王建硕：Markdown，是新时代的编程语言 - 主题精读稿

前言：当 LLM 成为新一代编译器，程序员该往哪走

王建硕在这期对话里抛出一个有力的类比：大语言模型不是聊天工具，而是一种新的编译器——它把自然语言"编译"成代码、图片、视频和市场文案。沿着这个类比，他重新定义了 AI 时代的能力：所谓的"屎山代码"只是人类不再需要直接触碰的底层，真正的功夫在于用结构化的自然语言工程去"驾驶"AI。他用 Token 使用量作为衡量控制力的核心指标，主张"拥抱浪费"才能看清真正的瓶颈，并对程序员发出最尖锐的警告：离新技术越近的产业工人，往往倒得越惨。

一、编译器与大语言模型对代码可维护性的重构 (00:00:00 - 00:05:58)

对话从一场友好的争论开始。徐文浩此前在另一档播客里谈"屎山代码治理"，王建硕说他"还不是特别同意"——不是反对方法，而是认为问题被放错了层。

他先抛出一个命题来重新定义"屎山"：汇编语言到底算不算屎山代码？任何 C 或 Python 代码最终都要编译成汇编，而一行 C 语言往往要翻译成几万行汇编。这些汇编人看不懂、不可维护、不可直接编辑。但关键在于——有没有编译器，决定了汇编是不是屎山。

"编译器不存在的情况下面，我认为汇编语言没有屎山。所有人都是直接写、手写汇编的时候，虽然大家只写几十行几百行，基本可控，因为都人写的，里面加满了注释。一旦编译器诞生，汇编语言就进入了屎山代码，人类就完全离开了汇编层，因为只要是一个正常的工程师都会去写 C 语言而不会写汇编。"

逻辑链条由此展开：如果你想把 A = B + 1 改成 B + 2，你不会跑去汇编的 registry 里改，而是改 C 源代码再重新编译。改汇编不是不能改，而是有"高效且准确得多的方式"。如果你的身份还停留在汇编工程师，那么编译器产生的汇编对你来说就是彻底的屎山：看不懂、无法维护、改一处 bug 满天飞。

王建硕把这套结构平移到当下：现在又出现了一个新编译器，叫 LLM。它把你那么三句话编译成一堆 Python，Python 再编译成汇编、机器码，由 CPU 执行。那为什么大家只在 Python 层改，不往下改汇编？因为习惯了过去一二十年都改 Python。**同样的道理，如果 AI 生成的 Python 不合适，正确做法是改它的上一层——也就是自然语言源代码——而不是去修底层。**实在改不动，就等编译器本身继续优化：就像 Python 也有 Native、Cython 等好几种编译器，效率和产物质量千差万别，好的编译器会编出好代码。该花时间解决的是编译器问题，而不是每次编译都手动去改一遍代码，那是不可能完成的循环。

二、通过优化自然语言指令解决 AI 代码意图偏差 (00:05:58 - 00:11:56)

任鑫帮忙厘清了"屎山"的两层含义：一层是毛线球——纠缠太多层、人看不懂，但你也不需要看懂；另一层是错误——里面可能有很多低效和缺陷。第一层不用管，第二层呢？如果人类有办法解决，要不要解决？

王建硕的回答把"错误"这个概念也重新定义了：**现在的代码不存在错误，只存在跟你意图（intention）的不一致。**所谓的 bug、写得不对、没用最佳实践，本质都是和你的意图不符。

他举了一个精确的例子。你在 C 语言里写 print，不指定颜色，编译出来默认是白色。可你脑子里想的是蓝色——这是 bug 吗？不是。是你要的吗？也不是。正确做法是在 C 语言里先 setcolor 蓝色再 print，bug 就 fix 了。但很多人的做法是：写了 print 白色，心里想要蓝色，然后跑到编译出来的 Python 里去手改，还以为问题解决了，顺便抱怨"大模型不靠谱，得人工改最终产物"。

"这个工作流和脑子里的想法是落后的，还没有抓到它的实质。你如果觉得这个地方不是你所要的，不要去抱怨这个大语言模型，是因为你给它的 instruction 不清晰。一定是在自然语言层改，而不要尝试在 Python 层改了。"

