三星发布迄今为止最轻薄的 Z Fold 手机，Z Flip7 全球使用 Exynos 处理器，Watch8 新增衰老检测功能。 #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/1630298) ·[查看评论](https://www.ifanr.com/1630298#comments) ·[新浪微博](https://weibo.com/ifanr)

 【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>在家电售后服务领域，如何精准预测服务需求、合理配置人力，一直是管理者面临的难题。本文提出了一款“售后服务能力智能预测平台”，旨在通过数据驱动的方式，为家电售后服务管理者提供科学的决策支持。</p> </blockquote>  **产品名称：售后服务能力智能预测平台** **核心目标：**精准预测区域服务需求，合理配置服务人力，提升客户满意度，优化运营成本。  ## 一、产品定位与价值主张 **定位：**一款数据驱动的智能决策支持工具，专为家电售后服务管理者设计，用于预测未来特定区域的服务工单量，并基于此推算出所需的服务工程师数量。 **价值主张：**精准预测，提高服务需求预测的准确性，减少因误判导致的服务延迟或资源浪费。 - **高效调度：**为服务人员的合理排班和跨区域支援提供科学依据。 - **成本优化：**避免不必要的人力冗余，降低人力成本和车辆运营成本。 - **客户满意度提升：**保障服务响应及时性，缩短客户等待时间。 - **主动管理：**从被动响应服务请求，转变为主动预测和规划服务能力。 ## 二、核心功能模块 ### 1.数据接入与管理模块 功能：负责从各业务系统（如CRM、工单系统、ERP、IoT平台等）接入所需数据，进行清洗、转换、整合和存储。 子功能：数据源配置与连接。 - 数据清洗与质量校验。 - 数据标准化与ETL流程。 - 数据存储与版本管理。 ### 2.服务需求预测模块 功能：基于历史数据和影响因素，利用机器学习模型预测未来特定时间周期内（如未来1天、3天、7天、30天）各区域的服务工单量。 子功能： - 历史数据分析：历史工单量、工单类型分布、季节性波动分析。 - 影响因素分析：天气、促销活动、新品上市、产品故障率趋势等。 - 预测模型训练与选择：支持多种时间序列模型、回归模型，并自动/手动选择最优模型。 - 工单量预测：输出按区域、按日期、按工单类型（如安装、维修、保养）的预测工单量。 - 预测结果可视化：图表展示预测趋势、置信区间。 ### 3.服务能力评估与转换模块 功能：将预测的工单量，结合服务人员的工作效率标准，转换为所需的服务人员数量（或总工时）。 子功能： 服务人员效率基准设定： - 定义不同类型工单的平均处理时长（标准工时）。 - 定义服务人员每日有效工作时长（排除路途、午休等）。 - 定义服务人员平均每日可完成工单数（基于历史数据或经验设定）。 - 技能需求匹配(高级)：考虑不同工单类型对工程师技能的要求（如空调维修、冰箱维修技能不同）。 - 区域路程时间因素：考虑区域内平均路程时间对实际可服务工单量的影响。 - 所需人力计算：`所需总工时=Σ(预测工单数_类型A*标准工时_类型A)`；`所需人数≈所需总工时/(每日有效工作时长*服务能力系数)`(服务能力系数可调整，考虑如路途、空闲等)。 - 所需人力可视化：按区域、按日期展示所需服务工程师数量。 ### 4.现有能力对比与缺口分析模块(Current Capacity Comparison &amp; Gap Analysis) 功能：对比预测所需的服务能力与当前区域实际拥有的服务能力，识别人手缺口或冗余。 子功能： - 现有服务人员数据导入/维护：各区域当前工程师数量、技能等级、排班情况。 - 能力缺口/冗余计算：`缺口/冗余人数=预测所需人数-现有可用人数`。 - 缺口/冗余可视化：用地图热力图或仪表盘展示各区域人力紧张/富余程度。 - 预警机制：当缺口超过预设阈值时，自动发出预警。 ### 5.调度优化建议模块 功能：基于缺口分析，提供跨区域支援、临时招聘或调整排班的建议。 子功能： - 跨区域支援推荐：识别临近区域的富余人力，推荐支援方案。 - 加班/临时工建议：当缺口较大且无法通过内部调配满足时，建议启动加班或临时招聘流程。 - 排班优化提示：结合预测的工单高峰时段，提示优化排班。 ### 6.报表与分析模块 功能：提供多维度的数据报表和分析仪表盘，监控预测准确率、服务能力满足度等关键指标。 子功能： - 预测准确率跟踪报表(预测值vs实际值)。 - 区域服务能力满足度报表。 - 人力成本效益分析(与历史对比)。 - 自定义报表生成。 ## 三、所需参数因子(Parameters/Input Factors) A.用于服务需求预测(工单量预测)的参数因子： *历史数据(Historical Data): **1.历史工单数据：** - *`日期/时间`：工单创建日期、发生时间。 - *`区域信息`：省、市、区/县、街道/服务网点覆盖范围。 - *`工单类型`：安装、维修（故障维修、意外损坏）、保养、巡检、退换货等。 - *`产品品类`：空调、冰箱、洗衣机、电视、热水器、厨电等。 - *`产品型号(可选，用于细化)`。 - *`工单来源`：电话、App、微信、官网、第三方平台。 - *`客户类型(可选)`：个人用户、企业用户。 **2.历史销量数据(Sales Data)：** *`销售日期`。 *`销售区域`。 *`产品品类/型号`。(新装需求与销量强相关，维修需求与存量保有量和使用年限相关) **3.`产品保有量数据(Installed Base Data -如有)`：** *`区域`。 *`产品品类/型号`。 *`安装日期/使用年限`。(用于预测维修高峰期) *时间特征(Temporal Features): **4.`星期几` (Day of Week)：服务需求通常在周末或周初有波动。** **5.`月份` (Month of Year)：季节性影响，如夏季空调安装维修高峰。** **6.`年份` (Year)：长期趋势。** **7.`是否节假日/特殊日期`：国定假日、电商大促日（如618、双11之后）。** **8.`周数` (Week of Year)。** *外部影响因素(External Factors): **9.`天气数据(Weather Data)`：** *`温度` (平均、最高、最低):极端天气会催生特定品类（如空调、取暖器）的维修和安装需求。 *`湿度`。 *`降雨/降雪量`。 *`特殊天气预警` (如台风、高温预警)。 **10. `营销活动信息(Marketing Campaign Information)`：** *活动开始/结束日期。 *活动覆盖区域。 *活动力度/类型（如以旧换新、免费安装）。 **11. `新品上市信息(New Product Launch Information)`：** *上市日期。 *产品品类。 **12. `宏观经济指标(可选，用于长期预测)`：区域GDP、人均可支配收入等。** **13. `社交媒体/舆情数据(可选，高级)`：监测产品故障相关的讨论热度。** *产品特性(Product Characteristics): **14. `产品平均故障间隔时间(MTBF – Mean Time Between Failures)`：如果有特定品类或型号的MTBF数据，可以用于预测维修需求。** **15. `产品保修期政策`：保内和保外服务的需求模式可能不同。** B.用于服务能力评估与转换的参数因子： *服务人员效率基准(Service Engineer Efficiency Benchmarks): **16. `标准工单处理时长(Standard Service Time per Ticket)`：** *按`工单类型` (安装/维修/保养)。 *按`产品品类` (空调安装时长&gt;小家电维修时长)。 *可考虑按`工程师技能等级` (高级工程师可能更快)。 **17. `工程师每日有效工作时长(Engineer’s Daily Effective Working Hours)`：除去午休、培训等非服务时间的净工作时长。** **18. `工程师平均每日可完成工单数(Average Tickets per Engineer per Day -经验值)`：这是一个综合指标，包含了路途、沟通等隐性时间。** **19. `服务能力系数(Service Capacity Factor)`：用于调整理论计算与实际情况的差异，范围通常在0.7-0.9之间，表示实际能投入到直接服务中的时间比例。** *区域与调度因素(Regional &amp; Dispatch Factors): **20. `区域内平均路程时间(Average Travel Time within Region)`：影响工程师每日能接的单量。** **21. `服务半径/覆盖密度`：影响路程时间。** *现有人手信息(Current Workforce Information): **22. `各区域当前工程师数量`。** **23. `工程师技能矩阵`：谁能修什么。** **24. `工程师排班计划/出勤率`。** ### 四、技术架构选型建议(Technical Architecture Suggestions ) *数据层： *数据湖(Data Lake -如AWS S3, Azure Blob Storage, HDFS)存储原始数据。 *数据仓库(Data Warehouse -如Snowflake, BigQuery, Redshift, ClickHouse)存储清洗整合后的结构化数据，用于分析和模型训练。 *关系型数据库(如PostgreSQL, MySQL)存储应用元数据、用户配置等。 *模型训练与服务层： *机器学习平台/框架：Python (Scikit-learn, TensorFlow, PyTorch), R。 *模型训练服务：AWS SageMaker, Azure Machine Learning, Google AI Platform,或自建Kubeflow/MLflow。 *模型部署服务：REST API (Flask/Django/FastAPI)包装模型，通过Docker容器化部署到Kubernetes或Serverless平台(AWS Lambda, Azure Functions)。 *应用与展示层： *后端服务：Java (Spring Boot), Python (Django/FastAPI), Node.js。 *前端框架：React, Vue.js, Angular。 *可视化库：D3.js, ECharts, AntV, Plotly。 *BI工具(可选，用于快速报表)：Tableau, Power BI, Superset。 *任务调度与工作流：Apache Airflow, Azkaban。 ## 五、结构化输出 1.预测输出(Forecast Output -每日/每区域): <blockquote><p>|日期 | 区域 |产品品类| 工单类型 |预测工单量 (高/中/低)| 置信区间下限 |置信区间上限|</p> <p>|:———|:———-|:——-|:——-|:——————–|:———–|:———–|</p> <p>|2024-07-15|北京市-朝阳区 |空调 | 安装 |50 / 45 / 40 |38 |52 |</p> <p>|2024-07-15|北京市-朝阳区 |空调 | 维修 |30 / 25 / 20 |18 |32 |</p> <p>|2024-07-15|北京市-海淀区 |冰箱 | 维修 |15 / 12 / 10 |8 |16 |</p> <p>|…| … |… | … |… | … |… |</p></blockquote> 2.所需人力输出(Required Workforce Output -每日/每区域): <blockquote><p>|日期 | 区域 |产品品类 (可选)| 预测总工单量 |预计所需总工时| 建议所需工程师数量 (基于效率基准) |</p> <p>|:———|:———-|:————–|:———–|:————-|:——————————–|</p> <p>|2024-07-15|北京市-朝阳区 |(全部) |80 |240 小时 |30人 |</p> <p>|2024-07-15|北京市-朝阳区| 空调 |50 |150小时 |19 人 (假设空调单均工时高) |</p> <p>|2024-07-15|北京市-海淀区 |(全部) |25 |62.5 小时 |8人 |</p> <p>| …|…| … |… | … |… |</p></blockquote> 3.人力缺口/冗余输出(Workforce Gap/Surplus Output -每日/每区域): <blockquote><p>|日期 | 区域 |预测所需工程师数量| 当前可用工程师数量 |人力缺口 (-)/冗余 (+)|预警级别 |</p> <p>|:———|:———-|:—————–|:—————–|:——————–|:——-|</p> <p>|2024-07-15|北京市-朝阳区 |30 |25 |-5 | 红色预警 |</p> <p>|2024-07-15|北京市-海淀区|8 |10 | +2 |绿色 |</p> <p>|…| … |… | … |… | … |—</p></blockquote> ## 六、成功指标 *预测准确率：MAPE (Mean Absolute Percentage Error), RMSE (Root Mean Squared Error) for demand forecast. *服务能力满足率：(实际完成工单数/预测工单数)或(1 -因人力不足导致的延迟工单比例)。 *平均服务响应时间：是否因人力合理配置而缩短。 *人力成本优化：人均服务工单量提升，加班成本降低。 *客户满意度(NPS/CSAT)：是否因服务及时性提升而改善。 *平台使用率/用户反馈。 这个产品设计涵盖了从数据到预测再到决策支持的完整流程，旨在为家电售后服务提供一个智能化的能力规划工具。实际落地时，可以分阶段实施，从核心的工单量预测和基础的人力转换开始，逐步完善高级功能。 本文由 @董方旭 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

只有杜比视界+全景声，能让你 3 个小时过足 F1 车手瘾。 #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/1630407) ·[查看评论](https://www.ifanr.com/1630407#comments) ·[新浪微博](https://weibo.com/ifanr)

