既然 GPT-4 Turbo 视觉接口全面开放，我就把爬虫的眼给装上了。这玩意儿一出来，我那些堆在角落吃灰的树莓派4B瞬间就值钱了。以前搞爬虫，最他妈头疼的就是验证码和动态渲染，DOM树再熟也架不住人家用Canvas画个扭曲的字母让你认，写个OCR吧，识别率感人，用第三方API吧，贵，还动不动就给你限频。现在好了，直接截个图，扔给GPT-4V，让它告诉我图上是什么，点哪里，下一步该干嘛。这已经不是爬虫了，这是给爬虫装了个博士后的脑子。
我手头有六块树莓派4B，都是前两年脑子一热买的，当时想搞智能家居中枢，后来发现这玩意儿性能也就那么回事，干点轻量级任务还行。现在正好，每块板子配个USB摄像头，再写个调度脚本，就是一个分布式视觉采集节点。核心逻辑很简单：主控服务器把目标网站的任务队列分发给各个树莓派，树莓派启动无头浏览器（用Chromium），加载页面，遇到需要人眼判断的环节——比如滑块验证、点选文字、图形拼图——就截图，调用GPT-4V的视觉接口，拿到描述和坐标，再模拟点击。整个过程，树莓派只负责最脏最累的“跑页面”和“截图”的体力活，最核心的“识别与决策”大脑放在云端。成本？树莓派本身功耗不到5瓦，摄像头几十块钱一个，最大的开销反而是GPT-4V的API调用费，但比起以前买打码平台的服务或者自己维护一个识别模型团队，这性价比是核弹级别的。
你想想这个架构的性感之处。它彻底把“采集”这个动作，从“解析HTML结构”的代码逻辑，提升到了“模仿人类视觉与交互”的行为逻辑。以前我们死磕XPath、CSS选择器，跟网站的反爬机制斗智斗勇，对方改个class名我们就得连夜改代码。现在呢？反爬机制把按钮藏得再深，样式变得再花，只要最终它得在屏幕上画出来给真人看，GPT-4V就能“看到”并“理解”它该点哪里。这是一种降维打击。我用Python写的调度脚本，核心代码不到200行，主要就是管理队列、处理API返回的JSON、控制浏览器的导航和截图。技术难点反而在工程细节上：怎么确保六块板子网络稳定，截图时间戳怎么同步避免任务重复，API调用失败后的重试策略，以及最关键的——怎么把单次识别的成本压到最低。我甚至给每块板子加了散热风扇，让它们7×24小时跑在最高频，电费？一个月加起来不到一杯咖啡钱。
这种用一堆破烂硬件搭出一个高效生产系统的感觉，太他妈上头了。它完美契合了我现在这个“超级个体”阶段的核心诉求：极致的成本控制，和极高的自动化自由度。我不再需要养一个团队去维护复杂的爬虫系统，不需要和项目经理扯皮需求变更，更不用陷入无休止的交付和客服。我就是产品经理、架构师、运维，三位一体。树莓派集群安静地在书柜里嗡嗡作响，指示灯规律地闪烁，像一排沉默的工蜂，而我的大脑，通过GPT-4V的API，成了蜂后，只做最高级的决策。身体是第一生产力？没错，但让机器成为你身体的延伸和强化，才是这个时代超级个体的终极形态。当别人还在为封IP、解验证码焦头烂额时，我的爬虫已经装上“眼睛”，开始用接近人类的方式，浏览和抓取这个世界了。这感觉，比当年第一次写出能跑通的多线程爬虫还要爽一百倍。
