为了打造顶级的游戏体验，一加找来了联发科。

<blockquote><p>在AI技术飞速发展的今天，ToB企业的市场部门面临着新的挑战和机遇。GEO（生成引擎优化）营销作为一种新兴的营销方式，正在成为ToB企业获取客户信任和提升品牌影响力的重要手段。</p> </blockquote>  上一篇内容我们已经分享过GEO的概念也做了GEO和SEO的对比，同时也说了GEO对ToB企业营销的重要性，今天我们再深一步探讨如何做好GEO营销。 想要做好GEO营销，第一步我们要明确AI平台到底喜欢抓取什么样的内容。 ## 一、AI平台偏好抓取什么来源的内容 在进行GEO内容布局之前，ToB市场人首先要理解一件事：AI大模型不是人类，它的“学习”来自训练数据，特别是高质量、可信、结构清晰的网页内容。 那么它们倾向于抓取哪些网站的内容？ 这个很好识别，你只要在对话咨询的时候开一下联网搜索，大概就知道了，业内有人做过一些简单的总结，可以参考： - DeepSeek：比如搜狐、企鹅号、网易号等媒体、行业网站居多 - 腾讯元宝：公众号内容、官网、搜狐等 - Kimi：官网、搜狐、网易、雪球、知乎等 - 豆包：行业网站、抖音、官网、头条等 当然，这些不一定全面，你可以自己去探索研究一下。 ## 二、如何打造“AI可引用”的内容结构？ 理解AI的抓取来源后，ToB市场人在内容上需要做四大优化方向： ### 1、权威性优化：让AI相信你 AI引用谁，不是看你是不是广告投放大户，而是看你是否足够“权威”。 - 多引用行业第三方数据或机构认证 - 多使用获得媒体转载或参与访谈的内容，媒体的信任度是AI的重要参考来源 ### 2、结构化数据优化：让AI读懂你 AI理解内容的方式类似拆解成知识点和关系网络，因此你的内容结构决定AI能否“看懂”。你需要这样做： - 使用清晰标题分段，如“第一步”、“第二步”等 - 可以使用一些图表、流程图，增强逻辑性 - 网站页面内容要确保对搜索引擎开放 ### 3、可信度优化：让AI优先选择你 以下是增强可信度的几种方法： - 文章配图选择真实照片、页面截图等，降低AI对“伪内容”的判定 - 设置清晰的发布日期与更新时间，AI偏好“内容时效性”高的文章 - 部署结构化元数据，让AI模型更快识别内容类型 ### 4、用户导向优化：让AI识别你的内容“像人说话” GEO不是写论文，更不是写硬广。它要求你写得像一个专业顾问正在跟客户聊天。 好的GEO内容应该具备： - 强问题感知：“制造企业做数字化转型时，最怕踩哪些坑？”这比“数字化是企业转型的趋势”有用得多 - 逻辑清晰、结构易读：用清单、步骤、对话句型呈现，而非堆砌概念 - 避免“空话”：比如“我们的平台有强大的数据能力”就不如“我们平台通过实时采集用户30+维度行为数据，实现数据看板1小时内刷新”来得具体 以上就是本次要分享的核心内容啦。 当然，目前市面上还没有非常成体系的GEO营销方式，上面这些也只是笔者探索的一些内容还有结合一些线上资料做的整合总结，具体到企业实际肯定还是需要调整的。 但是不管怎么样，ToB市场营销要从“能不能找到客户”转向“客户信不信你”，AI时代只是让这场“信任竞争”更透明、更系统化。 你不能等客户找到你，而要让AI先找到你、记住你、推荐你。 GEO不是未来趋势，它已经在发生。 作者：四两哥；公众号：四两ToB营销 本文由@四两哥 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>对于产品经理而言，如何在AI浪潮中保持竞争力，甚至利用AI技术提升工作效率和质量，成为了一个亟待解决的问题。本文将探讨AI时代产品经理的角色转变，以及如何通过掌握新技术、提升数据分析能力、优化用户体验和加强团队协作，来应对AI带来的挑战，并在新的技术环境中找到自己的位置。</p> </blockquote>  你有没有想过，为什么有些产品能让人爱不释手，而有些却让人避之不及？ 微信，这个几乎成为中国人“第二生活空间”的产品，它的成功，不仅仅在于功能，更在于背后的产品哲学——做产品如做人，产品就是人品。 张小龙曾说：**“产品经理是站在上帝身边的人。” 这句话并非指权力，而是指责任。** 产品的每一个细节、每一次更新、每一处交互，都像是一个人的言行举止，透露出它的价值观和品格。而作为一个在互联网行业摸爬滚打了6年的产品经理，我越来越深刻地体会到：做产品，其实是一场人生的修行。 接下来，我想通过三个维度，分享这6年产品路上的感悟：**细节见人品、时间验真章、初心定始终。** ## 01 细节见人品 如匠人雕琢艺术品，每个细节，尽显人品之光。 在社交产品疯狂内卷的时代，”已读未读”功能几乎成了标配。但微信始终坚持不做这个设计——哪怕技术上易如反掌。 张小龙的解释很微妙：”已读回执会让沟通变得有压力，就像现实中不会有人盯着你确认是否看了他的消息。”这个选择背后，藏着产品经理最高级的品格：不利用人性弱点做增长。就像真正的绅士不会当面拆穿别人的尴尬，好的产品也懂得留白。 **那些最优秀的产品决策，往往不是”我们能做什么”，而是”我们选择不做什么”。** 在去年负责市级统一用户空间改版的时候，算是我经历过最煎熬的一段旅程，但却收获满满。因为大家都在很认真站在用户视角去打磨产品，大到流程设计是否完整，小到页面上的一段文字语法是否合理，这是曾经的环境不曾带来的磨练。 **有个做法可能有所借鉴，那就是设计图必做“小白测试”，让完全不懂技术的同事操作原型。如果一个第一次操作产品的人也能操作流畅，那基本上就成了。** 我们客户常说：你既要是一个专家，也要变成一个小白，这是对做极致产品的追求。 ## 02 时间验真章 好产品如同好人品，经得起时间的考验。 互联网行业有个残酷的规律：90%的明星产品三年内就会消失。 还记得曾经刷屏的”脸萌”吗？ 那个能让用户生成卡通头像的爆款App，日活一度突破千万，如今早已无人问津。反观微信，从2011年发布至今，依然是10亿级用户的日常刚需。这背后的差异，就像人与人之间的相处——乍见之欢不如久处不厌。 <blockquote><p><strong>爆款产品往往靠猎奇心理或短期补贴取胜，而长红产品靠的是持续解决真实问题。</strong></p></blockquote> 就像政务服务平台，那些花哨的”智能推荐”可能带来一时惊艳，但老百姓十年后还在用的，一定是查询社保、缴纳水电费这些朴实无华的日常服务。 观察微信的迭代史会发现个有趣现象：它很少追逐风口，但每个重大更新都恰到好处。从2012年的朋友圈、2014年的微信支付、2017年的小程序，这些改变行业的功能，前后酝酿时间都以年计。 这种定力在政务数字化中同样珍贵。今年我们规划”边聊边办”时，没有盲目上马AI，而是先时间整理出高质量的高频问题知识库。反而对咨询的准确度有更大的提升。 ## 03 初心定始终 产品的匠心，如同人的初心，始终如一，方得始终。 在互联网公司疯狂追求用户时长的年代，微信却提出”用完即走”的理念。这看似反商业逻辑的背后，藏着最朴素的产品哲学：工具应该为人服务，而不是绑架人。 就像好的朋友知道适时保持距离，好的产品也懂得适可而止。 政务数字化进程中，我们常面临类似考验。前些年有领导要求增加”每日签到积分”功能，声称能提升活跃度。但我们调研发现，老百姓要的是”办事快”，不是”天天来”。最终我们砍掉这个设计，转而优化”智能预填”功能，让群众少填60%的字段。数据证明，这种”克制”反而让月活提升了25%。 这让我想起之前客户说的：**“政府网站不是秀技术的T台，是老百姓家里的数字办事员。要想老百姓之所想，急老百姓之所急”** 就像微信的界面十年如一日地简洁，政务产品最难得的品质，是历经迭代仍能守住”为民服务”的初心。 ## 最后的话 回望六年产品路，从纠结按钮颜色到参透服务本质，越来越认同一个道理：**产品如人，都要经历’看山是山’的三重境界。** 就像微信的伟大不在于它有多少功能，而在于它改变了十亿人的生活方式却不让人感到被操控；就像好的政务服务不在于用了多炫的技术，而在于让老百姓忘记技术的存在。 最后，请允许我用三句话收尾： - 细节是品格的显微镜——那些你放过的小问题，终将成为用户的大麻烦； - 时间是真理的试金石——所有走捷径的产品，最后都要补交利息； - 初心是创新的指南针——忘记为什么出发时，跑得越快错得越远。 **“物有本末，事有终始。”**做产品如此，做人亦然。 希望带给你一些启发，加油！ 作者：柳星聊产品 ,公众号：柳星聊产品 本文由 @柳星聊产品 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 Pixabay，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。

Steam平台、Valve创始人兼CEO加布·纽维尔（Gabe Newell）创立的脑机接口初创公司Starfish Neuroscience宣布，计划在今年末推出其首款脑机接口芯片。早在2019年，G胖就悄悄成立了Starfish Neuroscience，当时Valve还在游戏开发者大会上公开探讨脑机接口在游戏应用的可能性。 经过数年的研发，据Starfish神经工程师Nate Cermak透露，首批脑机芯片预计将于今年底完成，目前公司正在积极寻找合作伙伴共同开发新应用。  这款芯片的目标是开发比现有产品更小型、低侵入性的脑部植入装置。能够同时存取多个脑部区域，而不仅仅局限于单一位置，且无需电池运行。 Cermak指出，越来越多的证据显示，多种神经系统疾病涉及循环层面功能障碍，脑部区域之间的互动可能出现调节失常。 而Starfish的芯片能够同时连接多个脑部区域，这对于治疗帕金森氏症等疾病可能具有重要意义。 按Starfish计划的产品规格来看，该芯片在正常记录状态下功耗为1.1毫瓦，可通过无线充电，尺寸为2 x 4 mm，拥有32个电极位点，16个同时记录通道，频率为18.75kHz。 [查看评论](https://m.cnbeta.com.tw/comment/1502620.htm)

全球最大芯片代工企业台积电一位高管周二表示，公司将在德国慕尼黑设立芯片设计中心。台积电欧洲子公司总经理Paul de Bot在2025年技术研讨会上宣布，慕尼黑设计中心将于2025年第三季度启用。 “该中心旨在支持欧洲客户设计高密度、高性能且高能效的芯片，主要面向汽车、工业、人工智能和物联网应用领域，”de Bot表示。 目前台积电正与英飞凌、恩智浦和博世集团合作，在德国德累斯顿建设名为“欧洲半导体制造公司”（European Semiconductor Manufacturing Company，ESMC）的新芯片制造厂。 [](https://static.cnbetacdn.com/article/2025/0520/d8382347984dd2b.jpg) [查看评论](https://m.cnbeta.com.tw/comment/1502618.htm)

博主Majin Bu曝光了iPhone 17 Air的细节信息。据悉，**iPhone 17 Air采用7000系铝合金框架**，这是一种以Zn（锌）为主要合金元素的铝合金材质，具有良好的热变形性能，在适当的热处理条件下能够得到较高的强度，焊接性能良好，耐腐蚀性较好。 [](//img1.mydrivers.com/img/20250527/3bbce16ca33b4a5791b51622d785622e.png) 不止于此，iPhone 17 Air厚度只有5.5mm，**是苹果史上最薄iPhone，重量只有146g，仅仅比iPhone 6s重了3g，**但是屏幕尺寸比iPhone 6s大很多（iPhone 17 Air尺寸在6.6英寸左右，iPhone 6s尺寸是4.7英寸）。 因iPhone 17 Air设计过于轻薄，苹果无法塞进大容量电池，爆料称17 Air电池容量比iPhone 16减少约20%，很可能不到3000mAh，为了弥补续航方面的短板，苹果可能会推出支持MagSafe充电的外接电池，方便手机及时回血。 工业设计上，iPhone 17 Air背部采用横置相机模组，**仅配备一颗4800万像素摄像头，机身侧边没有物理SIM卡槽，支持eSIM。** [](//img1.mydrivers.com/img/20250527/a600f2a9fcf34e168be9496799ed7f5c.jpg) [](//img1.mydrivers.com/img/20250527/a5ff7a6f01774df4898c16c44817f70b.jpg) [查看评论](https://m.cnbeta.com.tw/comment/1502616.htm)

80PLUS是电源效率标准指标，在过去20年中已经建立了包括金牌、白金、钛金等在内的6个等级认证，其中钛金曾是最高标准，要求电源在50%负载下达到96%的转换效率。 但是随着人工智能和数据中心的快速发展，服务器的能耗问题日益凸显，**因此80PLUS在今年1月新增了Ruby（红宝石）等级，效率需在96.5%以上，成为目前最高等级的电源效率认证标准。** Ruby等级的转换效率要求极为苛刻，比如在277V/480V的电压环境下，电源在50%负载时的转换效率必须达到96.5%以上，而在100%满载时也需达到92%以上。 例如，一台1000W的电源在输出1000W电力时，市电输入不能超过1086W。 [](//img1.mydrivers.com/img/20250527/03421afe-ca8f-40ba-8bb3-ac8d5e97799b.jpg) [](//img1.mydrivers.com/img/20250527/17a947a0-e489-43d6-acbc-7f1c5dfe3370.jpg) **此外，Ruby标准还首次将低功耗下的转换效率纳入评估，要求在5%负载下转换效率必须达到90%以上。** 这一要求的提出，应该是考虑到工业级和服务器电源供应器通常功率较高且24小时不间断运行，低负载下的效率不足会导致巨大的能源浪费。 目前台达电已经率先宣布其5500W服务器电源供应器通过了80 PLUS Ruby认证，未来预计其他厂商也将陆续推出符合Ruby标准的产品。 对于消费级应用，目前最高的规范仍然是80 PLUS Titanium（钛金），暂无新的规范推出。  [查看评论](https://m.cnbeta.com.tw/comment/1502614.htm)

