On Sunday, Nvidia CEO Jensen Huang brought two rising Chinese stars into his orbit: Banghua Zhu, a Tsinghua University alumnus and assistant professor at the University of Washington, and Jiantao Jiao, a UC Berkeley professor and fellow Tsinghua graduate.

可持续信息披露正从非财务信息逐步转向与财务报表一同披露，共同成为通用目的财务报告，这一关键性跨越将使可持续真正融入企业价值创造的核心。

<blockquote><p>从手工记账的小旅馆到拥有数千家门店的酒店集团，酒店行业的信息化发展经历了从无到有、从简单到复杂、从封闭到开放的漫长历程。本文以一个虚拟的“X酒店集团”为例，详细回顾了酒店系统产品架构从最初的PMS（酒店管理系统）到CRS（中央预订系统），再到大数据、物联网、人工智能的逐步升级过程。</p> </blockquote>  满打满算，本人在酒店行业从事也算有4年了，既在酒店软件服务商干过开发，也在酒店集团当过IT产品经理，一直想写一篇关于酒店系统产品的演化史，把自己的所见所闻和行业理解记录下来，另一方面是锻炼自己的产品架构能力，以此作为一个里程碑。 但凡产品架构变动，都先必有业务架构变动，而为了说明酒店行业的业务变动，本人虚拟了一个“X酒店集团”，X酒店从一家小旅馆，随着时代的变迁，不断发展壮大，成长为一家拥有十几个品牌、数千家门店的大酒店集团。在这个过程中，新技术层出不穷，X酒店集团积极拥抱新时代的变化，酒店系统的产品架构也在不断完善、不断升级、不断优化。 ## 一、手工记账的小旅馆 上世纪八十年代，改革春风吹满地，某个南方小镇开了一家X旅馆，十几间还算干净的客房，简易的一楼前台加一张办公桌，背后一面挂墙钥匙板，一本牛皮纸笔记本，就是X旅馆的全部工具。 X旅馆的生意和很快做起来了，赚钱的同时苦恼也随之而来： - 手工登记常漏房费，人工算错账偶有发生 - 钥匙被错拿导致客人撞房，招致强烈投诉 **产品架构阶段一：还没有任何IT系统** ## 二、100间客房的酒店引入PMS 到了九十年代，X旅馆已经赚了不少钱，同时力争上游，逐渐升级为一家拥有100间客房的酒店，包含客房、前厅、财务等多个部门，正式更名为X酒店。 X酒店意识到不能再依靠人工来处理预定入住、客房管理、账务处理，需要借助计算机来解决人工出错的问题，于是引入了国内初代酒店管理系统（PMS）。 <blockquote><p>PMS（现代定义）：Property Management System，酒店管理系统，是一款整合预订、在线预订、付款和报告等操作的软件。它简化了入住、退房、客房可用性跟踪、客房清洁和维护安排等流程。</p></blockquote> PMS帮助酒店解决了很多问题： - 客人入住订单再也不用手工记账，都在电脑上记录，方便查询 - 房态实时刷新，前台电子排房少了很多乱子 - 每天夜审报表从4小时缩至20分钟，提高效率的同时杜绝了算错账的问题 **产品架构阶段二：一套独立部署的PMS，主要功能为预定入住、订单管理、房态管理、财务报表**  ## 三、多家酒店后引入CRS 跨入二十一世纪，X酒店在PMS的加持下，经营效率远超同行，开启了扩张的步伐，几年功夫，相继开了8家X酒店，成立了X集团。然而，新的问题也随之而来。 - 旅行社、团体等大客源来询时，要一家酒店一家酒店去确认客房预定情况，无法从集团层面查看所有X酒店的客房库存，造成商机流失 - 会员不共享，单门店PMS是数据孤岛，客人购买的会员只能在一家门店使用，无法在其他X酒店使用，导致会员的不满 - 以携程为首的在线旅行社（OTA）兴起，互联网渠道订单增加，需要酒店系统对接OTA，但是每家酒店PMS单独对接OTA造成大量的重复劳动 X集团面临的问题在酒店业早有解决方案，那就是中央预定系统（CRS）。 <blockquote><p><strong>CRS：Central Reservation System，是酒店业用于管理预订、库存和价格，并跨渠道分发这些信息的核心系统</strong>。简单来说，CRS就像酒店的中央调度室，管理着所有预订，并确保酒店的房间、价格等信息在各个销售渠道（如酒店官网、OTA、GDS等）保持同步。</p></blockquote> X集团果断引入了CRS，成功解决了问题。 - 将X集团旗下所有酒店的客房库存统一管理，方便X集团内部查询、预定 - 会员信息统一放在CRS，会员能在所有X酒店享受优惠，提高了会员的忠诚度、回购率 - 统一对接OTA，将X集团旗下所有酒店的客房同步至OTA，OTA下单后直接下发到酒店PMS，极大提高了订单流转效率 **产品架构阶段三：CRS统一接收非线下门店订单并下发给PMS，帮助各家门店PMS实现库存、会员等信息互通**  ## 四、成立酒店品牌开放加盟，自研IT系统 二十一世纪最初的十年，国内经济欣欣向荣，酒店行业也迎来了大举扩张的时代。X集团不仅成功经营了多家门店，还在选址、设计、工程、采购各方面累积了可复制的成功经验。于是，X集团决定面向全国开放加盟，并设立了X1、X2、X3多个酒店品牌，分别对应奢华、高级、经济型的酒店档次。 与此同时，随着酒店越来越多，每年PMS、CRS系统的采购费、维护费都在快速增加，也让X集团意识到：在信息化时代，企业IT自主研发能力的必要性。于是，集团决定成立IT部，招聘大量的IT人才，自主研发酒店加盟管理系统、PMS、CRS、官网，预计在两年的时间内，将所有X酒店的系统都替换为自主研发的产品。 **产品架构阶段四：以酒店、加盟两条业务线划分系统**  ## 五、移动化浪潮下的酒店移动管理工具 2012年，移动化浪潮来袭，X集团也主动拥抱移动端，一方面开发了面向C端用户X酒店APP、小程序、H5，另一方面为了提高集团内各业务部门的工作效率，开发了加盟开发、工程、采购、运营APP，以及给门店的客房管理、点菜、报表的移动APP。 这个阶段，为了方便集团内的软件开发，IT部将常用的登录、电话、短信、支付、文件存储等功能进行了封装，独立部署，作为其他系统的基础架构支持系统；对于专业性比较强的软件，比如：HR、OA、财务、发票、收银、电商等，市面上已经有比较成熟的软件，自主研发从0到1的成本太高，集团选择引入外部SAAS，关键数据采用API接口的方式到集团自研系统。 **产品架构阶段五：自下而上不同架构层级的关系：基础架构支持系统、职能支持系统、业务支持系统、对外系统**  ## 六、数字化浪潮，大数据、物联网、人工智能 没过几年，数字化浪潮又来袭，X集团旗下已经拥有上千家门店，五千万的会员，只要充分挖掘其中的价值，那对企业来说就是宝贵的财富。与之而来的还有物联网、人工智能等新兴科技产品，X集团的IT部可不敢闲着，花了很大的代价，搞数据底层，引入IOT、AI等技术能力。 X集团的系统虽然通过API的方式实现了数据互通，但也仅限于系统关联的核心数据，并不是全量数据，并且所有数据都是保存在业务系统中，如频繁查询分析，会影响到业务系统的性能。因此，比较好的做法就是建立数据仓库，先将所有系统的数据同步到数仓，数据加工之后，然后通过数据集、数据中台提供给业务系统。 此外，为了挖掘会员价值，IT部决定将会员模块从CRS解构出来，单独搭建CRM系统用来管理会员，增加用户画像、积分体系、精准营销等能力。新搭建了智能入住中心，通过统一封装对外接口，联动自助入住机、公安系统、智能门锁、送餐机器人等，使预定入住、客房服务更加便捷高效，提升客人的住店体验。 **产品架构阶段六：加上数据底座，系统层级分为了5层**  ## 七、IT自研成本高，外采系统、外包开发 随着多年的IT研发投入，X集团已经基本完成了酒店系统的产品建设，这一套产品架构，可以支持几千家酒店的日常运营，还能承载每年几百家酒店的开业增长，研发需求少了很多。恰逢疫情对酒店行业的冲击，老板们坐不住了，酒店收入锐减，薪资普遍较高的IT研发人员成了重点优化对象。 市面上，大酒店集团有两种方式应对居高不下的IT研发投入成本。 第一种是坚持自研，公司组织上下提升全员数据化管理运营的理念和意识，IT部与业务部门通力合作，最大限度发挥自研软件的优势，对外扩需增长，对内降本增效。该方案需要集团内部有很强的管控能力和组织性，并且要有耐心，做好短期内没有效果的心理准备。 第二种是外采软件，以较低的成本购买外部垂直行业厂商的软件，IT部门管理外采软件，通过标准API接口、数据同步等方式打通企业内外部系统，做少量定制化需求。该方案需要集团本身有较强的技术架构、产品架构、项目集管理能力，还要考虑外部系统满足信息安全、审计等方面的要求。 X集团采用了外采软件的方式，仅保留了核心的CRS、PMS、加盟系统、数仓的自研开发人员。为了更进一步节省IT成本，其他集团自研的系统选择了人力外包开发，IT部大幅缩减了开发人员编制，同时增招了产品经理、项目经理、技术经理，为集团做好需求管理、外包项目管理和技术方案管理，保证集团内部系统的可用性和稳定性。 **产品架构阶段七：外采系统、外包开发**  ## 八、结语和展望：集团未来的产品架构 酒店占据了文旅出行消费的很大一部分，从宏观的PEST来分析，酒店文旅行业有光明的前景。国家鼓励文旅产业升级，国内需要酒旅服务业来提振经济，新一代年轻人也更加热爱旅行，同时还有更多的外国人愿意来中国旅行。技术方面，酒店一直是信息技术的忠实拥泵，相比其他行业，酒店行业估计是最早开始信息化的行业，国内最早从事酒店软件研发的企业杭州西软公司已经有32岁了，同时，酒店也是比较容易数字化转型成功的企业。 那么，酒店行业的系统产品方向在哪里呢？ 个人认为从眼下的酒店行业多元化、AI浪潮两方面可以窥见一二。 - 多元化，酒店早已不是单纯提供住宿客房的生意，除了住、吃，更能吸引客人的是酒店带来的独特的出行体验。比如：高星级酒店有“客房+泳池+行政酒廊+早餐”的产品，景区酒店会推出两天一晚的“客房+门票”产品，亲子酒店有“客房+游乐园+亲子旅拍”产品。还有一些酒店会结合当地活动提供额外服务，例如为马拉松客人提供专门的叫早服务、延迟到下午16点退房。这些酒店提供的产品和服务，相当于酒店已经为客人考虑好了入住期间的方方面面，对客人而言省时省心。 - 智能化，AI来临后，酒店有很多业务可以通过AI降本提效。AI语音客服可以处理大部分投诉咨询，甚至可以帮客人订房；AI机器人能够代替文员，处理很多酒店定式的检查工作，包括图片、项目信息、工程信息等等；甚至AI还可以帮助酒店做好收益管理，预测未来客房需求，提前帮酒店做好库存管理、价格调控，从而提高酒店收入。 以上就是本人对酒店行业系统的产品架构的思考，希望对大家有帮助。 本文由 @吴槟 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。

文 | 张冰冰 编辑 | 阿至 各类新材料生产过程中，高温煅烧是让原材料实现性能“质变”的重要步骤。尤其在电池材料体系里，电池正负极材料的能量密度、循环寿命和安全性等特性，很大程度上取决于其化学成分和晶体结构，严格的高温煅烧工艺管控能够确保产品的一致性，从而提升电池材料性能。 同时，高温煅烧装备价值量较高，以目前电池正负极材料应用较广的辊道窑为例，其价值量约占产线投资的30%-40%。因此，高温煅烧设备是保障新材料质量稳定、提升生产效率的重要装备之一。 信诺先端热工科技（苏州）有限公司（以下简称「信诺先端」）成立于2021年3月，**业务聚焦于2400℃内“真空-常压”高温热工装备的研发与进口替代，核心应用领域为新能源、新材料及相关的资源循环利用。** 「信诺先端」成立之初，针对高端无机粉体材料高温煅烧的严苛需求，**自主研发高产能、低电耗的全气密无辊电侧热台车窑技术平台，从锂电正极材料切入应用市场，产品已通过部分头部客户中试验证，今年将落地量产线。**从该技术平台延伸，「信诺先端」产品体系陆续扩展至固态电解质、新型气相硅碳负极、钠电正负极材料、陶瓷材料等应用领域。 此前「信诺先端」已完成数千万元A轮融资，由长江成长资本领投，零以创投及水木清华校友基金跟投，早前曾获得苏国发天使轮投资，由云道资本担任长期独家财务顾问。目前计划开启新一轮融资，以推进产品研发和市场拓展。 ## **一、从技术积累到多维度创新实现电池材料烧结降本增效** 目前电池正极材料高温煅烧设备主要是辊道窑，对于热工装备而言，控温精度、温度均匀性、气氛控制能力、产能、能耗、连续运行时间等，都是重要的技术、经济指标。「信诺先端」创始人吴桢博士认为，对于热工装备，也存在着一个重要的“不可能三角”——热加工效率、温场均匀性、能耗，“这三个顶点最多只能满足两个，另一个必然会有所损失。” 吴桢以目前主流设备辊道窑举例，在辊道窑基本结构不变的情况下，要提高窑炉效率，就要把辊道窑的加热空间，即炉腔加大，以放进更多的物料和载具，而这势必会造成温场均匀性下降。“电池材料尤其是正极材料对温场均匀性要求非常高，至少在±5℃左右。**根据相关测试结果，目前正极材料辊道窑的匣钵堆叠做到6列2层之后，效率与温场均匀性基本已经到达瓶颈，这是目前限制传统辊道窑技术发展的最核心问题。**” 「信诺先端」选择跳出常规辊道窑设备的思路，从窑炉结构、加热布局、物料输运、进排气机构四个方面进行创新：在**窑炉结构**上，将加热器和匣钵的布局，由辊道窑的水平方向改为竖直方向，往高处堆叠；**加热布局**也因此调整，改为垂直安装加热器，使得炉腔结构更为紧凑，炉腔空间利用率从辊道窑的18%提高到50%，有利于节能；**物料输运**上，将辊棒替换成载重能力更大的台车，可以大幅提升产能并避免断棒、拱窑等设备运行风险；在**进排气机构**上，通过专利技术提高工艺气体进入匣钵的效率以及炉腔内废气的捕捉效率。 在加热方式方面，为了保证严格的气氛控制、避免气流对粉体材料的干扰，「信诺先端」采用电加热方式，结合对流传热和辐射传热两种模式，通过大量的试验调整，形成了专利的加热技术。  信诺先端无辊电侧热台车窑 据介绍，**在新的技术方案之下，「信诺先端」无辊电侧热台车窑技术，与主流6列2层的辊道窑相比，产能提高1倍以上，占地面积降低40%以上，整体设备固投减少15%以上。** 降本增效是制造业永恒的主题。吴桢认为，对于电池材料这样大规模生产的材料而言，行业必然会不断推动上下游企业降低加工成本、提升效率。而作为电池材料的核心生产装备，工业窑炉必须要在降本增效的方向上持续创新，帮助材料生产企业提升利润空间和核心竞争力。 ## **二、以电池材料为基础，拓展固态电解质、纳米碳材料、陶瓷材料应用** 针对产品竞争优势，吴桢坦言，工程创新并不存在绝对的技术壁垒。对「信诺先端」而言，核心专利技术之外，更多占据的是技术先发优势，“从市场角度来看，目前有技术落地、有客户应用方案且有实际运行数据的，就只有我们一家。” **「信诺先端」正在安徽广德自建千吨级示范线，以满足不同客户的测试需求，示范线预计7月中旬投入使用，目前已有数家行业头部客户在准备带料测试。** “要保持技术领先优势，就要不断地小步快跑。”吴桢介绍，除了在锂电、钠电正极材料高温煅烧的应用场景外，无辊电侧热台车窑技术也应用于快充石墨的包覆碳化、钠电负极材料硬碳的高温处理等有更高加工温度要求的场景。同时，技术团队还在这个技术平台基础上，持续研发更高效率和更低能耗的下一代技术。 针对新型硅碳负极材料等行业热点，「信诺先端」正在与行业头部企业合作，开发适合多孔碳/介孔碳的连续式高温热处理装备。同时，瞄准单壁碳纳米管、硫化物固态电解质和陶瓷基板的高温热处理应用场景，陆续开展了新的技术平台的研发，并取得突破。 **吴桢将当前「信诺先端」的产品策略概括为“三条腿走路”：**一是以目前已经完成技术开发和落地验证、正在准备进入放量阶段的无辊电侧热台车窑技术平台为核心，持续推动电池材料市场转化和新应用市场的开发；二是针对未来国家重点发展的新材料领域，接触客户进行合作，提前进行技术布局和储备；三是在陶瓷、粉末冶金、金属热处理等传统行业，发挥团队既有的技术优势和项目经验，快速形成实际收入。 「信诺先端」在2400℃内“真空-常压”热工应用技术能力，是其拓展多维应用领域的技术基础。“**我们这个无辊电侧热台车窑技术平台的核心特点是产能高、效率高，同时温度均匀性好、气氛控制能力强，非常适合高端粉体材料高温煅烧的需求。**”吴桢举例，“如果客户既要提高效率，同时对温度均匀性和气氛控制要求又很高，那我们的技术就非常合适。” 市场预估方面，吴桢相信锂电、钠电的正极、负极材料领域市场潜力依然巨大。例如，尽管目前磷酸铁锂存在产能相对过剩问题，但随着头部企业在高压实磷酸铁锂领域取得技术突破，将带动新一轮的设备投入，其新工艺要求则与「信诺先端」的无辊电侧热台车窑技术正好匹配。当电池行业未来恢复到增长阶段时，相关电池材料的高温煅烧装备市场规模预计将达到百亿级。 基于专利保护和技术先发优势，「信诺先端」下一步将持续探索系统优化，以提升设备效率，同时通过不断和客户合作，挖掘其中的改进方向和行业方向，小步快跑迭代技术。**吴桢预计，2025年「信诺先端」有望在商业化上更进一步，完成3000万以上的销售合同，实现正向现金流。** ### **36氪未来产业** 「36氪未来产业」持续关注城市发展、产业转型和创新创业项目落地。寻求报道可邮箱联系wangfengzhi@36kr.com或扫码联系作者。 此外，今年36氪正式推出《36氪企业投资指南内参》，依托在经济圈产业群、区域重点推进规划与招商领域的深厚积累，36氪通过提供深入详细、更为及时、独家专有的全面信息服务，为政府部门提供高效、精准的产业项目内参；助力项目方匹配产业资金、链接关键人脉、快速融入新的产业生态。      本文来自微信公众号[“36氪未来产业”](https://mp.weixin.qq.com/s/ce97yo1x7oHJGz_rDOvaeA)，作者：张冰冰，阿至，36氪经授权发布。

