工具门槛被彻底踏平了。今天又看到一个高中生用n8n和GPT-4o API，三小时搓出来一个能自动抓取竞品价格、生成日报并推送到飞书群的流程，代码一行没写。我盯着那个流程图看了十分钟，脑子里就一个念头：我过去十年吭哧吭哧学的爬虫反爬、API封装、多线程调度，到底算什么？
2016年我死磕Scrapy的时候，光是绕过那个该死的动态加载就得研究两天。对方网站把数据塞在JavaScript变量里，我得用Selenium模拟点击，还得处理随机生成的DOM树ID。那时候觉得这是护城河，是技术壁垒，谁掌握了这些奇技淫巧谁就能接单子。现在呢？让GPT-4o看一眼网页，它直接告诉你“数据在window.__INITIAL_STATE__里，用json.loads提取第三个键值对”。壁垒？不存在的。连我去年还在用的那些“高级”技巧——比如用Playwright模拟人类滑动轨迹来骗过验证码——现在都成了内置函数，点两下鼠标就能调出来。
这让我想起2020年带团队那会儿最痛苦的交付环节。客户要个电商数据监控工具，我带着两个后端吭哧吭哧干了三周，光是为了稳定爬取某宝的评论数据就折腾了七八个版本，最后用了一堆IP代理池和请求头随机化才勉强跑起来。现在呢？你打开n8n的HTTP Request节点，勾上“自动处理反爬”，再拖个GPT节点让它写解析规则，两小时搞定。而且稳定性比我当年那套缝合怪系统高得多。我当时还靠这个案例收了客户八万块，现在想想，那钱赚得真他妈心虚。
但问题就在这里：工具变得太简单之后，所有人都能做出“能跑”的东西，但做出“有用”的东西反而更难了。上个月有个健身教练找我，想做个自动生成饮食计划的机器人。他用GPT套壳工具五分钟就生成了一个，兴奋地发给我看。我扫了一眼就发现致命问题：它给一个减脂期的客户推荐了高碳水晚餐，完全没考虑胰岛素敏感度的昼夜节律；还把某些补剂组合在一起，可能引起肠胃不适。这就是典型的“有工具没逻辑”——工具能吐出看起来很专业的文本，但背后的行业经验、风险判断、细节把控，它没有，也学不会。
我今年帮几个体育培训机构做招生自动化流程时深有体会。表面上看就是抓取潜在客户名单、自动发邀请话术、跟进反馈。但真正的难点在于：怎么从浩如烟海的本地论坛和妈妈群里识别出“真正有付费意愿”的家庭？不是看关键词，而是看发言模式——比如连续追问课程安全细节的家长，比单纯问价格的家长转化率高四倍。怎么设计跟进话术的节奏？培训行业忌讳连续轰炸，最佳间隔是第一天发课程亮点，第三天发学员案例，第七天发限时优惠，这个节奏GPT不会自己悟出来，是我做了三年教培SaaS踩了无数坑总结的。
所以现在我的焦虑彻底转向了：以前怕别人学会我的工具技术，现在怕自己沉淀的行业逻辑不够深、不够系统。工具 democratization 之后，竞争反而进入了更残酷的维度——拼的不再是你会不会用扳手，而是你知不知道发动机的哪个螺丝最容易松动，以及在它彻底坏掉之前该用多大扭矩去紧固。这需要你在一个领域里真正扎下去，被客户骂过、被交付坑过、看过足够多的异常案例。
最近在封装一套健身教练专用的AI工作流，n8n做骨架，GPT做大脑。但最耗时间的部分根本不是技术实现，而是我把过去四年做健身产品积累的“反常识规则”一条条写进去：比如客户说“膝盖疼”时，不能直接推荐休息，要先区分是急性损伤还是慢性劳损——前者要冰敷和制动，后者反而需要特定的强化训练。这些规则散落在我的Excel表格、备忘录和聊天记录里，现在得把它们结构化、逻辑化、变成机器能理解的决策树。这个过程比写代码痛苦十倍，但也让我意识到，这才是未来还能卖钱的东西。
工具自由了，但经验变得更贵了。或者说，经验终于能脱离工具的外壳，直接作为产品被定价了。接下来的问题可能是：我们这些老家伙，该怎么把自己脑子里那些碎片化的、直觉性的“知道”，变成可复制、可规模化的“知识体系”？这可能是下一个十年的新功课。
