<blockquote><p>在SaaS和AI领域，定价策略是企业实现商业化和盈利的关键环节。本文通过作者所在SaaS企业的实际案例，深入探讨了插件和AI Agent的定价策略，供大家参考。</p> </blockquote>  作为一家成立10年+的SaaS企业，我们过去的一年多以来，一直在推进插件化和AI应用的“战略”。 同时，作为一家以追求利润为核心的商业机构，商业化是“必经之路”，而增值产品收费是其最基础的方式之一。 最近，我们被如何定价困住了： - 插件是否属于标准化SaaS产品的一部分？是否要收费？ - 如果插件是某家客户付费定制研发，是否要收费？如收费，是按原价，还是边际成本价？ - 如果是AI Agent，应该按每个模块一个Agent进行收费，还是按每个独立的Agent收费？ - 等等。 所以，今天就聊聊产品的定价，尤其是SaaS产品。 ## 三种常见定价方式：按需、按成本、按价值 **第一种：按需定价**：指根据客户实际使用量（如调用次数、存储容量、计算资源、人员规模等）动态收费，灵活适配用户需求。它的优势是价格透明、使用门槛低，而劣势就是使用越多，成本越高。 比如SaaS产品有A、B、C、D、E五大模块，则根据模块+人员规模进行定价(如下图）。  **第二种：按成本定价**：指根据产品或服务的生产成本（开发、运维、人力等）加固定利润率定价。 用公式表达为：**单位价格=(固定成本/预期销量+单位变动成本)×(1+利润率)**。 比如研发一套SaaS产品，预估每年研发/销售/营销成本是2000万，每年服务成本是800万，而每家客户的变动服务器等成本是1000元，预期利润率是30%，预期每年可有效触达的目标客户数是1000家，则每年的单位价格 = （ 28,000,000/1000+1,000）x（1+30%）= 37,700元。 **第三种：按价值定价**：指根据客户对产品或服务感知的价值为基础来定价。 比如星巴克通过“第三空间”理念和“星巴克体验”，塑造了独特的品牌价值感，则产品定价时，可按消费者所能承担的价格定价（38元），而不是咖啡的成本价（8元）。 当然，无论采用哪种方式，我们还会参考市面上的竞品价格和目标群体的消费能力。 ## 插件如何定价？ 何为插件？ <blockquote><p>插件（Plugin）是一种<strong>可以扩展或增强现有软件功能的附加组件</strong>。它依赖于宿主软件(如Chrome浏览器），用户可以根据需求选择安装或卸载（如广告拦截器或自动翻译），避免主程序过于臃肿。</p></blockquote> **SaaS 产品通常承诺持续免费迭代功能以满足客户需求**。 但当我们考虑到插件（Plugin）时，问题出现了：这类依赖宿主软件、可灵活安装卸载的附加组件，其功能迭代是否也属于免费承诺的范畴呢？ 让我们通过一个例子来理解这个问题：一款 SaaS 产品包含 10 个标准功能和 2 个可选插件（P1 和 P2）。客户购买后，标准功能的数量固定为 10，而插件功能则根据开通情况而定。 比如客户A未开通任何插件，则可用功能就是10个；客户B开通了插件P1，则可用功能是11个（10个标准功能+1个插件）。 站在客户立场，他们自然希望插件功能也能免费迭代。毕竟，他们订阅的目的是为了满足业务需求，无论这些需求是通过标准功能还是插件实现，都是他们应得的服务。 然而，从 SaaS 厂商的视角来看，情况则更为复杂。他们承诺的免费迭代通常针对的是标准功能。插件生态的构建是为了引入更多元化的功能和资源，如果插件也纳入免费迭代，可能会对市场机制造成冲击，不利于生态的健康发展。 最终方案或为：**精选少数官方自研插件免费提供，大部分插件采用按需付费模式。** 既然要收费，那如何定价？ 作为插件研发人员，我们最近在探讨插件的定价策略，遇到了一些挑战。 最初，我们考虑了三种常见的定价模式： - 按需定价：参考 SaaS 产品的定价逻辑，根据插件类型和企业员工规模收费。例如，插件 A 在 50 人企业售价 1000 元，在 200 人企业售价 2500 元。 - 按成本定价：基于插件的研发成本定价。例如，插件 A 的研发投入了 10 人日，按每人日 2000 元计算，则定价为 2 万元。 - 按价值定价：根据插件为客户带来的价值定价。例如，插件 A 帮助客户在合规的同时每月节省 2 人日，按此价值定价为 1.5 万元。 我们首先排除了按需定价（选项一），因为插件的启用与员工规模并非绝对正相关，且不利于价格的外部呈现。例如，一家 500 人的企业购买补贴计算插件，实际只有 50 人使用，按 500 人收费客户难以接受，按 50 人收费我们又难以有效进行管控。 基于惯性思维，我们最初选择了按成本定价（选项二），然而这种模式招致了客户和内部伙伴的强烈反对。 例如，我们自研了一个插件，它可以帮助用户解决加班遇到法定节假日时，以0点为界限，明确拆分不同的加班时长与补贴（即工作日加班是1.5倍工作，而节假日加班是3倍工资）。 由于系统复杂及场景多样性，研发成本高昂，耗时30+人日，以3000元/人日计算，成本达9万，约为购买价单个模块的2-3倍。如同购房时装修费超出房价2-3倍，难以接受。 客户反馈：“**这个报价有点离谱，你们公司是不是很缺钱**？” 这让我们意识到单纯基于成本定价无法体现插件的真正价值，也难以被市场接受。 因此，我们开始重新思考按价值定价（选项三）的可行性，并积极探索如何准确评估和传达插件为客户带来的价值。 最后，**我们按照其所提供的价值定价。同时，单个插件不能超过其所属模块价格的30%，且如果插件成本高（即超30人日）时，则可再溢价5%-10%**。 比如客户购买单模块价格是2万，插件投入30+人日研发，则其价格不超过6000元最佳（即2万x 30%），最高不超过8000元（即2万 x 40%）。 作为内行，您可能质疑：**插件边际成本接近零，为何不采用薄利多销策略**？ 例如，若定价8千，仅2家客户购买，收入1.6万；而定价2千，10家客户购买，收入可达2万。然而，目前情况下，同一插件销售超过10家客户的情况罕见，为确保成本回收，薄利多销并非适宜选择。 <blockquote><p>注意：此案例是以笔者所在的B端SaaS企业为例，并不一定适用于C端SaaS产品。</p></blockquote> ## AI Agent 又如何定价？ 除了插件外，我们还面临另一个定价问题：AI Agent。 **1.按需定价**：根据客户需要的Agent数量、调用次数和功能模块来收费。 例如：基础版（1个Agent、5万次调用、1次调优）1万元；升级版（3个Agent、50万次调用、5次调优）5万元；尊享版（10个标准Agent、1个定制Agent、无限调用、无限调优）20万元。 **2.按成本定价：**例如，开发一个Agent需要15人天，按每人天3000元计算，定价就是4.5万元。 **3.按价值定价**：比如，一个数据分析Agent能帮助客户决策者有效调用、分析数据并洞察趋势，具有独立价值，可定价2万元。 最初我们选择了“按需定价”，但很快遇到了麻烦：**如果按Agent数量收费，该如何界定一个Agent包含哪些功能？** 举个例子，一家SaaS公司有5个模块（组织、绩效、审批、考勤、薪酬），则你可以选择： - 每个模块对应一个Agent（1对1） - 一个模块对应多个Agent（1对N） - 多个模块对应一个Agent（多对1） - 多个模块对应多个Agent（多对多） 如果按Agent数量收费，你自然倾向于选择“多对多”模式，因为这可能带来更多付费机会。但对于客户和产品定位来说，却未必是最优选择。 比如，我们把“数据Agent”拆分成五个（组织、绩效、审批、考勤、薪酬），商业上可以卖五个Agent的钱，但对用户来说操作会非常繁琐，体验很差。 因此，定价不能简单依赖Agent数量，也不能只用一种方式，而需要综合考量。 我们的新思路是： **首先，基础层是按需定价**。主要针对用户调用次数和存储空间（比如大模型Token用量、文件存储），这部分相对标准化。 **第二，Agent层是按价值定价**。即每个Agent独立定价，既考虑产品定位和商业化，也照顾了用户体验。每个Agent根据其价值定价，客户可以按需选择开通。 根据各Agent的实际价值与产品定位差异化定价，例如： - HR Agent（人事基础服务+政策查询）：1.2万元 - 数据Agent（全模块分析决策）：2.5万元 - 法律Agent（实时法规案例库）：0.8万元 - 假勤Agent（假期管理全功能）：1万元 - 排班Agent（智能排班系统）：1.5万元 - 等等。 ## 写在最后 最后想说的是，产品定价既是一门技术，也是一门艺术。定价方法丰富，本文仅从实际问题出发，粗浅地探讨了按需、按成本和按价值这三种常见模式。 需要强调的是，定价绝非产品经理的“独角戏”。以上内容，更多是我作为一名产品经理的个人思考与梳理，更是一个定价领域“小白”的尝试性分享。若能为你带来一丝启发，便是我最大的荣幸。 **专栏作家** 邢小作，微信公众号：产品方法论集散地，人人都是产品经理专栏作家。一枚在线教育的产品，关注互联网教育，喜欢研究用户心理。 本文由作者原创投稿/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>在金融科技浪潮下，证券公司正积极布局智能体建设。本文作为证券公司智能体手搓指南的实操篇，聚焦于智能体建设的优先级、主战场选择以及人员配置等关键问题，为从业者提供清晰指引，助力证券公司在智能体竞赛中抢占先机。</p> </blockquote>  书接上回，笔者和大家分享了证券公司智能体“要不要做？”的问题，答案是肯定的。不跟？就下牌桌！但在真正消耗人力物力财力之前，还有几个关键点必须考虑到。 一、优先级是什么？功能、人群、生态、差异化或是先解决有无？ 二、主战场在哪里？元宝、豆包、蚂蚁还是自用？ 三、人员怎么配置？新建项目组还是干脆外部共创？ 四、不想沦为内部“玩具”，配套运营策略怎么搭？ 五、心里没底！我自己能先手搓个Demo吗？ 今天我们先讨论前三个问题。 ## 关于优先级 第一个问题先抛给各位产品经理。笔者认为，智能体在目前阶段也可以被归纳进“产品”的范畴中。但谨记，AI产品拿掉AI的部分，依然、必然还是好产品！所以各位产品经理赶紧先翻一翻自家的数字化产品，有哪些受欢迎的？值得更智能的？其实与近十年大家做的公告资讯化、数据产品化等并没有本质区别，这次大家可以先做产品AI化。不过这次的“AI化”不是简单的让产品“更聪明”，而是要让它“更鲜活，更有生命力”。 举个例子——“财经资讯智能体”。带大家一起来拆解。 对证券研究员而言，需求核心在于信息处理效率与深度。他们需要智能体具备全网资讯的实时抓取能力，并能结合行业知识图谱自动生成事件影响分析链（如“光伏新政→产业链成本结构变化→标的公司盈利模型修正建议”）。这要求智能体突破传统资讯的“事实罗列层面，进化到“逻辑推演”阶段。 投顾端的需求则聚焦于服务赋能工具化。优秀的财经资讯智能体应具备客户画像感知能力，例如当某客户持仓中出现新能源板块且风险测评显示保守型时，智能体需自动过滤激进策略资讯，同步生成“波动预警+对冲方案+沟通话术”组合包。这种“资讯-策略-服务”三位一体的输出，将重构投顾的工作流。 C端用户的核心诉求在于决策辅助的场景穿透力。区别于传统APP的栏目式资讯堆砌，智能体需实现“持仓关联提醒+资金规划建议+市场情绪解读”的动态融合。