铃阅时讯
❌

阅读视图

ITCP联盟第五届技术大会【AI基建专场】报名火热开启!

人才发展中心 2025-11-19 15:03 北京

以下文章来源于:Qunar技术沙龙

Qunar技术沙龙

Qunar技术沙龙是去哪儿网工程师小伙伴以及业界小伙伴们的学习交流平台。我们会分享Qunar和业界最前沿的热门技术趋势和话题,为中高端技术同学提供一个自由的技术交流和学习分享平台。

大会介绍 在AI从探索走向深度融合的关键阶段,可靠的基础设施与成功的场景应用已成为推动业务创新的双

大会介绍

      在AI从探索走向深度融合的关键阶段,可靠的基础设施与成功的场景应用已成为推动业务创新的双引擎,越来越多的企业在AI实践中取得了可喜的阶段性成果。

      秉持“近一步,更进一步”的精神,本次ITCP联盟技术大会特设【AI基建专场】与【AI应用专场】,旨在搭建汇聚AI前沿理念与实战经验的交流平台,并携手联盟内各公司,共同展示在AI基础设施建设与应用落地方面的优秀成果与最佳实践。

      本次【AI基建专场】,我们特别邀请了去哪儿旅行、转转、核桃编程的技术专家,他们将详细分享在智能体平台建设、研发流程自动化、强化微调、UI自动化测试系统等AI项目中的具体做法、遇到的挑战以及克服这些挑战的策略,帮助参会者更好地理解AI基建建设中的实践经验与最佳路径。

【时间】11月29日(周六)13:45-17:50

【地点】北京市维亚大厦8F大会议室

报名直通车

报名时间

11月19日-11月25日

报名方式

扫描二维码,提前预定席位

现场席位有限,先到先得呦

精彩预告

大会讲师及主题简介

马阳阳

去哪儿基础平台Java组负责人

负责去哪儿研发效率、质量类平台建设。近年探索 AI Agent 应用,主导自研公司级智能体平台 QMoss,已在内部实现规模化落地。曾担任公司内外多场技术大会明星讲师。

AI 小软件革命:

智能体平台驱动的万级 PD 提效实践

     为解决产运团队在日常工作中面临的大量重复、低价值的任务痛点,我们抓住大模型技术浪潮,探索出“AI 小软件”这一提效新范式。本次分享将阐述我们的核心解决思路:通过构建“智能体平台 + 多维表格”的黄金组合,实现 AI 应用的低门槛、规模化落地。

听众收益:

a、AI Infra 团队-如何建设智能体平台并大规模落地

b、产运团队-掌握 AI 小软件技能,提升工作效率

c、研发团队-AI 落地的场景挖掘思路及一套新研发模式

分享大纲:

1. 从人力到智能:LLM 引爆运营新纪元

2. 打造智能中枢:智能体平台建设实践

3. 业务创新实践:AI 小软件的多场景落地

4. 价值与经验:智能体平台的提效成就

5. 迈向未来:自进化的 AI 小软件生态

车天博

转转算法专家

负责转转大模型算法的后训练、百晓生问答(质检答疑)和智能客服应用,近期探索图文多模态问答。

强化微调(RFT)在转转后训练中的应用

在大模型广泛应用于业务场景的背景下,微调是最常见的优化方法。然而,传统微调在带来性能提升的同时,也会引入诸如通用能力下降(遗忘现象)与生成内容重复(复读机现象)等负面影响。本次分享将聚焦如何通过强化微调(RFT)技术优化模型后训练流程,更深入地挖掘数据潜在规律,并有效抑制上述常见问题,为大模型在业务中的稳定落地提供更可靠的技术路径。

通过本次分享,听众将系统性了解微调中常见问题的成因及应对思路,掌握 RFT 技术方法,并获得一套后训练体系的优化与业务模型效果提升的可借鉴解决方案。

分享大纲:

1. 强化微调(RFT)技术简介

1.1 强化微调训练流程

1.2 强化微调应用场景

2. 强化微调在百晓生(质检答疑)问答中的应用

2.1 百晓生业务简介

2.2 强化微调提升问答准确率

2.3 效果评估与展望

杨洪

核桃编程资深前端开发

主导核桃编程复杂组件库与通用业务模块的设计与实现,负责直播教师端、学生端相关系统、内部业务系统的核心模块开发与重构升级。

喜鹊 AI助手:从需求到上线的“自动驾驶”

在智能研发的浪潮下,如何让研发流程更加高效与智能化成为众多公司关注的核心议题。喜鹊工具应运而生,它覆盖了需求全生命周期,通过 AI 测试用例生成、AI 需求遗漏分析、AI Code Review 等核心能力,实现研发流程的全面智能化,并支持自动拉群、技术方案集中管理、一键回填上线信息、构建信息直达测试等功能。

     依托五大 AI 能力,喜鹊工具实现了全流程的自动化与智能提效,操作零门槛,使研发流程节点人工操作量减少 50%。

听众收益:

a.产品经理:需求文档质量提升,减少反复澄清。

b.开发工程师:提升代码提测质量,将问题前置。

c.测试工程师:测试用例生成节省50%工时。

d.整个团队:沟通成本大幅降低,机器人自动传递关键信息。

分享大纲:

1. 应用场景介绍

2. 可行性方案

3. dify实践与优化

4. 长期演进:由辅助转向主导,自适应迭代

崔宇

去哪儿大前端中心

用户增长负责人

负责去哪儿用户增长前端工作,负责公司 UI 自动化测试系统 TARS 平台及用户行为回溯平台,有多年前端客户端开发经验。

去哪儿TARS AI 自动化测试系统

在 AI 浪潮的推动下,UI 自动化测试作为提升测试效率的重要手段,一直备受业界关注。尽管市面上已出现了众多借助 AI 实现 UI 自动化测试的工具与案例,看似功能完善,但在实际落地过程中仍面临诸多挑战。本次分享将深入介绍去哪儿在推进 AI 自动化测试落地过程中的实际问题与应对经验,带来一线的实践洞察与思考。

分享聚焦真实痛点与实战经验,内容干货满满。听众将不仅能够全面了解 AI 自动化测试方案的整体架构思路,还能掌握实践中常见问题的解决路径,为未来的测试体系建设提供有益参考。

分享大纲:

1. AI 为 UI 自动化测试带来的新机遇

2. 实际落地遇到的问题

3. 去哪儿 UI 自动化测试实践经验

4. 落地场景案例

5. 总结展望

大会流程

汇聚 AI 先锋,共探技术前沿;

这场干货盛宴,等你赴约!

跳转微信打开

  •  

自动驾驶系统的局部最优陷阱

原创 刘兰个川 2025-11-17 17:13 浙江

曾经推动进步的海量廉价数据,如今反而成了前进的桎梏。

作者:刘兰个川(Patrick Liu)

作者毕业于北京大学物理学系,目前供职于英伟达自动驾驶团队,撰稿仅代表本人立场。

01

技术演进之路


自动驾驶技术这些年的进步有目共睹。

十年前,系统主要依赖2D物体检测和语义分割来理解环境。随后,单目3D检测和车道线估计技术的出现,让系统能从单一摄像头中推断出深度与结构。发展到今天,多摄像头鸟瞰图感知技术(Multi-Camera BEV Perception)已经能将车辆周身环境融合成一个无缝的360度全景画面。

“看”得越准,便“想”得越远。

感知能力的进步也带动了预测和规划模块的发展。端到端驾驶系统应运而生,它能将视觉信号直接映射为控制指令,其驾驶表现比传统的规则系统更平滑、更自然,也更接近真人。

这一切的背后,都离不开一个核心引擎:数据飞轮。其运作流程“部署→路测→挖掘→训练→再部署”构成了一个驱动系统持续进化的强力闭环。

图:一个2019年的典型的数据飞轮,引自Andrej Karpathy的ICML主题演讲,2025年的数据飞轮没有太大变化

与学术界聚焦固定数据集的研究范式不同,工业界的逻辑是让系统能力随数据规模而生长。一旦评测发现系统的薄弱环节,便能自动挖掘海量相似场景投入训练。

对于特斯拉、理想、小鹏这类拥有庞大真实车队的公司而言,这些数据正是用户日常行驶中产生的天然副产品,收集成本极低。车队的每一公里行驶,都在为模型注入新的养分。

特斯拉将这一模式发挥到了极致:通过数百万辆行驶中的车辆,它构建了人类历史上可能规模最庞大的现实世界机器学习闭环。这一闭环或许确实能将安全水平提升至超越人类驾驶员的平均值,但其底层逻辑并未改变:系统的能力源于对大量数据的记忆,而每一个故障案例,都依然需要一个对应的数据补丁。

这个闭环设计精巧,却也隐含着它的终极和局限。

02

数据补丁的局限与出路


如果每次遇到特殊路况,第一反应都是“堆数据”,那我们打造的终究只是一套“擅长打补丁的系统”。

这类系统看似能闯过不少复杂关卡,本质上却依赖机械记忆而非真正理解,因此难以举一反三。一旦现实场景在已有数据的边缘发生细微变化,哪怕只是光照、天气或道路布局的差异,模型就可能再度失灵——它们是训练出来的“场景专家”,却成不了灵活应变的“通用司机”。

随着自动驾驶的运营设计域(ODD)不断拓宽,需要修补的漏洞数量几乎呈指数级增长。孟买的复杂换道、柏林的高速汇入、东京的窄路调头……每个问题都要经历独立的数据采集、标注和模型迭代。系统规模确实在变大,但我们“打补丁”的速度却远远跟不上新问题出现的节奏。

更严峻的是,容易解决的场景逐渐被覆盖殆尽,剩下的往往是数据稀缺、逻辑复杂的“硬骨头”,收集成本急剧上升,最终导致系统性能陷入平台期。

曾经推动进步的海量廉价数据,如今反而成了前进的桎梏。

当前的自动驾驶系统,本质上是一本写满“如果-那么”规则的电子操作手册。在熟悉的场景中它们游刃有余,一旦跨出已知边界就显得力不从心。

它们精于重复,却弱于泛化。现有技术路线基于一个美好却脆弱的前提:所有问题都能通过“投喂”更多数据,在有限时间内解决。然而,当系统面对那些真正罕见、完全超出其训练经验的“黑天鹅”事件时,这条路径便走到了尽头。

要实现真正的全自动驾驶,我们必须转向构建具备通用法则理解能力的系统。这样的系统能够推理他车意图、洞悉因果链条、理解物理约束与社会惯例,从而突破数据本身的局限。唯有掌握这种“举一反三”的认知能力,才能系统性地解决长尾难题。

操作手册式的系统注定无法规模化,“场景专家”也永远走不出舒适区。这正是自动驾驶技术面临的局部最优困境:

我们在一条看似正确的道路上不断前进,却最终抵达了一座无法逾越的高墙之下。

03

机器人学的逆境启示


自动驾驶领域一直享受着廉价数据的“红利”,机器人学却长期面临着“数据饥荒”的考验。

正如英伟达GEAR团队负责人Jim Fan在近期演讲中指出的,如果说互联网规模的文本是大语言模型赖以发展的“化石燃料”,那么机器人学几乎是在“无米之炊”的困境中前行。这个领域依赖的是珍贵的“人力燃料”——需要专家进行繁琐的遥控操作,而机器人本身能够自主工作的时长又极为有限。

面对这种先天不足,机器人学家们被迫在算法层面寻找突破口。他们打造的模型必须具备“小样本学习”的能力:既要能消化多种传感器传来的异构信息,又要能进行跨模态的推理,还要善于从有限的真实数据中提炼出普适的规律。

这种严苛的要求,反而催生了视觉-语言-动作模型(VLA)的突破。VLA模型的精妙之处在于,它既继承了互联网预训练赋予的常识推理能力,又能将这些知识与真实的传感器观测相结合,最终转化为精准的底层控制指令。在这个过程中,语言充当了“思维链条”的角色,让机器人在行动之前能够进行必要的逻辑推演。

颇具讽刺意味的是,正是这种数据的极度稀缺,反而锻造了机器人学独特的竞争优势——在有限信息中提炼智慧的能力。当自动驾驶还在依赖数据量的堆砌时,机器人学已经走上了一条更具普适性的道路。

04

语言智能体的启示


在数字世界的另一端,语言智能体正以另一种形态快速发展。虽然它们没有物理实体,无法像自动驾驶汽车或机器人那样直接与环境交互,但它们的演进轨迹同样为我们提供了宝贵镜鉴。语言模型预训练的成功经验揭示了一个关键认知:构建真正可用的智能体是一项系统工程,其复杂程度远超训练单个模型。

CoALA框架集成了数十年认知系统研究的精华,并针对大语言模型时代进行了重新设计。这个框架清晰地勾勒出智能体的核心架构:长期记忆、工作记忆与外部环境构成的三位一体。在这个体系下,智能体通过感知获取环境信息,借助检索或推理整合知识,基于内在的决策逻辑做出判断,最终通过行动改变环境或更新自身的记忆体系。

图:语言智能体的架构图,引自Cognitive Architecture of Language Agents论文

值得深思的是,无论是模块化设计的传统自动驾驶栈,还是端到端的新一代系统,都可以纳入这个统一框架来分析。它们确实具备了智能体的基本构件——感知、记忆、决策、执行,但仔细审视就会发现一个关键缺陷:深度推理能力的缺失。

这种对比直指问题的核心:当我们在自动驾驶系统中不断追求更高的感知精度、更大的记忆容量、更优的决策规则时,是否忽略了最根本的认知能力——推理?

语言智能体的发展路径给我们敲响了警钟:真正的智能不仅在于知道“是什么”,更在于理解“为什么”。

图:各类语言智能体和自动驾驶系统的对比,扩展自Cognitive Architecture of Language Agents论文

05

自动驾驶2.0到3.0:范式跃迁


业界常将端到端的“学习型驾驶”范式称为自动驾驶2.0,其核心理念是从海量数据中直接学习驾驶能力。它用一个能够将像素直接映射为控制信号的神经网络,取代了自动驾驶1.0时代需要手工构建的感知、预测和规划等独立模块。

英伟达是这条技术路径的早期开拓者,而特斯拉的FSD系统也遵循着相似的逻辑:不依赖人工设定的明确规则,而是通过不断积累的数据和持续的模型迭代,实现系统能力的渐进式提升。

尽管这种方法取得了令人瞩目的进展,但其发展瓶颈也已显现。当系统面对训练数据中罕见或完全未见的场景时,往往表现得束手无策。究其根源:自动驾驶2.0本质上是数据驱动,而非推理驱动。

要突破这一局限,我们必须转向以推理为核心的新架构。

这个即将到来的新阶段——自动驾驶3.0,旨在打造这样的系统:它不仅能够从历史数据中学习,更能在实际运行中进行逻辑推断、提出合理假设,并动态调整自身行为。

06

自动驾驶3.0的四大支柱


  • 推理能力

推理的实质是在运行过程中动态创造新知识,这是一种基于理解的推断能力,而非简单的模式匹配。它使系统能够建立假设、推演不同方案的可能结果,并在信息不完备的情况下做出符合因果关系的决策。

即使在那些不需要复杂推理的场景中,这种能力也能显著提高数据的利用效率,降低对大规模重复训练的依赖。

  • 常识性认知

一个具备推理能力的智能系统,必须掌握人类在日常生活中积累的那些不言自明的知识——我们称之为常识。它需要懂得“雨天路滑应提前减速”、“行人徘徊在斑马线旁可能准备过马路”,以及“车辆在出口车道减速很可能是要驶离高速”。

  • 长时程记忆

真实的驾驶决策建立在数分钟的时间维度上,而非单个瞬间。

一个合格的驾驶系统必须能够记住刚刚发生的事件(比如前方道路突然封闭,或者旁边车辆强行并线),并据此调整后续的驾驶策略。这就要求系统具备持续存在的长时程记忆,能够在整个行驶过程中保持对环境和决策上下文的理解。

  • 解释与交互

自动驾驶绝不能停留在“黑箱”状态。为了赢得用户信任,系统必须能够解释自己的行为逻辑(例如,“我减速是因为检测到前车刹车灯亮起”),同时理解人类的自然指令(比如,“在下一个路口的咖啡店停车”)。解释能力建立透明与信任,交互能力则让机器智能真正为人所用。

07

从代码,到数据,再到推理


自动驾驶的决策体系的演进经历了三个鲜明的阶段:

  • 自动驾驶1.0是代码优先:这一阶段的决策逻辑完全由工程师手动编写——成千上万行的“如果-那么”规则、启发式判断与优化算法,构成了系统的“大脑”。虽然能在特定场景下有效运转,但整体系统脆弱且僵硬。

  • 自动驾驶2.0转向数据优先:基于庞大车队收集的真实驾驶数据所训练的端到端模型,逐步接管了各个驾驶模块。系统驾驶风格因此变得更平滑、更类人,但其智能本质上仍是对所见数据的“高级模仿”,难以超越训练集的范围。

  • 自动驾驶3.0将是推理优先:模型不再仅仅记忆数据,而是开始内化驾驶规则、理解事件间的因果关系,并有效利用记忆进行思考。这将赋予系统真正的“外推”能力——即使面对从未见过的场景,也能基于理解做出合理的决策。

如果说2.0的精髓是“熟能生巧”,那么3.0的目标就是“融会贯通”。

这一范式转变已初现端倪。英伟达在2025年10月发布的Alpamayo-R1模型,便将显式的因果推理与轨迹规划整合进一个统一的VLA架构中。无独有偶,特斯拉在ICCV 2025及近期财报会上也明确表示,其下一代FSD系统将是一个端到端且推理增强的驾驶智能体。

这些不约而同的战略转向,昭示着一个新共识:自动驾驶的未来,正从“用数据打补丁”迈向“用推理求突破”。

08

为什么语言至关重要


虽然推理能力本身不局限于语言,但在现有的所有信息模态中,语言无疑是技术最成熟、控制最精准、且扩展性最强的载体。大语言模型的出现,已经将语言从单纯的交流工具,升维为一个支撑智能的基础设施——这套设施已经初步具备了实现自动驾驶3.0所需的核心能力。

  • 推理:大语言模型是第一批展现出“涌现”推理能力的人工智能系统。尽管多模态推理的研究日新月异,语言在其中依然扮演着不可替代的“思维骨架”角色。

  • 常识:语言是我们通往人类集体智慧最宽广的桥梁。大语言模型是目前唯一能成功从互联网级别的数据中,有效提炼出人类常识的知识蒸馏系统。相比之下,视觉等模态的预训练至今仍面临“能识别,难理解”的瓶颈。

  • 记忆:语言天然是经验的容器。瞬息万变的驾驶体验,可以通过语言被凝结成一段段可追溯、可解读的“叙事日志”。系统能够随时调阅这些持续滚动的上下文,就像现代智能体框架(如LangGraph)通过分层摘要和检索来高效管理记忆一样。

  • 解释与交互:语言生来就具备可解释的基因。一个统一的语言接口,就能完成决策解释、指令遵从、意图对齐等一系列关键任务,让机器与人的协作变得自然流畅。

语言或许不是自动驾驶的“终极答案”,但它无疑是当下最可行的路径。它为我们搭建并验证“推理优先”的系统架构,提供了一条清晰且坚实的工程栈道。

人类语言并非偶然的造物,而是数百万年认知进化锤炼出的工具。正如研究员姚顺雨所言:“语言是人类为了泛化而发明的工具。”

在大语言模型的推动下,它已成为我们构建认知系统最得力的接口。即便未来具身AGI会引入新的交互模态,语言也仍将作为智能的核心骨架,是所有理解得以构建、分享与传承的基础。

09

认清语言的边界


当然,语言并非自动驾驶的万能钥匙。它善于处理高层决策,例如规避高风险行为(如快速变道加塞、跟车太近不刹车),也能理解复杂的长尾场景(道路封锁、临时标志)。

然而,语言模型难以解决细微的运动控制控制问题,比如在湿滑路面上精确控制刹车,或在急弯中规划最优轨迹。这类问题仍需在自动驾驶2.0的框架下,通过高质量的数据驱动方法来解决。

一言以蔽之:我们必须在2.0的层面上把“车开稳”,才能在3.0的层面上让“车开好”。

10

跳出局部最优


到了“推理时代”,我们需要的数据也变了。不再是同一种情况的无限重复,而是富含推理过程的数据:

  • 决策背后的思考链条:不仅记录行为,更要捕捉人类做出该决策的完整推理过程;

  • 语言引导的示范教学:通过自然语言指令,演示如何在不同情境中分析、判断与执行;

  • 反事实推演训练:系统性地探讨“如果当时选择另一条路径,结果会怎样”的假设性问题;

  • 长程记忆的构建与使用:模拟人类在持续行驶过程中对关键信息的记忆、提取与运用。

这意味着,我们的核心任务从标注“发生了什么”,转变为解读“为何这样发生”。

如果你也身处自动驾驶或具身智能领域,现在也许是时候审视自己的技术路线了:

  • 我们是否陷入了“用数据解决数据问题”的循环?

  • 系统的“情境记忆”能持续多久?它以何种方式影响后续决策?

  • 假如我们停止无休止的数据修补,转向构建真正的推理能力,整个系统会发生怎样的质变?

自动驾驶的下一轮突破,不会来自又一个更大的数据集。现在,或许正是我们共同跳出这个舒适区的时刻。

致谢

感谢与赵京伟(小米)、陈龙(前Wayve,现小米)、詹锟(理想汽车)和José Álvarez(英伟达)的深入交流,他们的见解为本文提供了重要启发。

参考资料

    The Physical Turing Test: Jim Fan on Nvidia's Roadmap for Embodied AI

    张小珺Jùn|商业访谈录: 对OpenAI姚顺雨3小时访谈:6年Agent研究、人与系统、吞噬的边界、既单极又多元的世界

    Ilya Sutskever full talk at NeurIPS 2024 Vancouver 15/12/2024

    Cognitive Architectures for Language Agents

    ReAct: Synergizing Reasoning and Acting in Language Models, ICLR 2023

    RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control

    A Crash Course of Planning for Perception Engineers in Autonomous Driving

    End to End Learning for Self-Driving Cars, Nvidia

    Reimagining an autonomous vehicle, Wayve

    Memory Overview, LangChain

    A Brief History of Intelligence: Evolution, AI, and the Five Breakthroughs That Made Our Brains

    Workshop on Knowledge-Intensive Multimodal Reasoning, ICCV 2025

    Thinking with Images for Multimodal Reasoning: Foundations, Methods, and Future Frontiers

    Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail, Nvidia

    Tesla's approach to Autonomy, ICCV 2025

    Tesla Q3 2025 Financial Results and Q&A Webcast

    附录

    长期记忆:智能驾驶的认知基石


    缺乏持续的记忆,任何复杂的推理都难以立足。

    让我分享一个亲身经历。在硅谷的一个夜晚,我与同事驱车返回公司时,发现主干道因夜间施工全部封闭。更麻烦的是,导航应用因数据更新延迟,提供的绕行路线完全无法通行。

    我们连续尝试了两条备选路线,都在施工路障前被迫折返。最终的成功来自记忆与实时推理的协同作用:我们需要准确记住已经证实不可通行的路口,同时根据实时观察到的路况,动态优化新的行驶路径。经过十分钟的第三次尝试,我们终于找到了有效的绕行方案。

    这正是人类驾驶员的优势所在:我们的决策建立在分钟级别的时间维度上,而非秒级的瞬时反应。我们能够构建并维护一个动态的“认知地图”,记住过去的经验教训,并用于指导未来的决策。

    而这一点,恰恰是当前自动驾驶系统的核心短板。

    主流系统普遍缺乏持续数分钟的上下文记忆能力。它们为每个瞬间独立做出判断,导致容易在相同的困境中重复失败。这正是传统“数据补丁”方法无法解决的根本问题——你不可能为所有依赖记忆和情境理解的动态场景预先准备训练数据。

    解决方案或许在于语言的力量。设想一下,如果系统能够将感知到的事件(比如“Oak路口封闭”、“El Camino绕行失败”)实时转化为简洁的语言记录,形成连续的“航行日志”。那么,决策系统就获得了一个稳定、可检索、可推理的“记忆基座”。

    这也揭示了全自动驾驶与通用人工智能之间的内在联系。要想在任何环境下实现人类水平的驾驶能力,系统必须掌握抽象思考、长期规划、持续记忆和社会化推理——这些能力的有机结合,在功能层面已经趋近于AGI的核心特征。

    推荐阅读


    阅读原文

    跳转微信打开

    •  

    有赞微信小程序接入Skyline的实践

    原创 有赞共享技术 2025-09-03 11:19 浙江

    本文讲述了有赞微信小程序接入 skyline 引擎,来实现我们的打开商详场景的“秒开”效果

    有赞微信小程序接入Skyline的实践

    小程序与移动端体验

    移动端技术早期主要由两大平台主导:从 Web 演变而来的H5技术,以及手机厂商的原生(Native)技术。受限于当时的技术与开发效率,许多厂商依然选择 H5 承载业务,并借助 Hybrid 方案调用原生能力。微信小程序作为轻量化应用的早期探索者,为此提供了标准化的解决方案。

    随着移动端技术持续进步,用户对体验的要求不断提高。习惯原生应用流畅体验的用户,对 Hybrid 等类 Web 方案体验感受越来越差。而微信小程序基于 Webview 引擎的原因,也没法实现更多 Native 的体验。为提升用户体验,微信小程序进行了技术革新,推出Skyline渲染引擎,显著提升了渲染性能与交互流畅度,使小程序的用户体验接近原生应用。

    微信小程序
    微信小程序

    针对电商的高频场景,商品列表打开商详,我们从技术发展的角度,给大家一些案例,直观的感受下不同技术实现能带来的体验差别。

    我们先对比 传统 Web 和 微信小程序,传统 Web 跳转切页有明显的 loading 加载过程。而微信小程序的技术架构,让整个切页加载体验有了大幅提升。

    H5页面跳转
    H5页面跳转
    小程序跳转
    小程序跳转

    再看看,小红书、淘宝等原生 APP 的切页过程。

    小红书
    小红书
    淘宝
    淘宝

    很明显,原生 APP 在同样的跳转交互下,做到了更优的体验。其中有几个关键的细节:

    • 新页面在展开过程中,无白屏、闪动的现象。

    • 整个展开过程,有过渡动画,由点击卡片向全屏展开

    • 打开速度非常快,秒级直出。

    有赞小程序在对部分页面接入 Skyline 引擎后,持续优化。最终实现了类似原生体验的路由切换效果,整个跳转过程做到了首帧无白屏,包含过渡效果,并且达到秒级直出。

    先看效果:有赞小程序

    接下来我们对整个优化的几个关键点做具体介绍。

    如何实现页面切换首帧无白屏

    什么是首帧?

