Hall of Fame
Hall of Fame
Track
Type
Source
8月22日
今日趋势综述
本期主线是'信任与交付'：律所 AI 采用一年翻倍但价值全在把 AI 卡进重复苦活，技能生态因 36% 的 skill 藏提示注入而催生安全扫描新品类，agent 的编排（plano）、长周期控制（LoopX）与可跨端的 IDE（Shape）补齐了工程底座，而真正在挣现金流的人靠的是给一个窄行业做垂直自动化（物理治疗预授权单人 $41K MRR）或把 AI 打包成代运营服务。
今天的信号：模型不缺了，缺的是'可信地把它装进一个窄场景'
把今天的条目连起来看，会浮现同一条主线：AI 的稀缺点已经不在模型，而在'能不能被信任地、可靠地装进一个具体、狭窄的场景'。律所是最好的样本——2026 年律师个人的 AI 使用率一年从 31% 翻到 69%，Harvey 重度用户每周省 11 小时、AI 病历/病历式文档审阅把耗时砍 60–90%，可全所统一采用率只有 34%、43% 的律所连一份 AI 政策都没有。价值不是靠'AI 打官司'的炫技，而是靠把 AI 死死卡进'审材料、起草动议'这种重复苦活，同时补上治理与合规这层信任。
信任这件事本身正在长成新品类。Snyk 的 ToxicSkills 研究发现 36% 的 agent skill 藏着提示注入、扒出 1467 个恶意载荷，另一项对 4.2 万个 skill 的扫描显示 26% 有注入风险——于是 NVIDIA 开源 SkillSpector（64 种漏洞模式、16 类）、Snyk 出 agent-scan、Agensi 做'先扫描再上架'。技能生态从'一键安装'进入'先验毒再安装'。而要让 agent 真的干成活，工程底座也在补齐：plano 把 LLM 路由、编排、护栏、可观测打包成一层 agent 代理；LoopX 用一个持久状态内核托住一个项目两百小时里'没人盯着'的长周期；Shape 这类 agentic IDE 把编辑器、Figma、GitHub、终端和 AI 收进一处。它们干的都是同一件事——不造新模型，而是让现成能力可靠、可控、可信地跑起来。
对普通人的启示因此非常具体：别去和大厂拼模型，去做'最后一公里的可信交付'。最硬的证据来自今天两条挣钱的路——一位单人创始人做了个自动提交'物理治疗预授权'的垂直 agent，14 个月做到 $41K MRR，没融资、没团队；另一批人把白牌 AI 前台打包成代运营服务，一个客户月费 $300–997、平台成本 $99–299，20 个客户就是月入万元、九成毛利。共同点是：选一个窄到'一句话说清帮谁解决什么'的行业，把一件重复流程可靠自动化，再叠上治理与交付。今天所有能被买单的机会，都指向同一句话——模型已经够用了，稀缺的是把它可信地用起来的人。
今日新增 6
#01
lawnext.com
Article
NEW
法律 AI 落地实测：律师个人采用率一年从 31% 翻到 69%，Harvey 重度用户每周省 11 小时，但赢家赢在把 AI 卡进'审材料+起草'的苦活
接着昨天的医疗，今天看另一个高壁垒行业——法律。数据同样很硬：2026 年生成式 AI 在律师个人层面的采用率一年从 31% 翻到 69%，但'个人用得飞快、律所却跟不上'才是真故事——全所统一采用率只有 34%，43% 的律所连一份 AI 政策都没有、也没打算写，只有 9% 有真正在执行的书面政策。价值集中在最枯燥、最耗时的环节：AI 病历/证据材料审阅把单案分析时间从 5 小时以上压到 2 小时内（省 60–90%），Harvey 的重度用户每周平均省 11 小时（半年前是 8.5 小时）。具体案例里，Rupp Pfalzgraf 把 Lexis+ AI 用了 18 个月，律师使用率做到 86%，起草复杂联邦法院动议只花过去四分之一的时间。但坑也明确：solo 和小所采用率高达 71–75%，可只有约三成报告'因此带来了收入增长'——用起来不等于变现，中间差的是流程重构与治理。
另有 2 家信源报道
展开详情
- **采用翻倍**：律师个人 AI 使用率一年 31%→69%（8am 报告），但全所统一采用率仅 34%、43% 律所无 AI 政策——个人跑在机构前面
- **省在苦活**：AI 材料审阅把单案分析时间砍 60–90%（5 小时+ → 2 小时内），Harvey 重度用户每周省 11 小时；Rupp Pfalzgraf 律师使用率 86%、起草动议只花 1/4 时间