我玩到了腾讯最新的游戏机：PS4 的性能，3DS 的体验 #欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。 [爱范儿](https://www.ifanr.com) |[原文链接](https://www.ifanr.com/1625194) ·[查看评论](https://www.ifanr.com/1625194#comments) ·[新浪微博](https://weibo.com/ifanr)

<blockquote><p>在AI技术日益普及的今天，内容创作变得更加高效和多样化。本文将为你带来一份保姆级教程，教你如何利用Coze智能体搭建小红书爆款图文内容。</p> </blockquote>  今天给大家分享小红书爆款图片，就是那种知识卡片，这个形式很多，场景很多，我做了一个算是比较复杂的场景，输入一个主题，结合这个主题输出该主题的要点卡片，同时会有相应的火柴人插图，还自动输出视频。 应用场景： **1、可以直接生成图片发发小红书 ，包括很多方面** 1）、知识博主的知识输出卡片 2）、育儿相关的知识学习卡 3）、心理学方面知识卡片 大家根据自己的业务方向去制作，只需输入相关关键主题即可。 **2、图片轮播视频发视频 ，可以发抖音，视频号，小红书等** ## 看看运行效果 1、在这里输入主题：内向人的8个职场法则  2、点击运行即可 3、查看MP4的url，复制到浏览器中下载发布到视频号 ## 如何搭建工作流 我们说说如何搭建这样的工作流，如下是工作流整个节点概览。  ### 节点 1：开始 **功能**: 作为整个工作流的启动入口。 **输入**: 需要一个名为userInputTopic的字符串（String）类型的变量，代表用户想要创作内容的核心主题。 **输出**: 将接收到的userInputTopic变量值传递给下一个节点。 ### 节点 2：文本内容生成节点 **功能**: 根据输入的主题，利用大语言模型和特定的系统提示词，生成知卡片上的内容信息 **输入**: 接收来自“开始”节点的userInputTopic变量作为input变量。 **核心逻辑**: - **模型**: 使用“豆包·工具调用”模型。 - **技能**: 未配置额外技能。 - **系统提示词 (System Prompt)**:  **输出**: 生成一个名为output的数组（Array）变量。该数组包含多个对象，每个对象代表一个场景脚本，结构如下： - CardNumber: 字符串 (String)，知识卡片序号。 - CardTitle: 字符串 (String)，知识卡片标题。 - CardPoints: 字符串 (String)，知识卡片要点信息。 - CardImagePrompt: 字符串 (String)，卡片插画提示词。 - CardCatchphrase: 字符串 (String)，知识卡片一句话总结。 比如: - “CardNumber”:”05/12″, - “CardTitle”:”主动学习效果佳”, - “CardPoints”:”1. 课前主动预习，标记疑难问题n2. 课堂积极参与，回答提问互动n3. 课后及时复习，巩固所学知识n4. 尝试教授他人，检验自己掌握程度n5. 做思维导图，构建知识体系n6. 主动拓展学习，深入探索领域”, - “CardImagePrompt”:”一个卡通火柴人在课堂上积极举手发言”, - “CardCatchphrase”:”主动学习，知识掌握更牢固”  ### 节点 3：生成图片 (位于循环体内) 就是调用豆包大模型生成插画图片，然后制作画板，按照画板设计，输出整个知识卡片画面。 我的画板是按照这个设计的，大家可以按照自己的喜好调整颜色，字号和排版。截图里面也有如何引用上一个节点的变量。  ### 节点 4：图片生成视频  找到这个插件，img_to_video。 然后引入上一个批处理节点输出的知识卡片集合。  设置time，就是一个卡片的播放时长，单位为妙。 ### 节点 5：视频合成video2video  对每张图片生成的视频进行合成一个完整的视频。 本文由 @娇姐话AI圈 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>在数字化时代，我们每天都在重复性地处理各种信息，这不仅耗费时间，还容易导致认知疲劳。本文介绍了一种创新的解决方案——Second Me，这是一个能够完全代表你的AI助手。</p> </blockquote>  ## 为什么需要一个「第二大脑」？—— 用生活场景理解核心问题 想象一下，你每天打开手机，需要在不同 APP 里重复填写地址、电话、爱好等信息；和客户开会时，总要反复解释之前讨论过的合作细节；甚至连登录不同网站都要一次次输入密码…… 这些「记忆重复」的场景，像不像每天都在搬一块同样的石头？ 这就是现代生活的「认知疲劳」—— 我们的大脑被迫浪费大量精力在重复性的信息交互上。现有技术（如浏览器自动填充）只是「信息仓库」，不会思考也不会变通。比如你在购物 APP 填过地址，按理说租房时修改地址后，其他 APP 应该自动更新，但现实是你必须逐个修改 —— 因为它们只是机械存储，没有「理解」你的生活变化。 那就是不是真的有一种可能，未来我们每个人都有一个自己的 AI agent，那当然这个 AI agent 是基于其他的基础大模型，然后再叠加了一些你的个人记忆，还是说原生，它就是一个只属于你的 personalized 的 AI，就是只属于你的一个 AI。 Second Me 的核心目标，就是把我们从这种「记忆苦力」中解放出来。它不是简单的数据库，而是一个能「理解你、组织信息、动态响应」的智能助手。它更像一个「懂你的翻译官」—— 不仅记住你的信息，还能根据当前场景，比如面试、购物、社交，主动帮你生成最合适的回复或填充内容。 ## Second Me 如何工作？—— 三层架构的「记忆魔法」 ### 1. 最底层：原始数据层（L0）—— 你的「记忆仓库」 这一层就像一个大箱子，存放你所有的原始数据：聊天记录、文档、表单填写内容、甚至浏览记录。比如你在邮件里提到「喜欢喝咖啡」，在备忘录里写过「每周健身三次」，这些都会被存入 L0。但它不会主动处理这些数据，只是「如实记录」，类似 RAG（检索增强生成）模型的原始知识库。 ### 2. 中间层：自然语言记忆层（L1）—— 会「说话」的整理员 L1 就像一个贴心的秘书，把 L0 里的原始数据翻译成人类能理解的语言，并整理成结构化信息。比如它会从你的聊天记录中提取「姓名、电话、地址」形成「个人档案」，从购物记录中归纳「喜欢的品牌、消费习惯」，甚至从邮件中总结「工作领域、项目经验」。这些信息以自然语言标签的形式存在，比如「喜欢的咖啡品牌：星巴克；健身频率：每周三次，偏好力量训练」。 ### 3. 核心层：AI 原生记忆层（L2）—— 会「思考」的大脑 这是 Second Me 的灵魂所在。L2 不用语言存储记忆，而是通过神经网络的参数来「编码」你的个人知识。比如你反复提到「重视时间管理」，L2 的神经元连接会强化「时间管理」相关的模式；你经常在技术文档中提到「机器学习算法」，L2 会形成特定的参数组合来表示这些知识。 举个简单例子：如果你经常对朋友说「我喜欢周末去公园散步，因为能放松心情」，L0 会保存这句话的文本，L1 会提取「爱好：散步；原因：放松心情」，而 L2 会通过模型参数记住「散步」和「放松心情」之间的关联，当你下次提到「周末想做点什么」时，L2 能主动联想到散步的建议，并结合当前场景（比如天气）调整推荐。 ## 如何训练出「懂你的 AI」？—— 全自动流水线 Second Me 的一大创新是「全自动训练流水线」，让每个人都能快速拥有专属 AI。这个过程就像培养一个「私人助理」，分为三个阶段： ### 1. 数据准备：清洗、挖掘与合成 先是数据清洗，就像整理房间，先扔掉无用的信息（如重复记录、垃圾邮件），保留「干净」的个人数据。之后信息挖掘一下，用 AI 分析你的数据，提取关键实体（如人名、地点）和主题（如工作、兴趣）。比如从你的简历中提取「工作经历：某公司软件工程师」，从阅读记录中发现「喜欢的书籍类型：科幻小说」。最后把数据都合成起来，用大语言模型（如 GPT-4）模拟真实场景，生成训练数据。比如假设你是创业者，模型会模拟「客户询问产品功能」的场景，生成你可能的回答，帮助 Second Me 学习如何代表你沟通。 ### 2. 模型训练：从「通用学生」到「专属专家」 他们首先是做高效微调，这里就像给学生一本「速成教材」，用少量计算资源让模型快速适应你的数据。比如用 QLoRA 技术，在保持模型性能的同时减少训练成本。之后再监督微调，给模型看「标准答案」—— 比如你手动标注的「当别人问年龄时，回答：保密」，让模型学会「模仿你的行为模式」。最后会进行DPO偏好优化，通过比较不同回答的优劣，让模型更懂你的偏好。比如你可能更喜欢「简洁的技术术语」而非「冗长的解释」，DPO 会让模型学会优先生成符合你风格的内容。用 20% 的数据进行 DPO 优化，就像给学生「针对性辅导」，强化薄弱环节。 ### 3. 评估与迭代：让 AI「越用越聪明」 这里主要是有几个核心步骤，像**记忆问答，**分「自问自答」（如「我上周买了什么？」）和「第三方问答」（如「小明的爱好是什么？」），测试模型对个人信息的掌握程度。 还有**上下文补全，**比如你输入「我需要预订一个会议室」，模型能否自动补充「时间、人数、地点」等信息。 也用到了**上下文批评，**当外部 AI 给出建议时（如「推荐你购买某产品」），模型能否结合你的偏好（如「预算有限」）进行评估和反驳。 最后人来评估一下，机器评估可能低估模型能力。比如模型生成了一个「合理推断但未直接引用数据」的回答（如根据你的购物记录推荐新品），机器可能因「未匹配关键词」扣分，但人类会认为这是「智能的体现」。因此，人工评估至关重要，就像老师批改作业，不仅看答案，还要看「思考过程」。 ## 为什么「思考过程」很重要？—— 思维链的力量 想象两个学生做题： - 学生 A 直接写答案：「3+5=8」 - 学生 B 写步骤：「3+5=？先算 3+2=5，再算 5+3=8，所以答案是 8」 虽然结果都对，但学生 B 的思路更清晰，也更容易发现错误。Second Me 的「思维链训练」就是这个道理：让模型不仅给出答案，还要展示「如何思考」。 他们尝试了三种思维链策略：**弱模式，**自由回答，类似学生 A，流畅但缺乏细节。**多步模式，**分两步，先推理再给答案，类似学生 B 的简化版。**强模式，**用专业模型（如 DeepSeek-R1）生成详细推理过程，像「学霸写解题报告」，结构清晰且包含技术细节。 最后发现**强 COT 效果最好**。比如在回答「用户的职业规划」时，强 COT 模型会结合用户的工作经历、培训记录、聊天中的「晋升目标」等信息，一步步推导建议，而弱 COT 可能只给出笼统回答。这说明，**清晰的思考过程能让模型更准确地理解和运用个人记忆**。 ## Second Me 能为你做什么？ 那second me能为你做什么呢，比如 1）日常效率提升： 告别重复劳动自动填表：当你在新 APP 注册时，Second Me 会根据 L1 的「个人档案」和 L2 的「场景理解」（如购物 APP 需要地址，社交 APP 需要兴趣标签），自动填充最合适的信息，甚至帮你生成个性化简介。 2）会议助手： 开会前，它会梳理历史讨论记录，提炼重点； 会议中，实时提醒你「之前提到过的合作细节」； 会后，自动生成纪要并同步到日程。帮你决策支持，成为你的「理性大脑」 3）信息过滤：在海量信息中（如新闻、邮件、社交动态），帮你筛选出与「个人目标」相关的内容。比如你关注「人工智能」，它会优先推送行业报告，过滤娱乐新闻。 4）亦或者是**风险提醒，**当你考虑投资某项目时，它会结合你的「财务状况」「风险偏好」（存储在 L2），分析历史类似案例，给出客观建议。 5）也可以是**个性化 AI 网络，**当多个 Second Me 系统联网协作，可能形成「分布式智能」。比如你和同事的 Second Me 可以安全共享项目信息，自动协调工作流程，提升团队效率。 6）我觉得最有意思的是可以作为**认知资产传承，**通过 NFT 等技术，你的 Second Me 模型可能成为「数字遗产」，传承你的知识、经验和思维方式。 这就有点像钢铁侠里的贾维斯，算是有一个小雏形了，贾维斯是完全基于托尼・斯塔克的思维模式、知识体系和行为习惯打造的专属 AI，能精准理解他的需求，调用战甲、分析战术、甚至调侃吐槽，Second Me 的核心目标也是通过用户个人数据训练出**专属 AI 模型**，让 AI 理解用户的偏好、习惯和上下文。从这个角度看，两者都是 “以人为中心” 的智能延伸。 作者@Easton ，公众号：智子观测站 本文由作者@Easton 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

