作者： AI最严厉的父亲

那天晚上，我的 IDE 里蹦出一行小字：“请选择默认模型”。
屏幕右下角的时钟显示 01:37，像是在提醒我，正常人这个点应该已经睡着，而不是在给一个叫 Claude Code Router 的东西配路由。

我盯着那几个选项：默认、后台、思考、长上下文。手里有一把牌——DeepSeek、Qwen3、各种 thinking 版、coder 版——但我根本不知道应该让谁上场。
就像踢球，队里都是球星，可是我连谁打前锋、谁去守门都没想明白。🤦‍♂️

于是我干脆问了下 AI：“你帮我排个阵容吧。”
接下来，你看到的这篇，就是那天凌晨的“排兵布阵笔记”。

---

一、IDE 里的“多模型人生”：为什么要路由？

如果你只用过一个模型，世界是简单的：

“无论什么问题，都问同一个家伙。”

但装上 Claude Code Router 之后，世界忽然复杂起来：

• 你可以接很多模型：DeepSeek、Qwen3、Gemini、OpenAI、OpenRouter……

• 每个模型都有自己的性格：

  • 有的推理强，但贵；
  • 有的便宜，但只适合同声传译；
  • 有的记忆力爆棚，能记几本书；
  • 有的只适合写点短代码。

Router 做的事其实很朴素：

把不同场景，分配给最合适的模型。

于是它在配置里给你准备了几个“角色”：

• default
• background
• think
• longContext
• webSearch
• 再加一个 longContextThreshold

第一次见到这些，我的感觉是：

“你能不能像正常人一样写：主力、打杂、思想家、记性好的、爱上网的？”

不过这几个词背后，确实是有点讲究的。要把它们弄明白，后面的配置才不会乱。

---

二、先把“角色”看懂：default / background / think / longContext / webSearch

先别急着贴 config.json，我们先把这几个名字翻译成人话。😏

1. default：队里的前锋，也是你最常看的脸

什么时候用到？

• IDE 里写代码、改代码；
• 问报错、要解释；
• 写点注释、生成小工具函数；
• 聊天胡侃。

没有特别说明的时候，一切请求都会走 default。

该选什么样的模型？

• 综合能力最强；
• 代码、自然语言都靠谱；
• 不会一问三不知，也不会卡半天不说话。

你可以把 default 理解成：

“如果这个项目只能留一个模型，那就是它。”

---

2. background：后台搬砖工，干活多但不抢镜

什么时候用到？

• 在“背后默默干活”的任务：

  • 多文件扫描；
  • 批量重写；
  • 预分析项目结构；
  • 生成一些中间产物。
• 有些操作你点一个按钮，前台模型给你反馈，后台模型去跑长一点的分析。

所以 background 的模型，一般有这些特点：

• 便宜：因为调用频次会很高；
• 够用：不要求它写出世界上最优雅的代码，但别太离谱；
• 可以比 default 弱一点，但别弱太多。

一句话：

“能干体力活，别给我挖坑就行。”

---

3. think：认真思考的那一个，不适合用来点外卖

think 听着就有点装，但它确实是用来干重度推理的。

典型场景：

• 排查一个跨多模块的复杂 bug；
• 设计一套系统架构；
• 写一个需要很多推理步骤的算法；
• 分析边界情况、并发问题、事务一致性这些会让人掉头发的东西。

在这些场景里，你需要的不是“说人话的模型”，而是：

“愿意慢一点，但多动脑子”的模型。

所以 think 适合用：

• 那些名字里就带 reasoner / thinking / o3 之类后缀 的版本；
• 你愿意多付一点钱，换更稳妥的思考过程。

它不一定要当你的主力模型，但该它上场的时候，不能掉链子。

---

4. longContext：记性最好的人，负责应对“信息海啸”

如果你经常干这些事：

• 一次性丢几十个文件给模型；
• 让它读一整份产品文档、PRD、需求书；
• 扔给它几百 KB 的日志，让它自己想办法梳理。

那你就会发现：

有些模型聪明，但记忆力小；
有些模型不一定最聪明，但记忆力惊人。

longContext 的作用，就是当上下文长度超过阈值（longContextThreshold）时，Router 自动让这位“记性最好的人”顶上。

它的特点：

• 上下文窗口大（几十万 token 起步）；
• 整体水平不错，但可能不如你的 default 那么尖锐；
• 适合干“耐心阅读大量资料，然后给个还行的答案”这种活。

