Открывайте больше.
Тратьте меньше.

央行 9 月 30 日开展 8335 亿元隔夜逆回购操作 7 天期操作量为零

Readhub

央行公告,2026 年 9 月 30 日 7 天期逆回购操作量为零,同时开展了 8335 亿元隔夜逆回购操作。

Балл: 57.38Уверенность: 54%

中国商务部:10 月 1 日起对巴西进口牛肉加征 55% 关税

Readhub

中国商务部公告,牛肉保障措施项下自巴西进口的牛肉于 2026 年 9 月 29 日达到商务部公告 2025 年第 87 号明确的该国规定数量的 100%,自 10 月 1 日零点起,自该国进口牛肉将在现行适用关税税率基础上加征 55% 关税。

Балл: 57.38Уверенность: 54%

广州明确房企收取的房地产定金不得高于房屋总价 5%

Readhub

广州市多部门联合发布贯彻落实完善商品住房销售制度通知的实施意见,明确房企收取现房销售定金需取得住宅楼栋建筑工程施工许可证并签订购房定金合同,定金不得超房屋总价 5%,合同需约定定金金额、住房售价、交付时间及履约责任等内容,由广州市房屋交易监管中心具体负责现房定金监管,购房人所付定金需全部存入监管账户且监管期间不得使用,待项目完成竣工验收备案、水电气等配套设施具备交付条件、居住用地内独立设置的居住区配套公共服务设施竣工验收后,解除定金监管并注销监管账户。

Балл: 57.38Уверенность: 54%

燃料涨价推高美国机票价格 创十年新高

Readhub

受油价高企影响,美国航空燃料价格近期暴涨,推高机票价格,今年 11 月末传统假日期间美国境内航班机票价格较去年同期上涨约 31%,达十年来最高点,若航空燃料价格持续高企,预计美国机票价格还将继续上涨。

Балл: 57.38Уверенность: 54%

当你找到代表自己的“好故事”,就不需要竞争

人人都是产品经理

黄仁勋说过,市场份额的概念意味着有一大群人在做同样的事,那为什么要争?唐纳德·米勒在《你的顾客需要一个好故事》里给出同一个答案:别跟在别人后面抢份额,先找到、建立并赢得你的故事。集市上的擦鞋摊就是最好的反面教材。 英伟达创始人黄仁勋曾说:“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?” 唐纳德·米勒在《你的顾客需要一个好故事》中,同样指出: “ 如果你只是想填满市场上的一个洞, 那你注定只能重复别人已经做过的事。 而最有效的破局方法, 是去寻找、建立和赢得你的故事,以及你促使发生的变化的轨迹。” 两句话指向同一件事: 跟在别人后面抢份额,是低效竞争;让用户跟着你的故事走,才是品牌起点。 一、擦鞋摊:卖“擦鞋”,只能陷入竞争 想象你在集市上支一个擦鞋摊。 最常规的做法是:找一个租金便宜的位置, 给每一个路过的人提供服务。 但这种方法有两个致命问题。 第一,门槛太低。如果任何人都能用同样方式擦鞋,这条街只要多一个竞争者,就能抢走你一半生意;对方再降个价,你的顾客基本跑光。 第二,也是更重要的:没有人“需要”擦鞋。擦鞋是一种“可有可无的想要”,而不是一种刚需。 此时,真正该问的不是:“我怎么比对手擦得更快、更便宜?”而是:“人们到底为什么会为我的服务买单?” 也许顾客想看起来更精神一些。 像迈克尔·杰克逊那样,这让他感觉很好、更自信、更有力量。 也许顾客喜欢被人服侍的地位感。 当他坐到一张椅子上,让一个穿着考究、恭敬有礼的手艺人为他服务,他会显得更尊贵。 也许你代表某种身份或圈层 。只有像他这样的人才会做这件事,而且他不会随便选择一个擦鞋者,而是指定你——在这个公共场合,让一位受尊敬的手艺人为他服务。这本身就是一种身份表达。 所有这些洞察、优势和转变,都需要一个决定: 你决定造成影响,而不只是做一笔交易。 这就是你需要“故事”的原因 ——故事讲述了你的优势、你的不同、你带给用户的转变,以及为什么这与他有关。 这也是“故事”和卖点/买点的区别 ,故事要求你讲述带来的改变,而不仅仅是给了一个购买理由。所以说,好故事能快速引起共鸣,且不受时间限制。 但显然,自吹自擂的故事毫无吸引力。那么,如何讲一个真正有效的故事? 二、寻找故事的五个步骤 1 明确你的顾客是谁 擦鞋匠的故事告诉我们,寻找故事的第一步,不是“编故事”,而是定义你的顾客。 你无法满足所有人,每一个有“决定”的擦鞋匠都该清楚:顾客不是“所有穿鞋的人”,而是认可你价值、愿意为那种体验付费的人。 