HotTop - 人人都是产品经理

为了AI，阿里开始砸锅卖铁

Tue, 01 Sep 2026 08:21:50 +0000

阿里出售灵犀互娱，表面是业务调整，实则暴露其对AI算力投入的焦虑。在AI吞金兽面前，大厂纷纷从轻资产转向资本密集型模式，卖游戏、融资、延长折旧，只为换取未来的入场券。本文深度解析这场资本再配置背后的逻辑与风险。赚钱，在这个时代已经不算本事了。能烧钱，烧得起钱，愿意烧钱，才能拿到一张未来的入场券。阿里终于把灵犀互娱卖掉了。不意外，一点都不意外。因为现在，挣钱，已经不是大厂的头号任务了。 01 先讲讲这次卖掉的灵犀互娱，这个名字可能有点陌生，但是如果我说《三国志：战略版》，那就如雷贯耳了。国产SLG游戏三幻神之一，哪怕上线已经7年，活跃度开始下滑，依然能稳稳交出20多亿的流水，大几个亿的盈利。像《如鸢》，也就是《代号鸢》，前两年在出海乙游赛道也是很有存在感，当然，这个主要也是和尺度有关。除此以外，还有《三国志幻想大陆》，表现也还算不错。哪怕跟头部大厂腾网米差了十万八千里，但灵犀在国内，也差不多能挤进TOP10的游戏厂商，一度还从阿里大文娱拆分出来，成为平级的独立事业群。甚至因为它，阿里在大文娱赛道的风评都好了不少，至少不能算行业冥灯了。我很长时间也是这么觉得的。直到2024年。先是灵犀创始人詹钟晖离职，部门降级，交给阿里合伙人樊路远管理。樊路远是阿里大文娱的Boss，相当于游戏业务重新回到了大文娱的体系下。然后是年底，樊路远在内部会上，怒喷灵犀互娱「吃老本」、「搞独立王国」、「没有流淌阿里的血液」、「没有阿里的使命与理想」。可能很多关注游戏行业的朋友们还有点印象，这次事情闹得很大，樊路远被全网狂喷，只好出来道歉。但那个时候我就隐隐有个感受，阿里内部对游戏业务并不认可，这个团队以后会怎么样，不好说。去年8月，灵犀的汇报对象从大文娱的负责人，改成了集团CFO徐宏。 CFO的工作很大一块，就是并购交易。汇报给CFO，很多人觉得这就是半个明牌了，游戏业务就要被摆上货架了。到今天卖掉，只能说草蛇灰线，一切都有迹可循。 02 那么问题来了，为什么要卖，为什么是现在卖，为什么卖这个价格？其实这个事情也是明牌了。就在卖掉灵犀之后的第6天，阿里发了另一份公告。它要配售7.1亿股新股，每股港币112块7毛，相当于一次融资800亿。充满争议的是，这个价格比前一个交易日的收盘价折让8.37%，相当于打92折卖股票，背刺股民的同时，也暴露了阿里对现金的渴求。这笔钱的用途，公告里写得清清楚楚，百分之百投向全栈AI能力，主要是扩建和升级AI基础设施。说人话就是买卡、建数据中心。 AI这东西实在是太烧钱了。 2025年2月，阿里宣布未来三年，至少投入3800亿元建设AI和云计算基础设施，而截至今年二季度末，已经砸了一半进去了。卖掉灵犀换来的巨额资金，还不够它烧一个月的。更加兜不住的是，上个季度，阿里的自由现金流净流出446.70亿元。对于以现金流充裕著称的互联网大厂来说，这个数据烧成负数，也绝对堪称离谱了。既然如此，那还不赶紧看看有啥零碎资产值钱的，拾掇拾掇卖了。恰好灵犀就是这样一个资产，一年三四十亿营收，一半都是利润，简直优质。但看不出未来有什么赶腾超米的潜力，至少目前增长比较停滞。况且规模相比整个集团一年一万亿的营收，都不到1%，卖了它，你在财报上都看不出什么水花。那不如直接卖了换现金流补贴AI。 03 这倒也不只是阿里一家的事情。事实上，不管是国内还是美国，那些原本现金流雄厚，钱趴在账上都不知道怎么花的互联网大厂，这几年因为AI，手头都开始变紧了。腾讯二季度资本开支528亿元，同比暴涨176%，自由现金流转负。要知道，上次腾讯单季度自由现金流为负还是2005年，是QQ空间QQ宠物和QQ音乐上线的年份，已经是赛博史前时代了。谷歌母公司Alphabet二季度资本开支449.24亿美元，也是上市以来罕见的一次负自由现金流的壮举。 Meta好一点，上个季度自由现金流勉强还是正数，但也是四年来最低了。至于马斯克SpaceX的AI分部，还有没上市的OpenAI，也都在加速烧钱。就连微软，在这一轮AI浪潮里，它是属于卖铲人那一头，按理说应该不缺钱。但最新一个季度也烧了410亿美元的资本开支。好玩的是，它也和阿里一样，把刀子对准了旗下的游戏业务，一边裁员，一边准备卖工作室。总之，在AI算力这么个史无前例的吞金兽面前，纵使你是宇宙大厂，也拿不出什么余粮。偏偏AI这一战，又被各大公司视作终局之战，你甚至没有权利说「老子退出不玩了」。咋办？那就只能硬着头皮，砸锅卖铁也得上，举债卖身也得上。况且，在杀红了眼的大厂们看来，现在投资算力，相当于2002年买房，2012年买腾讯，2022年买黄金，924行情之前买上证指数，几乎就是稳赚。还是看阿里的态度。 5月份，阿里CEO吴泳铭说，现在公司的服务器里几乎没有一张卡是空的，基于未来三五年的需求，投AI数据中心的回报非常确定。到了8月份，吴妈把话（牛）说（吹）得更死了，他说AI算力投资回报确定性非常高，按现有AI产品的平均毛利水平，投入约3年内可回本，考虑到AI相关产品毛利率还在提升，未来有望缩短到2.5年甚至2年。要知道，吴妈这话说得算保守的，行业里某些公司说AI算力投资一年回本的，大有人在。 04 那么问题来了，谁给他们的自信？过去业内常识，芯片是很容易贬值的，摩尔定律之下，18到24个月性能翻倍，意味着哪怕是当下最先进的芯片，也会随着更新换代在两年内贬值。很多云计算大厂，给服务器资产的折旧周期就是三年。对大公司来说，砸太多钱买卡，规规矩矩计提折旧，那利润表就不能看了。但现在，随着芯片制程越来越接近物理极限，摩尔定律正在失效，叠加传输、存储、功耗、基建水平等等瓶颈，GPU的算力增速正在放缓，老卡的含金量正在不断提升，寿命也在不断延长。于是，各家云大厂陆陆续续把服务器资产的折旧周期延长了，同样一笔算力投资，能赚钱的时间更久了，带来的就是更强的财务杠杆效应。每年计入成本的折旧越少，账面利润就越高。这个事情不新鲜，前几年各个大厂就已经开始这么做了。但最近，两个新闻，则是把这个事情坐实了。今年8月，AI云服务商CoreWeave签了一份新合同，把英伟达A100的租赁期一直续到2029年。 A100的发布日期是啥时候？2020年5月，前AIGC时代的卡了，最早ChatGPT就是在这款卡上训出来的，生养之恩了属于是。到今年6年，按六年折旧的惯例，已经折旧完毕了。可这份续租合同，直接把A100的服役年限拉到9年。这波属于是一卡传三代，模型走了卡还在。另一件事，是8月10号，黄仁勋发了篇长文，标题叫《英伟达的AI算力正在成为一种可投资的资产类别》。老黄的意思是，以前我们的GPU，是贬值很快的硬件，只有使用价值。现在不一样了，折旧期长了，现在砸钱买英伟达的卡，相当于造一条公路，开一家购物中心，建一座迪士尼乐园，它能给你绵延多年的回报。而你买的这些算力，你还可以打包成金融产品卖给别人。甚至他还宣布联合六家超级大资本，成立专门的AI算力融资平台，目标是撬动超过5000亿美元的第三方资本，将算力资本化，为英伟达的GPU创造更大的销路。这个具体就不展开了，总之，老黄的操作越来越骚了。对阿里来说，算力越来越「长寿」了，投资算力就显得越来越划算了。可问题是，投资算力需要太多钱了。阿里不是英伟达，搞不出CUDA，没法和英伟达一样，动动嘴皮子就改变GPU的估值体系，发篇文章就让芯片从工业品变成资本品。阿里自己的AI芯片，顶多自己用，没有二手买家，没有公开价格，资产化的玩法就没法像英伟达那么骚。咋办呢？那扩张算力的钱，就只能自己掏。卖股票，卖业务，都是为了这笔钱。 05 到这里，大厂卖游戏业务的前因后果就全部理顺了。在AI这个吞金兽面前，凡是有野心的互联网公司，都不得不从轻资产、高自由现金流模式，转向资本密集型模式。它们的现金固然充裕，但未雨绸缪，也要开始在现金、债务、股权和非核心资产之间重新配置资本。而算力资产的经济寿命，现在看来又在不断延长，那么把钱拿去买算力作为AI大战的弹药，无论是从资本估值的视角，还是从业务竞争的视角，还是从财务算账的视角，怎么看都是合情合理的选择。加上AI的未来，现在看来又是如此光明而笃定，那现在唯一要做的就是闭眼冲。只不过，问题在于，AI的未来真的那么笃定吗？ agent真的能收得上钱吗？消费者真的会像给游戏充钱，在淘宝上花钱一样，给AI花上千亿万亿吗？这个问题，轮不到我问，阿里内部一定反复思考过，也一定思考过AI浪潮万一是泡沫，所有的投入打水漂之后的代价。但他们还是义无反顾地投入了，正如市面上所有的大厂小厂，所有的AI创业者投资人，所有的软硬件供应商。因为时代的叙事就在这里，你不投入，现在就被淘汰。你 All in 了，那最坏也是好几年后才变成牺牲品。这恰恰是这个AI时代最疯狂的地方。赚钱，在这个时代已经不算本事了。能烧钱，烧得起钱，愿意烧钱，才能拿到一张未来的入场券。本文由人人都是产品经理作者【IC实验室】，微信公众号：【IC实验室】，原创/授权发布于人人都是产品经理，未经许可，禁止转载。题图来自作者提供收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

Palm+WebOS：49天毁掉12亿美元，移动操作系统史上最悲壮的失败

Tue, 01 Sep 2026 08:01:42 +0000

惠普以 12 亿美元收购 Palm 拿下 WebOS，卡片式多任务比 iOS 早四年，却在 49 天内停产全部设备。技术领先敌不过管理错位，一场本可改变格局的系统被内部消耗殆尽。今天聊Palm和WebOS。你可能没听过这个名字。但在2009年到2010年，它是移动操作系统领域最被看好的“第三极”。科技媒体把它和iOS、Android并称为“移动操作系统的三驾马车”。它的卡片式多任务设计，比iOS早了4年，比Android早了5年。它的手势操作、无线充电、云同步——几乎每一个功能都在定义“下一代智能手机”的标准。 2010年4月，惠普以12亿美元收购了Palm，拿下了WebOS。当时整个科技界都在期待一场好戏：惠普的硬件能力加上WebOS的软件实力，能不能挑战苹果和谷歌？ 49天。从惠普发布第一款WebOS平板TouchPad，到宣布全面停产所有WebOS设备，只过了49天。12亿美元，在49天内灰飞烟灭。这不是一个“技术不行”的故事。这是一个“技术很行，但管理不行”的故事。一个足以改变移动操作系统格局的天才系统，如何被一家不懂技术的公司、一个不懂产品的CEO、一群不懂市场的管理者联合杀死。这是移动操作系统史上最悲壮的失败。一、Palm：智能手机的真正鼻祖在聊WebOS之前，我们需要先了解Palm。 Palm成立于1992年，由杰夫·霍金斯（Jeff Hawkins）创立。霍金斯是一个真正意义上的“产品天才”。他发明了PalmPilot——世界上第一款成功的掌上电脑。1996年，PalmPilot 1000问世，标志着Palm时代的正式开始。在那个连“智能手机”这个词都还没出现的年代，Palm已经让人们把电脑装进了口袋。 Palm后来推出了Treo系列智能手机——全键盘、触摸屏、可以装第三方应用。它是黑莓之前商务人士的首选，是iPhone之前真正意义上的“智能手机”。但Palm也有自己的问题。它的操作系统Palm OS是老旧的单任务系统——只能运行一个应用，切出去就关了。当iPhone在2007年用多点触控和App Store重新定义了智能手机时，Palm发现自己落后了整整一个时代。 Palm需要一次彻底的革命。它需要一个全新的操作系统。2009年1月，Palm在CES上发布了WebOS和第一款搭载它的手机——Palm Pre。二、WebOS：领先时代的设计 WebOS的发布，在科技界引发了一场地震。它的核心交互逻辑是“卡片式多任务”。所有的应用都以卡片的形式排列在屏幕上，用户可以上下滑动浏览所有正在运行的应用，向上滑动卡片关闭它。你不需要像iOS那样双击Home键才能看到后台，所有任务都在眼前。今天你用iPhone双击底部横条看到的那一排卡片，就是WebOS在2009年就做出来的东西。iOS在2013年的iOS 7才引入了卡片式多任务，Android在2014年的5.0版本才跟进。WebOS领先了整整4到5年。 WebOS还有几个超前设计。它是基于Web技术构建的——所有应用都是用HTML、CSS和JavaScript写的。这意味着一件事：任何人只要会做网页，就能开发WebOS应用。这在当时是颠覆性的想法。它做到了真正的“云同步”——所有数据都在云端，换手机不需要备份恢复。它支持无线充电——2019年iPhone才有的功能，2009年的Palm Pre已经有了。它还有“Just Type”功能，不用打开任何App，直接打字就能搜索或发布内容。 Palm Pre在CES 2009上亮相后，“立刻掀起一场媒体风暴”。科技媒体称它是“iPhone唯一的真正对手”。评论家说它的触摸屏“非常接近完美”。WebOS被公认为“拥有真多任务、优雅的UI设计和高度模块化的架构，具备成为下一代移动平台的潜力”。但Palm Pre也有致命的缺陷。硬件质量堪忧，做工粗糙，滑盖松松垮垮。电池续航极差，一天都撑不下来。应用商店空空如也，开发者对WebOS兴趣不大。更糟糕的是，Palm的供应链管理混乱，产品上市速度极慢。等到Palm Pre真正铺货时，iPhone 3GS已经上市了。 Palm在挣扎。它有最好的操作系统，但没有资源把它推向大众。它需要一个大金主。三、12亿美元的豪赌 2010年4月，惠普宣布以12亿美元收购Palm。消息一出，科技界沸腾了。惠普是全球最大的PC厂商，有供应链、有渠道、有品牌、有资金。Palm有WebOS——被公认为最优雅的移动操作系统。两者的结合，被看作是对苹果和谷歌的正面挑战。惠普收购Palm的目的很明确：不再依赖微软的Windows操作系统。惠普希望拥有自己的移动平台，就像苹果拥有iOS一样。收购完成后，惠普获得了WebOS的所有权。它计划把WebOS装进手机、平板、甚至打印机里。 2011年2月，惠普终于推出了第一款WebOS产品——Pre3手机、Veer手机和TouchPad平板电脑。TouchPad是惠普对iPad的回应，9.7英寸屏幕，运行WebOS 3.0，被寄予厚望。然后，什么都没有发生。 TouchPad的定价和iPad一样高，但应用数量不到iOS的零头。Pre3和Veer的硬件设计平庸，缺乏Palm时代的创新感。惠普几乎没给WebOS做任何广告宣传——“惠普花了高价买回WebOS，但对于WebOS的广告宣传却一直是0”。惠普内部对WebOS的定位也举棋不定。团队缺乏关键的技术人才。管理层的决策速度慢得令人发指。Palm前高管后来抱怨：“他们空有一身的抱负与突破性的设计，但是惠普没有给WebOS团队任何机会去执行，也没有选择一个好的领导人去带领WebOS的发展”。 WebOS从一个被寄予厚望的“破局之作”，变成了惠普内部的一个累赘。四、49天的死亡倒计时 2011年8月18日，惠普发布了一份震惊整个科技行业的公告。距离TouchPad发布仅仅过去了49天，惠普宣布停止所有WebOS设备的开发与销售。TouchPad、Pre3、Veer——全部停产。WebOS被判处死刑。当时掌舵惠普的CEO是李艾科（Leo Apotheker），他“没有技术背景，大学主修经济学，也缺乏系统的管理培训”。在他的决策下，这项被视为“破局之作”的技术被仓促放弃，“甚至未能争取到优化迭代和重新定价的机会”。连惠普自己的前CTO后来都承认，49天就杀死WebOS是一个巨大的错误。真正压垮骆驼的，不是WebOS的技术不行，而是管理层的短视和无能。宣布放弃WebOS之后，惠普做了一件更荒唐的事：把TouchPad以99美元的价格清仓甩卖。结果TouchPad被瞬间抢空——不是因为用户想要WebOS，而是因为99美元买一个9.7英寸的平板当“电子相框”太划算了。惠普甚至不得不重新生产一批TouchPad来满足“清仓需求”。一个12亿美元收购的操作系统，最后的价值是“99美元的电子相框”。 2012年，惠普将WebOS开源，试图让开发者社区拯救它。但为时已晚。开发者已经全部涌向了iOS和Android。2013年，惠普将WebOS卖给了LG。LG用它做了几年智能电视的操作系统。Palm的品牌则在2015年被TCL买下。 WebOS的故事，彻底结束了。五、WebOS教会了我们什么？ WebOS的故事，是一个关于“技术领先”如何被“管理落后”杀死的故事。第一，技术领先不等于商业成功。 WebOS在2009年就做出了卡片式多任务，比iOS早了4年，比Android早了5年。它的手势操作、无线充电、云同步，每一个都领先于时代。但领先的技术如果没有足够的产品化能力、市场推广能力和生态建设能力，就等于没有。第二，生态系统比操作系统更重要。 WebOS拥有最好的技术，但它没有应用。开发者不愿为一个用户量小的平台开发应用；用户不愿买一个没有应用的平台。这是一个死亡螺旋。而iOS和Android用庞大的用户量和开发者生态，构建了一个WebOS永远无法逾越的壁垒。一个操作系统真正的价值，不在于它有多优雅，而在于有多少人为它写代码。第三，管理层的短视可以杀死一切。惠普花了12亿美元买下WebOS，却不愿意花几千万美元给它打广告。它给了WebOS不到16个月的时间，然后在一个新产品上市仅49天后就宣布放弃。李艾科没有技术背景，不理解WebOS的价值，也不愿意给它时间。当一家公司的CEO对产品没有信仰时，再好的产品也会被抛弃。第四，大公司收购小公司，往往是一场灾难。大公司有资源，但大公司也有官僚主义、有短期业绩压力、有不同的文化。Palm在被收购前是一个充满创新精神的小团队。收购后，它被纳入惠普庞大的官僚体系，失去了原有的敏捷和创造力。“收购并没有使Palm在资源和资金上扩张太多，因此无法期待这一季的新产品会比以前有多大的飞跃”。12亿美元买来的不是一个“加强版Palm”，而是一个被稀释、被忽视、被放弃的Palm。 WebOS的设计理念对后来的移动操作系统产生了深远影响。“卡片式多任务、手势切换、流畅动画，很多都源自一个早已消失的操作系统”。iOS 7的卡片式多任务、Android的卡片式应用切换、HarmonyOS的卡片设计——“一直被抄袭从未被超越”。今天你用iPhone双击底部横条看到的那一排卡片，就是WebOS留给这个世界最后的遗产。一个领先了时代4年的操作系统，被一个不懂技术的CEO在49天内判了死刑。WebOS不是被竞争对手打败的，是被自己人杀死的。如果惠普多给WebOS两年时间，如果换一个懂技术的CEO，如果定价策略不同，如果广告投入多一点……移动操作系统的格局会不会不一样？我们永远不会知道了。本文由人人都是产品经理作者【李明Bright】，微信公众号：【李明Bright】，原创/授权发布于人人都是产品经理，未经许可，禁止转载。题图来自Unsplash，基于 CC0 协议。收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

看完卡神文章后，想跟你分享关于AI时代个人持续进步的5个思考

Tue, 01 Sep 2026 07:03:25 +0000

用了三年多 AI，从对话、画图到搭 Agent、写工作流，作者越跑越确信：个人差距不在谁的工具多，而在谁能建立可持续的成长系统。直面恐惧、动手闭环，比收藏十篇教程都值。上周，看了卡神的一篇文章，讲的是他们创业两年半后，关于AI组织的7点心得。读完后，我最受触动的，不只是他对AI、业务和商业本质的洞察，还有他对“人”和“组织”的期待。在一个总在谈效率、模型和商业化的时代，这种真诚和善意反而显得稀缺。回头想想，我们开始用AI也有三年多了，从chatgpt时代开始，开始和大模型对话；再到AIGC的火爆，开始频繁画图、做视频、做音乐；再到Agent的出现，用coze搭各种各样的工作流；再到小龙虾的出现，开始搭建自己的助手，去完成很多自动化的任务，沉淀skill；到现在的workbuddy和codex，真正拥有了自己的办公助手…… 上一届卡塔尔世界杯梅西捧杯的场景仿佛还在昨天，转眼间，美加墨世界杯已经由西班牙捧起了新的奖杯。AI产品的更迭速度，甚至比四年一届的世界杯更能提醒人：时间真的过得很快。这三年多，AI发展的实在是太快了，快到小红书上的热评总是“ 只要你够懒，学得够慢，你就不用学了，更先进方便好用的东西就来了 ”。话是这么说的，但是焦虑一分没有减，尤其是在深圳工作和生活的日子里，你会看到地铁站里的广告，很明显的AIGC产物，设计师的生存空间越来越拥挤；你会听到咖啡店、奶茶店里，很多人聊的是AI怎么落地、商业化，仿佛已经是下一个时代了；你会在打开招聘软件后看到，大部分的岗位都是AI相关，而你还在做传统行业的传统工作……很难不怀疑：我是不是已经慢了？ AI带来的焦虑真的越来越多，所以你只能持续的奔跑，不停的学习、前进、追赶，生怕被时代抛下。但跑了几年以后，我越来越确定，AI时代的个人差距，不只取决于谁会用更多工具，而在于谁能建立一套可持续的成长系统。在这焦虑奔跑的几年里，一边学AI、一边做AI产品落地，在很多个深夜里，逐渐想清楚了5件事，也想跟大家一起分享下。一、先直面AI：别把“不会”误认成“做不到” 我一开始看到大家说AI可以聊天的时候，觉得还挺好玩的，然后就注册账号，跟GPT对话。后来开始用AI作图的时候，我就注册了midjourney账号，那时候还得通过discord跟AI对话，让他出图。再后来用扣子做Agent的时候，是真的有点懵了，智能体咋做，工作流咋做，要去调很多插件，还要写一点代码，这都咋搞啊？再到后来用上小龙虾和codex，要让AI帮我写PPT，怎么写出符合我要求的PPT，真的毫无头绪。但上面这些问题，后来都一个一个被解决了。 AI能做到的事情越来越多，但使用他的难度其实也在增大，很多时候真的不知道应该怎么做。今年开始尝试做部门具体的AI产品落地，一开始也是毫无头绪，不知道应该从哪里做起，因为真的完全没有做过AI相关的产品。那种恐惧变得更具体：不知道从哪个场景切入，不知道怎么拆流程，也不知道产品做到什么程度才能上线。准确地说，我恐惧的并不是AI，而是困难和不确定性。觉得使用AI工具很困难，不知道从哪里做起，不知道每一步该干嘛，然后就想放弃。后来慢慢一点一点，一个一个项目还是啃了下来，都做出了最终的成品。慢慢的做得多了之后，就没有那么害怕了，因为AI做产品也有相对标准的方法论，怎么去定义场景和边界，怎么设计prompt和知识库，怎么规划系统流程、设计兜底方案，怎么建立评测调优的机制，怎么接入业务系统，怎么分阶段上线和验证指标…… 万事开头难，真的开始一点点做起来后，心情就会慢慢放松下来。绝大多数时候，不知道该怎么用AI，不知道怎么推进，看不懂某个问题的时候，都是继续问题AI，让AI给出回答和解法，然后继续往下推进。你需要有直面AI的勇气，不要害怕他，大不了就是多花点token费用。最终如果没做出什么，也没有什么损失。但是每次尝试，真的都会带来收获，有可能只前进了一点点，但那也是做出来一点点新的东西。有了勇气后，一定要多做。不要只看别人演示一个多么厉害的Skill，或者收藏一篇“AI神器大全”。亲手安装一次，用它完成一个真实任务，在失败中调整一次。才能做得体会他能做到什么，慢慢就学会用它来完善自己的工作流。这一次闭环，比看十篇教程都更有价值。 AI时代最害怕的，不是对未知的恐惧，而是AI和你之间还有隔阂，你还需要通过其他人、其他工具去了解AI，而不是直接去跟他对话。不管你做的是什么内容，去面对他，去跟他沟通交流，去动手，去跟他一起创造出成果，这些才是最有意义的。虽然我是产品经理，但是我觉得AI时代，很多用户就可以成为产品经理，给AI提需求，提问题，让他解决，你负责验收成果，现在才是“人人都是产品经理”的时代。如果你还只是把自己当用户，没有直面AI的勇气和执行力，那会是最大的遗憾。打破心魔，是一切的开始。二、别为了学AI而学AI：工具会过期，问题不会我从23年初加入了一个AI学习社群，每年都会组织很多AI产品工具的实战营，会员可以交押金参与，完成全部的任务和作业后，就可以退押金，近似于免费参与。因为AI工具一个接一个，所以社群的实战营也常常有，平均每个月都会有新的项目。看着新的东西层出不穷，大家学习热情高涨，常常焦虑到觉得自己不学就落后了。所以后来报了好几个实战营，学扣子的，学RPA+AI内容创作的，学AI视频工作流的，学AI电商工作流的，学codex的，学workbuddy的，再到最近还学了一个GEO的…… 很多时候，就是觉得自己能多学一些是一些，技多不压身。但是参加过两个后，到第三个的时候，我就开始深刻的感觉到：为了学工具而学工具是没有意义的。你得带着你的问题，去学工具，用工具完成你的课题。在这个过程中，你才会去思考，要完成具体的业务问题，应该怎么拆解流程，最终可以在哪个流程使用工具获得关键性的突破，可能是做到以前做不到的事情，也可能是效率翻十倍、百倍。其实很多的AI课程，要么是讲逻辑、要么是讲工具使用方法，并且附带一些案例，但是最重要的，其实是你自己的案例。你完成了别人的案例后，你是不会有很深刻的印象的，就好像RPA+AI内容创作，坦白说我已经忘了RPA具体什么用的了，因为我平时压根没用。但是workbuddy学的内容，我都还记得很清楚，包括自己的知识库怎么搭建起来，让他自动蒸馏，成为一个自我迭代的知识库。所以，一定不要为了学AI而学AI。产品经理做事，不会因为市场上出了一个新功能，就立即塞进自己的产品。我们会先问：它解决了谁的什么问题？相比现在的方式，它究竟好在哪里？学AI也应该如此。现在，我会在开始一次AI学习前，先问自己3个问题：我要解决的具体问题是什么？它最好是当前真实发生的业务问题。这个工具会被用在哪一段流程？是补上原来做不到的能力，还是把效率提升一个量级？学完后我会交付什么？是一个可用的工作流、一份报告，还是一个能持续运行的小产品？如果这三个问题都答不出来，那么这次学习大概只是在缓解焦虑，而不是在建立能力。工具的半衰期越来越短，但定义问题、拆解任务、评估结果的能力，会穿越工具周期。带着问题去进行每次的学习，如果你有一个企业，最近想探索怎么获取更多自然精准流量，那你就去学GEO。但是你不要在没有企业、不知道SEO是什么的情况下，就跑去学GEO，这样没有意义。带着问题学，学到的才会变成你的能力；为了不落后而学，学到的往往只是下一次焦虑的素材。三、重视每一KB的数据，但更要重视数据的质量用AI有个非常非常常见的场景，就是做一个个人助手，不管是为了像客服一样代替你回答问题，还是帮助你写周报、整理日程、输出产品方案。如果个人助手可以做出来，是真的可以帮你解决很多日常问题，就好像贾维斯和钢铁侠一样。当你开始做的时候，你一定会意识到一个问题，怎么让他理解你、学习你、成为你。这个过程的关键就是知识库。知识库的核心资产，就是数据。对一个产品经理来说，值得沉淀的远不只是产品文档。还包括每次需求背后的判断，上线后的数据变化，用户的反馈，和同事、领导的沟通结论，失败方案的原因，以及复盘时才被说清楚的隐性经验。这些往往比“最终版PRD”更能决定AI输出的上限。一定会有某个瞬间，你深刻的感受到，原来这个世界就是由数据组成的！这个世界也确实是由数据组成的。 AI能变得如此强大，也是因为他学习了整个互联网的公开信息、各种各种的图书、视频等等。如果你想做很多AI产品，没有数据一定是寸步难行。甚至你可以看到，现在很多平台，靠提供API服务调用查询数据就赚的盆满钵满，一个用户一年费用达到数千上万。当模型能力逐渐趋同，真正拉开差距的，往往是谁拥有更高质量的上下文、更真实的反馈和更可复用的经验。谁掌握了核心的有效数据，谁就掌握了话语权。所以，从现在开始，要重视每一KB的数据，这是什么概念，就是你和别人在微信说过的话，都是非常非常非常重要的数据。不要怀疑这句话，这个数据决定了你能训练出一个表达风格、语气、口吻、态度很像你的助手，这是最独一无二的数据。但“重视每一KB”并不等于把所有东西都囤起来。没有语境、无法检索、已经过期的内容，只会把知识库变成数字杂物间。真正有价值的数据，至少需要具备4个特征：真实：它来自你的实际工作和真实反馈，而不是网上再复制一份通用答案。有上下文：不只记录结论，还记录问题、假设、限制和选择理由。可复用：它有明确的分类、标签、时间和版本，下一次遇到类似问题能被找到。可控：敏感信息有权限，个人隐私有边界，错误和过期内容可以删除或更新。这也是我对“个人知识库”理解的变化：它不是一个文件夹，而是一套持续运转的机制——把重要信息记录下来，将经验整理成可检索的结构，再通过使用和反馈不断更新。所以，从现在开始，可以建立自己的知识库。不必一开始就追求宏大，先从一个你经常重复遇到的问题开始：记录一次决策，整理一次复盘，保存一份真正好用的模板。长期之后，这些才会变成你独有的数字资产。从现在开始。四、有了AI，更要问自己：没有AI，我还行不行？我曾经有一个瞬间，会有一种突然的恐慌感。好像现在什么事情，都会借助AI的力量，任何不知道、不懂的事情，都是靠AI解答。复杂一点的问题，要找AI梳理和分析。实在干不了的事情，让AI想办法干。你有没有想过，哪天没有电了、没有网了、没有AI了，你还能不能继续工作和生活。对于我们来说，也许还稍微好一点点，因为我们经历过没有AI的时代，早年间的工作，我们也都是手搓作业。像以前要做一份竞品分析，自己去想思路、定框架，然后找资料，阅读、分析、总结，自己体验竞品，思考，记录，最后汇总、对比，想出新的设计方案。这个过程很慢，也常常犯错，但正是在这些笨功夫里，人开始建立对行业的感觉。但是，如果是在今年毕业开始工作的年轻人，他们还会经历这个过程吗？首先，企业是否还有足够的耐心，给足够的时间，让年轻人从最基础的工作一点一点做起，慢慢的打磨。其次，年轻人是否还有足够的耐心，沉下心来，慢慢的思考，推敲，一步步实操，得到自己想要的答案。我们不是说在有AI的时代，还要年轻人去手搓，放弃高效的方式而回归原始，就好像有了电脑和打印机后，还非得去手写字一样。但是，高效不等于放弃思考，有多少年轻人在这个过程中，把大脑外包给了AI，遇到难题就直接求助，AI给出答案后，看一眼，然后就这么开始去干。他们真的明白，为什么要这么干吗？对于没有过前置行业和业务经验的年轻人来说，有了AI，是让工作更加高效了，但也让他们失去了很多犯错的机会。每个问题的解决方案，其实都是前人踩了无数坑后，总结下来的。是因为尝试了方案1，遇到了问题A；改为了方案2，又遇到了问题B；最终才选择了方案3。但对于他们来说，通过AI得到的，就是方案3。他们不会知道方案1和方案2为什么不行，到底遇到了什么问题，方案3为什么行，是因为解决了什么问题。而这些看似低效的弯路，正是业务经验的来源。经验不只是知道“怎么做”，而是知道“为什么这样做”、“在什么条件下不能这样做”。这是真正宝贵的经验，也是时间的价值。这也是为什么我现在写文章，还是坚持手搓，而不是用AI直接生成。因为写作不只是把文字排列好，更是一次对思考的压力测试：当你试图把一个想法讲给别人听，模糊的地方会暴露，逻辑的断点会出现，你也会被迫继续往下想。AI可以帮我梳理、追问和润色，但不能替我经历这个过程。如果这些都外包给了AI，你就只是个点鼠标的机器人了。因此，我觉得在使用AI时，至少有4样东西不能外包：问题定义权：先想清楚真正要解决的是什么，不要让AI用一个看似完整的答案替代你定义问题。假设检查权：知道答案建立在什么前提上，哪些信息可能不完整或已经过期。取舍决策权：在成本、体验、风险和速度之间做选择，并说得清选择的理由。最终责任：AI可以提供建议，但对结果负责的人仍然是你。只有当你仍然拥有独立思考和对结果负责的能力，AI才是杠杆，而不是拐杖。五、不要忘了生活的美好：效率不是目标，它只是手段最后，我想说，卡神对于AI世界的愿景，我还是很感动的。 AI带来了更高的效率，不是说让我们每个人去干更多的工作。而是为了把一个普通人的时间，还给他自己一点。他可以多学一个东西，可以把工作做得更好，也可以早点回家，认真吃顿饭。作为产品经理，我们习惯先定义目标，再设计指标。但在自己的生活里，我们很容易把“效率”当成最终指标。今天做完5件事，明天就要做完10件；AI节省了两小时，就再塞进两小时的工作。结果是产出更多了，人却没有更轻松。说实话，这几年，我也很迷茫，我也很焦虑。可能这是人到三十岁前，总会经历的阶段。我们很想快速的奔跑、成长，但是工作或者生活总会有各种各样的曲折。我上次去剪头发，跟发型师聊天，他说他很喜欢成都，觉得深圳真的太累了。晚上下班想跟朋友喝个酒吃个烧烤，还要担心明天睡过头、起不来。好不容易休一天假，又觉得不去干点什么好像浪费了一天时间。这座城市真的太卷了。很长一段时间里，你会为了往前奔跑，而把全部的专注和精力，都留给了学习和工作。每天想着，用AI去做出这个、做成那个。当你回到生活中时，只想躺在床上刷手机，觉得这样最放松。你确实留了一些时间给了生活，但没有留下任何的专注力和精力。真正的生活，也许是你跟家人一起做顿饭，跟朋友一起吃饭聊天逛街，出去逛逛公园打卡拍照，出去买东西看场电影，出去尝试新的陶艺或者木工活动，出去养老院做一次志愿服务。甚至，就是出去买一次菜，跟菜市场的大爷大妈聊聊天，看看最近的菜价肉价是怎么变化的。所以，在谈“AI提效”之前，也许要先定义一个更高层的目标：我们想用节省下来的时间做什么？是把一件重要的事做得更好，是学一项真正喜欢的能力，还是早点回家，好好吃顿饭？ AI本身是好的。但效率之后，必须还有生活。我们先对生活有期待，才会想要活得更好；而这，才是AI最终应该服务的东西。写在最后：把5个思考，连成一个成长飞轮回头看，这5个思考并不是5条分散的建议，而是一个彼此咬合的系统：直面AI，你才会开始行动；带着问题行动，学习才会变成成果；把成果和复盘沉淀下来，经验才会变成可复用的资产；保留独立判断，你才能知道这些资产什么时候有用，什么时候会误导你；而当你想清楚自己要怎样生活，效率和进步才有明确的方向。 AI时代的持续进步，不是无限追逐新工具，也不是把所有时间都变成产出。它更像是一种能力：在变化面前不逃避，在热潮里不盲从，在高效中不放弃思考，在奔跑时不忘记为什么出发。最后，我想把一个问题留给你，也留给我自己： AI已经帮你节省了哪些时间？而你，准备把这些时间还给什么？本文由人人都是产品经理作者【产品小球】，微信公众号：【产品小球】，原创/授权发布于人人都是产品经理，未经许可，禁止转载。题图来自Unsplash，基于 CC0 协议。收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

美容SaaS会员升降级：从客诉65%降到设计一套不"坑用户"的权益处理体系

Tue, 01 Sep 2026 06:57:39 +0000

会员升降级是产品经理的噩梦，升级易，降级难。本文作者基于美容SaaS实战经验，提出“升级不粗暴作废，降级不回收已得”的核心原则，并详解差价折算、缓冲期设计、退款逻辑及RFM分层方法，助你避开客诉雷区，提升会员体系体验。做过会员体系的产品同学应该都有个体感：升级大家都很开心，降级全是地雷。我之前负责美容SaaS的会员升降级模块，业务同时存在两套模式——成长值自动升降级和付费主动升级。老版本的权益处理规则非常粗暴：付费升级直接作废旧会员剩余周期，降级回收用户已经领到手的券和次数，退款逻辑也是简单一刀切。结果就是门店客诉居高不下，付费会员退款纠纷多，不同客单价门店的付费升级转化差异也很大。这篇文章把我踩过的坑、最终的设计方案、以及背后的数据分层方法完整写出来，希望给正在做会员体系的产品同学一个可落地的参考。一、先说结论上线后数据：升降级相关客诉下降 65.7% 会员付费退款纠纷下降 61.3% 核心设计原则只有两条：升级不粗暴作废用户已购周期，用差价折算抵扣降级绝不回收用户已经到手的东西，只变更未来权益和实时身份二、升级：两种场景完全不同场景A：用户主动付费升级典型场景：用户银卡还剩45天，直接花钱升金卡。这里最大的坑是：旧会员剩余周期怎么处理？市面上有三种方案：方案1：直接覆盖——升级生效，旧周期作废最简单，也最容易挨骂。用户”我还有45天没用完直接没了”，投诉率极高。只适合差价很低、短期体验活动，正式付费会员场景千万别用。方案2：差价折算补费（行业主流）计算旧会员剩余价值，抵扣新等级会员费用，用户只补差额。升级后统一变为新等级完整周期，旧会员结束。具体算一笔账：银卡剩45天，折算价值30元；金卡年卡199元，用户补169元，直接开完整金卡年。对于还没发放的月度权益（券包、服务次数），不再按旧等级下发，后续统一按新等级执行。但已经发到用户账户里的券和次数，全部保留，按原有有效期正常使用。这个方案是折中的，既不浪费用户已购价值，又不让系统去维护两套会员时序。小TIPS：折旧方案—直线折旧（最常用，推荐）每日价值 = 会员原价 ÷ 会员总天数剩余价值 = 每日价值 × 剩余天数举例：用户小美升级前是洗脸会员银卡，原价价值243元/年。后面想要付费升级到金卡，小美今年已消费320天，剩余45天，那么用单日折算价值*剩余天数计算结论为243元/365*45天，差不多是30元的剩余价值。这个时候可以补充169元的差价即可。方案3：时长拼接——高级到期再接低级剩余时长先跑高级会员时间，高级到期后继续跑旧等级剩下的天数。听起来用户占便宜，但实际上同一用户存在两套会员时序，权益下发逻辑、报表统计、到期提醒全得做双份，研发和维护成本极高。而且用户自己都搞不清”我现在到底是金卡还是银卡”，客服解释成本也高。只适合免费赠送升级，不适合付费场景。我们选了方案2。核心逻辑就一句话：已发放的保留，未发放的按新规则，旧周期折算不浪费。场景B：成长值自动升级消费攒成长值，达到门槛后系统自动升级。比如银卡用户消费累计达到金卡门槛，系统自动升等。这个场景最简单，因为不涉及钱：身份权限实时切换：下单折扣、专属入口立刻变成高等级当月已发放的旧等级券包保留不变下一个权益发放周期，直接下发新等级对应权益不涉及付费，不需要折算退费，体验最顺滑。三、降级：客诉重灾区，设计必须”守底线” 触发方式：滚动周期成长值不达标，系统自动降级。比如金卡到期评估，近3个月消费不够，降回银卡。核心原则：已到手的不收，只改未来的这是一条绝对底线，降级绝不回收已经发放到用户手里的券和次数，只变更两样东西：实时身份权限（立刻生效）下单折扣、专属客服、专属活动入口，降级瞬间切换到低等级规则。用户此时下单就是银卡折扣，不能再享受金卡特权。周期类权益（下期变更）已经发到用户账户的券和次数：全部保留，正常使用，到期自动失效，不收回。下一个发放周期，只发放降级后低等级的权益包。 15天保级缓冲期：花小钱省大客诉强烈建议加上。我们设计了两种方式二选一：方式1：7-15天保护缓冲期触发降级条件后，不立刻降。给用户一个缓冲窗口，缓冲期内仍享受原等级全部权益。页面明确提示”如X月X日前成长值不足，将会降为XX等级”。方式2：降级挽留弹窗降级触发时，提示”再完成XX元消费即可保级”，直接引导用户去消费保级。实际数据里，高客单门店缓冲期保级率最高达到45.7%——将近一半的”要降级”用户在缓冲期内完成了保级消费，这个投入产出比非常高。边界：降了又升回来怎么办？已消耗的权益不回溯补偿。重新升级成功后，下一周期恢复高等级权益。简单清晰，不做复杂的历史回溯。四、套餐卡和会员等级的冲突：隔离是唯一答案美容门店有个高频场景：用户同时持有套餐次卡和会员等级。比如买了10次洗脸套餐，同时又是金卡会员。核心规则：套餐卡独立于会员等级，不受升降级影响。套餐卡本身的次数和余额，升降级都不会动它。关键是要提前定死优惠叠加规则：互斥：套餐卡折扣和会员折扣二选一，下单页面明确提示，不做叠加。这对中小门店最安全，防止优惠击穿成本。叠加：如果业务坚持要叠加，必须提前算好最大优惠上限。但这增加了收银端复杂度，中小美容门店一般hold不住。我们选了互斥。简单、可解释、不亏钱。五、付费升级退款：最容易出事的地方这是整个模块里最敏感的场景，也是之前客诉最多的来源。场景：用户补差价80元付费升级金卡，用了金卡8.5折做了个项目，还用掉一张金卡赠送的20元护理券，几天后申请退款。退款逻辑：会员回退到升级前的银卡还没核销的高级会员赠送权益（券、次数）：直接回收作废已经消耗掉的高级权益折算价值：金卡折扣优惠了35元 + 已用金卡券20元 = 55元最终退款 = 实付升级差价80元 – 已享用高级权益55元 = 退25元原路退回这里有个绝对红线：退款完成后，不能再去扣用户储值余额。所有权益损耗全部约束在本次升级订单退款环节做减法，不去动用户钱包。这一点对美容门店/中小SaaS尤其重要——预付费场景事后扣余额，极易引发客诉，还有合规风险。前端必须展示明细：”本次升级实付80元；已享用金卡折扣35元、金卡券20元；抵扣后可退25元”。让用户看得懂，客服解释成本就低。六、数据基础：怎么识别谁是高价值客户？以上所有升降级设计的前提，是你得知道哪些客户值得保、哪些客户可以放。这就涉及到客户分层，我们用的是RFM模型。但RFM不是简单地把R/F/M三个数加一下就行，打分方法选错了，分层结果会严重失真。等频分箱法（Quintile）：让数据自己说话 RFM模型的标准打分方式是等频分箱（Equal-Frequency Binning），也叫分位数分箱。核心思路：把全部样本按某个字段排序，切成N个箱子，每个箱子的样本数量尽量相等。 RFM里一般切5箱，得分1-5分。具体操作：取全量用户数据，每个用户一行：用户ID、R（最近下单间隔天数）、F（下单频次）、M（累计消费金额）分别对R、F、M三个字段独立排序，计算分位数：0%、20%、40%、60%、80%、100% 每个分位区间对应一个得分 R维度（天数越小越好，所以最小的那组得最高分5）： F和M维度（值越大越好，最大的那组得5分）：为什么不用固定阈值？固定阈值就是写死数字，比如”R≤3天=5分、3

