Under the deal, the Philippines will open its market and lift all tariffs on goods imported from the U.S., and the two countries "will work together Militarily", according to Trump.

天桥脑科学研究院创始人陈天桥指出，“不要把脑机接口只当作赚钱的风口。”

<blockquote><p>特殊医疗场景带来的挑战，不只是流程变异，更是角色结构与数据节奏的复杂协同。本文以PACS系统为样本，从功能定制、数据交互、体验优化三个维度出发，拆解如何在差异场景中做出“既通用又精准”的产品决策。</p> </blockquote>  医疗信息化的深水区，影像归档和通信系统（PACS）正经历一场静悄悄的革命。十年前，它还是三甲医院放射科里高大上的标准化设备，负责影像的存储与调阅；而今天，在乡镇卫生院的诊室里、在雪域高原的远程会诊车中、在儿童专科医院的检查室里，PACS正以截然不同的形态支撑着诊疗流程。这种渗透背后，是医疗场景对技术的反向塑造，当基层医生抱怨老X光机传不出数据，当传染病院要求数据只进不出，当家长追问孩子做CT的辐射会不会影响未来，通用型PACS的标准化逻辑已难以为继。 这场转型的本质，是从技术驱动到需求驱动的转向。传统PACS更像一把标准化的手术刀，能应对常规手术却切不了特殊病灶；而场景化PACS则是一套定制工具包，针对不同场景的病理特征设计功能，基层缺网络，就用边缘计算本地化先处理；远程要效率，就靠5G切片开专线；儿童怕辐射，就建智能阈值主动踩刹车。本文将深入这些场景的需求细节，拆解技术创新如何落地为解决实际问题的方案，以及这种转型对医疗资源均衡化的深层意义。 ## 一、基层医院场景 ### 1. 现实困境 基层医疗的复杂性，藏在那些不为人知的细节里。在某西部乡镇卫生院，我们曾见过这样的景象：2010年购入的DR机输出的是BMP格式图像，2005年的超声设备只能打印胶片，而2020年的新CT却严格遵循DICOM标准，三台设备像三个语言不通的孤岛，数据根本无法汇总。更棘手的是网络：该院带宽标称8Mbps，但实际测试中，上传一张30MB的CT影像需要40分钟，遇到雷雨天气，网络甚至会中断数小时。 人才短板则让问题雪上加霜。多数基层医院没有专职IT人员，系统出问题时，医生只能拨打厂商的400电话，而远程调试往往因为网络差难以推进。某社区卫生服务中心的医生曾无奈地说：有次系统连不上，等工程师从市区赶来，上午的检查患者都走光了。这种设备不兼容-网络传不动-操作玩不转的恶性循环，让不少基层医院的PACS成了摆设。 ### 2. 轻量化方案 针对这些痛点，我们的轻量化PACS没有选择砍功能，而是走了精准适配的路子。核心突破点在于三个层面： **设备接入层** 我们开发的多协议转换中间件，本质是一个设备语言数据库，内置了1300多种新旧设备的参数模型（从2000年代的X光机到2023年的超声设备）。它通过硬件接口（USB、RS232）或软件模拟（虚拟打印机驱动）连接设备后，能自动识别型号，再调用对应的解析算法：对BMP、TIFF等格式，用像素矩阵重组技术转换为DICOM；对胶片扫描件，则通过OCR识别患者信息，自动关联至对应检查。在某乡镇卫生院的测试中，这套中间件让15年的老X光机接入成功率从30%提升至98%，数据采集效率提高了3倍。 **数据处理层** 在江苏某社区卫生服务中心，我们部署了一台巴掌大的边缘计算终端（搭载ARMCortex-A73处理器，2GB内存），直接与CT设备相连。它的核心作用是先处理再上传： - 预处理：用自适应中值滤波算法去除呼吸运动造成的模糊（尤其适用于老年患者的胸部影像）； - 增强：通过U-Net深度学习模型自动识别肺部小结节，将其对比度提升40%； - 压缩：采用基于内容的分层压缩，保留病灶区域95%的细节，非病灶区域压缩至原大小的1/8。终端还内置了离线缓存功能，网络中断时，影像先存在本地4TB硬盘（成本仅1800元），网络恢复后自动同步至云端。这让基层医生能在检查后5分钟内看到处理后的影像，彻底摆脱了对实时网络的依赖。 终端还内置了离线缓存功能，网络中断时，影像先存在本地4TB硬盘（成本仅1800元），网络恢复后自动同步至云端。这让基层医生能在检查后5分钟内看到处理后的影像，彻底摆脱了对实时网络的依赖。 **操作层** 我们砍掉了传统PACS中30%的专业功能（如3D重建、多模态融合），只保留患者登记-影像采集-报告书写-归档核心流程。界面设计上，用图标替代文字（比如用相机图标代表采集，文件夹代表归档），并接入社保卡读卡器，医生刷一下患者社保卡，系统就会自动调出该患者的历史影像，无需手动输入ID。某乡村医生反馈：以前调影像要点5次鼠标，现在跟划手机相册一样，接诊效率高多了。 ### 3. 存储与管理 基层医院的存储方案，每一分钱都要花在刀刃上。我们设计的混合存储+智能搬家机制，本质是高频数据本地化，低频数据云端化： - 本地硬盘存3个月内的影像（占日常调取量的90%），采用RAID5阵列（单盘故障不丢数据），保证1秒内调阅； - 云端对接医疗云服务商，用冷存储模式存3个月以上的影像（如体检档案、已治愈患者的旧片），按存储量付费（每年每GB成本约15元），比本地买硬盘省70%。 系统的智能迁移引擎会自动分析影像访问频率：连续6个月未被查看的影像，会在夜间网络空闲时（凌晨2-4点）自动转移至云端，同时在本地保留缩略图和索引。某山区卫生院用这套方案后，本地硬盘占用率从95%降到42%，每年节省存储成本近2万元。 索引设计则贴紧基层医生的工作习惯。除了常规的患者ID、检查日期，还支持症状-部位双关键词检索（如输入咳嗽+胸部），系统会调出近1个月内所有胸部影像，并按检查日期排序。这种不用记ID，凭症状找片子的设计，让基层医生用起来更顺手。 ## 二、远程医疗场景 ### 1. 实时传输 远程医疗的核心诉求很简单：让专家在3分钟内看清影像。5G技术虽然提供了1Gbps带宽和&lt;20ms时延的硬件基础，但真正落地需要解决三个问题： **5G切片** 在与某省远程医疗平台的合作中，我们联合运营商做了网络切片优化：将5G基站的部分信道划分为医疗专用切片，并设置QoS（服务质量）优先级，影像传输的优先级高于视频通话、网页浏览等业务。实际测试中，偏远地区的CT影像传输速度从4G时代的3分钟/例（200张图像）降到了5G时代的8秒/例，且99.7%的传输能在10秒内完成。 **智能压缩** 传统的JPEG2000压缩是一刀切（对整幅影像按同一比例压缩），而我们的深度学习压缩模型能做到按需分配： - 用U-Net模型自动分割影像中的关键区域（如肺部结节、骨折线）和非关键区域（如正常组织、背景）； - 关键区域保留95%的细节（压缩率1：3），非关键区域压缩至原大小的1/20（保留基本轮廓）； - 压缩后的影像大小仅为原文件的1/8，却能保证诊断准确性（与原始影像的诊断符合率达7%）。 **极端网络应对** 在新疆牧区的试点中，我们遇到过更棘手的问题：网络时断时续，甚至出现传10张图断3次的情况。为此开发的断点续传+渐进式加载功能成了救命稻草： - 断点续传：用TCP协议的分片传输机制，每传完10张图像就记录一次进度，网络恢复后从断点继续，避免重复传输； - 渐进式加载：医生打开影像时，先加载256×256分辨率的预览图（1秒内完成），再逐步加载512×512、1024×1024分辨率的细节，3秒内可看清病灶。某援疆专家说：以前网络不好时，只能对着空白屏幕等；现在哪怕信号断断续续，先看预览图也能大致判断病情，不会耽误抢救。 ### 2. 多终端协同 远程会诊的终端五花八门（手机、电脑、会诊车Pad），PACS必须能入乡随俗： **手机端** 手机界面遵循极简原则：首页只显示待会诊患者列表（含姓名、检查类型、申请时间），点击患者姓名后直接进入影像浏览界面，支持双指缩放（放大倍数最高8倍）、左右滑动切换图像序列、双击标注病灶。某三甲医院的专家反馈：出诊路上用手机就能看片，给基层的回复快了很多。 **电脑端** 针对专家的深度阅片需求，电脑端保留了全套专业功能： - 多模态融合（同时显示CT和MRI，可叠加对比）； - 3D骨骼重建（支持旋转、切割，观察骨折细节）； - 测量工具（钙化灶大小、脑室宽度等精确到1mm）。 **会诊车** 在四川某县的移动会诊车中，我们做了设备-系统-网络的深度集成： - 车载超声、便携式DR检查完成后，影像通过蓝牙（10米内）自动传入车载PACS终端； - 终端内置5G模块和卫星定位，可实时回传车辆位置（方便专家判断是否为偏远地区急诊）； - 医生在车内即可发起视频会诊，同时调取患者在县医院的历史影像（通过医保电子凭证关联）。 ### 3. 权限管理 跨机构数据共享的最大难题是：既要让专家能用数据，又要保证数据不泄露。我们基于区块链设计的权限管理机制，核心是动态授权、全程留痕： **申请环节** 县医院发起会诊时，需上传患者签署的电子知情同意书（带时间戳和电子签名），并上链存储（写入区块链的区块中）。区块链的不可篡改性，确保了授权的真实性，即使有人想伪造同意书，也无法修改链上记录。 **授权环节** 智能合约会自动生成访问密钥，包含三个限制： - 时间限制（最长72小时，可按需设置为24小时、48小时）； - 权限限制（仅查看，不可下载、截图）； - 次数限制（同一专家最多查看5次）。 专家用密钥登录后，系统会实时记录操作（何时查看、查看了哪些图像），并同步上链。 **回收环节** 密钥到期后，系统会自动回收权限，专家再登录时会提示权限已失效。某跨省会诊案例中，湖南某县医院为一名疑难病患者发起会诊，北京专家在48小时内查看了影像并给出建议，到期后系统自动锁闭，全程无人工干预，却实现了数据可用不可见。 ## 三、体检中心场景 ### 1. 批量处理 体检中心的影像处理像一条高速流水线，每天要处理上千例检查，PACS的作用就是让这条线不卡顿、不出错。在上海某体检中心的优化中，我们做了全流程自动化： **预约阶段** 系统与体检信息系统（LIS）通过HL7FHIR协议对接，每天凌晨同步次日受检者信息（姓名、性别、年龄、检查项目），并自动分配检查设备和时间slot（如7:30-7:45胸部DR，设备1）。受检者到院后刷身份证，系统会自动跳出检查指引（请先到3楼DR室做胸部检查），减少人工引导成本。 **检查阶段** 设备完成拍摄后，影像通过DICOM协议自动上传（无需人工点击上传），系统会按两个维度分类： - 按检查项目（胸部DR、腹部超声、颈椎CT）； - 按状态（已完成、待审核、需复查）。同时，系统会自动校验患者信息-影像的匹配性（通过身份证号关联），避免人工录入时的张冠李戴（某体检中心用这套方案后，信息错误率从2%降到0.3%）。 同时，系统会自动校验患者信息-影像的匹配性（通过身份证号关联），避免人工录入时的张冠李戴（某体检中心用这套方案后，信息错误率从3.2%降到0.3%）。 **审核阶段** 医生工作台的影像按先到先审排序，支持同时打开10例影像（分两排显示，每排5例），方便快速对比（比如对比同一单位员工的胸部DR，发现群体性异常）。遇到异常时，医生可一键标记（如肺部结节，建议3个月后复查），标记会自动同步至受检者的体检报告系统。 ### 2. 报告生成 体检报告既要规范（符合医学标准），又要易懂（让普通人看明白）。我们构建的报告系统，核心是模板打底+智能填充+个性解读： **模板库** 内置12类细分模板，覆盖不同场景： - 入职体检模板：重点标注职业禁忌证（如听力下降、肺功能异常）； - 老年体检模板：突出慢性病相关指标（如脑白质疏松、颈动脉斑块）； - 女性体检模板：增加乳腺、子宫附件的影像描述（如乳腺BI-RADS分级2类，良性）。 **智能填充** 系统用NLP（自然语言处理）技术提取影像中的关键数据： - 定量数据（如甲状腺结节大小8×0.6cm）； - 定性描述（如肝脏回声均匀，未见明显占位）。这些数据会自动填入模板的对应位置，医生只需补充建议部分（如建议每年复查一次甲状腺超声）。某体检中心的统计显示，报告生成时间从15分钟/例缩短至3分钟/例。 这些数据会自动填入模板的对应位置，医生只需补充建议部分（如建议每年复查一次甲状腺超声）。某体检中心的统计显示，报告生成时间从15分钟/例缩短至3分钟/例。 **个性解读** 对异常结果，系统会自动关联通俗解释和示意图： - 发现肺部微小结节后，会显示这种结节多数为良性，就像皮肤上的小痣，建议每年复查一次，并配结节位置示意图； - 颈椎曲度变直时，会提示长期低头看手机可能加重，建议每小时抬头活动5分钟。 报告还支持导出为PDF或微信小程序形式，受检者可随时查看，并通过小程序直接预约复查，这种检查-报告-复查的闭环，让体检的价值延伸得更远。 ## 四、传染病医院场景 ### 1. 影像传输 传染病医院的核心要求是：绝对隔离，病区的影像数据可以传出去，但外部的病毒、黑客不能通过系统溜进来。在武汉某传染病医院的改造中，我们设计了双网双机+光闸的物理隔离方案： **双网双机** - 病区网：只连接检查设备（CT、DR、超声），与外部互联网完全断开（物理层面无连接）； - 诊断网：供医生阅片、写报告，可连接内部办公网，但与病区网物理隔离。 两台独立的服务器（病区服务器、诊断服务器）分别部署在两个网络，中间用一台光闸（物理隔离设备）连接，光闸的作用是只让数据从病区网传到诊断网，不让任何数据从诊断网回传至病区网，就像一个单向阀门。 **光闸传输** 为防止数据在光闸内被窃取，我们设计了实时加解密机制： - 数据进入光闸时，用SM4算法解密（去掉病区网的加密）； - 离开光闸进入诊断网时，重新用诊断网的密钥加密； - 整个过程中，数据不在光闸内存储（内存实时处理），避免留下明文。 这套方案通过了国家信息安全等级保护三级认证（医疗行业最高等级），完全满足传染病院的隔离要求。 **应急传输** 特殊情况下（如需要外送会诊），系统会自动脱敏处理影像（去除姓名、身份证号、住院号等信息，仅保留性别、年龄和检查号），由专职人员用加密U盘（AES-256加密）拷贝。U盘插入电脑时，系统会自动记录操作人、时间、拷贝内容，并启动摄像头录像（保存3个月），确保全程可追溯。 ### 2. 数据防护 传染病数据的敏感性极高（涉及患者隐私、疫情防控），防护必须层层加码： **存储加密** 采用国密SM4算法对磁盘全盘加密，即使硬盘被盗，没有密钥（由医院信息科专人保管，分AB钥，需两人同时输入）也无法读取数据。某医院曾发生硬盘丢失事件，因加密保护，未造成数据泄露。 **传输加密** 所有数据传输（无论是光闸内的还是院内局域网）都通过SSL/TLS1.3加密通道，该协议能防止中间人攻击（黑客无法伪装成接收方窃取数据），且握手时间比旧版SSL/TLS缩短50%，不影响传输效率。 **访问控制** 医生登录系统需过两道关： - 密码（复杂度要求：8位以上，含大小写字母、数字、特殊符号）； - 动态令牌（每60秒生成一个6位随机码，硬件令牌由个人保管）。 更严格的是最小权限原则：呼吸科医生只能查看呼吸病区患者的影像，感染科医生只能查看感染病区的，且只能看自己负责的患者（通过工号与患者床位关联）。 **操作审计** 系统会记录每一次影像访问的五要素：谁（工号）、何时（精确到秒）、看了什么（影像ID）、做了什么（查看、标注、打印）、用什么设备（IP地址、设备型号）。一旦发现异常操作（如深夜批量下载影像），系统会自动报警（向信息科负责人发送短信）。 ## 五、儿童专科医院场景 ### 1. 辐射管理 儿童对辐射的敏感性是成人的3-5倍（尤其是婴幼儿，器官仍在发育），PACS必须成为辐射守门人。在重庆某儿童医院，我们的系统与CT、DR设备做了实时联动： **剂量采集** 通过DICOMStructuredReporting协议，系统每秒采集一次辐射剂量参数： - CT：记录CTDIvol（容积CT剂量指数）、DLP（剂量长度乘积）； - DR：记录管电压（kV）、管电流（mA）、曝光时间（s）。这些参数会自动标注在影像上，医生一眼就能看到孩子这次检查受了多少辐射。 这些参数会自动标注在影像上，医生一眼就能看到孩子这次检查受了多少辐射。 **阈值预警** 系统内置了分年龄段的辐射安全阈值（参考国际辐射防护委员会ICRP139号报告）： - 新生儿胸部CT：安全阈值5mGy（CTDIvol），超过8mGy触发红色预警； - 3-6岁儿童腹部DR：管电压上限60kV，超过则弹窗提示。 当剂量超标时，系统会立即做三件事： - 弹窗提示技师（当前剂量偏高，建议降低管电流至80mA）； - 冻结设备操作界面（需技师确认继续或调整参数）； - 记录超标原因（自动存入设备日志，供后续分析）。 **数据沉淀** 系统积累的剂量数据，还能反推更安全的检查参数。比如通过分析1000例3-6岁儿童的腹部DR数据，发现用50kV管电压（原方案是60kV）即可满足诊断需求，辐射剂量降低15%，这为临床提供了循证依据，让低剂量检查从经验判断变成数据指导。 ### 2. 界面设计 儿童对医疗环境的恐惧，往往源于冰冷的器械和陌生的界面。PACS的界面设计，也能成为安抚工具： **视觉设计** 我们与儿童心理学家合作，做了三方面调整： - 主色调：用柔和的天蓝色（研究显示，蓝色能让儿童情绪更平静）； - 图标：用卡通形象替代医学术语，肺部检查用小熊吹气球（气球代表肺部），骨骼检查用小兔跳格子（格子代表骨骼）； - 按钮：做成圆形（避免棱角带来的压迫感），点击时有叮咚的卡通音效。 某医生反馈：以前孩子看到屏幕上的黑白影像会哭，现在看到小熊图标，反而会问’这是什么呀’，配合度高多了。 **操作设计** 给儿童做检查时，医生往往要一边哄孩子，一边操作设备，所以界面操作必须简单到不用看： - 手势操作：滑动切换影像序列（和手机相册一样），双击放大病灶，长按调出测量工具； - 语音控制：支持放大缩小保存等语音指令（准确率95%以上），医生不用松手就能操作。 **影像装饰** 系统支持在影像预览图上叠加卡通边框（如小熊、飞船、彩虹），检查时让孩子看屏幕：你看，小熊在陪你做检查呢。这种转移注意力的方式，能减少孩子的哭闹。 ## 六、模块化设计 ### 1. 模块架构 不同场景的需求差异太大（基层要轻量，三甲要专业），模块化是唯一能兼顾通用性和定制化的方案。我们将PACS拆解为12个核心模块，每个模块都有标准接口（基于HL7FHIR协议），就像乐高积木，可按需组合： **核心模块清单（部分）** - 设备接入模块（3个版本：全兼容版/基层轻量化版/传染病隔离版）； - 影像处理模块（含去模糊、增强、3D重建等子功能）； - 存储管理模块（本地存储/云端存储/混合存储）； - 报告模块（简易版/专业版/体检定制版）； - 权限模块（基础权限/区块链权限）。 模块的即插即用，大幅降低了部署成本。某连锁体检机构新增5家分院时，只需在总部系统中勾选批量处理模块+模板报告模块+LIS接口，3天内就能完成部署（传统定制开发需要15天）。 未来，我们还计划推出AI模块市场，第三方开发者可基于标准接口开发专科模块（如儿科辐射分析、肿瘤影像AI辅助诊断），医院按需订阅（按年或按次付费），让PACS像手机APP一样持续进化。 ### 2. 场景组合 每个场景的模块组合，都有其逻辑：  这种按需组合的模式，让PACS既能满足乡镇卫生院的基础需求，也能支撑三甲医院的复杂场景，真正实现了从一刀切到量身定制的跨越。 ## 七、场景化创新重塑医疗生态 PACS在特殊医疗场景的创新，从来不是技术炫技，而是问题倒逼的结果。基层医院的网络困境，让边缘计算从实验室技术变成刚需方案；远程医疗的跨域需求，让5G切片和区块链从概念落地为会诊工具；儿童患者的特殊需求，让技术从冰冷的代码长出人文的温度。 这些探索的价值，不仅在于解决了具体问题（让基层医生能用PACS，让偏远患者能看上专家），更在于重塑了医疗资源的配置逻辑，通过技术适配，让优质资源能沉下去（到基层）、传出去（到远程）、护起来（保安全）、暖起来（贴患者）。 未来，随着AI辅助诊断（如自动识别儿童骨折、传染病影像筛查）、元宇宙阅片（专家在虚拟空间共同分析影像）等技术的成熟，PACS还将向智能决策中枢演进。但无论技术如何迭代，以场景为导向，以患者为中心的原则不会改变，因为最好的医疗技术，永远是那些能真正解决问题、让每个患者都受益的技术。 本文由 @阿堂 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

 《无主之地4》将于2025年10月3日登陆Nintendo Switch 2，游戏的PS5、Xbox Series X|S、PC版将于9月12日正式发售。 

Bessent said Washington wants to discuss China&#39;s buying sanctioned Russian and Iranian oil.