2 洞察用户真正的“想要”,而不是“需要” 你一定要相信这句话的升级版——人们不想买一个四分之一的钻头,也不是那个四分之一的洞,或者是那个墙的装饰, 他们想要感到安全和尊重。 这段话的精髓是,人们不想要你提供的东西,他们想要的是能够为他们服务的东西,他们想要这 “东西带给他们的感觉” ——安全感、归属感、优越感、意义感......。 3 用故事让体验可感知 一旦你确定了顾客和他们的深层需求,就要用故事来包装体验,让体验变得可感知。这样做,人们才会理解你是与众不同的,理解你的工作会让世界变得更好。 比如,同样是贴膜,你可以讲“祖传手艺”的故事;同样是卖书,你可以讲“小王子的梦想”或“圆读书梦”的故事。当你的故事与用户的情感产生关联,思考框架就换了,你和用户的关系也变了,品牌和产品的价值自然上升。 4 用行动把故事“建”出来 好故事不是靠一句定位、一条广告语、几个TVC、一个明星代言就能成立的。 它要用服务、细节、仪式、产品,一天一天兑现。 换句话说: 故事不是“说出来的”,是“做出来的”。 看看可口可乐、麦当劳就明白——它们讲了几十年“快乐”、“陪伴”、“童年记忆”,但背后是门店、供应链、节日营销、包装、音乐、场景,年复一年地续写同一个世界。 5 主动传播故事:参与,甚至共创 让用户“认同”一个故事,靠投入就行;让用户“传播”一个故事,你必须换位置: 别让用户当观众,让用户当主角。 成功的案例比比皆是:乐高、露露乐檬、迪士尼等等。 说到底,营销就是讲故事。 讲故事的目的,就是让自己的产品和其他更有价值的东西(婚姻、生活态度、专注)站在一起,并想办法让这种关联在用户心智中产生联想(广告语、场景、个人IP),这就是故事的力量。 比如,钻石如果和石墨在一个序列里,那就是一堆碳原子,工业原料而已;但是如果和爱情,和婚姻的承诺在一起,那溢价就高多了。所以就有了那句著名的“爱情恒久远,一颗永流传。” 接下来,真正的营销才开始。好莱坞电影里的无数个求婚名画面、意见领袖“明星是怎么求婚”的文章、情侣晒钻的社交仪式、学校里关于钻石历史教育、《钻石大冒险》和《钻石恒久远》的集体记忆......。一步步把产品,嵌进用户的世界观里。 三、好故事的9个标准 当你选好了听众,想好了要带他们去哪里,你需要一个检验工具。如果你的故事没有做到以下9点,可能需要继续深挖,找到一个更真实、更有效的故事。 1、好故事是真实的。 不一定符合所有事实,但必须前后一致、真诚可信。今天的新消费者太擅长嗅出前后矛盾的地方了,营销者随便拼凑的故事根本蒙混不过去。 无限媒体时代,更是如此,比如西贝。 2、好故事做出承诺。 承诺乐趣、安全,或是一条捷径。这个承诺必须大胆、有魄力。要么卓尔不群,要么不值得听。 3、好故事是可信的。 信任是我们仅剩的最稀缺资源。没人相信任何人。 新消费人群越来越不相信一切:不相信酒吧里推销啤酒的漂亮女人(她们是酒企雇来的);不相信广告里的代言人(即使是刘德华);当然更不相信保健品公司。 因此,营销者如果没有赢得讲述这个故事的可信度,就不可能讲好一个故事。 4、好故事是含蓄的。 出人意料的是,营销者讲得越细,故事的力量反而越弱。高明的营销者懂得,让人们自己得出结论,远比直接抛出结论有效得多。 5、好故事瞬间发生。 第一印象的力量,远比我们以为的要强大得多。好故事不一定需要八页彩色宣传册,也不一定需要面对面会谈。你要么准备好倾听,要么没有。 6、好故事不诉诸逻辑,却常常触动感官。 信息不是神话。人们只需嗅一下,就能决定自己喜不喜欢一个人。 7、好故事很少瞄准所有人。 普通人最擅长忽略你。普通人对生活有太多不同的看法,而且大体上都挺满足。如果你为了迎合所有人而稀释你的故事,它就会对谁都没有吸引力。 最有效的故事,契合的是一小群人的世界观 —— 然后由这一小群人把故事传播出去。 8、好故事从不自相矛盾。 如果你的餐厅位置绝佳但菜单糟糕,你就输了;如果你的卖的是潮玩玩具或是精品瑜伽服,但员工全是餐厅服务员、房产中介的人,你也输了。 消费者很聪明,他们一眼就能看穿你的破绽。 9、最重要的是,好故事契合我们的世界观。 最好的故事不教给人们任何新东西。相反,最好的故事印证了受众已经相信的东西,让他们在被提醒 “自己从一开始就是对的” 时,感到聪明又安心。 最后,谢谢你,谢谢每一位创业者。 谢谢你有勇气制造东西,卖东西——为了解决用户的问题,为了帮助主人公找到回家的路,并把用户的故事放在了自己的故事之上。 愿你因你的努力获得丰厚的回报。 ——《你的顾客需要一个好故事》 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

