Google I/O 大会直播看到一半，我直接把浏览器关了。PaLM 2，Gemini，这些名字听起来像科幻片，但我知道，这他妈是 Google 的“末班车”警报。巨头终于被 OpenAI 逼到墙角，开始慌不择路地反击了。而我，一个刚刚把 ChatGPT API 玩明白的人，感觉又被甩开了一个身位。
去年底 GPT-3.5 出来的时候，我还在死磕我的那套“信息差”生意——用 Python 爬虫+关键词组合，批量生产 SEO 文章，喂给那些中小企业站。那时候觉得，搜索引擎的规则再变，底层逻辑无非是 DOM 树解析、反爬策略对抗、内容密度计算。我甚至自己写了个多线程调度器，专门应对不同平台的频率限制，一度以为这就是技术护城河。现在回头看，那堵墙是纸糊的。当大模型能直接生成符合 E-A-T 原则、逻辑通顺的长文时，我那套靠拼凑和伪原创的流水线，瞬间成了废铁。不是搜索引擎不要我了，是用户不需要通过那么迂回的方式获取信息了。
Google 推 Gemini，本质上是在补课，在追赶。它必须证明自己的 AI 不是 Bard 那种半成品。但可怕的点在于，一旦它补上了，它会用怎样的方式重塑搜索？当搜索框变成一个能对话、能推理、能直接给出整合答案的智能体，我们这些靠解读搜索意图、优化点击率、布局长尾词吃饭的人，岗位还在吗？我的“护城河”，那条我以为很深的、关于“如何让机器更喜欢我的内容”的护城河，会不会一夜之间河道改迁，直接干涸？
焦虑了整整一个下午。然后逼自己打开 Jupyter Notebook。光想没用，得动手。我的反击不是去造另一个大模型，那不可能。我的反击是，用这些巨头的工具，去解决巨头暂时还顾不上、或者不屑于去解决的“脏活累活”。比如，我手头正在折腾的：用 ChatGPT API 结合 n8n，给一个健身教练客户做课程内容自动化生成器。痛点很具体：他需要根据学员的体检报告数据（一堆 Excel 表格）、训练目标、甚至饮食偏好，快速生成一周的个性化训练计划和食谱。以前这活儿靠人力，效率低还容易出错。
现在我的思路是，用 n8n 做流程调度和数据处理枢纽。第一步，读取 Excel，把数据整理成结构化 JSON。第二步，调用 ChatGPT API，但不再是简单对话，而是设计了一套严格的提示词模板，把学员数据、运动生理学知识库、动作库变量都填进去，要求它按固定格式输出。第三步，把输出的文本再通过 n8n 调用 Canva 的 API，自动排成美观的 PDF 文档。整个过程，从上传 Excel 到收到 PDF，目标控制在 2 分钟内。
这事的价值在哪？在于“封装”。巨头提供了核弹（大模型 API），但普通人不知道怎么安全地引爆它，更不知道怎么把爆炸能量转化成稳定的电力。我要做的，就是那个建发电厂和输电网的人。把复杂的 API 调用、错误处理、数据清洗、格式转换，全部打包成一个傻瓜式的软件界面，或者一个稳定的自动化流程。用户只需要关心输入和输出，中间的魔法，黑盒化。
Gemini 再强，PaLM 2 再聪明，短期内也无法直接替代这种高度定制化、涉及多个系统打通的“缝合怪”需求。这就是缝隙，是巨头战车碾过时，车轮之间那条狭窄的生存空间。我的护城河，必须从“内容生产”转移到“流程再造”和“价值封装”上。技能恐慌依然存在，但方向必须变：从研究搜索引擎算法，转向研究如何用 AI 作为核心引擎，去驱动一个个具体的商业场景闭环。
关掉大会新闻，屏幕上是密密麻麻的 n8n 节点和 Python 调试信息。窗外是黑的，但这次我没心思描写夜色。我只知道，末班车警报拉响了，但我未必需要上车。我或许可以，试着造一辆自己的小电驴，在巨头的公路网旁边，找那些他们看不上的小巷子，穿过去。
