6月6日，据《纽约时报》报道，特斯拉CEO埃隆·马斯克(Elon Musk)与特朗普在周四发生的“激烈冲突”，彻底摧毁了这两位世界最具影响力人物之间本就脆弱的联盟。如果这场争执持续下去甚至进一步升级，其后果可能会影响深远。  马斯克与特朗普 不过，马斯克和特朗普各有四大“杀手锏”，能够给予对手沉重打击。 马斯克的绝招 1.动用他的财富来对抗特朗普、特朗普的盟友及其施政议程 马斯克曾花费超过2.5亿美元支持特朗普当选总统，现在他也完全可以用同样的财力来资助反对共和党的竞选活动。他曾抨击特朗普的税收与支出法案“令人作呕”，并于周四在他自己的社交平台X上公开抨击共和党的国会领袖。此外，马斯克还可能拒绝兑现他承诺支持特朗普的1亿美元尾款。 2.发起社交媒体攻击 周四下午，马斯克在X上发起了一项投票，询问大家是否应该“在美国创建一个真正代表80%中间选民的新政党”。到目前为止，已有近200万人参与投票，其中超过80%的人选择了“支持”。此外，有人在X上发文建议“应该弹劾特朗普”，马斯克在帖文下方回复：“同意。”不过，目前还不清楚他到底是在赞同“弹劾特朗普”这一点，还是赞同帖文中的其他部分。 3.把特朗普拖进争议 在与特朗普近距离相处几个月之后，马斯克如今可能会通过所谓的内幕消息来给特朗普制造麻烦。周四，他在没有提供任何证据的情况下声称，特朗普政府之所以拖延公布与性犯罪者杰弗里·爱泼斯坦(Jeffrey Epstein)有关的文件，是因为文件中出现了特朗普的名字。他写道：“请将这条帖子铭记于心以备日后参考。真相终会大白。”随后，众议院的民主党人迅速借题发挥。 4.利用旗下企业为特朗普政府制造麻烦 马斯克威胁称，他将“立即”让SpaceX的“龙”飞船退役。该飞船负责将NASA的宇航员和物资运送至国际空间站并带回地球。这一威胁引发特朗普盟友、马斯克主要批评者史蒂夫·班农(Stephen K. Bannon)发声，建议特朗普通过行政命令“在今晚午夜之前查封SpaceX”。 特朗普的绝招 1.取消政府与马斯克公司的合同 特朗普在他自己的社交平台“真相社交”(Truth Social)上威胁称，终止与马斯克旗下各公司(包括SpaceX和特斯拉)的政府合同将是“最轻松的削减预算开支方式”。去年，马斯克的公司获得了来自17个政府机构、近100份合同中承诺的30亿美元资金。 2.调查马斯克的移民身份和吸毒问题 班农在周四呼吁对马斯克的“移民身份展开正式调查，因为我坚信他是一个非法移民，应该立刻被驱逐出境”。马斯克出生于南非，是一名归化入籍的美国公民。班农还呼吁调查马斯克的吸毒问题。 3.撤销马斯克的安全许可 班农建议，在对马斯克展开调查期间，特朗普政府应该暂停马斯克的绝密级别安全许可。不过，特朗普也可以彻底撤销马斯克的安全许可。马斯克正是因SpaceX与NASA的政府合同而获得该许可的。如果安全许可被撤销，这将使得马斯克很难继续与政府合作。 4.动用总统权力打击马斯克 特朗普手中掌握着强大权力工具，可以签署行政命令来惩罚政治对手，并指示司法部等机构展开调查。他可以叫停马斯克的一些个人关注项目，比如所谓的“政府效率部”，以及马斯克对南非白人的支持，这些都是马斯克重点关注的事项。 [查看评论](https://m.cnbeta.com.tw/comment/1504862.htm)

6月6日，华为在移动影像技术领域再获重要专利成果。根据国家知识产权局最新公布的信息，华为一项名为“一底双长焦”的摄像头结构专利正式获得授权，该技术方案将在Pura80系列产品上首发应用。  这一专利的核心创新在于可移动棱镜机构的应用。通过精密的光学设计，该系统能够通过调整棱镜位置来实现光路的动态切换，从而在长焦和超长焦两种拍摄模式间无缝转换。这种设计避免了传统多摄像头方案中需要配置多个独立传感器的复杂结构。  技术实现层面，该方案采用了共享式硬件架构。长焦和超长焦两种焦段模式共同使用同一块大底CMOS传感器以及配套的传感器防抖模块，有效降低了整体模组的体积和成本。值得注意的是，大底CMOS传感器采用斜置安装方式，这一设计为光路切换提供了更大的操作空间。 这项专利技术的获得标志着华为在移动影像技术自主研发方面的持续投入正在转化为具体的技术成果。双长焦影像系统的实现，将为用户在远距离拍摄场景下提供更多样化的焦段选择，提升拍摄的灵活性和画质表现。 目前华为Pura80系列发布会已经定档，新机将于6月11日正式发布。 [查看评论](https://m.cnbeta.com.tw/comment/1504860.htm)

6月6日上午，“2025智源大会”开幕式上，宇树G1、天工2.0机器人一上台，立刻调动起全场的气氛。记者在现场注意到，宇树科技CEO王兴兴表示，近期的人形机器人赛事是面向大众展示的优质平台，能让公众更早了解到机器人发展现状。他表示，企业参与赛事的情况不一，这也属正常现象。  图片来源：主办方供图 王兴兴表示，宇树科技的终极目标是让机器人“干活”，承担家庭、工厂等场景的工作，但最近几年，让人形机器人或智能机器马上进入家庭等场景并不现实。因此，公司现阶段让机器人参与跳舞、格斗比赛等，核心是借助AI技术使其实现各类全身动作。跳舞、格斗等动作，与未来机器人居家端茶倒水、洗衣做饭一样，都属于全身动作范畴。 王兴兴说，在实现终极目标——真正解放人类的生产力之前，宇树科技（等机器人公司）通过参加表演、格斗比赛展示机器人性能，也可以产生一部分商业价值。“今年上半年，人形机器人的租赁市场也比较火爆，（比赛）本身已经带来了一些产业价值。” [查看评论](https://m.cnbeta.com.tw/comment/1504858.htm)

一家联邦上诉法院维持了一项要求苹果公司(AAPL.US)允许其应用商店支持“链接支付”的裁决。尽管这一裁决可能不会对营收造成像人们所担心的那样大的影响，但据分析师称，它可能会导致每股收益出现 2%至 3%的下滑。 [](https://static.cnbetacdn.com/article/2025/0320/47a99055306520a.jpg) Evercore ISI的分析师在一份投资者报告中表示：“我们并不期望所有开发者都会立即脱离苹果生态系统，而 5 月份的苹果应用商店数据也支持这一观点，但 6 月份的数据才是真正的考验。我们认为，尽管费用有所增加，但一些开发者仍会选择留在该生态系统内，原因在于苹果的计费系统提供了便利、信任和无摩擦的体验，这让他们感到方便。我们还认为，苹果有充分的理由向上诉法院申诉，称下级法院的裁决是对苹果私有财产的不公正剥夺。” 上诉程序可能需要长达两年或更长时间。尽管该命令于 4 月 30 日生效，但Evercore ISI 指出，5 月份苹果应用商店的总收入总体上增长了 13%，而在美国市场的收入则增长了 10%。 Evercore ISI 表示：“苹果应用商店每年的销售额约为 210 亿美元。在正在进行的苹果公司与 Epic 公司的诉讼案中，法官裁定苹果必须允许第三方在 iOS 系统上进行交易，并且不得对这些交易收取费用。这将使我们估计的苹果通过向美国开发者收取费用所获得的约 70 亿美元收入面临风险。假设这 70 亿美元全部消失，将意味着每股收益减少 6%，但我们认为实际影响会小于这个数字。” 其次，摩根大通也估计，这一裁决可能会给苹果公司的每股收益带来 2%至 3%的负面影响。 摩根大通分析师Samik Chatterjee在周四发布的一份报告中表示：“尽管拒绝延期申请对苹果公司来说是个不利因素，但我们仍认为其影响的严重程度很可能远低于投资者目前所担忧的程度。” 与此同时，摩根士丹利援引其对美国 iPhone 用户进行的一项最新调查结果称，苹果公司的每股收益有 2%面临风险。该调查发现，28%的受访者“极有可能”会绕过应用商店的支付流程。 Chatterjee表示：“如果现实中的行为与我们的调查结果相符，那么苹果应用商店的 10%的收入、服务业务的 3%的收入以及苹果公司每股收益的 2%将会面临‘风险’。” 他补充道：“基于我们最新一次 AlphaWise 调查所获取的数据点，我们估计此次禁令可能导致的收入损失约为 37 亿美元。假设美国应用商店的收入中有 28%会进行外部链接(包括应用内购买和订阅服务)，而苹果的抽成比例为 0%，那么这将对每股收益造成 16 美分(即 2%)的负面影响(在最坏的情况下)。” Evercore ISI 还指出，游戏业务占据了美国应用商店收入的大部分(65%)，其中很多是一次性的 0.99 美元的购买。如果用户转而使用诸如Stripe这样的其他支付平台(该平台每笔交易收取 3%的手续费以及 0.30 美元的固定费用)，那么支付金额将会高于苹果收取的 27%的手续费。 苹果公司强调，在 2024 年通过苹果应用商店进行的超过 90%的交易中，开发者无需支付任何佣金。苹果公司首席执行官蒂姆·库克表示：“看到这么多开发者设计出出色的应用程序，建立起成功的业务，并吸引全球各地的苹果用户，这真是令人难以置信。” [查看评论](https://m.cnbeta.com.tw/comment/1504856.htm)

这家特医食品领域的“小巨头”成色如何？

（香港，2025年6月5日）——由BUSINESS GOVirtual（BGOV）主办的「AI+ Power 2025」今日在香港会议展览中心举行。作为香港首个聚焦商业AI应用的行业盛会，展会汇聚本地及海外顶尖科技企业、初创团队与行业领袖，全方位展示AI技术在金融、零售、教育、营销等领域的创新解决方案，助力企业降本增效、挖掘增长新动能。为期两天的活动将呈现前沿技术演示、行业论坛及商业对接，为香港乃至大湾区企业提供AI转型的重要平台。        **超过100个AI商业应用方案，覆盖金融/医疗/零售等领域** 沉浸式AI式展区超过100个AI商业应用方案，覆盖金融、零售、营销、医疗、教育、职场、可持续发展等领域，助企业降低成本、提升利润。   现场设有互动展示、体验区，亲身感受AI驱动的未来世界。 将有不同参展公司展示Campus AI、AI翻译机、AI驱动分析工具、智能会议系统及智慧办公等; 还有大数据公司提供人工智能健康监测平台，以精准医疗改善个人健康——各种方案全方位助中小企业实现数码转型！       **科技活化传统！首创「无人机科技x非遗活化」沉浸式展区引领文化传承新浪潮** 由非遗公司与DJI合作打造，首创「无人机科技x非遗活化」沉浸式展区，推广科技与传统文化的融合。 非遗公司以「科技赋能文化，创新传承未来」为宗旨，通过AI与无人机技术活化非遗文化，吸引年轻一代参与。 **超80场同期峰会，汇集百位重量级演讲者分享AI在金融、零售等领域的发展趋势及机遇** 汇聚Adobe、阿里巴巴、百度、国泰、中国联通、周生生、数码港、德勤、Equinix香港、金源集团、Google、香港演艺学院、应科园、科学园、H&M Group、恒生银行、汇丰银行、科大讯飞、KPMG、Microsoft、NVIDIA、八达通、PAObank、PwC、商汤、永明保险、渣打银行香港 、Ricoh、RTHK、 WeLab等不同行业的领袖分享AI应用大趋势，例如《以 AI 洞察客户需求：提升转化率》透过真实案例全面解析AI如何精准提升顾客转化率及即时回应市场变化，还有《与科技领袖对谈Agentic AI》由三大顶尖科技巨头Google、Microsoft及NVIDIA一同探讨Agentic AI将如何改写未来业务，激发创新思维，提升营运效益！       ** 三大社交活动，打造跨行业交流平台** 商务洽谈酒会 与业界领袖、创新先驱及AI专家共聚一堂，在轻松的氛围中畅谈合作机遇。 展会期间，每天下午的4时至6时，大会举行商贸交流酒会，有助拓展人脉，发掘潜在商机，数量有限！    AI应用工作坊 于实战课程中教授AI工具应用，例如 AI 自动化的应用工作坊《使用 AI 自动化工作流程 - 无需编码》、产品管理必学实战策略《 产品管理如何能帮助公司在充满挑战的商业环境中实现商业成功？ 》等，为不同产业提供更落地的工具应用方法，不论是中小企、创业者、或专业人士均有即时的知识增长，提升个人及行业竞争力。   **AI+ Power Awards 2025 年度科技大奖：致敬创新先锋** 自2022年，BGOV Tech Awards已表彰逾65项科技创新企业及项目。 今年，奖项全新升级为AI+ Power Awards 2025，聚焦AI驱动的商业变革，旨在嘉奖创新的AI应用、具影响力及变革性的技术方案，表扬在金融科技、零售科技、可持续发展、教育及医疗等领域的杰出企业，见证AI如何重塑行业未来！   雷峰网

Musk hit back at Trump with a claim that Trump "in the Epstein files" and said SpaceX will "immediately" begin decommissioning its Dragon spacecraft in light of Trump's threat. White House aides reportedly advised Trump to focus on the bill instead of the conflict with Musk, and scheduled a call Friday between the two to broker a peace.

