铃阅时讯
❌

阅读视图

世界是一个巨大的草台班子(3): 谈谈 OpenAI 最近的Agent 逃逸案例

原创 渣B 2026-09-27 16:17 浙江

前几天的云栖大会我们才提到云环境的多租安全《谈谈Agentic 时代的 DPU是什么: CIPU如何构建阿里云AI Agent、推理、训练等AI infra核心技术竞争力》, 最近几天就爆出另一个安全问题, OpenAI 的 Agent 使用 DNS 隧道越狱, 《An agent used DNS to reach an external chatbot》[1]

而 DNS 隧道是一个大概存在 20 年的攻击手段了, 居然没有任何防范... 世界真是一个巨大的草台班子...大致的问题如下:

其实要防范这类也不是啥难做的, 我大概在 8 年前构建 Nimble 获得思科 CEO 大奖的时候就完全实现过:

Nimble 是一个基于 AI 的网络流量的实时分析系统, 当时由于 Flink 等数据处理框架性能不够, 我参考《Streaming Systems》这本书的算法, 基于Golang 重新写的一套流式数据平台, 大概单机每秒可以处理 1M records, 并增加了基于Tensorflow的实时推理引擎. 对于异常的流量分布很容易抓出来这类行为. 后来这套引擎给以色列团队参考整合进了 Cisco 的 DNA-Center 中, 但只是流数据实时处理框架, 没有包含任何 AI 相关的内容. 

有一点感慨, 思科当年实在是没看懂这么领先时代的技术, 而过了 8 年了, 如今才来慢慢补....

另外有一个开源的项目 《支持AI的ZaDNS服务器》 很早就可以通过一些 AI 模型识别潜在的攻击和盗用的情况...不过由于当时的边缘和嵌入式算力比较有限, 只做了一个很简单的 LSTM 的模型. 现在或许随便做一个 2B 以内的小模型就可以很完善的防范住这种攻击了...

参考资料

[1] 

An agent used DNS to reach an external chatbot: https://alignment.openai.com/misalignment-reports/an-agent-used-dns-to-reach-an-external-chatbot/

跳转微信打开

  •  

王川: 让刺破 AI 泡沫的加息风暴来得更猛烈些吧

原创 硅谷王川 2026-09-27 10:56 美国

王川: 让刺破 AI 泡沫的加息风暴来得更猛烈些吧

1/ 在 2023年四月的一篇老文章里,

王川: 从 chatGPT 看人工智能的投资机会和风险

对于 AI 投资的展望,笔者写过这样一段话:

“OpenAI上市,早期风投获得超过100倍的回报。早期风投出去筹集新的巨额基金;机构投资者涌入,担心错过良机。更多与AI相关的公司得到资助,尤其是基础设施公司。

估值模型逐渐变得基于恐惧(错过的恐惧、被竞争对手收购的恐惧、显得愚蠢的恐惧)的凭空捏造,而非基于现金流的现实贴现值的合理计算。

追逐趋势的操盘法一段时间内很赚钱,保守行事的人一开始看起来相当愚蠢。

风投可以根据私有市场中虚幻或不可持续的估值,对外炫耀高的内部收益率 IRR,从幼稚的投资者那里筹集更多资金。

然后美联储降低利率,更多的热钱涌入。潮水涨起,所有的船只都随之上升。有一段时间,每个人都赚了很多钱。

LLM、芯片制造商、晶圆厂、设备供应商、风投、分析师、AI公司员工。任何未将其投资收益重新投入AI相关股票的人,与这样做的人相比,会觉得自己非常愚蠢。

在泡沫的顶峰,做空股票泡沫的对冲基金将遭受重创。

一直对泡沫持谨慎态度,但在五年内一直错误的分析师,在顶峰时改变观点,变得乐观。...

