铃阅时讯
❌

阅读视图

一晚两场,H3 技术团队和全球开发者聊了什么?

原创 MiniMax 2026-08-08 12:21 上海

MiniMax H3 开源的第一周,很多国内外开发社区里的开发者、创作者已经有了量化、硬件适配和工作流的丰富探索,也提出了一些关于模型机制和后续计划的问题。

周五晚,H3 技术团队参加了 Reddit 社区 AMA 问答交流和 ComfyUI Live 直播,和来自不同地区的开发者、创作者聊了聊:模型架构是怎么做的?长视频能不能续写?目前还有哪些技术局限,后续的开源策略是什么……

围绕这些话题,我们把技术观点整理分享出来,记录于下。

H3 的核心架构:

稀疏注意力、VAE与训练策略

Q:H3 使用 MSA 吗?哪些 token 会被稀疏化?这一方案什么时候开放?

H3 不使用 MSA,稀疏注意力策略更接近 MoBA。由于相邻视觉 token 具有较高相关性,mean pooling 已经能够有效判断 block 的重要性,因此不需要额外的 learned indexer。

当前默认只对视频 token 做 3D sparsification,因为它们占整个 token 序列的比例最大;图像和文本 token 也在探索范围内。该方法是 train-aware 的,团队预计近期发布一个相对保守的版本,目标是在不产生用户可感知的质量损失的前提下提供 reference implementation。不同设备上的进一步优化,需要社区共同适配。

Q:视频 VAE 编码中的第一帧为何作为独立单元?为什么使用双 VAE?

独立第一帧是为了更好地统一图像和视频训练:一张独立图像与一段视频的第一帧,可以在数据侧被同等对待。固定 17 帧分组,主要用于保持不同视频时长之间 latent 分布的一致性,空间切块也遵循同样的原则,与 frame interpolation 无关。

使用独立的视觉 VAE 和音频 VAE,而不是单一的联合 VAE,一个重要原因是为了保留对多模态训练过程的控制。如果将两种信号编码为同一 latent space 中的 tokens,就很难通过 DiT 的训练策略分别平衡两种模态的训练进度。由于在这一设置下音频携带的信息量相对较少,它可能更早收敛并开始过拟合,而独立的 VAE 能够为我们管理这种不平衡提供更大的灵活性。

对于两个 VAE,我们的目标并不是单独追求最高的重建质量,而是在确保基本重建性能足够的基础上,更关注最终得到的 latent representation 是否有利于生成建模。尤其对于视觉 VAE,较高的压缩比可以减少视觉 token 的数量,从而降低 DiT 的计算成本;但如果向 latent 中编码过多信息,也会增加 DiT 的建模负担,并使训练行为更难控制。因此,我们会关注不同类型信号在 latent representation 中的分配与平衡,并通过 VAE 在完整生成训练过程中的表现进行评估,而不是只依赖重建指标或孤立的 latent-space probing 结果。

Q:H3 如何做到更好的指令遵循和泛化能力?

从本质上说,最重要的因素是构建足够广泛且多样化的数据和任务集合,使用通用架构对其进行训练,并避免采用无法有效扩展的架构设计。很难将这种能力归因于某一个单独的架构选择或训练技法。用户所感受到的,好的指令遵循以及泛化能力,与 H3 最初的设计目标高度是一致的,即让单一模型实现广泛的任务泛化。为此,我们在各个阶段都投入了大量精力,包括数据构建、任务设计、模型架构和训练策略等,同时确保每一项设计选择都具备可扩展性。

值得一提的还有一个观察。我们在训练模型的过程中发现,一个只训练过「根据首帧和 caption 预测末帧」这一简单任务的模型,在没有进行任何图像编辑专项后训练的情况下,也能在多个图像编辑 benchmark 上取得较强的 zero-shot 结果。这让我们相信,在自然语言指令引导下,原生的 in-context learning 能够泛化到不同任务。

我们会在后续发布的 H3 Technical report 中,公布更多细节。

长视频续写

Q:H3 是否训练过递归式、分块 latent 的长视频续写?Ref2VA 的 continuation 应该怎么用?

我们最初使用 extended RoPE positions 训练过一个专门的音视频续写任务,作为独立任务时效果很好。但我们发现,这种 RoPE 扩展方式在多任务设置下的泛化能力不够强。因此,发布模型最终采用标准的 reference-conditioning 来学习续写。

Ref2VA 可以将前序内容作为 reference condition,从而支持续写;不过,当前模型还没有原生训练过由多个递归续写片段组成的长轨迹。对于真正的递归式续写,我们认为,结合 sparse attention 的原生长轨迹训练是一个有前景的方向。

Reddit 用户 Zironic 提到,“反复让模型每次生成 141 帧,并将上一段视频和音频的最后 51 帧作为参考,可以整合一段连贯的 60 秒视频。在生成过程中,我提供同一张目标主体的图像作为参考,可以在时间维度上保持连贯性。”这种能力正是来自预训练中的音视频续写任务,开发者的实践也印证了这一点。

视频画质与技术局限

Q:为什么 Ref2VA 比 I2V 更糊?纹理和远景人脸问题的主要原因是什么?

部分原因在于 FL2VA 与 Ref2VA 的后训练策略存在差异,因此两个 checkpoint 当前表现出了明显不同的视觉质量倾向。提升 Ref2VA 的视觉质量正在推进中;实际使用时,建议尽可能提供高质量的 reference input,因为 Ref2VA 对 reference conditioning 的质量比较敏感。

对于纹理、高频细节偏糊和远景小脸崩的问题,我们已经观察到,并将这个问题列为后续重点。从目前的实验结果看,这不能简单归因于 Visual VAE 的高压缩比,也不能归因于单一训练阶段,我们正在继续拆解其中的主要影响因素,并会在未来更新中持续改进。

Q:低分辨率预览后,能否用相同 seed 生成一致的高分辨率结果?

不同分辨率对应不同的空间形状,初始噪声也会变化,因此相同 seed 不会保留相同结果。低分辨率生成后再超分,通常也会比原生高分辨率生成更差;发布 checkpoint 在后期训练中更偏重高分辨率能力,低分辨率能力因此出现了一定回归。

推理效率优化

Q:官方会推出 Turbo LoRA、4-NFE/8-NFE 版本或更小参数模型吗?

当前 checkpoint 已包含 CFG distillation,最终训练阶段的特殊策略也让模型具备了一定的少步推理能力,但它并不是针对极端低步数专门蒸馏的模型。我们正在探索 step distillation,目标是在不产生明显质量损失的前提下降低推理成本,也在评估 4-NFE 或 8-NFE 版本,但暂时无法承诺近期发布。

Q:H3 为什么难以运行在普通 GPU 上?目前在做哪些优化工作?

H3 开放系统的部分约有 600 亿参数,包括 text encoder 和 DiT model。BF16 权重约需要 120 GB 内存,而多数消费级 GPU 只有 24 GB 或更少。

我们正在做的主要优化工作包括 quantization 和 offloading:前者用更低精度存储权重,减少内存占用和数据搬运;后者把当前计算所需的部分移动到 GPU,其余保留在系统内存中。我们同时发现,社区里已经有了很多在量化、加载和推理加速方面的工作流分享,欢迎大家继续探索。

可以先确认使用最新版本的 ComfyUI、官方 H3 workflow 和正确的 low-memory models。模型无法全部留在 VRAM 时,速度变慢是正常现象;ComfyUI 会在需要时搬运权重,实际速度还取决于系统内存和 PCIe 带宽,offloading 设置也可以带来速度与质量之间的平衡。

Regenerate-2K

与图像模型

Q:Regenerate-2K 会不会开源?它和普通超分有什么不同?

技术上,Regenerate-2K 是第二阶段条件生成模块,不是把已发布的 base checkpoint 再运行一遍的传统 upscaler。它使用更高目标分辨率下的专用 latent-space DiT checkpoint,将基础模型输出作为额外上下文,并结合部分高分辨率参考输入。目前可以先通过 API 使用,我们还在提升模块效率和生成质量,会在后续开源。

Q:未来是否会发布独立的图像模型?会怎样与 H3 配合?

我们计划开源一个同时支持 Text-to-Image 和通用图像编辑的统一模型,目前正在进一步完善和优化后训练阶段。这个模型与 H3 共享同一基础谱系,并会使用同一 VAE encoder;由于 temporal encoder 具有因果性,可以通过 weight slicing 获得 2D VAE encoder,同时配套专用的图像生成 VAE decoder。

把模型能力拓展为

可复用工作流

Q:是否会发布 Context-IR 的模板?还有哪些使用技巧?

我们发布过两份官方提示词指南,已经提供模板示例,也将这两份指南整合成了一个 GitHub Skill 并持续迭代。想获得最完整、原生的 Context-IR 体验,建议直接使用官方 API。

本地部署用户,T2V 是最容易上手的模式,因为只需要文本 prompt,H3 Context-IR API 则可以进一步增强用户的 prompt,帮助生成更好的视频。ComfyUI 用户可以从官方模板开始尝试构建,熟悉后再逐步加入参考图像、音频和镜头控制等功能。

Comfy 团队在直播中也给出了一些使用技巧。例如,输入音频参考时,如何让对白和画面更稳定?建议把输入音频作为 reference,同时在 prompt 中用引号写出角色需要说的对白,并放在对应镜头的描述中。这样通常能提升对白生成的稳定性和一致性。

而对于很多人提问的多镜头产品广告工作流,搭建的方法也并不复杂:可以用输入参数定义视频时长和镜头数量,例如 10 秒、5 个镜头,平均每个镜头约 2 秒;再通过 LLM prompt enhancer 生成预览 prompt,并传入多个参考画面。ComfyUI 模板库已经提供了相应的基础工作流,用户可以自行调整镜头、参考输入和提示词。

开源与协作

Q:MiniMax 在未来还会继续开源吗?对语音、音乐模型有没有后续的开源计划?如何确定优先级?

在 H3 发布后很短的时间里,开发社区已经有了不同量化版本、ComfyUI 适配和 MLX 等硬件支持。对 MiniMax 来说,这种快速迭代和探索,正是开放协作能够带来的价值。

我们的愿景是 Intelligence with Everyone,推动这一领域的发展是我们的核心使命之一。我们会持续认真思考,如何作出最有意义的贡献,同时密切关注社区反馈,并在共同前进的过程中保持开放。对于后续模型,我们当前的优先级仍然是,在实际可用、资源可接受的前提下持续提供更强的能力。

跳转微信打开

  •  

用好Agent,先从这4招开始!【小白教程】

原创 秋芝2046 2026-08-07 20:56 广东

解放你的日常干活~

雷猴啊~

想用好Agent,先从这四类任务开始!

检查、梳理、执行、观察~

这其实也是白领工作中最常见和耗时的四大类型,只要跟你的工作对上号,立马就能提效!

接下来我们开始~

图片

工具介绍

考虑到更多的朋友用Codex之类的门槛比较高,今天选的呢,是近期很多小白在用的百度搭子 DuMate,它是办公专用的Agent,我们可以直接在官网下载桌面端、应用商店下载APP。

https://www.dumate.cn/

两端记忆还是通的~

那国产的一大好处,就是它里面有更多好用的国产APP插件和Skill,

搭子还有长期记忆系统,会越来越懂你。

再一个就是每天签到,它还送500个积分,加上它的Harness很省token,这个还挺经用的~

图片

第一类:检查

ok,那我们要说的第一类任务,检查。

2.1 什么是「检查」任务?

这类任务也就是找出各种资料中的问题,

  • 做自媒体的,检查下文稿里有没有错别字、病句、违禁词。 

  • 做财务的,检查表格里有没有格式不统一、空数据、计算错误的项。

这类任务想让Agent做好,关键是明确“检查什么问题”,“审核的标准是什么”,“是直接修改还是报告”。

2.2 检查合同

我们拿检查合同来演示。在搭子这里选择一个工作区,也就是你本地的一个文件夹,

那本地呢有我的合同、报价单和供应商资料,这时可以直接跟它说:

检查合同里面填的信息:

1.报价和项目名(问题主体)是否跟报价单一致(标准)

2.收付款账号和主体名称是否跟供应商资料一致

3.再找出合同里所有对我们不利的条款,并按照公平的原则,直接在文档中用批注的方式给出你的修订建议。

搭子就会直接去读取你本地的这几个文件做检查,

最后在这个合同上去修订批注,

我们看完最后拍板就行了~这就是检查任务!

图片

第二类:梳理

3.1 什么是「梳理」任务?

梳理,也就是把杂乱的信息按逻辑整理成能直接用的东西。

比如说:整理网上的信息,变成一个调研报告;或者整理本地的发票文件,变成一个详细的表格~

那这类任务的关键,是给Agent说清楚“根据哪些资料”,“按什么逻辑”,“整理成什么格式”。

3.2 做一份电车竞品报告

比如说我们本地存着我们自己的产品介绍,还有一些用户反馈,那我们要给领导汇报一下我们跟市场上其他电车的竞品对比报告。那我们就可以跟搭子说,

那搭子呢还有个好处,我们也不用把提示词写得特别长,因为有不清楚的,它还会主动以提问的方式来采访我们。

那我们再告诉它希望是全面的对比之后,它就会开始自己搜索。

搭子的国内数据还是比较全的,普通搜索很难搜到公众号内容,但它能,

搭子也还有浏览器自动化工具,自己可以打开网页去看。

那最后,这是我们的报告,整理的逻辑很清晰,PPT也很详细还有图表~

图片

第三类:执行

4.1 什么是「执行」任务?

第三类,执行 ,也就是按一系列流程把活儿干好~

比如流程短的“订个机票、酒店、饭店”,流程长的比如“调研到写稿到出图做自媒体内容”。

下达这类任务的关键,是把目的说清楚,流程和规范给点指导,结果要求清楚,还要给它必要的工具/资源~ 

4.2 团建餐厅推荐应用

比如我们下周小组团建,想做个餐厅推荐的应用来成员投票,这时候跟搭子说。

然后在技能与套件这里,选上百度地图、秒搭应用开发、UI/UX设计专家,前端创意设计工具。

这些就是给它的工具和资源了。

4.3 给 Agent 配工具

那这些工具和资源从哪来的呢?我们点开能力拓展这里,

内置技能中就有一大堆我们熟悉的国产应用,

点开“我的”,可以看到这里还可以连接很多应用,

比如我连接了飞书,所以它可以直接帮我发送消息到群里。

大家就根据自己的任务,在这里面给它挑工具就好了。

4.4 长期记忆:减少重复交代背景

那可能有人会问,刚才我的提示词,它是怎么知道我的口味是什么,以及我的公司在哪里的呢?

诶,这就是搭子的另一个好处,长期记忆。我们在左下角选择记忆,

这里面我已经存好了关于我们的个人信息,和我对搭子的人格设定。

这些记忆,它干任何活都会自动带着,你可以自己手动编辑,也可以在跟搭子的对话中,让它自己记录。

同时,它还有一层记忆,主动记录着我们的关键决策和偏好,用着用着搭子也会越来越了解你。

ok,我们现在来看下成品效果,网页做得挺可爱的!

也能投票,投票的结果能实时查看~执行得很不错。

4.5 自媒体套件

搭子里面也有一个现成的自媒体套件,包含了能帮你执行自媒体所有环节的技能和工具 ~

比如我只跟它说了一条指令,说我要做趣味历史。

它就逐步引导我做选择细节,最后一口气图文排版都做好了,成了这样一篇小红书图文和公众号文章! 

那这就是结合技能和插件的执行任务!