<blockquote><p>伊能静的直播，不靠话术、不拼销量，却在低频“慢直播”中实现强链接。这篇文章试图拆解她如何借助内容生态与用户情绪连接，构建一套不走寻常路的“反带货”运营模型——在流量冷却中找到平台内容的生长逻辑。</p> </blockquote>  ## 序章：光的入场——一场没有脚本的家宴如何推开千万扇门 2023年9月6日的小红书直播间，没有预设的聚光灯，只有秦家客厅里漫出来的暖黄光线。那光线不刺眼，像傍晚时分家常菜刚端上桌时，窗台上斜斜铺开的那片温柔，刚好漫过伊能静微垂的眼睫。 彼时她正说着什么，声音不高，像朋友坐在对面聊天，尾音里带着点生活的松弛。突然提到原生家庭的某个瞬间，她的语速慢了半拍，喉结轻轻动了一下——没有刻意停顿的煽情，也没有镜头的特写捕捉，三姨递过来的纸巾带着褶皱，秦昊伸手帮她理了理耳边的碎发，动作自然得像每天都会发生的事。屏幕外的166万人，就在这一刻突然意识到：这不是一场直播。 没有“3、2、1上链接”的机械口令，没有“最后50组”的制造焦虑，甚至连产品上架都显得漫不经心。伊能静的公婆坐在旁边的沙发上，老爷子偶尔插一句“我们那时候养孩子”，三姨接过话头讲起她年轻时的育儿经，助理抱着笔记本蜷在角落，时不时被某个笑话逗得肩膀发抖。这哪里是带货现场？分明是一场向千万人敞开的家庭聚会，连空气里都飘着“随意坐”的邀请。 传统直播间里，主播们像上紧了发条的钟，用高亢的语调、急促的节奏，把“买它”两个字砸向屏幕，试图用流量的洪流淹没观众的犹豫。但在这里，时间仿佛被调慢了转速。伊能静讲到“当妈妈后怎么留一点自己的时间”，停顿了足足十秒，不是为了制造悬念，而是真的在等屏幕那端有人轻轻点头；她展示洗发水时，顺便说起秦昊总吐槽她“护发素用太多”，琐碎得像邻居在阳台晒衣服时的闲聊。 就是这样一场“不像直播的直播”，却在9小时里让5000万+的交易额自然生长。那些点进直播间的人，原本可能抱着“看明星卖货”的猎奇心，却在暖光里、在家人的絮叨中、在伊能静突然红了的眼眶里，卸下了防备。有人说“本来想划走，却听她讲家庭和解听了半小时”，有人说“看到秦昊给她递水，突然想起我老公也总这样”，还有人在评论区敲下“这才是生活该有的样子啊”。 当流量的喧嚣退场，当技巧的包装剥落，是什么让千万扇心门在这一刻轻轻打开？或许答案就藏在那束暖黄的光线里——它照亮的不是精心设计的人设，而是真实的生命褶皱；它连接的不是买卖双方的博弈，而是“我也经历过”的共鸣。这场直播最动人的入场，从来不是流量的涌入，而是有人在屏幕前轻轻说：“原来，这里可以让我好好坐一会儿。” ## 第一章：信任的褶皱——当明星收起光环，露出生活的纹路 秦家客厅的沙发上，伊能静的婆婆正拿着一瓶洗发水比划：“我这头白发，用这个洗了倒顺溜。”镜头扫过老人手腕上的银镯子，上面有经年累月磨出的亮痕——没有打光，没有滤镜，连老人说话时嘴角扬起的皱纹里都藏着生活的真实。这一幕，彻底撕碎了“明星直播=精致表演”的固有认知。 在传统带货逻辑里，明星往往要端着“完美人设”：妆容一丝不苟，话术滴水不漏，仿佛天生就活在聚光灯下。但伊能静偏要反其道而行之。她让家人以最本真的姿态出镜：公公讲起年轻时和婆婆的拌嘴，语气里带着老派的温柔；秦昊窝在沙发角刷手机，被cue到才抬头傻笑，说“我妈用这蜡烛睡得香”；三姨甚至会在镜头前整理被坐皱的裙摆——这些“不专业”的细节，恰恰成了最锋利的信任武器。因为观众太清楚了：刻意设计的剧本不会有这么多“毛边”，精心维护的人设容不下如此鲜活的烟火气。 真正的破冰时刻，发生在她聊起原生家庭的瞬间。没有铺垫，没有转折，只是说到“和母亲和解花了二十年”时，声音突然发紧，眼眶慢慢红了。她没有立刻擦眼泪，也没有对着镜头说“家人们谁懂啊”，就那样让情绪自然流淌，直到秦昊轻轻拍了拍她的背，她才吸了吸鼻子说“不好意思，讲到这里就忍不住”。屏幕上的弹幕突然密集起来：“我也是”“我跟我妈到现在都没好好说过话”“原来她也有这样的时刻”。 **这正是信任最隐秘的生成逻辑：不是展示完美，而是暴露褶皱。**当伊能静说起“当妈后总觉得亏欠自己”，当她抱怨“秦昊有时候太直男”，**当她承认“我也会焦虑到失眠”，她其实在做一件比卖货更重要的事——把自己从“明星神坛”上请下来，变成屏幕那端“和你一样有烦恼的普通人”。**观众看到的不是被包装过的“理想女性”，而是一个会哭、会抱怨、会在生活里跌跌撞撞的真实灵魂，**这种“素人感”像一把温柔的钥匙，轻轻拧开了“她是不是来割韭菜”的怀疑锁芯。** 更精妙的是，她从不把“信任”挂在嘴边，而是用生活的碎片让认同自然生长。她展示水晶手串时，顺便说起“我独处时就摸着它发呆”；推荐香薰蜡烛时，分享“秦昊出差时我就点一根，闻着味儿像他在家”。这些带着私人温度的细节，比任何“正品保证”的承诺都更有穿透力。因为人们永远会怀疑广告，但很难拒绝一个愿意把生活摊开给你看的人。 当明星收起光环，露出生活的纹路，那些原本横亘在“屏幕内外”的高墙开始瓦解。千万人在这些真实的褶皱里看到了自己的影子，在家人间自然的互动里想起了自己的生活——**信任从来不是刻意“建立”的，而是当你足够真实时，它会像藤蔓一样，沿着这些生活的纹路，悄悄爬满人心。** ## 第二章：货品的隐喻——当商品成为共鸣的容器 伊能静举起那串599元的水晶手串时，指尖轻轻摩挲着棱角，没有说“这串水晶有多通透”，而是忽然笑了：“上次和秦昊吵架，我就攥着它坐了半小时，后来发现不是水晶在发力，是我终于愿意停下来听自己的心跳。” 屏幕上的商品链接在这时悄然弹出，像一句心照不宣的旁白。有人点进去下单时，买的或许不是那串石头，而是“原来我攥着杯子发呆的时刻，也可以被认真对待”的温柔确认。这正是这场直播最精妙的魔术——**让货品褪去“待售商品”的冰冷标签，成为承载千万种情绪的容器。** 199元的洗发水从不是“去屑控油”的工具，而是她讲“产后掉发时不敢扎马尾”的注脚。她对着镜头撩起鬓角的碎发，露出新长的绒毛：“你们看，现在慢慢长回来了。当妈妈后总觉得自己的需求要往后排，但头发掉得多了，还是会偷偷难过。”那些在育儿中藏起自己的女性，在这一刻突然读懂了瓶身标签外的深意——这瓶洗发水装着的，是“**妈妈也可以在意自己”的微小宣言**。 288元的能量蜡烛被点燃时，火苗在暖光里轻轻摇晃。伊能静没有强调“纯天然精油”的卖点，而是说起“儿子不在家的晚上，我就点一根放在床头，闻着味儿像他小时候的奶香味儿”。失眠的人在这时突然明白，这不是普通的香薰，是“孤独时可以抓住的一点熟悉气息”；焦虑的人在烛火里看到的，是“允许自己慢下来的借口”。当她讲到“睡眠焦虑”时，蜡烛的光晕仿佛漫出屏幕，在无数个深夜的房间里轻轻跳动，那些下单的手，其实是在接住一个**“被理解”的信号。** 最具争议的6999元水晶阵，在她口中从不是“高价奢侈品”。当她提到“家庭里总有人像紧绷的弦”，才指向身后的水晶组合：“我不是说它能解决问题，但摆着它的时候，我会提醒自己‘每个人都有自己的频率’。就像我和我妈，吵了二十年才明白，不必非要调成同一个频道。”那些买下它的人，未必相信“能量玄学”，而是被那句“我也经历过”击中——水晶阵成了一个具象的坐标，标记着“家庭和解”的漫长路程，也承载着“**原来有人懂这种挣扎**”的共鸣。 整场直播里，货品的出场从不突兀。没有“上链接”的指令，没有“限量秒杀”的催促，**更像是聊天到某个节点，自然想起“对了，我有个东西想分享给你”。**伊能静的聪明之处在于，她从**不让商品站在舞台中央，而是让它们成为情绪的配角**——当观众的心事被说中，当隐秘的情绪被看见，货品便成了“把这份共鸣带回家”的载体。 这正是传统带货与这场“反带货”的本质区别：前者试图用“性价比”“稀缺性”说服你“需要它”，后者却用“我懂你”让你觉得“原来它在等我”。当199元的洗发水装着“妈妈的自我关怀”，当6999元的水晶阵盛着“家庭和解的勇气”，交易就不再是冰冷的等价交换，而是一场心照不宣的情绪传递——你买的不是货，是那个“被看见”的自己。 ## 第三章：同频的相聚 —— 价格是调频，不是门槛 6999元的水晶阵在直播间上架时，没有倒计时，没有“手慢无”的警告，伊能静只是安静地看着镜头说：“如果你觉得它离你的生活太远，没关系，听我说说背后的故事就好。” 这句话像一道无形的滤网，却比任何“会员注册机制”都更精准地完成了一场静默的筛选——**不是用价格把人挡在门外，而是用“听懂的暗号”让同频者自然停留。** 那些在屏幕前犹豫片刻后下单的人，不是被“高价=高端”的消费主义裹挟，而是在她讲“家庭能量像乱线团”时，心里突然咯噔一下。有人在评论区说：“我家也总像战场，买它不是信水晶，是信她说的‘慢慢理’。” 这才是价格真正的作用：**199元的洗发水筛掉“只想看热闹”的人，留下“在意‘妈妈也能爱自己’”的人；288元的蜡烛隔开“追求性价比”的流量，聚集“愿意为情绪买单”的灵魂；6999元的水晶阵则像一个精密的调频按钮，只让那些“能听懂生命褶皱里的暗语”的人接收到信号。** 传统直播间总在追求“流量最大化”，用9.9元的秒杀把所有人拉进同一个场域，却在混乱中丢失了真正的目标。但在这里，“慢”本身就是一种筛选。愿意花20分钟听她讲“和婆婆的相处之道”，能接住她说到“独处时的安全感”时的停顿，会因为“秦昊不懂浪漫但会递水”而会心一笑——这些“愿意”和“能懂”，构成了比价格更隐形的门槛。有人进来看了30秒就划走，抱怨“不卖货光聊天”，恰恰证明这场直播的初衷：不追求“所有人都留下”，只期待“对的人会停留”。 更妙的是，这种筛选从无压迫感。伊能静甚至会劝观众“不适合就别买”，讲水晶阵时反复强调“它只是我的一种方式，你可以有你的”。这种“不强求”反而让认同更坚定——就像参加一场深夜的读书会，有人为某句话而来，有人因某段共鸣留下，没有签到表，没有会员卡，却在离场时彼此心知肚明：我们读的不是同一本书，而是同一种人生。那些买下水晶阵的人，会在日后擦拭它时想起直播间的暖光；囤了洗发水的人，每次按压泵头都会记起“妈妈也能爱自己”的提醒——这些物件成了同频者的秘密徽章，无需言说，却能在相视时读懂对方眼中的“我也是”。 当流量的潮水退去，留在沙滩上的从不是随机的贝壳。这场直播最珍贵的启示在于：价格从来不是用来“筛选阶层”的工具，而是用来“校准频率”的刻度。166万在线人数里，最终下单的或许只是少数，但每一个订单背后，都是一次“我懂你”的静默应答。就像山谷里的回声，只有发出同频的呼喊，才能听到属于自己的那声回应——这不是交易的终点，而是一场漫长共鸣的起点。 ## 终章：场域的余震——当直播结束，关系才开始生长 直播关闭的那一刻，暖黄的灯光依旧在秦家客厅亮着，伊能静和家人收拾着沙发上的抱枕，像任何一个普通家庭聚会的尾声。但屏幕那端，千万个房间里的故事才刚刚开始——有人拆开新到的香薰蜡烛，在点燃的瞬间想起她讲的“独处时的安全感”；有人对着水晶阵发呆，突然想给久未联系的母亲打个电话；还有人把洗发水放在浴室最显眼的位置，每次看到都想起那句“当妈妈也别忘了自己”。 **这场9小时的直播，最终留下的从不是5000万+的GMV数字，而是无数个“直播外的共振”。**就像往湖心投下一颗石子，水花落下后，涟漪还在一圈圈扩散。那些在评论区说“我也和妈妈和解了”的人，那些在私域群里分享“用了蜡烛睡得香了”的反馈，那些把水晶阵当作“家庭沟通起点”的故事——这些“余震”，才是这场“反带货”最珍贵的产物。 **传统带货追求“单次转化最大化”，像打一场速战速决的战役，成交即终点。但在这里，交易更像“关系的逗号”。**伊能静没有在直播后立刻推送“复购链接”，也没有用“会员福利”催促加群，却让很多人自发成了“回头客”。有人第二次来看直播，只为“听听她最近又有什么生活感悟”；有人买了香薰后，又回来下单水晶手串，不是被推销吸引，而是觉得“和她推荐的东西很对味”。这种“不刻意的复购”，恰是因为最初的连接从不是“买卖”，而是“共鸣”——当信任的种子种下，关系会自然生长。 更深远的影响，藏在那些“未成交”的停留里。有人没买任何东西，却记住了“家庭不必强行和解”的观点；有人只看了半小时，却开始尝试“独处时给自己点一支蜡烛”；还有人把直播片段发给母亲，配文“你看，明星也这样”。这些“没花钱却被改变”的瞬间，证明场域的力量远不止于交易。就像一场春雨，落在不同的土壤里，有的结出果实（成交），有的发了新芽（认知改变），但都在以自己的方式生长。 **当流量的喧嚣彻底散去，我们终于看清：伊能静这场直播最动人的，不是5000万+的数字，而是它证明了一种可能——当你放下“带货”的执念，真诚地分享生命的褶皱，自然会吸引那些“能看懂褶皱里的光”的人。直播结束时的那句“下次再聊”，不是客套的告别，而是对“未完待续”的默契约定。** 那些被暖光照亮过的心房，被故事触碰过的情绪，被共鸣连接过的灵魂，不会随着直播关闭而消失。它们会像秦家客厅里那盏灯，在无数个平凡的日子里继续亮着，提醒我们：最好的运营从不是“场域里的狂欢”，而是“场域外的延续”——当镜头熄灭，关系才真正开始生长。 本文由@周云龙 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。