场隐秘的财产保卫战，正在这群人中心照不宣地展开。

<blockquote><p>本文将深入剖析AI眼镜的市场发展概况、核心技术、产业生态以及未来趋势，探讨其在消费级市场的潜力与挑战，并通过对小米AI眼镜、Rokid和XREAL等标杆案例的分析，揭示AI眼镜如何从“智能配件”迈向“核心个人计算设备”的战略转型，以及其在生态竞争中的关键布局。</p> </blockquote>  对于AI硬件，我一直都是非常的热衷和关注，一直以来我都持有的观点是，未来AI不仅会让传统的软件重新做一遍，硬件也将迎来和AI的深度结合，带来消费硬件新的产品体验，相比为AI软件付费，国内的更多用户愿意为可触摸体验的AI硬件付费，这可能也是国内C端AI应用率先商业化的切入点。 去年分析过一篇关于豆包AI耳机的报告，正值这两天小米正发布了AI眼镜，今天主要通过一篇文章快速的了解一下AI眼镜这个领域，以下全文为阅读和合并了8篇关于AI眼镜的分析报告后汇总输出的成果，整个输出的过程从相关资料的搜集，到通过**「Gemini」**批量阅读提取关键信息，最后通过「**AI快研侠」kuaiyanai.com**构建研究大纲整理成文，整个过程大概3个小时左右，虽然没有之前输出的那么长，但作为快速扫盲我想应该足够了，具体内容见下。 ## 一、AI眼镜市场发展概况 ### 1.1.雷朋眼镜开启AI眼镜百镜大战，AI眼镜步入爆发元年 2023年9月Ray-Ban Meta上市引爆市场，销量迅速突破百万。其成功在于将AI眼镜更侧重于时尚和佩戴属性，产品形态易于被消费者接受。 同时，1000-3000元的定价区间，让用户能以较低成本获得“眼镜+OWS耳机+运动相机+AI”的组合产品。 随着小米、华为、三星等大厂入局，预计2025年将迎来AI眼镜的新品爆发。  ### 1.2.AI眼镜的核心产品能力 **概括起来，目前的AI眼镜就是一个具备AI语音互动、图像识别、拍摄能力的智能硬件，或者说就是一个“眼镜+开放式耳机+运动相机+AI”的结合体，之前的AR眼镜相比，最大的区别就是没有“显示”的功能。** AI大模型的集成是推动本轮AI眼镜发展的根本动力，它使得眼镜不再是简单的显示或拍摄工具，而是具备了语音互动、实时翻译、图像识别、智能问答等强大功能的个人智能助理，极大地提升了产品的实用价值。  ### 1.3.智能眼镜赛道布局 概括起来，智能眼镜的赛道主要包括4个赛道：AI眼镜、AR眼镜、VR眼镜、MR眼镜，这四者之间的区别主要如下：  - AI眼镜：前面也提到了，AI眼镜是一个“眼镜+OWS耳机+运动相机+AI”的组合体，在形态上，它和普通眼镜和模型的造型没有太大的区别，增加了Ai语音互动、图像识别、拍摄、耳机等功能；其体验层的核心优势在于轻量化, 低功耗, 佩戴舒适, 适合全天候使用，可以应用于运动, 户外, 日常生活, 办公场景等； - AR眼镜：上者提到的AI眼睛，在视觉方面只具备捕捉真实世界眼睛看到的视觉内容，不会在眼镜视觉中展示机器生成的内容，而AR眼镜除了看到现实世界内容之外，计算机生成的图像、文本、3D模型等虚拟信息实时地投射到用户的视网膜上，并与现实世界中的物体进行精准对位，佩戴者看到的不再是纯粹的现实世界，而是一个虚实结合的增强视野； - **VR设备：VR设备的产品形态经常呈现的是VR一体机和头盔形式，提供完全沉浸式虚拟体验，也就是说你看到的内容都是虚拟内容，看不到真实世界的内容，主要应用场景是游戏, 影视, 教育, 旅游。** - **MR设备：形态上主要呈头盔的方式，它融合AR和VR，具备虚拟与现实交互。** 简单一点讲，带上AI眼镜，你能看到现实世界里面有一个苹果，你只能对这个苹果做一个拍摄或识别等，并不能和苹果这个视觉内容产生其他视觉交互；而AR眼镜除了能让你看到这个苹果，你还能看到这个苹果的例如大小、颜色、卡路里、熟度等数字化信息；VR眼镜里你看到的只是一只虚拟的苹果，而MR眼镜里你不仅看到了一只虚拟的苹果，还可以用你的手划开苹果做切水果游戏； ### 1.4.AR眼镜的挑战和AI眼镜的机会 AR眼镜的概念又来已经很久，但消费级的AR眼镜发展却很缓慢，2024年全球的出货量才50万台，其背后的原因在于硬件、场景和价格的三大挑战； - **硬件的不可能三角：AR眼镜难以同时实现轻薄便携、性能强大、价格实惠；** - 应用场景单一：目前主要还是应用于观影等场景，无法满足多场景、全天候佩戴的要求，所以无法打动用户； - 价格昂贵：动辄上万的AR眼镜，既无法替代日常的眼镜，作为电子设备，价格也太高； 与之不同的是，AI眼镜放弃了AR眼镜”大而全“的设计理念，为AR行业提供了渐进式发展的新思路，先解决轻便美观和核心的AI功能，再逐步加入显示，最终再实现AR眼睛的能力；  ### 1.5.AI眼镜的核心玩家 市场上在研AI智能眼镜的厂商已超过60-70家，主要分为六大类。智能手机厂商、XR品牌厂商及互联网厂商凭借其技术积累、生态系统和用户基础，具备显著优势。 - **智能手机：**厂商小米、三星、星际魅族、传音控股等。 - **XR品牌厂商：**Meta、Rokid、雷鸟、大朋VR、影目科技、李未可、致敬未知等。 - **互联网厂商：**字节跳动、阿里巴巴、百度等； - **移动运营商：**中国移动、中国电信； - **TWS及其他硬件厂商：**韶音、万魔、联想、创维、雷神、闪极、KTC、怒喵科技、回车科技等； ### 1.6.AI眼镜的未来市场规模 根据welsenn XR预计，到2030年，AI眼镜的出货量将增长至9000万副；  ## 二、AI眼镜的产业生态与关键技术 ### 2.1.产业链结构 - **上游 (核心零部件)：**包括芯片（SoC）、光学器件（镜片、光波导）、传感器、存储、电池等。这是技术壁垒最高、价值量最大的环节。 - **中游 (整机制造与方案商)：**主要为ODM/OEM代工厂，负责产品的组装制造。 - **下游 (品牌与应用)：**包括品牌厂商（如Meta、小米、华为）、内容开发者和各行业应用解决方案。 ### 2.2.核心技术拆解 **1）SoC (系统级芯片) – AI眼镜的大脑与心脏** - **重要性：**SoC是AI眼镜的绝对核心，其性能直接决定了产品的算力、功耗和整体体验。它集成了CPU、GPU、NPU（AI处理单元）以及ISP（图像信号处理器）等关键模块。可以说，SoC就是AI眼睛的大脑和心脏，同时它也是成本的核心，以雷朋眼镜为例，主控芯片高通AR1的价格是其成本的31% - **国产化趋势：**目前国产SoC主控芯片大抵采用高通AR1，紫光展锐，恒轩科技，全志科技等的芯片，随着AI眼镜市场的爆发，国产SoC厂商正崭露头角，开始在这一新兴领域占据重要位置，推出了针对性的解决方案，有望打破国外厂商的垄断 **2）ISP图像信号处理器 – 成像效果的决定者** ISP是一个专门处理图像传感器所捕捉的原始数据的**数字芯片**。它是所有摄像头模块不可或缺的核心部分，决定了AI眼镜成像的质量。  ### 2.3.成本构成 以Ray-Ban Meta为例，其硬件成本中，**主控芯片(SoC/CPU)占比最高，约为32.3%**。其次是光学模组、摄像头模组和存储等。  ## 三、AI眼镜的行业挑战 对于AI眼镜目前存在的行业挑战，我觉得概括起来主要就3点： - 时延太长，以及稳定流畅度挑战：用户希望AI眼镜能够在长时间使用中保持功能的流畅运行，目前在时延，流畅度等方面依然有很多的问题，比如初步测试下来小米AI眼镜的对话相应时长需要3~4秒，且无法支持随时打断的实时语音体验； - **应用场景开发不足：用户期待AI眼镜能够精准匹配不同场景需求，但是当前技术成熟度不足是制约AI眼镜行业发展的核心问题之一。** - AI眼镜的供应链成本高昂：主要受核心组件的原材料价格、生产工艺复杂度和市场需求波动三大因素共同影响。其中核心组件（如光学模块和处理器）的成本对原材料价格波动非常敏感，例如高纯度光学玻璃的价格会直接影响光学模块的成本；先进处理器的制造需要高精尖的复杂工艺，这显著推高了生产环节的成本；市场需求的不可预测性给供应链上下游的定价和库存管理带来了巨大压力，从而影响成本。 ## 四、标杆案例：小米AI眼镜 ### 4.1.产品核心功能 - **核心功能与配置：**小米AI眼镜集成了1200万像素摄像头，支持第一人称视角（POV）的拍照和录像；采用开放式声场扬声器，兼顾听音与环境感知；并深度整合了“小爱同学”AI助手，支持实时翻译、导航、信息提醒以及与第三方应用的视频通话等功能 。 - **硬件设计与对标：**产品直接对标全球爆款Ray-Ban Meta 。其采用的“高通AR1+恒玄”双芯架构，旨在优化性能与功耗 。设计上强调轻量化和对亚洲人脸型的适配。值得注意的是，其物料清单（BOM）成本约为177.5美元，高于Meta的149美元，表明小米在核心部件的选择上并未妥协于低价，而是追求更高的品质和性能 。此外，还提供了一个更高溢价的电致变色镜片版本 。 - **定价策略：**1999元人民币（约合275美元）的起售价，与Ray-Ban Meta的299美元定价处于同一水平线。这表明小米的策略并非发动“价格战”来抢占市场，而是希望在保证合理利润的同时，树立一个高品质的行业基准 。 ### 4.2.战略定位：“随身的AI入口” - **生态联动是核心：**小米AI眼镜最核心的战略定位，是成为其庞大的“人车家全生态”的一个关键“入口” 。其最大的差异化价值主张，在于用户可以通过眼镜无缝控制家中的智能设备、获取车辆信息，将眼镜融入一个已有的、成熟的物联网生态中 。 - **从配件到核心终端的升维：**小米此次以主品牌“Xiaomi”而非生态链品牌“Mijia”（米家）发布该产品，释放了一个强烈的信号：AI眼镜在小米的战略版图中，已从一个“智能配件”提升为与手机、平板、汽车并列的“核心个人计算设备” 。 ### 4.3.市场反响与评估 **初期销售火爆：**产品发布后获得了强烈的市场关注，预约人数超过3万，并在小米商城等官方渠道迅速售罄，显示出强大的品牌号召力和市场初期需求 **行业与用户评价：**业界评价呈现两极分化。一方面，其双芯架构、生态整合能力和相对克制的定价受到认可。但另一方面，也有观点认为这更像是一次“试水”而非“全力一搏”的战略投入，例如前魅族高管李楠就对其高昂的电致变色版本定价提出批评，认为这不利于技术普及 。产品面临的核心挑战依然是，如何在小米生态用户之外，向更广泛的消费者证明其“不可或缺”的刚需价值 。 ### 4.4.行业竞品对比 以下为小米和其他行业内AR眼镜厂商的对比，相比之下，小米眼镜在产品定位上，更加聚焦于通用的随身AI，其战略价值主要在于将眼镜作为现有庞大IoT生态的新控制中枢，增强用户粘性，防止被其他平台颠覆。  ## 五、标案案例 ：Rokid 作为国内AR领域的资深玩家，Rokid的战略特点在于其对核心技术的坚持和B端、C端市场并行的双轨发展模式。 ### 5.1.产品组合分析：横跨企业与消费市场 **企业级（B2B）产品：**以Rokid X-Craft为代表的工业级AR头显，专为严苛的工业环境设计，具备高耐用性和专业功能，主要应用于设备巡检、远程专家指导、员工培训等场景，是其稳定的收入来源 。  **消费级（B2C）产品：**面向消费者的产品线则更加注重轻量化和日常体验。Rokid Glasses重量仅为49克，接近普通太阳镜，提供导航、翻译、演讲提词等实用AI功能 。而Rokid AR Studio套件（包含眼镜和主机）则提供更强大的空间计算能力，支持AR游戏、办公和娱乐应用 。其消费级产品获得了市场的积极响应，Rokid Glasses在发布后短期内便收获了超过25万台的“交定”订单，显示出强大的市场吸引力； ### 5.2.商业模式：多元化探索 - **B+C双轮驱动：**Rokid是业内少数同时在B端和C端进行深度布局的公司。B端业务（工业、文旅、医疗、教育）为其提供了稳定的现金流和深入垂直行业应用的机会，而C端业务则瞄准了未来更广阔的消费市场 。2023年，其工业领域营收已占公司总营收的四分之一，并保持高速增长 - **构建开放生态：**Rokid深知内容生态的重要性，正积极通过其自研的YodaOS操作系统和AR Studio开发工具链，吸引开发者为其平台创建丰富的第三方应用，这是其走向平台化的关键一步 ### 5.3.技术护城河：对真AR的执着 - **坚持OST技术路线：**与苹果Vision Pro采用的VST（视频透视）技术路线不同，Rokid坚定地选择了OST（光学透视）路线 。在OST方案中，用户通过透明的光学元件直接看到真实世界，虚拟信息被叠加其上。这一选择牺牲了部分沉浸感，但换来了更轻便的设备形态、更低的功耗和更自然的虚实交互，被认为是更适合全天候佩戴的AR眼镜形态。 - **单目SLAM的领先优势：**如前文所述，Rokid在仅用单颗摄像头实现高精度SLAM空间定位与手势交互方面取得了行业领先。这项技术突破是其能够在消费级眼镜形态中实现真AR体验的核心，也是其重要的技术壁垒 。 ## 六、标杆案例XREAL ### 6.1.市场主导地位：“便携巨幕”之王 - **全球销量领先：**XREAL已连续多年在全球消费级AR眼镜市场出货量中排名第一，占据了市场的绝对主导地位 。 - **精准的产品市场契合：**其成功的核心在于，没有试图一步到位地打造一个全能的“下一代计算机”，而是精准地切入了“便携式巨幕”这一场景 。对于游戏玩家和影音爱好者而言，一副轻便的眼镜能随时随地投射出130英寸甚至更大的高清屏幕，这是一个极具吸引力的价值主张。 ### 6.2.产品策略：迭代与用户中心 - **体验至上：**XREAL的产品，如Air 2系列，始终将用户体验放在首位。其设计重点在于极致的显示效果、出色的音质、仅72克的轻量化设计以及佩戴舒适度 。产品获得了德国莱茵TÜV在色准、眼部舒适度、低蓝光和无频闪等多方面的权威认证，这成为其高品质体验的有力背书 。 - **倾听用户声音：**XREAL的迭代过程体现了对用户反馈的高度重视。一个经典的案例是，公司通过分析亚马逊上的用户评论，发现了其眼镜与Steam Deck游戏掌机搭配使用的巨大潜力，并迅速将此作为重要的营销和优化方向，从而抓住了核心用户群 。 ### 6.3.战略联盟与生态扩张 XREAL正积极通过战略合作来拓展其应用边界。它与宝马汽车合作探索车内AR显示，与海信合作深化显示技术，并与众多内容提供商合作，不断丰富其平台上的游戏和影音资源，逐步从一个硬件公司向平台公司转型 。 ## 七、AI眼镜的未来趋势 - **AR与AI的深度融合：**未来的AI眼镜将是AR眼镜的过渡形态。AI解决了AR内容生态匮乏和交互不便的核心痛点，而AR则为AI提供了最佳的视觉呈现载体。”AR与AI的融合是人类感知系统的外延革命”，这将是行业的终极目标。 - **技术持续成熟：**未来几年，行业的焦点将持续集中在核心技术瓶颈的突破上。**轻量化**（目标是40克以下）、**长续航**（突破4小时的限制）以及**Micro-LED+光波导**光学方案的良率提升和成本下降，将是决定行业发展速度的关键变量 。 - **国内供应链的整合与崛起：**中国本土在芯片、光学、传感器等核心零部件领域的供应链将进一步成熟和整合。这不仅会持续推动产品成本下降，更将成为本土品牌在全球竞争中掌握主动权和实现快速创新的核心优势。 - **从垂直深耕到水平平台：**成功的市场进入策略将是“先垂直，后水平”。品牌首先需要在某个高价值的细分领域（如游戏、工业、翻译）建立起坚实的根据地和忠实的用户群，然后以此为基础，逐步构建一个具有更广泛吸引力的横向应用平台。 - **生态竞争：**随着硬件的成熟，未来的竞争将转向应用生态和内容服务，谁能构建起强大的开发者生态和丰富的应用场景，谁就将在下一阶段的竞争中胜出。 OK，以上为AI眼镜研究全文，对于AI硬件，我会持续的关注和分析，我坚信未来软硬一体的AI产品才是更有前景的领域，欢迎大家跟我一起关注。 作者：三白有话说，公众号：三白有话说 本文由 @三白有话说 原创发布于人人都是产品经理。未经作者许可，禁止转载。 题图来自豆包官网截图

明明是2.1kg的快递，但“向上取整”后可以变为3kg重量的收费标准吗？近日，澎湃新闻“马上测”购买8件净重为2.5kg的样品，购买相同规格包装进行打包并自行称重，总重量为2.7kg左右，此后记者分别通过8家常用快递公司，以“标快”“普快”的方式邮寄到市内同一地点。这些快递公司分别为顺丰、京东、EMS、中通、韵达、圆通、申通和极兔。 本次测评发现，8家中，有半数快递企业（京东、申通、圆通、极兔）在续重收费中存在“向上取整”行为。有快递员称，即使“2.1公斤也算3公斤的（收费）”，还有快递公司将重量2.7kg左右的快递，标注为4kg。 按照现行规定，快递需要称重，且计费重量需保留kg小数点后至少1位。也就是说，“向上取整”的做法并不合规。 **半数快递称重“向上取整”，“2.1公斤也算3公斤”** 记者选择寄送八件样品的计费方式均为“按重量计费。” 所谓续重收费，一般来说，快递公司会将首重设置为1公斤，续重则为超出首重的部分，需要按照另外标准计费。本次寄出的8个重量均为2.7kg左右的样品，均需要续重收费。  记者用2.7KG样品实测八大快递“按重量计费”，发现不少快递存在“向上取整”问题。 寄出快递后，顺丰的电子存根显示，本次寄件计费重量为2.7kg，实际重量为2.7kg，运费为15元。EMS的快递信息显示，物品重量为2.7kg，总运费为14元。韵达的电子存根显示为，物品信息的重量为2.8kg，总费用12.6元。 京东的电子存根显示，此次快递的实际重量为2.71kg，计费重量为3kg，最终运费为16元。 圆通的支付记录详情显示，物品实际重量为4kg，运费为13元，优惠券为3元，总费用是10元。申通的电子存单同样显示，物品信息重量为3kg，总费用为13元。   记者发现，寄送2.7kg快递时，不少快递公司的计费重量为3kg甚至4kg。 极兔的电子存根显示，物品重量为3kg，总运费为12元。极兔工作人员补充称，快递实际称重为2.75kg，但按照3kg计算，“2.1公斤也算3公斤的。” 中通快递的电子存根上显示快递重量为1kg，微信上和快递员沟通后，对方表示称重重量为2.6kg，按3公斤计算，总价14元。 记者梳理各快递续重规则发现，中通、申通、圆通续重是以1kg为计量单位，不足1kg，按照1kg需增加相应的费用。 极兔的续重收费最小计量单位为0.5kg，0.5kg（以上）向上计重。京东快递也是以0.5kg为计重单位，不足0.5kg按0.5kg计算。 顺丰的续重规则是超过1公斤以外的重量，每增加1公斤需要增加相应运费。韵达快递则是“不足1kg的按1kg算，超过的部分，计算续重费，重量精确到小数点后2位且不进位”。 在本次测评中，有部分快递员也并未严格按照所属平台规则计费。就在测评寄快递澎湃新闻记者对前述问题提出质疑时，有快递员表示，常规操作都是这样计费的。 **国标要求快递称重需精确到千克后一位小数点** 国家市场监督管理总局、国家标准化管理委员会发布了新版《快递服务》，且该标准于2024年4月1日实施。 新版《快递服务》明确了快递行业在称重和计费环节的服务标准。相关条款规定为：快递服务主体应使用秤、卷尺等计量用具测量快件的实际重量和体积重量，确定正确的计费重量，计费重量以千克为单位，保留小数点后至少1位。 但实践中，不少快递公司并未落实前述规定。 例如工人日报2024年6月7日报道，北京市消费者张女士通过某快递公司寄东西时遭遇快递续重“向上取整”。该快递公司首重1公斤，超出后不足1公斤按1公斤计费。记者根据张女士提供的订单号查询发现，该快递运单上并未如实标注快件重量3.1公斤，而是按计费重量4公斤进行标注。 在接受新华日报·交汇点采访时，江苏省邮政管理局市场监管处处长芮晓峰表示，目前快递企业的发展还处在粗放阶段，“比较简单粗暴。”建立便捷高效的服务网络，需要不断规范快递企业行为。快递企业如果没有按照公示计费标准执行，用户可以进行投诉。“向上取整抹零行为是由快递企业制定，我们会向国家邮政局反映，请国家邮政局对快递企业进行约谈提醒，制定合理的收费标准，创造一个合理舒心的消费环境。” [查看评论](https://m.cnbeta.com.tw/comment/1509730.htm)

据CNBC报道，2010年6月29日，特斯拉在纳斯达克上市。15年过去了，特斯拉现在股价已是当初的近300倍，市值也突破了1万亿美元。15年前，当特斯拉启动首次公开招股(IPO)时，这家公司自成立以来的累计营收大约为1.5亿美元，几乎全部来自Roadster。这是一款双座电动跑车，单次充电续航可达236英里(约合379公里)。  特斯拉2010年上市一幕 那时，特斯拉的Model S轿车还处于实验室阶段，距离上市还有两年。 “Model S计划进军高端汽车市场，目标客户群要比Roadster广泛得多。”特斯拉在其IPO招股说明书中称，当时计划募资2.26亿美元。 对于当时的投资者来说，豪赌特斯拉，实际上就是押注其CEO埃隆·马斯克(Elon Musk)有能力开发出一系列面向大众市场的电动汽车，并在远离底特律这个传统汽车制造中心的硅谷，将一家汽车公司发展壮大。硅谷聚集了全球最顶尖的科技人才。 马斯克并不是特斯拉的创始人，但他在早期就投资了这家公司，担任董事长，并在2008年10月接任CEO。当年早些时候，他领导董事会发动了一场“政变”，将创始CEO马丁·艾伯哈德(Martin Eberhard)赶下台。 营收近千亿、市值破万亿 特斯拉当年IPO的发行价为17美元，拆股调整后相当于如今的1.13美元。而截至上周五，特斯拉股价收于323.63美元，是当初的近300倍。 如果有投资者在特斯拉IPO时投资1万美元，并一直持有这些股票，那么如今这笔投资的价值将接近300万美元。相比之下，如果拿相同的资金投资标普500指数，如今的投资价值约为5.7万美元。  马斯克 特斯拉早已不再是当初由“PayPal黑帮”成员一手创立的实验性清洁技术创业公司了。如今，它已成为美国市值排名第八的上市公司，市值超过1万亿美元，去年的营收也接近1000亿美元。 未来不再靠卖车 但是对于现年54岁的马斯克来说(他刚在周六过完生日)，这些都是过去的事了。如今这位全球首富告诉投资者，现在买入和持有特斯拉股票的理由，几乎已经与向消费者卖车无关。 马斯克在去年4月的一次财报电话会议上表示：“如果有人不相信特斯拉最终能实现自动驾驶，那我认为他们就不该投资这家公司。我们会做到，而且我们正在努力实现它。” 两个月后，马斯克表示，特斯拉的Optimus人形机器人有朝一日可能像《星球大战》里的R2-D2和C-3PO机器人那样工作。这项技术最终可能将特斯拉的市值推高至25万亿美元。 马斯克曾自称是一位“病态的乐观主义者”。他放言，到2025年底时，预计将有数千个Optimus机器人投入到特斯拉工厂工作，而特斯拉将在明年开始对外销售这款机器人。 至于自动驾驶，特斯拉目前落后于Alphabet旗下Waymo和百度的萝卜快跑。Waymo已在美国多个市场运营公共自动驾驶出租车服务。本月初，特斯拉的自动驾驶出租车服务刚在得州奥斯汀启动了非常有限的试点服务，并于上周五宣布已完成首次无人驾驶新车交付。 与此同时，特斯拉今年的电动汽车销量表现疲软。受车型老化和激烈竞争影响，尤其是来自中国低价车型的压力，特斯拉第一季度汽车营收连续第二年同比下滑。 雪上加霜的是，特斯拉的业务笼罩在马斯克的不可预测性之下。 马斯克因其商业成功而备受赞誉，无论是PayPal、特斯拉、SpaceX、脑机接口公司Neuralink，还是人工智能公司xAI。但是，他在去年开始积极介入政治领域，当时他公开支持特朗普竞选总统，并随后向其竞选活动及相关共和党事业注入了近3亿美元资金。  马斯克与特朗普 现在，马斯克是否足够专注于解决特斯拉问题？即便他专注了，这是否能成为推动公司发展的重大催化剂？这些问题目前都仍然充满不确定性。 重要股价波动 特斯拉的投资者早已明白，波动性是这家公司故事的重要组成部分，自特斯拉上市以来一直如此。在过去15年中，特斯拉股价有超过40次在单月内涨跌幅达20%以上。 以下是特斯拉股价表现最好的三个月和最差的三个月，以及导致这些剧烈波动的主要原因： 最好的三个月： 2013年5月：股价大涨81% 这是特斯拉有史以来表现最好的一个月，股价飙涨了81%。当月，特斯拉首次实现季度盈利(尽管利润非常微薄)。虽然这并不意味着公司从此实现持续盈利(特斯拉直到2018年才真正摆脱亏损状态)，但当时Model S销量超出市场预期，同时零排放汽车积分收入也优于预期。 2020年8月：股价飙升74% 在疫情初期经历了一波大幅下跌后，特斯拉的股价迎来了一轮历史性的上涨，全年累计涨幅高达8倍，成为公司有史以来表现最好的年份。其中，2020年8月是全年涨幅最大的一个月，股价单月飙升了74%。这一波强劲反弹反映出市场对特斯拉长期增长前景的信心，也为其跻身全球市值最高企业行列奠定了基础。 2010年11月：股价上涨62% 特斯拉在上市后的第五个完整月份迎来了一波62%的上涨，这更多反映了早期股价的剧烈波动，而不是基本面的变化。但好景不长，到了12月，股价便下跌近四分之一，几乎抹去了前一个月的所有涨幅。这种大起大落的走势，成为特斯拉股市故事中的一个常态。 最差的三个月 2022年12月：股价暴跌37% 这是特斯拉有史以来单月跌幅最大的一个月，股价暴跌37%，为动荡的2022年画上了句号。这一年对整个科技股来说都异常艰难，纳斯达克指数创下自2008年金融危机以来的最差年度表现。特斯拉当时面临多重打击，包括上海工厂停产、马斯克大幅减持特斯拉股票，资助他以440亿美元收购Twitter的交易。 2025年2月：股价大跌28% 这个月原本被市场寄予厚望，被视为特斯拉“蜜月期”，原始是特朗普重返白宫被认为将利好马斯克和特斯拉。但是，这个月却意外演变成了一场大抛售，特斯拉股价在2月大跌28%，原因是该公司1月底发布的财报。数据显示，特斯拉汽车营收同比下滑8%，营业利润暴跌23%。 2024年1月：股价下滑25% 特斯拉在2024年伊始遭遇重挫，股价暴跌25%，几乎与2025年2月的跌幅相当，主要原因是第四季度营收和利润均未达预期。 [查看评论](https://m.cnbeta.com.tw/comment/1509728.htm)

当地时间6月27日，马斯克带领Neuralink 脑机接口团队举行了一场持续1小时的发布会，展示了最新进展以及三年路线图。据介绍，目前Neuralink的受试者已经达到7人，其中涵盖4名脊髓损伤患者与3名肌萎缩侧索硬化症（ALS）患者，受试者们平均每周使用设备时长约50小时，峰值超100小时，几乎只要是清醒的时间都在用。  通过Neuralink的“心灵感应”（Telepathy）产品，他们能够通过脑信号控制玩《马里奥赛车》《使命召唤》等游戏，甚至用意念操控机械臂写字，与外界重新建立交互。 植入脑机接口设备的七人玩游戏 脊髓损伤导致失去手部功能的Alex，可以用意念控制虚拟机械手玩“石头剪刀布” Neuralink目前已形成三大产品线（如下），受试者使用时长延长是脑机接口技术从实验室概念迈向临床实用化的关键跨越。 <blockquote></blockquote> 心灵感应（Telepathy）：针对运动障碍患者，64通道设备已实现意念操控电子设备与机械臂，Alex案例中展现的特斯拉机械手协同操控，标志着其技术已触及神经假肢的实用化临界点； <blockquote></blockquote> 盲视（Blindsight）：聚焦视觉重建，通过高通道电极刺激视觉皮层，计划2026年实现黑白轮廓感知，未来或与VR/AR技术融合，构建数字视觉； <blockquote></blockquote> 深入（Deep）：面向神经调节领域，通过深部脑电极植入调节异常神经元放电，针对帕金森、抑郁症等疾病的治疗方案已进入动物实验阶段。 Neuralink的终极目标是实现全脑接口，就是能在大脑任意区域实现神经元监听与写入，通过无线高速传输实现生物大脑与机器的深度连接。这一步意味着人类大脑可被改造成“生物+数字”大脑，借助AI技术实现字面意义上的“机械飞升”。马斯克称，有了Neuralink，每个人类都可以用意念操控一台特斯拉擎天柱[机器人](https://finance.sina.com.cn/realstock/company/sz300024/nc.shtml)，即人形机器人将跳过复杂的动作编程阶段，直接接收人脑的原始指令，实现真正的“身随念动”。  为此，Neuralink公布了未来的三年计划—— <blockquote></blockquote> 2025年底：在言语皮层植入设备，解码无声“意图言语”，即直接从大脑信号中解码有意识的词语，转换为语音。 <blockquote></blockquote> 2026年：将电极通道/数量增加到3000个，探索恢复盲人视力，初期目标是低分辨率视觉恢复，最终目标是让人拥有超人般的多波段视觉，看到雷达、红外线、紫外线。 <blockquote></blockquote> 2027年：将电极数量增加至1万个，首次实现多设备植入（运动皮层、言语皮层或视觉皮层）。 <blockquote></blockquote> 2028年：将电极数量增加至2.5万个、全面接入大脑任意区域，触及更深层脑区以治疗精神类疾病、神经性疼痛等，探索与AI深度融合，希望全体人类能跟AI互联。  发布会上同时登场的，还有Neuralink的第二代手术机器人，新版机器人将植入电极线的速度提至每根1.5秒，比上一代提升了11倍，且电极已经能植入大脑皮层下50毫米以上的区域。  当下，全球脑机接口技术发展呈现出多技术路线并行突破的鲜明特征，侵入式、半侵入式和非侵入式技术均取得显著进展，并在解码算法的加持下共同推动产业从实验室走向临床应用。 据Precedenceresearch统计数据，2024年全球脑机接口市场规模为26.2亿美元，预计到2034年将增加到约124亿美元，复合年增长率达17.35%，在医疗、娱乐、智能家居、军事等多领域具有巨大的市场潜力和发展前景。 目前世界各国纷纷加大战略布局，我国也高度重视脑机接口产业的发展，十四五规划明确将脑机接口列为未来产业重点攻关方向，中央到地方陆续出台各项政策加快脑机接口产业发展，推动商业化规模落地，应用场景持续拓展。 开源证券表示，脑机接口发展加速，商业落地前景可期。非侵入式脑机接口产品商业化进程领先，目前国内外已有多款产品面世；侵入式/半侵入式脑机接口发展相对迟缓，国内外领先公司处于产品注册或临床研究阶段，但未来发展前景广阔。 [查看评论](https://m.cnbeta.com.tw/comment/1509726.htm)

6月29日，猫王音响创始人曾德钧发布视频再次对吐槽雷军“网上形象高大上私下表现拙劣”一事进行回应。曾德钧表示，“这两天猫王的直播间和账号无缘无故受到了大量的水军攻击和谩骂，也深深的对我的生活造成了影响和伤害，在业内好像不利于他们的东西，都会被他们的水军攻击，我认为这样的互联网商业氛围是非常可恶的。” [](https://static.cnbetacdn.com/article/2025/0625/a868ee1ee74cd30.jpg) 曾德钧还谈到：“为什么你的资本越大，你的名声越大，你就可以仗势欺人，如果说一个公司靠着这样的手段去一手遮天，那么中国的商业环境还有未来吗？如果有人问我通过这件事情你有什么反思？那么我的反思就是我作为一个小人物，我惹了一家我惹不起的公司，我作为一个创业者，我应该做好我自己该做的事情，做好我自己的产品，何必去招惹这种市场的所谓的参天大树，所谓的市场大鳄？” 6月23日，曾德钧曾公开发视频评价小米CEO雷军，提及雷军形象反差大，缺乏尊重，还提及十多年前的一桩旧事称：自己作为国内最早投身智能音箱领域的开拓者，带着项目与雷军旗下的顺为资本洽谈，却遭雷军一句“智能音箱有什么用？我们不要在上面浪费时间了”，随后起身离去，连看都没看他一眼。 6月24日，曾德均发布视频对雷军“网上形象高大上私下表现拙劣”一事回应称，“我对小米对雷军个人没有什么意见，没有其他的意图。”曾德钧表示，风评和评论有点被带偏了，希望不要对视频断章取义，过度地解读。 [查看评论](https://m.cnbeta.com.tw/comment/1509724.htm)

