大模型独角兽智谱今日在北京证监局办理辅导备案，就首次公开发行股票并上市进行准备工作，目前，备案报告也已于中国证券监督管理委员会网上办事服务平台发布，由中国国际金融股份有限公司担任辅导机构。 据备案报告，智谱实际控制人为唐杰、刘德兵，唐杰直接持有北京智谱华章科技股份有限公司7.4081%股权，刘德兵直接持有智谱华章0.2554%股权，并通过持股平台合计控制智谱华章17.3966%表决权。 此外，唐杰、刘德兵通过一致行动人李涓子、许斌、张鹏、宁波慧惠企业管理合伙企业（有限合伙）合计持有智谱华章 12.1600%表决权。   [查看评论](https://m.cnbeta.com.tw/comment/1492914.htm)

Trump said he is considering helping some of the car companies switch production of their auto parts that were made in Canada, Mexico and other countries to US.

“避世”酒店进军都市，释放那些信号？

上周五，美国海关发布了更新税则，豁免了包括电脑、智能手机、半导体等部分产品的「对等关税」。   一大批消费电子、芯片公司顿时松了口气，尤其是苹果、戴尔、惠普、三星、联想、AMD、英伟达等厂商，以及相关供应链企业，似乎一夜之间「脱险」了。 然而，美国总统特朗普周末在社交媒体发文称，豁免的电子产品只是被「挪到了另一个关税桶里」，痛斥各家媒体对关税豁免的形容是「Fake News」。 美国商务部长也称一些电子产品可能单独征收关税。特朗普可能将于美国时间周一更新其政府对半导体等产品的关税态度。 关税政策反复横跳之下，对于硅谷、乃至全球的科技公司的影响是什么？而在「关税闹剧」背后，美监管层又隐藏着哪些「私心」？   01   苹果逃过一劫了吗？   4 月初特朗普抛出关税炸弹以来，科技公司的股价坐了一趟过山车。 其中，苹果的待遇最为显著。其股价自 4 月 2 日起在四个交易日内大跌 23%，市值蒸发超过 7700 亿美元，创下自 2000 年以来最严重的四日跌幅。巴菲特去年减持苹果的操作，也被人们翻出来感叹真有「先见之明」。 之后，美国关税政策再次横跳，包括部分国家暂缓 90 天实施，苹果股价随大盘在 4 月 9 日大幅反弹 15.3%。然而，随着市场意识到这些豁免可能是暂时的，苹果股价在随后的交易日再次下跌。 截至近日，苹果市值蒸发了约五分之一。 特朗普政府对外声称「关税政策」的明确意图，是让制造业务回流美国。白宫发言人在一份声明中称，美国不能依赖外国制造半导体、芯片、智能手机和笔记本电脑等关键技术产品，特朗普已从苹果和英伟达等公司争取到数万亿美元的美国投资。 但市场普遍认为，尽管苹果在内的公司努力将部分生产转移至其他地区，但短期内想要摆脱对中国供应链的依赖难度极大。 蒂姆·库克曾经提到，中国拥有大量熟练的技术工人和先进的制造能力，这是其他国家难以匹敌的。他举了这么一个例子：在美国，要是想找一屋子搞模具的工程师开会，可能人都找不齐，但在中国，这样的人「能装满好几个足球场」。 在他看来，中国的制造生态系统经过数十年的发展，形成了一个高效且规模庞大的供应链网络，这个网络「非常非常深」。 尽管苹果正在将部分生产转移到印度和越南等国家，以分散风险，但完全替代中国的制造能力在短期内几乎是不可能的。要在其他国家复制中国的制造生态系统，至少需要几十年的时间。 美国金融机构韦德布什证券分析师 Dan Ives 估计，即使仅仅将 10% 的供应链从亚洲转移到美国，也需要三年时间和 300 亿美元，而且整个过程会受到严重干扰。 与此同时，在制造业无法立即回流的情况下，更高的成本只能转嫁给消费者。目前，市场也普遍将豁免的动机解读为避免热门电子产品出现价格飙升。例如，有预测警告称，绝大部分 iPhone 都在中国组装，在全面征收关税的情况下，iPhone 的价格可能上涨 50% 至 80%，这意味着，每部手机的零售价在美国可能会增加 500 美元以上。 在关税豁免通知前，为了节省关税成本，苹果曾紧急从印度工厂空运 iPhone 回美国，自 3 月份以来，该公司已向美国空运了 600 吨 iPhone（约 150 万部）。 与此同时，包括惠普、戴尔在内的厂商决定暂停对美发货，任天堂推迟了 Switch 2 在美国的新品上线。 可以说，如果不考虑特朗普自身的性格与动机，美国政府官员的内部斗争、科技巨头们的游说施压、短期供应链中断警告、制造业回流的现实困境、通胀压力，加上眼前金融市场的各种危机，都在推动关税豁免。   02   英伟达松了一口气   半导体领域方面，如果真有持续的关税豁免，英伟达，高通、AMD 等也从中受益，因为他们在中国台湾或韩国生产的芯片可能在美国进口时豁免关税。 根据半导体行业协会（SIA）数据，全球半导体制造能力的约 75% 集中在中国和东亚地区。其中，世界上最先进的（10 纳米以下）半导体制造能力 100% 位于中国台湾（92%）和韩国（8%）。如果美国加征关税，短期内只能损人不利己。 「一种假设性的替代方案，即在每个地区建立完全自给自足的本地供应链，将需要至少 1 万亿美元的额外前期投资，并导致半导体价格整体上涨 35% 至 65%，最终使电子设备的消费者成本上升。」SIA 的一份报告分析称。  半导体行业协会（SIA）报告｜图片来源：SIA 英特尔可能也会松口气，该公司正在美国亚利桑那州和俄亥俄州建设新的制造厂，如果一些进口工具（比如荷兰 ASML 的光刻机等）被征收更高的关税，英特尔雄心勃勃的晶圆厂扩建计划（已耗资数百亿美元）将付出更加昂贵的代价。 根据 ASML 的年度报告，2024 年，该公司约 16% 的销售额来自美国市场。该公司首席执行官 Christophe Fouquet 最近在荷兰一次行业活动中称，日益加剧的地缘政治紧张局势不利于行业合作。 位于华盛顿的半导体行业协会也指出，特朗普政府对半导体征收广泛的关税将适得其反，因为它会增加美国新建晶圆厂和开展研究的成本。 但对英特尔来说，目前鱼与熊掌可能不可兼得，因为真正的「美国制造」的芯片，意味着如果想进入中国市场，也要面临挑战。   03   喘息只是暂时的？   对席卷而来的部分产品关税豁免消息，资本市场大部分人持欢呼态度，并将此视为经济竞争稍微降级的信号。有些人甚至认为，如果没有豁免，一些大型科技公司将迎来「末日」。 但美国兰德智库机构人员 Gerard DiPippo 在社交平台中评论称，关税豁免主要是为了减轻对电子产品和消费者的影响。他认为这并非停火的信号。  兰德智库人员认为关税豁免主要为了减轻对消费者的影响｜图片来源：X 而且，就在科技公司和相关投资者以为脱险时，事情在周末又发生了一些变化。 特朗普周末对媒体称，对智能手机和电脑的关税豁免只是「暂时的」，他将于周一更新其政府对半导体关税的态度。 「周五并没有宣布什么关税『豁免』」「这些电子产品只是被归类到了另一个关税分类『桶』里」「假新闻媒体明知道这一点，却拒绝报道真相。」特朗普在社交媒体周末发文如此怒斥道。  特朗普称关税「豁免」是假新闻｜图片来源：特朗普社交媒体 「我们正在对半导体以及整个电子供应链展开即将启动的国家安全关税调查。」特朗普称，「我们必须在美国本土制造产品」。 美国商务部长卢特尼克也在周末称，特朗普将在一到两个月内对智能手机、电脑及其他电子产品实施「特别定向」的关税，同时针对半导体行业实施行业性关税。这些新关税将不属于特朗普此前提出的「对等关税」体系。 由于关税政策反复横跳，美国一金融机构创始人发文吐槽，「今年最大的反弹将在卢特尼克被解雇的那天到来。我建议政府弄清楚谁在控制信息，无论是什么，因为政策每天都在变化。美国企业无法在这种不断的反复中规划或投资。」  美国关税反对声｜图片来源：X 目前，部分产品「关税豁免」避免了一场迫在眉睫的危机，苹果、果链相关企业、消费电子公司、半导体公司估值获得部分修复，但这是否标志着关税大战的开始，还是仅仅是暂时的休息，还有待观察。 从智能手机、电脑到芯片，全球供应链上的相关企业正借此喘息，有人将此视为补充公司库存、调整策略的窗口。但如果豁免无法维持，或者关税战无法降温，行业可能还将迎来更多动荡。不论是美国大型科技公司，还是亚洲工厂生产线上的员工，还是全球消费者，都可能承担代价。 科技公司们短期内只能期待，如果关税不可避免，至少接下来幅度小一些。

已完成瑞士、英国及欧洲设备注册。

 吉本芭娜娜原作、奈良美智插图的中篇小说《雏菊人生》（ひな菊の人生）宣布剧场动画化，导演为汤浅政明。    《雏菊人生》原作于1998~2000年在月刊CUT上连载，讲述了没有血缘关系却相互扶持的雏菊与达丽亚的故事。剧场动画将由汤浅在2月设立的工作室ame pippin和法国动画工作室Miyu Productions共同制作，奈良美智担当幼年的角色原案，田中幸子负责剧本，预计2026年公开。