图片

第四类:观察

那最后一类,观察,也就是帮你注意外界的变化,并且采取行动。

比如说,8点提醒我开会, 领导来了就把我叫醒之类的~ 

这类任务的关键:是把"什么情况"就"干什么"的监测条件定清楚。

比如近期有朋友追某某科技的股票,但希望它在某个预期价位的时候再入手。

那你就可以点击自动化,这里就是搭子的定时任务,

我们可以创建个新任务,给它起个名字,写下我们的任务指令,

那每天它都会定时地去执行这个查询的动作。不过由于股价从来没低于46,所以它一直都是保持静默的状态。

为了演示我改了条件,让它触发了一下,手机端和电脑端都通知了~ 

图片

那当然了,这四类任务,远远不止我举例的这些用法~ 

搭子能做到的任务上限,也可以更复杂。

但想要用好Agent,不用追求复杂和过度自动化,先从这四类任务开始,解放你的日常工作~

好啦!我们下次见~

跳转微信打开

  •  

奇舞周刊第594期:实战从零开始构建一个Coding Agent:Violin

原创 小编 2026-08-07 17:00 北京

奇舞推荐

■■■

实战从零开始构建一个Coding Agent:Violin

本文记录了作者用Zig+Python从零构建Coding Agent "Violin"的完整过程,其架构深度借鉴了Pi的三层分离与EventBus设计。核心是Agent Loop(在"问模型"与"执行工具"间循环,直至得到最终答案),并围绕其构建了模型适配层(统一OpenAI/Anthropic接口)、工具系统(内置6个基本工具)、产品层(负责会话管理、上下文压缩)和网络层。文章通过代码示例和机制讲解,揭示了现代Coding Agent"并非全知全能,而是有状态、有工具、有边界的执行循环"这一本质原理。

从混乱到秩序:我如何搭建一套「规范驱动」的 AI 协作开发体系

本文介绍了为应对AI在存量项目中理解偏差、执行不稳等问题而自建的"OpenSpec规范层 + AI Workflows执行层"体系。其核心机制是:用OpenSpec将模糊需求拆解为结构化的proposal/design/tasks三层文档,让AI先理解"做什么";再用Workflows编排步骤、Skills封装领域经验、Hooks自动检查质量,指导AI"怎么做"。通过这套"规范+技能+钩子"的组合,作者将AI从"需要反复纠正的实习生"提升为"可信赖的开发搭档",显著提升了增量开发场景下AI协作的准确率与稳定性。

AI Infra进阶:如何让大模型输出确定的结果

本文深入探讨了让大模型输出确定结果的难点——即便将Temperature设为0,不同请求间仍可能因"批次不变性"问题导致结果不同。根本原因在于推理引擎底层的动态组批与算子调度策略,改变了浮点加法的顺序,而浮点加法不满足结合律。文章深入GEMM(矩阵乘法)层面,解释了Tiling、Split-K、GROUP-M等优化策略如何为了打破内存墙、提升算力利用率,而引入了非确定性的并行计算,从而从根本上导致了结果波动,揭示了确定性输出在系统层面的巨大挑战。

技术实践

■■■

Agent评测漫谈 —— 由浅入深讲解Agent评测

本文系统阐述了Agent评测的核心目的(回答"好不好"并指明迭代方向)与方法论。文章强调,Agent评测不同于传统模型评测,需同时关注结果(Response)和行为过程(Trajectory),因为"过程不同但结果相同"的Agent在工程价值上差异巨大。核心方法论包括:建立业务与指标间的"桥梁"、主客观评测并行、通过"人人一致、人机一致"对齐主观标准、用Bad/Good Case喂养评测体系。最后指出,Agent评测正从"答案评测"走向"行为评测",并正从"打分动作"演变为"基础设施能力"。

实测 9 款 AI 架构图工具:从 Mermaid 美化到 GPT-Image2,一份选型清单

本文实测了GitHub上9款AI画图工具,并给出清晰选型指南。文章将工具分为三大类:Skill生图类(beautiful-mermaid美化、fireworks-tech-graph全能且支持GIF、archify交互HTML优先、drawio-skill输出可编辑源文件);AI辅助应用类(next-ai-draw-io,将draw.io与AI对话结合,实现人机协同画图);GPT-Image2生图类(通过500+Prompt模板生成视觉大片)。结论指出,AI时代画图的核心是让架构图从"图形资产"变为"代码资产",从而让AI Agent能够通过文本(如Mermaid)生成、修改、渲染图表,完成从"看懂"到"会画"的跨越。

复杂业务团队的 AI Coding 交付实践:知识库、RD 流程和质量门禁

本文分享了复杂业务后端团队将AI Coding落地为"协议驱动、知识支撑、过程落盘"三层底座的经验。核心设计包括:分层知识库(main全局业务、applications应用知识、candidate候选知识、personal个人经验、template模板),确保AI准确获取上下文;RD研发流程,用一系列命令(/rd:verify-prd, /rd:analyze, /rd:apply等)将需求分析、拆解、代码实现、校验的全过程文件化,使研发状态可接续、可review;以及在关键节点设置人机协同质量门禁。方案不追求全自动化,强调"AI负责分析实现、人聚焦关键判断"。

拓展边界

■■■

从代码托管到 AI 能力底座:京东代码库的转型

本文介绍了京东行云Coding代码托管平台向"AI研发生态底座"转型的战略。核心是解决"AI如何理解代码"的问题,将代码仓库从版本管理终点变为AI理解业务的入口。为此,平台构建三层能力:AI基建层,通过图数据库构建代码关系网络、提供语义检索和代码分析能力;Agent研发框架层,提供CLI Agent、Skill增强等多种模式,让开发者无需重复建设底层,即可构建能"执行"任务的AI应用;前端扩展点,将AI能力无缝嵌入代码评审等研发场景。最终目标是将代码知识产品化,让AI应用能像调用API一样使用代码知识。

模型越来越强, harness该留下什么?

本文基于团队精简其harness框架(根指令删61%)的实践,探讨了在模型能力跃升的背景下,AI开发框架该保留什么。核心洞察是:为旧模型写的冗余指令在新模型上会造成主动的质量损失——它们会缩小模型的搜索空间、被字面执行导致机械回答,甚至引发反噬(如过度触发工具)。文章提出新范式:用判据取代穷举规则、用渐进式披露取代前置全量上下文、放开路径并收紧验收。其核心原则是:"过期的文档比没有文档更危险",即最终应以可执行的代码和测试为事实来源,并建议先建评测、再写内容,确保每一条规则都能防御一个具体的失败,而非为想象中的问题编写文档。

从 Agent Flow 到 AI Native:为什么通用 Agent 是"饮鸩止渴"

本文尖锐地指出,追求"万能"的通用Agent是方向性错误,因为它无法可靠、确定地完成复杂任务。作者提出"Agent Flow"理念:不过度依赖LLM的泛化能力,而是将复杂任务拆解为"最小任务单元",用确定的Flow(可以是YAML或hardcode)编排LLM Call、API和人工确认节点,将任务"外包"给合适的专业Agent执行。文章强调,AI Native的本质是"基于LLM、真正解决用户问题并让其愿意付费",而非堆砌技术名词。与其构建宏大但不可靠的通用框架,不如用"美丽"的hardcode去可靠地满足用户的具体需求。

-END -

如果您关注前端+AI 相关领域可以扫码进群交流

图片

添加小编微信进群😊

关于奇舞团

奇舞团是 360 集团最大的大前端团队,非常重视人才培养,有工程师、讲师、翻译官、业务接口人、团队 Leader 等多种发展方向供员工选择,并辅以提供相应的技术力、专业力、通用力、领导力等培训课程。奇舞团以开放和求贤的心态欢迎各种优秀人才关注和加入奇舞团。

图片

跳转微信打开

  •  

祝贺拿森科技登陆港股!与产业型创业者长期同行

高瓴时间 2026-08-07 11:04 北京

今日,拿森智能科技(浙江)股份有限公司正式在港交所主板挂牌上市。

拿森科技成立于2016年,专注智能驾驶运动控制技术。若说智能驾驶系统是“大脑”,线控底盘便是将指令化为精准动作的“运动小脑”。这一关乎安全的核心环节,技术门槛高、验证周期长,长期由国际厂商主导。

2021年,高瓴沿新能源汽车产业链持续研究,发现线控制动处于电动化与智能化的交汇点,技术门槛高,也直接关系汽车安全。拿森科技创始人陶喆带领团队长期扎根产业一线,持续将技术积累转化为可靠产品。基于对产业趋势的共同判断,高瓴与拿森由此开启了同行之路。

此后几年,行业快速扩张,也经历价格竞争和降本压力。拿森持续推进研发、验证与量产,2023年推出NBC,2024年8月规模量产;2025年收入6.145亿元,截至2026年3月底累计获得131个定点项目。这五年,拿森一步步把产业积累转化为产品能力。

NASN

拿森科技创始人、董事长兼CEO陶喆表示:

「感谢高瓴自2021年以来的长期支持。对于高技术门槛的汽车核心线控技术企业而言,产品研发、验证和量产需要长周期和耐心。高瓴对产业规律的理解、对高端制造的积累,以及在重要股东协同节点给予的支持,为拿森持续高研发投入和产业化能力建设提供了宝贵信任。期待未来继续与高瓴同行,把更多核心自主技术转化为服务国内外客户的有国际竞争力的产品。」

Hillhouse

高瓴项目负责人表示:

「在先进制造领域,真正稀缺的,是把复杂技术做成可靠产品,并实现稳定量产和规模交付的能力。

近十年来,陶喆先生带领拿森团队持续深耕线控制动领域,一步步完成了技术研发、产品验证、稳定量产和规模交付。这个过程体现了团队扎实的工程能力、执行力和韧性。

高瓴希望成为这类产业型创始人的长期伙伴。我们愿意和创业者一起研究产业、判断方向,在这个过程中建立信任;也尊重制造业投入大、周期长、靠长期积累的特点,在企业发展的关键阶段给予稳定支持。

祝贺拿森科技IPO,迈入新的发展阶段。」

跳转微信打开

  •  

大水与容器

原创 孟岩 2026-08-07 10:04 海南

摄影:怡萱

这是一篇因意外而起,但我很想写下来的文章。

不久前,在一次长途飞行起飞之前,我随手刷了刷手机,看到一条新闻:公募基金抱团科技,重仓比例已经超过 60%。

说实话,我对抱团本身并不意外。但 60% 这个数字,还是惊到了我。

要知道,即使在公募基金拿到历史级增量资金的 2021 年,也就是抱团最凶的时候,第一大重仓行业食品饮料,占基金重仓的比例也不到 20%。而这一次,电子一个行业,就超过了 40%。

那趟飞行,我没有像往常那样看书、睡觉。这个话题一直在脑子里打转,它勾出了我这二十年在基金行业里的很多经历、观察和困惑。

公募基金,尤其是主动型基金,作为一个整体,为什么一定会抱团?

基金投顾,为什么似乎发展得并不快?

A 股的体验为什么如此之差?

下了飞机,我把这些变成了自己的一个研究课题。

我断断续续花了很久的时间翻数据、查文献,把中国和美国的制度对照着看,也把自己过去的很多判断重新思考了一遍。我觉得我比以往,更深地触及到了这些问题的本质。

要写在前面的是:这是我个人的思考,一定有偏颇和盲区;它不是对行业的批评,也并非想影响监管。我只是享受把一件事想明白的乐趣。

我把这些思考写下来,发出来。如果恰好能给你带来一些启发,就再好不过了。

1

2021 年,是公募基金行业大发展的一年。

那一年,全行业新成立了将近 2000 只基金,合并发行规模约 3 万亿元。公募基金的总规模,历史性地站上了 25 万亿。

钱其实是从 2020 年就开始涌进来的。从 2020 年初到 2021 年 1 月中,新发行的权益类公募基金,募集资金合计 2.3 万亿元。

那是「日光基」最密集的一段日子。一只基金早上开卖,中午就结束募集,还需要按比例配售。

钱,为什么会来?

因为前面两年,基金实在是太赚钱了。

2019 年和 2020 年,偏股基金的平均收益率连续两年超过 40%。

「炒股不如买基金」,就是在那两年成为共识的。

再加上银行理财开始打破刚兑、房子被反复强调「只住不炒」、存款利率一路往下。钱看了一圈,发现好像只有这一条路。

于是它就来了。

钱进来了,买什么?

买那些已经涨得很好的东西。

到 2020 年底,食品饮料成了主动偏股基金的第一大重仓行业,占基金重仓股的比例大约 18.5%。这就是那一轮抱团的顶点,也是「抱团」这个词开始被反复提起的原因。

一个行业,接近五分之一。

在当时,这已经是让很多人不安的集中度了。

食品饮料、医药、新能源……

直到现在,公募基金行业和主动基金经理们,也还在为当时的抱团还债。

到今年二季度,食品饮料在主动权益基金里的重仓比例只剩下 1.56%,已经是低配。整个板块相对全 A 的估值,创下二十年新低。

一个行业从接近五分之一,跌到不足百分之二。

而那些在 2020 年底、2021 年初买入爆款基金的人,很多人到今天还没有回本。

2

来到 2026 年。

今年二季度,主动偏股基金对科技板块的配置权重达到 60%,单季度增加了 24.81 个百分点。

这个 60% 是重仓股口径。基金季报只披露前十大重仓股,全部持仓里的真实比例会比它低一些。但 2021 年的统计用的也是这把尺子,对比不受影响。

另外,单季度 24.81 个百分点的增加里,当然有科技股本身上涨带来的被动效果,但把涨跌幅的影响剔除掉之后,电子行业二季度的主动加仓幅度是 13.21 个百分点,是全市场加仓最多的行业。

这样的抱团程度,远远超过 2021 年,也超过公募基金历史上的任何一次。

但如果只看到这一点,会错过更重要的东西。

如果我们仔细去看这两次抱团,会发现它们看起来很像,但背后的驱动因素完全不同。

2021 年,钱在往里涌。2026 年,钱在往外走。

这已经是主动权益基金连续第十四个季度净赎回了。

我拿到一份二季度的基金申赎数据,4794 只主动偏股基金。合计净份额变化,是负的 2459.85 亿份。其中 74.82% 的基金被净赎回。

四分之三的基金在失血。

我又把这 4000 多只基金按二季度的收益率分成十组,想看看钱到底是怎么流的。

结果是这样的:

业绩最差的那一组,84.79% 被净赎回。

中间的第五组,81.63%。

就连单季度涨了 60% 的第九组,都面对着 71.82% 的净赎回。

也就是说,无论基金今年赚了多少钱,被赎回的比例都差不多。业绩好,并不能留住人。

只有最顶上的第十组例外。它的净赎回比例只有 36.88%,并且单独获得了 681.20 亿份的净申购。而其余九组加起来,净流出 3141.05 亿份。

如果我们再把目光往前聚焦一些:所有获得净申购的基金里,单季度净值靠前的 100 只就拿走了其中的 65.3%。

主动权益基金的赎回,像失去信任后的潮水褪去,均匀而持久。

在这之下,仅有的申购,非常集中地涌向了涨幅最头部的赢家。

这就是 2026 年和 2021 年的不同:

不再是一群人拿着新钱涌向同一个方向,而是退潮之中,仅剩的一点申购,全部涌向了涨幅最靠前的一小部分基金。

3

今年市场上有一个非常火的概念:K 型分化。

意思是,市场表现从中间分开了。一撇往上,一撇往下。

往上的那一撇,是科技。今年上半年,电子涨了 86.29%,通信涨了 73.59%。

往下的那一撇,是几乎所有其他行业。申万 31 个一级行业里,只有 10 个上涨,行业涨跌幅的中位数是 -10.26%。商贸零售跌了 29.42%,农林牧渔跌了 25.26%。

如果只看指数,你会觉得今年是个不错的年份:万得全 A 上半年涨了 11.52%。

但如果你看的是自己的账户,感受可能完全相反。全市场七成的个股在下跌,个股涨跌幅的中位数,是 -15%。

事实上,这样的分化不止发生在 2026 年。

2021 年 1 月,上证指数上涨 0.29%,创业板指数涨了 5.48%。看起来是一个平静甚至温和向上的月份。

但那一个月,个股涨跌幅的中位数是 -8.39%。四千多只有涨跌的股票里,三千二百多只在下跌,占了将近八成。其中一千七百多只跌幅超过 10%。

2021 年的分化,一点也不比今年温和。

那为什么当时的基金持有人,没有今天这么难受?

因为 2021 年,公募基金站在往上的那一撇上。

巨额的资金涌进来,买的是白酒、医药、新能源、家电这些「核心资产」。它们一起在涨。所以那个时候,一个基金经理即使没有重仓白酒,他手里的其他核心资产也在涨,日子并不难过。

而往下的那一撇,是散户手里的中小盘股票。

分化是一样的分化。但被撕裂的痛苦,落在了公募基金体系之外的人身上。

4

2021 年,抱团的后果是奖励。

谁抱得早、抱得紧,谁的净值就领先;净值领先就进入榜单;进榜单就拿到渠道的曝光和爆款的发行;新募来的钱再买入原来的重仓股,把股价推得更高,净值继续领先。

这是一个正向的循环。抱团的人,被系统奖励了。

2026 年,抱团的后果是惩罚。

因为这一次,往下的那一撇,就是公募基金自己的旧重仓。

一个今年没有买科技的基金经理,会同时遇到三件事:

第一,净值落后。因为今年涨的只有科技。

第二,份额流失。

第三,为应对赎回而被迫卖出。

这三件事还会互相加强。卖出让旧重仓跌得更多,跌得更多就有更多人赎回,赎回又逼着他继续卖。

以及还有可能一件外部看不到的:

来自基金公司内部的压力。

先看数据。

今年二季度,主动权益基金对医药的配置下降了 4.04 个百分点,有色金属下降 3.91 个百分点,电力设备及新能源下降 3.82 个百分点。当然,这里面也包含了这些行业下跌本身带来的权重下降,不全是主动卖出。

基金的前十大重仓股,一个季度里换掉了六只。贵州茅台退到了第 30 位,腾讯控股第 28 位。

而在人身上,痕迹更清楚。

主动权益基金给现有产品增聘共管基金经理的数量,2024 年下半年是 47 起,2025 年上半年 78 起,下半年 135 起,到了 2026 年上半年,205 起。

被增聘的,很多是那些重仓消费、业绩持续承压的老产品。

当然,基金行业历来都可以把任何行为包装成高大上的词汇。比如,「从个人主导到团队协作的投研转型」。

问题是,转型也都堆到 2026 年上半年一起转了?

2021 年,系统奖励抱团的人。

2026 年,系统惩罚不抱团的人。

后者要更可怕。

奖励可以放弃,但惩罚不行。

5

到这里为止,我们说的都还是基金经理的处境。

但抱团真正的代价,不在他们身上。

它在市场,在基民,也在「基金」这两个字上。

先说市场。

一个健康的市场,钱应该分散地流向不同的地方,去发现那些还没被看见的公司。这是市场定价功能里最基本的部分。

而抱团做的事情正好相反。它把所有的钱,压在同一个方向上。

当一个基金经理选择一只股票的原因已经偏离了自己的专业判断,而更多来自于公司、行业、排名、奖惩等各方面的压力时,他就无法再在这个资源配置的游戏中起到自己本该起到的作用。

今年上半年,申万 31 个行业里只有 10 个上涨。剩下的 21 个行业,无论里面的公司做得好不好,都很难被看见。因为钱不在那儿,研究员和基金经理的注意力也不在那儿。

这不是市场在选择赢家。这是钱在自我强化。

再说波动。

基金作为市场里最专业的一群人,本来应该是波动的缓冲器。抱团让它变成了放大器。

如此高的集中度,短期会把股票推到一个本不该有的价格。而当抱团开始松动的时候,同样的机制会反过来运转一遍:没有人接盘,卖出引发下跌,下跌引发赎回,赎回又逼出更多的卖出。

上涨的时候有多顺畅,下跌的时候就有多迅速。

正如过去的消费和医药。

然后是基民。

这是最不该发生、却每次都会发生的一部分。

因为钱是被业绩吸引来的,所以钱一定来得晚。基金涨了三年,最多的钱在第三年进来。而抱团的顶点,恰恰是钱最多的那一刻。

2021 年初买入的那批人,就站在那个位置上,苦等解套。

最后,是「基金」这两个字。

这是最长期、也最难修复的损伤。

公募基金本来是普惠金融最好的载体。一个普通人,不需要懂财报,不需要盯盘,只要买入并持有,就可以分享到国家和企业成长的收益。「基金」这两个字背后,是一个朴素的承诺:把钱交给专业的人,让专业的人替你做那些你做不了的判断。

这份承诺,本该是这个行业最重要的资产。

但当专业的判断被排名、压力和欲望挤走,当抱团的顶点恰好是最多人买入的那一刻,当基民发现自己的钱没有被用心对待,这份承诺就一次次落空。

「基金」两个字身上所承载的信任和期待,也就不断被消耗。

6

写到这里,我猜有人会反驳:美股不也一样吗?