好的内嵌 AI,不是 App 里的「第二个 App」

人人都是产品经理

当所有App都在强塞AI入口,用户却患上「AI疲劳」——问题不在模型不够聪明,而在AI与产品发生了需求、交互与存在感的三重错位。本文拆解什么任务该交给AI、什么该留给按钮,并以网易云音乐「小宝」为例,揭示垂直AI真正的壁垒:不是数据,而是产品多年沉淀的情绪与关系。 01 AI 功能通胀与错位 每个App 都觉得我需要 AI,而且没有人问过我。 你大概见过这样的帖子:吐槽现在什么App 都要扯上 AI,实际没啥用。底下一堆人接话,点名的对象几乎覆盖所有品类。 用户其实很清楚自己在烦什么。一个本来两步就能完成的操作,突然多了一个很醒目的按钮,甚至单独出了一个tab,或者被要求先和AI聊几句,这些只是增加了没必要的层级。 海外把这种状态叫“AI fatigue”。2026 年发表在《Computers in Human Behavior Reports》的一项研究甚至专门开发了一套 AI Fatigue Scale,将这种疲劳拆成认知过载、情绪压力、行为脱离和身体疲劳四个维度。 AI 的普及正在制造一种“功能通胀”:技术能力增加了,但用户感受到的产品价值不一定同比增加。甚至可能反过来。因为 App 本来就是一种把复杂任务压缩之后的产品。 我要打车,直接输目的地。 我要听歌,就点播放按钮。 如果AI 又要求用户把压缩好的需求重新用自然语言描述一遍: “请帮我打一辆从这里到公司的车。” 那它把一个确定操作重新“解压”成了对话。问题在于,Prompt并不天然比Button 先进。 与此同时,把AI 装进App是这两年最确定的动作。截至 2026 年 3 月,国内 AI 原生 App 用户规模已达 4.46 亿。争夺 AI 原生 App 入口之外,大厂还在把AI 塞进用户本来每天就在打开的App。微信灰测“小微”,支付宝加入“阿宝”;美团放了“小团”。 一边是几乎所有产品都在加AI 入口,一边是用户觉得没用。问题不是「AI 还不够聪明」。模型每半年就好一截,用户抱怨却没少。真正的问题,是AI 和原有产品发生了错位。 第一种是需求错位。很多产品不是发现了一个AI 适合解决的问题,而是先决定“今年必须 AI 化”,再回头找场景。如果换成 ChatGPT、豆包、DeepSeek,甚至做得更好,这个App 再造一个聊天框的意义就很有限。 第二种是交互错位。AI擅长处理模糊问题。但大量App 里的任务恰恰非常明确。用户已经知道自己要什么时,AI 未必是更好的入口;它真正擅长的是用户只知道“我大概想要什么”的时候。 第三种是存在感错位。真正引发反感的,是关不掉、总跳出来、占据核心入口、不断提醒你“试试 AI”。AI 功能本身并不必然带来负面反馈,真正引起差评,反而是用户明确意识到AI 的存在之后。 02 什么问题和任务适合扔给AI 那什么位置才算对? 越确定的任务,越适合按钮;越模糊的需求,越适合AI。 “播放下一首歌”,不需要 AI。但:“今天很累,想听点安静的,又别太丧。” 就开始不一样了。 “买一张周五上午上海去北京的高铁票”,传统筛选器已经解决得很好。 但:“周末想带孩子出去玩,两天,不想太累,预算 2000 块,最好别全在室外。” AI 的价值就开始出现。 前者需要的是准确执行,后者需要理解一个人没有完全说清楚的意图。 Google 今年推出 Ask Maps 时,强调的也不是让用户改用聊天方式搜索“附近咖啡店”,而是处理过去需要同时查地点、评论、营业状态才能回答的复杂问题。 它依靠的不只是Gemini,还包括来自超过 3 亿个地点的信息和庞大的社区评论体系。 所以一个内嵌AI 真正成立,往往至少需要满足两件事: 第一,这里确实存在传统Button、搜索框和筛选器难以表达的模糊需求。 第二,这个App 能提供一些通用 AI 默认拿不到的场景上下文。 否则问题就很简单了:我为什么不直接去问ChatGPT、豆包或者 DeepSeek? 基础模型越来越接近之后,真正产生差异的,是:我能给这个模型什么别人没有的东西。 地图知道真实世界的位置关系。 淘宝拥有商品、订单和消费场景。 美团拥有餐饮、本地服务与履约能力。 音乐平台则知道一个人过去几年真正听过什么。 Spotify 今年扩大测试的 Prompted Playlist,就是一个很好的例子。 用户不再需要准确说出流派、年代和BPM,而可以直接描述一个场景、一种心情甚至一段回忆,Spotify 再结合这个账号从加入平台以来的完整听歌历史生成歌单。比如: “找一些我大学时候很喜欢、但今年没有再听过的歌。” 这是一个传统搜索框很难处理的问题。 所以自然语言进入音乐App,本身并不奇怪。 网易云音乐最近上线的小宝,同样先做好了这一层:它没有试图搞出一个AI播放键,而是出现在「听歌之后的下一步」——不知道听什么,可以问;听到一首歌想知道创作背景,可以问;想知道自己的口味最近变了没有,也可以问。 自然语言在这里填补Button 本来就解决不了的部分。 同样握着听歌记录,同样接得上大模型,差别会出现在哪? 03 AI更难复制的是产品里的情绪和关系 音乐平台都有用户的听歌记录。知道你喜欢什么、跳过什么、最近循环什么,早就是推荐系统的基础能力。 网易云音乐过去更有辨识度的一部分,却不只是“知道你听了什么”,还包括积累了很多听完以后发生的事情。 为什么网易云的评论区曾经成为一种极有辨识度的产品文化? 