Hall of Fame
Hall of Fame
Track
Type
Source
8月19日
今日趋势综述
今天的信号集体指向同一件事——模型能力已经不再是瓶颈：顶尖编码模型挤在 SWE-bench Verified 96–97% 一线，而 DeepSeek V4 Pro 用约 1/60 的单价打平了它们；与此同时热榜上涨的是把这份『白菜价的智能』真正送进现实的那层东西——本地训练/推理的 GUI、能安全跑 agent 代码的微沙箱、开源 4K 音视频模型、以及教育落地、FDE 交付、给小微企业做自动化这些『把 AI 用起来』的活。
今天的信号：智能已经白菜价，值钱的是把它『送到位』
把今天的几条线连起来看，一个判断越来越清楚：模型有多聪明，正在不再是竞争的关键。第三方中立评测（vals.ai）本周的 SWE-bench Verified 榜上，Claude Opus 5 97.0%、DeepSeek V4 Pro 96.4%、GPT-5.6 Sol 96.2%、Grok 4.6 95.6% 几乎挤成一条线——分数已经卷到天花板，谁比谁高一两个点，普通人根本感受不到。真正的地震在价格：DeepSeek V4 Pro 用约 $0.022/题 打平了单价 $1.29 的 Opus 5，便宜了近 60 倍。换句话说，前沿级的智能已经变成了随手可得、几乎不要钱的原材料。
原材料一旦白菜价，价值就会往两头跑：一头是『怎么把它稳稳送进现实』，一头是『用它解决哪个具体的人的具体问题』。今天热榜和搜索里冒头的东西，无一例外都在这两头——unsloth 把本地训练/运行模型做成开箱即用的桌面 GUI，让你能拥有并微调自己的模型；microsandbox 解决『让 agent 安全地跑它自己写的代码』这个部署硬骨头，已经被 LlamaIndex、Vercel 采用；Lightricks 的 LTX-2 把 4K 音视频生成开源到消费级显卡上；连一篇 position 论文都在提醒：SWE-bench 这类刷分榜，可能根本没对齐真实的『agentic 软件工程』。而教育（Khanmigo 报出比传统辅导多 34% 的学习增益）、FDE（岗位两年暴涨 42 倍，因为『瓶颈不再是模型能力，而是塞进混乱的企业环境』）、给小微企业做自动化的自由职业者（月入 $3K–25K），讲的都是同一件事：把现成能力交付到位，比造更强的模型更值钱。
对个人最实在的一条：别再纠结『用哪个模型最强』——它们都够强，而且越来越便宜。把精力押到『交付力』上：选对性价比的模型（同样的活，DeepSeek 便宜 60 倍你还坚持用最贵的吗）、把它可靠地接进一个真实场景、对准一个具体人群的具体痛点。教育、法律、本地小店、某个行业的重复流程——谁能把这份白菜价的智能真正『用到某个人身上』，谁就站在了价值这一端。这不需要你会训模型，需要的是懂一个场景、并且能把 AI 稳稳送进去。
#01
vals.ai
Article
NEW
本周编码模型中立横评：顶尖挤在 96–97%，但 DeepSeek V4 Pro 用 1/60 的价格打平了它们
这周最值得看的评测不是『谁又刷了新高』，而是『分数已经卷不动、价格却差了两个数量级』。在 Vals AI 用中立 harness 跑的 SWE-bench Verified（让 agent 去修真实 GitHub issue）榜上，头部几家几乎并列：Claude Opus 5 97.0%、DeepSeek V4 Pro（0813）96.4%、GPT-5.6 Sol 96.2%、Grok 4.6 95.6%，开源权重的 Kimi K3 也有 93.4%、反超了上一代闭源的 Claude Opus 4.8（88.6%）和 Grok 4.5（86.6%）。分数这么密，普通开发者其实感受不到差别。真正拉开差距的是单位成本：同一套中立测试里，DeepSeek V4 Pro 每题约 $0.022，而 Grok 4.6 约 $0.785、Opus 5 约 $1.29——也就是说 V4 Pro 用大约 1/36 到 1/60 的价格，打平了单价最高的第一梯队。这解释了为什么本周舆论都在说『34 倍便宜的中国模型追平了 OpenAI』：前沿智能正在从『稀缺高价』变成『够用且极便宜』的公共品。