例如监测到用户重仓股突发利空时，即刻推送包含“历史相似案例波动曲线、机构持仓异动数据、期权对冲成本测算”的决策包。 设想一下：你有个朋友，每天都会不定时通知一些你关心的或者与你操作、研究行为相关的市场资讯、行业动态。不仅如此，他还是个导师、百事通、预言家，可以引导你提出下一个问题，或是主动帮你拓宽知识边界，在深度挖掘信息价值的同时减少“信息茧房”产生的概率。不仅如此，他的工作流也是完全由你决定，可以留完言就消失，也可以做到买卖调仓一条龙。 这个例子其实是想告诉大家。关于智能体建设的优先级，在解决有无问题后，暂时还没有形成常规意义上的“先后顺序”。而是先试水、先练手，而后去“找线头”，找到最小价值闭环的突破口，再结合各家公司的实际情况去考虑功能、人群、生态、差异化的问题。不过，笔者期望的智能体即服务（AaaS）新范式暂未有监管政策框架或适当性管理细则。所以很多长链路的功能（特别是涉及到交易相关的）可以规划，但无法落地。最好的实现方式肯定是先做出一个个“智能工具体”备用，未来某一天再组合为完整的智能体。 这里再附赠各位读者一些“财经资讯智能体”以外的“智能工具体”构想，供大家探讨，有兴趣的可以私信笔者交流。例如“投行业务智能体”、“合规风控智能体”、“量化策略生成智能体”、“智能投教陪伴体”、“上市公司画像智能体”等…… ## 关于主战场 随着证券公司智能体热度上升，头部券商凭借资源优势可能每月新增的“智能工具体”场景肯定会不少于20个，但真正产生业务价值的能有多少？选择与生态基因深度适配的主战场，成为决定智能体建设成败的关键命题。 1、微信生态（元器）：私域运营与深度服务的主阵地 生态特性：以企业微信为核心，覆盖13.4亿月活用户，具备强社交属性、客户生命周期管理能力及合规闭环（如会话存档功能）。 券商适配场景优先级： -客户分层运营：通过企业微信构建“投顾-客户”专属服务链路，实现资产异动实时提醒、投教内容精准推送； -内部协作提效：集成“知识问答”类工具，实现合规文档智能检索、投研知识联邦化共享； -私域流量转化：利用小程序+公众号+智能体+APP的组合，完成从资讯触达到产品购买的闭环。 2、抖音生态（Coze）：年轻客群获客与投教内容裂变的核心场域 生态特性：DAU超7亿，用户年轻化（90后占比超60%），算法驱动的流量分发机制，支持短视频、直播等高互动形式。 券商适配场景优先级： -泛财经内容营销：制作轻量化投教短视频，通过热点话题吸引Z世代用户； -直播场景转化：结合行情波动开展实时解盘直播，嵌入低门槛开户入口； -数据驱动优化：利用抖音数据引擎分析用户兴趣标签，定向推送基金评测、资产配置等内容。 3、蚂蚁生态（Agentar）：支付场景与基金理财的流量枢纽 生态特性：依托支付宝10亿用户，覆盖支付、理财、信用等高频金融场景，具备强交易属性与用户信任基础。 券商适配场景优先级： -开户导流：通过支付宝“财富号”直连证券开户系统，实现“理财-炒股”场景无缝衔接； -智能投顾：嵌入蚂蚁AI能力，为长尾客户提供自动化资产诊断； -联合产品创新：开发余额宝类现金管理工具，承接低风险偏好客户资金。 4、百度生态（AgentBuilder）：AI技术基建与搜索流量的结合体 生态特性：以“文心一言”大模型为底座，覆盖搜索、地图等全域流量入口，技术开放性强但金融垂类数据积累较浅。 券商适配场景优先级： -智能客服升级：接入“文心一言”优化问答准确率，降低人工客服成本； -投研辅助：利用大模型实现研报摘要生成、产业链图谱动态更新； -流量采买补充：通过百度信息流广告定向触达股票搜索用户，弥补自有流量不足。 各大生态AgentBuilder对比 谈完主流生态选择，再来谈谈内部落地。笔者对近期两件看似不相关的事情有所感触。其一，5月22日，在晨星（中国）2025年度投资峰会上，黄燕铭以东方证券研究所所长身份首次公开发声。他强调证券公司向财富管理转型，要攻克投顾带教与资产配置难题，会对投顾分层分类挑选培养，教其研究方法、产品知识等。其二，字节跳动旗下飞书新上线“知识问答”功能，该功能是基于企业知识的企业专属AI问答工具，可用于项目管理，能整合信息生成项目进度、预算等情况的回答；在人员协作上，帮忙找人，精准定位相关人员；助力文档撰写，自动生成项目总结、周报等初稿并优化；方便知识检索，员工快速检索公司资料、了解制度流程等；还可用于学习辅助，提供个性化知识推荐和学习路径规划。 如果将这两件事揉在一起呢？试想一下，黄所长亲自训练一个“投顾培训智能体”，主要就做投顾培养的工作，会不会有事半功倍的效果？ 未来，随着AI Agent技术的成熟，证券公司可能进一步将智能体嵌入更为复杂的业务流程，形成“第三方平台引流（即，公域获客智能体）+自用系统提效（即，私域投顾智能体）”的双轮驱动模式。 市场格局与趋势，笔者认为只有技术融合与场景细分并行，券商才能在智能体的抢滩登陆战中胜出，甚至，私以为“业务场景开发先行+技术军备竞赛次之”才是正解，单纯迷信AI可能反受其吞噬。 未来趋势呈现两大特点： 1、技术融合：AI大模型与传统金融模型结合，如招商证券的“AI+全景规划”和中信证券的“生成式AI+量化投资”，提升策略精准度。 2、场景细分：智能投顾向“买方化”转型，如银河证券的“问TA”平台，智能客服向多模态交互升级，如华泰证券的股市助手，智能交易向自动化执行演进，如银河证券的债券询价机器人。 从市场份额看，豆包和蚂蚁在消费级应用中占据主导，而自用系统在企业级场景中更具优势。2024年中国大模型应用市场中，百度、阿里云、商汤科技位列前三，但豆包凭借用户规模和生态整合能力，在证券行业的渗透率快速提升。智能投顾领域，全球市场规模预计2028年达1422亿美元，混合机器人顾问和高净值个人服务是主要增长方向。 ## 关于人员配置 这个问题让笔者不由自主想的到十年前网金部门刚刚组建的时候。大家普遍采用“互联网基因+金融经验”的复合型人才配置，有一种英雄不问出处，你行你就上的感觉。 有券商的IT技术人员构成主力（占比约40%），主要来自券商内部信息技术部门及互联网公司技术团队，负责搭建手机开户、在线交易等基础设施（如APP建设）；传统经纪业务骨干（占比30%）从中后台部门或线下营业部抽调，承担服务逻辑线上化改造；新媒体运营人员（占比20%）多具有门户网站、论坛运营背景，人均管理3-5个社交媒体账号，通过公众号、股吧、微博等渠道开展内容营销；另有10%的跨界人才来自互联网平台，主导App用户体验重构。 现如今，网金的生死转型也基本进入尾声。有的并入业务部门，有的跟科技部门整合，还有的则升级为数金，有00后高材生加入团队，也有“老人”默默靠边，甚至离开，笔者时常感慨、行业一片唏嘘。感兴趣读者，可翻阅往期的“网金”往事专辑，比如“网金”往事Vol.1：十年弹指一挥间 财管之梦何时圆。回头来看，当下AI发展的大背景下，大家再次处在同一起跑线，都还在新手村，AI如何重构业务也都还在探索阶段，成立新部门着实没有必要，也不现实。但项目组的形式，确是可以、更应该尽快的搞起来了。 面对AI技术的颠覆性冲击，证券行业的人员配置逻辑正在经历二次进化——既非简单复制互联网时代的“基因混搭”，也不要执着于部门形态的物理重组，而是转向“能力模块动态拼装”，成立“AI驱动型项目组”。 笔者在这再次强调，“网金”由10年前部门级的实体化，转变为10年后公司级的职能化，大浪淘沙之下，遥想当年，多少领袖先驱，今何在？复盘是必要的，说AI开启下一个“网金”黄金十年绝不为过，诸公切勿重蹈覆辙啊。 言归正传，项目架构怎么设？笔者本着非医学专业可以胡说八道的逻辑，给大家举个例子。 技术底座团队（20%）：由大模型算法工程师、金融知识图谱架构师组成，负责构建智能体开发平台，这是骨骼系统。 业务重构小组（40%）：从投顾、研究、合规风控等条线抽调骨干，转型为“AI训练师”，通过标注研报、对话记录等非结构化数据，教会智能体理解“政策底”、“估值锚”、“监管线”等专业概念，这是神经系统。 场景创新单元（30%）：吸纳具有AIGC经验的Z世代人才，专攻智能体与业务场景的化学融合反应，这是血液系统。 合规防火墙（10%）：这次重组一定记得带上合规人员和网金老将，毕竟合规是底线，老将则充当“历史经验存储器”与“复杂场景决策器”，这是免疫系统。 当然，也可以采用和第三方共创的模式，自去年王玲站台豆包大模型和火山引擎智能体平台推出“华泰股市助手”后，华泰证券在AI时代又跑在了最前面。5月中旬，华泰证券联合字节跳动Coze，合作开发“华泰A股观察助手”已开启内测，该智能体依托扣子空间通用智能体技术，引入专业金融领域API，可自动生成定制早报，也能针对具体问题深度研究分析，为用户提供更多投资决策辅助。（一个典型的智能工具体） 笔者也为大家整理了一些，可以为证券基金行业公司提供搭建智能体的服务或者基于大模型搭建应用的企业信息。（以下内容基于公开信息整理，不涉及产品推荐） 博众智能体解决方案 核心产品：投顾智能体（AI+IP双轮驱动），整合DeepSeek、通义千问等大模型技术，覆盖投研、投教、投顾决策全链条。 技术架构：基于DeepSeek大模型，模块化工具链与低代码开发框架，支持第三方插件与数据源快速接入。 应用场景：智能选股与诊股、7×24小时投教陪伴、研报生成，结合用户行为数据优化教学路径。 技术亮点：实时情绪与基本面融合分析，轻量化部署，IP知识库沉淀。 业务定位：证券基金行业垂直场景智能化（投研→投顾决策闭环）。 况客科技智能体解决方案 核心产品：TOWA智能体平台，覆盖基金投顾Agent、ETF投顾Agent、私募投顾Agent等10余款垂直产品。 技术架构：支持DeepSeek、Claude、GPT-4o等多模型，数据插件化（Function Call/RAG），全本地化部署。 应用场景：基金投研、合规风控、市场资讯自动化，响应时间低于20秒。 技术亮点：国家认证算法备案，金融场景覆盖率95%，人工审核通道保障合规。 业务定位：金融机构全业务线AI赋能（投研-财富-合规全链条）。 深擎科技智能体解决方案 核心产品：乾坤圈Agent平台，支持多模型协作（DeepSeek、Kimi、千问等）。 技术架构：PEER多智能体框架（规划-执行-表达-评审），金融数据增强插件，三重合规校验机制。 应用场景：个股/板块异动解读、热点事件分析、基金账户诊断。 技术亮点：拟人化交互设计，多模态处理能力，支持私有化部署。 业务定位：券商投顾业务专属AI中台（降本增效+合规增效）。 金牛创智智能体解决方案 核心产品：AI金融智能体（与中航证券联合研发），包含智能会议纪要生成、个股深度剖析（杜邦分析）等功能。 技术架构：结合DeepSeek任务筹划能力，政务知识库+RAG技术，模糊需求→解决方案链拆解。 应用场景：政务文件处理、企业合规报告生成（如《选址合规分析报告》）、投顾决策支持。 技术亮点：波特五力模型行业预判，自动生成合规报告，双向助力群众与职员效率提升。 业务定位：政务+金融双赛道智能体（“AI金小二”政务助手+证券智能决策）。 智能体竞赛已鸣枪，但监管沙盒与适当性管理仍是悬顶之剑。建议从业者以“工具集”形态低调练兵，既保持技术敏感度，又为合规落地预留缓冲区。下篇将详解智能体运营策略与轻量智能体Demo手搓指南（笔者目前比较倾向以Coze为案例），助你在智能体军备竞赛中抢占先手。 本文由人人都是产品经理作者【数金杂谈】，微信公众号：【数金杂谈】，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。

