铃阅时讯
❌

阅读视图

阿里为什么现在重启淘鲜达|窄播Weekly

原创 窄播 2026-11-08 23:39 江苏

阿里即时零售一盘棋的新进展。

在盒马鲜生和超盒算NB之间,补盒马前置仓的空缺。

作者 | Tuna (上海)

监制 | 庞梦圆(上海)

这是《窄播Weekly》的第106期,本期我们关注:新淘鲜达的角色定位,以及阿里即时零售的战略新进展。

9月中旬在合肥重启的淘鲜达,还在继续开仓、并加速地推。一个半月以来,「淘鲜达」共进入合肥、南京、苏州和杭州四座城市,据壹览商业最新统计,其合计已在华东开出28个前置仓。

淘鲜达是一个旧名字、旧产品,2017年上线时,它做的是把大润发、三江购物等商超接进淘宝,帮商家把商品和库存搬到线上,再从现有门店拣货、送到家。2023年,它与做次日自提的淘菜菜合并为淘宝买菜,此后逐渐淡出。

重启后的淘鲜达,和旧模式完全不同。新淘鲜达是盒马旗下的自营平价快送超市,约有8000个SKU,主打24小时营业、最快30分钟送达。它有独立App,也进了淘宝闪购。开仓的同时,地推也在铺开。在社交媒体上,能看到已开仓城市的地推人员到小区发首单券、拉新。

在阿里现有的即时零售格局里,淘鲜达补上的是盒马在平价快送前置仓上的空缺。从价格、覆盖范围上来看,它都处在目前盒马鲜生和超盒算NB的中间地带。

用自营前置仓做家庭日常采购,也让新淘鲜达在经营模式上被认为对标美团小象超市。公开报道中,今年6月加入盒马的淘鲜达业务负责人王志强,曾任美团买菜商品部负责人。

图片来源:小红书@宁姐

重启淘鲜达,也是阿里推动电商和即时零售一体化的又一个进展,它不是引入一个现成业务,而是用阿里已有的能力,从0到1做一门自营平价快送的前置仓生意。

在盒马和NB之间,补前置仓的空位

去年即时零售激战正酣时,就有从业者对我们说,与美团相比,阿里缺一张覆盖广泛、专门做家庭生鲜和食杂快送的自营仓网。

在两家的即时零售布局里,超市大店有盒马鲜生和小象超市线下店,社区硬折扣有超盒算NB和快乐猴,便利仓有淘宝便利店和松鼠便利。

唯独生鲜前置仓这块,美团小象超市前置仓目前已超2000个,美团还收购了叮咚买菜中国业务;阿里自营的生鲜配送业务,长期靠盒马鲜生+超盒算NB。

但盒马鲜生以店仓一体的大店为主,SKU 6000多个,特色供给是网红新品、小份净菜、半成品,在江浙沪等市场积累较深,向更多城市铺大店仍受选址和坪效制约。超盒算NB做的是面向家庭一日三餐的社区硬折扣,走低单价、低毛利,自有品牌占比超60%,选址社区楼下也意味着不是靠配送做便利,去年也有其相关负责人告诉我们NB多数店的「线上订单占比只有10%左右」。

所以,去年,阿里曾提出大力发展盒马前置仓。据《晚点》今年6月披露,盒马前置仓已超500家,年底目标是1000个以上。与小象超市比仍有距离。

淘鲜达可视为阿里为自营生鲜找的一个新解法。从上述价格、覆盖范围/优势区域、模式上来看,它的定位恰好在盒马鲜生和超盒算NB之间,受众可能更广泛。

同时,淘鲜达与阿里旗下另一个前置仓项目淘宝便利店也形成了区隔。淘宝便利店部分仓的SKU上万,但整体以加盟为主,有很多更长尾的百货供给;淘鲜达则以自营模式聚焦生鲜日用。二者分工,类似小象超市前置仓与松鼠便利。

至于阿里为什么非要一张覆盖更广的生鲜前置仓网?

在线上线下融合、消费者需求也碎片化的背景下,生鲜食杂快送,既可辐射更广大家庭用户,也能触达更细碎的场景,还可因为高频成为食品杂货的入口。

亚马逊把食杂品类做起来的逻辑就是如此:在一个网点、配送能力、订单密度都已有基础网络里,通过加入生鲜这一高频品类,来争取更高的消费频次和家庭场景。Consumer Edge观察到,在新增生鲜同日达服务的样本市场,亚马逊自营交易频次约增11%。亚马逊还发现,活跃的食品杂货顾客也更常买家居、服装等商品。

对阿里而言,淘鲜达也可能作为高频入口,为家庭用户连接一个更大的阿里电商。

用「淘鲜达」还是用「盒马」

关于淘鲜达的第二个问题通常是:为什么没有沿用「盒马」的名字,而是重启「淘鲜达」?淘鲜达与盒马的关系是什么?

现实关系上,淘鲜达归属盒马,复用的也是盒马的能力。

新被调去负责淘鲜达商品采购的张东征,原先是超盒算NB的采购负责人。淘鲜达的App和开业海报上,都能看到「盒马旗下」的标识。淘鲜达的会员体系也与盒马类似,主推季卡和年卡,权益包括免费领菜等。甚至,有的地方淘鲜达和盒马前置仓共用一个仓,只是取货的货架不同。

但同时,淘鲜达APP的客服回复提到,淘鲜达有一套独立的仓网,选货、拣货、配送都是独立的。

图片来源:小红书@盒马招聘

命名上的区别或许在于:继续沿用「盒马」系,可能会造成既有品牌的心智紊乱;同时,在一些城市,盒马鲜生+超盒算NB的密度已经足够大,原有品牌能再吸引多少新用户,是存疑的。

一名在南京原先推盒马App、后来转去推淘鲜达的地推人员告诉我们,盒马在一些区域已经越来越难拉新,反而新的品牌+新的优惠补贴比较有吸引力。另有杭州地推表示,盒马目前大多能吸引的是社区老年人,「虽然也会接受,但复购很低」。

图片来源:小红书@夏目

但反过来,用淘鲜达也意味着,需要重新做品牌的市场教育,重新获客。

我们在社媒看到的一份「杭州大区军令状」现场图片显示,淘鲜达在杭州的开城目标是11月底前获客超10万。一名合肥淘鲜达地推人员称,他所在的团队日均人效在8.5单到10单,团队还设有35%的复购目标,只是现阶段达不成并不影响个人绩效。

为什么是现在?