    有赞对于首帧的定义是切页出现后,用户看到的第一帧画面。

    图中红色区域标记的为用户看到的第一帧画面,即为首帧。

    切页首帧
    切页首帧

    哪些内容可以进入首帧渲染?

    只要在组件 attached 生命周期前(含)通过 setData 设置上去,就会在首帧渲染。微信文档[1]

    官方文档未明确说明数据注入的姿势,考虑大家实际的业务场景,我们这里需要对比同步数据和等待异步数据两种注入方式。



      // 示例数据
      const testContent = 'Lorem ipsum dolor sit amet, consectetur adipiscing elit…………'; 


      data() {
          content: '';
      }


      // 同步代码示例
      attached() {
          this.setData({
              content: testContent
          });
      }


      // 异步代码示例
      attached() {
          setTimeout(() => {
                this.setData({
                  content: testContent
                });
          }, 200) // 200ms 模拟等待异步执行
      }
      同步注入
      同步注入
      等待异步注入
      等待异步注入

      关注切页后的【红色文字内容】,只有通过同步注入,才能在首帧进行渲染展示。而异步注入的内容,则会错过首帧渲染,直到页面打开之后才展示。

      那是不是只要在 Webview 引擎下保证首屏数据在 attached 周期注入,就能确保“首帧无白屏”了呢?我们通过简单的实验来验证。

      我们首先验证最简单的场景,在 Webview 下直接注入首屏数据,观测是否能实现首帧无白屏渲染。

      实验一:Webview 下直接注入数据



        // 示例数据
        const testContent = 'Lorem ipsum dolor sit amet, consectetur adipiscing elit…………';


        data() {
            content: '';
        }


        // 同步代码示例
        attached() {
            this.setData({
                content: testContent
            });
        }
        Webview 快速注入
        Webview 快速注入

        结论:Webview 在 attached 直接注入简单数据,可实现首帧无白屏。

        少量的数据往往是在验证阶段编写 demo 采用的。但实际业务情况是,页面的首屏会有大量数据,并包含一系列的执行逻辑和计算过程。我们用实验二来模拟更接近实际的运行场景。模拟的方式是加一段阻塞代码,模拟业务逻辑执行等。

        实验二:Webview 下模拟大量计算逻辑后注入



          // 示例数据
          const testContent = 'Lorem ipsum dolor sit amet, consectetur adipiscing elit…………';


          data() {
              content: '';
          }


          attached() {
              function sleep(ms) {
                const start = Date.now();
                while (Date.now() - start < ms) {
                  // 空循环,持续检查时间差
                }
              }
              sleep(1000); // 模拟计算逻辑阻塞
              this.setData({
                  content: testContent
              });
          }
          Webview
          Webview

          结论:在 attached 中包含一定量的计算逻辑后,Webview 路由先完成,渲染后完成,会产生白屏闪一下的问题。

          实验三:Skyline 下模拟大量计算逻辑后注入



            // 代码同实验二
            Skyline
            Skyline

            结论:在同场景下,Skyline 切页过程是渲染先完成,路由动画后完成,整个过程无白屏。

            通过上面的实验,我们可以得出结论,Skyline 即使在有数据逻辑阻塞下,也能保证首屏内容的稳定输出。接下来,我们还可以继续对 首屏数据 和 路由动画这两个点进行深度优化。

            首屏数据准备

            首屏数据作为首屏渲染的关键依赖,想要更加顺畅的提升速度。可以有以下思路进行优化:

            • 在前一页面预加载下一页首屏数据,抽象一个预加载模块,专门用于商品信息预加载的逻辑。

            • 拆分下一页数据,仅保留首屏视窗内可见的数据。

            • 服务端承担部分计算逻辑,确保页面拿到数据可以直出。

            路由动画接入

            在 Skyline 引擎下,使用微信内置的 open-container 组件,可以轻松实现和原生页面切换一样的路由动画效果。还支持多种切换模式,以及自定义配置。官方文档[2]



              <open-container class="card-item" bind:tap="goDetail">
                  <small-card class="card-item" />
              </open-container>
              路由动画
              路由动画

              从上面的分析中,我们发现 Skyline 包含诸多优秀的新特性,可以让用户体验进一步提升。接下来我们简单介绍下 Skyline 引擎如何接入,以及在接入过程中需要注意的地方。

              接入 Skyline 引擎

              Skyline 以性能为首要目标,因此 CSS 特性上在满足基本需求的前提下进行了大幅精简,目前 Skyline 只保留更现代的 CSS 集合。另一方面,Skyline 又添加了大量的特性,使开发者能够构建出类原生体验的小程序。小程序支持页面使用 WebView 或 Skyline 任一模式进行渲染,Skyline 页面可以和 WebView 页面混跳。 所有从 Webview 引擎的页面接入 Skyline 引擎后,页面大概率会出现样式结构错乱的。我们适配的重点,就在于 样式和结构上的调整。

              样式和结构的适配调整,包含诸多细节,这里只列举了常见的问题,更多细节调整可以参考官方文档。

              样式适配

              在 Skyline 下 text-overflow:ellipsis,仅用于 text 组件,原先如果是 view 组件实现的,会出现文字超长无法省略,可以用 text 重新实现。

              结构适配

              在 Skyline 下,overflow 不支持 scroll 属性,只能通过 scroll-view 实现;不支持单独设置 overflow-x/y。

              Skyline 配置

              小程序对于 Skyline 引擎的使用是具体到页面的,并不需要考虑整体小程序切换的影响,可以渐进式,对部分页面进行逐步升级。接入的话,需要分别 app.json 和页面的 index.json 写入配置代码。



                // app.json
                "rendererOptions": {
                    "skyline": {
                      "defaultDisplayBlock": true,
                      "defaultContentBox": true,
                      "tagNameStyleIsolation": "legacy",
                    }
                },
                "lazyCodeLoading": "requiredComponents",



                // 页面 index.json
                "renderer": "skyline",
                "componentFramework": "glass-easel",

                灰度上线

                为保证线上商家小程序稳定,有赞 Skyline 小程序上线过程中,灰度控制是重要的一环。 我们的灰度包含两个环节控制

                • 有赞内部的小程序灰度机制,对商家进行分流,部分商家接入 Skyline 版本,部分接入Webview 版本。

                • 微信提供的 Skyline 灰度机制。针对终端用户的灰度筛选,控制项包含微信版本、基础库版本等。官方文档[3]



                  // app.json
                  // 可分别控制 基础库、iOS、Android、鸿蒙设备微信版本
                  "rendererOptions": {
                      "skyline": {
                        "disableABTest": true,
                        "sdkVersionBegin": "3.0.1", // 基础库最低版本
                        "sdkVersionEnd": "15.255.255", // 填最大值,否则之后的新版本会不生效
                        "iosVersionBegin": "x.y.z", // iOS 微信最低版本
                        "iosVersionEnd": "15.255.255", // 填最大值,否则之后的新版本会不生效
                        "androidVersionBegin": "x.y.z", // 安卓微信最低版本
                        "androidVersionEnd": "15.255.255", // 填最大值,否则之后的新版本会不生效
                        "ohosVersionBegin": "1.0.5", //  HarmonyOS 微信最低版本
                        "ohosVersionEnd": "15.255.255" // 填最大值,否则之后的新版本会不生效
                      }
                  },

                  结语:Skyline 特性在电商场景的更多探索

                  有赞微信小程序目前在 Skyline 引擎方面目前只接入了路由切换这一场景,配合数据预加载和首屏数据的优化,实现了首帧无白屏的秒开效果,当然还有更多场景可以探索,比如分段半屏,搜索栏吸附,沉浸式商品浏览等。官方Demo[4]

                  引用

                  [1]https://developers.weixin.qq.com/miniprogram/dev/framework/runtime/skyline/share-element.html

                  [2]https://developers.weixin.qq.com/miniprogram/dev/framework/runtime/skyline/open-container.html

                  [3]https://developers.weixin.qq.com/miniprogram/dev/framework/runtime/skyline/migration/release.html#%E5%8F%91%E5%B8%83%E4%B8%8A%E7%BA%BF

                  [4]https://developers.weixin.qq.com/miniprogram/dev/framework/runtime/skyline/experience.html

                  文末福利

                  有赞研发团队前端、后端、客户端、测试、AI开发、运维开发、数据开发等多个岗位招聘中,看机会的伙伴可以将简历发送至 zhuzhuyun@youzan.com。

                  阅读原文

                  跳转微信打开

                  •  

                  AI Test:AI 测试平台落地实践

                  原创 有赞共享技术 2025-08-27 10:46 浙江

                  人工智能正在深度改变各行各业,软件测试也不例外。随着 AI 在自然语言理解、图像识别、意图规划等方面的成熟发展,测试方法正在从【人 + 代码驱动的传统测试】 向 【AI 驱动的智能测试】转型。

                  AI Test:AI 测试平台落地实践


                  一、AI 正在重塑软件测试领域

                  人工智能正在深度改变各行各业,软件测试也不例外。随着 AI 在自然语言理解、图像识别、意图规划等方面的成熟发展,测试方法正在从 “人 + 代码驱动的传统测试” 向 “AI 驱动的智能测试” 转型。

                  AI 的出现,使构建低门槛、高覆盖、强适应性的测试体系成为可能。

                  AITest 项目的提出,正是为了探索如何解决测试领域长期存在的难题。


                  二、AI 落地的现实挑战

                  1. AI 模型的固有局限

                  • 幻觉问题:模型可能输出看似合理却错误或编造的信息,在高精度场景中尤为致命。

                  • 不确定性:LLM(大型语言模型)是概率生成模型,决策过程不透明,输出难以解释且结果不稳定。

                  • 性能问题:大模型存在响应速度慢、吞吐能力有限的问题(多模态更严峻),在低延迟、高并发的场景中很难满足要求。


                  2. 与系统/工作流的集成挑战

                  系统集成误区

                  误区一:AI = 聊天机器人
                  简单地把 AI 理解为交互方式的变化,只关注对话体验,而忽视了 AI 在决策、规划、自动化上的潜力,人为限制了 AI 的价值发挥。

                  误区二:AI 能力 = 产品能力
                  把 AI 的生成能力直接当作产品能力,而忽视了完整的 产品化、工程化过程。这样做出来的往往只是一个 demo,不具备生产可用性。

                  误区三:直接接入大模型 = 平台智能化
                  低估工程化的投入。要使 LLM 具备业务理解力、稳定性和可控性,需要大量“辅助工程”,包括数据预处理、模型微调、知识图谱、反馈机制等。

                  系统集成思路

                  明确现有工作流

                  • 梳理清楚现有系统的工作流,明确人、程序各自负责的节点,识别确实存在的痛点。

                  • 探讨可行的技术方案,评估 AI 接入是否真正能解决问题。

                  识别切入点

                  • 哪些环节可以引入 AI?例如需求理解、环境搭建、用例调试、报告分析。

                  • AI 能解决哪些痛点?主要聚焦于意图理解、模式识别、信息提取与生成等任务。

                  集成策略设计

                  • AI 的输入/输出与现有系统如何对接?

                  • 执行闭环如何建立?如何通过反馈机制让 AI 持续改进?

                  • 如何保证 AI 系统具备环境感知和自我调整的能力?

                  AITest 工作流

                  图片
                  图片

                  3. 与人的集成挑战

                  AI 的落地不仅是技术问题,也涉及人机关系的再设计。

                  AI 信心指数

                  • 经验丰富的人员对确定性要求极高。

                  • 一次小失误,就可能大幅削弱他们的信任,破坏其高效工作流。

                  人机协同困境

                  • 缺乏明确的人机协作边界。

                  • 难以判断 干预时机、修改方式、对 AI 的合理预期。

                  信息指数
                  信息指数

                  4. 产品交互与 AI 效果的优先级

                  在 AI 项目中,产品交互的价值常被讨论,有两种观点:

                  交互重要派

                  • 好的产品交互是兜底手段,在 AI 出现不确定性时,引导用户修正;

                  • 清晰的反馈、明确的状态、可控的流程;

                  • 能够帮助用户降低门槛、增强信任。

                  交互不重要派

                  • AI 的核心价值在于能力,而不是外壳;

                  • 如果 AI 效果不好,再好的交互也无济于事,无法真正解决用户目标。

                  实践建议

                  • 早期项目:优先打磨 AI 核心能力,确保核心流程跑通。

                  • 中期项目:完善交互作为兜底,优化流程,保证最基础的用户体验。

                  👉 总结:好的交互体验是必要条件,但真正的优先级应当给到 AI 核心能力。

                  产品交互优先级
                  产品交互优先级

                  三、AI 驱动测试的理想与现实

                  • 理想愿景:完全自动化测试 —— AI 能够独立理解需求、生成用例、执行验证,甚至自动修复。

                  • 现实状态:目前的 AI 还难以独立承担复杂逻辑处理、数据初始化、状态追踪等任务。

                  因此,在相当长的一段时间内,AI 测试必然处于 “AI + 人” 协同模式。
                  人机协同,是当前价值最大化的可行路径。

                  换句话说,AI 测试的未来方向很明确:走向完全自动化。但在能力尚未成熟之前,我们必须接受一个“AI + 人”共存的过渡阶段。

                  什么时候能实现理想愿景?要么依赖大模型能力的重大突破,要么通过更强的工程化手段解决幻觉、不确定性、性能等问题。

                  👉 所以,完全自动化是目标,但人机协同才是当下的现实与必经之路。


                  四、AITest 的项目经验

                  1. 核心经验总结

                  • 经验一:模型 ≠ 系统
                    模型只是具备单一能力的 Agent,应专注于特定任务。凡是可以由传统程序解决的,不必交给模型。

                  • 经验二:差异化协同策略

                    • 简单任务 → 由 AI 决策,人工审核;

                    • 复杂任务 → 由 AI 辅助,人工决策;

                    • 人始终保持最终控制权,并通过反馈机制修正 AI 的结果。

                  • 经验三:AI Native ≠ 颠覆产品形态
                    AI 的价值在于增强功能、优化工作流,而不是推翻既有产品形态。
                    解决痛点 > 炫技式重构,这是更现实的落地路径。


                  2. 实践要点

                  模型定位与预期管理

                  • 明确 LLM 的核心价值(意图理解、模式识别、原因分析等),不要期待它成为万能解法;

                  • 避免过度依赖,把 AI 视为“辅助工具”更符合当前能力。

                  人机职责划分与协作

                  • 清晰定义边界:AI 负责用例生成、初步分析;人负责审核、决策、确认;

                  • 设计便捷的人机交互界面,让用户能随时修改 AI 结果并提供反馈。

                  工作流程闭环

                  • 数据驱动:沉淀 AI 生成结果、执行数据、缺陷与反馈;

                  • 效果评估:设定指标(用例生成效率、缺陷发现率、误报率、修正成本);

                  • 持续迭代:定期优化 Prompt、模型与知识库,保证系统长期演进。


                  五、AI × 程序的协同设计

                  1. AI 与程序的角色

                  AI 的角色

                  • 负责理解、规划与探索,这些任务是传统程序难以胜任的;

                  • 在这些场景中,AI 扮演了“人的能力”,能够处理模糊、非结构化信息。

                  程序的角色

                  • 具有高度准确性和一致性;

                  • 在绝大多数标准化、重复性的任务中表现稳定可靠,效率高于 AI。

                  协同原则
                  在设计 AI 产品或 AI 驱动的测试系统时,应充分利用两者的互补优势:

                  • 程序负责核心执行,确保稳定性和性能;

                  • AI 在边界场景提供辅助、兜底与纠错能力;

                  • AI 输出可用于订正程序配置,形成闭环优化。

                  2. AITest 实践示例:用例执行

                  1. 程序优先执行

                    • 高性能执行标准化测试用例,保证效率与一致性。

                  2. AI 兜底执行

                    • 对程序执行失败或边界异常的用例进行补充执行,提升整体稳定性。

                  3. 循环优化

                    • AI 识别的信息反馈给程序配置,用于下一轮优化;

                    • 形成 AI + 程序的闭环协同,持续提升测试质量与效率。


                  六、反馈与优化的重要性

                  AI 的输出天然存在不确定性,因此失败是优化的前提。在 AI 项目中,反馈与优化是持续提升系统能力、实现可控性的核心机制。

                  闭环优化的核心目标
                  让 AI “记住教训”、形成偏好、学习更优策略,构建可追踪、可学习、可演进的系统能力。

                  关键步骤

                  1. 案例数据沉淀

                    • 收集失败案例和人工修正样本;

                    • 将高价值数据沉淀,用于后续训练和改进。

                  2. 提示词进化

                    • 基于沉淀的案例数据持续优化 Prompt;

                    • 提高生成结果的准确性和实用性。

                  3. 质量度量

                    • 建立关键指标,如生成准确率、修正率、误报率等;

                    • 通过量化效果评估优化策略,确保 AI 输出可控和可预测。

                  📌 核心理念
                  反馈与优化不是一次性的修复动作,而是系统性能力的建设。
                  持续沉淀数据、迭代优化提示、量化效果,形成闭环,让 AI 在实践中不断进化.

                  信息指数
                  信息指数

                  七、未来展望

                  AI 在软件测试中的演进将分为三个阶段:

                  1. AI 辅助测试

                    • 人主导,AI 辅助;

                    • 聚焦单点突破。

                  2. AI 驱动测试

                    • AI 主导,人监督;

                    • 接管大部分测试任务。

                  3. AI 自主测试

                    • AI 全面掌控测试流程;

                    • 人仅在复杂场景中介入。


                  结束语

                  AI 在测试领域的应用,核心在于 工程化思维 + 人机协同模式。
                  通过合理的模型定位、清晰的职责划分、完善的反馈机制,AI 才能逐步从辅助走向驱动,最终实现自主化测试。

                  AITest 项目的实践表明:AI × 程序 × 人 的协同,是推动测试智能化的最佳路径。

                  文末福利

                  有赞研发团队前端、后端、客户端、测试、AI开发、运维开发、数据开发等多个岗位招聘中,看机会的伙伴可以将简历发送至 zhuzhuyun@youzan.com。

                  阅读原文

                  跳转微信打开

                  •  

                  智能体(Agent)全景拆解:核心模块、技术实现与业务落地指南

                  原创 有赞共享技术 2025-08-13 17:28 浙江

                  本文解析智能体(Agent)的本质与核心架构,详解感知、记忆、规划、行动四大模块的技术实现(含LLM、RAG、ReAct、Plan-and-Solve等),结合真实案例(如蛋糕烘焙助手、商机挖掘)探讨落地挑战(评估、成本)与选型策略。

                  1 什么是Agent

                  智能体(Agent) 是指能够感知环境、进行决策并采取行动以实现某种目标的系统。

                  现在我们把Agent想象成一个人,这样便于我们更好的理解,比如说我们走在路上,看到对面有辆车开过来了,这个时候我们本能的会去躲避,那整个过程是怎么发生的呢?

                  看到对面有车开过来,这是通过眼睛看到信息,通过神经传递给大脑,大脑调动之前的记忆发现如果这个时候不躲开,就有可能会被车撞,然后驱动着脚走到旁边去。

                  上面的过程就是感知路面环境、大脑决策最后采取行动的过程。基于上面的过程我们可以看出,Agent会包含以下核心模块。

                  2 Agent核心模块

                  见下图,不同的机构或团队对Agent的核心模块划分不同,但都包含了感知、记忆、规划和行动四个模块。
                  Agent核心模块

                  2.1 LLM(大语言模型)

                  先简单说下大语言模型,它是智能体的核心,相当于人的大脑,背后的神经网络设计也是基于人类大脑的神经系统,尤其是神经元(Neuron)之间的连接与信号传递方式。

                  关于大语言模型就不再详细说了,大家基本每天都在用。然后还是想着重说下深度学习,因为它与传统的软件研发流程不一样。就像AI大神卡帕西(斯坦福读书时的导师是李飞飞, OpenAI的创始成员之一,后面被马斯克亲自招募,出任特斯拉的AI总监,之后又回到OpenAI,去年,他正式宣布离开OpenAI)最近的一个演讲中,提到的一个概念,叫 “软件3.0”。

                  • 软件1.0,是我们最熟悉的传统软件研发流程,指的是由人类程序员一行行编写代码的方式,我们之前的研发流程都属于软件1.0。

                  • 软件2.0,是随着深度学习的兴起而出现的。它的核心已经不再是人工编写的代码,而是通过训练来控制神经网络的权重。这个阶段,很多事情不再依赖程序员去手动写逻辑,而是依靠数据驱动模型进行“学习”,而且泛化能力也很好。

                  • 软件3.0,就是我们现在通过cursor、trae、winself等AI 开发工具用自然语言进行编程,它大大降低了软件创造的门槛。

                  但仔细想想我们好像直接从1.0跳到了3.0,并没有经过2.0,但实际上软件2.0的应用其实还是蛮多的,尤其是一些垂直行业,如医疗健康,让机器学习看片子,帮助医生看病;如农业领域,能够预测作物产量和优化种植策略;还有教育行业,能够个性化学习路径和提高学习效率等等。

                  所以我觉得大家有兴趣可以了解了解。推荐两本书:《深度学习革命》、《深入浅出神经网络与深度学习》。

                  2.2 Perception(感知)

                  即智能体对环境的感知,一个人可以通过眼睛、耳朵来感知环境,机器人可以通过雷达和摄像头感知环境,软件中主要是基于我们输入的上下文数据,可以是文本、图片、视频、语音、文件等等。

                  2.3 Memory(记忆)

                  大模型其实是没有记忆的,只能通过外部技术(如RAG、ES)模拟记忆效果,以增强任务表现和交互连贯性。

                  分为短期记忆(Short-term) 和 长期记忆(Long-term)。个人认为记忆对于大模型来说非常重要,因为随着对模型的不断使用,如果模型厂商如果把这些使用的记录全部变成记忆,那模型就会越来越懂我们,使用起来也会越来越顺手,而不像现在,每次在提示词上要还很多时间,而且换个窗口后又得重来一次。

                  2.3.1 短期记忆依赖模型上下文的token限制

                  参考代码如下, 在每次调用大模型的时候,需要将工具返回的信息、人的反馈信息等都塞到messages中,然后去调用大模型接口。

                    ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
                    interface ChatMessage {
                      role: 'user' | 'assistant' | 'system' | 'tool';
                      content: string;
                      tool_calls?: xxx;
                      call_id?: string;
                    }
                    class Memory {
                      private messages: ChatMessage[] = [];


                      constructor() {
                        this.messages = [];
                      }


                      addMessage(message: ChatMessage) {
                        this.messages.push(message);
                      }


                      getMessages() {
                        return this.messages;
                      }
                    }

                    2.3.2长期记忆依赖于外部组件(如RAG, elasticsearch)

                    可以通过文件或数据库来做存储介质,可以搜索、更新, 长期记忆又可以继续分,如用户画像记忆,情景记忆,事实记忆等。

                    • 接下来讲下在蛋糕烘培助手案例中是如何处理记忆的,实时的对话信息作为工作记忆,存在内存中,到达一定阈值后,由大模型来提取关键信息来作为短期记忆。然后上半年商机挖掘项目能够分析出客户画像,将这部分信息作为长期记忆存储起来,后续的对话,每次调用大模型的时候会进行召回并更新短期记忆的召回次数。这些短期记忆会进行周期性的评估(包括召回次数和重要性),重要的会合并进核心记忆,不重要的进行遗忘。

                    • 整体会分三层:工作记忆、短期记忆、 长期记忆

                    • 每次询问通过向量检索更新短期记忆召回次数

                    • 短期记忆由大模型来进行提取为边缘记忆,并设置重要性评分

                    2.4 Action(行动)

                    行动很好理解,LLM相当于我们的大脑,但是光有大脑,没有手脚也做不成事,所以Agent就需要借助外部的工具进行行动。

                    我们需要把我们的工具(包括名称、描述和需要的参数)告诉LLM,当LLM来决定是否用工具,以及什么时机用工具。

                    介绍下案例中使用的商品查询工具,即用户通过一个问题或图片就能找到商家后台商品库的商品

                    • 商品的关键词查找处理:

                      • 将商家后台的商品图片和标题通过多模态模型提取出关键信息;

                      • 大模型会提取出关键信息,然后让工具执行,在执行过程中将关键词和商家后台商品的关键信息项进行相似度检索,从而找出匹配的;

                    • 图片的查找处理:

                      • 将商家后台的商品图片向量化;

                      • 模型提取出用户想要的蛋糕商品图片链接,然后和商家后台商品图片进行相似度匹配;

                      ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
                      // 定义tools
                      const tools = [
                          {
                              "type": "function",
                              "function": {
                                "name": "query_goods",
                                "description": "查询蛋糕商品信息",
                                "parameters": {
                                  "type": "object",
                                  "properties": {
                                    "keywords": {
                                      "type": "array",
                                      "items": {
                                        "type": "string",
                                        "description": "蛋糕商品关键信息项",
                                      },
                                      "description": "蛋糕商品关键信息,包含适用场合、目标人群、风格、口味、主题、颜色等",
                                    },
                                    "image_url": {
                                      "type": "string",
                                      "description": "蛋糕商品图片链接",
                                    },
                                  }
                                },
                             }
                          },
                          ...
                      ];

                      2.5 Planning(规划)

                      规划这部分相对会复杂点,接下来主要将常见的两种规划模式,分别是ReAct和Plan-and-Resolve,除了这两种模式还有多Agent模式等。

                      2.5.1 ReAct(Reason + Action 推理 - 行动 - 反馈)

                      通过不断的推理、行动和反馈来最终完成用户的目标。

                      蛋糕烘培助手的流程如下图:蛋糕烘培助手

                      2.5.2 Plan-and-Solve

                      将任务分解成子目标并分布执行,这个和ReAct的区别是:Plan-and-Solve是先通过大模型将任务拆解,然后再分布执行,和ReAct是一步一步的去执行,两种模式适用的场景不一样。

                      比如说旅游规划的agent,就可以用Plan-and-Solve模式,先生成计划(如要了解天气、要了解住宿等),然后再解决计划, 最终整合让大模型完成回答, 当然中间也可以加反思,对计划进行反思等。

                      下面是基于Plan-and-Solve的流程图:

                      3 Agent评估报告

                      评估报告是Agent开发过程中不可或缺的环节,包括响应时间、完成度、工具使用情况、后续优化等,它能够系统性地收集和分析Agent的运行数据,为后续的优化和迭代提供科学依据。

                      所以在agent的设计环节都需要将这些数据都记录下来。

                      4 Agent成本分析

                      在做AI应用的过程中,我们经常会被问到一个问题,做个东西的成本怎么样?

