<blockquote><p>在数字化转型的浪潮中，政务服务的审批效率成为提升民众满意度和政府效能的关键。本文将深入探讨DeepSeek大模型如何赋能政务申办受理平台，通过智能化手段解决审批流程中的痛点，提升审批速度和质量。</p> </blockquote>  审批提速，早就不是**“可选项”**，而是**“刚需”**。 一边是老百姓盼着少跑腿、快办事；另一边是政府部门顶着压力，推进流程再造和系统整合。 特别是在建设“数字政府”成为全国共识之后，各地都在加速推动政务服务的统一入口建设。而在这个过程中，北京市提出的“统一申办受理平台”被寄予厚望，目标是打造一个“只进一个门，办遍全事项”的政务服务底座。 但平台做得再统一，如果流程还是靠人判断、材料还要一张张看、政策更新还得手动维护，那只是换了个门面，效率提升依旧有限。 于是，大模型来了。 这一次，我们不谈概念，只看落地——它如何真正在审批流程中发挥作用？群众体验有没有改善？部门协同能不能提速？哪些地方已经做出了结果？又给我们哪些启示？ 这篇文章，我们试图给你答案。 ## 01 为什么审批总是慢？外有民怨，内有痛点 <blockquote><p>对群众来说：“流程复杂、信息不清、来回跑腿。”</p></blockquote> 群众最大的感受就是一个词：折腾。 明明是一个简单的事项，比如注册公司、装修报批、临时经营许可，却要跑多个部门，提交五六种材料。 填表难、术语多、条件不清晰，办个事像闯关游戏。一不小心提交错误材料，就被退件，要重新预约、重新上传、甚至重新跑现场。同时，不同事项规则不同，更新频繁，用户根本无法判断自己该走哪条路径。这时候如果没有人工指导，往往会在平台里“兜圈子”，错失时效。 说到底，群众痛点是：**不透明、不确定、不智能。** 对于我个人而言，虽然网上申办已经很便捷，我还是习惯去现场，让人指导的办事，远但是很踏实。 <blockquote><p>对政府来说：“流程割裂、人工为主、压力很大。”</p></blockquote> 部门视角来看，问题更具结构性： **第一，系统之间不通，数据不能跑起来。** 很多审批事项依赖于其他部门的材料验证，比如企业审批中税务、环保、市场监管等交叉密切，但信息都在不同的系统里。审核人员只能靠经验、截图、打电话、发邮件，人力成本极高。 **第二，材料审核繁琐，还容易错漏。** 像施工许可、工程备案等事项，材料动辄几十页。人工逐项核验印章、资质、批复等内容，2小时一件都不夸张。经验不足、疲劳操作带来的“漏审”“错判”问题，也让一线承压巨大。 **第三，政策更新靠人工维护，易错易漏。** 法规政策年年变，申办系统里一项事项的条件、材料要求得靠人手动更新。错了一项，就可能影响整批件的判断，风险极大。 **第四，跨部门协同慢、难、推不动。** 联审事项的派发、催办、反馈流程没有自动化机制，完全靠“人催人”，效率低不说，责任边界也不清晰。 ## 02 各地的实践路径分析 面对类似的审批难题，不少城市早已展开了自己的智能化改革探索。 在上海、浙江、广东这些数字化程度较高的地区，“政务服务 + 大模型” 正在从试点走向实战，而且做出了可复制的成果。  可借鉴的实践要点： **第一，政务大模型不能只是“智能客服”** 很多地方一开始把大模型当作“问答工具”用，但真正有价值的是能理解政策、理解办事逻辑。比如浙江余杭把AI用在审批材料解析和合规校验上，大幅减少人工预审时间。 **第二，智能体要“长”在原有平台里，而不是另起炉灶** 真正能跑通的实践，都是“增强型接入”，不是“推倒重来”。像上海做法，是在原有统一平台上增加智能助手模块，让窗口人员直接调AI、查政策、走流程，既节省时间也不扰乱体系。 **第三，数据不是调不动，是“标准”不统一** 这可能是所有地方的实施难点都。深圳选择先从一个领域入手（如企业开办），把规则、材料、表单全部统一结构，建知识图谱，这才让大模型“有数据可学、有规则可调”。 我认为数据治理急不得，可以从高频场景入口，逐步完善，这可能更适合推动落地。 ## 03 统一申办平台智能化的实战路径 面对统一申办平台扩展性差、审批流程繁琐、部门配合难的问题，评估分析了可落地、能解决问题的角度出发，围绕几个关键模块，一步步推进平台智能化能力的构建。 **第一，构建材料预审智能体** - 基于DeepSeek的多模态模型能力 + 自建的材料标签库； - 它可以识别上传材料是否缺章、是否过期、是否重复提交，甚至能校对资质名称和对应编码； - 构建了“事项-材料-字段”的匹配机制，比如“消防图纸”缺少印章会被自动打标“风险件”； - 审核人员只需要在系统界面做一次确认，大大降低了人工判断负担。 这一机制上线后，审批人员从“页页翻”变成了“看风险点”，单件预审时间从2小时压缩到10分钟以内。 **第二，设计“政策规则触发引擎”** 政策经常变，很多审批规则都靠业务口手动维护，不仅滞后，而且容易出错。我们规划构建了一个“规则触发引擎”： - 每次有新政策发布，我们先用大模型将文本解析成“条款-要素对照表”； - 然后用规则模板标注变化点，比如哪些条款是“影响材料提交条件”的； - 最后通过审批规则中心触发提醒：某事项是否需要新增或删减材料。 这个模块帮我们实现了 “规则变化→自动提醒→系统规则快速更新” 的闭环，避免了“政策变了系统没跟上”的低级问题。 **第三，构建“协同调度智能体”** 审批过程中只要涉及两个以上部门，基本都会出现推诿、等待、流程不透明的问题。 我们设计了一个轻量级的 “协同调度智能体” 来解决这个问题： - 基于部门职责画像，智能体可以识别该事项需要哪些部门参与审批； - 系统根据历史数据自动计算平均办理时长、节点等待时长，生成“联审路径”； - 它还与工单系统结合，具备“智能派单+督办机制”，48小时未处理会推送提醒，严重超时自动抄送牵头部门； 所有调度过程写入区块链，形成多方可查的“过程存证”。 **第四，搭建“对话式智能导办助手-边聊边办”** 上次在这篇文章聊过具体的：DeepSeek大模型打造 “搜、问、办” 一体化政务智能服务平台的实践分享，作用就是很多群众在办事初期根本不知道“自己该办什么”，所以我们开发了统一申办前端的对话式导办助手，可以用来咨询怎么写材料，也可以用来办理环节较为简单的事项。 **第五，搭了一套“事项知识图谱+模型接口层”，为未来继续升级做准备** 最初编写方案的时候就意识到，如果只是堆几个模型API，不做知识统一，那未来的智能化很快就会失效。 所以，规划建立了一个“事项知识图谱 + 大模型接口调度层”： - 所有事项、材料、字段、规则都被结构化建模，构成统一标准； - 模型不再是“看PDF凭感觉”，而是可以直接调用图谱数据去判断、推荐、联动； - 同时，我们把所有大模型服务封装成通用调用接口，未来可复用到其他业务系统中。 这部分是为未来留的“智能地基”，可以满地开花。 整体流程如下图：  ## 最后的话 统一申办平台是政府数字化转型的“枢纽”和“神经中枢”。它连接着部门业务，承载着政策执行，直接影响着群众的办事体验。 而智能化升级，尤其是结合大模型技术的引入，**不是简单的“技术堆叠”，而是一场从“数据孤岛”到“智慧协同”的深度变革。** 未来，随着智能体能力不断完善，统一申办平台将成为北京市政务服务真正的“加速器”，实现政务服务的高质量、全方位升级。 希望带给你一些启发，加油！ 本文由人人都是产品经理作者【柳星聊产品】，微信公众号：【柳星聊产品】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。 题图来自Unsplash，基于 CC0 协议。

<blockquote><p>在私域运营中，企业常常陷入“用户至上”的误区，试图讨好每一个用户，却忽略了真正的商业目标。本文将通过肯德基的案例，深入剖析如何通过巧妙的运营策略，筛选出高价值用户，同时兼顾用户体验和商业增长。</p> </blockquote>  真私域，不只在微信，更不只是一味地讨好所有人。 前天我在肯德基被一块小黑板“教做人”了。 事情是我本想用抖音买的团购券核销，结果店员小姐姐，指了下台上小黑板“抖音买的团购券，扫码下载APP后核销使用”。 最后还补了句，“用APP核销更划算，活动更多更划算”。  后面一位小姐姐就有点不耐烦地带了一句：“不能直接用券嘛？吃个鸡翅还要下APP？这么麻烦，要怎么操作呢？” 同样作为怕麻烦星人的我，明明抖音团购券可以直接核销，为啥还要自己下个APP？ 而我盯着小黑板上“碰一碰领红包”的NFC活动，我瞬间明白其中的运营小心机： 一切都是为了做自家APP的“真私域”。 肯德基不是“不会做体验”，而是“敢做选择题”。 他们用这一步“麻烦”，筛掉了怕麻烦的人，留下了更值钱的人。 ## 01 强引导下载的真相：APP才是真私域“自留地” ### 1、微信不是家，APP才是最终归属 今天咱们在谈的“私域”自留地，谈的是微信，但你有没有想过，你在微信加再多群，哪天被封号？哪天被限流？数据带得走吗？ 今天想在微信里接个微信chatbot自动应答用户问题，明天想接个微SCRM，顺便再来弄个群发SOP，一旦被检测到各种第三方外挂，过度信息骚扰，用户投诉，竞对恶意投诉……那么封禁套餐就等着你，微信用户也就凉凉。 但肯德基APP里每一个用户，姓啥叫啥、爱吃辣堡还是原味鸡、一周消费几次……全捏在自己手里。 虽然拉新用户体验有点不爽，但这“麻烦一步”背后实则是有大算盘： 把单次薅羊毛的请走，想长期薅羊毛的真吃货留下，因为肯德基心里也很清楚： 第一，为省钱来的（比如抖音9.9元券用户），多半吃完就走； 第二，愿下载APP的，大概率是常客、家庭客、爱尝新的年轻人。这些珍贵的目标用户，只要多来一次，多买一对鸡翅，那么就是胜利的开始。 第三，店员不逼你，而是用贴心地手写小黑板“哄”你，降低你对下载APP的意愿反感 第四，有好玩的东西，“碰一碰抽红包”而不写“下载领券”，制造互动好奇； 第五，各类好玩的活动，限定周边T恤等等，让你觉得不拿就有点亏了。 表面看似“体验差”，实则是在做用户漏斗筛选。 ### 2、用“场景”做“私域”，是最高级的私域 如果你有细心发现，我在过往内容里传达私域和营销的最最最关键逻辑，就是“人”。 为什么？ 当你想卖货的时候，是卖不出去的；得想着用户的喜怒哀乐。 先成人，后达己，以人性为洞察，以用户场景为代入，每个运营动作都优先考虑用户，以餐饮行业的用户路径地图为例，作为餐饮业要考虑用户每一个环节以及对应触点动作。  他的情绪，早餐我想吃好点，还得顺路就能吃上； 他的动线，到店前，在店中，离店后，不同阶段的用户体验动线； 等等…… 回到肯德基，它的场景私域是什么？ 到店前，用社群+小程序优惠活动，触发引导到店；用抖音团购直播撬动囤券用券需求，从而到店通过APP完成店前引导； 在店中，路过突然想吃肯德基，对于已下载肯德基APP用户，到店打开就能直接APP内买券用券，对比微信小程序，要打开微信，特别现在服务号折叠后，还要搜索或者下拉小程序，如果好久没用可能还要登录授权……  从场景出发，这一套下来，反而肯德基APP从用户体验，到销售转化的优势就体现出来了。 ## 02 肯德基哪来的底气，敢让用户“多走一步”？ 肯德基敢于牺牲部分用户体验，让用户“多走一步”，看似反人性，实则是只要他们想清楚和算清楚这笔账就稳了，我认为其底气来自三个核心支撑： ### 1、成本（CAC）的极致压缩 举个例子，抖音9.9元本地券引流到店，成本仅为公域广告投放的20%； 到店后店员引导下载APP，提示1元鸡米花活动优惠券激励，单个用户新增成本不足11元（标价12元的鸡米花实际成本更低，且需搭配消费）。 这种低成本获客能力，让肯德基能承受因强引导下载APP导致的部分用户流失。 ### 2、长期价值（LTV）的持续拉伸 肯德基的真正目标是筛选高价值用户，并最大化其生命周期价值： **1）数据资产沉淀：** APP用户消费行为，包括：点单频次、菜品偏好、时段分布等等被完整记录，为精准营销提供底层基础，要记住AI时代下，未来想基于数据做更多推理与应用，数据即资产。 例如，系统能根据用户习惯生成“我的常点菜单”，减少决策时间；雨天自动推送1元单品，刺激非计划消费。 **2）复购率倍增：** APP用户年均消费频次达12.6次，是非APP用户（4次）的3.2倍。付费会员（如38元/季的大神卡）月均消费额更高达非会员的2.3倍。会员用户为赚回卡费，肯定会主动选择肯德基。 **3）穿透场景营销：** APP整合早餐预约、咖啡特权、免配送费等功能，覆盖全天候需求。例如大神卡绑定早餐、下午茶、外卖三大场景，将“碎片消费”转化为“订阅式刚需”。 比如以秒杀活动，不同时段不同福利活动，让用户留住APP的价值感瞬间提升不少。  ### 3、私域LTV＞获客CAC，就是策略胜利 当用户抱怨“吃个鸡翅还要下APP”时，用短期体验妥协换取长期用户资产，即LTV＞CAC，这样的争议将被收益淹没，而这套策略的底层逻辑，是对数据主权和用户终身价值的追求 敢让用户多走一步的背后，账得拎得清，只要留下的人够值钱，走掉的都是成本。 ## 03 商业最优解 vs 用户舒适区：私域里的对冲策略 市面上很少人会直接提到：私域对冲策略，这是咱们绕不过，而且非常重要的工作。 私域运营的本质，甚至是品牌营销本质，是争夺用户注意力所有权，但任何争夺行为都可能引发用户抵触。 而用户体验的过度失衡，带来的不只是增长问题，还会引发更多用户口碑和品牌舆情等问题。 以肯德基强引导下载APP的案例为例，这种看似”多一步”的操作可能间接引发用户流失，但通过一系列对冲设计，实现了用户筛选和长期价值沉淀。 -主策略：强制下载APP（商业最优解 → 获取用户数据主权） -对冲目标：降低流失率、减少负面口碑（用户舒适区 → 操作便捷无负担） 那么肯德基的解法是什么？ 用抖音低价券引流到店【公域获客】 → 设置APP核销门槛【分层筛金子】 → 通过手写小黑板、店员引导、碰一碰红包【对冲体验损失】。 用【即时利益（红包）】对冲【操作成本（下载）】，用【情感化设计（手写黑板）】对冲【强制感】。 从肯德基的运营动作上，我们可以总结出三大矛盾和解法： ### 1、用户便捷性 vs 数据掌控需求 冲突点：用户希望”即用即走”，企业需要留存数据 对冲策略： ✅ 流程体验优化：肯德基用”碰一碰领红包”，更快速直达优惠 ✅ 即时利益补偿：下载即送蛋挞/周边，用实物锚定心理账户 ✅ 情感化设计：店员微笑引导而非冷冰冰的二维码，用人际温度弥补系统冰冷 ### 2、流量规模 vs 用户质量 冲突点：公域引流追求数量，私域需要质量，如抖音低价券吸引薅羊毛党 对冲策略： ✅ 分层运营：通过下载行为筛选用户，愿下载者≈高潜力用户 ✅ 流失成本计算：测算LTV（用户终身价值）＞CAC（获客成本），容忍部分流失 ✅ 沉默用户激活：对未下载用户推送”到店自提免下载”优惠，二次触达挽回 ### 3、短期转化 vs 长期价值 冲突点：强推转化可能伤害品牌好感，如用户骂”吃个鸡翅还要下APP” 对冲策略： ✅ 内容价值绑定：APP内提供独家菜谱、会员日特权，让下载≠薅羊毛，而是增值服务 ✅ 数据驱动迭代：分析下载用户的复购率，反向优化主策略，如调整优惠券面额 ✅ 品牌信任建设：在APP内设置”隐私保护说明弹窗”，消除数据安全顾虑 我认为私域运营的高阶玩法，不是讨好所有人，而是用对冲策略让”对的人”甘愿留下来，用户骂声是成本，长期沉默才是风险。 作为企业方，只要去算清这笔账的企业，才配做好长期价值，兼顾用户体验和商业化的“相对平衡”，注意我的用词是相对平衡哈。 ## 小结：别被“用户至上”绑架，更要兼顾“增长”与“平衡” 肯德基敢用自行核团购券，筛掉薅羊毛的过路客，因他们算得清：一个APP用户价值之大， 门口骂骂咧咧走掉的大哥，可能只贡献9.9元，店里低头下载APP的小姐姐，未来可能贡献900块， 这时你就明白私域的本质是“筛选”，不是一味的“讨好”， 你怕用户走，就会永远被流量道德绑架；但你敢用规则留人，就能把数据变成有价值的资产，而不是数字本身。 对各位不同行业的老板、负责人、操盘手，最值得思考的是： 当隔壁同行还在微信群发打折图时，肯德基的APP已把用户三餐锁进订阅制，其实和做不做APP无关，而是我们对于做私域的更有高度的思考。 作者：晓峰的运营增长；公众号：知晓运营思维 本文由作者@晓峰的运营增长 原创/授权发布于人人都是产品经理。未经许可，禁止转载。 题图来自 Unsplash，基于 CC0 协议

