铃阅时讯
❌

阅读视图

2025【技术原创文章】大汇总|内含福利

原创 人才发展中心 2026-01-12 18:02 北京

时光荏苒,Qunar技术沙龙陪伴大家又走过一年技术探索的征程。这一年,我们向大家分享了近二十篇高质量的技术文章,覆盖AI应用实践、数据库、中间件、系统/架构优化和运维方面等领域。

在这一年的旅程中,感谢每一位读者的真诚相伴,你们每一次的阅读与反馈都让我们备受鼓舞。

在此辞旧迎新之际,小编特地为大家汇总了2025年的技术文章,向大家呈现这一年来所探索的“技术地图”。(点击文章标题即可阅读哦)

//

AI应用实践

作者:姚佳梅

概要:去哪儿网结合AI与D2C技术,实现前端代码自动生成并显著提升开发效率。

作者:李杰

概要:OpenAI Agents SDK详解:多智能体协作与可视化追踪,轻松构建可靠AI应用。

作者:王松

概要:基于Multi-Agent智能体架构,去哪儿网实现白盒漏洞AI自动化审核,准确率高达97.36%。

作者:陈力

概要:深度优化提示词五步法,让机票客服AI精准理解用户意图,告别答非所问!

作者:王朋朋

概要:从单智能体到多智能体协作:用LangGraph4j实战Supervisor模式,构建企业级智能体系统!

去哪儿网端智能架构设计和实践

作者:陈军

概要:端侧AI毫秒级决策:去哪儿网实战揭秘如何用智能架构精准预测用户流失。

//

数据库

如何实现 Redis 高并发缓存?架构设计、实战案例与优化策略全解析

作者:冷正磊

概要:Redis高并发缓存如何设计?架构师带你揭秘热Key、雪崩等核心难题的实战解决方案!

去哪儿StarRocks实践

作者:任志民

概要:去哪儿网如何用StarRocks统一OLAP架构?带你了解高并发查询从5.7秒优化至2.4秒的实战路径!

数据库监控的进化之路:去哪儿网的指标采集与智能告警实践

作者:钱芳园

概要:去哪儿网数据库监控升级:智能告警与自愈系统实现精准故障定位与自动化运维。

数据库巡检进入智能时代:异常检测算法的落地实践

作者:杨赞

概要:去哪儿网数据库巡检迈入智能时代:三大算法精准识别数据库异常趋势,让隐患无所遁形!

//

中间件

去哪儿 KAFKA 再度优化-提升服务上限35%

作者:王克礼&余东

概要:通过优化filebeat攒批策略,提高了压缩比例,降低kafka集群35%总流量,有效应对流量高峰。

//

系统/架构优化

双向驱动与反馈模型:构建实时准确的酒店报价缓存系统

作者:谢欢

概要:双向驱动+智能决策:高并发酒店报价缓存系统的实时精准之道。

去哪儿营销实践-魔方营销画布

作者:施黎明

概要:可视化营销画布:拖拽式配置+多阶段执行,让复杂营销活动1小时快速上线。

去哪儿酒店搜索排序模型的演进

作者:杨旭

概要:去哪儿网如何通过LambdaDNN与多目标模型迭代,持续优化酒店搜索排序效果?

//

运维

去哪儿网一次JVM OOM问题的深度解码与治理实践

作者:闫宏英

概要:深度解码JVM OOM:无界队列引发内存泄漏,有界队列+降级开关根治隐患。

去哪儿高峰期资源保障之智能扩缩容

作者:刘丹

概要:去哪儿网如何通过智能扩缩容系统,精准预测流量高峰并自动保障资源稳定?

以上就是Qunar技术沙龙2025年的精华文章,感谢大家一直以来的支持与陪伴,愿这次汇总能给每位读者以新的灵感与思考。

2026年,Qunar技术沙龙会继续陪伴大家在技术领域深耕,也欢迎各位小驼踊跃投稿,为大家分享更多一线实战经验与前沿思考!

祝大家在新的一年里心有所愿,行有所成!

( 新年好礼)

HAPPY NEW YEAR

值此新年之际,小编也为各位读者准备了新年福利!

月野钛行杯

月野运动包

参与方法:关注“Qunar技术沙龙”公众号,私信回复“2026新年好礼”,系统将抽取10位幸运读者送上新年礼物~

温馨提醒:“2026新年好礼”活动截止日期为2026年1月19日18点(抽完即止)。中奖后请详细填写收件地址,我们将尽快寄出~

阅读原文

跳转微信打开

  •  

1端开发6端复用:去哪儿RN转QTaro实战经验分享

原创 刘亮亮 2026-01-08 18:02 北京

e7aea0b2-cb9f-4322-b3ce-66271860cbe5.png

文章概览

  • 项目背景及目标

  • 技术选型

  • 项目筹备

  • 迁移实战

  • 项目复盘

  • 结语

保障数据情况

作者介绍:

刘亮亮,2019年加入去哪儿旅行火车票团队,火车票前端技术委员会成员,主要负责火车票/汽车/船票营销和辅营相关业务开发。

一、项目背景及目标

随着公司业务持续拓展,多端实现相同功能的需求日益凸显。与此同时,多端独立开发的弊端逐渐显现:

1. 人力成本上升,开发人员需掌握多种技术栈,学习成本高、负担重;

2. 维护成本增加,问题修复与迭代升级周期延长,效率降低。

为解决上述问题,火车票大前端团队启动“统一前端技术栈”项目,旨在通过一套代码实现多端复用。

项目目标:

1. 实现一套React Native(RN)代码在iOS、Android、Harmony、支付宝小程序、微信小程序及H5共6端复用;

2. 转换工具的代码复用度>80%

二、技术选型

1. 考量因素

  • 当前火车票前端需求以RN开发为主,需将RN项目高效转化为多端应用,提升产品体验一致性。

  • QTaro是大前端中心基础框架团队基于Taro打造的多端解决方案,支持小程序、H5与RN项目同步开发。其在原生Taro生态基础上,提供了公司内部多端开发工具、业务扩展库及开发规范,能有效降低业务前端开发成本。QTaro还提供RN代码转换、运行时支持及项目发布能力,与火车票项目诉求高度契合。

  • 尽可能保留原有RN开发习惯,降低团队学习成本。

整体方案:依托QTaro的跨平台能力,联合基础框架团队打通QTaro与QRN,基于QTaro实现业务跨端落地,最终将QRN运行于多端,从而降低学习成本、提升开发效率、减少人力投入。

2. 方案挑战

  • 组件与属性差异大:涉及RN/QRN/第三方库组件与API约82处,CSS 属性差异30余处,如何抹平差异实现无缝衔接是关键。

  • 业务逻辑层多端差异:页面路由、登录、支付等功能需各端独立实现。

  • 多端性能优化:转换后代码在各端的性能表现需持续优化。

  • 请求接口统一:如何实现各端网络请求接口的统一封装。

三、项目筹备

项目分两期推进:

  • 一期目标:完成订单详情页从RN到QTaro的转换,并上线微信小程序版本。选取该页是因为其UI组件丰富、交互相对简单,适合作为技术验证切入点。

  • 二期目标:完成火车票所有RN项目的转换并全端上线。

四、迁移实战

1.转换工具设计

1.1 整体流程

1.1.1 方案选型

  • 方案一: RN转多端。以RN项目为开发起点,隐藏中间转换项目,保持RN开发习惯,实现RN→多端单向转换,学习与开发成本最低。

    • RN转换成QTaro中间项目

    • 中间项目转多端(WX小程序/H5/ALI小程序)的方式,是RN单向转换,最小的开发成本就可实现RN代码一拖六

  • 方案二: QTaro转多端。以QTaro中间项目为起点,实现QTaro→6端转换,转换工具实现复杂,且需遵循RN样式约束,开发成本较高。

    综合评估后,选择方案一:RN转多端。兼顾开发效率、开发成本、学习成本,以及减少对当前RN项目的影响。

    • 从QTaro中间项目作为开发起点,转RN。必须按照规范《 React Native 端开发前注意》开发,涉及6端的转换, 转换工具实现复杂;

    • 按照QTaro的RN规范开发,本质是以RN的样式管理约束。在样式上统一多端,木桶效应,短板对齐(向最弱的RN对齐);

    • 在灵活的QTaro项目下开发,还要施加RN的样式约束,不如直接以RN项目开发更顺畅;

    • QTaro->RN可能存在诸多问题,对当前RN项目影响大(线上出故障的概率变高)而且增加维护成本。

1.1.2 中间项目说明

  • 中间项目是临时&隐藏项目,  位置在当前项目.taroCache/project目录下。开发者不需要关心.taroCache,可以认为它不存在。

  • 中间项目符合QTaro框架规范的要求。

  • 开发者使用rn2QTaro cli命令行进行操作,内部调用Taro命令对中间项目进行构建。

  • 经过Taro build的处理之后,中间项目将会生成目标平台产物。

1.1.3 一套代码6端复用的思路

  • RN项目->转换工具->QTaro中间项目->ALI小程序/WX小程序/H5  3端

  • RN项目->Metro->IOS/Adr/Harmony  3端

1.2 转换工具流程图

转换流程说明:

1.2.1 初始化中间项目

1. rn2QTaro拉取模板项目。模板项目是最小化的QTaro Js项目,承载转换后的JS代码。

2. 根据当前项目中rn2QTaro.config.js配置项,安装中间项目的依赖文件以及RN多端库。

1.2.2 转换过程

1. 转换工具遍历项目所有JS文件,根据配置项,将RN/QRN等相关库映射为替换库。

2. 删除RN项目中所有propTypes。

1.3 RN库映射多端库

1.3.1 架构图说明

1. 转换工具根据配置文件,把项目中使用的RN库映射为对应的多端库。

2. 多端库通过QTaro的MultiPlatformPlugin引用对应平台实现的组件和API。

1.3.2 架构亮点

1. 多端库的代码结构设计,利用QTaro已有的多端能力(MultiPlatformPlugin)进行多平台切换,简单高效。

2. 通过封装QTaro抽象层的组件和API构建的RN等效多端库,可以随QTaro的扩展而动态支持更多平台。

1.4 抹平组件属性差异

1.4.1 方案选择

方案分析:

  • RN和其他端相同功能的组件,例如: View, Text等,  默认属性差异大, 且style属性多为动态赋值,用babel处理非常复杂。例如: 为CSS样式width属性添加'PX'单位。期望将width: 20转义为width: "20PX",但实际项目多是动态赋值:

  • babel转义难以完成。

  • 选用运行时方案,仅需封装各端的组件和API,修改接口或属性向RN对齐,即可完成。

  • 在RN项目中,多采用import进行引用,而import语句本身是静态的,在转义阶段就已确定,因此import路径的替换必须放在转义时进行。

方案确认:

1. 通过babel AST完成RN库映射为多端库。

2. 在运行时抹平各组件CSS样式差异,抹平样式模块封装在基类组件中。

1.4.2 行内样式 & 样式文件

RN使用JS对象来定义样式,并通过StyleSheet.create方法来创建样式表。

    //styles.js
    const styles = StyleSheet.create({
      container: {
        flex: 1,
        backgroundColor: '#F5FCFF',
      }
    });


    //App.js
    <Viewstyle={styles.container}>
    </View>

    当RN转QTaro,使用react开发时,同样支持使用JS对象定义样式。保持RN原有的CSS-in-JS样式是比较简单的处理方式。

    另一个问题是react中没有StyleSheet.create方法。

    解决方法2种:

    1. babel AST转为

      //styles.js
      //babel转义: 把StyleSheet.create的入参,直接赋值给styles
      const styles = {
        container: {
          flex: 1,
          backgroundColor: '#F5FCFF',
        }
      };


      //App.js
      <Viewstyle={styles.container}>
      </View>

      2. 自己实现StyleSheet.create

        const StyleSheet = {
            create(styles) {
                const result = {};
                Object.keys(styles).forEach(key => {
                    result[key] = styles[key]
                });
                return result;
            }
        };

        1.4.3 行内样式style兼容

          //RN中style支持样式数组,QTaro中不支持
          <Viewstyle={[styles.container,extraStyle]}>
          </View>

          解决方法:

          1. 自己实现StyleSheet.flatten,递归地展平数组中的每个样式对象,并将它们合并成一个单一的样式对象。

          2. 样式处理

          3. 方式1: babel 转义

            //RN中style支持样式数组,QTaro中不支持
            <Viewstyle={StyleSheet.flatten([styles.container,extraStyle])}>
            </View>

            方式2: 在兼容组件的入口,调用StyleSheet.flatten转为单一样式对象

            1.4.4 更多样式问题

            1. 尺寸单位 

            RN中许多样式属性是不带单位的。因为RN的样式系统是基于弹性布局(Flexbox)设计的,它在不同的平台(iOS 和 Android)上会自动进行适配。 

            但是在QTaro中,建议使用px、%作为尺寸单位,其默认会根据平台对单位进行转换,不希望做默认转换需要设置为"PX"。 

            我们评估RN代码转QTaro,大多数需求场景设置"PX"较为合理,实际项目测试的结果也符合预期。 

            常见的width, height, margin, bottom等,约有60多个。
            可参考文档: 《Layout Props · React Native》

            2. 阴影

              //RN代码 shadow样式
              StyleSheet.create({
                  myView: {
                      shadowRadius: 5,
                      shadowOpacity: 0.5,
                      shadowOffset: {x: 2, y: 2},
                      shadowColor: 'gray'
                  }
              })
              //转为 react boxShadow样式
              StyleSheet.create({
                  myView: {
                      boxShadow: `2PX 2PX 5PX 0PX gray`
                  }
              })

              3. 动画 

              将RN的transform属性转换为Web的transform属性。 

              rn支持的转换:

              1. rotate系列:rotate, rotateX, rotateY, rotateZ

              2. scale系列:scale, scaleX, scaleY,scaleZ

              3. translate系列:translate, translateX, translateY, translateZ

              4. skew系列:skew, skewX, skewY

                //RN的 transform
                {
                        transform: [  
                            { rotateZ: '-60deg' },  
                            { translateY: -8 },  
                            { translateY: 4 }  
                        ]
                }


                //react的 transform
                {  
                     transform: 'rotateZ(-60deg) translateY(-8PX) translateY(4PX)'  
                } 

                4. 样式替换 

                例如: RN的marginStart需要替换为marginLeft, marginHorizontal需要替换为marginLeft, marginRight。

                  //RN属性
                  {
                          marginHorizontal: 10
                  }


                  //转换后代码
                  {
                      marginLeft: 10PX,
                      marginRight: 10PX
                  }

                  5. 默认样式差异

                  • display:

                    • RN: 组件的display属性是flex,所有的布局都是基于Flexbox。

                    • CSS: 组件的display属性是block,类似于HTML中的div元素。

                  • flex和flexDirection:

                    • RN: 在View上默认display: flex和 column。子组件垂直排列

                    • CSS: 如果设置为flex布局,默认值是row。子元素水平排列

                  • box-sizing:

                    • RN: 默认值为border-box且只支持这种

                    • CSS: 默认值是content-box

                  • 更多默认样式差异可参考:

                  2. 实现RN多端库

                  实现UI组件及API库,替换RN/QRN/第三方RN库中对应的UI组件及API。RN多端库是抹平多端差异的核心库,  具有通用性,适用于各RN项目。

                  2.1 已实现多端库

                  还包括qunar-react-native, react-native-keyboard-aware-scroll-view, react-native-render-html, react-native-WebView等共14个RN多端库, 不再详细列举。

                  RN标准库中组件和API实现已覆盖80%(因平台差异, 无法实现组件占位留空)。

                  火车票项目中组件和API覆盖86%,和平台关联较大的部分组件(截屏、QP包管理、日历、通知等)已被降级处理。

                  2.2 组件实例接口差异

                  RN中组件节点的实例方法与QTaro组件库存在差异 

                  常见的有:

                  1. this.viewRef.current.measureLayout测量视图布局

                  2. this.qVideoRef.current.play/pause/seek视频播放等操作

                  3. this.textInputRef.current.blur/isFocused判断焦点操作

                  通过自定义组件实例的外部接口,确保多端库组件实例方法与RN组件接口一致。

                  下面以View组件为例,添加可供外部调用的方法measureLayout,和RN View接口保持一致。

                  3. 业务代码多端适配方案

                  RN转QTaro框架, 不仅要适配RN/QRN/三方RN组件,还需处理平台相关的业务逻辑差异。

                  深入分析每个差异功能后,发现业务逻辑差异是因使用RN原生插件引起,以NativeModules为切入点可以做到隐藏差异。

                  主要差异功能:登录、支付、页面路由、网络请求

                  以Network为例,说明业务代码的多端适配图

                  3.1 架构说明

                  以NativeModules为切入点,业务开发同学不需要关心平台差异,同时可以对NativeModules扩展,后续支持更多平台。

                  3.2 NativeModules多平台切换

                  @taro/NativeModules实现了一套和火车业务RN原生插件接口一致的类。

                  • RN平台通过@taro/NativeModules/index.js引用react-native的 NativeModules

                  • WX平台通过

                    @taro/NativeModules/index.weapp.js引入weapp多端库实现。

                  以接口请求Network.js为例说明:

                  • 多端适配前

                    //RN插件 NativeModules.TRNQunarNetwork 发送请求  
                    import { NativeModules } from 'react-native';

                    • 多端适配后

                      //路径替换,引用多端文件  
                      import NativeModules from '@taro/NativeModules';

                      • RN平台@taro/NativeModules/index.js

                        //RN平台直接导出 react-native 的 NativeModules。外部通过 NativeModules.TRNQunarNetwork 获取原生请求插件  
                        import { NativeModules } from 'react-native';  
                        export default NativeModules;
                        • WX平台

                          @taro/NativeModules/index.weapp.js

                          //微信小程序平台导出自定义 NativeModules, 对外接口和RN平台保持一致。外部通过 NativeModules.TRNQunarNetwork 获取WX平台请求接口  
                          const NativeModules = {    
                            TRNQunarNetwork,//封装了WX端实现类  
                          }   
                          export default NativeModules; 

                          3.3 方案总结

                          该方案进一步封装了业务逻辑的多端差异,把NativeModules作为多平台切换的入口点,在各个平台封装一组与原生RN插件等效的功能类(例如 TRNQunarNetwork, TRNNavigator),并确保功能类对外接口在各平台完全一致。

                          可以完美和react-native的NativeModules数据结构契合,做到各端平滑切换。涉及业务代码的多平台差异被隐藏在NativeModules中,后续产品需求开发时,开发同学仅需聚焦到业务逻辑即可。

                          4. 项目的难点

                          4.1 RN转微信小程序严重超Size问题

                          4.1.1 背景

                          小程序总包剩余空间不足, 产品需求开发已严重受限。

                          RN转QTaro项目面临的最大难题是要解决Size问题,如果不能上线微信小程序,多端复用也就失去意义。

                          4.1.2 解决方案

                          把所有的RN页面利用QTaro框架转为H5,通过WebView方式加载。

                          WebView加载方式选择:

                          4.1.2.1 MPA面临的问题

                          1. 不能共享内存实例对象:  global上注册了很多功能类和数据类,包括共享的ABTest数据,QConfig等。这些数据在各H5页面间不同步。

                          2. 事件订阅和通知无效: 页面通过EventCenter注册事件订阅,监听某个页面的数据变化。页面无法监听其他页面触发的事件。

                          解决方法 : 难以修复。火车项目页面>100个,MPA下修复共享实例问题,需要改动的代码量巨大,将会严重阻塞项目进度。

                          4.1.2.2 SPA面临的问题

                          1. 多个RN项目是单独打包出多个H5产物。同一个H5产物,页面之间可以共享对象实例,但不同的H5产物之间仍无法共享数据。

                          解决方法:多个RN项目合并打包,打出一个H5产物。

                          4.1.2.3 MPA和SPA共同面临的问题

                            1. 修改WebView的hash方式传参,H5页面被重新reLaunch,页面栈丢失。

                            解决方法:同域名可以通过local storage传参,跨域下通过后端接口共享数据。

                            2. 小程序和H5登录态不同步问题

                            解决方法:外部登录态通过URL传入WebView,保存在WebView的cookie中。

                            3. 首次资源下载问题过大

                            解决方法:通过webpack文件分割优化后,首次下载资源1.7M,后续页面下载平均200K。

                            综合考虑以上因素,选择SPA方案能够更好地解决项目中的问题。SPA在内存对象共享、页面流畅度以及资源利用效率等方面具有优势,且能解决项目中面临的关键问题。

                            五、项目复盘

                            5.1 项目的成果

                            5.1.1 转换工具代码复用度87%

                            针对所有涉及的RN项目,分别获取起始和结束时的git commit hash(版本提交哈希值),然后进行git diff操作,计算得出两次提交之间代码行数的变化量与总代码行数的比值为13%。

                            粗略估计转换工具可以节省RN转换整体工作量的 75%。

                            5.1.2 一套代码多端复用

                            UI样式效果微信小程序H5对比Adr-RN:

                            UI样式和功能向RN端看齐, 减少用户多端切换时的学习成本,保证用户各端功能体验一致。

                            5.1.3 节约人力成本>50%

                            以3端为例:

                            • 接入QTaro方案,节省(300%-160%)/300% =47%

                            • 业务差异封装后,  节省(300%-100%)/300% =67%

                            • 覆盖的端越多,每端成本越小

                            以业务线投入4人到非RN端开发计算,统一多端后,年化节约人力 4*235pd( 每人每年pd数 ) = 940pd。

                            5.1.4 突破小程序Size限制

                            通过加载单页面H5,解决了RN转WX小程序严重超Size的问题。

                            转H5后,车次列表页TTI-P90对比如下:

                            安卓手机,微信原生和微信H5对比

                            IOS手机,微信原生和微信H5对比

                            结论:

                            在IOS/Adr系统上,H5的TTI-P90基本优于微信小程序原生代码。

                            在解决微信小程序Size问题上,目前取得了阶段性的成功。火车票前端正在深入分析原因,尝试通过加载流程优化,资源预加载等策略进一步提升用户体验。

                            5.2 不足与展望

                            5.2.1 组件兼容性

                            例如: RN部分组件/API在平台兼容性方面存在问题,其中较为棘手的是Animated、PanResponder等与动画手势相关的组件。

                            H5多端库动画问题, 可以参考开源库 https://github.com/necolas/react-native-web进一步完善。

                            WX多端库动画问题:

                            • WX动画是通过API createAnimation实现,  而RN的Animated由3-4个API配合使,考虑到调用方式以及动画与组件的关联,完全模拟较为复杂。

                            • wx.createAnimation依赖于小程序的JS运行环境,受限于小程序的性能和资源分配,尤其是在低端设备上,容易出现卡顿。

                            解决思路:可以使用CSS动画实现。但CSS不能动态调整动画参数,不适合作为通用的多端库组件,因此需要在平衡动画流畅性和通行性上做取舍

                            5.2.2 转换工具覆盖度

                            多端库组件和API,目前主要适配火车RN的项目,未来可扩展支持更多RN生态组件。

                            5.2.3 样式边缘情况

                            组件适配的边缘情况的处理不够完善。在抹平组件属性差异的过程中,个别属性差异可能导致特定设备或浏览器上显示异常,需持续测试与完善。

                            六、结语

                            本项目提供了一套将RN项目转换为QTaro框架的完整解决方案,涵盖转换工具、多端兼容库与业务差异封装,显著提升开发效率与多端一致性。在迁移过程中,团队积累了丰富的跨端适配经验,也深刻认识到协作与沟通在复杂项目中的关键作用。

                            未来,火车票前端将持续跟进QTaro框架演进,进一步优化性能与体验,为业务赋能提供更强支撑。

                            阅读原文

                            跳转微信打开

                            •  

                            全球大模型第一股的上市访谈:敢问路在何方?

                            张小珺 x 张鹏 2026-01-08 10:11 浙江

                            Break a leg(摔断一条腿),意味着,祝你好运。

                            访谈:张小珺 x 张鹏

                            上市前夕,智谱CEO张鹏在一次出差途中摔伤了右腿。到达访谈地点时,他拄着一副拐杖。

                            当时,智谱确切的上市日期尚未明朗。它与MiniMax之间围绕“全球大模型第一股”的竞争仍在继续,结果并未尘埃落定。张鹏提到一句西方俚语:Break a leg(摔断一条腿),它通常意味着祝你好运。

                            几天之后,结果揭晓。

                            智谱确认于2026年1月8日(也就是今天),登陆港交所,成为中国首家上市的大模型公司,这也意味着它将是“全球大模型第一股”。

                            就在这个意味深长的历史时刻,我与张鹏做了一场3小时长谈。

                            如果一百年后,智谱出现在人工智能的历史书中,你希望它以怎样的方式被写下?

                            “AGI的先行者。”张鹏想了想,说,“一个开路的人。”

                            以下为本次访谈的节选内容。

                            完整版请观看视频播客或收听音频节目。

                            01 

                            谈上市

                            “我觉得祝大家好运吧”


                            张小珺:我想了想,智谱有可能会成为不仅是中国,而且是全世界第一个IPO的大模型公司,动作比OpenAI快。

                            为什么AGI还没有实现,你们这些公司都纷纷上市了?

                            张鹏:确实这里面有好多原因。实现AGI我从来不认为非常简单,也不是非常短期就能实现的目标——是一个马拉松,一个长跑。你一定要坚持下去。

                            在不同阶段,用不同方式去度过这一段。比如马拉松起步时,你为了要摆脱拥挤的起步阶段,需要加一点速跑到第一集团去;中间有一段时间大家都坚持不住,你要去补给站拿一些补给,把体力保持住,不断做消耗和摄入能量之间的平衡——在不同的阶段有不同的方式去运转整个体系。

                            在我们第一天公司成立的规划里,大概也就是6年、7年这个时间,就要去面临IPO。

                            张小珺:什么时候开始正式启动上市计划的?

                            张鹏:如果按照倒推三年业绩期,2022年、2023年就开始了——包括我们要怎么去做商业化,怎么去做收入,成本投入怎么控制,团队怎么发展,这些同步进行。

                            张小珺:在你看来,不仅是你们,这一波AI公司的上市,对于AGI来说它会是一个怎样的路标?