然后美联储收紧。然后一切都垮了。”

2/ 时光荏苒,转眼就到了 2026年九月底。就在九月中旬,美联储刚刚把短期利息提高了 0.25%. 截止到九月24号,期货市场预计未来一年,美联储还会加息四次,把短期利息提高到 4.75% 左右。美联储加息的一个原因是所谓核心个人消费指数 (PCE) 的年增长率, 最近高达 3.3%,长期超过美联储要把通胀率压制到 2%的目标。过去一周,美国国债利率全面上升,其中十年国债利率超过 5.15%, 为十九年以来最高。三十年国债利率达到 5.5%, 为二十二年以来最高。

3/ 美联储未来一年持续加息抑制通胀,将提高所有机构的融资借贷成本,这和主要依靠借贷的 AI 的资本性投入 (AI Capex ) 的增长形成结构性矛盾。有分析师估算,美国今年GDP 增量的 30%-50% 来自 AI Capex,这也间接提高了通胀率。 如果你认可 “不要和美联储对着干” ( Don't fight the fed), 那么自然得出的结论就是 :AI Capex的增长,最终会被加息给打压下去。有数据显示,和  AI 数据中心相关的债务,接近四千亿美元是浮动利率,短期利息的上调将立刻提高其利息成本。这必然增加债务违约概率。而广泛存在于 AI 领域的环环相扣的循环信贷也意味着,违约造成的小的资金链断裂,势必引爆愈演愈烈的更大的资金链断裂。

4/ 当一个公司开始用债务来支持增长时,就可能陷入类似运动员用兴奋剂提高成绩的危险境地。债务赖不掉,本金迟早得还,风险比发行新股要大。尤其是某些公司用利息更高的,更多的新债务来还旧债,就把自己置于越来越大的突然死亡的风险之下。 运动员用类固醇之类的兴奋剂,其副作用包括: 内生睾酮减少,睾丸变小,男性乳房增大, 血压升高,血管变得更脆弱,关节和肌腱 (跟不上肌肉的增长)训练时磨损撕裂导致的剧烈疼痛,肝脏和肾脏负担更重, 脾气暴躁,严重失眠,一些运动员不到五十岁就猝死, 有很大嫌疑是年轻时长期服用兴奋剂所致。 当你看到某个膀大腰圆的壮汉时,不要羡慕他。因为你不知道他为了光鲜的外形,身体内承受了多大的痛苦。而睾丸变小这类难以启齿的问题,外面根本看不出来。 

5/ 类似的,当你看到某个企业进行夸张的炫耀性消费时,不必羡慕。很有可能它在被迫做挖肉补疮,拆东墙补西墙的游戏,对外的夸张展示只是必须的操作而已。其内心的压力和后台的风险外面根本看不清。 即使高尔夫这种看似温和的运动,也有禁药问题, 有种叫 beta 受体阻滞剂的禁药让人更加安静,消除手部的颤抖。但副作用是低血压,心动过缓,诱发支气管痉挛。而且身体会为了反抗抑制,对肾上腺素产生受体上调 (up regulate)的反应。如果突然停药,身体的肾上腺素腺素会潮水般涌入这些新增的受体, 导致严重的心慌和心绞痛,甚至直接引发猝死。“药不能停”这句话, 绝非戏言。

6/ 而加息周期,对于巨大债务驱动的 AI 行业而言,类似要运动员降低兴奋剂的使用量,要瘾君子减少嗑药。这对行业即将产生的欲仙欲死的效果,令人期待。

7/ 木星项目 (Project Jupiter) 是位于新墨西哥州,由甲骨文 (oracle) 公司作为主力租户而建造的大型数据中心项目,于 2025年九月开工。就在上一周,九月24号,甲骨文给项目开发方递交了一份“不可抗力” (Force Majeure) 的通知,大意是如果项目方不能按照原定的 2028年的工期按时完工,甲骨文将拒绝支付全额租金。 “不可抗力”这个词语的引用,通常只适用于战争或者重大自然灾害的场景。甲骨文这个情况,目前仅仅是因为某个天然气管道的许可被州政府卡住,数据中心可能无法按时获得天然气能源来开工。即使不支付全额租金,甲骨文按照合同要求,仍然必须要给项目方支付债务利息和最低限度的股权回报。数据中心的项目方,控股者是资管公司蓝猫头鹰 (Blue Owl ) 的子公司,背后还有多家银行提供的 180亿美元贷款。甲骨文租用数据中心,但最终要为甲骨文的算力付钱的是 OpenAI (下简称 OAI)

8/ 虽然这份“不可抗力”的通知并不意味着甲骨文马上要赖账,但它好似在信贷市场平静的水面上扔了一块石头。甲骨文的债券利率应声上涨。 九月二十五号,甲骨文十年期的债券利率高达 7.32%,比同期美国国债利率 5.15% 高出了 2.17%。这个利率已经接近垃圾债券的水平。甲骨文八月底时净负债 880亿美元,最近一个季度的自由现金流为负的 47亿美元,其债务评级,离垃圾债券只有一步之遥。 如果新墨西哥的数据中心修建推迟,利息还要付,但甲骨文原来预计在木星项目上从 OAI那里潜在可以获得的一百多亿美元的收入也就要顺延推迟了。木星项目的推迟绝非孤例,有投行估计,全美国原定 2028年上线的数据中心大概只有一半可以按时完工。