关于淘鲜达的第三个问题,是阿里为什么「现在」加速前置仓业务。

蒋凡接手阿里电商后,一直把线上线下融合和AI电商看作未来几年的两个机会。在即时零售上,他的目标一直是全品类、全区域覆盖,并且盈亏平衡。

节奏上,阿里即时零售的策略也比较清晰:先做餐,培养消费习惯、养骑手团队;再做非餐,过程中不断推动餐与非餐的联动、协同;同时按照消费者需求,不断优化品类、仓储位置、配送时效、价格的排列组合。

现在,餐饮外卖靠大额补贴抢单最激烈的阶段已经过去。美团外卖总经理薛冰10月披露,今年上半年外卖实付单均价回升,低价订单占比下降。按餐饮外卖订单量,摩根大通去年11月估算,美团、阿里、京东分别占50%、42%和8%。京东外卖的关键人物京东本地生活业务负责人郭庆近期也因个人原因离职,接近京东的人士称,京东外卖接下来会把重点放在供应链创新和经营效率上。

以食杂日百为主的非餐品类成为新的战场。

今年8月,蒋凡在业绩会上说,阿里将加快整合盒马和天猫超市,发展非餐,尤其要加快铺前置仓。他预计,非餐即时零售交易额将在下个财年内超过餐饮,即时零售业务在2029财年实现整体盈利。长期看,即时零售有望贡献阿里中国电商平台约三成的交易额。

海外电商平台也在通过自己的方式补充餐、生鲜,只是因为社区密度、配送成本、消费习惯、自身基因等差异,推进的先后顺序略有不同。

亚马逊此前已有外卖,去年开始在生鲜同日达上加速看到协同效果,最近又接入Uber Eats,让美国Prime会员可以直接在亚马逊下单买餐。沃尔玛作为零售商,是先把包括食杂在内的配送做起来,最近向餐饮延伸,今年6月起在部分地区通过自家App配送店内Subway的餐食。

在整个零售都在做全渠道、即时零售渗透率在全球范围提升的背景下,对所有想要抓住线上线下大机遇的电商平台、零售商来说,外卖只是个引子,最终要抢的是整个线上线下的交易市场,一点点把旧电商、旧零售重做一遍。

其中,一位零售专家此前曾对我们说过,「即时零售就是要追求持续的全覆盖」,用不同的方式覆盖尽可能多的市场。其中,纯线上的前置仓更是个规模生意,有机会像电商一样铺向全国,无非是更有限的SKU,以及对配送时效的要求更高,各个地区的单量密度差异更明显。模式决定了,前置仓必须以规模为目标,争取全国性的市场,所以美团要收叮咚买菜,也一直有阿里要收朴朴的传言。未来的较量中,规模、密度也会长期扮演重要角色。

且按照王兴对于美团食杂零售的预估,线上线下一体化的生鲜超市业务,长期是可以实现低个位数的利润率的。

所以,AI热闹的一年,即时零售之争看似安静,但一直静水流深。淘宝便利店7月签约超过700家,目标是2027财年末开到3000家。到10月下旬,超盒算NB已接近700家,快乐猴超过100家。小象超市在两千多个前置仓之外,也开起了线下店。

甚至,随着用户更多习惯用AI找货、下单,对供给和配送的要求还会更高。当然,现在要实现这些还早,但无论是AI还是即时零售,都是需要长期定力的事。

- END -

跳转微信打开

  •  

54 岁大哥自学AI短剧登顶普通人能靠AI翻身

warfalcon 2026-11-08 23:27 辽宁

最近一个新闻是。一个54岁大哥自学ai跟团队做出《持械入宋》却登顶红果短剧AI推荐榜榜首,收获1141万收藏、单季最高热度8206万,总播放量突破40亿。

其中《持械入宋》制作团队10人,全系列累计投入算力超100万元。

有读者询问,可以干嘛?有什么可以借鉴的。

别指望了。

类似于做淘宝能赚钱、做自媒体能赚钱,做直播能赚钱,话是没错,早期做的人也确实赚到钱了,但后来的人太多,普通人已经没机会了。

而AI短剧把这周期变的更短,以前大都是几年的红利期,而AI短剧的红利期不到一年,按月算。就是上个月能赚钱的方法、模型,到下一个月已经不赚钱了。

我认识的一些朋友在去年赚到一些钱,然后扩大规模找钱找人,在今年前几个月还是可以赚钱的,然后在某个节点之后,赚到的钱开始变少,然后一个月一个月变差,到这几个月已经不赚钱,甚至开始赔钱。直接入不敷出。

就跟 张汉生 的路子差不多,只不到到7、8月开始就向下走了,而他们的区别是做了《持械入宋》爆了。

那个时间点调整完分成比例之后,1万播放才几元钱,破亿的爆款短剧也才几万十几万。成本很难回来。

除了房租、人工费用、税,大头都被抖音赚走了。Seedance要占大头,然后还有一大部分是投流的费用。哪怕就是分成把上面的费用一减之下,基本上剩不下多少钱,有人反而开始赔了。

文章中DataEye数据显示,2026年上半年抖音端共上线22.19万部AI剧,破亿率不到0.5%。这还只是上半年,等到下半年,AI部基本是井喷式的出现,破亿率估计会跌到0.1%以上。

先发者的红利已经没了。要说有机会没,有但少的可怜,常规能看到的想法、创意、路子已经被无人踩过了,除非有新的技术红利,能更低成本、跳出当前的模式和运气才有可能。

所以对于普通人靠AI短剧翻身,机会太小了。入行要么被卖课做培训的收割,要么交钱给抖音。千万别被骗。

跳转微信打开

  •  

忐忑,等周一

原创 moomoocat 2026-11-08 22:20 新加坡

短暂周末结束,明天又要开盘了,我猜不少人神经又开始紧绷,我整理一下周末重要信息。

首先是周五有不少人在微信上传“券商买入1000亿救市”,这个信息不准确,我澄清一下。

还记得周一监管开会,当时给了1000亿互换便利的额度,什么是互换便利我就不科普了,你们简单理解成授权资金专门救市买股票。现场有31家机构申请,其中26家券商要了差不多700亿。这里面中金要了最多,163亿,中信100亿,毕竟是国字号券商,股灾当前肯定要主动担责。

然后周五有6家券商公告已经执行了【首批买入】,这6家券商是中金、中信、国泰海通、银河、招商、东方,注意是首批买入,没说把额度都买光了。

所以总结一下,就是券商申请了700亿救市资金,周五已经首批买入,具体买了多少没讲,反正没买光。

……

周五的行情我当晚就复过盘了,简单总结就是国家队看起来没有大规模护盘,主流宽基缩量明显,但市场靠自己撑住了外围市场的冲击。虽然最后中位数也跌了1.8%,但相比起当日的日韩台股市表现,已经算的上颇具韧性。

很多人关注周五晚美股的表现,我当然也看了,怎么说,一般般吧。道指跌0.46%,纳斯达克涨1.09%,标普500涨0.31%,在刚刚周四经历了一波大跌后,美股这种级别的反弹回应算是偏弱的。给我的感受是更像下跌中继,下周大概还要跌。

我觉得这可能是a股接下来最不利的外部因素,外围暴涨的时候没跟上涨,外围没崩我们提前跌了4个月,现在外围也不行了,我们还要跟着挨打,这上哪说理去...?

