Discover more.
Spend less.

GitHub 日榜趋势速报 | 2026-10-09

掘金

GitHub 日榜 2026-10-09:math、huashu-art-motion、pt-pc 等 20 个开源项目 24 小时 Star 增速领先,每日更新的开源趋势速报。

Score: 57.37Confidence: 54%

美国运通因反洗钱系统缺陷被罚 3.5 亿美元

Readhub

美国联邦监管机构因美国运通未能识别并报告其系统中的洗钱活动,对其处以 3.5 亿美元罚款。美国货币监理署指出美国运通旗下银行合规项目存在缺陷,可疑活动监控和报告流程出现系统性失灵,未能及时识别、评估并充分报告过去十年间约 130 亿美元的疑似基于贸易的洗钱活动,美联储也对该公司采取执法行动。美国运通表示这笔罚款不会影响公司此前发布的 2026 年全年指引,相关命令未对公司设定资产上限,整改相关成本预计也不会影响 2027 年指引。

Score: 57.37Confidence: 54%

PHP Monolog 日志实战详解:级别、Handler、Processor 与 Symfony 配置

掘金

PHP Monolog 日志实战详解:级别、Handler、Processor 与 Symfony 配置 程序运行出错时,日志往往是还原现场最直接的线索。只用 echo 或 var_dump() 排查

Score: 57.37Confidence: 54%

美政府暂停微软等多家科企外籍员工绿卡申请

Readhub

美国联邦政府宣布暂停微软、奥多比、高知特、印孚瑟斯等多家科技企业参与永久劳工认证计划,该计划是持 H-1B 签证的外籍员工通过雇主申请美国职业移民绿卡的第一步,相关措施将持续到必要期限,期间不再接受或处理这些公司新的或待处理的相关申请。美方称相关企业存在欺诈行为,要求企业雇用优秀美国工人,不得解雇美国工人后用条件不稳定的外国工人取而代之。同时哈佛大学、斯坦福大学等 9 所美国大学正因涉嫌 J-1 签证欺诈面临调查。

Score: 57.37Confidence: 54%

原材料价格持续走高,9 月以来超 60 家轮胎企业发涨价函

Readhub

今年以来橡胶价格持续走高,截至 10 月 8 日,上期所橡胶主力合约年内累计涨幅超 28%,处于 9 年以来高位。作为天然橡胶最大下游的轮胎行业受原料涨价影响明显,9 月以来已有 60 余家轮胎企业集中发布 70 多份涨价函,覆盖全品类,调价幅度普遍在 2% 到 5%。轮胎原材料占生产成本七成以上,近期炭黑涨幅超 75%,天然橡胶、合成橡胶等原料也有不同幅度上涨。为应对原料成本变化,轮胎企业采取按订单排产、通过期货套保锁定成本、加大研发投入推出适配新能源汽车的轮胎、聚焦高端配套市场等多元化策略对冲成本波动的不确定性。

Score: 57.36Confidence: 54%

保时捷发布 2035 战略 转向高价值产品提升盈利能力

Readhub

保时捷调整面向 2035 年的中长期战略,将销量从核心 KPI 中剥离,主动将盈亏平衡点压至 20 万辆以内,从过往电动化优先、适度追求销量增长转向主动收缩规模,以高价值产品和精简组织修复盈利能力。此次战略调整覆盖产品结构、动力路线、组织架构和资产组合,包括向高利润车型倾斜、削减车型衍生版本、扩张专属定制业务,不再将纯电作为唯一主线,延长燃油和插混车型生命周期,同时推进深度资产和业务瘦身、多环节降本、大规模裁员,以达成设定的盈利目标。但该调整仍面临人才流失、高端市场号召力待验证、排放合规压力、品牌认知固化、规模与稀缺性难以平衡等多重现实挑战。

Score: 57.36Confidence: 54%

OpenAI 发布大量 AI 生成数学成果,含准黎曼猜想相关突破

Readhub

10 月 7 日 OpenAI 毫无预兆在 GitHub 发布名为 openai/math 的新仓库,放出内部未公开模型产出的 722 份数学手稿、372 组成果,覆盖数论、代数几何等诸多方向,若由人工完成仅上传论文就需 30 年。该模型以约 4000 个数学界未解决的开放问题为基础筛选出这些成果,单组成果平均仅需 3 小时 ChatGPT Pro 级别的算力,其中包含准黎曼猜想推进到 7/8、复数域矩阵乘法指数压至 2.25、解决挂谷猜想四维版本等重磅突破,单拎任意一项在过去都足以引发行业关注。文章科普了数学证明的独特属性、Lean 形式化验证工具的作用,梳理了从早期机器证明到近年 AI 逐步涉足前沿数学研究的发展脉络,也提及此前数学界 25 位菲尔兹奖得主联名指出 AI 公司将解题作为模型宣传标尺的做法与数学追求人类洞见的本质错位,呼吁留出学术消化时间,OpenAI 未回应相关诉求便直接发布这批成果的相关交锋。文章类比 AlphaGo 击败人类棋手后相关认知逐渐成为常识的过往,指出后续各学科将按「评判器」获取成本的高低依次迎来发展提速,数学和代码会最先爆发,后续是可模拟的领域,最后才是依赖实体实验的硬科学与人相关的医学等领域,未来人类将成为科研链条中最慢的一环。最后结合希尔伯特 23 个问题、哥德尔不完备定理等数学史内容,提出 AI 时代人类仍保有提问、理解、赋予意义这三项核心价值。

Score: 57.36Confidence: 54%

中国券业迎国际信用「重估潮」,多家头部券商年内同步「升 A」

Readhub

中国证券行业正迎来国际信用重估潮,今年以来穆迪、标普、惠誉三大国际评级机构同步密集上调中资券商主体信用评级或行业评级基准,中信证券、国泰海通、中金公司等头部券商跻身 A 类评级区间,释放出中国证券行业稳健发展、头部机构综合竞争力持续提升的积极信号。