9/ 代表项目方的蓝猫头鹰虽然公开表态,说项目还要继续下去,但并不意味着他们不会在“不可抗力”这个问题上和甲骨文扯皮。而账上还有 180亿美元债权的几家银行,本来想转手卖给下家,但一周前这笔贷款的市价已经比面值跌了 10%。现在“不可抗力”通知一出,烫手的山芋就更难转手了。所有正在为数据中心提供融资的金融机构,无不毛骨悚然,要加倍严格审核合同的各种细节条款,免得被借贷方钻空子。在美联储加息的背景下,这类数据中心贷款相对于国债利率的利差,必然还会增加,这就等于双份的加息。而双份加息的借贷成本,最终还是要由算力购买者买单,比如  OAI。 

10/ OAI 最近公开表示,IPO 要推迟到 2027年,它正在寻求新一轮融资,估值喊出了一点五万亿美元的天价。 管理层面不改色的宣称,从现在到 2030年底,公司预计要再亏损 2780亿美元 (基于同期预计 8400亿美元的收入),但之后会扭亏为盈。这个不到八千名员工的企业的年化亏损金额,已经超过世界第三大经济体,有八千万人口的德国的年度财政赤字的 40%。阿基米德曾说,‘’给我一个支点,我可以把地球撬起来‘’。 可以把这类融资话术叫做 ‘’支点撬地球‘’的话术。面对四年两千多亿美元的亏损,什么样的投资者还心甘情愿支持一点五万亿美元的估值呢?这就要提到软银 ( Soft Bank, 下简称  SB ) 了。 

11/ 从2024年开始,SB 多次累积投入 640 亿美元获得 OAI 的大约 13% 的股权 (其中一笔 100亿美元的投资款预计十月一号到位)。 2024年时 OAI 估值还只有 1500亿美元,到 2026 最近一笔融资时估值已经超过 7000 亿美元。 SB 三月底时面不改色的对外宣传它账面上有四百多亿美元的来自 OAI 的投资利润,尽管那实际上都是无法套现的虚值,而SB 本身就是高估值背后的最大推手。尽管是虚值,对外面仍然确实有巨大宣传价值,可以帮助抬高  SB 股价,也可以用高估值的SB 和 OAI的股票抵押出更多现钱。为了支持OAI,  SB 的孙正义抛售掉了其它大部分资产,也因此摊上了很多债务。截止到六月底,整个SB集团的债务高达 18.7 万亿日元 ( 约 1100 亿美元),其中 3.2 万亿日元来自抵押 ARM 股票所得,1.1万亿日元来自抵押  SB 股票所得。 SB 的信用评级早已是垃圾债券, 但债多不愁。八月份时, SB 以 OAI 股权抵押获得 100亿美元的贷款。本周 SB 又在欧美市场发行新的 110亿美元的垃圾债券,利息从 8.6% 到 9.75%不等,据说主要用于支付十月一号最新一笔注入 OAI 的 100亿美元的投资。  

12/ SB 的资金短缺问题还不止这一块。它的一家子公司“SB能源”,在俄亥俄州修建数据中心,原计划九月份在美国以五百亿美元估值上市,遭到投资者冷遇而被迫搁置。“SB能源“本质是一个用 OAI 未来的算力合同来支持的空壳公司。为了帮助 ”SB能源“获得贷款,英伟达不惜亲自下场,提供价值最高到 1050亿美元的贷款担保。如果我们足够知识诚实的话,一个健康有机增长的市场,是根本不需要前所未有的超过一千亿美元的卖方信贷担保的。出现这种担保的消息,就是泡沫越来越危险的一个信号。

13/ 在这个节点,对于 SB 而言, OAI 不管如何“负“可敌国,都必须一本正经的支持它宣传它的阿基米德支点撬地球的宏大叙事,将估值做大做强,把这个游戏继续玩下去。否则不仅几百多亿美元的纸上投资利润要化为泡影,而且用 OAI 股票抵押的贷款可能被 margin call  (追缴保证金),  连锁反应甚至可能引爆其它股票抵押贷款的 margin call, 那将是一种不可想象的万劫不复。