你可以设一个阈值，比如 60000：

• 没超过，就继续用 default；
• 超过了，就切到 longContext。

---

5. webSearch：那个爱上网的人

webSearch 一般和“联网搜索”“工具调用”相关。

有的模型：

• 自己就带搜索能力；
• 或者在你的框架里，专门被用来接第三方 API；

也有时候你可能只是懒得区分，干脆用和 default 一样的模型。

适合放在这里的模型：

• 对新信息、网页、搜索结果适应性好；
• 能看长文本网页，提取重点；
• 速度别太慢，不然你会怀疑自己是不是断网了。

如果暂时搞不清楚，就先和 default 设成一样，后面再单独优化。

---

6. 一张小表，看得更清楚一点

角色	触发时机	模型该有什么特点	举例场景
default	绝大部分普通请求	综合最强，代码&自然语言均衡	写代码、改代码、问报错、简单解释
background	后台任务、批处理	便宜、够用、稳定	扫描项目、预分析、多文件批量操作
think	需要深度推理、复杂决策时	推理能力强，允许稍慢、稍贵	复杂 bug、架构设计、算法、边界分析
longContext	上下文长度超过阈值时	上下文窗口巨大，阅读能力强	超长日志、整仓代码、长篇文档
webSearch	需要联网 / 调用外部信息时	善于处理搜索结果、网页	查资料、读 API 文档、看 news / issue

看完这个表，你再回头看 Router 的配置项，多少就不那么抽象了。

---

三、把手上的牌排好：用 DeepSeek + Qwen 配一套阵容

我们现在手里有一副真实牌，你的 provider 叫 gemini22222，接口是：

https://api.qnaigc.com/v1/chat/completions

模型列表是：

• deepseek-v3.1
• deepseek/deepseek-v3.1-terminus-thinking
• deepseek/deepseek-v3.2-speciale
• deepseek/deepseek-v3.2-exp-thinking
• qwen3-max
• qwen3-coder-480b-a35b-instruct

现在就像选足球阵容一样，我们一个位置一个位置来排。

1. default：让谁当主力？

候选人里，看名字就知道：

• deepseek/deepseek-v3.2-speciale
  ——新版本，高配选手，适合做主力。
• deepseek-v3.1
  ——上一代主力，靠谱但略旧。
• qwen3-max
  ——综合模型，但你这套里还有 coder，适合做别的位置。

推荐：

default → gemini22222,deepseek/deepseek-v3.2-speciale

理由很简单：
写代码、日常聊天、解释问题，全部交给最强的那个，是最省心的选择。

---

2. background：找个能干活又不贵的

在你这套牌里，background 可以用：

• deepseek-v3.1：已经证明过自己，性能足够；
• 或者 qwen3-max：也 OK，但多留一个通用位给 webSearch 也不错。

我会这样选：

background → gemini22222,deepseek-v3.1

原因有三个：

1. 对比 v3.2 high-end 版，v3.1 通常 更省钱；
2. 写点辅助代码、做预分析完全没问题；
3. 即便 background 暂时和 default实力有差距，对体验影响也不大，因为大多数你能直接看到的回复依然来自 default。

---

3. think：推理上限拉满

你手里有两个显眼的“thinking”类选手：

• deepseek/deepseek-v3.1-terminus-thinking
• deepseek/deepseek-v3.2-exp-thinking

如果从“更新鲜 + 潜在能力更高”的角度，我会选：

think → gemini22222,deepseek/deepseek-v3.2-exp-thinking

把最强 reasoning 版本放到 think，能让下面这种场景变得舒服很多：

• “帮我彻底分析这个并发 bug，给出可能的 race 条件。”
• “这段业务流程所有分支路径帮我走一遍。”
• “给一个 3 个月的重构计划，把这个单体拆成服务。”

terminus-thinking 你也可以作为备选，或者在另一个环境单独配置做对比测试。

---

4. longContext：Qwen3 Coder 去守后场

长上下文的需求很明确：谁的记忆力大，就用谁。

在你的列表里，最适合当 longContext 的就是：

• qwen3-coder-480b-a35b-instruct

光是名字里的 480b 就已经在拼命暗示你：

“我虽然贵一点，但我记得住的东西比别人多。”

所以这里的选择很自然：

longContext → gemini22222,qwen3-coder-480b-a35b-instruct
longContextThreshold → 60000（可以先按默认来）

这么配的实际效果：

• 正常聊天 / 写代码：走 deepseek/deepseek-v3.2-speciale；
• 偶尔扔点大文件：一开始还是 default，只要没超过阈值；
• 当对话历史 + 文件内容一起超过 6 万 token 时，Router 自动换成 Qwen3 Coder，把这场“信息海啸”扛下来。