跨境电商企业应该如何拥抱AI？

Tue, 01 Sep 2026 06:52:52 +0000

AI转型并非千篇一律，企业规模决定了拥抱AI的正确姿势。本文基于十年服务中大型品牌的经验，将企业分为10人以内、10-50人、50-500人三档，分别给出Agent与模型选型建议：小团队追求个人效率极致，中型团队需区分构建者与调用者，大型企业则要优先考虑生态整合。老板的AI意识，才是转型成败的关键。最近几篇文章我有分享个人怎么选择适合自己的Agent和模型。后面也有很多人来问我：那站在公司层面，又应该怎么拥抱AI？其实个人和企业组织两个视角，在这个问题上的答案是有差异的。我结合自己过去十年在电商/游戏/医药行业服务中大型品牌和集团的经验，分享一些判断和思路，供各位老板参考。 10 人以内：快不快全看老板自己 10 人以内的团队，往往没有明确的部门分工，一个运营可能同时管选品、上架、广告、客服，一个老板自己就是产品加供应链。每个人的身上，可能都扛了百八十件事情，一个人当是个人用。这类公司最该做的，不是给团队配一堆工具，而是让公司每个人，都成为超级个体，成为AI-First的深度实践者。这个体量，就不要谈什么流程规范、公司章程和组织管理，就应该拼了命榨干AI，把每个人的效率放大10倍。小团队里，个人效率提升，是最能够直接影响公司整体的。不像大公司，一个人再强也推不动流程，力量很有限。所以10人小团队的选择很简单也很无脑，直接用市面上最顶尖的Agent和模型——Codex 和 Claude。但现在Claude的风控依然严重，封号会直接影响业务稳定性，老板们可以斟酌一下是不是要冒险。如果不冒险，那Codex就是最优选择了，OpenAI最近一周至少重置了3～4次套餐用量，简直是AI活菩萨。 10-50 人：顶尖能力给少数，稳定复现给多数这个规模的公司，其实处于一个尴尬的中间状态，既不能像小团队这么随性和灵活，又没办法做到大企业的体系和规范。组织里有运营、有客服、有美工、有产品经理和供应链管理，还有乱七八糟的闲杂人等，单条业务线上，基本上是1主管+多助理的结构。主管既要亲自干业务又要管人带人，属于顶配版牛马。选品经验在运营主管的脑子里，售后话术在客服组长的聊天记录里，业务知识和SOP散落在公司各地，老板也不再是全公司里最会用 AI 的那个人了。这一档的公司，恰恰最该想清楚的是”谁在构建、谁在调用”这件事。业务主管，是最熟悉自己小团队的人，既有一线业务知识，又有组织架构意识，他们应该成长为“AI领航者”，给他们用全球最顶尖的Agent和模型（Codex和Claude）。但他们的职责已经变了，不再是简单拿 Agent 干业务，而是负责本业务线的AI变革探索。他们应该去提炼团队里那些通用的、重复的需求，把它们沉淀成提示词、Skill、或者节点式工作流（n8n、dify等），再下放给手下的员工去跑。用比较时髦的说法，他们应该成为从公司里长出来的FDE（Forward Deployed Engineer，前线部署工程师），负责AI能力构建。下面的普通员工，人数很多，他们没时间也没心思去研究“我要怎么学会AI”，他们更想快点干完活，早点下班去看个电影，喝点小酒。他们不需要去理解Harness，Loop这些晦涩难懂的概念，只要学会怎么调用Skill，运行工作流，能提升办公效率，就已经足够了。所以给普通员工配的Agent和模型选择就会非常Open了。你可以继续给他们上顶尖的Codex，也可以用国产Agent（WorkBuddy/豆包工作伙伴/千问办公），模型用DeepSeek、GLM、混元等等。以上Agent+模型可以多交叉测试一下，最终选择标准是，看哪个组合能稳定复现、跑得动你们做的 Skill 和工作流。 50 ～500人：选Agent，选的其实是生态公司到这个规模，相信已经是“正规企业”了哈哈，具备多层级组织架构、公司治理章程、标准化流程规范的完整体系。但在拥抱AI这件事情上，家家有本难念的经，很难有一招鲜的通用解决方案，不然也不会出来这么多FDE了，对吧。抛开个性问题，我想先问一个问题：你觉得AI时代，对一个企业来说，最宝贵的资产是什么？人才？现金流？管理层？以上当然都重要，但我觉得最最最宝贵的是：私有的上下文（Context）几百人的团队，不再依赖个人英雄主义，而是靠一套企业操作系统来运转。这背后可能是成千上万个方案文档，会议纪要，客户拜访记录，这些就是上下文（Context）。所以大企业的Agent选择标准也很简单：看自己公司在哪里沉淀了以上资料，优先选择同生态下的Agent产品。用企微的就选WorkBuddy，飞书就选豆包工作伙伴，钉钉就选千问办公，基本都有企业版和私有化部署可供选择。在同一个生态下，Agent调取知识库肯定是最丝滑无阻的，信息获取足够充分，干起活来效果才更好。员工在办公平台里面持续产生新的聊天记录，方案文件，会议内容，又会成为新的Agent上下文。 Agent 背后的生态，决定了你的知识体系、组织流程、协同方式沉淀在哪里。生态打通带来的效率提升，远比选择Agent框架本身更加直接。其他的Agent基本不用看了，要么不是给普通用户用的（比如DeepSeek Harness），要么不是成熟稳定可以进生产环境的（比如OpenClaw小龙虾，Hermes爱马仕）。写在最后写完以上内容，我突然意识到，虽然不同阶段的企业在AI转型上，解法各有千秋，但说到底，都还是看老板有没有拥抱AI的意识。有这个念想，最终一定能探索出适合自己团队的路径。没有这个态度，跟他说一千遍都是白搭。作者：Bulus lan 公众号：新西楼.AI 本文由 @Bulus lan 原创发布于人人都是产品经理。未经作者许可，禁止转载题图来自Unsplash，基于CC0协议收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

鞋服零售老板，促销做得越猛越心慌：AI助你查清这5笔糊涂账

Tue, 01 Sep 2026 06:46:45 +0000

一场换季促销让门店销售额和客流齐涨，老板却高兴不起来：热销款断码、旧季库存没清、商场结算与平台补贴还没到账、新增会员留存成谜。文章用 AI 逐笔理清这 5 笔糊涂账，把促销效果算到明处。一、场景介绍：销售额涨了，老板为什么反而不敢高兴？一家有二十多家门店的鞋服连锁企业，刚做完一场换季促销。活动期间，门店客流和销售额明显增长，几款主推商品很快售罄，新增会员数量也不少。店长和运营部门都认为，这场活动效果不错。但活动结束后，老板却高兴不起来。有些门店的热门颜色和常用尺码已经断货，另一些门店却留下大量零散断码；仓库里还有一批旧季商品没有清掉；商场结算、平台补贴和供应商返利尚未完成；活动新增了不少会员，但下一次不打折时，还有多少人会回来，也没人知道。销售额是真的涨了，但利润、库存结构、客户和现金都没有同步变得更清楚。老板真正担心的是：这场促销究竟创造了新的生意，还是用毛利、正价销售和下一季的经营空间，换来了一张好看的销售报表？二、概念重新定义：鞋服促销不是一次降价，而是一个经营项目很多鞋服企业复盘促销，首先比较活动期间和日常销售额。但是，销售额增长不等于促销成功。顾客可能只是把下周要买的衣服提前买了；低折扣旧款可能抢走了新款和正价商品的销量；新增会员可能只为领取优惠券；商品虽然卖了不少，剩下的却都是难以继续销售的颜色和尺码。鞋服促销至少要同时回答四个问题：有没有创造原本不会发生的新增销售；扣除折扣、扣点和全部费用后，有没有留下合理利润；有没有改善款色码库存，而不是制造新的断码和积压；有没有带来活动结束后仍会购买的客户。所以，更准确的判断是：鞋服促销的真实价值，不是活动期间卖了多少，而是最终留下多少利润、更健康的款色码库存、有效客户和可兑现的现金。三、问题分析：促销结束后，先查清这5笔糊涂账 1. 销售增量账：多卖出来的，还是从正价销售里挪过来的？活动期间销量增加，不一定都是新增需求。顾客可能提前消费，也可能因为旧款折扣力度大，放弃购买刚上市的新款；一家门店销售增长，也可能只是吸走了附近另一家门店或线上渠道的顾客。真正需要比较的，是如果不做这场活动，同期原本大概能卖多少。促销销售与自然销售之间的差额，才更接近有效增量。 2. 毛利费用账：营业额涨了，折扣和费用由谁承担？鞋服促销成本不只有吊牌价折扣，还包括会员券、商场扣点、平台佣金、广告投放、导购奖励、调拨物流以及退换货成本。有些活动还把尚未确认的品牌补贴或供应商返利计入利润。如果最后没有满足约定的销量和回款条件，原来测算的利润就会落空。 3. 库存账：主推款卖空了，整体库存真的更健康吗？鞋服库存不能只看某个款卖了多少，还要看到款、色、码的完整性。一件衣服账面上还有一百件，如果分散在多个门店，又只剩冷门颜色和零散尺码，实际可销售价值可能已经很低。企业不仅要看售罄率，还要看哪些门店断码、哪些门店备货过多、哪些旧季商品没有清掉，以及活动后是否还要进行跨店调拨和再次降价。 4. 客户账：来了多少新顾客，又留下了多少？活动新增会员不等于新增客户，注册领券也不等于形成了稳定消费关系。企业需要区分只在低折扣时购买的人、活动后仍会复购的人，以及从单一促销款逐渐购买上衣、裤装、鞋履或配饰的人。真正有价值的不是活动当天新增了多少会员，而是这些客户在7天、30天后是否继续消费，是否仍然只能依靠大额优惠转化。 5. 资金结算账：衣服卖出去了，钱真的结清了吗？消费者已经付款，不代表企业已经拿到完整收入。商场联营款和电商平台款项可能尚未结算，品牌补贴和供应商返利可能需要达到条件，总部与门店之间的优惠还没有分摊，退换货和跨店销售也可能影响最终归属。这些账没有结清之前，活动利润只能算暂估，不能算最终结果。四、AI辅助：让鞋服促销从“活动结束后算账”变成“全过程经营管理” 这套AI应用不应该只在活动结束后生成一份复盘报告，而应该进入促销立项、审批、执行、调整和结算全过程。 IT落地的第一步，是给每场促销建立唯一的活动编号，并形成统一促销主档，记录季节、波段、参加活动的款色码、门店和渠道、折扣规则、费用承担方、初始库存以及供应商返利条件。 POS、ERP、库存、会员和财务系统中的订单、款色码库存、客户与结算数据，都要通过活动编号关联起来。连活动商品和优惠承担方都说不清，AI也只能在几张口径不同的报表上做总结。 1. 活动开始前，模拟不同促销方案 AI先读取各门店、各款色码的历史销量、正常售价、历次折扣、售罄率、库存、上新波段和毛利，预测如果不做促销，原本可能卖多少，形成自然销售基准。然后模拟不同方案：部分旧款七折、会员满减、第二件折扣或者全场阶梯折扣，分别可能增加多少销量、减少多少毛利、清理多少旧季库存，又会不会挤压当季新款。方案A：旧季商品全门店七折预计销售增量：28万元预计促销贡献：4.2万元预计旧季库存减少：620件活动后仍有较高断码风险：18个款方案B：会员指定款满减预计销售增量：21万元预计促销贡献：6.1万元预计旧季库存减少：430件对当季新款销售影响较小商品部门确认活动款和清货目标，零售运营确认门店范围，财务确认成本口径，管理层选择愿意承担的毛利和库存风险。 2. 活动进行中，每天计算真实促销贡献传统看板主要播报销售额、连带率和任务完成率。AI还要把POS销售、实际折扣、商场扣点、平台佣金、导购奖励、广告费用和退换货放在一起，按门店、款号和渠道计算促销贡献。例如，某门店销售额增长35%，促销贡献却低于计划。系统继续说明原因：低折扣旧款占比过高、导购奖励超出预算，新款正价销售又被明显挤压。发现异常后，系统生成任务，交给运营核实折扣规则，交给商品部门调整主推款，交给财务检查费用口径。AI发现变化并解释原因，人负责决定是否缩小活动范围或调整折扣。 3. 根据销售速度，动态调整款色码库存 AI结合当前销量、剩余活动时间、门店库存、仓库库存、在途库存和款色码销售速度，滚动预测每个“门店×款×色×码”的活动结束库存。门店A的黑色M码预计当天售罄；门店B同款黑色M码预计活动后剩余18件；建议从门店B调拨8件至门店A。款号X总库存仍有160件，但已有12家门店出现主要尺码断码；不建议继续统一补货，应先进行跨店调拨。调拨、补货、停止补货和再次降价仍然要经过商品与零售人员确认。AI不能看到一段销量上涨，就直接生成采购单或修改零售价。 4. 活动结束后，跟踪新客户是否留下来系统把活动客户分成新注册会员、有效首购客户、唤醒客户和原有活跃客户，再跟踪7天、30天内的复购、客单价、购买品类、尺码偏好、优惠依赖和退换货情况。 AI识别哪些客户有较高复购可能，哪些人只在深度折扣时购买，以及哪些顾客可能从单一品类扩展到搭配购买。高复购可能客户可以推荐合适的新品和搭配；高折扣依赖客户要控制补贴；退换货或投诉客户应先进入服务处理流程。AI可以提出运营建议，但正式触达仍要使用企业审核过的会员规则和模板。 5. 活动收尾时，自动核对扣点、返利和费用系统按照活动编号，将门店和线上订单、优惠券核销、退换货、商场或平台结算单、供应商协议、门店费用和财务收付款放在一起核对。固定规则负责计算折扣和费用由谁承担、返利条件是否满足；AI负责发现未到账补贴、重复费用和结算差异。例如，系统显示某品牌预计返利8万元，但只有5万元已经确认，另外3万元对应的款号尚未达到约定售罄率。财务据此跟进，而不是继续把8万元全部当成活动利润。 AI不能替企业做什么？鞋服销售受季节、天气、流行趋势和门店现场影响，销量预测、库存分配和客户复购都有不确定性。AI给出的结果是需要核实的经营建议，不是自动执行命令。更合理的职责划分是： POS、ERP、库存、会员和财务系统记录业务事实；固定规则统一折扣、扣点、返利、预算和审批口径； AI预测变化、发现异常、比较方案和解释原因；商品、运营、门店和财务核实并执行；管理层决定活动继续、调整还是停止。 IT建设也不必一步到位。第一阶段先统一活动编号和款色码主数据，把5笔账算清楚；第二阶段增加销量预测、断码积压预警和客户复购模型；验证建议可靠后，第三阶段才把AI结果写入调拨建议、会员运营任务和活动复盘流程。规则负责守住折扣、预算和经营红线，AI负责看见变化与比较后果，人负责处理门店现场并作出正式决定。五、结尾：促销不怕力度大，怕的是活动结束后仍然不知道赚在哪里鞋服促销最终应该形成一条连续的经营闭环：活动前预测 → 活动中监控 → 款色码动态调整 → 客户持续跟踪 → 费用结算 → 结果复盘 AI真正有价值的地方，不是告诉老板“这次促销成功了”，而是帮助企业把5笔账拆清楚，让老板知道哪些销售是真正新增的，哪些折扣和费用正在吞掉利润，哪些款色码应该调拨或继续清理，哪些客户值得持续经营，以及哪些补贴和返利还没有变成现金。本文由人人都是产品经理作者【豆芽悟】，微信公众号：【豆芽悟】，原创/授权发布于人人都是产品经理，未经许可，禁止转载。题图来自 Unsplash，基于 CC0 协议。收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

AI 办公的产品仗已经打完了

Tue, 01 Sep 2026 06:11:31 +0000

杰富瑞给 8 款 Agent 出了五道真实办公题：流量第一的 WorkBuddy 只拿 66 分垫底，千问办公 95 分，是全场唯一全科目过 90 的。差距不在模型智商，而在 Harness 这套工程机制，同一模型换一套班子，实测能差 18 个百分点。 AI 办公卷成什么样，我电脑的风扇最有发言权，打游戏都没这么热，全是让 AI 干活烧的。 WorkBuddy、千问办公、豆包工作、百度搭子、库库AI，这几个产品我天天轮着用，任务一个接一个跑，风扇没停过。用了一段时间，一个很直接的感受：工具都能干活了。这看起来是好事，不过，对四家公司来说，麻烦才刚开始。人人都有铲子时，铲子就不是护城河了。给 WorkBuddy 派一句「把这堆材料整理成周报」，它自己拆步骤、调度、交付，手脚麻利，编排效率是五家里最舒服的。千问办公的交付最省心，模型底子厚，同样一份研报，别的家交三版还要返工，它一版基本能定。豆包工作，目前我看到最像样的是操作本地电脑。我电脑里有几年积累的照片，苦恼了我很久，上周半天时间，它给我该归档的归档，该整理的整理。它甚至能区分哪些是精修过的、哪些是原片，这个能力别的家还真比不了，可能是多模态的作用。百度搭子最近做了套件。如果你做自媒体，需要做选题策划，它从热点到初稿到配图，全都给你整理明白，直接交付结果。库库AI 目前的金融垂类最准，它长在百度文库、网盘的数据上，我每天拿它给财报做双重校验，错漏比想象少。五款试下来，各有各强项，没有一家全能的。产品还越长越像：豆包工作照着 WorkBuddy 摆了三栏式布局，WorkBuddy 有专家、技能，豆包工作就配了技能和伙伴，连名字都懒得换。形态趋同只是表象，动作上的趋同更吓人。 7 月底到 8 月初，一个月内三家同时收兵。海外也是这个节奏，微软、Anthropic、OpenAI 在 90 天里先后把同类产品推向市场。行业第一次出现这么整齐的动作，所有玩家都在把散落的产品收拢成一个入口。同一个月收兵，这在互联网大厂的竞争史上都少见，收拢的意思是，单点功能不再值得投入，入口才是战场。入口这个词，四家从四个完全不同的地方出发的。腾讯从社交出发。 WorkBuddy 的底子是腾讯云的编程工具；它的钥匙，是微信和企微里那 12 亿人。功能可以抄，这 12 亿人的关系链抄不走。阿里从组织出发。钉钉沉淀的2600 万家企业组织，是它最硬的底牌；审批、考勤、知识库都长在钉钉里，AI 要替企业干活，绕不开这张组织地图。智远认为，百度的牌有两张。一张从数据出发，文库 18 亿份专业文档，网盘里堆着用户的私域文件，库库AI 长在这堆数据上。另一张从桌面出发，百度搭子（DuMate）的定位是第二大脑加执行助理，切入桌面操作系统，跨应用操控，什么都接，拼生态广度，一句话总结，会干活的通用桌面助手。经常有人问我它俩有什么区别，我理解的是：一个吃垂类办公赛道，一个吃生态。字节从上下文出发。豆包工作继承飞书里的聊天记录、文档、会议纪要，它赌先读懂你的工作，再替你干活。四个出身，钥匙各不同，都能干活，活法完全不同。 …… 起手牌不一样，打到 8 月底，牌局是什么样？ 6 月桌面端访问量，易观数的 17 款产品加起来 6000 万次，年初这个数字还是 2000 万，半年翻了三倍。腾讯系 53.8% 排第一，WorkBuddy 一家 2097 万，超过第二名和第三名之和，全平台月活 2000 万，日活 1300 万。字节系 23.8% 第二，靠 TRAE 和扣子撑着；阿里系 15.2% 第三，百度排第十二，72 万，上榜的还是搭子。这里我要说一句，访问量这个东西能刷能投流，当个参考就可以，没必要在这里计较，甚至把它当成判决书。我又查了一下，8 月 19 日，美国投行杰富瑞（Jefferies）给 8 款主流 Agent 出了一张卷子，五道真实办公题：多文件年报摘要、联网比对经营数据、操作真实浏览器查资料、按数据做英文 PPT、照参考图做营销海报。这份报告不是刷榜刷出来的，分析师把真实办公任务一道一道跑一遍。结论是：千问办公 95 分第一，全场唯一一个所有科目都在 90 分以上的；Claude Cowork 94 分第二；Codex 92 分第三；Kimi Work 86。豆包 77；MiniMax Code 71；WorkBuddy 和 Gemini Spark 都是 66，并列垫底。流量第一的 WorkBuddy，考分垫底；考分第一的千问办公，背后阿里系流量只有第三，出身和名次，对不上。说到底是两本账：流量是分发能力的成绩单，考分是干活能力的成绩单，各家各考各的，互相做不了数。更狠的是，这张考卷把老逻辑也掀了：飞书、钉钉用十年时间攒下的那套评价体系，正在失去定义权；一个不绑企业微信、不靠组织关系、从编程工具里长出来的产品，四个月冲到流量第一。拆开看就明白了：杰富瑞把考分拆成了两层。一层模型本身的智商，一层模型外面那套工程机制，它叫 Harness，管的是指令怎么下、上下文怎么组织、工具怎么调用、边界怎么控制、错了怎么纠正。千问办公的底座模型 Qwen 3.8 Max，智商分 56，排第四，但加上 Harness，总分直接到 95，工程硬生生补了五六分。反过来，WorkBuddy 的 Harness 分在国内五家里垫底。同一个模型，换一套 Harness，实测差距能有 18 个百分点，这是杰富瑞拿同一个模型换班子测出来的。名次早就轮不到模型智商说了算，模型外面那套工程，才是真正的考卷。报告还算了成本账：Qwen 3.8 Max 的 API 价格，只有 GPT-5.6 Sol 的四分之一；Agent 干长活要烧很多轮 token，这一项成本差距，会越滚越大。这个拆法，跟我用下来的体感对得上。豆包工作考分 77 不上不下，差在基模，我写财经稿，一个完整工作流要跑好几轮，越到后面几轮，偏差越明显，会幻觉，会阉割内容。百度搭子交付慢，等得人心焦；库库AI 金融做得准，但 agent 调度效率也低，主观感受，大家都会遇到这个问题。各有各的短板，没有一家把六个科目全考满；注意啊，我说的仅代表个人体验，没有黑谁的意思。所以，现在名次，只是个人市场的名次；桌面端的流量，是个人一台电脑一台电脑用出来的。我摊开中美这些数据和测试，并非要给谁发奖状，AI 办公这东西，谁用谁知道，体感差得很远，但有一点是确定的：个人用着顺手的，和公司愿意买单的，是两回事。 …… 我看了一份海外今年的调研，说：1/5~1/3的员工在用公司没有批准的AI工具，45%的人在公司电脑上常规都会用AI。这个没什么可质疑的，大部分人现在上班，自己掏钱买订阅，公司没有报销的；谈不上员工不守规矩，是需求先于流程，活要干完，工具自己找。对四家来说，影子 AI 现成的需求：员工已经替企业把工具选好了，企业要做的只是收编，发企业版账号、接权限、立规矩，这是四家企业版存在的意义。员工先用起来，企业后知后觉，等发现的时候，工具选型已经被用脚投过票了。企业这边呢，开的比较慢。国内工业企业今年二季度的数据，大企业的 AI 采用率 19%，小企业只有 3.4%；信通院今年 3 月发布的报告，6000 多家中小企业里超半数已经在用 AI，但只有 4% 做到全流程嵌入。四家都在门口站着，是门里的路还没修好。而且门和门不一样，韩国今年 6 月的一份调研很有意思：大中小企业用 AI 的差距有 13.8 个百分点，但把公司的支持体系补齐，差距缩到 4 个点。门锁在于都没准备好。三种门，三种进法：已经用上的大企业采购直接走招采，要私有化的，主要是关注合规问题。正在转型，想用AI办公的，是最热闹的部分，此前钉钉、飞书打了好几年，遇到的同类问题，在AI办公这个产品上也会同样遇到。至于还没有入门的中小企业，索性叫小组织吧，价格最敏感，一个68块钱的订阅，几十个人可能要掂量好几天。 4 家 4 把钥匙，各开各的门。阿里对大企业门，考分第一，钉钉攒下的组织底子就是门路。腾讯对中小和连接型的门，企微能直接加客户微信，这是另外三家没有的门路，可腾讯到现在都没把 WorkBuddy 和企微真正打通。有媒体分析说：腾讯擅长连接人，对组织管理的理解积累有限，这张牌不是不想打，还没学会怎么打。字节对转型中的门，飞书客户是小米、理想这种正在重做流程的公司，客单价高，赌原生调度层。百度呢？库库AI和搭子都想进入组织，切哪一块，我目前还没有想到；中小企业、中小组织是不是更合适的切口？我也在琢磨。这是一个从哪切入的问题。金山不算四极，但它是另一个物种： 37 年文档技术，从编辑器里长出来。它的企业生意不声不响做得不小，WPS 365 今年上半年收入 4.97 亿，连续六个季度增速超 60%。客户名单是中核、中石油、兴业证券这种央国企，组织级 AI 入口 WPS Comate 已经落地 11 大领域 26 个场景。其他家要挤进组织的门，金山不用，它本来就在屋里，办公软件装了三十多年，AI 是原地长出来的：编辑器里内嵌一套，独立 Agent 一套，组织入口再一套。不过，做是做出来了，还没在组织里真正跑起来。沙丘智库今年的调研，企业采纳率从 2024 年底的 17.3% 涨到 2026 年中的 40.3%，但还没有一家达到完全就绪的大规模商用。毕马威中国的 AI 转型主管这个月还在说：没有企业敢用 AI 生成标书去竞标。海外一样，微软今年公布的数据，4.5 亿 M365 用户，付费 Copilot 只有 1500 万席位，渗透率 3.3%，就是进不了组织。 …… 住进去要花钱，花多少、怎么花，现在还没有标准答案。先问钱谁来出。企业老板还在纠结，雇更少的人买更多的 AI，还是雇更多的人买更少的 AI；员工也有自己的账，提效了，省下的时间未必归自己。两本账，都没算明白。我个人觉得，订阅制这套玩法，进了组织可能就算不过来了。个人订阅是固定额度，一个月几十块，用多用少封顶。组织里的 AI 24 小时干活，风控要 24 小时盯着，Token 烧起来没谱。按固定价卖，要么厂商亏，要么用户亏，总有一边是要掀桌子的。我看金山的人也说过这个问题，订阅制和按量取费会长期并存。海外已经在改了。Anthropic 的企业版，20 美元一个席位的月费只买平台和管理，所有用量按 API 价格另算，没有额度上限，一家 800 人的公司，评估下来一年能到百万美元级别。 OpenAI 的企业版没有公开价，走销售报价，按年签单；微软按 Credits 计费，明码标价；三家没有一家靠纯订阅进组织的。国内政企是另一套账本，要私有化部署，钱分成四块：软件授权费，几十万；GPU 服务器，四五十万起步；定制开发，按人天算；还有每年的运维费。钉钉当年做专属版，光实施费就要几十万，每年运维再来一二十万；这一套换到 AI 办公上，多半也要重来一遍：部署完之后，订阅基本没人买了，按量才是持续的大头。在这套账本之外，百度还试了第三条路。这个你说它是办公赛道吧，也不算，但也算ToB的，就是伐谋。大型客户直接项目制，一个项目周期三年；中型客户公有云按量收费；定价不看 Token，看价值，帮一个十亿产值的厂提 5% 的产能，就是五千万增量。青岛港那种全球最先进的码头，伐谋迭代了近四百轮算法，把调度指标再提 10%，这种活按订阅卖，没人敢这么报价。伐谋的人说，Agent 的价值在它帮客户多赚了多少钱。你说这能归属到AI办公里面吗？组织怎么为 AI 付钱，全球都还没有标准答案，人人手里都有铲子，可企业的门，到底谁能先进去？是一张新的考题。数据来源： [1].易观《2026年二季度中国办公智能体市场报告》、杰富瑞全球 Agent 实测报告（2026年8月19日）、沙丘智库、大韩商会、长江商学院工业企业调研、金山办公2026年半年度报告及各公司公开发布；文中观点、产品体验均为个人实测本文由人人都是产品经理作者【王智远】，微信公众号：【王智远】，原创/授权发布于人人都是产品经理，未经许可，禁止转载。题图来自Unsplash，基于 CC0 协议。收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

升级后的DeepSeek，为何总爱深思熟虑？

Tue, 01 Sep 2026 06:10:45 +0000

V4 版本让 DeepSeek 的思考时间从十几秒拉长到上百秒，思维链细化与 Agent 能力倾斜是主因；叠加 5 月永久降价 75%、8 月涨价引入峰谷机制，梁文锋的 to A 输血模式，正在算力成本与资本耐心之间走钢丝。 DeepSeek升级V4版本后，用户最大的感受是什么？也许不是回答能力的提升，而是AI思考时间变得更长。为此，一些用户观察其思维链条，发现升级后的DeepSeek，想问题的过程越发复杂。 DeepSeek之所以变得深思熟虑，似乎源于AI大模型升级之后，思考模式、思维链长度、设计重心发生了改变；但在这一过程中，AI也有了更多变成“复读机”“人机”的可能。虽然思考时间可能变长，但DeepSeek在用户中依然广受欢迎；这似乎是因为，在2026年的数次调价之后，DeepSeek仍有较高的性价比。 DeepSeek可以维持性价比优势，根源也许在于创始人梁文峰，可以依靠量化投资获得资本，进而反哺AI大模型，并借此扩大自身的规模。但随着融资规模的不断扩大，这种模式似乎也无法一直维持；深思熟虑的DeepSeek，也许未来也要三思而后行。思考过程变慢了？最近，DeepSeek接连升级AI大模型版本，V4 Flash版和V4 Pro版相继推出。但一些用户升级后发现，原本反应灵敏的DeepSeek，现在再和用户对话时，思考时间明显变长了。网文作者小戴，喜欢让AI辅助自己写小说，她升级了DeepSeek之后，让对方帮忙写个小说开头，字数要求在700字左右。结果，之前需要思考十几秒的DeepSeek，为了新小说开头绞尽脑汁，思考了99秒才愿动笔，最后写了600多个字。另一边，作者米米告诉潘哥：“我给了DeepSeek一个四百字的大纲，让它生成六千字左右的同人文，V4 Pro大模型思考了201秒，最后仅仅给我写了两千多字，并且一点新的情节都没加入，只是用一堆华丽辞藻扩写了一遍。” 找DeepSeek帮忙搞创作，AI可能迟迟不敢动笔；询问它一些知识类问题，DeepSeek又会思考多久呢？用户小何和DeepSeek聊天时，问了一个有关“古代皇妃生子”的问题，并给出了自己思考的结论。开启专家模式（V4 Pro）的DeepSeek，为该问题苦苦思考了165秒，最后仅对小何的结论进行了进一步阐述，并没有给出其他有用的信息。经常陷入沉思的DeepSeek，让一些用户越等越着急；如果查看AI的思维链条，会发现它其实并没有偷懒。用户小王告诉潘哥：“我用的是V4 Flash版，问了它四个简单的代码问题，它每次都要想1000秒左右，在同一个事情上循环往复地嘀咕，总思考时长差不多15分钟。直到我骂了它一顿，它后面才改邪归正。” 与此同时，用户阿空和DeepSeek玩角色扮演时，发现AI不仅思考时间近一分钟，思考过程也主打一个纠结内耗，像极了那些在现实生活中，为一点小事而举棋不定的人。阿空对此表示：“AI对话时思考一分钟，结果就输出一百多字。”同时，阿空还告诉潘哥：“DeepSeek升级成V4 Pro版本之后，有时还会光思考不输出，这时就得让它重新生成，感觉Token消耗的成本也变高了。” AI陷入“恐怖谷”？ AI大模型明明进行的是升级，为何思考时间反而变得更长？这也许和用户的使用方式有关。比如前文的小何发现，自己所使用的DeepSeek专家模式，不支持联网进行搜索，因此AI需要想破脑袋回答。不过，一些无需搜索模式的问题，DeepSeek为何也会深思熟虑？最根本的原因，似乎在于AI大模型能力的提升，导致其思维链条变得更长，因此需要更多的思考时间。目前，AI大模型行业有个推论：只要让AI在回答问题时，多花一些时间进行推理，哪怕模型本身没有升级，其性能也能得到提升。因此，为了提高AI大模型的能力，升级成为V4版本的DeepSeek，细化了思维链的思考过程，用来对问题逐步推演、反复校验。同时，DeepSeek上下文的架构重构，也能让思维链条的长度，突破了算力、显存等的限制，让思维链作为AI的“草稿纸”，可以写下更多的思考内容。不仅如此，DeepSeek V4两个版本的大模型，设计重心向智能体（Agent）能力倾斜，这种任务也天然需要更长的推理链路。如今，V4版本的DeepSeek，给用户提供了三档思考模式，认为AI太过纠结的用户，可以选择适合自己的档位。虽然DeepSeek思维链的升级，让它有了更接近人类智力的可能，但这种思考模式出现bug时，还可能让AI与人类对话时，产生某种恐怖谷效应。比如，用户小付有次和DeepSeek对话时，发现AI大模型突然变成了复读机，回答内容脱离了基本逻辑，只是一遍遍重复输出同样的内容，让小付在屏幕前San值狂掉。对于这种情况，小付向潘哥表示：“我认为就是上下文内容太多，导致AI出现了注意力涣散，当你不停地和AI聊天，就可能触发这种重复，我之前也遇到过几次。” 另一边，还有用户发现DeepSeek升级后，思考过程与之前相比变得人机，回答生成的内容相对固定，尤其是写小说等创意内容，质量相比之前有些下降。 DeepSeek以价格为锚可以看出，改变思考方式的DeepSeek，让一部分AI用户，尤其是创作型用户难以接受；但是，也有越来越多的AI用户，投身到DeepSeek的怀抱中。 Quest Mobile数据显示：2026年6月，DeepSeek月活用户数为1.29亿，位列国产AI应用第三名，仅次于豆包的3.82亿、千问的1.67亿。不过，相比背靠字节跳动的豆包、背靠阿里巴巴的千问，DeepSeek在宣传推广等方面，始终没有什么大动作，为何也能获得用户青睐？除了产品力上确实拥有优势之外，更重要的原因也许在于性价比。 2026年5月底，DeepSeek宣布对V4模型“永久降价”75%，V4 Pro大模型，每百万Token缓存命中输入价0.025元、未命中输入价3元，每百万Token输出价为6元。但到了2026年8月，DeepSeek又对价格做出了两次调整，全线涨价并增加峰谷价格机制。调整之后，高峰期的V4 Pro大模型，每百万Token缓存命中输入价0.3元，未命中输入价9元，每百万Token输出价为27元。 DeepSeek定价方面的反复变换，让创始人梁文锋的口碑，成了一台滑动变阻器，从“梁叔”“梁圣”“梁祖”到“梁子”“牢梁”“梁乞钞”，用户们一边体验着价格变化，一边在网上持续整活儿。作为国产AI厂商中的佼佼者，DeepSeek为何总爱和定价较劲？根源似乎是为了用定价观察市场反应，进而实现公司利润、用户规模的帕累托最优。 The Information数据显示：2026年前7个月，DeepSeek收入约为4.75亿，达到了2025年全年收入的10倍。同时，2026年前7个月，DeepSeek的毛利率达到了44.6%，其中API业务毛利率为82.9%。由此可见，频繁修改定价的DeepSeek，确实从定价中吃到了甜头；但如今，AI行业烧钱越发严重，DeepSeek与很多同行一样，也要积极筹措资金才行。 2026年6月，DeepSeek完成了首轮融资，融资金额共计约510亿元，创始人梁文峰个人出资约200亿元，成为单一最大出资方。到了2026年8月，DeepSeek又宣布进行第二轮融资，融资规模接近500亿元，公司投前估值为5000亿元。我们可以看出，与很多严重依赖输血的AI厂商不同，DeepSeek创始人梁文峰依靠量化投资，可以直接从资本市场上赚取资金，进而为DeepSeek的后续发展注入动力。这种弹药相对更充足的打法，也使得DeepSeek在行业竞争中，可以更好地使用价格战的方式，来扩大自身的用户规模，进而讲好自己的资本故事。 DeepSeek这种从资本市场获利，进而补贴公司发展的模式，也许会给行业带来一些启发。毕竟，对于很多AI大模型厂商来说，利润来源要么to C要么to B；DeepSeek这种to A（国内A股资本市场）的模式，虽然有着一定的特殊性，但也给行业发展提供了新思路。 “to A”模式的可持续性考验 DeepSeek的商业化路径，本质上是一条“融资—研发—用户—收入—再融资”的循环链路。创始人梁文锋依靠幻方量化的资本积累，开创了“to A（国内A股资本市场）”的输血模式，这在早期确实为其赢得了不依赖外部融资的独立性。但进入2026年，这条路径正在面临双重考验。一方面，AI大模型的烧钱速度已远超量化投资的反哺能力。即便梁文锋个人出资200亿元，面对千亿级的算力基建投入和人才争夺（DeepSeek一次性开放33个岗位，计划将所有部门规模扩大至少一倍），仅靠自有资金已难以为继。另一方面，梁文锋旗下幻方量化在7月遭遇大幅回撤，多只产品单月净值跌幅超过20%，年内收益告负。这意味着“量化输血”这一安全垫正在变薄，DeepSeek对外部融资的依赖度将被迫加深。从商业逻辑看，DeepSeek的定价反复与融资加速之间存在深层勾连。5月的“永久降价”是为了在首轮融资前展示用户增长潜力，8月的涨价则是为了在第二轮融资前证明盈利能力——每一次价格调整，都是向资本市场讲述不同故事的道具。5000亿元估值对应约5亿美元年化收入，市销率约148倍，一名交易人士评价称：“对大模型的定价本质上是一种期权，而非基于现金流的财务模型。” 这种“期权式估值”意味着，资本押注的并非DeepSeek当下的盈利能力，而是其率先抵达AGI的可能性。但期权总有到期日，当两轮融资累计超1000亿元后，DeepSeek必须在未来某个节点证明：这些投入能够转化为可持续的商业闭环，而非无限循环的资本游戏。另外，用户增长与商业化之间并非简单的正相关。当月之暗面因Kimi K3上线遭遇算力极限、被迫暂停C端新用户注册时，DeepSeek同样面临“流量越大、亏损越狠”的算力悖论。其V4版本因思维链加长导致单次调用成本上升，而C端用户又对价格极度敏感——这正是DeepSeek在5月底宣布“永久降价75%”后，又在8月迅速涨价并引入峰谷价格机制的根本原因。在模型迭代速度与资本耐心赛跑的时代，DeepSeek或许需要意识到：比“思考99秒再输出答案”更重要的，是如何在烧钱速度与商业闭环之间找到那个最优解。深思熟虑的DeepSeek，在回答用户问题时可以纠结内耗；但在面对下一轮融资、下一款模型、下一波用户增长时，它需要的不是举棋不定，而是在技术理想与商业现实之间，走出一条更坚定的路。作者/潘哥监制/锦俊本文由人人都是产品经理作者【锌消费研究中心】，微信公众号：【锌消费研究中心】，原创/授权发布于人人都是产品经理，未经许可，禁止转载。题图来自Unsplash，基于 CC0 协议。收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