他承认在 Python 层改也能解决问题，但"第一它是低效的，第二是没有前途的"。当然也存在另一种情况：你明确写了"打印蓝色的你好"，AI 却编译出打印红色的代码——这才是真 bug。但即便如此，解法要么是用 hook、skill 这类工具去逼近你的意图，要么等大模型能力提升，唯独不该直接改 source code。

任鑫用一个比喻收束：这像管理一个公厕，但公厕里不允许有人类用的扫把，你不能手工去扫屎。王建硕进一步：**只要屎山不被人看到，它就不是屎山。**目标是把人能看到代码的接口变得越少越好。编译成汇编的编译器至今仍有优化空间（最近很多人用大模型重写编译器），这层代码不该用"屎山"这个贬义词去描述，它仅仅是"人不可读、不可理解、不可维护、不可更改"的代码。而随着科技往前，很快连自然语言都会变成这样的底层——人类因为生产效率的提升，就离开一层，再离开一层。

三、从交互式对话转向工程化 AI 开发模式 (00:11:56 - 00:22:11)

任鑫把话题拉回现实痛点：各公司都在用 AI 写代码，但上了几版之后就一堆莫名其妙的 bug，改不动了，怎么办？

王建硕给出他 heavy 使用 Claude Code 后的核心体会，从"如何学一门语言"讲起。刚学编程时，我们是在编译器里直接敲命令的——打开 Python，出现箭头，输一行 print 立刻执行。现在用豆包、ChatGPT 跟它一问一答，本质就是这个交互模式。**跟 AI 聊天是使用 AI 的最基本层次，90% 的人都停在这里。**但谁会说在交互环境里跑通一个 for 循环就算程序员了？差太远。

第二层是写文件：把完整想法用二十行代码写在一个 .c 文件里，交给编译器执行。对应到现在，就是在 Claude Code 的 Terminal 里已经有了一个或几个 .md 文件——比如"把视频从西班牙语转中文"：提取 MP3、转文字、配音、翻译、编字幕、合成，一气呵成写完。到这步才能勉强自称程序员，但一两个文件的水平"是小学生水平"。

**真正的程序员，工作目录里至少有 model、view、controller 等多个文件夹，每个文件夹里有很多文件，最后形成一个几万行的 project。**对应到 AI 时代，所谓的"驾驭"（harness）——王建硕坚持叫"驾驶"更准确，因为 AI 更像车而不像马——就是把原始材料、技能组织成一个文件夹工程，由大模型执行的不是一句话、不是一个文件，而是整个工程。

他用一个产品营销的例子把这个工程画了出来：不可能只给三行字就让 AI 产出满意的小红书帖子，代码量就不够。真正要做的是：一个 角度生成.md 每天产出 40-50 个推广角度，一个 vi.md 规定视觉（红还是蓝、logo 样式），一个 voice.md 规定口吻和用词禁忌，一个 platform 文件夹定义小红书、Facebook 各自的尺寸，一个 generation 文件夹定义图像怎么生成。将来用 AI，就是像程序员一样打开一个几万行、慢慢变成十几万行的自然语言工程，每一项都在控制工程的某个方面，全部生成后由自然语言编译成文案、图片、视频。

由此引出他对 AI 诟病的一个简单衡量指标：你输入的自然语言有多少字、多少个 Token，就代表了你对项目的复杂度和控制力。同样质量下，一个三万行的 Python 项目复杂度必然超过三百行的项目——看自然语言有多少行，就知道控制力有多深。他遇到很多人习惯停在第一、第二阶段（交互式来回，或几句话写进一个文件），而真正的工程能力——文浩说的"屎山治理"、别人说的"驾驭"，都是在用不同语言描述同一件事——才是现在所有人都要学的。

有趣的是，程序员在学这件事上天生并不占优势。就像熟练掌握汇编并不能直接让你成为好的 C 程序员，一个普通人完全可以跨越汇编，直接进入 C 语言。

任鑫追问 AI 没法用的原因。王建硕指出 Python 填充的缺省值有限，而大模型会填无数缺省值，所以你随口说"帮我生成一个海报"，它生成的当然不是你要的——"鬼知道你要啥"。要稳定生成你要的东西，输入的不是一句话甚至不是一个文件，可能需要几十个文件，花上几十甚至上百个小时去组织。他举了让 Claude 生成"十个人去泰国旅游宣传片"的例子：这十张脸当然不是你们这十个人，除非这是泄密。你得把每个人的头像、不同角度的 character reference sheet、声音全放进一个文件夹，组织好调用关系，之后才能稳定地"说去泰国就去泰国，说去日本就去日本"，身高、脸都对。