                            张鹏:从资本市场的角度,你在一级市场都算没有离开学校,还是在学习、培养、成长的阶段。到二级市场之后,是更接近市场的阶段。

                            对行业也是里程碑,这就证明了,这件事并不是一个镜中花、水中月。它是真的能走到产业级的事情。

                            张小珺:有没有一部分原因是,投资人在今天这个时间点也希望能够离场,希望能够落袋为安。

                            张鹏:我不排除有人这么想。但我觉得像我们很多投资人还是跟我们一样,保持着同样的信念和想法——想要大家一起走下去,取得更大的成功。

                            并不是说简单的上完市我们就退掉,落袋为安,挣了钱就OK。

                            张小珺:最近大家会把你们跟MiniMax放在一起来讨论,因为他们也在争夺所谓“中国大模型第一股”。

                            (访谈当天,谁是大模型第一股的形势,还未明朗。)

                            张鹏:因为时间最接近嘛。我看网上分析,很多还是很中肯的。这两家各有各的特点,各有各的发展路径。

                            当然我也不评价MiniMax怎么样,至少从我们内心来讲,智谱所怀揣的理想和想法还有后面的动因,在我们的招股书或者简单的几十页东西里,很难看得很清楚。

                            我最近也花了一些时间跟很多朋友聊,希望让大家能了解智谱背后,做这些事情背后的一些想法,不要对我们产生一些不必要的片面的认知。

                            张小珺:你有什么想对MiniMax CEO闫俊杰说的吗?

                            张鹏:我跟闫老师说话,最近稍微少一点;之前还挺多。

                            张小珺:最近为什么变少了?

                            张鹏:碰面的机会比较少。

                            张小珺:你有什么想对他说的吗?

                            张鹏:我觉得祝大家好运吧。

                            张小珺:你怎么看OpenAI也可能要上市?

                            张鹏:听说它也在准备,OpenAI可能是另外一个故事,在美国那个大环境底下,叫“高风险”、“高投入”、“高回报”——“三高”。

                            张小珺:你们呢?

                            张鹏:我们相对更符合中国的情况,在高风险或者叫高科技的领域里面,追求稳定性、可控性、可预期的模式。

                            张小珺:怎么应对上市后的技术投入、算力投入和二级市场的资本压力——上市之后,会不会反而让你们变成一家平庸的公司?

                            张鹏:我觉得不会。这也是我刚才说,为什么我们希望通过你这档节目,更多让大家知道智谱到底是在想什么、在做什么。很多事情起源于人和人之间的认知的差距和互相的不理解。

                            张小珺:你觉得被误解的是什么?

                            张鹏:可能有一些人认为:你看他们就是做项目外包的,是个to G的公司,围着政府转的——我觉得不是这样。里面有很多深层因素在里边。

                            从表象上看,中国前10大互联网企业里,有9个是我们的客户,都是我们很重要的客户。我们有60%是企业客户,政府这块它只占到20%,很少,其实不大。

                            你要说我们是一个to B的公司,这个可能我认。to G并不是我们很真正占大头的东西。

                            我们一直说,我们是服务企业,因为企业才是整个社会里边生产利益最集中的地方,转化效率最高的地方。一个生产力变革级别的技术,你当然是要找到这样的地方去落地。

                            这是最straight forward(直截了当)的逻辑,也是我们这些做工科、做理科出身的人,很容易想到的事情。

                            02

                            谈创业

                            “不过你说对了”


                            张小珺:我觉得你还没有很好的准备,就做了CEO,随后被推进了一个大浪之中。过去三年,你是什么感觉?

                            张鹏:你怎么知道我没有做好准备?

                            ……

                            不过你说对了。

                            张小珺:为什么清华让你们几个人来开始创立(智谱这家公司)?是谁让你们创业的?

                            张鹏:这个不是别人要我们怎么做,就是我们自己想做。

                            我当时在实验室里做工作的时候,负责的就是工程转化。教授们带着学生们做研究,做完研究的东西,他可能发Paper,我要去Deliver给这个我的企业的客户。

                            企业客户的要求肯定不只是说一篇Paper或者Prototype(原型)的代码,他需要是一个System、一个Product。我就带着一帮人在做这些事。

                            张小珺:清华一直有这个工程转化的职位?

                            张鹏:我们系一直有,我们实验室尤甚。这是我们的传统。

                            从我的导师建立这个实验室开始,就非常重视这个。他提了一个概念叫,P2P——Paper to Project,或者Parper to Product。就是你的Paper研究成果,一定要转换成实际能用的产品或者系统。

                            2017年我们就尝试着在学校这个体制底下,怎么把这个商业化转化的路径走通。

                            那个时候,学校里体制内人员去开公司这个事,是不允许的。

                            张小珺:之前没有先例吗?

                            张鹏:有。但大家不是正式的官方渠道。你一个老师在外面开一个公司,好像没人举报你什么的,也就过去了。但严格来讲,这个事情需要跟学校去报备、批准的。

                            张小珺:没有想过,我先悄悄地做,被发现了再说?

                            张鹏:这个总会留下一些首尾嘛。这是我们这帮人的执念——走正规途径。

                            契机是到2018年,国家,包括教育部,包括几个部委吧,联合给了一个意见,允许这个科研院所的在职人员用已有的研究成果,做科技成果转化。

                            相当于,开了一扇窗户——大家看到了,唉,外面还可以有这么一条路——但它并不是开了一个很敞开、很大的一个门说,你随便走吧,它也没有那么方便。我们就拿这个东西跟学校谈,说:怎么办?我想办,怎么办?

                            学校其实也想干这个事。那个《办法》是2018年的1月出来的。研究这个细节,走通整个流程,公司注册到2019年的6月。一年半时间。

                            我们是首先吃螃蟹的人。

                            张小珺:一开始去融资,跟投资人当时讲这个事的时候他们兴奋吗?

                            张鹏:投资人听不懂,他们完全听不懂——这是什么东西?你们怎么挣钱?怎么把这个东西商业化了?投资人问的都是这个。

                            我印象特别深刻。有个投资人,哇,线上聊,说:这个东西你们能变成钱吗?现在你看这个大环境这么差,经济这么差,要不你们把估值降一半怎么样?

                            ChatGPT火起来就帮了我们一个很大的忙。大家再也不用质疑说你这个东西到底是啥。

                            我们就对他说:ChatGPT你懂吧?你看过吧?知道吧?——我们做的这个事情就是往这去。

                            03

                            谈对照

                            “他能干得很漂亮,但就是没有太多情绪价值”


                            张小珺:我听过一个评论是讲智谱的。智谱一直不算是这市场上最明星的项目,不是关注度最高的一个。你们有技术、有视野,但看起来会有点Boring。

                            他给我一个描述说,“就像水泥一样”——没那么有趣,但稳定性好。这个评论对你来说是中肯的吗?

                            张鹏:我觉得算中肯吧,就像大家评价清华理工男一样,就是Boring。

                            都很聪明,也很能干。正经用途你让他干什么事情,他能干得很漂亮。但是,就是没有太多的情绪价值。

                            张小珺:Kimi相对你们来说是不是更酷一点,同样是清华理工男。

                            张鹏:对,这是我佩服植麟(的地方),他很会抓住普通人的眼球,知道怎么去推广,怎么去理解普通人的需求和想法。我们可能在这方面做得没有那么的好,也跟我们的定位有关系。

                            张小珺:你们是什么时候决定不深入涉足to C的——这应该是个很重要的决定?

                            张鹏:我们倒不是说我们决定不深入去做to C,其实也做,我们发展出智谱清言APP,然后ChatGLM的云端版本,现在也仍然在做。

                            只是我们会选择说,不是押注在唯一的选择上。我们会同时看我们三四种模式,看哪种模式更能走得通。

                            张小珺:你们为智谱清言投过流吗?

                            张鹏:投过呀。这没什么好否认的,肯定投过。

                            张小珺:多久发现这场仗打不赢?

                            张鹏:有一段时间了吧。后来发现,中国的C端市场,付费意愿还是太差,大家不太愿意能付钱。

                            我们还是挣了点钱的,在清言上。

                            张小珺:没有想过要参与豆包、Kimi他们竞争?

                            张鹏:那不是我们的风格。

                            张小珺:to C比to B对于投资人来说,永远还是更有吸引力一些。

                            张鹏:我不太理解这个吸引力从哪来,后来我自己猜测了一个原因是在于:这个数字模型比较好算。一个用户值多少钱,比较简单。

                            但to B它太复杂了,你说一个客户值多少钱这个事情,千奇百怪,而且各种各样的因素都有。想要把这个事情算得很明白,比较困难。

                            张小珺:我现在回想起来,2023年印象很深的第一件事是,老王发了一个英雄帖,随后王小川也入局了。

                            你当时看到这些非常成功的企业家二次创业,来抢你们已经深耕好几年的市场,你当时在想些什么?会担心在商业上竞争不过他们吗?

                            张鹏:我们做了那么长时间,对这件事认知还是比较深的。虽然ChatGPT火了,但它要走的路还挺长,没那么快、那么容易。

                            (王)小川,因为那个时候他也在这里面嘛(办公室在一栋楼里),很近,我们经常到楼底下碰面。

                            他有个习惯,经常思考的时候,下去在我们的科技园底下,有一个开放的广场的长凳。他会盘着腿坐在那想问题。拿一个iPad,在那想问题。我有时候下去买咖啡什么碰到他,会聊两句。

                            张小珺:接着2024年,这个市场的主角似乎发生了变化,变成了杨植麟、闫俊杰。你会怎么看杨植麟当时?

                            张鹏:植麟,接触还算有几次,毕竟是我们实验室出去的。在学校,他是一个学霸类型的人。后来开始做Kimi,我觉得他应该能成。

                            张小珺:同门师兄弟,到了商业环境开始竞争,是一种什么感觉?

                            张鹏:清华的人有这个特质,大家都比较属于这种工科男,比较理性。

                            大家在一起的时候也聊得很开心,聊师兄弟,也都很说得开。但在商言商,碰到了,该怎么样就怎么样。各自有一套规则,各自有一套沟通方式。

                            张小珺:如何看待Minimax闫俊杰?

                            张鹏:他也是个非常聪明的人——第一个,找对了方向,第二个找对了市场——在这个基础之上,他非常明白自己想要什么。

                            张小珺:想要什么?

                            张鹏:我觉得他可能,就是奔着商业化这个事情去的。

                            你看他做的很多事情,不管是Talkie也好,还是语音、多模态这些,都是朝着这个方向去的。消费、娱乐、大家的精神价值、情绪价值,这个方向去的。他非常明确。

                            04

                            谈泡沫

                            “假设它是一个Bubble,我们上市能救AI吗?”


                            张小珺:我和一个AI 1.0时代的创始人聊天,他说:现在大模型公司上市本质是在“逃生”。

                            一部分市场的观点是,大家会觉得2026年AI的Bubble(泡沫)有可能会破,对2026年的预期不够乐观。所以2025年底、2026年初,能上就赶快上,这也许是一个有利的窗口期。

                            张鹏:第一,假设它是一个Bubble,我们上市能救我们吗?或者说,能救AI吗?

                            张小珺:能救投资人的钱包。

                            张鹏:那不是救我,对不对?

                            是不是Bubble跟上不上市没什么必然关系,你混淆这两件事,我是不太认同。逻辑上它没有必然的关系。

                            第二,它是不是Bubble最近也讨论比较多,我很习惯跟大家聊这种天的时候就会反问一句:你怎么定义Bubble?什么叫Bubble?

                            张小珺:任何周期都有泡沫,当我们在开始讨论的时候,担忧的是,像以前周期中大崩盘的情况。

                            张鹏:它崩盘是因为什么?投资过热嘛。投入这些东西得不到相应的这种收益。

                            好,那最近的泡沫是什么?

                            张小珺:互联网。

                            张鹏:所有人都会告诉你,最近的泡沫就是互联网那波泡沫。但是你看,就算互联网泡沫破了,它留下了什么?

                            现在大家用的、享受的很多东西,都是那个泡沫的时代留下的东西。你为什么要担心Bubble?

                            张小珺:担心自己刚好是被戳破的那个。

                            张鹏:说白了还是担心自己兜里的钱!

                            说白了还是:我能不能及时收回我投资的收益;并不是真正担心说,我投进去没有产生实际的东西,产生实际的生产力,或者留下真正有价值的东西。

                            那好。你说到这个角度,这个问题就容易解了。投资这个角度,你觉得美国够吗?你觉得中国够吗?——如果投资都不够的话,那凭什么叫Bubble呢?

                            张小珺:觉得不够的原因是因为,现在离AGI还很远。

                            张鹏:那既然它离AGI很远,我们要不要追求AGI?

                            张小珺:AGI不在现有的技术范式下能达到,有没有可能?

                            张鹏:那我们如果不投资,它会自然发生吗?

                            张小珺:它不会。

                            张鹏:那不就完了吗?

                            历史的大势就是这样。我问你的这些问题,逻辑都是一环一环相扣的,你就回答这些问题就知道了,你担心这个事是没有意义的。

                            它必然某个时间段会有Bubble,没问题,只是泡沫大小而已。那我就问你大小嘛,你说投资够吗?其实很多人也认为不够。

                            我不敢说美国那边够不够,反正中国肯定是不够的。

                            张小珺:中国(比美国)少很多。

                            张鹏:少非常多,是美国的几十分之一。而且很多这种投入都投到了什么?基础设施。反正就撒胡椒面撒下去了。它并不是集中像美国那样,在那几家脑袋上。所以,这个情况也不太一样。

                            你要说有Bubble,我相信,在资本市场角度,美国那个事情可能是有Bubble,但在中国这事不存在。

                            它是远远不够的。

                            张小珺:我理解你刚才是从历史的大势的角度来看,那如果是从公司的视角呢——朱啸虎此前一直说,大模型六小龙可能到最后连上一代的AI四小龙都不如。

                            你们出来创业是为了追求第二代AI范式,那么,从一个上市公司的角度,第二代AI公司和第一代AI公司,它们有什么本质区别?

                            张鹏:我无意反驳他这个观点,但我觉得他这个结论下的有点早。因为上一代的AI四小龙,还健在。有些还健在。

                            我们还很早期。你要从2023年开始算,现在才3年;你要再往前推一点,从我们公司成立2019年开始算,也才6年多。

                            这么早就盖棺定论吗?还太早。

                            他说的是个预测。我们就等着时间来证明就完了。

                            05

                            谈希冀

                            “一个开路的人”


                            张小珺:最近上市背后,有什么有意思的故事没有?

                            张鹏:我想想,我去参加了一下摩尔线程的敲钟仪式。我们跟摩尔合作时间还挺长,他们也邀请我过去,我跟他们说,我来学习一下,看看这个敲钟。

                            确实大家都很不容易,这一波,非常非常的不容易。各自有各自面临的难题,能走到这一步,可以说都是英雄。

                            张小珺:上市时敲钟(锣)手感好像挺神奇的,你准备重重地敲还是轻轻地敲?准备用什么力度?

                            张鹏:现场去看一下那个钟(锣)有多大——开玩笑、开玩笑。

                            张小珺:智谱首席科学家唐杰老师是一个什么样的人?

                            张鹏:唐老师是一个绝顶聪明,但是,是非常有执行力、很热情的一个人。一旦他想清楚一件事情,他会特别的push,特别的有passion去干这件事情,而且非常专注。

                            张小珺:他现在最push的是啥?

                            张鹏:拼命的push我们团队把模型的能力持续往上拱。当然上市的事他也很关心。

                            你看为什么我们要讲从2016年开始那个故事?其实就想给大家传递一个信息:智谱不是单纯就是想成立个公司去挣钱。本愿还是在于,我们要去探索AGI到底是什么。

                            只不过我们觉得在成立一家公司,在产业里面去做这件事情,更符合当下人工智能发展的需求。而不是简单的只是做研究,也不是简单去挣钱。

                            张小珺:做一家实现了AGI的公司和做一家利润很高的公司,这两个二选一,你选哪个?

                            张鹏:当然实现AGI的公司。这个不用想的。

                            张小珺:智谱,哪怕实现了AGI,挂了也可以吗?

                            张鹏:说这个话太不吉利……

                            当然我们不希望挂掉。而且我相信如果我们能够实现AGI,我们不会挂掉,我们也会是一个很伟大的公司。这两者并不是对立的。

                            张小珺:你觉得智谱如果做成什么样,你是不满意的?往后看5年。

                            张鹏:只赚钱,没有技术的产出或者说对行业的贡献,我就肯定不满意。

                            张小珺:100年后,如果智谱出现在人工智能的历史书上,你希望它被怎样撰写?

                            张鹏:从我个人角度,我希望在智谱注脚里有这么一句话:智谱是AGI历史上一个先行者。

                            你看我们做这个事非常早,包括很多技术上的突破,很多时候我们都是在吃螃蟹。

                            张小珺:早对你们来说重要的。

                            为什什么不是创新者,而是先行者?

                            张鹏:先行者一般就是创新者。

                            就是,一个开路的人。

                            (完)

                            本集节目由语言即世界 x 新浪财经联合呈现

                            免责声明:内容仅代表嘉宾观点,不做任何投资建议

                            观看视频


                            收听播客


                            推荐阅读


                            阅读原文

                            跳转微信打开

                            •  

                            AI 实践:Code Insight 代码搜索定位的实践分享

                            有赞技术中台 2026-01-06 17:54 浙江

                            代码检索领域,本文结合团队半年实战,解析向量检索(RAG)与AST静态分析两大技术路径。分享了代码问答、TraceAI 排障、测试用例生成的应用场景。

                            Code Insight 代码搜索定位的实践分享

                            代码索引是为了帮助我们提高代码搜索和导航效率的技术。常见的使用场景:

                            1. IDE 中代码跳转,当点击跳转到实现时,IDE 会在索引中找到对应变量类的对应文件和行数,执行跳转动作。

                            2. 开发者可能想询问代码中某个具体的业务实现代码在哪个模块/文件中。

                            3. 非开发者:如产品/技术支持等同学可能希望在不借助开发者中介的情况下,对代码的某块业务实现有较准确的了解。

                            在AI编码工具普及的今天,"代码索引"已成为支撑研发流程的核心能力。无论是IDE中的快速跳转,还是AI助手的精准问答,都离不开高效的代码索引技术。本文将结合团队近半年的项目实践,探讨从语义检索到结构化分析的技术路径。

                            01 初识代码索引

                            提到代码索引,开发者们并不陌生。当我们在IntelliJ IDEA或VSCode中看到底部"Indexing..."的提示时,正是工具在后台构建代码索引。这些索引如同代码库的"智能地图",支撑着各类开发工具的运行。

                            indexing
                            indexing

                            1.1 从常用工具看索引:每天都在用的技术

                            不同开发工具采用的索引策略各有差异,这也反映出代码索引技术的多样性:

                            • IDE工具:跳转、补全、引用分析等核心功能,都依赖代码索引的提前建立;

                            index2
                            index2
                            • Cursor:聊天栏右侧提示可见其会使用 grep 等文本匹配方式,而系统配置中"Vector Index"选项表明还融合了向量索引能力;

                            cursorcursor2

                            • Claude Code:坚持采用grep纯文本匹配机制,而不考虑引入RAG方案。这也引发了社区关于两种技术路线的争议。

                            claude
                            claude

                            1.2 代码索引的核心定义

                            本质上,代码索引是通过特定技术快速定位目标代码的能力,它为庞大的代码库建立了高度智能的"目录"与"词典"。目前主流的实现方案包括向量嵌入索引、AST索引、ES全文索引等,本文将重点聚焦前两种在AI时代更常见的技术方案。

                            1.3 为何要在公司内部自建代码索引

                            在AI应用爆发的背景下,作为公司提供底层技术支撑的团队部门,我们对代码索引的需求主要来自三个方面:

                            1. 支撑AI编码场景:AI编程、agent模式问题定位等相关工具需依赖精准的代码索引获取上下文,关联代码的准确性直接决定大模型输出质量;

                            2. 保障代码安全:避免将包含密钥、密码等敏感信息的代码发送至外部大模型,通过自建索引实现敏感数据前置扫描;

                            3. 降低使用成本:第三方AI编程工具单次问答成本可达数美元,而自研方案成本可控制在几毛钱人民币,落地得当可大幅降低长期投入。

                            02 实现方案:从语义检索到结构分析

                            团队在实践中重点探索了两种方案:基于向量嵌入的RAG方案和基于抽象语法树(AST)的方案。前者擅长语义理解,后者专注结构化分析,二者形成互补。下文将先探讨应用 RAG 方案。

                            2.1 方案一:基于向量嵌入的RAG方案

                            引入向量嵌入索引技术的核心目标,是构建支持语义理解的代码定位能力,结合大模型打造智能代码问答系统。

                            2.1.1 RAG的核心原理

                            RAG的核心逻辑是"先检索再生成":在大模型回答问题前,先从外部知识库(代码库)中检索最相关的信息,将这些信息与问题一同交给大模型,从而提升回答的准确性。业界绝大多数RAG实践均采用向量检索,因此下文以RAG代指。

                            一个完整的RAG流程包含分块(Chunking)、嵌入(Embedding)、检索(Retrieval)三个步骤。

                            2.1.2 分块——平衡精度与上下文

                            分块是将代码或文本切分为更小处理单元的过程,直接决定后续检索质量。块过大易包含无关信息,块过小则会丢失上下文,常见分块方式有三类:

                            • 固定大小分块:设定固定token数量(如512个),以滑动窗口方式切割,相邻块保留重叠区域(如50个token)。实现简单、计算高效,但可能破坏语义边界,适合项目初期快速验证;

                            • 语义分块:对句子向量化后计算余弦相似度,当相似度低于阈值时进行切割,能保证块内语义连贯,分块质量更高,但实现复杂度增加;

                            • 场景化分块:Markdown、PDF等采用章节分块,代码则按语法边界分块,需结合语法树解析,同时控制块大小避免过长。

                            项目初期我们采用固定大小分块方案,在实现成本与效果间取得了平衡。

                            2.1.3 嵌入——语义的向量化转换

                            嵌入是将人类可理解的代码符号,转换为计算机可处理的多维向量的过程。在高维空间中,语义相近的代码片段,其向量距离也会更近。例如"用户登录验证"与"userAuthentication"的向量会呈现强关联性。

                            嵌入说明
                            嵌入说明

                            这个转换过程由专门的嵌入模型完成,转换后的数据会连同原始文本、来源文件、行号等元数据,一同存储到向量数据库中,为后续检索做准备。

                            2.1.4 检索——精准定位相关代码

                            当用户提出问题(如"系统如何处理用户登录?")时,检索流程会按以下逻辑执行:

                            1. 问题嵌入:使用相同嵌入模型将用户问题转换为向量;

                            2. 相似度搜索:在向量数据库中查找与"问题向量"最接近的K个代码块向量(K通常设为5-10);

                            3. 相似度度量:常用余弦相似度(关注向量方向差异)而非欧氏距离(关注绝对距离),更贴合语义关联需求;

                            4. 高效搜索:采用HNSW等算法构建分层图结构,通过"顶层粗搜+底层精搜"提升检索效率,适配百万级或以上向量规模。

                            HNSW
                            HNSW

                            2.1.5 工程实现

                            在实际落地中,我们围绕框架、模型等方面选型了一套实践方案:

                            • 框架选型:对比LangChain与LlamaIndex后,选择后者作为基础框架。因其基于RAG概念做了轻量化封装,同时对接多类大模型/嵌入模型厂商,调试更便捷;

                            • 模型选择:通过设计内部业务逻辑测试集,横向对比国内外嵌入模型,最终选出相关代码召回率达95%的模型;大语言模型方面选用的是成本综合较低的deepseek-v3,效果也还不错。

                            • 安全保障:所有代码片段在发送给模型前,均通过敏感信息扫描工具脱敏,避免密钥泄露;

                            • 上下文策略:优先将召回的完整文件发送给大模型,超出上下文限制时再采用分次查询汇总,默认控制召回Top 5文件覆盖核心需求。

                            2.1.6 RAG全流程梳理

                            从全局视角看,RAG实现分为索引构建与查询两个阶段,形成完整的数据流转链路:

                            • 索引阶段:原始代码 → 安全扫描与脱敏 → 分块 → 嵌入 → 存储到向量数据库;

                            • 查询阶段:用户提问 → 问题预处理 → 问题嵌入 → 向量检索 → 召回Top K代码块/文件 → 组织Prompt上下文 → 提交大模型生成答案。

                            RAG完整流程
                            RAG完整流程

                            2.2 方案二:基于AST的结构化索引方案

                            RAG方案在语义理解上表现出色,但在处理结构化信息时存在明显短板,这促使我们开始探索基于抽象语法树(AST)的索引方案。

                            2.2.1 RAG的技术瓶颈

                            在实践中发现,向量索引工具擅长特定业务问题找回少数关联文件进行分析,但对于涉及多文件(超出上下文长度),跨仓库等场景难以发挥效果。难以捕捉调用关系、继承关系等长链条结构;无法完成"代码改动影响范围分析""调用链图谱生成"等跨大量文件、仓库的程序分析任务。于是我们把目光放回了语法结构分析的老鼻祖:静态分析。具体来说是抽象语法树解析、字节码解析等技术,下面从语法解析角度简要介绍。

                            2.2.2 AST+符号表:构建代码的结构化认知

                            以下面的源码为例:

                              ounter(line
                              let answer = 6 * 7;

                              计算机理解这段代码分为两步:

                              • 第一步:词法分析

                              编译器/解释器会先把代码字符串“切碎”,变成一个个有意义的“单词”(称为 Token)。[ let, answer, =, 6, *, 7, ; ]

                              • 第二步:语法分析

                              然后,它会根据编程语言的语法规则,把这些 Token 组合成一棵结构化的树。这就是 AST。 一个简化版的 AST 结构可能长这样:(不同的解析器生成的 AST 节点类型可能略有不同)

                                Program
                                  |
                                  └── VariableDeclaration (kind: 'let')
                                        |
                                        └── VariableDeclarator
                                              |-- id: Identifier (name: 'answer')
                                              └── init: BinaryExpression (operator: '*')
                                                    |-- left: NumericLiteral (value: 6)
                                                    └── right: NumericLiteral (value: 7)