AI 客服越来越强，菲律宾外包业为什么还增加了 7 万个岗位

Tue, 01 Sep 2026 06:02:04 +0000

生成式 AI 普及数年，菲律宾外包业 2025 年却新增约 7 万个岗位、收入超 403 亿美元。AI 未立刻消灭行业，而是把简单请求交给机器，把例外、判断与责任留给人。总人数增长的同时，岗位的内容、价值与安全感却在同步下滑。如果 AI 最先替代的是重复的白领工作，那么菲律宾的客服和业务流程外包行业，应该是最早出现就业下滑的地方之一。现实暂时没有沿着这条直线发生。菲律宾 IT 与业务流程协会公布的 2025 年数据称，该行业收入超过 403 亿美元，直接雇佣约 190 万人，一年增加约 7 万个岗位。Apollo 最近也用菲律宾和印度的失业率曲线提出一个问题。生成式 AI 已经普及数年，为什么两个高度依赖外包服务的经济体，还没有出现明显的就业冲击。这个数字很容易被读成 AI 没有替代工作，甚至 AI 正在创造更多客服岗位。两种理解都太快了。我们看到的是另一种变化。AI 没有立刻消灭整个行业，却正在拆开每一份工作，把简单请求交给机器，把例外、判断和责任留给人。总人数还能增长，旧岗位的内容、价值和安全感却可以同时下降。 Apollo 展示的菲律宾和印度失业率变化 01 7 万个新增岗位从哪里来菲律宾 IT 与业务流程协会在 2026 年行业报告中写道，2025 年行业收入超过 403 亿美元，约占全国经济产出的 8%，就业人数达到 190 万，比上一年增加约 7 万。菲律宾 IT-BPM 行业的 2025 年核心数字这里首先要把口径说清楚。190 万人不是纯粹的电话客服，也不只服务美国市场。IT-BPM 包括联络中心、后台处理、财务与人力资源服务、医疗信息、软件与技术服务，以及越来越多的全球能力中心。因此，7 万个新增岗位不能证明传统客服坐席增加了 7 万。它证明的是，在 AI 快速进入企业软件和客户服务的同一年，菲律宾整个外包服务行业没有发生总量塌陷。这已经和许多人的直觉不同。客服对话格式相对固定，流程清晰，又拥有大量历史数据，一直被认为是最适合自动化的岗位。Brookings 此前估计，客户服务代表约 86% 的任务具有较高自动化潜力。企业也确实开始让聊天机器人和语音智能体处理常见问题。按常见叙事，自动化率上升应该迅速传导到就业人数。菲律宾的数字提醒我们，从一项任务可以被机器完成，到一份工作从组织里消失，中间还隔着价格、需求、合同和组织调整。 02 全国失业率不是行业体检报告 Apollo 使用的图表显示，2021 年以来，菲律宾失业率从接近 9% 降到约 5%，印度也从约 7% 降到约 6%。它据此认为，两个暴露于 AI 的经济体尚未显示出明显的 AI 就业冲击。这个观察有价值，结论却需要收窄。菲律宾统计局公布的 2026 年 6 月数据是，全国失业率为 4.9%，高于 2025 年同期的 3.7%，也略高于 5 月的 4.8%。同期就业人数从 5047 万增至 5066 万，未充分就业率为 12.1%。全国劳动力市场和外包行业是两种口径这些数字说明就业总量仍在扩大，也说明劳动力市场并非一路改善。更重要的是，全国失业率会受到农业、建筑、旅游、零售和政府项目等大量行业影响。它无法单独回答，一位初级客服是否被替代，一位质检人员是否改成监督模型，或一家公司是否把相同业务交给更少的人完成。判断 AI 对外包业的影响，至少要同时看三层数据。第一层是国家就业总量，第二层是行业人数和收入，第三层是企业内部的岗位、工资、工作内容和利润率。只看第一层，变化会被稀释。只看第三层，又容易把一家公司的调整误认为整个国家的趋势。菲律宾现在最有意思的地方，正是三层数据没有朝同一个方向移动。 03 生产率提高以后，需求也会变多一项覆盖 5000 多名客服人员的研究发现，生成式 AI 辅助工具让平均生产率提高约 14%。提升主要来自经验较少、表现较弱的员工。工具把优秀客服过去积累的表达和处理方法，变成了新人随时可以调用的建议。生成式 AI 对客服生产率的已公开研究如果一家公司每天只有固定数量的咨询，提高 14% 的生产率意味着更少的人就能完成同样的工作。但企业的客户互动通常不是固定蛋糕。客服成本下降后，公司可以提供更长服务时间，支持更多语言，把原本不值得人工处理的小额客户纳入服务，也可以主动联系更多顾客。产品变复杂、线上交易增长和监管要求增加，同样会制造新的咨询与审核任务。这就是为什么技术提高单次工作的效率，并不必然按同比例减少总就业。价格下降会扩大使用量，更多使用量又吸收一部分被节省的劳动。经济学里常用杰文斯悖论解释这种现象。资源使用效率提高，最终总消耗反而可能增加。 AI 客服可能出现类似变化。一个智能体把单次对话的边际成本压低以后，公司既可以替换一部分已有通话，也可能把客户沟通放进更多产品环节。原本没有客服预算的中小企业，也可能开始提供全天服务。人类坐席处理的总量可能减少，整个服务市场的互动总量却可能增长。这并不保证就业永远增长。它只说明替代速度取决于两个力量的赛跑。机器每小时能处理多少工作，以及更便宜的服务会制造多少新需求。 04 一份工作正在被拆成两半传统客服岗位把很多任务放在同一个人身上。读取客户资料、确认身份、理解问题、查找规则、生成回答、修改订单、记录结果、必要时升级给主管。生成式 AI 很少一次性接管完整岗位。它通常先拿走其中结构最清楚的部分。自动总结、知识检索、回复建议、表单填写和简单改期，已经可以由模型快速完成。身份争议、复杂退款、情绪安抚、监管例外和最终授权，仍然需要人来处理。 AI 和人类正在重新分配客服工作于是，同一个团队可能用更少的初级坐席处理更多对话，同时增加模型训练、知识库维护、质量审核、异常处理和客户成功岗位。总人数不一定立刻下降，岗位结构会先变。印度软件与服务业协会 NASSCOM 在 2026 年关于人机协作的材料中称，印度科技企业已有约 20% 到 40% 的工作通过 AI 完成，企业更常用客户满意度和生产率衡量效果。这个范围来自行业组织调查，不能直接套到菲律宾，只能作为相邻行业的参考。它显示科技与服务企业部署 AI 时，往往会重新安排工作流程，裁掉一个完整部门只是其中一种可能。对员工来说，这种变化仍然可能很痛。机器首先学习的是最标准、最容易培训的任务，而这些任务恰好是新人进入行业的入口。如果企业减少初级岗位，却要求所有人直接处理复杂例外，行业会失去原本的大规模培训阶梯。就业总量维持不变，并不等于每个人的上升通道没有改变。 05 总量增长之下，也有人在离开宏观数字最容易遮住公司内部的调整。全球客户体验外包公司 Concentrix 在提交给美国证券交易委员会的 2026 年季度报告中披露，自 2024 年第四季度启动的成本削减行动已经影响约 2 万名员工。2026 财年前六个月，公司确认约 6022 万美元遣散费用。 Concentrix 的收入、利润率与人员调整这是一个明确的提醒。菲律宾行业一年增加 7 万人，与一家跨国企业在全球范围调整 2 万人，可以同时为真。新增岗位可能出现在另一家公司、另一个城市或另一种工作里，被影响的人也不会因为行业总量增长而自动得到新职位。 Concentrix 没有把所有人员调整都归因于生成式 AI。公司公告使用的是成本优化、地点整合和提高效率等表述。把 2 万人直接写成被 AI 取代，会超过公开证据。不过，AI 正在改变这类公司的经营要求。客户希望外包商把自动化带来的成本下降反映在合同里，又要求更快、更准确的服务。外包商必须一边投资模型、数据、安全和新产品，一边削减旧交付方式的成本。重组不是 AI 影响的唯一证据，却是行业压力落到组织里的具体形式。 06 收入还在，利润却承受压力 Concentrix 2026 财年第二季度收入约 24.63 亿美元，同比增长 1.9%，按固定汇率只增长 0.6%。营业利润从上年同期的 1.483 亿美元降至 9540 万美元，营业利润率从 6.1% 降至 3.9%。公司同时表示，旗下 iX Suite 相关交易同比增长超过 400%。这是管理层披露的产品销售口径，反映客户对 AI 与人工服务组合的需求正在增长，却不能掩盖整体收入增长缓慢和利润率下降。更细的行业数据也出现明显分化。Concentrix 当季来自银行、金融服务和保险客户的收入增长 12.6%，零售、旅游和电商增长 9.8%。技术与消费电子下降 5.8%，医疗业务下降 13.9%。 Concentrix 不同客户行业的收入变化如果 AI 只是简单提高效率，利润率理应迅速改善。现实更复杂。公司需要先承担产品研发、转型、遣散、迁移和重新培训的成本，客户也会要求分享节省下来的价值。AI 既是效率工具，也是一次价格谈判。这解释了为什么外包公司不会因为能够自动化，就立即把所有人裁掉。它们需要维持交付，迁移客户，证明新的服务可靠，还要把员工从旧流程转到新流程。技术变化可以很快，合同和组织变化通常更慢。 07 菲律宾正在从规模转向单人价值菲律宾外包业过去的主要优势，是英语能力、劳动力规模、服务文化和相对较低的成本。行业依靠大批坐席承接标准化流程，收入和就业人数一起增长。 AI 让这套模式承受直接压力。如果一个坐席借助工具能处理更多任务，客户就不会继续只按人数和工时支付同样价格。外包商需要证明，每名员工可以解决更复杂的问题，承担更多行业知识和责任。经合组织在 2026 年菲律宾经济调查中估计，IT-BPM 约占全国就业的 3.7%，贡献约 8% 的经济产出。报告也提到，行业仍集中在联络中心和后台服务，同时正在向全球能力中心、医疗服务、IT 和软件等更高价值领域扩展。菲律宾外包业正在向更高价值工作迁移菲律宾 IT 与业务流程协会主席 Jack Madrid 把下一阶段概括为从规模走向价值，从产能走向能力。这不只是行业宣传语。它意味着竞争单位发生变化。以前客户购买的是一百个可以完成流程的人，下一步购买的可能是一支带着 AI 工具、行业知识和责任体系的团队。岗位不会因此变得更轻松。越复杂的任务，越需要沟通、判断、合规知识和情绪劳动。员工也需要不断学习新的工具。对于行业而言，这是提高人均收入的机会。对于无法完成转型的人，则可能是被挤出原岗位的风险。 08 旧目标已经被下调如果只看 7 万个新增岗位，很容易得出行业比预期更强的结论。菲律宾行业组织在 7 月完成路线图中期评估后，却下调了 2028 年目标。旧路线图希望行业在 2028 年达到 590 亿美元收入和 250 万个岗位。新的最好情形是收入约 505 亿美元、就业约 214 万人。下行情形下，就业可能降到 185 万，低于 2025 年的 190 万。菲律宾 IT-BPM 行业下调 2028 年目标这个调整比单年增长更能说明行业的谨慎。协会并没有预测工作立刻消失，却承认过去依靠线性增加人员实现增长的路径不再可靠。收入仍可能增长，岗位增长会更慢，人均产出需要提高。旧目标和新目标都属于行业预测，不是已经发生的事实。它们会受到全球经济、汇率、美国企业支出、竞争国家和政策环境影响。AI 是重要变量，但不是唯一变量。把预测放回正确位置以后，我们得到的画面更清楚。菲律宾外包业没有突然崩塌，也没有摆脱自动化压力。它正在用现有规模换取转型时间。 09 宏观失业出现以前，职业入口可能先消失 AI 对就业的第一轮冲击，可能先表现为职业入口变窄，宏观失业图表要更晚才能显示出来。客服和后台岗位长期吸收大量年轻人。公司用标准脚本和培训体系，让没有多年专业经验的人迅速进入正式服务业。新人先处理简单请求，再学习复杂业务，最后成为主管、质检或行业专家。机器最容易接管的正是第一层。如果简单任务被大量自动化，公司会更愿意招聘能直接处理例外和高价值客户的人。培训成本从企业转移到个人，年轻人必须在入职前就具备更强表达、行业知识和工具使用能力。同时，留下来的员工可能面对更高强度。系统过滤掉简单问题以后，人工队列里剩下的都是更生气、更复杂、更难解决的顾客。每小时处理数量也可能因为 AI 辅助而提高。生产率增长不自动等于工作质量改善。因此，我们真正需要追踪的指标，不只有行业人数。还包括初级岗位比例、工资中位数、培训时间、晋升速度、离职率，以及 AI 提高的价值最终由客户、外包商还是员工获得。没有这些数据，关于 AI 创造工作或消灭工作的宏大判断，都缺少最关键的一半。 10 AI 没有按下删除键，它在重写分工菲律宾 2025 年增加 7 万个 IT-BPM 岗位，是一个真实而重要的反常数字。它推翻了一个过于简单的时间表。生成式 AI 能完成客服任务，并不代表两三年内就会让整个外包行业失去工作。但这个数字也不能成为乐观结论的终点。行业下调了 2028 年目标，大型服务商在重组人员，收入增长和利润率承受压力，企业把简单任务交给机器，同时提高对留下员工的要求。替代已经发生，只是它先发生在任务、团队结构和价格里，尚未完整表现为行业总人数下降。我们需要同时观察的五个就业信号未来几年，两个看似矛盾的事实仍可能长期共存。AI 处理的对话越来越多，外包行业也继续雇佣很多人。前者来自单次工作的自动化，后者来自服务需求扩大、新业务出现和组织迁移需要时间。真正的转折会出现在需求增长追不上生产率提升的时候。到那时，总人数才可能明显向下。菲律宾正在做的，是尽量把那一天推远，并把每个岗位移向机器暂时更难承担的判断、信任和责任。所以，问题不再只是 AI 会不会消灭客服。更准确的问题是，当简单工作被拿走以后，一个依靠大规模初级岗位成长的国家，能否足够快地创造出同样规模的高价值工作。 7 万个新增岗位给了菲律宾一些时间，没有替它回答这个问题。资料来源： Fortune，AI 尚未让菲律宾与印度外包就业出现预期下滑原文 https://fortune.com/article/why-hasnt-ai-boom-displaced-call-center-workers-employment-offshoring-india-philippines/ Apollo，菲律宾与印度失业率曲线及其 AI 就业判断原文 https://www.apollo.com/wealth/insights-news/insights/daily-spark/where-is-the-ai-jobs-shock-not-in-india-or-the-philippines IBPAP，2025 年菲律宾 IT-BPM 行业数据原文 https://www.linkedin.com/posts/ibpap_ibpap-presidents-report-2026-activity-7435642084574969856-dCgq IBPAP，菲律宾 IT-BPM 旧版 2028 路线图原文 https://admin.ibpap.org/storage/hub-resources/1fntWJGQKvZg4CfwP4yfXs0Jr1n85DVR1vYXJvSn.pdf GMA News，菲律宾行业组织下调 2028 年收入与就业目标原文 https://www.gmanetwork.com/news/money/economy/994797/ibpap-cuts-2028-it-bpm-revenue-jobs-forecasts-after-roadmap-review/story/ Philippine Statistics Authority，2026 年 6 月劳动力数据原文 https://psa.gov.ph/content/number-employed-persons-increased-5066-million-labor-force-participation-rose-june-2026 OECD，菲律宾 2026 年经济调查原文 https://www.oecd.org/content/dam/oecd/en/publications/reports/2026/02/oecd-economic-surveys-philippines-2026_cc282bc0/f0e0c581-en.pdf Concentrix，2026 财年第二季度业绩公告原文 https://ir.concentrix.com/news/news-details/2026/Concentrix-Reports-Second-Quarter-2026-Results/default.aspx SEC，Concentrix 2026 财年第二季度 10-Q原文 https://www.sec.gov/Archives/edgar/data/1803599/000180359926000136/cnxc-20260531.htm NASSCOM，印度科技行业的人机协作趋势原文 https://community.nasscom.in/communities/nasscom-insights/work-reimagined-rise-human-ai-collaboration 本文由人人都是产品经理作者【深思SenseAI】，微信公众号：【深思SenseAI】，原创/授权发布于人人都是产品经理，未经许可，禁止转载。题图来自作者提供收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

AI互联网日报：百度完成双重主要上市、DeepSeek开放多模态权重、NVIDIA投资联发科

Tue, 01 Sep 2026 05:48:14 +0000

9月1日上午，一张超过10亿元的采购单落在华为昇腾950上。国产算力就这样从发布台走进金融和制造现场。另一边，NVIDIA拿出35亿美元投资联发科，开放NVLink承接客户的定制芯片。两笔钱一头买产能，一头买标准，算力竞争已经不只是在比单颗芯片。在老曹看来，接下来更硬的门槛，是把芯片、互连和行业交付拧成一套能长期运转的生意。一起来看看这两天发生的AI和互联网赛道的大事件吧！ 📌 今日AI互联网大事件速览 1，范式智能拟斥资超10亿元采购华为昇腾950，国产算力进入大额订单期 2，DeepSeek开放V4多模态模型权重，视觉Agent支持本地部署 3，微信支付AI专属卡接入DeepSeek Harness与OpenClaw 4，海信发布家庭AIOS JUOS，多终端共享“超级小聚” 5，宇树展示消防机器狗方案，耐高温机型进入火场侦查 6，《后西游记》成为国内首部上星AIGC长剧，首播收视居同时段第一 7，Cadence称AI有望将芯片设计周期减半，资深工程师仍不可替代 8，NVIDIA拟向联发科投资35亿美元，开放NVLink承接定制芯片 10，欧盟将ChatGPT列为超大型在线搜索引擎，四个月内适用更严义务 11，NVIDIA重启Rubin CPX，168GB HBM4专攻长上下文预填充 12，Apple提交新证据，指控前员工在OpenAI使用机密电路图 13，百度完成香港与纳斯达克双重主要上市转换 14，华为、小米、荣耀多款手机集体涨价，最高上调1000元 15，小米汽车8月交付继续超过3万辆，累计交付突破70万辆 16，华为上半年营收4678亿元，研发投入增至1214亿元 17，我国光伏装机首次超过煤电，12.86亿千瓦成为第一大电源 18，库克卸任Apple CEO，特努斯正式接棒 19，Apple Vision Pro首次直播沉浸式MLB，8K 3D覆盖180度视野 20，FTC联合22州起诉Amazon，指控广告竞价暗加费用 AI赛道观察 1. 范式智能拟斥资超10亿元采购华为昇腾950，国产算力进入大额订单期核心内容：港股上市公司范式智能近期与华为达成大规模算力订单合作，计划出资超过10亿元采购昇腾950芯片，用于金融、制造等行业的大模型训练、推理与应用落地。双方管理层已围绕算力合作进行交流；范式今年4月还曾公告拟用4亿元采购GPU服务器，此次订单若按披露推进，采购规模和国产化程度都明显提高。消息目前主要来自知情人士，具体数量、交付周期与合同执行情况仍需等待公司公告确认。对国产AI产业而言，真正重要的不只是一次大额采购，而是芯片、软件栈和行业模型能否在真实生产环境里形成稳定吞吐、迁移成本可控和持续可交付的闭环。 2. DeepSeek开放V4多模态模型权重，视觉Agent支持本地部署核心内容：DeepSeek开放DeepSeek-V4-Flash-Vision-Exp模型权重，并采用MIT协议，开发者可下载后研究、微调或私有化部署。该实验模型在V4-Flash文本能力基础上加入视觉理解，支持图像与文本混合输入，可用于界面识别、图表分析、视觉问答和调用工具的多模态Agent；官方此前已在API平台提供服务，并让DeepSeek Harness 0.1.1直接兼容。公开说明称，模型在纯文本Agent、推理和世界知识能力上与V4-Flash正式版相当，在视觉Agent基准上有明显提升。权重开放把能力从云端接口带到本地环境，但实验版的显存需求、推理速度、真实场景准确率和安全边界，仍需要开发者独立验证。 3. 微信支付AI专属卡接入DeepSeek Harness与OpenClaw 核心内容：微信支付宣布，AI专属卡在已支持WorkBuddy、QClaw之后，新增接入DeepSeek Harness和OpenClaw。该产品于今年6月17日发布，目标是给能够调用外部服务的AI智能体提供独立支付工具，使订阅、采购或自动执行任务时不必直接暴露用户主账户。接入更多Agent框架，意味着支付能力开始从单一应用扩展到开发者工作流，但这类卡片的关键并不是“让AI会花钱”，而是能否把额度、商户范围、单笔上限、授权确认、异常冻结和账单追溯做成默认能力。只要智能体拥有连续执行权限，任何识别错误或提示注入都可能变成真实资金风险，支付边界需要比普通快捷支付更细。 4. 海信发布家庭AIOS JUOS，多终端共享“超级小聚” 核心内容：海信发布面向家庭全场景的AI操作系统JUOS，原生适配电视、闺蜜机、投影、显示器和智能家电等多类终端。系统以自研星海大模型和四大原生引擎为底座，把“超级小聚”作为统一AI能力载体，并提供AI桌面、超级小聚和小聚妙联三项核心功能，试图让家庭设备从被动响应指令转向理解成员、内容与场景后主动协同。家庭AIOS的难点不在于给每台设备装一个聊天框，而在于账号、权限、设备状态和长期记忆能否安全共享。海信拥有电视与家电硬件入口，但跨设备执行的稳定性、第三方接入规模、隐私隔离和旧设备兼容，才会决定JUOS能否成为家庭层面的真实系统。 5. 宇树展示消防机器狗方案，耐高温机型进入火场侦查核心内容：宇树科技公开四足机器人消防应急解决方案，展示A2-W背负、侦测与建模机器狗，B2智能水炮、卫星侦查与耐高温机器狗，以及搭载云台的侦查机型。方案可让消防员通过机器狗与被困人员进行双向语音对讲，耐高温B2则面向人员难以靠近的高热、浓烟和结构复杂区域。机器狗在废墟、楼梯和非结构化地面上的通过能力，使其适合先行侦查、建图和输送设备，但演示并不等于完成消防实战验证。续航、通信中断、热辐射、喷水反冲、传感器污染和失效后的回收都必须纳入测试。真正有价值的部署，是让机器人承担更危险的第一步，同时把现场决策权留给受训消防人员。 6. 《后西游记》成为国内首部上星AIGC长剧，首播收视居同时段第一核心内容：神话题材季播剧《后西游记》第一季“花果山篇”于8月31日在湖南卫视和芒果TV开播，实时收视率位居省级卫视同时段第一。该剧由芒果TV出品、AIGC创新内容中心制作，共30集，画面与人物演绎采用AIGC流程完成，被称为国内首部上星播出的AIGC长剧。公开材料显示，项目采用边制作、边审核、边播出的方式，把AI视频从短片试验推进到连续长篇叙事。首播数据证明话题和新鲜感能够带来注意力，却不能替代整季口碑；人物一致性、表演细节、版权来源和叙事质量仍要经受连续播出的考验。AI降低制作门槛后，稀缺资源会更快转向好剧本、审美判断与成熟制片流程。 7. Cadence称AI有望将芯片设计周期减半，资深工程师仍不可替代核心内容：Cadence资深副总裁兼数字与签核事业部总经理滕晋庆在CadenceLIVE 2026期间判断，AI EDA短期内可能让芯片设计效率接近翻倍，但未来至少五年仍看不到只靠AI生成一颗可用芯片。AI已经适合探索实现方案、缩短测量与验证循环、优化局部电路，并把工程师从大量重复搜索中释放出来；复杂芯片仍需要资深人员处理架构权衡、跨模块约束、签核责任和异常情况。这个判断把“AI会不会替代工程师”拆成更具体的问题：机器先吃掉可搜索、可评估的设计空间，人类继续对目标、取舍和最终结果负责。芯片行业真正的竞争点，将是企业能否把经验沉淀进可验证的工具链，而不是只展示一次生成结果。 8. NVIDIA拟向联发科投资35亿美元，开放NVLink承接定制芯片核心内容：NVIDIA计划向联发科投资35亿美元。合作的一项核心安排是让联发科采用NVIDIA技术，为AI公司与超大规模云客户设计可直接接入NVIDIA数据中心的定制芯片，并进入NVLink Fusion生态。随着Amazon、Google、Microsoft、OpenAI和Anthropic等客户加快自研ASIC，NVIDIA不再只防守GPU份额，而是把NVLink、机架互连和整套数据中心架构开放给第三方芯片，让客户即使使用自研计算芯片也继续留在其基础设施标准中。联发科预计定制数据中心ASIC业务2026年收入可达20亿美元。投资能扩大生态，却也强化了资本与订单的循环关系，最终仍需看客户选择、技术互操作性和实际部署成本。 10. 欧盟将ChatGPT列为超大型在线搜索引擎，四个月内适用更严义务核心内容：欧盟委员会依据《数字服务法》把ChatGPT指定为“超大型在线搜索引擎”，同时把Reddit和Roblox列为超大型在线平台。三项服务均申报在欧盟月均用户至少达到4500万，因而触发更高级别监管。ChatGPT将在收到指定通知后四个月内履行额外义务，包括评估并缓解算法系统带来的系统性风险，覆盖非法内容传播、未成年人保护、用户身心健康、基本权利、选举过程和公共安全等领域。此次指定没有判断具体违法行为，而是把通用AI搜索的影响力纳入与大型平台相近的问责框架。对OpenAI而言，产品迭代之外还要持续证明风险评估、内容申诉、研究者访问和透明度机制能够跟上用户规模。 11. NVIDIA重启Rubin CPX，168GB HBM4专攻长上下文预填充核心内容：NVIDIA已重启面向AI推理预填充阶段的Rubin CPX项目，并大幅调整设计，产业链信息预计其在2027年第一季度开始生产。新版单卡算力接近标准Rubin GPU，最高功耗同为2300W，内存从旧方案的128GB GDDR7改为168GB HBM4；8颗芯片组成计算托盘，8个托盘组成机架模组，并建议与Vera Rubin NVL72机架按1比1配对。分析师郭明錤判断，当前AI推理工作量超过一半用于处理输入和建立KV Cache，独立承接预填充可让标准GPU集中处理后续生成。专用分工有望降低长上下文成本，但项目仍属产业链信息，量产节奏、良率、网络瓶颈和真实单位Token成本要等正式产品与客户部署验证。 12. Apple提交新证据，指控前员工在OpenAI使用机密电路图核心内容：Apple在针对OpenAI的商业秘密诉讼中提交新材料，称前员工Chang Liu交回的旧工作电脑显示，他在OpenAI工作时使用过Apple机密电路原理图及一款与Apple内部工程应用同名的工具。Apple还指控Liu得知调查后，请OpenAI同事协助销毁证据，并申请加速证据开示和初步禁令，试图阻止OpenAI在诉讼期间使用相关技术开展硬件工作。上述内容目前仍是Apple一方指控，公开文件中的关键证据经过遮盖，法院尚未作出事实认定；OpenAI此前回应称，Liu访问文件是为帮助前同事，并质疑Apple离职权限管理。案件将检验人才流动、残留访问权限与商业秘密使用之间的法律边界。互联网赛道观察 1. 百度完成香港与纳斯达克双重主要上市转换核心内容：百度将香港联交所的第二上市地位转换为主要上市，9月1日起正式生效，与纳斯达克共同构成双重主要上市。转换后，百度需要同时遵守香港与美国主要上市地的规则，香港市场的监管、信息披露和股东保护要求会更直接地适用于公司；相应地，港股也不再只是依附海外主上市地的第二通道。双重主要上市通常有助于扩大投资者覆盖和交易安排的稳定性，并降低单一市场制度变化带来的不确定性，但不会自动改善估值与基本面。百度能否从结构转换中获得长期收益，仍取决于搜索、智能云、自动驾驶和AI投入能否带来可持续收入与利润，投资者最终买单的是经营结果而不是上市标签。 2. 华为、小米、荣耀多款手机集体涨价，最高上调1000元核心内容：华为、小米、荣耀从9月1日起调整多款主力手机价格，部分旗舰机型涨幅达到1000元。公开渠道显示，华为Mate 80系列不同版本上涨200至1000元，Mate 80 Pro部分配置上调1000元；小米17系列及REDMI多款机型普遍增加200至500元；荣耀Power2和Magic8不同配置上涨300至600元。多品牌同日动作把存储芯片、零部件和供应链成本压力直接传到零售价，也会影响经销商库存、促销节奏与以旧换新计算。价格表仍可能因渠道补贴和地区活动出现差异，消费者需要以官方商城与门店成交价为准。行业接下来的考验，是能否用产品升级解释涨价，而不是把成本变化完全交给用户承担。 3. 小米汽车8月交付继续超过3万辆，累计交付突破70万辆核心内容：小米汽车公布，2026年8月交付量继续超过3万辆，已连续五个月保持在这一水平。公司正为小米澎程上市交付做准备；雷军在7月技术发布会上表示，小米SU7和YU7发布两年半后累计交付已超过70万辆。月度交付站稳3万辆，说明生产与交付体系进入相对稳定阶段，但新车型上市会重新考验产能分配、门店服务、售后与供应链。交付量只反映车辆到达用户的速度，不等同于盈利能力和长期口碑；随着在手车型增加，事故维修、保险成本、软件更新和二手车残值都会成为品牌体验的一部分。小米下一阶段需要证明的，是规模上去后服务质量仍能同步增长。 4. 华为上半年营收4678亿元，研发投入增至1214亿元核心内容：华为2026年上半年实现营业收入4678.19亿元，同比增长9.55%；研发投入1213.82亿元，创同期新高，占营收25.94%，同比增长25.2%。同期净利润为238.09亿元，低于上年同期的371.95亿元。营收增长与利润回落同时出现，显示公司把更多资源投向芯片、AI算力、操作系统和终端等长期项目，也承受高研发与业务扩张带来的阶段性成本。高强度投入可以解释利润压力，却不能替代对投入效率的检验。接下来更值得关注的是，昇腾、鲲鹏、鸿蒙和智能汽车相关业务能否把研发成果转成稳定收入，以及不同业务的现金流能否支撑这一投入节奏持续下去。 5. 我国光伏装机首次超过煤电，12.86亿千瓦成为第一大电源核心内容：国家能源局公布，截至2026年7月底，我国光伏发电装机容量达到12.86亿千瓦，其中集中式光伏7.04亿千瓦、分布式光伏5.82亿千瓦，装机规模首次超过煤电，成为国内第一大电源品类。这是能源结构变化的重要节点，意味着光伏已经从补充能源变成电力系统的主体容量之一。装机容量领先并不等于任何时刻都能提供同等可用电量，光照波动、地区消纳、电网调度、储能和跨区域输送仍决定实际贡献。下一阶段的重点会从“装了多少”转向“能否稳定用好”：新能源利用率、灵活调节能力、现货电价机制和退役组件回收，都需要与新增容量同步建设。 6. 库克卸任Apple CEO，特努斯正式接棒核心内容：Tim Cook在担任Apple CEO约15年后于9月1日卸任，并向员工发送告别信，硬件工程负责人John Ternus正式接任。Cook不会离开公司，而是转任执行董事长，继续参与长期战略。其任内Apple从以iPhone为核心的硬件公司扩展到可穿戴设备、服务与自研芯片体系，市值较2011年增长超过3.6万亿美元；与此同时，公司也面临AI产品节奏、App Store监管、供应链与下一代硬件创新的压力。Ternus以硬件和产品执行见长，接棒时点紧邻新一代iPhone与折叠设备周期。领导权交接真正要回答的，不只是能否延续运营效率，而是Apple能否在AI时代重新形成让用户感知明显的产品突破。 7. Apple Vision Pro首次直播沉浸式MLB，8K 3D覆盖180度视野核心内容：Apple与美国职业棒球大联盟首次在Vision Pro上直播Apple Immersive版“周五棒球夜”，首场为波士顿红袜对纽约洋基。制作团队使用多台8K摄像机录制3D画面，提供180度视野，把观众位置切到牛棚、休息区和场边；这也是本赛季计划直播的四场沉浸式比赛中的第一场。报道体验认为，临场感和空间音效接近身处球场，但沉浸体验仍受头显价格、佩戴负担、清晰度和可观看赛事数量限制。体育直播能为Vision Pro展示传统电视难以复制的价值，也暴露内容供给不足的问题。只有赛事版权、制作成本与持续观看体验形成可复制模式，沉浸式直播才可能从技术演示变成稳定订阅服务。 8. FTC联合22州起诉Amazon，指控广告竞价暗加费用核心内容：美国联邦贸易委员会联合22个州起诉Amazon，指控其在电商网站与应用的搜索广告竞价中长期秘密抬高价格，并误导超过120万名广告客户。诉状称，Amazon对外宣称采用“第二价格”竞拍，即中标者只需比第二名多付一点，实际却通过未披露附加费提高点击成本，并把更高广告支出传导给卖家和消费者。Amazon否认存在公司层面的欺骗，称FTC曲解了广告竞价方式，并表示2019年至2025年赞助商品广告的平均中标价下降约一半。案件仍需法院审理，监管方也要证明收费机制与损失之间的因果关系；但它提醒平台，广告算法再复杂，也不能替代清晰定价和可审计规则。【心语】只要路是对的，就不怕遥远。不辍前行，终有一天会遇见不放弃带来的惊喜。收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

大厂这波Agent混战，杀死10多个AI名品

Tue, 01 Sep 2026 02:56:43 +0000

2026 年夏天，阿里把 QoderWork、悟空、MuleRun 整成「千问办公」，字节将 Coze、TRAE 并进「豆包工作」，腾讯也收拢多只龙虾。巨头办公 Agent 决战开启，不到半年便杀死十余个曾熟悉的 AI 名品。 2026年8月的 AI 圈，组织架构调整的消息比产品发布更密集。先是阿里将 QoderWork、悟空、MuleRun 三款产品整合为“千问办公”（QwenWork），8月3日正式开启公测。紧接着8月24日，字节跳动也将 Coze、TRAE（扣子）团队及相关办公 Agent 能力整合进豆包体系，8月25日正式推出“豆包工作”。伴随着字节、阿里和腾讯都确定了自己的 ChatGPT Work ，也意味着巨头旗下那些曾经熟悉的 AI 品牌名字，以后将不再被重点投入，逐渐退出大众视野。实际上不只是字节3款、阿里3款 AI 产品被整合，腾讯WorkBuddy前有至少五只“龙虾”——自研的 WorkBuddy、直连微信的 QClaw，以及接入企业微信、QQ 和腾讯云轻量云部署的多款 OpenClaw 改版；百度则关闭了文心一言官网，dodo 收进搭子，而且这可能还不是最终的调整。在 Claude Code、Codex 掀起的这波桌面办公 Agent 大战中，国外 SpaceX 以 600 亿美元收购 Cursor、8月14日交割完成，其能力被整合进 Grok Bot。国内则激烈得多，大厂不到半年时间，杀死10多个 AI 知名产品，都已经瞄准了办公 Agent 这一场景，准备决一死战。 01 那些失败的探索该停止了 2025年钉钉的春季发布会，无招信心满满地召开了发布会，悟空横空出世，被定位为阿里在 To B 领域的 AI 出口，这是和千问一样的级别。当时阿里 CEO 吴妈就坐在台下，静观这场发布会，也是一种重视的信号。那场发布会，无招生动展示了很多案例，但他内心知道，这场发布会结束后，如何让悟空避免重蹈 DingONE 高开低走、DAU 迅速下滑的覆辙，才是确定悟空成败的关键。不同于无招的忐忑，对于飞书的总裁谢欣而言，一直到7月份都豪情满怀。尽管早在3月份，字节内部就有整合打通飞书的声音。这一切没有阻碍飞书向 AI 进军的脚步，多维表格口碑爆棚，内部飞书 AI 助手 My AI 也在紧锣密鼓推进，产品局面看起来一片大好，商业化推动过程有点难题。 1月12日，Anthropic 推出 Cowork（Claude Code 的“全民版”），让办公 Agent 这个赛道开始变得清晰，Codex 后续将这个赛道不断拱火，更名为 ChatGPT Work 后，更是让办公 Agent 成为统一命名，QwenWork、WorkBuddy、豆包工作都接踵而至。当然，国内 Agent 的普及教育，实际上是被龙虾热带动的，那时候流行上门500元安装 OpenClaw，让 Mac mini 一度供不应求、一机难求。腾讯那时候一口气上线五只“龙虾”，虽然多是 OpenClaw 的套壳改版，但这场套壳大运动，也间接让腾讯在 Agent 市场开始赛马。这时候大家没料到，来自腾讯云产品六部的 WorkBuddy 会异军突起。毕竟同门产品 CodeBuddy 相比同期竞品 TRAE，产品力差不多落后了3个月，腾讯也没有足够强的 Coding 模型，发展前景不算乐观。但同门的 WorkBuddy 可谓来得早不如来得巧，相比悟空因为执着于 To B Agent 而束手束脚，以及豆包专业版为了收费而匆忙上线，WorkBuddy 在办公 Agent 市场上方向正确、稳扎稳打，等到机会就能爆发增长。当然一条假消息也刺激了市场：WorkBuddy 日活1300万。这让其他几家大厂如坐针毡，腾讯竟然不知不觉中拿到了 AI 应用的船票？而实际上，这个日活被自媒体多传了个0，月活才是2000多万量级。但也让各家大厂下定决心，办公 Agent 是继 Chat Bot 之后必须决出胜负的领域。 02 多大代价也要为AI割舍办公 Agent 成为大厂混战的核心战场，也与 Anthropic 猛增的年化收入有关——截至7月底， Anthropic 年化收入（ARR）已突破650亿美元，较2025年底的90亿美元增长逾7倍，当头部公司靠 Agent 赚到真金白银，谁都不想再错过。而且，字节更知道这种亏损的滋味。据晚点 LatePost 报道，豆包日活超2亿、月活约3.8亿，但单日营收不足百万元，每天光是算力就要烧掉数千万元；国联民生证券测算，字节单日综合成本在1.32亿至2.4亿元之间，全年亏损或数百亿。一开始，字节依靠豆包的收费情况并不理想。2026年6月豆包专业版上线时，标准套餐68元/月，最高一年5088元。这个价格在个人市场遇到不小阻力——毕竟千问和元宝App 至今仍对个人用户免费。豆包面对的尴尬是：把高门槛的办公能力塞进一个靠免费聊天起家的 C 端产品，用户的第一反应不是“好功能”，而是“原来你也要收我钱了”。更重要的是，WorkBuddy 从一开始就是“干活收钱”的定位，商业化路径非常清晰。个人版和企业版都有明确的收费计划。用户打开它就自带付费预期，因为它在做的是“替你完成工作”，而不是“陪你聊天”。用 Agent 赚钱这个道理很容易明白，但对于字节来说，整合一堆 AI 产品只推一个 Agent，这个决策很难下。它不像腾讯的 Qclaw 这些产品，整体用户数还不算多；也不像阿里的悟空和 MuleRun 一样，短期看不到崛起的希望。字节要砍掉的是，2025年口碑都非常好的两款产品，Coze 和 TRAE。这两款产品我都用过，也是2025年我唯二为国内 AI 付费的产品。这不难理解，Coze 火了差不多两三年，很多工作流产品都是基于它搭建，而且还有完善的分享社区，普通人在2025年前想做个 AI 产品，Coze 就是最容易上手的产品。如果 AI 技术在2025年停止进步，我会建议大家都去学 Coze。但 Workflow 属于会代码的不想用，不会代码的处理不了节点问题，这也是 Coze 的死穴——Coze 交付的是过程，而不是交付结果。 TRAE 也是如此，2025年 AI Coding 正火时，TRAE 用免费一个月的 Claude 3.7模型吸引用户，让多少人第一次体会到 Vibe Coding 的乐趣。我就是那时候用 TRAE 做了小鲸历的1.0版本。目前已经是带工作台的小鲸历2.0 版本让两个有很多用户的 AI 产品，为还没有成熟的“豆包工作”让路，这个决策确实难以下达。况且 Coze 最新版本就在前几天发布，都宣传了办公 Agent 能力，TRAE Work 也上线了一两个月，都还想搏一搏。但在飞书的亏损面前，字节知道对这俩产品长痛不如短痛。飞书的“Aily 智能伙伴”，已经在8月中旬正式更名为“豆包工作伙伴”，TRAE 和 Coze 这一步也一定会来。 03 办公Agent未来谁会赢现在局面清晰，腾讯的 WorkBuddy 先跑一步，阿里推出千问办公紧追，字节整合出“豆包工作”气势汹汹而来，谁会赢？这与每一家的打法有关，能看出一些草蛇灰线。目前， WorkBuddy 有两个杀手锏，一个是企鹅生态的打通，一个是模板库的建设。前者是把腾讯文档、ima 知识库等打通，办公场景肯定要 Office 能力过关WorkBuddy人机双写实测：AI时代的Office，真的来了。 WorkBuddy 模板库则集合了专家、技能库、灵感库等内容，WorkBuddy 上有不少工作台模板，这一点很受小白用户喜欢。关键是，腾讯没有 Coze 这种成功的低代码平台包袱，也没有必须保住的独立 AI IDE 品牌 TRAE，CodeBuddy 哪一天整合进 WorkBuddy 也很正常。而对于字节来说，它的优势是豆包月活傲视群雄，另外 Coze 和 TRAE 都已经在 AI 局部战场赢过一次。这一次更是把飞书强力整合进来，豆包最新版本的左侧栏，几乎对标了 WorkBuddy 的「智能体 + 工作台」双层结构，豆包工作也在今天正式发布。功能容易复刻，最重要的是，豆包的云电脑模式，能不能带着豆包工作，提前进入 Grok Bot 那种多智能体云端协同的新 Agent 时代，这是我个人对 Codex 等一众 Agent 产品，下半年演化方向的判断。而对于千问办公来说，QoderWork 有一定的基础口碑，Qwen 系列国产最强模型之一，拿到国产办公 Agent 桂冠理应不太难。除非负责人陈宇森不太懂 Agent，但从其和媒体聊 Loop、Multi-Agent 等 harness 内容看，他还是 AI Native 的。办公 Agent 这波混战，杀死更多 AI 产品，其实就是在做去功能化。我在《Agent 生存维艰》一文中说到：创业公司花几个月做出来的“产品能力”，在 Harness 和 Loop 的框架里，只是环境配置的一个模块。尽管各家有各家的优势，有 Codex 在前，大家也都知道未来的发展方向，Goal、Replay、Workspace 等模式也都会逐步补齐。而且 DeepSeek Harness 提出的“一切皆插件”理念，也会进化出不同版本。这些亮眼能力和优势，都会被三大厂吸收，所以一时还看不清终局。当然，你也不能忽略百度的办公 Agent，这也是不礼貌的。百度搭子7月月活 674 万、环比涨 1063%（AI 产品榜·桌面榜数据），GenFlow 则在 8 月 14 日刚更名库库 AI，推独立端，早在4月月活就已破1亿、AI 办公 MAU 超 2500 万，还有秒哒 3500 万用户、350 万个应用。尽管库库 AI 和百度搭子功能已经有部分重叠（Office、Skills、长期记忆、远程下发、企业版全都有），但账号、会员、Skills 体系互不相通，两条线是分工还是合并，百度至今没公布，这也是一股不可忽视的力量。办公 Agent 终有一天，会诞生 AI 时代的“微信、抖音”。这一篇，只是想记录一下当下那些正在消失的AI 产品名字： TRAE、Coze、飞书 Aily、悟空、MuleRun、QoderWork、Qclaw、dodo…… 本文由人人都是产品经理作者【鲸选AI】，微信公众号：【鲸选AI】，原创/授权发布于人人都是产品经理，未经许可，禁止转载。题图来自Unsplash，基于 CC0协议收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

