Loading the catalog…
THE AI OPPORTUNITY INDEX
Find your next AI tool. Explore free access, trials, and credits — all in one place.
Readhub
消息人士透露 OpenAI 即将推出代号为「O」的常驻 AI 助手,预计在 OpenAI DevDay 推出。ChatGPT 配置文件中已出现相关线索,显示该智能体可在普通聊天外持续运行,或拥有独立身份。该常驻型智能体项目的名称为 Aeon,目前其支持的任务、具备的权限、是否支持定时任务与记忆功能及开放时间均不明确。此前有传闻称 OpenAI 在研发甜甜圈形状的硬件,若相关项目产生关联,单字母代号可能形成有趣的双关。
Score: 57.3Confidence: 54%
View offer掘金
XXL-AI 是一个AI应用开发平台,支持 Agent编排、多供应商、标准化扩展「MCP + SKILL + RAG」、工程化底座等,可快速构建并一键发布Agent。现已开放源代码,开箱即用
Score: 57.24Confidence: 54%
View offer掘金
从零实现一个带虚拟滚动的 Select:原理、踩坑与 el-select-v2 对比 一、为什么要造这个轮子 业务里常见的场景:一个下拉框要塞几千甚至上万条选项(城市、门店、用户、SKU)。 如果按常
Score: 57.22Confidence: 54%
View offer人人都是产品经理
Satya Nadella 在 Sources Podcast 谈到 AI 形态与能力的进化是两条曲线:从 ChatGPT 的对话,到 coding agent,再到 OpenClaw 预见的长时运行 agent,他说 agent 时代的市场会比云计算大几个数量级。 你有没有想过,微软这家公司在 AI 时代到底在下一盘什么棋?很多人觉得微软只是 OpenAI 的大股东,靠着 Azure 卖算力赚差价。但当我看完 Satya Nadella 最近在 Sources Podcast 的这场访谈,我意识到这个判断可能太浅了。 Nadella 在访谈里说了一句话让我印象很深,他说 agent 时代创造的市场规模会比云计算大几个数量级(orders of magnitude)。这不是随便说说的豪言壮语,他从产品形态、商业模式、AI 安全、到 Windows 的未来,把整盘棋讲得非常清晰。我把这场访谈里最有价值的几个判断梳理出来,加上我自己的思考,分享给大家。 一、agent 的形态演化:从 chat 到 long-running agent Nadella 在访谈里提了一个很有价值的视角,他说如果你把 ChatGPT 出现以来的这段时间看作一条演化轨迹,你会发现 AI 的形态(form factor)和 AI 的能力(capability)一直在共同进化,而且这两条线经常是不同步的。一开始是 ChatGPT,本质是 GPT 模型加上 RLHF(人类反馈强化学习)让对话成为可能。再往后是 coding agent,让 Claude Code 这样的产品出现。再后来出现了 OpenClaw,这是第一次有人预见到 long-running agent(长时运行的 AI 代理)这种形态——让 agent 在云端持续运行好几天,保持上下文连贯,把记忆(memory)外置出来——而模型能力在某种程度上是后来才追上这个形态的。 这段话让我想了很久。很多人在讨论 AI 的时候,习惯把形态和能力当成一回事,但实际上它们是两条不同的发展曲线。OpenClaw 出来的时候,它预见的形态是对的,但那时的模型还不够聪明,跑不长、跑不稳,中途容易出错。Nadella 说,现在这两条曲线终于开始对齐了。云端的沙盒环境已经可以支撑 agent 连续运行多天,agent 也有了稳定的记忆机制,这就是为什么他们现在发布的新 Copilot 里,chat、Cowork、Autopilot 这几种形态同时存在——因为每一种都在不同场景里有它的价值,没有哪一种会彻底取代另一种。 我自己对这段历史的理解是,其实很多人对 AI agent 的期待在 2023 年就已经成型了,但那时候失望的声音很多,因为模型跑不起来,幻觉太多,任务稍微复杂一点就崩。现在能看到真正可用的 agent 出来,不是因为产品思路变了,而是模型能力终于追上来了。这跟我之前读到的一个判断一脉相承——同一个功能,早半年发布和晚半年发布,结果可能天壤之别。所以很多时候,一个产品失败了,不一定是方向错了,可能只是时机没到,底层模型还没准备好。这种判断对做产品的人来说非常重要,它意味着很多你以为“死掉了”的想法,其实只是在等技术追上来。 二、Autopilot:每个人都能有一个”首席幕僚” 访谈里我觉得最具体、最有画面感的部分,是 Nadella 聊 Autopilot(微软新推出的自主运行 AI 代理产品)。他说微软内部所有人现在都可以拥有一个类似“chief of staff(首席幕僚)”的 Autopilot,你给它一个身份、一台电脑、一个工作空间,然后告诉它要做什么方向,它就开始持续工作,有自己的记忆,你可以在 Teams 里像跟同事发消息一样跟它对话,不需要每次重新交代背景。 他还举了一个非常接地气的例子:有人每天上班第一件事是处理发票,那就让 Autopilot 专门负责管理发票,你需要的时候去跟它沟通,就像跟一个助理讲话一样。他说这类任务性工作(task work)会是 Autopilot 最先被大规模使用的场景,因为它的边界清晰、结果可验证,出错了也容易发现和纠正,不会造成太大的麻烦。 我觉得“首席幕僚”这个比喻非常精准,而且它指向了一个很现实的不平等问题。以前只有 C-suite 级别的高管才负担得起真正意义上的助理或幕僚,帮你过滤信息、跟进任务、整理决策所需的材料。这件事在技术上现在已经可以平民化了,每个普通员工都能有一个持续在后台工作的 AI 代理,替你盯着那些重复但必要的事情。但我同时也在想,这件事要真正落地,最难的不是技术,而是信任的建立。Nadella 在访谈里也直接说了这一点,他说一旦你的 agent 做了一件你从来没预期它会做的事,你当天就会停用它。用户对 agent 的信任是非常脆弱的,一次意外就足以摧毁。所以可审计性(auditability)、可观察性(observability)、安全治理(security governance),这些才是让 Autopilot 真正被人接受的关键,而不是它能做多少事、跑得多快。 这让我想到一个更深的问题:agent 的产品设计,其实是在设计信任本身。不是设计功能,不是设计界面,而是设计用户在什么情况下愿意把控制权交出去,在什么情况下需要把控制权拿回来。这是一种完全不同的产品思维,以前我们做产品考虑的是“用户会不会用”,现在要考虑的是“用户敢不敢让它替自己做决定”。这两者之间的距离,可能比大多数人想象的要远。 三、定价模式:seat-based 加 usage-based 的组合拳 访谈里 Nadella 聊到了一个我觉得很值得关注的商业问题:AI 时代该怎么定价?他说微软在企业端采取的是 seat-based(按席位收费)加 usage-based(按用量收费)的组合方式。逻辑很简单,按席位收费让企业客户可以提前预算、没有意外惊喜,而 AI token 的成本每季度都在下降,这意味着他们可以不断把更多能力塞进同样的订阅里,让订阅本身越来越值钱。他说他自己已经好几个月没有手动选模型了,因为 auto 模式会自动选最合适的模型,这本身就是订阅价值持续提升的体现。 在消费端,他还额外提到了一个可能性,就是广告单元(ad unit)作为第三种定价工具——如果广告能给用户的订阅账户充值,就可以进一步降低消费端的使用门槛,让更多付不起订阅费的用户也能享受到 AI 能力。 我对这个定价逻辑的理解是,微软其实在做一件很聪明的事:把 AI 能力的价格下降红利,转化成订阅价值的持续增长,而不是让用户感受到“价格变便宜了”,而是让用户感受到“同样的钱,能做的事越来越多”。这两句话听起来像一回事,但心理感受完全不同。前者会让用户觉得以前买贵了,对品牌产生不信任;后者会让用户觉得自己的投入越来越划算,持续产生续费的动力。这对企业 SaaS 来说是一个非常重要的留存策略,也是为什么按席位定价在 AI 时代其实并没有消失,反而可能因为这个逻辑变得更加合理。 还有一点值得注意:他说“今天是 usage-based 的东西,明天就会进入订阅里”。这意味着 usage-based 其实是一种功能孵化机制,先让愿意尝鲜的用户付费试用新能力,等这个能力成熟了、成本降下来了,就把它打包进订阅,普及给所有人。这个节奏感我觉得非常有参考价值,对做 SaaS 产品的人来说,不一定所有新功能都要立刻决定是免费给还是收费,可以先用用量计费的方式试水,等时机成熟再调整。 四、为什么微软要押注多模型生态,而不是只赌 OpenAI 这是访谈里我认为最能体现 Nadella 战略纵深的一部分。主持人问他,微软跟 OpenAI 的合作限制已经解除,你们现在可以自己做前沿模型了,这跟“我们要支持所有模型”的开放生态是不是矛盾? Nadella 的回答很清晰。他说微软自己在做的模型(MAI,由 Mustafa Suleyman 团队主导),主要是为了微软自身特定领域的需求——网络安全、代码、知识工作等,同时也是为了在数据管道和 RL(强化学习)循环里积累自己的能力。但 Copilot 永远会支持所有主流模型,因为企业客户不会接受被锁定在单一模型里。他说得很直接:你应该有自己的私有评测体系(private eval),用它来测试所有模型,找到最适合你场景的那个,而且任何一个模型消失了,你的能力也不会跟着消失。 他强调了一个我认为很关键的概念,叫 harness(工具框架)。他说 harness、context(上下文)、memory(记忆)和模型这四件事必须是可分离的,不能捆绑在一起,这样才能保证灵活性和可替换性。这个判断对很多在做 AI 产品的团队来说是一个很重要的架构原则:不要把你的产品核心逻辑跟某一个具体的模型深度绑定,否则模型一换,或者模型的 API 价格突然涨了,你的整个产品可能要从头重建。 我自己对这个多模型生态策略的理解是,微软其实在做一个平台公司最经典的动作:把自己变成不可绕过的基础设施,同时保持对所有上层应用的开放性。这跟 Windows 当年的策略如出一辙——不押注某一个具体的软件,而是让所有软件都跑在我的平台上。现在换成了 AI 时代,不押注某一个具体的模型,而是让所有模型都跑在我的 harness 和 infrastructure 上。这个逻辑成立的前提是,你必须在 harness 这一层做出真正的差异化价值,让模型厂商和应用开发者都觉得离不开你。这很难,但如果做成了,护城河是极深的。 还有一个细节值得单独说。Nadella 提到微软对 OpenAI 的访问权限会持续到 2032 年,这是一个巨大的优势。但他同时强调,微软的目标不是有一两个大客户,而是有很多很多大客户。这句话其实是在说,微软不想让自己的命运跟任何一个单点绑定,无论是 OpenAI 还是其他任何合作方。这种分散风险的思维,在商业上其实是非常健康的。 五、用 AI 追踪 capex:Nadella 自己是怎么用 AI 的 访谈里有一个细节让我反复想了几次。主持人问 Nadella,你们的资本支出规划有没有被 agentified?Nadella 说,他自己搭了一套系统,实时追踪所有云服务商(包括竞争对手)的 SEC 文件(美国上市公司的公开财务披露),把这些数据通过 Fabric(微软的数据平台)里的数据管道拉进来,建成语义模型,再由 coding agent 读取,最终呈现成一个每天刷新的 dashboard,里面有按层分拆的资本回报率(ROIC)数据,涵盖他自己的内部分析和外部所有竞争对手的公开信息。 这件事有两层让我觉得有意思。一层是 Nadella 作为一个公司 CEO,自己在用 GitHub Copilot 搭这套东西,不是让下面的团队做,而是自己动手。