                                简而言之,AST 代表的是程序的骨架结构,而如果需要采集分析代码中的资产,我们还需要建立符号表。

                                • AST的核心作用:将代码语句转换为树形结构,明确"哪里调用了某个函数",但无法定位函数定义位置与参数信息;

                                • 符号表的价值:如同代码标识符的"注册表",在遍历AST时记录变量、函数、类的名称、类型、作用域、定义位置等信息。

                                二者结合可构建程序调用关系图谱,实现精准的影响范围分析。例如当method 3修改后,能快速定位method 3→method 5→method 1的影响链路,其中method 1为Dubbo API。

                                调用关系图谱
                                调用关系图谱

                                03 落地实践:代码索引的应用场景

                                无论是RAG还是AST方案,最终价值都体现在业务落地中。目前我们已将代码索引能力集成到部分开发流程中,下面介绍几个应用场景。

                                3.1 智能代码问答:提升业务理解效率

                                该功能基于内部 OPS 平台的应用视角提供,核心是通过AI快速查询并总结应用的业务逻辑,下面是几类常见使用场景:

                                • 前端接口与后端Dubbo接口的快速匹配,无需手动查询代码仓库,查问题再也不用从前端到后端拉一串人了;

                                • 自动总结并绘制业务流程图,助力新人快速上手掌握陌生业务;

                                • 较低的问答成本,作为 cursor 的日常平替。

                                代码问答示例
                                代码问答示例

                                3.2 TraceAI问题定位:加速故障排查

                                项目目标是结合大模型 Agent 的工具调用能力和规划能力,让 Agent 将代码问答能力与链路追踪(Trace)日志结合,自主进行线上问题定位。

                                traceai
                                traceai

                                3.3 智能测试用例生成:适配代码改动

                                基于AST解析得到代码改动关联的接口,自动生成对应的测试用例建议。该功能可推导出受影响的API接口,结合大模型对改动点的理解,确保测试覆盖核心改动点,提升测试效率与准确性。

                                测试用例生成示例
                                测试用例生成示例

                                04 实践心得与业界对比

                                在推进代码索引项目的过程中,团队积累了一些经验,也对比了一些业界方案,下面是一些心得分享。

                                4.1 实践心得

                                • 数据质量决定上限:遵循"GIGO"的机器学习原则,高质量的代码索引是AI编码辅助的前提,直接影响最终输出效果;

                                • 拥抱不确定性:大模型存在固有随机性,相同问题与上下文可能产生不同输出,需通过多次运行汇总等工程手段弥补;我们对 AI 产出的预期也不能像程序运行那样去追求确定性。

                                • 重视问题拆解:对于复杂任务,需将问题拆分至足够小的规模,通过大模型解决小问题后再组合成果。

                                4.2 业界主流方案对比

                                工具名称

                                核心索引方案

                                特点与优劣

                                参考资料

                                Cursor

                                RAG方案

                                基于Merkle Tree实现快速增量更新,分块引入语义化策略,检索精准度较高

                                https://cursor.com/cn/docs/context/codebase-indexing

                                ClaudeCode

                                纯代码匹配方案

                                实现简单,但易出现Token消耗多、上下文冗余的问题

                                https://juejin.cn/post/7559836484209229843

                                Aider

                                repo-map方案

                                早期方案有启发价值,但对大仓库处理能力不足,效果稳定性欠佳

                                https://aider.chat/docs/repomap.html

                                关于是否采用RAG,我们的感觉是:RAG方案前期索引成本高,但语义理解准、Token消耗少;纯文本匹配方案实现简单,但依赖大模型上下文能力,长期成本高。但是随着token成本长期的下降也许成本不再是关键因素。

                                05 未来展望:从能用走向好用

                                当前代码索引能力已在内部发挥价值,未来我们将继续探索以下方向,进一步释放技术价值:

                                • 跨仓库分析能力:突破单仓库限制,适配微服务架构下多服务协同的业务场景,实现跨服务代码关联分析;

                                • 问题定位Agent落地:将TraceAI等能力融入日常运维开发流程,降低平均故障修复时间,转化为实际业务收益;

                                • 业务文档自动生成:基于代码与AST分析,自动生成并更新API文档、业务流程图等,减少文档维护成本。

                                代码索引技术现在还在快速演进,我们实际做下来最深的感受是:各种技术擅长的方向不一样,取长补短融合后可能会有更好的效果,比如 RAG 和静态分析技术两种,前者擅长搞定“找相似逻辑”这类语义理解需求,比如问“用户登录在哪处理”;后者则专注解决调用链、改动影响范围这种需要精准分析的问题。把两者结合起来,才能覆盖开发的更多场景。接下来我们也会继续打磨这两种技术的融合方案,把代码理解做得更准、更高效,真正帮大家省下查代码、捋逻辑的功夫。

                                阅读原文

                                跳转微信打开

                                •  

                                2025 转转技术团队精选文章汇总

                                原创 转转技术团队 2025-12-31 15:07 北京

                                在 2026 年春节将至之际,我们从中精选了一批年度文章:既有架构与性能的硬核实战,也有前端、移动端、测试与效率工具的体系化沉淀。希望这份精选文章能成为你回顾与进阶的捷径:少踩坑、少走弯路,多一点确定性与灵感。

                                时光翻篇,技术却从不按下暂停键。回望 2025 年,转转技术团队把“能跑”进一步做到“跑得稳、跑得快、跑得省”。从线上稳定性建设到高并发秒杀,从亿级流量开放平台的架构演进到亿级核心表的字段扩展,我们在真实业务压力下打磨系统韧性;从“慢 SQL”治理到统一缓存 Easy-cache、从 MyBatis-Plus 的踩坑复盘到深度实战指南,我们用工程方法把效率与规范沉淀成可复用的能力。与此同时,AI 也不再只是概念:LLM 在主搜向量召回场景落地,让“理解用户意图”真正进入生产系统;在研发协作上,从日志插件到 Cursor 提效,再到自动化走查、压测巡检、双库同步工具与 AI 规则驱动测试,我们让工具链和流程一起进化,把时间还给创造。

                                在过去的这⼀年⾥,转转研发中⼼三个公众号《转转技术》、《⼤转转FE》和《转转QA》共计发表百余篇技术⽂章,涉及各个部⻔的⼀线实践经验。在 2026 年春节将至之际,我们从中精选了一批年度文章:既有架构与性能的硬核实战,也有前端、移动端、测试与效率工具的体系化沉淀。希望这份精选文章能成为你回顾与进阶的捷径:少踩坑、少走弯路,多一点确定性与灵感。

                                愿你在阅读的每一篇,都能找到可直接落地的方案与可迁移的方法论;也欢迎把它分享给同样关心工程实践与 AI 落地的朋友,一起交流、共同成长。新的一年,我们继续在技术与生活的交汇处,把复杂问题拆解成清晰路径,把用户体验做得更好。

                                祝大家新年快乐,阖家幸福,身体健康,工作顺利!


                                01 要想线上事故少,系统稳定性建设得搞好

                                系统的稳定性建设是一个庞大的话题,其贯穿了产品研发整个流程:需求阶段、研发阶段、测试阶段、上线阶段、运维阶段。从系统规模上看,小到单个系统,大到一个域的系统集,再大到支撑整个公司全业务的系统全集,都离不开系统稳定性建设。大家日常工作中可能会有一些关于系统稳定性的疑惑,比如经典三问“是什么、为什么、怎么做”,本文从一个后端研发的视角,来和大家聊一聊系统稳定性建设的总结与思考。(阅读原文)


                                02 高并发下秒杀系统的设计

                                在电商这片红海,秒杀活动无疑是屡试不爽的流量密码、销量利器。然而,在应对其并发请求时,其中的设计门道暗藏玄机。并发量小,数据库单表便能一夫当关,稳保活动无虞;一旦碰上爆款引爆流量,并发呈井喷式增长,单表瞬间独木难支,此时,一套高并发 “抗压” 组合拳必不可少。接下来,咱们就一起深挖业界那些屡建奇功的妙招,直击高并发痛点,重点解析其中两大 “硬核” 方案,助你轻松拿捏秒杀场景的技术难点。(阅读原文)


                                03 打造亿级流量开放平台的架构演进与工程实战

                                开放平台不是简单的API接口聚合,它是一个需要承载高流量、高并发的系统,是边界清晰的“操作系统”,也是具备持续演进能力的产品级架构体系。真正有生命力的开放平台,一定是 “稳定、扩展、安全、生态” 兼备的长期主义架构产物。本文将结合工程实战,从整体架构拆解到底层技术演进,逐步解构如何打造高性能、高可用、可持续演进的亿级流量开放平台系统。(阅读原文)


                                04 亿级核心表如何优雅扩展字段?中台团队实战经验揭秘

                                亿级数据的核心表新增一个字段,远不止一句简单的“ALTER TABLE”,锁表风险、页分裂、索引性能衰减……每一个问题都可能引发线上事故。如何在不影响业务的前提下,只需简单的配置,即可实现字段的动态扩展?本文将带你揭秘中台团队的实战解决方案。(阅读原文)


                                05 加Log就卡?不加Log就瞎?”——这个插件治好了我的精神内耗

                                本文提出的优化方案突破传统日志分级思维的桎梏,创新性地提出双轨制日志管理体系:将日志划分为功能型与诊断型两类,前者确保核心业务脉络的持续可见,后者实现按需动态管控。通过编译期字节码增强技术,我们实现代码行级别的精准控制,配合IDE插件的可视化操作,使开发人员能够像调试断点般自由启停日志输出。这种"外科手术式"的日志管理,既避免了传统方案"一刀切"的弊端,又赋予系统在高负载场景下的弹性适应能力。(阅读原文)


                                06 Easy-cache:统一缓存解决方案,让开发人员告别重复的缓存代码

                                本文介绍 Easy-cache 统一缓存解决方案,旨在让业务开发“只写注解、不写缓存逻辑”。它基于 Spring AOP 提供注解式读写缓存能力,默认采用 Redis 集群 + 本地二级缓存的多级架构,并通过健康度监控实现动态升降级与容错。为解决一致性与击穿等问题,方案使用 Redis-Hash + Lua 脚本原子操作实现分布式锁与“标记删除/弹性过期”,在可控不一致窗口(默认 1.5s)内保障最终一致,必要时可切换实时一致;同时通过 Lua 预加载与 EVALSHA 降低高并发下的网络开销。(阅读原文)


                                07 "慢SQL"治理的几点思考

                                本文围绕“慢SQL治理”做阶段性复盘:从一次线上慢查询告警切入,解释 MySQL 优化器如何基于 IO/CPU 成本选择执行计划。指出“加了索引也不生效”的常见原因(区分度、数据分布与回表代价),并提醒关注表统计信息与内存/页碎片对性能的影响。同时结合案例总结前缀索引在唯一约束下的坑、索引合并的适用场景,以及磁盘负载、长事务等“SQL本身没问题但仍变慢”的系统性因素,为排查与治理提供思路。(阅读原文)


                                08 MyBatis-Plus踩坑血泪史:那些年我们踩过的坑!

                                本文以生产事故为线索,总结 MyBatis-Plus 在高并发、容器/K8s 等真实环境里最易“暴雷”的坑:雪花ID重复、批量插入乱序、枚举落库不按 code、连续大写导致驼峰映射错位、批量写入自动填充失效、复杂 JSON/Map/List 字段写入丢失或格式异常,并给出可落地的排查与修复思路(如显式配置 workerId/改用自增或外部ID、控制批处理刷新/自定义批量SQL、@EnumValue、@TableField 明确映射、批量前手动填充、统一序列化或结构拆分)。(阅读原文)


                                09 MyBatis-Plus 深度指南:从基础到实战,让 DAO 层开发效率起飞

                                本文是一份 MyBatis-Plus 的“从能用到用好”实战指南:先用“零侵入增强”的视角解释其价值——在保留 MyBatis 灵活性的同时,把单表 CRUD、条件构造等能力工具化,并通过拦截器/插件补齐安全与规范(分页、全表更新/删除拦截、乐观锁、多租户等)。进一步给出工程化落地方案:在微服务/RPC 场景用自定义 QueryCondition 替代 QueryWrapper,配套 Builder 实现类型安全的查询、排序、分页与字段选择,并增加全表扫描/全表更新拦截,形成可复用的 DAO 分层架构。(阅读原文)


                                10 LLM在转转主搜向量召回的应用

                                本文介绍 LLM 在转转主搜“向量召回”中的落地实践,聚焦多品类(N 品类)因黑话/隐性术语导致的“少无结果 query”问题:传统 ES 文本硬匹配难以理解如“小痰盂”等圈内表达。团队选择“不造大模型”,走“中小型领域模型 + 极小任务模型”的敏捷路线,采用“离线训练—在线推理”架构:离线用私域支付日志约 30 万条 query-商品对做 Post Training 与 LoRA 注入业务知识;再用硬负样本+对比学习(InfoNCE)提升向量区分度;最后通过知识蒸馏把 qwen2.5-7B 能力迁移到 BERT,将模型体积压缩到约 1/60、显著提升推理速度,并在线上提升召回全面性与筛选精准度。(阅读原文)


                                11 转转前端覆盖率优化方案

                                通过创新性引入NYC工具链,彻底解决了Vue多版本混编场景下的代码覆盖率失真难题!方案突破传统插桩技术局限,实现三大升级:

                                精准解析:基于AST的源码行号映射,攻克Vue2/3混合项目、装饰器语法等复杂场景的覆盖率误报问题;

                                智能合并:独创跨Commit覆盖率数据继承算法,确保增量代码统计连续性;

                                性能飞跃:通过Clover格式解析优化,将报告生成速度提升300%。(转转前端覆盖率优化方案)


                                12 188工时压到149!揭秘我们如何用Cursor让前端效率狂飙

                                通过Cursor实现前端开发效率飙升21%,188工时压至149工时!揭秘五大核心场景:1)原型图秒变路由代码,命名规范自动生成;2)UI设计稿精准转DOM,接口字段智能匹配;3)Mock数据与TS类型一键生成;4)复杂组件AI智能拆分,主文件严控800行;5)动效逻辑深度优化。经验表明:AI最擅长结构化任务(提效60%),而复杂业务逻辑仍需人工把控。(188工时压到149!揭秘我们如何用Cursor让前端效率狂飙)


                                13 RN技术在转转的落地与实践 (前端篇)

                                从Webview技术栈转向React Native的探索,通过混合开发模式实现了高效迁移与性能提升。文章详细介绍了工程架构选择(Expo CLI+自定义脚本)、组件库适配(基于react-native-elements二次开发)、多包拆分策略(基础包+业务包)及热更新方案。创新性利用AI辅助Vue2到RN的代码转换,通过精准提示词工程和组件映射知识库提升迁移效率。实践数据显示RN页面加载时间从2137ms降至842ms,业务转化率提升4%,兼具热更新能力与原生体验。(RN技术在转转的落地与实践 (前端篇))


                                14 转转UI自动化走查方案探索

                                创新性地通过结构化数据比对(而非传统图像识别)破解UI走查效率难题!该方案将Figma设计稿JSON与前端DOM树归一化为同构数据,独创节点间距算法处理CSS margin折叠、行高等复杂场景,实现像素级精准比对。核心突破在于:1)AST解析解决Vue2/3混编覆盖率失真;2)动态调校px2rem误差;3)智能合并padding提升比对稳定性。实践数据显示走查效率提升300%,异常标注耗时从3小时压缩至30分钟。这不仅是一套工具,更重新定义了"设计-开发"协作范式——让主观的UI还原度变得可量化、可追溯,推动团队在规范层面达成共识。(转转UI自动化走查方案探索)


                                15 Android图片编辑器的自研之路:从需求痛点到技术突破

                                团队针对仓内质检场景的特殊需求,自主研发了一套高效精准的图片编辑器,彻底解决了传统方案无法满足的四大痛点:多图批量编辑、旋转后框线保持、撤销重做功能和自定义标注需求。基于Android原生API构建的编辑引擎,创新性地采用命令模式管理操作历史,结合Matrix变换实现精确的坐标系转换,并通过状态管理机制支持多图无缝切换。(Android图片编辑器的自研之路:从需求痛点到技术突破)


                                16 测试工程师的「武器库」:这8款效率神器让你告别无效加班

                                在软件研发这条高速运转的流水线上,测试工程师往往站在最靠近“质量风险”的位置。一边要保障功能正确、系统稳定,一边还要应对接口调试、抓包分析、数据校验、日志排查等大量重复却不可或缺的工作。时间被切碎、精力被消耗,无效加班也就成了不少测试同学的日常写照。

                                但问题的根源,往往不在于工作不努力,而在于工具是否趁手、方法是否高效。选对工具,很多原本耗时耗力的操作,其实可以被大幅压缩,甚至“一键完成”。这篇文章,正是基于真实测试场景,系统整理了一份测试工程师的「效率武器库」——从浏览器插件、抓包工具,到 IDE 插件与日常辅助工具,帮助你减少机械劳动,把时间和精力真正留给分析、判断和质量本身,告别无意义的加班。(测试工程师的「武器库」:这8款效率神器让你告别无效加班)


                                17 例行压测巡检-设计&实践

                                在服务规模不断扩大、系统复杂度持续提升的背景下,单纯依赖人工经验和被动响应的质量保障方式,已经难以支撑业务的稳定运行。压测是否执行、结果是否有效、问题是否被及时发现,往往依赖人工巡查与事后补救,不仅效率低,也容易留下隐患。

                                基于此,我们设计并落地了「例行压测巡检」这一主动式、自动化的服务质量保障能力。它不再等问题暴露后再处理,而是通过自动巡检、智能分析和精准通知,持续感知服务健康状态,将风险前移、将执行自动化。该项目旨在构建一套可扩展、可复用的智能化质量保障体系,推动服务稳定性从“人为保障”向“系统保障”演进,为业务持续增长提供可靠底座。(例行压测巡检-设计&amp;实践)


                                18 告别人工搬运!TiDB/MySQL双库同步工具如何为业务提效100%?

                                你是否也经历过这样的时刻:测试执行被迫中断,只因为线上和线下一个不起眼的配置不一致?一次看似简单的问题排查,跨 QA、PM、RD 多方沟通,最终发现只是“少配了一项”,却轻易消耗了 1–2 个小时的测试时间。

                                这篇文章正是从这些真实而高频的卡点出发,拆解配置不一致给测试效率、产品质量和系统安全带来的连锁影响。我们逐步意识到,问题不在某一次配置失误,而在“数据如何在不同环境间被可靠同步”这件事本身。于是我们探索并落地了一套更通用、更安全的数据同步能力。目标只有一个:数据同步不是复制粘贴,而是业务流程的隐形引擎,让配置和数据不再成为测试的隐形阻力。(告别人工搬运!TiDB/MySQL双库同步工具如何为业务提效100%?)


                                19 从"人工催办"到"AI 规则驱动":我们如何解放测试团队的生产力

                                很多测试同学在承担测试工作的同时,还被动接过了项目管理的职责,逐渐变成了项目里的“人工待办清单”。我们靠记忆去记节点、靠人工去催进度,结果是:真正该投入在深度测试、质量分析和风险识别上的精力,被流程管理一点点消耗掉。

                                这篇文章正是从这一真实困境出发,讲述我们如何意识到“问题不在个人能力,而在管理方式本身”,并尝试用一种更轻量、更贴合日常协作习惯的方式,把项目管理从“人肉记忆”交还给规则和工具。通过让规则在项目群中主动提醒、主动校验、主动推动事情发生,我们希望减少无效消耗,让测试回归测试,把时间和精力用在真正有价值的质量工作上。(从&quot;人工催办&quot;到&quot;AI 规则驱动&quot;:我们如何解放测试团队的生产力)

                                想了解更多转转公司的业务实践,欢迎点击关注下方公众号:

                                跳转微信打开

                                •  

                                回收团队基于Cursor集成MCP的智能代码修复提示词生成实践

                                原创 刘雅斌 2025-12-26 18:20 北京

                                一、痛点

                                痛点一:为什么我的Token消耗的这么快

                                Token的消耗量通常受到下面两个因素的影响

                                • 输入和输出的Token数量:输入的Token越多,输出的Token也会相应增加,因为模型会基于输入的上下文进行内容生成。

                                • 任务复杂性:更复杂的任务通常需要消耗更多的Token,而多模态的Agent往往消耗的Token会更高。

                                为什么模糊的提示词会增加Token的消耗量?

                                • 模糊的提示词可能包含大量与输出不相关的内容,增加输入的Token量。

                                • 模糊的提示词通常缺乏具体细节或明确约束,导致模型无法直接理解用户意图。为了覆盖可能的解释,模型倾向于生成更长、更全面的响应,以避免遗漏关键信息,从而增加输出token数量。

                                • 模糊的提示词往往无法精准地生成用户想要的内容。用户可能因输出不符合预期而多次修改提示,形成无效交互循环,无形中浪费Token。

                                痛点二:AI修复代码为什么总是"差点意思"?

                                一般都是拿到Sonar 扫描结果复制粘贴, 让AI修复后,一个一个改, 又太慢, 太多问题要么修复不准确,要么把好的代码也改坏了,还有就是问题 太多, 上下文超限修改失败

                                举个真实的例子:Sonar报告:ActivityServiceImpl.java 第120行存在空指针风险

                                我的提示词(第一版):

                                请修复以下问题:第120行存在空指针风险
                                代码:
                                [粘贴整个ActivityServiceImpl.java文件,可能是几千行]

                                AI的回复:

                                • 情况1:"这个文件太长了,请提供更具体的代码片段"

                                • 情况2:修复了空指针,但把旁边的业务逻辑也改了

                                • 情况3:"Token超出限制,无法处理"

                                问题根源在哪?

                                1. 上下文冗余:超大文件代码中,真正相关的可能只有20行

                                2. 缺乏规范引导:没告诉AI要遵循什么编码规范

                                3. 信息不准确:没有精确指出问题在哪个方法、什么结构中

                                4. 没有示例:AI缺乏类似问题的修复参考

                                二、转机:Cursor结合MCP打造自动化修复流程

                                关键问题在于:如何将Sonar扫描结果转换为AI能高效理解的结构化提示词。

                                于是,我利用MCP(Model Context Protocol)协议为Cursor开发了一套智能提示词生成系统。

                                什么是MCP?

                                MCP(Model Context Protocol)是一个开放协议,Cursor支持这个协议,允许我们通过Python等语言编写自定义工具,直接集成到Cursor的AI助手中。简单说就是:让AI拥有调用你自己编写的工具的能力。

                                我的方案架构

                                三、核心方案:六步智能提示词生成法

                                这套方案的核心思想是:让AI精确理解问题,而不是让AI去猜测问题。

                                整个系统基于以下6个步骤构建:

                                第一步:问题类型识别

                                classIssueTypeClassifier:
                                """将Sonar规则映射到问题类型"""
                                    RULE_MAPPING = {
                                # 空指针问题
                                "java:S2259": "NullPointer",
                                "java:S2637": "NullPointer",
                                # 资源泄露
                                "java:S2095": "ResourceLeak",
                                "java:S2093": "ResourceLeak",
                                # 安全漏洞
                                "java:S3649": "SQLInjection",
                                "java:S2076": "CommandInjection",
                                # 代码规范
                                "java:S117": "NamingConvention",
                                "java:S1192": "DuplicateString",
                                    }
                                    @staticmethod
                                defclassify(rule_key: str) -> str:
                                """根据规则ID分类问题类型"""
                                return IssueTypeClassifier.RULE_MAPPING.get(
                                            rule_key, 
                                "General"
                                        )

                                第二步:AST代码结构解析

                                什么是AST?

                                AST(Abstract Syntax Tree,抽象语法树)是将代码理解成树形结构的技术。

                                当Sonar告诉你"第120行有空指针问题",我们需要知道:

                                • 第120行在哪个方法里?

                                • 这个方法从哪行开始,到哪行结束?