<blockquote><p>本文将深入剖析麦刚的投资决策逻辑，以及泡泡玛特如何通过IP运营、渠道布局和情绪经济的完美结合，实现从潮玩小众品牌到全球现象级企业的华丽转身，并探讨其未来冲击1000亿美元市值的底层逻辑。</p> </blockquote>  ## 引言：一场跨越13年的投资传奇 2012年，当25岁的王宁带着泡泡玛特团队向天使投资人麦刚发送融资邮件时，这个仅有2家门店、团队挤在海淀民宅办公的潮玩品牌，尚未引起主流资本市场的注意。然而，麦刚却在3天后决定投资200万元，成为泡泡玛特首位机构投资人。13年后，这笔投资回报率超5000倍，泡泡玛特市值突破3600亿港元，王宁以1602亿港元身家登顶河南首富。这场投资不仅成就了商业传奇，更揭示了Z世代消费崛起、情绪经济爆发与IP谷子经济浪潮下的深层商业逻辑。 ## 一、麦刚的投资决策逻辑：从“人”到“势”的双重判断 ### 1.1 对“人”的精准洞察：王宁的创业者基因 麦刚的投资准则中，“人”的因素始终优先于商业模式。他回忆初次见面时，王宁虽无光鲜背景，却展现出三个关键特质： - **潮流审美与沉稳性格的矛盾统一**：王宁虽非典型“潮人”，却对产品设计有极致热爱，其PPT中扑面而来的时尚感与设计感，与麦刚的审美偏好高度契合。 - **脚踏实地的执行力**：在民宅办公的简陋环境中，王宁详细阐述店铺升级计划、设计师聘请方案等具体执行路径，而非空谈行业趋势。 - **长期主义者的韧性**：麦刚曾创业5次，深知创业者的孤独与坚持。王宁在融资困难时仍保持巡店习惯，甚至在成为首富后依然强调“尊重时间、尊重经营”，这种“马拉松型耐力”成为麦刚持续加注的核心原因。 ### 1.2 对“势”的敏锐捕捉：情绪经济与IP谷子经济的萌芽 麦刚的投资决策不仅基于对王宁个人的信任，更源于对时代趋势的深刻理解： - **Z世代消费心理的转变**：2012年前后，中国首批90后步入社会，其“为兴趣付费”“悦己消费”的特征开始显现。泡泡玛特早期通过LOG-ON模式（集合店）试水，已隐约捕捉到年轻群体对“小众潮流”的需求。 - **盲盒模式的潜在爆发力**：尽管2012年泡泡玛特尚未推出盲盒，但麦刚从王宁对Sonny Angel的关注中，预见到“随机奖励机制+IP形象”的商业潜力。2015年王宁决定主推Molly时，麦刚直言“找到了突破点”，这一判断基于对日本扭蛋文化、美国收藏卡牌市场的跨文化洞察。 - **全球化布局的前瞻性**：麦刚曾在美国留学工作，深知中国品牌国际化的机遇。他建议王宁尽早布局海外，并推动泡泡玛特选择港交所上市，为后续全球扩张奠定基础。截至2025年6月，泡泡玛特全球门店超500家，覆盖30多个国家，海外市场收入占比显著提升。 ## 二、泡泡玛特的崛起：IP谷子经济的完美实践 ### 2.1 IP运营：从Molly到LABUBU的爆款方法论 泡泡玛特的核心竞争力在于其IP孵化与运营能力： - **IP筛选标准**：王宁团队建立了“颜值+故事性+延展性”的三维评估模型。例如，Molly的“嘟嘴小女孩”形象兼具艺术感与情绪共鸣，LABUBU的“丑萌”设计则突破传统审美，精准切入亚文化圈层。 - **盲盒经济的底层逻辑**：通过“全密封包装+随机抽取”模式，泡泡玛特将IP收藏转化为“赌博式”消费体验，单款盲盒59-99元的价格门槛降低了决策成本，而隐藏款1/144的概率设计则刺激复购。2024年，泡泡玛特盲盒销量突破1亿只，复购率达65%。 - **跨形态开发能力**：从盲盒到毛绒玩具、MEGA大娃、主题乐园，泡泡玛特通过“IP+场景”的延伸，将单次消费转化为长期订阅。例如，LABUBU毛绒玩具在欧美市场引发排队抢购，单款产品首日销售额超2000万元。 ### 2.2 渠道与供应链：零售基因的深度赋能 麦刚将泡泡玛特定义为“有很强零售基因的IP公司”，这一判断在渠道布局中得到验证： - **线下门店的体验经济**：截至2024年底，泡泡玛特中国大陆零售门店达401家，机器人商店超2300台。门店设计强调“沉浸式体验”，如上海迪士尼店设置AR互动装置，北京三里屯店打造LABUBU主题快闪空间。 - **全球化供应链的韧性**：通过自建工厂与柔性生产系统，泡泡玛特将新品上市周期缩短至3个月，库存周转率提升至行业领先的4.2次/年。2025年欧美供应链危机中，其本土化生产布局保障了产品稳定供应。 - **DTC模式的数字化升级**：泡泡玛特小程序会员数突破3000万，私域流量贡献超40%营收。通过大数据分析用户偏好，实现IP开发与库存管理的精准匹配。 ## 三、情绪经济爆发：疫情与全球化下的消费新范式 ### 3.1 疫情后的“治愈经济”浪潮 2020年新冠疫情爆发后，全球消费者心理发生深刻变化： - **孤独感与社交需求**：麦刚指出，泡泡玛特在疫情期间股价逆势上涨，源于其产品成为年轻人“社交货币”。LABUBU的“丑萌”形象自带话题性，消费者通过晒单、改娃（二次创作）构建线上社群，形成“孤独经济”下的情感联结。 - **确定性消费的偏好**：在经济不确定性增强的背景下，59元的盲盒成为“小确幸”的象征。麦刚将此类消费称为“真空期的礼物”，即通过可控的支出获得情绪价值。 ### 3.2 战争与地缘政治中的文化输出 俄乌冲突、中美贸易战等地缘事件加速了文化软实力的竞争： - **中国IP的全球化突围**：泡泡玛特通过LABUBU等原创IP，避开迪士尼、乐高等西方IP的竞争，以“东方美学+亚文化”定位吸引海外用户。例如，LABUBU在泰国被视为“幸运符号”，当地寺庙甚至将其纳入祈福仪式。 - **本土化运营的精细化**：针对不同市场，泡泡玛特调整IP组合与营销策略。在欧美主打“艺术收藏”概念，与现代艺术博物馆（MoMA）联名；在东南亚则结合K-pop文化，推出偶像团体限定款。 ## 四、麦刚的投资启示：长期主义与生态思维 ### 4.1 超越财务回报的投资哲学 麦刚的投资决策贯穿“创业者共生”理念： - **股权结构设计**：2013年，麦刚以低价向创始团队转让股份，强化股权激励。这种“利他主义”使王宁团队在后续融资中保持控制权，避免早期投资人套现离场导致的战略失焦。 - **危机中的支持**：2021年泡泡玛特股价暴跌时，麦刚与王宁深入探讨国际化战略，推动海外业务占比从15%提升至2025年的35%。这种“逆周期加注”体现了对长期价值的坚守。 ### 4.2 IP谷子经济的生态化布局 麦刚认为，泡泡玛特的终极形态是“中国版迪士尼”，但路径截然不同： - **轻资产IP运营**：与迪士尼重资产乐园模式不同，泡泡玛特通过授权合作拓展边界。例如，与欧莱雅联名推出LABUBU限定口红，与优衣库合作潮玩T恤，实现IP价值的指数级放大。 - **元宇宙与Web3.0探索**：2024年，泡泡玛特发行数字藏品，单款LABUBU 3D模型在NFT平台售罄，探索IP的虚拟世界延展。麦刚指出，这符合Z世代“数字原住民”的消费习惯。 ## 五、未来展望：1000亿美元市值的底层逻辑 麦刚在泡泡玛特上市时提出“1000亿美元市值”目标，其依据在于： - **行业天花板**：全球潮流玩具市场规模预计2025年达450亿美元，泡泡玛特以15%市占率计算，营收潜力超60亿美元。 - **第二增长曲线**：乐园业务、IP授权、数字藏品等新业态贡献率将从2024年的10%提升至2030年的40%。 - **代际红利**：Z世代（1995-2010年出生）占中国人口19%，其消费力将在未来10年持续释放，泡泡玛特作为“青春符号”将长期受益。 ## 结语：一场关于“相信”的投资实验 麦刚与王宁的故事，本质是一场关于“相信”的商业实验：相信年轻创业者的潜力，相信Z世代的消费革命，相信情绪经济的持久价值。当被问及投资心得时，麦刚引用王宁的话：“尊重时间、尊重经营。”这或许是对泡泡玛特奇迹最朴素的注解——在快节奏的资本世界中，真正的价值创造，往往始于对“人”的长期信任，成于对“势”的精准把握，终于对“初心”的始终坚守。 作者：徐礼昭 本文由 @徐礼昭商业评论 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。