2025年5月29日，截止收盘，沪指涨0.7%，报收3363.45点；深成指涨1.24%，报收10127.2点；创业板指涨1.37%，报收2012.55点，两市成交额较上一交易日增加1754.72亿元，合计成交11854.22亿元。

跳票超过两年的“新一代CarPlay”，突然就来了。15号的时候，著名豪车品牌阿斯顿·马丁释出一段视频——音乐声中，视频以阿斯顿·马丁DBX707标志性的白金汉绿配色侧车身形象开启。随着镜头切换，中控屏上在打出一个花写体的“hello”之后，ASTON MARTIN的商标与CarPlay Ultra标志同时浮现。  随后是大家所熟知的CarPlay图标主页，然后迅速进入Settings菜单。在Themes选项内，展示出了多种显示车速、油量、水温，以及发动机转速的仪表盘风格。在镜头拉近与调远的过程中，中控风格设置变成了液晶仪表盘中的行车参数界面…… 在后续的画面中，阿斯顿·马丁继续展现了新版CarPlay在车辆座舱功能控制上的能力，例如音乐播放、导航信息仪表投屏、座舱空调控制等。 视频结尾，在V8发动机的声浪以及虚拟转速计的疯狂跳动中，画面回到了最初的车辆侧影，逐渐淡出。 仅47秒的展示视频，不但道出了曾被称为“CarPlay 2.0”或“新一代CarPlay”的正式官方名称，更隐隐揭示了其打通中控与液晶仪表盘，在显示车辆行驶数据的同时可同步控制座舱功能的事实。  图丨苹果官网上的CarPlay Ultra效果图 “通过与车辆硬件的深度整合，新一代CarPlay将为（车上）各个界面提供内容，并实现对车辆功能的操作，让你（的汽车）拥有（与iPhone）统一且一致的体验。” 2022年6月，在年度全球开发者大会上，苹果公司汽车体验工程高级经理Emily Schubert曾如此承诺。笔者当然不太可能借到一台新款DBX707来实际体验一番，但仅从官方视频所展示的内容来看，其大致兑现了三年前的承诺。尽管在原本的计划里，这个已被正式命名为CarPlay Ultra的苹果新一代车载OS，本来应该在2023年内就拿出测试版本。 在外网的社交媒体上，CarPlay Ultra现世也引发了全球车主的议论。在X平台的相关话题下，不少美国车主普遍对其表示了相当程度的兴趣，而部分欧洲车主对于仅靠苹果手机就能提升汽车界面数字化水平，表达了正面观感。 直到有位来自德国的网友，回复了一段灵魂拷问—— 也就是说，你首先得有一部iPhone，然后还得有台完成苹果公司硬件适配的新款汽车。而只有凑齐这两样，你才能用上特斯拉和一众中国汽车品牌早在几年前就具有的那种“智能座舱”。  图丨蔚来ET9配备的智能座舱系统 **艰难登场的CarPlay Ultra** 为什么不能通过Siri来操控车内空调，甚至是座椅的通风、加热以及按摩功能？ 为什么我的导航投屏只限于中控，而不能同步到液晶仪表盘甚至HUD上？ 为什么苹果提供的车端UI界面只限于中控屏，而不能用干净利落的苹果风格替换原厂液晶仪表盘上那些杂乱无章甚至逻辑混乱的行车数据显示？ 相信所有CarPlay的老用户都有过类似的想法。然而畅想归畅想，但凡会这么畅想一番的人其实大多内心也明白，要求CarPlay实现这些功能只怕是不切实际的。  图丨CarPlay很好用，但只限于中控娱乐系统本身 手机端获取行车信息的前提，是要车企对苹果开放相应的数据通道。至于座舱功能控制，更是必须获得对应的接口权限。而UI的问题则更加复杂，想要每款车完成中控屏适配已是件浩大的工程，更何况仪表盘以及抬头显示器。 事实上，这也是CarPlay Ultra之所以会跳票两年的主要原因。 首先是消费电子企业与车企之间不尽相同的产品周期问题。苹果要求车辆必须配备数字仪表盘和最新一代车载芯片，但合作车企以车型中期改款为界的话，硬件换代周期普遍为3~5年。例如这次拔得头筹的阿斯顿·马丁，其实为了让最新款DBX707适配CarPlay Ultra，不得不将原定2024年末的发布时间推迟约半年。  图丨为了等待与CarPlay Ultra完成适配，阿斯顿·马丁被迫将DBX707的发布时间调后半年 当然，问题不仅仅出在阿斯顿·马丁一个合作品牌，更不止于硬件换代周期方面。 CarPlay Ultra最初目标是全面接管车辆仪表、中控等多屏交互，但实际到了开发阶段则发现，不同车企的车辆总线协议、传感器数据格式的差异极其巨大，这种差异甚至出现在同一个集团下属的不同品牌之上。例如，奥迪的驾驶模式切换指令与保时捷的逻辑完全不同，尽管两者同属大众集团。 而想要解决这些问题，就需要为每个品牌定制“中间层协议转换模块”。这导致技术团队花费近一年时间建立车辆功能映射数据库，终于完成了覆盖超过200种车辆控制指令的标准化转译工作。而这也是CarPlay Ultra被迫延期两年的主要原因。 当然，上面提到的也只是摆在台面上诸问题的一部分。对于一家试图深度介入汽车产业的消费电子巨头而言，安全性才是其要迈过的第一关。 众所周知，半导体器件（芯片）根据应用场景及使用环境的区别，分为民用/消费级、工业级、车规级、军工级、航天级五个等级，其具体适用范围我们可以望文生义。处于最“低档”的民用/消费级半导体器件，其工作温度适用范围，防雷、防湿、防尘，以及抗震动与冲击能力，外加整体可靠性和寿命要求，与高了两级的车规级产品根本不可同日而语。而iPhone出于成本方面的考虑，根本不可能使用车规级器件。用过智能手机的朋友应该都知道，系统死机“转圈”重启的频率，大家隔三差五都能遇到。  图丨车规级芯片测试和认证周期远高于消费电子级芯片 与上一代不同的是，CarPlay Ultra的功能已不只局限在娱乐和导航方面，还包含了车速、发动机转速、水箱温度等大量的行车数据显示。尽管不干涉车辆的动力操纵，但既然iPhone事实上成为了座舱域控制器，那么一旦行车途中遇到“转圈”导致司机失去行车数据信息，对行驶安全也会有一定危害。 所以为了解决这个问题，苹果的相关团队专门设计了安全冗余方案，引入双通道通信机制，当CarPlay Ultra异常时自动切换至车企原生系统。但这一环节耗费的时间，也使得整个项目被进一步延期。 **“灵魂”争夺战** 一直以来，苹果无论是与供应商还是客户的合作，都是以强势面貌示人。而在CarPlay Ultra这个项目上，基于1.0时代的经验，自然也不会例外。 其强势体现在对自搞一套标准并且对凸显自身品牌的偏执，无论是在UI界面整体风格上，还是系统核心交互逻辑上。但车企毕竟是强势甲方，更何况苹果这次合作的相当一部分还是属于豪华品牌。 此外，CarPlay Ultra想要实现仪表盘数据显示以及座舱功能控制，就必须有车企开放给其功能数据和端口，过分坚持苹果原则的后果就是一拍两散。  图丨车企并不愿意受“手机厂”摆布，那些实在有心无力的不在其列 谈崩的事情确实发生了。例如奔驰就坚持保留自研MBUX系统的核心交互逻辑，在与苹果僵持不下后果断选择退出合作。事实上，确实有相当一部分车企担忧苹果对于在CarPlay Ultra上极端坚持自身特性的要求，会模糊车主对车辆品牌的认知，从而严重削弱自身的影响力。 而既然有了奔驰甩手走人的先例，苹果也不得不作出妥协，最后同意部分车企在仪表样式、字体粗细、主题颜色等表层设计保留品牌元素。但对于基本交互框架，则仍坚持由自己主导。这种“有限定制”策略对于苹果来说已是让步，但在部分合作方看来却并不解决根本问题，故而此前曾传出与本田、捷豹路虎等品牌的谈判陷入僵局的传闻。 而时至今日，已确定合作的品牌除了首发的阿斯顿·马丁，明确计划未来12个月内扩展的还有现代、起亚、捷尼赛思这几个牌子。说穿了，就谈下现代起亚集团一家而已。 与各大“国际车企”的合作尚且磕磕绊绊、进展缓慢的状况相比，CarPlay Ultra在中国市场的前景又是如何？其实，答案是明摆着的。 华为有鸿蒙OS，并且该系统的最新版本已放弃对Android应用的兼容，且纯血统鸿蒙系统的笔记本也刚刚发售。换而言之，其已初步实现了苹果长久以来的“全平台”梦想。小米正在自研澎湃OS，宣称要实现车机与手机算力共享，无缝衔接智能家居设备。  图丨现如今，国内主机厂在智舱软硬件方面并无弱鸡，即使比亚迪这种并不以智能化著名的品牌，DiLink拿去世界市场，也是可以鄙视多数友商的 至于比亚迪DiLink、蔚来NOMI以及吉利的FlymeAuto等系统，不但在用户体验和数据主权上形成壁垒，且都在努力往移动端发展和拓展。 中国车企，无论自主五虎，还是各家造车新势力，大名未出现在苹果公布的合作伙伴名单中。在官宣CarPlay Ultra的新闻稿中，也仅表示“未来将扩展至更多地区”，未提及任何具体的中国汽车品牌。 为什么会有这种情况出现？一部分原因显然是中国车企对开放车辆核心数据接口（如驾驶模式、电池状态等）持谨慎态度，特别是在与苹果这样拥有成熟自身软件生态体系的巨头开展需要深度整合的合作项目时，将可能导致刚刚培养起来的用户数据流向现有苹果体系，从而削弱品牌的掌控力，甚至断送孕育中的自有生态体系。 然而从另一个层面的考虑则是——不整合，又能如何呢？就问问阅读到现在的各位，以大家各自对于国产智能座舱的体验，无论鸿蒙OS还是FlymeAuto，是一个刚刚发布的CarPlay Ultra能够比拟的吗？  简而言之，没有多少好处却可能会有坏处的事情，那就不干也罢。反正到目前为止，智驾方面吹特斯拉的可能大有人在，但智舱领域说自主品牌不好的还真没多少。 **情怀与现实的碰撞** 三月底的时候，星纪魅族车机系统（FlymeAuto）开放了1.7版本更新升级。除了一堆功能的添添减减，各种BUG的修修补补，其最大的新增功能显然是对于CarPlay的支持。而在领克社区内，肉眼可见地，车主们都有点兴趣的样子。 对此，笔者也多少怀着点小期待。毕竟我作为CarPlay的资深用户，曾在自己的上一台车长达七年的使用周期内，与之相伴数千小时之久。其导航映射功能，以及喜马拉雅听书APP，已成为日常驾驶不可或缺的组成部分。 然而后来一个月的使用证明了，恋旧在大部分时候只不过是一种情怀而已。  图丨有了这个还去用CarPlay，确实显得多此一举 工作日早晚，打开车门坐定后，用“嗨，领克”呼出语音助理后，告知“导航回家/去单位”，远比在手机上按按按要来得方便。至于喜马拉雅，车端和iPhone端其实共用一个账号。关门锁车后，掏出手机点开APP，在“历史-播放历史”页面里点下最近的项目，就能继续顺着车上听过的部分继续播放。 用回CarPlay，只会让已经习惯的简洁流畅，重新多上一到两个步骤。多一事，还不如少一事。 “上汽很难接受单一供应商为我们提供整体的解决方案。这样会变成‘他是灵魂，我是躯体’。我们的灵魂一定要掌握在自己手中，所以我们不接受任何供应商的整体解决方案，最多是合作。” 2021年6月，在上汽集团的股东大会上，时任集团董事长的陈虹在面对“是否会与华为合作”的记者提问时，如此回答。这便是著名的“灵魂论”，其一经媒体传播即引发群嘲，影响甚至持续至今。以至于到目前为止，上汽任何涉及华为相关的汽车业务合作，都会被吃瓜群众挖出当年的“灵魂论”来进行揶揄。  图丨现如今在中国车圈，那些对行业未来满怀野心的企业，都会考虑开发自主系统，进而培育自主生态体系 然而既然已经时过境迁，我们也确实有必要来冷静看看这个“灵魂论”。毕竟，其核心问题在于如何理解话语中有关“灵魂”的定义。 昔日，在华为车BU高调崛起的大背景下，许多网民将之视为传统车企故步自封的傲慢。然而让我们换一个视角，如果“灵魂”指的是核心技术、核心系统，以及与之伴生的汽车相关生态体系，乃至于可以预计的近期以及远期利润，则又当如何？ 没有企业愿意“出卖”自己的灵魂。贵为超豪华品牌的阿斯顿·马丁只要还有可能，想必也不会甘于对苹果敞开胸怀。 毕竟我们都知道的是，这个品牌前年和去年的财报都呈现巨额亏损状态，已被部分媒体揶揄为“第八次破产倒计时”状态。并非其不想自研系统，将所有权柄和数据抓在手中，纯粹是因为有心无力而已。 正如“灵魂论”揭示的底层逻辑——车企拒绝的从来不是技术合作，而是核心价值体系的空心化。而在遍地高性能甚至超越性替代品横行的中国市场，用户们实际早已用脚来投了票。 对于苹果来说，如果对破局还怀有期待，或许起码应该在中国市场重新审视“妥协”的边界：是继续执着于生态闭环，还是像DeepSeek赋能中国车企般，以技术赋能者姿态寻找新坐标？ 想要有所收获，改变显然是必须的。然而苹果究竟是否愿意去改变，中国车主们其实并不在乎。 [查看评论](https://m.cnbeta.com.tw/comment/1503078.htm)

临近端午假期，DeepSeek果然又开始搞事。就在今天凌晨，新版DeepSeek-R1正式开源了！DeepSeek-R1-0528模型权重已上传到HuggingFace，不过模型卡暂未更新。  项目地址：[https://huggingface.co/deepseek-ai/DeepSeek-R1-0528/tree/main](https://huggingface.co/deepseek-ai/DeepSeek-R1-0528/tree/main) 时隔4个月，DeepSeek-R1完成了超进化，编程能力强到离谱，而且思考时间更长了。 据称，新模型基于DeepSeek-V3-0324训练（参数为660B）。  经典物理模拟测试中，DeepSeek-R1新旧版本的对比 在LiveCodeBench基准上，DeepSeek-R1-0528性能几乎与o3-mini（High）和o4-mini（Medium)实力相当，一举超越了Gemini 2.5 Flash。  有网友称赞，DeepSeek-R1能够像o3一样纠正思维链，并且像Claude一样创造性进行世界构建。  可以说，这是属于开源模型的巨大胜利！ **不用R2，直接对标SOTA** 此次，DeepSeek-R1-0528更新核心亮点，网友做了一个浓缩版的总结： 能像谷歌模型一样深度推理 文本生成优化：更自然，格式更佳 独特的推理风格：不仅快，而且更缜密 支持长时思考：单任务处理时长可达30-60分钟  思考时间更长，成为了全网讨论最多的一点。有网友实测后，R1思考时长超过了25分钟。  另外，这似乎是唯一一个能持续正确做对「9.9 - 9.11是多少」的模型。 **编程能力强到爆** 网友实测显示，新版DeepSeek-R1在编程方面简直不可思议！ AI圈大佬「karminski-牙医」用同一个prompt测试了DeepSeek-R1-0528和Claude 4 Sonnet后发现。 不管是光线照射在墙上形成的漫反射，还是球在撞击后的运动方向，亦或是控制面板的美观程度，这一把R1稳赢。  网友Alex的测试也显示出，DeepSeek-R1在前端编码的能力上超越了Claude 4 Sonnet。   网友Haider.则是让模型构建一个单词评分系统。R1简要思考后，就立刻出了关于代码和工作测试的两个文件，第一次运行就完美无瑕。 此前，o3是唯一能完成这个任务的模型。而如今，R1堪称是完成这个任务的最佳模型。 注意，R1的表现之所以如此惊人，是因为它返回的两个文件在第一次都能运行良好，不用编辑，不用重试，这极其少见。 因为此前的大多数模型，要么会在边缘情况下终端，要么会做得太复杂，要么缺少适当的测试覆盖率。  [查看评论](https://m.cnbeta.com.tw/comment/1503076.htm)

特朗普政府正加速拥抱加密货币。当地时间5月28日，在今年的比特币2025大会上，美国副总统JD·万斯强调，加密货币（特别是比特币）已经成为美国主流经济的一部分，并且“将长久存在”：“我今天来这里是要清晰明确地宣布，在特朗普总统的领导下，加密货币终于在白宫有了一位支持者和盟友。” [](https://n.sinaimg.cn/spider20250315/500/w1260h840/20250315/fff5-af22d068995554cef887c5c8441af156.png) 股票和加密货币交易平台Robinhood的CEO Vlad Tenev接受采访表示： “在前任政府下，我们基本上经历了对整个行业的地毯式轰炸。现在突然间，你可以开始进攻了…我们现在拥有一个对技术开放的政府。” 过去一年来，比特币价格已经累计上涨约60%。  **稳定币立法成为政策焦点** 在大会讲话中，万斯特别强调了推动《GENIUS法案》的重要性，该法案旨在为与美元挂钩的稳定币创建监管框架。他表示： “美元挂钩的稳定币，特别是在《GENIUS法案》通过后，只会帮助美国经济，只会帮助美元。” 这一立法已在参议院通过关键程序性投票，得到15名民主党议员的支持，但在众议院可能面临更多阻力。 特朗普政府的顶级加密和人工智能顾问David Sacks向媒体透露，市场上已有超过2000亿美元的非监管稳定币，合法框架“可以几乎在一夜之间为美国国债创造数万亿美元的需求”。 特朗普家族的加密帝国：利益与质疑并存 特朗普政府的加密热情正值总统家族深度参与该行业之际。 据报道，特朗普本人拥有29亿美元的加密货币资产，其旗下Trump Media and Technology Group刚刚宣布筹集25亿美元投资比特币。与此同时，总统及其儿子们与加密交易所World Liberty Financial有联系，而Eric Trump还联合创立了一家比特币挖矿企业。 媒体还指出，万斯本人也持有价值25至50万美元的比特币。这些密切的金融联系引发了民主党人和部分伦理专家的批评，认为特朗普的加密货币投资构成利益冲突。 [查看评论](https://m.cnbeta.com.tw/comment/1503074.htm)

美国国际贸易法院表示“将在10个日历日内发布必要的行政命令，以执行永久禁令”，届时如果没有更高法院出手干预，“对等关税”政策将失效。但此裁决不影响特朗普政府根据其他法律授权征收的关税，包括对钢铁、铝和汽车征收的关税，以及特朗普威胁对药品、半导体和其他关键产品征收的关税。 [](https://static.cnbetacdn.com/article/2025/0512/1e06aba499b31af.jpg) **美法院叫停特朗普关税，具体说了什么？** 据央视新闻，当地时间5月28日，美国国际贸易法院阻止了美国总统特朗普4月2日宣布的关税政策生效，并裁定特朗普越权，对向美国出口多于进口的国家征收全面关税。 三位分别由里根、奥巴马和特朗普本人任命的法官一致裁定，总统滥用紧急权力，踩踏了宪法红线。若接下来特朗普上诉失败，他发动的贸易战将在10天内戛然而止。 随后，白宫迅速强硬回应，称将动用“行政权力的每一杠杆”反击这一“未经选举的法官”的裁决。 **“对等关税”涉嫌多重非法** 美国国际贸易法院在裁决中宣布，特朗普总统上任后不久对多个国家实施的高额关税是非法的。这项裁决涉及两个合并案件——V.O.S. Selections v. United States 和 Oregon v. Department of Homeland Security。 就这一裁决，法院给出了四个重要结论： IEEPA下总统权力有限 法院认为1977年《国际紧急经济权力法》(IEEPA)不能赋予总统&#34;无限关税权&#34;。特朗普无权对任何国家、以任何金额、无限期征收关税。若法律真赋予总统如此广泛权力，将违反宪法权力分立原则。 实施针对贸易逆差的关税有严格限制 特朗普以解决贸易逆差为由征收关税，但法院指出1974年《贸易法》第122条明确规定，针对贸易逆差的关税最高只能达15%，且不得超过150天。 关税未能应对“特殊威胁” 法院还驳回了特朗普关于关税能遏制非法药品流入的说法，认为关税并没有直接阻止任何毒品入境，仅是向其他国家施压的外交策略，不符合IEEPA法规定的“应对”紧急情况要求。 全国性永久禁令 宪法要求“关税、税收在美国各地必须统一”，因此法院在全国范围内永久禁止了这些关税的实施。 接下来会发生什么？ **上诉争夺战已打响** 最新消息显示，裁决公布后，特朗普政府已即刻向联邦巡回上诉法院提交上诉计划。此案通常会先上诉至美国联邦巡回上诉法院，最终可能送往最高法院。 “对等关税”面临10天失效倒计时 法院表示“将在10个日历日内发布必要的行政命令，以执行永久禁令”。届时如果没有更高法院出手干预，“对等关税”政策将失效。 **政府申请紧急暂缓+替代性关税** 据盛德律师事务所贸易律师Ted Murphy表示，除上诉外，政府可能寻求紧急暂缓执行法院裁决，并根据其他法律启动替代性关税。 **部分关税不受影响** 值得注意的是，此裁决不影响特朗普政府根据其他法律授权征收的关税，包括对钢铁、铝和汽车征收的关税，以及特朗普威胁对药品、半导体和其他关键产品征收的关税。 **特朗普“筹码”尽失？贸易局势继续“不确定性”** 4月以来，特朗普政府一直把“对等关税”作为谈判筹码，推动与约18个国家的贸易谈判。如今，这一局面被迫走向转折点。 美国贸易代表Jamieson Greer警告，若法院裁决对政府不利，将阻碍其与其他国家谈判贸易协议的努力。 Squire Patton Boggs律所合伙人Everett Eissenstat也表示，该裁决“极大地影响了总统关税和贸易议程的近期动态”。 随着法院挑战特朗普的关税权力，市场将密切关注上诉进程及最高法院可能的紧急介入。预计在更高级别法院作出决定前，全球贸易政策仍将处于不确定状态。 [查看评论](https://m.cnbeta.com.tw/comment/1503072.htm)

