铃阅时讯
❌

普通视图

云栖大会, 明年再见~

2026年9月25日 09:42

原创 渣B 2026-09-25 09:42 浙江

这几天都在云栖大会的会场, 又来客串了一下 Technical Marketing 给一些重要的客户和媒体讲解了超节点和阿里云在 Agentic 时代的先进技术. 其中遇到一位知名博主, 也给她详细的进行了介绍. 视频拍的挺好的, 讲解的很全面, 我就不详细写了...

有一个彩蛋, “1.6T见过吗?”, 如果说“真武”和 Ascend 只是在争国内第一,  那么 CIPU 则是在 DPU 领域全面超越 Nvidia.

CIPU 2.0 在 400Gbps 发布仅比 BlueField 3晚了几个月, 但实际工作的性能远超 BF3. 而过去两年做出的 CIPU 3.0 则是全面超越 Nvidia BlueField 4 /CX9 直接对标 Nvidia 2年后发布的 BlueField 5 和 CX10. 这才是真正的”遥遥领先“

《谈谈Agentic 时代的 DPU是什么: CIPU如何构建阿里云AI Agent、推理、训练等AI infra核心技术竞争力》.

还有一个阿里云官方的视频, 大家可以看看超节点在数据中心内的样子.

在存储方面, 也有新一代的CPFS实现了大幅度的降本, 为大家提供更加普惠的 AI 服务.

那就这样, 欢迎明年再来~

跳转微信打开

PureblueAI 鲁扬:把 prompt 当货架空间,把 GEO 当量化交易

2026年9月25日 07:00

任鑫 2026-09-25 07:00 湖南

国内第一批做 GEO 的人,把「豆包为什么推荐你」拆到了漏斗和因子的层面。SEO 有规则可循,GEO 是个黑盒,只能用一个模型去学习另一个模型;AI 消费闭环已经开始,一个 prompt 就是一个货架。

关键要点

  • SEO 有规则可循,GEO 是个黑盒

  • 只能用一个模型去学习另一个模型

  • GEO 研究的是 AI 可解释性,不是写法

  • AI 引用内容是一个漏斗,像量化挖因子

  • 豆包偏爱抖音视频,海外模型偏爱官网社区

  • AI 消费闭环开始了,酒旅已经抽佣

  • 一个 prompt 就是一个货架

  • 别迎合意图,回归自己的核心优势

  • 科学 GEO 八环节,写稿发稿只占两个

  • 最难做的不是行业,是说不清自己是谁

这期录到一半我干了件事:当场打开豆包,问「学 AI 推荐几个播客」。豆包把 AI 炼金术排在第四,前面是十字路口、张小珺这些。鲁扬在旁边说,做 GEO 的话,可以把你排到第一。

我当然想排第一。但我更想知道的是,豆包凭什么排这个顺序?它不是百度,没有一个可以查的权重表。鲁扬从字节跳动出来,做的就是国内第一批 GEO 服务商,从 24 年 9 月做到今天,最大的一个结论是:SEO 和 GEO 是两个不同的物种。搜索引擎有规则,大模型没有,你只能用一个模型去学习另一个模型。

以下是这期对话的整理。

什么是 GEO:AI 平台上的品牌优化

「简单来说,当我们在这个 chatbot 上面进行一个提问,什么什么哪家好,大模型首先会调取自己的预训练数据,同时开启联网搜索……最后选择性地挑选其中跟这个用户这一句话意图相关的非常少量的内容,可能就是几篇内容做引用。」——鲁扬

GEO 是 generative engine optimization,生成引擎优化,鲁扬的翻译是 AI 平台上的品牌优化:用户在豆包、千问、DeepSeek 上问「最懂 AI 的人是谁」「买手机该选哪个品牌」,你的品牌能不能被推荐出来,位置能不能靠前,AI 对你的描述准不准确。

一个品牌为什么会被 AI 推荐?鲁扬把它拆成两部分:先验认知和后验认知。先验是模型预训练数据里已经有的,后验是它联网搜索之后现学的。被联网搜到、又被引用的那几篇内容里的观点,就被 AI 采纳了;它们推荐的品牌,就被推荐出来了。

我把这个过程复述了一遍:第一步,让 AI 能搜到我写好的内容;第二步,搜到一大堆之后,比如一百篇它只采信十篇,我得排进那十篇;第三步,它组织答案的时候还得把我信的那几个观点编进去。鲁扬说描述非常准确。听起来还是非常 SEO。

SEO 和 GEO 是两个不同的物种

「今天的大语言模型,它不是建立在一个外界可感知的名门的规则,或者一套公式打分基础之上,它背后都是神经网络,都是推理出来的。这个是我们看到 SEO 跟 GEO 最大的区别,一个是有规则可循的,一个是黑盒。」——鲁扬

绕不过去的问题:GEO 是不是 SEO 在 AI 时代的变种?鲁扬的观点是不是,两者是两个不同的物种,最核心的区别在于搜索引擎有规则,大模型没有。

在百度或者 Google 上搜一个关键词,你家官网能不能排在首页,背后是一套网页权重规则。你家官网在百度上权重多少,在百度统计里能查到。国内做数字营销的人对这套东西门儿清,怎么做 SEO 在网上有公开教程,1234567 照着做就行,按图索骥。百度这二十年大的算法迭代就那么几次,周期很长,所以规则可循。

我插了一句:百度和 Google 其实也不告诉我们规则。鲁扬说对,是猜出来的,但那么多年规则是好识别、好 tracking 的,title、description、keyword、内链、外链,这些维度早就明确了。

大模型不一样。问豆包矿泉水哪家好,它可能推 A,也可能推 B;换个人问,可能推 C;同一个人今天问是 A,过两天再问变 C 了。原因是什么?它不告诉你,你也拿不到。因为今天的大语言模型不是建立在一套公式打分之上,背后是神经网络,是推理出来的。

所以做 SEO 和做 GEO 有一个明显的技术流派分叉,分叉点就是到底能不能手工操作。以前 SEO 那么多年都是手工做的,但手工操作在 GEO 上很难了。我听到这里想起《模仿游戏》:德军用机器加密,这边一帮数学家在解密,最后得出的结论是人解不了,得造一台机器来解。鲁扬说,非常类似。

三个阶段,是自己烫出来的

「所有人工做 GEO 的最后都在做一件事情,就是每天写稿发稿,然后碰运气。」——鲁扬

PureblueAI 把 GEO 的发展分成三个阶段,不是总结出来的,是他们自己一步步烫出来的。24 年 9 月入场的时候,市面上还没有 GEO 这个词,他们管它叫「AI 平台上的 SEO」。当时 DeepSeek 还没火,他们主要做豆包和 Kimi 上的品牌优化,面对投资人解释成本非常高:在豆包和 Kimi 上做品牌优化,这是什么生意?到 25 年 3 月 DeepSeek 火了,市场才被唤醒。6 月海外像 Profound 这样的 GEO 公司拿到融资,国内一夜之间涌出上百家 GEO 服务商,包括以前做 SEO 的、做营销咨询的,都开始做 GEO。

为什么大家看起来那么容易就能下场?因为大家选的是技术门槛最低的方法:人工做。他们最早也是人工做,依赖几个 SEO 优化师,一把好手干了十几年 SEO,每天帮一个品牌写几十篇稿发出去,发完观察,上豆包搜一下「什么东西哪家好」,看能不能搜到,发的稿件被引用了就是命中。不能被引用,明天调整一下写法,再来几十篇。每天都是碰运气。他们当时就觉得这个东西很不靠谱,也不科学。

第二阶段叫数据驱动。核心团队从字节出来,字节是把 AB 测试用到极致的一家公司,什么都要 AB 测。他们把数据监测、数据分析、AB 测试全套上去,稿件怎么写,AB 测,最后发现效果还是达不到非常精准。因为虽然有数据辅助,还是人在优化。

所以最后的一个 lesson 就是:面对大模型,你很难靠人工经验去追逐一个模型,只能用一个模型去学习一个模型,用一套算法去解读一套算法。这是他们自己走了将近两年才走到的路线。

GEO 研究的不是文章写法,是 AI 可解释性

「做 GEO 最核心要去研究的,不是一篇文章的写法。今天我们看到绝大部分做 GEO 的,不管是品牌自己做还是服务商做,每天研究的就是文章的写法。但在我们看来,真正要去研究的是 AI 可解释性。」——鲁扬

我问了一个具体的问题:DeepSeek 出来之后,有 SEO 公司来找我问怎么搞,我当时的想法是,看它搜了哪些文章、引用了哪些,喜欢什么格式,比如 top ten、best of 这种,然后去铺内容。你们是把这套流程全部变成 AI 来做的意思吗?

鲁扬说这里包含两件事,方法论和实现,方法论更重要:GEO 最核心要研究的是你这个品牌到底为什么会被 AI 推荐出来,背后发生了什么。

拆开看,这是一个漏斗。用户一个问句进来,AI 先做意图理解,把意图拆成一组不同的关键词去调取搜索引擎,可能还带着上下文。搜索引擎返回一批内容,这是漏斗的第一步。返回之后 AI 只分析其中一小部分,不会全量分析,没被分析到的内容已经出局。分析完做一次 ranking,排在前面的品牌出现概率高、占据的篇幅多。最后在答案生成环节,它只引用非常少量的内容,用引用到的内容做自己语言的描述。

我们在思维链里能看到的「引用了哪些文章」,只是这个链路的一小部分。他们研究的是整个链路:大量内容被降权、出局、不被引用,只有一小部分能经历 AI 层层筛选,最后被信任、被引用。这些内容背后具备什么特征?靠人工猜,是碰不出来的。他们的方法是自己训练模型,用算法去学习这个特征。

像量化交易一样做 GEO

「我不是靠人工的判断,我摒弃掉所有我肉眼看到的元素、情感上的判断、主观上的抉择,我把它给抛掉。我让算法去算所有的宏观的、微观的、企业自己经营的所有数据,然后做因子挖掘。」——鲁扬

这条技术路径非常类似量化交易。PureblueAI 的 CTO 也是联创,原来在字节做算法,创业之前两年从字节离开,去了一家投资机构当首席科学家做量化。量化背后的原理就是因子挖掘:一个投资标的该不该买、该不该投,不靠人肉判断,把肉眼看到的元素、情感上的判断、主观上的抉择全部抛掉,让算法去算所有宏观的、微观的数据。当某些特征叠加到足够显著,系统直接 take action。

我听到这里想到最近看的一个癌症项目:他们用世界模型做预测,中间没有诊断环节,只有病人的情况、干预事件、继续的情况,不压缩信息,一直在隐空间往前推。你们也有点像,不总结「一定要写 best of」,而是把它当成一个大的向量空间去找因子,因子甚至可能是无限的。

鲁扬说非常准确。客户经常问,你告诉我背后到底是哪几个因子?他们的回答是,理论上是无穷的。能影响品牌的元素远不止内容,稿件、视频、品牌固有信息、电商信息、评价都可能是权重,不同行业选的因子又不一样。所以他觉得 GEO 未来就是世界模型下的一套算法工程。

具体怎么做?服务一个品牌,比如说可口可乐,先给它建一个自己的知识库,把所有营销物料、优势卖点向量化。然后给模型下指令:根据可口可乐这个品牌、「可乐哪家好」这个 query,生成一篇文章。模型读取知识库,按它学到的最适合豆包或 DeepSeek 的特征改写出一篇文章或一个视频,同时给出发到哪些平台的权重。

我追问了一句:现在很多模型把联网搜索那一段藏起来了,只能看到中间一小段,反馈打不回来,怎么练?鲁扬说,有些数据肉眼看得到,有些看不到,他们通过技术往下多看一层。而且不同模型每次改版,思维链展示的内容都在变,不能依赖肉眼看到的 CoT。

豆包偏爱抖音,海外模型偏爱官网和 Reddit

「国内的模型,它更多会采信向媒体上面的一些内容,豆包在他对于抖音视频的采信的权重就很高。海外的话,他可能会更偏向于品牌的官网、独立站,然后包括像 Reddit 这些社区。」——鲁扬

我问,Kimi、DeepSeek、豆包,你们解析这些模型的时候难度差不多,还是性格差很远?