最近，国外一家 AI 初创公司 Mechanize 的三位创始人联合撰文，提出一个大胆的判断：RL 或许要迎来属于它的 “GPT-3 时刻”，但还需要拥有相当于数千至上万年“模型处理任务所用时间”的训练。 在他们看来，当前的 RL 模型还存在明显短板，比如泛化能力差、难以适应新任务等，这种局面其实很像 GPT-3 出现之前的语言模型——能解决特定问题，但难以迁移和扩展。 为了解决这个问题，他们提出了一种新的训练范式，叫作“复制训练”（Replication Training）：让模型在虚拟环境中模拟真实软件的操作过程，比如使用浏览器、编写代码、处理命令行任务等等。 这种训练方式的好处在于任务目标清晰、评分机制明确，同时还能大规模自动生成训练数据，非常适合用在 RL 模型的系统性训练中。当然，它也不是万能的，比如在任务开放性和测试设计方面还有一些挑战。 但他们认为，复制训练是一条能推动 RL 模型走向通用智能的重要路径，有望带来一次类似 GPT-3 那样的能力跃迁。 综上，雷峰网 AI 科技评论对原文做了不改原意的整理与呈现： ## 当 RL 遇上 GPT-3 式规模化 GPT-3 向我们展示了一个关键事实：仅靠规模的提升，就能催生出强大、任务无关的 few-shot 能力，甚至在不少任务上超越了精心微调的模型。在此之前，想要在特定任务上取得最优表现，通常需要先用大规模通用语料进行预训练，再针对目标任务进行微调。 今天的强化学习（RL）则还停留在 GPT-3 出现前的阶段：我们依旧先预训练一个大型模型，然后在某些高度特化的环境中进行繁琐的任务级微调。但这一策略存在根本缺陷——泛化能力极弱。一旦模型面临的环境略有变化，性能便迅速崩溃。  我们认为，RL 也将迎来属于它的 “GPT-3 时刻”。这意味着，训练方式将从在少数环境中微调，转向在成千上万种多样化环境中进行大规模训练，以培育出真正具备 few-shot 能力与任务无关泛化能力的智能体，能够灵活应对全新任务。 但要实现这一跃迁，前提是我们必须构建出规模和多样性远超当前水平的训练环境——这是推动 RL 走向能力爆发的关键。 ## 要实现 GPT-3 级别的 RL 训练，需要多大的规模？ 不过，目前的 RL 数据集规模仍然相当有限。 以 DeepSeek-R1 为例，其训练数据大约包含 60 万道数学题。假设每道题人类平均需要 5 分钟完成，总体相当于约 6 年的持续人工劳动。而相比之下，GPT-3 所使用的 3000 亿个 token 语料，若按人类正常写作速度来计算，则需要几十万年才能写完，数量级远不在一个水平。 另一方面，如果想让 RL 的算力投入达到当前最前沿预训练模型的水平，可能需要大约 1 万年的人类任务时间（即模型处理所需的时间，换算成人类完成同样任务所需的时间）。DeepSeek-R1 在 RL 阶段使用了大约 6E23 FLOP，对应约 6 年的模型处理任务时间。如果后续训练保持与 DeepSeek-R1 相近的训练周期与分组规模，那么将训练规模提升到 6E26 FLOP 级别，大致对应约 6000 年的模型处理任务的时间。 当然，随着任务多样性的提高，未来 RL 是否会采用更大或更小的批次规模，或增加训练轮数，目前仍无法确定。由于缺乏相关经验数据，要精确评估所需的模型任务时间仍有一定难度，但 “1 万年” 可能是一个合理的估算级别。 为了便于理解，我们可以将这一训练规模与某些大型软件工程项目进行类比：无论是 Windows Server 2008、GTA V，还是 Red Hat Linux 7.1，它们都被估算耗费了约 1 万年的人类劳动。 值得一提的是，将 RL 训练扩展到这一规模，从经济角度来看是可行的。由于算力支出在整体训练成本中占据主导，将 RL 的训练预算提升至与语言模型预训练相当的水平，有望显著提升模型性能，而不会带来成倍增长的总成本。 而真正的挑战在于：如何构建足够多样且可自动评估的 RL 环境。实现这一点，或许需要我们彻底重新思考 RL 环境的设计与构建方式。 ## 复制训练或是解法？ 想象一下，如果每次训练一个语言模型进行下一个词的预测（next-token prediction），都必须手动编写整套训练语料库，那几乎是不可能完成的任务。实际上，我们之所以能够训练出强大的语言模型，正是因为可以直接利用大量现有内容资源 —— 比如书籍、学术论文、博客文章，以及 Reddit 上的讨论等，构建出大规模、高质量的训练数据。 类似地，我们认为，强化学习也有望迎来自己的 GPT-3 时刻，而实现这一点的关键，很可能是一种被我们称为“复制训练”（Replication Training）的新范式。 其核心思想是：让 AI 模型去复现已有的软件产品，或其中的某些具体功能。 起步阶段可以从一些相对简单的命令行工具入手，比如实现某种哈希或加密算法的小程序——这些目标清晰、结构紧凑，适合训练初期使用。随着模型能力的提升，复制训练的任务范围也可以扩展到更复杂的系统，比如网页应用、专业软件，甚至是大型游戏。雷峰网 每一个复制训练任务，都会提供详尽的功能规范和一个参考实现。AI 模型的任务，就是生成一个行为上与参考实现完全一致的版本。这种方式的最大优势在于评估非常直接且客观：模型的输出要么与参考结果完全一致，要么就不一致。清晰的评分标准大大简化了训练过程中的评估机制，也提升了训练效率。 尽管“复制训练”任务在形式上可能与日常软件开发有所不同，但它们瞄准的，正是当前 AI 系统在工程能力上仍显薄弱的一些关键环节。比如，要让模型复现一个复杂算法（如一个包含上万行代码的加解密命令行工具，并要求严格遵循详细规范），就必须具备以下核心能力： 准确阅读并深入理解复杂的技术文档； 严格按照规范执行指令，避免逻辑或实现上的任何偏差； 能够识别并修复早期出现的错误，具备可靠的问题恢复能力； 在长时间、高复杂度任务中保持稳定输出，就像人类工程师连续开发数周一样，成果质量直接由正确性衡量； 面对困难具备足够韧性，不轻易满足于“差不多就行”的半成品。 这些能力的组合，是构建可靠、高质量 AI 工程系统的基础。而“复制训练”的独特价值就在于：通过高强度还原现实复杂系统，为模型提供了系统性磨炼上述能力的路径。这不仅补足了当前 AI 系统的能力短板，也为通用型智能体的训练奠定了关键技术基石。 我们预测，“复制训练”将成为 AI 训练的下一个核心范式。 这一判断源于当前 AI 发展的基本趋势：通过大量已有的人类创作数据，自动构建出丰富的新任务。就像自然语言资源广泛存在于互联网上一样，软件本身也是一种高度结构化且数量庞大的现成素材。复制训练正是基于这一前提，提供了一种可扩展、自动化的方式，能够高效生成复杂任务，推动我们向具备端到端开发能力的 AI 迈进——即那些能够独立完成整个软件项目的智能体。 当然，这一方法也并非没有挑战。比如，如何编写既高效又覆盖全面的测试，仍是一项不小的工程难题，往往需要大量人工投入。此外，从形式上看，复制训练也略显“人工”——在日常软件开发中，完全照搬已有软件的情况并不常见，尽管它在软件移植、遗留系统重构、“洁净室”重写等场景中确实存在。 尽管如此，我们仍认为复制训练提供了一条清晰且具可行性的路径，能够将 RL 训练环境扩展到支持泛化能力所需的海量规模。这种范式很可能成为 RL 实现“GPT-3 时刻”的关键——帮助模型积累成千上万年级别的任务经验，进而具备稳健、任务无关的泛化能力。 那么，复制训练是否就是实现“全自动劳动”的终极路径？我们并不这么认为。虽然它有望催生出能够依据详细设计说明独立完成复杂软件项目的系统，但这类系统仍可能缺乏人类所具备的开放性、灵活性，以及在跨领域场景中进行抽象规划和高阶管理的能力。即便未来 AI 成为顶级程序员，它们也未必能胜任更广泛意义上的决策与协调任务。 不过，我们相信复制训练仍有可能成为通往下一个训练范式的关键“桥梁”——正如在复制训练之前，我们也需要经历预训练这一阶段一样。我们对这一新范式的潜力与前景，充满期待

据传言，iPhone的灵动岛体验将在未来几年内经历“重大变革”。本月早些时候，有报道称iPhone 17系列将采用重新设计的灵动岛用户界面，但关于软件变化的其他信息却少之又少。 现在，名为“Majin Bu”的泄密者似乎证实了这一说法，他在一次新的采访中评论道： <blockquote><p>灵动岛将在未来几年迎来重大革新。苹果似乎致力于提升其功能性和集成度，使其成为用户体验的关键元素。这一进展可能标志着设备交互的进步，但目前，我将保密更多细节。敬请关注这项创新的进展。</p></blockquote> 听起来灵动岛很有可能在 iPhone 17 机型上发生某种变化，这是自 2022 年在 iPhone 14 Pro 机型上推出该功能以来的首次变化。目前预计苹果将在2025 年 9 月 8 日那一周发布 iPhone 17 系列。  [查看评论](https://m.cnbeta.com.tw/comment/1512902.htm)

今年6月，一架从印度飞往英国的印度航空公司波音787-8型客机在印度古吉拉特邦艾哈迈达巴德机场起飞后不久坠毁，造成机上和地面上共279人遇难。这架飞机也成为全球首架因空难全损的波音787型飞机。 今日，据央视新闻报道，印度航空首席执行官坎贝尔·威尔逊表示，**印度航空事故调查局此前发布的空难初步报告中未发现飞机或发动机存在任何机械或维护问题，所有强制性维护任务均已完成。** 威尔逊在给印度航空全体员工的信件中说道，事故飞机的燃油质量没有问题，起飞滑跑也没有异常。 同时，**飞行员也通过了强制性的飞行前酒精测试，没有发现任何与医疗状况相关的异常。** 据了解，787机型是波音史上最畅销的宽体客机，也是波音最先进的现役飞机。 波音官网介绍，在不到14年的时间里，787机队已搭载超过10亿乘客，比航空史上任何其他宽体飞机都更快。 [](//img1.mydrivers.com/img/20250714/6d3bab0d7f294607b9a1e2b4d70b02cf.png) [查看评论](https://m.cnbeta.com.tw/comment/1512900.htm)

近日，**美国加州数百名丰田氢动力汽车Mirai车主对丰田及其他相关方提起诉讼，指责他们在氢燃料补给网络的可行性上误导了消费者。**海外媒体报道称，随着氢燃料补给基础设施的崩溃以及氢燃料价格的飙升，许多车主发现自己陷入了无法正常使用汽车却仍需偿还高额贷款的窘境。 有车主表示，自己在2022年7月花7.5万美元（约合53.8万人民币）买了车，但很快就遭遇了迎头痛击。 车里的氢燃料快要耗尽的时候，然而却找不到可以加注氢气的加氢站，**目前，这辆车因为没法加氢而遭遇闲置，但她每月仍需支付近1100美元（约合7891元人民币）的车贷**。 加不到氢气是这起群体诉讼的核心原因之一，早些年加州曾承诺投入数千万美元建设加氢站网络，而丰田、现代、本田等汽车制造商也纷纷推出氢动力零排放汽车。 然而现实残酷，**截至目前，加州仅有大约仅50个加氢站，更糟糕的是，加氢站常常面临维护不稳定和供应问题，意味着即便开去运营中的加氢站，也有概率加不到氢气。** 此外，氢燃料的价格飙升是诉讼的另一原因，**此前每加满一次约70美元（约合502元人民币），而如今则飙升至近200美元（约合1435元人民币）**，属实开不起！ 值得一提的是，这场诉讼也引发了对丰田以及氢能汽车的批评，许多人质疑，这项技术过早地推向了一个尚未准备好的市场。  [查看评论](https://m.cnbeta.com.tw/comment/1512898.htm)