<blockquote><p>a16z最新圆桌抛出震撼判断：AI正成为继计算、存储、网络之后的第四大基础设施支柱——它不仅吞噬重复劳动，更在让软件“自己写自己”。从 Prompt Engineering 到 Context Engineering，从 Coding Agent 到自然语言编程，5000 万开发者边界被击碎，软件业第一次遭遇“自我革命”。这篇文章带你穿透技术狂欢，看懂范式转移后的新分工、新工具与新机会。</p> </blockquote>  你有没有想过，我们正在见证软件史上最深刻的一次变革？不是什么渐进式的改进，而是一场颠覆性的革命。在最近a16z的一次圆桌讨论中，Erik Torenberg与Martin Casado、Jennifer Li和Matt Bornstein三位合伙人深入探讨了一个让我深思的话题：AI是否已经成为基础设施的第四根支柱？当我听完这场讨论后，我意识到我们可能正处在一个历史性的转折点。这不仅仅是技术的进步，而是对”什么是编程”、”什么是软件”这些最基本概念的重新定义。 在这场长达一小时的深度对话中，几位投资人分享了他们对基础设施演进的观察和思考。Martin Casado作为网络基础设施领域的资深专家，Jennifer Li专注于开发工具和AI基础设施投资，Matt Bornstein则在基础设施和开发者工具方面有着丰富经验。他们的讨论让我重新思考了一个根本性问题：当AI开始承担应用程序的核心逻辑时，软件开发的本质是否发生了不可逆转的改变？更重要的是，这种改变对我们所有人意味着什么？ ## AI成为基础设施第四根支柱的深层含义 传统上，我们把基础设施理解为三个基本组成部分：计算（compute）、存储（storage）和网络（networking）。这三根支柱支撑着整个数字世界的运转，就像现实世界中的水电煤一样不可或缺。但在这次讨论中，Martin Casado提出了一个令我深受震撼的观点：AI模型正在成为基础设施的第四根支柱。这不是一个简单的技术分类问题，而是对计算机科学本质的重新认识。 为什么AI模型能够成为基础设施的新支柱？Martin在讨论中解释得很清楚：每一个新的基础设施层都会改变我们编程的方式，改变围绕它构建的技术栈。AI模型确实具备了这样的特征。它需要不同的内存要求、不同的延迟要求，迫使我们重新思考如何构建软件和基础设施。但更深层的原因是，AI模型带来了一个前所未有的改变：从应用程序的角度来看，我们放弃了逻辑控制权。 这个观察让我感到震撼。在计算机科学的历史上，我们曾经放弃过资源控制权，比如我们不再直接管理内存，不再手动分配CPU时间，我们把这些交给了操作系统和虚拟化层。但应用程序的核心逻辑，那些”是”或”否”的决策，那些定义软件行为的关键判断，始终是由程序员编写的代码来控制的。现在，我们第一次把这种逻辑控制权也交给了AI模型，我们告诉它”请为我想出答案”，而不是精确地定义每一个步骤。 这种变化的影响是深远的。它不仅仅是技术实现方式的改变，更是对程序员角色和软件本质的重新定义。当我们开始依赖AI来做出核心决策时，我们实际上是在构建一种全新的软件范式。在这种范式下，确定性和可预测性不再是软件的基本特征，取而代之的是概率性和适应性。这要求我们重新学习如何设计、测试、部署和维护软件系统。 Jennifer Li在讨论中强调，AI基础设施的重要性还体现在它对其他三根支柱的深度依赖上。AI模型需要大量的计算资源进行训练和推理，产生和处理海量数据，对网络的延迟和带宽也有严格要求。但AI不仅仅是消费者，它更是一个赋能者，为我们构建和使用的软件提供了智能化能力。这种双重角色使得AI成为了一个真正的基础设施组件，而不仅仅是运行在基础设施之上的应用。 我认为，理解AI作为第四根支柱的意义，关键在于认识到基础设施的本质特征：它们改变编程模式，创造新的可能性，同时也带来新的约束和挑战。正如关系型数据库改变了我们处理数据的方式，分布式系统改变了我们思考状态一致性的方式，AI模型正在改变我们思考应用程序逻辑的方式。这不是渐进式的优化，而是范式级别的转变。 ## 软件正在被软件本身颠覆 在讨论中，有一个观点让我印象特别深刻。Martin Casado说：”软件一直是颠覆者。我们颠覆出租车行业，颠覆销售，颠覆后台办公，颠覆一切。但AI浪潮最令人兴奋的地方在于，软件正在被颠覆——我们正在被颠覆。这就像软件在吞噬软件。”这个观察揭示了当前变革的独特性和深刻性。 作为一个长期关注技术发展的人，我见证过很多次行业变革。从PC到互联网，从移动互联网到云计算，每一次变革都让某些行业被颠覆，但技术行业本身通常是颠覆者而不是被颠覆者。我们习惯了站在变革的主导地位，创造工具去改变其他行业。但这一次不同，我们发现自己成了被改变的对象。这种角色的转换带来了前所未有的挑战和机遇。 这种”软件吞噬软件”的现象体现在很多具体的场景中。传统的软件开发流程正在被AI辅助工具重塑，代码编写、测试、部署的方式都在发生根本性改变。更重要的是，软件的定义本身也在模糊。当一个AI模型可以根据自然语言描述生成代码、修复bug、甚至设计架构时，传统意义上的”编程”还意味着什么？ Matt Bornstein在讨论中提到，他们正在”构建系统来构建其他系统”。这个表述特别准确地描述了当前的状况。我们不再仅仅是在编写应用程序，而是在构建能够自动生成应用程序的系统。这种递归式的创造过程正在改变软件开发的整个生态系统。 我觉得这种被颠覆的感受对技术从业者来说既是挑战也是机遇。挑战在于我们需要重新学习很多基础概念，重新思考我们的工作方式和价值创造模式。但机遇在于，我们正处在一个全新领域的起点，有机会定义这个领域的规则和最佳实践。正如Martin在讨论中提到的，虽然可能会有恐惧情绪，但关键是要拥抱新事物，保持开放心态。 这种颠覆还体现在商业模式的变化上。传统的软件销售模式、用户培训模式、技术支持模式都在发生改变。当软件可以通过自然语言交互时，用户不再需要学习复杂的界面操作，这将大大降低软件的使用门槛，同时也改变了软件公司的竞争优势来源。过去，复杂但功能强大的软件可以通过高学习门槛建立护城河，但在AI时代，易用性和智能化程度将成为新的竞争焦点。 ## 从Prompt Engineering到Context Engineering的演进 在讨论的后半段，几位嘉宾谈到了Andrej Karpathy关于context engineering（上下文工程）的观点，这个概念让我深受启发。Karpathy认为，我们现在讨论的prompt engineering（提示词工程）实际上应该被更准确地称为context engineering。这不仅仅是术语的变化，而是对AI应用开发本质的更深层理解。 Prompt engineering关注的是如何更好地与AI模型对话，如何设计提示词来获得期望的输出。但context engineering的视角更加宏观和系统化。它强调的是如何为AI模型提供正确的上下文信息，包括如何选择相关数据、如何构建知识图谱、如何设计工具链来支持AI的决策过程。这种思维转变反映了我们对AI应用开发理解的成熟。 Martin Casado在讨论中指出，要真正发挥AI模型的最佳性能，我们需要确保输入的上下文是正确的。这就需要使用传统的计算机科学方法，比如索引、优先级排序等技术。虽然我们可以使用其他AI模型来协助处理上下文，但在某些环节，我们仍然需要依赖经过验证的传统技术。这种新旧技术的结合正在创造新的软件开发模式。 从我的角度来看，context engineering代表了一种更加工程化和系统化的AI应用开发方法。它不再把AI模型视为黑盒，而是把它作为一个需要精心设计输入和输出的系统组件。这要求开发者不仅要理解AI模型的能力和局限性，还要深入理解应用领域的知识结构和数据特征。 这种演进对基础设施的需求也在发生变化。Jennifer Li在讨论中提到，这就回到了数据管道的重要性。如何将正确的数据和上下文输入到模型中，如何让AI agent使用工具或基础设施来提供发现、保证和可观察性，这些都是经典的基础设施问题，但在AI时代有了新的复杂性和紧迫性。 我认为，context engineering的兴起标志着AI应用开发正在从实验阶段向工程化阶段转变。早期的AI应用更多依赖于直觉和试错，但随着我们对AI模型行为理解的加深，我们需要更加科学和系统的方法来构建可靠、可扩展的AI应用。这种转变将催生新的工具、框架和最佳实践，为AI基础设施的发展创造更多机会。 五年后回望，我相信我们会看到一套全新的软件构建形式化方法，这些方法将具有强大的保证机制，我们会理解它们，会有相应的工具支持。Context engineering可能就是这套新方法的核心组成部分。它不仅仅是技术层面的进步，更是我们思维方式的进化，代表着从”如何与AI对话”向”如何构建智能系统”的转变。 ## 开发者生态的深刻变革 在整个讨论中，有一个话题让我特别感兴趣，那就是开发者角色和开发者生态的变化。Jennifer Li提到了一个有趣的现象：开发者的数量正在快速增长，从早期的几千万增长到现在超过5000万，而且还在继续增长。更重要的是，随着自然语言成为一种编程语言，这个数字可能会继续大幅增长。 这种增长不仅仅是数量上的，更是质量和多样性的提升。传统上，编程需要深厚的计算机科学背景和长期的技能训练。但AI工具的出现正在降低这个门槛。我观察到，越来越多的非技术背景人员开始能够创建复杂的应用程序，他们可能是领域专家、产品经理、甚至是终端用户，但通过AI辅助工具，他们可以将自己的想法快速转化为可工作的软件。 Matt Bornstein在讨论中强调了一个重要观点：我们不会看到开发团队规模的缩减，相反，我们会看到更多的开发者。这与历史上其他生产力工具的发展模式是一致的。当新工具提高了生产效率时，通常的结果不是减少工作岗位，而是创造更多的可能性和机会。正如他所说，我们将创造如此多的优秀软件，这些软件将对更多人开放，无论是大公司的员工还是周末的业余开发者。 从商业角度来看，开发者正在从技术买家转变为类似消费者的买家。这个观察特别深刻。传统上，企业软件的销售是通过复杂的B2B流程，涉及采购、IT部门审批等多个环节。但现在，开发者个人的选择和偏好在技术采购决策中发挥着越来越重要的作用。这种变化正在重塑整个企业软件市场的营销和销售模式。 我特别认同Jennifer关于开发者体验的描述。她说现在的开发者就像”去迪士尼乐园一样”，因为有太多优秀的工具可以帮助他们更快地构建他们一直想要创建的东西。这种兴奋感和创造力的释放是真实的。我身边的开发者朋友们都在谈论AI工具如何改变了他们的工作方式，让他们能够在更短的时间内实现更复杂的想法。 但这种变化也带来了新的挑战。开发者需要学习如何有效地与AI工具协作，如何设计好的提示词，如何验证AI生成的代码质量，如何在AI辅助下维护代码的可读性和可维护性。这些都是新的技能要求，需要时间来培养和完善。 从长远来看，我认为我们正在见证开发者概念的扩大化。未来的”开发者”可能包括传统的程序员、产品经理、业务分析师、甚至是领域专家。他们都有能力通过AI工具创建软件解决方案。这种民主化的趋势将释放大量的创新潜能，但也需要新的治理机制和质量控制体系来确保软件的可靠性和安全性。 ## Coding Agent的现实与前景 在讨论AI agent时，Matt Bornstein分享了一个特别务实的观察。他说自己是”反agent派”的，认为agent更多是一个营销概念。但同时，他对coding agent（编程AI agent）的表现表示了认可。这种看似矛盾的态度实际上反映了当前AI agent发展的真实状况：在某些特定领域表现出色，但在其他领域仍然存在局限性。 Matt提出了一个简单但深刻的思考框架：agent本质上是一个在循环中运行的大语言模型，而错误会在这个循环中传播。如果初始有一个小错误，它会变得越来越严重。这就是为什么很多通用web浏览agent目前表现不佳的原因。但在编程领域，情况有所不同，因为我们有多种方式来纠正循环中的错误：可以进行语法检查(lint)、解释执行、甚至尝试编译。这种错误纠正机制使得编程agent能够通过迭代方法逐步改进性能。 这个观察让我重新思考了AI agent的适用场景。不是所有的任务都适合agent方法，关键在于任务是否具备有效的反馈和纠错机制。编程任务天然具备这样的特征：代码要么能运行要么不能，编译器和测试工具提供了即时的反馈。这种反馈机制使得agent能够在错误的方向上及时调整，避免错误的积累和放大。 Matt还提到了一个具体的观察：他订阅了很多投资组合公司的GitHub邮件列表，最近一周内看到了大量来自Cursor等AI工具的agent提交。甚至在讨论的前24小时内，他还在Slack集成中看到了这样的提交。这表明coding agent已经开始在实际的生产环境中发挥作用，这不再是实验室里的概念验证，而是真正的产品功能。 从我的观察来看，coding agent的成功有几个关键因素。首先是任务的明确性和边界性。编程任务通常有明确的输入输出要求，有具体的成功标准。其次是反馈的即时性和客观性。代码的正确性可以通过编译、测试等方式快速验证，不依赖主观判断。最后是错误的可修复性。即使agent犯了错误，通常也可以通过追加代码或修改来纠正，而不需要重新开始。 但我也意识到，当前的coding agent仍然更适合处理”咬得动的、定义良好的任务”，正如Matt所说。对于那些需要深度创造性思考、复杂架构设计或跨系统集成的高级任务，agent还需要更多的发展时间。这种限制并不是技术缺陷，而是反映了当前AI技术的成熟度水平。 展望未来，我认为coding agent将会继续进化，从处理简单的代码生成任务，逐步扩展到更复杂的软件工程任务。随着反馈机制的改进和错误纠正能力的增强，agent的适用范围将会持续扩大。但这个过程需要时间，需要在实际应用中不断学习和改进。 ## 基础设施投资的新逻辑 在讨论基础设施投资策略时，Martin Casado分享了一个我认为特别重要的观点：基础设施从不消失，它只是被层层叠加。这个观察为理解当前AI基础设施的发展提供了重要的历史视角。我们现在使用的所有传统基础设施——计算、存储、网络——仍然高度相关，只是在它们之上增加了AI这个第四根支柱。 这种层叠式的发展模式对投资决策有重要影响。它意味着我们不需要担心新技术会完全替代现有技术，而是要思考如何在现有基础上构建新的价值层。AI不会消除对传统基础设施的需求，相反，它对计算、存储和网络的需求更加巨大。但同时，AI也为这些传统领域创造了新的机会和挑战。 在讨论防御能力(defensibility)时，几位嘉宾提到了一个有趣的现象：虽然理论上AI堆栈的每一层都缺乏防御能力，但实际上每一层的公司都表现得非常好。这种理论与现实的差距揭示了一个重要事实：我们正处在一个扩张阶段，用零和思维来分析是有害的，因为整个市场都在增长。 Martin对扩张和收缩阶段的分析特别有洞察力。在扩张阶段，如我们现在所处的阶段，重要的是要激进地投资，因为有更多的市场可以获得。只要看看Nvidia的芯片销售、云平台的持续增长就能明白，整个生态都在快速扩张。但最终会进入收缩阶段，那时会发生合并，但最终状态总是寡头垄断或垄断，而这些状态下的公司仍然能够维持利润率。 我特别认同他们关于层与层之间竞争的观察。传统意义上的”商品化”和”无防御能力”往往发生在堆栈的不同层之间的竞争，但要做到这一点需要向下移动到其他人的层，这是非常困难的。我们确实看到了这样的例子，比如Google构建自己的芯片，向下移动到硬件层，但这是一种非常不同的竞争策略，需要完全不同的能力和资源。 从投资角度来看，这种分析提醒我们要避免过早地担心竞争和防御能力问题。在技术快速发展的早期阶段，更重要的是识别和支持那些能够创造新价值、解决真实问题的公司。防御能力会随着时间和市场成熟度的发展而演化，但在扩张阶段，增长和创新是更重要的考量因素。 Jennifer关于切换成本的观察也很重要。即使是API业务，虽然表面上看起来容易切换，但实际的切换成本比人们想象的要高得多。软件中嵌入了大量调用API的逻辑，这些逻辑与特定API的特性和行为紧密耦合。这种技术锁定效应在基础设施层面更加明显，因为你实际上是在集成系统，而不是简单的用户偏好选择。 从长远来看，我认为AI基础设施投资的关键在于理解哪些是真正的基础设施组件，哪些是应用层的功能。真正的基础设施具有通用性、必需性和难以替代的特征。AI模型本身、训练和推理平台、数据处理管道、开发者工具等，都有可能成为这样的基础设施组件。但这需要时间来验证，需要在实际应用中证明其价值和不可替代性。 ## 对专业化与通用化的深度思考 在讨论AI模型的发展方向时，几位嘉宾触及了一个核心问题：通用模型与专用模型谁将占据主导地位？这个问题的答案对整个AI生态系统的发展方向有着深远影响。Jennifer Li提到，两年前他们就在讨论这个问题，当时的争论是通用模型和最强能力模型是否会统治一切，还是会有很多在特定任务上表现优秀的中小型模型。现在看来，答案是两者都是对的。 这个结论让我重新思考了复杂系统的本质。当我们面对复杂的系统时，不能仅仅依赖一个模型来驱动所有功能，至少在当前的技术水平下是这样。相反，我们需要组合使用非常强大和能力突出的模型来承担特定任务，同时训练整个处理流程，从文档处理到模型推理，再到给出结构化数据供应用程序使用。这是一个复杂的系统，需要多次模型调用，而不是一个大型通用模型。 从我的角度来看，这种多模型组合的方法实际上更符合现实世界的复杂性。在企业应用中，我们很少遇到单一、孤立的任务。大多数业务流程都涉及多个步骤、多种数据类型、多个决策点。用一个通用模型来处理所有这些复杂性，即使技术上可行，也可能不是最高效或最可靠的方法。 但这种专业化趋势也带来了新的挑战。如何设计和管理由多个专用模型组成的系统？如何确保这些模型之间的协调和一致性？如何处理模型之间的依赖关系和故障传播？这些都是新的工程问题，需要新的工具和方法来解决。 Martin Casado对通用化能力的质疑也很有道理。他指出，在pre-training（预训练）阶段，通用化确实表现得很好，一个模型可以在代码生成和诗歌创作上表现得同样出色。但当进入RL（强化学习）阶段时，我们开始面临权衡。如果我针对代码进行强化学习优化，这个模型在其他任务上的表现可能就不如专门为那些任务优化的模型。 这个观察对AI应用开发有重要意义。它暗示着在不同的发展阶段，我们可能需要不同的策略。在早期阶段，通用模型可能更有价值，因为它们能够处理广泛的任务，帮助我们快速探索可能性。但随着应用的成熟和对性能要求的提高，专用模型可能会变得更有吸引力。 我认为，这种专业化与通用化的并存将推动AI生态系统向更加丰富和多样化的方向发展。我们会看到大型通用模型继续发展，为广泛的应用提供基础能力。同时，我们也会看到越来越多的专用模型，针对特定领域、特定任务进行优化。这种多样性将为不同类型的应用提供更好的选择，也为基础设施层面的创新创造更多机会。 从商业角度来看，这种趋势也意味着不同的商业模式将并存。通用模型提供商可能采用平台式的商业模式，通过API和开发者生态来获得规模效应。专用模型提供商可能更专注于特定垂直领域，通过深度定制和优化来创造价值。这种多样化的生态系统对整个行业的健康发展是有益的。 ## 重新定义”程序员”这个职业 在讨论的最后部分，关于程序员未来的话题让我产生了深刻的思考。Matt Bornstein提出了一个关键观点：程序员的工作本质上是创造性的，你在最严格意义上创造软件，这种软件之前并不存在，这是只有人才能做到的抽象层次的工作。这个观察触及了程序员职业的核心价值。 我完全同意他的判断。虽然AI工具可以生成代码、修复bug、甚至设计算法，但创造软件的核心——理解需求、设计解决方案、做出架构决策——仍然需要人类的创造力和判断力。AI模型本质上是一个存储在计算机硬盘上的文件，当你运行Python脚本时，它只是将一种数据转换为另一种数据。真正的创造过程，那种从无到有的设计和构建过程，仍然需要人类的参与。 但我也认识到，程序员这个职业正在经历深刻的变化。我们不再需要从头编写每一行代码，不再需要记住所有的API细节，不再需要手动处理很多重复性的编程任务。AI工具正在承担越来越多的”编码”工作，让程序员能够专注于更高层次的设计和决策。这种变化要求程序员发展新的技能：如何有效地与AI工具协作，如何设计良好的提示词，如何验证和改进AI生成的代码。 Aaron Levie（Box的CEO）的观察特别有启发性。人们购买软件不是因为构建软件很困难——大多数SaaS工具本质上都是CRUD（创建、读取、更新、删除）操作，技术上并不复杂。人们购买软件是因为有人已经做出了关于工作流程应该是什么样子、操作逻辑应该如何设计、哪些数据重要以及如何使用这些数据的决策。创建产品很大程度上是理解用户需求并引导用户沿着正确方向前进的过程。 这个观察点出了程序员工作中最有价值的部分：不是编写代码本身，而是理解问题域、设计解决方案、做出权衡决策。即使AI可以自动生成代码，我们仍然需要有人来收集需求、定义规格、设计架构、选择技术栈、优化性能、确保安全性。这些高层次的决策和设计工作目前还远超出AI的能力范围。 Matt提到的一个统计数据特别有意思：行业中PR（Pull Request）的平均修改行数的中位数是2行。这个数据揭示了软件开发的现实：大部分时间不是在写新代码，而是在理解业务需求，理解用户需求，然后做出小的调整。这种工作的复杂性不在于技术实现，而在于需求理解和问题解决。 从长远来看，我认为程序员这个职业会向两个方向分化。一部分程序员会向更高层次发展，成为系统架构师、技术决策者、问题解决专家。他们的价值在于能够理解复杂的业务需求，设计优雅的解决方案，做出正确的技术选择。另一部分程序员会更深入地与AI工具协作，成为”AI增强的开发者”，能够高效地利用AI工具快速实现复杂的功能。 我也注意到，编程正在变得更加民主化。Jennifer在讨论中提到的观点很重要：AI使得拥有好想法但可能没有传统计算机科学教育背景的人也能够构建应用程序。这意味着”程序员”这个概念本身正在扩大，包括产品经理、业务分析师、领域专家等各种角色。 这种民主化趋势对程序员职业既是挑战也是机遇。挑战在于传统的编程技能门槛正在降低，更多人能够参与软件开发。但机遇在于，随着更多人能够创建软件，对专业级软件开发的需求也会增加。专业程序员的价值将更多体现在处理复杂性、确保质量、优化性能、保证安全等方面。 我相信，未来的程序员将更像是软件系统的设计师和指挥者，而不是代码的搬运工。他们需要具备更强的系统思维能力、更深的领域知识、更好的沟通协作技能。技术技能仍然重要，但会更多体现在架构设计、性能优化、安全防护等高级领域，而不是基础的编码工作。 ## 新技术采用曲线的独特性 当我们回顾技术发展的历史时，会发现每一次重大技术变革都遵循着相似的模式：TAM（Total Addressable Market，总潜在市场）扩展、新用户行为的出现、以及现有公司的适应挑战。但AI带来的变革在某些方面显示出了独特的特征，这些特征值得我们深入思考。 Martin Casado在讨论中提到，当新技术降低某种资源的边际成本时，通常会带来TAM的大幅扩展。互联网降低了信息分发的成本，云计算降低了计算资源的成本，AI正在降低认知劳动的成本。每一次这样的成本降低都创造了巨大的新市场机会，也催生了新的用户行为。 但AI的独特之处在于它影响的不仅仅是特定的行业或应用领域，而是整个软件开发过程本身。当互联网兴起时，它主要影响的是信息传播和商业模式；当移动互联网普及时，它主要改变的是用户接入方式和使用场景。但AI正在改变软件的本质定义——什么是程序，什么是编程，什么是应用逻辑。 这种根本性的改变带来了前所未有的挑战和机遇。在早期的技术周期中，新技术和应用之间的界限相对清晰。但在AI时代，这种界限变得模糊。正如讨论中提到的，像Midjourney这样的公司，你很难说它到底是基础设施公司还是应用公司——它既构建模型（基础设施），也提供直接的用户体验（应用）。 Jennifer Li关于开发者数量增长的观察也反映了这种独特性。过去的技术变革主要是为现有的专业群体提供更好的工具，但AI正在扩大专业群体本身的定义。当自然语言成为编程语言时，传统意义上的”开发者”概念就被大大扩展了。这种扩展的速度和规模都是前所未有的。 从投资和创业的角度来看，这种独特性创造了新的机会，也带来了新的风险。机会在于市场的快速扩张为新公司创造了大量的白空间，风险在于很难预测哪些公司和商业模式能够在这种快速变化中生存下来。传统的竞争优势可能会迅速失效，新的护城河还没有完全建立起来。 我特别认同Matt关于当前阶段的判断：我们正处在一个很难对什么有效、什么无效、价值会在哪里积累等问题做出明确判断的阶段。这是一个”动态竞争”的阶段，所有层面的公司都表现得很好，但最终的格局还远未确定。 这种不确定性对所有参与者都提出了挑战。对于创业者来说，需要在快速变化的环境中保持敏捷和适应性；对于投资者来说，需要在不确定性中识别真正的长期价值；对于现有公司来说，需要在保持现有业务的同时积极拥抱新技术。 从历史的角度来看，我们现在可能正处在类似于互联网早期的阶段。那时候，没有人能够完全预测到Google、Amazon、Facebook这样的公司会如何发展，也没有人能够预见到电子商务、社交网络、云计算等商业模式的兴起。但正是这种不确定性中蕴含着巨大的机遇。 我相信，AI技术采用曲线的独特性将继续展现，我们会看到更多出乎意料的发展。关键是要保持开放的心态，既要学习历史的经验，也要准备迎接完全新颖的变化模式。这种平衡需要深度的技术理解、敏锐的市场洞察，以及对不确定性的容忍度。 ## 对未来软件开发形态的预测 基于这次深度讨论的内容，结合我自己的观察和思考，我想分享一些对未来软件开发形态的预测。虽然预测本身充满不确定性，但通过系统性的分析，我们可以识别出一些可能的发展方向。 第一个重要趋势是软件开发的层次化。未来的软件系统将更多地采用分层架构，每一层都有专门的AI模型和工具来处理特定类型的任务。底层可能是专门处理数据和计算的AI引擎，中间层是处理业务逻辑的推理模型，上层是处理用户交互的对话AI。这种分层不仅仅是技术架构的分层，更是职责和能力的分层。 第二个趋势是软件开发流程的重新设计。传统的”需求分析-设计-编码-测试-部署”的瀑布式流程，以及”快速迭代-持续集成-持续部署”的敏捷流程，都将被新的AI增强流程所补充或替代。在新的流程中，AI将参与每一个环节：需求理解、架构设计、代码生成、自动测试、智能部署。但人类的作用不会消失，而是转向更高层次的决策和创意工作。 第三个趋势是软件质量保证方式的演进。当AI开始大量参与代码生成时，传统的代码审查、测试方法可能不再足够。我们需要新的方法来确保AI生成代码的质量、安全性和可维护性。这可能包括AI对AI的审查、新型的自动化测试工具、基于形式化验证的质量保证等。 第四个趋势是开发者工具生态的重构。未来的IDE不再仅仅是文本编辑器加上一些开发工具，而是集成了多种AI能力的智能开发环境。它能够理解开发者的意图，提供智能建议，自动处理重复性任务，甚至主动发现和解决潜在问题。这种工具的智能化程度将大大超出我们当前的想象。 第五个趋势是软件交付模式的变化。当软件开发变得更加容易和快速时，用户对软件的期望也会相应提高。他们会期望更快的响应速度、更个性化的体验、更智能的功能。这将推动软件从标准化产品向定制化服务转变，从一次性交付向持续演进转变。 从商业模式的角度来看，我预期会出现新的价值创造和分配机制。传统的软件许可证模式、SaaS订阅模式可能会被新的基于使用量、基于效果、基于智能化程度的计费模式所补充。软件公司的核心竞争力将从功能的丰富性转向服务的智能化和个性化程度。 从人才需求的角度来看，我认为会出现新的职业角色。除了传统的程序员、产品经理、测试工程师等，我们可能会看到AI训练师、模型架构师、智能化体验设计师、AI伦理专家等新职位。这些新角色将需要跨学科的知识背景，既要理解技术，也要理解业务和用户需求。 但我也要强调，这些预测都是基于当前的技术发展趋势，实际的发展可能会出现意想不到的转折。历史告诉我们，技术发展往往会朝着我们最初没有预料到的方向演进。关键是要保持敏感性和适应性，随时准备迎接新的变化。 最终，我相信我们正在见证的不仅仅是技术的进步，更是人类与技术关系的重新定义。在这个过程中，我们需要思考的不仅仅是技术能做什么，更要思考我们希望技术为我们做什么，以及我们如何在保持人类创造力和判断力的同时，充分利用AI的能力。这种平衡将决定未来软件开发的最终形态。 ## 结语：拥抱不确定性中的确定性 在写完这篇长文后，我发现自己对软件开发的未来既充满期待又保持谨慎。这次a16z的圆桌讨论给了我很多启发，让我重新思考了很多基本问题。但更重要的是，它让我意识到我们正处在一个历史性的变革时刻，这种变革的深度和广度可能远超我们的想象。 我最大的感受是，虽然充满不确定性，但有一些趋势是相对确定的。AI确实正在成为基础设施的第四根支柱，软件确实正在被软件本身颠覆，开发者生态确实正在经历深刻变革。这些变化不是渐进式的优化，而是范式级别的转换。 对于从业者来说，我认为最重要的是保持学习的心态和适应的能力。技术在快速发展，工具在不断更新，工作方式在持续演进。那些能够拥抱变化、持续学习、快速适应的人将在这次变革中获得最大的机遇。 对于企业来说，关键是要在投资新技术和维护现有系统之间找到平衡。不能因为AI的出现就完全抛弃传统技术，也不能因为现有投资就拒绝新技术。正如讨论中提到的，基础设施从不消失，只是被层层叠加。 对于整个行业来说，我们需要在创新和稳定之间、效率和质量之间、自动化和人工控制之间找到合适的平衡点。AI带来了巨大的机遇，但也带来了新的挑战和风险。如何管理这些挑战和风险，将决定我们能否真正从AI革命中受益。 最后，我想说的是，虽然技术在快速变化，但软件开发的核心价值——解决实际问题、创造用户价值、推动社会进步——并没有改变。无论工具如何演进，方法如何变化，这个核心价值都应该是我们的指导原则。 未来五到十年，我们将见证软件开发领域的彻底重塑。这将是一个充满挑战但也充满机遇的时代。对于那些准备好拥抱变化的人来说，这将是一个创造历史的时代。让我们一起期待这个激动人心的未来。 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。

