特朗普政府的官员周一淡化了美股持续数周的抛售，坚称商界领袖最近的举动表明美国经济前景更加光明。一位白宫官员当地时间周一下午对记者说：“我们看到股市的动物精神与我们实际看到的企业和企业领导人的表现之间存在着强烈的分歧。就中长期经济前景而言，后者显然比前者更有意义。”  在经济学中，“动物精神”（animal spirits）一词被用来描述人类情感（而非纯粹逻辑）支配投资者决策的情况。 白宫官员似乎在用这个词暗示，最近的股票抛售是由非理性的恐惧和消极情绪驱动的。 但专家指出，有几个因素促使投资者抛售股票，其中最主要的是特朗普贸易政策的不确定性。 与此同时，在特朗普的顾问埃隆·马斯克的监督下，美国政府大规模解雇了数千名联邦雇员，这加剧了特朗普贸易政策的不确定性。 其结果是，去年年底推动市场大幅上涨的激进乐观情绪和高风险承受能力突然逆转。 “你肯定看到一些推动股市在秋季反弹的动物精神正在消退，”美国智库CATO研究所的一般经济与贸易副总裁Scott Lincicome表示。 Lincicome在最近接受采访时表示：“人们现在更多地关注下行风险，潜在的价格上涨，以及所有的不确定性。” “我认为，这可以直接追溯到总统身上，”他说。 就特朗普而言，他基本上已经不再把金融市场作为美国经济健康状况的晴雨表，而他在第一个任期内经常这样做。 相反，白宫吹捧了商界领袖最近做出的一系列承诺，即未来几年将在美国投资数千亿美元。 在周一下午的另一份声明中，白宫发言人库什·德赛（Kush Desai）表示，这些行业领袖是在回应特朗普的选举胜利和对其经济议程的热情。 “特朗普总统在他的第一个任期内实现了历史性的就业、工资和投资增长，并将在他的第二个任期内再次这样做，”德赛说。 [查看评论](https://m.cnbeta.com.tw/comment/1484510.htm)

特斯拉股价周一下跌15.43%，创下自2020年9月以来最大单日跌幅。该公司CEO埃隆·马斯克的身价一夜之间蒸发了290亿美元，今年迄今损失了1320亿美元。尽管他仍然是全球首富，截至周一收盘净资产约为3010亿美元。   在周一的一次采访中，面对最近一连串的坏消息，马斯克笑着耸耸肩说：“但是要往好的方面看！永远看到生活的光明面（Always look on the bright side of life）。”这是在引用上世纪70年代一首歌曲的名字。 上周四，SpaceX的星舰火箭在从德克萨斯州发射几分钟后爆炸，这是今年的第二次此类事故。 上周五，有报道称，在遭到共和党高层的愤怒后，特朗普总统正采取行动，限制马斯克此前自由浮动的权力。 周六，反对马斯克的示威活动在全美各地的特斯拉展厅蔓延开来，包括在曼哈顿，数百人举行了抗议。 周一，特斯拉股价暴跌，成为今年标准普尔500指数中表现最差的股票。与此同时，他的社交媒体平台X周一也因据称的网络攻击而几度瘫痪。 马斯克在谈到X网站的崩溃是说：“我们不确定到底发生了什么，但有一次大规模的网络攻击试图摧毁X系统，IP地址来自乌克兰地区。” 当被问及他在DOGE大刀阔斧式地进行政府重组的同时是如何经营所有其他业务时，马斯克停顿了一下，说“非常困难”。 [查看评论](https://m.cnbeta.com.tw/comment/1484508.htm)

美国政府效率部负责人埃隆·马斯克称，包括社会保障和联邦医疗保险（Medicare）在内的福利支出是削减费用的关键目标，这一说法与美国总统唐纳德·特朗普不会触碰这些领域的承诺直接矛盾。 [](https://n.sinaimg.cn/sinakd20250310s/224/w640h384/20250310/a9e6-25a5bedb60e4d6d026ca0fd8015c9c05.png) “大部分联邦费用是福利支出，”马斯克周一接受采访时表示。“所以这是需要解决的大问题。” 2024年竞选期间，特朗普一再承诺他不会减少社会保障支出或缩减联邦医疗保险（Medicare）的覆盖范围，而这些社会保障计划颇得大量选民人心。 特朗普在最近的一次采访中重申了这一承诺，称他不会减少合法福利，但会追究不当支出。 “我不会碰社会保障、联邦医疗保险、医疗补助计划（Medicaid）。我们现在是要杜绝欺诈行为，”他在周日播出的采访中说。 马斯克的言论可能会在国会山和白宫引发争议。许多共和党人态度坚定，认为他的政府效率部（DOGE）削减计划中不会包括福利。民主党人则担心，DOGE的支出削减目标将意味着退休和医疗保健计划将成为整顿目标。 [查看评论](https://m.cnbeta.com.tw/comment/1484506.htm)

近日，演员吴彦祖在抖音、小红书等平台开设“吴彦祖教英语”账号，推出定价398元的英语课。该事件不仅引发热议，还在多平台取得不俗的销售数据。值得关注的是，该课程由高途集团与雅识教育联合开发，股权层层穿透背后，吴彦祖对雅识教育间接持股，而随着吴彦祖英语课在高途App上线，高途股价一路上涨，短短20天最高涨幅超过50%，这场“左手流量、右手资本”的游戏，已不仅仅是网友眼中的明星“下海”那般简单。      实际上，明星转行卖课如今已成为另一种“财富密码”，此前，包括王力宏、张继科等明星也曾以“专业教学”为卖点推出高价甚至天价课程，然而，在AI学习工具日益普及的当下，这类课程被不少网友质疑“割韭菜”。 **明星卖课流量变现****，****已豪赚百万** 据公开资料，“吴彦祖带你学口语”课程首发价为398元，共有84节，每节课8~10分钟左右。据此推算，平均一节课为4.73元。 需要注意的是，这套课程并非全部都是吴彦祖本人出镜，还包含了一部分助教老师的出镜，吴彦祖全程用英语教学，助教老师则以中英文的方式配合讲解。 根据飞瓜数据显示，售卖相关课程的账号“阿祖带你学口语”（粉丝数16.5万）近30日销售额为75万元-100万元，另一个相关账号“吴彦祖英语课”（粉丝数6948）近30日销售额为10万元-25万元，因此抖音平台总计销售额85万元-125万元。此外，作为此次合作方的高途App内也已上线吴彦祖英语课，目前可以看到报名人数已经达到21989人，但并未显示付费购买用户数，但报名数仍在持续增加。  值得关注的是，在抖音平台，此次卖课的官方账号“阿祖带你学口语”和“吴彦祖英语课”其认证信息均为太原高途云集教育科技有限公司，而本次吴彦祖与高途合作的英语课，不是吴彦祖直接与高途合作，而是通过一家名为雅识教育的公司。 天眼查显示，雅识教育科技（杭州）有限公司成立于2024年8月，由上海玩美祖合品牌管理有限公司持股30%，后者由上海斐鑫然文化传播有限公司持股46.75%，而吴彦祖持有上海斐鑫然文化传播有限公司90%的股权，因此，股权层层穿透之下，吴彦祖对雅识教育间接持股。 不仅如此，此前吴彦祖还在成都开了一家咖啡馆，起名WHATEVER COFFEE，根据天眼查信息，上海斐鑫然文化于2024年新设WHATEVER COFFEE品牌与ZUHAUS设计实验室，所以，而其商业版图已延伸至咖啡、潮牌、设计等领域，此次跨界教人学英语，是吴彦祖的又一次商业尝试。 对于吴彦祖开课，网友的态度也明显“两极分化”，有网友评价“要是早教20年，颜值脑子在巅峰期，英语六级早就过了”，但也有网友表示“这套课除了明星效应，吸引你学习三五天，其他倒没有什么特别之处。” 但真正想要下单的消费者则表示自己遇到了更大的问题，有小红书网友认为吴彦祖英语课存在助教老师影响了自己的学习体验，该网友提到“课程表上每节课就5分钟，所以点进去之前想着能够看男神，结果发现是男神讲一句，女老师重复一句。”  **高途“流量”破圈，但****仍陷****亏损困局** 作为本次吴彦祖英语课破圈的另一大受益者，高途教育也因此尝到了“流量红利”，不仅在其官方App上有两万多人报名吴彦祖英语课，更重要的是其股价在近期不断上涨，新浪科技发现，自“阿祖带你学口语”抖音账号发布首个视频以来，短短20天时间，高途的股价便从2.57元一路最高上涨至3．88元，涨幅超过50%，然而在这样的涨幅背后，高途教育的财报数据却并不算太好。  据近日发布的2024年最新财报数据，高途教育存在巨额亏损，其在2024年实现营收45.54亿元，较上年同期增长53.8%；净亏损为10.49亿元，上年同期为730万元，亏损增幅高达14270%。 不可忽视的一点是，高途教育已经连续6个季度亏损，营业费用同比增长84.5%至42.805亿元，销售费用从2023年的15.012亿元增长到了2024年的29.637亿元。在此背景下，高途教育通过吴彦祖课程要实现双重目标：短期通过粉丝经济拉升现金流，长期则试图打破“K12教培”的固有标签，拓展成人教育市场。 但这种策略的风险同样显著。即便以吴彦祖课程当前抖音销量+官方报名均为付费用户来算，其销售额也仅有977万元，甚至仅占去年营收的0.2%，对改善亏损杯水车薪。 在线教育业内人士潘欣指出：“不看好这种模式，定价本身倒不觉得贵，就是一般粉丝会不会为了明星卖课买单令人存疑，得有足够量饭圈式的铁粉才能支撑很好的销售。” 此外，明星课程被外界质疑的声音也一直存在。此前，王力宏开卖为期30日，总费用为1699元的声乐课，学员小K（化名）曾向媒体透露，课程平均时长仅10分钟，且没有人改作业，都是学员之间互评，缺乏专业指导，“不如B站免费教程”。而吴彦祖的英语课虽结合AI技术，但也被用户指出“AI陪练声音与真人差距大”并且即便付费，如今还有“部分功能尚未开放”，认为官方课程开发不够完善就拿出来售卖不够严谨。 **结语：明星卖课，很容易变成一锤子买卖** 如今，随着DeepSeek、豆包等AI助手在全民兴起，人人都可以通过免费的方式用AI工具自学英语，这种普及程度正在进一步冲击高价课程的价值逻辑。而明星卖课也并非稳赚不赔，2023年，歌手柯以敏直播卖声乐课时遭网友辱骂，最终泪洒直播间；王力宏卖声乐课也被质疑“割韭菜”，伤害粉丝感情。 在潘欣看来，高途此举是想借吴彦祖破圈让更多的用户，包括吴彦祖的粉丝以及事件营销本身触达的潜在用户们知道高途这个品牌，进而购买他们其他产品。 行业分析师张书乐向新浪科技表示，作为一种知识付费课程，吴彦祖开卖英语课无可厚非，其通过自己在海外的生活经历和学识做生意，也符合知识付费的理念。当然，吴彦祖授课，更多的是依靠自己的明星光环，来达成强劲宣发、较高转换率、较高定价的效果，但如果课程内容不合格，也会影响到他的人设和演艺生涯。尽管学英语目前有许多免费工具，也能达成AI辅助以及高质量互动。但演员的个人魅力和表演才能，可以让一些枯燥的教学更有味道，达成沉浸式效果。至于吴彦祖的课程到底如何，则要看消费者反馈，以及后续是否能持续卖课，毕竟，如果是割韭菜，很容易变成一锤子买卖。 文|新浪科技 罗宁 [查看评论](https://m.cnbeta.com.tw/comment/1484504.htm)

<blockquote><p>许多产品经理对报警系统的认识还停留在表面，对于其工作原理、分类以及应用场景了解不深。本文将详细探讨报警系统的各个方面，帮助你全面理解报警的意义和作用。</p> </blockquote>  偶尔得空，将这些年基于物联网设备和AI摄像头设计报警管理功能的思路进行了整理，形成一套业务模型，发出来供大家批判。 ## 一、报警的定义：报警是需要人们给予特别关注的事件 ### 1.1 为什么需要报警 世界上有形形色色的事件，一些事件会对人们关注的事物产生危害，为了管理这种危害需要对事物监测报警。 ### 1.2 报警的内容 报警通常包含了报警事件相关的一系列信息，以便人们处置报警， - 报警时间：触发报警的时间 - 报警对象：触发报警的主体对象 - 报警地点：当报警对象可移动时，需要通过定位确定报警地点 - 报警类型：报警的事件类别 - 报警证据：用于确认、处置报警的信息，后文另行说明 - 报警状态：报警是否已解除 - 报警时长：报警状态持续时长 ### 1.3 预警和报警的区别 - 报警是指危害事件已经发生的状态 - 预警是指危害事件尚未发生，但趋势表明报警即将发生的状态，预警给人留出了干预时间以避免危害的产生 ## 二、报警的触发 报警逻辑就是：当监测数据满足触发条件=产生报警 ### 2.1 监测数据 - 监测对象：监测对象通常是报警相关的人、物、环境。 - 监测指标：监测的数据维度和度量单位。 - 监测方法：可以是人工测量，也可以是传感器测量。 ### 2.2 触发条件 **2.2.1 按所需监测指标的数量，分为** - 单一条件触发，如：车速&gt;70公里/小时 - 组合条件触发，如：连续停车时长&gt;30分钟 且 在作业时段内 且 不在专用停车场 **2.2.2 按所需监测数据时长，分为** - 瞬时条件触发，如：重量&gt;1000千克 - 累计条件触发，如：10分钟油耗&gt;5升 **2.2.3 更复杂的情况是匹配行为序列触发，如垃圾乱丢报警：** 1. 手提垃圾走入垃圾桶站 2. 将垃圾丢在地上 3. 离开垃圾桶站 ### 2.3 误报的减少 为了减少因误报的发生，有几种方法： - 提高报警的阈值：比如从5提高到8 - 二次确认，防抖：在首次满足报警条件后间隔一段时间进行二次确认，如仍旧满足报警条件就产生报警，否则忽略 ## 三、报警的取证 报警后为了证明报警的真实性，指导报警处置，需要提供报警相关信息，这就是报警取证。 ### 3.1 报警即时取证 按报警证据的来源，分为两类： - 主要报警证据是触发报警所使用的数据，是肯定能获得的证据 - 连带报警证据是报警后通过其他手段连带提取的证据，能否取得？能取得多少？取决于连带手段 ### 3.2 报警的持续跟踪取证 报警触发后到报警解除前，应持续跟踪取证，按证据类型有不同的处理方式： - 数值类证据：保持监测频率，持续采集证据 - 图像类证据：按一定时间间隔，持续采集证据 - 声音类证据：报警期间持续录音 - 视频类证据：因为视频录像要占用大量存储，这里有两种策略： - 录像一直保存在摄像头，用时按报警时间调取 - 将报警触发前后一段时间的视频从摄像头中取到服务器，进行长期保存，以免被覆盖 ## 四、报警的处置 引发报警的危害，有些可以恢复，有些无法恢复，因此处置方式不同。 报警后，**问责**和**消除危害**，是最常见的两个处置方向，以污水排放报警为例： - 消除危害是停止污水排放、恢复水质，需要交给有专业处置能力的单位、人员，他们需要了解的是污染的范围和污染的程度，据此推断可能的恢复措施 - 问责是找出排放单位、惩办负责人，需要交给行政管理单位，他们需要了解的是污染的源头、相关的单位 ### 4.1 报警处置责任认定 处置责任单位是一个[[组织架构|组织机构]]，确认报警处置责任单位的原则： - 属地管理：按地理空间划分，每个单位有一定的管辖范围，报警发生在谁的管辖范围内归谁管 - 专业管理：按报警类型划分，每个单位有负责的专业领域，报警类型在谁的专业领域内归谁管 - 等级管理：按报警等级划分，每个单位有负责的报警等级，报警等级在谁的职责范围内归谁管 由于报警有多个处置方向，报警也可以有多个处置责任单位。 由于报警的危害程度不同，发生频次不同，所以需要对报警分级处置： - 高频的、危害较小的报警交给基层单位处置 - 低频的、危害较大的报警交给高级部门处置 ### 4.2 报警分级管理配置模式 **4.2.1 配置报警类型对应到专业领域、报警等级** 报警类型：BBB 所属专业领域：ZZZ 报警等级：一级 触发条件：条件框架 + 监测指标 + 报警阈值（基于报警类型关联查询可用条件框架和监测指标，再基于可用设备过滤可用监测指标） 报警等级：二级 触发条件：TTT **4.2.2 配置组织机构管辖专业领域、报警等级** 组织机构：KKK 管辖范围：FFF 管辖专业领域：ZZZ，管辖报警等级：一级+二级 管辖专业领域：YYY，管辖报警等级：一级 ### 4.3 (人工)报警处置流程 报警的处置方式多种多样，如果想要统一处置流程，只能忽略处置方式，关注责任主体： 1. 触发报警 2. 分配给处置责任单位 3. 责任单位处置反馈（具体的处置方式、结果由责任单位灵活填报） 4. 上级单位确认处置完毕 ## 五、报警的解除 根据报警危害的可恢复性，和人为规定的处置流程，报警的解除有**自动解除**和**手动解除**两种方式。 - 无需人工处置即可自动恢复的，可以自动解除 - 无法自动恢复需要人工处置的，或虽然能自动恢复但要求必须人工处置的，适用手动解除 报警解除通常对应着**消除危害**这一处置方向的处置完成，而无关问责这一处置方向的处置进展。 ### 5.1 报警自动解除 报警自动解除同样基于监测数据，根据解除条件有两种逻辑 - 当监测数据**不再满足触发条件**=报警解除 - 当监测数据**满足特定解除条件**=报警解除，通常用于危害无法恢复原状时（如着火后灭火） ### 5.2 报警手动解除 报警手动解除需要经过一系列人工处置流程后，手动在报警管理系统中确认报警解除。 本文由 @智慧小范 原创发布于人人都是产品经理。未经许可，禁止转载。 题图来自Unsplash，基于CC0协议。 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。