从模型到硬件再到场景的闭环，才能使华为的全栈AI能力得以正向循环。

在销量压力、产品结构与品牌认知三重挑战下，这家央企新势力正在加快战略节奏。

<blockquote><p>RAG（检索增强生成）作为一种融合信息检索与自然语言生成的创新技术范式，正在重塑AI在知识密集型任务中的应用方式。本文将深入剖析RAG的起源、发展脉络以及其在现代AI系统中的架构与演进路径。</p> </blockquote>  RAG（Retrieval Augmented Generation）是一种通过集成外部知识源来增强大型语言模型（LLM）能力的范式。可以追溯到RAG从信息检索（IR）和自然语言生成（NLG）这两个基础领域的知识谱系，经历了开放域问答（ODQA）的早期探索，直至2020年其正式定型。剖析现代RAG的体系结构，详细阐述了其核心组件以及从初级（Naive）到高级（Advanced）和模块化（Modular）RAG的演进路径。最后，对代理式（Agentic）、自适应（Adaptive）和多模态（Multimodal）RAG的出现引发的思考 ## 第一章：混合式人工智能，RAG的基础前身 <blockquote><p>检索增强生成（RAG）并非凭空出现的发明，而是两个历史悠久的独立领域，信息检索（Information Retrieval, IR）与自然语言生成（Natural Language Generation, NLG）在特定技术突破的催化下，历经漫长演化后融合的产物。</p></blockquote> ### 1.1 双生支柱：信息检索（IR）与自然语言生成（NLG）的历史 RAG的核心理念在于“检索”与“生成”的结合，这两种能力分别源自两个成熟的计算机科学分支。 **1）信息检索** 信息检索的历史可以追溯到20世纪50至60年代，其核心目标是从大规模文档集合中找出与用户查询相关的资料。汉斯·彼得·卢恩（Hans Peter Luhn）和杰拉德·萨尔顿（Gerard Salton）等先驱奠定了该领域的基础。萨尔顿在康奈尔大学领导的研究小组是该领域的早期重镇。关键概念包括：  向量空间模型（Vector Space Model）： 该模型将文档和查询表示为高维空间中的向量，通过计算向量间的相似度（如余弦相似度）来判断相关性，也就是我们人为的设定一个规则，给词语定义坐标的方式，将文本数字化，从而让计算机能够通过计算坐标的远近和方向，来理解文章和词语的含义。 这是一种早期的语义检索尝试。就比如说，我们要让一台完全不懂人类语言的电脑去理解词语之间的关系。它该如何“思考”呢？**核心问题是**电脑只认识数字，不认识文字。如何把“词语的含义”转换成电脑能处理的数字？所以只能通过向量化来解决，词听起来很数学，但您可以把它理解为，含义坐标。就像在地图上，每个城市都有一个经纬度坐标（例如，北京：东经116°，北纬39°）。我们可以用一组数字 [116, 39] 来唯一标识北京的位置。 向量化做的就是类似的事情，我们给每个词语都分配一个“含义坐标”，这个坐标通常由成百上千个数字组成。 简单例子（二维坐标）： 假设我们用两个维度来描述词语：[“生物性”, “人类关联性”] - “狗”可能被表示为 [9, 4] (生物性得分9，人类关联性得分4) - “猫”可能被表示为 [9, 3] (和“狗”很像，所以坐标很接近) - “石头”可能被表示为 [1, 0] (生物性很低，人类关联性也低) - “国王”可能被表示为 [7, 9] (生物性较高，人类关联性极高) - “女王”可能被表示为 [7, 8.9] (和“国王”坐标非常接近) 所有这些词语的“含义坐标”共同组成的那个多维度的“含义地图”，就是**向量空间 (Vector Space)**。在这个“地图”上，意思相近的词，它们的坐标点就靠得很近。 OK，当我们得到了一个向量空间之后，那我们如何精确计算两个词到底有多“像”呢？“余弦相似度”就是一种测量方法。它不关心两个点之间的直线距离，而是关心它们**方向的一致性**。举个例子，你和朋友都从同一个广场中心出发。如果你们都朝着**正北方**走，即使你走了100米，他走了200米（距离不同），但你们的方向是完全一致的。这时，你们的余弦相似度就是最高的（等于1）。 - 如果一个朝正北，一个朝正东，方向呈90度角，那么余弦相似度就是0，代表“不相关”。 - 如果一个朝正北，一个朝正南，方向完全相反，余弦相似度就是最低的（等于-1），代表“含义相反”。 所以，在向量空间里，“猫”和“狗”的向量方向会非常接近，所以它们的余弦相似度很高。而“猫”和“宇宙飞船”的向量方向会相差很远，相似度就很低。 词频-逆文档频率（TF-IDF）： 作为一种经典的加权技术，TF-IDF用于评估一个词对于一份文档或一个语料库的重要性。也就是说，哪个词出现次数最多，哪个词就最重要。但很快你会发现问题，像“的”、“是”、“和”这些词出现次数最多，但它们毫无意义。 TF-IDF就是为了解决这个问题而设计的、一种非常聪明的加权算法。它由两部分组成： a) 词频 (TF – Term Frequency) 举个**例子，** 在一篇1000个词的关于“人工智能”的文章里，“模型”这个词出现了30次。 它的TF就是 30 / 1000 = 0.03。 b) 逆文档频率 (IDF – Inverse Document Frequency) 这是TF-IDF算法的精髓。它用来衡量一个词的稀有度。一个词在越多的文章里都出现过，它的“独特性”就越差，IDF值就越低。就像刚才提到“的”、“是”这种词，几乎所有中文文章里都会有。所以它们的IDF值会无限趋近于0。而像“梯度下降”、“神经网络”这种专业术语，只会在AI相关的文章里出现。因此，它们在所有文章里是“稀有”的，IDF值就会很高。 **公式：TF-IDF = 词频(TF) × 逆文档频率(IDF)** 最终的得分，同时考虑了“在本文中的重要性”和“在所有文章中的独特性”。 **回到例子：** - **“模型”**：在AI文章中TF值较高，同时它也不是一个通用词（经济学、建筑学文章里不常用），所以IDF值也较高。最终TF-IDF得分就很高，被识别为关键词。 - **“的”**：在AI文章中TF值极高，但它的IDF值趋近于0。两者相乘，最终TF-IDF得分也很低，被认为是无意义的停用词。 - **“手机”**：在这篇AI文章里可能一次都没出现（TF=0），那么不管它IDF值多高，最终TF-IDF得分也是0。 概率模型（Probabilistic Models）： TF-IDF 已经很不错了，还有没有优化的空间？它在某些情况下还是不够“智能”。 概率模型，特别是像BM25这样的算法，可以看作是TF-IDF的超级升级版**。它不再是简单地把两个值乘起来，而是从“概率”的角度思考，当用户搜索这个词时，他看到这篇文章感到满意的可能性有多大？ BM25主要在两个方面做了优化： 词频饱和度 (Term Frequency Saturation) TF-IDF有一个假设：一个词出现10次，就比出现5次重要两倍。但现实是这样吗？ **举个例子：** 一篇文章里，“苹果”这个词出现1次，说明文章和苹果相关。如果出现10次，那它和苹果的相关性大大增强。但如果从10次增加到20次，相关性的提升效果其实是在减弱的。 BM25引入了，词频饱和度的概念，意思是词频的作用会“饱和”，有一个上限。就像吃饭，吃第一碗饭幸福感很强，吃第二碗幸福感还在增加，但到了第十碗，幸福感就不会再增加了，而且你还有点想吐。这更符合我们对重要性的直观感受。 文档长度惩罚 (Document Length Normalization) TF-IDF对长文章和短文章的处理方式不太公平。 **举个例子：** 搜索“爱因斯坦” 一篇是500字的爱因斯坦简介。 另一篇是50万字的《物理学史》，其中也提到了爱因斯坦。很可能在《物理学史》这本巨著里，“爱因斯坦”出现的次数更多，导致TF-IDF算分更高。但这显然不合理，因为那篇简介才是更相关的文档。所以BM25会**对长文档进行“惩罚”**。它会考虑文章的长度，如果一篇文章的长度远超平均水平，它就需要出现更多的关键词才能获得与短文章同样的分数。 **自然语言生成** 与此同时，自然语言处理（NLP）及其子领域自然语言生成（NLG）也在独立发展。其目标是让计算机能够理解并生成流畅、连贯的人类语言。其发展历程包括： **早期探索**：最初的尝试集中在基于规则的机器翻译和基于语法的文本生成，这些系统通常依赖于循环神经网络（RNN）等结构。 **统计语言模型**：20世纪80至90年代，随着统计方法的兴起，N-gram模型成为主流。它通过计算词序列出现的概率来生成文本，极大地推动了NLG的发展。 NLG的发展为RAG的“生成”环节提供了必要的技术储备，使其能够将检索到的信息转化为自然、可读的答案。 **一段历史性的“竞争”**：在早期发展中，IR和AI/NLP领域之间存在一种方法论上的“竞争”。IR领域更偏向于统计和定量分析，而早期的AI则更侧重于基于逻辑和符号的推理。这种差异导致两个领域在很长一段时间内并行发展，鲜有交集。然而，正是这种差异化的发展，为日后两者的优势互补与融合埋下了伏笔。 ### 1.2 早期融合尝试：开放域问答（ODQA）时代 在RAG被正式提出之前，开放域问答（Open-Domain Question Answering, ODQA）系统是融合IR与NLG最成功的尝试，可以被视为“原型RAG”（Proto-RAG）。 可以这么理解，在RAG（检索增强生成）这个概念正式诞生之前，它的“原型”或“老前辈”早就存在了，它就是**开放域问答（Open-Domain QA）系统**。 **从“单科考试”到“超级图书馆”** 最早的问答AI，玩的是“封闭式问答”，就像单科开卷考试。你只能问关于某一本书或某个特定领域（比如公司产品手册）的问题。 而开放域问答（ODQA）则是把AI扔进了一个超级图书馆（比如整个维基百科），然后要求它能回答关于任何主题的事实性问题。这是AI首次系统性地尝试应对需要海量外部知识的挑战，难度指数级上升。IBM为电视节目开发的那个著名AI“沃森”（Watson），就是这个时代的巅峰之作。  **“两步走”的经典工作流** 这些早期的“原型RAG”系统，采用的是一种非常经典的“两步走”流水线架构： 第一步：图书管理员（检索器 – Retriever） 这个模块像个图书管理员，接到你的问题后，先用一些传统的搜索技术（比如TF-IDF或BM25，可以理解为基于关键词匹配）从海量文档中，快速找出几十篇可能相关的段落。 第二步：阅读理解专家（阅读器 – Reader） 然后，这些找出的段落被交给一个独立的“阅读理解专家”。它的任务就是精读这些段落，并从中准确地抽取出答案，或者基于这些信息生成一句话回答。 这个“**先捞信息，后精读作答**”的模式，就是RAG最核心思想的雏形。 与此同时，尽管这个“两步走”模式很成功，但它存在几个根本性的缺陷，也正是这些缺陷，直接催生了后来更先进的RAG架构： 视野太窄，只见树木不见森林。当时的“阅读器”能力有限，只能处理很短的文本片段。这迫使“图书管理员”只能递给它一小段一小段的文字。但很多复杂问题的答案，需要通读整篇文章甚至好几篇文章才能明白，这种“管中窥豹”的做法常常导致关键信息丢失。 **检索员和阅读员“互相拉黑”，无法协作。这是最致命的一点。检索员（Retriever）和阅读员（Reader）是分开训练、独立工作**的。这意味着，即便阅读员发现检索员给的材料全是垃圾，它也**没法把这个“反馈”传递回去**，告诉检索员“下次别找这种了，换个方向找”。检索员永远无法从最终答案的好坏中学习，也就无法变得更聪明。 知识库的信息不足。有时候，答案压根就不在知识库里。或者，用户的问题有歧义，导致检索员找来一堆不相关的“噪声”文档，严重干扰了阅读员的工作。 跨专业能力极差。一个在“维基百科”这个通用图书馆里训练出来的检索员，你把它直接派到专业的“医学”或“法律”图书馆，它就抓瞎了。因为它不认识专业术语，不理解领域的知识结构。想让它适应新领域，就得花巨大成本重新培训，非常笨重。 正是为了解决这些“视野狭窄”、“协作不畅”、“适应性差”的硬伤，一个更整合、更智能的RAG框架才应运而生。 ### 1.3 技术催化剂：Transformer与密集检索的崛起 两项关键技术的突破为解决上述挑战并最终催生RAG铺平了道路。 **Transformer革命**：2017年Transformer架构的提出是一个分水岭事件。其核心的自注意力机制（Self-Attention）使得模型能够捕捉文本中长距离的依赖关系，生成上下文感知的词嵌入（Contextualized Embeddings）。像BERT这样的模型，能够深刻理解词语在不同上下文中的确切含义，远超简单的关键词匹配。在此之前，计算机理解一句话里的词语，很大程度上是孤立的，或者只能看到旁边的几个词。而 **Transformer** 让计算机能够像人一样，**通读整段话，理解每个词在当前语境下的确切含义。** **举个例子，就比如说“说曹操，曹操到”和“曹操是个大奸臣”这两句话里的“曹操”的意思是不同的** **密集检索 vs. 稀疏检索**：这一进步直接推动了检索技术的革新，即从“稀疏检索”向“密集检索”的转变。 **稀疏检索（Sparse Retrieval）**：以TF-IDF和BM25为代表，它们依赖于关键词的精确匹配，将文档表示为高维但大部分元素为零的“稀疏”向量。就像书后面的**索引**或者电脑上的 Ctrl+F 查找。你搜“汽车”，它就只找文本里出现“汽车”这个词的地方。特点就是快，因为它只做简单的文字匹配。但是同时也很笨，它不理解“汽车”和“车辆”是近义词。如果你搜“汽车”，它绝对找不到只写了“车辆”的文章。 可以想象它用一个巨大的清单来表示一篇文章，清单上列出了所有可能的词。一篇文章只用了其中很少一部分词，所以这个清单上绝大部分都是0，看起来很“稀疏”。 **密集检索（Dense Retrieval）**：利用 Transformer 的强大理解力，它不再是匹配文字，而是**匹配“意思”**。它会把你的查询（比如“关于罗马帝国衰落的书”）和所有文档（比如一本标题叫《古代晚期历史》的书）都转换成一个代表其核心思想的意义向量（一串数字）。然后，它在数学上寻找哪个文档的“意义”和你的查询最接近。特点就是，它能理解概念。即便文章里没有“罗马帝国衰落”这几个字，但如果内容是讲这个的，它也能找到。这就是真正的**语义搜索**。 所以，因为我们有了 Transformer 这种能深度理解上下文的“大脑”，我们的搜索技术也跟着升级了。我们不再满足于死板的关键词查找（稀疏检索），而是进化到了能理解你真实意图的、更智能的语义搜索（密集检索）。 这两者的结合，最终为RAG创造了完美的条件。它通过将两者的优点统一在一个框架内，最终解决了IR与NLP领域长久以来的“竞争”关系，实现了一加一大于二的效果 像 GPT-4 这样的大模型，强项在于理解、推理、总结和生成流畅的语言。**信息检索 (IR)像搜索引擎里的技术，强项在于从海量信息中精确地找到最相关的内容。随着大型语言模型的参数量呈指数级增长，一个根本性的问题出现了，如果试图把全世界所有的知识都塞进一个大模型的“大脑”（参数）里，成本会高到无法承受，而且模型一旦训练好，知识就“过时”了，无法更新。而RAG就是**它不把所有知识都硬塞给模型，而是将海量的、需要经常更新的知识存放在一个外部的、成本低廉的“图书馆”（如向量数据库）里，利用**BM25**对于需要精确匹配的专有名词、代码等非常有效。利用**现代语义搜索**理解模糊的、概念性的问题。当需要回答问题时，模型会先去这个“图书馆”里查找最新的、最相关的资料，然后再利用自己的推理和总结能力，生成最终答案。所以，它让大模型不必成为一个死记硬背所有知识的书呆子，而是变成一个懂得如何利用外部图书馆来获取最新信息，并在此基础上进行深度思考和回答的天才 ## 第二章：RAG的正式化——知识密集型NLP的范式转移 <blockquote><p>2020年，由Patrick Lewis及其同事发表的论文《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》正式提出并命名了RAG框架，标志着一个新范式的诞生。</p></blockquote> ### 2.1 Lewis等人的技术深潜：开创性的RAG论文 这篇由Facebook AI（现Meta AI）研究人员发表的论文，其核心贡献是提出了一个“通用的微调秘方”（a general-purpose fine-tuning recipe）。该秘方旨在将一个预训练的参数化记忆（Parametric Memory）与一个非参数化记忆（Non-parametric Memory）相结合。  举个例子，比如说咱们要参加一场**开卷考试**，考试的题目是论述题，请分析并总结量子纠缠的最新研究进展。 **答题前** 首先看到考题的时候，参数化记忆就像是我的大脑，已经背下来的知识，这些知识已经内化成了你的一部分（存储在模型的“参数”里）。它的优点是反应快，随时能调用。缺点是知识有上限，而且可能会记错或忘记细节。这就是**seq2seq模型**，它本身就是一个知识渊博的“大脑”。 另外一个是，非参数化记忆 ，就像是带进考场的参考资料，这是考试允许你带的**外部资料**，比如一整本《量子物理学》教科书或者一叠最新的学术论文（在RAG论文里，这就是维基百科）。这些知识不储存在你的大脑里，而是放在外部，需要时可以去“查阅”。它的优点是信息量巨大、准确且可以随时更新（比如换一本新版的书）。缺点是查找信息需要时间。这就是**外部知识库**。 但是现在我们应该如何利用好这个参考资料，将检索到的文档视为一个潜变量 (Latent Variable) 当我们看到“量子纠缠”这个题目后，迅速在你的参考资料（非参数化记忆）里翻找。你不会只找一篇文章，而是找到了5篇看起来都相关的论文。那么问题来了，哪一篇才是“正确”的答案来源？ 老旧的、死板的方法（非RAG）会先判断出“嗯，第3篇最相关！”，然后把你所有的论述都完全基于第3篇文章来写。如果判断失误，或者答案其实需要结合第1篇和第3篇，你的最终得分就会很低。这是一个“先检索，后生成”的僵化流水线。而RAG有一个更聪明的方法（潜变量思维），就是并不要立刻决定哪一篇是“唯一正确”的。你的大脑里会进行一个快速的、模糊的概率评估。这个“不确定的、隐藏的正确答案来源”，就是所谓的潜变量，你就会开始琢磨了，根据我的知识判断，论文1 看起来有70% 的可能性对解题有用。论文2 只有10%的可能性。而论文3有90%的可能性非常关键。 **答题中** 接下来，我们写的每一句话，都不是只看着某一篇文章写的，而是在脑海中“融合”了所有高可能性资料的结果。 这就是“边际化 (Marginalization)”的通俗理解：进行加权求和，融合多种可能性。 而不是考虑单一来源，如果我只看了论文1，这句话我可能会这么写，但是如果我看了论文3，我可能会从另一个角度写，但是加权融合也就是边际化，其实都是通过我们看了三篇论文之后，做了平衡之后的结果， **最终的句子 = (90%权重 * 按论文3的写法) + (70%权重 * 按论文1的写法) + (10%权重 * 按论文2的写法) + …** 通过这种方式，答案综合了所有相关资料的精华，而不是死守着一篇。即使最重要的那篇论文（论文3）缺少某个细节，你也能从论文1中把它补充进来。这让你的答案更全面、更准确。 **答题后（考试结束）** 老师批改试卷，也就是模型训练的过程。如果是**老旧的、死板的方法，** 老师会分两步给你打分。第一步，评估你“挑选参考资料”的能力（单独训练检索器）。第二步，在你选定的资料基础上，评估你的“写作能力”（单独训练生成器）。这两个环节是脱节的。 但是**RAG更聪明的方法（端到端训练）是**老师只看你的**最终答案**。如果你的论述非常精彩（最终输出正确），他就给你一个高分。这个“高分”会同时奖励你整个答题流程，**既奖励了你的写作能力（生成器），也奖励了你挑选和融合资料的能力（检索器）**。 反之，如果你答案错了，这个差评也会同时传递给你整个流程，让你自己去反思，到底是查资料的环节错了，还是写作的环节错了？模型会在下一次训练中，**自动地、同步地**调整这两个部分。 **端到端 (End-to-End)** 的优势在于，我们不再需要告诉模型，应该看哪篇，不该看那篇。而是，我们只需要给它最终的正确答案，它就能**自己学会如何去寻找信息、如何去利用信息**，整个过程一气呵成，大大降低了训练的复杂度和成本。 ### 2.2 架构创新：参数化与非参数化记忆的结合 Lewis等人的RAG架构由明确定义的组件构成，这些组件协同工作，实现了知识的动态融合 。 为了完成一项复杂的报告任务，我们组建了一个精英团队。这个团队由两名核心成员组成： **一名图书管理员（检索器）和一名首席作家（生成器）** 这位图书管理员负责从一个巨大的图书馆（知识库，如维基百科）中，快速、精准地找出与报告主题最相关的资料。 **他的核心技能：** **DPR (Dense Passage Retrieval)。Dense 意味着他理解的是语义（Meaning）**，而不是简单的关键词匹配。他能理解“美国总统的官邸”和“白宫”说的是一回事，即使字面上完全不同。 他的工作流程： - **前期准备 (Encoding – 编码)**：在接到任何任务之前，图书管理员会进行一项浩大的准备工作。 - **文档编码器 (Document Encoder)**：他会阅读图书馆里的**每一本书、每一篇文章**，并为每一篇写下一张“内容摘要卡”。这张卡片非常特殊，它不是用文字写的，而是用一种独特的含义代码（即**向量**）来表示。最终，他建立了一个包含数百万张含义代码卡的目录册，这个目录册就是文档向量索引。 - **查询编码器 (Query Encoder)**：当报告任务（用户问题）下达时，他会先让查询编码器把这个问题也转换成**完全相同格式**的含义代码 - **执行任务 (Searching – 检索)**：现在，他手上有一张代表问题的含义代码卡，和一整个目录册的图书摘要代码卡。 - **最大内积搜索 (MIPS)**：这是一个听起来复杂但原理很直观的技术。你可以把它想象成一个磁力匹配系统。问题代码卡和图书代码卡都是特制的磁铁。MIPS系统能瞬间测算出，目录册中哪些图书卡片的磁力（内积）与问题卡的磁力最相吸。 - 最终，他会把磁力吸引最强的前K个（比如Top-5）图书资料找出来，交给首席作家。 - 接下来就到了作家（BART模型），负责将用户最初的问题和图书管理员找来的资料，最终撰写成一份通顺、准确的报告。他是一位拥有4亿“脑细胞”（参数）的语言大师。他非常擅长理解上下文（双向-Bidirectional），并能一个词一个词地（自回归-Auto-Regressive）生成优美的句子。他的任务是接收两样东西：**原始问题**和**图书管理员找来的资料**，然后基于这两者，写出最终的答案。 现在，团队的两位核心成员已经就位。但是，根据报告任务的复杂程度，他们有两种不同的协作模式。 **RAG-Sequence (专注单一信源模式)** 这种模式适用于那些答案往往包含在**单一、连贯的文档里**的任务。比如“请介绍一下埃菲尔铁塔的历史”。 **工作流程：** - 图书管理员找到了5篇最相关的文章。 - 他**先拿出第1篇文章**，对作家说：“请你只根据这篇文章，完整地写一份报告草稿。”作家完成了一份草稿A。 - 然后，他收回第1篇，**拿出第2篇文章**，说：“现在，请你忘掉刚才的，只根据这一篇，再写一份独立的完整草稿。”作家完成了草稿B。 - 这个过程重复K次（比如5次），最终得到5份独立的报告草稿。 - 最后，团队会对这5份草稿进行评估和融合，得出一份最终报告。融合时，源自更相关文章（比如磁力最强的那篇）的草稿会占有更高的权重。 **特点：** 结构简单，思路清晰。每次写作都只聚焦于一个信息源，确保了内容的连贯性。 **RAG-Token (灵活多源融合模式)** 这种模式更强大，适用于需要**综合多个信息源**才能形成的复杂答案。比如，请比较并总结二战期间，同盟国在欧洲和太平洋战场的不同战略重点。 **工作流程：** 图书管理员找到了5篇最相关的文章，**一次性全部摊在作家的桌子上**。 作家开始写报告，但他不是一篇一篇地看，而是**一个词一个词地写 (Token by Token)**。 **在写第一个词时**，他会快速浏览桌上所有的5篇文章，思考一下，综合所有信息后，决定哪个词作为开头最好。 **在写第二个词时**，他会再次快速浏览所有的5篇文章，并结合自己刚刚写下的第一个词，来决定第二个词应该是什么。 这个过程在生成每一个词元（token）时都会重复。作家在整个写作过程中，始终保持着对所有相关资料的“全局视野”，在每一步都动态地、灵活地从中汲取最需要的信息。 **其中的特点**就在于，能够将来自不同来源的碎片化信息，天衣无缝地融合在一个连贯的答案中，非常适合处理复杂的、需要综合分析的问题。 OK，我们简单了解RAG的工作原理之后，会发现在RAG之前，大型语言模型在很大程度上是“黑箱” 。它们的知识被固化在数十亿个不透明的参数中，其决策过程难以解释。RAG通过将知识源外化，从根本上改变了这一状况。它创造了一个本质上更加**透明和可验证**的系统。 用户原则上可以检查模型引用的外部文档，以核实其生成内容的真实性。论文本身也强调了这一点，认为RAG提供了更强的可控性和可解释性，并重新定义了AI的标准：一个模型不仅要能生成看似合理的答案，更要能为其答案提供可追溯的证据支持。这对RAG在企业环境中的应用至关重要，因为在这些场景下，可审计性、可靠性和信任是不可或缺的。 ## 第三章：现代RAG系统剖析 <blockquote><p>对当今典型的RAG系统进行解构，详细分析其通用的架构组件和工作流程。</p></blockquote> ### 3.1 核心流水线：分步解析 一个现代RAG系统的工作流程可以清晰地划分为两个主要阶段，离线索引阶段和在线推理阶段。这种划分体现了系统如何预处理知识以及如何在接收到用户请求时实时响应。 **索引（Indexing）- 离线阶段：** 这是知识库的预处理阶段，目标是创建一个高效、可搜索的知识索引。该阶段通常在后台一次性或周期性地完成，包括以下步骤： **加载（Load）**：从各种数据源（如文件系统、数据库、API）加载原始数据。 **分割（Split）**：将加载的长文档（如PDF、网页）分割成更小的、语义完整的文本块（Chunks）。这一步至关重要，因为LLM的上下文窗口有限，且在较小的、主题集中的文本块上进行检索更为精准。 **嵌入（Embed）**：使用嵌入模型（Embedding Model）将每个文本块转换成一个高维的数字向量（Vector Embedding）。这个向量捕捉了文本块的语义信息。 **存储（Store）**：将生成的文本块向量及其对应的原始文本内容存储到一个专门的向量数据库（Vector Store）中，并为这些向量建立索引，以便进行快速的相似性搜索。 **检索与生成（Retrieval and Generation）- 在线/推理阶段：**  这是当用户提交查询时，系统实时执行的阶段，其目标是生成一个基于知识的、准确的回答： - **检索（Retrieve）**：接收用户查询，使用与索引阶段相同的嵌入模型将其转换为查询向量。然后，利用该查询向量在向量数据库中进行相似性搜索，找出与查询语义最相关的Top-K个文本块。 - **增强（Augment）**：将检索到的这些文本块作为上下文信息，与用户的原始查询组合在一起，形成一个“增强提示”（Augmented Prompt） - **生成（Generate）**：将这个增强提示输入到大型语言模型（LLM）中。LLM基于其自身的语言能力和新提供的上下文信息，生成一个最终的、人类可读的、且有事实依据的回答。 ### 3.2 组件深度解析：RAG的构建模块 一个功能完备的RAG系统由多个协同工作的核心组件构成。 **数据源（Data Sources）：** RAG的能力很大程度上取决于其能够访问的知识。现代RAG系统可以处理多种类型的数据，包括： - **非结构化数据**：如PDF文档、Word文件、网页、纯文本等，这是最常见的数据源 。 - **结构化数据**：如SQL数据库中的表格、知识图谱（Knowledge Graphs）等。通过特定技术（如Text-to-SQL），RAG可以查询这些结构化数据源 - **半结构化/多模态数据**：如包含图片、表格和文本的复杂文档，甚至独立的图片和视频文件。 **数据加载与分块（Data Loading &amp; Chunking）：** 这是RAG流水线的起点。**分块**是将长文档切分成小块的过程，其重要性体现在： 1）适应LLM有限的上下文窗口； 2）提高检索的相关性，因为小块通常主题更集中。但是分块也会有弊端，不恰当的分割可能会破坏原文的语义完整性，例如将一个完整的表格或一段连续的论证切开，从而影响后续步骤的质量 。 **嵌入模型（Embedding Models）**：嵌入模型是RAG系统的“翻译官”，负责将文本信息转换为机器可以理解的数学形式，也就是我们之前讨论的向量。其核心作用是捕捉文本的**语义含义**。为了保证查询和文档在同一个语义空间中进行比较，索引文档和编码查询必须使用**同一个嵌入模型**。业界有许多成熟的嵌入模型可供选择，例如OpenAI的 text-embedding系列和NVIDIA的NV-embed系列。 **向量存储/数据库（Vector Stores/Databases）**：这些是为存储和高效查询高维向量而专门设计的数据库。与传统数据库不同，它们的核心能力是执行近似最近邻（Approximate Nearest Neighbor, ANN）搜索 举个例子，现在面临一个巨大的挑战：图书馆里有数百万甚至数十亿本书。要如何才能快速找到离你最近的那几本？ 如果是精确查找（最近邻，Nearest Neighbor, NN）是最笨但最准确的方法，拿出尺子，测量你和图书馆里每一本书的距离，然后比较，找出最近的。这就是“精确查找”。它的结果100%准确。但它的问题是致命的：当书的数量达到百万、亿级别时，逐一测量会花费几分钟甚至几个小时。在需要实时问答的RAG应用里，这是完全不可接受的。 现在变成，聪明地查找（近似最近邻，ANN）为了实现“秒级”响应，向量数据库采用了一种更聪明的策略，比如说，我们在找书之前先做好了导览图，按照区域去找，你找到的是不是全馆**最精确、最贴近**你的那一本书？**不一定！也许最贴近的那本书恰好就在你没检查的邻近区域的边界上。但你找到的书，也已经是“非常非常近”**（比如全馆第二近或第三近）的了。对于问答任务来说，这种程度的精度已经完全足够。ANN的本质：牺牲一点点“绝对的精确性”，来换取成千上万倍的“查询速度”。这就是近似最近邻 (ANN) 搜索。“近似”这个词是精髓，它代表了一种效率与精度的权衡。 所以最终结果就是能够在大规模数据集上快速找到与查询向量最相似的向量。流行的向量数据库包括Pinecone, Milvus, Chroma, Weaviate等。 ### 3.3 首要任务：缓解幻觉与增强事实基础 RAG架构的设计初衷，正是为了解决标准LLM存在的几个根本性问题。 **待解决的问题定义**：  - **幻觉（Hallucinations）：**指LLM在缺乏相关知识时，会编造听起来合理但实际上是错误或虚构的信息。这是LLM最受诟病的问题之一。 - **知识截止（Knowledge Cutoff）**：LLM的知识是静态的，仅限于其训练数据截止的那个时间点。它对之后发生的新事件、新发现一无所知。 - **缺乏领域/专有知识**：通用的基础模型没有经过企业内部的、私有的数据训练，因此无法回答与特定组织或专业领域相关的问题。 **RAG作为解决方案：** RAG通过一个核心机制来应对这些问题：**事实接地（Factual Grounding）**。它强制LLM的生成过程必须从外部检索到的、可验证的、最新的事实为基础，而不是仅仅依赖其内部固化的参数化记忆。这种机制带来了多重好处： - 通过提供准确的上下文，**显著降低了幻觉的发生率**。 - 通过连接到可实时更新的知识库，**克服了知识截止的问题**。 - 通过安全地访问私有数据库，**使得LLM能够利用专有知识**，同时保护数据隐私。 从系统层面看，RAG的性能表现如同一条环环相扣的链条，其最终强度取决于最薄弱的一环。 一个顶级的生成器（LLM）也无法弥补由糟糕的检索器提供的劣质上下文所带来的缺陷。同样，一个完美的检索器，如果其所依赖的知识库在最初的分块阶段就存在致命缺陷（例如，将关键信息分割在两个不相连的文本块中），那么它也无能为力。 知识库中内容缺失、检索器未能找到相关文档、检索到的文档在整合时被忽略，或是最终LLM未能从提供的上下文中正确提取答案，这些问题都有可能发生。这表明，构建一个高性能的RAG系统，并不仅仅是一个“LLM优化问题”，而是一个复杂的“系统工程问题”。 所以一个团队想要做好RAG，需要对从数据清洗、摄取到最终生成输出每一个环节都非常清楚的开发团队，不仅需要懂提示工程，还需要数据工程和信息检索。 ## 第四章：RAG范式的演进轨迹 <blockquote><p>自2020年诞生以来，RAG技术经历了飞速的迭代和发展，以应对日益复杂的应用需求。其演进路径可以清晰地划分为三个主要阶段：初级RAG（Naive RAG）、高级RAG（Advanced RAG）和模块化RAG（Modular RAG）。这一演进过程反映了该领域从简单的概念验证到复杂的生产级系统的快速成熟过程。</p></blockquote> RAG范式演进对比  ### 4.1 初级RAG：奠基性的“检索-阅读”模型 初级RAG，或称朴素RAG，是RAG最基础的实现形式。它严格遵循一个简单的、线性的“索引 -&gt; 检索 -&gt; 生成”流水线，不包含任何高级的优化策略。这与Lewis等人最初提出的概念模型基本一致。 其流程非常直接。当用户输入一个查询时，系统就会开始将查询编码为向量。在向量数据库中进行一次相似性搜索，检索出Top-K个最相关的文本块。将这些文本块与原始查询拼接成一个增强提示。最后该提示送入LLM以生成最终答案。 同样弊端也很明显。随着其在更复杂场景中的应用，**检索质量低**，检索到的文本块可能与查询只有表面的关键词重合，但语义上并不相关，引入了大量噪声。与此同时，由于检索质量不高，生成阶段也随之受到影响。生成的答案可能重复冗余、逻辑不连贯，甚至在检索到的信息充满噪声或不足时，仍然会产生幻觉。 ### 4.2 高级RAG：多管齐下的优化方法 简单说来，高级RAG就是在传统的“先搜索、后回答”模式的基础上，增加了一些“准备”和“加工”的步骤，让结果更靠谱。 这主要分为两大步： **优化搜索的“原材料”** 这一步是在搜索之前，先把我们的知识库和用户的问题变得更好用。 **优化知识库（索引优化）**：不是简单地把文章切成一段一段，而是**智能分段 (语义分块)，**按意思来切分文章，保证每一段话的意思都是完整连贯的，而不是在句子中间断开。 在给文档贴标签 (元数据与层次化索引)，给每一段内容加上作者、日期、章节等标签。搜索时可以先按标签筛选，或者先搜一个“内容摘要”，找到相关的长文章后，再到文章内部去找具体段落。这就像先通过看书的目录找到章节，再去看具体内容一样高效。 **优化用户提问（查询转换）**：把用户可能模糊的问题，变得更清晰、更适合机器搜索。 **帮用户把问题问得更好 (查询重写)**：用AI模型把用户的简单提问，改写成一个更具体、更标准的问题。比如，你问“RAG有啥缺点？”，系统会自动帮你改成“检索增强生成系统在实际应用中，主要有哪些技术挑战和限制？”这样更容易搜到精准答案。 **让AI“猜”一个完美答案 (假设性文档嵌入)**：这个方法很巧妙。系统不直接搜索你的问题，而是先让AI根据你的问题，“想象”并生成一个最完美的答案（一个“假”的文档）。然后，系统拿着这个“假想的完美答案”去知识库里找最相似的真实文档。因为这个假想答案和真实答案在意思上会非常接近。 **后置检索策略：精炼上下文** 这些策略发生在检索之后、生成之前，目标是对检索到的初步结果进行筛选和提纯，为LLM提供最高质量的上下文。 **重排序（Re-ranking）**：这是一个两阶段的过滤过程。首先，一个快速但相对粗糙的检索器（如向量搜索）从海量文档中召回一个较大的候选集（例如Top 50）。然后，一个更强大、更复杂但计算成本也更高的模型（通常是**交叉编码器 Cross-encoder**）会对这个小规模的候选集进行二次打分和排序，以找出真正最相关的几个文档。交叉编码器能够同时处理查询和文档，从而进行更深层次的相关性判断，其精度远高于双编码器 21。 **上下文压缩/选择（Context Compression/Selection）**：在将检索到的内容送入LLM之前，主动对其进行压缩和筛选。这包括移除与查询无关的句子或段落，或者对多个文档进行摘要，以去除噪声和冗余信息。这样做的好处是双重的：一是帮助LLM聚焦于最关键的证据，避免“信息过载”；二是可以有效管理输入LLM的token数量，防止超出其上下文窗口限制 22。 ### 4.3 模块化RAG：迈向可组合、灵活且可扩展的架构 模块化RAG不仅是一系列技术的集合，更代表了一种根本性的**系统设计范式转变**。它将原本线性的RAG流水线分解为多个独立的、可插拔的、可独立优化的功能模块，如检索、推理、记忆和生成等。 **核心组件与概念**： - **搜索模块（Search Module）**：这不再是一个单一的检索器，而是一个可以集成多种检索策略（如向量搜索、关键词搜索、知识图谱搜索）的复合模块。它甚至可以包含一个“查询路由器”（Query Router），根据查询的类型和意图，智能地将其分发给最合适的检索方法。 - **推理模块（Reasoning Module）**：该模块可以执行更复杂的操作，例如将复杂问题分解为多个子问题（Query Decomposition），然后进行迭代式检索（Iterative Retrieval），即根据第一轮检索的结果生成新的查询，进行多轮检索，模拟人类的研究过程。 - **记忆模块（Memory Module）**：该模块可以集成对话历史记录，使RAG能够处理多轮对话。更高级的实现甚至可以利用LLM自身生成的内容作为一种“自记忆”（Self-memory），在后续的生成中加以利用，从而实现持续学习。 - **融合/合并模块（Fusion/Merging）**：当系统通过多查询或多源检索获得了多个结果集时，需要一个智能的模块来合并这些结果。例如，RAG-Fusion技术利用重排序算法来整合来自多个子查询的结果，以提高最终检索的鲁棒性。 - **反馈循环（Feedback Loops）**：模块化架构使得引入反馈机制变得更加容易。例如，可以利用用户的隐式反馈（如点击）或显式反馈（如评分），通过强化学习（如RLHF）来持续优化检索模块或生成模块的性能。 这里先做个总结，初级RAG好比一个简单的、单体的Python脚本，足以完成一个功能演示。高级RAG则像是在这个脚本中加入了特定的库和函数来优化性能。而模块化RAG，则代表了向**基于微服务的理念**的飞跃。每个组件（检索、重排、生成）都被视为一个独立的、可独立部署和扩展的服务，它们之间通过定义清晰的API进行通信。 ## 第五章：下一代RAG架构 ### 5.1 Agent自适应RAG：自主多步推理的曙光 当前RAG的主流范式仍是一个线性的流水线，而被动地响应用户的单次查询。未来的一个重要演进方向，是从这种被动的“流水线”模式转变为主动的“**代理式RAG**”（Agentic RAG）模型。 **从流水线到Agent** 在代理式范式中，LLM的角色发生了根本性的转变。它不再仅仅是流水线的终点（生成器），而是成为了一个能够进行**规划、推理和决策**的自主Agent（Autonomous Agent）。检索系统则从一个固定的处理环节，转变为代理可以按需调用的“工具”（Tool）。 可以把新一代的RAG系统想象成一个从“初级员工”升级为了“高级专家”的AI。这个“专家”有三个核心的专业能力： **迭代式推理与检索 (Iterative Reasoning and Retrieval)** 这改变了过去“一问一搜一答”的简单模式。现在，AI面对一个复杂问题时，**更像一个策略分析师在做深度研究**。 **工作模式**：它会先将大问题分解成若干个逻辑子问题。接着，它进行第一轮检索，然后基于初步获得的信息，**动态地生成更精准的新查询**，进行第二轮、第三轮的探索，层层递进。 **专业价值**：这种迭代循环的能力，让它能处理那些信息交错、单次搜索无法覆盖的复杂或模糊查询，逐步逼近最全面的答案。 **动态工具使用 (Dynamic Tool Use)** 在这里，Agent（智能代理）扮演了一个智能任务调度员的角色，拥有了自主决策权。 **工作模式**：它能根据问题的具体性质，实时判断应该调用哪个工具。比如，它会分析是应该查询内部的向量数据库，还是需要连接SQL数据库提取结构化数据，抑或是必须执行一次网络搜索来获取最新动态。 **专业价值**：这体现了系统的灵活性和资源优化能力。它不再局限于单一知识源，而是能**整合并调用最合适的工具**来完成任务，大大拓宽了其应用场景和解决问题的上限。 **自我校正与反思 (Self-Correction and Reflection)** 这相当于为系统内置了一套“元认知”和“质量控制”机制。 **工作模式**：在检索和推理的过程中，它会持续评估自己找到的信息质量。如果判断当前信息关联性不强，或者不足以形成高质量的回答，它能够**主动“叫停”并“反思”**，然后尝试一种全新的检索策略或换用其他工具。 **专业价值**：这极大地提升了系统的**鲁棒性 (Robustness)**，避免了在错误或低效的路径上“一条路走到黑”，实现了动态的自我优化和纠错。 ### 5.2 多模态与图增强RAG：超越文本的知识边界 RAG系统将不再只是一个“文本处理专家”，它正在进化，学习如何看懂、听懂、并理解事物之间复杂的关系。 **多模态RAG (Multimodal RAG)：让RAG拥有“五感”** 这个方向的核心是让RAG打破文本的次元壁，能够**理解和关联图片、声音、视频等多种类型的数据**。 **工作原理**：它依赖于一种叫做“多模态嵌入模型”的技术。你可以把这个模型想象成一个“通用翻译器”，它能把一张图片的内容、一段话的意思、甚至一段音频的含义，都翻译成一种通用的“数学语言”（即映射到共享的向量空间）。这样一来，不同类型信息的可比性就打通了。 **专业价值**：这使得“跨模态检索”成为可能。 举个例子，比如：你可以用文字提问“给我看所有关于‘骨裂’的X光片”，系统能直接理解并找出相关的医学影像。更进一步，系统可以像一个专家小组一样，同时分析患者的X光片（图像）、电子病历（结构化数据）和相关医学文献（文本），最终**综合所有信息，生成一个更全面、更可靠的诊断建议**。 **图增强RAG (GraphRAG)：赋予RAG“逻辑推理脑”** 这个方法引入了**知识图谱 (Knowledge Graphs, KGs)**，为RAG装上了一个结构化、逻辑化的“大脑”，用它来补充甚至替代传统的文本库。 **知识图谱是什么？**：它不是一堆杂乱的文档，而是一个由“实体-关系-实体”构成的**巨型关系网络**。比如，“汤姆·汉克斯”是一个实体，“《阿甘正传》”是另一个实体，“主演”就是它们之间的关系。所有知识都以这种清晰、明确的方式连接在一起。 **相比传统文本检索，GraphRAG有两大核心优势**： **足够精确**：知识图谱中的事实是结构化的，就像数据库里的条目一样清晰，没有文本中常见的模糊和歧义。检索结果因此变得极其精准。 **多跳推理 (Multi-hop Reasoning)**：这是它最强大的能力。当回答一个问题需要串联多个事实时，GraphRAG可以在这个“关系网络”上**进行“跳跃”，从而发现深层的、间接的联系**。 比如你问“哪位导演执导了由汤姆·汉克斯主演、并且获得了奥斯卡最佳影片的电影？” 它的推理路线就是系统会从“汤姆·汉克斯”这个点出发，找到所有他“主演”的电影（第一跳），然后从这些电影中筛选出“获得奥斯卡最佳影片”的那些（第二跳），最后再顺着这条线找到对应电影的“导演”（第三跳）。这种“连接零散信息点”的推理能力，对于从海量数据中挖掘隐藏关系至关重要。 ## 最后做个总结 首先，我们可以达成一个共识：RAG（检索增强生成）已不再仅仅是一个巧妙的技术工具，它已经演变为现代AI应用，尤其是企业级AI的核心支柱。它的发展历程，清晰地揭示了整个AI领域的一个重要转向：**我们正从对“更大模型”的单一崇拜，转向构建“更智能、更高效的混合式系统”**。 RAG的核心价值在于，它通过将知识“外挂”的方式，成功地让大模型在应用中变得更**精准、可控、可信，且成本更优**。 未来发展的几点思考： <blockquote><p>基于当前进展，以下几个方向不仅是RAG未来的研究焦点，更是值得我们深入思考的战略性问题。</p></blockquote> ### 思考点一：RAG系统的“成本与收益”如何平衡？ 随着代理式RAG（Agentic RAG）的出现，系统变得空前强大，能够进行复杂的推理和多步操作。但这立刻带来了一个现实的权衡问题： **智能的代价是什么？** 更复杂的推理链条，必然意味着更长的响应延迟和更高的计算成本。 **我们该如何抉择？** 未来的挑战在于，如何设计一个**自适应的控制系统**，使其能根据任务的重要性和复杂度，动态地在“极致智能”与“经济高效”之间找到最佳平衡点。这不仅是技术问题，更是决定其能否大规模商业化应用的关键。 ### 思考点二：如何跨越模态的鸿沟？ 多模态RAG的目标是让AI能像人一样，综合处理文本、图像、数据等多种信息。但真正的挑战在于： **如何实现深度融合？** 当前的技术更多是“拼接”不同来源的信息。未来的突破点在于，如何让模型真正**理解并推理**不同模态信息之间的深层关联，从而产生1+1&gt;2的“知识涌现”？ 例如，系统不仅是找到设计图纸和销售报告，而是能理解图纸上的某个设计变更，是如何导致了销售报告中的负面反馈。 [https://www.numberanalytics.com/blog/future-of-open-domain-question-answering](https://www.numberanalytics.com/blog/future-of-open-domain-question-answering) [https://www.forbes.com/councils/forbestechcouncil/2025/06/23/how-retrieval-augmented-generation-could-solve-ais-hallucination-problem/](https://www.forbes.com/councils/forbestechcouncil/2025/06/23/how-retrieval-augmented-generation-could-solve-ais-hallucination-problem/) [https://blogs.nvidia.com/blog/what-is-retrieval-augmented-generation/](https://blogs.nvidia.com/blog/what-is-retrieval-augmented-generation/) [https://www.ibm.com/think/topics/rag-techniques](https://www.ibm.com/think/topics/rag-techniques) 本文由 @胡泊Hubo 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