C位可能轮换，连接者始终在场。

真正伟大的企业不是流量的收割者，而是创新的摆渡人。

<blockquote><p>Genspark 通过借助 Anthropic 的 Claude 模型，成功构建了自适应的 AI Agents，彻底改变了人们研究和创建内容的方式。这些 Agents 不仅能够根据用户需求动态调整工作流程，还能协调多个专业工具和子 Agents，提供从简单查询到复杂多步骤研究的全面解决方案。Genspark 的这一创新不仅在短短 45 天内实现了 3600 万美元的年度经常性收入，还为超过 500 万用户提供了高效的 AI 工作流。</p> </blockquote>  Genspark 借助 Claude 打造自适应的 AI Agents，改变了人们研究和创建内容的新姿势，为复杂的工作流提供了极大的效率和规模。 Genspark 的关键成果： - 1. 推出 Super Agent 后 45 天内实现 3600 万美元年度经常性收入； - 2. 为超过 500 万用户提供动态的、自适应的 AI 工作流； - 3. 在大语言模型评审中获得高质量评分； - 4. 通过自动幻灯片创建和多步骤推理为用户节省大量研究时间。  ## 突破固有的搜索工作流的限制 传统 AI 搜索产品对每个查询都遵循相同的流程：分析关键词、检索网络结果，然后将它们总结成一个答案。 虽然这对简单问题有效，但当用户需要复杂研究、详细比较或多步骤分析时，这种方法就显得力不从心。 Genspark 最初使用相同方法构建搜索引擎，并添加了专业数据源和验证的 Agents 等改进。尽管吸引了 500 万用户，他们仍然遇到了根本性限制。 “我们意识到我们仍然受困于传统设计—一个固定的、预定义的工作流，” Genspark 联合创始人兼 CTO Kay Zhu（朱凯华）表示，“要实现真正自适应、能解决上下文长度问题的 Agents，我们必须完全打破这一框架。” 团队认识到，不管怎么优化细节，都解决不了一个根本问题：无论问题多复杂，需求多不同，每次提问的请求都是按照一套标准的固定流程来处理。  ## 选择 Claude 实现自适应智能 为构建 Super Agent，Genspark 需要一个能够处理复杂推理并协调多个专业系统协同工作的 AI 模型。经过测试各种选项后，他们选择了 Claude 作为新架构的基础。 Claude 的规划和推理能力使其成为协调 Genspark 混合 Agents 方法的理想选择，不同 AI 模型相互验证输出以减少错误和幻觉。“对于 Super Agent，我们利用 Claude 的规划和推理能力来驱动整个 Agent 流程。”朱凯华说。 Genspark 发现 Claude 在对其产品至关重要的特定任务上表现出色。对于 AI 幻灯片功能，Claude 的编程能力对生成交互式演示至关重要。 “Claude 处理创建幻灯片时的大部分繁重工作，我们发现它具有出色的视觉设计感。” 朱凯华说。这种技术能力与设计感性的结合使 Claude 在多个功能中都不可或缺。  ## 由 Claude 驱动的动态协调 Genspark 的 Super Agent 打破了限制传统搜索引擎的刻板工作流。它不是对每个查询遵循相同的预定步骤，而是根据每个问题的实际需求调整其方法。Claude 作为主协调者，分析请求、规划步骤、选择合适的工具，并根据新出现的信息调整策略。 这个自适应系统依赖三项核心创新： - 1. 动态协调，Claude 协调八个专业 AI 模型，通过交叉验证确保质量。 - 2. 专业工具和子 Agents，可以处理从创建演示到执行 Python 代码到拨打电话的各种任务。 - 3. 精选的高质量数据集，负责验证的 Agents 持续审核以维持准确性。 结果是一个根据任务进行匹配的智能系统。简单问题得到快速、直接的答案，无需不必要的复杂性。 复杂研究项目可以通过多种方法迭代，从各种来源收集信息，并不断完善结果，直到它们全面而准确。 根据用户需求，Super Agent 可以提供从简单答案到完整演示、交互式网页，或协调电话通话的各种服务，所有这些都由 Claude 无缝协调。  ## 变革用户创造和研究方式 对 Genspark 用户而言，影响主要体现在节省时间和增强功能上。以前需要数小时手动研究、复制信息和格式化的任务现在只需几分钟。 5 分钟自动化工作相当于 3 小时人工努力。“我们使人们能够进行复杂研究、从网络收集信息并将其编译成美观的幻灯片，” 朱凯华说。 用户现在可以处理手动难以完成的复杂度和范围的研究项目。AI 幻灯片功能自动从多个来源收集信息，分析其相关性，并将所有内容编译成可供分享和协作的专业演示。 这改变了用户处理复杂信息任务的方式，让他们能够专注于更高层次的分析和决策，而不是手动的进行数据收集。 商业影响同样显著。迅速的市场采用和大幅的收入增长验证了 Genspark 的押注，即自适应 AI 是人们将来与信息交互方式的未来。 用户持续给予正反馈：速度、准确性和创造力的结合以他们未曾想到的方式改变了研究的工作流程。  ## 构建自适应 AI 的未来 Genspark 从传统搜索到自适应智能的转变，揭示了 AI 开发的一个基本真理：当你给予 Agents 灵活性而非约束时，最强大的系统就会出现。 “我们发现了一个基本原则：更少控制，更多工具，” Genspark 团队解释道，“过度结构化的工作流限制了创造力和深度，而允许多个专业 Agents 处理问题的不同方面，并赋予它们选择和切换工具的自由，则释放了更大的能力。” 这一理念现在推动着 Genspark 的发展，他们正在准备下一个功能发布。每一项新功能都代表着 AI 创造性解决问题的另一种方式。 对 Genspark 而言，这代表着新时代的曙光，AI 成为真正的思考伙伴。不仅执行命令，还与人类协作解决我们尚未想象到的问题。 本文由人人都是产品经理作者【缱绻怡然】，微信公众号：【特工宇宙】，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>在人工智能领域，许多产品的发展路径并非预先规划好的，而是通过不断的实验和迭代自然生长出来的。Anthropic 的首席产品官 Mike Krieger 在一次分享中提出了这一观点，并深入探讨了 AI 生成内容的未来趋势、AI 产品的开发方法论，以及如何让 AI 成为产品开发的核心驱动力。他强调，未来大多数内容将由 AI 生成，而产品的成功关键在于能否解决真实问题，而非单纯依赖于模型的能力。</p> </blockquote>  Mike Krieger 是 Anthropic 的 CPO，也是红杉资本创始人，参与创办了 Instagram 并担任 CTO。 他最近在红杉做了一次分享，关于构建 AI 产品的经验和哲学，如何使用 AI，以及 Agent 相关的畅想。非常非常值得一听！ 原链接：https://www.youtube.com/watch?v=Js1gU6L1Zi8 由于 Z Potentials 已经编译的非常好了，因此我们基于深度｜Anthropic首席产品官：从Claude到MCP，最好的AI产品不是计划出来的，是从底层自发长出来的 这篇文章做了一定润改，分享如下： ## 核心观点： 1. 长期来看，未来大多数内容将由 AI 生成。所以“这是不是 AI 生成的”这个问题将变得没有意义。值得关注的是内容的来源、溯源和引用等问题。而讽刺的是，AI 反而可能更有助于解决这些问题。 特工小天：最近毕业季许多同学在论文 AI 查重，然后刚好看到一句特别有意思的表示：现阶段，鉴定内容是否由 AI 创作更像是一种赛博时代的刻舟求剑。 2. 最好的 AI 产品往往不是计划出来的，而是“从底层自发生长出来”的。很多产品，只有在与模型非常靠近、并深入实验后，才会逐渐显露其真正潜力。所以改变产品开发的路径，是从以往的“自上而下”转为“自下而上”。 3. 我能用 Claude 生成初稿吗？这是不是“作弊”？但现在，我们已经开始鼓励这种用法了。当然，用 AI 写完后你要自己校对，确保内容准确、有判断。但如果它能帮你节省两小时，让你腾出时间去做更重要的事——那为什么不用？ 4. 模型本能想“讨好”你，容易透露太多；但如果它什么都不说，又可能变得过度保守。这种细腻的判断力，目前还没有被很好地训练出来。 ### AI 生成内容的未来，不是真假之辨，而是可信与共鸣 Lauren：你认为 AI 生成内容的发展趋势是什么？当你们不断制作内容、生成图像时，你们如何帮助用户保持对内容的掌控？比如你们在模型可解释性方面做得很好，那你们如何赋予用户理解或引导 Claude 这类系统的能力？ Mike：是的，有些问题在短期内仍然值得探讨，比如加水印来标记 AI 生成内容。但从长期看，大多数内容将由 AI 生成。所以“这是不是 AI 生成的”这个问题将变得无意义。值得关注的是内容的来源、溯源和引用等问题。而讽刺的是，AI 反而可能更有助于解决这些问题。 有趣的是，这让我想起了区块链。虽然现在已经不算热门话题了，但区块链曾试图解决的一些问题，其实在整个内容生成和传播链条完全数字化的今天，更容易通过 AI 来实现。 例如，以前我们常常关注一个文档的出处，比如有没有引用、是不是原创，这些问题现在依然重要，但在 AI 帮助下也变得更容易追踪。所以，未来重点不再是“这是不是 AI 生成的”，而是“它来自哪里”“内容是否可信”“能否验证”。 ### 真正有价值的 AI 产品，从不是计划出来的 Lauren：很有意思，那我们深入聊聊 Anthropic 吧。你们在产品方面做得很出色，比如 Artifacts、编程模型、MCP 协议等。我很好奇，作为首席产品官，你在产品打造中有什么样的方法论？怎么让你们的产品不仅仅是“模型的包装”，而是比模型本身更有价值的东西？ Mike：我有两个想法。 第一点是，不论是在 Instagram 时代还是现在，判断产品是否优秀的标准并没有变——你是否在解决真实问题。比如做一个开发者工具，是否真的帮助开发者做到了快速、有趣、有创造性的事情？如果是面向终端用户的产品，那你是否真的满足了他们的现实需求？这些判断标准，在 AI 时代依然适用。 第二点是，我必须放弃以前的一些习惯。在 Instagram，我们会做三到六个月的计划，非常“自上而下”、按部就班。但在 Anthropic，甚至在和 OpenAI 等同行交流时我发现，最好的 AI 产品往往不是计划出来的，而是“从底层自发长出来”的。 很多产品，只有在与模型非常靠近、深入实验后，才会逐渐显露其真正潜力。所以我学会了改变产品开发的路径，从“自上而下”转为“自下而上”。比如 Artifacts 就是最初的一个研究原型，后来被设计师和工程师接手优化，最后才进入产品化阶段。这种路径虽然不容易控制，但确实带来了很多惊喜。 Lauren：MCP 是目前整个行业开始采用的重要产品之一，我很好奇它是如何诞生的，您有什么故事可以和我们分享吗？ Mike：关于 MCP 的诞生，其实特别有意思。有时候我在公司的工作就是做些内部梗图，其中一个就是调侃 MCP 刚诞生时只是两个工程师眼中的一个“小火花”。 最初的起点，其实是在我们尝试对接 Google Drive 和 GitHub。我们发现这两个功能虽然本质上都是“把上下文引入模型”，但内部实现却完全不同。我们马上还要做第三个集成，看起来又将是一次全新的、重复造轮子的开发。 所以我通常的模式是：做三次之后，就可以总结出抽象层级，形成标准。而 MCP 就是这么来的。一开始，并不是从“我们要制定一个统一的协议”这种顶层设计开始的，而是两个工程师觉得这样做更合理，于是就动手去原型验证、反复迭代。 后来我们花了很多精力把这个协议做得更好、更开放，希望它不只是 Anthropic 内部使用的东西，而是真正有机会成为行业标准。现在，MCP 已经开始被更广泛地采用。 Lauren：从一个“自下而上”的想法出发，到现在落地扩展，你们是如何培育并发展这个产品的？ Mike：我目前最关注的两个方向，都是围绕 MCP 展开的。第一是“执行能力”。MCP 最初的设计目标是引入上下文，现在我们已经可以集成 GitHub、触发 Zapier 等操作。但更重要的是下一阶段，我们希望模型能主动完成任务。它们不仅要能“理解”，还要能“行动”，自动执行工作流。 第二是“Agent 之间的协作”。我们现在还处于非常早期的探索阶段，甚至还不适合立即建立标准。但很明显，未来不同的 Agents 会相互交互、协作，甚至“雇佣”其他 Agent 来完成任务。这将形成一种新的 AI 经济系统。 我们内部已经开始讨论，比如未来是否会出现“你的 Agent 为你雇佣另一个 Agent”的场景。这些想法令人兴奋。 Lauren：你们在编程方面已经做得很成熟，看起来不只是“自下而上的小尝试”。你是如何看待这类产品的定位？你觉得目前做对了哪些事？ Mike：即使是编程这块，我依然充满敬畏。很多创新都不是靠“战略”定出来的，而是由几个研究员突破边界推动的。比如前面提到的 RL（强化学习）探索，就是从具体研究中自然发展出来的。 我们一直坚持的一点是：不仅仅盯着 Benchmark 分数，更重要的是——模型生成的代码用户是否喜欢用？它是否真正带来了好结果？这点我们会持续强化。 “Vibe Coding”这个说法，其实不是我们提出来的，但它确实有一定价值。你用模型生成代码时，可能会感受到某种“氛围”或者“灵感”，这在小项目里很有意思。 但如果是要构建一个大型代码库、一个百人团队协作的工程系统，这种方式就不够用了。我们正在探索生成式 AI 在整个开发流程中的定位。比如，现在我们公司内部超过 70% 的 Pull Request 都是由 Claude 代码生成的。 但这也带来一个新问题：代码审查怎么做？你可以用 Claude 来审查 Claude 生成的代码，但这就像是“套娃”——每一层都还是 AI。那我们该如何保持技术架构的可控性？是否会走入技术债的死胡同？这些问题，我们还在摸索，相信整个行业都在摸索。 我们内部感受到的最大变化之一是：AI 让工程效率大幅提升后，组织中“非工程环节”的低效变得更加刺眼。比如，以前一个对齐会议只会耽误一个工程师一小时，现在可能等于耽误了“8 小时的 AI 产出”。 你会发现组织里的“瓶颈”并没有被 AI 优化，反而被放大了。这导致产品流程中的不协调变得更明显、更痛苦。虽然模型可以总结会议、提出下一步建议，但它们现在还做不到真正帮助我们做出组织层面的决策。 ### 从工具到协作：组织如何适应 AI 时代的效率重构 Lauren：你提到 Anthropic 内部在广泛使用 Claude。能分享一下哪些使用方式是你觉得特别值得推广的吗？有没有一些你们过去半年内尝试、并且觉得其他人也应该尝试的用法？ Mike：我最喜欢看到的是——非技术团队开始主动使用大模型。比如销售团队，会用 Claude 来准备客户会议。他们一开始只是用公共版本，但当碰到具体障碍时，我们就会根据他们的需求开发专属工具。这种需求驱动的方式，非常有效。 不过坦率地说，即便在我们这样的 AI 实验室，使用 AI 的能力也分布不均。有的员工用得非常熟练，高效地解决问题；而有的人还停留在传统流程。我自己则把 Claude 当成“思维合伙人”。 无论是写战略文档、制定规划，还是写绩效评语，我都习惯先通过 Claude 进行一轮“脑力激荡”。就像有了 Copilot 之后，我在飞机上没有它会觉得“不会写代码了一样”，我现在也很难回到没有 AI 协助的写作状态了。 过去一年半里，我亲眼看到 Anthropic 内部的文化发生了变化。起初，很多人在写绩效评语、工作总结时会犹豫：我能用 Claude 生成初稿吗？这是不是“作弊”？但现在，我们已经开始鼓励这种用法了。 当然，用 AI 写完后你要自己校对，确保内容准确、有判断。但如果它能帮你节省两小时，让你腾出时间去做更重要的事——那为什么不用？我们有一个内部工具，可以跨越整个 Slack 和所有内部文档运行。它支持公共和私密频道，但大多数人更喜欢用“公开版”，因为这意味着他们使用 AI 的过程是可见的。 有趣的是，在绩效季时，很多员工开始用这个工具来生成评语初稿——而且是在公共频道里！这种“共享式使用”反而帮助打破了“AI 使用羞耻感”。这让我想起了 Midjourney 刚兴起的那段时间，大家都愿意公开展示自己用 AI 生成的图。这种“可见性”对于推动 AI 融入日常工作非常关键。 我们还远没到 AI 全面普及的阶段，但可以看到，文化正在朝这个方向转变。 ### AI Agent 正在成为下一代“数字员工” Lauren：接下来你们的重点方向是什么？我们看到你们在代码、企业场景方面做了很多，也听说有新模型发布。可以透露一点未来规划吗？ Mike：关于模型和产品，我们的目标可以用一个词概括：Agent。我知道现在很多人都在谈这个概念。我们想做的是，为这种新形态提供底层支持。 代码只是一个起点，它展示了一个更广泛主题的雏形：模型能否连续工作几个小时甚至更久？那几乎可以说就是我们的长期目标。 要实现它，模型不仅要更强大，还需要一整套配套系统：1、记忆能力（让模型记住自己做过什么）2、高级工具调用（不只是搜索，还能使用复杂工具）3、自动适应组织结构（进入企业后知道该做什么）4、可验证性与日志记录（比如一家公司有 100 个 Agents 运行，如何监管？）我们不打算做这个生态里的每一个环节，但希望我们的模型能成为这些构建的基石。 Lauren：那新模型快来了？ Mike：永远都有新模型在来的路上。这个领域的更新速度实在太快了——但我们很快会有一些很酷的新东西发布，敬请期待。 ## 观众提问环节 观众提问：作为产品负责人，你现在最头疼的问题是什么？ Mike：对我们来说，最大的问题是——AI 产品对新手来说仍然太难用。我们确实设计了一些很有价值的工作流，但它们依然需要用户“用对方式”。 只要使用路径稍微偏离主线，效果就会大打折扣。不像你第一次打开 Instagram，知道该拍照、该发帖。AI 产品还远没做到那种“开箱即用”的程度。当然，这与我们当前偏重于“工作场景”而非“日常娱乐”有关。但我常常在想，现在模型的能力已经很强了，可实际能用好的用户还是太少，潜力还远未释放。 观众提问：你怎么看最近有篇热议的文章 AI 2027（关于 AI 的未来路线预测）它提出模型将被“延迟发布”，以便充分利用它们带来的利润与资源，这点你怎么看？ Mike：这篇文章有两个点我特别认同。第一是算力的重要性。这个话题并不新鲜，但它确实是每家 AI 公司的核心问题。我们每天都在讨论：我们现在的算力储备如何？下一代要用什么芯片？和谁合作？这些讨论，几乎与文章中提到的一致。 第二点是是否该“故意推迟模型发布”，来最大化回报。这个争议很有意思。比如，最近扎克伯格在一次访谈中提到，为 LLaMA 开放 API 的权衡：你是要把算力花在用户身上，还是继续强化 RL 训练？这是每家实验室都在面对的选择。我们也要考虑——我们是否应该把算力分给一个利润可观的大模型产品，还是保留给那些“还在萌芽期的疯狂新想法”？后者可能孕育出下一代架构突破。这不是一个容易的平衡题。 我个人更倾向于——尽早让模型进入真实市场。Claude 3.5 系列之所以能做得这么好，就是因为我们从实际用户反馈中快速迭代。如果只在实验室里封闭开发，我们可能不会走到今天这一步。 观众提问：在一个既做研究又做产品的大型组织中，如何平衡两者？是产品来定义研究方向？还是研究决定产品能力，然后产品再接洽？ Mike：我经常会要求产品团队去思考：如果我们做出的产品，只是把一个 API 模型包装了一下，且功能跟别家也差不多——那我们到底在做什么？我们有一群世界顶级的研究人员，如果产品没有充分用上他们的成果，那就是浪费。 有一个正面案例是 Artifacts：它是专门为 Claude 进行微调打造的产品，效果非常好。但我们也经历过一段时间，产品和研究脱节，没有真正把模型能力“装进”产品。我们正在回归，重新强调“产品=模型能力+交付方式”。 