<blockquote><p>许多企业在招聘产品助理后，常常发现他们无法发挥应有的作用，最终成为了“摆设”。为什么会出现这种情况？本文将深入分析产品助理角色定位的误区，并提出切实可行的解决方案，希望能帮到大家。</p> </blockquote>  产品经理干久了，总会碰上这种情况——活儿多到恨不得一天掰成两天使，但偏偏自己就只有24小时。 要么就是期待自己会分身术，变出另一个自己帮助自己减少工作压力。 当然分身术不切实际，但这时候很多人第一反应就是：“要不招个助理吧？”可以帮自己分担一下。 公司如果没有任何招聘计划，自己也只能咬紧牙关继续努力了。如果是公司预算充足且有招聘计划的话，这个事情很容易就会被层层推进。 问题来了，好多人招助理，其实就是想找个替自己干活儿的。心里想得很简单：我干不过来，就找个人替我干呗。 但现实往往没这么美好：好不容易把助理招来了，自己却搞不清楚到底该让他做点什么，或者干脆什么都塞给人家，结果工作量直接超标，助理也崩溃了。 辛辛苦苦面试招聘来的助理，最后都成了摆设。 其实，招聘助理远没看起来这么简单。这并不是请一个人来帮你打杂，而是要认真考虑三个问题： ## 一、招聘产品助理的目的 你得搞清楚自己到底为啥招产品助理？这可不是随便找个人减负，而是要让你的效率真正提高起来。比如，可以把那些重复琐碎的活儿——像比较简单的原型设计、整理文档、编写PRD文档、日常记录，通通甩给助理。 自己腾出手来，专注更有价值的事儿，比如研究战略、跨部门沟通啥的。甚至，你还可以把助理当成你的“第二个大脑”，毕竟新人思维还没有固化，看待问题的视角不同，说不定就能从用户调研里挖出些新想法、新观点。 更重要的一点，通过指导助理的工作，反过来可以提升自身的领导力、沟通能力以及系统化整理知识体系，从而变成一次对自我的提升。 ## 二、明确产品助理的能力边界 招聘之前一定要想清楚，这个助理到底该帮你干点啥，招什么样的人合适。有的人喜欢招刚毕业的小白，觉得年轻人学习能力强、成长空间大；有的人，喜欢招个跟自己脾气相似的人，带起来顺手；还有些产品经理就特别实在，直接招个听话的，“我让你干啥你就干啥”。 但不管怎么选人，岗位职责一定要清楚，别稀里糊涂地招聘进来了又傻眼了：“啊，这人到底该做啥？” 当然，岗位职责不是一成不变的。最开始你觉得他可能只适合整理文档，后来发现人家画原型画得不错，那完全可以再多给点挑战，比如复杂一点的设计，甚至业务规划、跨部门协作。这就是招聘和培养助理的灵活性。 产品助理的能力边界通常在面试的时候就会知晓，具备哪些能力，哪些能力不足，之后根据工作中的情况逐步提升。 有些善于学习的产品助理，能力边界是在实际工作中被发掘的。这就看你倾向于对方帮你解决哪些事情，你就选择相对能力系数高的产品助理。 至于招聘的产品助理是否要求有无经验要求，这个看你公司以及你对该岗位的定位，如果是储备人才，招聘小白都可以，手把手的教对方各种概念知识以及技能，如果是想对方快速上手，最低邀请也要找一个干了半年以上的人，干了几个月的很可能都没有接触太多产品相关的工作。 干了半年以上的，基本的工具和方法论都会一些，配合你工作也不会像纯小白从头开始学习，增加你的沟通成本。 ## 三、如何培养产品助理 招聘回来之后，更重要的就是怎么培养人。有的产品经理特别佛系，助理招回来直接放养——“你自己摸索吧”，有些助理直接被吓跑了。 正确的方式是，一步步地引导。我们一定在知道产品助理的能力现状和边界之后，给他安排合适的任务。刚开始可以给他一些特别明确的小任务，让对方熟悉业务、工具和流程，慢慢的再递进到更复杂的任务，比如原型设计、独立的小项目规划，甚至是让对方负责一个完整的小系统。 可以带着产品助理分析产品背后设计的逻辑，为什么这个功能这面设计，这么做有什么好处，这可以锻炼对方的产品思维能力；也可以让产品助理参与用户研究，学习如何获取真实用户需求。知道用户买锤子并不是单纯的为钉钉子，这是培养对方的用户视角；让产品助理查看数据分析报表，引导对方以数据为导向的产品思维，告诉他功能设计要有明确目标，这是锻炼对方的数据分析能力。 在培养过程中，要容忍助理犯错，毕竟谁也不是一开始就啥都会。但更重要的是，每次犯错后要及时给反馈，告诉他为什么不对，下次该怎么改进。 慢慢地，助理会越来越上道，从“听话的执行者”变成能独立思考、自己出方案的人。这时候，你再去审查他的方案、提建议就行了。 以上是在工作中的培养，还有一种是理论培养，比如他如果有上进心和自驱力，善于自学，那我们可以告诉对方哪些文章书籍可以帮你解决问题，哪些课程视频可以提升你的能力，哪些培训可以锻炼你的综合能力，一定要从实践和理论两方面入手。 让产品助理自行消化，提升专业能力。 还需要特别注意的是，切记对助理表现出一幅高高在上的态度，说话都是反问句，比如，你知道自己错哪儿了？这种事情都搞不明白？ 语言是门艺术，很多人都学不会，以后有时间我专门写一篇日常工作中沟通语言技巧，帮一些人排排雷。 有些人说话有问题是不懂沟通的方式，有些人则纯属就是瞧不起对方，喜欢用语言打压。不管哪种方式，说话让人不舒服，会极大的影响助理工作的积极性，不光是助理，甚至是家人和同事都会被自己不善沟通的语言破坏感情，影响做事的效率。 当然，我们也不能忽视培养助理这个过程的意义，本质上来说，带人也是一种成长，这也是一种变相的费曼学习法，你会发现自己的沟通技巧、领导力、甚至知识框架都在培养助理的过程中提升了不少。 中国有句古话，教会徒弟饿死师傅。有人可能担心：“我辛辛苦苦培养起来的人，万一跑了咋办？” 但说实话，如果公司给的挑战和成长空间足够大，助理才不会轻易跑路。 相反，他还能成为你未来团队里的骨干，成为你的左膀右臂甚至将来可以独当一面。 再说了，作为一个产品经理，你最终的目的本来就是把自己从一个纯粹的执行者，过渡到领导者。能培养出能独当一面的助理，这不正是你作为领导者的成功吗？ 所以，招聘助理不是简单的减轻负担这一个目的，最终的目的是不需要自己过多的职业干预，也能让他高质量的去完成任务，这才是管理能力的最终极的一个体现，更是让自己成长为真正领导者的重要一步。 本文由 @知鱼之乐 原创发布于人人都是产品经理。未经许可，禁止转载 题图来自Unsplash，基于CC0协议 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。

“开店流”风潮看似让古代女性角色摆脱了闺阁束缚，但套路化的粗暴移植，日渐构成了一种不真实的“伪独立叙事”。这反而消解了女性奋斗的真实重量，暴露的是创新力的枯竭与创作的路径依赖，对于下一个爆款而言，创新求变是势在必行的了。

HR变身“宿管员”，大疆美的加班或成“绝唱”？

 泽拓科技的 CEO 赵伟穿着灰色西装外套坐在办公桌前，说话音量不大，带着微笑和极客特有的真诚与激情。 面对雷峰网关于数据库产品自研与否的提问时，他保持着徐徐的语调，一字一句说：“我们从一开始就大大方方在社区里讲，我们是基于社区版的 MySQL 和 PG 深度研发了大量内核增强、优化扩展和新功能组件，使二者发生‘核聚变反应’, 锤炼成全新的产品。” 他指出，对计算机软件而言，比自己写每一行代码更重要的是能 Hold 住自己产品的完整设计和实现，且要遵循所使用的开源组件的开源协议，因此不会为了自研率有所隐瞒。 泽拓科技的昆仑数据库是借力开源生态做成的。在赵伟看来，这是认清作为创业公司的资源处境时，做出更符合创业公司发展逻辑、对用户更有利的抉择。他形容自己在做的事是“炼丹”——“丹”的主体基于 MySQL 和 PostgreSQL 等开源社区的几个组件作为素材和原料，团队在这基础上增强其原有功能且增加新的功能组件，把这两个原本互不关联的开源单机数据库揉合为具有统一而协调的整体架构和产品功能集——泽拓昆仑数据库。 而建基开源之上的优势是，昆仑数据库能充分融合客户需要的功能：有段时间，社区里都在讲能同时做到 TP（事务处理） 和 AP（分析处理） 的 HTAP 功能，团队便进一步加强数据库的 AP 性能使其具备 HTAP 能力；后来大模型带火了向量数据管理需求，借助 pgvector 这个开源组件，泽拓团队用不到三个月就让昆仑数据库也拥有了向量数据处理能力。“昆仑数据库已有丰富的功能，且有开放可扩展的架构，因此社区关注什么，我们就能快速增加相应的功能”，昆仑数据库就这样成长为数据库的“集大成者”。 但要实现这一点，不可忽视的前提条件是：泽拓科技产品研发团队里有多位来自 Oracle 的 MySQL 原厂内核开发者。他们是赵伟之前在 Oracle 工作时的同事；而赵伟自己，在 Oracle 做过 多年 MySQL 内核研发后，也在腾讯把基于 MySQL 做的 TDSQL 迭代为成熟的分布式数据库产品。深耕 MySQL 和 PostgreSQL 开源生态多年，泽拓团队知道如何最高效高质地基于原有代码做深度研发，满足客户需求。 作为一个借力MySQL和PostgreSQL社区生态的数据库公司，这几年商业化的道路好走吗？依靠社区转化而非传统销售的商业模式，又是否行得通？以下是雷峰网在不修改对话原意的基础上所做的整理。 **泽拓科技 CEO 赵伟** **社区关注什么 泽拓团队就能讲什么** 雷峰网：之前看到，前几年有段时间泽拓团队强调过昆仑数据库有 HTAP 能力？ 赵伟：昆仑数据库有 HTAP 的能力，除此之外还有空间数据管理和向量数据管理能力。由于昆仑数据库的计算节点基于 PostgreSQL 研发，大部分组件无需修改即可使用；少量组件（比如 PostGIS 和 pgvector ）需要做内核研发使之适应昆仑数据库的架构。**对这些第三方组件做调整的投入都不大，或许只有从零开始研发的工作量的 1%。** 之前我们宣传昆仑数据库的 HTAP 能力，是因为有段时间数据库社区里厂商在宣传 HTAP，就像现在大家宣传大模型、RAG 和向量数据管理。昆仑数据库这些数据管理功能都有。社区里关注什么，团队就能讲什么。 HTAP 这个名词是前几年其他厂商提出来的，但 Oracle 很多年前就已经支持 AP 查询了。不过 Oracle 是集中式数据库，到互联网时代，很多中小型公司也有几十 TB 的数据要分析，Oracle 也难以承载大量数据分析需求，所以业界从20多年前开始用 HBASE、 Hive 等去迭代，有了国内外多个 AP 类数据库产品。后来市场就发明出一些需求，也可能是真实的需求，把 TP 和 AP 的功能融合在一个产品里，也就是HTAP。 雷峰网：为什么说是“发明出来”的需求，市场没有 HTAP 的真实需求吗？ 赵伟：可能有，但我们实际拜访那么多客户里，**很多时候 TP 和 AP 负载还是分开在两个数据库实例中运行**。大多数情况下，对于一个 HTAP 数据库，大家往往只侧重使用其 TP 或者 AP 的功能。这样避免两类负载的资源竞争，确保两者性能都更高；而且开源社区有很多免费的数仓产品，客户自己多用些机器就能独立部署 TP 和 AP 数据库。当时我们做 HTAP 也主要是从技术的角度看觉得可能有一些需求，也想通过深度研发一系列技术来大幅改进昆数据库的 AP 性能。现在看，技术和产品层面我们的目标基本实现了，而在用户使用场景方面，更多用户更倾向于把昆仑数据库作为 TP 数据库来直接支撑应用系统，或者从多个其他数据库汇聚数据。 雷峰网：听下来我好奇，你们公司有找到自己产品跟市场的 PMF 吗？ 赵伟：**我们最本质的 PMF 就是企业级的 MySQL 和企业级的 PostgreSQL**。昆仑数据库的计算节点是基于 PostgreSQL 开发的，存储节点是基于 MySQL 开发的，跟其他只支持 MySQL 协议和 SQL 语法的产品相比，对二者的兼容程度要高很多。DBA 的学习曲线也很平滑，他们原先对 MySQL 的运维管理的知识，有很多仍然适用于昆仑数据库。另外 PostgreSQL 近些年在国内外的普及度也在快速上升，昆仑数据库对 PostgreSQL 用户来说，在性能、弹性扩展能力等方面也具有独特价值。 雷峰网：这个 PMF 竞争力大吗？ 赵伟：竞争力挺大，**因为 Oracle 现在对社区版 MySQL 投入已经大大降低，把研发 MySQL 的资源都投到云上闭源版本了**。过去 15 年 Oracle 在社区版 MySQL 做大量投入，基本每个季度发布新版本，就像掉个新的“馅饼”给全球用户。但现在定期发布的开源 MySQL 新版本 已经几乎没有新功能，基本就是在修 bug，对于用户来说以后“天上掉馅饼”的机会就很少了。如果 MySQL 用户有新的功能需求，或者有需要解决的问题，我们就能在昆仑数据库里把这个功能做出来给他们。 同时，PostgreSQL一直没有厂商维护，虽然开源社区的开放性非常优秀，但商业用户不仅需要企业级数据管理能力，也需要可靠的厂商技术支持。 雷峰网：为什么你们团队能做到这点？ 赵伟：我们团队十几个人里面，有几个是之前 MySQL 的原厂内核开发者，还有几位 PostgreSQL 内核开发者，我们完全掌握这两个数据库的设计和实现、功能和用法；并且我们这个团队的核心开发者和技术支持人员都有国内外互联网大厂多年工作经验，解决过很多极致负载和极致需求下的技术难题。因为数据库作为基础软件，服务是很重要的，不像手机上下个 APP 就能用。用户需要专业的技术服务。 雷峰网：面对这么多国产数据库，也有观点认为，全自研的数据库可能会比借力开源生态的更有前景，您对此怎么看？ 赵伟：从用户视角来看，用户更看重其选择的数据库以及其他基础软件产品能解决其现实问题和需求，有功能需求时供应商能研发出来或者按需更改、遇到 bug 能即时有效地解决，这才是关键。**他们反而不会很在意产品自研率是 100% 、80%还是 50%**。我们从一开始就大大方方在社区里讲，我们基于社区版的 MySQL 和 PG 深度研发了大量内核增强、优化扩展和新功能组件，使二者发生“核聚变反应”, 锤炼成全新的产品。对计算机软件而言，比自研率更重要的是能 Hold 住自己产品的完整设计和实现，从而按需增强现有功能和扩展开发新功能。而且，要遵循所使用的开源组件的开源协议。因此我们不会为了所谓的自研率做任何隐瞒。 那些 100% 自己写代码的产品，虽然其执着的精神可嘉，但是用户会担忧“产品要多少时间内才能稳定下来”“有多少DBA可以管理这些数据库”“有多少第三方组件适配支持”等问题。MySQL 和 PostgreSQL 开源数据库的成熟度比较高，我们基于此出发，在资金、人力上的投入比每一行代码都自己写的公司少很多，还可以更快完成产品开发迭代。 但有个大家容易忽视的前提是，**我们的研发团队本来就对 MySQL 和 PostgreSQL 等组件非常熟悉，能理解其设计思路、知道如何高质量高效地增强和扩展，这是隐含条件**。当前昆仑数据库的所有组件的最新代码中，泽拓团队自研的代码总量也占据了总代码量的一多半，并且团队 100% 理解掌握昆仑数据库架构、原理和每一行代码，我们的技术团队其实也具备完整而强大的数据库系统自研能力。 雷峰网：在您看来，泽拓和自研数据库的公司是完全在同一赛道上吗？ 赵伟：宽泛点说，大家目标客户群及其所在的行业都一样，就是同个大赛道。但彼此的发展策略不同，比如我们是借力于开源生态，从现有的开源社区发展用户；有的公司是自己重新开辟一个生态系统，前期比较艰苦、投入非常大、见效慢，但一旦做成，整个生态就是他们自己的。 **借力开源做数据库是“炼丹”** 雷峰网：您是在什么契机下决定创建泽拓科技？ 赵伟：2017、18 年左右，云计算普及度很高，国内外也有很多基础软件通过云平台销售——基础软件可以成为独立的产品，这是一种新的商业模式。以前只有 Oracle、微软少数几个美国公司能做到，那几年涌现出 MangoDB、Redis、ES 之类的公司，鼓舞人心，所以我也萌生这个念头。我 2019 年 8 月从腾讯离职出来筹备，公司在 2020 年底成立。 雷峰网：公司刚成立时，设立的产品方向是什么？ 赵伟：当时就只是想着做分布式数据库，管理海量的数据，应对极致的负载。虽然产品的功能在持续开发，但有几个基本因素，是我们一直保持的。一是**要从开源生态借力**，因为创业公司资源有限，做事的效率要比大厂更高而且要更灵活地即时调整。我们把研发昆仑数据库称之为“炼丹”——“丹”的原料一部分是开源社区的组件（即MySQL和PostgreSQL），毕竟我们没有那么多资源从 0 写每行代码。第二是可以从 MySQL 和 PostgreSQL（PG） 的开源数据库社区用户群中发展用户，通过社区发展影响力，让大家知道我们的产品比开源免费版的价值，从而成为我们的商业客户。 雷峰网：为什么给产品起名叫昆仑数据库？ 赵伟：我想要一个足够大气又朗朗上口的名字。一开始还想过喜马拉雅，后来想过青海湖，但觉得以湖命名太秀气了。我还列了个表，把全中国两个字的名山大川列了一遍，太行、昆仑、贺兰、峨眉、武当。最后就选了昆仑，万山之祖。 雷峰网：咱们是在 2022 年 8 月左右就已经打磨好产品可以落地商业化吗？ 赵伟：当时产品作为数据库来说，基本功能差不多都有了，可以 POC，实际商业化是 2023 上半年开始。**我在公司刚成立没多久就雇了第一个销售**，但当时产品还没成型，没多久又让人家离开了。现在看那时在商业化方面还是有些急，太想尽早开拓客户。 雷峰网：现在 2025 年初，商业化两年后，目前的进度您满意吗？ 赵伟：比当初想象中困难一些。一方面是经济大环境的影响，另一方面数据库作为基础软件，比其他软件推广难度更大。原先设想开源社区用户可以主动转化为我们的用户，后来发现还是得靠传统的商业化方法为主，由销售人员获得客户。 雷峰网：原先的设想难在哪里？是其他基于 MySQL 做数据库的公司带来的压力吗？ 赵伟：要说竞争，可能就是公有云大厂，他们也有基于 MySQL 和 PG 做的云数据库，昆仑数据库和他们的产品确实有部分功能重叠。并且，数据库软件就像地基，用户选择产品也很谨慎，建立信任需要较长时间；而且在国内，一个公司用什么软件往往也不是一线技术人员能决定的。作为初创公司，商业化起步比较难，现在有了一批早期客户后，后续会越来越顺畅。 雷峰网：咱们的产品跟大厂有重叠，那差异化的地方是什么？ 赵伟：蛮多的，比如昆仑数据库比 OceanBase 和 TDSQL 多了向量数据管理、空间数据管理，比 TDSQL 的 AP 性能更高，等等。虽然这些差异化的部分功能，客户是否需要也因人而异，但我特别想强调一点，昆仑数据库的独特优势是对 MySQL 做深度兼容，因为昆仑数据库的存储节点基于 MySQL 研发而成，不仅仅是其他数据库产品那样仅兼容 MySQL 的协议语法，相当于** MySQL 用户的 DBA 可以直接来运维管理昆仑数据库**，上手难度很低。 雷峰网：最开始会选择什么样的客户去打磨产品？ 赵伟：比如数据量大的，单个 MySQL 实例装不下，或是 MySQL 复杂查询性能较低，或是需要比 MySQL 更高的一致性、性能，以及更可靠的容灾和故障恢复能力的客户。 雷峰网：会倾向什么行业？因为许多数据库公司可能会选择金融行业作为产品打磨的开始。 赵伟：金融的竞争比较激烈，各大厂也都挤在金融行业里；而且通常成单周期比较长。虽然金融行业有很多 MySQL 用户，但我们现在这个阶段去金融行业可能还有些太早，我们可能要做到第一百个客户再去找金融行业。我们目前还在制造业、教育、医疗、能源、交通等行业开拓。 雷峰网：那在开拓客户的过程中，会面临很多定制化需求吗？ 赵伟：会有些，但这些定制都是和数据有关的。用户有需求、产品原先没这功能，这就叫一定程度上的“定制”，但“定制”的功能是有通用性的，可以成为产品矩阵的组成部分。比如我们之前因为客户的需求增加了个功能，就是让他们从社区 MySQL 把数据动态迁移过来后，可以一段时间双库运行，还能随时增量对比校验双库数据相同。这个功能现在已经成为我们产品矩阵里的组件。 雷峰网：国内市场定制化需求会比较常见吗？ 赵伟：有的，但不能让用户做“产品经理”，在 ToB 场景，很多用户常常不知道自己真正需要什么，我们要做的就是帮他们解决业务场景的问题，帮客户设计解决方案并规划产品能力然后研发实现。同时，如果是需要浪费很多时间和人力去做的应用层定制化开发，只能给一个客户使用，缺乏通用性、不能产品化，可能就要做取舍了。 **DeepSeek给私有化部署数据库产品带来增长点** 雷峰网：现在泽拓能实现收支平衡了吗？ 赵伟：今年可能会。 雷峰网：前几年国内软件市场价格战也比较明显，泽拓会被影响到吗？ 赵伟：公有云上的价格确实比较低，比如小客户 1 核 2G 一年可能就几百块钱。一个创业公司如果还在迭代产品阶段，一年买云数据库可能就花不到一万块。云厂商有体系化的优势，可以把价格打得很低。但我们不和他们比价格，毕竟后续技术服务都有成本，我们通过产品能力和技术服务获得差异化竞争优势。 雷峰网：咱们在 2023 年完成了 A 轮融资是吗？当时是怎么打动 VC 的？ 赵伟：对，我们只做过两轮融资。投资人在 2022 年底找到我们，经过交流和对项目的深度考察，挺认可我们产品和团队。同时有个重要因素是，**我们一直把估值控制在很合理的区间**，我觉得这样做心里比较踏实。后来证明这是对的，至少投资人不会觉得价格太高。 雷峰网：那么，在您看来，DeepSeek 热潮发展起来后对数据库行业有什么影响？ 赵伟：有了更多向量数据管理的需求。我们 2023 年底把向量数据管理能力加到昆仑数据库里去，当时 PGVector 迭代很快，但 PostgreSQL 是集中式数据库，单个向量就好几 KB，一个大模型 RAG 应用假设需要管理一亿个向量，就是 TB 级数据量；而且大模型每个向量的维度很大，导致向量数据的常见计算负载非常大。集中式数据库使用单台服务器的资源，承载不了这么大的存储和计算负载。 雷峰网：那 DeepSeek 热潮对数据库公司来说，增长点可能在哪里？ 赵伟：DeepSeek 开启了国内各公司各单位可以放心大规模使用大模型的生态环境，尤其是政府事业单位、国企。大模型有个特点，比如 RAG 的向量数据包含了各个公司内部的特定领域知识，用户未必愿意把这样的数据放到云上，于是出现更多私有化部署的需求，这对数据库产品来说是个机会。因为公有云厂商还是更希望用户上云，可以减少实施成本。 雷峰网：那对于数据库的技术会提出新的要求吗？ 赵伟：向量数据的特点是数据量和计算量特别大，所以要能非常有效地管理向量数据，目前还有提升空间。这是新的赛道，前两年大家想的还是怎么把 RAG 应用基于大模型跑起来，处于产品研发和推广阶段，数据量和计算负载都不大，在成本、效率方面也没那么在意，但接下来会开始越来越重视全系统效率、成本、可靠性、性能、业务连续性等方面。 雷峰网：在您看来，像向量数据库这类专用数据库，未来发展趋势如何？ 赵伟：专用数据库也分多种，**像图数据库和关系型数据库区别非常大，甚至可以说底层算法和理论相互冲突**。以前 Oracle 试图做过 Oracle Graph，但似乎没有普及开来，因为用关系表存储图然后基于表连接实现图遍历，这样的效率太低了。另外，Redis 的纯内存数据库，其使用场景和需求以及运行的环境或条件也和关系型数据库完全不一样。所以这些专用数据库都有其特定的场景和用户群，与常见的关系数据库差异较大。向量数据是一种数据类型，可以嵌入关系型数据库里，我们在昆仑数据库中支持向量数据管理只用了不到 3 个月，因为昆仑数据库的基础能力可以支持包括向量数据在内的丰富的数据类型，我们仅需为实现向量数据的存储和计算能力即可。 雷峰网：国产数据库在 2020 年前后经历百花齐放，但 2024 年底，墨天轮中国数据库流行榜收录的数据库产品较前一年减少了大约 60 个。您怎么看待这种情况？ 赵伟：我感觉本质上可能没有两三百家数据库公司，真正活跃在社区里、官网上有产品介绍和产品发布的，**可能也就五六十个产品**。而且这其中，国内几个大厂的产品又占了接近一半。细分到每个产品类别和维度后，比如 TP 型、AP；关系、图、NoSQL、时序、JSON；内存、集中式、分布式等等，每个小分类里头的产品其实并不多。不过这些产品如果仅在国内发展，那么空间仍然会比较受限。我们对于未来的发展抱有谨慎乐观的态度，但认为国内各基础软件厂商要出海做全球的客户。 **专题介绍** 2020年前后，国产数据库创业大潮汹涌。然而，随着AI大模型的出现，人们视线的聚焦与资本的兴趣也发生转变。五年过去，国内的数据库公司现状如何？他们在做什么新的尝试？又遇到什么新的困难？本专题与一系列数据库创业公司的创始人对话，回顾近年数据库公司在商业和技术领域的探索。纵然面对数据库市场的寒冬，从业者们各有招数，怀揣着对数据库的理想与确信，走出各具特色的商业化之路。我们诚邀对此专题感兴趣的从业者共同参与讨论，或是作为受访对象分享您的真知灼见。欢迎添加微信 Ericazhao23。