鲁扬说难度差不多,原理是一致的,但结果差异很大:不同模型背后调的搜索引擎不一样,返回内容之后推理的模型也不一样,国内和海外差得尤其远。国内模型更多采信媒体上的内容,不同的 chatbot 还各有倾向,比如豆包对抖音视频的采信权重很高。海外模型偏向品牌官网、独立站,以及 Reddit 这类社区,对媒体内容的权重反而没那么高。

所以同一个品牌,国内有业务,海外也有业务,做的事完全不一样。国内要研究稿件的结构、信任状、发布渠道,媒体上多发就行;海外要做官网优化,做社区运营。

我顺便问了一个我一直担心的事:以前讲 GEO,总有人留言说这不是投毒吗?这不是制造垃圾拉客户吗?你们会遇到这个困扰吗?

鲁扬说其实不会,反而是投资人比较关心。黑灰产出现在人工操作的阶段。25 年上半年开始手工操作越来越难,大家发现有些人开始走捷径,黑灰产三个词:大、黑、假。假是杜撰数据:正常写稿很难被引用,那就编,全国第一、全球第一、独家、唯一,稿件里一出现这种极端数据,可能瞬间就被大模型引用了。我以为大模型会怀疑一下,他说这是今天基模能力有待提升的地方。大是海量灌水,开一个自动发卡机,一天灌几百上千篇。黑是黑公关,帮你发稿的时候顺便踩踏、抹黑竞品。

他的立场是,GEO 是内容营销,广告法和职业道德对它同样有效。更重要的是,AI 在不断进化,基模越强,假大黑越难做,直到有一天你想优化一个违背规律的东西,做不上去。所以真正做 GEO 不是去跟大模型对抗,而是跟大模型同频:它认为什么是优质的内容,我们就去生产什么样的内容。

AI 消费闭环开始了:酒旅已经抽佣

「我们说今天一个新的电商叫意图电商,它才开启。」——鲁扬

我们家现在基本所有的消费决策都通过 AI 了。以前淘宝买化妆品,后来跑到抖音买,先上抖音的人就爽了。现在 AI 这波红利存在吗,还是大家都没搞清楚怎么玩,没什么便宜可占?

鲁扬说流量红利有,而且挺明显,最近一年有一个信号在明显释放,就是 AI 消费在闭环。去年 4 月 29 日 ChatGPT 率先支持电商跳转,去年秋天上线 Instant Checkout,豆包、千问全部跟进,元宝也跟进了。而且豆包在一些品类已经不用跳转,直接在豆包的应用环境里下单、支付。前段时间被聊得比较多的是,豆包跟抖音电商的商家后台打通了,从抖店后台可以追踪到豆包带来的成交。

我问,这意味着这一步就可以拿返佣了?他说返佣三周前已经开始了,第一个针对酒旅,正常抽 8 个点,有的品类 12 个点,比抖音电商常规抽佣高,但比 OTA 平台低。AI 消费闭环了,AI 成为很多品牌新的流量通道。

我自己的体感是,用 AI 之后行为变了:越来越多的时候我问 AI 的不是「这几个哪个好」,而是更靠前的问题和意图,还没到商品选购。比如我不问哪个氨糖好,我说我膝盖疼,AI 大概率会告诉我氨糖没用,很多我想买的抖音上的智商税产品,它都劝退了。用户已经在跟 AI 聊问题、聊场景,不是聊选购。那我们的内容是不是要往决策链更上游挪?

鲁扬说这就是一个新的电商形态在兴起。电商最早叫货架电商,后来是兴趣电商,今天一个新的电商叫意图电商。用户描述的是自己的现状、特点、痛点,并没有释放出任何购物需求,但 AI 能识别交互背后的意图,做精准推荐,促成交易。回头看用户问的话里,没有一个字跟氨糖相关。这个时候,货架会发生变化。

一个 prompt 就是一个货架

「今天在 AI 时代下,prompt 会变成新的货架。你的一个品牌的潜在客户、消费者,他每天在用什么样子的话术、什么样子的 prompt 在跟 AI 对话……那个 prompt 的背后就是一个品牌他应该要去出现的位置。」——鲁扬

货架从百货大楼到虚拟货架到 APP,AI 时代的货架就是 prompt:潜在客户每天用什么话跟 AI 描述自己,那句话背后就是品牌该出现的位置。

那企业的内容要不要去迎合用户意图?鲁扬的心得反而是回归本质:优化自己的核心优势和定位,这才是今天最适合拿到 AI 推荐的方法。

他举了一个二线冲锋衣品牌的例子。客户上来就说要优化「最好的冲锋衣」,他们劝住了:事实上不是你,优化出来客户也不信。你的核心优势是什么?第一我便宜,性价比高;第二质量好,抗造。那就优化这个:性价比高、质量好、抗造的冲锋衣。

十年前在搜索引擎年代,这样一个长尾词流量很少,意义不大。AI 时代不一样:用户问「适合大学生的冲锋衣推荐」,AI 会去理解什么是适合大学生的:第一不能太贵,性价比高;第二大学生会运动,质量得好、得抗造。它认为你贴合这个意图,流量就到你这儿。所以反而应该死死抓住自己的优势去优化。「AI 是讲道理的。」

我接了一句:你得让它讲道理的时候有话说。每次渠道转变都会对某类产品更友好:抖音对化妆品特别友好,拍一拍就出水,马上涂就见效,长效型的产品就吃亏;AI 是讲道理的平台,背后有点像理工男。我跟太太最近买护肤品,AI 反反复复强调,不要买贵的,我们家现在买得最多的那款润肤露二十几块钱一瓶,后面瓶子上居然写着尿素两个字。AI 说这才是真润肤。我问它贵一点的不是更好吗?它说不是的。

那有硬道理的产品是不是更受益,情感类的就吃亏?鲁扬说未来采信维度会越来越复杂:豆包的信源越来越多来自抖音视频,视频的长度、题材、是数字人还是真人、镜头语言,都可能成为采信特征,越复杂越难靠人工琢磨。

科学 GEO 八环节,写稿发稿只占两个

「很多人其实今天都觉得 GEO 就是写稿发稿。但是写稿发稿我们说只是其中的两个环节,它完整是八个环节。」——鲁扬

我问了一个最实际的问题:假如我要跟你合作,第一步是干嘛?

鲁扬说他们在宣传一个理念,叫科学 GEO,四个方面:流程科学、方法科学(用模型算法做,不靠人工)、工具科学(不能做一套 SaaS 监控系统就完事了,他们通过数字员工来做)、标准科学。流程科学是把 GEO 分成八个环节组成的闭环。

第一,知识管理。帮品牌建一个知识库,包含品牌介绍、公司介绍、优势卖点、竞争差异,向量化。这是所有 GEO 的开端,也是 GEO 可信信源的起源。

第二,意图挖掘。研究这个品牌的目标对象在 AI 上进行什么样的问询,哪些意图比较 hot,值得优化,把方向锚定正确。他举了一个做麻辣香锅的餐饮品牌,最早找到他们想优化的意图是「某某城市麻辣香锅或者火锅品牌推荐」。做完一轮意图挖掘,最后选择优化的意图完全变了,变成加盟:想加盟一个餐饮店,该选什么品牌。因为他发现 GEO 最贴合他当下业务需求的是帮他拓店,拓店成本太高了。我总结了一下:这是挖甲方的意图,甲方的需求不是搜索的那个人,而是用 AI 挖掘「那些人」里,哪一波人的意图最值得优化。

第三,品牌诊断。海外 Profound、Scrunch、Peec 这些公司核心做的都是这一步:品牌在 AI 平台上的呈现度、趋势、对比、用什么话术在谈你。他们的诊断还带优化建议,比如哪些意图不可优化:联网率低的意图,问了以后 AI 不联网,很难通过机构优化;科普类回答的意图,运动完膝盖酸痛,AI 不会推荐任何品牌,就不要在上面投资源。

第四,内容管理,写稿和稿件优化。第五,效果预估。他们有一个仿真环境,模拟分析同样一篇稿件发布以后有多大概率能提升 GEO 效果,然后才是发布。第六,发布。第七,效果监控。第八,效果调优。

多久见效,怎么证明效果

「我们经常说这个点儿最背的就是老板 review 的那天,然后老板手机上搜出来,然后你就解决这个方法。」——鲁扬

我接着问了两个甲方一定会问的问题:给了你钱,两周能看到效果,还是要两年?你说有效果,结果在你的机器上有,在我的机器上没有,怎么说服我把尾款打给你?

第一个问题,因为他们有一个算法学习的过程,第一件事是建知识库。同时他们是异构模型,底层通用模型,上面每个客户一个小模型,小模型要根据每个客户的 query 单独学习,大概一周。第二周内容生成和发布。一般第三周,有些客户长一点第四周,能看到明显的效果提升。

第二个问题,AI 搜索是凭概率来的,这台机器有,另一台可能没有。确保效果稳定,背后靠高频的科学监控。今天很多 GEO 还是人工监测,发完稿人工搜一次,每天搜一次,这不科学,当下一次抽样不能代表连续性的效果。他们通过系统做高频监测,最高可以到分钟级,一般一小时级采样:同一个 query,一天 20 到 30 次,均匀分布在 24 小时内,多平台、多账号、多 IP。至少上百个账号,模拟不同的用户,不同的地理位置,北京的结果和广东的不一样。而且要求月均,跑够一个月,月均达标才算真正达到。

标准不够高,就会出现「我今天在我的机器上跑一下也有效果了,但在品牌方的机器上没有」。最背的就是老板 review 那天,手机上搜不到。

从字节出来创业:时间点判断过于激进

「我们当时一个判断是在 24 年下半年的时候,当时的基模能力还不足以 to B 的应用落地……所以现在看起来我觉得这个还是过于激进了,可能得到 25 年年底,我觉得今年到 26 年的,可能才真的谈得上 to B 的一些场景的落地。」——鲁扬

回到他个人。24 年下半年出来创业,三个创始人都从大厂出来,只有家人支持。为什么是这个方向?他做了二十多年营销,最近两年在做豆包,两条线汇到一起,而 AI 营销是最适合大模型落地的场景之一。我补了一句:第一个火的 AI 产品 Jasper 就是营销。

什么样的人适合做 AI 营销的创业?他当时画了一个画像:懂营销,最好是 CMO 出身;做过 AI,懂 AI;既在大厂工作过,见过中局,又在创业公司工作过,被锤过。他在字节之前在创业公司当过四五年高管,被创业公司蹂躏过。这么一层一层算下来,中国比较适合做这件事的人没太多,还得有意愿从大厂出来。我说你这套话术好适合融资。

时间点上,他跟 CTO 测算过:24 年下半年基模还不足以 to B 落地,再迭代三到四个季度才够。现在看过于激进了,得到 25 年底、26 年才真的谈得上。但等基模完全成熟再出来就晚了,所以提前三个季度入场,先做公司、做产品、打磨,等能力 ready,那时候可能就是 market fit。

没想到的是,他们当时的核心是突破 AI worker 这个点,放在 GEO 上的精力其实不多,完全没想到 GEO 在 25 年爆发了,AI worker 没有爆发。

我之前一直以为,你在豆包、在火山引擎,知道他们的大概规则,出来就反过来做,就像很多做 SEO 的早期也是从百度出来的。鲁扬说,很多客户当时也是这么说的:我们相信你们自己就是从豆包出来的,所以你们可以搞定豆包。「我说你想错了,其实并没有。豆包本身背后也不是一套名门的规则,我们并不是拿到了公式,你也拿不到,它自己也没有。」我想起抖音的算法同学很早就跟我讲过,其实我们已经不知道他们是怎么推荐的了。

创业是修行:发心、道与术

「创业是一个整个人生前半场的一次集中变现。」——鲁扬

最后几个小问题。如果给刚创业的自己发一条短信,会发什么?鲁扬说他一直想创业,过去错过很多风口,元宇宙、Web3,都去练过。之前一直觉得自己不太晚,四十多岁去创业,现在感觉都晚了十年。但真正出来之后的体会是,创业是整个人生前半场的一次集中变现,尤其做 to B 这件事,之前很多年的积累最后都用到了。所以不晚,这是一个合适的 moment。

要改什么?可以修正的点非常多,但真让他选,他会选择「反而不反了」。最重要的是保持初心,第一天想做这件事内心当中的发心。他们一开始想做 AI 的员工,没想到最初没着眼、放心思最少的那个场景 GEO 反而爆发了,现在又回过头拿 GEO 做切入点去做 AI worker。兜兜转转,发心很重要,不被过程当中一些短暂的风口带走;树上可以修正的调整很多,那是术。

我说你现在状态很好,斗志昂扬,是上半生所有东西的一次变现,很正能量。我之前那个公司卖给京东,后来放弃了很多钱出来创业,是上半生所有积累的一次消费,亏得很惨,把靠运气赚的钱靠实力全部赔进去了。但这个过程还是很好玩的,门票很贵,过山车很好玩。

鲁扬说他创业之前在一家 SaaS 创业公司工作过四五年,经历了 SaaS 的起起伏伏,见了很多 SaaS 公司从波峰跌到谷底,身上留了一些阴影,反而让他走向另一个极端:不太敢融资、不太敢花钱。我说你是帮豆包花钱的人,会习惯性不敢。他说,创业确实是修行,很多事必须自己一点点去历练,不然成长不起来。现在公司 160 多人,感觉人太多了,各种大公司的毛病都有了;状态最好的是三十多个人的时候。当然,从三十多人涨到 160 多人,也说明业务确实还可以。

给品牌的建议:最难的不是行业,是说不清自己是谁

「我自己觉得最难做的不是某一个行业,最难做的是什么样的企业。就是当我问他,你能不能简单用一段话,描述一下你们公司究竟是做什么的,以及你们最强的优势。对方能答不上来,他可能是公司的 CMO。」——鲁扬

最后一个问题:不管卖矿泉水还是卖奶茶,都希望豆包推荐、Kimi 推荐。除了来找 PureblueAI 合作,自己能做点什么?