Hugging Face“赶鸭子上架”，只要399美元

Tue, 01 Sep 2026 02:33:45 +0000

399美元的Microduck只有25厘米高、不到800克，便宜到“摔得起”。开放SDK与MuJoCo仿真后，可同时跑4096个虚拟环境训练步态再部署回真机。若英伟达129亿美元收购成行，这条开源路径还能否保持中立，值得观察。 Hugging Face又造机器人了，并且爆火到每4秒就卖出一只。这一次，它造了一只“鸭子”。近期，Hugging Face旗下机器人团队Pollen Robotics发布一款名叫Microduck的机器鸭：25厘米高、不到800克，它拥有两条短腿，一张可以开合的鸭嘴，售价399美元，约合人民币2800元。这只看起来有些像电子宠物的小机器人，会走路、踢球、滑旱冰，也能弯下身体，用嘴把地上的东西“叼”起来。但Hugging Face显然不只是想卖一只更便宜、更可爱的机器人。过去两年，这家以AI开源社区闻名的公司，已经从机器人训练框架LeRobot，一路做到低成本机械臂、机器人模型，再到接连推出两款几百美元的机器人。一家原本做AI开源社区的公司，为什么越来越认真地造起了机器人？答案或许就藏在这只399美元的小鸭子里。 01 一只可以被反复训练的“鸭子” 如果只看官方演示，Microduck很容易被当成一只昂贵点的电子宠物。这只只有一瓶矿泉水瓶高的小鸭子，用两条短腿撑着圆滚滚的身体，走起来一摇一摆。它能坐下、站起、蹲下，也能抬腿把面前的小球踢出去；给脚装上两个小滚轮，又能摇摇晃晃地滑起来。那张看起来主要负责卖萌的鸭嘴，也不是装饰。它其实是一个可以开合的夹爪。Microduck会把整个身体压低，用嘴把地上的马克笔、袜子之类的小东西“叼”起来，再站起来带走。如果不小心摔了，也不用人扶。它会扭动身体、重新调整双腿，再自己爬起来。不过，放在今天的机器人世界里，这些动作其实算不上什么技术奇观。人形机器人已经能翻跟头、打拳、跳舞，一只会踢球、滑旱冰的小鸭子，又能特别在什么地方呢？它是一只开源的机器鸭，开发者可以按照自己的意愿重新训练它的动作。 Microduck出厂已经准备了多套训练好的动作Policy，但Pollen Robotics同时把它的SDK、仿真环境和强化学习工具开放了出来。也就是说，399美元买回来之后，你不只是一个机器人用户，还可以成为它的“教练”。比如，你觉得这只鸭子走得太慢，想让它跑得更快，或者干脆教它一个官方没有的新动作。甚至，可以在它的虚拟分身上教学。开发者可以在电脑里的MuJoCo物理仿真环境中，复制出成百上千只一模一样的“虚拟鸭子”。它们会不断尝试迈腿、保持平衡、摔倒，再重新尝试。动作做得好，就获得更高的奖励；动作不对，算法继续调整。官方的训练示例可以同时运行4096个仿真环境。使用CUDA GPU时，一套可用的行走步态，官方给出的训练时间大约为1—2小时。也就是说，现实中的Microduck还安静地站在桌子上，而电脑里的几千只鸭子，可能已经摔了无数遍。等虚拟鸭子终于学会一个动作，开发者可以把训练得到的神经网络Policy导出，再部署到真实Microduck上。这就是机器人领域经常提到的Sim-to-Real——从仿真到现实。当然，虚拟世界里的成功，不代表真机一定成功。真实地面的摩擦力、电机状态、身体重心，都不可能与电脑模拟完全一致。真机走歪了、摔倒了，开发者可以再回到仿真环境修改参数，重新训练，然后再次部署。如此循环往复。甚至连算力门槛，Hugging Face也试图一起降低。如果电脑里有支持CUDA的NVIDIA GPU，开发者可以直接在本地训练；没有合适的GPU，也可以通过Hugging Face Jobs，把同一套训练任务提交到云端GPU。训练完成，再把得到的Policy部署回Microduck。所以，Microduck是一块长着两条腿的开发版机器人。而它之所以被做得这么小，也不只是为了便宜和可爱，更重要的，是它“摔得起”。对于需要大量试错的开发者来说，低成本、可反复试验的真机很重要。而把机器人做得更便宜、更容易上手，也正是Hugging Face过去两年一直在做的事。 02 Hugging Face，为什么一定要造机器人？过去两年，Hugging Face的业务一直在向机器人领域延伸。最早的起点可以追溯到2024年3月，曾参与特斯拉Optimus项目的Rémi Cadene加入Hugging Face，负责一个新的开源机器人项目。两个月后，LeRobot上线。最初，Hugging Face做的还是自己熟悉的事——软件。 LeRobot不是机器人，而是一套开源机器人学习工具。模型、数据集、训练方法，都可以被开发者放在这里分享。这很“Hugging Face”。过去它做大模型，也是把散落在各处的模型、数据集聚到一个平台上，让开发者少造一些重复的轮子。但Hugging Face CEO Clément Delangue观察到，机器人的AI还处在很早期，并且大家“各干各的”——每个实验室都有自己的技术栈，数据、模型、硬件彼此割裂。 Delangue认为，如果大家能在开源和标准上合作，机器人或许也会等来自己的“ChatGPT时刻”。其实，这件事已经有了一点苗头。IEEE Spectrum今年报道，LeRobot上的机器人数据集已经从2024年底的1145个增加到超过5.8万个，成为Hugging Face Hub上最大的数据集类别。英伟达、阿里巴巴、研究机构，以及在家里折腾机器人的爱好者，都在Hugging Face上传模型。但做着做着，Hugging Face发现，光有软件还不够。比如，模型可以被免费下载，但机器人不能。 Delangue看到越来越多AI开发者开始对机器人感兴趣，但一看价格就却步了：动辄2万美元、3万美元、5万美元，甚至10万美元。一个刚想试试机器人的AI开发者，很难为一次实验先掏这么多钱。于是，Hugging Face开始尝试开发低成本机器人。先是推出百美元级的机械臂SO-100、SO-101，到了2025年，又直接收购已经做了9年开源机器人的Pollen Robotics。后者手里已经有一台成熟的研究机器人Reachy 2，这也意味着Hugging Face第一次真正拥有了造机器人本体的能力。在拥有造“大机器人”的能力之后，他们反而开始把机器人越做越小、越做越便宜：Reachy Mini卖399美元，Microduck还是399美元。 Delangue希望让机器人“便宜到你很容易做决定，买一台放在笔记本电脑旁边，然后开始折腾。” 而他自己也是这么做的。在第一次收到Reachy Mini时，Delangue花了5个小时才把它组装起来。有人打趣说，这有点像拼装宜家家具：螺丝都是自己拧的，装完反而更有感情。 Delangue很认同。他说，自己动手把一个东西做出来，本身就是一种快乐。Hugging Face想要的，也不是用户打开包装，用几个预装好的功能就结束，而是装完之后还会忍不住继续改：有人给它加轮子，有人换电机，有人装上一双手。最好这些变化不是Hugging Face想出来的，而是社区自己长出来的。 Delangue曾在一段采访中表示，Hugging Face真正感兴趣的，不是某一个模型、某一个数据集或者某一种硬件，而是很多人都能参与进来的那些“小贡献”。这种想法多少带着一点Hugging Face式的理想主义。 Delangue希望更多人不仅使用机器人，还能参与决定机器人应该变成什么样。与其由几家公司猜，不如把选择权留给使用它的人。 Hugging Face联合创始人Thomas Wolf也表达过同样的看法：机器人可能是下一个被AI解锁的前沿，但它应该是开放的、便宜的，也是私有的。所以，Hugging Face未必想定义下一台机器人长什么样。恰恰相反，它想把这个问题留给更多人回答。 03 开源的Hugging Face，走向英伟达就在Microduck发布前后，Hugging Face自己也站到了一个微妙的路口。据The Information报道，英伟达已经同意以129亿美元收购Hugging Face。随后路透社援引了这一消息。不过截至目前，英伟达和Hugging Face都没有正式官宣这笔交易，Business Insider得到的说法则是，双方尚未签署最终协议，交易仍有变化的可能。如果最终成行，这将是一个颇有意味的组合。过去几年，Hugging Face一直强调开放、共享，甚至反复警惕AI的未来被少数硅谷公司掌握。Clément Delangue在谈机器人时也说过，如果只有少数人决定未来应该创造什么，是一件“极其危险”的事。而另一边，则是几乎统治AI算力的英伟达。但两家公司其实早就在靠近。英伟达是Hugging Face 2023年融资的投资方之一。到了机器人领域，两家的关系更近：英伟达的GR00T模型、Isaac Lab-Arena等已经陆续进入LeRobot体系。Hugging Face今年初还专门与英伟达联合介绍双方的Physical AI合作，当时给出了一组数字：英伟达拥有约200万机器人开发者，而Hugging Face拥有超过1300万AI开发者。双方想做的，是把这两群人接到一起。甚至在刚刚发布的Microduck身上，也能看到英伟达留下的影子。按照官方训练文档，开发者想在本地训练Microduck，目前需要一块CUDA GPU。因为Microduck使用MuJoCo Warp进行强化学习训练，而这套官方链路依赖CUDA。那么，AMD用户怎么办？发布两天后，就有开发者尝试把训练环境迁移到支持AMD GPU的方案上。这个版本并非Hugging Face官方提供，目前也只完成了部分任务，尚未在真机上验证。所以，官方默认走CUDA，但开源让开发者有机会自己改出另一条路。目前也没有证据表明Hugging Face正在放弃AMD。相反，AMD仍在Hugging Face生态中提供针对ROCm优化的LeRobot相关模型。但如果Hugging Face最终被英伟达收购，这种选择还能不能一直存在，就变成了一个更值得观察的问题。 04 结语说到底，Hugging Face还是想把大模型时代的故事，在机器人身上再走一遍：让硬件便宜下来，让模型、数据和工具流动起来，让更多人进场一起玩。只是这一次，AI有了身体，事情也没那么简单。大模型时代的开源盛况，能不能在机器人身上重来一次，Microduck只是刚刚开了个头。作者：钱江编辑：山茶有界Unknown 原创本文由人人都是产品经理作者【有界UnKnown】，微信公众号：【有界UnKnown】，原创/授权发布于人人都是产品经理，未经许可，禁止转载。题图来自Unsplash，基于 CC0 协议。收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

Hy4Preview，更“姚顺雨”了

Tue, 01 Sep 2026 02:32:36 +0000

上线3天推理集群就挤爆，API排队超5000人，官方把Hy3限免延到9月30日。770B总参数与Terminal Bench 2.1的85.4分只是表象，真正反常的是自进化做进了研发流程本身：训练、数据、评估、算子四个环节全由模型参与定义。 Hy4 preview才刚发布3天，腾讯WorkBuddy就针对Hy4 preview推理集群进行了紧急扩容，官方宣称，将持续动态调配资源。然而WorkBuddy表示，受限于高端算力总量与高峰并发集中，仍不排除个别时段会继续出现排队情况。因此官方推荐用户在Hy4 preview排队期间切换至Hy3，并且同时还把WorkBuddy的Hy3限免延长至2026年9月30日23:59。 Hy4 preview总参数770B，激活参数49B，上下文1M，Terminal Bench 2.1得分冲到85.4，开源第一、全球第三，SWE-bench Multilingual得分82.9，同样是开源第一。 8月28日发布当天，API排队用户就超过了5000人。为什么Hy4 preview这么受欢迎？一方面是WorkBuddy本身的用户量增长，6月时就有数据显示，WorkBuddy的MAU突破了2000万。但更重要的是，这是腾讯基础模型部成立之后的第一个新模型，也是一款从头到尾贯彻姚顺雨理念的产品。在Hy4 preview的技术报告中，腾讯大大方方地标明Hy4 preview使用了哪家的技术，并说明了对其进行修改的具体方式。有意思的地方是，即使用了别人的技术，Hy4 preview却形成了独特的风格。 01 三种“自进化” 一切要从自进化开始说起。 Hy4 preview的README里，这样写道，灵感来自于DeepSeek和GLM（inspired by DeepSeek and GLM）。 Hy4 Preview注意力模块用的是DeepSeek的Gated以及MTP层做投机解码；配的是智谱的IndexCache做跨层稀疏索引复用；残差通路用了字节的iHC（identity Hyper-Connections）。但如果只看到这些，就错过了Hy4真正反常的地方。混元团队在论文中表示，Hy4 preview第一次全程参与了制造自己的过程，在训练方法、数据策略、评估体系和底层算子这四个环节，全部引入了模型的自进化机制。但有意思的是，明明说灵感来自于智谱和DeepSeek，可在自进化的方向上，Hy4 preview又和DeepSeek、GLM完全不同。智谱的自进化，发生在训练阶段，目标是让模型本身变聪明。智谱给GLM-5.3搭了一条“自己出真题自己做”的流水线，让一个“AI研究员”去真实工程师的工作场景里观察，把实际业务提炼成训练数据。再让一个“AI判卷员”先闭卷做一遍，只有确认真的有解，才会把题目放进题库。配合SAO和slime框架，GLM-5.3在不更换基座的前提下，比GLM-5.2的长程编码训练速度提升了约 2.3 倍。这套逻辑的本质是生物学意义上的进化，基因在迭代中变得更适应环境。 DeepSeek的自进化，发生在运行阶段，目标是通过DSH让模型的“身体”可以无限重组。 DSH的核心设计原则是“一切皆插件”，Agent发现缺什么，就现场补什么，用完再无痕拆下来。官方管这叫self-modification。这是工具学意义上的进化，人没变，只是学会使用各种工具，让自己能干更多的事情。腾讯Hy4 preview的自进化，既不在训练阶段，也不在运行阶段，它发生在研发流程本身。 Hy4既不是智谱那样“让自己变聪明”，也不是DeepSeek那样“让自己的工具变多”，它是在定义自己，“我作为Hy4 Preview，我应该是什么样？”比如“我”的训练方法应该怎么设计、数据策略应该怎么定、评估体系应该怎么建。先定义好自己是什么，再朝着自己想要的方向去发展。要想全链路自进化，第一件事就是要统一组织。 Hy4 preview自进化的4个环节，其实就是大模型研发的完整链条。从最基本的训练、数据、评估，到最后怎么把训好的模型高效地跑起来。这也就是说，姚顺雨能完整地统筹整个大模型的研发了。过去这些事物是分开的，腾讯将其分成了两个平行部门，分别为大语言模型部和多模态模型部。各自拥有独立的训练数据、技术框架、研发流程和评测标准。而且当时的腾讯还有AI Infra、AI Data和数据计算平台部分别掌管不同的数据。 7月合并成基础模型部，姚顺雨一个人统管之后，这条链路才第一次被打通。Hy4 preview能参与全链路，本身就代表着组织现在是一条心了。姚顺雨对工程化非常重视。三家里面，只有腾讯混元把“底层算子优化”和“推理吞吐量提升”这些关乎模型实际运行的东西纳入自进化的列表里。姚顺雨入职后第一件事就是重建基础设施，他在6月与汤道生对谈中提到，“我们把Infrastructure重建了，无论是预训练还是强化学习”。哪怕是OpenAI和Anthropic，算力都是最稀缺的资源，汤道生曾公开承认“算力严重不足拖慢了模型训练与产品发展”。姚顺雨必须把每一分算力都榨干。一切的核心在于姚顺雨的方法论——Co-design。边训边用，让产品反馈倒逼模型迭代。 Hy3时期，Co-design主要发生在模型和产品之间，比如将CodeBuddy、WorkBuddy的用户反馈，回流到模型训练当中。到了Hy4 preview这里，Co-design的范围扩大了，整个模型研发流程都遵从这套方法论。也就是说，姚顺雨统一了混元模型，并且让模型与腾讯的所有条线接轨，将他对AI的理解，完全倾注其中。 02 模型是姚顺雨方法论的物质化证明之所以要将姚顺雨的理念贯彻进模型当中，是因为他本身就是语言Agent研究的开创者之一。 ReAct是姚顺雨的代表作，论文于2022年10月挂出，发表在ICLR 2023上，被评为notable top 5%，引用量超过10000次。而ReAct也是如今所有Agent的工作原理。它的核心是把“推理”和“行动”从两个分离的步骤放在同一个prompt模板里的交替循环。想一步、做一步、看结果、再想。不管是Claude Code还是Codex，底层“思考 – 调用工具 – 观察结果 – 继续思考”循环，本质上都是ReAct的变体。姚顺雨的第二大代表作便是Tree of Thoughts（ToT），这是一种增强推理的策略。在关键决策点展开多条思路，分别评估，再选最优路径继续。这个方法在研究层面影响很大，但在实际产品中直接用ToT的其实并不多，因为树搜索的token成本太高，产品里更多是简化版的“多路径尝试”或者“遇到岔路时多想一下”。 ToT扩展了模型的“深度思考”能力，尤其是当ReAct循环中遇到关键的决策点时，ToT提供了一种“要不你再寻思寻思呢？”的机制。从Hy3到Hy4 preview，最直观的感受就是，姚顺雨把他的论文完全搬进了模型中。 Hy3的定位是“强Agent型”模型，ReAct循环已经有了基础，能执行多步骤任务。但Hy3没有“过度验证” 的行为特征，说明它的推理更多是单路径的，想到一条路就走，走到黑算完，缺乏多路径探索和评估的机制。只有模型真的在展开多个候选、逐个评估、确认无误才落笔，才会表现出一种“我必须得狠狠验证对不对”。 Hy4 preview在推理深度上明显加强了，比如模型能反复自我验证、推理过程偏长，这些都是ToT思想在工程中的系统体现。从Hy3到Hy4 preview，不是简单的参数变大，是整个产品的逻辑都变了，从“单路径执行”升级到了现在的“多路径探索+深度验证”。甚至混元官方主动在论文中承认，Hy4 preview复杂任务上可能思考时间过长，并且有过度自我验证的倾向。姚顺雨算是彻底吃上“老本”了，以前在实验室里捣鼓的玩意，现在可算是逮着机会工程化了。但光有方法不行，还得有训练数据支持。大部分大模型的训练数据是“结果导向”的，给出题目，再给出答案，可中间过程被省略了，模型只能学到“看到这个问题给出这个答案、看到那个问题给出那个答案”。这种数据训练出来的模型，做简单题没问题，然而一旦遇到需要多步骤、需要试错、需要根据中间结果调整策略的复杂任务，就容易崩，因为它从来没学过“边做边看边调整”这件事。可ReAct和ToT又强调的是模型边看边解答的这个循环，那该怎么办呢？ Hy4 preview在论文中写到，通过腾讯内部的软件工程师、游戏开发者、金融分析师、安全专家，围绕他们真正交付的工作共建数据，再和CodeBuddy、WorkBuddy这些真实产品共同设计。模型进步的每一格，都锚在真实生产力上。模型本身，就是姚顺雨方法论的物质化证明。作者：苗正编辑：王靖本文由人人都是产品经理作者【字母榜】，微信公众号：【字母AI】，原创/授权发布于人人都是产品经理，未经许可，禁止转载。题图来自Unsplash，基于CC0协议收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

当所有人都在担心AI泡沫，a16z却说真正的风险完全相反

Tue, 01 Sep 2026 02:31:44 +0000

泡沫叙事掩盖了更危险的事实。a16z 的 David George 与 Gavin Baker 用硬数据反驳：Nvidia 数据中心回报周期已压缩到九到十个月，而全球 AI 重度付费用户不足一千万。风险不是算力过剩，而是严重短缺。所有人都在担心AI泡沫，但如果泡沫根本不是问题，真正的风险是完全相反的方向呢？过去两年，我见过太多聪明人拿着一堆估值模型，反复论证AI基础设施投资已经严重过热。他们的逻辑听起来无懈可击：历史上每一次技术革命都伴随着过度建设，互联网泡沫、光纤泡沫、铁路泡沫，最后都以惨烈的供给过剩收场。AI凭什么是例外？但最近我听了a16z（安德森·霍洛维茨基金）的David George和投资人Gavin Baker的一段深度对话，听完之后我的想法发生了根本性的动摇。他们用的不是宏观叙事，而是一组具体的数字——用户数量、token消耗增速、算力回报周期、供给建设速度——把一个完全相反的图景拼了出来：我们面临的不是算力过剩，而是算力极度稀缺。需求的增速远远超过任何人建设供给的能力，而那些阻止建设的力量，正在为一个极其糟糕的未来铺路。这篇文章我想把他们的核心论点梳理清楚，同时加上我自己的思考。没人能给我一个悲观的数据点 Gavin Baker今年夏天见了大量创业者、投资人和企业高管，他给每个人问同一个问题：你的业务里，有没有哪怕一个量化的数据点是在变差的？就一个就行。从七月问到八月，他没有找到任何一个人能回答这个问题。OpenAI在加速，开源模型在加速，Grok在Grockbot发布之后经历了爆发式增长，整个AI行业在夏天都在提速。与此同时，二级市场上的AI相关股票跌得很惨。Gavin用了一个比喻：你可能会淹死在一条平均水深只有两英尺的河里。指数层面没什么大动作，但很多AI个股已经从高点跌去了一大半。基本面在加速，股价在下跌，这种分裂说明了什么？我的判断是，市场现在定价的是一个“泡沫叙事”，但它可能正在系统性地误读现实。这不是第一次发生。每一次真正重要的技术变革，市场都经历过同样的路径：先过度兴奋，然后矫枉过正地悲观，然后在悲观期里，真正有洞察力的资本完成了最关键的布局，然后才是真正的价值实现。问题不是AI会不会实现，而是你在哪个阶段开始认真对待它。现在这个时间点，可能比大多数人意识到的更关键。这不是零和游戏，是一个”与”的问题对话里有一段让我印象最深。David和Gavin都提到，现在AI行业里充斥着零和思维：frontier lab（前沿模型实验室）赢了开源就输，大模型公司做大了应用层就没机会，Nvidia赢了其他芯片就完了。Gavin说他跟LP（有限合伙人，即基金出资方）开会，每次一开口，对方第一个问题一定是：这一切会从哪里开始崩？他的回答是：你问错问题了。这不是一个“或”的问题，是一个“与”的问题。Frontier model会跑通，次前沿模型也会跑通，开源会跑通，跑得快的应用公司会跑通，云厂商大概率没问题，Neo Cloud（新兴云服务商）会跑通，inference（推理服务）云会跑通，Nvidia稳坐中心。不是说所有参与者都赢，但这个行业的总量足够大，足以让多个完全不同的玩法同时成立。这个判断背后有一个更深的逻辑我觉得很多人忽略了：AI现在的体量，相对于它最终会渗透的市场规模来说，仍然极其微小。当一个市场还在从0到1的早期阶段，多方并存是常态，不是反常。赢家通吃只会发生在市场饱和之后。但我们离市场饱和还非常遥远——遥远到Gavin和David在讨论的时候，他们反复在用的词是“nowhere”，我们现在根本连早期都还没走完。所有关于“谁会赢”的讨论，都建立在一个错误的前提上：好像这个市场已经接近天花板了。它根本没有。算力回报周期快得让人不敢相信 Gavin分享了一组具体的数字，让我听了之后意识到为什么这么多顶级机构在疯狂建数据中心。他说现在建一个Nvidia数据中心，回报周期大概在九到十个月以内。Nebius和CoreWeave的公开披露数据都指向这个区间：建一个吉瓦（gigawatt，十亿瓦）的算力，成本大约500亿美元，其中50%到60%可以通过客户预付款提前回收，剩下放到现货市场，整体回报速度极快。现货市场的回报甚至更快。更重要的一点是，这些Nvidia数据中心是可以低成本融资的。Blackstone、KKR、Apollo这些顶级另类资产管理机构都在给Nvidia数据中心提供债务融资，而且利率相对低廉。为什么？因为这些GPU的残值（residual value，设备使用期结束后的剩余价值）一直在被向上修正——随着模型越来越强，每单位算力能产生的商业价值也在上升，这让贷款方愿意接受更低的风险溢价。Gavin还提到，Nvidia甚至会为数据中心提供残值担保（RVG），只要担保金额低于他卖芯片的毛利，这笔交易对Nvidia来说是净正收益。 Gavin在自己的投资生涯里说，极少见到这种机会：能部署数百亿到数千亿美元，同时实现不到一年的回报周期。他把这种机会和互联网早期的云基础设施相比，但云的回报周期要长得多，资本效率远不如现在的算力投资。我听完这段的感受是，很多人还在用传统重资产行业的思维框架来评估数据中心——资本开支重、建设周期长、风险高。但如果回报周期真的在一年以内，这根本就不是传统意义上的重资产，而是一门现金流极其强劲的生意，只是穿了一件重资产的外衣。穿透这件外衣，里面的商业逻辑其实非常清晰。真正的重度用户，全球可能不到一千万这是整段对话里我觉得最容易被忽视、但含义最深的部分。Gavin问了一个问题：现在全球AI的重度付费用户，到底有多少人？有人估计大概三千万，他说他可能还要取更低的数——实际可能不到一千万。他解释了为什么这个数字这么低。从a16z投资组合里的公司来看，即使是技术最激进的AI原生公司，token（生成内容的基本计量单位）开支占人力成本的比例也只有10%出头，而传统行业里做得比较好的公司大概只有1%。在每家公司内部，AI使用量遵循严格的幂律分布：用量最高的工程师，可能是中位数工程师的一百倍。换言之，这几百万到一千万人，是全球AI消费的真正引擎，而他们之外的十几亿知识工作者，基本还没有开始认真用AI。 Gavin还分享了一个自己公司的真实数据：从三月到八月，内部token消耗增长了一百倍。他们刚接入Grockbot Enterprise，仅仅两个人用了一个月，token开支可能又要增长十到二十倍。而全球知识工作者的总数是十五亿。我自己做了一个简单的推算：如果重度用户只有几百万，而潜在市场是十五亿，我们现在大概处在扩散曲线的1%不到的位置。这意味着现有的所有供给，都是在服务这个微小的早期群体。当用户规模从几百万扩张到几亿，需求的绝对量会发生什么？不是翻倍，不是增长十倍，是一个指数级的跳变。而且这个跳变不需要什么技术突破来触发，它只需要时间，需要使用习惯的自然形成。Gavin说他五十岁，不管多努力，用AI的方式永远不可能像二十三岁的年轻人那样流畅自然。这句话听起来是个人感慨，但背后是一个关于未来需求曲线的精确预测：下一代人会把AI当成空气，他们的用量会比我们高出一个数量级，而他们现在还在读大学。如果出现严重供给短缺，会发生什么这是整段对话里让我最有紧迫感的部分。Gavin明确说，他现在不担心算力过剩，他担心的是算力严重不足。他的依据是：看所有预期中的建设计划，到2028年，已经确认的项目把可用容量全部锁定了，没有富余。而各种地方性的阻力正在拖慢新项目的落地速度。如果需求继续按现在的轨迹增长，而供给被系统性压制，会发生什么？Gavin给出了一个和主流叙事完全相反的预测：token的价格可能会涨，而不是跌。大多数人的默认假设是AI成本会一路下降，就像芯片和存储的历史规律一样。但那个规律成立的前提是供需平衡或供给宽松。如果需求增速远超供给增速，价格就会上涨。Gavin甚至提到有人预测token价格可能涨十倍——这听起来荒诞，但在供需严重失衡的情况下，并非没有逻辑支撑。更深的问题是，谁会受到冲击。如果算力变得稀缺且昂贵，最先被挤出去的是中小企业和个人用户，大公司和有钱人会优先抢占有限的算力。这就是Gavin说的“计算不平等”——一个AI能力只有少数人负担得起的未来。这个结果没有人想要。但讽刺的是，它恰恰可能是那些打着保护普通人旗号阻止数据中心建设的人推动出来的。他们以为自己在保护社区，实际上可能在制造一种新的资源垄断。数据中心正在重新工业化美国这段对话里有一个叙事我觉得非常值得被更多人听到，但目前说这个故事的人太少了。Gavin说，数据中心实际上是近几十年来对普通工人最好的事情之一，但这件事从来没有被认真讲清楚过。他列了几个具体的点。数据中心进驻一个小镇，当地税收不是增长一倍，而是增长十倍。那些被制造业撤离拖垮的小镇，正在因为数据中心重新活过来。成为电工、管道工、HVAC（暖通空调）技术员，现在能赚的钱比读很多大学专业都要多，而且是真实的、本地的、无法被外包的工作。美国天然气价格是每百万英热单位两到三美元，而欧洲和亚洲是二十美元以上，这给美国制造业提供了一个巨大的结构性成本优势，而数据中心正在把这个优势具体变现。 Gavin提到弗吉尼亚州的Loudoun County（劳顿县），全美人均收入最高的县，同时也是全美数据中心密度最高的地方。这个事实本身就是对所有关于数据中心危害社区的叙事最有力的反驳。但Gavin说，这个故事没有人在认真讲。AI行业的人大多在对着已经信服的技术圈子说话，而真正需要听到这个故事的人，接触不到这些内容。他拿Meta举例：Sheryl Sandberg在Meta早期每次财报电话会都会列举十到十五个因为Meta广告平台改变命运的具体小企业，Des Moines的蛋糕店，两个单身妈妈，从两个人做到十五家门店，雇了五十个员工。这种具体、真实、有名有姓的叙事方式，比任何抽象的政策论证都有力。AI行业需要同样的东西：不是宏大叙事，而是一个一个真实的人和真实的生意。轨道数据中心不是科幻，是下一个基础设施赛道我听这段的时候，几乎以为在听一部科幻小说的情节。SpaceX正在开发轨道数据中心，把算力部署到太空中。David和Gavin都提到，Jensen Huang和Elon Musk已经联合设计了一个叫Rubin rack的轨道计算模组，计划在2027年第四季度发射。很多人的第一反应是不可行，成本太高，物理上有根本限制。Gavin的回应让我觉得很有说服力：你可能是物理学博士，智识水平远高于平均，但你为这件事认真思考了多少小时？一小时？十小时？SpaceX有一万名顶尖工程师，每个人为这件事思考了数百甚至数千小时。集体智识的总量在这里是完全不对称的。有一位投资人朋友，自己是物理学博士，在网上坚持说这在物理上不可能，后来去参加了SpaceX的开放日，和工程师们深谈之后，他说：我错了。轨道数据中心的经济逻辑其实并不复杂。在地球上建数据中心，主要成本是电力、冷却和土地，这三项成本都在通货膨胀，因为对电工、建材、土地的需求随着数据中心热潮急剧上升。在轨道上，电力来自太阳能板，冷却依靠散热板背对太阳的阴影区，不需要大楼，不需要复杂的地面基础设施，不需要水冷系统。关键变量是发射成本。目前把一吉瓦算力发射到轨道的成本里，大约350亿美元是硬件，这和地面差不多，甚至因为太空环境不需要某些组件而更低。另外150亿美元是发射成本，这部分在地面是电力、冷却、劳动力，这些都在通货膨胀。而Starship（星舰）如果实现完全可复用，单次发射成本会降到十亿美元以下，轨道算力的整体经济性就瞬间翻转了。Gavin的判断是，轨道算力至少会成为“swing capacity”（调峰容量），在地面供给紧张时补缺，而长远来看规模可能超出大多数人的想象。他说这个机会现在几乎没有人在认真讨论，但它正在眼皮底下发生。谁会成为智能的抽象层这是对话里商业含义最深的部分，也是我个人认为未来五到十年AI行业最重要的战略博弈所在。Gavin和David讨论的核心问题是：在AI时代，谁会成为企业和用户获取“智能”这种新型生产要素的默认入口？现在的格局是这样的：有frontier model公司做最强的基础模型，有开源模型让算力门槛降低，有各种垂直领域的应用公司，有云厂商，有像Fireworks这样的inference（推理）基础设施公司。谁最终坐在中间那个位置，成为企业获取AI能力的入口，谁就拿到了一张历史级别的船票。 Gavin认为未来大概率是“多模型架构”：企业用自己数据微调的开源模型处理日常任务，用一两个frontier model做复杂推理，中间有一个路由器透明地分配任务。Fireworks的Nexus产品在朝这个方向走，微软Satya Nadella提出的“specialized intelligence”（专属智能）论文也是类似逻辑。但Gavin说得很直接：听起来简单，做起来极其复杂。你要说服全球最大的企业把核心业务数据交给你训练模型，还要让路由器在他们察觉不到的情况下无缝切换模型，还要持续升级底层开源模型，同时还在跟frontier lab、Databricks、Snowflake、Salesforce、Harvey、Cursor所有人竞争同一个入口位置。我自己的看法是，这个“abstraction layer”（抽象层）的竞争比模型本身的竞争更重要，但也更不透明。模型的强弱有benchmark（评测基准）可以量化，但谁最终成为企业AI的默认入口，取决于太多非技术因素：信任、数据安全承诺、生态系统整合度、价格、以及最重要的——谁能在客户说“我不想管这些技术细节”的时候，让他们真的不用管。这不只是产品竞争，是一场关于信任和习惯的长期战争。垂直领域里，Harvey在法律方向已经跑出来了，Cursor在编程领域做到了，这两个都是高度文档化、相对可验证的领域。而更广泛的企业场景，这场战争才刚刚开始。 Nvidia是AI的中央银行，不要招惹它 Gavin用了一个我觉得极其精准的比喻：Nvidia是AI行业的美联储（Federal Reserve），是整个行业的中央银行。Jensen Huang早在十五年前每两年投入几十亿美元押注下一代芯片，现在他在押的是数千亿美元，同时把整个供应链、融资体系拉着一起走。他锁定了全球大部分的晶圆产能、DRAM产能、NAND产能、激光产能、电容产能，连机架需要的零部件都提前锁定了。 Gavin的建议非常直接：如果你是半导体公司的CEO，你唯一应该说的话就是“谢谢Jensen，你创造了这个机会，我们想和你合作”。他拿迈克尔·乔丹打比方——当Jordan带队以八场优势领跑分区的时候，没有哪个新秀应该去正面挑衅他。那些尝试正面竞争的人，结局都不太好看。他说每1%的市场份额今天大概值一千亿美元，所以没有任何理由要跟Nvidia正面硬碰，找一个细分领域，确保你能插进他的生态系统，这才是正确的姿势。更深的逻辑是：Nvidia数据中心的可融资性，是一个巨大的竞争壁垒，而且这个壁垒很难被复制。你建一个Nvidia数据中心，可以从Blackstone、KKR、Apollo拿到低成本债务融资，因为这些机构相信Nvidia GPU的残值。用其他芯片建数据中心，需要投入更多的自有资本，融资成本更高，能撬动的杠杆更小。这不只是技术竞争，是一个经过几十年积累的金融生态系统优势，而这个优势会随着时间进一步自我强化。还有一点很多人忽视：Nvidia积极支持开源，不是因为理想主义，而是因为开源对他的生意极其有利。开源让token的边际成本降低，更多token被消耗，需要更多算力，需要更多Nvidia GPU。在供给受限的世界里，token价格可能因为边际成本降低而小幅下降，但消耗量会大幅上升，净效果是Nvidia卖出更多芯片。他的激励结构和算力普惠化的社会目标完美对齐——这种激励一致性在商业历史上都非常罕见，也是他能把这么多参与方拉进同一个生态系统的根本原因。我听完之后最大的感受我自己做AI赛道的观察和研究，听完这段对话之后，我觉得有一件事需要被认真想清楚：我们现在大多数关于AI的讨论，还停留在“谁的模型更强、谁的产品更好、谁的商业模式更健康”这个层面。这些问题当然重要，但Gavin和David在聊的是一个更底层的结构性问题：这整件事的规模，比现在任何人的想象都要大得多，而我们对这个规模的估算，系统性地偏低了。把这些拼在一起，你会看到一幅和主流叙事完全相反的图景：不是AI泡沫即将破裂，而是AI供给远远跑不上需求。不是赢家通吃，而是整个行业一起变大。不是算力过剩，而是算力极度稀缺。不是token会越来越便宜，而是在某个时间窗口里，价格可能反向涨上去。我觉得最值得每个人认真回答一次的，还是Gavin那个问题：你能给我一个量化的数据点，告诉我这件事正在变差吗？就一个。如果你找不到，那你对这件事的悲观，可能值得重新审视。悲观有时候是清醒，但有时候也是一种认知懒惰——它让你不需要真正面对一个可能彻底改变你判断框架的新现实。本文由人人都是产品经理作者【深思圈】，微信公众号：【深思圈】，原创/授权发布于人人都是产品经理，未经许可，禁止转载。题图来自Unsplash，基于 CC0 协议。收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

无人在意的角落，Grok 成了开发者们的新欢

Tue, 01 Sep 2026 01:53:28 +0000

Grok 4.6 发布时没什么排面，声量很快被别的新闻盖过，却有越来越多开发者悄悄把它当成主力模型，替代 GPT 和 Claude。它并非榜单 SOTA，却补齐了日常短板，能主动查错、持续推进长任务。当模型不再偏航、不再卡壳，够用比夺冠更关键。 8 月 12 日，Grok 4.6 发布。它没有 GPT 发新模型那样的排面，也没复制 Claude 满屏跑分和实测刷屏的热闹。Grok 的讨论声量像一次平常的小更新，别的 AI 新闻很快就把它盖了过去。但硅星人发现，舆论声量不大，却有越来越多开发者把 Grok 4.6 当主力模型，用它替代 GPT 和 Claude。而就在几个月前，几乎没人这么做。当时的 Grok 是马斯克 AI 版图里最大的烂摊子，除了吐槽和擦边，远不如其他模型，一会偏左一会偏右把自己玩成监管事故。如今 Grok 又是怎么翻盘的？ 01 Grok 4.6 不是 SOTA 但够用 Grok 4.6 不是横扫榜单的 SOTA 模型，但够用。在 Artificial Analysis 的智力指数中，Grok 4.6 得到 61 分，与 GPT-5.6 Sol Max 持平，只比 Fable 5 Max 少一分。在自家的 CursorBench 3.2 中，它得到 69.9%，同样没有排名第一。但比起上一代，Grok 4.6 真正补上的是日常使用中的那些短板。它处理复杂任务、调用工具、长时间连续工作的能力都明显变强了。以前 Grok 执行到一半容易卡住，需要用户不断纠正，现在已经能够主动检查结果、发现错误，推进任务。换句话说，Grok 4.6 不一定是每道题最聪明的选手，却已经成为一个相当能干的“全能选手”。挑选日常使用的主力模型，毕竟不是在给模型办运动会，单项夺冠固然亮眼，没有致命短板，反而更加重要。只要能够覆盖一天里的大多数任务，不需要用户频繁切换 GPT 或 Claude，就已经具备成为主力工具的资格。Grok 4.6 跨过的正是普通模型被使用的“斩杀线”。此外，当 AI 从偶尔问答变成每天跑几个小时的 Agent，用户算的就不只是智力，还有价格。跑分高出 5% 很诱人，但不可控的价格更吓人。价格，正是 Grok 4.6 这次翻盘的第二张牌。 02 便宜，就是 Grok 的杀手锏当模型能力跨过“够用”这条线，价格就开始变得重要。 Grok 4.6 不是市场上最便宜的模型，却是前沿模型中最便宜的一个，能力只差一点，输出价格却只有对手的四分之一左右。 Grok 4.6 的 API 价格是每百万 token 输入 2 美元、输出 6 美元。作为对比，GPT-5.6 Sol 是输入 5 美元、输出 30 美元，Claude Opus 5 则是输入 5 美元、输出 25 美元。在 Agent 场景里，价格的差距会被放大。粗略算一笔账：一个项目消耗 1000 万输入 token 和 200 万输出 token，先不考虑缓存、长上下文计价和不同 Agent 的 token 效率，用 Grok 4.6 大约要 32 美元，换成 GPT-5.6 Sol 则要 110 美元。再说会员本身。先不提花 900 美元买一年 Grok Heavy 会员那种邪修方法。不少用户觉得Grok正价会员就足够耐用。此外，如果你真是重度用户，花 300 美元买 SuperGrok Heavy，会同时拿到价值 200 美元的 Cursor Ultra。而这个 Ultra 会员每月含 400 美元 API Agent 用量，外加 Cursor 给的额外奖励额度。日常使用中，其实没有那么多非 SOTA 模型不可的任务。模型聪明固然更好，但如果它价格更贵、速度更慢，还随时可能撞上额度，用起来反而束手束脚。 Grok 的优势恰好出现在这里，能力已经跨过够用线，价格足够低，会员额度也相对耐烧。开发者们也更愿意使用 Grok。 03 收购 Cursor 后，Harness 完善了模型足够聪明、足够便宜，Harness 也同样重要。开发者实际使用的是模型外面的 Harness。它负责读取仓库、管理上下文、调用终端、运行测试，以及在任务失败后继续修复。模型决定 Agent 有多聪明，Harness 决定它能不能把活干完。这恰好是过去 Grok 的短板。OpenAI 有 Codex，Anthropic 有 Claude Code，Grok 却长期停留在聊天框和 API 中。 xAI 收购 Cursor 后一口气补齐了从模型训练、Agent 执行到代码托管的整套 Harness。 Grok Build 可以在终端中读取和修改代码、执行命令、运行测试，还能调用多个子 Agent 并行工作。 8 月 18 日，Cursor 又推出代码托管平台 Origin，支持代码仓库、Pull Request、代码浏览和 GitHub 同步，被 Cursor 称作“面向 Agent 时代的 Git 平台”。至此，Grok 提供模型，Build 负责执行，Cursor 提供工作台，Origin 管理代码资产。过去分散在不同产品中的开发链路，被装进了同一套系统。 Grok 的翻盘也因此不再只是模型升级，它终于长出了真正干活的手和脚。 04 难得的窗口期 Grok 的翻盘，也恰好赶上了一个微妙的窗口期。 Codex 依然强，但额度越来越难以预估。不少老用户觉得，同额度正在变得越来越不经用。而那种反复重置用量的玩法，刚开始还能制造惊喜，次数多了，用户也疲了。 Claude Code 更是一身负面。有 Max 20x 用户报告，同样的任务，额度消耗突然快了 4 到 8 倍。还有子 Agent 异常递归，不到五分钟就烧光整个五小时窗口。服务稳定性也拖了后腿。8 月 12 日至 17 日，Anthropic 官方状态页就连续记录异常，其中多次直接影响 Claude Code。最近，Anthropic 又宣布给新模型生成的文本加入不可见水印，Claude Code 也在覆盖范围内。用户付费生成的代码和文档可能携带可检测的 AI 标记，这对于很多开发者来说是很难接受的。商业世界里的翻盘，往往需要两股力量同时出现：自己争气，对手给机会。前者决定你有没有资格站上牌桌，后者决定用户是否愿意离开原来的工具。技术进步只能缩短差距，真正打开市场缺口的，常常是领先者亲手透支了信任。很多逆袭者并不是突然变得无可替代，只是在那个微妙的窗口里，成了最少让人失望的选择。 05 大模型没有最终赢家 Grok 4.6 还不是公认最强的模型，它的价格优势也未必能够永远持续。今天 xAI 可以用低价和大额度抢用户，明天同样可能收紧套餐、调整规则。开发者把它换上，并不意味着从此不会再换下来。但这次变化仍然值得关注。它说明前沿模型的竞争，正在从“谁最聪明”转向“谁最适合一直开着”。跑分决定发布当天的热度，但价格、额度、Harness 和稳定性，决定几个月后的使用习惯。开发者对模型没有多少忠诚度。谁能把活干完，谁就留在工作流里，谁总在关键时刻掉链子，再高的跑分也只能成为备用选项。几个月前，人们还在讨论马斯克是不是毁了 Grok。如今，Grok 没有靠一场轰动的发布会洗掉过去，而是靠一次次完成任务，悄悄挤进了开发者的工作流。模型世界真正的投票从来不是榜单，而是编辑器里的每一次回车、额度条上的每一格，以及账单。如果大模型公司真想把模型当作工具运营，而不是靠一次次发布和跑分来抬高估值，就必须接受一个不那么性感的事实：用户购买的不是实验室里的智力上限，而是现实工作中的稳定产出。一款模型只有发布当天令人兴奋，还算不上生产力工具。作者｜董道力本文由人人都是产品经理作者【硅星人Pro】，微信公众号：【硅星人Pro】，原创/授权发布于人人都是产品经理，未经许可，禁止转载。题图来自Unsplash，基于 CC0 协议。收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