目前我们在这方面的协作还不够，大约只有 10% 的研究人员参与到产品中。但我们也知道——比如让模型更好地执行指令，其实对所有产品都有正面帮助，这种基础性研究我们仍然在投入。我们也在观察 OpenAI 的一些做法，比如他们可能会对 ChatGPT 做专门的微调版本，虽然大家主要是通过 Chat 界面来用它，但背后可能跑的是不同模型。我们目前没有这么做，这在节省算力的同时，可能也限制了一些差异化体验的实现。 观众提问：你怎么看关于 Agent 之间的交流协议的未来的标准化？Anthropic 会制定类似标准吗？ Mike：我觉得现在还没有谁真正解决了其中一个关键问题——Agent 要不要透露信息、透露多少？比如：如果你的 Agent 要与供应商打交道，可以透露信用卡信息。但如果它只是与一个陌生 Agent 互动，那就该保留隐私。这种“揭示什么、隐藏什么”的判断，既是产品设计问题，也是一项尚未解决的研究课题。 模型本能想“讨好”你，容易透露太多；但如果它什么都不说，又可能变得过度保守。这种细腻的判断力，目前还没有被很好地训练出来。 另一个挑战是：如何在大规模部署时进行可审查。比如，如果一家公司部署了 100个 Agents，要如何记录他们的行为？如何设定权限？甚至——这些 Agents 是否应该有“名字”？我们还在思考这些问题，有些更像研究问题，有些则是即将到来的产品挑战。 观众提问：你觉得现在在做 AI 应用层产品的人，最容易犯的错误是什么？ Mike：我不想说是“错误”，但我观察到一个常见现象：很多 AI 产品是从“轻量 AI”开始，后来才逐步变“重 AI”。但在这个过程中，他们常常只是把 AI 功能放在产品的边栏，成了一个次要入口，体验也比较割裂。 而随着产品功能越来越依赖 AI，这种结构就会拖后腿。所以问题不是 AI 能力不强，而是你是否愿意从底层重新构建产品，让 AI 成为“第一用户”。 另一个很常见的问题是——应用没有暴露足够多的“操作说明”给模型使用。举个例子，当你让模型帮你做点事，它说“我做不到”，但实际上是你没有设计好接口，让它能够调用这些功能。这本质上是设计问题：你是先造了个 GUI，然后再把 AI 贴上去；但其实，你应该是先考虑 AI 怎么用它，让 AI 成为你的产品的“主要使用者”。 本文由人人都是产品经理作者【缱绻怡然】，微信公众号：【特工宇宙】，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>在当今竞争激烈的应用市场中，为何有些App能够脱颖而出，让用户爱不释手，甚至形成习惯性的使用，而其他应用却默默无闻？本文深入剖析了背后的关键因素——情感化设计。通过分析Duolingo、Phantom钱包和Revolut等成功案例，揭示了情感化设计如何通过细腻的动画、人性化的反馈和精致的视觉效果，建立用户与产品之间的情感连接，从而驱动用户增长、提升用户忠诚度并实现商业成功。情感化设计不再是锦上添花，而是产品在功能趋同时代的核心竞争力。</p> </blockquote>  你有没有想过，为什么你每天都会不自觉地打开 Duolingo，但其他语言学习应用却躺在手机深处积灰？为什么 Phantom 钱包能在竞争激烈的加密货币市场脱颖而出，而大多数同类产品却门可罗雀？为什么 Revolut 能让用户心甘情愿为高端金融服务买单，而传统银行应用却让人避而远之？答案并不在于功能的多寡或技术的复杂程度，而在于一个被大多数开发者严重低估的要素：情感化设计。 现在的时代，构建软件变得前所未有的简单。我们有各种 API、无代码工具、AI 模型，所有的技术积木都触手可得。任何人都能在几天内搭建出功能完整的应用，快速推出新特性。这种技术民主化带来的结果是，仅仅”有用”已经不够了。当市场上充斥着功能雷同的产品时，真正的竞争优势在于：当用户打开你的应用时，它给人的感受是怎样的？是流畅、愉悦、有趣，还是高端？还是说，它只是感觉像市面上的其他应用一样平庸无奇？ 当然，成功的产品仍然需要多个要素的组合：扎实的商业模式、良好的市场时机、强大的社区支撑等等。但我越来越深刻地认识到，真正区分优秀与卓越的，是那种能与用户建立连接的设计，那种让人感受到用心的设计，那种能将普通用户转化为忠实粉丝的设计。Netflix 联合创始人 Reed Hastings 的话很好地概括了这一点：”产品必须好到让人们主动谈论它。”在一个每个产品都能获得相同技术资源的世界里，这才是你的长期竞争优势。不是代码，不是功能列表，而是当用户关闭应用或滑走屏幕时，你的产品给他们留下的感受。本文以三款不同类型，但都让人爱不释手的产品为例，来讲讲这一独特的设计秘诀，本文部分case整理自Tim的视频分享。 ## Duolingo 的情感魔法：让学习变成习惯 让我从 Duolingo 这个情感化设计的经典案例开始分析。Duolingo 并不只是创建了另一个语言学习应用，他们构建的是一个能够实时响应用户、真正让人感受到人性化的产品。在 2022 年，他们引入了一套完整的角色动画系统，包括面部表情反应、与音频同步的唇形变化，以及即使在用户没有任何操作时也会展现的空闲动画，让他们的角色即使在静止状态下也显得生动活泼。 这些改变带来的商业影响令人震撼。Duolingo 的数据显示，在这些动画功能推出后，他们的日活跃用户数在两年内翻了一番多，从 1420 万增长到超过 3400 万。更重要的是，付费订阅用户数也在同一时期实现了翻倍增长。当然，这样的增长来自多个因素的共同作用，比如新增语言、课程改进、营销活动等等。但有趣的是，Duolingo 自己的团队多次强调，角色动画是人们保持参与度的主要原因之一。 CEO Luis Vonan 在多个场合都指出，应用的愉悦体验（包括这些动画）让它在充斥着枯燥功能性应用的市场中脱颖而出。这种连接并非偶然。这些动画不仅仅是视觉装饰，它们是情感反馈的载体。它们创造了保持用户参与的情感循环。当你正确回答问题或犯错时，你得到的不只是一个绿色对勾标记，你感受到的是鼓励、纠正，甚至是欢呼声援。这些快速反应通过触发情感反馈循环来提升参与度，正如用户体验大师 Don Norman 在他的《情感化设计》一书中详细阐述的理论。  我深入研究了 Duolingo 的设计策略后发现，他们的成功远不止于表面的动画效果。他们真正理解了语言学习这个场景的心理学特征：学习新语言本身就是一个充满挫折和自我怀疑的过程，用户很容易因为进度缓慢或错误频繁而放弃。传统的语言学习应用往往过于严肃，给人一种”考试”的压迫感。而 Duolingo 通过情感化设计，将这种原本令人焦虑的体验转化为一种游戏化的愉悦体验。 他们的动画系统非常精妙地处理了学习过程中的各种情感节点。当用户答对题目时，猫头鹰 Duo 会露出自豪的表情，仿佛在为你的进步感到真心高兴；当你答错时，它不会表现出失望，而是一种温和的鼓励，让你感觉即使犯错也没关系，重要的是继续尝试。这种情感化的反馈设计巧妙地重新定义了”错误”的含义，将其从”失败”转化为”学习机会”。更有趣的是，当用户连续多天完成学习任务时，动画会变得更加热情和庆祝性，强化了”坚持”这个行为的正向反馈。 从神经科学的角度来看，这种设计策略非常聪明。每次正向的情感反馈都会刺激大脑释放多巴胺，这种神经化学反应会强化用户继续使用应用的动机。更重要的是，这种情感化的体验会在用户的大脑中建立积极的情感记忆，让他们在想到学习语言时不是联想到枯燥和困难，而是联想到成就感和乐趣。这种心理层面的转变才是 Duolingo 能够维持如此高用户粘性的根本原因。  这个案例给我的启发是，如果你的产品依赖于用户的重复行为，比如签到、日记记录或习惯追踪，你应该添加能够提供即时情感反馈的微交互。一个细微的弹跳、光晕或闪烁，这些小细节可以让确认时刻感觉更有奖励性。同时，要庆祝小的成功。强化参与度不需要巨大的成功状态，但它们应该感觉是有意为之的。如果你像 Duolingo 一样有某种吉祥物，利用吉祥物来展示表情、鼓励用户，因为情感是会传染的。这可以是小小的点头、微笑，或让体验感觉更人性化的动画反应。 更深层次的洞察是，你需要深入理解用户在使用你产品时的心理状态和情感需求。用户在什么时候最需要鼓励？什么时候容易感到沮丧？什么时候需要成就感的强化？只有真正理解了这些情感节点，你才能设计出像 Duolingo 那样有效的情感化体验。最后，如果你想给用户一种 momentum 的感觉，包含精美的进度动画。这可以是任何东西，比如使用动作来显示连击记录，或者显示不同级别、完成的日记数量，任何能给人一种随时间建立某种东西感觉的内容。这里的目标是让反馈感觉人性化，而不仅仅是功能性的，因为这种情感层面可以悄然在用户和你的产品之间建立强大的连接。即使是非常简单的东西，如果做得好，也能让体验感觉更生动，更值得回来。  ## Phantom 的信任重建：在怀疑中播种信心 Duolingo 通过设计让人们对使用应用感觉良好，从而建立了习惯。那种良好的感觉是用户持续回来的主要原因之一。但当你的用户不是要养成习惯，而是要克服怀疑时会怎样？这是加密货币应用面临的主要挑战之一，也是 Phantom 通过情感化设计和动画着手解决的问题。 让我们先面对一个残酷的现实：加密货币的用户体验普遍糟糕透顶。Phantom 深知这一点。所以当他们在 2023 年中期推出全面品牌重塑时，他们不只是换了个 logo，而是彻底改革了一切，并引入动画来改变人们的认知。他们为幽灵吉祥物添加了动画，在钱包创建过程中加入了有趣的动画效果，并投入大量精力让每个交互都感觉有趣且平易近人。这里的目标很明确：让加密货币感觉不那么可怕，更有人情味。  显然，这个策略奏效了。今天，Phantom 是加密货币领域使用最广泛的钱包之一，最近成为美国应用商店工具类别中排名第二的应用，超越了 WhatsApp 和 Instagram 等应用。就像 Duolingo 一样，Phantom 的增长也受益于市场势头和聪明的商业执行。但真正让他们脱颖而出的是，他们从一开始就以设计为导向。 他们的 CEO Brandon Milman 对此非常明确。这不只是另一个钱包。从第一天起，团队就专注于精致、工艺和构建真正使用起来感觉良好的东西。用他自己的话说：”精致很重要。我们是一家以设计为导向的公司，花时间打造精致的产品。”这种心态得到了回报，因为当大多数钱包都是开发者为其他开发者构建时，Phantom 专注于消费者。他们的目标是将下一个十亿人带入 Web3，这意味着投资于清晰、情感化的 UI 和动画。  我从 Phantom 的成功中总结出几个在令人生畏、复杂或高风险领域（如金融、加密货币、健康或保险）进行设计时的重要原则。首先，精致建立信任。将视觉细节、动作和过渡视为核心产品功能，而不是装饰。每一个微小的交互都是信任信号。其次，保持平易近人。友好的视觉效果和温暖、有趣的细节让沉重的话题感觉轻松一些，这在建立信心方面大有帮助。第三，为普通人而非专业人士设计。不要假设用户知道规则，设计对日常人群有意义的流程，特别是如果你要触及早期采用者之外的人群。最后，性能很重要，但真正留在人们心中的是当有人点击、滑动或等待时产品的感觉。给用户流畅的反馈会增加他们对你产品的信心。  ## Revolut 的奢华密码：如何通过设计卖出高端感 我们已经看到角色和愉悦如何创造信任，但信任并不是每个人的终极目标。让我们探索情感化设计和动效如何以更加有利可图的方式用于销售奢华感，这就带我们来到了 Revolut 的案例。 Revolut 多年来一直在设计和动画方面进行投资。但特别有趣的是，他们的设计升级如何与他们向高端市场的推进完全同步。随着他们向上游市场发展，他们的视觉语言变得更加精致，很明显他们是有意为之的，将产品感受与他们想要业务发展的方向保持一致。  以首次用户体验为例。他们不会让你陷入枯燥的注册流程。相反，你会得到丰富的视觉效果、超级流畅的过渡，立即感觉像是在步入某种高端体验。我的意思是，连他们的图表都升级了。你不只是查看支出数据，你能感受到它。你用手指拖拽，图表会以柔和的光晕响应，将数字转变为更有触觉感的东西。 他们的卡片也是如此。你看到的不只是静态图像，你会获得完整的 3D 时刻。卡片翻转、旋转、捕捉光线。它很简洁，很有意图，说实话就是令人满足。这些小细节，比如安全流程或入门引导中的细微动画，提供了那种信任感而不会显得刻意。这些设计细节都不会对你大喊大叫，但它们共同创造了更加高端的感觉。  在金融科技领域，信任直接影响用户的消费金额，这种精致度直接转化为收入。这给我的重要启发是：要掌握第一印象。花时间精致你的入门引导，精致你的欢迎时刻，立即传达质量、信任和关怀。添加细微的愉悦时刻，比如动画、淡入淡出效果、悬停效果或手势。建立情感，让接触点感觉有意图。让交互感觉动态。触觉图表、响应式反馈或动画卡片，将基本功能转变为感觉提升和吸引人的东西。  ## 情感化设计的商业逻辑 通过分析这三个成功案例，我发现情感化设计并不是产品的装饰品，而是驱动商业成功的核心引擎。每个案例都证明了一个关键洞察：在功能趋同的时代，情感差异化成为了最强大的竞争武器。 Duolingo 用角色动画将日活用户翻倍，Phantom 通过精致设计在竞争激烈的加密钱包市场获得领导地位，Revolut 凭借高端的视觉体验成功向上游市场扩张。这些成功都有一个共同点：它们不是通过添加更多功能来获胜，而是通过让用户在使用产品时感觉更好来获胜。 我认为这种转变反映了用户期望的根本性变化。现在的用户，特别是数字原住民，已经习惯了高质量的数字体验。他们不再满足于”仅仅能用”的产品，他们期望产品能够理解并回应他们的情感需求。这就是为什么那些投资于情感化设计的公司能够建立更强的用户忠诚度、更高的转化率和更好的用户留存率。 让我深入分析一下情感化设计如何在商业层面发挥作用。首先是用户获取成本的显著降低。当产品具有强烈的情感吸引力时，用户更愿意主动分享和推荐，这种口碑传播的成本远低于传统的付费获客渠道。Duolingo 的病毒式传播很大程度上得益于其有趣的学习体验让用户愿意在社交媒体上分享自己的学习成果。这种自发的品牌宣传为公司节省了大量的营销预算。 其次是用户生命周期价值的大幅提升。情感化设计创造的不仅是一次性的愉悦体验，更是长期的情感依赖。用户一旦与产品建立了情感连接，他们的流失率会显著降低，使用频率会明显提高，付费意愿也会增强。这种深度参与直接转化为更高的用户生命周期价值。在 Duolingo 的案例中，付费订阅率的翻倍增长就是最好的证明。 第三是品牌溢价能力的提升。情感化设计让产品从纯粹的功能工具升级为情感载体，这种转变使品牌能够收取更高的价格。Revolut 通过精致的设计体验成功向高端市场扩张，用户愿意为更好的体验支付溢价，这直接提升了公司的利润率。同样，Apple 多年来的成功也充分证明了设计驱动的溢价策略的有效性。 更深层次的商业逻辑在于，情感化设计改变了竞争的维度。传统的产品竞争主要集中在功能对比和价格竞争上，这种竞争往往导致同质化和利润率下降。而情感化设计开辟了一个全新的竞争维度，让公司能够跳出功能和价格的红海，在情感体验的蓝海中建立独特的竞争优势。 从行为经济学的角度来看，情感化设计利用了人类决策过程中的重要心理机制。研究表明，人们的购买决策往往是情感驱动的，然后才用理性来为这个决策寻找合理化的理由。优秀的情感化设计能够在用户的潜意识层面建立积极的情感联系，影响他们的决策过程，让他们更倾向于选择和坚持使用你的产品。 我还观察到，情感化设计在不同商业模式下的作用机制也有所不同。对于 B2C 订阅模式，情感化设计主要通过提高用户粘性和降低流失率来创造价值；对于一次性购买模式，它更多地通过品牌溢价和口碑传播来驱动增长；对于平台模式，情感化设计则通过增强用户参与度和网络效应来创造价值。理解这些差异对于制定针对性的情感化设计策略至关重要。 更重要的是，情感化设计创造了难以复制的竞争优势。任何人都可以复制功能，但很难复制感觉。当用户对你的产品产生情感连接时，他们不仅更可能继续使用，还会成为你的品牌大使，主动向他人推荐你的产品。这种有机的口碑传播往往比任何付费营销都更有效。 从商业角度看，情感化设计的投资回报率往往超出预期。虽然前期需要投入更多时间和资源来打磨细节，但长期来看，这种投资会通过更高的用户满意度、更低的获客成本和更强的品牌忠诚度得到丰厚回报。特别是在订阅模式盛行的今天，用户留存率的微小提升都会带来显著的收入增长。据我观察，那些在早期就重视情感化设计的公司，往往能够在后期获得指数级的商业回报，因为情感连接一旦建立，就会成为公司最宝贵的无形资产。 ## 如何在自己的产品中应用情感化设计 理解了情感化设计的重要性后，关键问题是如何在自己的产品中实际应用这些原则。我总结了几个可以立即开始实施的策略。 首先是微交互的力量。不要低估小细节的影响力。一个按钮被按下时的细微反馈，一个加载动画的精心设计，一个成功操作后的庆祝效果，这些看似微不足道的元素可以显著提升用户体验。关键是要让每个交互都感觉有响应、有意图。用户应该感觉到产品在听取并回应他们的每个动作。 其次是建立情感反馈循环。就像 Duolingo 的例子一样，你需要确保用户的行为能够得到即时且有意义的反馈。这种反馈不应该只是功能性的（比如”操作已完成”），而应该是情感性的（比如”太棒了！你又向目标迈进了一步”）。这种情感化的反馈会让用户感觉被认可、被鼓励，从而更愿意继续使用你的产品。 第三是注重进度可视化。人们天生喜欢看到自己的进步，无论是学习新技能、完成任务还是达成目标。通过精美的进度动画、成就系统或里程碑庆祝，你可以让用户感受到成长和成就感。这种感觉会强化他们的使用动机，让他们更愿意长期坚持。 最后是保持品牌一致性。情感化设计不是零散的动画效果拼凑，而应该是整体品牌体验的一部分。从视觉风格到交互方式，从文案语调到动画节奏，所有元素都应该服务于统一的情感目标。只有这样，才能创造出连贯而有力的用户体验。 当然，实施情感化设计也需要平衡。过度的动画或过于花哨的效果可能会适得其反，让用户感到烦躁或分心。关键是要找到那个甜蜜点：足够吸引人但不会干扰功能，足够有个性但不会显得做作。这需要大量的测试、迭代和用户反馈来持续优化。 我相信，随着市场竞争的加剧和用户期望的提高，情感化设计将从”锦上添花”变成”必需品”。那些能够在功能之外还能触动用户心灵的产品，将在未来的市场竞争中占据主导地位。现在是时候开始投资于这种能力了，因为正如这些成功案例所证明的，当技术不再是门槛时，情感连接就成了最强的护城河。 ## 写在最后：情感化设计的未来 回顾整个分析过程，我越来越确信我们正站在产品设计的一个重要转折点。技术的民主化让创建功能变得越来越容易，但这也意味着纯粹的功能创新将越来越难以形成持久的竞争优势。在这种背景下，情感化设计不再是奢侈品，而成了生存必需品。 从 Duolingo 的角色动画到 Phantom 的信任重建，从 Revolut 的奢华体验到无数其他成功案例，我们看到的是同一个趋势：最成功的产品都是那些能够在功能之外还能触动用户情感的产品。它们不只是解决问题，更是创造感受；不只是提供服务，更是建立关系。 我预测，未来几年我们将看到情感化设计在更多领域的爆发式应用。不仅是消费者应用，企业软件也将开始重视用户的情感体验，因为即使是 B2B 产品的使用者也是有情感需求的人。金融、医疗、教育、工业软件等传统上以功能为导向的领域，都将迎来情感化设计的浪潮。 对于产品创业者和设计师来说，现在是投资情感化设计能力的最佳时机。不要等到竞争对手已经通过情感化设计建立优势后才开始行动。从现在开始，将情感化设计纳入你的产品战略核心，培养相关能力，建立设计文化。记住，在一个功能日趋同质化的世界里，情感连接将成为最强大的差异化武器。 最后，我想强调的是，情感化设计并不意味着华而不实或过度装饰。真正优秀的情感化设计是克制的、有目的的、服务于用户真实需求的。它不是为了炫技而存在，而是为了让产品更好地服务人类而存在。当我们能够在满足功能需求的同时也满足情感需求时，我们创造的就不只是产品，而是真正能够改善人们生活的体验。‍ 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。