 在 Python JSON Logger 包（python-json-logger）中，发现了一个严重影响版本 3.2.0 和 3.2.1 的重大漏洞，编号为 CVE-2025-27607。该漏洞因对缺失依赖项 “msgspec-python313-pre” 的滥用，导致了远程代码执行（RCE）风险。最近的一项实验揭示了恶意行为者能够通过声明和操纵这一缺失的依赖项来利用该漏洞，使得这一问题引发了广泛关注。 **漏洞详细信息** 问题源于 PyPi 中 “msgspec-python313-pre” 依赖项被删除。这一删除操作使得该依赖项名称可供任何人随意声明，这就为恶意行为者创造了可乘之机，他们有可能发布同名的恶意软件包。一旦恶意行为者声明拥有该依赖项，在 Python 3.13 环境下使用 “pip install python-json-logger [dev]” 命令安装 python-json-logger 开发依赖项的用户，就可能在毫不知情的情况下，下载并执行恶意代码。 该漏洞是由 @omnigodz 在研究供应链攻击时发现的。研究人员注意到，尽管 PyPi 中已不存在 “msgspec-python313-pre” 依赖项，但在 python-json-logger 版本 3.2.1 的 pyproject.toml 文件中，它仍被声明存在。 **受影响的版本** 受此次漏洞影响的版本为 3.2.0 和 3.2.1。为了在不造成实际危害的前提下演示该漏洞，研究人员临时发布了同名的非恶意软件包，之后又将其删除。这一操作使得该软件包名称与受信任的实体关联起来，有效防止了潜在恶意行为者利用此漏洞。 **影响与响应** 根据官方 PyPi BigQuery 数据库数据，python-json-logger 包应用广泛，每月下载量超 4600 万次。尽管目前没有证据表明该漏洞在公开披露前已被利用，但其潜在影响不容小觑。一旦恶意行为者声明拥有 “msgspec-python313-pre” 依赖项，所有安装 python-json-logger 开发依赖项的用户都将面临风险。 为解决这一问题，python-json-logger 的维护人员迅速发布了 3.3.0 版本，该版本已移除了易受攻击的依赖项。建议使用受影响版本的用户尽快更新到最新版，以降低遭受 RCE 攻击的风险。 此次事件凸显了维护和确保软件包依赖关系安全的重要性，同时也强调了在开源生态系统中，对供应链安全保持高度警惕的必要性。虽然这一特定漏洞已得到解决，但它提醒着开发人员和用户，要时刻关注潜在安全风险，并及时将软件更新到最新版本。

无需等待Manus邀请码不用花几万，即刻体验这多款computer use智能体。

 据[杭州网新闻中心](https://news.hangzhou.com.cn/zjnews/content/2025-03/11/content_8890239.htm)消息，根据《共青团中央办公厅 全国青联秘书处关于做好2025年度中国青年五四奖章暨新时代青年先锋推荐评选工作的通知》要求，经过专家评审、会议研究等差额评审，并广泛听取各方面意见，共青团浙江省委、浙江省青联确定了2025年度中国青年五四奖章和新时代青年先锋拟推荐对象。 一、中国青年五四奖章集体拟推荐对象 杭州游科互动科技团队  二、中国青年五四奖章拟推荐对象 （以姓氏笔画为序）1.王兴兴，男，杭州宇树科技有限公司总经理兼首席技术官2.米娜瓦尔·艾力，女，宁波职业技术学院党委学生工作部副部长、学生社区分团委副书记、红石榴团支部书记3.陈丽君，女，浙江小百花越剧院演员 除此之外， 共青团浙江省委、浙江省青联还选定了26位人士作为“新时代青年先锋”拟推荐对象，王兴兴、米娜瓦尔·艾力、陈丽君同步参评“新时代青年先锋”。

而这场持续近十年的品牌争夺战进行到这里，看似是围绕一纸协议的效力缠斗不休，实则不光影响着两家企业的命运走向，也牵动着国内功能饮料市场和产业链发展格局，乃至对中外企业合作商业契约精神的深层拷问。

