耕耘花園：以不同方式使用AI，打造有趣且實用的應用

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驅動的網站透過使用者輸入查詢，後臺將問題嵌入提示詞並呼叫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，使用者可以直接使用LLM，中間層失去價值。Caulfield稱其為“Catch-22”困境。

Plot.fyi採取的是一種脫胎換骨的方法。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。他建立了約700個自定義標籤，涵蓋情節元素、主題等。這些標籤資料以JSON檔案形式儲存，大小僅1.9MB。整個網站由純HTML和JavaScript構成，無伺服器、無資料庫，完全在使用者瀏覽器中執行。

推薦演算法的核心是標籤交集計算：當使用者查詢“與某電影相似的作品”時，系統計算該電影標籤與資料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》——這種聯絡在網際網路上幾乎不存在。Caulfield指出，標準程式碼配合良好標註的資料，比提示詞更能完整對映空間。

這種方法帶來了三大好處：一是避免了即時AI呼叫的持續成本，即“LLM稅”；二是能夠找到LLM難以生成的獨特關聯；三是資料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：“我們此刻就在這裡，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。”