Score: 57.35Confidence: 54%

股票分钟 K 线为什么需要关注交易时段?——忽略这一点,回测可能从数据层就偏了

掘金

摘要 分钟级量化策略最常见的错误之一,并不是价格字段明显错误,而是时间序列的边界没有定义清楚。例如午间休市是否算进指标窗口、收盘集合竞价数据是否参与信号、最后一根 K 线什么时候才算完成,这些问题都会

Score: 57.34Confidence: 54%

关了电脑还在替你干活:Personal Agent的技术内核与医疗落地

人人都是产品经理

当急诊医生关掉电脑,AI仍在替他写病历、排随访——这不是科幻,而是Personal Agent(个人智能体)的日常。它和聊天机器人最本质的区别是:你合上电脑,它还在干活。本文以医疗场景为试金石,拆解分层记忆、MCP协议、权限分级三大技术支柱,并对比OpenAI Dots、Gemini Spark等四款产品,揭示这场AI产品革命的真正内核。 急诊医生Haroun Zayed走出渥太华医院急诊室的时候,已经是夜里十点。八个小时的班次里他接诊了27个患者,缝合了三个伤口,处理了一例急性心梗。换作以前,他至少还要留一个小时写病历、核对检查单、给随访患者回邮件。但这天他直接换衣服走了——车里的孩子还在等他接回家。 他的手机没有弹工作消息,电脑也已经关机。但医院系统里,DAX Copilot还在工作:它把诊室里的对话转成结构化病历,对照检查结果补充病程记录,按照医保编码规则整理好收费项目,甚至把第二天需要随访的三个患者,按轻重缓急排进了他的日程草稿。第二天早上他打开系统,只需要通读一遍、签上名字,就可以直接去查房。 这不是科幻场景,是2025年以来北美数百家医院的日常。很多人以为这只是“更会聊天的ChatGPT”,但其实我们正在见证一个品类的诞生:Personal Agent——个人智能体。它和聊天机器人最本质的区别是:你关掉对话框、合上电脑,它还在替你干活。 而医疗,是这个新品类最好的试金石。没有哪个领域比医疗对权责边界更敏感、对数据隐私要求更高、对错误的容忍度更低。看懂了医疗场景里的Personal Agent,你才能看懂这场AI产品革命的真正内核,以及它终将走向何方。 一、不是聊天换皮:Personal Agent的三根技术支柱 很多人对Personal Agent的认知还停留在“能帮你发邮件、订机票的AI”,觉得无非是给大模型多加几个插件。这是典型的误解。插件是“你点一下,它动一下”,而Personal Agent是“你交代一句,它全程负责”。支撑这个差别的,是三套完整的技术体系,缺一不可。 1. 分层记忆系统:它不只是“记得”,而是“懂怎么记” 普通大模型的记忆是上下文窗口,对话一关就清零。就算有历史记录,也只是把过往对话重新塞进上下文,本质上还是“复读”。而Personal Agent的记忆是分层的,像人脑一样有工作记忆、短期记忆、长期记忆和技能记忆。 目前行业主流的三层架构已经非常清晰:第一层是 工作记忆 ,只存当前任务的上下文,存在内存里,响应速度最快,任务结束就清空;第二层是 长期记忆 ,存在向量数据库或者关系型数据库里,记录你的所有偏好、历史、关键事实,比如你对青霉素过敏、你写病历喜欢先写主诉再写现病史、你每周三下午要出门诊,需要的时候通过语义检索调用;第三层是 技能记忆 ,它不记事实,记的是“做事的方法”,比如规范的病历怎么写、医保报销的流程是什么、给患者回邮件的语气要怎么把握。 放到医疗场景里,这个差异就是生死之别。一个普通的聊天机器人,你每次都要重新告诉它“患者有高血压、糖尿病、青霉素过敏”;而一个合格的临床Agent,会自动从历史病历里提取这些信息,写处方的时候自动做冲突检查,甚至会提醒你“这个患者上个月刚做过CT,这次优先建议核磁”。 更重要的是,记忆不是越多越好,而是“该记的记牢,不该记的绝不碰”。医疗数据是最高级别的敏感信息,合格的Agent必须做到记忆隔离:不同患者的数据绝对不能串,不同场景的记忆绝对不能混,用户删除的数据必须彻底清除,不能留任何备份用于模型训练。这也是为什么很多通用Agent看起来功能很强,一进医院就碰壁——它们的记忆系统从设计之初,就没考虑过这么高的安全边界。 2. MCP协议:不是插件堆得多,而是工具接得通 很多人以为Agent的能力取决于接了多少个插件,其实恰恰相反。插件越多,模型越容易混乱,成本越高,出错概率也越大。Personal Agent真正的核心基础设施,是MCP(Model Context Protocol)——模型上下文协议。 你可以把MCP理解成Agent世界的“USB接口”。以前每个应用都要单独写对接插件,每个Agent都要重新适配一遍;现在只要应用支持MCP协议,任何兼容的Agent都能直接调用,不用重复开发。它定义了标准的工具调用方式、数据传输格式和权限控制,让Agent可以安全地对接外部系统,而不是直接裸奔。 在医疗场景里,这一点尤其关键。医院里有HIS系统、LIS检验系统、PACS影像系统、电子病历系统,每个系统都是独立的,数据格式都不一样。以前做AI集成,要一家一家做接口,耗时几个月甚至几年。