七家公司,占了标普 500 三成左右的市值。这难道不是美国式的抱团?

这个反驳的前半段是对的。集中是真的,而且是五十多年来最高。

但它把两件事混在了一起:市场的集中,和基金的抱团。

先说盈利占比。

这七家公司占了标普 500 三成左右的市值,同时也贡献了标普 500 大约 23% 的盈利。

再说增速。它们的盈利增速,差不多是剩下那 493 家公司的两倍。这个差距已经持续了好几年。

美股的集中,至少有一半是财报推上去的。市值往它们那里集中,是因为利润先往它们那里集中了。

当然,我无意讨论这里面有没有泡沫。这不是这篇文章的主题。

真正关键的区别,在第二件事上。

美国的主动基金经理,对这七家公司是低配的。

七成左右的美国主动大盘基金,持有它们的比例低于指数里的权重。按高盛的测算,平均低配的幅度大约是 7 个百分点。

而且这个低配不是因为他们看空,是因为一些结构性的原因:分散化的规则限制、风控的框架、估值的纪律。很多基金按规定就不能把这么多钱压在这么少的股票上。

也就是说,美国的市值在集中,但美国的主动基金作为一个整体,正在逆着这个集中走。

我们正好相反。

相反的不是盈利。这一轮科技行情,同样有真实的盈利支撑:电子的盈利预期比整个市场早了大半年转入上行,盈利增速也显著高于其他行业。

但在盈利和市值的赛跑里,市值的涨幅中有几分是研究和洞察,有几分是泡沫和追涨?

有几分来自「如其所是」的集中,有几分来自「如其所愿」的抱团?

7

过去几年,公募基金行业经历了力度空前的改革。

2023 年 7 月开始的费率改革,分三个阶段降低了基金的管理费、托管费、股票交易佣金和销售环节的费率。这些改革触及的都是行业最深的利益。管理费是基金行业的命根子,交易佣金和销售费用背后是券商和渠道。每一条都在从行业的口袋里往外掏钱。

更重要的是,这些政策并不只是降费。

2025 年 5 月,证监会发布《推动公募基金高质量发展行动方案》,其中很多条款,恰恰是冲着抱团和风格漂移去的。

方案要求制定业绩比较基准的监管指引,让基准真正起到「表征投资风格、约束投资行为」的作用。而最直接的一条,是薪酬:三年以上产品业绩低于业绩比较基准超过 10 个百分点的基金经理,绩效薪酬应当明显下降。同时,投资风格的稳定性被纳入监管分类评价。

监管想做的事情很清楚:让基金回到自己该待的地方,别都挤到同一个赛道上。

方向是对的。力度也是真的。

但结果我们已经看到了。

2026 年二季度,抱团程度创下历史新高。

这就让这件事更让人难过和遗憾。

那究竟是什么原因,让这一轮抱团反而来得更加猛烈?

8

在回答这个问题之前,我想先引用一句我经常挂在嘴边的话。

这句话来自张小龙:

人是环境的反应器。

我越来越相信,当我们试图理解一个人,尤其是一个群体的行为时,去讨论他们的品格、觉悟或者专业水平,常常得不到答案。

不如换一个问题:他们身处什么样的环境?面对什么样的激励和约束?被什么样的欲望和恐惧所支配?

这不是为谁开脱。

恰恰相反。如果一件事是某几个人的问题,那它是可以被批评、被纠正的,甚至可以换人。

但如果这件事在一个行业里反复了二十年,如果几千个受过良好训练、彼此并不相识、也从没商量过的人,在同一段时间里做出了同一个选择,那问题可能就不止在他们身上。

在他们身处其中的环境。

而环境,是可以被看清、也可以被改变的。

9

这个环境到底是什么?

我想从一个最朴素的公式开始。

一家基金公司的收入,甚至基金行业的总收入,大体上等于:

管理规模 × 费率

非常简单。

费率是写在合同里的,如前面所说,这几年还在下降。所以真正决定一家基金公司能赚多少钱的,是规模。

规模从哪里来?

这就要看,钱是怎么一步步流到一只基金里的。

我把这条水路,拆成了三段。

第一段:钱为什么会进来。

一个人在什么时候、因为什么,决定把钱从银行账户里拿出来,交给基金。是开始为二十年以后做打算,还是因为昨天听说邻居赚了钱?

这一段决定的是钱的性质。它是长钱还是短钱,是持续的还是脉冲的,是必须靠行情反复唤醒,还是不管涨跌都会按月进来。

第二段:进来的钱,去了谁那里。

钱进来之后,并不会平均地分给几千只基金。它会流向某一些,而不是另一些。谁在决定这个分配?按什么标准分配?

这一段决定的是,什么样的行为会被奖励。

第三段:规模变成了谁的收入。

一只基金拿到了钱,这些钱怎么变成基金公司的收入、基金销售渠道的收入,最后变成基金经理的工资和奖金。

这一段决定的是,同样的规模,能被行业提取出多少收入,又怎么分给具体的人。

三段连起来,就是一个基金经理身处的完整环境。

他每天做的每一个决定,与其说是自己的选择,不如说是对这三段水路的一次反应。

现在,回到刚才那个问题:这几年力度空前的改革,发生在哪一段?

降费,改的是第三段。同样的规模,行业能提取的收入变少了。

薪酬约束、奖金递延、跟投,也是第三段。公司的收入,怎么分给具体的人。

业绩基准与薪酬挂钩这一条,试图往前伸一点,它想直接影响基金经理的持仓行为。但它使用的手段,仍然是第三段的钱包。

这些改革,几乎全部落在了水路的最后一段。

而抱团的发动机,在前面两段。

我们可以简单算一笔账。

一个基金经理跟着热门方向走,如果错了,按新规定,绩效薪酬要明显下降。可能要打个折。

但如果对了,短期业绩冲进前列,渠道的资源、平台的推荐位、新发的爆款都会跟过来,规模可能是原来的几倍。

一边是打折,一边是倍数。

他会如何选择?

改革改变了赢家能拿走多少。

但没有改变谁能成为赢家。

也没有改变,是什么在制造赢家。

改革约束了这个系统怎样分配收入,却无法改变这个系统怎样产生收入。

10

让我们沿着这条水路往上走,来到第二段:

钱进来之后,去了谁那里。

这件事发生在一个你可能不会去想的地方:手机屏幕。

当一个人心里冒出「买点基金」的念头时,这个念头会落在某个界面上。而中国最大的几家基金销售平台,掌握着这些界面。

基金业协会每半年公布一次销售机构的保有量百强榜。2025 年末的数据是:排名最靠前的三家平台,占了百强权益类保有量的 35%。

更高的是新增的部分。2025 年下半年,百强新增的权益保有量里,这三家拿走了 47%,将近一半。

当行情来临、新钱涌进来的时候,去向由它们分配。

它们按照什么规则放水?

就在我写下这段话的时候,我打开了其中最有名的那个。最显眼的,是一只「近一年收益 160%」的基金。

这就是规则。

如果把「买基金」的念头比作洪水,那么这些界面就是闸门。它们决定了洪水冲过来的时候,往哪几个方向流。

而它们的选择标准,就写在第一屏上:谁看上去涨得最多。

近一年、近半年、今年以来、成立以来,哪个口径的数字最好看,就用哪个。

你可能会说,这只是信息展示而已,又没有人逼谁买。

有一项研究,比较了基金上线互联网销售平台前后发生的变化。

结论是:上线之后,排名前 10% 的基金拿到的净流入,是上平台之前的三倍以上。

这个还不算意外,更值得深思的是另一个发现:

那些排名已经很靠前、但还差一点进入最显眼位置的基金经理,会主动提高自己的风险暴露,去搏那个位置。

因为他们知道,被排在 App 的第一屏和第二屏,得到的钱完全不是一个数量级。

基金销售平台 App 的界面,不只是展示。

它们在改变、塑造着基金公司和基金经理的行为。

而这道闸门,并不是移动互联网发明的。

在 App 之前,它是银行的柜台,是理财经理。那时候投资者普遍觉得,一块钱的基金比三块钱的便宜,于是就有了净值归一和大比例分红:把净值拆回一块钱,看上去便宜了,其实什么都没变。这个做法后来被监管叫停。

机制是一样的:闸门按什么标准放水,产品就被按什么标准造出来。

只要洪水在,闸门就一定在。

变的只是效率。那时候要靠人一个一个去说服;今天只需要一屏内容,一次就摆在几千万人面前。

回到上一节最后那句话:是什么在制造赢家。

答案的一部分就在这里。不是市场选出了赢家,是那道闸门定义了什么叫赢家,然后把钱送过去。

这个定义会变。有的年代是「净值够便宜」,今天是「过去一年涨得够多」。但不变的是,所有想成为赢家的人,都会朝着当下那个定义调整自己。

一个基金经理,无论多想坚持自己的判断,只要还希望自己的产品活下去,就必须面对这套规则。

一家基金公司,可以铺满每一条赛道,总有一两只能排到最前面,于是每一轮行情里都有它的名字。

一只新基金,可以和平台、和大 V 一起,在一天之内募到过去几年都募不到的规模。

这就是这个系统制造赢家的方式。

11

同样,我不想去评价这些基金销售机构的道德和行为。

我们还是沿着这条水路往上走,去看看这些平台自己所处的环境。

水路的第一段是:

钱从哪儿来?为什么要来?

我们做个假设,如果,大多数用户在面对那个「近一年 160% 收益」的界面,感受到的是被冒犯:

160% 的收益,是运气还是能持续?

股票市场长期的年化回报大概是 8% 到 10%,你把 160% 放在最前面,是想让我期待什么?

真按这个数字买进去,接下来会发生什么?

你是不是在坑我?

这和诈骗软件有什么区别?

这只产品你们会买吗?

如果大多数人的第一反应是这些问题,那这个界面一定不会长成今天这个样子。

残酷一点说,这些 App 的界面,只是把需求的样子,如实地显示了出来。

在「钱是怎么来的?」这个问题后面,还藏着一个更根本的问题:

在一个人决定把钱交出去之前,他的内心究竟发生了什么?

这是一个关于欲望的问题。

我们这个行业,习惯用一套很体面的话来描述自己在做的事:

「帮助老百姓管理财富,实现资产的保值增值,分享国家和企业成长的红利」

但如果我们诚实一点:进入这个系统的钱,以及过去很多年积累起来的规模,背后到底是什么样的需求和欲望?

它真的是「保值增值」吗?

几年前,三家大型基金公司联合发布过一份报告,统计了四千多万客户的真实交易记录。里面有这样一些数据:

45.96% 的客户,持有基金不到三个月。

能拿满三年的,只有 11.46%。

赚了不到 10% 就赎回的,占三分之一。

如果一个人真的是为了二十年后的养老、为了孩子的教育、为了让自己的钱慢慢变多而来,他不会三个月就走。

这些钱,并不是来做长期投资的。

那它是来赌博的吗?

也不是。

同一份报告里还有一个数字:赚了不到 10% 就赎回。

赌徒不会这样。赌徒赢了会加注,会想着翻倍,会一直待在牌桌上。

所以,进入这个系统的钱,究竟是什么?

我能想到最准确的描述是:

想赚一把,但更怕亏。

涨的时候忍不住想进来,亏的时候咬着牙等回本,而回本的那一刻,立刻离场。

12

为什么进来的钱是这个样子?

最常见的解释有两个。

第一个是:A 股的体验太差了。涨得快、跌得更快、牛短熊长、长期磨底、波动巨大 ……

在这样的市场里,看到有点利润就跑,是理性的自我保护。

我们再来看另一组数据。

根据《中国大类资产投资 2025 年报》,从 2005 到 2025 这 21 年,A 股整体的年化收益率是 10.40%,同期通胀是 2.13%。

把这 21 年的收益拆开看,最大的一块来自上市公司真实的盈利增长:剔除通胀之后,每股盈利年化增长 7.11%;而估值的贡献是每年 -0.50%。

也就是说,A 股的长期回报不是估值吹出来的,是企业真的赚出来的。它确实反映了中国经济这些年的增长。

问题不在于这个市场没有创造回报。

问题在于,这些回报没有到人的手里。

这就让「体验差」这件事,变得格外遗憾。

体验差当然是真的。

为什么波动巨大?为什么牛短熊长?为什么长期磨底?

因为这个市场里,大部分的钱背后都是同一个欲望:趁行情来的时候冲进来,赚一把就走。

而基金,只是把这个欲望放大了。

这种钱,也不是天生如此。

因为市场波动大,所以钱只敢捞一把就跑。

因为钱只敢捞一把就跑,所以市场的波动更大。

这是一个死锁。每一方都在做当下最理性的选择,然后共同制造出一个所有人都不满意的结果。

我当然不是说 A 股市场本身没有问题,我只是想说,如果把「体验差」当作唯一的答案,我们会停在一个错误的地方,好像只要市场变好了,钱自然就会变长。

但如果钱本身没有变,市场大概率也不会变。

13

第二个解释是:中国人赌性强。

爱投机,没有耐心,不适合长期投资。

说这句话的时候,我们默认了一件事:别的地方的人不这样。

2019 年的一份数据显示,A 股的换手率是 213%,美国是 107%。看上去确实如此。

那我们不妨来看看美股投资者的多面。

2025 年,当日到期的合约占了标普 500 指数期权成交量的 59%。当天买、当天到期、当天结算,这大概是离赌博最近的一种金融产品,而它已经是美国期权市场的主流。

就连巴菲特也在给股东的信里写道:「不知出于什么原因,今天的市场比我年轻的时候表现出更多的赌场特征。而赌场现在就住在许多人的家里,每天诱惑着屋里的人。」

同一年四月,标普 500 在四个交易日里跌了 12%。

但在先锋领航统计的近五百万名美国人的退休账户里,那一整年主动调整过哪怕一次持仓的人只有 5%,和上一年的历史低点持平。而其中只买了一只目标日期基金的人,调整的概率只有其他人的四分之一到五分之一。

同一个国家,同一年,同一群人。一边赌到当日到期,一边长期不动。

美国人并不是更懂配置的人。他们也可能是赌性非常强的散户。

差别不在人,在装钱的地方。

不同的容器,把「想赚一把」和「想让钱慢慢变多」这两件事,放进了两个不同的账户。

而在我们这里,它们共用同一个。

14

人是环境的反应器。

基民也是。

我们沿着这条水路来到了最上游:人的欲望。

人天然追求快速反馈、不喜欢延迟享受、想赚快钱,这无可厚非,你我皆如此。

解这个题的一个方法当然是常说的「投资者教育」,或者说,普及更多的金融和投资常识。

这当然很重要,也能起到一定的作用。

但我想提醒的是,理性和欲望的斗争中,理性总要败下阵来。

而且,现代商业社会里,大多数商业机器,包括一些基金销售平台,都在无所不用其极地利用我们身上的欲望。它们把最好的人、最多的时间,都花在如何迎合它、引诱它,最后把它变成三个指标:点击、转化、成交。

另一种解题的方式是,不去改变欲望,而是改变它能碰到什么。

不和欲望讲道理,而是把「想让钱慢慢变多」的那一部分,放进另一个容器。

15

那个容器,美国人叫它 401(k)。

它的名字,来自 1978 年美国税法的第 401 条 (k) 款。

简单说,这是美国雇主提供的一种退休账户。员工每发一次工资,就从里面划出一笔存进去,公司通常还会按比例跟投一笔。这笔钱当年可以不用缴所得税。进入账户之后,员工可以在计划给定的菜单里自己选基金,也可以什么都不选,就用默认的那个,一直投到退休。

另外,这个账户属于员工个人。钱记在他自己名下,换工作的时候可以带走:留在原来的计划里,转进新公司的计划,或者转进一个自己开的退休账户。

先看几个数字。

截至 2025 年底,美国的退休资产一共 49.1 万亿美元。其中个人退休账户(IRA)19.2 万亿,雇主提供的 DC 计划 14.2 万亿。401(k) 是后者里最大的一块,10.1 万亿,接近七千万活跃参与者。

IRA 看起来是个人自己开的账户,但每年新流进去的钱,绝大部分并不是自己存的。2020 年,流入传统 IRA 的 6169 亿美元里,有 5948 亿来自雇主计划的滚存,占 96.4%;个人自己缴纳的只有 221 亿,占 3.6%。

换句话说,IRA 主要是 401(k) 的下游。人换工作或者退休的时候,把那笔钱从雇主的计划里搬了个家。

所以我们可以把目光主要放在 401(k) 上。

这些数字看着很大,但光看数字没什么体感。我们换三个角度看它。

第一,它是美国公募基金行业的地基。

同一时点,退休账户里持有的共同基金一共 14.7 万亿美元,占全部共同基金资产的 47%。如果只看股票、混合和债券这些长期基金,这个比例是 58%。

美国公募行业近六成的长钱,来自退休账户。

第二,它是美国家庭最大的一块金融资产。

退休资产占美国家庭全部金融资产的 34%。

而 34% 还只是全国的平均数。如果只看那些拥有退休账户的家庭,中位数上,退休资产占到了他们全部金融资产的 65%。

这两个数字的差距,是财富分布的镜像:能拿出大钱主动投资的,集中在最上面那一小部分人手里。越是普通的家庭,那个自动运转的账户,就越是它的全部。

第三,也是最要紧的一点:这笔钱进入市场的方式,和我们完全不同。

它不是在行情最热的时候一次性冲进来的。

它是通过每一次工资,自动流入市场。不问价格,不看行情。

而且它买的是权益。97% 的 401(k) 参与者,账户里持有股票资产;71% 的人买了目标日期基金(可以简单理解成一种随着年龄自动调整股债比例的产品)。

再结合上一节那个数字:一整年里,只有 5% 的人自主调整过。

每个月固定进来,绝大部分买入权益,进来之后几乎不动。

这相当于在「钱从哪儿来」这个最上游的问题上,在人性的欲望之外,另外修了一条河。

而它比来自欲望的那一条,更宽阔、更稳定、更可预期。

16

这条河带来的结果呢?