                                • 方法的完整信息(方法名、参数、返回值)

                                AST解析 = 像编译器一样理解代码结构

                                想象代码是一个家族,AST就是家谱树:

                                ClassDeclaration: ActivityServiceImpl(类)
                                 │
                                 ├─ FieldDeclaration: activityFacadeHelper(成员变量)
                                 │
                                 ├─ MethodDeclaration: queryActivityListWithNewImei(方法)
                                 │   ├─ position: line 106
                                 │   ├─ parameters: [Long orderId, String newMachineUuid]
                                 │   ├─ return_type: OrderAllowActivityMiVO
                                 │   └─ body: {...}  ← 第120行在这里
                                 │
                                 └─ MethodDeclaration: editActivityListWithNewImei(另一个方法)

                                使用javalang进行AST解析

                                javalang是一个纯Python库,用Python重新实现了Java语法解析器,不需要安装Java环境。

                                import javalang
                                classJavaCodeParser:
                                """Java代码结构解析器 - 使用AST精确解析"""
                                    @staticmethod
                                defextract_method_context(file_path: str, line_number: int) -> Optional[Dict]:
                                """使用javalang进行AST解析,精确定位方法"""
                                with open(file_path, 'r', encoding='utf-8') as f:
                                            code = f.read()
                                # 1. 解析Java代码,生成AST(语法树)
                                        tree = javalang.parse.parse(code)
                                # 2. 遍历AST,查找包含目标行的方法节点
                                for path, node in tree.filter(javalang.tree.MethodDeclaration):
                                            method_start = node.position.line
                                            method_end = calculate_method_end(node)  # 计算方法结束位置
                                # 3. 检查目标行是否在此方法范围内
                                if method_start <= line_number <= method_end:
                                return {
                                'class_name': extract_class_name(path),
                                'method_name': node.name,              # 方法名
                                'start_line': method_start,            # 方法开始行
                                'end_line': method_end,                # 方法结束行
                                'modifiers': node.modifiers,           # ['public', 'static']
                                'return_type': node.return_type.name,  # 返回值类型
                                'parameters': [p.name for p in node.parameters],  # 参数列表
                                                }
                                returnNone

                                AST解析的价值:

                                1. 精确定位:直接知道第120行在queryActivityListWithNewImei方法内,而不是editActivityListWithNewIme方法

                                2. 完整信息:获取方法名、参数类型、返回值等元信息

                                3. 语法理解:像编译器一样理解Java语法,不会被注释、字符串、Lambda表达式干扰

                                4. 高准确率:准确率可达99%+

                                javalang的特点:

                                • 纯Python库,只需pip install javalang

                                • 不需要安装JDK或Java环境

                                • 提供完整的Java语法树节点

                                • 支持Java 8+的语法特性

                                第三步:智能上下文提取

                                classContextExtractor:
                                """根据问题类型智能提取代码上下文"""
                                # 不同问题类型的提取策略配置
                                    EXTRACTION_RULES = {
                                "NullPointer": {
                                "range": "full_method",           # 提取完整方法
                                "max_lines": 150,
                                "include_imports": True,           # 包含import语句
                                "include_class_declaration": True, # 包含类声明
                                        },
                                "ResourceLeak": {
                                "range": "full_method",
                                "max_lines": 100,
                                "include_imports": True,
                                "include_class_declaration": True,
                                        },
                                "SQLInjection": {
                                "range": "full_method",
                                "max_lines": 120,
                                "include_imports": False,
                                "include_class_declaration": True,
                                        },
                                "NamingConvention": {
                                "range": "surrounding",            # 只提取周围代码
                                "max_lines": 30,
                                "include_imports": False,
                                "include_class_declaration": False,
                                        },
                                "General": {
                                "range": "surrounding",
                                "max_lines": 50,
                                "include_imports": False,
                                "include_class_declaration": False,
                                        },
                                    }
                                    @staticmethod
                                defextract(file_path: str, line_number: int, issue_type: str) -> str:
                                """智能提取代码上下文"""
                                        rules = ContextExtractor.EXTRACTION_RULES.get(
                                            issue_type,
                                            ContextExtractor.EXTRACTION_RULES["General"]
                                        )
                                try:
                                with open(file_path, 'r', encoding='utf-8') as f:
                                                lines = f.readlines()
                                            context_lines = []
                                # 1. 提取package和imports(如果需要)
                                if rules.get("include_imports"):
                                for line in lines[:50]:
                                if line.strip().startswith(('package ', 'import ')):
                                                        context_lines.append(line)
                                elif line.strip() andnot line.strip().startswith('//'):
                                break
                                if context_lines:
                                                    context_lines.append('\n')
                                # 2. 提取方法或周围代码
                                if rules["range"] == "full_method":
                                                method_info = JavaCodeParser.extract_method_context(file_path, line_number)
                                if method_info:
                                                    start = method_info['start_line'] - 1
                                                    end = method_info['end_line']
                                # 如果需要类声明,向上查找
                                if rules.get("include_class_declaration"):
                                for i in range(start, -1, -1):
                                if'class 'in lines[i]:
                                                                context_lines.append(lines[i])
                                                                context_lines.append('    // ... 其他成员 ...\n\n')
                                break
                                                    context_lines.extend(lines[start:end])
                                else:
                                # 回退到周围代码
                                                    start = max(0, line_number - 25)
                                                    end = min(len(lines), line_number + 25)
                                                    context_lines.extend(lines[start:end])
                                else:
                                # 提取周围代码
                                                max_lines = rules["max_lines"]
                                                start = max(0, line_number - max_lines // 2)
                                                end = min(len(lines), line_number + max_lines // 2)
                                                context_lines.extend(lines[start:end])
                                # 3. 限制总行数
                                if len(context_lines) > rules["max_lines"]:
                                                context_lines = context_lines[:rules["max_lines"]]
                                                context_lines.append('\n// ... 后续代码省略 ...\n')
                                return''.join(context_lines)
                                except Exception as e:
                                            logging.error(f"提取失败: {e}")
                                returnf"// 无法读取文件: {file_path}"

                                核心策略:

                                • 差异化提取:空指针问题提取150行含imports,命名规范只提取30行

                                • 智能回退:AST解析失败时自动回退到简单提取

                                • Token控制:通过max_lines限制,避免上下文过长

                                第四步:分层模板体系

                                classPromptTemplateEngine:
                                """分层的提示词模板引擎"""
                                # Java语言规范
                                    JAVA_STANDARDS = """
                                请遵循以下Java开发规范:
                                1. 遵循阿里巴巴Java开发手册的编码规范
                                2. 所有可能为null的参数必须进行防御性检查
                                3. 资源(文件流、数据库连接等)必须使用try-with-resources自动管理
                                4. 异常必须妥善处理,不得吞掉异常
                                5. 方法复杂度不得过高,保持代码可读性
                                6. 变量和方法命名要清晰、符合驼峰命名规范
                                """
                                # 问题类型特定模板
                                    ISSUE_TEMPLATES = {
                                "NullPointer": {
                                "task": "修复以下代码中的空指针风险问题",
                                "requirements": """
                                修复要求:
                                1. 在方法开始处对可能为null的参数进行检查
                                2. 如果参数为null,抛出IllegalArgumentException异常,并提供清晰的错误信息
                                3. 保持原有业务逻辑不变
                                4. 不要修改方法签名
                                5. 确保修复后不影响其他正常调用
                                """
                                        },
                                "ResourceLeak": {
                                "task": "修复以下代码中的资源泄露问题",
                                "requirements": """
                                修复要求:
                                1. 使用try-with-resources语句包裹需要关闭的资源
                                2. 确保在任何情况下(正常或异常)资源都能正确释放
                                3. 保持原有异常处理方式
                                4. 保持方法签名不变
                                """
                                        },
                                "SQLInjection": {
                                "task": "修复以下代码中的SQL注入安全漏洞",
                                "requirements": """
                                修复要求:
                                1. 必须使用参数化查询(PreparedStatement)替代字符串拼接
                                2. 使用占位符(?)和参数绑定传递用户输入
                                3. 不得使用字符串拼接或格式化方式构建SQL语句
                                4. 保持查询逻辑不变
                                """
                                        },
                                    }
                                    @staticmethod
                                defgenerate(issue_type: str, issue_data: dict, code_context: str, examples: str = "") -> str:
                                """生成最终提示词"""
                                        template = PromptTemplateEngine.ISSUE_TEMPLATES.get(
                                            issue_type,
                                            {"task": "修复以下代码问题", "requirements": "保持代码风格与项目一致"}
                                        )
                                # 组装提示词
                                        prompt = f"""你是一位精通Java开发的资深工程师。
                                任务:{template['task']}
                                编码规范:{PromptTemplateEngine.JAVA_STANDARDS.strip()}
                                """
                                # 添加示例(如果有)
                                if examples:
                                            prompt += f"\n{examples}\n"
                                # 添加问题详情
                                        prompt += f"""
                                问题详情:
                                - 规则ID: {issue_data.get('rule', 'Unknown')}
                                - 问题类型: {issue_type}
                                - 严重级别: {issue_data.get('severity', 'MAJOR')}
                                - 问题描述: {issue_data.get('message', '')}
                                - 问题位置: 第{issue_data.get('line', 0)}行
                                待修复代码:
                                ```java
                                {code_context}
                                ``` {data-source-line="360"}
                                {template['requirements'].strip()}
                                输出格式:
                                - 仅输出修复后的完整方法代码
                                - 使用```java```格式包裹代码
                                - 不要输出多余的解释文字
                                - 确保代码可以直接替换原有方法
                                """
                                return prompt

                                模板设计:

                                • 三层结构:角色设定 + 编码规范 + 问题类型特定要求

                                • 灵活扩展:新增问题类型只需添加模板配置

                                • 规范注入:自动注入阿里巴巴Java开发手册规范

                                第五步:Few-shot示例库

                                classExampleRepository:
                                """问题修复示例库 - 提供修复前后的对比案例"""
                                    EXAMPLES = {
                                "NullPointer": """
                                参考示例:
                                示例1 - 空指针防御性检查:
                                修复前:
                                ```java
                                public String getUserEmail(User user) {
                                    return user.getEmail();
                                }
                                ``` {data-source-line="395"}
                                修复后:
                                ```java
                                public String getUserEmail(User user) {
                                    if (user == null) {
                                        throw new IllegalArgumentException("用户对象不能为空");
                                    }
                                    return user.getEmail();
                                }
                                ``` {data-source-line="404"}
                                示例2 - 多参数空值检查:
                                修复前:
                                ```java
                                public void processOrder(Order order, User user) {
                                    order.setUser(user);
                                    order.setStatus("processed");
                                }
                                ``` {data-source-line="413"}
                                修复后:
                                ```java
                                public void processOrder(Order order, User user) {
                                    if (order == null) {
                                        throw new IllegalArgumentException("订单对象不能为空");
                                    }
                                    if (user == null) {
                                        throw new IllegalArgumentException("用户对象不能为空");
                                    }
                                    order.setUser(user);
                                    order.setStatus("processed");
                                }
                                ``` {data-source-line="426"}
                                """
                                ,
                                "ResourceLeak": """
                                参考示例:
                                示例 - 使用try-with-resources:
                                修复前:
                                ```java
                                public String readFile(String path) throws IOException {
                                    FileInputStream fis = new FileInputStream(path);
                                    byte[] buffer = new byte[1024];
                                    int length = fis.read(buffer);
                                    return new String(buffer, 0, length);
                                }
                                ``` {data-source-line="440"}
                                修复后:
                                ```java
                                public String readFile(String path) throws IOException {
                                    try (FileInputStream fis = new FileInputStream(path)) {
                                        byte[] buffer = new byte[1024];
                                        int length = fis.read(buffer);
                                        return new String(buffer, 0, length);
                                    }
                                }
                                ``` {data-source-line="450"}
                                """
                                ,
                                "SQLInjection": """
                                参考示例:
                                示例 - 使用PreparedStatement:
                                修复前:
                                ```java
                                public User findUserByName(String name) {
                                    String sql = "SELECT * FROM users WHERE name = '" + name + "'";
                                    return jdbcTemplate.queryForObject(sql, User.class);
                                }
                                ``` {data-source-line="462"}
                                修复后:
                                ```java
                                public User findUserByName(String name) {
                                    String sql = "SELECT * FROM users WHERE name = ?";
                                    return jdbcTemplate.queryForObject(sql, User.class, name);
                                }
                                ``` {data-source-line="469"}
                                """
                                ,
                                    }
                                    @staticmethod
                                defget_examples(issue_type: str) -> str:
                                """获取相关示例"""
                                return ExampleRepository.EXAMPLES.get(issue_type, "")

                                示例库价值:

                                • Few-shot学习:让AI通过案例学习修复模式

                                • 格式统一:修复前/后对比,清晰明了

                                • 易于扩展:新增示例只需添加字符串配置

                                第六步:整合到MCP服务

                                现在,将所有组件整合到MCP服务中:

                                from mcp.server import FastMCP
                                import httpx
                                import logging
                                import os
                                mcp = FastMCP("intelligent-code-fix")
                                classIntelligentPromptGenerator:
                                """智能提示词生成器 - 整合6步生成法的核心类"""
                                    @staticmethod
                                defgenerate_for_issue(issue: dict, base_dir: str) -> dict:
                                """为单个issue生成智能提示词"""
                                try:
                                # 1. 提取issue信息
                                            rule_key = issue.get('rule', '')
                                            component = issue.get('component', '')
                                            file_path = component.split(':', 1)[1] if':'in component else component
                                            full_path = os.path.join(base_dir, file_path)
                                            line_number = issue.get('line', 0)
                                            message = issue.get('message', '')
                                            severity = issue.get('severity', 'MAJOR')
                                # 2. 问题类型识别
                                            issue_type = IssueTypeClassifier.classify(rule_key)
                                            logging.info(f"处理问题: {file_path}:{line_number} - {issue_type}")
                                # 3. 提取代码上下文
                                            code_context = ContextExtractor.extract(full_path, line_number, issue_type)
                                # 4. 获取示例
                                            examples = ExampleRepository.get_examples(issue_type)
                                # 5. 生成提示词
                                            issue_data = {
                                'rule': rule_key,
                                'severity': severity,
                                'message': message,
                                'line': line_number,
                                            }
                                            prompt = PromptTemplateEngine.generate(
                                                issue_type=issue_type,
                                                issue_data=issue_data,
                                                code_context=code_context,
                                                examples=examples
                                            )
                                # 6. 计算元数据
                                            token_estimate = len(prompt) // 4# 粗略估算
                                return {
                                'success': True,
                                'prompt': prompt,
                                'metadata': {
                                'file': file_path,
                                'line': line_number,
                                'issue_type': issue_type,
                                'rule': rule_key,
                                'severity': severity,
                                'token_estimate': token_estimate,
                                                }
                                            }
                                except Exception as e:
                                            logging.error(f"生成提示词失败: {e}")
                                return {
                                'success': False,
                                'error': str(e),
                                'file': file_path,
                                'line': line_number,
                                            }
                                @mcp.tool("auto-fix-sonar-issues")
                                asyncdefauto_fix_sonar_issues(
                                    project_name: str,
                                    cookie: str,
                                    base_dir: str,
                                    branch: str = None,
                                    page_size: int = 10,
                                    page_num: int = 1,
                                    is_new_code_period: bool = False
                                )
                                 -> str:
                                """智能修复Sonar扫描问题 - 核心MCP工具"""
                                # 获取Sonar问题列表
                                asyncwith httpx.AsyncClient() as client:
                                        params = {
                                "components": project_name,
                                "ps": page_size,
                                "p": page_num,
                                        }
                                if branch:
                                            params["branch"] = branch
                                if is_new_code_period:
                                            params["inNewCodePeriod"] = "true"
                                        response = await client.get(
                                "https://sonar.zhuanspirit.com/api/issues/search",
                                            params=params,
                                            headers={"Cookie": cookie},
                                            timeout=10.0
                                        )
                                        data = response.json()
                                        issues = data.get('issues', [])
                                        total = data.get('total', 0)
                                # 为每个issue生成智能提示词
                                    results = []
                                    success_count = 0
                                for idx, issue in enumerate(issues, 1):
                                        result = IntelligentPromptGenerator.generate_for_issue(issue, base_dir)
                                if result['success']:
                                            success_count += 1
                                            metadata = result['metadata']
                                            results.append(f"""
                                {'='*80}
                                ## Issue {idx}: {metadata['file']} (第{metadata['line']}行)
                                **问题类型**: {metadata['issue_type']}
                                **严重级别**: {metadata['severity']}
                                **预估Token**: {metadata['token_estimate']}
                                ### 生成的智能提示词:
                                {result['prompt']}
                                {'='*80}
                                """
                                )
                                # 组装最终输出
                                returnf"""
                                # 智能代码修复提示词生成完成
                                ## 统计信息
                                - **项目**: {project_name}
                                - **总问题数**: {total}
                                - **本批次**: {len(issues)} 个
                                - **成功生成**: {success_count} 个
                                ## 智能提示词列表
                                {"".join(results)}
                                ---
                                由智能提示词生成引擎提供支持
                                """
                                if __name__ == "__main__":
                                    mcp.run("stdio")

                                整合要点:

                                • 错误处理:每个issue独立处理,单个失败不影响其他

                                • 元数据追踪:记录文件、行号、问题类型、Token估算

                                • 结构化输出:Markdown格式,便于Cursor展示

                                安装依赖包

                                在使用MCP服务之前,需要先安装必要的Python依赖包。创建requirements.txt文件:

                                # 智能代码修复MCP服务依赖包
                                # MCP框架 - 用于构建MCP服务
                                mcp>=0.9.0
                                # HTTP客户端 - 用于调用Sonar API
                                httpx>=0.27.0
                                # Java AST解析器 - 精确解析Java代码结构(强烈推荐)
                                # 优势:准确率99%+,不受注释、字符串、Lambda影响
                                # 注意:这是纯Python库,不需要Java环境
                                javalang>=0.13.0

                                安装命令:

                                pip install -r requirements.txt

                                依赖说明:

                                • mcp:MCP协议框架,让Python脚本能够被Cursor识别和调用

                                • httpx:现代化HTTP客户端,用于调用Sonar API获取扫描结果

                                • javalang:纯Python的Java AST解析器,用于精准定位代码结构,无需安装Java环境

                                配置MCP(让Cursor识别你的服务)

                                %这里改成你本地的路径% 在 ~/.cursor/mcp.json 中添加:

                                {
                                "mcpServers": {
                                "intelligent-code-fix": {
                                "command": "python",
                                "args": ["/Users/Desktop/cursor/intelligent-code-fix.py"],
                                "env": {}
                                    }
                                  }
                                }

                                配置说明:

                                • intelligent-code-fix:MCP服务名称,在Cursor中通过@intelligent-code-fix调用

                                • command: Python解释器命令

                                • args: Python脚本的绝对路径(请修改为你的实际路径)

                                • 修改配置后需要重启Cursor生效

                                四、使用体验:在Cursor中一键修复

                                配置好MCP后,在Cursor中的使用非常简单

                                步骤1:在Cursor聊天窗口调用MCP工具

                                使用 auto-fix-sonar-issues 工具修复Sonar问题
                                参数:
                                - project_name: hunter_partner_recycle_core
                                - cookie: sso_uid=xxx; ticket=xxx; aid=xxx
                                - base_dir: /Users/xxx/projects/hunter/src/main/java
                                - branch: feature-3278-163 (可选)
                                - page_size: 10

                                步骤2:MCP服务自动处理

                                系统自动完成:

                                1. 调用Sonar API获取问题列表

                                2. 为每个问题智能生成提示词

                                3. 返回结构化的修复建议

                                步骤3:AI生成修复后的代码

                                已生成10个问题的修复建议:
                                Issue 1: ActivityServiceImpl.java 空指针修复
                                修复后代码:
                                [完整的修复代码]
                                Issue 2: FileUtil.java 资源泄露修复
                                修复后代码:
                                [完整的修复代码]

                                步骤4:一键应用修复

                                直接在Cursor中review并应用修复

                                改进效果:

                                1. 成本降低70% :精准提取上下文,token使用量大幅减少

                                2. 准确率提升30%:结构化提示词+示例引导,AI理解更准确

                                3. 效率提升3倍:自动化流程,无需人工干预

                                4. 质量可控:分层模板确保代码符合团队规范

                                5. 易于扩展:新增问题类型只需添加配置

                                五、写在最后

                                真正有效的AI辅助开发,不是简单地把代码扔给AI,而是要做好:

                                • 问题的精准识别:知道是什么类型的问题

                                • 上下文的智能提取:给AI最相关的代码,而不是全部代码

                                • 规范的有效注入:让AI知道要遵循什么标准

                                • 经验的系统沉淀:用示例库让AI学习最佳实践

                                这套方案不仅适用于Sonar,也可以推广到其他代码扫描工具(ESLint、Checkstyle等)。核心思想都是:将非结构化的扫描结果转换为结构化的AI提示词。

                                希望这篇文章能给大家带来启发。如果大家也在探索AI辅助开发,欢迎交流!

                                关于作者,刘雅斌,侠客汇Java开发工程师。

                                想了解更多转转公司的业务实践,欢迎点击关注下方公众号:

                                跳转微信打开

                                •  

                                一家投资OpenAI的硅谷基金的深度研究

                                原创 张小珺 x Freda 2025-12-25 17:30 上海

                                我非常厌恶信息孤岛。

                                访谈:张小珺 x Freda Duan

                                《站在2025年之外》是我们推出的年终对话系列,由5篇投资人访谈组成,他们分别从中国本土与硅谷视角出发,共同描绘我们走过的2025年,并对2026年做预测与前瞻。

                                5位嘉宾分别是:(排列依据播客的发布时间顺序)

                                金沙江创投主管合伙人 朱啸虎

                                真格基金管理合伙人 戴雨森

                                Altimeter Capital合伙人 Freda Duan

                                红杉中国合伙人 郑庆生

                                拾象CEO 李广密

                                他们的播客已陆续发布在播客节目《张小珺商业访谈录》。

                                今天推出第一篇的文字版本:

                                一个多月前,在2025年11月初,Sam Altman上了一档由美国基金Altimeter Capital创始人主持的播客节目,在主持人连续追问OpenAI如何为1.4万亿美元级别算力与基础设施承诺买单时,Sam称:“If you want to sell your shares, I’ll find you a buyer. Enough.”(“如果你想卖掉你的股份,我可以帮你找到买家。够了。”)

                                随后,AI板块整体出现波动,关于AI是否存在泡沫的讨论进一步升温。

                                我们今天的嘉宾Freda Duan就来自这个名叫Altimeter Capital的基金,她担任合伙人。

                                Altimeter是一个硅谷科技基金,横跨一二级。在一级市场投资案例有OpenAI、Anthropic、字节跳动等,在二级市场投资案例有NVIDIA、Snowflake、Robinhood等。

                                这集节目,Freda将深入分析美国这些明星公司,给他们的巨额投入算算账;她也从一线硅谷投资人的视角聊聊,美国资本的新秩序,他们眼中的坏小孩、反叛者、刺猬型和哪吒型创始人,以及泡沫。

                                01 

                                美国投资三条主线


                                张小珺:Hello Freda,先给听众朋友们打个招呼,并且做一个简单的自我介绍。

                                Freda:大家好,我是Base在硅谷的一个科技投资人,在一家叫Altimeter Capital的基金。

                                张小珺:Freda应该是很少在美国一线基金里面的华人,能不能先给大家介绍一下你们的基金和这家公司的创始人和创立的背景。

                                Freda:我们是一家位于硅谷的一线科技投资机构,覆盖一级和二级市场。创始人自己是一个连续创业者,在一级市场比较出名的是包括重仓OpenAI、Anthropic、字节一系列公司。在二级我们比较敢于重仓敢于做一些非共识投资——包括2022/23年Meta、Nvidia,今年的Robinhood,以及之前作为Snowflake等很多软件公司的大股东。

                                一个与众不同比较有意思的点是我们是美国少有的很愿意公开自己研究和思考的基金——很多人知道我们是通过一个叫BG2的播客——最近几周有和Sam Altman、Jensen Huang的很多公开采访;我们几个合伙人也会在Twitter和Substack上分享自己的认知。我在里面分享AI和一些前沿科技——包括AI应用,互联网、硬科技和金融科技比较多。

                                张小珺:说起来我觉得很恍惚啊,因为21年、22年,我记得硅谷还是笼罩在裁员风波里,那到了现在25年,似乎情绪和叙事发生了非常大的变化,你看Meta现在又开始天价的挖人。

                                身为一线投资人,你觉得这几年你的真实体感是什么样的?能不能描述一下每一年你身处其中,你心里非常能够定义那一年的一些瞬间?

                                Freda:每年说一点几个重点词吧:

                                2020年是疫情、降息、市场火爆;

                                2021年市场是持续火爆,但其实你能看出来一些就是潮水退去的迹象,比如说股票里面,中小盘或者说质量没有那么高的股票,他们的顶部就是在2021年的2月份,然后大票类似微软是11月份是开始掉头;

                                2022年就是非常悲惨的一年,通货膨胀,纳斯达克指数跌了35%,像Meta这样的股票都跌了70%;

                                2023年就是在大家都完全没有反应过来的时候,AI开始火热了;

                                2024年AI叙事,其实作为我们投资角度算是最好做的一年;

                                2025年是关税、中美关系,然后还是继续AI这个浪潮。

                                张小珺:你怎么看这几年的这些起起伏伏?

                                Freda:你说对,起起伏伏确实很多,我觉得其实挺不正常的,因为如果你看过去几十年的历史,美股是一个长牛式的逻辑,你从2000年开始算,纳斯达克其实一共只有6次是下跌幅度超过20%的,但是在2020年之后,我们就经历了3次,所以这个频率是有变高的。

                                张小珺:你看23年之后突然一下子整个市场就被AI主导了,回头来看你觉得在当初有没有一些端倪,有可能更早的预见吗?还是说就是非常突然?

                                Freda:我觉得其实是有非常明显的预兆的。2022年当时是市场一片灰暗,但当时有非常奇怪的融资现象。那个公司叫Inflection AI,就是Mustafa的大模型公司,当时也是大模型至少是前五前十这样子。它的A轮就融了2亿美金。而且不只是他一家,很多家公司,包括Anthropic、Cohere、Stability,都是那一波的模型公司,每个人都是融了几个亿的A轮。

                                这里面我觉得其实几个点都非常奇怪,第一就是他们实际上是用VC的钱去做资本支出,第二就是从来没有人A轮融2亿,平均可能就应该融个1000万吧。第三就是整个二级市场都在暴跌了。对VC是应该有一个传导的,所以这种热度是完全不应该的。

                                因为我其实一二级都会做嘛,所以会去见这些创始人。我印象特别深,当时跟他们聊,就发现这个逻辑异常简单。他们就说这几个词,就说,哦,Scaling Law,然后我要买卡,然后Nvidia的卡就是这么贵——所以有的时候赶上这个正确的时间和机会,投资的这个逻辑就是这么简单。

                                张小珺:所以VC的钱最后都冲去了Nvidia。

                                Freda:可以这么说。这里面也说到Crossover基金的好处,就是一二级都做。23年初的时候,市场上20多家自己大模型公司,那个时候很难判断哪家能成功成为第一梯队。

                                但因为基金是Crossover的结构,一级二级都做,而且是同一个团队;所以我发现可以很容易的用Nvidia在二级市场去表达我们对模型对AI的观点。这两年其实做好的AI标的绝大部分都在二级市场,包括云、包括电力,包括AI受益受损两边的标的。

                                张小珺:23年开始AI进展到现在也两年了,我们的播客也邀请过非常多的AI Founders来聊天,到了今天你觉得美国一线的顶级投资人都在投什么?他们的整体情绪是什么样的?