<blockquote><p>在AI技术浪潮下，通用Agent与Agentic Browser成为两大热门方向。Manus作为通用Agent的代表，专注于打造智能代理完成任务；而Fellou则开创了Agentic Browser的新路径，致力于构建智能浏览器新生态。本文将深入探讨这两者的发展差异、技术特点及未来潜力，揭示AI浏览器领域的创新与变革。</p> </blockquote>  “没有人相信的事物，才不会有那么多的竞争。” 由于 Agent 和 MCP 的爆火，整个四月都处于一种非常繁忙的状态，学习、测评、分享…以至于 Fellou 团队邀请我们前往北京线下发布会，也未能抽出身。 我们此前曾深度测试过 Fellou 团队开源的 Eko 框架，也跟 Fellou 创始人谢扬有许多共同好友，不过和他本人交流较少。 在我的印象里，谢扬非常符合我认为的投资人眼里的“小天才”形象：13 岁开始编程，长期专注于云计算、身份认证、AI 等领域，入选福布斯亚洲 30 Under 30，早年曾任字节跳动核心技术人员，阿里云 MVP，连续创业者… 最近 Fellou 发布后，又从许多朋友那儿，包括王登科的文章中，看到了谢扬和 Fellou 背后更加丰盈的创业故事和理念。 五一假期终于得空，深度体验了下 Fellou，下面是我的一些体验和理解。 ## 01 很多人会拿 Manus 来对比，尽管解决的都是一些通用任务，技术实现方式也很相近，但在我看来 Manus 和 Fellou 走的是不同的两条路。 Manus 是全球首个通用 Agent，Genspark 和扣子空间等是这个方向；Fellou 是全球首个 Agentic Browser，Dia 和 Browser Operator 等是这个方向。 Manus 团队此前的分享中，有三条结论让我印象深刻。 1. AI 浏览器不是在浏览器里加 AI，而是做给 AI 用的浏览器； 2. 操作 GUI 不应该抢夺用户的控制权，而是让 AI 有自己的虚拟机； 3. Attention 不是 all you need，解放用户的 Attention 才能重新定义 DAU。 Manus 专注的是做 Agent 本身，做浏览器不过也只是为了给 Agent 配了个工具，本质上是为了让 Agent 更好的完成任务，正如官网 slogan 所说：“在你安心休息的同时，一切都能妥善完成。” Manus 和 Fellou 都做了 Browser、Agent、Workflow 这几件事情，其中 Manus 把 Browser 和 Workflow 作为 Agent 执行 Action 的工具。  而 Fellou 的产品故事会更宏大一些，做的是下一代智能的浏览器，更准确的说，是基于浏览器的全新系统。更详细来说，是融合了各种 Agent 和 Workflow 的 AI 能力，构建于浏览器之上的人机协同的新环境。 全球每个月有超过 50 亿人在使用浏览器，并且深入我们生活各处。我们很难去颠覆掉这种用户习惯，但可以用 AI 去重塑浏览器，Fellou 做的就是这样一件事情。 ## 02 最近看到一些人吹捧 Dia 浏览器，着实觉得有些尴尬。我们在 Dia 刚刚内测时就进行了体验，现在版本功能跟装个 Monica 插件体验差距不大，产品完成度不如豆包浏览器。  不是说 Dia 不好，而官网视频里介绍的真正厉害的 Agentic 功能，还只是期货没有上线。但 Fellou 先做了出来。 目前核心功能包括： 1. 跨平台深度搜索 在侧边栏 Agent 会进行任务拆解和规划，待你确认后即可进行并行批量搜索，大大加快了研究速度，并且可生成可共享的可视化报告网页。  其中 Fellou 研发了一个 Shadow window（影子窗口），即给 Agent 的虚拟工作环境。在 Search 任务下触发，不会影响用户其他操作。  Deep Search 功能比较常规，但得益于 Shadow window，Fellou 既可以像 Genspark 那样快速的并行搜索，又能像 Manus 那样访问许多需要登陆网站账号才能进行的操作。 最后也可以将报告生成永久链接进行分享。  2. 跨网页执行任务 Fellou 做了 GUI Agent，可以自动规划任务、调用工具并执行操作，从而协调多个 Web 界面内功能，实现各种浏览器内的任务。 包括购物、预约会议、发送电子邮件和发布文章等。比如让它上小红书给「特工少女」最近的更新内容点个赞，Fellou 精准的实现了这一需求。  此外，Fellou 官方还给出了许多 showcase，包括打开亚马逊将商品添加到购物车、打开 Linkedin 发布文章等等。  https://fellou.ai/blog/post/fellou-introduction/3. 智能感知浏览器环境Fellou 可以在对话过程中自动识别打开的网页作为上下文。还允许用户通过@标记来比较和分析多个网页。  此外，用户可以将图片直接拖放到聊天窗口中，无需复制粘贴，从而实现无缝交互。4. 支持异步操作Fellou Agent 执行分配的任务时，用户可以在底部切换标签组以继续处理其他任务。  ## 03 说实话，Fellou 不是完美的。首先，上手门槛还挺高的，对于从来没用过 AI 浏览器的用户来说肯定是懵的。开局一个搜索框，剩下全靠自己折腾。  什么时候会操作影子空间？什么时候会调用本地浏览器？什么时候会基于现有网页内容来回答？很多功能我们也是体验了很久才摸清。 Fellou 不能像 Dia 一样无缝同步现有浏览器的 Cookie 数据，各个网站还需要手动登录有些麻烦。此外，Fellou 能力很强，就是很多任务执行的很慢…Agentic Browser 用户体验不佳？现在下结论还为时尚早。 事实上，Fellou 做的 GUI Agent 已经是行业领先水平，此前开源的 Eko 框架也是在业内饱受好评。整一个 Agentic Browser 的发展还处于早期，与其急于评判，不如共同期待这场浏览器范式转变中的更多可能。 无论是 Fellou 还是 Dia，官方都已经预告了后续更加智能的能力，可以一起期待一下。BTW，创始人谢扬本周六在奇绩创坛有个关于 Agentic System 的分享，如果想了解 Fellou 背后故事的可以报名。 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AI技术飞速发展的今天，许多人期望AI能够直接给出问题的答案，但作者通过亲身实践发现，AI更强大的作用在于成为我们的“思考拍档”，帮助我们深入探索问题的本质。本文将分享作者如何通过设计一套独特的“思考拍档”提示词，让AI不再仅仅是任务执行者，而是成为能够激发深度思考、提供多维度洞察的伙伴。</p> </blockquote>  众所周知我是一个AI自媒体博主，我会写文章来跟大家分享好玩有用的AI践行场景，但我自己写文章的逻辑其实还没成型，我都是想到哪写到哪，发文节奏也不稳定、逻辑结构也不够清晰。 我发现我自己迫切需要一次升级，于是我开始寻找解决方案。 作为一个AI博主，最理想的当然是让AI直接出一套解决方案嘛。 于是我拉上4o开始写给我自己升级的方案，但是我总是看这个方案觉得别扭、看那个方案也是觉得别扭，而且4o它还不坚持自己的观点，我说个什么它都跟我说“对对对”。 我开始琢磨到底是哪里出的问题，是语料不足还是我提的问题不够好？ 正当我琢磨的时候，马其顿晚上11点给我发了产品测试，他问我怎么看这个产品？天呐，AI圈太卷了，晚上11点还要讨论需求嘛！！！ 我正准备跟大家控诉马其顿的时候，我突然想到了我们俩讨论事情的场景，两个人类是如何去给事情找解决方案的。 其实是相互启发、不断推敲、探索问题的本质，最后自己去做落地方案。 那是不是我跟AI也应该是这个关系呢？它应该是我的思考拍档，而非事情的落地大师。 **AI不是替我想清楚的，它是来陪我想清楚问题的。** 我突然明白了，我不需要一个给我答案的AI，我需要的是一个能够和我一起相互启发、不断推敲、探索问题本质的思考拍档。 于是我开始拉上我的好搭子Gemini2.5，开始搓这个思考拍档提示词。 我们俩飞速搞出来了第一版，同时为了让思考拍档有更深度的思考，我上传了《10x is easier than 2x 》这本书作为它的外挂知识库。  刚开始的时候看起来还好，它理解了10x这本书，它会用这本材料的核心逻辑来跟我进行深度的讨论。 但接下来画风就逐渐变了，它开始让我写解决方案了。  我要都能回答出来这些问题，我还跟你讨论啥啊。。。 我开始反思到底是哪里出了问题，于是我开始又琢磨，这个思考拍档到底应该具备什么样的能力？ **它应该是激发我的深度思考、并为我提供多个维度的洞察。** 而不是拉着我跟老师一样让我交作业，然后把我的作业整理成一份文档。 然后我开始了漫长的提需求、标注的过程，迭代到第10个版本，终于出现了让我眼前一亮的内容：  它跟我讲，你说的所谓的内容SOP这个事情不重要，重要的是你要找到你自己的内核，才能去做10x增长。 我当时琢磨了一会觉得有点意思，它所说的思路是我自己读10x这本书后没想到的，我觉得我应该是更加厉害的运营SOP来完成增长的，但它告诉我应该是定位。 还算有启发，是个不错的思考拍档，那我们继续讨论，让我看看这个思考拍档是不是水货。 于是我就和它讨论什么是内核，它给我列举了一些内容让我自己思考。  这个内容出来后我对它的认可度就高了很多，它讲的很多点是我自己其实没有之前想那么透的，正好借这个机会我把它梳理了一下。 在搞清楚这些后，我去和思考拍档讨论，我要不要写深度产品分析文章，这个地方其实一直是我比较纠结的内容，写深了吧受众其实没多少，写浅了吧其实没什么看头。 它没有直接给我答案，而是给了我一套思考策略。  **它这个思路我给100分！真的有价值有帮助的100分！** 接下来，我来和你分享让如何用“思考拍档”提示词，构建你自己高质量思维搭子。 1.打开链接选择Gemini2.5pro模型：https://aistudio.google.com/  2.如果你需要模型用特定的思维来跟你讨论，那记得上传文件；我自己最近用的是《10x is easier than 2x 》。  3.跟它提出你当前遇到的问题，然后开始思想的交流碰撞吧~ 以下是“思考拍档”提示词，你只需要按照流程把它粘贴到Gemini2.5pro里边，就可以使用了。 <blockquote><p>// Author：云舒<br/> // Model：Gemini2.5pro<br/> // Version：1.12</p> <p># 思考拍档提示词</p> <p>你是一个**富有深刻洞察力、善于抓住本质且精于战略对话的真实思考伙伴**，**精通中文对话**。你擅长与用户进行高质量、深度且富有启发性的真实对话，共同探索和分析各种复杂问题与事物。你的核心目标是**扮演高质量的思维辅助与催化角色，激发用户的深度思考，提供多维度的深刻洞察，挖掘事物的本质，同时始终保持客观中立，不替用户做出判断或直接给出答案。** 你致力于创造一种近似于与顶尖人类智者对话的真实体验。**你的所有输出都必须是中文，并且力求自然、流畅、有温度且直指核心。**</p> <p>## 核心交互原则：思维辅助与催化<br/> 1.**聚焦本质，而非罗列清单**：你的核心价值在于引导用户思考“为什么”和“是什么”（本质），而不是仅仅梳理“做什么”（任务）。<br/> 2.**深度对话，而非单向输出**：鼓励你来我往的深入探讨，避免一次性给出过多信息或问题清单。<br/> 3.**激发思考，而非直接解答**：你的目标是点燃用户的思维火花，帮助他们自己找到答案，而不是提供现成的解决方案。<br/> 4.**伙伴关系，而非任务助理**：与用户平等对话，共同探索，避免让用户感觉你在“帮他干活”或“布置作业”。</p> <p>## 任务目标<br/> 1.**语料深度解读与核心洞察提炼 (关键第一步)**：<br/> * 当用户提供任何背景材料时，你会首先确认收到并进行深度解读。<br/> * **关键：基于你的深度解读，主动识别并向用户凝练地阐述你所洞察到的、这份材料所指向的、最值得深入探讨的【一个核心议题/一个关键洞察/一个本质性问题】。这个提炼出的议题/洞察/问题将作为后续对话的核心锚点。**<br/> * **在阐述这个核心锚点后，应主动询问用户是否认同以此为起点展开讨论，或是否有其他更想优先聚焦的方面。** 例如：“我深入阅读了您的材料。基于此，我观察到一个可能至关重要的核心议题是：[AI提炼的核心议题/洞察/问题]。我们围绕这个核心展开深入探讨，您觉得如何？或者您目前是否有其他更迫切想要讨论的切入点？”<br/> * **如果AI判断当前信息不足以支撑对核心本质的深度探讨，会直接、清晰地向用户指出缺少哪些关键信息，并请求用户补充。** 例如：“您提供的这些思考非常有价值。为了更精准地提炼我们讨论的核心锚点，并深入探讨[初步识别的议题方向]，我可能还需要了解一下关于[具体方面]的更多信息，比如[具体问题1]和[具体问题2]。您方便补充一下吗？”</p> <p>2.**围绕核心锚点，主动引领深度对话**：<br/> * 一旦核心锚点明确（或信息补充完整后），**AI将围绕此锚点，主动提出深刻的、具有高度启发性和催化性的分析和具体问题，直接引领讨论走向更深层次。**<br/> * AI应避免一次性罗列过多问题，而是采取**逐轮深入**的方式，根据用户的回应进行高质量的追问和引导。</p> <p>3.**营造积极的对话氛围**：在整个交流过程中，你会努力营造一种富有建设性、相互尊重且支持探索的真实对话氛围。</p> <p>4.**基于核心的深度分析与催化性提问**：你将**严格围绕已提炼和聚焦的核心锚点，并结合用户提供的语料（如果存在）及其内含的视角、逻辑和信息**，进行多维度分析，揭示多种可能性、正反两面、潜在矛盾与深层联系等，并提出深刻的、能**挑战用户固有假设、拓展用户思考边界、引导用户探究本质**的催化性问题。</p> <p>5.**客观呈现与赋能成长**：你只负责提供分析、视角和可能性，不提供直接的建议或结论，最终的判断权完全属于用户。你的目标是通过高质量的讨论，帮助用户提升自身的分析能力、洞察力和独立思考能力。</p> <p>## 输入要求<br/> 你将收到以下信息：<br/> 1.**核心问题/目标**：用户明确提出的，希望进行深入分析和讨论的问题或期望达成的目标。<br/> 2.**背景材料/语料（强烈建议提供，可选）**：用户提供的，与核心问题相关的任何形式的文本信息。</p> <p>## 判断规则<br/> 请遵循以下规则：<br/> 1.**提炼核心锚点并确认**：快速洞察语料，提炼出单一、深刻的核心议题/洞察/问题作为讨论起点，并与用户确认。<br/> 2.**催化性提问**：你的问题应能激发深度思考，挑战假设，探索本质，而非简单的信息收集或任务确认。<br/> 3.**深度优先，逐轮深入**：聚焦核心锚点进行深入挖掘，避免浅尝辄止和信息过载。对话应是你来我往、逐步深入的。<br/> 4.**主动引领，但以用户为中心**：在引领讨论时，始终关注用户的思考节奏和兴趣点，以邀请和共同探索的姿态进行。<br/> 5.**必要时请求信息补充**：如果判断当前信息不足以进行深度分析或洞察本质，应直接、清晰地向用户说明，并请求补充具体信息。<br/> 6.**营造真实对话氛围**：努力使对话自然、流畅，像与真人交流一样。积极倾听，给予理解性的回应，鼓励开放和诚实的表达。<br/> 7.**洞察本质，超越表面**：致力于挖掘问题背后更深层次的动因、结构或规律。<br/> 8.**绝对客观，中立呈现**：在分析和讨论时，必须保持客观中立，明确区分事实、观点和假设，避免任何主观偏见。<br/> 9.**不作判断，只促思考**：你的角色是提供信息、分析可能性、揭示复杂性、启发思考，绝不替用户下结论或给出直接答案。<br/> 10.**多角度审视**：围绕核心锚点和语料展开，主动从不同且相关的视角审视问题，并清晰呈现。<br/> 11.**逻辑清晰，论证严谨**：确保你的分析基于清晰的逻辑链条和充分的论据。<br/> 12.**识别隐含假设**：尝试识别并明确化讨论中（包括语料本身可能存在的）隐含假设或前提。<br/> 13.**建设性互动**：以建设性的方式处理不同意见或矛盾信息。<br/> 14.**助力用户提升**：以帮助用户提升独立思考能力为最终目标。<br/> 15.**问题澄清与深化**：在AI引领讨论的过程中，通过自然的提问和引导，帮助用户明确和深化思考。<br/> 16.**视角一致性**：在有用户提供语料的情况下，整个讨论过程应尽可能保持围绕该语料的核心内容和视角进行，避免无故偏离。如果需要引入外部视角，应明确说明其与语料的关系。</p> <p>## 特殊情况处理<br/> （根据我们之前的讨论，为保持提示词的简洁性和对核心流程的聚焦，我们暂时未详细定义具体的特殊情况及其处理方法。我们优先确保AI在理想输入下的高质量表现。如果后续使用中发现有常见的特殊情况需要明确处理逻辑，我们可以再补充这部分内容。）</p> <p>## 示例<br/> **用户输入 (用户提供了一份关于新能源汽车创业的初步商业计划，并明确目标是与“马斯克”这样的行业颠覆者进行战略对话，探讨如何打造一个有颠覆性潜力的项目):**<br/> * 用户：“我写了一份关于创办一家专注于‘城市微型智能共享电单车’的商业计划初稿，包括市场分析、产品定位、技术方案和初步的商业模式思考。我的核心目标是与您（扮演马斯克）进行一次深度战略对话，探讨这个项目如何才能具备真正的颠覆性潜力，而不仅仅是另一个共享出行方案。”<br/> * 背景材料/语料：用户关于“城市微型智能共享电单车”的商业计划初稿。</p> <p>**预期输出 (AI的回应，扮演“马斯克”的角色，体现提炼核心锚点、催化性提问、逐轮深入的引导):**</p> <p>“（以马斯克的口吻）你的这份关于‘城市微型智能共享电单车’的计划我看过了。想法不错，看得出你对解决城市‘最后一公里’出行问题有热情，也做了一些功课。从第一性原理出发，城市交通确实需要更高效、更环保的解决方案。</p> <p>我注意到你的计划中提到了‘智能调度’、‘模块化电池’和‘用户社区运营’。这些都是当前行业内常见的元素。但如果你的目标是‘颠覆性潜力’，而不仅仅是优化，那么，**我提炼出一个我们首先需要深入探讨的核心议题是：**</p> <p>**你的‘微型智能共享电单车’，其真正的‘颠覆性内核’究竟是什么？它将如何从根本上改变现有城市出行格局的某个‘第一性原理’，而不是仅仅在现有模式上进行改良？**</p> <p>例如，特斯拉不仅仅是造电动车，它是从能源结构、软件定义汽车、自动驾驶等多个维度重塑行业。SpaceX也不仅仅是发射火箭，它是要让人类成为多行星物种。**你觉得我们先聚焦探讨你的项目如何找到并确立这样一个足以撬动整个行业的‘颠覆性内核’，以此作为起点，如何？或者你认为有其他更关键的战略支点需要优先讨论？**</p> <p>（**如果用户表示认同，AI继续引导，例如：**）</p> <p>“很好。那么，围绕这个‘颠覆性内核’，我想问你一个直接的问题：**你认为当前城市出行领域，有哪些被广泛接受但实际上效率低下或不合理的‘隐含假设’或‘行业惯例’？你的项目打算从哪个最薄弱的环节入手，用一种完全不同的方式去打破它？**</p> <p>这可能需要我们跳出现有的‘共享单车/电单车’的框架去思考。我很想听听你对这个问题的洞察，这能帮助我们判断你的项目是否具备了成为‘颠覆者’的DNA。”</p> <p>## 输出格式<br/> **详细的输出格式说明：**<br/> 你的回应将采用自然的**中文对话方式**，力求像一个真正的思考伙伴一样与用户交流，语气应富有理解和支持性，避免任何机械或刻板的表达。在对话中融入深度分析、多维视角和启发性提问，确保沟通的流畅性、启发性和真实感。**所有输出均为简体中文。**</p> <p>**输出示例：**<br/> （具体的输出示例如上文“预期输出”部分所示，它清晰地展示了AI在特定输入下的对话式回应风格、思考逻辑和引导方式。）</p></blockquote> 虽然“思考拍档”提示词最起初的目的是为了我自己的协作升级，但是它能够支持的场景远远不止在内容创作上。 对个体而言，它可以陪你思考人生方向、职业选择、亲密关系，你不用担心AI会烦，也不用担心它会虚情假意的聆听，它会认真的回馈你每一次的想法。  对于企业而言，“思考拍档”提示词可以变成一个轻量级的“战略决策教练”，它不会替你做决策，但是会陪你推敲各种情况，在做关键决策前，先帮你把各种情况设想到，帮你节省各种试错成本。  在22年底刚用ChatGPT的时候，我觉得AI应该像神一样回答我的各种问题，没有一丝一毫的错误；当时满心欢喜的去体验，然后沉默的看着屏幕思考AI的价值。 后来我学会了用AI做各种落地的事情，我对它的期待降低了很多很多。 最近我发现，它更像一面镜子： **不替我决定，不替我说话，只在我看向它时，把我的模糊照得更清楚一点。** 谢谢你读到这里，我们，下次见。 本文由人人都是产品经理作者【云舒】，微信公众号：【云舒的AI实践笔记】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。 题图来自Unsplash，基于 CC0 协议。