因为很多用户听到一首歌以后,会下意识地往下划。他们并不只是想研究歌词或创作背景。 更多时候是在确认:有没有人和我感觉一样? 有人在一首歌下面写下自己的失恋、青春、一座城市或者某个普通的晚上;另一个完全陌生的人,可能几年以后才第一次听到这首歌,又刚好读到了这段话。 过去对网易云评论的大规模分析也能看到这种特征:爱情、回忆、孤独、亲情和人生节点,是大量热门乐评反复出现的主题。音乐只是入口。后面逐渐长出来的,其实是一套围绕音乐发生的表达和连接。这也是垂直AI 里一个很容易被“数据壁垒”四个字掩盖的东西。 数据告诉AI:用户做过什么。 但一个产品长期积累的还不只是播放次数,还包括:用户为什么愿意在这里表达,以及习惯用什么方式和这个产品相处。 垂直AI 的差异,不只来自它知道多少,更来自这个产品原本已经建立了什么关系。从这个角度再看小宝,会比“网易云音乐也有了一个 AI 助手”有意思得多。 网易云音乐给小宝设计的能力不只有找歌和讲歌,也包括品味解读、听歌报告和陪伴闲聊。 过去,云村的情绪反馈更多发生在人和人之间。这种反馈是公共的,也是异步的。它依赖于另一个人先写下来,又依赖你恰好在某一天看见。 AI 增加的是另一种关系:即时、私人,而且可以继续追问。 如果说乐评区更像一个公共区域,小宝则更接近一间可以随时进去说两句话的小房间。 前者提供人与人的偶遇和共鸣;后者增加的是即时、个体化的回应。它们是两种不同的情绪反馈机制。 音乐本来就是一个非常低门槛的情绪入口。小宝因此可以是一个听歌搭子,也有机会成为一个很轻量的“情绪树洞”:从歌聊起,最后聊到一点生活。 这种产品逻辑和云村的社区属性一脉相承。 过去,是“人—音乐—人”。一首歌把两个原本完全陌生的人连接起来。现在,则多出了一种“人—音乐/情绪—AI”的情绪反馈方式。 当然,AI 不会因此替代真实的人,也不应该被理解成心理咨询。它的价值可能更朴素:那些只是突然想说两句话、又不一定值得专门找个人讲的时刻,多了一个很低门槛的出口。 我测试小宝的「本命歌手」时,碰到的就是这一层。七轮二选一,最后留下的是赵雷。让我多停了一下的是它接着说:这个账号听过赵雷463 次,他直到第六轮才出现,出现以后就没再被淘汰。 通用AI 知道赵雷是谁,音乐平台更有机会知道赵雷和“我”之间发生过什么。 再叠加上一个产品过去十多年形成的表达和社区关系,这种“上下文”就不只是数据库里的播放次数。 它开始带上一点产品自己的性格。不过,这同时也是更难的地方。推荐错一首歌,用户下一首切掉就行。但如果一个AI 开始尝试理解情绪,容错空间反而会变小。 太套路,会显得敷衍。过度揣测,又容易越界。小宝能不能把「情绪树洞」从一个击中你情绪的玩法,变成长期可靠的体验,仍然需要时间验证。如果这条路成立,对网易云音乐来说,这意味着小宝可以串联起推荐、内容、社区和用户关系这几层体验,是很有想象空间的一次延伸。 不管如何,至少它提供了另一个观察AI 内嵌 App 的角度:模型可以复制,功能也很容易跟进;一个社区过去很多年形成的关系,却很难随着 API 一起被接进来。 04 好的内嵌 AI,不该成为 App 里的「第二个 App」 也正因为AI 可以从音乐一路聊到情绪,它的位置反而更需要克制。它应该接住「下一步」,而不是抢走「第一步」。 打开音乐App,第一件事还是听歌,不是聊天。打开地图,第一件事还是找路,不是问AI。所以AI 更合理的位置,是在传统功能解决不好的那个下一步。 内嵌 AI是产品的延伸,而不是另起炉灶。你需要它的时候,它应该比过去的搜索框更聪明;你不需要它的时候,它最好几乎不存在。 小宝有一点值得讨论的地方也在这里:它没有把网易云首页直接变成一个ChatGPT,而是依然附着在听歌场景附近,要点一下才会出现。至少目前来看,它选择的是一种比「把聊天框放在正中央」更克制的路径。 这条路也不是谁都能一次走对。比如小红书的点点就调整过位置:2026 年 3 月的一次版本升级后,用户一度无法再从搜索框使用「问点点」,官方客服的说法是入口下线了,后续会上线新入口。内容做对了,位置也还得试。 上下文越深,边界越重要。 听歌轨迹、订单、位置、文档——这些正是垂直 AI 唯一的护城河,也正是用户最在意的部分。 AI 如果要「更懂你」,产品就必须更清楚地告诉用户:它用了什么,为什么用,以及可不可以不用。 这一条目前行业里做得都不算好。 现在行业还处在典型的「AI 显性化」阶段。但真正成熟之后,AI 大概会逐渐退到后台。 你不需要知道推荐算法是什么,也不会在意相机的降噪、HDR、计算摄影背后用了哪个模型。用户只会觉得:搜索更懂我了,照片更好整理了,推荐更准了,一段模糊的话也能找到想听的歌了。 AI 的终点未必是每个 App 都拥有一个 AI 助手,而是越来越多 App 不再需要强调「这里有 AI」。 回到开头那条吐槽,它当然不完全对。AI 已经在很多场景证明了自己极其有用。但这句抱怨真正针对的可能不是 AI,而是一种产品懒惰:把「加入 AI」等同于「产品升级」。 不是所有App 都需要一个聊天机器人,也不是所有需求都值得变成一段 Prompt。 当新鲜感过去,判断一个AI 功能好不好,标准其实会重新变得非常朴素: 它有没有少让我做一点事,多理解我一点,以及在我根本不需要它的时候,离我远一点。 本文由人人都是产品经理作者【吴怼怼】,微信公众号:【吴怼怼】,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