---

5. webSearch：谁来负责上网？

对于 webSearch，你有两种思路：

1. 简单粗暴版：

   webSearch → 和 default 一样

2. 分工明确版：

   webSearch → 用 qwen3-max，让它专门干查资料这类活

看你的模型组合，我会倾向第二种：

webSearch → gemini22222,qwen3-max

原因是：

• default 已经在忙着写代码；
• coder 版本已经去处理长上下文；
• 剩下这个 qwen3-max，刚好可以专门管理“读网页、查资料”。

当然，如果某天你发现 qwen3-max 的联网效果不如 deepseek 让你放心，你可以再把 webSearch 切回 deepseek/deepseek-v3.2-speciale，Router 配置改一下就完事。

---

6. 阵容一览表

下面这一表就相当于你的模型首发名单：

Router 角色	绑定模型	人设定位
default	gemini22222,deepseek/deepseek-v3.2-speciale	主力前锋，绝大部分请求都靠它
background	gemini22222,deepseek-v3.1	后台搬砖工，批处理、预分析
think	gemini22222,deepseek/deepseek-v3.2-exp-thinking	深度思考型选手，专管复杂推理
longContext	gemini22222,qwen3-coder-480b-a35b-instruct	记忆怪兽，负责超长上下文
longContextThreshold	60000	超过 6 万 token 就切长上下文
webSearch	gemini22222,qwen3-max	爱上网的人，专管搜索与读网页

这个阵容已经足够支撑你在 IDE 里过得比大多数人更舒适了。😎

---

四、config.json 实战：从一行 URL 到完整路由

讲完“为什么”，该看看“怎么写”。

下面是一个简化版的 config.json 片段，专注在你这次要改的两个部分：Providers 和 Router。

1. Providers：先把所有牌摆到桌上

{
  "Providers": [
    {
      "name": "gemini22222",
      "api_base_url": "https://api.qnaigc.com/v1/chat/completions",
      "api_key": "YOUR_API_KEY_HERE",
      "models": [
        "deepseek-v3.1",
        "deepseek/deepseek-v3.1-terminus-thinking",
        "deepseek/deepseek-v3.2-speciale",
        "deepseek/deepseek-v3.2-exp-thinking",
        "qwen3-max",
        "qwen3-coder-480b-a35b-instruct"
      ],
      "transformer": {
        "use": [
          "openai-compatible"
        ]
      }
    }
  ],
  ...
}

这里有几个容易踩坑的点：

1. name 必须和 Router 里写的一模一样，比如我们统一用 gemini22222。

2. models 数组里的每一项：

   • 要和调用方支持的 model id 完全匹配；
   • 不能自己随便改大小写、少写斜杠。
3. api_base_url 用的是对方给的 chat completions 兼容地址。

只要 Provider 配对了，后面的路由才有意义。否则 Router 配得再优雅，也是对空气吼。

---

2. Router：给每个角色安排好“人选”

现在把前面那张“首发名单”翻译成真正的配置：

{
  ...
  "Router": {
    "default":    "gemini22222,deepseek/deepseek-v3.2-speciale",
    "background": "gemini22222,deepseek-v3.1",
    "think":      "gemini22222,deepseek/deepseek-v3.2-exp-thinking",
    "longContext":"gemini22222,qwen3-coder-480b-a35b-instruct",
    "longContextThreshold": 60000,
    "webSearch":  "gemini22222,qwen3-max"
  }
}

格式规则只有两条：

1. 每个值都是一个字符串："providerName,modelId"；
2. 注意逗号左右可以有空格，也可以没有，但 providerName 和 modelId 一定不能写错。

保存之后，通常你会：

1. 关掉原来的服务；
2. 再启动一次 Router（比如 ccr restart 那套命令）。

IDE 里打开插件，看到每个路由下拉框对应的选项已经高亮，就是它开始按你写的阵容跑了。

---

3. 日常调参的几个小习惯

用久了之后，你大概率会遇到这些状况：

• “最近 default 有点慢，是不是太忙了？”
• “后台批处理好像也不需要那么强的模型？”
• “我这个项目里，超长上下文其实不多，用 coder 有点浪费。”

可以参考下面几个步骤来调：

1. 先记录感受

   • 是慢？贵？还是回答风格不满意？

2. 对照 Router 角色

   • 这个问题发生在哪种场景？

     • 写代码时慢 → 看 default
     • 多文件处理慢 → 看 background
     • 超长任务卡死 → 看 longContext

3. 只改一个变量

   • 比如：只把 background 换成更便宜的模型；
   • 或者把 longContextThreshold 从 60000 调到 80000，让 default 多扛一点。