先说第一个:近六成的长钱来自退休账户,这件事本身,就变成了约束基金公司行为的新规则。

美国的公募基金也抱团过。因为背后的人性是相通的。

那发生在 1970 年代初。当时有一批被机构追捧的大公司,人称「漂亮 50」,被认为好到可以「一次决策、永远持有」。到 1972 年,这五十家公司的平均市盈率是 42 倍,超过标普 500 的两倍。

随之而来的熊市,标普 500 跌了将近一半,这些抱团股票跌得更多:宝丽来跌了 91%,雅芳 86%,施乐 71%,麦当劳接近 70%。

基金行业付出的代价是这样的:美国股票基金的资产,从 1972 年的 560 亿美元掉到 1974 年的 310 亿,两年缩水 44%。而从 1972 到 1979 这八年里,只有一年不是净赎回。

这一幕,你大概会很眼熟。

而在 1972 年,401(k) 还不存在,要到六年之后,它才被写进税法。

前面说过,美股市场目前很集中,但主动型基金经理却逆着这个集中在走。这不是因为美国的基金经理就更有定力,是因为他们背后的钱,已经不是同一种钱了。

第二个结果,发生在个人投资者的欲望和赌性上。

在那些拥有退休账户的美国家庭里,中位数上有 65% 的金融资产放在这类账户里。

这些账户并不是不能用来赌。大约三成的 401(k) 计划提供自选的经纪窗口,可以在里面买个股。但真正去用的人只有 2%。

再加上提前取钱要交罚金和补税,想「赌」的那笔钱,基本都得从别处出。

欲望没有被消灭,它只是被关进了一个更小的房间。

第三个结果:这样大量、定时、长期的钱,在塑造整个市场的性格。

你可能会以为,是因为它源源不断地买。

但事情不是这样。2023 年,美国私营部门的 401(k) 型计划全年收到缴费约 6777 亿美元,同期支付出去的退休金约 6852 亿美元。

净流入几乎等于零。

它对市场波动的影响,来自三个地方。

第一,进和出都不看价格。每年七千亿美元按发薪日机械买入,跌了照买;退休的人按自己的年龄取钱,涨了也不多卖。市场因此少了一个放大器。

第二,跌的时候没有人跑。2009 年一季度,金融危机最深的时候,只有 2.7% 的参与者停止缴费;2020 年疫情那一年,停缴的是 2.3%,提前取钱的是 3.8%。

第三,目标日期基金还会自动反向。股票涨多了,它自动卖股买债;股票跌多了,会反过来。

这是一个和欲望、和冲动完全相反的结构。

现在回头看我们自己那个死锁:因为市场波动大,所以钱只敢捞一把就跑;因为钱只敢捞一把就跑,所以市场的波动更大。

这个循环,从里面是解不开的。

当然,我不是想把美股市场的体验完全归功于 401(k),给任何一个复杂系统归因都是妄念。

它自己也远算不上完美。直到今天,美国私人部门还有超过四分之一的劳动者,根本没有雇主提供的退休计划;它建立在「工资有余量」的前提上,越是低收入的人,从它身上得到的越少。而计划里的基金菜单,也一样会被销售分成和商业关系塑造。

但很难否认的是,尽管有各种各样的问题,但这套机制还是在一定程度上改善了市场的体验。

17

好消息是,中国也开始建自己的个人退休账户了。

2022 年 11 月,中国的第三支柱,也就是个人养老金制度,开始在 36 个城市试点。2024 年 12 月,推广到全国。

截至 2025 年三季度末,全市场三百多只个人养老金基金的总规模,大约 151 亿元。

而截至 2025 年末,中国公募基金的总规模是 37.71 万亿元。

它大约占公募基金总规模的万分之四。

在美国,这个数字是 47%。

万分之四,是一股太细的水。它还冲不动这个行业。

这个行业的行为,仍然由最上游那种钱决定。

为什么这两个数字会相差如此之大呢?

推出的时间还短,当然是一个因素。

但更重要的,是看清个人养老金对应的是什么。

它对应的是美国的 IRA,不是 401(k)。

前面提到过,流进传统 IRA 的钱里,绝大部分是从雇主计划滚存过来的,个人自己存进去的只是零头。

美国的第三支柱,是第二支柱的下游。

IRA 是水库,401(k) 才是那条河。

18

先看一组数字。

2020 年,美国人自己主动缴存进 IRA 的钱,传统 IRA 加上 Roth IRA,一共大约 550 亿美元。

而自动流进 401(k) 这类计划的钱,2023 年是 6777 亿美元。

差了十二倍。

同一个国家,同一批人,同样是为退休存钱,同样有税收优惠。

差别在哪儿?

让一个人把钱存进去,IRA 只用了一种办法。401(k) 用了三种。

第一种是税收优惠。这一种两边都有。

它是递延的:今天存一块钱少缴一点税,将来取出来还要缴。折算下来好处有限;如果你本来的税率就低,几乎等于零。

更重要的是,它要求你先知道有这么回事,看懂规则,算清楚划不划算,然后主动去做一次。

它要求你动用理性。

第二种是雇主匹配。这一种只有 401(k) 有。

最常见的公式是:你存到工资的 6%,公司按一半跟投,再给你 3%。

数学上,它不是递延,是立刻到账:你存一块,账户里变成一块五。

但它真正厉害的地方在感受上:这笔钱会被当成工资的一部分。不参加,等于自愿降薪。

这是一个损失,不是一个错过的机会。

而且它还替你定了一个目标。一个人其实算不出自己该存多少,这件事本来也没有标准答案;而「公司配到 6% 为止」是一条现成的线。于是绝大多数人的缴费比例,就密集地落在那条线上。

它不要求你动用理性。它只要你害怕失去。

第三种是默认。这一种也只有 401(k) 有。

有一项经典研究,看的是一家美国公司。这家公司什么都没变,只把「想参加就来报名」改成了「默认参加,不想参加请退出」。

新入职员工的参与率,从 37% 涨到了 86%。

同一批人,同一份福利,同一个说明会。只是把那句话反过来说了一遍。

它连「害怕」都不要求。它只要你什么都不做。

三种办法,对人的要求一种比一种低。

而它们的效果,一种比一种大。

IRA 只有第一种。

我们的个人养老金,也只有第一种。

我要不要开这个账户?

开了之后,今年存不存?存多少?什么时候存?

存进去之后买什么?账户里有一千两百多只产品:储蓄、理财、保险、基金,我该买哪一类?

如果买基金,前面说的那三百多只,挑哪一只?

买完之后涨了跌了,要不要换?

每一个问题,都需要一个人停下来,想一想,然后做一个决定。

而在 401(k) 那一边,这些问题都有一个预先填好的答案。

你可以改,但不改也行。

19

人性有很多面。懒惰、贪婪、恐惧、嫉妒,都在里面。

你当然可以选择去利用这些弱点牟利。前面已经说过,很多人正在这么做,而且做得很「成功」。

但你也可以选择,用同样的弱点去做一件正确的事。

比如,利用一个人的惰性,帮他把钱存下来,并且存进一个会随着时间和经济增长慢慢变大的地方。

这不需要他变得更自律,也不需要他懂投资。只需要他什么都不做。

当然,这里有一个巨大的前提:

默认是中性的。

它不判断对错,只负责把绝大多数人送到同一个地方。

如果那股巨大的默认水流被导进我们今天这套机制,导进榜单的第一屏,导进近一年收益 160% 的那只基金,导进一个正在被所有人抱团的赛道……那会是灾难。

这件事,美国正好走过一遍。

2006 年以前,美国也有公司在做自动加入,但默认投的多半是货币基金这类保本产品。原因不是雇主保守,是雇主怕担责任。

替一个从没表过态的员工买了股票基金,亏了要算在他头上。

2006 年的《养老金保护法》和劳工部随后的规则,改的正是这一条:只要默认投向属于规定的那几类,雇主就不必为这笔亏损负责。

而规定的那几类是随年龄自动调整的目标日期基金、分散的平衡基金和受托管理的账户;不在里面的,是个股、单一行业基金,以及可以长期躺着的货币基金。

一张免责单,同时也是一份产品标准。

前面那个 71%,就是从这里来的。二十多岁的人,401(k) 账户里平均 90% 是权益,六十多岁的是 61%。

美国国会研究服务局当年那份报告里有一句话:很多参与者的行为是被动的,对他们来说,默认选项往往就成了永久选项。

那句话当年是一句警告。今天,它成了一句描述。

所以,回到我们自己。

既然我们相信股市长期会反映经济的增长;

既然我们相信分散比集中更可靠;

既然我们已经承认,人很难在每一个当下都战胜自己;

那么一个好的默认,就应该把水引到那些地方去,引到长期的、分散的、低成本的、随着年龄自动调整的地方。

而不是引到最近一年涨得最好的那只基金上。

如果我们能修出这样一条水路,它保护的不只是存钱的人。

它同时改变了另一端:在这条水路的下游,风格漂移、抱团、赛道基金,长不起来。靠一个季度的排名做大规模的做法,也长不出来。

因为水根本不往那儿流。

20

当然,我并不是说要照搬 401(k)。

中国和美国,国情和发展历史完全不同。

我们的第一支柱要大得多,承担的责任也更多。而中国雇主的强制缴费成本,本来就已经比较高:美国雇主为社会保障和医疗保险缴的钱合计是工资的 7.65%,我们这边各项加起来,在 30% 到 40% 之间。

在这样的基线上,再让企业自愿多拿出几个点去修一条新的水路,很难。

这些都是不同国家、不同发展阶段留下的条件,没有谁对谁错。

但也许,我们可以从美国这段经历里,拿走那个最重要的东西。

不是税收优惠,而是默认。

利用人的惰性,默认地替他做一些正确的事:

默认每月自动存一笔;

默认买入权益;

默认随着年龄增长,自动降低权益的比例;

默认低成本、长期、分散、指数化。

这里面没有一条需要把普通人「教育」成投资专家。

它们只需要让「什么都不做」,变成一件正确的事。

21

也许你拥有和我一样的好奇:401(k) 这样一套东西,当初是怎么被设计出来的?

答案是:它没有被设计过。

1978 年,美国国会通过《税收法案》,在第 401 条下面加了一个 (k) 款。

国会当时想解决的是另一件事:给企业高管递延分红这类安排定个规矩,别让他们把太多收入藏在里面不缴税。

它是一条限制性的条款。没有人打算用它来改变几亿人的退休。

两年之后,宾夕法尼亚州一家小型福利咨询公司里,一位名叫泰德·贝纳的顾问,在给一个银行客户设计高管奖金方案的时候,重新读了这一条。

他发现,这条法律并没有禁止另一种用法:让每一个员工都把一部分工资在缴税之前存进去,公司再按比例跟投一笔。

而「员工税前缴存」和「雇主跟投」这两件事,恰恰是国会写下这一条的时候完全没有想到的。

那个银行客户没有采纳,顾虑是这个用法太激进,政府反应过来会把它堵上。

于是 1981 年,贝纳把这个方案用在了自己公司身上。同年 11 月,美国国税局发布拟议规则,明确员工可以通过工资代扣、以税前的形式缴存。

一条本来用来限制的条款,就这样变成了一条通道。

但一个意外只能解释它怎么出现,解释不了它怎么长大。

真正让它长大的,是这条通道上,几乎每一方都有好处。

员工喜欢它,因为钱是税前存的,公司还会再给一笔,而且记在自己名下,换工作可以带走。

雇主喜欢它,因为比起旧式的养老金,投资的风险不再由公司承担,公司跟投的那一笔也不用缴工资税。而且按照规定,高管自己能存多少,要看普通员工参加得够不够多,所以老板会更有动力去推进。

基金公司喜欢它,因为这是一笔每个月准时进来、几乎不会中途跑掉的钱。

一件事能不能快速长大,往往不取决于它对不对,而取决于链条上的每个人能不能从中拿到对自己有利的东西。

401(k) 罕见地同时占了两样:它是对的,而且每一方都有好处。

更进一步,一套制度最后的样子,往往是一个补丁接一个补丁长出来的。

401(k) 也是。

自动加入不在 1978 年那条法律里,它是整整二十年之后,才被国税局的两份文件慢慢放行的。

默认投资的免责规则也不在里面,那是 2006 年和 2007 年的事。

目标日期基金同样不在里面,它是 2007 年那份规则从一堆产品里挑出来的。

而「新设立的计划必须默认自动加入」,要到 2022 年才写进法律,2025 年才开始执行。

四十多年,一层一层补上去。

一个意外的开始;

一条每一方都有好处、所以推得动的通道;

再加上四十多年不停的补丁和迭代。

没有天才,也没有一次性的顶层设计。

22

401(k) 能长成那样,靠的不是它有道理。

而基金投顾这件事,道理一直是对的。

试点从 2019 年开始,到 2025 年正好六年,全行业的服务资产接近两千亿元。

放在 37.71 万亿的公募总规模里,大约千分之五。

比个人养老金那个万分之四大了一个数量级,但还是同一个故事:它还没有大到能改变什么。

行业里有一个流传很广的说法:基金销售是卖方,基金投顾是买方;买方代表客户的利益,所以它一定能长起来。

但这个推理并不成立。

申购费一路打折,支付通道又要成本。今天基金销售平台的收入,很大一部分早已不是申购费,而是从管理费里分出来的那一块:客户维护费,业内俗称尾随佣金。2024 年,这笔钱是 354.8 亿元,接近管理费总额的三成。

而基金公司的收入,本来就是管理费。

那么站在一个用户的角度:管理费的分成,和投顾费,除了名字不一样,区别在哪里?它为什么就更代表我的利益?

回到前面那个公式:

收入 = 管理规模 × 费率

不管这笔费叫管理费还是投顾费,费率都是写在合同里的、相对固定的一个数。乘法的另一边,还是规模。

任何一家商业机构在优化这个公式的时候,要解的都是同一道题:怎么把规模做大。

而规模的背后是需求,需求的背后,是人心里的那个欲望。

这个欲望,和前面那些基金销售所面对的欲望,有什么不同吗?

如果在大街上随便找一百个人,问他们基金和投顾有什么区别,你觉得能分清的有几个?

就算去问行业里的从业者,又有多少人能说清楚?

23

基金和投顾,究竟有什么不同?

投顾背后所满足的不同于基金的需求,究竟是什么?

我们还是可以看一下美国的历史。

在 401(k) 逐步取代旧式养老金的过程里,有一件事被改变了:投资的决定权,连同风险,一起从公司转到了个人身上。

存多少、投什么、退休之后怎么一点一点取出来,这些原本由公司和精算师完成的事,忽然变成了每个人自己的问题。

某种程度上,对建议的需求,是这样被制度造出来的。

但美国最后接住这个需求的,并不只是顾问。

只有大约三分之一的美国人有顾问;接近一半的人,到今天也没有一份书面的财务规划。

剩下的那些人,前面那三个问题并没有消失,只是不用他们自己回答了。钱每个月自动进去,自动买进一只随年龄调整股债比例的基金,一直到退休。

这就是前面说过的那套默认。它没有给任何人建议,却替大多数人做完了那些决定。

而且,顾问做的事,也远不是「帮你选基金」。

先锋领航有一份被引用了很多年的测算,把一位顾问能为客户创造的价值拆成七项:用分散的产品做资产配置、把成本降下来、再平衡、行为辅导、把资产放在哪个账户里、退休以后按什么顺序取钱,以及看总回报还是只盯着分红和利息。

七项加起来,客户每年的净回报可以多出大约三个百分点,甚至更多。

其中最大的一项是行为辅导,最高能占到两个百分点以上。先锋自己的说法是,这可能是顾问手上所有工具里潜在价值最大的一个。相比之下,帮客户把费率降下来大约值 0.3 个百分点,再平衡大约 0.14 个百分点。

而行为辅导需要去对抗的,恰恰是用户心中的那些欲望。

对抗?还是,利用?

而做这个选择的,并不是投顾机构自己。

前面说过,40% 以上的增量集中在少数的那些闸门和入口。

当「买基金」的念头升起,这些需求的洪水会涌到这些入口。

如果这些念头根本分不清基金和投顾,他们的注意力和最终的命运,完全取决于这几个 App 如何来引导和转化。

不妨做个头脑实验。

摆在它们面前有两个选择。

一个是用投顾来接:分散、资产配置。而这也意味着没有锐度,不吸引眼球,不迎合那些原始的欲望。

另一个是用现在这套来接:近一年 160%。

你觉得它们会选哪个?

