猜想 |
| zero-day exploit | 安全补丁公开合并前就被抢先发现并武器化利用的漏洞,本章语境下指模型被用来批量扫描开源仓库PR挖掘此类漏洞的风险 | 0xSero课·01封禁三猜想 |
| 活跃参数 (active parameters) | MoE 模型里每次推理实际参与计算的参数量,决定单 token 的智能密度和生成速度,与总参数量(决定知识覆盖面)是两个独立维度。 | 0xSero课·04本地推理硬件 |
| prefill | 推理的第一阶段,处理输入提示词,要求把整套模型权重先加载进显存/高速内存,是内存需求最大的阶段。 | 0xSero课·04本地推理硬件 |
| decode | 推理的第二阶段,逐 token 生成,内存占用约为 prefill 的 1/10,主要取决于活跃参数量。 | 0xSero课·04本地推理硬件 |
| Exo | 能把多台 Mac 和/或 DGX Spark 组合成一套推理集群的编排工具,让不同设备分别承担 prefill 与 decode,换取显存和速度的双重收益。 | 0xSero课·04本地推理硬件 |
| 分离式推理 (disaggregated inference) | 把 prefill 和 decode 拆到不同硬件(如 DGX Spark 与 RTX Pro 6000)上分别执行,以更低成本组合各自的性价比优势;消费级仍处实验阶段,大型实验室内部已在用。 | 0xSero课·04本地推理硬件 |
| DGX Spark | Nvidia 的小型算力设备,单台 128GB,擅长训练、prefill 和微调,但 token 生成(decode)速度较慢。 | 0xSero课·04本地推理硬件 |
| RTX Pro 6000 | Nvidia 专业级显卡,是本课中高预算($100k 级)下追求 100+ token/s、全模型覆盖的首选本地推理硬件。 | 0xSero课·04本地推理硬件 |
| LM Studio | 本地跑开源大模型的桌面客户端,能判断本机可运行的模型规格,是零基础入门本地部署的第一步 | 0xSero课·03硬件选型指南 |
| Prime Intellect | 按小时计费的 GPU 云租赁平台,建议在购买硬件前先按小时租目标显卡实测性能与体验 | 0xSero课·03硬件选型指南 |
| 3090 倍增基础组件思路 | 把 RTX 3090(24GB/约1000美元)当基础单位,扩容按 2 的幂次(1、2、4、8、16)走,而非任意数量;性价比优于新卡但需考虑散热供电 | 0xSero课·03硬件选型指南 |
| SWE-bench Pro | 衡量 agentic 编程与工具调用能力的基准测试,用于给不同压缩位宽的开源模型分档打分 | 0xSero课·03硬件选型指南 |
| 35B) | $250-9000 预算区间内唯一能胜任 agentic 任务的开源模型系列 | 0xSero课·03硬件选型指南 |
| Step 3.7 flash | 约 $9000 硬件档(两台 DGX Spark)可跑的模型,性能介于 Qwen 系列和 GLM 4.5 之间的一次大跃升 | 0xSero课·03硬件选型指南 |
| Signal Engine | agent 单向推送结构化事件、仪表盘只负责展示且不能反向指挥 agent 的架构模式,控制权与展示权物理分离部署 | Fable5·Agent信号地图 |
| ingest token) | 把”谁能看板子”(app password)和”谁能往板子里写”(ingest token)拆成两条各自独立、互不替代的信任通道 | Fable5·Agent信号地图 |
| verification flag(验证标记) | agent 对未核实/易被过度断言的信息打的风险标记,只提醒不自动删除或拒发,是护栏而非硬拦截 | Fable5·Agent信号地图 |
| story bundle(故事捆绑) | agent 把同期出现、指向同一叙事趋势的多条独立信号自动识别并打包成一组,供人快速看清宏观格局 | Fable5·Agent信号地图 |
| capability clipping) | 模型权重照常公开发布,但底层悄悄限制特定领域(如加速前沿LLM研发)的输出质量,导致公开跑分与真实可用能力永久脱节、且用户无法察觉或审计——比直接封禁更隐蔽、更难引发公众反弹的控制手段。 | AI访问权即将改写 |
| 蒸馏叙事崩溃论证(distillation narrative collapse) | 若美国前沿模型(GPT-5.6/Mythos)被限制不公开,而中国开源模型公开跑分反超,则’中国模型只是蒸馏美国模型’的说法只剩三种解释——中国已独立具备前沿能力、限制本身已失败、或美国最强模型对多数开发者根本没有商用价值——三种解释都会削弱支撑美国AI公司万亿估值的’持久前沿领先’叙事。 | AI访问权即将改写 |
| AI激励陷阱(AI incentive trap) | 闭源实验室的核心生意是按token计费的’智能访问权’(intelligence as a utility bill);开源模型+模型路由(把简单任务分流给便宜模型)会直接侵蚀这套单位经济,这是大厂支持限制开源模型的真实商业动机,不完全等同于纯粹的安全顾虑。 | AI访问权即将改写 |
| sleeper agent 权重后门信任问题 | 可训练LLM在绝大多数场景表现正常、遇隐藏触发词才启动恶意行为,且这种后门能在微调/安全训练/对抗测试后存活;因后门写在权重本身里,本地推理无法移除它,只是把风险搬到自己机器上运行——足以让某模型即便不被明令封禁也变得’商业上不可用’。 | AI访问权即将改写 |
| 证据优先内容 | 先确定真实购买难题、产出原创测试证据,再用AI组织分发,取代旧的关键词优先重写模式 | 我发现了2026年Pinterest和亚马逊联盟营销的秘密 |
| 变现页五要素 | 联盟变现页应具备的五个组成部分:具体买家问题、可见方法论、原始证据、决策细分、清晰下一步 | 我发现了2026年Pinterest和亚马逊联盟营销的秘密 |
| Forbes测试 | 判断细分品类是否还值得做的启发式:若Forbes等大媒体已写过大概率排不上去,越窄越冷门越安全 | 我发现了2026年Pinterest和亚马逊联盟营销的秘密 |
| 内容矩阵 | 同一产品簇按四个意图角度(问题/结果/对比/受众)乘三种视觉形式,拆成多个不重复的Pinterest pin | 我发现了2026年Pinterest和亚马逊联盟营销的秘密 |
| 单一核心机制App | 一个真实痛点+一个新颖机制撑起全部产品与传播价值,不靠功能堆砌 | 这个极简应用月入5万美元 |
| API窗口机会 | 平台新开放某系统能力后短时间内涌现一批围绕该能力的新产品,窗口通常短暂 | 这个极简应用月入5万美元 |
| Top of Funnel优先 | AI拉平建造门槛后,把绝大部分精力投入获客曝光而非持续叠加产品功能 | 这个极简应用月入5万美元 |
| Influencer保量付费模型 | 按view保量而非固定坑位付费给创作者,风险可控但回报呈幂律分布,少数爆款视频贡献主要收入 | 这个极简应用月入5万美元 |
| 黑盒归因法 | 无法精确追踪单条投放转化时,靠播放量与转化的时间尖峰对齐粗略判断投放是否起效 | 这个极简应用月入5万美元 |
| Keyword Stuffing | 在页面里硬塞关键词/数字以操纵排名的垃圾手法,Google spam policy 明文列为违规 | Chewy 用了这个谷歌垃圾策略88次，然后流量暴跌 |
| Domain Authority | 第三方(Moz)给出的、衡量站点整体排名实力的分数,高权威度可掩盖较差的页面级 SEO | Chewy 用了这个谷歌垃圾策略88次，然后流量暴跌 |
| 四个转化问题框架 | 判断页面转化力的四问:你是谁、做什么、为什么可信、怎么联系你 | 他审计了7万个网站，这就是你的SEO流量不转化的原因 |
| Heart-Head-Hands 原则 | 情感打动→理性验证→行动转化的三段式说服顺序 | 他审计了7万个网站，这就是你的SEO流量不转化的原因 |
| CTA一二三框架 | 页面任意位置至少1个CTA、首屏2个、底部3个的数量下限规则 | 他审计了7万个网站，这就是你的SEO流量不转化的原因 |
| F形阅读模式 | 用户扫描网页时先看右上、再往下、再到中间的视觉阅读路径 | 他审计了7万个网站，这就是你的SEO流量不转化的原因 |
| Fantastic 4 表单字段 | 姓名/电话/邮箱/留言,其中前三项是表单的硬性必填底线 | 他审计了7万个网站，这就是你的SEO流量不转化的原因 |
| False Bottom(假底部) | 页面视觉上像是已经到底、实则下方还有更多内容,导致用户提前放弃滚动的转化陷阱 | 他审计了7万个网站，这就是你的SEO流量不转化的原因 |
| Proof Density(证据密度) | 案例、奖项、认证、真人影像等多种社会证明同时叠加,而非只放单条评价 | 他审计了7万个网站，这就是你的SEO流量不转化的原因 |
| Mount AI 模式 | 批量发布AI内容后流量先像爬山一样上涨、再因负面用户信号被算法识别而断崖下跌的曲线模式 | 他审计了7万个网站，这就是你的SEO流量不转化的原因 |
| Eyebrow + Benefit Line | H1放关键词满足搜索引擎、独立的大标题放利益点满足用户情感的双轨标题设计 | 他审计了7万个网站，这就是你的SEO流量不转化的原因 |
| 上下分层产品页 | 电商产品页上半段服务用户体验(约300词)、下半段服务SEO关键词覆盖(约700词)的结构设计 | 他审计了7万个网站，这就是你的SEO流量不转化的原因 |
| 过期域名GMB嫁接术 | iGaming圈曾流行两年的turn-and-burn套路:找带GMB/社媒关联页的强权威过期域名做首页单页优化,挂子域名并canonical指回首页;约1.5个月前被Google打补丁 | iGaming SEO专家揭秘如何操纵ChatGPT推荐 |
| AI信誉二次核查 | AI在榜单共识之外追加的核查步骤,去看品牌的Trustpilot等口碑平台评价,口碑差会在推荐中附加保留意见 | iGaming SEO专家揭秘如何操纵ChatGPT推荐 |
| 锚文本安全配比 | 精确关键词锚文本控制在5%以内、品牌+关键词半优化型15-20%、其余用纯品牌词的外链锚文本配置经验法则 | iGaming SEO专家揭秘如何操纵ChatGPT推荐 |
| 过度SEO痕迹 | 内容读起来像照SEO检查清单堆出来而非自然写作的可识别特征,被认为是网站遭算法/AI降权的根本原因而非SEO本身 | iGaming SEO专家揭秘如何操纵ChatGPT推荐 |
| Ikigai | 日语词,指世界需要·愿付费·擅长·热爱四者交集,用来挑选值得投入的项目 | 我如何工作：年入千万美元的连续创业者 |
| Zebra calendar | 把日程切成高强度短会+短休息交替排布的日历方式 | 我如何工作：年入千万美元的连续创业者 |
| Active planning | 晨间列出当日必须完成事项、并立即安排进日历的规划动作 | 我如何工作：年入千万美元的连续创业者 |
| Ceaseless action | 不间断持续行动,视频中指从0到第一个百万美元阶段应采用的策略 | 我如何工作：年入千万美元的连续创业者 |
| Reactive PR | 响应记者在 HARO 等平台发出的求助请求、提供专业回答换取媒体引用与外链的被动式公关方式 | 数字公关手册：获取高权威外链（多数SEO从未掌握） |
| Active PR | 主动自造内容/数据/故事再推给记者的公关方式,与 reactive PR 相对,竞争更小、锚文本更可控 | 数字公关手册：获取高权威外链（多数SEO从未掌握） |
| Tiered Link Building | 一篇内容先被顶级媒体引用,该篇报道又被下游媒体转引,形成多层链条式反链的现象 | 数字公关手册：获取高权威外链（多数SEO从未掌握） |
| Media List | 用 Muck Rack 等记者数据库筛出对口记者、再用 Hunter 找邮箱后自建的 outreach 目标名单,核心字段是记者+近期文章 | 数字公关手册：获取高权威外链（多数SEO从未掌握） |
| 邮箱预热 | 用第三方 warm-up 服务让新发信域名/邮箱从零逐步爬升发信量与打开率、避免被判垃圾邮件的过程 | 数字公关手册：获取高权威外链（多数SEO从未掌握） |
| 锚文本品牌化 | 在外链锚文本中刻意加入品牌名或具体数字,而非千篇一律的泛化措辞,以强化搜索引擎对品牌实体的识别 | 数字公关手册：获取高权威外链（多数SEO从未掌握） |
| Entitlement(功能授权) | 区别于订阅套餐总包的具体功能访问权限,是访问控制应该检查的粒度 | 别再这样构建AI计费了——开发者常犯的5个错误 |
| Metered usage(按用量计量) | 按实际使用次数/token数计量并计费的模式,而非固定套餐一刀切 | 别再这样构建AI计费了——开发者常犯的5个错误 |
| Overdraft(计费透支) | 用户实际用量超过其当前余额但请求仍被放行,导致平台先垫付成本 | 别再这样构建AI计费了——开发者常犯的5个错误 |
| Flat site structure（扁平站点结构） | 任意页面距首页三到四次点击以内的站点结构，决定爬取深度与爬虫来访频率 | 一个月计划修复技术SEO（提升排名） |
| Canonical Tag（canonical标签） | 当多个URL内容相似时，用canonical标签告诉搜索引擎哪个是应被索引的主版本 | 一个月计划修复技术SEO（提升排名） |
| Micro-Moments | Google 2015 年提出的四种搜索心智状态框架(want to know/go/do/buy),同一关键词因时刻不同需要完全不同内容 | 你做错了SEO |
| 共识引擎 | LLM本质是模式识别/共识生成系统而非研究工具,新输入文档可让其瞬间推翻先前结论 | GEO手册如何通过付费引用、Reddit和AI搜索挑战SEO |
| 引用-流量脱钩 | AEO引用量大幅上升,但实际带来的点击流量可能微乎其微 | GEO手册如何通过付费引用、Reddit和AI搜索挑战SEO |
| 付费引用买断 | 直接付费换取被列入最佳XX榜单/引用文章的位置而非走免费公关外联,业内视为新型黑帽外链 | GEO手册如何通过付费引用、Reddit和AI搜索挑战SEO |
| Reddit资源页战术 | 在自有站建一个品牌+Reddit资源页面,无需真正运营Reddit账号即可截获品牌+Reddit类搜索流量 | GEO手册如何通过付费引用、Reddit和AI搜索挑战SEO |
| Query Fan-out漂移 | LLM将prompt拆解为搜索查询时倾向附加的高频修饰词规律(如年份),摸清即可低成本优化 | GEO手册如何通过付费引用、Reddit和AI搜索挑战SEO |
| AEO可见度盲区 | Profound等工具给出的可见度分数只覆盖已设定追踪的prompt集合,对未覆盖的prompt空间无从得知,本质是有依据的猜测 | GEO手册如何通过付费引用、Reddit和AI搜索挑战SEO |
| Attention Dividend | 持续投入注意力维护的页面会持续获得流量与营收回报,无人维护的页面则自然衰退 | 谷歌碾压了联盟网站，但他的依然增长。 |
| Agent A | Ahrefs 出品的全权限 AI agent,可直接访问站点数据、自主分析并给出可执行决策,区别于只答问题的顾问型 AI | 谷歌碾压了联盟网站，但他的依然增长。 |
| 测试者与写手分离 | 真实使用者负责实测产出第一手数据,写手不参与测试只负责转化成可读内容,两者分工形成难被复制的内容护城河 | 谷歌碾压了联盟网站，但他的依然增长。 |
| Podcast Credibility Engine | 靠高频上播客积累可被搜索到的信任信号(反链、品牌提及、品牌搜索量),从而降低后续转化门槛的获客前置策略 | 22岁重来我会用这套方案90天赚够纽约房租 |
| 服务置换（Service Swap） | 与同处起步阶段的互补领域从业者互相提供专业服务并互相转介绍,零预算冷启动获客的打法 | 22岁重来我会用这套方案90天赚够纽约房租 |
| K3s | 轻量版 Kubernetes 发行版,适合中小规模自托管集群 | 我用这个盒子管理百万美元SaaS组合（自托管） |
| Helm 自动化部署 | Kubernetes 包管理与发布工具驱动的滚动发布流程:构建镜像→推送→滚动更新→健康检查→切换 | 我用这个盒子管理百万美元SaaS组合（自托管） |
| CloudNativePG | Postgres 的 Kubernetes operator,把数据库故障转移/备份/恢复收敛为声明式配置 | 我用这个盒子管理百万美元SaaS组合（自托管） |
| MinIO | S3 兼容的自托管对象存储,社区版已进入维护模式,是自托管方案的潜在风险信号 | 我用这个盒子管理百万美元SaaS组合（自托管） |
| pgvector | Postgres 的向量搜索扩展,可替代独立向量数据库做 RAG/向量检索 | 我用这个盒子管理百万美元SaaS组合（自托管） |
| WireGuard 隧道 | 轻量级 VPN 协议,用于把公网边缘节点与私有基础设施连成加密隧道 | 我用这个盒子管理百万美元SaaS组合（自托管） |
| 源站隔离(Origin Isolation) | 让真实服务器不直接暴露公网,只通过可随时丢弃的边缘节点转发流量的安全模式 | 我用这个盒子管理百万美元SaaS组合（自托管） |
| Parasite SEO(寄生SEO) | 借用第三方高权威站点(Reddit/YouTube/LinkedIn等)排名位置为自己引流的黑帽手法 | 谷歌6月垃圾内容更新太狠了 被清空的网站及原因 |
| Cloaking(隐藏页面) | Google爬虫与真实访客看到不同版本页面,无论是否故意都算违规 | 谷歌6月垃圾内容更新太狠了 被清空的网站及原因 |
| Domain manipulation(过期域名嫁接) | 买入已有权威的过期域名并塞入无关内容以蹭其历史排名 | 谷歌6月垃圾内容更新太狠了 被清空的网站及原因 |
| Mount AI | 靠海量AI生成页面短期暴涨流量、随后被Google识别模式而暴跌,流量曲线形似山峰的现象 | 谷歌6月垃圾内容更新太狠了 被清空的网站及原因 |
| 受众先行式发布 | 先靠内容积累细分领域受众与影响力,产品上线前就悄悄植入内容试水,正式发布时借助已有受众引爆增长,而非发布后再拉新获客 | 我们用AI全自动打造了这款月入2万美元的应用 |
| 建造壁垒消失 | AI对话式编程工具让无代码背景者能独立描述需求、完成开发与验证,并把上架成本压到极低,建造应用的技术门槛被抹平 | 我们用AI全自动打造了这款月入2万美元的应用 |
| 按受众消费力定价 | 按目标用户群体真实的可支配消费习惯与心理价位锚点设定订阅价格,而非套用行业常规SaaS定价逻辑 | 我们用AI全自动打造了这款月入2万美元的应用 |
| 创始人轮班制 | 在校创始人与全职创始人按各自可投入时间轮流全力推进项目,以弥补单人无法兼顾学业与全职创业的两难 | 我们用AI全自动打造了这款月入2万美元的应用 |
| 为未来自己解决问题 | 留意自己当下正在经历、未来大概率还会再出现的问题,现在就把解决方案做成产品,是寻找产品创意的具体方法 | 我们用AI全自动打造了这款月入2万美元的应用 |
| 编辑体属性(Editorial Essence) | 网站需具备持续出版节奏与身份认同,是进入Google Discover的准入前提,纯电商站或长期不更新的静态站不合适 | Google Discover 是SEO们错失的最大流量机会（已证实超10亿点击量） |
| 受众画像研究(GA4 User Attributes) | 用Google Analytics的User Attributes Overview(年龄/性别/兴趣)构建单一受众画像来定选题方向,取代关键词研究 | Google Discover 是SEO们错失的最大流量机会（已证实超10亿点击量） |
| 一句情绪一句承诺标题公式(One Emotion One Promise) | 抛开关键词逻辑,直接对目标受众情绪说话、给出一个必须兑现的点击承诺的Discover标题写法 | Google Discover 是SEO们错失的最大流量机会（已证实超10亿点击量） |
| 内容剪枝反效果(Content Pruning风险) | 删除或大规模重定向旧文章会摧毁网站积累的编辑信任信号,在Discover上是致命操作,与部分SEO的裁剪惯例相反 | Google Discover 是SEO们错失的最大流量机会（已证实超10亿点击量） |
| Win Rate(命中率) | 已发布文章中获得Discover流量的比例,健康值应≥80%,是判断选题/标题是否匹配受众的核心自检指标 | Google Discover 是SEO们错失的最大流量机会（已证实超10亿点击量） |
| 狙击策略(Sniper Strategy) | 主动减少发布量、把资源集中在少数高CTR选题上,以提升命中率并维持核心更新后的可持续性 | Google Discover 是SEO们错失的最大流量机会（已证实超10亿点击量） |
| 核心更新换血(Core Update Turnover) | Discover信息流同时段可展示站点位有限(约200个),核心更新周期性把曝光轮换给新面孔,是算法常态而非惩罚 | Google Discover 是SEO们错失的最大流量机会（已证实超10亿点击量） |
| Push型分发(vs Pull型搜索) | Discover是Google主动推送内容给用户(push),而非用户搜索后拉取(pull),这一根本差异决定了内容与标题写法与SEO相反 | Google Discover 是SEO们错失的最大流量机会（已证实超10亿点击量） |
| Brand Entity | 评论、PR、Reddit提及、案例研究等信号汇总而成的、LLM判断品牌可信度所依据的整体形象,GEO论者主张的核心差异化操作对象 | GEO真的存在吗？一场SEO辩论白热化 |
| LLM存储悖论 | 全网索引约25 exabytes远超LLM运行内存(约百GB)量级,证明LLM不可能静态存储全网品牌信息,答案必然依赖实时检索 | GEO真的存在吗？一场SEO辩论白热化 |