                                Freda:今天其实非常清晰,美股有三条主线,第一条肯定是AI,第二条叫Reindustrialization,就是再工业化,第三条叫Digitization of Finance,就是一个金融产业的创新。这三条主线其实非常有意思,因为它们中间有千丝万缕的联系。

                                AI这条大家都很熟悉了——芯片和云。

                                再工业化这条线其实包括非常多东西,包括稀土,包括美国本土制造业的回流,包括数据中心,再长期就要看机器人能不能拉平美国和新兴市场劳动力的水平。

                                我觉得大家可能还没有意识到,比如这次4月份,特朗普闹了一通关税的交易,像日本韩国这两个国家就合起来答应要投一万亿到美国。这个钱其实是会用来投资美国的基建项目的,包括能源,包括数据中心。

                                那么这里呢,就和我们刚刚说的第一条线,就是AI是实现了一个闭环的。那现在市场可能最担心的就是说AI投资这么多钱从哪来?我觉得其中一部分其实是要把这块考虑进来的。因为我们已经看到,包括日本啊,可能已经投了得有1000亿在就是能源相关的这个项目了,就是去Power这些数据中心的。

                                第三条刚刚讲的叫金融产业创新吧,也非常有意思。今年在七月份的时候,美国有一个非常重要的法案叫Genius Act,它是一个稳定币法案。稳定币支付就是我们Cheaper, Faster, Better。你看等下个月如果有这个叫Agentic Commerce,让Agent去帮我付款买东西,那Token或者说稳定币这个概念我觉得就会被重新提起来,那这里也就和刚刚我们讲的第一条AI又形成了一个闭环。

                                我觉得这三条主线之上如果说还有一个层面,那我觉得就是这一届非常有自己想法的政府,明年美国的中期选举也是他们非常重视的一个事件。

                                张小珺:美国投资人现在怎么看待中国市场?

                                Freda:我觉得很热闹,但是我跟踪下来,我觉得实际的投资金额其实和过去几年没有明显的变化。但是今年确实开始,一批一批的投资人都去中国去参观,然后所有人去参观都对我们这个EV还有机器人感到非常的震撼。

                                美国投资人重视两件事——一个是中美谈判的结果,一个是港股的IPO的活跃度。IPO这块我看从量的角度其实今年是上来了,但是很多是一些消费的公司在港股上市,如果之后有更多的科技IPO,我相信美国一些投资的金额是会回到中国市场的。

                                02

                                几个具体公司的深度研究


                                张小珺:你刚才也提到你们投了一些美国的大的公司,而且是重仓。我们能不能来聊一下具体的几家大的公司,比如说OpenAI,你们是它的股东。你们当时是在什么时候看到什么样的趋势判断下注的?

                                Freda:最早看出来OpenAI是一个产品公司不只是模型公司的时候。

                                这个结论现在听起来就非常共识。但23年大家是很担心2C这边竞争格局,觉得GPT没有粘性——那个时候Perplexity、Claude、Grok,竞争格局并不清晰。

                                一个好的产品远不止需要模型;用户体验也是很大的一部分。GPT其实如果你细想,并不是像Meta那样强网络效应的商业模式。它就是一个一对一的分发。但就是先发优势+更好地用户体验,让这个产品有很强的粘性。

                                张小珺:最近OpenAI它完成5000亿的融资,我们看到媒体报道说它收入预测2030年是有2000亿,但同时现在烧钱还是非常的多,能不能给我们讲讲你们是对这个商业模式是怎么思考的?

                                Freda:对,首先像你说的OpenAI包括Anthropic的数字其实媒体都有报道的七七八八,所以我今天说的所有数字都是用媒体披露的。

                                这个商业模式的本质非常的简单暴力,它的成本大头就是用卡。那其中包括Inference,包括Training,然后训练的成本呢,大概是按照Scaling Law,也就是每年可能上涨10倍这样子。

                                所以如果你上一年的训练成本为1的话,你第二年大概是能以2的这个收入去收回上一年的训练成本。但是同时你需要减去10,也就是你新的这一个模型的训练成本。所以你第二年你就是加2减10,所以你就变成一个负8。

                                大模型这个商业模式本质是一个负向滚雪球,每一年都会比上一年现金流烧更多。如果说有一天现金流能翻正的话,就从逻辑上就只有两个可能。要么就是你第二年的收入不再是前一年的2x,而是一个很大的一个数字。要么就是你不再去烧一个新的十倍的模型,只有这两个可能性。

                                Anthropic的CEO Dario也讲过这个逻辑,他又把后者,就是烧钱停止这件事做了细分,他说这个烧钱停止又有两个可能性,要么就是你到了一个物理限制了,就是模型太大了,你纯从一个模型训练的角度训不动了,或者说可能你要把全世界的钱都烧进去;

                                第二个可能性呢就是可能模型的大小本身还可以,但是因为Scaling Law到变慢,所以你不值得再烧10倍,或者说你就索性不再继续烧下一个了。在结束的这个时间点,其实非常有暴力美学,这个公司的利润表是会非常好看的,因为就像我们刚才简易的那个例子,就是你加2,但是你不再减10了嘛,所以就是这么一个非常简单的数学问题。

                                OpenAI确实很神奇的商业模式,在科技领域本身其实很少有资本密集型的业务。但也不是没有发生过,比如Netflix。Netflix的现金流前几年都是负的,而且负向滚雪球,每年都比前一年负更多。

                                因为Netflix也是,你前期要花很多钱去拍剧做内容,而且它的那个内容其实也是有折旧的,然后也是四年的这么一个折旧摊销,所以你细想,很多地方跟数据中心挺像的。

                                现金流上它最惨那年是2019年,它是负的30亿,然后非常有意思的就是,在2020年,它现金流突然就大幅翻正到20亿,所以这个涨幅非常快。然后你说为什么?其实就是因为疫情了,然后所以大家不能再出来拍电影、拍电视剧了,所以你的这个你叫内容成本或者叫训练成本也好,所以就没有了。

                                所以说的最直白的话,就是你烧钱的东西只有在不烧的那一天你才会真正有现金流,这就是模型公司的本质。

                                张小珺:但是像Netflix这种内容平台,它如果未来不投入做内容的话,品牌优势是会消失的。你想迪士尼也不可能不做内容。

                                Freda:对,Netflix不是没有内容投入,只是它这个增长的幅度下来了,不像它前期冲用户数的时候需要扩张内容那么猛了。现在是全世界他应该是有这个3亿订阅用户,粘性很强,他只需要维护住自己的位置就好了。模型公司一样的,我也不觉得有一天他会不训练了,就是可能训练成本不再每年几倍的增加,对于利润率来说就足够了。

                                张小珺:之前确实没有听过把Netflix去和OpenAI对比,那你觉得这个行业的格局会类似于流媒体吗?

                                Freda:内容是没有排他性的,所以媒体本身竞争格局非常的分散,YouTube、Netflix,像你刚才说的迪士尼啊,每个人可能都是个位数的这么一个市场份额,因为内容上来讲并不是完全商品化的内容,不同的剧你要在不同平台追。

                                而Chatbot你会希望一家能记下你的所有内容。GPT目前来看我觉得会像搜索的格局,市场集中度高,谷歌和微软的Bing两家搜索占领整个市场,用户选择自己更喜欢的。

                                张小珺:对于OpenAI来说,现在除了ChatGPT,还有什么其他的收入,它的收入结构是什么样?

                                Freda:媒体有报道出来4条线:

                                1、ChatGPT 75%,里面也包括企业GPT;

                                2、API:今天OpenAI API收入对应Anthropic一半;中期Anthropic自己预测是OpenAI的5x;

                                3、Agent:包括软银合作;

                                4、新产品。

                                很多讨论集中在GPT,但公司预测其实后两条线增长更快,未来占比更大。纯看GPT的话,可以看到3亿订阅,然后每个月30块钱,这个就是1000亿的体量差不多了。

                                另外就是,大家都在讨论2C的GPT,把他当成一个纯面向消费者的公司在看;普通投资者看不到的今天个人/企业占比差不多大。

                                我觉得市场大大低估了企业端——企业端本身用户数也有几百万,比如我就是企业端的用户,我就用GPT连上了我公司的邮件、Slack,我公司内部系统,这个是协同起来是非常好用的,想象空间很大。

                                美国本来就是很大的企业市场,中国不是。

                                报道出来的是公司说年底200亿年化营收;对应今年130亿收入。

                                张小珺:很多人说OpenAI是想做一个超级入口。

                                Freda:对的。它希望其他App应用程序都能在它上面构建。

                                消费端而言:比如让这个Agent帮我买个东西或者叫个Uber。这里面现在有两个问题,一个是还是会存在一个登录问题,第三方网站会监测和屏蔽Agent的登录;一个是商家会很抵触,商家希望用户直接来自己的平台。比如亚马逊,只有我过去了,它才能在我买牙膏的时候推荐我买牙刷、买牙线,才能增加销售额。而且亚马逊有700亿的广告收入,如果换成Agent用了,这个广告收入还收不收的上都是问题。

                                企业端,其实反而好很多;谷歌和OpenAI这么竞争,谷歌的办公套件都很容易的让OpenAI直接调用,因为软件的收费模式简单很多,就是只要用户还在用还在付费,他们不在乎自己是不是Top of the Funnel获客漏斗最上层。

                                所以算个非共识,我觉得OpenAI企业端作为超级入口可能发展非常快,有非常大的想象空间。

                                张小珺:我看OpenAI是不是还要开始卖广告了?还有没有其他的变现方式?

                                Freda:对,今天没有广告收入。但广告这个逻辑太顺了。

                                今天超过8亿的WAU,其中5%付费用户。

                                他完全可以和用户讲说如果你是一个免费的用户,那我肯定要赚钱,所以会通过广告。比如我搜索跑步鞋,如果我免费用户,我可能会看到Nike的广告;如果我是付费用户,GPT可以保证它的推荐结果会绝对公允,所以会有其他小众的品牌。

                                广告上量会很快。

                                另外一个我觉得比较有意思业务模式是云。Sam Altman也有讲,这是他业务非常自然的一个延展,因为你如果回想就是亚马逊AWS是怎么起来的,也就是他自己先建数据中心,然后给自己用,然后发现其实他也不可能完全控制他对数据中心的这个利用率,然后数据中心本身又是一个非常看使用率的这么一个商业模式。

                                所以就有点就是随手的事情吧。可能就把自己不是那么需要的时候就租出去,慢慢的可能就成了一个很大的这么一个业务。GPU这一波也一样,所以云在美国的竞争格局,我觉得会有挺大的改变的。

                                张小珺:OpenAI和其他模型公司今天的竞争是一个什么样的状态?

                                Freda:OpenAI内部觉得自己的最大竞争对手从来不是Anthropic或者xAI,而是谷歌。

                                谷歌的占位实在太好了,是一个完美的T型,横向有面向消费者的搜索、YouTube;面向企业的Workspace(谷歌办公套件);纵向从云一直到自己的芯片。

                                Gemini 6.5亿月活 vs GPT 10个亿。

                                谷歌对OpenAI的价格战这里面几个角度可以打——第一就是绝对价格,因为谷歌用TPU,纵向整合,同样模型能做到的利润应该比OpenAI高;第二是捆绑销售,很经典的销售模式——比如我现在是20块钱每月YouTube订阅,它可以说加个10块钱给我Gemini,捆绑起来很容易产生更高的利润。

                                最近Gemini对OpenAI用户时长有一定冲击。我觉得比较合理的是谷歌吃下中低端市场,比如20块钱每个月订阅水平;然后把高端的,几百块钱甚至之后几千块钱一个月的订阅市场留给GPT。

                                张小珺:这两家你会站队哪家呢?

                                Freda:都是赢家。但我觉得现在整个对OpenAI的负面情绪,以及对谷歌的正面情绪也有点太一边倒了,因为谷歌面临的威胁并没有被解决。

                                今天谷歌搜索广告收入没有掉,是因为今天大家还是把ChatGPT当一个大型Wikipedia在用的,做研究、问它天为什么蓝,这些问答本身谷歌也是不变现的。但是比如保险,比如律所,这些是谷歌今天最大的广告商。比如我买车险,我今天Google一下然后选择最上面的广告位,Geico;但这个太适合去问GPT,GPT给我一通比较,然后我选择最适合自己的;这里面GPT很可能有我的历史,知道我开车开的很差,所以定制一个最适合我的。你等GPT开始做广告,你等他这个月开始做Agentic Commerce电商,这个格局一定会变。

                                往大了说,每年美国广告收入就这么多,谷歌和Meta今天是垄断,OpenAI想卖广告,就得从这两家出。

                                总结来说,OpenAI来自谷歌的竞争确实存在;但谷歌面临的威胁也同样真实。

                                张小珺:谷歌是怎么突然格局就变好的?我看巴菲特也买了。

                                Freda:就是模型能力上来;以及搜索广告收入没有掉。

                                模型能力这块也很有意思。听说内部找到了优秀研究员的正确打开方式,就是把激励制度绑定到模型榜单上,谁能刷榜刷上去,谁就升职加薪,非常适合谷歌这些年的学霸文化。

                                江湖也有传言,说Noam Shazeer,就是之前Character.AI的创始人,在回到谷歌之后,徒手改了一个bug,从此Gemini的Pre-training就好用了;

                                Gemini 3出来证明Pre-training也没有撞墙;整个趋势都在继续。

                                张小珺:那肯定是一个价值好几十亿的Bug。

                                Freda:对;这是一个天才研究员的世界;Noam做这个比做个2C的公司CEO合适太多了。

                                张小珺:谷歌搜索这个格局你觉得有变化么?

                                Freda:变化太大了。

                                一度我很担心OpenAI做不好搜索。因为谷歌不给他用谷歌的搜索API。但这一年用下来不管是OpenAI还是Perplexity,搜索效果都非常好。

                                因为搜索的护城河彻底变了。

                                之前谷歌搜索压倒性的好用,这个好用是因为我能在最上面的两三条找到我最想找的信息,这个是对人最重要的;第二页第三页完全没人看。但现在模型做搜索,非常的不辞辛苦,它能一秒钟翻几十页,直到找到最符合问题的信息,你用Bing或者自己做的搜索索引都可以。

                                这件事很大,因为搜索这个行业护城河彻底变了。

                                张小珺:怎么看待OpenAI的管理层?Sam这个人最近也是引发很大的争议?

                                Freda:Sam不是技术背景,但他能做一号位,员工对他还是很服气的,这个很有意思。

                                我聊下来,员工都很信任也很感谢Sam带领员工致富;另外有一点一定也要给Sam Credit,他真的是最早去强信念相信AGI的,这个是他引领了市场。

                                最近大家也听到1.4万亿的这个数字,其实本意是很聪明的,因为AI就是很烧钱,所以他想把一条线的公司都绑在一起。但时间线上一下拉的太远了,数字太大吓到市场了。可能他一下指引一下一两年的支出效果会好很多。但我觉得市场会慢慢消化的。

                                张小珺:OpenAI是不是这几年回报最好的投资?

                                Freda:这里面有一个概念,我们看到的300亿到5000亿,说的都是估值;但投资人拿到的是每股股价。

                                这里面OpenAI从300亿到5000亿,每股价值并不是接近20x,而是6x;股权稀释很严重。

                                张小珺:你怎么看待OpenAI最近的一系列上市的操作?

                                Freda:我觉得这个非常合理。而且最近OpenAI和微软把股权转清楚了,这件事非常重要。

                                像比如媒体报道出来的时候,如果2027年有一万亿市值的这么一个IPO,大概对应它的收入预测是10倍这样子,所以只要收入能做到,这个估值挺合理的。我们开玩笑说就是在美国波士顿可能有一条街都是那种非常大的基金,包括Fidelity啊什么的。每个人出100亿,这个1000亿的IPO就出来了。

                                我知道媒体很多人在那说,就等这个上市啦,上市就是泡沫顶峰了。我觉得没有那么刻舟求剑,因为你就算是回到上一波互联网,就Netscape网景通信,它的IPO是95年,那后面确实是泡沫越吹越大到破裂也是5年之后的事情了。

                                张小珺:说到OpenAI,也想聊聊Anthropic,这两个在你的观察中有什么异同吗?

                                Freda:它们俩业务不一样,一个是2C,一个是2B。

                                Anthropic超过80%都是ToB的业务。从用户粘性来讲,都非常好看;这两个公司,看这个用户来看,都是有我们叫微笑曲线。就是可能你一开始存留下去一点,之后还会再回来。而且新用户也比老用户同期的存留率要更好,所以这方面目前都是没有任何问题的。

                                再有也是媒体应该有报出来,就是Anthropic的利润率增长非常快。大概也就是一年之内吧,他从大概就是收入一块钱,能亏两块钱,就比如往这个水平,到今年底他会,他能做到跟OpenAI差不多的毛利率。所以这里面是做了很多功课,给我也是挺大的一个震撼,就是觉得它对整个自己的毛利率其实是有巨大的掌控的,不管是从模型架构,还有她叫Auto-scaling,包括优化,都做得非常快,非常到位。

                                所以现在整体对于模型公司,我觉得毛利率这里是没有任何有必要担心的,我觉得长期都会是七八十,这种毛利率是没有问题的。

                                从增长的角度,这两个也是一个追赶的一个状态吧。从1个亿到10个亿收入的这个阶段,OpenAI快非常多,用了两个季度不到,然后Anthropic可能用了大概四五个季度,然后从10个亿往上是反过来的;Anthropic年化收入从10到70个亿就用了10个月。最近的这个几个月,两个公司每个月增加的年化收入基本是数量上基本差不多。

                                Anthropic的产品路线也挺清晰的。

                                一个是选择几个比较大、比较有利润空间的垂类,包括Coding,包括Finance——Claude Finance非常非常好用,包括生命科学、法律。

                                另一方面就是做最好的模型给Agent用,Claude Skills = Mini Agents系统。

                                张小珺:Anthropic媒体报道出来的现金流是不是要比OpenAI好?我听说他们花在训练的钱要有效率很多?

                                Freda:我还是回到刚才讲的大模型的商业模式,抛开商业模式去看公司现金流预测没有任何意义。

                                这两家模型的财务预测非常有意思。

                                OpenAI就是它假设自己的这个总的算力在28年之后就不再增长了,所以是靠我们刚才说的第二点训练成本不再那么迅猛增长,去把自己利润率升拉上去的。

                                Anthropic如果你去细抠的话,它其实是在假设模型的这个ROI这个回报率逐年提升,对应我们说的第一点,不再是一块钱收回两块,而是能一块钱第二年收回五块钱,所以是主要是靠这个去拉上去的。

                                并不是Anthropic花的少,而是它假设了更高的回报率。

                                这个预测非常有意思,值得去细想,为什么他们做出了这两个方向的假设。

                                张小珺:另外两三家模型公司你有看他们的进展么?

                                Freda:现在根本不止大家熟悉的这两三家,最近几个月又有小10家模型公司出来融资,我们叫Neo Labs。就像Neo Cloud一样,很多都是学术背景的人出来做的,融资都在10亿的规模。

                                我没有特别想清楚,不知道之后会不会有一个时间点,大家觉得大模型就是头部一两家,剩下的会放弃自己做训练去拥抱开源模型。

                                大家熟悉的几个名字:

                                SSI Ilya;

                                Continuous Learning持续学习;

                                Mira Thinking Machines Lab;

                                Tinker是他们的首款产品;帮用户去定制训练开源模型。但我也没想清楚,投这个的背后就是在Bet开源市场的规模。

                                张小珺:我看这些模型公司都在融资,投资人会怎么估值这些模型公司呢?

                                Freda:会看他们的收入预测,然后给个倍数。

                                但说实话都会和OpenAI做一个对比,比如今天的OpenAI 5000亿,其他模型公司融资的时候其实投资人都会对标,看这个公司值多少百分比的OpenAI。

                                张小珺:所以说回来,今天市场上最重要的公司标杆,就是OpenAI。

                                Freda:对,100%;一级二级市场最重要的标杆。

                                张小珺:很多人让我问你们Robinhood这个票,说你是最懂这个公司的。今年标普500表现排名第一个股票,我看到披露你们是大股东,你们当时是怎么看懂这个股票的?能不能跟我们讲讲你们投资Robinhood当时是看到了什么,为什么下这个判断?

                                Freda:Robinhood这个公司非常有意思,今年圈了很多粉,但你真的看懂这个业务,本质上Robinhood的商业模式是很差的,可以说是一手烂牌。因为证券交易本身有非常强的周期性,不是一个好生意。很多人炒股都是这样,牛市一通操作猛如虎,熊市趴着不动。它的交易收入就是交易额乘以佣金率。交易额和市场活跃额度正相关。这里有几点是它能做的:

                                第一,最容易想到的,就是多元化,不再只是交易收入,所以你看Robinhood非常积极的去做银行,去做这个叫Prediction Market预测市场,去做财富管理,去做国际市场,它现在已经有11条线的这个业务超过了1个亿的收入,这个还会很快增加。

                                第二,就是抢占市场份额。市场的强周期性你无法控制,但是你可以用抢份额去平滑这个周期性。

                                第三,就是定价权,比如Robinhood加密这块从10个点佣金涨到60个点。自己去控制自己的命运。

                                当然还很重要的就是成本端,因为投资人最在乎的是利润增长,所以如果收入波动,但你成本端能配合收入端的波动也还可以忍。反例就是2022年的Meta,收入下跌,成本暴涨,所以现金流被砍了一半。你看Robinhood的运营成本从22年开始就零增长,一条水平线,控制的非常好。

                                只有理解到这个程度,才能明白Robinhood的发力方向,才算看懂这个公司。

                                张小珺:所以不是牛市买券商这个逻辑是吧?

                                Freda:很多人这么说,我觉得投资挺重要的是要对自己诚实,要知道自己赚什么钱,是Beta还是Alpha,可能最简单的你把Coinbase的股价,你和比特币去做一个对比回归,你会发现2022年开始,Coinbase相对于比特币是没有任何Alpha的。

                                所以如果说你判断一个加密周期牛市来了,那你不如去买比特币。这就是我说的这个市场的Beta。但Robinhood如果你做这么一个回归的话,你会发现不管它是相对于比特币还是相对于纳斯达克都是非常强的这个Alpha,走出了非常不一样的路径。

                                张小珺:你怎么看这个公司的增长性?

                                Freda:美国很明显一代人有一代人的账户。

                                60岁以上婴儿潮这代人用嘉信理财;45这个年龄层用E-Trade;Robinhood用户的平均年龄30多岁,这个就是美国新一代中年人和年轻人的账户。

                                公司的模式你可以把他想成一个漏斗,只要钱能进来它这里,他就能通过让你做一系列的交易产生收入。所以最重要的是增加每个用户的平均资产。今天Robinhood上用户平均1万块钱的资产,嘉信理财和IBKR盈透证券都是15万以上。

                                Robinhood用户平均年龄是34岁。这个很重要因为在美国35岁是一个财富的重要分水岭,35-40相比之前5年有一个3x的跨越,55岁达到高峰。

                                所以今天Robinhood什么都不做都会有很自然的资产增长。

                                而交易账户只是它的开始。随着这些用户步入中年开始有积蓄,很自然的就会有理财的需求,所以你看嘉信理财60%的收入是从财富管理那边来的;然后也很自然的会有储蓄的需求。

                                在漏斗吸收进来这些资产之后,重要的就是让这些钱动起来,这里Robinhood非常会互联网的打法,增加用户的活跃度。

                                比如我同时有Robinhood和Coinbase两张信用卡,很明显Robinhood会有很多拉新活动,奖励机制,让我不停的回到它的App去看;而Coinbase我可能最多一个月看一次。

                                所以Robinhood就是下一个嘉信理财。

                                张小珺:你们是今年初买的对吧?是买了一次还是多次?

                                Freda:对,年初。多次。

                                我印象非常深,股价跌得非常狠,市场也很差。但我觉得这个业务被低估了。Coinbase 1000亿 vs. HOOD 300亿,Coinbase是在跌份额,掉价格,Robinhood执行能力极强到处抢份额这个故事没有被市场看到;大家觉得他俩都是Beta,都差不多。

                                所以当时是顶着巨大的压力,想着今年可能是个熊市了,依然买了Robinhood。

                                张小珺:就是大家说的,别人恐惧时候你贪婪。今年涨了接近3倍,接下来怎么看这个公司呢?是不是已经不便宜了。

                                Freda:不便宜。但这是最有机会成为一站式金融应用的公司。

                                这个公司一直有一种为普通人平权的使命感。很多普通人第一次拿到IPO的份额都是通过Robinhood。

                                我很看好的一个方向是他们的VC基金。VC这样的另类资产在美国超过10万亿的规模,很多好公司,包括OpenAI,SpaceX,机构拿在手上,但普通人完全买不到。

                                如果Robinhood搞出一个VC基金——里面有所有耳熟能详的大公司的股份——然后收费比如2-3%类比ARKK——任何人都能认购——这个的需要是巨大的,做到上百亿也不奇怪。

                                张小珺:他们主要业务在美国?

                                Freda:其实不止。它今年非常巧妙地进入了欧洲,用了现在最火的概念叫Tokenization代币化。

                                欧洲有几十个小国家,每个有自己的监管,如果我一个一个拿牌照需要一两年。但是代币化直接一下就在整个欧洲铺开了;交易费还会便宜很多。

                                张小珺:你怎么看这个团队?

                                Freda:这个团队非常不一样。它动作非常快,就是你去看它一年出的产品的量,可能是别人5到10年那么多,完全不夸张。

                                创始人的性格也挺有意思的,比如说这个Coinbase的创始人非常的,我叫他乖小孩吧,他创业第一天就说我一定要强调合规。所以我个人觉得他到今天他的运营成本砍不下来,合规可能占挺大一块的。

                                Robinhood的这个创始人叫Vlad,他就比较像坏小孩似的,他非常的有冲劲,非常的敢想敢干,他这种性格也让他和公众沟通的时候非常的有张力,散户非常喜欢他。

                                他会非常真诚地问我,哪些公司是他需要学习的,尤其是那些比他规模大时间长的公司,他会问我哪些地方是别人做的比他今天好的。这个学习的能力以及这个热情我觉得是非常难得。

                                Vlad同时非常的Aggressive、很强势,他想拿下的市场和业务,他会很激进的去抢。我自己也和他学习了很多。

                                张小珺:现在资本更喜欢乖小孩还是坏小孩?

                                Freda:硅谷么,还是喜欢这种Founder Led敢于打破常规,坏小孩。

                                张小珺:Robinhood这个产品速度它背后是怎么支撑和做到的?

                                Freda:这块好像挺少有媒体报道,其实Robinhood在2022年的时候,几乎重新做了一遍这个公司,彻底改变了它的组织架构,它之前是非常中央化的,然后它改成了Single GM这个结构,就是说每一个业务单元有自己独立的架构,包括独立的PM、Developer、CFO、HR,所以它是去非常努力的去赋能每一个业务单元去疯狂的创新出产品。

                                张小珺:这个组织架构能更利于不同产品同时能涌现出来?