另一个不利因素是美国周五晚公布的就业数据大涨,超过预期,这进一步夯实了12月加息的可能性,目前链上下注的概率是77%(加息0.25%),这会对全球市场形成压力。

那接下来a股有什么有利因素吗?有的,a股最有利的条件就是前面跌的狠,已经够惨了。大盘整体距离2025年6月(科技牛市启动前)只有5-10%的距离,就算ai全是假的,就算科技企业的利润增长都不算,就算一切打回原形,也就一屁股墩坐下去的空间了,在这个位置卖空的性价比很低。

盘面上最大的x因素是官军的态度,我贴一个最近一段时间etf净入出数据表。大概从9月下旬开始就明显持续净流入,并且规模越来越大,在本周一、二、三达到巅峰,但随后的周四、五又大幅滑落。

不清楚接下来他们是怎么打算的,只能随着盘面看一天判一天。我猜上周五、本周一的低点是要捍卫的底线,但这完全是猜的,我没有消息渠道,我要真有我也不敢告诉你们,猜都不敢猜了。

我之前抄底了3手,目前仓位65%,计划是中证500指数每跌150点就加仓一次,还能加12次,最多加到4500点。这是我的交易计划,不会因为外力变化而调整。注意,别在外面传什么我扛到4500就爆仓,跌到450点我都不会爆。

……

1、内塔尼亚胡大概率要下台了,链上概率掉到20%,而他的竞争对手艾森科特飙升至66%。之前的以色列大选,内塔尼亚胡阵营53席,埃森科特阵营48席,都不够单独组阁需要的61席。第三方阿拉伯裔政党19席成关键票,他们明确表态不支持内塔尼亚胡。

艾森科特接下来有28天时间尝试组阁,只要说服阿拉伯裔政党合作(难度也不小),他就是下一任以色列总理,内塔尼亚胡就完蛋了。

至此,可以说美国联合以色列的军事行动在战略上都输了,因为两国的主战派都被民众的选票抛弃了,但这不能算伊朗赢了,如果美国和以色列是专政政府,他们有能力把伊朗耗到崩溃。

对于全世界人民来说这是好事,霍尔木兹局势大概率要降温了,只要油价降了,美元年底加息就会有松动。

2、央行连续第24个月增持黄金,10月份买了25.82吨,相当于220亿人民币。越买越多了,最近8个月每个月的增持量都在环比增加。高盛把2026年底黄金目标价调整为4150美元,2027年目标价调整为4800美元。这里有个背景,市场普遍预期美元12月加息,但是明年中旬开始重新降息。

3、五粮液集团完成30亿增持计划。五粮液集团是上市公司五粮液的母公司,原先持股55.08%,这次买完30亿后上升至56.14%,长线看这笔低位回购还行,白酒现在是周期低谷。

4、创业板指修改规则,将单一个股的权重逐步调整到15%上限。这个规则主要是冲宁德时代来的,它目前权重15.46%,最近最高的时候接近20%,宁德时代单只股票的波动对指数的影响太大了。

但宁德时代占权高并不是受到特殊优待,就是企业发展好利润高,股价能涨导致的。创业板指100家公司的总利润,宁德时代一家就占了1/3,你要怪就怪剩下的企业都太菜,概念唬人但能挣钱的没几个。

5、部分周五公布回购计划的上市公司,以后我除了回购金额,还会计算出回购金额相当于他们今年几天利润,免得股民看到几亿金额没有概念。有些公司没脸没皮的就拿几天利润出来敷衍糊弄,我也没必要给他们脸。

就这些吧,上钟咯。

跳转微信打开

  •  

王小洪在云南调研时强调 提高政策措施的针对性有效性 因地制宜推动高质量发展

公安部网安局 2026-11-08 22:19 北京

中共中央书记处书记、国务委员王小洪11月7日至8日到云南调研。他强调,要认真学习贯彻党的二十届五中全会精神,深入贯彻习近平总书记考察云南重要讲话精神,落实党中央、国务院决策部署,完整准确全面贯彻新发展理念,统筹发展和安全,立足自身条件,提高政策措施的针对性有效性,因地制宜推动高质量发展。

王小洪先后来到西双版纳傣族自治州、昆明市,深入口岸、企业、产业园区和公安检查站等,详细了解口岸通关、产业发展、科技创新和社会治理等情况,听取基层工作意见。他强调,要主动服务和融入高质量共建“一带一路”,聚焦建设面向南亚东南亚辐射中心,多措并举提升口岸客货运通关能力和便利化水平,高质量建设自由贸易试验区,扎实推进大通道建设,促进口岸经济发展。要注重发挥比较优势,在文旅、花卉等特色产业发展上持续用力,提高就业带动力,促进产业增值、企业增效、群众增收。要深入实施创新驱动发展战略,做强做优做大资源型产业,优化提升传统产业,培育发展新兴产业和未来产业。要规范涉企执法司法行为,营造良好营商环境。

王小洪要求,准确把握当前社会稳定领域形势特点,树牢底线思维、极限思维,加强对各类风险的监测预警、防范化解,依法严厉打击网赌电诈、毒品、走私等突出违法犯罪,突出科技赋能、强化边境管控,把高水平安全各项工作抓得紧而又紧、实而又实,切实在发展中固安全、在安全中谋发展。

-END-

来源:新华社

跳转微信打开

  •  

寄·雾里村|离世界很远,离心灵很近【环球设计4217期】

原创 DesiDaily 2026-11-08 21:35 广东

△寄·雾里村之作家之家|窗外的风景,是治愈,也是指引

△寄·雾里村|苦荞与灰色的屋顶绝配

△寄·雾里村/云南怒江

△寄·雾里村视频

△寄·雾里村给房客的一封信

摄影|黄高华

文字|黄高华

秋天

秋天,很丰富,很艺术,很感性,也很浪漫。

以前总觉得日本京都的红叶季最美,各种庭院看都看不完,后来为了做酒店游学,将日本从南到北的秋天、冬天看了个遍。前两年,都在秋天的时候去川西自驾,看了九寨沟、稻城亚丁、四姑娘山、毕棚沟等地方的彩林,也陆续跑了两个环线,发现川西的秋天特别惊艳,丰富的地貌,层林尽染的彩林看到应接不暇。总而言之,秋天最能实现“跟着风景去旅行”的美好愿望。