<blockquote><p>年轻人去跳海酒馆，不只是为了喝酒。有人在那里找到熟人感，有人刷到社交认同，还有人收获“能讲出去”的故事。这篇文章带你拆解跳海酒馆如何用社群运营构建“社交货币”生态，让一杯酒变成一次被看见的消费。</p> </blockquote>  当传统餐饮还在用“第二份半价”艰难拉客时，一批像跳海酒馆这样的“不务正业”玩家，正通过线下体验+线上社群的组合拳，让顾客心甘情愿成为品牌的“自来水”，甚至化身品牌的建设者。 在酒水利润日益稀薄的餐饮红海里，跳海凭借其独特的社群运营模式逆势增长，其核心奥秘在于：将线下空间打造成一座“社交货币生产工厂”，通过精细化运营让每个用户都成为自发的传播节点与价值创造者。 ## 一、 颠覆传统：从“卖酒场”到“社交货币生产工厂” 核心价值重构：酒只是媒介，连接才是产品。 跳海深谙当代年轻消费者的核心需求——情感、表达、连接与参与感。它售卖的远非一杯精酿，而是一个能容纳故事、激发共鸣、创造归属感的“第三空间”。社群，正是承载这一价值的核心载体。 开源运营系统：顾客即主理人。 跳海摒弃了“老板的道场”模式，构建了一套开源共创体系。从酒馆选歌、活动策划到空间布置，顾客深度参与决策与执行的全过程。这种深度赋权，极大提升了用户的归属感与主人翁意识。 ## 先攒人后开店：用“善意社交场”引爆冷启动 跳海深谙社群运营“先有人，后有店”的精髓。其获客策略充满创意与利他精神，近期长沙二店的开业活动“帮个忙咯！”便是个例证： **核心玩法：大型线下UGC社交实验。**在店门口设置「积愿街」，每位到场者写下自己“确切且美好”的小心愿悬挂，同时可摘下他人心愿尽力完成，成为彼此的“好运搭子”。 **底层逻辑： ** **A. 低成本连接：**用“善意举手之劳”作为社交破冰点，天然降低参与门槛； ** B. 内容与故事驱动：**心愿本身即为丰富UGC内容，为社交互动提供天然话题和情感纽带； ** C. 治愈孤独感：**精准切中城市青年的社交与情感需求（“扩列”、寻找同好、治愈孤独）； ** <strong>D. </strong>强社交裂变：**参与者完成心愿的过程天然具备分享价值，易于在社交网络扩散。 ## 三、KOC培育体系：低成本撬动高价值社交裂变 跳海最具威力的“秘密武器”，是其系统化的KOC赋能机制，实现了近乎病毒式的低成本增长。 **策略1：兼职打酒师机制——病毒裂变的流量入口 ** **A. 核心设计：**任何顾客皆可申请成为某晚“临时主理人”（兼职打酒师），享有免费喝酒、为朋友打折、自定当晚音乐与活动等特权，甚至获得300元底薪+运营提成。 ** B. 运营效果： ** - **强参与感与归属感：**用户从消费者变为“一日店长”，身份转变带来巨大投入感； - **低成本获客：**每个兼职主理人天然会邀请自己的社交圈好友前来“捧场”。据跳海内部估算：1个兼职主理人 ≈ 20个新顾客。上万名储备打酒师（多为25-35岁城市青年）成为品牌源源不断的低成本流量入口； - **内容供给：**打酒师们的“脑洞”直接催生了店内丰富多彩的活动（脱口秀、画展、招聘会等），是UGC内容生产的关键驱动力。 ** C. 本质：**用“一晚一个人的酒钱”买下了一个KOC的深度参与和其背后社交圈的传播曝光，性价比极高。 **策略2：“跳海沿海公路市集”——KOC社交圈的聚合与放大 ** **A. 核心设计：**在繁华地段提供免费场地和基础设施，鼓励有才华、有想法的顾客（KOC）摆摊展示自己（作品、技能、甚至求婚现场）。设置古怪有趣的互动任务（如请顾客力荐摊主），完成任务可集章换礼。不设DJ设广播员，半点征集“帮个忙咯！”需求，最后进行Everybody 1-2-Switch百人大战。 ** B. 运营效果：** - 搭建开放舞台：满足用户“秀”出来、获得认可的核心需求（类似“人人都能说5分钟脱口秀”）； - 引导互动与UGC：通过任务、集章、广播投稿等机制，促进用户间互动和内容自发产生； - 去商业化，强社区：不兜售产品，聚焦为用户创造连接与价值，反而赢得更深好感与传播； - 创造独特记忆点：Switch百人大战等趣味互动提升活动传播性。 ** C. 效果：**每个参与的KOC都能带来自己的社交圈（老带新），活动本身成为大型社交实验场和故事生产地，跳海只需“攒局卖吆喝”，借势KOC的流量。 ## 写在最后 跳海通过用户分层与KOC培育体系，成功将顾客转化为品牌的超级传播节点和内容共创者。其核心在于深刻理解并满足了后疫情时代年轻人对情绪价值、悦己体验和深度连接的渴求，将酒馆打造成了一个生产“社交货币”的活力社区。 然而，攒足了人、培育了KOC之后，如何将这些“势能”转化为持续的粘性、复购与品牌忠诚？如何构建一套隐形的“会员激励体系”，让用户从“参与者”进阶为“共建者”乃至“所有者”？更重要的是，支撑着每年200多场活动、极高用户粘性的活动共创机制，其底层设计逻辑是什么？它如何驱动内容的自生长与社群的永续活力？ 在下篇中，我们将深入拆解跳海酒馆的“活动共创魔法”与隐形的“会员运营”体系，揭秘其如何通过“开源节流”的社群运营，实现低成本、高增长的正向循环。同时，我们将跳出酒水行业，探讨这种“社交货币”生态模式对其他品类（如运动品牌安踏）的可迁移价值与关键启示。精彩不容错过！ 本文由 @前线运营老饕 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>“选大厂，还是去创业公司？”——这是每个产品人都会面对的经典难题。本文尝试跳出“待遇 vs 自由”的二元对立，从成长路径、战略逻辑、风格匹配三个维度，提供一套更底层的决策框架，帮你把选择从感性变成结构化判断。</p> </blockquote>  前面分享了面试专题的三篇关键内容：如何准备简历、[如何写好简历](https://www.woshipm.com/share/6242523.html)、[如何准备面试](https://www.woshipm.com/share/6243356.html)，今天给这个专题做个收尾：如果有选择，**新人首选大厂，还是创业公司？** ## 小王的故事 小王，96年，2017年大学毕业后，自觉专业能力不强，学历不高，但脑子灵光，期望成为一名互联网产品经理。 他最常逛的社区就是《人人都是产品经理》，在里面看了一些人的分享与推荐，针对性阅读了一些书（《人人都是产品经理》、《交互设计3.0》、《决胜B端》、《启示录》等），对产品经理有了初步认识，他就开始找实习产品的工作。 摆在他面前的现实问题是：**不知道什么样的机会适合自己**？ 他对互联网大厂极度向往，尤其在对乔布斯、马化腾、张小龙、俞军等极为崇拜的加持下，却因现实因素（学历与能力）完全不敢投递简历，“被迫”投递了一些创业类型的公司。 他的想法就是“**谁要我，我就去哪儿**”，哪怕对方是一家创立几个月的公司——这种想法可能是大多数新人转产品时的真实想法。 天遂人愿，他在经历一个多月的折腾后，果然找到了一个实习机会——一家刚创立3个月的教育类企业。 他是第一位正式招聘的产品经理（实习岗），带他的是公司的产研联合创始人。 折腾了半年多，他们从0到1搭建了一款APP产品， 面向公立校的学生的作业产品，上线后，每天只有零星几个用户访问。 第一版比较粗糙，他们还有很多“想法”，继续埋头迭代第二版。 一年过去了。 小王从当初对产品经理的向往，逐渐开始迷茫——每天都在忙，却又不知道在忙什么——他产生了离职的想法。 写简历时，最大的关键成果，他写的是：**独立负责XX产品的从0到1搭建，完整参与整个产品的生命周期**。 第二家创业公司看中了他“从0到1”的经验，比较贴切公司现阶段的情况，他在空隙了2周后，顺利入职。 半年后，公司融资不顺，黄了，他被迫开启第三次找工作之旅。 转眼时间来到了2025年，他已经是一名有7年多产品经验的“资深产品经理”，参与了5家企业的“从0到1”的产品搭建工作，最长的1年半，最短的3个月。 身边同龄的同学，薪资2万+成了常态，有人在大厂做设计、运营；有人在中厂做研发、产品，可他还创业公司中“来回穿梭”，拿着1.3万的工资，计划着回老家。 **不知道你看完小王的故事，会是一种什么感受**？ 是觉得他的故事属于个别现象，不具有参考性？ 或是对他的经历感同身受？ 或者是为他鸣不平，觉得不是他自己的问题，谁都想更好，却不一定如愿以偿？ 无论什么心情，这就是一个真实的人生故事。 ## 沈鹏的故事 沈鹏，87年，原美团外卖业务的负责人，现水滴公司创始人。 2010年时，正在中央财经大学读大四的他，产生了创业的想法，却因时机、经验等原因，他决定先向前辈们学习。 当时，他对王兴、雷军等大佬非常赞赏，尤其是在看了王兴的创业故事后，对加入他的创业团队产生了极大的兴趣。 他主动搜索了美团的关键业务人的联系方式，主动进行简历投递，期望以产品经理的身份入职到美团——当时的美团还在三室一厅的小区里创业，王兴也处于“九创八败”之中。 第一位联系他的人是联合创始人郭万怀，告诉他美团对第一位产品经理的要求比较高，CEO准备亲自带，他不适合，就又让另一位联合创始人联系他，让他**以实习生的身份加入美团，而不是产品经理**。 用沈鹏后来接受采访时的话说：“**如果火箭马上起飞了，还管冲上去坐什么位置？我觉得当你认同一件事情的时候，具体做什么岗位并是最重要的，参与这个共创才更有意义**。” 他就是以这样的方式入职早期的美团，凭借着自己的能力，一年内做到了天津业务负责人，3年后成为了美团外卖业务的负责人，6年后“功成身退”创立了自己的事业——以水滴互助、水滴筹、水滴商城为代表的健康保险企业——水滴。 不知道看完沈鹏的故事，你是否有一些不一样的感受？ 坦白说，沈鹏的经历让我对自己有了新的审视。我最大的感触是：**明确目标、主动出击至关重要。围绕事业本身，而非拘泥于具体岗位，积极寻找机会“先上车”，再谋求更好的发展**。 这种以终为始、灵活变通的态度，或许正是他成功的关键，也给了我很大启发。 ## 大厂还是创业公司？ 在我看来，“大厂还是创业公司？”这个问题很难给出一个定论，甚至我感觉它更像是在挑战一个伪命题。 坦白说，如果让我选，我恐怕也会像多数人一样，倾向于大厂——这不仅仅是因为所谓的“面子”，更多是那份实实在在的“里子”带来的安全感。 我必须承认，我自己也难以例外。尽管偶尔会为工作中“螺丝钉”般的角色感到些许束缚，但大厂所提供的那些“开眼”的体验，实在难以抗拒：能和数百位同事一起打磨日活过亿的产品，学习如何服务海量用户，还有那条相对清晰的职业晋升轨迹。这就像俗话说的“没吃过猪肉，也见过猪跑”，有过大厂经历，哪怕只是边缘岗位，也能让你有机会“祛魅”，真正见识过“猪跑”是什么样，这对未来的职业发展无疑是益处多多。 因此，我个人的建议是，**如果有机会，哪怕概率不高或内心有所犹豫，也值得争取一次大厂的工作机会，给自己一个“开眼”的平台**。 而且，从我的观察来看，从大厂跳到创业公司，似乎比反向操作要容易些，这大概应了那句“由俭入奢易，由奢入俭难”。 当然，创业公司同样能提供宝贵的“开眼”机会，比如亲历产品从0到1的诞生，感受产品方向的快速迭代、用户数量的起伏，甚至可能经历一个产品或公司的“消亡”，这些经历会促使你更深刻地思考用户、市场与产品的生命周期。 所以，**最佳策略是去不同规模的公司进行体验、“开眼”，不要被表面的东西所魅惑，也不用给自己主动设限——一定去大厂，或只能去创业公司**。 ## 四条建议 在我看来，“大厂还是创业公司”这个问题，与其说是选择题，不如说是在拷问我们做决定的底层逻辑——到底是以什么标准来衡量？ 比如我观察到的，小王同学，他的标准就是现实本身——谁给机会就去哪儿。这种选择很实在，但说实话，自主性就少了一些。 而沈鹏，他的标准很明确，就是围绕“创业”这个目标——先找个靠谱的创业平台好好学，积累够了再自己单干。这更像是一种主动出击，规划清晰，完全掌控在自己手里。 当然，现实中更多的是介于两者之间的我们，每个人都有自己的小算盘和依据。 如果把大家的这些经验沉淀成几条建议，或许能帮到你： **第一条，跟自己的价值观对齐**。 比如你心里认定要干点对世界（特别是年轻人）有益的事，那教育行业可能就对你的味，而那些靠挖人性弱点赚钱的公司，你可能就主动放弃了。 **第二条，先选赛道，岗位次要**。 如果你已经对某个领域有感觉了，那就得有点沈鹏那股劲儿，别太在意起手是什么职位（产品经理、运营都行），先挤进去感受一下再说。 **第三条，锁定目标，主动出击**。 要是你心里已经有心仪的公司或团队了（要是还没，现在就开始找！），那就别等机会上门，主动去了解，去联系，机会合适了就大胆争取。其他的岗位、福利什么的，都往后排。 **第四条，随波不逐流**。 前面三条是基于理想和主动的选择，但现实骨感，计划赶不上变化。万一你暂时只能接受一个现实但并非首选的机会，这时候最要紧的是“随波不逐流”——别像太多现实中的人那样，时间一长就彻底被裹挟，只顾低头搬砖，忘了当初抬头时看见的那片星空（自己的目标）。 本文由人人都是产品经理作者【产品方法论集散地】，微信公众号：【产品方法论集散地】，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Pixabay，基于 CC0 协议。