<blockquote><p>本文通过通俗易懂的吃饭决策案例，详细拆解了数据驱动决策的全流程，包括找准项目、明确目标、提出约束条件、罗列潜在方案、选择优化方案、设定后备方案、过程监控、异常识别、问题分析和优化建议等十个步骤，揭示了数据驱动决策与“拍脑袋”决策的本质区别，帮助读者掌握如何在实际工作中运用数据科学地驱动决策。</p> </blockquote>  经常有新手同学问：数据分析到底是怎么驱动决策的？今天用一个通俗的例子，让大家看清楚数据驱动决策全流程。 ## 一：找准项目 我饿了，想吃顿饭，可以怎么决策呢？如果是平平无奇的一天，那可能随便吃个盒饭就打发了。但是，如果我今天来广州出差，我很少来这个城市，刚好又有朋友可以约……那可不能随便打发，得认真考虑考虑 这就是数据驱动的第一定律：常规、简单、毫无意外的业务，不需要数据分析的支持，你做个数据看板给他，能查数据就行！有挑战的、有变化的、全新的业务，才更需要数据支持。为了让自己的工作更有绩效，请挑选好的项目参与！ ## 二：清晰目标 数据驱动的第2步：清晰决策目标。就像吃饭，起码得讲一下：吃啥！如下图所示，当决策人不清晰的时候，向决策人提供业务分类信息，可以有效缩小目标范围，提高决策效率。  ## 三：提出约束条件 要吃饭，就得考虑下述因素： 1、几个人吃 2、人均多少钱 3、有多长时间吃 4、环境要高大上还是接地气 这些会影响到目标的达成和方案的选择，必须要提前梳理清楚。限制条件一般都是和资源投入、完成时间、技术能力等等有关的变量，记录这些变量，是数据分析的重要职责。 ## 四：罗列潜在方案 现实世界中，潜在方案都是有限的。并且提约束条件的时候，“且”字越多，潜在方案越少。我想要一个超级美味+环境优雅+收费低廉且服务良好且就开在楼下的饭店，估计只有梦里有。 因此做决策前，得先了解有哪些潜在方案。常见的有2种： 1、历史经验：“上次去过一家A饭店，很好吃” 2、市面了解：“看看大众点评，发现还有BCD” 这一步非常重要！很多数据分析师不知道咋提决策建议，其实是因为他压根就不知道业务是咋做的。光看这结果数据，说：“收入低了，建议搞高”，肯定不是啥好建议。作为数据分析的重要任务，就是积累过往数据经验，在需要做决策的时候，拿出来做参考 ## 五：选择优化方案 根据备选项的不同，筛选方案的方式有不同。 1、如果仅是ABCD四个饭店四选一，那么这是典型的综合评估问题。需要列评估指标，赋权重，收集评分，求解综合得分。 2、如果是ABCD四条生产线，需要看怎么分配资源产出最大，这是典型的优化求解问题，可以用线性规划方法。 3、如果是ABCD四个营销方案，以前都没干过，不确定哪个好，那么得做测试。通过试点测试收集数据，这是一个测试问题。 三种思路对比如下图：  这一步是极其需要数据辅助的，通过精细的计算，挑选一个最优方案再开始。 ## 第六步：设定后备方案。 我们马上要出门，发现天阴得厉害。这是考虑： 1、如果出门时不下雨，继续去A饭店 2、如果出门时下雨，改去B饭店 3、如果出门走到一半下雨，改去C饭店 这样设定好后边方案，能更好应对变化。如果历史数据积累多的话，还可以提前预判概率，选择更好的方案（比如我朋友说“冇事嘅，呢滴天气无雨落嘅”）。  这一步不是必须的，只有很谨慎的，需应对较大不确定性的，长周期执行的项目（比如新车、新药研发），才会有这么详细的准备。这么干也非常烧钱，需要积累很多历史数据，也需要不断动态收集数据，判断走势。 这样完成1到6步，就完成了决策制定的过程，后边就是： 第七步：过程监控 第八步：异常识别 第九步：问题分析 第十步：优化建议 这些和常规的监控类分析类似，就不赘述了 整个数据驱动决策过程如下图所示：  那么，为什么很多同学觉得自己没做过呢？ 一方面，可能是公司不行：领导喜欢拍脑袋，不懂科学方法，缺少数据积累，没有测试意识，平时不让数据参与，遇到麻烦才指望一个神奇模型一模把问题都解决了。结果发现：连数据积累都没有！ 另一方面，可能是数据分析水平不行，不懂业务，不会沟通，不知道区分目标/限制条件/潜在方案，不会选择合适的分析方法。遇到麻烦，只会到处翻书找模型，不去看实际上业务怎么做的 总之，两头有一头出问题，都会导致数据驱动做不下去。 本文由人人都是产品经理作者【接地气的陈老师】，微信公众号：【接地气的陈老师】，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>MCP（Model Context Protocol）作为一项新兴技术，正在改变AI模型与外部世界交互的方式。本文深入剖析了MCP的起源、发展、应用场景以及未来趋势，通过生动的案例展示了MCP如何让AI模型“看得见世界，动得了手脚”，并为读者提供了快速上手MCP的实用指南，帮助大家更好地理解和应用这一前沿技术。</p> </blockquote>  MCP的本质是为了让模型“看得见世界，动得了手脚”。 之前假期我们用MCP做了聚会规划，我觉得体验还蛮不错的，我去和大魔、相柳聊对MCP的看法；洋洋洒洒的说了一堆之后，大魔问我：什么是MCP？有什么用，说点小白能听懂的。 后边也有几个小伙伴问我类似的问题，并且有的上手用了之后也会很困惑，这个MCP到底有点啥用，这些功能看起来不用MCP也能搞定呀。 因此写了这篇文章，希望跟大家聊聊MCP是怎么发展出来的、MCP目前有哪些好的应用场景、MCP未来会是什么样子的。  要了解MCP的发展，我们需要先回到22年ChatGPT诞生的时候。 最早期的ChatGPT是一个单纯只能聊天的AI，它没有今天的联网、画图、画布等诸多功能。 但模型训练是有语料限制的，在用的时候我们会发现，当前的一些信息ChatGPT是不具备的，它只会回答训练语料内的内容，要么就是开始瞎编乱造了。 人们开开纷纷想办法解决这个问题，当时有许多谷歌浏览器插件解决ChatGPT的搜索问题，它会把你发给ChatGPT的话先拿过来搜索一次，然后把一堆预料给到ChatGPT，再让它来回答问题。 就是大力扔数据的模式，只不过是借助插件来实现的。 训练增加预料约束幻觉、搜索增加信息、RAG填充信息，其实人们做的都不过是一件事情：让模型看得见世界，了解更多的知识。 但模型有了更多的知识，我们让它把一份内容生成一个Excel表，它依旧是做不到的，因为它并不具备调用工具的能力，它只能做纯文本上的输出。 于是大家开始开发各种的插件来让模型具备一定的工具调用能力，让它能够去查天气、查网页、分析数据、画图。 给模型更多的工具使用能力，让它能够动的了手脚。 在23年6月份的时候ChatGPT发布了一个协议模型调用工具的协议叫Function Call，第一个基准出现了。 Function Call ≈ “让模型以结构化方式使用你的 API”的协议层。 以一个搜索的Function Call为例，它其实就是通过模型唤起搜索函数，然后告诉API我要搜索什么。{  “name”: “search_web”,  “arguments”: {    “query”: “MCP 是什么”  }} 虽然各家大模型都陆续支持了 Function Call 机制，但它在落地过程中有几个明显的问题：1. 厂商之间机制不统一， 接入成本高：大家虽然都用的是function call的机制，但是字段名称、参数结构、返回格式也都有各自的区别，要做多个模型兼容适配的时候麻烦的要死，成本高很多。2. 各个工具也缺乏统一的调用基准：大家各自API接口开发的内容嘛，只能说五花八门，基本上就是定制开发，没啥复用性，每个工具跟每个模型都得单独开发一次。 不仅仅是Function Call大家没统一，连调用模型时候的Token统计各家大模型都不一致，有的数据全都给你，有的需要你做二次开发，有的压根没有需要你自己统计，有的还得兼容虚拟缓存，算个token消耗简直累死个人。 24年AI编程随着Claude3.5 sonnet的出现迈入了一个新的台阶，Cursor代表的AI编程工具开始走进大众的视野，当普通人能够借助AI开始编写程序时，行业对于模型和外界交互的诉求也到了临界点。 无非是谁先来推出这个基准。 于是24年11月份，Claude团队带来了第二个基准：MCP（Model Context Protocol） 如果说世界是一个商场，在只有Function Call的商场里，每家店都自己装修、货架标签自己命名、自己自由摆放，模型进去发现什么都不一样，想找个可乐都得先研究一下这个商家的布局是怎么样的，效率极低。 而MCP是一个标准化商场，所有商家的布局结构都长得一模一样，货架、标签都是统一的规范，模型只要理解一套基准就可以从这个商场里拿走它想要的所有东西。 MCP并未取代Function Call，它只是把商家布局变得更好了，方便去模型去做Function Call。  入驻的商家越多，模型能够触达的世界越大。 自从11月份Claude推出MCP协议后，各个公司、开发者们也在做跟进，在4月份我们可以看到百花齐放的MCP市场，阿里云的百炼和idoubi的mcp.so都是很不错的平台。  但目前我们想调用MCP在模型内部还是做不到的，一般都是通过AI编程软件Windsurf或者Cursor来实现调用。 我个人更推荐使用Windsurf，只需要填入json即可高效使用，不需要调试太多的东西，对小白超级有好。  阿里云的百炼智能体倒也是支持MCP服务，但在智能体调试中其实看不到MCP的具体模块，可以用来尝试但是体验略差越windsurf。  那现在能用MCP做哪些事情呢？我给大家列举一些案例，先让大家体验一下MCP的作用。 ### 1.查看北京未来几天的天气并做成网站（高德地图MCP服务） 本来我想让它画一个7天的网页，但是高德的返回值只给了4天的数据，所以天气预报只有这4天的数据。  我们可以从这个图中看到，Claude在我发出把北京未来7天天气预报做成网页后，它激活了高德的MCP服务，并且获得了近4天的数据，然后把这些数据画成一个html网页。 整个环节我只需要说一句话，剩下的全部由模型自己来搞定。 ### 2.做一个从北京西站到环球影城的出游路线（高德地图MCP服务） 接着天气预报，我告诉Claude明天我要到北京西站了，我要去环球玩希望它给我做一个规划路线出来。  同样是我告诉模型一句话，模型自己规划好，然后去调用MCP最后生成一个网站。 在北京西站到环球这个路线规划中，它主要调用了两个MCP服务，一个是查询地理位置坐标的，它需要先把北京西站转换成地理坐标，才能调起第二个MCP服务，用来制定具体的路线出游规划。 ### 3.把网页发布到上线（腾讯云Pages MCP服务） 既然计划做好了那我们把这个网站发布上线了看看效果怎么样。  MCP返回给我们一个地址：https://beijing-universal-route.windsurf.build/，我用电脑和手机都看了一下，都是能够正常访问的。  目前Pages MCP目前更多是支持将html变成快速访问链接，如果是复杂的项目暂时不支持~ ### 4.AI控制电脑去搜索（browsermcp提供服务） 通过browserMCP，可以让AI控制浏览器，我们来试试让它把即刻近期的AI热门内容搜索总结做成一个网站。  它会自己去逛网站，理解网站的内容是什么：   但有一点值得关注的是，如果我们希望AI能够通过browsermcp给到质量很好的结果，我们需要进行多次的逻辑调优，毕竟browsermcp更核心的还是提供AI浏览页面的能力，但如何浏览页面让结果更好，这个事情的结果取决于我们和AI进行多次沟通。 这些案例如果没有MCP我能做吗？能做，每个功能单独写一套接口逻辑，然后跑脚本去调用，用一次估计得先开发个1-2个小时，而且想给别人用还得安装环境，同步脚本想想就痛苦。 有了MCP，大家都可以一键快捷的接入，不用做大量的重复造轮子的事情了。 MCP并非实现之前实现不了的功能，它只是简化了我们达到之前效果的时间。 看了这么多案例接下来给大家演示一下如何快速接入MCP服务。 小白如何快速上手安装并使用MCP，最省事的办法就是让AI自己来搞定。 首先打开你要安装的mcp服务的网站，把网址复制到windsurf的对话框，告诉它我要接入MCP，让它自己处理一下，之后就等着Claude自己干活就行了，如果需要你获取key你就按它给的路径找一下key，这样超级省事。  当MCP新添加的是绿色圆点，就代表添加成功啦，可以进行使用了。  我们了解了MCP的源起、了解了MCP的实践效果，是时候来看看MCP的未来了。 在这里我们现忘掉MCP，我来给大家讲个我用CursorAI编程的故事。 我是在去年8月份开始用Cursor进行AI编程的，当时Cursor有两个模式，一个是ChatAI、一个是Composer。现在这两个模式都在Cursor上改成了不同的名字。 ChatAI主要是跟AI聊天要代码，然后人操作为主；Composer则是AI自己直接去文件里写代码，全自动的模式。 我当时两个模式都深度用过一段时间，Composer给我写了无数个bug，我真的要崩溃了；最后我回到了ChatAI的模型，有事没事问问AI，以人为主导进行编程。 但Cursor一直在进化，模型不能用终端，他们在对话处加了终端环境；模型上下文能力不够，他们升级了codebase；模型只会蛮干，他们追加了agent模式，让模型具备更强的规划和执行能力。 最终Agent模式扫平了ChatAI和Composer，我当时坚持了一段时间ChatAI，后来不得不感慨Agent模式真香，只需要你描述清楚需求AI就能自己专注的写代码，还可以随时纠错。 这一切花了多长的时间？6个月而已。 我现在有点不敢想6个月后的AI编程是什么样子的，反正肯定会比现在再强上很多倍。 MCP的未来是什么？我也不知道。 但我肯定一点，今天MCP好用不好用都不重要，它是模型进化中不可或缺的一环，它一定会变得好用。 先用起来，一点点解决它的问题是对待MCP最好的态度。 实践永远是最好的老师。 最后让我们用一句话总结一下MCP吧，让我们一起拥抱新的时代。 看得见世界，动得了手脚——MCP让模型能够更好的了解现实，变得更智能。  本文由人人都是产品经理作者【云舒】，微信公众号：【云舒的AI观察笔记】，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。