企业AI,几条路,各有深浅

人人都是产品经理

AI 进企业管理,能走的路不止一条,深浅却差得很远。往上看,AI 助手只对话查制度,AI 对话框能读 ERP 数据还能写回去,读附件可以自动生成记账凭证;再往上是数据大屏与多智能体编排的流程自动化,库存一动,物料需求计划就跑起来。 AI进企业管理,能走的路不止一条,但路和路之间,深度差得远。 我最近看了一圈企业里的AI应用,大致能归成五条路径。 1、AI助手,对话式查手册、查制度、查报销规则,问一句答一句,不碰业务系统。 2、AI对话框,能读ERP里的数据,也能写回去,一个界面对话式办公。 3、AI读附件,发票、销售合同、报销单丢进去,自动生成记账凭证。 4、AI数据大屏,底下打通各系统做成数据仓库,上面预设分析模板,实时出数,也能对话着自定义分析维度。 5、流程自动化,多智能体编排,库存智能体、采购智能体、生产智能体接力干活,安全库存一触发,物料需求计划跑起来,采购委外生产的单据自动生成。 这五条路看着并列,其实有深浅。 前三种,偏向于助手类就是文档检索套上对话,以及读写数据,生成需要的内容,门槛最低,应用最广。但干的还是单点的活,人下指令,AI执行,一次一件事。 后俩场景可讲的故事多一点。 数据大屏这条,系统打不通,AI再聪明也不行,反过来,数据层一旦打通,分析模板负责实时出数,想换个维度,对话里说一句就行。这件事的受益人是管理层,操作层其实感知不强。 多智能体编排,AI从工具变成了流程里的一环,库存触发计划,计划驱动采购和生产,单据在智能体之间流转,这条链跑通了,企业的作业方式就从人推着单据走,变成了数据推着单据走。 眼下走前三条路的企业一大片,摸到第四条的少数,第五条基本还躺在方案里。 这不奇怪,浅处的路见效快,演示也好看。深处的路得先修路,数据治理、流程梳理、业务规则沉淀,一样都绕不过去。 就看企业是把AI当助手,还是当作业方式。 本文由人人都是产品经理作者【产品真经】,微信公众号:【产品真经】,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

Балл: 57.37Уверенность: 54%

停更5年,文章还有1000+阅读?聊聊公众号的“推荐化”改造

人人都是产品经理

停更五年的公众号,一篇文章竟靠推荐获得96.2%的阅读量,私域入口几乎失效。微信正用算法推荐、内容助推和AI摘要重塑公众号生态,让流量重新回归内容质量。本文通过真实数据与功能拆解,揭示公众号运营逻辑的根本转变,以及创作者该如何适应新规则。 最近我把停更五年的公众号重新捡了起来,发了一篇文章换新赛道后的文章,本来没抱什么期待,就是正常的记录,毕竟一个五年没运营、没涨粉、没互动的号,按常理说,肯定只有“扑街”这一种情况。 结果第二天数据出来,我愣了! 这篇文章在我没发朋友圈,没任何推广动作的情况下,1 天的时间里,阅读量就拿到了 500+,然后每天还有200多的阅读量稳步增长,差不多4天就破了1000的阅读量,这比我停更前的历史平均数据还要好。 再把所有的数据看来一遍后,发现了一个很有意思的变化:公众号,也许早就不是我们印象里那个“私域阵地”了。 一、公众号,早就不是当年那个“私域”了 在运营这个行业里,这几乎已经是一个共识:公众号是私域,玩的是粉丝。 过去的公众号的运营逻辑很顺:你得先涨粉,粉丝才会收到推送;你得让粉丝转发到朋友圈和群,才有二次传播; 加上这些年,在小红书的图文模式,抖音快手的短视频内容冲击下,公众号长文的打开率一路走低,“公众号已死”的论调喊了好几年。 按理说,一个停更五年的号,基本等于判了“死刑”;但这次的数据,却把我对公众号的底层认知推翻了。 这是这篇文章的来源分布:“推荐”占了 96.2%。 后面依次是聊天会话 2.8%、搜一搜 1%、其他 1%、公众号消息 0.8%、公众号主页 0.6%、朋友圈 0.4%。 仔细想想,我们传统认知里最“私域”的那几个入口(公众号消息、公众号主页、朋友圈),加起来不到 2%。 也就是说: 这篇文章的阅读,几乎全部来自平台的“推荐”,而不是原有的粉丝。 这不是私域的逻辑,而是推荐的体系。 究竟是什么时候变成了这样?我回溯了一下微信这几年的几个关键动作; 2024年 丨订阅号信息流算法权重持续提升,订阅号消息列表不再严格按时间排序,未关注账号的算法推荐内容,直接插入订阅号流内; 2025年丨「在看」灰度升级为「推荐」按钮,用户点推荐,还同步推送至订阅号消息流的「朋友推荐」聚合入口; 2026年丨订阅号会话推送机制调整,群发消息不再直接下发微信聊天会话,倒逼用户进入订阅号主页阅读。 这些动作的本质,都是把公众号接进了推荐体系:一篇内容好不好,不再只由“你有多少粉丝”决定,而是由“平台觉得它值不值得推给别人”决定。 这对创作者意味着什么?我想到了这几点: A.冷启动的门槛变了: 以前是“没粉丝就没流量”,现在是“内容够好,平台给你找读者”; B.粉丝数的意义变了: 它从“流量的来源”,变成了“流量的起点”; C.内容质量重新变贵了: 算法面前,人人平等,老号新号都一样。 二、内容助推:好内容有了一条额外的曝光通道 除了推荐,微信还加了一个我觉得更有意思的东西:内容助推。 简单说,就是平台把“用户的正反馈”,变成了可以兑换曝光的“额度”。 内容发布后我收到几条系统通知: 一条是“被分享1000次达成”,获得 300 额度平台曝光激励;一条是“被划线 5 次达成”,获得 300 额度平台曝光激励;一条是“收到赞赏 10 次达成”,同样获得 300 额度平台曝光激励。 意思很直白:这篇内容被读者认可了,平台就给你额外的曝光额度,让更多人看到。 划线这个功能很有趣,我查了一下,是2022年12月开始灰度测试,2023年下半年开始全量放开,时间很久了,但藏的有点深,我也是在后台看到这个数据才留意到这样一个功能。 功能也很好理解,就是读者在文章里读到一段戳中自己的话,可以直接把这段划线标记(下图那段绿色高亮)。当划线次数累积到一定量,平台就会给创作者发放曝光激励。 为什么是“划线”?这个动作,也许比点赞的权重更高。 点赞是随手一点,甚至没看完就能点;但划线必须选中一段具体的文字,这意味着读者不但读到了这句,还觉得“这句话值得我记下来”。 点赞是情绪,划线是认可。 所以反过来看,这也给了创作者一个很直接的提示:写文章的时候,要有意识地去写“能被划线的句子”。 什么叫能被划线的句子?就是每一节里那句有结论感、能被单独摘出来、摘出来还成立的话,也就是我们常说的金句;一篇文章如果通篇都是过渡和铺垫,读者找不到一句想划线的,那内容的综合判定也许会低一些。 三、AI 摘要:让文章更容易被“读进去” 微信里还有一个 AI 助手,可以直接对一篇文章说一句“总结文章”,然后它就会自动把全文浓缩成几条要点,先给一句核心结论,再分点把逻辑串一遍。 这件事也很有意思,这2年我们见过、用过、做过很多智能体;但公众号的小微我竟然是第一次有意识的接触;基于小微的总结功能,阅读门槛被实打实的降低了,一篇两千多字的文章,读者可以先用 AI 摘要判断“这篇值不值得我细读”,时间和注意力都被省下来了。 再往深了思考,这个功能还藏着一个更重要的信息,摘要能力,会反过来筛选文章。 我今年在朋友圈刷到了很多企业GEO的优化方案,GEO的核心逻辑就是增加机器的的推荐率;那公众号这个功能某种程度来说,也是微信体系GEO的一个重要输入来源; AI 能顺畅地总结一篇文章,前提是这篇文章本身结构清晰、逻辑闭环、结论明确。如果一篇文章东拉西扯、前后不搭,AI 摘出来的也会是一团浆糊。 换句话说:能被 AI 干干净净总结出来的文章,才是算法眼里“清澈”的文章。 把结构写清楚、把结论写明确,不只是为了人读得舒服,也是在为“被机器推荐”做准备。 写在最后 把这两部分连起来看,我的感受是:平台正在把流量,重新还给内容。 过去我们说“公众号”,重心全在“运营”两个字上:涨粉、引流、转发、裂变,本质上都是在求人看:求粉丝点开,求朋友转发,求大号带你一程。 而现在,微信用推荐,用助推,用AI授权总结的机制,给了内容一条直通读者的路。你不需要先攒够十万粉丝,也不需要天天在群里求转发,只要内容够好,平台会替你找读者。 作者:蜗牛 公众号:蜗牛运营笔记 本文由 @蜗牛 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。