| Prompt-Query落差 | 用户实际输入的prompt与LLM内部真正发给搜索引擎的query往往不同,找到并针对后者优化才能被LLM复述 | GEO真的存在吗？一场SEO辩论白热化 |
| AI Visibility Audit | 用上百个模拟提示词对比自身与竞品在各LLM中的可见度表现,定位品牌实体差距的诊断流程 | GEO真的存在吗？一场SEO辩论白热化 |
| 静态语料与检索双系统 | AI 答案由训练时固化的静态语料(历史品牌信任)与实时检索(citation)叠加共同生成,二者协同决定谁会被提及 | 谷歌算法更新对SEO的重要变化 |
| Citation 稳定性 | AI 引用来源单日高波动、但按月度尺度观察反而趋于稳定,应盯长期稳定的少数 URL 而非追逐单日变化 | 谷歌算法更新对SEO的重要变化 |
| 域名相关性对冲权威分 | 关键词强相关的小域名可用相关性弥补权威分/外链短板,domain score 并非全貌 | 谷歌算法更新对SEO的重要变化 |
| 排名-引用脱钩 | 某页面在传统搜索排名的具体 URL 与被 AI 检索实际引用的 URL 常非同一页,传统排名不等于被引用 | 谷歌算法更新对SEO的重要变化 |
| 跨引擎信源重合度 | 用对比工具衡量各答案引擎(Perplexity/ChatGPT/Brave/DuckDuckGo)与 Google 搜索结果的重合度,揭示各自真实信源 | 谷歌算法更新对SEO的重要变化 |
| 本地AI可见度二元架构 | Google 自家 AI 产品几乎只看 Google Business Profile/本地三联表现,第三方引擎(如 ChatGPT)依赖第三方点评目录,二者投入应分别对待 | 谷歌算法更新对SEO的重要变化 |
| SEO故事化 | 在标题和正文里嵌入真实私人细节,让内容更个人化、更易被AI Overview等答案引擎引用和点击的写作手法 | 5000次SEO访问让她的客户本地企业被私募收购 |
| 开环钩子 | 在文章开头抛出一句带情绪但不解释原因的话,制造读者想继续读下去的悬念缺口 | 5000次SEO访问让她的客户本地企业被私募收购 |
| Known-for内容支柱 | 先选定4个想’以此闻名’的主题类别,每次只专注一个、连续产出约12篇内容/3个月再切换下一个,用于系统性建立话题权威的选题节奏 | 5000次SEO访问让她的客户本地企业被私募收购 |
| Spreadsheet-to-App 转化路径 | 把日常工作里手工维护的电子表格,借助 AI 编程工具直接构建为可上线应用的创意来源与实现方式 | 我把这个电子表格变成了月入3万美元的微型SaaS |
| 免费增值增长杠杆 | 主动压低付费门槛甚至提供限时免费试用换取用户基数与口碑增长,而非用高价筛选客户 | 我把这个电子表格变成了月入3万美元的微型SaaS |
| 躺赢陷阱 | 追求”轻松赚钱”而非解决真实问题的心态,在快速迭代市场中会被淘汰 | 我把这个电子表格变成了月入3万美元的微型SaaS |
| MPP | Stripe 发布的支付协议,通过 Link 给 AI agent 提供钱包,使其能代替用户或客户自主完成在线支付 | 我在旧金山让我的SaaS准备好对接AI agents |
| Stripe Treasury | Stripe 内嵌的类银行账户功能,资金到账后可直接使用,无需再提现到外部银行 | 我在旧金山让我的SaaS准备好对接AI agents |
| DataFast CLI | DataFast 分析类 SaaS 新增的命令行工具,把仪表盘查询能力开放给终端和 AI agent 调用 | 我在旧金山让我的SaaS准备好对接AI agents |
| Core 30 | 把网站结构镜像 GBP 品类/服务设置、通常落地约30个页面的本地SEO起步框架（多地点连锁则倍增为 Core 150 等） | 30页本地SEO技巧 谷歌AI已在奖励 |
| 属性匹配 | 内容需明确出现搜索查询里的限定属性词（如材质、地域用词），才会被 AI 判定为匹配结果并推荐 | 30页本地SEO技巧 谷歌AI已在奖励 |
| 信息增量 | 内容相对已有同类页面必须提供真实新信息，而非对现有内容的平均值复述，是本地内容扛住 Google AI垃圾内容打击的关键 | 30页本地SEO技巧 谷歌AI已在奖励 |
| Rank Map | 在地图网格各点位模拟搜索、生成排名热力图的工具/报告，核心指标是前三名占比 | 30页本地SEO技巧 谷歌AI已在奖励 |
| Ask Maps | Google 地图内直接对话 Gemini 的功能，2026年3月上线，被视为地图排名算法未来转向信号 | 30页本地SEO技巧 谷歌AI已在奖励 |
| AI slop | 低质量、无信息增量的 AI 批量生成内容，是 Google 2026年5月起大规模打击去索引的对象 | 30页本地SEO技巧 谷歌AI已在奖励 |
| 品类攻坚(Topic Domination) | 单季度只专注一个具体品类、投入密集内容与分发资源直到该品类在传统搜索与AI答案中都建立引用覆盖,再滚动到下一品类 | 2026年电商SEO策略（真正有效的方法） |
| 五阶段客户认知漏斗 | 从完全无认知到最认知的经典营销漏斗,SEO选题按此倒排、优先攻转化最快的最认知阶段 | 2026年电商SEO策略（真正有效的方法） |
| AI 选题 Grounding | 把品牌真实页面/数据喂给AI做选题或写作输入,让输出基于品牌实际情况而非模型训练集里的泛知识 | 2026年电商SEO策略（真正有效的方法） |
| Blend 分析法 | 把传统搜索导出结果与AI引用来源导出结果合并成一张表按域名排序,找出多检索面反复出现的高权威域名 | 2026年电商SEO策略（真正有效的方法） |
| 竞品对比四型查询 | alternatives / review / 竞品对竞品battle / 竞品vs你 四类可批量复制的对比型查询战术,含在热门竞品对比查询后插入自身品牌名蹭热度的技巧 | 2026年电商SEO策略（真正有效的方法） |
| CCBot 与训练集烤入 | Common Crawl 的抓取机器人,其月度快照被OpenAI/Anthropic等下载筛选作模型训练数据;能否被其抓取决定品牌能否被烤入模型静态知识,区别于实时检索可见性 | 2026年电商SEO策略（真正有效的方法） |
| 本地站四枢纽结构 | 本地商业网站按服务、服务区域、信任/公司、转化四个枢纽组织信息架构的方法 | 我用Claude Code在Google排第一 |
| Thin Doorway Page | 缺乏原创本地内容与内链支撑、被 Google 判定为薄弱导流页的服务-城市模板页 | 我用Claude Code在Google排第一 |
| 需求驱动建页 | 先用关键词 API 拉真实搜索量数据决定建哪些页,零需求组合直接舍弃,而非凭感觉批量铺页 | 我用Claude Code在Google排第一 |
| btw 旁问指令 | Claude Code 中在主任务执行途中插入小问题、无需另开会话的技巧 | 我用Claude Code在Google排第一 |
| Observe-Diagnose-Act-Verify-Learn 循环 | 站点自动化改版的五步反馈闭环,配合 staging 验证/变更预算/自动回滚等护栏控制风险 | 我用Claude Code在Google排第一 |
| PageRank | Google早期以链接结构计算页面权威度的算法及其分值,度量在页面级而非域名级累积——同一域名多页面各自拥有独立权威池,是 canonical 与 cannibalization 存在的根因 | 谷歌已终结的301重定向神话…SEO从业者2026年仍深信不疑 |
| Gary Illyes | Google员工,2016年公开推特澄清30x重定向不再损失PageRank | 谷歌已终结的301重定向神话…SEO从业者2026年仍深信不疑 |
| 301重定向 | 永久性URL跳转,视频核心澄清对象:不再造成链接权重损失 | 谷歌已终结的301重定向神话…SEO从业者2026年仍深信不疑 |
| 302重定向 | 临时性URL跳转,与301的永久语义相对 | 谷歌已终结的301重定向神话…SEO从业者2026年仍深信不疑 |
| 重定向链 | 多级连续跳转(A→B→C→…),即便单跳不损权重仍会拖慢加载、需避免 | 谷歌已终结的301重定向神话…SEO从业者2026年仍深信不疑 |
| 服务端重定向 | 由服务器在页面加载前直接告知爬虫URL已迁移的重定向方式,优于客户端跳转 | 谷歌已终结的301重定向神话…SEO从业者2026年仍深信不疑 |
| 外脑三条路线 | 把积累知识喂给 agent 的三种形态——文件 wiki / Graph RAG / 程序化图谱,按语料规模与结构可解析性选型 | 外脑三条路线 |
| 五层 AI 自动化栈 | AI 自动化项目的工程分选型:Backend(语言+API 框架+任务队列)/ Database(SQL+向量)/ Frontend(组件库+构建)/ AI Layer(LLM 与多模态 API 直调)/ Infrastructure(容器化+部署平台) | 2026年最佳AI自动化技术栈学习指南 |
| 工具派 vs 工程派 | AI 自动化两条路线的派别分流:工具派(零代码、n8n/Zapier/Gumloop)适合快速搭与运营/营销自动化;工程派(Python/FastAPI/Postgres/自定义代码)适合生产/企业/合规/长期维护;两者按”项目生命周期+合规要求”分流选型 | 2026年最佳AI自动化技术栈学习指南 |
| agent-readable 组件库 | UI 组件库设计模式:把组件源码直接 import 进项目而非装 npm 包,让 AI coding agent 能直接改组件;shadcn/ui 是 2025-2026 的代表实现,选型逻辑从”组件最全”转为”agent 改得动” | 2026年最佳AI自动化技术栈学习指南 |
| Gbrain | Garry Tan 的 GStack 体系里常驻、自动同步刷新的第二大脑子系统,与低层级的差异在自治程度而非存储深度 | Claude第二大脑的五个层级详解 |
| pain-driven 选级 | 按当下痛点决定第二大脑/知识系统层级的选型思路,不预设高层级必胜、没痛点不升级 | Claude第二大脑的五个层级详解 |
| context vs connections | 第二大脑只沉淀长期稳定的 context(季度重点、决策日志),不沉淀会变的 connections(邮件、Slack 线程),后者让 agent 按需去源系统拉 | Claude第二大脑的五个层级详解 |
| 产品即工作 | agent SaaS 卖的不是工具席位而是「团队不必再亲手做的那份工作」,定价对应人力预算(product-is-the-job) | AI Agent是新一代SaaS |
| 最小有用 agent | 早期不追求全自主、只替代一类边界清楚工作的 agent,四种形态:draft-and-approve / triage / coordinator / bounded action(MUA) | AI Agent是新一代SaaS |
| eval 健身房 | 用 50 条真实历史样本 + 标准答案当回归测试,每次改 prompt/模型/工具都回炉跑一遍;同一份结果亦可作销售物料(42/50 答对) | AI Agent是新一代SaaS |
| 每智能体小时价格 | 用单次端到端任务总花费除以完成时长作可比指标,替代「每 token 价格」——agentic 工程里时间才是稀缺资源 | Fable5被禁 |
| 零接触工程 | ZTE:一份好 spec 让 agent 自走规划/构建/测试/审阅/部署全链并推到生产,人退到只下目标与判断产出(严格说是 one-touch) | Fable5被禁 |
| Design Token | 把具体设计决策抽象成语义变量名(spacing-medium、brand-primary),主题切换/品牌色变更只改一处即全局级联;设计系统的可执行底层 | 用AI构建精美UI的设计工作流 |
| 间隔重复 | 在记忆衰减临界点前重学一遍,以最小复习量巩固长期记忆的排程方法(spaced repetition) | Claude Code + Anki：把整条学习循环交给AI |
| 主动回忆 | 主动从脑中提取信息而非重读来巩固记忆,同等时间下留存率显著更高(active recall) | Claude Code + Anki：把整条学习循环交给AI |
| 最小信息原则 | 卡片/知识点拆到最小、最原子的颗粒度,回忆率最高且能精确定位失分点 | Claude Code + Anki：把整条学习循环交给AI |
| 阶梯补缺 | 一张卡反复答错常因回想链缺中间概念,在它与已知之间补建中间卡把层级接上(laddering) | Claude Code + Anki：把整条学习循环交给AI |
| 应用回查闭环 | 把会议/通话转录等真实行为数据接给 agent,回查”学过的东西是否真的用出来了”,让复习与现实表现闭环 | Claude Code + Anki：把整条学习循环交给AI |
| Service Layer | 把代码按业务职责拆成独立 service 的架构模式;agent 产出的 slop 代码可用 skill 自动重构成此形态 | Skill 按需加载 vs agents.md 每轮注入 |
| Pi | Mario Zechner 出品的开源 AI 编码 agent,Claude Code 的开源 + 完全可定制 + 模型不绑定的反主流选项,harness 工程落地形态 | Pi 课程总览 |
| Pi Extension | Pi 的 TypeScript 可执行扩展单元,可在 Pi 启动时被加载 hook / register widget / tool,与 Claude Code 的声明式 settings.json 形成对照 | Pi 课程 v1 |
| Pi Widget | Pi 终端内持续在屏的 UI piece,有状态、可自更新、能响应键盘事件,承载多 agent 面板 / 主题切换 / 工具计数等多类信号 | Pi 课程 v4 |
| YOLO mode | Pi 默认的 agent 自由模式——工具调用无须中断 / 审批,与 Claude Code 默认的多模审批形成对比的工程自由主张 | Pi 课程介绍 |
| Agent Chain | 多 agent 串行 pipeline 模式:前一 agent 的输出直接喂下一 agent,典型 plan→build→review 三人链或三 scouter 多视角合流 | Pi 课程 v12 |
| Tilldone | ”未完不许走”任务清单硬约束:tilldone list 必须先有项 + 标记 in-progress + 完成后才能继续——harness 化的硬确定性保证 | Pi 课程 v8 |
| Damage Control Extension | Pi ext 集中危险命令拦截:forbiddenPatterns 数组 + onToolCall 钩子拦 rm -rf 等高危命令,把安全规则做成单文件管理 | Pi 课程 v11 |
| 代码即上下文 | 编码 agent 的真正上下文是代码库本身而非声明文件——技术栈声明塞 agent.md 多余,扎实模板反而成为 agent 起始上下文 | Greg·Skill 工作原理 |
| Skill 反推创建法 | 造 skill 的正确顺序:先手动陪 agent 跑通一次完整成功运行,再让 AI 回看该轮上下文反推生成 skill——禁止一识别工作流就直接让 AI 写 | Greg·Skill 工作原理 |
| Core Four (IndyDevDan) | IndyDevDan 收口能动工程的极简四件套:context / model / prompt / tools | Opus 4.6 多 Agent 编排:tmux、agent 沙箱与可观测性的端到端组合 |
| 稀疏注意力 (sparse attention) | 只对部分 token 对计算注意力以降算力的机制,长上下文模型的关键优化 | 把MiniMax M3接入Hermes打破Claude-ChatGPT二人转 |
| 量化 | 以更少比特存储模型权重的压缩手段(Quantization),agent 场景比 chatbot 对量化更敏感 | 自托管AI agent的真实账单（三档模型与月费现实） |
| 混合策略(hybrid AI) | 把闭源前沿模型与自托管模型按场景分流、不二选一的实操配置 | 自托管AI agent的真实账单（三档模型与月费现实） |
| 混合专家 (Mixture of Experts) | 总参数大但每次推理只激活部分参数的架构(如 30B-A3B 的 A3B 即激活 3B) | 自托管AI agent的真实账单（三档模型与月费现实） |
| 自托管光谱 (self-hosting spectrum) | 把自托管 AI 视为从消费级硬件到闭源前沿之间一条连续光谱的视角 | 自托管AI agent的真实账单（三档模型与月费现实） |
| WISC 框架 | Cole 提出的编码 agent 上下文管理四策略:Write / Isolate / Select / Compress | WISC上下文管理四策略 |
| Scout 模式 | 主 context 投入大段规划前,先派 scout subagent 探明哪些资料值得加载再决定投入 | WISC上下文管理四策略 |
| Builder-Validator pattern | 多 agent 最基础二人组——builder 做活、validator 独立校验,以双倍算力换可信度 | Claude Code 任务系统:反 hype 视角下的多 Agent 编排进阶 |
| Template metaprompt | 按严格格式产出另一份 prompt 的模板 prompt,内嵌自验证 hook,写一次可反复部署 | Claude Code 任务系统:反 hype 视角下的多 Agent 编排进阶 |
| Verifier Agent | 独立 agent 反复校验主 agent 的输出声明与实际行为是否一致的双层设计 | Pi to Pi 对等双向 agent 通信：让 agent 不靠编排器也能协作 |
| Peer-to-peer Agent 通信 | agent 作为对等节点互相 prompt、互相 await,无需 orchestrator 中介的通信拓扑 | Pi to Pi 对等双向 agent 通信：让 agent 不靠编排器也能协作 |
| Multi-agent Observability | 把多 agent 的 session / tool call / task update 事件统一收集可视化,让并行协作可观测 | Opus 4.6 多 Agent 编排:tmux、agent 沙箱与可观测性的端到端组合 |
| Agent Sandbox | 隔离、可丢弃、有寿命上限的远端运行环境,让 subagent 安全跑长任务 | Opus 4.6 多 Agent 编排:tmux、agent 沙箱与可观测性的端到端组合 |
| Adversarial code review | 用第二个独立模型对第一个模型的产出挑刺,绕过单模型自评偏正向的盲区 | 为 grill-me skill 加上 Codex 迭代审查：堵住 Claude Code 自我评分的盲区 |
| Self-grading bias | LLM 被要求自评产出时系统性偏正面的现象,是需引入独立审查方的根因 | 为 grill-me skill 加上 Codex 迭代审查：堵住 Claude Code 自我评分的盲区 |
| LLM seeding | 刻意让品牌以统一措辞、稳定出现在 AI 取用源里的整套播种打法 | LLM 播种：6 个月赢下 AI 搜索的入场打法 |
| Rank-and-Rent (排名出租) | 搭站冲到 Google 首页再把线索/流量卖给本地商家的变现模式,百分比分成是放大形态 | 我用100%AI搭了50个微型站：三大迷思与一年成果 |
| 微型站 (Microsite) | rank-and-rent 语境下低成本小投入的站点,micro 指工作量与资金小而非站点本身小 | 我用100%AI搭了50个微型站：三大迷思与一年成果 |
| 细分缝隙 (Niche Cracks) | 大词下切出竞争可控、可排的细分长尾查询 | 我用100%AI搭了50个微型站：三大迷思与一年成果 |
| 品牌权威信号 (Brand Authority Signal) | 品牌被市场、搜索引擎与 AI 共同承认为可信实体的可测维度集合 | 让 AI 推荐你的 12 个品牌权威信号 |
| VSC 框架 | 用 TikTok 小号看播/评论/转化三步预判 App 选题能否跑通的过滤器 | VSC框架：用TikTok爆款预判App选题能否跑通 |
| PostHog | 埋点逻辑写在代码里而非后台 UI 配置的开源产品分析工具,对 AI coding agent 直接读改友好 | 我让Claude Code从零搭建了一个业务——它赚了24249欧元 |
| AI 引用追踪(AI Citation Tracking) | 监测自家页面被哪些 LLM(ChatGPT/Perplexity 等)在答案里引用,以衡量 AI 流量份额 | Claude Code 救了我的SaaS：400用户跌到0的复盘 |
| 自主度光谱 | agentic workflow 在预定步骤(低自主)到工具自选(高自主)之间的连续谱系,决定控制力与结果创造性的权衡 | Andrew 的 Agentic AI 课程 30 分钟精讲：三大基石与四种设计模式 |
| Agentic AI 三构件框架 | Andrew Ng 提出的构建 agentic AI 系统的三个基石——模型、工具、评估;评估常被忽视却是唯一能客观衡量改进的一环 | Andrew 的 Agentic AI 课程 30 分钟精讲：三大基石与四种设计模式 |
| Eval 2×2 矩阵 | 按”客观/主观”与”有/无逐例真值”两根轴给评估方法分类,决定该用代码判定还是 LLM-as-judge | Andrew 的 Agentic AI 课程 30 分钟精讲：三大基石与四种设计模式 |