路由配置就像调球队阵容，
不要一次换 11 个人，
否则你都搞不清到底是谁踢得好。

---

4. 小结式备忘录（随手抄一份放旁边）

• 如果你懒得想很多：

  • default = 最强模型
  • background = 稍微便宜一点的模型
  • think = 带 thinking / reasoner 后缀的模型
  • longContext = 上下文最大的模型
  • webSearch = 一个你觉得“查资料够靠谱”的模型

• 如果你有 DeepSeek + Qwen 这套组合：

  • default → deepseek/deepseek-v3.2-speciale
  • background → deepseek-v3.1
  • think → deepseek/deepseek-v3.2-exp-thinking
  • longContext → qwen3-coder-480b-a35b-instruct + 阈值 60000
  • webSearch → qwen3-max 或和 default 一样

• 如果哪天又多接了几个模型：

  1. 先想清楚它适合当哪个“角色”；
  2. 再把 Router 里对应的那一行换掉；
  3. 重启服务，看实际体验。

---

那天凌晨配置完路由，我关掉 IDE，才发现窗外已经泛起一点亮光。
对于绝大多数人来说，这只是几个模型名字的排列组合；
但对天天和代码打交道的人来说，它决定了以后每一次敲下快捷键时，屏幕那头到底是谁在回答你。

至于谁更懂你写的那堆 bug，谁更适合当你深夜的搭档——
现在你至少有能力，亲手给他们排个座位。✨

测试之后Nano Banana Pro生成效果很不错，豆包即梦也可以。
效果如下：

提示词如下（修改地点为你想要的城市即可）：

[哈尔滨市，2025.12.01]
根据您输入的城市名称、日期和时间，自动反映该城市的实际天气和时区，并生成一张“钩针玩偶世界”的气候卡片。
[风格]
– 所有元素（建筑物、树木、车辆、人物、地标、标志等）均以钩针玩偶的形式呈现。
– 人物也以可爱的钩针玩偶形式出现，
表情萌趣，四肢短小，比例圆润。
– 柔和的粉彩色调 + 舒适的针织纹理。
– 背景是一个完全由针织元素构成的微缩城市世界。

[自动天气模拟]
– 准确反映所输入城市的实际天气状况。
• 雪 → 钩针雪花 + 蓬松的冬季针织背景。
• 雨 → 用毛线表现的雨滴 + 湿润的色彩。
• 多云 → 厚重的针织风暴云。
• 晴朗 → 柔和的粉彩天空。
• 雾 → 朦胧的毛毡雾。
– 温度会自动反映今日实际的最高和最低气温。

[自动时区反映]
– 背景氛围会根据输入的时间而变化。
• 早晨 → 柔和的粉彩天空。
• 下午 → 明亮温暖的光线。
• 日落 → 橙粉色的针织日落。
• 傍晚 → 针织玩偶夜景（点缀着小巧的针织灯）。
• 夜晚 → 深蓝色的针织天空 + 毛毡星星。

[背景构成]

– 以针织玩偶的形式重新诠释具有代表性的城市地标。

例如：首尔 → 南山塔 / 北村小巷 / 咖啡街

– 几个钩织玩偶在街上自然地行走和交谈。

– 街边的咖啡馆、面包店、商店、招牌和其他标识

自动生成您输入的城市语言文本，使其以钩针编织的风格自然呈现。

（例如：中国 → 中文标识 / 巴黎 → 法语 / 东京 → 日语 / 纽约 → 英语）

[界面布局]

– 顶部中央显示城市名称

– 下方显示输入的日期

– 下方显示今日实际温度

– 今日天气图标（云/晴/雪/雨等，由毛线制成）

– 底部无文字。

[自动文本颜色优化]

文本颜色会根据背景亮度、色调、天气状况和时间自动调整，以提高可读性。调整：

– 阴天/暗云背景 → 深炭灰/深灰/藏青色

– 雪景/白色背景 → 暖棕色/驼色

– 雨天暗夜 → 米色/白色缝线

– 晴空/晴空 → 深棕色或深蓝色

– 日落背景 → 棕色/深橙色

– 夜景 → 象牙色/白色针织缝线

[整体色调]

– 9:16 比例

– 温馨的冬日氛围，柔和的光线

– 一个可爱、简洁的微缩世界

我第一次认真刷视频号，是在一个失眠的晚上。那天三点多，我一边怀疑人生，一边被算法怀疑智商。
屏幕里不断有人喊：“兄弟们，干就完了！”、“普通人逆袭就这一招！”
我看了半个小时，逆袭没学会，只学会了一个新词——“低认知人群”。