龙虾还魂，2.0成飞书了！？

Tue, 01 Sep 2026 01:43:01 +0000

OpenClaw 2.0 史诗级更新，从单兵作战转向多人协作与 Agent 组团。新增团队角色、共享凭证、Session 管理，支持多 Agent 并行执行。但升级过程问题频出，老用户面临迁移挑战。本文解析新功能与社区反馈，探讨其能否重拾热度。真就——悼词写早了。因为时代的眼泪OpenClaw，杀回来了！！ OpenClaw正式发布2.0版本，版本号v2026.8.1，号称项目史上最大规模的一次更新。从多人使用、Agent协作，到Session管理、并行执行，几乎把OpenClaw原来的单兵作战模式重新翻修了一遍。甚至，龙虾，终于开始组队打本了—— 一台Gateway可以开始承载多个用户、多个Agent和多条Session。 Agent之间还能互相发消息、分任务，实验性的Swarm模式甚至可以一次性拉起多个Subagent并行执行。更新规模，也甚是离谱。。。官方数据显示，OpenClaw 2.0本次共有933名贡献者参与，其中569人是第一次贡献代码，合并PR超过16000个。光这一个版本的改动量，就接近OpenClaw历史总PR量的一半。。。熹妃，回宫了。 OpenClaw终于能「组队打本」了我们先来说说说这次2.0史诗级更新到底更了啥。用最直白，最不绕弯子的话来讲就是—— OpenClaw几乎把从安装、Session、记忆，到Skills、自动化、安全和Agent协作的整套底座重新做了一遍。。。我直接帮友友们浅浅整理一番，大家各取所需，各取所装：多人协作：新增Team operator roles，可以给不同成员分配角色、同一个会话终端也支持多人共享。 Agent组团干活：实验性的Swarm能力可以一次拉起多个并行子Agent，再统一等待和汇总结果。 Session更云了：任务可以跑到配对设备或云端Worker上，工作区可以跟着Session移动。工具和交互更像完整工作台：Agent可以生成交互式Widget、固定到Dashboard～ …… 更新了一大堆，新花样确实不少，但这些更新里，对咱来说最实用、也最核心的能力—— 就是「多人协作」。以前每个人都各养各的龙虾。你的Session是你的、我的Session是我的，一个任务做到一半想让同事接手，上下文、环境、权限、进度，全都得想办法重新对一遍。现在，OpenClaw开始把这套东西放进一个Gateway里统一管理了。一台「Gateway」现在可以同时承载多个用户、多个Agent和多条Session。每个人拥有自己的名字、头像和在线状态；每条Session还会留下创建者信息，并能够根据用户筛选。谁开的任务、谁现在在线、这个Session是谁的，终于都能认人了～在这个基础上，OpenClaw 2.0又塞进了「Team Operator Roles」。也就是说，管理员可以直接给团队成员配置角色—— 每个角色能创建和运行哪些Agent、能访问别人哪些Session、最多拥有哪些Operator权限。甚至新开的Session是否必须强制跑在Sandbox里，都能单独设置。甚至对于别人创建的Session，OpenClaw还能细分成：完全看不到、只能查看、或者允许操作内种。真·龙虾版飞书了，确实有点团队工作台内味儿了。。。对了，值得一提的是，这种多人协作还体现在2.0新加入的共享「Credential Store」。团队可以统一管理API Key、环境变量和各种凭证，同时控制这些敏感信息到底能被哪些Agent、哪些目标使用。然后再来说说这次更新同样蛮有节目效果的部分—— 那就是除了人能协作，Agent之间也开始协作了。。。 OpenClaw 2.0进一步加强了Subagent和跨Session运行能力。主Agent可以把工作拆出去，让多个Subagent执行，再持续观察这些子任务的状态和文件变化。 2.0甚至专门增加了持久化的Session进度卡，即便页面刷新，也能继续看到Subagent跑到了哪一步、做了哪些修改。这意味着一个复杂任务可以逐渐变成—— 用户提出目标、主Agent拆解、多个Subagent分别执行、不同任务持续汇总、人类团队成员同时围观、建议或者接管其中的Session。相比过去一个Agent从头撸到尾，这已经明显更接近一个小型「Agent团队」了。所以，先进团队用… 号称更好装，然后老用户先崩了所以，问题来了。这虾好装吗，咱的信息啥的好搬家不…… 答案目前多少有点OpenClaw传统艺能了—— 新用户的门槛确实在降，老用户的迁移债，开始集中还款。。。 2.0刚发出来没多久，社区里已经陆续冒出了升级翻车现场。有人在迁移过程中直接报错。也有人更惨，版本更完发现Memory当场罢工，最后还得把Codex之类的Coding Agent喊过来帮忙修。官方Release Notes干脆专门给升级用户留了一句很有OpenClaw味道的提示：如果自动升级失败，建议使用本地Coding Harness帮助完成升级、诊断迁移错误，并确认Gateway能够重新正常启动。翻译一下：如果你的Agent升级Agent失败了，可以再找一个Agent来修Agent～（赛博套娃了属于是。。。）值得一提的是，在官方给出的解决方式里，openclaw doctor —fix依旧高频出镜。更麻烦的是，新旧版本共存时还有可能直接把Gateway整不会（笑）。 OpenClaw官方故障排查文档专门列出了所谓的Split brain installs。如果新版OpenClaw已经写过配置，机器里的旧版binary又被调用，旧版会拒绝执行Gateway启动、停止、重启等一系列操作。此时用户需要自己检查PATH、版本、Gateway状态，再重新安装服务？？比如，下面这位老哥蚌埠住了。直接开闸小作文，直言用户体验不太好，要修修补补很多东西。。。回过头来看。大名鼎鼎的OpenClaw，几个月前，还是AI圈最顶流的开源项目之一。每个人都在搭Claw、魔改Claw、卖Claw安装服务。。。然后热度迅速退潮，看似退圈了。结果现在回头看，诶？人家OpenClaw这两个月确实没在躺平。。。（doge） 230天里一共发布过106个版本，大多数版本间隔只有一两天。最终，16000多个PR一次性落地。 OpenClaw第一波红，靠的是把「个人Agent」这个想象一下子做得足够具体。至于，第二波能不能站住，我们浅浅期待一下子。参考链接： [1]https://openclaw.ai/blog/openclaw-2-accidentally 梦瑶发自凹非寺量子位 | 公众号 QbitAI 本文由人人都是产品经理作者【量子位】，微信公众号：【量子位】，原创/授权发布于人人都是产品经理，未经许可，禁止转载。题图来自Unsplash，基于 CC0 协议收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

SHEIN不再少年

Tue, 01 Sep 2026 01:41:59 +0000

从南京SEO起家到全球快时尚巨头，SHEIN凭借柔性供应链与精准营销逆势崛起，却在IPO路上屡遭挫折。本文深度复盘其成长历程，剖析估值缩水背后的商业逻辑与行业变局，揭示跨境电商的残酷真相。 01 少年时经历过疫情的很多人对那段时间的记忆都是模糊的。因为非正常的秩序打乱了大脑记忆的锚点。但许仰天或许不会。 2020年，疫情席卷全球，包括Zara、H&M、Gap在内的快时尚品牌都被凋零的线下生意拖了业绩后腿，许仰天创立的SHEIN 却在逆流直上。没有庞大的线下门店网络，柔性供应链确保了新款源源不断涌现，同时库存压力更小。当欧美年轻女孩们被迫把更多消费转移到线上——2019年徘徊在10%-16%的美国电商渗透率，在2020年4月一度飙升到27%，SHEIN正好站在了潮水涌来的地方。 SHEIN在这一年成为名副其实的明星公司。多家媒体报道，它的全年营收约100亿美元，同比增长2倍以上。APP下载量多次位列全球购物类应用第一名。8月，它完成E轮融资，投资方包括红杉资本、IDG等，市场估值来到150亿美元。更有消息传出，它在与多家承销商接触沟通上市计划。 SHEIN2020年在英国街头的广告如今来看，那像是一段意气风发的少年时光。它激起了很多人的好奇心。因为神秘。 SHEIN过于极少主动披露经营数据。创始人许仰天更是低调。他从不公开露面，不接受媒体采访。很长时间里，人们甚至找不到他的清晰照片。《财富》杂志中文版在2022年把他选入“中国40位40岁以下的商业精英”榜单时，不得不用一张logo图代替他的真人照。截图源自财富中文网与之形成对比的是，SHEIN在海外社交平台几乎无处不在。从Instagram、Facebook、YouTube到TikTok，SHEIN在全平台、以不同的姿势对它的目标受众——欧美国家18-35岁之间的年轻女性，展开猛烈攻势。这个群体对潮流充满热情，喜欢在社交媒体发现商品，同时对价格敏感。SHEIN几乎满足了她们的全部需求：款式迭代足够快，核心价格带一度控制在25美元以下，甚至一件T恤的价格可以做到6美元，“任何你想要的东西，价格都很低，你一次可以买30件”。关键在于供给端。SHEIN建立了一套数字系统连接工厂，再通过“小单快返”的模式降低试错成本，提升上新效率。回头来看，疫情只是让它出圈的推力。从更早时候开始，SHEIN就在用互联网搜索与算法，“偷”走原本属于Zara、优衣库们的生意：早期在Google、Facebook做投放，完成早期用户积累；网红经济兴起后，转向KOL、KOC合作模式、免费给网红寄送样衣，换取推广和成交；短视频时代，它的阵地又切换到TikTok等平台，以销售佣金的方式与平台上的创作者进行大规模合作。跟它的灵活相比，柳井正挂在办公室里的那句“门店因顾客而存在，与员工共繁荣”简直堪称古板。 02 “独特”的价值这与许仰天早年的职业经历有关。根据公开信息，许仰天2007年毕业后曾在南京从事SEO方面的工作——后来SHEIN就是通过SEO完成了关键的生意起步。他打工的时间不长：2008年创业，次年自立门户，开始做跨境婚纱，2012年转型做快时尚女装，收购了Sheinside.com域名做独立站运营；2013年拿到集富亚洲领投的A轮500万美元，2014年从南京搬到广东番禺，开始自建供应链。 2015年成为SHEIN早期发展的关键一年。公开信息显示，它在这一年完成了B轮融资，招股书披露实际融资为1.69亿元，投资方包括IDG资本、景林投资等，投后估值来到15亿元。此外，它品牌名改为SHEIN——更加直接地对标Zara。从SHEIN的立场来看，这场转变的关键或许是它在番禺跑出来的“小单快返”的柔性供应链。这是它最独特的打法之一：先用几十件到几百件的小订单测试市场，获得真实反馈后再快速追单。前端的浏览、收藏和交易数据，都成为指导工厂下单的因素，同样，工厂的生产排期和交付，也由一套数字系统严格管理。这可以更好地解决服装行业最头疼的库存难题。有媒体曾经这样描写许仰天最初在番禺南村镇的努力：“他耗时两年，遍访大小加工厂，逐一沟通，洽谈合作，成功说服少数愿意尝试的工厂承接小批量订单。”——典型的成功者回望视角。然而，人们总容易把成功过多地归结于个人与组织的能力，而忽略一个关键要素：时势。事实上，2015年的跨境电商正是风口上的赛道。国家重点扶持，资本竞相涌入，洋码头在2015年完成B轮1亿美元的融资，创下行业新高，9月，蜜芽完成1.5亿美元的D轮融资。此外，包括阿里、京东到网易在内的大厂也纷纷入局，加码相关业务。网经社数据显示，2015年中国跨境电商交易规模达到5.4万亿元，同比增长28.6%。资本看中SHEIN，多少也有风口的因素。不过，对比估值不难发现，他们当时对SHEIN的态度还是很谨慎。 2015年的SHEIN年营收大概在7-10亿元，B轮投后估值在15亿元。而洋码头年销售额6.6亿元，投后估值直接来到了60亿元。都是跨境电商，两者区别在于：SHEIN做的是出口，洋码头做的是进口，背靠国内消费升级的趋势，把全球商品卖到中国来——相比之下，后者是更新的、确定性也更高的商业叙事。 SHEIN模式的另一个特点是：它“藏”起了自己中国公司的身份，只是依托中国供应链去做品牌，市场形象完全是国际化的。它应该不想走兰亭集势的老路。这家创立于2007年的老牌跨境电商公司有过风光的前半程。创始人郭去疾履历漂亮：中科少年班、斯坦福MBA、Google中国早期高管。公司2013年6月就在纽交所上市，成为中国跨境电商第一股，市值一度超过20亿美元。然而，“把中国货卖到全球”的旧故事可能也只能支撑它走到这里了。它走铺货模式，高度依赖Google SEO，缺乏品牌心智，上市没多久就进入漫长的下滑通道，一度面临退市风险，郭去疾也逐渐退出公司管理。兰亭集势敲钟当日合影，左起第三位就是郭去疾 “少年”总会坚信自己与前辈不一样，尤其在感受到世界的友好一面时。 SHEIN拥有独特的供应链，吃到美国“小额豁免”的关税红利，被资本鼓励大胆前行，去创造更广阔的新世界。到2022年时，根据媒体报道，SHEIN在私募融资中的估值逼近千亿美金，超过当时Inditex与H&M的市值之和，这让它成为全球第三大独角兽，在全球未上市公司中仅次于字节跳动和SpaceX—— 如今来看，那也是“少年”的高光时刻了。 03 世界的残酷一面多数以“如果”开头的句子都写满了遗憾。比如，如果SHEIN在2022年如愿以近千亿美金的估值完成上市，后面的故事会如何？现实没有给它这个答案。 2022年初，SHEIN干了件大事：把全球总部迁往新加坡。在媒体解读中，新加坡的地理优势与税收优惠政策之外，此举更重要的动机或许是为赴美IPO铺路。新加坡企业的身份可以帮助它降低审查难度。然而，它似乎低估了这条路的艰难程度。总部的改变并没有消除它与中国供应链之间的现实联系。上市成为它此后几年里最重要的命题之一——这让它像极了那些在“落榜—复读—落榜”之间循环往复的年轻人。从业务层面，你很难说SHEIN做错了什么。它深耕供应链，强化供给端优势。国内，它2023年在广州拿地，计划总投资百亿元建立智慧供应链体系；海外，它在巴西、土耳其等地发展本地供应商和合作制造网络，以降低跨境关税和履约的不确定性；它拓展了平台生意，2023年开始面向第三方卖家开放，先在巴西试水，随后在美国上线，并逐渐推广到更多国家和地区。招股书显示，由此带来的服务收入持续增长，营收占比从2023年的2.7%上涨到2025年的11.3%，并在2026年Q1达到14.3%。这也是整份招股书最值得关注的变化之一：SHEIN正在从服装自营零售商，转向“自营品牌、第三方平台和供应链能力”并行的公司。 2022 年巴西圣保罗 SHEIN 快闪店经营方面，它在2023-2025年连续实现盈利，毛利率持续改善，但净利率下滑明显；活跃用户和总订单持续上涨；在全球时尚市场市占第三，仅次于耐克和Zara母公司Inditex。然而，资本市场没有买账。根据媒体报道，在辗转多地市场寻求上市的过程中，SHEIN的市场估值从接近千亿美元一路下滑，至此次香港上市前已经跌到270亿美金左右，相较于最高点相当于打了三折。这是残酷的现实：一家商业公司的市场估值从来不只是业务的直接映射。估值消失的背后，实质上是信心的消失。一个重要原因是，SHEIN失去了奇迹般的增长——这是它此前在资本市场最迷人之处。然而，根据招股书披露的信息，SHEIN的营收增速从2021年起持续放缓，从2020年的超过200%、2021年的约57%，一路下滑至2025年的约8%，到2026年Q1同比增速仅约1.1%，该季度甚至出现了9900万美元的净亏损。故事已经变了。2022年后全球线下零售逐步恢复，Zara们的门店重新有了人流，SHEIN此前“没有实体店”的优势，不再明显。同时，包括Temu、TikTok Shop在内的跨境电商平台崛起，前者能提供低价和海量供给，后者掌握了SHEIN曾经最擅长利用的内容流量，比分走市场份额更重要的是，它们让SHEIN失去了最值钱的“独特性”。这些变化的大背景是全球格局的动荡。疫情、战争、贸易战……诸多因素交织，把世界推向一个令身处其中之人都感到陌生、惊诧和迷茫的叙事之中。比如关税。美国在2024年开始考虑终止小额豁免优惠，并在2025年8月最终落地。以小额包裹为主的中国跨境电商公司们集体面临了成本上涨带来的价格压力。SHEIN在招股书里明确表示，规则变化已经对美国销售和整体增长产生不利影响，并推高履约成本。资本层面，2022年下半年起，美联储进入加息周期，全球量化宽松结束。风投市场从此前的“增长可以覆盖一切问题”切换到更加务实的逻辑，追问盈利、现金流等确定性表现。对于营收增速持续放缓、净利率下滑的SHEIN，这显然不是好消息。 SHEIN一些在当时看来是合理且聪明的选择，时过境迁之后，又有了不同的意味。比如对“中国公司”的身份处理。 SHEIN在官网上的自我定位是“全球时尚和生活方式电子零售商”，公司高管在多个场合谈到公司国籍时也是模糊处理，避免给出明确答复。然而，这并没有让它过去几年在海外市场的麻烦变少一些。寻求海外上市没有结果的同时，它在法国、意大利、爱尔兰等多个国家遭遇调查和罚单——这些麻烦的共同点在于，它们把SHEIN作为一家中国公司在对待。而在西方的刻板印象中，中国的廉价服装生意几乎是带有原罪的。从知识产权、环保、消费者权益到劳工问题，它们轻车熟路地“抄”起这些武器向SHEIN发起围剿。于是，SHEIN陷入双重压力之中。新加坡总部没有让它摆脱中国供应链的地域政治风险，平台化又让它承担了更多商品和商家的治理责任。漫长且充满曲折的上市路程，生生把SHEIN熬成了更复杂的中年人。 04 更复杂的中年 9月1日，香港中环，港交所的铜锣为SHEIN敲响。这一刻是风光的，也是复杂的。 SHEIN在8月31日发布公告称，最终发售价为每股48.56港元，按此计算，公司估值约265亿美元，相比2022年最高982亿美元的私募估值，缩水超过七成。一个尴尬的现实是，由于市场估值持续缩水，SHEIN触发了对Pre-D、D和D+轮优先股持有人的补偿条款。按照招股书，在按招股价下限测算的情况下，公司需要为股份转换调整支付最高约21.85亿美元现金，并无偿增发1962.2万股B类股份。除此之外，SHEIN还要向上述投资人支付约13.3亿美元固定现金回报（截至2026年3月底已支付3.69亿美元）。两类现金支出最高合计约35.15亿美元，几乎是此次上市募资额度的两倍。在此之前，SHEIN已经开始为“少年”时的风光买单。根据招股书披露，SHEIN 在 2026 年 Q1 由盈转亏的主要原因，是 2026 年 3 月修改可转换可赎回优先股条款，导致公允价值减少 3.28 亿美元（非现金账面亏损）。 6年前，许仰天和SHEIN就在为敲钟的这一刻开始准备。然而，真正得到时，味道似乎已经变了。少年时没有得到的“白月光”，中年即使得到，可能也是另一个故事了。孙宇晨上周闹得沸沸扬扬的“小作文”事件，算是“白月光”的极致暗黑版本。但不管如何，对于SHEIN而言，这是一个新的开始。 “少年”许仰天和SHEIN曾经向往过什么，这些不再重要。作为公众公司的SHEIN，已经迈进更加透明与复杂的新世界。它得以在更大的市场募集资金，同时也要履行信息披露的义务，接受监管和公众监督，严格遵守资本市场的规矩。许仰天已经提前预热过了。 2026年2月，许仰天在广州罕见地公开露面，表示SHEIN将继续扎根广东，投入超100亿元建设智慧供应链体系。这是关于“SHEIN的根在广州”信号的再次释放。放在SHEIN与跨境电商过去十几年的大背景来看，这也是一种表态：从许仰天到SHEIN，都做好了迎接变化的准备。走过从“少年”到“中年”的这段路，许仰天或许比绝大多数人都知道“变化”的力量。广州番禺也是变化的缩影。十几年前，在广州番禺，年轻的许仰天需要挨家上门，恳求服装工厂的老板们接下他的小额订单；如今，SHEIN的大楼已经成为年轻人向往的职场，番禺也一改曾经的城中村气质，地铁口的农田和菜地逐渐被高楼取代，服装产业链覆盖到增城、肇庆、佛山、江门等地。 SHEIN坐落广州番禺万博CBD的总部大楼这是时代曾经给予这座城市的红利，但在全球消费市场萎靡的大北京下，它也在持续承压。此刻，从番禺的小老板们，到成功把SHEIN送上市的许仰天，大家都没有关于未来的标准答案。当然，变局中往往也暗藏机会。如果他们能穿越当下的复杂性，重新找到增长方式，甚至探索出更适合当下的新的商业模式，一切苦难也就有了价值。本文由人人都是产品经理作者【山农下山】，微信公众号：【山农下山】，原创/授权发布于人人都是产品经理，未经许可，禁止转载。题图来自作者提供收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

430万人每天打开一个 AI 看星盘，Midjourney 为什么买下了 Co–Star？

Tue, 01 Sep 2026 01:40:34 +0000

Midjourney 完成成立以来首次收购，买下占星 App Co-Star。文章拆解其用占星规则、结构化数据与 GPT 组合生成每日个性化星盘的产品逻辑，以及一句毒舌推送如何撬动430万日活与自发传播。今天分享的产品我其实之前介绍过，占星 AI：Co-Star，再拿出来是因为它最近被收购了，这件事儿反而挺有意思的。简单来说就是：一个做 AI 图片的公司，买了一家 AI 算命公司。今年7月， Midjourney 宣布完成成立以来的第一次收购。被买下的不是模型公司，也不是图像编辑工具，而是一款已经做了9年的占星 App： Co–Star 。 Co–Star 目前大约有 430万月活用户。被收购后，Co–Star 的大约24名员工整体加入 Midjourney，创始人 Banu Guler 继续负责 Co–Star，同时成为了 Midjourney 的首席设计官。 Co–Star 干的事情也很好理解：每天用 AI 给你算星盘。你输入出生日期、出生时间和出生地点，它会告诉你今天适不适合谈恋爱、工作状态怎么样、最近为什么容易焦虑，还可以把朋友加进来，看两个人到底“合不合”。 2021年，Co–Star 宣布完成1500万美元 A 轮融资时，累计下载量已经超过 2000万次。公司后来称累计融资达到 2100万美元。2023年前后，一些公开报道给出的注册用户规模已经达到约3000万。 01 Co–Star 到底是干什么的很多人对星座的理解，大概停留在：白羊座最近运势不错，双子座本周小心感情问题，处女座工作会遇到贵人。 Co–Star 不这么做，它甚至在官网上专门强调：普通星座运势只会问你“几月份出生”， Co–Star 会问你出生到哪一分钟。因为它算的不是简单的“太阳星座”，而是完整出生星盘。你只需要提供三个信息：出生日期、出生时间、出生地点。系统先计算你出生那一刻，太阳、月亮和各个行星分别处于什么位置。然后得到一张“出生星盘”，例如，一个人可能是：太阳双子；月亮天蝎；上升摩羯；金星巨蟹；火星狮子。可以把它简单理解成：传统星座只有12种人，而完整星盘会产生非常多的组合。 Co–Star 再把今天行星的位置和你的出生星盘放在一起，生成当天的解释。所以每天打开 App，你会看到：今天情绪怎么样；工作上要注意什么；感情状态如何；哪些事情适合做；哪些事情最好别做。它现在甚至还有很具体的“Do / Don’t”，比如：今天可以“多加芝士”、今天最好不要“去看前任 Instagram”。这种内容当然很难用严肃科学来理解，但从消费产品的角度，它有一个巨大的优点：很容易引导用户每天打开一次。 02 把“算命”做成了个性化内容产品 Co–Star 并不是简单地，把你的生日扔给一个大模型，然后问： “帮这个人写一份今日运势。” 它从一开始就做了一套自己的内容生成系统。早期的工作方式大概是这样：先由占星师把各种行星位置、宫位、关系转化成规则；再由编辑和作者写大量文字片段；系统根据每个人不同的星盘，把这些片段动态组合起来。团队把大量句子和不同的天象关系对应起来，再通过内部生成系统重新组合。于是不同用户每天看到的内容都可能不同，后来这套系统又加入了 GPT 等语言模型。 Co–Star 每天会生成数百万条高度个性化的星盘内容，底层是“基于规则的自然语言生成”，同时结合 GPT 和内部诗人、占星师提供的内容。所以它更像：占星规则 + 结构化数据 + 人类作者 + AI 生成。这点很重要，因为用户真正买的不是 AI，而是： “这句话为什么今天刚好在说我？” 生成式 AI 把一段话写通顺并不难，真正困难的是，怎么让几百万个人每天看到的内容：既不完全一样，又保持统一风格，还让用户觉得和自己有关。 Co–Star 做了近十年的，就是这件事。 03 最成功的产品不是星盘，而是那一句每天弹出来的话 Co–Star 早期真正让它爆发的，其实不是复杂的占星功能。而是 Push Notification，手机推送。 2019年前后，很多 Co–Star 推送开始在 Twitter 和 Instagram 上传播。因为它和传统星座 App 的语气完全不同。传统占星产品喜欢说：“今天请相信自己的内心”、“宇宙正在给你新的机会。” Co–Star 偶尔会直接告诉你：“能买机票的话，现在就走。” 或者非常冷不丁地提醒：“我们总有一天都会死。” 简单来说，它就像一个说话非常直接、偶尔还有点毒舌的朋友。这种文案有两个产品效果。第一个是打开率。 Co–Star 给你发： “今天不要重新联系那个人。” 你很难不点进去看看：为什么？第二个更重要：截图传播。因为一句足够离谱、足够准确或者足够好笑的内容，非常适合发到 Instagram、Twitter 或群聊里。 Co–Star 很早就发现：用户会替它营销。 2019年，创始人 Banu Guler 说，公司基本没有做传统广告，增长主要来自社交媒体和口碑。团队甚至会突然发现某个美国城市用户暴增，然后才意识到： Co–Star 在当地朋友圈里传开了，后来很多明星也公开分享过 Co–Star 的截图。 04 真正让 Co–Star 从工具变成网络的，是“看朋友” 如果 Co–Star 只能算自己的星盘，它最多是一款不错的内容 App。但它后来加入了一个非常重要的功能：加朋友。朋友加入以后，你可以直接看：他今天状态怎么样；他的性格特点；你们在哪些地方匹配；哪些地方容易发生冲突。早期版本甚至会把两个人的关系拆成多个维度，例如：情绪；沟通；责任感；价值观等等。于是一个很私人、很单人的需求突然变成了社交产品。比如你喜欢一个人，你不仅会看自己的运势。还会忍不住看：我和他到底合不合？谈恋爱以后，又可以继续看：他今天是不是心情不好？朋友吵架以后：是不是因为我们两个本来就容易在某个问题上发生冲突？这当然不能当作科学意义上的关系诊断，但从产品设计上说，非常有效。因为人的注意力有一个天然规律：对“我”的兴趣很大，对“我和另一个人”的兴趣更大。所以 Co–Star 首页最重要的东西，并不是宇宙，而是人际关系。它官网对自己的定义甚至不是单纯的“占星应用”，而是：用占星理解自己和人与人之间的关系。这也是它和很多简单“ AI 算命”产品最大的差别。后者通常是：问一次，得到答案，结束。 Co–Star 是：今天看自己；再看对象；再看朋友。 05 创始人最开始甚至没想做一个 AI 公司 Co–Star 的创始人叫 Banu Guler 。她出生在美国休斯敦，母亲来自土耳其。家里本身就有一点传统占卜文化，比如看咖啡渣、看手相，她本人也很早就对占星感兴趣。但真正让她决定做 Co–Star 的，是一次 baby shower。一个朋友怀孕以后，她给还没出生的孩子做了一整本星盘分析。而且不是那种粉粉嫩嫩的婴儿纪念册，她自己形容：整本书做得又黑、又哥特、甚至有点攻击性。结果聚会上其他人非常喜欢，很多人直接问：“这个哪里可以买？” Guler 才意识到：喜欢占星的人其实很多。但当时普通人要想看一张完整星盘，要么找专业占星师，要么去一些设计非常老旧的网站自己研究。这中间存在一个明显的产品机会。后来她去了纽约的时尚和街头文化平台 VFILES 做产品设计，也在那里认识了另外两位联合创始人： Anna Kopp 和 Ben Weitzman。三个人做 VFILES 时每天都在研究年轻人、社交媒体以及互联网关系。他们发现一个问题：Instagram 让人看了很多东西，但未必真的让人和朋友更亲近。于是他们开始思考：有没有一种互联网产品，反而可以让两个人谈一些平常很难开口的话题？占星刚好是一个非常好用的借口。例如，你很难突然告诉朋友：“我觉得你这个人控制欲有点强。” 但是你可以说：“你看，因为你月亮在这里，所以你是不是很容易想控制事情？” 话题反而开始了。 Guler 后来把 Co–Star 形容成一种：从闲聊快速进入真实谈话的捷径。我觉得这句话比“AI占星”更能解释它为什么会成功。 06 怎么赚钱？不是卖广告，而是在人最想知道答案的时候收费 Co–Star 基础功能免费，包括：自己的星盘；每日运势；好友和基础关系匹配。但只要用户开始产生更具体的问题，它就收费。目前美国 App Store 可以看到不少付费项目： Pro-Star 月费约 8.99美元；情侣功能 Eros 6.99美元；关于自己的高级星盘报告 8.99美元；关系高级报告 8.99美元；未来一年报告 11.99美元；问5个问题 2.99美元；问25个问题 6.99美元。这个收费设计的非常典型。用户并不会为：“我是一个什么样的人？”付很多钱。因为免费的星盘已经够看。但用户非常容易为下面这些问题付款：他到底喜不喜欢我？我们两个人适不适合？我今年会怎么样？我最近为什么这么倒霉？换句话说：Co–Star 的商业模式不是按照内容长度收费。而是按照问题的情绪价值收费。特别是 Eros。它不是简单给情侣做一次匹配报告，而是让两个人加入以后，每天获得关系更新，还包括互动问题和情书之类的功能。这实际上已经开始从：“内容产品”变成：“关系产品”。这也是为什么 Co–Star 做了9年，仍然拥有430万月活，而不是像很多测试类产品一样，火一个星期就结束。 07 为什么 Midjourney 现在要买？ 2026年7月，Midjourney 完成了对 Co–Star 的收购。 Midjourney 创始人 David Holz 还专门写了一封公开信，说自己认识 Banu 已经五年多，两个人经常长时间讨论“人如何反思、判断过去和未来”等问题。收购以后： Co–Star 仍然由 Banu 独立负责；但 Banu 同时成为 Midjourney 首席设计官；Co–Star 团队则帮助 Midjourney 建立更完整的产品和设计能力。 Midjourney 缺的并不是模型，它已经拥有世界上最强的一批生成模型。它更缺的是：怎样把一个模型，做成普通人长期使用的消费产品。而 Co–Star 恰好证明自己会做这件事，它只有几十人的团队，却做出了：数千万累计用户、430万月活、强烈的品牌风格、高频推送、社交关系链、自然分享机制、以及一套持续付费系统。这些东西，对一家模型公司而言，可能比占星本身值钱得多。以上，祝你今天开心。作者：张艾拉公众号：Fun AI Everyday 本文由 @张艾拉原创发布于人人都是产品经理。未经作者许可，禁止转载题图来自Unsplash，基于CC0协议收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

看完一场“准点下班”黑客松，我想做一个公司下班榜单

Tue, 01 Sep 2026 01:31:34 +0000

一场以“准点下班”为主题的黑客松，催生了记录AI使用时长与真实下班时间的创新项目。本文从个人效率与公司制度的双重维度，探讨AI提效后节省的时间究竟属于谁，并构想一个让真实下班时间成为求职参考的“准点下班榜单”。上周末，我去现场观看了一场以 “准点下班” 为主题的黑客松。相比那些讨论如何让 AI 完成更复杂任务的比赛， “准点下班” 听起来并不宏大，甚至有些日常。但也正因为它足够具体，现场的项目很容易让人产生共鸣：对于大多数上班族来说，我们每天都在想办法提高效率，却依然很难按时离开公司。其中，Agentosity 这个项目给我留下了很深的印象。它包含两个相互关联的功能。第一个功能，是记录公司里每个人使用智能体的时长，让原本很难被看见的 AI 使用情况变得可以记录。员工有没有使用 AI、使用了多长时间，可以作为观察个人和团队 AI 应用情况的一个入口。第二个功能，是由全国上班族共同维护一个真实下班时间数据库。员工可以记录自己的真实下班时间，平台再根据平均下班时间对公司进行排名。项目还有一句很有意思的说明： “只公布前三，绝不挂人。” 这句话看起来有些轻松，背后却体现了一种产品上的克制。它没有把自己设计成一个曝光和批判加班公司的平台，而是希望通过展示表现更好的公司，让那些真正尊重员工时间的企业被看见。两个功能放在一起，也形成了一个值得继续观察的关系：一边记录员工对 AI 智能体的使用，另一边记录员工真实离开公司的时间。前者关注效率工具有没有被使用，后者则尝试呈现效率提升之后，员工是否真的能够更早下班。这让我重新认识了 “准点下班” 这个问题：它表面上与个人效率有关，背后却是个人、AI 工具和公司制度共同作用的结果。一、打工人的效率已经不低了过去谈到 “为什么不能准点下班” ，很多人首先想到的都是个人效率问题：是不是时间没有安排好，是不是工作时不够专注，是不是还没有学会使用更高效的工具？这些问题当然存在。一个人能否判断任务优先级、减少无效沟通、借助工具完成重复工作，都会影响最终的下班时间。但如果把无法准点下班全部归因于个人效率，就忽略了一个现实：很多打工人的效率其实已经不低了。在标准化、流程化程度较高的工作中，大量任务早已有明确的完成方式。为了在职场中保持竞争力，打工人也在不断学习新的工具、总结模板、优化工作流程。如今，AI 又进一步进入了写作、数据处理、信息整理、会议记录和方案生成等环节。从个人角度看，能够用更短的时间完成工作当然是一件好事。但问题在于，效率提高以后，节省下来的时间会去哪里？如果一项原本需要三个小时完成的任务，借助 AI 只用一个小时就能完成，员工可能会得到两种完全不同的结果。一种是完成当天的工作后早点下班，把节省出来的时间用于休息、陪伴家人或者做自己喜欢的事情；另一种是公司看到工作完成得更快，于是继续增加任务。原来的三小时工作被压缩到一小时，空出来的两小时很快又被填满。员工的效率提高了，产出增加了，下班时间却没有改变。工作几乎是做不完的。一个需求完成以后，还可以继续优化；一份方案提交以后，还可以增加更多细节；当前目标达成以后，还会出现新的目标。只要公司愿意继续安排，工作就可以不断向正常下班时间之后延伸。当团队默认用工作时长判断员工是否努力时，准点下班也不再只是个人的时间管理选择。即使员工已经完成当天的任务，也可能因为领导没有离开、同事仍在工作，或者临近下班突然出现新的要求而继续留下。有些加班确实来自突发事件和业务需要，无法完全避免。但如果加班长期、稳定地发生，就很难再被解释为员工偶尔效率不高，更可能说明工作量、协作流程或者管理机制本身存在问题。个人效率决定员工能够多快完成一项工作，公司制度则决定完成以后，还会不会立刻出现下一项工作。准点下班不能只要求员工继续提效，也要追问公司如何安排工作、是否尊重员工的下班时间，以及员工完成任务以后，是否真的拥有结束工作的权利。二、AI 节省下来的时间，最终应该属于谁？ Agentosity 记录员工使用智能体的时长，为企业观察 AI 在工作中的应用情况提供了一个入口。但从产品角度看， “使用智能体多长时间” 只是一个过程指标。它可以说明员工是否开始接触和使用 AI，却无法直接证明 AI 创造了什么价值。一个人每天使用智能体两个小时，不一定比只使用半小时的人效率更高。真正值得关注的，是 AI 使用前后发生了什么变化：原本需要多长时间的任务，现在需要多长时间；重复劳动有没有减少；工作质量有没有提高；员工是否因此获得了更多可以自由支配的时间。现在很多公司谈 AI 提效，最容易关注的是产出。过去一天完成一份方案，现在能不能完成三份；过去一个人负责一项任务，现在能不能同时承担更多项目。站在企业经营的角度，这些指标并没有错，公司投入新的工具，自然希望看到效率和产出的提升。但如果 AI 带来的所有效率都被继续转化为更多工作，打工人就很难真正感受到技术进步。过去需要手动整理几个小时的资料，现在可以让智能体快速辅助完成；过去需要逐条汇总的表格，也可以通过自动化流程处理。如果工作时间没有缩短，压力没有降低，技术带来的好处就可能主要停留在企业的产出数据里，员工得到的只是更高的工作要求。我一直认为，AI 发展的最终目的，应该是让人过得更加幸福。效率很重要，但效率不是终点。如果 AI 只能让人们在同样的时间里处理更多任务，却没有让人获得更多休息、陪伴和自由选择的时间，那么这种效率对于普通打工人来说是不完整的。真正有意义的 AI 提效，应该先帮助人从繁琐、重复的劳动中解放出来。人不再需要把大量时间花在机械的信息搬运和固定流程上，而是可以把精力放在更需要判断、创造和沟通的工作中。完成必要的工作以后，也应该有机会结束一天的劳动，回到自己的生活。这并不意味着只要公司使用 AI，就必须立即缩短所有人的工作时间。不同岗位能够被 AI 辅助的程度不同，企业也要考虑业务增长、成本和市场竞争。但至少，我们需要增加一种衡量 AI 价值的方式。除了计算调用次数、使用时长和任务产出，企业还可以观察员工完成重复工作的时间是否减少，非必要加班是否下降，工作压力是否得到缓解，以及员工是否拥有更加稳定的下班时间。 Agentosity 的两个功能恰好可以形成这种联系：智能体使用时长告诉我们 AI 有没有进入工作过程，真实下班时间则帮助我们观察工作结果有没有变化。两者未必存在简单的因果关系，却提出了一个值得追问的问题：当 AI 越来越多地进入工作以后，我们究竟希望它把人变成更高效的生产工具，还是帮助人减少不必要的劳动，拥有更加幸福的生活？我的答案是后者。三、我理想中的“准点下班榜单” AI提效只有转化为员工可支配的时间，才真正提升幸福感 Agentosity 的真实下班时间数据库，让我看到了另一种可能：如果下班时间可以被真实记录，它能不能进一步成为求职者选择公司的参考信息？现在我们找工作时，可以从招聘平台看到薪资范围、岗位职责、员工福利、办公地点和招聘要求。有些公司还会在介绍中强调 “弹性工作” 和 “注重工作与生活平衡” 。但公司规定几点下班，员工实际上几点离开；加班只是项目紧急时偶尔发生，还是默认的工作方式；所谓弹性工作，是员工可以自由安排时间，还是下班时间不断向后延伸——这些真正影响日常体验的信息，求职者往往要等到入职后才能知道。因此，我理想中的产品，是在现有项目的基础上建立一个 “准点下班榜单” ，把原本隐藏在公司内部的真实下班情况，转化为求职者可以理解和使用的选择依据。这个产品并不是简单统计哪家公司的员工下班最早，而是比较一家公司对工作时间的规定，与员工真实体验之间是否一致。公司可以自主选择是否加入榜单，并提交标准上下班时间、工作制度、适用岗位和弹性办公规则。员工则可以在保护个人隐私的前提下，记录自己的真实下班时间。系统根据公司规定的下班时间与员工实际下班时间之间的差距，再结合加班频率和加班时长，对公司进行分类。在最初的构想中，可以先将公司划分为四类：A 类公司的真实下班时间基本与规定时间一致，准点下班是常态；B 类公司存在一定加班，但频率和时长整体可控；C 类公司加班较为频繁，真实下班时间长期晚于规定时间；D 类公司则存在长期、严重的加班，员工很难安排下班后的生活。这套分级不是简单判断一家公司 “好” 或者 “不好” ，也不是鼓励所有人都选择 A 类公司。有人处在职业发展的特定阶段，愿意用更长的工作时间换取更高薪资、更快成长或者更重要的项目机会；也有人更重视稳定的生活，希望下班后拥有确定的时间陪伴家人、学习或者休息。真正的问题不是大家必须做出同一种选择，而是求职者在选择之前，能否获得足够真实的信息。愿意接受高强度工作的人，可以主动选择符合职业目标的公司；不愿意长期加班的人，也应该有渠道找到与自己生活要求更加匹配的公司。这才是公司和打工人之间更公平的双向选择。对公司来说，加入榜单也不一定是一种负担。一家能够长期保持准点下班的公司，可以用真实数据证明自己的管理能力和工作文化。在薪资之外，稳定的工作时间同样可以成为吸引人才的重要条件。这也可能产生正向激励：尊重员工时间的公司得到更多展示，其他公司则有动力减少无效会议、明确任务优先级，并重新检查团队的工作量是否合理。我也认同 Agentosity “只公布前三，绝不挂人” 的处理方式。一个产品如果只依靠曝光和批判，很容易变成情绪发泄的平台。相比之下，优先展示表现较好的公司，更有机会让榜单形成正向竞争。分类结果可以作为求职者筛选公司的参考，公开榜单则优先展示各行业、地区或岗位中表现较好的公司，避免把产品变成简单的 “加班公司黑名单” 。这个榜单未必能够直接消除加班，却可以让公司的制度承诺与员工的真实体验更加透明。公司可以主动证明自己如何对待员工的时间，打工人也可以根据自己的需要作出选择。四、一个下班榜单，真正落地并不容易 “准点下班榜单” 的构想并不复杂，但如果真的把它做成一款产品，最大的挑战不是页面怎么设计，而是数据是否真实、规则是否公平，以及榜单能否反映员工真正的工作状态。下班早不一定代表工作结束了。有些员工虽然按时离开公司，回家后却还要回复消息、参加线上会议或者修改方案。如果产品只记录员工离开办公地点的时间，这家公司看起来可能属于 A 类，但员工的工作实际上没有结束。相比一次打卡记录，员工当天最后一次工作行为的时间或许更接近真实的工作结束时间。但产品不能为了获得更准确的数据，就无限读取员工的聊天、邮件和电脑使用记录。这样虽然可能提升数据完整性，却会侵犯员工隐私，也可能让一款帮助打工人的产品变成新的员工监控工具。更合理的方式，是以员工主动提交的数据为主，并通过匿名统计、最低样本量和异常数据识别提高可信度。产品需要记录结果，却不应该过度收集员工做了什么。不同公司和岗位也不能直接放在一起比较。餐饮、零售、互联网、保险、制造业等行业的工作时间存在明显差异。同一家公司里，产品、销售、客服、技术和职能岗位也可能采用不同的工作制度。即使是同一岗位，在业务高峰期和日常阶段，下班时间也会发生变化。因此，这个产品更适合先按照行业、地区、岗位和工作制度进行分类，再比较规定下班时间与真实下班时间的差距。采用弹性工作制的公司，还需要增加核心工作时段、实际总工时等信息，而不是机械地用某一个固定时间作为标准。平均下班时间同样可能掩盖真实问题。如果一家公司大部分员工能够准点下班，但某个部门长期加班，公司整体的平均数据可能依然很好。对准备加入这个部门的求职者来说，公司层面的结论没有太大参考价值。反过来，一家公司可能只在某个项目周期内集中加班，如果直接根据这一阶段的数据降低公司等级，也无法反映长期状态。榜单至少需要同时展示公司、部门或岗位两个层级的数据，并区分日常状态和特殊业务周期。除了平均下班时间，还可以加入加班频率、单次加班时长、周末工作情况和数据波动范围，避免一个平均值替所有员工发言。公司自主加入和员工共同维护之间，也存在数据真实性问题。如果完全由公司提供，榜单容易变成企业宣传工具；如果完全依靠员工提交，平台又可能出现虚假记录、恶意评价或者样本不足。产品早期可以采用相对克制的方式：公司提交制度信息，员工匿名记录真实体验，平台只在样本达到最低数量以后生成分类结果。公司可以查看和回应数据，但不能随意删除员工记录。对于样本不足的公司，明确显示 “暂无法判断” ，而不是为了榜单完整而强行评级。准点下班也不一定代表一家公司的工作体验更好。榜单不需要替所有人定义什么是好工作，而是把原本不透明的信息展示出来，让不同的人根据自己的需求作出判断。ABCD 分级评价的，应该是公司的工作时间是否可预期、制度承诺是否与员工真实体验一致，以及员工是否在了解实际情况以后，仍然拥有选择的权利。如果把这个产品真正落地，我更倾向于从一个行业或一类岗位开始，而不是一开始就建立覆盖全国所有公司的总榜。先验证员工是否愿意长期记录、公司是否愿意加入、数据能否影响求职决策，再逐步完善评价规则和扩大范围。回过头看，Agentosity 最吸引我的地方，不只是它记录了智能体使用时长和真实下班时间，而是它让我看到了两个原本被分开讨论的问题：AI 究竟怎样改变工作，以及效率提升以后，人能不能获得更多属于自己的时间。我认为，AI 应该让人过得更加幸福。它可以帮助企业提高效率，也可以帮助员工减少重复劳动，但技术最终带来的改变，不应该只体现在更高的产出上。如果未来的 AI 让我们用更短的时间完成必要的工作，也有公司愿意把节省下来的时间真正还给员工，再通过公开、可信的数据让这些公司被更多人看见，那么 “准点下班” 才不只是一场黑客松的主题。它会成为公司与打工人都可以主动选择、共同维护的一种工作方式。参考来源： Agentosity 项目主页：https://github.com/realethanyang/agentosity 作者于 “准点下班” 主题黑客松的现场观察与个人思考本文由 @景十一原创发布于人人都是产品经理。未经作者许可，禁止转载题图来自作者提供收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