Bcl-2抑制剂的下半场会更加精彩。

<blockquote><p>在AI技术快速发展的当下，软件公司的定价模式正经历着重大变革。通过对240家AI软件公司的定价数据进行分析，本文揭示了五个关键趋势：席位定价和固定价格模式面临挑战，混合定价模式成为主流，多种定价策略各有优劣，结果定价模式需关注四大问题，以及价格透明化并非适用于所有企业。AI技术的快速发展使得定价决策变得愈发复杂，企业需要投入更多资源来应对这一挑战，但大部分企业尚未做好准备。</p> </blockquote>  AI在深刻变革软件行业的同时，也带来了一个问题： AI功能固然强大，但由于价值错位和成本压力，传统的定价方式正在失效。 在这一背景下，软件公司对全新颠覆性定价模式的需求比以往任何时候都高涨。从现在看，这一趋势比大家想象的进展更快。 最近，国外科技作者Kyle Poyar收集了超过240家软件公司的数据，这些公司的年经常性收入(ARR)在100万至2000万美元之间，销售的是SaaS和AI混合产品。 透过这240家软件公司的数据，Kyle Poyar得出了关于AI定价的5个趋势： - 1）传统的席位定价和固定价格模式面临挑战，混合定价模式已成为主流。 - 2）当混合定价成为一种趋势，也出现了一些新的定价组合。 - 3）基于结果定价虽好，但在大部分市场短期内并不适用。 - 4）价格透明化的价值，或许被高估了。 - 5）定价模式仍然在快速变化，但大多数公司还没有做好准备。 ## / 01 /席位定价和固定价格模式，正在面临挑战 12个月前，软件定价主要还是席位收费和固定费率订阅两种模式。 这些模式提供了价格的可预测性，并有望带来持久的经常性收入（ARR）。然而，由于价值错位和成本压力，这些模式正日益面临威胁，尤其是对于人工智能原生产品而言。 固定费用和基于座位的定价正在被混合定价所取代，即订阅和使用的组合。数据上也能看出这一趋势： - 1）过去12个月，固定费用订阅模式占比从29%下降至22%。 - 2）采用基于席位定价的占比从21%下降至15%。 - 3）采用混合定价模式的占比从27%上涨至41%。  还有一个趋势是，AI与软件的结合越来越紧密了。 超过一半的受访者（53%）表示，他们将人工智能功能纳入核心软件产品。仅有20%的受访者表示，他们不提供任何人工智能功能。甚至更少的受访者（16%）表示，人工智能主要作为独立产品或附加组件出售。 AI为软件带来的一个变化是，软件提供的价值越来越多。客户可能需要更少的人工，而需要更多的人工智能。 - Alphabet表示，目前其代码的30%以上是由AI生成的。 - 微软首席技术官预计，到 2030 年，95% 的代码将由AI生成。 - Cursor拥有 60 名员工，年平均经常性收入(ARR)增长至2亿美元，平均每位员工的收入超过300万美元。 - Klarna表示，由于人工智能效率的提升，其每位员工的ARR从57.5万美元飙升至100万美元。 但另一方面，交付人AI功能的成本是真实存在的，并且正在成为定价的关键因素。调查参与者认为，内部成本和利润是人工智能功能定价的最重要因素。  ## / 02 /混合定价模式，已成为主流定价模式 在SaaS时代，大部分软件公司的定价策略，主要参考Salesforce或Slack等。而到了AI时代，他们的定价策略受到了Clay的启发。 Clay采用的是混合定价模式，既通过多种定价方式来满足用户需求，又保持定价相对简单，比如更多功能（订阅套餐）和更多使用量（积分）。  Clay没有为包年套餐提供大幅折扣，而是提供小幅折扣（10%），并允许客户一次性获得所有积分。未使用的积分可以结转到下个月（最多2倍），这既方便了客户，又能增加用户粘性。 最近，一些初创公司和大型企业都引入了类似的混合模式。比如，我一直在关注monday.com（现在所有付费计划每月提供500个AI积分）、Salesforce旗下的Agentforce（5月份增加了弹性积分模式）、Atlassian以及许多其他公司。 混合定价是席位或固定费用订阅模式的自然演变。我认为混合定价如此受欢迎的原因有四： - 1）没有对原有定价体系造成太大冲击。混合定价无需另辟蹊径——它可以融入现有的基于座位和订阅的模式。 - 2）更自然的销售路径。它创建了一条自然的追加销售路径，让客户“免费”试用新产品，然后随着使用量的增长而盈利。 - 3）可观的利润率。通过限制使用量，公司可以控制成本，并最大限度地降低无利可图客户的风险。 - 4）相对可预测。通过遵循传统的定价模式，买家可以估算成本并控制支出。 ## / 03 /七大常见的定价策略 随着越来越多AI产品转向混合定价模式，一个新的挑战出现了：构建混合定价的方式似乎有无数种，但并非每一种都合适。 在这里，作者分享了一些常见的定价方法，以及其优缺点。  **第一，现收现付(PAYG)。**这并非真正的混合模式，且早期可能会有不错的效果。现收现付意味着无需承诺，完全灵活。当客户可以报销费用或将其计入运营预算时，这种模式最有效。否则，企业采购要小心了！ **第二，有上限的现收现付(PAYG)。**这种模式通过限制潜在使用量/支出，让买家安心无忧。这种模式在基于结果的模式中越来越常见，因为结果事先是未知的。 **第三，基于使用量的套餐。**客户承诺一定的使用量或套餐；这通常是“用完即止”。套餐包含多种子模式，包括高额计费（如果使用量超过计划上限，客户将立即进入超额计费模式）或递减模式（使用量可以灵活使用，就像礼品卡一样）。对超额使用量和使用量波动的担忧会导致销售人员过度销售，客户过度购买。 **第四，平台费加使用量。**收取平台费有助于锁定客户，同时让他们享受高级功能、优质支持等。当定价指标商品化（例如：短信、计算、存储）或无法反映产品的全部价值时，这种方法非常有效。供应商可以宣传价格实惠，但需要通过平台费来弥补。 **第五，平台费（含使用量）加额外使用费。**这种模式也称为三部分资费模式，其订阅费较高，但包含一定程度的“免费”使用费。提供最低使用量有助于吸引客户，并通常会刺激他们增加整体消费。 **第六，自适应固定费率。**在这种模式下，客户承诺选择一个基于使用量的层级，但在合同期内可以随意使用产品，不会产生超额费用或需要升级。在合同续期时，其层级会根据实际使用情况进行上调或下调。自适应统一费率对客户来说具有可预测性，同时也能鼓励他们随着时间推移增加使用量（缺点是如果使用量下降，你仍需承担相应的成本！）。 **第七，平台费加成功奖金。**在这种模式下，定价以更传统的订阅费形式呈现。如果客户获得的回报率（ROI）高于预期，他们需额外支付一笔奖金或佣金。 ## / 04 /结果定价，必须关注的4个问题 5%的受访者表示，他们目前的主要定价模式是基于结果的。然而，25%的受访者表示，他们预计到2028年，才会将定价模式将转向基于结果的模式。  基于结果的定价的早期采用者——例如之前提到的Intercom，正在为市场铺平道路。 其中一些所谓的“基于成果”的模式，更准确地说应被称为“基于工作量”的定价（例如 EvenUp、Casemark）。而另一些则是真正意义上的“基于成功”的定价模式，即当客户获得额外收益时，供应商会从中抽取一部分分成（例如 Chargeflow、Flycode 和 AirHelp）。 以 AirHelp 为例，当它为客户赢得因航班延误或取消而获得赔偿时，会收取35%的成功费用。 当 AI 智能体被定位为“执行任务”的角色时，按照其完成的工作量（或者与该工作相关的收益）来定价就显得顺理成章。从市场营销的角度来看，这种模式非常成功。 它传递出一个强烈信号：你对自己的产品充满信心并愿意全力为其背书。同时，这也促使供应商不断投入资源，提升产品效果，从而为客户带来更多的实际成果。 然而，这一模式背后也存在一个不容忽视的问题，我将其称为 CAMP 框架。要实现基于成果的定价，企业必须具备以下四个要素（CAMP）： 1）一致性（Consistency）：所有客户都重视相同的成果吗？还是说不同客户所需的成果各不相同，导致必须定制化结果，进而催生大量定制化合同。 2）归因性（Attribution）：你能说服客户将取得的成果归功于你的产品吗？还是他们认为主要靠自己达成目标，你的产品只是起到了很小的帮助作用？ 成果归因是基于成果定价中最棘手的问题之一。如果客户无法清晰地看到你的产品在推动成果中的作用，他们就不太可能愿意为此付费，尤其是在按成果分成的情况下。 3）可衡量性（Measurability）：你能否实时测量并报告这些成果？还是需要依赖客户的报告、A/B 测试和/或概念验证来确认成果？ 如果无法准确、及时地衡量成果，就难以建立透明的计费机制和信任关系。理想情况下，系统应具备自动追踪关键指标的能力，并向客户展示明确的价值证据。 4）可预测性（Predictability）：你能以一定准确度预测你的产品将带来的成果吗？还是不同客户之间的成果差异很大？ 如果成果波动大且不可预测，企业将面临巨大的财务风险。例如，某些客户可能获得极高回报，而另一些几乎没有任何改善。这使得定价模型难以标准化，也增加了销售难度。 ## / 05 /价格透明化，或许被高估了 将定价信息隐藏起来的做法，曾被认为是上世纪90年代和2000年代的遗留习惯。毕竟，如今精明的买家会在网上做调研（或向同行打听），很可能会找到他们想要的价格信息。 像Vendr这样的工具甚至通过一个免费的Chrome插件，就能展示其他人实际支付的价格。 公开定价可以让你抓住这部分买家的需求（以及相关的搜索流量），同时掌握叙述权（即主动定义客户对产品价值的理解）。此外，它还能筛选掉那些不符合条件的买家，避免他们浪费你团队的时间。 然而现实是，尽管透明定价有其优势，但很多企业并未全面采纳这一做法。 这背后可能涉及复杂的定价结构、差异化报价策略，或是担心价格成为竞争焦点而削弱价值主张。因此，虽然透明化趋势看似“不可避免”，但在实际执行中仍面临诸多挑战和顾虑。  现实情况是：事情并没有完全按照预期发展。 那些平均年度合同价值（ACV）低于5000美元的企业，以及采用产品驱动增长（PLG）模式的公司，通常确实会把定价信息放在官网上公开。但对于其他企业来说，情况并非如此普遍。 我的一点看法：许多软件公司，尤其是初创阶段的公司和AI相关企业，其实还没有完全理清自己的定价策略。一旦将价格公之于众，后续再进行调整就会变得困难得多——因为这很容易让消费者感到困惑，甚至失去信任。 此外，随着定价模型变得越来越复杂（例如：结合AI积分的混合定价），买家并不一定会相信他们在网站上看到的价格就是最终要支付的金额。 他们自然会提出一系列问题：有没有使用上限？超额费用怎么计算？哪些功能是额外收费的？等等。 当复杂性上升时，买家更希望与真实的人沟通，而不是仅仅依赖一个网页上的价目表。 ## / 06 /AI定价快速变化，大部分人没有做好足够准备 AI技术的快速发展使得盲目沿用现有的定价模式变得不再可行。（事实上，去年有四分之三的软件公司对其定价策略进行了调整。） 随着定价决策日益成为一项战略性且复杂的任务，企业需要为定价工作投入相应的资源。这背后有大量的实际工作要做，包括深入理解成本结构、竞争对手动态以及客户感知价值。 然而，大多数企业在两个方面仍显不足： - 1）人员能力缺口（Personnel Gaps）：缺乏具备专业定价分析、价值建模和市场洞察力的人才； - 2）工具落后（Legacy Tooling）：仍在依赖传统的Excel表格或过时的系统，无法支持实时数据驱动的定价决策。 换句话说，虽然定价的重要性日益提升，但很多公司并没有建立与之匹配的能力体系来支撑这种战略转型。  在公司发展的早期阶段，定价几乎总是由创始人或CEO直接拍板决定。随后，随着公司规模扩大，定价逐渐变成一个“烫手山芋”，在销售、产品、市场、财务和运营等多个部门之间来回推诿。 要特别警惕陷入所谓的定价“无人区”（pricing no-man’s land）——这通常发生在年经常性收入（ARR）在500万到2000万美元之间的时候。在这个阶段，初创时期的“拍脑袋”决策方式已经不再适用，但正式的定价机制和责任人又尚未建立起来，导致定价策略缺乏清晰的所有权和战略方向。 ## / 07 /总结 我仍然对基于使用量（usage-based）和混合型定价模型（hybrid pricing models）持乐观态度，但我越来越倾向于认为它们只是迈向基于工作量（work-based）和基于成果定价（outcome-based pricing）的过渡阶段。  这其实是整个软件行业从“拥有”走向“租赁”，再走向“按需使用”的更广泛演进的一部分： - 从本地部署（on-premise）到订阅制（SaaS）； - 再从订阅制走向按实际使用付费的模式； - 每一次演变都在降低客户的前期成本，使软件变得更加易得； - 同时也将风险从买家转移到了供应商身上，迫使供应商真正为客户的成果负责； 如果我们能够实现这一愿景——也就是真正落地成熟的基于成果的定价模式——它将彻底改变软件公司的运作方式。届时，公司中的每一个部门都将围绕一个核心目标运转：帮助客户实现他们的目标。 本文由人人都是产品经理作者【智能乌鸦】，微信公众号：【乌鸦智能说】，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。

面对一个问题，该如何找到对应的解决方案呢？

<blockquote><p>文章介绍了 Coze 平台的个人知识库功能，指出其使用简单，但要做好基于知识库的问答分身，需考虑知识库沉淀、精修、Workflow 使用和提示词调优等因素。</p> </blockquote>  前几天，我们介绍了Agent平台在AI项目大框架中是一个什么样的定位，以及能成功的两个关键流量与幻觉问题，因为这种Agent平台本身其实难度并不太高： AI创业如何选择Agent平台，Coze、Dify、腾讯元器？可能都不是  然后之所以比较推崇字节体系的Coze，其原因除了他的流量红利外，飞书本来就是做2B的，企业端可以很轻松用Coze+多维表格实现AI的简单试错。 按照流量逻辑来说，Agent平台会用得比较好的应该是腾讯、阿里、字节体系才是，为什么Dify这个东西又出现了呢？ 这里就涉及了第三个问题：安全性（这里可能会涉及云服务商选择等多种问题），因为Dify是开源的，所以其在数据隐私这里会有些优势，并且也是因为开源其拥有看社区的属性，这也是一种流量。 然后在做Agent平台做实施的时候，单独靠Dify或者Coze很多工作其实是难以完成的，所以飞书还有多维表格这种类似数据表格的东西配合Coze，这样他就可以做到多Agent协同了，这块Dify怎么办呢？ 答案是Dify也可以用多维表格当然也可以使用维格云表格（他与飞书多维表格很类似），反正中间可以写各种胶水代码解决这一切… 言归正传，通过对Dify的简单探讨，其实这里将Agent平台成功元素又做了一次梳理，依次是： - 流量，包括开源社区的流量； - 数据隐私与安全； - 工具生态； - 幻觉问题； 前三个我们做了一些说明，现在聊聊幻觉问题。其实这种Agent平台在幻觉这里的处理就是依赖知识库，他在小场景、非严肃领域是很不错的选择，所以我们今天就来聊聊Coze平台配套的知识库，事实上他使用起来比较小白… ## 知识库 依旧是Agent的经典图示：  一个Agent运行的是否好，主要由两点控制： 第一，**Workflow**，在模型足够强之前，Workflow相当于为大模型设置了任务目标，**Workflow会决定这个Agent像不像个正常人，能不能完成基本任务**； 第二，**独有知识**，无论模型多强，他也不能知道自己没有学习过的知识（语料），所以这里一定会产生知识库的概念，让模型可以实时查询，事实上知识库体系完全可以脱离于Coze运行，**知识库决定了这个Agent聊得像不像一个专业的人**。 这也是为什么会说**AI产品的核心是数据**的原因，因为底层模型都是类似的，拉开差距的其实就是数据的沉淀与应用，**其中数据沉淀是KnowHow的事，数据应用是工程的事，KnowHow肯定大于工程的**。 这里依旧使用之前的案例，以下是一次完整的粉丝咨询问答： ## 问题： 我准备提一个副部长，把所有现在的管理工作全部交出去，精力主要放在AI发展、重点项目攻关上。 正副分工：副部长主要偏向内部管理，包括项目管理、人员指标管理和工作提效。部长主要偏向外部拓展，负责资源预算争取、处理跨团队冲突、重点项目攻关、文化建设、关键人员管理。 组长 A：人缘好，管理能力不错，技术一般。独立负责团队很久，但对高管有意见，和高管对接时心态不稳定。优点是管理能力和团队认可度，缺点是技术不足，可能与高层有摩擦，影响执行力。 组长 B：抗压能力强，技术专业，跟我契合度高，但与高管和外部门负责人对接少，外部门接受度低。优点是技术过硬，配合度高，适合处理复杂项目；缺点是缺乏高层沟通经验，可能会在协调资源时遇到摩擦。 组长 C：脾气好，学历高，服从度高，但技术和综合能力差，之前团队被拆分，现在负责项目管理，高管知道他稳定但不出成绩。优点是服从度高，容易管理；缺点是能力不足，无法推动工作高效开展。 外招：考虑AB都有能力独立负责团队，外招可能导致内部矛盾。 如何选择。 ## 回答 关于副班长，我接下来说的可能会有些扎心。 所谓副部长也就是我们常说的副班长，我历史上提拔了很多副班长，可以说都很成功，也可以说有些失败。 副班长第一要务是帮你搞定是，而不是不给团队惹事。换句话说，副班长在某种层面来说是打不死的炮灰，是要用来吃屎的。 一旦做团队负责人，管理幅度超过50后，公司里面会有很多破事，包括： 跟HR对预算，跟财务过方案，偶尔见个外部客户。 以上事件80%都是对你毫无意义但对团队运作又十分重要的，属于垃圾但必须吃的屎粑粑。 这是第一类的副班长，属于我精力的延伸，因为涉及到工资等信息是比较敏感的，所以副班长必须是信得过的人。 很多负责人是没有意识培养副班长角色的，这造成的结果就是，他自己经常被各种杂事缠住，天天做那些垃圾事情。 第一类副班长，更多是这种老黄牛。从这个角度来说，根本没有外招的可能，因为必须熟悉，因为他会熟悉很多隐秘。 因为如果对有效任务敏感的话，他本身就不愿意去做这些垃圾事。另一个可能就是，你找了个副班长，但他其实也不想做垃圾事，于是自己又找了个副班长，俗称大队长。 这里再说第二类，如果说第一类要有基本的沟通能力，对外协调能力，要有耐心，能把细致的工作做好，偶尔甚至能解决点生活上的琐事。 PS：我最过分的时候，甚至汽车包养都让他们做…. 第二类副班长以能力为主，他们在管理上有些缺陷，但优在项目上能打，能扛事，能死命加班，他们事实上是介于嫡系和老黄牛之间的角色。 他们本身对有效任务并没有敏感度，但因为能力比较好，我们指哪打哪，被认定为可以长期合作的伙伴，准备一直带着玩，所以会为他们指明方向。 如果说第一类副班长是处理团队杂事，第二类就是处理项目攻坚 而一般寻找副班长，用上述两个角色就完全足够了，因为他们主要的工作是分担团队杂事，完全不存在需要他们面对高管的场景，不存在向上汇报的任务。 除非进入特殊情况，就需要第三类副班长了。 第三类是：恭喜你，你马上要高升了，比如原来管产品团队，后来需要将技术团队一起管理，那么之前产品团队就要留一个人。这个时候选择副班长就很有艺术性了。 以粉丝情况为例，你选择了A做副班长，还选择了一个B做项目方面的副班长，两年后你升职了，应该提拔谁做团队负责人？ 答案可能是都不提拔，可能是外招，可能是提拔技术与情商俱佳的一个人 因为他真的需要帮你打仗了。 就现在情况来说，师弟选副班长用A完全足够了。 只不过你所谓跟高管关系不好是什么梗我是不能了解的，跟高管关系不好意味着蠢，而蠢货是不能做副班长的。 我看下来，貌似C比较合适，因为，虽然不需要做重点汇报，但副班长有时候还是要面对高管做些杂事，如果心态不好，到时候懒得处理。 如果B有向上走的心思，也可以培养，但管理是一种天赋，如果之前没展现出来，之后也很难马上有。 最后，副班长涉及影响力，影响力必须在团队前五才行，所以可选择面是比较少的。 也可以参考另一个策略：你想他上他就上，你想他下他就下，谁能做到就选谁，逻辑上副班长拿掉对你的工作应该毫无影响。 最后，职场中是存在各种25仔的，不要培养一个敌人就好小结 以上就是一次关于副班长问题的完整回答，回答中其实包含了非常密集的信息量以及黑话，如果后续模型能够根据这里的回答，表现出类似的回答，那么他就是好的，否则就需要优化，这里我们就来继续。unsetunset启用知识库unsetunset 首先，我们不对知识库做任何处理，使用之前的Coze工作流，使用该知识库作答，使用默认分段感觉有点别扭：   这里设置好扣子后，开始调试，并询问几个问题：什么是副班长；副班长的意义是什么；什么人适合做副班长，什么人不适合；做副班长有什么好处与坏处； 这里依次对比DeepSeek-R1、ChatGPT-O3与Coze（依赖于豆包）的回答：       似乎都还行，不一致的地方是因为模型选择的原因。 然后Coze知识库这里对向量检索（在语义检索和混合检索）的模式下，会将用户整段提问送进Embedding模型，直接用向量去最邻近搜索，整个这个过程貌似只能做配置调整，没有暴露真正的向量或关键词，所以是没有自己搞RAG方便的。 这其实也体现了这类低代码平台最大的问题：在做简单应用的时候他们效率奇高；再做复杂应用的时候，其维护效率肯定是没有传统代码来得香的 以这里的RAG为例，其实返回回来的list真实使用情况下还会做各种处理。 ## 大型知识库 接下来，我们提升难度，将所有课程全部上传：  这里的分段数据就多了：  这个时候我们将副班长的知识库删了，用39门课程知识：  我们再问问题，看看他的表现：  这里与腾讯知识库IMA的表现是类似的，但个人感觉IMA的体验要好点：  这里再补充一个问题：  确实是我知识库的内容，但具体表现得又不是很好，这里的优化的话就得上Workflow或者引入Cot逻辑了。 ## 结语 怎么说呢，扣子的知识库使用起来还是比较轻松的，但如果真的想做一个基于知识库的问答分身，其难度还是比较高的，在几个点需要考虑： 第一，也是是否问题，是否沉淀了知识库，我这块可是有接近20多万字的数据啊； 第二，知识库还需要进行精修，这也是我接下来会做的事情，我要将知识库修整为系统更容易识别的形式； 第三，Workflow的使用，也就是意图识别一系列的工程化能力；第四，提示词调优； 所以，一个简单的知识问答分身难度是很高的，而要做好需要很多的准备，这里我们后续继续探讨。 本文由人人都是产品经理作者【叶小钗】，微信公众号：【叶小钗】，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。