<blockquote><p>在AI浪潮的冲击下，中国互联网设计师的生存状况正发生深刻变化。本文通过对大量行业数据和设计师群体的调研，深入剖析了设计师在岗位需求、薪资水平、就业城市分布、年龄结构、学历背景、从业经验年限和就业方式等方面的现状与趋势，同时探讨了AI技术带来的机遇与挑战，为设计师群体提供了应对未来发展的参考与思考。</p> </blockquote>  前段时间到北京出差，顺便线下约了几位星友，大家聊了很多AI对工作的影响，还聊了很多设计行业的现状，好多公司依然在裁员，找工作很难。后面在微信上也有星友也找我聊这个事，发现大家都很有兴趣。啥情况，大家应该也能感受到，设计行业似乎正在萎缩，那现在大家到底过得怎么样？我今天想跟大家好好聊聊。  我因为写公众号的缘故，微信上加了1.3万设计师好友，了解到的信息可能会多一些。今天要跟大家聊的东西挺多，包括岗位趋势、薪资水平、分布城市、年龄、学历专业、工作经历等等。只要你能耐心读完，肯定能了解到行业的真实情况。 除了我自己对行业的了解，以及各种小道消息，我也用了最新的AI工具帮我找资料，如GPT的Deepresearch、谷歌的Gemini Deepresearch 、腾讯元宝等等，深入当前真实的设计师行业大环境，看看这个行业到底怎么了？1. 工作岗位数量与发展趋势 从2023年到2025年，互联网设计师（UI/UX、产品、视觉设计等）岗位需求总体上呈现下滑趋势。据招聘平台数据显示，截至目前，UI/UX岗位数量同比减少40%，部分公司将”运营设计“与“用户体验”岗位融合。这一比例显示UI设计师在整个就业市场中所占份额不大，并且在经济下行和AI技术冲击下，岗位增长放缓甚至减少。 部分企业出现缩减设计师团队的现象，例如去年12月，某大型互联网企业近期淘汰了80%只会界面视觉的UI设计师，仅保留了能够参与用户调研、构建设计系统、制定运营方案的全能型人才。可见，用人单位对UI设计师的要求正在提高，而单纯执行工作的岗位正逐步减少。 从岗位要求上来看，现在确实是希望能力上越来越综合。据我了解，很多大厂现在其实已经没有专职的UI设计岗位，都是比较综合。以前的UI设计师，现在也要能做动效、3D、品牌、运营等等，UI设计师的能力边界正在不断拓展，甚至包括用户研究和需求分析也逐渐成为其职责的一部分 。行业对UI设计师的期望已经从单纯的视觉执行转向更前期的用户洞察和策略参与。 与此同时，“AI浪潮”带来了新的机遇与挑战。一方面，AI绘图、自动化等工具提高了设计生产效率，公司对设计人力需求有所减少。不少传统UI岗位开始合并或演变，新技术背景下出现了“设计+AI”复合型岗位。 例如，有电商公司的UI设计师在引入AI生成工具后，职责从设计详情页转变为设计模板规则，指导AI根据商品类别自动生成合规的视觉方案，其个人产出效率大幅提升，薪资因此上涨了约30%。另一方面，AI并非完全替代设计师：它为设计师赋能，使之能够更快产出创意。 AI让普通人获得了设计能力的“平权”，而善用AI的设计师有望蜕变成“超级个体”，大幅提升工作效率和创意上限。总体而言，2023年以来设计师就业机会增速放缓，但那些顺应潮流、掌握多元技能和AI工具的设计师在市场上仍具竞争力，并迎来新的发展空间。2. 薪资水平变化 互联网设计师的薪资水平，近几年整体略有下降。以一线城市上海为例，2024年的UI设计岗平均薪资比2023年下降了约8–10%。即便如此，设计师依然属于收入较高的互联网职位之一，多数UI/UX设计师月薪集中在1万–2万元区间。 城市之间存在明显的薪酬差异，一线城市保持最高水平。北京的UI设计师平均月薪约为16,000元，居全国首位；其后依次是上海、深圳、杭州、广州等城市。相比之下，新一线和二线城市的薪资略低。据统计，一线城市UI岗位本科学历的平均月薪在1万元以上，二线城市约为8,000元，两者相差约20%。 例如，上海今年有超过七成的UI设计招聘薪资集中在10K–30K/月之间，年薪约12–36万。在招聘的职位数量上，2025年较2024下降了9%。2025年，上海的平均招聘月薪为16000元，北京为19500元，深圳为17000元，杭州为14000元。 除了地域差异，薪资也随岗位资历和技能水平而变化： 初级/应届生月薪平均约为5,800元。多数刚入行的设计师起薪在5K–8K区间。 1–3年经验的设计师月薪升至8,000–9,000元左右。这一阶段通过项目经验积累，薪酬增长明显。 3–5年经验的中级设计师平均月薪约12,000–13,000元。在北京等地，3–5年经验的设计师是行业主力，占比较大，薪资进入15K+范围。 5–10年经验的高级UI/UX设计师月薪可达18,000元以上。大厂资深设计师年薪普遍在20万元以上，能力突出者拿到30万–50万年薪也不少。 10年以上经验或设计管理岗位月薪约22,500元/月，不少人已迈入设计总监/经理级别，在一线互联网企业年薪可能超过百万人民币。 在AI技术普及的背景下，薪资两极分化趋势加剧。对于只具备单一美术技能的设计师，由于岗位减少，薪资涨幅受限；而拥有复合技能（如懂前端开发、会3D动效、熟悉数据分析）的设计师更受青睐，其薪资保持坚挺甚至逆势上涨。例如，某游戏公司资深UI设计师因精通3D引擎和VR界面设计，甚至在行业寒冬中实现了涨薪。 总体来看，懂AI和多领域技能的设计师在薪酬上更具竞争力，这是AI浪潮下行业对人才价值重新评估的直接体现。2025年UI设计岗位进一步向 全链路设计、AIGC融合方向转型，基础视觉岗位减少，薪资分化加剧。 影响互联网设计师薪资水平的因素是多方面的。工作经验是决定薪资的重要因素，经验越丰富且岗位匹配度越高的设计师通常能够获得更高的收入 。对于UX设计师而言，工作年限与收入呈正相关 。特定的技能，如团队领导力、内容管理、产品管理和设计技能，也能够显著提高UX设计师的薪资水平 。 虽然学历并非唯一的决定因素，但更高的学历水平，尤其是在用户研究或更偏技术的设计领域，有时会带来更高的薪资。此外，公司规模和类型也会对薪资产生影响，大公司和高需求行业的公司往往能够提供更具竞争力的薪酬。   薪资严格来说，单个的案例不具备可比性，因为每个人的经历、经验、能力、背景、思考、运气都不一样，但行业的平均工资还是可以了解下的，尤其是对应到某一家公司时，在谈薪的时候能发挥作用，至少不容易被坑了。3. 就业城市分布 互联网设计师的岗位机会高度集中于经济发达城市，刚毕业的应届生想从事设计行业的更推荐来一线城市试试，将来再回去才能”降维打击”。如果一开始就选择在小城市，后面再想出来就很难了，这也是我所看到的真实状况。 一线城市（北京、上海、深圳、广州）仍然是设计师就业的主阵地，此外新一线城市如杭州、成都等也有大量机会。 2025年北京UI设计招聘职位占全国总量的 16.6%，虽仍居首位，但较2023年（样本数619,844份）岗位数量显著减少，市场需求量较2024年下降43%；深圳UI岗位占全国 7.7%，需求较北京低53%；上海占全国 7.5%，招聘量进一步收缩，部分企业将运营设计与UI岗位合并。广州作为传统一线城市，和新兴的杭州一起也贡献了可观的岗位数量——站酷此前的报告显示，北京、上海、广州、杭州、深圳这前五大城市聚集了全国近50%的设计从业者。 新一线城市近年来吸引了不少设计行业就业。以杭州为例，受益于本地电商、互联网企业集群，UI/UX岗位需求旺盛，在某些细分领域（如电商视觉设计）甚至不逊于一线城市。不过总体而言，一线城市无论岗位规模还是薪酬水平都占优势。 一线城市不仅岗位多，而且因为聚集了头部互联网公司，设计师整体收入也较高，一线平均月薪高出二线约2千元。在新一线和二三线城市，UI岗位也有分布，但通常集中于本地的大型互联网、游戏或制造业企业，以及一些外包设计公司。因此，不少设计师为了获得更高薪资和更多机会，仍选择扎根北上广深杭等城市。 需要注意的是，随着远程协作和本地数字产业发展，区域差异有逐渐缩小的趋势。一些新一线城市（成都、西安、武汉等）出现了专注于UI/UX设计的创业公司和团队，当地对设计师的需求在增长。同时，一线城市竞争激烈、生活成本高，也促使部分设计师考虑去新一线发展。从分布格局看，一线和新一线合计占据主导，而中小城市UI设计师岗位相对有限，多为外包制图、美工类职位，与一线城市的互联网产品设计岗有一定区别。4. 年龄结构 国内互联网设计师群体呈现显著的年轻化特征。2025年，一线城市以广州为例，UI设计师中 24岁及以下占比 38.2%（较2023年下降2.8%）； 25-29岁占比 42.1%，合计 80.3%（低于2023年的85%）； 30-34岁占比 12.5%（较2023年上升2.5%）； 35岁以上占比 7.2% 二线城市以福州为例，24岁以下占比 35.8%，25-29岁占比 37.4%，合计 73.2%（显著低于2023年数据）；30-34岁占比 15.1%，35岁以上占比 11.7%（因二线城市生活成本较低，职业周期延长）。 以上数据也印证了业内流传的说法：UI设计属于“青春饭”型职业，年轻人在这个行业更具竞争力。 造成设计师年龄天花板的原因，一方面是互联网行业更新快、审美潮流迭代迅速，更能熬夜赶工的年轻设计师成为用人首选；另一方面，许多设计师在职业生涯中期会向管理岗位或其他相关职业转型。例如不少30多岁的UI设计师要么晋升为设计主管/经理，要么可能转行做产品经理、运营等。 此外，女性设计师随着年龄增加比例下降也较明显。不过，也有少数资深设计师坚持在专业路线深耕，在用户体验复杂领域继续发挥价值，这些人的年龄往往在30多岁，他们以经验和领域知识弥补了体力和潮流感觉的劣势。 总的来说，当前中国互联网设计师的年龄结构以20岁出头到30岁出头为主。年轻设计师富有创造力、学习新技术（如AI工具）的意愿强，是行业的生力军。但随着行业成熟，未来或许会出现更多资深设计专家，在某一个领域持续深耕的专家会出现匹配度竞争，合适的人会非常难找到。在匹配度高的领域，年龄可能不再是问题，进而突破目前年龄“天花板”效应。5. 学历背景 从学历背景来看，本科学历通常是互联网设计岗位的最低要求 。许多设计师拥有设计相关专业的背景，如视觉传达设计、数字媒体艺术和工业设计 。一些职位，尤其是在用户研究或更偏技术的设计领域，更倾向于或要求硕士学历，专业包括计算机科学、人机交互、心理学或相关领域 。 在招聘市场上，用人单位通常要求UI/UX设计候选人至少具备大专学历。大专毕业生在一些地区的UI岗位中占相当比重，例如广州的招聘数据显示大专学历的应聘者占比最高。本科学历在一线互联网公司中更为常见，很多知名企业倾向于招聘本科及以上学历的设计师。一些竞争激烈的岗位如果候选人学历低于本科，简历可能很难通过初筛。相对而言，研究生及以上学历的设计师并不多见，占比很小。 UI/视觉设计岗位对高学历需求没有研发类那么强，大部分从业者大学毕业即可胜任。因此整个行业的学历结构呈金字塔型：本科为主力，大专次之，极少部分是更高学位。 从专业背景看，UI/UX设计并非对应单一的大学专业，而是一个跨学科领域。许多从业者毕业于设计艺术类专业，比如视觉传达设计、平面设计、工业设计、数字媒体艺术等，这类背景给予他们美术功底和设计理论基础。此外也有不少设计师来自计算机相关专业（如软件工程、人机交互等）或心理学、工业工程等专业，这类人往往侧重交互设计、用户研究等方面。 总体来说，美术/设计科班出生的从业者在视觉设计领域具有优势，而理工科背景的设计师在交互逻辑、产品技术沟通上更擅长。近年来，一些高校和培训机构开始提供“UI设计”方向课程，但很多资深设计师是通过相关专业学习+后期自学进入该行业的。例如我就是从信息管理专业，从程序员开始，通过自学进入设计行业的。 学历和专业背景虽然重要，但并非互联网设计师职业发展的唯一决定因素。作品集和实际技能往往更能说明问题，因此业内也存在非科班出身的优秀设计师。 不过在当前就业形势下，科班背景+高学历无疑让求职更具优势：招聘方普遍认为设计师应具有系统的设计教育背景，有更好的学历代表有更好的学习能力，才能更快适应岗位要求。6. 从业经验年限分布 互联网设计师群体的从业年限普遍不长，以1～5年经验者为主。由于该行业兴起于近十余年，大部分设计师都还比较“年轻”资历。以北京地区的数据为例：在交互/UI设计师的招聘样本中，3–5年工作经验的人数占比最高，达到53%；1–3年经验的占约24%。 也就是说，将近四分之三的设计师拥有不超过5年的工作经验。5–10年经验的设计师比例相对较低，一般在20%左右；而工作10年以上的设计老兵更是凤毛麟角，仅占不到5%。 这一分布也反映了行业特点：成长快但流动大。许多设计师在入行头几年里迅速积累经验、涨薪晋级，但在5–8年时往往面临职业转型或升级的节点。如果无法迈向更高的职级（如设计主管/经理），一些人可能选择转行或创业，从而退出一线设计岗位。所以我们看到5年以上经验的人数占比不高。 经验年限和能力不完全线性相关，但通常3年以上经验的设计师在岗位竞争中更具优势——他们既有一定创意能力，又熟悉团队协作和业务流程，成为公司中坚力量。随着经验增长，设计师如果能不断拓宽技能边界（如学习新的设计工具、掌握前端知识等），则更能保持竞争力；否则可能会遭遇瓶颈甚至被更年轻且技能更新的后辈超越。 一些资深设计师正通过延伸职业生涯找到新方向。例如，有资深交互设计师跳出传统互联网产品领域，转向B端企业服务、复杂系统设计等蓝海，在这些领域多年经验反而是宝贵财富。 总体而言，目前行业内1～5年经验的人才是主力军，5年以上经验者要么走向管理层要么精耕细分领域。对于年轻设计师来说，前3年是打基础的关键时期；而对于有一定经验的人来说，持续学习新技能（尤其是AI相关工具）正成为延长职业生命周期的必要策略。7. 就业方式：自由职业 vs 上班 大部分互联网设计师仍以企业正式员工的形式受雇于公司，包括互联网企业的产品设计团队、专业设计公司或广告公司等。然而，随着工作形式多元化，选择自由职业的设计师比例正有所上升。在“斜杠青年”和灵活用工兴起的趋势下，越来越多的UI设计师尝试成为自由职业者，通过接私单、远程协作平台为客户提供设计服务。 自由职业设计师的吸引力在于时间和项目选择的自由。一些经验丰富且人脉资源广的设计师，通过自由职业获得了不错的收入和声誉。在豆瓣上有设计师自述，在30岁时从互联网设计师裸辞后做自由设计师，初期收入一度不稳定，但两年后年收入已与上班时期相当，并享受自主接单的灵活度。 尽管如此，上班仍是设计师的主流就业方式。一方面，大型产品设计项目通常需要团队协作，企业更倾向于内部设计师来把控；另一方面，初中级设计师往往通过在公司就职来学习成长。此外，自由职业也有挑战，例如项目来源不稳、需要自行谈判合同、缺乏社保福利等。 自由职业模式目前更适合资深设计师或细分领域专家，以及一些插画、品牌视觉等非UI细分方向的设计师。对于多数UI/UX设计师而言，进入企业工作依然是获取稳定收入和完善技能组合的主要路径。我身边就有不少从一线大厂离职后，转型做了顾问或自己创业做产品设计，不过赚到大钱的很少，基本上比之前在大厂时赚的要少。 值得关注的是，随着远程办公和自由职业文化的发展，未来企业和自由设计师之间的界限可能趋于模糊。一些公司开始采用外包或合同制的方式雇佣设计人才，以降低用人成本，这实质上为设计师提供了半自由职业的机会。在AI工具降低协作门槛、人才市场竞争激烈的背景下，自由职业者比例有望逐步提升，成为设计师就业方式的重要补充。AI浪潮下的机遇与挑战 面对汹涌而来的AI浪潮，互联网设计师群体既感受到了压力，也看到了新的希望。挑战在于：大量自动化设计工具（如MidJourney图像生成、ChatGPT辅助等）开始分担设计师的部分工作。一些公司因而减少了对初级设计师的聘用，要求现有设计师承担更多样化的职责。正如某一线互联网公司的设计总监透露的那样，公司已经淘汰机械作图的岗位，只有能提供策略价值的设计师才能“幸存”。 不少资深从业者坦言，这两年亲历了行业“大逃杀”：不会提升技能的设计师被市场淘汰，不少人甚至被迫改行。有美术专业出身的年轻设计师感叹，“学了很多年美术，还不如AI几秒钟生成的画”，看到“设计师改送外卖”的新闻不免焦虑。 然而，机遇同样显而易见。AI在提升效率的同时，也催生出新的设计岗位和需求。例如，现在出现了“AI体验设计师”之类的新角色，专门研究如何将AI更好融入产品体验；又如设计师开始研究“AI工作流”，用AI批量产出符合品牌调性的设计方案。 全链路型设计师因此更加抢手，他们既懂用户和业务，又会运用AI工具提高产出。在复杂产品和B端行业里（如汽车、医疗、企业软件），对这类兼具设计思维和技术背景的“设计翻译官”需求反而在增长。可以预见，能打通用户体验、商业策略和技术实现的“设计操盘手”将越来越值钱；而只会套用模板的美工型UI可能在未来五年内被AI大量取代。 综合来看，设计师岗位总量略有下降但未消失，岗位要求明显提高，优胜劣汰进程加速。设计师应顺势而为，积极拥抱AI技术，让自己从重复劳动中解放出来，专注于更高层次的创意和决策工作。在这种转型过程中，行业也在探索新的平衡：人机协作将成为常态，设计师的角色将从“工具使用者”升级为“策略制定者”和“体验统筹者”。 写到最后，我突然想到一个精妙又形象的对象形容AI和我们之间的关系：AI就像水一样，我们站在水里，水位逐渐上升，逐步淹没我们的工作空间。 现在低端的位置已经被淹没了，在高处的人又能扛多久呢？水位还在上涨，是时候决定，你是想在水中挣扎，还是学会驾驭这股力量，乘风破浪了。 本文由人人都是产品经理作者【彩云sky】，微信公众号：【彩云译设计】，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>对于同城实体生意来说，抖音是一个极具潜力的获客渠道，但如何在抖音上成功起号并持续获客却是一门学问。本文将为你详细解析抖音起号的三个关键阶段策略，帮助实体商家突破流量瓶颈，打造高粘性粉丝群体，实现业绩增长。</p> </blockquote>  抖音起号要像打游戏通关——不同阶段要用不同策略，否则永远卡在新手村。 ## 第一阶段：冷启动期（0-1万粉）——用争议破播放 起号的第一个阶段是冷启动，这个阶段的关键是让平台和更多用户认识咱们，目标是积累到 1 万粉丝，这可不是件容易的事。 在这个阶段，最有效的方法是制作 30 条有争议性的视频来打破播放量瓶颈。 这背后的逻辑其实很简单，有争议的话题能引发用户的参与欲，让他们忍不住在评论区发表自己的看法。这样一来，视频的互动数据就会提升，平台也会认为这个视频很受欢迎，从而推送给更多用户。 新手最要命的误区就是”端着拍”。店面全景、产品特写、老板自嗨式讲解…这类内容在算法眼里就像白开水，根本撬不动流量池。 这时候需要一剂猛药——争议性选题。记住这个公式：地域+数量词+争议标签。 比如”在厦门必须避坑的3个消费陷阱”。 内容策略：30条争议视频轰炸 选题公式：行业痛点+争议观点+本地元素 例：”装修最坑人的3种材料，90%的业主还在用” 准备30个本地化争议选题（例：同城服务类可用”这5种家政服务专坑年轻人”） 文案留钩子：”不服来辩”、”欢迎本地人来验证”…. 争议性内容就是要让用户在评论区评论区掰头，当两拨人在你评论区吵得不可开交时，算法会判定内容有传播价值，流量自然滚雪球。 ## 第二阶段：人设塑造期（1-5万粉）——用专业留粉丝 当我们度过冷启动期，有了一定的基础粉丝量后，就进入了人设处理期。 这个阶段的重点是留住粉丝，增强他们与账号的粘性，关键在于打造一个让粉丝信任的专家人设形象，而持续输出行业干货就是塑造专家人设的核心。 什么是真正能吸引粉丝的干货呢？行业最前沿的信息虽然重要，但单纯的信息很难让粉丝对你产生粘性。 真正有效的是带有明确立场的观点。比如，“近期本地市场有新动态，但大家别急着行动，先观察这几个关键因素。” 像这样的内容，不仅传递了信息，还给出了明确的观点和背后的逻辑，让粉丝觉得你很专业，能为他们提供有价值的建议，自然就会对你产生信任和粘性。 在这个阶段，你可以分享一些自己在经营过程中的经验教训、行业的潜在规则、解决常见问题的方法等等。通过这些深度的干货内容，让粉丝感受到你的专业度，逐渐认可你的专家人设。 ### 1. 内容转型：从争议到干货 干货公式：行业秘密+独家观点+实用建议 例：”2023年装修材料最新避坑指南” 例：”90%人不知道的空调保养技巧” 关键心法： 要给出明确立场（”我强烈建议…”） 要展示专业背书（证书/实操画面） ### 2. 账号升级 简介加上”XX年行业经验” 背景图放工作场景+客户见证 固定开场白：”我是XX店老板，专注XX行业XX年” ## 第三阶段：情感共鸣期（5-10万粉）——用故事锁客户 经过前面两个阶段，账号有了一定的粉丝基础和专业形象，接下来就进入了情绪价值赋能期。 要知道，真正让粉丝对你形成最高粘性的，既不是信息，也不是观念，而是人设，而人设的核心在于能给粉丝提供共鸣的情绪价值。 你可以用自己的经历来传递情绪价值。比如分享创业过程中的酸甜苦辣，那些遇到困难时的焦虑、坚持不放弃的决心，以及最后取得成功的喜悦。 像有位老板，分享自己创业初期资金紧张，四处奔波找投资的艰辛，以及在困境中如何调整心态、努力坚持，最终实现店铺盈利增长的故事。 这些真实且能引发共鸣的内容，让粉丝感同身受，觉得你和他们是一路人，从而对你产生更深的情感连接。 通过讲述自己的故事，让粉丝看到你的努力、坚持和成长，他们会在情感上与你产生共鸣，对你的账号粘性也会大大增强。 内容升级：从专业到人情 故事公式：创业艰辛+客户温情+行业情怀 例：”为了给孤寡老人修水管，我放弃了万元订单” 例：”客户送来的这面锦旗，让我哭了半小时” 本文由人人都是产品经理作者【老陈的深度思考】，微信公众号：【老陈的深度思考】，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>抖音作为拥有庞大用户基础的平台，吸引了众多品牌入驻，但并非所有品牌都能在抖音上盈利。这篇文章深入探讨了抖音上不少品牌亏钱的原因，包括平台机制、产品同质化、供应链管理等问题，并提出了品牌在抖音上实现盈利的思路和方法。</p> </blockquote>  抖音是很多品牌向往的地方： 中国 2/3 有效消费人口渗透、7亿 DAU、125分钟停留时长。不是所有的平台都叫抖音。 抖音也是很多品牌脑壳疼的地方： 大盘流量见顶，自然推流周期下降、付费流量越来越高。 一度有人说，抖音上不少的品牌都是亏钱的。为什么亏钱？有一个上市公司女总监提过一个点，她说抖音为每个品类都事先计算好了ROI，商家利润的天花板就在那儿摆着。 这背后有两点原因： 1. 抖音也要赚钱。控制好ROI后，商家为了提升销售额就必须加大投放，从而向抖音支付广告费。 2. 保证平台上的品类多样性。如果一个产品的ROI太高，逐利传染性会导致所有人都会跑去卖这个产品，其他品类生意就少了。这对整个抖音生态而言是不利的。 所以，抖音会将一个品类的ROI设置在一个合理范围内，做得再好的商家也只能在ROI范围内波动。那我们该怎么办？ 从2023年起，就有一部分品牌彻底不做抖音了。这些年里，“放弃抖音”“逃离抖音”的呼喊不绝于耳。但所有的品牌都在同样的平台机制下生存，为什么还有部分的品牌能挣钱？假如这背后没有潜规则，那么你我为什么不能成为这部分中的一员呢？ 改变不了抖音，我们可以改变自己。而从自身出发，做不好抖音、做不好小红书、做不好B站，可能都存在以下问题： 1、用户复购和老带新的效率低。这个问题的背后，其实是产品同质化的问题。当下大多品牌方关注于营销端，而产品的研发乃至整个供应链建设，都放在了成熟的加工厂上。这会出现什么问题呢？多个品牌依赖于少数加工厂的存量成果，导致大量同类产品流向市场。 它们在功能、品质等方面别无差异，只不过是披上了不同的LOGO标签。当这些品牌都在线上获客促销时，用户的选择是灵活的，他们对某一个同类品牌的产品没有多大的黏性，当然也就没有多少口碑裂变。 当年韩束，在抖音上被称为“没有爆款,只有价格和无数的赠品”，而后因为与银色大地@姜十七合作短剧后，霸榜抖音美妆销量月榜TOP1，在抖音狂揽10个亿。人人都在说韩束吃到了短剧的第一杯羹。但回过头来想一想，花钱买东西的用户可能会为短剧脑残买一次，不可能会买了一次又一次。背后还是产品力。 2. 品牌旗下多品类产品没有更好地承接客流。这与新的媒体渠道传播有着直接关系。特别是抖音、快手一类，它的推荐机制根据个性化兴趣推送信息，也就是兴趣电商。 品牌会根据不同的兴趣、场景等，制作多样化的内容去推送旗下产品。用户可能会在这样的场景下，被内容渗透而埋单。但他并不是买品牌的单，而是单个产品本身。 比如美妆品牌拿口红去做兴趣电商后，旗下的眼妆、护肤品等其他产品，其实很难从中获得这一波引流中获取变现。溢到商城或商品卡？其实落地页也是在标的产品上，其他产品销售并不多。除非，品牌再根据眼妆重新做兴趣内容，去触达兴趣人群。 此外，更多品牌其实是没有足够的SKU去缓解用户流失。当人们因为偶然的兴趣或“尝鲜”的冲动购买了你的产品后，你却没有更多其他的差异化新品去长期触达用户，就会导致这一波用户流失。这样一来，品牌需要不断高成本获客，不断接受获客回报率低的事实。 最终，品牌就在为平台、KOL打工。另外，多SKU销售，会帮助商家摊薄运营成本。一家淘宝店，基本夫妻档，但一个抖音店，不仅要拍摄运营还要场地、囤货、投放等。SKU适当多几个，人均成本和用地成本就会被摊薄，人效和坪效就出来了。 3.抖音营销认知的思维转变。在抖音上大喊亏钱的，大多是一些中小商家，因为他们进入抖音的第一要务就是卖货赚钱。 为什么大品牌不吐槽？第一是这么大个品牌说出来不好听，第二是人家根本就不是来赚钱的。大多的成熟品牌都将广告宣传的阵地。实际上，抖音整个电商生态链条就是从内容种草的宣传做起，这一个环节本质上是一个打广告的环节，必亏。 但很多人想一开始就挣钱，矛盾激化了。抖音电商后续的链条是店播、达播、商城，以及流量溢出到天猫京东等。 当然，去年那位约翰大佬在视频里也谈到了，溢出到商品卡都不太多了，溢出阿里京东微乎其微。这个过程中，店播的付费流量确实越来越高了，有人说都达到70%了。所以在这个环节，品牌想赚钱也很难，那么就只能去做收入做销量，做得好能在品类榜上有个排名。达播其实是重头戏。 我之前走访的诺特兰德，一年能有50亿销售，其合作过的抖音达人数量超过30万，每天有2-3万条达人视频内容在抖音更新。这其中头部达人可能会给些政策，而腰部尾部达人全是固定比例的分销合作。卖一单提一单，所以这个环节决定了品牌的利润所在。 最后就是商城、商品卡，这里作为交易承接点，主要考虑的就是页面设计等，没有多少成本，所以只要前三者做好了，商城环节还亏就要让负责人“提头来见”了。 这其中还有一个会大亏的地方是供应链。比如诺特兰德在抖音上的第一个爆款，是多维牛磺酸。 当时，该产品平均每天的销量是30万单，最高甚至达到60万单/天。像抖音这种超级平台，单品爆发几乎很难预估，所以品牌也不会大量囤货，所以这个时候就很考验供应链。 一旦产能接不住，订单交付不了，后续销售影响，那就窝火。 当时，诺特兰德是找了国内13个头部工厂一同生产，才勉强渡过。在这些硬件能力筹备好之后，才是我们要去考虑的货品与内容的组合、营销的差异化、序列化的投流等。用一个整体的思路去看抖音电商，该亏的地方变着法亏，该赚的地方使劲赚。 只要抖音没有你的ROI设计成不赚钱，那你就大概率能成为那10%的人。思维决定行为，行为决定结果。 本文由人人都是产品经理作者【黄晓军Marvin】，微信公众号：【青鸟消费Talk】，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。