答案已经给过了。界面上放什么,取决于什么最能转化。

而投顾,正好是那个最不容易转化的东西。

24

可惜的是,被挡在外面的那个,才是更好的那个。

对用户更好的那个。

比起单只基金,投顾会显著改善基金投资者的体验。

原因很简单:

它没有首发,所以不会在最热的时候被一次性推出去。

它天然是分散的,虽然现在赛道型的投顾组合也已经开始出现了。

它还有一个来自主理人的、持续的陪伴。而最后这一件,就是先锋说的行为辅导。

这三件事,没有一件是在迎合那个欲望。

所以问题从来不在于投顾好不好。

它确实更好。

问题在于,在这个系统里,「更好」从来不是被奖励的那样东西。

投顾的大发展,需要去解这样一道题:

在一条奖励「利用欲望」的水路上,做一件「对抗欲望」的事。

如果你是一家基金公司,你要说服渠道把位置给你。可渠道靠转化吃饭,而你手上的东西是最不容易转化的。

如果你是一家机构里的投顾团队,你要向公司证明自己的价值。可公司拿什么衡量你?还是规模。而规模长得最快的那条路,前面已经讲了很多。

两个方向,最后撞上的是同一堵墙:

你要用一件对抗欲望的事,去赢一场按利用欲望计分的比赛。

还有第三种可能。

不在这条水路上求一个位置,自己去修一条。

25

自己修一条,是一家机构能给出的答案。

那整个行业呢?

答案恐怕还是在前面那三段水路里。

第一段,钱为什么会进来。这一段的背后,是人的欲望。

第二段,进来的钱去了谁那里。这一段决定什么样的行为被奖励。

第三段,规模变成了谁的收入。这一段决定这些钱最后怎么分。

这几年的公募基金高质量发展改革,改的主要就是第三段,也开始往第二段延伸。

它动了很多人的利益,也给基民省下了真金白银。

但如果想要更大的改变,恐怕得往上游走。

先说第一段。它是最重要的。

如果我们能催生出一种惰性的、默认的、不依赖人主动决策的需求,那当然最好。如果我们的行业也能长出一条像 401(k) 那样宽阔而稳定的河,它一定会改变下游所有的行为。包括抱团,也包括投顾。

如果暂时还没有这条河呢?

投资者教育一定是有用的。它会改善需求,驾驭人心底的那个欲望。

但它很慢。

而且正如前面说过的,人的理性在和原始冲动对抗的时候,很难占上风。

于是,就剩下第二段。

而第二段的症结,前面已经见过了,就是那道闸门:基金销售平台的 App,银行和券商的理财经理队伍。

一个界面把什么放在第一屏,一支队伍被考核什么、推荐什么,这些都不是用户选的。

但对绝大多数人来说,不主动去找,看见的就是这些。看见什么,买的也就是什么。

一样东西,你什么都不做,它就替你把决定做了。

这样的东西,前面我们给它起过名字:默认。

我知道很多人会说:这是市场化的行为,每家有每家的做法,不该被横加干涉。

如果入口足够多、足够分散,这个说法是成立的。

可现实是,海量的欲望,被导进了极其狭窄的几个入口。第一屏放什么,事实上就是在替几千万人回答那个问题:买什么。

而「默认」,需要被看见,需要被讨论,需要被认真对待。

26

写到这里,我想到了「四笔钱」。

2018 年,我和伙伴们提出了「四笔钱」,把一个人的钱,按它在生活里的用途分成四份:活钱管理、稳健理财、长期投资、保险保障。

当年想解决的问题很具体。

我们发现,投资者亏钱最主要的原因,往往不是买错了,而是「被动的卖出」。一笔三个月后要交首付的钱,被放进了一只波动很大的基金,于是在最不该卖的那一刻,不得不卖。

而当时通行的风险测评,问的是「你能承受多大的亏损」。它默认一个人只有一种风险偏好。可事实上,同一个人身上,明天要用的钱和二十年后才用的钱,根本是两种东西。

所以「四笔钱」做的事情,其实只有一件:

它把界面上的第一个问题,从「买什么」,换成了「这笔钱在你的生活里是干什么用的」。

回答「买哪只基金」,需要你懂投资。

回答「这笔钱我大概多久要用」,只需要你了解自己的生活。

后者,每个人都答得上来。

于是有一部分钱,在进入市场之前就被分流了。短期要用的去了活钱,中短期的去了稳钱,剩下那部分真正长期不用的,才进入权益。

在之后的几年里,「四笔钱」和它的各种变体,几乎成了基金销售平台、银行和券商的标配。

直到今天,我才比以往任何时候都更明白这件事的意义。

因为它成了「默认」的一部分。

它没有教育任何人,也没有要求任何人变得更自律。它只是换掉了一个问题。而这个问题,出现在无数人打开 App 的第一屏上。

我想把这个例子写给所有基金、投顾行业的同行。

钱的背后是人。

我们的每一次微小的界面改动,每一次考核指标的调整,动的都是那道闸门,迎接的都是一个人心里最原始的那些欲望。

而这些,真的在影响那些人的生活。

27

写到最后,我想起在美国的一次聊天。

朋友的儿子 Andy,十岁。我问他:你知道什么是股票吗?

他说:知道啊。股票就是爸爸工作的那家公司。爸爸每个月发工资,会有一部分变成股票。公司经营得好,股票就会涨,就会变成更多的钱。

这让我非常惊讶。

在国内,我遇到过很多在自己领域里认知极高的人。做企业的,做技术的,做研究的。

但一谈到股票,语言会忽然换成另一套:政策、消息、谁在拉、什么时候撤。

很少有人从公司开始谈起。

这当然不怪他们。

一个十岁的孩子能把「股票是什么」说清楚,可能来自他的老师、他的家长、他上过的课。

但一个社会对股票的共同认知,不会来自多上几节课。而是因为在那里,这件事本来就是这么发生的:钱每个月自动进去,账户慢慢长大,长了很多年。

401(k) 改变的,可能不只是市场的波动和体验。

它可能还改变了一个国家的人,怎么理解投资这件事。

不需要理解。

只需要看见。

明天,是有知有行六岁的生日。

有知有行刚刚成立的时候,我曾经在一期播客里给自己定过一个现在看来相当大言不惭的目标:

降低中国股市的波动,让更多人赚到钱。

我总觉得,在一个经济长期增长的国家,在一个长期能够反映这种增长的市场里,如果因为种种原因,市场的参与者没能分享到这些成长,反而在这个过程中受到伤害,那真的是一件可惜而难过的事。

我不知道这个目标能不能达到。

未来无人知晓。

我只希望,我们每个人都能从自己能改变的那一点点地方开始。

哪怕只是换掉一个问题。

很多年以后,会有一个十岁的中国孩子,被问到同样的问题:你知道什么是股票吗?

我们今天所做的事情,会写进他的答案。

跳转微信打开

  •  

AI专栏 | 每天被 oncall 打断到无法写代码?携程机票前端用这套方法把重复问题解决了2/3

原创 Sheila 2026-08-06 17:00 上海

让研发从“救火”回到“建设”

作者简介

Sheila,携程资深研发经理,关注前端性能优化与 AI Agent 驱动的研发效能建设。

团队热招岗位:AI Agent开发工程师

导读:每天被拉群、被私聊、被问同样的问题——携程机票前端团队的oncall曾一度占据研发大量精力。过去6个月1000+条事件统计显示,近一半是“接口参数确认”“业务逻辑解释”这类高重复问题。团队用一套“飞书多维表格+知识问答+机器人”的组合方案,把重复劳动从40%打到15%,单次处理时长从100+分钟压缩至40分钟。怎么做到的?本文拆解完整落地路径。

一、背景介绍

1.1 提效场景介绍

1.2 痛点分析

1.3 提效目标

二、解决方案

2.1 使用的飞书工具和方案亮点

2.2 提效的实现路径和步骤

三、业务价值

3.1 提效情况和前后对比

3.2 应用成果分享

3.3 后续规划

本文分享的 oncall 体系由携程机票前端团队搭建并落地实践,聚焦机票业务场景下的研发 oncall 痛点,以前端视角切入,打造知识驱动型研发支持体系。

一、背景介绍

1.1 提效场景介绍

在业务高速增长、系统复杂度不断提升的背景下,携程机票前端研发团队的 oncall 已从偶发支持演变为高频、刚性的日常工作。大量精力被消耗在排障、业务逻辑解释、接口参数确认等事务性工作上,持续挤压了团队在架构优化和产品创新上的投入。

传统 oncall 依赖零散的 IM 私聊、电话、邮件等非结构化渠道,缺乏统一入口和可追溯记录;问题处理状态不透明,责任边界模糊;解决方案沉淀严重不足,同类问题反复出现、重复解答,既影响研发体验,也拉低整体研发效能。在此背景下,机票前端团队开始系统性思考:如何通过"知识库 + 流程"重构研发 oncall 体系——这正是本文希望回答的核心问题。

1.2 痛点分析

1.2.1 Oncall 定义与范畴

研发 oncall 是研发团队在约定时段内处理与业务系统相关的突发技术事件或高优先级咨询的机制。典型场景包括:

  • TS 排障与工单升级

  • 产品逻辑与业务规则问询

  • 接口字段、参数、返回值确认

  • 特定活动/版本的配置与风控规则解释

参与角色横跨 TS、产品、运营、研发、运维等多个职能,是连接业务与技术的“最后一道防线”。

1.2.2 Oncall 来源与占比

基于携程机票前端团队对过去 6 个月、1,000+ 条研发 oncall 事件的脱敏统计,我们得到以下结构性结论:

  • 按发起方

    • 技术支持:约 1/3

    • 产品经理:约 1/4

    • 运营:约 1/5

    • 测试 & 研发/运维:其余约 1/5

说明 oncall 已成为多角色、多团队的交汇点,问题来源分散。

  • 按问题类型

    • 业务逻辑咨询:约 26%,重复率 ~64%

    • 接口参数/字段确认:约 21%,重复率 ~70%

    • 系统异常排查:约 17%,重复率相对较低(~28%)

前两类“解释型”问题合计接近一半,且高重复、高可标准化。

  • 按处理结果

    • 仅为简单确认/解释:约 43%

    • 小修改/配置调整即可解决:约 29%

说明相当比例的 oncall 并非“技术难题”,而是信息获取与知识暴露问题。

以“接口参数确认类问题”为例:单次平均处理耗时约 0.4 小时,同一问题在 6 个月内重复出现 20+ 次,累计浪费数十小时研发人力;同时还伴随上下游沟通协调成本。

1.2.3 问题分析:来源杂乱、状态不清、无知识沉淀

结合定性访谈与数据分析,机票前端团队识别出当前研发 oncall 面临至少三类系统性问题:

  • 来源杂乱,缺乏统一登记

    • 问题入口分散在飞书私聊、群聊、电话、邮件等多个渠道

    • 事件往往缺乏“工单化”记录,无法准确统计 oncall 真实负载

    • 值班人员接收信息零散,排期难以掌控,容易“漏接”与“重复接”

  • 处理状态不透明,协作效率低

    • 提交方难以获知当前处理进度与负责人

    • 相同问题在不同渠道多次被提起,进一步放大负载

    • 事件优先级与升级规则不清晰,紧急任务易被信息噪音淹没

  • 缺乏知识沉淀,重复劳动严重

    • 解决方案散落在聊天记录、个人笔记和过往经验中

    • 缺少结构化的知识条目与统一检索入口

    • 新人或外部团队很难快速自助获取答案,只能继续“问人”

结论:当前模式本质上是“事件驱动 + 人肉协作”的即时通信体系,缺少标准化 SOP 和知识闭环,导致 oncall 事件“越处理越多”,形成恶性循环。

1.3 提效目标

核心问题:减轻 oncall 工作量,而不是取消 oncall。

oncall 本质上是保障业务连续性和用户体验的必要机制,无法也不应被简单取消。需要解决的,不是“要不要 oncall”,而是“哪些 oncall 必须由人来做、哪些可以交给系统”和“在人必须介入时,如何把每次的处理成本打到最低”:

  • 将尽可能多的高频、标准化问题,从“必须人工处理”转变为“优先由系统自动解决”;

  • 在必须人工介入的场景下,通过流程与工具优化,显著降低单次处理成本。

因此,携程机票前端团队将本项目目标定为:在不牺牲业务稳定性的前提下,系统性减少 30%~50% 的 oncall 事件量与人力投入,使研发从"被动救火"回到"主动建设",具体体现在:

  • 统一入口与流程,形成可统计、可追踪的工单体系;

  • 知识优先匹配,能自动解决的尽量自动解决;

  • 强制知识沉淀,形成“越用越聪明”的正向循环。

二、解决方案

2.1 使用的飞书工具和方案亮点

围绕上述痛点,携程机票前端团队提出“知识驱动型研发 oncall 体系”,核心理念是:

让“知识”和“流程”成为 oncall 的第一责任人,让“人”更多处理边界与例外。

具体目标包括:

统一入口与流程:所有 oncall 通过标准化提需入口进入多维表格工作台,形成可统计、可追踪、可分派的工单。

知识优先匹配:每个新 oncall 先自动匹配知识库与历史记录,能自动解决的尽量自动解决。

标准化 SOP 流程:从提需、分派、处理到闭环确认,每一步都有明确责任人与状态。

强制知识沉淀:每一个完成的 oncall 事件,都对应一条结构化的知识资产,形成“越用越聪明”的正向循环。

基于飞书生态,我们构建了一套“多维表格 oncall 工作台 + 知识问答 + 机器人 + 话题群”的组合方案,在不引入新系统的前提下完成改造。

2.1.1 Oncall SOP:从提需到闭环的标准流程

流程概览 -标准化 SOP 被抽象为四个阶段:

1)提需:

    • 统一从飞书“提需入口”提交 oncall 需求(应用 / 消息卡片 / 多维表格表单)

    • 强制填写关键信息:业务线、问题类型、优先级、影响范围、相关链接等

2)智能分派:

    • 按业务线、模块与问题类型自动路由到对应值班组

    • 支持按轮值规则与负载情况自动指定责任人

3)机器人 oncall(知识优先):

    • 机器人自动拉起话题群,抓取提问内容与结构化字段

    • 调用飞书知识问答与历史 oncall 记录,返回候选解决方案

    • 对高匹配度问题(如接口参数说明),可直接给出答案并请求发起人确认

4)人工 oncall 与闭环沉淀:

    • 对复杂或低匹配问题,由值班研发接手处理

    • 处理完成后,在工作台一键闭环,并自动触发知识条目创建与补充流程

关键机制
  • 自动提醒与升级:

    • 提交后超 2 小时未响应,自动提醒责任人

    • 超 24 小时未解决,自动升级给负责人或 higher-level 值班

  • 状态全程可见:

    • 提交方与处理方在同一 oncall 话题群与工作台视图中共享状态

    • 支持按业务线 / 人员 / 状态维度实时统计与追踪

2.1.2 方案设计:飞书生态下的知识驱动 oncall 体系

核心组件 - 围绕 SOP,我们在飞书上搭建了四大组件:

1)多维表格 oncall 工作台

    • 作为 oncall 的中枢系统,承载问题登记、分派、状态流转、统计分析

    • 通过约 10~15 个结构化字段保证信息完整性(业务线、模块、类型、优先级、影响范围、处理人、SLA 等)

2)飞书知识问答与知识库

    • 承载业务规则、接口文档、故障排查手册等结构化知识

    • 通过关键词 + 语义检索,为 oncall 自动给出候选答案

    • 支持按“业务线 / 模块 / 标签”组织知识,便于维护

3)智能 oncall 机器人

    • 负责在话题群中自动响应、拉取上下文、调用知识问答

    • 在工单创建、分派、处理、升级、关闭各节点自动发消息同步状态

    • 将话题群中的关键信息回写到多维表格与知识库

4)按业务线划分的 oncall 话题群

    • 将问题讨论集中在线程化话题中,避免信息被沉没在大群

    • 配合机器人和知识库,形成“边沟通边沉淀”的工作方式

与飞书生态的集成方式 - 整个方案基于飞书现有能力实现,无需自研复杂平台:

  • 多维表格作为“数据中台”

  • 知识库 + 知识问答作为“知识中台”

  • 机器人作为“流程中台”与“交互入口”

  • 话题群作为“协作中台”

这种“基于平台、融入平台”的策略,使 oncall 流程自然嵌入团队日常协作,降低学习成本与推广阻力。

2.1.3 知识沉淀机制:让每次 oncall 都变成资产

在本方案中,“知识沉淀”不再是可选项,而是 oncall 流程的必经步骤。

知识运营与质量保障

为避免“建而不用”或“越用越乱”,我们配套设计了简易但有效的知识运营机制:

  • 条目责任人制:每条知识明确业务 / 技术负责人

  • 双人审核机制:关键条目需要业务和技术双重确认

  • 有效期与复审:超期条目自动标记“待复核”

  • 使用反馈与权重:基于点击量、解决率和用户反馈定期优化条目

2.2 提效的实现路径和步骤

机票前端团队的方案落地主要围绕几个关键节点展开:业务知识库初始化、oncall 流程编排、多维表格 / 工单应用配置、机器人与知识沉淀机制。以下步骤可结合实际配置截图按序实现。

2.2.1 前置条件:业务知识库初始化(飞书知识问答 + 飞书 aily 机器人)

1)基于飞书知识库梳理首批业务与排障知识

基于飞书知识库梳理并录入首批业务知识与排障知识,按业务线 / 模块建立目录与标签。首先需要一个初始版本的知识库来进行问答查询,建立规则可参考:

知识库空间创建:

打开飞书aily开发者后台,创建一个知识空间,配置参考如下:

直接选择父节点的文档即可导入所有内容,文档内有更新会在30分钟内进行自动同步。确保了我们可以一次选用知识库后,后续可以无需改动即可连接到新知识。

2)使用飞书 aily 创建问答助手,绑定知识库实现语义检索

使用飞书 aily 创建一个问答助手,并将其与知识问答能力绑定,使其能够基于企业知识库进行语义检索与在线对话问答。

打开飞书aily开发者后台,创建一个工作流,默认工作流修改如下,关联第一步的知识库空间即可:

3)发布该工作流,完成该步骤后,将产出一个可在群聊 / 私聊中直接 @ 的 aily 问答助手,作为后续 oncall 机器人的基础能力。

2.2.2 Step 1:搭建 oncall 工作台

整体链路为:飞书机器人接收 oncall 提问 → 写入多维表格 / 工单底表 → 处理结束后触发知识库沉淀。

你可以直接复制本文对应的工单模版,快速搭建一套属于自己的 oncall 应用;如果场景相对简单,也可以只使用飞书新版多维表格完成底表搭建与自动化配置。

选择一:简单场景(多维表格 + 自动化)

适合 oncall 逻辑相对简单、参与角色较少的团队:

  • 搭建一个新版多维表格作为 oncall 底表:包含基础字段(问题描述、业务线、优先级、处理人、状态、结束时间等)。

  • 使用多维表格「自动化」能力,在“新增记录”“状态变更”等节点触发机器人通知和知识沉淀动作。

  • 通过视图和筛选即可完成简单的统计与复盘。

选择二:复杂场景(工单应用 + 多维表格)

适合 oncall 流程复杂、需要长期复盘与精细化运营的团队:

  • 复制本文示例的 oncall 工单应用模版,即可快速搭建一套完整的 oncall 工单系统。

  • 相比直接使用多维表格,工单应用提供更友好的操作界面、响应时长等关键指标的可视化能力,更适合做长期趋势分析与复盘。

  • 自动化规则仍然配置在底层多维表格中,可参考“选择一”的自动化方案进行配置。

2.2.3 Step 2:配置 oncall 机器人与智能分派

  • 在 oncall 话题群中,研发 / TS / 产品等同学通过 @ oncall 机器人发起问题。

  • 机器人根据预设规则(如业务线、模块、问题类型)结合“熟悉业务范围 + 过往 oncall 处理总数”等指标进行智能分派,将工单指派给合适的值班同学。

  • 在分派和处理过程中,机器人优先调用前置配置好的 aily 问答助手和知识库,为发起人返回候选解决方案;若命中度不足,再引导转人工处理。

2.2.4 Step 3:构建知识驱动循环

  • 每个 SP(服务周期 / 值班周期)结束后,由对应 oncall 同学对本周期高价值问题进行知识总结,补充到业务知识库和排障知识库中。

在此步骤直接使用“飞书知识问答”进行群聊上下文总结。

  • 实践中,可以在工单应用或多维表格视图中增加一个“沉淀知识”按钮:点击后自动拉起指定群聊 / 话题,@ 相关处理人,并附带本次 oncall 的关键信息,引导完成结构化总结。

  • 通过自动化将“沉淀知识”按钮与知识条目创建流程打通,实现:点击按钮 → 拉群讨论补充 → 一键提交为知识条目 → 进入飞书知识问答索引。

  • 随着每个 SP 的结束,知识库不断扩充,形成“问题处理 → 知识沉淀 → 下次优先由知识解决”的良性循环。

三、业务价值

3.1 提效情况和前后对比

携程机票前端团队在完成体系改造后,关键指标对比如下:

  • 响应速度:平均响应时间从约 120 分钟缩短至 40 分钟左右。

  • 重复劳动:重复问题占比从约 40% 降至 15% 左右。

  • 处理效率:单次 oncall 处理时长从 100+ 分钟压缩至 40 分钟左右。

  • 知识资产:知识沉淀率从不足 10% 提升至接近 80%。

3.2 应用成果分享

3.2.1 研发体验与业务满意度

  • 研发人员 oncall 相关满意度显著提升,主观“被打断感”明显下降

  • 业务方对 oncall 响应及时性与方案清晰度均有满意度上升

  • 跨部门协作成本下降,产品需求与技术实现的一致性显著提升

3.2.2 知识资产与可持续价值

  • 知识库条目数与使用频次呈稳健增长,高频场景覆盖率接近全部高发问题

  • 接口确认与业务逻辑类问题的自动解决率达到 60%~75%

  • 新人培训与交接周期缩短,oncall 相关“问人”场景明显减少

  • 方案可平移到运维 oncall、客服支持、合规咨询等其他知识密集型场景

3.3 后续规划

  • 持续运营:将“知识贡献”纳入日常任务,建立双人审核与定期复审机制,保障知识质量。

  • 场景扩展:将该模式复制到运维 oncall、客服支持、合规咨询等其他知识密集型场景。

  • 前置主动:打通发布流程与监控告警,让 oncall 更加前置与主动,进一步降低“救火”需求。

【推荐阅读】

 “携程技术”公众号

  分享,交流,成长

跳转微信打开

  •  

一次正常的对谈为什么会火,以及聊聊视频播客

原创 刘飞 2026-08-06 14:57 北京

一件事情变得稀缺,可能是因为它自己变化了,也可能是因为环境变化了。

1

上个礼拜,诺兰在北京与知名播客主播仲树做了一次对谈,时长 17 分钟。

7 月 31 日半夜,视频版发在 B 站。一个美国的诺兰粉丝把它搬到了 YouTube,X 和 Reddit,后来媒体人 Geoff Keighley 转的那一条超过 1800 万浏览。B 站的播放目前也破百万了。

海外评论区里,很多人说这是整个宣发期最好的一次采访,也有人甚至说是诺兰所有采访里最好的之一。很多人也第一次知道中国的 B 站也有这样的好内容。

而一件事情变得稀缺,可能是因为它自己变化了,也可能是因为环境变化了。

我相信这次主要是因为后者。

如果经历过纸媒时代的朋友,应该会觉得,17 分钟里问的,其实是一个影评人本应做到的:《奥德赛》和青铜时代崩溃是什么关系,诺兰有没有用基督教的赎罪概念去改写希腊史诗,特洛伊战争之后的世界跟他一贯拍的那种「回不去的家」有没有关系。

并没有说仲树老师问的普通,而是她的认真准备、用心提问,本来应该是大家都得做到的。

仲树自己后来也有很朴素的解释:这是一个好的采访,就这么简单。可能只是大家对一次采访应该有的样子有个期待,她满足了这个基础期待。

好像过去这么多年,恍然间大家发现,现在不管是什么媒体的记者,还是个体户老师,在提问的时候,首先想到的已经不是内容本身了,而是问的这个问题,接下来能不能被推荐算法选中。能不能在 5 秒内产生冲突?能不能再 10 秒内引发情绪?能不能在 15 秒内促成转发?

虽说现在大家聊起来都在说做内容,都在说内容创作,但按照真正的好内容标准来看,内容平台十有八九达不到。真能有一些深度内容的平台并不多,小宇宙和 B 站可能算是代表。

他们这样的平台上能找到深度内容,也是有逻辑所在的。他们有个共同点,就是不靠单条内容的即时数据来决定分发。一期两小时的节目,不会因为前三秒没有钩子,就被弃置不推。

这样的差别决定了产品成为什么样的产品、内容会成为什么样的内容。

2

工业化生产和指数级增长的短内容产能,跟深度内容是截然相反的两件事。

剪一条短视频的边际成本这几年一直在跌,再加上 AI 多模态的能力,现在不断趋近于零。

做一次真正的深度对话,成本与人有关,与人的经历有关。

所以两边的产能曲线是分叉的。十年前这个比例还没那么悬殊,一次认真的两小时对谈不算稀奇,现在就不一样了,大家都在追求规模化、产业化,但回头一看,好像流出来了相当多的空间,给这种看似比较慢、但实际也同样很有价值的内容。

真正的深度内容足够长,可以在很长的论述当中「完整表达」一件事情。

就像想到一个影视剧人物,我们会感觉他是立体的,能感知他的复杂情绪,面临的人生课题,和他在某些时刻的纠结;想到一个短视频人物,我们可能首先有印象的是他的夸张表情和暴力的情绪。

内容也是一样。一个判断要成立,需要交代前提,需要举例子,需要说清楚它在什么条件下不成立。这些都被砍掉之后,剩下的是结论。就像背数学公式,自己亲手推导出来是一回事,但只是死记硬背一句话是另外一回事。对于某些「长内容」来说,看似啰嗦了很多,最后推导出了一句话,很多人会以为这句话是圭臬,推导过程并无价值。但实际情况常常是相反的,这句话往往大家都懂,但世界是怎么运转生成这句话的,才是更重要的部分。

仲树在这 17 分钟里,没有浪费她的问题。正是因为这些问题背后,有很多背景知识和水下的推导。

3

我的播客三五环的 slogan 是 insider talks,也是在表达这件事情。

知识由信息和逻辑两部分构成。仅有看起来合理的逻辑,可能因为输入信息不全,得出完全相反的结论。多数时候我们缺的不是逻辑,是信息,信息足够多的时候结论是显而易见的。但只有结论,就会发现这个结论可以套在任何一件事情上。

播客是天然适合邀请行家的一种媒介。专业经验也是播客天然的内容资产。

播客保留原始的声音,不会被转述。听播客听到的是这个人怎么组织语言、在哪儿停顿、被问到不想答的地方怎么绕开,这些信息在别的媒介转述里会有丢失。

而视频播客可以把播客从收听的场景又扩展到更广泛的观众。视频播客不是来替代音频播客的,音频播客也不会取代视频播客。它们是一个相辅相成的媒介。

就像这次仲树一定程度上的出圈,也是因为诺兰的粉丝把它搬运到了 YouTube,YouTube 是全球最大的播客平台。

而且视频播客也并不是特别新鲜的事物。《锵锵三人行》1998 年 4 月开播,当时的定位是:在非黄金时段办一个低成本的谈话节目,用聊天的方式谈新闻。三个人坐着,一集半小时,聊到哪儿算哪儿。《新周刊》后来评它是 15 年来中国最有价值的电视节目。到 2017 年停播,《锵锵三人行》一共做了 5000 多集。

现在为什么又变得稀缺?还是前面说的逻辑,在媒介受到冲击的时候,大家天然拥抱了流量。流量看似是一回事,其实不是一回事。娱乐化的流量、短内容的流量,不会吃掉所有长内容的空间。被之前农场主放弃的这块地,又被播客主播们捡了起来。

对于播客来说,长度从来不是缺点,长度是功能和特性。

4

深度内容的价值可以体现在溢价上。我之前在《内容与品牌》这本书里讲过一些观点。

播客是人格化的,决定了它是品牌逻辑,而不是流量逻辑。

流量逻辑的内容为了抓住眼球,产生曝光就完成任务了。品牌逻辑的内容关心的是连接、感受和留下的印象,见效慢,半衰期长。深度内容天然属于后者,它不产生冲动,产生的是信任,而信任的账要很久以后才结。

媒体行业的从业者们其实是可以看到直接的数据的,同样的粉丝量/订阅量,播客和公众号这种长内容的商业价值是远超抖音的。每个商务合作的开价,按照订阅量折算,可能是 5~10 倍的差距。

在海外,Acquired 这档商业播客,看似不太起眼,就是两个人闲唠嗑。但他们的报价高达 40 万到 60 万美元(4 期节目打包),按照 CPM 计算,Acquired 相较普通播客有 4~5 倍的溢价。

他们并不是过去电视或者电台常见的商业广告插播形式,而是以很强的深度定制,可以在每集片头或者中间,用长达 5 分钟详细介绍赞助商的产品,乃至可以讲述他们的商业案例(时间会更长)。这种内容投放方式是非常稀缺的,因为 Acquired 的听众里,有大量的投资人和公司高管,甚至在整个英文播客里都很难找到替代品。

对比短内容平台,情况就截然不同了,品牌方甚至可以不用特别关注最后投放到了哪个账号,只要把钱交给平台,曝光和互动量就能得到保障。换言之,作为内容创作者,其实是一个庞大池子中的组成部分。

说起来也很有趣,Acquired 好几期出圈的内容就是在讲中国的企业,比如拼多多和美团,他们分别都花了两个多小时。像这样的内容,其实在中文媒体里有非常多高质量的文章和播客,但并没有很好地流转到英文世界去。

类似的领域还有 AI,AI 是非常适合播客和文章这种长内容承载的话题领域。这个领域过去没有教科书,没有知识库。播客可以通过深度分析和行家对谈,把有价值的内容沉淀下来。

Dwarkesh Patel 的节目时间也不短,通常在 2 小时左右,多的也有 4~5 个小时,采访 Karpathy、Ilya、Dario 这些人。按他自己公布的数字,2025 年那几期加起来超过 1200 万播放。这档节目已经变成了同行评议,甚至可以说是 AI 领域的口述史。

国内也是一样,张小珺的播客代表的是一种非常独特且稀缺的价值,很多 AI 在中国核心人物的想法,只有在她的播客能够听到。

多年之后,这批内容将会成为理解中国 AI 行业最完整的一手资料。对比而言,很多在讲某个 Skill 有多少星星,某个 AI 产品要怎么下载的这些内容,当下自然会有更高的流量,但一段时间过后,不会在历史上留下痕迹。

5

从侧面也能观察到这个价值。

前几天见了新加坡的朋友,她会认为 YouTube 上依然缺少好的中文内容,这是非常有空间的内容方向。好几档商业财经播客在 YouTube 上面都很受欢迎,很多外国网友主动提出需要英文字幕。

我从第三方得到了一份 B 站的视频播客在海外的分发情况。近 700 位作者里,300 多位能找到分发证据,接近一半。其中 180 位是自己官方同步过去的,98 位是被别人搬过去的,49 位两种都有。

不管是官方同步还是被别人搬运,都代表着大家已经认知到内容出海的价值了。

数据里有一条挺有意思:商业财经类被第三方搬运的比例是 31%,比官方自己同步的 29% 还高。这是唯一一个搬运高于官方的品类。而科技 AI 类的搬运命中率是 63%,在各大类里最高。

中国 AI 的出海,以及现在在全球 AI 竞争当中的角色,也是非常特殊的。这也让播客这样的中文深度内容变得更有价值。

不管是出海,还是好的外语内容的引入,深度内容的继续流动,应该是一个必然的趋势。

6

仲树说,这就是一个好的采访,仅此而已。在这件事情上保持这种清醒,很不容易。

作为看客和观众,我们当然可以去讨论数据,讨论文化现象。就像仲树说的,这期播客的内容像鲸鱼一样被分食,因为大家都能看到自己所需要的角度。

但对于创作者而言,我相信能得到的最好的启发就是,认真对待自己的内容而已,无他。

跳转微信打开

  •  

10倍参数增长、GPU推理落地:爱奇艺广告CVR模型的升级之路

原创 广告算法团队 2026-08-06 12:00 北京

通过框架迁移、模型调优与性能优化,实现精排模型scaling up下效果、性能同步提升

01#

背景

过去几年,广告预估模型从“稀疏特征 + 轻量 MLP”的阶段,走向更大的 dense 网络、更复杂的特征交互和更长的用户行为序列。在广告预估中,CVR(转化率)模型的精度直接决定广告收入和用户体验。过去两年,我们的模型参数量增长了10倍,稠密计算量从5~8 MFLOPs跃升至60~70 MFLOPs,原有 TensorFlow + CPU 链路已逼近算力和成本极限,模型迭代空间出现瓶颈。

从计算特点看,这类复杂 dense 模型更适合 PyTorch + GPU。其优势体现在:

  • 矩阵计算优势:模型参数矩阵越来越大、序列越来越长、网络越来越深,核心计算会更多落到矩阵乘、batch matmul、归一化和向量化规约等高并行算子上。GPU 在矩阵计算、混合精度和大 batch 推理上更有优势;

  • 生态成熟:PyTorch 则提供了更贴近算法研发的动态图体验,以及成熟的 CUDA 算子、AMP/BF16、attention module、算子融合和模型导出生态,可以让复杂结构从实验到上线的链路更短。

行业和开源生态也在向同一方向演进。广告算法和基础架构 Jarvis 团队合作进行了本次框架升级。

02#

升级目标

本次升级的目标不是简单完成框架替换,而是让广告预估模型重新获得可持续迭代空间。我们选定 TorchRec [1] 作为迁移框架,构建 GPU 在线推理链路,让更大的 dense 网络、更复杂的特征交互和更长的用户行为序列赋能广告业务。

03#

挑战与解决方案

3.1 模型框架迁移与效果对齐

TorchRec 和 Tensorflow 框架在训练模式、模型参数配置、默认值处理以及训练流水线的构造有较大差别,因此,我们需要在现有的 Tensorflow 模型代码的基础上进行适配型改造。

差异点

TorchRec

Tensorflow

训练模式

分布式同步更新模式,梯度回传采用 all-reduce 进行通信,即每一个 step 都进行一次全节点梯度更新。

分布式异步更新模式,sparse 参数每 N 步向 PS 节点推送、拉取最新参数,N 步之内仅在自己的 worker 节点进行参数更新。

参数配置

dense 参数和 sparse 参数需要更精细化控制参数。

沿用线上已有经验参数,无需刻意调参。

默认值处理

部分 api 默认值处理与 Tensorflow 不同,需要严格比对,包括特征服务、引擎等。

效率优化

为了提升 GPU 利用率,需要手动优化训练流水线,隐藏 IO 开销。

Tensorflow Estimator 提供优化后的数据读取 api,满足 CPU 计算需求。

建设初期,TorchRec 模型与线上 Tensorflow 模型有接近 1pp 的 AUC 差异。借助 AI 工具和TorchRec 源代码,定位多个因素并进行关键优化:

