AI创业内参
AI风向

Agent工坊 | 200分HN热帖：一个周末，他用AI给自己搭了台「睡眠侦探」

AI创业内参

Agent工坊 | 200分HN热帖：一个周末，他用AI给自己搭了台「睡眠侦探」

不是AI解决了他的问题，而是AI把"造一个能解决问题的工具"的成本降到了周末级。


故事：半夜总醒，但不知道为啥

Martin是一个软件工程师。和很多人一样，他经常半夜醒来——但每次醒来时，大脑还没完全"上线"，等意识清醒了，那个吵醒他的声音早没了。


"除非是打雷这种重复事件，或者闪电这种留下线索的，否则你醒了就是醒了，原因永远是个谜。"Martin在博客里写道。


这问题折磨了他好一阵。他差点下单了新床垫和更厚的窗帘——但转念一想：花几千块买的东西，如果不能对症，不就是赌博吗？


于是他做了件只有工程师才会做的事：用一个周末，让AI帮他搭了台"睡眠侦探"。


这篇文章在HackerNews上获得了200分、211条评论，登上了热榜前三。


他搭了个什么东西？

核心思路很简单：在床头和窗外各放一个USB麦克风 → 树莓派持续监听 → 一旦检测到异常噪音就自动保存音频片段 → 和睡眠数据叠加对比。


具体架构：


[USB麦克风 ×2] → [树莓派(噪音检测+音频缓存)]
                        ↓
[Garmin手表(睡眠阶段/心率/HRV)] → [Web App(DAW式时间轴)]
                        ↓
[Home Assistant(门窗/温湿度/CO₂)] → [统一时间轴视图]


关键设计：


  • 两个麦克风：一个室内一个室外，快速判断噪音来源方向
  • 只在睡觉时监听：通过Home Assistant判断"人是否在家、是否在床上、是否在通常睡眠时间"——三重条件缺一不可，隐私零泄露
  • 所有数据留在本地：不经过任何云端，纯局域网内运行
  • DAW式界面：像音乐制作软件一样，睡眠阶段、心率、传感器事件、噪音事件全部展开在同一时间轴上，可以缩放、点击任意标记点听对应的录音
  • PWA + Web Push：早上自动通知"昨晚数据已就绪"

AI帮了多少忙？

这是整篇文章最有价值的部分。Martin非常诚实地列出了AI做了什么、没做什么：


AI做的AI没做的
让整个项目在周末(~8小时)内完成识别具体是什么声音(需要人听)
写了大部分代码区分"关门声"vs"碗碟声"vs"摩托车声"
通过SSH配置树莓派替代人类对"声音意味着什么"的判断
生成频谱图和分析样本—

核心洞察：AI的价值不是替代人类做决策，而是把"造工具"的门槛降到了"一个周末试试也无妨"的水平。


"有意思的变化不是'AI解决了我的问题'，而是'AI降低了造一个能让我自己解决问题的东西的成本'。"


发现了什么？怎么解决的？

经过几周的监听和分析，Martin发现了三个主要噪音源：


1. 邻居的摔门声 低频冲击，通过墙体传导。解决方案：和邻居沟通 + 给卧室门加装硅胶密封条。


2. 碗碟碰撞声 高频尖锐，在公寓楼里传播力惊人。解决方案：宜家的会议室吸音板（意外地好用）。


3. 街上的摩托车/卡车 凌晨垃圾车和飙车党。解决方案：窗户加装橡胶密封条。


总共花费：两个USB麦克风(不到100元) + 宜家吸音板(199元) + 密封材料(50元) = 不到350元。


如果当初直接换了床垫和厚窗帘？少说3000元打底，还不一定对症。


方法论：为什么这个案例值得每个AI创业者学习？

这个案例的价值远不止"一个工程师的周末项目"。它揭示了一套AI时代的造物方法论：


原则1：测量先于修复（Measure Before You Fix）

Martin本可以花几千块换床垫、装厚窗帘——这是人类面对未知问题时的本能反应：用花钱来缓解焦虑。


但真正的工程师思维是：先搞懂问题是什么，再决定花不花钱、花在哪。


在AI时代，这个原则变得更加可行——因为"搞懂问题"的探测成本被AI大幅降低了。


原则2：上下文胜过原始数据（Context > Raw Data）

单纯一个噪音日志没有价值。但"凌晨3:15有一声巨响"+"当时心率从55跳到82"+"REM睡眠阶段被打断"+"同时卧室门打开了"——这个组合画面立刻告诉你：有人半夜上厕所摔了门。