<blockquote><p>在人工智能技术加速渗透各行各业的当下，AI 模型与外部系统的高效交互成为制约产业智能化升级的关键瓶颈。本文将深入探讨 Model Context Protocol（MCP）如何通过标准化双向通信框架，重构 AI 生产力，推动企业级智能体从协议标准到落地的全过程。</p> </blockquote>  ## 一、什么是MCP？ 在人工智能技术加速渗透各行各业的当下，AI 模型与外部系统的高效交互成为制约产业智能化升级的关键瓶颈。Anthropic 于 2024 年推出的 Model Context Protocol（MCP，模型上下文协议），正以标准化双向通信框架掀起一场 AI 交互范式的革命，其战略价值堪比智能终端领域的 USB-C 接口，为解决 AI 工具集成的复杂性问题提供了全新方案。 ### 1.1 技术本质与行业定位：构建 AI 世界的 “数字通用接口” MCP 作为 AI 时代的通信标准，核心价值在于构建了一套跨模型、跨系统的标准化交互协议。其技术架构呈现出独特的 “三角生态”：Host 作为 AI 能力的载体，例如 Claude Desktop 等终端应用，负责用户交互与任务调度；Client 作为协议转换层，通过统一接口实现异构系统间的数据格式转换与协议适配；Server 则是能力封装层，将各类工具（如代码执行、数据库查询）和数据资源抽象为可调用的标准化服务。这种分层架构设计，使 MCP 具备强大的扩展性和兼容性，能够无缝对接不同厂商的 AI 模型与外部系统。 从行业发展视角来看，MCP 的出现有效解决了 AI 工具集成中的 “M×N 复杂度” 难题。在传统集成模式下，每个 AI 模型（M）与外部工具（N）之间都需要定制开发专属接口，随着接入模型和工具数量的增加，接口开发与维护成本将呈指数级增长。而 MCP 通过标准化的通信协议，将集成复杂度从 “M×N” 降低至 “M+N”，大幅提升开发效率，降低企业智能化转型的技术门槛，成为推动 AI 应用规模化落地的关键基础设施。 ### 1.2 代际差异：从定制化集成到标准化协同 与传统 API 集成方案相比，MCP 在开发成本、实时性和安全治理三大核心维度展现出显著的代际优势。 **（1）开发成本：从 “定制化” 到 “标准化”** 传统 API 集成依赖于针对每个 AI 模型和工具定制开发的专属接口，这种模式不仅开发周期长、成本高，而且后期维护难度大。当企业需要接入多个 AI 模型和工具时，接口适配工作量将成倍增加。而 MCP 通过统一的协议标准，实现了 “一次开发、多端适配” 的高效开发模式。开发者只需按照 MCP 规范进行一次接入开发，即可实现与多个 AI 模型和外部系统的无缝对接，开发效率提升可达 60% 以上。 **（2）实时性：从 “轮询请求” 到 “即时推送”** 在实时交互场景中，传统 API 集成通常采用轮询请求机制，客户端需要定期向服务器发送请求获取最新数据，这种方式不仅消耗大量资源，而且存在数秒级的响应延迟。MCP 引入 Server-Sent Events（SSE）技术，实现了服务器端到客户端的实时数据推送，将响应延迟从秒级缩短至毫秒级。以智能客服场景为例，基于 MCP 的系统能够在用户输入的瞬间同步分析并推送响应，大幅提升用户交互体验。 **（3）安全治理：从 “分散管理” 到 “统一管控”** 传统 API 集成模式下，权限管理和安全审计分散在各个接口中，难以形成统一的安全策略。MCP 内置基于角色的访问控制（RBAC）机制，结合审计日志功能，实现了对所有交互行为的统一权限管理和操作追溯。企业可以通过 MCP 集中配置不同用户角色的访问权限，实时监控数据流向，有效降低数据泄露和越权操作风险，满足金融、医疗等行业严格的合规要求。 通过上述分析可见，MCP 的出现标志着 AI 交互正式迈入标准化、实时化、安全化的新阶段。其技术架构的创新和代际优势的凸显，不仅重塑了 AI 模型与外部系统的交互方式，更为 AI 应用的规模化落地和产业生态的繁荣发展奠定了坚实基础。随着 MCP 协议的不断完善和推广，AI 交互范式的这场革命将持续释放技术红利，推动人工智能产业迈向更高发展阶段。 ## 二、企业级 AI 落地的核心痛点诊断 在人工智能技术蓬勃发展的当下，企业对 AI 驱动的智能化转型充满期待。然而，从产品经理把控用户需求与产品体验，以及工程师落实技术方案的双重视角出发，企业级 AI 在实际落地过程中遭遇诸多深层次困境，这些痛点严重限制了 AI 技术商业价值的释放，亟待系统性的解决方案。 ### 2.1 系统烟囱化：接口集成的 “泥潭困境” 企业在部署 AI 应用时，系统烟囱化已成为阻碍智能化进程的首要难题。随着业务的多元化发展，企业内部往往存在多个异构的业务系统，如 CRM、ERP、仓储管理系统等。当企业试图引入智能客服、智能推荐等 AI 应用时，每个 AI 应用都需与这些业务系统进行独立对接。  以某全球零售巨头为例，为提升客户服务体验，该集团计划上线智能客服系统。由于其业务覆盖线上线下多渠道，内部拥有订单管理、会员体系、物流追踪等 30 余个核心业务系统，且各系统采用不同的开发语言、数据库架构和接口协议。为使智能客服系统能实时调取用户订单状态、会员权益等信息，技术团队耗费近 8 个月时间，开发了 47 个定制接口。这些接口在后续使用中，因业务系统升级频繁，平均每个月需投入 200 人 / 小时进行维护和适配。据 Gartner 调研数据显示，在采用传统定制接口集成 AI 应用的企业中，68% 的项目存在交付延期问题，平均开发成本超预算 35%。 从产品经理角度看，烟囱式的系统架构导致 AI 应用功能割裂，用户在与不同 AI 功能交互时，会出现信息不连贯、操作流程不一致的情况，严重影响用户体验。从工程应用视角，接口数量的指数级增长，不仅大幅增加开发和维护成本，还使得系统耦合度极高，稳定性难以保障。 ### 2.2 数据动态性缺失：静态数据与实时业务的 “脱节危机” 传统 AI 模型的训练依赖于静态数据集，这些数据往往基于历史业务场景采集和处理。但在实际商业环境中，数据呈现出极强的动态性，市场价格波动、库存变化、用户行为转变等因素，都要求 AI 系统具备实时感知和响应能力。  以生鲜电商行业为例，某头部平台曾上线基于历史销售数据训练的 AI 选品推荐模型。在夏季促销期间，由于未及时接入实时的天气数据、市场供应数据，该模型持续推荐高库存但因天气变化需求骤降的冷饮产品，导致库存积压超 500 万元。 而在供应链管理领域，某汽车制造企业的 AI 排产系统，因无法实时获取原材料价格波动和供应商产能变化数据，多次出现生产计划与实际供应脱节的情况，造成生产线停工累计达 320 小时，直接经济损失超 800 万元。 从工程应用角度分析，数据动态性缺失暴露了企业在数据采集、传输、处理架构上的不足。多数企业仍采用定期批量更新数据的方式，无法满足 AI 模型对实时数据的需求。从产品经理视角，这意味着 AI 产品无法精准捕捉用户当下需求，导致推荐不准、决策失误，严重削弱产品竞争力。 ### 2.3 治理黑洞：权限与审计的 “失控风险” 在企业级 AI 应用场景中，数据安全和权限管理是不容忽视的重要环节。然而，传统的系统架构下，权限管理和操作审计分散在各个系统和接口中，缺乏统一的管控机制，形成了严重的治理黑洞。  某国有银行曾发生重大数据泄露事件，一名基层员工利用权限设置漏洞，非法获取了 20 万客户的交易流水和个人身份信息，并将数据出售牟利。事后调查发现，该银行的 AI 信贷审批系统、客户管理系统等多个系统权限管理相互独立，缺乏统一的权限校验和审计机制，导致这一违规行为在数月后才被发现。据 IBM 的《数据泄露成本报告》显示，2023 年全球数据泄露的平均成本高达 445 万美元，其中因权限管理不当导致的数据泄露占比达 32%。 从产品经理角度，治理漏洞会引发用户对产品安全性的质疑，损害品牌形象和用户信任。从工程应用层面，缺乏统一的权限管理和审计，使得企业难以满足 GDPR（General Data Protection Regulation，《通用数据保护条例》）、《个人信息保护法》等合规要求，面临高额罚款风险，同时也无法及时发现和防范内部恶意操作或外部攻击。 ### 2.4 性能与成本失衡：资源利用的 “低效困局” 企业级 AI 应用的流量特征往往呈现出显著的脉冲性，如电商的 “双 11” 大促、在线教育平台的开学季等，流量会在短时间内爆发式增长。传统基于虚拟机的部署方式，难以快速弹性地应对这种流量变化，导致资源利用效率低下。  某电商平台在某次 “618” 大促期间，其 AI 推荐系统流量峰值达到平日的 20 倍。由于采用传统虚拟机部署，尽管提前预留了大量资源，但仍因资源调度不及时，导致系统响应延迟从 50ms 飙升至 500ms，订单转化率下降 18%。而在流量低谷期，这些预留资源的利用率不足 30%，造成大量资源闲置浪费。据 IDC 统计，采用传统部署方式的企业，AI 系统在流量峰谷期的资源利用率差异平均达 70%，每年因资源浪费产生的成本超企业 AI 投入的 25%。 从产品经理角度，性能不稳定会直接影响用户体验，导致用户流失和业务损失。从工程应用视角，高成本低效率的资源利用模式，增加了企业的运营负担，降低了 AI 项目的投资回报率，阻碍了企业进一步扩大 AI 应用规模。 企业级 AI 落地过程中面临的系统烟囱化、数据动态性缺失、治理黑洞以及性能与成本失衡等痛点，贯穿产品设计、技术实现和运营管理的全流程。只有深入剖析这些痛点的根源，才能为后续寻找针对性的解决方案，推动 AI 技术在企业中实现真正的落地生根和价值创造奠定坚实基础。 ## 三、MCP 的核心价值：破解痛点的三维解决方案 在明确企业级 AI 落地的四大核心痛点后，Model Context Protocol（MCP）以其创新性架构和标准化通信机制，为这些难题提供了系统性解决方案。MCP 通过解耦架构、实时赋能、安全可控三大核心能力，构建起效率革命、安全升维、商业价值再造的三维价值体系，成为企业智能化转型的关键基础设施。 ### 3.1 效率革命：重构开发与数据交互新模式 **（1）开发成本压缩：从 “漫长定制” 到 “极速部署”** 传统 AI 应用开发中，工具接入往往需要经历漫长的定制化过程。而 MCP 的出现彻底改变了这一局面，将工具接入周期从数月缩短至数天甚至数分钟。以阿里巴巴的 “百炼” 平台为例，基于 MCP 协议，开发者能够在 2 分钟内快速构建出天气查询 Agent。该平台通过将天气 API 等外部工具封装为符合 MCP 标准的服务，开发者只需在可视化界面中配置参数，即可自动生成标准化的通信接口，实现与 AI 模型的无缝对接。这种 “即插即用” 的开发模式，相比传统方式效率提升了数十倍。 据不完全统计，在采用 MCP 协议进行工具接入的项目中，平均开发周期从 3 个月压缩至 3 天，开发成本降低了 80% 以上。某金融科技企业在搭建智能风控系统时，利用 MCP 协议快速接入征信查询、交易监测等 12 个外部工具，原本需要 150 人月的开发量，最终仅用 10 人月就完成了全部接入工作，显著提升了项目交付效率。 **（2）动态数据打通：实时数据驱动智能决策** 在数据交互方面，MCP 协议打破了静态数据的桎梏，实现了动态数据的实时接入与高效处理。以阿里云的 Hologres 为例，通过 MCP 协议，Hologres 能够将湖仓中的海量数据转化为实时可查询的服务。在电商大促场景中，Hologres 基于 MCP 协议构建的实时查询接口，可在 2 秒内返回最新的商品库存、销售数据等信息，为 AI 推荐系统提供动态数据支撑，有效避免了因数据滞后导致的推荐失误。 这种实时数据交互能力，使得 AI 模型能够及时感知业务变化，做出更精准的决策。在物流调度领域，某头部企业基于 MCP 协议将实时路况、车辆位置等动态数据接入智能调度模型，车辆利用率提升了 25%，配送时效缩短了 15%。通过 MCP，企业真正实现了从 “经验驱动” 到 “数据驱动”、从 “静态决策” 到 “动态优化” 的转变。  ### 3.2 安全升维：构建全链路安全防护体系 **（1）三层权限控制：精细化权限管理** MCP 协议构建了一套严密的三层权限控制体系，从根本上解决了传统权限管理分散、粒度粗的问题。第一层采用 Access Key/Secret Key（AK/SK）进行基础身份认证，确保接入方的合法性；第二层引入 OAuth2.0 协议，实现授权范围的灵活控制，例如限制特定用户只能访问部分数据或功能；第三层通过操作标签机制，对具体操作行为进行细粒度管控，如区分数据查询、修改、删除等不同操作的权限。 在某跨国企业的全球 AI 协作平台中，基于 MCP 的三层权限控制体系，不同国家、不同部门的员工被赋予差异化的权限。研发人员仅能访问模型训练数据，业务人员只能查看分析结果，而管理员拥有全量操作权限。这种精细化的权限管理，既保障了数据安全，又提高了协作效率。 **（2）全链路审计追踪：操作行为可溯可查** 除了权限控制，MCP 协议还实现了全链路审计追踪功能。系统会对每一次数据交互、每一个操作行为进行记录，形成完整的审计日志。这些日志不仅包含操作时间、操作人、操作内容等基本信息，还能追溯数据的来源与去向，实现操作行为的全生命周期管理。 在金融行业，某银行利用 MCP 的审计追踪功能，成功追踪到一起数据篡改事件。通过分析审计日志，清晰还原了数据被篡改的时间、操作人员以及篡改前后的详细内容，为后续的调查处理提供了确凿证据。这种全链路审计能力，有效增强了企业对 AI 系统的管控能力，降低了数据安全风险。  ### 3.3 商业价值再造：释放数据资产与知识价值 **（1）知识整合与应用：提升业务能力** MCP 协议能够将企业积累的各类数据资产和知识资源进行有效整合，转化为实际业务价值。某汽车制造企业拥有 50 年的设备维修知识库，但这些知识分散在不同的文档、系统中，难以有效利用。通过 MCP 协议，企业将维修案例、故障代码、解决方案等知识进行标准化封装，构建成智能故障诊断系统。 该系统上线后，维修技师的故障诊断准确率从 60% 提升至 40%，维修效率提高了 30%。原本需要资深技师才能解决的复杂故障，现在普通技师通过调用系统推荐的解决方案，就能快速完成维修。MCP 协议不仅盘活了企业的知识资产，还降低了对专业人才的依赖，显著提升了企业的核心竞争力。 **（2）创新业务模式：开拓商业新边界** MCP 协议的应用还为企业带来了业务模式创新的可能性。在零售领域，某企业基于 MCP 协议构建了 “智能导购生态平台”，将商品信息、库存数据、用户画像等资源进行整合，并开放给第三方开发者。开发者可以基于这些资源开发个性化的导购应用，为消费者提供更加精准的购物推荐。 这种开放生态模式，不仅提升了用户购物体验，还为企业创造了新的收入来源。平台上线一年内，吸引了 200 多个第三方应用入驻，带动商品销售额增长了 25%。MCP 协议通过促进资源共享与协作，推动企业从单一的产品服务提供商向生态平台运营商转型，开辟了全新的商业增长路径。 MCP 协议凭借其在效率、安全、商业价值三个维度的卓越表现，为企业级 AI 落地提供了切实可行的解决方案。从开发效率的大幅提升，到安全体系的全面升级，再到商业价值的深度挖掘，MCP 正在重塑企业智能化转型的路径，成为推动 AI 技术与业务深度融合的关键力量。 ## 四、构建企业级 MCP 系统：方法论与实战案例 在明晰 MCP 的核心价值后，如何将其落地为切实可用的企业级系统成为关键。构建企业级 MCP 系统需遵循严谨的架构设计原则，并通过科学的实施路径逐步推进。以下将从架构设计、落地路径及行业实践三个层面，深入剖析企业级 MCP 系统的构建方法论与实战经验。 ### 4.1 架构设计原则：奠定系统高效运行基础 **（1）原子化工具拆分：实现功能解耦与灵活复用** 原子化工具拆分是企业级 MCP 系统架构设计的核心原则之一。其核心思想在于将复杂的业务功能拆解为最小粒度的独立工具单元，以实现功能模块的解耦与灵活复用。以电商业务为例，传统系统中 “支付” 与 “订单生成” 功能往往耦合在一起，当其中一个功能需要升级或修改时，可能会影响到另一个功能的正常运行。而在基于 MCP 的架构中，通过将 “支付” 与 “订单生成” 拆分为独立的原子化工具，每个工具负责单一职责，不仅降低了系统的耦合度，还能根据业务需求快速复用这些工具，组合出不同的业务流程。 这种原子化拆分方式在实际应用中优势显著。一方面，开发团队可以并行开发不同的工具，大幅提升开发效率；另一方面，当业务需求发生变化时，只需对相关的原子化工具进行调整，而无需对整个系统进行大规模改造。例如，在智能客服系统中，将 “意图识别”“知识库查询”“答案生成” 等功能拆分为原子化工具，通过不同的组合方式，即可快速适配不同业务场景下的客服需求。 **（2）传输层选型：SSE 协议助力性能与安全升级** 在传输层协议的选择上，企业级 MCP 系统需综合考虑性能、实时性与安全性等多方面因素。相较于传统的 Stdio 模式，Server-Sent Events（SSE）协议在企业级场景中展现出明显优势。SSE 协议采用服务器主动推送数据的方式，能够实现毫秒级的数据传输，且具备良好的资源隔离性。据实测数据显示，在高并发场景下，采用 SSE 协议的 MCP 系统资源隔离性相比 Stdio 模式提升 90%，有效避免了因资源竞争导致的系统性能下降问题。 SSE 协议的优势不仅体现在性能方面，其在安全性上也更胜一筹。通过建立持久化的连接，SSE 协议减少了频繁建立和关闭连接带来的安全风险，同时配合 MCP 的权限控制体系，能够更好地保障数据传输的安全性。在金融交易、实时监控等对性能和安全要求极高的场景中，SSE 协议已成为企业级 MCP 系统传输层的首选方案。 ### 4.2 五步落地路径：系统化推进 MCP 系统建设 构建企业级 MCP 系统可遵循 “业务拆解→定义 Schema→实现工具→注册 Server→配置 Agent” 的五步落地路径，确保系统建设有条不紊地推进。下面以盈米且慢在金融领域的实践为例，详细解析这一落地路径。  **Step1：业务拆解 —— 明确核心能力** 业务拆解是构建 MCP 系统的第一步，其目标是将复杂的业务流程拆解为可实现的核心能力单元。盈米且慢在构建基于 MCP 的投研 – 交易闭环系统时，将业务流程拆解为数据查询、风险计算、交易执行等核心能力。通过对业务流程的深入分析，明确每个能力单元的输入、输出以及具体的业务逻辑，为后续的开发工作奠定基础。 **Step2：定义 Schema—— 规范 API 标准** 在明确核心能力后，需使用 JSON Schema 定义 API 规范。JSON Schema 用于描述 API 的请求和响应数据结构，包括数据类型、枚举值、描述信息等。以盈米且慢的数据查询工具为例，通过 JSON Schema 定义了查询参数的类型（如日期格式、证券代码格式）、返回数据的结构（如字段名称、数据类型）等信息。统一的 Schema 定义确保了不同工具之间的数据交互规范一致，降低了系统集成的难度。 **Step3：实现工具 —— 开发具体功能模块** 实现工具阶段，开发团队根据定义好的 Schema，使用合适的技术栈实现各个核心能力。盈米且慢采用 Python 语言，结合 FastAPI 框架与 MCP SDK，开发了数据查询、风险计算等工具函数。FastAPI 以其高效的性能和简洁的语法，能够快速构建 API 服务；而 MCP SDK 则提供了与 MCP 协议的对接能力，确保工具能够遵循标准协议进行通信。通过这种方式，开发团队高效地实现了各个工具模块，并进行了单元测试和集成测试，保证工具的稳定性和可靠性。 **Step4：注册 Server—— 部署与托管服务** 工具开发完成后，需将其注册到 Server 进行部署和托管。盈米且慢选择使用阿里云函数计算 FC 托管 Server，这种 Serverless 架构无需管理服务器基础设施，只需上传代码即可运行。通过函数计算 FC，盈米且慢实现了资源的弹性伸缩，根据业务流量自动调整计算资源，相比传统服务器部署方式，成本降低了 83%。同时，函数计算 FC 提供了完善的监控和运维能力，方便对 Server 进行管理和维护。 **Step5：配置 Agent—— 实现工具协同** 最后一步是配置 Agent，将各个工具进行协同，形成完整的业务流程。盈米且慢基于通义千问配置 Agent，通过定义工具调用链和逻辑规则，实现了投研数据查询、风险评估、交易执行的自动化流程。当用户发起交易请求时，Agent 根据预设规则，自动调用数据查询工具获取市场数据，再调用风险计算工具评估风险，最后执行交易操作。这种多工具协同的方式，极大地提升了业务处理效率和准确性。 ### 4.3 制造行业创新实践：MCP 系统赋能产业升级 在制造行业，某新能源车厂通过构建 “设备Agent-产线MCP-工厂大脑” 三级体系，将 MCP系统应用于生产制造全流程，取得了显著的经济效益和效率提升。 在该体系中，设备 Agent 负责采集生产设备的实时数据，如设备运行状态、能耗数据、生产进度等；产线 MCP作为数据中转站和协议转换层，将设备 Agent 采集的数据进行标准化处理，并传输给工厂大脑；工厂大脑则基于这些数据，运用 AI 算法进行生产调度优化、质量检测、能耗管理等决策。通过这种三级架构，实现了生产数据的实时流通和智能决策。 实施效果方面，该新能源车厂的订单响应速度提升 85.7%，能够更快地满足客户需求；单位能耗降低 27.8%，通过智能能耗管理系统，优化了设备运行参数，减少了能源浪费。此外，产品不良率降低了 15%，通过实时质量检测和分析，及时发现生产过程中的问题并进行调整。MCP 系统的应用，使该厂在生产效率、成本控制和产品质量等方面实现了全面升级，展现出强大的产业赋能能力。 构建企业级 MCP 系统需要遵循科学的架构设计原则，通过系统化的落地路径逐步实施，并结合行业特点进行创新应用。从金融到制造，MCP 系统已在多个领域展现出巨大潜力，未来将成为企业数字化转型和智能化升级的重要技术支撑。 ## 五、未来演进：从协议红利到智能革命 在企业级 MCP 系统展现出强大落地价值后，其未来发展趋势不仅关乎技术演进，更将重塑 AI 产业生态。从技术融合创新到生态竞争格局演变，再到产品经理的战略应对，MCP 正从单纯的通信协议红利期，迈向驱动智能革命的新阶段。 ### 5.1 技术融合新方向：突破边界，迈向智能深度 **（1）MCP Server 智能化：自然语言驱动的交互革命** 传统 MCP Server 在执行任务时，往往需要开发者提供精确的指令或代码，例如在 NL2SQL（自然语言转 SQL）场景中，开发者需将自然语言需求转化为完整的 SQL 语句。而随着 MCP Server 的智能化演进，这一模式正被彻底颠覆。最新研究表明，通过在 MCP Server 中集成大型语言模型（LLM），模型仅需接收用户的查询意图，即可自动解析并生成对应的 SQL 语句，准确率提升了 35%。 以某金融数据分析平台为例，业务人员在进行数据查询时，无需再学习复杂的 SQL 语法，只需输入自然语言描述，如 “查询 2024 年 Q4 华东地区信用卡逾期率”，MCP Server 即可自动调用数据库资源，完成数据查询与分析。这种智能化交互不仅降低了使用门槛，还极大提升了业务效率，使得非技术人员也能高效使用数据资源。从工程应用视角，这需要在 MCP Server 中构建意图识别、语义解析、代码生成的完整链路，并通过持续的模型优化与数据反馈机制，提升服务准确性。 **（2）联邦学习突破：密态 MCP 下的数据协同创新** 在数据隐私保护要求日益严格的背景下，联邦学习成为数据共享与协同的重要技术。MCP与联邦学习的结合，为跨机构数据合作提供了新可能。以医疗领域为例，多家医院通过基于密态 MCP的联邦学习框架，在不泄露患者隐私数据的前提下，共享医疗模型参数。某肺癌诊断项目中，通过联邦学习聚合 5 家三甲医院的模型，最终使得肺癌诊断准确率提升了9%。  密态 MCP 在其中发挥了关键作用，其通过加密传输、安全多方计算等技术，确保数据在传输与计算过程中的安全性。同时，MCP 的标准化通信机制，使得不同医院的异构系统能够快速对接，降低了技术集成成本。这种模式不仅适用于医疗领域，在金融风控、智慧城市等多行业都展现出巨大潜力，未来有望成为跨机构数据合作的主流范式。 ### 5.2 生态竞争格局：机遇与挑战并存 **（1）协议碎片化风险：统一标准的必要性** 随着 MCP 的影响力扩大，不同企业和机构基于自身需求对协议进行定制化改造，可能引发协议碎片化问题。以地图服务为例，百度地图和高德地图虽都提供导航接口，但在数据格式、调用方式上存在显著差异，这使得开发者在集成多个地图服务时面临较高的兼容成本。在 MCP 生态发展过程中，若缺乏统一的标准规范，将导致开发者需要针对不同实现编写多套代码，增加开发和维护成本，阻碍生态的健康发展。 行业组织与头部企业需发挥引领作用，推动建立 MCP 协议的统一标准，涵盖接口定义、数据格式、安全规范等多方面内容。通过标准化建设，降低开发者的使用门槛，促进生态内各参与者的互联互通，提升整体竞争力。 **（2）聚合平台崛起：生态枢纽的形成** MCP 生态的发展催生了聚合平台的崛起，这类平台通过整合大量 MCP 兼容服务，为开发者和企业提供一站式接入能力。以MCP.so为例，该平台已接入超过 10,000+服务，月访问量达 141万次，成为连接服务提供者与需求方的重要枢纽。聚合平台通过提供标准化的接入流程、统一的管理界面和丰富的工具组件，大幅降低了企业使用 MCP 服务的成本。 从产品经理视角，聚合平台不仅是技术服务的集成中心，更是商业模式创新的载体。平台可通过收取服务佣金、提供增值服务等方式实现盈利，同时通过数据积累和用户反馈，持续优化服务质量，形成良性发展循环。未来，聚合平台将在 MCP 生态中扮演越来越重要的角色，成为各方争夺的战略高地。 ### 5.3 产品经理行动指南：把握趋势，引领变革 **（1）短期：选择非核心场景试点，积累经验** 对于计划引入 MCP的企业，产品经理应采取循序渐进的策略。短期内，优先选择非核心业务场景进行试点，如智能文档检索、内部流程自动化等。这些场景复杂度较低，对企业核心业务影响较小，便于快速验证 MCP 的可行性与价值。例如，某企业通过在员工报销流程中引入 MCP驱动的智能助手，实现了票据识别、审批流程自动化，将报销处理时间从平均 3 天缩短至 4 小时。 试点过程中，产品经理需关注以下几点：一是评估 MCP在实际场景中的性能表现，包括响应速度、稳定性等；二是收集用户反馈，优化交互体验；三是总结实施经验，为后续大规模推广奠定基础。通过小范围试点，降低试错成本，同时为企业内部建立对 MCP 的信心。 **（2）长期：建设企业 MCP 注册中心，实现资源复用** 从长期来看，产品经理应推动企业建设内部 MCP 注册中心。该中心作为企业内部 MCP服务的统一管理平台，可实现接口的注册、发现、调用与监控功能。通过建立 MCP注册中心，企业能够将分散的接口资源进行整合，实现接口复用率超过 60%，大幅降低开发成本。 在建设过程中，需明确注册中心的功能定位，包括接口标准化管理、权限控制、版本管理等。同时，建立配套的管理制度与流程，确保接口的质量与安全性。MCP注册中心不仅是技术基础设施，更是企业数字化转型的重要战略资产，能够帮助企业更好地管理和利用内部资源，提升整体竞争力。 从技术融合创新到生态格局演变，MCP正站在新的发展起点。无论是技术的智能化演进，还是生态的竞争与合作，都为企业和从业者带来了新的机遇与挑战。产品经理需把握趋势，制定科学的战略规划，推动企业在这场智能革命中抢占先机，实现可持续发展。 ## 六、MCP 技术演进与产业变革：从协议标准到智能生态的终极跃迁 ### 6.1 全文核心要点回顾 在人工智能技术加速向各行业渗透的背景下，Model Context Protocol（MCP）作为 Anthropic 提出的开放标准，以标准化双向通信框架开启了 AI 交互范式的变革。文章从技术本质、企业痛点、核心价值、系统构建及未来演进等多个维度，全面解析了 MCP 在企业级 AI 落地中的关键作用。 从技术本质来看，MCP 通过 Host、Client、Server 构成的三角架构，实现了 AI 模型与外部系统的标准化交互，其价值堪比 AI 世界的 “USB-C 接口”，有效解决了工具调用的 “M×N 集成复杂度” 难题，将传统 API 集成的定制化开发模式转变为标准化接入，开发成本显著降低，实时性和安全治理能力大幅提升。 企业级 AI 落地面临的系统烟囱化、数据动态性缺失、治理黑洞以及性能与成本失衡等痛点，严重制约了 AI 技术的商业价值释放。MCP 协议通过解耦架构、实时赋能、安全可控三大核心能力，为这些痛点提供了三维解决方案。在效率方面，MCP 将工具接入周期从数月压缩至数天甚至数分钟，实现动态数据的实时查询与交互；在安全层面，构建了三层权限控制和全链路审计追踪体系；在商业价值上，帮助企业整合知识资产，创新业务模式，提升核心竞争力。 在构建企业级 MCP 系统时，需遵循原子化工具拆分、合理选择传输层协议等架构设计原则，并通过业务拆解、定义 Schema、实现工具、注册 Server、配置 Agent 的五步落地路径推进实施。金融行业的盈米且慢和制造行业的某新能源车厂的实践案例，充分验证了 MCP 系统在提升业务效率、降低成本、优化决策等方面的显著成效。 展望未来，MCP 在技术融合、生态竞争和产品策略上呈现出清晰的演进方向。技术层面，MCP Server 智能化与联邦学习的结合，将进一步提升交互效率和数据协同能力；生态层面，协议碎片化风险与聚合平台崛起并存，标准化建设和生态枢纽争夺成为关键；产品经理则需要在短期内选择非核心场景试点，长期建设企业 MCP 注册中心，以把握发展机遇。 ### 6.2 当 MCP 成为 AI 世界的 “神经系统” **（1）协议即操作系统：重构 AI 世界的底层逻辑** 传统意义上，操作系统作为计算机硬件与软件之间的桥梁，承担着资源管理、任务调度和提供服务接口的核心功能。当我们提出 “协议即操作系统” 时，MCP 正在 AI 领域扮演着类似的角色，重构着整个 AI 世界的底层运行逻辑。 MCP 将 AI 系统中分散的模型、工具、数据资源进行统一管理和调度，如同操作系统管理计算机的 CPU、内存、存储等硬件资源。在企业级应用中，MCP 通过标准化的接口和协议，实现对不同类型 AI 模型（如语言模型、视觉模型）、各类业务工具（数据分析、流程自动化）以及海量数据的高效整合与调用。这种统一管理模式，消除了系统烟囱化带来的集成难题，使企业能够像在操作系统上安装应用程序一样，便捷地接入和使用各种 AI 能力，大幅降低了技术门槛和使用成本。 同时，MCP 具备的实时通信和动态数据处理能力，赋予 AI 系统 “感知” 和 “响应” 能力，如同操作系统对硬件设备状态的实时监控和响应。在复杂多变的业务场景中，MCP 能够实时获取数据变化，驱动 AI 模型快速做出决策调整，使 AI 系统从被动执行指令转变为主动适应环境，真正实现智能化的动态运行。此外，MCP 的安全治理体系，类似于操作系统的权限管理和安全防护机制，保障了 AI 系统在运行过程中的数据安全和操作合规，为 AI 应用的稳定运行提供坚实基础。 **（2）连接即核心竞争力：重塑企业竞争格局** 在 AI 时代，数据和连接的价值愈发凸显。“连接即核心竞争力” 这一理念，深刻揭示了 MCP 在企业竞争中的战略意义。MCP 通过标准化的连接协议，打破了企业内部各系统之间、企业与外部合作伙伴之间的数据壁垒和技术隔阂，构建起一个高效互联的生态网络。 对于企业而言，能否快速、稳定地连接各类资源，决定了其 AI 应用的创新速度和业务拓展能力。通过 MCP，企业可以迅速接入外部先进的 AI 模型、行业数据和创新工具，将其转化为自身的业务优势。例如，制造企业通过 MCP 连接设备数据、供应链数据和市场数据，实现生产、供应和销售的全链条协同优化，提升市场响应速度和客户满意度；金融企业借助 MCP 整合多方数据资源和风控模型，构建更精准的风险评估体系，增强市场竞争力。 从更宏观的产业生态角度看，MCP 的连接能力促进了产业链上下游企业之间的协同合作。企业不再是孤立的个体，而是通过 MCP 协议形成紧密的生态联盟。在这个生态中，各方通过共享资源、协同创新，共同打造更具竞争力的产品和服务。例如，在医疗领域，基于 MCP 的联邦学习框架，实现了医院之间的模型共享和数据协同，推动整个行业医疗诊断水平的提升。这种基于连接的生态合作，将成为未来企业竞争的新范式，谁掌握了更广泛、更高效的连接，谁就能在市场竞争中占据优势地位。 ### 6.3 终极预言下的未来图景 当 MCP 真正成为 AI 世界的 “神经系统”，整个 AI 产业将迎来前所未有的变革。在技术层面，MCP 与人工智能、大数据、区块链等技术的深度融合，将催生更智能、更安全、更开放的 AI 系统。例如，结合区块链技术，MCP 可以实现数据交互的不可篡改和可信追溯，进一步提升数据安全和隐私保护水平；与物联网技术结合，MCP 能够实现物理世界与数字世界的无缝连接，推动智能制造、智慧城市等领域的发展。 在产业生态层面，基于 MCP 的统一标准，将形成一个庞大的 AI 生态体系。各类企业、开发者、研究机构在这个生态中自由协作、创新，如同智能手机生态中的应用开发者围绕操作系统进行应用开发一样。聚合平台将成为生态的核心枢纽，通过整合海量的 MCP 兼容服务，为用户提供一站式的 AI 解决方案。同时，行业标准和规范将不断完善，消除协议碎片化风险，促进生态的健康、有序发展。 对于企业和从业者而言，这既是机遇也是挑战。企业需要积极拥抱 MCP 带来的变革，将其融入到自身的数字化转型战略中，通过构建基于 MCP 的智能生态系统，提升核心竞争力；从业者则需要不断学习和掌握 MCP 相关技术和理念，在新的技术浪潮中抢占先机。 MCP 的出现和发展，正引领着 AI 产业从技术驱动向生态驱动转变。“协议即操作系统，连接即核心竞争力” 不仅是对 MCP 价值的高度概括，更是对 AI 未来发展趋势的深刻洞察。随着 MCP 的不断演进和完善，我们有理由相信，一个更加智能、互联、开放的 AI 世界正在向我们走来。 **专栏作家** 王佳亮，微信公众号：佳佳原创。人人都是产品经理专栏作家，年度优秀作者。《产品经理知识栈》作者。中国计算机学会高级会员（CCF Senior Member）。上海技术交易所智库专家。专注于互联网产品、金融产品、人工智能产品的设计理念分享。 本文为作者原创投稿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。