"抬轿子的都是轿夫，我们负责轿子往前走。我们以为所有努力都是为了往前走，但其实我们对轿子也是有控制的。现在忽然变成车了，车往前走的动力已经比人强很多了，我们就天然地把控制这个部分也认为是车该做的。"

四、构建基于 AI Agent 的软件工程化工作流 (00:22:11 - 00:46:57)

车给你巨大的 power，但你必须学会开车。教父的工作被驾驶员取代了，但驾驶员的工作对教父来说并不天然适配——教父也得和普通人一样学驾驶。**程序员现在最大的风险正在于此：代码能力被 AI 取代，而驾驶能力又因为对旧技术的情感而蒙蔽了眼睛，使他们学习驾驶的意愿远低于普通人。**当一代没学过编程的新人把驾驶学得很好时，程序员可能正封闭在驾驶室里被时代抛弃——"离新技术越近的产业工人是越惨的"。

任鑫梳理出控制的几个层次：一层是上下文（公司 VI、同事的脸），一层是意图对齐（我要的不是故宫而是北京最有名的景点），一层是对方法的控制（我知道这个点坐地铁不堵车而大模型不知道）。他甚至提出一个"抬杠式"的疑问：意图和上下文是不是该让 AI 反问我会更靠谱？路径控制是不是我把自己想得太高了？他举了亲身例子——让 AI 每天给他简报、再对比他删掉了哪些来匹配口味，结果 AI 反过来跟他说"其实我有 git 呀，你不用搞这么麻烦"，连他对路径的控制都被 AI 优化掉了。

王建硕的回应把"上下文"也结构化了。他认为 context 就是那个项目文件夹经过简单拼接后形成的一个文件，交给大模型。这正是编译原理：C 或 Python 哪怕放在十个文件夹的一百个文件里，它们通过 include / import 互相关联，编译器做的第一件事就是把所有文本处理成一个从头到尾的文件再编译。任鑫立刻联想到 Block 那家公司提出的"artifact 组成 context"，王建硕确认就是这个意思。

他进一步拆解 context 的三个来源：第一是你自己写的项目文件夹；第二是引入的 skill（别人写的源代码，概念上拼接进来）；第三是系统内置功能（像 C、Python 不用 import 就自动有的）。大模型这一层把三者组合成一个长长的东西再执行。所以无论你是自己手写、用现成 skill、还是用系统内置，都是程序员一直在做的正常 tradeoff。

但这个文件夹到底怎么组织如此复杂的控制，他坦言"我们还刚刚开始"，可能需要很久才能沉淀出范式——就像 C 语言从面向过程发展到 OOP，再慢慢形成 MVC 这样的约定俗成。这些分层不是语言规定的，而是因为"人的脑子都是一团浆糊"，需要最佳实践把它隔成不同的层。他自己现在的做法就是分成平台层文件夹、大脑文件夹、公司文件夹。**这些约定（convention）、套路、甚至可以当教科书传承的东西，现在该叫一门新学科——驾驭工程。**所以他强烈呼吁程序员赶紧学这个："在未来十年可以耗尽你所有时间，不要在代码层再浪费一分钟，代码层不属于人类。"

任鑫提出一个真实困惑：他过去给知识管理搭各种目录、双链、tag 系统，总是很有道理地搭一套，用两个星期就崩了，因为"我没有那么 J"。用 Claude Code 也一样，分了文件夹用着用着就全烂了。这种组织到底有没有用，还是该干脆交给 AI 自己搞一坨？

王建硕承认这领域大家都在摸索，很多今天觉得 work 的东西过一个月就发现没可实施性，现在是百花齐放的时候。他自己的实际做法：有一个 Code 目录，每做一个项目就开一个文件夹——不仅是编程项目（App、小程序、网站），还包括公司管理（所有人的 JD、怎么管理）、文档处理。每个文件夹扔的更多是 Word、Excel、PPT。他举例：公司历史上几百个 G 的财务数据全扔进一个文件夹，在里面启动 Claude Code 工作，里面再有个小子文件夹像源代码一样。这套自然语言文件夹和当年写 C 语言的感觉一模一样，只是它跳过了代码层，直接出结果，而且每次可执行。