Martin的DAW式时间轴就是为这种"上下文叠加"设计的。


原则3：信号够用就好（Good Enough Signal）

Garmin手表的睡眠阶段检测确实不如医院的多导睡眠图精确。但Martin不需要临床精度——他只需要知道"大概什么时候醒了"，精度够定位到具体的噪音片段就够了。


过度追求数据精度是工程资源的浪费。找到"刚好够用"的信号阈值是更高级的能力。


Agent工坊实战：如何用AI Agent复刻这套方法论？

说了这么多，你可能想问：我不是Martin那样的软件工程师，我能做类似的事吗？


答案是：2026年的AI Agent工具已经让这件事的门槛进一步降低了。 以下是实操指南：


第一步：定义你的"噪音源"

Martin的问题翻译成通用语言是："有一个反复出现的困扰，但我不确定它的来源。"


你的"噪音源"可能是：


  • 客户流失但不知道为什么
  • 内容数据波动但找不到规律
  • 产品某环节卡顿但没有监控

用AI的提问模板： 

我遇到的问题是：[描述困扰]
我已有的数据源：[列出所有传感器/数据点]
我想知道的是：[明确的信息需求]


第二步：用AI Agent搭探测器

如果你用Hermes Agent（我们持续追踪的核心工具），可以这样启动：


# 创建一个专门的数据采集Agent
hermes agent create sleep-detective \
  --goal "持续监听传感器数据，当检测到异常时保存时间戳和上下文快照" \
  --toolsets terminal,file,web \
  --schedule "0 6 * * *"  # 每天早上6点生成摘要


这是Hermes v0.13.0（5月7日发布的Tenacity版本）新增的Kanban多Agent看板能力——你可以把数据采集、分析、报警拆成多个独立Agent，放在同一块看板上协作。


第三步：用AI做"上下文叠加"

Martin手动对比了噪音时间轴和睡眠数据。但AI Agent可以做自动化叠加：


# 伪代码：跨数据源事件关联
events = []
for noise_event in noise_log:
    # 查找同一时间窗口内的传感器事件
    heart_rate = fetch_garmin_data(noise_event.timestamp, window=60)
    door_status = fetch_home_assistant(noise_event.timestamp, window=30)
    sleep_stage = get_sleep_stage(noise_event.timestamp)
    
    events.append({
        "timestamp": noise_event.timestamp,
        "noise_db": noise_event.db_level,
        "heart_rate_change": heart_rate.delta,
        "door_opened": door_status.changed,
        "sleep_stage": sleep_stage
    })

# 交给AI Agent做因果推理
hermes delegate --goal "分析以下夜间事件数据，找出最可能吵醒人的噪音类型和来源"


第四步：低成本验证，而非大价钱猜测

Martin花了350元解决问题，而不是3000元换床垫。这个比例值得记住：


AI时代的造物法则：先用100元测，再用1000元改。不要反着来。


你的"周末探测器"是什么？

Martin的故事给AI创业者最重要的启示不是技术层面的，而是心态层面的：


很多"需要花大钱请人做"或者"需要专业团队花几周"的东西，在今天已经变成了"一个周末+AI+100块钱硬件"的个人项目。


想想你的业务里，有哪些"让人半夜醒来但不知道为什么"的问题：


  • 用户为什么在某个页面流失？
  • 内容为什么有时候爆有时候不爆？
  • 竞品为什么突然涨粉？
  • 某个广告为什么ROI突然下降？

这些问题本质上和Martin的"半夜噪音"一样——需要数据+上下文叠加+低成本验证，而且AI Agent完全能帮你搭出探测器。


一个周末，也许就够了。

工具清单（本文涉及）：


  • Hermes Agent v0.13.0 — Kanban多Agent看板、/goal目标锁定
  • Claude Code — AI辅助编程（Martin实际使用的）
  • Home Assistant — 智能家居传感器中枢
  • Garmin API — 睡眠/心率数据源
  • Raspberry Pi + USB麦克风 — 硬件探测器

参考来源：


  • Martin's Blog: "I let AI build a tool to help me figure out what was waking me up at night" (martin.sh)
  • HN讨论: 200 points, 211 comments (news.ycombinator.com)

本文由AI辅助创作，经人工审核编辑发布