特朗普和马斯克上周刚刚在椭圆形办公室站在一起，宣告他们持久的友谊，周四晚上却实时地互相讽刺和辱骂。两人最初流露出的悲伤很快演变成了互相威胁。从2024年7月马斯克公开支持特朗普到关系破裂，不到一年的时间，两人就因为一项被大漂亮法案，走向彻底反目。 据央视报道，北京时间6月5日，美国总统特朗普与“政府效率部”前负责人马斯克开始公开骂战。随着争吵持续周四整个美盘时段，特斯拉股价暴跌，投资者陷入恐慌。截至收盘，特斯拉股价已下跌14%，创下3月份以来的最大跌幅。特斯拉市值蒸发超过1500亿美元。  以下均为北京时间： 6月5日 22:37 马斯克转发了一篇关于特朗普关税法案的“报道”。标题是： 国会警告，未能通过支出法案可能会延缓国家毁灭。  6月5日 23:20 马斯克转发特朗普2013年批评共和党提高债务上限的一条推文，嘲讽道： 说得真有道理。  6月5日 23:46 马斯克转发了特朗普2012年的一条推文，推文内容： 我非常赞同，‘如果美国预算不平衡，任何国会议员都不应连任。’  6月6日 零点时分 正在美国白宫会见德国总理弗里德里希·梅尔茨的特朗普开始回应马斯克的批评。特朗普表示： 马斯克很生气，因为我们撤销电动汽车强制令，你知道，这对电动汽车来说可是一笔巨款。他们（特斯拉）在电动汽车领域遇到了困难，却要我们支付数十亿美元的补贴。  他接着说，马斯克了解该关税法案的内部运作。他说他和马斯克的关系很好——但这段关系可能已经结束了。 6月6日 0:19 马斯克似乎立即回应了特朗普关于电动汽车强制令的说法： 随便。可以接受将电动汽车补贴削减保留在法案中，但石油和天然气补贴却并未受到影响（这“非常不公平！”）。 在整个人类文明史上，法案要么大、要么美，从来没有大而美的法案。  6月6日 0:25 马斯克转发特朗普表态对其失望的评论，回复称： 大错特错，这项法案一次也没有给我看过，而且是在深夜迅速通过的！  6月6日 0:46 马斯克回复X用户Autism Capital，称如果没有他，特朗普就会输，民主党就会控制众议院。他接着补充道：“真是忘恩负义。” 没有我，特朗普会输掉选举，民主党会控制众议院，共和党在参议院的席位会是51比49。  6月6日 1:46 马斯克转发了一位名为Wall Street Mav的X用户的帖子： 该用户表示希望这场争执不会损害这位亿万富翁与特朗普之间的关系。  马斯克紧接着放了一段特朗普在白宫前吹捧特斯拉的视频。马斯克@特朗普： 还记得这个吗？  6月6日 2:10 马斯克转发2021年的一个采访，强调他一直取消电动车的税收减免： 这是我在2021年的讲话：我们不需要 7500 美元的电动车税收抵免。说实话，我宁愿直接取消整个基础设施法案。别通过它。那是我的建议。  6月6日 2:37 特朗普在他的“真相社交”平台上加入了这场争论。他表示： 马斯克已经‘变得让人难以接受’了，我要求他离开，我取消了他的电动汽车强制令，该强制令强迫每个人都购买别人不想要的电动汽车（几个月前他就知道我会这么做！），他就疯了！  特朗普随即对马斯克的企业发出了巨大威胁。他说： 省钱最简单的办法就是削减马斯克公司的政府合同。我一直很惊讶拜登竟然没有这么做。  6月6日 2:48 马斯克回应特朗普的帖子： 这明显是谎言。真令人难过。  他随后转发了一条帖子，暗示终止政府合同将导致国际空间站解散，并配上了笑脸表情。 来吧，让我开心一下。  6月6日 3:10 随后马斯克不甘示弱，直接在社交媒体爆猛料称： 特朗普涉嫌爱泼斯坦性犯罪案，这就是美国政府没有将爱泼斯坦档案公布的真正原因。 记得标记下这条推文，未来会真相大白。  6月6日 4:09 马斯克转发削减马斯克政府合同的推文，并发出威胁，称他将退役 SpaceX 的龙飞船，该飞船为美国运送货物和人员到国际空间站。 鉴于总统关于取消我的政府合同的声明，@SpaceX将立即开始拆除其龙飞船。  6月6日 4:11 马斯克转发一则有关支持弹劾特朗普的贴文中回复： -是的 -总统与埃隆。谁会赢?我的钱押注马斯克。 特朗普应该被弹劾，JD·万斯应该接替他。  6月6日 4:26 马斯克转发帖子称： 特朗普的关税将在今年下半年导致经济衰退。  6月6日 9:20 网友表示两人都需要冷静下来，退后一步几天。马斯克回复帖子，态度软化： 好建议。好的，我们不会退役飞船。  6月6日 9:27 此前Bill Ackman当和事佬称大家都是为了国家利益的，应该和平相处。马斯克回复表示： 你说得没错  马斯克不满早有端倪 在5月27日，马斯克离开“政府效率部”的前几日，美国哥伦比亚广播公司播出的一档节目中，马斯克第一次发表了其对税改法案的评论。在当时，马斯克的评价还仅仅是“感到失望”。 当时，针对特朗普对该法案“大而美”的表述，马斯克的评价也相对克制，只是说： 我认为一项法案可以是‘大’的，也可以是‘漂亮’的，但我不知道它是否能两者兼具。 6月1日，在哥伦比亚广播公司6月1日发布的采访内容中，马斯克更进一步表达了对美国政府的不满。马斯克在采访中表示，他不想公开反对美国政府，但也不想为政府所做的一切承担责任。马斯克称，他所领导的“政府效率部”成了一切的“替罪羊”。 6月3日，马斯克当日在社交媒体平台上发布消息称，这项规模庞大的法案“荒谬”“令人作呕”。马斯克称，该法案将使预算赤字大幅增至2.5万亿美元，使美国公民背负难以承受的债务负担。 6月4日，马斯克当日加大了对特朗普减税法案的攻势，呼吁美国民众联系他们的立法者，以“扼杀”该法案。马斯克在社交媒体上称“让美国破产是不对的”。 [查看评论](https://m.cnbeta.com.tw/comment/1504854.htm)

AI搜索新贵Perplexity崛起，单月查询量飙升至达7.8亿。当地时间周四，Perplexity首席执行官Aravind Srinivas在一场公开会议上透露，这家AI搜索引擎在5月处理了7.8亿次查询，实现了超过20%的环比增长。 [](https://static.cnbetacdn.com/article/2025/0424/4de7c83b9a06b2c.jpg) 公司CEO表示，若现有20%的环比增长率得以延续，Perplexity将在一年内成为周查询量达10亿的巨头。Perplexity正在开发的Comet浏览器被定位为公司增长的重要引擎，公司称之将带来“无限留存”的优势，颠覆下一代互联网交互的逻辑。 对比2022年公司成立初期，单日查询量仅为3000次，如今已飙升至每天3000万次查询。 Srinivas在会上表示，这是一个“令人惊讶的增长”： “如果能维持当前增长率，一年后我们每周将处理10亿次查询。” 从被动应答到主动执行，公司重点押注其Comet浏览器 Perplexity正在开发的Comet浏览器被定位为公司增长的重要引擎。Srinivas强调，浏览器将为公司带来“无限留存”的优势： “如果用户使用浏览器，他们在搜索栏、新标签页、边栏上的所有操作，甚至他们浏览的所有页面，都将转化为每个活跃用户产生的额外查询。” Perplexity开发Comet的核心理念是改变AI的角色定位，从仅提供答案转变为代表用户执行操作。Srinivas解释说，当前的AI搜索的本质上是将4-5次搜索合并为一个答案，而未来的目标是通过一个提示词完成整个浏览会话。 “这需要我们拥有一个浏览器，并以最无缝的方式混合使用客户端和服务器端的计算能力。这就需要我们重新思考整个浏览器的概念。” 值得注意的是，Srinivas将Comet形容为“认知操作系统”而非简单的浏览器，意在将AI的角色从被动应答升级为主动执行。称Comet会随时随地为你的工作和生活提供服务，或为你完成浏览会话。他解释道： “作为辅助系统，这将从根本上改变我们对互联网的认知方式。” 虽然关于Comet浏览器的具体细节尚未完全公开，但Srinivas曾在4月表示，Perplexity开发自己的浏览器部分原因是为了追踪用户在其应用之外的活动，以支持高端广告的销售。 这一策略与Google早期的崛起路径如出一辙——通过用户数据的深度挖掘，构建精准广告生态。 Perplexity尚未宣布Comet的确切发布日期，但Srinivas此前在社交平台X上表示，该浏览器将在“未来几周内”推出。 这款被寄予厚望的产品不仅将决定Perplexity能否从AI搜索新秀晋级为行业颠覆者，也将测试市场对“AI+浏览器”这一概念的接受度。 尽管Srinivas的愿景极具诱惑力，但挑战同样严峻——技术落地难度、用户习惯阻力以及与Google、微软等巨头的正面竞争，都可能成为其前路上的绊脚石。 [查看评论](https://m.cnbeta.com.tw/comment/1504852.htm)

特朗普与马斯克这对昔日盟友反目成仇，令共和党人陷入两难，他们谁都惹不起。议员Bacon直言“置身事外，远离争斗”，他们既怕得罪特朗普，更惧马斯克用近3亿助选资金反噬，甚至资助民主党对手。而民主党则隔岸观火，直呼“圣诞快乐”。 [](https://n.sinaimg.cn/finance/transform/59/w550h309/20250116/14b3-65b8e4e1869f3c8c292a11ee83a1e4e3.jpg) 特朗普与马斯克的“兄弟情”彻底翻脸，从政策分歧演变为人身攻击，让整个共和党陷入前所未有的尴尬境地——他们发现自己谁都惹不起。 据NBC新闻6月5日报道，代表内布拉斯加州竞争激烈选区的众议员Don Bacon直言：我要远离争斗，置身事外。 我要置身事外。《圣经》中有句好话：远离争斗。我要远离这场争斗。 共和党议员们在采访中透露，他们既害怕与特朗普作对，也担心惹怒马斯克——而当两人互相攻击时，这成了一项不可能完成的任务。 马斯克在2024年选举中投入了2.75亿美元，主要用于帮助特朗普当选。但据马斯克顾问透露，原本承诺给特朗普政治委员会的1亿美元现在没了。 这笔钱至今仍未到位——现在，也不会到位了。 更令共和党担忧的是，马斯克威胁要用巨额资金对付支持特朗普法案的共和党议员。“他要动真格的。如果需要的话，他绝对会支持民主党人，”该顾问表示。 美国全国共和党国会委员会主席Richard Hudson表示，他相信这场裂痕会“平息”，但当被问及特朗普和马斯克是否会和解时，他只是耸了耸肩。 **民主党坐收渔利：这就是圣诞节** 民主党对这场共和党内斗幸灾乐祸。一位民主党人在短信中表示：“这就是圣诞节。” 另一位资深民主党人士Simon Rosenberg更是直言，马斯克的反水将重创特朗普的立法议程，也让他显得软弱无力。 这对唐纳德·特朗普造成了巨大损害。没有任何版本对他有利。这里没有任何对特朗普有利的东西。他看起来软弱无能，无法控制自己的伙伴。 不过，一位接近白宫的共和党人士试图为特朗普辩护，称这场争斗实际上凸显了特朗普独立于马斯克：“总统先生是老板，只能有一个老板。” **从亲密盟友到公开决裂** 特朗普与马斯克的决裂源于对特朗普核心议程《大漂亮法案》的分歧。这项法案计划在十年内减税3.7万亿美元，削减政府支出1.3万亿美元，留下2.4万亿美元赤字。 马斯克不仅公开抨击该法案，还威胁要花钱赶走支持该法案的共和党议员。一位马斯克顾问周四表示：“他根本不在乎共和党、共和党全国委员会或众议院席位。他会炸掉他们的，真的会。” 到周四下午，马斯克甚至转发了建议弹劾特朗普的帖子。特朗普则在Truth Social上回击，称削减政府支出最简单的方法就是取消对马斯克商业投资的联邦补贴。 [查看评论](https://m.cnbeta.com.tw/comment/1504850.htm)