 小岛秀夫于日前在社交媒体发文，回顾小岛工作室目前的四大项目。除了即将于6月26日发售的《死亡搁浅2: 冥滩之上》之外，更有与 A24 联合制作的《死亡搁浅》真人大电影、与 PlayStation 合作制作的动作谍报游戏《PHYSINT》、与 Xbox Game Studios 合作制作的恐怖游戏《OD》。详情如下： # 《死亡搁浅2: 冥滩之上》 在《死亡搁浅2: 冥滩之上》中，开启一段震撼心灵的使命，寻找UCA以外的人类连接。山姆和他的伙伴们开启新旅程，拯救濒临灭亡的人类。加入他们，穿行这个异界敌人当道、充满艰难险阻的世界，探究一个挥之不去的问题：连接是必要的吗？  本作将于6月26日在 PS5 发售，3月17日上午10时起开启预购。豪华版可抢先48小时游玩。 # 《死亡搁浅》真人大电影 《死亡搁浅》真人大电影将由迈克尔·萨诺斯基执导。 迈克尔·萨诺斯的执导作品可以说颇有特色，代表作包括 《寂静之地》《罗宾汉之死》以及《救猪行动》等。《死亡搁浅》真人电影将由电影制作和发行公司 A24 与小岛秀夫联合制作。  小岛秀夫表示:“A24在约10年前横空出世，他们在业内独树一帜，是一家独一无二的公司。他们推出的电影都非常精彩，我一直怀着共鸣关注着这家公司。他们讲故事的创新方式与小岛工作室不谋而合，我们将一起制作DS电影。 现在已经有太多的&#34;游戏改编电影&#34;，但我们要做的不仅仅是直接&#39;翻译&#39;游戏，它不仅能让游戏玩家满意，也能让影迷们为之热血沸腾。我们将创造一个前所未见的《死亡搁浅》的世界，一个只有电影才能创造的世界。与A24的合作不仅将改变电影产业，还将改变游戏产业和数字娱乐的未来。” # 动作谍报游戏《PHYSINT》 小岛秀夫宣布将重返动作间谍题材，将与PlayStation合作带来全新IP的次时代动作谍战作品《PHYSINT》。 本作是一款互动游戏，但同时也是一部电影，在外观、故事、主题、演员、表演、时尚和音效方面都是如此。  这部作品的制作将得到索尼互动娱乐的全面支持，汇集世界各地的尖端技术和人才，小岛希望通过这部作品，打破电影与电子游戏之间的壁垒，提供前所未有的新型互动娱乐体验。 # 恐怖游戏《OD》 恐怖游戏《OD》将探索“测试恐惧阈值”这一概念。与小岛秀夫的其他作品一样，他将在本作中同时负责策划、编剧和游戏设计等。曾获得奥斯卡奖的电影导演乔丹·皮尔（Jordan Peele）将作为创作伙伴之一参与。该作品将迎来多位创作者共同制作。 

 《博德之门3》八号补丁将于今日（4月15日）正式发布， Swen Vincke在其社交媒体称：我刚刚读完了整整48页的补丁说明。如果有一份米其林补丁指南，我会给这个补丁打三星。  该补丁首先增加了跨平台游玩，无论你是从PC加入PS5玩家，还是从Xbox与Mac用户一起游戏，《博德之门3》的多人游戏很快就将实现完全的跨平台进度同步，包括跨平台游玩——正如游戏之神所期望的那样。 更新上线后，你将能够直接邀请朋友加入你的跨平台大厅，无论他们使用什么平台，并通过拉瑞安网络查找其他系统上的好友并加入他们的多人大厅。  此外， 八号补丁将为你带来全新的玩法方式，为游戏中现有的每个职业——吟游诗人、野蛮人、牧师、德鲁伊、圣武士、战士、武僧、游侠、游荡者、术士、邪术师和法师——新增一个全新的副职。 分别是德鲁伊 - 星辰结社、 圣武士 - 王冠之誓、 武僧 - 醉酒大师、游侠 - 集群牧者、游荡者 - 风流剑客、术士 - 幽影魔法、邪术师 - 咒剑士、法师 - 剑咏者、吟游诗人 - 迷惑学院、野蛮人 - 巨人道途、牧师 - 死亡领域。  还有， 《博德之门3》新增了照相模式，它就像一个照片亭，让你可以设置几乎任何你想要的镜头。这个新功能引入了大量选项，让你可以自定义和编辑游戏中的照片，根据你是在冒险、战斗、对话还是电影场景中使用，提供不同层次的自由度。  此外，还有相当多的各种细节调整，新增动画、语音等，还有此前问题的修复。

 《杀戮天使》官推今日发文：今年八月份是《杀戮天使》推出十周年。快十周年了，不知道会有什么大计划吗？从明天起，请勿错过《杀戮天使》社媒的最新动态！  《杀戮天使》（杀戮の天使）是一款由星屑KRNKRN（真田まこと）制作、AGM PLAYISM及Mugen Creations发行的解谜类免费游戏，并且在2018年7月6日播出了本作的动画版。 

作者 | 钟艺璇 综合现有的家用半自动咖啡机市场来看，一些主打性价比的品牌无法做到口感和风味上的良好体验，而头部商用咖啡机品牌开发的家用咖啡机系列，除去价格昂贵之外，使用场景也更适合专业的咖啡师家庭，人机交互体验并不对新手友好。 但现在，新手在家也能做一杯专业咖啡了。 36氪近期接触到的一家公司就专注于此。「Meraki」是一家专注于家庭场景下的半自动意式咖啡机研发的公司，目前出口以欧美为主的海外市场，定价1800美元左右（折合人民币13000元）。 **创始人陈旭用了三个关键词向36氪总结Meraki的特点——商业化配置、对新手友好的人机交互、以及相同配置下的最小尺寸。** Meraki沿用了商用咖啡机的高配置，采用泰摩同款专业磨豆机配置，并配套自研小尺寸的商用级旋转泵，以及PID双锅炉系统，内置的温度传感器和称重设计确保了出杯的风味稳定。 此外，在人机交互上，Meraki也从零开始研发了一套交互系统。 由于每类咖啡豆适合的参数都不同，研磨度、咖啡粉量，萃取液体以及温度的差距，都会带来截然不同的口感。家庭场景下，人们制作咖啡更倾向于口味和体验的多元化，但是对多数人来说，调整咖啡豆参数却成了日常的一大难题，调整制作参数的过程既耗时又浪费咖啡豆，如果机器稳定性差，调好的参数可能又会发声变化，导致在家制作高品质咖啡对于新手来说极不友好，咖啡豆的浪费成本也高。 **门槛高、怕出错，换言之人机交互体验差，这是人们过去不敢入手半自动意式咖啡机的重要原因之一。** 在这一点上，Meraki搭配CoffeeSense™技术，即通过和上游烘焙厂合作，出厂咖啡豆由专业咖啡师调整参数，再将咖啡豆包装袋贴上NFC芯片。用户拿到此类咖啡豆后，只需将芯片在Meraki咖啡机上一扫，即可自动同步参数，再按照个人喜好进行风味微调，就可以享用一杯咖啡师级别的咖啡。  Meraki产品细节图 陈旭还告诉36氪，在购买Meraki的用户画像中，有4成都是第一次购买意式咖啡机的用户。“很多人会以为我们1800美元的价格对应的是升级需求，但其实不是，许多用户都把第一次购买咖啡机的机会给了Meraki。” 这也意味着，一个咖啡新人同样会对咖啡口感有着高要求。数十年来，连锁、精品甚至即饮咖啡在全球范围的普及，已经在潜移默化中培养和提升了咖啡消费者的口味，换言之，今天我们或许做不出一杯好咖啡，但一定能在街边喝到一杯好咖啡。 陈旭说，Meraki的人机交互设计是从“培训咖啡师”角度出发的，“这并非提升操作难度，而是用简单的表达来做专业的事情，反观市场上一些纯小白的操作体验，有时候并不能做出一杯好的咖啡”。 他以市场上现有的咖啡机举例，一些小白咖啡机产品的操作界面以简单的“拿铁”和“卡布奇诺”分类，但真正影响浓缩咖啡风味的是研磨度，粉量，液量，萃取温度，至于最终决定风味的咖啡豆参数本身，却并未做出差异化，这类咖啡机做出的咖啡口感必定会令人失望 **所以，Meraki的人机交互从咖啡的研磨、萃取和称重这三大模块出发，从零开始设计了一套交互系统，用直观简单的交互界面，呈现可比咖啡师培训系统的专业内容。** 例如在称重环节，Meraki并非以时间为目标，而是以克重为标准，精准到粉克重、出液克重分值，如果是更加专业的使用者，还可以利用Meraki调节萃取温度和研磨度。  Meraki产品图 截止到今天，全球咖啡机市场空间广阔，QYResearch数据显示，2023年全球咖啡机市场规模大约为132.9亿美元，预计2030年将达到167.2亿美元，2024-2030期间年复合增长率（CAGR）为3.3%。其中以德龙和Breville为代表的家用意式咖啡机的年复合增长率保持在15%左右。另外，在国内咖啡品牌的市场教育和疫情催生下，家用咖啡机需求开始大幅显现，以国内为例，据奥维云网数据显示，中国家用咖啡机市场销售额规模在2018年-2022年由11.1亿元逐年增至23.7亿元，复合增长达到22.7%。 而在欧美市场，家用咖啡机的需求只增不减。美国与欧洲向来在咖啡机消费市场中占据领先地位，Statista数据表明，2022年两者市场规模分别达35.2亿美元和49.8亿美元，占全球市场的29.4%、41.6%。以美国为例，作为咖啡消费大国，美国拥有1.5亿左右的咖啡狂热爱好者，其中有80%的人习惯在家中享用至少一杯咖啡，家用咖啡机市场潜力更胜。 创始人陈旭告诉36氪，自己拥有长期的海外生活经验，曾在戴森担任产品研发，创业时之所以选择咖啡机这一传统类目，目的就在于希望填补家用咖啡机“专业配置+低门槛”的市场空白。 溯源咖啡机历史来看，半自动意式咖啡机在1960年代已经基本发展成熟，此后长期被欧美小家电巨头把控，加之咖啡机技术门槛高，导致产品迭代缓慢。但陈旭认为，人们对制作咖啡的需求体验不降反升，“很多产品已经跟不上大家的需求，我们也希望有机会去把这个类目颠覆一下，去和传统的欧美公司竞争。” 简而言之，如果说在过去，一袋好的咖啡豆、一个好的咖啡师、一台好的咖啡机，都是做出一杯好咖啡的必要条件。那么在今天，Meraki想让一个新手，也能在家做出一杯好咖啡。 据悉，家用意式咖啡机品牌「Meraki」近期已完成千万级天使轮融资，此轮融资由凯风创投、海益投资、泰摩科技共同投资，所获资金将投入产品研发、市场拓展等关键环节。

Federal notices said the Trump administration had opened national security investigations that could lead to new tariffs on semiconductors and pharmaceuticals under Section 232 of the Trade Expansion Act of 1962.