- **用≠赚**：solo/小所采用率 71–75%，但仅约三成报告收入增长——差距在流程重构与合规治理，不在有没有工具
推荐理由：对个人最直接的启示和医疗如出一辙：AI 在专业领域挣钱，靠的不是'替专家做判断'，而是'替专家干那件重复、耗时、没人爱干的苦活'——律师不缺法律判断，缺的是审材料、起草样板文书的时间。更值得注意的是'用起来但没赚到钱'的三分之二：这恰恰是机会。想进法律/财务/医疗这类高壁垒行业变现的普通人，正确姿势不是卖一个模型，而是帮该行业把'AI 用得起来但没转成收入'的最后一段补上——流程重构、和现有系统对接、把合规政策和治理搭起来让专业人员敢用、敢按结果收费。落地与治理能力，比模型本身值钱得多。
商机信号（加速）：谁付钱：已经在个人层面用 AI、却迟迟没能全所铺开也没转成收入的中小律所与法务团队 痛点：律师个人用得飞快但律所层面无政策、无治理、无流程重构，采用率 71% 却只有三成带来收入增长 切入点：给中小律所做'AI 落地包'：选型 + 与案件管理系统对接 + AI 使用政策与合规治理 + 按环节重构计费流程，按项目或月费收——工具已普及，缺的是把它变成收入的那一步
#04
GitHub
Repo
★ 1.7K
NEW
huangruiteng/loopx
LoopX 戳中的是当下 agent 的一个真痛点：一个真实项目要跑两百小时，可 agent 的记忆基本活在聊天上下文里，一断线、一换工具、一重启就丢，中间那些'没人盯着'的空档尤其危险。它的解法是把长期控制状态抽到一层紧凑、持久的内核里——目标、注意力、对话、任务、文件、日程、恢复都持久化，跨天、跨重启、跨 harness 保持连续，而关键决策仍留在人手里（human-in-the-loop）。具体能力包括：持久状态内核、带类型的 todo 与决策边界、peer 认领与租约（多 agent 协作不打架）、证据与回写、配额感知调度、跨回合续接。它和本期 plano 是一对互补件——plano 管'单次请求怎么被可靠地路由和治理'，LoopX 管'一个跨越数天的长目标怎么不丢、不乱、可交接'。目前开源、本地优先，v0.4.1、约 1.7K stars、14 位贡献者。
另有 1 家信源报道
展开详情
面向'长时间运行的 agent 团队'的轻量状态内核：为跨 Codex、Claude Code 等不同编码 agent 的长周期工作，提供持久化的目标、配额感知的自动唤醒、可执行 todo、证据日志与可验证的交接，让'上周开的工'能在几天、多次重启、换 harness 之后，从上一个有界回合停下的地方精确续上。
周增长：本周持续增长（未经 API 核实）
- **为长周期而生**：目标/任务/文件/日程/恢复全部持久化，跨天、跨重启、跨 harness 续接——'上周开的工'从上次停下的地方精确接上，而非活在聊天记忆里
- **多 agent 不打架**：peer 认领与租约、带类型的 todo 与决策边界、证据与回写、配额感知自动唤醒，支撑一队 agent 长时间协作交接
- **人留在关键决策上**：loop 持续推进但重要决策 human-in-the-loop；与 plano 互补——一个管长目标的连续性，一个管单请求的路由与护栏
推荐理由：对个人：'长周期 agent 控制面'是一个刚冒头、还很早期的品类，值得早点上手。眼下的用法很实在——如果你已经在用 Codex/Claude Code 跑一些要好几天的活（重构、迁移、批量任务），给它套一层像 LoopX 的状态内核，能显著减少'断线即失忆、重启即返工'的浪费。更进一步，'怎么给长周期 agent 设计目标、交接与恢复机制'本身正在变成一门手艺：会把一个模糊的大目标拆成持久、可验证、可交接的执行状态的人，做出来的 agent 才真能干成跨天的活。这是一条可迁移、竞争者还很少的能力。
#05
Product Hunt
Product
NEW
Shape
Shape 是一个'面向设计师与程序员的 agentic IDE'，8 月 3 日在 Product Hunt 发布。它的出发点很朴素：作者受够了为了做一个功能，得在编辑器、Figma、GitHub、终端和一堆 AI 工具之间来回跳。Shape 想把这些收进一处——在同一个 agentic 工作台里设计、写代码、跑命令、连版本库，让 agent 端到端参与从设计到实现的链路。它代表了本期一个清晰的收敛趋势：agentic IDE 正在把过去割裂的工具链（设计 / 代码 / 版本 / 终端 / AI）缝成一个由 agent 驱动的连续界面——同一周 Framer 也上线了在画布上直接用 agent 设计、并能接自己的 Claude Code / Codex 的能力。工具在快速合流，个人开发者'一个人跑通设计到上线'的门槛正在肉眼可见地降低。