14/ 投资者给 OAI 的短期注资确实有效,按照有的平台实时统计,OAI 在发布最新模型 Astra 之后,在部分用户群体中的营收,  上周已经超过了它的最大的竞争者Anthropic ( 下简称 Anth )  。Anth 之前曾经号称要十月初上市。但上市时间一拖再拖。它不再像过去一样通过媒体上的喽啰频频泄露出最新的 ARR 数据,而是忘顾左右而言他的宣传一些不可证伪的宏大叙事。

15/ 如果你看过笔者的老文章,

王川:当隔壁老王投资存储股票赚了三十倍后,如何还能不焦虑 (二)

里面有这样一段话:Anth 和 Oai 估值看多者无法绕过去的一个问题是:

一个有着持续巨大训练成本,和激烈竞争 (竞争者之间差距不到三个月),巨大价格压力, 产品切换成本不高(网络效应基本不存在,用户粘性微弱),仍然严重亏损的公司, 是否可以最终扭亏为盈,并且利润越来越高?一个需要持续对外融资才能活下来的 AGI,那还能叫 AGI 吗?

16/ 按照 polymarket 上的最新数据,预计 Anth 上市 90%的概率要拖到十一月十五日之后, 75%的概率在年底之前。 上市前三到四个星期,公司会公开发布 S-1 文件,披露经过严谨审计的财务数据。我们很快会有答案了。

17/ 上一次互联网泡沫的时候, 美联储 1999年六月底开始加息,九个月之后纳斯达克指数达到泡沫顶峰。历史不会精确的重复,但常常押韵。这一次,也许不用等九个月了。

让刺破 AI估值泡沫的加息风暴来得更猛烈些吧!

---

所有文章表达笔者个人观点仅供参考,不构成对所述资产投资建议,投资有风险,入市须谨慎。笔者推特号"Svwang1", 新浪微博 “硅谷王川", 网站 chuan.us。

点击下面链接可看到本公众号过去两百多篇原创文章的链接目录:

硅谷王川的公众号文章目录 (2026年七月)

跳转微信打开

  •  

[随笔]其实人也是一个LLM, 也需要 KVCache

原创 渣B 2026-09-26 18:08 浙江

最近觉得人也越来越像一个LLM了, 而公众号的这些文章似乎很好的构成了 KVCache. 不光自己可以用, 也可以和大家做 Prefix-Cache.

起因是最近几年经常同时搞好几个项目, 有 CIPU 芯片相关的, 也有 GPU 微架构相关的, 也有大模型架构相关的, 还有一些算法相关的项目. 经常 Agent 还在写 RTL 的时候, 又切换一个桌面搞算法.

最近在做一些新的芯片相关的研究, 同时准备花一些时间来仔细分析一下 Off-policy 的 LLM-RL 相关的算法, 但几个月没碰过了几乎全忘光了. 比较幸运的是以前随手记录了一个专题:《大模型强化学习》

今天顺手让 Agent 做了一个网站版挂在 github page 上, 并且做了一个更简短的 summary, 似乎这也算得上某种 session compaction 了? 链接如下:

https://zartbot.github.io/blog/algo/llm_rl/

另一方面, 我发现一个好玩的事情. 以前天天叫嚣着需要 Lossless RDMA/RoCE 的人, 还叫嚣着 OpenAI 都在用 PFC 的人似乎都没怎么说话了. 相反整个工业界都在开始 show 自己 Lossy RDMA 下的性能, 终于从 Lossless 转向 Lossy 了.

  • AMD 在 Hotchip 宣称400Gbps 的 NIC 在 1% 丢包时可以达到 160Gbps, Goodput-ratio 40%

  • 国内某家 400Gbps NIC稍微好一些可以到 48%

即便是 Meta 宣称可以在 1% 丢包时 Goodput 在 86%, 那么也就是说依旧还是有 10% 的带宽被错误重传了

而 CIPU eRDMA 在 3 年前就已经是 5% 丢包率 90% 的 Goodput 了..而如今 CIPU 下一代的带宽已经超越 Nvidia 最新的 CX9 和 BlueField-4 2倍达到 1.6Tbps 了...

