用 AI 捣鼓一些有意思的东西 / Part 1
哆啦 A 梦道具实现率
56.35%
已实现比例
比预期高很多
4,011
总道具数
从维基百科爬取的完整列表
200.5h
人工搜集预估耗时
通过 AI + 多维表格大幅缩短
00概览
哆啦 A 梦道具实现率
如何通过 AI 减少重复劳动，快速给出我想要的答案？
这个问题有三个难点：道具数量多、很多道具不熟悉、不确定现实世界是否已经实现。假设人工搜集所有道具并标记是否已完成：
4,011
总道具数
×
0.5m
搜索道具
+
2m
了解能力
+
0.5m
判断实现
12,033 分钟 = 200.5 小时
01尝试
让 AI 一步到位的失败
我首先尝试用 ChatGPT 一步到位——搜索所有道具、标注是否已实现，并直接给出最终百分比。
01ChatGPT 搜索 + 标注
让 ChatGPT 同时完成搜集和判断。结果：搜集数量有限，而且会编造假道具。
02仅用 ChatGPT 搜索
退一步，不做标注，只用 Deep Research 和 Agent Mode 搜索并列出所有道具和介绍。效果同样不理想。
02方法
爬虫 + 多维表格批量处理
用几乎一样的 prompt，只增加了一句“写一个爬虫”，ChatGPT 就成功列出了所有的道具。
把 CSV 导入多维表格后，用 DeepSeek 自动帮我判断每个道具在现实生活中是否可以实现。
最终答案：56.35%——比我预期的高很多。
03收获
AI 的能力边界
这个小项目让我对 AI 的能力边界有了更具体的认识。
01LLM 不擅长枯燥重复的工作
确定性高、重复性高的工作通过传统的代码和工作流效果远好于让 LLM 自己硬写，有时它还会像人一样偷懒耍滑。
02LLM 不会主动寻找最优解法
它不会自己判断应该调用什么工具。在我输入最开始的提示词时，它就应该想到用爬虫是更可行的方法，但它没有。需要人为给予指令。
03批量处理用多维表格
多维表格在批量处理结构化内容上有得天独厚的优势，可以并行处理大量简单工作，相当于同时开了几百个 LLM 窗口。