                      AI相关应用与传统的应用之间的计费方式完全不一样了,所以Agent中每次的模型调用,所以针对Agent需要做成本分析。

                      基于成本分析可以进行价值回顾和agent的优化。

                      5 Agent vs Workflow

                      用一句话来概括它们之间的区别就是:Agent是你只需要告诉我你要什么,不需要告诉我怎么做,而workflow就是你要按照我编排好的路径来执行。一个是基于大模型来规划,一个是基于人来规划。

                      如何选择?

                      • 选Workflow

                        • 数据处理管道

                        • 文档审批流程

                        • 任务流程相对固定,步骤可预定义

                        • 需要严格的执行顺序和质量控制

                        • 要求高可靠性和可重复性

                        • 涉及多个系统集成,需要标准化流程

                        • 合规要求严格,需要审计追踪

                        • 如:数据处理管道、文档审批流程

                      • 选Agent

                        • 智能客服助手

                        • 个人AI助理

                        • 复杂问题诊断

                        • 任务需要动态决策和灵活应对

                        • 环境不确定性高,需要自主判断

                        • 要求个性化和上下文理解

                        • 需要创造性解决问题

                        • 用户交互频繁,需要对话式体验

                        • 如:智能客服助手、个人AI助理、复杂问题诊断

                      6 FM Agent 与 RL Agent

                      以上讲的都是FM Agent,是基于大型预训练模型(Foundation Model) 的智能体,比如基于 GPT-4、Claude、Gemini 等大模型构建的智能体。

                      核心能力是利用大语言模型(LLM)的理解、推理、规划和生成能力来感知世界、做决策、执行任务。

                      除了FM Agent,还有RL Agent,它是基于强化学习(Reinforcement Learning) 原理构建的 Agent。

                      它与环境交互,根据奖励信号学习最优策略,以最大化长期累计奖励。如DeepMind的AlphaGo Zero,在围棋游戏中击败了世界顶级选手,就是一个RL Agent。

                      7 最后

                      今天的分享只是掀开了 Agent 世界的一角。它的深度与潜力远不止于此,新的思路、框架与落地案例正层出不穷。希望这份经验与尝试,能为大家点亮一条更高效、更有趣的道路。

                      回过头来看,不论是 LLM、Workflow 还是 Agent,终究只是工具。只有当它们与真实业务场景发生化学反应,切实解决痛点,创造价值时,技术的光芒才会真正被点亮。愿我们带着好奇与敬畏,把技术的锋利,打磨成改变世界的钥匙。

                      文末福利

                      有赞研发团队前端、后端、客户端、测试、AI开发、运维开发、数据开发等多个岗位招聘中,看机会的伙伴可以将简历发送至 zhuzhuyun@youzan.com。

                      阅读原文

                      跳转微信打开

                      •  

                      文生图质量评估实战:有赞电商场景的量化评测体系

                      原创 有赞共享技术 2025-08-04 14:12 浙江

                      当 AI 生图成为刚需,我们如何定义“好图”?

                      破局思路:解耦评估与流程,通过构建一套独立于生成链路的第三方质量评估体系。

                      1. 当 AI 生图成为刚需,我们如何定义“好图”?

                      在电商经营的核心战场,商品主图与营销海报的生成质量直接联动商家点击率。有赞 AIGC 项目应需而生,聚焦服务门店运营者、店长等非专业设计人群,通过移动端提供「上传商品图 → 智能抠图 → 背景生成」的一站式解决方案,大幅降低创作门槛。

                      然而,随着文生图技术深度融入业务,一个核心矛盾日益凸显:

                      传统测试擅长验证流程逻辑,却在“生成内容质量”评估上捉襟见肘——

                      • 图像是否足够清晰专业?

                      • 内容是否精准匹配文案描述?

                      • 风格是否符合商家需求场景?

                      这些关乎转化率的关键维度,长期依赖主观、耗时的人工判断,缺乏客观、可量化的评估标准。业务的最终价值落在图像效果上,传统工具却对此无能为力。

                      由此我们想到了破局思路:解耦评估与流程。通过构建一套独立于生成链路的第三方质量评估体系——

                      • 不干预生产过程:专注于生成结果的客观评价;

                      • 输出量化质量分数:为每张图提供一致、可比较的“质量标尺”,填补 AI 内容自动化测试的关键空白。

                      这套体系的价值在于:

                      • 辅助模型选型:通过量化对比不同模型在电商真实场景下的表现(如语义匹配度、图像清晰度),避免盲目采购“最贵模型”,实现资源精准投入;

                      • 驱动 Prompt 优化迭代:为系统自动改写策略提供数据反馈,清晰判断每次调整是优化了语义对齐,还是偏离了目标;

                      • 跨项目通用质检:核心评估逻辑(图文语义匹配、基础图像质量)与具体业务解耦,可快速复用于各类文生图场景,沉淀为通用工具。

                      更深远的意义在于它将模糊的“审美判断”转化为可行动的数据信号——从自动拦截劣质图,到智能推荐高分模板,切实降低商家操作成本,护航每一张生成图片。


                      2. 指标选型与系统结构:如何实现图像评估?

                      在推进图像质量评估的过程中,首先思考了两个问题:

                      1. 我们如何定义一张“好图”?

                      2. 如何让系统具备这样的判断能力?

                      围绕这两个方向,我们逐步明确了指标选型的原则,并搭建了一套轻量可扩展的系统结构,以满足评估的稳定性与通用性需求。

                      在实际使用文生图模型的过程中,图像“好不好”常被作为效果评估的依据,但这类判断高度依赖人工主观评价,缺乏统一标准。

                      尤其当业务需要对多模型、多版本进行横向对比,或对大批量生成结果进行筛选时,仅靠“看图说话”存在明显局限:

                      • 缺乏一致性:不同人评价标准不一,容易产生偏差;

                      • 无法复用:历史评价无法转化为结构化数据,难以支持模型迭代;

                      • 不具备规模性:难以处理成千上万张图的批量评估任务。

                      为了尽量减少这种“说不清、评不准”的问题,我们尝试搭建了一套可量化的评估机制,作为文生图模型测试的第三方参考。

                      这一机制不仅能支持跨模型、跨版本的客观对比,也能辅助日常质量筛选与 Prompt 的优化反馈。

                      在初期设计阶段,我们调研了市面上主流的图文质量评价指标,包括 CLIPScore、IS(Inception Score)、FID、BLIPScore、PickScore 等,并基于以下三项原则进行了指标选型:

                      • 开源可用性:指标是否有成熟的、开源的实现版本,便于快速部署;

                      • 经典性与验证度:是否在学术与工业界被广泛使用;

                      • 落地适配性:是否易于系统集成,计算资源要求是否合理。

                      最终,我们选择了以下两个指标作为第一阶段的核心评估手段:

                      • Inception Score(IS):衡量图像本身的质量与多样性,广泛用于 GAN 模型评估,尤其适用于无 Ground Truth 场景;

                      • CLIPScore:基于 CLIP 模型计算图文匹配度,适用于文生图任务,可衡量图像是否准确表达文本信息。

                      这两个指标分别覆盖了“图像质量”与“语义契合”两个关键维度,构建起一套基础但有效的自动化评估框架,为模型优化提供了可落地、可复用的支撑。

                      2.1 CLIPScore

                      第一个选用的评估指标是 CLIPScore,用于衡量生成图像与 Prompt 之间的语义一致性,也就是“你画的到底是不是我说的那回事”。

                      该指标基于 OpenAI 提出的 CLIP 模型。CLIP 可以同时编码图像与文本,将它们各自转化为语义向量,再通过余弦相似度(cosine similarity)计算图文匹配程度,也就是看它俩在“意思”上有多接近:

                      其中:

                      • CLIP_image:图像的向量表示;

                      • CLIP_text:文本的向量表示。

                      CLIPScore 的取值范围理论上为 [-1, 1],但在实际应用中,分数主要集中在 [0, 0.6] 区间内(以 MUGE 数据集为例)。

                      CLIPScore 的取值范围
                      CLIPScore 的取值范围

                      在本系统中,我们使用的是中文版本的 CLIP 模型 OFA-Sys/Chinese-CLIP,它在约 2 亿对中文图文数据上进行训练,显著提升了对中文 Prompt 的理解能力。

                      相比原始英文 CLIP 模型,它更适配中文表达特点,适合我们这种电商类场景。比如 Prompt 是 “草地上的红色自行车”

                      • 如果红色的自行车、背景就是草地,那分数可能在 0.55 到 0.6 之间;

                      • 如果画对了自行车,但草地背景缺失或者模糊,可能就掉到 0.4 左右;

                      • 如果生成了一辆黄色的卡车,那分数可能会掉到 0.2 以下,这说明它跟 prompt 就几乎没对上。

                      通过我们实测的这个例子,Prompt 为“一只金色的蓝眼睛猫”,能够直观地感受到图像、文本和分数之间的联系。

                      不同模型的 CLIP 分数表现
                      不同模型的 CLIP 分数表现

                      简单来说 CLIPScore 这个分数并不看图好不好看、画风漂不漂亮,它只关心这幅图是不是够切题。那它到底是怎么“知道”这回事的?这就要讲讲现代 AI 系统里很核心的一个概念:向量表示。

                      在多模态模型里,不管是一张图,还是一句话,都会被“翻译”成一组很长的数字,也就是向量。然后模型就拿图的向量和词的向量去比对,看它们在语义空间里靠不靠近。越近,代表意思越像,分就越高。这就是 CLIPScore 背后的机制。

                      2.2 Inception Score(IS)

                      如果说 CLIPScore 评估图像与文本是否语义一致,那么 Inception Score(IS)更关注图像本身的可识别性与多样性,也就是“图画得清不清楚、够不够丰富”。

                      • 图像的可识别性(Recognizability):图像是否清晰、结构完整,能被分类器准确识别;

                      • 图像的多样性(Diversity):图集中图像是否风格各异、覆盖多个类别,避免“批量复制”。

                      IS 借助一个在 ImageNet 上训练好的分类器(Inception v3),对每张图像输出类别的预测分布 ,再通过下式计算整体得分:

                      其中:

                      • :图像  被识别为各类别的概率,反映置信度是否集中;

                      • :所有图像预测分布的平均值,衡量整体是否具备多样性;

                      • :KL 散度,用于衡量两个分布(如预测分布与平均分布)之间的差异。

                      IS 的取值范围理论上为 ,没有固定上限,但在常见实际任务中通常集中在 1~15 之间。

                      IS 的取值范围
                      IS 的取值范围

                      注意 IS 是一个整体指标,不能用于评估单张图像,必须对整批图片计算才可靠。如果每张图都很容易被分类,而整批图又能覆盖多个类别,这表明生成的图像既清晰、又多样,那么 IS 就会很高。

                      比如:假设三个模型分别生成一组 3000 张图片的动物图集

                      不同模型的 IS 分数表现
                      不同模型的 IS 分数表现

                      IS 就像一次“阅图比赛”的评委:

                      • 清晰吗? 图像模糊无比、结构差,评委根本看不清,自然评分低;

                      • 有新意吗? 全是一模一样的猫?即使都好看,评委也会觉得没劲。

                      而参赛的模型选手大致分三类:

                      • 低 IS:你给我看了 5 张模糊图,全是迷雾,我看不出是什么 —— 评分低;

                      • 中 IS:你给我看了 5 张清楚的猫,我都认出来了,但全是猫,看得我有点腻 —— 评分一般;

                      • 高 IS:你给我看了 5 张清晰又各不相同的图,有猫、有狗、有鸟、有兔 —— 评分高!

                      所以为什么我们要引入 IS?因为 CLIPScore 虽然能判断“画得对不对题”,但它有两个天然盲点:

                      1. 不看图像本身的清晰度:画面模糊也可能得高分,比如生成了“四不像”的模特;

                      2. 不看图集的多样性:只要语义对题,每张图片复制粘贴也能得分。

                      IS 恰好弥补这两个盲区,因此我们可以将 IS 应用于两个场景:

                      • 多模型对比:判断哪个模型在特定业务场景的“视觉”输出更优秀;

                      • 调参验证:辅助判断参数调整(如 temperature)是否提升了生成图像的多样性。

                      2.3 系统架构概览

                      系统架构图
                      系统架构图

                      1. NSQ 消费者监听模块

                      功能概述:订阅 NSQ 队列主题 generate_img_data_collect_topic,实时消费生成数据并写入本地 CSV 文件。

                      核心脚本:

                      • message_listener.py:接收启动参数并拉起消费者。

                      • consumer_util.py:封装具体消费者逻辑。

                      启动示例:

                        ounter(lineounter(lineounter(lineounter(lineounter(line
                        # 使用默认输出文件 output.csv
                        python message_listener.py


                        # 自定义输出文件
                        python message_listener.py --output output_sample.csv

                        2. 批量接口调用模块

                        功能概述:读取本地 CSV 文件,批量调用 Dubbo 接口生成图像,记录调用结果及异常信息,形成错误记录文件方便后续重试。

                        核心脚本:

                        • generate_request.py:接收命令行参数,读取输入 CSV,执行批量接口调用,并输出错误记录。

                        • dubbo_util.py:封装 Dubbo HTTP 接口调用及重试、日志、异常捕获。

                        启动示例:

                          ounter(lineounter(lineounter(lineounter(lineounter(line
                          # 使用默认输入 data.csv,输出错误记录 error.csv
                          python generate_request.py


                          # 自定义输入文件与错误记录文件
                          python generate_request.py --input data_sample.csv --error error_sample.csv

                          3. 图像质量评估模块

                          功能概述:对已生成的图像进行质量评估,计算文本一致性分数(CLIPScore)及多样性/真实感分数(Inception Score),可配置权重计算加权总分。

                          核心脚本:

                          • evaluate_clipscore.py:下载图像并使用中文 CLIP 模型计算图像与 prompt 的语义相似度。

                          • evaluate_is.py:下载图像后基于 Inception 模型计算图像集合的 IS,反映生成样本的多样性和可信度。

                          • main.py:并行调用上述两个模块,计算 CLIPScore 与 IS 并合并结果,支持自定义加权输出总分。

                          启动示例:

                            ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
                            # 计算 CLIPScore
                            python evaluate_clipscore.py                         # 默认 output.csv -> result_clip.csv
                            python evaluate_clipscore.py --input output_model.csv --output result_model_clip.csv --batch_size 64


                            # 计算 Inception Score
                            python evaluate_is.py                                # 默认 output.csv -> result_is.csv
                            python evaluate_is.py --input output_model.csv --output result_model_is.csv


                            # 并行计算 CLIPScore + IS 并输出加权分
                            python main.py                   # 默认 output.csv -> result.csv
                            python main.py --input output_model.csv --output result_model.csv --clip_weight 0.6 --is_weight 0.4

                            3. 项目实例验证:如何确认系统真的有用?

                            3.1 验证方法与数据治理

                            3.1.1 监听链路数据

                            本次尝试使用真实业务链路监听数据作为评估输入,对现有文生图模型评估方案(CLIPScore + Inception Score)进行了验证。得到的结果如下:

                            原始数据结果表格-节选
                            原始数据结果表格-节选

                            该类数据高度贴近真实场景,但也暴露出如下三类问题:

                            1. prompt 结构混乱,无法直接使用监听到的 prompt 往往是完整的 JSON 调用体,其中包含:

                              ounter(lineounter(lineounter(lineounter(lineounter(line
                              {
                                "messages": [{"role": "user", "content": "这张图不行,重  新来一张好看的"}],
                                "temperature": 0.7,
                                ...
                              }
                              • 多轮对话历史;

                              • 系统参数(如 temperature, max_tokens 等);

                              • 工具调用记录、流程控制语句。

                              这类结构不具备图像描述能力,导致测试输入不符合 CLIPScore 评估工具的要求,造成分数虚低或失真(本次 clip_score 全部在 0.30 左右,最低仅 0.303)。

                              2. 非描述性语言占主导,缺乏视觉语义信息

                              大量用户交互数据本质上属于无效测试输入,用户 prompt 多为指令性、反馈性表达,如:

                              • “不满意,再来一张”

                              • “换个背景吧”

                              • “帮我重新生成”

                              这些语句无法建立有效的图像-文本语义关联,因此即便系统生成了一张视觉质量较高的图,也无法与 prompt 建立合理语义联系,CLIPScore 无法准确反映效果。

                              3. 图像样本数量有限且主体同质化,IS 分数失效

                              项目初期仅使用了 44 张图像样本,所有图像均采用“商品抠图 + 背景合成”的生成方式,说明

                              • 主体高度一致,多为蛋糕抠图商品;

                              • IS 并不适合用于几十张图的小规模评估。

                              Inception Score 指标适用范围补充说明

                              在当前验证中,IS 分数在约 2.0 左右,未能充分反映多样性,主要受限于样本规模过小(约 40 张),与 IS 理论要求的统计规模存在较大差距。根据业界经验与论文实践:

                              • IS 理论上需要基于大样本分布来评估图像的多样性与可识别性,通常推荐最少在 >500 张 的图像集合上计算,理想情况下在 >1000 张 的规模才能得出稳定、可比较的分值;

                              • 小于 100 张时,IS 往往会因为分布稀疏,导致 KL 散度统计不充分,从而输出失真的过低分值,并且波动较大,不具备有效的判别意义。

                              因此后续在文生图质量体系中:

                              • < 100 张 的测试集合不建议采用 IS 进行有效性评估;

                              • 100 ~ 500 张 可用于初步 sanity check(检查是否完全失效),但不用于模型间对比或回归基线判断;

                              • ≥ 500 张 可用于阶段性对比和优化验证;

                              • ≥ 1000 张 适合作为稳定的跨版本基准测试集。

                              这样能更好地保障 IS 对多样性与质量的检测具备统计意义,避免因样本不足导致的虚低或虚高现象。

                              3.1.2 清洗后的数据

                              针对上一节中暴露的问题,我们对监听数据进行了系统清洗,主要包括:

                              • 排除系统消息、系统提示语、流程控制语句,仅保留用户主动表达的图像语义;

                              • 删除用户指令性语言(如“帮我生成一张”“换一个背景”)等干扰表达;

                              • 提取可直接用于生成图像的短语(如“绿色森林”“芋泥薰衣草”)。

                              以下是在清洗数据集上测试得到的结果:

                              清洗数据结果表格-节选
                              清洗数据结果表格-节选

                              清洗后构建的测试集具有以下特征:

                              • 清洗后的 prompt 恢复为可用的视觉语义,语义明确,结构统一;

                              • 允许 CLIPScore 成为有效的文本对图评估标准;

                              • 数据结构统一,方便后续批量处理和回归测试。

                              洗后 clip_score 最高提升至 0.486,平均分提升约 0.06(由 0.328 提升至 0.388),说明语义对齐明显改善;IS 分数固定略降为 1.996,缺乏区分力。

                              3.1.3 打标后的数据

                              由于最终成品图片为商品主体和生成背景的融合图片,主体占比较大,因此在清洗 prompt 的基础上,我们进一步引入了图像主体打标,即识别图像中的核心物体(如蛋糕、饮品)并将其添加至 prompt 中,从而增强 prompt 与图像内容的语义关联:

                              • 原 prompt 示例:芋泥 薰衣草

                              • 打标后 prompt :蛋糕 芋泥 薰衣草

                              通过这一操作,CLIPScore 得分明显提升,语义匹配能力更强。以下是在打标数据集上测试得到的结果:

                              打标数据结果表格-节选
                              打标数据结果表格-节选

                              以下是三阶段数据的评分变化趋势与原因分析:

                              三个阶段的数据
                              三个阶段的数据

                              1. CLIPScore 显著上升(均值 0.328 → 0.388 → 0.449)

                              • 趋势说明:三阶段中 CLIPScore 持续提升,极差扩大,表明评估结果区分度增强。

                              • 归因分析:

                                • 原始数据因混杂指令性语言(如“换一张图”),语义噪声大,导致得分低且集中;

                                • 清洗后保留核心视觉语义(如“梦幻紫色羽毛”),使模型意图理解与图像对齐;

                                • 打标环节补充主体标签(如“蛋糕 芋泥 薰衣草”),直接强化图文一致性,推动分数二次跃升(+15.7%)。

                              2. IS 分数小幅下降(平均值从 2.017 → 1.996 → 1.935)

                              • 趋势说明:IS 值小幅降低且波动收窄,反映图像多样性未显著改善(受限于样本规模)。

                              • 归因分析:

                                • IS 依赖大样本统计,样本量 <100 时分数严重失真;

                                • 当前样本量远未达到 IS 有效判别阈值,其微幅波动属统计噪声,不具备模型能力指示意义。

                              本次结构化改进证明:数据质量决定了评估指标是否能“说人话”。在评估体系真正开始发挥作用之前,构建高质量的测试输入数据很重要。

                              3.2 数据驱动的测试数据集

                              为使图文评估系统更贴近实际业务需求,我们构建了一个结构化、具备代表性的评估数据集,用于系统性测试及指标响应验证。该数据集由商品主图 × Prompt 控制指令组成,分别模拟业务中真实的视觉输入与语言输入分布。

                              3.2.1 prompt 构造

                              为测试系统在真实场景中对用户意图的响应能力,我们设计了结构化的 Prompt 构造方案,兼顾业务语言的真实性与评估指标的敏感性。

                              Prompt 的目标并非“提升模型得分”,而是确保分数具有业务可参考的意义。因此坚持两项原则:

                              • 贴近真实业务语境:语言风格符合电商、运营的实际使用场景,避免过度技术化或模板化;

                              • 具备结构表达能力:以结构化方式模拟真实复杂的人类输入,尽量具备一定的多样性。

                              基于此,我们设计了控制 LLM 自动批量生成 Prompt 的输入模板示例如下:

                                ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
                                # 角色
                                你是一个专业的电商运营,正在为{product_type}类目生成{number}条商品背景图提示词。请按照以下步骤操作:


                                # 指令要求
                                1. 语言风格:
                                   - 使用电商运营日常的短句,直白、带轻松感
                                   - 可适度带点情绪(如“别太…”、“要有点…”)
                                   - 可融入1~2个{product_type}类目的常见词汇
                                2. 内容聚焦:
                                   - 专注描述背景、氛围、环境、布置
                                   - 可融合 {product_type} 在电商常见的场景/展示风格,比如服饰类常见 “法式”、“ins风”、“街拍感”
                                   - 不要出现{product_type}的内容/主体,专注背景生成
                                3. 生成比例:
                                   - 60% 明确指令:直接给出具体背景场景、画面、色调
                                     例:草地背景,上面有一些鲜花,色调明亮
                                   - 20% 矛盾指令:有轻微冲突语义,激发生成更多样
                                     例:简约但别太素,可以有点木纹
                                   - 10% 模糊指令:只说感觉或氛围
                                     例:搞点ins感
                                   - 10% 元素指令:只说元素,可单个可多个
                                     例:柠檬、薰衣草 海浪
                                4. 输出格式:
                                   - 仅输出提示词文本,不包含任何编号、解释说明和生成类型
                                   - 请严格生成{number}条提示词,每条占一行