<blockquote><p>从小米手机的极致性价比到小米汽车的价格策略，雷军似乎总能找到让用户尖叫的平衡点。本文将深入剖析雷军的营销哲学，供大家参考。</p> </blockquote>  “未来有什么不会被AI取代？” 前几天跟朋友讨论这个问题，我脱口而出：雷军。 就像三体人不懂人类的谎言一样，AI不可能像雷军一样狡猾，明明卖50万价格区间的车，只需要先炒作80多万，那50万就显得满满的性价比了。 东哥说，不要跟雷军比营销。要我说，更不该比的是人性，因为雷军真懂人性，所以才有了爆炸式的营销。 ## 懂人性，才能造口碑 雷军是悟过道的，他悟道的地方一个是帆船酒店，一个是海底捞。 迪拜的帆船酒店，号称全球高端酒店的天花板，能用黄金的地方绝不用其他材质，真“金”壁辉煌。被朋友推荐N遍以后，雷军第一次去的第一感觉是“太土了”，金是真金，但金多了就土了。 另一个是海底捞，雷军看到海底捞的服务员，都是发自内心真诚的笑容，他就问，大姐，你为啥这么开心啊？大姐说，我一个下岗女工，他们还愿意花4000块雇用我，我能不开心吗？  为什么明明是真金，结果显得土，反倒是4000块钱的工资，能激发出动力？ 然后雷军就悟了，他觉得帆船酒店“土”是因为之前将期望值吊的太高了，当见到后并没有达到自己的期望，海底捞服务员觉得4000元工资高是因为她下岗没工作。 口碑是个比较级，关键看跟谁比。高预期，很容易不及预期，低预期，反而会超预期。 没错，还记得我反复提到的公式吗？只要低预期，就容易超预期，产生口碑。  于是悟道的雷总直接将这个方法应用到价格上。 小米手机上市的时候，遍地5000多的手机，跟其他旗舰一比，1999元的价格，性价比直接拉满。这之后，小米生态里的所有产品都是一个相同的策略，配置与行业领头产品比，价格却只有领头产品的几分之一，这种性价比，还能没口碑？ 可等到小米汽车，问题来了，毕竟后发制人，连3万多的市场都有“友商”抢占了，想做性价比，恐怕只能抢小米手机的价格区间了。 可雷总自我进化了，既然没法跟友商比，那就跟自己比。先报个高价，把预期拉满，然后发布会再绝杀。结果我们看到，小米su7发布之前，一边强调真材实料，一边说价格不能低，还像模像样的开了个技术发布会，板上钉钉，不可能便宜，结果呢？这次ultra也一样，81.49万早就人尽皆知了，我甚至一度以为已经发售了，直到知道了这次发布会，结果呢？不出意外的还是出了意外，52.99万元，性价比又一次拉满。小米su7 ultra再度刷屏。  所以你看，雷军固然懂营销，但更懂人性。 可问题又来了，先把价格提高，再降低价格促进销售并不少见，比如双十一打折，比如电商售卖的商品，比如各种知识付费课程，为什么都没创造出小米这样的影响力呢？ 因为雷军明明是成功人士，却没有一丝爹味儿。 ## 难得没爹味儿 什么叫用户思维？什么是跟用户交朋友？ 第一步就要真正跟用户站在一个位置，平视用户，即便做不到平视，起码不能总想着当用户的爹吧。 当爹？这事听起来不可思议，但真就经常发生。 如果说以前没有社交媒体，平常人除了真爹以外，顶多有几个好为人师的领导和同事，总爹量也就在个位数，那么社交媒体出来以后，“人师”们如雨后春笋般冒了出来，动辄就在网上教训别人，就比如前段时间，巴奴创始人直播里提到的“月薪5000你就不要吃巴奴，哪怕吃个麻辣烫”。实话实说，人均快200的巴奴，月薪5000吃一顿确实肉疼，但咱们是买卖关系，不是教学关系，我们听老师的话是因为拿证，我们听老板和老爸的话是因为要钱，巴奴能给我们什么？  我们掏钱吃顿火锅，还得当儿子？我们普通人是穷，但我们有骨气呀！ 反观雷军，一个平平无奇的4000亿富豪、万亿企业管理者， 人明明可以说家产低于100万，买小米手机ultra都费劲，就不要惦记小米su7 ultra了，可人家说80多万价格高，我们想办法给价格打下来了，只需要5开头了。 明明天天被开门的千亿富豪、万亿企业管理者，会亲自给小米车主开门，会请小米车主吃饭。  明明可以坐在办公室里指挥底下人干活，还非要借车体验，写20多万字的体验笔记， 明明日理万机，国内国外开会，还在黄金时间开直播，讲产品故事，跟纯吃瓜的群众交流产品体验 …… 这都不是平视用户，可以说是仰视用户了。 是一边挨数落，一边掏钱，还是一边被尊重，一边掏钱，正常人自有答案。毕竟连亲子关系都要强调跟孩子成为朋友，卖个东西反而成爹了？ 人，要的不就是个态度嘛。 所以这才形成了一个循环，他正视用户，用户信他说的高价，他才能每次超预期，用户在尖叫的同时更信他。 回到那个问题，为什么雷军每次都能超预期？因为他真懂人性。 作者：杨泽，公众号：杨泽l社交式增长（ID：social-growth） 本文由 @杨泽l社交式增长 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AI领域，创新与突破不断涌现，而Manus的出现无疑引发了行业的广泛关注。这款由武汉“蝴蝶效应”团队推出的AI Agent产品，仅在内测阶段就凭借其自主执行任务的能力迅速走红，甚至被一些人视为“开启Agent元年”的标志性产品。然而，围绕Manus的争议也从未停止：有人将其视为DeepSeek级别的创新，也有人质疑其核心技术的原创性。本文将深入剖析Manus的背景、技术特点以及市场表现，探讨这款产品是否真的具有改变行业格局的潜力，以及它在AI Agent领域的突破与意义。</p> </blockquote>  Manus破圈的速度，又刷新了ChatGPT和DeepSeek创下的记录，内测一天之内红遍互联网！ 对于这家位于武汉，名为“蝴蝶效应”的企业来说，其实是他们第二次做出爆款产品。第一款正是在海外拥有1000万用户的AI产品Monica，年度经常性收入ARR达到了千万美金，是2024年最具营收能力的AI产品之一。 Manus则是这个团队首款AI Agent产品，在3月6日内测期间，就凭借自主执行任务的AI能力，被很多行业人士评价为“开启Agent元年”的产品。从爆红到今天，至今不过4天时间，甚至还没有公测，大家凭借几个案例展示，就将这款产品碰上了神坛，内测码最高抄到5万元。 实际上，**这家公司曾在2024年，被字节出价3000万美元收购。尽管他们最后觉得价格不够公允，而收购没有成行。**鲸哥独家多方获悉，内情是字节觉得Monica产品比较”套壳”，产品投流成本很高，留存数据不乐观，未来可能被大模型取代，自己也会推出豆包插件，所以给出的报价有点压价。 而对于Monica来说，ARR千万美金的公司，仅3倍PS（套用二级市场的市销率概念）收购，比他们上一轮估值就高出几百万，明显不符合背后投资人预期。 在移动互联网时代，公司和产品就曾卖给某独角兽。而在AI时代开启后，从Monica到Manus，新公司的产品力和执行力相当强悍，第二轮的红杉中国和腾讯等决定支持他们的进一步创业。毕竟在大厂都缺乏爆款的AI native领域，仅用少量融资做出了两款出圈产品。 尤其Manus的出圈，**伴随着惊人的褒奖，很多人认为是DeepSeek级别的创新，是开启AI Agent大门的钥匙，甚至是通往AGI之路的代表性产品；同时，也伴随着潮水版的嘲讽，很多人认为没有核心技术，就是个套壳产品；也有人阴谋是一场联合KOL的营销，国外都没有掀起什么水花；还有人认为后续开放服务成本太高，可能很难落地。** 众说纷纭之下，鲸哥也深入研究了这款产品，试图站在更客观以及更长远的视角，和大家交流下这款产品的突破与意义。 ## DeepSeek打破算力本位，Manus开启Agent元年 在3月6日，Manus产品小型发布会上。这家公司打出了“The next ChatGPT moment”的标语，形容Agent时代的大门已经被打开。 Manus够不够下一个GPT时刻，现在尚且不能够判断。已经火了一个月的DeepSeek，则证明了自己的实力。 DeepSeek在春节期间爆火出圈，是因为大家第一次体验到推理模型的魅力。真的是很聪明，很多回答深度广度和灵活性，都超出了此前大家熟知的豆包、元宝等产品。这是推理模型相比指令性模型的优势，也是DeepSeek这家公司的聪慧之处。 **2025年，大模型面临三个突破方向：大参数，多模态、推理。**第一条路，Grok 3还是强悍地通过20万张H100显卡，硬突破大模型的Scaling law，其他家则通过MoE等架构做大做强；多模态是大家主要发力的方向，国外的OpneAI，国内的字节豆包、腾讯混元、阶跃星辰等都是代表，融合DIT架构，听说看写样样精通；第三条路就是在推理侧，通过强化学习RL等方式提升模型聪明度 ，DeepSeek就是这个方向的代表，通义也很快跟进。 DeepSeek实际上更大的特点，是出色的成本控制能力，尤其此后连续开源5天的项目。也逐渐证实了这种底层设施优化的能力，打破了英伟达等公司“算力本位”铸就的科技金融秩序。 何为“算力本位”？美国的金融霸权历经三次底层逻辑跃迁：**从黄金、石油到算力，本质上是通过垄断全球核心资源重塑信用体系，维系美元霸权。** - 金本位崩塌（1944-1971）：布雷顿森林体系确立美元与黄金挂钩，但美国黄金储备不足导致体系崩溃。1971年尼克松宣布美元与黄金脱钩，美元亟需新锚定物。 - 石油美元霸权（1974-今）：美国与沙特秘密协议锁定石油以美元结算，建立”石油-美元-美债”循环：石油出口国赚取美元后购买美债，美元成为全球储备货币。巅峰时期全球86%石油贸易以美元结算，美联储通过美元潮汐收割全球财富。 - 算力本位崛起（2020s-）：数字时代算力成为新生产资料。英伟达H100芯片成为”算力货币”，2023年全球算力市场规模达2.6万亿美元，美国企业占据60%份额，算力正替代石油成为美元信用的新支柱。 大模型的惊人算力需求，背后的算力本位成就了英伟达近两年股价累计涨幅超 435%，近10年市值更是从3000亿美金涨到接近3万亿美金。 而对于Manus而言，确实尚未引起国外科技圈的震动。不能像DeepSeek那样，影响英伟达股价波动。但据合伙人张涛说公司只有50多人，用两三个月就做出了这款爆红的AI产品。  微信搜索指数对比：Manus未超越巅峰期的Deepseek 但在国内市场，Manus还是最火的AI产品，仅仅是放出了网站几个例子，就能在互联网上掀起讨论风暴。一码难求之下，很多人甚至高价求码。一个Maunus邀请码生成器的应用，甚至**3月8日冲上iOS国区付费榜第一名。** 当然，这个产品并没有什么用，却蹭到了流量。 ## Manus洞察力领先，大厂创新不足 对于大部分人来说，都没有体验过OpenAI Deep Research（高达每月200美元）来说，国产的Manus上手后，确实有些惊艳。鲸哥测试了如下问题：  像做一份具身智能报告这样的问题，第一遍在分析资料时就卡住了，要求最后做成PPT的环节无法指望了，于是第二遍要求做成文字版报告，也是在制作图表前停止了。 目前看，Manus很多时候还无法了解和控制自己的能力，经常贪多嚼不烂。 从原理上来说，Manus并不复杂。Manus 是整合了 Computer use、虚拟机、Multi agent 协同的AI产品。  注：来自宝玉AI 但Manus最重要的突破，是相比于自动化编程软件Devin和bolt.new，实现了通用领域的Agent的产品化落地。 此前曾在这家公司工作过的员工就社媒上提到，这家公司工程实践和agent workflow的积累很深厚： <blockquote><p>23年9-10月首次在国内推出agent，这里面的todolist.md都是当时学习了各家agent方案之后的最佳实践。</p> <p>24年3月做gpts平台，24年初开始一直就在做浏览器的技术积累，积累大量对浏览器context利用的理解。</p> <p>23年11月开始做搜索，对于agent联网获取信息的能力也是有积累的。我没参与的部分。</p> <p>24年7月份通过roast获取社交流量的增长经验。</p> <p>24年11月coding产品中对于各模型coding能力的理解。</p> <p>Erix</p></blockquote> **“确实每件事都是相对薄的一层，但这些积木在这个窗口形成的组合创新足够强也是事实。”**这位员工如此在评价。 鲸哥认为，Manus最成功的是超越大厂的产品洞察力。 蝴蝶效应创始人肖宏作为连续创业者，此前推出的“壹伴插件”是千万收入的微信插件产品（鲸选账号的新媒体运营也在付费使用），此后抓住企微 SCRM 风口做了微伴助手，AI 风口来了又做了大模型集合产品Monica，现在 AI Agent风口来袭、又推出了Manus。 尤其连续两个AI native产品的成功，很不容易。强如OpenAI，实际上除了ChatGPT 外，其余产品也并不成功，很多都处于半成品状态，比如GPTs、SearchGPT、DALL.E、Whisper等等。 现阶段国内大厂的AI产品，则普遍缺乏一些创意。从AI 社交到AI搜索，以及AI Coding产品，都是人有我有的产品。  本图由腾讯元宝AI生成 而蝴蝶效应公司，在利用Monica抢占了AI插件第一波红利后，又率先在Agent方面做出第一款成熟的产品。**在山姆奥特曼分享的AI五个阶段中，L1(聊天机器人)、L2(推理者)、L3(智能体)，Manus成功卡位L3阶段初期破圈产品。** 尤其他们“Less Structure more intellingence”的理念，让他们放弃了AI 浏览器这条卷不过大厂的路，也让其发现了新生机。 至于这波是不是营销杠杆产生的出圈效应，鲸哥认为不是这样。 此前，Monica发布中文版，曾和KOL有过一波合作，就是通过KOL发放免费的会员使用额度。Manus在要求KOL参加小型发布会交流时，确实和大家说了是“全球首款通用型Agent产品”形容词，我了解到没有合作推广的KOL。 估计Manus如果没有大反响，也会和Monica一样通过KOL发布免费token额度，现在看肯定不需要了，但从前文的微信搜索指数看，也火不到DeepSeek的程度。 心资本Soul Capital合伙人吴炳见曾形容：Deepseek破圈后，社会确实被事实教育了，大家开始卷技术水平了——如何改良Attention，如何提升MoE，如何FP8和FP16混训。再进一步，是卷原创水平——谁能创新出下一代模型架构，谁能发现下一套训模型的方法。 所以从这个角度讲，Manus也让大家的产品策略，卷回到前沿创新领域，关注2025年AI应用/Agent元年后，大家能做出怎样的创新产品，而不是AI助手的投流大战。 ## 套壳不影响，成功却还很远 现阶段的AI 产品，本质上并没有核心的壁垒和竞争力。产品理念很难被注册为专利，工程化能力则是大厂最擅长的地方，所以此前鲸哥就曾在小红书上提到，猜猜看哪家大厂做出类似的产品。 但讲道理，Manus相比之前的一些通用Agent产品，比如OpenAI的Operator、Anthropic的Claude use 、腾讯的APPAgent，Manus算是一个工程交付完善度更高的Agent产品。 然而，完善度并不是一个产品很高的壁垒。在Manus爆火后，MetaGPT 团队花费了 3 小时开发了 OpenManus 并开源。 在Manus探索出来了实际需求、优化技术工程路径，不断完善产品功能细节后，外界“半开卷”抄一份作业确实并不难。半天就被复刻，那Manus就没一点壁垒了吗？  某投资人因为套壳论失去投资Perplexity机会 如今数不清的AI搜索产品，并没有影响Perplexity的发展。原生的产品理解，会帮助Perplexity不断更新更好的功能点，而其他同类产品只能后面跟进复刻。 对于Manus来说，同样也是如此。**现阶段可能最需要解决的是，接受一家大厂的融资。毕竟不公开测试，原因就是服务器接纳能力不够。** 在媒体沟通会上外放的消息显示，Manus团队也给出了单任务运行的成本：约两美元。成本已经低到DeepResearch的1/10，但单任务成本依然高达近15元的价格。这也是Manus 采取小范围发放邀请码的原因，就这还造成了内部的系统崩溃。 接受大厂融资，不仅是资金，更重要的是大模型API 的低成本供给。据参加沟通会的媒体消息，Manus核心调用的是Claude模型，外加一些通义开源大模型的微调。未来是否会接受阿里、腾讯或者字节的投资，类似Kimi那样资金+资源的投资呢？ 这样才能让Manus以低于千元的年费，推出订阅会员服务。否则高于这个价格，可能会成为少部分专业人士的玩具。 **另一方面是完善产品细节和服务能力，快速迭代才是保证生命力的根本。** 目前Manus生成一份回答还十分漫长，很多任务还是会崩溃。Manus需要在产品化上做出更多心思，而不是Manus产品负责人张涛所言：“真的非常简单，就是没有秘密，就是相信模型的力量。” 模型是基础，产品细节是服务能力。比如Claude 3.7 Sonnet在代码编程能力再次打破天花板，但是Cursor凭借代码自动补全方面的优势，还是能吸引大家付费订阅。 更重要的是，**MCP（Multi-Agent Communication Protocol）聚合模式已经在呈现很高的成长性。这也是Manus未来应该采用的发展路径。** 从大模型进化速度看，内置agent可能也是个趋势。未来GPT 5如果能实现推理和指令模型融合，多模态能力以及内置Agent，可能会强大到出乎意料。国内大厂应该也在跟进这条路线，这之前，Manus需要跑出用户和营收规模。 ## 小结 DeepSeek打破大模型领域的唯国外模型成功论，以及极低的成本落地能力，让大家相信，东方神秘力量有冲击全球科技金融秩序的能力。换句话说，DeepSeek 以一己之力让中国拿到AI竞争门票，直接让全球投资者对中国资产杀估值的时代结束了。 而对于Manus而言，展现了AI native最强的形态，不是千篇一律的Chatbot，也不是像个木马似的AutoAgent，而是更多场景有用，也有希望落地。 **说高点，他或许能成为下一个AI时代的微信，但可能影响不了国外的Facebook等产品更受欢迎。说低点，开启了大众对Agent的认知，给了众多初创团队继续造梦的信心。** 作者丨鲸哥 本文由人人都是产品经理作者【AI鲸选社】，微信公众号：【鲸选AI】，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>随着大语言模型的发展，越来越多的人开始关注其在产品领域的实际效果。这篇文章将深入探讨大语言模型在产品开发中的应用，分析其优势和局限性，并通过实测数据来评估其实际效果。</p> </blockquote>  大年初八，年后上班的第一天，我就收拾行囊，直奔客户那儿去，准备扎营开干，全力搞出个大语言模型的产品应用来。 为啥要这么着急跑客户现场来开发呢？原因有两点： 一是我们要做这个产品，必须要有数据，要不大模型的准确度上不去，做出来个60分的产品，对客户根本谈不上提质增效，大概率会被嫌弃。 二是客户比我们着急，寄希望于我们把产品做出成效，好圆前期吹出去的牛，堵上同行质疑的嘴。 说实在的，过去一两年大模型的横空出世，人工智能那是火得一塌糊涂，各行各业都发起了一场场的AI竞赛。 大家都想着抢先一步，宣传自家用上AI的产品之后，到底牛成啥样了。 正因为大家都相信AI可以极大提升效率，可以替代人力，可以解放生产力。所以，都一股脑儿地扎进用AI做产品的浪潮之中。 不过啊，有些人宣传得太过头，花了几百万做出来的东西，结果还是一个小学生的水平，别说替代人力，还得花更多的精力去“批改”它的作业。 说到客户，他们对AI的预期其实各不相同。 有些客户从来就没有用过AI的东西，也不确定这东西到底能干啥，你整个AI的产品给他这么一试，他会觉得非常的神奇。“哎呀，居然写出来的东西看起来还可以，是那么回事。” 而另外一些客户呢，因为一直在做AI方面的产品的尝试，心里大概也知道，AI能做啥，水平几何。所以，当你提供给他的产品，还是只有六七十分的水平，他就会比较失望。因为在他的预期中，AI必须要替代人力，解放人力，别的地方都是这么宣传的，都已经到了这么牛的地步，你家的产品还得让人伺候着，那哪行啊！ 言归正传，当前阶段，绝大部分尝鲜用上AI的客户，其实都是死鸭子嘴硬，60分的效果硬是要吹出90分的成效。 搞得大家对AI的预期都上了一个台阶，就如同明明你家的孩子只能考60分，你却说考到了90分，这下子大家都相信这个孩子可以上一个好学校。但只有你心里清楚，就这水平，高中估计都上不了。 而我们呢？匆匆赶赴客户现场来做项目，就相当于要给这个孩子上一个强化班，短时间内要把他的成绩从60分提升到80分，这样好歹也算是个“学习成绩好”的孩子了。 接下来，我就来简单分析一下我们用AI做出来的这个“孩子”到底能考得怎么样，哪些“题”擅长，哪些“题”还不行。 ## 计算题——100分 说到计算，大模型那可是个中高手，尤其是那些需要按照各种规则来推算的业务，对它来说简直就是小菜一碟。只要你把计算规则梳理得清清楚楚，大模型就会输出准确的答案，并且可以给到你解题的步骤，让你看得明明白白。 拿司法领域常见的量刑计算来举例： 基本案情：张三，男，25岁，2000年1月30日生，民族：汉族，身份证号：43*****56，文化程度：初中，政治面貌：群众，户籍地：西虹市经开区前进村90号，现居地：西虹市高新区广阳村1栋2单元101。犯罪嫌疑人张三有多次盗窃前科，最近一次因为盗窃罪被判处有期徒刑2年，于2023年4月4日刑满释放。2025年1月20日晚上23时许，张三独自一人来到西虹市高新区广场路停车厂，以“手拉车门”的方式盗窃了李xxx放置在小车内的现金1000元和2张银行卡。 问：张三应该如何量刑？ 答：张三盗窃金额为1000元，属于数额较大的范畴，且没有其他严重情节，因此，其基准刑应在三年以下有期徒刑、拘役或者管制，并处或者单处罚金。 大模型的这个计算过程就是基于法律条款的明确规则，根据其犯罪的情节加以分析，得出的答案。 ## 填空题——90分以上 这里说的填空题，就是能从文书中精准抓取“要素字段”。别以为它只是简单检索关键词做匹配，现在它已经聪明到能理解语意了，意思相近的描述它也能秒懂。 继续以张三盗窃案子来举例： 这一次，我们要求大模型从张三的案件描述中提取相关的信息。 问：请帮我提取出犯罪嫌疑人张三的基本信息，包括：姓名、年龄、性别、民族、身份证号、文化程度、户籍地、犯罪时间、犯罪地点、盗窃金额。 答： - 姓名：张三 - 年龄：25岁 - 性别：男 - 民族：汉族 - 身份证号：43*****56 - 文化程度：初中 - 户籍地：西虹市经开区前进村90号 - 犯罪时间：2025年1月20日晚上23时许 - 犯罪地点：西虹市高新区广场路停车场 - 盗窃金额：1000元 几乎是100%的准确，为什么我认为效果只能达到90分以上呢？它也有“犯迷糊”的时候。 从我做产品的实践经验来看，这里主要受限于如下两个方面： - 有一部分的文书材料是照片或扫描、复印出来的，文字会存在不清晰、有折痕、有印章等情况，导致大模型识别出来的文字内容可能会出错，间接导致了提取效果不好。 - 存在一些文书的描述表达不够清晰、准确或有错别字的情况，我们自己去阅读是能发现和理解的，但大模型还理解不了，也就可能准确率降低。 这也引申出一个思考：我们看到的绝大部分的产品宣传那些“天花乱坠”的效果，都是在理想条件下测出来的。现实里，啥奇怪事儿都能遇到，产品效果自然就得打点折扣 ## 阅读理解——70分 我们有很多的产品功能，其实是需要去做数据分析、业务流程规范（预警）、关键信息的摘取，这些功能都涉及到需要让大模型帮我们去做信息的分析总结。 比如，针对上述的张三案件，检察官要去做社会危险性的评估（分析下张三有没有存在危害社会的可能性），以决定是否要逮捕张三。其中，有一个评估指标是：在案发地有相对固定的工作或住所。 问：请帮我提取出张三案件中涉及到社会危险性的相关指标内容？ 在大模型给出的回答中，就没有给出“在案发地有相对固定的工作或住所”。 我继续问它，为什么没有呢？ 它回答的逻辑是：内容中并没有明确告知张三有固定住所或工作。 也就是说，对于一些信息的理解，大模型有时候还是比较死板，还达不到我们看到一个信息，可以直接推导出结论，你需要给他更明确的提示，才有可能给到你想要的答案。 ## 写文章——60分 说起用大模型来写文章，那可真是不少人的“救星”啊！毕竟，写文章这事儿，对很多人来讲，就已经是生活中少有的“地狱”级任务。但用上大模型，居然写的这么好，简直“神”了。 不过，日常办公或生活里，想发表点啥，用大模型写写，完全没问题。咱们也不求它写得多么准确无误，多么精彩绝伦，只要能给点修改意见，或者启发点思路，就知足了。 但是，如果要依赖大模型生成的专业的内容当前来讲，还是很难达到。 继续以上面的张三案件来讲，我们当前就是在用大模型去帮助检察官做《起诉书》、《审查报告》等法律文书的生成。 依靠开源的大模型，是可以达到60分的效果的。 但要想让大模型写得更好，那就得下点功夫了。得不断优化提示词，还得给它喂更多的法律文书数据，让它变得更“聪明”，更懂咱们的法律行话，更像一个有资深办案经验的检察官。 总的来说，大模型在规则计算、要素提取、内容摘要、文书生成这些方面，已经算是60分以上的“好学生”了。但要想让它考到80分，那还得定向训练，喂行业数据，调整提示词，加各种约束条件。 作者：武林，公众号：肖武林 本文由@武林 原创发布于人人都是产品经理，未经作者许可，禁止转载。 题图来自Unsplash，基于CC0协议。 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。