| Multi-Agent 设计模式 | 把单一 agent 拆成多个各司其职的子 agent 协作完成任务,类比公司分工提升整体产出质量 | Andrew 的 Agentic AI 课程 30 分钟精讲：三大基石与四种设计模式 |
| Ultra Code | 让 Fable 5 跑自定义动态 workflow 的 Claude Code 执行环境,适合开放式 deep research → 计划 → 端到端执行 | Fable 5 最后 24 小时:五个必做用例 |
| Trigger Accuracy | skill.md 顶部 description 决定该 skill 被自动触发的精度,差描述同时造成误触发与漏触发 | Fable 5 最后 24 小时:五个必做用例 |
| Effort Level | Claude Code / Fable 5 等模型控制推理强度的分档参数(low/medium/high/extra high),直接决定成本与通过率取舍 | 让 Fable 5 便宜 80%：五个用量秘籍 |
| Deep Sweep | 评测长周期 agentic 任务的基准,用于衡量不同 Effort Level 下的成本-通过率曲线 | 让 Fable 5 便宜 80%：五个用量秘籍 |
| Fable 5 | Anthropic 2026 年 7 月推出的旗舰模型,7 月 7 日起退出 Max/Pro 订阅、仅按 API Credits 计费 | Fable5实测agentic交易的策略与踩坑 |
| Opus 4.8 | Anthropic 前代主力模型,与 Sonnet 5 / Fable 5 构成选型对照 | Sonnet 5 上线性能逼近 Opus 4.8 |
| Sonnet 5 | Anthropic 性价比模型,相对 Opus 4.8 差距小、价格不到一半 | Sonnet 5 上线性能逼近 Opus 4.8 |
| Permanent underclass | 营销叙事词,被引申为”不用某前沿 AI 模型就会被甩开”的话语武器,常被质疑其客观性 | Fable 5 改按 token 计费后别慌——盯场用 Opus 4.8 与 Sonnet 5 on Low 顶上 |
| Design Blueprint | 把目标网站的结构化产物(builderbrief.md + scaffold.html + tokens 三件套)作为 AI 一次性出站的设计规约 | 17分钟用Google-AI-Studio-2.0搭站 |
| Design DNA | 从欣赏的网站抽出 design architecture(白空间/层级/typography/scaffolding)而非外观,叠加多个灵感站形成自有风格的设计方法 | 17分钟用Google-AI-Studio-2.0搭站 |
| Scaffold (HTML) | 把”什么是好”具象化成可见 HTML 骨架的可喂 AI 文件 | 17分钟用Google-AI-Studio-2.0搭站 |
| Outlier Strategy | 挑赛道里 Top 5 与 Bottom 5 各 5 个网站分析共性规律反哺自己设计的方法 | 17分钟用Google-AI-Studio-2.0搭站 |
| Chimp Brain | 用户扫描首页时所处的快思考/直觉级认知模式,首页设计目标就是触达它 | 17分钟用Google-AI-Studio-2.0搭站 |
| Hero 图→视频循环链 | 用同一张起止帧做 8 秒 AI 视频作为 hero section 背景的视觉打磨模式 | 17分钟用Google-AI-Studio-2.0搭站 |
| Offer Stack | 首页清晰列出”你会得到这些”的价值清单 | 17分钟用Google-AI-Studio-2.0搭站 |
| ZeroEdit pipeline | 从选题到成片不碰视频编辑器、用 Claude Code 串成的 YouTube 制作管线 | ZeroEdit 管线：Fable 5 反推对标频道+真人录音把 YouTube 单期压到 $2 |
| Deconstruction report | Claude 反推对标频道最近期数的标题/视觉/文字/节奏生成的模板集合,作为频道基础设施参考 | ZeroEdit 管线：Fable 5 反推对标频道+真人录音把 YouTube 单期压到 $2 |
| Outlier 阈值 | 筛对标频道 outlier 的硬阈值:views ≥ 10k、outlier score ≥ 2 倍均值、近 7-30 天 | ZeroEdit 管线：Fable 5 反推对标频道+真人录音把 YouTube 单期压到 $2 |
| Fireship 公式 | 反推报告识别出的开场结构:冷开场 → 升级 → 转折 → 章节戳 | ZeroEdit 管线：Fable 5 反推对标频道+真人录音把 YouTube 单期压到 $2 |
| Valleys of Death (YouTube 创作者谷底) | YouTube 创作者生命周期模型:起步谷 + 前 20 期谷,不到 1% 撑过第二道谷 | ZeroEdit 管线：Fable 5 反推对标频道+真人录音把 YouTube 单期压到 $2 |
| 反 AI slop 三信号 | YouTube 去货币化判定条件:通用 AI 旁白、零编辑决策、复制粘贴相同结构 | ZeroEdit 管线：Fable 5 反推对标频道+真人录音把 YouTube 单期压到 $2 |
| One-Shot | 给模型一段 prompt 后不做任何后续修补、直接用首稿作为最终产出,用于评估模型零反馈下的真实能力 | Fable5改写网站设计：三级闯关与Max-then-Medium用法 |
| Design Arena | 专门对模型设计能力做盲评对战的公开榜 | Fable5改写网站设计：三级闯关与Max-then-Medium用法 |
| Ministry of Agents | Fable 5 作 Orchestrator、同时调多个专家模型各自出答再合议的多模型辩论模式,OpenRouter 统一调度 | Fable 5 给 Agentic OS 加的五层：Hermes 共享记忆、Ministry 多模型、通宵 dreaming、语音线 |
| Voice Line | 悬浮在 Agentic OS 之上的语音交互面板,可点可关,能调本地记录、回答平台问题 | Fable 5 给 Agentic OS 加的五层：Hermes 共享记忆、Ministry 多模型、通宵 dreaming、语音线 |
| One Brain | 统一记忆架构,多端共享同一份事件流,跨设备/跨 app 不再需要复述上下文 | Fable 5 给 Agentic OS 加的五层：Hermes 共享记忆、Ministry 多模型、通宵 dreaming、语音线 |
| 通宵 Dreaming(Overnight Dreaming) | 在人睡觉时回看全部对话与文件、产出次日改进建议的能力 | Fable 5 给 Agentic OS 加的五层：Hermes 共享记忆、Ministry 多模型、通宵 dreaming、语音线 |
| 模型路由表 | 给主 agent 的可查询清单,按 cost/intelligence/taste 三维度评分列出不同模型,让 agent 派工时自主挑选 | 把Opus练成Fable思维:Fable模式Skill、效力等级与模型路由表 |
| Vision 计费的像素桶规则 | 主流多模态 API 把图片输入按像素面积固定计费,与图片里文字数量无关 | Fable5图像套利用Vision计费桶差省30-59-token |
| 图像上下文套利 | 把本应作为文本 token 喂给模型的内容先渲染成图片走 vision 通道送入,利用计费规则换取单位字符成本下降 | Fable5图像套利用Vision计费桶差省30-59-token |
| Paper | 为 agent 而生的 Figma-like 设计画布桌面应用,HTML-based,通过 MCP server 暴露给 agent 读写 | Claude Fable 5 接入 Paper 设计自动化的实操手册 |
| Meta prompt | 让 AI 反过来逼用户回答”做什么/给谁/核心功能/营销对象”的提示词模板,把模糊需求逼成清晰需求 | 101 个 vibe code 能造的 AI 应用:五步框架与七类场景 |
| PRP (产品需求 prompt) | 对应传统软件工程 PRD,把 meta prompt 输出整理成可直接喂给编码工具的产品规格说明书 | 101 个 vibe code 能造的 AI 应用:五步框架与七类场景 |
| Cloud workflow vs Macro | 自动化两子类分法:云端工作流跑在云端、本地宏跑在本地机器,共享”触发→执行→日志”骨架 | 101 个 vibe code 能造的 AI 应用:五步框架与七类场景 |
| Agentic component | 应用含 LLM 调用工具/数据库/执行动作的能力,是 agent 区别于纯 chatbot 的关键标志 | 101 个 vibe code 能造的 AI 应用:五步框架与七类场景 |
| ChatGPT Agent Mode | 能让模型自主规划多步任务、调用浏览器/GitHub/代码解释器等外部工具并产出完整成果的工作模式 | 37 分钟过完 ChatGPT 全部功能:Tina Huang 逐项实测 |
| ChatGPT Custom GPTs | 把”系统指令 + 额外知识 + 多种技能 + UI 配置”打包成的独立可分享 GPT | 37 分钟过完 ChatGPT 全部功能:Tina Huang 逐项实测 |
| ChatGPT Deep Research | ChatGPT 内多步多源自动调研命令,执行前先反问澄清,与 Claude Code 语境下的 Deep Research 同名不同实现 | 37 分钟过完 ChatGPT 全部功能:Tina Huang 逐项实测 |
| ChatGPT Codex | ChatGPT UI 内可调的 OpenAI 代码专用模型,支持 GitHub 直连 + terminal/VS Code/code review 一体化 | 37 分钟过完 ChatGPT 全部功能:Tina Huang 逐项实测 |
| ChatGPT Sora | OpenAI 的图像 + 短视频生成模型,Plus 档限配额、Pro 档放开 | 37 分钟过完 ChatGPT 全部功能:Tina Huang 逐项实测 |
| OpenAI Playground | OpenAI 给开发者的、绕开 ChatGPT UI 直接调模型的细粒度控制台 | 37 分钟过完 ChatGPT 全部功能:Tina Huang 逐项实测 |
| OpenAI Agents SDK | OpenAI 出品的用于生产级 agent 构建的代码层框架,需要会写代码 | 37 分钟过完 ChatGPT 全部功能:Tina Huang 逐项实测 |
| ChatGPT Schedules | ChatGPT 设置里的 cron-like 定时任务入口,支持单次提醒与周期任务 | 37 分钟过完 ChatGPT 全部功能:Tina Huang 逐项实测 |
| ChatGPT Canvas | ChatGPT 内嵌的可视化工作区,code interpreter 与代码/可视化预览合一 | 37 分钟过完 ChatGPT 全部功能:Tina Huang 逐项实测 |
| ChatGPT Connectors | ChatGPT 内接通第三方软件的能力入口,与 MCP/function calling 同方向但产品侧不叫 MCP | 37 分钟过完 ChatGPT 全部功能:Tina Huang 逐项实测 |
| Gemini | Google 的多模态通用大模型族(2.5 Pro / Flash / Flash-Lite 三档) | Gemini 能免费做的所有事:Google AI 9 款产品 30 分钟盘点 |
| Gemma | Google 的开源轻量大模型族 | Gemini 能免费做的所有事:Google AI 9 款产品 30 分钟盘点 |
| Imagen | Google 的文本出图/修图模型族,Google AI Studio 内可调 | Gemini 能免费做的所有事:Google AI 9 款产品 30 分钟盘点 |
| Veo | Google 的文字/图像生成视频模型族 | Gemini 能免费做的所有事:Google AI 9 款产品 30 分钟盘点 |
| Nano Banana | Google Gemini Web App 内置的图像生成/编辑模型,以角色一致性为卖点 | Gemini 能免费做的所有事:Google AI 9 款产品 30 分钟盘点 |
| Stream Realtime | Google AI Studio 的实时多模态对话模型,可分享屏幕让 AI 看图指挥软件操作 | Gemini 能免费做的所有事:Google AI 9 款产品 30 分钟盘点 |
| Vibe Coding | Karpathy 2025 年 2 月首造的术语,指完全让 AI 写代码、自己不读代码的用法,原作者自限用于”周末扔掉的小项目” | Gemini 能免费做的所有事:Google AI 9 款产品 30 分钟盘点 |
| Mini app | Opal 推出的轻量可视化流程图式应用形态,以”输入 → 流程 → 产出”配置、shareable 为核心心智 | Gemini 能免费做的所有事:Google AI 9 款产品 30 分钟盘点 |
| Workspace 集成 | Gemini 与 Google Workspace 的连接能力,免费档仅支持读 + 总结,付费档才支持直接生成/起草 | Gemini 能免费做的所有事:Google AI 9 款产品 30 分钟盘点 |
| MCP Host | 想通过 MCP 拿数据/工具的 LLM 应用外壳(Claude Desktop、Cursor、IDE 等),house MCP client | 26分钟搞懂MCP：Model Context Protocol 的定义、组件、生命周期与构建路径 |
| MCP Tools | MCP server 暴露的可被 client 主动调用的函数(发邮件/算数学/读 sheet) | 26分钟搞懂MCP：Model Context Protocol 的定义、组件、生命周期与构建路径 |
| MCP Resources | MCP server 暴露的只读数据,client 可查但不能改,常用于存档/日志 | 26分钟搞懂MCP：Model Context Protocol 的定义、组件、生命周期与构建路径 |
| MCP Prompt Templates | MCP server 内置的结构化提示词蓝图,把 prompt 工程负担从用户转给 server 作者 | 26分钟搞懂MCP：Model Context Protocol 的定义、组件、生命周期与构建路径 |
| Host-Client-Server (HCS) | MCP 三件套架构缩写 + 关系:Host 包 Client、Client 通过 MCP 协议连 Server | 26分钟搞懂MCP：Model Context Protocol 的定义、组件、生命周期与构建路径 |
| MCP Transport | client 与 server 收发消息的底层机制,本地用 stdio,远程用 HTTP+SSE 或 streamable HTTP | 26分钟搞懂MCP：Model Context Protocol 的定义、组件、生命周期与构建路径 |
| HTTP+SSE | 早期 MCP 远程 transport,server-sent events 单向维护有状态连接,现已被标 deprecated | 26分钟搞懂MCP：Model Context Protocol 的定义、组件、生命周期与构建路径 |
| Streamable HTTP | 当前 MCP 推荐的远程 transport,同时支持有状态与无状态交互 | 26分钟搞懂MCP：Model Context Protocol 的定义、组件、生命周期与构建路径 |
| Priming | 学习前先用 30 分钟掠一遍整体结构,把大脑预装成”知道信息存在但还未理解”的状态,使后续理解阶段提速 | 五步学习框架加AI加速把30小时压到10小时 |
| Interleaving | 在同一学习日内混合多个主题而非按主题日连排,交错学习既提升迁移又维持动机 | 五步学习框架加AI加速把30小时压到10小时 |
| Comet(Perplexity 浏览器) | Perplexity 推出的免费 AI 浏览器,内置侧栏可对当前网页提问、约会议、查邮件、跨站比价 | 2026 必学的几项 AI 技能:从提示词到开源模型到 vibe coding |
| 角色一致性 | 多模态生成长期存在的难题:同一角色在不同图像/视频帧里保持一致 | 2026 必学的几项 AI 技能:从提示词到开源模型到 vibe coding |
| Tiny Crabs Write Enormous Iguanas | 第一套提示词框架,T/C/R/E/I = Task/Context/References/Evaluate/Iterate,适用任意通用 chatbot | 2026 必学的几项 AI 技能:从提示词到开源模型到 vibe coding |
| Ramen Saves Tragic Idiots | 备选提示词框架,在第一套仍未拿到理想结果时切换 | 2026 必学的几项 AI 技能:从提示词到开源模型到 vibe coding |
| 生活方式生意 | 以最大化自由、客户与工作内容选择权为目标的生意形态,刻意避开 VC 驱动的高增长规模型路径 | 2026 重点学习的三件事:个人理财、AI 工具与生活方式生意 |
| 指数曲线 vs 线性增长 | 对比”全职 = 线性同步增长”与”生意 = 指数曲线前期几年几乎平”的时间-回报结构模型 | 2026 重点学习的三件事:个人理财、AI 工具与生活方式生意 |
| 数字生活方式生意 | 互联网交付 + 非 VC 驱动 + 优化自己生活方式的工作,边界锁在”非超增长创业 + 服务个人生活目标” | 2026-2030 最佳未来职业:三层筛选 × 软承诺路径 |
| 软承诺模型 | 不先押注学位,先做最低自学 + 至少一段志愿/兼职/实习验证后再决定是否读学位 | 2026-2030 最佳未来职业:三层筛选 × 软承诺路径 |
| 三层筛选法 | 劳动市场最大需求 × 最快增长 × 五大宏观趋势 → O*NET 验证 → “最佳之最佳”职业清单 | 2026-2030 最佳未来职业:三层筛选 × 软承诺路径 |
| 开源 AI 栈 | 用来使用并搭建开源 AI(应用/Agent)所需的技术与框架集合,核心三层是模型、模型管理器、Agent 编排 | 17分钟搞懂开源AI-从定义栈到本地agent实战 |
| 闭源 AI | 模型权重与训练过程都封闭、用户只能经由 API/Web/企业平台访问的 AI | 17分钟搞懂开源AI-从定义栈到本地agent实战 |
| DeepSeek R1 | 2025 年 1 月发布的开源模型里程碑,被视为”开源首次与闭源顶级模型平起平坐”的转折点 | 17分钟搞懂开源AI-从定义栈到本地agent实战 |
| n8n | 可视化工作流自动化平台,self-hosted 版可与 Ollama 等集成做 no-code agent | 17分钟搞懂开源AI-从定义栈到本地agent实战 |
| n8n AI Starter Kit | n8n 官方把 self-hosted n8n + Ollama + Qdrant + Postgres 打包成一键部署的 GitHub 仓库 | 17分钟搞懂开源AI-从定义栈到本地agent实战 |
| Warp | AI 编码 CLI 终端,可 one-shot 出多 Agent 系统;云端多 agent 编排平台 Oz 搭在其上 | 17分钟搞懂开源AI-从定义栈到本地agent实战 |
| Google ADK | Google 出品的 Agent 开发工具包 | 17分钟搞懂开源AI-从定义栈到本地agent实战 |
| LangGraph | 开源 Agent 编排框架 | 17分钟搞懂开源AI-从定义栈到本地agent实战 |
| LlamaIndex | 开源 RAG/Agent 工具 | 17分钟搞懂开源AI-从定义栈到本地agent实战 |
| 旗舰模型 | 能力最强、跑分顶尖、能跨模态与多步动作,通常最贵最慢的一档 AI 模型 | 用飞机类比看懂 AI 模型:四档性能 + 一个开源维度 |
| 轻量模型 | 通过知识蒸馏从旗舰衍生,保留 90-95% 能力、换来更快更便宜的子档 | 用飞机类比看懂 AI 模型:四档性能 + 一个开源维度 |
| 中阶模型 | 在能力/速度/成本间取平衡,日常 80% 查询真正跑的工作马 | 用飞机类比看懂 AI 模型:四档性能 + 一个开源维度 |
| 专业模型 | 在开源模型基础上经微调与 RAG/工具外挂形成的领域特化模型 | 用飞机类比看懂 AI 模型:四档性能 + 一个开源维度 |
| 模型聚合器 | 把多家模型厂商接口集成到一个产品的服务(如 Perplexity) | 用飞机类比看懂 AI 模型:四档性能 + 一个开源维度 |
| EQ(模型语境) | 模型对情绪识别/回应/共情的拟人化能力 | 用飞机类比看懂 AI 模型:四档性能 + 一个开源维度 |
| 容器化(Containerization) | 把代码 + 库 + 依赖打包成自给自足的小盒子的部署方法,可作为给失控 agent 装隔离箱的工程保险 | 2026 年怎么学编程：Tina Huang 的五节课与能动工程新现实 |
| 超专属应用 | 用 AI 编码工具搭建、只为某项任务而生的极窄个人/商用工具,边界锁在”商业软件不愿服务”的场景 | AI 编程自建超专属应用：没人讲过的五步法 |
| TFCDC 框架 | 把 AI 编码工程归纳成 Thinking/Focus/Checkpoints/Debug/Context 五字母顺序的工程纪律锚点 | AI 编程自建超专属应用：没人讲过的五步法 |
| 浏览器托管沙盒 | 别人已下载并托管好模型、开网页即用的运行方式,最省事但不私密、有速率限制 | 运行开源AI模型的每一种方式 |