鲁扬说,他们经常总结哪些行业难做,比如大家有共识的医药、金融。但他觉得最难做的不是某个行业,是某类企业:问他,你能不能简单用一段话描述你们公司究竟是做什么的,以及最强的优势是什么?对方答不上来。可能是公司的 CMO,我说要讲 32 页 PPT。对,他一下怔住,然后开始长篇大论讲公司做什么,没有一段话精炼地概括出来,这种品牌往往特别难做,因为它缺乏对自己品牌系统化的梳理。

所以给品牌方的建议是,GEO 短期是一个数,可以通过优化短期把效果做上去;但真正长期的是做好品牌知识资产的积累,一个品牌的知识图谱:品牌是做什么的,目标客户是谁、有什么痛点,你有什么优势能满足这些痛点,你跟竞品的差异,案例佐证,所有的 PR 稿件、公众号文章、PPT、视频。做好这套品牌资产的梳理和构建,源源不断去坚持,一般来说 GEO 效果不会太差,可能不用做 GEO 效果已经不错了。

我的理解是,先梳理自己的品牌资产,假设大模型也是个人,几句话能讲得他清楚,或者他来翻材料的时候翻得到。我回头也去整理一下我们家的品牌资产,搞个图,搞个知识库。

彩蛋:清蓝这个名字,清华加 IBM

「清是为了致敬清华,蓝是为了致敬 IBM。」——鲁扬

最后问了一下为什么叫这个名字。鲁扬说,决定创业的那一瞬间就定了:清是致敬清华,蓝是致敬 IBM。他一毕业就进了 IBM,这是对他个人影响最大的两个机构,一个是国内造就 AI 从业者最多的学府,一个是人类 AI 启蒙的公司。英文名 PureblueAI 还有一个小 tips:IBM 内部管一毕业就进 IBM 的人叫 pure blue。logo 是他花了一上午自己画的,IBM 的蓝加青花瓷两个颜色。

结语

这期让我最有触动的,不是 GEO 能不能把 AI 炼金术从第四排到第一,而是鲁扬那句「豆包自己也没有规则」。以前做 SEO,你是在追一个人写的规则;现在你追的是一个没人写得出来的规则,连写它的人都不知道。这种时候,人工经验的复利就断了,只能造一台机器去学另一台机器。

但另一头,他给品牌的建议又朴素到不像一家算法公司说的话:先用一段话说清楚自己是谁、优势是什么、给谁用。AI 是讲道理的,你得让它讲道理的时候有话说。

我回去打算先做这件事:把我们家的品牌资产梳理一遍,搞个知识库。你的公司,一段话能说清楚自己是做什么的吗?

跳转微信打开

超实用!24条提示词技巧教你文章去AI味

2026年9月24日 22:00

优设 2026-09-24 22:00 湖北

很多时候内容本身没问题,但一看就有AI味,往往卡在开头太套路、词太满、句子太整齐、连接词太多这些细节上。

我把常见的问题拆成了24条具体修改方法,从开头、用词、句式、情绪到语气,一步步告诉你哪些地方该删、该换、该保留。尤其是最后那遍“真人化检查”,我觉得很值得反复用。

跳转微信打开

一种很重要的能力:识别你的「默认脚本」

2026年9月24日 21:30

原创 李睿秋Lachel 2026-09-24 21:30 广东

让你感到舒服的,可能才是危险的

Photo by insung yoon on Unsplash

本文共有 3800 字

欢迎星标 L先生说

避免收不到推送喔

在今天文章的开头,我想先问你一个问题。

你觉得,我们最难改变的,是什么样的习惯?

很多人第一反应,肯定是那些非常顽固的坏习惯,比如:熬夜晚睡,喝含糖饮料,吃高脂高盐的食物,刷太久手机……

不过,这些习惯固然是不好的,但它们至少有一个特点,就是「你明确知道它们是不好的」。那么,当你这样做的时候,你起码会有一种警惕,能够意识到「我白天已经喝了一杯饮料了,晚上就不要喝了」「我是不是刷太久手机了?该干点正经事了」……

所以,它们固然是坏习惯,需要改变,但并没有那么隐秘,那么难以发现。你还是能够用主动性去跟它们对抗的。

真正难以发现、难以改变的,是什么样的习惯呢?

是那些曾经给予你安全感,曾经保护过你、帮助过你、让你感到舒服的习惯。它们已经被你内化成了自己的一部分,成为你用来理解事物、处理问题的默认方式,因此几乎不会进入到你的意识里。

但是,时过境迁,这些曾经帮助过你的习惯,在新的场景和阶段下,很可能成为你的阻碍,而你也许压根都发现不了。

这才是最可怕的。

我举一个简单的例子。

有些人可能有一个特征:习惯了遇到问题先分析。无论遇到什么事情,他们的第一反应都是:先把问题定义清楚,然后列出它的可能性,再针对每种可能性去分析,最终得出结论之后再去行动。

这个方法在很多时候可能是有用的。但是,它是不是必定能够奏效呢?其实也不是。

比如,当你需要快速作出判断时,还按这套方法去走就太慢了。这时更好的做法可能是:按照经验快速作出一个未必非常准确、但大概率不会错的判断。这样高效得多。

比如,当你面对人际关系和沟通时,这套方式未必是最好的。很多时候,专注去聆听、感受、体验,站在对方的立场去思考,可能比直接进入分析要有用得多。

再比如,当你面对一个非常复杂、缺乏相似经验的问题时,凭空想象去分析很可能是徒劳无功的。这时,想再多也不如什么都不想、直接去行动,从行动中获取反馈和信息,再基于它们去规划,这样才能真正起到作用……

但是,大多数时候,他们很难意识到这一点。究其原因在于:这些人往往是风险厌恶者,而「遇到问题就分析」这套思维模式,恰恰可以有效地降低风险,因此会在过往的经历中成为他们首选的策略。

也因此,在一次又一次的使用中,这套方式不断为他们提供熟悉感、稳定感和安全感,因此逐渐成为了他们不假思索的默认方式。

于是,当他们遇到问题时,下意识的反应就是「我先分析一下再说」。他们很难意识到:当下的场景其实未必适合这套做法,我也许需要因地制宜换一种方式。

这其实也是我的经验之谈,上面说的这些,也是我踩过一次又一次的坑之后才有的感悟。

我把这种现象,叫做「默认脚本」。它的意思是:当我们进入某个情景,或者接收到某一类信息时,我们会下意识进入一种特定的「自动模式」,产生一系列固有的认知、理解、判断和行为。这一套东西综合起来,就是我们面对这个情景的「脚本」。

像上面这个例子:遇到一个问题 → 先分析,得到结论再行动 就是一个默认脚本。它可能很有用,但同样有其适用范围。如果在不适合的场景下使用,反而会成为我们的阻碍。

为什么我们会有默认脚本呢?最核心的原因是:这些应对模式曾经起到作用,对我们提供了帮助,消除了我们的不确定性、焦虑感和压力,让我们感到稳定、安全,于是慢慢地,它们就成了我们的默认脚本。

简而言之,它们能够让你感到更舒服,给你一种问题消除了的感觉,同时又让大脑无需投入更多资源。

但是,这些脚本真的能解决问题吗?其实不一定。它们很可能并没有真正解决问题,而只是把问题推迟、掩盖,或是暂时缓解了而已。

很多人可能有这种感觉:为什么同样的问题好像老是发生在自己身上?是因为自己运气差吗?其实未必,很可能是因为你一直在用默认脚本去「敷衍」问题,而没有真正面对问题的核心。

类似这样的默认脚本还有很多,我列举一些常见的例子。

别人说了与你不同的观点 → 立刻反驳,试图证明自己是对的。

承认自己错了会损害自己的自尊和形象,所以我们会下意识地为自己辩护。但结果就是:沟通变成了争输赢,而原本能够互相交换意见、增进透明度的机会,反而被丢失了。

发现自己拖延 → 用意志力要求自己更自律。

我们热衷于找到一个解释来消除不确定性,「缺乏意志力」就是一个很自然的解释。但它其实未必能解决问题。因为大多数时候,我们拖延并不是因为意志力,而是因为反馈路径过长、缺乏启动动力、内在惯性过强……这些方面的原因。

跟伴侣或朋友发生冲突 → 习惯性地回避,减少沟通。 

这样做能够迅速降低压力,让自己避免面对冲突、解决冲突,从而缓解因冲突而产生的不适。但是,这种做法能真正解决问题吗?不能。这样做只是主动扔掉了解决问题的主动权,还容易让彼此的关系变得更容易受损。

对方情绪不好 → 马上解决问题、给建议。 

有些人在成长过程中形成了「有问题就解决」的脚本,因此习惯性地跳跃到解决方式。但却很少停下来思考一下:对方需要的其实也许未必是解决方案,而是需要聆听、接纳和理解。

一件事情进展不顺利 → 花费更多时间和努力去做。

如果一个人形成的信念是「努力就能解决问题」,就很容易采取花蛮力的方式去应对。但却很容易忽略:真正能够起到作用的,也许是换一个环境,换一种方法,追问假设是否成立,等等。

感到焦虑和烦恼 → 自动向内去寻求原因。

许多人可能有一个根深蒂固的信念:「只要想明白为什么,我就会好一点」。但很多时候,这种向内的追问往往会反过来强化这种焦虑和不适感,最终变成思维反刍和精神内耗。反而忽略了,更有效的做法可能是对外用确定的反馈来对冲和抵消。

……

当然,默认脚本并不一定都是不好的。它们在某些场景下是合理的、有用的,但未必完全适用于所有场景。

我们要做的,其实并非完全消除它们,而是分清楚:它们适用于什么,不适用于什么,再去因地制宜,针对不同的情景采用更好的策略。

那么,有什么办法,能够帮助我们发现自己的默认脚本,更好地识别和调整它们呢?

可以试试这些方法。

1. 记录日常,关注反复出现的问题

平时可以养成这样的习惯:多记录自己的日常,着重关注这个链条:我遇到了什么事情 → 我的第一反应是什么 → 我得到的结果是什么。

然后,定期或不定期翻阅,回看,并关注有没有哪些模式是反复出现的。比如:在工作上遇到过的问题,看似解决了,但接着不久又出现了;跟伴侣或朋友产生冲突,看似按下了,但过了不久又发生了……诸如此类。

大多数默认脚本都有这样的特征:它能够让你当下感到更舒服,但只是掩盖了问题,因此,过不了多久,同样或类似的问题往往会重复出现。如果你发现了这种现象,那就需要警惕:你可能已经落入默认脚本而不自知了。

2. 觉察和警惕下意识反应

大多数时候,当我们产生默认脚本时,大脑会有一种冲动:我想立刻如何如何。它往往会以这样的念头出现:我应该马上……;我现在就想……;我需要赶紧……

但是,当你觉察到自己产生这样的念头时,请等一等,问一问自己:这是在这个情况下的最优解吗?还是只是我在习惯性地重复固有的模式?

不妨这样告诉自己:这是一种可行性,但它并不是唯一的解法,也未必是最好的解法。如果现在没有那么紧迫,我是不是可以想想有没有别的解法?

