ChatGPT 爆发的那几个月，有一个明显的趋势：
在 Twitter 上，一些挂着 NFT 头像、名字结尾是 .eth 的老师，纷纷把名字结尾改成 .ai 或者 .gpt（不过头像还没来得及换），分享的内容也从 Web3 转为 AI。
咱搞开发的也差不多——不过要稍微慢一拍，毕竟要写代码的。我关注的独立开发者们，十有八九都开始搞 AI 相关的开发了，其中十有八九都是 ChatGPT 客户端和 AI 数字人。
Pando 团队也类似，于是这段时间里做了这么一些东西：
第一个项目是：i18n-cli
这是一个用 OpenAI 来翻译程序里的文案的小工具。使用简单，对准代码里的 JSON 格式的 i18n locales 文件跑一遍，然后人工看看有没有什么大问题就行。
自从用上了它，我们一个新功能完成以后，同步七个语言的翻译大概不到一分钟。
第二个项目是：tokenizer-go
无论是基于 LLM 做付费服务，还是自己评估使用 LLM 的成本，都需要算好 token 的费用。
调用 LLM 的计费方式是按照 “token” 计费的，简单理解就是文字的计量单位。但是这个计量单位算起来比较麻烦，与字符之间没有固定的兑换关系。OpenAI 官方不提供 golang 语言的 token 计算工具，当时第三方的工具里也没有支持中文的，因此我们自己写了一个。
不过热点技术的发展确实快，没过多久，就有了更好的 golang 实现 tiktoken-go。
第三个项目是：Botastic
在研究 AI 能力的过程中，我发现总有一些事情，属于那种，只要你做 AI 相关的业务，那基本上都要做一遍。那不如就交给一个框架做好。
所以，就有了 Botastic，并且提供了 SaaS 版本的 Botastic API 服务。
后续我们的所有实践都是在 Botastic 上进行的了。
第四个项目是：PAL9000
这是一个客服机器人。客服是最容易想到的 AI 场景之一，独立开发者们也卷得厉害。
当然 PAL9000 要满足我们自己的需求：能把 IM 软件作为交互界面。现在它支持 Mixin Messenger，Telegram 和 Discord。
其他小项目
基本都是 AI 数字人，包括 问问 V 神，问问 Scott Alexander，问问 @Bitrun，问问老猫。
要把 AI 做到什么程度
必须承认两个人类弱点：喜新厌旧和追逐热点。公司也是这样，在公司和团队里，会经常观察到：
- 做任何新技术的原型系统，都让人激动
- 相比制定稳妥的路线图，我们更容易陷入新技术和概念的炒作中
至于结果到底是「抢占了宝贵的时间窗口」还是「吃屎都赶不上热的」还真不好说。
作为公司或者团队的领导者，时间当然是最宝贵的生产资料。既然「 AI 必须做」的方向已经确定了，那么「做到什么程度」这个目标也得明确下来。
下面是我的一些经验：