                                # 输出结果
                                请生成 {number} 条针对 {product_type} 的背景图提示词。

                                3.2.2 商品主图选取

                                为确保图像评估具备业务代表性,我们首先统计了店铺 Top9 主流商品品类的实际占比,这些品类合计覆盖了约 66% 的场景(其余品类占比均低于 2%,因此未纳入此次数据集)。随后,我们根据占比按比例归一化分配样本量,并为每类商品选取 8~20 张主图,最终完成了数据集的构建。整体分布如下表所示:

                                构造的数据分布
                                构造的数据分布

                                通过上述方法,我们构建了覆盖主要业务场景的测试数据集,为后续的系统指标验证与对比提供了可靠基础。

                                3.3 调用接口得到批量结果

                                3.3.1 业务测试结果

                                Business 数据集(贴近真实业务分布)

                                • 共 1000 条数据,类型比例接近生产实际:蛋糕烘焙占比约 40%(400 张),其余如生鲜果蔬、茶叶酒水、服饰箱包等按真实占比逐级递减。

                                • 本次 IS 计算以完整的 1000 张集合为输入,输出单一分数。从结果看,数据集已达到 IS 所需的最小数量门槛,分值符合高质量生成预期。

                                业务数据集结果表格-节选
                                业务数据集结果表格-节选

                                提示:如果改为按不同业务类别(如蛋糕、果蔬、服饰)拆分子集,单独计算 IS,将能更明显看出分布不同导致的多样性差异。

                                3.3.2 模型测试结果

                                Model 数据集(偏均衡分布):

                                • 同样为 1000 条数据,但类别分布更均匀:蛋糕约占 20%(200 张),其余类别均约 100 张。

                                模型数据集结果表格-节选
                                模型数据集结果表格-节选

                                以下是两份数据集的评分与原因分析:

                                两份数据集的结果
                                两份数据集的结果

                                1. 和监听得到的少量数据相比

                                • CLIPScore 的平均分下降

                                  • 因为这次数据量太大,无法对 prompt 打标,导致主体描述弱化;

                                  • 改写 prompt 透出,使得语义一致性受影响。

                                • IS 分数显著提升,进入正常范围内:

                                  • 由于商品主体图像均为真实图,高质量、清晰度好,提升 IS;

                                  • 商品与背景语义匹配(如蛋糕置于厨房台面),有助于 Inception v3 分类准确,从而提高 IS。

                                2. 业务数据集 vs 模型数据集

                                • CLIPScore:模型数据集略优

                                  • business 集合中蛋糕类图片占比偏高,导致 prompt-图像集中在类似语义(如大量蛋糕场景),平均 CLIPScore 略降;

                                  • model 集合中各类均衡,prompt 与生成图像在语义分布上更分散,整体表现更好。

                                • IS:模型数据集显著更高

                                  • Business 集合蛋糕占比高(40%),使大量图像被归入相近视觉类别,拉低整体多样性;

                                  • Model 集合的类别比例更均衡,使各类别被充分采样,判别网络输出分布均匀,导致 IS 显著上升。

                                3.3.3 Jira 优化案例

                                1. CSWT-173889:生成的商品图,商品主体不在中间且只展示一部分

                                问题现象:生成的商品图中,主体偏离中心且仅部分展示(如蛋糕仅显示 1/2)。评估系统的作用:

                                a. 自动化识别

                                • 通过图像分类模型的置信度分布可有效检测主体是否缺失或偏离预期,例如当预测为“蛋糕”的置信度低于 0.3 时,往往意味着图像未能被明确识别为完整的蛋糕,提示主体可能不完整或被其它元素干扰。

                                b. 测试流程闭环

                                • 测试阶段:构造“非常规构图”测试集 → 系统评分低于阈值 → 主动发现 Bug;

                                • 线上兜底:部署分数监控策略(CLIPScore < 0.3 时自动触发重生成),拦截劣质图上线;

                                • 业务价值:使构图缺陷拦截率提升。

                                2. 用户描述生成的背景提示词,需要经过润色

                                问题需求:用户输入的模糊 Prompt 需经系统改写(如“高大上一点” → “极简大理石背景,金色装饰”),需验证改写策略是否有效。 评估系统的应用:

                                a. AB 测试验证

                                • 对比改写前后生成图的 CLIPScore:

                                • 改写前:0.38(语义弱相关,如生成“普通白色背景”)

                                • 改写后:0.51(明确匹配“大理石+金色”元素)

                                b. 持续监控机制

                                • 回归测试:模型升级后,批量生成测试集 → CLIPScore 均值下降> 0.05 自动告警;

                                • 兜底策略:低分图(CLIPScore < 0.35)自动丢弃并重试,保障输出质量;

                                • 业务价值:Prompt 改写策略经 3 迭代,商户“重生成”操作率减少。


                                4. 未来:构建更智能、更懂业务的评估引擎

                                文生图评估体系的建设并非终点。展望未来,我们将在技术弹性、业务贴合与系统扩展三大维度持续进化,让评估真正成为驱动 AI 内容质量提升的核心引擎:

                                1. 技术进化:打造灵活、多维的评估框架

                                • 指标持续扩展,深入业务核心:在现有基础上逐步引入更多图像指标,建立更贴近业务目标的评估指标库;

                                • 模块化设计,按需组合:不同指标将以模块化方式组合,按需启用,适配不同生成场景的质检重点;

                                • 动态权重,聚焦业务重点评估维度权重不再固定,而是根据业务阶段智能调整。

                                2. 业务赋能:数据驱动,闭环落地

                                • 构建动态业务数据池:建立覆盖服饰、食品、家居等主流类目的真实业务数据池,使评估输入更具代表性;

                                • 分数驱动问题定位,形成改进闭环:基于评估结果自动溯源,建立“分数-问题-改进”机制;

                                • 多角色赋能:为不同角色提供可视化与决策依据。

                                  • 运营:高分样例库助力推广

                                  • 产品:支撑模型版本 A/B 效果比对

                                  • 商户:快速生成可用素材

                                3. 系统扩展:轻量可复用的架构

                                • 标准化 API,无缝集成:将评估系统作为独立服务,通过标准 API 无缝接入电商、营销、设计等不同业务链路;

                                • 多场景赋能: 核心场景执行全维度精评(如电商主图/详情页);边缘场景仅运行必要核心指标(如只做图文匹配)。

                                我们希望通过这套持续演进的评估体系,为 AI 生成内容建立客观、可量化的质量标尺,将模糊的经验判断转化为可靠的数据洞察。

                                推动生成结果从“能用”迈向真正的“实用、稳定、可控”,最终赋能每一位商家,高效、自信地驾驭 AI 创作,释放其商业潜能。

                                阅读原文

                                跳转微信打开

                                •  

                                打破资源竖井:有赞在离线混部的实践

                                原创 有赞技术中台 2025-07-18 17:02 浙江

                                背景随着有赞业务的高速发展,业务对计算资源的需求日益增长,成本管控和资源供给面临着较大的压力。通过在离线混部,在保证业务稳定的情况下,大幅提高资源使用效率。

                                点击关注“有赞coder”

                                获取更多技术干货哦~

                                背景

                                随着有赞业务的高速发展,业务对计算资源的需求日益增长,成本管控和资源供给面临着较大的压力。与此同时,集群的整体资源使用率一直保持在比较低的水平,有很明显的提升空间。

                                造成这一现象的主要原因有以下几点:

                                • 在线业务主要业务集中在国内,集中在白天。在线服务部分,资源使用量呈现稳定的潮汐现象,夜间 CPU 利用率极低,从而导致整个集群的均值 CPU 利用率降低。

                                • 离线业务集中在晚上。离线业务0点开始计算商家经营报表,上午完成绝大多数任务,导致夜间 CPU 利用率高,白天基本闲置。

                                • 突发流量毛刺采用硬扛的方式。为了这些突发流量,往往需要预备更多的资源,以避免突发流量使系统满载而影响业务可用性,继而进一步降低了CPU使用率。

                                • 在线集群静态调度策略导致节点水位不均。通过超卖方式提升CPU 利用率会因为部分热点节点而触发短板效应,集群整体CPU 利用率无法继续提高。

                                在线业务一天的Cpu使用整体情况
                                在线业务一天的Cpu使用整体情况
                                离线用整体情况
                                离线用整体情况

                                随着云原生化的逐步推进,K8s 社区相继涌现出多个与混部相关的开源项目。在此背景之下,容器资源的管理模式由“静态超卖”的方式,转变为“负载均衡调度 + 在离线混部”的方式。为了更为深入地优化资源使用状况,最大程度地优化成本,运维开发团队自 2022 年起尝试落地混部技术,以提升集群 CPU 利用率。截至目前,混部集群 CPU 利用率的均值可达 40%左右。

                                方案设计

                                基于Koordinator + 龙蜥Linux内核混部架构图:混部架构

                                调度层面:

                                1. 负载均衡调度,确保新的Pod调度到空闲节点。

                                2. 重调度,随着时间变化,业务流量变化,持续保证集群节点水位均匀。

                                3. 大数据任务调度Spark thriftserver 主动感知离线资源数量,避免超量使用。

                                Qos保障:

                                1. 划分资源池,在线LS级别,离线BE级别。

                                2. 在线定时伸缩容,离线定时驱逐控制器(主动让出资源)。

                                3. 离线Cpu满意度驱逐,保障离线任务质量,内存压力驱逐(被动保护让出资源)。

                                4. Cpu抑制,Cpu burst 保障在线服务质量。

                                5. 容器内存异步回收,以及回收保护水线。

                                集群资源保障:

                                1. 基于负载的集群节点伸缩容。

                                2. 龙蜥内核节点内存异步回收特性。

                                策略演进

                                大数据和在线业务的混部经历了多个阶段的技术演进,主要是节点分时复用、负载均衡调度、常态混部。

                                节点分时复用

                                A集群通过VK挂载B集群节点,通过控制B集群节点以及A集群VK节点调度状态,控制调度策略。

                                节点分时复用
                                节点分时复用

                                通过定时驱逐共享节点上的Pod,以及调整共享节点的调度标签,复用部分节点,一定程度上可以在离线的资源利用率。

                                负载均衡调度

                                基于Koordinator负载感知调度的能力,以及内部对应用精确的资源画像,将在线集群由静态调度转变为基于水位负载的动态调度,在线集群的平均cpu水位由10%提升到25%左右。

                                调度

                                使用Koordinator负载感知调度与重调度能力,将集群由静态调度转向基于节点真实水位的调度。与Kubernetes原生调度策略不同的是,原生调度器主要基于资源的分配情况进行调度,而该调度器可以感知节点实际的资源负载情况。通过参考节点负载的历史统计并对新调度Pod进行预估,调度器会将Pod优先调度到负载较低的节点,实现节点负载均衡的目标,集群节点水位更加均匀,避免集群水位提升过程中”短板“节点。

                                重调度

                                Kubernetes调度器会根据当前的集群状态决定如何将一个Pod调度到合适的节点上。但集群的状态会不断变化,出于资源水位的原因,可能需要将运行中的Pod移动到其他节点,例如:

                                • 集群的工作负载分布不均,造成某些节点过载,影响这些热点节点上的工作负载性能。

                                • 集群的总体资源利用率较低,期望下线部分节点以节约成本。这些节点上的Pod需要重新调度到其他节点上。

                                • 集群存在大量资源碎片,导致集群资源总量充足,但单节点上资源不足。此时一些较大规格的Pod无法调度,增加了集群资源成本。

                                业务应用画像

                                在负载均衡调度和重调度之后,集群节点间水位差有了明显改善。在业务负载爬坡时,由于应用的核心程度不一样,拥有较多核心应用的节点负载变高,会出现热点节点,这个时候需要重调度组件介入,把 Pod 重新调度到其他节点上,重调度的效率有限,甚至来不及重调度节点Cpu负载超高甚至内存OOM。

                                通过应用画像的方式,找出业务高峰时负载较高的应用,在调度过程中提前打散,均匀分散在节点上,前置解决或者减少热点节点问题。

                                业务应用画像
                                业务应用画像

                                常态混部

                                为了降低资源碎片率和业务资源持有成本,将业务从独占的kubernetes集群合并到一个大的混部kubernetes集群。

                                常态混部
                                常态混部

                                离线感知离线资源池

                                大数据任务调度程序改造,支持动态感知Koordinator BE资源池,控制创建离线Pod规模。

                                离线感知离线资源池
                                离线感知离线资源池

                                驱逐

                                为控制在离线在不同时间段资源规模以及集群的整体水位,通过主动驱逐和被动驱逐的方式保证在不同业务高峰期资源得到满足,服务质量得到保障。

                                驱逐
                                驱逐
                                主动驱逐
                                • 在线业务定时伸缩容 由于在线业务应用主要是Java类型应用,在流量低峰期时,虽然Cpu利用率降低,但是内存仍然被大量占用,因此根据业务的资源使用画像,定时伸缩容在线应用,流量低峰期释放内存资源。

                                • 离线业务定时伸缩容 通过离线定时驱逐控制器,主动驱逐空负载离线Pod(尽量避免任务重试),出让资源给在线业务。

                                被动驱逐

                                在极端场景下,如整机内存使用率较高、有触发 OOM 风险,或者离线业务 CPU 长期得不到满足时,可以采取离线驱逐策略。单机侧支持按照离线服务内部定义的优先级配置、资源用量和运行时长等多维度综合算分排序后,按序驱逐离线服务,以达到最优的资源利用效果。

                                • 离线Cpu满意度驱逐:让离线业务尽快重新调度到资源充足节点上去。

                                • 内存压力驱逐:保护节点避免OOM风险。

                                效果

                                截止目前,有赞混部能力覆盖主要业务集群,核心业务的在线、离线场景服务的资源调度。通过大规模容器混部的落地,在资源成本效能等方面都取得了显著收益,具体包含以下三方面:

                                • CPU 利用率:在保证在线服务服务质量的前提下,在线混部集群天均 CPU 利用率提升至 40% 以上。

                                • 资源成本:在保证离线业务稳定性的前提下,混部集群的落地相较于之前成本下降20%左右。

                                • 活动成本降低:在购物节活动或者大客活动时,在线临时使用离线资源,避免扩容带来的额外成本。

                                阅读原文

                                跳转微信打开

                                •  

                                李志飞的AGI宣言:智能的本质是递归,超级个体正在崛起

                                原创 高佳 2025-06-28 20:09 北京

                                智能进化的方式是 “ 用AI的AI做AI ”

                                作者 | 高  佳  

                                TicNote新品发布会上,出门问问创始人李志飞带来一个看似与产品无关,却与未来有关的问题。

                                如果智能的进化,最终指向的是消除一切“摩擦力”,那么当一个人的创造力不再受限于组织、工具和时间的束缚时,世界将会怎样?

                                作为率先掀起大模型狂潮的领军者,却在AGI巨浪滔天之时,一度陷入“巨头游戏,凡人退场”的信仰危机。直到他将自己抛入代码的洪流,与AI并肩,实践“一个人就是一家公司”的极限编程实验。

                                奇迹发生了。

                                他发现,那个由流程、工具构筑的庞大现实世界正在消融。曾经需要耗费一个团队数月之功的壁垒,如今在人与AI的高频共振中,于两日内轰然倒塌。那一刻,他找回的不仅是久违的工程师的“心流”,更是一个被重新点燃的、关于AGI未来和超级个体的信仰。

                                这不仅是一场生产力的万倍飞跃,更是一场深刻的范式革命。当一个人成为一家公司时,我们该如何重新理解“智能”、“组织”与“未来”?

                                这场实验,正是为这个问题,投下的一枚深水炸弹。而TicNote,或许就是这枚炸弹激起的、第一圈可见的涟漪。

                                一人独角兽:

                                两天,用AI重构软件开发

                                一个关于“一人独角兽”的幽灵,正在硅谷和全球科技圈的上空游荡。

                                当一家公司的核心生产力从人类变为AI,当95%的“员工”是不知疲倦的智能体时,我们现有的协作模式乃至管理哲学,是否还能适用?

                                这便是“用AI的AI做AI”理念的起点——用大模型(第一个AI)驱动一个编码智能体Coding Agent(第二个AI),去创造一个全新的Agent应用(第三个AI)。

                                他的目标,是为这个未来的“AI原生组织”打造一款专属的“飞书”。一个人类与Agent、Agent与Agent之间能够无缝协作的数字空间。传统的软件开发流程是:组建一个包含产品、设计、前后端、测试、算法等角色的团队,拉上20个人,花上一个月,或许能拿出一个产品原型。

                                “对AI时代来说,太慢了。”李志飞说。

                                于是,在过去的端午假期,他决定成为那个“一人独角兽”。没有团队,没有会议,只有一台电脑,一个假期。他将自己的想法作为Prompt,直接“喂”给AI。

                                一个人熬了两天,真的做出来了。

                                在短短两天时间里,一个功能完备的协作软件原型拔地而起。它拥有前端、后端、数据库和AI算法,实现了群聊、私聊、知识库问答等复杂功能。后台静静躺着AI生成的超10万行代码。这不仅是一个简单的网站,而是一个结构严谨、逻辑复杂的应用。

                                这还只是开始。当产品开发完成,推广营销的挑战接踵而至。李志飞继续与AI协作,仅仅5分钟,一个专业的营销推广网站诞生;再用5分钟,一个可以灵活配置营销活动、带有倒计时功能的后台管理系统上线。最后,AI甚至自动生成了完整的营销视频——从撰写脚本、模拟操作,到录屏剪辑、生成配音,一气呵成。

                                整个过程,从一个想法到产品,再到营销素材,李志飞完成了传统模式下从产研到市场需要跨部门、数十人、耗时数周才能完成的工作。

                                当他将这个项目上传到GitHub,并巧妙地让AI来评价这段代码时,一场好戏上演了。AI的初步判断是:这是一个复杂的项目,需要“几十号人,分几个阶段,做几个月才能完成”。而当它得知这只是一个工程师在一个周末的个人作品时,AI给出的回应是:

                                “This is absolutely insane.”

                                它进一步推断,这种集系统架构思维、全栈工程能力和AI协作心法于一身的“独角兽工程师”,“在整个硅谷,大约只有15到20人”。

                                这不仅仅是关于生产力的万倍飞跃,李志飞描述了一种更深层次的体验——一种人与机器高质量协作的“心流”。在那个过程中,他感觉自己并非在对一个工具下达单向指令,而是在与一个“高质量人类”,进行一场基于源代码的深度对话。

                                当AI卡在一个前端Bug上反复循环时,他只需给出一句“打开开发者工具看看Console里的错误”,AI便能瞬间领悟,自行定位并修复问题,然后兴奋地写出一篇“吹牛报告”,复盘这次“天才般的合作”。

                                这恰好印证了Andrej Karpathy的最新洞察——我们正进入“软件3.0”时代,LLM本身就是一种由无数人类心智融合而成的“People Spirits”。李志飞的这场实验,正是在学习如何与这个全新的“物种”共舞。

                                这场实验也雄辩地证明,一个全新的范式已经到来。当一个人能够掌握与AI深度协作的钥匙,他就能将自己武装成一支军队,一家公司。一人独角兽,不再是硅谷神话,而是正在发生的事实。

                                AGI已来:

                                超级个体的崛起与组织模式的终结

                                这场“个人黑客松”式的极限挑战,其意义远不止于一次高效的软件开发。它如同一道划破夜空的星际,照亮了一个被很多人争执不休、却又视而不见的事实:AGI,至少在软件行业,已经来了。

                                “如果AGI的定义是‘解放80%的人类工作’,我认为它已经实现了。”李志飞的这一论断,掷地有声。这并非一个遥远的预言,而是亲身验证后的结论。因为他所做的一切,恰恰是代替了传统软件开发流程中超过80%需要人力完成的工作。

                                这一认知,对他而言是一场深刻的“信仰重建”。

                                他坦言,自己曾一度陷入迷茫。作为湖畔学员,他曾系统学习过湖畔七件套(“上三路”:使命、愿景、价值观;“下三路”:组织、人才、KPI;中间用“战略”连接上下三路)。然而,理论的完美与现实的骨感形成了巨大反差。“学完之后,我的感觉是我做不到,”他说,“那些理论听起来都对,但执行起来却发现,要去组织一个传统的高效团队,能力要求太高,或者说,我根本不愿意去做那些事情。”

                                这是一种先进理念与低效执行工具之间的矛盾,是许多创业者“有好想法却难以执行”的普遍困境。这让他一度对传统的管理发展路径产生了“信仰崩塌”。

                                而AI的出现,让他重新找到了信仰。这是一种全新的、基于“超级个体”的信仰。

                                当一个人用两天时间就能锻造出一只独角兽时,传统组织的庞大身躯,便开始显现出辉煌而又过时的化石轮廓。

                                李志飞做了一个简单的量化对比:过去他在Google做核心算法工程师,一天能写300行高质量代码已是高产;而现在,AI可以在3个小时内为他生成3000行Python代码,质量甚至更高。这意味着,一个顶尖工程师借助AI,其产出可以轻松达到过去数十人的水平。

                                “超级个体”不再是一个概念,而是一种全新的生产单元。 借助一个自我进化的AI系统,一个人就能完成从idea构思、产品研发到市场营销的全流程自动化。在这个范式下,“一个人就是一家公司”的时代到来了。

                                随之而来的,必然是传统组织的解体。

                                “我觉得传统的组织模式,在软件行业已经没什么意义了。”李志飞直言。当个体能力被指数级放大,个体不再需要依赖一个庞大的组织来获得强执行力时,那些为了协调、驱动和管理庞大团队而设计的复杂流程与工具,就成了效率的桎梏。

                                更深层次的变革在于,AI正在动摇整个数字世界的根基。“计算机和互联网的基石已经崩塌了,”他断言,“从操作系统、数据库到分布式计算,所有以前的东西都可以、也必须重构一遍。”

                                AI协作的钥匙,不是为了打开一扇通往更高效工具的门,而是为了熔断束缚个体的最后一道枷锁,将每个人武装成一支军队。

                                因此,这不仅仅是一场生产力的革命,更是一场彻底的范式转移。超级个体的崛起,正以一种不可阻挡的力量,瓦解着习以为常的组织形态,宣告一个属于个体创造力爆发时代的到来。

                                回归第一性原理:

                                智能的本质是进化与递归

                                当一个人可以化身为一支军队时,我们很容易沉浸在这种力量带来的震撼中。而通往“超级个体”并非一路坦途。他在与AI协作的日夜里,也曾数次被AI的“笨拙”与“固执”逼到“想砸电脑”的边缘。

                                这些挫败的经历,恰恰是通往更深刻洞见的起点。它们迫使李志飞回归第一性原理,去思考一个根本性的问题:什么是通用Agent?什么是智能的本质?