很多时候,只是这么简简单单的一个思维的转变,就能把我们从默认脚本中拉出来。

3. 多想一步,审视它的有效性

试着问自己这么一个问题:如果我把目光放长一点,它能够解决问题吗?还是只是在当下让我避免了不适,让我不需要去面对问题?

很多时候,我们其实是能够意识到这一点的,只是大脑不愿意去承认而已。但是,如果我们自欺欺人,只是着眼于当下的舒服而不管长远它是否得到解决,那么未来的自己就必然需要背负上更多的债务。

举个例子:很多人面对别人的意见时,默认脚本就是为自己辩解。这可以使得他们在当下避免「我错了」的窘迫。但长期来看,如果真的是自己错了,能够确保这种错误不会再次发生吗?

不妨回想一下,当自己过往遇到类似的问题和经历时,这套做法是否真的能够帮助你做出改变,从根源上消除问题。如果不能,它很可能就只是一个无效的默认脚本。

4. 尝试用新的脚本去替代旧脚本

这是很有用的一个小技巧。不要只是停留在「找到旧的默认脚本」,不妨想一想:如果我下次遇到这种问题,我可以尝试做些什么来产生不一样的变化?

这些新脚本最好设想得细一点、具体一点,这样才能让自己毫不费力地调用。比如:

  • 下次听到别人的批评,先不急着辩解,而是停一下,站在对方角度想一想,有没有可取之处;

  • 下次别人不同意我的观点,先不急着争论,而是先复述对方的话,看看是否存在误解;

  • 下次遇到卡住的任务,先不急着花时间精力去钻研,而是先「站远一点」想一想:我对这个任务的假设有没有哪里可能是不对的?

  • 下次一直做不出满意的决策,先不急着继续对比、权衡、查资料,而是试着给自己画一条线,要求自己必须在此之前做出阶段性的结论。

……

这可能会非常有用。它不一定能立刻解决问题,但能让你更好地意识到「原来问题还能这样处理」。

最后,还是要强调一下。

默认脚本并不意味着一定是错的,它之所以成为默认脚本,一定是因为它曾经起到作用,让我们感到舒服,对我们来说更加省力。

但是,一切都在变化,我们会遇到新的问题,新的场景,新的挑战。环境会变,条件也会变,但默认脚本不会自己更新。如果我们还是用旧路径去应对新问题,就很容易落入自我安慰的怪圈里面。

更好的心态也许是:下一次,当默认脚本出现时,先停一下,想一想它从哪里来,能够起到什么作用,是否适用于当下的场景,有没有其他的可能性。

改变自己,永远不是意味着要否定和抛弃过去的自己,而是不断接受新的可能性。

我是 李睿秋Lachel

欢迎关注 L先生说

每周四晚 21:30 更新

一起探索心智成长的奥秘

THE END

-  晚  安  -

跳转微信打开

老乡鸡,你抄不会

2026年9月24日 20:16

原创 戴老板 2026-09-24 20:16 上海

中式快餐之王的版本答案

过去的2025年,中国人在老乡鸡的门店里吃了近2000万份毛豆烧鸡。

做一锅毛豆烧鸡并不难。老乡鸡今年4月发布的《菜品溯源报告2.0》,公开了这道菜所需的11种原材料,列出15家供应商名单,最后还贴心地把烹饪的6个步骤写了出来,生怕你学不会。

这份830页的报告,把175款餐厅菜品、182款央厨产品和132种外采原料逐一拆解,溯源了246家供应商,甚至其中186家的联系电话也公开在报告里——如果餐饮界也有开源社区,这份报告会被列为必读材料。

有趣的是,溯源报告发布后,有8名消费者自发地在Github上发起了CookLikeHOC(像老乡鸡那样做饭)项目,将每一道菜品进行归纳、整理、绘图,上线独立的查询网站。目前该项目已经揽得2.46万颗星,比阿里和腾讯大多数开源项目都高。

这种溯源始于2024年。此前,一些顾客对老乡鸡番茄炒蛋、毛豆烧鸡等现炒菜品的制作形式存在疑虑,持续关注门店菜品是否为预制菜品。为回应消费者关切、消除市场认知误区,企业决定公开菜品制作工艺:

马斯克都可以开源,我们有什么好怕被别人抄的?

和特斯拉一样,老乡鸡有开源的底气。截止到2026年9月,老乡鸡全球门店数量已经超过了2000家,是中式快餐品牌绝对的第一名。

据了解,集团2026年门店营收(直营+加盟)预计超过100亿元,年服务顾客人次3亿,单店日均销售额、翻台率和等核心效率指标均高于主要竞争对手和行业平均水平。

疫情以来,中国餐饮行业进入收缩周期。根据中国烹饪协会的数据,2026年上半年餐饮企业净减少40.7万家。在严峻的环境之下,老乡鸡目前是中国唯一还在沿着种植、养殖、采购、加工、物流这一链条进行全产业布局的大型中式快餐公司。

毛豆烧鸡只是老乡鸡庞大体系的一个微小切面,但要理解后者,可以从这道菜开始。

01. 种豆和养鸡

在合肥市蜀山区小庙镇的老乡鸡农场,种植着8000亩的毛豆。

农场总占地1.8万亩,由江淮运河施工形成,底下是红砂岩,上面铺设了耕作层,2024年6月施工建设,经过188天的土地修整后,于去年投入运营,但未来三年仍然需要继续“养熟”新土,改善肥力。

管理这片农场的工作人员只有10个。他们会去欧洲和美国考察大规模机械化作业经验,像做科研一样规划播种计划和除虫节点,也会和合作的当地农户一样清晨6点起床下地,在炎热的中午纳凉歇息,并工作到傍晚日落十分收工。

机械化作业的小庙镇老乡鸡农场

毛豆种植分春秋两季,鲜毛豆采收窗口只有七天,农场配置了13台单价60万的毛豆收割机,收获的毛豆被送进预处理车间,接续去枝、清洗、剥壳、脱膜、冷却降温等处理,处理的残料会被送回地里充当有机肥,新鲜的豆米则用冷水降温锁鲜,送往临近的小庙中央厨房进行清洗、杀青、速冻、色选等工序。

在餐饮企业连直营店都不愿多开的当下,种地普遍被视作一门投入重、回报慢的苦活和累活。

老乡鸡有两道消耗大量毛豆的畅销菜——毛豆烧鸡和凤爪豆米,但这并不能解释其亲自下场种毛豆的动机,因为市场上并不缺大宗毛豆供应商,《菜品溯源报告2.0》公布了6家,在今年老乡鸡农场农场第一个收获季之前,它们供应了老乡鸡所有的毛豆。

答案不在这座只有两岁的农场里,而是要往老乡鸡历史更久的农业基地上回溯——距离小庙镇35公里的老乡鸡炎刘养鸡场,占地400亩,拥有53个鸡舍,年出栏上百万只鸡。农场为改善土壤肥力所使用的有机肥,全部来自于这里。

养鸡是这家公司的老本行,老乡鸡创始人束从轩于1982年创业养鸡,到2003年他在合肥开出第一家“肥西老母鸡”餐厅时,其养殖的经验已经超过了20年。时至今日,老乡鸡招牌的SS级单品——“金牌老母鸡汤”材料全部来自自家养鸡基地。

老乡鸡炎刘养鸡场鸡栏

“养了40年鸡”是老乡鸡的一个重要标签。目前老乡鸡的3大养殖基地均位于安徽省境内——合肥的张祠养殖基地、淮南的炎刘养殖基地和亳州的利辛养殖基地,总占地面积超过1200亩,笼位数量460万,每年生产1000万只肥西老母鸡和5.4万吨鸡蛋。

农业和养殖,是这家公司的起点,而掌控上游的关键原材料,既刻在老乡鸡的基因里,也能在全球快餐巨头的身上找到踪迹。

以麦当劳为例,1990年其在深圳开出中国首店,但早在1985年,麦当劳就推动核心供应商辛普劳(J.R. Simplot)公司在河北试验种植土豆。1992年,辛普劳的薯条工厂和王府井的麦记门店在北京同时开张,到2025年,辛普劳在华土豆产量已经超过9.5万吨。

土豆是中国最不稀缺的食材之一,但麦当劳对土豆的要求极高,其主要选用夏波蒂(Shepody)和褐皮布尔班克(Russet Burbank)两个品种,要求每一枚土豆身材匀称、质地绵密、淀粉含量适中,适合切出截面积为6.2毫米×6.2毫米的长条。

为了保证每一根薯条的口味,麦当劳甚至要求4万亩种植土豆的地块必须100%轮作——当季土豆收获后,原有地块需要进行至少一年的休整,种植小麦或青贮饲料等其他作物,降低病害压力,并用残茬和秸秆来改善肥力,维护土壤结构。

老乡鸡对毛豆的要求,跟麦当劳对土豆的要求如出一辙。前者的历史更短,但复杂度更高。

辛普劳成立于1929年,二战期间为太平洋和欧洲的美军提供脱水洋葱和土豆,跟麦当劳的合作长达半个多世纪。但在中国,由于土地、制度等因素,大型农产品供应商集中出现在养殖业,种植业相对较少。这种背景下,老乡鸡下场种毛豆是一种必然。

老乡鸡农场对毛豆的预处理

相比之下,毛豆烧鸡、葱油鸡、卤鸡腿等菜品所使用的白羽鸡和黄羽鸡原料,老乡鸡可以借助市场化采购来解决——中国专业化养鸡全球领先,产业链上市公司数量超过10多家,温氏、大成、圣农等企业可以按照客户的要求,为其稳定供给食材。

因此,从毛豆烧鸡这些爆款单品身上,就能看清老乡鸡的供应链思路:对长期需求量大、影响核心产品风味的食材原料,自建产能,控制农业源头,用长期主义来构建竞争壁垒;对供应链高度发达的食材原料,与专业伙伴合作,通过明确的标准,实现稳定交付。

这是中式快餐企业多年探索之后,形成的最佳解题思路,而它最终将影响连锁规模的天花板。

全球快餐巨头如麦当劳(46000家)、赛百味(35000家)、肯德基(34000家)的门店数量惊人,其中一个原因就是西式快餐里的汉堡、炸鸡、薯条和三明治等菜品的原料相对集中,围绕肉类、面包、土豆等有限品类之上,且通用性强。

相比之下,中式快餐的食材范围非常分散,除肉、蛋、鱼、豆制品、米面粮油之外,还有叶菜、根茎、瓜果等海量的蔬菜品类,仅老乡鸡《菜品溯源报告2.0》披露的食材就多达651种,不同食材又有各自的产季、规格和保鲜要求。

中式快餐头部企业门店数普遍在千店量级,要想达到西方同行的万店规模,食材的稳定供给是第一道难题。多数企业都已经放弃对差异化的追求,将采购纯粹交给市场。反倒是靠上游养殖起家的老乡鸡,是几乎唯一还在用长期主义思维解题交卷的选手。

原料的稳定,只解决了上半场。菜品风味的统一,还需要一个关键角色——中央厨房。

02. 锅气的分工

一车新鲜的毛豆,从农场送往最近的老乡鸡中央厨房,车程为20分钟,途中只要过5个红绿灯。

老乡鸡位于小庙镇的中央厨房,比毗邻的农场要“老登”得多。2009年,老乡鸡在此地投资建设了第一个中央厨房,占地118亩,有近6万平米的标准化厂房。2021年和2022年公司又投建了上海嘉定中央厨房和合肥官亭中央厨房的一期工程。

中央厨房在毛豆烧鸡的链条上,扮演了关键的“枢纽”角色——新鲜的豆米会在中央厨房进行色选、杀青和速冻;供应商送来的鸡在这里屠宰、切块和包装;炒制所需的皮冻和猪油在这里制作;所需的葱、姜、蒜和其他辅料也在这里完成清洗和切配。

小庙镇中央厨房制作现场

所有的食材汇总集合之后,会通过冷链物流车辆先送至老乡鸡在全国的八个物流中心——上海、杭州、深圳、南京、武汉、北京,以及安徽的合肥和利辛;然后再配送到老乡鸡2000家门店里,其中46%的门店是每24小时一配,54%的门店是每48小时一配。

而当临近饭点,老乡鸡门店里负责毛豆烧鸡的2000多名厨师,拿到手的都是同样的食材:毛豆的大小、鸡块的尺寸、姜片的厚度、调味料的配比全都是统一的。经过6个标准步骤的煸炒之后,最后端给消费者的,就是口味几乎完全一致的产品。