更进一步的是 schedule：文件夹组织好后设一个调度，每天或每小时从入口（一般是那个 .md 的 skill 入口）开始，把整个文件夹的源代码执行一遍，结果放到另一个位置。"我现在变成又是一个程序员上岗了"——写源代码、让大模型编译、定期执行、产生结果，跟过去 20 年做的事一模一样，唯一区别是千万别再碰代码。

他纠正了一个误区：**不要把"自然语言"理解成简单的自然语言。**从量上就错了——这里的自然语言是真的手写，不是大模型生成的。你自己一个字一个字敲的自然语言可能至少几百行，这几百行可以扩展成几千几万行，但你亲手敲的自然语言的数量，几乎等同于你对这个项目控制的颗粒度，就像代码行数模糊地代表项目复杂度一样。

在这段，任鑫总结王建硕给程序员的建议：不是"少在代码层工作"，而是更激进——他一个 80% 代码靠 AI 的朋友，王建硕的反应是"你还碰 20% 的代码，你在干什么？"对普通人，则是尽量减少从零发起一次对话，转而去"编一个可以反复执行的东西"——哪怕里面一行代码你都没见到，这也叫程序，它该定时执行或被事件 trigger，给你结果，而不是每次打开窗口从零聊起。

"对于普通人来讲，你应该少跟 AI 聊天，多写程序。对于程序员来讲，你应该少写代码，多写程序。"

王建硕由此理解了程序员对 AI 的反感：在程序员定义里，写好东西交给编译器执行才叫程序，交互式一问一答不叫程序——这他完全同意。他不纠结你写的是汇编、C 还是自然语言，只要它是确定的、能被执行出来，就是程序。聊天则是"一种非常快速的 debug 方法，但不是写程序的方法"——跟它聊十句后，一定要让它把这十句总结成一段文字存下来，以后在这基础上继续改、继续执行。任鑫补充：聊完该沉淀成一个 skill，再把输入重新喂给 skill 看结果对不对。

接着任鑫引出一个让他直呼"非常神经病、非常离谱"的产品案例：朋友牛肉做的 App 里有个"用户反馈"功能，你写上"希望字体大一点"或"增加某功能"，几个小时（后来变五分钟）后 App 就按你的要求把自己重写更新了；再后来这个 App 进化到不需要用户反馈，自己想下一步该更新什么然后自我更新。

王建硕说这事本身不难做，并完整还原了流水线：一个叫 Cassie 的情绪管理 App，用户反馈直接提交到 GitHub issue；一个 hook 让 Claude Code 跑在 GitHub 云设施下，拉代码、拉 issue、写代码、完成功能、测试、合回主分支；主分支一出来就编译、打包、上传 App Store，在 TestFlight 分发，每十个版本自动提交一次正式审核。**从用户提交问题到手机上能测试，大约五分钟；到 App Store 更新，审核完一两天。**他坦言这有很多问题，所以正在建一个 PM 团队来审核需求（过滤不靠谱、不一致的，考虑功能复用），建好后就更像真实可用的产品了。

这引出他对"团队"的重新定义：**所谓团队，就是一个子文件夹里的一堆代码，加上定期执行。**用程序员能理解的方式：代码就是文字；代码编译好在 server 上跑的叫 Instance，实例就是团队。他现在有每天早上六点干活的市场团队、每四小时跑一次的工程团队，准备在需求和开发之间再加一层 PM 团队，未来或许还有客服团队。虽然是一个人小打小闹，但只要控制足够精准，维护这堆 PM 代码足以构成一个人的全职工作——杠杆率极高，因为你改一次它每天都在跑，"很难的工程对它是一句话"。而人是贪得无厌的：原来花一周干成的功能现在一天搞定，你不会就此睡觉，一定会把时间撑回一周，只是产出比原来多得多。

王建硕还原了背后的范式转移：过去 PM 是极重要的团队，因为开发资源昂贵稀缺——一堆需求排期、打架、抢工程师资源，所有流程都建立在"开发资源稀缺"这个前提上。**但如果开发资源无限，这套流程就不对了。**现在的做法是用户提 100 个需求，就先做出包含这 100 个需求的 100 个版本，PM 不再基于 idea 判断，而是基于做好的产品用一用感觉是否合理。他的 App 只保留一个能力——你随便改，但每个功能后面有 revert 按钮，因为有 GitHub，所有改动可 track、可 revert，这让我们对开发的看法变得完全不一样。