有了MCP协议之后,Agent可以通过标准接口安全地调取各个系统的数据,不用把数据倒来倒去,也不用在每个系统里都部署一遍模型。 当然,MCP不是万能的。工具越多,模型的选择负担就越重。一个合格的Personal Agent,不会把所有工具都摆在模型面前,而是会根据场景动态加载需要的工具。比如写病历的时候,只加载病历模板、检验系统、医保编码工具;做随访的时候,只加载邮件、日历、患者档案。这不是技术问题,是产品设计问题——好的Agent懂得克制,而不是炫耀能力。 3. 权限分级体系:核心不是“能做什么”,而是“不能做什么” 这是Personal Agent和聊天机器人最本质的区别,也是医疗场景里的生命线。聊天机器人只有“能回答”和“不能回答”的区别,而Personal Agent有清晰的权限分级:哪些事可以自己做,哪些事必须问你,哪些事绝对不能碰。 OpenAI Dots的设计很有代表性:它把权限分成三档—— 只读操作 (比如看邮件、查日程、读文档)默认允许; 低风险操作 (比如整理文件、写草稿、排日程)可以设置自动执行; 高风险操作 (比如发邮件、删文件、付款)必须每次人工确认。除此之外还有一套独立的Auto-review系统,在动作执行前再做一遍检查,哪怕用户已经授权,只要不符合安全规则就会拦截。 放到医疗场景里,这个分级还要再严格十倍。一个临床Agent的权限边界必须像手术刀一样精准:它可以听医患对话、可以整理病历草稿、可以查询检验结果、可以提醒医生漏项,但绝对不能自己开处方、绝对不能给出诊断结论、绝对不能修改已经确认的病历。哪怕它的准确率比医生还高,也不行。 因为医疗的核心规则是:谁签字,谁负责。AI可以替医生干活,但不能替医生担责。这条线划不清,再好的技术也落不了地。 二、四款产品拆解:比的不是参数,是边界 现在市面上的Personal Agent很多,但真正能拿到医疗场景里比的,其实就四类。它们走了完全不同的路线,也对应了完全不同的落地可能性。比的从来不是模型参数有多高、功能列表有多长,而是“能动手到哪一步,谁来拍板”。 1. OpenAI Dots:云端常驻的“全能实习生” OpenAI在2026年9月发布的Dots,是目前通用Personal Agent里标杆级的产品。它最核心的设计是每个Dot都有一个独立的云端沙盒,相当于给AI配了一台专属的云电脑。你关掉自己的电脑,它还在那台云电脑里继续干活,浏览网页、整理文件、调用工具,24小时不关机。 它可以连接超过4000个应用,支持自定义规则,你可以详细规定什么事它可以自己决定,什么事必须汇报。比如你可以设定“低于100美元的订阅自动续费,超过的问我”,也可以设定“所有工作邮件先写草稿,我确认了再发”。再加上Auto-review的二次校验,整套权限体系非常完整。 但放到医疗场景里,它的短板立刻就显现了。首先是 合规问题 :Dots运行在OpenAI的公有云上,默认不支持HIPAA合规,不能处理受保护的健康信息(PHI)。医生可以用它查文献、写综述、整理学术邮件,但绝对不能把患者的病历导进去。其次是 数据主权问题 :你的数据存在OpenAI的服务器上,虽然官方说不会用来训练模型,但医疗机构根本不敢冒这个险。 所以Dots更像一个“全能实习生”,帮你处理各种杂事、做研究、安排行程都很好用,但涉及核心敏感数据的临床场景,它暂时还进不去。 2. Gemini Spark:谷歌生态的“生活调度员” Google的Gemini Spark走的是另一条路:深度绑定谷歌生态。它运行在谷歌云的Antigravity Agent平台上,和Gmail、日历、云端硬盘、文档原生打通,24小时后台运行。它最擅长的是处理谷歌生态里的日常事务:整理收件箱、排日程、管理待办、同步各个应用的数据。 它的特点是“自定义技能”:它会学习你的工作习惯,比如你写邮件的风格、你整理文件的方式、你每周的例会时间,然后自动套用。用得越久,它就越懂你。2026年7月它更新了Mac桌面端之后,也能操作本地文件了,能力边界进一步拓宽。 但在医疗场景里,它和Dots面临同样的问题:公有云部署,HIPAA合规支持有限,不能碰临床数据。医生个人用它管理日程、处理行政事务、整理学术资料非常合适,但想直接对接医院系统、处理患者数据,基本不可能。它更像一个“生活调度员”,把你的数字生活打理得井井有条,但专业领域的深水区,它还下不去。 3. Claude Cowork:本地隔离的“文档处理专家” Anthropic的Claude Cowork走的是完全相反的路线:它不跑在云端,而是跑在你电脑本地的虚拟机里。你可以精确控制它能访问哪个文件夹、哪个应用,数据完全不离开你的设备。它的长文档处理能力是公认的第一,整理几百页的病历、综述几十篇论文,都非常顺手。 它的权限设计非常保守:默认什么权限都没有,每访问一个应用、每做一个操作都要问你。你可以开Auto模式,让它自己判断安全的操作自动放行,危险的再拦截。官方也明确说了:不支持HIPAA、FedRAMP等监管场景,不要用来处理敏感医疗数据。 所以它在医疗场景的定位很清晰: 本地文档处理工具 。医生可以把本地的病历资料、文献论文交给它整理、总结、撰写草稿,数据全程不离开自己的电脑,隐私性非常好。