几个月之前,还在规划今年要去川西的路线,后来看到了寄·雾里村的宣传视频,就决定改走滇西之路,探索“人神共居”的丙中洛。

丙中洛

很多年以前就被十月金色的丙中洛所打动,有“人神共居”之称,也是G219勇士之路的起点,一直就有个信念想来丙中洛看看。起初这路线很难找到特别好的酒店,前几年松赞在石月亮和丙中洛也开了山居酒店,松赞啥啥都挺好的,尤其是选址,那都是中国最美的地方,但总觉得酒店对设计不够重视,因此也一直未前往。

几天前,刷到有个外国友人来丙中洛发的视频,大意就是说在中国,没有人来的地方,肯定都是最美的,我还挺认同的。

离丙中洛最近的两个机场是保山机场和迪庆香格里拉机场,导航都需要6个多小时的车程,丙中洛那暂不通高铁也没有高速。

我们去程是选择大理落地,休息两天,然后到石月亮住一晚,第二天再继续前往丙中洛;回程是直接从丙中洛回保山机场,当晚坐飞机离开。这样的往返路程都特别远,沿着G219走,慢慢开,中途休息吃饭,坐车时间将近9小时,人非常疲惫,而且G219一直沿着怒江深入,景色也较为单一。比较合理的方案是从保山机场落地,去丙中洛,一直沿着G219去林芝、拉萨,或者往梅里雪山方向走。

其实,在临出发前,我就和设计师文超聊过,他说坐车很辛苦,但值得来一次。反正,我也觉得不管多辛苦,总得来一次。如今,在中国能让我们有想来看看这种冲动的酒店确实也不多。

抵达

来之前,就知道雾里村暂时不通车,据说是中国唯一一个还没通汽车的村庄,这不就是雾里村的特别之处吗。早之前,去京都虹夕诺雅的时候是乘船进去,尤其是在红叶季的时候,印象特别深刻。

如今进寄·雾里村,得徒步1.5公路的茶马古道,这也是村民进出的唯一的路。另一边村口,桥已经修好,不久的将来汽车可以到达另一个村口,就不用徒步这么远。如此特别的抵达方式,让人联想到最早的安缦的设计模型。

很喜欢酒店宣传里的那句话“这里是世界尽头的怒族村落,离世界很远,离心灵很近。”

寄·雾里村

雾里村现有大约48户人家,有怒族、傈僳族、独龙族及藏族4种少数民族。寄·雾里村是一个散落的民居改建的酒店,与周边环境没有清晰的界限,因此最大的特点就是“与民同乐”。每一栋建筑的命名也都是作家之家、画家之家、摄影之家之类的。在中国,很少有高端酒店或民宿能真正做到放弃界限,开放拥抱乡村的自然生活。以往,眼中的高端给人就是一种不可靠近的感觉。

寄·雾里村一期先开放9栋,其中8栋是客房。既然是开放的姿态,又是乡村酒店,那就意味着这是前所未有的运营思路。客人还得随时与鸡、鸭、牛、羊、狗等动物为伴,而且还是在山里,可能还会随时冒出蛇、老鼠等等,在村里长大的客人还比较好说,如果是城里来的客人就不一定习惯。

一期开放的建筑由蔡旭主创设计,能看得出来这是一位多么细心和体贴的好男人,在酒店建设期间,他与合伙人在这里长驻了500多天。以前还没听过他的名字,但体验完之后,觉得他是我最喜欢的中国建筑师之一了。

二期还在建设中,大多是比较“新”的建筑,感觉没有那么吸引我。

△寄·雾里村一期改造完成的建筑分布图

作家之家

作家之家是我这次入住的房子,恰好就在村口,步行到早餐厅就特别方便。房子不大,恰好是我喜欢的尺度,纵观了所有房子的卧室,我们都一致认为作家之家的卧室是最舒服的,也是尺度最好的一个,特别养人。

窗外,有一棵树刚好红叶,虽然不是什么名树,但却让人觉得很美。碧罗山上流下来的河就刚好经过窗外,离房子也就十几米远,晚上夜深人静的时候,流水声有点大,习惯了也不影响睡眠。第一晚入住的时候,能听到很多狗一直在叫,这也许就是乡间的乐趣。

雾里村的木楞房子的结构分为上、中、下三层,上层就储藏一些空调的主机,中为睡眠及洗浴区,下层为客厅及书房,因为楼梯比较狭窄难走,我没怎么用过书房及客厅,拍完照就没有再下去了。

画家之家

画家之家总体而言是设计最好的一栋房子,位于山顶,风景极好,当然房价也是比较高的。本来我们也预定了这栋房子,但后来我们发现在山顶,山路也不好走,尤其是晚上的时候,后来我们就换到下面的手工艺人之家。

画家之家,让人想起了之前去过的位于日本仙台的野奢酒店‘大萝卜花’,那是我们一起住过的最喜欢的日本温泉酒店。特别喜欢这里的小书房,尺度很小,但却非常舒服宜人,我感觉能安静地在这里阅读或发呆一整天,很想将它及这里的风景搬回家。

画家之家位于山顶,因此拥有野奢的先天条件,一般也没有村民来打扰,这里还有一棵百年的核桃树及户外餐厅。因为我们最后没有入住画家之家,酒店特别为我们安排了一顿午餐在画家之家的户外餐厅,一共6人为我们提供服务,瞬间让我们觉得这服务特别的好,跑这么远来一趟值了。

管家式服务

我们入住的那两天,刚好就只有我们一波客人,所以我们独享这份美好的服务,酒店的全部服务员都在为我们三餐及起居服务。带领我们游览及村内徒步,还到阿凉哥家喝茶,体验美好的邻里关系,让人印象深刻,两位官家也是甚好。以前也住过好几家既下山的酒店,但觉得其他家和这里的相比,没有这里的好。

当然,未来入住的客人多了,服务才是最大的挑战。

离开

特别的抵达方式,再来一个特别的离开方式,这就是一次非常完美的入住体验了。酒店在怒江上特别修建了一个滑索,徒步进来需要快1小时,但离开这里,从此岸滑到江的彼岸仅需20秒,愉快的体验,如此特别的酒店体验,在中国还是第一回。

雾里村,离世界很远,离心灵很近。下次再来!