2025年6月21日，以新安全 新价值为主题的第五届数字安全大会在北京隆重召开，本次大会由数世咨询主办，聚焦数据要素化安全、可信数据空间、安全智能体、安全优先的大模型、数智化安全运营等热点话题，吸引了来自政府、监管、工业制造、能源、航空、金融、运营商、医疗、教育、互联网等各大行业的CIO/CSO和数字安全厂商，共300余人到场，同时当天有近万人通过线上观看此次数字安全盛宴。   大会现场  数世咨询创始人李少鹏 数世咨询创始人李少鹏在致辞中表示，以数据为新的生产要素，以人工智能为新的生产工具，是为安全的“新”。当前安全产品“卷”价格事件层出不穷，主要就是带来的价值不清晰，希望安全行业有志之士的努力，能够让产业健康化、安全价值清晰化，从形式合规走向实效合规，从资产保护延伸到业务融合，是为安全的新价值。数字安全的价值不仅体现在保障业务连续性、降低安全风险损失上，更体现在促进数据要素流动与人工智能应用的创新发展上，即体现在提升企业的核心竞争力上。数字安全既是底线又是竞争力。 **最新发布《中国数字安全产业年度报告（2025）》**  数世咨询 高级分析师 刘宸宇 从正在编制中的“十五五”规划，到已发布的城市全域数字化转型、数字中国建设整体布局规划，再到可信数据空间发展行动计划、数据要素×三年行动计划，均为数字安全产业政策释放的重大利好。基于连续多年积累的产业调研能力和行业经验，经过大量的现场沟通、访谈，梳理、整理，统计工作之后，数世咨询分析师团队撰写完成《中国数字安全产业年度报告（2025）》，包括以下重要内容： 2024年中国数字安全市场规模901.59亿元，产业规模的下滑速度从“有所减缓”到“持续减缓”，结合当前的政治经济形势，以及政策和产业态势来看，2025年整体产业规模有可能出现缓跌企稳的趋势。 中国数字安全企业，从各企业收入水平的占比情况来看，网络安全市场“没有寡头，只有诸侯”，在本报告400余家统计对象中，有6家企业营收在30亿以上，合计占比25.36%。有10家企业收入在10亿至30亿之间，合计占比20%。19家企业在5至10亿之间，合计占比13.6%；133家企业在1至5亿之间，合计占比30%；232家企业在1亿元以下，合计占比11%。今年约50家企业将不再列入数世咨询的统计对象。 此外，我们调研发现2024年数字安全企业从业人员约12.52万人，其中技术人员7.91万人，约占63.2%，销售人员2.27万人，占比18.1%，整体从业人员数量较上年度下降14.9%。 数字安全技术，在当下“预算收紧、需求务实”的现状下，用户关心的已不仅是“我买了什么能力”，而是“是否真正对应需求场景，值不值得这笔投入”。也就是说，为安全的价值买单。为此，2025年5月，数世咨询推出“基于价值”理念的《中国数字安全价值图谱》。 **联合发布《数字时代：实现数据要素化安全保护象限图》** 当下，数据要素化进程需要高水平安全保障，在此背景下，中国信息协会信息安全专业委员会PCSA安全研究院/联盟，联合成员单位、行业用户和产业各方，开展了《数字时代：实现数据要素化安全保护象限图》的研究工作，历经半年，形成由破局图、认知与理念图、体制与机制图、方法与路径图、技术与工具图组成的系列研究成果。  大会现场，四位权威专家围绕数据要素化安全的发展理念与实践路径，分别从不同维度进行深入解读：中国信息协会信安委副主任、PCSA安全研究院首席专家 郭峰从“认知与理念”维度开篇分享，中电科太极股份数安事业部副总、PCSA安全能力者联盟高级专家 刘鹏辉从“体制与机制”维度进行阐述，PCSA安全研究院 高级研究员彭程从“方法与路径”层面进行分享，最后青藤云联合创始人、PCSA 安全能力者联盟 高级专家程度则从“技术与工具”视角出发，分享了前沿安全技术在实战中的应用与演进趋势。  中国核能信息协会网络与信息安全工作组组长 邹来龙 特邀嘉宾中国核能信息协会网络与信息安全工作组组长 邹来龙以《核能行业可信数据空间安全架构》为主题分享，特别提到基于可信数据空间架构的核电数据安全建设对推动行业高质量发展至关重要，国家正积极发展核电，计划至2030年达到1.1亿千瓦装机容量，强调数字化转型对于解决数据孤岛和安全风险的必要性，并提到国家发布的推进核电数字化转型指导意见。指出核能行业在数据资源化、资产化和资本化过程中的具体措施，并提出了在智慧工地和设备可靠性管理中应用可信数据空间的设想。最后强调构建信任和安全治理体系的重要性，提出隐私计算、区块链等技术解决方案以促进数据高可信流通，旨在通过数据要素化安全保护构建新的数据安全范式，实现核电行业的数字化转型和高质量发展。  联合发布《数字时代：实现数据要素化安全保护象限图》 **联合发布《数智化安全运营报告》**  数世咨询战略分析师 靳慧超 数世咨询战略分析师 靳慧超对《数智化安全运营报告》进行了解读，他强调数字时代的安全运营已经成为企业的一项数字化业务，而这种业务正式通过AI赋能、数据驱动的方式实现的。会上还展示了数智化安全运营框架，该框架有三大特点。一是安全运营与数字化业务的匹配，二是可持续评估的健康运营体系，三是通过安全场景体现安全运营的价值。  观安信息安全专家 阮子禅 观安信息安全专家 阮子禅以《智算时代安全运营的数智化跃迁》为主题进行了分享，首先强调了AI时代下自动化与智能化安全运营的重要性，概述了从SOC 1.0到SOC 3.0的发展，展示了AI技术在数据价值挖掘和安全产品智能化上的作用。随后以AI赋能、数据驱动的数智化安全运营实战解构。从制度、管理、技术三管齐下，构建集约安全纵深防护并持续检验安全水位以保证安全有效性。实践过程中，充分利用大模型能力有效降压，释放运营前线压力；利用数据驱动沉淀专家经验自动化生成并验证策略和剧本，有效提升响应效率降低MTTR指标。最后，观安信息以革新管理、落地制度、先进技术展现智算时代安全运营的数智化跃迁。 **行业大咖分享前沿观点**  电信安全云脉SASE产品线 吴秋桦 电信安全云脉SASE产品线 吴秋桦以《从 “被动防御” 到 “智能自愈”：SASE 产品的 AI 应用范式升级》为主题分享，随着数字化时代的到来，办公安全需求发生了显著变化，传统IT安全架构暴露出诸多不足。为此，电信安全积极探索将AI技术融入产品设计中，以提升用户体验和加快产品迭代速度。 中国电信自主研发的安全大模型“见薇”，并分享了该模型在提升用户体验和产品能力探索。通过AI技术的应用，电信安全公司不仅优化了办公环境的安全防护，还加速了安全事件的响应速度，AI在安全领域的应用是一个持续迭代和进步的过程，电信安全致力于通过不断的技术创新，实现更智能的安全产品，并增强整体安全运营能力，以应对日益复杂的网络安全威胁。展望未来，AI技术将在提升办公安全效能方面发挥更大作用。  腾讯安全威胁情报产品规划负责人 高睿 腾讯安全威胁情报产品规划负责人 高睿以《打破情报孤岛，实战化协同新生态》为主题进行分享，他首先指出网络安全面临的挑战，并强调威胁情报作为安全数据的重要组成部分，对于解决这些挑战至关重要。介绍了威胁情报从1.0简单黑白名单到5.0离线SDK、6.0 for AI的演进路径，腾讯自身的威胁情报已经达到5.0。他强调，虽然威胁情报能够有效应对信息化和数字化转型带来的安全挑战，但选择和使用威胁情报时也面临数据质量和使用场景适应性等挑战。  腾讯通过持续的技术创新，已达到威胁情报应用的高级阶段，并与多家企业合作，共同推动威胁情报产业的发展。此外，高睿还介绍了威胁情报的标准化、合作模式创新及未来规划，强调了与行业伙伴合作的重要性，呼吁大家共同努力，为网络安全领域贡献新的知识和经验。  百度研发安全负责人 陈长林 百度研发安全负责人 陈长林以《智能体在安全领域的应用实践》为主题进行了分享，之前安全与效率很难平衡，百度通过将技术方案融入研发流程中，实现“安全左移”，即在问题源头阻止安全问题，从而提高效率。百度利用大模型技术，如文心快码，实现智能体在编码、测试等环节的自动化处理，大幅减少了安全漏洞修复的时间和成本。通过持续的模型调优和人工评估，建立了数据飞轮模式，不断提升漏洞自动修复的准确率。最终，陈长林展示了百度安全智能体显著提升了研发效率和安全性，包括代码自动生成率43%、上线前漏洞修复率47%等成果，强调了智能体在安全和提效方面的重要作用。  贵州大数据安全工程研究中心主任 杜跃进 贵州大数据安全工程研究中心主任 杜跃进以《DSMM：企业在数据空间中的通行证》为主题分享，通过6·15北京高校女教授被树砸身亡事故反思，他强调在选择外包服务时应重视专业性和管理能力，而非仅看服务表现。安全行业不应该过分依赖合规，忽视为业务创造价值，安全，只有真正成为内需，才会有健康和长远，呼吁安全行业认真思考，在新的时代下，安全对企业究竟有什么价值。安全行业的价值，应该是帮助企业实现以业务为中心的风险控制，实现和企业利益的一致。风险控制取决于自身安全能力与面临安全威胁的对比，企业安全能力不等于安全产品或系统，还涉及企业的组织与机制、人员能力、以及必要的制度与知识，同时，企业的行业不同、业务不同、规模不同、组织管理结构不同，对应的安全能力设计要求也不同。建议安全行业、企业及主管部门共同建立安全能力评估体系，促进行业健康发展。最后，他强调安全行业应以助力企业业务发展为核心，将安全视为数字化转型系统要素，通过提升安全能力成熟度，为企业的长期成功做出实质贡献。  保旺达解决方案总经理 卢陵鹄 保旺达解决方案总经理 卢陵鹄以《数据安全与智能化审计的融合之道》为主题分享，我们希望做的是超越监督的、面向管理的审计，特别强调了审计技术从传统的合规审计向更深层次的管理审计转化的必要性，并提出利用技术创新来解决审计中的人才短缺和资源错配问题。他提出了构建技术与业务融合的审计平台，以及利用大模型和标签体系技术的愿景，智能地识别和管理潜在风险，提升审计效率和效果。强调了对新技术和新方法的开放态度，以及致力于通过智能审计平台为安全领域贡献价值。 **创新赛道领航者颁奖仪式**  2025年度创新赛道领航者颁奖仪式 数字安全是一个多维度、多场景，且不断动态变化的领域。因此，即使是在经济疲软、产业不振的大背景下，依然不断的有创新者出现。数世咨询与创新企业共同打造12个创新赛道（按照企业简称首字母排序）： 1、 数智化安全运营赛道领航者观安信息 2、 可信数据空间赛道领航者领信数科 3、 业务安全代码检测赛道领航者清科万道 4、 自主化安全运营平台ASOP赛道领航者睿安致远 5、 全栈数据安全赛道领航者闪捷信息 6、 资产驱动的漏洞情报赛道领航者摄星科技 7、 数据库OS扩展加密（第三代数据库加密技术）赛道领航者数达安全 8、 数据安全能力有效性验证赛道领航者思维世纪 9、 数据安全态势管理（DSPM）赛道领航者天空卫士 10、 安全DNS赛道领航者微步在线 11、 安全智能体赛道领航者云起无垠 12、 业务融合安全赛道领航者掌数信息 **数字安全人才社区成立仪式** 当前，数字安全供需双方普遍面临用人成本高的企业难题，存在“一边裁员、一边缺人”的矛盾现象，反映出企业对人才供需精准匹配的迫切需求。同时，高校网络安全相关专业毕业生仅约10%进入本行业就业，凸显出高校人才培养与企业实际需求之间存在较大鸿沟。  为有效解决上述问题，工业和信息化部网络安全产业发展中心，联合中关村华安关键信息基础设施安全保护联盟、中关村网络安全与信息化产业联盟、数世咨询、全国人工智能+安全（数字安全）产教融合共同体、新智识安5家牵头单位组成，并联合联通数科、安恒信息、绿盟科技、山石网科、盛邦安全等30余家数字安全领军企业，共同发起成立数字安全人才社区。 **引领新风向：闭门会议探讨数字安全热门话题 ** 数字安全大会作为当前数字安全领域唯一由第三方独立咨询机构主办的行业盛会，受到了政府主管部门领导、企业CSO、行业CIO等各类关键群体的高度关注与积极参与。本次大会特别设置了三场闭门会议，分别聚焦“AI赋能安全运营”“安全优先的大模型实践”以及“可信数据空间构建”，从战略、技术、场景等多个维度深入探讨数字安全的前沿议题与落地路径。  现场花絮 展望未来，数字安全将成为支撑社会高质量发展的关键基础设施之一。作为大会主办方，数世咨询将继续发挥第三方机构的专业价值，秉持开放、协作、务实的理念，与广大业界同仁携手同行，持续推动数字安全产业生态的健康发展。