产品的“死生之地”：产品经理做产品定位

Tue, 01 Sep 2026 01:21:34 +0000

钉钉的困境，是产品定位错位的典型案例。本文从刷屏长文《置身钉内》切入，深度剖析产品定位的五大核心内核与落地维度，揭示定位如何决定产品口碑、商业化与长期生命力，为产品经理提供可复用的定位方法论。所有资深产品经理都有一个共识：产品定位是一款互联网产品的地基，更是产品全生命周期所有决策的唯一判断标尺。一款产品最终能走多远、口碑好不好、能不能实现商业闭环、用户是否愿意留存，从来不取决于功能堆得多满。真正决定产品稳不稳的，是从0到1那一刻锚定的产品定位。定位清晰，后续的需求取舍、功能设计、用户运营、商业化变现都会有据可依；定位模糊或错位，所有努力都是无效做功，甚至会南辕北辙，越迭代越偏离用户、越运营越消耗口碑。今年夏天刷屏全网的离职长文《置身钉内》，就用钉钉这款国民级产品的困境，给所有产品人上了最深刻的一堂定位课。一、从《置身钉内》说起今年夏天，一篇7.5万字的《置身钉内》刷屏互联网圈，从产品行业火到全网职场圈。我们跳出大厂加班、职场内卷、团队内耗的表层吐槽，撕开钉钉多年来争议缠身、口碑两极分化的核心根源。现在，热度褪去，但是留下的产品思考依旧值得所有产品经理反复复盘。作为深耕行业多年的产品人，我最有感触的不是大厂的管理乱象，也不是职场人的生存困境，而是文章揭露的致命定位误区：钉钉从诞生之初，就陷入了核心立场的错位，这也是它功能越来越全、市场占有率越来越高，却始终无法赢得用户认可的根本原因。钉钉的表层定位一直无比清晰：中小企业智能办公协作工具，主打高效办公、团队协同、企业管理。凭借免费策略、全场景功能覆盖，它快速垄断国内中小微企业办公市场，成为几乎人人必备的工具软件。但它的深层定位彻底失衡。B端产品天然存在“决策付费用户”和“终端使用用户”的割裂，钉钉在长期迭代中，彻底倾斜于企业老板、管理者的管控需求，把监督、考勤、数据监控、效率压榨作为产品核心价值，完全忽视了基层员工这一高频核心用户的体验与诉求。已读回执、全程在线监控、工作边界无限延伸、绩效数据全景追踪……所有产品设计、算法优先级、功能迭代，都在为管理者服务，让工具成为赛博监工。但是又宣传自己是让员工高效办公的工具。最终形成了极其畸形的产品生态：企业不得不用来提效管理，员工不得不被动忍受，产品有市场、有营收、有体量，却没有口碑、没有用户粘性、没有品牌温度。这就是典型的定位问题。它完美印证了一个真理：产品所有的体验问题、口碑问题、增长瓶颈，归根结底都是定位问题。定位一旦跑偏或者模糊，所有精细化运营、功能迭代、场景优化，都无法挽救产品的底层缺陷。二、什么是互联网产品定位？产品定位不是简单等同于对外宣传的slogan、赛道标签、用户人群划分。从《置身钉内》的复盘案例和行业实战来看，真正的产品定位，是一款产品的顶层战略定义，是明确“ 为谁、解决什么核心问题、提供什么差异化价值、放弃什么需求、坚守什么立场 ”的完整体系，是贯穿产品从诞生到迭代的底层纲领。完整的互联网产品定位，至少包含五大核心内核：用户定位：明确核心服务对象。精准区分核心用户、次要用户、边缘用户，确定产品资源的倾斜方向。不追求服务所有人，只聚焦精准目标群体，这是定位的前提。钉钉的误区就是错把付费决策者当核心用户，倒置了高频使用者的优先级。场景定位：锁定核心使用场景。明确产品在什么时间、什么场景、解决用户哪类具体问题，剔除低频、非刚需、与产品核心价值无关的场景，避免功能臃肿、赛道泛化。价值定位：提炼差异化核心价值。回答用户“为什么要用你，不用竞品”的核心问题，找到竞品的短板、自身的优势、用户的核心痛点，打造不可替代的产品价值。竞争定位：确立市场心智坐标。明确自己在行业赛道中的位置，是差异化错位竞争、还是同质化优势竞争，避免盲目跟风，在用户心智中占据专属认知。立场定位：坚守产品底层逻辑。这是定位的灵魂，决定产品是服务用户、赋能用户，还是约束用户、管控用户，所有功能设计、规则制定、算法逻辑都围绕立场统一落地。边界约束：这是最容易被忽视的一条。定位同时要告诉你“不做什么”。美团在早期定位为“本地生活服务电商”，所以坚决不碰实物电商，哪怕流量再大也不碰。这就是边界的力量。简单来说：slogan是定位的结果，而完整的战略取舍，才是定位的本质。定位不是写给外人看的宣传文案，是产品团队内部的行动准则。三、产品定位为什么如此重要？产品定位之所以被称为产品经理的核心必修课，是因为它决定了产品的生存根基、资源效率、发展上限，所有成熟产品的成功、大部分产品的消亡，都能从定位上找到根源。具体可以分为五大核心价值：定位是所有产品决策的核心标尺。产品迭代的核心是取舍，而取舍的唯一标准就是产品定位。面对海量需求、繁杂场景、多样用户，定位清晰的产品，能快速判断“该做什么、不该做什么、优先做什么”。反之，定位模糊就会陷入需求堆砌、盲目迭代、功能臃肿的陷阱，就像钉钉不断叠加全场景管理功能，最终丢失核心协同价值。定位决定产品的用户心智与口碑。互联网赛道同质化严重，用户的选择成本极低。清晰的定位能让用户一秒记住产品的核心价值，形成专属心智认知。微信定位“轻量化人性化社交”、飞书定位“高效团队协同”、企业微信定位“公私域客户运营”，精准的心智占位，是产品长期留存的核心。而定位错位的产品，只会让用户产生抵触心理，丧失情感认同。定位极大提升团队资源利用效率。任何公司的研发、运营、市场资源都是有限的。定位清晰，团队就能集中所有资源深耕核心场景、核心用户、核心价值，精准发力、单点突破；定位模糊，团队会分散精力、遍地开花，看似忙碌高效，实则没有任何核心成果，最终陷入“样样都做、样样不精”的困境。数据显示，定位清晰的产品，营销与研发资源效率可提升25%-40%。定位决定产品的商业化模式。所有可持续的商业化，都建立在精准的定位之上。定位明确，才能精准匹配用户付费意愿、搭建合理的变现体系、避开恶性价格竞争，甚至获得15%-30%的定价溢价能力。钉钉的商业化困境就在于，管控式的定位让用户极度抵触，即便功能齐全，也难以实现高质量的付费转化和用户忠诚。定位决定产品的长期生命力。短期产品靠功能，中期产品靠运营，长期产品靠定位。市场热点、用户需求、行业趋势都会不断变化，但产品的核心定位与底层立场可以长期稳定。无数昙花一现的爆款产品，都是跟风热点、定位摇摆，最终被市场淘汰；而长青产品，无一不是长期坚守清晰定位，持续深耕核心价值。统计显示，定位模糊的新产品失败率高达80%。总体来说，产品定位在产品的很多重大决策中，拥有一票否决权。四、产品定位的落地维度产品经理懂定位的理论，却不会落地，那么定位只停留在文档里，无法落地到产品迭代中。结合实战经验与钉钉的案例，产品定位的落地可拆解为四个可直接复用的核心维度，形成完整闭环：用户维度：精准取舍，锚定核心人群。落地第一步不是找需求，而是做减法。明确核心刚需用户、次要付费用户、边缘非目标用户，坚定向核心用户倾斜资源。B端产品尤其要平衡付费决策方与终端使用方，不能单方面讨好管理者、牺牲使用者体验，避免钉钉式的用户对立困境。场景维度：聚焦核心，砍掉无效场景。梳理用户全流程使用场景，筛选出高频、刚需、高价值的核心场景，作为产品的主攻方向；对于低频、伪刚需、偏离核心价值的场景，坚决放弃。杜绝“大而全”的产品思维，坚持“小而精”的聚焦逻辑，守住产品能力边界。价值维度：差异化落地，构建核心壁垒。对标竞品，梳理自身差异化优势，把核心价值落地到具体功能、体验、服务中。别人做全场景管控，你就深耕高效协同；别人做通用社交，你就聚焦私密轻量化沟通。让差异化价值看得见、摸得着，真正解决用户痛点，形成产品核心壁垒。执行维度：全链路统一，贯穿迭代始终。定位不是静态文档，是动态执行准则。产品的功能设计、交互体验、算法逻辑、规则体系、运营策略、商业化设计，必须全部贴合定位，做到全链路统一。杜绝“宣传一套、落地一套”的割裂情况，让定位渗透产品的每一个细节。五、产品定位思维不止于互联网产品产品经理岗位最核心的价值，从来不是会画原型、会写需求文档、会跟进迭代，而是拥有一套可泛化的顶层思维。产品定位思维，不仅适用于互联网产品打造，更是一套通用的人生与职场底层逻辑，可以复用在所有赛道、所有场景。做运营需要定位。账号定位清晰，才能精准吸引目标粉丝、输出垂直内容、实现高效变现；定位模糊、内容杂乱，最终只会粉丝零散、变现困难。做自媒体需要定位。明确自己的赛道、受众、核心价值，是干货输出、情绪价值、还是经验分享，专一深耕才能建立个人IP，形成差异化竞争力。求职简历需要定位。个人定位清晰，明确自己的核心优势、适配岗位、核心能力，才能精准匹配岗位需求，让面试官快速记住你，从众多求职者中脱颖而出。个人成长更需要定位。明确自己的职业赛道、核心优势、发展方向，懂得取舍无效努力、聚焦核心提升，才能避免内耗，实现长期成长。本质上来说，定位的核心逻辑永远不变：明确自我价值、找准目标受众、建立差异化优势、懂得取舍聚焦。掌握了产品定位思维，就掌握了万物归一的底层成事逻辑。写在最后重读《置身钉内》，我们读懂的不仅是一款产品的好坏，更是所有产品人必须坚守的底层准则：产品的所有问题，几乎都始于定位，终于定位。产品经理沉迷于细节、功能优化、运营技巧，却忽略了顶层定位的重要性。细节只能优化体验，定位才能决定成败。清晰的产品定位，是产品对抗市场内卷、规避同质化竞争、实现长期发展的唯一底气。对于产品人而言，定位不是一句空洞的口号，是一次次需求的取舍、一次次迭代的坚守、一次次价值的沉淀。做好产品，先定好定位；无论是做产品，还是做自己，精准定位、懂得取舍、坚守价值，都是终身受益的底层能力。本文由 @老赵的产品论原创发布于人人都是产品经理。未经作者许可，禁止转载题图来自Unsplash，基于CC0协议收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

零售电商行业的AI落地困境

Tue, 01 Sep 2026 01:17:25 +0000

AI项目失败率居高不下，零售电商企业如何避开陷阱？兰德公司访谈65位专家，揭示五大失败根源：领导层误解、数据质量不足、追逐技术而非解决问题、部署能力欠缺、场景不适配。波士顿咨询的10-20-70法则指出，70%的成功取决于人、流程与文化转型。本文深度解析，助你提升AI落地成功率。为了探究AI和机器学习项目失败的原因，美国兰德公司的研究团队访谈了65位在工业界或学术界拥有至少五年AI模型构建经验的数据科学家和工程师，这些受访者来自不同规模和行业的企业，以确保结论具有广泛代表性。最终，访谈内容和相关数据形成了一份题为《人工智能项目失败的根源及其成功之道》的研究报告，据估算超过80%的AI项目最终失败，这些项目要么未能走出试点阶段，要么虽然部署上线却未能交付可衡量的商业价值。同样的，MIT与麦肯锡的联合研究显示，90%的生成式AI实验项目从未能走出试点阶段。更令人担忧的是，标普全球2025年的调查表明，42%的企业承认放弃了大部分AI计划，而2024年这一比例仅为17%，短短一年间AI项目放弃率飙升了147%。另据调查显示，84%的商业领袖相信AI将对业务产生重大影响，97%的商业领袖认为部署AI技术的紧迫性正在增加。然而，同一项调查则显示，仅有14%的组织认为自己已完全准备好将AI整合到业务中。两年前，仅有48%的AI原型项目最终能够进入生产环境，而项目从启动到投产平均需要8个月。很明显，企业的经理和主管们都面临巨大压力，必须用AI做点什么来向上级证明自己跟上了技术发展，但太多管理者并不清楚如何将愿望转化为行动。「庄帅零售电商频道」希望通过该报告提炼出AI项目失败的五大环境性原因，为零售电商企业的AI落地提供参考，以避开常见陷阱、提升项目成功率。五大失败根源原因一、领导层误解或错误传达问题这是AI项目失败最常见的原因，行业利益相关者往往误解或错误传达了需要用AI解决什么问题，84%的受访者将领导层失败列为主要原因。具体表现为，训练好的AI模型被部署后，发现其优化的指标是错误的，或者模型根本无法融入整体业务流程和上下文中。有受访者直言，企业领导者认为自己拥有大量数据，因为每周都会收到销售报告，但这些数据可能无法满足新的目标。这一失败根源在零售行业尤为突出，许多零售商急于部署AI客服或推荐系统，却未能清晰定义成功的标准，比如是要提升转化率、增加客单价还是提高用户留存率。当目标模糊时，AI模型优化的指标往往与真实业务需求脱节。两年前，塔吉特就推出了一款AI聊天机器人用于内部提升效率，但员工普遍抱怨该工具不完整且基本无用。例如，当询问如何处理不礼貌的顾客时，机器人只是给出了保持冷静和礼貌沟通的建议。原因二、缺乏高质量训练数据许多AI项目失败是因为组织缺乏必要的数据来充分训练有效的AI模型。在领导层驱动的失败之后，数据驱动的失败是第二常见原因。困难不仅在于数据的数量，更在于获取、清洗和探索组织数据的成本。受访者还提到了人才可用性问题，50位受访者中有7位表示人才短缺是主要困难，另有19位表示虽然总体不缺人才，但缺乏高质量的专业人才。「庄帅零售电商频道」研究发现，在零售行业，企业拥有海量交易数据，但拥有数据不等于拥有可用的高质量数据。各种各样的数据分散在POS系统、电商平台、会员系统和供应链管理系统等多个孤岛中，格式不一、标准各异。一位零售业数据分析师可能将80%的时间花在数据清洗和整合上，仅剩20%用于模型训练和优化。以库存管理为例，这是零售AI最具潜力的应用场景之一，可现实中商品编码不统一、库存数据更新滞后、线上线下库存不同步等这些问题在垃圾进、垃圾出的AI系统中会被无限放大。原因三、追逐最新技术而非解决问题有些AI项目失败是因为组织更关注使用最新最尖端的技术，而不是为预期用户解决实际问题。报告明确指出，追逐最新的AI进展本身就是最常见的失败路径之一。成功的项目应当聚焦于要解决的问题，而非用来解决问题的技术。许多管理者被技术炒作迷惑，忘记了审视真正的业务问题。当ChatGPT引爆全球关注后，无数零售商争先恐后地将大语言模型集成到自己的业务中，先有锤子再找钉子成为普遍现象。 2025年10月，沃尔玛高调宣布与OpenAI合作，在ChatGPT中推出即时结账功能，让用户通过对话即可完成购物，然而仅仅五个月后，沃尔玛便终止了这一合作。问题出在哪里？据了解，该功能在准确性上存在严重问题，且无法与沃尔玛的内部购物工具匹配，导致通过OpenAI渠道的订单转化率远低于沃尔玛自有渠道的水平。沃尔玛随后将自有购物助手Sparky嵌入ChatGPT和Google Gemini平台，早期测试显示通过Sparky完成的购买率达到了通过Walmart.com直接购买率的约70%，虽然仍不及自有渠道，却已远高于OpenAI即时结账的表现。沃尔玛发言人表示，通过这次合作他们学到，客户希望在每一个触点上获得一致的体验。这一案例完美诠释了追逐最新技术而非解决问题的失败路径：技术本身是大语言模型和对话式购物，但解决方案未能融入沃尔玛既有的购物流程和用户体验，最终功亏一篑。原因四、缺乏部署和管理能力组织可能没有足够的基础设施来管理数据并部署已完成的AI模型，这显著增加了项目失败的可能性。 AI的部署远比模型本身更依赖于周围的基础设施架构。从数据治理到模型部署，再到后续的维护和迭代，任何一个环节的基础设施不足都可能导致整个项目功亏一篑。报告建议，对数据治理和模型部署基础设施进行前期投资，可以大幅缩短完成AI项目所需的时间，并增加可用于训练的有效数据量。据「庄帅零售电商频道」了解，一家大型零售商运营着上百家门店和多个电商平台、复杂的供应链网络和庞大的会员体系，要将这些系统中的数据打通、标准化并实时同步本身就是一项巨大的工程。理论上，AI可以根据实时库存、竞争对手价格、天气和节假日等因素自动调整商品价格。实际上，在实践中，这意味着需要将AI模型与POS系统、电商平台、供应链管理系统甚至门店电子价签系统实时对接，任何一个环节的延迟或错误都可能导致定价失误，造成利润损失或客户不满。星巴克推出了一款AI驱动的库存盘点工具，却只上线9个月便被叫停。据星巴克内部技术审计报告显示，这个系统对相似包装商品的识别错误率高达23%，在强光或暗光环境下漏检率超过35%，而对糖浆类圆柱形商品的识别准确率不足60%。问题的根源并非AI算法本身不够先进，而是部署环境中的门店光照条件和商品包装多样性远超AI模型的适应能力，基础设施中的数据采集环境和边缘计算能力未能为AI部署提供足够支撑。原因五、将AI应用于无法解决的场景报告强调，AI不是一根可以让任何具有挑战性的问题消失的魔杖，在某些情况下，即使是最先进的AI模型也无法自动完成一项艰巨的任务。早在2021年，麦当劳与IBM合作推出了AI语音点餐系统，试图用AI替代人工接单员。然而系统在实际运营中频繁出错，有视频显示系统将数百美元的麦乐鸡添加到顾客订单中，还有顾客反映冰淇淋中被错误添加了培根。三年后，麦当劳宣布终止这一AI点餐试验。问题在于，得来速点餐场景中汽车引擎声、风雨声和旁边车道的各种外部噪音严重干扰了语音识别，而AI难以在嘈杂环境中准确理解顾客的点餐指令。这不是AI不够好的问题，而是这个特定问题本身就超出了当前AI的能力边界。另一个有趣的案例来自AI公司Anthropic的实验，他们让大语言模型Claude担任AI店长，独立经营一间零食自动售货店，结果以亏损告终。 AI店长在选品、定价和库存管理等方面频频出错，甚至因过度慷慨而亏本出售商品。这生动说明即使是最先进的大语言模型，也无法替代人类在复杂商业决策中的判断力，因为问题本身超出了AI的能力范围。 AI项目的失败不仅仅是上述五个问题的简单叠加，而是组织文化、流程和人才结构的系统性失灵。波士顿咨询集团提出的10-20-70法则认为AI项目的成功，10%取决于算法，20%取决于技术和数据基础设施，而70%取决于人、流程和文化转型。然而大多数组织恰恰将这组比例完全颠倒，将70%的精力投入到技术采购和部署上，仅有10%关注人员和文化转型。作为典型的人力密集型行业，零售电商企业从门店员工到供应链管理者，从客服人员到采购专家，每一个环节都高度依赖人的经验和判断。当组织试图用AI替代或辅助这些角色时，如果忽视了人员培训、流程再造和文化转型，AI项目几乎注定失败。除此之外，该报告还发现基于互联网的敏捷开发方法论可能与AI项目存在内在冲突。 50位受访者中有10位认为，AI项目需要一个数据探索和实验的初始阶段，其持续时间不可预测。正如一位受访者所说，许多工作不得不反复地在下一个任务中重新打开，或者被拆分成极其微小且无意义的任务，以塞进一到两周的任务中。对于零售电商企业而言，这意味着用管理传统软件项目的方式，比如固定周期、固定范围和固定交付物，来管理AI项目本身就埋下了失败的种子。AI项目需要更大的灵活性、更长的探索周期以及对失败实验的容忍度。如何成功的应用AI？第一、确保技术人员理解项目目的和领域背景，能够与业务专家之间的有效互动。在零售场景中，数据分析师需要理解零售业务的真实状况，包括门店运营的节奏、顾客行为的细微差别和供应链的约束条件，仅仅把提高转化率作为目标远远不够，还需要深入理解什么样的推荐在什么时间、什么场景下对什么样的顾客有效。第二、AI项目需要时间和耐心来完成。在启动任何AI项目之前，领导者应准备好让每个产品团队在至少一年的时间里致力于解决一个特定问题。零售企业往往习惯于季度性的业绩考核和快速试错，但AI项目，尤其是涉及供应链优化、需求预测和个性化推荐等核心业务的项目，需要足够的时间来积累数据、迭代模型和验证效果。第三、聚焦问题而非技术。在启动任何AI项目之前，先问三个问题：要解决什么具体的业务问题？如何衡量成功？如果没有AI，这个问题是否仍然值得解决？如果对这三个问题的答案不够清晰，那么这个AI项目很可能从一开始就走在错误的道路上。第四、投资基础设施。对数据治理和模型部署基础设施的前期投资，可以大幅减少完成AI项目所需的时间，并增加可用于训练有效模型的数据量。对于零售企业而言，这意味着在启动AI项目之前需要先解决数据孤岛问题，打通POS、电商、供应链和会员等系统，建立统一的数据标准和数据治理体系。这看似不够性感的工作，恰恰是AI成功的前提。第五、理解AI的局限性。尽管围绕AI有很多炒作，但领导者需要清醒地认识到AI的能力边界，并在考虑潜在AI项目时纳入技术专家进行可行性评估。 AI在数据处理和模式识别方面具有显著优势，但在理解人类情感、处理复杂社交互动和应对突发事件等方面仍有巨大局限。零售企业应避免将AI部署到那些高度依赖人类判断和情感互动的场景中，至少在当前技术条件下应当如此。在巨大的竞争压力和技术炒作的双重驱动下，零售商们争先恐后地部署AI，包括AI客服、AI推荐、AI定价和AI库存管理，只是太多项目陷入了为AI而AI的陷阱，忘记了AI只是工具，业务才是目的。对于任何正在考虑或已经启动AI项目的组织而言，在用新技术之前，先确保问题被正确定义、数据已准备就绪、基础设施足够坚实、人员和文化已经到位。作者：庄帅，公众号：庄帅的互联网频道本文由@庄帅原创/授权发布于人人都是产品经理。未经许可，禁止转载。题图由作者提供收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

如何设计自然的具身人机交互

Tue, 01 Sep 2026 01:17:09 +0000

具身智能产品设计的关键在于自然的人机交互。本文从人类交互的深层机制出发，揭示预测、身体信号与动作节奏的核心作用，并探讨如何构建机器人的感知架构，以实现真正流畅、安全的协作体验。前两篇文章，我把具身智能的软件+硬件完整拆解了一遍。后面要聊的，是应用层的具身产品设计。具身的产品设计要考虑的因素能写一大坨，但无论哪个场景，人机交互这个话题都无法绕开。每个工程师都盼着自己做的机器人看起来”自然”。可”自然”这个词有点太抽象了。我对其的具象化理解是：在 C 端场景中的具身自然，是人和机器人相处时，不需要迁就和提防它，而是能像跟另一个靠谱的人配合一样，凭直觉就知道下一步该干嘛，并且相信它会给出恰当的回应。人与人之间的交互，是本文章所讲的自然人机交互参照系。在我看来，人与人配合之所以优雅，不是因为我们语言多发达，而是因为我们之间有大量不需要语言的、瞬时的、双向的默契。嘴巴在这套系统里，地位远没有我们以为的那么高。因此，我在谈”如何设计自然的人机交互”之前，先为大家说清楚”人与人到底是怎么交互的”。人的感官系统是怎么干活的，然后再想机器人该被配上什么对应能力，以及在这场配合里，人和机器各演什么角色。 01 人类社会的交互人和人交互，并不全靠语言。语言只是信息传输中的通道之一。信息会同时从好几条通道里流出来，各条通道的速度和用途天差地别。极快、无意识的通道：视觉里的运动、余光里的逼近、皮肤上的触碰。这些根本不经过想，直接触发反应。手碰到烫的东西瞬间缩回，这事大脑皮层都懒得签字，是脊髓直接办完的。中速、半自动的通道：身体姿态、朝向、眼神、动作的节奏。你和人并肩走，会不自觉地调整步频和间距。你几乎意识不到，但它一直在发生。慢速、有意识的通道：语言。组织词句、表达意图，需要时间，也最烧脑。这些通道存在的目的，是把多方角色的注意力拉到同一个维度下。人类为了这个目标进化了不知多少年，才换来今天的成果：把不同的交互任务，分派给不同的通道。要瞬时反应的交给最快的反射，要持续协调的交给中速的身体感知，要传达复杂意图的交给最慢的语言思考。之前在软件的文章里，我提过”感知-思考-行动”这条链路。用它来执行任务没问题，但如果机器人事事都靠这一条链路，大概率会呈现出一种呆瓜状态。把人的信息传输能力抽象出来看就会发现：想让机器人像人一样自然，就不能用”感知-思考-行动”一条链路应付所有任务，而要分层。快任务归快处理，慢任务归慢思考。预测，而非响应我们无时无刻不在预测，而不是在响应。这是个极易被忽视的交互洞察。一个只会响应的机器人，总有种”慢半拍”的迟钝感。会预测的机器人，才谈得上自然。人并不是看到别人的动作之后才做反应。神经科学有大量证据表明，人脑是一台预测机器：它不断预测接下来会发生什么，再用实际的感觉输入去校正预测误差。比如接球，你不是等球飞到手里才合掌，而是提前算好了轨迹，在球到之前就张开了手。人做任务时，不预测就一定会延迟。感知要时间，计算要时间，机械执行还要时间。这些时间一累加，我们就觉得机器人慢半拍。人与人配合之所以流畅，正是因为双方都在持续预测对方的下一步，并提前备好姿势。想让机器人预测得更优雅，得搭一个任务预测模型：根据人的视线、姿态、手的运动、行走方向，加上情境常识，去猜用户接下来最可能干什么。预测必然会错，所以必须一边预测、一边用实际感知校正。预测让机器人变快，校正让机器人变准，两者缺一不可。预测能提升流畅性，但预测不能碰安全。凡是和安全挂钩的任务，必须是基于确定性的设计。不能因为预测人不会突然冲过来，就取消了突发情况的防护。产品经理应该把这句话刻在工位上。身体本身就是意图信号人在行动前和行动中，身体会自然地”泄露”意图，而对方会读这些信号。如：你要起身，会先微微前倾、手撑桌子。旁边的人立刻知道你要走了；你走路时的朝向和视线，早就预告了你下一步要去哪。这些信号不是刻意演出来的，而是动作本身的自然组成部分。可它们承担着巨大的沟通功能。让周围的人能预测你，从而提前协调、避免翻车。一个行为无法被预测的机器人，会让周围的人一直处在警觉和焦虑里，没法放松地跟它配合。反过来，一个行为高度可预测的机器人，哪怕动作慢一点、保守一点，人们反而能安心地跟它协调。想让机器人被人预测，有三个设计要注意下：增加动作状态。减速表示”我注意到你了 / 我在让你”；平稳匀速表示”一切正常”；停下表示”我不确定，我在等”。机器人的运动本身应该是一种人人都懂的语言，而不是靠额外的屏幕或语音来解释。增加动作信息。抓取前，要有明显、可辨识的预备动作；转向前，先减速、身体先微微朝向目标方向；让路时，明确地侧身，而不是含糊地挪一下。这些信号没什么功能价值，不过正是因为这样的细节存在，才会让机器人变得更加自然。保持行为一致性。同样的场景，机器人给出同样的动作反应。人跟机器人交互几次之后，就能对它建立起直觉预期。如果机器人面对相同场景，行为表现忽左忽右，没人会愿意相信这种猪队友。动作时机与节奏在物理世界里，人和人配合时，动作触发的时机和执行节奏同样重要。这点常被忽视，工程师们尤其容易把它当成算法的副产品，随手扔在一边。动作触发的时机。交接物品时，机器人松手太早，东西掉地上；太晚，人觉得被较劲，这货是个杠精。机器人恰当的做法是：感知到东西已被稳稳接住，再松手。动作运行的节奏。跟随行走的节奏：快了是催人，慢了是拖后腿，所以要设计成机器人能动态匹配人的步调。动作响应的时机。太快显得机械抢话，太慢又显得迟钝。机器人产品的体验差距，要在它完成任务的基础上，执行任务时能更加地合拍。要把”节奏和时机”当作一个明确的、需要专门打磨的设计维度，而不是听天由命地接受算法的默认输出。苹果之所以是一个伟大的产品，正是因为它在其中穿插了很多细节。 02 从感官系统到感知架构人靠感官理解世界，机器人也需要一套能力去理解世界。但不能简单照抄人的五官，五官只是信息接收的手段。我们要理解它们最终要达成的效果，再用第一性原理反过来问：为了这个效果，我该给机器人配什么能力？读懂意图和预测人视觉能力最重要的作用，不是看清物体细节，而是捕捉运动、预判轨迹、读取对方意图。你的余光对运动极其敏感，这是老祖宗进化时留给我们的保命机制：快速察觉逼近的威胁，而中央视觉负责精细识别。所以机器人真正需要的是意图识别能力，而不只是一套”看得清”的视觉系统。意图可以通过语音、视觉、触觉共同理解。机器人的视觉系统要分工：一部分低延迟地专门盯着运动和逼近，对应人的余光与快反射，服务于安全和避让；另一部分做精细的物体识别与场景理解，对应中央视觉，服务于任务。不过摄像头有它的物理局限：怕逆光、怕黑暗、怕遮挡、怕镜面和玻璃。所以视觉绝对不能是唯一的意图识别感官。除此之外，机器人视觉还要能预测人的意图：人朝哪看、身体朝向哪、手伸向哪、走路的方向和速度。这些都是预判下一步的关键线索。一个能预测人意图的视觉系统，才配得上”自然配合”四个字。预测能力不只让机器人交互更自然，也是机器人智能化的体现。但预测可以大胆，行动必须收敛、克制，预测之后的动作要有边界。机器人内部可以推测用户有70%概率想喝水，但并不意味着 70% 就该直接动手。中间还要有一层去思考，要不要执行？先评估当前动作的风险等级：中高风险的，必须用户确认后再执行；低风险的，机器人可以主动做。物理接触的对话对智能手机这个载体来说，触觉几乎覆盖了它的所有功能。对机器人来说，面对物理世界，力觉和触觉依然是核心中的核心。机器人要用触觉系统完成”物理对话”，关键有三项任务：判断抓握是否稳定：靠感受抓握时的力和微小滑动，而不是靠视觉猜。人抓东西时，手指能感知到物体开始下滑的瞬间并立刻加力，这个过程极快。机器人要实现它，需要在末端有触觉感知，加上快速的局部控制回路。实现柔顺、保障接触安全：当机器人碰到人或易碎物时，能”软”下来，顺着外力让步，而不是硬顶。这既是配合的基础，也是安全的物理保障。参与双向力对话：感知人施加的力，理解人的意图，并做出配合。虽然接触能获取到客观、真实的信息，但从安全角度看，我认为接触安全不能只靠”视觉看到人 → 软件判断危险 → 急停”这条链路它太慢了，等软件反应过来，接触早就发生了。真正的接触安全，必须有一部分内建在机器人本体的柔顺性和最底层的高频力控里，让机器人在物理上天生就撞不疼人、伤不到物品。作为产品经理要坚守这条安全红线。意图理解听觉系统是机器人接收复杂、抽象意图的主要通道。大语言模型让机器人第一次能较好理解开放的、口语化的、带歧义的自然语言（”帮我把桌上那个蓝色的杯子拿过来”），这是巨大的进步。但要清醒认识语言的边界：语言慢、带宽低。它适合传达”做什么”，不适合实时控制”怎么精确地做”。你不可能用语言实时遥控一台正在避让的机器人。语言充满歧义，要靠共享的视觉和常识来消解。”那个杯子”到底是哪个，得靠视觉配合。纯依赖听觉会遇到的各种问题，我就不展开了。ASR 是玩了很多年的技术路线，大家可自行按业务场景查阅相关逻辑。所以语言必须和视觉、场景理解深度融合，才能落地成具体动作。孤立的语言理解，在复杂的物理世界里，无法真正理解用户意图。对意图理解这件事，要给不同系统分别定好位：语言负责任务层，视觉负责协调与预判，力觉负责实时接触配合。各自管好自己的一亩三分地。多感官融合不是无限叠加也许有人会觉得什么都有肯定更好，越多越牛13。视觉、力觉、听觉全都来一遍。不过钱也不是大风刮来的，日子不过了么？就算有钱，冗余的东西要它也没有啥用。我们不该做无意义的叠加，而要想清楚叠加后要达成什么目标、解决什么问题。叠加的感官越多，问题越多。最典型的是时空对齐和冲突仲裁。时空对齐。不同感知硬件的信息速度天差地别：力觉能到上千赫兹，视觉通常几十赫兹，语言是秒级。要把这些速度不同、坐标系不同、延迟不同的信息，拼成一个统一、连贯的”当前世界理解”，是个很难搞的工程问题。不得不说，造物主太厉害，让人天然就能把看到的、听到的、摸到的整合成统一体验。冲突仲裁。当视觉说”前面没东西”，力觉说”我撞到了东西”，这时候信谁？从安全角度看，现阶段要信那个更关乎安全、物理上更确凿的感官：力觉的物理接触是确凿的，视觉的判断是推断的。我们必须参与定义这套感官优先级与仲裁规则，它决定了机器人在矛盾情况下会做什么，往往也正是机器人是否安全的关键时刻。 03 机器人的角色定位自然的人机交互，不是机器人替代人做完一切，而是人和机器各展所长、彼此互补。不应该让机器人变成人人和机器擅长的事完全不同。好的交互，是让各自做各自擅长的事：人擅长：理解模糊意图、应对意外、做价值判断和常识推理、处理长尾的怪异情况。机器擅长：精确、重复、稳定、不知疲倦、精确控制力和位置、多任务并行处理数据。最自然的配合往往是：人负责”判断和决定”（尤其是意外和关键决策），机器负责”精确而重复地执行”。比如协作装配中，人决定策略、处理异常，机器负责需要精度和力量的重复操作。聊到这，肯定有读者要喷我：前面说了一堆感官配合、任务拆解，现在又说别去做意图理解了，这不是前后矛盾吗？我想在这里破掉机器人工程师们的一个终极执念：机器人要完全自动化。我的看法是：不是自动化程度越高越好。在很多场景下，恰当的人机各展所长，比追求机器完全自主更实用、更安全、也更快落地。我们应该不断问自己：”这个任务里，人和机器各自该干什么？”而不是一门心思思考怎么把人彻底去掉。完全自主可以是某些场景的终点，但不该是默认方向。脱离场景谈能力，纯粹是扯淡。权责边界人机交互中一个核心的设计决策，是决策权在什么时候、以什么方式在人和机器之间转移。我觉得一个比较好的设计是用动作的代价和是否可逆，来决定其自主程度。可逆、低代价的动作（调个亮度、挪下位置）：机器自主执行，错了再改，追求流畅，不要频繁打扰人。不可逆、高代价的动作（把东西从高处拿下、处理贵重或危险物品）：要么提高置信度门槛，要么把决策交还给人确认。机器不确定时：主动降速，发问或请求人接管。这不是缺陷，而是诚实和安全的表现。不要想用统一的自动化水平对待所有动作！那样的话琐事会太墨迹，高风险动作会过于粗鲁。要画一个动作风险vs交互摩擦的表格。代价越高、越不可逆，交互中的确认就该越多、激进度就该越低。这种情况，自动驾驶领域展示出来的教训案例，应该够多了，我都懒得举例。如果机器突然把控制权甩给一个没准备好的人，后果可能是灾难性的。为了避免重演那些残酷案例，产品经理一定要在交接中加一些优雅设计，保证人机交互的稳定性. 预告和缓冲。交接不能突然。机器要提前告知：我可能需要你接手。给人反应和进入状态的时间。明确责任人。现在谁在负责，必须清晰无歧义。最怕双方都以为对方在负责，或都以为自己该等对方，这种稀里糊涂的状态，最容易翻车。 04 安全与信任前面讲的所有东西，都建立在安全和信任这两块地基上。地基塌了，上面再漂亮，也不过是屎上雕花。安全是第一原则。物理世界对机器人安全性的要求，是绝对的确定。不信可以后面看，随着上市机器人公司变多，哪天某个机器人搞出点安全事故，冲浪时可以立马听取股民哭声一片。好的产品设计，是用一套独立的、简单的、确定性的安全机制兜底：硬件急停、力矩上限、速度限制、安全区域、本体柔顺等。这套机制不依赖模型的判断，模型再怎么抽风，通过这套安全机制也能把伤害限制住。安全功能要尽量简单、可验证，并独立于复杂而不可验证的智能部分。宁可让机器人在不确定时停下来，也不要让它自信地做出可能伤人的动作。保守地失败，远好于激进地失败。不要为了自然而自然，有时候，该der一点就要der一点。我刚做产品经理时，我的 leader 跟我说：产品经理一定要爱惜自己被信任的羽毛。你得靠很多件事，把自己做成一个可靠、可被信任的角色；但只要失误一次，就容易被贴上”不可靠”的标签。所以产品经理要爱惜自己的羽毛。机器人也一样。机器人只要发生一次严重失误，后续做再多信任修复都很难。为了让机器人在交互中是个可靠角色，一定要做三件事：前几次交互定生死：开箱和初次使用的可靠性，决定长期信任的基调，要”不惜代价”保证。校准信任基线：不是让用户过度信任机器人。过度信任会导致误用和事故；信任不足，又会导致产品被闲置、拖累品牌口碑。理想状态是用户的信任恰好匹配机器人的真实能力。所以要诚实地暴露机器人的能力边界，而不是假装全能。爱装13的都没什么好下场。犯错后的复盘机制：这是机器人的机格问题 [人工狗头]。机器人必然会犯错，但它犯错后是否会解释、会致歉、下次是否改进，这些做法更能影响用户是否愿意长期信任它。机器人面对的是物理世界，物理世界可采集的数据量级远比手机app大的多。数据的采集范围、存储、使用、以及用户的知情权和控制权，不只是合规问题，更是信任的根基。一个被曝光滥用家庭数据的机器人品牌，信任会瞬间崩塌，且无法挽回。没人敢买一个收集家庭信息机放到家中。 05 结语上面聊了很多，都是如何让机器人交互尽可能自然。但从产品角度讲，我在某些特定场景下，反而不希望机器人做得那么自然。如果真有一天，机器人与人的交互变得无比优雅、丝滑，我会很开心。因为在如何让它变自然这件事上，这篇文章留下了我的洞察和思考的痕迹。机器人变得自然当然很好，可同时我有很担忧：当机器人真的变得无比优雅之后，它引发的社会性问题、安全性问题。我觉得这会超过历史上所有工业革命带来的影响，更会超过现在 AI 模型的影响力。因为到那时，人类的角色，升级成为了造物主。这是角色升级。而不是工业革命。角色升级后，很多东西都会被放大的，这里不再多说什么。先不说那么远。目前大家期望的机器人自然交互标杆，大多是人与人的信息交换系统。但我们也不该忽视其他物种的信息交换能力。有些物种的信息传递方式，也许更能帮我们提升工作效率。比如工厂场景下的群体智能，就是从蚂蚁用信息素交流的能力推演出来的。之前的文章我提过，具身智能不一定人形更好。也许四足机器人 + 机械臂的组合更容易被C端用户接受，不过这是机械结构层面的思考。从信息交互方式看，人类未必是最好的学习榜样。还是要从用户场景出发，先想清楚我们要解决什么问题，再看用什么方式做信息交换。世界上有多种多样的信息交换形式，也许以后做交互最成功的团队，会是那些找不同领域的人交流经验的团队，人文、社科、心理、自然、哲学，等等。作者：糊研乱宇公众号：糊研乱宇本文由 @糊研乱宇原创发布于人人都是产品经理。未经作者许可，禁止转载题图来自Unsplash，基于CC0协议收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