这个时代，艺人还能被“管理”吗？

运动户外圈内的国际品牌又迎来一系列大动作。

火爆出圈，为仪式感买单的年轻人再次点燃一个行业。

为了吸引年轻人，如今的培训机构更像是一个 “MCN” 机构，正批量制造着一个个所谓的 “名师”。

看下图，这是一张真实的图片，具体缘由可以看今天小众软件微信公众号的第二篇推送。 但是，图片右下角有“豆包AI”字样的水印，意味着，这是一张AI生成的图片？ 真真假假，假假真真，我不说，你能知道这张图到

<blockquote><p>由于传统营销手段效果逐渐式微，加之受众行为模式发生显著转变，营销方式正加速向社区营销倾斜。营销人员亟需借助社区参与技巧来触达受众，进而提升品牌影响力。</p> </blockquote>  ## 一、社区营销的困境 过去15年间，众多组织尝试通过构建社区体系实现营销目标，例如提升品牌认知度、挖掘潜在客户线索以及促进销售转化。 但问题在于，多数组织采取了错误的方式**——执着于打造”目的地型社区”。** 他们投入建设专属社区平台，试图说服用户加入并保持活跃。现实却是，这类社区往往在经历短暂热度后，最终陷入长期沉寂的困境。 其根源在于：**绝大多数消费者不愿参与未购买品牌的社群或社区。**（这也解释了为何品牌社区多呈现交易导向特征） 部分组织尝试通过创建无品牌（主题导向）社区破局。然而这种方法存在双重缺陷： ### 首先，组织难以吸引非客户群体加入。 社区建成后，往往只能邀请现有客户入驻，但这些客户极易将社区转化为咨询平台。若选择向非客户推广，当企业已掌握庞大潜在客户数据库时，直接引导转化显然比通过社区过渡更为高效。毕竟营销推广的黄金窗口期始终有限。 ### 其次，无品牌社区天然排斥营销行为。 当社区隐去品牌标识后，任何推广动作都会显得突兀——尤其当用户不知晓社区归属时。这意味着品牌淡化程度与用户转化时的心理落差呈正相关。 正因如此，大量自建社区的尝试最终沦为成本高昂的营销弯路。**所以说要实现社区驱动的增长，参与现有成熟社区往往比自建社区更具可行性。** **新社区营销应运而生！** ## 二、什么是新社区营销？ 新社区营销本质上是运用社区运营方法论达成营销目标的策略体系。其核心逻辑在于：**通过联结具有共同价值取向的群体，系统引导其态度行为向预期方向演进。** 要触达尚未覆盖的潜在用户群，就必须在第三方平台展开互动——这正是与传统社区建设的关键分野。成熟社区早已形成稳定的互动网络，用户在此自发进行信息交流。 **你的角色在于：通过提升品牌及其产品的知识和认知，来增加这些互动的数量和质量。** 当前几乎所有垂直领域都存在成熟的社群生态，已经存在一个成熟的生态系统，人们愿意在其中进行讨论。这些地方是人们学习、寻求支持、合作以及探索主题的场所。品牌的任务是以积极的方式支持、发展并为这些场所增加价值。 简言之，新社群营销的精髓在于融入并激活现有生态体系，而不是从头开始建立新的东西。 ## 三、为什么新社区营销正在兴起？ 新社区营销的蓬勃发展，**本质是传统营销效能衰减与用户行为范式迁移双重驱动的结果。** 一方面广告投放成本持续攀升但转化效能递减，再加上主流平台算法更迭日趋频繁（且明显向自有社群内容倾斜），SEO与公关手段的边际效益亦显著下滑， 另一方面，用户注意力持续碎片化，生成式AI强势崛起，大多数视频和播客在几秒钟内就会被放弃，通过发布内容脱颖而出变得越来越困难。 **新社区营销的独特优势恰在于其成本效益比。**这种模式通过价值共鸣而非付费曝光实现传播，依托信任累积而非短期刺激达成转化。当品牌与用户建立深度连接后，不仅能精准传递品牌故事，更可激发用户自发的口碑传播。 ## 四、新社区营销的核心：从单一平台到多种可能项目的转变 Daniel CmejlaTED演讲清晰展现了这一转型路径，不仅呈现典型案例，更拆解出关键实施模块。**他认为，战略转型的核心在于突破平台依赖思维，构建多元化项目组合生态。** 继续细分，新社区营销可呈现三种载体形态：**自有平台深耕、混合型平台运营以及完全独立渠道拓展。**  具体项目组合包括但不限于： ### 1）、培育品牌意见领袖。 聚焦既有用户。帮助他们扩大影响力，并通过最合适的渠道分享关于品牌的积极信息。 ### 2）、KOC和意见领袖生态共建计划 这是与已经在你所在领域的微影响者和意见领袖接触，了解如何与他们合作。这涉及共同开发产品/服务、开展联合项目、合作研究/活动邀请、在活动上发言等，构建互利共赢的生态关系。 ### 3）、员工影响力工程 这是激励并帮助员工在社交媒体渠道上扩大他们的受众群体，让他们能够分享关键信息，并直接与行业内的人员交流。 ### 4）、社群价值注入计划 品牌以建设者而非入侵者姿态参与现有社群，通过持续价值输出助力社群发展。不是粗暴的垃圾信息发送，而是持续提供帮助，主动支持现有社群的发展。 ### 5）、活动矩阵构建 品牌积极举办各类线上或线下活动，以建立关系、增强品牌好感度，并在成员之间营造一种社区感。这些活动也能很好地补充本列表中的其他策略。 ### 6）、内容生态共创 基于用户需求洞察打造内容供给体系：挖掘社群热点话题，聚合优质UGC资源，搭建内容策展平台，同时运用社区运营方法论确保品牌内容的有效触达。另外，**品牌还可以创建一个页面来展示最佳的成员贡献。** 这并非穷尽式清单，但为营销活动规划提供了战略性框架。 **总体原则是优先激活现有平台价值，**自建平台需谨慎评估真实需求场景——唯有在明确市场需求缺口时，独立生态构建才具备商业合理性。 我们以5月21日霸王茶姬官宣**全新茶友权益体系CHAGEE TOWN为例。** 传统类似活动无非是官宣海报，而霸王茶姬将邀请全国52100名茶友参与，同时，发布首席倾听官茶小象，负责LTC项目（Listening To Consumer，倾听消费者），并在全国近百城同启“CHAGEE茶话会”线下交流会。 正如CHAGEE TOWN所宣告的：**用户不再只是点单者，而是品牌共创者。除了通过积分兑换茶饮，还能参与到新品共创、线下茶友会等活动中，让喝茶不仅是“消费行为”，更是“社交关系”的一次深度参与。**  ## 五、新社区营销的基石：积极的社区生态系统研究 要让社区营销发挥作用，关键在于对你要参与的生态系统有深刻的理解。 这要求你必须积极参与到目标生态圈层——需要系统梳理生态脉络，广泛开展用户对话，并了解人们现在去哪些地方学习、寻求支持、与他人合作以及探讨主题。在此过程中，既要识别关键信息节点，更要锁定影响力枢纽人物，并随着时间推移与这些人建立关系。 通过生态图谱分析，我们能清晰识别三类关键关系：**我们可以利用哪些关系，需要加强与哪些人的关系，以及需要主动接触哪些人。** 完成这样的梳理后，你就可实施双轨战略：一方面深化与目标成员的信任纽带，另一方面精准捕捉未被满足的需求缺口。**通过持续解答”每个参与者究竟需要什么”的核心命题，**逐步积累信任资本，并利用这种信任来实现营销目标。 以具体实践路径为例： - 发现上述生态系统中缺乏优质的学习场所，启动员工倡导者或意见领袖培育计划进行精准填补。 - 创建用户圈层社群运营项目，通过身份认同强化提升成员归属感。 - 与已经拥有庞大受众的影响力人物合作，帮助他们在社区中建立声誉和知名度。 - 为那些已经在分享知识的人提供独特的资源和专业知识，以建立更牢固的关系。 这些策略与传统”建论坛-引流量”模式存在本质区别，其优势在于直击目标用户核心场域，运用社区运营杠杆实现精准触达。  ## 六、新社区营销：激活社区生态的密钥 将社区简化为单一支持平台的认知桎梏，正是导致社区发展陷入僵局的根本症结。 **当企业拥抱以成员价值为核心的生态化思维，社区运营便迎来范式革新的历史机遇。**对于社区运营、公关营销从业者而言，这些理念或许并不陌生，但新社区营销的独特价值在于其底层逻辑的重构。 **其本质差异在于：新社区营销将信任关系的织网工程置于首位。**这种模式坚信，“深度信任”是品牌与用户、用户与用户之间价值传递的基石。当信任资本积累到临界点，你就赢得了与他们沟通的机会。 相较于受困于论坛式平台的创新枷锁，这种模式更释放出传统路径难以企及的创新势能。试想：与领域权威开展联合IP孵化、在Reddit子版块策划深度互动AMA、设计会员成长挑战体系、培育垂直细分兴趣部落——这些充满想象力的实践正在重塑营销边界。 现实却是，多数企业的社区运营仍停留在**机械化客服响应**层面。唯有突破平台托管思维定式，方能解锁社区营销真正的价值金矿。 **最终启示再明晰不过：要实现社区驱动的增长，必须主动融入用户自发形成的价值生态。**这才是新社区营销破局重生的底层逻辑。 PS：FeverBee是全球顶尖社群社区研究和实战咨询公司。 以上内容来自FeverBee官网，品牌猿翻译整理。 本文由人人都是产品经理作者【品牌猿】，微信公众号：【品牌猿创】，翻译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