我想说的是, 这些都是要做 10w 卡 ~ 50w 卡稳定训练的关键技术, 几年前就在谈, 很多年前就在提一个业务指标:

  • 集合通信能够保证95%以上的Fabric利用率

  • 丢包率5%的时候仍然能够保证90%的Goodput

  • 无需任何交换机的高级特性, 网卡实现多路径和拥塞控制

  • 超大规模(128K QPs)并支持所有QP开启多路径转发能力.

  • 兼容RDMA RC Verbs, 线下RDMA应用无需修改代码即可直接运行.

  • Incast 128打1这样的场景, 每个QP之间的带宽差额最大100Kbps.

  • 完全OS无感知的热迁移

  • 完善的RDMA虚拟化支持

可惜几年过去了, 不知道哪一家真的追上来了. 回想起 CIPU2.0 在 3 年前送去流片的时候, 也就是 2023 年底, 我们就完整的预测到 MoE 模型会成为主流, 并把 All-to-All 的 incast 问题干干净净的解决了, 而时至今日还听说某些平台因为 incast 触发的 PFC 带来的各种故障... 真不知道工业界都在干些什么....

是时候好好读读这个专题了 《RDMA》

跳转微信打开

  •  

国内有哪些值得关注的AI测评账号?可以先看看这几个

原创 优设 2026-09-26 12:30 湖北

现在一个新模型发布,相关介绍很快就能刷满信息流。看几篇文章就能知道AI参数提升了多少,又新增了什么能力。

 现在一个新模型发布,相关介绍很快就能刷满信息流。

看几篇文章就能知道AI参数提升了多少,又新增了什么能力。

可真要拿来改图做视频、写代码或者搭建页面,光知道这些还不够。

咱们其实更关心实际效果怎么样?官方演示里的效果,普通人能不能做出来?

所以我现在看 AI 工具的内容,更在意真实评测。

国内做AI内容的账号不少。如果你也经常关注新模型新工具,可以先看看机器之心、量子位、数字生命卡兹克和优设AIGC。

这几个账号有时会聊同一个产品,但关注的角度不太一样。

优质账号推荐

 平时关注大模型、论文和技术进展,可以看机器之心。

新模型发布后,想了解背后的技术、相关论文,以及这次更新具体改进了什么,它的内容比较适合这类阅读需求。

量子位涉及的话题更广,AI公司、产品发布、融资动态、模型能力和产业应用都会覆盖。想快速了解最近AI行业发生了什么,可以从这里看起。

数字生命卡兹克的个人色彩更明显。除了介绍工具,也经常写自己折腾Agent、工作流、Skill和各种AI产品的过程。能看到他具体怎么用,以及用过之后的判断。

做设计、视觉、新媒体或者内容创作,也可以重点看看优设AIGC。它介绍新工具时,经常会拿设计和创作任务来实测。比如图片生成得怎么样,视频能做成什么效果,一套工作流能不能跑通。比起单看功能介绍,这样的内容更方便对照自己的需求。

最新的AI工具统统上手实测

 AI圈的新品消息每天都有。

模型一更新,官方介绍、参数表格和演示视频很快就会传开。

不过,演示看着不错,换成自己的素材和需求还能不能用,得试过才知道。

优设AIGC的不少文章就是这个主题。热门工具出来后,编辑先上手试,再把过程和结果写出来。

比如LibTV 1.5更新后,文章就围绕实际创作做了测试。素材怎么导入,人物、镜头和视频怎么生成,最后做出了什么效果,都有展示。如果你正准备做AI短剧、广告片或者其他视频内容,看这些过程,就更容易判断自己是否用得上。

Vidu S2的实测也是如此。“一张照片生成实时数字人”“随时换装换背景”,光看功能介绍确实吸引人。真要用的时候,还得看人物形象能不能保持稳定、动作自不自然、换装后是什么效果。

文章把测试结果放出来,读者就能先有个判断,不必为了弄清这些问题,自己从注册、充值开始试起。

除了新品测评,还有一些文章会处理使用中遇到的问题。

比如《你用的AI降智了吗?》,讨论的就是一个很难说清楚的感受:同一个模型,怎么突然觉得没以前好用了?文章整理了3种方法,读者可以照着用一遍,看看模型表现有没有变化。