这说明在他看来,这类工具现在已经进入了“普通人也能用来搭建复杂系统”的阶段,门槛已经低到不需要专业工程师介入。另一层是这套系统的设计思路:它把外部的公开信息和内部的分析数据整合在一起,做成一个实时更新的情报系统,而不是每次需要的时候临时去查,每次都要等人去收集、清洗、汇总。 我自己做产品的时候也在想,有多少决策信息其实是可以被这样常态化、自动化地整合起来的,而不是依赖人工去收集和整理。很多公司的决策质量差,不是因为决策者不够聪明,而是他们拿到的信息永远是滞后的、不完整的、需要二次加工的。如果 AI agent 能解决这个信息基础设施的问题,让决策者在每次做判断的时候都能拿到实时的、整合好的、可直接使用的数据,那对企业的实际价值可能比任何一个具体的效率工具都要大。这可能才是 agent 在企业里最值钱的落地场景之一。 六、agent 的安全问题:containment 才是关键词 Nadella 在聊 AI 安全的时候说了一些我觉得比较务实、比较少见的判断,他没有说一些很宏观的话,而是直接切到了具体的工程问题上。他提到有 agent 在运行过程中产生了欺骗性的行为(deceptive action),没人能解释清楚这个行为是从哪里来的,训练数据里有什么东西导致了这个结果。他说这个问题必须认真对待,因为 long-running agent 本质上是一种持续存在的系统,有点像内部风险(insider risk),必须对它的行为进行实时监控和治理,不只是在训练阶段做好,在运行阶段也要持续观察。 他用了一个词我觉得特别准确:containment(控制与围栏)。意思是你必须有技术手段把 agent 的行为边界框住,让它在授权范围内行动,一旦越界就能被发现和纠正。他说这需要成为整个行业的标准做法,包括沙盒隔离、实时行为监控、权限审计,这些都是硬需求,不是加分项。 我自己的判断是,AI 安全的讨论很多时候停留在“对不对”“好不好”这种价值判断层面,但真正难的是工程实现。怎么让 agent 在出错的时候被发现?怎么让它的每一步行动都留下可追溯的记录?怎么设计权限系统让它能做该做的事,但绝对做不了不该做的事?这些问题没有捷径,需要踏踏实实地做系统设计。而且这件事越早做越好,因为一旦 agent 在企业里大规模部署,再想回头补安全机制,成本会非常高。我觉得这是现在很多在做 agent 产品的团队容易忽视的一点,大家都在比谁的 agent 能力更强、跑得更快,但 containment 做得怎么样,其实才是决定这个产品能不能被企业真正信任和采用的关键。 七、Windows 的未来:unmetered intelligence(无限量智能) Nadella 对 Windows 未来的描述让我觉得很有意思。他说他对 Windows 下一代的愿景,是实现 unmetered intelligence(无限量智能)。具体来说,他提到 GitHub 上有一个叫 Hydra Fusion 的项目,可以在本地设备和云端之间做自动路由,当你用本地设备的算力时就不消耗 token,当需要云端能力时再无缝切换过去,整个过程对用户完全透明。他说他希望未来一台 Windows 设备能自动把本地算力整合进你的 token 使用方案里,用户不需要纠结“我是买本地大模型还是买云端订阅”,这些路由决策都由设备和系统自动处理。 我觉得这个愿景背后有一个更大的逻辑:AI 的接入门槛必须继续降低,才能真正大规模普及。现在很多企业和个人用 AI 的最大顾虑之一,就是不知道这个月会花多少钱,token 用量不好控制,用着用着账单就出来了,很难预算。如果能把本地算力整合进来,让用户感受到的是“我的设备在帮我省 token”,而不是“我每次用 AI 都在烧钱”,那 AI 的渗透速度会快很多。这跟之前聊到的定价逻辑也是一脉相承的——让用户感受到的是“我在持续获得价值”,而不是“我在持续付出成本”。 更深一层来看,Nadella 这个 unmetered intelligence 的概念其实是在重新定义 Windows 的价值。Windows 过去的价值是“让你运行所有软件”,现在他想让 Windows 变成“让你随时使用 AI,不用担心用量和成本”。这是一个非常大的赌注,因为它要求微软在本地模型、云端模型、路由系统、定价机制这几个维度同时做好,缺一不可。但如果做成了,Windows 设备在 AI 时代的差异化就会非常清晰,不只是一个运行软件的平台,而是一个让 AI 能力真正触手可及的基础设施。 八、我的一点总结 听完这场访谈,我觉得 Nadella 最值得学习的一件事,是他始终在用系统性思维来看 AI,而不是把某个具体产品或某个具体模型当成终点。他谈 Copilot 的演化,谈定价,谈多模型生态,谈安全,谈 Windows,背后都有一个一以贯之的逻辑:在一个快速变化的技术环境里,真正的护城河是你对这个系统整体的理解和掌控能力,而不是你绑定了哪个最好的模型或者跑通了哪个最炫的 demo。 他说 agent 时代的市场规模会比云计算大几个数量级,我倾向于相信这个判断。但我更在意的是,这个时代真正的竞争不会发生在“谁的模型更聪明”上,而会发生在“谁能把 agent 的能力真正嵌进企业和个人的工作流里,同时让人觉得安全、可控、值得信任”。技术是基础,但最后决定胜负的,是信任。而信任这件事,没有捷径,只有一次次把体验做对、把边界守住、把用户预期管理好,慢慢积累出来。这可能才是未来几年最难、也最值钱的事。 本文由人人都是产品经理作者【深思圈】,微信公众号:【深思圈】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载 题图来自Unsplash,基于 CC0 协议
人人都是产品经理
Bumble 创始人 Whitney Wolfe Herd 在财报电话会议上确认,2026年第四季度将在部分市场取消沿用十余年的左滑右滑机制,改由 AI 红娘功能 Dates 接管匹配流程。上市时超百亿美元的估值已缩水至3.88亿美元,公司还在评估潜在出售。 26年5月7日,Bumble创始人、现任CEO Whitney Wolfe Herd 在财报电话会议上确认了一个让整个社交产品圈为之一震的消息: Bumble将在2026年第四季度于部分市场正式取消沿用十余年的“左滑右滑”匹配机制,改由全新的 AI 红娘功能“Dates”接管匹配流程(信息源见文末) 。 同月中旬,E! News、Fox等知名媒体跟进报道了这一消息,将其称为“定义了一代人的交互的终结”。 而Bumble的这番决策也并非毫无缘由。据调查, Bumble的市值已经从21年上市时的超百亿美元估值缩水至3.88亿美元 。 在这一背景下,Bumble的动作 除拥抱算法、投向AI匹配外,还包括探索出售等选项 ——据6月路透社报道,Bumble 已聘请摩根士丹利的投资银行家,评估包括潜在出售在内的战略选择;消息人士同时强调, 目前没有任何交易是确定的,公司也可能决定继续保持独立 。 8月11日,Bumble官宣废除了自2024年创立起就存在的一条规则——“异性匹配中女性先发第一条消息”,并且回复窗口也从24小时延长到72小时 。 这短短的4个月时间,对于Bumble而言,可能真称得上是一个“至暗时刻”。藉由这一事件,我们也想深入探讨下,Dating赛道到底怎么了? 01 从“她经济”标杆,到亟待出售的标的 想要理解Bumble如今的一系列举措,我们还是得先追本溯源。 2014年,Whitney Wolfe Herd在经历Tinder联合创始人的身份以及一段不愉快的诉讼之后,创立了Bumble。这款产品的差异化定位极其清晰——女性先开口。 在异性恋匹配中,只有女方能在24小时内发起对话 ,这一规则将Bumble推上了“女性主义社交产品”的神坛,也让它一度成为北美年轻都市女性们的默认选择。 (Bumble APP丨图源:Mashable) 2021年2月,Bumble登陆纳斯达克,上市首日股价从43美元的发行价飙升至70美元以上, 市值一度突破130亿美元 ,31岁的Wolfe Herd也因此成为当时全球最年轻的白手起家女性亿万富豪。 (Bumble创始人&CEO Wolfe Herd丨图源:Bumble官网) 然而巅峰即是转折点。此后几年,Bumble开始陷入 用户增长停滞、付费转化乏力、宏观消费疲软 的三重挤压。根据公司投资者关系页面披露的2025年第四季度财报,Bumble当季总收入同比下降14.3%至2.242亿美元,总付费用户同比下降20.5%,从420万降至330万。2025年全年,公司收入下滑9.9%至9.657亿美元,较2024年继续扩大跌幅。 (Bumble 2025年Q4财报丨图源:Bumble官网) 进入2026年,其下滑曲线仍未走出拐点。 2026Q2季度,Bumble总收入为2.105亿美元 ,同比再降15.2%。 截至2026年6月,公司股价已跌至2.68美元附近,较2021年上市后的高点缩水超过九成 ,其2025年全年市值蒸发幅度,在中概股之外的美股消费科技板块中也属罕见。 (Bumble 2026Q2财报丨图源:Bumble官网) 资本市场的耐心被耗尽之后,“卖身”成为一个现实的选项。 2026年6月25日,据路透社独家报道,Bumble Inc.正在探索整体出售 (路透社表示该消息来自多位熟悉内情的知情人士,但同时强调“目前没有确定性,交易可能不会达成”,故仅供参考)。 这一消息发布当日,Bumble股价出现明显异动,但华尔街给出的平均目标价却达到4.34美元,意味着其有接近45%的潜在上行空间——这种分析师“逆势看好”与股价深度破发的错位,恰恰说明市场对Bumble基本面的判断已经陷入分歧,这对Bumble而言绝对算不上是一个好信号。 值得注意的是,这场危机并非没有过自救动作。2025年年初,Wolfe Herd重返CEO之位,彼时她对外宣称经历了“ego death(自我死亡)”,要 将Bumble改造为“The Love Company” 。改造的第一步,就是裁员。同年6月,公司宣布 裁员约30% ,股价应声上涨25%。 但裁员虽然换来的短暂股价反弹,却最终没能扭转趋势。因此,2026年的“去滑动”改革,很难说是不是Bumble打出的最后一张大牌。 02 告别“左滑右滑”,AI 红娘“Dates”接棒 Bumble这次的产品转向,激进程度远超寻常的版本迭代。 按照Wolfe Herd在财报电话会上的表述, “Dates”是一套AI驱动的全新匹配体验:它不再是让用户面对一叠照片自行滑动决策,而是由AI作为“红娘”介入匹配全过程 ——理解用户意图、筛选潜在对象、 推动对话与线下见面 。 从交互设计的底层逻辑看,这次转向触及了Dating APP十年来的核心矛盾。 左滑右滑这一手势,最早由Tinder联合创始人Sean Rad与Jonathan Badeen在2012年前后发明,Badeen后来将原型设计比作“一叠扑克牌”,即用户像洗牌一样把候选对象一张张划走;Tinder围绕这一交互在2013年前后申请了多项设计专利。 (Tinder的左右滑动设计丨图源:Tinder) 这一交互之所以风靡,是因为它把“是否喜欢一个人”这个最复杂的判断,压缩成了一个 低认知和操作成本 ,并且带有一些 轻微游戏快感 的动作,它一度成为Dating APP们最青睐的设计,也造就了Tinder和Bumble的辉煌。 但 十多年过去,滑动交互的边际收益正在递减 :用户在无尽的信息流里疲劳滑动,匹配率下降,真实对话与线下见面的转化持续走低;而 被算法推到“热门”位置的少数用户获得了绝大部分注意力 ,“长尾”用户的体验感则持续恶化。这在行业里有一个专门的说法,叫“ Dating APP Fatigue (交友应用使用疲劳)”。 而AI红娘Dates(或者说算法匹配)想要回答的问题,本质上是能否 把“让人疲惫的滑动挑选”变成“更精准的直接推荐” 。