耕耘花園：以不同方式使用AI，打造有趣且實用的應用
Mike Caulfield介紹了他的電影推薦網站Plot.fyi，該網站通過離線使用AI（Claude Code）對一萬部電影進行標籤化處理，構建了無需實時AI調用的全靜態HTML頁面。這種方法避免了傳統AI包裝應用的經濟困境——要麼承擔高昂的API成本，要麼被AI模型本身取代。文章強調了數據所有權的價值，並認為即使未來AI能力再強，當前仍然存在探索替代方案的廣闊空間。
Mike Caulfield最近推出了一個名為Plot.fyi的電影推薦網站，但它的運作方式與傳統AI應用截然不同。Caulfield在文章中詳細闡述了他如何利用現代大語言模型（LLM），卻避免了常見的“AI包裝器”陷阱。
通常，AI驅動的網站通過用户輸入查詢，後台將問題嵌入提示詞並調用LLM，然後返回答案。這種模式存在一個兩難困境：如果模型昂貴，每筆請求都會產生不可持續的成本；如果模型變得廉價，用户可以直接使用LLM，中間層失去價值。Caulfield稱其為“Catch-22”困境。
Plot.fyi採取的是一種脱胎換骨的方法。Caulfield花費兩個月時間，使用Claude Code對一萬部電影進行了離線標籤化處理。他創建了約700個自定義標籤，涵蓋情節元素、主題等。這些標籤數據以JSON文件形式存儲，大小僅1.9MB。整個網站由純HTML和JavaScript構成，無服務器、無數據庫，完全在用户瀏覽器中運行。
推薦算法的核心是標籤交集計算：當用户查詢“與某電影相似的作品”時，系統計算該電影標籤與數據庫內所有電影標籤的重合度，並在不到0.1秒內返回結果。以電影《Overboard》為例，LLM推薦了《The Proposal》等常見影片，而Plot.fyi則發現了1940年代的老片《I Married a Witch》——這種聯繫在互聯網上幾乎不存在。Caulfield指出，標準代碼配合良好標註的數據，比提示詞更能完整映射空間。
這種方法帶來了三大好處：一是避免了實時AI調用的持續成本，即“LLM税”；二是能夠找到LLM難以生成的獨特關聯；三是數據所有權掌握在開發者手中，可以決定是公開還是作為競爭優勢。
Caulfield承認，未來更強大的LLM可能會讓這種預計算方案過時，但他強調，在當前，仍有大量探索空間去嘗試不同於主流模式的AI應用方式。他寫道：“我們此刻就在這裏，應該按照自己想要的方式生活。未來會到來，但不必因此停止當下的小實驗。”