OpenAI 的 Vibe Coding 梦破灭了。 当地时间 7 月 11 日，谷歌 DeepMind 被爆成功「收编」AI 初创公司 Windsurf 的核心团队，就在前不久，OpenAI 还在和 Windsurf 谈判 30 亿美元收购，极客公园还在播客中大聊特聊，没想到双方的合作并未达成，反而让谷歌补充了 AI 血液。 根据报道，谷歌将付出 24 亿美元（约人民币 170 亿元）的许可费和补偿金，换来 Windsurf 团队联创 Douglas Chen 和部分高级研究院加入谷歌，帮助后者在 AI 编程上的项目。同时，Windsurf 将保持独立运营，并仍可将技术授权给其他公司 。 熟悉的配方，熟悉的味道。 就在一个月之前，Meta 做了类似的事—— Meta 斥巨资收购了 Scale AI 近一半股份，并顺势把其年轻的 CEO 拉来做自己的首席 AI 官 。 无论是 Meta、谷歌、苹果，还是马斯克的 xAI，如今都在抢人，要么整体收编明星初创团队，要么直接从 OpenAI、Anthropic 那里「撬墙角」。 各大巨头用上千万美元、上亿美元的薪酬包诱惑，短时间内「爆破式」挖角对手的团队，CEO 们亲自打电话、组局，或者投资收购公司，只为拿下几个创始人和技术骨干，被挖角的对手则被迫用更高的留任奖金来「止血」留人。 可以说，硅谷的「AI 人才争夺战」已经打到癫狂，99% 的钱最后流向了 1% 的顶尖 AI 人才。 # 01 Meta 疯狂撒币，挖空友商 在所有巨头中，Meta 和扎克伯格的挖角风格可能是最高调、激进的。 今年 6 月，Meta 重组 AI 团队，官宣成立「超级人工智能实验室」，并斥资 143 亿美元买下数据标注初创公司 Scale AI 49% 的股份，直接把这家公司年轻的 CEO Alexandr Wang 任命为 Meta 的首席 AI 官，堪称「买公司送高管」。  Alexandr Wang 与扎克伯格｜图片来源：网络 除了通过投资公司来「买人」，Meta 对单个人才的报价同样毫不手软，尤其瞄准了 OpenAI 和谷歌的顶级研究员，还有苹果和 Anthropic。 本来，那些人动辄年薪数百万、数千万美元，还有股票期权，已经算业内顶流。Meta 为了挖走 OpenAI 的核心成员， 不惜开出「4 年 3 亿美元」级别的「大包」，第一年就能行权一大笔股票，兑现 1 亿美元 。虽然 Meta 声称这些极端报价仅限于「少数领导职位」，但在科技圈也算闻所未闻。 与之相对应的，拥有顶级 AI 模型的 OpenAI 成了最大的被挖角目标，可以说人才流失严重，几乎变成「AI 人才超市」，由各大巨头扫货，Meta 至少重金挖走了 7 名 OpenAI 的顶尖研究人员和模型开发人员。 OpenAI 的一位高管形容，被 Meta 挖人就像「有人闯入我们家偷了东西」。Sam Altman 当然也感觉到情况不妙，但声称 OpenAI「最好的」员工并没有被挖走。 「Meta 开始给我们团队里的很多人开出巨额合同，」Sam Altman 今年 6 月在他兄弟的播客节目里说，「比如每年 1 亿美元的签约奖金，比这还多的薪水」「但至少到目前为止，在我们最好的员工里，没有任何人决定接受他的条件。」Meta 据称曾试图挖走 OpenAI 的其中一名首席研究员，以及谷歌的 AI 架构师，然而，这两次尝试都未能成功。 Sam Altman 还讽刺称，Meta 执迷于为员工提供高薪，而不是实现 AGI 的使命，这可能无法创造「良好的文化」。  Sam Altman 在播客节目中谈及 Meta 挖角事件｜图片来源：网络 即便如此，除了用所谓的「文化」「愿景」留人，OpenAI 还是得在挖角大战中付出代价，需要调整薪酬，给一些员工开出 100 万至 200 万美元的留任奖金，并附送更多股权，作为忠诚奖励，说服关键研究人员在收到外部报价后留下来。据称，过去两年发生的董事会危机、组织动荡对 OpenAI 员工的归属感也有一定影响，让一些对手和猎头觉得「从 OpenAI 挖人更容易」。 不过，OpenAI 也不是被动挨打，一直在挖人，或者反挖，不仅从 Meta 挖回一名研究员， 还从马斯克的 xAI 和特斯拉挖走了高级 VP 和多名核心工程师，其中部分人参与过马斯克旗下超级计算机 Colossus 的构建 。马斯克和 Sam Altman 早就因路线分歧撕破脸，目前甚至还在互相起诉。 在这样的薪酬环境下，连一向高冷的苹果也不得不改变作风。苹果原本因为保密文化不鼓励研究员发表论文，导致很难吸引 AI 顶尖学者。与之相比，谷歌、Meta 和微软等公司长期以来都允许研究人员发表论文和开源一些工具，这可以增加他们的影响力。到了 2025 年，苹果似乎开始放松一些限制，大举投资内部大模型项目。 即便如此， 苹果负责基础模型研究的主管仍被 Meta 以超过 1 亿美元的「大包」挖走，这笔薪酬传闻甚至超过了除 CEO Tim Cook 之外的所有苹果高管 ，苹果并未尝试反挖或匹配 Meta 的报价。 为了抢 AI 人才，一些公司也在调整措施，缩短行权期限，例如，谷歌将部分 AI 招聘的行权期限从 4 年缩短为 3 年，以提高薪酬吸引力。数千万美元的签约奖金也并不罕见。 另外值得注意的是，巨头们开出的并非单纯的高薪，还包括股票和一次性签约奖金。一些 offer 据称带有「爆炸期限」——24 小时内签字，否则作废。 当下，整个硅谷 AI 圈里，一些履历就像转会市场：在谷歌干过、去 OpenAI 升级、再被 Meta 挖走，以后说不定干脆自己开个新公司，靠之前的履历拿上亿融资。当然，也有的人选择反复横跳，例如，一名被 xAI 挖走的工程师在不到一年的时间里就回到了 OpenAI。也有的选择拒绝 Meta 的高薪包裹，单纯因为不想「卷」。 由于 Meta 将签约费打到了「职业球星」级别，一张将一名华人 AI 研究员与足球巨星 C 罗并排的图片，附上他们的签约身价对比，甚至成为科技圈流传的热梗。  网友将华人 AI 研究员与 C 罗对比｜图片来源：X # 02 华人面孔成「香饽饽」 在这场巨头挖角大战里，如果你留意他们的名字，或者姓氏，可以发现不少华人。 比如，前面图中与 C 罗并排的余嘉辉（Jiahui Yu）就是华人，中科大少年班出身，曾在谷歌 DeepMind 工作，领导过 Gemini 多模态项目，后加入 OpenAI 参与 GPT-4o、GPT-4.1、o3、o4-mini 等模型的开发，然后才被 Meta 重金挖走。 苹果被 Meta 挖走的也是一名华人，叫彭若明（Ruoming Pang），Meta 为了挖他，据称开出了超过 2 亿美元的总包。彭若明在苹果工作了 4 年，负责苹果人工智能/机器学习的基础模型团队，该团队主要研发支撑 Apple Intelligence 的基础模型。 在苹果工作之前，彭若明还曾在谷歌工作长达 15 年，期间参与语音识别研究和产品开发，联合开发了 Babelfish/Lingvo 深度学习框架和 Tacotron 2 语音合成系统，是谷歌全球授权系统 Zanzibar 的联合创始人和技术负责人。  彭若明（Ruoming Pang）｜图片来源：其 X 账户 除了彭若明，Meta 的华人挖角名单里，还有好几位前 OpenAI、谷歌华人研究员，他们之前在 OpenAI、谷歌时参与的，是 GPT-4、Gemini、o-series 等最前沿的大模型版本开发。 比如，常慧文（Huiwen Chang）是清华大学姚班的毕业生，在普林斯顿大学获得博士学位，在谷歌担任研究科学家四年多，发明了 MaskGIT 和 Muse 架构，于 2023 年加入 OpenAI，参与开发了 GPT-4o 的图像生成系统，在多模态 AI 模型方面有贡献。  常慧文（Huiwen Chang）｜图片来源：Linkedin 又比如，任泓宇（Hongyu Ren）本科毕业于北京大学，博士毕业于斯坦福大学，曾在微软、英伟达、谷歌和苹果实习，加入 OpenAI 后，负责后训练团队，专注语言模型训练优化，是 GPT-4o mini、o1-mini 等模型的开发者之一。  任泓宇（Hongyu Ren）｜图片来源：其个人网站 还有 Ji Lin，本科毕业于清华大学，博士毕业于麻省理工学院（MIT），于 2023 年加入 OpenAI 担任技术团队成员，参与开发过 GPT-4o、GPT-4.1、GPT-4.5、图像生成系统（4o-imagegen）以及 Operator reasoning stack。  被 Meta 从 OpenAI 挖角的 Ji Lin｜图片来源：其个人网站 2025 年 7 月，谷歌宣布将聘请 AI Coding 初创公司 Windsurf 首席执行官、联合创始人以及部分研发员工，将他们纳入谷歌 DeepMind 团队，阻止了 OpenAI 对 Windsurf 的收购计划。 其中，被谷歌打包招进来的 Windsurf 联合创始人 Douglas Chen 也是华裔面孔，毕业于麻省理工学院（MIT），曾在 Meta 和 Facebook 担任机器学习工程师。  Windsurf 联合创始人 Douglas Chen｜图片来源：Linkedin 苹果同样在 AI 方面倚重部分华人。彭若明出走后，苹果很快提拔了另一位华人工程师陈志峰接手，继续负责 Apple Intelligence 背后的大语言模型研发与部署。 华人面孔的密度之高不是偶然。据一些智库对全球顶级 AI 会议论文作者的分析， 在美国顶尖 AI 研究人员中，超三成拥有中国背景，比例甚至略高于美国本土出身的研究人员 。 马斯克对华人工程师的倾向也很明显，其团队合照总有很多华人面孔，甚至 xAI 创立时，12 位创始研究员里有 5 位是华人——Tony Wu、Jimmy Ba、Greg Yang、Zihang Dai、Guodong Zhang，不少人曾在谷歌或 DeepMind、OpenAI 实习或工作过。有时人们打趣「 大半个 xAI 是中国人 」并不为过。 在 Grok 4 的直播发布会上，坐在马斯克旁边频繁露脸的就是吴怀宇（Tony Wu），现在身份是 xAI 的联合创始人，曾在谷歌 DeepMind、OpenAI 实习，在斯坦福做过博士后，同时在谷歌工作过一段时间。  马斯克和 Tony Wu（右）｜图片来源：xAI 今年甚至还有一个流行说法，时不时就会被科技圈调侃转发：「AI 大战就是在美国的中国人 VS 在中国的中国人」。 # 03 边裁边挖 99% 的钱，流向 1% 的人？ 不过，在风光无限的天价合同背后，也藏着另一个群体的焦虑，因为这场挖角大战，可能只针对金字塔尖的 1%，剩下的 99% 呢？ 虽说就连「普通」的 AI 资深工程师，有的也能拿到 100 万到 150 万美元年包，比传统软件岗位高出两三倍。Levels.fyi 平台数据显示，Meta 的 E7 级别 AI 工程师平均年包可以逼近 154 万美元，这个价码哪怕在硅谷也算是上游。 但对很多硅谷程序员来说，AI 的崛起和巨头的抢人大战带来的不仅是羡慕，还有切实的危机感：一边是 Meta、OpenAI、Google 等巨头正以数千万、乃至数亿美元级签字费、年薪争抢顶尖 AI 科学家，AI 大牛拿着天价合同、享受九位数待遇； 另一边则是普通工程师担心被裁、价值被边缘化 。 「一边是看着各路 LLM 大牛拿大包，一边是普通牛马整天担心被裁。」有人在硅谷码农聚集的论坛发帖如此称，类似这样主题的帖子不在少数，遍布各种硅谷科技圈社交网络平台。 而巨头们的确在「边裁边挖」。Meta 这几年起码裁了几万人，尤其是非 AI 项目的员工，实行「末位淘汰制」，今年被硅谷华人码农圈戏称为「鱿鱼厂」；谷歌同样持续优化，甚至启动「自愿离职补偿计划」，将资源投向 AI 项目；亚马逊去年裁员超过 2 万人，今年初再裁减数十个企业岗位，3 月开始重组 AWS 相关部门。 2025 年 7 月，微软宣布再次裁员数千人，主要集中在工程师岗位，其中硅谷本地就有上百个软件工程职位被砍，部分理由是 AI 提高了生产效率。  微软 CEO 纳德拉｜图片来源：微软 微软 CEO 纳德拉在 2025 年公开表示，微软内部已有 20% 至 30% 的代码由 AI 生成。类似情况出现在其他企业，比如，Salesforce 高管也称，公司内部约 20% 的代码由 AI 生成，AI 让工程团队生产力提升超过 30%，因此减少了程序员招聘。 一些硅谷软件工程师认为，随着 AI Coding 效率提高，普通软件工程师的生存反而「越来越难」。有人还认为，目前 99% 的钱流向了 1% 的顶尖 AI 人才，AI 本身岗位不多，程序员开发的 AI 取代了很多岗位，最后可能会革了自己的命。 硅谷的 AI 抢人大战，不只是巨头之间的零和游戏。无论是 AI 人才、普通软件工程师、还是硅谷巨头，现在都不得不接受这种高流动性和短期主义，以及一个现实： 大量的钱、更多的钱，都只流向 AI 。

Wei Sun, principal AI analyst at Counterpoint Research, said in an email that Kimi K2 is &#34;unquestionably globally competitive&#34; and noted that its cost efficiency makes it “particularly attractive for budget-sensitive or large-scale enterprise deployments.”

<blockquote><p>在电商浪潮之后，零售业迎来了一场新的革命——即时零售。从“囤货经济”到“即时满足”，从“计划性消费”到“碎片化场景”，即时零售正在重构消费逻辑与商业价值。本文深入剖析即时零售崛起的底层逻辑，探讨巨头们如何通过技术驱动、生态赋能，将即时零售从概念变为现实，并展望其未来的发展方向。</p> </blockquote>  2018 年，“所有生意都值得被互联网重做一遍” 的豪言壮语，宣告了线上零售对物理边界的突破。据国家统计局数据显示，当年实物商品网上零售额对社会消费品零售总额增长的贡献率突破 45%，电商成为无可争议的增长引擎。 七年弹指一挥间，**零售业的核心命题已悄然转变：不再是简单的 “上线”，而是如何以 “即时性” 为核心，重构消费的本质逻辑与商业的价值链条。** **当 “30 分钟送达” 从奢侈变为标配，一个全新的共识正在形成：“所有的生意都值得被即时零售重做一遍”—— 这不仅关乎速度，更是一场触及供应链、消费心理与产业生态的深度变革。** ## 01 解构与新生：即时零售崛起的底层逻辑与爆发势能 即时零售的爆发性增长，绝非对传统电商的简单修补，而是直击其固有痛点，并深刻契合了时代变迁下的消费需求升级。 **它首先终结了 “囤货经济” 的隐性成本**。传统电商依赖大促驱动的集中式、计划性消费，伴随而来的是资源浪费（食品过期、用品闲置）、仓储压力与资金占用，而即时零售以 “所见即所得，所需即刻达” 的按需模式，将消费行为拉回 “即时满足” 的本质，极大释放了社会资源与个体决策负担。 同时，**它兑现了 “时间价值” 的稀缺溢价。**在快节奏社会中，时间成为最昂贵的货币。埃森哲研究揭示，超 50% 的 95 后消费者愿意为即时配送支付溢价。即时零售提供的 “分钟级响应”，本质上是对用户时间稀缺性的深度尊重与高效解决方案，重塑了 “便利” 的定价体系。 更重要的是，**它激活了 “碎片场景” 的无限商机。**即时零售将消费场景切割至前所未有的颗粒度：从清晨的咖啡、午间的应急药品、深夜的零食补给，到旅行途中的本地特产即购即送。它渗透至生活的毛细血管，让 “场景即入口，需求即订单” 成为现实，释放了被传统零售模式忽视的海量长尾需求。 数据印证着这一爆发轨迹：商务部研究院《即时零售行业发展报告（2024）》显示，2023 年市场规模飙升至 6500 亿元，同比激增 28.89%，2024 年预计达 8500 亿，占网络零售额 4.2%，2030 年有望突破 2 万亿大关。 美团闪购非餐饮日单量突破 2000 万单，淘宝闪购上线两个月日订单破8000万，截止目前，其非餐饮日订单突破1300万单，京东 “秒送” 月活用户 1.65 亿 —— 这些数字是浪潮汹涌最直接的注脚。巨头间的 “亿级订单日” 竞赛（美团 1.5 亿单、淘宝饿了么联合 8000 万单，京东秒送2500万单）与天量补贴（美团零元购补贴，淘宝闪购&amp;饿了么的500 亿补贴、京东的“双百计划”），更将市场竞争推向白热化。 ## 02 巨头竞逐与生态卡位：战略分野下的版图重构 即时零售战场已成巨头必争之地，其布局策略深刻烙印着各自的基因与野心，共同推动行业基础设施与服务水平跃升。 美团的核心逻辑是依托庞大的本地商户网络与超强即时配送运力（近800万骑手），构建覆盖全品类、全场景的即时履约网络。 其关键动作包括美团闪购全品类扩张（酒饮、便利店高频打头阵，超市 / 服装中频跟进，3C / 家电等高利润品类突破）；“闪电仓” 万店计划（全国超 3 万仓，目标 2027 年破 10 万，深化近场供应链）；数据称其 3C 订单已达京东全站 40%，侧面印证品类拓展成功。而地推能力、商户粘性、运力规模与调度算法则构成了它的护城河。 京东则发挥自营供应链、采销体系与仓配基础设施优势，主打 “品质最优、价格竞争力力争第一”（如七鲜内部指令），建立高信任度的即时零售体验。 其关键动作包括整合京东七鲜、便利店、酒世界、买药等入口于 “秒送” 页面；聚焦高标品（生鲜、3C、家电）；以华北为重心，利用外卖高频业务锤炼配送能力并为主站引流。商品管控能力、仓储物流效率、品牌心智（正品、快、好服务）是其核心护城河。 阿里的布局逻辑是打通淘宝天猫庞大的远场品牌商家资源与饿了么近场配送网络，实现生态内资源高效协同与迁移。 关键动作包括 “小时达” 升级为 “淘宝闪购” 首页一级入口；饿了么 3 年 10 万家 “近场品牌旗舰店” 计划；联合饿了么实现 8000 万 + 日单，且淘宝闪购也基于阿里自营业务盒马鲜生一级流量入口，这种战略调整显著提升淘宝 APP 高峰时段活跃度。海量品牌资源、全域流量生态、支付宝协同构成了它的护城河。 此外，新玩家也在加速入局：**抖音依托内容场景探索 “即看即买即送”，拼多多 “多多买菜” 试水自建仓配进军一线城市即时配送**，预示着战局将持续扩容与深化。竞争维度已从流量、补贴，升级为供应链效率、生态协同能力与技术创新水平的全方位比拼。 ## 03 技术驱动与生态重构：效率跃迁与价值链赋能 **即时零售兑现 “分钟级” 承诺的基石，是一场由技术引领的深度效率革命，并由此催生全新的产业生态。** 在智能基建方面，前置仓 / 闪电仓网络（美团超 3 万仓、京东七鲜融合前置仓）将商品无限靠近消费者，物理距离压缩至 3-5 公里，智能算法驱动选品、动态补货与库存优化；“店仓一体” 混合履约激活百万线下实体门店库存（如药店、超市），实现分布式、社会化履约，提升资源利用率；自动化与机器人（字节跳动物流机器人、亚马逊 DeepFleet AI 模型）则优化仓储分拣效率与配送路径规划，是降本增效的关键支撑。 数据智能作为洞察需求与精准匹配的 “神经中枢”，通过大数据实时分析区域消费习惯、预测高峰需求（如淘宝闪购上线后点餐高峰活跃度显著提升），指导运力调度与商品前置部署；个性化推荐引擎挖掘碎片化、长尾即时需求，提升转化率与用户满意度。 运力革命则体现在复杂订单合并、实时最优路径规划、百万级骑手动态调度上，确保高峰期稳定履约，美团、饿了么积累的庞大且高效的运力网络构成核心壁垒。 生态赋能带来了价值链的重塑与新机遇：对线下实体而言，社区小店变 “线上分店”，覆盖 3-5 公里全量用户，突破物理位置天花板，平台提供的精准消费画像与热销数据还能赋能选品、促销与库存管理，实现精细化运营；对品牌商来说，饿了么 “近场旗舰店”、美团品牌专区缩短了链路，便于快速响应市场反馈，即时场景也成为新品试水（如夜宵推精酿啤酒）、精准触达的黄金渠道，美团闪购酒类 618 爆发（白酒增 70 倍）、3C 家电 “人数、频次、客单三升” 验证了高客单价品类潜力；同时，“闪电仓” 加盟商成为支撑即时零售网络的毛细血管与新零售服务商，SaaS 服务商为中小商户提供数字化工具，本地供应链也在推动区域生鲜、特色产品供应链的标准化与效率提升。 ## 04 未来图景：无界拓展与可持续挑战 即时零售的边界远未固化，其演进方向预示着更广阔的空间与待解的课题。 **品类无界化趋势下，“送万物” 加速实现，从生鲜快消、3C 家电，向服装（试穿 + 即时退换）、家居（急需配件）、奢侈品（高安保配送）、本地服务（家政、维修）甚至虚拟产品（电子凭证即时达）拓展。** 场景则向全域渗透，深入办公（急送办公用品）、医疗（处方药、医疗器械即时配送）、教育（教材急送）、文旅（目的地特产即购即送）、社区服务等全生活维度。 技术智能化跃迁将成为重要方向：无人配送在政策允许区域逐步商用，破解 “最后一公里” 成本与效率瓶颈；生成式 AI 优化智能客服、营销内容，预测性 AI 提升需求预判与库存精度，物联网实现全链路实时可视化与透明管理。绿色可持续也成为关键，电动配送车普及、环保包装循环利用、智能路径优化减碳，成为平台 ESG 战略核心。 同时，竞争格局将深化，巨头生态战（全品类 VS 自营品质 VS 生态协同）持续升级，区域性平台与垂直领域服务商（如专注医药即时配送）寻找差异化空间，行业需共同探索可持续的盈利模型，平衡规模扩张、用户体验与健康毛利。监管与规范也需护航，数据安全与隐私保护、新就业形态劳动者（骑手）权益保障、特殊商品（食品、药品）质量安全监管、平台公平竞争环境构建等，亟需政策法规的与时俱进与有效落地。 ## 05 即时零售：定义未来商业的价值坐标 “所有生意都值得被即时零售重做一遍”，其意义远超对 “互联网重做” 的迭代。**它从根本上颠覆了传统零售 “人找货” 的被动模式，建立起 “货近人 + 即时达” 的主动响应新范式。**这场变革的核心，不仅在于速度的极限压缩，更在于对消费者时间价值的极致尊重、对碎片化需求的精准捕捉、对全链路效率的彻底重构。 当美团的闪电仓网络深入社区末梢，京东的自营秒送保障品质如一，阿里的生态协同激活百万品牌，智能技术推动无人配送初露锋芒 —— 我们见证的是一个以 “即时性” 为底层操作系统，正在被系统性重构的商业新生态。 其终极图景，绝非线上对线下的替代，而是以数字化为纽带，以分钟级履约能力为基石，实现全域库存共享、全渠道体验无缝融合、全链路效率价值最大化的零售新世界。 在这个新世界里，无法融入 “即时” 洪流、未能洞察时间价值本质的生意，终将被效率与体验的浪潮所淘汰。即时零售，正以其前所未有的渗透力与重构力，重塑每一笔交易背后的逻辑，并清晰地昭示：**商业价值的坐标，已被重新定义 —— 速度即服务，时间即价值。** 撰文：刘老实 排版：柯不楠 校对：十 三 公众号：即时刘说 本文由 @即时刘说 原创发布于人人都是产品经理。未经作者许可，禁止转载 题图来自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