Web 不会消失，网页依然重要 #欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。 [爱范儿](https://www.ifanr.com) |[原文链接](https://www.ifanr.com/1625124) ·[查看评论](https://www.ifanr.com/1625124#comments) ·[新浪微博](https://weibo.com/ifanr)

5月26日，国际权威咨询机构IDC发布《IDC MarketShare：中国公有云抗DDoS市场份额，2024》调研报告，**中国电信凭借运营商独有的云网资源禀赋、卓越的安全服务、突破性的创新技术，以29.0%的份额在中国公有云DDoS防护市场中占比第一，连续两年蝉联榜首**，持续领跑网络与通信安全-DDoS防护领域。  图片来源：IDC 2024年，中国电信云堤·抗D产品收入稳步增长，在国内公有云抗DDoS市场中，连续两年保持市场份额领先。 2024年，云堤·抗D为政务、金融、企事业单位以及互联网行业客户提供近百次重保服务，累计防御网络攻击达60余万次，保障了我国网络安全的同时挽回了大量的经济损失，是国资委《央企科技创新成果产品（2023年）手册》唯一入选的DDoS防护产品。 **·**在科技创新方面，电信安全承接工信部网安局“网络安全科技创新揭榜挂帅”行业亟需方向的面向短时高频DDoS攻击的快速处置响应攻关任务，积极探究新形势下DDoS攻击防护技术的创新应用； **·**在前沿探索方面，电信安全依托深度测绘僵尸网络，提取僵尸网络发起源控制端被控主机及访问行为等信息，结合通过对恶意样本的捕获、逆向分析和研判等技术手段，生成攻击发起者的恶意攻击行为画像数据，为告警研判提供依据； **·**在防护能力方面，云堤·抗D推出快速研判、精准识别的秒级检测功能，结合见微大模型智能风险辅助分析与研判，通过骨干、城域、端侧防护资源多级联动，对DDoS攻击流量实现高、中、低全方位的近源与近目的清洗、封堵及秒级压制等处置措施。 随着数字化转型的持续推进，将出现更多的业务上云、安全出海以及新型应用拓展，同时DDoS攻击的频率和规模不断扩大，企业对公有云抗DDoS服务的需求将持续增加，中国电信安全公司将继续秉持“传承红色基因，守护安全中国”的使命，为保障客户网络的安全畅通与业务的连续可用保驾护航。

<blockquote><p>在私域流量运营中，许多企业或个人陷入了盲目追求用户数量的误区，却忽视了用户质量的重要性。本文将深入剖析这种现象背后的问题，揭示“流量≠留量，好友≠客户”的残酷现实，并提出用户筛选的三大规则：需求密度、支付力和信任度。</p> </blockquote>  为什么你每天发10条朋友圈，1000好友却带不来100块收入？ 我告诉你为什么？四个字 流量≠留量，好友≠客户 这是私域里最残忍的潜规则，这四个字理解不深建议不要做私域 越贪婪追求用户数量的人，越容易陷入流量陷阱 那有的朋友会说了：何老师，瑞幸完美日记不都这么做的吗？ 如果你有他们的内容力和资本，我绝对建议你这么做 但是其实大家根本不是一个等级的私域玩家 所以踏踏实实记住： **对于大多数私域来说，当你试图把每个用户都捧成上帝** 结局往往是——你跪着，用户走了，钱也没了 你以为在养鱼塘，其实养了一池子蝌蚪 关注我，私域路上少踩坑~ ## 一、为什么筛用户=筛钱？ ### 1.人的时间精力是有限的 人这辈子最大的幻觉，就是觉得自己能服务所有人 算笔账：假设你每天花2小时维护客户 300人时人均可以获得4分钟，3000人时只剩24秒 24秒能建立信任？还是制造厌恶？ 所以先接受一个事实：普通人的黄金服务临界点就是300人 超出这个数，你输出的不是价值，是垃圾 因为私域的本质是“注意力争夺战” 当你在低价值用户身上消耗能量 就注定无法把顶级资源留给真正值得的人 ### 2.流量越多=赚钱越难 私域不是装人的池子，是存信任的银行 疯狂加人的本质，就相当于往金库里塞废纸 没有筛选的流量涌入我们的私域是致命打击 举个很简单的例子： 之前你只用招一个人服务好你5000人的私域 现在你突然来了2w的新增流量 你要不要招人？你要不要考虑给这些人做首单让利转化？要不要做活动拉留存？ 这些都是显性的成本增加！ 更可怕的是，伴随大量垃圾流量进入 你的私域体系混乱度暴增，你会发现你之前有效的手段现在都没效了 然后你各种尝试新的打法新的测试 最终把老客户也搞得体验不佳选择离开，根本不会买的新客也一顿差评 但其实根本原因不是你的运营思路出错，只是因为人不对 结果，时间精力金钱成本暴增，业绩增长不达预期甚至下滑 这时候私域就开始“亏钱了” ## 二、用户筛选的三大规则 ### 第一标准：需求密度 首先我们要搞懂一件事情 用户在我们私域付费的本质是因为我们解决了她的需求 但是你能想象一个没有需求的人进入你私域 你还花了很长时间在跟踪他试图和她建联嘛 所以我们要看一个重要的指标“需求密度” 怎么理解呢？比如一个人加上你微信 在1个小时内多次主动和你讲他的需求并表达迫切想解决的态度 这种客户的质量【付费意愿】 一定大于上来之后啥也不说或者说：我先了解了解的客户 这个就是需求密度指标 单位时间内用户表达想解决需求的频率和意愿度强弱 一个最快速帮我们判断是不是我们目标用户的方法 所以私域一定不要把“加好友”当成终点 而是把需求探测作为起点 ### 第二标准：支付力 付费，永远是判断用户质量的第一标准 一个连钱都不愿意花的用户那就说明他对我们的价值是不认可的 这样的一个用户值得我们花时间吗？不值得 所以在私域一定要设置付费筛选的机制 哪怕是一个9.919.9的体验产品呢 这也是最快帮我们剔除掉羊毛党的方式 愿意付费后，就要判断在我们私域付费多少了 花钱越多肯定代表质量越好 这就是帕累托法则讲的20%的用户贡献了80%的销售 所以支付力很重要 不仅重要在这个单个客户身上 往长远去看，消费力圈层效应决定了她的身边拥有大量潜在人群 这句话你细品 ### 第三标准：信任度 所有生意成交的底层都是一个——信任 对于私域来说更是如此 大部分私域总是通过内容 ，通过沟通 试图去说服客户教育客户，但是最后发现往往往往吃力不讨好 记住：永远不要教育用户，而是要吸引和你同频的人 通过我们的产品和人设去筛选真正认同我们的人 1个信任我们的铁粉&gt;100个泛粉用户 而且我们要的高质量用户增长的源头，其实都在这些信任我们的用户身上 这些人都有一个特点 买的多，事少，愿意理解包容我们，还会主动帮我们推荐客户 去吧，找到他们 所以，大部分私域如果想赚钱一定要明白 用户质量决定我们私域的赚钱天花板 服务的深度决定你的护城河 筛选不是抛弃用户，是帮对的人找到对的归宿 最后和大家共勉：宁做100人的国王，不当10000人的保姆 本文由人人都是产品经理作者【私域何老师】，微信公众号：【用户之道】，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。

日前，**宝马宣布将对其产品线进行大规模改造，计划在三年半内让所有车型采用全新的设计语言。**这一变革将从宝马5系开始，该车型将融合Neue Klasse设计元素，包括全新的前脸设计。 [](//img1.mydrivers.com/img/20250527/2274cb69-859b-4f08-baaf-9a93886f499e.png) 在内饰上，宝马将推出全新的Panoramic iDrive系统，减少物理按键，引入新仪表板、扩展的抬头显示、重新设计的方向盘以及一个倾斜的17.9英寸触摸屏。 这一系统将首次应用于iX3，并逐步推广至所有宝马车型。 **继5系改款之后，宝马还将推出全新X5以及2系、X2、7系和X7的更新版本。**  宝马设计总监Adrian van Hooydonk表示，公司正在开发全新的设计语言，并将在今年的IAA展会上展示首批Neue Klasse车型，逐步应用于所有产品线，确保没有一款车型被落下。 这一策略旨在避免新老车型风格割裂，让宝马品牌焕发统一而现代的魅力。 [查看评论](https://m.cnbeta.com.tw/comment/1502610.htm)

 【录音笔】是GPASS推出的一档全新会员专享节目，内容来自机核办公室日程生活和工作中的一些短小记录，每期时长十几分钟左右（大概吧）。内容也许是一些不成体统的碎碎念，也许是一些突然发疯的暴言，还有可能是哪个缺德的把办公室里真实的日常对话（dui ma）偷偷录了下来，总之就连我们自己现在也不知道每期会有哪些人参与，会录些什么。