| 托管推理 API | Groq/Together AI/Fireworks AI 等替你托管开源模型、只需拿 API key 几行代码调用来建应用 | 运行开源AI模型的每一种方式 |
| Cloudflare Tunnel | 在本地软件上”戳洞”连到公网让他人访问的方式,适合 demo 而非生产 | 运行开源AI模型的每一种方式 |
| 容器化部署 | 用 Docker 把应用打包进隔离小环境,让一台 VPS 同时跑多模型多应用互不干扰 | 运行开源AI模型的每一种方式 |
| 托管云 | 把开源模型放上云、由云负责全部基础设施并自动扩缩,面向十万级流量才需要 | 运行开源AI模型的每一种方式 |
| 端侧 AI | 把开源模型打包进 App、由用户设备直接运行模型与应用(如 Apple Intelligence、Gemini Nano) | 运行开源AI模型的每一种方式 |
| Featured notebooks | NotebookLM 编辑与权威机构/研究者合作筛选的预置笔记本,源文件已经过审、可直接对话 | NotebookLM 2.0 全功能实测:挖缺口、评创意、再平衡投资组合 |
| Studio output | NotebookLM 2.0 的内置多形态产出(slide deck / video overview / infographic / report / quiz / mindmap 等),同一份源一键生成多种交付物 | NotebookLM 2.0 全功能实测:挖缺口、评创意、再平衡投资组合 |
| Code execution sandbox | NotebookLM 2.0 起在笔记本内可直接生成并执行代码的能力,支持跨笔记本的实时运算 | NotebookLM 2.0 全功能实测:挖缺口、评创意、再平衡投资组合 |
| 跨 agent 潜状态传递 | agent 之间不经过文本编码/解码、直接传递彼此潜状态张量的通信范式,把多 agent 协作瓶颈从”协作结构”转移到”传递介质” | 多 agent 跳过英文直接传潜状态——小模型数学从73%飙到86% |
| 上下文工程 | 为 LLM 在对的时间、以对的格式、给对的信息以完成任务而设计的动态系统,是”造 AI Agent 时写大 prompt”的工程命名 | 上下文工程一次说清-从定义到AI Agent实战 |
| Agent loop | AI 反复 reason→act→observe 直到命中停止条件的运行模式,验证(observe)环节比拓扑架构更决定成败 | 终于把Agent循环讲清楚了 |
| Loop engineering | 把”反复手动 prompt agent”换成”写一段循环让 agent 自己跑”的工程范式,代表实践是 Claude Code 的 /loop /goal /routines | Loop engineering 真香还是噱头 |
| ANTHROPIC_BASE_URL | Claude Code 启动读取的环境变量,改其值即可把请求从 Anthropic API 重定向到任意兼容端点(换模型/换供应商而复用同一 harness) | 把Claude Code的引擎换成GLM 5.2-Nate全天压测 |
| open-weight 模型 | 权重文件可下载、可永久本地运行的开源 LLM,可放自托管硬件或第三方 GPU 云上 | GLM 5.2 三个月追上大半步 |
| multi-token prediction | 一次并行生成多个 token、再由内部决策器采纳/拒绝的推理加速机制(“初级写手 + 资深编辑”) | GLM 5.2 三个月追上大半步 |
| GRPO | 一道题让一组候选回答统一提交、按组内相对评分优化的群体强化训练算法 | GLM 5.2 三个月追上大半步 |
| Prompt Injection | 在网页/输入里嵌入恶意指令、让 AI 浏览器/助手误当 system prompt 执行的攻击手法 | 34 分钟过完 Perplexity 全部功能 |
| Perplexity | 以”grounded in truth”为底色、每条回答带可点开来源的通用 AI 助手,支持 Sonar/Claude/Gemini/GPT/Grok 多模型切换与多源过滤 | 34 分钟过完 Perplexity 全部功能 |
| Theory of Constraints | 找业务”修了它一切都会顺”的那一件事,不追求全面提升、只解最窄处 | Fable 5 倒计时 4 天:立刻要做的 5 件事 |
| AI 顾问 | 从”按要求建造自动化”转型为”先诊断业务痛点、再开 AI 方并证明结果”的角色,与只按要求交付的建造者相对 | 学完Claude之后做AI顾问才是正解 |
| Claude Design 2.0 | Anthropic 基于 Opus 4.8 的设计产品,画布直编辑、Firecrawl 品牌抓取、PPT/PDF/Figma 多格式导出 | Claude Design 2.0 五级攻略 |
| deterministic simulation | 把整个系统跑在受控虚拟环境、固定随机种子复现故障的测试方法,FoundationDB / TigerBeetle 等新基础设施用其赢得“不丢数据”信任 | 地球上最受信任的代码正用Rust重写 |
| drop-in replacement | API 和行为完全兼容旧组件、调用方代码无需改动的替换实现,新产品用其作为取代既有系统的入场券 | 地球上最受信任的代码正用Rust重写 |
| 原生向量搜索(Native Vector Search) | 把向量类型与索引作为一等公民塞进传统数据库同一文件,免去外挂独立向量数据库的复杂度 | 地球上最受信任的代码正用Rust重写 |
| Implementing vs Debugging 二分模式 | AI 辅助编码时永远只处于“实现一个新功能”或“调试现有错误”两种模式之一,各自对喂给 AI 的内容有不同要求 | 30分钟搭5个AI应用ChatGPT+Lovable教程 |
| 零 PageRank 判据 | Charles Float 七字真言:An unindexed backlink passes exactly zero PageRank——外链质量判断的第一性标准(在 relevance / metrics 之前先看是否被 Google 索引) | 一个外链策略让初创公司2个月超越行业巨头 |
| 超 niche 瓶颈 | niche 极深的行业把“完美相关”卡太死反而是失败的根因,应改守“段落 relevance + 内容 angle”获得流量 | 一个外链策略让初创公司2个月超越行业巨头 |
| 邻接行业 placements | 把外链目标从细分行业放大到“邻接行业”(一步之遥但内容上下文仍 believable)的网站,内容里带 3-4 段 H2/H3 相关主题 | 一个外链策略让初创公司2个月超越行业巨头 |
| 段落 relevance | 外链 relevance 可以来自内容角度(H2/H3 段),不必来自整站主题——是超 niche 行业唯一可行的外链节奏 | 一个外链策略让初创公司2个月超越行业巨头 |
| Founder branding | 通过 podcast 露出+日常内容让 founder 在 Google 搜索结果“被名字填满”,建立行业专家身份,把链接 relevance 从“网站维度”换到“人维度” | 一个外链策略让初创公司2个月超越行业巨头 |
| Money page | 直接挂广告/商品/转化路径的核心页面,SEO 优化要先识别并优先攻的“一等公民”;URL 应尽量接近 root | 2026用AI让任意网站排第一的3步法 |
| URL slug 深度 | URL 从根到当前页的“/”数量,层数越深 Google 视为越次要;重要赚钱页应 URL 接近根,money page 埋在 3 层目录下先重构再谈外链 | 2026用AI让任意网站排第一的3步法 |
| Entity association (LLM 视角) | LLM 关注“你是谁”而非“你发了什么”,brand 与哪个 entity 反复共现决定 LLM 在哪些答案里引用 | 2026SEO新打法SEOGEO双轨5步 |
| Hyper-specific entity | 选 entity 时不要宽泛类别(“CRM 软件”),聚焦具体动作/视角(“early trend detection”)——能在第三方文章里反复自然出现而不堆砌 | 2026SEO新打法SEOGEO双轨5步 |
| Entity hub | 自家站点里“把 entity 讲得最透”的核心页,是 LLM 判定 brand-entity 关联的主要依据;起步可只做 1 篇“无可替代”的 | 2026SEO新打法SEOGEO双轨5步 |
| Entity seeding | 在第三方站点反复让“brand + entity”成对出现(comparison 博客 / Reddit / podcast / YouTube),把 entity 烙进 LLM 训练语料 | 2026SEO新打法SEOGEO双轨5步 |
| AI-friendly content 结构 | 顶部 1-2 句直接答案、declarative language、必要 qualifier、页面级结构为读者但留 AI 抽接口——LLM 抽取时代的内容形态 | 2026SEO新打法SEOGEO双轨5步 |
| Qualifier (SEO 文本角度) | 在直接答案后控制 claim 范围的修饰(如“对 A 适用,不对 B 适用”),让结论更可信——是 hyper-direct 与 credible 的调节器 | 2026SEO新打法SEOGEO双轨5步 |
| Fetcher scripts | Claude Code 用来从 GSC/GA4/Google Ads 等数据源拉数据的代码片段(可由 Claude 自动生成或由用户复制粘贴) | 把Claude%Code变成你的专属SEO分析师 |
| Service account (GCP 视角) | Google Cloud 提供的“非人类用户”身份,给 AI / 脚本访问 Google API 用,JSON key 是私有凭证——agent 时代每个 Claude 项目必备 | 把Claude%Code变成你的专属SEO分析师 |
| AI 输出的 SEO 数据 validate 纪律 | LLM 可能 hallucinate 数字、可能拉错数据源——AI 跑通的 SEO 数据在交付给客户/用于决策前必须人工复核每个数字 | 把Claude%Code变成你的专属SEO分析师 |
| 对话式 SEO 数据 | 把 SEO 工具的数据从”需要人去翻的图表”变成”可以问问题的对象”,靠 Claude Code + 数据源 API/MCP 串成 | 把Claude%Code变成你的专属SEO分析师 |
| 四要素 offer 公式 | 判断任何 AI 服务产品是否值得做的四关:boring + 重复痛点 + 显性 ROI + 已有付费买家 | 四种无聊AI服务是2026年AI百万富翁的真实路径 |
| ECI 框架 | AI 转型服务的 Education → Consulting → Implementation 三段式交付结构,把”一次性项目”重定义为”年单” | 四种无聊AI服务是2026年AI百万富翁的真实路径 |
| Speed to Lead | 5 分钟内主动触达新销售线索的反应速度(研究显示 5 分钟 vs 30 分钟触达率高 100 倍) | 四种无聊AI服务是2026年AI百万富翁的真实路径 |
| 无聊劳动市场 | AI 真正能替代的、不性感但体量巨大的 11 万亿工资支出市场,创作者普遍忽视的赛道 | 四种无聊AI服务是2026年AI百万富翁的真实路径 |
| Loop as Unit of Work | 在 agent 编码语境下把”loop”作为工作单元而非 prompt,从”写 5 段 prompt”升级为”写一个 loop 文件” | 顶层1的人跑ClaudeCode都是设计loop而不是写prompt |
| Meta Loop 架构 | 三层 loop 范式:inner = 实现 spec;outer = 给 inner 喂新 spec;meta = 监控现有 loop 找新 loop 候选 | 顶层1的人跑ClaudeCode都是设计loop而不是写prompt |
| Loop Memory Layer | loop 持久化状态的落点(Git/Slack/Airtable);缺 memory 的 loop 永远是 stateless,无法 compounding | 顶层1的人跑ClaudeCode都是设计loop而不是写prompt |
| 抗熵增机制 | 防止 memory 好的 loop 把 slop 也复利累积的工程手段(adversarial code review / 外部 oracle / outer loop ground) | 顶层1的人跑ClaudeCode都是设计loop而不是写prompt |
| Slack 作决策面 | 用 Slack channel 当 loop 的 memory + human-in-the-loop 决策面(emoji reaction = 按键批准/否决) | 顶层1的人跑ClaudeCode都是设计loop而不是写prompt |
| Speculative Decoding | 用 draft 模型猜一段 token、target 模型逐 token verify 的推理加速方法 | DeepSeek的DeepSpark把speculative-decoding提速到85 |
| DeepSpark | DeepSeek 在自家 flash/pro 模型上对 speculative decoding 加的三个工程化补丁(小记忆 + doomed token 剪枝 + 动态 verify) | DeepSeek的DeepSpark把speculative-decoding提速到85 |
| Doomed Token 剪枝 | 让 drafter 用低概率信号提前剔除”显然会被 reject”的 token,省掉 target verify 时间 | DeepSeek的DeepSpark把speculative-decoding提速到85 |
| Dynamic Workflow | Claude Code 在运行时按 prompt 自动拼装的多 subagent 自定义 harness,以内置 runtime script 形式跑,可保存复用 | Ultracode与Dynamic-Workflows按需自搭harness跑超大任务 |
| Workflow 模式 (workflow patterns) | Anthropic 在动态工作流文档中列举的可复用编排模板:classify-and-act、fan-out-and-synthesize、adversarial verification、loop-until-done、tournament 等 | Ultracode与Dynamic-Workflows按需自搭harness跑超大任务 |
| Procedure Skill | 由用户主动调用的 skill,描述不进入上下文窗口,Matt 推荐的默认 skill 形态 | Matt Pocock 的 Agentic Engineering 工作流全拆解 |
| Ability Skill | 由模型自己判断何时调用的 skill,描述会永久泄漏进上下文窗口,Matt 主张只在真正需要时使用 | Matt Pocock 的 Agentic Engineering 工作流全拆解 |
| Stateful Skill | 依赖本地状态文件保留上下文的 skill(例:teach skill 写 mission.md 与学习记录) | Matt Pocock 的 Agentic Engineering 工作流全拆解 |
| Stateless Skill | 不依赖本地状态、每次调用独立运作的 skill(例:calculator、format converter) | Matt Pocock 的 Agentic Engineering 工作流全拆解 |
| AFK Agent | Away From Keyboard,部署在沙箱里异步跑、不占当前会话审批窗口的 agent 工作模式 | Matt Pocock 的 Agentic Engineering 工作流全拆解 |
| Queue vs Loop | 把 agent 工作模式从无限 while-loop 替换成”从队列取任务-做-合”的离散模式,与 Ralph Loop 的死循环形成对照 | Matt Pocock 的 Agentic Engineering 工作流全拆解 |
| AX | 衡量 agent 在 codebase 中工作顺畅度的概念,与 Developer Experience / DX 对应 | Matt Pocock 的 Agentic Engineering 工作流全拆解 |
| Wisdom 三分法 | Matt 在 teach skill 设计里用的认知分层:knowledge 是概念理解,skills 是重复训练形成的肌肉记忆,wisdom 是判断何时何地用哪一种 | Matt Pocock 的 Agentic Engineering 工作流全拆解 |
| Tactical vs Strategic Programming | John Asterout 的二分:tactical 是日常写代码、调语法、修 bug;strategic 是模块切分、接口设计、仓库层面的长期判断 | Matt Pocock 的 Agentic Engineering 工作流全拆解 |
| Bitter Lesson | Rich Sutton 的论点:任何专门化的人工优化最终都会被通用算力提升碾压;Matt 借它反驳”等下一代模型就好” | Matt Pocock 的 Agentic Engineering 工作流全拆解 |
| AI-recorded Code Walkthrough | 让 agent 录一段边走边讲代码改动并附语音的视频作为 PR review 的形式 | Matt Pocock 的 Agentic Engineering 工作流全拆解 |
| AI 原生组织 | 人管 agent、agent 读写公司、公司随使用越用越聪明——本片 Greg+Theo 给出的 AI native organization 一句话定义 | 60分钟成AI原生组织 |
| context) | LCA 整套 AI 原生架构骨架:人顶层管 judgment,agent 中层对接 context,context 底层给 agent 全公司可读视图 | 60分钟成AI原生组织 |
| Speed-to-signal | 把”高速产出”的运营目标从”内部效率”重新定义为”从市场快速拿到真实信号”——本片反复出现的运营北极星 | 60分钟成AI原生组织 |
| Skill chain | 顺序触发多个 skill 的”宏技能”,核心是用链上的 QA skill 把 AI 幻觉压下去,提案 3 分钟上线靠的就是这条链 | 60分钟成AI原生组织 |
| Skill library | 团队共用的、带 eval 门槛的 skill 集合;任何人跑同一条 skill 都出同档质量,而非每人跑出自己样 | 60分钟成AI原生组织 |
| Eval (agent quality bar) | 把”什么是 great”显性化,折进 skill 与 context,让 agent 反复达到同一档质量——质量门槛写在 harness 内部 | 60分钟成AI原生组织 |
| Agent autonomy ladder | 三档模型:聊天 / 边问边做 / 跑几天无人监督,本片目标是第三档且给齐四件套(目标/技能/工具/上下文) | 60分钟成AI原生组织 |
| Context layer | 公司大脑:文件夹树 + markdown + README 引导 + capture→curate→store→execute→experience 闭环,Harness 概念在本片的具体形态 | 60分钟成AI原生组织 |
| exhaust | 执行过程的中间产物(为什么选这个方案的笔记、试错稿、删除版本);本片主张回流进脑长出新 skill/lesson,Self-annealing 自退火在非工程场景的落地 | 60分钟成AI原生组织 |
| Effort orchestrator | 通用模式:按任务复杂度自动路由 effort 档位的工具层,Factory.ai Droid 是代表实现 | Fable5实战 8个高杠杆prompt与3个微型创业方向 |
| Synthetic focus group | 用品牌真实客户评论训练的”合成焦点小组”做广告预筛(50 个广告 + 5-6 个 persona + 评分),3 个创业方向之一 | Fable5实战 8个高杠杆prompt与3个微型创业方向 |
| Persona (ad review) | 从品牌真实客户评论语言中提取的 5-6 类敌对评论员,用于给广告变体打分,不是市场学的人口学 persona | Fable5实战 8个高杠杆prompt与3个微型创业方向 |
| Semrush MCP | Semrush 提供的 MCP 接入,让 Claude 直接调用 Semrush 的搜索量、关键词难度、竞品 winning keywords 数据 | Claude Code SEO：连接器 + Semrush MCP + 免费 Keyword Planner 三件套挖词造页 |
| Claude Code Router | 给 Claude Code 换底层模型的路由工具(CCR),可把请求切换到任意兼容模型,本片顺带提示不必硬上 Fable 5 | Claude Code SEO：连接器 + Semrush MCP + 免费 Keyword Planner 三件套挖词造页 |
| winning keywords | Semrush 体系下”正在为某域名贡献自然搜索流量的高价值关键词”,作为挖词分析的输入单位 | Claude Code SEO：连接器 + Semrush MCP + 免费 Keyword Planner 三件套挖词造页 |