这场由国产力量引发的变革，能否真正重塑国内痛风市场格局？

让我们一起用理性的眼光看待商业世界，不被表面的繁华所迷惑，找到真正适合自己的消费方式。

<blockquote><p>作为10年产品经理了，还在纠结登录这种简单功能的设计问题，怪不好意思的，希望通过这一个小功能的梳理，能给自己带来一些思考。</p> </blockquote>  登录常见的要素有： （1）应用最广泛的**【微信手机号授权登录】**，用户不用接收验证码，体验丝滑，无感登录，但是需要花钱购买微信相关的组件，有一定花销。 （2）手机号+验证码登录，用户可使用任意手机号登录，应用场景广泛，但发送验证码有一定花销。 （3）用户名+密码登录，或邮箱地址+密码登录，常用于企业内部的小程序，无登录费用。 （4）邮箱地址+邮箱验证码登录，国内比较少见。 （5）《用户协议与隐私政策》，小程序登录时的必要条件，可增加一些勾选提示，方便用户理解与阅读。 （6）一些品牌广告词、引导词、欢迎词。 （7）默认注册提示词，强提醒用户“新用户自动注册”。 （8）单独的注册按钮，通常情况下小程序登录即默认注册，无需用户填写一些复杂的信息，但是如果需要在注册时额外填写写其他内容，则可把【注册】单独拉出一个功能来做 。 ## 一、底部简约弹窗授权登录 1、微信原生态的**隐私协议+微信手机号授权登录按钮**：适合没那么多花里花哨的小程序，开发成本低，用户操作方便。  2、**带有品牌设计的弹窗风格+隐私协议+微信手机号授权登录按钮：**这类通常用于对审美有一定追求的、登录业务简单的小程序；   ## 二、对话框式授权登录 **1、微信手机号授权登录+暂不登录+隐私政策** 适用于对审美有一定要求、不登录也可浏览信息办理业务的小程序，且小程序仅可用手机号登录，不支持账户密码登录、切换手机号登录登其他复杂场景。   **2、微信手机号授权登录+其他手机号登录+隐私政策** 适用于对审美有一定要求、支持非微信手机号登录注册的小程序。  **3、微信手机号授权登录+其他手机号登录+隐私政策+其他人性化引导提示语** 在第2类的基础上，增加了人性化引导提示词，或品牌宣传词。  **4、上次登陆账户本次默认登陆+微信手机号授权登录+其他手机号登录+账号密码登录+隐私政策+欢迎语** 适用于对审美有一定追求的、适用于不经常更换登录账号的、提供多种登录方式的小程序。  ## 三、单页式登录 **1、微信手机号授权登录+暂不登录+其他手机号登录+隐私政策** 适用于对审美有一定要求、支持非微信手机号登录注册的小程序。不登录也可访问页面或办理业务。  **2、微信手机号授权登录+暂不登录+其他手机号登录+隐私政策+广告词** 在第1类的基础上，增加了相关的品牌提示词、广告语、引导语，更有品牌吸引力。  **3、微信手机号授权登录+其他手机号登录+隐私政策** 支持非微信手机号登录注册的小程序，但不支持账号密码登录登其他登录方式。  **4、微信手机号授权登录+其他手机号登录+账号密码登录+隐私政策** 支持多种登录方式的复杂场景，但体现了主推微信手机号授权登录。  **5、微信手机号授权登录+暂不登录+隐私政策+广告词** 仅支持微信一键登录，适合登录场景简单的小程序。  **6、微信手机号授权登录+其他手机号登录+隐私政策** 支持登录非微信手机号的复杂场景，但体现了主推微信手机号授权登录。  **7、微信手机号授权登录+其他手机号登录+账号密码登录+注册+隐私政策** 一般小程序的注册都是手机号登录后立即注册，但是如果需要在注册阶段补充一些其他信息的，会单独把注册拉出一个功能来。  **8、微信手机号授权登录+隐私政策** 适用于仅支持微信手机号登录的简单场景。  **9、输入手机号登录+一键获取手机号+隐私政策** 直接为用户展示登录的输入页面，没有微信一键授权那么丝滑，但是不用购买微信付费登录组件。  **10、输入手机号登录+注册+隐私政策** 同第9类一样没有微信一键授权那么丝滑，但是不用购买微信付费组件，提供了单独的注册入口。  **11、输入手机号登录+账户密码登录+电子邮箱登录+隐私政策** 同第9类一样没有微信一键授权那么丝滑，但是不用购买微信付费组件，支持多种登录方式，可用于复杂的业务场景。  **12、输入手机号登录+隐私政策** 同第9类一样没有微信一键授权那么丝滑，但是不用购买微信付费组件，且只支持手机号验证码登录，适用于简单业务场景。  **13、邮箱登录+隐私政策** 仅支持邮箱登录，适用于内部系统的小程序，减少了验证码费用。  本文由 @大黄 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《构建企业级用户中心（上）：核心价值、架构设计与功能模块全景图》中，我们解析了系统分层与核心模块。本文作为系列终篇，将深入探讨多业务系统下的RBAC扩展方案，覆盖权限模型设计、角色治理框架、数据权限联动三大核心场景，并附赠可复用的设计Checklist。</p> </blockquote>  RBAC：Role-Based Access Control 基于角色的访问控制，主要包含角色、权限、用户三者之间多对多的关系。 最常见的是单一业务系统建设中支持创建菜单权限，设置菜单路径，角色关联菜单，再将角色分给1个或n个用户，而对于企业的用户中心要考虑支持多个业务系统的角色权限，并将这些角色权限之间相互隔离，能在用户详情中查看到用户拥有的每个业务系统的权限，权限大的管理员也能看到用户没有拥有的权限，并可直接为用户分配没有拥有的权限。用户中心已支持创建多个业务系统、支持各个业务系统内单独维护单点登录的访问权限，那么各个业务系统的角色权限及用户也应在应用详情内管理。  ## 一、RBAC在企业级场景的挑战与升级 传统RBAC（基于角色的访问控制）在单一系统中表现良好，但面对企业多业务系统时需解决： - **权限爆炸**：N个系统×M个角色导致组合复杂度指数上升 - **跨系统隔离**：电商客服角色（订单系统权限）≠客服角色（CRM系统权限） - **可视化管理**：超级管理员需全局查看用户权限分布  ## 二、权限模块设计：从树形结构到动态规则 - 考虑到web端、手机端等不同使用端的菜单权限控制不同，需支持建立多个权限组，并且每个权限组的信息字段可进行定制化配置； - 权限的基本管理功能，支持新增编辑删除权限，支持移动权限，支持创建子权限，在删除父权限时需将子权限都删除完成，权限的启用禁用，批量导入导出等功能； - 权限一般为树形菜单展示，便于清晰查看权限的层级结构； - 因为用户中心作为统一管理的位置，需将信息同步业务系统，需对应有相应的标准接口将权限可以同步至外部系统； - 针对数据权限的设置，它也属于权限的一种，但数据权限的设定无法和菜单权限保持一样的设定，需要系统将常见的数据权限规则提前设计好，比如数据权限一般是设定可以看整个公司的数据、某个部门的数据等，那么部门的数据权限的数据维度就要提前设定好，以便于和组织机构管理模块建立联系。 ## 三、角色模块设计：柔性化治理框架 - 针对内部外部、上下级、多部门等情况的角色管理方式不同，用户中心也应支持建立多个角色组，并且每个角色组的信息字段可进行定制化配置；如果角色管理的信息一致，也可以只建一个角色组，便于统一管理。 - 角色的基本管理功能，支持新增编辑删除角色，支持移动角色，支持创建子角色，在删除父角色时需将子角色都删除完成、需要将角色下的用户都移除掉才可删除角色成功，角色的启用禁用，批量导入导出等功能； - 每个角色需分别绑定权限，绑定后的权限最好也为树形展示，便于看出层级关系，对于未赋予的权限最好也能展示，因为角色管理主要为管理员服务，这么设计整体会非常清晰。 - 如果角色的管理需要到数据权限的级别，那么角色应支持绑定数据权限，不同角色可绑定不同维度的数据权限，并支持通过标准接口同步至外部系统； - 角色编辑完成后可为角色分配人员，人员的角色分配可以在用户详情中，也可以在角色详情中分配，一种是可以直接给一个用户直接分配多个系统的角色，另一种可以直接给一个角色批量分配多个用户，所以两种方式都存在，对分配权限的管理者来讲会增加很多便利性。 - 另外，对于批量操作，需要支持角色、用户、数据权限的批量导入导出，方便数据维护与信息检查。 - 有些企业的用户管理会到岗位级别，如果业务系统的角色和岗位比较匹配，那么直接做成角色可以关联岗位，之后有这个岗位的人员入职，就会自动分配角色。 综上所属，用户中心设计时一方面要考虑怎么将相互关联的功能设计的可拓展性更强，无论什么样的业务系统接入用户中心，都能满足对应的需求，哪怕最开始没想到，也应在后面的需求迭代中，以此原则为基础展开；另一方面一定要着重考虑系统的便利性，因为用户中心最后会分给各个业务系统的管理员，整体的操作实用性、自动性都需要全面考虑，尽量减少手工操作，释放人效。 本文由 @产品猫头鹰 原创发布于人人都是产品经理。未经作者许可，禁止转载 题图来自Unsplash，基于CC0协议 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务