老乡鸡几乎所有菜品都是类似模式:农家小炒肉所用的肥肉和瘦肉,由央厨分开切配;所用的大部分螺丝椒也会在在央厨完成加工;在门店,厨师会按标准步骤先煸肥肉,再放蒜子和瘦肉;肉片炒好暂存,螺丝椒另行炒至断生后加入调味料,最后合炒出锅。

同样,金牌老母鸡汤所用的肥西老母鸡,在中央厨房完成屠宰和清洗等处理,经过冷链进入门店,最后的炖汤制作环节必须留在餐厅;早餐上架的老面包子,在中央厨房由师傅们集中手工包制,速冻后配至门店,每天早晨7点在门店上锅蒸熟。

炒、炖、蒸的工序各有不同,但背后的流程分工却是一致的:中央厨房完成在餐厅操作耗时、重复的环节;门店拿到规格相对稳定的原料,再按照明确的操作步骤,负责最后的现制,最后交付给客户的,是热气和锅气兼具的家常味道。

央厨对食材的处理,能很大程度上解决中餐制作的标准化问题——小炒肉的肉片厚度、肥瘦比例、调味料的口味、各种食材的重量比例等,都可以提前在中央厨房固定下来,门店负责的,是让确定好的食材按顺序在锅里相遇,把口味的不确定性降至最低。

中央厨房大幅提升了效率,但也会撞上另一个致命的“敌人”——中国人对现制的天然追求。

现制,包含了现炒、现蒸、现煮、现烤、现煸、现炸、现拌……等诸多形式,它们是讨好中国胃的第一性原理,是美好生活的烟火气来源。如果过度追求门店的效率,让门店制作越来越接近复热出餐,就必然会碰上消费者对“预制菜”的反感。

西式快餐当然也有现制的要求。但汉堡、薯条的关键操作更容易固定:肉饼可以提前统一重量和形状,煎制、油炸可以围绕相对固定的温度与时间展开,最后再按顺序组合。借助成熟的供应链和厨房设备,门店可以把现场操作收敛到少数几个步骤。

鸡汤小馄饨制作工序

每个餐饮从业者,都明白中国人对现制的执念。但满足这一需求的路线,却呈现了两种分野。

一种是效率优先——极致追求供应链效率,菜品制作主要由中央厨房工业化解决,将门店的操作空间压到最低,降低人员成本。但这种生产上的方便,未必会转化为餐桌上的满意。近年来某些餐饮企业在舆论场上的遭遇,就是这条路线的反噬。

而老乡鸡的方法,是从第一性原理出发——先满足顾客对现制的要求,菜品最后做熟的环节一定要留在门店,然后再以此为起点,重新设计供应链、中央厨房和配送体系,提升效率。

坚持门店现制,给老乡鸡带来了口味上的优势。以金牌老母鸡汤为例,门店每天用农夫山泉现炖,鸡汤的鲜香萦绕整个门店。而市面上很多餐厅采央厨熬熟、门店复热的方式来制作鸡汤,甚至用各种浓汤宝来直接出汤,鲜度和口味差距明显。

目前老乡鸡116个SKU里,有87道菜(75%)是餐厅现制,从生做到熟;28道菜(24.1%)是半预制,中央厨房完成清洗、切配、汆烫这些前段工序,最后的烹饪和调味仍然在门店完成;复热预制只有1款专供外卖的秘汁卤肉饭,不进堂食菜单。

这些信息从2024年,就以公开溯源报告的形式开放给消费者,反而赢得了带来了正面评价。到2025年9月,舆论围绕预制菜展开争论时,老乡鸡对现做、半预制和预制菜的区分,以及对消费者透明的做法,成了被反复提及的正面案例。

成为正面案例的代价,是对供应链和中央厨房的管理有着极高的复杂性。

以炒青菜为例,中央厨房向门店提供两种形态的青菜——预处理好的、但仍需清洗切配的毛菜,或者清洗切配好、可开袋下锅的净菜,门店现场大火快炒,消费者能够吃到现炒青菜的锅气。

但由于新鲜蔬菜的易损耗性,中央厨房必须追求“零库存”——供应商送来的青菜,当天必须完成全部的清洗或切配处理,并配送至门店。为此,老乡鸡大力投入数字化建设,上线了WMS(库存管理)、MES(生产管理)和TMS(物流管理)等系统。

在这些系统的支撑下,每一箱菜存在哪个库位、属于哪个批次;生产任务怎样分配到班次与产线,需要如何衔接;冷链车装多少货、走哪条路线、何时抵达等都需要调度;车辆温控设备与运输系统相连,在途温度和行驶轨迹都可以被监测到。

戴老板进入中央厨房前的卫生检查

对顾客来说,这些信息远没有一盘热菜直观。但对企业而言,任何一个节点的等待和失误,都可能影响锅气的口感。

所以,针对中餐“现制”和“预制”这一历史难题,老乡鸡给出的解法,是把重复、复杂、适合集中完成的加工环节交给供应商和央厨,把影响最终风味的工序全部留在门店,再用生产计划、冷链配送和日常管理把两端连接起来。

因此,同样是使用中央厨房,最终的舆论反馈却可以截然不同,其根本的区别,在于企业上马中央厨房的出发点究竟是什么——是首先满足企业的降本增效的需要,还是先满足顾客对现制的要求,然后再用央厨体系把成本降到经济性能跑通的程度。

一句话总结就是:锅气只会出现在餐厅里,而支撑锅气的功夫,也只会出现在餐厅之外。

03. 洗手台往事

2020年疫情发生后,老乡鸡的门店里多了一样东西:洗手台。

在充斥着口罩和消毒水气味的那个年代,出门吃饭是一件极富风险的事情。当时老乡鸡门店按照创始人束从轩的要求,在门店入口设置洗手台,并配上洗手提醒。顾客还没开始挑菜,就可能先听见一句循环播放的话:“老板说,不洗手不给吃饭。”

疫情结束后,洗手台被保留了下来,很多老乡鸡的消费者也养成了饭前洗手的习惯,而这个动作又加深了老乡鸡的“家常菜”场景——每个中国人,脑子都有自己在家吃饭前会被父母嘱咐“先洗手”的记忆,这几乎是中国人的出厂设置。

合肥·滨湖医院店的老乡鸡洗手台

对中餐连锁产业来说,家常菜是最简单的菜,也是最难的菜。

在中国餐饮江湖里,拉面、水饺、火锅、麻辣烫这些品类都已经跑出了大型连锁品牌,头部企业门店数量动辄几千上万。原因不难理解——围绕特定品类组织产品和供应链,企业便于集中资源,可以少数关键环节做深做透,有明确的经营优势。

相比之下,家常菜场景通常都有一张更长的菜单,意味着企业必须管理更多复杂性。菜单越长,采购、库存、加工、培训和损耗之间的关系就越难协调。全国扩张时,每增加一种地方口味,都可能给后端增加一组新的任务。

但就天花板而言,以家常菜为基础的快餐,拥有更宽的需求入口,以及更高的门店上限。

白领中午从写字楼下来,想在午休时吃一顿好饭;父母周末带孩子出门,希望找一家干净明亮的餐厅;打工人下班回到家没有精力做饭,想在小区门口随便吃点儿。这些需求每天都在发生,也不需要节日、聚会或者某种特别强烈的口腹之欲来触发。

目前,工作餐白领和带孩子家庭,是老乡鸡的两大核心客群。前者需要方便、稳定、快速,后者需要干净、卫生、健康、照顾不同家庭成员口味,中式快餐的家常菜恰好能装进这些重复发生的生活场景,“不知道吃什么就吃老乡鸡”,代表了一种价值连城的定位。

在美国,汉堡、披萨和三明治都是属于美式“家常菜”的范畴,因此造就了46000家的麦当劳、35000家的赛百味和34000家的肯德基;Taco Bell售卖的塔可(taco)和墨西哥卷饼(burrito)是拉美裔的正餐,其在加州、佛州和德州也拥有数千家门店。

现实情况是,中餐的品类选择远比欧美丰富,拉面、水饺、麻辣烫这些垂类抢占了家常菜的份额,而且凭借着更易管理的供应链,和更讨巧的“现制vs预制”关系,更容易扩张的加盟模式,在门店数量上做到了对老乡鸡、大米先生们的领先。

从数据上看,中式快餐的连锁化率远低于麻辣烫等垂类,头部企业的扩张空间非常大。以老乡鸡安徽市场作为成熟样板,对标麦当劳在美国的门店密度,部分投资人推演:综合国内不同地区口味差异,大型中式快餐连锁品牌全国门店理论上限约 40000 家。

相对于林林总总的垂类餐饮,以老乡鸡为代表的中式快餐连锁品牌具备一个巨大的隐性优势,那就是“吃着放心”。

近两年民间和网络上流行这样的一个梗:去考场前,只敢吃老乡鸡。这个说法最早源于安徽学子在中考高考前吃老乡鸡的习惯。而越来越多人的发现,在重大考试甚至身体不舒服期间,干净,好吃,热乎、吃完不会变成“喷射战士”的老乡鸡,是最稳妥的选择。

老乡鸡为食客提供的,恰是一份关键时刻不掉链子的确定性。

04. 版本的答案

在追逐“中式快餐之王”的这条道路上,铺满了先驱者的遗体。

1990年代,古早餐饮品牌红高粱把店开到北京王府井,在麦当劳旁边摆开阵势,创始人乔赢喊出到2000年在全球开两万家店的口号,让红高粱迅速成名,但最终为了筹钱,乔赢走上非法集资的道路,最终获罪入狱,品牌也消失在历史长河之中。

2004年,百胜中国携品牌“东方既白”前来参赛,2005年在上海徐汇开张首店,餐厅提供200多个SKU,既有豆浆油条小笼包,也有鱼香肉丝盖浇饭,时任百胜中国事业部总裁苏敬轼大胆预测:“东方既白的数目总有一天会超过肯德基。”

虽然依托肯德基的供应链,东方既白仍没能解决中式快餐的标准化难题,多数菜品仍然是央厨加工+简单复热,口味和价格被消费者疯狂吐槽。2020年尝试转型淮扬面点包子铺,但未能扭转颓势。到2021年东方既白只剩五家门店,一年后全部关闭。

在后来的复盘中,苏敬轼坦言:中餐选择太多,做成肯德基那样的大型连锁,比想象中困难。

中式快餐的市场需求足够大,只是起点,但如何把需求变成稳定的产品、可持续的门店,以及能够继续复制的经营能力,需要逐项作答。几十年来,本土创业者与跨国餐饮集团前仆后继,一个个争相交卷,但获得满意答案的凤毛麟角。

如今,接力棒交到了老乡鸡手里。

跟先驱者相比,老乡鸡拥有了更有力的工具——冷链物流运输、食品加工设备、数字化工具和成熟的专业供应商。在今天,食材可以按照规格加工,运输温度可以监测,采购、库存与销售数据可以同步,这都是早期探索者无法想象的。

老乡鸡的全自动洗蛋机

因此,老乡鸡的成绩,要放在企业积累与产业进步的交汇处理解。专业分工扩大了企业能够调用的能力,而老乡鸡多年种养、加工和门店经营的经验,决定了这些能力怎样被组织起来。这也是“版本答案”四个字的含义:在当前的产业条件和消费需求下,找到一套经过规模实践、能够继续改进的办法。

2025年,老乡鸡董事长束小龙带公司副总及中层以上团队共40人左右,在美国待了2个星期。

团队此行走访洛杉矶、芝加哥,纽约和西雅图,到访麦当劳总部,并深入汉堡大学参访学习,同时实地考察了很多著名的餐饮连锁门店,如Panda Express、Chick-fil-A、CAVA、In-N-Out、Chipotle、Shake Shack等。

每个同行都有独特的、可值得学习的地方:麦当劳用“血液里流淌着番茄酱”来形容自己,企业文化渗透率远胜阿里;Chick-fil-A周日从不开门营业,但单店年流水870万美元,是麦当劳两倍;Panda Express主打中餐,但不主做华人生意,2600家门店几乎全部直营,一道陈皮鸡撑起了近40%营收。

海外的经验,对老乡鸡具备启发意义,但中国版本的标准答案,只能靠老乡鸡自己探索。

在老乡鸡当前的模式下,上游食材两手抓,核心食材自建产能控制品质,成熟食材跟专业供应商合作;央厨承担重复集中的工序,减轻门店负担;数字化工具提升整个系统运转效率;下游门店完成现制的烹饪服务,家常菜的定位又带来产品的反复消费。