                                Freda:对,很明显。

                                张小珺:说到散户,这两年我们也越来越多地听到了散户的声音。疫情的时候,有WallStreetBets,到后面很多公司大家都叫散户票,那你觉得这个是一个可持续的现象吗?

                                Freda:散户到今天,我觉得,尤其就美国散户已经太大了。就是你看一些期权上面,可能超过80%、90%都是散户。我觉得有一些基金经理非常厌恶这个现象,但是我觉得散户是市场上非常重要的组成部分,在我的这个投资框架里面,我觉得市场就是一个挺混沌的这么一个体系,大家每个人感觉都是各玩各的,都做自己觉得能赚钱的事情,但你最终这个股价表现其实是一个合理的这么一个结果,去知道去了解这些重要的市场组成部分怎么运营,非常重要的。

                                Twitter上面你打开的话有很多散户,很多这些股票最终你你会发现能追回到一两个这种就跟KOL似的,就像一个部落一样,比如说有的人大家管他叫The Robinhood Guy,有的人叫The Palantir Guy,我其实和大部分他们这些KOL线下都很熟,所以也会去了解比如说散户喜欢什么类型特定的票,他们的交易体系,我觉得这个本身其实非常有意思。

                                而且我敢说,比如Robinhood和Palantir这两个票,散户的研究深度其实是完爆机构的,而且在他们身上我就看到的是那种非常纯粹对投资的热爱。

                                一个你说选股思路是去找这种散户喜欢,但是机构也能喜欢这种股票。这种股票通常都能比较强,而且没有那么多零和博弈。

                                零和博弈的典型就是美股这几年的软件股,里面几乎没有散户,全都是Hedge Fund,都没有长期的钱,就是很短钱的博弈,所以股价上下百分之三十,充满了痛苦。

                                张小珺:你刚刚也提到几次新物种,也提到坏小孩、乖小孩。我看你们公司网站上写你是负责颠覆性科技的合伙人,这个颠覆性代表的是什么?

                                Freda:哦,这个范围非常广,就是你往大了说呢,科技投资其实也就是去寻找这些可持续增长的公司,这些公司通常都会具有颠覆性,比如说刚才说了,讲了很多,就Robinhood、OpenAI,然后包括拼多多、TikTok,包括Nvidia、Netflix这些公司,它最初刚出来的时候都被视为非常的不合常理。

                                比如说Robinhood是零佣金,然后OpenAI就狂烧钱,然后Netflix是改变了整个DVD的租赁模式,都各有各的奇特,但是它们最终都颠覆了市场。

                                张小珺:这种颠覆性的公司在你看来共性是什么?

                                Freda:总结下来可能有这么几点吧:

                                一是巨大TAM市场规模——比如Robinhood现在要做整个金融行业的超级应用;

                                二是产品要完美——不管是Google、Netflix、GPT,最好的产品是不需要销售的,在很长一段时间都保持极高的增长;

                                三是我们通常回头看的时候都会说觉得天时地利人和。都是你觉得好像就是注定会在那个时候出这么一个颠覆者。比如说智能手机带宽到一定程度就能诞生短视频TikTok;摩尔定律终结,GPU推动AI;然后下沉市场的空白造就当年异军突起的拼多多。

                                其实每个都有点宿命感。

                                张小珺:那你现在觉得有什么有趣的新的物种吗?——当然我们这个不作为投资建议。

                                Freda:今年看下来最有意思的可能是Prediction Market,就是预测市场。大家可能听过叫什么Kalshi、Polymarket。我因为本来看Robinhood,所以最早发现这块量上的非常的猛。像Kalshi这么一个预测市场,它最新的这个交易量已经超过600亿。季度环比都是百分之百的增长,是非常典型新物种野蛮增长。

                                在这个预测市场上面大家可以用一两块钱去押注一切事件。你可以押注美国大选谁是总统,你可以去押Tesla的财报是否会超预期,甚至还有人在那预测Taylor Swift今年会不会怀孕,是一个百花齐放的状态。它绝对不是一个小众市场。Bloomberg、Google Finance都接入了它的数据。

                                这个行业的出现也充满了天时地利人和:

                                首先就是美国主流媒体信誉危机非常严重,然后又因为这两年不管是疫情、关税,时局非常动荡,民众想知道真相。

                                而且这个世界上似乎总有人能知道点什么,比如谷歌模型哪天出,Polymarket早早就有人下注11月18号,精准到天。

                                另外就是预测市场在全美国都是合法的;而到今天在加州、德州很多地方,连体育博彩都是不允许的。

                                当然还有这届政府监管上比较宽松——Prediction Market正好趁机把量做上去。

                                所以Prediction Market拿了一手王炸的牌,就看之后能做多大了。

                                03

                                自动驾驶和机器人投资


                                张小珺:我们说了很多AI的应用,还没说到自动驾驶和机器人。今年有没有什么新的想法?

                                Freda:今年最大的惊喜是Waymo。执行能力和速度非常超预期。

                                现在5个运营地区,马上10几个城市,已经可以上高速;

                                观察开城的速度在明显加速:

                                三番:5年;

                                奥斯汀:2年;

                                硅谷这边:半年。

                                而且成本并不高;几千万美金开一个城市。

                                今天一共2500辆车在路上,年化收入算下来8个亿。明后年上量可能会非常非常快。和他们合作的韩国现代车企在美国佐治亚州已经有现成的工厂,你去看这个工厂是可以10万量产的。等这个量上去,对整个交通行业都会有很大影响。

                                今天Waymo和Uber的价格差不多;但量产BOM Cost物料成本下来,对Uber这种业务会挺大影响。今天Waymo在三番已经盈利了。最大的成本是折旧——假设整车17万,然后4年折旧。其他主要成本包括它的远程安全员,运营和保险费用。都算下来今天也是盈利的。

                                张小珺:我看Uber和Waymo也是合作的关系。

                                Freda:今天Waymo和所有人都有合作,包括Uber,包括租车公司,包括车队运营公司。但我会去思考,本质上Waymo到底需要什么?

                                需要人做清洁,维护,充电,需要有现成的地方去停车;Uber并不是一个劳动密集型的公司;运营这个生意更适合Avis租车公司或者专业的车队运营团队。

                                当然Waymo需要解决的是——怎么平衡峰值和低谷的需求。Uber做这个就很合适,她轻资产,可以通过调节价格去做车队的调配。Waymo需求低谷时候车队闲置,就很影响利润。

                                张小珺:Tesla和Waymo这两个怎么比较?哪个是长期的赢家?

                                Freda:Waymo和Tesla这两个一个有硬件问题,一个有软件问题。

                                Waymo现在是硬件问题也是商业模式问题。他的硬件肯定成本会下来,问题是能下来多少。现在拆开看,车子和传感器分别是7-8万;然后车里的芯片2-3万。成本减下来需要一个过程,而且怎么也减不到Tesla 3万的这个价格。所以Waymo的命运要看Tesla能不能成功。

                                Tesla没有任何硬件问题,可以随便量产,要多少有多少;他的问题是软件问题;Elon 10几年前吹的牛,不用激光雷达,纯视觉,到今天还没有在Robotaxi上真正的证明自己。

                                张小珺:美国这边自动驾驶是不是就剩下Waymo和Tesla两个玩家?

                                Freda:目前是的,收敛的非常快。

                                自动驾驶这个市场是非常大的。就是美国人每年开车大概是三万亿英里这样子,假设每英里一块钱,这个市场就会有一个3000亿每年的这么一个收入。

                                一块钱对用户非常有吸引力,对应Uber是接近三块钱每英里;只要安全,自动驾驶这个市场不存在任何需求问题。

                                我让GPT帮我算过——在美国前十大城市中,要拿到大约10%的市场份额,需要多少台Robotaxi?GPT 1万,很小的数字 vs. 今天美国Uber 300万。

                                自动驾驶大规模实现之后,很多行业的格局都会变化。比如交通、比如房地产——住的更分散。

                                张小珺:自动驾驶终于要实现了吗?在美国就会是这两家占领整个市场么?

                                Freda:今天自动驾驶用的还是模仿学习,10亿量级的小模型——因为模型运行在端侧,有Latency延迟的考量。

                                比如模型看到STOP Sign,他并不是真的理解STOP是停车的意思,只是去模仿人类开车,人类通常在长这样的标识面前停下来,所以它停下来。没有真的理解这个世界,比较死记硬背,很多Overfit。有网上视频如果你把停车这个标志穿在人身上,有的模型也会在人面前停下来。

                                所以我在思考的是垂类小模型和大模型的路线。我们是不是还是需要真正的智能,通用大模型去理解驾驶的规则,不是去记住去模仿,才能去解决一切的Corner Case边缘案例。

                                其他的垂类都发生了——图像,视频,编程——通用模型就是比垂类小模型效果好,所以我想看看大模型公司会怎么做自动驾驶这件事,Latency能不能被解决。

                                张小珺:机器人这一块呢?这些年美国的发展是怎么样的?

                                Freda:很火的赛道;很多VC在闭眼投。

                                行业Locomotion或者下半身基本解决了,机器人能跑能跳做很多基本的动作;但Manipulation上半身的操作目前还差的比较多。

                                已经几年下来了,我也很Frustrated,路径上还是没有共识。硬件上,是人形还是四足,如果人形,人形长什么样?数据上,有人只用真实世界数据,有人只用模拟,有人混合起来用,完全没有共识。

                                但往好了想,也不是毫无进展,认知上面还是有一些收敛:比如共识逐渐收敛到硬件软件需要一体去做训练,而不是只做模型层。比如越来越多的人同意住宅用比工业是一个更合适的落地场景。还是有更多的人从第一性原理来看,站队人形机器人,也是因为老黄和Elon在带队伍。

                                但还是太早了。还处于刚刚要从Research走到Engineering的阶段。而且实在太缺数据了,这里面很多噪音——这就像10年前的自动驾驶,当模型过于缺数据的时候,你给他喂任何数据都会觉得帮助很大,但这里完全不能线性外推,这个进程会比想的慢。

                                投资人很难去评估——不像大语言模型好歹有一个榜单,好歹能看看模型大小,因为任务完成度都不高,所以我也没法定性的去判断;除了赛道真的很大以外,很难出手下重注。

                                张小珺:机器人下一步;或者叫GPT Moment会是什么样子的?大概什么时候会出现?

                                Freda:希望2-3年之内有一个机器人的GPT Moment。

                                就是Manipulation,能做一些通用的动作,包括叠衣服、收东西、放洗碗机;这些简单的东西完成度都不会很高,但慢慢从这里做起。

                                明年挺重要的,几家机器人公司都会有产品卖到客户家里,包括1X;

                                我自己的预期很低——市场一定需要先解决自动驾驶再解决机器人。机器人这边硬件和数据都还不到位。自动驾驶我们好歹都知道车是什么形态;机器人还不没有确定的形态。数据的话,机器人差的还太远了。

                                张小珺:这一块中美之间的对比你怎么看?

                                Freda:我见了也体验了中美几乎所有的自动驾驶和机器人公司。

                                自动驾驶方面——中国发展我觉得会非常好,也会比美国有更多玩家参与在里面,因为有数据。

                                很多人不知道,美国这些油车数据都是没法采集,因为数据都不联网;就算联网,车身只有一个最多两个摄像头,采集的数据也是没法用的。

                                中国因为经历了EV,大家技术都更新了,车身很多摄像头,数据是不缺的。所以非常期待中国这方面的发展。

                                机器人方面——中国的硬件能力肯定是世界最厉害的。

                                04

                                硅谷投资圈揭秘


                                张小珺:刚才我们聊的是硅谷的一些明星公司。我也很好奇,开头其实也提到你是很少在美国一线基金里面的华人,你对于在美国的华人,不管是研究者还是投资人,你有什么建议吗?

                                Freda:更勇敢吧。

                                整体感觉硅谷这边其实挺公平的。比如说推特这个平台,我觉得非常神奇,网站做的很烂但美国这些CEO每天花非常多的时间都上面。只要你的内容有意思,他们都会主动回应。中国人整体比较内敛,所以还是要敢想敢做,不要不好意思。

                                张小珺:你有VC和对冲基金的两边的视角,你觉得这两边的投资逻辑有什么明显的差异吗?一个投资人能同时做好两边吗?

                                Freda:我觉得是有不一样逻辑上,二级其实最好的投资都是非共识,VC就是共识投资。二级你追求的是High Risk High Return,比如说22年的Meta,今年的Google,都是高回报的反转投资;VC其实追求的是共识,因为你每一轮都要烧很多钱,其实你需要市场认可你的观点,一直和你一起支持你选中的这个公司,这过程可能需要很多年,所以是非共识和共识这么一个明显区别吧。

                                张小珺:这两种投资,关注的东西有什么明显不同么?

                                Freda:看的都是人 - 产品 - 市场,这三点。

                                早期VC看人更多;之后会看市场更多;经验来看,一个很优秀的创始人,哪怕需要转型几次,很少会搞砸。比如Elon做过各种有的没的,但从来没亏过投资人一分钱,所以他今天出来融资,就一页纸,写的就是我融资过上百轮,没有让一个投资人亏钱,这就是他的底气。

                                张小珺:看人的话,每家基金会不会有什么偏好?

                                Freda:审美会有些不一样。我挑几个有意思的说吧:

                                有一个叫Altos Ventures——就是Roblox和Coupang大股东,他们喜欢这种叫刺猬型人才,刺猬一辈子都在挖洞;所以他们比较推崇巴菲特,创始人一辈子就做这一件他人生最有热情的事情。他们不喜欢那种到处找热点,管自己叫持续创业者这种人。

                                然后像Ribbit Capital我非常喜欢,他们喜欢这种叫“Rebel”反叛者,就是带着坏小孩叛逆气质想要跟这个世界大干一场的创业者,的这种人比较有爆发力。Robinhood是典型他们喜欢的团队。

                                还有Hummingbird VC,这家喜欢我叫哪吒型创始人,创始人通常有很大的心理创伤,我命由我不由天,要证明世界都错了;Kraken还有几个游戏公司是他们的典型投资,创始人是死都不会卖公司套现的。

                                整体差别不会太大——优秀的人是挺明显能看出来的。

                                张小珺:美国基金在投资策略上,这些年有没有什么明显变化呢?

                                Freda:有一个,就是集中仓位下重注。

                                这里面有一个投资的基本思路。你肯定也听过,很多人说投资就是鸡蛋不能放在一个篮子里,要分散风险;但风险并不会因为你分散了就变小,市场要跌一起跌,买几十个仓位就是自己买出了一个大盘。

                                美国有一个投资人叫Druckenmiller,我非常欣赏,他会说,最好的投资就是你把你所有的鸡蛋都放到一个篮子里,这个其实非常的反直觉,但你敢都放到一个篮子里面,你肯定是做很多的研究才敢下这个判断,所以反而风险比你半懂不懂乱投要低很多;因为只有一个篮子,你会花全部的精力认真的去看着你这个篮子,和这个鸡蛋一起成长。

                                当然我说的是如果你想去产生超额的收益,如果只是追求一个比银行好一点的,百分之几的收益率,那我建议你直接买S&P就非常好了。

                                超额收益只能靠重仓集中仓位去实现。

                                而且做久了也会发现,世界上好公司真的不多;我能把几十只最好的公司研究透,交易做好,就足够了;没必要什么都看。

                                张小珺:鸡蛋都放在一个篮子里确实是一个反直觉,这里有没有什么成功案例?

                                Freda:比如Ribbit Capital,21年那个时候是Robinhood出了一点用户的一些事情,Ribbit 24小时之内放了5个亿进去,这一笔应该翻了七倍。

                                然后是Carvana,有基金在10块钱的时候抄底,30倍收益。

                                2022年的Meta,23年的Nvidia,今年的Google——可以是逻辑反转;也可以是清晰的龙头;只要看准然后量上够,就是超额受益。

                                像Greenoaks这个基金很有意思,它会控制合伙人每周出去开会的数量,我听的是每个人不超过五个——就是在鼓励少做判断,敢于重仓。

                                张小珺:所以大家都在找这样的机会?

                                Freda:对,但其实很多基金的规模和结构让他不可能做到。基金大了之后,组织结构就不可能灵活。每个合伙人每年都要做项目,但好项目根本没那么多。

                                又是一个反直觉,就是VC的回报率通常都是很低的。

                                我们跟踪2400支VC基金的回报数据,其中有223支基金实现了3倍以上的DPI,有86支基金实现了5倍DPI,而在这80只基金里,最大的一支基金规模为5亿美元。

                                而且5倍净回报,10年,也就是16%的IRR;3x就是10%。

                                举个例子,一支规模200亿美元的基金,如果要给LP实现5倍的净回报,就必须向LP净返还1000亿美元。假设最终退出时能拿到10%的持股。这意味着需要1万亿美元的总退出规模,大致相当于过去5/6年全部美国IPO市值的总和。这个根本不能做到。

                                张小珺:看来VC行业的回报率比我们想的都要低很多。而且听上去很难上规模,反而是需要小而美。

                                Freda:对,这个总结完全正确。

                                除了共识和非共识,VC和二级另一个区别就是体量。VC基金想做好没法上量,但是二级的容量是无限的。

                                所以很多时候看到一个赛道一个机会,用二级市场去表达会容易很多,而且钱不会被锁定10年。像2023年买Nvidia,那个时候去判断50个大模型公司哪个能成功太难了,但可以重仓Nvidia实现超额收益;算上股权稀释,Nvidia回报是最高的。

                                05

                                看好的AI应用


                                张小珺:我们能不能把硅谷火的赛道,给听众过一下你怎么看?哪个你比较看好?

                                Freda:今年最火的肯定是编程。

                                投资里面我们有一个公开的秘密,就是如果一个领域,一年之内,能创造10个亿的年化收入,这个领域,不管我之前理解不理解,现在都必须投进去,因为这是市场告诉我,这里要产生世界级的公司。这样的领域很难遇到。

                                Coding这块,一年之内创造了50亿的年化收入,这个的重要程度不言而喻。编程的话,你看年化收入,四家超过6亿,前四里面Claude Code和OpenAI Codex占两个,都是在发布之后直线拉升,斜率非常陡峭在抢占市场。我看好这个市场,但这里面的竞争才刚开始。你看刚刚谷歌和Windsurf把编程免费了。那这个对Cursor意味着什么?所以竞争格局很难看清。

                                今年除了编程,还有很多垂直领域非常火,包括金融,法律,企业软件这些。这个也很有意思,因为你上一轮软件的发展其实都是从这个horizontal就是通用就是平行软件层开始做,然后再去做垂类,但现在创业感觉只有垂类能做一做,因为通用这层被大模型吃掉了。

                                在这些垂直领域里面,编程是最适合大模型公司亲自去做的:它其他垂类不一样,不需要去特意采集具体领域的知识;Go to market非常自然不需要雇佣一个团队的销售,所以模型公司做起来是特别顺手和合理的。这个和金融、法律,这些都不一样。

                                张小珺:视频领域我们之前也讨论了很多,这个你怎么看?

                                Freda:我非常看好视频。首先就是大——美国媒体产业是一个8000亿的市场。我判断视频会是AI和人类交流的一个重要载体,它是对大脑来说带宽最高的输入形式。

                                再有就是视频行业逻辑彻底变了:之前TikTok就是匹配——让创作者产出视频,然后再想办法匹配给用户;优化的是匹配函数。但现在视频本身第一次成了可以被直接优化的对象。你可以随便设定目标函数,然后去强力优化。我们现在可以直接拿用户参与度当目标,去直接优化视频;或者把广告点击率作为目标,直接对它进行优化。能做的太多了。

                                我判断这里会出来百亿的大公司。Google、Meta、老马,都要搞这一块。

                                对明年的强判断是:短视频(包括短剧)吃长视频(包括电影电视)的时长。因为AI已经能制作很多短视频了,你的创作速度指数上升,成本指数下降,这里面是要出大的范式变化的。

                                张小珺:我看你写过一个Agentic Commerce的深度研究报告。这块是不是也比较火?

                                Freda:对,这个是OpenAI接下来要做的一个方向,可能这个月就能看到。这个对整个互联网行业会有非常多的影响——广告,电商,电子支付。

                                Agentic Commerce就是Agent替我买东西。比如我描述我想买一个面膜,Agent帮我一通推荐最适合我肤质的,然后直接帮我付钱。想清楚的话,这个对大部分商家都是噩梦——因为商家都希望用户直接来自己网站,这样才能多卖我一些它店里的东西我们叫crosssell。而且流量是很贵的。

                                比如说Booking.com,中国可能是携程,它交易额的一半是谷歌广告帮它引流过来。很多人不知道Booking.com通过谷歌引流的这部分是0利润,完全赚不到钱!因为Google的广告费很贵。长期Agent也一定会收费的。流量越来越靠Agent引流不是任何商家想看到的。你再看亚马逊每年广告收入能有1000亿,广告收入我们也叫眼球收入,都是用户直接来他的网站去买东西,他才会有机会卖广告。这里也会有很大变数。

                                所以对亚马逊来说最差最差的可能性就是:失去广告收入;增加引流的支出;减少销售(因为crosssell的机会变少了)。

                                我想来想去这里唯一受益的就是长尾的商家 ——之前他们花不起广告费拿不到很多流量,现在Agent可以很精准的,翻阅几十页的谷歌搜索,找到最适合我的一款小众面膜,而这些商家通常在Shopify开店。Shopify很有机会成为AI Agent的统一基础设施架构。

                                支付行业也会很多变化。今天很多人用PayPal这种快捷支付按钮。为什么我用它,因为它是我的钱包,存了我信用卡的信息,我不用自己输入。而PayPal因为提供了便捷所以收一个溢价。但到了Agent时代,Agent不怕麻烦,ChatGPT就是我的电子钱包,他有我一切的信息。这里还需不需要PayPal这个中间商是个挺严肃的问题。

                                所以Agenda Commerce不止是一个公司一个应用,真的做起来整个互联网格局都会变,把这个想清楚了就彻底理解互联网和支付的本质了,很费脑子。

                                张小珺:美国之前软件特别的火,你怎么看软件和AI公司的区别呢?

                                Freda:我们开玩笑说,SaaS takes like chicken,软件公司的财务报表就像鸡胸肉一样,味道非常一致,基本可以闭眼睛流水线处理:清一色的毛利率80%;净留存率 120%。

                                到了AI,很多投资人不想碰,因为毛利率都很低。但AI应用公司的毛利率是一个反直觉,越是有人用,你的毛利率反而越低。现在大家还没有统一意见怎么给AI公司估值。我觉得应该看利润的绝对金额$$。因为虽然毛利率低,但AI合同金额通常更大,我看到客服的AI单价,能是可比软件SaaS每seat收入的5倍。

                                这个就像AWS刚出来,50-60%毛利率,很多人也不看好觉得没有软件赚钱,但这个市场比所有软件都要大,增长也更持久。

                                06

                                泡沫讨论


                                张小珺:我们聊了很多明星公司和重点赛道,也聊了硅谷投资圈的揭秘;现在很火热的一个话题,就是市场在不在一个泡沫里。

                                这些AI公司说的收入规模都挺巨大的。你觉得这些钱是从哪里来?它是一个存量的概念,比如说从现在这些已有的大公司,Google、Meta来,还是说有一些别的新的方向?如果是存量的,那这么大一笔的AI巨额投资意义在哪里?

                                Freda:问的非常好。

                                首先有一个概念我叫互联网收入或者电子税,这个一共在美国一共也就是4000亿的总收入。其中一块就是线上广告支出2600亿。然后第二块电子商务佣金收入,就是我们叫 3P E-commerce的这个take rate,是1000亿的这个收入体量。第三块就是订阅收入吧,包括Netflix、Youtube,就是有的没的那些东西加起来一共是500亿。

                                所以你如果是去抢互联网存量的话,其实这个数目没有那么大,就4000亿总收入。所以如果说OpenAI进来,像媒体曝的2000亿营收,如果你拿了那么多的话,那就是Google、Meta、亚马逊这些都要去给它去让这个份额。

                                所以你说的是对的,如果我们花了上万亿去烧出一个小谷歌,去抢存量互联网收入,可能意义就没有那么大。

                                张小珺:广告收入会因为AI而增加么?

                                Freda:很多人会这么问。我不同意。美国广告收入过去20年增长很稳定,就是年化5-6%增长。广告总额没有什么理由增加。美国公司加起来,平均花3%的收入在广告上,AI来了也没有理由去花超过3%,不减少就不错了。美国到今天线上广告渗透率有80%,我也不觉得这里有很大的上修空间。

                                张小珺:如果模型的收入不从你定义的电子收入里面来,能从哪里出呢?

                                Freda:我知道这个听着过于宏大,但大逻辑真的要看劳动力成本。美国GDP 30万亿,美国的劳动力成本是有15万亿这么大。客服就是3000亿这么大。这里面撕出一个口子很容易就几千亿的收入体量。Michael Dell和Jensen Huang的逻辑,如果AI哪怕仅提升10%全球生产率,就能产生11万亿美元GDP增量,为此每年投入3-4万亿美金建设算力也“合理”。

                                我的思路是,最开始,尤其是模型能力还没太上来的时候,最容易吃的就是电子收入这一块,所以OpenAI肯定会去抢,广告的竞争格局肯定会恶化;但是给点时间,模型能力上来,真正Agent或者AI for Science涌现,那我们去创造新的价值,也去吃15万亿劳动力的大市场,这个账就算过来了。

                                张小珺:但是如果你去大幅度的提高了劳动力的水平,导致了公司的裁员,谁来消费?会不会对经济的影响非常差?

                                Freda:我觉得要分情况看吧。最简单的就是举个例子,你今天是100个人,能产出100个商品,如果你用了一通AI,然后你效率更高了,你80个人,你能产出110个商品,而且你这个商品还能更便宜更好,那你整个这个叫real GDP吧,就是能有个10%的增长,你剩下80个人的收入是肯定会大幅提升的,你这个公司的利润也会大幅提升的,所以其实是积极的这么一个消费循环。

                                你被裁掉这20个人会比较惨,这里不知道AI受益的大公司会不会去交一个AI税,或者裁员税,去帮助一下这些受影响的人;你看到Ro Khanna就是加州议员已经在说这件事了,所以不是危言耸听。

                                但我还是比较乐观,如果你真的回看历史上每一轮生产力的提高,每次也都伴随着裁员潮。当然都是可能花一段时间,社会都会去吸收这个变化,重新就业,然后财富再有一个重新的分配。

                                张小珺:很多人关注AI的投入产出比,这里的回报你是怎么算的?