‍文 | 马晓迪‍  编辑 | 刘士武 ## **新游速递** **《捞女游戏》引发热议后更名《情感反诈模拟器》** 《捞女游戏》于6月19日上线Steam，首日便冲上微博热搜。目前已登顶Steam销量榜，获得96%的好评。然而，游戏因涉及敏感题材引发争议，被批评为污名化女性。游戏已更名为《情感反诈模拟器》，其导演的社交媒体账号也被封禁。尽管争议不断，该游戏依然吸引了大量玩家关注和讨论。  图片来源：Steam **腾讯《最终幻想14：水晶世界》全平台上线** 由光子工作室群研发、SE监制的FF14正版手游于6月19日上线，作为经典IP手游版，游戏延续端游世界观剧情，开放五大种族、九大战职，优化跑图与休闲玩法，还有高难副本与技能循环。开服送坐骑、宠物、时装，准备超多福利活动，为冒险者带来诚意满满的艾欧泽亚之旅。  《最终幻想14：水晶世界》 **网易《灵兽大冒险》开启安卓万灵测试** 《灵兽大冒险》付费删档测试“万灵测试”将于6月19日8点开始，仅支持Android设备。是一款竖版回合制MMO捉宠手游，主打五大门派捉宠、自由交易与家园建设，结合社交与策略玩法。 **网易雷火发布首款3A单机《归唐》，胡志鹏亲任制作人** 网易雷火事业群旗下的临安24工作室于6月20日首曝3A级单机游戏《归唐》，项目由网易集团执行副总裁胡志鹏担任制作人，研发时长约4年。《归唐》以晚唐张议潮收复河西历史为蓝本，采用买断制发行。游戏首曝PV展示了高水准画面、写实光影与精细建模。但未放出完整实机演示，项目组回应称将逐步公开更多内容。  《归唐》 **三七互娱《龙骑士学园》全平台上线** 《龙骑士学园》是一款异世界冒险题材的MMORPG手游，于6月19日正式上线。玩家将作为龙骑士学园的新生，参与龙骑士招生，消灭魔物，结交伙伴，对抗被混沌力量渗透的教廷，成长为真龙骑士拯救世界。游戏支持多角色养成与组队副本。 **西山居机甲新游将于7月2日全球公测** 据悉，由西山居出品，定位于近未来科幻机甲主题的动作射击对战游戏《解限机》，将于7月2日正式开启公测，游戏也将登陆PS5、Xbox Series X|S、Steam平台。在此前的几轮测试阶段，参与测试玩家逾226万，最高同时在线人数一度超过31.7万，官网显示，《解限机》目前全球预约人数已超520万。这是西山居首次尝试机甲风格网游， ## **老游情报** **网易《非人学园》宣布停止更新** 《非人学园》上线七年后，6月18日宣布8月起停止新内容开发并关闭部分服务器。服务器仅保留“细水长流”，其余将全部关闭。游戏于2018年上线，曾进入iOS畅销榜前40，但半年后下滑至200名外。去年推出自走棋玩法“小王牌”试图挽回市场但效果不佳。 **《黑神话：悟空》一周年庆典开启首次全平台8折优惠** 《黑神话：悟空》在发售一周年之际首次推出全平台8折优惠活动，覆盖PS Store、微软商店（预售）、Steam、Epic游戏商城和WeGame。PS平台折扣从6月18日持续至7月3日，PC平台则从6月20日持续至7月11日。国行版PS Store标准版售价214.4元，数字豪华版262.4元，DLC仅48元。Xbox平台正式发售将于8月20日开始。  《黑神话：悟空》 ## **行业要闻** **腾讯2025WeGame游戏之夜，WeGame3.0版本发布** 2025年WeGame游戏之夜于6月16日顺利结束，期间公布了《异人之下》《失控进化》《荒野起源》等多款新游的最新消息，并正式发布了WeGame3.0版本。新版本主打轻快体验，升级了技术框架和内核，优化了操作表现和游戏模式，降低了平台功耗，提升了稳定性。游戏之夜还带来了一系列备受期待的游戏更新和测试信息，为玩家呈现了一场丰富多彩的游戏盛宴。  图片来源：WeGame **游族网络启动16周年庆暨“616少年节”，曝光多款新游** 游族网络16周年庆暨第九届 616 少年节高潮迭起，发放616万份福利，旗下多款游戏推出活动。《少年三国志3》《援军来了》《代号：球》《大皇帝H5》等新作公布，其中《少年三国志3》将于7月上旬开启“群英测试”，主打国潮美术与卡牌创新。  游族网络16周年 **北京出台11条举措支持游戏电竞产业，最高奖励3000万元** 中共北京市委宣传部等部门印发《关于促进北京市游戏电竞行业高质量发展的支持办法（暂行）》，提出推动人工智能、AIGC等科技与游戏电竞产业深度融合，加快技术成果在游戏研发、运营等各环节的创新应用。支持游戏电竞领域企业及相关市场主体在人工智能、游戏引擎、游戏开发工具、交互式流媒体和扩展现实等关联领域布局，鼓励建立重点实验室，开展核心技术攻关。根据项目可纳入支持范围的投资给予最高不超过3000万元奖励。 **RNG及老板姚金成等被强执超1.6亿元** 爱企查App显示，近日，上海竞心承峰传媒有限公司、姚金成等新增1条被执行人信息，执行标的1.6亿余元，执行法院为上海市第一中级人民法院。 该公司成立于2018年11月，法定代表人为王俊红，注册资本约557万元人民币，经营范围包括文化艺术活动交流与策划、电脑软件开发、计算机信息技术咨询服务等，由姚金成、海南鼎纯信息科技中心（有限合伙）、宁波太横企业管理咨询合伙企业、王俊红共同持股。风险信息显示，该公司现存多条股权冻结信息。 **关注「36氪游戏」，获取交流群二维码。** 本文首发自[“36氪游戏”。](https://mp.weixin.qq.com/s?__biz=MzkzOTY5MTQyNQ==&amp;tempkey=MTMyN19iY2VZTUJWQUc5ZGozTlRYQ0lDMVRuUlp1ekYtSDU4ckVpdno2YlNNTHcycEowZk9FekZnWmNRQkwzaW1GSHY5Y0JNM3dVTHVvdndHbktqTk9PaUlwVTRRUlhpbkViVG85N2hzNU5DS18yS3pXYkhZTERXSjd4VFRsbS05NGVmTzZ5Rmg3aGRZUzhGQmNBdy14Tm56dHpvS3ZVNi1ERTJoYjhIbnVnfn4%3D&amp;chksm=c2ec5b5cf59bd24ad508f099d4f901bb426ca1d98ca0f3ea5515677f05e5e36805cb848deb9f&amp;token=552647223&amp;lang=zh_CN#rd)