但它不能联网对接医院系统,不能跨应用执行复杂工作流,更像一个能力很强的“文档处理专家”,而不是全能的事务总管。 4. Nuance DAX Copilot:垂直领域的“专业医疗助理” 和前面三个通用Agent不一样,Nuance的DAX Copilot是专门为医疗场景做的Personal Agent,也是目前落地最成功的临床智能体。它不做别的,就做一件事:帮医生写病历。 它的工作方式很简单:诊室里放一个麦克风,医生和患者对话的时候它就在旁边听。看完病,它自动把对话整理成符合规范的电子病历,包括主诉、现病史、既往史、诊断、处方建议,直接写进医院的EHR系统里。医生只需要检查一遍,签字确认就行。 根据微软2024年的调研数据,它平均每次接诊帮医生节省5分钟文书时间,70%的医生说工作生活平衡变好了,93%的患者觉得医生更专注、更有人情味了。渥太华医院的急诊部用了之后,患者满意度直接提升了2个百分点。 它为什么能成?核心不是模型更聪明,而是它把边界划得无比清晰: 它只听对话、写草稿,绝对不做诊断; 所有数据都在医院内网,符合HIPAA要求,全程留痕可审计; 最终决策权100%在医生手里,AI永远只是辅助。 它没有几千个插件,没有花里胡哨的功能,就把一件事做透、做安全、做合规。而这,恰恰是通用Agent最难做到的事。 国内也在快速跟进。华西医院2025年上线的医疗文书智能体,到年底已经生成了近60万份病历,覆盖门诊、住院、出院等7类文书,还能自动做病历质控。清华大学的Agent Hospital系统在北京清华长庚医院18个科室测试,医生诊疗效率提升了30%,诊疗建议采纳率达到95%。但和DAX一样,它们的核心都不是“替代医生”,而是“把医生从文牍里解放出来”。 三、医疗为什么是Personal Agent的试金石? 很多人觉得,医疗只是Personal Agent的一个应用场景而已。但实际上,医疗是整个行业的试金石。能在医疗场景落地的Agent技术,放到任何行业都够用;但在通用场景里很好用的Agent,放到医疗里大概率不合格。 因为医疗把三个核心矛盾推到了极致。 1. 容错成本:错答案升级成错动作 聊天机器人答错一个问题,你笑一笑就过去了,最多再问一次。但Personal Agent是要动手做事的。在医疗场景里,写错一个过敏史、开错一个药、漏看一个检查结果,后果可能是患者的生命。 这就是Personal Agent和聊天机器人最大的风险差异:以前AI的错误是“信息错误”,现在AI的错误是“动作错误”。信息错误可以纠正,动作错误造成的后果,很多时候不可逆。 美国的HIPAA法案规定,泄露500人以上的健康信息,必须在60天内上报联邦政府,还可能面临巨额罚款。而如果医生用未经合规审核的AI工具处理患者数据,哪怕只是为了写病历,也属于违规。这不是技术问题,是法律问题。 国内也是一样。《个人信息保护法》把医疗健康信息列为敏感个人信息,处理必须有明确的目的和充分的必要性,还要取得个人的单独同意。很多通用Agent默认收集用户数据用来优化模型,这在医疗场景里是绝对的红线。 所以做医疗Agent,首先想的不是“能做多好”,而是“出了事怎么办”。容错成本越高,对风控体系的要求就越苛刻。而风控,恰恰是很多通用Agent最薄弱的地方。 2. 数据敏感:信任比智能重要一万倍 每个人的医疗数据,都是最核心的隐私。你可以接受AI看你的邮件、看你的日程、看你的购物记录,但你未必愿意AI知道你得过什么病、吃过什么药、做过什么手术。 这就是Personal Agent的核心悖论:它越了解你,就越好用;但它越了解你,风险就越大。你愿意把多少隐私交给它,决定了它能发挥多大价值。 医疗场景把这个悖论推到了极致。患者的病历里有姓名、身份证号、家庭住址、病史、家族遗传史,全都是最高级别的敏感信息。所以医疗Agent的设计原则,从一开始就和通用Agent反过来: 通用Agent想的是“怎么拿到更多数据”,医疗Agent想的是“怎么尽量少碰数据”; 通用Agent想的是“怎么更聪明”,医疗Agent想的是“怎么更可信”; 通用Agent追求“用户体验顺滑”,医疗Agent追求“边界绝对清晰”。 很多人以为,AI产品的竞争力是模型能力。但在医疗这个场景里,信任才是唯一的护城河。一个能力弱一点但绝对安全的Agent,远比一个能力很强但可能泄露数据的Agent受欢迎得多。 3. 权责边界:谁拍板,谁负责 医疗行业有一条铁则:谁签字,谁负责。这条规则看起来简单,却是Personal Agent发展的核心命题。 Personal Agent的本质,是把一部分决策权让渡给AI。但哪些可以让渡,哪些绝对不行?在普通场景里,这个边界很模糊:AI帮你订机票,订错了大不了改签;AI帮你发邮件,发错了道歉就行。但在医疗场景里,这条线必须画得清清楚楚。 现在临床落地的所有AI Agent,无一例外都坚守一个原则:AI只做建议,不做决策;AI只写草稿,不签字。所有最终的诊疗行为,必须由医生来确认、来负责。 这不是技术落后,这是行业底线。很多技术爱好者总觉得“AI准确率比人高,为什么不能让AI直接诊断”,但他们忽略了:医疗从来不是纯技术问题,它涉及责任、伦理、法律、人性。就算AI诊断准确率99%,那1%的错误,谁来承担后果?