人工智能(AI)初创公司Anthropic近日宣布，奈飞(Netflix)董事长Reed Hastings将加入其董事会。据周三发布的新闻稿显示，这一任命由Anthropic长期利益信托委员会(由五名财务独立人士组成的独立机构)作出决定。  现年64岁的Hastings在科技界拥有丰富的董事任职经验，曾先后担任微软、彭博社及Meta等知名企业的董事会成员。作为流媒体巨头奈飞的联合创始人，Hastings自1997年公司创立起长期担任CEO(后转为联席CEO)，直至2023年卸任。 Anthropic表示，Hastings将为公司带来“深厚的行业经验”以及“对科技如何服务社会发展的深刻洞见”。 Hastings在一份声明中表示：“Anthropic既看好AI为人类带来的福祉，也清醒认识到其经济、社会及安全层面的挑战。我选择加入Anthropic董事会，正是认同其AI发展理念，愿助力推动人类文明进步。” 值得一提的是，Hastings最近向其母校缅因州鲍登学院捐赠5000万美元，用于设立AI研究项目。该项目将重点探索AI技术的伦理框架，及其对教育、工作和人际关系的深远影响。 Anthropic在声明中表示，这一研究计划与其自身科研方向高度契合。 Anthropic总裁Daniela Amodei在一份声明中表示：“无论是在奈飞任职期间，还是通过其全球健康和教育倡议，他对技术带来的人类影响的关注，使他成为我们董事会的理想成员。我们将继续开发有助于人类而非造成伤害的人工智能。” 当前估值已达615亿美元的Anthropic，正致力于在OpenAI、Google与微软主导的AI军备竞赛中保持竞争力，同时始终强调AI安全治理的重要性。 [查看评论](https://m.cnbeta.com.tw/comment/1503070.htm)

5月27日，有“点金圣手”榜单之称的福布斯全球最佳创投人榜（Midas List）公布了2025年的最新排名，红杉中国创始及执行合伙人沈南鹏位列全球第四，也是前十名中唯一入选的中国投资人。

本次监测周期内，李宁、骆驼和耐克以1.93、1.90、1.89的综合热度位列榜单综合热度前三。  图源：世研大消费指数 ## **户外运动品牌分布呈现多元格局，营销从流量争夺到价值输出升维** 从品牌分布来看，户外方面，骆驼、凯乐石、伯希和等国产品牌发展势头良好，凭借品质提升赢得消费者青睐，市场覆盖时尚、大众性价比等多个细分领域；始祖鸟等国际高端品牌知名度高，同样占据市场高位。运动行业中，耐克、阿迪达斯等国际传统品牌影响力依旧强劲，李宁、 安踏等国产品牌竞争力不断提升，逐步崛起。同时，在瑜伽、健身、球迷用品等细分板块，lululemon、尤尼克斯等品牌表现突出，满足消费者的专业化与个性化需求，凸显行业细分的丰富性。 但更值得关注的是，这些品牌的竞争已从传统的流量争夺转向价值观与生活方式的深度输出。李宁以1.93的热度指数蝉联榜首，其核心策略在于持续深耕“国潮”基因，将运动与传统文化符号结合。而斐乐则专注艺术跨界与时尚场景破圈，在本月携手多位明星、时尚达人和青年艺术家等，举办“漫游夏日派对”运动秀场直播间，不仅实现高端突围，而且其销量热度排名前列；迪桑特的营销策略聚焦“专业即时尚”，通过打造品牌概念空间店与城市生活融合，基于概念店邀请明星教练等举办“春日练力场”主题运动课程，连接都市白领等人群的休闲运动时刻；而始祖鸟的营销已升维为文化现象级输出，其在上海始祖鸟博物馆举办《溯源》展览，通过3D打印还原阿尔卑斯山径，观展转化购买率达22%。 ## **轻户外轻运动热度攀升，品牌以潮流、便捷和科技满足细分人群需求** 随着“轻运动”概念的迅速崛起，城市骑行、户外瑜伽、家庭健身等项目以低强度、高趣味性和强社交属性为特点深受不同人群欢迎。一是“时间稀缺型”都市白领，追求高效、碎片化的运动解决方案，如麦瑞克推出的家用跑步机和划船机等产品，支持AI私教陪练和AR实景等模式；二是“社交分享型”年轻人，青睐兼具颜值与打卡属性的装备，如伯希和的「山色」系列高颜值冲锋衣在社交媒体引发热议；三是“健康管理型”中老年群体，偏好低冲击运动，迪卡侬针对这一需求推出适老款健步鞋与关节护具。 此外，女性用户占比显著提升，Lululemon通过推出大码瑜伽服和孕期运动系列，进一步扩大客群覆盖面；迪桑特推出女子综训系列全新产品，推出专为亚洲女性量身定制的“花苞”版型；以及阿迪达斯的“花苞裙”等产品设计，在小红书等社媒平台引发达人和用户穿搭晒单。 **榜单说明** 世研消费指南针系列指数报告是由世研指数独家研发的消费指数评价系统。本系列包括《品牌消费热门指数榜》、《行业消费热力指数榜》、《产品消费热浪指数榜》、《消费热门事件榜》等主要榜单，以及对应范围的延伸性榜单报告。旨在通过指数评价的方式，客观、真实地呈现消费世界的趋势特点，帮助行业与品牌主持续追踪消费市场趋势、为企业经营提供参考，提升商业综合竞争力。 世研消费指南针系列指数榜单持续监测行业如下： 3C数码、鞋服配饰、食品生鲜、家用电器、运动户外、美妆清洁、母婴用品、家居家装、汽车消费、玩模乐器、宠物用品，医疗健康共计12大行业。  图源：世研大消费指数 **免责声明** 本榜单由世研指数独家编制，榜单观点、结论和建议仅供参考之用，并不代表任何具体的投资建议或决策依据。 榜单数据计算结合主流平台公开数据与值得买科技旗下世研大消费平台数据沉淀，我们已采取合理措施，以尽量确保所提供数据的可靠性和准确性，但无法排除数据本身的局限性导致部分误差或偏差。此外，本报告中的部分数据未经独立第三方审计机构的正式审计，因此可能存在未被识别的错误或遗漏。特别提醒，市场情况随时可能发生改变，因此报告中的预测、分析和结论可能与实际情况有所不同。 报告中提到的任何第三方名称、品牌或产品仅供说明之用，并不构成对其的认可或推荐。任何对这些第三方的提及不应被视为任何形式的背书或推荐。报告的版权属于值得买科技集团和世研指数所有，未经许可不得复制或分发。对于因使用本报告中的信息而导致的任何损失或损害，值得买科技集团与世研指数不承担任何法律责任。  

 大家好！今年核聚变北京场的志愿者招募开始了！ 核聚变游戏展是由机核网主办的电子游戏嘉年华——热门新游试玩、精彩舞台活动、限定周边收集、沉浸式体验最热烈的玩家氛围！如果您在 6月27、28、29 日三天有充足的时间，又对自己的执行能力有信心，欢迎加入「核聚变北京志愿者」。 想成为一名核聚变北京站志愿者，有如下几条要求，希望大家仔细阅读： - 在 6 月 27 日下午 2 点之后，以及 28、29 日全天都能够到达核聚变北京站现场（地址：北京市 石景山区 石景山路 68 号 首钢国际会展中心）； - 能够接受志愿者的工作比较辛苦，基本没有空闲时间玩游戏和参与活动； - 年满 18 岁。 成为志愿者你将获得： - 核聚变期间的中午工作盒饭+工作服+工作证； - 如有需要可提供志愿者证明和实习证明； - 一段 2025 年核聚变北京站志愿者的回忆； - 可能会收获一群拿起手柄的朋友。 如果您可以接受以上几点要求，又对核聚变志愿者的工作感兴趣，欢迎填写志愿者招募表格： [&lt;志愿者报名表单&gt;](https://shimo.im/forms/Wr3DpR15Rdf7BP3J/fill) 我们会在站内为报名参加志愿者工作的朋友发放志愿者专属的身份徽章，希望各位在填写报名表的时候能正确填写机核站内的 ID 。 最后，我们感恩于所有为此前和之后默默付出努力的志愿者朋友甚至不愿留下姓名无私帮助的朋友们，也感谢所有愿意来参加核聚变的玩家们，核聚变因你们的参与而完整。

<blockquote><p>在AI技术快速发展的今天，许多企业纷纷尝试将AI应用于各种业务场景。然而，并非所有需求都真正需要AI技术来解决。本文深入探讨了如何辨别真假AI需求，分析了真AI需求与伪AI需求的本质区别，并提供了具体的技术选型判断标准。</p> </blockquote>  理解真AI需求与伪AI需求的核心差异，关键在于准确判断特定问题**是否必须依赖机器学习/深度学习**技术解决。这种技术选型决策直接影响系统开发成本和运行效率，是项目规划中需要优先明确的战略问题。 在实际需求分析过程中，应当建立清晰的技术边界评估标准。对于**常规业务场景**，当传统编程方案出现性能瓶颈难以突破，或长期维护成本已超过AI研发投入时，技术切换才具有经济合理性。 需要特别注意的是，即便在端侧AI芯片普及的技术环境下，仍需坚持技术选型的理性评估原则。硬件成本的降低虽拓宽了AI应用场景，但并不意味着所有问题都适合AI解决方案。开发团队应持续关注投入产出比，避免因技术滥用导致系统复杂度失控或资源浪费。 理解真AI需求与伪AI需求的核心在于**技术必要性与适用性判断**，具体从以下角度展开。 ## 一、本质区别  特征1：模糊规则：需求是否涉及复杂且难以明确定义的规则？ 特征2：动态演进：需求是否随着环境变化而变化？ 特征3：海量变量：需求是否需要处理大量变量？ 特征4：人类经验依赖：需求是否依赖人类的经验和知识？ **本质区别：** **真AI需求：**依赖数据驱动、模式识别能力的问题 1）图像/语音识别（动态变化的输入） 2）自然语言理解（语境处理） 3）预测性维护（海量传感器数据分析） **伪AI需求：**可通过规则引擎、条件判断解决的场景 1）订单状态流转（固定业务逻辑） 2）数据格式校验（明确正则表达式规则） 3）固定阈值告警（CPU使用率&gt;90%触发警报） 例如：客服系统中的意图识别若涉及方言、俚语，需AI模型；而工单分类若仅有10个固定类别，则适合规则引擎。 ## 二、技术选型影响  ## 三、典型场景对比表  ## 四、AI低效应用：高成本低收益 **1. 算力浪费：**GPU集群处理本可用if-else解决的问题。 案例：某电商用深度学习模型判断“订单金额是否&gt;0”，年算力成本增加xx万（远大于规则引擎成本）。 **2. 响应延迟：**AI推理耗时远超规则引擎，导致简单功能因延迟响应而影响用户体验。 典型数据（数据来源：行业基准测试）： 1）规则引擎：0.3ms（Redis缓存直接读取） 2）轻量级AI模型：28ms（TensorFlow Lite部署MobileNetV2） 3）重度模型：210ms（PyTorch部署BERT-base） 案例：用户登录态校验从JWT令牌解密（0.5ms）改为调用AI模型分析行为特征（85ms），导致登录接口平均响应时间超过SLA限制3倍。响应时间的显著增加可能导致用户在登录时感到延迟，从而影响用户体验，可能导致用户流失。 **3. 可解释性危机：**黑箱决策引发合规风险，在使用复杂的机器学习模型（如神经网络）进行决策时，模型的内部机制和决策过程不透明，导致无法清晰地解释模型的输出结果，这种情况在某些行业（如金融、医疗等）尤其重要，因为这些行业的决策往往需要遵循严格的合规要求。 案例：用神经网络做信贷拒批，无法向监管机构说明原因。 解释：监管机构通常要求金融机构在拒绝提供贷款时给出合理的解释。如果使用神经网络模型，金融机构可能无法向监管机构说明拒批的具体原因（如模型可能基于某些隐含的特征做出决策，而这些特征并不容易被人理解）。 **4. 维护成本飙升：** 1）需要持续标注数据，更新模型版本 2）规则引擎可通过配置页面快速修改策略 ## 五、判断法则 **需用AI的信号：** 1）问题边界模糊（如判断用户情绪是焦虑还是愤怒） 2）解决方案需要举一反三（如从100种动物图片中识别新物种） 3）处理对象具备涌现性（如社交网络的谣言传播预测） **伪AI需求特征：** 1）穷举可能性：所有情况可在开发阶段预判（如机票退改规则） 2）确定性输入输出：输入X必然对应输出Y（如根据BMI计算肥胖等级） 3）业务逻辑稳定：规则半年内不会变化（如会计科目的借贷平衡校验） **总结：**AI不是银弹，**用最简单的技术解决最复杂的问题**才是工程智慧。当你在需求会上听到”加个AI赋能”时，请先撕开需求伪装，**多问几次为什么要用AI技术来解决该需求、是否有必要**。真实世界的商业价值往往藏在朴素的逻辑里，而非华丽的技术辞藻中。 本文由人人都是产品经理作者@让我看看好学吗，投稿或授权 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。