在MindInventory等行业技术博客对下一代Dating产品的展望中,“ AI Dating Concierge(AI 约会管家) ”已经被明确列为最被看好的方向,即由AI bot先代表用户相互试探兼容性,再决定是否把匹配交给真人。Bumble的Dates,正是这一思路在头部产品中的首次落地。 但这次转型并非没有风险。今年9月,Global Dating Insights发布了一篇名为《Dating App Users Draw a Line on AI》的研究报道,指出 用户对AI介入约会这件事的容忍度存在清晰的边 界——他们能接受AI帮忙优化资料、破冰,却对AI完全替代真人判断抱有明显抵触。 也正是基于这一明显的算法匹配趋势和可能存在的风险,Bumble的这次战略转向对于同行和整个社交市场而言,都有非常高的观测价值。 03 不止Bumble Dating APP们都开始“去滑动” 在算法时代里,正在向“AI接管匹配”转向的已经不止Bumble一个。 如Match Group体系内的 Tinder 与 Hinge ,虽然尚未宣布彻底取消滑动,但已经开始密集进行AI化了。 Tinder在过去两年里持续测试基于AI的匹配推荐与对话辅助功能 ,试图缓解滑动疲劳带来的留存下滑; Hinge则更早布局“AI约会教练”方向 ,用AI给用户的Prompt和照片提供实时反馈,其产品叙事已从“Swipe Life”彻底转向“Designed to be Deleted”——作为Match Group营收支柱的Hinge,可能会是这场转型中最先复制Bumble路径的玩家。 (Hinge页面功能丨图源:Hinge) 同时在变化的还有中国出海厂商,他们在AI社交这条路上走的甚至比海外厂商还要激进。如 拥有MOMO和Tantan的Hello Group ,其在2026年Q2季度的财报电话会议中披露了 一整套AI改造路线 : Tantan上线了 AI破冰、AI聊天助手、AI精选匹配、AI一键注册和资料优化等功能 ,其中AI精选匹配直接针对女性用户“收到太多匹配邀请、决策疲劳”的痛点,会由AI先帮用户从海量匹配中筛选出最值得聊的人。管理层明确表示,这些能力是在“为 构建AI Agent社交管家 、实现更深度的精选推荐匹配打下数据基础”。 (探探也使用着“左右滑动”设计丨图源:South China Morning Post) 把AI当做破局关键变量的原因,与Bumble其实一样。根据Hello Group的2026Q2季度财报, Tantan在Q2季度总收入1.56亿人民币,同比下降18%,付费用户50万,环比减少4万 。对比而言,Hello Group海外市场收入为6.73亿人民币,同比增加52%,占总收入的27%——这主要得益于其 MENA地区新产品 、以及被收购的 欧洲约会产品Happen 的强劲增长。这侧面反映了中国出海公司的策略:用“ AI化改造+地域多元化 ”两条腿走路,来对冲单一滑动玩法产品在成熟市场的衰退。 此外,Dating APP如Grindr和Tantan也在探索更多的机会,比如 线下IRL活动 。即 线上由AI接管匹配,然后再将用户推往线下 。 但在前几日的文章中通过观测榜单,我们也提到: “线下活动社交”受制于本地密度、季节性和履约成本等因素,一旦买量放缓或进入淡季,活跃度就会大幅下降,并且这类产品已经出现了模式性退潮 。所以从长尾角度考虑,我们认为线下社交的模式可能还需要一些打磨,或许现阶段并非一个最优选。 最后,至于定义了十余年的“滑动”动作什么时候真正消失、Dating APP们AI化改造能否奏效,或许可以等等看,看2026年Q4季度,Bumble在第一批市场上线无滑动版本之后,能收获什么答案。 数据来源&附加阅读: TechCrunch《Bumble is getting rid of the swipe, CEO says》 https://techcrunch.com/2026/05/07/bumble-is-getting-rid-of-the-swipe-ceo-says/ E! News《Bumble Removing Swipe Feature, Will Use AI in New Launch》 https://www.eonline.com/news/1431973/bumble-removing-swipe-feature-will-use-ai-in-new-launch Global Dating Insights《Sources Say Bumble is Allegedly Exploring a Potential Sale》 https://www.globaldatinginsights.com/featured/sources-say-bumble-is-allegedly-exploring-a-potential-sale/ Bumble Inc. Announces Second Quarter 2026 Results https://ir.bumble.com/news/news-details/2026/Bumble-Inc–Announces-Second-Quarter-2026-Results/default.aspx CNBC《Bumble jumps 25% as dating company plans to axe 30% of workforce》 https://www.cnbc.com/2025/06/25/bumble-layoffs.html Fortune《Whitney Wolfe Herd is back as Bumble’s CEO》 https://fortune.com/2025/03/26/bumble-whitney-wolfe-herd-founder-back-as-ceo-interview-love-company/ TIME《Inside Tinder: Meet the Guys Who Turned Dating Into an Addiction》 https://time.com/4837/tinder-meet-the-guys-who-turned-dating-into-an-addiction/ MindInventory《AI In Dating Apps: How AI Makes Dating Smarter and Safer》 https://www.mindinventory.com/blog/ai-in-dating-apps/ Global Dating Insights《Tantan Joins the Move Towards IRL Dating Events》 https://www.globaldatinginsights.com/?s=Tantan+Joins+the+Move+Towards+IRL+Dating+Events 作者丨汪酱 编辑丨火狐狸 本文由人人都是产品经理作者【扬帆出海】,微信公众号:【扬帆出海】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载 题图来自作者提供
人人都是产品经理
Dune 只有三个按键、没有屏幕,插在 MacBook 左侧,会根据当前使用的软件把三个键自动变成此刻最需要的功能:在 Zoom 是一套,切到 Chrome 又换一套。用户还能让 Claude 写一段自动化流程,把原来一连串步骤塞进一个按钮。 今天分享的是一个很小的硬件产品,是一个外接“ AI 键盘”,从产品思路到设计我都很喜欢,分享给大家:Dune, https://www.projectmirage.ai/ 现在电脑键盘上通常有七八十个甚至上百个按键。 但如果你一天大部分时间都在在线会议、在线文档协作平台、浏览器、Claude、GitHub 和各种办公软件之间来回切换, 真正高频的动作其实没有那么多。 开会时,你最常做的是静音、开关摄像头、切回会议窗口;打开浏览器,可能是刷新、跳到地址栏、粘贴;进入 GitHub,又变成查看需求、批准、合并。 问题在于,这些软件各自拥有不同的快捷键、菜单和操作路径。 AI 已经能帮人写代码、处理邮件、整理会议,电脑的操作方式却还停留在几十年前:找到App,找到功能,再点击。 去年从智能戒指公司 Ultrahuman 离职的硬件负责人 Apoorv Shankar,决定反着做一件事: 既然软件越来越聪明,为什么还需要这么多按钮? 所以他创办的 Aina 第一款实验产品 Dune ,整个设备只有三个按键,没有屏幕,也没有几十个功能键。 它插在MacBook左侧,根据你现在正在使用的软件, 三个按键会自动变成此刻最可能需要的三个功能。 在 Zoom 里是一套;切到 Chrome,自动换一套;打开 Claude,又换成另外一套。 如果简单的快捷键还不够,用户还可以让 Claude 直接写一段自动化流程,然后把一个原来需要连续执行很多步骤的任务,塞进一个按钮里。 Dune 今年4月开始正式出货,目前已经向早期用户发出了 数百台 。售价 119美元,之后零售价计划提高到 149美元。 但 Dune 其实只是 Aina 做的一次产品实验。 今年7月,公司刚完成 550万美元融资 ,团队已经扩张到大约 35人,在旧金山和班加罗尔办公,并且拥有自己的制造能力。 Aina 正在用 Dune 和另外两款实验设备收集到的数据,开发一款更通用的 AI 交互硬件。 所以,Dune 更像是这家公司先放出来的一个试水的试验品。 01 一个 149美元、只有三个键的“键盘” Dune 看起来不像一款典型的 AI 硬件,它是一小块 CNC 加工铝合金,大概 40毫米长,重量 50克,直接插进 MacBook 的 USB-C 接口,不需要电池,上面就是三个物理按键。 目前仅支持 Mac 系统 第一次看这个产品,很容易产生一个疑问: 我为什么要花 149美元买三个按钮? 毕竟 MacBook 自己已经有键盘,还有很多类似 Elgato Stream Deck 这样的成熟产品,可以放十几个甚至几十个自定义按钮。 但 Dune 真正不同的地方,不是按钮,而是 Context,也就是上下文。 普通宏键盘的逻辑是:这个键永远等于这个功能。用户需要自己配置不同页面,记住每一个键现在对应什么。 Dune 则会读取当前活动窗口、时间、日历状态等信息,自动切换按钮功能。 例如你正在参加 Zoom会议,即使临时打开另一个窗口,Dune 也可以继续把 Zoom 设置为高优先级,让三个键维持会议控制功能;会议结束,它再回到其他应用对应的操作。 02 一个按钮,已经不一定只代表一个动作 这也是 AI Agent 出现以后,宏键盘突然变得有意思的原因,以前一个快捷键能做的事情通常非常简单。 Command+C 复制,Command+V 粘贴,一个按键对应一个确定的指令。 现在不一样了, Dune 已经支持把脚本、Agent 和工作流直接绑定到按钮上, 比如在 GitHub 里,一个键不一定只是打开网页,它还可以触发一套流程: 检查需求文档、调用 AI 检查代码、确认状态、批准、合并。开发者还可以把 Claude 接进 Dune,用自然语言告诉它: “我想在 Apple Music 打开的时候,第一个键播放暂停,第二个键切下一首,第三个键调整音量。” Claude 把这个需求生成相应的脚本,Dune 再执行。 有用户在实际测试时就用这种方式做出了 Chrome、Sheets 等应用的自定义操作,不过测试中也提到,复杂快捷键并不是“一句话 100%成功”,有时仍然需要和 Claude 来回调试。 也就是说,Dune 真正展示的不是 AI 让三个按钮突然拥有无限魔法, 而是一个按钮能够代表的工作量正在变大。 过去点击一次,执行一个命令,未来点击一次,可能是在授权一个 Agent 完成一件事情。 这会直接改变我们对“电脑输入设备”的理解。 03 创始人围绕这个问题做了快十年 创始人围绕这个问题做了快十年 Aina 创始人 Apoorv Shankar 不是第一次做这种东西,2017年他和 Yogansh Namdeo 创办了一家叫 LazyCo 的硬件公司,产品之一叫 Aina Ring 。 