<blockquote><p>YouTube靠广告成就流量飞轮，Netflix靠订阅打造内容壁垒，但如今，两者终于在广告端对上了“排位赛”。本文通过产品策略、广告数据与用户体验三重维度，复盘这场平台博弈的本质与走向。</p> </blockquote>  ## 01 广告一开始并不是Netflix的核心业务，但眼下，广告正逐步成为这家公司与YouTube正面对抗的关键战场。 在上周刚发布的Q2财报里，Netflix广告层已覆盖全球12个核心市场，月活跃用户已经逼近9400万，主要集中在CTV渗透率高的美国、英国、加拿大等英语国家。 要知道，去年年底这个数字还在7000万出头，如今半年过去，增幅已经超过三分之一。更值得注意的是，广告层用户的观看时长并没有因广告的存在而下滑，月均观看时间依然稳定在40小时以上，说明Netflix的内容粘性依旧坚挺。 Netflix并不是最早入局广告的流媒体平台。相比YouTube、Hulu、Roku等公司，Netflix的广告业务算是后来者——直到2022年底才正式推出带广告订阅层，并在2025年才全面启动自有广告技术栈的建设。 但没有人认为Netflix来晚了。 我也问过一位做出海的代理商朋友，他很看好Netflix的广告，“好饭不怕晚”，在今年给某运动品牌做的美国市场推广中，它已经把Netflix广告加入到了渠道组合里。 Netflix管理层在Q2财报电话会上乐观估计，2025年全年广告收入将突破40亿美元，几乎是去年的两倍。 这一规模虽然与YouTube每年360亿美元的广告规模仍有明显差距，但也足以说明Netflix正在形成自己的广告逻辑。 戏剧性一幕在纽约上演。 5月14日下午5:30，YouTube在林肯中心举办资源推介活动Brandcast，邀请了Lady Gaga与MrBeast等重量级嘉宾。 仅仅几小时后，Netflix第三届Upfront资源推介活动也如期举办，在曼哈顿中城的Pier59Studios举行。 两场资源推介会，发布时间在同一天，场地也都在纽约，仅隔几公里。   几乎所有参与者都能体会到Netflix与YouTube之间的火药味，没有擦枪走火的小心试探，直接是战线拉平、正面对垒。 当然，这场正面交锋不只是声势和排场的较量，背后更深的分歧在于两种流媒体广告逻辑的碰撞。 ## 02 很多出海广告公司一说到CTV投放，YouTube几乎是条件反射式地排在第一位。它的优势太显性了：路径清晰且效率极高，覆盖够广，产品线够全，数据链闭环，品牌预算和效果预算都能统筹进来。 YouTube在技术上几乎没有短板，**不过与Netflix相比，它真正的短板在内容结构上。** YouTube的内容本身是碎片化的，呈现出高度流动性和不连续性，观众常常在不同视频之间快速跳转，注意力被切割成短时段、低黏性的片段。 在这样的环境里，广告虽然跑得快、见效快，但很难真正沉淀用户认知。品牌信息停留时间有限，情绪铺垫不够，心智影响的深度始终上不去。 对**于需要建立品牌价值、构建长期联想的广告主来说，这种内容节奏不具备稳定性，是一个绕不开的局限**。效率再高，最终传达的，是“看到”，而不是“理解”或“记住”。 这是一个难解的题。因为广告对YouTube来说，是平台营收的核心支柱，占比长期维持在85%左右。 它所有的产品逻辑、内容推荐机制、创作者激励体系，本质上都是为了服务广告主。这也注定了它对用户体验的取舍。 **它要的是规模、点击、转化，而不是观看时的完整性。** 所以，YouTube需要靠推荐算法不断精准推送，形成极强的分发效率，这使得它的内容结构松散，广告形态最终也趋向“效率导向”：**三秒抓人、十秒跳过、点击跳转。** 这一套在效果广告里很好用，但在CTV这个“客厅场景”里，却开始显得有些太工具倾向。 Netflix走的是完全不同的路。 它是把广告当作内容体系的延伸来设计的。广告要出现在什么位置、怎么呈现、用户会不会被打扰，这些问题在他们系统里优先级更高。 “虽然Netflix的CPM略高，但客户愿意试，因为广告的完成率高、观看环境干净、广告出现在「观众坐下来认真看的内容中」，这几点是目前YouTube上很难同时具备的。” 总结来说，Netflix的打法，是**从内容反推广告。** 即将上线的互动广告是个很典型的例子，不跳转、不打断，而是嵌入到剧情里的信息点。对用户来说，它是一个可点开的选项，而不是必须跳过的障碍。 所以，Netflix在CTV里的优势，正好是YouTube所不及的。它擅长“人等内容”，用户一坐下就准备看40分钟甚至一整晚，这种长时间的、高专注度的观看，是广告主求而不得的场景。 Netflix不急着跑量，不着急拉高CPM。现在它的CPM已经稳定在40美元上下，略低于YouTubeCTV，但广告主的品牌好感度、完播率更高，甚至有人把Netflix的广告环境形容为“干净的剧场”，是YouTube无法提供的那种“沉浸状态”。 总结来看，接下来的竞争，会越来越清晰地展现出Netflix和YouTube的路径分野。**一个以算法为引擎，追求分发效率；一个以内容体验为核心，强调广告与内容的协同完整。** 两者走法不同，争的不是同一种注意力，而是不同形态的注意力。 YouTube的注意力是流动的、分散的，依靠算法推送和高频曝光来实现触达，它追求的是瞬间捕捉、快速转化；Netflix要的是稳定的停留，是观众坐下来、连续观看内容过程中自然产生的集中状态。在YouTube上，广告要在最短时间内抢眼球、压时间、争点击； 在Netflix上，广告要在完整内容中被接受、被理解、被记住。这是两种完全不同的观看环境，也对应着两种截然不同的广告策略。 前者适合效率投放，后者更适合品牌沉淀。 ## 03 现在看来，Netflix在竞争激烈的广告市场，找到了一个定位：它提供的是一种“确定的广告环境”。广告不会被跳过，内容不会被广告破坏，广告出现在用户认真看内容的时候，而不是刷视频的时候。 目前，Netflix不再依赖微软的托管方案，而是彻底自研了自己的广告平台NetflixAdSuite。目前这个平台已经在12个国家上线，覆盖所有广告层市场，70%以上的广告请求都由自家服务器处理。 这传递一个很明确的信号：Netflix不打算把广告业务交给别人，也不打算浅尝辄止。 前几天我看到一则新闻：Netflix正在和YahooDSP等程序化买方平台打通接口，意味着它正式将广告库存开放给更广泛的程序化广告主。这件事的意义远不止“可以程序化购买”这么简单，而是一个关键的平台生态转折点。 过去Netflix的程序化广告能力，主要依托与微软的深度合作——广告主可以通过MicrosoftAdvertising平台进行一定范围内的程序化投放。但那更像是一种“托管式程序化”： Netflix把广告位托管在微软体系之下，由合作方控制投放规则、数据权限和需求接入，Netflix本身在交易环节中的主导权和灵活性并不强。 而这一次对YahooDSP的打通，意味着Netflix广告正向更加“标准化程序化”的方向演进。它不再是“只能通过某一家入口间接采买”，而是逐步纳入行业主流的RTB（实时竞价）链路，可以被多个DSP（需求方平台）直接对接、竞价、交易。 这是一个非常关键的信号。它意味着Netflix广告真正走向开放，**它的广告资源开始具备“流动性”和“流通性”**，从而真正被主流广告主纳入常规媒体采买计划中。 当然，这也意味着Netflix将不得不接受更多关于数据透明性、频控策略、归因测量等行业标准的挑战。 我了解到的，Netflix现在已经接入了NielsenONEAds，在这个平台上，广告主可以看到跨平台的曝光数据，也能做GRP对比。同时，平台也在跟Kantar和NCSolutions做品牌归因、销售影响评估，弥补之前大家对它“无测量、无反馈”的顾虑。 ## 04 Netflix的广告体量还小，投放系统远未成熟，离撼动YouTube还有距离。但它已经具备了基础平台、内容优势和广告主注意力三项要素，成为YouTube不得不认真盯紧的变量。 未来，Netflix的广告业务能走多远，未来还要看一个关键因素： **能否打通“品牌广告”和“效果广告”之间的链路，这决定了它广告业务的天花板有多高。** 现在Netflix主打的是品牌广告主的“高质投放”——它希望把广告变成一场沉浸式体验，把平台打造成品牌预算的新阵地。 但这套逻辑背后，其实也有一个不容忽视的现实：**品牌广告这块市场，并不是一个正在扩张的蓝海，而恰恰是一块不断被压缩的预算池。** 过去几年，无论在中国还是美国，品牌广告主都在削减“看不见效果”的广告预算，把更多广告费分配到能算ROI、能带货的效果类广告上。 哪怕是传统电视大户如食品、快消、家电，也在迅速向社交媒体、电商平台和搜索引擎转移。YouTube内部的趋势也非常明显——品牌广告的增速早已被效果广告甩在身后，后者才是撑起其广告收入增长的主力。 这也是为什么Netflix最近开始接入YahooDSP、打通程序化生态、引入第三方测量平台的原因。**它正在为“下沉”做准备——从服务品牌的“高净值广告”，走向服务效果预算的预算池。** 但问题也随之而来。Netflix最引以为傲的“观看沉浸感”，和效果广告所要求的“即时互动性”是存在矛盾的。 前者希望用户别被打扰，广告能悄悄嵌入体验；后者却要求广告主有足够控制力，能抓转化、能跳转落地、能实时优化。这两个系统在同一个平台上共存，是技术能力的挑战，更是哲学取舍。 广告不是一个靠气质取胜的生意。 如果Netflix要冲刺广告应收的百亿美元俱乐部，在预算趋紧、效果导向成为绝对主流的今天，它必须证明：这个平台不仅能讲好故事，也能交出数据——**让广告主看到结果、看到人群、看到交易，甚至能做到精细化调度。** 否则，它只能一直停留在“值得尝试”的小预算池里，靠品牌主的广告费维持增长，终究难以撼动YouTube那个以规模和效果称霸的广告系统。 作者：刀客，公众号：刀客doc 本文由 @刀客 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>写代码不一定要懂语法，或许你只需要一段对话。本文将实测腾讯CodeBuddy的真实能力，从协作效率到产出质量，揭示这款AI开发助手是否真的能助你跨过“技术门槛”。</p> </blockquote>  ## 引言：从插件到IDE的进化之路 还记得去年那款刷屏的腾讯CodeBuddy插件吗？它通过打通微信小程序与AI编程的边界，意外斩获10w+阅读量。而今天，腾讯云终于祭出大招——推出**首个独立AI IDE产品CodeBuddy**，并在发布会上打出”**产设研一体**“的战略级定位。这款号称国内首个全栈AI工作台的产品，正在用实际行动重新定义数字产品的生产方式。今天我们就盘一下它！  ## 一、破界而生：为什么需要”不纯粹”的开发工具？ ### 1.1 行业痛点：被割裂的协作链条 在传统开发流程中，产品经理、设计师与开发者如同隔着玻璃墙办公： - **需求传递损耗**：一份PRD文档平均需要3-5轮会议确认细节（腾讯内部调研数据显示） - **设计落地偏差**：Figma原型到代码实现常出现样式错位、交互缺失等问题 - **部署认知鸿沟**：非技术角色对服务器配置、环境变量等概念几乎零认知 ### 1.2 CodeBuddy的创新解法 这款工具首次将四个关键环节压缩进同一工作流： **1.自然语言输入 → 2. 自动生成PRD/TRD/DRD → 3. Figma设计稿转代码 → 4. 一键部署云端**  ## 二、四大核心场景深度体验 **场景1：**从一句话需求到完整应用——**实测案例：宝可梦图鉴网站开发** 1）开启**Plan Mode**模式，输入”做个pokedex”  2）选择Shadcn UI组件库   3）系统自动生成包含以下内容的开发包：   - 产品需求文档（含6大核心功能清单） - 技术架构方案（React18+TypeScript+Vite5） - 设计规范继承（自动匹配Figma组件库） **关键突破点**： - 智能识别需求中的隐含逻辑（如“按属性显示背景色”对应宝可梦类型特效） - 内置响应式设计模板（自动适配移动端/PC端） **场景2：**Figma设计稿的魔法转换 **实测数据**：上传Figma设计稿后，CodeBuddy实现： - 控件类型自动标注（卡片→Grid组件/图片→响应式媒体） - 样式参数精准提取（间距/字体/色彩的CSS代码映射） - 交互逻辑预置（点击跳转详情页的基础框架） **设计师特别价值：** - 支持TDesign/MUI/Shadcn等主流组件库一键替换 - 自动优化设计稿中的视觉瑕疵（如拉伸背景图的智能修正） **场景3：**自然语言UI微调革命 在生成的页面中选中任意元素，通过对话实现： - **样式调整**：”把这个卡片的圆角从8px改为12px” - **交互增强**：”点击收藏按钮添加心跳动画效果” - **数据绑定**：”在此区域显示用户最近浏览记录” **技术实现逻辑**： - 腾讯混元大模型解析模糊需求 - 生成精确的CSS/JSX代码变更 - 实时同步到云端开发环境 **场景4：**零基础部署全流程 **操作步骤简化为**： - 连接腾讯云开发CloudBase或Supabase后端服务 - 点击“DeploytoCloud”按钮 - 获取独立访问链接（支持移动端预览） **部署优势**： - 自动安装所有依赖项（Node.js/数据库驱动等） - 实时监控面板显示运行状态 - 内置性能优化建议（如图片懒加载配置） ## 三、跨角色价值分析 对产品经理的价值 - **文档自动化**：PRD/TRD/DRD文档生成效率提升XX% - **需求验证**：快速搭建MVP验证市场反应 - **协作提效**：减少XX%的跨部门沟通会议 对设计师的价值 - **设计落地**：Figma原型到可交互网页的秒级转换 - **视觉控制**：精准调整UI元素的样式细节 - **组件复用**：直接调用行业标准设计库 对开发者的价值 - **效率工具**：自然语言处理替代部分编码工作 - **环境简化**：一键部署消除服务器配置障碍 - **质量保障**：内置代码审查与性能优化建议 ## 四、行业启示与未来展望 ### 4.1 AI编程的双轨制趋势 正如腾讯云开发者产品总经理刘毅所言： <blockquote><p>“未来AI开发将分化为两条路径——<strong>简单应用靠自然语言驱动，复杂系统需专业架构设计</strong>“</p></blockquote> 对应到CodeBuddy的实际表现： - **轻量级需求**：非技术人员可通过对话完成XX%的功能开发 - **企业级项目**：仍需开发者主导架构设计与安全把控 ### 4.2 潜在挑战与应对 - **技术局限性**：复杂业务逻辑需人工校验 - **伦理风险**：AI生成内容的版权归属问题 - **设计同质化**：需加强个性化定制能力 ## 结语：工具进化背后的生产力革命 当产品经理无需理解React语法就能打造数据看板，当设计师通过自然语言优化交互细节，我们正在见证开发民主化的历史性时刻。CodeBuddy或许不是完美的解决方案，但它确实撕开了传统协作模式的一道裂缝——在这里，创意与技术的边界变得前所未有的模糊。 （注：图片来自网络） 本文由 @千林 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

头部新能源重卡与智驾新势力零一汽车宣布完成5亿人民币A轮融资。本轮融资由自动驾驶头部企业Momenta、兴杭创投及辰韬资本联合领投，国发文鑫、娄东产业基金、德迎资本、新景富盈、元璟资本、财通资本、活水资本、老股东天善资本等共同参与投资。

<blockquote><p>总听人说“学产品得看大公司”，可到底该学什么、怎么学？这篇文章用 Instagram 的真实产品演化历程，告诉你如何把“看起来很顺”的体验背后拆成一套有迹可循的产品思维。</p> </blockquote>  问题：如何优化 Instagram Reels 功能？ ## 一、产品简介：什么是 Reels？ Instagram Reels 是一个鼓励用户创作、编辑并分享 15~90 秒短视频的功能模块，现已成为 Instagram 用户日活跃时间增长的核心推动力之一。它以竖屏沉浸式体验呈现，通过音乐、滤镜、AR 特效等工具鼓励创作，内容被分发至首页、Explore 页面或专题标签下。 据 Meta 2023 年财报，Reels 的观看量同比增长超过 30%，成为平台吸引年轻用户（18–24 岁）最重要的内容消费入口。 ## 二、关键问题澄清（Clarifying Questions） ### 1. 用户反馈有哪些？ **常见负面反馈**包括：“视频重复推荐率高”“创作者内容缺乏多样性”“低质量内容泛滥”“很难让视频出圈”“算法机制不透明”等。 用户调研（Meta 2023）指出：65% 的创作者认为难以获得公平的曝光，78% 的用户希望能更快发现符合自己兴趣的新视频。 ### 2. 用户参与度如何？ - Reels占据Instagram总使用时长的**近25%**（MetaQ42023）。 - 平均观看时长为**17.6秒/条**（Statista）。 - 用户平均每天浏览Reels达**12分钟以上**，但互动行为（评论、转发）明显低于Stories或Feed，显示出被动消费倾向。 ### 3. 内容发现机制有哪些挑战？ 当前依赖算法推荐（内容兴趣匹配 + 热度机制）和 Explore 页分发。 **挑战**：冷启动内容难被发现；用户兴趣刻画过于宽泛；垂直类内容曝光有限。 相比之下，TikTok 的“兴趣标签+推荐轨道”模式显著提高了长尾内容的可见性。 ### 4. 创作者工具是否充足？ 当前工具包括模板、音频库、特效、剪辑功能等。但： - 缺少批量编辑、剪辑预设等“高效创作工具”； - 缺乏创作灵感推荐（如TikTok的trendingprompt）； - 音乐版权库相对TikTok更局限，尤其在全球多语言市场中。 ### 5. 变现能力是否明确？ Meta 于 2022 推出 Reels Play Bonus、品牌合作平台（Branded Content Tag）等变现方案，但： - **准入门槛高**； - **分润模式不透明**； - **与TikTokCreatorFund相比吸引力弱**（TikTok分润约每100万播放$50-60，而Instagram常低于$20）。 ### 6. 用户隐私与安全机制？ 引入 AI 内容审核 + 举报机制。 但存在： - 较多低质内容未及时屏蔽； - 评论区容易出现骚扰； - 对创作者原创内容的版权保护仍不够完备（如抄袭视频难举报成功）。 ## 三、目标与用户画像细化 ### 核心目标 - 提升用户日均使用时长与粘性； - 鼓励创作者生产更多内容； - 优化内容发现效率； - 构建更强社区互动氛围； - 拓展平台差异化与变现路径； ### 典型用户画像补充案例  ## 四、解决方案强化（结合行业实践） ### 内容创作者 **可借鉴 YouTube Studio**： - 提供高级分析（观众流失时间点、互动热区）； - 增设“内容优化提示”功能。 **推荐机制微调**： - 优先推荐“非重复观众”； - 引入“初始冷启动保障池”，保障每条视频前500曝光； ### 潜在创作者 - **上线“新手创作挑战”计划**，鼓励用户模仿热门模板参与； - **模仿TikTok的“自动剪辑”与智能封面工具**，降低创作门槛; ### 潮流追随者 - 引入**TrendingHub**页面：展示热门挑战、音轨、标签； - 每个挑战提供“操作教学+示例视频”； ### 垂直兴趣用户 - 引入“兴趣频道”模式（类似YouTube频道推荐）； - 结合用户浏览行为动态构建兴趣画像，提升精准度。 ### 社交互动者 - **参考Reddit的分层回复管理机制**； - 提供关键词过滤、黑名单机制； - 增设“创作者精选评论”功能，提升互动质量。 ### 内容探索者 - Explore页重新设计：支持“主题流切换”“按兴趣浏览”； - 一键关注创作者、收藏系列内容。 ## 五、竞品对比分析（TikTok vs Instagram Reels）  ## 六、关键指标追踪建议（含案例）  ## 七、总结 Instagram Reels 是 Meta 全力打造的增长引擎，但在创作者支持、内容推荐、互动机制等方面仍存在不少优化空间。通过借鉴竞品、精细化用户细分、强化指标驱动的设计，我们可以系统性提升 Reels 的体验、活跃度与商业价值。 本文由 @又子皮 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

宁王动真格起诉，海辰储能IPO恐变。

今日，美国专利商标局正式批准了苹果公司第17/715,343号专利《带有边缘照明器的电子设备》，该专利揭开了苹果智能戒指的下一步进化蓝图。根据专利文件，**智能戒指的设备外壳边缘将布设微型LED或OLED一维像素阵列，形成低分辨率光环**。 [](//img1.mydrivers.com/img/20250723/e9cd9d0f3b494fbdac426880a48a8c32.jpg) 当戒指佩戴在手指、手腕、颈部或踝部等部位时，光环可用于提示来电、日程或健康警报，同时配备精准触觉脉冲功能，避免打断用户当前任务。 而当戒指离体时，仅保留灯光提醒功能，从而延长续航时间。 [](//img1.mydrivers.com/img/20250723/f9d23d14ad7a492a837234632a4afc35.jpg) 专利草图还显示，光环的颜色、亮度和动画均可动态调节。 未来，这款智能戒指有望结合苹果Vision Pro空间计算技术，实现无屏化的微交互体验。 尽管苹果公司尚未透露该智能戒指的量产时间，但据供应链消息人士透露，首款工程机有望在2026年问世。 [查看评论](https://m.cnbeta.com.tw/comment/1514864.htm)

今天10:08，华为Pura 80数字版正式开启预售，目前线下店已经开始展出样机。据博主完美编排数码曝光的真机上手，**软件检测到华为Pura 80数字版搭载麒麟9010S处理器。****麒麟9010S的CPU为1*2.50GHz泰山核心+3*2.05GHz泰山核心+4*1.50GHz A510。**  **作为对比：** 麒麟9010是1*2.3GHz+3*2.18GHz+4*1.55GHz。 麒麟9020是1*2.50GHz+3*2.15GHz+4*1.60GHz 麒麟9020A是1*2.40GHz+3*2.00GHz+4*1.60GHz。  **虽然命名是麒麟9010S，但实际CPU规格上更接近9020A，也就是麒麟9020的降频版本，**这点在此前的爆料和跑分中也能佐证，性能要比Pura 70系列更强一些。 不过GPU方面尚未确认，爆料称其搭载Maleoon 910 GPU，与麒麟9010保持一致。  [查看评论](https://m.cnbeta.com.tw/comment/1514862.htm)

近日，一款神秘的AMD Radeon GPU散热器原型在网上曝光，**尺寸比RX 7900 XTX还要大，配备了巨大的散热鳍片和三个8针连接器，**引发了人们对AMD可能曾计划推出一款类似RTX 4090级别的高端GPU的猜测。 这款散热器原型最初在韩国Quasarzone上被曝光，用户FP32分享了从闲鱼上购买的这款神秘散热器的照片。从外观上看，它与标准的RX 7900 XTX参考散热器相似，但仔细观察会发现许多不同之处，散热器本身有三个涂成红色的鳍片，表明是&#34;RDNA 3&#34;。 [](//img1.mydrivers.com/img/20250723/42a34686-135e-4fdf-9619-1b87eb152a15.png) **原型散热器的长度接近34厘米，比RX 7900 XTX的29厘米长出不少，厚度接近5.5厘米，采用了三风扇配置，占据了三个插槽。** [](//img1.mydrivers.com/img/20250723/6195b0b8-1c66-4c2a-adda-e18df79f9a9a.png) [](//img1.mydrivers.com/img/20250723/2c66ab47-9f6a-4f9c-8049-6bb2a69e9efe.png) 供电设计上它为三个8针连接器预留了空间，而不是7900 XTX上的两个，这表明其总板功率可能远超450W，与NVIDIA的RTX 4090相当。 [](//img1.mydrivers.com/img/20250723/78aa1d40-b081-489e-b4d3-990f18e1871b.png) **打开散热器后，可以看到铜制底板和密集的热管阵列，内部布局与7900 XTX明显不同，进一步表明它原本是为更强大的配置设计的。** [](//img1.mydrivers.com/img/20250723/9fae6c7e-5c20-4f52-9edb-670c84dc5e7b.png) 需要注意的是，这款散热器内部没有PCB，因此无法连接到电脑进行进一步测试，散热器背面也没有任何接口，因此无法准确推测它原本将搭载的型号。 散热器上有许多序列号标签，但并未搜索到任何信息，不**过考虑到RX 7900 XTX已经搭载了完整的Navi 31芯片，拥有96个计算单元，这款散热器可能被设计为支持更高的速度或更快的显存。** [](//img1.mydrivers.com/img/20250723/1b1e8311-dba3-4338-9afc-bf197a602384.png) 当然也有可能AMD曾尝试开发一款更大的GPU芯片，但最终未能通过内部测试。 自2022年以来，关于RX 7950 XTX或RX 7990 XTX等型号的传闻一直存在，这也是首次出现指向AMD探索更激进的“顶级”设计的实物证据。 [查看评论](https://m.cnbeta.com.tw/comment/1514858.htm)