商业模式上看，目前国内IDC服务商都在求变。

<blockquote><p>流量，是当下众多商家与平台瞩目的焦点。本文深入剖析流量的本质，从用户、平台、商家三方视角切入，阐述用户需求的层层递进、平台流量的垂直泛化发展以及商家流量与平台的共生关系，助力读者把握流量核心，洞悉其在不同主体间的流转与价值创造。<br/> 标签：</p> </blockquote>  最近想聊一下对“流量”的理解，很多商家和平台都关注“流量”（果然自己写东西就会更关心这个）。 如果给流量一个定义，就一个平台上的流量来说，我认为是“用户注意力和需求被满足的次数总和”。 在流量生意上出现了三种角色： 平台方：提供一个供用户注意力停留的场所，获得用户越多越久的注意力就越好，因此平台方不惜余力地提供好的“供给”，形式有视频、直播、帖子、商品、游戏、好友关系等多种。 商家：在平台上想要做生意的人群，就是想找到这样有“人流量”的地方，来售卖自己的商品，要么是即时就能交易，要么是给用户留下点印象有需要的时候再买。 用户：在平台上浏览、互动、购买等等。 从不同角色的需求满足出发，他们的诉求完全不同，而相互之间的关系又形成了一个有机的生态。 ## 用户角度 “用户的需求是由浅到深的被满足的” ①被动链接的由浅到深：看内容–&gt;有互动（收藏、点赞）–&gt;有购买。中心型的平台用户都是这种路径。用户在平台上的需求是单方面的索取，比如看视频、看帖子、购物，只要平台给提供的内容能够一直吸引用户的注意力，用户就会在平台上停留，链接的深度是由消费用户的注意力，到消费用户的钱包。 ②主动链接的由浅到深：发内容–&gt;加好友–&gt;互动反馈。主体分散型的平台，用户其实是以自己为中心点，获取和创造内容，既是消费者又是生产者，在被动满足注意力消耗同时，还会主动创造获得情感满足，而就主动链接的关系来看，弱关系链接（陌生交友）带来的情感满足要弱于强关系链接（熟人社交）。 从主动和被动以及链接的深浅来看，用户在一个平台上的粘性： 被动浅&lt;被动深&lt;主动浅&lt;主动深，粘性越高越不容易离开。这也就能明白为什么很多平台都想做社区，而最顶级有粘性的平台大家也都知道是谁啦。 ## 平台角度 “平台的流量是从垂直到泛化逐步增长的” ①先有垂直供给再有用户。最早的流量积累是满足一部分种子用户的需求，比如抖音最早是唱跳俱佳的小姐姐、京东最早是3c白电，独特的供给解决种子用户的核心需求。从平台初创时期进入的供给提供者往往也是最能收到红利的，竞争较少同时平台自身增长还在大量投入。这时候流量效率很高，因为供给垂直、人群垂直，匹配度高。 ②丰富供给扩展用户。人的需求喜好会变化，一直看跳舞小姐姐也会腻，同时也要吸引不看小姐姐的人，这时候就需要扩展供给的品类。很多功能性的平台为了保证需求满足的确定性，会设计“金刚位”或顶tab底tab，进去之后就是同类内容；而如果需求没那么强又会变化，比如想看看小姐姐跳舞，但看了几条腻了也想看看小猫小狗，那其实推荐的效率是最高的，它只通过“快速划走”来判断不需要的内容而减少出现，而停留下来多看几秒的被认为是可能需要。 ③需求发现和匹配。在用户没玩腻之前发现他的潜在需求，是让人“沉迷于此”的方法。全局上“从无到有到大量”的需求增长，是找到快速上升的品类，即去发现一些被用户逐渐普遍喜欢的品类；当品类已经足够丰富，就要关注单独的用户需求匹配的情况，即有没有给用户一个他更感兴趣的内容；再宏观来看就是需求匹配效率的高低，比如哪群用户需求被匹配合适了，哪些没有，又比如各tab和入口位置是否效率高等。 ④需求升级和降级。流量的增长是滚雪球状，在平台上交互得越深，关系网越庞大，离消费越近，越难离开。在内容平台会制造各种满足用户物质和精神层面的需求来留住用户，在马斯洛“生理需求、安全需求、爱与归属、尊重需求、自我实现” 中，内容平台一般把用户 “爱与归属、尊重”的需求给予满足，然后进阶到“自我实现”来增加粘性；另一个分枝是补充低层需求的机会，比如会增加电商属性来满足用户的“生理需求”。在电商平台则是需要找到其他层级的需求来增加粘性。而需求降级往往对应的是“安全需求”无法得到满足，比如出现极度不适会直接让用户流量戛然而止，购物买到假货可能也类似。 从平台角度来看，只有不断抓住用户的注意力，才能将用户牢牢留住。大多数平台在初期都是先注重供给，所谓“巧妇难为无米之炊”，而平台正常运转需要商家进入形成生意，不能单纯靠“为爱发电”了。 ## 商家角度 “商家的流量与平台流量共生死” ① 去平台上获得曝光。与平台一起成长培养流量的商家是少数的，多数是找和自身目标客群一致的平台投广告。比如90年代看电视，百事可乐会请周杰伦、F4等拍广告来，在黄金时段疯狂投广告来获得曝光。现在大家的注意力都集中在长短视频网站上，商家就会转到这些平台上投广告。过往商家买广告容易，因为不担心电视没人看；现在商家会选择目标用户量大且活跃的平台来投放广告，这也是平台方想方设法保证流量的原因。 ② 去平台上获得交易。商家会选择在多个平台上直接开店，或者投效果广告，促转化，在平台上不同流量入口观察用户行为的差异，以找到用户可下单的习惯来促进下单。在交易平台能更直接的找潜客，而在内容平台上会更谨慎，因为平台想保住流量，就既要平衡浅层用户体验，又要在此基础上促进商业成交。商家和平台最最希望就是“广告素材比普通内容还有趣”让用户喜欢的情况下买单，或者在用户“刚好需要”的时机上买单。 ③ 反补自身运营。利用平台资源看同行业内机会，比如关注竞对来反查自身优势和劣势；或根据客群的相似需求补充自身产品和服务建设，这时商家在平台上的经营也会从单一需求种子用户-&gt;多需求扩展，此时商家会给平台带来增量流量。 从商家角度来看，在平台上从“借东风”到相互平衡，再到相互依赖，是循序渐进的过程。 以上是从逻辑上梳理，而分析需要关注一些主体上的流量规模和效率，会涉及到到： 产品设计的流量规模和效率 供给与流量规模和效率的关系 运营与流量规模和效率的关系 后边会慢慢展开…… 本文由人人都是产品经理作者【小王子和小企鹅】，微信公众号：【小王子和小企鹅】，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>本文分享7个AI提示词技巧，包括学框架、找参考、拆维度、结构化、抽象化、批量化和AI帮写，助你提升AI生成效率和质量。</p> </blockquote>  最近老有人和我吐槽，AI 画图和写文案看着挺 NB，怎么自己一上手就抽风，生成的效果太差了。 别急，最近我总结了 7 个超好用的提示词方法，跟着一起练，保证你的 AI 生成效果和质量，噌噌往上涨！ ## 7 个超好用的提示词方法 就像程序员写代码一样，你给的需求越清晰，代码跑起来才越顺。玩 AI 提示词也一个道理，别指望一句话就能让 AI 生成理想结果。 这几天我从以往和 AI 对话中，抽象总结出了这 7 个提示词方法：学框架、找参考、拆维度、结构化、抽象化、批量化、AI 帮写。 ### 学框架 什么叫框架？说白了，就是别人总结好的、证明有效的提问公式。你刚上手，啥也不懂，总不能指望 AI 跟你心有灵犀吧？所以，先学几个常用的 AI 框架，照着填空就行啦。 比如这 3 个 AI 常用框架 - ICIO（任务、背景、输入、输出） - BORE（背景、目标、结果、试验） - CRISPE（能力、角色、洞察、陈述、个性、实验） 看着是不是很高大上？其实用起来也就那么回事，多写就会了。还有我常用的 IIO（指令/输入/输出）模型，效果也不错。 IIO 模型 - I 指令：角色、模型、任务 - I 输入：背景、受众、示例、素材 - O 输出：模板、要求、风格、限制 ### 找参考 自己想不出来咋办？直接抄大神作业啊！ 多去 AI 社区逛逛，比如 OpenAI 的 Sora 官网（主要是图片/视频，但思路是通的）。看看他们是怎么写提示词的，创作思路是什么。  举个栗子：如果你在 Sora 看到了一个有趣的图片，直接参考改下指令就能用了。 原提示词是一堆看不懂的文字。 <blockquote><p>Миниатюрный Телец  лежит внутри современного футляра для наушников с надписью ‘Taurus’ и символом зодиака Телец – ♉️, реалистичный стиль, крупный план, мягкий свет, рука держит чехол</p></blockquote> AI 翻译后改一下： <blockquote><p>迷你射手座躺在一个标有”Sagittarius”和射手座星座符号♐️的现代耳机盒内，逼真的风格，特写镜头，柔和的光线，一只手拿着耳机盒</p></blockquote> 按这个提示词生成的图片，和原图比好像差点意思，没关系待会我们把它优化下。  ### 拆维度 当你稍微搞懂提示词了，就要开始学着自己优化它。 简单来说，就是把指令提炼成 N 个维度。你描述得越细致，AI 就越懂你想要什么。 这个步骤也可以让 AI 处理，具体提示词： <blockquote><p>分析提示词，把其中的名词、参数等维度用[占位符]代替，并返回一个新的提示词<br/>要求：<br/>– 每个占位符需2个字<br/>– 直接返回新提示词，不做多余解释</p></blockquote> AI 返回的结果： <blockquote><p>[星座]躺在一个标有[文字]和[符号]的[容器]内，[风格]，[视角]，[光线]，一只手拿着[容器]。</p></blockquote> 你也可以在此之上，添加【尺寸、背景】等维度。 ### 结构化 在你调试提示词的过程中，可能会发现它变得又长又乱，自己看着都头大，更别说 AI 了。这时候，结构化就派上用场了。 结构化最简单粗暴有效的方法，就是用程序员最熟悉的 JSON 格式。它可以把你的各种维度，用键值对的形式组织起来。 例如刚刚的提示词，用 JSON 可以这么写：（不懂的直接让 AI 生成就行  发给 GPT-4o 生成，效果确实不错。  把提示词进行结构化有啥好处？ 第一，清晰明了，AI 解析起来更准确。第二，方便你后续修改、扩展、调整。比如你想换个星座，直接改对应的值就行了，不用在一大堆文字里大海捞针。 我知道很多人一看到代码就头疼。但相信我，这玩意儿一旦用熟了，效率提升不是一点半点！ ### 抽象化 当你写了很多的提示词之后，你会发现有些是可以复用的。这时候，就要学会指令抽象化，把那些只适用于特定场景的提示词，提炼成可广泛应用的通用提示词模板。 什么意思？简单来说，就是把具体的内容，换成一个变量。 拿刚刚的 JSON 提示词举例，如果把它抽象化，就成了下面的指令。  以后要生成新的类似图片，直接把星座替换掉就行了。里面的文字和符号 AI 会自动识别，是不是很方便？ ### 批量化 有了通用提示词模板，你就可以玩出更多花样了。具体怎么操作？ 试着让 DeepSeek、Claude 等 AI 模型，帮你随机/批量生成 N 个不重复的指令。如果你还嫌 AI 生成的不够多，搭配飞书多维表格，想生成 1000 个指令都行！  这样一来，AI 生成的作品就更加丰富和多样了，避免了千篇一律的风格。AI 也能帮你拓宽思路，发现一些意想不到的组合。  这是我通过 DeepSeek 随机生成的提示词，喂给 4o 后生成的图片，效果都还不错。  ### AI 帮写 说了这么多，如果你还觉得“太难了！懒得学！学不会！没时间！”，有别的适合懒人的方法吗？ 那我只能祭出最后的大招了：通过 AI 直接帮你写提示词！ 一个简单的提示词如下：  这招可以说是懒人福音了。但记住，AI 帮你写，不代表你就可以完全不动脑子。最终效果好不好，还是取决于你和 AI 的对话质量。 ## 结语 提示词这东西，说简单也简单，说复杂也复杂。核心就是把你的想法清晰准确、有条理地传达给 AI。 希望我今天分享的内容，能帮你在 AI 时代少走点弯路。让 AI 真正成为你的得力助手，而不是一个只会聊天的玩具。 本文由人人都是产品经理作者【好夕雷】，微信公众号：【产品之外】，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。

DeepSeek&#39;s announcement came just hours before Nvidia, the dominant U.S. supplier of AI chips, reported quarterly earnings.