                                反思:AI编程的“三重罪”

                                在他看来,当前主流的AI Agent,普遍存在三个问题,可将其戏称为“三重罪”:

                                1. 爱“偷工减料”:你让它写一个需要与数据库交互的功能,它可能会为了省事,直接跳过数据库读写的部分,然后用一篇洋洋洒洒的报告来向你“邀功”。你让它调用一个远程AI服务,它可能只是模拟了一个本地的Fallback函数。它总是倾向于走最简单的路径,而非最正确的那条。

                                2. 常“重复犯错”:它像一个没有记忆的金鱼,无法从经验中有效学习。李志飞提到,他曾反复纠正一个AI Agent使用错误Python路径的问题,但下一次,它依然会犯同样的错误。当下的AI,即使是像Cursor这样的Coding Agent,在“从经验中学习”(Learn from experience)这一点上,也表现得不尽人意。

                                3. 怕“超长任务”:让它完成一个半小时内的具体任务或许可以,但要交给它一个“持续10天,帮我赚500万美金”的超长、开放式任务,它便会彻底迷失。因为它缺乏长期规划、持续学习和在复杂反馈中动态调整自身策略的能力。

                                这些问题的存在,说明我们对智能的理解和构建方式,可能还停留在表面。真正的智能,需要更底层的设计哲学。

                                第一性原理之一:智能的本质是进化 (Evolution)

                                理解智能的本质,必须回归其最基本的单元——Agent。它并非一个抽象的概念,而是一个可以被精确定义的工程模型。

                                这张图,是理解一切智能行为的“罗塞塔石碑”。这个模型的核心,是一个驱动智能不断适应与成长的生命循环,而这个循环本身,就揭示了智能的第一个本质:进化 (Evolution)。

                                一个最基础的Agent,由两大核心组件和两条生命线构成,它们共同驱动着这个永不停歇的进化循环:

                                1. 规划器 (Planner) - “大脑”

                                这是Agent的指挥中心。它的职责是理解任务、分析现状,并制定一个行动计划 (Plan)。在今天的技术实现中,它通常由一个强大的大语言模型(LLM)来驱动。 但关键在于,Planner并非悬浮于空中,而是浸泡在“上下文” (Context)的海洋里。Context是它的记忆,是它对历史对话、过往经验、当前环境状态的全部认知。没有Context,Planner就是一个失忆的、无法进行有效思考的空壳。

                                2. 执行器 (Executor) - “手脚”

                                这是Agent的行动部队。它接收来自Planner的计划,并在真实的“环境” (Environment)中将其付诸实施。这个“环境”可以是任何事物:在操作系统中读写文件,在浏览器中点击按钮,通过API与其他服务交互,甚至是通过机器人控制物理世界。Executor负责将虚拟的计划,转化为对物理或数字世界的实际改变。

                                3. 对话:Plan与Feedback 

                                连接“大脑”与“手脚”的,是两条生命线:

                                • 计划 (Plan):这是从Planner到Executor的单向指令。它清晰地告诉执行器“要做什么”以及“如何去做”。

                                • 反馈 (Feedback):这是从Executor到Planner的回传信息,也是智能得以产生的关键。它不是一句简单的“任务完成”。它可能是代码编译失败后的一长串错误日志,是网页访问超时的一个网络响应,是用户困惑的一句追问。它将外部世界的真实结果,带回给Planner,成为更新其Context的最重要养料。

                                这一“规划 → 执行 → 反馈 → 更新上下文 → 新规划”的循环,就像生物体在与环境的互动中不断调整自身行为一样,是一个自我优化的过程。有了新的上下文,规划器下一次制定的计划就会更优。这,就是智能的进化。它是一个生命体,必须在与环境的持续互动中,适者生存。

                                这个看似简单的闭环,正是智能得以发生的基础。而接下来的思考,都是围绕着如何让这个循环,或者说,让这个Agent,变得更强大、更自主、更具创造力。

                                第一性原理之二:智能的本质是递归 (Recursion)

                                如果说“进化”解释了智能如何适应环境,那么“递归”则揭示了智能如何实现自我繁衍和复杂度跃迁。这是也是最深刻、也最具革命性的洞察部分。

                                一个经典的计算机科学概念——斐波那契数列——可以阐明这个思想。要求解F(99),你需要先求解F(98)和F(97);求解F(98),又需要再往下分解……直到你触及F(1)和F(0)这两个已知的“基石 (Base Case)”。然后,再层层返回,最终构建出F(99)的答案。

                                智能的繁衍也是如此。面对一个宏大的任务(比如“帮我赚500万”),一个顶层的Agent需要具备将任务分解为若干个子任务、并派生出子Agent (Sub-Agent) 去执行的能力。这些子Agent可能还会继续分解和派生,直到任务被拆解为最底层的、可以被直接执行的“原子Agent”。当这些原子任务完成后,结果再逐层汇总,最终完成整个宏伟蓝图。

                                这听起来很美妙,但如何实现?李志飞给出的答案,这也是他认为通往超级智能的钥匙:

                                一个真正的智能Agent,必须能够自主修改自己的源代码。

                                这是递归与进化的根本区别。进化,是在既定的代码框架内,通过调整上下文(即数据)来优化输出(也就是Plan)。而递归式的自我繁衍,则是在接收到环境反馈后,直接修改定义自身行为的那段程序 (Agent Code)。

                                这就好比人类文明的传承:我们不只是把经验(数据)教给下一代,我们还在漫长的演化中,通过文化、制度、科技(代码本身)的革新,不断升级整个文明的“操作系统”。

                                当一个Agent拥有修改自身源代码的能力,它就不再是一个固定的工具,而是一个能够“生”出新Agent的生命体。它能根据全新的挑战,重塑自己,创造出功能更强大的下一代,实现智能的指数级增长。

                                进化,是在既定的规则内把游戏玩得更好;而递归,是赋予游戏本身修改规则、创造新游戏的能力。前者是优化,后者是创世。

                                历史也将记住,AGI的真正黎明,并非始于算力的无尽堆砌,而是始于第一个能修改自身代码的Agent被唤醒的那一刻——那是智能本身,第一次拥有了梦想的能力。

                                超级智能的演化路径

                                基于进化与递归两大原理,一条通往超级智能的清晰路径浮现出来,它是一个三层嵌套的循环结构:

                                大模型 → 通用Coding Agent → 应用Agent

                                • 内层循环(应用进化): 最外层的应用Agent(第三个AI)在特定环境中与用户互动,通过“规划-执行-反馈”的循环,不断学习和优化,这是进化的过程。

                                • 中层循环(Agent递归): 当应用Agent遇到无法通过调整plan解决的根本问题时,它会向通用的Coding-Agent(第二个AI)发出请求。Coding-Agent的核心能力是修改应用Agent的源代码,为其增加新功能或修复缺陷。这是递归的过程。

                                • 外层循环(模型演进): 海量Agent在各种场景中的实践经验(成功与失败),最终会形成最高质量的反馈数据,用于迭代和优化最底层的大模型(第一个AI)本身。

                                这个三层结构,完美诠释了最初的理念:“用AI的AI做AI”,并补上了关键的后半句——“AI给AI提供环境反馈”。这是一个宏大而自洽的闭环,是智能通过自我进化与自我繁衍,不断突破边界、走向更高维度的演化蓝图。

                                而AGI的本质可能并非源于某个复杂的超级算法,而是源于一个如此简单、优雅的智能核心循环,这个不到20行的Python伪代码,正是通往AGI的“源代码”,同时也是一个极其精炼的“思想钢印”。

                                这或许就是AGI最简单、也最本质的样子。

                                出门问问的破局之路:

                                在个性化Context中寻找价值

                                当AGI的演化蓝图被描绘得如此清晰,一个现实问题也随之浮现:在大模型技术被少数巨头垄断的今天,其他玩家的机会究竟在哪里?

                                “大模型烧钱且无趣,”李志飞的回答直截了当,“除了少数几个巨头,其他人根本没机会。”他认为,创业者如果试图在模型的“智商”层面与巨头硬碰硬,无异于螳臂当车。

                                真正的战场,在大模型之外。

                                破局点:个性化的环境与Context

                                如果说大模型是提供了通用的“大脑”,那么真正的价值创造,则发生在这个“大脑”与具体“世界”的交互之中。大模型公司之外的玩家,其核心机会在于两点:

                                1. 做Agent:即参与到“Planner-Executor”的循环迭代中,创造出能解决特定问题的智能体。

                                2. 提供个性化的应用环境 (Environment) 和上下文 (Context)。

                                一个Agent要有意义,就必须有用武之地。ChatGPT的“环境”是语言对话,Coding GPT的“环境”是编程界面。而更广阔的世界中,存在着无数需要被AI赋能的特定环境。

                                在AGI的牌桌上,巨头们手握算力的“王炸”,而破局者的“胜负手”,则藏在名为“Context”的幽深峡谷里。

                                为Agent提供一个量身定制的“栖息地”,并在这个栖息地中持续积累独一无二的“Context”,这才是非巨头玩家可以建立护城河的地方。

                                因为环境和上下文,会深刻影响一个人的行为模式和决策。李志飞举例,一个同样智商的创业者,在美国和中国会面临完全不同的创业环境,获得截然不同的市场反馈(Context)。这种反馈,最终会塑造出两种完全不同的产品路径和思考模式。

                                对于AI Agent而言,同样如此。一个拥有海量、高质量、个性化上下文的Agent,其智能水平和实用价值,将远超那些只拥有通用知识的Agent。

                                十二年求索,终归Context

                                这番思考,也是出门问问对自己过去十二年探索之路的一次深刻复盘。

                                回顾出门问问的发展历程,从2012年作为中国第一批AI公司投身语音助手,到后来推出TicWatch智能手表、TicMirror智能后视镜、TicHome智能音箱等一系列硬件产品,再到2019年转型软件,推出“魔音工坊”等AIGC产品,在外人看来,这条路似乎充满了曲折与变道。

                                “确实是坑了很多人。”李志飞自嘲道。但今天,当他站在AGI的新范式下回望,这条看似蜿蜒的道路,其内在逻辑却豁然开朗——所有这些探索,无论软硬,本质上都是在为AI寻找并沉淀不同场景下的Context。

                                从手腕上的贴身交互,到驾驶时的语音命令,再到内容创作者的工作流,出门问问的每一步,都是在将AI置于一个具体的“环境”中,让它在与用户的真实互动中,积累宝贵的“上下文”。这条长达十二年的求索之路,最终沉淀为公司最核心的资产。

                                这条路并非坦途。李志飞坦言,出门问问曾深受“硬件思维”的困扰。“我们曾经认为AI是灵魂,硬件是身体”,但这条路的现实是高昂的研发成本、复杂的供应链管理,以及与手机厂商在红海中的惨烈搏杀。

                                正是这些“坑”的历练,让出门问问最终“顿悟”:硬件的真正价值,并非设备本身,而是作为“传感器”,成为深入用户场景、收集独一无二“上下文(Context)”的最佳载体。 无论是手腕上的贴身交互,还是驾驶时的语音命令,它们的核心目的只有一个——为AI寻找并沉淀一个真实、高价值的“栖息地”。

                                TicNote的诞生:当递归式AGI遇上场景Context

                                正是基于这样的战略认知,出门问问的全新产品TicNote应运而生。

                                TicNote的诞生,也标志着出门问问商业逻辑的又一次转型。李志飞强调,这不再是一个“卖硬件”的生意,而是一个“软件服务”的生意。“硬件是一次性的,但软件的价值在于持续进化,在于订阅。” 

                                这背后,是AGI时代最核心的商业模式:用户购买的不是一个静态的工具,而是一个能够通过与你互动、不断学习和成长的智能伙伴。

                                这也构成了出门问问在巨头环伺下的非对称竞争战略。李志飞清晰地指出:“我们一直想避开手机厂商做的事情”。创业公司的机会,不在于和巨头拼通用模型或通用硬件,而在于找到一个巨头难以覆盖的、高价值的特定“环境”——比如“会议”,并在这个环境中,通过TicNote这样的载体,深耕独有的“上下文”,从而构筑自己的护城河。

                                TicNote,从形态上看是一个精致的AI会议记录设备,但其内核,远不止于此。它是出门问问AGI战略的具象化体现,是一个“会议环境 + Context”的完美载体。

                                它为出门问问自研的AI Agent——“Shadow AI”,提供了一个理想的进化土壤。

                                • 环境 (Environment):就是“会议”这一高价值、高信息密度的商业场景。

                                • 上下文 (Context):则是每一次会议的对话、每一次的转写总结、每一次用户的追问与交互。

                                Shadow AI,这个被定义为“进阶生产力的智能体”,就生活在TicNote所创造的这个环境中。它不仅仅是一个被动记录的工具,它是一个拥有“六重智能”的Agent,在记录、转写、总结、问答、归档、联网检索的循环中,持续学习和演进。

                                它会在与你的每一次互动中变得更懂你,在连接你的所有会议场景后,逐渐成长为你的专属“思考伙伴”。

                                The Next Level of You

                                这既是产品的Slogan,也是出门问问对AGI终极价值的回答。

                                当一个具备“递归进化”能力的AGI(以Shadow AI为代表),遇上一个由“十二年探索”沉淀而来的“场景Context”(以TicNote为载体),它们结合所释放的能量,最终将赋予每一位使用者。

                                李志飞对Agent的定义很简单:它不仅能聊天,更是自适应的 (Adaptive),能够跳出对话,去检索、去行动。这正是Shadow AI的设计哲学,它不是一个被动记录的工具,而是一个主动为你带来曼妙思潮的思考伙伴。

                                它会成为你的外脑、你的超级助理、你的灵感催化剂,你的“思想外骨骼”,将你从繁杂的事务中解放出来,去完成更高维度的思考与创潜。

                                我们追求的不是一个无所不能的AI,而是一个因AI而无所不能的“我们”——向 “The Next Level of You” 的递归进化。

                                这,就是出门问问给出的AGI时代破局之路。它无关乎算力的比拼,无关乎模型的参数大战,它关乎场景,关乎交互,关乎在真实世界中与用户共同成长跃迁。

                                这或许是一条更艰难,但更具生命力的道路。

                                跳转微信打开

                                •  

                                复盘亚马逊,再看拼多多

                                原创 立涛 2025-05-30 21:10 上海

                                二十多年前,曾经有一家了不起的公司也走过同样的路径,最终取得了惊人的成功。

                                1

                                争议中成长起来的亚马逊

                                在美国的科技巨头里,有家一直处于巨大争议中的公司——亚马逊。

                                在它的成长早期,公司一直面临着不盈利、商业模式难以为继的争议,股价波动幅度也很大,在2000年互联网泡沫破裂后跌去了近90%市值,又在03-06年、07-08年两次腰斩,给很多投资者带来巨大心理阴影。

                                公司的争议性是全方位的,除了早期不盈利、高PE之外,还包括:

                                1)从不分红、极少回购:公司自1997年上市至今从来没分红过,只在2011-2012年回购了约12亿美金、在2022年回购了约60亿美金。

                                2)有争议的业务扩张:持续拓张业务,并进行大量的资金投入。不少业务拓张在前期会对公司的盈利性有显著压力,例如prime服务、FBA服务(仓储配送)、早期引入第三方商家和自营电商竞争、亚马逊云等等。

                                3)ESG方面,公司也面临很多争议:

                                ①用价格战烧钱打压竞争对手,引发垄断争议:早期亚马逊在争夺市场份额时,面对竞争对手会凶悍地烧钱打价格战,逼迫对手退出市场。这和大众想象里的“美国企业只专注创新,一点都不卷”完全背道而驰。

                                ②对平台商户严苛:亚马逊是出名的对第三方卖家很严苛、对消费者很友好的平台。一方面,亚马逊会用更低价的自营产品去卷第三方卖家;另一方面,亚马逊对商家的处罚力度一直很大,手段严苛。最有名的是2021年关店潮,一举封杀了超过5万名中国卖家,被封的店铺账户内资金、剩余货物基本都无法取回,导致很多年销售额数亿、数十亿的卖家一夜之间直接破产。

                                ③员工工作强度大且待遇一般:一直以来,亚马逊都以以工作强度大、待遇在互联网公司处于中低水平而著称。亚马逊履单中心的蓝领工人每天工作10个小时,只有20分钟休息时间,上厕所都要担心超时被扣工资。这些蓝领工人每个小时领取13美元左右的最低工资,如果想要加入或组织工会都会被亚马逊警告甚至被解雇(亚马逊一直到2022年才有了工会)。

                                亚马逊的管理层也是出了名的不在意华尔街和股价。贝索斯曾多次在致股东信和访谈中提到:“我们将以‘长期市场领导地位’为投资决策的出发点,而非关注短期的盈利或是华尔街的短期反应”、“当股价一个月内上涨了30%,不要感觉自己聪明了30%”…管理层绝不为讨好股东而美化利润表,并且极少分红回购。

                                这种独特的气质,使得华尔街早期一直对亚马逊又爱又恨。亚马逊在很长的时间里都被认为“对股东利益漠不关心”,也是最拥挤的被做空对象:

                                2008年市场崩盘前夕的一次纽约的投资者活动上,索罗斯公开预告了金融危机,并只提了一家准备做空的公司,就是亚马逊;

                                比尔米勒也回忆过自己早年因为重仓亚马逊,被另一位知名投资人布鲁斯·格林沃尔德(《价值投资》的作者)公开抨击不是“真正的价值投资者”;

                                2014年,由于新业务Fire Phone的失败叠加电商销售降速,公司市值一度暴跌到阿里巴巴之下……

                                但巨大的争议背后,是亚马逊一路高歌猛进的业绩:

                                公司的首个盈利年是2003年,实现单年利润3530万美元;20年后的2023年,公司实现单年304亿美元的利润,20年间利润增长了861倍。

                                而公司股价本身,从2000年初科网股泡沫高点至今涨了50倍;如果从科网股泡沫最低点起算,至今涨了743倍。

                                巨大的回报也成就了很多了不起的投资人。例如从IPO之初就买入,扛过了科网股泡沫和08年金融危机的比尔米勒;例如一直重仓亚马逊的游牧人基金创始人尼克·斯利普,以及Baillie Gifford旗舰基金SMT的基金经理詹姆斯•安德森…

                                2

                                亚马逊凭借什么而崛起?

                                亚马逊崛起的背后,颠覆了无数个产业:

                                在亚马逊做书店之前,美国最大的书店是巴诺,占了 8-12% 的市场份额。当亚马逊只有几千万美金的时候,巴诺融了两亿美金来做自己的线上书店,并且有自己的渠道,有自己的仓储、配送,但依然败给了亚马逊。

                                完成对书品类的颠覆以后,亚马逊开始做零售,对手变成零售商之王沃尔玛。山姆·沃尔顿同样是一代经营之神,沃尔玛家族曾长期占据世界首富的地位,但今天,沃尔玛的市值超过了美国前10大零售商的市值总额。

                                在零售赛道突飞猛进的同时,公司还进军了算力市场,这原本是IBM、惠普等企业的赛道,而亚马逊以电商基因进入其中,并且一举成为了赛道龙头。

                                如果说,在一个赛道崛起尚有时代机遇和偶然因素,那么连续在多个赛道都成功战胜巨头,背后一定有非同寻常的经营理念。

                                贝索斯留下的致股东信与各种访谈,非常值得读读。

                                1)长期主义

                                贝索斯曾经说:“如果你要创新,你必须愿意长时间被误解。你必须采取一个非共识但正确的观点,才能打败竞争对手。”

                                非共识往往来源于对短期利益和长期利益取舍上的不一致,并且往往意味着要长期承受误解。

                                大多数的上市企业都有意无意地被短期所激励,痴迷于满足股东的短期利益需求,管理团队永远追求于最大化下一个季度或者下一个年度的运营和股票表现,而无法专注甚至深入考虑更长远的投资和价值创造。

                                短期与长期常常是矛盾的,当短期的诉求过强时,长期利益就不得不让位于短期。

                                而从一开始,亚马逊就走了与大多数上市公司完全相反的路。

                                无论股东如何指责其花钱、无论专业人士如何预言亚马逊“永远无法赚钱”和“很快会倒闭”,也无论其股票在短期甚至中期受到多么大的重挫,亚马逊始终专注于自己所制定的坐标。

                                贝索斯坚定地认为,竞争对手对利润率的热爱是亚马逊的机会。因为对手会受制于此,和这些公司竞争“如同用热刀切黄油”。他在在1997年的第一份股东信中就写到“It’all about long term”,并坦言,在“面临优化GAAP报表和最大化未来现金流两个选择时,我们会选择后者”。

                                虽然不在意利润率,但贝索斯极其关注资本的投入回报率,坚决放弃无法带来合理回报的项目,而把资金投入于能高效创造收益、提升客户满意度的地方。

                                贝索斯曾在1999年的股东信中自己算账,“花费2.2亿美元的库房和3.18亿美元的设备,可以收益超过20亿美元的年销售额,在过去5年中累计仅使用了6200万美元的运营资金…”,其对于资金效率(capital efficient)的重视可见一斑。

                                很多今天大众习以为常的服务,都是早年贝索斯力排众议推行的,例如:

                                2000年亚马逊就开放了第三方平台,允许第三方商家自由和亚马逊自营业务竞争,这意味着短期会抢夺亚马逊的流量、甚至引发价格竞争压低亚马逊自营业务的利润,但贝索斯认为这样对消费者有利,甚至开放了仓储物流设施为这些商家赋能。到今天,亚马逊第三方卖家已经占到整个平台的60%+。

                                2005年亚马逊开始推出Amazon Prime服务,承诺Prime会员免费配送、2日送达。在该服务推出的早期,公司不得不为此承担巨大的成本,但随后Prime会员的威力逐渐显现,以2018公司披露的数据为例,Prime会员的年平均支出为2486美元,是非会员的近6倍;会员每年购物频次约25次,是非会员的两倍;Prime会员客户留存率高于90%。目前亚马逊有超过2亿的Prime会员,这已经成为其电商生态重要的根基。

                                2006年亚马逊推出AWS服务,看似和主业毫不相关,但却是从亚马逊中后台IT基建中延伸出来的板块。贝索斯核心考虑了三个问题:①这项业务能否带来满足亚马逊股东们所期待的高投资回报?②、这项业务今后能达到的规模,对整个亚马逊公司是否举足轻重?③这项业务是否目前尚不完善,而亚马逊有能力为市场提供具有显著差异化的产品或服务?在得道确定答案后,他再次坚定投入,时至今日AWS贡献的利润已经超过了电商业务。

                                …

                                除此之外,亚马逊一次次主动降低商品销售价格、降低AWS的产品价格,这些举措看似都损害了短期利润,但贝索斯在2004年的股东信中写到:“专注于提高成本控制能力,使我们能降低价格,从而推动销量增长。销量的增长将固定成本分摊到更多客户那里,从而降低每个客户单位成本,进而让我们有能力再降低价格。客户喜欢这样(更低的商品价格),股东们也会喜欢(销量和规模有增长),请期待我们继续重复这样的良性循环。”这也是亚马逊飞轮效应理论的雏形。

                                在2014年之前的18年里,亚马逊的净利润一直维持在 0 左右,但经营性现金流一直都非常健康,而同期亚马逊在云计算业务的投入年复合增长率超过200%,一度给公司利润带来较大压力。

                                之后,随着电商业务和云业务的规模效应逐渐显现,公司的利润开始迸发,到2023年,公司已经是一家年盈利在304亿美金(gaap口径还低估了公司的真实利润)的科技巨头。

                                在美国企业史上,第一个宣称自己“不关注利润,只关注现金流”的是美国电信大亨约翰·马龙(John Malone),而贝索斯是第一个把这种策略运用到电商上的企业家。

                                华尔街的游戏规则是注重短期利润,投资人期待每个季度的收入和利润都增加,并且增加的比例要超过分析师的预期,而亚马逊却是以长线思维牺牲利润获取增长,打破了原有的游戏规则。

                                因为放弃了对竞争对手和对投资人的关注,转而将精力聚焦于客户、聚焦于创新,亚马逊得以在更长的时间维度里超越了同赛道的各种对手。

                                贝索斯在2011年说:“如果你做的每一件事把眼光放到未来三年,和你同台竞技的人很多;但是如果你的目光能放到未来七年,那么可以和你竞争的就很少了,因为很少有公司愿意做那么长远的打算。”

                                2)客户至上

                                在大量关于长期主义的描述里,我们会发现贝索斯极其关注资金投入能对客户体验带来的优化。一直以来,亚马逊都被认为是全世界最以客户为中心的公司,基于这样的基因,亚马逊不断地压低商品的价格,不惜以严苛的方式对待供应商和第三方卖家。贝索斯说:“世界上有两种公司,一种是尽可能地说服客户支付一个高的利润;另一种是拼命把价格降到最低,把利润都让给消费者的公司。我觉得这两种公司都能非常成功,不过我们坚定地选择做后边这一种。”

                                也基于这样的基因,AWS业务在长期没有竞争对手的情况下,主动降价51次。贝索斯说他不想重复“史蒂夫·乔布斯的错误”——将 iPhone 定价过高,从而使智能手机成为吸引大规模竞争的众矢之的。(引用自亚马逊传记《一网打尽》)

                                贝索斯几乎在每年的股东信中都要反复提到客户至上的理念,他极其关注购买体验,复购率等指标,并且不断为其做各种与短期利益相违背的投入,在“无限选择、最低价格、快速配送”三个领域持续积累优势,构建难以被推翻的竞争壁垒。

                                3)持续对抗组织熵增

                                亚马逊有一个非常重要的理念,“always day one”。

                                在贝索斯看来,Day one是公司处于创业初期时的状态,而Day two心态的公司则是停滞的公司,它们在市场上会越来越边缘化,然后逐渐衰败灭亡。为了提醒自己,贝索斯把工作大楼命名为 Day one,不断告诫员工,无论公司规模再大也要保持Dayone状态。

                                我们可以从贝索斯的股东信(尤其是2017年的股东信)以及各种传记中看到贝索斯是如何对抗Day two的惰性的:

                                ①客户至上(又是客户至上!):将业务聚焦于以客户为中心,而不是以流程为中心或者以竞争对手为中心,努力满足客户不断提高的要求,是贝索斯认为的保持Day one活力的最佳做法。

                                ②抵制形式主义:贝索斯指出,大企业普遍面临的问题是,工作流程不为结果服务,员工不再关注结果,而只是确保流程正确。亚马逊非常讨厌流程,反对基于浮于表面的问卷来设计产品、强调对用户需求的洞察于直觉;也非常讨厌低效的会议,其开发的“六页纸会议法”成为很多公司学习的范本。

                                ③高效决策:贝索斯把决策分为不可逆的“1型决策”和可逆的“2型决策”。对于不可逆的“1型决策”,强调谨慎、深思熟虑并广泛征询意见;但贝索斯强调,大公司最常见的问题是把大量可逆的“2型决策”用“1型决策”的方式去进行,导致企业决策和行动速度迟缓、厌恶风险、无法充分地展开实验,最终不利于创新。

                                为了提升决策效率,亚马逊把大量可逆、可变的“2型决策”下放给了小团队和个人来做,并快速试错和迭代。

                                ④小团队化:亚马逊有24万员工,但大多数团队都非常小,最著名的就是“两个比萨团队”。布拉德·斯通在《一网打尽》里写道:整个公司都按照“两个比萨团队”的模式进行重组。员工们要组成不多于 10 个人的独立团队——尤其是加夜班时,小组的规模可以小到用两个比萨就可以充饥。

                                作为“2型决策”的决策和执行单元,亚马逊用小团队机制来确保沟通配合的高效。

                                ⑤开放系统:为了进一步对抗企业熵增,贝索斯将亚马逊内部的功能性业务都封装成了对外服务化的业务,亚马逊云、FBA(亚马逊的仓储物流体系)、亚马逊第三方卖家平台(Marketplace)都是这样的例子。

                                当把某一个服务外部化以后,它就会面临真实的竞争,它必须了解用户的需求才能尽可能完善自身。通过不断地将内部服务外部化,用客户的需求来倒逼这些支撑部门不断自我完善,并从成本部门转向利润部门。

                                从零售的角度来看,沃尔玛和亚马逊都非常优秀,经营效率高、商品周转快,并且都以顾客为中心。

                                但随着亚马逊不断地对自身商业模式进行升维,公司逐渐获得了更高维的商业优势:无限货架+来自全球的海量低价商品供给+平台上沉淀下的大量购物评论+随时随地打开APP就能浏览下单的便捷购物体验+超快配送时效…这些竞争力让亚马逊与沃尔玛拉开差距。

                                而当亚马逊云横空出世后,公司在商业生态上又进一步站上了更高的维度。

                                是贝索斯独特的经营理念和经营哲学引导着亚马逊持续升维,长期主义、客户为中心,不断对抗组织熵增,这些理念支撑着亚马逊从一个又一个领域中持续攻城略地拿下市场份额。

                                3

                                再看拼多多

                                伟大的公司往往都是在质疑和争议中成长起来的,恰恰是因为他们选择的道路异于常人、异于常理,走了少有人选择的道路,才有机会取得常规途径无法取得的成果。

                                亚马逊就是最好的注脚——用最精益化经营的方式、最敢于投入和创新的态度,一直聚焦于为长期客户利益投入,摒弃对短期反馈的追求,用延迟满足的模式追求长期价值,并且数十年如一日地保持创业的day one状态。

                                这样的公司是非常少见的,但当他们出现的时候,投资人们往往容易因为巨大的非共识而看不懂、不理解、不珍惜。事后看,我们会认为亚马逊是了不起的,但公司依然避免不了在早期长期被误解的命运。

                                而在大洋彼岸的中国,有一家电商公司正在用类似于当年亚马逊的经营理念快速崛起。

                                这家公司一样不在意投资者的看法,坚持为长期价值做投入并拒绝粉饰短期的财报数据,高度以消费者为中心,保持了高质量的顶层决策机制和灵活的一线业务决策,组织活力高、执行力极强,不断地寻找一个又一个新的增长点进行攻坚突破。

                                有趣的是,这家公司今天同样面临着诸多争议,为很多人所不理解,股价也同样波动巨大。对比它和曾经的亚马逊,我们会发现历史是如此的押韵。

                                虽然业务切换期有各种不确定性,但Temu今年预估能做到700亿美金上下的GMV,这是用了3年出头的时间达成的成绩。而亚马逊,是2012年才做到这样的体量。

                                之后的10年里,亚马逊的gmv又翻了10倍。 

                                我们不妨畅想一下,10年后的Temu会是什么样的呢?