**7月22日，三菱汽车宣布终止和沈阳航天三菱汽车发动机制造有限公司的合资合作，以及合资公司的发动机业务运营。**这也就意味着三菱汽车将完全退出中国汽车相关生产业务。 **三菱汽车给出的理由是，中国汽车产业现在迅速转向电动汽车，他们觉得在这个大环境下，得重新评估自己在中国的战略，所以决定退出合资企业。** 这家合资公司已经在7月2日更名为沈阳国擎动力科技有限公司，三菱自动车工业株式会社等多个公司退出了股东名单，新增了北京赛苜科技有限公司。 从整车生产销售到发动机业务，三菱汽车在中国的生产布局如今已全部结束，这标志着三菱汽车彻底退出了中国。 三菱汽车自1980年代通过发动机技术合作（沈阳航天三菱/东安三菱）进入中国市场，曾为国产车提供30%发动机份额； 1990年代以帕杰罗/V33等进口车型成为公务车标配，1996年北京吉普投产帕杰罗Sport，但2000年&#34;刹车油管事件&#34;埋下隐患； 2006年与广汽成立广汽三菱（长沙工厂），欧蓝德/劲炫国产后2018年达14万辆销量巅峰，但2019年受雷诺-日产-三菱联盟内耗影响； 2020年代迅速溃败，2022年产能利用率仅16%，2023年3月停产、10月官宣退出； **2024年7月由广汽埃安以1元象征价接盘长沙工厂——其败退主因是电动化转型迟缓（末代车型阿图柯为换标埃安V）、6年无全新车型，成为日系衰退潮中首个退华的跨国品牌，终结了40年中国征程，巅峰期工厂投资50亿、员工超4000人。** [](//img1.mydrivers.com/img/20250723/db15e139035b45909822894e07bd5bfb.png) [查看评论](https://m.cnbeta.com.tw/comment/1514856.htm)

7月23日，长城汽车董事长@魏建军 在微博发布了长城汽车35周年高管的合照，并配文：一路走来，感谢每一位同事的付出，我也能感受到大家的进步，长城的进步。未来，希望同事们继续努力，服务好全球每一位用户，造好每一辆车。 其中，在合照中出现了一台被黑布蒙上的全新车型，疑似是此前传闻的超跑。 此前消息称，这款代号为“长城超跑”的车型将搭载V8混合动力系统，直接对标法拉利SF90，将采用一套自主研发的4.0T V8双涡轮增压发动机与电动机组成的混合动力系统。这套动力系统的综合输出功率预计将达到1000马力左右，0-100km/h加速时间有望控制在2.5秒以内，极速或将突破350km/h。  [查看评论](https://m.cnbeta.com.tw/comment/1514848.htm)

<blockquote><p>积分中心不是简单的“送分工具”，而是一套围绕行为驱动、目标管理与价值闭环设计的系统工程。本文从产品设计的角度出发，梳理积分体系搭建的关键路径——包括基础架构、权益体系、行为映射与规则引擎，为你提供一份可落地、可复用的设计思路参考。</p> </blockquote>  积分算是具有交易属性的货币，现在很多营销应用都会构建积分体系，增加消费者与平台的互动，提升用户粘性。像淘宝、支付宝、京东这些头部应用都是有非常完善的积分体系，有面向消费者的积分体系，也有面向商家的积分体系，支持的场景也非常丰富。若企业想从0到1规划建立积分中心，本文将说明如何展开设计思路，积分中心与业务应用如何交互，积分中心应包含哪些功能？ ## 一、积分体系的双向价值分析 **从企业建立积分体系的角度来看，建立积分体系主要实现以下5大价值：** - 量化行为价值：将非交易行为转化为可衡量的积分价值 - 增强用户粘性：通过积分累积效应提高用户切换成本 - 精准激励导向：引导用户完成企业期望的关键行为 - 数据驱动决策：通过积分数据洞察用户行为模式 - 降低直接成本：相比现金奖励，积分更具成本可控性 **从消费者的角度来看，建立积分体系可实现以下几点价值：** - 即时经济回报：直接消费抵扣、获取专属商品 - 消费体验升级：个性化服务、VIP等级特权、稀缺权益兑换等 - 心理价值满足：社群归属感、成就可视化 ## 二、积分中心架构设计方法论 通过积分两大核心场景的分析，梳理清楚积分中心需要有哪些功能上的支持，企业应结合实际业务情况对积分获取和消耗中涉及的细节点进行补充。  通过以上分析，可以总结出来，积分中心需要与商城、商品中心、活动中心建立引用与被引用的关系，并且自身支持价值设定。因为积分是一种货币，需要有价值来源，积分消费是从哪个预算扣除，也需要在积分中心进行关联，必要时可以链接预算系统，完成预算的闭环。另外积分中心需要与用户中心连接，C端消费者的信息从用户中心获取，积分中心的信息则有助于完善整体用户画像。 积分中心属于中台支持能力，在前期底座设计时需考虑后续与业务应用的结合使用，开放公共能力供业务系统调用。从自身经验来看，如果企业体量小且不会扩大规模，那么前期建立简单的积分中心能力，无需建立庞大的积分体系，导致系统操作复杂，性价比低。如果企业后续是不断壮大的，那前期考虑完善，分阶段完成对应的能力是非常有必要的。  ## 三、积分中心核心功能 ### 1、积分租户 积分设计时要考虑企业是有多个业务应用来使用的，一定要区分租户，让各个业务在自己的租户下开展业务，进行数据隔离。也可以分租户设置管理员，因为积分数据比较敏感，如果错发多发都会造成一定的经济损失。 ### 2、积分价值 首先要确定积分价值，制定换算比例，1积分在用户消费时可抵多少现金；常见的积分价值是1元=100积分，如果是1元=1000积分，用户会觉得积分没有价值，如果是1元=1积分，很难激励用户完成一些获取积分的小行为，就像拼多多砍一刀最后的0.1元很难获得，由单位是0.01个钻石组成，用户体验就会觉得难以获得； 在同一个业务应用中积分价值最好保持一致，不同场景对应价值不同容易造成用户理解上的差异；最好通过绑定商品或活动时设定不同的抵扣额度。 ### 3、积分运营策略 用户得到的积分多久过期，是运营策略的一种，有些用户会在看到积分快过期时进行积分的消费，有助于增加用户访问量和互动。 每个积分体系面向哪些用户群体，是商家还是C端消费者都可以在体系中进行明确定义； ### 4、积分额度 每个租户应该对每笔预算设置成积分账户，管理员要为日常和不定期活动设置对应的使用额度，额度从积分账户中扣减，对应消耗年初做好的积分预算。在额度中配置不同的使用规则，当业务应用触发到对应的规则后，从额度中消耗发放到消费者或商家账户中。 对于积分发放错误可使用回收的方式可以将积分回收到额度中。 ### 5、积分风控 为防止积分出现乱发，被用户薅羊毛，积分中心应设置好风控模块，设定安全规则，在触发什么样的场景时应及时提醒管理员，什么样的风控场景下禁止用户消耗积分。  以上是积分中心作为营销中台能力如何建设的介绍，而积分中心作为营销全流程中必不可少的一环，全面清晰的考虑好积分中心的架构和作用，是非常重要的，以上为个人观点，欢迎大家指正沟通讨论~ 本文由 @产品猫头鹰 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

 《明末：渊虚之羽》目前媒体评分已解禁，截止本文发出时，游戏的Metacritic均分为75分，PC版共收录8家媒体评测，PS5版共收录36家媒体评测。   IGN为本作给出了8分评价：凭借其快节奏、动态且灵活的战斗系统，以及业界顶尖的技能树，允许玩家进行大量的build定制，《明末：渊虚之羽》作为开发商灵泽科技的首款类魂游戏，堪称极具水准的处女作。 不过，部分后期boss在玩家们的出手时机方面显得令人沮丧地缺乏，而我更希望减少那些“惊喜来了！你死了！”的时刻。尽管这些令人不快的问题导致了一些瑕疵，但它们并未严重到足以阻碍这款对热门游戏类型进行创新尝试的作品与经典之作并驾齐驱。  Dexerto为本作给出了8分评价：《明末：渊虚之羽》是又一款优秀的魂系游戏，其迷人且令人满意的战斗系统让人欲罢不能。我希望它的boss战能再创新意，但疯狂模式的深度让即使是最令人烦躁的区域也值得一试。 这是《艾尔登法环》《黑暗之魂》和《黑神话：悟空》粉丝们必须面对的下一项挑战。你可能会情不自禁地爆出一些自己都没想到会知道的脏话，但如果你能承受住难度，你将获得2025年最出色的魂系游戏。  The Gamer为本作给出了6分评价：《明末：渊虚之羽》有很多可玩之处，但它并不适合那些想要去随意游玩魂类游戏的玩家。它适合那些喜欢用头撞墙，直到墙裂，或者自己真的裂开的魂类游戏狂人。 作为一个魂类游戏的狂热玩家，我通常和他们一样，但这款游戏残酷不公平的Boss战、前后矛盾的关卡设计以及对女性角色的普遍态度让我崩溃。《明末：渊虚之羽》经常展现出它本应有的水平，但一次又一次的挫败感却毁掉了整个游戏体验。 

<blockquote><p>调研不是问卷，更不是走流程。真正有用的市场调研，是为产品战略服务、为用户洞察负责。本文围绕调研动机、方法选择、结论组织三个关键维度，手把手建立产品经理的调研工作体系，从入门到进阶，一篇看懂。</p> </blockquote>  作为一名在互联网行业摸爬滚打多年的产品经理，我发现很多新人最容易陷入的误区是：把 “拍脑袋” 当 “用户洞察”，把 “看报告” 当 “市场调研”。其实市场调研能力不是简单的数据堆砌，而是一套 “从市场中来，到产品中去” 的思维方法论。 ## 为什么市场调研是产品经理的核心能力 上周跟一个刚入职的产品助理聊天，他说：“我做的功能用户不买单，明明数据显示这个需求存在啊。” 后来发现，他所谓的数据只是某平台的热搜榜，既没分析用户画像，也没验证需求真实性。 市场调研的本质是解决三个问题： - 真实需求是什么（用户到底要什么） - 市场空间有多大（能做多大盘子） - 我们能赢吗（竞争壁垒在哪里） 没有调研支撑的产品决策，就像闭着眼开盲盒 —— 偶尔能蒙对，但长期必然翻车。我见过最可惜的案例是某教育产品，凭着创始人 “感觉家长需要” 就上线了高端课程，结果调研发现目标用户更在意性价比，最后只能下架止损。 ## 市场调研的核心不是 “收集信息”，而是 “解码信息” 很多人以为调研就是发问卷、开访谈，但真正的高手能从别人忽略的细节里找到答案： - 看数据：不只是看DAU/MAU，更要拆“用户行为路径”。比如某社交产品发现“深夜11点消息撤回率骤增”，顺藤摸瓜找到“睡前聊天怕说错话”的需求，做了定时撤回功能 - 聊用户：别问“你想要什么功能”，要观察“你平时怎么解决这个问题”。有次访谈宝妈，她说“想要更安全的辅食”，但观察发现她每次都先看配料表，实际需求是“快速识别安全成分” - 盯竞品：不只看功能列表，要想“他为什么这么做”。竞品突然加了会员体系，可能不是想赚钱，而是要筛选高价值用户 ## 最容易踩的三个坑 - 把“调研”当“执行任务”：领导说要做调研，就赶紧发500份问卷交差。真正的调研应该带着假设去验证，比如“我猜25-30岁用户更爱用短视频学习”，然后设计方案验证 - 过度相信“权威报告”：第三方报告能看趋势，但不能直接用。有报告说“90后爱养生”，但你得知道他们是爱买保健品，还是更在意“熬夜后怎么补救” - 调研完就束之高阁：见过最夸张的是团队花3个月做调研，最后只在PPT里提了一句。调研的价值在于落地，哪怕只改一个按钮位置，只要基于调研结论，就是进步 ## 普通人能快速上手的三个方法 - 建立“最小调研闭环”：先定小目标（比如“为什么用户注册后不登录”），用3天做5个用户访谈+后台数据复盘，得出结论就马上改，改完再看效果 - 培养“用户替身”思维：把自己代入核心用户的生活场景。做母婴产品就每天看育儿论坛，做职场产品就混写字楼社群，不用刻意调研，信息会主动找上门 - 学会“交叉验证”：看到一个数据，至少找两个不同来源确认。比如看到“年轻人不爱打电话”，可以看看通话数据、社交APP使用时长、用户访谈反馈，三个维度都印证才靠谱 最后想说，市场调研能力不是天生的，我刚做产品时也闹过 “把小众需求当大众痛点” 的笑话。关键是保持好奇心 —— 对用户行为好奇，对数据异常好奇，对市场变化好奇。当你看到一个现象，第一反应不是 “我觉得”，而是 “为什么”，就已经入门了。 你们做调研时遇到过什么奇葩问题？可以在评论区聊聊。 本文由 @颜曦 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>当 ChatGPT 还在帮你“写”和“画”时，下一波 AI 已悄悄进化到“替你干完一整件事”。它被称为 Agentic AI（代理人工智能）。本文用 6 大场景、3 句大白话，带你快速看懂代理 AI 将如何一夜改写医疗、供应链、金融、教育、创意、网安的游戏规则，以及它留给人类的最后一个问题：当 AI 会动又会想，我们到底该担心失业，还是该先担心被抢先一步？</p> </blockquote>  提到人工智能，你可能对“生成式人工智能”（Generative AI）耳熟能详，比如 ChatGPT、MidJourney 或者 DALL·E。但最近另一个新概念开始席卷科技圈——“代理”人工智能（Agentic AI）。 听上去高深？别急，我们今天就来拆解这个新名词，看看它到底能为人类生活带来哪些新可能。 ## 代理人工智能与生成式人工智能的区别 如果把生成式人工智能比作一位才华横溢的内容创作者，那代理人工智能更像是一位多任务的项目经理。简单来说，生成式人工智能负责生成内容，而代理人工智能则通过生成式人工智能的能力，自主完成复杂任务并代表人类行动。 代理人工智能可以规划、执行，甚至做出多步决策。它不仅是一个助手，更像一个可以信任的“数字同事”。比如，在医疗领域，它可以代替医生分析复杂病例；在企业管理中，它能够优化供应链、制定策略甚至负责客户沟通。 用一句话总结：没有生成式人工智能，代理人工智能无法存在；但代理人工智能的终极目标是为人类解放更多复杂任务，而不只是内容生成。 ## 巨头们如何定义“代理”人工智能？ **1.  Nvidia 的定义** Nvidia 将代理人工智能描述为“能够进行复杂推理并自主解决多步骤问题的智能体”。换句话说，它不仅“懂”，还“会做”。 **2.  IBM 的看法** IBM 则认为代理 AI 是一个具备“代理能力”的系统，它能够做出决策、与外部环境交互，并解决比生成式 AI 更复杂的问题。 **3.  微软的观点** 微软则从应用层面切入，认为代理人工智能可以是“简单的聊天机器人”，也可以是“可以自主运行复杂工作流程的高级助手”。 无论是复杂推理还是独立行动，代理人工智能的核心在于：它不再需要人类的逐步引导，而是可以自主规划并完成工作。 ## 代理人工智能的第三次浪潮 提到人工智能的发展，Salesforce 的 CEO Marc Benioff 最近总结道：人工智能已经经历了三次浪潮。 - 第一次浪潮：基于数据分析的预测模型。 - 第二次浪潮：生成式人工智能，比如 ChatGPT，让机器更擅长“创造”。 - 第三次浪潮：现在，就是代理人工智能，能够自主处理任务的“数字劳动力”。 他还提到，“短短几年内，AI 的发展速度让人瞠目结舌”。这也让代理 AI 成为了下一场科技竞赛的主角。 Salesforce 更是凭借其Agentforce工具，让超过 10 亿个 AI 代理加入企业生产力工具，推动各行业迈向更高效的未来。 ## 各大巨头的代理 AI 竞赛 不止 Salesforce，科技行业的所有巨头都在这个赛道发力：谷歌 **1.谷歌 ** CEO Sundar Pichai 表示，“代理 AI 的目标是更好地理解用户的需求，并提前为用户规划多个步骤”。最近推出的 Gemini 2.0 就是为代理 AI 设计的，旨在实现从内容生成到任务执行的一体化升级。 **2.OpenAI** OpenAI 的步伐也不慢。据彭博社报道，该公司计划明年推出代号为“Operator”的人工智能代理，可以帮助用户完成复杂任务，如预订航班、编写代码，甚至完全自动化日常工作。换句话说，Operator 不仅会“动嘴”，还能“动手”。 ## 代理人工智能的潜在应用领域 ### 医疗健康：从助手到诊疗专家 **扩展说明**： 代理人工智能可以在医疗行业承担多个角色，从简化基础工作到参与高精尖医疗操作。例如： - 医疗数据分析：代理AI可以自动从患者的电子病历、实验室报告和基因组数据中提取关键信息，快速形成诊断建议。这可以极大地减少医生分析大量数据的时间。 - 个性化治疗计划：通过与生成式AI结合，代理AI能够为每位患者定制治疗方案。比如，癌症患者可以通过AI分析病情，选择最优治疗方式及药物组合。 - 远程医疗助手：在偏远地区，代理AI可以充当“虚拟医生”，利用患者的症状描述和体征检测（如通过便携式设备）提出初步诊断，甚至直接预约专业医生进一步介入。 **未来方向**： 未来，代理AI可能被进一步用于手术机器人系统中，通过自主调整操作参数帮助医生完成复杂外科手术，甚至在紧急情况下独立处理突发状况。 ### 供应链管理：优化效率，消除浪费 **扩展说明**： 供应链管理是一个涉及多方协作、实时调整的复杂系统，代理AI在这里的作用至关重要： - 库存优化：代理AI可以通过分析历史销售数据、市场趋势和生产计划，预测未来的需求并动态调整库存，避免“过量储备”或“库存短缺”问题。 - 运输和物流规划：代理AI能够自主规划最优运输路径，考虑实时交通、天气情况以及货物优先级。亚马逊和UPS等公司已经在试验类似技术以优化运输效率。 - 供应链中断预测：通过持续监控全球供应链数据（如疫情、地缘冲突或天气灾害），代理AI能够提前发出警告并制定备选方案，确保企业运营的连续性。 **未来方向**： 代理AI未来还可能整合区块链技术，进一步提高供应链的透明度和可追踪性，从而构建更可靠的全球供应网络。 ### 网络安全：全天候数字守护者 **扩展说明**： 在网络安全领域，代理AI的作用不仅是被动监测，而是主动预防与干预： - 实时威胁检测：代理AI能够持续扫描网络流量、用户行为和设备日志，识别异常活动，比如黑客入侵或数据泄漏。它可以实时封锁恶意操作并报告潜在风险。 - 自适应防御系统：不同于传统的静态规则，代理AI能够根据新的威胁模式自动调整防御策略。例如，它可以实时学习新的网络攻击方式，生成针对性的补丁并自动部署。 - 数据合规性检查：代理AI能够自动审查企业的IT系统是否符合各类数据隐私和安全法规，比如GDPR，并提供改进建议。 **未来方向**： 未来，代理AI或将成为企业的全职“数字安全官”，不仅保障系统安全，还能预测技术发展中的潜在风险，从而让企业始终领先一步。 ### 客户服务：智能客服超越“问答机器” **扩展说明**： 代理AI在客户服务领域的表现已经超越传统聊天机器人，其能力体现在更复杂、更贴近人类的交互中： - 多渠道统一服务：代理AI可以整合来自电话、邮件、社交媒体等不同渠道的客户请求，统一分析需求并提供一致的服务体验。 - 自主处理复杂请求：当客户需要退换货、解决技术问题或订购个性化产品时，代理AI可以自主完成一系列操作，包括更新系统记录、发送通知和协调物流。 - 情绪识别与响应：通过情感分析，代理AI能够判断客户的情绪状态（如生气、失望），并调整沟通策略，以提高客户满意度。 **未来方向**： 未来的代理AI客服甚至可能成为企业与客户之间的“信任桥梁”，能够自主发掘客户需求，提出个性化的产品推荐或改进建议，从而提升客户忠诚度。 ### 教育领域：智能导师与学习伙伴 **扩展说明**： 代理AI正在改变传统的教育模式，为学生和教师提供更多支持： - 个性化学习计划：代理AI可以根据学生的兴趣、学习速度和知识薄弱点，设计个性化的学习计划，并实时调整难度和内容。 - 虚拟课堂助手：它可以帮助老师管理课堂，比如记录出勤率、评估作业，甚至监控学生的注意力水平，从而优化教学效率。 - 多语言支持：代理AI能够实时翻译和解释课程内容，使语言障碍不再是国际教育的瓶颈。 **未来方向**： 未来，代理AI或许能够帮助设计“沉浸式学习体验”，比如通过虚拟现实与AI结合，让学生在虚拟场景中学习历史、科学或外语。 ### 金融服务：理财顾问与风险管理大师 **扩展说明**： 金融行业对精准和效率的需求，使代理AI成为其发展的关键： - 智能理财助手：代理AI可以根据用户的收入、支出习惯和理财目标，制定个性化的投资组合，并实时调整策略以应对市场波动。 - 欺诈检测：代理AI通过监控用户交易行为，识别可疑活动并发出警告，比如异常的大额转账或频繁的登录尝试。 - 信用评估：代理AI能够快速分析个人或企业的财务数据和信用记录，提供精准的信用评分，大幅提高银行和金融机构的运营效率。 **未来方向**： 代理AI还可能推动金融自动化，比如通过预测市场趋势自主调整投资策略，甚至成为私人银行客户的专属数字助理。 ### 创意行业：从灵感激发到项目执行 **扩展说明**： 在电影、广告、游戏等创意领域，代理AI不再只是生成内容的工具，而是能协助完成从灵感到成品的整个过程： - 多功能项目经理：代理AI可以管理创意项目的时间表、资源分配和团队协作，确保项目按时交付。 - 动态创意优化：它能够根据市场反馈调整广告素材或游戏设计，让内容更贴合用户需求。 - 跨领域协作：通过生成多种创意方案并与相关专业人士沟通，代理AI可以充当创意总监的得力助手。 **未来方向**： 未来的代理AI可能实现从灵感触发到自动生产完整内容的能力，为创意行业带来生产力的全面提升。 ## 代理 AI 的未来：机遇与挑战并存 尽管代理人工智能看起来前途无限，但它也面临一些现实挑战：技术的复杂性：自主决策背后的逻辑需要更加透明，否则可能导致错误或偏见。伦理和隐私问题：人工智能越自主，人类就越需要担忧数据滥用的问题。人类与 AI 的角色分工：代理 AI 会不会抢了我们的饭碗？还是成为真正的好帮手？ 本文由人人都是产品经理作者【科技叨叨馆】，微信公众号：【科技叨叨馆】，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。