是AI公司,是医院,还是医生? 这个问题没有答案之前,所有越界的尝试,最终都会撞墙。而Personal Agent整个行业,其实都在医疗这个极端场景里,寻找那个最合理的权责边界。找到了,就能通吃所有行业;找不到,就永远只是玩具。 四、行业终局:从“回答问题”到“接管事务” 聊完技术和案例,我们回到更本质的问题:Personal Agent这个品类,到底会往哪里走?整个AI行业,正在经历一场怎样的形态变革? 1. 第一个误区:模型越聪明,Agent就越好 很多人觉得,Agent不好用是因为模型还不够聪明,等模型达到AGI了,一切问题就都解决了。这是最大的误区。 你可以想一下:你雇一个助理,最重要的是他最聪明吗?不是。最重要的是靠谱、懂分寸、知道什么事该自己做、什么事该请示、什么事绝对不能碰。聪明但不靠谱的助理,你敢用吗? Personal Agent也是一样。模型能力是基础,但过了及格线之后,决定体验的就不再是智商了,而是记忆准不准、工具稳不稳、权限清不清、风控严不严。一个60分的模型配上90分的权限体系,远比90分的模型配上60分的权限体系好用。 尤其是在专业场景里。医生不需要一个能和他聊哲学的AI,他需要一个写病历格式永远正确、永远不泄露患者隐私、永远不替他做诊断的AI。笨一点没关系,慢慢改进;但只要出一次安全事故,信任就彻底归零了。 整个行业正在从“比谁更聪明”,转向“比谁更靠谱”。这是一个非常重要的信号,意味着Personal Agent已经从技术演示阶段,进入了真实落地阶段。 2. 四个发展阶段:从对话到共生 Personal Agent不是突然冒出来的,它是个人助理演进的必然结果。到今天为止,我们其实已经走过了两个阶段,正在进入第三个阶段。 第一个阶段是 对话式助手 ,代表是早期的Siri、小爱同学,还有初代ChatGPT。它的模式是“你问,我答”,被动响应,只输出信息,不执行操作。这个阶段的核心是“回答问题”,价值是获取信息的效率。 第二个阶段是 单点执行Agent ,代表是各种AI插件、AI工具。它的模式是“你给指令,我完成”,可以执行单个具体任务,比如订个票、写篇文档、做个表格。但它没有记忆,不会主动规划,做完就结束。这个阶段的核心是“执行任务”,价值是单点效率的提升。 第三个阶段就是我们现在的 后台常驻Personal Agent 。它有长期记忆,有自主规划能力,24小时后台运行,你交代一个目标,它自己拆分步骤、调用工具、遇到问题自己解决,搞不定了再找你。它不再是一个工具,而是你的“事务代管”。这个阶段的核心是“管理事务”,价值是把你的注意力从琐碎事务里解放出来。 而第四个阶段,也就是终局,会是 多Agent协作的数字共生 。你不会只有一个Agent,而是有一个“总管Agent”,下面管着一堆专业Agent:有管日程的、有管财务的、有管医疗的、有管工作的。总管Agent懂你的偏好,负责分配任务、协调进度、把控边界;专业Agent各司其职,把具体事做好。它们之间自己沟通,不用你事事操心。 到那个时候,AI就不再是一个你需要打开的APP了。它像空气一样,在你的数字生活里无处不在,默默帮你处理好所有琐碎的事。你不需要知道它做了什么,你只需要知道:一切都安排好了。 3. 再一步思考:我们让渡的不是权力,是注意力 很多人讨论Personal Agent的时候,总喜欢聊“AI会不会替代人”“会不会失控”,其实都聊偏了。 Personal Agent的本质,从来不是替代人做决策,而是替人处理不需要决策的琐事。我们让渡给AI的,从来不是决策权,而是注意力。 医生每天花一半的时间写病历、填表格、走流程,这些事情需要决策吗?不需要。但它们消耗了医生大量的注意力,导致医生真正留给患者的时间少得可怜。Personal Agent做的,就是把这些注意力还给医生,让医生可以把精力放在真正需要他的地方:和患者沟通、思考病情、做出判断。 我们每个人都是这样。每天被邮件、消息、日程、各种琐碎的事务淹没,真正用来思考、用来创造、用来和身边人相处的时间,少之又少。Personal Agent的终极意义,就是帮我们把这些注意力抢回来。 它不是让机器变得更像人,而是让人能更像人一样活着。 五、结尾 文章开头的那位急诊医生Haroun Zayed说过一句话:“我现在已经无法想象没有它的班次了。不是因为我离不开AI,而是因为我离不开它帮我省下来的时间——那些可以看着患者眼睛说话的时间。” 这大概就是Personal Agent最好的注脚。 很多年以后回头看,我们会发现,2026年不是AI变得更聪明的一年,而是AI开始真正走进我们生活的一年。它不再是对话框里那个只会聊天的程序,而是变成了后台那个默默干活的身影。你看不见它,但它一直在。 这场革命的终点,不会是一个无所不能的超级AI。它会是一个边界清晰、分寸得当、让人放心的数字事务总管。它不会替你活,但它会替你处理所有那些不值得你花时间的事。 而你,只需要把注意力留给真正重要的人和事。 这,才是Personal Agent真正的价值所在。 本文由 @壮年女子AIGC版 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