Балл: 57.37

帮大家总结了一下凌晨的OpenAI 2026开发者大会。

人人都是产品经理

OpenAI DevDay 2026 通宵看完,信息量炸裂:个人 Agent Dots、GPT-6.1 Sol、500 刀 Pro 会员、Decisions API、Codex 全面上云,还有打通订阅的 ChatGPT 生态与 Marketplace。但热闹背后,更像一场苹果式发布会——从定义时代到跟随对手,OpenAI 的转身值得细品。 刚刚,OpenAI开完了他们的DevDay 2026。 也就是他们一年一度的开发者大会。 这一次发布会发布的东西非常的多,几乎是面面俱到。 我也通宵给大家蹲完,然后整理完了。 希望对大家有用。 一、Dots:OpenAI的个人Agent 今天发布会第一个,也是OpenAI自己放在最前面的产品。 叫:Dots。 简单来说,就是一个24小时在线、知道你在干什么、还能主动替你做事的个人Agent。 直接对标的就是Grok Bot和Muse,最近Muse爆火,前段时间直接登顶APP Store,所谓的Personal Agent也是现在市场最关注的Agent类型。 如果一定要用一个大家最熟悉的产品来解释的话。 那就是部署在云端的小龙虾,一个OpenClaw。 没想到吧?半年之后,这个市场又活成了小龙虾的样子。 Muse的人其实也说,他们的产品从OpenClaw那儿获得了极大的灵感。 可能很多人不知道啊,从血统上来说,OpenAI其实一直才是OpenClaw最正统的继任者,毕竟,OpenClaw的作者Peter今年2月就已经入职OpenAI了。。。 只不过OpenAI有点慢的出奇了,在Muse和Grok Bot火了之后,才开始推出自己家的个人Agent,可自己明明有这个市场上最早也是最前沿的那个作者。 而跟OpenClaw最大的区别呢,就是如今的每一个Dot,都有自己的云电脑、浏览器和执行环境。 它可以用代码工具、操作网页,也能继承你已经在ChatGPT里连接好的插件和应用,OpenAI说,现在ChatGPT生态里已经有超过 4000个应用 可以跟Dots协作。 当然,你也可以授权Dot连接并使用你自己的设备,例如笔记本电脑,让它直接在你的工作环境中与你协作。 Dots会学习你怎么工作、什么事情值得打扰你、哪些决定你愿意让它自己做。 然后呢,你目前可以在ChatGPT里用文字和语音跟Dot沟通。 OpenAI还预告了两个入口: 短信和电话。 这两个入口在拟人化设计上,一下子就变得非常有意思了。 Dots今天已经开始向 ChatGPT Pro、Business Premium和Enterprise 用户推出。 每个用户先有一个Dot,包含在套餐里,而且 跟Dot的对话本身不吃普通ChatGPT对话额度 。 未来OpenAI支持按月支付固定费用,添加更多Dot,或提高Dot的工作速度及可承担的工作量。 同时,企业端还在预览 Specialist Dots,也就是 公司可以配置财务、营销、法务之类的组织级Agent,让它们共享公司给定的目标、上下文和反馈。 就很像豆包工作里面的伙伴的概念。。。 然后最尴尬的事来了。 dot.com,被马斯克买了。。。 现在你进入这个网址,直接看到的,是GrokBot。 直接闹麻了。。。 Dots之后,OpenAI又发了 ChatGPT Space,这两个是联动的。 它可以理解成一个从第一天就同时为人和Agent设计的工作空间。 你可以在里面写文档、做计划、研究、生成图片、分析数据、做动态图表和原型,然后页面、文件和工作内容都放在一起。 然后既可以@同事,也可以@Dot。 比如让Dot把用户反馈改成柱状图,或者每天检查某个Slack频道,把新发现自动更新到这张页面里。 发布会现场甚至直接让Dot维护一张每小时更新的动态Chart。 后面OpenAI还会把Presentation直接做进Space,并且从底层就让Slides更容易被Agent读取和修改。 过去几十年的软件我觉得一直都是Human-first。 接下来会越来越多变成: Human + Agent Native。 二、GPT-6.1 Sol 接下来就是新模型了。 今天OpenAI发布了: GPT-6.1 Sol。 以五分之一的价格实现接近Astra的水平。 看到名字我第一反应还是感觉有点抽象。 因为GPT-6 Sol才发布7天。 OpenAI在历史上从来没有模型迭代得如此之快过。 该说不说,Claude Opus 5.5给的压力实在是太大了,直接把GPT-6 Sol原地干成了小丑。 但是你的能力又上不去,你肯定达不到Opus 5.5那种审美,那咋办呢?提升能力,然后继续降价呗。。。 也就是说。 把对于Agent来说最核心的缓存价格又便宜了一半,同时能力做了一些小幅提升。 在DeepSWE v1.1上,GPT-6.1 Sol相比6 Sol直接提高了6.4个百分点。 OSWorld 2.0上,6.1 Sol相比6 Sol提高了 7个百分点 。 和Astra只差2.1个百分点,但任务成本大约只有Astra的七分之一。 就目前来说,GPT-6.1 Sol成了现在Codex里面直接替代掉GPT-6 Sol的最具有性价比的甜品的模型。 目前已经上线。 但是讲道理,跟Claude Opus 5.5相比,我觉得差距还是有点太大了。 三、500刀Pro会员 之前传得沸沸扬扬的500刀订阅正式推出了。 然后200刀的Pro也重新开放订阅了。 相对应的呢,又是一个骚操作,他们把200刀的倍数从曾经的20x砍到了10x。 甚至500刀只有25x的额度。 就是如今Codex的额度不耐用到什么程度呢?我之前为了维持我的每一周的工作和开发任务,我是需要开两个200刀的Pro会员才是可以勉强维持的。 然后前几天呢,用回了Claude(见上一篇文章),用完了claude Opus 5.5以后,我觉得这个额度的量级相比,Claude简直是眉清目秀。 我把整个AIHOT给全方位的重写以及开源了,见:开源百万月活级产品AIHOT,愿每个行业也都有自己的「AIHOT」。 里面70%的工作是由Claude处理的,30%的工作是Codex处理的。 我的Claude是一个100刀的账号,刚好用到极限。 而我的Codex呢,是200刀的账号。 直接用空了一个号,另外一个号大概有百分之十几的额度是用在这个重构任务上的。 你们就对比一下这个耐用度和这个消耗量吧,差距实在是太大了。 就这样,OpenAI还要把200刀的额度给砍一半,这还能玩吗?没得玩了呀。。。 然后还有一个是500刀会员的独占权益。 Ultra Fast。 跟Fast其实没什么太大的区别,只是更快,然后呢,烧得更多了。 Fast:大约2倍速度,2倍价格。 Ultra Fast:最高约8倍速度,约6倍价格。 我20x的额度,一周的时间完全不够用,一天一个200刀账号。 现在你告诉我变成25x的额度,给我开8倍速度、6倍价格,你是想让我两个小时烧空一个账号吗? 闹呢? 四、Decisions API 然后是一个发布会上看起来特别“小”的更新: Decisions API。 但我看到这个东西的时候,第一反应其实是: Jev:不是哥,你演我呢??? 因为两周前,9月16日,TypeSafeAI刚刚发布Jev,然后确实开启了一波浪潮,因为它确实很特别,很新。 Jev最核心的逻辑就是,我不跟你聊天我也不负责写作文,我只负责做决定。 我也写了一篇:这个只会做选择题的Jev,却是今年我觉得最特别的大模型。 它直接放弃传统LLM最擅长的字符串生成,把输入变成结构化的选择、评分、Yes/No判断,再给一个概率和置信度。 比如: 这个内容要不要通过? 这条请求应该分给哪个Agent? 下一步执行A、B还是C? 