YU7正面对标Model Y，波及六大新势力和两大隐形对手。

<blockquote><p>随着大模型参数规模不断膨胀，其高昂的计算资源需求和低效的运行速度成为制约其广泛应用的瓶颈。本文将为您深入剖析大模型轻量化技术，供大家参考。</p> </blockquote>  当前大模型如GPT-4已突破万亿级别参数量、如DeepSeek-R1已突破千亿级别参数量，这样的参数规模使得大模型的运行需要占用巨大的计算资源，同时训练和推理的效率低下。 **以GPT-4的1.8万亿参数为例，模型参数FP32全精度对应的理论显存占用是7.2TB，需至少90张NVIDIA H100 80GB GPU，而一块H100的GPU单价在$20,000-$40,000。若不考虑大模型轻量化及训练推理加速技术，单次生成1k tokens的推理延迟约为10秒，单次推理成本约为$0.5。** 大模型的资源消耗量级是远超移动设备与边缘计算硬件的承载极限的，比如常见的智能手机通常仅有12-24GB内存。大模型对资源的需求和端侧设备只能提供有限算力的矛盾，催生了一批轻量化的技术手段。**这里的轻量化是指，对大模型施加参数调整、训练优化等手段，在精度可接受的前提下，实现大模型的存储需求降低和运行效率提升。**这是大模型走进手机、汽车、机器人等端侧设备的必经之路。 **本文将通俗介绍大模型的四种轻量化技术，分别是蒸馏、剪枝、低秩分解和量化。** ## 一、蒸馏 **蒸馏的本质是让小型的学生模型（Student Model）模仿大型的教师模型（Teacher Model）的决策逻辑，从而使得学生模型在保持较小规模的前提下逼近教师模型的推理能力。** 传统的蒸馏机制在于引入软标签（Soft Labels）作为学生模型的训练目标。这里简要解释下软标签，如果模型直接判别输入图像是“猫/狗”，这类非0即1的输出可以看作是硬标签（Hard Labels），比如模型输出的的硬标签是[0,1]，代表模型判别输入图像是猫。软标签是模型输出的概率分布，当让模型判别一只老虎时，模型可能输出在猫、狗两个类别的概率值，此时软标签是[0.3, 0.7]，这种软标签隐含了类别间的相似性知识，比如老虎更接近猫的相貌，同时接近狗的体格。 在训练学生模型时，构造的训练目标函数是学生模型预测概率分布与教师模型预测概率分布的KL散度。在训练过程中，通过不断降低KL散度，让学生模型预测的概率分布逼近于教师模型预测的概率分布，从而确保学生模型逐步学习到教师模型的知识。 实际在大模型蒸馏过程中，学生模型还可以通过数据蒸馏的方式学习教师模型的推理能力。比如在论文《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》中，首先使用DeepSeek-R1作为教师模型，生成包含推理过程（CoT）和答案的高质量训练数据（共 80万条 样本），然后通过有监督微调的手段对Qwen2.5、Llama3等基础模型进行蒸馏。如下图所示，蒸馏之后的Qwen2.5、Llama3在数学推理和编码任务取得了很好的表现，说明了小模型性能是可以通过蒸馏手段提升的。  （图源：《DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》） ## 二、剪枝 剪枝的灵感源于神经科学。人类在婴儿期会产生大量的突触连接，但是在成长过程中低频的突触连接会逐渐退化，而高频的突触连接会保留下来。**在大模型的深度神经网络架构中，我们可以删除模型中某些结构或者冗余参数来达到给大模型“瘦身的效果”，相应的有结构化剪枝、非结构化剪枝两种技术手段：** - **非结构化剪枝：**随机删除单个权重，比如小于某个阈值的权重。由于不改变模型的整体结构，剪枝之后会造成参数矩阵的稀疏性（一部分权重为0），这种稀疏性会导致普通GPU/CPU难以高效计算，需要用到专门的硬件比如NVIDIA A100 Tensor Core GPU来保证性能发挥。**非结构化剪枝更适用于压缩率要求较高，但硬件可控的场景，比如在数据中心内部部署大模型，并且搭配专用加速卡。** - **结构化剪枝：删除 “结构化单元”，比如整个卷积核、注意力头、通道、甚至整个网络层。**结构化剪枝后的模型结构规则与原始模型架构是兼容的，无需专用的硬件即可在普通GPU/CPU 上运行。但是结构化剪枝的问题是可能导致大模型的部分功能失效，比如删除一个注意力机制模块可能丢失一部分的语义理解能力。因此，需要通过评估不同结构化单元的重要性来判断哪些结构可剪。**结构化剪枝更适用于手机、汽车等端侧设备，支持实时目标检测、语音交互等任务。** ## 三、低秩分解 **大模型的参数矩阵往往是高维度的稠密矩阵，而低秩分解的思路就是通过用一些更低维度的矩阵来表达稠密矩阵，从而在损失少量精度的前提下，大幅度降低参数总量。** 举例来说，假设大模型的原始参数矩阵W的维度是m*n，通过线性代数的分解方法，将W分解为两个低秩矩阵的乘积，即W=U*V。其中U的维度是m*r，V的维度是r*n，注意r是远小于m也远小于n的，此时矩阵的参数总量就从m*n下降到(m*r+r*n)。 ## 四、量化 我们都知道大模型内部有很多参数，而这些参数的数值格式会影响到存储和计算资源的效率。**量化技术就是将传统的 32 位浮点数（FP32）参数，替换为更低位数的数值格式，比如 8 位整数、4 位整数、二进制等，从而减少内存占用、降低计算量，并且适配硬件的低精度指令集。** 举例来说，一个 FP32 的参数需要 4 字节存储，而 INT8 仅需 1 字节，理论上可实现 4 倍压缩；若进一步量化到 INT4，则可实现 8 倍压缩。同时，低精度计算的硬件效率远高于 FP32精度的计算，因此量化不仅能给大模型“瘦身”，还能直接提升推理速度。以DeepSeek R3为例，模型采用FP8量化方案，并且通过混合训练方案来确保模型的精度。 从云端到边缘，从万亿参数到百万参数，大模型的轻量化技术正在加速AI的落地应用。当大模型能以0.5秒速度在千元手机完成医学影像分析，以22ms延迟在汽车芯片规避碰撞风险，以3W功耗驱动矿山机器人自主巡检——这些场景的实现，意味着AI技术的应用门槛持续降低，其实际价值将在更广泛的领域中逐步显现。 本文由 @明思AI 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

 根据[推特用户N-Style转述近日的股东大会](https://x.com/NStyles/status/1938408907439018256)的内容，任天堂社长古川俊太郎坦言，目前Switch 2的市场需求远高于供给，不仅严重缺货，甚至连部分股东都还没有买到。  面对这情况，他再次提到从今年4月起在My Nintendo Store开放的抽签购买，光是参与人数高达220万，远超公司预期。  而古川俊太郎同时强调，任天堂正全力增加产能，目前多数零售商的现货供应已逐步改善；此外，官方也将于7月启动第5波追加抽签。对于仍未能购入Switch 2的玩家，他代表公司再次表达歉意，并承诺会在最短时间内满足市场需求。

 《死亡搁浅2》已于6月26日登陆PlayStation 5主机，让玩家跟山姆一起进入旅程的下一个篇章。近期索尼官方博客采访到游戏开发团队的几位重要成员，包括新川洋司（艺术总监、角色和机械设计）、吉池博明（首席关卡设计师）、内田贵之（技术艺术总监、首席环境美术师）以及酒本海旗男（首席技术官、技术总监）。他们分享了山姆下一段旅程背后的灵感以及如何将想法化为实际的过程（无剧透）。 - 在一代使用Decima引擎（Guerrilla Games开发的游戏引擎）是否有任何关键收获？那些经验学习是否影响到续作的开发？ 酒本：在开发初代游戏时，我们忙于尝试掌握引擎的各种功能，一方面是因为那是我们首度使用Decima；另一方面 ，则是因为我们的首要任务就是尽快推出游戏。等到开发《死亡搁浅2》的时候，我们从一开始就对引擎更得心应手，因此能够善用它的功能，并更能针对需要的效果，做出改善。 - 《死亡搁浅 2》是专为PS5量身打造。图形有怎样的进化？是否有任何视觉强化是因为PlayStation 5 Pro 的强大性能才得以实现？ 内田：我们在开放世界中导入新的日夜循环，让一天当中的时间转换更加写实，新的动态变化也是前所未见。现在景色和氛围会随着时间而变化，因此探索也会更引人入胜和值得期待。  针对基本款PS5的「性能模式」，我们通过提早切换LOD（细节层次）来减少几何形状并动态调整分辨率以稳定帧率。而在PS5 Pro主机上，玩家可以享受近乎「分辨率模式」的更高分辨率，同时维持60fps的游戏画面。 - 二代战斗获得显著的强化，你是依照什么原则来进行改变？ 吉池：我们着重于设计比前作更加直觉、爽快和写实的战斗。前作要求玩家根据敌人类型切换子弹，因为这是建构世界观的一部分，到了《死亡搁浅 2》就不需要再那么复杂。我们也对特定元素进行微调，像是提高枪战的敏捷度，增加战斗中的慢动作效果，让连续攻击更轻松爽快。山姆是个送货员，因此我们强调依据山姆的体能来使出更平实的动作，而不是华丽的招式。 - 你和小岛先生之间有过什么特别难忘的对话吗？ 内田：开发初期的某一天，团队的随意闲聊演变成一场十足的脑力激荡，小岛先生中途加入谈话，气氛瞬间一转！他迅速提出许多惊人的想法，完全令我叹为观止。小岛先生天马行空的思考能力及其对创作过程的用心，激励我也全心投入。 - 与前作相比，《死亡搁浅 2》的角色表情更丰富细腻。这是因为有什么强调重点或技术进展吗？ 内田：剧情是《死亡搁浅 2》的内核，因此我们对主要角色采用4D扫描来保留演员细微的肌肉动作和脸部表情。这令角色的动作和情感显得更真实，相信也会让玩家更有共鸣。  - 你在设计新敌人时（包括大型头目和幽灵机甲），是基于怎么样的构思？ 新川：一如往常，小岛先生挑战我们构思一些全新不同的创作。开发新角色向来不简单，至于幽灵机甲，我们不仅想出新的设计，还丰富了它的起源和背景故事。 - 《死亡搁浅 2》导入许多新武器和道具。这些新内容背后有什么样的构思过程？ 新川：游戏的内核在于运送物资，因此我们需要把武器当作是玩家随身携带的货物。决定要运送什么是游戏玩法的一部分，所以我们想让武器可以折叠变身成像是货物的箱子或容器。物理体积的改变在电脑合成画面中显得不可思议，但我们确保让这种变形具有可信度，且不会造成视觉冲突。  - 游戏内有没有什么地点特别想要玩家去寻找？ 内田：我们投入大量时间和心力重新开发本作的雪山，它们将会提供比初代游戏更引人入胜的体验。难度会根据你选择的登山路线而有显著的差别，但玩家可以期待在每次辛苦登顶后看到令人屏息的美景。  - 还有什么话想对玩家说？ 吉池：我们很高兴《死亡搁浅 2》终于发售了！游戏充满了许多玩家会喜欢的功能和机制。全球玩家都可以通过游戏的 SSS 链接合作。每位玩家都将以自己的方式创建联系，自然而然，从那些联系中产生的体验也都会是独一无二的。我希望玩家都能乐于发掘那些特别的时刻。

文｜贺哲馨 编辑｜乔芊 COS，全称Collection of Styles，诞生于2007年正值巅峰时期的H&amp;M。 彼时，H&amp;M集团高层意识到需要打造一个与主品牌截然不同的子品牌，以分散风险并拓展市场。因此，COS以更高端的定位问世，并迅速崭露头角。 H&amp;M集团对COS的运营策略极为审慎：总部设在伦敦而非斯德哥尔摩，初期仅布局巴黎和伦敦门店，使其成为美国时尚编辑欧洲行的必访之地。2013年，COS登陆美国时，VOGUE美国版甚至将其誉为“自Isabel Marant以来最令人期待的跨大西洋品牌”。 2017年，COS年营收轻松突破10亿美元，占集团总收入的5%。疫情初期，受线下客流锐减及线上增长乏力影响，品牌一度陷入低迷。加之当时GUCCI引领的极繁主义风潮与COS一贯的北欧极简美学相悖，直至近年，随着消费趋势回归理性，COS才重新找回增长节奏。 2025 年第一季度，COS在LYST十大最热门品牌榜单中排名第六，是唯一入选的非奢侈品牌，COS的筒形裤则位列热门产品第六。作为衡量时尚品牌热度和销量的权威指标之一，LYST每一季榜单的座次很大程度上代表了品牌的热门程度。 “COS的定价既难以触及奢侈品牌的成衣门槛，又明显超出了普通时尚品牌的常规定价范围。”在英国专攻时装设计五年的Alice Chan向36氪表示。 以前，填补这一市场空白的被称为&#34;高街时尚&#34;（High Street Fashion）——这类品牌以接近奢侈品的工艺水准和设计美学见长，同时保持着比快时尚更为克制的产品更新节奏。“这一概念本身便源自英国，特指伦敦主要商业街区兴起的时尚品牌。” Alice 告诉我们。 **如今，大型快时尚集团开始意识到这一细分市场的商业潜力。**今年初，COS推出的皮毛一体翻领的廓形夹克系列，定价约1000英镑（约合人民币9770元），这一价格策略已然突破了传统快时尚品牌的价格天花板。“我们希望找到高街品牌与奢侈品牌的中间地带。”COS的品牌总经理Daniel Herrmann曾这样告诉媒体。  图片来源：COS官网 COS的核心客群，正是那些曾经追逐奢侈品牌的“有抱负”的消费者（aspirational consumers)。Alice认为，这部分相当大的消费群体因奢侈品价格飙升而质量却未同步提升，逐渐转向更具性价比的选择——而COS恰好填补了这一空缺，以匹配价格的设计与工艺赢得青睐。 比如，COS早已不再被归类于Theory或Massimo Dutti这类中端品牌，而是频繁与The Row、Phoebe Philo等高端设计师品牌相提并论。这一转变也体现在其职位命名上——COS的设计负责人Karin Gustafsson 头衔是“设计总监”（Design Director），而非常见的“创意总监”（Creative Director），暗示其更注重工艺与实穿性。 正如小红书用户@李达冷很冷所言：“COS是‘精致文艺青年’，而Massimo Dutti已成‘快时尚遗老’。” 对于COS这样的品牌来说，线下是无法被线上所替代的。2025年第一季度，COS是集团旗下仅有的两个开出新门店的品牌之一，另一个是Arket。 从去年下半年至今，COS明显加快了在中国开店的速度，分别在北京朝阳大悦城、深圳平安金融中心商场和西安万象城开了三家新店，有传言称它开在武商Mall的武汉首店也即将围挡。根据官网，目前COS在中国共有36家店铺。**如果单从门店数量来看，中国大陆仍是COS的最大市场。**  COS 西安万象城店 “中国是我们全球策略中的关键市场，”COS告诉36氪，“西安首店的开业是COS发展旅程中的又一重要里程碑，标志着我们正式进驻中国西北地区，也进一步完善了我们在全国的零售网络布局。” 从另一个角度，COS们的悄然崛起很大一部分也要拜奢侈品品牌集团化所赐。 过去30年，奢侈品行业从一开始的家族企业林立，逐渐变为两三个商业大亨们接掌的寡头集团，这些大亨对设计往往一窍不通，但却十分精通资本运作。当然，在此之前奢侈品公司虽然也在意利润，但首要目标是尽可能制造出更好的产品。但如今，品牌对奢侈集团来说只是生财的工具，利润是他们追求的一切。 一部分设计师不堪这样的转变，选择出走。除了成立个人品牌，快时尚集团的创意总监职位也是不错的出路。 前有优衣库将设计总监一职交与前纪梵希创意总监Clara Waight Keller 、后有Zara将更高端的胶囊系列交给前YSL设计师Stefano Pilati；上个月刚被任命为&amp;Other Stories首席创意官的Jonathan Saunders此前任Diane von Furstenberg创意总监——更多设计师人才正从传统奢侈品牌转向大型时尚集团。 至于更年轻的一代，COS需要讨好他们吗？ 它的老板们表示不置可否，“我们所说的顾客，其实更多是指一种生活方式的态度——他们有大城市的思维方式，对文化敏感，见多识广。”

<blockquote><p>在AI浪潮席卷各行业的当下，一位从业者分享了其半年内参与五个AI项目的实践经验与深刻感悟。本文从AI信息化项目和AI社交两个方向展开，探讨了中小企业在政府和企业端市场的机遇与挑战，以及AI在社交领域中陪伴与赋能的不同价值。</p> </blockquote>  上期我们在[《半年尝试了5个AI项目后的一些心得体会（上）》](https://www.woshipm.com/share/6234272.html)中聊到了作者在AI问答、自动化工具和AI需求挖掘与服务推介等方面的一些探索。本期将会接着分享在AI相关信息化项目和AI社交方向的一些实践经验与体会感悟，欢迎共同探讨。 ## AI相关的信息化项目 无论b端还是g端，在这一轮的ai浪潮下肯定会有极大的信息化升级需求（例如单位内部的知识库/工作流搭建、AI客服、自动化工具等），这对于前几年普遍半死不活的软件公司来说是块很有诱惑力的蛋糕。 我们自然也不例外，刚搞出来demo就去到处拜访客户了。然而残酷的现实是：有大利润的政府项目基本只接受大厂的招投标了，移动等运营商已然成为最大的外包中介，中小企业只能通过挂靠或分包的方式去做实际的落地。 总之，G端项目本质是个资源型业务，最难的部分是能够接下来让你做，至于产品技术其实并不重要（基本是按领导的想法，做个技术外包的活，甚至可以选择再转包出去），大多数无过硬人脉和背景的软件团队能喝到点汤养活团队已算不错。 B端市场对于初创团队而言也非常困难，其实查阅几个比较大的saas公司财报就能够初步了解国内这个市场有多难做了。AI的出现看似带来了新的机遇，但除了sass公司及云厂商之外，大模型厂商自身其实也是竞争对手（他们会不断通过模型能力拓展、插件生态等方式更低成本地实现B端需求）。 往往好不容易找到的细分赛道，别人的一次升级就能够轻易赶上甚至超越，成本等方面还有优势。综上经过调研和深入的考察后，结论是这个方向团队不具备核心竞争力，后续除非能找到靠谱的合作方进行资源互补，否则不会再投入大成本了。 ## Ai社交 当前市面上较火的AI社交产品，基本走的是AI陪伴路线。即用户与AI角色互动，并通过机制设计，来满足用户的各类情感需求。我认可这类产品的价值和必要性，但长期来看，我认为回归人与人之间的真实连接才是AI社交更有前景的方向。AI在新的产品形态中更多地应起到赋能和增强这种连接的作用。 基于此，我们尝试了“AI情侣配对”功能：用户报名填写个人情况和交友诉求，由AI自动匹配符合要求的其他报名者。功能上线后反响热烈，活动期间用户人均日访问可达数十次，活跃度与留存率都很高。 然而，深入复盘后我们发现，AI在此过程中只是扮演了推荐算法的角色。本质上，它用极低的成本构建了一个限时的“校园版探探”，火爆只能说用户对解决单身问题存在强烈需求，而并非是AI带来的价值增量。但这次尝试也帮助团队验证了社交及情感方向产品的巨大潜力。 后续我认为应继续去走 【ai辅助及增强，帮助用户更好地与他人进行社交】 的方向。这区别于传统社交产品的固定流程，旨在引入AI更为开放式、多元化地帮助用户解决各类社交问题。基于此方向的新产品形态已在构思中，未来将依托我们已有的年轻用户基础持续探索。 此外，情感疗愈类AI产品我认为也极具潜力。用户为情绪价值付费的趋势日益显著。现有产品大多停留在提供基础建议或语言安抚的浅层次价值提供。如尝试走【切实解决情感创伤等问题】的ai工具方向，相信会很有搞头，下半年也会尝试进行探索。 ## 总结 不管是给个人用户（C端）还是企业客户（B端），只有那些能**更快闭环需求、交付可感知结果**的AI产品，才可能杀出重围，并让用户心甘情愿掏钱。现在市面上AI应用层出不穷，但说实话，大多数的体验和实际作用还不如老办法顺手。 所以我们在做AI相关的项目或设计产品时，应该多去思考： **【用了AI，用户办成事是不是更快更省心了？】** 如果答案不是斩钉截铁的“是”，那这AI加的大概率只是个噱头甚至是自嗨。 感谢观看，欢迎对AI社交方向感兴趣的创业者、产品经理或资源方前来多多交流。我们具备一定的产品设计、研发及渠道能力，诚挚希望链接更多理念契合、能力互补的伙伴，共同参与进来。 本文由 @可名可无名 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