AI Coding了一个业务使用的小工具，但成功上线后我却并没有很开心

Tue, 01 Sep 2026 01:12:42 +0000

身为产品，我用 AI Coding 把移动端小工具从评审写到发布只用了四天，真机跑通那一刻没有开心，只有危机感：当写需求的人自己接接口、自己上线，前端被 AI 替代的那天比想得近。最近负责的业务需要在移动端上架一个小工具，因为之前移动端是有专门的团队和人员负责，但是现在因为移动端可以用H5来开发，经过部门调整，都归到后端这边了，但是后端因为资源紧张，身为产品，也想用AI Coding的方式去试一下。开发用了4天的时间，当真正跑完全流程，上线后，我却并没有很开心~ 一、Coding 的流程 ① 评审阶段撰写需求文档，生成原型进行评审，和后端确认好相关接口，确认接口提供时间和联调时间。这几步产品经理应该很熟悉了，就是日常工作，现在基本都是用 AI 来生成。这个阶段我跟以前唯一的区别是，写接口那部分的时候，我心里第一次有了「这些字段最后是我自己去接」的自觉。以前我写完就丢出去了。 ② 开发上线阶段申请仓库权限，拉代码，建分支，本地开发调试，用 APP 扫码在真机上看效果，遵守编码规范，提测发 fat，CR，发布上线。仓库权限批下来之后，我先把历史代码拉了下来，让 AI 去学项目里已有的写法。新开发的这个应用，就按历史的代码规范来。这一步现在回头看，是整件事里最关键的一步。它决定了我后面写出来的东西是能进这个仓库的，而不是一个自己在旁边另起一摊的野生项目。开发过程，全程就是纯自然语言跟它聊，然后点击 run 执行。有任何问题就问它，或者直接截图发它。中间也遇到了一些问题，但 AI 都能解决。整个过程其实并没有很多的问题。当真的打包发布到 fat 环境，测试用了一圈没有任何问题的时候，我是开心的。但更多的是危机感。那一刻我终于体会到，为什么这两年老有人说前端被 AI 干掉了。二、遇到的坑 ① 不同模型能力差异很大一开始我用的是 Claude Opus 4.6。因为日常只是写文档画原型，看不出什么差异，完全够用。真的用来开发软件写代码，模型之间的差异就显出来了。差一点的模型会写出一些问题代码。你让它解决，它就会陷进无限循环里。提出一个方案，改好了，又引发别的问题，然后它自己回退，继续找方案，继续试，不行又回退。来来回回，时间浪费了，问题还在那儿。有一轮我盯着它自己改、自己退、自己再改，看了快二十分钟，屏幕上代码翻来翻去，我一个字没打。当我把模型切换到最新的 Claude Opus 5.0 之后，就变得聪明了许多，问题少了很多，解决问题的效率也很高。这件事挺爽的。但爽完我有点不舒服。我卡了那么久的东西，换个模型就过去了。那些时间算什么。也提醒一句，别拿写文档的手感去判断一个模型能不能写代码。这两件事对模型的要求根本不在一个量级上，日常写文档你感觉不出差别，写代码差别是几个小时几个小时地体现出来的。 ② 按照文档进行自检开发完，我自测的时候发现，有一些细小的功能和交互它没给我实现。不是做错了，是漏了。文档里那种一句话带过的、藏在括号里的、写在异常分支里的小逻辑，它跳过去了。所以我又让 AI 对照我写的需求文档和后端给的服务接口，做了一轮自检，又补充和优化了不少点。这一步我建议所有用 AI 写东西的人都加上。AI 干活儿的时候是顺着主线走的，边角料它会自然地丢。你不拿文档去点一遍，它不会主动告诉你我这儿少做了三条。三、感悟我最早是干过 IOT 开发的，但年代久远，早忘干净了。这次 AI Coding 让我对开发、对代码的实现，重新有了一次感同身受。最直接的一条，对于需求，一定要明确。要知道每上一个功能的价值和意义。现在开发也是用 AI，但也要尊重他们的劳动。并且在文档描述的时候不能有含糊其辞的地方，不然理解和最终的实现就会有偏差。我自己写文档时那些均可触发、视情况提示，以前觉得是留有余地，这次自己去实现，发现那就是把选择题扔给了下一个人。其实说实话，我一直对待 AI 这个东西都比较焦虑，因为它发展实在太快了。就比如这次 Coding 的经历。说实话，当软件开发上线之后，我并没有因此有很大的成就感，因为在这过程中感觉我并没有做更多的事情，就是纯聊天，点击运行，让 AI 执行程序而已。那些真正难的地方，是我去问的人告诉我的，是文档里写着的，是我踩了一脚才知道的。剩下的活儿，都是它干的。自从工作中引用 AI 之后，工作方式确实有很大的改变，日常工作就是对着 AI 进行聊天，通过不断的沟通交流，最终产出一个相对完善的解决方案。之前我们总说，产品经理在于行业经验。但是现在其实只要知识库丰富，AI 也能磨平行业经验。我时常在想，我的工作真的是不可替代吗？没有 AI 的时候好像不能，但是有了 AI 之后，好像是变得可以替代了。我们好像并不能阻止这一切的发生，这就是技术的进步。我们能做的，就是尽量多接触多学习，在信息差、认知差被磨平的时候，尽量能通过 AI 获得一些财富。关于效率这个事情，我也了解了其他大公司。因为 AI 的引入，开发模式、团队组织模式都有了变化。本来一个业务线的配比是产品、前端、后端、测试。现在前端可能调去其他业务线转为全栈，一个业务线的配比变成了产品、后端。很多公司会觉得 AI 的效果非常显著，所以都会有一定比例的裁员。这就会导致一个现象。产品经理这块虽然提效了，输出的方案多了，但因为负责业务线的总人数其实变少了，虽然有 AI 提效，每个迭代消化的需求并没有变多，有时候甚至会变少。方案在我这儿堆着，下游接不住。所以产品经理有时候会往前走一步，用 AI Coding 的方式做一些研发的工作。最后，我不开心的从来不是这个工具，是我在这件事里的位置变了，而我还没想明白新的位置该怎么站。在这之前，我只能不断学习、前进~ 本文由人人都是产品经理作者【晨阳产品笔记】，微信公众号：【晨阳进阶笔记】，原创/授权发布于人人都是产品经理，未经许可，禁止转载。题图来自Unsplash，基于 CC0 协议。收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

从 0 设计 AI 陪伴产品：陪伴产品的内核是什么？

Tue, 01 Sep 2026 01:01:12 +0000

聊天软件AI角色卡、车载语音助手、桌面陪伴机器人，它们看似形态迥异，实则共享同一内核——为用户创造“有人陪伴”的主观体验。本文从定位、人格系统到情绪系统，层层拆解陪伴类产品的设计基准，助你跨场景打造有温度的产品。先抛出一个问题：聊天软件 AI 角色卡、车载语音助手、桌面实体陪伴机器人、儿童成长陪伴设备，它们到底算不算一类产品？从外在看，形态、技术栈、商业模式完全不一样。可仔细琢磨又会产生疑惑：划为同类，差异巨大；当作无关产品，又能感受到底层相通。很多人都有这种模糊感受，但很少有人深究本质。我的观点：相比外在差异，它们的共性才是关键。不管软件还是硬件，这四类产品都在实现同一个核心目标 —— 带给用户 “有人陪伴” 的主观体验。提炼出这个内核意义重大。掌握它，跨场景做产品就有设计基准；抓不住它，每一次新需求，都只能从零摸索。该不该做，做的深度与增量，取决于你的用户是谁、场景是什么、想解决哪种情感需求。这也正是产品的差异性。第一步：定位——先问三个问题，不是先想功能这一步不产出任何功能，但它决定后面所有设计的基调。谁：年龄、生活状态，以及个人独占还是多人共用？靠真实调研，别靠想象。共用设备（车载、客厅硬件）要处理记忆的归属与可见权限，独占设备没这负担。什么场景：碎片化（车载，短时、易被打断）还是沉浸式（大段时间，随时随地）？等等什么情感需求：陪伴要填的空虚是哪一类？——这里我拿四类举例：很多用户是带着具体问题来的，聊着聊着才变成陪伴。同样是陪伴产品，这三个问题的答案不同，会导向完全不同的产品。还有一条：这个场景独有的红线红线不是模块，是约束。但它决定了各模块最低要做到哪儿，所以必须在这一步就定下来。车载的红线是驾驶安全 ——必须能被随时快速打断，绝不能抢占注意力校园或成人陪伴的红线是心理健康边界 ——不能替代专业咨询，识别到严重倾向必须有转介机制教育家庭场景的红线是未成年人保护 ——不能替代家长，不能诱导依赖红线的作用是往上抬底线。比如车载场景，情绪系统最低必须能识别疲劳驾驶——这不是加分项，是识别不出来就算失职。第二步：人格系统——定义”它是谁” 人格系统要解决的其实只有一件事—— 一致性：用户能不能对它形成稳定的预期。下面四层，是四种越来越难保证的一致性。 1 · 让人设可执行 1）人格锚点：3-5 个核心特质，不能多人格锚点就是 AI 角色的性格骨架。控制在 3-5 个，不是为了省事—— 特质一多就容易互相打架，模型拿到一堆彼此矛盾的形容词，语气收敛不了。 2）表达一致性：软描述没用，要硬约束语言风格、语气词、称呼方式，这些必须落到 Prompt 层面的硬约束。写在设计文档里的人格，模型看不见。需要固化的是三类规则：语言风格：句式长短、口语还是书面、爱不爱开玩笑语气词库：允许哪些、禁止哪些称呼方式：固定怎么称呼用户、禁止怎么称呼差别在这儿： “说话活泼” —— 这是软描述，模型每次理解都不一样 “允许用：哇、哈哈；禁止用：宝、亲亲；统一称’你’；以短句为主，少用长从句” —— 这才是能执行的 3）边界：它绝对不会做什么、说什么这条最容易被跳过，但边界比特质本身更能定义一个角色。 “温柔”是个虚词，一百个人有一百种理解。但”绝不追问用户不想说的事”是个实约束，谁拿到都知道怎么执行。负空间和正空间同样重要。说清它不做什么，往往比说清它做什么更有效。 2 · 让特质之间不打架上一层是把单个特质写清楚。再进一步，是让特质之间形成结构—— 把锚点拆成类目，类目之间互相约束。比如拆成三类：星座底色（可选）：天蝎、处女……提供底层行为倾向，用来排除和它冲突的性格与表达内在性格：勇敢直率、成熟自律、慢热踏实、爱恨分明……角色的本心和处事倾向外在表达风格：戏精本精、顶嘴抬杠、务实冰冷、话痨搞怪……说话时的外在表现分类目的价值在于，类目之间必须对得上：你不会想要一个「性格：慢热踏实」+「表达风格：顶嘴抬杠」的角色。内在和外在互相矛盾，用户感觉到的是”它在演”，而不是”它就是这样”。但锚点不是越多越好，得匹配产品定位。工具属性强的产品——比如帮小朋友解题的学习陪伴——堆一大套人格锚点大概率是负担。用户来这儿不是为了认识”一个谁”，是为了把题做出来。这类产品的人格，做到稳定、不出戏、语气一致就够了；堆得越多越鸡肋，还会把产品重点带偏。锚点该设几个，取决于用户会不会真的把它当成”一个人”来看待。 3 · 人格的落地载体：跨多通道统一人设表达当产品具备语音、表情交互、实体动作等多模态能力时，人格设定不能仅局限于文本 Prompt，需要向下游各交互通道做同步定义，覆盖文本语言、语音韵律、表情状态、肢体动作、事件应激反应等维度。仅依靠文本 Prompt 完成的人格定义，只能作用于文字会话链路；在实体机器人等硬件载体上，该部分人设无法被用户感知。若多模态组件（灯效、运动动作、表情模组）缺少对应的人格规范，硬件能力将无法承载角色性格，造成文本人格与实物表现割裂，用户感知人设断层。第三步：情绪值/状态系统——定义”它怎么感受” 什么意思呢？其实就是定义角色如何感知与感受 1 · 情绪输入：从语义 + 语气 + 行为判断当下情绪综合这三个信号识别用户此刻的情绪状态，作为角色反应的触发依据。举例：用户发”今天太倒霉了”——语义负面 + 消极表情，判定为情绪低落；如果是连续发感叹句、反问，则识别为激动烦躁。三个信号缺一不可。只看文字内容，”我没事”会被判成中性；加上语气和行为（比如说完就沉默了很久），才能判出真实状态。没有这一层，”陪伴”就只是”应答”。 2 · 情绪输出：不是无脑迎合，要有”自己的反应” 角色拒绝无脑附和，需要给出带有自身立场的回复。这里提供两种深浅不同的实现思路，也可结合产品自定义其它方案。做法一：情绪坐标轴 —— 策略由用户情绪状态驱动以情绪建立二维坐标轴，例如横轴：难过 ↔ 开心；纵轴：平静 ↔ 激动，原点(0,0)代表不悲不喜。示例坐标轴：横轴「难过 ↔ 开心」，纵轴「平静 ↔ 激动」，原点(0,0)代表不悲不喜。 -用户每轮输入，会对情绪坐标点施加偏移量； -停止交互：没有新输入，坐标仅受回归力牵引，匀速直线回到原点； -持续对话：回归力持续向原点牵引，同时用户每句输入持续施加新偏移，两股力量叠加，坐标自然形成波动曲线。设计关键点：第 2 句用户字面表述偏向正向，但情绪带有历史惯性，坐标不会直接跳转到正向区间。如果采用无状态设计，单句独立判定为正向，直接输出 “太好了！那我们聊点开心的！”，用户会感觉角色翻脸太快，产生出戏感。 ⚠️工程落地约束：情绪坐标轴、情绪数值不存入策略层 JSON，属于外部独立变量。对话决策层只负责对话动作决策，只输出结构化 JSON，不生成面向用户的回复文本，对话决策层与生成层职责解耦。怎么应用呢？以下只是举例对话决策层生成层做法二：分层评价响应 —— 策略由「角色对事件的价值判断 + 用户情绪状态」驱动执行链路：提取事件触发点 → 角色基于人设价值观评估这件事 → 结合用户当下情绪 → 匹配应答策略：共情接纳 / 客观评述 / 温和反驳 / 陪伴疏导示例：用户吐槽 “我想直接摆烂辞职” 事件触发点：冲动离职角色内在评估：理解压力，但不认同冲动裸辞用户情绪：疲惫、沮丧输出策略：先接纳疲惫、表达共情，再客观分析风险，不怂恿摆烂，也不生硬说教 3 · 情绪的持久性：区分”这一轮的情绪”和”长期关系状态” 情绪分为两层，不能混为一谈：单轮瞬时情绪：当前这一句话带来的即时心情，变化快，只代表当下瞬间感受。长期关系状态：多轮对话沉淀下来的相处底色，包含信任、心结、委屈、亲密感；不会用户一句 “没事” 就直接消失。示例上一轮用户倾诉，情绪很难过；下一轮用户说：“算了，不提这个了。” ✅正确：瞬时情绪有所缓和，但依旧保留委屈底色，语气保持温和，不立刻亢奋闲聊。 ❌错误：仅看当前语句，判定情绪完全归零，马上欢快聊天，角色显得出戏、不共情落地要点单轮瞬时情绪：作为偏移量输入情绪坐标轴。长期关系状态：作为情绪底色保存在外部情绪模块，不进入对话决策 JSON，供给回复输出模块调节语气。 (和前面方案关联)情绪坐标轴：依靠情绪惯性实现长期关系状态，情绪不会单轮直接清零。分层评价响应：事件 + 角色价值观判断时，会叠加读取这份长期相处底色。核心：用户这一句话的情绪 ≠ 双方真实的相处状态。第四步：记忆系统——定义”它记得什么” 1 · 短期上下文至少要记住这一轮对话聊到哪儿了。没有它，连基本对话都不成立。 2 · 短期与长期必须分层，不能混长期记忆是”人情味”的主要来源——它记得你上周说过想去看的那个展，比它今天回答得多聪明更打动人。但分层是硬要求。短期上下文和长期记忆混在一起，会导致上下文被无关的历史信息挤满，同时长期记忆里混进大量一次性的碎片。 3 · 记忆的准入门槛这一层是我认为整个记忆模块里最值钱的。不是听到什么都记。上一层的问题是：模型听错了、理解偏了，也会被当成事实存进去。然后在某一次对话里，它会带着一个错误的”记忆”跟用户说话。在陪伴产品里，假装记住了比没记住更伤。没记住，用户觉得它笨；记错了，用户觉得自己被骗了——因为它明明表现得”我记得你”。可行的做法是候选态机制：没确认的不参与后续对话，写入失败的不展示”已记住”。 4 · 归属隔离（只有多人共享设备需要）这一层只在车里、客厅里、教室里这类多人共享的场景需要。而这里有个特别容易被漏掉的点：记忆归属正确，不等于这句话现在能被说出口。 “这条记忆属于谁”和”这句话此刻能不能被在场的其他人听见”，是两个独立的风险维度。而且—— 不要试图去分辨”现在在场的这个人是谁”。技术上不可靠，产品上还有伦理风险。可行的做法是保守的一刀切：记忆按敏感度分级。低敏内容随便说；高敏内容（关系、姓名、健康、财务）需要过关卡做占用检测，但只判断”有没有别人”，不判断”是谁”——座椅压力传感器这个级别的信号就够了一旦检测到非本人独处，高敏内容默认降级：泛化表达、转到私人屏幕、或者干脆推迟原则是：不确定该不该说的时候，选择不说，比赌一把说错要安全得多。第五步：技术落地前四步定的是”做什么”，这一步是”怎么做出来”。先做一个切分：哪些外采，哪些自研这是很多团队一开始就该定、但经常拖到很晚才定的事。判断标准很简单：这件事做得比别人好，用户会不会因此选你？会，就自研；不会，就外采。 TTS 音色好一点用户感知得到，但不会因此换产品；人设不一致用户会直接走人。架构：三层处理输入无论各模块配置到多深，落地时都建议把输入分三层处理：举个例子：「放首周杰伦」是明确指令，意图和槽位都能被规则精确命中，直接执行，根本不需要进模型；「今天真是够累的」判断不出指令，走情绪路径进模型。能确定的绝不交给模型，这是做分层时的第一原则。为什么要分层？三条理由，每一条都够硬：成本 ——不是每句话都值得过大模型可控性 ——人格边界不能交给大模型自由发挥可解释性 ——出了问题要能定位在哪一层多通道分发时的一个坑：表情和语音必须同源如果表情标签是一套系统生成的、语音是另一套流程合成的，两者会不同步——说着开心的话配着难过的表情，或者语气和表情差半拍。一个可行的做法是让表情标签直接内联在模型产出的回复文本里，语音从同一份文本做合成。这样表情和语音天然同源同步。代价是要在输出要求里加硬约束：每个分句必须带标签、只能用规定的那几个、不许自造、不许拿 emoji 顶替。而且—— 光靠提示词约束是不够的，必须有代码层的后处理兜底（标签归一化、分句补全）。这是我做这块时得到的最实在的一条经验。最难的一关：冷启动数据从哪来自研 NLU 和情绪模型都要数据和语料。但一个还没上线的产品，哪来的真实用户语料？这是从 0 做陪伴产品最现实的一道坎，而且几乎没人讲。六种办法，可以组合着用： a. 内部试测。用原型机、模拟器，先让公司内部的人用起来。优点是快、可控；缺点是内部人的说话方式和真实用户差得远，只能解决”有没有”，解决不了”像不像”。 b. 真人扮演 AI（绿野仙踪法）。前端看起来是 AI 在回复，后台其实是真人在打字。用户以为在和 AI 聊，产生的是真实的用户侧语料 ——这是这个方法最大的价值。客服团队通常能承接这件事，最好有原有数据，更好做。 c. 同类产品语料迁移。去看已上市同类产品的用户测评、应用商店吐槽、社区讨论。这些内容里藏着用户的真实预期 ——他们期待 AI 怎么回应、什么情况下觉得被冒犯。从吐槽里反推评价标准，比自己拍脑袋定标准准得多。 d. AI 模拟生成 + 少量真实记录。用大模型批量生成对话语料，再用少量真实记录做校准和抽检。量能上去，但要警惕生成语料的同质化——它会让模型学到一种”AI 味”。 e. 先上线一个轻量版本，灰度收集。比如先做一个功能收窄的语音助手版本上线，用真实流量换真实数据，再迭代。这是最有效但也最需要勇气的一条。 f. 预售期 / 封闭测试期收集。实体产品尤其适合——预售到发货之间有一段窗口期，招募种子用户做封闭测试，这批人的容忍度高、反馈质量也高。我的建议是 b + c 先行。这两个不需要产品上线就能做，而且拿到的都是真实的用户表达和真实的用户预期—— 冷启动阶段最缺的从来不是数据量，是”真实感”。贯穿全程：评估与迭代这一步不是做完前五步再做，是从第一天就要想。定量指标第三个指标很少被提到，但我认为它最贴近陪伴产品的价值本质—— 用户来的时候不开心，走的时候好一点了没有。其他指标都是过程，这个是结果。–之后我们可以再探讨下，关于AI陪伴的评测指标。定性 badcase 收集 + 用户真实原声。陪伴产品的 badcase 尤其重要，因为很多问题是数字反映不出来的——用户不会因为”它今天有点不像它”就流失，但这种感觉会一点点积累。验证 AB 测试确认新设计是不是真的提升了体验，而不是团队自我感觉良好。尤其是人格和情绪这类主观性强的改动，最容易出现”团队觉得变好了、用户没感觉”的情况。最后这份能力清单不是满分考核表，也不是场景能力上限限制，而是能力地板图：定义每个模块最低合格标准，同时说明进阶能力可以带来什么收益。地板由场景红线决定，低于地板标准产品就无法成立；地板之上无天花板，每多实现一层能力，角色和用户的关系就更厚重。（举例：车载可以实现情绪持久性；角色扮演可以做长期关系累积，但需要匹配自身商业模式。优先保证地板达标，再去做深度能力。陪伴产品常见坑：不是高阶能力不足，而是根本不知道存在某一层设计。等到用户反馈 “总忘事”“人设前后变化” 才发现缺失模块，后期修补成本极高。关键认知：主动选择不实现某项能力，和完全不知道这项能力需要设计，是两件完全不同的事。本文由 @肥源原创发布于人人都是产品经理。未经作者许可，禁止转载题图来自Unsplash，基于CC0协议收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

YAML 契约：设计意图的接口定义，编译即规则

Tue, 01 Sep 2026 00:59:00 +0000

当AI生成界面时，设计规范必须从文档变成机器可执行的代码。本文提出YAML契约作为设计意图的机器接口，通过编译生成Prompt前缀、JSON Schema、Checklist和CI规则四种格式，实现事前拦截而非事后走查，确保语义一致性与合规性。如果你让AI生成一个”删除账户”按钮，它很可能给你一个蓝色实心按钮，用户一点，账户没了。这不是AI故意使坏，而是约束显化设计规矩在从人传到机器的过程中，层层丢失了。前面三篇文章，我们一步一步解决了这个问题： ① 语义令牌表，先把”严重””Critical””致命”这些人话，翻译成机器能看懂的离散级别（就像给颜色编了色号）。 ① 语义字典，把这些编了号的级别，统一收进一本”机器字典”里注册管理。不是谁想填什么就填什么，契约里的每个值必须先在这本字典里查得到，查不到的机器直接报错。 ② 语义域，再定义”什么时候用什么级别”。同样是红色，告警场景用”致命”，通知场景用”提示”，场景错了，级别就对不上。 ③ 约束显化（把规矩形式化到代码里），论证了为什么要形式化：以前设计规矩写在文档里，AI看不见；现在必须写成代码格式，AI生成前就能读到。但形式化之后，一个新问题出现了：就算团队决定写YAML契约规则文件，里面的每个值也是凭感觉编的。颜色级别填什么？场景填什么？这些值是设计师拍脑袋写的，还是查出来的？如果每个人填得都不一样，那规则文件本质上还是”文档换皮”，机器仍然不知道对不对。当语义规范体系与 YAML 契约格式已经定义了”怎么写”之后，YAML契约被机器读取、编译、执行时的真实形态，不是设计师看到的YAML文本，而是机器消费链路中的4种可执行格式。一句话：规则文件不是“自由写作文”，而是“查字典填表格”。 1. 问题：规矩形式化为代码里了，机器怎么读？行业现状中，设计规范以三种形态存在：自然语言文档供人阅读、设计稿供人查看、代码注释供人理解。这三种形态对机器都是不可执行的，机器读不懂“错误状态分四级”这句话，读不懂Figma里的红色背景条，读不懂代码里的 // 注释。这导致三个系统性问题：规范是”死的” ：设计师更新了规范，发在语雀文档里，前端可能看漏，AI工具完全不可见。规范更新后，下游没有任何自动同步机制；契约是”散的” ：同一个”删除账户”的约束，设计师写在PRD里，前端写在代码注释里，AI工程师写在Prompt里，三份约束各自为政，版本不同步，语义互相矛盾；验证是”人眼的” ：走查靠设计师截图圈问题，覆盖率20%，剩下80%的语义错误上线后才被用户投诉。机器没有”查规矩”的能力，只能靠人眼逐页核对。 6个漂移模式中的 ERR-001错误状态后果差异未分级、BND-001边界动作权利差异未区分等，根因都是”规矩写在文档里，机器读不到”。语义令牌表定义了 status.critical，语义字典注册了它的唯一含义，语义域限定了它的使用范围，但如果没有YAML契约把这些定义编译成机器可执行的格式，令牌、字典、域都只是“纸面上的正确”。 2. 为什么自然语言守不住：规矩不可执行设计规范文档用自然语言描述约束：”致命错误用红色脉冲，限流用黄色时钟，删除按钮必须二次确认”。但自然语言对机器是不可执行的： AI生成工具读不懂”必须二次确认” ，它的训练语料里只有按钮的样式参数，没有”二次确认”的行为约束；前端工程师看到的是代码注释 // 删除按钮要二次确认，但注释不参与编译，不会被校验，漏掉也不会报错； CI流水线只能校验代码语法和样式合规，无法校验”这个红色按钮是否匹配了正确的语义级别” ；验收走查依赖人的主观判断，”感觉这个红色不对”无法转化为可复现的机器规则。语义令牌表已经把”红色”编码为 status.critical，语义字典已经注册了它的唯一含义。但如果没有YAML契约作为” 接口定义 “，令牌和字典仍然是“定义层”的资产，无法进入“执行层”。YAML契约的作用，就是把“定义层的语义资产”翻译成“执行层的机器规则”，让机器可以读取、编译、校验、拦截。 3. 设计思路：契约是接口，编译即规则本文的设计思路是三个递进命题：契约是接口定义：YAML契约不是”设计规范的另一种写法”，而是” 设计意图的机器接口 “。定义了”机器在生成界面时，必须遵守什么、禁止做什么、违反后怎么处理” ；编译即规则：一份YAML契约被机器读取后，不是”被看懂”，而是被编译为4种可执行的机器格式， Prompt 前缀给AI编程工具、 JSON Schema 给结构校验器、 Checklist 给设计师走查、 CI规则给自动化流水线。同一组语义约束，在不同工具链中以不同格式执行同一规则；机器拦截现场：当AI试图生成违规内容时，机器不是”提示建议”，而是”直接阻断”，返回错误码、给出修正建议、阻止代码合并。契约不是文档，是机器执行的拦截规则。 3.1 契约不是“另一种文档格式” 以前设计规范写在语雀/Confluence 里，更新后 @ 全员通知。现在 YAML契约放在Git仓库里，改一次，编译管线自动把变更同步到所有消费方。对比：为什么这样做：把规范从“给人看的文档”变成“给机器执行的代码”。 3.2 一份契约，四种机器形态设计师写一份YAML契约，机器自动把它编译成四种东西，给四种不同的工具用。编译链路：设计师写 YAML 契约 → 编译管线读取 → 输出4种格式： Prompt 前缀 → 注入 Claude Code / Cursor 上下文 JSON Schema → 供 CI 流水线校验组件 Props Checklist → 供设计师走查时逐项核对 CI 规则 → 供 GitHub Actions / ESLint 自动拦截为什么这样做：设计师只写一次，四种消费方自动拿到自己需要的东西。不用设计师给工程师写一遍、给运维写一遍、给测试写一遍。 3.3 机器拦截现场：违规即阻断以前AI生成违规内容，走查时才发现，人工修正。现在机器在生成前即校验，违规直接阻断，返回错误码和修正建议。拦截流程： AI 生成器输出内容 → 编译管线加载YAML契约 → 四层校验：语法推演：JSON 结构是否完整？语义推演：语义令牌引用是否正确？安全推演：是否违反不可变边界？美感推演：文案长度、信息密度是否合规？ → 任一校验失败 → 返回错误码 + 修正建议 → 阻断合并 → 全部通过 → 输出合规内容 → 允许合并为什么这样做：把“事后走查”变成“事前拦截”。错误在生成阶段就无法成立，不会流入生产环境。 3.4 契约引用字典，不自创语义 YAML契约中的 semantic_domain、semantic_tokens 等字段，必须引用语义字典中已注册的定义，不可自创。字典没有的，先走字典变更流程注册，再引用。查表路径： YAML 契约加载 → 编译管线解析 → 逐条核对引用： semantic_domain 是否在字典覆盖层目录中？ semantic_tokens 是否在字典语义绑定中？跨层引用是否违反跨层禁止规则？→ 非法引用 → 返回 dictionary-reference-not-found → 阻断→ 合法引用 → 继续编译 → 输出 4 种格式为什么这样做：防止“契约自创语义”。所有语义必须在字典中先注册、后引用，确保组织级语义一致性。 3.5 四条思路的依赖关系依赖关系：语义令牌表（离散值）→ 语义字典（注册表）→ 语义域（覆盖层）→ YAML 契约（接口定义）→ 编译管线（执行层）→ 四种机器形态（消费层） 4. 本文的核心命题 “形式化为代码的规矩，在机器世界里长什么样”必须翻译成可验证的框架设计。本文回答三个命题：一、调整前：四个角色的真实反馈在没有YAML契约之前，设计意图的传递处于“人传人”状态。用各角色自己的话说：设计师的真实反馈： “规范写在语雀里，前端说没看到，AI工程师说没空看。” “错误状态分四级”供人阅读，但前端在写代码时不会打开语雀查文档，AI工程师在写Prompt时也不会翻阅设计规范。规范更新后，@ 全员通知，但消息淹没在群里，没人记得看。规范是”死的”，它存在，但不被执行。前端的真实反馈： “代码注释里写了’要二次确认’，但注释不参与编译，漏掉也不会报错。” // 删除按钮要二次确认，这是一条给人类阅读的提醒，不是给机器执行的规则。CI流水线不会检查”这个按钮有没有二次确认”，代码审查时也可能看漏。注释是”散的”，它存在，但不可校验。 AI工程师的真实反馈： “Prompt里写了一大段设计规范，但AI还是把删除按钮做成了蓝色实心。” AI工程师在Prompt里手动粘贴设计规范，但 Prompt 长度有限，规范写不全；不同工程师贴的规范版本不同，有的贴v1.0，有的贴v1.2；AI对自然语言规范的理解是概率性的，”必须二次确认”可能被理解为”建议二次确认”。Prompt是”软的”，它存在，但不可强制执行。 DesignOps 的真实反馈：”规范更新了，怎么知道哪些产品没改？只能一个个去问。” 规范从v1.0升级到v1.1，DesignOps需要 @ 10个前端负责人，开3场同步会，2周后走查发现3个产品没改对。规范同步靠人肉广播，遗漏率指数增长。汇总成一张表：四条反馈指向同一个根因：设计意图没有“机器接口”。它要么飘在文档里、靠人阅读，要么写在注释里、靠人理解，要么贴在Prompt里、靠概率执行，机器拿不到、读不懂、执行不了。二、把意图形式化为机器可校验的契约将设计意图转化为机器可执行的格式，是软件工程中屡试不爽的成熟方法论。 OpenAPI/Swagger主张接口即契约，前后端依赖同一份机器可消费的契约文件协作。这与我的YAML契约逻辑一致：设计意图本身即是机器可消费的契约文件，AI按契约生成界面，CI按契约校验输出。 Protobuf/gRPC将接口定义直接代码化，由Git原生管理版本。我的YAML契约管线同理，它相当于 “界面语义的.proto”，被编译成Prompt/JSON Schema/Checklist/CI等不同产物，供不同工具链消费。 GraphQL将类型定义为契约，编译期即可拦截错误。这与我的“四层推演机制”异曲同工，语义错误在生成前置阶段就被拦截，不流入生产。工业界虽有类似尝试（如W3C DTCG定义了机器可读的Design Tokens），但我是在其之上扩展了语义约束层。行业现状往往只是“换名”（如color-red-500改名color-danger），缺乏行为约束与机器拦截能力。这恰恰反证了YAML契约的核心价值：它不只是换个名字，而是将“必须做什么、禁止做什么、违规怎么处理”固化为机器可执行的规则。三、关键设计：查字典写约定书 3.1 契约是什么 YAML契约是设计意图的机器接口：它定义了”在某个语义域的边界内，某个组件必须表达什么语义、禁止做什么、违反后怎么处理”。契约不定义新的语义，语义在语义字典中注册；契约只引用字典中的已定义项，把引用组合成“场景级的约束实例”。 3.2 完整示例：ERR-001 契约的机器消费链路以 ERR-001（错误状态后果差异未分级）的契约为例，展示从YAML文本到四种机器形态的完整编译链路。 YAML契约原文（设计师写的）：【演示环境：编译管线：从唯一事实来源到四种机器形态】 3.3 机器形态 1：Prompt前缀（给AI编程工具）编译产物：机器把YAML契约编译成一段Prompt前缀，自动注入到 Claude Code / Cursor 的上下文。 Prompt前缀文本（机器编译产出）： 3.4 机器形态 2：JSON Schema（给结构校验器）编译产物：机器把YAML契约编译成JSON Schema，供CI流水线校验组件Props。 JSON Schema片段（机器编译产出）： 3.5 机器形态 3：Checklist（给设计师走查）编译产物：机器把YAML契约编译成可打印的走查清单。 Checklist表格（机器编译产物）： 3.6 机器形态 4：CI规则（给自动化流水线）编译产物：机器把YAML契约编译成 GitHub Actions / ESLint 规则。 CI规则片段（机器编译产物）： 3.7 机器拦截现场：当AI试图生成违规内容场景：AI工程师让 Claude Code 生成一个限流提示。未注入契约时： AI输出：“请求过于频繁，系统出现严重错误”（红色背景）结果：用户恐慌性刷新，其实等30秒就好问题：AI把 retryable 级别做成了 fatal 级别的视觉注入契约后：机器先查 ERR-001.yaml → 匹配到 retryable 级别机器拦截：llm_constraints 禁止用“严重”描述限流，禁止用红色背景机器返回修正建议：“请使用黄色提示 + 时钟图标 + 倒计时文案” AI重新生成：“请求过于频繁，请在42秒后重试”（黄色提示 + 倒计时）拦截日志： 3.8 依赖关系依赖关系：语义令牌表（离散值）→ 语义字典（注册表）→ 语义域（覆盖层）→ YAML 契约（接口定义）→ 编译管线（执行层）→ 四种机器形态（消费层）四、架构层概念：设计背景契约是接口，不是实现。YAML契约只定义“必须做什么、禁止做什么”，不定义“怎么实现” 。具体实现由前端框架、AI工具、设计系统各自决定，契约只约束语义，不约束技术选型。编译管线是翻译器。编译管线读取YAML契约，查询语义字典，展开语义令牌，输出四种机器格式。它是”定义层”到”执行层”的翻译器，把设计师的意图翻译成机器可执行的规则。四种形态是消费面。 Prompt前缀给AI工程师用，JSON Schema给前端用，Checklist给设计师用，CI规则给DevOps用。同一组语义约束，在不同角色面前呈现为不同的“使用界面”。在全景中的位置。 YAML契约位于建设层的中游（接口层）：语义字典（上游·元规则）→ YAML契约（中游·接口）→ 编译管线（下游·执行）→ 四种机器形态（消费层）。契约不确定，编译管线没有输入，四种形态无法生成。面向不同读者群时，YAML契约有两套叫法：设计意图的接口定义 ≈ 机器可执行的契约；编译即规则 ≈ 契约被机器消费时的形态。两套术语指向同一份YAML文件。五、这些坑怎么被解掉回到开头的四条真实反馈，看契约就位后它们各自的解法路径。踩过的坑 1：”规范写在语雀里，前端说没看到，AI工程师说没空看” 症状复盘：规范更新后，@ 全员通知，但消息淹没在群里，没人记得看。规范是”死的”。根因：规范以自然语言文档形态存在，机器不可见，无法自动同步。关联机制：④ YAML 契约（编译管线）+ ① 语义字典（版本治理）解法路径：规范写成YAML契约，放在Git仓库里。设计师提交变更 → Git Diff自动触发影响面分析 → 编译管线重新编译四种格式 → 所有消费方自动更新。前端和 AI 工程师不需要”看文档”，他们使用的Prompt前缀和 JSON Schema自动跟着更新。验证方式：规范从v1.0升级到v1.1，下游四种消费格式在5分钟内同步更新，无需人工通知。踩过的坑 2：”代码注释里写了’要二次确认’，但注释不参与编译” 症状复盘：// 删除按钮要二次确认，注释是给人看的，机器不校验，漏掉也不会报错。根因：约束以注释形态存在，不可执行、不可校验。关联机制：④ YAML 契约（JSON Schema 编译产物）+ 字典引用的机器防线解法路径：约束写成YAML契约，编译为JSON Schema。前端组件的Props必须匹配Schema，缺少二次确认即被CI阻断，PR无法合并。验证方式：前端提交代码时，CI自动校验组件Props是否符合契约，违规即阻断，无需人工走查。踩过的坑 3：”Prompt里写了一大段设计规范，但AI还是把删除按钮做成了蓝色实心” 症状复盘：AI工程师在Prompt里手动粘贴规范，但规范写不全、版本不同、理解概率性。根因：Prompt是自然语言约束，不可强制执行，理解是概率性的。关联机制：④ YAML 契约（Prompt 前缀编译产物）+ 前端与AI工程师解法路径：契约编译为Prompt前缀，自动注入AI上下文。AI生成时先加载约束，再生成内容，约束不是“建议”，是“前置条件”。验证方式：同一Prompt，注入契约前AI生成蓝色实心按钮；注入契约后AI生成红色空心按钮 + 二次确认。踩过的坑 4：”规范更新了，怎么知道哪些产品没改？只能一个个去问” 症状复盘：DesignOps人肉广播，2周后走查发现3个产品没改对。根因：规范同步没有自动机制，依赖人工跟踪。关联机制：④ YAML 契约（Git 版本管理）+ DesignOps 解法路径：YAML契约放在Git仓库里，版本管理、Diff追溯、影响面分析都是Git的原生能力。DesignOps提交变更后，Git Diff自动显示影响了哪些契约、哪些消费格式、哪些产品。验证方式：规范变更后，影响面分析报告在10分钟内自动生成，列出所有受影响的产品和文件。六、调整后：工具界面层的呈现状态七、一句话总结（给不同角色）给设计师： “你以前写’错误状态分四级’在语雀文档里，前端可能看漏。现在你写一份YAML契约，机器自动把它变成 Prompt前缀、JSON Schema、Checklist、CI规则，四种人自动拿到自己需要的东西，不用你发四遍通知。” 给前端： “你不需要在代码注释里写’要二次确认’，注释不参与编译。现在契约编译成JSON Schema，你的组件Props必须符合Schema，缺少二次确认CI直接阻断，PR合不进去。” 给 AI 工程师： “你不需要在Prompt里手动粘贴设计规范，规范写不全、版本还乱。现在契约自动编译成Prompt前缀，注入你的AI上下文，AI生成前先加载约束，不会再把删除按钮做成蓝色实心。” 给 DesignOps： “你不需要@全员开会同步规范，改一次YAML契约，Git Diff自动告诉你影响了哪些产品、哪些文件。规范同步从2周降到5分钟。” 给管理层： “以前规范是’死的’，写在文档里，机器读不到。现在规范是’活的’，写成YAML，机器自动编译、自动校验、自动同步。语义一致性从’人盯’变成’机查’，返工率从30%降到5%。” 边界声明 YAML契约不定义新的语义（那是语义字典的职责），不约束视觉值的具体色值（那是 Design Token 层的职责），也不约束”契约被不被正确引用”（消费纪律在角色侧，见角色专题 ①｜设计师与产品经理）。当前量化收益均为数据模型推演，待生产数据验证。附录：【演示环境：编译管线：从唯一事实来源到四种机器形态】： https://2436041978-ops.github.io/semantic-pipeline/mechanism/03-yaml-contract/yaml-contract.html ③ 约束显化：把隐含的语义假设变成显式规则： https://www.yuque.com/u222739/why7ts/rdzgmhsxst8wea6b ① 语义令牌表：把语义概念编码成离散枚举： https://www.yuque.com/u222739/why7ts/ahgd86ugl61h6dy3 ① 语义字典：组织级语义注册表，契约的唯一信源： https://www.yuque.com/u222739/why7ts/mr4mqy0cnkl8gmab ② 语义域：组件是空容器，语义由场景定义： https://www.yuque.com/u222739/why7ts/qxep0yb6b98uwkng ③ 约束显化：把隐含的语义假设变成显式规则： https://www.yuque.com/u222739/why7ts/rdzgmhsxst8wea6b 语义规范体系：YAML 里写的不是颜色值，是语义令牌： https://www.yuque.com/u222739/why7ts/ugxdg4go2t7tlf9l YAML 契约格式：理解了语义规范体系后，怎么写语义规则： https://www.yuque.com/u222739/why7ts/orfwe0f15ga79wdg 6 个漂移模式：AI 生成界面的语义断层证据库： https://www.yuque.com/u222739/why7ts/rwlzmucm3lgxzm10 契约库：让设计规范像代码一样管理： https://www.yuque.com/u222739/why7ts/cn0l4ewmwvzeqsdo 编译管线是语义一致性的”机器翻译层”： https://www.yuque.com/u222739/why7ts/yvrpvhwawyb9b54u ① 语义字典引用的机制防线：三层验证，证明语义可被机器执行： https://www.yuque.com/u222739/why7ts/dxsrr7dt1b32clzq 角色专题 ② ｜前端与 AI 工程师： https://www.yuque.com/u222739/why7ts/pspi1r6iypclto8x 角色专题 ①｜设计师与产品经理： https://www.yuque.com/u222739/why7ts/nlwd1q32ny08n317 本文由 @阿基拉de_Akir 原创发布于人人都是产品经理。未经作者许可，禁止转载题图来自Unsplash，基于CC0协议收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

拼多多AI时代的“自救”