走心,你能做的最好的差异化战略

人人都是产品经理

当产品同质化成为常态,功能差异的保质期越来越短,如何破局?本文从波特竞争战略切入,提出'走心'是差异化的核心,并给出'走心力=看见×承担×表达×坚持'的公式,结合三只松鼠、亚朵、老乡鸡等案例,拆解四个落地切口,助你构建情感连接与品牌壁垒。 “同质化”这三个字,是近两年我们听到最多的抱怨。 产品越来越难做,技术陷入瓶颈,大家合作的都是同一批方案商,参数互相抄录,连详情页的文案都大同小异。于是所有人都在追问同一个问题:我要怎么做才能和别人不一样? 回答这个问题之前,我们先来聊聊迈克尔·波特提出的三条通用竞争战略:总成本领先、差异化、聚焦细分。 我们一条一条来看: 总成本领先是头部企业的游戏。得你有规模、有供应链话语权、有资本可以烧,才谈得上“把成本压到行业最低”。对绝大多数企业来说,这条路不是不想走,是根本走不动。 聚焦细分与差异化则是中小企业的主战场:聚焦细分需要做全面的市场调研,寻找精准的用户画像,时间周期长,对团队和资源要求较高,短期难见效; 而差异化能够帮助企业跳出参数竞争的内卷,在情感共鸣与场景体验层面构建独特价值,进而在用户心中建立难以替代的品牌与产品认知,让用户切实感受到被理解、被尊重,还能给用户带来惊喜与感动,最终形成情感层面的连接与认同。 今天我们重点聊聊如何通过“走心”实现差异化,把温度注入产品与服务的每个细节,让用户感受到被看见、被在乎。 一、“找一个不一样的功能”这条路,已燃尽 在这之前,我们先来说说,为什么“找一个不一样的功能”这条路,如今已经很难走通了。 第一,功能差异的保质期越来越短。 你花18个月打磨出来的新功能,同行只用6个月就能复刻。你不是在构建自己的竞争壁垒,反而是在替整个行业做需求验证。 第二,用户对“参数差异”已经产生免疫。 电机转速从10万转提到15万转,镜头像素从5000万提到1亿像素,用户几乎感知不到差异。堆参数大多是厂商自我感动,还把自己逼入了绝境,可你说不清楚这些参数升级能给用户带来什么实际价值,用户自然也理解不到。 第三,你以为的“不一样”,只是你自己理解的“不一样”,并非用户真正在意的“独特价值”。 你在产品详情页和各大媒体宣传的N个“行业首创”,用户看完根本不知道这些卖点和自己有什么关系,也不知道该怎么选。真正的差异化,从来都不在产品详情页里,而是藏在用户的体验感受中。所谓感受,就是你到底有多重视用户,愿意去关注他体验过程中的每一处细节感受。 我对差异化有个更直白的理解落脚点: 差异化,不是“我有你没有”,而是“我在乎那些你不在乎的”。 换句话说,就是比起其他品牌,在用户接触品牌和产品的每一处细节上,都做得更走心。 如何理解走心的定义 “走心”单从字面意义来说,很难界定,那如何理解“走心”?怎么才算是走心?我们暂且给它下一个我理解中的定义。 走心 = 把行业默认忽略的事,当成自己的责任,并为这件事付出可计量的成本。 我们来看上面三个关键词: 1 行业默认忽略 ——说明它不是行业标配,只有把这件事做好,才能做出差异化。 2 当成自己的责任 ——不是“顺手帮个忙”,而是要写进工作流程、写进SOP、纳入考核体系。 3 可计量的成本 ——这是判断走心真伪的唯一标准。你说“为用户着想”,那请问:你为这份着想多花了多少钱、多耗了多少工时、多承担了多少风险?如果答案是零,那它就不是走心,只是空喊口号。就好比你追求女朋友,每天只嘴上嘘寒问暖,天冷了连一副手套都不舍得给她买,这不叫爱她、用心对她,只是耍嘴皮子。 所以一句话记住 :没有付出行动和成本的走心,都是空喊口号,都是耍嘴皮子。 二、走心的四个切口 我们先把走心做个简单乘法的公式: 走心力 = 看见 × 承担 × 表达 × 坚持 这四个因子一定是相乘的关系,任何一个因子归零,走心力都会归零。 你看见了,但不愿意付成本 → 零; 你付了成本,但用户感受不到 → 零; 用户感受到了,但只做了一次 → 还是零。 下面把四个切口逐一拆开,看看每个因子具体该怎么落地。 1. 责任的延伸——管别人不管的事(对应“看见”) 每个行业都有一批“默认不归我管”的事。走心的品牌,会把其中一件捡起来。 案例1:三只松鼠早期的包裹 袋装坚果里放湿巾、开壳器、果壳袋、封口夹。这几样东西加起来的成本,一个包裹不到五毛钱。 但它解决的问题是真实的:坚果壳很难开,吃坚果手会脏、壳没地方吐、一次吃不完不好封口。这些痛点每一条都很小,小到用户从来不会去投诉——因为行业里所有人都这样,用户默认“这就是应该的”。 