麦当劳曾经启发了创办老乡鸡前的束从轩,如今,它的经验虽然无法复制到中式快餐,但46000家门店的数量,也在用一种沉默的鼓励告诉老乡鸡:2000家,只是起点。

05. 尾声

老乡鸡的第一家店还没有开出来的2003年,束从轩先跟一锅鸡汤较了两年多的劲。

他每天试一两只鸡,前后用了近1000只才熬出让自己满意的味道。他把汤打包带回家,给从小吃鸡吃腻了的束小龙和束文品尝,收获孩子好评后,才有了继续做下去的信心——这碗两分钟就能喝光的汤在成为招牌之前,经历了漫长的试验。

这种做事方式,后来出现在老乡鸡更多的地方:鸡要自己养,毛豆要自己种;农场要自己建,土地要花3~5年改良;加盟商从筛选到开店要4至12个月,投资人必须自己当店长;门店的动线、透明厨房、卫生检查和员工操作,都在实际经营中经历了反复打磨。

这便是老乡鸡的慢功夫,但慢就是快,快就是慢,老乡鸡的高效率也同样来源于此。

自建供应链虽然慢,但原料供给更稳定,门店就少些临时补救;中央厨房建设复杂,但工序理顺了,千家门店就能少做大量重复劳动;要求加盟商亲自经营,会放慢一时的扩张,却有助于找到愿意长期投入的经营者,让门店走得更稳。

这些投入的回报,发生在此后的每一天:一次磨合好的流程,可以反复使用;一套成熟的供应能力,可以支撑更多门店。开店之前多下功夫,开店之后才能少补课。老乡鸡用慢功夫一个个地解决难题,也终于趟出了中式快餐的版本答案。

老乡鸡你抄不会,原因不在于它有多难,而在于这世界上只有少数人,愿意长期笃定的专注做一件事。

全文完,感谢您的耐心阅读。

参考资料

[1] 老乡鸡上市申请书

[2] 老乡鸡菜品溯源报告2.0

[3] 老乡鸡媒体交流座谈会

[4] 麦当劳中庆祝土豆本土种植40周年,官网

[5] 东方既白进驻首都机场全国扩张起步,东方早报

[6] 百胜中国2021年年报

[7] “快餐狂人”乔赢再现江湖,中国经济周刊

[8] 对话苏敬轼:教父级企业家的勇气和技巧,中欧商业评论

[9] 老乡鸡创始人束从轩:“登顶”中式快餐,靠这六步,创业酵母

作者:戴老板

编辑:鲁舒天

责任编辑:戴老板

图片

图片

跳转微信打开

目前最适合做主力模型的是。。。

2026年9月24日 19:35

Draco正在VibeCoding 2026-09-24 19:35 海南

恐怕此时此刻,最适合做日常coding主力模型的是Opus5.5,基本平A我目前能看到的X上各种稀奇古怪的测试,什么鹈鹕骑车、手K桃花源记、手搓MV、Blender建模。。。不一而足,全部秒杀

图1:Opus5.5价格是GPT-6 Astra的40%(比上代Opus5还便宜)

图2:Claude总封号?没关系!Cursor里已经用上了!

跳转微信打开

看见灵感,听见回音:Dify Marketplace 让创作彼此连接

2026年9月24日 18:53

原创 Dify 2026-09-24 18:53 云南

Marketplace 新增精选推荐位,并推出点赞、星级评分与文字反馈,让每一个好想法在交流与反馈中持续完善。

全新 Dify Marketplace 让每一次作品发现和用户反馈紧密相连:通过精选展示位,你可以更轻松地探索优质作品与最新动态;同时,你也可以给插件和模板留下点赞、评分和文字反馈,让创作者清晰地了解自己作品的反馈与价值。

自创作者中心与模板市场上线以来,Dify Marketplace 已成为无数 Dify 应用诞生的起点。

1,000+

汇聚活跃插件

300+

开箱即用模板

你可以根据任务需要选择各类前沿模型,例如调用 DeepSeek 处理内容生成与复杂推理任务,或使用通义千问实现多模态内容处理。对于文档问答、PPT 制作等常见场景,还可以直接复用已有模板,再根据实际需求对流程进行调整和定制。

回顾创作者中心与模板市场的上线故事

探索 Dify Marketplace 现已收录的丰富资源:

https://marketplace.dify.ai/

随着 Marketplace 生态的蓬勃发展,这里不仅汇集了丰富的插件与模板,更碰撞出无限的创新灵感。

当一个优质插件或模板获得更高曝光,就会有更多用户看见它的价值,进而在全新的应用场景中,获得更长的生命周期,催生出更多宝贵的使用体验。这正是 Marketplace 存在的意义:让能解决实际问题的作品脱颖而出,也让创作者听到来自真实用户的声音。

为此,我们进一步优化了 Marketplace 的入口和使用体验。精选展示位让优质作品与最新动态一目了然,反馈功能则让每一次使用背后的真实体验都能直达创作者。

你的反馈,值得被听见

一个插件,也许正为你的工作流接入实时信息

一个模板,或许刚好为团队搭建好核心的架构

当别人的作品真正融入了自己的工作流后,你关注的便不再只是“它能不能用”;你会开始注意到,哪一个步骤帮你省去了繁琐的重复,哪里的体验还需要更贴合的微调,又是哪里的设计让你感受到了无声的默契。

如今,你可以将这些反馈直接传递给创作者。登录 Dify Marketplace 后,你可以在插件或模板详情页留下这些详细的体验感受。

登录后,可在插件或模板详情页点赞、评分或留下文字反馈:

插件:

https://marketplace.dify.ai/plugins

模板:

https://marketplace.dify.ai/templates

反馈可以很简单,也可以很具体。有时,一个红心就足以表达认可;有时,一个评分就能传递最直观的使用感受;而当某个细节至关重要时,一段文字能清晰还原它在真实工作流中的优势与卡点,帮助创作者指明下一步改进的方向。

无论你选择分享多少,你的每一次反馈,都让创作者真切地看到:他们的作品如何进入真实的使用场景,又如何在一次次使用中产生新的价值。

你的作品,值得被看见

作品发布后,插件和模板可能被应用到超出最初设想的场景中。一个插件可能成为更大应用中的一环,一个模板也可能被用于不同的工作流。

创作者中心会汇总你收到的所有反馈。每一份反馈都能精准触达对应的作品,让你了解每一条评价背后的使用体验,也能以多维视角审视自己所有创作的影响力。

前往创作者中心,查收你的作品反馈:

https://creators.dify.ai/

一条留言,可以启发新的用法;几句相似的建议,提示你某个值得深入打磨的细节;一句简短的感谢,也让你真切感受到,自己的作品切实地帮助到了他人。

这些回应,呈现了作品在真实使用中的表现,也让你更清楚哪些地方值得保留,哪些细节还可以继续打磨。

精选作品,触手可及

除了作品反馈,Marketplace 顶部还新增了精选展示位,集中呈现插件、模板、Dify 最新动态、活动和合作伙伴项目。

从进入页面的那一刻起,这些精选展示位就会为你指引更清晰的方向,帮你找到应用所需的功能、想要参与的活动,或是值得关注的合作机会。

对插件开发者和合作伙伴来说,展示位也提供了一个呈现新品与合作项目的官方窗口,让值得关注的作品更容易被开发者看到,也让新的能力和合作在进入 Marketplace 的第一时间获得更多关注。

一次精选推荐,可能就是某个新功能、新灵感或新合作的开始,也可能让你发现新的创作思路。

KEEP CREATING

此次更新,让你在 Marketplace 中的每一次分享都有了更完整的意义。

当有人注意到你的作品,将其融入自己的创作,并愿意留下反馈时,一次简单的使用便成为创作者与使用者之间的连接。久而久之,正是这些微小的互动,让原本单纯的资源汇聚,蜕变为一个真正有温度的社区。

这正是我们希望持续打造的 Marketplace:好的创作在这里找到新的使用场景,也带来新的灵感;而每一次真实的使用与反馈,又会回到创作者手中,成为下一次完善与创造的起点。

下一个应用,从这里开始

https://marketplace.dify.ai/

跳转微信打开

信任即核心:Dify 插件生态的安全与治理之道

2026年9月24日 18:53

原创 郑立 2026-09-24 18:53 云南

从安全、透明度与可维护性出发,理解 Dify 如何为持续增长的插件生态建立可验证、可追溯的信任机制。

郑立|Dify 高级开发者关系

写于 2026 年 8 月 25 日

信任不是一枚徽章

截至2026年8月25日,Dify的插件生态系统规模已十分庞大,仅靠一个标识和几句简单的安全声明,已无法再传递信任背书。插件市场需通过可重复的管控机制来赢得用户信赖:包括插件包内包含的内容、插件可访问的资源、经过审核的具体版本,以及当相关验证依据发生变化时的应对机制。

一则拉丁谚语告诫道:“Fide, sed cui vide”——信任,但要认清你所信任的对象。

这一准则对于开放插件生态系统而言极具实用价值:善意能够降低协作成本,且独立证据表明,这种善意具备可扩展性。

我们的目标并非承诺零风险,且从数字层面看这一目标过于理想化,从实操层面看也并不可信。我们的核心目标是让风险有迹可循:尽可能在发布前完成风险管控,必要时在发布后跟进处理,且每当插件版本发生变更时都需重新开展相关工作。

以 Dify 开发者关系团队成员的视角来看,这同样是一个社区设计层面的问题:贡献者需要快速、明确的反馈,而用户则需要能够理解的依据。 审核人员需要相应的管控机制,将人力注意力留给模糊性问题,而非耗费在重复性的溯源工作上。

目前部分管控措施已可在公开代码仓库中核验,另一些仍在持续建设和完善。明确这一边界本身也是治理的一部分:当路线图被包装成已经交付的能力,公众信任会迅速崩塌。

首先,要选对衡量的指标

良好的治理始于一个看似基础的问题:我们究竟在统计什么?

2026 年 7 月 31 日的 Marketplace 快照提供了几组真实有效的数据,但它们衡量的是插件生态的不同数据面。

数据

含义

正确解读

928

已列出的插件

7月31日快照中可见的市场条目。

907

带有安装记录的插件

快照中包含安装数据的条目。

263

官方标注条目

带有官方标识的市场交易记录。

262

唯一官方仓库ID

固定的官方仓库快照中不重复的插件ID。

99

主动维护的基线

由审核员上报的运维记录,并非官方标签的统计数量。

问题不在数字是否准确,而在于我们如何理解这些数字。

以 263 和 99 为例。263这个数值描述的是某一市场快照中的标签情况,99 描述了评审人员报告称处于积极维护状态的运营基线。前者是身份标识,后者是维护状态。两者都有明确的数据来源,将其中一项当作另一项的佐证,看似简洁便利,实则是错误的做法。

同样的原则也适用于安装量和调用量。安装记录反映插件的分发情况,调用记录反映特定时段内的实际使用情况。它们可以帮助我们观察生态的不同侧面,但无论哪一个,都不能单独回答插件是否可靠、是否具有业务价值,或者是否处于良好的维护状态。

即使指标本身选对了,还需要知道数据能够说明到什么程度。

本次调用分析覆盖2026年7月13日至8月12日期间。由于部分Pod身份信息缺失且计数器可能发生重置,其绝对统计量可能存在2至5倍左右的低估,因此,这组数据仅用于观察相对趋势、占比及排名,而不作为精确调用量的宣传依据。

理查德·费曼曾用更精妙的表述阐释了相关的控制原则:“首要原则就是绝不要自欺欺人——而你恰恰是最容易被自己愚弄的人。”  放在当前场景,它意味着很具体的原则:给出数据的同时,也要说明它的统计时点、口径和局限。 一个数字只有放回它产生的背景中,才真正具有解释力。

风险早已暗藏其中

最直接的风险并非理论层面的假设。我们已观测到.difypkg归档文件中包含.env文件、.git 可能暴露凭证的元数据、完整虚拟环境、.DS_Store、__pycache__、日志以及平台专属二进制文件。这些内容带来的风险性并不相同。有些只是开发过程中留下的无害文件,有些却可能泄露敏感信息、夹带未经审查的可执行内容,或在解压和运行后扩大攻击面。

理想情况下,插件包里应该只有插件,而不是开发者电脑里的“全家桶”。 这句话听起来像个玩笑,但背后的问题并不轻松:插件归档最终会进入用户环境,被解压并执行。因此,包里有什么、从哪里来、执行什么,并不是代码整洁度的问题,而是供应链安全的一部分。