一场精心设计的“四步棋”收购。

 重金属传奇歌手奥兹·奥斯本去世，享年76岁。距离他与“黑色安息日”乐队成员重聚并为歌迷献上盛大的告别演出，仅过去几周时间。他的家人在一份声明中表示：“我们怀着难以言表的悲痛告诉大家，我们深爱的奥兹·奥斯本今晨离世。他离开时，家人一直陪在他身边，满是爱意。”  奥兹·奥斯本以担任重金属始祖之一的黑色安息日乐团主唱而成名，该乐团开创了黑暗沉重的声音，对重金属音乐的影响非常深远。其取得的成就和长青的音乐生涯使他获得“重金属音乐教父”的非正式头衔。  奥兹·奥斯本在音乐上的贡献，获得多个奖项与荣誉，如格莱美奖“最佳金属乐演奏奖”、新音乐快递音乐奖“年度英雄奖”、英国音乐名人堂终身会员、摇滚名人堂终身会员、“史上百大经典重金属主唱”、VH1频道“摇滚荣耀”、经典摇滚荣誉榜“当代传奇奖”、《告示牌》杂志“传奇演出奖”、男性票选大奖“文学成就奖”等等。  同时，奥兹·奥斯本的作品也在《侠盗猎车手：罪恶城市》《侠盗猎车手：圣安地列斯》《吉他英雄》《劲爆美式橄榄球 11》等大作中登场。在《野兽传奇 Brütal Legend》中，奥兹·奥斯本为“The Guardian of Metal”配音，这个角色几乎就是按照他的形象而打造。

<blockquote><p>本文作者结合该框架与一线实战观察，直指一个残酷现实：客户期望不再线性增长，而是瞬间被 AI 拉至天花板——那些无法交付 10 倍价值的产品，正在以周为单位被淘汰。如果你想知道你的产品是否已站在悬崖边，以及如何用 AI 重构护城河，这篇万字长文是当下最迫切的生存指南。</p> </blockquote>  最近看了前Tinder首席产品官Ravi Mehta的一个讲座分享视频，他在讲座中提出了一个让所有产品人都应该深思的问题：你的产品是否正面临AI颠覆的风险？看完这个讲座后，我深受震撼。不是因为AI技术有多先进，而是因为我突然意识到，我们可能正处在一个史无前例的时代——那些曾经稳固的Product Market Fit正在大规模失效。想想看，Chegg市值暴跌87.5%，Stack Overflow流量断崖式下降，这些都不是孤立事件，而是一个更大趋势的冰山一角。 Ravi在讲座中分享了他开发的AI Disruption Risk Assessment（产品被AI颠覆风险评估）框架，这让我开始重新审视整个科技行业的竞争格局。过去我们习惯了Product Market Fit的渐进式提升，但AI的出现彻底改变了这个游戏规则。客户期望不再是线性增长，而是瞬间激增。ChatGPT仅用5天就获得了100万用户，这种技术扩散速度前所未有。这意味着什么？意味着那些我们认为固若金汤的产品护城河，可能在一夜之间就被AI填平。我想通过这篇文章，结合Ravi的框架和我自己的观察，帮助大家理解这个新时代的竞争逻辑，以及如何评估和应对AI带来的颠覆风险。 在深入探讨之前，我想强调一个关键观点：我们正在经历的不是简单的技术升级，而是商业模式和用户行为的根本性重构。那些早期AI明星公司如Jasper和Tome都被迫调整策略来应对激烈竞争，而像Adobe这样的传统巨头却通过快速行动，关闭了AI优先设计初创公司希望利用的机会窗口。与此同时，有些公司仍然相对安全，至少目前如此。Airbnb的CEO Brian Chesky表示，将AI融入产品需要数年时间，显然他们并未面临生成式AI繁荣带来的迫在眉睫的威胁。这种差异化的影响模式，正是我们需要深入理解的核心问题。 ## PMF失效：一个前所未有的现象正在上演 在深入讨论风险评估之前，我想先谈谈Ravi提出的一个核心概念：Product Market Fit Collapse，也就是PMF大规模失效现象。这是科技史上前所未有的情况。过去，Product Market Fit的门槛是渐进式提升的，就像杰夫·贝佐斯在1998年股东信中写的那样：”客户的期望永远不会停滞不前，它们会不断上升。这是人性。我们不会因为满足现状而从狩猎采集时代发展到今天。人们对更好方式有着贪婪的需求，昨天的’哇’很快就会变成今天的’普通’。”但那时候，这种提升是可预测的、渐进的。  现在情况完全不同了。AI技术的扩散速度快到令人咋舌，客户期望不再是平稳上升，而是瞬间飙升。Ravi在讲座中引用了Casey Winters和Fareed Mosavat在Reforge Product Strategy项目中描述的PMF跑步机概念：红线代表PMF门槛，在技术转变期间，这个门槛会加速上升。但过去，这种加速主要是由于”技术扩散”造成的——人们需要时间上网或获得手机。而AI技术的扩散要快得多。ChatGPT只用了5天就达到了100万用户，这创造了一种前所未有的情况：客户期望不再是在较长时间内以可预测的线性速度上升，而是几乎瞬间激增。 这种变化创造了一个全新的现象：Product Market Fit Collapse，即PMF的大规模失效。这在科技史上是史无前例的。我深刻理解这个概念后发现，它不仅仅是市场竞争的加剧，而是整个产品价值验证逻辑的颠覆。过去，一个产品达到PMF后，只要持续优化和迭代，通常能保持较长时间的市场地位。但现在，AI的出现可能让一个产品的核心价值主张在短时间内变得过时，即使这个产品之前拥有很强的市场地位。 Stack Overflow的案例特别能说明这个问题。软件开发者在工作中经常遇到技术难题——那些很难修复的bug会让开发进度停滞不前。为了继续推进，他们需要快速、可靠的答案。多年来，这意味着要转向Stack Overflow。这个平台建立了一个完美的良性循环：更多问题吸引更多答案，更多答案又吸引更多问题。开发者社区在这里分享知识，解决彼此的技术难题，形成了一个看似坚不可摧的生态系统。 但2021年底GitHub Copilot和ChatGPT出现后，一切都变了。开发者发现他们可以直接在编程环境中获得更快、更个性化的指导。几乎是一夜之间，那条通往Stack Overflow的稳定访问流开始衰退，其下降速度迅速且明显。开发者面临的问题并没有改变，但解决方案已经转变——从Stack Overflow的问答论坛转向AI助手。随着开发者迁移到其他地方，Stack Overflow曾经蓬勃发展的良性循环被打破了，网站的帖子、点赞数量以及最终的流量都出现了急剧下降。  这个案例让我深思的是，Stack Overflow不是因为产品质量下降而失去用户的，也不是因为出现了一个功能更强的竞争对手。而是整个问题解决的范式发生了转变，从社区协作式的问答模式，转向了个性化AI助手模式。这种转变的速度和彻底性，是传统的技术迭代完全无法比拟的。更可怕的是，当用户开始迁移时，原本的良性循环瞬间变成了恶性循环：用户减少导致新内容产生减少，新内容减少又导致平台价值下降，进而导致更多用户流失。 我认为这种PMF失效现象之所以前所未有，是因为AI同时具备了三个关键特点：技术门槛极低（任何人都能使用ChatGPT，不需要专门培训）、效果提升显著（通常比原有解决方案好几倍，而且是即时的）、以及获取成本极低（大部分AI工具都有免费版本或极低的使用成本）。这三个因素结合在一起，创造了一种”完美风暴”，让用户转换的阻力降到了最低，而转换的动力却达到了最高。传统的用户粘性机制——学习成本、转换成本、网络效应——在这种冲击下显得脆弱不堪。 ## AI Disruption Risk Assessment：重新审视产品竞争力的四个维度 基于Ravi的深度研究，我们可以从四个核心维度来评估产品面临的AI颠覆风险：用例风险（Use Case Risk）、增长模式风险（Growth Model Risk）、防御性风险（Defensibility Risk）和商业模式风险（Business Model Risk）。每个维度都包含多个具体因素，总共18个评估要素。这个框架的价值在于，它不仅能帮我们识别风险，更重要的是能指导我们制定应对策略。我发现这个系统性的评估方法特别有价值，因为它迫使我们从多个角度审视产品的脆弱性，而不是仅仅依靠直觉判断。   **第一个维度是Use Case Risk，主要考察AI如何影响用户与产品的交互方式。**这里有8个关键因素需要评估，每一个都可能成为决定产品生死存亡的关键变量。首先是Primary Workspace vs Adjacent Tool的问题。你的产品是用户进行核心工作的地方（即主要工作空间），还是更大工作流程的一部分（即辅助工具）？我发现这个区别至关重要，几乎可以说是最难克服的风险因素之一。 生成式AI的杀手级应用场景出现在用户创造内容的地方——在编程环境中（如GitHub Copilot）、在写作界面上（如Notion AI）、或在设计画布上（如Figma）。如果你的产品位于用户工作空间的”下游”或外部，就更容易被替代。我们在多个案例中都看到了这种模式。尽管Jasper是早期进入者，但当Notion和Office等主要工作空间添加了AI功能后，它还是失去了Product Market Fit。Stack Overflow也是如此，它是开发环境（如Visual Studio Code，GitHub Copilot插入其中）的辅助工具。现在开发者可以在不离开自己环境的情况下获得答案，Stack Overflow就变得不必要了。 虽然这是最难克服的因素之一，但并非不可能。例如，Grammarly（通常用作辅助工具）最近收购了Coda，以便在其客户群的某个细分市场中确立自己作为主要工作空间的地位。这个例子说明，通过战略性的产品扩展或收购，辅助工具也可以转变为主要工作空间。但这需要大量的资源投入和产品重新定位。 **第二个关键因素是Outlier Output vs Commodity Output。**你的产品是用来交付卓越品质的”异常值输出”，还是”商品化品质”就足够满足用户需求？尽管AI技术突飞猛进，但与人类的巅峰输出相比，它往往还有差距。服务于最苛刻用例的产品面临被AI颠覆的风险较小。相比之下，一些用例满足于快速、足够好的答案（如基础技术支持或市场研究）。在这些情况下，用户会转向能够快速、轻松、经济地提供可接受结果的AI产品。 虽然AI可达到的质量标准会继续提高，但总会有一个AI无法复制的”异常值”水平，以及寻求那种质量水平的客户。像Figma和Procreate这样的专业产品，将被用来生成Uizard和MidJourney无法匹敌的巅峰水平输出。正如我们之前讨论的，Chegg、Stack Overflow和Getty Images之所以脆弱，是因为他们的用户只需要”足够好”的内容。相比之下，像Figma这样的专业工具没有面临直接威胁，可以以更加审慎的步伐推出其AI路线图。 **第三个因素是Human Judgement vs Pattern Recognition。**你的产品/服务依赖人类判断，还是复杂的模式识别就能取代？虽然大语言模型非常强大，特别是最新的推理模型，但它们依赖于一种复杂的模式识别形式。在许多情况下，这种复杂的模式识别就是全部必要的。例如，EvenUp公司正在使用AI来撰写法律”索赔信”。这些信件遵循复杂但可预测的模式，曾经需要法律助理、律师助手和初级律师数百小时的工作。类似地，大语言模型现在在诊断常见疾病方面比医生更好。 然而，AI并非在所有用例中都表现良好，特别是那些需要细致入微判断或训练数据有限的情况。AI在复杂的庭审法律（如集体诉讼）或治疗罕见疾病方面的作用更为有限。这个区别让我意识到，那些需要深度背景理解、创造性解释和灵活应变的任务，仍然是人类的优势领域。 **第四个因素是Hard to Automate vs Easy to Automate。**你产品的核心用例能否完全自动化，还是涉及AI无法轻易替代的工作流程？这种区别在评估AI颠覆风险时至关重要。处理具有明确参数的结构化任务的产品可以完全自动化，而那些需要人类创造力、判断力和适应性的产品仍然抗拒完全自动化。 这种区别在内容创作中很明显。像Spiral这样的AI工具可以轻松地将现有材料（比如播客转录）转化为衍生作品（如社交媒体帖子）。相比之下，创造原创、引人注目的源材料——开发品牌声音、制作叙事策略或产生思想领导力内容——对AI来说仍然具有挑战性，因为它需要深度的上下文理解和因项目而异的创意洞察。 **第五个因素是Conservative Customers vs Tech-Forward Customers。**你的客户在技术采用曲线上处于什么位置？客户群体的特征显著影响你对AI颠覆的脆弱性。技术前沿的早期采用者会迅速尝试新工具，当出现更好的替代方案时会毫不犹豫地放弃现有解决方案。相比之下，被既定流程束缚的保守客户采用创新的速度较慢，这为你提供了抵御快速颠覆的缓冲。 Fareed Mosavat在最近的播客中提到了一个很好的观点：”我们今天看到的真正颠覆发生在采用曲线的顶端（代码、设计、技术、学生）。服务不那么精通技术客户的企业可能不太容易受到影响。”你的受众在采用曲线上越早，Product Market Fit崩溃的速度就越快。这些用户愿意测试新工具、放弃旧习惯，当出现明显升级时显示出很少的忠诚度。他们通常精通技术——如开发者——或者是有时间和好奇心探索新技术的年轻消费者。这就是为什么Stack Overflow的开发者群体和Chegg的学生受众是首批看到Product Market Fit崩溃的群体。 **第六个因素是Human Relationship Matters vs Relationship Irrelevant。**你的客户是否重视产品背后的人——治疗师、培训师、客户经理等——还是他们只关心结果？当买家与个人提供者形成强烈联系时，这些关系创造了保护企业免受AI替代的护城河。但如果客户以结果为导向，对谁来交付漠不关心，他们更有可能接受AI解决方案。 这就是为什么像Fiverr和99designs这样的市场平台——在这些平台上速度和价格胜过创作者身份——容易受到Adobe Firefly和MidJourney等图像生成器的冲击。相比之下，像Substack、Patreon和BetterHelp这样更强调个人关系的平台因此处于更强的地位。 **第七个因素是Varied Output vs Consistent Output。**在你产品的输出中，一致性和可重复性有多重要？生成式AI本质上是概率性的——它可以从相同的输入产生不同的结果。这使得它非常适合欢迎甚至重视变化的任务，但不适合严格一致性至关重要的场合。 像Writer或Copy.ai这样的营销文案平台受益于AI生成新鲜、意外想法的能力；每次运行都产生新概念，正是用户想要的。相比之下，财务报告软件必须每次返回相同的数字——任何变化都可能产生严重的合规问题、监管担忧或决策错误。 **最后一个因素是Frequent Use Case vs Infrequent Use Case。**用户需要多频繁地使用你的产品？Reforge的Mastering Retention项目称这为产品的自然频率——人们面临你解决的问题并寻求解决方案的节奏。这种节奏塑造了每个参与和留存策略。 一些产品被频繁使用——例如Slack、Instagram和YouTube，每周、每天甚至一天中持续打开。其他产品，如Zillow和Carvana，可能每几年才使用一次。频繁使用的产品占据习惯区域。要打破习惯，新的AI产品必须提供英特尔的Andy Grove所说的”10倍力量”——价值的十倍跳跃，使转换变得不可抗拒。不频繁使用的产品落入遗忘区域。通常，用户忘记你的产品存在，从头开始搜索——给新的AI竞争对手获胜的机会。  ## Growth Model风险：AI如何重塑产品增长逻辑 第二个维度是Growth Model Risk，你的增长模式回答了一个看似简单的问题：你的产品如何增长？在你的团队中询问，你可能会听到各种回应——有些指向产品质量，其他指向渠道或财务模型。AI正在改变产品的增长方式——有时是微妙的，有时是根本性的。要了解它对你增长模式的影响，需要考虑三个关键因素。 **首先是Stable Distribution Channels vs Disrupted Distribution Channels。**我们需要从检查你增长模式依赖的分发渠道开始。这些渠道是否正在被AI颠覆？AI正在改变用户行为——不仅在你的产品内，而且在用户花费时间的每个平台上。 例如，AI正在颠覆Google搜索：ChatGPT、Claude和Perplexity正在从Google那里夺取流量；Google的”AI概览”功能正在从有机结果中拉走点击量；大量AI生成的内容正在促使Google更新其算法——通常以不可预测的方式。因此，严重依赖SEO的公司，如Tripadvisor、Yelp和Stack Overflow，都面临风险。正如我们将在下面看到的，这种风险因为AI也在削弱通常驱动强SEO分发的用户生成内容增长循环而加剧。关于SEO和GEO，我之前也写过分析文章《SEO不香了？GEO领域的大额融资来了，英伟达和众多顶级机构共同押注2000万美金》和《a16z最新洞察：从SEO到GEO，流量的游戏规则正在如何被改写？》。 与此同时，其他公司发现他们的分发渠道不受AI影响，或者在某些情况下，AI甚至在加速分发。例如，企业销售渠道已被AI加强，因为它们受益于AI驱动的潜在客户识别（Clay）和参与工具（Day.ai）。这种差异化的影响让我意识到，同样是AI技术，对不同类型的分发渠道产生的影响完全不同。有些渠道被削弱，有些被加强，还有些基本不受影响。 **第二个因素是Intact Growth Loop vs Weakened Growth Loop。**AI是在加强还是在破坏驱动产品增长的基本机制？每个成功的产品都有一个核心增长循环——一个创造可持续扩张的自我强化周期。在那个循环的每一步背后都有一个激励用户行动的”为什么”。当AI破坏这些动机时，以前积极的增长循环可以迅速逆转方向。 例如，这种脆弱性在像Stack Overflow和Chegg这样的用户生成内容平台中特别明显。它们的增长循环历史上依赖于贡献者获得认可、声誉和帮助他人的满足感。随着AI工具现在可以立即生成类似的答案，人类贡献的动机减少了，整个增长循环开始瓦解。人们不再有动力去回答问题，因为AI可以更快地提供答案；没有新的高质量答案，平台对提问者的价值下降；提问者减少后，回答者获得的成就感和认可也减少，进一步降低了贡献的动机。 相比之下，以分享和协作为中心的增长循环通常能抵御AI颠覆，甚至从中受益，因为它们的价值源于人际联系而不是内容。例如，AI笔记工具Granola的快速增长部分得益于卓越的分享功能。这个例子说明，不是所有的增长循环都会被AI削弱，关键在于理解你的增长循环的核心驱动力是什么。 **第三个因素是Direct Customer Relationship vs Mediated Customer Relationship。**客户是直接访问你的产品，还是通过第三方？直接关系建立更强的忠诚度和留存。依赖中介的产品更容易受到影响——特别是当这些渠道转变或被AI颠覆时。 Tripadvisor和Airbnb的对比清楚地说明了这种动态。Tripadvisor严重依赖搜索引擎流量——用户通常在Google搜索后访问Tripadvisor，近70%的用户通过Google到达。这种依赖使他们容易受到搜索颠覆的影响。Tripadvisor最近宣布与Perplexity合作，这是他们预期主要分发渠道变化的关键步骤。相比之下，Airbnb与旅行者和房东建立了直接关系——只有约20%的流量来自Google。他们处于更有韧性的位置，这解释了为什么他们不急于推出AI驱动的应用程序。  我从这个分析中得出的一个重要洞察是，拥有直接客户关系的产品不仅更能抵御AI颠覆，还有更多时间来制定深思熟虑的AI策略。它们不需要匆忙响应，可以花时间真正理解AI如何为其客户创造价值，而不是仅仅为了跟上竞争而添加AI功能。 ## Defensibility风险：AI时代的护城河重构 第三个维度是Defensibility Risk。防御性是阻止竞争对手抢走你生意的因素。它是不仅帮助你今天获胜，而且让其他人明天难以追赶的一系列优势。没有防御性，增长只是动量——容易受到下一波颠覆的影响。AI正在改变防御性护城河的构建方式——在某些情况下，完全侵蚀它们。要了解你的产品在AI驱动的世界中保持多强的防御性，你需要评估五个因素。 **第一个因素是Proprietary Data vs Public Data。**你的产品依赖公开可获得的信息，还是你拥有AI系统无法轻易访问的独特、专有数据？在AI驱动的世界中，数据确实是新石油——但有一个关键区别：只有专有数据创造持久优势。建立在公共信息基础上的产品面临高颠覆风险，因为像OpenAI和Anthropic这样的前沿AI公司可以利用和综合相同的来源。 例如，OpenAI的Deep Research功能显著提高了市场研究公司的PMF门槛，使Gartner、Forrester和eMarketer等公司处于具有挑战性的位置。这些公司的价值主要建立在收集、分析和综合公开市场信息的基础上，而现在先进的AI系统可以执行类似的任务，通常速度更快、成本更低。相比之下，像Reforge Insight Analytics或Amplitude这样的分析平台拥有强势地位，因为它们处理通用AI模型无法访问的专有客户数据。这些专有数据创造了无法在没有访问底层信息的情况下复制的独特洞察。 我认为这个因素在未来几年会变得越来越重要。随着AI模型变得更加强大和普及，任何基于公共数据的价值主张都将面临压力。公司需要问自己：我们拥有什么独特的数据？这些数据如何为客户创造无法复制的价值？如果答案是”我们主要依赖公共信息”，那就需要紧急重新思考数据策略。 **第二个因素是Data-Driven Value vs Content-Driven Value。**你产品的价值是根植于启用个性化体验的独特数据，还是AI可以轻易复制的通用内容？主要提供信息内容的产品——如文章、指南或摘要——非常脆弱，因为AI系统现在可以快速、大规模地生成那种内容。相比之下，使用独特、专有数据来驱动个性化体验的产品更难复制，因此更具防御性。 考虑WebMD和Hims之间的差异。WebMD提供一般医疗信息和症状检查器——AI模型如ChatGPT现在可以生成类似质量的内容。另一方面，Hims基于个人健康数据和病史提供个性化治疗。因为这种体验根植于专有患者数据，通用AI在没有访问相同底层信息的情况下更难复制。 这种区别让我思考内容和数据驱动价值之间的根本差异。内容可以被复制和重新生成，但建立在独特数据集基础上的个性化体验需要访问那些特定的数据。这就是为什么那些拥有丰富、独特数据集的公司在AI时代有显著优势的原因。 **第三个因素是Emotional Engagement vs Functional Utility。**你的产品通过提供功能性效用还是情感参与来交付价值？专注于纯效用——帮助用户高效完成特定任务——的产品面临高颠覆风险，因为AI显著提高了效率。相比之下，提供情感参与和娱乐价值的产品保持更强的韧性，因为它们的核心价值主张围绕体验而非纯效率。 这就是为什么我们看到AI影响娱乐行业的创作端，但不是消费端。AI被用来更高效地开发游戏、生成特效和编写剧本（即它被用于使创作更高效的功能性效用）。然而，消费者面向的例子有限。最好的游戏和节目依赖于与观众的情感连接，这超越了AI今天的能力。 我发现这个区别特别深刻。当我们构建产品时，我们经常关注功能和效率，但在AI时代，情感价值可能是最重要的防御性护城河。那些能够创造深度情感连接、带来愉悦体验、满足人类心理需求的产品，将比那些仅仅解决功能问题的产品更难被AI替代。 **第四个因素是Strong Network Effects vs Weak Network Effects。**你的产品是否有AI无法替代或模拟的强网络效应？传统的网络效应依赖于一个简单公式：”更多用户=更多价值”。过去，像Quora这样的平台从网络效应中显著受益——Quora网络的规模使用户容易在预先存在的档案中找到答案，或者通过大型、活跃的用户群体快速获得新问题的答案。 然而，这些网络效应正在被AI颠覆。今天，LLM可以通过生成高质量、个性化的答案来”模拟”Quora大型用户群体的好处。Quora面临着与Stack Overflow和Chegg类似的挑战。当AI可以提供即时、准确的答案时，等待社区回应的价值就大大降低了。用户不再需要依赖其他人的知识和经验，因为AI可以综合和生成类似质量的内容。 但是，一些网络效应确实持久。像Etsy这样的手工艺品市场受益于复杂的人为驱动动态——策展、信任和社区参与——这些对AI来说仍然具有挑战性，保持了来自真正用户网络的独特价值（而不是内容库）。考虑你产品的网络价值是来自AI难以复制的真实用户互动，还是来自AI可以轻易模仿的因素。 这让我思考网络效应的本质正在发生变化。传统的信息聚合型网络效应确实容易被AI模拟，但基于信任、情感连接、创意协作的网络效应仍然具有独特价值。未来的竞争优势可能更多来源于促进真实人际连接的能力，而不是简单的信息收集和分发。 **第五个因素是High Switching Costs vs Low Switching Costs。**从你的产品转换到竞争对手是否容易，还是存在重大的技术和组织障碍？例如，我尝试新的笔记应用很容易。我可以下载它，试用，看看它是否提高我的个人生产力。然而，对于像Notion这样深度集成到团队工作流程中的文档平台，障碍要高得多。这就是为什么AI笔记应用（如Granola）吸引了人们的注意，但AI尚未威胁到像Notion、Google Docs和Office这样的现有文档平台。 不同的客户群体对于克服转换成本需要多少收益有不同的阈值。例如，企业客户由于采购、培训和集成的复杂性，通常需要5-10倍的改进来证明转换的合理性，而个人消费者如果好处明确且立即，可能会为2倍的改进而转换。 此外，数据可移植性和不断发展的数据法规等因素使得转换的某些元素变得更容易，改变了转换的摩擦和潜在奖励。理解这个比率是评估你的客户群体对AI替代方案脆弱性的关键。我观察到，那些建立了高转换成本的产品——无论是通过技术集成、数据锁定还是工作流程嵌入——在AI时代具有显著优势。  ## Business Model风险：AI重塑盈利逻辑 第四个维度是Business Model Risk。你的商业模式回答了另一个基本问题：你的产品如何赚钱？在AI塑造的世界中，货币化模式的关键维度可能会发生变化。重要的是，虽然软件传统上受益于接近零的边际成本，但AI引入了必须纳入货币化决策的非平凡成本。 **第一个关键因素是Value-Based Pricing vs Per-Seat Pricing。**你的定价如何反映你产品交付的价值？定价从来不是完美的科学，但AI使它变得更加棘手。传统的按席位模式假设每个用户都需要访问——但有了AI，一个人通常可以做许多人的工作。因此，客户可能购买更少的席位，即使你的产品交付更多价值，你的收入也会缩减。 同时，AI引入了有意义的成本。不是所有用户都相等——一些人大量使用AI，产生计算成本，而其他人几乎不参与。固定的按用户定价可能导致重度用户变得无利可图，而轻度用户悄悄地补贴他们。这创造了一个复杂的经济学问题：如何公平地分配成本，同时保持产品的可访问性和吸引力。 这就是为什么公司正在重新思考他们的定价。例如，Intercom从按席位定价转向基于AI解决的支持工单收费——这个模式更紧密地跟踪交付的价值。这种转变反映了一个更广泛的趋势：从基于访问的定价转向基于使用或结果的定价。 不要忘记竞争格局。许多客户现在将企业AI工具与像ChatGPT这样的消费应用进行基准比较。他们的期望被锚定——他们的支付意愿可能比你想象的要低。当用户可以免费获得GPT-4级别的AI能力时，他们为企业AI工具支付高价的意愿自然会下降。这种”消费者AI锚定”效应正在压缩整个企业AI市场的定价空间。 我认为这个定价挑战将迫使很多公司重新思考他们的价值主张。不能再简单地说”我们有AI功能”，而需要清楚地阐述这些AI功能如何为特定客户群体创造独特、可衡量的价值。价值主张需要从功能导向转向结果导向。 **第二个因素是Strong Unit Economics vs Weak Unit Economics。**你的利润率对AI颠覆有多脆弱？正如我们讨论的，AI通过随使用量扩展的计算成本引入了重大的可变费用。在已经微薄利润率上运营的产品面临高风险，因为这些新成本进一步压缩盈利能力。  我们之前讨论过像Fiverr和Upwork这样的自由职业者市场如何发现自己与Gen AI驱动的设计工具竞争。这些市场在相对微薄的利润率（约20%）上运营，因为它们在创作者补偿和平台可持续性之间保持平衡。它们现在面临来自像Adobe这样公司开发的AI驱动创作工具的增加压力，Adobe享有更健康的利润率（约40%）。Adobe可以吸收AI计算成本同时保持盈利能力，还可能通过自动化创意解决方案从零工工作者那里夺取市场份额。 这个例子说明了一个重要趋势：在AI时代，利润率健康的公司将有显著优势。它们可以更轻松地投资AI能力，吸收相关成本，并可能以较低价格提供AI增强服务，从而压垮利润率较薄的竞争对手。这种动态可能导致某些行业的进一步整合，因为只有最有利可图的玩家能够在AI转型中生存和繁荣。 ## 我对AI Disruption Risk Assessment的深度思考 在深入研究了Ravi的框架并将其应用于各种案例后，我有几个深层思考想要分享。首先，我认为我们正在经历的不仅仅是技术替代，而是整个商业逻辑的重构。传统上，我们习惯于通过增加功能、改善界面、优化流程来提升产品竞争力。但AI时代的竞争逻辑完全不同：谁能更好地理解和满足用户意图，谁就能获胜。这不是增量改进，而是范式转变。 我特别注意到一个现象：那些看似安全的产品，往往是因为它们的核心价值难以被量化或复制。比如Airbnb的CEO Brian Chesky说，将AI融入产品需要数年时间，他们并不面临来自生成式AI的迫在眉睫的威胁。为什么？因为Airbnb的核心价值不仅仅是房源信息，而是信任、体验、社区感这些难以被AI完全复制的元素。这给我们一个重要启示：在AI时代，那些能创造独特人文价值的产品将更有韧性。 另一个深层观察是关于网络效应的演变。传统的网络效应遵循”更多用户=更多价值”的简单公式。但AI正在改变这个等式。像Quora这样的平台，过去依靠庞大的用户网络来提供快速、高质量的答案。现在，一个大语言模型就能”模拟”这种网络效应，生成个性化的高质量答案。这种模拟的网络效应正在削弱真实网络的价值。 但并非所有网络效应都会被削弱。那些依赖复杂人际动态的网络仍然有价值，比如Etsy这样的手工艺品市场。它的价值来自策展、信任、社区参与这些AI难以复制的人性化元素。这让我意识到，未来的竞争优势可能更多来自于人与人之间的真实连接，而不是信息的聚合和分发。 我还观察到一个有趣的现象：AI对不同客户群体的冲击速度差异巨大。正如Fareed Mosavat在播客中指出的，”我们今天看到的真正颠覆主要发生在采用曲线的顶端（代码、设计、技术、学生）。服务于不那么精通技术的客户的企业，受到的冲击可能较小。”这说明了解你的客户画像对于评估AI风险的重要性。技术前沿的早期采用者会迅速尝试新工具，他们对产品忠诚度低，一旦发现更好的替代方案就会果断转换。  从商业战略角度看，我认为我们正在进入一个”AI原生”产品与”AI增强”产品的分化时代。那些从一开始就围绕AI能力设计的产品，往往比后来加入AI功能的传统产品更有优势。这不仅仅是技术架构的问题，更是产品哲学的根本差异。AI原生产品把AI视为核心能力，整个用户体验都围绕AI的优势设计；而AI增强产品更多是在现有体验上增加AI功能，往往难以发挥AI的真正潜力。 还有一个值得深思的问题是成本结构的变化。传统软件享有接近零边际成本的优势，但AI引入了实际的计算成本。这不仅影响定价策略，也影响产品设计。你需要在AI能力和成本控制之间找到平衡点。更重要的是，这种成本结构的变化可能会重新定义整个行业的竞争格局。那些有能力承担高计算成本的大公司，可能会获得显著的竞争优势。 我也深入思考了时间维度的问题。Ravi的框架主要关注当前的风险评估，但我认为还需要考虑AI能力提升的速度。当前看似安全的产品，可能在6个月或1年后就面临威胁。AI技术的发展速度远超大多数人的预期，今天GPT-4做不到的事情，明天的GPT-5或Claude 4可能就能做到了。这意味着风险评估需要动态进行，不能一次评估就高枕无忧。 从投资和战略角度来看，我认为现在是重新审视产品路线图的关键时刻。那些在AI Disruption Risk Assessment中得分较高的产品，需要紧急制定AI防御或转型策略。这可能包括：投资专有数据收集、转向基于价值的定价模式、加强客户关系的情感纽带、或者完全重新设计产品来利用AI而不是被AI替代。 我还注意到一个重要趋势：AI正在创造新的护城河类型。传统的护城河如规模经济、网络效应、品牌价值在AI时代仍然重要，但新的护城河正在出现。比如AI模型的质量和独特性、专有数据的稀缺性、AI与人类协作的优化程度等。那些能够在这些新维度上建立优势的公司，将在AI时代获得持久的竞争优势。 ## 计算你的AI脆弱性得分：从评估到行动 现在你已经从所有18个因素评估了你的产品，是时候计算你的整体脆弱性得分了。对于每个因素，你分配了从1（低风险）到7（高风险）的分数。将这些分数相加以确定你的总脆弱性得分：18-36分表示低脆弱性——你处于对抗AI颠覆的强势地位，拥有重要护城河；37-72分表示中等脆弱性——你面临一些挑战，但有机会加强你的地位；73-126分表示高脆弱性——你的产品面临AI颠覆的重大风险，需要紧急行动。  这个分数提供了一个起点，但真正的价值来自识别具体的弱点领域。寻找你得分5分或更高的因素——这些代表你最紧迫的脆弱性，应该在你的AI策略中优先考虑。我建议不要仅仅关注总分，而要深入分析每个维度的得分分布。某些维度的高风险可能比其他维度更容易解决。 例如，如果你在Business Model Risk上得分很高，主要是由于定价模式问题，这可能比Use Case Risk中的根本性产品定位问题更容易解决。定价可以调整，但重新定位产品作为主要工作空间而不是辅助工具需要完全不同程度的资源和时间投资。 我还建议将这个评估作为团队练习进行。不同的团队成员——产品、工程、销售、客户成功——可能对同一因素有不同的风险感知。这些差异本身就很有价值，因为它们揭示了组织内部对AI威胁理解的差距。通过团队讨论达成共识的过程，往往比最终得分更有启发性。 对于那些得分较高的公司，我的建议是不要恐慌，而要将此作为战略规划的催化剂。高风险得分并不意味着注定失败，而是意味着需要紧急而深思熟虑的行动。历史上，许多伟大的公司都是在面临生存威胁时做出了最大胆、最成功的转型。 基于得分结果，我建议制定三个时间层次的应对策略：立即行动（0-3个月）、中期调整（3-12个月）和长期转型（12个月以上）。立即行动可能包括加强客户关系、优化定价模式、或开始收集更多专有数据。中期调整可能涉及产品功能的重新设计、新的增长渠道探索、或战略合作伙伴关系的建立。长期转型可能需要完全重新思考产品价值主张、目标市场、甚至商业模式。 ## 更多的PMF失效正在路上：为什么现在行动至关重要 我深信，我们现在看到的只是开始。我们正处于AI技术转变的最初阶段。随着AI以不断加速的速度改进，客户期望将增加，公司将需要进化以保持相关性。游戏规则已经改变，但大多数领导者还没有准备好。Ravi在他的分析中明确指出了这一点：我们正在经历一个前所未有的竞争加剧时期，传统的产品策略可能不再有效。  Stack Overflow和Chegg只是早期案例，未来几年我们会看到更多类似的PMF失效事件。我特别关注几个可能出现下一波颠覆的领域。首先是企业软件中那些主要提供信息聚合和基础分析的产品。当AI能够直接从原始数据源生成洞察时，那些充当”中间层”的产品就岌岌可危了。我们已经看到OpenAI的Deep Research如何冲击市场研究行业，类似的冲击很可能会扩展到商业智能、数据可视化、甚至某些类型的咨询服务。 其次是教育培训行业，特别是那些提供标准化内容的在线课程平台。AI个性化教学的能力可能会重新定义整个教育体验。想象一下，当AI可以根据每个学习者的知识背景、学习风格和进度提供完全个性化的教学内容时，传统的”一刀切”课程模式还有多少价值？那些主要依靠录播课程和标准化测评的平台可能面临严重挑战。 还有一个我认为值得关注的领域是内容创作工具。虽然像Figma这样的专业设计工具短期内相对安全，但随着AI创作能力的提升，即使是专业级的创作工具也可能面临挑战。关键问题是：当AI能够生成接近专业水准的作品时，”专业”的定义是否会发生改变？客户对”专业品质”的期望是否会随着AI能力的提升而同步提高？ 我还观察到一个重要趋势：AI正在创造”能力通胀”现象。就像经济通胀会侵蚀货币购买力一样，AI的快速发展正在侵蚀传统技能的稀缺性价值。以前需要专业技能才能完成的任务，现在普通用户通过AI工具就能完成。这不仅影响个人职业发展，也深刻影响了B2B服务市场的格局。 从积极的角度看，我也看到了巨大的机会。那些能够有效利用AI、而不是被AI替代的产品，将获得前所未有的竞争优势。关键在于找到AI的边界，在AI无法触及的领域建立深度护城河。这可能包括复杂的人际关系、深度的情感连接、独特的文化价值，或者需要高度个性化和背景理解的服务。 我认为成功应对AI颠覆的关键在于转变思维模式。不要把AI视为威胁，而要把它视为重新定义价值创造的机会。问问自己：在一个AI能处理大部分标准化任务的世界里，你的产品能创造什么独特价值？你能提供什么AI无法复制的体验？这些问题的答案将决定你的产品在AI时代的命运。 最终，我相信那些能在AI时代生存并繁荣的产品，将是那些真正理解人性、能够创造深度连接和独特体验的产品。技术会不断进步，但人类对意义、连接和独特体验的需求是永恒的。关键是如何在AI的能力基础上，构建这些无法被替代的人文价值。现在就开始行动，因为时间窗口正在迅速关闭。那些能够率先适应新游戏规则的产品和公司，将在这场史无前例的技术变革中脱颖而出。 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。