另有 2 家信源报道
展开详情
- **对比（SWE-bench Verified，Vals AI 中立 harness）**：Opus 5 97.0% vs DeepSeek V4 Pro 96.4% vs GPT-5.6 Sol 96.2% vs Grok 4.6 95.6% vs Kimi K3 93.4%——头部几乎并列
- **价格才是分水岭**：同一评测里每题成本 DeepSeek V4 Pro ≈$0.022 vs Grok 4.6 ≈$0.785 vs Opus 5 ≈$1.29，性能打平、单价差约 36–60 倍
- **开源在逼近**：开源权重 Kimi K3（93.4%）已反超上一代闭源 Opus 4.8（88.6%）、Grok 4.5（86.6%），前沿与开源的差距缩到个位数
推荐理由：对个人/开发者最实在的一课：选模型别再只看榜首，先算『每道任务花多少钱』。当 DeepSeek V4 Pro 用 1/60 的价格打平最贵的模型时，大批量、成本敏感的活（批处理、自动化流水线、给客户跑的 agent）几乎没理由再用最贵的那家——把它留给少数真正需要那 0.6 个点、且对延迟/合规有硬要求的场景。会『按场景和成本挑模型』本身就是一门正在升值的手艺：同样的产品，别人成本比你高几十倍，你就有了价格空间。反过来说，靠『模型更聪明』做壁垒的时代基本结束了，护城河得往应用和交付那头挖。
#02
GitHub
Repo
★ 73.5K
NEW
unslothai/unsloth
unsloth 这周又涨 3000 多星，导火索是 8 月放出的 Unsloth Desktop（Beta）——它把过去要搭 Python 环境、配一堆依赖才能做的本地微调，包成了一个装上就能用的桌面 App。意义在于它踩中了今天的大主线：当顶尖模型的能力已经卷到天花板、开源权重也追到个位数差距时，『能不能拥有、微调、私有化地跑自己的模型』就成了新的分水岭。unsloth 主打的性能很硬——手写 Triton kernel 带来约 2× 训练加速、省 70% 显存、MoE 模型最高 12× 加速且号称不掉精度——但真正让它出圈的是把门槛降到了『不写代码、在自己电脑上就能训』。它支持的模型清单（Qwen3.8、Kimi K3、DeepSeek-V4、Gemma 4、FLUX…）几乎覆盖了当下所有主流开源权重，等于给个人和小团队递了一把『把便宜的智能变成自己资产』的钥匙。
另有 1 家信源报道
展开详情
把『本地训练/运行大模型』从一堆 Python 环境变成开箱即用的桌面 GUI：unsloth 本周随 Unsloth Desktop（Beta）冲榜，用手写 Triton kernel 做到约 2× 训练速度、省 70% 显存，覆盖 Qwen3.8、Kimi K3、MiniMax-H3、Gemma 4、DeepSeek-V4、FLUX 等，从数据准备、训练（含 GRPO 强化学习）、实时 loss 监控到导出一条龙，全程无代码、跑在自己的硬件上。
周增长：本周约 +3,329 星（周榜读数，未经 API 核实）
- **本地训练做成桌面 GUI**：Unsloth Desktop（Beta）把微调全流程（数据→训练→GRPO 强化学习→实时 loss→导出）无代码化，跑在自己的硬件上
- **性能是真卖点**：手写 Triton kernel 约 2× 训练加速、省 70% 显存，MoE 模型最高 12× 加速，号称零精度损失
- **覆盖主流开源权重**：Qwen3.8、Kimi K3、MiniMax-H3、Gemma 4、DeepSeek-V4、FLUX 等——本周约 +3,329 星、累计约 73.5K
推荐理由：对个人：模型越便宜、开源越强，『会不会微调一个属于自己的模型』就越是一条真实的分水岭。unsloth 把这件事的技术门槛砍到了『装个桌面 App、不写代码』，意味着你现在就能拿一个开源权重 + 自己的数据，训一个懂你行业/你风格的私有模型——数据不出本地、没有 API 账单、还能沉淀成别人抄不走的资产。真正值得练的能力不是调 API，而是『准备好一份高质量的领域数据 + 会用工具把它喂给模型』。谁手里有独家数据、又会低成本把它变成一个专用模型，谁就有了通用大模型给不了的差异化。