展开详情
- **缝合工具链**：把编辑器 / Figma / GitHub / 终端 / AI 收进一个 agentic 工作台，agent 端到端参与从设计到实现，减少上下文切换
- **趋势不是孤例**：同周 Framer 也上线画布上用 agent 设计、可接自己的 Claude Code/Codex——agentic IDE 正在把割裂的工具链合流
- **降门槛**：设计师和程序员的边界被 agent 抹平，个人'一人跑通设计到上线'的成本快速下降
推荐理由：对个人：agentic IDE 的合流，本质是在把'一个人能独立交付一个完整产品'的门槛往下压。过去做一个能上线的东西，你得会设计、会写前后端、会部署，跨好几个工具；现在一个 agent 驱动的工作台能把这些串起来，个体交付的天花板被抬高了。真正该练的不是'学会某个具体 IDE',而是把握住背后的能力——用 agent 编排一条从想法到上线的完整链路。当交付一个 MVP 的边际成本趋近于零，稀缺的就不再是'会不会做',而是'做对哪个窄场景'。这正好接上今天那些靠垂直自动化挣现金流的案例：工具已经就位，机会在选题和交付。
#06
foundra.ai
Article
值得关注
NEW
单人做物理治疗'预授权'自动化，14 个月做到 $41K MRR：2026 还跑得通的垂直 AI 微 SaaS 长这样
这是本期最硬的一个挣现金流样本：一位首次创业的单人创始人，做了一个自动提交'物理治疗预授权（prior-authorization）'申请的 AI agent——就是替诊所干那件最烦、最耗时、天天要和保险公司来回扯皮的行政苦活——14 个月做到 $41K 月经常性收入，没有联合创始人、没融资、没有 Twitter 粉丝。它精准命中了'垂直 AI 微 SaaS'这个 2026 年少数还跑得通的模型：不做通用工具，而是把一个窄行业里一件重复、痛、没人爱干的流程死死自动化。经济账很清楚：这类生意的可盈利中位数约 $4.2K MRR（约 $50K/年），做得好的能到 $20K–50K MRR；一个定价合理、用中档模型 API 的垂直 agent，在 20+ 付费客户后毛利能到 75–88%；按'客单价 $500 × 60 个客户'算，第 12 个月就是 $30K MRR、$360K ARR。核心不是'完美点子',而是选对窄垂类 + 有领域理解 + 稳定交付。
另有 1 家信源报道
展开详情
- **真实数字**：单人、首次创业，自动化物理治疗'预授权'提交，14 个月 $41K MRR，无联合创始人、无融资、无粉丝
- **经济账**：垂直微 SaaS 可盈利中位数约 $4.2K MRR；20+ 客户后毛利 75–88%；客单价 $500 × 60 客户 = 12 个月 $30K MRR / $360K ARR
- **可复制关键**：不做通用工具，挑一个窄行业里'重复、痛、和官僚流程扯皮'的苦活自动化；赢在选题 + 领域理解 + 稳交付，而非点子多聪明
推荐理由：对想挣现金流的普通人，这条给出了最清晰的模板：门槛最低、见钱最快的不是造一个通用 SaaS 或追热点，而是找到某个窄行业里一件'重复、痛、天天要和官僚流程/保险/合规扯皮'的行政苦活，用 AI agent 把它可靠自动化。为什么是这类活？因为它痛到有人愿意付月费、又窄到大厂看不上、还标准化到能一个人交付。行动上就三步：一是把垂类选到'一句话说清帮谁省掉哪件苦活',二是自己或找个懂行的人吃透那件流程的所有边角料，三是把交付标准化到能稳定复制。领域理解 + 一件苦活 + 稳定交付，就是 2026 年单人生意的现金流公式。
My Take：评分（5=最优）：最快成交 3 / 最低成本 4 / 可复制 4 / 风险安全度 4。选一个窄行业的重复行政苦活（预授权/理赔/合规申报）用 AI agent 自动化，痛点硬、客单价稳、大厂看不上，单人可做到几万美元 MRR。
商机信号（加速）：谁付钱：被重复行政流程拖累的窄行业小机构——物理治疗/专科诊所、被保险预授权和合规申报耗死的小团队 痛点：一件重复、耗时、要反复和保险/官僚系统来回扯皮的行政苦活，占用大量人力却没人爱干、也养不起专职 切入点：挑一个你懂或能找人吃透的窄行业苦活（预授权、理赔、合规申报、排班），做成按客户月费收的垂直自动化 agent，先把一个流程做到能稳定交付再复制到同行