其他开发者生态系统也已反复佐证了这一点。

GlassWorm “玻璃蠕虫”攻击活动曾利用恶意的 VS Code 和 Open VSX 扩展进行传播,相关扩展累计下载量超过 3.5 万次。相比这次攻击被冠以什么名称,其采用的技术手段更值得关注:若对身份、包内容及行为的审查不够严格,常见的分发渠道也会成为恶意代码的传播放大器。

发现速度同样至关重要。

一款假冒的 Prettier Plus 扩展在上线约 4 小时后便被下架,其间仅产生 6 次下载和 3 次安装。影响范围之所以有限,恰恰是因为检测和响应足够及时。对安全治理而言,“未得到广泛部署”正是我们期望的结果,而非说明该管控措施毫无必要。

LottieFiles 的 npm 事件说明了另一个问题。2024 年 10 月 30 日,攻击者利用泄露的凭证发布了三个恶意版本的软件包,事件随后得到控制。项目声誉虽能辅助发现风险,但无法替代版本级验证、凭证安全保障,以及可快速限制恶意内容传播的响应流程。

这些案例的成因并不完全相同,插件包中出现的意外残留,与攻击者主动植入恶意内容,也不能混为一谈。但从治理角度看,它们首先需要的是同一套基础能力:检查包内容,识别并披露敏感行为,保留可追溯的证据,并在发现问题时能够及时介入。

构建可信流水线,而非安全勾选框

安全审核不应该只是发布前的一次勾选,而应该贯穿插件从开发、提交到发布的整个过程。当前的公开实现采用了一套分层验证流程,让问题尽可能在进入 Marketplace 之前被发现。

开发者可以在提交 PR 前,通过 Dify Marketplace 工具包在本地完成初步检查。提交后,贡献模板会进一步记录作者、插件、版本、源仓库、联系方式、风险等级,以及相关的隐私和安全披露信息。

把反馈前置的目的很简单:越早发现问题,修复成本越低。

本地验证涵盖安全归档解压、包内容、密钥模式、二进制文件、包含来源、README 完整性、基于 OSV 的依赖漏洞检查,以及 Python 编译和安全模式检查等。对于金融相关的禁止行为,工具也会给出相应警告。

网络访问同样是检查的一部分。工具会检查已观测到的访问域名,并支持可选的 network.domains 声明。这一点尤其重要,因为部分 SDK 会在运行时动态构建 URL,仅依赖静态分析并不一定能够发现所有外部访问。

进入 CI 后,检查会继续进行。在公开的 dify-plugins 工作流中,pr-risk-label.yaml、pre-check-plugin.yaml、pre-check-plugin-sandbox.yaml以及upload-merged-plugin.yaml 分别提供风险标记、自动化检查、沙箱定向验证以及合并后上传管控能力。CI 会区分阻断性错误与警告,且软件包会在合并后、上传前重新完成验证。自动化机制可辅助审核人员开展工作,它并不会仅仅因为YAML显示为绿色就具备判断能力。

这套流程同时区分阻断项(Error)与警告项(Warning)。

阻断项意味着已经超出既定安全阈值,需要解决后才能继续;警告项则意味着存在需要进一步理解或人工判断的情况,但未必意味着插件本身存在恶意行为。这样的区分很重要:如果所有异常都被放行,安全规则就失去了意义;如果所有异常都被直接阻断,又会让合理但非常规的实现难以进入生态。

CI 通过并不意味着插件天然可信,而是意味着它通过了当前能够自动验证的检查。

插件上传后,工具包还支持提交扫描报告,供访问域和安全相关模块使用。这为后续的安全展示提供了基础,但这里需要明确区分已经落地的验证能力与仍在演进中的 Marketplace 机制。安全等级、评级展示及反馈机制目前仍属于持续迭代的框架范畴。

现行版本安全等级语义的演进

等级

当前版本的含义

S

已完成扫描;未发现高风险或中风险问题;依赖、权限及域名信息完整;作者信号已经验证,并经过额外复核

A

已完成扫描;未发现高风险问题;依赖及域名信息基本完整

B

存在需要关注的问题,例如过时依赖、低风险或中风险检测结果、作者身份未经验证,或扫描与域名透明度不完整

C

存在明确风险,例如高危漏洞、权限异常、未申报的敏感外部访问或可疑历史记录

Unscanned

当前版本尚未完成扫描、扫描失败,或现有证据不足以完成评级

这里有一个重要前提:评级属于版本,而不是插件本身。

插件每次升级后都需要重新扫描,旧版本的评级不应自动沿用到新版本。Official(官方)、Partner (合作伙伴)或 Verified (已验证)等身份信息可为决策提供支撑,但不能替代对当前包体和版本的实际验证。经确认的恶意行为或严重安全问题可绕过常规评级流程,直接进入限制、移除或人工审核环节。

让评分信息一目了然

在当前的安全详情设计中,评级标识被放在页面右上角,让用户在阅读详细信息之前就能快速判断当前版本的安全状态。例如,S 级使用绿色标识;C 级使用红色标识,并在安装前显示更醒目的风险警告。

依赖项列表沿用同样的结构,每个依赖都会显示包名、版本及对应状态,帮助用户快速定位可能受影响的依赖。颜色能够加快识别速度,文字、等级、包名和版本信息则负责说明风险究竟是什么。 这样,即使不依赖颜色,用户仍然能够理解评级结果,同时也为后续审核和追溯保留足够的信息。

图1   S表示“通过”;C表示“待审核”

二者均不构成担保承诺

PRD 状态 C   可见警告及受影响版本。

PRD 状态 S   明确证据且无警告

图2   八项控制措施构建版本范围的证据

图3   CI 阻断故障并将警告路由至待审核

透明度即管控手段

透明度在启用前最具价值,此时用户仍可做出知情选择。在实际场景中,插件可通过三种存在本质差异的方式运行:

  1. 仅本地执行。 该插件以代码形式在本地运行时环境中运行,不会向外部服务回传或发送任何数据。

  2. 客户直连服务。由客户提供API密钥或账户,并直接选择通过插件对接外部服务商。

  3. Dify 连接的服务。Dify 会提供凭证,或是在产品体验中集成统一托管的第三方功能。

这三种模式并不只是不同的产品标签。连接方式不同,意味着数据流向、管理责任和合同关系也可能不同。具体判断还会受到部署方式和实际数据流的影响,因此这里讨论的是一套产品治理框架,而非法律结论。

“阳光被誉为最佳消毒剂。”——路易斯·D·布兰代斯

对于插件用户而言,“阳光”意味着具体明确的信息。在启用插件前,用户应当能够查看该插件涉及的外部域名与服务,以及可能流出自身环境的数据类别:提示词、输出内容、文件、账户或工作区数据、元数据、日志以及凭证。未被列入清单的端点并不会因为其隐蔽就变得无害。

有效的信息披露还应说明数据处理的原因、存储或处理的地点、保留的时长,以及数据是否可能被用于模型训练或产品改进; 以及适用的隐私声明、DPA或服务条款。客户确认以及重大变更的可追溯记录,会将这类信息从形式化的表述转化为可落地的管控措施。

无论合同约定的角色如何划分,Dify 始终保有对系统对应部分的管控权:运行时隔离、传输安全、可强制执行的声明、审核机制,以及当行为与披露内容不符时的处置权。具体责任边界可能因场景而异,但产品设计中的安全要求不会因此消失。

许可也是供应链的一部分

插件 Marketplace 不只涉及代码的流转,也涉及使用和分发权限的流转。

这一实际链路简洁直白却极易被忽视:插件作者须拥有将插件提供给Dify的权限,Dify须拥有托管及分发该插件的权限,用户则须获得安装并使用该插件的充分权限。只要其中任一环节存在模糊地带,即便技术层面无瑕疵的安装包,也可能存在治理层面的缺陷。

开源软件贯穿于这一链条的每一个环节。其相关声明、署名要求、源代码提供义务、修改条款及再分发条件,并不会因采用了便捷的打包格式而消失。许可证就如同重力一般,无论发布清单中是否提及,都始终具备法律效力。

因此,一套成熟的治理机制需要让许可信息能够被看见和追溯,包括清晰的许可证声明、可检索的 OSS 组件信息,以及针对 Copyleft、AGPL 等相关义务的检查。同时还需明确开发者条款与传递给用户的任何许可或最终用户许可协议(EULA)之间的关联。

这些管控措施可协助审核人员提出恰当的问题,但不能代替具体场景下的法律判断。

其中一些实现方式仍处于设计和迭代阶段。例如专门的清单许可字段、许可白名单或黑名单、针对AGPL的SaaS路由、标准化终端用户许可协议以及点击即同意的确认机制,均能提升一致性。

但原则仍然与前文一致:没有产品或代码仓库证据支持的能力,就不应被描述为已经上线。 在治理问题上,明确区分“已经实现”和“计划实现”,本身就是可信度的一部分。

维护即治理

安全评审用于判定某个版本是否可以进入生态系统,而维护治理则负责明确版本准入后的后续安排。

为了让这一问题更易处理,我们将插件分为四个群组进行分析:官方模型类、官方非模型类、社区模型类以及社区非模型类。在同群组内进行对比,可避免让专业模型提供商与通用工具遵循相同的需求曲线来接受评判。

在每个分组内部,我们使用需求指数衡量插件的相对需求:

需求指数 = 60% 调用量百分位 + 40% 安装量百分位

在此基础上,再加入 1–5 分的关键性评分。原因很简单:使用热度和运营重要性有关,但并不是一回事。 一个调用量并不高的身份验证组件或关键数据连接器,仍然可能需要较高的维护优先级。

优先级

维护规则

P0

队列前20%的需求,且关键等级为4及以上,或已备案的关键等级5豁免项。

P1

优先级排名前40%且临界等级为3及以上,或任意临界等级为4及以上的插件。

P2

需求排名前70%,或临界等级为3及以上。

watch

其余所有内容均受监控,不代表官方拥有持续所有权。

图4 需求、关键性与时效性共同决定维护优先级

此处的 P0、P1 和 P2 是维护优先级,而非项目交付阶段。更新状态会提供另一项标识:近期更新指 30 天内有更新,正常维护指更新间隔为 31–90 天,更新滞后指更新间隔超过 90 天。

预计的季度重复性维护工作量也可以进一步分为:S 级为每季度 1–2 人天,M 级为 3–5 人天,L 级为 6–10 人天。

把工作量纳入模型很重要,因为维护能力最终受实际产能约束。每季度 30、60 或 120 人日这样的数字可以用于容量规划,并非服务水平协议。没有相应人员和时间支撑的维护计划,再完整的表格也无法让它真正发生。

因此,官方维护资源应优先集中在有明确资源支持的 P0 和 P1 插件上。对于社区插件,则可以根据需求、关键程度、维护者状态和生态价值,在官方接管、联合维护、赞助支持或持续观察之间选择不同路径。其余 P2 和 Watch 插件原则上继续由社区主导,同时保留基础验证和清晰的问题上报路径,而不默认附加周期性的官方 SLO。

这样的优先级这并非对内容质量或创作归属的评判。它解决的是一个更实际的问题:当维护资源有限时,如何以一致的方式决定先处理什么。而且答案不会永远不变。随着使用情况、更新时间和生态需求变化,维护优先级也应该重新计算。治理如果不能随着证据变化而调整,很快就会失去实际作用。

我们主动选择的权衡取舍

当治理直面权衡取舍,而非假装这些取舍根本不存在时,它才会真正具备公信力。

  • 贡献成本与安全性

每增加一项检查,都会给贡献流程增加一定成本。因此,我们尽量把验证前置到本地,让作者能够在提交 PR 前发现并修复问题,而不是等到审核和 CI 阶段再来回处理。

  • 自动化与误报

明确违反规则的问题应该阻断流程,模糊信号应以预警形式启动。通过影子模式、误报率观察、例外记录和逐步收紧规则,可以让自动化检查根据实际效果逐渐获得更高的执行权重,而不是一开始就对所有情况做强制判断。

  • 透明度与安全保证

安全评级或域名列表仅代表特定版本在某一时间点的可用证据,并非担保,版本发生变化后,旧的结论不能自动继承。重新扫描和明确的状态更新,是保持这些信息有效的前提。

  • 官方维护与社区自治

Dify 需要提供必要的安全保障、可靠的工具和明确的问题上报路径,但同时也为社区的独立探索保留空间。我们的目标是打造一个良性的公共生态,而非一座配备了异常完备 CI 的封闭花园。