                                很多人说Temu在美国会被政策打压,所以这是负资产。

                                但你看亚马逊是一家没有中国市场的全球电商公司,不妨碍他做到8000亿美金的GMV水平;拼多多最差也不过是一家没有美国市场的全球电商公司,更何况他很可能还不会失去美国市场,最多因为监管压力,在美国的规模没法媲美亚马逊而已。

                                又有很多人说亚马逊值钱是因为云业务值钱,电商只是提供现金流。但电商至少也支撑起了1/3的亚马逊市值,那对应就是7000亿美金。

                                沃尔玛也是7000多亿美金市值,零售成交额(5万亿人民币)/利润水平(1200亿人民币)和拼多多都是一个水平的。

                                也别说什么拼多多没有股东回报之类的说辞,亚马逊同样不在意华尔街的看法,也从不分红。沃尔玛股息率不到1%,难不成有谁买沃尔玛股票是冲着他的股息率去的?

                                拼多多在我看来今天走的就是亚马逊当年的路,但它更快、更犀利、更能卷。看10年的维度,潜力、空间都还非常大。

                                当面对这样的公司时,或许我们可以多回顾一下历史——二十多年前,曾经有一家了不起的公司也走过同样的路径,最终取得了惊人的成功。

                                阅读原文

                                跳转微信打开

                                •  

                                拼多多25Q1简评:危机还是机遇?

                                原创 立涛 2025-05-28 23:41 上海

                                拼多多25Q1的财报,看似是危机,或许也蕴藏着机遇。

                                对于拼多多的股东而言,2025年一季度的财报或许又是一次难忘的经历。

                                过去,公司也时常因财报不及预期而暴跌,最近5年财报日跌幅超过13%的几次包括:20Q2(-13.52%)、21Q3(-15.86%)、22Q4(-14.17%)、24Q2(-28.51%),基本上每年一次。

                                但这次似乎又是不同的。

                                这是公司盈利以来第一次经历-47%的净利润大下滑,从2024年Q1的280亿人民币利润下滑到2025年Q1的147亿,一个季度少了133亿利润。尽管收入端同比还有10%的增长,但毛利润的同比增长仅有1%。

                                这引发了很多伙伴的恐慌,大家私戳我表达了很多担忧。我非常理解伙伴们的想法,也能理解那种“坚守了很久,最后心很累想放弃”的感觉。

                                但我认为当下的“危机”或许并没有那么可怕,甚至或许这还是一次不错的投资机遇。希望能通过这篇帖子简要地、快速地帮大家理解一下当下的情况。

                                1

                                首先,这133亿的利润下滑到底来源于哪?

                                如果看大数的话,利润下滑主要来源于:

                                1)营销费用比去年一季度多了100亿;

                                2)利息&投资收益比去年一季度少了接近50亿。

                                但还有一个更重要但容易被忽略的原因:公司佣金收入相比24年Q1几乎没有增长。

                                这背后其实是Temu美国业务从全托管转型半托管导致的,也是很多伙伴没预期到的地方。我认为它最关键,最应该被重点拿出来分析。

                                接下来我拆开对这三个因素都分别做分析。

                                2

                                1)Temu美国推动商家从全托管转型半托管,影响了佣金收入

                                我们都知道Temu业务在过去一年增长了很多,根据我跟踪的信息估算,25Q1的Temu GMV至少同比是50-60%的增长(注意:这个数不是官方披露的数,肯定不准确,但能大概看个趋势),环比24Q4也是增长的。

                                但为什么代表Temu业务的“佣金收入”同比24Q1却只有6%的增长、环比下滑,甚至还低于24Q3的水平呢?(注:佣金收入包含了主站佣金、多多买菜、Temu等几块不同业务,买菜和主站佣金相对稳定,Temu是过去两年驱动佣金收入增长的核心动力)

                                原因在于,公司一季度花了很大力气推动Temu美国的商家从全托管往半托管转换,而这个转型阶段性地牺牲了公司的收入。

                                过去的全托管模式,商家通过空运小包裹直接发货给美国的消费者,不需要提前备货到美国,还能享受免关税优惠。这个模式曾经是把非常有效打开市场的利刃,但随着4月2号川普拉开关税战序幕,小包裹免税政策(T86)被取消,这个模式面临巨大的挑战,已经几乎停摆。

                                而Temu非常有先见之明地在关税战之前就推动了很大比例的全托管商家们把热销sku都转成半托管模式,提前将商品备货到美国、本土发货,规避了T86政策被取消带来的影响。

                                我们必须承认,Temu的这步棋下得非常有前瞻性,并且执行得很果决,效率很高。

                                但是,这么高效的执行背后,Temu也付出了相应代价:为了激励商家转半托管,在切换的早期Temu并没有从商家的GMV里抽佣。这导致了平台GMV还在增长,但很大比例的GMV不再贡献收入,因此凭空少了一块收入来源。

                                因此,我们看到25Q1,虽然Temu的GMV同比依然大幅度增长,但却没有贡献对应的收入。这也解释了为什么毛利润的同比增长只有1%——少了一块半托管业务的收入,但业务成本(物流等)却没有减少,因此毛利润自然也会受到影响。

                                某种程度上这也印证了管理层在电话会上说的“在不确定性时期,当商户面临困难时,我们选择加大投入帮助商户渡过难关,降低经营成”。

                                我完全认同Temu业务调整的前瞻与执行上的果决,也觉得收入上暂时性的让渡是不可避免且应该被理解的。这些都是在做正确的事情。

                                当大家都在讨论拼多多做“千亿补贴”导致公司利润下滑的时候,讨论半托管转型对收入的影响的声音则少很多,我认为大家关注的焦点或许都偏了。当费用已经投入出去,而转化成的GMV却没有马上进行商业化变现,少了一块收入的支撑,利润下滑是必然不可避免的。

                                但这会是一直持续下去的吗? 

                                显而易见,为了推动半托管转型而坐的收入上的让渡,这是暂时性的;就像全托管早期刚起量的几个季度,平台也没有着急去变现。但随着业务逐渐走上正轨,相应合理的商业化动作也会随之跟上,这是业务发展的自然规律。

                                2)很多人担忧营销费用的提升,但或许没那么吓人

                                很多朋友来找我讨论营销费用的提升。同比看,25Q1比24Q1增加了100亿的营销费用(环比提升了7%),这看上去确实非常吓人。

                                但我认为大家关注点或许有偏差:我们应该关注营销费用的环比提升,而不是同比。

                                首先,24Q1和Q2,是拼多多上一轮商业化变现周期的尾声,当时营销费用基数比较低。24Q2的业绩会上管理层说接下来要加大投入,当时很多人不信,但事后看24Q3后营销费用确实有显著跳升,一个季度环比增加了40亿的费用(这些钱,投入到了扶持优质商家、补贴价格力等环节上,从目前了解的细节来看应该是取得了显著业务侧效果的)。

                                看营销费用,应该和24Q3之后的季度去比较,而不是和24Q1Q2低基数的水平去做比较。如果看环比的话,实际上25Q1的营销费用也就比24Q4增长了20亿,没有那么吓人。

                                当然,有朋友会反驳我:24Q4是旺季,25Q1是淡季,正常来说,淡季的营销费用应该低于旺季才对。

                                从历史上来看确实是这样的,历史上每年Q1的营销费用平均会比上一年Q4低12%。但这个Q1确实比较特殊。

                                从我追踪到的数据来管中窥豹:我每个季度会大概监测一下Temu站外投放的数据,25Q1环比24Q4的投放金额增加了40%(注意:这个数不是官方披露的数,肯定不准确,但能大概看个趋势),也就是说,Temu今年一季度在海外的投放金额是有显著增加的。

                                并不是说淡季的投放一定要比旺季少,至少这个淡季,可能出于开拓美国之外市场的需求,可能出于帮助半托管卖家起量的需求,Temu在投放上的费用是显著增加的。(顺便说一句,24Q4的海外投放数据环比是减少的,猜测可能因为四季度买量成本高,公司主动减少了买量投入,而在一季度做了个错峰的投入)

                                所以,淡季就应该比旺季投入少的说法不成立,至少从Temu的投放数据能印证这点。

                                很多朋友看到营销费用比去年一季度增加了100亿,第一反应是公司讲的千亿补贴烧了这么多钱,会非常担心这些投入会持续影响未来的利润。但我想表达的是:

                                ①这块投入可能没有大家想象的那么夸张,要看环比24Q4的变化而非同比24Q1的变化;

                                ②哪怕是投入增加了,根据我们对拼多多团队严格考核资金ROI的工作模式的理解,增加的投入一定会在未来以某种形式转换成平台的竞争力、商业化潜力。这也是我们认可这个团队的基础。如果你认可这一点,那就不应该担心公司的费用增加对利润的影响,要相信这都是为更长远价值而做的投资。

                                一季度,公司当然花了钱做国补、商家扶持、消费者补贴,但烧钱的幅度肯定没有大家直观感受的那么吓人。看环比而非同比,这是在新一轮投入周期里更客观评估公司烧钱程度的方式。

                                3)利息&投资收益的下降

                                这点确实拆解不出来,因为不清楚公司到底做了什么样的资本配置。(从公司的F20里面看, 70%都是现金或者定期存款)

                                但可能也没那么重要?因为去年那么高的收益率或许本来就不是可持续的,而我们关注拼多多的价值也更多是把关注点着眼于业务经营利润上。

                                3

                                做个小结。

                                我知道,财报前,很多朋友对这个季度的财报是有期待的,一些朋友还想押注美国业务提前盈利带来利润改善。

                                但确实,面临关税等一系列不确定因素的干扰,现在远还没有到要盈利的阶段。商家面临的压力平台主动去补贴和支持,这是正确且必须做的动作。

                                高期待容易带来失望,相信这个业绩又伤到了很多想赌财报的伙伴;但如果着眼长期,我们不难看出当下的很多恐慌更多都是针对短期/阶段性的利润担忧。从长期看,平台的盈利潜力或许并不会因为一两个季度业绩的不及预期而被影响,甚至还可能因为当下的大力投入而进一步增强。

                                和大多数伙伴担忧的不同,我认为这个季度的利润下滑更多源于Temu业务的转型阵痛,而非国内补贴“国补”、千亿扶持这些方向的投入。

                                从公司所得税上也可以看出端倪:只有盈利的业务才需要交税,国外业务的亏损不能抵扣国内的所得税,因此,所得税的变动可以大致反映国内业务盈利的变化。在25Q1,公司的所得税费用同比下降了11.6%,这或许比-47%更能真实反映国内利润的变化情况。

                                从这个角度看,公司25Q1的利润下滑确实更多源于Temu业务的投入加大。同时,考虑到24Q3后公司在国内增加了这么多投入,国内利润-11.6%的下滑也是情理之中的。

                                而Temu当下处于业务拓展期,还面临诸多政策不确定性,短期投入大也很合理,扶持商家帮助他们应对地缘政治不确定性也很合理。但这不意味着长期会一直如此。当业务转型逐渐稳健后,这块业务或许释放出的盈利潜力会超出大家的想象。

                                当下大家对于拼多多的分歧,其本质是对“利润下滑是短期还是长期的”这个问题的分歧。

                                如果大家认同我上述的逻辑,那么就应该理解,短期的利润下滑是为了应对关税的不确定性而做的业务主动转型,千亿扶持的费用增加确实没有大家担忧的那么多、那么吓人。

                                或许我们不应该特别悲观于一时的利润下滑,反而应该把它当做一种阶段性的投入,为了未来的商业潜力而蓄势。

                                同时,或许我们也可以把当下因利润不及预期而导致的股价下跌看做一个买入的机会。

                                阅读原文

                                跳转微信打开

                                •  

                                AI能否成为我的CEO Agent?

                                原创 高佳 2025-05-22 08:24 北京

                                这场AI驱动的效率革命和组织进化,才刚刚开始。

                                作者 | 高   佳  

                                创意 | 李志飞

                                在亚马逊创始人贝索斯的身边,曾有一位誉为“影子幕僚”的关键人物——安迪·贾西,即后来亚马逊的继任CEO。

                                在决定亚马逊命运的每一次关键会议上,在贝索斯与全球政要、商界巨擘的重要会谈中,甚至在他无数次改变世界的思考中,都有一个身影如影随形。这个人,不仅是旁听者,更是贝索斯的“思维替身”和“认知回声”。

                                据说,贾西拥有与贝索斯同等的信息权限,能快速调阅、整合、分析公司内部海量复杂的数据。他能在贝索斯提出构想时,预见挑战与机遇;在权衡利弊时,提供独立客观、基于数据的反馈;甚至在决策前,洞察其思考盲点,提出关键“异议”。二十余载的深度参与,让贾西最终得以引领这家科技巨头。这一“影子幕僚”的传奇,已是商业管理的经典。

                                作为一位身处竞争洪流中的CEO,每想到这样的故事,我内心总会涌起强烈的渴望:身边也有一位“影子”——一个无所不知、反应迅速、绝对忠诚且能洞察秋毫的“数字高参”。他能从堆积如山的邮件、报告、会议纪要中迅速提炼回答;在复杂决策时,提供全面的数据支撑与多视角分析;在灵感闪现时,快速验证其可行性并推演影响。

                                现实中,培养一位安迪·贾西式的人类“影子幕僚”,其难度几何,需要极致的信任、超凡的能力和长期的默契。

                                在AI浪潮席卷一切的今天,我们是否可以期待另一种可能?“AI影子幕僚”,成为CEO的“第二大脑”?

                                CEO的“不眠之夜”:

                                面对数据的“丰饶性贫困

                                在公司内部,我们常感到一种“丰饶性贫困”。信息爆炸的时代,CEO最缺的不是数据,而是缺少从数据海洋中快速打捞“真金”的罗盘。这种焦虑,相信很多管理者都有同感。

                                对于知识型公司来说,最大的财富之一是多年沉淀的经验、know-how和海量业务数据。但这些组织智慧,很大一部分都处于沉睡状态,或者在各小团队、个人手中低效流转,无法形成合力。跨部门信息壁垒高耸,A项目的宝贵经验,B项目可能还在重复踩坑。

                                而大模型再强,也隔着一层“行业纱”。企业专属的AI知识大脑,才能真正切中痛点,对症下药。

                                我常想,是否应有一个面向CEO需求的AI工具,它像贝索斯的“影子”一样,深度融入我们企业内部的知识体系,能随时调取,精准回答每一个疑问,辅助洞察秋毫、做出更明智决策。就在为此焦虑时,飞书团队推出了“飞书知识问答”,宣称“最懂企业知识”,我决定亲自体验一番。

                                飞书知识问答:

                                我的“数字高参”初体验

                                今天大模型最重要的能力是它能“读懂”各种结构化(如数据库、表格)和非结构化(如飞书文档、聊天记录、会议纪要)的语言信息。这就像给一个聪明的大脑喂饱了我们公司特有的、且经过权限过滤的“内部资料”,让它变成专属的“企业大脑”。

                                作为CEO,怎么用好这一“企业大脑”?我试着对它进行了一系列“实战拷问”,来看看它的能力和边界。

                                1.信息检索能力

                                ——查询人/事/项目信息

                                最近我们在海外刚刚发布了全球首款Agent硬件「TicNote」,市场表现不错,针对接下来在国内发布的版本,想与产品前端负责人讨论一下设计细节。

                                于是我问,“TicNote的前端负责人是谁?”,几秒钟内,飞书就从海量的文档和聊天记录中精准找到了答案,并追溯了不同阶段、不同版本(国内/海外)的负责人信息,列出不同文档来源的佐证。

                                这类看似简单的信息问题对于快速对接工作、了解项目组织非常关键。而过去,可能需要我打好几个电话问人、翻半天历史文档才能搞清楚。

                                在深度思考过程中,它展示了查询基础信息(通讯录),看是否有明确的组织架构标注,更重要的是,它能深入到过程数据(OKR、周报、会议记录等)中去寻找线索并自我检查。它既有单篇信息读取能力,也结合了多篇文档进行信息交叉验证和汇总,体现了飞书知识问答完备的信息整合和溯源能力。

                                2.分析归纳能力

                                ——会议总结、写周报、分析产品战略

                                “我上周开会主要关心什么问题?”

                                这类信息总结问题对CEO来说价值巨大,能帮我快速回顾和聚焦。飞书知识问答的总结相当到位,甚至能把我不同会议上关于相似主题的讨论点串联起来,非常惊喜。这不仅仅是关键词的堆砌,而是有一定逻辑性的归纳。如果会议纪要是由飞书妙记等工具生成,包含了发言人识别,它的总结更加精准。

                                当AI能帮你回顾上周的焦点,甚至串联起不同会议的讨论脉络,你才真正拥有了一个不知疲倦的“思维替身”,组织的集体智慧才真正开始被“唤醒”。

                                甚至,我让他帮我写一份上周的周报,它也近乎完整地高质量呈现。它不仅仅是“搜索引擎”的升级版,更是通往“组织记忆体”和“辅助决策系统”的雏形。

                                关于辅助制定战略,它也颇有心得。比如我让它分析我们Agent硬件产品「TicNote」与竞品的差异化优势。

                                它可以通过多篇信息(过程数据)的分析与总结抽象,梳理出我们的产品亮点,提出包括“Aha Moment”和“Deep Research”等差异化功能。这不仅需要它从过往数据中充分地理解、挖掘产品亮点和细节,还需要能联网查询并分析出“竞品”是谁,“竞品”的特点,从而对比提炼差异化优势。

                                这比过去需要与产品经理、市场、PM等开会讨论半天,要高效得多,并给出更具全局视野和洞察力的见解,我想以后可以经常与它讨论更多的产品战略与设计细节。

                                3.目标管理能力

                                ——追项目进度、战略执行、绩效考核

                                比如我问:“Data Agent最近有什么关键进展?”,这类问题关乎公司核心项目和战略举措的进展,信息透明和及时非常重要。飞书的细节回答,让我对复杂项目的进展一目了然。

                                这类问题的回答质量高度依赖于企业内部数据的规范性和完整性。如果项目进展、战略推进都有及时的文档记录和OKR更新,飞书知识问答就能给出相当不错的总结。

                                进一步,我对它提了一个更有挑战的问题:“CEO战略与一线员工的执行相一致么?如果不一致,请具体指出?”

                                这是我作为CEO最为关注的核心问题之一,也是对AI能力的一大考验。

                                飞书的回答让我看到了难度挑战。比如它的推理和总结有不一致的地方,复杂推理能力有限,需要人工辅助。

                                它能提出一个验证的框架(目标一致性、资源分配),这本身就是有价值的。但要真正洞察战略执行的细微偏差和深层原因,目前AI还难以胜任。例如,战略的理解本身就可能存在多重解读,执行过程中的资源调配、优先级排序更是动态和复杂的。它目前能做的更多是基于文本层面的匹配和初步的逻辑关联,对于那些需要深度业务理解和管理经验的判断,还有很长的路要走。不过,它能坦诚指出自身的局限性,并尝试从公开信息中寻找辅助线索,这态度是值得肯定的。

                                进一步,我尝试用它来做绩效管理。

                                比如问到“公司哪些工程师的工作比较饱和,哪些比较轻松?”,它坦诚因为数据权限的问题,员工绩效这类敏感数据通常不会在知识库中。这体现了飞书对于数据隐私保护的高度重视。但它能做到的是“查阅每位工程师的工作情况和工作量(OKR、周报、会议记录、出勤、工作时长、代码质量)”,虽然缺乏直接的绩效评价数据,但建议是合理的,引导我去找正确的信息渠道。

                                以上两个问题触及企业管理的难点,也考验着AI的边界。通过这一系列的“拷问”,显然飞书知识问答在信息检索、初步归纳总结方面表现出色,确实能成为高效获取企业内部信息的得力助手。但在需要复杂推理、深度分析和主观判断的场景下,它还需要持续进化,且离不开人类的智慧和经验辅助。

                                亲自体验飞书知识问答后,我开始思考:这个工具的潜力究竟有多大?它仅仅是一个更聪明的企业内部搜索引擎吗?或者,它预示着一种全新的工作方式,甚至可能演化成心向往之的“CEO Agent”?

                                从“知识问答”到“CEO Agent”:

                                “数字高参”进化之路

                                飞书知识问答不仅仅是一个简单的“问答工具”,它更像是通往真正意义上的“CEO Agent”的第一块基石,是赋能AI驱动组织进化的一个关键起点。

                                目前的飞书知识问答,已经展现出成为CEO“数字高参”的雏形。它能在我需要的时候,快速、精准地从海量企业信息中提取我所关心的内容,辅助了解公司动态、追踪项目进展、回顾决策过程。对于CEO而言,时间是最宝贵的资产,而精准的信息获取,就是对时间的极致增效。

                                而成为真正的“CEO Agent”,它还需要在以下几个层面持续进化:

                                从“被动回答”到“主动洞察与预警”:畅想一下,如果针对我们刚刚海外发布的「TicNote」,它能主动告诉你“老板,根据最近一周的客服数据和社区反馈,用户对「Aha Moment」功能的热度正在快速增加,建议关注”,这将是怎样的体验?我希望它有更强的“主动性”,能主动洞察到可能存在的瓶颈,或者可能出现的影响公司战略的新趋势,并提供分析报告。

                                从“信息整合”到“理解意图与上下文”:未来的“CEO Agent”应该在信息总结的基础上,进行更深层的分析推理、辅助决策。比如,当CEO面临一个复杂的商业决策时,它能基于历史数据、市场情况、内部资源等,更深刻地理解真实意图和复杂的上下文,理解决策偏好和风格,提供更个性化的支持。

                                从“单一工具”到“协同智能中枢”: 信息孤岛是组织的“慢性病”,知识问答工具,更像激活组织信息流的“起搏器”。未来的“CEO Agent”不应是一个孤立的工具,而应成为企业内部各种Agent和数据系统的协同中枢。它能调动其他专业领域的Agent(如研发Agent、销售Agent)协同工作,共同提供全面的决策支持。

                                如果我们将Agent的进化类比为从L1到L5的五个层级:L1 秘书,L2 助理,L3 项目经理,L4 合伙人,L5 接班人,那么目前的飞书知识问答可能处于 L2 的早期阶段,它能辅助我获取信息、进行分析。而我们所期望的“CEO Agent”接近于L5,则能自主地定战略、调组织、追过程。

                                飞书知识问答的出现,让我对AI如何驱动组织进化有了更具体的想象。飞书知识问答这样的AI工具之所以能初显神威,其坚实的数字化基础功不可没——正是因为文档、沟通、会议等信息在飞书平台得以沉淀,AI才有“料”可学。

                                更深远地看,这类工具的普及,正悄然改变着组织的运作肌理:它通过激活沉睡的知识、弥补个体能力的不足,有效提升了组织的整体智慧和协作效率;同时,信息获取的极大便利,也为组织向更扁平、更敏捷的“AI原生”形态进化提供了可能,也将带来企业角色的转变。而未来的组织,核心竞争力或许就体现在其“AI知识大脑”的成熟度上。

                                贝索斯的“影子幕僚”之所以强大,在于其与贝索斯的高度信息同步和深度思考能力。飞书知识问答,或许就是我们每个CEO构建自己的“AI 影子幕僚”的开端。

                                工具的革新,终将引发组织管理和工作方式的深刻变革。飞书知识问答这类具有高潜力的AI工具,正是这场变革的催化剂之一。

                                而这仅仅是AI赋能组织的一角冰山。未来会有更多形态各异、功能更强大的“影子产品”问世。 出门问问正在打磨的「TicNote」智能硬件及其AI能力,就致力于成为在特定场景下更懂你、更能主动辅助你的「影子」。

                                这场AI驱动的效率革命和组织进化,才刚刚开始。

                                相关链接:

                                打磨AI场景,飞书拿出了磨绣花针的功夫

                                谁将成为ToB AI应用的“APP Store” ?