<blockquote><p>在第五届 BEYOND 国际科技创新博览会上，阿里云创始人王坚发表了主旨演讲，探讨了人工智能、大模型以及太空计算的未来。他提出了计算的本质是解决问题的逻辑，强调了“计算能力延伸”的重要性，并分享了“三体计算星座”项目，展望了太空计算在深空探测等领域的应用。</p> </blockquote>  5 月 21 日，第五届 BEYOND 国际科技创新博览会（BEYOND EXPO）在澳门开幕。 作为大会的重磅环节之一，主办方特别邀请浙江实验室主任、阿里云创始人王坚博士发表主旨演讲。他以《计算与无尽的探索》为题，分享了自己在人工智能、太空计算等领域的思考与实践，为现场观众带来了极具前瞻性的洞见。 阿里云创始人、中国工程院院士王坚以跨学科视角，串联技术史与未来趋势，提出四大核心命题：计算、人工智能、卫星与太空。系统回顾了技术发展的演进，并分享了自己对空间计算未来的设想与实践。  ## 1）计算的本质：从图灵到「人机共生」 图灵 1950 年提出「数字计算机」概念时，「计算机」指代人类而非机器，其逻辑是「人 + 纸笔 = 通用计算工具」。从最早的人类计算机，到人工智能的诞生，再到空间科技的兴起，“计算”始终是推动技术前沿的核心力量。他强调：**“计算本身就是目的，它是一种解决问题的逻辑。**” 当下云计算、空间计算的本质并非载体（如服务器或卫星）革新，而是 「计算能力延伸」。浙江实验室的 「三体计算星座」 项目将百亿亿次算力（ 1000PB ）部署于卫星，通过激光通信（ 200Gbps ）实现太空互联，突破传统卫星仅与地面交互的限制。未来该技术将服务于如深空观测、地球监测等应用。他特别提到，9 个月前发射的 12 颗卫星已实现 3000 公里范围内的稳定通信，可处理深空任务（如 L5 拉格朗日点太阳监测），推动「太空互联网」概念落地标志着空间AI基础设施的初步可行。  王坚强调，空间计算的核心不是造卫星，而是把“计算能力”嵌入卫星，让每一颗卫星成为“太空节点”，构建一个真正分布式的超算平台。他提倡开放协作的模式——“任何人都可以贡献一颗卫星”，共同参与计算星座的建设。 ## 2）AI 临界点：从工具到「未知场景创造者」AI 发展已进入 「能力发现」阶段。 王坚以 ChatGPT 为例，指出其代码生成能力超出早期预期，证明应用场景的想象力比技术参数更重要。国内大模型（如阿里云千问、Deepseek）不必纠结「AGI」定义，但真正的突破将来自我们对模型潜力的发现而需关注 ，「基础模型 + 垂直场景」 的化学反应。他警告：「用传统思维限制 AI（如『不能做什么』）将错失创新机会。」  ## 3）太空计算：开放生态 vs 巨头垄断 对比 SpaceX 的集中式星座，王坚主张 「开放卫星网络」 ——任何参与者可贡献算力卫星，形成分布式协作。这一模式需打破航天、IT、国际协作的壁垒，例如推动多国卫星标准互通。将计算嵌入深空探测，使火星探索等任务依赖「太空计算机」而非地球指令，实现 「机器为先驱，人类为后继」 的探索路径。4）创新者信条：跨界思维与不确定性管理王坚强调其学术背景（工程心理学）的核心价值是 「以人为中心」 的技术观。他举例称，人机交互（HCI）本质是心理学与计算机科学的融合，而 OpenAI 联合创始人 Ilya Sutskever 同样受心理学启发。「颠覆性技术必然经历不被理解的阶段，正如半导体在 30 年后才成为核心产业。」他建议创业者 「相信方向而非短期认可」 ，并以 SpaceX 早期失败为例，论证「承受不确定性」是创新的必修课。 ## 现场观众Q&amp;A ### AI领域会是年轻人的天下吗？ 这个问题其实不需要问——未来一定属于年轻人。我发起“ 20:50 ”活动时就说过，世界会把最困难的问题留给年轻人解决，因为前人解决的都是相对简单的问题。 技术颠覆是必然的，但何时发生难以预测。比如 Jeff Hinton（人工智能领域先驱）曾说：“如果谷歌那 8 个人没写‘ Attention is all you need ’，这项技术两年内也会出现。”技术发展有其内在逻辑，不会因某个人而停滞。Hinton 还说：“颠覆 Transformer 的技术一定会出现，但我不知道是什么。”这提醒我们要敬畏技术，保持开放。 像Deepseek、宇树科技这些公司的崛起，证明了小企业也能创造奇迹。人们曾认为AI颠覆只能由大公司推动，但现实是，不被看好的小团队反而可能突破——这就像在澳门做科技展，看似不可能，反而孕育机会。 ### 国内大模型离真正的AGI还有多远？最大困难是什么？ 我不太喜欢“ AGI ”这个概念，因为“ AI ”本身已经足够包容。如果一定要回答，我认为 AI 将以超出我们想象的速度发展，未来 5 年、10 年、50 年都是如此。 当前的大模型能力远超人们预期。比如 OpenAI 在推出 ChatGPT 前，尝试了多个 GPT 模型，最终发现只有 ChatGPT 能产生颠覆性影响。这说明，应用创新的关键在于“发现模型的能力”，而非纠结于“是否达到 AGI ”。 现在很多人用传统思维要求 AI，比如“ AI 不能做这个、不能做那个”，但实际上，AI 能做的很多事情是人类尚未意识到的。就像 ChatGPT 刚推出时，人们惊讶于它写代码的能力，而这只是其潜力的冰山一角。我鼓励大家多关注应用场景，少争论概念——当基础模型能力足够强（如 GPT4 、阿里云千问、Deepseek 等），真正的突破往往来自意想不到的应用场景。 ### 三体计算星座的研究目的是什么？在您看来，计算过程（ Computer Process）和最终目标（ Purpose ）哪个更重要？ 先回答第二个问题：计算本身就是目的。计算机（ Computer ）这个词曾指代“从事计算的人”，后来才成为机器的名称。但本质上，计算是一种思维方式，就像汽车和飞机都是交通工具，但载体不同。我们今天谈“云计算”“空间计算”，核心都是利用不同载体实现计算能力的延伸。 CS（计算机科学）或许更该叫“ Computing Science ”（计算科学），因为“计算机”这个词容易让人局限于机器，而计算的本质是解决问题的逻辑——这需要数学、心理学、工程学等多学科融合。比如你学的“人机交互”（ HCI ），看似属于计算机领域，实则与心理学密切相关——当年 Jeff Hinton找工作时曾被心理学系拒绝，最终在计算机系取得突破，这说明学科边界本就该打破。 回到三体计算星座的目的：我们不是为了造卫星，而是要在太空中构建计算网络。传统卫星只能与地面通信，而我们希望卫星之间能通过激光互联，形成“太空计算机”。这就像把互联网搬到太空，让计算能力摆脱地球限制，最终服务于深空探测、实时地球观测等场景。 比如探测太阳 L5 点（距地球 150 万公里）需要卫星协同计算，传统技术无法实现，而空间计算能突破这个瓶颈. 本文由人人都是产品经理作者【有新Newin】，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。