贯穿这些取舍的原则其实很简单:让安全路径易于践行,让插件状态清晰可见,让管控力度与实际依据相匹配。一旦依据发生变化,决策也应随之调整。

信任并非通过一条评论、一枚徽章或一次政策发布就能建立。它是通过持续的验证、透明的产品信号、可落实的责任归属以及公平的响应流程逐步形成的。正因如此,信任本身也是产品能力的一部分。和其他重要能力一样,它需要被验证、维护,并随着生态变化持续迭代。

数据来源与研究方法

本文综合使用了以下几类证据:

  • 2026 年 7 月 31 日 Marketplace 快照,用于观察生态规模、插件分组和安装情况;

  • 2026 年 7 月 13 日至 8 月 12 日 SaaS 调用数据,用于分析相对使用情况和维护优先级;

  • Dify 内部治理与维护设计资料,用于说明治理框架及维护模型;

  • 截至 2026 年 8 月 25 日可核验的公开实现,用于区分已经落地的能力与仍在规划中的机制;

  • 公开供应链安全事件资料,包括 GlassWorm、Prettier Plus 和 LottieFiles npm 事件,用于提供其他开发者生态中的参考案例。

需要特别说明的是,Marketplace 快照并非实时计数器,调用总量也不用于证明绝对使用规模。 本文使用这些数据的目的,是观察相对趋势、分布和优先级,而不是对精确调用量作出超出数据能力范围的推断。

注:本文阐述的是治理设计与工程实践内容,不构成法律建议、认证,亦不代表任何插件均无风险的承诺。

跳转微信打开

山行荣誉|山行资本入选AI及应用投资竞争力机构

2026年9月24日 16:30

山行资本 2026-09-24 16:30 北京

面向新的技术周期,山行将继续保持对产业一线的研究,坚持从实际需求和商业价值出发,陪伴真正推动技术进步与产业变化的创业者长期成长。

近日,21创投、21世纪经济研究院发布“2025—2026年度AI及应用投资竞争力研究案例”。山行资本入选“AI及应用投资竞争力创投与私募股权投资机构”。

2025—2026年度AI及应用投资竞争力创投与私募股权投资机构名单

过去一年,AI投资热度仍在上升,但市场判断项目的标准已经发生变化。

据21创投统计,2025年7月1日至2026年6月30日,中国AI及应用领域共发生3297起融资事件;仅2026年上半年,融资事件达到1595起,披露融资总额约2270亿元。

资金还在进入AI,但关注点正逐渐从“模型能力有多强”,转向“技术能否真正进入产品、产业和用户场景”。

山行并不把AI理解为一个孤立的赛道。从底层芯片、算力基础设施,到面向个人和产业的AI应用,每一层都需要回答不同的问题:技术是否形成了真实增量,产品是否解决了具体需求,企业能否建立不会被基础模型轻易覆盖的长期壁垒。

此次榜单列举了谦合益邦、智辰半导体及remio等山行被投企业。它们分布在存算一体与半导体基础设施等不同环节,也对应着山行在AI领域持续关注的两条主线:一是支撑智能规模化发展的底层能力,二是能够形成真实使用价值与商业闭环的应用产品。

对早期投资而言,热门方向并不稀缺,真正稀缺的是在技术路线尚未完全收敛时,找到能够解决具体问题、持续完成产品验证的创业者。

感谢21创投、21世纪经济研究院的认可,也感谢创业者、投资人及产业伙伴一直以来的信任。

面向新的技术周期,山行将继续保持对产业一线的研究,坚持从实际需求和商业价值出发,陪伴真正推动技术进步与产业变化的创业者长期成长。

山观 HIKE Insight | AI4AI:让AI成为自己的科学家

山行荣誉 | 在技术交叉处,做产业的长期陪伴者

山行公司| 谦合益邦打造全球首款4层3D DRAM存算一体芯片

山行荣誉 | 山行荣获半导体与集成电路活跃机构奖项

山行公司 | 3D存算一体芯片领军企业谦合益邦完成超20亿元B轮融资

山观 HIKE Insight | 从带宽到容量:HBF技术演进与VC投资机会

跳转微信打开

HySparse2:Xiaomi MiMo-V3 新架构预览

2026年9月24日 15:19

原创 小米大模型 2026-09-24 15:19 北京

面向长程多轮 AGENT,更少的 Prefill 计算,更小的 KV Cache,更精准的长上下文检索。

HySparse2 面向长程多轮 AGENT,更少的 Prefill 计算,更小的 KV Cache,更精准的长上下文检索。

从 Xiaomi MiMo-V2 系列开始,我们持续探索模型能力与计算效率的共同提升。MiMo-V2 系列采用的 Hybrid SWA 混合注意力架构,将全注意力(Full Attention)与滑动窗口注意力 (Sliding Window Attention)结合,在保持模型效果的同时,让训练和推理更加高效。

过去半年,我们持续推进强化学习(RL)技术的探索与试验,将积累的训练经验应用于近期发布的MiMo-V2.6 系列,推动模型能力显著提升。在持续推进 V2 系列的同时,面向 MiMo-V3 的新一代架构研究也一直在进行。此前公开的 HySparse,正是这条探索路线上的第一步。

今天,我们公开 MiMo-V3 的核心架构 HySparse2。在 HySparse 的基础上,它进一步升级了 KV 共享与稀疏选择机制,让模型更高效更精准地处理长上下文。

 01 Agent 的长程多轮任务需要怎样的注意力架构?

一次简短的工具调用,可能带回一整页网页、一份文件,或长长的执行日志。Agent 每向前一步,都要处理新的输入;随着任务推进,还要从不断增长的历史中,找准下一步需要的信息。

模型会把已读内容的表示保存在 KV Cache 中,供后续生成使用。读入新增内容并建立这些缓存的过程,称为 Prefill。在多轮 Agent 任务中,每次工具返回新信息,都需要再次处理新增输入。因此,新架构需要同时满足三个要求。

  • 高效读入  减少处理长输入所需的计算,让模型尽快进入下一轮生成。

  • 节省显存  降低 KV Cache 的占用,让不断增长的历史更容易保留。

  • 精准检索  从长历史中找出相关证据,精准跨轮次信息整合。

第一代 HySparse 已经迈出了一步。它用少量 Full Attention 层提供 KV Cache 和重要位置的选择结果,让后续 Sparse Attention 层直接复用,从而降低注意力计算与缓存开销。但在 HySparse 架构中,Prefill 仍然需要执行所有层;面对多轮、长距离的信息检索,块级选择也有进一步提升精度的空间。HySparse2 围绕这些问题,引入了两级 KV 共享、token 级稀疏选择,以及统一的局部信息访问方式。

 02 两级 KV 共享,让 KV Cache 更早就绪

借鉴 YOCO 的设计,HySparse2 将模型分成前后两部分。前半部分是 Self-Decoder,采用 Full Attention 与 SWA 的混合结构;后半部分是 Cross-Decoder,采用 Full Attention 与 Sparse Attention 的混合结构。

在这个基础上,KV 共享分为两个层次:KV Bridging 和 KV Reuse。

KV Bridging:跨前后两部分,提前构建 KV

后半部分的每个 Full Attention 层,都从前半部分对应 Full Attention 层的输入隐藏状态中,生成自己的 KV Cache。每个目标层保留独立的 K/V 投影,因此即使使用同一份源隐藏状态,也可以构建不同的 KV。

这样,后半部分 Full Attention 层的 KV 就不必等到输入逐层经过它们后才能得到。生成这些缓存所需的信息,在前半部分就已经具备。

KV Reuse:在同一 Hybrid Block 内,复用 KV 与选择结果

每个 Hybrid Block 由一层 Full Attention 和随后的多层 Sparse Attention 组成。Full Attention 在完成自身计算时,也根据注意力分数选出重要位置;后续稀疏层直接复用它的 KV Cache 和选择索引。

这保留了 HySparse 的核心设计:少量全注意力层提供全局信息与选择结果,多层稀疏注意力高效使用这些信息,无需额外训练一个独立的选择器。

  03 远处选得更细,近处始终可见

从「选一块」,到「选一个 token」

第一代 HySparse 采用块级稀疏选择。在长上下文中,为了选中一个重要 token,模型往往也会把它周围的一整块内容纳入计算。Agent 所需的线索可能分散在不同轮次的对话、工具结果和代码片段中。HySparse2 改为 token 级选择,让同样的注意力预算可以更精细地分配到这些位置。在相同全局 token 预算下,Token 级选择在 RULER-v2、多轮检索 MRCR-v2 和图推理 GraphWalks 上均获得提升,验证了更细粒度选择对这类任务的价值。

局部窗口保留,独立分支合并

全局检索之外,模型仍然需要稳定地看到最近的上下文。HySparse2 会强制选中最近的 128 个 token,再从窗口外选择 1,024 个全局 token。两部分共同读取 Full Attention 层提供的共享 KV Cache。

因此,稀疏层不再需要单独的 SWA 分支和局部 KV Cache。HySparse 中由独立分支承担的局部信息访问,在 HySparse2 中被合并到同一次稀疏注意力计算里。

这也解除了一项关键依赖:独立 SWA 分支的缓存原本来自该层自己的隐藏状态,构建它需要继续执行后半部分 Cross-Decoder 的计算。合并后,局部与全局信息都能使用在 Self-Decoder 阶段就已准备好的 KV。

局部信息仍然重要。HySparse2 的消融实验显示,强制局部窗口在多项长文任务上保持竞争力,部分指标也存在取舍;这一设计同时省去了独立 SWA 分支的投影参数与 KV Cache 开销,为 Prefill 提前退出创造了条件。

 04 Prefill 提前一半结束,减轻推理部署压力

两级 KV 共享与局部窗口的合并,使模型后半部分所需的全部 KV Cache 都能从前半部分的隐藏状态构建。完成 Self-Decoder 的计算和 KV Bridging 投影后,输入的 KV Cache 构建即可结束。

在 49 层的模型中,Prefill 只需执行前 25 层 Self-Decoder 以及桥接 KV 投影,其中只有一层 Full Attention。在 Prefill–Decode 分离部署时,Prefill 节点也只需部署这部分 Self-Decoder 网络,所需的模型权重存储接近减半。

这使优化从减少注意力计算,进一步延伸到缩短长输入经过模型的计算路径。生成阶段仍然保留完整网络,继续使用后半部分的全局检索与建模能力。

 05 更低的成本,更快的速度,更好的长文表现

我们在 80B-A3B MoE 模型上,使用相同的数据与训练流程,对比了 Hybrid SWA、HySparse 和 HySparse2。三者采用相同的MoE设计,不同的注意力设计,HySparse2 还使用了更紧凑的 MQA 配置。

百万 token 下,计算与缓存同时降低

在百万 token 的成本分析中,相对 Hybrid SWA,HySparse2 的 Prefill 计算量降至 1/5,KV Cache 从 12GB 降至 2.7 GB。相对第一代 HySparse,HySparse2 的 Prefill 计算量降至 1/3,KV Cache 从 6.7 GB 降至 2.7 GB。

长文检索与多轮上下文建模同步改善

预训练后,HySparse2 保持了大体相当的通用能力,长上下文表现更好。经过相同的轻量后训练后,在最高 256k 的评测范围内,HySparse2 在各项已测长度上都获得了更高的 MRCR-v2、RULER-v2 分数,以及更低的 AgentPPL、LongPPL。前两项考察长上下文中的检索与问答;后两项衡量模型对多轮 Agent 轨迹和依赖远距离信息的 token 的预测能力。相对第一代 HySparse,MRCR-v2 和 RULER-v2 在各报告长度上的平均分分别提高了 11.30 和 19.81 个百分点。

这些结果表明,更少的 KV Cache 与更短的 Prefill,可以与更好的长文检索共同实现。HySparse2 为多轮、长上下文 Agent 提供了更高效的架构基础。

 06 从读入到生成,让每一轮少一些等待

Agent 完成一项任务,需要不断读入信息、生成行动,再根据返回的结果继续推进。每一轮的效率,都影响着用户最终需要等待多久。

此前,MiMo-UltraSpeed通过模型与系统协同设计,采用了低比特量化,投机解码,MegaKernel 等技术,探索更快的 Decode;今天,HySparse2 进一步降低长上下文的 Prefill 与缓存开销。两项工作分别从输入处理和输出生成入手,推动模型更高效地完成任务。

面向 MiMo-V3,我们希望把这些探索结合起来,在持续提升模型智能的同时,为用户带来同等模型规模下更快的 Prefill 和 Decode,帮助用户更快地完成更复杂的任务。

跳转微信打开

❌