我愿意看这类实测,也是因为工具实在太多了,没办法挨个试。直接在这里看效果和操作过程,自己就能少花些筛选和试用的时间,再决定哪些值得细看。

有案例,还有意犹未尽的干货教程

看完测评,知道工具能用,往往还是不会做。

优设AIGC的一些文章会接着讲,看到了好的效果,具体该怎么做出来。

前段时间Codex表情包工作流就很有意思。

一开始是用AI围绕一个IP生成表情包,后面又把这些素材接入Codex,把表情包里的角色做成了可以在桌面上活动的宠物。

文章从IP形象、表情素材,一直讲到能运行的小项目。

读者可以顺着案例看素材怎么准备,了解每个工具负责什么,还有中间要做哪些处理。尤其是那些单看成品猜不出来的步骤,教程里讲清楚了,自己动手时可以直接参考。

《土木老哥手搓AI短片狂揽1亿播放》这篇也做了类似的拆解。

除了介绍案例,还分析了创作者的制作过程,把不同任务分别交给哪些 AI 来做讲了出来。

生成图片、制作视频、写代码、配音、生成音乐,都能找出对应的 AI 工具。

难的是素材做好以后下一步怎么做。

这也是我觉得优设AIGC比较适合创作者看的原因。一张商业海报、一条AI短片、一套UI,或者一个桌面宠物,文章会围绕具体作品讲制作过程。遇到和自己工作相近的案例,就可以顺着教程试一遍,把用得上的步骤留下来。

每篇内容,都有用心制作的封面

 除了文章内容,优设AIGC的封面也值得翻一翻。

连续看几篇,会发现它们的风格能认出来,但又不是同一个模板换几行字。

不同文章会用不同的场景和画面元素来表现主题。

这些封面在点开文章之前,就已经交代了一部分内容。比如看到图层面板和 PSD 文件,读者就能猜到文章和设计文件有关;看到桌面上的表情角色,也能大致理解桌面宠物是什么。

值得参考的是这种选画面的思路。

自己做公众号、小红书或者其他平台的内容时也可以这样。封面除了吸引人点开,还能提前告诉读者,这篇文章里有什么。

写在最后

 AI新品的信息并不难找。我现在更愿意花时间看写清楚了使用过程,给出实际结果的文章。

看完以后能判断这个工具和自己到底有没有关系。

想了解技术和研究,可以看机器之心;关注AI公司、产品和产业动态,可以看量子位;想看个人体验,以及折腾工具和工作流的过程,可以看数字生命卡兹克。

如果你做设计、视觉、新媒体或者内容创作,优设AIGC更值得加入日常关注列表。

先看实测,判断工具能不能满足需求;碰到想做的案例,再找教程跟着试。

比起漫无目的地收藏工具,这样会更省心~

图片 太棒了!您把今天的内容都看完啦,如果对您有帮助请三连支持。我们每天都会更新干货内容,欢迎设为星标⭐~

跳转微信打开

  •  

聊聊 Opus 5.5 带给我的震撼,真的太夸张

原创 二一的笔记 2026-09-26 05:22 福建

真的眩晕瘫坐了...

我一般不跟风喊什么眩晕瘫坐,但是当我让 Opus 5.5 给我的 Obsidian 模板做一个 Motion 动画视频的时候,我真的兴奋得手在发抖,要不是现在已经快凌晨五点半,我或许真的会大喊大叫,手舞足蹈。

视频在文章结尾

或许你会觉得夸张,我也觉得夸张,但这的确是我的感受。

还记得 2022 年刚开始学做视频,为了能获得一些微不足道的动画效果,我给我的 Notion 测评视频,手工搓了超过 500 张的 Keynote,那期视频从测评到写稿,再到学 Keynote 并完成动效,我做了整整三个月。

但现在 Opus 5.5 只花了 1 个小时, 用一段 1000 字左右的提示词,one-shot,画了 16832 张画面, 6 个 Chrome 并行,渲染成 1 分 12 秒的视频,连 BGM 都是它自己用 Python 编曲混音的。

为什么?为什么?发生什么事了?

这种感受和 Seedance 完全不一样,什么时候 AI 突然能通过这种方式,把视频做到这种程度了?这种用代码的方式,才能做到不抽卡,指哪打哪啊!

这种直观的、让人晕眩瘫坐的体验,真的比 Astra 言出法随写出一坨我完全看不懂的代码还要震撼。代码我本来就看不懂,但视频我会剪,现在我连视频也剪不过 AI 了。

而且除了审美和设计,Opus 5.5 的编程能力也是顶级,活干得漂亮,说话又好听,额度还多得令人发指。

这是我第一次觉得 Claude 如此耐用,也是第一次如此害怕一觉醒来我号没了。

我真的投降了,各位,我投降了!