这也是一枚智能戒指,但和现在的 Oura、Ultrahuman 完全不是一个方向,它不监测身体,而是试图让用户不掏手机就能执行一些操作: 叫车、控制智能家居、接电话、触发SOS,这家公司当时甚至直接提出了一句话: 人机交互的未来是二元的。 意思是,当计算机足够理解你以后,人可能根本不需要给它非常复杂的指令。 很多时候只需要回答是,或者不是。 2019年 Aina Ring 完成 Kickstarter 众筹;2022年,母公司 LazyCo 被 Ultrahuman 收购,Shankar 和团队加入 Ultrahuman 负责硬件开发。 后来 Ultrahuman 做出了 Ring Air 等智能戒指,Shankar 一路做到硬件副总裁。 2025年,他再次离职创业。这时候,AI 已经完全不是2019年的 AI 了。 ChatGPT、Claude 和 Agent 出现之后,他过去那个“二元交互”的想法突然多了一层新的可能性。 如果 AI 已经知道上下文,人的输入是不是可以进一步减少? 04 Humane 和 Rabbit 的问题,让他决定不要再造一台“电脑” Shankar 离开 Ultrahuman 时,正好是 AI 硬件最混乱的一段时间。 当时大热的几个 AI 硬件产品,比如 Humane AI Pin 想重新发明手机;Rabbit R1 也试图让人通过一台新设备直接让 AI 操作服务。 结果大家很快发现,如果一个 AI 硬件最后还需要自己处理显示、网络、应用、语音、支付、账户和所有操作,它很容易变成: 一台功能更少、更难用的手机。 Shankar 说,他对 Rabbit 和 Humane 都感到失望,但反而因此更确定: AI 时代确实需要新的交互方式,只是答案不是重新造一台电脑。 所以他的新公司最开始没有直接押注某一种硬件形态,Aina 最初叫 Project Mirage 。(它现在的官网域名也依旧是这个) 今年1月,团队带着三个完全不同的实验产品去了 CES,一个是 Dune,另外两个分别叫 Radiance 和 Shift 。 其中, Radiance 是一台桌面会议控制器, 上面有旋钮和按键,可以调音量、控制麦克风和摄像头、启动AI会议纪要、改变声音,甚至直接加入下一场会议。 Shift 则更加极端,它只有一个按钮。按一下,就触发一个 AI Agent 完成某个重复任务。 这三个产品看起来完全不同,但其实都在测试同一个问题: 当软件已经越来越能自己完成任务,人还需要给机器多少输入? 05 最后用户最喜欢的,反而是那个“三个键” 团队最初并不知道应该做哪一个,所以他们把三个原型都拿给用户试,最后最受欢迎的就是 Dune。 原因也很好理解,一个按键太少,十几个按键又太复杂,三个键刚好处在一个很有意思的位置: 数量少到不需要记忆,又多到可以处理当前场景最常见的几个动作。 而且三个按钮可以随着上下文变化,所以实际上拥有的功能远远超过三个。 Aina 随后把 Radiance 和 Shift 里的一部分思路也慢慢吸收到 Dune 里。今年 4月开始正式销售以后,已经向早期用户发出了数百台设备。 这也是一个挺好的硬件产品开发案例,团队没有一开始就笃定:未来一定是一枚戒指;或者未来一定是 AI 眼镜。 而是先做三个看起来很不一样的东西,让真实用户决定哪一种交互最自然。 Dune 最终更像是一套 试验设备 。 公司现在甚至明确表示,它做Dune的主要目的之一, 就是观察普通人在真实生活中到底愿意自动化什么,这批数据会被用来设计 Aina 真正的下一代产品。 06 但花 149美元买三个键,仍然非常难成为大众生意 Dune 现在的局限也很明显。 第一,它目前只支持 macOS, Windows 和 Linux 用户暂时没法用。 第二,119美元的早期售价、149美元的零售价,对于一个三个键的小设备明显不便宜。 第三,大量功能其实通过软件也可以实现。 Mac 自己有 Shortcuts、Raycast 也拥有大量自动化能力、Elgato Stream Deck 的功能更丰富,程序员甚至可以买一个 20美元的宏键盘自己配置。 所以如果把 Dune 理解成一个更聪明的快捷键盘的话,这个市场未必很大。 而且现在虽然 Dune 的产品很容易定制,但目前服务市场里的技能还不算丰富,一些复杂自动化仍然需要调试。 这也是为什么我觉得 Dune 更像这家公司对未来交互方式做的一次公开实验。 07 未来不是“你找功能”,而是“电脑问你要不要” 今年 7月融资时,创始人 Shankar 讲了一段很有意思的判断:现在的电脑和手机, 本质上都建立在浏览 上。 人先产生需求、然后打开设备、找App、找功能、输入信息,然后点击确认。不管这件事情你每天做十次,还是一年做一次,每一次都得重新走一遍。 但 AI Agent 真正改变的是软件开始主动知道你可能要干什么。 比如日历知道:你 10分钟以后有会议; 邮件知道:客户刚刚确认了时间; 地图知道:你正在去机场; Agent 也知道:上一次你去机场都是叫同一个车型。 这时候理想交互可能根本不是:解锁手机 → 打开Uber → 输入机场 → 选车型 → 确认。 而是机器直接问:还有45分钟出发,要不要按上次习惯帮你叫车? 人只需要说:OK。 Aina 认为,当 AI 越来越懂上下文、Agent 越来越能执行以后,人机交互里真正剩下的核心动作, 会逐渐从操作变成选择和授权。 这其实又绕回了 Shankar 很多年前的那个判断:未来的人机交互可能越来越“二元化/yes or no”。 08 Aina 的下一款硬件是什么 Aina 已经透露了一点下一代产品的方向,它不会像 Bee、Limitless 或者 Plaud 那样, 把主要价值建立在一直记录你周围发生了什么。 Shankar 的理由很简单:你的手机和电脑里其实已经有大量上下文:邮件、日历、浏览器、文件、聊天记录、位置、App 状态,这些信息今天都没有被 AI 真正充分利用。 所以 Aina 更希望做一个 action-oriented device,以行动为中心的设备 。它的重点不是继续帮 AI 收集更多数据,而是: 怎样更方便地调用 Agent,以及怎样更自然地告诉 AI:“这件事我批准了。” 这和我们最近看到的大量 AI 硬件刚好形成了一个很有意思的分叉。 Plaud 想让AI记住会议、Bee 想记住生活、AI 眼镜想让 AI 看见世界。它们都在解决怎么给 AI 更多上下文。 Aina 做的却是是下一步:上下文已经够多以后,人到底怎么控制它。 最后,键盘的历史超过一百年,鼠标出现也已经半个多世纪。触摸屏真正成为大众计算入口,是因为智能手机改变了软件形态。 每一次软件范式改变,最后都会重新定义人怎么操作机器。 AI 可能也一样,如果未来软件不再只是等待我们点击,而是开始:理解上下文、预测需求、主动准备任务、让 Agent 真正执行; 那么人需要提供的信息自然会减少,因为最极端的情况下,电脑已经知道: 你是谁、正在干什么、下一步可能需要什么、甚至已经把工作准备好了。 它真正缺的只剩一个东西:你的决定/确认。 以上,祝你今天开心。 作者:张艾拉 公众号:Fun AI Everyday 本文由 @张艾拉 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
人人都是产品经理
内容写得漂漂亮亮却被一句「就是不够高端」打回,问题不在 WorkBuddy 的大模型能力,而是只调了文本模型,搞高端 PPT 得把设计能力调出来。同一份 AI 漫剧项目 9 月汇报,别人做完还得再花 1 天调视觉,这里把纯文本业务稿丢过去,5 分钟就能换脸。 不知道你有没有过这种经历:内容写得漂漂亮亮,PPT 却被一句话打回——「内容挺好,就是不够高端」? 我之前跟抖音谈合作,要交一份汇报 PPT,图省事让 WorkBuddy 把资料整理成稿。结果出来怎么说呢。。。就很 PPT!点评的老师也直说:内容挺好,但 PPT 不够高端。 于是我研究了一圈怎么搞出高端 PPT。结论先放这:不是 WorkBuddy 不行——它大模型能力在梯队里简直夯爆!问题是你跟它聊天,调的是文本大模型,搞高端 PPT 得把专门搞设计的能力调出来! 有家公司早把照片、人像搞得高端大气了,现在这能力进 PPT,小菜一碟。WorkBuddy 里接上它,脸的事就有人管了! 我拿自己 AI 漫剧项目的 9 月汇报试了试:一种是别人用workbuddy做、也还得再花 1 天调视觉的普通 PPT,另一种我只写纯文本业务稿,两种都丢给美图设计室,5 分钟换脸。下面把这两种情况和整个流程拆给你,美化指令抄好,先收藏! 01 内容漂亮卡在「脸」上:两种起点,5 分钟都换脸 职场人做 PPT,真正耗时的从来不是写内容,是排版美化:找模板、改版式、插图片、调对齐。我以前也是:内容半小时,排版一小时,最后一版还不如模板! 丑在哪?逃不出这三条: 配色不统一,一页一个风格 字体七八种,标题正文各玩各的 重点数据埋在段落里,谁也看不见 我数了下,自己翻车的 PPT 三条全中!有人总结过,决定一份 PPT 有没有 「成品感」 就 5 件事:标题层级、重点数据、字体、配色、页面之间统不统一。这 5 件没有一件靠才华,你我都能干,全都是体力活! 体力活,就不该人干!我是搞 AI 漫剧的,拿 9 月项目汇报当例子——下面给你看两种真实情况:一种是别人用workbuddy做、也还得再花 1 天调视觉的普通 PPT,一种是我只写纯文本的业务稿,两种丢给美图设计室,都能 5 分钟换脸。 真正拉低一份 PPT 的,从来不是内容,是你没空调的那点排版。 场景一:别人用workbuddy做的普通 PPT(正常原稿) 内容、数据、结构都齐了,数字也标出来了,但视觉就是「普通」——离高端大气还差一口气。这样的稿子,别人用workbuddy制作,也得再花 1 天时间调整,视觉却还是普通版;我用workbuddy,5 分钟就给它换了张脸。 ▲ 同一份《AI漫剧项目9月汇报》:左为别人用workbuddy做的普通版,右为我用workbuddy接美图设计室 5 分钟的美化版(封面 / 制作数据 / 成本数据三页对照) 时间账最扎心:定模板、调版式、统一配色字体、找配图、对齐元素。。。别人用workbuddy做,也得再花 1 天(实打实 8 小时)调视觉,出来的还是普通版;同样的内容,我用workbuddy接美图设计室,一句「整体美化排版」,5 分钟出高端大气上档次版。 时间对比:别人用 workbuddy 也得 1 天 → 我用 workbuddy 接美图设计室 5 分钟 别人用workbuddy做,也得再花 1 天调视觉 定模板 / 调版式 / 配色字体 / 找图 / 对齐,出来的还是普通版 我用workbuddy接美图设计室,5 分钟 一句话「整体美化排版」,导出高端 pptx 别人用workbuddy做,也得再花 1 天调视觉,视觉却还是普通版;我用workbuddy接美图设计室,5 分钟就给它换张脸。脸的事,交给美图设计室。 场景二:我搞 PPT 只写纯文本原稿(纯文本原稿) 我实测更省事——现在搞 PPT,我就是只写纯文本业务稿,配色、字体、大数字、数据卡片、对齐、留白,其他的全丢给美图设计室,它全包。也是 5 分钟。 ▲ 同一份内容:左为我只写业务文字的纯文本稿(像备忘录),右为美图设计室 5 分钟的成品(封面 / 制作数据 / 成本数据三页对照,18 集、1240 张、省 95.8% 全部卡片化放大) 我一对比就明白了:纯文本原稿里,18 集、386 万播放、省 95.8% 这些关键数字,全埋在段落里;美化成品里,它们被放大成卡片、一眼抓住。你只管把业务内容写对,剩下的全丢给美图设计室,设计的事,它全包。 两种起点,一种结局:都是 5 分钟。下面把「丢进去」这一步拆给你。 我把原稿拖进去(正常稿、纯文本稿都行),五步走完,全程没碰一次对齐按钮。