  1. 模型参数初始化:例如,稠密层权重采用与 TensorFlow 一致的 Glorot 均匀初始化;稀疏 Embedding 采用 uniform unit scaling 策略。

  2. 调用统一 api 时的默认值差别:例如,多值稀疏特征在 embedding 聚合时,TorchRec 的默认聚合参数 sum,需要修改为 mean 以对齐期望的聚合方式。

  3. TorchRec 损失函数与优化器参数设计:鉴于PyTorch 分布式框架的梯度平均池化的同步更新模式,损失函数在 batch 维度调整为需使用 mean 方法聚合。此外,模型还对稀疏参数与稠密参数的优化器做了拆分。使用更加稳定、学习率设置更低的 AdamW 优化器,并且通过基准学习率缩放,补偿 global batch 的扩大导致的优化步长差异。

  4. GPU 初始化设置:Tensorflow Estimator 采用了 master 节点初始化参数,worker 节点加载参数的方案;PyTorch 分布式框架每个 worker 节点独立初始化参数,故需要人工设定配置,保证初始化参数的一致性。

至此,TorchRec 模型离线 AUC 效果成功打平线上,消除框架间的效果差异,为后续稠密模型 scaling up 升级奠定基础。

3.2 稠密参数建模

打平效果后,我们开始对模型本身做升级——这就是 scaling up 的核心。推全的转化率预估模型自上而下分为三层:特征输入层、特征交互层与多任务预测层。交互层借鉴 HyFormer [2] 提出的 Query Decoding 与 Query Boosting 思路,将长序列行为与非序列异质特征纳入同一骨干网络;预测层采用 MMoE 的多任务专家结构。

图 1 给出 CVR 模型整体架构,包括数据流与模块划分,便于对照下文各小节阅读。

3.2.1 特征输入层

特征输入上, 分为两类:

  • 序列特征: 用户历史交互序列 S=[s1,s2,…,sT],每个交互行为由 item ID、action type、timestamp、side info 经过 embedding 层后 concat 来表示。

  • 非序列特征: 包含用户特征、Item 特征和上下文特征, 并将这些特征各自经过Embedding后再concat。

序列侧由三组用户行为组成:实时点击、点击空间与离线转化序列。组内多列拼接后再经小型网络映射到统一隐空间。为降低查表开销,三组序列共用底层 ID 嵌入表,一次查表即可取出全部子特征,再按组组装为定长序列表示。

此外,由于差异化场景下样本分布的显著差异,故训练时采用 EPNet 进行多场景建模,最终输出一个多域感知的非序列 embedding。

3.2.2 特征token化

不同于 RankMixer[3],我们对于非序列 token 的 tokenization 方法如下:

这种将 embedding 空间划分为多个头的方式可以保持表示多样性,使模型能够在不引入过度结构复杂性的情况下捕获异构特征语义。这样得到的X=[x1,x2,…,xN]将作为接下来的非序列 token 与序列特征进行交互。

三条行为序列则各自经过 SwiGLU 网络映射至同一隐式空间,使不同来源、不同维度的序列可在同一注意力语义下交互。

3.2.3 特征交互层

图 2 - Query Decoding 模块结构

为了兼顾线上推理的算力约束与复杂的特征交叉需求,参考Hyformer [2],我们将特征交互层拆解为 Query Decoding 与 Query Boosting两个阶段,数据流清晰可控。

并行输入准备:对齐两类特征的语义空间。交互层首先需要将异构的输入拉齐到同一维度。对于非序列特征(用户、Item、上下文),我们并未采用简单的向量拼接,而是将其 Embedding 在隐空间上切分为 N 个独立 Head。这种多头化的 Tokenization 方式,能以极低的额外参数量保留特征的语义多样性,让不同 Head 在后续交互中自动分化出差异化的信息角色(如部分侧重场景环境,部分侧重长期兴趣)。

与此同时,三条用户行为序列(实时点击、点击空间与离线转化)各自独立经过 SwiGLU 网络映射至上述同一隐空间。这里选用 SwiGLU 而非自注意力,是考虑到广告序列的相邻事件依赖较弱,而 SwiGLU 以线性复杂度完成逐位置变换,在长序列场景下远比自注意力的平方复杂度更适合线上预算。

Query Decoding:以非序列为“问句”,检索序列信息。该模块本质上是为每个非序列 Token 提供“向历史行为提问”的能力,可类比 Transformer 解码器的交叉注意力层:

  • Query(查询)的构造:针对每一组序列,我们将 N 个非序列 Token 与该序列的均匀池化向量拼接,送入一层 FFN 生成 1 个全局 Query Token。三条序列的 FFN 参数相互独立,以保留点击、空间、转化三类行为间的天然差异性,最终共生成 S=3 个 Query。

  • Key/Value(键值)的供给:直接由上述经 SwiGLU 编码后的序列隐状态担任。

随后,3 个 Query 与序列的 K/V 执行交叉注意力计算。在此过程中,我们特别调整了注意力温度系数,对点积结果进行缩放以防止 Softmax 退化为 One-hot 极值。这保证了注意力权重的“有效秩”维持在高位——通俗来说,就是让每个 Query 都能平滑地从多步历史行为中吸收信息,而非过早锁定在极少数行为上,从而提升训练的稳定性。

Query Boosting:全量 Token 的深度融合与语义校准。交叉注意力之后,我们并未直接输出,而是将上一步得到的 3 个序列解码 Token 与原始 N 个非序列 Token 合并,共计 (N+3) 个 Token 一同送入 Token Mixer 模块。借鉴 TokenMixer-Large [4] 的思路,该模块执行“解构(Split)→ 融合(Mixing)→ 重构(Reverting)”三步:

  • Mixing 阶段让所有 Token 两两充分交互,打破非序列与序列的边界,实现全局信息融合;

  • Reverting 阶段则将混合后的表示映射回与原 Token 语义对齐的空间,确保后续残差连接时特征不发生语义错位。

灵活的 Scaling Up 潜力。该特征交互层支持像 Transformer Decoder 一样堆叠多层。考虑到线上推理时延与机器成本的 ROI,当前推全版本仅使用 1 层。但离线实验表明,当我们将层数从 1 层加深至 2 层时,离线 AUC 可获得超过千分之一的稳定提升——这为我们后续在算力充裕时继续纵向加深网络、充分释放 GPU 红利留下了明确的迭代空间。

3.2.4 预测层

预测层使用PLE+MLP预估头的结构,分别预估不同场景的pCVR值。其中,PLE由3个为单层全连接层的专家网络组成,预估头则由两层带非线性激活函数的全连接层组成。

在具体推全方案中,我们采用以下核心超参配置:Token 隐层维度 token_dim=128,特征交互层堆叠 1 层,非序列 Token 数量 N=13,序列解码 Token 数量 S=3,单条用户行为序列长度 T=50。该配置下的离线 AUC 相对基线模型提升 0.4 个百分点(pp)。

在此基础上,我们已规划明确的 Scaling Up 路线:后续算力继续扩充后,将沿“更宽的 Token 隐层维度、更深的特征交互模块堆叠、更复杂的序列 Token 建模”三个方向并行推进,持续挖掘模型在 GPU 算力下的性能上限。

3.3 模型导出

TensorFlow 生态提供了成熟的 SavedModel 导出与 Serving 方案,而 PyTorch/TorchRec 模型的导出则面临更多挑战,难点主要来自稀疏/非定长特征中的 offset(偏移量)、序列长度等动态维度信息。训练时,这些信息通常以 Python 原生数据结构(如 list、dict)参与计算图构建,在 Python 环境中运行一切正常,但导出后容易被固化为计算图中的 int/string 常量。一旦线上请求的 batch size、特征组成或序列长度发生变化,这些固化常量便可能与真实输入不一致,轻则导致推理结果错误,重则使导出产物体积膨胀、版本更迭困难。

为解决这一问题,我们将训练链路与推理链路解耦,在推理链路中提前将前向计算逻辑固化为静态计算图。具体做法是:将模型版本间保持固定的信息——如 Embedding 权重、特征到 Embedding 表的映射关系、Pooling 方式等——作为模型配置随图一同保存;而将每次请求均可能变化的 meta 信息(如序列长度、特征偏移量、样本数量等)显式定义为 Tensor 输入,由原生算子在运行时动态计算。如此一来,导出的计算图不再依赖 Python 对象或导出时的固定 shape 样例,从根本上保证了线上推理的鲁棒性与正确性。

3.4 推理性能优化

在模型的初版 GPU 推理链路中,我们保留了较多原始 PyTorch 执行路径,压测结果显示,单位资源下的吞吐量与时延收益均低于预期。随后,我们对推理过程进行了详细的性能剖析(Profiling),识别出 CPU/GPU 数据搬运、稀疏参数查表、变长序列处理、稠密网络计算以及请求合并等关键环节存在明显瓶颈,并逐一进行了针对性优化。

3.4.1 数据搬运 — 批量拷贝与 GPU Buffer 复用

线上请求进入服务时,大量特征最初驻留在 CPU 内存中。若对每个输入单独执行拷贝,或在 CPU 与 GPU 之间反复进行 reshape、concat 及用户特征展开等操作,数据搬运本身便会成为新的性能瓶颈。我们的优化思路是:在 CPU 侧完成批量的 concat 操作,统一搬运至 GPU 后再进行展开处理,同时尽可能复用已分配的 GPU 显存缓冲区(buffer),从而显著减少冗余拷贝与临时张量的产生。

3.4.2 Sparse 查表 — 合并小算子,减少 Kernel Launch 开销

广告预估模型通常涉及大量 Embedding Lookup、Pooling、序列补齐以及稀疏张量转稠密张量等操作。若这些操作逐个独立执行,将产生大量细碎的小 Kernel 和中间张量,导致 GPU 计算资源难以充分发挥。我们的优化方案是:将多组 Embedding 查表、User/Item 特征对齐、变长序列处理等逻辑合并至更少的 GPU 算子中,从而显著减少 Kernel Launch 次数与中间结果的写回开销,让稀疏侧的计算模式更贴近线上推理的真实数据布局(如按需访问、减少冗余补齐),进一步提升执行效率。

3.4.3 Dense 计算 —  TensorRT 图优化与 BF16 推理

复杂dense网络的主要计算集中在矩阵乘、归一化、激活函数和 attention/sequence block 上,这部分适合交给 TensorRT 做图优化、算子融合和 kernel 选择。在线上可接受的精度范围内,我们引入 BF16 推理,降低显存带宽和计算开销;同时通过动态 profile 覆盖不同的 batchsize 和序列长度,支持模型在各种输入 shape 下高效运行。

3.4.4 Kernel 调度 — CUDA Graph 捕获与重放

TensorRT Engine 虽然已经大幅优化了稠密计算部分的效率,TensorRT Engine 虽然已经大幅优化了稠密计算部分的效率,但推理过程中的输入输出张量绑定、显存分配与释放、执行上下文切换以及 CUDA Kernel 的逐个发起(Launch),仍会带来可观的调度开销和时延抖动。为此,我们按 batch bucket 复用执行上下文和显存 buffer,并用 CUDA Graph 将稳定的 kernel launch 序列捕获下来,在后续请求中直接重放,减少 CPU 侧逐个发起 kernel 的调度成本。最终的目标是让 GPU 的算力尽可能多地用在模型前向计算本身,而非消耗在运行时编排上。

3.4.5 请求合并 — Triton Server 的 User/Item 混合批处理

为了提升 GPU 利用率,我们会将多个线上请求聚合成一个批次(Batch)后再送入 GPU 计算。然而,在线广告请求与标准的深度学习推理请求存在一个关键差异:为节约网络带宽和减少计算图中的冗余操作,每个广告请求通常仅包含 一个 User 的特征 与 多个候选 Item 的特征,即 User 侧与 Item 侧在数量上天然不对齐。标准推理框架原生不支持这种 “User Batch + Item Batch” 的混合语义,无法直接合并请求。

为此,我们在 Triton Server 推理服务层补齐了这部分能力:服务能够区分用户侧特征与物品侧特征,分别按照各自的维度逻辑进行拼接,同时通过请求级别的标识符保留 User 与 Item 的一对多关联关系。在计算图中,我们采用“尽可能延迟(Lazy)”的策略,将 User 特征的复制(Repeat)操作尽量后置,直至与 Item 特征拼接的前一刻才执行。这样做既保证了批量推理的吞吐优势,又最大程度减少了中间张量的显存占用与计算冗余。

3.4.6 调优自动化 — 大模型辅助的性能调优 Workflow

在算子开发过程中,我们采用了基于大模型实现测试/规格驱动开发(TDD/SDD),提高代码的可维护性,大幅提升开发速度。并实现了 Develop/Debug/Test/Profiling/Monitor Agent 协同 workflow,自动定位推理瓶颈并持续优化,实现性能调优自动化工作流,人工调优耗时减少 50%,满足模型推理高吞吐、低延迟要求。

04#

成果

4.1 业务指标

  • CVR 模型:收入+3.42%,RPM+2.81%,点击数+1.91%,转化数 +7.22%,深层收入 +2.28%。

  • DCVR 模型:收入+1.60%,RPM +1.21%,点击数+1.01%,转化数 +0.25%,深层收入 +2.37%。

4.2 推理效率

  • 机器成本减少15%,超时率从0.15% 降至0.03%。

05#

未来展望

本次框架升级为广告预估模型的长期演进打开了新的算力空间。我们将在模型结构、推理优化和平台化三个方向持续深耕:

  • 模型结构:GPU 框架释放出的算力红利,将直接用于扩大稠密(Dense)参数规模,引入更强的序列建模能力(如更长时序依赖、多兴趣表征)、更复杂的注意力结构(如轻量级多头自注意力)以及更深层次的多任务学习体系。未来,CVR、DCVR 等核心模型可以围绕更精细的用户行为理解、更细粒度的转化目标拆解和更充分的特征交叉结构持续演进。

  • GPU 推理优化:持续挖掘 GPU 算力潜力,重点推进算子融合(进一步减少 Kernel Launch 次数)、混合精度推理(如 INT8 量化探索)、动态批次处理(Dynamic Batching)、Embedding Cache(高频特征的显存驻留)以及多模型混部与资源弹性调度等方向,在保障时延的前提下持续提升单卡吞吐能力。

  • 平台化:将本次迁移过程中积累的模型结构规范、导出工具链、性能调优方法论和 Triton 服务配置模板,沉淀为一套可复用的 TorchRec GPU 训推一体化框架。后续新模型接入时,仅需在框架内配置模型结构即可完成训练、导出与上线,接入工作从“系统工程”简化为“配置化接入”,大幅提高算法的迭代效率。

06#

参考文献

[1] Ivchenko D, Van Der Staay D, Taylor C, et al. TorchRec: a PyTorch domain library for recommendation systems[C]//Proceedings of the 16th ACM Conference on Recommender Systems. 2022: 482-483.

[2] Huang Y, Jin J, Hong S, et al. HyFormer: revisiting the roles of sequence modeling and feature interaction in CTR prediction[J]. arXiv preprint arXiv:2601.12681, 2026.

[3] Zhu J, Fan Z, Zhu X, et al. RankMixer: scaling up ranking models in industrial recommenders[C]//Proceedings of the 34th ACM International Conference on Information and Knowledge Management. 2025: 6309-6316.

[4] Jiang Y, Zhu J, Han X, et al. TokenMixer-Large: scaling up large ranking models in industrial recommenders[J]. arXiv preprint arXiv:2602.06563, 2026.

海外Agent实践:让问题直达源码,助力团队提效!