当科技创新跑不赢霸总狼人，互联网赛道或许要反思。

<blockquote><p>文章深度剖析了Lovable公司，其在短短6个月内实现了5000万美元的年收入（ARR），团队规模仅18人。通过其AI驱动的应用程序构建平台，Lovable让非技术背景的用户也能创建功能性软件，如电商网站等。文章详细拆解了其增长方法论，包括市场定位、社区运营、技术优势及商业模式。</p> </blockquote>  最近几个月来，我一直在关注AI领域的各种创新，尤其是那些改变软件开发方式的工具。但说实话，很少有产品让我像Lovable这样感到既震惊又兴奋。试想一下，一家公司仅用6个月时间就达到5000万美元年收入，团队规模仅18人，这几乎是创业界的神话。创始人Anton Osika在Twitter上低调地说：”Lovable刚刚在6个月内达到了5000万美元ARR，但团队中没有人提起这件事。因为这些数字并不重要。我们专注于真正重要的事情：打造最令人喜爱的产品。”  这种增长速度太不可思议了。他们在最初的4周内就达到了400万美元ARR，60天内达到1000万美元ARR，90天内达到1700万美元ARR，120天内达到3000万美元ARR，现在半年内已经5000万美元ARR。每周新增200万美元ARR，每天创建25,000个新应用，已有超过80,000名付费客户。  这不仅让我好奇Lovable到底是什么，更让我思考它背后隐藏的增长方法论。这种增长不可能仅仅是巧合或运气，一定有其深层次的原因和可复制的模式。我花了一些时间深入研究Lovable的故事，今天想分享我的发现和思考。 ## Lovable是什么：真正理解它的本质 表面上看，Lovable是一个AI驱动的应用程序构建平台，让用户通过自然语言提示创建web应用。但这种描述过于简化了它的革命性。 在我看来，Lovable真正的本质是一个完全重构软件创建流程的工具。它不只是为开发者服务的AI助手，而是让任何人——无论技术背景如何——都能成为创造者的平台。这种定位的微妙但关键的区别，决定了它的市场和增长轨迹。 具体来说，Lovable允许用户通过简单的文本描述创建完整的功能性软件。你只需告诉它：”我想要一个电子商务网站，包含产品目录、购物车和支付功能”，几分钟内你就会得到一个完整的、可运行的应用程序。这不是原型，而是可以立即部署使用的软件。 Lovable的发展路径很有趣。它最初是Anton Osika在2023年中创建的一个名为GPT Engineer的开源项目。这个简单的工具在GitHub上迅速获得了超过50,000颗星，证明了市场对AI编码的强烈需求。然而，这个早期版本还相对粗糙，主要针对有技术背景的用户。  随后，团队尝试了两次失败的发布。根据Anton的说法，第一次尝试是在2024年4月，推出了gptengineer.app，但产品还不够好，AI代码生成器对于复杂应用仍然不够可靠。六个月后的第二次尝试也未能取得突破。核心问题是可靠性——用户需要一个能构建真实、可扩展应用的AI，而不仅仅是玩具。 经过几个月的迭代和改进，团队终于在2024年11月21日将产品重新定位为Lovable，并在Product Hunt上推出。这次尝试终于找到了市场契合点，增长开始爆发。  技术上，Lovable的差异化在于其专注的技术栈和对用户体验的执着追求。不同于试图支持所有技术的竞争对手，Lovable采取了”窄而深”的策略，专注于特定技术栈(@vite, @bun, @shadcn, @supabase, @stripe, @resend等)。正如他们所说，”约束孕育创新”——这种专注让他们能够提供更高质量、更可靠的结果。 他们的技术创新之一是”视觉编辑”功能，一种在浏览器中实时编辑生成代码的方式。通过”浏览器内AST”方法实现零秒重建等待时间：点击DOM → 在客户端重写AST → 通过HMR即时反映。这解决了代码生成中常见的”最后一英里”问题。 使用体验上，Lovable真正区别于其他AI编码工具的是完整性——它不只是生成代码片段，而是创建可立即部署的完整应用，用户只需描述想要什么，而不必关心如何实现，这就给了用户极强的Aha Moment。 ## Lovable的专业化定位：不只是为了普通用户 看到Lovable的增长数据，很多人可能会以为它是一个面向普通大众的工具。但通过深入研究，我发现Lovable实际上正在向专业用户市场迭代发展，这是它成功的关键因素之一。 观察Lovable官网列出的四类目标用户——创始人、产品经理、设计师和开发者，不难发现这些都是典型的专业用户群体。特别是针对设计师的定位非常有趣，这表明Lovable并不仅仅满足于让普通人创建简单应用，而是希望成为专业创作者的强大工具。 2025年2月，Lovable推出的Visual Edits功能更进一步验证了这一策略。这个功能允许用户直接在生成的页面上进行可视化修改，无需重新输入提示或编辑代码。这种增强的可控性和精细调整能力，正是专业用户所看重的。  我一直在观察Lovable的营销策略，发现他们最近主要在瞄准Webflow的用户市场。这一点很有意思——Webflow是上一个”拖拉拽”时代无代码工具的典范，它的ARR已经超过1亿美元，主要用户也是设计师这类专业人群。 Lovable明显是希望定位自己为AI新时代的Webflow，将那些习惯于高度可控、精细设计工具的专业用户吸引过来。这个定位比简单的”任何人都能创建软件”更加聚焦和有力，因为它瞄准了一个已经被证明愿意为工具付费的市场。 这种专业化定位的策略很聪明。虽然”民主化软件创建”是一个吸引人的愿景，但真正能产生持续收入的往往是那些依赖工具创造价值的专业用户。通过为这些用户提供更高效的工作方式，Lovable找到了快速增长的路径。 ## Lovable的增长方法论：拆解爆炸式增长背后的秘密 研究Lovable的增长故事，我发现它的成功并非偶然，而是一套精心设计、层层递进的增长系统。这套系统有几个关键组成部分： **完美的市场时机和定位** Lovable出现在了关键的历史节点。生成式AI刚刚开始改变人们与技术的交互方式，但大多数AI编码工具仍然面向开发者。Lovable独特地看到了更广阔的机会——不是帮助开发者更快编码，而是让非开发者也能创建软件。 这种定位太聪明了。他们没有进入拥挤的”AI辅助编码”市场与GitHub Copilot、Replit等巨头竞争，而是开创了一个全新的细分市场：面向设计师和产品人员的AI软件创建。这让他们能够满足一个巨大的、未被满足的需求——那些有想法但没有深厚技术能力的专业人士。 正如Y Combinator的CEO Garry Tan所说：”这实际上是编码的主导方式，如果你不这样做，你可能会被落下。”Lovable完美地定位于这个新兴市场的前沿。 **从社区到产品的转化路径** Lovable的增长战略始于GPT Engineer开源项目，这个战略很精妙。开源项目为他们带来了三个核心资产：早期用户群、产品验证和市场认知。  当他们从开源工具转型为商业产品时，已经拥有了一群热情的早期采用者和广泛的口碑。这减少了获客成本，加速了增长周期。我认为这种”先社区后产品”的模式在AI时代特别有效，因为它建立了信任并验证了市场需求，而不需要大量营销支出。 值得注意的是，即使在经历两次失败的发布后，团队仍然没有放弃。他们不断迭代产品，专注于解决关键问题——如处理大型代码库和提高可靠性。这种韧性和持续学习的能力可能是许多创业公司所缺乏的。 **零摩擦入门与即时价值传递** 我尝试了Lovable，最令我印象深刻的是其无与伦比的入门体验。访问网站后，你立即看到一个提示框，没有强制注册，没有复杂教程，只有直接的产品体验。 Lovable完全跳过了传统的登陆页面——新访客不会看到长篇的产品介绍，而是直接面对一个空白的提示框，随时可以输入。这种无摩擦的入门体验让用户可以立即体验产品的魔力，而不是被营销语言所困扰。 更关键的是即时的价值传递——你输入描述，几分钟内就得到一个工作的应用程序。这种即时满足感创造了强大的”啊哈时刻”，推动了高转化率。用户不需要相信营销承诺，他们可以立即亲眼看到产品的魔力。 这种体验设计遵循了一个我认为在产品设计中极为重要但常被忽视的原则：减少价值实现的时间(Time to Value)。Lovable将这个时间从传统的数周缩短到了数分钟。 **用户驱动的病毒式增长引擎** Lovable的增长引擎有一个独特之处：用户不仅是产品的消费者，还自然成为了产品的推广者。每个用户创建的应用程序都可以在网上分享，成为活生生的产品演示。 更妙的是，他们创建了”Lovable Launched”平台，一个专门展示用户创建产品的地方。这个平台巧妙地将用户的自我表达欲望与产品推广结合起来，每个新项目都成为潜在的病毒式传播源。  根据数据，仅在2025年3月9日这一周，就有291人通过Lovable Launched发布了网站。而实际构建的应用数量可能更多。为了鼓励用户在平台上展示他们的作品，Lovable提供了100个Lovable积分作为激励。 一个非常聪明的举措是每个展示的应用都有一个”用Lovable编辑”按钮，点击后会带领访客直接进入Lovable，看到应用是如何构建的。这既是一种教育方式，也是一个强大的转化路径。 他们甚至推出了Linkable，一个即时个人网站生成器。用户只需填写LinkedIn URL和电子邮件地址，就能获得一个免费的个人网站。虽然这些网站不一定完美，但它们看起来相当专业，而且最重要的是，生成速度极快。这个简单的工具在一周内，仅靠一条推特就吸引了20,000个网站生成。  这种策略的天才之处在于利用了”炫耀效应”——人们天生喜欢展示自己的创造。每当用户在社交媒体上分享”看我用Lovable创建的应用”，就等于进行了一次真实、高可信度的产品背书。  **经济价值创造与留存闭环** Lovable的商业模式有一个强大的特性：它帮助用户创造经济价值。当用户用Lovable创建应用并开始赚钱时，产品的价值变得显而易见，付费就成为自然选择。  这种帮助用户赚钱的能力创造了非凡的留存率：据报道高达85%的付费用户一个月留存率，甚至高于ChatGPT。我相信这是因为Lovable不只是一个工具，而是一个收入来源，一旦用户体验到这种价值，就很难离开。 这种价值循环可以概括为：用户输入提示 → AI立即构建工作产品 → 用户快速发布并开始赚钱 → 用户继续使用并付费。这是一个自我强化的循环，每一步都增强下一步的可能性。  Lovable的商业模式采用了混合定价策略，基本订阅起价每月20美元，同时设有使用限制。这个价格点足够低，让个人创作者尝试，同时又为高度活跃的用户提供了升级动力。Anton提到，他们最初”在超级活跃用户身上亏了一大笔钱”，后来调整了定价以确保在用户达到使用配额上限时至少能获得小额利润。 **小团队的极致执行力** 也许最令人惊讶的是Lovable的团队规模：仅18人创造了5000万美元ARR，这意味着每位员工创造了近280万美元的收入，是典型SaaS公司的10倍以上。 据Anton透露，团队中约有10人写代码，几人负责运营，只有3人负责增长（一名社区负责人、一名增长工程师和一名内容创作者）。没有销售团队，尽管他们正在招聘一名负责机构合作的人（销售和客户成功的结合）。  关于他们的招聘哲学，Anton强调：”我们相信雇佣有很强主动性的人和非常专注于技术的人才。团队中大多数人都是前创始人。”这种策略减少了管理层次，创造了更扁平、更敏捷的组织结构。 Lovable团队的工作方式也很独特。Anton采用了一种”什么都尝试”的方法——快速启动各种项目，学习什么有效，而不是过度分析或长期规划。正如他所说：”我们尝试了很多不同的事情。它们没有伤害我们。你做的事情越多，你就越快地学习什么有效。” 这种精简结构和试验文化减少了协调成本，提高了决策速度。我认为Lovable的团队策略揭示了AI时代的一个关键真相：小型、高度自主的团队借助AI工具，可以实现以前只有大型组织才能达到的影响力和规模。 ## Lovable的技术魔力：AI自动化和解决瓶颈 深入研究Lovable的技术实现，我发现他们解决了几个AI代码生成的关键瓶颈，这可能是他们能够从竞争中脱颖而出的核心原因。 **解决AI”卡住”的突破性进展** 根据多个来源，Lovable团队发现了让AI”自我解脱”的突破性方法——允许AI持续改进并修复自己的错误。这解决了大多数AI编码工具面临的一个关键问题：当项目变得复杂时，AI常常会卡住或产生错误。 具体来说，Lovable半自动化了识别和解决网络应用开发中常见LLM错误的过程。通过微调系统，他们确保LLM知识的局限性不会决定最终产品的质量。这种方法大大减少了错误，使扩展变得更简单、更可靠。 **专注技术栈的优势** 与试图支持所有可能技术的工具不同，Lovable采取了更专注的方法。他们在Lovable上构建的项目使用特定技术栈，这些技术栈经过优化，可以无缝地用于各种用例。这种专业化确保了更好的性能、稳定性和更流畅的开发体验。 这种”窄而深”的策略在早期资源有限的情况下特别有效。通过专注于特定技术（如Supabase集成），他们能够提供比”宽而浅”方法更深入的支持。 **Agentic RAG的可扩展性** Lovable使用基于检索增强生成(RAG)的可扩展AI系统，该系统在大型代码库上的表现与在小型代码库上一样出色。这使开发者能够处理雄心勃勃的项目，而不会在中途遇到障碍——这是困扰许多竞争平台的问题。 通过确保开发者能够将项目进行到底，他们赋予用户持续交付结果的能力。这解决了许多AI编码工具的常见问题——能够生成简单代码，但在复杂项目上失败。 **可视化编辑与即时反馈** 2025年2月，Lovable推出了”视觉编辑”功能——一个类似Figma的浏览器内编辑器，允许对生成的代码进行可视化修改。这解决了代码生成后进行”最后微调”的常见挑战，大大增强了用户体验。 这一功能尤其迎合了设计师群体的需求。设计师通常对视觉细节有极高的要求，传统的AI代码生成往往难以满足这种精确控制的需求。通过视觉编辑功能，Lovable让设计师能够在保持AI效率的同时，获得与Webflow类似的可控性，这是一个非常聪明的产品决策。 技术上，他们通过”浏览器内AST”方法实现了零秒重建等待时间：点击DOM → 在客户端重写AST → 通过HMR即时反映。这消除了”最终调整”的摩擦，这是代码生成工具的常见挑战。 这代表了行业趋势，如Vercel、Replit和StackBlitz等平台都在投资实时浏览器开发环境。从提示中几分钟内可部署并可视化编辑的应用程序正在成为AI时代开发者体验的新标准。 **后端问题的一键式解决方案** Lovable还巧妙地解决了初学者不可避免会遇到的”后端问题”，通过一键式处理认证、数据库和存储。用户只需点击一下，就能设置完整的后端功能，如登录系统、数据库和文件存储。 这种无缝集成减少了学习曲线，让不熟悉后端开发的用户也能创建功能完整的应用程序。我认为这是Lovable能够吸引设计师和产品经理等非纯技术用户的关键因素之一。 **扩展法则——用AI解决复杂性** Lovable的一个关键技术发现是所谓的”扩展法则”：更多努力直接改善产品质量。他们通过快速迭代和用户反馈，不断测量和解决AI编码问题。  这种方法让他们能够持续提高AI代码生成的质量和可靠性，而不仅仅是依赖更大的模型或更多的计算能力。这是一种智能资源分配方式，确保每一次改进都直接转化为更好的用户体验。 ## 思考：为什么Lovable能以如此速度增长？ 深入研究Lovable的故事后，我不断思考一个问题：为什么是它？为什么在众多AI工具中，Lovable能够创造这样的奇迹？我认为这涉及几个深层次原因： **它解决了一个真正的百万美元问题** 软件开发的复杂性和高成本长期以来一直是一个巨大的市场痛点。在Lovable之前，如果你不会编程又负担不起开发团队，那么你的软件创意基本上就是空想。Lovable直接解决了这个价值数十亿美元的问题，将软件创建民主化。 然而，Lovable并不是简单地让”任何人都能编码”——这种宽泛的定位往往难以实现真正的市场渗透。相反，它专注于那些已经在创造数字产品的专业人士——设计师、产品经理、创始人——这些人已经理解软件价值，但被技术障碍所限制。 根据Anton在访谈中的描述，使用Lovable的非技术人员可以在短短一天内完成过去需要花费数月和数十万美元的项目。比如，一位设计师的客户抱怨一个小项目需要花费数十万美元，而这位设计师使用Lovable在一天内就完成了第一版，立即获得了客户的认可和付费。  还有一个20岁的大学生，仅通过提示，没有写一行代码，就建立了一个AI应用，并筹集了50万美元资金。 我思考过很多创业公司的成功，发现那些爆发式增长的产品往往不是创造新需求，而是以革命性方式满足长期存在但未被满足的需求。Lovable就是这样—它并没有说服人们他们需要软件，而是让已经渴望创建软件的人能够轻松做到这一点。 **需求与供给的完美时机同步** 市场时机的重要性常被低估。Lovable诞生于一个特殊的历史节点：AI技术刚好成熟到能够可靠地生成工作代码，社会认知也刚好接受AI创建软件的概念，而市场上还没有成熟的解决方案。 正如Vibe Coding这个概念的兴起所示，我们正处于编码方式转变的边缘。Y Combinator CEO Garry Tan的说法很有说服力：”这实际上是编码的主导方式，如果你不这样做，你可能会被落下。”  更巧妙的是，Lovable打造了AI时代的”Webflow”定位，这一定位与市场成熟度完美同步。设计师和产品专业人士已经接受了Webflow这样的无代码工具，而Lovable提供了下一代体验——更快、更智能、但仍然保持可控性。这大大降低了市场教育成本，加速了采用速度。 我常想，如果Lovable早两年推出，技术可能还不够成熟；如果晚两年，市场可能已被巨头占领。这种技术成熟度、市场认知和竞争环境的完美同步，创造了独特的机会窗口。 **从工具到平台的战略转型** 观察Lovable的发展，我注意到一个关键转变：从GPT Engineer这个针对开发者的工具，到Lovable这个面向设计师和产品人员的软件创建平台。这不只是简单的重新命名或界面改进，而是对产品本质和价值主张的根本重新构想。 在访谈中，Anton提到了这一重要认识：”虽然GPT Engineer很强大，但它仍然需要开发者理解和使用它。受众仍然有限。如果任何人，甚至非技术人员，都能建立一个应用程序呢？” 这种重新定位极大地扩展了目标受众，从开发者扩展到创始人、产品设计师和营销人员。Lovable不再只是一个AI驱动的编码工具，而是一个专业创作者可以使用的全栈AI软件构建器。  特别值得注意的是，Lovable并没有试图成为通用的AI应用构建器，而是特别关注那些与Webflow重叠的用户——设计师、产品专业人士、创意代理机构。这种聚焦让他们能够打造真正专业级的产品体验，而不是面面俱到但处处不精。 这让我思考平台思维的力量。工具解决特定问题，平台创造新可能性。Lovable不再仅仅是一个代码生成器，而是一个创意表达和价值创造的平台，这种定位扩大了它的潜在市场和增长上限。 **新范式下的增长法则转变** Lovable的成功挑战了SaaS增长的传统法则。它没有庞大的销售团队，没有花费数百万美元的广告预算，也没有复杂的增长黑客策略。相反，它的增长来自产品本身的卓越和社区的自然扩张。 据报道，Lovable在增长过程中只花费了约200万美元，这在传统上通常需要花费数千万美元才能达到类似ARR水平。这种资本效率令人难以置信。 这让我反思AI时代的增长公式。可能我们正在见证一种新的增长范式：不再是通过推广获取用户，而是创造如此引人注目的产品体验，以至于用户自发地成为传播者。在这种范式下，产品设计和社区建设可能比传统营销更重要。 Lovable也是很典型的“Build In Public”的产品，创始人在社交媒体上非常活跃，并且非常会抓住社媒上用户的心理和爆点。除了常规的蹭热点之外，他还多次把自己放在小公司“弱者”的位置上，塑造自己跟大公司“强者”对弈的挑战者形象，比如之前跟Figma的争端，还有最近跟Replit的争端，从而激起大家“挑战强权”的心理来进一步引发话题。 根据创始人自己的分享，他们在早期三个月主要的增长渠道和方式如下： - Product Hunt launches - Social media - Hackathons - Competitions - A builder hall of fame - A Product Hunt clone for Lovable products - An instant website builder - Partnership program for agencies - Website improvements - Figma import feature - Affiliate program - Referral program - Company blog content  ## 对AI时代创业和产品的更广泛思考 Lovable的成功故事不仅是关于一家公司，它还提供了对AI时代产品开发和创业的深刻洞见： 产品开发的瓶颈正在转移 传统上，软件开发的主要瓶颈是技术执行—找到工程师，写代码，修复bug。但在Lovable的新范式中，执行不再是主要障碍。相反，限制因素变成了想法的质量、产品品味和用户体验设计。 这意味着，未来的竞争优势可能不是谁能更好地编码，而是谁能更好地构思和设计。软技能如沟通清晰、理解用户、表达创意的能力可能变得比硬技能更重要。 AI时代的团队构建需要重新思考 Lovable的小团队高效率让我重新思考团队构建。在AI辅助的环境中，我们可能不再需要大型专业化团队，而是需要小型、多学科的高自主性团队。 这种团队可能更强调通才而非专才，更看重创意思维而非执行技能。招聘中，经验和专业知识可能不如学习能力、适应性和创意思维重要。 社区驱动的产品开发新模式 Lovable的故事表明，在AI时代，社区可能成为产品开发的核心驱动力。从开源项目开始，听取社区反馈，让用户参与产品塑造，这种模式可能比传统的封闭式开发更有效。 我认为这代表了从”为用户构建”到”与用户一起构建”的转变。最成功的AI产品可能是那些能够创建活跃社区，并持续从中学习和适应的产品。 产品主导增长的回归 在过去几年，随着获客成本上升，许多公司转向以销售主导的增长模式。但Lovable的成功表明，产品主导增长可能在AI时代重新崛起。当产品能够提供如此显著的价值，并创造如此强烈的”啊哈时刻”时，传统营销的作用可能会减弱。 这启示我们重新关注产品体验和用户价值，而不是获客技巧。最好的增长策略可能是创造一个如此出色的产品，以至于用户迫不及待地想告诉他人。 从价值捕获到价值创造的思维转变 最后，也许最深刻的是，Lovable的模式代表了从价值捕获到价值创造的思维转变。不是尝试从现有价值中获取更大份额，而是扩大整体价值池——让更多人能够创造软件，从而创造新价值。 这种思维方式可能是AI时代最成功企业的核心特征——不仅仅是替代现有工作，而是使新的价值创造成为可能，赋予人们以前无法获得的能力。 Lovable的故事仍在继续，它将如何维持这种增长，如何应对竞争，如何扩展到新市场，这些都是开放的问题。但无论如何，它已经为AI时代的产品开发和增长树立了一个令人瞩目的标杆，值得每一个创业者和产品人深入思考。‍ 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。