<blockquote><p>国产 AI 社交应用 Saylo 凭 “二次元 + 剧本杀” 在日本市场杀出重围，上线一年狂揽超百万用户，下载量 140 万，月收入猛涨 47.4%。它靠啥疯传？本文拆解它的增长密码。</p> </blockquote>  近两年，AI社交应用正在全球范围内快速兴起，无疑成为了互联网行业的新热点。这些应用通过AI技术，为很多Z世代年轻人提供了全天候的虚拟陪伴服务，填补着人们日益增长的情感需求。 从AI社交应用中的角色来看，当前主要分为两大类型：一类采用真人形象设计，通过高度仿真的对话方式，模拟现实中人类的说话语气，致力于让用户获得接近真实社交的体验。另一类则是动漫风格的角色设定，在二次元文化盛行的地区尤其受欢迎。 以日本市场为例，近期，就有一款名为Saylo的AI社交应用，用多元的动漫形象，吸引了不少当地年轻用户的喜爱，榜单排名也迅速攀升，一度进入日本娱乐免费榜第43名。 点点数据显示，Saylo的开发者为中国香港公司X Original，应用上线于2024年5月，至今一年左右时间，全商店总下载量约140万，虽然今年6月较5月下载量微跌2.4%，但月收入却提升了47.4%。  （Saylo自上线以来全商店下载量，图源：点点数据） 以动漫形象为主导，并切入了日本、东南亚等新兴市场，这是否意味着，在大批同类应用涌入，竞争逐渐激烈的赛道中，AI社交应用不止能够在成熟的美国崛起，在新兴市场也同样有着巨大潜力？ ## 融入UGC创作，多人共享AI角色 “遇见AI，解锁无限小剧场。”与很多同类应用不同的是，Saylo的定位是一款AI智能体剧情聊天互动游戏，而非单纯的对话及情感陪伴应用，里面加入了很强的互动和娱乐属性，因此相比之下，更具有沉浸感和代入感。 虽然大多数AI社交应用都是将整体分为角色创建和对话两大模块，但从Saylo中可以发现，里面可细化的内容还有很多。 例如，在角色创建过程中，Saylo首先会进行版权声明的提醒，让用户确认是原创的AI智能体，且不侵犯他人的图片或IP。如若涉及侵犯他人权利，不仅无法获得认证，严重情况下还会阻止用户使用应用。尤其是在当前关于AI创作内容，世界各地法律法规尚不完善的时候，这种做法体现了严格的版权意识，以及对原创内容的保护。  （Saylo版权声明提醒） 用户不仅可以在应用中自定义AI角色的名字和外在形象，还可以编辑其声音、角色设定、角色简介、开场白及标签等内容。 Saylo提供了男、女角色各20+种声音模板，用户还可以根据个人喜好调整音色及语速。为了吸引更多用户加入角色创作，角色设定和角色简介的内容都可以通过应用中的“AI润色”功能，一键处理，有效提高了整体的创作效率。  对于原创的角色，Saylo也完全尊重用户是否愿意公开使用的想法。如果用户希望自己创作的角色能被更多人发现，并进行聊天互动，则可以开启“公开可聊”按钮，将角色分享给其他人；而对于希望角色具有“专一性”，只为自己服务的用户来说，可随时关闭这一功能。 ## 双模式任意切换，不喜欢就“重开” 而在AI对话模块中，如今单纯的陪聊，虽然能够满足用户的情绪价值，但在激烈的市场中，竞争优势已不复存在，整个行业也在向着内容互动方向转变，通过一系列的剧情引导，类似线上“剧本杀”的形式，探索更多的新玩法。 由此，Saylo在角色聊天中，推出了Say和Do两种可任意切换的模式，来满足多元化的用户需求。Say模式类似于初级的AI对话，用于与角色的日常闲聊，产生情感羁绊；而Do模式则更像是为平淡的生活增添一点色彩，用角色扮演的方式，推动剧情不断发展，创造与不同角色间独特的记忆。如果剧情设定或走向不符合用户预期，也可以重新编辑对话或完全重启剧情。重启后，原有的历史记录则会被完全覆盖，实现真正剧情“重开”。  为了增强娱乐属性，Saylo还支持群聊，最多邀请3个AI角色加入群聊，并鼓励用户尝试邀请不同性格的角色加入其中，很可能会碰撞出奇妙的火花，带来意想不到的乐趣体验。 另外，Saylo深知能够长期维系的情感往往都是“双向奔赴”的，不仅需要角色了解用户，很多时候用户也有好奇心，想了解屏幕那头的TA在想什么。基于此，应用上线了“窥探”功能，查看不同角色的内心世界，甚至发现与其表面聊天时的“反差感”。这样让用户角色的不再是一个AI“躯壳”，而是真正有内在思想，有深刻灵魂的存在。 当前，很多AI社交应用都加入了自拍一类的图片回复，用视觉冲击为用户带来更强的沉浸感。Saylo中，用户和角色之间不仅能相互发送图片，分享生活，还支持语音通话和AI视频内容，将静态转变为动态，延长“入戏”体验。特别是AI视频功能，不仅可以查看，还可以设置触发关键词，解锁对应角色反应，为对话过程增添了更多的互动属性。 AI社交出现后，不少人拿其与真人社交进行对比。结果来看，真人社交应用很大一部分快感来自于打赏，无论是送礼物还是收礼物的人，都能在其中找到各自的乐趣。 为了延续这种能为双方带来的愉悦体验，Saylo也融入了打赏功能，用户能够送给喜爱的角色礼物，同时编辑对其说的话，角色也会通过“礼物日记”的方式作为回应，来表达心意。 这种“拟人化”的反馈方式，给予了用户充足的情绪价值。相比于传统的“不付费就断联”的简单粗暴方式，Saylo更能够让用户心甘情愿地打赏，而非让用户觉得只是单纯地用钱来维系与角色之间的关系。 总的来说，在角色创建上，Saylo不仅提供了诸多动漫类的形象模板，还鼓励用户借助AI，在树立严格版权意识的前提下，用UGC的内容，创造更多角色形象，与广大用户一起分享互动。在角色对话上，无论是剧情内容还是对话形式，应用都强化了细节处理，这种细腻感，也与日本注重细节的文化相互契合。 ## 优化痛点问题，日本潜力已显现 随着AI社交应用的逐渐增多，用户的需求不断提高，这也对AI角色能力提出了更高的要求。例如，当下角色失忆是整个赛道面临的一大痛点问题，至今也只能将AI的记忆力尽可能延长至以月度为单位，但对于长期使用的用户来说，仍然会在一定程度上影响体验感。 Saylo对此表示，由于技术的局限性，AI智能体的记忆会有一个最大的对话容量，所以会出现“失忆”现象。虽然应用暂时没能解决这一点，但在其中加入了很多的用户反馈方式，来尽可能弥补AI的这一不足。  例如，在Saylo中只需长按对话消息，点击强化记忆，就相当于给AI角色的“大脑”贴上了显眼的标签。以后角色的回复，就会优先参考强化的这些内容。用户还可以对于角色回复的内容进行点赞或点踩，来表达个人对回复是否满意，AI也会根据这一信号不断优化。随着这些记忆的不断积累，用户与角色之间的默契程度也会直线上升。 应用表示，当前的聊天对话已支持长文模式，未来还会开发更多高级的聊天模式，随着技术的不断迭代升级，角色的记忆力、逻辑能力、上下文理解能力、情感共情力也都会逐渐变得更好。 此外，由于行业的相关政策及法律法规尚不完善，AI在对话过程中的涉及的尺度和边界问题受到了人们广泛关注。近期，Saylo也对内容加强了管理，不仅禁止用户与AI讨论敏感的政治、性别、种族、黄赌毒等内容，还扩大了敏感词屏蔽的范围，从一个月用户的反馈里也证实了这一点。 当前，Saylo采用订阅+代币充值的内购模式，月订阅9.99美元，年订阅49.99美元，并对一些新功能，采用了广告解锁来吸引用户尝试。例如，看一段广告就可以免费体验1次群聊功能，在不同AI角色之间的对话中发现更多有趣的故事。  （Saylo部分VIP权益） insightrackr数据显示，今年以来，Saylo加大了在日本地区的广告投放，投放素材多为日漫风格的角色，角色性别比例也较为均衡。应用在日本地区的投放比例占整体投放的34%，排在第一位，其次为美国26%、中国台湾地区14%、菲律宾10%，以及马来西亚8%。  （Saylo在日本广告投放素材） 可以看出，Saylo在日本及东南亚地区的投放已超过50%，在AI社交这一赛道上正在不断探索新兴市场的更多机会。特别是日本，一方面，二次元文化的普及，人们对AI社交中的动漫角色更贴合当地人的喜好；另一方面，基于日本人口结构特点，老龄少子化严重，人们对AI陪伴型产品接受度较高，不仅相关硬件产品备受欢迎，AI社交软件也有望迎来新的增长机遇。 ## 结语 AI社交正在日本等新兴市场展现出无限潜力。随着越来越多开发者入局，赛道竞争逐渐从AI技术转向内容创新，细腻的角色刻画、沉浸式互动玩法，都成为了吸引用户的关键。与此同时，行业也在直面核心痛点，为“角色失忆”、AI法与人类伦理间的边界尺度问题提出更多的解决方案。未来的竞争，既是想象力的比拼，也是体验感的深耕。 本文由人人都是产品经理作者【扬帆出海】，微信公众号：【扬帆出海】，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。

闹钟过后，只剩警钟。 #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/1630547) ·[查看评论](https://www.ifanr.com/1630547#comments) ·[新浪微博](https://weibo.com/ifanr)

沉没成本和战略转向，该如何权衡？欧洲交通与环境联合会（European Federation for Transport and Environment，简称：T &amp; E）近日发布了题为《欧洲汽车来到十字路口》的研究报告，该报告指出，欧洲汽车身处成败攸关的关键时刻，“禁燃”议案的推进或延迟，都将给整个产业带来完全不同的影响和走向。  **导语** 一方面，欧洲电动车明显出现销量下滑的连锁反应，欧盟汽车制造商协会ACEA的数据，2024年欧盟电动车销量下降5.9%，今年还要面对特朗普政府加征关税的威胁。纯电车长期卖不动，“2035年欧盟27国停售燃油车”的计划也蒙上新的阴影。  另一方面，若不实施任何补救措施，欧盟一旦放弃2035年欧盟境内禁止销售燃油车的目标，整个欧洲的汽车行业可能失去100万个工作岗位，大部分为“零排放”所做的努力都将打水漂，并造成电池等新能源赛道的投资损失高达三分之二。 进也不是，退也不是。 在电动化转型的战略上，欧盟已进入骑虎难下的尴尬境地。由于纯电动车销量低迷，许多汽车制造商陆续下调了中短期的销量目标，倒逼欧盟对二氧化碳排放目标有了放宽的空间，但迄今为止，欧盟仍坚持2035年全面禁售化石燃料汽车的既定计划。 T &amp; E的这份报告，明显是支持“禁燃令”持续推进的。报告评论说，如果欧盟坚持2035年的清洁能源目标并执行过渡期的政策，欧洲汽车行业有望恢复到每年生产1680万辆新车的水平，达到2008年经济危机后的峰值水平。  一言以蔽之，“禁燃令”一旦半途而废，沉没成本是非常巨大的，且还有大规模失业的风险。T &amp; E数据显示，如果欧盟保持2035年的“禁燃”目标，并实施推动新兴产业链发展的一揽子政策，那么到2035年，汽车产业对欧洲经济的贡献将增长11%。 01 **就业和产链价值** 支持“禁燃令”持续推进，T &amp; E的报告给出了几个重要数据： 如果欧盟能把“禁燃令”贯彻到2030年，传统汽车制造领域的岗位流失，或将会被电池等电动化新领域创造的逾10万个就业岗位抵消。到2035年，汽车新能源领域的就业岗位将达到12万个，主要集中在电池和电驱等产业链条。 只要欧洲能确保超过900 GWh的电池制造产能，就能新创造超10万个新就业岗位，2035年创造的岗位数量将达到12万个。此外，电池产业链的经济产出将提升到五倍左右，达到790亿欧元。 报告指出，如果既定的“禁燃”目标被削弱，或是欧盟政策发生动摇，缺乏全面的产业转型规划，到2035年，汽车行业的经济贡献可能减少900亿欧元（折合人民币约7580亿元），充电市场的经济贡献则将累计损失2000万欧元（折合人民币约1.68亿元）。  关于产业链的沉没成本，T &amp; E对欧洲地区13个电动车新项目进行了研究，其中，有5个项目属于全新建设的电动车工厂，其余8个是原有燃油车产线改造而成。 若全部项目顺利落地，欧洲每年将新增至少210万辆电动车产能，到2027年总产量有望达到510万辆，足以满足日益增长的市场需求——这一数字，将在2024年全欧180万辆产量的基础上实现。T &amp; E统计，2024年欧洲（包括欧盟、英国、欧洲自由贸易联盟国家和塞尔维亚）纯电动车的销量约为200万辆，而童年产量接近180万辆。 然而，由于未来市场前景和政策的不确定性，部分项目面临延期甚至取消的风险。T&amp;E依据四项关键标准评估了全部13个项目，关键指标包括项目状态（延期/启动/测试阶段）、建设进度（未开工/在建/完工）、厂址是否确定、是否获得政府补贴承诺。根据评估的结果，这13个项目被划分为低、中、高三个风险等级，以反映投资落地的可能性。  低风险项目，包含宝马匈牙利工厂与沃尔沃斯洛伐克工厂，这两座工厂都是全新的；还有斯特兰蒂斯的塞尔维亚工厂、大众及奇瑞的西班牙工厂，这几座工厂通过改造现有燃油车产能，转换为电动车产能。这些项目合计将形成55万辆年产能，带动约48亿欧元的投资，创造至少5550个就业岗位。 中等风险项目，合计规划年产能120万辆，涉及93亿欧元投资，可支撑1.1万个就业岗位。其中，比亚迪的匈牙利塞格德Szeged工厂以40亿欧元的投资占据总盘近半，成为清单中规模最大的项目；其次是西班牙西雅特-大众工厂改造项目，累计投资30亿欧元；还有捷豹路虎与日产正在升级的英国生产基地，预计合计每年生产25万辆电动车，与沃尔沃哥德堡工厂规划相当。 高风险项目包含三个，均为处于早期开发阶段，或是最终投资决策或开工日期尚存变数。其中，就包括宝马暂缓的价值7亿欧元的牛津MINI工厂电动化改造，以及雷诺与我国江铃合资的塞尔维亚建厂计划。 02 **电池和配套设施** 需要权衡沉没陈本和战略转向的，除了整车制造，还有电池等关键零部件的巨大投入。 彭博新能源财经BNEF此前统计，中国现阶段供应了全球约80%的锂离子电池，全球排名前10的电动汽车电池制造商，有6家来自中国。欧洲曾投入360亿美元（折合人民币2320亿元）发展汽车动力电池，但本土的16家电池工厂，目前已有12家遭遇生产延迟、或是取消，情况并不乐观。 曾被誉为“欧洲电池之光”的北伏Northvolt在瑞典申请破产保护，烧掉140亿美元（折合人民币约1000亿元）后黯然退场，标志着欧洲动力电池挑战中国的雄心遭遇巨大挫折。不过，北伏只是欧洲电池产业耗费巨资的一个典型，除了这家备受瞩目的明星公司，欧洲过去几年也在其它电池企业花费重金，逐渐建立了属于自己的电池储能产业链，一旦半途而废，将给欧洲汽车带来更沉重的转型枷锁。  同样的，T&amp;E依据多项关键标准，评估了欧洲地区的电池工厂，数据显示—— 低风险的电池工厂，资金都已经到位且已动工，部分工厂甚至已经投产，将给欧洲带来391GWh的年产能，背后是390亿欧元的投资和新创造的高达4.3万个技术岗位。法国杜夫兰的ACC工厂和德国萨尔茨吉特的大众PowerCo项目均属此类。 中等风险项目，主要因未达成最终投资决策而尚未开工，是目前欧洲电池领域规模最大的类别，涉及627GWh的年产能、480亿欧元的投资和4.7万个潜在岗位。和低风险项目相比，这一类工厂存在诸多不确定性，代表项目为西班牙的Basquevolt，该工厂大部分产能将分配到固态电池等新兴领域。 高风险项目，仍处于概念阶段，或审批阶段，虽总计将包含410GWh的年产能、210亿欧元的投资和3.7万个就业机会，但其推进完全取决于后续的产业政策。  T&amp;E分析，以实际预期产出（非理论产能）来看，欧洲本土产能在2030年或可满足本土三分之二的电池需求。 但如果只有低风险项目最终落地，这一比例将骤降至24%，远低于欧盟2030年40%自给率的目标）；计入中等风险项目后，自给率可达52%，但这一数值也已经低于T&amp;E和欧盟先前的预估。受全球及欧盟不利因素（如产业支持不足）等影响，很多电池项目都有取消或延迟的风险。 以西班牙为例，从政策支持看，该国已经展现出较大的发展潜力，计划到2030年实现244GWh的年产能。然而，其中仅有13%属于低风险项目，绝大部分产能的实现，仍取决于未来的政策走向。 相比之下，波兰和匈牙利的发展前景更为明朗，两国低风险产能分别达到115GWh和125GWh。虽然波兰暂无新增工厂的计划，但匈牙利有望再增90GWh的产能，未来或将成为欧洲新的电动汽车产业中心。  法国、德国等主要汽车经济体，在电池制造领域处于中间位置，两国合计产能超过350GWh，其中130GWh属于低风险项目。 去年以来，越来越多的欧洲汽车制造商放缓了电动化进程，欧盟的当务之急，不仅要重新审视其电动化战略，在产业政策、基础设施和市场需求之间找到平衡，还要考虑原有投资的投入产出比，以及政策一旦放缓或中止，沉没陈本的帐，究竟该怎么算。 这笔账，确实不好算，因为除了车企巨额的投资，还有电池等配套的“烧钱”巨坑。而背后，还设计百万个当地的就业岗位。 [查看评论](https://m.cnbeta.com.tw/comment/1512894.htm)