                                Freda:这个本身是不可能完全算清楚的,因为AI是一个既能有收入同时也有一个节省成本的概念。包括我之前提到很多实体经济用AI已经可以量化效率的提升,但你不可能一家一家去算传统行业(银行、地产、物流)的AI收入。可以过一下现在能看的到的比如未来12-18个月比较清晰的AI收入:OpenAI 300亿;Anthropic看到一半150亿;这里很可能有超额收入。

                                有两个接近20亿的收入的垂类:编程;视频生成。

                                有几个5亿量级的垂类:音频;客服;法律;医疗。

                                我统计下来一共有3/40家非上市AI公司ARR超过10亿。

                                上市公司里面谷歌,Meta的纯AI收入能有小几百亿。

                                加起来能看到700亿AI收入。

                                但最重要的就是,能跟踪出来的AI收入,大头只有OpenAI和Anthropic。剩下所有的创业公司加起来就几十亿最多了。

                                张小珺:那所以你觉得市场到底是不是一个Bubble,有没有泡沫?

                                Freda:我觉得去空谈是不是泡沫很主观也很空。两个层面思考:

                                1、今天是不是?肯定不是。本轮AI应用的落地速度快得多:ChatGPT出现不到三年,用户普及度已相当于互联网发展十年的成果,已经产生了几百亿的AI收入。大公司投资AI之后每个季度的ROIC投资回报比都在提升。

                                2、有没有可能不是一个Bubble?我觉得是有可能的。这个就回到我们说的GDP劳动力成本这个维度的问题,理论上是有可能不是一个泡沫的。

                                3、到底这一路上会不会成为一个Bubble?这里面就看两点:第一模型是不是一直在进步——这个还是挺乐观的,包括continous learning,infinite context window,很多可能的范式升级,就算没有范式变化很多研究员认为我们也能在5年左右实现AGI。

                                Gemini3的模型证明Pre-Train还在继续scale并没有撞墙;明年2季度Blackwell train出来的模型非常值得期待。第二点就是AI收入是不是在增加——回到我们上面聊的ROI投入产出比这个问题,也值得把精力都放在这里持续关注。

                                07

                                美股Mega 7 + 2026投资展望


                                张小珺:我们做了很多重要的讨论,能不能给我们做做明年的展望?

                                Freda:市场有一个最明显的变化,出现在过去一两个季度,就是在Reward有实打实的有AI收入公司,Punish只是单纯大额投资AI的公司;这在几个季度之前明显不是这样的,那时候只要你投入,市场就会正反馈。

                                我能看着股价图精准的指出来市场最近每天的涨跌都是因为什么:跌是跌OpenAI 1.4万亿投资金额太大,跌OpenAI用户数和收入的放缓;涨是涨OpenAI融资估值的上涨,涨对AI收入预期的变好。

                                这个是市场告诉我们,明年最重要的是去找AI应用公司。一切也都是天时地利人和,AI投入三年,也到了出收入的时候了。

                                我的一个强判断就是明年会看到AI Infra基建公司跑输AI Application就是AI应用公司。这个是大思路。

                                在这种思路之下,我会去想明年哪些AI应用会是:第一,比较成熟,第二,体量比较大。这里有几个我会重点关注,也是之前提到过的:自动驾驶;多模态;端侧AI;企业端使用AI受益/AI在实体经济的应用;Agentic Commerce;当然还有太空(因为SpaceX上市)。

                                张小珺:能不能说一说美股几个大票的排序。当然,不做成任何投资建议。

                                Freda:在上面说的找AI收入的思路之下,我整体在美股都想找的是AI应用,在Mega 7里面,强应用的有特斯拉(自动驾驶);苹果(端侧AI);Meta和谷歌(这两个都是多模态大户,同时谷歌还有企业端AI和手机端侧AI这些牌)。具体来看:

                                特斯拉:特斯拉比较简单,只有一件事重要,就是能不能把安全员从车里彻底拿出来真正做成Robotaxi;如果再多加一条,就是对xAI(或者包括其他马斯克公司)的投资以什么形式,会造成多大的股权稀释。自动驾驶这边对于什么是“成了”,每个人的判断或者说risk tolerance会有不一样,有的人觉得一两个车子,在奥斯汀小区域能自己跑,就是“成了”;有的人觉得要100辆无安全员的车,在几个城市,跑上三个月不出事才是“成了”;我自己的偏好肯定是是在中间。

                                这种经典的宏大叙事Disruptive Tech颠覆式科技,在“成了”的前18月是投资最舒服的时候,因为投资人都会线性外推,就像2019/2020年的电车,有个1%的渗透率投资人就敢外推到50%(当然结果是到今天美国渗透率也只有不到10%),这个范式会在每一次宏大叙事颠覆式科技投资的时候重复。

                                苹果:苹果明年有所谓“双击”的可能性:3/4月份新的Siri出来,加上9月份折叠手机出来,软硬件两边都有牌打,是有可能出现今年谷歌这种反转的,就是大家可能突然开始说“其实苹果才是最稳、占位最好的”。

                                这个股票也很神,目前完全没有AI股价都表现的很好。苹果文化挺不一样的,其他公司都是先把产品发出来,不断试错不断修改,而苹果是要等产品要绝对完美再发出来,非常用户导向产品导向。虽然听到的都是苹果AI不行的坏消息,但我自己很期待明年看看它Siri AI这张牌。明年应该也很快能看到Tim Cook卸任,最近经常在Palo Alto吃饭买咖啡都能撞见他,感觉很松弛。

                                谷歌:当之无愧的共识龙头,模型SOTA,占位最好,这个很多人都讲了。但我就是想不明白广告收入的竞争格局,像之前讲的,广告收入在美国是一个存量逻辑,今天是垄断,那么新玩家进来、上量,这个钱只能从谷歌(或者Meta)的口袋里面出。

                                OpenAI是一定要做广告的;另一个玩家是被大家遗忘十分能打的TikTok,TikTok在美国和Instagram 一样的用户数,时长比Instagram高,但收入只有Instagram的三分之一。我脑子里预演了各种可能性,但还是觉得明后年广告竞争会加剧。当然这也是好事,就是倒逼模型公司包括谷歌去寻找新的业务变现方式。如果有读者对广告收入这个点有不同的看法,非常欢迎找我沟通。

                                Meta:Meta的Setup也挺清晰的,市场就是要看小扎重金烧出了什么,再根据这个结果去推测小扎之后还要投入多少,以及能收回多少AI收入。所以就看明年它新模型Avacado的表现能不能SOTA。但整体感觉明年很难,因为现金流肯定是跌的。

                                有一个我总结的规律,Meta股票上市15年,每一年股价都是涨的,只有两年是跌的,那两年现金流是负增长。所以明年这个票不容易。我自己很想看Meta多模态这张牌,因为有unique data,多模态明年是大年。

                                视频多模态这块我对明年的强判断是:短视频(包括短剧)吃长视频(包括电影电视)的时长。因为AI已经能制作很多短视频了,你的创作速度指数上升,成本指数下降,这里面是要出大的范式变化的。

                                三朵云(微软 亚马逊 谷歌):

                                三朵云明年增速都会很好,谷歌GCP季度都能看到50%以上增速。但我不喜欢云的竞争格局变化:今天一共三朵云,能做到35-40%的利润率。但现在竞争格局变了,Oracle作为一个新入场的玩家,拿项目时候只要求10%的利润率,很多neoclouds像coreweave层出不穷,还有模型公司几家都会下场顺手做云的业务(上面讲的OpenAI的云业务线)。

                                所以一个市场一下子从3朵云到10朵云,虽然市场大了,但竞争格局恶化对利润肯定会有影响,你从40%利润率跌到20%,20%也是不错的利润率了,你的收入需要多一倍才能勉强做到利润持平,存量玩家太难了。

                                云现在业务有两个基本问题:1、GPU租赁本质上同质化 - 长期各家都必须做自己的自研芯片;2、客户集中度过高 - Azure增量70%都是Openai。微软CEO Satya直接承认,他的利润不来自于出租GPU,而是来自于附加项目,包括数据库、存储、安全,这些。

                                微软:微软的话我还会担心企业这边的竞争格局。谷歌全家桶发力,OpenAI企业端发力,那么微软的企业收入怎么办?我已经一年没打开过Office Word了。这里我同意Sam Altman的观点,就是未来的交互不应该是我打开Excel然后Excel有AI的功能给我用,而是我不需要打开Excel,可以直接和Agent就数字问题进行直接交互,入口会变的。

                                英伟达和芯片股:一个最最重要的,就是上半年重点关注英伟达Blackwell训练出来的模型效果,这个能决定AI叙事的方向。另外明年关注很多自研芯片能不能deliver。

                                谷歌TPU也要卖给外面的用户了也是一个竞争格局的变化。一个缺电的世界让GPU和自研芯片的价格差可能没那么重要,关注点都是Flops per watt上面,就是单位能源的产能效率。

                                张小珺:除了这几个大票,明年整体投资机会怎么看?

                                Freda:大方向,经济会分化的很明显。会是典型的对冲基金市场,有做多做空两边的机会。简单来说就是:做多AI受益,做空AI受损(包括外包服务、内容制作等行业)。

                                我觉得超额收益会来自于AI应用公司,而AI应用很多其实在传统领域:有一件事很重要,就是三季度财报是第一次多家S&P 500公司给出具体的AI提效数据,并明确体现在财务表现上。这个是非常快的,之前上云那波,S&P 500的大公司大概花了五年时间,才开始广泛迁移到云端。

                                另外你从市场历史看,大约每四年就会出现一次非科技板块跑赢科技板块的阶段,而明年刚好就到了第四年了。非科技通常在通胀(或再通胀)出现、估值均值回归,或市场进入风险偏好下降(risk-off)阶段表现更好。

                                这里面举几个例子:

                                比如大家都熟悉的沃尔玛:用了一年AI做供应链的需求预测,缺货率降低30%;每年卡车行驶里程都减少了3,000万英里,可以直接看到利润的改善。

                                金融行业也很明显:比如银行,类似Nubank一家拉美的银行,AI能大幅提升贷款额度和审批率,处理时间缩短80%;同时违约率还能降低一半。已经有大银行用了AI直接提升了净利润15%。再有就是贷款公司叫Rocket,做房贷的,用了AI之后审批时间可以节约80%,实打实的受益。

                                物流公司:CH Robinson全球最大的物流公司,今天一半的预定现在都是AI负责;过去两年生产率提升约35%。

                                所以去挖掘这些本身传统行业龙头,然后AI能直接受益的标的我觉得很有意思,也很顺应市场的风格。

                                张小珺:所以市场的热点会转到AI收入这里?

                                Freda:对。

                                还有太空股。如果明年散户热钱从今年的能源和量子计算转到太空股,我觉得挺正常的。

                                机器人明年也会很多讨论,一个是白宫会有政策支持,一个是World Model世界模型开始训练了,这里会有很多变化。

                                再有就是明年也是Event大年,历史上最长最多球队参与的世界杯会在美国举办,期待看我们Prediction Markets预测市场的表现。

                                张小珺:今天市场最需要关注的是什么?有没有普通人也能关注的很好的抓手?

                                Freda:有一个概念,今天的美股市场就是AI市场。今年上半年美国GDP增量中有90%都来自于AI投资。所以整个大盘都是AI撑着的。

                                今天市场的风向标其实不再是英伟达,因为市场最关注的AI的收入而不是担心AI的投入。今天能追踪到的,规模最大最可量化的就是OpenAI的收入,量级上其次是Anthropic的收入。所以整个市场的锚定都在这一两个公司上面。这里面可以关注的包括用户的增速、收入的增长,以及政府会不会以某种形式参与他的基建项目,是最关键的。

                                张小珺:那明年美国的宏观需不需要担心呢?

                                Freda:消费目前整体健康;财政赤字下来很多;明年一季度还有刺激经济的举措:退税、小费免税;总体来看,美国底层民众明年的状况可能会比今年更好,消费能力也会好一些。

                                最大的风险在失业率,和可能的再通胀。如果通胀没有大问题,联储新的主席肯定会降息,所以高息类型公司表现会还不错。

                                但这里最重要的,就是明年美国的中期选举,这届政府的KPI非常重视股市的表现,其实知道这个就足够了。

                                张小珺:前面聊了非常多干货。我想问一个好奇的问题。我看你Substack和Twitter有很多深度研究,也有很多人关注。大部分人其实不太分享,想问一下你是出于什么目的去做,我猜也很辛苦的事情?

                                Freda:首先是我本来也要做这些研究。我可能比较有执念,想不清楚一件事情就会一直想。我自己是希望在我研究的领域,能理解得比较透彻吧。

                                再有就是我非常厌恶信息孤岛,纯靠信息差赚钱我觉得没有格局也做不大;超额的收益靠的应该是格局和判断。我觉得今天这个世界在信息层面没有、也不应该有什么秘密,当然你拿到这个信息,能理解到什么程度是个人的造化。其实我的很多内容,太干了,我觉得可能就一两个人真的看完看懂了,但这样我觉得也很好。

                                算是对社会的一种回馈吧。

                                *免责声明:

                                所有内容仅代表嘉宾观点,不做任何投资建议。

                                收听播客


                                推荐阅读


                                阅读原文

                                跳转微信打开

                                •  

                                ASR+LLM+RAG视频内容识别全方案

                                原创 顾守业、王志远 2025-12-24 18:10 广东

                                ASR+LLM+RAG视频广告品类识别全方案:从架构到落地实操

                                1 引言:技术背景与核心挑战

                                在视频内容爆发式增长的当下,品牌广告植入场景日益复杂,如何快速精准判断推广品类,成为转转内容运营、竞品分析的核心需求。当前传统方案主要依赖关键词匹配与规则引擎,面临三大技术痛点:

                                ASR 转写准确性不高,输入数据质量低下

                                产品表述异构性

                                模型泛化与迭代能力弱

                                本文提出基于 “ASR+LLM+向量知识库” 的技术方案,通过分层处理、语义修复、历史常见词匹配、知识检索融合,解决上述痛点,实现推广品类的精准识别与自迭代优化。

                                2 技术架构设计

                                [视频语音输入] → [ASR转写层] → [文本预处理层] → [精准匹配层] → [模糊检索层] → [识别结果输出]
                                                                                ↑                            ↓
                                                                         [映射case反馈]     ←          [人工审核反馈]

                                2.1 各模块核心功能与技术选型

                                2.1.1 ASR 转写层

                                语音输入 → [降噪预处理(远场降噪 + 双声道分离)] → [语音转写]  → 原始文本输出

                                ● 功能:将视频语音流转换为原始文本

                                ● 技术选型:采用 ASR 引擎,配置 “远场降噪”“口语化清洗” 参数

                                2.1.2 文本预处理层

                                ASR 原始文本 → [语义纠错(错字 / 口音修正)] → [语序规整(如 “苹果手机”→“手机苹果”)] → [字段校验(过滤无核心信息文本)] → 预处理结构化文本
                                • 功能:基于LLM对ASR文本的语义修复,修正上下文文逻辑错误(如“手机苹果 IPHONE15”→“手机苹果 iPhone 15”)

                                2.1.3 精准匹配层

                                ● 功能:实现标准化文本与已知产品信息的精准映射,分为两级匹配:

                                ○一级匹配:基于 MySQL 存储的标准产品库(字段包括 “产品 ID、标准型号、品类、品牌”),采用 “全量字符串匹配 + 前缀匹配” 策略,命中则直接输出品类结果;

                                预处理文本 → [全量字符串匹配(标准型号完全命中)] → 命中则输出品类

                                ○ 二级匹配:基于 人工历史确认 库(存储 “错误表述 - 标准型号” 映射关系)进行匹配,ASR文本修复后仍有错别字问题(如“手机华硕11U”→“手机华硕 ZenFone 11 Ultra”)

                                预处理文本 → [错误表述映射(如 “米 14U”→“小米 14 Ultra”)] → 命中则输出品类

                                2.1.4 模糊检索层

                                预处理模糊文本→ [文本向量化]  → [余弦相似度检索(Top-10 结果)]  → [LLM 判断映射匹配(匹配型号 + 品类)] → 识别结果输出

                                ● 功能:解决未命中精准匹配的模糊表述识别,核心技术为知识库搭建:

                                ○ 知识库构建:采用向量数据库存储产品信息,将 “标准型号” 转换为向量嵌入;

                                ○ 检索逻辑:将预处理后的模糊表述(如 “某品牌 14 寸笔记本”“米 14U”)转换为向量后,采用 “余弦相似度排序 + Top-3 结果筛选”,结合 LLM 生成标准化匹配结果;

                                2.1.5 常见映射case 闭环模块

                                识别结果 → [人工审核(错误案例标记)] → [错误纠正] → [自动入库(常见case映射)] → [同步至预处理层(修复词典更新)] → 效果监控(错误复发率统计)

                                ● 功能:实现错误案例的回收与复用,流程包括: 

                                ○ 人工审核:通过轻量化平台完成 “错误表述 - 标准型号” 标注,支持批量审核与规则配置 

                                ○ 自动入库:审核通过的案例自动同步至【常见case映射库】

                                3 关键技术难点与解决方案

                                3.1 单 LLM 节点拆分:降低负载与提升准确率

                                问题:传统方案采用单 LLM 节点处理 “语义修复 + 产品提取 + 识别”,导致上下文过长模型注意力机制分配失衡、准确率下降

                                解决方案:节点拆分,将原单节点拆分为 3 个独立模块,各模块专注单一任务:

                                ● 文本修复模块:仅处理 ASR 文本的错漏修正

                                ● 产品提取模块:基于LLM从修复后文本中提取疑似产品关键词 

                                ● 结果生成模块:结合精准匹配与检索结果,生成标准化品类识别结果

                                3.2 知识库检索优化:提升模糊表述召回率

                                问题:模糊表述(如 “米 14U”“某品牌扫地机器人”)因信息不全,传统关键词检索召回率低下 解决方案:知识库增强+检索策略优化

                                知识库增强:在标准产品信息基础上,补充“常见错误表述”“产品简称”“品牌别名” 等维度,如 “小米 14 Ultra” 补充 “米 14U”“小米 14 超” 等表述;

                                检索策略优化:采用 “向量检索 + 关键词过滤” 混合策略,先通过向量检索获取 Top-10 相似结果,再基于关键词(如品牌、型号数字)筛选,示例:

                                ● 模糊表述:“米 14U”

                                ● 向量检索 Top-3:“小米 14 Ultra”“小米 13 Ultra”“红米 14 Pro” 

                                ● 关键词过滤:基于 “米”(品牌别名)、“14”(型号数字)、“U”(Ultra 简称),最终匹配 “小米 14 Ultra”; 3.3 LLM 参数优化:精准调参提升识别稳定性

                                3.3 LLM 参数优化:精准调参提升识别稳定性

                                解释:LLM 的温度、重复惩罚等参数直接影响文本修复、产品提取、知识库检索结果生成的准确性,不同任务阶段需针对性调整,避免 “过度创作”“重复冗余” 等问题。以下为适配本场景的参数配置表:

                                应用场景

                                核心目标

                                温度

                                Top-K

                                Top-P

                                长度惩罚

                                ASR 文本修复

                                精准修正错漏,保留品类 / 品牌/ 型号等关键信息

                                0.2

                                20

                                0.7

                                1.1

                                产品关键词提取

                                无遗漏、无冗余提取核心产品信息

                                0.1

                                10

                                0.6

                                1.1

                                参数配置原理:

                                1. 温度(temperature):决定输出的 “脑洞大小”,值越高越放飞发散(易出新奇 / 混乱内容),值越低越严谨保守(输出越固定),这里主要是防止文本提取时输出过多冗余内容,如:"小米 14 Ultra" 输出为 "文本中提到的机型是 小米 14 Ultra ..."

                                2. Top-K:限制模型选词的 “候选池大小”,只从概率最高的 K 个词里挑,K 越小选择越集中(输出越确定);

                                3. Top-P(核采样):按概率 “打包选词”,只从累积概率达 P 的最小词集里选,比 Top-K 更灵活,避免遗漏低概率但合适的词;

                                4. 长度惩罚(length_penalty):调节输出的 “啰嗦程度”,值越大越简洁(甚至简短),值越小越详尽(可能冗余)

                                4 效果反馈

                                从准确度的维度来看,关键词匹配>历史常见case映射匹配>知识库匹配,随着常见映射case库的不断沉淀,在精准匹配 -> 二级匹配层会兜住更多数据,也意味着准确率也会随着数据的沉淀逐渐上升。

                                5 总结

                                本文提出的 “ASR+LLM+知识库” 方案,通过分层处理解决了视频广告推广品类识别的核心痛点,实现了 “精准识别 + 自迭代优化”,这套方案理论可应用到各类AI识别类场景,本质思考点是如何保证输入数据质量 -> LLM基础参数调优 -> 常见映射case沉淀反馈。

                                关于作者:

                                顾守业:转转新媒体业务Java开发工程师,主要负责新媒业务后端开发、Ai应用开发

                                王志远:转转大数据开发工程师,主要负责大数据相关基础平台建设

                                跳转微信打开

                                •  

                                AI硬件的几个战略问题

                                原创 李志飞 2025-12-13 02:54 美国

                                移动互联网时代,Google和Apple控制了个人移动设备入口,其它互联网巨头就算富可敌国也很焦虑,最典型的是Meta,小扎脑补靠VR元宇宙设备能掀桌子,所以不惜每年砸百亿美金做自己设备,只可惜事与愿违,宏大的自上而下的战略叙事与终端用户自下而上的用脚投票形成了鲜明的对比。当然,这并不妨碍巨头们的前赴后继(Amazon Echo曾经也是另一个设备入口的寄托。)
                                现在AI越来越成为重要的人机交互方式,无论是巨头还是创业公司,都蠢蠢欲动,希望在这一场变革中抓到AI时代下一代交互设备的门票,眼见各种形态的AI设备(AI手机、AI PC、眼镜、耳机、吊坠、手表等等)将会雨后春笋般涌现,像极了2013年移动互联网开启后的各种智能硬件。
                                肉身在AI变革中心硅谷,忍不住蛋疼的思考起几个战略问题:
                                1. AI时代,互联网巨头是否应把个人硬件设备作为战略场景? 如果不作为,是否这次真的会被狼吃掉? 一向重软轻硬的硅谷这次会改变固有惯性而在硬件设备上大力投入吗? 就算投入,硅谷能补上做好硬件设备的功课吗?我没有答案,但听说硅谷的很多巨头从Apple狂挖硬件人才,很期待看到AI这个变量带来的新变化。
                                2. 怎么定义AI时代个人移动设备的产品路径和节奏? 是从手机开始改?中国卷王字节选择了试水,但手机的已有玩家和用户心智已经根深蒂固,就算是互联网巨头要扭曲现实重力也是很难。还是抛弃旧时代直接上眼镜?目前看起来已经是“共识”,但眼镜最大的问题是要让用户带上眼镜,还要让用户带上了不愿意摘下来。这目前看起来挺难,技术限制的大山岿然不动。那是否在改良(手机)和革命(眼镜)之间还有别的路径和节奏?既能让用户慢慢接受,又能最终演化成可以跟手机掰手腕的新的AI硬件。我也不知道答案,但是会参与很多尝试。
                                3. 过去,相对于互联网软件,硬件一直是很苦逼的生意。互联网做好了躺着就能赚钱、硬件就算做好了也是把把都Allin、年年都Allin,一代产品没做好可能就嗝屁了。 毛利也极低,天天跪在工厂也不一定能赚几块钱。AI时代会有变化吗?英伟达是一个很好的例子,通过强大的软件以及硬件自己的长周期构成了壁垒,自己可以定义节奏。那个人AI设备是否有这种可能呢? 估计大家都能想到的是未来得卷AI的极致全能用户体验,这能够把大家从过去卷参数、卷装修、卷噱头泥坑里拉出来,商业模式也就变了。
                                4. 如果硅谷互联网公司都把AI硬件作为战略,是否又会像模型之争一样死命烧钱(比如说硬件免费、不求短期回报、只求熬死对手或者自己还在牌桌上)?巨头之外的中小型公司又能如何入场呢? 这个对巨头之外的玩家都是灵魂拷问,也许真要有那种商业之外的更高层面的精神考量,才会有飞蛾扑火、纵身一跃的勇气而毅然投入且战略坚持。
                                总之,AI这个巨大变量又扰动了很多人平静的心境。但是,跟任何科技领域的战略问题一样,用户需求、产品定位、竞争形式、战略目标、产品迭代节奏和路径,刚开始总是一头雾水,处处充满着不确定。这种高度不确定和不可逻辑推演,估计让很多从业者早上兴奋、晚上焦虑。不过,这难道不是科技从业者最好的时代、让人有一种活着的感觉?
                                AI革命尚未成功,人类同志还需努力,哈哈哈哈。

                                跳转微信打开

                                •  

                                ITCP联盟第五届技术大会【AI应用专场】报名火热开启!

                                人才发展中心 2025-12-08 14:28 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。

                                AI基建专场 收官!11月29日,去哪儿旅行、转转、核桃编程的四位技术专家为大家带来了各自领域内AI基建实

                                AI基建专场

                                  收官!

                                11月29日,去哪儿旅行、转转、核桃编程的四位技术专家为大家带来了各自领域内AI基建实践的干货经验分享,现场听众就主题进行热烈提问,内容的开放性、实用性、可借鉴性受到大量好评。

                                大会联合dbaplus、麦思博进行了同步推流直播,累计吸引到2000+同学观看。

                                AI应用专场介绍

                                      紧随【AI基建专场】的精彩分享,12月13日,去哪儿旅行携手转转、自如,重磅推出【AI应用专场】。本专场将聚焦AI技术与业务场景的深度融合,共同分享 AI 落地过程中的关键技术突破、场景创新实践与避坑经验 —— 从需求拆解到方案设计,从技术选型到效果验证,全方位拆解 AI 如何赋能业务提效、优化用户体验。

                                我们将共同挖掘能够切实提升企业核心效益的 AI 应用路径,探讨技术与业务同频共振的底层逻辑,为更多企业提供可复用、可落地的 AI 实践范本,助力行业伙伴在智能化转型浪潮中精准破局、加速前行!