在前段时间的《让子弹飞》映后交流时，姜文曾说自己在中戏的艺术概论课上学到一个道理，那就是“作品离开作者的时候，就不属于作者了”。除了姜文，估计喜羊羊之父黄伟明现在是最明白这句话的人。当他在多年前宣传创作理念时肯定没想到，这个该为人们带来快乐的作品，变成了悼念明朝的悲剧名著。  **请问，《喜羊羊与灰太狼》为什么是悼明之作？** **这是因为在悼明学家们的眼里，整个青青草原就是明末清初的镜像宇宙。** 在地理上，他们认为羊村的大炮是山海关，狼堡是盛京，青青草原是明土。 历史在这里被正邪两立。羊所代表的元素是明朝的暗喻，而和狼有关的一切事物则代表清朝的统治。 羊村里的小羊们个个都设有层层隐喻，有的则有直接对应的明朝历史人物形象。 例如喜羊羊文韬武略兼备，象征的是抗清民族英雄史可法；懒羊羊饱食酣卧，指的是沉迷酒色而荒废朝政的皇帝朱由崧；美羊羊影射冲冠一怒为红颜的陈圆圆。  而狼族也意有所指，他们被设定为羊儿们的天敌，象征着和明朝持续斗争的女真族。 灰太狼额前疤痕影射清初“剃发令”；每每高呼“我会回来的”，也是在比喻阴魂不散的清朝势力。 红太狼头顶金冠，代表了以金为姓的满族人。用平底锅打人，昭示了外族统治的压迫性。 狼羊后期化敌为友，暗示了明末清初时期，明朝遗民不得不与满族人和解以求共存，是随波逐流的现实悲剧。 **而《喜羊羊与灰太狼》成为悼明之作，只是庞大悼明宇宙中抽象的一部分。**  在它身后，中文互联网现在正处于万物皆可悼明的狂欢。只要把任何东西跟明朝相联系，流量就是真有了。 拯救明朝也已经成为各大游戏博主起号的最佳捷径。在各类战略游戏的直播和视频中，只要带上“大明”字眼，观众数量就会噌噌暴涨。 其他类型的热门游戏也逃不了这个体系。比如原神开机后的后一个词就被扭曲成了启“东”， 象征着明朝启动对东方女真族的用兵，暗示萨尔浒之战的惨败和明朝陨落。  成为悼明学素材的并非只能是东方的文学产物，连西方的经典著作其实也暗暗站了队。 比如在罗密欧与朱丽叶中，罗密欧的罗是爱新觉罗的罗，朱丽叶的朱是朱元璋的朱。罗位于朱前，暗示明朝已逝去，清朝已来。 除了眼睛能看的，耳朵里进的英文流行音乐其实也都是悼明曲的一环： 比如，披头士就是经典悼明主题乐队之一。他们的代表曲目《Hey，Judy》致敬的是明朝皇帝朱棣。一个Hey，就将对明代的怀念表现得淋漓尽致。  连流行符号也逃不了被悼的命运。 比如，流量ip奶龙被魔改成了“被驯服的皇权”，它“自我矮化下的权力消逝”，更是“集体创伤记忆”。 在宣传悼明这一方面，小红书上的帖子还是有点太全面了。毕竟小红书即小朱书，象征着大明王朝。集大成者，正是终极悼明之作。  但，这些东西换汤不换药。 最开始看的时候还觉得有点意思。但看得越多，就越觉得无聊。 这种感觉来于AI批量复制的文字自带逻辑黑洞，读多了自然就会产生脱敏抗体。 **无论逻辑有多牵强，文字有多抽象。实际上让人看烦了的原因只有一个：** **它们其实都在表达一件事：对明朝逝去的遗憾，以及对清朝降临的不满。** 但，为啥悼明风潮会有这么大的声量呢？  要琢磨为什么现在人一提悼明就上头了，就得从20世纪初开始说起。 悼念前朝的思旧情绪在历朝历代都不罕有，但悼明之风延续到21世纪，我想少不了民国时期的红学索隐派的影响。 这一派的学者认为，《红楼梦》不仅是描写儿女情长的小说，更是一本影射政治事件和真实历史人物的作品。 最经典的莫过于蔡元培在《石头记索隐》写的那句“《石头记》者，清康熙朝政治小说也。作者持民族主义甚挚，书中本事，在吊明之亡，揭清之失，而尤于汉族名士仕清者寓痛惜之意”。 因此，“吊明之亡，揭清之失”成为了这门红学学派的核心主张，悼明也成了索隐派的关键字。 不过，这种说法遭到了以胡适为代表的考证派反对。 在他写的《红楼梦考证》中，一句“向来研究这部书的人都走错了道路”奠基了后期漫长的争论。  蔡元培诞生一百二十周年纪念邮票 虽然文学之争没有答案，但这种情绪是有历史根据的。 索隐学开始兴起的时代，是刚刚推翻满清统治的民国初年。 在那个国破民穷的时代，中国面临着列强的侵略和瓜分。在民族危机之下，人们为家国命运而担忧和遗憾，而沦落成这步田地，满清政府被认为是责无旁贷。 席卷20世纪初的革命浪潮，围绕“驱逐鞑虏，恢复中华”的口号展开，它攻击的是满清的执政合法性。在这样的氛围下，清朝就成了纯粹的负面角色。 **而当一个事已经被社会定性成“坏”，与之相对的东西自然就变成了“好”，这是人们心中会自然生成的对比心理。** **在这样的史观之下，明朝作为被取代者，自然被赋予更多悲情与理想化的怀念。人们会思考：如果明朝没有被清朝取代，中国今天就不会这样。**  清朝末年的上海 时隔百年，这样的情绪流行，是因为近代百年屈辱给我们的冲击实在太大了。 在我们的高中历史教育中，近代的百年耻辱史是被反复强调的话题：从第一次鸦片战争开始，再到后面的甲午海战、辛亥革命......整个清朝的章节都不断强调着政府的顽固不化与民族至暗时刻。 即便涉及到清代的历史教育也提到了开疆拓土、政治改革等积极内容，但也远不及一连串条约和天书数字的屈辱赔款令人记忆深刻。 没有一个中国人学到这样的历史不会觉得难过和扼腕叹息，拿这个再和辉煌的古代史一对比，这种纯然的厌恶几乎是对清朝的绝对厌恶。  民族的巨大伤口，成为了新时代鞭策自己的动力，也成了一种深埋在DNA里的恐惧： **百年屈辱史教会中国人的是弱小的代价和强大的意义，正因为我们担心悲剧重演，才渴望强大，恐惧脆弱。** 每当我们身处外部威胁的时候，就会自然想起那段悲痛的历史，想起屈辱的清朝，进而唤醒悼明之情：过去是被侵略的历史，现在是新闻头条的贸易战。 这，就是悼明的情绪逻辑： **它是一种情绪宣泄，也是一种焦虑表达，它是应激反应。它不仅仅是复古，更是一种面向未来的集体心理动员。**  谈论悼明，不仅仅因为它是近两年流量世界的热点话题，更重要的是这种心态已经影响到了我们现实的生活。 在厌恶的狂潮中，有人开始怒了。因此，如今开始出现不少呼吁停止悼明的帖子。 他们普遍认为，明朝的消亡与白骨如山忘姓氏、诛九族等悲剧是一码事。本是中华民族的血泪史，如今却变成了社媒上哈哈而过的烂梗，这是让人不能接受的。 但其实，这些呼吁和平的帖子受到的辱骂比搞抽象的要多得多。只要一评判好或坏，评论区就会立马长出一大片充满戾气的人。 满遗、明狗、清吹......充满侮辱性的词汇到处乱飞，对立的人们恨不得把毕生所学的脏话都用上，甚至使用上暴力手段。  2008年阎崇年签售现场 2008年时，74岁的历史学家阎崇年就因被质疑对清朝历史的美化性解读，而在书店签售时惨遭掌掴。 施暴者黄海清在事后表示：不后悔，绝不道歉！只要阎崇年继续发表不当言论，自己还要竭尽所能阻止。 即使在这件事发生后已过去17年，互联网上暴烈程度却比那时更严重。有的时候仅仅是没有随波逐流，就能被贴上各种恶毒的标签。 **但是，这真的至于吗？**  中国历来不缺乏朝代粉的概念，而这种对明朝悼念，本质上是现实焦虑的投射——人们通过美化历史来掩饰当下的不安全感，将内心的恐弱情绪转化为对虚幻强盛的追忆。 经济和生活的波动，流行文化的高速迭代。我们身处在这个不稳定的时代，自然而然有种被动感。 尤其是当传统渐行渐远，一个历史厚重的民族该如何面对现代世界生存，就急需来自民族的认同与想象——孱弱的晚清不行，豪迈的唐汉又太远，那么不远不近的明代就承载了这样的想象。 在研究过去的时候，人们热衷于为各种事件定性。比如索隐派和考证派的永久争论，是因为两方的人都想力证对方是错的。明清粉丝的戾气也来自于评定朝代的好与坏。 **但一个王朝在国家历史政治中的作用，或许真的没有我们想象中那么非黑即白。** 评价好坏很容易，但这并不是全部的事实，过去的历史已成疤痕，我们应当获取的是经验，而非用其中诞生的恨意、说教和无端戾气来攻击另外的人。 **在世界上任何一个多民族国家，团结史观都是国家发展的基石，中国也不例外。** **无论在哪个国家，激进朝代毒唯粉的存在对社会的稳定是一种损耗。**  1953年 叶浅予《各族人民大团结》  1908年 美国宣传种族和平共存的戏剧_Melting Pot_  1972年 苏联宣传民族共和的海报 我们总能在一些视频赛道中，发现观众对回到明朝穿越叙事的青睐。 一些朋友总是喜欢幻想如果在某些关键节点，如果作出不一样的选择，后面的事情是否会走向不同的方向。 **但当人人沉迷于“我重生了”的时候，也必须搞清楚：纵使现在有很多烦恼，但我们也生活在一个历史中最好的时刻。**  无论是红学内讧，还是明清之争，都是人们在和平年代缔造出的矛盾，而恰恰是长期稳定社会环境下的产物。 **而如果真的像那些博主视频一样重返到某一朝代，生活真的会好起来吗？** **答案是一定不会的，因为当时的世界大概率会更加动荡。** Long Peace（长期和平），是美国冷战史学家约翰·刘易斯·加迪斯于 1986 年首次使用的术语。他认为1945 年第二次世界大战结束至今，全球处于一段前所未有的历史相对稳定时期。 虽然我们每天抱怨工作和领导，把一切不满都归于社会。但在战乱和饥饿这些层面上，现在的生活其实已经是漫长历史中的顶峰时代。人类发展的车轮只会向前滚动。 **我们每天平静地上下班，与朋友们聚餐，或躺在床上刷手机。** **如果从历史的角度俯视，这种看似单调的日常，其实是人类历史上难得的珍贵时刻。** 在美国作家斯蒂芬·平克的著作《人性中的善良天使：暴力为什么会减少》这一书中表示，虽然你可能将信将疑，但社会中的暴力的确在不断减少，“我们处于人类有史以来最和平的时代”。  铭记历史或讨论那些发生过的事固然没错，但如果从现在这个时间出发，一味地批判或仰慕都不能从立体的角度观看历史的全貌，更有可能成为现实的阻碍。 清华大学政治学系副教授刘瑜老师说过一句话：在议论之前的事情时，我们应该在一个恰当的比例感中探讨问题，而失去比例感很可能意味着错误的药方。 **悼明也好，争吵也好，或许归根结底都不是为了回到某个朝代，而是为了在当下找到继续走下去的理由。** **但比起执着于哪个朝代更好，我们或许更该珍惜眼前来之不易的和平与秩序。这是历史留下的沉重馈赠，不该是仇恨的开端，而是共存的经验开始。** **历史螺旋上升，未来一定更好。** [查看评论](https://m.cnbeta.com.tw/comment/1508430.htm)

**华为终端官微今天正式宣布，华为Pocket 2优享版将于6月26日10:08正式开售。**官方并未公布具体信息，但结合官方海报和爆料来看，**该机整体依然维持Pocket 2的规格，但芯片将更换为麒麟9020A。**  麒麟9020A是麒麟9020降频版，曾由华为Mate 70 Pro优享版首发搭载。 **作为对比，麒麟9020A CPU规格为1*2.40GHz+3*2.00GHz+4*1.60GHz，麒麟9020则是1*2.50GHz+3*2.15GHz+4*1.60GHz，**除了超大核和小核降频外，Maleoon 920 GPU也从4cu降到3cu。 按照华为的说法，Mate 70 Pro对比Mate 60 Pro性能提升40%，Mate 70 Pro优享版对比Mate 60 Pro性能提升35%，这种性能差异在日常使用中几乎无法感知，用户使用不会受影响。  **值得注意的是，有消息称华为Pocket 2优享版将会降价至6000元以内，支持国补，到手价会明显更低。** 其他方面维持不变，屏幕尺寸为6.94英寸，分辨率为2690*1136，支持1-120Hz帧率自适应刷新，440PPI。  后摄采用全焦段XMAGE四摄，拥有5000万像素超感知主摄、超广角微距镜头、3倍光学变焦长焦，这也是业界首款支持3倍变焦的小折叠。 支持超强灵犀通信，并且还是首款支持双向北斗卫星消息的小折叠。 [查看评论](https://m.cnbeta.com.tw/comment/1508428.htm)

当地时间6月18日，欧洲统一专利法院（UPC）曼海姆（Mannheim）分庭更新的最新诉讼信息，**联发科子公司HFI Innovation起诉了中国华为旗下五家子公司侵犯了欧洲专利EP2689624，这是一项名为“增强型物理下行链路控制信道的搜索空间配置方法”的LTE专利**。这是联发科对于此前华为起诉联发科专利侵权的进一步回应。 [](//img1.mydrivers.com/img/20250623/cd1bf654-b01e-4e5c-989b-4b1db925fec2.png) 早在2024年5月，华为在与联发科进行专利谈判无果的情况下，率先于深圳市中级人民法院对联发科提起专利侵权诉讼，可能涉及5G（或包括4G、3G等）蜂窝移动通信技术等。 在此之前，华为曾于2022年3月与联发科接洽，希望联发科获得其5G标准必要专利组合的许可，但谈判未能成功。联发科以不符合公平、合理、无歧视（FRAND）的条款为由拒绝了华为的申请。 随后，华为还在深圳、广州等地就4G和5G关键专利侵权问题对联发科提起了诉讼。 **针对华为的起诉，联发科也迅速展开了反击。** 2024年7月，联发科及子公司HFI Innovation和MTK Wireless在英国法院对华为提起诉讼，控告华为侵犯该其三项涉及4G/5G专利，并寻求禁令。 同时，联发科还在英国，德国慕尼黑和曼海姆，中国深圳、郑州、杭州、北京、广州等地对华为发起了包括4G/5G专利侵权、反垄断、费率裁决在内的多起诉讼，并在一些案件中寻求禁令。 随后，华为对英国高等法院设定全球FRAND费率的管辖权提出质疑（案件编号：HP-2024-000028）。 2025年3月，英国高等法院法官托马斯·利奇（Thomas Leech）驳回了华为这一诉求，并裁定法院有权就联发科的全球FRAND费率请求作出裁决。确定FRAND费率的程序现已继续进行。 2025年5月13日，裁判文书网公布了华为起诉联发科侵犯专利后，联发科向最高院提出管辖权异议后的两份民事裁定书：（2025）最高法知民辖终18号、（2025）最高法知民辖终20号； 同时，还公布了联发科向河南省郑州市中级人民法院对涉案华为产品河南销售公司发起的两起涉及4G标准必要专利的侵权指控后，被告方向最高院提起的管辖权纠纷上诉的两份民事裁定书：（2025）最高法知民辖终22号，（2025）最高法知民辖终23号。 这四份最高院裁决基本都是围绕原告或被告对于一审法院的管辖权异议的裁决。 **最终结果是，联发科的上诉请求不成立，被驳回，维持一审裁定。华为关联公司的上诉请求不成立，被驳回，维持一审裁定。** 资料显示，截至2024年底，华为在全球拥有超过15万项有效专利。其中，超过5万项有效专利已在中国获得授权，位居中国第一。 **此外，华为在美国拥有超过2.9万项授权专利，在欧洲拥有约1.9万项授权专利，华为连续八年保持PCT国际专利申请量第一。** 2023年4月，中国信息通信研究院发布《全球5G标准必要专利及标准提案研究报告（2023年）》显示，华为的有效全球5G标准必要专利族数量占比为14.59％，排名第一位；高通排在第二位，其占比为10.04%；三星排在第三位，其占比为8.80％。 根据华为法务部副总裁、重大项目部部长沈弘飞在线上对媒体透露的数据显示，“华为在全球拥有20%的5G、WIFI6专利，10%的4G专利，15%的NB-IoT和LTE-M专利。” 在华为大量专利产出的背后，更是离不开华为在研发领域的持续的大手笔的投入。 华为年报显示，华为2024年研发投入达到 1,797 亿元人民币，约占全年收入的 20.8%，近十年累计投入的研发费用超过 12,490 亿元人民币。 [](//img1.mydrivers.com/img/20250623/9356b1a8-182c-484c-9b56-cea1a69aa37f.png) 根据联发科官方的数据显示，截至2022年底，联发科在全球拥有13000多项专利，其中2022年获得的专利1200项（均为已获得的专利，并未包括已申请的专利）。同时，在5G、Wi-Fi和HEVC/VVC的全球专利数量方面，联发科在中国台湾行业排名也第一。 从专利申请量来看，根据智慧芽数据显示，截至2021年10月，联发科及其关联公司在126个国家/地区中，共有28165件专利申请，其中，发明专利占99.27%，共计27958件。 根据智慧芽专利技术构成分析可知，联发科的上述专利申请中，有18.46%的专利与“用于数字视频信号编码，解码，压缩或解压缩的方法或装置”有关，有12.31%的专利与“不包含在H04B3/00至H04B13/00单个组中的传输系统的部件；不以所使用的传输媒介为特征区分的传输系统的部件”有关，有11.83%的专利与“本地资源管理”有关。 从研发投入来看，联发科2021年研发投入达新台币960亿元；2022年更进一步提升至新台币1,168亿元；2023年研发费用有所下滑，降至了新台币1,113亿元；2024年研发费用同比增长了18.5%至新台币1320亿元。 [查看评论](https://m.cnbeta.com.tw/comment/1508426.htm)