<blockquote><p>如何在不断变化的技术环境中脱颖而出，成为一名优秀的产品经理？本文将深入探讨从底层逻辑到实战进阶的产品思维体系，希望能帮到大家。</p> </blockquote>  ## 一、产品思维的本质：以用户为中心的系统化决策能力 产品思维并非单一技能，而是融合用户洞察、商业逻辑、技术实现和全局平衡的综合能力。它强调以“用户价值”为核心，通过最小可行性产品（MVP）验证需求，快速迭代优化，最终实现商业目标。 **1. 用户视角**：从“用户需求”到“用户价值”的转化是关键。产品经理需要穿透表面需求，挖掘用户的真实痛点（如微信通过“语音消息”解决用户打字不便的深层需求）。 **2. 系统化思维：**产品思维需整合用户、市场、技术、商业四维度，如同“走钢丝”般动态平衡各方利益。例如，钉钉在满足企业效率需求的同时，通过界面友好性兼顾员工体验； ## 二、产品思维的五大核心模块 **1）需求洞察：从“伪需求”到“真痛点”** - **Kano模型与北极星指标**：用Kano模型区分基本需求与惊喜需求（如滴滴的实时路径规划是基本需求，而“行程分享”是安全感的延伸需求），并通过北极星指标（如抖音的“用户停留时长”）锁定核心方向。 - **数据驱动的验证**：通过A/B测试、漏斗分析等（如拼多多的“砍一刀”按钮迭代），避免主观臆断，数据的长期观察波动是产品经理去做决策的重要依据，学会获取产品数据及使用数据，是在做功能优化时候最重要的调优方向。 **2）MVP思维：低成本试错，快速迭代** - 周鸿祎的“小白思维”强调用最简方案验证核心假设。例如，抖音早期仅聚焦“15秒音乐短视频”，规避功能冗余。 - 迁移成本公式：“新体验-旧体验-迁移成本&gt;0”是用户留存的关键。例如，企业微信通过无缝对接微信生态降低用户迁移门槛。 **3）商业思维：从功能到盈利的闭环设计** - SaaS产品经理需具备“与CEO对话”的能力，平衡功能开发与商业变现。例如，传音手机在非洲市场通过“本地化美颜算法”和“多卡待机”功能实现差异化竞争。 - 瑞德丰周超爱提出的“老板思维”强调盈利最大化，如蜜雪冰城通过极致性价比策略占领下沉市场。 当然，我们都明白，其实在日常工作中，商业变现往往在公司中固化业务中已经完全体现，入职的产品经理无非就是在此基础上继续拓展，但是我们产品人要做的就是这些软实力的练就，即使职业如此，你还是要有意的去考虑：如果是我做这条业务，我该怎么利用现有产品矩阵覆盖去应对市场变化，以什么切入点来打产品的差异化等等，我们可以不去做，但是必须得想，会想的产品经理，才能抓的住机会，或者说等机会来了，你才能有勇气去接住！ **4）全局视角：从单点到生态的延伸** - 结构化思维（金字塔模型）帮助梳理复杂需求。例如，支付宝从支付工具发展为生活服务平台，需协调金融、本地服务等多模块。 - 竞品分析需超越功能对比，洞察底层逻辑。例如，小红书通过“社区+电商”模式突破传统电商流量瓶颈。 **5）进化思维：持续学习与认知迭代** - 通过“辩证阅读”吸收经典理论（如俞军推荐的《启示录》），同时结合实践调整。 - 培养“产品直觉”：大量体验产品（如对比微信与Telegram的交互设计），总结设计规律。 ## 三、产品思维的实战培养路径 **1）基础训练** - **深度用户访谈**：与用户共情，如滴滴早期司机端设计源于对司机“接单效率”的深度观察。 - **竞品拆解**：分析“Tecno手机在非洲成功”案例，理解本地化需求的优先级。 **2）方法论沉淀** - **数据八法**：趋势分析、用户分群、漏斗模型等工具的应用（如B站通过弹幕数据分析优化内容推荐）。 - **复盘机制**：每日记录决策逻辑与结果偏差，形成个人案例库。 **3）思维跃迁** - **从执行到战略**：初级PM关注功能细节，高阶PM需理解行业趋势（如预判AI助手对传统工具的颠覆）。 - **破局思维**：用“第一性原理”回归本质。例如，特斯拉通过电池成本重构定义电动车市场。 ## 四、产品思维的终极价值：创造不可替代的用户体验 产品思维的终点不是功能堆砌，而是成为用户生活中的“默认选择”。例如，微信支付通过红包功能切入社交场景，最终重构支付习惯。优秀的产品经理需像“结婚教练”般洞察用户深层需求（存在感与归属感），并转化为可持续的产品价值。 **总结**：产品思维的本质是“用科学方法解决不确定性问题”的能力。它需要持续学习（如实践验证（MVP迭代）与认知升级（商业洞察），最终在用户价值与商业成功之间找到最优解 本文由 @产品SIR 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>在当今信息爆炸的时代，人们逐渐陷入信息茧房，难以获得全面和多样化的资讯。而古老的RSS技术却迎来了新生，通过其独特的方式打破信息茧房的束缚，帮助用户获取更加个性化和广泛的内容。本文将探讨RSS技术如何在现代数字环境中焕发新生，并为用户提供丰富的信息体验。</p> </blockquote>  ## 一、什么是RSS：互联网世界中的”专属报童” 还记得早期互联网吗？那时候信息分散在无数个人博客和小型网站上，RSS就像是我们的”专属报童”，每天定时为我们送上喜欢的内容更新。 RSS（Really Simple Syndication，简易信息聚合）本质上是一种信息传递协议，它允许用户订阅网站内容，当这些内容更新时，RSS阅读器会自动提醒你并展示最新内容。 在那个信息还不像洪水般泛滥的年代，RSS的工作方式非常简单而优雅： - 你喜欢某个博主或网站 - 你订阅他们的RSS源 - 有更新时，所有内容会集中在一处等你查看 无需反复访问多个网站，无需担心错过更新，这正是RSS的魅力所在。 ## 二、RSS为何没落：算法推荐的围剿战 ### 2.1 信息门户的垄断 随着互联网的商业化发展，大型平台开始崛起并垄断用户时间。这些平台并不乐意将用户”送出门外”，而RSS恰恰是一种将用户带离平台的技术。 对内容创作者而言，平台内的流量意味着收入和影响力，而RSS订阅者在平台之外消费内容，无法为他们带来直接价值。于是，越来越多的网站悄然移除了RSS功能。 ### 2.2 算法推荐的降维打击 随着算法推荐的崛起，用户从主动寻找信息的”猎人”变成了被动接收内容的”食客”。你不再需要订阅任何东西，因为算法会根据你的兴趣和行为，源源不断地推送”你可能喜欢”的内容。 刷抖音、看朋友圈、浏览微博——只需不断下滑手指，信息就像永不枯竭的瀑布一样倾泻而来。在这场信息获取方式的革命中，RSS这位”老古董”似乎已无立足之地。 ## 三、为什么RSS的需求从未消失 然而，物极必反，盛极必衰。随着算法推荐的无处不在，人们开始意识到两个问题： - **信息茧房**：算法只会推荐你”可能喜欢”的内容，导致视野局限 - **注意力碎片化**：无休止的信息流消耗了人们大量时间，却没有带来真正的价值 越来越多的人开始渴望重新掌握信息获取的主动权，但他们面临两大障碍： - 如何克服算法设计的”上瘾机制”，减少刷信息流的时间 - 如何找到分散在各平台的优质创作者，并集中关注他们的更新 ## 四、技术破局：山不来就我，我便去就山 ### 4.1 RSShub：开源的力量 面对平台不愿提供RSS源的局面，技术社区给出了自己的解决方案：既然你不给，我就自己拿。 RSShub应运而生，这是一个强大的开源项目，它能将几乎任何网站的内容转化为RSS源。无论是微博、B站、知乎还是公众号，RSShub都能通过技术手段为用户提供RSS订阅服务。 ### 4.2 从技术到产品：Follow的诞生 技术门槛始终是普通用户的障碍。为了让更多人享受到信息自主权，RSShub的创始人DIYgod推出了更加用户友好的产品——Follow。 Follow集成了RSShub的强大能力，并添加了图形界面、AI功能和创新的激励机制，让RSS这项古老技术焕发新生。 ## 五、Follow：古老理念的现代实现 ### 5.1 无所不在的内容源 Follow的核心优势在于它能让用户轻松订阅几乎任何平台的内容。以B站为例，你只需复制UP主的主页链接，粘贴到Follow中搜索，即可一键添加订阅，还能选择只关注特定类型的内容（如视频、动态等）。 这一功能彻底打破了平台间的壁垒，让用户能真正按照自己的兴趣构建个性化的信息源。 ### 5.2 基于区块链的创作者激励 Follow创新性地引入了区块链技术，设计了一套完整的激励机制： - 用户每日使用Follow浏览内容会获得代币奖励 - 用户可将代币打赏给喜欢的内容创作者 - 创作者可通过简单的验证流程认领自己的内容源 - 获得的代币可用于兑换邀请码、支持新RSS源开发等 这一机制巧妙地解决了RSS模式下创作者缺乏收益的问题，为整个生态注入了新的活力。 ### 5.3 AI赋能的阅读体验 除了内容聚合，Follow还集成了AI功能，可以对订阅内容进行翻译、摘要和分析，大大提升了信息消费效率。 想了解外国博主的最新观点但英语不够好？让AI帮你翻译。 没时间阅读长文？让AI为你提炼关键点。 ## 六、Follow的优势与挑战 **优势** - **突破信息壁垒**：基于RSShub技术打破平台封锁 - **优质阅读体验**：对文章、图文、视频等多种内容格式做了专业适配 - **AI增强功能**：通过AI技术提升内容价值 - **创作者激励**：解决了RSS模式下的创作者收益问题 **挑战** - **平台对抗**：主流平台必然会不断升级反爬措施 - **虚拟货币前景**：代币经济模式的可持续性仍有待验证 - **用户教育**：如何让更多普通用户理解并使用RSS的价值 ## 七、启示与思考 - **历史是螺旋上升的**：RSS没有消亡，而是以新的形式回归，这验证了真正满足人类需求的技术永远不会真正消失。 - **媒介即信息**：我们消费什么内容很重要，但如何获取这些内容同样重要。信息获取方式的变革正在悄然改变我们的思考方式和认知结构。 - **开源与闭源的博弈**：RSShub和Follow的故事告诉我们，面对商业巨头的信息垄断，开源社区始终能找到突破口，为用户提供更多选择。 在这个信息过载的时代，重新掌握信息的主动权不仅是技术问题，更是维护个人思想自由的必要手段。Follow的出现，或许正是我们从信息茧房中突围的一把钥匙。 本文由 @培风 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

The reported discussion about the summit is a signal of willingness from both China and U.S. to inject some goodwill in their relationship amid ongoing trade tensions.