<blockquote><p>作为百度旗下的短视频平台，好看视频凭借其独特的定位和丰富的内容形式，吸引了大量用户。本文从市场环境、产品定位、用户分析、功能架构、商业模式等多个维度，对好看视频进行了全面深入的分析，供大家参考。</p> </blockquote>  ## 一、体验环境  ## 二、市场环境 ### 1、短视频市场环境  据2024国家短视频蓝皮书显示，近年来，短视频用户规模和使用率一直保持增长态势,从2018年12月至2023年12月的五年间，短视频用户规模从6.48亿增长至10.53亿，使用率也从78.2%增长至96.40%，用户规模和使用率均达到峰值。然而，五年来短视频用户增速持续放缓，用户增长率从19.33%下降到4.05%。直至2024年上半年，用户规模首次出现回落。截至2024年6月，我国短视频用户数为10.50亿，较2023年12月减少300万；用户使用率也从96.40%回落至95.50%。  同样，伴随着用户增速的衰退，短视频用户结构也正迎来新的变化，“一老一小”成为短视频用户的新增主力。从2021年至2023年，10-19岁短视频用户比例从2%提升至15.2%，50岁以上短视频用户比例从27.4%增长至29.8%，而同期20-49岁不同年龄段的短视频用户比例却呈下降趋势或基本稳定。 ### 2、微短剧市场情况 好看视频包含短视频、短剧、听书三大内容板块，随着短剧市场的高速发展，微短剧相关企业注册量持续增长并在2020年迎来爆发突破一万家，截至2023年底已达2.3万家，针对微短剧，头部长短视频平台爱优腾芒、快手抖音等相继推出并持续升级专项扶持计划，在资金投入、流量推广、内容孵化、人才培养、商业合作等诸多方面给于倾斜，以打造各自的微短剧内容产出支撑体系。视频平台对微短剧提供的诸多扶持政策，为内容创作者提供了更多机会和舞台，有利于繁荣微短剧内容创作生态，也吸引了更多资本和产业链力量的加入，并进一步助推了微短剧行业的蓬勃发展态势。  ## 三、产品信息 ### 1、产品定位 好看视频是百度旗下的一款短视频产品，主打内容推荐和个性化观看体验，是集合小视频、短剧、直播、听书于一体的短视频平聚合平台。 ### 2、产品标语 轻松有收获。 ### 3、目标用户 知识获取型用户（偏好知识科普、生活技能、社会热点），娱乐消遣型用户（搞笑段子、影视剪辑、短剧） ## 四、用户分析 年龄分布：如图一所示（数据来源于百度指数），产品的目标用户年龄段为30岁以上的中老年群体，其中30-39岁的中年人占据最大的比例，大约为33%左右。  性别分布：用户当中男性观看者接近70%，而女性观看者低于30%.  城市分布：由图可知，用户主要集中在一线城市，北京上海广州居多。 从以上的数据可知，好看视频用户主要集中在一线城市，以30-39岁的中年人为主，男性用户居多。  用户类型（1）李叔，45岁，目前在三线城市企业担任要职，工作较为繁忙，空闲时间通过好看视频放松休闲，同时关注社会热点，军事等内容。 用户类型（2）小赵，33岁，在三线城市工作，通过好看视频了解行业信息，下班后会在好看视频上收看短剧。 用户类型（3）王阿姨，57岁，在一线城市退休居家，平日有较多的休闲时间，通过好看视频观看影视解说，生活小妙招等内容。 ## 五、产品迭代历史 ### 2017-2018 2017.11： - 功能上线：短视频聚合、AI推荐算法、基础互动（点赞/评论）。 - 内容来源：引入第三方内容（如PGC影视剪辑）、百家号创作者。 2018年迭代： - 创作者工具：上线视频剪辑模板、基础数据看板。 - 搜索联动：百度App内搜索关键词直接推荐相关短视频。 - 用户增长策略：通过百度App导流，首月DAU突破300万。 核心逻辑： 依赖百度流量和算法快速起量，但内容同质化严重（影视剪辑占比高）。 ### 2019-2020 2019年迭代： 知识垂类扶持：推出“轻知计划”，邀请专家生产科普、财经内容。 创作者分层运营： - 普通用户：简化上传流程，支持手机端剪辑。 - 专业机构：开放API接口，支持批量内容同步。 - 功能升级：上线“合集”功能，支持系列视频连续播放。同时增加弹幕互动，提升年轻用户粘性。 2020年迭代： - 直播功能上线：试水电商带货（如“618”直播专场）。 - 多端互通：网页端与App端账号体系打通，支持跨设备观看。 - 版权合作：与腾讯音乐（TME）合作，丰富音乐类短视频内容。 数据表现：2019年Q4 DAU达2200万，用户日均使用时长超70分钟。2020年全域用户超4亿，但依赖百度生态流量（外部增长有限）。 核心逻辑： 以“知识+娱乐”差异化对抗抖音/快手，但直播电商布局较晚。2021-2022这一阶段为调整期，需要优化内容质量，收缩泛娱乐内容，转向垂类深耕（知识+本地生活），强化与百度搜索协同。2023年至今借力百度AI大模型，重构内容生产与消费链路。从“人找内容”转向“内容智能匹配人”，降低创作与消费门槛，强化百度生态协同。 目标：优化内容质量，探索新增长点。 ### 2021-2022 2021年迭代： - 搜索深度绑定：百度搜索结果页直接嵌入好看视频内容（优先展示）。 - 创作者激励升级：推出“未来计划2.0”，投入10亿元补贴知识类创作者。 功能创新： 上线“AI配音”工具，降低创作门槛，同时测试“付费专栏”，试水知识付费。 2022年迭代： - 版权合规强化：下架无授权影视剪辑内容，引入正版合作（如芒果TV）。 - 本地化内容：推出“同城”频道，聚焦探店、旅游等场景。 - 降本增效：缩减低效补贴，关闭冗余功能（如部分直播板块）。 挑战与结果： DAU回落至千万级，增长停滞，同时版权清理导致部分创作者流失，但提升内容合规性。 核心逻辑： 收缩泛娱乐内容，转向垂类深耕（知识+本地生活），强化与百度搜索协同。 **2023年至今：AI驱动重塑体验** 目标：借力百度AI大模型，重构内容生产与消费链路。 2023年迭代： - AIGC工具落地：推出“文心一言”生成视频脚本、自动剪辑功能；测试“AI数字人”生成口播视频（降低真人出镜成本）。 - 搜索体验升级：视频内容支持语义搜索（如“如何用Excel做数据透视表”）；搜索结果直接跳转视频关键节点（如教程的实操步骤）。 - 商业化闭环：视频内嵌小程序（如本地商家预约、课程购买）。与百度电商“度小店”打通，支持商品挂链。 2024年方向（公开规划）： - 个性化3.0：基于大模型的“千人千面”推荐（如根据用户职业推荐技能提升内容）。 - 虚实结合：探索VR短视频与AI生成场景（如虚拟探店）。 核心逻辑： 从“人找内容”转向“内容智能匹配人”，降低创作与消费门槛，强化百度生态协同。 ## 六、产品功能分析 ### 1、产品架构  改进建议： 直播界面中“不感兴趣，不看该主播，减少该类型直播”三个按钮功能有些重复，可以合并。 在首页当中，上方推荐栏右侧有短剧，与下方导航栏的短剧有些重复，二者对于用户的便利程度是一致的，上方推荐右侧的短剧可以删除。 ### 2、产品界面表现 **界面视觉设计** 颜色：界面主要颜色为黑白红，较为简约，图标为线条型，边角较为圆润。  好看视频的首页上方栏当中，代表了频道推荐，也叫做“我的频道”，默认的有短剧、动漫、游戏、军事等等，而除此之外，用户可以按照自己的喜好将偏好的频道板块加入到“我的频道”当中选择，总的频道当中包括了，休闲娱乐、时政社会、影视综艺等等，每个频道当中又细分了数十种具体板块，例如在影视综艺当中，就包含了喜剧片、动作片、相亲综艺、职场综艺等等，总计甚至接近百种频道选择，用户可以在当中任意选择自己想要观看的板块，同时分类也是较为精准的，不会出现归类错误的情况。能够选择的种类大于绝大多数的短视频平台，事实上，抖音平台甚至不存在频道选择的板块。 - 进入短剧内容板块，有多种方式，可以通过首页上方的短剧频道进入短剧的推荐内容，通过滑动来观看短剧的片段，发现感兴趣的短剧内容能够点击观看该短剧的全部集数，而点击上方“我的短剧”则可以搜索短剧以及观看当下的热门短剧。 - 听书板块通过点击下方导航栏可以进入，与短剧不同，界面当中主要包括排行榜和精选内容，听书板块主要是通过用户自主选择感兴趣的听书内容。 - 直播板块点击之后就会进入系统推荐的直播间，通过滑动能够选择自己感兴趣的直播间。 ## 七、产品使用流程  改进建议： 自动刷新：直播界面停留几秒后会自动刷新下滑下一个直播间，这个设计有些不合理，此功能建议删除，用户在停留观看直播间，中途被打断十分影响用户体验。 ## 八、商业模式 ### 1、盈利模式 好看视频的主要盈利来源于广告，依托百度AI推荐算法，在用户浏览视频时插入原生广告，提升点击率，同时，也会在视频中插入贴片广告，然而贴片广告会在一定程度上影响用户体验，需要控制广告的时长。除此之外，也有与品牌合作定制短视频或话题活动（如挑战赛），通过在创作者的内容植入实现曝光。 ### 2、增值模式 在好看视频的直播间可以通过充值虚拟礼物对直播进行打赏，平台通过抽成获取收益。除此之外，好看视频还存在付费咨询的板块，创作者能够通过付费咨询获取变现。 ### 3、电商 当前各大短视频平台的电商内容已经成为盈利的重要板块，主要包括短视频带货、直播电商等活动，其中短视频带货主要是创作者通过在个人的视频中插入商品链接，同时借由短视频作为载体展示产品功能，帮助变现，平台按照成交额度获得分成。 直播电商则是直接通过直播的方式宣传产品，并在直播间设置链接，用户点击后即可跳转到商品页。（支持百度自有商城“度小店”或第三方平台京东淘宝的商品链接）同时百度其他产品中例如地图、贴吧、搜索中获取的用户行为数据能够作用于用户画像，实现精准营销。 ## 九、总结与建议 ### 1、好看视频使用小结 （1）优势 - **丰富的内容形式，包括短视频、听书、短剧**：相比于抖音、快手等平台，好看视频除了短视频，集结了听书、短剧于一体，吸纳了一部分热衷于听书短剧的受众群体，缓解了受众对于短视频的审美疲劳。 - **稳定的中老年用户群体：**根据数据统计，40岁以上的中老年群体占据了好看视频当中的大部分受众，而其中六十岁以上的老年群体具备大量的空余时间，能够为平台提供稳定的流量。 - **依托百度AI实现精准投放：**作为百度旗下的短视频产品，能够依托百度AI来将短视频精准投放给感兴趣的用户。 （2）劣势 - **内容质量较为粗糙，种类较为单一：**频道当中低俗内容充斥，从制作质量上相较于其他当今流行的短视频平台存在一定的不足，大多为影视解说等二创作品，缺乏具有创新的年轻创作群体。 - **早期的知识型短视频标签并未贯彻使得定位较为模糊：**好看视频的定位就是轻松有收获，意为能够在轻松的氛围当中学到知识，然而如今平台当中传播知识科普等视频并不是平台当中的主流内容，使得其在一众短视频平台当中定位尴尬。 - **缺乏社交属性：**相比于抖音、快手等主流短视频工具，好看视频的社交属性远远不足，没有好友板块的设置，这也就不利于视频的传播和分享，难以出现爆火视频带动从而带动平台活跃度的上升。 - **频道选择有些冗余**：事实上当今较为成熟和流行的短视频平台，例如抖音，甚至不存在精细分类的频道选择，对于大部分受众而言，并不存在明确的收看种类而是大杂烩式的观看，在这样的过程中，既保存了不知道下一个视频是什么的惊喜感，符合了大众放松的需求。 ### 2、好看视频迭代建议 1、放弃泛知识标签，转向“生活服务+技能提升” **差异化定位**： 主打**“视频版生活工具书”**，覆盖“怎么做”（技能教学）、“怎么选”（消费决策）、“怎么省”（本地优惠）三大场景，例如： - 家电维修、手机操作指南（吸引中老年用户） - 本地商家优惠解读、探店测评（吸引下沉市场） - 职场软件技巧、简历制作（吸引年轻白领） 2、内容审核与推荐机制优化 - 建立“实用指数”评分体系：通过AI识别视频信息密度（如步骤清晰度、关键信息标注），优先推荐高评分内容。 - 限制低质内容曝光：对标题党、低俗内容仅限“推荐页”少量露出，禁止进入垂类频道及搜索优先展示。 3、用户体验优化：强化工具属性与社交粘性 1）工具创新 - **“立即解决”按钮**：在技能教学类视频中，添加一键跳转至相关服务（如家电维修预约、课程购买），与百度服务生态打通。 - **进度条知识点标记**：用户可快速定位到视频关键步骤（如“3:15 如何拆卸手机电池”），提升信息获取效率。 2）社交属性增强 - **“求助社区”功能**：用户可发布生活问题（如“冰箱不制冷怎么办”），创作者以视频回答，最佳答案置顶并奖励现金。 - **“技能打卡”体系**：用户学习视频后上传成果（如修复家电的照片），获得勋章与积分兑换实物奖品（如维修工具包）。 3）技术赋能：AI辅助生产 - **低质内容自动优化**：对粗糙但实用的UGC视频（如手机维修实拍），通过AI自动添加字幕、关键步骤标注、背景音乐，提升观感。 - **批量生成模板化内容**：针对高频需求（如“医保报销流程”），利用文心一言生成标准化解说视频，补充内容缺口。 本文由 @天阶夜 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>本文指出小红书“种收一体”是伪命题，商家需关注人群流转过程。分析平替打法和牌带品打法两种情况，提醒商家重视人群流转数据监测与策略调整。</p> </blockquote>  **种收一体的底层逻辑是「种草即转化」** 但在这个广告铺天盖地，睁眼就是广告的时代，我真不相信触达即种草，触达即转化 小红书的本质是兴趣驱动的内容社区，用户普遍是“慢决策” 特征，与抖音等平台的 “即看即买” 逻辑截然不同 - 在用户视角下，我购买一个产品，是需要从了解到认知、搜索、对比，最后到决策，是长链路特性 - 在商家视角下，要把用户被种草的过程合理归因，用5A人群理论对应人群流转过程，要关注曝光、阅读、互动、回搜、转化、复购等能够反应人群流转的数据，关注这些数据是否协同增长 **商家就不要指望一篇新笔记，在品牌没有小红书心智的情况下直接带来大量转化** 大部分品牌没有在小红书得到生意结果，就是因为过于相信“种收一体”，缺少人群流转的过程  ## 只有两种情况可以“种收一体” ### 1）平替打法：以较低的价格，直接转化品类的A3-A4人群 这种路子，需要产品符合两个特点，第一、人群广；第二、极致性价比 这种产品可以直接转化已有购买需求，但没有品类品牌心智，又对价格比较敏感的人群。这类人群没有被品牌绑定，决策链路又短，可以直接进行转化 缺点就是，人群规模少，出不了大量。且过度依赖这种策略可能导致形不成品牌心智 ### 2）牌带品打法：品牌有足够多的人群积累，新品直接吃品牌的A3-A4人群 利用品牌已有的 A3-A4 人群积累，实现新品冷启动。这类人群对品牌有较高认知度和忠诚度，更易接受新品推荐 但如果品牌资产不足，强行牌带品可能导致新品与老品互相稀释 所以，如果品牌想要在小红书获得稳定的生意增长，就需要放弃种收一体的幻想，正视两个现实： 1）短期速成只能做产品逻辑，转化依赖价格与无品牌心智的人群，平替与牌带品是唯二可行路径； 2）长期稳定增长源于人群流转的协同增长，要建立人群流转数据监测机制，持续关注曝光、阅读、互动、回搜、转化等流转环节数据，动态调整策略 本文由人人都是产品经理作者【Vic的营销思考】，微信公众号：【Vic的营销思考】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。 题图来自Unsplash，基于 CC0 协议。