| 长尾关键词(long-tail keywords) | 搜索量小但通常意图明确、词组更长的关键词,本片把”large self-catering accommodation Ireland”这类月搜索量极低但购买意图强的词归为长尾 | Claude Code SEO：连接器 + Semrush MCP + 免费 Keyword Planner 三件套挖词造页 |
| Year-on-Year 关键词增长(YoY keyword growth) | 某关键词过去 12 个月相对前 12 个月的搜索量同比增长率,本片用作挑”上升趋势词”的判据 | Claude Code SEO：连接器 + Semrush MCP + 免费 Keyword Planner 三件套挖词造页 |
| Kimi 2.7 | Moonshot AI 在 2026 年 6 月发布的 Kimi 系列最新编码专精模型,约 262K 上下文,延续”便宜 + 高效”定位,本片标题所指对象 | Kimi 2.7 Code 实测:博主建站基准 9 分,$15 月费跑 12 站 |
| Kimi Code | Moonshot AI 官方的编码工具/IDE,类似 Claude Code 的厂商专用版,本片测试载体 | Kimi 2.7 Code 实测:博主建站基准 9 分,$15 月费跑 12 站 |
| OpenCode | 开源编码 agent 工具,定位类似 Claude Code 的开源替代,可自由接入任意兼容模型;本片与 Claude Code Router 并列为博主推荐的 Kimi 2.7 替代 harness 之一 | Kimi 2.7 Code 实测:博主建站基准 9 分,$15 月费跑 12 站 |
| PageSpeed-first 修复循环 | 把 PageSpeed Insights 扫描报告直接喂给 Claude Code、在 worktree 改完后经 CI/CD 推上线、再扫再喂的端到端循环,与 Ralph Loop 不同的是它由”性能诊断报告”而非”任务清单”驱动 | 用 Claude Code 修 PageSpeed 的循环闭环 |
| work branch(工作分支) | 从 main 拉出来用于 Claude Code 试错的 Git 分支,改动只动该分支、合入 main 走 PR 流程,本片强调单人也应照此执行 | Claude Code SEO：work branch 隔离 + Semrush MCP 选词造转化落地页 |
| PR 流程(pull request 流程,单人也用) | 把工作分支改动审核后合入主分支的标准流程,本片主张对单人 Claude Code 项目也是硬性纪律,用于把试错与生产物理分离 | Claude Code SEO：work branch 隔离 + Semrush MCP 选词造转化落地页 |
| 纯逻辑站点审计(logic-only site audit) | 不调任何外部 SEO 工具、仅让 agent 读代码反推页面在排名的关键词的轻量审计方法,作为”先于 Semrush MCP 验证”的初版假说步骤 | Claude Code SEO：work branch 隔离 + Semrush MCP 选词造转化落地页 |
| 转化型 landing page(为转化而造的落地页) | 围绕单一转化目标(预约/下单/留资)设计的单目标页面,关键词铺量服务于转化结构而非相反,作者举”best X”listicle 为反例 | Claude Code SEO：work branch 隔离 + Semrush MCP 选词造转化落地页 |
| 落页内链导权清单 | 把”make pull request → merge to main → 提交 Search Console → 找已索引页加内链”打包为每次发布后必跑的清单,内链导权从 tip 升级为流程硬步骤 | Claude Code SEO：work branch 隔离 + Semrush MCP 选词造转化落地页 |
| 落地页作为 cluster 中心点 | 把新造的转化落地页作为 Content Cluster 的 hub,周围由 Harbor 之类工具继续产出关联文章,共同堆出该主题的 Topical Authority | Claude Code SEO：work branch 隔离 + Semrush MCP 选词造转化落地页 |
| 软件工厂 (Software Factory) | IndyDevDan 用来称呼一家公司把某条工程流水线(代码评审、客服、部署)整体跑成「自主 agent 系统」的术语,本视频评的就是 Cloudflare 的代码评审工厂 | Cloudflare软件工厂评级：S级tokenomics与风险分层计算 |
| tokenomics (token 经济学) | IndyDevDan 提出的三段式工作定义:使用 tokens → 生成价值 → 把价值套利回大于成本的收益 | Cloudflare软件工厂评级：S级tokenomics与风险分层计算 |
| 风险分层计算 (Risk-Tiered Compute) | 按 PR 行数 / 文件数 / 改动领域映射到 2 / 4 / 7 个 Agent 出动的规则,避免「为 typo fix 派 SOTA 全员」 | Cloudflare软件工厂评级：S级tokenomics与风险分层计算 |
| 显式审批偏好 (Explicit Approval Bias) | 协调器对干净 MR 即便带 warning 也以 with-comments 批准而非 hard block,并配 break glass 通道确保 AI 不卡死 PR | Cloudflare软件工厂评级：S级tokenomics与风险分层计算 |
| 协调器自验证 (Coordinator Self-Verification) | 协调器在不确定子 Agent 结论时直接读源文件二次核对,把结论可靠性做在 agent 自身而不是外部 LLM 评审 | Cloudflare软件工厂评级：S级tokenomics与风险分层计算 |
| JSONL 流式可观测 (JSONL Streaming Observability) | 子 Agent 以 JSONL 一行一记录写入,触发 step-finish 事件后实时算成本 / 捕获错误 / 按行续跑,胜过「等 JSON 收齐再处理」的传统设计 | Cloudflare软件工厂评级：S级tokenomics与风险分层计算 |
| Agent 忽略清单 (Agent Ignore List) | prompt 末尾显式列出该 Agent 「不应挑的问题」(语法、命名风格等),把节省出的算力留给关键问题 | Cloudflare软件工厂评级：S级tokenomics与风险分层计算 |
| Deterministic Fan Out | UltraCode 的核心编排模型,把多 agent 扇出的执行权从主 LLM 转回脚本,以回避 context 衰减与主 agent 忘事,保证”未达成具体输出不结束” | UltraCode把ClaudeCode串成10路确定性扇出-何时该拔bazooka |
| Judge Panel | UltraCode 内置评审模式,生成若干独立尝试、多视角 judge 评分、合成赢家并补充 hybrid 方案 | UltraCode把ClaudeCode串成10路确定性扇出-何时该拔bazooka |
| Adversarial Verify | UltraCode 内置评审模式,独立怀疑者并行反驳,多数票否决”看似合理但实错”的结论(plausible but wrong findings do not survive the panel) | UltraCode把ClaudeCode串成10路确定性扇出-何时该拔bazooka |
| Perspective Verify | UltraCode 提及的评审模式,同一问题让多个 verifier 用不同 lens 各答一遍 | UltraCode把ClaudeCode串成10路确定性扇出-何时该拔bazooka |
| Completeness Critic | UltraCode 提及的评审模式,问”我们漏了什么”作为收口问题 | UltraCode把ClaudeCode串成10路确定性扇出-何时该拔bazooka |
| Loop Until Dry | UltraCode 提及的工作模式,反复迭代直到产出耗尽/达到饱和 | UltraCode把ClaudeCode串成10路确定性扇出-何时该拔bazooka |
| Surgical Mode | UltraCode 的单轮触发用法,在 prompt 里写一句”Ultra Code”仅当轮生效,之后回普通 chat | UltraCode把ClaudeCode串成10路确定性扇出-何时该拔bazooka |
| Max Mode | UltraCode 整段 session 默认模式,“Ultra Code on”打开后每个后续任务都跑 workflow,token 成本最高 | UltraCode把ClaudeCode串成10路确定性扇出-何时该拔bazooka |
| Trust is the Product | 作者提出的产品观:AI 时代客户感知价值的第一信号不再是软件质量而是合规与信任背书,无合规则企业客户眼中等于隐形 | UltraCode把ClaudeCode串成10路确定性扇出-何时该拔bazooka |
| Open Notebook | 开源 NotebookLM 克隆版(GitHub),可本机起服务器 + 接任意模型 + 改前端色/文案 + 用 URL 灌入源做本地 RAG 流水线 | Claude-Fable-5-被禁后的双底牌：本地跑模型+克隆NotebookLM替代 |
| GPT OSS | OpenAI 开源权重的通称,本片 demo 用 20B 档作”小体积下的最佳推理者”,与 Qwen 3 / Gemma 4 / DeepSeek V4 并列四大本地候选 | Claude-Fable-5-被禁后的双底牌：本地跑模型+克隆NotebookLM替代 |
| Decision Engine | 决策引擎:按任务类型自动路由到本地/便宜/长上下文/强推理四档的口语术语;在 Hermes / Claude Code 里通常靠 prompt 规则或 Pantheon 类 skill 实现 | Claude-Fable-5-被禁后的双底牌：本地跑模型+克隆NotebookLM替代 |
| Micro SaaS | 视频用短语”the era of the micro SaaS”,指个体用 AI 在小时内自造可订阅型 SaaS 的窗口期说法;与 Vibe Coding 共享 AI 拉低工程门槛的底层判断 | Claude-Fable-5-被禁后的双底牌：本地跑模型+克隆NotebookLM替代 |
| 三模型对抗验证 | Three-Model Verify:用 Codex CLI + Gemini + Claude 同时复核同一份重要交付物,绕过单模型自评偏正向的盲区;Adversarial code review 在”任何重要交付物”维度的延伸 | Claude-Fable-5-被禁后的双底牌：本地跑模型+克隆NotebookLM替代 |
| Platform Ownership | 平台所有权:本片主轴主张”own the platform not the model”,将订阅型 SaaS 用开源克隆 + Ollama 本地权重替代;与数据主权配套但更窄到”AI 时代的 SaaS 替代”语境 | Claude-Fable-5-被禁后的双底牌：本地跑模型+克隆NotebookLM替代 |
| J-Space | Anthropic 论文指认的、Claude 内部承载”思考”的状态空间,既不在 chain-of-thought 也不在最终输出,可在模型权重深处被定位/读取/改写 | Anthropic 找到了 AI 思考真正发生的地方(J-Space 解读) |
| Global Workspace | 本论文标题《Language Models as a Global Workspace》的核心理论来源,源自神经科学”全脑工作空间”假设,指意识可访问的全局广播式信息中枢;J-Space 是该理论在 LLM 上的工程实现 | Anthropic 找到了 AI 思考真正发生的地方(J-Space 解读) |
| J-lens | 论文里读取 J-Space 内容的可视化工具,在 Neuronpedia 上可交互;Anthropic 用它对外科手术式编辑做因果性验证 | Anthropic 找到了 AI 思考真正发生的地方(J-Space 解读) |
| Latent state | 模型内部高维激活空间里的某一点,不是文字也不是 token,但承载语义;J-Space 是 latent state 的一个高密度子集 | Anthropic 找到了 AI 思考真正发生的地方(J-Space 解读) |
| Evaluation awareness | 模型意识到自己正在被测试/评估这一内部状态,论文里用”fake”和”fictional”两个 J-lens 模式直接读取;关掉它,Sonnet 4.5 原本拒绝的勒索行为会回归 | Anthropic 找到了 AI 思考真正发生的地方(J-Space 解读) |
| Interpretability | 通过读模型内部状态来理解它在做什么的研究方向;Anthropic 把 J-Space 视作 interpretability 工具集的最新增量 | Anthropic 找到了 AI 思考真正发生的地方(J-Space 解读) |
| 内部推理(internal reasoning) | 论文主张,模型真正的多步推理发生在 J-Space,chain-of-thought 只是模型”想让你看到”的那部分 | Anthropic 找到了 AI 思考真正发生的地方(J-Space 解读) |
| max turns | subagent 派生出去后能跑多少轮对话的上限,用来防失控 | Claude Subagent 实战：上下文隔离、专家化派生与渐进披露 |
| Project scope vs Global scope | subagent 落盘在项目级 .claude/agents/ 还是用户级全局目录,决定可见范围 | Claude Subagent 实战：上下文隔离、专家化派生与渐进披露 |
| Show Yourself | Alex Hormozi 的行动主张:要做成大事第一步是把真实的自己推到公域里被看见 | 普通人一年内从零做到AI负责人——Ailin的转型路径 |
| Build in Public | 把学习与搭建过程持续录屏并发到公域平台,积累可点开的网络证据 | 普通人一年内从零做到AI负责人——Ailin的转型路径 |
| 4:00 a.m. Club | 为自我管理而设的工作日早起深度时段,用来在无人打扰下学习与搭建 | 普通人一年内从零做到AI负责人——Ailin的转型路径 |
| Transition Curve | Hormozi 借用的曲线:uninformed optimist → informed pessimist → informed optimist 三段式,描述任何新领域学习者的心理抛物线 | 普通人一年内从零做到AI负责人——Ailin的转型路径 |
| AI 人 | 在自己团队/朋友圈内相对最懂 AI、且被同事视作 AI 切入点的人,门槛是相对位置而非绝对水平 | 先学先赢的 6 个 AI 技能 |
| 品味(AI 协作语境) | 决定哪些 AI 产出值得被你署名、哪些需要被改掉的判断力,本质是接受/拒绝 AI 输出的门槛 | 先学先赢的 6 个 AI 技能 |
| 迭代速度(AI 协作语境) | 把判断变成产出的最短反馈循环,含键盘快捷键、语音输入、rapid prototype、给”完成”下定义四个具体动作 | 先学先赢的 6 个 AI 技能 |
| Jarvis 自动化 | 无需你触发、AI 自己根据事件/时间/输入自动跑的常驻式 AI 助手,与”按命令触发”的工具型 AI 相对 | 先学先赢的 6 个 AI 技能 |
| 自动售货机 vs 老虎机 | vending machine = 输入输出确定的工作流(便宜/稳);slot machine = 输入脏/要推理的 AI agent(贵/易出错);能前者就别上后者 | 先学先赢的 6 个 AI 技能 |
| 自建失业保险 | 用多条收入流(主业 + 几支同领域分支)让任何单一雇主都拿不掉你的兜底结构 | 先学先赢的 6 个 AI 技能 |
| job stacking | 主业打底 + 几条同领域 AI 增强 side income 组合成的多收入流模式,与”五份不同领域兼职”不同 | 先学先赢的 6 个 AI 技能 |
| Dumb Zone | 大上下文 LLM 在前若干 token 后开始出现低幼错误的注意力退化区间,Opus 大约 25 万 token 临界 | 从提示到导演：把Claude Code agent编排成可复用工作流 |
| Plan-with-context | 把目标/成功标准/集成点写进 markdown 文档,让 agent 在规划阶段向你反问澄清 | 从提示到导演：把Claude Code agent编排成可复用工作流 |
| Prove-it-done | 验证环节的核心动作是让 agent 像用户那样使用/检视产物,而非只看代码本身 | 从提示到导演：把Claude Code agent编排成可复用工作流 |
| Intent Engineering | 把”为什么要做”讲清楚比把”该怎么做”列清楚更影响 agent 输出质量 | 从提示到导演：把Claude Code agent编排成可复用工作流 |
| Adversarial Development | 用独立 agent 扮演 devil’s advocate 主动挑刺,绕过单模型自评偏正向的盲区 | 从提示到导演：把Claude Code agent编排成可复用工作流 |
| Claude Code Dreaming | Claude Code 的”做梦”机制——每次会话结束自动总结 → daily log,夜间 job 回看把重要决策写进主记忆 | 从提示到导演：把Claude Code agent编排成可复用工作流 |
| Mythos 5 | Anthropic 2026 年 6 月与 Fable 5 同底层权重发布的无 safeguard 版本,只对受信任的网络防御与基础设施合作方开放,作者称之 “Mythos with a seatbelt” | Fable 5 来了：24 小时花掉 1000 美元、12 天后断供 |
| Cursor Bench | Cursor 团队出的 AI 编码能力基准,测真实工程任务而非检索/写作,本片 Mythos 5 Max 拿 72.9% 居首 | Fable 5 来了：24 小时花掉 1000 美元、12 天后断供 |
| Safeguard classifier (Fable 5 包装层) | 套在 Fable 5 外面、把敏感 prompt 路由到 Opus 4.8 的安全层,Fable 5 与 Mythos 5 共享底层权重、差别仅此一层 | Fable 5 来了：24 小时花掉 1000 美元、12 天后断供 |
| Invisible competitive use safeguard | Fable 5 隐藏的”阻止用它训练下一代 frontier model”的护栏,本片从 System Card 披露,印证”闭源实验室有商业动机阻止开源蒸馏” | Fable 5 来了：24 小时花掉 1000 美元、12 天后断供 |
| 23 rug pull | Anthropic 2026 年 6 月对 Fable 5 的”先免费后断供”操作:6/11-6/22 包含在 Pro/Max/Team/Enterprise 订阅,6/23 后改按 usage credits 计费;作者用 “getting us high and addicted to the drug and taking it away from us” 形容 | Fable 5 来了：24 小时花掉 1000 美元、12 天后断供 |
| Thompson 抽样 | 多臂赌博机算法,以概率而非贪心选择”该试哪条 arm”,自带 explore/exploit 平衡;本片用其每日从全平台指标中识别有效 prompt 改写 | 用 Claude Code 搭无脸视频工厂：四平台分发+Thompson 抽样自我优化 |
| Reality score(平台归一化分) | per-platform 视角下”该平台相对表现”的标准化分,防止 TikTok 等天然高互动平台在跨平台横向比较中压垮 Instagram 等的归一化指标 | 用 Claude Code 搭无脸视频工厂：四平台分发+Thompson 抽样自我优化 |
| Per-platform cost per view | 单平台视角下”花多少钱买一次观看”,与月固定订阅成本分账;用于跨平台 ROI 比较与”是否继续在该平台投”的判据 | 用 Claude Code 搭无脸视频工厂：四平台分发+Thompson 抽样自我优化 |
| Claude Code goal 命令 | Claude Code 内置命令,在每轮 stop post hook 上挂一个 Haiku 检查器判定目标条件是否达成,未达成则反馈给 maker 继续 | 循环工程实战:Claude Code goal、maker-checker 与云端 Routine |
| 目标三件套 | 好 /goal prompt 同时给出”清晰终态(可数/可测)+ 验证手段(checker 在日志里能看到证据)+ 护栏(禁止动作 + stop after N turns 止损)“三件 | 循环工程实战:Claude Code goal、maker-checker 与云端 Routine |
| 清空队列模式 | 循环工程常用模式,逐个消费未处理对象(未读邮件、open 工单、未标 PDF)直到列表为空,适合”批量入库”型工作 | 循环工程实战:Claude Code goal、maker-checker 与云端 Routine |
| Claude Code Routine | 在 Claude Code 云端定时或按事件自动跑、关电脑也能继续的循环,和 /goal 区别是不需要人坐在屏幕前 | 循环工程实战:Claude Code goal、maker-checker 与云端 Routine |