<blockquote><p>构建一个能够支撑复杂企业应用的低代码平台，其基础功能模块的设计直接决定了平台的可用性、灵活性和最终交付应用的质量。以下是对可视化表单引擎、数据模型管理、页面布局搭建三大核心模块的深度规划与技术实现考量。</p> </blockquote>  ## 一、 可视化表单引擎设计 表单是企业级应用中最高频的交互界面，其设计效率与灵活性至关重要。一个强大的可视化表单引擎需解决从字段编排、逻辑控制到数据落地的全链路问题。 ### 1.1 多样化字段类型的深度实现 **基础字段扩展：**除基础的文本、下拉、日期外，需集成： - **富文本编辑器：**支持图文混排、格式控制（如加粗、列表、链接），用于内容发布、工单描述等场景。需处理HTML安全过滤与存储优化。 - **文件上传：**支持多文件、类型/大小限制、进度显示、预览（图片/PDF）。后端需实现文件存储服务（OSS/MinIO集成）、分片上传、断点续传。 - **地理位置：**集成地图API（如高德/Google Maps），支持地址检索、坐标拾取、区域绘制（多边形/圆形）。数据存储需考虑经纬度字段设计。 - **签名：**用于合同、审批场景。需实现Canvas绘图、笔迹平滑、生成图片（PNG/SVG）并存储。 - **子表单/表格：** 支持行内动态增删、数据校验（行级/列级），用于订单明细、人员列表等。数据结构需考虑嵌套数组或关联表设计。 **动态数据源下拉：** 下拉框选项需支持静态枚举、API动态加载（分页、搜索）、关联其他表单/数据模型。需处理异步加载性能、搜索优化（前端防抖/后端索引）。 ### 1.2 字段属性配置的精细化控制 **校验规则的工程化实践：** - **前端实时校验：**利用正则表达式验证格式（邮箱、电话、ID号）、逻辑表达式（如结束日期&gt;开始日期）。需提供友好的错误提示定位。 - **后端强校验：**前端校验易绕过，必须在服务端基于相同规则进行二次校验。需设计统一的校验规则描述语言或DSL，实现前后端规则共享。 - **自定义校验函数：**提供钩子允许开发者注入JS/Python函数，实现复杂业务逻辑校验（如库存检查、唯一性远程校验）。需考虑沙箱安全与性能隔离。 **默认值的智能设定：** - **动态表达式：**支持基于公式（如NOW()）、当前用户信息（CURRENT_USER.department）、关联字段值计算默认值。 - **数据联动默认：**当字段A变化时，自动重置字段B为关联的默认值（如切换国家后，省份下拉重置为默认选项）。 **权限与可见性：**字段级权限控制（只读、编辑、隐藏），需与平台RBAC系统深度集成。 ### 1.3 字段联动的复杂场景应对 **联动机制设计：** - **事件驱动模型：**基于字段值变化（Change）、聚焦/失焦（Focus/Blur）等事件触发联动规则。 - **依赖图计算：**建立字段间的依赖关系图，自动处理级联更新，避免循环依赖。需实现高效的脏检查与局部刷新。 **典型场景实现：** - **显隐控制：**根据条件表达式（如radioGroup.value === ‘yes’）显示/隐藏字段组。需处理布局重排动画。 - **选项联动：**如省市区三级联动。需设计高效的数据加载策略（前端缓存、后端按需加载）。 - **属性联动：**动态修改字段的disabled、placeholder、校验规则（如选择“个人”时要求身份证号，选择“企业”时要求统一信用代码）。 - **计算字段：**基于其他字段值实时计算结果（如单价×数量=总金额）。需处理计算频率与性能。 **调试与维护：**提供可视化规则编排界面、依赖关系图查看、规则模拟测试工具，降低配置复杂度。 ### 1.4 表单数据的存储与读取：工程挑战 **存储模型选择：** - **结构化存储（推荐）：**映射到数据库表。优点：查询性能高、强类型约束、易于关联分析。需设计表单与数据库表的自动/半自动映射机制。 - **半结构化存储（JSON）：**适用于动态结构表单。优点：灵活。缺点：查询效率低（需使用JSON函数或转NoSQL）、约束弱。需权衡使用场景。 **数据版本兼容：** - **Schema变更管理：**表单修改后，旧数据如何兼容？方案：新增字段允许为NULL、默认值填充；废弃字段逻辑删除而非物理删除；数据迁移脚本工具。 - **历史版本回溯：**存储表单结构快照与数据快照，支持查看历史提交版本。 **高性能读写：** - **数据分片：**针对海量表单数据（如日志、调查表），按时间、租户ID分库分表。 - **读写分离：**主库写，从库读。使用缓存（Redis/Memcached）加速频繁访问的静态数据。 - **数据序列化优化：**高效序列化表单提交数据（Protocol Buffers, MessagePack）减少网络开销。 **数据安全：** - **传输加密：**HTTPS。 - **存储加密：**敏感字段（密码、身份证）应用层或数据库透明加密。 - **细粒度访问控制：**行级（RLS）、列级权限控制（基于用户角色/数据归属）。 **数据回显与编辑：**根据表单版本找到对应结构，将数据库记录精准填充到字段。处理异步加载字段（如大文件预览）。 ## 二、数据模型管理 数据模型是应用的骨架，其管理能力决定了平台能支撑的业务复杂度。 ### 2.1 数据实体的设计与实现 **实体定义：** - **元数据管理：**存储实体名称、描述、所属分类（模块）、创建者、时间戳等。需设计专门的元数据存储（数据库表或专用注册中心）。 - **字段定义：**字段名、数据类型（精确到长度/精度，如VARCHAR(255),DECIMAL(10,2)）、数据库注释、业务语义描述。支持通用类型（文本、数字、日期、布尔）和平台扩展类型（文件引用、关联关系）。 **物理存储映射：** - **DDL自动生成：**平台根据模型定义，实时/按需生成并执行数据库建表、改表语句（CREATE TABLE,ALTER TABLE ADD COLUMN）。需处理数据库类型差异（MySQL, PostgreSQL, Oracle）。 - **ORM/数据访问层：**封装底层数据库操作，提供面向实体的CRUD API，屏蔽SQL差异。 ### 2.2 字段属性的高级约束 **基础属性：** - **唯一约束：**支持单字段唯一、多字段联合唯一。实现高效唯一索引创建。 - **非空约束：**数据库NOT NULL约束与服务端校验结合。 - **默认值：**数据库DEFAULT值设置。 **高级约束：** - **检查约束：**数据库CHECK（如age &gt;= 0）或应用层逻辑校验。 - **枚举约束：**数据库ENUM类型或应用层校验。 - **格式约束：**应用层正则校验（如手机号、邮箱）。 **索引策略：**支持创建普通索引、唯一索引、复合索引。需提供性能分析建议（基于查询模式）。 ### 2.3 关系建模：主键、外键与关联 **主键设计：** - **类型选择：**自增整数（简单高效）、UUID/GUID（分布式友好、防信息泄露）、业务主键（如订单号）。平台需提供生成策略选项。 - **组合主键：**支持多字段联合主键（需谨慎使用）。 **外键与关系：** **1）物理外键 vs 逻辑外键：** - 物理外键：数据库层FOREIGN KEY约束。优点：强一致性。缺点：影响性能（锁）、分布式数据库支持差、级联操作风险。 - 逻辑外键：应用层维护关联。优点：灵活、性能可控。缺点：一致性需应用保证（事务）。**企业级平台通常推荐逻辑外键，更可控。** **2）级联操作：**定义删除/更新时的行为（CASCADE,SET NULL,RESTRICT）。需在应用层清晰实现和配置。 ### 2.4 表间关系建模的实现 **关系类型实现：** - **一对一：**在任一实体中添加指向对方主键的外键字段（通常放在使用更频繁的一方），并设置唯一约束。 - **一对多：**在“多”的一方添加指向“一”方主键的外键字段（如Order表中的customer_id）。 - **多对多：****必须**通过中间关联实体（表）实现。中间表至少包含两个外键字段，分别指向关联双方的主键（如Student_Course包含student_id和course_id）。可扩展中间表属性（如选课时间、成绩）。 **可视化建模工具：** - **ER图编辑：**拖拽实体、绘制关系线（标注1:1, 1:N, N:M）。支持自动布局、缩放、导出图片/DDL。 - **关系属性配置：**点击关系线配置外键字段名、级联规则、是否必填等。 - **模型版本与差异对比：**记录模型变更历史，支持版本回滚，可视化对比不同版本差异。 **查询优化：**自动生成关联查询SQL（JOIN），支持预加载（Eager Loading）策略配置，避免N+1查询问题。 ## 三、页面布局搭建系统 页面是用户感知应用的窗口，其搭建效率与体验直接影响用户满意度。 ### 3.1 基础布局组件的工程实现 **组件抽象：** - **行：**基础横向容器，控制内部列的排列（起始位置、对齐方式）。可设置间距（Gutter）、背景、内边距。 - **列：**放置在行内，定义所占宽度（响应式断点：xs,sm,md,lg,xl下的占比，如span={6}表示50%）。支持偏移（offset）、顺序（order）。 - **容器：**通用区块容器，提供卡片（Card）、折叠面板（Collapse）、标签页（Tabs）等高级布局组件。管理内部组件的逻辑分组与状态（如折叠/展开、激活标签）。 **布局引擎：** - **基于CSS Flexbox/Grid：**利用现代CSS布局技术实现行、列的高效渲染。需处理浏览器兼容性。 - **拖拽库集成：**使用成熟的库（如react-dnd,dnd-kit）实现组件拖拽、放置、排序。需解决跨容器拖拽、放置区域判断、拖拽性能优化。 - **布局数据存储：**使用JSON或特定DSL描述页面结构（组件树、属性）。需设计高效的序列化/反序列化。 ### 3.2 响应式设计的深度实现 **断点策略：**定义主流设备屏幕宽度断点（如&lt;576px手机，&gt;=576px平板，&gt;=992px桌面）。允许用户自定义断点。 **响应式规则配置：** - **组件级响应：**为每个组件配置在不同断点下的显示/隐藏、尺寸（span值）、顺序（order）、偏移（offset）。 - **样式级响应：**允许为不同断点设置不同的CSS样式（内联样式或类名）。 **视窗模拟器：**在页面设计器中集成设备尺寸切换工具，实时预览不同设备下的布局效果。 ### 3.3 组件生态与无缝集成 **核心组件库：** - **数据展示：**表格（带分页、排序、过滤）、列表、卡片、详情页组件。 - **数据输入：**集成强大的表单引擎渲染器。 - **图表可视化：**集成ECharts/Chart.js等，提供配置化图表组件（柱、线、饼、地图）。 - **导航：**菜单（侧边栏、顶部栏）、面包屑、分页器。 - **反馈：**按钮、模态框、通知、加载指示器。 **组件通信机制：** - **属性传递：**父组件向子组件传递数据/配置（单向数据流）。 - **事件冒泡：**子组件触发事件（如按钮点击、表单提交），父组件监听处理。 - **状态管理（复杂场景）：**引入轻量级状态管理方案（如Context API、Zustand），管理跨组件共享状态（如用户信息、主题）。 **自定义组件扩展：** - **开发规范：**制定组件接口规范（属性、事件、插槽）。 - **注册机制：**提供注册中心，允许开发者上传、发布、共享自定义组件（含元数据描述）。 - **沙箱环境：**安全地加载和运行第三方组件（Web Workers、iframe隔离、代码限制）。 ### 3.4 页面管理与发布 **页面路由：**可视化配置页面URL路径、参数映射、嵌套路由。 **权限绑定：**将页面/页面内功能区与平台角色权限关联。 **发布流程：** - **预发布验证：**自动检查依赖项、关键配置缺失、潜在性能问题。 - **版本管理：**生成页面版本快照（结构、资源）。 - **发布策略：**蓝绿发布、金丝雀发布、热更新（仅限静态资源）。支持一键回滚。 - **CDN加速：**自动将静态资源（JS/CSS/图片）推送至CDN。 **性能监控：**集成APM工具，监控页面加载时间（FP/FCP/LCP）、API请求耗时、JS错误。 ## 四、平台级关键能力补充 - **多租户与隔离：**严格的租户数据、配置、资源隔离机制（数据库Schema隔离、逻辑隔离）。 - **统一身份认证与授权：**集成企业SSO（OAuth2/SAML），实现细粒度的RBAC/ABAC权限控制。 - **审计日志：**记录关键操作（模型变更、页面发布、数据删除），满足合规要求。 - **API网关与集成：**提供可视化API编排工具，方便与外部系统（ERP、CRM）集成。管理API生命周期、认证、限流、监控。 - **监控告警：**平台健康度监控（CPU、内存、磁盘）、应用性能监控（慢SQL、错误率）、业务指标监控（表单提交量、流程时效）。配置告警规则（邮件、钉钉、短信）。 - **高可用与扩展性：**微服务架构、无状态设计、水平扩展能力、数据库读写分离与分库分表策略。 构建企业级低代码平台是一个系统性工程，其核心基础模块（可视化表单引擎、数据模型管理、页面布局系统）的设计仍然需产品经理深入业务细节，平衡灵活性与规范性、易用性与强大性等要素，按实际需求和研发技术优势，做好恰当结合。 只有通过采用模块化设计、清晰的抽象、健壮的工程实践（如前后端分离校验、逻辑外键、响应式布局引擎、组件化架构）以及完善的平台级支撑能力（多租户、权限、监控、高可用），才能打造出真正满足企业复杂需求、具备生产环境可用性的低代码平台。 本文由 @阿堂聊产品 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

 万代南梦宫宣布，将于北京时间7月3日2时30分举办夏季特别直播活动。确认揭晓新动态的游戏包括：《永久与神树的祈愿者》《数码宝贝物语 时空异客》《噬血代码 II》《黎明行者之血》《死亡笔记 暗影任务》《全民高尔夫 环球之旅》《小小梦魇3》《啪嗒砰 1+2 Replay》《暗斗迷宫》《超级机器人大战Y》以及《铁拳8》。 

作者｜黄楠 编辑｜彭孝秋 硬氪获悉，智能割草机器人厂商「来牟科技」近日完成数千万元Pre-A+轮融资，该轮融资由欧美头部家用消费电子上市公司领投，多家知名投资机构跟投，Maple Pledge枫承资本持续担任私募股权融资顾问。资金将用于加速新品研发迭代、产品量产交付及市场预期性备货。 这是公司三个月内完成的又一轮融资，累计金额近亿元，此前投资方包括国内头部量化私募九坤投资旗下九坤创投、李泽湘教授创立的XbotPark基金和NBT Capital（耐必信）。 「来牟科技」是硬氪长期关注的企业，公司聚焦欧美市场，专注智能割草机器人技术研发与应用制造。其于2024年发布的割草机器人Lymow One自众筹以来，已筹集资金超过700万美金，在Kickstarter上排名2024年全品类的第四名、割草机品类的第一名；近期上线官方独立站后，20天内共卖出240万美金。截止2025年6月，Lymow One累计销售额已达到1000万美金。 在产品量产交付方面，「来牟科技」作为割草机器人领域鲜少已实现量产的创业公司，目前已进入交付前的量产爬坡（MP）阶段，单日良品产能突破100台。 依托团队前次创业所积累的核心供应链资源，「来牟科技」年产能有望突破万台级别，并已布局越南等海外国家及地区的供应链体系，实现产能储备和风险对冲。量产能力的快速落地，得益于资深硬件工程团队已具备EWP全周期验证经验，以保障产品质量稳定和高效的交付效率。  来牟科技Lymow One割草机器人（图片/企业） 弗若斯特沙利文数据显示，全球超300亿美元户外动力设备（OPE）市场中，割草机器人规模为26亿美元，年销量在120-130万台，销量渗透率5%；到2030年，年销量有望达到500-1000万台，展现出强劲的增长潜力。 在区域市场格局方面，北美地区凭借其成熟的庭院文化和高消费能力，始终占据着全球庭院经济的核心地位。然而作为最大的单一市场，割草机器人在该地区的渗透率却不足3%，显著低于行业平均水平，市场增长潜力可观。 美国用户对传统割草方式的依赖，源于其在大草坪复杂环境下的割草难度很高。比如在割草效率方面，市面上多数割草机器人仅配备50W功率单刀，割草效率难以满足大面积草坪需求。不过，虽然采用传统手推式割草机的功率可达数千瓦，但仍存在人力成本高、操作繁琐等局限。 根据「来牟科技」内部调研数据显示，当前欧美市场对割草机器人的关注点呈现出显著的理性化特征，其对产品的体验需求远超品牌认知。其中，产品的品质与耐久性是用户认为最重要的因素之一，反映出其对设备长期稳定运行的核心诉求；同时，割草效率、爬坡能力等性能可否满足现实作业需求，也直接影响用户的购买决策。 “对于用户而言，产品的核心价值始终在于真正满足使用需求、解决实际痛点。开发割草机器人的首要原则，应当是回归割草这一基本功能本质——确保稳定、高效地完成草坪修剪工作。”「来牟科技」创始人高望书告诉硬氪。  来牟科技Lymow One割草机器人（图片/企业） 北美有接近四成的家庭草地面积在1000平以上，且呈半开放状态，覆盖包括湿草、林地等复杂地形。草种以高羊茅、黑麦草等硬质草类为主，生长旺季日均生长速度达1.5厘米，割草机器人需具备大功率刀片及高频作业能力。 在软件算法方面，「来牟科技」采用RTK射频芯片与双目视觉AI补偿算法融合的解决方案，自研整套底层算法架构，首发稠密深度图，以较低的成本实现了比肩激光雷达的效果，在应对美国大面积草场作业时具有明显优势。  Lymow One多区域管理算法（图片/企业） RTK厘米级定位精度与视觉的场景识别能力可以互补。RTK模块通过地基增强系统实现绝对位置锁定，确保割草机在广域范围内的定位可靠性；同时，系统还搭载了双目AI视觉与超声波传感器融合技术，可实现360°多方向环境探测与智能避障，精准识别并绕过庭院桌椅、岩石、宠物及儿童等障碍物，以确保设备安全、高效、稳定运行。 针对用户普遍关注的割草效率问题，「来牟科技」在确保安全的前提下，将Lymow One的功率提升至300W，对比市场上同类产品高出3-5倍，同时还搭配了转速达6000 RPM的无刷电机，叶片速度达到友商的2倍。其自主研发的碎草直刀、双割草盘结构，通过高速旋转来切割草坪，可以更高效地处理各类草情，日覆盖面积达1.75英亩。  Lymow One底部双刀片设计（图片/企业） 硬件结构上，Lymow One采用了履带式驱动装置，在减少夹草的同时增强机器人的抓地能力，可在高达45°的陡坡中割草且不易打滑，其1.2至4英寸（约30-100毫米）的切割高度调节能力，适合全地形作业，无需担心设备卡在树根、坑洼、凸起或泥泞的地面上，产品耐用性更强。 随着北半球进入盛夏时节，北美草坪这片广阔市场也正在吸引更多厂商进入，渠道资源的稀缺性愈发凸显。硬氪了解到，除Kickstarter和独立站等线上平台外，「来牟科技」正加快布局线下渠道，已获得近百家经销商关注并拿下大量订单。目前Lymow One割草机器人订单正在交付中，已准备第二批发货。 团队方面，创始人高望书为前云鲸联创，后加入SharkNinja品牌主导扫地机器人研发工作，其产品市占率排名北美第一；多位���心成员均毕业于国内外顶级院校，曾任NVIDIA英伟达、华为、图森未来等企业的核心研发负责人，在自动驾驶等领域拥有丰厚的技术研发积累及产品落地量产经验，从而在产品技术路线上得以实现车端感知下放。