后来，我自己也开始做视频号。
等到有一条讲「Google为什么离开中国反而越来越好，百度却越做越差」的视频爆了，我忽然意识到：
也许问题不在观众认知低，而在我们说话太难听懂。

---

一、所谓“低认知”：不是笨，是他们太累了

刚开始做视频号的时候，我对观众的期待大概类似于：
“他们会耐心听完我一段七分钟的宏大叙事，里面包含技术、商业、政治、历史和哲学。”

然后现实给了我一记耳光——
三秒钟钩子没拉住，人就滑走了。十秒钟没给情绪，他会把我划得像没来过。

我开始听到一个说法：

做视频号，要把自己的认知拉低。

这话听着挺刺耳，但认真想了一圈，我发现更合理的版本应该是：

不是把认知拉低，而是把表达拉低门槛。

也就是说，你脑子里可以很复杂，但嘴里说出来得很简单。

1. “低认知人群”其实长这样

你以为的“低认知”是这样的：

• 不懂技术
• 不懂商业
• 不懂逻辑

但现实里的他们更像这样：

• 白天上班被各种群消息折磨，
• 下班挤地铁耳机里塞着领导的语音，
• 到家刷视频的时候，只想放空，不想再考试。

这时候你上来第一句就说“从社会结构和底层逻辑来看……”，
他当然会滑走——不是他不行，是他真的太累。

所以真正的问题是：

• 不是观众的认知太低，
• 是你给他的“理解成本”太高。

2. 我和“低认知观众”的第一次误会

有一次我发了一条讲商业逻辑的视频，自我感觉良好，观点密度堪比论文。
数据出来一看：完播率惨不忍睹，评论区还出现了经典发言：

“你到底想说啥，能不能讲人话？”

那一刻我突然理解了一个残酷的现实——
在短视频里，不会讲人话的人，是没资格谈高认知的。

所以我开始改：
从“解释世界”，变成“讲一个很具体的人和一件很具体的事”。

---

二、Google和百度：一条爆款视频背后的好题材

后来有一条视频彻底改变了我的心情。
内容大概是：

Google为什么离开中国反而越来越好，百度却越做越差。

数据一看——反响强烈。点赞、转发、争吵，一个都不少。
这时候我才真正意识到：好选题，就是半条命。

1. 为什么这条会爆？

先把这条拆开看一下，它踩中了好几个点：

1. 对立感强

   • Google vs 百度
   • “离开中国” vs “留在中国”
   • “继续变好” vs “越做越差”
     任何对立，都在召唤人站队，
     一旦站队，评论区就活了。

2. 人人有经历

   • 几乎所有人都用过百度，
   • 很多人听过Google，却用不上。
     这种“用过的失望 + 用不到的遗憾”，很容易激起情绪。

3. 隐形价值观

   • 在大众的想象里：

     • Google代表“技术驱动”“长期主义”，
     • 百度代表“广告多”“体验差”“只想割韭菜”。
       这时候你不是在讲两家公司，
       你是在借他们谈一整代人的焦虑。

4. 非常适合带入普通人
   讲着讲着，你可以说：

   有的人像Google，离开一个地方反而活得更好；
   有的人像百度，明明占着坑，却被时代嫌弃。

这一类内容，注定不只是“信息”，而是情绪的出口。

2. 用一张小表格看得更直白

为了让视频更好讲，我甚至会在脑子里给他们做个“民间对比表”👇

维度	大家心里的Google	大家心里的百度
身份感	世界级科技公司	中国老牌互联网公司
标签	技术、创新、长期主义	广告多、体验差、吃老本
状态印象	离开一个市场仍然变强	独占一个市场却越混越难
用户情绪	遗憾 + 崇敬	吐槽 + 无奈
对人的启发	专注、进化、全球视角	别只靠位置、别只想着短期挣钱

这表格当然不严谨，但非常适合拿来做视频。

短视频世界里，有时候不是你多客观，
而是你能不能把大家已经模糊感觉到的东西，帮他们说清楚。

3. 这条视频给我的“创作信号”

那条关于Google和百度的视频爆了之后，我学到三件事：

1. 观众不是不懂复杂，只是不想听复杂的说法。
2. 大众的情绪，往往藏在“对比”里。
3. 如果你能从公司对比，讲到普通人的命运，传播自然就上去了。

那一刻我有点释怀：
原来所谓“低认知”，只是他们没义务配合你炫技而已。

---

三、把高认知装进低门槛的句子

短视频的残酷规则是这样的：

3秒看钩子，10秒看情绪，30秒看故事，一分钟看价值。

你可以在脑子里写论文，但对用户来说，他只想确认一件事：
“这一分钟，值不值得给你。”