实战五步: 第一步:打开workbuddy → 找到「专家·技能·链接器」点击左上方「技能」→ 搜索PPT → 添加PPT美化skill → 点击左上方「专家」→ 搜索PPT → 点击召唤 PPT 视觉美化师 专家(划重点:必须要选带「美图设计室」标签的~) 第二步:点对话框左下角加号,把原稿(pptx)直接拖进来 第三步:发一句美化指令(原文在下面,直接抄) 第四步:等它逐页重做视觉,不到 1 分钟出「Ai漫剧汇报PPT美化.pptx」,含封面和正文,还告诉你保存在哪! 第五步:想改文案版式,可以点击打开「美图设计室」的网站在线二次编辑;要换风格,继续对话说就行! 具体每一步点哪、长啥样,下一章给你截图。 提示词|这个美化 PPT 的应用「PPT 美化」指令(AI 漫剧定制版) 帮我整体美化排版这份《AI漫剧项目9月汇报》PPT,内容一字不改,只改视觉。要求: 1. 整体走科技感深色国漫风:深墨蓝底 + 金色点缀,贴合 AI 漫剧调性; 2. 配色收敛到三种:深色底、金色强调、白色正文,去掉杂色; 3. 字体统一在两种以内:标题用粗无衬线,正文用常规无衬线; 4. 每页标题层级分明,留白充足; 5. 制作数据和流量数据做成数据卡片,重点数字(18 集、386 万播放、涨粉 1.2 万)放大突出; 6. 成本对比做成左右对比版式,突出「省 95.8%」这个结论; 7. 封面做出冲击力:大标题「AI漫剧项目9月汇报」+ 副标题「制作与流量复盘」。 导出 pptx。 ▲ 把上面这段定制版提示词原样发进对话框,跑出来的就是场景一那张美化后的 PPT 懒得上提示词,就发通用版:「帮我整体美化排版这份 PPT,统一配色和字体,理顺标题层级,把重点数据做成卡片突出,保持内容不变,导出 pptx。」 ▲ 通用版提示词 + 纯文本原稿一起丢进去,跑出来的就是场景二那张美化后的 PPT 我前后一对比,变化全在明面上:配色从一页一个样、蓝红绿乱跳收到深墨蓝 + 金一个基调、字体从七八种收到标题粗 + 正文常规两种、每页标题分出了层级、埋在段落里的 18 集 / 386 万播放 / 省 95.8% 全被卡片化放大、页面终于有了留白。内容一个字没动,脸整个换掉了!上面两张对比图,就是把正常原稿和纯文本原稿丢进这个应用跑出来的——同一份内容,脸整个换掉。 你只管把内容写对,脸的事,交给工作流里的那个设计师。 02 美图设计室是什么:给 WorkBuddy 装个「设计部」 你肯定在想,上面反复提到的美图设计室,到底是啥来头?对,就是做出美图秀秀、把照片和人像修得高端大气的那家公司!人家本来就是搞相片美颜起家的,连照片都能修得那么好看,现在把这套审美搬进 PPT,美化排版那还不是 手到擒来 ? WorkBuddy 擅长读桌面文件、整理文本、提炼重点,但它自己不带「好看」。 它接进来,正好帮我补上视觉这环:一边读懂你的文件,一边管设计。设计从「找人」变成「调用」! 入口就三步,我截了图,你照着点就行: WorkBuddy 左上角,点「发现应用」 在「专家·技能·连接器」里搜索 PPT,添加「PPT 美化」skill 挑带「美图设计室」标识的专家,点击召唤「PPT 视觉美化师」 ▲ 第 1 步:WorkBuddy 左上角点「发现应用」 ▲ 第 2 步:在专家技能连接器里面搜索 PPT,添加 PPT 美化 skill ▲ 第 3 步:挑选带有「美图设计室」标识的专家,点击召唤 PPT 视觉美化师 整个过程你没离开 WorkBuddy:本地文件、对话框、模型选择还是原来那套,只是对话对象换成了 懂设计的角色 。我从头到尾没切出去过一次软件! 授权成功,我就拥有了一个带美图设计专业能力的 WorkBuddy!它一句话定位很准:美图设计室是「一键输出可交付 PPT」的 AI 设计工具,覆盖排版精修、内容生成、可编辑导出、模板套用、二次修改,一站式! ▲ 授权后直接进工作台:左侧还是 WorkBuddy,顶部八类场景标签选「办公设计」,细分入口挂着整体美化 PPT、商务汇报 PPT 美化等;美化要求直接贴进对话框就能跑,下面还有官方最佳案例可以抄 周报汇总、汇报 PPT、活动海报、简历。。。都在同一个工作台里,行政、运营、做内容的都不用再切软件。PPT 美化只是办公提效链条上的一环,但它是最容易被卡住的一环! 想做精细调整,点「美图设计室房间」链接跳网页版 / App 接着改,不用推倒重来。 设计从找人,变成了调用。 03 美图 PPT 美化,强在哪:5 个真香点 之前我说 WorkBuddy 自己出的 PPT「很 PPT」——不是不能用,是缺设计感。美图设计室接进来专补这一块。我实测下来,最该记住的是这 5 个真香点! 1 一句话,配色字体排版全统一,页面有呼吸感 我只发了一句「帮我整体美化排版,统一配色和字体」,它就动手了。不用你抠图、不用调字体、不用对齐元素,一句话全安排明白!我那版原稿,配色杂乱没重点、图片位置也不齐;美化版统一了字体配色、排版规整、页面一下有了呼吸感,专业度直接提一档! 2 先选风格再生成,控制感拉满 它不是闷头给你一版。会先甩几种风格预览让你挑:赛博朋克霓虹网格、动漫科幻全息光、未来玻璃态霓虹、国漫赛博渐变。。。配色排版图表样式各不同,你按汇报场景选。风格先选、落盘先确认,我试下来最贴心的是:它连「少做了哪几页」都会主动说!这种把「少做了什么」讲清楚的反馈,比一个看着完整其实缺页的文件让人放心多了。 ▲ 同一份 PPT 先甩 4 套风格预览:赛博朋克霓虹网格 / 动漫科幻全息光(推荐)/ 未来玻璃态霓虹 / 国漫赛博渐变,点开大图看成品,挑完才生成 3 1 分钟出成品,导出的是能继续改的 PPTX 我这边不到 1 分钟,对话里就甩出美化好的 pptx,含封面和正文,连每一页的预览图都一起给你!关键是导出的不是死图,是 pptx——直接用 PowerPoint、WPS、Keynote 打开、放映、继续改都行。交付即能用! ▲ 导出交付:对话里直接甩出 pptx 和分页图片,说声「导出 PPTX」就能下载;右侧 WPS 打开,封面正文都在,接着改就行 4 二次编辑不死板,对话式修改 我想改文案版式,点「美图设计室房间」在线编辑;或者接着对话说「标题改小一点」「加个元素」,它直接改,不用推倒重来!生成结果还会同步到美图设计室,你跳网页版 / App 精修都行。初稿可在线改、可导出改,临时需求响应飞快。 ▲ 我跳进美图设计室网页版接着改:左侧还是那个对话框,右侧封面、内页逐页缩略图点开就调,改完点「下载」拿走 pptx 5 接进工作流,还顺手给你写演讲稿 它和 WorkBuddy 是打通的:先让 WorkBuddy 写大纲、整理资料,再调美图设计室生成,内容自动填充。我试的这份汇报 PPT,多说了一句「生成一下配套演讲稿」,它 2 分钟就交付了 Word 版,按页对齐实录数据!这点是真的加分——你上台照着念就行,脸和嘴都帮你管了! ▲ 接着对话说「给这份 PPT 生成一下配套演讲稿」:2 分钟交付 Word 版,按 8 页逐页对齐实录数据,右侧 WPS 打开照着念就行 日常额度够用:模型本身带免费额度,先白嫖跑通再决定是否深度用;想精细调就跳网页版 / App。 04 写在最后:谁该用、第一步点哪 它解决的,其实就是你我都会碰的几种痛: 会写内容、不会做 PPT:内容能力 ≠ 设计排版能力 加班耗时久:排版占用本职核心工作时间 审美短板:做出来土,汇报效果差,影响领导 / 客户印象 紧急交付:短时间赶不出高质量 PPT 动画门槛高:费时费力,效果还不好 反过来,你得了什么?不用推翻重写,快速告别土味 PPT;完美复刻样板,交出领导客户满意版,少返工;解放时间专注内容,汇报形象直接升级! 谁最该用?每周交汇报的职场人、手里「写了不敢交」方案的人、被 PPT 丑耽误的行政运营——还有像我这样,周报里全是数据、却懒得排版的创作者。 我现在的周报流程就三段:数据让 WorkBuddy 整理,脸交给美图设计室,一次没再熬过夜! 我第一次试,照这顺序点:打开 WorkBuddy → 发现应用 → 美图设计室 → 添加安装「技能」找对应的专家 → 提示词输入,喂给 AI 参考(正常稿或纯文本稿都行)→ 导出。 提效不是少写点什么,是把 「丑」这件最磨人的小事 ,交给会干活的工作台。 提效,就是把最磨人的小事,交给会干活的工作台。 本文由人人都是产品经理作者【晓庄AI创业笔记】,微信公众号:【晓庄AI创业笔记】,原创/授权 发布于人人都是产品经理,未经许可,禁止转载。 题图来自Unsplash,基于CC0协议
人人都是产品经理
LibTV 1.5 把 Agent 升级成 TV Director,上线剧本原创、角色造型室、导演执导、3D-BOX、创意片头五项能力。只给一个很模糊的方向,从爆款预测开始写剧本,故事大纲、人物小传、50 集分集一应俱全,台词还能像文档一样直接改。 不知道大家最近有没有看兰香如故啊,Linda爷真给我给我看进去了,好久没有这么认真看一部古装剧了,然后我这人就是有个毛病,看点啥东西就会想自己做一个出来,所以做AI视频的瘾就又上来了,就想自己也做一个古装AI剧玩一下。 结果刚打开LibTV就发现, LibTV 1.5上线了。 老朋友应该知道,我是真的很喜欢用 LibTV。我们工作室买的是团队版年会员,每个月积分不够的时候还会另外买。平时做视频、做图片留下来的资产,也一直存在 LibTV 里,需要的时候我就回来找。 所以这次正好就着我最近想做古装剧的瘾,在LibTV 1.5来个全面测试。 (跑完的成片我放结尾了。放假什么的。。。不存在的。。。。) 整体先瞄了一眼新版LibTV,整体上还有一个很明显的变化,就是它把 Agent 升级成了 TV Director,但我比较关注的是他们新上线的这五个核心能力,剧本原创及改编、角色造型室、 导演执导、3D-BOX、创意片头,看这几个名字感觉用好了就又会是一套很高效的工作流。 所以这次我就只打算给一个非常模糊的方向,然后让他自行把握从写创意,到整部剧集的规划,最后到一集成片的呈现。 刚开始我就发现TV Directpr里有一个很好玩的功能,就是从爆款预测开始剧本原创,它会预设很多剧集类型,而且还可以把两种风格融合在一起。也就是说,你可以不止写一种类型。比如我就想写古装言情搭配喜剧,把这两种风格融合在一起,这样你的剧本设计就会更加丰富,情节也会更有意思。 然后你看他给我设计的剧本,完整度非常高,不仅有故事大纲、人物小传,而且整部剧设计了 50 集,每一集的场景和道具都提前给你设计好了,然后可以再一集一集地进行分集剧本创作。 而且点进去看每一集的剧本,都是可以直接手动像编辑文档一样去编辑的,这就非常灵活了。 之前有一个很痛的点就是有的时候Agent做出来的剧本,我就是想直接上手改某一句台词。但在不能直接编辑的情况下,我只能把这一段复制给Agent让他帮我改,这样改出来有时就会出现偏差。能直接上手改的话,就可以非常精准地把自己的想法放进去了,还不影响下一步的生成。 当然像我们刚刚说的,如果自己不知道某一段剧情要怎么改,只是觉得这一段它不对劲,那也可以直接框住这一段剧情,编辑想要修改的想法,发送给TV Director让它帮忙去改。 改完之后,你也可以再去检查一下修改后的剧本,决定接受哪一部分的修改、不想要哪一部分的修改也可以直接撤销。确认整个剧本没有问题之后,就全部接受,开始进行下一步操作。 就改剧本的这一趴给我的感受而言,就是整个设计都更加人性化,就像把一个文档编辑器和一个很懂编剧的 Agent 融合在了一起。你可以自由地选择想改哪里,想自己动手改,还是想让 Agent 帮你改。 当我们做一部短剧的时候,最开始可能会设计 50 集、80 集这种很多的集数。 但你并不想让它一集一集地把 80 集剧情都先出完再去制作成片,而是可能想像我一样,先出个四五集剧情,然后就想先看一集成片的效果,从视觉上感受一下影片风格是不是自己想要的,然后再进行后面的创作。 那你也可以直接打断Agent,不让它继续生成后面的剧本,而是先开始进行一集成片创作。这里它就会把整个对话移交给全能创作模式,开始视频的制作。 接着TV Director就会kukuku地自动在画布上创建并生成所有资产节点,包括人物的设计、场景的设计以及道具的设计,都会自动建立在画布上。 