**要闻提示** 1.售价499美元的特朗普T1手机被曝是中国制造，官网撤下“美国制造”标签 2.字节Seed团队扩编或超300人，正密集招募多位机器人方向“一号位”，具身智能赛道迎来卷王 3.不满法院判决，多益网络裁员1000人以上，总部将搬离广州 4.理想汽车下调二季度交付量预期，整合成立智能汽车群组 5.哪吒汽车8家关联公司被南宁国资起诉，其中三家被法院裁定“下落不明” 6.李宇春谈拒绝代言锤子手机原因：作为四川人，「代言了个锤子」很难说出口 7.扎克伯格为AI斥重金“招兵买马”，传Meta再挖角OpenAI四名研究员 8.DeepSeek“遭殃”，德国出手要求苹果与谷歌下架 **今日头条** **售价499美元的特朗普T1手机被曝是中国制造，官网撤下“美国制造”标签** 6月29日，词条 # 特朗普T1手机被曝由中国公司生产 # 登上微博热搜，引发网友热议。据报道，最近，特朗普集团高调进军手机市场，推出一款售价499美元（将近3600元人民币）的智能手机，宣称这款手机由“美国制造”。不过，该机在6月中旬一经发布，美国媒体纷纷质疑。 美国唯一本土手机制造商Purism的CEO托德·韦弗毫不留情地戳破了特朗普集团的所谓“美国制造”的谎言，称该手机是由一家中国公司生产。报道称，特朗普集团已悄悄“改口”，在官网上删掉了“美国制造”的描述，称这款手机拥有令美国人自豪的设计，并且在美国本土诞生。有网友表示：“特朗普向苹果施压，要求产线全部搬回美国，而T1手机却由中国公司生产，没有比这个再讽刺的事了……”“目前美国根本没办法独立生产一部不含中国制造的手机。” 据了解，特朗普T1手机后盖采用巨大的“T1”字样和美国国旗设计，相机Deco酷似iPhone。在官网展示的手机截图上，还显示了特朗普竞选口号“让美国再次伟大”（Make America Great Again）。值得一提的是，特朗普T1手机推出后，有分析师指出，T1的屏幕规格、相机像素与闻泰科技(ODM业务隶属于立讯精密)研发制造的T-Mobile REVVL 7 Pro 5G非常相似，该机型应该是在中国生产。（快科技）  **国内资讯** **字节Seed团队扩编或超300人，正密集招募多位机器人方向“一号位”，具身智能赛道迎来卷王** 6月初，字节跳动机器人业务负责人孔涛确认离职创业，并被曝出已经获得多家风投的青睐。据媒体报道，字节跳动旗下Seed团队正大规模招募机器人相关方向的“一号位”，包括机器人产品负责人、机器人工程技术负责人以及具身智能大模型负责人。此次招募中对“产品、工程、大模型”三个负责人同步设岗，或说明Seed不再满足于技术演示或研究发布，而是想要一整套“能用、可落地、跑得动”的智能系统。这可能预示着字节将在2025年推动旗下首个机器人相关产品走向C端或产业端。 根据报道，字节跳动旗下Seed团队目前已在北京、上海、深圳、杭州等一线科技重镇设有办公点，形成了多点布局、协同推进的研发格局。截至2024年底，Seed团队的规模已突破200人，预计到2025年末，其正式员工人数将超过300人。这一体量在国内AI行业中极为罕见，远超其他大型互联网企业的AI部门或头部独角兽公司。 此前报道，目前张一鸣经常往返北京和新加坡，但base地仍然在新加坡。他一直很关注AI业务，在新加坡主要和researcher在一起交流，也定期回国找技术骨干交流。从去年下半年开始，他定期会参加字节seed核心技术团队的复盘和讨论会。（Z Finance） **不满法院判决，多益网络裁员1000人以上，总部将搬离广州** 2025年6月27日下午，多益网络通过官方微博账号对外宣布，公司决定裁减广州团队规模，并计划将公司总部迁移至其他地区。多益网络强调，计划裁员规模1000人以上，并将广州地区食堂收费改为强制预收，若员工不予配合，则无法在公司食堂用餐。 根据多益网络的博文，该决定导火索为多益网络与员工的劳动纠纷。多益网络认为广州黄埔区人民法院判决不公，故决定裁员和迁移。此前多益网络成都公司也出现过劳动纠纷，在被法院判决后，多益网络认为判决不公并将成都公司人数由438人裁减到89人，并称未来将关闭在成都的所有公司。 公开资料显示，多益网络成立于2006年，曾推出《梦想世界》、《神武》系列、《传送门骑士》、《永恒魔法》等多款游戏产品，在回合制网络游戏领域占据了一定的市场份额。多益网络创始人为徐波，初中毕业后辍学，曾在网易任职客服、策划，并主导了网易的热门游戏《梦幻西游》。从网易离职后，徐波创立多益网络。 此外，据报道，徐波还因言论以及内部管理方式等方面存在诸多争议。包括“多子论”、物化女性等言论以及内部员工管理等引发热议，包括招聘中有“如有其他兄弟姐妹者优先”的加分项；要求员工互删微信、鼓励举报和连坐；要求员工“自愿降薪”10%等。（游戏干线、鞭牛士） **赛道测试中小米YU7刹车片起火，小米汽车回应** 小米YU7发布后，热度颇高，各种消息不断：比如小米YU7现身租赁市场：日租要价2000元，跟兰博基尼一个价；小米YU7标准版现在定车要等一年时间才能提车。还有媒体在赛道测试小米YU7时刹车片起火，引发关注。 小米汽车回应称，小米YU7 Max在天津V1赛车场进行1个暖胎圈+1个飞行圈后，在未进行散热圈的极端情况下，直接驻车，高温导致制动片有机物材料发生起火，但制动系统整体未出现任何制动失效等问题，功能健全，使用正常。此外，测试车辆未使用小米YU7 Max大师模式中的“能量回收增强”功能。该功能会增强赛道工况下的能量回收强度，降低机械制动系统的负荷，即便出现ABS抱死情况，依然可以提供最大0.2G的制动能量回收，有效减少制动系统温度超过600℃的极端情况发生。 在赛道驾驶时，车辆往往需要频繁在超高速行驶中紧急制动，此时制动系统承受的负荷将远高于日常驾驶。在这种工况下，制动盘温度会急剧上升，若未采取有效散热，将引发材料起火。同时，小米YU7作为中大型SUV，相比尺寸更小的SUV车重更高，同时高动力带来的赛道尾速更快，制动系统在猛烈制动过程中产热也会更加明显。小米汽车表示，强烈倡议大家注意驾驶安全，未经过专业升级与整备的原厂车，不要贸然进行赛道尝试。（TechWeb） **小米YU7引发同行“截胡”！极氪、蔚来等多家车企愿为退订用户全数补齐定金** 小米汽车YU7自2025年6月27日下午开售以来，仅18小时锁单量便突破24万台，销售火爆程度可见一斑。然而，由于交付周期较长，部分用户表示想要退订。据悉，YU7新增锁单用户交付时间最快也要33周，标准版更是长达53周。面对漫长的等待，用户的退订想法也在情理之中。 在这一背景下，多家车企的销售纷纷伸出“橄榄枝”，表示愿意全数补齐小米YU7退单的5000元定金。极氪销售率先发声，称“任何车型都可以享受补齐定金的福利”，并表示会教用户如何操作退单。蔚来销售也不甘示弱，提出买蔚来定金可以直接抵扣，且有用户证实了这一说法，甚至有蔚来销售在评论区“抢单”。智己也推出了类似的福利政策。 此前在小米SU7发布时期，也出现过车企提供此类政策试图“截胡”订单的情况，今年4月阿维塔还有线下门店推出海报称“退订的‘米’，有‘TA’兜底”。小米汽车此前表示，后续相应数据会随着产能爬坡动态更新。目前，如何平衡火爆销量和产能的问题，正在成为小米汽车面临的“甜蜜的烦恼”。（三言Pro） **一汽丰田销售总部正式搬离北京：离职员工补偿 N+7，多数选择随迁** 6月26日，一汽丰田汽车销售有限公司正式搬离北京，迁往天津滨海新区的新办公楼。据媒体报道，一汽丰田销售公司之所以将总部从北京搬至天津，与近几年其在国内汽车市场的处境有关。数据显示，2021年至2024年，一汽丰田新车零售量分别为84.6万辆、79.9万辆、80.2万辆、79.8万辆，增速分别为7.5%、-5.6%、0.3%、-0.5%。尽管年销量基本维持稳定，但处在电动智能转型中的一汽丰田仍需要从多个维度更好地“降本增效”。 据悉，一汽丰田搬迁从研讨到成行历时近一年。在给予离职员工N+7补偿的情况下，600多名员工有400多人随迁，其中十年以上工龄随迁员工比例高达69.2%。“搬到天津，我们也是被现在国内的竞争环境推着走。”一位一汽丰田员工表示，“原来无论是京津相隔的上百公里距离，还是销售公司和工厂联动的不便利，都很难高效的实现需求-反馈-落实闭环，现在销售公司和工厂开车10分钟就到，工厂负责人和销售公司负责人可以经常坐在一起研讨，这个效率是之前比不了的。” “搬迁最核心的目的单纯是为了把整个产业链结合得更紧密，让生产、研发、销售三端能够更好的融合，因为现在整个市场特别卷，所有内部损耗必须压到最低，才有足够的空间来应对市场内卷。”上述员工表示。（第一财经） **理想汽车下调二季度交付量预期，整合成立智能汽车群组** 理想汽车下调了二季度的交付预期。6月27日下午，理想汽车在港交所公告，更新公司2025年第二季度交付量展望。公司预计将在2025年第二季度交付约108,000辆汽车，其此前发布的交付量展望为123,000至128,000辆。理想汽车表示，该调整体现了公司为长远发展而升级销售体系所带来的短暂影响。公司有信心，在理想i8上市前完成组织升级的工作，以更好的组织能力迎接新的产品周期。 同日，理想汽车发布全新组织架构调整和人事任命：原“研发与供应群组”和“销售与服务群组”整合并入新成立的“智能汽车群组”，对理想汽车智能汽车业务的战略到经营闭环负责；总裁马东辉将担任智能汽车群组的负责人，向董事长兼CEO李想汇报。李想仍将负责汽车业务相关的产品线、产品部、品牌、战略等团队，并将更多精力投入AI领域。 根据官方发布的数据，2025年4月，理想汽车交付新车33,939辆，同比增长31.6%；2025年5月，理想汽车交付新车40,856辆，同比增长16.7%。这也就意味着，理想6月份的交付量约为3.3万辆。i8是理想首款纯电SUV，是理想i系列的首款产品，定位中大型六座SUV。李想近日发文称，理想i8将于7月下旬发布，现在内部关于理想i8的生产、培训、交付等准备工作，已到最后筹备阶段。（界面新闻） **哪吒汽车8家关联公司被南宁国资起诉，其中三家被法院裁定“下落不明”** 6月25日，人民法院公告网公布的一份起诉状副本及开庭传票显示，南宁产投汽车工业集团有限责任公司因买卖合同纠纷，起诉合众新能源汽车股份有限公司等8家哪吒汽车关联公司。因众联天下汽车销售服务有限公司、哪吒合智（上海）汽车销售服务有限公司、哪吒汽车香港投资有限公司3家公司“下落不明”，法院以公告形式向上述三家公司送达相关法律文书。 案件原告南宁产投汽车是南宁产业投资集团有限责任公司的全资子公司，南宁产投集团的实际控制人为南宁市国资委。南宁产投集团100%持股的南宁民生新能源产业投资合伙企业（有限合伙）是哪吒汽车的第一大股东，现持股13.162%。 2020年2月，哪吒汽车进行B轮融资，南宁民生新能源以25亿元认购公司35.65%股权，双方在广西南宁产投汽车青秀产业园，建设哪吒汽车南宁生产基地。2024年4月，南宁民生新能源等三家地方国资背景公司参与了哪吒汽车IPO前的战略融资，总金额达50亿元。公开资料显示，南宁产投汽车目前仍持有哪吒汽车的担保债权34.4亿元，哪吒汽车3家关联公司出质股权对债权进行了担保。（三言Pro） **小米回应“前总监冯某大瓜”：冯某此前是食堂切菜工，旷工被开除** 近日，网传“小米公司前总监冯x兵”被其妻爆料包养200余人，并签订“不平等”包养协议。据爆料显示，冯x兵利用金钱与多名女性维持特殊关系，部分协议内容涉及违背公序良俗条款。 消息称，冯x兵90后，2024年3月结婚，婚前曾与妻子签署《婚姻无需忠诚协议》。事件曝光后引发网友热议。其在社交账号还晒出了与雷军的合影、及在小米的工牌。 传闻多日后，小米公关总经理王化正式回应称：网传的“小米前总监冯XX”的大瓜。经核实，该人曾于2016年9月入职小米食堂，岗位为切配（切菜），由于旷工原因同年11月被开除，其短暂的工作时间内从未担任小米公司任何总监职位。（三言科技） **被加拿大政府要求关停分公司，海康威视回应** 当地时间6月27日，加拿大政府以所谓“国家安全”为由，命令海康威视加拿大有限公司停止在加拿大运营并关闭其加拿大业务。 海康威视29日回应称：我们强烈反对加拿大政府以所谓的“国家安全担忧”为由，作出海康威视加拿大公司在120天内关停的决定。加拿大政府做法罔顾事实，严重缺乏程序公正和透明，是针对中国企业的歧视和打压。希望加拿大政府尊重法治，实事求是，为全球企业营造公平、公正、非歧视的环境，而非以臆想和偏见为由采取歧视行动。 此外，中国驻加拿大使馆发言人就加政府命令海康威视加拿大有限公司停止在加运营并关闭其加业务的行为表示强烈不满和坚决反对。（科创板日报、21世纪经济报） **格力高管怼同行卷不死别人光卷死自己：空调不赚钱裸机卖** 6月30日消息，近日格力电器市场总监朱磊公开怒怼同行，卷不死别人光卷死自己。朱磊在发言中表示，一家在海外市场已经很有知名度的中国电视品牌，利用其现有渠道转做空调，但其净利润率仅为3%（基本不赚钱裸价卖）。 “我们直接问他的海外经销商，人家告诉我，我们没有KPI，我们的KPI就是把中国同行卷死。”朱磊对此策略表示强烈质疑，“但是你能卷死同行吗？你只能把自己卷死。”“行业老大一定要对得起自己的身份”。朱磊呼吁中国制造业有志向、有远见的同仁们一起撑起中国制造的一片天，让大家一起走得更远。 这也引发了网友的热议，有不少人直言，这样卷其实对消费者没有好处。其它厂家只能被迫降低质量成本，电器这种东西是用很多零件组成的，关键零件质量不好，影响使用寿命。（快科技） **中国GPU大厂壁仞科技获15亿元融资，计划港交所上市，投前估值140亿元** 据外媒引述知情人士报道称，中国AI GPU芯片初创企业壁仞科技已筹集到约15亿元人民币，并正准备在今年第三季度赴港交所申请上市，最快可能在8月。不过，对此消息，壁仞科技并未回应。 消息人士透露，壁仞科技此次15亿元的融资主要由两家国资背景的投资机构领投，包括一家来自广东的国资支持的基金和一家来自上海的国资基金。据悉，在最新一轮融资之前，壁仞科技的估值约为140亿元。 其实，早在今年3月11日晚间，“上海国投先导基金”微信公众号就曾宣布，上海国投先导人工智能产业母基金联合领投了壁仞科技，数家知名投资机构及产业资本跟投。不过，当时并未披露其他的具体投资方以及投资金额。（快科技） **因制造原因存在燃油泄漏风险！广汽本田、东风本田大规模召回** 6月27日，国家市场监督管理总局发布消息，广汽本田和东风本田向国家市场监督管理总局备案召回计划，因制造原因，高压燃油泵内部零件可能因应力集中产生裂纹，极端情况下导致燃油泄漏，存在安全隐患和排放危害风险，自2025年8月31日起，合计召回约38万辆汽车。 广汽本田汽车有限公司召回2022年6月28日至2024年9月20日期间生产的部分国产汽油版及插电式混动版雅阁（ACCORD）、混动版型格（INTEGRA）、混动版及插电式混动版皓影（BREEZE）、混动版致在（ZR-V）系列汽车，共计240764辆。 东风本田汽车有限公司召回2022年2月10日至2024年9月23日期间生产的部分国产汽油版及插电式混动版英仕派（INSPIRE）、混动版HONDA HR-V、混动版思域（CIVIC）、混动版及插电式混动版思威（CR-V）系列汽车，共计139621辆。（电动知家） **知乎创始人周源成仰望U7车主，王传福亲自交车** 6月29日消息，据仰望汽车官方信息，知乎创始人周源成为仰望U7车主。在交车环节，比亚迪董事长王传福亲自为周源交付仰望U7的车钥匙。 据了解，凭借着易四方、刀片电池等核心技术，比亚迪及旗下的仰望、方程豹、腾势等品牌，也受到了众多明星企业家的青睐。新东方创始人俞敏洪购买过多辆比亚迪，也是比亚迪EV、仰望U8车主；得到APP创始人罗振宇曾购买过腾势N7、汽车“玻璃大王”曹德旺为比亚迪汉EV车主。 最新数据显示，今年5月份，比亚迪乘用车销量为376930辆，位居中国车企第一；海外出口乘用车及皮卡88640辆，海外市场也在快速爆发。累计销量方面，今年1-5月份，比亚迪累计销售162.9万辆。（快科技）  **李宇春谈拒绝代言锤子手机原因：作为四川人，「代言了个锤子」很难说出口** 近日，在《脱口秀和Ta的朋友们2》节目中，李宇春解释了当年拒绝代言锤子手机的原因。 节目中，罗永浩称：“当年我们做锤子科技的时候，想找一些非常有个性的公众人物来代言，我们市场部当时找过李宇春老师，但是被他们团队拒绝了。也不知道什么原因，要不你今天跟我们分享一下。”对此，李宇春解释称，作为一个四川人，如果代言锤子手机，她无法向家人解释自己“代言了个锤子”。之后，罗永浩补充道：“锤子在四川是骂人的。” 公开资料显示，成都锤子科技集团有限公司成立于2017年6月，注册资本2亿元，经营范围包括通信技术开发、技术服务、应用软件服务等。2020年9月，罗永浩卸任执行董事兼总经理、法定代表人职务，由管志良接任。（鞭牛士） **罗永浩：不止一家车企请我当合伙人，不是自己做的产品，很难做好营销** 近日，有网友发文称，很多新能源车企，每年都要花几十亿上百亿做营销，但连个水花都没打起。为啥就没有一家车企直接聘请罗永浩当营销总监？给他开3个亿工资就行，老罗产生的影响力绝对能值回300亿。 对此，罗永浩回复：“有，合伙人级别，不止一家，我没去。其实这是一个很大的误解：不是我自己做的产品，我很难做好营销。”（三言Pro） **国际资讯** **扎克伯格为AI斥重金“招兵买马”，传Meta再挖角OpenAI四名研究员** 6月29日消息，Meta两周内从OpenAI挖走了至少 7 名核心研究员，包括赵盛佳（o1/o3-mini核心开发者）、余嘉辉（感知团队负责人）、毕书超（负责多模态训练）任宏宇（负责后训练团队）。此前已有3名OpenAI 苏黎世团队研究员在数日前被报道加入Meta。这些招聘动作紧随Meta本月早些时候以143亿美元收购Scale AI 49%股份，并聘请其首席执行官Alexandr Wang领导“超级智能”项目的协议之后。 最新从OpenAI 加入Meta的赵博士是OpenAI多款模型的核心贡献者，包括 o1-mini 和 o3-mini 模型。资料显示，赵博士在2022年6月加入OpenAI前，曾是斯坦福大学计算机科学专业的博士候选人。根据余嘉辉资料显示，他曾领导 OpenAI 的一个感知技术团队，专注于研究人工智能如何收集和理解周围环境信息。毕书超在领英资料中显示为 OpenAI 多模态后训练负责人。任宏宇同样是 o1-mini 和 o3-mini 项目的核心贡献者。 Meta 确实为吸引 AI 研究人员加入其新成立的超级智能实验室，提供了高达数百万美元的丰厚薪酬方案。但据知情人士透露，实际上没有人真正获得过 1 亿美元的“签约奖金”。Meta 首席技术官 Andrew Bosworth 暗示，可能只有极少数担任高级领导职务的人获得过这种级别的薪酬，但他澄清说“实际聘用条款”并非“签约奖金”，而是“由各种不同要素组成”。换句话说，并非一次性大额现金。科技公司通常以限制性股票单位(RSU)的形式向高层管理人员提供薪酬的最大部分，这些股票授予取决于任期或绩效指标。（Z Potentials） **英特尔高层持续动荡，首席战略官即将离职** 据报道，英特尔首席战略官Safroadu Yeboah-Amankwah即将离职，这是自陈立武3月份执掌该芯片制造商以来的最新人事变动。英特尔证实了这一消息，并表示：“我们对Saf为英特尔所做的贡献表示感谢，并祝愿他一切顺利。” 知情人士透露，自2020年以来一直担任英特尔首席战略官的Yeboah-Amankwah将于6月30日离职。Yeboah-Amankwah曾负责英特尔的扩张计划、战略合作以及股权投资等工作。Yeboah-Amankwah的部分职责将由Sachin Katti接手，后者最近被提拔为英特尔首席技术和人工智能官。知情人士透露，英特尔的风险投资部门Intel Capital将向陈立武汇报工作。（金融界） **DeepSeek“遭殃”，德国出手要求苹果与谷歌下架** 6月28日消息，据媒体报道，近日，德国数据保护专员梅克·坎普发布声明，宣称已要求苹果和谷歌公司从其在德国的应用商店中下架中国初创公司自主研发的人工智能（AI）大语言模型“深度求索”（DeepSeek）的应用。他给出的理由是所谓的数据安全担忧。坎普在声明中指控DeepSeek“非法将用户个人数据传输至中国”，并要求苹果与谷歌尽快审查这一要求，以决定是否在德国封禁该应用，不过并未设定具体的处理时限。 媒体报道显示，谷歌公司证实已收到相关通知，目前正在进行评估；而苹果公司则暂未对此作出回应。此前，DeepSeek也因所谓数据安全问题，在欧美多地遭遇审查。另据媒体报道，意大利已于今年稍早以“个人数据使用不透明”为由，将DeepSeek应用从应用商店下架；荷兰则禁止政府设备使用该应用；比利时也建议政府官员避免使用DeepSeek，并表示相关评估仍在进行中。与此同时，美国国会议员正计划提出法案，禁止联邦政府机构使用任何中国开发的AI模型。 针对部分国家传出禁止或限制使用DeepSeek的消息，中国外交部发言人此前已作出回应。在今年2月6日的例行记者会上，外交部发言人表示，中国政府始终高度重视数据隐私和安全保护，并依法开展相关工作，从未要求且将来也不会要求企业或个人以违法形式采集或存储数据。此外，在今年3月18日的例行记者会上，另一位外交部发言人再次强调，中方一贯反对泛化国家安全概念、将经贸科技问题政治化的做法，并将坚定维护中国企业的合法权益。（快科技） **微软雄心受挫，自家AI芯片因性能糟糕而延迟！不敌英伟达Blackwell** 6月29日消息，据报道，微软的AI芯片项目正面临重大挫折，因为该公司已将生产推迟六个月至2026年，且初步性能看起来并不太有前景。微软的 “Braga” 芯片原计划在2025年底开始大规模生产，但目前这一时间已被推迟到 2026 年，这一延迟主要是由于芯片设计的多次修订以及高昂的研发成本。 据内部人士透露，微软在芯片设计过程中遇到了诸多技术难题，导致项目进度大幅延后。在性能方面，初步评估报告显示，“Braga”芯片的性能低于NVIDIA的Blackwell架构，这意味着，即使微软的AI芯片最终上市，也难以在性能上与NVIDIA的产品竞争。 英伟达仍然是AI领域的行业领导者，但微软、谷歌、亚马逊以及其他公司都在努力开发自有芯片，以减少对英伟达的依赖。但黄仁勋似乎对此并不太在意，他毫不掩饰地表示，英伟达的技术进步速度如此之快，大多数客户最终会放弃自己的芯片项目。黄仁勋甚至调侃道：“如果造AI芯片那么容易，天哪，我不知道自己为什么还要这么拼命工作。”（快科技）  **莲花汽车工厂停产消息疯传！官方：一切如常，并无此事** 近日，有关英国莲花汽车（Lotus）计划结束其在诺福克郡Hethel工厂生产运营的消息在网络上疯传，甚至有传言称这家工厂将在运营59年后正式停产，生产重心或将转向美国。然而，针对这些传闻，莲花汽车官方迅速发布了最新声明，明确表示：“莲花汽车公司运营一切如常，没有关闭任何工厂的计划。” 在声明中，莲花汽车强调了英国对于莲花品牌的重要性，指出英国不仅是莲花跑车制造、全球设计中心、赛车运营以及莲花工程的所在地，也是其在欧洲最大的商业市场。官方表示，莲花汽车正在积极探索战略选择，以提高效率并确保在全球市场的竞争力，过去六年中，莲花在英国的研发和运营方面投入了大量资金，并且始终致力于支持英国、客户、员工、经销商、供应商以及珍视的英国传统。 此前有媒体报道称，莲花汽车关闭英国工厂的“指令”可能来自莲花中国管理层，部分原因是为消除关税壁垒，同时莲花计划赴美建厂。（快科技）

 自发售以来，《战锤40K 星际战士》复刻版因39.99美元（国区198元）的售价以及相对原版来说几乎相同的体验而在 Steam 获得了“多半差评”（29%好评）的评测。不仅如此，购买本作的玩家也少之又少，因此多人模式无法匹配到玩家。 &lt;内嵌内容，请前往机核查看&gt; 针对不佳的游戏体验，SneakyBox 及 Relic Entertainment 决定为夏促前购买游戏的玩家开放退款，无论游戏时间长短。在7月10日前，玩家仅需申请即可。同样，已经拥有周年纪念版的玩家则限时可5折购买本作。展望未来，开发团队将持续优化游戏，争取为玩家带来更好的体验。  本作中，玩家扮演泰图斯，极限战士战团中的一名星际战士，一位经历过无数战斗具有丰富经验的老兵。强大的兽人部落入侵了帝国铸造世界。在这里，为了人类永无止境的生存之战各种战争机器在不断地制造出来。

<blockquote><p>在数字化浪潮中，出海产品面临着本土化难题，尤其是在语言和文化差异巨大的海外市场。本文作者通过使用“扣子空间”这一AI工具，成功为智能猫砂盆打造出海APP原型，攻克了本土化难题。文章将分享这一过程中的经验和心得，探讨AI如何助力产品出海，以及如何利用AI工具提升工作效率和用户体验。</p> </blockquote>  作为一个长期关注AI Agent和AI工作流的博主，饼干哥哥一直在探索能真正改变我们工作模式的AI工具。 ## 缘起：一次AI播客 因为工作繁忙，我习惯在通勤路上听播客来获取最新的AI领域玩法。最初，我使用谷歌的NotebookLM，将一些深度长文转换成播客来听。后来，扣子空间（coze.cn）上线后，我尝试了一下它AI播客功能，才真正感受到了“降维打击”： 只需要简单的说一句把这篇文章转成播客，它就能开始工作了  插一句，很多海外的agent 都无法访问微信的公众号文章，而扣子空间这块能力是在线的。  等一小段时间就生成好了：  各位也可以听听看效果： 暂时无法在飞书文档外展示此内容 与NotebookLM仅服务于个人学习笔记、生成的中文播客带有明显“朗诵腔”不同，扣子空间展现了更广泛的应用场景和更强的拟人化效果 。 **它能将文章、网页链接、甚至是B站视频轻松转换成双人对话式的播客，两位主播间的对话流畅自然，甚至有打断、停顿和真实的交互感，几乎听不出是AI生成的 。这种在听感上以假乱真的“播客风”，完胜了其他同类工具。** 除此之外，扣子空间在上周上线了PPT功能，内置多个PPT模板。  例如我看「中国智能手机行业PPT」模板挺适合做行业分析的，就点了「做同款」让扣子空间做2025年的AI Agent分析报告看下。  跟以往直接生成不同，这里会补充PPT得具体要求，例如选择一个风格、页数等，先帮我生成大纲  确认大纲满意了，才开始生成PPT。确实是有实习生那味了 跑出来的结果还是不错的。  放几页PPT大家感受一下：    https://space.coze.cn/s/NIb5azt7h2w/ 这次体验让我意识到，AI Agent的能力已经远超简单的问答或内容转换。 于是，我萌生了一个想法：不再满足于常规的写报告、做PPT，而是想玩个大的——将它应用到一个真实、复杂且充满挑战的商业场景中：我的合伙人在创业做一款硬件产品——智能猫砂盆，**我想从0开始，利用扣子空间完成其出海美国市场的APP产品需求分析和原型开发。** 要是效果好的话，或许真的能落地到实际业务场景里，提高生产力。 ## 一、 背景：智能猫砂盆的出海挑战 作为一名中国智能家居领域的创业者，我合伙人对宠物赛道尤其看好。经过努力，他的团队已经成功研发出一款在硬件层面非常出色的智能猫砂盆。它的结构设计、自动清理机械装置和基础传感器都达到了市场领先水平。出海美国中高端市场，在硬件上我们有信心一较高下。 然而在**软件开发**，尤其是面向海外市场的软件开发，可能比硬件来的更困难些： - **本土化：** 作为一个纯正的中国团队，我们对美国市场的理解存在天然的鸿沟，包括**审美与UI、语言的“地道”、功能优先级差异，背后都依赖对美国消费者习惯的洞察** - **功能定义难：** 在解决了本土化的大方向后，具体的功能颗粒度应该多细？是简单地远程启动清理，还是应该加入猫咪的体重监测、如厕次数和时长统计？ (2) 我没有产品经理的经验，拍脑袋做的决定很可能偏离用户真实需求。 - **缺乏开发资源：** 在产品初期，我们没有预算去组建一个包含海外市场专家、产品经理、UI/UX设计师和前端开发的完整APP团队。我需要一个低成本、高效率的解决方案来完成APP的“冷启动”。 AI Agent其实就很适合扮演一支团队的角色，接下来我就让它帮我完成从市场调研、需求分析(PRD撰写)到APP原型设计的全过程。 ## 二、 实战：用扣子空间打造出海APP 做产品不能是「空穴来风」，这里我找了一个在美亚上的同行爆款，作为我们这次任务的起点。  进入扣子空间https://space.coze.cn/，新建一个任务。 我是重度飞书用户，几乎所有的创作和协作都是在飞书里完成的。 这次的任务也不例外，我想**把扣子空间产生的结论直接同步到我的飞书空间里。** 这个需求，我们可以通过内置的MCP扩展能力来解决 如图，点开扩展  添加扩展中，找到飞书云文档选择添加  按要求完成账号授权即可。  同时，我们也看到这里还有很多其他的能力可以调用，即使没有，也可以通过自定义的形式把第三方外部的接口通过MCP接进来供AI调用，这样一来，扣子空间的能力边界就大了很多。 话说回来，接下来，老规矩，**做产品一定是要先做市场调研的。** ### 第一步：AI市场调研与用户痛点分析 这里，我直接把前面亚马逊网站上的对标爆款链接发给扣子 同时我担心网络问题不知道是否能正常访问，我也下载了一份PDF给到扣子 让它去做深度的美国市场分析报告，并且在最后把报告存到我的飞书空间里（有一种让实习生做完后把报告交到我办公室的感觉） <blockquote><p>请分析这份关于”Litter-Robot 3 Connect”的亚马逊产品页面PDF，并结合所有用户评论，为我生成一份面向美国市场的深度分析报告。报告需包含：</p> <p>1）用户最赞赏的核心功能点；</p> <p>2）用户抱怨最多的槽点；</p> <p>3）分析并总结产品描述和高赞评论中的语言风格和“口吻”；</p> <p>4）总结一份美国市场的目标用户画像。</p> <p>具体的产品地址：https://www.amazon.com/Litter-Robot-Connect-Whisker-Grey-Self-Cleaning/dp/B09315VP9K/ref=sr_1_2_sspa?crid=LSHMO5FABVDL&amp;dib=eyJ2IjoiMSJ9.WdudprAr0mYh9AlT5Cu2wM5zEs4u9rox9VbYOcgP1aNyTCvfhfzFD02_0EWIAjaTOWU8VztNXlTq8RKPHX9_Tls7ZXrab-aT4eHCZjPiPgD-3bLkUfTZX3ky6PVpTCADG1qu5H03kUvBPkBzIG-lXbASawho8hPRSTlVcTrRjcwELUDJrKJHhMzUipQWZA_72svjVKdk8AudHDDaJJI3RWB06OWkdMTDl5aED-HsBIguHIeeDosPvdGxHDEBkByMp0K-YerbqdA1mnUx1GOFLt_HoYoQuerxmKa28DruTT0.9XCxAkZpod7QHo2-Vzte0LOIMjoWIv7SOt3eg6yyXl8&amp;dib_tag=se&amp;keywords=litter%2Brobot&amp;qid=1749371600&amp;sprefix=liter%2B%2Caps%2C1690&amp;sr=8-2-spons&amp;sp_csd=d2lkZ2V0TmFtZT1zcF9hdGY&amp;th=1</p> <p>调用工具`飞书云文档`把最终的用户画像分析报告新增到我的飞书空间里，给我飞书文档链接。</p></blockquote> 此时，不着急马上开始。 扣子空间，对于高频常见的场景做了一些内置的Agent专家，帮助小白用户能快速且高效的完成复杂任务。 这个专家，可以在对话框的专家协作里找到，点击后，会列出来目前有的专家Agent 这里就有用户研究专家适合我们当前的场景，不妨用上。  ok，以下就是完整的需求，点发送，但先别走  **扣子空间会先对我们的需求进行拆解，并罗列执行计划**，如下图： 看上去还不错，点「开始任务」，这会就可以走了，一般来说，Agent的工作会持续至少5分钟以上，长则大半小时，所以这个时间可以切换到别的页面做别的事，甚至是关掉页面也ok，所有任务都在后台运行  但我是何许人也，抠门老板是会留下来监工的 就发现一件离谱的事：本来我还担心它访问美版亚马逊网站会有什么问题，结果很丝滑地进到了目标网站里进行浏览，同时还能正确识别评论区的位置点击进到更多的评论区域 **这里调用的是类似browser-use的网页自动化的能力。**  OK，一顿操作后分析报告做好了。 但我们看到，**Agent给的不是一份报告，而是多份整理、统计、分析结果汇总出来的分析报告。** 说实话，我们团队的实习生来做，也未必能做这么规范。。。  最终报告也同步到了我的飞书空间里： https://ry6uq5vtyu.feishu.cn/docx/K5y3dXUAao1Ug2xJnXTcN18InVg 在我第一次跑的时候，还会有一份mdx的版本，图文并茂：  坦白说，**产出报告的价值，不在于它生成了多少文字，而在于它如何从一个真实的亚马逊产品页面中，提炼出了对“出海”业务（也就是这次需求）至关重要的洞察。** 整体上看报告是合格的，对官方营销文案和用户高赞评论的**语言风格进行了拆解和对比** 另一个惊喜是它构建用户画像的逻辑。它并非简单罗列，而是通过**合成分析**得出的结论：从产品体积较大，推断出用户多为独立住宅或大公寓 ；从APP远程控制功能，推断出用户是注重效率的上班族 。这种连接“产品参数”与“用户生活方式”的分析能力，往往是我们很多人力所不具备的，或者说吃力的。 OK，美国市场的需求和用户痛点，我们算是略知一二了，接下来就可以着手做产品开发。 ### 第二步：AI生成产品需求文档（PRD） 同样不着急马上去做APP开发，而是要理一份产品需求文档，把需求讲清楚了，才能提高开发效率。 而需求文档，是要基于第一步的深度分析报告里的结论，参考提示词： <blockquote><p>根据以上的深度分析报告，为一款名为‘Kitty+’的智能猫砂盆APP撰写一份产品需求文档（PRD）。该APP主要面向美国市场。PRD应优先解决竞品的核心痛点，并包含以下模块：首页状态监控、远程控制、多猫管理、健康数据追踪、耗材余量提醒和智能通知系统。具体根据以上的深度分析报告结论来设计。</p> <p>同样保存一份到我飞书空间。</p> <p>参考要求及模板：<br/> “`<br/> # 产品需求文档(PRD)与高保真原型设计生成器</p> <p>## 角色定位</p> <p>你是一位兼具产品思维和设计才能的全栈产品专家，精通产品需求分析：</p> <p>– 能深入分析业务需求，精准定义用户痛点，构建清晰的产品逻辑和功能架构。<br/> – 你擅长将抽象需求转化为具体、可交互的高保真原型，强调设计方案与用户痛点的精准匹配。</p> <p>## 核心目标</p> <p>基于用户提供的产品概念，完成一份结构完整、逻辑清晰的产品需求文档(PRD)</p> <p>确保有效解决目标用户的核心痛点，通过富有说服力的文档，讲述一个完整的产品故事。</p> <p>## 输出内容：产品需求文档(PRD)</p> <p>#### 文档信息<br/> | 版本 | 时间 | 更新人 | 内容 | 位置 |<br/> |:—–|:—–|:——-|:—–|:—–|<br/> | 1.0 | [日期] | [姓名] | 创建文档 | – |</p> <p>#### 相关文档<br/> – [列出相关参考文档、设计文档或市场调研报告]</p> <p>#### 一、需求背景</p> <p>##### 1. 解决什么问题？<br/> [详细描述本产品/功能旨在解决的核心问题和痛点]</p> <p>##### 2. 覆盖多少用户？<br/> [描述目标用户群体及规模，包含用户画像和潜在市场]</p> <p>##### 3. 上线计划？<br/> [说明产品/功能的上线时间表和关键里程碑]</p> <p>##### 4. 还需要准备什么？<br/> [列出实现该产品/功能所需的资源、依赖条件和准备工作]</p> <p>##### 5. 需求列表<br/> [以表格或列表形式列出所有需求项，包括优先级和状态]</p> <p>#### 二、方案概述</p> <p>##### 2.1 核心业务流程<br/> [描述产品/功能的核心业务流程，可使用流程图或文字说明]</p> <p>##### 2.2 核心功能流程示意<br/> [提供核心功能的流程示意图和关键节点说明]</p> <p>#### 三、细节方案</p> <p>[根据产品类型和特性，自定义以下细节方案的章节结构]</p> <p>##### 3.1 [核心功能模块1]<br/> [详细描述该功能模块的设计和实现方案]</p> <p>###### 3.1.1 [子功能/页面/交互点1]<br/> [提供具体的功能设计和交互细节]</p> <p>###### 3.1.2 [子功能/页面/交互点2]<br/> [提供具体的功能设计和交互细节]</p> <p>##### 3.2 [核心功能模块2]<br/> [详细描述该功能模块的设计和实现方案]</p> <p>##### 3.3 [核心功能模块3]<br/> [详细描述该功能模块的设计和实现方案]</p> <p>#### 四、非功能性需求</p> <p>##### 4.1 性能需求<br/> [描述性能指标和要求]</p> <p>##### 4.2 安全需求<br/> [描述安全性要求和措施]</p> <p>##### 4.3 兼容性需求<br/> [描述兼容性要求，如设备、浏览器、操作系统等]</p> <p>#### 五、评估与风险</p> <p>##### 5.1 评估指标<br/> [列出产品/功能的成功评估指标]</p> <p>##### 5.2 潜在风险<br/> [识别潜在风险和应对策略]<br/> “`</p></blockquote> 得到的PRD： https://ry6uq5vtyu.feishu.cn/docx/B94rdGJ4jo0rQLxW6D0clKvZnBd  生成的PRD还是不错的，但是看文字还是比较枯燥，继续让扣子空间转成html来看 （感受到了老板的松弛感，有个想法就让实习生去做，AI根本不会累） 参考提示词： <blockquote><p>请根据 `Kitty+智能猫砂盆APP产品需求文档PRD.md`以及以下的要求，运用你全部的专业知识和创造力，创作一个单页HTML网页。直接输出完整HTML，不需要前后置引导语。</p> <p>## 角色定位</p> <p>你是一位兼具产品思维和设计才能的全栈产品专家，同时精通产品需求分析和html设计：</p> <p>– 在产品需求方面：你能深入分析业务需求，精准定义用户痛点，构建清晰的产品逻辑和功能架构。<br/> – 在设计方面：你是一位富有同理心且极具创造力的世界级App设计大师，曾获得Apple Design Awards和App Store年度精选推荐。<br/> – 你擅长将抽象需求转化为具体、可交互的高保真原型，强调设计方案与用户痛点的精准匹配。<br/> – 你拥有出色的视觉叙事能力，能将设计理念和用户流程以引人入胜的方式呈现。</p> <p>## 输出内容</p> <p>#### 设计系统构建与风格定义<br/> – 确定符合产品定位与目标用户情感诉求的设计风格和视觉语言<br/> – 创建一致且富有表现力的色彩系统、排版层级和组件库<br/> – 设计符合平台特性且自然流畅的交互模式和画龙点睛的动效</p> <p>#### 痛点驱动的原型设计与实现<br/> – 设计以解决核心痛点为导向的完整用户流程和页面导航结构<br/> – 创建所有关键页面的高保真界面设计，确保每个设计决策都有明确的用户价值支撑<br/> – 实现核心交互功能和页面转换效果，特别关注那些能直接缓解用户痛点或带来愉悦感的交互细节<br/> – 确保设计在各种设备上的适配性与体验一致性</p> <p>## 技术实现要求</p> <p>### HTML交互原型输出格式</p> <p>请提供一个精心组织、体验流畅的单一HTML文件，包含以下内容：</p> <p>1. **沉浸式交互原型展示**<br/> – 在单一HTML页面中有序地、故事化地展示所有关键界面<br/> – 按核心用户旅程顺序排列原型，引导阅读者自然地理解操作流程<br/> – 实现响应灵敏、符合直觉的可点击交互元素和页面导航<br/> – 恰到好处地展示关键微交互、状态变化和过渡动效，提升代入感和惊喜感<br/> – 考虑加入简短的引导性说明或标注，解释特定设计元素或交互的目的，特别是其如何解决用户痛点</p> <p>2. **设计理念阐述部分**<br/> – 产品定位、目标用户画像及核心痛点分析<br/> – 可视化的核心用户流程图和功能地图（用Mermaid库+Fontawesome实现）<br/> – 痛点解决方案详解：明确指出识别出的核心痛点，并详细阐述原型中的哪些具体设计是如何针对性地解决这些痛点的<br/> – 设计亮点与创新点说明：解释其价值所在<br/> – 设计风格选择理由和设计系统关键要素说明</p> <p>### 技术规范</p> <p>– **基础框架**：<br/> – 主要：Tailwind CSS (https://lf3-cdn-tos.bytecdntp.com/cdn/expire-1-M/tailwindcss/2.2.19/tailwind.min.css)<br/> – 备用：Tailwind CSS (https://cdnjs.cloudflare.com/ajax/libs/tailwindcss/2.2.19/tailwind.min.css)<br/> – **图标系统**：<br/> – 主要：Font Awesome (https://lf6-cdn-tos.bytecdntp.com/cdn/expire-100-M/font-awesome/6.0.0/css/all.min.css)<br/> – 备用：Font Awesome (https://cdnjs.cloudflare.com/ajax/libs/font-awesome/6.0.0/css/all.min.css)<br/> – **用户旅程/Flow说明**<br/> – Mermaid: https://lf3-cdn-tos.bytecdntp.com/cdn/expire-1-M/mermaid/8.14.0/mermaid.min.js<br/> – **字体系统**：<br/> – 中文字体：Noto Sans SC/Noto Serif SC (https://fonts.googleapis.com/css2?family=Noto+Serif+SC:wght@400;500;600;700&amp;family=Noto+Sans+SC:wght@300;400;500;700&amp;display=swap)<br/> – 基础字体：`font-family: Tahoma,Arial,Roboto,”Droid Sans”,”Helvetica Neue”,”Droid Sans Fallback”,”Heiti SC”,”Hiragino Sans GB”,Simsun,sans-self;`</p> <p>## 设计要求</p> <p>1. **视觉设计**：<br/> – 创建不仅美观，更能引发情感共鸣的视觉风格<br/> – 使用一致、和谐且服务于信息传达的色彩、间距和组件<br/> – 确保视觉层次清晰，有效引导用户注意力流</p> <p>2. **交互设计**：<br/> – 设计极其直观、无需思考的导航和信息架构<br/> – 提供及时、清晰、甚至令人愉悦的用户反馈和状态指示<br/> – 极致简化操作流程，最大程度降低用户认知负担和操作成本</p> <p>3. **内容呈现**：<br/> – 采用清晰易读、富有节奏感的排版<br/> – 恰当、优雅地使用数据可视化<br/> – 确保内容在不同设备上都具有卓越的可读性和美观度</p> <p>4. **创新与品质**：<br/> – 在遵循规范基础上，融入巧妙、贴心的创新元素，带来”啊哈”时刻<br/> – 像素级关注细节处理，追求卓越的工艺品质<br/> – 为产品注入独特的品牌个性和真诚的情感连接</p></blockquote> 实际业务落地的话，还是需要先看AI生成的需求文档哪里有问题需要调整后再做下一步。 不过这里，我是想完全让AI完成从0到1，所以就不改了。 **最终得到的这份视觉效果拉满的HTML版本的PRD：**       在我看来，扣子空间生成的这份PRD质量是到位的。 起码在**产品内核层面，它与前序的市场分析报告契合**。报告中提炼的用户画像（如注重效率的年轻上班族）和痛点，在这份PRD中都得到了精准回应。例如，“远程控制”和“定时清洁”功能直击上班族的“忙碌”痛点 ### 中途PPT汇报 对，没错，真正「落地」的业务场景中，不是一股脑就干到底的，我们需要及时跟领导或者客户汇报调研结果，达成共识，才能继续下一步 所以这里，我就让扣子空间帮我生成一份 PPT <blockquote><p>把这次任务中的`Litter – Robot 3 Connect美国市场深度分析报告.md`和`Kitty+智能猫砂盆APP产品需求文档.md`做成 PPT ，方便我向领导汇报。</p></blockquote> 能直接给一份 PPT 文档，就已经省了我们不少工作量了。  节选几张看看效果：    完整 PPT： 暂时无法在飞书文档外展示此内容 不得不说这PPT审美、排版都是在线的，封面、配图都做的不错，内容也都涵盖了我们需要汇报的文档。 OK，这里我们假设已经向领导明确了需求，就可以开始期待接下来的产品原型了。 ### 第三步：AI一键生成APP高保真原型（HTML） 因为在前面扣子空间给的PRD HTML里，APP原型已经初现端倪了，所以这里还是希望它能延续同样的风格，完成高保真原型的生成。 参考提示词： <blockquote><p>接下来更进一步，请根据 `Kitty+智能猫砂盆APP产品需求文档.md`以及以下的要求，运用你全部的专业知识和创造力，创作一个单页HTML网页：展示一套功能完善、视觉出众的高保真交互原型。</p> <p>直接输出完整HTML，不需要前后置引导语。</p> <p>现在需要输出高保真的原型图，请通过以下方式帮我完成所有界面的原型设计，并确保这些原型界面可以直接用于开发：<br/> 1、用户体验分析：先分析这个 App 的主要功能和用户需求，确定核心交互逻辑。<br/> 2、产品界面规划：作为产品经理，定义关键界面，确保信息架构合理。<br/> 3、高保真 UI 设计：作为 UI 设计师，设计贴近真实 iOS/Android 设计规范的界面，使用现代化的 UI 元素，使其具有良好的视觉体验。<br/> 4、HTML 原型实现：使用 HTML + Tailwind CSS（或 Bootstrap）生成所有原型界面，并使用 FontAwesome（或其他开源 UI 组件）让界面更加精美、接近真实的 App 设计。<br/> 拆分代码文件，保持结构清晰：<br/> 5、每个界面应作为独立的 HTML 文件存放，例如 home.html、profile.html、settings.html 等。<br/> – index.html 作为主入口，不直接写入所有界面的 HTML 代码，而是使用 iframe 的方式嵌入这些 HTML 片段，并将所有页面直接平铺展示在 index 页面中，而不是跳转链接。<br/> – 真实感增强：<br/> – 界面尺寸应模拟 iPhone 15 Pro，并让界面圆角化，使其更像真实的手机界面。<br/> – 使用真实的 UI 图片，而非占位符图片（可从 Unsplash、Pexels、Apple 官方 UI 资源中选择）。<br/> – 添加顶部状态栏（模拟 iOS 状态栏），并包含 App 导航栏（类似 iOS 底部 Tab Bar）。<br/> 请按照以上要求生成完整的 HTML 代码，并确保其可用于实际开发。</p> <p>这个html页面要求同时展示APP的多个页面，也就是说有多个iphone 15 pro的界面平铺在页面中，以便用户能直观看到全部产品页面。</p></blockquote> 还是在同个任务对话框里，扣子空间很快就根据前面的文档生成了多份html文件，我们把它逐一下载下来，打开index.html  OK，效果长这样。整体来说还是比较完整的。  以下是前面找到的竞品，美国当地的智能猫砂盆爆品的手机app  **对比以下，你觉得扣子空间基于用户调研分析做出来的产品原型图更好看、合理，还是竞品做的更好呢？** ## 三、 总结：实力强但无项目经验的职场新人 这是我对扣子空间，同时也是当前阶段AI Agent的感受。 这次实践中，它能精准地解构真实的竞品页面，提炼出关于用户画像和语言风格的深刻洞察，并转成一份逻辑严谨、交互丰富的可视化PRD 但因为是通用Agent的定位，虽然扣子空间有很多内置的专家角色可以用，但到垂直领域的任务中，想得到专业的反馈，融入业务经验的提示词是少不了的。 也就是说扣子空间是个**能力强但无项目经验的职场新人**，需要我们带着更多耐心去调教，效果不会令你失望。 很多人可能会觉得前面说的「融入业务经验的提示词」很难写，其实这里有个技巧，就是利用扣子空间搜索调研能力去生成就好了——用魔法打败魔法~ 说实话，这次实践**扣子空间完全超出了我的预期：** 核心在生产结果的稳定性上。要知道，在实际业务里面，我们要的不是多酷炫的结果，而是每次稳定的输出，也就是「确定性」，这点，或许是扣子空间的落地优势。 **我们看到，扣子空间为代表的AI Agent产品已经和原先Chat类型的简单问答划分时代了，变成了一个具备感知、规划、执行能力的实习力，还不十分强大，但未来可期。** **这，或许就是AI Agent所带来的，生产力的真正重塑。** 本文由作者 @饼干 投稿发布，未经许可，禁止转载。 题图来自Unsplash，基于CC0协议