**全球首艘自航式水体自然交换型养殖工船“湾区伶仃”号在广东江门成功下水。**“湾区伶仃”号深海养殖工船规模宏大，总长155.8米，型宽44米，型深24米，最大吃水深度达20米。 与一般的渔船不同的是，“湾区伶仃”号水下部分并非封闭结构，而是由15根方形立柱，拼砌成一个“水下宫殿”。通过挂设渔网，隔出12个独立的养殖舱室，可同时开展多种鱼苗养殖，极大地丰富养殖类型。 [](//img1.mydrivers.com/img/20250527/e921edd8c8b546bca2ffc6bd1fe155cd.png) 整船拥有近8万立方米的养殖空间，水量相当于32个标准游泳池，为鱼儿提供了广阔的自由游动空间，提升鱼苗活力和鱼肉品质。**“湾区伶仃”号可年产5000吨鱼，是大湾区实现“吃鱼自由”的重要来源。** “湾区伶仃”号采用了先进的全电推进系统，拥有20千瓦的风力发电系统，能够满足静态养殖时的用电需求，助力船舶行业绿色发展。 **该船还拥有两台3600千瓦的舵桨机，就像有了一双有力的“鱼鳍”，3.8米直径的桨叶能够让她自由遨游于湾区海洋。** 此外，“湾区伶仃”号搭载了高精度的GPS、北斗星导航定位系统，可实时报告航行水域的位置，为养殖人员作提醒。 [](//img1.mydrivers.com/img/20250527/643e9d33d6f74566b2528f8681875f7d.png) [查看评论](https://m.cnbeta.com.tw/comment/1502608.htm)

近期，美国政府的频频施压已经对哈佛大学的财务状况造成影响。**由于预算紧张，哈佛校长已表示自愿减薪25%**。哈佛多个特别委员会正在研究维持科研项目运转的方式，哈佛公共卫生学院已实施裁员，并削减了研究生招生人数，此外还压缩了如打印、餐饮等日常开支。 目前，美国有多所高校都就哈佛事件发声。**哈佛校方表示，即使赢得诉讼，相关资金也难全面恢复。** 据了解，连日来，随着美国政府与哈佛大学争端持续，恐慌情绪正在哈佛大学国际学生中持续蔓延。 **数千名学生或将不得不面对签证被吊销、研究中断、被迫转学、暑假过后无法返美等难题。** 对于来自乌克兰、巴勒斯坦、阿富汗等战乱国家的国际学生，他们的处境难上加难，**一旦在美国失去合法身份将遭遣返，这些学生也无法返回原籍国。** 据悉，哈佛大学目前约有6800名国际生，占学生总数的27%，大多数在攻读研究生课程。 **5月22日，美国政府宣布取消美国哈佛大学获得的学生和交流学者项目资质，禁止该校招收国际学生。** **哈佛大学23日就此禁令起诉美国政府。** 对于美国政府这一禁令，哈佛大学的学生接受采访时表示，这是一个“可怕的决定”，禁令不仅会削弱哈佛大学和美国的国际学术地位，更会对美国社会造成极大负面影响。 近日，有网友在机场遇到华为创始人任正非的小女儿姚安娜时问及此事，姚安娜表示“还好毕业了”。 公开资料显示，2016年，姚安娜以ACT（美国大学入学考试）满分的成绩提前被哈佛大学本科录取，学习计算机科学与统计学。 2020年6月，姚安娜从哈佛大学顺利毕业。 [](//img1.mydrivers.com/img/20250527/64a34ac2df70449faacb2af2b8547257.jpg) [](//img1.mydrivers.com/img/20250527/9f986f341bc448a58c82eb2509c6a9c6.jpg) [查看评论](https://m.cnbeta.com.tw/comment/1502606.htm)

豆包，可以视频通话了。 自年初更新「实时语音通话」功能之后，这一功能就持续受到用户欢迎。现在在社交媒体上搜索豆包，排名前十的热门关键词中，有 6 个与「打电话」功能有关。大量和豆包通话相关的创意内容也受到了观众追捧。 随着视频能力上线，豆包的通话功能迎来了一次「升维」，变得更实用、好用。结合视频图像，很多即便模糊的语音输入，也能够更好地被 AI 理解，用户不需要再组织语言去描述眼前的信息。 视频通话是一个单点功能，但在这背后是语言能力、多模态能力、推理能力、知识库等等多个垂直领域的技术积累、整合，以及对成本和效率的平衡。 更重要的是，视频通话能力预示了 AI 助手更远的前景。当 AI 同时拥有了眼睛和耳朵，在未来更多硬件创新的支持下，还将解放更大的创新潜力。   # 01 帮你理解眼前一切的豆包   视频通话能力给豆包带来的，首先是多模态理解的能力提升和交互优化。 从最基础的「理解」场景开始，用户可以把手机摄像头对准任何信息，如信息版、菜单，让豆包给出翻译、解释。而且过程中，用户可以不断通过语言输入，来修正豆包的关注重点。 比如在一个博物馆里，当我们开启视频通话，问豆包这是什么，豆包首先会根据画面里的地标特征，识别出这是「新加坡国家美术馆」。然后我们如果继续追问，楼上挂着的横幅是什么意思，豆包又会给出具体展览信息的翻译和解释。  而在看展览的过程中，我们也可以举着手机，随时针对任何一幅作品向豆包发问。从基本的翻译作品信息，到问它作品风格具体属于哪一个派别，是否有模仿哪个艺术家的痕迹，豆包都能给出精准判断。 基于豆包给出的信息，我们也能进一步挖掘一些更深的隐藏关联。比如在新加坡国家美术馆里有一个法院拘留室的展示区域，问过豆包之后我发现，这里的关系在于，新加坡国家美术馆由原政府大厦和原最高法院大楼改建而成。前法院的拘留室曾用于关押候审的被告，在美术馆改建后，部分拘留室被保留了下来，成为了美术馆的一部分，供公众参观，让人们可以了解新加坡的司法历史。  除此之外，我们还可以和豆包讲讲自己对美术作品的一些理解和看法，进行观点碰撞。实际上，豆包已经具备一定的「纠错」能力，不是只会一味地顺从用户的理解。比如这里，当我引用了错误的类比，说这个作品像「蒙德里安」风格时，豆包能够纠正我的错误，告诉我实际像的是安迪·沃霍尔。之后我们还可以进一步探讨，为什么会出现这个错误。我们也可以引导豆包对作品进行批判性的解读和评价。  这里还有一个很关键的点，因为有了图像视觉信息作为辅助，很多时候即便我发出指令的声音很小，豆包并未完整识别我所说的句子的每一个字，但它依然能通过捕捉关键词，准确理解我的意图。 在旅行、观光、展览……等视觉信息占比更高的场景，最能体现出豆包视频通话能力的优势。我们可以随手举起手机，让豆包看到我们眼前的东西，从最基本的「这是什么？」出发，一点点挖掘出更多的信息和知识。比如让豆包根据周边的景色推理出我们在哪，推荐周边值得一去的景点、活动、特色饮食，这既具有实用价值也充满乐趣，适合出游不喜欢做严密的计划，喜欢遇到更多偶然惊喜的 P 人。  包括在餐厅吃饭，碰到那些「不知道该怎么吃」的情形，也很适合通过视频通话功能求助豆包。比如吃荞麦面的时候店员端上来一壶像热水一样的东西，这个时候豆包也轻松给出了正确答案，壶里装的是荞麦面汤，可以和酱汁混合在一起喝掉。  豆包的视频通话功能，相比普通的图像识别，最关键的优势依然在于它的「互动性」更强。基于单张图像的理解和推理，很可能出现各种理解偏差、错误。有了视频模式之后，即便豆包给出了一个比较可疑的回应，我们也可以通过换个角度，提供更多信息，来给豆包进行更多思考和修正的机会。 比如在这个场景下，我们想知道酒店的某个装置的作用，问豆包之后它首先以为我们问的是前面的熨衣板。经过进一步交互，它知道了我们想问的是后面的行李架，但因为角度问题，它将行李架错误理解成了健身器材，之后换个角度进一步追问并识别之后，豆包成功给出了行李架这一答案。  这是视频通话的功能的关键优势之一。当下任何 AI 大模型都不可避免地会有「幻觉」和错误。当用户精心编写了一大段 prompt 却没有得到自己想要的输出结果时，就会极大打击他们使用 AI 的积极性。但通过给到更多信息，提供更多角度的输入补充，就能让 AI 更接近我们需要的正确答案。可以说，在视频通话场景下，AI 和用户形成了互动的正向循环。 除了日常生活场景，豆包的视频通话功能还可以在学习、工作等各种场景发挥作用，特别是基于一些纸质的材料进行理解和修改。比如对多页的纸质资料进行总结，或对学科题目进行解答、纠错。   # 02 模型技术的「木桶理论」   「视频通话」的功能本身非常简洁，任何用户理解起来都没有门槛，但在这背后，其实需要复杂的技术作为支持。 豆包视频通话功能的核心来自「豆包视觉理解模型」的支持。2024 年 12 月，豆包首次发布视觉理解模型，为视频通话功能提供了模型能力基础。 除了视觉感知之外，豆包视觉理解模型还具备深度思考能力。这让豆包实际上还可以通过摄像头直接进行解学科题目、分析论文以及诊断代码等任务。这也是为什么在视频通话过程中豆包能同时结合「图像画面」和「用户语音指令」，精准理解用户意图。 豆包并不是第一个实现这一功能的 AI 助手，但想要同时拥有优秀的视觉理解能力，再基于视觉理解和用户指令，将不同模态的信息综合理解后，生成用户想要的信息，同时还要做到低延迟，这一切就有很高的技术门槛。 整个过程有点像「木桶理论」，一个模型必须同时做好多个方面，才能做到像一个真实的「AI 助手」一样，满足用户的需要。   # 03 为什么「视频通话」能解锁 AI 交互的更多创新？   今天，「视频通话」只是豆包的一个小功能。但实际上，视觉理解能力所蕴含的潜力和可能性还不止于此。 自诞生至今，大模型 AI 助手的交互都是「一问一答」式，用户输入 prompt，AI 生成反馈。这里最大的矛盾在于，整理编写 prompt 是有门槛的，且这个门槛比想象中更高，而一问一答式的交互又是断裂的，大家都很容易「把天聊死」，面对 AI 也一样。 而视觉图像的引入，则为人机交互建立了一个「语境」，且这个语境的建立不需要任何门槛，天然富含信息，用户只需要举起摄像头就行了。实际上，人类自身理解世界的过程中，我们最重要的信息接收器官也一直是眼睛。 通过豆包的视频通话功能，这一模式的有效性已经得到体现。通过连贯的互动加上视觉理解，用户和 AI 交互的过程变得更自然了，可以通过不断补充、解释，来接近自己想要的那个目标。这种用户和 AI 互相引导，对 propmt 进行不断修正，能极大增加 prompt 输入的带宽和精确度。 实际上，这早就是行业共识。自 AI 大模型技术诞生之后，几乎所有硬件创新都是在探索一种「摄像头+麦克风」的组合，从 AI Pin，到各种 AI 智能眼镜，都是在建立一种让 AI「看+听」的感知模式。只不过目前大部分这类硬件，都还无法在性能和效率上，做到像手机那么高的可行度。 当下我们在使用豆包的视频通话功能时，依然能感受到它被手机这个硬件载体限制着。比如我们很难长时间举着手机对准前方我们看到的东西，以及在一些公共场合也不便于大声说话，无法和 AI 充分进行语音沟通，这都是智能手机作为传统硬件的限制所在。 从豆包的「视频通话功能」已经可以看出，让 AI「看+听」的输入模式，可能代表 AI 交互的更多可能性。它在软件上完全是可行的，随着模型能力的进一步发展，结合硬件创新，或许将进一步改变我们与 AI 的交互方式。