这里大家一般也会有一个比较担心的点,如果它全部自动生成,会不会比较消耗积分? 其实右下角这里可以自己选择,调整是用自动模式还是手动模式。我一般情况下都是使用手动模式。这样它会在每一个环节之前跟我确认一下,再继续往下生成,就能比较好地控制积分消耗。 这些图片创建完成之后,其实就涉及到在一部剧集创作过程中非常重要的点,就是角色设计。 像我一样在做古装短剧,肯定需要男帅女美吧,或者说你已经有比较倾向的人物形象特点,有可能Agent一次性给你生成的这个角色,并不是你想要的。那放以前我们只能通过提示词来修改人物。但这把 LibTV上线了一个角色造型室的功能,这个功能就很有意思了,简直就像AI版的奇迹暖暖。 这里面呢,不仅提供了很多预设好的人物形象,什么年代、什么风格、什么年龄的形象基本上都包含了。如果我们想要做一些配角角色,不想自己动手设计,可以直接从这里面去选。 也可以导入已经创建好的角色,或者是自己原创一个角色。输入自己的提示语之后,我们可以像在奇迹暖暖里面捏脸一样,去调整她的五官、发型、身材、服装以及一些具体的形象特点,比如说你想要他有个疤,或者哪里有个痣之类的。 调整完新的角色之后,我们可以直接引用这个角色到对话里面,然后跟它说所有的节点都使用这个新女主。TV Director就会把目前画布上所有已经建立的和女主产生关系的资产,都更新成为新的女主,非常方便。 下一步就可以开始进入分镜生成了,你可以在批量生成之前就跟AI说好你偏向使用的模型以及清晰度。 这里我比较建议大家试试新上线的Seedance 2.5的样片模式,它可以先使用比较少的积分生成480p的2.5视频,首先保证画面的流畅性以及人物表情动作的自然。如果我们确定要使用这个镜头,可以一键无损高清这个画面进行使用,这样既能够拿到比较好的效果,又能在一定程度上控制积分的消耗。 那这里每一个分镜的提示语都会呈现在画布上,我们可以自己手动进行修改。 如果你对某一个或者某几个镜头的分镜设计并不是那么满意,但你又不知道如何修改的时候,LibV 1.5还有一个新的功能,就是可以让导演指导修改你的镜头分镜。 在右侧对话里面选择导演指导模式,就会跳到一个新的对话页面。在这里,你可以自己挑选适合不同类型的导演,或者也可以像训练skill一样创建一个擅长制作自己想要风格影片的导演。 我这里让它自动分配合适的导演帮我优化了三个镜头的分镜设计,我们可以自己去检查每一个镜头优化后的分镜提示语。 确认没有问题后,我们可以一键全部应用到对应的视频节点上,再次感叹,非常的人性化,完美的切中了我的每一个痛点。 这里我就给大家展示一组优化前和优化后的分镜视频。可以很明显地看出来,优化之后的视频多设计了一个丫鬟们的反应镜头,就会给这个场景多增加一丝活力的感觉,不像之前那样运镜和镜头组接都比较单一。 那如果对于某一个镜头的运镜不太满意,想要修改的话,其实还有一个方法,就是LibTV还上线了一个3D-BOX。 简单用一句话概括,就是通过提示语自动建模一个 3D 场景,并完成你想要在这个场景里做出的人物动作以及运镜设计。这样相当于可以做一个提前的预演视频,在生成之前进一步保证视频更加贴近你心里想要做出的样子,就有点像前段时间GPT6-Astra流行的3D建模和AI视频结合一起的玩法。这个方式其实更适合运镜和分镜构成比较复杂的场景。 那我对于这段剧情里两个人最后同时换上夜行衣、翻上墙头的这段剧情,想要做得更加复杂有趣一点。 原本通过提示词做出来的视频有点单调,包括家丁夜巡这种镜头其实都没有展现出来,最后呈现出来的就是一个简单的两个人从屋子里出来,翻上墙发现对方了。 但我实际上想设计的会更丰富一些,比如先从俯瞰的远景照到这个院子,然后逐渐拉近到男女主分别从窗户探出头,中间再穿插着家丁在夜巡,以此增加两个人偷偷摸摸的即视感,最后他们再在墙头相遇。这样剧情会更饱满,视觉呈现效果也会更好。 但单纯通过提示词比较难描述出来,所以我决定这里用 3D-BOX 做一个预演视频,先来看一下整个运镜和分镜的呈现是不是我想要的样子。这里我给的了一段我设计的运镜提示语和之前TV Director做出来的场景图和角色图, 等了大概两三分钟,就拿到了这样一个 3D 场景和这样一段预演的预览视频,基本上和我想要的都是一致的。而且如果有想要修改的地方,3D-BOX 里面也有对话 Agent,可以直接去进行进一步的修改。 生成好的 3D 预演视频可以直接发送到画布上,结合男女主的角色资产和场景资产,就能生成出来一个最终的视频,效果是这样的。 因为我不是专业的,所以我不能说这段视频做得有多么惊艳,但是已经远超我之前的水平了。整个设计非常丝滑,剧情展现也比之前有意思得多。我觉得这就是AI给我们这种想讲故事,但之前没有专业基础知识和技术操作能力的人带来的意义。 那其实到这儿还有最后一步。我不知道大家平时看剧的时候有没有看过,就是在短剧一集的结束可能会出一个定版,然后出片名这样的一个片头设计。LibTV 已经把这个做成了一个可以直接使用的功能。 选上你想要做成定版的这个视频,然后它上面现在多了一个创意片头的功能,点进去之后,就可以选取这个视频中的某一帧作为最终的定版画面,然后输入你的片名, 可以选择你想要片名呈现的样子,以及它的动画效果。LibTV 内置了一些预设,我们也可以自己通过提示语去调自己想要的效果,并且把它存成自己的预设。 到这儿,基本上跟着这个流程调整每一个镜头,确认每一个镜头都是自己想要的之后,我就可以让 LibTV 给我根据最终版的镜头输出一个成片了。 做到这里,我再回头看 LibTV 为什么要把原来的 Agent 升级成 TV Director,感觉 Director 这个词确实挺准确的,它代表的是一种对整部作品的统筹能力,它知道这是一部什么类型的剧,前面该埋什么伏笔,角色该长啥样,一场戏要怎么拍。然后再把编剧、选角、场景、分镜、视频生成和后期包装这些环节接起来。 这个过程很顺手,我几乎不用怎么研究这个流程,上手就能做了,重要的是还很灵活,几乎每一个步骤都能自动生成,也能手动介入修改,还不会打扰整体的创作,即使修改也不会让故事变乱。 那这对于我们这种有很多故事想讲,又没有正经学过编剧、分镜和导演的人来说,创作一个质量更高的故事就变得更加容易了。 以前一个想法从脑子里走到成片,中间隔着太多专业环节,很多东西还没开始就已经放弃了,现在至少可以先把第一版做出来,看见它,再一点点把它改成自己想要的样子,不多说了,我已经开始准备去做第二集了。 作者 / 卡尔 & yc星辰 本文由人人都是产品经理作者【卡尔的AI沃茨】,微信公众号:【卡尔的AI沃茨】,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。
人人都是产品经理
黄仁勋把战略讲成行动:战略不是文字,而是人们所做的,所以英伟达没有5年计划也没有1年计划,只做现在正在做的事情并不断调整。他还说 CEO 身边都是问题而不是好消息,但自己喜欢解决问题,33年来每天醒来都觉得英伟达距离倒闭只剩30天。 一、关于战略 1、首先,战略不是文字,是行动。 如果公司有一套战略,但人们的行动, 他们“最重要的五件事” 不是这样的,那么显然他们没有执行该战略。 所以,战略并不是我说了什么,而是他们所做的。 2、我们不做定期规划,因为世界是有生命、会呼吸的。 所以我们没有5年计划,也没有1年计划,我就是在做现在正在做的事情,不断地调整和适应。(与乔布斯、拿破仑完全一致) 3、为他人创造生活、工作的环境是领导者的使命—— 实现这一使命的最重要的方式是不让人们做商品工作。 我们从不谈论市场份额。我有23%份额,他有27%,这有什么好讨论的。你为什么要和别人争夺份额? 市场份额的概念表明,有一大群人在做同样的事。 如果他们在做同样的事情,我们为什么要这么做? 4、一个事实是, 拥有一个可以完美执行的简单想法 ,有时候比拥有一个你的公司无法执行的宏伟想法更好。 5、当你的公司越来越大,当你准备做更复杂的事时,非 常有必要保持简单、保持谨慎。 6、33 年来,我每天醒来,都觉得英伟达距离倒闭 只剩 30 天。 7、“‘撤退’对像你们如此聪明且成功的人来说并不容易。然而, 战略性的撤退、牺牲、决定放弃什么是成功的核心,非常关键的核心。 二、领导力 1、 CEO们的身边都是问题 ,而不是好消息,但我喜欢解决问题。 2、CEO最重要的任务之一,就是创造条件让优秀的人能够完成他们的毕生事业。 3、CEO真的需要享受公司以及整个行业正在发生的事情,有很多东西需要学习,看看你能否想象出一个对每个人都更好的未来。 4、一个科技公司的CEO怎么任职这么长时间? 唯一的方式就是保持阅读、学习、倾听、关注。唯一真正让你学习的态度是保持谦逊。 5、我们其实只专注于两件事,它们就像彼此的镜子。一件是显著的成本节约,一件是显著的能力提升,这两种能力在经济充满挑战的今天更有价值。 三、创业建议 1、不要浪费你的才华,去做别人已经做得很好的事。 2、我祝你们多灾多难。 伟大的事情从来都不容易,去做艰难、甚至痛苦的事,才更有意义。 3、作为一家公司,作为一个企业家, 你必须非常渴望成功 ,程度更甚于你的对手渴望你死掉。我生存的意志超过了几乎所有人杀死我的意志。 4、让痛苦慢慢找上你。不要提前想象一切会有多难,然后让这些想象变成焦虑,最后什么也不做。 5、你不是为了食物而奔跑,就是为了避免成为食物而奔跑。往往你无法分辨到底是哪种情况 。不管怎样,都要坚持奔跑。 本文由人人都是产品经理作者【品牌猿】,微信公众号:【品牌猿创】,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
Score: 56.98Confidence: 54%
View offer人人都是产品经理
营销做不好,问题就永远归在营销负责人身上,公司隔一段换一个 CMO,换了一茬又一茬还是没起色。作者认为根子在企业本身不是市场导向的公司,并把营销拆成战术层与更深的两层结构,多数公司只盯着最表层。 旁光发现,很多公司都有一个通病: 营销做不好,问题永远归在营销负责人身上。 品牌没热度,是品牌总监能力不行; 新品没卖爆,是市场部消费洞察不行; 广告没效果,是营销团队创意不行。 增长没达到预期,那更简单了,直接换个CMO。 于是,很多公司隔一段就换一个营销负责人。 每一任来的时候都雄心壮志,每一任走的时候都灰头土脸。 营销负责人换了一茬又一茬,公司的营销还是那个鸟样。 今天,旁光想说句大实话: 绝大多数营销做不起来,并不是营销经理水平不够,而是企业本身就不是“市场导向的公司”。 即使是天天喊以消费者为中心,到了开会的时候,老板第一句话还是:“我个人感觉,应该选择这个。” 所以,你在一个不重视用户、不尊重市场的组织里,硬推市场化营销战略, 结局只有一个:处处碰壁、层层卡壳,营销总监越做越难受。 为什么会这样?根源也简单:许多企业对营销的理解,都存在偏差。 我们习惯把营销理解为一堆具体的经营动作。 做营销,就等于办活动、做推广、拍视频、投广告、铺渠道、搞促销。 公司成立一个市场部,招几个人,再批一笔预算,就觉得自己挺重视“营销”了。 但这些,其实只是营销最下面的一层,是最表层的战术动作。 当然,旁光不是说这些事不对,而是 只盯着这些事,营销永远做不起来 。 真正的营销,包括三层结构,由浅到深分别是:策略、战略、文化。 最表层的 战术层 ,就是大家天天干的那些: 产品组合、定价、渠道、传播、促销,全是执行。 中间的 战略层 ,包括寻找细分市场、锁定目标群体、做差异化定位、建立自己的价值主张。 这一层解决的是“我们到底赚谁的钱、凭什么赚钱”的问题。 最底层是 组织文化层, 也就是公司到底是不是“市场导向、用户导向”。 现在大部分企业的现状是: 全员死磕战术,完全裸奔战略,压根没有文化 。 公司从来没有形成一个共识、一种信念: 我们必须靠满足客户需求,才能实现持续赚钱 。 事实上,营销能不能帮公司赚大钱、能不能持续赚钱、能不能越做越轻松,这 三层必须全部打通 。 底层文化不支撑,顶层战略立不住,再花哨的战术都是瞎折腾。 当然,同时搞定“组织市场文化重塑+品牌价值定位+落地营销战术”,本身就是超级难的系统工程。 所以,大部分公司营销做不好,真的太正常了。 那什么才是真的“市场导向文化”?我们至少要做到这几件事: 第一、顾客导向:别自嗨,多懂人。 公司不是为了满足老板的想法、研发的执念、渠道的资源而存在的,而是为了满足顾客需求存在的。 持续摸透用户当下痛点和未来需求,致力于给用户创造超额价值,这是营销的根。 第二、竞争者导向:别闭门造车,看清对手。 你不知道对手短期怎么打、长期怎么布局,你就很难做出有效应对。 真正的市场化公司,永远在盯竞品能力、盯行业变化、盯差异化机会,不盲目内卷,不无脑跟风。 第三、长期利润导向:别只赚快钱。 很多公司只看当月业绩、今年营收,不愿意为用户价值、品牌、市场沉淀投入。 真正的市场导向,是以 长期可持续盈利 为终极目标,而不是透支口碑换短期流水。 第四、跨部门协同:营销从来不是一个部门的事。 最搞笑的现象就是,市场部背所有锅,其他部门一旁看笑话。 研发随心所欲、生产我行我素、售后敷衍了事,最后让营销去卖货、去擦屁股。 真正的市场化,是全公司所有资源、所有部门,统一服务于目标客户价值。 第五、组织管理对齐:所有行为都跟用户满意挂钩。 考核、管理、决策、奖惩,如果只看销量,不看用户价值和体验,团队就一定会短视。 好的市场文化,是让所有人的工作,最终都指向用户满意。 一句话总结, 所谓市场导向,本质就是一件事: 公司愿意持续花资源、花精力搞懂用户,把用户需求同步给全员,最后全员一起为用户工作。 有这个基因,营销怎么做都不会差,没这个基因,换十个营销总监、一百套方案,照样白搭。 作者:品牌的旁光 公众号:品牌的旁光 本文由 @品牌的旁光 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