美国对等关税改来改去，中国企业各有应对方法。

一文读完一周出海热点

<blockquote><p>在拼多多平台上，新店的冷启动阶段往往充满挑战，尤其是对于那些接手“一塌糊涂”店铺的运营者来说。本文将通过一个实战案例，详细复盘如何在短短7天内，通过优化链接、准备素材、精准推广等策略，将一家拼多多新店的转化率提升50%。</p> </blockquote>  我就发现了，自从做了拼多多代运营后，自己就像救火队长，经常接到一些上一个代运营或者前运营做不起来的店。虽然不知道这种店之前犯过什么事，有没有被处罚降权过，但是为了甲方的长远发展（我要搞钱），做了些简单的评估后，大部分店铺都还是接了下来。 接别人做的一塌糊涂的店是什么感受呢？就好比，进了一间特别凌乱的房间。你看那直通车，有的开1的投产比，有的开15的投产比，你看那链接，有的挂15块，有的挂149块。 对于这样的店铺，首先就要来一遍大扫除，怎么扫呢？该删的链接删，该优化的链接留下来优化，该关的卷和自动跟价啥的关。等等忙完之后，就进入了我的正题工作，重新做链接。 ## 01 链接转化特别低 本篇就复盘下我接的其中一家白牌店，洗护类目，客单50左右，主打的常规去屑去油功能。当我接手这个店时，店里已经有了5条再跑链接了，跑的数据极为凌乱，2条在跑稳定，2条在跑托管，还有1条托管稳定都暂停中。 我拉长30天的数据，投产比1左右，没什么单，但是实际投产比的出价在3左右了，咋跑出来1的。空烧呗，这种每天空跑不成交的链接，最容易跑出离谱的投产比了。为啥转化低？这就是咱接下来的工作了。我把他们已经上架的链接拎出来，从主图到标题，从评论到详情，都分析了一遍。 还别说，之前的运营虽然链接做的不咋地，但是评论基础做的挺到位，每个链接都有300多条评价。这么多评价，他为啥就是不出单呢？剖析完整个链接我知道了，完全没有章法可言哇。 你这个洗发水是卖给去油去屑的中年人的，标题里咋还带着孩子老人KTV这样的关键词？是想男女老幼会所通吃？SKU做的价格乱糟糟的，1瓶2瓶3瓶的价格毫无梯度，都不知道你到底主打的是哪个SKU。如此，数据能好才怪了。 ## 02 准备各种素材 接下来，好戏登场。我做代运营由于是个人在做，没有设计嘛，所以作图这块都是提交需求给甲方。这个洗发水也是如此，我让甲方拉个群，专门把设计拉进去。我就在淘宝和拼多多上找对标的素材。 咱们的客单是50左右，走的是中等偏上的路线，素材这块肯定要往高大上方向去走的。你看之前运营做的图，跟9.9两瓶那种链接素材一样，你卖50块，傻子才买。 所谓设计是调出来的，根据我这边的需求设计重新做的素材明显比之前的高了几个档次，视觉这块过关了，接下来就是文案了。我知道自己切的是年轻人、中年人，所以在标题里会带上家庭、女、网红推荐这样的关键词。在SKU这块，也是先把榜单上的链接SKU都扒了下来。 他们是品牌+功效+规格，我也这样写。他们是营销词+规格，我也这样写。大家自己不会做运营，难道借鉴都不会吗？ 原本想让甲方把详情图都重新做一遍的，但是甲方的预算吃紧，我就上老详情将就着用了。价格这块怎么设置呢？肯定是拼单价+限时限量+优惠券了。虽然我卖价49，但我是券后49，和你拼单价49，他就是不一样。 这一套东西整理出来后，我才正式上链接。我的习惯是上架前，所有的素材（主图SKU图详情图）都整理到一个文件夹中，所有的SKU名称和价格都整理到文档中去，上架就是纯铺链接了。当我把链接上架好之后，我就知道，我这个链接肯定能打。 ## 03 转化从1%到5% 链接上架后，那就开车嘛。开车怎么开？快速入池咯。卖价49，成本**，保本投产比*。我直接托管2的投产起步。2投产最大的好处就是，系统给你拉到的都是精准人群，在哪看出来的呢？在转化这块。2投产之下，客单49的品，转化率直接干到10%。 你真以为自己链接转化率牛掰了，如果你信了？那你就上当了。这种极低投产比之下的转化率是不准的，真正考验链接的是二阶段保本投产比下的转化率，那个才是真实的。 很幸运，在2投产的不惧亏损之下，2天跑完极速起量。那我切到稳定成本，按保本投产去跑咯。投产比直接拉升，就看这个链接能不能打了。切到稳定成本，确实跑的有点吃力。白牌嘛，没人群，前期费力是正常的。那我就继续20块钱一笔成交去拉人群，也不怎么亏，毕竟咱是白牌，高价高利润。 就这样高出价，每天稳定出单50+单，转化率稳定在5%左右。这个转化率高吗？要看跟谁比了，跟9.9两瓶的比，不高。但是跟之前他们找的运营做的数据比，那我做的数据是相当的高了。 本文标题写的提升50%，实际上提升的远不止这些，这不是怕夸大宣传嘛，所以悠着点写。为什么同样的品，转化率能从1%做到5%，就是因为准备素材环节，同样的事情，我们做的比别人更精细，更精准。 ## 04 最后 从准备素材到开车推广，也就7天左右时间，一个完全没起色的店，被我们硬生生的给救起来了。万幸的是店铺没有被隐形降权，不然做不起来，真的不知道是能力不行还是其他什么原因了。 说真的，也确实遇到过我们接手的老店怎么做都做不起来的，后来在我们的要求下，给了个新店，那数据直线起飞。拼多多就是这样神奇，你店铺起不来的原因有很多，但是平台就不会告诉你原因，只有靠自己猜了。 本文由人人都是产品经理作者【老虎讲运营】，微信公众号：【老虎讲运营】，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。

 黑神话：悟空》现已为 Epic 游戏商城的玩家带来版本号为1.0.16.18901的最新更新，带来DLSS 4.0 及 Xess2.0 、问题修复以及泰语支持。据悉，其它平台亦将陆续更新。以下是完整的补丁说明：  ### 主要更新内容 - 新增语言设置：泰语 - 集成NVIDIA DLSS 4.0技术，使用支持相关技术的硬件时，将获得更清晰的超分辨率采样效果，并且可在设置界面启用多帧生成技术 - 集成Intel XeSS 2.0技术，使用支持相关技术的硬件时，可在设置界面启用XeSS帧生成技术 ### 问题修复 - 修复天命人先打出一段切手技，接续翻滚/闪身，再释放定身/部分化身技后，会无法打出二段切手技的问题 - 修复部分文本中的错别字

<blockquote><p>在当今新媒体时代，个人IP的打造和运营成为品牌建设和商业变现的关键。一个成功的商业IP不仅能够吸引大量粉丝，还能转化为可观的经济效益。本文将深入探讨商业IP爆火出圈背后的流量密码，供大家参考。</p> </blockquote>  IP是一种具有文化沉淀价值的无形资产，是你的个人品牌名片，可以让用户以最快的方式认识你、信任你，甚至转化到私域成交。 放到新媒体行业，IP的商业化和持续开发能力，是其价值的重要体现。 我之前也遇到过不少土老板，问我直接模仿xx账号，对标起号行不行？我无比汗颜，要知道单纯的去对标某一类账号，去构建自己的IP是很难突破的，因为个人IP带有强烈的个人色彩和过往经验沉淀。 就像我的IP商业拍摄、小红书运营、短视频运营、直播运营、私域运营还有线上获客转化这些我都懂点，这也是新媒体运营人的通病：啥技能都会一些，虽然专而不精，但是对于中小企业的用人要求来说，足以。 为了更好地描述和理解商业IP的价值，我做了以下几点拆分： 文化价值： IP就像一个故事的载体，它承载着丰富的文化意义和情感价值，能够触动人心，建立起深厚的情感纽带。 这种典型的就是文旅类的IP账号，比如故宫积极拥抱新媒体，利用高分纪录片《我在故宫修文物》打破传统刻板印象，以幽默风趣的方式介绍故宫文化和历史，形成反差萌，迅速吸引了大量关注。 随后，通过运营社交媒体账号，创造热梗和段子，与年轻用户建立了紧密联系。 独特性：要知道拥有独一无二特质的IP，是不容易被轻易模仿的，比如【麻辣小鲜肉】，这个账号就很吃博主的表现力和选题策划，而粉丝愿意看的，就是这种原汁原味啊。甚至会在评论区发自带语音的经典台词，（捂嘴）好啦，我相信~ 故事性：许多IP背后，往往是有多个角色扮演，通过剧情演绎赋予IP更深层次的内涵和意义，让粉丝在潜移默化的追剧中被教育。 比如戏精牡丹的瑶池姐妹系列，虽然都是博主来出演的，但是打造的人设赵凯丽、Fiona也能让老粉一眼辨别。 识别度：IP需要拥有极高的辨识度，无论是通过鲜明的视觉元素、独特的语言风格还是其他形式，都能让人一眼认出。 每一个IP在打造过程当中需要找到自己的独特性和专属性，从而建立自己的标签符号，比如我的口头禅：做运营的那么多，可是真秃头的没几个啊。 这也是我在做商业IP孵化时，会给IP本人设计视觉锤或者语言钉的原因，让观众一看到某物品，一听到某句话就想起你。 品牌价值：这种更适合深耕多年的大品牌，比如吃火锅怕上火，是不是得来瓶王老吉？这类型的商业IP能够转化为强大的品牌价值，通过品牌故事、形象打造和场景化展示，增强消费者的认知和忠诚度。 商业潜力：我一直都在说，IP的商业潜力不在于粉丝量多少，而在于它能否创造经济效益，包括直接销售、授权贴片转播、商务合作等多种方式。 运营圈里有句玩笑话：小火靠捧，大火靠命，但商业IP能否爆火背后，往往都有规律可循： 1.时机点很重要。比如，哪吒2就是在春节期间靠用户口碑传播而迅速爆火出圈的，而且同档期的其他电影也不够打啊，全靠同行衬托。 2.要不断创新形式。打造IP的过程，需要在形式上创新，比如说如果你想吃彩虹群体的流量，那在拍短视频的时候露下白袜，话题标签tag加上#熊狒#脂包肌#u熊#有肉感的小胖子，那你肯定被我放进收藏夹了！ 3.人设要自洽而非演绎和装。自洽指的是对自己的认可和认同，而不是出于为了打造IP特点去夸张演绎，俗话说穿衣装B，天打雷劈，一旦违背自己的本性去‘装’人设，是很容易露馅的。 4.不断修炼内核，寻找共鸣点爆发。有时候热点不要硬蹭，而要结合IP的自身特色和长期积累，比如说前几天小米SU7 Ultra发布引发全民热议，更是直接带动了大批汽车类自媒体IP的整体流量。如果你正好是做汽车自媒体的，或者是事件营销策划的，那么这个热点就是你爆款的契机。 本文由 @秃头老王聊运营 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

 《永恒天空》携带着全新内容、全方位的体验优化与性能升级正式上线1.0。开发团队感谢在过去22个月参与抢先体验的每一位玩家——无论是参与封闭测试、体验Beta分支、提交反馈、撰写Steam评测，亦或是单纯享受游戏的玩家，都是抵达今日里程碑的重要伙伴。 详情如下： 生物群落系统 永恒天空的世界现已被划分为多个独特的生物群落。在此之前，地图的完全随机化曾导致游戏出现少量问题，特别是在游戏进程推进以及升级获取方面表现得尤为明显。  通过设计具备特定地貌、资源与视觉风格的生物群落，我们在保留程序生成多样性的同时，构建了层次分明的游戏世界。 新增场景/资源 1.0版本新增大量可探索区域，包含大型场景“车间”，以及小型资源点“荧光植物”，玩家可在此类废墟中着陆并采集新资源 - 荧光素。  终章：第四章只需要在此章节末尾获得&#34;1.0 解药&#34;后，再将其带回方舟里的殖民基地就行了。听起来很简单…对吧？  更多额外内容 - 巨型生命体：难以战胜的稀有生物，但近距离观察有几率解锁隐藏区域 - 收集与奖励：通过世界壁画与遗物收集，以解锁飞艇定制涂漆外观 - 新物品：工具、飞艇气球、资源与合成配方 - 性能优化：整体表现提升，新增DLSS帧生成支持 - 平衡性与体验改进：新增物品上限提升、任务流程优化、UI缩放、数据库“一键已读”、用于减轻升级时赘余操作的“材料自动合成”等更多内容

**NVIDIA官方宣布，第一次在美国本土制造其Blackwell GPU芯片，并第一次打造完全在美国本土制造的AI计算机。**NVIDIA已经与伙伴联合建设了面积超过100万平方英尺(约9.3万平方米)的芯片工厂，其中**台积电开始在亚利桑那州制造、测试Blackwell芯片**，Amkor、SPIL在亚利桑那州进行Blackwell的封装、测试。 **富士康、纬创分别在得克萨斯州的休斯顿、达拉斯，同步制造基于Blackwell芯片的AI超算。** [](//img1.mydrivers.com/img/20250415/4ffb89120fca45758257e384eecd881b.jpg) 未来12-15个月，美国制造的Blackwell芯片和AI超算都会陆续投入大规模量产。 NVIDIA透露，这些工厂会使用NVIDIA先进的AI人工智能、Isaac GROOT机器人、Omnivere数字孪生等技术。 NVIDIA计划在未来四年，与上述五大伙伴联合，**在美国本土制造最多价值5000亿美元的AI基础设施。** [](//img1.mydrivers.com/img/20250415/af9523d67bb6409ca6d72d3304e1de4e.jpg) 去年11月，美国宣布向台积电提供66亿美元的补贴、50亿美元的贷款，支持其**在美国投资650亿美元，建设三座先进的晶圆厂**，初期投产4nm工艺，未来将生产2nm甚至更先进工艺。 今年3月初，台积电CEO魏哲家在美国白宫宣布，**将在美国追加投资1000亿美元**，总额因此高达1650亿美元。 这笔新的投资将用来建设三座晶圆厂、两座封装厂、一座研发中心，有望创造超过2万个工作岗位，**苹果、AMD、NVIDIA、高通都是其客户。**    [查看评论](https://m.cnbeta.com.tw/comment/1492910.htm)