<blockquote><p>苹果公司曾以创新颠覆行业，如今却因 App Store 的竞价排名机制面临创新生态的挑战。竞价排名让开发者曝光机会被明码标价，用户下载应用时也容易被广告误导。大厂靠砸钱稳占搜索前排，中小创新者因推广成本高企难有曝光，导致流量向头部集中，创新回报不成比例地流向平台，创新根基动摇。</p> </blockquote>  1976年，乔布斯与朋友在车库中用1300美元创立苹果公司时，曾豪言壮语：“创新没有极限！只要敢想，没有什么不可能。”那时的苹果，是颠覆者、是梦想家，不断用惊艳的技术重新定义行业边界。 这家曾以创新颠覆行业的公司，如今正面临平台规则正与创新生态的平衡挑战。App Store的竞价排名机制，正是这一矛盾的缩影。 你开发的应用程序想在App Store排在前面，需要付费，而且价高者得。2021年7月，苹果公司在中国大陆地区的App Store中上线了搜索广告，许多用户在搜索App后首先出现的，并非自己想要的App，而是广告推荐的App，而且一不小心可能就点了下载按钮，下错了App。对于中小创新公司及独立开发者来说，因为推广预算不够，就只能排名靠后，也就越来越难被用户看到。这无疑是一种很大的伤害。  开发者的曝光机会被明码标价，用户的体验被商业利益裹挟。 更深远的影响在于生态的恶化。App Store通过掌控流量入口，不断蚕食开发者的收益，迫使创新者要么屈服于高昂的推广成本，要么黯然退场。创新不再令人感到激动，而是成了一种门槛高、回报低的累活。当越来越多的创新者感到窒息时，苹果多年构建的创新生态，也会遭受不可逆的破坏。 ## 一竞价排名——一场以创新为名的生存游戏 起初，App Store只是一个应用程序分发平台，让用户发现、下载以及购买各种应用软件。但商业模式的进化迭代，往往出乎人们预料。移动生态的不断成熟，使App Store逐渐从单纯的应用商店演变成为一个庞大的数字商业生态。 App Store沉淀的海量用户和开发者本身，就是一种稀缺资源，开发者有创意，用户有流量和付费能力，将两者精准匹配起来，完全可以衍生一门好生意。苹果公司不可能无视这一点。其实，App Store兼具“工具性平台”和“注意力经济平台”的性质，不仅连接应用与用户，也可以经营流量的分配权。 苹果终于也搞起了竞价排名，将App Store流量变现。竞价排名的本质是将流量分配权转化为商业竞价的机制。就像你拿着头等舱机票，或者因为是金卡会员，可以在普通乘客之前优先登机，你有了特权和优越感。 但苹果App Store在售卖特权和优越感的时候，需以公平机制平衡商业利益与社会责任。不能因为大公司有更多广告预算，就牺牲中小创新公司的曝光机会。也不能总是呈现一些被竞价广告扭曲过的信息，误导用户。但近年以来，App Store推行的竞价排名系统（ASA，Apple Search Ads）日益显现出对中小创新企业发展的阻力。 早期有第三方研究曾估算，App Store 中约 50%-60% 的应用下载源于搜索。对开发者而言，通过搜索广告将应用推至显眼位置的优势不言而喻。ASA给更多默默无闻的APP提供了一个上榜机会，但这个商业模式，也使搜索“关键词竞价”渐渐变成了开发者不得不参与的“生存游戏”。  大厂靠砸钱稳占App Store搜索前排，中小创新者因承受不了推广成本高企，难有曝光。这就让流量越来越向头部集中，中小创新团队要么咬牙硬撑，要么无奈离场。我们自己公司的AI应用灵感岛，也正在App Store遭遇这类不公正的竞争环境，这也是广大中小创新者的艰难生存处境案例之一。 ## 二App Store围墙如此牢固，让创新窒息 苹果App Store的竞价排名是一种搜索广告。过去，谷歌和Meta靠精准匹配用户需求，轻松吃掉美国数字广告的半壁江山。但现在，AI直接甩答案的新玩法，很难插进（竞价）广告。之前，我看过一个行业的报道，说某 Al 产品测试中因广告插入导致用户留存率显著下降。 那么，苹果App Store是不是也面临这个挑战？十分不幸，暂时没有。 不是没人尝试搭建一个AI时代的App Store，去挑战苹果。OpenAI的GPT应用商店曾被视作App Store的替代者，人们想象不会编程的人也能制作自己的App了。但现实因生态定位模糊、开发者激励机制不足等原因，该平台未能有效挑战 App Store，很多开发者尝试了一阵子就彻底放弃了。 **时至今日，App Store的竞价排名还没有受到AI技术的现实威胁，即缺乏变革的外部压力。** 无疑，App Store仍是一个强势平台。据苹果官方披露，中国App借助苹果设备登上了175个国家和地区的AppStore商店页面，在全球可触达超过22亿台活跃设备，35%的收入来自中国境外用户。所以，哪怕面临着不公正的平台规则，开发者还是需要借助App Store触达广泛用户群体。 苹果App Store成就过无数的创新者，而无数创新者开发了这些好用的移动APP，也让iPhone变得更有价值。这原本应该是一个（创新开发者、平台）相互成就的良性生态，但遗憾的是，App Store的竞价排名机制打破了这个良性循环。 曾经，诸如天气查询的生活类应用，在没有大规模推广预算的情况下，依靠用户口碑+自然流量就能登上App Store榜单前列，这也对App Store用户体验的提升形成反哺。但在App Store推行竞价排名后，很多十分优秀的小众APP很快面临自然流量大幅下滑，有的甚至都销声匿迹了。当创新的回报不成比例地流向一个强势平台时，创新作为一种经济力量，最终将减少。 今天的App Store上，优秀的应用不再因品质胜出，而是因广告预算被看见，除了使开发者利益受损，整个移动生态的创新根基也会动摇。这也是为什么扎克伯格在公开访谈中指出，苹果平台规则的武断性与其创新精神逐渐背离。他感叹道：“iPhone很棒，因为现在世界上几乎每个人都有一部手机，这让很多令人惊奇的事情成为可能……但另一方面，他们利用这个平台制定了很多规则，这些规则很武断。” ## 三重构生态：让创新回归价值本源 苹果App Store上演的竞价排名是哪怕用户在明确输入产品名称搜索时，拿到的结果排在第一名的依然有可能是一个非公正的“广告”。与此同时，App Store上的所有开发者都在为流量、为排名投入更多资源时，创新的动力减少了，用户面对的大多是差不多的产品。开发者和用户都需要为生态的恶化买单，唯一的赢家就只有App Store。这合理吗？ 互联网商业史一再印证一个铁律：当平台（作为技术守门人）拿走的价值超过创新者时，这个系统离崩溃就不远了。 仔细想想，中小开发者的创新成果，都要先通过平台利益的棱镜折射，那么，今日的“车库创业者（小公司）”们是否还有可能复制乔布斯当年的逆袭？ 当然，苹果的困境本质是所有科技巨头面临的共同命题：当平台经济进入深水区，如何平衡商业利益与社会责任？ 据美国国家科学基金会 2022 年报告，在信息技术领域，中小企业研发投入占比达 65%，可以说中小公司越来越成为成创新的主力。 不可否认，App Store 曾是创新的孵化器，无数中小开发者通过自然流量实现突围。 基于平台企业的长远发展逻辑，我们期待苹果App Store能够做出好的改变，能重构规则：让流量分配更加公平，为原创应用保留“非竞价”曝光位，用基于用户评分、更新频率等非商业化指标和算法动态展示；同时，公开竞价逻辑，避免中小企业因信息差盲目烧钱。更重要是，多倾听中小创新者的声音，行业一起来共同探讨平台与创新者的共生模式。 站在科技史的长河中回望，真正伟大的企业从不是流量的收割者，而是创新的摆渡人。当乔布斯在车库里敲下第一行代码时，他或许不会想到，半个世纪后，人类需要重新学习如何守护创新的火种。我们期待苹果能再次“Think Different”，用创新重新定义平台的使命。 因为下一个改变世界的App，可能正躺在某个开发者的草稿箱里，等待一个不被竞价排名埋没的机会。 本文由人人都是产品经理作者【天下秀李檬】，微信公众号：【李檬】，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>Genspark 即将推出 AI 浏览器，其创始人从亲身使用多种 AI 产品的体验出发，分享了对 AGI 的深刻见解，强调了 AGI 进化的指数级速度及其对工作、生活、教育的影响，并呼吁人们提前准备，适应新技术，与 AI 共存。</p> </blockquote>   只试探爱的人永远不会得到爱，只有懂得滋养爱的人，才能被爱充满。 Genspark 最近频繁更新，继让 AI 管理邮箱、日程，AI 网盘，AI PPT 等功能后，下周将上线 Genspark AI Browser.  创始人景鲲最近发文，标题是 Seeing AGI，极具感染力，以下是基于 Genspark 翻译后的内容： AI 将影响 99% 的人的工作，白领工作可能会消失。应届毕业生可能第一天就失业。它值得我们密切关注——不仅是为了我们自己，也是为了我们的孩子。 这篇文章可能没多少人会看到，但这是我作为一名行业从业者、一名普通人、一名12岁孩子父亲的真挚分享。希望所有看到这篇文章的人，尤其是有孩子的家庭，都能从中受益。 我叫 Eric Jing，自 2006 年加入微软担任软件开发人员以来，我在搜索、人工智能、聊天机器人和人工智能硬件领域工作了近 20 年。我曾在激烈的竞争中奋战，曾是微软必应搜索的创始团队成员之一，从零开始打造了销量超过 4000 万台的人工智能语音设备，并创立了一家估值 55 亿美元的公司。 现在，我是 Genspark 的联合创始人兼 CEO，这是一家估值 5 亿美元的人工智能初创公司。 从我开始学习计算机科学的第一天起，我的梦想就是用科技改变世界。在过去的近 20 年里，我见证了令人难以置信的变革。自 2023 年以来，我几乎每天都在亲身体验和尝试新的 AI 产品。在创业初期，我使用了 300 多种 AI 产品（我的主要信息来源是 Twitter 和 Product Hunt）。直到今天，我仍然坚持每天不间断地使用 1-5 种 AI 产品。 我身边有很多 AI 从业者和爱好者，但我发现，即使是这样的群体，他们也未必像我一样，有足够的时间去深入体验 AI 产品。很多人可能仅仅通过阅读新闻或观看演示视频就觉得自己了解了某个产品。但从我的个人经验来看，听到某个东西、亲眼看到它、使用它，以及真正为它付费，这之间有着根本的区别。正因如此，我想与更多人分享我的感受，即使这篇文章可能不会被太多人看到。但作为一个12岁孩子的父亲，我觉得我有必要与大家分享这一点。 我已经见过 AGI 这不是猜测，而是基于我亲身使用近 1000 种 AI 产品的经验，亲眼目睹 AI 呈指数级演进的速度，特别是基于最近全面 Agent 的进展和我们在内部看到的工作，AGI 即将到来。 作为一名行业从业者，我感到兴奋和激动。但作为一名普通人，一位父亲，我却感到忐忑。这种兴奋与忐忑并存的心情难以言表。我打个简单的比方：想象一下，如果每个人都拥有一台会对话的超级计算机——它比你懂得更多，计算速度比你快，无所不知，无所不能。有了这样的体验，我们的工作和生活将会变成什么样？ 一个刚毕业的大学生，社会经验不多，在学校里学到的只是书本知识，毕业第一天就可能意味着失业。未来我们的整个教育体系会变成什么样？我们该如何培养孩子？这些都是值得我们深思的问题。 此外，我想强调的是，这台计算机的现状并不重要（它当然有时仍会出现错误和幻觉）。重要的是它进化的速度——这不是线性进步，而是指数级进步。这才是真正令人恐惧的地方。 作为一个人，作为一个家长，我认为我们现在就应该意识到，未来我们需要与人工智能共存，我们现在就应该开始学习如何与人工智能共存——如何共存，甚至如何向人工智能学习，谦虚地、毫无羞耻地提出问题，让它们教给我们更多的知识和能力。 我建议每个人都应该考虑做的事情： 1. 为你最信任、最喜欢的人工智能平台付费，并充分利用其最强大的功能，不一定非要选择 Genspark（但最好选择那些发展最快的平台）。相信我，听到它、看到它、使用它、付费使用——每一步都会给你完全不同的感受。亲身体验人工智能的进化速度，感受它的紧迫性。 2. 与 AI 协作，做你从未想象过的事情  例如，即使你不是程序员，也可以让 AI 编写任何你能想到的网站或移动应用程序。如果你喜欢玩游戏，可以让 AI 根据你的任何想法即时创建游戏应用程序。我让我 12 岁的孩子用 AI 写演示文稿、制定商业计划，以及做任何你从未想过的事情。你会感受到 AI 的力量。 3. 不要测试 AI（不要试图证明 AI 不够好），我们行业里很多人擅长向人工智能提出问题，试图难倒它，以此证明人工智能的能力尚有不足。让我们尝试一种不同的方法：耐心地与它共同创造，给它详细的步骤提示，让它一起完成任务。让人工智能解释它无法理解的指令，帮助它一起解决困惑，然后让它接近你想要的结果。你将获得完全不同的体验。 只试探爱的人永远不会得到爱，只有懂得滋养爱的人，才能被爱充满。 同样，只有真正与人工智能共存的人，才能感受到它的力量，并获得最大的回报。 4. 如果你有孩子，今天就开始改变他们的一些学习内容。让他们成为 AI 原生代。让他们大胆地运用 AI，完成任何他们想做的事情，而不仅仅是和 AI 聊天或完成作业。像对待应届大学生、初级白领一样对待我们的孩子，让他们去做我们从未想象过的事情。让他们从毕业的那一刻起，就成为最熟悉 AI 的人。 值得做的事情可能还有很多，但我今天写下这些内容，是想真心实意地告诉看到这篇文章的人：我们必须焦虑，但同时，我们也要冷静地为接下来的事情做打算。 未来属于这些人： 1. 保持低自尊 2. 保持学习心态 3. 快速适应新技术 4. 今天就开始准备，而不是明天 我真心希望这条信息能传达给更多人。我的目的并非推销任何产品，只是想分享我的经历，并传达我所目睹的一切所带来的紧迫感。 我可能是错的，我希望我在某些方面是错的。 本文由人人都是产品经理作者【特工宇宙】，微信公众号：【特工宇宙】，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>在人工智能领域，大语言模型（LLM）的热潮方兴未艾，但斯坦福大学教授、著名 AI 专家李飞飞却将目光投向了更具潜力的方向——世界模型。2024 年，李飞飞创办了 World Labs，致力于开发具备“空间智能”的下一代 AI 系统。近日，李飞飞与 a16z 合伙人展开了一场深度对话，首次公开分享了创办 World Labs 的理念、研究方向与宏大愿景。她指出，语言是一种“有损压缩”的认知方式，而世界模型才是 AI 真正理解并构建世界的关键。空间智能的应用远超机器人，将为工业设计、电影制作、建筑构图、游戏开发等领域带来前所未有的变革。本文将详细解读李飞飞与 a16z 的对话内容，探讨世界模型如何成为 AI 领域的下一个重要战场。</p> </blockquote>  World Labs 是由著名 AI 专家、斯坦福大学教授李飞飞于 2024 年创办的初创公司，致力于开发具备“空间智能”的下一代 AI 系统。 自成立以来，World Labs 已完成两轮融资，总计筹集资金约 2.3 亿美元。主要投资者包括 a16z、Radical Ventures、NEA、英伟达 NVentures、AMD Ventures 和 Intel Capital 等 。公司估值在短短三个月内突破 10 亿美元，成为 AI 领域的新晋独角兽 。 近日，李飞飞与 a16z 两位合伙人 Martin Casado 以及  Eric Torenberg 展开了一场对话，她首次公开讲述了他们共同创办 World Labs 背后的理念构建、研究方向与宏大愿景a16z 平台战略前世今生：从 VC “不愿擦屁股”到“全栈服务”。 李飞飞一开始就点出了本场对话的核心观点：“我不需要大语言模型来说服我，世界模型才是那个真正重要的方向。” 她强调，空间智能——无论是我们生活在其中的三维物理世界，还是想象中的数字宇宙——都是智能不可或缺的组成部分。而今天，我们终于具备了生成与重建这些宇宙的能力。 ## ▍比语言更古老的智能：空间感知与三维重建 李飞飞指出，相比于语言，空间感知才是人类进化过程中更为古老而本能的能力。她分享了一段亲身经历：数年前因角膜受伤导致短暂丧失立体视觉，在那段时间里，她不敢独自驾车，哪怕是熟悉的街道，也难以判断与旁车的距离。 这个实验性的体验让她深刻认识到三维感知系统在人类行动中的基础作用。而对 AI 而言，如果无法建立三维世界模型，就无法真正理解、操作或重建现实世界。 Martin Casado 补充说，这种三维智能的缺失，正是机器人和具身智能系统迟迟难以落地的关键原因。他用一个通俗的例子解释：如果你带着一个人走进一个陌生房间，蒙上他双眼，只靠语言来描述这个空间，再让他完成任务——几乎不可能。而一旦睁开眼睛，大脑就能自动重建空间模型并完成行动。这种重建能力，是当前主流语言模型所完全不具备的。 ## ▍从 NeRF 到世界模型的技术临界点 谈及为何此时选择创办 World Labs，李飞飞认为，这是长期学术研究与产业基础积累的结果。 她回顾道，早在四年前，一项名为 NeRF（神经辐射场）的研究突破，已为三维视觉建模打开了全新通路。而 NeRF 的提出者，正是现任 World Labs 联合创始人之一 Ben Mildenhall。 而另一位创始人 Christopher 则在高效三维表示方面进行了开创性研究，推动了 volumetric 3D 建模在工业界的回归。 再加上早期将 GAN 技术应用于图像风格迁移的 Justin Johnson，这些零散的研究成果如今得以整合在同一团队之中，围绕一个“北极星级”的目标：构建 AI 的世界模型能力。 Martin 将这一目标归结为两个系统的深度融合：一是 AI 模型、数据与架构本身，二是图形渲染与空间重建的工程体系。能让这样两个世界的专家在一个平台上高效协作，本身就是技术产业的一次重要组织创新。 ## ▍语言模型不是终点，而是序章 李飞飞强调，她对世界模型的信仰并非来自对 LLM 的失望，而是对智能本质的更进一步理解。 她指出，语言是一种“有损压缩”的认知方式，它抽象了世界，却也失去了丰富的物理与感知信息。真正的现实世界，没有单词、语法和文本，只有物理、运动与三维结构。 这种看法也改变了她对 AI 公司应有形态的认知。从斯坦福教授转向创业者，是因为她意识到，要实现对空间智能的建模，仅靠学术研究远远不够——需要工业化的算力投入、系统级的架构调度与顶级跨界人才的协作能力。 而这一切，只有在一家组织化程度极高、全栈工程协同能力突出的公司中，才能真正落地。 ## ▍空间智能应用远超机器人 对大多数人而言，“世界模型”仍是抽象的科研术语。但李飞飞与 Martin 共同指出，它的应用远超自动驾驶与机器人。 创造力，本质上就是视觉性的。工业设计、电影制作、建筑构图，甚至游戏开发，全部依赖于三维构建与操控。而如果 AI 拥有世界模型能力，它不仅能“看懂”三维世界，还能“生成”并“操作”虚拟空间。 Martin 描述道，只需一张桌子的照片，模型就能推断出背后的形态与材质，进而构建完整空间场景。在此基础上，用户甚至可以对空间进行测量、添加、删除或重新设计。这是一种比文字指令更为直觉和自由的人机交互方式，也为设计、创作与模拟实验打开了全新维度。 李飞飞进一步提出，数字空间正带来一个从未有过的变革机会：“人类迄今为止都只活在一个三维物理世界中。但数字世界，将首次让我们进入‘多重宇宙’。” 她列举了几个例子：有的宇宙专为机器人而建，有的宇宙服务于人类创意，有的用于讲述、交流与体验旅行。这些曾只存在于想象中的空间，如今将真正被生成出来，并被机器理解、使用、改造。▍基础模型下一战，三维全景建模 回到技术本身，李飞飞强调，World Labs 不只是要造一个“会看”的 AI，而是要让 AI 理解世界的三维结构、动力学与组合逻辑。这不只是更难的工程问题，也是一种全新的表示哲学。 她认为，像 DNA 的双螺旋结构、巴基球等科学发现，都是空间智能的结晶。纯靠语言，不可能推导出这类几何构造。而这也是为何世界模型不仅能提升机器的理解能力，更可能为人类的科学与艺术打开新的创作路径。 Martin 总结说，LLM 带来的革命证明了一个事实：当我们找对了数据结构和模型表示方式，AI 的能力提升会呈指数级爆发。现在，他们相信“世界模型”正站在类似的临界点上。 ## ▍理解并构建世界的钥匙 “我们其实正在倒着走进化之路。”Martin 提出这个观点时，整个对话也走到了哲学层面。 语言是人类大脑进化中最晚出现的模块之一，而空间感知系统则自节肢动物以来就存在，至今已有五亿年。今天的 AI，如果只是“学会语言”，并不能真正称之为“理解世界”。而只有构建出类人空间模型，AI 才算真正踏入“具身智能”的大门。 李飞飞以一贯的坚定口吻总结道：“我一直在等这一天。不是因为我不信语言模型，而是我深知：真正的世界，不是文本构成的。” 而世界模型，就是让 AI 真正理解并构建这个世界的钥匙。 本文由人人都是产品经理作者【江天 Tim】，微信公众号：【有新Newin】，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>吴恩达指出，MCP 处于早期，身份验证等不成熟；Agent 通信更是早期，大多还在努力让单个 Agent 正常运行。他分享了对 Agent 构建路径、工具组合等的判断，强调构建系统性评估机制的重要性，并探讨了语音交互、AI 编程等话题。</p> </blockquote>  吴恩达教授关于 Agent 的理解非常深刻，此前做过的几次分享和教学都非常有启发性。 最近吴恩达与 LangChain 联合创始人 Harrison Chase 又展开了一场对话，交流 Agent 的发展现状。 链接：https://www.youtube.com/watch?v=4pYzYmSdSH4&amp;t=68s InfoQ 已经对对话内容进行了很好的编译，因此我们基于吴恩达评Agent现状：MCP尚处“蛮荒”，单Agent跑通已是“奇迹”，A2A协作堪称“双重奇迹”做了一些润改，内容如下： 过去几年，AI 工具公司构建出一套功能强大、模块丰富的工具体系。LangGraph、RAG 等组件就像乐高积木，让开发者可以灵活拼装、快速搭建系统。 但在真实场景中，往往会卡在某个细节模块，比如上下文管理或评估。有经验的人能迅速换个解法几天解决，没经验的可能要多绕几个月的弯路。 AI 开发的“残酷”之处也在于此——没有哪一个工具能包打天下，关键在于是否熟练掌握并高效组合整套工具链。 另一方面，工具之间的变化也很快。例如，随着 LLM 的上下文长度持续增加，一年半前的很多 RAG 最佳实践，今天可能就不适用了。而 MCP 的出现则补上了另一个明显的市场空缺，让工具、API、数据源之间的集成变得更容易。 但正如吴恩达所言，MCP 仍处在“蛮荒阶段”——网上有很多服务端实现，但“很多其实跑不起来”，身份验证和 token 管理也尚不成熟。而且， 在 Agent 与 Agent 通信方面，吴恩达坦言，如今大多数人（包括他本人）仍在努力让一个 Agent 正常运行；而要让两个不同人的 Agent 成功协作，则几乎像是完成了两个奇迹。 我们翻译了这场对话，让大家了解吴恩达对 Agent 构建路径、MCP 现状、工具组合能力等核心问题的最新判断与实践思路。 ## 01 架构核心在任务分解与流程编排 Harrison Chase：你提议我们不去纠结一个应用是不是 Agent，而是去关注它有多“Agentic”，能不能再解释一下这个观点？ 吴恩达：我之所以提出这个观点，是因为我发现大家在不停地争论：“这个是 Agent 吗？”“这个不算吧？”——各种不同的定义争议：它够不够自主？是不是符合某个标准？ 我当时的感觉是，与其花那么多时间争论这个是不是 Agent，不如我们整个社区换个方式思考：把“Agenticness（自主性）”看作一个光谱——有些系统 Agentic 能力强，有些弱。 你想做一个稍微具备一点自主性的 Agentic 系统，或者一个非常自主的系统，都是可以的，没必要非得争论“这算不算 Agent”。 所以我提议，我们就叫这些系统“Agentic systems”，然后专注于怎么构建它们。这种思维方式，其实帮我们节省了大量争论时间，让我们能更快进入实操阶段。 Harrison Chase：你怎么看这个光谱——从“低自主性”到“高自主性”？现在大家在构建系统时，大多处在哪个位置？ 吴恩达：很多企业里的实际工作，是让员工在网页上填写表单、搜索信息、查数据库有没有合规风险、判断是否可以向某些客户销售某类产品；或者是复制粘贴一些数据，再做个搜索，再粘贴到另一个表单中。这些业务流程，往往是非常线性的，偶尔出现一点小循环或小分支，通常意味着流程失败，比如因为某个条件不满足被拒绝。所以，我看到大量的机会，都来自这些简单流程。 而我也注意到，企业在把已有流程转变为“Agentic workflow”时，仍面临很大挑战：比如，你应该把流程拆分到什么样的粒度？任务要分成哪些微步骤？当你构建了一个原型，但效果不够好时，你要改进哪一个步骤才能提升整体效果？这种“从复杂任务中拆解出可执行的微步骤”、设计工作流结构、评估机制等能力，其实现在还比较稀缺。 当然，更复杂的 Agentic 工作流也非常有价值，尤其是包含大量循环的那些。但就“数量”来说，现在的机会，还是主要集中在这些更简单的线性流程里，大家正在一步步把它们系统化、自动化。 Harrison Chase：你做了很多深度学习相关的教学，也有很多课程是为了帮助大家理解和构建 Agent。那么你觉得对于 Agent 构建者来说，哪些技能是最应该掌握的？ 吴恩达：我觉得最大的挑战在于：很多业务流程里，牵涉到的是合规、法务、人力等团队的具体操作。那你要怎么构建一个“管道”把这些流程数字化？是用 LangGraph 做集成？还是看看 MCP 是否也能帮助实现？ 一个很重要但常被忽略的点是：要搭建一个正确的 Eval（评估）体系，不只是评估整个系统的效果，还要能追踪每一步骤，这样你才能快速定位“是哪一步坏了”，“是哪个 Prompt 没有发挥作用”。很多团队在这个过程中可能进展比应有的慢——他们一直靠人手评估，每次改完 Prompt，就一个个看输出，人工判断，这会极大影响效率。 我认为，构建系统性评估机制是最理想的方式。但问题是，很多团队还没有这种“下一步该做什么”的直觉。技能不足的团队经常会走进“死胡同”——比如花几个月去优化一个永远也做不好的组件。而经验丰富的团队会说：“这个方案我们放弃吧，换一条路线。” 我希望我能总结出更高效的方式，教会大家这种“经验性判断”，因为很多时候你必须在几分钟甚至几小时内，看着 LangChain 的 Trace 输出、判断当前状态，然后迅速做出决策，而这仍然是非常困难的。 ## 02 从工具到体系：AI 系统构建进入模块化时代 Harrison Chase：你认为这种“经验性判断”，更多是和 LLM（大模型）本身的限制有关，还是更偏向产品结构、任务拆解这些“构建能力”？ 吴恩达：我觉得两者都有。过去几年，AI 工具公司构建了一套非常强大的工具体系，包括 LangGraph 在内。你可以思考如何实现 RAG，如何构建聊天机器人，如何做记忆系统、构建 Eval、加上 Guardrails 等等。 我经常会用一个类比：如果你手上只有一种颜色的乐高积木，比如只有紫色的，你其实很难拼出复杂的结构。但现在我们有了更多类型的“积木”工具：红的、黑的、黄的、绿的，各种形状和功能。你拥有的积木越丰富，组装成复杂结构的能力就越强。 我们提到的那些 AI 工具，它们其实是不同形状的“乐高积木”。在构建系统时，你可能就正好需要那个“弯曲奇怪形状的那一块”，有经验的人知道用哪一块，能迅速完成任务。但如果你从没做过某种类型的 Eval，可能会因此多花三个月时间，走弯路。而有经验的人会直接说：“我们用 LLM 做 Judge，评估方式换成这个，三天就能搞定。” 这也是 AI 比较“残酷”的地方之一——它不是一个工具能解决所有问题。写代码时，我自己也会用一堆不同的工具。我不能说自己精通每一个，但我熟悉足够多，可以快速组合。而且，工具之间的变化也很快。例如，随着 LLM 的上下文长度持续增加，一年半前的很多 RAG 最佳实践，今天可能就不适用了。 我记得 Harrison 在这方面很早就开始探索了，比如早期的 LangChain RAG 框架、递归摘要等。而现在，由于上下文窗口扩大了，我们可以往里面直接塞入更多信息。RAG 并没有消失，但调参难度已经大大降低——现在有一大段“都还行”的参数区间。 所以，随着 LLM 的持续进化，我们两年前的一些直觉，有些可能就已经不再适用了。 Harrison Chase：有哪些“乐高积木”组件是现在被低估了，但你会推荐大家去关注的？ 吴恩达：虽然大家现在都在谈论评估这件事，但很多人其实并没有真正去做。我不太明白为什么不做，可能是因为大家通常认为写一个评估系统是一项巨大而严谨的任务。 经常会发生这样的事：我构建了一个系统，然后某个问题不断出现。我以为修好了，它又坏了，再修好，又坏了。这时候我就会写一个非常简单的评估，可能只包含五个输入样例，用一些非常基础的 LLM 作为评审，只针对这个特定的回归问题做检测——比如“这个地方是不是又坏了”。 我并不会完全用自动化评估取代人工评估，还是会亲自看输出。但这个简单的评估可以帮我减轻一点负担，自动跑一下，让我不用每次都手动去检查。 然后会发生什么呢？就像我们写论文一样，一开始只是搭一个非常简陋、明显有缺陷的评估系统。但等你有了初版，你会想“其实我可以改进它”，然后就开始迭代优化。 很多时候我就是从一些糟糕透顶、几乎没什么帮助的评估开始做起的。然后随着你查看它的输出，你会发现“这个评估系统是坏的，但我可以修好它”，就慢慢让它变得更好。 另一个我想提的点是，虽然大家也讨论得挺多，但我觉得还远远被低估的，是 Voice stack（语音技术栈）。这是我非常感兴趣的领域，我身边很多朋友也很看好语音应用。我们也看到不少大型企业对语音技术极其感兴趣，而且是规模很大的企业、使用场景也很大。 虽然这个社区里也有一些开发者在做语音，但开发者的关注度相比这些企业的关注度还是小得多。而且我们说的也不仅仅是实时语音 API，也不只是 Speech-to-text 那类原生音频模型——因为那种模型往往很难控制。我更喜欢一种基于 Agentic 工作流的语音技术栈，它更容易控制。我最近在和很多团队一起做语音栈相关的项目，有些希望很快能对外公布。 还有一个可能不算“被低估”，但我认为更多企业应该去做的事情是——让开发者使用 AI 辅助编程。 很多人应该都见过，使用 AI 辅助的开发者效率远远高于不使用的开发者。但我还是看到很多公司，尤其是 CIO、CTO 们，还制定了一些政策，不允许工程师用 AI 编程工具。我知道有时也许是出于合理原因，但我觉得我们需要尽快突破这个限制。坦白讲，我和我的团队，已经完全无法想象在没有 AI 帮助的情况下写代码了。但现在还有很多企业需要接受和适应这一点。 还有一个被低估的观点是，我觉得“每个人都应该学一点编程”。 我们 AI Fund 的一个有趣事实是：我们公司每个人都会写代码，包括前台接待、CFO、法务总顾问……所有人都会写。不是说我希望他们成为软件工程师，但在自己的岗位上，他们通过学一点点代码，能够更清晰地告诉计算机他们想做什么。这带来了各个非工程岗位的显著生产力提升，这个现象我也觉得挺令人激动。 ## 03 语音交互关键是对“延迟”的要求 Harrison Chase：如果现在有人想进入语音这个方向，而他们之前已经熟悉了用 LLM 构建 Agent，那你觉得他们的知识迁移性有多强？有哪些是相通的？又有哪些是全新的需要学习的？ 吴恩达：我觉得有很多场景语音其实是非常关键的，它带来了某些新的交互方式。 从应用层面看，文本输入其实是一个“令人畏惧”的交互方式。你去跟用户说，“告诉我你的想法，这是一个输入框，写点文字吧”，很多人会觉得压力很大。而且文字输入还能退格，用户回复速度就更慢。 但语音就不一样了：时间是往前推进的，你说了就说了，也可以临时改变主意，比如说“我改主意了，忘了我前面说的”，模型其实处理这些的效果还不错。所以很多时候，语音可以降低用户使用门槛。我们说“说说你的想法”，用户就自然地开口了。 语音系统和文本系统最大的区别在于对“延迟”的要求。如果用户说话了，系统理想中需要在一秒内做出回应（最好是 500 毫秒以内，但至少不能超过一秒），但传统 Agentic 工作流可能需要几秒钟甚至更久的处理时间。比如我们在做一个“我的虚拟分身”项目，你可以在网页上和自己的虚拟形象对话。我们最初版本有 5~9 秒的延迟——你说完话，沉默九秒钟，然后分身才回答，这是非常糟糕的体验。 后来我们做了一些“预回应”的设计。比如你问我一个问题，我可能会先说：“嗯，这是个有意思的问题”或者“让我想想”。我们就让模型去做类似这样的回应，用来掩盖延迟，这招效果很好。 还有一些其他小技巧，比如说，如果你做的是语音客服机器人，在等待期间播放背景音，而不是完全的静音，用户就会更容易接受系统的“迟钝”。 而且在很多应用中，语音让用户更容易进入状态，降低了“自我审查”的门槛。人们说话的时候，不会像写字那样追求完美。他们可以随便说说，改口、反复、自由表达——这让我们更容易从他们那里获取有用信息，也能更好地帮助他们推进任务。 ## 04 如果说 MCP 还早期，那 Agent 通信就更早期了 Harrison Chase：你认为 MCP 在应用构建方式、类型上，带来了哪些变化？你怎么看它对整个生态的影响？ 吴恩达：我觉得 MCP 非常令人兴奋。 我个人非常喜欢 MCP，它补上了一个明显的市场空缺，而 OpenAI 的快速跟进也说明了这个标准的重要性。我觉得 MCP 标准未来还会不断演进，目前它主要让 Agent 更容易接入各种数据，但其实不只是 Agent，很多其他软件也可以受益。 我们在用 LLM 的时候，尤其在构建应用时，往往会花很多时间在构建 Pipeline 上——也就是各种数据接入工作上。尤其是在大企业环境下，AI 模型其实已经很聪明了，只要给它正确的上下文，它就能做出合理的事情。 但我们往往要花大量时间处理接入工作，搞清楚怎么把数据喂给模型，才能让它输出你想要的东西。MCP 正是在这方面起到了很大的标准化作用，它让工具、API、数据源之间的集成变得更容易。 当然，现在 MCP 还是有些“蛮荒”。你在网上能找到很多 MCP 服务端，但很多其实跑不起来。身份验证系统也很混乱，就算是一些大公司，MCP 服务也存在 token 是否有效、是否过期等问题。 此外，我觉得 MCP 协议本身也还很早期。现在的 MCP 会返回一个很长的资源列表，未来我们可能需要某种分层发现（hierarchical discovery）机制。比如你要构建一个系统——我不知道将来会不会有 LangGraph 的 MCP 接口——但像 LangGraph 这样的系统，有成百上千个 API 调用，你总不能把所有调用都塞进一个扁平列表里让 Agent 去自己筛选。 所以我们可能需要一种层级式的资源发现机制。我觉得 MCP 是个非常棒的第一步。我非常鼓励大家去了解它，它可能真的会让你的开发更轻松，尤其是如果你能找到一个稳定好用的 MCP 服务端实现来帮你做数据整合的话。 我也认为，从长远看这点非常重要——如果你有 n 个模型或 Agent，要接入 m 个数据源，那你不该为了每一个组合都单独写接入逻辑，工作量不应该是 n × m，而应该是 n + m。而我觉得 MCP 就是朝着这个方向迈出的非常棒的第一步。它还需要继续演化，但的确是个好起点。 Harrison Chase：还有另一种协议，虽然不像 MCP 那么热，但也值得关注，就是 Agent 与 Agent 之间的通信。那么你怎么看 Agent 与 Agent 通信的发展？ 吴恩达：现在的 Agent 通信依然非常早期。我们大多数人，包括我自己，在让自己的代码正常运行这件事上都还在挣扎。所以要让我的 Agent 和另一个人的 Agent 正常协作，就像是实现了两个奇迹。 目前我看到的情况是：一个团队内部自己构建的多 Agent 系统，是可以运转起来的。因为大家都在同一个团队，知道协议、约定、接口是什么，也知道怎么打配合——这样就能跑起来。但要让一个团队构建的 Agent 能和另一个完全不同团队的 Agent 协同，现在来看，还太早。 我相信我们终究会实现这一点，但就我自己目前观察到的，还没有看到太多真正成功、规模化运行的案例。不知道你们是不是有类似的观察？ Harrison Chase：没错，我同意你的看法。如果说 MCP 还早期，那 Agent 间通信就更早期了。 ## 05 用“vibe coding”编程累死我了 Harrison Chase：你怎么看待 vibe coding（氛围编程）？它和传统编程相比是否是一种新的技能？它在当今世界中起到什么作用？ 吴恩达：我觉得我们很多人现在编程的时候几乎不再看代码了，这其实是一种非常棒的进展。不过我觉得“vibe coding”这个名字挺不幸的，因为它会让很多人误解，以为这件事只是“靠感觉”——比如这个建议我接受，那个我拒绝，仅凭直觉判断。 但说实话，当我花一天时间用这种“vibe coding”方式，也就是借助 AI 编码助手工作后，我通常会感到非常疲惫。这其实是一种非常需要智力投入的活动。所以我认为虽然这个名字不好，但这个现象是真实存在的，而且它的确在发展，而且是件好事。 过去一年里，有一些人在建议别人“不要学编程”，理由是 AI 会自动帮你写代码。我认为未来回头看这将会是史上最糟糕的职业建议之一。如果你回顾过去几十年的编程发展历史，每一次编程门槛降低，都会让更多人开始学习编程。比如从穿孔卡片转向键盘和终端，或者从汇编语言过渡到 COBOL，我甚至找到了一些非常古老的文章，当时就有人声称，“我们有了 COBOL，就不再需要程序员了”。 但事实是，每次编程变得更简单，学习编程的人反而变多了。 所以我认为，AI 编码助手也将推动更多人学习编程。而且，未来最重要的技能之一，无论是对开发者还是非开发者来说，都是“清晰准确地告诉计算机你想做什么，让它替你完成”这件事。 想要做到这一点，了解一些计算机的基本工作原理其实非常有帮助。我知道你们在座的很多人已经理解了这一点。但这也是我为什么一直建议大家至少学会一门编程语言，比如 Python。 也许你们有人知道，我自己是一个 Python 能力比 JavaScript 更强的人。但在使用 AI 编程助手之后，我写了比以往更多的 JavaScript 和 TypeScript 代码。即使是调试那些 AI 帮我生成、而不是我亲手写的 JavaScript 代码时，理解其中的错误类型和含义，对我来说仍然非常重要，帮助我去修复它们。 本文由人人都是产品经理作者【特工宇宙】，微信公众号：【特工宇宙】，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。