#03
arXiv
Paper
NEW
Position 论文：SWE-bench 这类编码榜，可能根本没对齐真实的『agentic 软件工程』
配合今天的评测榜一起看，这篇 position 论文正好是一盆冷水：当所有人都在为 SWE-bench Verified 又逼近满分而欢呼时，它主张这类基准和真实的『agentic 软件工程』其实是错位的。它的核心立场是——SWE-bench Verified 测的是『在准备好的 Docker 环境里、把一个真实 GitHub issue 的补丁打对』，这固然比 HumanEval 那种『补全一个函数』真实得多，但离工程师日常真正干的活还很远：真实场景里 agent 要在没人给你切好的大代码库里自己定位问题、跨文件跨模块规划、处理模糊需求、和人来回协作、还要对长期演进负责。论文提醒：分数刷到 96–97% 很容易让人误以为『编码已经被解决了』，但基准的天花板 ≠ 真实交付的天花板，评测方法本身需要往『更接近真实 agentic 工作流』的方向重做。它是一篇立场/方法论文，价值不在给出新分数，而在给这波『刷分狂欢』踩一脚刹车。
在头部模型集体刷到 SWE-bench Verified 96–97% 的当下，这篇 position 论文正面质疑：这类『修单个 issue、给定 Docker 环境』的基准，衡量的能力和真实工程里 agent 要干的活（跨模块理解、长程规划、与人协作、维护演进）并不是一回事——分数逼近满分，不等于真实交付能力到位
另有 1 家信源报道
展开详情
- **核心立场**：SWE-bench 这类『修单 issue + 给定环境』的基准，和真实 agentic 软件工程（自主定位、跨模块规划、协作、长期维护）并不对齐
- **为什么重要**：头部模型集体 96–97%，容易被读成『编码已解决』，但基准饱和 ≠ 真实工程能力到位
- **给评测方法踩刹车**：主张把评测往『更贴近真实工作流』重做，别用一个错位的高分掩盖真实交付的差距（立场/方法论文，具体论证见原文）
推荐理由：对个人：这篇论文教你一个反直觉但很值钱的判断力——别被榜单和『满分』带节奏。真正决定 AI 能不能帮你干成活的，不是它在某个基准上多少分，而是它在你这个具体、混乱、没被切好的真实场景里表现如何。所以对你最有用的评测，是你自己动手搭的『私有小测试集』：把你日常真实的几十个任务喂给几个模型，亲眼比一比谁在你的活上更靠谱、更便宜。会做这种『贴着自己业务的实测』，比会背榜单排名有用得多——它让你选型不被营销和刷分左右，直接对准真实交付。
#04
GitHub
Repo
★ 7.7K
NEW
superradcompany/microsandbox
microsandbox 涨得不算最快，但它戳的是一个正在浮上来的硬痛点：agent 越来越会自己写代码、自己执行，那它到底在哪儿跑？直接在你机器上跑不可信代码是灾难，起个云端容器又慢又贵还不够隔离。microsandbox 的答案是本地微虚拟机——硬件级隔离（比容器更安全）、平均 100ms 以内冷启动（比传统 VM 快得多）、兼容 OCI 镜像，还给 Rust/Python/TS/Go 都配了可嵌入 SDK。它最对味今天这条主线的地方，是明确把自己定位成『为 agent 而生』：内置 Agent Skills 和 MCP server 支持，agent 可以自主派生沙箱、在里面跑它自己生成的代码，出错也炸不到宿主机。它已经被 LlamaIndex（sandboxed-lit）、Vercel（Eve）、Tuist（Condukt）这些项目采用，说明『安全地执行 agent 代码』正在从可选项变成 agent 基础设施里的必需层。Apache 2.0 开源。
展开详情
给 AI agent、用户代码、插件、CI 任务这类『不可信负载』提供本地就能跑的隔离沙箱：用微虚拟机（microVM）做硬件级隔离，平均 100ms 以内启动，兼容 OCI 容器镜像，提供 Rust/Python/TS/Go SDK 和 CLI，还专门做了『Agent-Ready』——集成 Agent Skills 和 MCP server，让 agent 能自己开沙箱、在隔离环境里安全执行自己写的代码。