<blockquote><p>智能 NPC 正在重塑数字世界的交互形态 —— 从开放世界游戏中动态博弈的 AI 敌人，到元宇宙中具备情感认知的虚拟助手，其技术落地背后是多学科知识的系统化整合。作为深耕 AI 交互领域的从业者，我将通过 24 篇递进式技术博文，构建一套覆盖「基础理论→技术实战→工程化落地」的完整知识图谱，助你掌握可复用的 AI NPC 开发方法论。</p> </blockquote>  ## 一、为什么需要这套知识体系？ 当前 AI NPC 开发面临三大挑战： ❶ 知识碎片化：算法原理、工程实现、产品落地等环节缺乏体系化串联，难以形成完整技术栈 ❷ 工具适配难：Mac 芯片环境配置、国产大模型部署等实操细节缺乏系统性指南 ❸ 落地成本高：个人开发者难以跨越技术门槛，企业项目常因流程不规范导致效率低下 本系列聚焦「可落地的工程化思维」，以「理论解析→工具选型→实战验证→产品化评估」为主线，打造从技术原理到商业落地的闭环体系。每篇内容严格遵循需求文档中的「渐进式学习曲线」，确保个人开发者可独立完成实操，企业团队能直接复用方法论。 ## 二、24 篇内容的递进逻辑：从地基到高楼的五层架构 整个系列按技术复杂度分为五大模块，每模块包含明确的知识节点和阶段成果： ### 模块一：基础理论篇（4 篇）—— 夯实技术地基 核心价值：建立 AI NPC 技术认知坐标系 知识重点： ✅ 机器学习三大学派（监督学习 / 无监督学习 / 强化学习）在 NPC 中的差异化应用 ✅ NLP、CV、RL 等核心技术如何赋能 NPC 的「听、看、决策」能力 ✅ 国产工具链入门：百度 BML 建模平台、ChatGLM3 本地部署实战（仅供参考） 阶段成果：掌握 AI NPC 技术选型的底层逻辑，完成基础对话 NPC 原型搭建 ### 模块二：认知构建篇（3 篇）—— 定义智能边界 核心价值：建立 AI NPC 能力评估与需求管理体系 知识重点： ✅ 四维能力模型（认知 / 决策 / 表达 / 进化）量化评估标准 ✅ 从《仙剑》脚本 NPC 到《赛博朋克 2077》大模型 NPC 的技术演进路径 ✅ 产品经理专属：AI NPC 需求文档规范（含不确定性管理条款） 行业案例：拆解《逆水寒》NPC 系统的技术架构与用户体验设计 ### 模块三：技术基础篇（6 篇）—— 攻克核心模块 核心价值：掌握 NPC 系统的工程化实现路径 知识重点： ✅ 对话系统、记忆存储、多模态交互等核心模块的架构设计 ✅ Mac 芯片专属优化：PyTorch-MPS 加速配置、Core ML 模型转换教程 ✅ 实战工具：Unity Behavior Designer 可视化行为树、PaddleSpeech 语音识别集成 阶段成果：第 12 篇完成「迷宫寻路智能体 Demo」，实现 NPC 基础决策能力 ### 模块四：进阶实战篇（6 篇）—— 拓展复杂场景 核心价值：解决规模化落地的关键挑战 知识重点： ✅ 端到端开发全流程：从数据集构建到引擎集成的 20 + 优化技巧 ✅ 分布式系统、内容安全、轻量化部署等企业级解决方案 ✅ 多智能体协作：Mesa 库模拟 NPC 社交网络涌现现象 实战案例：某 MMO 游戏 NPC 对话跳出率降低 37% 的 AB 测试复盘 ### 模块五：专业拓展篇（5 篇）—— 探索前沿边界 核心价值：构建技术视野与职业能力体系 知识重点： ✅ AI 伦理、神经符号系统、元宇宙架构等前沿议题深度解析 ✅ 工程化实践：Jenkins+Docker+K8s 全流程自动化部署 ✅ 职业发展：AI 产品经理能力雷达图（技术 / 产品 / 行业三维度评估） 产出物：第 24 篇提供「职业能力发展模型」，含认证体系与资源地图 ## 三、系列特色：为落地而生的三大保障 ### 1. 本土化工具链全覆盖 - 推荐方案：ChatGLM3-6B（本地推理）、Unity ML-Agents（强化学习）、Stable Diffusion（视觉生成） - 替代方案：文心 ERNIE（API）、MindSpore Reinforcement（国产框架）、腾讯 ARC Lab（视觉工具） - 设备适配：所有案例 100% 支持 Mac M1 芯片，提供 MiniConda 环境配置、Unity Metal 优化等独家技巧 ### 2. 产品经理专属模块 每篇包含「PM Checklist」四连问： ✅ 技术可行性：当前方案的工程化难度分级 ✅ 开发成本：数据标注 / 模型训练 / 硬件适配的资源测算 ✅ 体验风险：对话重复率、响应延迟等关键指标监控 ✅ 合规审查：《生成式 AI 服务管理办法》落地要点 ### 3. 渐进式案例体系 - 阶段一：单一功能 NPC（对话 / 寻路基础 Demo） - 阶段二：多模态 NPC（语音 + 表情 + 动作交互原型） - 阶段三：群体智能 NPC（社交网络模拟与涌现行为观测） 所有案例提供 可运行代码、Mermaid 原理图解、CSV/JSON 数据集示例 ## 四、适合谁读？ ✅ AI 产品经理：掌握技术与业务的转化语言，学会用「PM Checklist」评估方案价值 ✅ 独立开发者：获取 Mac 端全流程适配指南，实现 100% 个人可完成的实操案例 ✅ 技术爱好者：深入理解 NPC 系统架构，积累多模态融合、强化学习实战经验 ## 五、如何开启学习？ 我们开始正篇内容： 《AI启蒙：机器学习三大范式，在交互世界初遇NPC》 将解析监督学习与无监督学习的本质差异，通过简单实战的玩家行为聚类，并演示快速建模流程 —— 这是后续所有实战的理论基石。 暂定每周更新一篇（案例需要较长时间进行搭建），24 周完成从「技术通识」到「复杂系统设计」的能力升级。无论你是计划转型的从业者，还是深耕交互领域的开发者，这套体系都将成为你构建 AI NPC 系统的「技术地图」。 ## AI启蒙：机器学习三大范式，在交互世界初遇NPC **系列引言：** 大家好，我是 Mu「本姓」，一名专注于AI驱动智能NPC方向的AI产品经理。在游戏、VR、AR与元宇宙的浪潮中，我们都渴望创造出不再是简单“工具人”、而是真正拥有“灵魂”、能够与玩家产生深度情感连接的虚拟角色。 这个系列笔记，便是我以产品经理的视角，探索如何利用AI技术（尤其是机器学习）为这些交互世界中的NPC注入生命力的学习与思考沉淀。我们将一起从基础理论出发，逐步深入技术核心，最终探讨前沿趋势与职业发展，全程聚焦于我们热爱的交互娱乐领域。希望这份笔记能为你我带来启发，共同推动“活”的NPC从梦想照进现实。  想象一下： ❶ 在广袤的开放世界游戏中，你遇到的路人NPC不再是重复播放固定台词的“背景板”，而是能根据你的行为、穿着甚至过往事迹，产生截然不同的反应和对话； ❷ 在沉浸式的VR体验里，与你互动的虚拟伙伴能够理解你的手势、甚至捕捉到你微妙的表情变化，做出自然且充满情感的回应； ❸ 在元宇宙的社交空间中，AI引导者能根据你的兴趣图谱，为你推荐活动、介绍朋友，如同真人般贴心……这些令人心驰神往的场景，正是智能NPC的魅力所在，也是驱动我们不断探索AI技术边界的动力源泉。 而这一切“智能”的背后，**机器学习（Machine Learning, ML）**扮演着至关重要的奠基者角色。 它赋予了计算机从数据中学习规律和模式的能力，让NPC的行为不再完全依赖于开发者预先编写的庞大而僵硬的规则库。 Mu 身处VR/AR/游戏/元宇宙前沿的**AI产品经理**，我们或许无需亲自编写算法代码，但**深刻理解机器学习的核心思想与主要范式，却是我们做出明智技术选型、定义NPC能力边界、评估开发成本与风险、有效协同设计与技术团队、最终打造出卓越用户体验的关键前提。** 为什么有的NPC感觉“聪明”，有的却很“呆板”？为什么有些AI特性实现成本高昂，有些则相对容易？这些问题的答案，往往就隐藏在所采用的机器学习范式之中。不理解这些基础，我们就如同盲人摸象，难以把握AI NPC产品的核心脉络。 那么，机器学习究竟有哪些主要的“流派”？它们各自的“学习方式”有何不同？在塑造我们钟爱的游戏、VR、AR及元宇宙NPC时，它们又分别扮演着怎样的角色，带来了哪些独特的可能性与挑战？ **在本系列的第一篇文章中，我们将一同踏上这场AI启蒙之旅，重点探索机器学习的三大核心范式：**  - **监督学习 (Supervised Learning)：** 有标准答案的“老师傅带徒弟”模式。 - **无监督学习 (Unsupervised Learning)：** 在未知中探索的“自学成才者”。 - **强化学习 (Reinforcement Learning)：** 在试错中成长的“实践派”。 我们将剖析它们的基本原理，通过大量来自**游戏、VR/AR等交互世界**的实例，直观感受它们如何赋予NPC不同的“智慧”。 同时，我们将**从AI产品经理的视角出发**，探讨每种范式的**选型考量、数据需求、成本因素以及对产品体验的深层影响**，并提及一些代表性的算法类别及其产品层面的特点。 让我们正式开始，为后续的探索打下坚实的地基！ ### 机器学习的核心在于“学习”。 不同于传统编程需要开发者明确指令每一步操作，机器学习让程序能够通过分析数据来改进自身的性能。 **而根据“学习”方式的不同，主要分为以下三大范式：** **1、监督学习 (Supervised Learning)：目标明确，按“标准答案”学习** **1️⃣ (技术原理):** 这是目前应用最广泛、技术相对成熟的一种范式。 它的核心在于，我们提供给机器学习模型的训练数据是**包含“输入”和对应的“正确输出（标签）”**的。 就好比我们给学生做习题，并告诉他们每道题的标准答案，学生通过反复练习，学会从题目（输入）推导出答案（输出）的规律。  监督学习主要解决两类问题： - **分类 (Classification)：** 输出是离散的类别标签。例如，判断一张图片里是“猫”还是“狗”。 - **回归 (Regression)：** 输出是连续的数值。例如，根据房屋的面积、位置等特征预测其“价格”。 **2️⃣ (游戏/VR/AR场景应用):** 在我们的交互世界里，监督学习大有用武之地： - **玩家意图识别 (分类):** 在MMORPG或社交元宇宙中，分析玩家在聊天框输入的文字，判断其意图是“寻求组队”、“交易物品”、“询问任务”还是“举报骚扰”，以便NPC或系统能给出最恰当的回应或引导。 - **敌人/物体类型识别 (分类):** 在射击游戏中，AI敌人通过“视觉”（游戏引擎中的信息）识别玩家、队友、不同类型的掩体或重要目标；在AR应用中，识别现实世界中的特定物体（如一张海报、一个产品）以触发交互。 - **手势指令识别 (分类):** 在VR/AR中，通过摄像头或传感器捕捉用户手部动作数据，判断用户做出的是“抓取”、“释放”、“确认”还是“返回”等指令，驱动虚拟手或界面进行交互。这对于自然交互至关重要。 - **玩家行为预测 (分类/回归):** 根据玩家历史行为数据（登录频率、游戏时长、社交互动、付费记录等），预测其流失风险（分类），或者预测其在下个周期内可能的消费金额（回归），为运营活动或NPC的个性化挽留/推荐提供依据。 **3️⃣ (提及代表算法类别及其产品特点):** - 监督学习旗下有众多算法，常见的类别包括：  - **逻辑回归 (Logistic Regression):** 简单、快速，适合处理线性可分的二分类问题，可解释性尚可。 - **决策树 (Decision Trees):** 非常直观，像流程图一样易于理解和解释，方便策划或设计师理解NPC的简单判断逻辑。但容易过拟合，对复杂模式处理能力有限。 - **支持向量机 (SVM):** 在某些中小型数据集和高维空间（如文本特征）分类任务上表现优异，理论基础扎实。但对大规模数据和噪声敏感，可解释性较差。 - **神经网络 (Neural Networks)，尤其是深度学习模型:** 能力强大，特别擅长处理图像、语音、复杂序列等非结构化数据，是驱动高级感知能力的核心。但需要大量数据和计算资源，模型通常是“黑箱”，难以解释决策原因，调试复杂。 **PM选型考量：** - **数据！数据！数据！** 监督学习的**命脉在于高质量、足量的标注数据**。作为PM，在规划基于监督学习的NPC特性时，必须最先拷问：**我们有足够多、标注准确的数据吗？获取和标注这些数据的成本（时间、人力、金钱）是多少？** 这往往是项目可行性的最大瓶颈。例如，要让NPC识别玩家数百种不同的意图，就需要投入巨大成本构建标注语料库。 - **可解释性 vs. 性能：** 我们需要让策划或设计师能清晰理解NPC为何做出某个判断吗（比如一个简单的任务NPC）？如果是，决策树等简单模型可能是好的起点。如果追求极致的识别精度（比如VR中精确的手势识别），那可能不得不拥抱性能更强但解释性差的神经网络，并通过大量测试来弥补。 - **模型复杂度与部署环境：** 复杂的模型（如大型神经网络）不仅训练成本高，在游戏客户端（尤其是移动端或VR一体机）的**推理（运行）成本**也高，可能影响游戏帧率或设备发热。PM需要关注模型大小、推理延迟是否满足产品性能要求。 **4️⃣ [案例建议与文献引用]:** 很多RPG游戏中，玩家选择不同的对话选项会影响NPC好感度或触发不同后续，这体现了游戏系统对玩家输入的“分类”处理，并基于此调整内部状态。关于此类NPC关系系统的设计思路，可以参考游戏设计相关的讨论文章 Scheherazade’s Tavern 项目 - ACM 论文提出的「自然语言交互 + 社交模拟」架构，通过 Chatbot 接口和知识建模技术实现深度 NPC 互动。 - 例如，玩家可通过自由对话探索 NPC 的背景故事（如询问童年经历），NPC 会根据自身知识子集（如铁匠的冶金知识、法师的魔法理论）生成个性化回答。该系统还支持不对称知识建模，不同 NPC 对同一事件可能持有不同观点（如商人认为战争有利可图，村民则痛恨战乱）。 - 来源：https://dl.acm.org/doi/fullHtml/10.1145/3402942.3402984 GDC 2024：AI 驱动的 NPC 叙事革命 育碧「NEO NPCs」项目展示了生成式 AI 与人类编剧的结合模式： - 情感锚定：人类编剧定义 NPC 的核心性格（如多疑、忠诚），AI 根据玩家行为动态生成对话分支（如玩家说谎时触发「怀疑」状态）。 - 任务协同：NPC 可根据玩家的策略建议调整任务方案（如玩家提议潜入，NPC 会分析可行性并给出风险提示）。 - 伦理控制：通过人工审核机制避免 AI 生成刻板印象（如女性 NPC 的「谄媚」对话），确保角色多样性。 - 来源：https://www.gameshub.com/news/news/ubisoft-ai-neo-npcs-gdc-2024-2638181/ **2、无监督学习 (Unsupervised Learning)：自主探索，发现数据中的“秘密”** **1️⃣ (技术原理):** 与监督学习截然相反，无监督学习处理的数据**没有预先给定的“标签”或“标准答案”**。 它的目标是在数据中**自主地发现隐藏的结构、模式、关联或异常**。 可以把它想象成，给你一大堆杂乱无章的乐高积木，让你自己尝试把它们按形状、颜色或某种内在逻辑分门别类。 无监督学习常见的任务包括：  - **聚类 (Clustering)：** 将相似的数据点聚合在一起，形成不同的“簇”或“群组”。 - **降维 (Dimensionality Reduction)：** 在保留主要信息的前提下，减少数据的特征数量，便于可视化或后续处理。 - **关联规则挖掘 (Association Rule Mining)：** 发现数据项之间有趣的关联关系，如“购买了‘虚拟宝剑’的玩家，也很可能购买‘盾牌’”。 **2️⃣ (游戏/VR/AR场景应用):** 无监督学习如何帮助我们理解玩家和虚拟世界？ - **玩家群体细分 (聚类):** 在MMO或元宇宙中，基于玩家的游戏行为（探索偏好、战斗风格、社交活跃度、消费习惯等）自动将其划分为不同的群体（如“硬核PVP玩家”、“休闲社交玩家”、“成就收集者”）。这为个性化内容推荐、活动设计、甚至NPC的差异化互动策略提供了依据。 - **VR用户体验模式发现 (聚类/降维):** 分析VR用户的移动轨迹、视线焦点、交互频率等数据，发现常见的用户行为模式或潜在的体验痛点（如某些区域易引发晕眩）。 - **游戏环境热点分析 (聚类):** 在大型开放世界游戏中，分析玩家死亡地点、资源采集点、任务接取点等空间数据，自动发现玩家活动的热点区域或设计不合理的区域。 - **异常行为检测 (聚类/异常检测):** 识别出与大多数玩家行为模式显著不同的个体，可能有助于发现潜在的游戏外挂使用者、工作室打金行为或需要特殊关注的新手玩家。 **3️⃣ (提及代表算法类别及其产品特点):** - 无监督学习的常用算法类别：  - **K-Means:** 最经典的聚类算法之一，简单快速，易于实现。但需要预先指定簇的数量(K值)，且对初始中心点敏感，对非球状簇效果不佳。 - **DBSCAN:** 基于密度的聚类算法，能发现任意形状的簇，且不需要预先指定簇数量，对噪声点不敏感。但对参数选择（邻域半径、最小点数）敏感。 - **PCA (Principal Component Analysis):** 常用的线性降维方法，通过找到数据方差最大的方向来简化数据，便于可视化。 **PM选型考量：** - **探索未知是核心价值：** 当我们对用户群体或系统行为没有清晰的预设认知，希望从数据中发现一些“意想不到”的模式时，无监督学习是强大的工具。 - **结果需要解读和验证！** 算法给出的聚类结果本身只是一堆数据分组，这些分组到底代表什么业务含义？（比如，聚类出的“第3类玩家”到底是一群什么样的人？）这需要产品、运营、数据分析师结合业务知识进行深入解读和验证，才能转化为可行动的策略。**PM需要主导或深度参与这个解读过程。** - **评估相对主观：** 没有“标准答案”，评估无监督学习的效果通常更依赖于聚类结果的业务可解释性、稳定性以及后续应用带来的实际效果（如个性化推荐的点击率是否提升）。 - **对数据质量和特征工程敏感：** 输入数据的质量和选择的特征，会极大影响聚类的效果。 **4️⃣ (概念演示 – 玩家行为聚类):** - 想象我们收集了MMO游戏中大量玩家的两项行为数据：平均每日战斗时长、平均每周社交互动次数。将这些数据点绘制在二维图上。 - 运行K-Means算法（比如设定K=3），算法会自动尝试将这些点分成三个群组。我们可能会发现一群“高战斗、低社交”的玩家（独狼战狂），一群“低战斗、高社交”的玩家（休闲交友党），以及一群“中等战斗、中等社交”的玩家（平衡型）。  这个简单的例子（可以用Excel/Numbers模拟或用Python库快速实现）说明了聚类如何帮助我们**识别出不同的用户画像**，为后续针对性地设计NPC互动（比如给战狂推荐挑战副本，给社交党推荐公会活动）提供了基础。 **5️⃣ [案例建议与文献引用]:**  游戏行业广泛应用数据科学进行玩家行为分析和用户分群，无监督学习是其中的重要技术之一。 案例：K-means聚类在游戏用户分群中的应用 K-means聚类是一种无监督学习算法，广泛应用于游戏行业中的用户分群。通过分析玩家的行为数据（如游戏内购买历史、游戏时长、登录频率等），K-means聚类可以将玩家分为不同的群体，从而实现个性化游戏体验和优化收入。例如，某移动游戏公司通过K-means聚类将玩家分为高消费、中消费和低消费群体，并针对不同群体设计了个性化的营销策略，最终在六个月内游戏内购买增加了20%。 来源：https://blog.csdn.net/hahoo2009/article/details/143462609 在更广泛的领域，如Netflix的推荐系统，也利用了相似用户的聚类思想（协同过滤的基础）来为用户推荐可能感兴趣的内容。 来源：https://csse.szu.edu.cn/staff/panwk/recommendation/MISC/Recommendation-CaseStudy-Netflix-Chinese.pdf **3、强化学习 (Reinforcement Learning)：在交互反馈中学习最佳策略** **1️⃣ (技术原理):** 强化学习模拟了生物通过与环境互动来学习的过程。 - 它定义了一个**智能体 (Agent)**（比如我们的NPC），在一个**环境 (Environment)**（游戏关卡、VR场景）中。 - 智能体可以观察到环境的**状态 (State)**（玩家位置、自身血量、可用技能等），并基于此选择执行一个**动作 (Action)**（移动、攻击、对话、使用道具）。 - 执行动作后，环境会转换到新的状态，并给予智能体一个**奖励 (Reward)** 或 **惩罚 (Penalty)信号，反馈这个动作的好坏。** - **智能体的目标是通过不断的试错 (Trial-and-Error)**，学习到一个**策略 (Policy)**（即在什么状态下应该采取什么动作），以**最大化其长期累积的奖励**。 **2️⃣ (游戏/VR/AR场景应用):** 强化学习特别适合需要**序贯决策、适应动态环境、甚至展现出“创造性”行为**的场景： - **高级战斗AI:** 让NPC在复杂的战斗中（如《黑暗之魂》类游戏、格斗游戏），根据实时战况（敌人距离、攻击模式、自身资源）动态地、智能地选择攻击、防御、闪避、走位、技能组合，而不是依赖固定的行为脚本，从而提供更具挑战性和不可预测性的对手。 - **动态寻路与导航:** 让NPC在复杂且动态变化的游戏世界中（如充斥着移动障碍物、其他动态NPC、甚至地形变化的场景）自主学习最优的移动路径，展现出更“像人”的导航能力。 - **程序化动画 (Procedural Animation):** 利用RL让角色的动作（如行走、奔跑、攀爬、与环境互动）能更自然地适应地形和物理环境，减少动画师的工作量，提升真实感。 - **自适应难度调整:** 让游戏系统（可以看作一个Agent）根据玩家的表现（状态）动态调整难度（动作），如调整敌人强度、资源掉落率等，以维持玩家的心流体验（奖励）。 - **虚拟宠物/伙伴行为学习 (VR/AR):** 训练VR/AR中的虚拟宠物或伙伴，通过与用户的互动（用户的动作是环境变化，用户的满意度/反馈是奖励）逐渐学习到用户的偏好，展现出独特的“个性”和情感连接。 **3️⃣ (提及代表算法类别及其产品特点):** - 强化学习算法众多，从简单到复杂：  - **Q-Learning / SARSA:** 经典的基于值函数的方法，适用于状态和动作空间相对较小的离散问题。易于理解，是入门RL的好起点。 - **Deep Q-Networks (DQN):** 将深度学习与Q-Learning结合，能够处理高维状态输入（如游戏画面像素），在Atari游戏上取得突破。 - **Policy Gradient Methods (e.g., REINFORCE, A2C, A3C):** 直接学习策略函数，适用于连续动作空间。 - **PPO (Proximal Policy Optimization) / SAC (Soft Actor-Critic):** 近年来在连续控制和游戏AI领域表现优异的先进算法，兼顾了稳定性和样本效率，是目前训练复杂游戏AI的常用选择。 **PM选型考量：** - **潜力巨大，但挑战并存：** RL能够创造出真正具有适应性、甚至超越人类设计的智能行为，潜力无限。但它也是三者中**技术门槛最高、最难驾驭**的范式。 - **奖励函数设计是艺术，更是核心难点！** 这是PM**必须深度参与**的关键环节。奖励函数定义了NPC的“价值观”和目标。一个微小的设计缺陷，比如奖励设置不当、过于稀疏或容易被“钻空子”（找到非预期的捷径获得高奖励），都可能导致训练出行为怪异、甚至完全违背设计初衷的NPC。**PM需要与策划、设计师、算法工程师紧密协作，反复迭代和测试奖励函数，确保它能准确引导出期望的行为。** - **高昂的训练成本：** RL通常需要海量的交互（在模拟环境中运行数百万甚至数十亿次）才能学习到有效的策略，这意味着巨大的计算资源消耗和漫长的训练时间。 - **可解释性差，“黑箱”问题突出：** 很难精确解释为何RL Agent在某个特定时刻做出了某个决策，这给调试、优化和确保行为符合预期带来了巨大挑战。PM需要接受这种不确定性，并依赖大量的测试和监控来控制风险。 - **对模拟环境要求高：** 高效的RL训练往往依赖于能够快速、稳定、逼真地模拟游戏/VR环境。 **4️⃣ [案例建议与文献引用]:**  游戏开发者常用的Unity引擎提供了ML-Agents工具包，它使得在Unity环境中应用强化学习（以及其他ML方法）训练NPC变得更加便捷，其官方文档是了解RL在游戏开发中具体实践的极佳起点。（来源：Unity ML-Agents官方文档 来源：[https://docs.unity3d.com/Packages/com.unity.ml-agents@latest/](https://www.google.com/url?sa=E&amp;q=https%3A%2F%2Fdocs.unity3d.com%2FPackages%2Fcom.unity.ml-agents%40latest%2F)）。 DeepMind的AlphaStar项目展示了强化学习在复杂实时战略游戏《星际争霸II》中达到的顶尖水平，虽然其资源投入巨大，但极大地推动了该领域的发展。 来源：[https://deepmind.google/discover/blog/alphastar-mastering-the-real-time-strategy-game-starcraft-ii/](https://www.google.com/url?sa=E&amp;q=https%3A%2F%2Fdeepmind.google%2Fdiscover%2Fblog%2Falphastar-mastering-the-real-time-strategy-game-starcraft-ii%2F) 在程序化动画方面，育碧的研究部门La Forge持续探索使用AI技术（包括机器学习）来创建更逼真、更具适应性的角色动画和更丰富的虚拟世界。 来源：https://github.com/ubisoft/ubisoft-laforge-ZeroEGGS 我们已经初步探索了机器学习的三大核心范式。让我们再次以AI产品经理的视角，提炼一下关键要点： **① 监督学习 (Supervised Learning)** - **核心：** 从“有标签”数据学习输入到输出的映射。 - **强项：** 解决定义明确的分类和回归问题，如意图识别、目标检测。 - **PM关键考量：标注数据的成本与质量是生命线！** 可解释性与性能的权衡。 **② 无监督学习 (Unsupervised Learning)** - **核心：** 从“无标签”数据中发现隐藏的结构与模式。 - **强项：** 用户/行为聚类、异常检测、探索性数据分析。 - **PM关键考量：结果需要业务解读才能产生价值！** 评估相对主观。 **③ 强化学习 (Reinforcement Learning)** - **核心：** 通过与环境交互和奖励反馈学习最优决策策略。 - **强项：** 适应动态环境、序贯决策、复杂行为控制（如高级战斗AI、导航）。 **PM关键考量：奖励函数设计是重中之重且极具挑战！** 训练成本高、可解释性差，但潜力巨大。  **对于我们AI产品经理而言，理解这三大范式的本质区别、优劣势、适用场景（尤其是在游戏/VR/AR/元宇宙的背景下）以及它们对数据、成本、团队协作的要求，是做出明智技术选型、设定合理产品预期、推动AI NPC项目成功落地的基础。** 现实中的复杂NPC，其“智能”往往不是单一范式的产物，而是多种技术的巧妙组合。知道何时、何地、为何以及如何组合运用这些工具，正是我们价值的体现。 今天，我们为理解AI驱动的智能NPC打下了第一块基石，认识了机器学习的三大基本“思维模式”。然而，要让NPC真正拥有“看懂”虚拟世界、“听懂”玩家心声的复杂感知能力，我们还需要更强大的武器。 在下一篇笔记 **《S1E02: 虚拟之眼耳：深度学习赋予NPC“感知”虚拟世界》** 中，我们将聚焦于机器学习的一个强大分支——**深度学习 (Deep Learning)**。 我们将深入探索神经网络的魔力，看看它是如何通过模仿人脑的连接方式，在计算机视觉（CV）和自然语言处理（NLP）等领域取得突破性进展，并最终为我们的游戏、VR、AR、元宇宙NPC装上更敏锐的“眼睛”和“耳朵”的。 敬请期待！ **Mu 注：** 本文作为系列开篇，旨在建立基础认知框架。文中提及的案例旨在说明概念，具体技术实现可能更为复杂或采用混合方法。引用的链接旨在提供公开可访问的参考信息，并已尽可能验证其在撰写时的有效性，但链接的长期有效性无法完全保证。在后续文章中，我们将对特定技术和应用进行更深入的探讨。欢迎大家留言交流！ 参考文献资料： 1、Scheherazade’s Tavern: A Prototype For Deeper NPC Interactions：https://dl.acm.org/doi/fullHtml/10.1145/3402942.3402984 2、Ubisoft reveals AI-powered ‘NEO NPCs’ at GDC 2024：https://www.gameshub.com/news/news/ubisoft-ai-neo-npcs-gdc-2024-2638181/ 3、利用K-means聚类进行用户分群：https://blog.csdn.net/hahoo2009/article/details/143462609 4、智能推荐技术–案例分析: Netflix：https://csse.szu.edu.cn/staff/panwk/recommendation/MISC/Recommendation-CaseStudy-Netflix-Chinese.pdf 5、ML-Agents Overview：https://docs.unity3d.com/Packages/com.unity.ml-agents@3.0/manual/index.html 6、AlphaStar: Mastering the real-time strategy game StarCraft II：https://deepmind.google/discover/blog/alphastar-mastering-the-real-time-strategy-game-starcraft-ii/ 7、ZeroEGGS: Zero-shot Example-based Gesture Generation from Speech：https://github.com/ubisoft/ubisoft-laforge-ZeroEGGS 作者：Mu先生Ai世界，公众号：Mu先生Ai世界 本文由 @Mu先生Ai世界 原创发布于人人都是产品经理。未经作者许可，禁止转载 题图由作者提供 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