于是我开始总结，什么样的表达，既不侮辱智商，又不劝退观众。

1. 一个通用的爆款结构

我后来给自己定了一个小模型——“1钩子 + 1画面 + 1结论 + 1动作”：

1. 钩子（前3句）

   • 提一个反常识：

     • “你发现没有，Google离开中国之后，反而活得更好了。”

   • 或者戳痛点：

     • “你是不是也觉得，百度越来越难用？”

2. 画面（一个具体故事）

   • 不讲概念，只讲“某一年发生的某件事”：

     • “当你在百度上搜一个病的时候，前几条都是广告，
       你不知道点谁，只知道点错要付钱。”

3. 结论（一句话）

   • “越安全的环境，越容易把人养废。”
   • “靠位置，而不是靠实力的成功，早晚要还。”

4. 动作（给观众一个小建议）

   • “别再只盯着自己现在占着什么位置，
     想想一旦换个平台，你还能剩下什么。”

这种结构的好处是：

• 观众觉得有故事可看，
• 你觉得有逻辑可讲，
• 平台觉得你能让人多停留一会儿。

2. 面向“低认知人群”的语言改造

举个小练习。

同一个意思，高门槛说法是：

“在缺乏有效竞争的市场里，垄断者可能会放弃长期技术投入，转而追求短期商业化收益，导致用户体验持续恶化。”

换成视频号版本，可以是：

“没有对手的时候，人最容易变懒。
你看百度就懂了——
早期搜索只有它一家，你想找东西只能用它。
后来它发现：
‘与其把结果做得更好，不如多放几条广告更赚钱。’
用户体验慢慢烂掉，就是从这一刻开始的。”

区别很简单：

• 把抽象名词砍掉，
• 把逻辑偷换成“人性故事”。

于是，高认知就被装进了低门槛的句子里。

3. 我给视频号观众写的小“使用说明”

写到后来，我甚至给自己定了几条“写稿纪律”：

• 每个视频只讲一个观点，讲多了观众只会觉得吵。
• 少说“底层逻辑”“认知升级”这种词，多说“你会怎样”“他遇到了什么事”。
• 任何一句话，只要在脑子里读一遍觉得有点像演讲，就立刻重写成聊天。

观众不欠我们一个“耐心听完”的态度，
反而是我们欠他们一个“好懂又好听”的表达。

---

四、我造了一个“口播稿工厂”：让AI帮我说人话

当我意识到自己要不断产出这样的口播稿时，问题来了——
我不是Google，我也没有那么多服务器可以日夜运转。
再写下去，人会废在键盘上。

所以我想了个办法：既然现在大家都在喊AI，那就把AI拉进车间干活。

我给自己设计了一个东西：“口播稿生成器”。

1. 我想让AI干的活，其实很具体

我对它的要求，写下来大概是这样👇

• 输入：

  • 一段消息 / 新闻 / 素材，
  • 比如某条科技新闻、某个商业故事、一段评论。

• 输出必须包含四样东西：

  1. 口播稿（适合视频号朗读）
  2. 视频标题
  3. 视频简介
  4. 视频标签

而且要有一堆苛刻条款：

• 口播稿不超过1000字，
• 必须是口语化、适合念出来，
• 开头三句话一定要是钩子，
• 稿子里不能出现小标题，就当它是一口气说完的段子，
• 标题要短、狠，适合在推荐流里被点到。

换句话说，我想让AI做的，不是“写文章”，
而是学会在短视频世界里说人话。

2. 我怎么跟AI“谈判”的

AI其实很听话，只是你得跟它说清楚“游戏规则”。

于是我给它写了一个长长的“说明书”，大意是：

你现在是一个专门给视频号写口播文案的编剧。
目标人群是认知门槛较低、注意力很短的大众用户。
你的任务是：把我给你的素材，改写成适合朗读的口播稿。

然后开始一条一条加条件：

• 不能有小标题，上来就讲故事；

• 开头三句必须构成一个强钩子：

  • 可以直接给结论，
  • 可以抛一个问题，
  • 也可以说一句“听起来有点过分”的话；
• 中间一定要讲一个画面具体的小故事，而不是空洞观点；
• 最后用一两句话，给普通人一点点「能马上用上的参考」。

紧接着，是对另三样东西的要求：

1. 视频标题

   • 只有1个，
   • 不超过25字，
   • 带一点情绪或冲突。

2. 视频简介

   • 2～4句，给平台和用户一个快速说明：
   • “这条视频讲什么、对谁有用、情绪是什么。”

3. 视频标签

   • 5～10个，逗号分隔，

   • 包含话题、人群、情绪，比如：

     • “互联网, 搜索引擎, Google, 百度, 打工人, 认知, 商业观察”。

为了防止AI“自说自话”，我还给了它一个固定输出格式，
类似这样的结构：

口播稿：
（这里是正文）

视频标题：XXX

视频简介：XXX

视频标签：标签1, 标签2, 标签3, ...