周增长：本周约 +352 星（周榜读数，未经 API 核实）
- **为『跑 agent 写的代码』而生**：microVM 硬件级隔离 + 平均 <100ms 冷启动，不可信代码出错炸不到宿主机，比容器更安全、比 VM 更快
- **Agent-Ready**：内置 Agent Skills 与 MCP server，agent 可自主开沙箱执行自己生成的代码；Rust/Python/TS/Go 可嵌入 SDK + CLI
- **已被真实项目采用**：LlamaIndex、Vercel（Eve）、Tuist（Condukt）在用，Apache 2.0 开源——『安全执行层』正成为 agent 基础设施必需品
推荐理由：对个人：当 agent 从『给你出主意』升级到『自己动手跑代码』，安全执行就从锦上添花变成刚需——这是一个正在打开的基础设施缺口。你不一定要造一个 microsandbox，但要意识到：任何让 agent 真正自动化干活的产品，都绕不开『它在哪儿安全地跑』这个问题。对做 agent 产品的人，早点把这类隔离层接进去，是省掉未来一堆安全事故的便宜保险；对想切基础设施机会的人，『帮别人把 agent 的执行环境做安全、做合规』本身就是一门有壁垒的活——它需要的是系统与安全的硬功夫，不是调 API 的熟练度。
#05
GitHub
Repo
★ 9.1K
NEW
Lightricks/LTX-2
LTX-2 这周稳步涨星，配合本月新放出的 LTX-2.5 开源权重，代表了今天主线的另一面：不只是文字/代码的智能白菜价了，音视频生成也正在被开源和消费级硬件拉下神坛。它的技术亮点是『音画一次生成』——过去要先出视频、再单独配音配乐对口型，LTX-2 在单次前向里就同步产出画面和声音（对口型、拟音 foley、环境音），还能做到原生 4K、最高 50fps。更关键的是它选择完全开源权重、并能跑在消费级 GPU 上：你可以审代码、改架构、微调权重、甚至训自己的变体；对学术免费，对 ARR 低于 1000 万美元的公司也免费商用。这意味着独立创作者、小工作室、做短视频/广告素材的人，第一次能在自己机器上、零 API 账单地批量产出带声音的 4K 视频。它涨得稳而不爆，正说明这是一类『把专业能力开源到普通人手里』的踏实进展。
另有 1 家信源报道
展开详情
Lightricks 开源的音视频生成基础模型：一次前向就同步生成画面 + 声音（对口型、拟音、环境音），原生 4K、最高 50fps，且能跑在消费级显卡上；本月还放出了更新的 LTX-2.5 开源权重，附官方推理与 LoRA 训练包。
周增长：本周约 +544 星（周榜读数，未经 API 核实）
- **音画一次生成**：单次前向同步产出画面 + 对口型/拟音/环境音，省掉『先出视频再配音对口型』的整条后期链路
- **开源 + 消费级可跑**：原生 4K、最高 50fps，完全开源权重、能在消费级显卡上运行，可审计/微调/训练自己的变体
- **商用门槛友好**：学术免费、ARR<1000 万美元公司免费商用；本月更新的 LTX-2.5 附官方推理与 LoRA 训练包——本周约 +544 星
推荐理由：对个人：音视频生成开源到能在自己显卡上跑，等于给内容创作者递了一条『零边际成本批量产素材』的路。机会不在于你能不能复刻 LTX-2，而在于——过去做一条带配音的 4K 短视频要一整套后期，现在可能是一次生成 + 少量精修。你可以把它接进一个具体的产出流水线：电商产品短视频、口播带货、本地商家广告、自媒体素材……用开源模型压掉成本，用你的选题和审美做差异化。本地运行还额外带来隐私和无账单两个好处，特别适合一个人或小团队靠『量 + 稳定风格』变现。真正稀缺的不再是『能不能生成视频』，而是『生成什么、给谁、怎么持续产出』。
#06
engageli.com
Article
NEW
教育 AI 落地实测：AI 辅导比传统辅导多 34% 学习增益，用更少时间拿到更高分