当时我们确实都觉得这个模型可玩性其实非常的高,但是最大的问题就是它的护城河实在太低了。我们在朋友聊天的时候,就会在说,这个东西大厂是不是随手做一下就撵过去了? 结果,OpenAI今天就随手掏了一下。 于是,Decisions API来了。 底层直接用GPT-6 Luna。 逻辑几乎就是,提前给模型一组候选项,让它别生成完整答案,只负责从里面做决定。 因为任务被限制成了有限选项,所以响应可以做到 亚秒级 。 而且Luna原本的图像理解、多语言和安全能力都还在。 你就会发现。 这东西对于Jev来说,真的有点难受。 Jev刚刚教育完市场:“很多自动化根本不需要LLM写答案,只需要它快速做决定。” 结果两周以后,OpenAI:“哦,那我也给Luna加一个。” 而且这甚至不是发布会主角。 就是Sam讲模型的时候,顺手带了几分钟。。。 五、Codex更新 接下来是Codex。 1. Codex全面上云 云端的Codex其实才是最开始的Codex,这是2025年5月份就推出了的。 不过那个时候你发送的,那真的是一个一次性的虚拟机,真的是跑在云端,最多缓存12个小时,基本就属于用完就销毁了。 下次你再用,还是得重新拉代码装依赖。 但是这一次的Codex Cloud,核心直接多了一层Reusable Environment。 也就是可复用开发环境。 你可以提前把一个项目需要的代码仓库、依赖、工具、环境变量全部配好,不用以后每个任务都重新从头装一遍,后面的任务都可以直接基于这套环境启动。 而且每个任务依然有自己的独立Workspace。 按最新的Cloud文档,单个已有任务自己的文件、没Commit的修改、临时安装的工具也能继续保留,任务状态最长可以恢复 7天 。 根据你的订阅会员不同,拿到的机器的配置也不太一样。 那现在在上云端托管开发,效率就会高非常多了,你的本地电脑也可以关机。 并且现在的云端Codex现在也能用Plugins和Computer Use。 2. Codex Security Cloud Codex Security也不是今天第一次发。 它今年3月就已经预览上线了,后面还开源了给其他的agents用,我们也写过一篇文章:OpenAI开源的这个安全插件,是每个Vibe Coding的人都必装的神器。。 现在甚至已经扫过 3000多万个Commit、3万多个代码库 。 然后呢,这次DevDay真正新增的功能就是自动去重、Scheduled Scan定时扫描,以及新的管理界面。 以前更像:“来,帮我审一下这个仓库。” 现在:“你一直盯着这个仓库,有新的安全问题就自己扫、自己验证、准备修复。” 从一个一次性审查变成了常驻的安全Agent。 3.其他更新 Agents API本身9月10日就已经上了,它本质上就是把Codex背后那套Harness开放给开发者。 这一次对这个API也做了一个小的更新,就是把Computer Use也装进去了。 然后给Codex CLI也开放了双向的语音对话。 六、ChatGPT生态 接下来是整个OpenAI给搭建的生态了。 这块可以拆成3部分。 1. 使用ChatGPT登录时订阅打通。 9月10日OpenAI就已经开始和Airtable、GitLab、HubSpot、Notion、Supabase、Vercel这些伙伴开始试点使用ChatGPT登录。 然后这一次呢,做了一个非常有用的更新。 Bring your ChatGPT subscription。 也就是用户以后在第三方产品里登录ChatGPT以后,可以直接使用自己ChatGPT套餐里已经包含的Token/额度。 这个对于三方开发者来说太友好了。 因为很多时候,那些API成本都是开发者自己要掏的,如果你深度绑定OpenAI的生态,底层的那些Harness还有模型用的都是OpenAI家的。 那这一次,这些API的费用不需要你掏了,直接把用户的订阅给带过去。 因为用户本来就已经给OpenAI付过钱了。 我觉得这个是一个非常棒的事。 2.插件更像APP了。 过去插件很多时候更像是一个字面意义上的插件。 就是ChatGPT需要的时候,后台调一下接口。 但是现在,OpenAI开始允许开发者把编辑器、Dashboard、表单、整个Workspace等等等等,直接嵌进ChatGPT和Codex里。 发布会现场展示了Figma和Adobe。 你可以在ChatGPT里直接打开设计、看评论、继续修改。 插件也可以在对话里被自动发现。 用户问一个问题,ChatGPT发现某个插件能帮忙,就可以直接在当前对话里推荐连接。 并且OpenAI还把插件审核流程改得更像正常开发平台。 你可以看审核进度、查看问题、申请人工Review等等,更新工具时也不需要每次从零重新提审。 OpenAI的关于App Store的野心,一直都在。 3. 企业采购市场OpenAI Marketplace 最后是Marketplace。 现在的OpenAI Marketplace还是 Beta ,首发30多个合作伙伴。 它的玩法跟App Store还是完全不一样的,它大概是企业客户可以把自己已经承诺给OpenAI的一部分采购额度,用来购买合作伙伴的软件。 比如企业本来已经跟OpenAI签了1000万的合同额。 以前这钱只能买OpenAI的东西。 但是以后呢,其中一部分可以流向Marketplace里的第三方产品。 就是OpenAI真正把自己当做一个企业分发平台,来去给其他的产品和合作伙伴去带企业客户了。 但是他们推出这个计划呢,本质上还是前一段时间,Claude先发了Marketplace的模式。 然后OpenAI完完全全地复刻跟进一下。 但是OpenAI手里还是有优势的,主要还是ChatGPT的这个日活还是太大了,就看怎么运营了,毕竟这一套其实是完全生态的东西。 最后的彩蛋 发布会的最后,奥特曼在台上说。 “你们今天不是拿到了一堆新东西吗,估计又要疯狂烧Codex额度了。所以......我们又给你们准备了一张重置卡。” 他还顺手吐槽了一句,因为OpenAI这一年送的重置卡实在太多了,Tibo甚至一直在游说: 要不咱们公司干脆改名叫“Reset Company”算了。。。 据说这哥们连周边都做了。。。 然后镜头一转,来到了台下一个熟悉的面孔, Tibo身上,就是这个男人。 他的面前放着一个所谓的实体按钮,当然这个不是他真正用的,这就是一个发布会的定制玩具版,也不是真摁了就可以重置,就是一个仪式。 反正大家也在那个情况下,也就开始热闹了。 最后全场倒数,“3、2、1” 然后Tibo让旁边的女孩一巴掌拍下去了。 于是,我们得到了一张重置卡。 写在最后 整体看完以后。 你能感觉到东西真的很多,基础设施搭得也不错。 但,从我的角度来看,我反而好像看到了苹果发布会的感觉。 OpenAI好像不是那个2023年意气风发,在拼命地引领着时代的OpenAI了。 不是说OpenAI不强了,它依然是这个行业工程、产品、分发能力最恐怖的公司之一。 但就是不一样了。 曾经,他们定义了ChatGPT这个形态,曾经,他们用GPT-4,告诉世界,原来模型可以领先到这个程度。 但是今天,他们更多的好像是跟随。 Dots是跟随,模型是跟随,Marketplace是跟随,Decisions API是跟随。 当然,它没有什么不对,它反而是最正确的决策,从商业逻辑上来说,这就是大厂在商业博弈上最优解的选择。 甚至在商业上可能比以前会更成功。 但我们如今好像大家,都在怀念乔布斯时代的苹果。 那段时间的苹果,永远会给你惊喜。 就像。 2023年的那个OpenAI一样。 作者:卡兹克、Chiyo、AIZ小朱 公众号:数字生命卡兹克 本文由 @数字生命卡兹克 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