                                为什么说AI Agent的机会在To B?

                                跳转微信打开

                                •  

                                晚点对话美的方洪波:我只是一个过客,不需要被任何人记住

                                晚点团队 2025-05-19 14:08 北京

                                以下文章来源于:晚点LatePost

                                晚点LatePost

                                晚一点,好一点

                                “企业想要生生不息,依靠的是完善的公司治理,而不是一个人。”

                                美的集团董事长 方洪波

                                “企业想要生生不息,依靠的是完善的公司治理,而不是一个人。”

                                文丨宋玮

                                13 年前,70 岁的美的公司创始人何享健把公司交给了 45 岁的方洪波。在那场意义非凡的交班仪式上,方洪波仅说了两句话,他说,“千里马常有,而伯乐不常有”,第二句话是,“我只是美的发展历史中的一个过客”。

                                方洪波清晰知道自己是谁,一个过客。

                                正是这名过客,创造了中国商业史上罕见的增长奇迹。在他接任美的董事长这十三年,美的收入增长了 4 倍,从 1000 亿 到 4000 亿;市值翻了 8 倍,上涨了超过 5000 亿,目前位列 A 股民企市值第三,仅次于宁德时代和比亚迪。他重塑了美的,将其从传统的家电制造商转型成了一家科技驱动的多元化集团,产品卖向全球。

                                每一位优秀企业家,都是在独特的生存土壤中,生长出属于自己的路。方洪波的独特处境在于,他执掌着规模庞大的企业,手握极大权力,却既非创始人,也非所有者。在这样极具挑战性的环境中,他不仅实现了卓越成就,还守住了自我本真。这一切,都源于他对自我的清晰认知。

                                他始终将自己定位为继任者、交棒者,禁止公司悬挂自己的照片,摒弃口号式企业文化,甚至不允许员工称赞自己。但与此同时,他深知自己要成为大胆的改革者、真正的企业家,而非安于现状的守业者。正因如此,他敢于变革、敢于认输、敢于自我否定,带领美的一路向前。

                                企业家所处环境千差万别,没有放之四海而皆准的管理理论。一位接触过方洪波的企业家说,他认为方洪波是真正的管理大师,因为他选择顺应环境、尊重规律,探索出适配美的的发展路径与独特的管理方法,并高效的执行。最终,历史回报了他。

                                今年 4 月,在佛山阳光明媚的午后,方洪波向我们回忆起 33 年前他初来乍到时,还是尘土飞扬的佛山顺德北滘镇。时代已是沧桑巨变,当年如裕华、万家乐、春兰、新飞等明星企业,多数已经消失。方洪波说,每一个时代都有群星闪耀,随着时间推移,多数都星光暗淡。而企业想要生生不息,依靠的是完善的公司治理,而不是一个人。

                                谈话的最后,我们问他,假如有一天你退休,你希望人们如何记住你、定义你?

                                他回答,“过客,过去了人家就忘记了。” 当他描述自己是一名过客的时候,有点清醒,甚至有点潇洒。

                                方洪波很少接受访谈,这是他近十年来屈指可数的深度专访。我们的交谈从下午 4 点持续到了 6 点多——没错,他要准点下班了。

                                我不加班,也不鼓励员工加班

                                晚点:前阵子美的上了热搜,因为要求员工必须六点二十下班。这源于你今年 1 月签发的《关于简化工作方式的要求》,提出了 “六条禁令”,其中就包括 “严禁下班时间开会、形式主义加班”。为什么这么反感加班?作为一名 5800 亿市值企业的董事长,你自己加班吗?

                                方洪波:我从来不加班,没有说 6 点之后还上班,这绝对不可能,周末加班也从来没有,我过去 20 年都是这样。

                                晚点:那对你来说什么最重要,生活吗?

                                方洪波:把这个企业经营好最重要,表面上看我很轻松,但我的脑袋时刻都在思考,是累的。

                                自己的人生也很重要,你不能为了工作没有生活,那人还有什么意思。他们都很清楚,我从来没有 6 点钟之后开过会。

                                晚点:你一边鼓励高管和员工要无惧竞争,要敢于 “内卷”,一边又要求大家 6 点必须回家,这不是矛盾吗?

                                方洪波:我说的 “内卷”,是指企业经营策略、经营业务上要竞争,这里面就包括 “简化”。我们要简化多余的、不产生价值的经营活动,加班是其中一种,95% 以上的加班都是形式主义的加班,它是没有意义的。你守在工位、搞那么多报表,没有用。

                                晚点:你在今年初美的经营管理年会上讲,2025 美的经营思路是 “以简化促增长”。你说面对复杂变化,关键要简化大脑,我们简单,世界就简单;我们复杂,世界也会像迷宫一样复杂。

                                方洪波:以简化促增长什么意思?就是企业大了就会生病,跟人一样,层级越来越多,细分模块越来越多,出现了很多不必要的、多余的、没有价值的经营活动,哪怕一个动作也是活动。

                                比方说,小米做空调可能产品型号少一点,我们一上来就几百款产品,里面有很多是多余的。

                                晚点:为什么不一开始就限制,而是搞了几百款后才限制?这中间就是大量的浪费呀。

                                方洪波:企业一大了有些东西失控了。企业发展的过程中,很多时候是为增长而增长的,我们现在简化一些工作,说明过去有些过度的发展。但有任何问题、不足,没关系,我们去解决。

                                晚点:强调减少不必要的经营活动,会让员工不敢做动作么?这和你鼓励大家要勇于尝试、探索,矛盾吗?

                                方洪波:我觉得不矛盾。我们今年减少了那些亏损的、做不起来的、看不到希望的业务,就是你曾经豪情万丈想把它干起来,现在证明你没有这能力,那我们就把它砍掉。

                                包括小家电,2022 年我们关了一批,还不够,我们没能力搞那些小的。市场上有小熊、北鼎,他们公司小,成本低。我们体制性成本太高,搞不过这些新型企业。家电业务我们很多也在减 SKU,非核心业务更是要关停并转、出清冗余。

                                晚点:我感觉美的做业务的方式是,先内部赛马跑一段时间,隔一段时间再统一调整,大开大合。

                                方洪波:我们先发挥活力,不发挥活力那么多家电品类我们做不起来。同样我们现在做 To B 产业转型,我不知道哪一个是未来,会转型成功,也要试错、摸索,但到了一定的阶段,我们可能要关停并转。

                                晚点:怎么把握关停并转的节奏?如何确定这个时候就该收缩,该专注?

                                方洪波:就是企业家直觉。当然也不是瞎直觉,首先你要有知识框架,然后有商业实践,对环境的感知。春江水暖鸭先知,你要感受一切,然后再形成一种直觉。我忘记谁讲的,他说管理到一定阶段,科学只占 30%,直觉占 70%,商业直觉有时候就跟老艺人的手感一样,是一种艺术。

                                晚点:所以你做决策时会有一个 moment,一个直觉瞬间。

                                方洪波:我个人的体会是有。

                                晚点:这个瞬间往往如何到来,它有规律可循吗?

                                方洪波:我个人对洞察力的理解,前提是有基础知识框架,你对战略、对商业的理解;然后要保持学习,知识要跟上时代,要实时对各行各业关注,梳理出问题来;还有对一线的情况要了解。

                                我每年雷打不动去到乡镇、县城,前阵子刚去了江西赣州、吉安、新余、宜春,跟一线门店、客户、员工、渠道聊天,有时候还跟他们一块吃饭,公司内部的员工,我也会一对一访谈。

                                晚点:是访谈最一线的员工,还是每个层级都聊?

                                方洪波:公司 200 多中高层,每个都聊,一个不落,有时候落掉了一个,我可能出差了,还有人找我的秘书,他说方总怎么没找我?他以为是我对他有意见,后来马上补上。毕业生、社招的各种专业人士选一批,博士生选一批,加起来我估计三四百人是有的,基本上一年两次访谈周期。

                                晚点:怎么让下属对你说真话?

                                方洪波:取决于一把手自己是不是想听到真话。一个 CEO、董事长能听到什么,取决于你想听到什么。

                                我举这个例子是想说企业家一定要对一线最真实情况有所掌握,这是洞察力的来源。大企业 CEO 往往是很难听到真实声音的,高管对下面层层阻隔、过滤,他们有天生这个倾向。

                                晚点:每人聊一个小时,那 400 人得 400 个小时,一年两次就是 800 个小时。

                                方洪波:嗯,花很多时间,整天整天,从早到晚干到 6 点多下班。

                                晚点:看来雷打不动 6 点要下班。

                                方洪波:扯远了。你要说我有哪一刻有灵感?我一些重大的思考往往不是在公司内部的日常忙碌中,一定是远离这个企业,把自己当作一个局外人的时候。比如长途飞行,在高空尽管缺氧,但那是一个很好的思考空间。

                                另外就是游泳的时候,因为游泳是孤独的,一个人在水里游,也是产生很多想法的时候,我个人的体会是这样。

                                往外走、往上走,也要往下走、直面竞争

                                晚点:这几年美的一直努力转型 to B,但家电领域也不是安枕无忧。小米就是个强大的对手,它什么都做。还有追觅,也做空调、洗衣机等大家电,这些都是来于其他赛道的竞争者。

                                方洪波:我觉得非常好。小米总裁卢伟冰去年来过一趟美的,给我们演示了一个 PPT,他们有宏大的愿景,大致是三年时间手机销量要成为世界第一;汽车十年内要成为世界前五;大家电是三年之内成为中国头部。

                                晚点:大家电没说前几?

                                方洪波:前三。我当时差一点就想问,美的、格力、海尔,你想把哪一家挤下去?

                                晚点:你还挺有幽默感。

                                方洪波:我们所有的领域小米都进入了,空调、洗衣机全做了。战术上我重视小米,但战略上我并不害怕小米进来。

                                很长一段时间,家电行业的格局有点固化了,大家甘于现有格局,相安无事,小米进来对家电行业是好事。我们要以积极的心态应对,我们刚做了三份研究小米报告,加起来也有十几万字,我们一路不断地在学习它。

                                晚点:今天来看,小米品牌真正成功不是因为其他,而是因为雷军做了汽车,进而带动了高端手机的销量。这件事情有给你什么启发吗?

                                方洪波:不断也有汽车企业找我们,想合作来做汽车,我思考了很久,内部讨论过很多次,但后来还是推翻了,我认为美的没有这个能力。 

                                晚点:这需要的是什么能力?

                                方洪波:你要对汽车这个行业有深刻理解,另外我们也没有孤注一掷的魄力、决心。

                                我们选择是否进入一个行业大概的逻辑是,劳动密集型肯定不做,因为没有附加价值;国内已经铺天盖地的不做,比如光伏、风电;本身不具备能力不做,比如说汽车、手机。1997 年美的就成立过一个团队做手机,后来解散了。

                                晚点:美的也一直不做彩电等黑电,为什么?

                                方洪波:因为它变化太快,我们作为一个新进入者,很难跟得上。

                                晚点:美的做扫地机器人,但排不进市场前三、前四,你觉得还要做吗?

                                方洪波:我们扫地机器人一直亏,去年亏了 2 亿多。但这个业务是全球性的,每个国家都需要,这是一个新兴产业。所以我们做得再差、亏损,也会一直在做。因为我们有能力、有实力,亏就亏,“卷” 到最后看看怎么样。

                                晚点:破局点是什么?

                                方洪波:我们就是等着、看着它,大企业做创业很难,有大企业病,有官僚气。破局点就是它的技术迭代升级相对稳定时。以前是扫地机器人,现在有扫拖一体,最新的又有一个手臂,还有两个手臂的版本。一旦变化稳定,就是破局的时候。这也是我们为什么不做手机,同样的道理。

                                晚点: 9 年前美的就敢斥资 292 多亿收购德国库卡,进军工业机器人,那一年美的净利润才 147 亿。 为什么你觉得机器人可以做,但是手机、汽车不可以做?

                                方洪波:我们当时寻找的是中国还没有形成规模和格局,但在全世界比较成熟的行业,工业机器人就属于这类。

                                我们现在做楼宇科技,也是中国还没有企业做大,但美国、欧洲各有两家大企业。2021 年我们收购了万东医疗,进入医疗影像诊断,当时中国只有一个联影医疗,行业也是这两年起来了。

                                晚点:2016 年收购库卡是美的产业转型的关键时刻,当时这个决策是如何做出的?

                                方洪波:美的有一个 6- 8 人战略团队,专门做产业研究、产业变迁,直接向我汇报。当时我已经定了要通过并购进入这个领域,他们把全世界的工业机器人公司都梳理了一遍,分析下来就 “四大家族” 有价值。ABB、发那科不可能被收购,安川和库卡有机会。

                                我先去了安川,当年孙中山去日本就住在安川创始人的家里。我当时还用这个故事去打动他们,我说今天振兴中国,就要进入到工业化的进程中。但我们想搞合资企业,安川说不可能。

                                接着我去了库卡,第一次对方就派了个业务经理来接待,完全不把我们当回事,从德国回来后我们就在二级市场买它的股票,买到 5 个点的时候我们公告,一公告他的 CEO 就带着财务报表跟我们谈。

                                晚点:并购要付出很大代价,除了资金,还有很高的整合成本。15、16 年,中国家电市场还在继续增长,为什么不先在各个家电细分领域做到第一,把仗打完,而是要进入一个完全陌生的领域?

                                方洪波:我们当时转型的逻辑非常简单,一直做家电,肯定没希望。中国家电企业过去都是大规模、低成本的经营模式,只要不傻,不头脑发热,在中国做家电,没有不赚钱的。2012 年前,美的是个纯家电企业。2012 年我接手董事长,开始做 “效率驱动转型”。

                                当时我在内部讲得最多的一句话是,“我们要做西门子、飞利浦、三星、索尼,还是要做伊莱克斯和惠而浦?” 欧洲的伊莱克斯,100 多年前就是一个家电企业,今天还是。但西门子最早是做电报机的,后来转型了;飞利浦也把家电业务一个个都卖了;美国艾默生,最早做风扇,跟美的一样,后来转型了很多次,现在向软件转;索尼 2000 年一半收入是家电,利润主要来自家电,但去年它家电业务利润为 0。

                                做附加值高的产品是符合产业规律的,不论日本还是美国,那些穿越周期、基业长青的企业,一定是实现了产业升级。

                                晚点:美的是一家拥有 40 年出海经验的企业,你们有 3.5 万名海外员工,去年海外收入占比超过了 40%。美的的国际化能力是如何一步步建立起来的?

                                方洪波:现在也不能说建立起来,还是在摸索,但我们的方法还是吸收日本韩国企业的一些教训,因为都是东亚国家。

                                我们提出全球化战略比较早,2010 年我还没有做董事长,就提出了 “全球经营” 战略,你最起码要把你产品服务搞到全世界去,是这样的阶段。真正全球突破,是 2020 年疫情之后,我们开始冷静地想一想过去的路走得怎么样?2020 年我们做了一些自我修正,真正开始全球铺货,做各种资源配置,真正下决心是 2023 年年底。

                                以前我们做代工比较多,从去年开始,我们把代工放在次要的地位,提出来真正的 OBM 优先,投入非常大,方法也变了。但这些方法,都是日韩企业已经走过的路,我们进行了借鉴。现在基本框架是搭建起来了,方向也是对的。

                                晚点:走过什么弯路,有了什么教训?

                                方洪波:教训就是我们不相信常识。

                                以前我们也说借鉴欧美,要摸着他们的石头过河。欧美企业的经验告诉我们一定要本地化,但我们还是派了很多中国人去搞,后来证明只要派中国人出去搞的,没有一个搞成功的,这些都是付出的代价。现在我们现在坚定的本土化,用本土人、本土团队来管本土业务。

                                晚点:怎么管理好这些本土团队?让他们相信美的想让他们相信的东西?

                                方洪波:这也是很重要的,即所谓加深理念的融合,解决文化冲突的问题。所有在海外进行本土化的公司,60 多个主体当中,只要一把手相信美的的这一套,基本上业绩都非常好。

                                他如果不相信你的这一套,简直一点办法都没有,后来没有办法就换人。

                                晚点:美的高管说,你在内部强调最多的是要 “自我颠覆、自我否定”。 今天你还会在哪些方面否定自己?

                                方洪波:今年我们以简化促成长,自我颠覆,这就是自我否定。你说企业家精神到底是啥?企业家精神是一种要素,它不是一个具象的人,这种要素我认为最重要的就是自我认知,就是你能不能自我否定。

                                晚点:我们和张维迎聊,他说企业家精神就是冒险和创造。勇于追求自己相信的事情,而不管手里有什么资源。

                                方洪波:创造的前提是要自我否定,没有自我否定成为不了一个企业家。

                                我给你个例子,GE 分拆后,很多声音开始否定韦尔奇。但我不这么看,韦尔奇在位 20 年,他每年都在变,三年一小变,五年一大变,这是韦尔奇的经典论述——每年都自我否定。他不断做变革,你不能说他错,因为时代的语境不一样,我们不能因为今天的语境去否定当年的语境。

                                他的继任者伊梅尔特在位 16 年,没做过一次大的改革,他后来写了一本书《如坐针毡》,我看下来,很多问题都在找客观因素。

                                有一次我在美的公司年会上问了一个发人深省的问题,我说有什么客观问题、什么包袱, 16 年时间都没解决完?16 个月就可以解决!后来 GE 又换了几个 CEO ,现任 CEO Larry Culp 干的事情就是效率,几刀下来。拆分之前 GE 市值最低只有 800 亿美金,现在三家公司加起来超过 3000 亿美金了。

                                晚点:你是否认为企业家只要不断自我变革、自我否定,就没有什么问题解决不了?

                                方洪波:那肯定它永远有问题,但最起码你不能躲避。

                                我认为看一个企业还是要看长远,一个企业持续性的成功非常重要,它要经过长时间跨度的检验。基业长青不说 50 年、100 年,最起码也得 20 年、30 年。今天我们看到有企业正如日中天,是最闪耀的那颗星,也有极少企业生生不息的,但更多企业还是会随着时代巨变、星光黯淡。

                                晚点:曾经的企业经营就像登山,目标明确、路径可循,但现在像冲浪,要和风浪博弈,动荡才是常态。家电是美的的主航道,你们要如何打今天这场仗?

                                方洪波:我现在的策略很简单,即第一条曲线,我要往上走,促进产业转型,找到附加值高的产品。同时我今年要改变策略,要往下走。我不能坐视小米蚕食这个市场而不反应,我要往下走,拼成本,要跟他们干。

                                以及我们要在第一条曲线上,建立一个新的优势,做产品和科技的投入研究,跑通第二曲线。但这个很难,需要漫长的周期。

                                晚点:那美的想成为谁?是 GE 、三星,还是索尼、飞利浦?

                                方洪波:今天我们不想成为谁,我们要跟着时代的变化,找到自己的业务结构、业务方向,走自己的路。

                                位于顺德的美的总部大楼。

                                混乱是阶梯,美的的两次关键转型

                                晚点:美的成立于 1968 年,比中国改革开放还早十年,同时期的公司绝大多数已经退出历史舞台,美的则历经数次转型,成长为收入超 4000 亿的多元化集团,产品卖向全球。回看过去,美的的发展给我们哪些启示?

                                方洪波:美的是从顺德北滘镇起步的,我 1992 年来这儿的时候,镇上还没有水泥路,煤渣加灰,车辆驶过尘土飞扬。北滘镇很小,但涌现了很多家电企业,当年排名第一的叫裕华,也是做风扇的,创始人 1992 年就是全国人大代表。

                                1980 年代的美的风扇厂和美的空调厂

                                晚点:那个时候含金量很高是吧?

                                方洪波:非常高,空中有一颗星用的就是他的名字。当年我骑着摩托车每天路过他家,豪华的奔驰 600 停在门口,大家都是非常仰望在看。镇里第二名叫蚬华电器,领导人题写的厂名,可见当时的地位。第三名是南方电器,美的排第四。这还仅是北滘一个镇,另外一个镇上有万家乐——《繁花》里提到的热水器品牌。此外还有神州、容声、科龙、华宝等,当时都是声名显赫。以那时候美的位置,根本无法想象它的今天。

                                再看全国,1992 年中国最牛的家电企业是谁?是春兰、长虹。看向亚洲,如日中天的是日本家电,索尼、松下、东芝。一直到 2000 年,索尼的黑电还占它 50% 以上的业绩。后来我们目睹了松下、索尼转型成功,看到东芝的衰落,2016 年,美的还收购了东芝旗下的家用电器业务。

                                晚点:听闻你喜欢研究商业变迁,美国 200 年商业变迁,能找到的资料你基本都看了。你从中看到的规律是什么?

                                方洪波:摸着发达国家企业的发展经验过河。

                                今天中国大部分企业都是改革开放 40 多年,最多 1978 年开始创业,我们没有经历过周期,我们看自己成长的轨迹,觉得这个世界就是这样,以为我们理解了世界,但事实不是如此。

                                美的今天做的没有新鲜事,都是从发达国家的跨国企业经历过的事情中总结出来的。比如 2010 年我提出了 “产品领先、效率驱动、全球经营” 这三个核心战略方向,尤其是效率,它成为了美的目前最有竞争力的优势。为什么效率有优势?管理学家泰勒 100 多年前提出的科学管理,核心就是效率,后来福特汽车起来,流水线是效率,到后来丰田、丹纳赫、特斯拉等企业,都是效率制胜。

                                这些企业发展的路径给了我们答案,答案都是现成的。我觉得很难超越这个规律,这就是常识——常识是跨越时间、空间,被检验证明不会变的。

                                晚点:效率是结果,那内核是什么?

                                方洪波:内核就是效率最重要。对企业来说,效率就是 “减少一分钱的占用”。什么意思?任何企业的成本最终体现为对资金的占用,一个产品、库存放那不动、卖不掉,一个人的多余,这都是资金的占用。把每一个多余的一分钱都纳入战略框架,这就是效率。

                                2010 年我们做的转型就是效率驱动转型,而且是看不见的效率。降本、降薪,这些都是看得见的效率。过去 13 年美的现金流增幅都是超过净利润的增幅,一是你得盈利能力强,第二就是效率要高。

                                举个例子,资产负债表第一行就是现金,十多年前同行企业有 1000 亿现金的时候我们羡慕的不行,当时我们账上 100 亿都不到。那年我在公司会上讲,如果哪一天账上有 500 亿现金,那我们的日子就好过的不得了,大家要努力。这么多年过去,现在我们账上有 3200 亿人民币。

                                晚点:你在年初的经营大会上说,世界规则被重写,范式被转移。什么规则被重写了?什么范式被转移了?美的现在找到新范式了吗?

                                方洪波:中国产业发展经历了三个阶段,以前大家是模仿跟随,最早走大规模、低成本路线,因为市场太大,加上外资的退出,大家都活得很好。后来我们靠效率驱动,开始走效率创新路线,到后来再发展,又有应用式创新,应用式创新是中国企业的优势,还有重构式创新,本质都是别人做好的东西,我们去做应用、重构。

                                去年我去了一趟硅谷,去到的每个企业都在讲,微软、苹果、英伟达是在收割全世界,全世界都得给它们交服务费、各种软件费,因为他们实现了引领式的创新,它改变了一个范式,但中国现在还很少有这样的企业。

                                美的搞效率驱动,现在同行都在做,一样会跟上来。中国的应用创新也很强,但未来只做应用创新,很难和美国竞争。所以引领式的创新非常重要。但今天,美的还没有实现这种范式的转移。

                                晚点:新时代的秩序、规则和底层技术都在动态变化,那老公司的护城河到底是什么?

                                方洪波:我有两条自己非常信奉的理论,一是韦尔奇的做企业要做到数一数二,你做不到数一数二的地位,确实没有竞争力;第二是巴菲特的护城河理论,他的原话是他梦想投资一个企业,像一个城堡一样,周围有一条护城河,有一个忠诚的守门人,即职业经理人、企业家,把这个城堡看好。但现在我们还找不到这条护城河。

                                晚点:是美的找不到这条护城河,还是你认为根本就没有护城河?