换一个和最近几天（银行、零售、医疗、法律、物流、保险、建筑、农业）错开的行业看落地：教育。2026 年教育已经是各行业里 AI 采用率最高的——微软报告显示 86% 的教育机构在用生成式 AI，K-12 学校用 AI 从 2023 年的 23% 升到 78%，高校从 41% 升到 92%。而且这次有硬数据支撑：美国 NBER 一项 2026 年初的研究发现，用 Khanmigo 的学生比传统辅导多出约 34% 的学习增益，对来自弱势社区的学生效果尤其明显；另一项发表在 Nature Scientific Reports 的随机对照试验（RCT）显示，用 AI 导师的学生后测分数显著高于传统课堂主动学习组，而且花的时间更少——AI 组中位用时约 49 分钟，传统组约 60 分钟。更普遍的数据是 AI 让完成率提升约 70%、辍学率降约 15%。市场层面，全球教育 AI 从 2025 年约 75.7 亿美元，预计 2034 年超 1120 亿美元。它和其它行业落地共享同一条铁律：AI 的胜负手不在模型多强，在有没有对准一个真实、可量化的痛点（这里是『因材施教』和『辅导太贵、覆盖不到弱势学生』）。
另有 2 家信源报道
展开详情
- **对比数据**：用 Khanmigo 的学生比传统辅导多约 34% 学习增益（NBER），弱势社区学生受益更明显
- **又好又快**：RCT 里 AI 导师组后测分数显著更高、用时更少（约 49 分钟 vs 传统 60 分钟）；完成率 +70%、辍学率 -15%
- **采用率全行业最高**：教育机构 86% 在用生成式 AI，K-12 从 23%→78%、高校 41%→92%；市场 2025 约 76 亿→2034 超 1120 亿美元
推荐理由：对个人：教育 AI 最值钱的洞察是『一对一辅导过去是奢侈品，AI 正在把它变成人人可得』——而这恰恰是个人和小团队能切的活。你不需要办学校，可以挑一个很窄的场景（某门学科的某个难点、某类考试、某个年龄段、甚至某个小语种），把 AI 辅导做成家长/学生订得起的服务：出题、讲解、追踪薄弱点、生成个性化练习。门槛在你对这个学科和这群学生的理解（怎么讲才懂、卡在哪），不在算法。RCT 数据（更高分 + 更省时）就是最好的销售话术。它是少数需求刚性、付费意愿强、且个人靠专业度就能建壁垒的方向。
商机信号（加速）：谁付钱：家长、备考学生、以及想降本增效的中小培训机构/家教——已在为 AI 辅导类产品付费，且被『一对一太贵、老师覆盖不过来』长期倒逼 痛点：优质一对一辅导贵且稀缺，弱势/偏远学生根本够不着；老师无法给每个学生做个性化追踪与因材施教 切入点：锁定一个很窄的科目+人群（如某门课的某个难点或某类考试），把 AI 出题/讲解/薄弱点追踪打包成家长订得起的月费服务，用『更高分+更省时』的实测数据做口碑复制
#07
rocketlane.com
Article
NEW
FDE（前置部署工程师）为什么成了企业 AI 的『交付层』：岗位两年暴涨 42 倍，因为瓶颈不再是模型
把今天『智能白菜价』这条主线接到职业机会上，FDE 是最直接的答案。这个岗位 2023–2025 两年间暴涨约 42 倍（同期普通 AI 工程师岗只涨约 13 倍），而且增速最陡的不是前沿大厂，是做垂直 AI 的创业公司——原因一句话就说清了：企业 AI 的瓶颈已经不再是模型能力，而是『把模型塞进混乱的真实企业环境里』。FDE（前置部署工程师）这个角色 Palantir 2008 年就发明了，OpenAI、Anthropic 在 2023 年为 LLM 时代重造了它，到 2026 年，几乎每家有六位数客单价的 A 轮 AI 公司都在招至少一个。它干的活很具体：带着『客户视角的判断力』住进客户环境 60–180 天，把模糊的企业问题翻译成能落地的集成和产品，亲手把 demo 跑通成生产。薪酬也很硬：种子期约 20 万美元全包，到 C 轮 45 万–55 万美元以上。它证明的正是今天的判断——当模型人人可得，值钱的是能把它交付到位的人。
另有 1 家信源报道
展开详情
- **两年 42 倍**：FDE 岗位 2023–2025 增长约 42 倍，远超普通 AI 工程师岗的约 13 倍；增速最陡在垂直 AI 创业公司