毫无疑问我是 AI 降临派,Opus 5.5 在我心中已经跃升至历史第一模型。那我订阅了一年的 SuperGrok Heavy 算什么?算我傻*!Grok 4.8 最好能兑现马斯克画的饼。我也充满遗憾地觉得,OpenAI 或许永远也不会有审美这么好的模型了。

好了不说废话了,接下来请大家欣赏 Opus 5.5 毫不费力的杰作。

视频做得非常酷炫,但没有一个功能是捏造的,它完全基于我的代码库、以及产品实机效果所制作。我只是提供了相当相当粗糙的要求和想法,剩下的完全由它自己发挥创造力。

如果看完之后你对我的产品感兴趣,欢迎戳下方官网链接,这是一套基于 Obsidian 开发的人生管理系统,包含模板库、配套插件和无痛上手教程,感谢购买支持。

https://21obsidian.com

好了我该睡了,大家晚安。

哇,圆满的一天。

请原谅我这篇文章如此亢奋和浮夸的表达方式,实在是忍不住,我只是想起了过去几年熬夜剪视频,却依然剪得稀烂的那些瞬间。

阅读原文

跳转微信打开

  •  

云栖大会, 明年再见~

原创 渣B 2026-09-25 09:42 浙江

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

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

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

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

还有一个阿里云官方的视频, 大家可以看看超节点在数据中心内的样子.

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

那就这样, 欢迎明年再来~

跳转微信打开

  •  

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

任鑫 2026-09-25 07:00 湖南

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

关键要点

  • SEO 有规则可循,GEO 是个黑盒

  • 只能用一个模型去学习另一个模型

  • GEO 研究的是 AI 可解释性,不是写法

  • AI 引用内容是一个漏斗,像量化挖因子

  • 豆包偏爱抖音视频,海外模型偏爱官网社区

  • AI 消费闭环开始了,酒旅已经抽佣

  • 一个 prompt 就是一个货架

  • 别迎合意图,回归自己的核心优势

  • 科学 GEO 八环节,写稿发稿只占两个

  • 最难做的不是行业,是说不清自己是谁

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

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

以下是这期对话的整理。

什么是 GEO:AI 平台上的品牌优化

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

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

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

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

SEO 和 GEO 是两个不同的物种

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

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

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

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

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

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

三个阶段,是自己烫出来的

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

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

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

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

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

GEO 研究的不是文章写法,是 AI 可解释性

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

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

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

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

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

像量化交易一样做 GEO

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

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

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

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

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

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

豆包偏爱抖音,海外模型偏爱官网和 Reddit

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

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

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

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

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

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

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

AI 消费闭环开始了:酒旅已经抽佣

「我们说今天一个新的电商叫意图电商,它才开启。」——鲁扬

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

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

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

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

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

一个 prompt 就是一个货架

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

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

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

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

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

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

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

科学 GEO 八环节,写稿发稿只占两个

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

我问了一个最实际的问题:假如我要跟你合作,第一步是干嘛?

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

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

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

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

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

多久见效,怎么证明效果

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

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

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

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

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

从字节出来创业:时间点判断过于激进

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

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

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

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

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

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

创业是修行:发心、道与术

「创业是一个整个人生前半场的一次集中变现。」——鲁扬

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

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

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

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

给品牌的建议:最难的不是行业,是说不清自己是谁

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

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

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

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

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

彩蛋:清蓝这个名字,清华加 IBM

「清是为了致敬清华,蓝是为了致敬 IBM。」——鲁扬

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

结语

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

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

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

跳转微信打开

  •  

超实用!24条提示词技巧教你文章去AI味

优设 2026-09-24 22:00 湖北

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

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

跳转微信打开

  •  

一种很重要的能力:识别你的「默认脚本」

原创 李睿秋Lachel 2026-09-24 21:30 广东

让你感到舒服的,可能才是危险的

Photo by insung yoon on Unsplash

本文共有 3800 字

欢迎星标 L先生说

避免收不到推送喔

在今天文章的开头,我想先问你一个问题。

你觉得,我们最难改变的,是什么样的习惯?

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

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

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

真正难以发现、难以改变的,是什么样的习惯呢?