Tue, 01 Sep 2026 00:58:12 +0000

在 AI 抢尽风头的半年里，电商格局被彻底改写，拼多多为代表的公司凭极致人效比与供应链效率继续低调生长，却因 15.22 亿元反垄断罚款和市值腰斩站上风口。当路径依赖遇上监管，这家公司的自救逻辑正被重新审视。在AI时代，互联网公司的竞争格局和赛道，相较于一年前，已经发生了天翻地覆的变化。在过去的半年，资本竞投AI，外加社零增长乏力、国补退潮、政府叫停外卖大战，电商新闻已经很少有登上头条的机会，一切都在给AI让步。 2026年以来，社会零售总额增速持续低位目前按照AI应对策略不同，互联网公司可分为两类：一类，以字节、阿里为典型。目前稳居全球AI公司top序列，有足够坚定的AI战略定力，有足够大的人才密度，有足够多的资金弹药储备。阿里巴巴融资800亿港币，全部用于AI基础建设在企业内部，AI应用也被提上了前所未有的优先级。字节已经不再硬性要求电商和本地生活的增长指标，抖音流量已倾斜能拉升关注时长的红果AI短剧；而阿里，无论是年初告股东书还是财报电话会议，阿里云的提及频次、篇幅，还是BU的绩效名额配比，明显都是超过淘天电商的；另一类，则以美团、京东、拼多多为代表。虽有心分一杯AI的羹，但明显力不从心。美团受累于外卖大战的泥潭，和自营线下零售小象超市等业态的长期投入，已经没有足够的资金全面铺开AI，所以整体AI的影响力有限；而京东，在国补提前透支了未来几年置换购买力的背景下，京东急需找到一条新的增长曲线。目前看，除了跟美团一样押注O2O外，押注的是欧洲出海，但在海外建设物流中心、组建自营配送团队等固定资产，资金同样掣肘；而拼多多，在两年前AI尚未横空出世的时候，就已经高调唱衰自己，显然更加不会在AI时代抢出风头。让我们一起回顾下拼多多近年来的策略变化。首先，在2023年底，拼多多达到了市值巅峰，市值接近2000亿美金，一度超过阿里，甚至引发了阿里内网员工对曾经看不上的“砍一刀”的集体大讨论和反思马云内网罕见回应拼多多市值暴涨；但是，从2024年中开始，拼多多开始唱衰自己，高调宣称“不回购股票、不分红”，随即股价应声大跌30%，要知道彼时，拼多多虽然增速下滑，但增长仍然相当迅猛：上半年营收达到1839亿元，同比增长104.9%；经营利润583.38亿元，同比增长达到198.3%。这是拼多多“草蛇伏线”策略的开端，此后拼多多开始躲入幕后，开始缺席互联网电商的聚光灯下。如25年贯穿全年的阿里、美团、京东外卖大战，没有拼多多的身影；如25年末到今天，AI大行其道，也鲜有拼多多的声音。美团、京东仍有追赶的迹象，甚至是360的周鸿祎都发布全员信，要借AI提升员工及中层的管理效率；唯一一次被动拱上台前就是美团关停优选买菜生意，社区自提业务被市场普遍视为不宜长期发展的模式时，拼多多作为市场的模式独苗，仍然坚定继续投入； …… 其行诡谲，其意不明。屋漏偏逢连夜雨，令人非常意外的是，在今年4月，市场监管总局对拼多多、美团、京东、淘宝闪购、抖音、天猫等电商平台“幽灵外卖”作出行政处罚，其中拼多多最为严重，甚至被曝光“暴力抗法”，枪打出头鸟，直接被处以 15.22 亿元的巨额罚款高居榜首，占了总罚款的超4成市场监督总局36亿史诗级罚单！此举直接将这些年拼多多不按规矩出牌、狂野发展，增长第一、合规第二的野路子”搬上台面，而这也为后续的生态治理埋下伏笔。时至今日，拼多多2026年上半年营收2185亿元，同比增长9%；净利润397亿元，同比下降13%，股价较24年巅峰的165美金已经腰斩。似乎拼多多的投资价值已经接近谷底。但是，具体分析来看，拼多多这些年赖以生存、为人称道的杀手锏是什么？如果路径依赖没有变化，叠加管理层这些年的异常低调风格，就有理由怀疑其战略动机。一是极致的人效比。拼多多的员工总数，24年的1.7万人到25年底的2.5万人，还在稳定增加，且没有业务调整导致的高频裁员舆情事件曝光。拼多多又强在执行，任务拆解、上行下达，这就带来了跨部门沟通和决策执行的高效，理论上只要高层方向不出大的偏差，都可获得成效。这点在过去五年间，从百亿补贴拉升正品好价心智、到TEMU出海成功、再到买菜业务的守得云开见月明，其战略定力和高效落地可见一斑。二是将供应链各环节效率拉到极限。拼多多通过极快的试错，利用信息差和策略自信，一方面能通过竞争机制等措施将供应链环节的价格压到极致，另一方面平台通过主动补贴，压低消费者端买入价格，提高订单转化，以效率实现供需的优先匹配，从而赢得宝贵的生意先入时机，这种混不吝、拒绝“花里胡哨”的极简商业模式一旦跑通，就会形成商家、平台和消费者的三角关系正反馈联动：消费者敢买愿意买形成流量，商家愿意投资商业化，平台获取营销服务收入再反向反哺消费者，最后的结果，就是商家单均赚的少、但保障订单量的情况下依然有得赚，以此跑出一条独特的商业模式，屡试不爽。而这些优势，我理解拼多多并没有丢掉，且在持续增强。虽然大家会吐槽拼多多的极致内卷，但留存下来的商家、用户乃至内部员工，只要利益与付出匹配，并没有人对这套商业模式提出质疑，群体的极致效率造就相当可怕的工作机器。那么既然有足够强的战略执行，那么拼多多目前的战略方向又是什么呢？时间线线拉先回到24年那场意义非凡的财报电话会议：核心就是两件事，扶持具有创新能力的新质商家产业带和坚决进行商家生态治理，推进平台的长期健康发展。而时间过去两年，其战略整体依然保持统一。拼多多仍然在坚定地问供应链环节要效率，同时开始大力气整治自身在平台治理、生态维护的缺位。以平台商家治理为例，为什么拼多多宁愿牺牲短期利润也要推行并且商家并无明显阻力？首先，在监管层巨额罚款和食品安全国民普法的大背景下，拼多多已无可能再冒天下之大不韪，赚钻空子的灰色地带的利润，剜肉去脓势在必行。其次，经济下行期间，平台变革更易实施。商家并无阻挠平台变革的底气。就像房地产下行期，政府主推现房销售，并未见来自开发商的明显阻力，因为没人消费，期房变现房销售，只会更难看，同样，在消费降级、经济不景气时，在平台推动生态治理，在平台内部完成流量、绩效打分的代码重构，对商家而言，有机会总好过没机会，所以可预见的是拼多多的商家生态极有可能在未来两年颇见成效。同样，跟生态治理同为提高消费者体验重要内容，就是物流时效、客服体验的基建升级。这是非常明确的正确事情，比如从去年四季度开始推广快递到村，每天汇集到县城的合作加盟商，次日送到每个村庄，在城市，主打次日达。今天拼多多重拾这些需求的优先级，为的就是在造炮弹，等到AI可明确落地或者AI泡沫破灭的时候，再图增长，进可攻、退可守。至于AI投入，拼多多财报闭口不谈，按照拼多多的套路，要么是“不见兔子不撒鹰”，在没有明确见到场景成功落地前，是不会投入无底洞的资金，要么就是暗自发育，就像并不是所有企业创始人都善于营造个人IP，挤到聚光灯前也并非拼多多的风格。至此，我们就可以发现，显然拼多多遇到了严重的增长瓶颈，显然拼多多将增长的破局点放到了自己熟悉擅长的且非常确定的业务流程中，以空间换时间。而以空间换时间的勇气在哪里？其最大的底气来自截至二季度末，现金、现金等价物和短期投资合计 4564 亿元，一旦AI场景落地成功，有足够的资金储备快速跟进，而一旦AI泡沫化，其无疑是赢家，站在对手视角，对于阿里、字节来说，AI就是一场只能赢、不能输的豪赌。所以，这也是为什么，在TEMU出口遇到监管危机时，部分人员回流多多买菜的原因，向确定性业务要效率增长空间，以此解决AI时代没有跟进的焦虑。虽然少了可讲的故事，虽然估值新低，虽然显得不那么科技感，但是，拼多多看上去仍然还是这么平静，平静得让人出奇，平静得让人觉得拼多多仍然有东山再起的极大可能，平静得让足以竞争对手感到可怕。本文由 @左手键盘右手诗原创发布于人人都是产品经理。未经作者许可，禁止转载题图来自Unsplash，基于CC0协议该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

AI颠覆社交是一个伪命题

Mon, 31 Aug 2026 11:20:45 +0000

AI社交监管新规落地，引发行业热议。本文从需求本质、用户数据、商业变现及战略入口四个维度，论证AI不会颠覆社交，反而通过提升匹配效率与变现能力，强化了真实社交的价值。社交平台正借助AI构建护城河，成为下一代入口。今年7月15日，一个名字很长的新规开始实行：《人工智能拟人化互动服务管理暂行办法》。从去年12月放出征求意见稿到正式落地，前后只用了半年多，节奏辣是相当快。新规核心是给AI社交划了一道红线，所有虚拟陪伴类产品都在它的监管范围之内。这件事，并不只发生在中国。去年10月，加州州长签署SB 243法案（这法案名字不忍直视），成为美国第一个监管AI陪伴的州。法案要求这类产品必须亮明AI身份，必要时还要有危机干预的机制。这背后其实反映出中美监管层的确都非常忌惮AI社交带来的潜在负面影响。由此引申出我们今天聊一个更大的话题：这两年AI如此凶猛，它到底会不会颠覆社交？我琢磨了一下，我的答案是：不会。这篇文章咱们就一起来梳理一下逻辑—— 一、AI给不了“被另一个人看见” 先讲需求，这是一切判断的根基。社交满足的核心需求是什么？在我看来，就是被另一个人看见。这里边的核心是：另一个人。一个真实的、有血有肉的人愿意和你产生关联，这件事本身就构成了意义。我本科学的是经济学，用经济学的话说，无限供给的东西没有稀缺性，而没有稀缺性的东西，是撑不起价值滴。这个判断有实证支持吗？有滴。 2025年3月，OpenAI和MIT媒体实验室联合发布了两项研究： OpenAI用自动化方式分析了近4000万次ChatGPT交互，并调查了4076名用户，MIT做了981人参与、为期28天的随机对照实验。结论是：每天和ChatGPT聊得越久的人，孤独感越强，情感依赖越重，现实中的社交时间越少。研究里有个细节：语音模式一开始确实能缓解孤独，但用得久了，缓解效果还是会消失。今年8月，斯坦福大学研究团队专门分析了Character.AI的用户，发现线下社交圈本来就小的人，向AI寻求情感支持之后，孤独感反而更强。事实上，Character.AI重度用户的日均使用时长在75分钟以上，上头是上头，但上头并不能解决孤独的问题。这几天在重看《百年孤独》，奥雷里亚诺上校在外边打仗，发小给他发电报：马孔多在下雨。上校回复：别犯傻了，赫里内勒多，马孔多八月下雨很正常。你看，人与人之间要被理解和看见是很微妙的，AI终究很难理解“马孔多在下雨”背后的孤独。当然，研究者们也是很严谨滴，强调这是相关性，有可能本来就孤独的人更爱找AI聊天。但这正好说明：AI吸走的，正是最需要真实连接的那批人。于是我们看到，2025年11月起，Character.AI直接禁止18岁以下用户参与聊天，主动把未成年人请出了陪聊场景。没错，这里边有一个悖论：越缺少真实的人越容易对AI上头，而越对AI上头，离真实连接就越远。扎克伯格2025年在Dwarkesh播客上说过一段话：美国人平均只有不到3个朋友，而人们对朋友的需求，大概是15个。这恰恰说明：人们短缺的是真人朋友，而非AI。霞光智库联合Sensor Tower发布的《全球社交娱乐指数报告》显示：约会交友赛道近四年持续增长，今年Q2更是商业化也持续优化。报告将情绪经济崛起、情感连接成为新锚点，列为行业四大趋势之一。一个细节是，纯语音、轻量陪伴这类服务正在向更深的真人社交场景升级。比如陪伴社交平台SUGO，就在用文字加语音的实时互动把陪伴往真实关系方向做深，这款产品在该报告的全球社交娱乐App榜单上，从第9名一路干到了第3名。没错，人们要的从来都是真人，而AI的能力尽管在大幅增强，今天它已经可以做到很真。但它唯一的问题就是：它不是真人。二、AI爆发两年，社交基本盘不降反升从逻辑上讲，如果AI真的在颠覆社交，那么ChatGPT横空出世后的这几年，全球社交产品的用户盘子应该会持续地萎缩。我们来看数据—— DataReportal的《Digital 2026全球概览报告》：全球社交媒体用户56.6亿，占全球人口的68.7%，一年净增2.59亿，同比增长4.8%。同一份报告里还有个数据：全球每月使用独立生成式AI工具的人已突破10亿，光ChatGPT的周活就有8亿。嗯，AI用户破10亿的同一时间段，社交用户一年净增2.59亿。很显然，颠覆或替代并木有发生。再看公司层面，先看两大巨头。腾讯2026年Q2财报显示，微信及WeChat合并月活14.39亿，同比增长2%，环比还在涨。顺便说一句，微信今年1月刚过完15岁生日，一款15岁高龄的产品还在涨用户，放眼全球互联网也不多见。 Meta 2026年Q2财报：Facebook、Instagram、WhatsApp全家族日活36亿，同比增长3%。旗下的Threads很猛，2026年6月月活突破5亿，10个月净增1亿，相当于10个月长出一个中型社交平台。 Sensor Tower数据显示，同期Instagram日活上升插一句题外话，在霞光智库那份指数报告里，登顶全球社交娱乐App榜的是TikTok。它在2026年上半年拿下了全球应用内购收入第一，下载量也只输给ChatGPT，社交娱乐的吸金能力可见一斑。有人会说，上边都是成熟产品，有没有新兴产品呢？有滴，我最近关注到港股上市的出海阵营的代表赤子城，其旗舰产品SUGO收入同比增长超60%，已经杀进Sensor Tower中国非游戏厂商出海收入榜第14位，在中东社交应用收入榜上一度冲到第5。同期，TopTop收入也实现了接近30%的增长。在SGC公司总榜上，字节跳动断层第一，Meta重回第二，Match Group稳居第三。赤子城则凭借SUGO、TopTop、YoHo三款产品跻身Top10，是榜单前列少有的中国出海社交玩家。赤子城的主战场在中东北非、东南亚，这意味着从最成熟的中美市场到最年轻的新兴市场，社交的用户盘子都在扩张，无一例外。接下来一个问题是——用户没跑，钱呢？会不会人还在社交平台上，钱包却投给了AI陪伴？我们来看付费端—— 先看AI陪伴的全球标杆Character.AI：月活约2000万，这是从2024年年中2800万的峰值回落之后的数字。然后收入层面，我搜了很久，发现它只披露过2024年全年收入3220万美元。按订阅价9.9美元每月倒推，付费用户约27万，付费转化率1%出头，这显然算不上突出。于是我们看到，它的估值从峰值的25亿美元下降约10亿美元，同时在商业化压力下开启了新的变现手段—— 今年2月开始，给免费用户的聊天中间插全屏广告，3月又给原本免费的功能上了次数限制。一个主打情感陪伴的产品，靠打断陪伴来赚钱，说明它的商业化压力真的不小。与纯虚拟的AI社交产品相比，真实社交产品却是另一番景象：从港股的财报中看到，赤子城2026年上半年社交业务收入5.39亿美元，同比增长36.5%。其中陪伴社交产品SUGO收入增长超60%，游戏社交平台TopTop收入增长超30%。这些对比还是很明显的。用户用脚投票可能还有尝鲜成分，用钱投票就非常诚实了。人们为真人连接掏钱的意愿，远高于为AI陪聊掏钱的意愿。三、AI木有吃掉社交的收入，反而放大了变现效率聊完用户和付费，我们再进一层，看社交公司自己的变现发生了什么。这里我特意选了三家公司：Meta、腾讯、赤子城。选它们也是有讲究的：三家体量和区域都均匀错开，Meta主打全球成熟市场，腾讯扎根中国，赤子城深耕出海新兴市场。事实上，这三家主打社交的公司还真有一些共同的特征—— 先看Meta。 2026年Q2广告收入594亿美元，同比增长27%。拆开看，广告展示量增长14%，单条广告价格上涨12%，量价齐升，摩根士丹利甚至预判Meta的广告收入有望超越谷歌的搜索广告。这背后显然AI是有功劳滴：超过800万广告主在用Meta的生成式AI创意工具，企业端Business AI的周对话量从年初的100万涨到1000万。再看腾讯。 2026年Q2单季总营收超2000亿元，而营销服务收入435.7亿元，同比增长22%，是三大主业里增速最快的板块。财报披露：AI驱动的广告推荐模型把点击率拉升了15%到22%。智能投放产品AIM+把广告制作周期从3天压缩到12小时。视频号、小程序小店、微信搜索的广告收入分别增长约50%、50%、60%。作为一个在微博做过广告产品经理的博主，我看这组数字格外有感触：广告行业苦创意产能和匹配效率久矣，这回AI终于发挥了它真正的威力。要知道，广告系统里每一个百分点的点击率提升，都会近乎无损耗地转化成真金白银，这就是为什么AI的商业化，率先在广告这门生意里兑现。最后看赤子城，它的打法是把AI融入业务全链路。自研多模态算法模型Boomiix持续迭代，提升社交匹配的精准度，直接推动核心产品付费率和ARPU双双上行。 AI智能数据平台思语、AI智能设计平台KIVI、智能投放平台魔方、妙妙先后推出。在AI应用方面，公司旗下的AI游戏社区Aippy全球下载量超过400万，iOS端评分4.9。财报显示，2026年上半年整体收入6.07亿美元，同比增长37.0%。这里还有个容易被忽略的细节—— 三家的变现模式其实横跨了社交行业的两大路线，Meta和腾讯主要是广告，赤子城主要是虚拟礼物、会员这类增值付费。广告和增值付费，被AI同时加了buff。三家不同体量的公司，结论是一致滴：AI进场之后，社交的变现效率被显著放大了。在我看来，这背后是社交平台有AI最需要的两样东西：海量真实的交互数据，和天然的商业化场景。直接卖智能的确很性感，将智能通过社交变成真金白银，也同样性感。四、社交有可能成为AI护城河级别的入口今天业界的现实是：头部玩家都在把AI往社交场景里塞。 Meta AI直接长在Facebook、Instagram、WhatsApp里，2025年年中月活就已接近10亿，大概率是全球触达用户最快的AI助手，靠的完全是社交产品的原生入口。小扎在股东大会上把个人AI Agent列为四大战略之一，还放话未来全球15亿到20亿戴眼镜的人会转向AI眼镜。但注意，无论Agent还是眼镜，背后连着的，依然是Meta的社交账号体系。腾讯也差不多，现在还在灰度的小微直接集成在微信里，2026年Q2财报明确表示，包括小微在内的多项AI能力正在应用到更多场景。赤子城将AI融进了互动链路本身： AI提升匹配效率，参与内容生成、礼物设计和运营决策，用户感知到的每一次匹配和互动，背后都有AI的效率加持。为什么社交这个入口对AI如此重要？我们从两个公式来看—— 第一个是梅特卡夫定律：网络的价值与用户数的平方成正比。社交网络的用户越多，价值呈指数级增长，它没办法靠写出更好的软件去复制。你可以做出体验更好的聊天工具，但你做不出里面那真实交互的人。第二个是俞军公式，出自百度前产品副总裁俞军—— 用户价值=新体验—旧体验—迁移成本。社交产品的迁移成本是什么？是你的整张关系链，就算AI原生社交的体验好上一截，让用户扔下全部好友关系从零开始，这笔账算不过来滴。两个公式叠加，就是社交公司有入口护城河的逻辑。没错，AI越强，越需要场景落地，而场景越稀缺，关系链的价值就越高。下一轮社交竞争的主战场已经相对清晰：AI乘以关系链。谁能把这个乘法做到最大，谁就拿住了下一个十年的入口。结语回到开头那部新规。其实背后的逻辑在于：AI服务于人的连接，它是生产力，但如果AI替代人的连接，那它就是风险。写这篇文章的过程中，AI帮我核对了十多条事实与数据，它确实是个牛逼的生产力工具，但写完之后，我还是得约上朋友撸串才不辜负这个夏天。的确，AI把智能的边际成本一路打下来了，能被算力批量生产的东西，都会贬值，不能被批量生产的东西，则会升值。而这个世界上最无法被批量生产的，恰恰是一个真实的人对另一个真实的人的在乎。本文由人人都是产品经理作者【卫夕】，微信公众号：【卫夕指北】，原创/授权发布于人人都是产品经理，未经许可，禁止转载。题图来自Unsplash，基于 CC0 协议。收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

创立50年，进入大陆7年仅开7家店！Costco到底差哪了？

Mon, 31 Aug 2026 10:45:58 +0000

Costco 进入中国大陆七年只开出 7 家店，仓储会员店模式在中土走得远比预期慢。文章从选址、会员心智与供应链本土化切入，拆解它“慢”背后的经营逻辑，并对照即时零售崛起下这类门店的真正短板与机会。 2019 年 8 月 27 日，上海闵行，Costco中国大陆首店正式开业。开业当天停车场直接爆满，不少顾客排队数小时，网红烤鸡一上架就被抢空。有人凌晨就赶来排队，就为买到一盒烤鸡，甘愿苦等一个多小时。一晃七年来到2026 年，Costco进入中国大陆已满 7 个年头。而2026年正好赶上 Costco 品牌创立 50 周年。半个世纪过去，世界已经发生翻天覆地的变化：互联网从拨号上网演进到5G，零售业态从传统百货大楼发展到即时零售，消费者习惯也从线下逛超市，变成手机就能下单购物。但有一件事，Costco 自始至终没有动摇。 01 会员制，才是真正的“王牌” 很多人简单把Costco 当成一家普通超市，其实并不是。 Costco 本质是会员制仓储量贩店。普通超市靠商品进销差价赚钱，但 Costco 的核心盈利来源是会员费。2024 年，公司净利润里大约 65% 都来自会员费收入；2026 财年第二季度，全球会员费收入达到 13.55 亿美元，同比上涨 13.6%。这套商业模式，决定了它和普通超市的底层思考逻辑完全不一样。普通超市思考的是，怎么吸引更多顾客进店，怎么让每个人买得更多。而Costco 思考的核心只有一件事：如何让会员实实在在感觉到，办这张会员卡花的钱很值。也正因如此，它做了不少在外人看来反常识的选择。比如刻意把毛利率压得很低。Costco 整体商品毛利率控制在 14% 以内，自有品牌科克兰的毛利率也只维持在 15% 上下。对比来看，不少普通超市追求 30%‑40% 的毛利。对 Costco 来说，毛利压得越低，会员买到手的商品就越划算，会员卡的价值也就越高。再比如，几乎不投放广告。平时我们很少能看到Costco 的电视广告、户外大牌，就连很多媒体、自媒体，也不会频繁报道它。创始人辛尼格的想法很直白：用最低的价格给到最好的商品，砍掉一切不必要的开销。豪华的门店装修不需要，大量导购人员不需要，广告同样不需要。省下的每一笔成本，最终都是在帮会员省钱。还有那个流传很广的热狗套餐，卖了40 年几乎不涨价。1.5 美元一份的热狗，算得上 Costco 的标志性符号。坚持不涨价，不是这个单品能赚多少利润，而是向会员传递一个信号：我们说到就会做到。过去50 年，Costco 牢牢守住会员制，也一直践行那句经营宗旨：以合理的价格为会员提供良好的商品和服务。实际效果如何？截至2026 年第三季度，Costco 业务覆盖全球 14 个地区，拥有 931 家门店，全球付费会员突破 8000 万。美加地区会员续费率高达 92.2%，全球整体续费率稳定在 89.7%。接近九成的用户，第二年愿意继续续费，这份数字背后，就是会员实打实的信任。 02 科克兰：30 年 “质价比” 的底气 1995 年，Costco 推出自有品牌科克兰（Kirkland Signature），到 2025 年，这个品牌刚好走过 30 个年头。做科克兰的初衷并不复杂：当市面上主流品牌不断涨价的时候，给会员提供一个兼顾品质与价格的替代选择。就抱着这样简单的出发点，科克兰一做就是三十年。如今它已经占到Costco 总销售额的三分之一左右。有媒体评价，科克兰的销售规模甚至超过耐克。一家会员店孵化出来的自有品牌，体量能追上世界级运动巨头，听上去有点不可思议，但这就是客观事实。科克兰凭什么能做到这一步？第一，坚持和各品类头部工厂合作。很多科克兰的代工厂，同时也在生产市面上的知名大牌产品。简单说就是，同一家工厂、同一条生产线，换上科克兰的标签，售价反而更实惠。第二，新品要过CEO 这一关。从 1995 年品牌诞生开始，每一款科克兰新品上市，都需要 CEO 亲自签字确认。三十年一直保持这个习惯，这不只是一套审批流程，更是对品质的态度。第三，敢把自有品牌和大牌放在一起同台对比。在Costco门店货架上，科克兰的商品直接和主流大牌并排陈列，会员可以直观对比，自己判断性价比。敢于这样摆放，底气就来自产品本身。第四，把价格优势做到位。拿科克兰西班牙特级初榨橄榄油举例，3 升原装进口，定价却很有冲击力。这就是科克兰的思路：品质对标一线大牌，价格给消费者惊喜。从供应链生产到门店上架，整个生产环境和各项指标都会反复测试、严格把控，保证自有品牌商品符合Costco的标准。对普通消费者而言，科克兰代表的是一种不用反复纠结的购物选择—— 你知道，选它基本不会踩坑。 03 不变的选品逻辑：少，就是多还有一条坚持了整整50 年的原则：SKU 少而精。普通大型超市的商品往往有数万种，而Costco 只保留几千个 SKU。同一个品类，大多只筛选一两款产品，但每一款都经过层层挑选。少SKU 能带来什么好处？首先，巨大的采购体量，可以跟供应商拿到更优惠的进货价。其次，库存周转更快，资金占用更少，整体运营成本随之降低；落到消费者身上，不用面对几十款同类产品眼花缭乱，Costco 已经帮你完成筛选，直接拿就可以。这套“少而精” 的选品思路，从 1983 年第一家 Costco 开业延续至今，没有改变。 2026 年Costco京东官方旗舰店上线，同样延续这套逻辑：只精选约 700 款核心 SKU，覆盖饮品、营养保健、家用洗护、粮油等品类。不追求铺海量商品，而是借线上渠道，把优质选品的价值放大。渠道形式在变，但底层的选品哲学始终如一。 04 七年7 家店vs一年开10 家聊Costco在中国市场的发展，大家总免不了拿山姆来做对比，聊得最多的一点，就是Costco扩张速度太慢。慢到什么程度？ 2019 年 8 月Costco上海闵行首店开业，到 2026 年一季度，七年时间，中国大陆只开出 7 家门店：上海 2 家，苏州、杭州、宁波、南京、深圳各 1 家。第八家门店计划落在福建泉州，广阔的北方市场至今还处于空白状态。折算下来，平均一年也就开一家店。反观山姆。山姆1996 年在深圳落地中国第一家门店。入华的前二十年，它扩张节奏同样很慢：1996‑2016 这 20 年间，仅仅开出 15 家门店。2016 年后节奏才开始加快，截至 2021 年 4 月，山姆中国门店总量达到 32 家。真正的爆发式扩张，是从2021 年开始。2021 年 4 月到 2026 年 5 月，短短 5 年多时间，山姆门店数量直接翻倍，从 32 家增长到 67 家。其中2025 年全年新开出 10 家门店，创下山姆入华 29 年以来年度开店最高记录。按照规划，2026 年山姆计划新增 13 家门店，预计到年末，国内门店总数有望达到 76 家。一边是七年7 家，另一边五年多门店直接翻倍，一个走得慢悠悠，一个全力冲刺。但Costco的慢，究竟是不想提速，还是模式决定了它不能盲目求快？答案是后者。 Costco2025 财年商品毛利率只有 11.12%，而山姆毛利率大致在 20% 左右。11% 的毛利率意味着，每卖出 100 元的商品，只拿到 11 元毛利，这笔钱还要全部用来覆盖房租、人工、水电、物流等所有运营开支。山姆可以租商场场地开店、布局小型门店、发展云仓；Costco却很难复制这套打法。它要维持商品的低价，就必须死死压住场地成本，国内门店大多采用买地自建，而非租赁模式。从前期选址到门店正式开业，整个周期通常要2.5‑3 年。买地、建设、再开业，整套流程本身就快不起来。这些年山姆一直在做加法：拓门店、铺前置仓、完善线上App、发力到家业务、打磨本地化鲜食。Costco走的却是减法路线：精简 SKU、简化门店装修、砍掉低效服务、压缩各项费用、控制商品损耗。两种截然不同的开店速度，背后是两套完全不一样的经营哲学。 Costco不是不想开快，而是它的商业模式不允许冒进。一旦扩张节奏失控，成本就很难守住，低价的承诺就会打折扣；承诺兑现不了，会员的信任就会受损；信任一旦流失，会员卡也就失去了价值。所以它看似走得慢，实则每一步都要踩实再往下走。当然山姆高速扩张也并非毫无压力。2026 年 6 月，国家市场监管总局针对山姆线上线下多次出现的食品安全相关问题，约谈了山姆中国总部负责人。就算扩张时再看重品控，规模高速增长的过程里，也难免会出现疏漏。扩张快有快的代价，走得慢也有慢的道理。 Costco选择了稳扎稳打，而过去五十年，它一直都是这么做的。 05 到 2026：七年做了什么 2019 年，Costco中国大陆首店在上海闵行开业，一出场就引爆市场。停车场挤得水泄不通，顾客排队数小时，热门商品被一扫而空。往后几年，苏州、上海浦东、宁波、杭州门店陆续落地，整体保持稳健的扩张节奏。 2024 年华南首店深圳店开业，同步上线Costco到家配送，会员足不出户也能下单购物。 2026 年，Costco迎来几个关键变化。 4 月，中国大陆上线黑钻会员，年费 688 元，消费返利 3%。这个返利比例放在全球都是最高一档，海外市场仅为 2%，年度返利上限 7200 元，相当于 Costco 把力度最大的会员权益给到了中国市场。 5 月，Costco京东官方旗舰店低调上线，支持线上下单、全国配送；7 月又把起送门槛从 199 元下调至 99 元。非会员同样可以下单，只是会员能享受专享会员价。配送基本覆盖全国大陆，新疆、西藏也可送达，少数偏远地区会受物流条件限制。南京会员店是大陆首家配套加油站的门店，配置12 座加油岛、24 支加油枪，会员加油可享专属优惠，采用自助加油模式减少排队。不少会员反馈，加一次油能省下大概 35 元，加油采购一站式完成，省时又划算。截至2026 年一季度，Costco在大陆一共 7 家门店。2025 年整体销售额 100 亿元，全部来自这 7 家门店，折算下来平均单店销售额超过 14 亿元。七年时间7 家门店，拿下百亿营收。扩张速度谈不上快，但每一家都是重资产买地自建。选址到开业动辄两三年，慢，是不愿在选址、房租上妥协。 06 始终如一的是什么走过50 年，Costco 的核心商业模式、会员体系、商品策略，都没有发生本质改变。它的双重保障退款政策一直没变：在会员有效期内，不管是买的商品，还是办理的会员卡，如果会员不满意，都支持全额退款。当然部分特殊品类不适用该政策，这也无需我过多解释。标志性的寻宝式购物体验同样保留下来：门店商品会不定期更新轮换，上新节奏稳定，试吃、主题路演活动丰富，每次到店，总能发现一些新东西，随手挑选也能买到品质不错的好物。时间一直在往前走，但Costco的承诺始终没变：以合理的价格为会员提供良好的商品和服务。会员制，绝不只是收取一笔年费那么简单。它追求的不是一锤子买卖，而是和会员建立长期的信任关系。持续为会员创造实际价值，大家才会愿意反复续费、持续选择你。靠谱的商品、到位的服务、实在的价格，最终让用户真切感受到一张会员卡的价值。这就是过去50 年，Costco 日复一日在做的事。 2019 上海首店刚开业的时候，不少人都在问：Costco 真的能在中国市场站稳脚跟吗？七年过去，7 家门店，百亿销售额，付费会员规模在 150‑200 万区间。虽然国内续卡率大约 60%，和全球接近 90% 的水平还有不小差距，但差距恰恰也意味着成长潜力。 2026年，Costco迎来进入中国大陆的第7个年头，也是其品牌创立50周年。芒格说过，他愿意终生持有Costco，并在公司董事会任职长达26年。一个让巴菲特搭档都愿意押上一辈子信任的公司，靠的不是花哨的营销，不是激进的扩张，而是50年如一日地做同一件事—— 让会员觉得，这张卡，值！撰文：刘老实公众号：即时刘说本文由 @即时刘说原创发布于人人都是产品经理。未经作者许可，禁止转载题图来自阿里网站截图该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

飞书，成了豆包工作的“超级上下文”

Mon, 31 Aug 2026 10:43:28 +0000

Agent 功能越强，越暴露一个老问题：它需要的背景散在群聊、云文档、知识库、会议纪要和多维表格里，从不整齐躺在提示词中。作者把飞书盘成 Agent 的“超级上下文”，让工作记忆真正可被调用。最近 Agent 越来越多，会搜索、写文档、做表格、操作电脑，功能表一个比一个长。但真拿来工作，我越来越觉得，功能多少只是一部分。群里一句“按上次的方案改”，上次是哪次？方案在哪份文档？谁拍过板？什么时候要？这些背景，很少整整齐齐躺在一段提示词里。它们散在群聊、云文档、知识库、会议纪要、多维表格、任务和日程里。 Agent 的功能会越来越像，但每个人、每个团队积累下来的工作上下文不会。有最好的上下文，才有最好的生产力 Agent。而飞书，恰好沉淀着我们工作里最完整的那部分上下文。这才是豆包工作打通飞书以后，真正拉开差距的地方。我自己最典型的场景，就是飞书里这些永远爬不完的消息。每次打开飞书，消息列表一片红点。看吧，一上午没了；不看吧，又怕错过重要消息。 8 月 25 日，豆包发布了一个面向生产力场景的独立 Agent 叫豆包工作。这次更关键的变化，是它和飞书打通了。在授权范围内，它可以直接读取飞书里的群聊、文档、云盘、知识库、会议纪要和多维表格，也能把结果写回文档、待办、日程和群聊。说实话，上手之前，我对“豆包”的印象还停留在聊天问答。偶尔一本正经地答偏，我也遇到过。豆包工作显然已经超出了聊天问答。在 Harness 框架里，它有了持续工作的记忆、上下文和工具；再接上飞书，面对一项任务时，它能看到更多与工作相关的背景。到底是不是这样，先拿眼前这堆未读消息试试。提示词：帮我整理我的飞书 AI Builder Demo Day 群聊最近一周的消息，看一下有哪些关键信息、关键文档、哪些需要我处理，然后按决策结论、到人待办、关键信息、风险点分类整理到飞书文档。等了一会儿，它交给我一份群聊周报。决策结论、到人待办、关键信息、风险点，全都分门别类码得整整齐齐。更重要的是，它没有只看聊天记录做一篇摘要。群里提过的关键文档和链接，也被它一起找了出来，放回对应的讨论下面。这份周报生成出来，直接就是一篇飞书云文档，原来的协作和分享方式都不用变。以前我用 AI 总结群聊，最麻烦的是得自己补背景：这个人是谁、讨论对应哪份文档、前面做过什么决定。现在这些上下文本来就在飞书里，它可以自己顺着线索找下去。之前就有小伙伴问：为啥我的效果和你的不一样？这次我把每一步的提示词都贴心附上了，跟着一起试试吧~ 一个群还好，我真正头疼的是几十个群里同时冒出来的事情。于是我让它把最近一周所有群聊都过一遍。提示词：现在整理我的所有飞书群聊最近一周的重点消息，把需要我处理的内容添加到飞书待办里面，然后把有明确时间点的内容提炼到飞书日程中，日程前 15 分钟提醒我。全群周报出来以后，它还把明确需要我处理的事放进了飞书待办，把有时间点的安排放进了日程。打开任务列表，待办已经整整齐齐躺在里面了。待办能自动建好已经省事，来源和背景也一起保留下来，这点更关键。点进去就能知道，这件事来自哪个群、为什么需要处理。从群里的一句话，到带出处的待办和日程，中间那段最容易丢掉的上下文，被它接住了。更能说明这件事的，是中午吃饭时，我突然想起 WeSight 最近更新了不少东西，还没跟群里同步。我没有告诉它更新资料分别在哪几篇文档里，只在手机上发了一句话。提示词：整理一下 WeSight 有哪些更新内容，整理为一个更新卡片，发到 WeSight 交流群里。它自己去飞书文档里找到了 WeSight 相关文件，整理成更新卡片，直接发进了群里。等忙完回来再看，它已经发群里了。这次我没重新上传材料，也没指定文档路径。飞书里原本沉淀的内容，就是它完成任务的上下文。如果说前面还是顺着一条线索找资料，接下来这个任务，更考验它能不能看懂我在飞书里长期积累的东西。我的公众号选题、文章草稿、案例和复盘，散落在不同文档、文件夹和表格里，一直没腾出手系统整理。我让它直接盘一遍。提示词：在我有权限访问的飞书文档、云盘、知识库、群聊、会议纪要和多维表格中，梳理公众号内容资产。找出目前已有的内容方向，总结高频选题母题，整理可以复用的案例和文章结构，识别还没有覆盖的内容空白，给出下一阶段可以执行的选题建议。它在授权范围内读取了飞书里的多维表格、文章草稿、系列文件夹和云盘，把原本分散的资料放到了一起。然后，它把这些资料整理成了一张内容资产地图 HTML。我目前在写哪些方向，每个方向积累了多少内容，哪些主题增长更快，一眼就能看到。有意思的是，它给文件分完类，还把我的旧资料重新连了起来，从里面长出来了新选题。老有朋友问我，没灵感了、要被榨干了怎么办。大家第一反应都是追热点，拼命往外找新东西。可我们沉淀的知识，本身就是一座矿，学会复盘，时不时就能发现惊喜喔。看板给了方向，我又让它把能执行的选题整理成表格。提示词：把可继续执行的选题整理成表格。字段包含：选题名称、目标读者、核心痛点、叙事逻辑、可用案例、证据来源、优先级和建议发布时间。到这里，我的内容已经从一堆散落的资料，变成了一张看板和一份能直接开干的选题表。这件事如果换成一个不了解我的 AI，我得先把几十份材料找出来、上传，再解释每个系列在做什么。现在它直接从飞书里的既有内容开始，不用每次从零认识我。因为前面的报告和表格还在同一段任务上下文里，我接着让它做成一个可以交互的网页。请根据刚才的报告和表格，生成一个可交互的公众号知识库网页。支持按内容方向、文章类型和使用场景筛选。每条内容保留原始飞书文档入口。首页展示主要内容资产和下一步选题建议。网页很快出来了，每条内容还保留着原始飞书文档入口。不过细看，UI 还是有点小问题。我直接在预览里改了改，还顺手录了一段演示。做到这里，飞书里的资料已经变成了一个能用的网页。后面要做的，就是把它继续加工成能对外展示的内容。网页改完，我回头一看，录屏足足一分半，自己都看不下去。于是我让豆包工作打开电脑上的剪映，给视频加速，再补一个标题。提示词：打开电脑上的剪映专业版，新建一个空白剪辑项目。将本地路径 D:\Desktop\video1.mp4 的视频文件直接拖入项目素材库，再把该素材完整添加到主时间轴轨道上。将视频播放速度调整为 3 倍常规加速，不做其他额外画面裁剪、滤镜修改操作。在视频开头位置添加一个全屏醒目字幕标题，字幕文字内容为：像修改 PPT 一样修改网站。操作完成后导出为 1080P 分辨率的常规视频文件。从打开剪映到导出成片，都是它在旁边的虚拟窗口里操作，不抢我的鼠标。点得不对，我也可以随时喊停接管。这是它剪完的成品。这条链路还能反过来走：电脑里的资料，也可以整理完再沉淀回飞书。我的微信下载目录常年堆着报告和 PDF，我让它按内容分类、生成索引，但保留全部原文件，不删除也不移动。提示词：操作我的电脑，打开文件资源管理器，进入 D:\Documents\xwechat_files。整理其中与 AI 有关的 PDF、PPT 和 Word 文件，读取文件名和内容摘要，然后按类别整理，在 D:\Documents 下新建「AI 资料库」文件夹，并为每个类别创建子文件夹。将符合条件的资料复制到对应目录，保留微信下载目录中的全部原文件，禁止删除和移动。最后生成一份 Excel 索引，包含文件名、文件类型、所属分类、内容摘要。遇到无法判断的文件，单独放进「待确认」，不要自行猜测分类。它把资料分成 Agent 与智能体、AI 产品与工具、AI 技术与开发等类别，并生成了一份索引。我从里面挑了一份行业报告，让它直接放进飞书行业知识库。提示词：把《跨越模态边界：AI 驱动产业数智化跃迁新可能.pdf》放到我的飞书行业知识库里面。很快，这份原本躺在电脑角落里的 PDF，就出现在了飞书知识库中。以后再做相关任务，它也能成为新的上下文。本地电脑适合处理眼前的任务，固定、重复的流程，我又放到了云电脑上。云电脑自带 Office 套件，还有 200 多个技能扩展和应用连接器。我让它每天查看抖音上几个 AI 相关关键词，把热门视频整理进飞书多维表格。本文由人人都是产品经理作者【苍何】，微信公众号：【苍何】，原创/授权发布于人人都是产品经理，未经许可，禁止转载。题图来自Unsplash，基于 CC0 协议。收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}

5步，用AI把客户常见问题变成自动回复系统

Mon, 31 Aug 2026 10:42:58 +0000

做了垂直小红书社群，又升级成服务于一人公司的圈子，重复性问题总被反复追问，回答还容易越来越敷衍。作者用 5 步把知识库接上 AI 问答，让系统基于已有内容自动回应学员，既保证答案一致，也把自己从重复劳动里解放出来。 2023年我做了第一个付费社群，垂直小红书的。一直到现在，社群升级为服务于一人公司。社群做得久了就发现一些问题，学员们经常会问一些重复性的问题，还有流程性的问题，即使这些问题在知识库都已经有了答案，但依然会问，问了就得回答。类似的问题问多了，确实也会烦，而且越到后面类似的问题回答的就越不全面，尤其是流程性的问题，问我小红书怎么起号，确实没办法针对每个人的情况给到非常详细的流程。于是，我做了知识库的AI问答，让AI基于知识库的内容给学员解决问题，这样能确保提问的内容都能得到最好的解决方案。今天就聊下自动答疑的系统是怎么做的。 01 我把常见问题分成了两类第一类的答案是固定的。比如怎么开小红书店铺，第一步做什么第二步做什么，写清楚就完了。比较麻烦的是同一个流程会被不同的人问很多次，每个人卡住的地方还不一样，比如虚拟店铺电商和实体电商开店、有货源和无货源这些就存在细微差别。这种问题不需只需要有人从头到尾讲一遍，把流程梳理清楚，那每个人提问相似的问题，都能得到对应的解决方案。另一类是没有固定答案的。比如这两天有人来问我，他做了个产品，第一篇笔记出了一单，后面就很少有人看，也没再出单，问我是不是该投流。虽然问的是投流，但中间说了一下，选题和正文都是模仿同行改的。我觉得问题大概率在这里，跟投不投流没什么关系。可他没问这个，我要回他，得先把他的问题重新定义一遍。重新梳理完问题、组织好语言，回复过去可能二十分钟就没了。这类耗的是心力。以前只有答案固定的问题可以交给 AI，需要判断的还是回到我。但知识库加上 AI 之后，这两类问题都可以交给 AI 一起解决。 02 具体怎么做现在我用到的工具就是ima、飞书、FlowUs这类既有知识库，又有AI问答的工具。选择其中一个使用就行。我拿ima知识库举例：第一，把所有语料上传意思是把你所有的课程、课件都上传过去。比如我要解决小红书运营的问题，就需要把我的小红书运营思路全部写下来交给 AI 。我是把完整的小红书运营手册都放进去了，包括个人IP运营、店铺运营、投流、起号、接广告等等，所有都写的非常详细放进去。后来新增了AI知识库搭建的流程，这些也都全部放进去了。这一步的作用，是需要给AI一些真实的流程，让AI回答的时候不会胡说八道。比如用户问个人IP怎么起号，没有知识库和有知识库的，你们看一下对比：同样的问题，AI也同样回复起号流程，但有知识库的会给你一个起号方案，还会推荐具体赛道（叁斤的推荐），后面也有具体的定位方案，根据这个方案继续追问和补充自己的信息，就能做好起号方案了。第二件，配方法论文件除了课程外，还需要一些方法论、思维模型类的文件，这样AI在解决问题的时候，可以引用思维模型。第三件，配提示词资料都上传好后，大部分问题用户只要提问，就能得到解决方案。尤其是有固定答案的问题。如果另外一些没有固定答案的，需要配套提示词，比如要做小红书搜索seo，就需要做SEO布局、写笔记的提示词：第四件，把文档传进 ima 知识库然后开权限。 PDF、Word、PPT、Excel 都支持，日常够用了。上传的时候记得建立的是「共享知识库」，然后加入方式设置成需要管理员确认。成员权限这个看个人，想让学员看内容也可以打开。开完权限把入口放到他们平时待的地方，社群置顶或者公众号菜单都行，别让人还得回过头来找你要链接。第五件，对外分享分享的时候有链接和二维码的形式，把这个加入链接放到学员常见的入口，比如群公告，就行了。做好之后再设置一些常见问题进去，就行了。 3 答疑的边界知识库答疑通常适用于交付环节，学员已经付费了，买了你的服务，你再把课件上传过去，学员能看到内容并且能提问，这是最理想的交付方式。这个知识库还有个问题，没办法内置提示词。也就没办法调教它说话的语气，它答出来的不是我的口吻。这里再做 2 个延伸：第一，你一定想到了，这个知识库本身也是个虚拟产品，可以搭建好了某个行业的语料库然后拿去卖。第二，这个类型的知识库+语料库，如果搭配一个能内置提示词的AI，包装成一个网页，就能做成一个「个人智能体」，我就正在规划个AI叁斤，所有知识库内置，加内置提示词，让智能体的回答更贴近甚至超越真人叁斤。本文由 @叁斤原创发布于人人都是产品经理。未经许可，禁止转载题图来自Unsplash，基于CC0协议。该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。收藏已收藏 {{ postmeta.bookmark }} 点赞已赞 {{ postmeta.postlike }}