直到有人把它解决了,用户感受到的是被看见、被照顾的惊喜,惊呼:“这也太有心了吧。” 案例2:亚朵的“竹居”和夜宵粥 酒店行业默认,只要“房间干净、早餐能吃”就算合格。出差或是长途出游的人,抵达酒店时已经是晚上十一点的情况比比皆是,没地方吃饭这件事,从来没人过问。亚朵在大堂准备了免费的粥和点心,成本依然很低,但给用户的感受却格外强烈——因为这份贴心出现在用户最疲惫、最意想不到的时候。 这个切口的关键问题: 在你这个行业里,有哪些事是所有人都默认“不归我管”,但其实用户很介意的?挑一件,捡起来,认真且悉细心的把它做到超出预期,用户自然会感受到那份被看见的诚意。 2. 情绪的补位——说不出的话,我先替他说(对应“表达”) 用户有一类需求,他感受到,但说不出口。不是不想说,是说了显得矫情、显得外行、显得自己有问题。谁先把这句话说出来,谁就赢了。 案例:老年鞋 老人真正的需求不是“鞋底防滑系数多少”,而是“我不想被人看出我需要一双老人鞋”。足力健做得对的地方,不只是宽楦、防滑,而是它在表达上把“防止摔倒”讲得体面——不是“你老了”,而是“你可以自己走”。鞋底软,材料软,且都是一脚蹬。无需弯腰系鞋带,把“怕麻烦”和“怕示弱”的隐痛悄悄化解,让用户在体面中感受到被理解的温暖。 这个切口的关键问题: 你的用户,有什么感受是他自己都不好意思说出口的?你能不能替他讲出来,而且讲得体面? 3. 信息的透明——把行业潜规则摊开(对应“承担”) 每个行业都有“能不说就不说”的信息。走心的品牌,会主动把它摊开。 这一条最需要勇气,因为它要承担风险。但也正因为如此,它最难被抄。 案例:老乡鸡的“自查自纠报告” 每月公开一份报告,自曝门店的卫生问题、食材过期问题、整改情况。餐饮行业最怕的就是“被看见后厨”,老乡鸡主动把后厨摊开。 案例:胖东来的“价签” 商品价签上直接标注进货价和毛利率。零售行业默认的“信息差”,被自己拆掉了。 这三个案例共同的逻辑是:行业默认“不说的”,我说了。而“说”这个动作本身,就是最强的信息——它证明我不怕你查。我完全可以公开一切细节,这种毫无保留的坦诚,恰恰能击穿用户心中那道因信息不对称而筑起的防备高墙。 这个切口的关键问题: 你所在的行业,有哪些信息是大家心照不宣藏着的?你敢不敢摊开其中一条? 4. 服务的承诺——构建更亲密的关系 绝大多数品牌的动作,吃就是吃,产品就是产品。在用户付款那一刻就结束了。走心的品牌,把那一刻当成起点。 案例:蔚来 车卖出去了,服务才刚开始:一键加电、上门取送车保养、车主社群。它花钱最多的地方,不在车本身,而在“买完车以后的日子”。 案例:海底捞。 火锅吃完,服务没结束:等位时的美甲、生日时的惊喜、一个人吃火锅时对面放的玩偶。它把“服务”从交易环节延伸到了情绪环节,让用户觉得被惦记着。 案例:胖东来。 买完东西不满意,无理由退换,甚至吃了一半的西瓜也能退。它把“售后”做成了“信任的延续”,让用户敢买、愿意再来。 这个切入点的核心在于: 品牌不再只卖产品,而是要持续经营和用户的关系,把一次性交易变成长期陪伴。交易结束之后,我们还能为用户做些什么? 三、自检 “ 真走心 ” 走心最大的风险不是“做不到”,而是“做了很多事,用户却感受不到”。以下三关可以用来对照检查,确认是否是真走心: 成本关 :你愿意为这件事投入多少钱、多少工时,承担多少风险?答不上来,就不算走心。 感知关 :用户能不能在3秒内感受到你的用心?需要你解释才能让人理解的走心,付出的成本都白费了。 系统关 :当你不在的时候,这件事还能持续做下去吗?如果走心无法写入SOP,就只能靠创始人的个人魅力支撑,撑不过三年。 三关都过了,才叫真走心;任何一关没过,都只是自我感动。 走心不是一次性的营销动作,而是可以沉淀进组织流程的长期能力。把用户真正放在心上的品牌,最终会把这份用心转化为复购率、口碑和穿越周期的品牌资产。 四、结语 总成本领先,是规模的游戏;聚焦细分,是选择的游戏;而差异化,是态度的游戏。 前两条都需要资源——你没有规模,选不了第一条;市场不够大,撑不起第二条。 唯独第三条,入门的门槛低得离谱:但你要真的在乎,够细心,够用心的去观察,敢突破行业规则,就能做出别人抄不走的差异。 同质化不可怕。可怕的是,所有人都在抱怨同质化,却没有人愿意为“多走一步”付出那五毛钱的成本。 走心的本质,是肯不肯为别人的方便,花自己的钱。 看完这篇文章,你今天就可以开始思考自己“如何走心”获取用户的“芳心”! 本文由 @万物复苏 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