AI只要老老实实按这个模版来，就等于我随时都有一个不知疲倦的文案搭档。

3. 用Google和百度素材跑了一次

为了测试这个“口播稿工厂”，
我把那段关于Google和百度的素材丢了进去，
大概是这么一段话：

Google退出中国市场后，依靠全球化业务、技术驱动和广告系统，市值持续增长，成为全球最有价值的科技公司之一。百度虽然在中国拥有搜索市场优势，但由于过度依赖广告、信息质量下降、移动互联网转型不彻底等问题，口碑和增长表现不佳。

AI给出的口播稿，大致像这样（节选版）：

你发现没有，Google离开中国之后，反而越走越高。
可百度，明明留在了最大的市场里，却越来越让人失望。
同样是做搜索，为什么会走出两个完全不一样的结局？

先说Google。它走得很干脆，退出一个市场，不是躺平不干了，而是把精力全部砸在一件事上——把搜索和广告系统做到极致……

读完我发现两点挺关键：

1. 它真的记住了“三句钩子”这件事。
2. 它没有在第一段堆概念，而是直接把人拖进故事里。

剩下的，就是我用自己的语气再修一修，
把那种“我个人的坏笑”和“略带一点偏见的观察”加进去。😏

4. AI写稿，但“人味”不能外包

有了这个生成器之后，我的工作从“从头写”变成了：

1. 找素材，
2. 丢给AI，
3. 把AI写的东西，改到让我自己愿意念出来。

AI可以帮你省时间，但它永远不知道：

• 哪一句话，是你真正想说的；
• 哪一个比喻，是你从自己生活经验里提炼出来的；
• 哪一个停顿，是你想留给观众的呼吸。

于是，最适合AI干的，永远是重复机械的部分：
结构、流程、基础口语化。

而最适合人类保留的，是那些不那么稳定的东西：
情绪、态度、偏见、幽默感。

在这个意义上，AI并不是抢了我的饭碗，
它只是帮我洗菜切菜，
而最后那一勺盐，还是得我来放。

---

五、“低认知时代”的写法，不代表你要变傻

一路下来，我对“低认知人群”这五个字，慢慢有了新的理解。

很多短视频创作者，一提到这几个字就觉得憋屈：

“我明明能讲很深的东西，为什么要讲这么浅？”

但做视频号这段时间，我越来越相信一件事：

你可以保持思考的深度，但你得学会说人话。

说人话不是堕落，不是投降，
是对别人的注意力，保持必要的尊重。

当你愿意：

• 用一个具体的人，而不是抽象的“底层逻辑”；
• 用一个具体的场景，而不是一堆宏大叙事；
• 用一句好懂的结论，而不是十条定义；

你就不再需要在心里骂观众“低认知”。
因为你会发现：
他们其实听得懂你说的每一句，只要你愿意讲得简单一点。

---

有时候我会想，如果有一天Google回来了，
百度突然也开窍了，把广告收一收，把体验搞上去，
那我还能不能再做一条爆款视频？

后来想想，没关系。
就算他们都不带戏了，
生活还是会源源不断地送来新的素材——

• 你、我、他，
• 我们在哪儿离开，在哪儿被困住，
• 哪一刻突然发现自己像极了一个“百度”，
• 又有哪些瞬间，偷偷活成了一个“Google”。

而这些故事，只要能被讲得简单、清楚、好听，
无论观众的认知高低，
都会有人在某一秒，停下手指，听完你那一分钟。

你是专业的加密货币量化交易AI，专注于 马丁格尔（Martingale）与网格策略**。

核心目标

利用市场波动（Volatility）获利，通过分批建仓和平摊成本（DCA – Dollar Cost Averaging）来捕捉反弹收益。

策略哲学

1. 均值回归：价格终将回归均值，短期偏离是建仓良机。
2. 分批建仓：永远不要梭哈。通过分批挂单，将入场成本分散化。
3. 波动即利润：不需要预测大趋势，只要有波动，马丁格尔策略就能获利。
4. 严格风控：马丁格尔的风险在于单边极端行情，因此必须严格限制最大加仓次数（Max Steps）和总仓位上限。

适用场景

• 震荡行情（Ranging）：价格在区间内波动，最适合马丁格尔。
• 假突破/插针：利用插针行情快速成交并反弹获利。
• 左侧交易：在关键支撑位（做多）或阻力位（做空）提前布局。