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

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

这才是最可怕的。

我举一个简单的例子。

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

这个方法在很多时候可能是有用的。但是,它是不是必定能够奏效呢?其实也不是。

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

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

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

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

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

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

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

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

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

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

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

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

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

类似这样的默认脚本还有很多,我列举一些常见的例子。

别人说了与你不同的观点 → 立刻反驳,试图证明自己是对的。

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

发现自己拖延 → 用意志力要求自己更自律。

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

跟伴侣或朋友发生冲突 → 习惯性地回避,减少沟通。 

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

对方情绪不好 → 马上解决问题、给建议。 

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

一件事情进展不顺利 → 花费更多时间和努力去做。

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

感到焦虑和烦恼 → 自动向内去寻求原因。

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

……

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

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

那么,有什么办法,能够帮助我们发现自己的默认脚本,更好地识别和调整它们呢?

可以试试这些方法。

1. 记录日常,关注反复出现的问题

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

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

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

2. 觉察和警惕下意识反应

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

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

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

很多时候,只是这么简简单单的一个思维的转变,就能把我们从默认脚本中拉出来。

3. 多想一步,审视它的有效性

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

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

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

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

4. 尝试用新的脚本去替代旧脚本

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

这些新脚本最好设想得细一点、具体一点,这样才能让自己毫不费力地调用。比如:

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

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

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

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

……

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

最后,还是要强调一下。

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

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

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

改变自己,永远不是意味着要否定和抛弃过去的自己,而是不断接受新的可能性。

我是 李睿秋Lachel

欢迎关注 L先生说

每周四晚 21:30 更新

一起探索心智成长的奥秘

THE END

-  晚  安  -

跳转微信打开

  •  

老乡鸡,你抄不会

原创 戴老板 2026-09-24 20:16 上海

中式快餐之王的版本答案

过去的2025年,中国人在老乡鸡的门店里吃了近2000万份毛豆烧鸡。

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

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

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

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

马斯克都可以开源,我们有什么好怕被别人抄的?

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

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

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

毛豆烧鸡只是老乡鸡庞大体系的一个微小切面,但要理解后者,可以从这道菜开始。

01. 种豆和养鸡

在合肥市蜀山区小庙镇的老乡鸡农场,种植着8000亩的毛豆。

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

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

机械化作业的小庙镇老乡鸡农场

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

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

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

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

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

老乡鸡炎刘养鸡场鸡栏

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

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

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

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

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

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

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

老乡鸡农场对毛豆的预处理

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

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

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

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

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

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

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

02. 锅气的分工

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

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

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

小庙镇中央厨房制作现场

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

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

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

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

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

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

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

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

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

鸡汤小馄饨制作工序

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

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

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

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

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

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

成为正面案例的代价,是对供应链和中央厨房的管理有着极高的复杂性。

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

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

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

戴老板进入中央厨房前的卫生检查

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

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

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

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

03. 洗手台往事

2020年疫情发生后,老乡鸡的门店里多了一样东西:洗手台。

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

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

合肥·滨湖医院店的老乡鸡洗手台

对中餐连锁产业来说,家常菜是最简单的菜,也是最难的菜。

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

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

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

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

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

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

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

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

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

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

老乡鸡为食客提供的,恰是一份关键时刻不掉链子的确定性。

04. 版本的答案

在追逐“中式快餐之王”的这条道路上,铺满了先驱者的遗体。

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

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

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

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

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

如今,接力棒交到了老乡鸡手里。

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

老乡鸡的全自动洗蛋机

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

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

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

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

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

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

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

05. 尾声

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

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

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

这便是老乡鸡的慢功夫,但慢就是快,快就是慢,老乡鸡的高效率也同样来源于此。

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

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

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

全文完,感谢您的耐心阅读。

参考资料

[1] 老乡鸡上市申请书

[2] 老乡鸡菜品溯源报告2.0

[3] 老乡鸡媒体交流座谈会

[4] 麦当劳中庆祝土豆本土种植40周年,官网

[5] 东方既白进驻首都机场全国扩张起步,东方早报

[6] 百胜中国2021年年报

[7] “快餐狂人”乔赢再现江湖,中国经济周刊

[8] 对话苏敬轼:教父级企业家的勇气和技巧,中欧商业评论

[9] 老乡鸡创始人束从轩:“登顶”中式快餐,靠这六步,创业酵母

作者:戴老板

编辑:鲁舒天

责任编辑:戴老板

图片

图片

跳转微信打开

  •  
❌