                                【时间】12月13日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

                                12月3日-12月12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

                                应阔浩

                                自如技术副总经理

                                负责自如整个技术团队,包括技术中台、数据中台、AI 架构搭建等。曾任阿里、京东架构师,华为云联创营 MVP 得主,《云原生落地》、《工程师文化 10 法则》作者、 CCF-TF 工程师文化 SIG 主席。

                                自如企业级AI架构落地的思考与实践

                                在 AI 浪潮加速渗透各行各业的背景下,如何在真实业务实战中高效落地 AI 成为企业共同面临的关键课题。本次分享将以自如的实践为核心,从场景选择出发,深入剖析自如在 AI 找房助手、AI 定价后训练等业务中的落地路径与实战经验,并介绍技术提效方向的创新探索。

                                同时,分享将进一步探讨支撑多AI应用的通用能力建设,包括MCP市场、Agent管理平台与知识库管理平台,为企业构建可复用、可扩展的AI基础设施提供参考。

                                分享大纲:

                                1、意图识别的问题与挑战

                                2、视觉垂直模型的微调

                                3、知识库RAG的建设

                                孟繁茂

                                去哪儿机票辅营搜索负责人

                                负责去哪儿辅营搜索和商品策略相关业务,长期深耕去哪儿机票 AI 业务实践,在TOC场景中,通过推进 AI 客服、导购、搜索等项目,实现了业务指标的显著提升,同时主导探索了多种Agent架构和模式。

                                去哪儿机票AI导购和搜索

                                本主题深入复盘了去哪儿网在机票 AI 导购与搜索场景中的整体落地实践。面对用户意图复杂、多Agent协作导致上下文窗口溢出以及技术难以转化为业务增量等痛点,我们将分享一套经过实战验证的系统化解决方案。

                                本次分享将涵盖以下亮点:

                                ①架构创新: 详解“专家+专员”的二层路由与协调合成模式(SubAgent+ReAct),实现灵活的意图处理。

                                ②工程突破: 探讨如何通过上下文工程与L3逻辑记忆规划,解决有限Token下的信息丢失问题。

                                ③业务闭环: 分享如何通过分场景圈人与显性化交互,在6+个核心场景实现AB测试正向收益。以及如何结合 AI 实现开发、运营闭环双双提效的。

                                分享大纲:

                                1、场景洞察:机票业务场景痛点与AI能力的匹配

                                2、解决方案:基于多Agent协作的架构演进 

                                3、工程难点:L3记忆规划与上下文工程

                                4、业务落地:价值闭环与实战成效

                                刘丹

                                去哪儿酒店研发供应链

                                QA负责人

                                长期专注于全链路质量保障体系构建与优化,致力于通过自动化、智能化手段推动研测效率提升与风险防控。曾作为特邀讲师出席QCon、携程集团技术分享会、QTEST等多场行业会议。

                                去哪儿 AI 变更巡检

                                在数字化转型与业务快速迭代背景下,线上系统频繁变更,传统人工巡检面临效率低、风险高、经验难复用等痛点。为此,我们研发了“AI 变更巡检”,通过 AI 驱动运维自动化,构建从变更接入、智能分析到报告推送的端到端闭环,实现了巡检流程标准化,有效提升效率、降低风险。

                                本次分享将基于真实业务场景,系统呈现这一解决方案的架构设计与实施路径,深入解析关键技术细节。听众将直观理解变更运维中“人工巡检效率低、覆盖不全、风险高”的核心痛点,并看到如何借助自动化与智能化手段,使巡检效率提升 90% 以上,为变更运维带来更高的可靠性与可控性。

                                分享大纲:

                                1、背景洞察:线上变更人工巡检痛点

                                2、破局之道:AI 驱动的变更巡检平台设计

                                3、实战细节:技术难点与创新实践

                                4、成果与展望

                                黄家兴

                                转转前端架构负责人

                                负责转转公司的前端架构与中台业务前端,拥有丰富的前端架构体系建设经验,对于前端性能优化有着丰富的经验。近年主要专注于 AI+前端,通过 AI 提升前端开发效能。

                                AI-D2C:设计稿转代码在转转的实践

                                设计稿生成代码(D2C)一直是前端工程师关注的方向,传统 D2C 长期受限于代码质量低、与项目难以结合等问题,导致生成代码的可用率始终难以突破。本次分享将聚焦这一核心痛点,介绍如何利用 AI 对项目代码、设计图的理解以及多模态能力,实现设计稿还原方案的全面升级,使代码可用率提升至 80% 以上,显著提高前端开发效率。

                                围绕真实场景与落地经验,本次分享将带来从原理到实践的完整路径。听众不仅能够了解传统 D2C 的局限与的 AI 在其中的关键价值,还将掌握提升 D2C 代码可用率的方法技巧,获得适用于实际工程的可落地方案,为构建更高效的前端研发体系提供有益参考。

                                分享大纲:

                                1、传统 D2C 的问题与困境

                                2、转转 D2C 落地的方案

                                3、落地中遇到的问题与关键技术点

                                4、落地效果的总结与长期迭代

                                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

                                •  

                                回收系统架构演进实战:与Cursor结对扫清系统混沌

                                原创 于天奇 2025-11-28 18:21 北京

                                "最好的代码不是一次写对的,而是不断重构出来的。" —— Martin Fowler

                                前言:技术债务带来的效能瓶颈

                                我所在的团队负责一个多渠道回收业务系统,接入了十几个外部渠道。每个渠道都有自己独特的协议规范、业务流程和特殊要求。随着业务发展,系统逐渐的遇到了一系列问题:

                                • 代码膨胀:单个策略类代码超过800行,包含大量if-else判断,可读性极差

                                • 重复代码:不同渠道间有70%的代码逻辑相似,有很多都是逻辑类似,但参数名称、结构不一致,难以复用

                                • 难以测试:业务逻辑与协议处理耦合,单元测试覆盖率不到30%,主要依赖人工测试

                                • 维护困难:改一个渠道的逻辑,需要理解整个类的800行代码,调研成本极高

                                技术债务不仅影响代码质量,更直接冲击了团队的研发效能。我们在日常开发中遭遇了三个核心瓶颈:

                                ① 新人上手困难,培养周期长

                                新同学加入团队后,需要2-3个月才能理解现有代码逻辑:

                                1. 单个策略类800+行,找一个业务逻辑点要翻半天

                                2. 协议处理、业务逻辑、数据操作混在一起,理不清头绪

                                3. 没有清晰的架构文档,只能靠"师傅带徒弟"口口相传

                                ② 需求承接效率低,开发成本高

                                每次接入新渠道,都是一次"复制粘贴+魔改"的过程:

                                1. 复制一个相似渠道的策略类

                                2. 对照需求文档,逐个方法修改参数、逻辑

                                3. 开发写入个性化逻辑

                                ③ 测试回归成本高,质量保障困难

                                代码耦合导致"牵一发而动全身":

                                1. 修改一个渠道的逻辑,可能影响其他渠道,测试范围难以评估

                                2. 单元测试覆盖率低(30%),主要靠人工回归测试

                                3. 每次发版前,测试同学要回归受影响渠道的核心流程

                                此时我的脑子里出现了一个想法:为了早点下班~ 必须重构了!

                                一、 重构方案设计

                                针对上述的三大痛点,我们很快制定了初步的重构规划:

                                痛点

                                重构目标

                                预期效果

                                新人上手慢

                                架构清晰化、职责单一化

                                培养周期从3周降到1周,调研成本降低70%

                                需求效率低

                                通用逻辑可复用、新增渠道可配置化

                                新渠道接入成本降低70%

                                测试成本高

                                解耦分层、单元测试覆盖率≥80%

                                回归测试时间减半,Code Review时间降低80%

                                三大技术策略:

                                1. 分层解耦:将协议层、业务层、数据层清晰分离,让新人快速定位代码

                                2. 责任链模式:每个Handler职责单一,可独立开发、测试、复用

                                3. 适配器模式:新渠道只需实现Adapter,组装Handler即可

                                目标有了,问题也来了:这是一个对接10余个活跃渠道的业务系统,系统复杂,且每日有数百万请求打进系统,如何在不影响线上业务的前提下进行重构?

                                渐进式落地,而非一步到位

                                出于对生产环境的敬畏之心,我们不敢"一刀切"地推倒重来。经过评估,我们选择了渐进式重构策略: 整体改进是一个持续的过程,目标清晰但落地需要时间。我们会逐步验证架构可行性,再慢慢进行迁移,确保每一步都是稳定可控的。

                                阶段规划:

                                阶段

                                时间

                                目标

                                第一阶段

                                1-2周

                                架构验证:完成1个渠道的规范化改造

                                第二阶段

                                1-2个月

                                核心迁移:完成50%渠道的迁移

                                第三阶段

                                3-6个月

                                全量迁移:剩余渠道全部迁移

                                第四阶段

                                持续优化

                                补充协议Handler、完善监控

                                关键原则

                                1. 新老并行:新架构与旧代码并存,通过配置开关灰度切换

                                2. 小步验证:每完成一个渠道,立即上线验证,确保稳定后再推进下一个

                                3. 数据对比:新老架构同时执行,对比结果一致性,发现问题及时回滚

                                二、 基于PDCA思想驱动的人机协作模式

                                PDCA(Plan-Do-Check-Act)是戴明环的核心思想,特别适合用于:

                                • 复杂系统的渐进式改进:将大目标拆解为小任务

                                • 风险可控的迭代验证:每个小步骤都可验证

                                • 知识沉淀与持续优化:从单次需求到全局改进

                                在与AI协作时,PDCA的价值更加明显:

                                PDCA阶段

                                人的职责

                                AI的职责

                                协作模式

                                Plan

                                架构设计、任务拆解、确定路径

                                提供设计建议、分析技术方案

                                人主导

                                ,AI辅助

                                Do

                                编写核心逻辑、Review代码

                                生成模板代码、实现细节

                                结对编程
                                Check

                                验证业务逻辑、集成测试

                                生成单元测试、代码检查

                                人验证

                                ,AI执行

                                Act

                                总结经验、沉淀规则

                                整理文档、提取模式

                                共同迭代

                                三、 实战案例:渠道统一Handler架构重构

                                3.1 Plan阶段:架构设计与任务拆解

                                3.1.1 原有架构的痛点分析

                                重构前,我们的代码结构是这样的:

                                @Service("kaChannelBusinessStrategy")
                                publicclassKaChannelBusinessStrategyextendsBaseChannelBusinessStrategy{
                                public EnquiryPriceResult getEnquiryPrice(...){
                                // 1. 参数校验(50行)
                                // 2. 解密验签(30行)
                                // 3. 获取渠道配置(40行)
                                // 4. 调用报价服务(60行)
                                // 5. 计算佣金(50行)
                                // 6. 组装响应(30行)
                                // 7. 加密签名(20行)
                                // ... 总计500+行
                                    }
                                public CreateOrderResult createRecycleOrder(...){
                                // 同样的模式,又是几百行...
                                    }
                                }

                                问题总结:

                                1. 职责不清:一个类既处理协议,又处理业务,还管数据

                                2. 代码重复:AChannelBusinessStrategy、BChannelBusinessStrategy里有大量相似代码

                                3. 难以扩展:新增一个渠道,需要复制粘贴800行代码

                                4. 测试困难:依赖过多,mock成本高

                                3.1.2 新架构设计思路

                                本次我们的设计,是一个基于责任链模式的新架构:

                                核心设计点:

                                1. 分层解耦

                                  • Facade层:统一入口,参数校验、异常处理

                                  • Adapter层:渠道适配,协议转换

                                  • Handler层:责任链模式,每个Handler职责单一

                                2. 可复用的Handler

                                  DuplicationCheckHandler     → 幂等性检查(通用)
                                  ChannelConfigHandler        → 渠道配置获取(通用)
                                  ReportMappingHandler        → 报告映射(通用)
                                  OrderParamAssemblyHandler   → 参数组装(可定制)
                                  OrderCreationHandler        → 订单创建(通用)
                                3. 灵活的编排机制

                                  // A渠道:标准流程
                                  chain.addHandler(duplicationCheck)
                                       .addHandler(channelConfig)
                                       .addHandler(reportMapping)
                                       .addHandler(orderParamAssembly)
                                       .addHandler(orderCreation);
                                  // KA渠道:额外增加权限校验
                                  chain.addHandler(duplicationCheck)
                                       .addHandler(kaAuthCheck)  // KA特有
                                       .addHandler(channelConfig)
                                       .addHandler(reportMapping)
                                       .addHandler(orderParamAssembly)
                                       .addHandler(orderCreation);

                                3.1.3 任务拆解

                                有了架构设计后,我将重构任务拆解为8个小任务:

                                任务ID

                                任务描述

                                依赖关系

                                T1

                                定义责任链上下文数据结构

                                -

                                T2

                                定义IChannelAdapter接口

                                T1

                                T3

                                定义BusinessHandler接口

                                T1

                                T4

                                实现5个通用Handler

                                T3

                                T5

                                实现统一对外接口

                                T2

                                T6

                                实现ChannelAdapter

                                T2, T4

                                T7

                                编写单元测试

                                T4-T6

                                T8

                                集成测试与灰度发布

                                T7

                                关键点:每个任务都是独立可验证的,这也为后续与Cursor协作奠定了基础。

                                3.2 Do阶段:与Cursor协同编码

                                3.2.1 建立清晰的上下文

                                在开始编码前,我做了三件事:

                                1、 用自然语言写了一个详细的架构说明文档

                                AI更擅长理解结构化信息,为了提升Cursor的代码生成质量,我首先为Cursor量身定制了一份"产品需求文档"(PRD)。有了这份文档,Cursor代码生成的有效率大大提升,大部分时间,我只需要微调业务细节,就可以直接使用它生成的代码。

                                包含:

                                • 架构全景图

                                • 核心设计模式(责任链、适配器、模板方法、策略)

                                • 数据流转过程(Context如何在Handler间传递)

                                • 扩展点说明(如何新增渠道、Handler、Action)

                                2、 定义好接口和数据结构

                                /**
                                 * 渠道上下文
                                 */
                                @Data
                                @Builder
                                publicclassChannelContext{
                                private String requestId;        // 请求ID
                                private String channelCode;      // 渠道编码
                                private String action;           // 业务动作
                                private Object bizData;          // 业务数据
                                private Map<String, Object> handlerResults;  // Handler结果
                                // ...
                                }

                                3、 编写第一个Handler作为示例

                                我手写了一个DuplicationCheckHandler,作为Cursor的参考模板:

                                @Component
                                publicclassDuplicationCheckBusinessHandler
                                extendsAbstractTypedBusinessHandler<CreateOrderBizData, Boolean> 
                                {
                                @Override
                                protected Boolean handleTyped(CreateOrderBizData input, ChannelContext context){
                                // 1. 根据outOrderNo查询订单
                                        RecycleOrderVO existOrder = orderService.queryByOutOrderNo(input.getOutOrderNo());
                                // 2. 如果订单已存在,返回true(跳过后续Handler)
                                if (existOrder != null) {
                                            log.info("订单已存在,跳过创建流程, outOrderNo={}", input.getOutOrderNo());
                                            context.putHandlerResult("ORDER_EXISTS", existOrder);
                                returntrue;
                                        }
                                returnfalse;
                                    }
                                @Override
                                publicintgetOrder(){
                                return100;  // 最先执行
                                    }
                                }

                                完成了上述步骤后,我开始与Cursor结对编程。

                                参考DuplicationCheckBusinessHandler,帮我实现ChannelConfigBusinessHandler,用于获取渠道配置。需要满足:

                                1. 从ExternalChannelConfigService获取配置

                                2. 从PricedSourceService获取报价源配置

                                3. 将结果保存到context的handlerResults中

                                4. order设置为200

                                Cursor生成的代码:

                                @Component
                                publicclassChannelConfigBusinessHandler
                                extendsAbstractTypedBusinessHandler<CreateOrderBizData, ExternalChannelConfig> 
                                {
                                @Resource
                                private ExternalChannelConfigService configService;
                                @Resource
                                private PricedSourceService pricedSourceService;
                                @Override
                                protected ExternalChannelConfig handleTyped(CreateOrderBizData input, ChannelContext context){
                                        String channelCode = context.getChannelCode();
                                // 1. 获取渠道配置
                                        ExternalChannelConfig channelConfig = configService.getByChannelCode(channelCode);
                                if (channelConfig == null) {
                                thrownew ChannelException("CHANNEL_NOT_FOUND", "渠道配置不存在: " + channelCode);
                                        }
                                // 2. 获取报价源配置
                                        PricedSourceBO pricedSource = pricedSourceService.getPricedSource(
                                            channelConfig.getOrgId(), input.getCategoryId());
                                // 3. 保存到上下文
                                        context.putHandlerResult("CHANNEL_CONFIG", channelConfig);
                                        context.putHandlerResult("PRICED_SOURCE", pricedSource);
                                        log.info("获取渠道配置成功, channelCode={}, orgId={}", 
                                            channelCode, channelConfig.getOrgId());
                                return channelConfig;
                                    }
                                @Override
                                publicintgetOrder(){
                                return200;
                                    }
                                }

                                可以看到,代码结构完全符合预期,异常处理到位,日志也很规范。

                                3.2.3 快速迭代的秘诀

                                在Do阶段,我总结出了几个与Cursor高效协作的技巧:

                                技巧1:更加明确的提示

                                不好的提示词:

                                帮我实现所有的Handler

                                好的提示词:

                                先实现DuplicationCheckHandler,用于检查订单是否已存在

                                技巧2:提供参考代码

                                参考DuplicationCheckHandler的实现方式,生成ChannelConfigHandler

                                技巧3:明确约束条件

                                要求:
                                1. 继承AbstractTypedBusinessHandler
                                2. order设置为200
                                3. 必须包含日志
                                4. 异常使用ChannelException

                                技巧4:及时Check

                                每生成一个Handler,我都会:

                                • 检查是否符合接口规范

                                • 运行单元测试

                                • 代码Review(看命名、异常处理、日志)

                                3.3 Check阶段:代码审查与验证

                                3.3.1 多层次的检查机制

                                在Check阶段,我建立了三层验证机制:

                                第一层:IDE即时检查

                                • Cursor的智能提示会提醒语法错误

                                • SonarLint插件实时检查代码质量

                                第二层:单元测试

                                我让Cursor帮我生成了单元测试:

                                为DuplicationCheckHandler生成单元测试,需要覆盖:

                                1. 订单不存在的场景

                                2. 订单已存在的场景

                                3. 查询异常的场景

                                Cursor生成的测试:

                                @RunWith(SpringRunner.class)
                                @ContextConfiguration("classpath:scf-spring-test.xml")
                                publicclassDuplicationCheckBusinessHandlerTest
                                {
                                @Resource
                                private DuplicationCheckBusinessHandler handler;
                                @Resource
                                private IRecycleOrderService orderService;
                                @Test
                                publicvoidtestHandle_OrderNotExists(){
                                // 构建测试数据
                                        CreateOrderBizData input = CreateOrderBizData.builder()
                                                .outOrderNo("OUT_ORDER_001")
                                                .channelCode("TEST_CHANNEL")
                                                .productId(123456L)
                                                .build();
                                        ChannelContext context = ChannelContext.builder()
                                                .requestId("REQ_001")
                                                .channelCode("TEST_CHANNEL")
                                                .action("CREATE_ORDER")
                                                .bizData(input)
                                                .build();
                                // 执行
                                        Boolean result = handler.handleTyped(input, context);
                                // 验证
                                        System.out.println("订单不存在场景测试结果: " + result);
                                        System.out.println("Context中的ORDER_EXISTS: " + context.getHandlerResult("ORDER_EXISTS"));
                                    }
                                @Test
                                publicvoidtestHandle_OrderExists(){
                                // 构建测试数据 - 订单已存在的情况
                                        CreateOrderBizData input = CreateOrderBizData.builder()
                                                .outOrderNo("OUT_ORDER_002")  // 这个订单号在数据库中已存在
                                                .channelCode("TEST_CHANNEL")
                                                .productId(123456L)
                                                .build();
                                        ChannelContext context = ChannelContext.builder()
                                                .requestId("REQ_002")
                                                .channelCode("TEST_CHANNEL")
                                                .action("CREATE_ORDER")
                                                .bizData(input)
                                                .build();
                                // 执行
                                        Boolean result = handler.handleTyped(input, context);
                                // 验证
                                        RecycleOrderVO existOrder = (RecycleOrderVO) context.getHandlerResult("ORDER_EXISTS");
                                        System.out.println("订单已存在场景测试结果: " + result);
                                        System.out.println("已存在订单信息: " + JsonUtils.toJsonWithoutNull(existOrder));
                                    }
                                }

                                第三层:集成测试

                                我在测试环境跑了完整的下单流程,验证Handler链的协作:

                                @RunWith(SpringRunner.class)
                                @ContextConfiguration("classpath:scf-spring-test.xml")
                                publicclassChannelUnifiedFacadeTest
                                {
                                @Resource
                                private IChannelUnifiedFacade channelUnifiedFacade;
                                @Resource
                                private IRecycleOrderService orderService;
                                @Test
                                publicvoidtestCreateOrder_FullProcess(){
                                // 构建完整的渠道请求
                                        CreateOrderBizData bizData = CreateOrderBizData.builder()
                                                .outOrderNo("TEST_OUT_ORDER_" + System.currentTimeMillis())
                                                .channelCode("KA")
                                                .productId(123456L)
                                                .categoryId(1L)
                                                .skuId(1001L)
                                                .userId(888888L)
                                                .picList(Collections.singletonList(
                                                    Pic.builder().picUrl("https://test.com/pic1.jpg").build()
                                                ))
                                                .build();
                                        ChannelRequest<CreateOrderBizData> request = ChannelRequest.<CreateOrderBizData>builder()
                                                .requestId("REQ_" + System.currentTimeMillis())
                                                .channelCode("KA")
                                                .action("CREATE_ORDER")
                                                .bizData(bizData)
                                                .build();
                                // 执行完整流程
                                        ChannelResponse<Long> response = channelUnifiedFacade.process(request);
                                // 打印结果
                                        System.out.println("=== 集成测试结果 ===");
                                        System.out.println("请求成功: " + response.isSuccess());
                                        System.out.println("订单ID: " + response.getData());
                                        System.out.println("响应码: " + response.getCode());
                                        System.out.println("响应信息: " + response.getMessage());
                                // 验证订单确实创建成功
                                if (response.getData() != null) {
                                            RecycleOrderVO order = orderService.getById(response.getData());
                                            System.out.println("订单详情: " + JsonUtils.toJsonWithoutNull(order));
                                            System.out.println("订单状态: " + order.getOrderState());
                                            System.out.println("外部订单号: " + order.getOutOrderNo());
                                        }
                                    }
                                }

                                3.4 Act:规则沉淀与持续优化

                                3.4.1 沉淀提示词模板

                                经过多次迭代,我总结出了一套可复用的提示词模板:

                                模板1:生成Handler

                                角色:你是一个Java后端工程师,熟悉责任链模式
                                任务:实现一个BusinessHandler,用于[具体功能]
                                要求:
                                1. 继承AbstractTypedBusinessHandler<P, R>
                                2. 输入类型是[P],输出类型是[R]
                                3. order值设置为[ORDER_VALUE]
                                4. 从context中获取[DEPENDENCY]
                                5. 将结果保存到context.putHandlerResult("[RESULT_KEY]", result)
                                6. 异常使用ChannelException,格式:new ChannelException(errorCode, message)
                                7. 添加日志:处理开始、处理成功、处理失败
                                参考代码:[粘贴参考Handler代码]

                                模板2:生成Adapter

                                角色:你是一个Java架构师,熟悉适配器模式和责任链模式
                                任务:实现[渠道名]ChannelAdapter
                                要求:
                                1. 继承AbstractIChannelAdapter
                                2. 注入以下Handler:[列出Handler列表]
                                3. 根据action构建不同的Handler链:
                                   - CREATE_ORDER: [Handler顺序]
                                   - UPDATE_ORDER: [Handler顺序]
                                4. 添加@Component注解,value为渠道code,用于自动注入
                                5. 添加完善的日志
                                参考代码:[粘贴AChannelAdapter代码]

                                3.4.2 持续优化

                                在重构过程中,我发现了一个可以提取的通用模式:参数校验。

                                最初,每个Handler都自己做参数校验:

                                // DuplicationCheckHandler
                                if (StringUtils.isBlank(input.getOutOrderNo())) {
                                thrownew ChannelException("PARAM_ERROR", "外部订单号不能为空");
                                }
                                // ChannelConfigHandler
                                if (StringUtils.isBlank(input.getChannelCode())) {
                                thrownew ChannelException("PARAM_ERROR", "渠道编码不能为空");
                                }

                                在Act阶段,我提取了一个通用的ParamValidationHandler:

                                @Component
                                publicclassParamValidationBusinessHandler
                                extendsAbstractTypedBusinessHandler<Object, Void> 
                                {
                                @Override
                                protected Void handleTyped(Object input, ChannelContext context){
                                //.....
                                returnnull;
                                    }
                                @Override
                                publicintgetOrder(){
                                return50; 
                                    }
                                }

                                现在,只需要在Handler链中加入这个Handler,就能统一处理参数校验了。

                                最后的话

                                这篇文章分享的是我们正在进行的探索,而非一个 "完美的成功案例" 。

                                我们的重构之旅才走了一小步,还有很多坑要踩,很多问题要解决。但我们选择边做边分享,因为:

                                真实的经验比完美的故事更有价值。

                                愿你在AI时代,既能拥抱新工具提升效率,又能保持对代码质量的追求、对架构美感的坚持。

                                关于作者,于天奇,侠客汇Java开发工程师。 想了解更多转转公司的业务实践,欢迎点击关注下方公众号

                                想了解更多转转公司的业务实践,欢迎点击关注下方公众号:

                                跳转微信打开

                                •  
                                ❌