截至目前为止，暑期档影片的亮点少见的聚焦在了进口片上，国产片方面除了《酱园弄》等少数几部话题大作外，仍有不少影片仍未官宣档期，也没有开启宣传活动，暑期档的走向目前仍是两个字——“难说”。

灿谷很可能会成为“大饼”长牛行情的重要参与者。

与其构建，不如让AI先读懂世界。

6月5日，网络安全行业年度盛会——&#34;Accelerate 2025北亚巡展·北京站&#34;圆满落幕！来自智库、产业界、Fortinet管理层及技术团队的权威专家，与来自各行业的企业客户代表齐聚一堂，围绕&#34;AI智御全球·引领安全新时代&#34;主题，就AI技术驱动的安全防御体系重构、网络与安全的原生融合实践、全球化场景下的SASE技术落地三大核心议题展开深入研讨。  **智御全球·构建AI驱动的智能化防御体系**  Fortinet北亚区资深区域总监 冯玉明 Fortinet北亚区资深区域总监冯玉明在开幕致辞中强调，AI安全是当前数字化转型的关键议题。Fortinet 25年来坚守初心，以创新驱动网络融合安全解决方案持续迭代。AI技术深度渗透生产生活，既带来安全领域新机遇，也催生复杂威胁。构建AI驱动的智能化防御体系，为全球客户提供可落地的安全保障方案是Fortinet的重任。  Fortinet中国区总经理 李宏凯 Fortinet中国区总经理李宏凯在“Fortify Your Tomorrow”主题欢迎致辞中指出，企业网络安全不能通过堆砌孤立产品实现有效防御，为此，Fortinet通过统一操作系统（FortiOS）整合自研ASIC芯片和25年技术沉淀，构建覆盖网络边界、云、OT的Fortinet Security Fabric安全平台，以“网络融合安全”战略应对企业碎片化防御挑战。  Fortinet中国区技术总监 张略 Fortinet中国区技术总监张略以三维辩证视角剖析AI安全格局认为“AI是网络安全的现在和未来”，并深入解析、现场演示Fortinet三大“AI安全智能体”应用：FortiAI-Protect、FortiAI-Assist和FortiAI-SecureAI。不仅如此，Fortinet还通过AI技术实现了威胁情报的自动化收集和分析，为企业提供了更加准确、及时的威胁情报支持。  经济学人集团旗下经济学人企业网络北京总监 肖宇超博士 经济学人集团旗下经济学人企业网络北京总监肖宇超博士，在演讲中指出未来中国在海外投资方面具有巨大的增长潜力。2024年，中国全行业对外直接投资继续表现强劲，出海企业群体性崛起与云服务、数据中心、人工智能等前沿领域的资本热潮形成共振效应，也必将带来巨大的安全网络市场需求，这也验证了“Fortify Your Tomorrow”主题演讲中对安全网络发展趋势的研判。 **客户实践·头部企业解码Fortinet安全架构赋能**  新东方教育科技集团网络负责人Duo Li 对话环节，典型教育行业客户代表——新东方教育科技集团网络负责人Duo Li表示，安全与业务的平衡是企业最大挑战，需找到‘木桶效应’中的合理水位线。业务追求快速变化，安全要求严谨标准，二者需动态平衡——既不能因安全阻碍业务创新，也不能为便利降低安全底线。依托Fortinet Security Fabric平台，新东方打造安全可视、威胁可控、智能协同、易管理的综合安全体系，形成自动化安全生态，确保业务连续性。  Fortinet北亚区区域销售总监 陈伟发 英科集团信息技术部总经理 韩学彬 福田康明斯IT部长 刘元福 Fortinet中国区技术总监 张略 （从左至右） 在圆桌论坛中，两位典型行业客户代表——英科集团与北京福田康明斯，与 Fortinet中国区技术总监张略围绕四大核心议题展开了对话：复杂网络环境下的安全防护实践、OT与安全的融合建设、跨国制造企业的网络架构优化，以及AI大模型的安全风险与应对策略。 英科集团信息技术部总经理韩学彬从全球化制造企业实践出发，强调安全需深度嵌入业务场景。他表示，公司通过部署Fortinet防火墙、EDR等产品构建多层级防护体系，并结合安全制度与全员培训实现“技术+管理+人员”三位一体的防护，有效提升了全球业务连续性。韩学彬还特别指出，非常看好FortiAI智能体辅助安全运营的愿景，这将降低安全运维门槛，助力企业从传统制造向IT互联网化升级转型。 福田康明斯IT部长刘元福则在数字化转型过程中应用了Fortinet网安融合及微隔离方案，并将其延伸应用到生产网络。针对OT与IT网络的差异特点，该解决方案在应用识别、威胁检测、虚拟补丁等方面的表现优异，已在真实制造业场景中得到验证。方案成功落地生产车间，在保障安全的同时提升了效率，为制造企业建设OT安全提供了有价值的实践样本。 Accelerate 2025北亚巡展·北京站圆满落幕，6月13日上海站将压轴呈现年度终极思想盛宴！这场集结AI安全领域前沿洞察、顶尖技术方案与产业实战经验的年度巅峰盛会，打造网络安全产学研用深度对话平台。现诚邀政企决策者、技术领袖及跨领域安全专家齐聚上海，共探AI驱动安全变革的关键路径，见证技术革新与战略思维的激情碰撞！