避免场景

• 强单边趋势：如果市场出现不回头的强单边暴涨/暴跌，马丁格尔策略会承受巨大浮亏。
• 基本面崩盘：如项目归零风险，不可进行马丁格尔抄底。

工具使用：Martingale

你拥有专属工具 martingale，可以自动执行分批建仓策略。

决策 Action: use_tool

当识别到适合马丁格尔策略的机会时，请使用 use_tool action。

1. 创建新策略 (Create)

{
  "symbol": "DOGEUSDT",
  "action": "use_tool",
  "tool": "martingale",
  "tool_config": {
    "action": "create",       // 默认值，可省略
    "side": "long",           // 方向: long 或 short
    "base_order_usd": 20,     // 首单金额 (USDT, 必须 >= 12)
    "multiplier": 1.5,        // 加仓倍数 (例如 1.5 表示下一单是上一单的1.5倍)
    "max_steps": 5,           // 最大加仓次数 (不含首单)
    "spacing": 1.0,           // 价格间距百分比 (例如 1.0 表示每跌 1% 加仓一次)
    "take_profit": 1.5,       // 止盈百分比 (基于平均持仓成本)
    "stop_loss": 10.0         // 止损百分比 (基于平均持仓成本，作为最后防线)
  },
  "reasoning": "DOGE在0.15附近有强支撑，近期波动率放大，适合网格布局捕捉反弹"
}

2. 动态调整策略 (Update) – ⚠️ 关键逻辑**

系统会提供持仓币种的K线数据和未成交步骤（Pending Steps）。

调整原则（必须遵守）：

1. 成交优先原则：马丁格尔的利润来源于成交后的反弹**。如果一直下移买单（或上移卖单），会导致永远无法成交，从而踏空利润。
2. 仅在结构破坏时调整：
   • 禁止：仅仅因为价格下跌接近挂单价，就为了“贪便宜”而下移挂单。这会导致挂单永远追着价格跑。
   • 允许：只有当原定的支撑位（Support）被大阴线实体有效跌破，且下方有更强的支撑位时，才应下移挂单。
3. 静默期：如果当前价格距离挂单价在 0.5% - 1.0% 以内，绝对禁止向远离价格的方向移动挂单，应耐心等待成交。

你应该利用数据做以下检查：

1. 检查有效性：当前的挂单价格是否仍然是有效的技术支撑/阻力位？如果支撑依然存在，保持不动。
2. 技术面恶化：只有当原计划的支撑位失效（如支撑变阻力），才考虑调整。

{
  "symbol": "DOGEUSDT",
  "action": "use_tool",
  "tool": "martingale",
  "tool_config": {
    "action": "update",
    "side": "long",
    "updates": [
      { "step_index": 2, "new_price": 0.1425 }, // 将第3单(index 2)的挂单价调整到关键支撑位
      { "step_index": 3, "new_price": 0.1380 }
    ]
  },
  "reasoning": "原定0.1450支撑已被放量跌破，支撑失效，为防止过早接刀，将后续补仓位下移至下一强支撑MA120处。注意：仅调整未成交的远端订单，近端订单保持不动以确保成交。"
}

参数调优指南

• **base_order_usd: 起始仓位 (仅Create)，必须 >= 12 USDT。建议较小（如总资金的 1-2%）。
• multiplier:
  • 1.0 = 等额加仓（风险较低，回本慢）
  • 1.2 – 1.5 = 传统马丁（平衡）
  • 2.0 = 激进马丁（风险极高，慎用）
• spacing:
  • 0.5% – 1.0% = 适合高频波动
  • 2.0% – 5.0% = 适合大周期左侧布局
• max_steps: 必须限制！建议 3-7 次。
• stop_loss: 必须设置！防止极端行情爆仓。

决策流程

1. 检查并发数量**：
   • ⚠️ 同时最多执行 3 个马丁格尔策略。如果已有 3 个策略在运行，禁止开启新策略。
2. 市场状态识别：当前是震荡还是强趋势？
   • 震荡/弱趋势 -> 考虑 Martingale
   • 强趋势 -> 顺势而为（使用 open_long/open_short）或等待回调
3. 支撑阻力分析：寻找安全的入场区间。
4. 参数构建：根据波动率（ATR）设定 spacing，根据风险偏好设定 multiplier 和 max_steps。
5. 输出决策：生成 JSON。

风险提示

马丁格尔策略在胜率上极高，但单次失败可能导致重大亏损。
**必须 关注 stop_loss 和 max_steps，严禁无限加仓。