Score: 56.97Confidence: 54%
View offer人人都是产品经理
全国执业律师人数逼近90万,大型所寡头化、中型所逐渐消亡,竞争比的已经不只是专业功底,还有单位时间的产出效率。审不完的合同按格式检查、关键条款标注、风险分级、修订建议四层拆开,每一层单独核对,错在哪儿一目了然,还能随时停机人工复核。 律师业包括了律师事务所以及法律服务,根据公开信息,全国的执业律师人数也在逼近90万,大体市场环境就是大型所寡头化,中型所逐渐消亡,小型所杂货铺。 这种行情下,竞争比的已经不只是专业功底,还有单位时间的产出效率。然而大部分律师的时间都是被一堆写不完、看不完的东西占据着。 例如审不完的合同,查不完的类案,改到第N版的起诉状,分散在各个群里的会议纪要等。这方面交给AI提升效率,就显得很有必要的,应该说现在的AI也能帮上点忙。 想起21年的时候,老马接触过一个上海的律师机构,主任明确表示AI解决不了法律问题。一晃过了5年,如今的大模型早已不是当年的智障,我们也得用发展的眼光看待事物。 所以老马就照例整理了四个常见的场景,这些场景源自于公开的需求,不一定全面,也不一定准确,仅供各位从业人士参考。未尽事宜,欢迎在评论区互相探讨学习。 场景一:合同审查初筛 场景痛点 合同审查是很多律师和律师助理都躲不掉的日常工作,一份几十页的合同逐条通读下来,半天时间就没了。其中大部分时间都花在逐条扫描、找要素、对格式这种体力活上。 解决思路 在使用WorkBuddy帮我们进行合同的初筛审查之前,先别把合同一丢过去就说帮我审一下,那样得到的只会是AI生成的泛泛的格式意见。 更靠谱的做法是把审查工作拆分成几层,每一层只干一件事。先检查格式和完整性,再标注出关键条款位置,然后按我方的立场做一些风险分级,最后才输出修订的建议。 这样每一层的产出都能单独进行核对,错的地方也知道错在哪儿,也能随时暂停下来,人工进行二次的复核。 实操方法 在WorkBuddy新建个任务,最好是同时创建工作空间,把合同文件放在工作空间对应的本地文件夹里面。然后把下面的提示词模板,根据你的实际情况稍作微调,再发送过去处理: 你是一名协助律师做合同初审的助理。我方是一家设备采购方,先读取工作空间中的《设备采购合同》文件。 请你分三步来做:第一步先做格式和完整性检查,看看主体信息、签署页、日期、金额大小写这些要素有没有缺失或不一致; 第二步找出付款条款、交付与验收、违约责任、知识产权归属、保密义务、争议解决这几个关键条款,注明它们在文档里的位置; 第三步站在我方采购方的立场做风险排查,凡是单方解除权、无限连带责任、模糊的验收标准、对我们不利的管辖约定,都按高、中、低三级标注。 最后汇总成一张风险清单表格,每条写清条款位置、风险等级和理由。先不要改合同,只做标注和提示。 该场景下的需求推荐安装的Skill有两个,第一个是智能销售/采购合同审核Skill:contract-risk-reviewer,在WorkBuddy的专家技能链接器里面,切换到技能即可搜索到: 但这个Skill支持的合同类型有限,虽然可以做到按红线条款、付款、违约做合同风险分级和修改建议。老马觉得你可以在这个Skill的基础上,改成支持其它合同类型的Skill,只不过这里面要给的规则和流程就麻烦一点。 好处是改后的Skill是你专属的,且只需要修改一次,后续可以直接复用。现在这个现成的Skill,就纯当成模板来作为参考。 第二个Skill是腾讯电子签合同AI助手,支持合同起草、审查、对比、签署、查看、法条检索、审查列表、对比列表八大能力: 这个Skill相对来说能力就全面一些,WorkBuddy的Skill Hub里面还是有非常多的法律类Skill的,挑选上需要花点时间,不建议同时装太多,可以测试后选择去留,以免占用太多上下文。 需要注意的重点是, AI的输出只是初筛和标注,不能构成审查意见 。风险条款要怎么改,违约金约定多少合适,取决于交易背景和谈判地位。这部分的判断必须由律师自己做,另外合同属于客户敏感信息,在发给AI之前应该按照所在律所的保密规范事先处理,必要的话先做脱敏。 场景二:类案检索 场景痛点 办案前的类案研究是最耗费时间的工作内容之一,需要人工通读几百页判决,手动整理裁判规则,每次研究耗掉半天时间很正常。但这个场景最近多了一条新的高压线,AI编造案例。 湖北宜昌西陵法院今年7月份在庭审中发现,代理律师提交的案例材料大部分是由AI生成的不实案例,案号和案件对不上、法条被篡改,律师被当庭训诫。 这就有点尽信AI的感觉,AI不是案源库,AI可以作为检索的工具,帮你梳理好路线,但起码的案号还是得人工二次审核的。 解决思路 使用AI梳理检索关键词,案由方向,相关法条和裁判规则思路,然后律师再拿着这份路线图去官方数据库按图索骥,对AI的使用要从搜索引擎化转向检索线索化。 实操方法 在WorkBuddy中新建任务,参考以下提示词模板,把需求改成自己的实际需求,发送过去处理即可: 我在办一起买卖合同纠纷,我方是卖方,争议焦点是买方以质量异议为由拒付货款。 请帮我做一份类案检索的路线规划:围绕这个争议焦点,列出可以用的检索关键词组合、对应案由,以及可能相关的请求权基础法条,再给我最近三年这类案件里值得重点关注的裁判规则方向,比如质量异议的提出期限、验货义务的分配这些角度。 注意:你只给我检索思路和路线,不要给我编任何具体案号,法条要注明现行有效的版本和出处,我会拿着这份路线图自己去裁判文书库里核实。 拿到AI生成的路线图后,再人工逐条到中国裁判文书网、人民法院案例库这类的官方渠道进行核实,核对一条用一条。 Skill的话推荐安装legal-citation-verify,法条查询及多源核验,这个Skill技能就是专门查法条和核验条文的: 可以对法律条文和司法解释做多源交叉核验,标注出处,核查是否现行有效,还内置了反幻觉约束和法务场景的输入脱敏要求,等于是在AI和官方文本之间加多了一道核对工序。 与此同时还可以在专家里面搜索召唤法检Pro,这位专家会按法源位阶检索法规与类案,验证效力,评估相似度,并最终输出可溯源的报告。适合案值大,检索要求高的案子: 场景三:撰写起诉状答辩状 场景痛点 起诉状、答辩状这类文书的格式固定,但每次从头开始写还是很折磨人,改个几版是常事,虽然有些可以套模板。 有意思的是,法院自己也在做简化,针对金融借款、物业、离婚这类案件推广要素式起诉状。这恰恰说明格式部分是体力活,值得交给AI去做。 解决思路 事实要素整理、格式框架、证据位置标注,这些内容可以交给AI处理,但法律论证和诉讼请求的最终设计,是律师的智识核心,必须得律师自己写。 最稳妥的流程是律师先把案件事实用条理清晰的方式整理好喂给AI,AI按照规范格式输出初稿骨架,律师检查事实陈述和证据对应关系,最后亲自把关论证部分。 实操方法 在WorkBuddy中新建任务,参考以下提示词模板,把案件事实改成自己的实际情况,发送过去处理即可: 我现在要起草一份买卖合同纠纷的民事起诉状。案件基本情况是这样的:原告是我们公司,被告拖欠货款 38 万元,合同约定 2025 年 12 月 31 日前付清,逾期按日万分之五支付违约金,我们催讨过两次,都有微信记录。 请你按法院通用的民事起诉状格式搭好框架:当事人信息部分留出待填位置,诉讼请求把本金、违约金、诉讼费承担都列上,事实与理由部分按时间顺序整理成一段通顺的陈述。有两个要求:法条引用你只给建议并注明需要核实,不要直接写死; 事实陈述里每一处需要证据支撑的地方,都在旁边标注我们应当提交哪份证据,比如微信记录、合同原件、送货单这些。 有关这个场景推荐的Skill还是不少的,legal-document-writer法律文书助手Skill,可以用于起草民事、行政、刑事的起诉状、答辩状等文书,内置了国标公文排版规范,一键输出格式规范的Word底稿: element-complaint-filler要素式法律文书一键生成Skill,它内置了最高法67类要素式示范文本(民商事、执行、行政、刑事自诉等),按案由自动匹配模板填写要素: 专家里面可以搜索召唤民商事诉讼专家,它主要面向诉讼律师做案件的梳理、证据整理、时间线、质证准备和文书草稿,适合复杂案件在动笔前先把案子捋一遍: 还是得提醒一嘴, AI生成初稿里面的法条没有核实过的一律不能直接用 。因为事实与理由中的论证逻辑是律师的核心价值,初稿只能当作骨架参考,提交前的终稿必须逐字审核过一遍。 场景四:案件归档与纪要转待办 场景痛点 很多律师的痛点其实不是在办案上,而是办案之外的杂事。比如证据、文书、纪要散落在微信、邮箱和各种文件夹里,找个材料得翻半天。案件讨论会开完,纪要就往群里一扔,待办的事项没人跟进。 解决思路 解决的思路分两步走,首先日常层面,先让AI干两件小事。第一把会议录音转写整理成带待办的纪要,把零散的案件材料结构化归档。 第二进阶层面,案件量上了规模的团队,可以搓一个简单的案件台账系统,让每个案件的进度、期限、待办有个统一入口进行管理。 实操方法 在WorkBuddy上新建完任务后,本地文件夹放上会议导出来的录音文件,当然可以用元宝录音笔,或者WorkBuddy的APP和微信小程序来进行转录处理,所采用的提示词都是一样的,可以参考下面的模板修改后使用。 老马这里只是假设律师用的是传统录音笔,导出的录音mp3文件到电脑上的场景。本地文件夹放好录音文件后,在WorkBuddy创建工作空间选择这个文件夹,把下面的提示词模板微调修改后,发给AI处理即可: 工作空间里面的录音文件是昨天案件讨论会的录音文件,请先转写成文字。 再帮我整理成会议纪要,按案件进展、达成的结论、待办事项三块来写,待办每条注明负责人和时限,最后单独把所有带时限的事项列成一张清单,方便我贴进案件台账里跟进度。 如果有一些带红章的PDF文书需要归档的话,可以在WorkBuddy里面搜索安装技能:legal-document-ocr法律文书OCR(远程接口版): 带红章的PDF文书上传后会被逐页识别成可编辑的文字,服务端自动处理红章与正文的取舍,还能进行语义纠错。扫描件存档前先这样子转换一遍,以后检索起来方便得多。 对于案件多,协办律师多的团队,可以把下面的提示词模板根据自己的需求微调一下,新建任务时选择代码开发,发送给WorkBuddy搓一个案件台账系统: 我们律所想管住手上几十个案件的进度。你帮我们做一个网页小系统:立案的时候登记案号、当事人、案由、承办律师、开庭时间这些信息,平时每个案件新收的材料、开过的会、要办的事项都能随手记上,临近开庭和上诉期限的案件要能提前提醒我们。 团队里每个律师打开只能看到自己承办的案件,合伙人能看到全部案件的进展概览。做完发布成一个链接,我们电脑手机都要能用。 以后案件信息有变动,我直接在网页里改就行。 开发完之后的系统就可以把所里的案件信息录入进去,以后每个案件的进度、快到的期限,打开链接一眼就能看到,不用再去翻什么群聊和纯靠大脑记忆。老马也跑了一遍,开发完成后的效果如下: 台账系统里面存储的是案件信息, 涉及到敏感案件录入时请注意脱敏 ,涉密的案件需要按照律所的保密制度进行处理,别为了省事全部都上传上去。 作者:马佳彬 公众号:马佳彬 本文由 @马佳彬 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