让子弹再飞一会儿。

4月14日，腾讯云宣布大模型知识引擎升级支持MCP协议，用户在搭建应用时，可以通过大模型知识引擎调用平台精选的MCP插件或插入自定义的 MCP 插件。   目前，知识引擎平台已经精选了多款MCP Server，包括腾讯云EdgeOne Pages、腾讯位置服务、Airbnb、Figma、Fetch等，涵盖各类专业信息获取、网页部署和预览、网页解析获取等场景。精选MCP插件之外，用户也可以按照 MCP 协议配置已经部署的MCP SSE服务，在应用中灵活调用。       MCP（Model Context Protocol，模型上下文协议）是专为大语言模型（LLM）应用设计的开放协议，旨在实现LLM与外部数据源、工具的无缝集成。它通过统一的接口规范，将原本分散的API插件集成简化为“即插即用”的模式，如同 AI 领域的&#34;USB-C接口&#34;，解决传统API插件集成中存在的多协议适配、高开发成本等问题。对于企业和开发者来说，这意味着AI应用和Agent的边界将进一步拓展，开发门槛也进一步降低。   去年11月由Anthropic发布以来，MCP协议迅速吸引了技术极客与开发者的关注。开发者们将各种场景功能封装成MCP Server提供服务，探索协议落地的可行性。而今年3月，Manus的火热则掀起了新一轮关于协议标准的讨论。虽然Manus并未直接采用MCP协议，但这一应用让业界看到了多Agent协同的想象力。协同的核心就是标准协议。可以说，MCP协议的普及和落地，带来了Agent和大模型应用开发的新范式。   大模型知识引擎为企业和开发者提供了标准模式、工作流模式和Agent模式等三种开发方式，用户可以在工作流和Agent这两种模式中快捷使用MCP Server。在工作流模式下，用户可以自定义工作流来响应用户的需求，通过拖拉拽知识引擎的各种原子，编排所需的流程。而Agent模式则由大模型进行任务自主规划和工具调用，无需代码，几步即可开发一个智能体应用。   比如，用户可以利用腾讯位置服务 MCP 插件，搭建路线规划助手。在Agent开发模式下， 点击添加MCP插件，即可根据需求添加腾讯位置服务的 MCP 工具。       插件添加完成后，用户可以根据自身需求撰写提示词，使用AI一键优化。       配置完成后，可在对话测试窗口测试应用对话效果。       企业和开发者可以参考腾讯云官方提供的MCP插件指南接入使用：大模型知识引擎 接入 MCP 插件_腾讯云   腾讯云大模型知识引擎是面向企业客户及合作伙伴的大模型应用搭建平台，结合企业专属知识库，提供知识问答、知识总结等应用范式，推动大模型在企业服务场景的应用落地。   今年以来，大模型知识引擎持续迭代更新。2月初，大模型知识引擎宣布接入DeepSeek-R1及V3原版模型，并率先支持联网搜索，帮助用户快速搭建联网应用。经过腾讯云的部署优化，大模型知识引擎吐字速率较使用开源推理引擎提升84%，成本降低46%。目前，大模型知识引擎已经在金融、政务、医疗、教育、零售等行业中广泛落地。