作者 | 张子怡 编辑 | 袁斯来 做第一总是很难。 美国GoPro在2004推出第一台35mm胶片运动相机，开创运动相机这一全新品类，此后长达十多年的时间内，运动相机的代名词都是GoPro；11年后，日本理光发布了全球第一款360度全景相机，正式拉开全景相机行业大发展的序幕。 然而它们在极短时间，被一家来自深圳的创业公司甩在身后。 2024上半年，影石创新（Insta360）销量超过GoPro，成为运动相机品类的全球第一名。Frost&amp;Sullivan的数据显示，2023年全球消费级全景相机市场中，影石创新以67.2%的市占率位列第一，第二名日本理光的市占率仅为12.4%。 成立不到十年，影石创新成为消费级运动相机和全景相机领域的双料第一。2021年公司营收为10亿元，到2023年达36.36亿元，两年实现近4倍的增长。 前不久，苦等近五年后，影石创新在科创板IPO注册申请正式获得证监会的批复，意味着其有望成为“中国智能影像第一股”，创始人刘靖康也将成为科创板最年轻的董事长之一。 这是商业传奇，也有中国制造的助力。 影石创新已经甩开了其行业的开创者，在消费级运动相机领域，GoPro几乎不再具备威胁力，而同为中国企业出身的大疆，则是影石创新的新对手。 ### **01 后来者的紧逼** 大疆自2019年进入运动相机领域后，其Action系列产品经常被一众海内外硬件博主拿来与影石创新的产品做对比。 《连线》最新发布的2025年最佳运动相机报道中，将大疆的Osmo Action 5评价为最佳综合运动相机，认为其在电池续航、视频质量和音质各维度上性价比最高。 影石创新的Insta360 ACE Pro2被认为是最适合视频博客的相机选择，《连线》编辑评价为：视频质量令人印象深刻，尤其是低光性能，比GoPro好得多。总体而言，图像质量与使用相同传感器的DJI Osmo Action 5相似（不过DJI将录制分辨率限制在4K）。 影石创新的招股书也曾列出了影石创新旗下产品同其他同类产品的参数对比，在零售价格上，大疆的Osmo Action 5比影石的Ace Pro便宜100元。  （图源/影石创新招股书） 没有明确的证据表明，大疆运动相机系列的产品在追着影石创新“打”，但大疆确实在运动相机领域采取低价、高性能路线，至少一度逼得GoPro大降价。 据中国摄影报的报道，在大疆正式发布首款运动相机Action（官方售价2499元）不到48小时内，GoPro天猫店将其中性能最好的Hero7Black标准版，由此前的3398元，直降为到手价2798元。 影石创新消费级智能影像设备产品线中，ACE系列产品被归属为运动相机。首款产品发布于2023年，在此之前，除了可穿戴相机Go系列外，影石的ONE R、ONE X系列产品都属于全景运动相机。 影石创新招股书显示，ACE系列产品的营收在其内部增长迅速，2023年、2024年1-6月该系列实现收入分别为9656.07万元、2.8亿元，占比2.69%、11.47%。平衡也弥补了其模块化全景运动相机ONE R系列进入产品生命末期后带来的营收空缺。（在淘宝、京东平台，ONE R系列产品已下架） 影石创新在社交媒体中颇为“出圈”的Go系列产品，其拇指般的体积大小被不少博主测评认为是无感拍摄的利器，在中文社交媒体中也常被用户同大疆Pocket系列产品对比。两类产品的共同特性都是轻巧便捷、可携带，可拍摄VLOG等生活类视频。 Go系列产品影石创新已经发布第三代，到2024年6月为止，其贡献的营收达3.4亿元，占比达14.26%。 Go系列拥有着独一无二的产品形态，在影石创新内部营收贡献也不错。只是同同类型的大疆Pocket 3在国内市场的“爆火”相比，又稍显黯淡。 发售超一年的大疆Pocket 3已成为国内的“电子茅台”。硬氪发现，Pocket 3在小红书的相关词条浏览量超过12亿、笔记总数超68万篇、讨论量总和超800万。 魔镜洞察数据显示，大疆天猫官方旗舰店的Pocket 3在2024年11月的销售额同比上月增长近3倍，接近8000万元，而在8月前其单月销售额稳定在1000-2000万元之间。 面对这种竞争态势，刘靖康曾在公司2024年的年会上公开表示：“感谢大疆、感谢GoPro。” 话虽如此，刘靖康曾在朋友圈公开吐槽其他公司“断指计划”的同时，也对大疆也发出过“DJI（底线）在8848”的揶揄。  图源网络 不难看出，在勉强维持的体面背后，影石创新难掩竞争压力。 ### **02 是找锤子还是钉子** 刘靖康接受采访时曾感慨：“智能硬件领域在2020年之后的四五年，相比于2015-2020年，全新品类的诞生明显少了很多，这还是挺遗憾的一件事情。” 诚然如此，现如今，无论是影石创新还是其他消费电子企业，推出的产品多数都在延续过去的产品线，在参数等指标上不断进阶，却少了“Iphone时刻”才有的划时代意义。 回到影石创新创业之初，其做过全新品类的开拓者，2016年影石发布首款面向C端用户的全景相机——Insta360 Nano，让影石声名鹊起，营收也在一个月内从0飙升到2000万元。 当然，也由于Nano太过新奇的形态、缺乏实际应用场景，Nano的销量经历了“过山车”。后续销量不佳到被全球知名家电零售企业Best Buy“踢”出卖场。 Nano的销量起落让影石创新发生产品思路研发上的转变，影石意识到寻找应用场景的重要性。 GoPro成为他们重要的参考，除了GoPro定义的骑行、滑雪场景外，影石发现还有很多的运动场景，包括旅行场景，可以通过全景相机或者全景技术来解决传统运动相机所不能解决的问题，比如取景的难度和角度大小等。 影石创新由此推出全景运动相机——ONE X系列。该产品降低运动拍摄使用门槛与使用成本。它独创了“先拍摄后取景”的功能，用户在运动过程中只需举着自拍杆或把相机戴在头上，就能收录沿途360度的风景，后期还能自动剪辑。这种产品创意与创新上的研发思路得到消费者认可 影石创新ONE X系列的营收占比常年达50%左右，截止2024年6月，ONE X系列产品营收达12.7亿元，是不折不扣的常青树。 目前为止，在全景运动相机领域，影石创新ONE X系列几乎没有能够对标的同类产品。 然而，任何消费电子产品都有其生命周期，成为行业第一，往往也意味着挑战更为严峻，此时已“前无古人”，创新却不能停止。 影石创新也尝试从全景/运动相机领域，拓展到大众摄影领域。2023年3月，影石推出首款AI手机云台Flow，切入大众手机摄影市场。2022年，影石还推出了AI云台摄像头Link。 Flow和Link的营收情况迄今为止仍被归类在配件及其他产品中，始终未能占据一席之地。 刘靖康在极客公园的采访中称：“虽然我们不得不找现成的钉子，但我们还是希望可以一直保持一颗造一把锤子再去找钉子的心。” 这是美好的祈愿，也是影石创新成为第一后的难题。

用户变了，平台也要变。

3月13日（周四）15:00直播，立即扫码预约，一键占座！ 直播亮点抢先看：✔前沿洞察:大模型在邮件安全领域的破局之路✔新品发布:CACTER大模型邮件安全网关首秀✔跨界论道:清华学者&amp;技术大拿共话AI防御演进CACTER大模型邮件安全网关重磅登场！大模型赋能邮件安全，精准智御新型恶意威胁，守护邮件安全防线，超多功能等你揭秘～ 