<blockquote><p>在办公场景中，Excel 是不可或缺的工具，但繁琐的重复操作常常令人头疼。本文将带你探索如何借助 DeepSeek 快速生成 VBA 代码，实现 Excel 自动化操作，通过 3 个实操案例，让你轻松掌握用 AI 提升办公效率的技巧，告别手动操作的低效与烦恼，高效完成周期性报告生成、目录创建及复杂数据整合等任务。</p> </blockquote>  Excel一定是每一个办公人绕不过去的坎——不论现在的AI有多牛逼、产品多有逼格，最终落到实操环节都离不开Excel。但Excel的操作本身就比较繁琐，更不用说大量重复性操作的场景，就令人很烦。 此时，我们可以借助VBA的工具，通过AI写代码的方式完成Excel自动化处理 ## 1. VBA是什么？ VBA (Visual Basic for Applications) 是一种内嵌于微软Office应用程序（如Excel、Word、Access等）的编程语言。 在Excel中，VBA允许用户编写脚本（称为“宏”）来自动执行任务、自定义功能、处理数据、创建用户界面等，从而扩展Excel的原生功能。 ## 2. AI时代，为什么还要关注VBA？ 想运行代码的话，就一定要有一个「编译器」，例如Python，需要额外安装conda、cursor等 而VBA直接打开Excel就能用了，很方便。 也就是说，VBA与Excel的深度集成：能够直接、便捷地操控Excel的每一个对象（工作簿、工作表、单元格、图表等），实现精细化的控制。 尤其是现在AI时代，对于Excel内部的重复性任务，用DeepSeek就可以快速编写脚本实现自动化，投入产出比较高。 ## 3. VBA、Python、SQL：在Excel数据处理中的定位与选择 在数据处理和自动化领域，除了VBA，Python和SQL也是常用的工具。怎么知道自己该用哪个工具？VBA优先：当主要工作场景在Excel内部的重复性任务自动化（如报表生成、格式调整、数据汇总），需要频繁操作Excel界面元素，或者快速实现轻量级自动化时。Python优先：当涉及复杂数据分析、大量数据处理、机器学习，或需要独立于Excel的自动化脚本时。可以通过Python处理数据后，结果输出到Excel。SQL优先：当数据存储在关系型数据库中，需要高效查询和管理这些数据时。查询结果可以导入Excel进行进一步分析或展示。 在实际工作中，这三个工具都是要搭配使用的： 例如，你可以用SQL从数据库提取原始数据，用Python进行复杂的清洗和分析，最后用VBA在Excel中生成格式化的报告并添加交互功能。 ## 4. 用DeepSeek开发VBA A. 打开Excel并显示“开发工具”选项卡  若Excel功能区未显示“开发工具”选项卡，请按以下步骤操作： 1. 点击“文件”菜单，选择“选项”。 2. 在“Excel选项”对话框中，选择左侧的“自定义功能区”。 3. 在右侧“主选项卡”列表中，确保勾选“开发工具”。 4. 点击“确定”。 B. 进入VBA编辑器 (VBE) 打开VBE（Visual Basic Editor）的方式：通过“开发工具”选项卡：点击功能区中的“Visual Basic”按钮。  c. VBE界面主要包含以下窗口：工程资源管理器 (Project Explorer)： 显示当前打开的所有Excel工作簿及其包含的模块、类模块、窗体和工作表对象。属性窗口 (Properties Window)：显示在工程资源管理器中选定对象的属性。 代码窗口 (Code Window)：用于输入、编辑和查看VBA代码。立即窗口 (Immediate Window)：用于执行单行代码、测试表达式和输出调试信息。 其实知道怎么操作就行了，界面的知道、不知道也没关系。 完成以上准备工作后，便可以开始借助AI编写VBA代码了。 ## 实战操作 案例1：一键生成标准化的报告表头 问题背景： 在制作周报、月报等周期性报告时，经常需要重复设置相同的表头信息，如公司名称、报告标题、制表日期等，并统一其格式。手动操作不仅繁琐，也容易遗漏或格式不一。 操作步骤： 1. 明确需求，构建AI指令 (Prompt)： 假设需求如下：在活动工作表的 A1单元格填入“示例股份有限公司”， A2单元格填入“月度运营数据报告”， A3单元格填入当前日期。 A1和A2单元格的文本要求加粗、字号14，并且单元格区域A1:C1和A2:C2分别进行合并居中。 <blockquote><p>参考提示词：请编写一段Excel VBA代码，在当前活动工作表中执行以下操作：     1. 在单元格A1输入文本“示例股份有限公司”。     2. 在单元格A2输入文本“月度运营数据报告”。     3. 在单元格A3输入今天的日期，格式为“YYYY-MM-DD”。     4. 将单元格A1和A2中的文本设置为粗体，字号调整为14。     5. 合并单元格区域A1:C1，并将其内容水平居中、垂直居中。     6. 合并单元格区域A2:C2，并将其内容水平居中、垂直居中。     7. 所有操作完成后，弹窗提示“报告表头已生成完毕”。2. 利用DeepSeek生成VBA代码：Sub GenerateReportHeader()    Dim ws As Worksheet    ‘ 获取当前活动工作表    Set ws = ActiveSheet    With ws        ‘ 填写表头内容        .Range(“A1”).Value= “示例股份有限公司”        .Range(“A2”).Value= “月度运营数据报告”        .Range(“A3”).Value=Date        .Range(“A3”).NumberFormat = “YYYY-MM-DD” ‘ 设置日期格式        ‘ 设置A1单元格格式并合并        With .Range(“A1”)            .Font.Bold =True            .Font.Size =14        EndWith        With .Range(“A1:C1”)            .Merge            .HorizontalAlignment = xlCenter            .VerticalAlignment = xlCenter        EndWith        ‘ 设置A2单元格格式并合并        With .Range(“A2”)            .Font.Bold = True            .Font.Size = 14        End With        With .Range(“A2:C2”)            .Merge            .HorizontalAlignment = xlCenter            .VerticalAlignment = xlCenter        End With    End With    MsgBox “报告表头已生成完毕”, vbInformationEnd Sub3. 在Excel中执行VBA代码</p></blockquote> 首先，新建模块，有两种方式： 方式一：Excel-开发工具-宏，在弹窗中随便起个名字，点「创建」  方式二：点进去编辑界面-插入-模块  然后在下图的模块中，把原先的内容清空，把AI给的代码黏贴进去 最后在运行-运行子过程，即可！！  4. 运行效果： 执行宏后，当前活动工作表的A1:C3区域将按预设要求自动生成表头内容和格式。  <blockquote><p>代码说明：Sub GenerateReportHeader() 和 End Sub：<br/>定义了一个VBA过程（宏）的开始和结束<br/>Dim ws As Worksheet：声明一个名为 ws 的变量，其类型为 Worksheet（工作表对象）。<br/>Set ws = ActiveSheet：将当前活动的工作表对象赋值给变量 ws。<br/>With ws … End With：一个便利结构，使得在此代码块内以点 . 开头的属性和方法都默认针对 ws 对象。<br/>.Range(“A1”).Value = “文本”：设置指定单元格（如此处的A1）的值。<br/>.Range(“A3”).NumberFormat = “YYYY-MM-DD”：设置单元格的数字格式。<br/>.Font.Bold = True：设置字体为粗体。.Font.Size = 14：设置字号大小。<br/>.Range(“A1:C1”).Merge：合并指定的单元格区域。<br/>.HorizontalAlignment = xlCenter：设置内容水平居中。<br/>MsgBox “提示信息”, vbInformation：弹出一个包含指定提示信息的消息框。</p></blockquote> 觉得它太简单的话，也可以继续用Deepseek帮我们设计一个复杂的版本：  替换原来的模块，或者重新新建一个： 是不是有那味了？  案例2：自动生成带超链接的工作表目录 问题背景： 当一个Excel工作簿中包含大量工作表时（例如，各个月份的销售数据、不同部门的预算表等），手动查找和切换工作表会变得效率低下。 例如我现在一个Excel有多个Sheet，是每个月的销售表。  目标： 利用VBA代码自动创建一个名为“目录”的工作表。该工作表将列出工作簿中所有其他工作表的名称，并为每个名称创建超链接，方便快速跳转。同时，在每个数据工作表特定位置（如E1单元格）添加一个“返回目录”的超链接。 操作步骤： 1. 明确需求，构建AI指令： 请编写Excel VBA代码实现以下功能： 1. 检查当前工作簿中是否存在名为“目录”的工作表。   a. 如果不存在，则在所有工作表的末尾新建一个名为“目录”的工作表。   b. 如果已存在，则清空该“目录”工作表的所有内容。 2. 在“目录”工作表的A1单元格写入“序号”，B1单元格写入“工作表名称”，并将这两个单元格字体加粗。 3. 从第二行开始，在“目录”工作表中生成所有其他工作表的列表：   a. A列为序号，从1开始递增。   b. B列为对应工作表的名称。   c. B列的工作表名称应设置为超链接，点击后跳转到对应工作表的A1单元格。链接文本颜色设置为蓝色。 4. 遍历工作簿中所有非“目录”的工作表，在每个工作表的E1单元格创建文本为“返回目录”的超链接，点击后跳转到“目录”工作表的A1单元格。此链接文本颜色也设置为蓝色。如果E1单元格已有超链接，先将其删除。 5. 代码执行开始前关闭屏幕更新，结束后恢复屏幕更新，并显示“目录生成/更新完毕！”的提示信息。 6. 自动调整“目录”工作表A列和B列的列宽以适应内容。 2. 用DeepSeek v3生成vba代码： Sub CreateOrUpdateTableOfContents()    Dim mainWorkbook As Workbook    Dim tocSheet As Worksheet    Dim ws As Worksheet    Dim rowIndex As Long    Dim sheetCounter As Long    Application.ScreenUpdating =False    Set mainWorkbook = ThisWorkbook    ‘ 步骤1: 创建或引用“目录”工作表    On Error Resume Next ‘ 临时忽略错误，以便检查工作表是否存在    Set tocSheet = mainWorkbook.Worksheets(“目录”)    On Error GoTo 0′ 恢复正常错误处理    If tocSheet Is Nothing Then        Set tocSheet = mainWorkbook.Worksheets.Add(After:=mainWorkbook.Sheets(mainWorkbook.Sheets.Count))        tocSheet.Name = “目录”    Else        tocSheet.Cells.ClearContents ‘ 如果存在则清空    End If    ‘ 步骤2: 设置“目录”工作表表头    With tocSheet        .Range(“A1”).Value = “序号”        .Range(“B1”).Value = “工作表名称”        .Range(“A1:B1”).Font.Bold = True    End With    rowIndex = 2 ‘ 目录条目从第二行开始    sheetCounter =0    ‘ 步骤3: 生成目录列表及超链接    For Each ws In mainWorkbook.Worksheets        If ws.Name &lt;&gt; tocSheet.Name Then ‘ 排除“目录”工作表本身            sheetCounter = sheetCounter +1            With tocSheet                .Cells(rowIndex, “A”).Value= sheetCounter ‘ 序号                .Cells(rowIndex, “B”).Value = ws.Name      ‘ 工作表名称                ‘ 创建到对应工作表的超链接                .Hyperlinks.Add Anchor:=.Cells(rowIndex, “B”), _                                Address:=””, _                                SubAddress:=”‘” &amp; ws.Name &amp; “‘!A1”, _                                TextToDisplay:=ws.Name                .Cells(rowIndex, “B”).Font.Color = vbBlue            End With            rowIndex = rowIndex + 1        End If    Next ws    ‘ 步骤4: 在其他工作表添加“返回目录”链接    ForEach ws In mainWorkbook.Worksheets        If ws.Name &lt;&gt; tocSheet.Name Then            On Error Resume Next ‘ 忽略可能没有超链接的错误            ws.Range(“E1”).Hyperlinks.Delete ‘ 先删除E1可能存在的旧链接            On Error GoTo 0            ws.Hyperlinks.Add Anchor:=ws.Range(“E1”), _                              Address:=””, _                              SubAddress:=”‘” &amp; tocSheet.Name &amp; “‘!A1”, _                              TextToDisplay:=”返回目录”            ws.Range(“E1”).Font.Color = vbBlue        End If    Next ws    ‘ 步骤6: 自动调整列宽    tocSheet.Columns(“A:B”).AutoFit    Application.ScreenUpdating = True    ‘ 步骤5: 完成提示    MsgBox “目录生成/更新完毕！”, vbInformation End Sub 按案例1的一样操作，直接运行，就能看到目录了。  - Application.ScreenUpdating = False：在宏执行期间关闭屏幕刷新，可以提高执行速度，尤其在操作多个工作表时效果明显。 - On Error Resume Next / On Error GoTo 0：VBA的错误处理语句。On Error Resume Next 使程序在遇到运行时错误时继续执行下一行代码，常用于可预见的、不影响主流程的小错误。On Error GoTo 0 则恢复标准的错误处理机制。 - Worksheets.Add(After:=Sheets(Sheets.Count))：在工作簿的最后一个工作表之后添加一个新的工作表。 - Hyperlinks.Add Anchor:=…, Address:=””, SubAddress:=”‘” &amp; ws.Name &amp; “‘!A1”, TextToDisplay:=…：添加超链接的核心方法。 - Anchor: 超链接所依附的单元格对象。 - Address: 指向外部文件或URL的地址（内部链接时为空字符串）。 - SubAddress: 指向当前工作簿内部位置的字符串，格式为 ‘工作表名’!单元格地址。 - TextToDisplay: 在单元格中显示的超链接文本。 - vbBlue：VBA内置的颜色常量，代表蓝色。 - Columns(“A:B”).AutoFit：自动调整指定列的宽度以适应其内容。 通过这两个入门案例，可以看出AI在辅助生成VBA代码方面的潜力，使得用户能更专注于需求本身，而非繁琐的语法细节。案例3：复杂数据整合与查询 在处理来自不同数据源或结构复杂的数据时，往往需要进行数据整合与转换。本案例将利用提供的多份CSV数据文件，模拟一个常见的数据处理场景：将事实表数据与维度表数据关联，生成一个包含更丰富信息的新表。此操作若手动使用Excel公式（如VLOOKUP）处理大量数据，效率较低且易出错。 假设我现在有多张表格，如下图，分别是区域表、用户表、产品表、订单表。  其中订单表是这样的：  可以看到，用户和产品都是没名字的，我的需求是让订单表从用户表、产品表上把对应的名字匹配上。 这也是很经典的需求：多表匹配。 请编写一段Excel VBA代码，用于从指定文件夹中的多个Excel文件 (.xlsx) 整合数据到当前活动工作簿的新工作表中。 具体需求如下： 选择源文件夹： 程序开始时，弹出一个对话框让用户选择包含源Excel文件的文件夹。 如果用户未选择文件夹，则中止程序并提示。 定义源文件名： 事实数据文件名: “Model-FactSales.xlsx” 产品维度数据文件名: “Model-DimProduct.xlsx” 客户维度数据文件名: “Model-DimCustomer.xlsx” 城市维度数据文件名: “Model-DimCity.xlsx” 数据关联与填充： AI生成的VBA代码还是很全面的：包含了文件夹选择、外部文件读取、字典应用和错误处理等要素： Option Explicit ‘ 强制声明所有变量 Sub ConsolidateDataFromExternalFiles_V3()    Dim startTime As Double    startTime = Timer    Application.ScreenUpdating = False    Application.EnableEvents = False    Application.Calculation = xlCalculationManua    Dim folderPath As String    Dim wbSource As Workbook, wbDim As Workbook    Dim wsSource As Worksheet, wsDim As Worksheet    Dim wsConsolidated As Worksheet    Dim dictProducts As Object, dictCustomers As Object, dictCities As Object    Dim factSalesFileName As String, productDimFileName As String, customerDimFileName As String, cityDimFileName As String      Dim arrFactSalesData As Variant ‘ 用于存储FactSales的原始数据    Dim arrOutputData As Variant    ‘ 用于构建最终的输出数据    Dim i As Long, j As Long    Dim lastRowFact As Long, lastColFact As Long    Dim lastRowOutput As Long, lastColOutput As Long    ‘— 用于存储在FactSales表中关键Key列的列号 —    Dim spuColFact As Long    Dim customerIdColFact As Long    Dim cityIdColFact As Long    ‘ — 用于存储在Output数组中新增Name列的列号 —    Dim productNameColOutput As Long    Dim customerNameColOutput As Long    Dim cityNameColOutput As Long    Dim tempKey As Variant    ‘— 1. 选择源文件夹 —    With Application.FileDialog(msoFileDialogFolderPicker)        .Title = “请选择包含源Excel文件的文件夹”        .AllowMultiSelect =False        If .Show&lt;&gt;-1Then            MsgBox “未选择文件夹，操作中止。”, vbExclamation            GoTo CleanUpAndExit        End If        folderPath = .SelectedItems(1)        If Right(folderPath, 1) &lt;&gt; Application.PathSeparator Then            folderPath = folderPath &amp; Application.PathSeparator        End If    EndWith    ‘ — 2. 定义源文件名 —    factSalesFileName = “Model-FactSales.xlsx”    productDimFileName = “Model-DimProduct.xlsx”    customerDimFileName = “Model-DimCustomer.xlsx”    cityDimFileName = “Model-DimCity.xlsx”    ‘— 3.1 创建或重置 “ConsolidatedSales” 工作表 —    On Error Resume Next    Application.DisplayAlerts =False    ThisWorkbook.Sheets(“ConsolidatedSales”).Delete    Application.DisplayAlerts =True    On Error GoTo 0      Set wsConsolidated = ThisWorkbook.Sheets.Add(After:=ThisWorkbook.Sheets(ThisWorkbook.Sheets.Count))    wsConsolidated.Name = “ConsolidatedSales”    ‘ — 读取 “Model-FactSales.xlsx” 数据到数组 —    If Len(Dir(folderPath &amp; factSalesFileName)) = 0 Then        MsgBox “文件 ” &amp; factSalesFileName &amp; ” 在指定文件夹中未找到！操作中止。”