爱奇艺AI驱动漏洞闭环治理:让安全发现更智能、修复闭环更高效

纳逗Pro全链路赋能、专项免费算力支持!爱奇艺AI影视创作营第二期来了

AI 时代的质量门禁左移:Agentic Quality Engineering 架构与落地模板

爱奇艺大数据混合云存储

跳转微信打开

  •  

SeedRealtime 音视频全双工大模型发布:走向全模态自然交互

原创 字节跳动Seed 2026-08-05 12:05 北京

已全量上线豆包 App,实现边看、边听、边说

今天,我们正式推出原生音视频全双工大模型 SeedRealtime。

作为走向全模态交互的关键一步,SeedRealtime 用统一架构原生融合音频、视频与文本,能在连续的多模态信息流上实时交互,带来“边看、边听、边说”的全新体验。它实现了以下三项核心突破:

  • 音视频联合理解:原生支持声音、画面与时序信息的深度融合。模型既能结合场景消解同音词歧义,也能准确理解视觉中的时序指代,让所见、所闻与所说融为一体。 

  • 主动的交互能力:具备持续的环境感知与主动表达能力。模型能在察觉画面状态变化时(如关键目标出现)主动提醒,并能调用工具融入表达,让交互从被动响应升级为主动协作。

  • 流畅的交互节奏:能够实时感知用户的对话状态与交流节奏,在适当时机自然接话、停顿与回应;同时具备较强的抗干扰能力,能分辨旁人闲聊与背景噪声,不因干扰误触发,保持沟通的流畅连贯。

端到端人工评测结果显示,相比级联模型,SeedRealtime 的音视频对话节奏问题减少了一半——模型对说话时机的把握更加自然,“话未说完被抢断、话音已落却回应迟缓、或是被背景杂音与闲聊误触发”等卡壳现象显著减少;同时,单次对话能够完整、顺畅交流的概率也有明显提升。

目前,SeedRealtime 已在豆包 App 全量上线,在业界率先实现了音视频全双工技术的规模化落地,欢迎大家体验。

项目主页:

https://seed.bytedance.com/seedrealtime

体验入口:

将豆包 App 更新至最新版本,在对话框内选择“打电话”,进入视频通话界面体验即可。

原生音视频交互,走向全模态

实现边看、边听、边说

音视频实时交互此前长期卡在两种形态之间:级联系统依赖 ASR、VLM、TTS 等多个模块串联,延迟层层叠加,信息逐级损耗;端到端模型虽更流畅,但不少方案仍依赖外置 VAD 判断轮次,本质上仍接近一问一答的半双工交互。

SeedRealtime 的核心突破,在于将声音、画面、时序与表达统一到同一个端到端模型中。它不是先听完、再看完、最后作答,而是在连续音视频流上,让感知、理解、决策与表达同步进行,使“听到的”和“看到的”能够共同参与每一次实时判断。

难点首先在于对话节奏。语音天然带有停顿,可以借此判断何时接话;视频却始终在线、持续变化。模型既要不断理解画面中正在发生什么,又不能因为背景噪声干扰而频繁介入,而是要持续判断该关注哪个对象、该听谁说话,以及此刻是否应该回应。

更深层的挑战在于音视频的联合建模与时序对齐。用户说“这个怎么弄”时,模型需要结合当前画面、手势、视线与历史动作,判断“这个”具体指向什么;遇到同音词或模糊语音时,也要借助视觉场景完成消歧。只有将声音、画面与时序信息统一建模,模型才能真正把所见、所闻与所说对应起来。当看、听、说被纳入同一套实时决策体系,模型便不再只是等待用户提问,而能持续理解场景变化,在合适的时机主动开口。

接下来,我们通过 7 个具体案例,来看看 SeedRealtime 在真实场景中的表现。

音视频联合理解

看得懂画面,分得清对象

SeedRealtime 能在多人、嘈杂、开放的真实环境中,把画面、声音和时序对齐理解。

四位好友聚餐,人多话杂。用户逐一介绍在场的人,SeedRealtime 就能根据外形特征把名字和人对上 —— 认出浅色头发的七七、戴眼镜的 Julia,还主动和乐乐打招呼;在之后的交谈中,始终把每个人的声音和身份对应起来。

随后大家你一言我一语聊起旅行:有人想去海边拍照、逛海洋馆,有人怕热怕累,还有人对海鲜过敏。SeedRealtime 能分辨每句话出自谁,并根据大家的交流,给出一份兼顾每个人需求的旅行方案。认人、辨声、听懂各自的需求,这些都在同一场对话里由一个模型实时完成。

在川菜馆,外籍食客面对中文菜单一筹莫展。SeedRealtime 直接从画面中认出菜品、用英语推荐,还能顺着文化背景解释“为什么‘鱼香肉丝’里没有鱼”、“皮蛋是怎么做的”。

服务员上菜时顺道说“很下饭”,它能结合画面中的菜,理解这句话并翻译给客人听。视觉信息无需先转成文字再理解,而是与语音在同一模型里对齐,做到眼前有什么,就能答什么。

主动的交互能力

持续观察,适时介入

模型会根据实时画面的持续变化,自主判断是否需要主动介入,而不必每次都等用户先开口。

在河北博物院逛展,用户交代一句“看到错金银铜虎噬鹿屏座就提醒我”,SeedRealtime 便在镜头不断移动的过程中留意画面,扫过那件展品时出声提醒。

随后,它结合画面细节,讲解错金银四龙四凤铜方案座、长信宫灯等镇馆之宝,以及铸造、错金银、焊接等多种工艺。将任务保存在上下文中、目标出现即提醒,正是持续视觉感知与主动介入能力的体现。

操作一台复杂咖啡机的过程中,模型能够基于视觉状态的变化实现实时纠错与反馈。

当观察到用户把整粒咖啡豆直接倒进萃取手柄时,模型快速指出:“豆子不能直接倒进去,得先磨成细粉”;萃取结束后,它基于对杯中油脂成色与液量的视觉解析,主动给出“下次萃取时间缩短 2-3 秒”的调整建议。无需用户逐步提问,模型便能基于实际场景进行点评。

研读 ResNet 论文时,模型结合网络结构图讲清跳接如何缓解梯度消失;当用户说“帮我盯着,翻到训练参数那部分提醒我”,它便在快速翻页的过程中持续观看画面,准确认出 “3.4 Implementation” 段落并主动叫停,随即报出学习率、动量、权重衰减等关键训练配置。在连续画面流中识别目标并主动叫停,展现了实际交互中的主动协作能力。

流畅的交互节奏

在干扰中判断何时开口

轮次判断不再交给外部 VAD 规则,而由 SeedRealtime 基于多模态信息持续决策:该接话时不迟疑,该沉默时不打断,在复杂环境中也能保持更自然的交流节奏。

大兴机场人流密集、环境嘈杂。同伴闲聊时随口提到“老李的航班”,模型并未被这句无关对话触发回复;当用户正式问起,即便航班信息已从画面移出,它仍能结合此前看到的大屏信息,回答实时到达时间,并联网提供行李转盘位置。

随后二人边走边聊往事,它持续观看眼前画面,扫到网约车指示牌时便自然接话,给出上车点的路线指引。嘈杂环境不再是必须过滤的干扰,闲谈里的关键信息也能被恰当留存、在需要时取用。

妈妈在一旁忙着别的事,让 SeedRealtime 陪女儿学习动物英文。背景里爸爸正在接电话、人声不断,模型却没有被这段无关对话带偏,始终跟着女孩手指的方向实时纠音、举例造句。模型该出声时不迟疑,受干扰时不跑偏。

总结与展望

SeedRealtime 的推出,标志着音视频交互迈出了关键一步。通过统一架构原生融合音频、视频与文本,模型得以在连续的多模态流中持续理解场景、判断节奏并作出回应。由此,“边看、边听、边说”真正成为日常可用的交互体验。

然而,现实环境中的音视频交流复杂而连续:背景嘈杂,人声会重叠,画面会变化,用户也会随时停顿、补充或打断。面对这些真实场景中的挑战,未来我们将在以下几个方面继续突破:

  • 更低的延迟与更自然的节奏:持续压缩“听到—理解—回应”的端到端时延,让打断、抢话、附和与停顿等真实对话中的微妙节奏被自然还原,不只是更快,而是更恰到好处。

  • 更主动的感知与决策:基于对画面与声音的持续理解,主动判断何时提醒、何时补充、何时递上用户正需要的信息,让模型不仅能“该说话时说话”,也能“该出手时出手”。

  • 更稳健的多人复杂场景:在嘈杂环境、多人同框与多方对话中,稳定识别“谁在说话、在看什么、该回应谁”,将能力带入更多真实生活与工作场景。

  • 从“能对话”到“能行动”:打通工具调用与现实世界的连接,让模型不仅能交流与观察,更能协助用户完成查询、预订与任务办理,把实时多模态理解转化为具体行动。

我们希望,AI 交互不再局限于清晰轮次中的问答,而是能在连续变化的真实场景中理解上下文、敏锐把握时机,并在合适的时候提供帮助。

图片

图片

图片

阅读原文

跳转微信打开

  •  

缩小上下文鸿沟: 一种本体论 + 大语言模型的数据现代化方法

Thoughtworks 2026-08-05 12:00 北京

企业数据现代化的瓶颈,往往不在于技术,而在于“理解数据含义”这一环节。

在大型企业中,数据现代化项目将庞杂混乱的企业数据,转变为业务可依赖的、可发现、可访问、可追溯的领域数据能力。然而,许多现代化项目尚未进入交付阶段便已停滞,症结往往在于团队需要花费数月时间,只为弄清数据的业务意图。

数据策略师的工作,是连接企业意图和现代数据架构。他们的职责贯穿整个生命周期:在复杂的企业数据环境中探索,设计和优先级排序用例,识别业务需求与可用数据之间的差距,交付新数据能力,并持续进行发现。

挑战在于,用于构建意图的知识往往分散在各个系统、遗留文档、或存在于领域专家的头脑里。因此,数据发现过程缓慢、依赖人工、难以扩展。

本体论 + 大语言模型方法

Ontology + LLM

在探索某个数据源的意义时,我们的第一反应,往往是将大语言模型直接指向源数据:输入源系统,描述用例,让它找出差距。这是一个合理的起点,但也暴露出一个真正的局限——在没有明确语义上下文的情况下,LLM只能从表结构、字段名和样本值中推断关系。这些推断或许有用,但在企业规模上难以一致地验证。于是我们问:本体论能在这里提供帮助吗?

要回答这个问题,我们首先需要理解,与直接通过大语言模型解释相比,本体论能提供哪些额外的优势。

什么是本体论?

本体论是意义的模式:它定义存在的实体、它们的属性、它们之间的关系,以及支配它们的规则。意义不再隐晦地存在于领域专家的脑海中,或被临时推断;本体论让计算机能够以逻辑、一致且可控的方式,对领域进行推理。它是知识图谱的模式层,在实例(如作为节点的实体、作为边的关系等)填充之前就已存在。整个产物既可供人类阅读,也可供机器读取:可编辑、可审计,并能置于版本控制之下。

为什么结合本体论和大语言模型很重要?

本体论和LLM恰好能覆盖彼此的短板。本体论将推理锚定在明确的语义上,使输出更可解释、更一致、更易于验证。而LLM则承担了那些原本会让人工构建本体论变得枯燥繁琐的工作:阅读源系统、对齐同义词、提出调和建议、发现不匹配之处。

没有AI的本体论,仍然是一个需要数月手动分析的数据建模工作;没有本体论的LLM虽然快,但结果不可靠,或容易偏移。两者结合后,我们可以用结构化的方式表达意图和供应,而智能体则能快速找出它们之间的差距——并且以一种可以信任和验证的形式呈现。

分步示例

当我们将此方法视为一个可重复的工作流时,它就会变得清晰得多。它不是将发现视为一次性的工作,而是随着每个新用例不断丰富企业上下文。在实际操作中,此方法作为一个由六个步骤组成的智能体循环来运作(见图1)。为了便于说明,我们将这个智能体工作流应用到一个常见的数据用例——预测客户流失——并利用来自两个源系统的数据。

图1:智能体循环工作流

步骤1:为每个数据源构建本体论上下文

第一步,是让每个源系统的意义变得明确。我们为每个系统提供样本文件,并通过AI智能体提取其上下文:实体、属性、关系,以及支配它们的规则。

智能体读取每个文件中的多种信号:表结构和数据类型、外键和连接模式、样本值以及任何注释或文档,然后推断出一个候选本体论,并将置信度较低的猜测标记出来,供领域专家确认。输出是一个机器可读、可审计的产物,而不是一张幻灯片。

在此案例中,假设两个源系统(计费系统和工单系统)暴露了以下本体论上下文:

# --- 源系统 1:计费系统 --- 账户(Account) -订阅(Subscribes to)-> 套餐(Plan) 账户(Account) -生成(Billed by)-> 发票(Invoice) 账户(Account) -具有状态(Has status)-> 计费状态(BillingStatus) 账户(Account) -有邮箱(Has email)-> 邮箱地址(EmailAddress)  # --- 源系统 2:支持工单系统 --- 客户(Customer) -提出(Raises)-> 工单(Ticket) 工单(Ticket) -分配给(Assigned to)-> 客服人员(Agent) 工单(Ticket) -具有状态(Has status)-> 工单状态(TicketStatus) 客户(Customer) -有邮箱(Has email)-> 邮箱地址(EmailAddress)

步骤2:跨源上下文并进行调和

实际上,绝大部分的用例中,上下文一定是跨系统的,这意味着它必须进行上下文调和。当我们试图将多个系统上下文(以本体论的形式)进行调和时,就能暴露出潜在的重复身份、冲突定义和重叠概念等不一致性,再交给人类专家协调源系统的负责人进行协商和解决;最终找到一个最佳的数据提供源。

在同一个案例中,我们调和两个源系统的上下文时发现三个潜在的问题(见图2)需要弥合:

图2:从两个源系统策展出的上下文浮现出三个潜在差距。

1. 邮箱地址(EmailAddress) 被两个源系统上下文共享。

2. 账户(Account) 和 客户(Customer) 可能是同一个现实世界实体。

3. 计费状态(BillingStatus) 和 工单状态(TicketStatus) 共享“状态(Status)”这一类型。

这些差距是用例无关的。无论是否有用例关心它们,它们都存在于数据环境中,而这也正是人类专家或AI智能体能够预先知晓它们、并解决它们的原因。

步骤3:将设计上下文与已调和的上下文进行对比

源系统只是等式的一边,它代表着现实世界的数据上下文;等式的另一边是业务用例,代表着设计意图,并可以转化成一份以本体论呈现的上下文,两者就可直接比较。让我们以客户流失预测用例为例:

“对于每位客户,预测他们在下一个计费周期停止为服务付费的可能性,以便客户留存团队可以在客户离开前进行干预。”

为此,模型需要一个单一的、明确的客户(Customer)实体,该实体统一了一个人的商业关系(他们订阅的套餐、付款是否最新、成为客户多久了)与其行为信号(最近登录时间、提交了多少工单、这些工单是否已解决)——所有信息都关联到一个已解析的身份,并随时间进行观察。

用本体论的术语来说,设计上下文是一个承载流失风险(churnRisk)的客户(Customer),关联到订阅(Subscription)、发票(Invoice)和支持交互历史,所有这些都解析到一个身份,并随时间进行观察。

通过将此设计上下文与步骤2中已调和的跨源上下文进行匹配,我们就可以回答现实数据条件是否可以满足设计意图,我们把不满足的部分看作差距。

步骤4:识别差距

现在我们可以解读每个差距对客户流失这个数据用例的实际意义:

差距1:邮箱地址(EmailAddress) 在两个本体论中共享。对于客户流失预测,邮箱是连接计费和支持历史到同一个客户的关键。这不是噪声,而是模型所依赖的调和过程。它成为一个身份解析需求。

差距2:账户(Account) vs. 客户(Customer)。用例取决于这些是否代表同一业务实体。解决这个问题决定了预测目标和底层数据模型。

差距3:计费状态(BillingStatus) 和 工单状态(TicketStatus) 共享类型“状态”。共享类型并不意味共享意义。状态=“已关闭(closed)”对工单而言是健康结果,但对计费而言却是流失信号。将它们合并为一个扁平概念会污染标签:它把两个上下文里截然不同的业务意义消除了,而在未来实施这个用例时,一个孤立的“已关闭”让模型失去了判断该客户会往哪个方向走的依据。一个典型的语义冲突就产生了——相同的类型,相反的含义。

一旦我们理解了这些差距对目标用例意味着什么,就可以采取行动。

步骤5:采取行动

差距分析将决定行动方案。

差距1 是内部调和:将邮箱定义为已解析的身份键,并连接。快速且内部可完成。

差距2 需要领域专家就客户粒度做出决策,然后对调和过的客户实体进行建模更改。工程成本低,但需要在编码前进行人工判断。

差距3 通过将共享类型消歧为不同的、上下文限定的概念(计费状态 vs. 工单状态作为独立含义)来解决,以便判定客户流失的重要标签不被污染。

“三个差距”分解为三个真正不同的计划:一个调和规则、一个领域专家粒度决策和一个语义消歧,它们具有不同的成本、不同的负责人以及它们之间的依赖顺序。策略师在投入大量时间进行构建之前,就已了解这一切。

虽然AI可以识别和分类潜在差距,但治理仍然至关重要。业务所有者和领域专家负责验证实体定义、解决语义冲突,并批准影响企业级数据模型的变更。

步骤6:更新源上下文并循环

一旦采取行动,企业自身的理解就会发生改变。上下文不是静态的:模式会演变、新系统会上线、定义会发生漂移,而步骤5中的行动本身也会改变数据环境。因此,这从来不是一次性的工作。当策略师弥合一个差距并交付用例时,上下文的这种变化必须被捕获。

在这里,将邮箱地址解析为共享身份键、统一账户和客户,以及消歧状态,所有这些都改变了共同的上下文,而这便成为新的基线,下一个用例和下一个智能体将继承这份被调和的上下文,而非重新发现它。重新运行差异分析确认上下文差距已关闭;如果源发生了变化或出现了新差距,循环会从新状态继续。

这就是为什么上下文必须在数据环境层面作为一项服务来管理,而不是作为一份文档或一次性快照。企业不再将知识记录在静态设计文档中,而是可以将其维护为一个活的、版本受控的语义资产,每个未来的项目和AI智能体都可以重用。

这个流程是整个论点的缩影:明确的上下文输入,经过分类和追踪的差距输出,附加行动,上下文更新,最终留下一个比以前更强大的数据环境。

总结

数据策略师在数据现代化项目中的职责是:在复杂的数据环境中导航,设计和优先级排序用例,发现每个用例与可用数据之间的差距,弥合这些差距,并在现代数据架构中交付持久的数据能力。

最困难、最缓慢的部分是中间环节:对分散、冲突、被重复定义的、隐晦的意义进行调和与理解,并手动分析差距——而这正是项目流失数月时间和信誉的地方。

本体论 + LLM方法正致力于解决这一核心难题。 本体论使意义明确化并赋予上下文图结构;LLM则在该图结构上进行推理,帮助策略师找出差距,这并不是依赖专家知识、或基于对人和组织朴素信任的,而是客观、且基于现实语义的。结果是一个智能体循环:每个源的上下文 → 跨源上下文 → 与用例设计对比 → 找出差距并分析 → 追踪行动 → 更新并重复。它通过自动化大部分语义分析,同时将业务决策留给人类专家,从而显著减少发现所需的手动工作量。

随着各组织在企业范围内采用AI,成功越来越依赖于为系统提供可信的业务上下文,而不仅仅是更多数据。将本体论与LLM相结合,提供了一种实用方法,使该上下文明确、可重用且持续改进,使数据现代化工作能够更快地交付价值,同时为未来的AI计划奠定更强大的语义基础。


作者:熊子川

跳转微信打开

  •  
❌