丙中洛|“人神共居”

△怒江第一湾

△“人神共居”的丙中洛

△丙中洛及周边村庄景观

△夹在高黎贡山与碧罗山之间的怒江

△秋科当|丙中洛镇附近的村庄,风景很美

△丙中洛镇中心的海拔1750米,秋色来得比川西晚许多

△丙中洛的贡山暂时开通三个观景台,最顶的观景台风景最美

雾里村

△雾里村鸟瞰

△雾里村鸟瞰

抵达|徒步1.5公里的茶马古道

△朝红桥|建于1975年,如今已废弃,成为了时间的丰碑

△如今进村的唯一通道,不能通车

△被废弃的桥没有拆除,成为怒江之上最美的大地装置

△雾里人,回家的路,精神的指引

△管家送给我们的手捧花,借花献给了贡山

△怒江边的茶马古道,进村唯一的路

△古人手砸出来的路,不知多少人砸了多少个春秋

△山痕

△山泉水|旧时过路的马帮,可以稍作休息,让马喝口水解渴

△一边走一边看,大约要50分钟,遥见雾里村,是抵达的幸福

△腰间的小径就是我们进村的茶马古道

△徒步路过的风景

作家之家

△作家之家|苦荞花与木屋很搭

△作家之家|位于村口,非常方便

△怒族木楞房|分为上、中、下三层结构

△树挨着木屋生长,红叶成了窗外最美的装饰

△下层与户外庭院相接,被改造成客厅与书房

△入户庭院|静谧的光

△迎客灯|收到一封蒿枝信

△下层庭院火盘

△下层庭院|堆满了柴火,很乡村,很滋润,很松弛

△窗外的红叶|来得恰恰好,美得很应景

△下层客厅|下午阳光很美

△下层书房|不被外界“侵扰”的自然场所

△客厅茶具

△一直在努力寻找窗户与自然的关系,希望模糊建筑的边界

△让人最有感受的是这个窄窄的楼梯,告诉我们要努力往上爬

△入户玄关看浴缸,小窗为我们提供了源源不绝的灵感

△卧室的小窗,可以看见村口的一切动静

△卧室配了一个小沙发休息区,非常喜欢这个区域

△壁炉与等待被烧的柴火|天气未冷,所以没有开火

△尺度稍小稍矮的沙发,但却很舒服,打破“人体工程学”的偏执

△躺在床上就能看风景,水流声有点大,但不妨碍睡得很香

△衣柜旁的镜子,正对床,偶然发现,差点被自己吓着

画家之家

△百年核桃树下的户外餐厅|这里风景独好

△画家之家|村里大最高海拔,也是风景最好的一栋房子

△画家之家|见到红叶就满心欢喜

△户外茶室|尺度很小,很是治愈

△户外露台|山风拂过脸颊,是自然的礼赠

△简朴的连廊,第一个房间是泡池,尽头是半室外的茶室

△储水池|流下的是清凉的山泉水

△画家工作室窗外的风景

△画家工作室|风景绝美,内设一张小床,假如梵高在这会画啥?

△书房尺度很小,两个窗,一边看山与苦荞花海,另一个小窗正对着百年核桃树,超治愈的,特别舒服,我们一致认为这是‘寄’酒店中最好的设计,建筑师蔡旭到底是一个怎样的男人,才能设计出如此细腻入微的小空间

△书房|正对着百年核桃树的小窗

△身体慢慢靠近窗户,心灵也渐渐亲近风景

△书房|正对着山坡、大山、苦荞花田的窗户

△从书房门看露台及画家工作室

△卧室窗户正对着百年核桃树,房间尺度稍大,风景很美

△泡池|真正的野奢,隐藏于此,可双人共浴

早餐厅/咖啡厅(核桃树下)

△位于村口的早餐厅/咖啡厅,承包了餐饮及接待功能

△早晨的阳光很治愈

△户外餐厅|简朴而富有层次,与山林融为一体

△户外餐厅|每一块砖都是手砸手砌出来的,自然的肌理亲近宜人

△早餐厅/咖啡厅门前

△简洁而富有艺术旋律的铁艺扶手,与木块似乎天生就很搭

△自然而有抱持性的空间,有种自然的穿透力

△秋色渐近,秋意渐浓

接待中心

△保留老建筑的各种细节,是时间的记忆,是历史的馈赠

△户外小露台,刚好的折叠门,惬意地攀谈了起来

△老炉灶,是烟火味,也是生活的日常

△各种不同肌理的老木地板的拼接,显匠心

雾里村漫游

△沿着经幡,望向画家之家的邻居家山坡,这就是最美的乡村建筑

△村里最大的一片苦荞花海

△成片的粉色苦荞花海,让人心生欢喜

△绿色的苦荞与灰色的屋顶,营造静谧之境

△远处是山、是沟、是云、也是风景

△不知是不是核桃树,觉得很美,就顺手拍了下来

△红了的柿子树,正是成熟时,树形挺美

△村里的白塔,承载着多少代人的信仰

△白塔旁的小路,树影婆娑

△碧罗山上流下的泉水,很是清凉

△漫步在山间,足下穹音,是疗愈的轻吟

△雾里村的民宅,那上楼的木楼梯很特别,屋檐挂满了玉米

△从村民阿凉哥家望向远方

△管家小沈领着我们去村里漫步,走着走着就来到了阿凉哥的家,阿凉哥还给我们泡了茶,端出他家私藏的核桃,让我们品尝品尝。和谐的邻里关系,是既下山于此沉浸多年的结果,与民同乐是‘寄’最为核心的价值,与村民共同走出一条新的“文、农、旅”之路,这也是此行最大的感动,平凡的日常,隐藏着巨大的能量。

△阿凉哥家的墙外花团锦簇,问了他,他说也不知道这是什么花,我看着很像野花,阿凉哥肯定是一位很热爱生活的男人,除了这个花,还有许多盆栽。

△上画家之家的山路

△上画家之家门前的路,很野,不需要设计的美好

△从画家之家下山的时候,路上偶遇了一群小鸡,这才是真实的乡村

△雾里村的路标的设计也是甚好

△喜欢村里的各种老树,阳光照耀下,是晴朗,是根植于乡村深处的淳朴


推荐阅读

▽

首发 . 杨钧|杭州良渚别墅,山林入室、自然生

首发 . G-ART 集艾|西安林溪书院,会所如何成为社区日常的起点

首发 . DIA 丹健国际|长在公园里的未来城邦,杭州润启未来之城

首发 . 春山秋水|菁弘万科·光曜


原创文章,未经授权,严禁转载,欢迎转发至朋友圈

跳转微信打开

  •  

985毕业,年薪十万真的低了吗?

原创 Peter Zhang 2026-11-08 20:54 北京

从张雪校招争议看年轻人对工作与回报的期待

伙伴们,大家好

最近,一场招聘会引发热议;

起因是张雪到重庆大学招聘,给985、211毕业生研发岗开出10万起的税前薪资,但学生们觉得低了;

有人认为,在重庆这个待遇可以了,学生别眼高手低;

也有人替学生不值:名校毕业想多挣一点,怎么就不知好歹了?