美东时间周日，特斯拉备受期待的自动驾驶出租车Robotaxi在德克萨斯州奥斯汀正式登场。特斯拉仅初步部署了约10辆Robotaxi，并且出租车服务仅向部分受到邀请的社媒名人开放，行驶范围也有限制。与马斯克此前绘制的自动驾驶出租车宏大蓝图相比，Robotaxi的首日运营表现显得颇为低调。 **特斯拉正式推出Robotaxi** 美东时间周日，特斯拉CEO埃隆·马斯克在他的社交媒体平台X上宣布，特斯拉正式推出Robotaxi，并称，这一刻是“十年艰苦工作的顶点”。  不少社交媒体上的名人也发布了他们首次乘坐的视频。  Youtube博主发布乘坐Robotaxi的视频 据社媒上透露的信息，正式上线运营的Robotaxi大约有10辆Model Y，驾驶座上没有人，只有一个人坐在副驾驶座位上，充当“安全监督员”。但目前尚不清楚他们对车辆的控制程度。 值得一提的是，乘坐Robotaxi的乘客是由特斯拉精心挑选的——最近几天，特斯拉向一些社媒上的名人发出邀请，邀请他们在体验Robotaxi。这意味着普通大众想要体验Robotaxi可能还需要等待一段时间。 美东时间周日下午，特斯拉投资者、社交媒体名人索耶·梅里特（Sawyer Merritt）在X上发布了一段视频，视频显示，他使用特斯拉的一款自动驾驶出租车应用程序叫车，然后乘车前往附近的Frazier&#39;s Long and Low酒吧和餐厅。  索耶·梅里特评价Robotaxi的乘坐体验“棒极了” 同时，Robotaxi的运营范围也是在一个奥斯汀的有限区域内。 马斯克在X上表示，Robotaxi发布首日的乘坐服务的固定收费为4.2美元。 **规模扩张或仍需数年** 行业专家表示，即便特斯拉的小规模部署取得成功，如果特斯拉想要在奥斯汀和其他城市迅速扩大规模，该公司仍将面临重大挑战。 卡内基梅隆大学（Carnegie Mellon University）计算机工程教授菲利普·库普曼（Philip Koopman）说，特斯拉和Alphabet旗下的Waymo等自动驾驶汽车竞争对手可能需要数年或数十年的时间才能全面发展一个自动驾驶出租车行业。 库普曼擅长自动驾驶汽车技术。他认为，特斯拉在奥斯汀的成功试验将只是临近终点阶段的起步。 特斯拉是迄今为止全球市值最高的汽车制造商。目前，许多行业分析师表示，特斯拉当前超高公司估值主要取决于其交付Robotaxi和人形机器人的能力。 随着特斯拉推出Robotaxi的日期临近，德克萨斯州的立法者近期开始制定自动驾驶汽车的规定。德克萨斯州州长、共和党人格雷格·阿博特（Greg Abbott）上周五签署了一项法案，要求获得州许可才能运营自动驾驶汽车。这项法案将于9月1日生效。该法案表明，两党官员都希望无人驾驶汽车行业谨慎发展。 根据德州的新法案，德州要求自动驾驶汽车运营商在没有驾驶员的情况下在公共街道上行驶时，必须获得德克萨斯州机动车辆管理局的批准。它赋予州政府权力，撤销他们认为对公众构成威胁的运营商的许可证。 法律还要求公司提供信息，说明急救人员在紧急情况下如何处理他们的无人驾驶汽车。 [查看评论](https://m.cnbeta.com.tw/comment/1508422.htm)

6月23日消息，彭博社知名记者马克·古尔曼（Mark Gurman）分析称，在硅谷的科技巨头中，苹果公司始终实行与众不同的并购策略。自2014年以30亿美元收购Beats以来——这是苹果历史上最大的一笔收购，至今该公司总共只进行了三笔超过10亿美元的收购。 [](https://static.cnbetacdn.com/article/2025/0613/858a4e6115638b9.jpg) 与Facebook斥资190亿美元收购WhatsApp，谷歌豪掷125亿美元收购摩托罗拉移动业务，微软近期以690亿美元收购动视暴雪的豪气相比，苹果的做法大为不同。苹果并不倾向于收购大型的变革性企业，而是更偏向于收购规模较小、团队专注的公司，通常目标是加速某个内部项目或启动新的业务。 然而，苹果的几次大规模收购尝试并不顺利： - Beats收购案：虽然这笔交易解决了Apple Music的基础问题，并且提振了硬件销售，但由此带来的文化冲突却让苹果花费了数年时间才得以化解。 - 收购英特尔调制解调器业务：苹果花费10亿美元收购了英特尔的调制解调器业务，获得了专利和工程师，推动了苹果自研芯片的计划。但遗憾的是，许多英特尔的技术人员难以融入苹果的文化，大量收购的技术被废弃。苹果首款自研调制解调器芯片C1的推出也大幅推迟。 - 投资滴滴出行：2016年，苹果投资了10亿美元于滴滴，意图加强与中国市场的联系，并可能支持其神秘的汽车项目。然而，随着中国监管的干预，这笔投资最终几乎没有任何回报。 这些经验使得苹果对大规模收购保持高度怀疑态度。与此相对，苹果的自研策略通常能取得不错的效果： - 自建TV+流媒体平台：尽管华尔街曾建议苹果收购奈飞或其他大型电影公司，但苹果选择了从零开始构建TV+流媒体平台，如今该服务已步入长期成功轨道。 - 放弃收购电动汽车公司：苹果曾多次拒绝收购特斯拉或Rivian等电动汽车公司。尽管错过了特斯拉的早期机会可能是个遗憾，但避免收购这类公司，尤其在苹果最终放弃了其汽车项目的背景下，证明了这一决定的明智性。 - 自建Apple Music：在Apple Music推出前，曾有人建议苹果收购Spotify或Pandora等音乐流媒体公司。虽然收购Spotify可能会加速其在音频流媒体领域的布局，但苹果最终通过自建平台成功完成了这一战略，而Pandora的电台式音乐模式如今基本已被淘汰。 不过，现如今苹果面临的是截然不同的局面，**人工智能竞赛的赌注实在太高，苹果可能别无选择，只能通过并购来应对。** 从智能眼镜、机器人到新型可穿戴设备，下一代产品的开发都将依赖于AI技术。**人工智能对这些产品将如同多点触控界面之于iPhone一样基础。**值得注意的是，苹果当年正是通过收购FingerWorks，成功引入了多点触控技术。 当然，该公司有自己的说辞：Apple Intelligence集成流畅，且竞争对手无法像它那样保护隐私。谁真的需要一个单独的聊天机器人呢？但事实很清楚。苹果已错过AI时机——它应该接受这一点，而不是找借口。 如果苹果能像OpenAI开发出ChatGPT那样的突破性技术，肯定会大肆宣传。相反，公司在淡化竞争对手的成就，并将自己的产品定位为“为大众提供AI”——因为这就是它目前唯一能说的。苹果正尽力利用现有资源，并会继续对外界的担忧一笑置之，直到能够提供更好的产品。 幸运的是，苹果拥有超过1300亿美元的现金储备，这为该公司提供了一个转机。**合适的收购能够带来苹果显然缺乏的人才和技术**——正如Siri语音助手的困境和生成式AI表现不佳所表明的那样。如今，一次真正具有变革性的并购，正是苹果所急需的。 不过，在考虑并购时，苹果需要排除一些不合适的选择：领先的AI公司OpenAI和Anthropic并非理想的收购目标。OpenAI估值高达3000亿美元，并与微软有着深度合作关系，其复杂的公司结构也使其收购变得不切实际。Anthropic的估值约为600亿美元，并且得到了亚马逊和谷歌的深度支持，收购这两家公司可能会面临严峻的监管审查。 **相比之下，苹果最有可能收购的是数十亿美元估值的Perplexity AI。**虽然Perplexity没有像OpenAI或Anthropic那样领先的基础模型，但它具备自己的独特优势，使其成为苹果的理想收购对象： - **成熟的消费级产品：**Perplexity的搜索工具——拥有文本界面、语音控制和简洁设计——已经非常适合苹果的iOS平台。它可以轻松成为Safari浏览器、Spotlight乃至Siri的默认AI驱动搜索引擎。 - **精准填补明显需求：**苹果专注于改进其AI基础模型，但最需要的是强大的搜索引擎和日常任务对话式接口，而这正是Perplexity的强项。 - **团队规模适中：**Perplexity有约250名员工，规模适中，不会让苹果在整合时面临过大难题。其AI人才与行业其他公司不相上下，有望在Siri和AI工程团队中发挥作用。 - **合理的估值：**约140亿美元，收购Perplexity不会让苹果财务吃紧。这只是苹果为收购其他主要AI公司所需花费的一小部分，因此是一项相对低风险、高潜力的举措。 - **战略时机**：苹果与谷歌的长期搜索协议正受到美国反垄断诉讼的威胁。苹果必须为一个没有谷歌搜索的世界做好准备——收购Perplexity将让其终于能够推出自有品牌的搜索引擎。 除此之外，这笔收购还可能带来更多好处。Perplexity已经迅速成为AI领域最知名的品牌之一，将其收归旗下，**有望为苹果在AI社区带来更多公信力和招募实力**——这是苹果长期以来在该领域的短板。 而且，苹果的关键招募者和并购专家埃迪·库伊（Eddy Cue）也已公开表示对Perplexity的兴趣。他在今年的谷歌反垄断庭审中作证时表示：“我们对Perplexity所做的颇为印象深刻，因此我们已经开始与他们讨论他们正在做的事情。”他还指出，该服务有时可以提供比谷歌这样的传统搜索引擎更好的结果。 此外，苹果高管，包括库伊、并购主管阿德里安·佩里卡（Adrian Perica）以及AI管理团队，已就收购Perplexity是否合理进行了内部讨论。不过，双方目前还没有积极或正式的收购谈判。当前，苹果专注于评估Perplexity的技术，并已与其领导团队会面。 **苹果仍在权衡其AI武器库中到底要自建、收购还是授权多少内容——并在等待法院判决其与谷歌搜索协议的结果后再做进一步决策。**此外，苹果今年早些时候还与前OpenAI首席技术官米拉·穆拉蒂（Mira Murati）会面，商谈她的新AI初创公司Thinking Machines Lab的潜在收购。但谈判从未进入更深入阶段。 **还有其他一些未被高估的小型AI公司，苹果也可考虑收购，**包括Cohere、Sierra AI、Databricks和Mistral。其中，Mistral能够让苹果在构建最前沿基础模型方面获得实质性优势。其高性能模型以高效和速度广受赞誉，非常适合在设备端或云端运行。苹果目前的模型则相对较弱。其设备端模型有30亿参数（这是衡量复杂度和学习能力的指标），而云端模型有330亿参数。这远远落后于OpenAI和谷歌等竞争对手。 总之，**收购一家数十亿美元估值的AI公司，将意味着苹果会彻底转变其一贯的保守并购策略。但如果继续按部就班，苹果很可能会在自智能手机以来最重要的技术竞赛中被进一步甩在身后。** [查看评论](https://m.cnbeta.com.tw/comment/1508416.htm)

6月23日，据路透社报道，美国当地时间周日，特斯拉在得州奥斯汀部署了一小批自动驾驶出租车(Robotaxi)，并开始接送付费乘客。特斯拉CEO埃隆·马斯克(Elon Musk)宣布“推出自动驾驶出租车”。与此同时，多位社交媒体网红发布了他们首次乘坐特斯拉自动驾驶出租车的视频。  特斯拉自动驾驶出租车出现在得州街头 “热烈祝贺特斯拉AI软件和芯片设计团队成功推出自动驾驶出租车，”马斯克在X上表示，“这是十年辛勤工作的成果。AI芯片和软件团队都是在特斯拉内部从零开始组建的。”  马斯克的帖子 当地时间周日一早，特斯拉自动驾驶出租车出现了一个名为南国会的社区，驾驶座上无人，但有一人坐在副驾驶位置上。特斯拉计划进行一项小型试验，约有10辆车参与，副驾驶座上的人担任“安全监控员”，但目前仍不清楚他们对车辆实际掌控程度。 近日，特斯拉向一小部分选定网红发出了邀请，让他们参与一项在限定区域内进行、严格监控的自动驾驶出租车试运行活动。马斯克在X上表示，每次试乘统一收费4.20美元。 周日下午，特斯拉投资者兼社交媒体人士索耶·梅里特(Sawyer Merritt)在X上发布视频，展示了他如何使用特斯拉自动驾驶出租车应用下单、乘车，并前往附近的一家酒吧和餐厅Frazier’s Long and Low。 行业专家表示，即便特斯拉这次小规模试点取得成功，该公司要想兑现马斯克所承诺的在奥斯汀及其他城市快速扩张，仍面临重大挑战。 卡内基梅隆大学研究自动驾驶技术的计算机工程教授菲利普·库普曼(Philip Koopman)指出，特斯拉及其自动驾驶竞争对手，例如Alphabet旗下的Waymo，要想真正发展出一个成熟的自动驾驶出租车行业，可能还需要数年甚至数十年时间。他表示，若特斯拉此次在奥斯汀的试点成功，也只是“刚刚起步，离最终成功还很远”。 许多行业分析师指出，特斯拉目前高企的市值，很大程度上依赖于其兑现自动驾驶出租车与人形机器人承诺的能力。特斯拉目前仍是全球市值最高的汽车制造商，远远领先其他同行。 然而，随着特斯拉自动驾驶出租车上线日期临近，得州立法者也开始推动相关自动驾驶法规的出台。上周五，得州共和党籍州长格雷格·阿博特(Greg Abbott)签署立法，规定运营自动驾驶车辆需获得州政府许可。该法律将于今年9月1日生效，表明来自得州两党议员都希望无人驾驶汽车行业能够谨慎推进。 截至发稿，特斯拉尚未就此置评。 [查看评论](https://m.cnbeta.com.tw/comment/1508414.htm)

6月23日，腾讯面向用户发布服务调整通知，不再提供 QQ 会员增值服务手机话费开通的渠道，通过手机话费开通的会员增值服务将于 2025 年 7 月 31 日终止。QQ会员作为腾讯核心增值服务之一，已运营超过二十年，为用户提供包括专属身份标识、游戏特权、社交功能增强、线上生活优惠等在内的百余项权益。 以下为官方公告： 您好！接运营商通知，因业务调整后续不再提供 QQ 会员增值服务手机话费开通的渠道，用户通过手机话费开通的会员增值服务将于 2025 年 7 月 31 日终止。 很抱歉为您带来不便，您可在本页面重新通过微信支付重新签约超级会员服务，并享受专属开通优惠 (限 1 次)。期待您继续选择 QQ 超级会员与您同行享受线上线下百余项特权服务！ 特别提示您，若您的号码是 QQ 靓号，在您的会员到期后 15 天内 (具体到期时间将视运营商对该项增值业务下线时间而定)，如您未及时续费 QQ 超级会员或对该靓号进行买断，您的靓号将被回收，对应号码的数据将被清空。若您需要继续使用该靓号，请及时续费 QQ 超级会员或对该靓号进行买断。  [查看评论](https://m.cnbeta.com.tw/comment/1508412.htm)

6月23日，特斯拉备受期待的**自动驾驶出租车(Robotaxi)**服务终于在周日开始试点，向着与Alphabet旗下Waymo正面交锋迈出了第一步。Waymo目前是美国唯一一家提供完全自动驾驶付费接送服务的公司。  特斯拉在得州部署自动驾驶汽车 特斯拉CEO埃隆·马斯克(Elon Musk)首先投入大约10辆Model Y进行试点，并承诺把安全作为重中之重。他表示，特斯拉有能力快速扩展规模，并计划推出一款专为自动驾驶出租车打造的车型Cybercab。 根据马斯克在X上转发的视频，社交媒体网红们周日在奥斯汀多个地点预订并乘坐特斯拉自动驾驶出租车。 以下是特斯拉自动驾驶出租车与Waymo、亚马逊旗下自动驾驶公司Zoox的对比。Zoox也准备推出自己的商业化服务。 **运营范围** 目前，Waymo已经在旧金山、洛杉矶、菲尼克斯以及奥斯汀对自动驾驶出租车进行了商业化部署。特斯拉则刚刚在奥斯汀开启试点。  Waymo和特斯拉的运营范围对比 此外，Waymo还在拉斯维加斯、圣迭戈、华盛顿特区、亚特兰大、迈阿密测试其自动驾驶出租车。 **车型、技术能力** Waymo现在使用的是捷豹I-Pace电动SUV。特斯拉则是Model Y。Zoox则专门为自动驾驶出行设计了可双向行驶的定制化自动驾驶汽车。  Waymo、特斯拉以及Zoox详细对比 从自动驾驶技术来看，Waymo依靠激光雷达、摄像头、雷达，属于Level 4等级(在限定区域自动驾驶，无需配备驾驶员)。特斯拉则完全依靠摄像头，目前正在测试Level 4级别自动驾驶。Zoox则和Waymo一样，使用激光雷达、摄像头、雷达，但是自动驾驶级别方面和特斯拉一样，正在测试Level 4级自动驾驶。 目前为止，Waymo每周提供超过25万次自动驾驶服务。特斯拉刚刚投入了十辆汽车进行试点。Zoox则正在利用20多辆车进行测试。 [查看评论](https://m.cnbeta.com.tw/comment/1508410.htm)