DeepSeek Harness 桌面端发布:一手体验

人人都是产品经理

DeepSeek Harness 桌面端正式发布,把本地文件夹变成工作区,能整理资料、做 PPT、改代码,还自带插件市场与自动化任务。从插件内核到训练沙盒,它正与模型同步演进。本文带你上手体验这款开箱即用的 Agent 产品。 DeepSeek Harness 桌面端现已发布 ,Windows 和 Mac 均已支持,可在官网下载:deepseek.com/harness 新版本预置了日常办公和开发的常用功能,如:整理资料、做 ppt、改代码等。对于新增插件安装与管理也有专门页面,让用户能够灵活配置,打造独属于自己的 harness当然,DeepSeek Harness 还在起步阶段,初具鱼形,功能和体验会继续打磨 上手 我提前上手用了下这款产品,给大家带来一下更直观的预览 首先,DeepSeek Harness 会把本地的一个文件夹当作工作区,在里面读写文件、调用各种工具,完成查资料、做文档表格、写代码、排查问题这些任务 第一次打开时,引导会先问你想让它帮忙做什么:办公 or 开发(你可以同时勾选这两个 接着问你想看到多少工作过程,分聚焦结果、关键细节、完整过程三档 这个选择只改变界面上展示多少信息,不影响它的工作能力 用 DeepSeek 账号登录后, 可以直接用账号额度跑任务,不需要另外申请 API Key ,联网搜索也不用再单独配置。已有 API Key 的用户,可以在设置里接入,也能添加其他厂商的模型 DSH 的桌面端是开箱即用的, 自带 Node 和 Python 运行时 ,Python 第一次用到时自动装好,里面有 pandas、python-docx、python-pptx、openpyxl 这些处理数据和 Office 文件的库,还带了 LibreOffice,用来在应用里预览文档 做表格、写 PPT 需要的环境,直接预制了 办公与开发 你可以给它文档、表格或 PDF,让它整理资料、分析数据、生成图表、制作演示文稿,也可以让它修改项目、运行代码 比如这里我让它做了一份 5 页的 PPT,主题是「Agent Harness 是什么」。它先加载处理 PPT 的技能,用内置的 Python 写了一段生成脚本,做出文件后,再把每一页渲染成图片,检查版式有没有溢出、遮挡。第一次渲染出来是空白,它换了一种方式,先转成 PDF 再渲染, 检查通过后才交付 整个过程 3 分钟左右,用了约 66 万 token,缓存命中 96% 生成的文件和每一轮代码变更,会集中展示在对话里。你可以在侧栏预览文件内容,查看代码和修改前后的差异,接着在对话里提修改意见,也可以用本地应用打开文件继续编辑 任务运行时,输入框下方会显示当前的轮次和步数、生成速度、token 用量、缓存命中率和上下文占用。切到「轨迹」页签,能按时间线看到每一条系统提示、上下文注入、工具调用和返回结果。 这些都来自同一份只追加、不改写的会话日志 ,恢复、分叉、检索和回放一个会话,用的也是它 这次还内置了一个可以按需开启的自动化任务插件。在插件管理页打开后,侧栏会多出「自动化任务」,你可以把重复的工作设成按计划执行的定时任务,查看每次的运行记录,调整执行频率和任务指令 创建任务直接用对话就行 。我们跟它说“2 分钟后在工作区写一个提醒文件”,它调用定时工具建好了一条一次性任务,到点准时执行,写完还在同一个会话里回报结果,并确认任务列表已经清空 此外,界面的详略也可以调整,包括 Agent 工作步骤怎样展示,以及各种功能和信息在界面上显示多少,按自己的工作习惯来选 一切皆插件 DeepSeek Harness 的底层是一个叫 Cordis 的插件内核, 内核只负责插件的加载、卸载和依赖关系 。模型、工具、技能、会话、沙箱、存储、循环、调度,直到界面本身,都由插件提供,在配置里就能选择、替换或扩展,不用改源码 桌面端延续了这个设计,并新增插件管理页面。 安装插件不再需要命令行 ,在页面里输入插件的包名(也就是 npm 包名)就能装上,同一页还可以停用、卸载,查看插件的介绍和来源。习惯用命令行的话,桌面端也自带了 dsh 命令,在菜单栏里装好后就能用它管理插件,不需要另装 Node 或 pnpm 我们装了一个社区插件「小鲸鱼」。输入包名、安装、启用,窗口右下角立刻多了一只鲸鱼:任务运行时它抱着电脑干活,需要你确认时它会提醒,任务完成后会庆祝一下 同样的设计也体现在模式上。输入框下方可以切换四种模式:标准模式提供完整的工具组合;PTC 模式让模型写一段 TypeScript 程序,把多步工具调用组合起来;极简模式只保留一个 shell 和一个文件编辑工具;创造模式可以检查当前运行时,试验插件,组合出新的模式 在实验性的创造模式里,你可以用对话描述需求,让 DeepSeek Harness 编写和修改插件。 做好的插件即时生效、持久保存 ,也会出现在插件管理页面里,方便以后使用和管理 官方插件列表里,还有几个标着“实验性”、默认关闭的插件,除了自动化任务,还有智能体团队、自动授权审查和语音输入 智能体团队会让主 Agent 建一份共享任务清单,再派出几个队友并行工作。我们让它调研三款 AI 编程工具并写一份对比表:它派出 3 个调研员同时查资料,等结果的时候自己去核对各家的定价数字,最后汇总成文,各家没有公布的数字都标成了“未确认”。这个任务用了约 5 分钟、160 万 token 自动授权审查是一种新的权限方式: 每一次工具调用前,先由和当前 Agent 相同的模型审查 ,审查拒绝的调用再交给你决定。它不使用沙箱,开启前需要确认风险提示。测试时我们让它删除工作区之外的一个文件,它在执行前先停下来,给出跳过、确认删除、先备份再删三个选项,由我们来选 接下来 在使用 DeepSeek 官方 API 的用户里,以日均活跃用户、日均会话数等口径计算, DeepSeek Harness 已经是最受欢迎的 Coding Agent 产品 接下来,团队计划改进这些方向: 沙箱功能与安全性 智能体团队的效果与易用性 个性化的长期记忆 浏览器和其他 GUI 软件的自动化操作 远程与移动端使用 会话分享与多人协作 新功能会先以实验性插件的形式按需开启,打磨验证后再默认开启 DeepSeek Harness 也会和 DeepSeek 模型一起演进:新模型出来后针对性优化适配,模型训练时优化它在 DeepSeek Harness 里的实际表现,模型研究也会为新的产品功能提供支持 第三方插件方面,按模型 API 用户口径统计,约 60% 的 DeepSeek Harness 用户用过第三方插件。团队会改善插件的发现、获取和管理, 建设官方插件市场 ,同时让插件 API 更清晰、更稳定,尽量避免破坏性更新,降低插件开发者跨版本适配的成本 训练里的 Harness DeepSeek Harness 和模型一起演进,有一部分发生在训练阶段。DeepSeek 同时公开了训练用的沙盒基础设施,DeepSeek 弹性计算(DeepSeek Elastic Compute,DSec)。 DeepSeek-V4 全部的训练、评测和数据预处理都跑在 DSec 的沙盒里,DeepSeek Harness 就是装进沙盒的工具包之一 Agent 模型要在真实环境里反复试错:读代码、改文件、装依赖、跑测试、起服务。DSec 把这样的环境拆成三层:基础镜像放操作系统和基础软件,工作区放任务要用的代码仓库和依赖,工具包放 DeepSeek Harness 这样的组件。三层各自管理版本,创建沙盒时再组合起来 这样拆开,工具包更新时最省事。以 2026 年某一周为例,容器后端用了 11,266 个基础镜像、102,171 个工作区。如果工具包打包在每个镜像里,它一更新,所有镜像都要重建;拆成三层之后, DeepSeek Harness 更新一次,只需要重建工具包这一层 ,再和已有的基础镜像、工作区组合 从 DeepSeek-V4.1 开始,Agent 的执行逻辑也搬进了 DSec:Agent 沙盒运行 Agent 框架和工具包,工作容器负责管理沙盒、推进交互,两者都在可被抢占的 GPU 资源池之外。此前,Agent 的执行循环和 GPU 训练任务跑在同一个 Pod 里,训练被抢占,执行循环也跟着停下,恢复时要重放命令日志。现在训练被打断后,Agent 可以从中断的地方继续执行 DSec 的技术报告《DeepSeek Elastic Compute (DSec): A Sandbox Infrastructure for Effective Agentic Training at Scale》已经公开在 arXiv 最后 这里还有个小福利,你现在用 DeepSeek 账号登录桌面端,可以限时领到 6 元体验赠金 ,无需充值赠金限量发放,送完即止,到账后 7 天内有效 本文由人人都是产品经理作者【赛博禅心】,微信公众号:【赛博禅心】,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

工业级Agent意图识别分层漏斗

掘金

Agent意图识别是路由总闸门,全量大模型有延迟、成本、稳定性硬伤。分层漏斗按复杂度分配算力,规则层拦60%高频,上下文层处理35%指代,大模型兜底5%长尾,使不可能三角成立。

Балл: 57.18Уверенность: 54%

自动更新工程:electron-updater、差分更新、灰度发布与失败回滚

掘金

自动更新工程:electron-updater、差分更新、灰度发布与失败回滚 一、更新模型:全量包 vs 应用内热更新 Electron 应用有两种更新粒度: 安装包级更新(Squirrel/elec

Балл: 57.18Уверенность: 54%