其实,这件事没有对错,只是大家对工作与回报的期待不同;

企业有自己的难处,应届生们也有自己的现实考量。

01

10月26日,张雪机车到重庆大学做校招宣讲,整体计划招聘约一百人,七成是研发岗位。

针对985、211高校,研发岗第一年预估年薪十二万到十五万元,非研发岗十万到十二万元,加班费另算。

除此以外,公司提供六险一金、食堂和住宿,实习期双人宿舍免费,转正后每月住宿费二百元。

公司还介绍,多数员工入职一年后可涨薪约20%,第一年绩效前10%的员工可涨薪50%。

那重大学生为什么会觉得薪资吸引力不够?

学生找工作,主要参照就是身边同学、往届学长学姐们能去的同类型企业;

据重庆大学公开校招显示,赛力斯2027届重庆研发设计岗位,标注月薪一万五千到两万五千元;长安汽车综合校招标注月薪一万到两万元,都招机械、车辆等相关专业。

一位重大机械已毕业的学长说:“张雪开出的薪资的确比较低,因为他2020年本科毕业时候就是10万,还因为是国企比较稳定,不然没人去,现在2026了,还给这么点。”

他认为:“大家上班的目的就是稳定的挣钱,没有那么多情怀,张雪机车虽有流量,但赚不赚钱还说不准。”

如果一份工作需要投入更多时间和精力,还要承担更大的收入不确定性,待遇却没有明显优势,求职者自然会觉得不太划算。

02

但是,学生的考量并不会自动变成企业能开出的工资。

《2026年中国本科生就业报告》提到,2025届本科毕业生的去向落实周期有所延长;

也就是说,大家找到满意的工作变得越来越不容易;

毕业生找工作有压力,企业招到合适的人也未必容易;

张雪此前多次说缺工程师,但能直接承担项目的人,和需要培养的应届生,还不能马上互相替代。

站在企业经营者角度,他得考虑新人的培养成本,能不能培养出来?培养出来能创造多大价值?好不容易培养出来了,会不会跑?

这些培养成本和时间都是实打实投入的真金白银,同时,张雪还要考虑公司眼前的业务增长和发展;

据新华财经报道,张雪公司2025年研发投入6958万元,年度亏损2278万元。

张雪对此也回应:招聘是双向选择,学生可以不来,企业也不能被要求必须开到二十万元,并且他表示已经有三十六名重大学生进入二面;

当然出现这种情况,最根本的原因还是供求变化,我们说过经济学里的稀缺概念;

即便是名校生应届毕业生,如果开出来普遍薪资都在十几万这个区间,那说明名校生的身份并不稀缺了,要适当放低期待。

所以,结构性就业矛盾不能只归结为“学生眼高手低”,和“企业只想抄底名校生”。

03

为什么这件事让这么多没参加招聘的人,也跟着着急?

大概是大家把自己代入进去了;

一个工作多年、收入还没到这个数的人,看到“十几万还嫌少”,可能会觉得自己的辛苦也被看轻了。

而家里有孩子正在读书的家长们,会参照名校毕业生的待遇,衡量自己孩子的未来。

一项国外研究曾指出:得知同事薪资后,收入低于同类同事中间水平的员工,满意度下降,也更想换工作。

换言之,人们对工资的感受,和拿谁作比较也有关系,幸福还真是比较出来的。

工资差距也受工作行业影响,同样是机械专业,进入不同行业,起薪也有差异,比如热设计工程师岗位,半导体行业就比传统制造业薪资高一些;

还有,一线城市经济发达地区的薪酬中位数,普遍高于内陆地区;

毕竟所面临的生活成本也不一样,有人认为,在重庆年薪十几万可以媲美北上深的年薪30万。

所以,大家所处地方不同,也会有不同的考量。

04

这场讨论最值得看的,还是工作和价值回报的关系。

那位机械学长说得很直接:“流量是张雪的,不是我的,流量挣钱,我又吃不到。”

这句话背后,是一个求职者很实际的疑问:企业受到关注、发展起来以后,员工能不能分享这些机会?

因为大家对私企的普遍期待是,工作强度大但是收入高,多劳多得;

但是有时候,大家赚钱的速度未必能赶上看病花钱的速度;

所以,很难只凭这个选择,就说谁没有理想。

企业讲长远利益也对,关键是得让人知道,这个未来准备怎样实现?

与其让年轻人自己猜,不如把已经兑现过的培养和调薪安排拿出来,让大家有个判断。

我们当然希望做技术的企业能够发展起来,也希望走进这些企业的年轻人,日子能跟着好起来。

Q:你选工作的时候,会怎样比较工资、稳定性和工作强度?评论区聊聊吧~

你的好友张湧拍了拍你

并请你点一下“分享“

跳转微信打开

  •  

当人人都能做软件,懂业务的人有了什么新机会?丨Y Combinator

原创 Capihom 2026-11-08 20:45 北京

司机用手机做打车应用,工程师让 Agent 写代码,十几人的创业团队重新算融资的账。做软件的门槛降低后,哪些事变了?

每天挑选一期硅谷AI科技值得关注的播客,让你与前沿同频。如果你现在没空可以收藏进 晚点再听LaterCast,在通勤、走路或做家务时一篇篇轻松听完

"过去在 Supabase 上做软件通常需要工程背景,现在没有工程背景的人也能做了。"

"想赢得 Agent,第一步是让模型选中你,第二步是它卡住时别让它换掉你。"

"数据库已经存在了五十年,我觉得它们还会再存在五十年。"

Supabase 的一场大会结束后,一位巴西出租车司机找到联合创始人兼 CEO Paul Copplestone,说自己用手机给当地市场做了一个打车应用,像个小型 Uber。Paul 不知道他为什么要做这个应用,倒是很清楚地记得对方讲起这件事有多兴奋。

访谈里提到,Supabase 的注册量一年间从约 300 万涨到 1,300 万,管理的数据库从约 800 万个涨到接近 5,000 万个,现在每周还会新建超过 100 万个。主持人 Garry Tan 给了另一个数字,约七成新增活动来自 Agent。以前来开数据库的大多是工程师,现在来做软件的人更多了,真正动手开库的常常是 Agent。

懂行的人,可以先把点子做出来

Paul 把增长归到两拨人身上,工程师做的东西比以前多,没有工程背景的人也开始在 Supabase 上搭应用。通常注册量一下子冲上去,激活和转化容易被拉低,这次两项却都在涨,Paul 当时预计营收能达到上一年的约四倍。

一位主持人说,他认识的金融科技创业者以前能凑出几段 Ruby 脚本,真要做成软件还得找工程师,现在已经能给自己做资产负债表和财务追踪工具,连银行接口都从头接。做过金融业务的人知道该记哪些账、该从银行拿什么数据,这些细节就能直接写进他自己的工具里。