7月14日，北京气温高达35度，NVIDIA创始人兼CEO黄仁勋身着皮衣，与小米集团创始人、董事长兼CEO雷军在北京街头进行了友好会面。  从现场图片中可以看到，黄仁勋与雷军站在一辆小米汽车前，两人面带微笑，显得十分亲切。尽管北京的高温让人汗流浃背，但黄仁勋的皮衣装扮却显得格外抢眼，彰显了其独特的个人风格。 据报道，黄仁勋已于上周末抵京，受邀参加第三届链博会，这是他今年第三次来华。 [查看评论](https://m.cnbeta.com.tw/comment/1512892.htm)

马斯克在社交媒体发文称，人工智能已经比大多数人类聪明得多，但还没有比任何人类更聪明，而且比一群使用计算机的聪明人类（即“一家公司”）的聪明程度要低得多。 但它终究会实现。它可能在不到两年的时间内，比任何单个人类都更聪明，在大约五年时间内，将比所有人类加起来都更聪明。  确保人工智能能够最大限度地寻求真相，即使过程中会遇到一些障碍。  [查看评论](https://m.cnbeta.com.tw/comment/1512890.htm)

 高桥留美子作品《MAO》确定TV动画化，预计2026年春季播出。   《MAO》的主人公为一名名叫黄叶菜花的少女，在一场意外中她的父母不幸离世，只有她奇迹幸存。在初三的某天，菜花偶然间穿越回了大正时代，遇见了阴阳师摩绪，对方说菜花有着不可思议的力量……漫画自2019年在《少年Sunday》上开始连载，目前单行本出至24卷。     动画《MAO》公布的制作及声优阵容如下： STAFF 原作：高橋留美子「MAO」（小学館「週刊少年サンデー」連載）監督：佐藤照雄シリーズ構成：柿原優子キャラクターデザイン・総作画監督：菱沼義仁美術監督：加藤浩、保木いずみ色彩設計：大塚眞純CGディレクター：藤江智洋撮影監督：伏原あかね編集：新居和弘音響監督：菊田浩巳音楽：兼松衆アニメーション制作：サンライズ製作：「MAO」製作委員会 CAST 摩緒：梶裕貴黄葉菜花：川井田夏海百火：下野紘華紋：豊永利行

 7月13日，石井二郎新作《SHIBUYA SCRAMBLE STORIES》举行了众筹粉丝见面会，宣布该作进入正式制作阶段，预计2028年发售。    新项目将继承“群像剧”的游戏系统，并采取以故事和游戏系统最为优先的开发方式。 石井二郎担任总监，北岛行德负责剧本，麻野一哉负责剧本协力，箕星太郎担当艺术指导，饭野步负责摄影&amp;演出，北上史欧、新井正和、天野浩成、中村悠斗参演，《428~被封锁的涩谷~》主题曲演唱者上木彩矢也将负责本作的主题曲。    官方在见面会上宣布东急不动产和Skeleton Crew Studio将参与企划，众筹资金将用于开发费用提升作品质量。另外，官方还公布了开发时间表，《SHIBUYA SCRAMBLE STORIES》预计2027年进行拍摄，2028年发售。曾参与《428》或《街》的右手爱美、工藤俊作、松田优也确定将参与本作。

