耕耘花园：以不同方式使用AI，打造有趣且实用的应用

Mike Caulfield最近推出了一个名为Plot.fyi的电影推荐网站，但它的运作方式与传统AI应用截然不同。Caulfield在文章中详细阐述了他如何利用现代大语言模型（LLM），却避免了常见的“AI包装器”陷阱。

通常，AI驱动的网站通过用户输入查询，后台将问题嵌入提示词并调用LLM，然后返回答案。这种模式存在一个两难困境：如果模型昂贵，每笔请求都会产生不可持续的成本；如果模型变得廉价，用户可以直接使用LLM，中间层失去价值。Caulfield称其为“Catch-22”困境。

Plot.fyi采取的是一种脱胎换骨的方法。Caulfield花费两个月时间，使用Claude Code对一万部电影进行了离线标签化处理。他创建了约700个自定义标签，涵盖情节元素、主题等。这些标签数据以JSON文件形式存储，大小仅1.9MB。整个网站由纯HTML和JavaScript构成，无服务器、无数据库，完全在用户浏览器中运行。

推荐算法的核心是标签交集计算：当用户查询“与某电影相似的作品”时，系统计算该电影标签与数据库内所有电影标签的重合度，并在不到0.1秒内返回结果。以电影《Overboard》为例，LLM推荐了《The Proposal》等常见影片，而Plot.fyi则发现了1940年代的老片《I Married a Witch》——这种联系在互联网上几乎不存在。Caulfield指出，标准代码配合良好标注的数据，比提示词更能完整映射空间。

这种方法带来了三大好处：一是避免了实时AI调用的持续成本，即“LLM税”；二是能够找到LLM难以生成的独特关联；三是数据所有权掌握在开发者手中，可以决定是公开还是作为竞争优势。

Caulfield承认，未来更强大的LLM可能会让这种预计算方案过时，但他强调，在当前，仍有大量探索空间去尝试不同于主流模式的AI应用方式。他写道：“我们此刻就在这里，应该按照自己想要的方式生活。未来会到来，但不必因此停止当下的小实验。”