- **瓶颈变了**：不再是模型能力，而是『部署进混乱的企业环境』——FDE 住进客户现场 60–180 天，把模糊问题变成可落地的集成与产品
- **薪酬硬**：种子期约 $200K 全包，C 轮 $450K–$550K+；Palantir 打法成行业默认，Google Cloud/OpenAI/Anthropic/Salesforce 等都在抄
推荐理由：对个人：FDE 是当下技术人最被低估的一条上升路——因为它奖励的不是『算法多强』，而是『既懂技术、又懂客户业务、还能把两者接起来』这种复合能力，而这恰恰是很多有几年行业经验的人的天然优势。你不需要是顶尖研究员，需要的是：能听懂一个行业的真实痛点、能把一个模糊需求拆成可落地的集成、能忍受住进客户现场把 demo 跑成生产的『脏活』。想入局，最实在的准备是挑一个你熟的垂直行业，练『把 AI 能力翻译成这个行业能用的东西』的本事——这既是打工的高薪路，也是自己接单做交付/咨询的起点。模型越普及，这种『最后一公里交付力』越稀缺。
#08
betonai.net
Article
直接可用
NEW
50+ AI 自由职业者真实收入拆解：靠给『没技术团队的企业』搭自动化，月入 $3K–25K
一条有真实收入数据支撑的现金流路子：不做产品、也不追大模型，靠『给没有技术团队的企业搭自动化』收钱。这份对 50 多个 AI 自由职业者的调查给出的区间很具体——卖 AI 服务的个人和小团队 2026 年普遍月入 $3K–25K，其中最赚钱、也最不需要写代码的一类，是用 n8n、Make 这种可视化工具给企业搭自动化流程。单位经济也算得清：一个自动化项目收 $2,000–5,000、实际投入约 2–8 小时；再叠加每客户 $200–500/月 的维护 retainer，10 个客户就是 $2,000–5,000/月 的准被动收入。调查里大部分受访者在第 3–4 个月做到月入 $5K，第一个月现实目标是 $500–2,000（前提是选好一个利基、做密集外呼）。它和昨天讲的『自动化代运营』是同一条赛道，但这条的价值在于给了真实的收入区间和单位经济，把『能挣多少、多久回本』说清楚了：这是模型商品化之后，个人凭『会把现成 AI 工具接进别人业务』就能稳稳吃到的钱，门槛在选利基和跑分销，不在技术。
另有 1 家信源报道
展开详情
- **真实收入区间**：调查 50+ 从业者，卖 AI 服务月入普遍 $3K–25K；最赚且最不用写代码的是 n8n/Make 自动化搭建
- **单位经济清楚**：单个自动化项目 $2,000–5,000、实投约 2–8 小时；叠加 $200–500/月/客户 retainer，10 客户≈$2K–5K/月准被动
- **成长节奏**：第 3–4 个月普遍做到月入 $5K，首月现实目标 $500–2,000；成事的人都是『选窄利基 + 建一个分销渠道』
推荐理由：对想挣现金流的普通人：这条路最大的价值是把『能挣多少、多久回本』用真实数据说清了——一个项目 $2K–5K、几小时工时、外加月度维护费，10 个客户就能撑起一份稳定收入。它不需要你会写代码，需要的是三件事：挑一个很窄的利基（某地某类小店、某个行业的某个重复流程）、把一个具体自动化（预约/跟单/报价/催收）用 n8n 或 Make 搭熟、再建一个能持续找到同类客户的分销渠道。关键动作是『选窄 + 做密集外呼』，而不是等着客户上门。它回本快（首月就可能进 $500–2000）、成本极低、且越做越有行业 know-how 壁垒，是模型白菜价之后个人还能稳稳吃到的一门钱。
My Take：评分（5=最优）：最快成交 4 / 最低成本 5 / 可复制 4 / 风险安全度 4。有真实收入数据背书的稳健现金流：用 n8n/Make 给没技术团队的企业搭自动化，按项目费+月度维护费收钱。
商机信号（加速）：谁付钱：没有技术团队的中小企业主（本地门店、服务队、中介、诊所），已在为一次性自动化搭建（$2K–5K）+ 月度维护（$200–500）付费 痛点：预约、跟单、报价、催收等重复流程天天占人手，老板没时间也没能力自己用 n8n/Make 搭自动化 切入点：选一个很窄的利基（某地某类小微企业的某个重复流程），把一个可视化自动化模板做熟做标准化，用密集外呼拿下头几个客户、再按模板复制到同类客户