飞速创新曾冲刺深交所主板 IPO 未果，而在 IPO 失败后，2025 年 1 月深交所出具的监管函直指三大内控漏洞。

<blockquote><p>随着AI行业的飞速发展，越来越多的人希望转行进入这一充满机遇的领域。本文将为你全面解读AI公司中的十大核心岗位，涵盖从上游的硬件研发到下游的应用开发，以及各岗位的薪资水平、能力要求和职责范围。</p> </blockquote>  当下，AI 成为时代风口，吸引众多目光。最近我也在探索如何快速从0-1转行到AI行业今天给大家拆解AI公司9大核心岗位，薪资数据源自猎聘大数据研究院《2025 AI 技术人才供需洞察报告》及智联招聘相关报告，同时，探讨不同类型 AI 公司（上中下游产业）运作流程，大家可以对照看看自己如何快速切入。 深入岗位前，给大家说说下AI 行业产业链，其大致分为上、中、下游： - 上游：聚焦硬件基础设施与基础技术研发，像芯片制造、云计算平台搭建及算法理论研究等。英伟达这类提供 AI 芯片的企业便处于此环节。该环节需强大科研实力与巨额资金，专注底层技术突破，为行业奠基。 - 中游：着重 AI 技术开发与应用框架搭建。例如开发语音识别、图像识别、自然语言处理等通用技术平台的 AI 技术公司。它们基于上游成果，将 AI 技术转化为可应用的工具和平台，为下游提供技术支持。 - 下游：把 AI 技术应用到具体行业场景，涵盖智能安防、智能交通、智能医疗、智能家居等领域企业。这些企业利用中上游成果，针对行业需求开发实际 AI 产品与解决方案，面向终端客户。 不同环节的 AI 公司，核心岗位侧重与运作流程有别，但总体而言，以下十大核心岗位在整个 AI 行业都举足轻重。 ## 一、AI 产品经理：手握产品命脉的 “幕后操盘手” 在 AI 公司里，产品经理如同餐厅菜单策划师，权力与责任更大。他们决定产品规划、销售策略与目标客户，是产品的核心决策者。从上游芯片研发产品，到中游技术平台，再到下游行业应用产品，都离不开产品经理的精心布局。 **薪资水平：** 在北上广深，初级 AI 产品经理月薪 12K – 20K；3 – 5 年经验的中级产品经理，年薪 30 万 – 50 万；资深产品经理或产品总监，年薪百万也不罕见。上游企业因技术理解要求高，产品经理薪资略高；下游企业看重行业理解与市场推广，薪资也很可观。 **能力要求：** 需敏锐洞察市场，精准挖掘 B 端或 C 端用户需求。 熟悉 AI 技术原理，能与技术团队顺畅沟通，无论上游复杂芯片技术、中游通用 AI 技术，还是下游行业应用技术。 精通产品设计流程，熟练运用 Axure、墨刀等原型设计工具。 具备较强项目管理与协调能力，推动产品从 0 到 1 落地，协调研发、设计、市场等多部门资源。 ## 二、算法工程师：用代码创造奇迹的 “智慧大厨” 算法工程师是 AI 公司核心技术力量，他们用数学和代码打造 “智慧大餐”。不同产业链环节，工作重点不同。上游侧重基础算法创新，中游关注算法优化与技术平台搭建，下游聚焦算法在特定场景应用与优化。 **薪资水平：** 初级算法工程师月薪 15K – 25K；有经验的算法工程师年薪 40 万 – 80 万；资深算法专家或总监，年薪轻松破百万，部分顶尖人才还能获股权期权。上游和中游企业因技术研发属性强，算法工程师薪资普遍较高；下游技术实力强、业务增长快的公司，薪资也十分可观。 **能力要求：** 拥有扎实数学基础，精通线性代数、概率论、数理统计等。 熟练掌握 Python 编程语言，熟悉 TensorFlow、PyTorch 等深度学习框架。 具备丰富算法研发经验，在图像、语音、自然语言处理等领域至少有一项专长。 逻辑思维与问题解决能力良好，能持续优化算法性能，根据场景需求调整和创新算法。 ## 三、数据工程师（ETL）：守护数据质量的 “幕后英雄” 数据是 AI 的 “燃料”，数据工程师负责确保 “燃料” 优质纯净。他们如同餐厅洗菜切菜师，为后续工作做准备。在 AI 产业链各环节，数据工程师承担数据收集、整理、清洗和存储职责，为数据分析、算法训练提供基础。 **薪资水平：** 初级数据工程师月薪 10K – 18K；3 – 5 年经验的数据工程师年薪 25 万 – 40 万；资深数据架构师年薪 50 万 – 80 万。不同环节企业数据工程师薪资差异较小，主要取决于企业规模与数据处理复杂度，大型或数据密集型企业薪资更高。 **能力要求：** 熟悉数据采集、清洗、转换全流程，掌握 Hadoop、Spark 等大数据处理框架。 精通 SQL 语言，熟练进行数据查询、分析与处理。 了解数据库设计原理，有建表建库经验。 具备良好数据敏感度与问题排查能力，确保数据准确、完整，应对不同来源、格式的数据挑战。 ## 四、数据分析师：用数据说话的 “战略参谋” 数据分析师像餐厅成本 / 销量分析师，通过数据分析为公司战略决策提供支持。在 AI 公司，无论是上游评估技术研发方向，中游优化技术平台性能，还是下游分析产品市场表现与用户行为，数据分析师都发挥重要作用。 **薪资水平：** 初级数据分析师月薪 8K – 15K；有经验的数据分析师年薪 20 万 – 35 万；资深数据分析师或经理年薪 40 万 – 60 万。下游直接面向市场和客户的企业，数据分析师因能直接为业务决策提供支持，薪资相对较高；上游和中游数据驱动决策程度高的公司，数据分析师薪资也不错。 **能力要求：** 熟练掌握 Excel、SQL 等数据分析工具，进行数据清洗、分析与可视化。 熟悉统计学知识，运用数据分析模型解决实际问题。 具备良好逻辑思维与业务理解能力，从数据中发现问题并提出解决方案。 会使用 Tableau、PowerBI 等可视化工具，制作直观报表，清晰传达分析结果。 ## 五、前端工程师：打造极致体验的 “视觉魔法师” 前端工程师将产品功能以美观、易用界面呈现给用户，如同餐厅摆盘师注重细节，为用户带来极致视觉体验。在 AI 公司产品用户交互环节，无论是上游技术产品展示界面，中游技术平台操作界面，还是下游行业应用产品用户端界面，前端工程师都至关重要。 **薪资水平：** 初级前端工程师月薪 10K – 18K；3 – 5 年经验的前端工程师年薪 25 万 – 40 万；资深前端开发专家或架构师年薪 50 万 – 80 万。下游直接面向消费者的企业，对前端工程师需求大，薪资较高；注重用户体验的中上游企业，前端工程师薪资也有竞争力。 **能力要求：** 精通 HTML、CSS、JavaScript 等前端开发技术。 熟悉 Vue、React 等前端框架。 具备良好界面设计审美，设计出美观、易用的界面。 掌握前端性能优化技巧，确保页面加载速度快。 了解移动端开发适配，处理不同设备兼容性问题。 ## 六、后端工程师：保障系统稳定的 “幕后守护者” 后端工程师搭建和维护系统服务器端，保障系统稳定运行，如同餐厅后厨水电工，虽不直接面对用户，却是系统正常运转的关键。在 AI 产业链各环节，后端工程师构建支撑产品或技术运行的后端架构，处理数据存储、计算资源调度等核心任务。 **薪资水平：** 初级后端工程师月薪 12K – 20K；有经验的后端工程师年薪 30 万 – 50 万；资深后端架构师或技术总监年薪 60 万 – 100 万。下游电商、互联网等业务量大、对系统稳定性要求极高的企业，后端工程师薪资丰厚；中上游涉及云计算、大数据处理等对后端技术要求高的企业，后端工程师薪资也处于较高水平。 **能力要求：** 熟练掌握 Java、Python 等后端开发语言。 熟悉 Spring、Django 等后端框架。 了解分布式系统、微服务架构。 精通数据库设计和优化，熟悉 MySQL、MongoDB 等数据库。 具备良好系统设计与问题排查能力，能快速解决系统故障，保障系统 7*24 小时稳定运行。 ## 七、QA 测试工程师：把控产品质量的 “质量卫士” QA 测试工程师确保产品零 bug 出品，如同餐厅品尝师不放过任何影响产品质量的细节。在 AI 公司，产品研发、上线前及上线后持续迭代阶段，QA 测试工程师都要对产品进行全方位测试，涵盖功能、性能、安全等方面，保障产品质量。 **薪资水平：** 初级 QA 测试工程师月薪 8K – 15K；3 – 5 年经验的测试工程师年薪 20 万 – 35 万；资深测试专家或经理年薪 40 万 – 60 万。在对产品质量要求严格的金融、医疗等下游企业，以及对技术可靠性要求高的中上游企业，QA 测试工程师薪资有优势。 **能力要求：** 熟悉软件测试流程和方法，制定详细测试计划。 掌握功能测试、性能测试、安全测试等多种测试类型。 会使用 Jmeter、Postman 等测试工具。 具备良好逻辑思维与耐心，细致发现问题。 有较强沟通能力，与开发团队有效协作解决问题。 ## 八、架构师：规划技术蓝图的 “技术指挥官” 架构师如同餐厅设计总监，负责规划系统架构和技术方案，是技术团队的 “指挥官”。在 AI 产业链各环节，架构师根据业务需求、技术发展趋势等，设计合理技术架构，指导团队进行技术选型和系统开发。 **薪资水平：** 架构师年薪通常 50 万 – 100 万以上，顶尖架构师薪资上不封顶，还可能获高额股权期权。因架构师对企业技术方向起关键作用，各环节企业中薪资都处高位，尤其是中上游技术驱动型企业。 **能力要求：** 技术功底深厚，熟悉云计算、大数据、人工智能算法、分布式系统等多种技术领域。 有丰富系统设计经验，解决复杂技术难题，应对不同业务场景技术挑战。 了解行业最新技术趋势，选择合适技术方案，确保企业技术架构先进、前瞻。 具备良好团队管理与沟通能力，指导团队成员开发，推动技术方案落地实施。 ## 九、AI 训练师 / 标注师：培养 AI 能力的 “启蒙老师” AI 训练师 / 标注师的工作是训练 AI “认图识人懂语言”，为 AI 大厦奠定基石。他们提供的数据和训练决定 AI 后续能力发挥，是 AI 成长不可或缺的 “启蒙老师”。在产业链各环节，承担让 AI 模型理解数据、提升性能的关键职责。上游为基础研究提供数据支撑，中游助力技术平台训练优化，下游针对特定场景进行数据处理和模型训练。 **薪资水平：** 初级 AI 训练师 / 标注师月薪 8K – 12K；有经验，能熟练处理复杂标注任务、掌握多种标注工具和流程的人员，年薪 15 万 – 25 万；在对数据标注质量和效率要求极高、业务量庞大的企业，资深 AI 训练师 / 标注师或团队管理者，年薪能突破 30 万。下游直接面向应用场景、数据需求大的企业，薪资相对有竞争力；上游和中游专注于数据密集型研究和开发项目的企业，相关岗位薪资也较为可观。 **能力要求：** 观察力好且有耐心，长时间专注数据标注工作，保证标注准确、一致。标注工作繁琐，大量数据需逐一处理，任何疏忽都可能影响 AI 模型训练效果。 熟悉 LabelImg、CVAT 等各类标注工具，根据图像、文本、语音等不同数据类型高效标注。不同数据类型适配不同标注方式与工具，如图像标注用拉框、打点、语义分割等工具和方式；文本标注涉及文本分类、实体识别等操作，需借助相应文本标注工具。 了解基本 AI 知识，特别是与所标注数据相关的 AI 应用场景和技术原理，更好理解标注任务意义和要求。比如为智能安防系统标注图像数据时，了解安防场景下 AI 对目标检测、行为识别的技术需求，能更精准标注，提高数据对模型训练的有效性。 对于 AI 训练师，还需掌握一定机器学习知识，根据模型训练结果调整标注策略，优化数据质量，提升模型性能。要懂得分析模型训练表现，如准确率、召回率等指标变化，通过调整标注方式、增加特定类型数据等手段，让模型学习更有效特征，提升整体性能。如何选择适合自己的岗位与入行建议 **总结，如果想入AI行业大家可以根据自己实际的能力项和兴趣去做匹配。并且同步做好相关的知识储备，如果不是做底层算法技术类的工作，其实只要对算法、技术这些有一个初步的了解即可。当我们希望转入一个行业，关键不是学习多少知识，而是要思考整个行业的发展情况，当前阶段是不是值得我们冲，并且找到最小MVP按照对应要求去不断迭代自己。** 本文由 @Eva的AI学习笔记 原创发布于人人都是产品经理。未经作者许可，禁止转载 题图来自Unsplash，基于CC0协议 该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务

<blockquote><p>当前，AI大模型已在多个领域展现强大能力，但仍存在被动响应、任务碎片化和交互方式单一等局限性。本文将深入探讨AI大模型未来发展的三大关键特性：主动性、项目性和互动性。这三大特性将推动大模型从简单工具进化为真正的智能伙伴，更深入地融入人们的工作与生活，实现更高效、更自然的人机协作。</p> </blockquote>  当前，人工智能大模型已经在信息搜索、文本处理和内容创作等多个领域展现出强大的能力。从日常的智能问答到专业的文档撰写，大模型正在改变人们获取信息和处理工作的方式。然而，当我们深入观察这些应用的实际表现时，不难发现它们仍然存在一些明显的局限性，这些限制正在阻碍大模型发挥更大的价值。 最突出的问题表现在三个方面。 **首先是被动式响应。目前的大模型就像是一个严格遵守指令的助手，必须等待用户给出明确指示后才会开始工作。**无论是ChatGPT还是DeepSeek，都需要用户主动输入提示词才能给出反馈。这种被动性使得大模型无法像人类助手那样，通过观察用户的工作习惯和日程安排来主动提供帮助。例如，当用户即将进行季度工作汇报时，一个理想的大模型应用应该能够提前准备好相关材料，而不是被动等待用户发出指令。 **其次是任务碎片化。在实际应用中，大模型往往只能处理某个特定环节的任务，无法贯穿整个工作流程。**以Manus这样的智能助手为例，在收到“进行某行业分析并撰写PPT报告”这类综合请求时，通常也只能完成其中一部分，无法主动评估任务难度、分解工作步骤或预测整体耗时，更不会询问用户需要补充哪些背景资料。这就迫使用户不得不亲自协调各个环节，大大降低了工作效率。 **最后是交互方式的单一。目前的大模型交互主要依赖于文字或语音，缺乏更丰富的表达形式。**虽然像豆包这样的应用已经实现了语音对话功能，但其核心交互仍然局限在语音和文字层面，没有引入图形显示等更直观的多感官交流方式。这种单一的交互方式与人们期待的”智能伙伴”体验相去甚远，无法满足更自然、更高效的人机协作需求。 **面对这些挑战，AI大模型的未来发展需要重点关注三个关键特性：主动性、项目性和互动性。**这三个特性将共同推动大模型从简单的工具进化为真正的智能伙伴。  **主动性意味着大模型将具备预测需求的能力。未来的模型不应被动等待指令，而应能基于对用户习惯、偏好、工作状态和任务背景的理解，主动提供服务。** 例如，它识别到用户日程中有即将到来的季度汇报安排，可以提前几天准备好一份初步的PPT方案和讲稿草稿，并建议用户在指定时间之前给它反馈；或者，当用户佩戴智能健康检测设备时，大模型可以基于用户以往病史和当前的生命体征指标，主动发出潜在的患病风险提示，帮助实现疾病预防而非被动治疗。**实现主动服务需要建立完整且安全的个人数据闭环，并实现两种基本服务机制，一是基于固定时间点或事件，进行定时触发服务；二是基于对用户当前所处环境的理解，进行自适应触发服务。** **项目性使大模型能胜任复杂任务的执行。这要求大模型不只是完成即时指令，而是能像专业人员一样评估任务、制定计划并管理执行进度。** 例如，某位猎头委托大模型“对某位高管进行背景调查并出具报告”，一个具备项目性的大模型会首先识别任务，包括将任务拆解为资料搜索、信息验证、报告框架设计、撰写等步骤，以及明确步骤之间的依赖关系。**但是更重要的是，一方面要估算各环节所需时间及资源，以及指出需要用户补充的关键信息或授权；另一方面能在执行中随时汇报进展，允许用户在关键节点介入审核和提出修改要求。**实现这种能力的关键是大模型要具备强大的任务分解和规划系统，可靠的进度跟踪能力，以及灵活的人机协作机制。这将使AI成为帮助用户执行复杂任务的真正助力，而非孤立存在的工具。 **互动性体现在多类型的交互方式上。未来的交互将不局限于当前的文字或语音，而是扩展到图形、触觉等更丰富的感官维度。** **例如，在会议讨论中，用户正在口头描述一项组织结构调整方案，大模型不仅能理解内容，还能即时生成对应的结构示意图进行可视化展示，帮助团队快速理解并达成共识；或者，一个带有触感反馈的大模型毛绒玩具，可以基于接收到的用户指令做出相应的物理反应。**这种多模态融合的交互方式能让信息传递更加直观有效，降低协作门槛，并为建立更自然的人与AI的伙伴关系提供基础。 总结来看，主动性、项目性和互动性这三个关键特性，应当成为AI大模型未来发展的重要方向。 **主动性扩展了大模型的触发机制，使其能主动参与工作；项目性提高了大模型处理复杂协作任务的能力；互动性则增强了沟通表达的用户体验。**三者并非独立运作，主动性可以在提醒用户开启项目前，预置必要资源；项目性的推进，依赖于高效的人机互动沟通渠道；丰富的互动类型也直接提升了大模型在解决复杂问题的实用性。 这些特性的共同发展，将促成大模型更深入、自然地融入用户的工作流与生活场景，最终实现更高效、更实用、体验更顺畅的人机协作工作范式。 本文由 @明思AI 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

<blockquote><p>在证券行业增长困境的背景下，传统获客方式成本高昂且效果有限，而客户的选择越来越多，决策也越来越谨慎。本文将探讨一种新的增长模式——信任型增长。通过分析盈米基金旗下「且慢」的成功案例，揭示如何通过建立信任、提供专业陪伴和精准的场景化服务，实现客户的长期留存和业务的可持续增长。</p> </blockquote>  这几年，证券行业里大家都在说增长难。投放越来越贵，一个开户动辄成百上千，花了钱还不一定留住人；去找流量平台合作，主动权牢牢握在别人手里；裂变的路子，监管要求下基本送不出什么有吸引力的“福利”；达人合作——更是敏感地带，一不小心就踩线。 我们仿佛陷入了花更高的成本，换更少的客户的局面。 不是客户不来了，而是他们的选择变得越多越多，客户也越来越谨慎，到底选谁呢？ ## 一、有没有别的路可以走？ 在和朋友聊天的过程中，我们注意到一个挺特别的例子——且慢。 「且慢」是盈米基金旗下的买方投顾品牌，成立于2016年，2019年成为基金投顾业务试点机构之一，2024年的基金投顾规模达到330亿，并曾在2022年占到了全市场份额的25%。虽然300亿这个数字与券商基金几千亿保有的水平相比仍有很大的差距，但考虑到它是来自一家于成立不到10年、客户规模基数也不到30万的三方基金销售平台，其实已经非常突出了。 且慢的早期打法，是典型的“以人破局”：借助创始人和KOL的个人IP完成冷启动，个人IP自带几十万的粉丝基础，让信任在第一批用户中建立起来。随后，且慢开创性地提出了“四笔钱”框架，给了愿意“慢投资”的客户投资的方法论。方法论之外，平台还配套提供了相应的四笔钱工具与对应的活、稳、长、保的金融产品，帮助用户从“知道怎么投”走向“真的去行动”。  当路径搭好之后，真正的挑战才开始：如何陪用户把这条路走下去？他们进一步提出“三分投、七分顾”的理念，强调投顾不只是产品推荐，还是全过程的理解、鼓励与提醒。 我记得曾在一次分享中听他们提到一个很有趣的发现：当一个用户的陪伴系数越高，他获得的收益，往往更可能超过所持有基金的收益。这大概就是“陪伴本身，就是生产力”的最好注解。  在这个思路之下，且慢的“重陪伴”依托着它的公众号矩阵、APP里的发车信号、主理人分享、企业微信的千人千面服务，以及“同路人社区”里真实而温暖的陪伴，搭建起一个节奏稳定、关系可持续的客户陪伴体系。近两年又引入AI小顾助手，一边陪伴、一边提升服务效率。 这些行动看起来并不花哨，但对客户而言足够清晰、足够安心——**最终效果是，客户赚到了钱，平台也沉淀下了人。根据盈米基金披露数据：客户平均持有周期达28个月，盈利比例高达92.8%。且慢的成功，证明了信任可以成为增长本身。** ## 二、客户到底在想什么？ 一个普通投资者，他来这个市场**最本源**的需求是什么？ 不论是用户调研还是换位思考，无非就是这几点： - 别亏钱（辛辛苦苦赚的） - 比银行收益高一点（要不来你这干嘛） - 不用天天盯盘、操太多心（生活已经够忙了） - 最好有机会一把抓住个大机会（总要有点幻想～） 第4点比较难满足，但至少前3点，应该是我们努力的方向。 **客户需要代码，也需要方法，客户需要“信息”，但是真正能帮他“理出头绪”的信息。** 这就是我们在建立信任的时候，可以给出去的东西。 那么以“信任驱动”的增长，是我们要想方设法地让客户知道，我们是可以给他带去信赖和价值的。最常见的，就是现在抖音平台上一场接一场的直播，算法把客户带来你跟前，客户知道，你每周星期四的下午3点，你就在直播间，他想听到你，你就在那。 除了这种规模化的从池子里捞客户的方式，我觉得也许还可以从**切片的方向**去试一试。 ## 三、切片的方向：做场景里的陪伴者 双减之前，教辅机构的增长方式有非常多的参考点，当年非常火爆的学而思转发听课赠送实体书籍的策略，曾经创下过50多名老师转发获得单场15万的付费用户的记录。 **他抓住的就是特定群体（家长）对于特定知识（数学课）要薅的特定羊毛（免费的纸质教材），且关键的是——这个「特定羊毛」是带来转化的，筛选出了一群有学习需求的家长以及未来的潜在高价值课转化。**  类似地，我们也可以更精准： 特定的某一群体对于投资理财知识要薅的特定羊毛，且薅了这个羊毛的客群，大概率是会进一步付费的。 <blockquote><p>推演开：</p> <p>– 在宝妈人群中推“家庭财务决策”系列小册子；</p> <p>– 针对刚进入职场的年轻人里推“工资到账怎么理”的轻服务包；</p> <p>– 对一线退休人士的如何管理退休金的小手册。</p> <p>…</p></blockquote> 这些尝试的目的，并不是为了让他立刻开户，而是希望在全市场中，筛选出那一部分“有资金、有意愿”的潜在投资者。通过我们精心设计、合规可行的“礼物”机制——以知识、工具、体验的形式，建立起客户对我们专业度的初步信任，从而让他们愿意迈出了解的第一步。 这些“礼物”本身不仅符合监管要求，也确实有助于提升客户的投资认知。对客户而言是学习的入口，对券商来说是信任的起点，对监管来说也是做好投教，多方共赢。 这个模式，就和前文提到的“且慢”有异曲同工之处——先建立认知，先建立一个细分场景、一个细分人群的信任。后续再提供建立认知时所需要匹配的工具和产品支持，最后通过陪伴稳步引导客户走向长期投资之路。 ## 四、写在最后：增长的尽头，是“值得被信任” 当增长越来越难，价格越来愈高，我们可以尝试一个不再仅仅靠砸钱，而是更取决于底层关系质量的新方式。我们可以选择慢下来，开始认真去理解客户、真正陪他们走一段路。 **不是要让客户开户，而是让他觉得选我们放心。** **不是要让客户买入卖出，而是让他愿意留在我们身边。** 作者：水总曰 公众号：水总曰 本文由 @水总曰 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