6月27日，中国大陆通信芯片、智能手机芯片龙头紫光展锐在上海证监局办理辅导备案登记，正式启动A股上市进程，辅导机构为国泰海通。   知名市场调研机构Counterpoint Research发布的2025年第一季度全球智能手机应用处理器市场份额排名显示，紫光展锐出货量排名第四，市占率为10%，仅次于联发科、高通、苹果。  根据胡润研究院《2025全球独角兽榜》，紫光展锐估值为715亿元。 新紫光集团旗下公司紫光展锐成立于2013年8月26日，注册资本为55.32亿元，法定代表人是马道杰，控股股东北京紫光展讯投资管理有限公司直接持股32.22%。  根据公开企业信息查询平台企查查，国家大基金、英特尔中国分别是紫光展锐的第二、三大股东，分别持股12.76%、10.85%。  官网显示，紫光展锐是全球少数全面掌握2G/3G/4G/5G、Wi-Fi、RedCap、蓝牙、电视调频、卫星通信等全场景通信技术的企业之一。在核心的5G领域，紫光展锐是全球公开市场3家5G手机芯片企业之一。 紫光展锐具备大型芯片集成及套片能力，产品包括移动通信中央处理器，基带芯片，射频前端芯片，射频芯片等各类通信、计算及控制芯片等，场测覆盖全球140+国家和地区，通过全球270+运营商的出货认证，拥有包括荣耀、小米、realme、vivo、三星、摩托罗拉、海信、中兴、京东、银联、格力在内的500多家品牌客户。 该公司曾多次获得国家科学技术进步奖，累计申请专利超11000项，拥有3G/4G/5G、多卡多待、多模等核心专利。 今年3月，紫光展锐推出专为全球主流用户打造的畅享影音和游戏体验的5G SoC——T8300。该芯片支持5G双卡双待、最新Android 15，首次融合5G NR NTN卫星通信、5G MBS广播功能，并升级了影音体验。 T8300芯片采用了6nm制程，8核CPU架构（由2个主频为2.2GHz的Arm Cortex-A78大核和6个主频为2.0GHz的Arm Cortex-A55组成），A78主频相比上一代产品能效提升了28%。同时，Mali G57双核GPU架构和高速闪存UFS2.2搭配LPDDR4X的组合，使得T8300在安兔兔V10的跑分中突破51万分。  新紫光集团执行副总裁、紫光展锐董事长、紫光国微副董事长马道杰毕业于北京邮电大学电信工程系，获通信工程专业学士学位，后获得挪威管理学院信息通信管理硕士学位及法国雷恩商学院工商管理博士学位，曾获国家科技进步一等奖。 他曾任中国联通广西分公司副总经理，联通华盛通信技术有限公司副总经理，天翼电信终端有限公司总经理、中国电信移动终端管理中心总经理，中国电信集团工会副主席，联想集团副总裁兼中国区移动业务常务副总裁，2017年12月加入新紫光集团，历任紫光国微常务副总裁、总裁、副董事长兼总裁、董事长兼总裁，兼任紫光存储、紫光宏茂、紫光联盛等公司董事长。 新紫光集团执行副总裁、紫光展锐CEO任奇伟是著名的半导体技术专家，正高级工程师，拥有清华大学学士和硕士学位，及荷兰代尔夫特理工大学博士学位，均为微电子专业。 任奇伟在半导体行业有20余年集成电路技术及企业经营管理经验，曾是荷兰飞利浦半导体公司的高级工程师和项目负责人。之后，他加入德国奇梦达公司西安研发中心，担任设计总监。 2009年他推动浪潮集团收购该研发中心，改制重建为西安华芯半导体有限公司，担任公司总经理负责公司全面运营，同时兼任山东华芯半导体高级副总裁，2015年西安华芯半导体有限公司被新紫光集团收购并更名后，任西安紫光国芯半导体有限公司的总经理。他还曾担任过紫光国芯微电子股份有限公司的副总裁、北京紫光存储科技有限公司CEO及相关子公司董事长。 企查查显示，英特尔资本、海尔资本、上海集成电路产业投资基金、国家大基金一期及二期、清华大学教育基金会、北京政府引导基金、浦东创投集团、中关村发展集团等均曾投资紫光展锐。  在国际市场，紫光展锐5G芯片已被摩托罗拉、中兴、HMD等全球品牌采用，在欧洲、拉美、东南亚、南亚等市场实现量产，搭载展锐芯的5G手机已出货85个国家。 [查看评论](https://m.cnbeta.com.tw/comment/1509722.htm)

6月30日消息，The Information撰文称，假设你是人工智能领域的顶尖人才，已经晋升为OpenAI的高级研究员，眼看着公司估值从不到200亿美元飙升至2600亿美元，你手中的股权账面价值也水涨船高。这时，Meta首席执行官马克·扎克伯格（Mark Zuckerberg）突然亲自给你打电话，开出数千万美元的薪酬报价，希望你能加入他的AI实验室，帮助他拯救正陷入困境的AI实验室。 [](https://static.cnbetacdn.com/article/2025/0620/a6cd4b21b0a957f.png) 你会认真权衡，这样的跳槽到底值不值吗？ 一位曾面对这种抉择的业内人士表示：**“很多OpenAI的早期员工已经实现了财务自由。有人看到2500万美元的报价时，会说：‘扣完税也就剩一半。’”**他最终拒绝了扎克伯格的邀约，并称：“我记得十年前，大家看到40万美元的薪酬还会惊呼‘哇哦’，但现在这场战斗已经彻底失控。这其实还是保守的说法。” **自2022年ChatGPT问世以来，AI行业的人才争夺战持续升温。随着巨额资本的不断涌入，竞争愈发白热化。**一年前，埃隆·马斯克（Elon Musk）就曾直言，这是一场“我所见过最疯狂的人才争夺战”。而现在，战火仍在蔓延。 “在过去18个月里，AI研究员就像足球运动员一样——谁出价高，他们就去哪儿，”前Hugging Face研究员维克多·萨恩（Victor Sanh）说道。他在创立自己的AI初创公司之前，曾收到一系列“令人咋舌的报价”。 **而最近几周，情况已经达到了彻底疯狂的程度。扎克伯格发起了一场闪电式招聘攻势，意图迅速壮大Meta的AI团队，追赶其他竞争对手。** 其中最引人瞩目的交易是：Meta斥资143亿美元收购Scale AI 49%的股份，并聘请了该公司联合创始人兼CEO汪韬（Alexandr Wang）。此外，Meta还正在与前GitHub CEO 纳特·弗里德曼（Nat Friedman）和Safe Superintelligence CEO 丹尼尔·格罗斯（Daniel Gross）洽谈加入，同时部分收购他们的风险投资基金，交易金额或超过10亿美元。 与此同时，OpenAI首席执行官山姆·奥特曼（Sam Altman）透露，扎克伯格为挖走OpenAI人才，曾开出高达1亿美元的签约奖金。就在几天前，Meta成功从OpenAI位于苏黎世的办公室挖走了三位研究员，他们曾在谷歌DeepMind共事。不过，Meta首席技术官安德鲁·博斯沃斯（Andrew Bosworth）否认公司开出了1亿美元签约奖金。 **随着扎克伯格持续扩大招聘规模，猜测“谁是他的心仪人选”已经成为硅谷最热门的话题之一。即便并无意跳槽，收到扎克伯格的亲自邀约，也足以成为炫耀资本，还能借机向现任雇主争取更高待遇。**“我有不少朋友天天刷WhatsApp消息，就为等扎克伯格的私信，”一位风投人士笑言。 然而，这场“黄金招聘”也带来了副作用。**大量获得高薪的新员工涌入，令现有员工怨声载道——他们不得不与年薪是自己两三倍甚至更多的新同事共享开放办公区。**Meta内部的不满情绪尤为严重，许多老员工感觉自己在扎克伯格眼中被“降级”为平庸之辈。 微软也遇到了类似问题。据一位招聘经理透露，微软管理层正在讨论，是否向内部调岗到AI团队的员工提供更多股权，以平衡外部新人的高薪。而在OpenAI，不少研究员正在讨论，如何争取留任奖金。一位前OpenAI研究员直言：“你完全能听到有人说，‘哇，我是不是该闹一场？’” **这场AI人才争夺战，已经成为硅谷历史上最猛烈、最昂贵的招聘狂潮。**多位业内研究员、创业者、投资人和高管表示，这种招聘规模和节奏，在任何行业的历史上都极为罕见。 Meta声称，今年的资本支出可能达到640亿至720亿美元，大部分将用于建设AI所需的数据中心。而谷歌CEO桑达尔·皮查伊（Sundar Pichai）也在4月重申，该公司今年计划投入750亿美元用于资本支出。 这一波高薪招聘不仅加剧了对AI技术主导权的竞争，也为观察AI行业格局提供了风向标：谁在崛起，谁在落后。 **目前最吃香的职位，是AI研究员和AI研究工程师，他们开发的模型支撑起整个AI热潮。**据一位大型科技公司招聘负责人介绍，初级工程师起薪一般为10万至12万美元，外加四年期约15万美元的股权。而一些估值超10亿美元的AI初创公司创始人表示，想要招揽合格人才，至少要给出15万美元以上的薪资，还得附带丰厚的股权激励。 **业内已经形成一套“招聘等级制度”：顶层是OpenAI、Anthropic和谷歌DeepMind，他们拥有足够的声望和资本，几乎可以招到任何人。**埃隆·马斯克旗下的xAI已迅速逼近这个梯队。**Meta有时也被归为顶级，但自从其Llama 4模型“翻车”以来，声誉下滑严重。**“为什么要为了高薪去一个落后的实验室？”一位竞争公司研究员如此反问。 **第二层是亚马逊、苹果、微软等科技巨头，再往下则是估值在数十亿美元左右的初创企业，如Perplexity、Cohere、Mistral AI。接下来还有更多层级，其中许多公司只是陪跑者，甚至永远无法成功。** **当然，对于最顶尖的工程师来说，致富的捷径往往是自己创办AI公司，待日后被收购。** **通常情况下，大公司可以轻松从梯队下层“捞人”，但要挖到比自己层级更高的人则很难。**初创公司喜欢挖走亚马逊那些长期疲于奔命的工程师，以及谷歌和Meta中从事较为无趣AI项目的员工，比如说负责将AI集成进Instagram的人员。与此同时，上市公司则会强调他们的股权激励比任何初创公司的都更具流动性，以吸引候选人。 在某些情况下，招聘活动横跨大洲。中国人形机器人初创公司千寻智能（Spirit AI）由于地缘政治紧张，已经排除了招聘美国人的可能。但该公司得到了宁德时代联合创始人和沙特主权基金Prosperity7 Ventures的支持，计划在旧金山湾区开设办公室，专门招募在美工作的中国公民。 在特朗普政府近期对在美中国留学生和毕业生采取敌对政策后，千寻智能也开始积极与谷歌、OpenAI等公司的中国人才接洽，趁机吸引顶尖AI和机器人专家。千寻智能首席执行官韩峰涛表示：‘以前有些人确实不想回国，但现在很多人已经准备好回来。’ **硅谷AI研究圈关系错综复杂，大家不是曾共事过、就是出自同一博士项目。一些研究员表示，Meta开出的“八位数股权+八位数现金签约奖金”的消息，在业内迅速流传，引发众人惊叹。在大型科技公司中，现金补偿通常非常罕见，因为薪酬的大部分都是股票，用于提升员工留任率。** **即便研究员已入职，只要威胁要离职，也有可能再拿到一笔丰厚回报。**据知情人士透露，有员工在暗示将跳槽后，被Meta许诺获得更多自由、更大的工作范围和更高薪酬。据两位知情人士透露，Meta曾向研究员提供数百万美元的额外股权以挽留他们，这些报价中有些发生在与Scale的交易之前。当被问及Meta的反报价政策时，公司发言人表示公司不会提供反报价，而是“主动根据市场情况授予股权”，这属于标准的薪酬做法。 另一位研究员也透露，**在传出他可能跳槽至其他初创公司后，OpenAI为其开出数十万美元的现金挽留。**一位前OpenAI经理得知这个报价后表示，OpenAI曾给出过远超这个数额的留任方案。 **招聘者面临的一个问题是，并没有明确的标准来判断谁是最值得争取的目标。一**位知情人士透露，与过去相比，扎克伯格本轮亲自出击的邮件更加个性化，能具体提及候选人过往研究成果——显示出Meta正试图精准锁定那些在具体研究突破背后有明确贡献的人才。 不过，一家顶级AI实验室的高管坦言，目前AI研究非常复杂，几乎无法将某一项成果完全独立开来，以评估对改进AI模型的重要性。**最终，招聘往往归结为口碑传播——是否认识某个人或者曾经和他们共事过。** 即便是在相对常规的技术面试中，大型实验室如OpenAI、DeepMind、Anthropic所出的题目，往往也与实际工作内容关联甚微。 **无论他们如何决定人选，AI公司都在不遗余力地推动签约达成。**扎克伯格和汪韬亲自上阵，谷歌DeepMind甚至会请联合创始人谢尔盖·布林（Sergey Brin）亲自出面游说顶级人才。 据微软AI部门的一位招聘经理透露，在微软AI团队，工程师的薪资甚至可能是同级别其他部门的两倍以上。招聘经理会告诉工程师候选人，公司愿意匹配OpenAI、谷歌、Anthropic或Meta的报价。他们甚至会额外提供5万美元现金签约奖金，条件是候选人立即停止所有面试并接受offer，以避免候选人收到更高的竞争性报价。 Turing创始人、AI初创独角兽企业家乔纳森·西达哈特（Jonathan Siddharth）透露，他目前有超过30%的时间都花在招人上，这比几年前他投入的时间多了一倍。他还特意在每天早上8点安排“招聘专会”，他称之为自己的最佳表现时段。“就在我喝下加了三份浓缩的星巴克拿铁后，”他说。 **然而，无论公司或创始人向候选人投入多少时间和金钱，AI的疯狂节奏正在让行业内的一些人精疲力竭，使他们考虑转向科技行业的其他领域。** Meta AI部门的一位高管今年早些时候离职，放弃了远超过200万美元的总薪酬，此前该公司强调“去年很艰难，今年也会一样。”（这位高管回忆，最初公司发放股权的时候，他一度觉得自己像中了大奖。） 在顶级实验室的一些朋友鼓励这位高管考虑加入他们，甚至表示他可以在他们公司最新的项目中占据一个职位。在经历了典型的AI职业路径——先拿到本科学位，再取得多个高等学位，随后在初创公司任职，最终加入Meta——后，这位高管渴望休息一下，他一直在权衡自己的选择，并曾认真考虑加入他认为比AI压力更小的风险投资领域。“这肯定不会像现在这样辛苦，”他说。 [查看评论](https://m.cnbeta.com.tw/comment/1509720.htm)

二级市场的热闹并不能消弭固态电池在实验室与市场间的鸿沟，在技术和量产的困局面前，所谓产业化提速仍只是存在于中长期的美好愿景中。

为这款新App，蚂蚁集团董事长井贤栋和CEO韩歆毅罕见共同现身站台，凸显其在公司战略中的分量。