娃哈哈的“后宗庆后时代”面临的挑战仍不小。

<blockquote><p>当 AI 开始写代码，传统界面会消失吗？Cursor 设计负责人 Ryo Lu 给出答案：不是界面没了，而是“界面”将被重新定义成每个人的思维映射。本文独家呈现他如何把五个割裂功能合并为一个 AI Agent，让设计师直接写 13 万行代码、一个人两个月“氛围”出完整操作系统，并预言未来十年“过度专业化”将失效——真正的竞争力是“与 AI 对话”的系统思维。</p> </blockquote>  你有没有想过，传统的软件界面设计可能正在走向终结？当我听完 Cursor 设计主管 Ryo Lu 的这次访谈后，我意识到我们正站在一个历史性的转折点上。那些我们习以为常的界面元素——按钮、菜单、表单——可能即将被一种全新的交互方式所取代。更让人震撼的是，Ryo 提出了一个听起来像科幻小说的观点：未来的界面将直接映射到我们的思维方式。这不是什么遥远的幻想，而是正在 Cursor 内部发生的真实变革。 作为当今科技界最具影响力公司之一的设计负责人，Ryo Lu 的经历本身就是一个传奇。他曾经是 Notion 的早期设计师，参与构建了那个改变了无数人工作方式的产品。但当他转向 Cursor 时，他面临的挑战更加复杂：如何为一个由 AI 驱动的编程工具设计界面，让它既能服务于专业开发者，又能让完全不懂编程的”氛围程序员”（vibe coders）也能轻松上手。这个挑战的核心在于，Cursor 不仅仅是一个代码编辑器，它更像是一个智能的编程伙伴，能够理解用户的意图并自动执行复杂的编程任务。 ## 从五个概念到一个系统：Cursor 的设计统一之路 Ryo 加入 Cursor 后做的第一件事，就是解决了一个看似简单但实际上至关重要的问题：概念统一。当时的 Cursor 有五个不同的功能：Tab 自动补全、Command K 内联编辑、Chat 对话、Composer 代码生成，以及 Cursor Agent 自动化模式。这些功能都是分别开发的，有着不同的名称和快捷键，用户经常搞不清楚该用哪个功能。 “我所做的就是说，所有这些东西都是同一个东西。它们都是 agent。然后我们把它们合并成一个概念。”Ryo 这样描述他的改进。听起来简单，但这种系统性思维的威力是巨大的。通过这个统一，Cursor 的用户体验发生了质的飞跃。以前用户需要学习五套不同的交互模式，现在只需要理解一个核心概念：AI agent。这种简化不是减法，而是提炼——保留所有功能的同时，让用户的认知负担大大降低。 这让我想起软件设计中一个永恒的真理：最好的设计往往不是添加更多功能，而是找到正确的抽象层次。就像 iPhone 的革命性不在于增加了更多按钮，而是用一个触摸屏替代了所有物理按键。Ryo 在 Cursor 上做的事情本质上是相同的：找到了一个更高层次的抽象，让复杂的功能变得简单易懂。  我特别欣赏 Ryo 提到的一个观点：”我们想要服务所有人，从想要完全手动控制的最有经验的程序员，到更喜欢让 agent 完成一切的’氛围型’用户。在这个光谱中有很多不同的小配置、模式和行为。你想要为所有人服务，但要给每个人在这个光谱中找到理想的位置。”这种设计哲学非常深刻——不是强迫所有用户使用同一种方式，而是创建一个足够灵活的系统，让不同类型的用户都能找到适合自己的交互方式。 这种统一带来的效果是显著的。Ryo 提到，很多高级工程师之前一直在使用 Cursor，但根本不知道有 Agent 功能的存在。统一概念后，这个问题消失了，所有用户都默认使用 Agent 模式，这可能是 Cursor 自今年二月以来快速增长的最重要原因之一。这个案例完美说明了好的设计如何能够释放产品的真正潜力。 ## 重新定义设计师的角色：从界面到系统 在与 Ryo 的对话中，最让我印象深刻的是他对设计师角色转变的思考。传统的设计流程是这样的：设计师在 Figma 中画出精美的界面，然后工程师根据这些静态图片来构建产品。但在 AI 时代，这种工作方式正在变得过时。 “我们作为设计师设计的东西，它们只是上升了一个层次。你不再是精确设计这个 UI 界面的具体样子，而是实际上在设计一个容器。”Ryo 这样解释新的设计范式。这个”容器”的概念非常重要——设计师不再设计固定的界面，而是设计一套可以适应不同用户、不同情境的系统。 这种转变的深层原因在于，AI 界面具有高度的动态性。传统界面是静态的，每个用户看到的都是一样的按钮和菜单。但 AI 界面会根据用户的行为、偏好和当前任务自动调整。在这种情况下，设计师的工作就变成了定义这些动态变化的规则和边界。 Ryo 用一个很生动的比喻来说明这一点：”理想的界面对每个人都是不同的。”这意味着设计师需要从设计单一界面转向设计界面系统。就像建筑师不是设计一座房子，而是设计一套可以根据不同需求组合的模块化系统。  我认为这种转变对整个设计行业都有深远影响。设计师需要具备更强的系统性思维，理解如何构建灵活而连贯的设计系统。同时，设计师也需要更深入地理解技术，因为在 AI 时代，设计和技术的边界正在模糊。正如 Ryo 所说：”如果你知道如何与 AI 交互，几乎就是在拉平这个领域。” 这让我想到另一个重要观点：在 AI 辅助下，过度专业化可能不再是优势。Ryo 观察到，一些 17 岁的年轻人通过 AI 进行”氛围编程”，创造出的东西比一些大型科技公司的工程师每天写 10 行代码的产出更令人惊叹。这说明在 AI 时代，关键不是你掌握多少专业技能，而是你如何有效地与 AI 协作。 ## AI Agent 时代的新挑战：从界面到对话 在讨论 Cursor 的未来发展时，Ryo 遇到了一个看似简单但实际上非常复杂的问题：如何管理多个并行运行的 AI agent。想象一下，你同时让五个 AI agent 处理不同的编程任务，你需要能够查看它们的进度、管理它们的输出，并决定如何处理它们的结果。 “我可能花了这个月的大部分时间在思考这个问题。如何启动多个 agent 并管理它们，查看正在发生的事情，然后一旦它们完成，如何处理它们？”Ryo 描述了这个挑战的复杂性。用户需要能够规划任务、执行任务、审查结果，然后决定如何合并这些变更。 有趣的是，经过深入思考后，Ryo 发现这个复杂的问题本质上可以归结为一个非常熟悉的概念：”天哪，这又是待办事项列表。我们又回到了这里。每次我们都会回到待办事项列表。”这个发现既让人沮丧又让人兴奋。沮丧是因为看起来我们在重新发明轮子，兴奋是因为这意味着我们可以利用人们已经熟悉的概念。 但这不是简单的待办事项列表。关键区别在于，这些任务可能由 AI agent 执行，而不是人类。这种看似微小的差别实际上带来了巨大的变化。AI agent 可以并行处理多个任务，可以在更长的时间跨度内工作，可以处理比人类更复杂的任务。但同时，它们也需要更复杂的管理和监督机制。  我觉得这个例子完美说明了 AI 产品设计的一个重要原则：最好的 AI 界面往往是将复杂的 AI 能力包装在人们已经熟悉的概念中。用户不需要学习全新的交互模式，但他们可以获得远超传统工具的能力。这种设计哲学在 Cursor 的整体架构中随处可见。 Ryo 还提到了一个重要观点：这种任务管理系统不仅服务于 AI agent，也服务于人类。”想象一下，你可以将整个软件开发过程分解为一堆任务，它们与聊天提示相关联。因为这个概念如此通用，界面不必复杂，任何看过列表视图的人都可以开始做这些事情。”这种统一的任务管理系统让人类和 AI 能够在同一个框架内协作。 ## 从代码到思维：界面设计的终极演进 在访谈的最后，Ryo 分享了一个听起来像科幻小说但他坚信会成为现实的观点：”界面将变得就像你思考的方式。我认为它会变得更接近你。也许我们不会通过代理设备操作。也许它甚至更接近。我是一个视觉思考者。我仍然会看到我的画布，但也许它们是悬浮在我的脑海中，而不是在屏幕上。” 这个预测让我思考了很久。现在我们通过点击、拖拽、输入来与计算机交互。但如果界面直接映射到我们的思维模式会怎样？对于视觉思考者，信息可能以图形和空间关系的形式呈现。对于逻辑思考者，界面可能更多地以因果关系和决策树的形式组织。对于情感思考者，界面可能通过颜色、节奏和情绪来传达信息。 这种个性化不仅仅是表面的定制，而是深层次的认知匹配。就像 Ryo 说的：”理想的界面对每个人都是不同的。”但这种不同不是任意的，而是基于每个人独特的思维方式和认知模式。 我认为这种演进已经在某种程度上开始了。当我使用 Cursor 这样的 AI 工具时，我发现自己越来越少地思考”如何操作这个软件”，而更多地思考”我想要实现什么目标”。软件开始理解我的意图，而不是要求我学习它的语言。这种转变虽然还在早期阶段，但趋势已经很明显。  Ryo 提到的 Neuralink 等脑机接口技术让这种未来变得更加具体。虽然我们可能还需要多年才能看到真正的脑机接口普及，但概念本身已经不再是幻想。当界面可以直接访问我们的思维时，设计师的角色将再次发生根本性改变。 我觉得最有趣的是，即使在那个未来中，仍然需要有人来”设计概念和想法，澄清它们，将它们简化为最简单的、不变的形式”。技术可能会改变界面的形式，但设计思维的核心——理解用户需求、简化复杂性、创造直观体验——将永远有价值。 ## 个人项目的力量：从 RyOS 看创造的未来 在访谈中，Ryo 分享了他的个人项目 RyOS 的故事，这个项目完美展示了 AI 时代个人创造力的潜力。RyOS 是一个完整的操作系统界面，拥有多个应用程序、窗口管理、文件系统等复杂功能。令人惊叹的是，这个包含 13 万行代码的项目，主要是 Ryo 一个人在一到两个月内使用 Cursor 完成的。 “我问了 ChatGPT，普通工程团队需要多长时间来构建它。回答是几个月或几年，需要几十个人或者 20 个人。而这只是我一个人在业余时间进行的氛围编程。”这个对比让人震惊。传统上需要一个团队数月甚至数年才能完成的项目，现在一个人借助 AI 工具就能在几周内实现。 更重要的是，RyOS 项目的起源完全是偶然的。Ryo 最初只是想为离开 Notion 的团队制作一个声音板应用，让同事们在会议中能听到他的声音。但随着 AI agent 的帮助，这个简单的想法逐渐演变成了一个完整的操作系统。”没有计划，纯粹是感觉。”Ryo 这样描述整个过程。 我认为这个例子说明了 AI 时代创造的一个重要特征：从想法到实现的距离正在急剧缩短。过去，即使你有一个很好的想法，也需要组建团队、分配任务、协调进度，整个过程可能需要几个月。但现在，你可以在有想法的瞬间就开始实现它，让想法在实现过程中自然演进。  这种变化对创新的影响是深远的。当实现成本大幅降低时，我们可以尝试更多的想法，进行更多的实验。那些之前因为成本太高而被放弃的创意，现在都变得可行。这意味着创新的瓶颈不再是实现能力，而是想象力和判断力。 Ryo 提到的一个观点特别值得深思：”加入 Cursor 的原因之一是我希望从有想法到变成现实的差距接近零。”这不仅仅是关于工具效率的提升，更是关于思维方式的改变。当你知道任何想法都可以快速实现时，你会更敢于思考那些看似不可能的事情。 这也解释了为什么 Ryo 能够如此快速地从音效板应用演进到完整的操作系统。在传统开发模式下，每增加一个功能都需要仔细考虑成本和时间。但在 AI 辅助开发中，试错成本变得极低，你可以随时尝试新的方向，看看会发生什么。 ### 团队结构的根本性改变 Ryo 的经历也让我思考了 AI 对团队结构的影响。传统软件开发需要明确的角色分工：产品经理负责需求，设计师负责界面，前端工程师负责实现，后端工程师负责逻辑，测试工程师负责质量。每个角色都有明确的边界和交接点。 但在 AI 辅助开发中，这些边界正在模糊。Ryo 作为设计师，现在可以直接编写产品代码。他不需要等待工程师来实现他的设计，也不需要通过详细的文档来传达他的想法。他可以直接创建功能原型，让团队体验真实的交互效果。 “工程师们把我们更多地视为他们的一部分了。”Ryo 这样描述这种变化。我认为这种变化的价值不仅仅在于效率提升，更在于减少了沟通损耗。传统的设计到开发流程中，每次信息传递都会丢失一些细节。设计师的意图通过文档和会议传达给工程师，但工程师可能有不同的理解。这种多次传递导致最终产品与原始设计有很大差异。 当设计师能够直接编写代码时，这种信息损耗大大减少。设计师可以精确地表达他们的意图，而不依赖于他人的解释。同时，他们也能更好地理解技术约束，在设计阶段就考虑实现的可行性。 这种变化也影响了招聘策略。就像访谈中提到的：”我们有两个设计师，这意味着我们有两个前端工程师。当你不需要一个人非常精通前端开发时，你需要招聘的工程师类型也会发生变化，因为我可以完成我们正在开发的任何功能。” 我觉得这预示着未来团队结构的一个重要趋势：专业化程度会降低，而跨领域能力会变得更加重要。团队成员不再需要在某一个狭窄领域达到极致的专业水平，而是需要具备在多个领域快速学习和应用的能力。AI 工具正在降低各个专业领域的准入门槛，让更多的人能够参与到产品创造的各个环节中。 ### 设计思维的永恒价值 尽管技术在快速发展，但我认为设计思维的核心价值不会因为 AI 的出现而消失。正如 Ryo 所说：”在代码这个层面，我们可以做几乎任何事情。”但问题不是我们能做什么，而是我们应该做什么。 设计师在 AI 时代的价值主要体现在几个方面：第一是概念澄清。技术越复杂，就越需要有人能够将复杂的概念简化为用户能够理解的形式。Ryo 将 Cursor 的五个功能统一为一个 Agent 概念，就是这种能力的体现。 第二是系统思维。随着产品功能越来越多，越来越复杂，需要有人能够从整体角度思考如何组织这些功能，让它们形成一个连贯的系统。这种能力不是 AI 能够替代的，因为它需要对用户需求、业务目标和技术约束有深入的理解。 第三是美学判断。即使 AI 能够生成界面，但什么是好的设计仍然需要人类的判断。美学不仅仅是视觉上的好看，更是功能性、易用性和情感体验的综合体现。这种判断能力需要长期的训练和积累，是设计师的核心竞争力。 第四是同理心。设计的本质是理解用户的需求和痛点，然后创造解决方案。这种同理心是人类独有的能力，AI 可以分析数据和模式，但无法真正理解人类的情感和动机。 我特别认同 Ryo 提到的一个观点：”最终结果是美丽、高质量的软件。”无论技术如何发展，这个目标不会改变。我们使用的工具可能会改变，我们的工作方式可能会改变，但创造美丽、有用的产品这个根本目标是永恒的。 同时，我也认为设计师需要适应新的工作方式。他们需要学会与 AI 协作，理解 AI 的能力和局限性。他们需要从设计静态界面转向设计动态系统。他们需要从传达想法转向直接实现想法。这些都是新的技能，但它们建立在传统设计思维的基础上。 ### 重新思考专业边界 Ryo 的经历让我深思了一个更大的问题：在 AI 时代，专业边界的意义是什么？传统上，我们将复杂的工作分解为不同的专业领域，每个人在自己的领域深度专精。但当 AI 能够弥补我们在某些专业技能上的不足时，这种分工还有必要吗？ “我认为在接下来的 10 年左右，过度专业化完全没有意义了。”Ryo 的这个观点很有挑战性。他的意思不是说专业技能不重要，而是说单一领域的深度专精可能不如跨领域的整合能力重要。 我见过很多这样的例子：一些年轻人通过 AI 工具快速掌握了多个技能，创造出令人惊叹的作品。他们可能不是任何一个领域的专家，但他们知道如何组合不同的技能来解决问题。相比之下，一些在传统框架下受过高度专业训练的人，反而因为思维的固化而难以适应新的工作方式。 这让我想到文艺复兴时期的博学者（polymaths）。达芬奇既是艺术家，也是工程师、科学家和发明家。那个时代的知识边界还没有现在这么清晰，人们更容易在多个领域之间自由穿梭。也许 AI 时代会让我们回到某种类似的状态，技术降低了专业技能的门槛，让更多人能够成为跨领域的创造者。 但我也认为这不意味着专业技能会完全消失。相反，我觉得会出现新的专业化趋势：与 AI 协作的专业化。就像 Ryo 专精于使用 AI 进行设计和开发，未来可能会出现各种与 AI 协作的专业角色。这些角色的核心不是掌握某个传统技能，而是知道如何有效地与 AI 配合来完成复杂任务。 ## 设计哲学的根本性转变：从普适性到个性化 Ryo 提出的”理想的界面对每个人都是不同的”这个观点，让我意识到我们正在经历设计史上最重要的哲学转变之一：从”为所有人设计一个完美界面”转向”为每个人设计最适合的界面”。这种转变的影响远比我们想象的要深远。 传统的设计哲学建立在一个假设上：存在一个”最优解”，一个能够满足大多数用户需求的通用界面。这种思维方式深深植根于工业化时代的大规模生产逻辑。就像福特汽车的”任何颜色都可以，只要是黑色”一样，我们一直在追求那个能够服务所有人的标准化界面。这种方法在降低成本、提高效率方面确实很有效，但它也带来了一个根本性问题：为了照顾大多数人，我们往往忽略了个体的独特需求。 我见过无数产品因为这种”一刀切”的设计方法而失败。设计师们花费大量时间研究”平均用户”，试图找到那个能够平衡所有需求的完美界面。但现实是，平均用户并不存在。每个真实的用户都有自己独特的使用习惯、认知模式和偏好。当我们为一个虚构的平均用户设计时，我们实际上是在为一个不存在的人设计。 Ryo 在 Cursor 的工作让我看到了另一种可能性。他提到：”我们想要服务所有人，从想要完全手动控制的最有经验的程序员，到更喜欢让 agent 完成一切的’氛围型’用户。”这不是试图找到一个中间点来平衡这些截然不同的需求，而是构建一个能够适应不同需求的系统。 这种转变的核心在于技术能力的提升。以前，为每个用户定制界面在技术上是不可行的，成本也过于高昂。但 AI 技术让这种个性化成为可能。AI 能够实时理解用户的行为模式、偏好和当前任务，然后动态调整界面来匹配用户的需求。这不是简单的自定义设置，而是深层次的认知匹配。 我认为这种转变将带来三个层次的影响。首先是交互层面的影响。传统界面设计追求一致性，所有按钮都在相同的位置，所有菜单都有相同的结构。但在个性化时代，一致性的定义需要重新考虑。也许对于一个经验丰富的用户，最一致的体验是让他们能够快速访问高级功能；而对于新手，最一致的体验是简化的界面和循序渐进的引导。 其次是认知层面的影响。Ryo 提到自己是视觉思考者，他希望看到悬浮在脑海中的画布。这让我思考，如果界面能够匹配用户的认知模式会怎样？视觉思考者可能更适合图形化的信息展示，逻辑思考者可能更喜欢层次分明的列表，情感思考者可能需要更多的颜色和动效反馈。当界面能够适应这些不同的认知模式时，用户与软件的交互将变得更加自然和高效。 第三是哲学层面的影响。这种转变实际上是在挑战设计的根本假设。我们不再假设存在一个”正确”的设计，而是认为设计的价值在于它能够适应和服务多样性。这种思维方式不仅影响产品设计，也会影响我们对用户、对技术、对创新的理解。 但我也看到了这种转变带来的挑战。首先是复杂性管理。当每个用户看到的界面都不同时，如何确保产品的整体性和品牌一致性？如何为这样的系统提供支持和文档？如何测试和优化一个千变万化的界面？ 其次是设计师技能的转变。传统设计师需要掌握视觉设计、交互设计等技能。但在个性化时代，设计师更像是系统架构师，需要设计的不是具体的界面，而是界面生成的规则和算法。这需要更强的系统思维、数据分析能力，甚至编程技能。 还有一个更深层的问题：当界面完全个性化时，我们是否会失去共同的设计语言？传统上，标准化的界面让用户在不同产品间迁移变得容易。但如果每个产品、每个用户的界面都不同，这种迁移成本是否会大大增加？ 我觉得答案在于找到个性化和标准化之间的平衡点。就像 Ryo 说的，需要识别那些”永远不会改变的底层基本单元”。有些概念和交互模式是普世的，比如点击、拖拽、滚动等基本操作。个性化应该建立在这些稳定的基础上，而不是完全重新发明交互语言。 从商业角度看，这种转变也带来了新的机会和挑战。个性化程度越高的产品，用户粘性往往越强，因为迁移成本更高。但同时，开发和维护这样的产品也需要更多资源和技术投入。这可能会加剧技术公司之间的差距，那些能够掌握个性化技术的公司将获得显著优势。 我相信，我们正处在这个转变的早期阶段。现在的个性化主要还是表面的，比如主题颜色、布局选项等。但随着 AI 技术的发展，我们将看到更深层次的个性化，界面将能够理解和适应用户的思维模式、工作习惯、甚至情绪状态。这将不再是界面的个性化，而是体验的个性化。 ## 对未来的深度思考 通过 Ryo 的分享，我看到了软件开发和产品设计未来可能的方向。这不仅仅是工具的升级，而是整个创造过程的根本性改变。我们正在从一个基于分工的工业化模式，转向一个基于协作的智能化模式。 在传统模式下，创造一个产品需要严格的计划、明确的分工、复杂的协调。每个步骤都有明确的输入和输出，每个角色都有固定的职责。这种模式在处理复杂项目时很有效，但它也带来了巨大的协调成本和沟通损耗。 在新的模式下，创造过程变得更像即兴创作。你有一个大致的方向，然后在实现过程中不断调整和改进。AI 工具让这种工作方式成为可能，因为它们大大降低了试错成本。你可以快速尝试不同的想法，看看哪些有效，哪些不行。 这种变化对个人和组织都有深远影响。对个人来说，它意味着需要培养更强的适应能力和学习能力。你需要能够快速掌握新工具，与 AI 有效协作，在不确定性中做出决策。对组织来说，它意味着需要建立更灵活的结构和文化，鼓励实验和创新，容忍失败和调整。 我也思考了这种变化可能带来的挑战。当创造成本大幅降低时，市场上会出现更多的产品和服务。这意味着竞争会更加激烈，用户的注意力会更加分散。在这种环境下，真正重要的可能不是你能创造什么，而是你选择创造什么。判断力和品味可能会变得比技术能力更重要。 另一个挑战是质量控制。当任何人都能快速创造复杂产品时，如何确保这些产品的质量和安全性？这可能需要新的治理机制和标准体系。我们需要在鼓励创新和确保质量之间找到平衡。 最后，我认为 Ryo 的故事最大的启发是：未来属于那些敢于尝试、善于学习、能够适应变化的人。无论你现在处在什么位置，无论你的背景是什么，只要你保持开放的心态和学习的热情，就能在这个变化的时代找到自己的位置。关键是要行动起来，开始实验，开始创造。就像 Ryo 说的：”从有想法到变成现实的差距正在接近零。”现在是开始的最好时机。 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。 题图来自专访截图

1Password 是著名的跨平台密码管理器工具，支持 macOS、Windows、Linux、Chrome OS，拥有 Android、iOS 客户端，和各大浏览器插件，使用体验很好。 N 年一度的

2025年7月14日，截止收盘，沪指涨0.27%，报收3519.65点；深成指跌0.11%，报收10684.52点；创业板指跌0.45%，报收2197.07点，两市成交额较上一交易日减少2533.82亿元，合计成交14587.51亿元。

想用IP为业绩兜底，没那么容易。

存款利率破1%彻底粉碎“刚兑遗产”，行业步入收益波动常态化时代。固收独大模式难抗利率与资产荒双重夹击，混合类承载破局希望——但转型成败取决于机构策略创新与投资者风险教育的共振。