Garry 说,前几年 YC 特别看重团队有没有技术联合创始人,现在有些人靠 AI 就能先把点子做一版,看看它管不管用。做出第一版容易了,知道该做什么就更要紧。比如司机要做什么样的打车应用,答案可能就在他每天跑车时碰到的麻烦里。

Paul Copplestone 在 YC 的访谈中讲述巴西出租车司机的故事

Paul Copplestone 用一位巴西司机的经历,说明数据库平台正在迎来哪些新用户。

只给自己用的软件,也值得做

YC 的 Jared Friedman 原本想用 OpenClaw 聊天,把资料全放在 Markdown 里,真要管邮件、开支和运动记录时,还是给自己搭了一个带界面和数据库的「控制塔」。有了专门处理邮件的页面,他打开就能分拣邮件,连收件箱都不用进。

一笔转账只显示姓名时,Jared 的 Agent 可以去查那是谁,再按他自己的方式归类。体重和运动数据也能连着日历看,体重涨了,Agent 还能看到他那几天正在出差。这些事靠一款面向所有人的理财或健康应用,很难替他做到这么细。

Paul 担心联系人和日常流程都留在同一个 Agent 里,将来想换工具还得跟着搬资料,便开始把它们一点点迁出来。Jared 也有个类似的做法,收到文件就转发邮件或直接上传,由 Agent 判断文件和自己有什么关系、接下来该怎么处理,原件留在 Supabase 的文件存储里。

数据库的入口,从仪表盘变成命令行

Supabase 最早给 Postgres 做了个像 Airtable 的仪表盘,工程师可以在页面上直接管理数据,后来有集成方要批量建库,团队才为此做了 API。等到 Bolt、Lovable 这类产品来接入时,批量建库的接口已经有了。

编程 Agent 开始绕过仪表盘之后,Paul 给团队发了份备忘录,要求以代码为先,并重做命令行工具,好让 Agent 能在沙箱里调用。他对产品功能的要求是:

"仪表盘上能做的事,代码里也要能做。"

Supabase 赶上了被模型当作默认数据库的时机,Paul 觉得开源帮了大忙,也承认很难知道换条路会怎样。团队参与维护的工具进入了 Postgres 社区,主持人提到,Agent 排查问题时可以直接读开源实现,Paul 则想到企业采购时也可能想看看供应商的源代码。

创始人用手机试,Agent 卡在哪里

Paul 拿自己搭网站的过程来试 Supabase,那天他从电脑换到手机,继续跟 Agent 通话,嫌网站的生态介绍和用例页面连得不顺,就让它先提建议,再照着改。按他的回忆,大约二十秒后 Agent 让他刷新页面,点开链接就能看到改动。

"我尽量不告诉它该怎么做,也尽量不指给它看 GitHub。"

Paul 有工程背景,知道该给 Agent 哪些提示,所以试的时候反倒有意少说,平时也尽量不看代码,真要核验实现时才打开。他想知道,一个只会描述需求的人,能不能顺利用上 Supabase。

过去碰到一条笼统的 500 错误,工程师还能拿着它去搜,Supabase 现在会让 Agent 跑真实任务,看看它卡住时到底收到什么。报错里能写修法就直接写,需要查文档就指到具体页面,免得模型一开始选了 Supabase,遇到问题却只好换一家。

Agent 写得越多,团队越要知道怎么验收

按主持人转述的 Supabase 内部调查,用编程 Agent 写约八成代码的工程师比例,半年里从约 10% 升到了约 60%。Paul 说公司没有统一的 AI 使用规定,工程师可以自行选工具,模型变好以后,他们也在自己的工作里看到了能做成什么。

工程师用 AI 写的代码多了,团队也开始加做测试、引入新的测试工具来确认结果。Supabase 会让不同模型跑实际任务,比较它们能不能完成,也单独测模型操作 Postgres 的表现。

Paul 说,现在有相当一部分工程时间用来弄清用户究竟在拿产品做什么,再把那些用法变成测试。单个 API 能正常返回,Agent 仍可能在建应用的中途走错,这类问题得把任务从头跑一遍才看得出来。

给 Agent 一堆资料,还得让它找得到那两页

Garry 做 GBrain 时,手里有大量个人资料,模型虽然能读很长的文本,眼下该给它读哪一段却是另一个问题。资料可能有几十 GB,Agent 为了回答手头的问题,也许只需要其中两页。Garry 把检索单独做了一层,用向量搜索和资料间的关系找出相关内容,再交给模型。

他从实际运行记录里挑出一组测试,分成大约四十类,除了看找得准不准,还看要花多久、花多少钱。Agent 可以反复试新的检索办法,分数有改善的就留下,没跑通的也写下来,说明试了什么、可能为什么没用,免得下次再试一遍。

主持人问,以后做软件的人也得懂这些评估方法吗?Garry 觉得未必,他把自己的做法看作早期实验。访谈也提到 Claude Code 的 Boris Cherny 描述的另一种体验,用户可以像跟朋友聊天一样说出需求,让工具自己想办法做出来。

YC 的 Garry Tan 在访谈现场解释 GBrain 如何检索个人资料

Garry Tan 介绍 GBrain,Agent 先从个人资料中找出相关材料,再把检索结果放进上下文。

数据库公司得同时做大、做小

Supabase 最早盯着 YC 的创业公司,Paul 想在它们开张第一天就把数据库接进来,毕竟用起来以后要搬家很麻烦。现在,一些用户做的只是个人理财工具,数据会一年年往里存,项目本身却未必需要一套大公司的配置。

Paul 假设有十亿级的 AI 用户,如果每个人每月都想开一个项目,数据库公司就得考虑怎么撑住每月十亿级的建库需求。Supabase 要让少数客户的数据库继续长大,也要让大量小项目开得起。

面向刚起步的项目,Paul 提到计划用 Turso 的技术做 Supabase Spark,接下类似 SQLite 的轻量负载。另一头则是面向大型 Postgres 工作负载的 Multigres,留给真正长到需要扩容的项目。

小团队重新算一遍创业的账

Garry 和创始人聊下来,发现有些垂直 SaaS 做到 500 万至 1,000 万美元的年度经常性收入,A 轮也比以前难融。但他也看到,有些公司只靠十到十五个人,就能做到过去得请更多人才能做到的收入规模。

有创始人没拿到下一轮就觉得自己没达标,Garry 会问,手上的收入是不是已经够养活团队。Paul 说,自己刚创业时也觉得拿到钱是件了不起的事,现在反而有点羡慕那些做到了可以不融资的公司。

至于 Supabase 自己,Paul 相信做软件的方式还会继续变,数据总要有地方存,所以愿意长期做数据库。他说,团队还得继续拿自家工具做东西,从合作伙伴那里听听人家在做什么,手上也得留点人试新想法,毕竟听上去很好的合作,动手以后也有做不成的。

写在最后

如果你也想试试,可以挑一件每周都要做、现成软件又帮不上忙的小事,拿几条真实样例给 Agent,看看做出来的东西能不能直接用。它第一次做错时,你纠正它用的那条规则,可能就是你想要的功能。能把这条规则讲清楚,就有东西可试了。

内容来源:"What Happens When Everyone Can Build Software"丨Y Combinator(嘉宾:Paul Copplestone)

原视频:https://www.youtube.com/watch?v=vl7HiMdGfjo

相关文章

如果你现在没空,可以收藏进晚点再听,通勤、走路或做家务时一次性听完⇣

⇣ 关注我,每天为你更新硅谷最新的 AI 创业/科技播客总结,让你与前沿保持同频 ⇣

跳转微信打开

  •  

周一,开盘必读!