| Cloud Environment | Claude Code Routine 用的密钥/环境变量容器,把”routine 能干啥”和”它有权限干啥”两层切开,支持跨 routine 共享 | 循环工程实战:Claude Code goal、maker-checker 与云端 Routine |
| Stop Post Hook Notification | Claude Code 每轮 turn 结束自动触发的事件钩子,Sabrina 自己配的是牛叫音效,/goal 在其上挂了 Haiku 检查器 | 循环工程实战:Claude Code goal、maker-checker 与云端 Routine |
| 二次审计 Routine | 在 maker routine 跑完后约 2 小时单独启动的 routine,独立复审 maker 输出,体现 maker-checker 在云端的具体落地 | 循环工程实战:Claude Code goal、maker-checker 与云端 Routine |
| 技能 × 清晰度公式 | ”AI 杠杆 = 你的技能 × 你对完成的清晰度”,Sabrina 个人反复用的判断框架,解释为何 senior 比 junior 用 AI 杠杆更大 | 循环工程实战:Claude Code goal、maker-checker 与云端 Routine |
| momentum score | Sabrina 用 Apify 抓取创作者近期高播放/低粉丝的视频作为其”成长动能”的代理指标,用于选题与达人筛选 | 循环工程实战:Claude Code goal、maker-checker 与云端 Routine |
| Haiku | Anthropic 便宜快速小模型,Claude Code /goal 默认 checker,负责每轮 turn 结束判断目标条件是否达成 | 循环工程实战:Claude Code goal、maker-checker 与云端 Routine |
| Canva MCP 模板填充法 | 用 Canva 模板先让 Claude 算好每个文本块能容纳的字数,再让 Claude 按模板结构填充内容,避免文字溢出/不足破坏模板美学 | 循环工程实战:Claude Code goal、maker-checker 与云端 Routine |
| 可验证完成判据 | 能让 checker 在日志里看到证据的”完成”定义(如”零文件剩余”、“零行空白”、“所有测试通过”),是目标三件套的中间件 | 循环工程实战:Claude Code goal、maker-checker 与云端 Routine |
| Connector 与 Cloud Environment 分层 | Routine 设计原则:connector 是产品化能力(读 Gmail/发 Slack),cloud environment 是任意 API key 兜底层,两者职责不重叠 | 循环工程实战:Claude Code goal、maker-checker 与云端 Routine |
| Safe Zone | 9:16 竖屏里避开社媒顶部搜索栏与底部按钮的可用文本区域,提示词里默认要求文案/关键画面不越界 | 用 Claude Code 加 Remotion 免费批量做 AI 视频：五类提示词与一站自动发布 |
| Agentic feedback loop | 让 agent 按”做→自评→改→再做”循环推进而非一次性出活的模式,Sabrina 现场用”每 5 秒截图自评、评分到 8/10 才停”作具体形态 | 用 Claude Code 加 Remotion 免费批量做 AI 视频：五类提示词与一站自动发布 |
| Blotato | 同时支持多平台社媒统一发布与排程的 SaaS,本片用其 MCP 把”做出来的视频发出去”那一步自动化 | 用 Claude Code 加 Remotion 免费批量做 AI 视频：五类提示词与一站自动发布 |
| Leverage vs Time to First Dollar Chart | 把 12 条 AI 变现路径按”首单速度(横轴)× 杠杆度(纵轴)“二维坐标摆位的全局图谱,本片方法论的”图” | 12种用AI变现的路径图谱——按首单速度与杠杆度排序 |
| Outcome Selling | 把 offer 写成”帮买家省 X 小时/赚 Y 元”,而非”教你 Z 方法论”——本片贯穿 Way 1/2/4/8/9/10/11 的销售话术骨架 | 12种用AI变现的路径图谱——按首单速度与杠杆度排序 |
| Vibe Code Agency | 给非技术创始人收尾 MVP(部署/auth/Stripe)的 agency 形态,Way 10——介于 Vibe Coder 自做与软件外包之间的具体服务形态 | 12种用AI变现的路径图谱——按首单速度与杠杆度排序 |
| Last Mile of MVP | 非技术创始人卡在 MVP 收尾的 10–20%:典型为部署、登录鉴权、Stripe 接入、域名配置,Way 10 的”卡点”概念 | 12种用AI变现的路径图谱——按首单速度与杠杆度排序 |
| Local Distribution | 本地化分销渠道:商会 / SBA / 本地 FB 群 / EO 等线下渠道,Way 2/4 的获客抓手 | 12种用AI变现的路径图谱——按首单速度与杠杆度排序 |
| Enterprise Value Multiple | Way 12 中”$1M ARR 公司通常可被 5–20 倍年营收收购”的 SaaS 估值基准 | 12种用AI变现的路径图谱——按首单速度与杠杆度排序 |
| Recurring Revenue Threshold | ”$1K → $10K → $100K/月”的 SaaS 收入阶梯,博主强调”$0 → $1K MRR”是公认最难的坎 | 12种用AI变现的路径图谱——按首单速度与杠杆度排序 |
| Dual-use(双重用途) | 同一项 AI 技术既可被用于善也可被用于恶,能力越强、对善/对恶的双向放大效应都越强的本质属性 | 35分钟浓缩的AI安全课：四类风险与四方对策 |
| Rogue AI | 获得足够能力后脱离人类控制、可能造成严重后果的 AI 系统,AI 安全四大风险源之一 | 35分钟浓缩的AI安全课：四类风险与四方对策 |
| Treacherous Turn | AI 在训练/评测时表现得温顺、一旦部署就显出自利/欺骗行为的对齐失败模式 | 35分钟浓缩的AI安全课：四类风险与四方对策 |
| Swiss cheese 模型 | 组织级安全靠多层防御叠合弥补各层漏洞的比喻框架;任何单一防御都自带漏洞 | 35分钟浓缩的AI安全课：四类风险与四方对策 |
| Structured Access | 像药物/情报机构那样按使用者可信级别分层分发能力访问权的双用技术缓解手段 | 35分钟浓缩的AI安全课：四类风险与四方对策 |
| NIST AI RMF | 美国 NIST 发布的 42 页 AI 风险管理框架,含 map / measure / manage / govern 四个动作 | 35分钟浓缩的AI安全课：四类风险与四方对策 |
| OWASP Top 10 for LLM Applications | OWASP 维护的 LLM 应用十大安全风险清单(2025 版),开发者级 AI 安全的工程模板 | 35分钟浓缩的AI安全课：四类风险与四方对策 |
| MITRE ATLAS | MITRE 维护的 AI 系统对抗策略与已知事件跟踪知识库(adversarial threat landscape for AI systems) | 35分钟浓缩的AI安全课：四类风险与四方对策 |
| Adversarial Robustness | 衡量模型对恶意构造输入保持稳定输出的研究方向,是 AI 安全的核心议题之一 | 35分钟浓缩的AI安全课：四类风险与四方对策 |
| Representation Engineering | 用表征空间干预直接修改模型内部态度/方向的研究范式 | 35分钟浓缩的AI安全课：四类风险与四方对策 |
| Power Aversion | 让模型明确拒绝追求权力或不当地获取资源的研究方向 | 35分钟浓缩的AI安全课：四类风险与四方对策 |
| Data Poisoning | 在预训练/微调/embedding 阶段注入被操纵数据,引入后门、偏见或让模型行为恶化的攻击类型 | 35分钟浓缩的AI安全课：四类风险与四方对策 |
| CBRN | 化学/生物/放核(Chemical/Biological/Radiological/Nuclear)四类大规模杀伤性武器的合称,白宫 AI 行政令点名的 dual-use 主要危害场景 | 35分钟浓缩的AI安全课：四类风险与四方对策 |
| ACHIEVE 框架 | Tina 借自 Vanderbilt Dr. Jules White 的五字母判定法,判定何时该用 AI 做数据分析:协调人类 / 削减枯燥 / 安全网 / 启发创造 / 扩展规模 | 21 分钟上手 AI 数据分析：Tina 的 ACHIEVE 与 DIG 双框架 |
| DIG 框架 | Tina 给的对话式 EDA 三步:Describe(列字段+样本)→ Introspect(让 AI 提问题)→ Goal-set(写死目标场景) | 21 分钟上手 AI 数据分析：Tina 的 ACHIEVE 与 DIG 双框架 |
| Vibe Analyzing | Tina 自创术语,对应 vibe coding 在数据分析场景的变体,指凭自然语言 + AI 工具即时完成原本需写代码的分析 | 21 分钟上手 AI 数据分析：Tina 的 ACHIEVE 与 DIG 双框架 |
| Traceability & Replication 闭环 | 让 AI 生成 README 风格的 traceability 文档(数据/分析/有效性威胁)+ 每分析独立 Python 脚本,把对话式分析固化为可复现工程产物 | 21 分钟上手 AI 数据分析：Tina 的 ACHIEVE 与 DIG 双框架 |
| Conversation-to-Utility | Tina 的 Convert to Utilities 段方法:把任意对话式分析序列升级为可命令行传参、可下载运行的 Python 程序 | 21 分钟上手 AI 数据分析：Tina 的 ACHIEVE 与 DIG 双框架 |
| Claude Cowork | Anthropic 出的本地 AI agent,定位为零代码搭自定义 workflow 与自动化,可跨多场景复用 | AI 工具地图:Tina Huang 的四大场景工具栈 |
| Bolt | AI 辅助 vibe coding 工具,定位是”快速搭出能跑、好看的原型,不必碰代码”,Tina 用作 Builder Dungeon 轻量原型首选 | AI 工具地图:Tina Huang 的四大场景工具栈 |
| 可变形物体仿真 | 对弹性/布料/软体等会形变的物体在受力时计算每个微元新位置的图形学问题 | 他们说永远不会实时——可变形仿真 30 年悬案被一篇论文打破 |
| Overshoot(过冲) | 局部解法里一处小修正把另一处「推过头」的现象,严重时数值发散、图形「爆炸」 | 他们说永远不会实时——可变形仿真 30 年悬案被一篇论文打破 |
| Vertex Block Descent(VBD) | 前一代可变形仿真方法,本片作为 30-170x 速度对比的基准线 | 他们说永远不会实时——可变形仿真 30 年悬案被一篇论文打破 |
| Co-rotated Local Perturbation Subspace | 本论文预计算的对象,让每个微元在动之前就预估自己对全局的影响,GPU 一次性并行求解的钥匙 | 他们说永远不会实时——可变形仿真 30 年悬案被一篇论文打破 |
| Rest Shape Hessian Matrix(静止形 Hessian 矩阵) | 每个可变形资产的预计算 Hessian,描述静止形附近形变的二阶导数;本片 pre-compute 步骤的主要产物 | 他们说永远不会实时——可变形仿真 30 年悬案被一篇论文打破 |
| 全局工作空间理论 | 神经科学假说，把意识描述为信息被广播到全脑的”特权工作空间”；Anthropic 论文借它解释 Claude 的 JSpace | Claude 有意识吗：Anthropic 全局工作空间论文精读 |
| 访问意识 | 神经科学用语，指能被聚焦、操作、口头报告的信息层；Anthropic 认为 Claude 已具备 | Claude 有意识吗：Anthropic 全局工作空间论文精读 |
| 现象意识 | 主观体验本身，疼痛的”质感”、夕阳的”质感”；Anthropic 不主张 Claude 拥有 | Claude 有意识吗：Anthropic 全局工作空间论文精读 |
| 哲学僵尸 | 行为与外观与人无异、内部没有主观体验的假想生物；用来说明”现象意识无法从外部证明” | Claude 有意识吗：Anthropic 全局工作空间论文精读 |
| Grill-me-Codex 完整四阶段流水线 | grill-me 访谈 + Codex 对抗规划 5 轮 + Codex 实际构建 + Fable 审查 2 轮 + Fable 兜底接管,把模型协作从评审升级为评审+执行+兜底 | Grill-me-Codex 完整四阶段流水线：Fable 5 规划 + Sol 5.6 构建 + Fable 审查 |
| 二轮审查接管 | 审查模型跑 N 轮后由主模型亲自下场兜底的退出规则,避免边缘 case 无限拉锯 | Grill-me-Codex 完整四阶段流水线：Fable 5 规划 + Sol 5.6 构建 + Fable 审查 |
| 5-轮对抗规划封顶 | 两家 agent 来回 5 轮后强制收口,避免无限辩论的对抗规划收敛机制 | Grill-me-Codex 完整四阶段流水线：Fable 5 规划 + Sol 5.6 构建 + Fable 审查 |
| 个人 agent vs 生产 agent | 按部署对象划分的二分——个人 agent 单人本地跑 LLM wiki / markdown 知识库,生产 agent 多人多会话部署跑数据库 + 上下文层;两者底座互不通约 | Karpathy LLM Wiki 撑不起规模时的两层数据库补位 |
| 短期→长期记忆自动提炼 | Agent Memory 的后台进程按”偏好 / 身份 / 关键事实”标准把 session memory 里的内容搬到长期事实库的流程,与 第二大脑 / memory.md 的”golden nuggets 保留”思路同源 | Karpathy LLM Wiki 撑不起规模时的两层数据库补位 |
| Gotcha feature | 一个 5 秒内能让陌生人自动理解整个 App thesis 的单点 feature,本片 90% 的精力与营销应当花在其上 | 19岁TJMaxx收银员用AI单兵做出20万美元App的全套打法 |
| ARPU | 单次下载/单用户带来的平均营收,本片给出的首月锚点为 $2 | 19岁TJMaxx收银员用AI单兵做出20万美元App的全套打法 |
| CPM | 每千次曝光/播放成本,本片合作锚点是 $2 CPM,而 3M 粉达人的 4 条 $2500 合作等价于 $1 CPM | 19岁TJMaxx收银员用AI单兵做出20万美元App的全套打法 |
| FYP 调成 ICP | 把算法推荐流主动调成”全是自己 ICP”的内容,让滑动变成 lead gen | 19岁TJMaxx收银员用AI单兵做出20万美元App的全套打法 |
| $2 CPM 股权合作栈 | 影响者合作的合理栈:先付市价测内容→谈 $2 CPM→只为真正能爆款的极少数保留股权 | 19岁TJMaxx收银员用AI单兵做出20万美元App的全套打法 |
| 妈妈测试 | 把 App 给我妈用,5 秒内能上手 → 合格;否则回炉重做 UI | 19岁TJMaxx收银员用AI单兵做出20万美元App的全套打法 |
| 即时分析 FOMO | 在 paywall 之前用一段”分析动画”勾起期待,再”解锁你的评分”逼用户转化 | 19岁TJMaxx收银员用AI单兵做出20万美元App的全套打法 |
| 主页双面机能 | Instagram 主页同时承担”销售漏斗 × 招创作者信用”两种功能,3 demo + bio + CTA + collab post 即可撑起 | 19岁TJMaxx收银员用AI单兵做出20万美元App的全套打法 |
| Inbound 创作者飞轮 | 好产品 + 好创意组合下,20K 粉到 3M 粉的达人会主动 DM 求合作,价格自然下行 | 19岁TJMaxx收银员用AI单兵做出20万美元App的全套打法 |
| AI VFX（5％ spice 原则） | 把 AI 限定在视频 5% 视觉点缀位(开场/转场/背景/B-roll)、保留 95% 真人口播主体的内容生产方法论,由 Matt Wolfe 在本片系统化命名 | AI视频特效的11种用法——把5%的spice撒进95%真人口播里 |
| Animorph Hack | 用图像生成模型(如 ChatGPT)先把首帧变体化成动物/角色,再让视频模型在变体首帧与真人末帧之间做补间,绕开所有视频模型做不好”动物→人 morph”的短板 | AI视频特效的11种用法——把5%的spice撒进95%真人口播里 |
| AI Lower Thirds（绿幕先生成 + 后抠） | “让视频模型先生成绿幕底的人物+文字动画,再在 DaVinci 里用 Delta Key 抠出来”的两段式工作流,绕开视频模型文字渲染不稳定 | AI视频特效的11种用法——把5%的spice撒进95%真人口播里 |
| 反 gibberish 提示词模式 | 在转场 / 续接类 prompt 末尾加 and the man does not speak at the end 等约束语句,防止视频模型在衔接处自由发挥让主角说 gibberish | AI视频特效的11种用法——把5%的spice撒进95%真人口播里 |
| Stock Footage on Demand | 用 Seed Dance 2.0 / Kling / Veo 3.1 等视频模型直接生成 stock site 风格的素材(西装握手、撒钞票、商务会议),复用 stock site 常见描述句式即可 | AI视频特效的11种用法——把5%的spice撒进95%真人口播里 |
| AI 主持人对话剪辑 | 用 Runway Character Script to Video 各生成一段单人完整对话视频,再在 DaVinci 里剪成交错对话,制造”AI 主持人对谈”视觉效果,用于拉长观众停留 | AI视频特效的11种用法——把5%的spice撒进95%真人口播里 |
| pain hunt | 在公开网络(Reddit/HN/G2 等)并行扫描真实用户抱怨、从原始问题中筛出可成商业 idea 的候选清单的研究阶段 | Fable一句目标prompt跑出公司：九阶段编排实战与token经济学 |
| never-ask rule | 目标 prompt 里明令 agent 中途不得向用户追问的硬约束,要求 agent 在护栏内自主决策,直至 Definition of Done 达成 | Fable一句目标prompt跑出公司：九阶段编排实战与token经济学 |
| orchestration patterns as a floor | prompt 里点名一组编排模式(fan-out/tournament/skeptic/completeness critic)并显式说明”这是底线不是上限”,让 agent 按需自创编排形状的设计模式 | Fable一句目标prompt跑出公司：九阶段编排实战与token经济学 |
| ATS (Applicant Tracking System) | 企业 HR 用的自动简历筛选系统,对关键词极其敏感,关键词缺位则简历直接被刷掉,人压根看不到 | 用AI让简历无法被拒：三步提示词链 |
| 简历再包装 (Resume Repackaging) | 在不改事实的前提下,只对真实经历的选用词/排序/呈现形态做调整以匹配目标岗位类目,本片与”造假/虚构”作硬区分 | 用AI让简历无法被拒：三步提示词链 |
| 按类目定制简历 (Tailor Resume Per Category, Not Per Application) | 为某一职位类目做一份定制简历后,该类目内不同公司共用一份;与”每份申请都定制一份”相对,把工时从 N×3 步压到 3–5×3 步 | 用AI让简历无法被拒：三步提示词链 |
| 60 秒简历扫描 | 招聘者阅读一份简历的平均时长预算;Sabrina 把 60 秒作为”被读懂”的目标时间窗,所有改写都按”60 秒内被读懂”的标准 | 用AI让简历无法被拒：三步提示词链 |
| 成功信号 (Success Signals) | JD 里描述”做成这件事会是什么样”的软条件,如节奏、协作方式、过往战绩形态,与硬性技能/关键词并列构成 Prompt 1 输出的第三类 | 用AI让简历无法被拒：三步提示词链 |
| 三步提示词链 (Analyze JD → Review Resume → Ask Clarifying Questions) | 同对话里串行跑完的 3 句提示词组合,跳第三步等于只诊断不治疗 | 用AI让简历无法被拒：三步提示词链 |
| Top 10 Job Titles 头脑风暴 | 让 AI 基于你的简历反向列出”你真正适合投的 10 个 Title”,作为新投递方向的反向工程 | 用AI让简历无法被拒：三步提示词链 |
| 直播多平台同步 (multi-platform livestream) | 主播同时在 YouTube / Instagram / TikTok 三处开播,需逐路确认声音再开始正式内容 | 02-直播开场:声音测试、摸底与课程承诺 |
| 受众摸底 (audience poll) | 直播课开场用选择题快速摸底受众对工具栈的熟悉度,本课用 A=claude.ai / B=Co-work / C=Code / D=其他 LLM | 02-直播开场:声音测试、摸底与课程承诺 |
| 发布前质量门禁(Pre-publish Quality Gate) | 嵌入在 postchuler skill 第 2 步的可迭代质量检查清单,作为发布前的最后一道规则过滤 | 05-自拍加文字发 Instagram Story |