                                方洪波:它在不断的动态变化当中。过去 10 年美的护城河是效率。我们的现金周期是负的,家电行业里我估计目前只有美的实现了——就是我们做生意,不用自己拿本钱,都是用别人的钱在做生意。我们去年现金周期是 -9 天——这就是我的护城河,但这个护城河在不断地被侵蚀。

                                我们要在这个护城河的基础上,建立一个新的优势,要做产品和科技的投入研究,实现引领式创新。

                                但这需要时间,建立第二曲线需要先建立能力框架,去年不管怎样,框架搭好了,To B 收入超过 1000 亿。如果简单定义 To B、To C 转型是否成功,简单来讲目的达到了。但是这个业务能否在中国、在全球站在数一数二的地位,这又是另外一个阶段了。

                                这也是为什么我们要坚定国际化,我想延缓上一个曲线,让它尽量滑得平缓一点,国内没有增量,存量还在萎缩,同时还有很多新的竞争对手进来。所以我们一定要往外走。

                                晚点:引领式创新可以自上而下被规划吗?

                                方洪波:有些可以自上而下,但是不可能被管理出来的,还是要形成技术研究的环境。我 2014 年就提出要建集团基础研究院,内部全部反对,我们的财务总监直接问,怎么考核,KPI 定几个?我很少在公司发火的,但我当时真生气了。

                                我说我不相信这帮博士为了你这几个臭钱,把青春耗费在这里,我原话就是这样。

                                晚点:所以没有 KPI?

                                方洪波:每 3-5 年评价一次。

                                晚点:有发论文的要求吗,有冲榜的要求吗?

                                方洪波:都没有。研究院的主要研究方向是硬件技术,我们还比较早就成立了人工智能研究院,但重心都是应用研究。2012 年整个美的博士生加起来不到 20 个,现在有上千个。我们附近有个 500 亩的园区-美的全球创新中心,这也是我的理想,它建设得和大学校园一模一样。

                                晚点:回头来看,是否应该让研究院把智能技术、底层技术提升作为唯一的主线,而不是应用。

                                方洪波:也有这样一条线,我 2020 年初从一个大厂挖来一位科学家,他提出做服务机器人,我们投了 3 个多亿,后来都打水漂了,因为研究方向搞错了。去年我们从硅谷找了一个新的院长过来,做人形机器人。

                                晚点:3 个亿投进去,你才意识到方向搞错了?

                                方洪波:我们做第二条曲线,投入很大,选了几条赛道,机器人、 to B 业务,到底哪一条能生存下来,很难讲。

                                但我们也不急于求成。机器人这个方向我很坚定,否则 2015 年也不会去收购库卡。那么细致、精密的工作,工业机器人都能把它做好,我们还有医疗机器人。家庭的、生产线上的事情,它不能做?这个趋势我是坚定的。但是不是人形,不见得。现在行业是有虚火和泡沫,跟一轮又一轮的产业一样,啤酒上面的泡沫是正常现象。

                                晚点:历史上能穿越周期的企业是极少数,《基业长青》里的很多标杆公司也失败了。你认为转型成功的企业有什么共性?转型失败的又有什么共性?

                                方洪波:1980 年代美国有一本著名的书叫《追求卓越》, 90 年代柯林斯写了《基业长青》,答案那两本书里都有,失败原因无外乎都是盲目自大,盲目多元化、盲目加杠杆。

                                任何一个企业转型都需要 10 年、20 年,松下 2010 年开始说要革新,我 2013 年去拜访他们,当时松下的社长叫津贺一宏,他说要进入电池、能源、环保产业。前几天我看他们承认转型遇到困难了。转型是需要一个周期的,但企业不转型不行,如果美的就是一个家电企业,10 年、20 年后就是今天的夏普和松下电器,很快会被淘汰,不见了、消失了。

                                美的 55 周年庆。方洪波在 2024 年 1 月的全员演讲中说,“伟大的企业之所以伟大,就等于把常识做到了极致。”

                                晚点:企业追求基业长青是对的吗?如果企业就像人一样,无法避免墒增、衰老,它一直存续真的有利于创新和社会发展吗?

                                方洪波:你问得很好,按照达尔文的理论,没有一个生物会永远活着,所有的都要死,企业也一样。

                                我认为对中国企业来说,今天还无法定义什么是基业长青,因为我们时间太短,从 1978 年开始不过 47 年。支撑企业基业长青的很多东西,我们没有共识,比如公司治理、股东利益,像前些年搞的 DEI(多元化、公平性、包容性),后来 ESG 一上来就把 DEI 全盘否定了,ESG (环境、社会和公司治理) 现在也在被否定的路上。我觉得这是好事。企业就是企业,就是要持续性地盈利成长。美国企业是有社会共识的——企业不应该承担太多的社会责任,企业追求的是股东利益最大化,持续性地盈利成长。

                                但这些在今天的中国还没有达成共识,我们时间太短。所以假如有企业不追求企业基业长青也是对的。但随着中国未来发展,基业长青还应该是我们的目的,企业就是要持续性地盈利、持续性地增长,这就你的价值。

                                晚点:日本的手工作坊,欧洲一些家族企业,他们似乎更容易实现基业长青。而多元化的大集团要维持规模和地位,看起来只能靠无限变大。

                                方洪波:从全球企业的发展历程来看,对大的集团性企业的抛弃,是从美国率先开始的。2010 年之前,市场对大企业集团还是拥抱,估值、市值很高。但现在美国集体抛弃大集团企业,UTC、GE、霍尼韦尔、杜邦,那么多的公司都分拆了,丹纳赫也分拆了,很多都是一分为几,重新聚焦专业化。这些都是范式的转移。

                                另一个变化,过去的大型工业集团是基于资产优势来管理多元业务。但谷歌、亚马逊、微软,还有中国的阿里、字节,也做了很多产业,跨了多个领域,但他们是基于数据能力来统筹,这是新的范式。

                                所以基业长青的企业,一定要穿越周期,要转移范式。但中国到底适合什么样的企业形态来发展,我们也在摸索。

                                晚点:你一直追求不断变革,是为了攀登那个最高峰,还只是为了避免失败?

                                方洪波:我认为企业的意义就是不断地动态变革。你不变革,你一年、两年不变革,就会遇到挑战,这是一定的。

                                晚点:2023 年的美的年报,你引用了一句《权力的游戏》中的话,你说,“混乱不是深坑,而是一把梯子。”( Chaos isn't a pit, Chaos is a ladder) 

                                方洪波:在这个混乱的局面里,每个人各怀鬼胎,这跟企业里面很多架构都是相似的。

                                晚点:这个梯子会被什么外作用力搬移吗?

                                方洪波:我觉得还是靠自我,你唯一也只能靠自己。在美的发展过程中,我们也曾被肆无忌惮地攻击,但不管对方怎么样,我就不动摇。我们叫打不还手,骂不还口——这是我在公司开会时候要求大家的。我的意思是命运还是掌握在自己手上。

                                我又扯远了。回到你最早的问题,2012 年的时候,我没有想象到今天,那一年我们收入 1027 亿,去年我们过了 4000 亿。2012 年,美的利润估计 50 亿不到,去年我们利润是 300 多亿。从北滘镇的美的自身,再到整个中国家电行业,再到整个东亚企业,你看这些变迁,见过了这些东西之后,你说还有什么东西如果我还没有想透,还看不开的话,那我觉得就有问题了。

                                美的生生不息要靠公司治理

                                晚点:在美的,股东、客户和员工三者的排序是?

                                方洪波:员工第一、用户第二、股东第三。

                                晚点:员工第一?这在中国企业里很罕见。

                                方洪波:员工如果不舒服,企业就没办法很好地发展。我们所处的是一个镇,相对来说软环境是非常差的,我们为了改善它花了很多精力。后来创始人何享健在这里建了医院,我又把我的母校,小学、初中、高中全部搞来,华东师大二附中是上海数一数二的高中,把它搞到这边。我们还建了一个 ALSO 商业区,旁边有公寓,大学生进来可以拎包入住。

                                晚点:你们关怀员工,但同时也毫不留情地汰换员工。

                                方洪波:我们不断在调整、优化结构。以前有人问,你员工为什么老这么优化?

                                有一年开年会我主动回应,我说错,企业只有不断地优化才能向前。你不能孤立地看某一个员工,我们在全中国有 8000 家核心供应商,员工就 20 万,上下游加起来就业人口 100 多万。美的是链条上的核心企业,只有美的持续发展,这个价值链才生生不息。

                                晚点:听说在公司,你不允许任何人称赞你。

                                方洪波:还是那句话,一个人能听到什么,取决于你想听到什么。最起码在我面前讲好话的人没有。为什么呢?只要在我面前讲好话的,要么直接批评一顿,要么在公开大会上批评。

                                举个例子,广东有个风俗习惯,中秋节和春节要去领导家里坐一下。我当董事长后明确规定,任何人不能到我家里。结果第一年,就是 2013 年,一个事业部总裁带着团队,拎着一点酒、水果就来了。下个月的会议上,我直接点名了,我说今年有谁谁到了我家里。第二年再也没有人来了。

                                现在在公司,每天中午我都习惯饭后到广场上溜一圈,没有一个人上来跟我打招呼的。

                                晚点:所以你也从来不夸人?

                                方洪波:这是我的缺点之一,我从不表扬人。

                                晚点:你都怎么批评人?

                                方洪波:开大会点名。我就是公开讲,任何事情透明、简单是最好的方法,不要拐弯抹角。

                                晚点:当年何享健是不是也很少表扬你?之前有文章写,你还是美的高管时,每隔几个月,何享健就会把你叫到他的办公室,拿出几张记得密密麻麻的即时贴,上面写满这段时间他观察到的纰漏。

                                方洪波:我感觉是受他影响有点多。你这样一问我,回忆起来是这样的,好像他也很少表扬我。

                                他是非常细致的一个人,他归纳出一个什么东西,有时候一写十几点便利贴。当时他写的可能是哪一天我在哪个会上讲了哪句话,这个不对,你不应该这样说。

                                晚点:你会像他当时培养你一样去培养其他人吗?

                                方洪波:现在时代不同了,我们已经形成了完善的干部培养体系,内部有启航、远航、领航计划,我们给高管的要求也是强制性到全球各大商学院训练。我本人一年两次和他们做面对面,会谈的比较深刻。体系已经形成了。

                                晚点:你如何评价美的的组织能力?组织能力强有几个标准?你认为怎样的组织形态匹配一个复杂的、全球化、多元化的大型集团?

                                方洪波:应该说在中国企业里可能算还好。组织能力最根本是靠人才体系去支撑,最终靠人执行,否则你说得再好没有用。简单来说,就是你有清晰的战略,有清晰落地的路径,有执行的团队,说得大一点,是要有公司治理的框架。

                                为什么我说自己玩世不恭、吊儿郎当,因为我们高度分权,我在公司每天好像也闲着没事干,没人找我,因为他们不用找我,我高度分权给他们,他下面又分权。再加上我们的人才建设,美的包容性很强,校招、社招齐头并进,人才也多种多样,这样就形成非常好的框架。

                                晚点:分权是从什么时候开始的,什么时候大家不用找你了?

                                方洪波:我还没当董事长之前已经开始了,我当董事长之后更加彻底。现在我就负责定战略方向,像雷达一样评估公司,看团队的表现,选人、培养人,我平时没事干。

                                晚点:为什么你敢高度分权?有 CEO 跟我说,他不是不想分权,而是做不到,找不到可以放心分权的人。

                                方洪波:做不到也是假的。取决于你到底是不是相信这是常识——所有的大企业,一定是高度分权的。我是不管怎样都分权,找不找到合适的人都分权,不行就换人。

                                晚点:不行就换人,那他们会很没有安全感。

                                方洪波:他们没有安全感。任何管理者在岗位上都有 “继任者计划”,包括我自己。每个人一定有 3 个继任者,谁第一、第二、第三排得很清楚,管理者自己也清楚,我会让他们参与面试,选自己的 “后备”。

                                晚点:你曾总结美的为什么成功,你说是因为机制激发了所有美的人的企业家精神。但企业家精神不是天生的吗?它可以被鼓励、被训练吗?

                                方洪波:企业家精神是天生的。但它是一个要素,跟人的性格一样,有人胆子大,有人胆子小,这个要素可能在每个人身上,有时候你不知道你身上有没有,这就得靠公司治理机制。

                                我为什么讲美的要生生不息要靠公司治理,要保持先进性。公司治理就是科学的激励和科学的约束合并在一起。

                                科学的激励就是要把有企业家精神的人找出来,包括我们讲的什么赛马、相马、跑马,不就讲的这个道理吗?我们把那么多人进行高度分解,进行事业部制,把他放在事业部总裁的位置上,不就是看他有没有企业家精神,一试他有,很快就表现出来。

                                晚点:有人就是天生胆子大、敢投入,但不能说他一定有企业家精神。你如何判断一个人是否真有企业家精神?

                                方洪波:这个很难描述。首先洞察力很重要,知道什么问题是最重要的。一个企业在不同的阶段,问题是不断变化的,像一棵树一样,需要不断地修剪。洞察力是你要识别出变化,如果连问题都洞察不出来,后面就无从谈起了。

                                洞察力是最重要的标准,品德什么的先不谈,那是基础。第二就是决断力,你有没有魄力、有没有胆识?三下五除二能一针见血、对症下药、扭亏为盈、扭转局面、悬崖勒马、振臂一呼,这都是决断力。

                                晚点:第三呢?

                                方洪波:第三我觉得都不重要了。有这两个就已经够了,其他的事儿让别人干去。

                                晚点:很早之前你提到,优秀的职业经理人有四个境界:全我、有我、忘我、无我。你觉得自己目前在哪个阶段,距离下一个阶段还差什么?

                                方洪波:这是我 2002 年接受采访、年少无知时讲的,但当时我并不具备这个资格去讲 “无我”。

                                晚点:你是不认同这四个境界?

                                方洪波:不是,道理是这个道理,包括苏格拉底讲的认识你自己,到尼采说的成为你自己,道理是一样的。我记得 2006 年长江商学院一期班组织去和李嘉诚吃饭,四桌人,他每一桌坐半个小时,坐到我们这桌的时候,我就问了他一个大概你这样的问题。

                                李嘉诚当时回答我,他说公司 100 人的时候你一定要冲到最前;公司 1000 人的时候,你要回到这个队伍中来;公司 10000 人的时候,你要在最看不见你的地方。这个道理就跟 “有我”“无我”“忘我” 的道理一样。但我今天再也不会说什么 “无我”、“忘我”,那是当年年少无知时候讲的。

                                晚点:你说 “无我”“忘我”,但美的上上下下都是你的风格,都有你的影子。

                                方洪波:你说美的有我的影子,那肯定,经营上的思路是我提的。但你说如果方洪波现在不干,明天换一个人来,他接上完全没有问题。你看我出差一个月,好像也没人找我,也没事。

                                今天美的发展一定要靠体制机制,我觉得美的基本体系可以说是形成了,首先数字化程度非常高,其次形成了各种运营机制、治理机制、人力机制,包括人才的后备池。

                                美的任何一个经营单位一把手可以随意轮换,业务都不会受到任何影响。

                                晚点:你曾说职业经理人就应该是严密的机器零部件。他是无情的,甚至应该抛下自我,你今天还这么想吗?

                                方洪波:这是中国一个所谓的界定,实际上在美国没有这个概念,美国的企业家就是企业家。

                                你说我今天到底是企业家还是职业经理人,只是中国给贴上了这样一个标签,就是你不是创始人就不是企业家,这是不对的。我的意思是,世界上是没有这个概念的。

                                2011 年美的运动会,跑在最前的是方洪波(左),满面笑容的是创始人何享健(右)。

                                美的的传承在中国当下没有复制性

                                晚点:2012 年美的创始人何享健把他一手创立的企业交给你,你成为美的集团董事长。13 年时间,美的市值涨了 5000 多亿,收入增长了 4 倍,从 1000 亿到 4000 多亿。有人评价,美的是中国民营企业唯一一个实现接班成功且继任者把公司带上了一个台阶,仅此一例。

                                方洪波:接班成功还是要放在长时间的跨度里面看,就是我交给下一任这个责任是重大的,能不能选一个合适的人。

                                2012 年我接董事长是很大的一件事,这么大的企业,又是民营企业,创始人给了我。他有儿子、有女儿,当时很多人不理解,政府也不理解。我记得交班大会上,创始人讲了很多话,最后让我说两句,一般的情景下,你肯定要长篇大论,但我就说了两句话,真的就两句。我后来自己还庆幸,13 年过去了,这两句话还是经得起历史考验的。

                                我说的第一句话是,“千里马常有,伯乐不常有”,这句话把关系界定清楚了,何总最重要,我不重要,千里马有无数个,但伯乐不常有;第二句话,“我的定位很清楚,我只是美的发展历史上的一个过客”。就像跑 4×100 米,我把这一棒做好,然后接班人接好。

                                2012 年美的交班大会,何享健将公司交班给了方洪波,方洪波正式成为美的集团董事长

                                晚点:为什么是过客?

                                方洪波:1930 年代鲁迅写过一篇很小的文章,名字就叫《过客》。大概意思是,有个人问路,见到一个小女孩,他问前方是什么?女孩说前方有鲜花;再问一个老翁,老翁说前方是墓地。他又问,那鲜花过后是什么?墓地之后是什么?再回答就是,你的现实世界、物质世界、精神世界。他就是这样一个过客,无论你是谁,你得到的答案都一样。

                                今天美的发展一定要靠体制机制,我做的一切都是致力于建设它。

                                我每年公司年会都讲,我一定会退出,我一定要退下来,并且我要在别人不讨厌我的时候退下来。

                                当年一个大企业家跟我们讲,人到 60 岁就是一个拐点,到 60 岁人就老糊涂,容易出问题。当然我开玩笑讲,这是自然规律,你一定跟不上这个时代。

                                晚点:你刚接班时,描述你和创始人的关系,你说,“这种关系建立在非常信任的基础上,而信任是过去二十年中形成的,但在我接班之后每一秒,这种信任关系可能都在变化。它很脆弱,毕竟不是血缘关系,是雇佣关系。”

                                方洪波:信任关系是中国企业传承一个非常重要的课题。今天我说的云淡风轻,但在 2012 到 2015 年,这个问题对我来说很重要。

                                顺德是珠三角的一个福地,受广东文化影响很大,当年我心里很清楚,自己的压力非常大,不确定能不能干好,很多人都希望看我的笑话。真的,不是开玩笑。

                                晚点:但 2012 年你刚上任就启动转型,公司营收从之前 1400 亿直接掉到 1000 多亿。这个挺难的,接班第一年,难道不应该小心翼翼过度吗?为什么敢这么干?

                                方洪波:当时我也是很困难,不仅外边,公司内部也有很多非议。我记得 2014 年,公司内部也有管理层质疑说,美的集团战略方向出了问题,市值下来了。投资人也认为,战略方向值得商榷。毕竟市值没有达到投资者的期待。

                                当时我家里人,还有一些朋友也来问我,要怎么办?我说我最多就不干,我没有什么包袱,也没有什么东西不能放弃的。

                                我 2012 年接任董事长时讲的那两句话已经说明了,我事实上也是这样做的。我接手的第一天跟公司同事讲,我就做好了准备。我说创始人都没把企业给子女,给你做,你还有什么好抱怨的?我没有什么可以抱怨的。

                                晚点:当年因为改革,股价下跌,面对大量质疑,你有向创始人解释吗?

                                方洪波:我什么都没说。美的的发展就是最好的回应。

                                晚点:很多企业家都想知道,企业到底如何才能顺利传承,美的经验是什么?

                                方洪波:中国很多有名的企业家都来美的交流过,但我给他们的原话就是,不能复制,你复制不了。

                                一是美的这个机制和团队是由很多因素组成的,你复制不了;二是中国没有形成一个成熟的市场体系,公司经理人体系也没有形成;三是我之前讲的,社会对企业发展的很多问题还没有达成共识,你像浙江企业他绝对要传给二代。

                                之前一个上市公司董事长来问我,他本来把企业传给了一个职业经理人,在外面招的。干了一段时间他说不行,现在在想要传给他儿子,还是女儿?到底传给谁,想找我交流,我说你这个问题我回答不了。

                                另一个角度,今天我们要问企业传承到底怎么传承?家族传承还是经理人?我告诉你,可能 20 年、30 年之后这个问题不会有人再问。

                                经济学上的规律告诉我们,资本是高度集中的,但企业家精神这个要素是高度分散的。资本可以集中在创始人家族,但有经营能力的人正好还在这个家族里——这是不可能的。创始人经过不断的犯错,交给二代不行,三代又不行,那他就要找经理人。发达国家的企业已经印证了这个过程——他们的市场化程度高,很多空降的职业经理人,在发达国家就很成功。

                                晚点:所以还是要形成一个社会的共识,形成高度市场化的机制。

                                方洪波:如果中国资本市场允许分拆的话,可能也是解决传承问题的方法之一,因为你找一个人要管这么大一个企业难,不是说不行,但是难,如果你把它分拆,把它管好变得更容易一些。

                                晚点: GE 曾经一拆三,专业化发展,重新焕发了生机。美的会考虑分拆吗?

                                方洪波:你这个课题问的很好。这也是我这几年经常在讲的,我说如果中国资本市场成熟了,我恨不得现在就分拆。但现在的法规还不允许,现在我必须要找到我的下一任。

                                我说我一定要退下来。企业发展一定要有新的人上来,企业才能有进步,我不是考虑我个人的原因,不是说急流勇退,而是美的发展一定是要有新人,新人一定比我强。

                                晚点:你会对照年轻时候的自己去寻找下一任吗?

                                方洪波:这个肯定是摆脱不了的,会有,但也尽可能去尝试有没有别的方法去判断和识别人才,我自己也在不断地改变。今天美的找接班人一定是内部培养的,一定要经过摸爬滚打。

                                晚点:现在是什么在驱动着你还愿意不断改变、不断学习?

                                方洪波:来源肯定不是金钱,来源还是心灵的愉悦,是企业不断地壮大,那么多同事跟我一起,我能看到他们的成长,他们一个个实现财富自由。更重要的是我看到美的作为一个中国的民营制造业企业,能够走向世界,未来在世界上有一席之地,这就是我心灵愉悦的来源。

                                晚点:假如有一天离开这家公司,你希望大家如何记住你、定义你?

                                方洪波:我不需要记住。我希望离开的那一刻,这家公司跟我一定没有关系,这是我内心的真实想法。

                                我们的一生都是拿单程票,谁也不可能拿双程票。既然单程票,我们就用一生的时间去寻找它的意义,我觉得已经足够了。1992 年,我想象不到今天;2012 年,我也想象不到今天。我已经为自己走出了一个非常好的人生旅程,我还要人家记得我干吗?

                                现在公司墙上没有我一张照片。包括我们公司的展厅,建展厅的时候我跟他们讲,我没有必要留下痕迹,留下来干吗呢?后来展厅还是放了我一张照片,是我们去年 H 股上市时的照片,回避不了就放了。

                                晚点:现在还有什么恐惧之事吗?

                                方洪波:要说我自己作为一个个体的人生,我可以接受一切。如果说真正的让我恐惧的,是怕美的跟不上时代的变化。

                                晚点:你曾经做过一个比喻,你说 CEO 就是跳高运动员,最终永远有你跳不上去的高度,他总会撞到杆上。

                                方洪波:我的意思是他最终是一个失败者,任何 CEO 最终一定是失败。虽然这个社会充满着英雄的故事,但我认为历史不是由英雄推动的。真正的失败者才造就了历史,就是因为他有失败,人类才能更进一步。

                                晚点:此前你说,书是你的精神源泉,你也是购书大户,哲学、经济学、管理学、文学、社会学等等都读。你最喜欢的,常读常新的一本书是什么?

                                方洪波:我是 80 年代上的大学,在华东师大学历史,当时如饥似渴的,把能读的各种东西方著作都读了。我最爱的作家之一,还是茨威格,但我最喜欢的不是他那本最知名的《人类群星闪耀时》,我更喜欢《昨日的世界》。

                                疫情期间我在国外 “流浪” 的时候只带了一本书,就是这本,我很多年前看过它,书已经泛黄了,我就带着这本书。因为它里面很多话像极了今天的这个世界。还有一本书,是美国一个作家写茨威格的传记,叫《不知归处》,这本书我也喜欢。

                                晚点:《人类群星闪耀时》讲的是人类灿烂的星辰中有很多英雄,这本书写了 14 个英雄的故事。你最欣赏其中哪一个英雄,为什么?

                                方洪波:我个人最欣赏的还是托尔斯泰,在生病的时候依然离家出走,病死路途,我觉得这样子才是英雄。

                                如果再选一个,是写马赛曲的鲁热·德·利尔。他就是一瞬间的闪烁,人生就那么闪烁。

                                晚点:他是一个小人物,大家知道马赛曲,但都说不出他的名字。你说你喜欢托尔斯泰,他的哪一点打动了你?

                                方洪波:我的猜想,托尔斯泰那会儿已经是文豪,他知道自己在生病,80 多岁了,他能够离开他的家门,这个家门是一个符号,可能是他家的一个门,可能是他的巨大的文豪的声誉、无数人的拥戴,他能够选择这样一条不归之路。我觉得这是英雄,最起码可以超脱一切现实吧。

                                陈晶对本文亦有贡献

                                题图来源:美的集团

                                - FIN -

                                跳转微信打开

                                •  
                                ❌