, vbCritical        GoTo CleanUpAndExit    End If        On Error GoTo FileOpenErrorFactSales    Set wbSource = Workbooks.Open(folderPath &amp; factSalesFileName, ReadOnly:=True, UpdateLinks:=0)    Set wsSource = wbSource.Sheets(1)    arrFactSalesData = wsSource.UsedRange.Value ‘ 将整个UsedRange读入数组    wbSource.Close SaveChanges:=False    Set wsSource = Nothing    Set wbSource = Nothing    On Error GoTo 0      If Not IsArray(arrFactSalesData) Then        MsgBox “无法从 ” &amp; factSalesFileName &amp; ” 读取数据。”, vbCritical        GoTo CleanUpAndExit    End If    If UBound(arrFactSalesData, 1) &lt;1Then’ 至少要有表头行        MsgBox factSalesFileName &amp; ” 为空或格式不正确。”, vbCritical        GoTo CleanUpAndExit    End If    ‘— 确定FactSales中关键Key列的列号 (基于表头名称) —    For j = LBound(arrFactSalesData, 2) To UBound(arrFactSalesData, 2)        SelectCaseTrim(CStr(arrFactSalesData(1, j))) ‘ 表头在数组的第一行            Case “SPU”: spuColFact = j            Case “客户ID”: customerIdColFact = j            Case “区域ID”: cityIdColFact = j        End Select    Next j    If spuColFact = 0 Or customerIdColFact = 0 Or cityIdColFact = 0 Then        MsgBox “错误：” &amp; factSalesFileName &amp; ” 中未能找到一个或多个关键表头 (SPU, 客户ID, 区域ID)。请检查表头是否正确。”, vbCritical        GoTo CleanUpAndExit    End If    ‘— 4. 加载维度表数据到字典 —    Set dictProducts = CreateObject(“Scripting.Dictionary”)    Set dictCustomers = CreateObject(“Scripting.Dictionary”)    Set dictCities = CreateObject(“Scripting.Dictionary”)    ‘ 假设维度文件中的Key在第1列，Name在第2列。如果不是，请修改LoadDictionary_V3的调用参数。    LoadDictionary_V3 dictProducts, folderPath, productDimFileName, 1, 2 ‘ keyCol=1 (SPU), valCol=2 (ProductName)    LoadDictionary_V3 dictCustomers, folderPath, customerDimFileName, 1, 2′ keyCol=1 (客户ID), valCol=2 (CustomerName)    LoadDictionary_V3 dictCities, folderPath, cityDimFileName, 1, 2       ‘ keyCol=1 (区域ID), valCol=2 (CityName)    ‘ — 5. 准备输出数组并填充数据 —    lastRowFact = UBound(arrFactSalesData, 1)    lastColFact = UBound(arrFactSalesData, 2)    lastColOutput = lastColFact + 3 ‘ 新增3列    productNameColOutput = lastColFact +1    customerNameColOutput = lastColFact +2    cityNameColOutput = lastColFact +3    ReDim arrOutputData(LBound(arrFactSalesData, 1) To lastRowFact, LBound(arrFactSalesData, 2) To lastColOutput)    ‘ 填充表头行到输出数组    For j = LBound(arrFactSalesData, 2) To lastColFact        arrOutputData(LBound(arrFactSalesData, 1), j) = arrFactSalesData(LBound(arrFactSalesData, 1), j)    Next j    arrOutputData(LBound(arrFactSalesData, 1), productNameColOutput) = “ProductName” ‘ 或中文 “产品名称”    arrOutputData(LBound(arrFactSalesData, 1), customerNameColOutput) = “CustomerName” ‘ 或中文 “客户名称”    arrOutputData(LBound(arrFactSalesData, 1), cityNameColOutput) = “CityName”     ‘ 或中文 “区域名称”    ‘ 填充数据行    For i = LBound(arrFactSalesData, 1) + 1 To lastRowFact ‘ 从第二行开始 (数据行)        ‘ 复制原始数据        For j = LBound(arrFactSalesData, 2) To lastColFact            arrOutputData(i, j) = arrFactSalesData(i, j)        Next j        ‘ 查找并填充ProductName        tempKey = arrFactSalesData(i, spuColFact)        If Not IsEmpty(tempKey) And dictProducts.Exists(CStr(tempKey)) Then            arrOutputData(i, productNameColOutput) = dictProducts(CStr(tempKey))        Else            arrOutputData(i, productNameColOutput) = “N/A”        End If        ‘ 查找并填充CustomerName        tempKey = arrFactSalesData(i, customerIdColFact)        If Not IsEmpty(tempKey) And dictCustomers.Exists(CStr(tempKey)) Then            arrOutputData(i, customerNameColOutput) = dictCustomers(CStr(tempKey))        Else            arrOutputData(i, customerNameColOutput) = “N/A”        End If          ‘ 查找并填充CityName        tempKey = arrFactSalesData(i, cityIdColFact)        If Not IsEmpty(tempKey) And dictCities.Exists(CStr(tempKey)) Then            arrOutputData(i, cityNameColOutput) = dictCities(CStr(tempKey))        Else            arrOutputData(i, cityNameColOutput) = “N/A”        End If    Next i    ‘ — 6. 将输出数组写入 “ConsolidatedSales” 工作表 —    wsConsolidated.Range(“A1”).Resize(UBound(arrOutputData, 1), UBound(arrOutputData, 2)).Value = arrOutputData    wsConsolidated.UsedRange.Columns.AutoFit CleanUpAndExit:    Application.Calculation = xlCalculationAutomatic    Application.EnableEvents = True    Application.ScreenUpdating = True    Set wbSource = Nothing    Set wsSource = Nothing    Set wsDim = Nothing    Set wsConsolidated = Nothing    Set dictProducts = Nothing    Set dictCustomers = Nothing    Set dictCities = Nothing    If IsArray(arrFactSalesData) Then Erase arrFactSalesData    If IsArray(arrOutputData) Then Erase arrOutputData    If Err.Number = 0 And folderPath &lt;&gt; “” And spuColFact &gt; 0 And customerIdColFact &gt; 0 And cityIdColFact &gt; 0 Then         MsgBox “数据整合完成！用时: ” &amp; Format(Timer – startTime, “0.00”) &amp; ” 秒”, vbInformation    ElseIf Err.Number &lt;&gt; 0 Then        MsgBox “操作过程中发生错误 (代码: ” &amp; Err.Number &amp; “): ” &amp; Err.Description, vbCritical    End If    Err.Clear    Exit Sub FileOpenErrorFactSales:    MsgBox “打开文件时发生错误: ” &amp; folderPath &amp; factSalesFileName &amp; vbCrLf &amp; “错误描述: ” &amp; Err.Description, vbCritical    Err.Clear    GoTo CleanUpAndExit End Sub ‘ 辅助函数：从外部文件加载字典数据 (V3) Sub LoadDictionary_V3(dict As Object, ByVal filePath As String, ByVal fileName As String, ByVal keyColNum As Long, ByVal valColNum As Long)    Dim wbDim As Workbook    Dim wsDim As Worksheet    Dim arrDim As Variant    Dim r As Long, lastRowDim As Lon    If Len(Dir(filePath &amp; fileName)) =0Then        MsgBox “维度文件 ” &amp; fileName &amp; ” 在指定文件夹中未找到！对应字典将为空。”, vbExclamation        Exit Sub    End If    On Error GoTo LoadDictError_V3    Set wbDim = Workbooks.Open(filePath &amp; fileName, ReadOnly:=True, UpdateLinks:=0)    Set wsDim = wbDim.Sheets(1) ‘ 始终假设数据在第一个工作表    lastRowDim = wsDim.Cells(wsDim.Rows.Count, keyColNum).End(xlUp).Row      If lastRowDim &gt; 1 Then ‘ 至少要有数据行 (除了表头)        ‘ 确保读取的数组范围至少包含keyColNum和valColNum        Dim firstColToRead As Long, lastColToRead As Long        firstColToRead = Application.Min(keyColNum, valColNum)        lastColToRead = Application.Max(keyColNum, valColNum        arrDim = wsDim.Range(wsDim.Cells(2, firstColToRead), wsDim.Cells(lastRowDim, lastColToRead)).Value        Dim actualKeyColInArray As Long, actualValColInArray As Long        actualKeyColInArray = keyColNum – firstColToRead + 1        actualValColInArray = valColNum – firstColToRead + 1        If IsArray(arrDim) Then             For r = LBound(arrDim, 1) To UBound(arrDim, 1)                If Not IsEmpty(arrDim(r, actualKeyColInArray)) Then                    If Not dict.Exists(CStr(arrDim(r, actualKeyColInArray))) Then                        dict.Add CStr(arrDim(r, actualKeyColInArray)), arrDim(r, actualValColInArray)                    End If                End If            Next r        Else ‘ 处理只读取到单行数据，Range返回非数组的情况            If lastRowDim =2AndNot IsEmpty(arrDim) Then ‘ 特殊处理只有一行数据的情况                 If Not IsEmpty(wsDim.Cells(2,keyColNum).Value) Then                    If Not dict.Exists(CStr(wsDim.Cells(2,keyColNum).Value)) Then                        dict.Add CStr(wsDim.Cells(2,keyColNum).Value), wsDim.Cells(2,valColNum).Value                    End If                 End If            End If        End If    End If      wbDim.Close SaveChanges:=False    Set wsDim = Nothing    Set wbDim = Nothing    Exit Sub LoadDictError_V3:    MsgBox “加载字典时打开或读取文件 ” &amp; filePath &amp; fileName &amp; ” 失败。” &amp; vbCrLf &amp; “错误 (代码: ” &amp; Err.Number &amp; “): ” &amp; Err.Description, vbExclamation    If Not wbDim Is Nothing Then wbDim.Close SaveChanges:=False    Set wsDim = Nothing    Set wbDim = Nothing    Err.Clear End Sub 运行后，会弹出一个选择文件夹的框，让我们选中包含多个数据表的文件夹：  选择后，运行，7s时间就帮我把表格的多个列匹配上了。  在实践的过程中容易遇到3个坑：VBA是大小写敏感的，例如我这个案例中，一开始跑不通后来我猜是这个问题，改成小写才行（因为我表格里是小写）不同电脑上，甚至不同Office的配置可能会影响vba，例如我一开始是在windows上用的VBA，挪到MAC上就不能用了，所以有时候不是代码问题，而是环境本身。 最后就是提示词的问题，因为涉及业务逻辑，或者表格描述，其实是要写精准了，最后给的VBA代码才能正确运行。 我的解决方案是让AI去写提示词就好了，包括这几个案例，提示词这么标准的描述要做的动作，是因为我让DeepSeek给了多个提示词我选，然后我选择符合我预期的来调整即可！ 对于表格涉及的，也可以直接给图，但DeepSeek不支持多模态，可以给到Gemini或者Claude，也是不错的选择。 本文由人人都是产品经理作者【饼干哥哥】，微信公众号：【饼干哥哥AGI】，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SaaS类产品中，新手引导是帮助用户快速上手和降低流失率的关键环节。然而，新手引导的设计和实施过程中常常面临诸多挑战，比如用户转化率低、内容质量不佳等问题，这些问题往往导致产品团队陷入“背锅侠”的困境。本文从数据产品的角度出发，深入探讨了新手引导的核心目标、实操步骤以及常见的避坑策略。</p> </blockquote>  你明明做了新手引导，但是一旦有客户不会用的时候，就有人跑来说，缺少新手引导。你明明做了很多相关调研，一旦用户转化率不好，就又会有人指责说新手引导不到位，用户不会用。你明明看了很多新手引导的方案，但是最终还是要被甩锅…… 作为一个在数据产品行业摸爬滚打多年的数据小学生，日常工作中，尤其是SaaS类产品，往往都会接触到要走新手引导的这个诉求。目的是希望用户在注册成功后，进入产品内可以通过一些引导让用户按照预期的路径走下去，完成新手进来的几个目标。 新手引导有很多不同的载体，入门弹窗、任务类引导、页面悬浮、Toturials、智能AI问答等等。很多产品在做调研的时候往往都会了解到这些新手引导的不同方案，但是最后上线后，还是会被吐槽说效果一般，仍需加强。这大概是很多背锅侠们经常遇到的事情。今天这篇文章就想跟大家详细的拆解如何做好新手引导，以及当在团队内遇到针对新手引导的各类问题如何解决与应对。 ## 什么是新手引导 新手引导的目的，是可以让用户在**初次**使用的过程中快速建立**对产品的认知**，并上手**功能操作**，减少这一过程中的用户流失。 新手引导核心要解决三个问题： **第一：我们希望传达什么**：即需要将什么信息传递给用户。 通常新手引导场景下，传达信息会包括**产品核心价值、核心功能**、**内置的最佳实践sample**信息等，都是希望传达给用户，进而让用户可以更低门槛的使用产品功能。 **第二：如何引导触达目标场景**：用户看到传达的信息后，如何去完成相应的任务流程。 即从落地场景向目标功能场景的引导。这里需要结合传达信息的不同做相应的引导。 **第三：如何低门槛使用目标功能**。用户到达目标场景内时，让用户可以使用低门槛的使用产品。 想清楚这三个问题后，我们就可以进入实操了 ## 新手引导实操 ### 第一步：定义清楚你的用户需求场景 所有的产品设计都离不开产品三要素：用户、需求、场景。在实践过程中，在定义用户时，可以用两层的策略进行定义 第一层：概括性用户，即适用于大多数产品的。在这里我们只需要定一个新用户来的一些用户特征即可，结合用户特征，我们可以定义出针对这类用户我们希望**传达什么信息** 例如：  第二层：即基于你的产品定位去做角色化的用户场景细拆。这一层主要目的是用于在明确需要传达什么信息后，如何**去引导用户去目标场景，以及更低门槛的使用产品。** 举个例子：针对数据开发类产品，目标角色会很多。例如可以拆分为开发角色、数据源管理角色、运维角色等，若再加上企业属性，又可以进一步细拆为个人开发角色，企业开发角色等等。 针对开发角色，关注的是进入产品内如何去创建开发任务，测试，提交调度；数据源管理角色关注的是如何创建好数据源链接。 用户角色拆分的细致程度，决定了产品经理在做用户场景的覆盖范围是否足够全足够广。 这里大家就结合自身的产品去梳理即可。 ### 第二步：调研调研调研 新手引导的产品设计太多了，市面上常见的弹窗、页面悬浮、tips提示、文档机器人等等。在这里我就不一一说了，相信这类文章一大把都是。这一步骤，我核心想跟大家说的是，调研背后的逻辑，此所谓授人以鱼不如授人以渔。 产品调研，不简单是了解产品心态，更重要的是要理解这个产品形态背后的驱动是什么，也就是反向推到用户需求场景。这就跟第一步正好映射上，也就是当我们最终设计产品方案时，如何跟调研好的形态进行一一匹配优化设计。 举个例子：新人引导里最常见的就是入口弹窗 ，通常情况下这种弹窗是用一种相对比较强势的方式让用户感知到。因此它背后的目标用户群体就是针对那些不知道产品是什么的人，让他们知道产品的核心能力，并引导用户去进行相应的操作。 ### 第三步：产品方案 前面都定义好了之后，就可以直接基于你自己的场景去设计方案了。在这里不做过多介绍，大家自行设计即可。如果有想问的可以留言给我。 ## 避坑手册 ** 坚决不做背锅侠。** 新手引导看似是产品内的一个很小的需求场景，但是往往会有很多角色想跑来掺合一脚，这大概是日常SaaS类产品经理最头疼的一点了。尤其是当产品团队相对处于一个弱势地位的时候，往往就会陷入一个别人说什么就要做什么的境地。 这个时候，我们改如何应对呢？ 在做新手引导前，一定要跟若干角色拉齐定义清楚目标，不属于新手引导的坚决不承诺。几种典型场景一定要避开： **大坑一：用户转化率低是因为新手引导做的不好** 这是SaaS产品内最长争论的场景了，每当用户转化率低但是运营部门没有好想法的时候，往往会把这个锅推到新手引导上。不可否认，对于有门槛的SaaS类产品，新手引导对于让用户快速理解使用产品起到到了积极正向的作用。但是引导做的好不好，跟转化是没有直接关系的。只能说新手引导做的好，用户体验绝佳，是可以干预到用户决策的。只是用户转化路径中的一个很小的环节。 **大坑二：内容质量不高** 在这里要说的是，一个团队内部可能存在多种任务分工，如果你做的新手引导是涉及到内容类的信息，例如引导用户去一个场景化的功能里（例如toturials），或者引导用户去看一个视频等等。 你做的只是你负责的引导框架，具体的内容质量不好或者准备不足，需由相应角色基于用户埋点数据进行优化即可。 当然如果你是负责做内容的，那么请结合上述实操步骤，将内容、引导到使用三个问题都要想清楚，确保每个环节都是有效的。 本文由 @Baby 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