#07
ringlyn.com
Article
直接可用
NEW
把 AI 前台'代运营'给小生意：白牌 AI 接线员一个客户月费 $300–997、平台成本 $99–299，20 个客户九成毛利
如果说预授权那条是'自己造产品',这条是门槛更低的另一条路——不造产品，做'代运营/转售'。模式是：拿一个白牌 AI 语音前台平台（Trillet、Synthflow、Stammer、Thinkrr 等），换上你自己的品牌，帮本地小生意（牙医、律所、维修、诊所、门店）装一个 24 小时接电话、约时间、答常见问题、接线索的 AI 接线员，按月收服务费。经济账很直白：多数成功的代运营给客户报 $297–997/月，自己付平台费 $99–299/月，每个客户净赚 $200–700/月；按 20 个客户 × 均价 $500 算，月收入 $10,000、成本约 $1,019，毛利约 90%。而 AI 语音前台相比真人省 85–90% 的接听成本、97% 用它的小生意报告收入增加——需求侧的付费意愿是硬的。医疗、法律这类垂类因为合规和高价值，还能撑到 $700–1,200/月的客单价。
另有 2 家信源报道
展开详情
- **利润结构**：客户月费 $297–997、平台成本 $99–299，每客户净赚 $200–700/月；20 客户 × $500 = 月收入 $10K、成本约 $1,019、毛利约 90%
- **需求是硬的**：AI 语音前台比真人省 85–90% 接听成本，97% 使用它的小生意报告收入增加；医疗/法律垂类可撑 $700–1,200/月客单价
- **门槛低在哪**：不造产品、不写代码，白牌换标 + 帮本地小生意配置上线即可开张；难在获客与稳定交付，不在技术
推荐理由：对想挣现金流又不想写代码的普通人，这是当下最'即插即用'的一条路：AI 语音前台的技术已经被平台做好，你要做的是'代运营'——帮一个个本地小生意把它装起来、按月收服务费。它的可行性建立在一个真实事实上：本地小生意（诊所、律所、维修、门店）既缺人接电话、又漏掉大量下班后的来电线索，还养不起专职前台，一个 24 小时不漏接的 AI 接线员对他们是实打实省钱又增收。真正的门槛不在技术（平台全包了），而在两件事：一是获客——先啃下一个你熟的本地垂类（比如牙医或维修），做出几个能报数字的样板客户；二是交付——把'配置话术 + 对接日程 + 持续优化'标准化，让服务稳定不掉链子。先接下第一个付费客户，现金流就跑起来了。
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。白牌 AI 语音前台换标做本地小生意代运营，技术平台全包、几乎零启动成本，客单 $300–997/月、20 客户即月入万元九成毛利，难点在获客而非技术。
商机信号（加速）：谁付钱：缺人接电话、常漏掉下班后线索、又养不起专职前台的本地小生意——牙医/诊所/律所/维修/门店 痛点：漏接电话就是漏掉订单和线索，真人前台贵且下班就没人，小生意既省不起也漏不起 切入点：拿白牌 AI 语音前台平台换成自己品牌，专注一个熟悉的本地垂类做代运营，帮客户配置话术+对接日程+持续优化，按月收 $300–997/客户，先做几个能报数字的样板再复制
#08
marketscale.com
Opinion
NEW
MIT Project NANDA 研究团队
另有 1 家信源报道
推荐理由：对个人，这 95% 是史上最清晰的机会地图：钱已经砸下去了、模型也够用了，唯独'把 AI 真正嵌进工作流并产生可衡量结果'这一步大规模缺人。这意味着你不需要会训练模型、不需要有前沿技术，只需要具备一种能力——走进一个具体业务，摸清它的数据、系统、合规和真实流程，把某个现成 AI 能力可靠地落进去，并让指标真的动起来。这正是'前置部署'和'落地交付'这类角色暴涨的原因，也是单人做垂直自动化能收到钱的原因。与其追问'下一个更强的模型是什么',不如去补那 95% 失败案例共同缺失的最后一段：让 AI 真正被用起来、且能被量化。这是当下最不缺需求、竞争者却最少的位置。
仍在热榜 2
Repo
NVIDIA/SkillSpector
在榜 4d
NVIDIA 开源的 Agent Skill 安全扫描器：在你把一个 skill 装进 Claude Code / Co…
Skills · 元技能