大厂卷参数卷到天上去，跟我这种个体户有什么关系？我连一张A100的卡都买不起，但我知道用户要的不是一个能背圆周率后一百万位的AI，他们要的是“明天早上九点，自动把竞品公众号的头条标题和阅读数扒下来，做成Excel发我邮箱”。这种需求，大模型听不懂，也懒得听。
参数竞赛本质上是资源黑洞。千亿、万亿，每一次刷新榜单，背后都是几十台服务器几个月的电费，是普通创业者想都不敢想的算力军备竞赛。这让我想起2018年死磕SEO爬虫的日子，那时候大家也在拼“谁家的蜘蛛能绕过更复杂的反爬”。最后赢家不是技术最花哨的，是那个能把京东商品价格波动曲线，稳定爬下来做成价格预警工具卖钱的人。逻辑没变，只是战场从DOM树换成了API调用链。
所以我的策略极其简单：在垂直场景里，把逻辑做硬，硬到像螺丝钉一样拧进用户的工作流里，拔都拔不出来。比如上周给一个健身连锁品牌做的会员跟进自动化。他们的问题不是不会用ChatGPT写话术，而是教练每天要给上百个会员发消息，谁练了、谁没练、谁该续费了，数据散落在五个不同的系统里。我的方案是用n8n搭了个中枢，每晚自动跑：从健身房闸机拉出入记录，从私教约课系统拉出签到表，从微信CRM拉出聊天关键词（比如“最近忙”、“考虑一下”），三张表用会员ID对齐，打上标签。第二天早上七点，自动给不同标签的会员推送完全不同的话术和优惠券。这里面的逻辑判断、数据清洗、异常处理，GPT-4能写个框架，但具体的字段映射、API频率规避、失败重试机制，它不会，也学不会。这些“脏活累活”，就是我的护城河。
大厂模型是通才，我是专才。通才负责理解和生成，专才负责连接和执行。我现在花最多时间的，不是提示词工程，是怎么把一个模糊的“帮我自动化”的需求，拆解成n8n里一个个可以调试的节点，并确保这个链条在凌晨三点没有我盯着的时候，也能自己爬起来运行、报错、再试一次、最后给我发条成功短信。这个过程里，对业务的理解深度，比模型的参数大小重要一百倍。你得知道健身教练为什么讨厌填系统，知道店长看数据最先看哪一栏，知道会员收到“续费提醒”和“动作指导”时微妙的心理差别。这些知识，不会写在任何一篇AI论文里。
有人问我怕不怕大厂突然也来做这些垂直工具。怕，但概率不大。这就像当年微信小程序火了，巨头们也不会去抢“小区便利店库存管理”这种细分赛道的生意。太碎，太非标，利润率撑不起他们的研发成本和组织架构。我要做的，就是在这片他们看不上的盐碱地里，把根扎得深一点，再深一点。我的壁垒不是代码，是过去十年被客户毒打出来的、对“业务到底怎么运转”的条件反射。这种反射，GPT暂时还模拟不了。
说到底，参数是AI世界的货币，但工具逻辑是实体经济。我可以没有货币发行权，但我能确保我造的每一把扳手，都能拧紧一颗特定的螺丝。这就够了。