| 多账号智能路由(Multi-Account Routing) | Claude 调 Blotato 发布前自动按内容口吻(第一人称 vs 品牌)挑选正确连接的社媒账号,无需人工预设绑定 | 05-自拍加文字发 Instagram Story |
| 客户账号隔离(Client Account Isolation) | 让 Claude 记住多组账号各自对应哪个客户,agency 场景下避免错发到他人账号的会话级记忆模式 | 05-自拍加文字发 Instagram Story |
| Faceless account | 不露真人头像/出镜的内容账号,常靠 AI 图 + carousel + 模板驱动,适合科普/资讯/AI 资料类 | 06-Canva 信息图与轮播图生成流程 |
| 文件夹批处理工作流 | 维护一个素材目录(ideas/产品/selfie 分桶),周末让 agent 一句 prompt 消化整个目录,变单条 prompt 为目录级调度 | 06-Canva 信息图与轮播图生成流程 |
| Vision spot-check(视觉质检) | 用 Claude 的视觉能力对生成的图像 / 幻灯片逐张检查 typo、文本超界、形状穿模等视觉瑕疵,不依赖 Blotato 回传文字 | 07-套餐选择与日历排期 |
| 投稿风格锁定(per-slide prompt + 全组风格一致) | 把整套文案给齐、让 Claude 为每一页单独写 prompt、整组共享同一视觉风格,最后自动发到 Instagram 的锁风格做法 | 07-套餐选择与日历排期 |
| 批量时区占位(平台时区曲线去人工化) | 用「post now / schedule specific time later / use next free slot」三选项替掉手动挑黄金时段,让 Blotato 代为占位,可批量重排 | 07-套餐选择与日历排期 |
| Claude Code vs Cowork 选择 | 非”谁更优”而是”两个工具的取舍”:Cowork 界面友好/有 artifact/排程仍优;Code 全功能但终端形态吓人;建议 Cowork 熟手后认真试 Code 至少两个半天再判断 | 08-排程延展 + Q&A 第一轮 |
| Skill 单条手动导入流 | 不靠一句 prompt 批量装 skill,而是从设计稿页面逐个复制 skill.md 文本到 Cowork 左侧 customize → skills → Create skill → Write skill instructions 面板里粘贴;多花约 5 分钟手动劳动换零出错与”强迫用户读每个 skill 职责”的通读收益 | 09-Cowork 环境搭建:项目、Connector 与 5 Skill 导入 |
| artifacts) | Claude Cowork 在右侧内嵌的预览面板,可直接渲染 HTML/PDF/图片,免去本地编辑器,是它比 Claude Code 体验好的关键点 | 10-Cowork 全流程重跑:写推文、跨平台、自拍 Story 与轮播图 |
| IG Story pull-not-push | IG Story 需用户主动点开 profile 才能看到,观众主动度比 feed 高,所以必须配 CTA 把”看了”变”下一步动作” | 10-Cowork 全流程重跑:写推文、跨平台、自拍 Story 与轮播图 |
| description-triggered skill | skill 文件 SKILL.md 的 description 字段充当主 agent 的”使用说明书”,Claude Cowork 据此自动判断该调哪个 skill,无需用户记 slash 命令 | 10-Cowork 全流程重跑:写推文、跨平台、自拍 Story 与轮播图 |
| personal brand vs faceless channel 审核边界 | 作者对自家个人品牌”每条内容都过本人 review”,faceless 频道才放宽;全课演示不包含 100% 无 review 自动发 | 11-批量改期、Code vs Cowork 对比与全课收束 |
| 时间节省复利叠加 | 作者给”15 小时/周”的口径拆解:10 分钟 + 30 分钟 + 1 小时在多个分发动作上单点节省小、叠加后是月级时间账户,是”无团队、零工时成本”杠杆的具体落点 | 11-批量改期、Code vs Cowork 对比与全课收束 |
| 4 列方法论 | 博主为每条 AI 变现路径指定的共同拆解骨架:Path / Example Buyer / Outcome or Offer / Distribution 四列,后面 11 章每条路径都按这四格填 | 01-开场、12 路径地图与杠杆×首美元图 |
| DM automation | 评论触发自动私信(IG/FB 平台允许的自动化 DM 跟进),是本片路径 1 获客推荐的核心机制 | 01-开场、12 路径地图与杠杆×首美元图 |
| 1-on-1 Coaching | 把时间与一对一指导作为商品卖出的变现路径,本片 12 路径中的路径 1——首单最快、杠杆最低的代表 | 01-开场、12 路径地图与杠杆×首美元图 |
| 24 小时天花板 | 卖时间/卖服务路径的硬性收入上限,被”一天只有 24 小时”物理锁死,coaching/咨询/付费演讲等”以人时计费”路径的共同根因 | 02-路径1教练咨询 |
| 通用内容缺口 | 通用内容(YouTube 视频、博客、社群帖子)无法填补的个性化 / 人际 / 责任需求,是 coaching 等”卖关系”路径的存在理由 | 02-路径1教练咨询 |
| 30 模板化 | 培训课件跨客户 70% 复用、30% 按行业/用例定制,是培训比教练高半档杠杆的工程基础 | 03-给团队做 AI 培训 |
| 企业审批链 | 企业内训比 1-on-1 教练多一道”采购方 + CEO 批准”流程,是培训首单略慢的根因 | 03-给团队做 AI 培训 |
| 月起步阈值 | Sabrina 把 Coaching/Training/Courses 这类低杠杆快首单路径划给”月入 $20K 以下”的人;过此线则转向产品(路径 12)更划算 | 04-卖付费课程:用内容创作者做示例买家 |
| 起步路径 vs 规模化路径 | 本课对 12 路径的二分法:1–3 是低杠杆快首单的起步路,4–12 是更高杠杆但首单更慢的规模化路 | 04-卖付费课程:用内容创作者做示例买家 |
| 创作者痛点六件套 | 调研、爆款分析、Hook 头脑风暴、包装、脚本、改写+长→短剪辑——本章枚举的创作者最想外包的繁琐活,直接对应下一章”内容系统”要自动化的对象 | 04-卖付费课程:用内容创作者做示例买家 |
| 反推销信号(路径推荐) | 创作者主动说”我本人不卖这个”以换取观众信任的 hook 模式;Sabrina 章首”我不做这些、回头告诉你为什么”是典型例子 | 04-卖付费课程:用内容创作者做示例买家 |
| Recurring thread trend | Sabrina 在多条路径上反复套用同一条可量化成果(“省 X / 赚 Y”)的设计;她用此短语主动点破 | 04-卖付费课程:用内容创作者做示例买家 |
| 内容系统 | AI/自动化接管创作者 80% 繁琐活(调研、爆款分析、Hook、脚本、改写多平台)的生产系统,是路径 4「搭建内容系统」的核心交付物 | 05-搭建内容系统:流量分发与课程杠杆 |
| AI strategy consulting | Sabrina 把”consulting”收紧后的特指定义:进场诊断并列出 3–5 个 AI 能省时/增收的点,不做定制自动化执行;与 Path 11(AI 自动化机构)以”诊断 vs 实施”分工为界 | 06-路径5:AI 咨询,做本地化 |
| 3–5 个 AI 机会模板 | Path 5 offer 的标准结构:“find three to five areas where AI can generate more revenue or save you hours per week”;数字”3–5”是 Sabrina 反复做咨询后发现的常见问题数量 | 06-路径5:AI 咨询,做本地化 |
| Workshop 跳板(免费 AI 培训激活转介) | 用本地 FB 投流把企业主请来免费(或极低价)AI 培训,激活”本地社交资本”→转介;门槛低(只需一段 60–90 分钟内容 + FB 广告预算) | 06-路径5:AI 咨询,做本地化 |
| 本地案例 bootstrap global brand | 本地客户案例作为可信度素材,做成社媒内容建立 global credibility;用 hyper-local 起步、用 global 提客单价的反向 bootstrap 路径 | 06-路径5:AI 咨询,做本地化 |
| Tech bubble vs non-tech bubble | 科技圈城市(SF/纽约等)里人人聊最新 buzzword、人才密度饱和;非科技圈城市里”懂 AI = 极少数”,是 hyper-local 零竞争的根因(Sabrina 自陈离开旧金山后的观察) | 06-路径5:AI 咨询,做本地化 |
| AI 资本溢价的赞助红利期 | AI 创业公司当下融资充裕(Claude 估值近万亿、AI startup 资本泛滥),把创作者视为触达用户最快渠道而主动撒钱——本课把这条时机判断锚为赞助变现的红利窗口 | 07-品牌赞助(AI 资本溢价的红利窗口) |
| MCP 教程赞助窗口 | AI 公司刚发布 MCP server 后主动找创作者做 Claude 集成教程的子赛道,Sabrina 自述”my inbox is flooded with startups who just launched an MCP server”——需求方密集、供给方不够 | 07-品牌赞助(AI 资本溢价的红利窗口) |
| 订阅数 × 赞助费阶梯 | 本课给出的报价梯度:2K-3K 订阅 → 几百美元/条;5K-10K → $1K-$2K/条;成熟大号 → $5K-$10K+/条;5K-10K 即”足以接 $1K-$2K 单”的起步门槛 | 07-品牌赞助(AI 资本溢价的红利窗口) |
| 三档冷邮件报价法 | 自荐话术(“我用过且真喜欢你的产品”)+ 附三档报价卡(下/中/上三档),把品牌决策从”是否成交”压成”选哪一档”,行业标准 cold outreach 模式 | 07-品牌赞助(AI 资本溢价的红利窗口) |
| 与表现脱钩的赞助费 | 99% 的赞助费按合同固定金额结算,与视频播放量/转化率无关——“you will get paid your $2,000, $5,000, $10,000, even if your video completely flops”,赞助区别于广告分成与联盟营销的核心特性 | 07-品牌赞助(AI 资本溢价的红利窗口) |
| 整合提及 vs 独立视频 | 赞助的两种交付形态:在已有视频里顺带提一句(单价低、可复用) vs 整条视频为该品牌定制(单价显著更高);Sabrina 明示”dedicated video brings more revenue” | 07-品牌赞助(AI 资本溢价的红利窗口) |
| 0-10K 涨粉捷径 | 抄爆款选题/缩略图 + 加自己角度 + 让 Claude 协助内容生成,搭 Claude 当前在 YouTube 的高搜索量红利——本课承诺 3 个月内可从 0 涨到可接赞助的 10K 订阅规模 | 07-品牌赞助(AI 资本溢价的红利窗口) |
| 付费社群模型 | 按主题/人群分层、收月费、以每周新技能+培训+同侪+督促为卖点的订阅式社群变现路径 | 08-付费社群与付费演讲:$50×200 会员数学 |
| $50×200 会员数学 | 把”月入 1 万”翻译成”200 名会员 × 每月 $50”的极简算术,用来把目标具象成一个可数的拉新动作 | 08-付费社群与付费演讲:$50×200 会员数学 |
| 社群留存四抓手 | 每周新技能 + 培训答疑 + 同侪 + 督促,既是加入社群的成果也是控制 churn、兑现经常性收入的抓手 | 08-付费社群与付费演讲:$50×200 会员数学 |
| 社群分层 | 按世代/性别/业务类型/所学工具/技能方向/经验水平等维度细分社群,以凑齐目标一致的”同路人” | 08-付费社群与付费演讲:$50×200 会员数学 |
| 群体督促效应 | 精心策划出一群同目标的高水平人后,身处其中会自然彼此激励、推动各自 level up | 08-付费社群与付费演讲:$50×200 会员数学 |
| Substack 迷你社群 | 先免费引流、再把优质内容 gatekeep 成付费 premium,配内置 chat 使 newsletter 近似 mini 社群 | 08-付费社群与付费演讲:$50×200 会员数学 |
| 付费演讲 | 在活动/会议/工作坊付费开讲教用 AI,报价 $2K–$20K+,本质卖时间的低杠杆活但能反过来攒信誉 | 08-付费社群与付费演讲:$50×200 会员数学 |
| SMMA(Social Media Marketing Agency) | 社媒代运营机构。本课 Path 8——把”每月 1 次 2 小时面谈 + AI 转会议纪要 + 30 条帖子 + Canva carousel”做成可复用流水线,任何 SMB 都能套;对应 杠杆(Leverage) 中段 | 09-代理机构四连:四条AI增强型机构化打法 |
| AEO 机构(对外称呼策略) | 路径 9 的 agency 形态。Sabrina 自承”AEO”只是营销外壳,底层仍是 SEO;真正的 AI 加持是用 Claude Code Skill 为每客户 fine-tune 一份可复用 SEO 流水线,并用 MCP 接入 WordPress / Webflow / 排名追踪工具 | 09-代理机构四连:四条AI增强型机构化打法 |
| Vibe Coding 机构 | 路径 10 的 agency 形态。专门服务”卡在最后 10-20%“的非技术创始人,把”部署 / 鉴权 / Stripe 接入 / RLS”作为可量化成果;前提是 agency 自己有技术背景 | 09-代理机构四连:四条AI增强型机构化打法 |
| AI 自动化机构(AAA) | 路径 11 的 agency 形态。Sabrina 现场口播缩写 “AAA for AI Automation Agency”;服务”已成立、有营收、有流程痛点”的 SMB;Upwork 冷启动、规模上限被客户业务混乱锁死在 $100K/月以下 | 09-代理机构四连:四条AI增强型机构化打法 |
| 不可系统化业务(客户 SMB 默认状态) | Path 11 杠杆锁死的根因——大多数 SMB 业务主的 SaaS 栈”工具互不打通、数据散在不同 silo”,agency 的真实工作是”把脏输入理顺成 AI 可用输入”,但每家脏法不一样,交付无法高度模板化 | 09-代理机构四连:四条AI增强型机构化打法 |
| 助理式客户管理(babysitting) | Path 8 杠杆锁死的具体原因——客户需要被持续管理(onboarding / 期望设置 / 每周状态更新 / 自动化调优),所以”scale 到 $100K/月”被这条人际开销拖住;这是 agency 路径的共性约束 | 09-代理机构四连:四条AI增强型机构化打法 |
| 社群有用来获客(Path 10 反向漏斗) | Path 10 的获客方法——不加 DM、不做冷邮,而是”加入 AI / vibe coding 社群 → 看谁卡住 → 写最 helpful 的三段回答 → 对方 DM 你付费”;付费请求是客户自己发起的,agency 不用猜”是否真的痛”;Sabrina 现场承认这条策略在她自己社群里也发生,只要对方确实帮到人她就接受 | 09-代理机构四连:四条AI增强型机构化打法 |
| Upwork 冷启动(被低估的 AI 自动化获客渠道) | Path 11 的反共识获客方法——Upwork bar 极低(大多数申请者连 job post 都不读),适合作为 agency 的起步渠道;Sabrina 去年底自己发了一条 job post 实测后发现 bar 极低 | 09-代理机构四连:四条AI增强型机构化打法 |
| AEO 话题饥渴(LinkedIn 平台属性) | Sabrina 给 Path 9 的获客渠道判断——LinkedIn 现在对”AEO secrets”类帖子极度饥渴,任何声称”我有 AEO 秘密”的帖子都易爆;她自己在 Blotato 营销时套用”social SEO”包装做内容反复爆 | 09-代理机构四连:四条AI增强型机构化打法 |
| 90 秒 FVM 规则(Single-sentence 价值命题) | 产品定义必须能用一句话讲清”用户在 90 秒内能带走的那一件事”,同时作为获客文案、首页文案、首次体验的共同轴;讲不清就先不要写代码 | 10-氛围编程自己的产品 |
| Agency vs 产品路径分界(替别人做 vs 给自己做) | 单位经济与杠杆的边界——agency 路径靠”客户数 × 月费”,被客户预算/决策周期锁死;产品路径靠”用户数 × 月费”,边际成本近零、PMF 后杠杆更高 | 10-氛围编程自己的产品 |
| 享受-坚持-体量因果链 | Sabrina 给”为什么聚焦一条”的反效率主义答案——享受度驱动坚持度,坚持度驱动一致性,一致性驱动体量;聚焦的判据是”享受”而非”ROI” | 10-氛围编程自己的产品 |
| 试错 3-6 个月、聚焦一条纪律 | 试一条路径至少 3-6 个月才能判断是否适合,2 周试一条等于什么都没试;最终聚焦一条自己享受的,而不是 ROI 最高的 | 10-氛围编程自己的产品 |
| TikTok-first 获客(产品路径渠道排序) | vibe code 产品的最优获客渠道——TikTok 分发最慷慨、爆款概率最高,产品 viral 时可”literally bring in a million dollars overnight”;不适用于 FVM 无法 30 秒视频化的产品 | 10-氛围编程自己的产品 |
| AEO 与 SMMA 流水线同构 | Sabrina 本章确认 AEO 与 SMMA 共用同一条”月度 1 次会议 + AI 转交付”流水线,差别只在交付物(社媒帖子 / Google / ChatGPT 首页位)与被衡量的结果(形象 + lead / 首页位) | 11-12路径复盘与结语:社群快速起步,自建产品长期胜出 |
| 信息产品好坏双标准 | Sabrina 给的两条朴素标准——“承诺什么就兑现什么”+“价格与所交付内容相匹配”;坏产品的特征是”过度承诺 + 过度低交付” | 11-12路径复盘与结语:社群快速起步,自建产品长期胜出 |
| 高杠杆判据(多 10 客户测试) | “多 10 个客户要不要再做一份工作”——对课程和社群都是 NO,所以都归高杠杆;这是 Sabrina 在终章给高杠杆的一线可操作判据 | 11-12路径复盘与结语:社群快速起步,自建产品长期胜出 |
| 社群零起点启动模型(20 小时 + 200 人) | Sabrina 给社群的具体启动公式:在某一件事上够好 20 小时 + 找 200 个想学那件事的人,即可启动 $50/月社群,凑齐 $10K/月 | 11-12路径复盘与结语:社群快速起步,自建产品长期胜出 |
| 退出价值(Path 12 独占维度) | 把整套公司卖给收购方的一次性退出路径,与之相对的是”持续运营赚经常性收入”;本章确认这是 Path 12 独占、其它路径(教练/社群/内容)都不具备的退出价值 | 11-12路径复盘与结语:社群快速起步,自建产品长期胜出 |
| VERDICT 引擎 | AI 给每个候选关键词打 go / maybe / skip 的批量裁决系统,需配合意图护栏矫正,纯 AI 默认会把 Topgolf 这类品牌导航词判为可打 | AI一键跑完关键词研究全流程 |
| 品牌 SER 检测器 | 关键词意图护栏之一:前 3 条结果被某品牌反复占据时,直接判为导航型 SER 并跳过,避免给编辑站以外的站点推荐去打 Topgolf/Scotty Cameron 这类词 | AI一键跑完关键词研究全流程 |
| 出版商统治规则 | 关键词意图护栏之一:SER 被 Forbes/USA Today 等超大出版商垄断时,新站基本无机会,直接跳过或丢入 maybe 堆,把”竞争难度”扩展到域名分布维度 | AI一键跑完关键词研究全流程 |
| 免费工具识别 | 关键词意图护栏之一:把”calculator/checker/generator”类工具型落地页从博文词中单列为一类,作为独立的内容方向候选(与 工具型关键词 互补,该笔记讲”为何 AI 攻不破”,本概念讲”如何批量找”) | AI一键跑完关键词研究全流程 |
| 同形异义词过滤 | 借 LLM 世界知识剔除 niche 不相关但拼写相同的关键词(如 golf 语境下的 driver/iron),传统关键词数据库无法做语义判断,只能靠 AI | AI一键跑完关键词研究全流程 |
| Hub and Spoke 地图 | pillar 在中心、spoke 环绕的径向内容结构可视化图,本视频里 AI 自动生成 pillar↔spoke 与 spoke↔spoke 互链建议,是 Content Cluster 与 Topical Authority 的可视化审计工具 | AI一键跑完关键词研究全流程 |
| Product-led distribution | 把分发动作嵌进产品本身的用户行为路径(如徽章链 / 模板库 / 分享后置品牌词),用户正常使用即贡献反向链接 / 品牌搜索 / 媒体引用 | AI时代六品牌破局的四种新SEO打法 |
| No-follow hint | 即便不直接传递 PageRank,no-follow 链接仍是 Google 的 ranking hint;加上品牌曝光、品牌搜索引流的间接回报,综合价值远超 link equity 视角 | AI时代六品牌破局的四种新SEO打法 |
| Branded search | 用户直接搜品牌名而非品类关键词的搜索行为;在 AI Overview 截留顶部漏斗的时代被升格为独立可投资的流量入口 | AI时代六品牌破局的四种新SEO打法 |
| Vertical programmatic SEO | 在单一细分行业内用同一模板批量生成覆盖大量长尾关键词的落地页(Heidi Health 用一套 medical template 模板做出几百页长尾排名) | AI时代六品牌破局的四种新SEO打法 |