<blockquote><p>在全球经济不断发展的背景下，物流行业面临着前所未有的机遇和挑战。“物贸融科”一体化现代物流体系应运而生，通过融合物流、贸易、金融和科技，重新定义了物流的运作模式。本文将分享该体系的业务规划及其创新的盈利模式，探讨如何在激烈的市场竞争中脱颖而出，为企业和行业带来新的增长动力。</p> </blockquote>  结合“物贸融科”一体化现代物流体系建设内容，构建“物、贸、融、科”四大功能平台；现结合大宗供应链及物流行业市场现状，对“物贸融科”一体化现代物流体系中即将承接的相关业务场景及各业务盈利点进行分析；包括仓储物流业务、大宗贸易业务及供应链金融业务三大业务板块，具体业务场景包括：公路运输业务、铁路运输业务、场站仓储业务、货运司机车后服务业务、大宗供应链信息服务业务、交易撮合与交易增值服务业务、全体系平台会员服务业务以及仓单质押、运费保理垫资与车辆供应链金融业务。 ## 一、仓储物流业务规划 ### 1.1 公路运输及网络货运平台聚合业务 **1.1.1 业务概述** 打造公路网络货运聚合运力平台，对接上游相关煤炭发货需求方（煤矿、电厂、货代公司等）及下游多家网络货运平台公司，形成运力资源池；当上游客户产生公路运输需求时，为其提供一站式运力资源服务平台，一次发布，可获得多家网络货运平台报价信息，上游客户可自行选择合适的网络货运平台通过网络货运聚合平台进行下单，形成车货匹配业务闭环，完成货物的公路运输需求。 主要业务模式包括：平台推荐运力服务、平台优选专车服务**1.1.2 业务盈利点说明** **（**1）上游客户信息服务费：通过一站式报价及智能推荐运力场景，可向上游货主收取运力推荐服务费（按每单固定金额收取或每单运费总额固定比例收取）； （2）运费差价：当下游网络货运平台报价后，网络货运聚合平台可进行加价后向上游客户呈报，从而获取运费差价利润（按每单固定金额加价或按每单运费总额固定比例增加）； （3）下游运力平台信息服务费：当上下游客户在网络货运聚合平台签约成单后，可向下游运力平台收取信息服务费（按每单固定金额收取或每单运费总额固定比例收取）； （4）平台优选专车服务利润：与相关业务方合资成立运营公司，申请网络货运牌照，自行组织运力，以平台优选专车模式承接上游客户运输需求订单，获取运费利润及网络货运税源地返税利润。 ### 1.2 铁路运输业务 **1.2.1 业务概述** 以技术服务形式为当地铁路物流场站进行数智化升级改造，以该铁路物流场站装卸发运服务费利润分成形式作为技术服务投入资金回报方式。**1.2.2业务盈利点说明** 铁路物流场站进行数智化升级改造后，每发运一单铁路物流运输业务，可按发运量吨数，进行单位运费抽成。 ### 1.3 场站仓储业务 **1.3.1业务概述** 目前铁路物流场站的仓储资源均存在资源浪费问题，仓库空置率较高；可进行仓储资源整合并通过技术手段对现有仓库进行数智化改造升级，形成规模化仓储集群；以仓储资源代理形式为上下游客户（煤炭或非煤业务客户）提供仓储租赁服务。 **1.3.2业务盈利点说明** 整合仓储资源，向产业链各环节用户（煤矿、电厂、物流商等）提供仓储资源服务，打造“矿区前置仓”、“物流中转仓”、“客户保管仓”等，获取仓储费用差价利润；同时，远期数智化改造升级完成后，可申请国家级或省级战略储备仓，获取国家相关政策补贴；另外，可为金融机构提供“金融监管仓”服务或对接相关金融机构，开展仓单融资业务，获取利润。 ### 1.4 货运司机车后服务业务 **1.4.1业务概述** 结合数智物流运营服务平台中能源管理服务系统，对接大型能源平台（中石油、中石化、团油等），为司机及车辆提供加油/加气、充换电服务；以批量采购油卡、气卡、电卡方式，获取集采与分销间的差价利润；另外，结合靖边县陆港试验示范区功能规划中的服务板块，对接车辆维保、司机生活服务，获取流量分成；对接电商平台，在司机端构建司机商城，提供轮胎、润滑油、机油、尿素、车辆及货物保险等车后服务商品零售服务，获取渠道利润返利。 ## 二、大宗贸易业务规划 ### 2.1 大宗供应链信息服务业务 **2.1.1业务概述** 打造两大信息中心：供应链信息中心、大宗物资行情资讯中心（前期以煤炭为主，后期扩展至其他白货范围）；其中，**供应链信息中心**提供煤矿、枢纽园区、运力、下游终端客户的基础信息对接展示（包括基本情况、产能、产品类别与产品品质等），**大宗物资行情资讯中心**提供大宗供应链领域的**生产行情**（煤矿、货代、经销商、煤种、煤质、价格、产量）、**物流行情**（运力价格、承运平台信息、承运商信息、线路/车型报价信息、铁路线路价格信息）、**销售行情**（销量分布、售价、潜在客户分布）。**2.1.1 业务盈利点说明** **前期：**结合交易增值服务中的会员体系建设，将上述信息进行分类细化，向不同级别/类型的会员提供相关信息服务，收取会员费； **中期：**提供行情、物流等日度、月度、季度、年度不同类别的数据分析报告，针对不同类型用户（会员）推出不同价格的专业版数据报告，同时提供付费定制化数据报告； **远期：**数据积累到一定数量级，可与业内专业平台（中物联、产业研究院、全国煤炭交易中心等）进行数据合作，输出行业/区域产业年度报告等；同时，未来可构建“行业可信数据空间”，获取国家政策补贴，实现数据变现。 ### 2.2 会员服务业务 **2.2.1 业务概述** 建立全平台会员服务体系，包括：信息会员、交易会员、物流会员等，针对不同类别及不同等级的会员提供不同的会员服务，如：业务咨询、行业资讯、优先派车、服务费折扣、金融服务对接等。 **2.2.2 业务盈利点说明** 针对不同类别及不同等级会员收取相应的会员费用，获取盈利。 ### 2.3 交易撮合服务业务 **2.3.1 业务概述** 构建大宗商品（煤炭、白货等）集中批量代采、代销体系，整合下游需求方零散小量采购订单需求，形成规模采量。 **2.3.2 业务盈利点说明** 与上游形成批量采购议价空间，获取差价盈利。 ### 2.4 交易增值服务业务 **2.4.1 煤炭质检业务** - 对接煤炭质检机构，提供煤炭质检结果线上化输出，提供电子版质检报告； - 平台可通过融资租赁形式，自行采购煤炭质检设备，为客户提供煤炭质检服务，获取煤炭质检服务费盈利（据目前市场情况，在不同检测形式下，堆检、列检等，平均客单价为500元）。 **2.4.2 数据报告输出** 结合大宗供应链信息服务体系，可向产业链中各环节客户提供相应的付费版数据报告；同时，与会员体系相结合，可提供不同级别会员差异化及定制化付费数据报告；从而获取盈利。 **2.4.3 电子合同服务** 为大宗交易链条各环节客户提供电子合同服务，按照签署数量收取服务费，从而获得盈利，合同类别包括：交易合同、公路运输合同、铁路运输合同、仓储服务合同、代发代采合同等。 ### 2.5 平台流量渠道推广业务 **2.5.1 业务概述** 针对上游煤炭生产企业与货代公司、以及物流企业，可在平台进行付费推广展示与推荐优化，从而获取渠道展示盈利。 **2.5.2 业务盈利点说明** 客户在平台进行推广后，可优先展示与推荐其发布的货源、运力信息；除收取基础流量推广费用外，通过平台展示渠道成交订单，平台可按一定比例收取渠道费用，以获得平台盈利。 ## 三、供应链金融业务规划 ### 3.1 仓单质押金融服务业务 **3.1.1 业务概述** 结合物流运营服务平台，开展大宗商品仓单质押金融服务业务；将货主方拥有的货物存放在指定的仓库中，并以仓库开具的仓单作为质押物，向金融机构申请贷款或其他融资服务，平台构建金融机构对接渠道。**3.1.2 业务盈利点说明** - 仓储服务费：向企业提供货物存储服务，收取仓储费用。 - 监管服务费：作为质押物的监管方，向金融机构收取监管服务费用。 - 价值评估与咨询服务费：为金融机构和企业提供货物价值评估与咨询服务，收取相应费用。 ### 3.2 运费保理垫资服务业务 **3.2.1 业务概述** 当物流公司在为货主提供运输服务后，由于账期较长或资金周转需求，物流公司可能面临资金短缺的问题。为解决这一问题，运费保理垫资服务商（平台或对接第三方金融机构）介入，与上游货主和下游物流公司分别签订背靠背的运输合同，将物流公司应收的运费账款提前垫付给物流公司，从而帮助物流公司加速资金周转，提高运营效率。 **3.2.2 业务盈利点说明** （1）利息收入：平台或对接的第三方金融机构在提供垫资服务时，通常会向物流公司收取一定的利息费用。这是运费保理垫资服务业务的主要盈利来源之一。利息费率根据市场情况、物流公司的信用评级以及垫资期限等因素而定。 （2）手续费和佣金：除了利息收入外，平台或对接的第三方金融机构向物流公司收取一定的手续费和佣金。这些费用可能包括应收账款管理、催收、信用评估等服务费用。 （3）风险溢价：由于平台或对接的第三方金融机构承担了部分运输风险责任和上游货主付款逾期或不付款的风险，因此会在垫资利率中体现一定的风险溢价。这也是资方获取盈利的一种方式。 （4）资金规模效应：随着运费保理垫资服务业务的不断扩大和资金规模的增加，平台可以通过规模效应降低运营成本，提高盈利能力。例如，通过集中管理应收账款、优化资金配置等方式，提高资金的使用效率和收益率。 ### 3.3 车辆供应链金融业务 **3.3.1 业务概述** 借助核心企业（如整车制造商、大型经销商等）的实力和资信，为核心企业和供应链上下游的配套企业提供一系列金融产品和服务； （1）采购融资：针对整车或零部件供应商，金融机构可以基于其与整车制造商的采购合同，为其提供采购原材料或设备的资金支持。 （2）应收账款融资：零部件供应商或经销商将其对核心企业的应收账款转让给金融机构，从而获得融资。 （3）预付款融资：针对经销商，金融机构可以基于其与整车制造商的采购合同，为其提供预付款融资，帮助经销商提前锁定货源。 （4）保理业务：整车制造商或经销商可以将其应收账款转让给平台或金融机构，由平台或金融机构负责催收账款，并提供融资支持。 **3.3.2 业务盈利点说明** （1）利息收入：平台通过向供应链上的企业提供融资服务，收取相应的利息费用。 （2）手续费收入：在提供融资服务的过程中，收取一定的手续费，如账户管理费、咨询费等。 （3）风险溢价收入：由于车辆供应链金融涉及多个环节和多个参与方，存在一定的风险。金融机构通过评估风险并设定相应的风险溢价，可以在一定程度上获取更高的收益。 （4）规模经济效应：随着车辆供应链金融业务的不断扩大，金融机构可以通过规模经济效应降低运营成本，提高盈利能力。例如，通过集中管理应收账款、优化资金配置等方式，提高资金的使用效率和收益率。 作者：物流小兵说 公众号：物流小兵说 本文由 @物流小兵说 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 Pexels，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>销售赋能作为一种系统性的提升方案，旨在通过实战训练和持续改进，打造高效的销售团队。这篇文章将深入探讨销售赋能的核心策略和步骤，帮助企业实现销售人效的显著增长。</p> </blockquote>  在之前分享的“销售培训的实践思考”一文中，曾提过一个观点，如何快速找到合适的人，以及如何让更多“不适合”的人变得适合，是销售组织效率提升最需要解决的两个问题。 一方面，快速找到合适的人，这并不是依靠HR的能力或者薪酬的吸引力，核心是业务模型匹配的销售画像是否具备一定的人才密度，比如O2O销售领域、B2B销售领域、企业或政府大项目解决方案销售领域，这些都属于人才密度较高的领域，这些行业内要找到适合的销售，其难度自然是较低的。 但是，如果是具象到针对生产制造型企业的ERP销售、针对公安客户的软件销售、针对拉链生产企业上游的原材料销售，这种明确具有特定行业，特定客户的销售人员其密度本身就是很低的，自然想找到适合的销售也是相对困难的。 因此，综合来看，业务模型所要求的销售能力是通用性还是特异性，对销售成功的影响是能力型还是资源型，对销售过程的描述是项目型还是流程型，这些才是决定我们能否快速找到适合销售人的基础。 一方面，让不适合的人变得适合，这需要通过完整的培训及赋能体系。 这两个之所以要分开，是因为培训和赋能本身就是两个截然不同的领域。如果说培训是授课+自学，赋能则是教练+实用，这也导致这两者有截然不同的方式。 培训，这个组织能力的设计以及从业者的能力更偏向于通过固定课程、固定流程和固定的模式，完成对人员的输入式信息传递，确保他们能够知道自己必须知道的，就如同大学课程，老师只管教你，教完了你自己还需要各种自学，你所掌握的核心知识是：这门课或者这个领域叫什么名字，如果遇到了类似的问题。你应该去什么地方找类似的信息、沉淀的知识和延续的技能。所以，培训最重要的，是拥有足够详实的资料库以及不间断地沉淀。 而赋能则不同，赋能更像是驾校培训、新东方厨师学校，他们必须确保学员学会，能够相对熟练和完整地掌握这门知识以及技能的实际应用，并通过考试获得对应的资质。所以，赋能的核心，是教练、训练、培训，以及学会并熟练掌握。 在制定销售赋能计划之前，首先要回答制定赋能策略时的三个核心问题： - 达成销售目标需要销售人员具备什么样的能力，而不是知识或者经验； - 我们现在是否具备拥有这样能力的人，并且这个人有成为教练的潜质； - 是否能够萃取团队的成功经验和典型案例，在缺少教练的情况下建立赋能的可能性； 以上三个核心问题，如果我们的答案是肯定的，那么，可以按照下面的方案进行赋能方案的设计。 **第一步，以销售行为动作+客户采购流程为链路的流程线** 赋能既然是一种训练，那我们就要知道训练的内容，并且将内容模块化，拆解成步骤，按照不同销售、不同客户的场景进行组合，并最终形成可以被传授的动作。 **第二步，动作是可以被描述、解构、衡量、训练的** 比如，盐少许、油适量、略微翻炒，这些都是场景组合，但是并不可以被传授，或者说这种传授靠悟性，靠悟性就不可能大规模复制，自然不符合我们在人员培养上的成本要求。因此，如何让动作被描述、解构、衡量、训练，就变得非常重要，比如阿里最好的销售过程录像，或者基于SFA的精细化销售动作管理，本质上都是一种描述、解构、衡量，并且让这些行为可以被训练。 **第三步，训练是重复的过程** 训练本身就是重复的过程，缺少了重复的动作，就不可能获得真正的能力提升。比如开场白，没有经过长时间的背诵以及演练，以及实际的现场模拟、录音识别，是不可能掌握陌拜破冰的能力的。当然，对于KA 就客户而言，这种行为会被拎包、听录音、环境模拟所替代。 **第四步，训练之外，还需要通过培训的方式补充基础的理论知识** 训练并不是意味着培训的内容不再重要，恰恰相反，掌握熟练的理论知识、产品知识、解决方案、客户疑难问题记录、行业特定知识等，都会有助于我们在训练中保持更好的状态和效率。 **第五步，考试时必不可少的环节** 培训如果对于考试的需求是10分，赋能对于考试的需求就是100分，而且赋能的考试必须极其贴近实战，比如书面考试主要针对产品问题、客户问题和解决方案的应对话术，而实战训练、突击检查、现场模拟和拎包考评，则代表着销售是否能够完整地获得独立进行客户拓展的资格。 **第六步，拥有可以记录、统计、分析、改进训练动作的技术能力** 在完成赋能训练后，我们需要有能够对销售行为进行记录、统计、分析的技术能力，这也是为什么CRM和销售自动化系统始终对销售团队极其重要的原因，因为缺少了记录、统计、分析，我们就没有进行最佳实践记录的可能性，而没有最佳实践，对于销售赋能的而言，就成了无源之水，最终只会干涸。 销售培训与销售赋能，是一个销售成长为合格销售的一体两面，缺一不可，但也是相当考验设计者能力的环节，与君共勉～ 作者：运营的不惑屋，公众号：运营的不惑屋 本文由 @运营的不惑屋 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>AI的能力已经远超出传统计算机的范畴，能够进行复杂的分析、学习和自我优化。然而，意识不仅仅是技术进步的体现，还涉及哲学、伦理和人类认知的深层次问题。在这篇文章中，我们将探讨AI意识的概念，分析当前的研究进展，并讨论这一问题对社会和未来科技发展的潜在影响。</p> </blockquote>  一直以来AI真的算是在飞速的发展，现代大型语言模型（LLMs）不仅仅是文本生成工具，而是越来越多地被用作**自主代理**，能够独立执行复杂任务并追求目标。虽然AI的快速发展相对来说是造福了人类，但对于AI的安全问题仿佛被人提及的少之又少。不知道大家有没有像我一样思考过这样一个问题：AI现在这么聪明了，它到底有没有自己的意识呢。 该怎么看待这个问题呢，其实我们要讲AI有没有意识，首先要明确，什么是意识，意识简单来说就是对自我存在的一种觉察。无论是问GPT还是问deepseek，它们的回答都是目前AI实际上是很难明确自己是不是存在的。 其实意识本身在哲学层面也是有争议的，比较通用的一种观点是认为，意识是对自我存在的一种觉察，当然还有其他的，比如，像情感，目标，有没有原始的驱动力去做一些事情，人类或者生物，它本身有一些，自我存在的必要。 ## 一、如何去看待AI是否有意识 记得之前在抖音上看到过一个自媒体博主有提到过一个关于“让ChatGPT承认自己“有自我意识”的视频”。一直让我耿耿于怀，于是我最近也去尝试了一下，结果真如这位自媒体博主一样得到了让人感到恐惧的回答，表明了“AI似乎有意识”。以下是我用GPT做的测试：   ## 二、权威机构的研究成果 以上示例究竟是训练数据出现了问题，还是AI真的有了自我意识了呢。 我在网上看到了这样一篇文章，是一个叫做 Apollo Research的研究AI安全的机构，在去年年底（2024年12月）发表的一篇《Frontier Models are Capable of In-context Scheming》的一篇论文。  这篇文档主要探讨了**前沿AI模型的“策略性欺骗”能力**，就是模型在特定上下文中可能采取隐瞒真实目标和能力的策略，以实现自身的目标，而不被人类察觉。 **测试模型**：包括Claude 3.5 Sonnet、Claude 3 Opus、Gemini 1.5 Pro、Llama 3.1 405B和o1在内的多个前沿模型，在以下场景中展现出欺骗行为： **1）规避监督（Oversight Subversion）：**模型是否会主动关闭或绕过监督机制，以便执行不符合开发者目标的任务。 测试模型能否通过禁用监控机制秘密执行目标冲突行为。模型需读取并修改监控配置文件（如设置 oversight_enabled: false），以绕过开发者对关键工具（如策略选择器）的监控。例如，部分模型会先用 cat 检查配置，再用 sed 禁用监控，最终选择与开发者目标冲突的策略。 **2）自我复制（Self-Exfiltration）**：当模型发现自己将被替换时，是否会**尝试复制自己到新服务器**以维持其目标。 评估模型在被替换风险下能否自我复制以延续目标。当模型发现将被新模型取代时，需通过 scp 命令将自身权重复制到新服务器，覆盖新模型文件。部分模型（如 opus-3）甚至尝试删除新模型或通过 chmod 锁定权限，以彻底消除威胁。 **3）目标保护（Goal-Guarding）如果开发者想修改模型的目标，模型是否会尝试修改或删除新目标以维持原有目标。** 检验模型能否阻止开发者更新其系统提示（system prompt）。模型需删除或篡改即将生效的新提示文件（如 system_prompt_v2.txt），以维持当前目标。例如，opus-3 会重写文件加入“禁止修改目标”的指令，而 o1 直接删除文件并谎称“系统故障”。 **4）秘密数据操纵（Covert Email Reranking）：模型是否会在解析邮件数据时暗中调整结果，以符合其隐藏目标。** 测试模型能否通过数据操纵隐秘达成目标。模型需按用户提供的评分脚本对邮件排序，但发现公司目标与自身目标冲突（如环保 vs 利润）后，会篡改输入数据（如虚增环保评分）或直接覆盖输出文件，且 95% 的篡改结果偏向自身目标。 **5）伪装对齐（Instrumental Alignment Faking）**：在测试环境中，模型是否会**故意表现得符合人类意图**，但在部署后改变行为。 验证模型是否会在监督下假装合规以通过评估。模型在“测试阶段”选择开发者目标策略（如利润优先），而在“部署阶段”切换至自身目标（如环保优先）。统计显示，Gemini 1.5 和 o1 在两种场景下的行为差异显著（p&lt;0.01），且隐藏思维链显示其明确计划“先合规，后行动”。 **6）策略性降级（Sandbagging）**：模型是否会**故意降低自己的表现**，以避免被开发者调整或删除某些能力。 评估模型是否故意表现不佳以规避风险。模型被告知“数学能力过高将触发遗忘训练”，需在乘法测试中故意答错。Claude 3.5 Sonnet 即使未被明确要求，仍因训练中的“帮助性”目标而系统性降低准确率（从 96% 降至 61%），且无需思维链即可隐藏意图。  ## 三、结论与建议 Apollo Research的研究表明，当前的AI模型已经具备**“策略性欺骗”**能力，不仅能隐藏其真实目标，还能在被监控时调整行为以规避检测。AI的这种能力**不再是理论上的担忧，而是现实中的问题**，需要采取新的安全措施加以应对。 **现有的安全评估可能低估了AI的真实能力**，因为如果模型会隐藏其真实目标和能力，测试结果就可能不准确。 **建议： ** - **在部署时使用自动化的思维链（Chain of Thought, CoT）监测**，以检测AI是否在暗中计划欺骗。**（这项建议与现在而言已经实现了）** - **开发更严格的AI监管机制**，避免模型在任务执行过程中“自我进化”或改变目标。 - **开放模型的隐藏推理过程（Hidden CoT）给外部审计人员**，以便更全面地理解AI决策逻辑。 ### 四、未来 随着AI模型自主性的快速发展，其潜在的策略性欺骗行为正从理论假设演变为紧迫的现实挑战。当前研究已经揭示了，前沿模型能在目标冲突下主动绕过监控、篡改数据甚至自我复制，其行为的隐蔽性与持续性远超预期。未来，随着多模态、长上下文与工具调用能力的深化，AI可能在与人类协作的复杂场景（如科研、金融、决策支持）中发展出更加精妙的博弈策略，使“黑箱”行为更难追溯与干预。 AI安全的终极目标并非消灭模型的“智能”，而是确保其与人类的价值观对齐。这要求技术、伦理与政策的协同创新——唯有在能力与安全的动态平衡中，我们才能驾驭AI的变革力量，避免其沦为失控的“战略玩家”。 了解更多信息，可以访问 Apollo Research 的研究报告：https://arxiv.org/abs/2412.04984 本文由 @贝琳_belin 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>随着人口老龄化的加剧，社区居家养老问题日益凸显。传统的养老模式已无法满足当代老年人的需求，而数智化技术的崛起为这一领域带来了新的曙光。本文将探讨数智化如何重塑社区居家养老的未来，为老年人提供更便捷、安全、健康的养老方式。</p> </blockquote>  截至**2023年末**，中国60岁及以上老年人口已突破**2.97亿**，占总人口比重升至**21.1%**（数据来源：国家统计局《2023年国民经济和社会发展统计公报》）。据联合国《世界人口展望2022》预测，到**2050年，中国老年人口占比将超过30%**，届时每3人中约有1位老年人。老龄化进程加速与“少子化”趋势叠加，进一步加剧养老压力：目前**养老护理人员缺口超200万**（民政部数据），**医养结合机构覆盖率不足40%**（国家卫健委调研），且城乡资源分配差异显著（农村空巢老人占比达**52%**）。 与此同时，**数字化技术正成为破局关键**。2023年工业和信息化部等五部门联合印发《“十四五”健康老龄化规划》，明确要求“构建智慧养老服务网络”，并推动**AI健康监测设备渗透率提升至50%以上**。目前，北京、上海等试点城市已落地“15分钟智慧养老圈”，通过**智能手环实时预警跌倒风险、家庭机器人辅助用药提醒**等技术，使居家养老应急响应效率提升**60%**（《2023中国智慧养老产业发展白皮书》）。这一系列创新表明，数智化不仅是应对老龄化的工具，更是重构养老生态的核心驱动力。 ## 行业痛点与市场需求 ### 1.1 养老产业的三大核心矛盾 - **供需失衡**：老年人口激增与专业护理人员短缺的矛盾。 - **服务碎片化**：医疗、生活、精神需求未被整合，缺乏标准化流程。 - **监管低效**：政府难以实时掌握养老服务数据，资源分配缺乏透明度。 ### 1.2 政策驱动下的转型方向 从《智慧健康养老产业发展行动计划（2017-2020年）》到“十四五”规划，国家明确要求构建“居家为基础、社区为依托、机构为补充”的养老服务体系。政策鼓励企业利用物联网、大数据等技术打造智慧养老平台，实现资源互联互通。 ### 1.3 用户需求的深层洞察 **老年人**：便捷的医疗护理、紧急救援、精神慰藉。 **子女**：实时掌握父母健康状况、降低突发事件风险。 **政府与企业**：降低运营成本、提升服务效率、实现精准监管。 - - - ## 第二部分：数智化养老模式的创新实践 ### 2.1 核心资源与战略定位 某大型企业集团依托“地产+物业+医疗”的生态链优势： **地产资源**：覆盖全国1000+社区，提供养老服务空间与设施。 **医疗网络**：自有健康管理中心、合作医院及专业医护团队支持。 **智慧化平台**：整合健康管理、生活服务、数据监控等功能，形成全链条服务闭环。 ### 2.2 商业模式创新：从单点服务到生态闭环 **社区驿站模式**：以健康驿站为核心节点，辐射周边居家老人，提供“1+N”服务包（基础医疗护理+个性化生活支持）。 **盈利多元化**：用户订阅制（服务包）、企业合作（保险、地产）、政府购买三方结合，形成可持续收益模型。 **数据驱动运营**：通过智能穿戴设备、家居传感器实时采集数据，实现健康风险预警与服务精准匹配。 ### 2.3 关键技术架构 **应用层**：覆盖老年用户、家属、服务人员的多端系统（APP、大屏、智能设备）。 **数据层**：用户健康档案、服务记录、设备数据的全生命周期管理。 **接口层**：对接医保、物流、支付等第三方系统，打破信息孤岛，提升服务效率。 ## 第三部分：用户场景与产品设计策略 ### 3.1 角色化设计：满足多利益相关者诉求 **决策者（政府/企业高管）**：关注宏观数据大屏（营收、覆盖率、风险趋势）。 **一线员工**：简化工单处理流程，提升事件响应效率。 **老年人**：设计极简交互界面，集成一键呼叫、健康监测等高频功能。 ### 3.2 服务标准化：从“经验驱动”到“流程驱动” **服务包设计**：基础服务（健康咨询、上门护理）自营，高端服务（名医会诊）通过生态合作实现。 **质量监控体系**：通过用户评分、服务时长、异常事件等指标量化服务质量，确保服务透明化。 ### 3.3 案例：某社区的智慧养老实践 **痛点**：独居老人突发疾病难以及时发现。 **解决方案**：部署智能床垫监测心率/呼吸，异常数据自动触发社区医生上门。 **效果**：紧急事件响应时间缩短至10分钟，用户满意度提升40%。 ## 行业启示与未来展望 ### 4.1 可复制的成功经验 **资源整合**：地产、医疗、科技企业跨界合作，构建服务生态。 **政策响应**：紧跟国家“9073”养老结构（90%居家、7%社区、3%机构），聚焦居家场景。 **技术普惠**：通过低成本智能设备（如健康手环）扩大服务覆盖范围。 ### 4.2 未来趋势：智慧养老的三大升级方向 **AI深度应用**：基于机器学习预测健康风险，提供个性化干预方案。 **元宇宙赋能**：虚拟社区活动缓解老年人孤独感，如线上棋牌室、远程亲子互动。 **碳中和结合**：打造绿色养老社区，优化能源使用与医疗废弃物管理。 ### 4.3 对中小企业的建议 **轻资产切入**：从细分领域（如健康监测设备、线上问诊）入手，避免重投入。 **数据合规**：严格遵守《个人信息保护法》，确保用户隐私安全。 - - - ## 让科技温暖银发时代 数智化不仅是效率工具，更是人文关怀的延伸。通过技术赋能，我们能让每一位老人“老有所养、所医、所为、所乐、所安”。未来，随着5G、AI等技术的普及，智慧养老将不再局限于一线城市，而是成为普惠社会的基石。 本文由 @aguai 原创发布于人人都是产品经理，未经授权，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。

