这不是夸张，是简单的乘法：每天 100 个实验 × 365 天。差距不在人数，在学习速度。
核心模式：实验循环
所有增长渠道本质上都是同一个结构——
修改一个变量 → 部署 → 测量一个指标 → 保留或丢弃 → 重复。
冷邮件、广告素材、落地页、招聘帖、YouTube 缩略图、销售话术……全部遵循这个循环。以前靠人手动跑，一个月能做 2-3 次就算不错。现在 AI Agent 可以 24 小时不停地跑。
Karpathy 的 autoresearch 给了启发
Andrej Karpathy 发布了 autoresearch——一个自主运行机器学习实验的 AI Agent。它修改代码、训练模型 5 分钟、检查结果是否提升、保留或丢弃改动、然后重复。你睡一觉醒来，100 个实验已经跑完了。
这个思路很实用：只要有反馈信号和可优化的变量，这个模式就能迁移。
包括营销。
营销版三文件架构
Karpathy 的系统有三个核心文件，映射到营销场景：
baseline.md（基线文件）
你的理想客户画像（ICP）、定位、品牌规则、底线约束。这些不变。
template.json（模板文件）
被优化的资产本身——邮件、广告、落地页、话术脚本。
program.md（指令文件）
营销目标 + 评分规则。
三个文件就位，系统就能自动跑循环。
实战案例：冷邮件外展
一个正在搭建的测试循环，配置如下：
- 15 个发件箱
- 每天发送约 300 封邮件
- Agent 每次只修改一个变量
- 每批发 100 封
- 等待 72 小时收集数据
- 以正面回复率打分
- 保留或丢弃该变量改动
- 重复
测试的变量包括：标题行、开场白、CTA、个性化深度、叙事角度。
当前基线：1% 正面回复率。30 天自主测试后的目标：2%+。
听起来不大。但按每月 9,000 封发送量算，这是 90 个感兴趣回复和 180 个之间的差距。按他们的转化率，这意味着额外 50 万美元以上的销售管线。
而且 Agent 永远不会停止测试。
多循环并行：复合效应
同一个引擎可以跑在所有增长触点上。不同渠道反馈速度不同，但引擎一样：
| 渠道 | 反馈周期 |
|---|---|
| 广告素材 | 几小时 |
| 落地页 | 1-2 天 |
| 冷邮件 | 72 小时 |
| 内容/SEO | 数周 |
案例中同时跑 17 个循环，每月产出 170+ 个实验，一年约 2,000 个。你的竞争对手跑了 30 个。
关键是：每个循环产出的学习会扩散到其他循环。冷邮件里发现「效率提升」这个钩子有效，广告素材马上可以测试同样的角度。整个系统在构建一张知识图谱——什么内容能引起你的目标客户共鸣。
成本对比
跑这些循环的成本大约每月 100-150 美元，包括计算资源、发送基础设施和评分脚本。
一个初级营销人员每月成本 5,000 美元，跑的实验更少。
机器替代的不是营销人员，是缓慢的学习周期。营销人员仍然重要，但学习速度更重要。
真正的护城河：实验历史
Agent 可能会变成大宗商品，大家都能用同样的模型。
真正的护城河是实验数据。一个系统在 17 个渠道上、针对特定客户画像跑了 2,000 个实验，积累出一张专属地图——哪些钩子有效、哪些数字能转化、哪些角度引发共鸣、哪些异议会出现。
换供应商意味着丢掉整个学习历史。护城河是实验图谱本身。
给一人公司的实操建议
你不需要 17 个渠道同时起步。一个人可以这样做：
- 选一个反馈最快的渠道开始。 广告素材或冷邮件是最好的起点——反馈周期短，变量清晰，数据明确。
- 搭三文件架构。 用 markdown 写好你的 baseline（客户画像 + 约束）、template（当前最佳版本）、program（目标 + 评分规则）。这步不需要任何技术，但决定了 Agent 能不能跑起来。
- 从单变量测试开始。 每次只改一个东西。标题行、开场白、CTA——分开测，才能知道是什么在起作用。
- 让实验数据沉淀。 每次实验的结果要结构化记录。30 天后你会有一份别人买不到的资产：你的客户对什么有反应。
- 逐步加渠道。 一个循环跑稳了，把学到的东西迁移到下一个渠道。冷邮件的洞察可以直接用在落地页文案上。
一人公司最稀缺的是时间。这个模式的本质是让 AI 替你积累营销认知——你睡觉的时候，系统在学习。30 天后，你比一个三人营销团队跑了更多实验、积累了更多数据。
不是更努力，是更快地学习。