任鑫顺势勾勒出一个未来软件形态：你做的是一个"基础能力块 + 核心能力"的 App，比如情绪跟踪已经打通了苹果接口、连上了心理学能力，你可能烧了 100 美金 Token 才把某个能力块烧出来——但不是每个人都要烧这 100 美金。每个人在你 80% 的基础上做定制（有人结合跑步，有人结合滑雪），相当于每人有一个程序帮他定制化开发，而不必从零开始（大部分人也搞不定）。

王建硕用一句话印证："最近这很长时间我已经不从 App Store 里下载软件了，我都从 Claude Code 里下载。"软件作为"功能载体"的角色正在淡化——公司里干了十几年财务的同学自己写了个小游戏玩得很开心。简单的软件甚至会融进大模型本身：你拍张照片让它处理后生成一张新照片，就不需要那个特定 App 了，大模型有点像承载了原来浏览器的角色。任鑫给了个真实例子：以前下载视频要装专门软件，现在他直接跟 Claude Code 说"那个视频第 8 秒到第 27 秒给我剪一下、缩小尺寸"，它就自动剪好。而最底层的 building block 其实没变——大模型做视频，最终都是调用 FFmpeg。

五、以 Token 使用量衡量 AI 时代的生产力与转型 (00:46:57 - 01:06:00)

王建硕指出，即使是成熟程序员用 AI 也常卡在"必须手动"的环节，比如付款、注册账号、买域名——AI 会向你求助"什么都好了，就这个得用你的小手手点一下"。但这类"tension"（不方便）只要存在就会被迅速解决：Cloudflare 前两天已经开始让 AI 成为它的客户——自动注册新客户、支付、注册域名、上线。他判断半年到一年内，基本不会再出现 AI 告诉人"接下来你该干这些事"的情况了，因为每一个卡点都是一个创业机会，全世界这么多聪明人会去解决。

任鑫问那普通创业者还有什么机会，他坦言"挺悲观的，好像未来两年所有白领工作都不用干了，未来五年所有创业机会全被大模型吃进去"。王建硕说这是个"百万美元甚至更贵的问题"，他没有答案（"如果真有答案，为什么不偷偷干？"），但有几个明显的大趋势。

最尖锐的一个是对程序员的判断。他作为从小写程序、对这职业极有感情的人，认为现在最危险的恰恰是程序员：还在写程序，而且不到最后一刻还会坚持写。

"他会一直告诉你，就跟我妈妈一直说洗衣机洗得没有手洗得干净一样，直到现在他还认为没有手洗得干净。他会一直坚持，直到没办法坚持的时候再学上面这一层，可能别人都已经学了十年了，赶不上。这是最悲哀的事情。"

每一轮大潮倒下那么多人，不是因为笨，而是因为他还有很舒服的工作在做这些无意义的事。反过来，如果你真的一行代码都不写，百分之百的时间全空出来，你就会去写上面那些 .md 文件——你会发现写一天就完成了过去一两周的工作，然后人是贪得无厌的，后面几天你还会写更多，复杂度越来越强，power 越来越强。"在别人还在代码层工作时，你已经在另一个新层次了。但不要觉得自己特别牛，因为未来所有人都这样，你仅仅是早一点成为未来的普通人而已。"

任鑫引用塔勒布"月薪是毒品"——它给你虚妄的安全感，妓女和出租车司机比公务员更反脆弱，因为生意不好时他们立刻感受到、就会想转行，而公务员是"大面积嘎嘣一下"。但他抛出一个更悲观的判断：大洪水来时你提前多上两层楼，会不会明年这层也不要了？大部分人跑不到那么高那么抽象的位置，除非完全换维度——不以生产力为维度，而以自己为目的，可"我们这些老灯也挺难找"。

面对这种悲观，王建硕给出一个平衡的视角。他说别那么悲观：随着大潮来时你不用跑，就待在那，海平面上升后你啥都不干也会浮得很高——吃不到红利，但也不会被淹死。他搬出 20 世纪末的亲身记忆：那时人人恐慌"21 世纪是计算机的世纪，不会用计算机无法生活"，听起来耸人听闻；可 21 世纪过了四分之一回头看——今天不会用手机、不会扫码确实寸步难行，但整个过程走过来其实很 smooth，且学会计算机比当年（穿白条袜进空调机房）容易太多了。任鑫接了句"只要你学得足够慢，你就不用学"，还举例他合伙人去年上半年催他学某样东西，拖着没学，下半年就发现不用学了。王建硕认同：大家会随浪潮自然而然适应，如果你是大多数却学不会 AI，那不是你的问题，是产品体验做得不够好。