<blockquote><p>高铁上 2 小时写完 2 万行代码？作者亲测把 Claude Code 当「命令行搭子」：5 步流程（项目记忆→PRD→计划→编码→测试）让 bug 减半、效率翻倍，并附指令速查表，小白也能 10 分钟上手。</p> </blockquote>  这两天去上海参加飞书的未来无限大会，为了让路上的时间过的快一点，我就一直在用claude code写代码。 正好最近把claude code的使用逻辑重新梳理了一下，终于能够跟它一起高效作业了。  这次在高铁上我就是用两个claude code一起干活，效率比我之前用cursor+claude code混合开发提升了一倍以上，“提示词管理助手”2.0版本的开发还算顺利，预计下周就可以正式发布出来了。 这两天有很多朋友问我claude code怎么用，正好我用“提示词管理助手”2.0版本开发的案例，跟大家分享一下我和claude coding协作的方法论，如何让claude code成为高效开发的AI搭子。 之前用cursor做AI编程的时候，整体流程是以下三步：1. 写prd文档，方便AI了解这次要开发的所有内容2. AI写代码，基于prd文档和AI一起肝这次开发的内容（主要是点击accept）3. 测试反馈，把AI开发完的产品测试反馈问题给它，让它进行修复 用这个流程做产品开发在写些脚本和代码量低的时候其实是很舒服的，AI一会就把产品给你搞出来了，而且效果还非常不错。 我在刚开始做提示词管理助手的时候，也就叨咕了1个多小时就把第一版做出来了，AI在低代码量状态下开发是很快的。 但项目一旦变大，AI写代码的bug率就大大提升了，我分析下来主要原因在于：AI压根不了解你的项目，它是真的“干中学”。 这就好比我们找一个程序员来帮我们优化已有的代码，它不去了解这个代码仓到底是什么，不了解每一个文件存放的位置，它拿到一个需求后立马开始准备干活。 那代码质量能用才怪。。。 因此我在cursor中开发都是先让AI定位本次需求涉及的文件，然后基于这些文件让它做功能升级或者迭代，这样稍微的把cursor写代码的故障率降了一下。 就是有点废人，人得随时盯着所有的项目，AI也不能自主进行作业，要么bug真的飙到满天飞。 那到了和claude code 协作干活的时候，得益于它自身的功能升级，我把流程升级了一下： 1. 让AI写项目文档，claude.md文档是它全局的记忆，写好了AI对项目的理解整个开发过程都在，不会丢 2. 写prd文档，方便AI了解这次要开发的所有内容 3. 做具体的开发计划，精确到要优化哪些文档，本次优化分几个阶段 4. AI写代码，基于prd文档和AI一起肝这次开发的内容 5. 测试反馈，把AI开发完的产品测试反馈问题给它，让它进行修复 主要是加了项目文档和开发计划两个流程，目的都是为了给AI更多的上下文信息，从而降低AI写代码的bug率。 接下来我通过“提示词管理助手”的案例给大家演示这套流程的开发效果，带大家一步步跑一遍，看看如何用claude code高效干活。  为了方便大家更好地理解 Claude Code 中用到的指令，我和 AI 一起整理了一份Claude Code 指令速查宝典（ https://t16jzwqrzjx.feishu.cn/wiki/E4Rbw3vpBikNLbknNKOc7GtYnqd?from=from_copylink ），把常用指令的含义都做了解释，它可以帮助你快速了解 claude code各种指令的含义。 ## 第一步：让AI写项目文档 进入项目第一步就是让AI写项目文件，这里用到的是 /init指令，只需要确认它会自己去浏览项目然后生成一个claude.md的文档。  我给大家抽取一个模块看看claude.md梳理的多么细，它会把你的核心架构都拆解好记录下来，它知道每一个文件夹的作用和存放位置。  claude.md文档是全局中claude code都会应用的，相当于cursor的系统规则一样。 它的作用是给AI更多的上下文，让AI更好的了解项目进行项目开发。 /init 不仅仅只是初始化用的，每次完成一个版本迭代后，也可以运行 /init，这个时候它会自动更新 claude.md文档，把开发的内容加进来。  我自己的开发习惯是：每完成一个版本的开发，做一次GitHub的保存，然后运行一次/init。 ## 第二步：写prd文档 第二步就是写prd文档，这块之前在“小白AI编程指南”里列举了提示词和案例，在这个文章中我就不展开讲了。 在这里主要跟大家分享一下，如何和claude code高效的讨论需求。 通过建立claude.md文档，让claude code对项目十分了解，它已经知道了我这个项目的核心逻辑、文件结构、模块功能，和它讨论是一件十分高效的事情。  红色部分是我提出的需求，我们可以看到AI是基于claude.md文档，然后去阅读整体系统，最后给到我一个它自己的思考，这种讨论会非常符合真正的开发场景，能够很快的落地下去。  它先给我泼了一盆冷水，然后又给到我三套不同的渐进式方案；最后它自己思考了一会告诉我建议从方案1开始，并且给到我详细的逻辑和原因。  Claude code 在讨论需求能够得到这么好的效果，对项目的理解起着至关重要的作用。 ## 第三步：做具体的开发计划 第三步就是和claude code一起制定计划，在这里我们要先讲一下claude code的三种作业模式。 Claude code支持三种作业模式，分别是default（默认模式）、plan（计划模式）、Auto-accept（干活模式），刚才我和claude code 的对话是默认模式，只需要按住shift+tab 即可进行模式的切换。 左下角显示plan就代表切换到计划模式了，让我们沿着刚才的方案1来做个开发计划。  Claude code做计划的第一步依旧是去看代码，详细的了解已有代码库到底是什么样的。  然后它会给到用户一个详细的自己计划开发这个需求的计划。  看到这份计划我就充满了信心，最起码AI把每一块都想到了，那它干活的效果自然会很好。 这里如果想接受计划就选择yes，不想接受就选择no，继续讨论计划就行了。 ## 第四步：AI写代码 在确认了计划之后就进入了第四步，让AI干活进行写代码，这个环节我们就可以直接挂机了，等着AI写完了切回来看看就行了。  这块连accept都不用点了，AI会自己全部干完，人类只需要测试反馈。 ## 第五步：测试反馈问题 第五步就是测试反馈问题，这块有一个需要注意的点是，因为claude code用的是命令行工具，我们没法贴图进来。 所以截图需要我们先保存到文件夹里，然后再通过 @ 这个图片名称，才能给claude code反馈bug，稍微麻烦一点点。  这五步看完了，想必大家应该能够理解，为啥我说用claude code能够把编程效率提升了一倍。 Claude code给予了AI更多的上下文，基于这项能力，我优化了自己和AI协作的流程，从而完成效率的提升。 和AI的协作能力，是毋庸置疑AI浪潮下最重要的事情。 跟大家聊了这么多claude code提升效率的事情，我想在文章最后跟大家聊一点关于使用claude code的恐惧问题。 最近很多朋友被我带的去用claude code，他们其实跟我在用claude code之前都有一个问题，它是一个命令行工具，我真的能够用明白吗？ Claude code刚出来的时候，白术跟我兴冲冲的分享，他和小排老师都很快用上了claude code写点，我当时第一反应是，这是个命令行工具，我可能用不明白。 所以我过了一个多月才真正去用claude code，我也很害怕去体验一个新产品。 用过之后才发现，这不就是个命令行版的chatbot嘛，它和网页版claude最大的区别就是它放在了终端里。 我们忘掉所有的指令，忘掉命令行这个事情，会发现它就是一个聊天机器人，只不过这个聊天机器人可以写代码，功能更多更强大而已。 当我跟大家说这是个命令行工具时，大家天然很抗拒；但我们把它当作chatbot来看待的时候，大家就都乐意去上手体验一下，觉得蛮好玩的。 所以我想，你不要把它当作一个非常专业的程序员开发者工具去对待，你就把它当大号的豆包AI编程就行了。 最后我想说：别把 Claude Code 想得太复杂，也别先把自己挡在门外。 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。

<blockquote><p>当“AI灵魂伴侣画像”刷屏 TikTok，两款算命小程序 30 天狂揽百万美元，下载破 10 万却评分 4.8——它们靠的不是神机妙算，而是把孤独当成流量密码。本文拆解“星盘＋生图＋温柔话术”的低成本爆款公式：用一张模糊浪漫的“正缘脸”，让用户为情绪买单，为幻想订阅。</p> </blockquote>  今年AI最离谱也最让人上头的用法，可能不是写代码、写论文，而是算命。 开年爆火的 DeepSeek，被网友开发出100种用法，其中最刷屏的就是拿它来算桃花。输入出生时间、工作单位，AI一本正经地给你来段玄学分析，甚至还能画出“灵魂伴侣”的样子。 而现在，有人把这波流量变成了产品。 今年6月，两款围绕“灵魂伴侣画像”的AI应用爆火出圈： 3月上线的Starla，6月日下载峰值达11万，美国App Store总榜第7、收入榜第16。根据白鲸出海，截至6月底营收已超218万美元。 去年上线的Astra，也在6月下载量飞涨，日下载量峰值超10万，月收入稳定在30万美元。 有趣的是，TikTok上到处都是对这两个AI应用算不准的吐槽，这反而让它们更火了。 它们的走红印证了一个现实：低技术门槛，也能撬动高情绪价值。在这个孤独变成常态的时代，解决孤独感的产品，不是提供答案，而是销售希望。 ## 01 AI算姻缘，一种新刚需 社交曾被视为AI时代的“蓝海”，但到了2025年，这片海在迅速退潮。 Character.AI付费率低、难以覆盖成本，国内如筑梦岛、星野等产品的三日新增留存率已跌至20%以下。 而另一个不起眼的赛道，迎来了爆点——AI算姻缘。 2024年，通灵类服务在全球创收达23亿美元（IBIS World数据）。今年，AI“正缘画像”成为年轻人新宠： 一串出生信息，配上一张AI画出的“灵魂伴侣”脸，成了新的情绪出口。这类产品主打的是神秘和疗愈，比“左滑右滑”的社交软件更有仪式感。 其中两款产品最为突出：Starla和Astra。 Starla今年3月上线，仅6月峰值日下载就达11万，登上美国App Store总榜第7，收入累计218万美元（白鲸出海数据）。Astra则于去年上线，今年6月起势，日下载破10万，月收入稳定在30万美元。 它们的核心玩法很简单：GPT对话+AI生图+星盘算法，用“灵魂伴侣长相”的视觉钩子切中情绪需求。 它们不像传统星座App那样单向推送内容，而是用“聊天式命理师”包装出一整套玄学叙事。 用户只需输入信息，AI就能结合出生星盘、荣格心理、自省练习等，即时“看透”你的情感状态，并画出“正缘画像”。这种方式大大压缩了用户的冷启动流程，让人一进App就能得到“被回应”的爽感。 Starla主打语音优先，聊天偏心理疗愈 基于AI生成推出“无所不答”的命理师，提供语音接口。其他基础功能有结合占星学理论、荣格原型心理学、CBT自省心理学的痕迹，功能重视解析自我意识、情绪内省等。  Astra深植占星理论，场景化话题引导 其深化了自然聊天的风格，例如会主动提问“我看到土星在你的第十宫——这是反思你雄心壮志的好时机。你面临一个重大决定吗？”对过境、上升星座等占星理论能灵活运用，特色功能有解梦、伴侣星盘测试。  技术上，这些产品不过是大模型+NLP分解+图像生成的组合，但在叙事和包装上，它们比多数AI聊天工具更懂用户焦虑： 人们未必真的想找对象，而是想找一个解释。AI给不了爱，但可以制造确定感、神秘感和被理解的幻觉——这三种幻觉，恰好击中了当代年轻人情绪消费的核心。 ## 02 “正缘画像”背后的爆款公式 Starla和Astra爆火，并不是因为技术有多先进，而是它们精准拿捏住了Z世代的情绪消费心理： 用AI画出“灵魂伴侣”的样子，本身就是一种新型社交货币。 在TikTok上，Starla话题已有超3.4万条内容，“你的Soulmate长这样”已成为年轻女孩的热门话题。用户晒出伴侣画像，评论区里热议“像谁”“准不准”，引发围观效应。  ▲ 来自TikTok用户@patricia.braham 其底层逻辑是“个性化+视觉吸引+轻玄学叙事”：让AI说几句温柔话，再生成一张模糊浪漫的“他”，就足以激发分享冲动。至于准不准？没人在乎，甚至调侃AI算命不准的视频带来了更多裂变流量。 但这类聊天式AI也不是没有问题：语言容易重复、忘记用户信息、体验同质化，甚至被用户投诉“胡说八道”。 即便如此，Starla和Astra在应用商店的评分仍保持在4.7~4.9的高分区间。有人直言：“她算错了我的星座，但我喜欢她说话的方式。” 究其原因，用户根本不在乎预测的准确性，而是在意情绪价值、陪伴感与仪式体验。 Starla/Astra非常聪明，它们并不“卖星座”，而是将占星术包装成一种“心灵游戏”——带点神秘、带点暧昧，还能当做内容晒出去。 配合治愈语音、温柔话术和精美的UI画面，这类产品以极低的技术门槛，构建出高感知价值+高复购概率的产品模型。  ▲ 应用商店中有很多与Starla/Astra从Logo风格到核心功能相同的软件 而这套模式，不止在Soulmate赛道奏效。写到这儿，乌鸦君想起了另一款AI算命产品「死亡时钟」（Death Clock）。 「死亡时钟」通过29个问题来计算“你还能活多久”，并生成可分享的”死亡日卡片”。在其团队发布的200+个视频中，60%是相同的内容模版，仍然收获22万赞。（12万美国人，疯抢“AI死亡通知书”） 这种产品的爆款公式正在趋于标准化： **焦虑变现+模版裂变+社交货币+低技术高感知+争议带增长** 在商业上，这些产品同样更懂“怎么赚钱”。 无论是Astra还是Starla，都围绕生成“灵魂伴侣”画像，卡99%进度诱导订阅。订阅后解锁“追踪Soulmate动向”功能增强留存，制造持续期待感。 其中，Astra提供7天免费试用，利用即时好奇心驱动转化，后续套餐为周费6.99 美元/月费22~30美元/年费33.99美元/终生109.99美元，但保留了数以万计的付费用户。 ## 03 总结 Starla 和Astra的成功是“想象力的胜利”。在一个孤独社会，“虚幻希望产品化”的效率，远高于解决实际问题。哪怕只是GPT配合星盘和生图，也能造出一个带有浪漫感和自我投射的产品。 这类AI应用也正在定义一种新消费：为幻想付费，为情绪订阅。谁能把“不真实”的感受做得最动人，谁就能抓住用户的心和钱包。 文/朗朗 本文由人人都是产品经理作者【乌鸦智能说】，微信公众号：【乌鸦智能说】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。 题图来自Unsplash，基于 CC0 协议。