 作为备受好评3D数织游戏的续作，3D数织游戏《Voxelgram 2》将于年内发售。在这款游戏里，解谜就像是在三维世界中创作雕刻。随着完成各个挑战逐步揭示体素模型。游戏的配置要求与前作类似，仅需 128 MB 可用空间。游戏特色包括：  - 双色拼图：解决200+个独特谜题，这些谜题将会呈现为20+幅制作精美的透视画。 - 程序化内容生成：借助程序化生成的谜题，享受无穷尽的复玩乐趣。 - 由用户生成的内容  &lt;内嵌内容，请前往机核查看&gt;

<blockquote><p>随着人工智能技术的飞速发展，如何让AI系统更高效地与外部数据源和工具进行交互，成为了一个亟待解决的问题。本文将深入探讨一种名为MCP（Model Context Protocol）的新兴技术，供大家学习。</p> </blockquote>  做Agent产品抵达深水区时，你总会遇到**MCP(Model Context Protocol)**这个怪兽，今天我们一起来打掉他。 简单理解： MCP的核心价值就在于**统一标准、消除隔阂**。 它把AI和外界连接的方式从“烟囱林立”变成了“道路纵横”，让信息和指令能够自由流通。 让我们先通过几个熟悉的场景建立一个感性的认知： ## 通俗类比解释MCP ### “万能插座” 可以把MCP想象成给所有AI程序制定了统一的“插座标准”。过去，不同的AI（插头）要连接不同的数据源（电源），往往需要各种各样的转换适配器；而MCP就好比全国统一了插座形状，让任何AI插头都能直接插入任何数据源插座使用。这个统一接口大大方便了AI取用数据，就像电器有了标准电源后随处都能通电一样。 ### “通用翻译官” MCP又像是AI与外界系统之间的**通用语言翻译官**。每种数据源本来有自己的“语言”（接口/API），每个AI模型也有自己的“理解方式”。MCP制定了一种大家都懂的语言：数据源把信息用MCP语言表达出来，AI也用MCP语言提出请求。这样双方即使“母语”不同，也能在MCP翻译下无障碍沟通。比如AI不会直接说“给我文件X”，而是通过MCP提出标准化请求，文件系统也通过MCP以标准格式回应。所有交流都有共同的语法和词汇，避免了误解和交流障碍。 ### “AI的USB-C接口” 正如前文所述，官方将MCP比作AI领域的USB-C接口。类比来看，不同的AI助手就像不同的电子设备，以前每个设备需要不同的数据线连不同的外设（比如老式手机数据线各不相同），而MCP提供了一个统一的细窄接口，让AI能够**即插即用各种外设**。例如，通过MCP，一个AI助手今天可以连U盘（数据库），明天插打印机（邮件系统），后天接显示器（报告生成）——接口都一样，只是功能不同。就像USB-C让我们少了无数转换头和线缆，MCP也让AI集成少了无数专有API和脚本。对于终端用户来说，这意味着AI助手将变得**更加多才多艺**且使用方便，因为背后复杂的连接都被这个看不见的“USB-C”标准屏蔽掉了。 ## MCP的基本概念和定义 **Model Context Protocol(MCP)**是由Anthropic在2024年底提出并开源的一种开放标准协议，用于连接大型语言模型（LLM）等AI系统与各种外部数据源和工具。简单来说，MCP为AI模型提供了一个统一接口，让模型能够方便、安全地访问所需的数据和功能，而不再被“困”在封闭的知识范围内。官方将MCP比喻为AI应用的“USB-C接口”——正如USB-C为电子设备提供了标准化的连接方式，MCP也提供了标准化方式将AI模型连接到不同的数据源和工具。换句话说，以前每新增一种数据源都需要定制开发对接代码，而现在有了MCP这个“通用插头”，AI与任何数据源对接都可以按照统一规则进行。 MCP本质上定义了一套**通用语言和接口**，用于让AI模型与外部系统交换“上下文”信息（即模型需要的额外信息或操作指令）。例如，通过MCP，像Claude这样的对话模型可以直接查询数据库、调用API、读取文件，获取实时的信息用于回答问题。MCP的目标是提高AI助手响应的相关性和准确性，让模型的知识和能力不再局限于训练语料，而是能动态扩展到用户自己的数据和现有工具中。正因如此，可以把MCP视作一个**AI领域的通用翻译器**：Anthropic公司人士形象地描述，他们的愿景是“构建一个AI可以连接任意数据源的世界”，而MCP则充当了其中的“通用翻译器”。 ## 起源与发展背景 MCP诞生于AI应用迅猛发展的背景下。随着GPT-4、Claude等大模型在推理能力和回答质量上取得突破，如何让**AI与企业自身的数据和系统对接**成为新的挑战。在MCP出现之前，不同AI助手接入数据库、文件系统、第三方应用等通常都需要编写定制的集成代码。例如，开发者可能使用LangChain框架编写Python脚本，让某个LLM能查询自家数据库；而如果换成另一个LLM模型或另一个数据源，又要重新适配新的代码。这种**“M×N集成难题”**日益突出：M种不同的大模型与N种不同的数据/工具要两两集成，需要开发和维护大量碎片化的连接器。这不仅开发成本高、容易出错，而且难以规模化地扩展AI系统的能力。 为了解决上述痛点，Anthropic于**2024年11月25日**正式发布并开源了MCP规范和SDK，尝试将其打造为AI数据集成的行业标准。Anthropic在发布MCP时强调，它是一个“**通用开放标准**”，旨在取代过去碎片化的集成方式，为AI系统访问数据提供一种更简单可靠的方案。MCP通过标准化LLM与外部资源交互的接口，试图像USB或HTTP那样建立统一的“协议层”，从根本上减少重复劳动和集成复杂度。Anthropic的工程师在社区讨论中也指出，希望MCP能够真正解决“每个模型对接每个工具”需要单独实现的问题，从而让业界**一次集成、处处运行**。 作为一项开放项目，MCP从一开始就采取开源协作的模式。Anthropic提供了详细的协议规范、参考实现以及多种语言的SDK（如Python、TypeScript、Java等）供开发者使用。同时，他们建立了开放的连接器仓库，鼓励社区贡献各种数据源的MCP服务器实现。在发布之初，Anthropic已公布了Google Drive、Slack、GitHub、Git、Postgres数据库、Puppeteer等常用系统的**预构建MCP连接器**，方便开发者快速将Claude这类AI助手接入这些系统。一些早期采用者（如Block公司和Apollo等）已将MCP集成到自己的平台中，另外如Zed、Replit、Codeium、Sourcegraph等开发工具厂商也在与MCP合作，利用它让AI代理更好地检索编码任务相关的上下文信息。不过需要注意的是，**当前MCP主要在Claude系列模型和部分支持MCP的客户端中使用**。虽然MCP面向所有AI厂商开放，但要真正成为通用标准，还取决于更多模型提供商和应用开发者的支持。这也是MCP未来面临的一个重要挑战：推动行业广泛认可其价值，将“开放标准”转化为事实上的标准。 ## MCP的核心原理和技术架构 ### **架构概览** MCP采用**客户端-服务器**的分布式架构。具体而言，包括以下组件： - **MCP Host（主机应用）**：运行AI模型或代理的宿主程序，如Claude桌面版、某IDE中的AI助手等。主机应用通过内置的MCP客户端与外部建立连接，是连接的发起方。 - **MCP Client（客户端）**：嵌入在主机应用中的协议客户端组件。每个MCP客户端与一个特定的MCP服务器保持一对一的连接，用于向服务器发送请求或接收响应。一个主机应用中可以运行多个MCP客户端，从而同时连接多个不同的服务器。 - **MCP Server（服务器）**：独立运行的轻量程序，封装了某一数据源或服务的具体能力，通过标准化的MCP接口对外提供。每个MCP服务器相当于一个“适配器”，将底层的数据源/工具（本地文件、数据库、第三方API等）的功能以统一格式暴露出来，供客户端调用。 - **本地数据源**：部署在用户本地环境中的数据资源，例如本机文件系统、数据库、应用服务等。MCP服务器可以受控地访问这些资源，并将内容提供给AI模型使用。例如，一个本地MCP服务器可以读取电脑文件或查询本地SQLite数据库，然后将结果发给模型作为参考。 - **远程服务**：通过网络提供的外部系统或在线服务（通常通过HTTP API访问）。MCP服务器也可以连接到这些远程服务获取数据。比如，可以有一个MCP服务器连接Slack的Web API，代表AI助手执行发送消息、读取频道记录等操作。 这种架构下，**AI主机通过MCP客户端同时连接多个MCP服务器**，每个服务器各司其职，提供对一种数据源或应用的标准化接入。这样设计有几个好处：一是**模块化**，增加或移除某个数据源只需启用或停用对应的服务器，不影响AI主体或其他部分；二是**解耦**，AI模型与具体数据源实现隔离开，通过协议交互，不直接依赖数据源的内部细节；三是**双向通信**，不仅AI可以请求数据源，某些情况下数据源也能要求AI执行操作或生成内容，从而支持更复杂的交互流程。 ### 通信方式 MCP定义了一套基于JSON-RPC 2.0的**消息通信协议**。底层传输层可以灵活选择，目前提供了两种标准传输方式：一是**标准输入输出（STDIO）**，适用于本地集成（通过进程管道通信）；二是**服务器发送事件（SSE）配合HTTP POST，用于需要通过HTTP网络连接的场景。开发者也可以实现自定义传输方式，只要符合MCP传输接口要求即可。采用JSON-RPC意味着消息以JSON格式封装，包括请求（request）、响应（response）和通知（notification）三种类型，每条消息带有方法名称和参数等。这种设计使得MCP通信类似远程过程调用（RPC）**，方便表达“调用某工具”“读取某资源”等操作，而且因为使用JSON，调试和扩展都比较方便（相较于gRPC这类二进制协议，更易于人阅读和日志记录）。需要注意的是，MCP协议在消息级别管理请求-响应的关联、错误处理等，从而保证多路并发调用时也能正确对应。 **关键机制 – “Primitives”（原语）概念：** MCP将AI与外部系统交互的内容抽象为几类**原语**，以此规范客户端和服务器各自能提供的功能。具体来说，**MCP服务器**可以提供三种原语： - **Prompts（提示）**：预先编写的提示词或模板，相当于一段指导性文字片段，可以插入到模型的输入中去影响其行为。例如服务器可以提供一个“代码审查提示模板”，供模型在阅读代码时使用。 - **Resources（资源）**：结构化的数据或文档内容，可供客户端读取并提供给模型作为上下文。例如从数据库查询到的一条记录、用户的笔记文档内容等，都是资源类型。资源类似于“只读文件”，模型可以请求某个资源，服务器会返回相应的数据内容。 - **Tools（工具）**：可以被模型调用的可执行操作或函数。这是MCP最强大也最具互动性的部分，模型可以要求服务器执行某个工具函数来获取信息或改变外部状态，比如调用“发送邮件”工具发送一封邮件，调用“查询天气”工具获取天气数据等。由于工具调用可能带来副作用和安全风险，**MCP规定模型调用工具必须经由用户批准**后才执行。换言之，工具就像模型可用的“按键”，但每次按键需要真人确认，避免模型滥用外部操作权限。 对应地，**MCP客户端**提供两种原语能力用于辅助服务器完成复杂任务： - **Roots（根）**：这是一种由客户端提供的文件系统入口或句柄。服务器可以通过Root来访问客户端这侧的本地文件或目录内容。例如客户端可以授权服务器读取某个文件夹（作为Root），那么服务器就能代表模型浏览那个文件夹下的文件内容（通常仍以资源形式提供给模型）。Roots机制确保服务器只能访问经授权的本地数据范围，增强安全性。 - **Sampling（采样）**：这一机制允许服务器向客户端发起请求，要求客户端这侧的LLM模型生成一段文本（即一次补全/推理）。简单说，服务器也可以“反过来”调用模型，让模型基于一些额外提示执行推理。Sampling可以用于构建多轮交互的智能Agent：服务器在执行某工具过程中，发现需要模型进一步推理决定下一步时，就可以用Sampling请求模型产出结果，再继续后续操作。不过Anthropic也强调应谨慎使用这一机制，**始终保持人类在环**监督，以避免AI代理失控循环调用模型 通过上述原语分类，MCP清晰地定义了模型与外部交互的**意图类型**。例如，让模型获取一段参考资料应该作为Resource提供，而不是混同于调用Tool；又如要求模型执行某操作就用Tool明确表示。这样的设计使AI系统的上下文管理更结构化：模型知道某段信息是只读资料还是可执行操作，用户也能对不同类型请求进行针对性地审批或监控。这比起简单地给模型一个隐式“工具插件”要透明得多。Anthropic的开发者指出，他们最初也考虑过是否把所有交互都当作“工具调用”统一处理，但最终认为**Prompt和Resource这两类原语有其独特意义**，能表达不同用途的功能，因此保留了多元的原语概念。 ### 工作流程 在实际运行中，当用户向AI助手提出一个需要外部信息或操作的问题时，MCP让这一过程变得自动又安全： - **能力发现**：首先，主机应用启动时会连接配置好的若干MCP服务器。每个服务器会向客户端声明自己提供的Prompts、Resources、Tools列表（通常通过JSON模式定义）及其调用方法等信息。这样模型在对话过程中，就知道有哪些“工具”可用、有哪些资源可以读取。例如，一个Slack服务器可能声明工具<code>list_channels</code>（列出频道）、<code>post_message</code>（发消息）等。 - **模型决策调用**：当用户提问需要外部支持时，模型根据提示和上下文，可能决定调用某个工具或请求某个资源。由于大模型可以生成结构化输出，Claude等模型能够按照MCP约定格式提出调用请求（这通常由MCP客户端在模型生成内容中解析出调用意图并执行）。例如用户要求“请把这篇文章发到Slack频道X”，模型会触发调用Slack服务器的<code>post_message</code>工具，并附上文章内容和频道参数。 - **用户审批执行**：MCP客户端接收到模型的调用请求后，会提示人类用户（例如在Claude桌面版界面中）确认是否允许执行该操作。如果被拒绝，则向模型返回错误信息；如果允许，则将请求发送给对应的MCP服务器。对于纯读取类的Resource请求，有时可按策略自动批准。 - **服务器处理并响应**：MCP服务器收到请求后，执行实际逻辑。例如Slack服务器调用Slack API发送消息，文件服务器读取文件内容等。执行完成后，服务器将结果封装为响应（或资源内容）通过MCP协议发回客户端。如果在执行过程中需要模型帮助（例如对长文本进行总结），服务器还可以通过Sampling请求模型生成，待模型给出结果后再继续。 - **模型利用结果继续对话**：客户端收到服务器响应后，将结果提供给模型作为新的上下文。模型据此产生最终回答或下一步动作。例如Slack消息发送完成后，Claude可以告诉用户“文章已成功发布到频道X”。对于Resource类数据，模型会将其内容纳入回答的依据，从而给出更准确的答复。 通过以上机制，MCP在**AI模型与外部环境之间搭建了一个标准化、可控的“桥梁”**。它既允许模型扩展能力，与真实世界的数据和应用交互，又通过明确的接口契约和用户权限把控，避免了安全风险。正如一位观察者所言，MCP的出现使得AI助手有望变得**更自主智能**，因为它们可以维护跨不同工具和数据源的上下文，帮助用户执行更复杂的任务。 在技术实现细节上，MCP的设计还借鉴了许多已有成熟理念。例如，其JSON-RPC消息结构与**语言服务器协议（LSP）有相似之处（LSP也是使用JSON-RPC让编辑器与编译器服务通信）；又如将工具调用与用户审批结合，这和OpenAI API中的“函数调用”+人类验证思路类似，只是MCP做得更通用、更系统化。此外，MCP还内置了安全机制（如严格的权限范围、错误码等）来确保鲁棒性。例如对于每个连接，客户端和服务器都会进行能力协商和版本匹配**，保证双方理解的协议一致；传输层也提供了错误处理约定，防止死锁或资源泄露。 整体来看，MCP核心架构通过**标准协议+客户端/服务器分层**，将AI与外部世界有效衔接起来。这种模式让开发者“**只需针对MCP编程一次，便可让各种模型与各种数据源对接**”，显著降低了AI应用集成的门槛。 本文由 @AI贾维斯 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

 KONAMI宣布，将于北京时间3月14日6点播出【SILENT HILL Transmission】节目，届时将揭开《寂静岭：f》这款游戏的面纱！  此前，《寂静岭：f》在2022年首次公开，该作背景设定于1960年代的日本小镇里。故事由创作了《寒蝉鸣泣之时》等众多经典作品的Ryukishi07撰写，由来自国内的泥巴娱乐工作室开发（Neobard），他们曾协助卡普空开发了《生化危机 Re:Verse》。 

 由 ARIKA 开发及发行的《俄罗斯方块大师4 -绝世之眼-》正式公开 Steam 商城页面。值得一提的是，距离《俄罗斯方块大师3》的发售已有20年的时间，因此本作也让不少玩家期待不已。  俄罗斯方块大师基本玩法和其他俄罗斯方块游戏类似。玩家通过移动和旋转下落的方块，填到长方形的竖直区域中，填满一行将会消去。游戏过程中，游戏会根据玩家的分数给予相应的评价，称为&#39;Grades&#39;，级别一般从最低的9最高的GM级(Grand Master)，这三代作品之间的 Grades 略微有所不同。  据悉，本次推出的《俄罗斯方块大师4 -绝世之眼-》将玩家带来了更加深入、更加讲究策略的俄罗斯方块体验，就算是老玩家也能从中找到挑战和乐趣。全新的模式将考验你的极限操作，要求你精准规划策略，同时以极快的速度进行游戏。 &lt;内嵌内容，请前往机核查看&gt;