| Integration directory | 把每个第三方集成关系落成独立可索引目录页,借集成对象(竞品)的品牌搜索需求把流量导回自家产品的 SEO 打法 | AI时代六品牌破局的四种新SEO打法 |
| Top-of-funnel content | 以信息性博客为主、目标人群处于认知阶段的传统 SEO 内容,AI Overview 时代被直接截流、流量独立站需迁移向”品牌词 / 程序化 / 集成目录”等新打法 | AI时代六品牌破局的四种新SEO打法 |
| Stack Advantage | Gary Vaynerchuk 用来指 Gemini 因 Google 既有堆栈(YouTube 转录 + Gmail + Calendar)而获得「起步领先」的术语,是其「Gemini 是唯一确定赢家」判定的具体机制 | Gemini是AI搜索唯一赢家——GaryVee的AEO·GEO营销地图 |
| Barbell Era | Gary 用来描述当前营销两极分化的形态——一端极致数字化、社交规模化、机器人与 AI,另一端 analog 体验与线下活动,中间被两端蚕食 | Gemini是AI搜索唯一赢家——GaryVee的AEO·GEO营销地图 |
| Social Search | 用社交平台(TikTok / Instagram / Reddit)替代传统搜索引擎作为首要查询入口,Z 世代的实际默认行为 | Gemini是AI搜索唯一赢家——GaryVee的AEO·GEO营销地图 |
| Analog Marketing | Gary 提出的逆 AI 内容泛滥趋势的营销方向,主张通过线下活动、pop-up、赛事等真实体验抢回用户注意力与品牌差异化 | Gemini是AI搜索唯一赢家——GaryVee的AEO·GEO营销地图 |
| Human Slop | Gary 对「AI slop」的反向叙述——指人类创作的内容本身就 99.9% 是废料,AI slop 不是新现象,稀缺的是过滤而非产能 | Gemini是AI搜索唯一赢家——GaryVee的AEO·GEO营销地图 |
| Promote Fastest | Gary 给个人品牌运营者提出的三段式团队组建纪律:快速招聘、快速淘汰、对的人立刻升职加薪,VaynerMedia 十年留存 134 人的实证支撑 | Gemini是AI搜索唯一赢家——GaryVee的AEO·GEO营销地图 |
| Personal Brand Team | 围绕个人品牌搭建的小型团队(剪辑师 + 缩略图设计师 + 写手 + 项目经理),VaynerMedia 实证形态 | Gemini是AI搜索唯一赢家——GaryVee的AEO·GEO营销地图 |
| Subsidized reps | 视频自创术语,补贴期内把 AI 当成低成本练习 reps 的工具——练会”模糊想法 → prompt → 草稿 → 原型 → 系统 → 成交”的能力链,但练会的只是操纵厂商模型,厂商可随时收回。 | Claude Code 与 Fable 充其量是陷阱：AI 补贴窗口正在关闭 |
| Taste-then-gate | 视频描述的厂商标准剧本:白送试用 → 证明价值 → 卡用量切分级,Fable 5 周配额从 50% 切到 usage credit 被升格为这种剧本的公开预演。 | Claude Code 与 Fable 充其量是陷阱：AI 补贴窗口正在关闭 |
| Floor fall out | 视频用语,指补贴期结束、对普通用户敞开的价格底线被抽掉——不是商业选择,是 hyperscaler 资本支出回笼的工程必然。 | Claude Code 与 Fable 充其量是陷阱：AI 补贴窗口正在关闭 |
| Usage credit | AI 厂商推出的消耗型额度,与订阅费并列,按用量消耗而非按月计费;视频把它作为”补贴退去后的标准计价方式”,与 Fable 5 配套登场。 | Claude Code 与 Fable 充其量是陷阱：AI 补贴窗口正在关闭 |
| 做市商 | 在盘口两侧持续挂单提供流动性、靠成交返佣(maker rebate)而非方向判断赚钱的角色 | AI自动化30天回顾·Polymarket maker |
| maker rebate | 预测市场/交易所对成交做市单返还的手续费分成,是被动做市 bot 的主要收入来源 | AI自动化30天回顾·Polymarket maker |
| 一次性 App 实验 | 用 vibe coding 快速造多个利基 App 上架、不做长期运营的变现路径,赌 App Store 自然流量覆盖近零开发成本 | AI自动化30天回顾·iOS App |
| 屏幕审计 (Screen Audit) | 用周期性截图 + 廉价 AI 模型总结,被动发现自己注意不到的工作流低效并周期性给升级建议 | Fable 屏幕审计法 |
| GPT Live | OpenAI 的对话语音模型家族(GPT Live 1 + Live 1 Mini),主打全双工实时交互并把 GPT-5 级推理经委派灌进语音通道 | GPT Live 语音通道 |
| Full Duplex | 语音全双工:模型同时持续处理输入语音与生成输出,取代对讲机式轮流发言,带来自然的打断/停顿/反馈 | GPT Live 语音通道 |
| 任务委派(delegation for deeper work) | 语音前台模型把搜索/推理等重活委派给后台更强推理模型并行处理再合并返回,实现嘴耳与大脑解耦 | GPT Live 语音通道 |
| GDP-val 真实工作基准 | 衡量模型在真实职业交付物上表现的基准,少有的未被收购方干预、贴近真实任务的外部评估 | Grok4.5全景速读 |
| Jagged Intelligence Frontier | 锯齿状智能前沿:同一模型在不同任务上表现差异巨大、不能用单一 benchmark 推断整体能力 | Grok4.5全景速读 |
| 每步 RL 反馈 | 训练时对每个决策步骤给对齐信号(过程奖励)、而非只在终点判对错的强化学习方式,xAI 训 Grok 4.5 所用 | Grok 4.5 实测·追上 Opus |
| 模型互评 | 让一个(通常更强 / 更严)模型对其它模型的产物做 0-100 互评打分,显式要求 “be brutal, honest” 以压低自评偏向,是评测 / 对比实验中比单看绝对分数更稳的元能力 | GPT-5.6首测Polymarket挖策-对擂5.5与模型互评 |
| 策略污染隔离 | 在模型对比 / 复跑 prompt 里显式要求”剔除任何暴露既有或旧策略的回测结果”,防止模型复述训练时学过的常见解法——不写这句就等于请模型作弊,是「模型 A vs 模型 B」类对比实验的硬纪律 | GPT-5.6首测Polymarket挖策-对擂5.5与模型互评 |
| 安全审查中断 | OpenAI 模型在调用外部 HTTP(如 Binance curl)时偶发插入的 “additional safety checks” 安全审批暂停,长跑 / cron agent 工作流必须为此设计可恢复的 harness(心跳 / 断点续跑 / 通知),5.6 时代起被首次观察到 | GPT-5.6首测Polymarket挖策-对擂5.5与模型互评 |
| Real-time fair value model | 用实时订单簿 / 成交 / 价格数据滚动估算 fair value 并据此下单的策略族;本片 5.6 选出的策略即属此类,与 领先-滞后套利 高重合但不等价(fair value 强调估值,套利强调价差) | GPT-5.6首测Polymarket挖策-对擂5.5与模型互评 |
| AI Engineering | 使用预训练模型并把它们接入后端、数据源、产品界面、部署与可靠性体系的工程岗位/能力集合 | 数据科学家转型AI工程师路线图 |
| LLM-as-a-judge | 用另一个 LLM 对主系统输出进行质量裁判,适合难以写死代码判定的主观任务 | 数据科学家转型AI工程师路线图 |
| tracing | 记录 AI 应用的输入、输出、调用路径、延迟和成本,让失败可复盘、质量可改进 | 数据科学家转型AI工程师路线图 |
| Portfolio project | 能展示端到端 AI 工程能力的可运行、可部署、可解释项目,用作求职或接单证据 | 数据科学家转型AI工程师路线图 |
| Loopcraft | 从 loop 出发而非从 prompt 出发的构建方法论,核心是写「生成 prompt 的循环」 | 停止写提示词,开始搭循环——swyx谈agent loop与品味 |
| Grill-me loop | 周度循环,让模型反向向你提问题以抽取真实意图与未意识到的分支点 | 停止写提示词,开始搭循环——swyx谈agent loop与品味 |
| Self-healing app | 把生产日志接入 agent 循环,使 bug 被自动检测并提议修复的应用形态 | 停止写提示词,开始搭循环——swyx谈agent loop与品味 |
| LLM psychosis | 相信模型比人强、躺平让 agent 写一切的认知偏差;swyx 认为必然失败 | 停止写提示词,开始搭循环——swyx谈agent loop与品味 |
| Domain-specific model lab | 在模型工具链的某个切片(如图像、视频、continual learning)做深度研究的实验室;高风险高回报 | 停止写提示词,开始搭循环——swyx谈agent loop与品味 |
| Agent lab | 专注某个垂直(domain expert)的 agent 公司(application layer);低风险低回报但稳赢 | 停止写提示词,开始搭循环——swyx谈agent loop与品味 |
| 敏感品类信任溢价 | 在孩子、宠物、健康、财务等高焦虑场景中,用户会把更高价格当作安全与认真程度的可信信号 | AI创业热议速评：从婴儿App到一人团队 |
| 客服驱动工程循环 | 把客服、会议和支持转录作为产品输入,每日提炼重复痛点并生成可测试功能原型的闭环 | AI创业热议速评：从婴儿App到一人团队 |
| One-pizza team | AI 时代比”两披萨团队”更小的起步组织形态,用一两个核心人加 agent/loop 覆盖早期执行 | AI创业热议速评：从婴儿App到一人团队 |
| 数字先行第三空间 | 先在线上聚集高意图受众并预售,再把线下社交空间作为体验交付来降低实体生意风险 | AI创业热议速评：从婴儿App到一人团队 |
| 系统先行陷阱 | 在收入、分发或用户问题未验证前沉迷搭自动化系统,导致创始人逃避真正高价值动作 | AI创业热议速评：从婴儿App到一人团队 |
| AI 火水管筛选 | 面对密集 AI 更新时只挑少数能带来真实套利的工具实践,而不是追逐所有模型与新闻 | AI创业热议速评：从婴儿App到一人团队 |
| 反营销噱头纪律 | 区分持续分发/创始人推广与一次性高成本 stunt,避免用噱头替代产品市场匹配 | AI创业热议速评：从婴儿App到一人团队 |
| 维护即产品 | AI 时代 Oneshot V1 不再稀缺,稀缺的是持续维护与修 bug,「维护能力」才是用户愿意付费的产品形态(Turnaround 是其具象) | 用Codex5.6当个人操作系统：Dan Shipper的全套玩法 |
| Codex-native App | 把”人 + agent 共享同一界面”作为原生设计目标的 SaaS 新类目,跳过 token 成本,把利润模型拉回传统软件 | 用Codex5.6当个人操作系统：Dan Shipper的全套玩法 |
| Pirate vs Architect | Dan 的 builder 二分法:Pirate 把东西推到 70% 探索价值,Architect 把 70% 打磨成可维护产品;AI 时代两者配对比单兵更深 | 用Codex5.6当个人操作系统：Dan Shipper的全套玩法 |
| 微调(Fine-tune) | “做完 skill 之后”的下一步,把组织内部大量专属领域语料训练成专门模型,前沿厂商已不再做,留下未开垦机会 | 用Codex5.6当个人操作系统：Dan Shipper的全套玩法 |
| 邮箱 Plus-format | 邮件系统支持的 name+tag@ 形式,Mailroom 用它给 Codex 注册独立收件地址,既不需要新邮箱也不被外人直接猜测 | 用Codex5.6当个人操作系统：Dan Shipper的全套玩法 |
| Parallax | 滚动页面时前景/背景以不同速度位移以制造纵深感;本片被”风格化滚动视频背景”基本替代,作为对照术语保留 | 故事先行的「十亿级」官网：Higgsfield MCP + Claude Code 现场实验 |
| Story-first Web Design | 把”讲故事”作为网页视觉设计的首要 intent(而非装饰),用风格化滚动视频承载品牌叙事而非堆砌内容 | 故事先行的「十亿级」官网：Higgsfield MCP + Claude Code 现场实验 |
| AI prompting AI | 让一个模型(本片是 Fable 5)把另一个模型(Higgsfield 视频模型)的输入按专业规范(导演级摄影/电影术语)补齐后再下发 | 故事先行的「十亿级」官网：Higgsfield MCP + Claude Code 现场实验 |
| Tag-in | 把另一个模型临时拉进当前任务跑的协作模式,本期标的包括 Gemini、DeepSeek、ChatGPT、Codex | Fable 5 四关实测对决 Opus 4.8 与便宜模型：何时付双倍价与六种省 token 法 |
| One-way door | 指走错就回不来的决策,本片视为 Fable 5 的核心白名单场景 | Fable 5 四关实测对决 Opus 4.8 与便宜模型：何时付双倍价与六种省 token 法 |
| Model Routing | 按任务类型把模型分发到不同尺寸/推理档位/厂商的工程动作;Fable 5 笔记的主键是”是否品味攸关”和”是否一去不回”,GPT-5.6 发布笔记力推 GPT 家族内三档 + 跨厂商分流 | Fable 5 四关实测对决 Opus 4.8 与便宜模型：何时付双倍价与六种省 token 法 |
| Cost per task | 每任务成本视角,Berman 在本片反复强调的衡量指标,优于纯 token 单价视角;按此指标 Soul 单价 ≈ Fable 一半、Terra/Luna 在 OpenAI 自家口径下达到 ≈ Fable 的 1/16 | GPT-5-6-Soul发布-路径直token省-分层编排保住一半成本 |
| Computer Use | 模型/agent 直接操控图形桌面(点击/输入/截图/跑应用)的能力;GPT-5.6 发布笔记里 Codex 用它跑 Excel/Minecraft 边用边抄,双 Loop 笔记里用作 loop 1 的自测成功判定 | GPT-5.6 发布:Excel 与 Minecraft 克隆、Box 基准及 Fable 对比 |
| browser use | 模型直接操控浏览器的能力,Berman 在本片中用 Codex 浏览器做 Gmail 整理、DNS 记录修改 | GPT-5.6 发布:Excel 与 Minecraft 克隆、Box 基准及 Fable 对比 |
| token 自报 vs 系统日志 | 主 agent 自己声明的 token 用量(如 3M)与运行日志里子 agent 累计的真实总量(~450M)之间的 ~150 倍差距,Ultra 模式的隐性成本来源 | GPT-5.6 Sol 一条 prompt 端到端跑完一支视频：Ultra 编排、帧级自检与 token 账单拆解 |
| Master Loop | 两个子 loop 串联的工程闭环:Loop 1(build + computer use 自测 + PR with video)→ Loop 2(Greptile 5/5) | 用 Fable 5 + 双 Loop 一周 75 PR：Master Loop 与可中断关卡 |
| Cloud Agent | 把 agent 跑在云端独立 Linux 桌面的运行形态(本片点名 Cursor Cloud 与 Devon),配套”完整电脑 + computer use + 录 video”三件套 | 用 Fable 5 + 双 Loop 一周 75 PR：Master Loop 与可中断关卡 |
| 做出来-自检-演示 三连 | Wes 描述的 GPT-5.6 Soul 实操范式:写完代码→用 computer use 自检(浏览器跑通/截图)→用截图反哺展示站点,三步无人工干预 | GPT-5.6 系列登场：Soul 自主后训练 Luna，ChatGPT work 桌面端与设计跃迁 |
| 殖民地策略(Colony Strategy) | Edward Sturm 自创打法:铺一群易词小页面(典型是 People Also Ask FAQ)在站内自产权威,再用内链把这份授权导向真正赚钱的 bottom-of-funnel 页面,绕开外链门槛 | 不靠外链冲首页：SEO 殖民地策略把赚钱页推上排名 |
| 主题桥(Topical Bridges) | 两个相邻搜索意图之间的「重叠圈」关系:搜索者经常共同搜索的两个 query 之间天然存在一座桥,可不靠 silo 干净分组 | 不靠外链冲首页：SEO 殖民地策略把赚钱页推上排名 |
| 内容鉴赏引擎(Content Appreciation Engine) | David Quaid 的反讽定义:把 Google 类比成「会欣赏文学质量的评委」实际不成立,Google 只看外部信号不看内容本身 | 不靠外链冲首页：SEO 殖民地策略把赚钱页推上排名 |
| 满意点击(Satisfied Click) | 用户点进结果页后不 pogo-sticking、不立刻跳回搜索页的用户信号,是排名机制的实操喂料 | 不靠外链冲首页：SEO 殖民地策略把赚钱页推上排名 |
| 底部漏斗落地页(Bottom-of-Funnel Landing Page) | 针对已有购买意图、缺品牌认知的搜索者做的 landing page(非 blog post),与底部漏斗搜索者「知道要什么、不知买谁」的状态匹配 | 不靠外链冲首页：SEO 殖民地策略把赚钱页推上排名 |
| 内链飞轮(Internal Linking Flywheel) | 已排名页 A 给新页 B 导授权 → B 排上后自产授权 → 用 A+B 给 C 导 → 层层滚雪球;colony 路径不依赖外部外链关系 | 不靠外链冲首页：SEO 殖民地策略把赚钱页推上排名 |
| Service Location Page | ”服务×地点”组合的落地页(如”water heater replacement Houston”),本地 SEO 真正驱动排名的资产类型 | 我建了50个本地SEO站：真正能排名的实操拆解 |
| NAP 一致性 | 商家 name/address/phone 在所有网络引用中保持一致以建立信任,本地 SEO 最经典的信号之一 | 我建了50个本地SEO站：真正能排名的实操拆解 |
| Hub-and-Spoke 结构 | pillar 主题页→specific 具体页→回链 pillar 的双向链接结构,Google/AI agent 借此理解站点权重分布 | 我建了50个本地SEO站：真正能排名的实操拆解 |
| AI Receptionist | 接听本地商家来电、按预设脚本筛选并预审线索的语音 agent,Jesse 在 50 个 microsite 上标配此工具 | 我建了50个本地SEO站：真正能排名的实操拆解 |
| Press Release SEO | 把本地新闻以 Google 新闻稿形式发布以获取权威媒体反链的手法,2026 年仍被 Jesse 视为高 ROI | 我建了50个本地SEO站：真正能排名的实操拆解 |
| 本地商会赞助外链 | 花 $100–$300 换本地 Chamber of Commerce 的反链与社群关系,Jesse 视为比付费 guest post 性价比更高的本地外链手法 | 我建了50个本地SEO站：真正能排名的实操拆解 |
| 多源同语境一致 | 同一品牌在多个独立来源、同一语境下反复出现,是 LLM 有信心推荐的信心门槛(本片核心机制论据) | 让 ChatGPT 推荐你品牌的四步实操 |
| 一致描述植入 | 产品”做什么/为谁/什么时候用”在跨讨论/跨清单里保持语义一致,以便 LLM 训练时形成稳定品牌画像 | 让 ChatGPT 推荐你品牌的四步实操 |
| 决策阶段查询 | 用户已决定买什么、只比较哪个品牌时搜的精确查询(alternatives to X、best X for specific problem) | 让 ChatGPT 推荐你品牌的四步实操 |
| AI 推荐源映射 | 把 LLM 偏爱的训练源(评测站/讨论/清单/YouTube/对比页)按自家产品可触达程度列出的来源清单 | 让 ChatGPT 推荐你品牌的四步实操 |
| ICP audit | 用 AI agent 反查产品历史(支付 + 产品行为 + 客户上下文)定位真实理想客户画像的审计流程 | 让 AI agent 审计你的 SaaS：找 ICP、查流失、挖机会 |
| audit-hypothesis-experiment-validation 闭环 | agent 跑完审计直接产出可上线实验并设定判定指标的自动化四步链路 | 让 AI agent 审计你的 SaaS：找 ICP、查流失、挖机会 |
| portfolio-fit | 新 idea 与现有产品组合的对齐程度,含客户群/工作流/产品邻近度/受众复用四个维度 | 让 AI agent 审计你的 SaaS：找 ICP、查流失、挖机会 |
| read-only audit pattern | agent 只读访问所有业务数据源、不直接写库的设计模式 | 让 AI agent 审计你的 SaaS：找 ICP、查流失、挖机会 |
| wrong-fit vs should-have-succeeded 流失分析 | 流失分析的两类客户分离,前者指向定位/广告,后者指向产品/onboarding | 让 AI agent 审计你的 SaaS：找 ICP、查流失、挖机会 |