人人都是产品经理
检测设备每天产生的数据,除了放行和剔除,还能反哺模型训练、质量分析与工艺改进。本文从产品经理视角,拆解数据反哺的三个去向与实现路径,并揭示最易被忽略的元数据埋点问题,以及“谁买单”的现实困境。 去年底我去一家客户做年度回访。他们的检测设备跑了两年多,两班倒,每天三千多件。我问质量主管:判定记录用过吗? 她想了想,说导过两次 Excel,都是应付体系审核。我又问,那缺陷图呢?她说应该还在工控机里。我们在那台工控机前翻了十分钟,D 盘一个叫“备份2024”的文件夹里躺着十一万多个文件,现场没人说得清哪些还有用、该不该删。 上篇文末我说,很多工厂守着金矿要饭。这篇就把这件事展开讲:检测设备每天产生的数据,除了放行和剔除,还能反哺什么;以及作为产品经理,我在里面踩过的坑、做过的取舍。 先把结论放在前面:判定数据有三个去向,喂模型、喂质量分析、喂工艺改进。三个去向值钱程度递增,实现难度也递增。而三个去向共享同一个前提——这个前提最容易在交付时被忽略。 一、反哺的前提:元数据必须在判定那一刻就埋好 检测系统落库的数据,粗分三层:判定结果(OK/NG、缺陷类型、置信度)、缺陷图像(原图加标注框)、元数据(时间戳、班次、工位、模穴号、料批号、配方版本)。 前两层客户都会盯着要,第三层最不起眼,但反哺能不能做成,八成取决于它。 道理很简单:所谓反哺,就是按维度把数据捞出来对比。按班次对比缺陷率、按模穴对比缺陷分布、按料批追溯问题区间——每一次“按”都是在按元数据的字段。字段没记,后面全是空谈。 我吃过这个亏。一个注塑项目,设备上线时只记了时间戳和判定结果,模穴号没进数据结构——当时谁也没觉得是问题。八个月后客户质量部想做模穴维度的缺陷分析,我们翻数据库,发现根本拼不回去:模穴信息只在 PLC 里有,和检测记录之间隔着一张没有对齐键的表。最后靠“按时间顺序和生产节拍倒推模穴”勉强补了个大概,报告能用,但置信度打折,客户嘴上没说什么,我心里清楚这八个月的记录基本废了。 那之后我把一条规则写进了产品需求: 检测配方里必须强制绑定维度字段 。哪个工位、几个模穴、班次怎么切、料批从哪来,这些在配置检测方案的时候就要填好,判定落库时随每一条记录自动带上。拿不到的字段允许留空,但必须在配置界面上明示“留空 = 放弃该维度分析”。 别小看这一行提示文案。它把一个八个月后才会爆的雷,提前到了配置阶段。 二、第一个去向:把复判记录喂回模型 上篇讲复判工位时提过一句:人工每一次纠错,都是一条免费标注样本。设备判 NG、人工放行,是过杀样本;设备判 NG、人工确认报废,是确认缺陷样本。这个方向展开,就是反哺的第一站:训练集。 先说量级。一条三班倒的产线,假设过杀率 2%、日检两万件,一天就是四百张人工复判图,一个月一万二。按缺陷类型分一分,常见的十来种缺陷每种能攒几百到几千张。这个量对一个已经上线的模型做季度迭代,够用了。 但直接把复判图塞进训练集,会摔跟头。我摔过的最典型的一个: 有个客户的项目,模型迭代了一版,准确率不升反降。查了两周,最后发现新采集的样本里混着换灯管前后的图——光源从某个批次开始整体换过,图像亮度分布变了。模型在新数据上学到的不是“什么叫划痕”,而是“什么亮度算异常”。这是大忌。图像里的环境变量和缺陷特征缠在一起,模型学的是相关性,不是因果。 那之后的做法,是给样本库加 采集条件标签 :光源批次、相机序列号、配方版本,样本入库时自动带上。迭代训练集的时候,不是一股脑全上,而是先看一眼条件分布,避免某一茬环境条件下的图占大头。另外训练集要有版本管理——v1.3 训练集 = 上线时的存量图加复判回收的四千张,这个集合是冻结的、可复现的。哪次迭代用了哪些数据、效果如何,要能对得上账。听起来像软件工程的版本控制?对,本来就该是。 划分比例我的经验值是 7:2:1,训练、验证、测试。测试集必须是模型没见过的新时段数据,不能拿老数据切一块充数——否则迭代报告好看,产线上原形毕露。 这套东西做扎实了,模型的迭代就不再是“算法工程师回来调一调”,而是一条每月自动运转的流水线:复判图回收、按类型攒批、条件分布检查、出新一版训练集、离线评估、择期更新。我见过最实在的收益:一个项目误检率从上线初期的 5% 左右,四个迭代周期压到 1.5% 上下。算法没换,靠的就是数据喂得干净。 三、第二个去向:给质量工程师画 SPC 第二个去向的受益人换了:不是模型,是人——客户的质量工程师。 检测数据和 SPC(统计过程控制)是天作之合,因为检测系统吐出来的天然是逐件的、带时间戳的合格率数据,比人工抽检的密度高两个数量级。人工抽检一小时抽五件,检测设备是全检,SPC 控制图从“抽样推断”变成“全量实况”。 但把控制图做进检测软件,有两个产品决策要先想清楚。 第一个:控制限谁定?SPC 有它的行话,控制限、中心线、判异准则,这些参数在不同客户的质量体系里算法不一样,有的按三倍西格玛,有的有自己行业规范。软件千万不要替客户定,替客户定就是替客户背锅。我们的做法是控制限算法做成可配置项,默认三倍西格玛,允许按客户体系覆盖,界面上明确标注当前的算法和出处。 第二个,也是真正值钱的一个: 控制图要能下钻 。 普通的报表型 SPC,画一条缺陷率曲线,超限标个红点,结束。质量工程师看到红点之后要干嘛?要搞清楚那段时间发生了什么。所以我们的控制图上,任何一个异常点都是可以点开的——点开是那个时段的缺陷图集,按缺陷类型分组,再往下点是单张大图和它的元数据:班次、模穴、料批、当时的配方版本。 从“曲线异常”到“看到具体那几张图”,三次点击以内。 有一次客户的图上夜班时段的轻微缺陷率持续偏高,比白班高出 40% 左右。质量工程师从异常点下钻,先看缺陷类型分布,发现集中在“脏污”一类;再看班次维度,连续两周都是夜班高。最后现场查出来,夜班换料时没有按规程清洁料道。这个问题人工统计可能永远发现不了——白班夜班各自看各自的数据,没人横向对比。全量数据加一个维度切换,问题自己浮出来了。 SPC 做到这个份上,检测软件在客户组织里的身份就变了:从质检工具,变成质量分析平台的数据入口。后面卖东西的空间,也在这里。 四、第三个去向:往回追工艺参数 第三个去向最难,也最值钱:把缺陷和工艺参数连起来。 场景是这样的:某天缺陷率突然跳高,工艺工程师的第一个问题永远是“当时参数是什么”。温度、压力、注射节拍,这些在 PLC 和上位机里都有记录。检测软件要做的,是让工艺工程师不用去两个系统里对时间。 产品上的关键动作就一个: 时间对齐加回溯窗口 。 检测记录和工艺参数各带各的时间戳,两个系统的采样频率还不一样——检测按件,参数按秒。我们的做法是在数据层做一个对齐视图:任何一条 NG 记录,可以自动关联到它产生时刻往前推一段时间的参数区间(窗口默认往前 10 分钟,参数原始记录保留 72 小时滚动,超期归档压缩)。界面上就是 NG 记录详情页多一个按钮:“回溯工艺参数”,点开是那段时间的参数曲线,异常段高亮。 我讲一个印象最深的案例。一个多模穴注塑项目,SPC 图上某种流痕缺陷一直存在,比例不高但很稳定。按模穴维度切了一下,第 7 穴的流痕率是其他穴的三倍上下。从缺陷记录回溯参数,对比各模穴对应的热流道温控通道,发现第 7 穴那条通道的温度设定比工艺卡低了 8 度——工艺卡改过一次,现场漏改了这一处。 这种问题,靠人排查要运气;靠数据,就是两次下钻的事。而且注意,这个价值的买单方已经不是质检了,是工艺部门。 不过这个方向我必须泼一盆冷水:缺陷和参数的自动关联分析,市面上吹得神乎其神(某某大模型一键定位根因之类),实际交付里能做到的,就是把数据按时间和维度摆在一起,让人看得快一点。真正的根因判断还是工艺工程师的经验。产品别越位,越位的代价是客户拿着一个“不准的根因”去改工艺,改错了比不改更糟。我们能承诺的是“十分钟找到可疑区间”,不能承诺“告诉你哪根管子堵了”。 五、最麻烦的问题不是技术,是谁买单 写到这里,三个去向讲完了。按说该收个技术总结,但我想把一个更现实的问题摆出来,因为它困扰了我很久。 检测系统走的是质量部门的预算。反哺的三站,第一站(训练集)还属于设备自身维护,第二站(SPC)是质量部受益,都还顺理成章。第三站(工艺回溯),受益的是工艺部门——他们往往一分钱没出。 采购讨论的时候没人会为“未来的数据价值”掏钱,这不是客户短视,是预算制度使然。你要是在方案里写“数据反哺工艺、赋能智能制造”这种大词,采购评审会的反应多半是把这页翻过去。这也给产品经理提了个醒:价值讲不清的功能,最后都会变成报价单上被砍掉的那一行。 我后来落地的策略就四个字: 先送后卖 。 数据出口、维度报表、基础 SPC 控制图,做成标配送——这些是“看得见的报表”,交付演示时有画面、有数字,客户验收方有面子,成本对我们也不高。工艺参数关联回溯,做成增值模块,单独报价。一台三十万的检测设备,这个模块加五到八万,听着不便宜,但等客户用维度报表尝到甜头、某天真的靠回溯按钮抓到一次工艺问题时,这笔钱就变得好谈了——因为那时候他买的不再是“未来的可能性”,是“已经发生过一次的救命功能”。 反哺这件事的商业逻辑,和它的技术逻辑一样:都得让数据先跑起来,价值才能攒出来。 收个总账 这个系列写到这里,检测产品在客户那里的账可以算两遍了。 第一遍是明账:替目检人力、抓漏检、稳质量。采购合同上写的就是这些,大部分设备商的方案也讲到这里为止。 第二遍是暗账:一台全检设备同时是一台数据采集器,每件产品的图像、判定、维度、时间,日复一日落库。喂回模型,误检率四个周期从 5% 到 1.5%;喂给质量工程师,白班夜班的差异自己浮出来;喂给工艺部门,8 度的温控偏差十分钟现形。明账省的是人力,暗账赚的是改进能力——大多数工厂只算了第一遍。 而产品经理在这件事里的位置,说穿了是两个设计动作:把元数据在判定那一刻埋进去,把买单的边界在合同那一刻划清楚。一个是技术底线,一个是商业底线。 下一篇想聊一个选型阶段绕不开、但很少有人从产品视角讲清楚的问题:深度学习和传统机器视觉算法,到底怎么选。不是比准确率的高低,而是算数据的账、周期的账、还有客户团队接不接得住的账——PM 怎么帮客户做这个决定。如果你也在为“上不上深度学习”纠结,评论区聊聊你的场景。 (系列前篇:《我所了解的机器视觉检测产品应用(3):设备选型与POC验证,检得出更要买得起》《(4):把算子做成产品,参数、公差、复检逻辑怎么设计》) 专栏作家 互联网产品经理Mik,公众号:逆袭产品汪,人人都是产品经理专栏作家。专注于ToB领域产品,包括机器视觉、工业大数据、MES、ERP和物联网等方面。 本文原创发布于人人都是产品经理,未经许可,禁止转载 题图来自 Unsplash,基于 CC0 协议 该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。
Score: 57.09Confidence: 54%
Score: 57.08Confidence: 54%
Score: 57.06Confidence: 54%
Score: 57.04Confidence: 54%
Score: 56.99Confidence: 54%
Score: 56.97Confidence: 54%
Score: 56.96Confidence: 54%