肩负着中国EDA产业“全村的希望”。

当7-ELEVEn的茶饮品牌独立开店、全家的咖啡场景化体验落地，我们看到的不仅是品类升级，更是整个行业商业模式的重构：未来的便利店，或将成为“零售+服务+体验”的综合生态平台。

三峡集团持股35%。

 《怪奇漫游指南》是一款由Rock&amp;Dash开发，IndieArk发行的，科幻主题的单人/多人开放世界生存建造游戏，最多支持8人联机。玩家可探索荒诞可爱的外星球，发现各种有趣生物，结交各色NPC。在外星遗迹中收获大量特殊装备，并挑战趣味神庙，建造自己的外星家园。  本游戏现已参与 7 月 23 日的蒸汽鉴赏家新品节活动，并在蒸汽平台与 Steam 同步开启首次多人联机测试。测试预计开放至8月13日，最多支持8位玩家联机游玩，想要体验的漫游者们千万不要错过！快踏上这场奇趣温馨的外星球漫游之旅吧！ 蒸汽页面：[https://store.steamchina.com/app/2593340/_/](https://store.steamchina.com/app/2593340/_/) &lt;内嵌内容，请前往机核查看&gt; Playtest内容： 1. 正式开放多人联机模式 最高支持8人联机，可以与朋友一起种田、探索、挑战BOSS并共建前哨 2. 多语言支持 本次Playtest支持英文、中文、日文等多种语言，此前已支持的语言也做了重新润色  3. 新增内容 - 新增键位自定义的功能，核心操作在设置中支持修改绑定 - 探索和战斗的掉落中新增多套装备，提升游玩奖励 - 新增简易自动洒水器，提高种田的便利性 4. 体验优化 - 重新编写教程，优化了背包等多个高频使用的界面，让新玩家更容易上手 - 优化了任务条件与资源采集门槛，较少无意义的肝度 - 优化了BOSS和普通怪物的行为节奏和动画效果，提升战斗体验  5. 生态区域 完整的森林生态，以及洞穴生态的局部预览 6. 开放内容 主线内容约4–6小时，外加无限制的自由探索与建造玩法  7. 操作支持 支持键鼠和手柄操作 # 游戏特色 融合漫画与科幻的外星开放世界 - 复古漫画融合科幻主题，虽在外星却很温馨。探索“怪诞又可爱”的生物和外星遗迹 - 大量特殊装备、资源需要通过探索获得，还有趣味的神庙挑战，让你的旅程变化多端 - 世界采用随机种子生成，每位玩家的地图都独一无二。  自由的沙盒建造体验 - 每块土地都可以改造！随意填海、铺设道路草皮、种植树木，也能将探索过程中发现的特色遗迹带回家作为装饰。 - 丰富的家园装饰配方，从温暖的木制、清冷的石制，到工业电子风格，打造独特风格的基地。 - 使用“胶囊打印”功能，迅速为NPC建造风格各异的永久设施。 适宜的生存挑战，多样化的应对方式 - 面对饥饿、体力消耗、资源收集和战斗挑战，需要应对的问题不少，但没有严苛的惩罚机制，尽可能避免挫败感。 - 游戏提供丰富的工具、道具与独特的变身能力，选择适合你的策略吧！你可以挥舞坚硬的臭咸鱼、打造老派的金属盔甲、种田烹饪养猪，甚至变身为大树妖——生存的方式远不止一种。 趣味主线任务与NPC互动 - 本次Playtest阶段NPC与任务系统仍有大量需要优化的地方，我们提供了轻量级的任务引导，帮助玩家在开放世界里更好地确定探索方向 - NPC设计温暖诙谐，从热情的商人、摇滚收藏家，到忧郁的发型师，他们将全程陪伴你的冒险之旅