但他也诚实地承认自己的预测错误。每过一年他至少问自己一个问题：过去一年哪些预测错了、必须承认。他最大的错误是没料到中间路径如此凄惨——他对 AI 一直极度乐观，认为大方向（被 AI 冲击的行业是有前途的行业）至今仍对，但工程师和程序员的失业潮来得如此迅猛，旧工作摧毁性消失、新工作尚未形成的时间差，可能长达一两年，对被影响的人极其痛苦。

转型话题上，两人有一段实操性很强的交锋。任鑫说他帮人做 AI 转型时，如果讲"降本增效"就转不动，因为天然对立——"你想替我这个活的时候，不管 PPT 写得多 make sense，大家总有一万个理由告诉你干不成"。王建硕补一刀：他不是骗你，主要是骗了自己，他真的看到问题、问题也真，只是没动力帮你往死里解决。

王建硕给出一个反人性的方案：哪怕让一群人"耐心失业"——工资一分不动，把人挪到旁边，让他们齐心协力用 AI 替代掉下面大多数工作，也好过他们用旧方法对抗。因为这一百人挪到旁边什么都不做，AI 是干不起来的；他们需要迅速提高 AI 技能，再结合对旧业务的理解，"双剑合璧，如虎添翼"。一旦做好，一个人能掌控十几二十个 AI，产出远高于从前，公司就该有能力养活这个人——不是因为他更努力，而是因为他和这些 agent 的产出。理想模型是：员工数还是一百人，但工资涨了一倍，因为生产效率涨了很多。不过他也清醒地泼了冷水：逻辑上如此，实际上效率涨十倍后市场未必接受、revenue 未必涨，客服、品牌、销售、支付、合规是一连串的东西，不会立竿见影。你需要先井喷，然后发现瓶颈，再解决瓶颈，可能要两到五年才真正打通——但不这么做似乎没有别的解决方案。

最后落到全篇的核心指标。王建硕说不管一个人讲他的 AI 认知多牛，他只问一个问题：**你每天或每月的 Token 使用量是多少？或者 Token 使用量乘以单价——你每天在 Token 上花多少钱？**这像 GDP 一样，这个指标上不去，其他认知都是白扯。他甚至把自己的焦虑也建立在此："我都要睡觉了，十几个 agent 还没干活，我就睡不着，担心睡觉时他们不干活，今天烧不到那么多 Token。"

这里他给出最反直觉的告诫：**千万不要省钱、不要省 Token。**很多人以为自己 Token 用量低是不愿花钱，但你把 body 放开后才会发现真正的瓶颈是你的脑子、你的想象力、你的控制力，而不是 AI 的能力。任鑫补充，光靠对话烧不了 Token，"一天花 2000 美金不容易"，必须并行、写代码、干活。王建硕用一个生猛的比喻：省钱就像身体上的脓疮，脓不清掉你就看不到里面真正的问题，总以为是脓。他做了一张海报叫"使用 Token 拥抱浪费"——呼应 Facebook 的 Move Fast and Break Things，而 Break Things 才是核心；如果不把"拥抱浪费"明写出来，你很容易以"防止浪费"为名，蒙蔽自己看不清"我们没有能力使用 AI"的现实。

任鑫把这个洞察提到更高处：我们生活在一个智能稀缺的世界，所以下意识地用节约的方式解决问题；只有通过浪费 Token，你才能看到真实的解决方案。他举混沌讲过的例子：有人做 AI 帮小朋友批改作文，但"批改"本身只是为了节约老师脑力，并不是教作文的好方法——教作文该帮他重写、画出来、拍成短片。批改是老师最省力的方法，就像以前要省纸，现在不必再省。先浪费 Token，你才能跳出旧脑子看到新的可能性。

对话在一个实操建议中收尾：实在没钱，就先买套餐——买了 200 美金套餐没用完会觉得浪费，这种反向的浪费心情会逼你把它用满。看到一周的 weekly limits 没用满，任鑫说自己也会"找点事情把它给耗掉"。