Token 用不完很焦虑?这是病,得治!

人人都是产品经理

当 Agent 的用户教育结束,AI 真正困难的部分才开始。作者从「看着 codex 额度 100% 就想用掉」说起,拆解 Chat、Coding、Work 三类 Agent 入口分化之后,企业的卡点在哪里,以及 FDE 为什么突然火起来。 最近半年经历比较多,感受蛮多,甚至很多时候来不及总结。 这篇文章起源于我看着 codex 的额度 100%,下意识的我就想赶紧找点东西把它用掉,一方面是想触发一次 5h 的,一方面怕它又莫名其妙重置了。 实际上模型相对之前已经很便宜了,不是钱的问题,真是觉得 token 不用掉好浪费,这么一想,消费习惯还是培养起来了。 但是手放在键盘上想了半天,还是不知道用它来干啥,开始无意识的在键盘上打字,这篇文章就出来了。 前段时间就听到好多最喜欢秀 token 用量的人在说: 我已经对订阅额度用没用完脱敏了,爱重置重置,不关我的事。 我当时脑海里第一个想法是:诶?之前你可不是这么说的,是谁天天说限制自己发挥的只有模型额度? 仔细想想,这个心态怎么产生的,是 tibo 不停的重置额度,让人产生了被追着消耗 Token 的感觉,还是从大家开始晒自己日均多少 token 开始的,亦或是 opus 4.6 带来的模型能力真正泛场景可用以后的新鲜感。 说到这,Opus 4.6 当时甚至一度成了计量单位,一个新模型出来都会先问跟 Opus4.6 比怎么样,直到现在很多 flash 类模型还在对标 Opus4.6 仔细想想,这个心态好像来源于 害怕掉队 ,毕竟最初跟模型待在一起的每一天,你真的能明显感觉到自己在进步, 之前不会、不能、很麻烦的事情,直接跟模型一起嗖的一下就搞出来了,那个反馈太强了 , 甚至我都已经习惯了凌晨 3 点再催自己睡觉,无它,额度没用完。 回转到半年以前,3 月底4 月初,还正是Openclaw 最火的时候,那个时候大家都在秀自己的龙虾,但是仔细看大家秀的好像都是我已经装上了龙虾,再翻译一下就是快来找我装龙虾吧。 当然我也是秀这个,我当时还搞了一个龙虾军团网络,用2 台 A1398 无头骑士每台装了一个 openclaw 和一个 Hermes,还给他们设计了一个通道协议去互相调用和修复,因为我也是实在不知道他能用来干什么。 对,没场景。 ok 他的记忆机制在当时来说很厉害、他是一个本地个人助手、他越养越聪明。 但问题是,我的注意力为啥要花在跟一个不那么智能还不稳定的小智障聊天。 嗯,所以最近 Qclaw 要下线了我也觉得很正常,我确实也从来没找到它的场景,伪需求+1。 但换个角度说,Openclaw确实做了一波极好的用户教育,它让原来只知道 ChatGPT 可以聊天的人第一次意识到:哦,原来 AI 不只是一个聊天框。 顺便还带火了一大批自媒体,那个时候甚至可以说是 AI 自媒体起号最好的时候。 后来的事情大家都知道,置于钉内吃饭砸锅,悟空也胎死腹中失去最好时机,豆包在 Chat Agent 一骑绝尘,Codex和 Claude code 在 Coding Agent领域二分天下,workbuddy 在 Work Agent 作为黑马强势入场。 这个时候,其实 Agent 作为工具,已经慢慢分出了几个非常清楚的使用入口:Chat Agent、Coding Agent、Work Agent 跟 AI 聊天、让 AI 写代码、让 AI 在电脑干活,这三类东西跑通以后,意味着: Agent 工具层的用户教育,差不多完成了。 大家已经不太需要再被教育 AI 可以干什么了,你随便问在职场的人怎么看待 AI 这几年的变化、AI 帮我们做了什么、你对 AI 的期待是什么,大家的理解都大差不大。 但是 但是 三类 Agent 都成熟以后,我发现大家 反而更焦虑了 ,为啥? 以前还能找理由,无非就是模型不够强、工具不好用、上下文还不够长、额度不够嘛, 反正总能找到一个理由解释, 不是我不行,是 AI 还不行。 而且心里还能安慰自己: 没事,我这样,我们同行肯定也这样 。 但现在这个理由不好用了,三类 Agent 工具场景、能力已经有共识了,模型能力、工具能力、额度都已经不是问题了。 现在的问题是: 最强的工具都给你了,然后呢? 所以我们利润提高了吗?成本降低了吗?效率提高了吗?原来解决不了的问题解决了吗? 如果这些都没有,那 你每天和模型聊到凌晨三点,跟业务有什么关系? 我在企业感受到的是:现在工具是强了,但是大家的焦虑还在,反而可能更强了。 从 AI 我会不会用,变成了 AI 我到底用没用起来,再到我怎么把工具和 AI 大的能力体现到业务价值中? 最难受的地方就在这里,工具层大家都已经进入共识阶段了,那我还没用起来、还没用好,我是不是要被淘汰了? AI 原生组织说了那么久,是不是有同行企业已经在路上了,甚至别人可能进程过半了?我还在研究 Prompt 怎么写? 企业又开始焦虑了,于是 FDE 开始越来越火,是因为 AI 培养出了一群既懂业务、又懂技术的全才? 这是一种典型的翻译性话术,就是为了让一个还没接触过这件事的人,三十秒大概理解 FDE 是干嘛的。 但如果你一路看到这里,应该能感受出来。 工具的问题逐渐被解决以后,就像拨开了迷雾, 工具和业务结果之间那一大段空白,终于暴露出来了。 以前我们把大量时间花在学工具上,怎么写 Prompt、怎么用 workbuddy,这些东西当然都要会,但这些东西自媒体上一搜一大把,甚至你都不用去看其他教程,就在我们公众号上学,我们这些东西都是免费发出来给大家学的。 为什么?Agent 工具本身现在已经不太需要大篇幅地教了,最好的学习方法就一个:用 甚至初学者可以每天给自己定个 KPI:把订阅的 Token 用完,一直用完哪天 Token 重置了,你内心毫无波澜,爱重置重置,基本就差不多了。 这个时候真正困难的东西才开始出现。 真正的要学的是什么, 是识别 AI 如何进入业务价值、是控制 AI 能力的边界、是把抽象逻辑翻译成显性化成 SOP 、是 AI 应用构建和验证的能力、是持续构建业务价值飞轮的能力。 怎么理解? 很多业务专家会说:“这个其实很简单,我一看就知道。” 你再问一句:“那你是怎么看的?” 沉默了 憋出一句,你不懂,就这么看的,很简单。 很多技术专家会说:“我这个东西很牛的,我们研究了很久” 你再问一句:“他的业务价值是啥” 沉默了 憋出一句,你不懂,行业领先。 很多管理专家会说:“这个指标很重要” 你再问一句:“这个指标怎么拆呢” 沉默了 憋出一句,你不懂,但是老板知道。 这些能力有一个很烦人的特点:很散。 这里的能力有些需要踩坑,有些需要有全局视角,有些需要不同类型的项目案例,有些还需要亲自动手跑一遍才有感受。 从单一的传统角色或者渠道来源获取不了,很散,但做着做着,又会发现这些东西好像真的能串起来。 就这么理解,现在我把一个真实 AI 项目扔给你,你的指标就是让这个 AI 项目最后落地产生对应的业务价值,最后我只看一件事:业务结果有没有发生。不是给我交付一套系统,你要几个人、什么能力、怎么做? 把这个问题想明白,比所谓的AI 项目需要既懂业务又懂技术的复合型人才,更接近 FDE 真正出现的原因。 所以如果你真想学这件事,我现在反而不建议把 Prompt 怎么写、 Agent 怎么用这种工具本身当成学习主线了,先把真正的框架搭起来:会判断项目价值、会表达业务逻辑、会选技术路径、会快速构建和验证、会把结果真正跑进业务。 工具缺什么再补什么,项目做到哪学到哪,这样这套东西自己也能一点点踩坑学出来,只是比较散,也比较慢。 我们过去半年基本就在干这件事:拿真实 AI 项目反复跑,把踩过的坑、形成的判断和方法,整理成了一套 FDE 项目实践框架。 本文由人人都是产品经理作者【叶小钗】,微信公众号:【叶小钗】,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。