<blockquote><p>在电商运营中，运费策略是提升用户转化率和成单率的关键因素之一。本文将深入探讨如何设计一套灵活且高效的运费活动功能，通过满额免运费、阶梯减运费等多样化的活动形式，刺激用户凑单行为，同时确保活动的公平性和系统稳定性。</p> </blockquote>  ## 一、目标 为提升成单率，通过运费减免活动（如满额免运费、阶梯减运费）刺激用户凑单，提升用户下单转化率，设计一套灵活且防冲突的运费活动配置系统，满足多场景需求，同时兼容异常处理及特殊规则 ## 二、方案设计 ### 2.1 设计思路 灵活配置运费活动（如满额免运费、阶梯减运费），刺激用户提升下单转化，同时通过精细化规则管理（如金额计算方式、用户限制、状态控制等）保障活动的公平性与系统稳定性 ### 2.2 核心点 1）配置中心：支持多种活动类型、金额计算方式、用户限制、有效期等配置。 2）计算引擎：动态计算订单是否满足运费减免条件 3）状态管理：活动状态流转（未开始、进行中、已暂停、已结束）。 4）限制管理：用户参与次数限制（总单数、每日单数） 5）冲突检测：自动校验活动时间与规则重叠。 6）异常监控：实时拦截失效活动，提供用户反馈。 ### 2.3 核心逻辑 ① A [用户下单] –&gt; B {计算商品金额} ② B –&gt; |优惠前/后金额| C [匹配运费活动] ③ C –&gt; D {是否满足条件?} ④ D –&gt; |是| E [减免运费] ⑤ D –&gt; |否| F [按原运费计算 ## 三、功能设计与实现方案 ### 3.1 活动形式 **1. 满额免运费** * 配置项：门槛金额、金额计算方式（优惠前/后）、适用商品/品类/全部商品、用户限制 * 配置示例：“满99元包邮”，用户订单金额（优惠后）≥99元则运费为0。 * 案例：用户购买商品原价120元，使用10元优惠券后实际支付110元，满足“满99元包邮”条件，运费减免。 **2. 阶梯减运费** * 配置项：阶梯规则（满X减Y）、叠加逻辑、（优惠前/后）、适用商品/品类/全部商品 * 配置示例：满200减10元，满500减30元 * 案例：用户订单金额300元，满足“满200元”条件，运费减免10元。 ### 3.2 金额计算方式 1. 优惠前金额：按商品原价总和计算，不扣除促销、优惠券、红包（适用于促销前包邮门槛）。 2. 优惠后金额：按商品实际支付金额计算，即商品原价 – 促销折扣 – 优惠券 – 红包等 3. 逻辑优先级： * 按配置选择，默认优惠后金额。 * 在下单时根据配置实时计算订单金额是否达标。 ### 3.3 用户限制规则 1. 活动单数限制： * 总限制：活动期间全局限免单数（如总限免1000单，在达到1000单后，后续订单将不再享受免运费优惠）。 * 用户限制：单个用户每日可享受免运费订单数（如每人每日限1单）。 **2. 实现逻辑：** 通过用户ID+活动ID记录参与次数，超限时前端提示”今日优惠次数已用完”。 **3. 案例：** 活动设置“每日每人限1单免运费”，用户A今日已使用过，则后续订单无法享受该活动。 ### 3.4 冲突处理 **1. 时间冲突：** * 同一运费类型（如满额免运费）的活动不允许时间重叠，创建时系统自动检测。 * 存在多个同类型但不同时间的运费活动，需按照活动开始时间的先后顺序确定优先级。先开始的活动优先生效，后续开始的活动在与之前活动不冲突的情况下才可生效。 **2. 规则优先级：根据命中的活动取值** 1）命中阶梯减运费活动 * 优先级：对于同个阶梯活动，不同满额条件的，按照满额金额的大小确定优先级 * 门槛金额：满500元减30元 &gt; 满200元减10元。 2）命中满额免运费活动 * 订单直接免运费 3）同时命中满额免运费与阶梯减运费活动： * 优先级：满额免运费 &gt; 阶梯减运费 **3. 案例：** 活动A（满99元包邮，3月1日-3月10日）与活动B（满200元减10元，3月5日-3月15日）可共存，但系统需确保用户同时满足两个条件时按优先级处理。 ### 3.5 活动状态说明  ### 3.6 特殊场景处理 1. 虚拟商品： * 处理规则：不计入运费门槛金额，如电子卡券、会员充值（在商品管理页标记”虚拟商品”） * 系统实现：在订单计算时，过滤虚拟商品的金额。 **2. 预售商品：** * 定金阶段：定金不计入金额，尾款阶段合并计算（需与订单系统联动） * 示例：用户支付定金100元（不计入），尾款阶段总金额达到200元后，触发“满200元减10元”活动 ### 3.7 异常处理 **1. 配置变更导致异常：** * 下单时活动被暂停：系统实时检查活动状态，若活动已暂停则返回错误提示（如“该活动已暂停，无法享受优惠”）。 * 活动规则变更：已下单但未支付的订单，若活动规则调整（如门槛提高），则按下单时的规则计算，并及时提示用户运费变化情况。 **2. 配置异常：** * 如活动金额配置错误（如“满-10元包邮”），系统校验时提示参数非法并阻止保存 **3. 系统兜底逻辑：** * 异常订单自动记录日志，人工可补发运费券 或 活动异常时，默认按原运费规则计算 ## 四、系统实现逻辑 ### 4.1 核心流程 **1. 用户下单流程：** * 用户提交订单 → 系统调用运费规则引擎 → 校验运费活动状态/用户限制 → 计算运费减免 → 展示最终运费 **2. 订单计算：** * 计算订单实际支付金额（优惠后金额）。 * 根据商品分类、活动状态、用户行为等条件匹配可用活动。 * 应用运费减免规则（如包邮、阶梯减）。 **3. 状态监控：** 实时检查活动状态，确保活动生效/暂停时的订单处理一致性 ### 4.2 活动配置突检测逻辑： 创建活动时 → 配置活动类型、规则、有效期 → 检查同一运费类型的时间段是否重叠 → 冲突则提示”请调整时间或规则” ### 4.3 状态变更监听： 活动暂停/结束 → 消息通知结算服务 → 实时更新运费规则引擎 → 新订单立即生效 ### 4.4 异常处理机制： 1. 缓存机制：活动状态、规则配置等关键数据缓存，减少数据库压力并提升响应速度。 2. 事务处理：用户下单时，运费计算与活动状态检查需在同一事务中完成，避免竞态条件 ## 五、案例说明 ### 案例1：满额免运费 **活动配置：** * 类型：满额免运费 * 门槛：满99元（优惠后金额） * 有效期：2025-04-15至2025-04-30 * 用户限制：每人每日限1单 **用户场景：** * 用户购买商品原价120元，使用10元优惠券，实际支付110元 → 满足条件，运费减免。 * 同一用户当日再次下单80元 → 未达门槛，需支付运费 ### 案例2：阶梯减运费 **活动配置：** * 类型：阶梯减运费 * 规则：满200元减10元，满500元减20元 **用户场景：** * 用户订单金额300元 → 触发“满200元减10元” → 运费减免10元。 ### 案例3：活动冲突优先级 **活动配置：** * 活动A：阶梯减运费：满200元减10元，满500元减20元 * 活动B：满额免运费：满500元免运费 **用户场景：** * 用户订单金额600元 → 优先触发活动B“满500元免运费”，而非活动A → 满足条件，运费减免。 ## 六、设计思路（很重要） 首先，活动类型方面，需要考虑有多少种类型，如满额免运费、阶梯减运费，还需需要考虑这些活动的配置方式，比如如何设置满多少金额，是按原价还是优惠后的金额计算 接下来是运费活动的状态管理。比如，进行中可以暂停，已结束不能编辑。然后需要考虑用户免运费的单数上限。比如活动总限制和每日每人限制，此时需要跟踪用户的使用情况，防止超过限制。这时候可能需要数据库记录用户使用次数，并在下单时检查。 关于运费活动的配置，特别是避免同一时间的活动冲突场景考虑。特殊场景处理方面，虚拟商品和预售商品的处理。比如电子卡券不计入金额，预售商品的定金不计入，尾款阶段才计算 异常处理是关键，比如活动被暂停或修改时，如何处理正在进行的订单。比如，如果用户下单时活动被暂停，系统需要返回错误，或者在下单前检查活动状态。可能需要实时检查，或者用缓存来减少延迟。 基于以上的思考方式，输出一份最佳的产品解决方案：通过规则引擎、冲突检测、动态计算等实现运费活动全生命周期管理，兼顾灵活性与稳定性，可快速落地并支撑业务增长目标 作者：pemg的笔记 公众号：pemg的笔记 本文由 @pemg的笔记 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

4月15日，美团面向全国消费者正式发布即时零售品牌“美团闪购”。该品牌定位为“24小时陪伴消费者的新一代购物平台”，联合全国近3000个县市区旗的零售商、品牌商与本地中小商家，将服务全国10亿消费者的日常购物需求，为消费者创造“闪购一下，30分钟好货到手”的极致购物体验。   即日起，全国消费者可在美团App首页进入“闪购”，选购蔬菜水果、酒水饮料、休闲食品、数码家电、美妆护肤、潮流玩具、运动用品、鲜花绿植、母婴用品、宠物用品等生活万物，下单后平均30分钟送达。美团闪购将向全国消费者免费送出三十万份数码家电、日用百货类“开门好礼”，提供1分钱抢88元神券包福利，同时将持续联合多家品牌零售商开展“超级大牌日”活动，发放最高200元的品牌专属神券。     **▲“闪购”已在美团App首页上线。**   据了解，美团闪购业务最早于2018年在美团内部上线，数年来积累了数亿高频消费者，服务品类逐步拓展至生活万物。得益于突出的便利性，即时零售近年来成为消费者日常化、高确定性的生活方式，驱动美团闪购业务持续高速发展。当前，美团非餐饮品类即时零售日单量已突破1800万单，美团副总裁、闪购事业部负责人肖昆表示，消费者在生鲜食品、酒水饮料、日用百货、3C家电等商品上的消费粘性和频次持续提升，顺应消费者持续升温的即时需求，美团正式面向公众推出即时零售品牌“美团闪购”，希望用更丰富优惠的商品、更便捷可靠的购物体验，更好满足消费者“30分钟买万物”的需求，让平台上的海量实体商家共享购物体验升级、供给体系升级带来的红利，携手加速本地零售产业的数字化升级进程。   伴随即时零售行业高速发展，美团闪购日益成为各类零售商、品牌商重要的生意渠道。美团闪购方面表示，将开展多项支持商家举措，对商家推出多种数字化经营助力工具，支持各行业商家拓展闪电仓新型供给业态，帮助商家在美团闪购经营更好，进一步获取生意增量。

4月15日，中国第一AI开源社区魔搭（ModelScope）推出全新MCP广场，上架千余款热门的MCP服务，包括支付宝、MiniMax等全新MCP服务在魔搭独家首发。魔搭社区为AI开发者提供丰富的MCP服务及调试工具，并支持第三方平台集成和调用，通过开源开放的方式加速Agent及AI应用的创新和落地。         MCP（Model Context Protocol，模型上下文协议）是当下业界普遍认可的开源协议，它为大模型对接外部不同的数据源和工具建立了标准，是高效构建高质量Agent的基础。过去，大模型调用外部工具必须由各个模型自行定义接口，缺乏统一的规范，导致重复性高、兼容差以及效率低等一系列问题。MCP的出现，将模型与各种外部工具的交互，集合至统一接口，提供了AI模型调用工具的“统一度量衡”，类似于数码行业中标准的type-c接口，通过标准的交互协议，只需简单配置即可完成模型与工具的对接，大幅提高了开发效率和AI应用落地的速度。   全新上线的魔搭MCP广场提供了中文开源社区最丰富的MCP服务，目前上线近1500种MCP服务器，涵盖搜索、地图、文件系统、开发者工具等最热门领域。魔搭也提供简单易上手的工具和调试环境MCP实验场，让开发者在1分钟内就能搭建好自己需要的复杂MCP服务。魔搭上的这些MCP服务支持云上托管或本地部署，且均可开放被集成至第三方平台，大大降低开了发者使用MCP服务的门槛。       支付宝、MiniMax等厂商的诸多全新MCP服务在魔搭MCP广场首发。支付宝MCP服务是国内首款聚焦AI智能体支付场景的MCP服务，提供支付宝交易创建、查询、退款等能力，让AI智能体一键接入支付能力，打通从AI服务到AI商业化的“最后一公里”。MiniMax的MCP服务器则将领先的语音生成、语音克隆、图片生成以及视频生成等模型封装成可统一调用的MCP工具，让文本大模型“秒变”多模态模型。   围绕MCP服务，魔搭也同步推出MCPBench开源工具，帮助应用开发者挑选和评估MCP的有效性，效率以及token等资源消耗，使得Agent和应用的开发更加可控和便捷，同时也可以指导MCP开发者进一步优化自己的MCP。同时，魔搭也将支持开发者和机构上传分享自己的开源MCP服务器和客户端，加速模型与MCP的结合发展。   “魔搭MCP广场的推出，将为广大AI开发者们提供一个可开放获取又可开源贡献的MCP社区平台。魔搭上活跃着大量的AI开发者，并托管着海量的开源模型、数据集和创空间，这些元素都有机会与不断涌现的MCP服务产生创新的互动，甚至本身作为MCP服务被更广泛的AI调用，这为未来的Agent和AI应用的创新打开了巨大的想象空间。”魔搭社区技术负责人陈颖达表示。   据悉，魔搭社区于2022年11月由阿里云联合CCF开源发展委员会共同推出。魔搭社区秉承“模型即服务”（MaaS，Model as a Service）的理念，将AI模型变为直接可用的服务，为AI开发者提供模型体验、下载、调优、训练、推理、部署等一站式服务。目前，魔搭社区模型总量已超过 5万个，涵盖LLM、对话、语音、文生图、图生视频等多个领域，已服务超过1300万开发者，是公认的中国最大的AI开源社区。

**<strong>雷克萨斯（上海）新能源有限公司于4月1日竞得上海市金山区一宗工业用地，成交价13.53亿元。</strong>**该地块占地约112.78万平方米，容积率2，出让年限为工业用地50年，准入产业类型包括新能源汽车整车制造、锂离子电池制造等，预计2027年将开始投产。 [](//img1.mydrivers.com/img/20250415/38fcacd9-5efa-4c23-8283-8665b6141c9b.png) 雷克萨斯（上海）新能源有限公司于2025年2月18日正式成立，法定代表人为KATO TAKERO，注册资本1071亿日元，为有限责任公司（外国法人独资）。 今年2月初，丰田与上海市政府达成合作意向，计划在上海金山区成立雷克萨斯纯电动汽车及电池研发生产公司。  **知情人士透露，丰田希望争取与特斯拉中国类似的待遇，包括税收优惠、政策支持、土地使用权以及无需本土合资伙伴等条件。** 据悉，该工厂将专门生产雷克萨斯电动车，车尾将印有中文标志，计划中国本土零部件使用率达到95%以上。 生产的新车不仅面向中国市场，还将出口至日本及其他海外市场。 凭借此举，丰田将成为首个在中国单独建设工厂的日本车企，同时也是继特斯拉之后在上海独资建厂的第二家外资企业。 [查看评论](https://m.cnbeta.com.tw/comment/1492908.htm)