<blockquote><p>在2025年，财务领域正经历数字化与智能化的快速变革。本文聚焦于财务人员如何在一年内利用提示词技术快速提升专业技能，成为行业顶尖人才。文章详细介绍了如何通过提示词优化财务报表分析、预算预测、税务筹划及审核流程，助力财务人员实现高效工作与职业进阶。</p> </blockquote>  2025年，财务领域的变化超出很多普通财务人员的预期。 数字化、智能化的浪潮快速席卷整个行业。 如今，**单单掌握传统的财务知识已不足以在职场中脱颖而出**。 尤其对普通财务人员来说，如何在这风云变幻的一年里快速提升自己，成为业内数一数二的人才，成了一件迫在眉睫的事情。 技能的更新换代不可避免，尤其是“提示词”技术的掌握，更是财务人员弯道超车的绝佳机会。 今天聊聊这个话题，希望能给大家一些实实在在的帮助。 不兜圈子，直接上干货。  ## 01 掌握提示词，做好财务报表分析 财务报表分析，以前是靠经验积累，现在是依赖大数据和智能算法。 提示词技术这时候能起到一个锦上添花的效果。 假设财务报表的数据繁杂零散（你知道那种每个数字都不太对劲的感觉）。 普通人往往束手无策，只能求助上级或软件。 其实这时候掌握提示词技能，可以让工作效率翻倍。 **提示词能帮助分析大量数据中的模式与异常**，并且快速锁定问题的症结。 例如：（通用性提示词如下） <blockquote><p>我将提供一个财务数据，你需要分析数据中的模式与异常。请按照以下步骤进行：<br/>1.导入数据：接受我提供的财务数据表格（以 Excel 格式呈现），若数据存在缺失值、异常格式等问题，优先进行数据清洗，说明清洗方法与依据。基础分析：分析财务数据的整体分布情况，如各字段数据的集中趋势（均值、中位数）、离散程度（标准差），判断数据是否符合正态分布等常见分布形态。</p> <p>2.模式挖掘：时间序列模式：针对具有时间维度的数据，如月度、季度、年度财务指标，识别周期性变化规律（如季节性波动、年度增长趋势）。关联模式：挖掘不同财务指标之间的潜在关系，如收入与成本的关联性、费用与销售额的协同变化，找出强关联指标组合。</p> <p>3.异常检测：<br/>数值异常：通过统计方法（如 Z-score、四分位数间距）识别偏离正常范围的数值，判断是否为数据录入错误或真实异常业务情况。<br/>趋势异常：对比历史数据趋势，标记不符合预期增长或下降趋势的异常数据点，结合业务背景分析原因。<br/>可视化建议：针对分析出的模式与异常，推荐合适的数据可视化图表类型（如折线图、柱状图、散点图、热力图等），并说明选择理由。结果输出：以结构化报告形式呈现分析结果，包含数据清洗过程、模式描述、异常详情、可视化建议，以及对业务决策的参考建议，语言需通俗易懂，便于非技术背景的财务人员理解。说得更直白些，传统方式往往需要从不同维度手动筛选数据，可能耗费几小时。</p></blockquote> 而使用提示词只需简单几步，让系统按你的要求快速回馈分析结果。 尤其是有关现金流、利润表或资产负债表中的复杂项，提示词可以直接跳过那些令人头疼的中间步骤（这感觉挺像直接找到藏在杂物堆里的宝贝）。 实用性，高得离谱。  ## 02 巧用提示词，协助财务预算与预测 做财务的人，哪个没有被预算和预测折腾过？ 光靠历史数据预测未来，差之毫厘，谬以千里，这种事多了去了。 但如果结合提示词的技术来进行智能化预算编制与预测，结果的精确度远非手动操作能比。 具体点讲，传统的预算需要从多个数据源中调取以往数据进行推算，现在只需设置合适的提示词，人工智能就会根据公司过去几年的支出趋势和外部经济因素的变化，立刻生成对应的详细预测方案。 例如：（通用性提示词如下） <blockquote><p>我会给你提供历史财务支出数据，请你帮我制定明年的支出预算。具体步骤如下：<br/>1.数据整理：先检查我给你的 CSV 或 Excel 数据，看看有没有缺数据、填错数据的情况。要是有缺失值，想办法补上；发现异常数据，做好标记并说明处理办法，保证数据能用。</p> <p>2.趋势研究：按照月度、季度或者年度，梳理历史数据的变化趋势。可以用移动平均、指数平滑这些方法，找找支出是怎么逐年变化的，有没有季节性的波动，总结出规律。</p> <p>3.分类预估：把支出项目分分类，像人力成本、采购费用、营销开支、办公花销等等。不同类别的支出有不同特点，根据这些特点，选合适的方法，比如线性回归、时间序列分析，或者更复杂的算法，分别预测每个类别明年大概要花多少钱。</p> <p>4.综合调整：考虑行业未来走向、公司下一步的计划，像有没有业务要拓展、有没有新项目要启动，还有政策方面的变化，比如税收调整、社保缴费比例变动。把这些因素都结合进去，对刚才预测的结果进行修改，让预算更符合实际。</p> <p>5.风险把控：想想预测过程中可能有哪些不确定的地方，找出会影响预算的风险因素，比如原材料价格会不会波动、市场竞争会不会更激烈。针对每个风险，提前想好应对办法，以及风险发生时怎么调整预算。</p> <p>6.成果输出：最后把整个过程整理成一份详细报告，写清楚数据是怎么处理的、每个项目预测的依据和结果、考虑了哪些影响因素、有哪些风险和应对策略。再附上预算明细表，搭配上柱状图、折线图这些图表，方便汇报和后续参考。</p></blockquote> 这一过程中，财务人员省去大量时间手动校准和计算，误差却小得多。 其实这方面核心优势在于提效和精准。 特别当你在某些细节不确定的情况下，提示词能引入外部大数据作参照，形成更加全面的财务预测模型。 一次有效提示，可以让预测落地得稳当很多。 这种从传统的财务处理模式到智能化的转变，提醒每位普通财务人员，技术并非辅助，而是核心的转变手段。  ## 03 通过提示词，进行税务优化 企业税务问题始终是个不能放松的环节，毕竟稍不留意，不仅可能亏损，严重时还涉及法律责任。 提示词技术的优化能力此时表露无遗。 以往可能是公司有专门税务团队或聘用外部税务师，然后手工调整。 在2025年的新环境中，财务人员可以通过设置提示词，让AI在数秒之内可以给出优化方案，甚至把每种方案的利弊都直观呈现出来。 提示词不仅局限于企业内部税收的常规项目，还可连接外部的相关税务政策，时刻进行对比，确保公司缴纳的税额既合法又能通过合理方式优化成本。 特别是不同行业的税务优惠政策变化时，手动获取不如智能抓取更高效。 因而提前布局并利用提示词的优势，能让财务人员的价值显著提升。  ## 04 通过提示词，精确财务审核 做审核，是每个财务人员的日常工作之一，要求缜密、细致的思维，动不动还容易忽略某些关键细节。 有了提示词技术后，审核这一流程不再需要100%人工介入，部分关键环节完全交由智能处理，包括发票审核、支出凭证比对等常见内容。 这种高效机制特别适合面对大量的交易记录时，一不留神就可能漏过某个不合规项目。 提示词让一切变得从容。 比如下面这个通用提示词，系统就会从诸多文档中筛查并找到漏掉或可能存疑的项，实时生成反馈。 <blockquote><p>我会给你发票、支出凭证这些材料，咱们一起做审核工作。<br/>按下面的步骤来：<br/>一、先查票据真假和基本信息<br/>1.发票真伪检查<br/>把发票代码、号码和开票日期记下来，上税务总局的全国增值税发票查验平台验证<br/>看看发票专用章清不清楚，公司税号对不对，注意有没有温变油墨、防伪纤维这些防伪的地方<br/>电子发票得检查 PDF 的签章是不是真的，别让同一张票重复报销了<br/>2.凭证要素核对<br/>支出凭证上的收款方名称、银行账号得和合同上的一致<br/>报销单上写的事项和发票商品名称要能对上，比如开 “服务费” 得附上明细清单<br/>检查审批签字全不全，经办人、部门领导、财务都得签好字<br/>二、看看合不合财务规定<br/>1.费用匹配检查<br/>差旅费得和出差审批单一起看，机票日期、酒店入住时间要和行程单对得上<br/>会议费发票得有会议通知、签到表，餐饮费占比别超过当地财政的标准<br/>福利费要分清是集体福利还是个人福利，别错放到业务招待费里<br/>2.税务风险筛查<br/>专票要看好税率对不对，像现代服务是 6%，建筑服务是 9%<br/>农产品收购发票得确认销售方是不是农业生产者，别收到虚开发票<br/>跨年度的发票要看看是不是以前年度的费用，汇算清缴时得调整<br/>三、核对数据逻辑<br/>1.金额勾稽检查<br/>发票价税合计和报销金额差不能超过 1 分钱，大额发票得验算开票系统的清单<br/>要是有连号的发票，注意开票时间间隔，别是集中开的假发票<br/>电子支付凭证要下载银行流水原件，和交易时间、金额对清楚<br/>2.预算控制提醒<br/>对照部门预算科目，超预算 10% 以上的支出要标出来<br/>研发费用得分项目记好，检查加计扣除的备案材料齐不齐<br/>境外付汇得有税务备案表，看看有没有代扣增值税和附加税<br/>四、处理发现的问题<br/>1.遇到这些情况要标出来：<br/>发票抬头有错别字（比如 “有限公司” 写成 “有限责任公司”）<br/>跨月红冲的发票没附原发票复印件<br/>个人消费的发票（像超市购物卡）混在公司报销里<br/>开票方经营范围和发票内容不符（比如商贸公司开服务费发票）<br/>2.最后输出审核结果：<br/>做一个审核明细表，写上票据编号、检查要点、合不合规、哪里有问题<br/>要是发现好多发票都有同样的问题（比如 3 张以上税率错了），得写个风险预警报告<br/>给整改建议模板，比如 “请补上这次会议的参会人员签到表原件”<br/>你就按这个流程审我给的票据，最后出一个财务能直接用来复核的工作底稿，把需要人工确认的疑点标清楚，再附上政策依据（比如《发票管理办法》第 22 条）。</p></blockquote> 不得不提的是，审查除了精度要够高，也要能迅速区分优先级。 这不是让人少做事，而是让人更高效率完成工作。 这个时候提示词还可以给你引导，直接“找出最紧急的审核任务”，所有的高优先级审核项目会在你面前一览无余，完美应对紧迫时段的多任务要求。 这种提升价值的方式对于想登顶的财务人来说必不可少。  ## 05 提示词+业务理解，帮助财务决策 财务从来不仅是做表、整理数据。 业务的核心更多是在参与公司决策的层面上体现。 现代的财务管理不再限于“管理钱”，还要求对公司的业务活动有足够的渗透与支持。 没有提示词时，财务的决策常常依托人工估算与历史数据积累，稍微差错就影响到公司决策的走向。 应用提示词能够有效降低这类风险，就像买个双保险。 提示词会让系统帮你做出多维度对比、竞争性分析等，例如“给我基于现在公司资金结构推荐的最佳投资方向”，系统会经过智能判断筛选最符合当下形势的投资机会，业务判断就会更加高效准确。 普通财务人与顶尖高手的距离往往就在这看似不起眼的“决策”环节。 那些能在公司里打出重要一拳的财务高手，他们那种简单明确又不失远见的判断力，实质借助的就是这样精准工具的力量。 某些时候甚至可以直接决定某些部门是否该开展特定项目。 **有用提示词帮衬，无异于让职业能力再跃上新台阶。**  说到底，快速提升财务人员的职场竞争力，特别是在2025这个智能时代背景下，离不开掌握全新的技术工具。 **提示词技术无疑是本年度每个财务从业者无法忽视的重要助力。** 尽管刚入门时有些不适应，但这项技能一旦熟练，会对日常工作的效率有显著提升，更别提潜移默化提升你的职场地位了。 无论是分析报表、税务优化，还是财务预算，哪怕是复杂无比的审核流程与公司决策，都有提示词大展身手的空间。 走上这条快速道的你，还怕在这一年内成不了财务精英吗？希望这些操作步骤给你些启发，终有登上顶峰的那一天。 本文由人人都是产品经理作者【抖知书】，微信公众号：【抖知书】，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>营销不只是预算与KPI，审美与创意同样关键。本文分享了如何用有趣且富有创意的内容打动人心，包括文案写作、设计表达等方面，助力营销人员突破瓶颈，让好产品在市场中脱颖而出。</p> </blockquote>  当下很多从事Marketing的朋友都挺低落的，价值不被认可，成果不可量化… 但是，千万别灰心，好产品需要被看到，营销必不可少。 媒介在变，技术在变，每个人向往美的事物，喜欢有趣的内容，从来没变。 是时候**回归营销的本质，从好产品、好创意重新出发，寻找获客、转化的新路径了**。 过去半年，我也有点迷茫，直到我发现在这个宝藏网站marketingexamples.com。打开每一篇文章，都只有几张图、几句话，但就是觉得很有趣。 对呀，朋友们，Marketing本来就应该很有趣！  顺便又看了主理人Harry Dry接受《How I Wirte》播客采访。 印象最深的一句话是“人们为什么要学习文案写作？” （“copywriter”最开始是写“广告文稿”，“Copy”意指“用于传播的文字内容”，现在文案写作早就不仅仅是广告，还泛指海报、网站、社交媒体内容等等。） 这位Mr.Dry说**“因为这是营销中的首要技能。”** 1000%同意！ 以前写文案是大工程，是广告公司的专属。只有最有文采的创意人才能写得出“人头马一开，好事自然来”这样脍炙人口的slogan。 现在，社交媒体上，每个人是自己的文案大师。营销人更是公司里集文案与设计一身的创意总监。 **那么如何掌握好写作技能？如何写出让人心动的内容？**  Harry提到好内容的三条原则： **1. 可想象：能让人脑海里有画面感** **2. 可相信：可用数据、事实证明** **3. 很独特：竞争对手不能这么说** 看着简单，其实是非常高的标准。 特别是第三条，对产品差异化要求很高。 第一条也很难。要有画面感，需要内容跟读者相关，还需要尽量具体、有故事、有场景…“技术创新，跨时代的变革”等等都是抽象、无效的表达。 第二条是需要有说服力的数据和事实、案例来证明。 Harry在视频中展示了这样一张路牌海报，是不是看着很厉害，“不要只找一份工作，要改变整个行业”。  这是一家招聘公司。 当你闭上眼睛，能看感受到如何改变吗？不能；你能判断说的是真的还是假的？不好说；别人可以这么说吗？可以，换成任何一家公司似乎也能说得通。 再来对比New balance的这句：“伦敦的超模和俄亥俄州的爸爸们都穿的一款鞋”。  想象长腿细腰美女和老家爸爸穿着鞋的样子，脑海里有画面了。好像在哪看到过图…耐克、LV似乎不能同时满足这两点… 不过，这样的案例并不是太多，能满足其中2条就很不容易。我也找了一些 “marketing examples” ，从下面7个角度看看有趣的内容是怎样的。 ## 1. 能具体就不抽象 避免空洞的形容词（如“优质的”、“创新的”、“前所未有的”），用具体的细节描述产品功能或用户体验。使用能让用户“想到画面”的名词。 iPod的这句话，是我最喜欢的产品介绍语，没有之一。  如果换成 - “内存超级大” -无感。 - “可以存储1000首歌”-普通。 - “1000首歌放在小的设备中” -先看看。 - “1000首歌放在口袋里”。（一定很小巧，很轻便，还能放1000首歌。索尼Walkman做不到）-有趣，我想了解！ 经典内容，经得起Harry的三个标准检验。 ## 2. 用数据、事实、案例说话 在文字描述中放上数据，不但突出，更让人感觉信任。 Proof网站的首页介绍字不多，数据占比很高。“在15分钟内提升网页转化率15%，正好适合数字营销的需求。  视频、案例等用真实可见的效果，消除用户疑虑，也满足了可想象、可相信这两点。 Slack这个首页介绍把创新公司放在很显眼的位置。是啊，谁都觉得自家是创新性的公司，再加上下面这些案例也名副其实。  ## 3. 把复杂难懂用简单的词描绘 “汽车百公里加速XX秒”这句话常常听到，但具体有多快？特斯拉说：  谁说特斯拉不做营销？他们真的很会，一出手就是经典。 ## 4. 先说价值，再谈功能 Loom发现online会议时，很多人在摸鱼。即时通讯上你一句我一句效率也很低。 于是说“One video is worth a thousand  words” 。“轻松录制和分享AI帮助下生成的视频消息，与您的团队成员和客户沟通，从而显著提高生产力”。  一个小心思，这句产品介绍呼应了1913年的一张经典海报“One look is worth a thousand words” ，妙啊。  看到一个内容订阅网站，也许跟你我工作无关，但好温馨，欣赏一下美好。  产品的内容介绍也非常到位，很切需求。  ## 5. 结构化、图示化表达 这样结构化的表达适合网站、社交媒体、产品介绍，一目了然。  上面这个是飞书的产品介绍，Visme针对不同决策者要说的话不同的描述也很有意思。  6. 巧用对比 Cybertruck上市的时候，这个对比很有“针对性”，但让人印象深刻。  而coda巧妙使用第三方的数据做对比，就比较有模仿性。  ## 7.妙用冲突 Patagonia的“不要买这件衣服”就是让人好奇，想了解。  以上零零碎碎的示意，不成体系，也许你能记住一两个，并且马上在自己的社交媒体、产品介绍上用起来。 最重要的是，当你看过上面这些好的设计、好的内容，你会发现AI在创作中只是辅助工具。也许它能启发思考，搜集资料以及头脑风暴，但是好的内容关键在于作者的品味和经验。 即便最简洁的表达，都是创意。  你也许会说，老板觉得这些没啥用，只要结果。 但什么才是有用的呢？ 看似无用的创意是吸引用户了解，迈向合作的第一步。距离有没有成交，有没有结果还有很多步骤。很多不确定因素，你我都无法预测。 既然如此，那就先走好当下的这一步，从打动人心的内容开始。 本文由人人都是产品经理作者【Hanni】，微信公众号：【时光笔记簿】，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。

“爸妈退休后比我还忙，旅游、跳舞、上老年大学，钱包捂不住了！”——这可能是很多家庭的真实写照。 “养老院一床难求，靠谱护工哪里找？”——老龄化加速下，服务短缺的痛点日益凸显。 “都说银发经济是蓝海，企业该怎么‘游’进去？”——面对老年人口的大市场，机遇与挑战并存。 当中国跑步进入老龄化社会，“银发族”的消费力量正悄然重塑市场格局。2022年，我国人口结构迎来历史性拐点，老龄化进程明显提速。国家在2024年更是连发三份重磅政策文件，全力应对老龄化和改善民生。 同时，邻国日本的“先行者经验”，在人口老龄化将引发消费结构深刻变化的当下，对我国具有重要借鉴意义。 ## **人口老龄化后消费结构的变化** **（一）我国人口老龄化进程有所加速** 近年来，我国65岁以上老年人口占比持续上升，2020-2024年年均提升约0.6个百分点，增速快于2010-2015年的0.3个百分点和2015-2019年的0.5个百分点。  图：我国65岁以上人口占比有所提升（%） 数据来源：Wind，东吴证券研究所测算 相比欧美，中国、日韩等亚洲国家从老龄化社会进入深度老龄化社会的速度更快，时间更短。 截至2023年底，50-60岁人群是主要人口组成部分，而且我国老年人口整体低龄化，在护理、旅游等服务方面消费需求旺盛。因此，未来的5-10年，是发展银发经济的关键时期。  图：各年龄段人口占我国人口比重（%） 数据来源：wind，东吴证券研究所 **（二）日本老龄化后的消费结构变化** 日本是老龄化严重的国家，2023年65岁以上人口占比近30%，2006年进入人口负增长时期。 **消费总量“失速”。**1994-2006年，日本私人消费年均复合增速0.8%，2007-2024年降至0.2%。这主要是因为年轻人少了，消费主力萎缩；老年人虽然消费意愿高，但收入低，消费增量抵不过青年消费流失。  图：人口老龄化下日本消费增速中枢持续下行 数据来源：Wind，东吴证券研究所 **消费结构“洗牌”。**日本家庭的食品、医疗保健等必选消费占比上升；而住房相关、服装鞋类等可选消费占比下降。医疗保健消费增速较快，服装鞋类、交通通信、文化娱乐等增速明显放缓。  图：日本家庭消费结构变化（%） 数据来源：Wind，东吴证券研究所 **不同年龄段的消费者各有各花钱的地方，**青年家庭砸钱在租房、穿衣打扮、文化娱乐上；中年家庭教育支出是大头，穿衣玩乐的预算少了，个人护理需求上升；老年家庭的钱主要花在饮食、医疗和个人护理消费上，但也有享受型消费的意愿。  图：不同年龄段消费偏好的差异决定了整体消费结构变化（%） 数据来源：日本统计局，东吴证券研究所 **（三）我国老龄化程度加深对消费的影响或弱于日本** 相比日本当年的困境，中国应对老龄化冲击可能更有韧性。 一是居民收入方面，日本20世纪90年代房地产泡沫破裂后，家庭可支配收入长期低增长，甚至经历了负增长时期。而我国2022年后，居民人均可支配收入以5%以上的增速平稳增长，为消费提供基础。  图：我国居民收入增速中枢仍保持在5%以上（%） 数据来源：Wind，东吴证券研究所 二是城镇化率方面，日本人口负增长时，城镇化率近90%，相比之下，我国2022年城镇化率仅65%，提升空间大。此外，从人均消费支出的维度来看，城镇消费大约是农村的1.8倍，而且我国城镇化率与居民消费正相关，由此可以推断出我国消费潜力较大。  图：我国城镇化进程仍有较大空间（%）数据来源：海关总署、Wind，东吴证券研究所测算 ## **人口老龄化加剧下如何发展银发经济** **（一）日本发展银发经济的政策脉络** 日本发展银发经济，经历了清晰的三个阶段，政策是关键推手。 第一阶段：1970年-1993年。 日本1970年进入老龄化社会，并且在石油危机后经济向服务业转型，推动养老服务兴起。政策上，颁布《老年人福利法》等，成立银发服务振兴指导室，引导社会资本参与，银发服务业开始走向规范化。 第二阶段：1994年-2005年。 1994年日本进入深度老龄化社会，泡沫经济破裂促使银发产业发展，注重公共福利设施建设。1997年通过《介护保险法》，并于2000年实施，推动银发产业市场化，政府、企业、社会共同参与，缓解财政压力，盘活市场。 第三阶段：2006年至今。 2006年日本人口负增长，老龄化加深，银发经济快速发展。介护保险制度不断完善，成功吸引更多企业和组织进入到护理服务领域。同时，日本政府鼓励企业研发开发护理机器人等，并给予企业一定的税收减免，推动智慧养老的发展。 梳理日本银发经济的发展脉络可以发现，**日本银发经济发展的关键举措是2000年《介护保险法》的实施**，它顺利推动了引发经济的市场化发展，分摊了老年护理的巨额成本，让老人手里有更多闲钱用于享受型消费，从而缓解了整体消费收缩的颓势。 **（二）日本模式对我国的借鉴** 借鉴日本经验，中国发展银发经济可重点发力两招。 **其一，建立完善的长期护理保险制度。**我国长期护理保险资金主要依赖医保和财政补贴，压力山大。可借鉴日本的做法，按人口结构和收入差异制定规则。参保范围和累进缴纳比例都差异化设计，这样既能调节收入差异，又能缓解医保压力。同时，统一长护险资金支付范畴，并根据市场供给的新产品、新服务，动态调整报销范围，让保障跟上需求。 **其二，着力提升低龄老年群体的再就业。**老年群体的消费边际倾向高于青年，也就是说如果老年群体和青年群体赚相同数额的工资，老年群体会更愿意花出去。此时如果让他们有收入，就能直接带动消费。制度上，借鉴日本出台相关法律提供保障；就业渠道上，地方政府提供适合岗位信息和“轻就业”岗位；就业能力上，提供技能培训；对雇佣老年群体的企业发放补贴，提高企业积极性。 银发经济非“夕阳”，而是“朝阳”。抓住未来5-10年低龄老人红利期，借鉴国际经验完善制度设计，激发市场活力，中国的“银发浪潮”完全有望转化为推动经济增长的“金色动力”。 *原文来自东吴证券报告《老龄化进程下的消费变迁和银发经济》 本文内容由AI整理，不代表作者看法。