 在追求极致效率和体验的客户服务领域，智能客服凭借其24小时在线、毫秒级响应、海量标准问题处理能力，已成为企业的效率引擎。它高效分流账户查询、物流追踪、基础规则解答等常规咨询，释放出可观的人力成本空间。 然而，当服务深入到交织着复杂逻辑、强烈情感或独特个性化需求的情境时，智能客服的局限性便显露无遗：预设脚本的僵硬、知识图谱的边界、情感共鸣的缺失，使其难以应对。想象一下，一位因产品质量问题反复沟通无果而愤怒的消费者，在冰冷的预设回复中感受不到理解；一位高净值客户的资产配置需求，被简化成刻板的风险测评题——这些时刻，损失的不仅是单次服务满意度，更是宝贵的客户信任和企业形象。 技术本有边界。智能客服擅长“快”与“广”，但在“暖”与“深”上存在天然短板。企业追求卓越服务的关键，并非期待AI万能，而在于巧妙融合智能与人工，让机器的“快”与人工的“暖”、“广”与“深”协同运转，编织出无断点、有温度、高效率的全方位服务闭环——即人机耦合。本文将深入拆解这一闭环的核心骨架与实践路径。 ## 一、智能客服：当复杂场景遇上认知边界 智能客服的局限性，在产品经理眼中，本质是技术边界与业务复杂度的错配。我们常遇到以下痛点： ### 1. 投诉处理：情绪黑洞与逻辑迷宫 **从关键词到情绪理解的鸿沟：** 现有NLP模型（如基于BERT的情感分析）能识别“愤怒”、“失望”等显性情绪词，但对情绪强度、隐含诉求、语境变化（如讽刺）的捕捉能力极弱。产品设计中常见误区：过度依赖预设的情绪-话术映射表。实战教训：客户一句“你们的产品真是‘棒极了’（实际是反讽）”，配上高语速/音量（语音场景），智能客服很可能按“积极反馈”处理，火上浇油。 **跨域问题综合决策的缺失：** 客户投诉往往是“连环套”。例如：“商品质量问题 + 物流延误导致错过重要使用场景 + 客服上次处理不当”。智能客服的规则引擎（Rule Engine）或意图识别模型（Intent Recognition）通常是单点触发、线性处理。它能把“质量问题”走A流程，“物流问题”走B流程，但无法进行关联推理、权重判断（哪个是主因？哪个更影响客户？）以及灵活裁量（是否需要额外补偿？）。结果就是给出割裂、僵化的方案，无法平息客户怒火。 ### 2. 个性化需求：标准答案难解独特需求 **非标准表达的解析难题：** 个性化需求天然带有“非标准化”的基因。一位资深摄影发烧友咨询定制相机服务，提出的需求可能涉及“快门时滞需低于X毫秒”、“特定光照条件下的像素响应特性”、“机身需采用某种轻量化合金”等极其专业的表述。这些表述可能偏离日常对话模式，充满行业术语或用户自定义的描述。基于通用语料库训练的智能客服模型，面对这种“长尾”甚至“冷门”的独特表达时，精准解析意图的难度陡增，极易遗漏关键信息点，导致服务中断或偏差。它听得懂“语言”，却未必能读懂“意图的深度”。 **解决方案生成的想象力匮乏：** 个性化需求的核心在于“组合创新”和“资源整合”。例如：客户想要“包含小众非遗体验+高端野奢露营+私人飞机接驳”的旅行方案。智能客服的知识库（即使是基于图谱的）存储的是离散的事实和标准产品，缺乏对资源可用性、成本约束、体验兼容性的动态评估能力，更不具备“无中生有”的创造力。这是算法模型（如基于检索的问答Retrieval QA、生成式模型如GPT）当前难以逾越的坎，需要人类经验和商业洞察来填补。。 ## 二、人工介入：构建精准、流畅的接力机制 转接机制是人机耦合的咽喉。设计不好，要么客户在机器人那里坐牢，要么人工被无效转接淹没。关键在产品设计的精准度与用户体验的平衡。 ### 1. 智能阈值触发：让系统具备察言观色的能力 **1）多维阈值模型是基础：**绝不仅是“3次答错”那么简单。我们实践中采用加权评分模型： - **会话轮次 &amp; 时长：**超过N轮或M分钟未解决（基础分）。 - **意图识别置信度：**模型对当前用户意图判断的置信度低于阈值X%（技术关键指标）。 - **情绪烈度 &amp; 趋势：**结合语音/文本情感分析，情绪值 &gt; Y 分且呈上升趋势（如从“不满”升级到“愤怒”），权重应加大（实时流式情感分析API集成是趋势）。 - **问题复杂度评估：**利用模型（如基于Transformer的文本分类）判断问题是否涉及多意图、多实体、模糊表述。复杂度 &gt; Z 分则触发。 - **业务优先级：**VIP客户、高价值订单问题，转接阈值可动态调低（需CRM系统集成）。 **2）动态调优是灵魂：**阈值不是死的。必须建立A/B测试机制，持续监控转接率、转接后解决率、客户满意度（CSAT/NPS）等核心指标，结合数据分析（如漏斗分析、归因分析）迭代优化阈值参数和权重。避免拍脑袋决策。 ### 2. 用户主动转换：赋予客户一键直达的掌控感 **1）入口设计的黄金法则：** - **显眼且恒定：**“转人工”按钮/语音指令必须在所有对话界面（首屏、历史消息栏侧边、等待时）清晰可见/可听。避免客户在迷宫里找按钮（UX设计原则：Don’t Make Me Think）。 - **零成本触发：**点击/说出指令后，无需二次确认（重大投诉场景下，确认步骤是致命体验伤害），立即进入转接队列。语音IVR中，“按0转人工”的提示音应在开场白和每次机器人回答后清晰播报。 **2）预沟通提升效率（产品巧思）：**转接时弹出轻量级表单（非强制，可跳过）：“请简要描述您的问题类型（下拉菜单：投诉/复杂咨询/技术问题等）？”、“是否有订单号/产品型号？”。这些信息通过消息队列实时推送给即将接入的人工客服，大幅减少客户重复描述和信息核验时间，提升FCR。我们实测此设计可减少人工客服平均处理时长15%-20%。 ## 三、赋能客服团队：成为人机协同的催化剂 人机耦合的核心是“人”。客服团队不仅是执行者，更是系统的优化者和人机协作的调度者。 ### 1. 知识库：人工驱动智能进化 **问题挖掘：** 人工客服在日常工作中，系统性标记那些智能客服“卡壳”或“答错”的问题。这不仅是收集，更要结构化标注： - **失败原因分类：**知识缺失？意图识别错误？实体抽取失败？流程设计缺陷？（需要提供便捷的标注工具集成到客服工作台） - **问题领域&amp;标签：**精细化的分类体系（如“家电-冰箱-制冷故障-代码E1”）。 - **客户原始表述&amp;上下文：**保留最真实的语料，用于模型再训练。 **从答案到解决方案库：** 撰写答案不是填空。优秀的客服会提供： - **多版本话术：**针对不同客户类型（小白用户/专业用户）、不同情绪状态（平静/愤怒）的应答策略。 - **决策树&amp;流程图：**对于复杂流程（如跨部门协作的投诉），将解决步骤可视化，便于智能客服未来尝试引导或人工快速处理。（可考虑集成低代码流程图工具） - **关联知识链接：**答案中嵌入相关知识点（如政策条款、操作指南链接），构建知识网络。 **审核与迭代：** 设立专门的知识运营角色或小组，负责新知识的技术准确性、合规性、表达清晰度审核。并建立定期回顾和下线机制（如过期政策、下架产品知识）。 ### 2. 提升人机协作能力 **系统操作：**不止于会用，重点在于让客服高效利用系统能力： - **智能辅助工具：**熟练使用系统提供的实时知识库检索、相似案例推荐、话术建议、客户画像（可以临时授权）等功能，快速获取背景信息，提升应答准确性和速度。 - **一键补刀：**在人工服务过程中，若发现智能客服知识库的缺失或错误，能便捷地通过工作台进行标注、提交补充/修正建议，形成闭环。 **理解边界：**通过沙盘推演、真实案例复盘，让客服深刻理解： - **智能客服的舒适区：**标准信息查询、简单事务办理（密码重置、地址修改）、FAQ解答。此时应主动引导客户使用自助服务或智能客服，释放人力。 - **人工必须接管的信号：**强烈负面情绪、涉及金钱/重大权益的诉求、需要跨部门协调、高度定制化需求、智能客服明显“跑偏”时。此时需果断、顺畅地完成交接，并主导解决。 - **混合模式协作：**例如，在处理一个复杂技术咨询时，人工客服可指令智能客服调取用户设备历史日志、操作手册特定章节，自己则专注于分析问题和沟通解释。 ## 四、闭环之道：编织无缝的服务体验网络 人机耦合不是简单拼接，而是一个有机整体。这需要机制、流程和数据的深度整合。 ### 1. 双向反馈：构筑协同进化的神经网络 **智能辅助：**转接发生时，智能客服必须将完整的会话上下文（含时间戳）、客户画像（基础信息、历史行为）、已尝试的解决方案、识别到的意图/情绪/关键实体，通过服务总线（ESB）或API实时推送到人工客服桌面。目标是让客服“秒懂”前因后果，消除信息断层。 **技术关键：**低延迟、数据格式标准化 **知识反哺：**人工客服解决完问题后，工作流强制包含一个反馈环节： - **解决方案归档：**将最终有效的解决方案（尤其是创新性或复杂方案）结构化后，自动或半自动沉淀到知识库/案例库。 - **效果反馈：**记录客户对整体服务（含智能客服阶段）的满意度评价（CSAT）。 - **问题标注：**如前所述，标注智能客服失败点。 - **模型优化建议：**高级客服可提出对意图识别模型、实体抽取模型、对话策略的改进建议（如“XX表述常被误识别为A意图，实际应为B”）。建立渠道让这些建议直达算法团队。 **技术进阶：**探索Online Learning或Human-in-the-Loop (HITL)机制，让部分高质量人工反馈能用于模型的近实时微调。 ### 2. 重构服务流程：打破壁垒，无缝流转 **状态共享是关键：**设计客服系统时，确保会话状态（Session State）在智能客服和人工客服间无缝传递、持久化。客户从任何渠道（APP/Web/电话）进入，无论经过多少次人机切换，客服看到的都是统一的、连贯的交互历史。避免客户重复认证、重复描述问题。 **技术实现：**分布式会话管理 **智能预处理，人工精处理：**流程再造的核心逻辑： - **智能客服承担信息收集员和过滤器：**完成客户身份认证、基础问题定位、必要信息（如订单号、故障现象）收集、标准化预处理（如根据规则初步判断退换货资格）。 - **人工客服聚焦决策者和协调者：**基于智能客服预处理的结果，进行复杂判断、情感沟通、个性化方案制定、跨部门协调。例如：智能客服收集完退货信息和凭证，初步判定“符合基础退货政策”，但客户情绪激动要求额外补偿。此时转人工，人工客服在已有信息基础上，评估合理性，决定是否特批补偿。 **设计平滑退回机制：**人工客服处理中，若发现部分标准化子任务（如查询物流），可便捷地“退回”给智能客服执行，待结果返回再继续，减少人工耗时。 ### 3. 数据驱动：让优化成为本能 **构建全景服务数据仓库：**整合全渠道（智能客服、人工客服、电话录音、在线聊天、邮件、社交媒体）的交互数据、操作日志、客户反馈、业务结果数据（解决率、时长、满意度、转化率、成本）。 **核心分析场景与行动：** - **瓶颈诊断：**哪些问题类型智能解决率低？哪些转人工后处理时间长？根因是知识、流程还是技能？据此定向优化知识库、培训或流程。 - **阈值与路由策略评估：**当前阈值设置是否最优？过高导致客户流失？过低导致人工压力过大？基于A/B测试和满意度数据持续调优。 - **资源动态调配：**预测不同渠道、不同时段、不同业务线的咨询量和复杂度（时间序列预测模型），动态调整智能客服算力分配和人工客服排班。高峰期释放智能客服处理洪峰，复杂时段保障人工战力充足。 - **ROI测算：**量化人机耦合带来的效益：人工成本节省、满意度提升、问题解决效率提升、潜在销售转化提升，对比系统投入成本。用数据说话，争取持续投入。 ## 五、实战：从案例中汲取真知 理论再好，不如案例说话。分享两个深度参与项目的关键成果： ### 案例A：综合电商平台 **痛点：**大促期间咨询量爆炸，智能客服应答但解决率低，投诉激增，人工客服崩溃。 **关键耦合设计：** - **动态阈值模型：**结合实时咨询量、队列长度、客户情绪、问题复杂度动态调整转接阈值。 - **轻量预沟通转接：**转人工前收集核心问题标签和订单号。 - **知识众包机制：**建立客服知识贡献积分奖励制度。 - **大促专属知识包&amp;流程：**提前预训练模型，优化大促高频问题流程。 **效果（6个月后）：** - 客户咨询首次解决率（FCR）从68% → 87%。 - 平均处理时长（AHT）下降22%。 - 客户满意度（CSAT）从76 → 85。 - 大促期间，同等咨询量下，人工客服需求减少35%，且员工压力感显著降低。 ### 案例B：金融机构（信贷业务） **痛点：**贷款产品复杂，智能客服解释不清合规风险高；客户投诉处理流程冗长。 **关键耦合设计：** - **严格的分级路由：**基础信息查询→智能；产品咨询/初步资格评估→智能+人工复核（HITL）；复杂方案/投诉→高级人工专家。 - **合规知识图谱：**构建关联产品条款、法规、风险点的知识图谱，智能客服回答基于图谱确保合规性，人工客服也能快速检索。 - **双向反馈强化：**人工专家处理的复杂案例，必须生成标准化解决方案模板反哺知识库，并触发模型优化任务。 - **虚拟助手赋能人工：**人工客服处理时，系统侧边栏实时提供客户风险画像、相似案例判决、合规话术提示。 **效果（1年后）：** - 复杂贷款咨询的准确率从55%→78%。 - 客户投诉平均处理周期缩短45%。 - 监管合规风险事件显著减少。 - 客户对服务专业度的好评率提升30%。 构建高效的人机耦合服务闭环，绝非一蹴而就。它是一个需要**持续投入、精细运营、数据驱动**的系统工程。作为产品经理，我们的核心价值在于： - **深刻理解技术与业务的结合点：**不迷信技术，也不低估人的价值。找到各自优势的最大公约数。 - **设计流畅无感的用户体验：**无论背后是人还是机器在服务，客户感受到的应该是连贯、高效、被理解、被解决。 - **建立闭环的优化机制：**从问题发现（数据）-&gt;分析归因-&gt;方案设计（产品/流程/知识）-&gt;落地实施-&gt;效果评估-&gt;再优化，形成飞轮。 - **赋能一线团队：**客服人员是耦合体系的核心资产和优化引擎，必须充分赋能和激励。 **未来技术的演进将持续重塑耦合形态：** - **大语言模型（LLM）的冲击：**GPT等模型大幅提升语言理解和生成能力，能处理更开放、更复杂的问题，模糊人机边界。但准确性、可控性、成本、合规性仍是挑战。人机耦合将从“明确分工”更多转向“智能辅助增强人工”。 - **情感计算的深化：**更精准的情绪识别、甚至情感生成，让机器在安抚客户方面扮演更重要的角色，但人类的情感共鸣和共情仍不可替代。 - **预测式服务：**结合大数据分析和AI预测，在客户问题发生前或刚萌芽时主动介入，将“解决”前置到“预防”。这对人机协作的实时性和精准度提出更高要求。 **最终目标始终如一：以可承受的成本，提供超出客户预期的服务体验。**人机耦合是实现这一目标的必由之路和核心能力。作为产品经理，我们需要持续深耕这一领域，用技术和设计的力量，让服务更有温度，让效率更有价值。 本文由 @阿堂聊产品 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