原创 格兰 2026-11-08 20:35 北京

不读不要做交易!

自从老美中选后,全球资本市场大变样。

周末消息很多,这篇文章我们好好梳理一下,帮助大家更清晰地理解下周市场。

最大的消息是国常会部署经济工作,明确提出要完善资本市场稳市机制,增强股市内在稳定性,促进资本市场平稳健康发展。

过去我们谈资本市场稳定,最直接的是大哥下场,出手买ETF,央妈在后方提供流动性,政策在最后托住底。

这次发生的层级已经是到顶了,主要讲的是完善资本市场稳市机制,增强股市内在稳定性。

临时性的资金支持,解决的是市场短期出现剧烈波动时怎么办;而完善稳市机制,解决的是未来市场如何减少大幅波动、如何形成更加稳定的运行环境。

也就是说,不仅要在市场出现风险的时候能够及时应对,还要逐步建立一套更加长期、更加制度化的稳定机制。投资者缺乏信心,企业融资和长期资金入市都会受到影响。

讲什么话很重要,什么层级讲话,更重要。

关税问题,也有变化。

何副总理和美国财长贝森特视频通话,在此前延期安排的基础上,继续沟通经贸问题、推动落实已有共识。

这恰恰关系到资本市场最关心的稳定问题。

因为中美贸易摩擦对市场的影响,不只在于关税本身,更会增加企业经营和投资决策的不确定性。

外围风险高,我们的商品竞争力受限制,对当前的出口一定会有影响。

现在双方仍然在持续沟通,说明至少在经贸层面,维持稳定、管控分歧仍然是双方都在努力的方向。

关税能稳定,至少能给个温和的环境。

另外,何副总理本周在北京调研,专门考察了科技基础设施、智能制造和生物医药企业。

调研期间,何副总理提出了几个非常重要的方向。

加快高水平科技自立自强,强化科技创新与产业创新深度融合;发挥政府引导作用,加强产学研融通创新和技术应用;坚持发展和安全并重,加大对人工智能、算力网建设等领域的金融支持和要素保障,有序扩大新型基础设施建设投资。

重点是​加大对人工智能、算力网建设等领域的金融支持。

科技产业有一个非常明显的特点。前期投入大、研发周期长、资金需求高,而且很多企业在技术成熟之前,并不能产生稳定的现金流。

不仅要有银行信贷,更需要股权投资、产业基金、资本市场融资以及其他多层次金融工具共同参与。

这才是金融支持科技创新真正的意义。

再结合两周前的乌兰察布考察,科技的自立自强已经是很明确了。

换个角度想,老美限制自己的科技发展。也是在给我们吸引国际产业资本,弯道超车创造机会。

每个环节都要跟上,每个环节都要突破。

包括美国对我们的科技限制,未来不会消失,我们的自主可控同样不会停下脚步。

现在A股股民习惯看着美股做科技,心情我是理解的,毕竟美股能涨那么多,和AI关系很大,是科技股情绪的风向标。

但冷静下来仔细想,其实中美科技不完全是一套逻辑。

最后再提一句,从9月28日到11月4日,股票型ETF连续23个交易日净流入,累计金额接近6000亿元。

大哥这个比例已经不低了。

首批18只主动ETF,也全部提前结束募集,合计募集360亿元。其中17只基金的募集规模是340亿元,结果获得了接近440亿元认购,超额认购将近100亿元。

3只基金一天就卖完了。

现在新基金发行整体并不容易,这18只产品居然全部提前结募,确实很有意思。

这些主动ETF预计11月中下旬陆续上市,部分产品实际上已经开始建仓,市场正在出现一批有自主选股能力的新买盘。

我现在更倾向于认为,A股已经进入本轮调整的阶段性筑底区间,正在完成底部的筹码交换。

比较担心的是海外科技相关的股票。还面临美联储高利率、融资成本和数据中心建设延期的压力,不会因为估值突然变便宜,就自动翻转。

其他的,尤其是和海外AI无关的股票,很多独立的逻辑都可以独立算账了。

A股接下来的机会,也可能就在这场重新算账的过程中慢慢出现。

申文冠 执业编号:A0670623050002

云南约牛软件技术有限公司

风险提示:股市有风险  入市需谨慎

周内:每日解读,独家视角看大盘

周六:要闻精选,纵览国内外大事

周日:每周策略,周一开盘前必读

图片点点“喜欢”和“赞”,给我充点儿电吧~

跳转微信打开

  •  

从历史两次暴跌反弹,看懂该持有什么板块?

原创 思想钢印 2026-11-08 20:31 上海

暴跌复盘2:反弹行情

1/3

跌得越狠,弹得越猛

上一篇复盘文章《除了银行,还有哪些板块能躲股灾?》复盘了2008年以来的5次大跌中的防御板块,并且发现,下跌时抗跌的防御板块,在接下来的反弹中也容易“抗涨”。

那自然带出了另一个问题,既然防御板块在反弹里靠不住,钱该往哪儿去?

本文继续复盘A股历史上最近两次暴跌后的反弹,2024年1月和2022年4月的反弹行情有一个共同的特点,反弹幅度大,全部超过了跌幅的三分之二。

本文就来看一看这些上涨的板块有什么特点?是否与之前的跌幅最大的行业有一定的相关性?

先看2022年4月27日到6月28日的反弹行情。

2022年年初的A浪下跌是牛市结束,叠加上海封城的宏观利空,是资金撤离演变成的流动性危机,4个月的整体跌幅在-22.7%,下图前十大跌幅的申万二级板块跌幅都在40%以上。

自然见底后,从4月28日至6月28日出现了一波历时2个月的45度角的强反弹,几乎收复了三分之二的跌幅,以至于很多人产生了“牛市没有结束”的错觉。

以下为反弹段涨幅最高的10个行业,涨幅在44%以上,任意抓住一个板块,都能让账户回一大口血甚至创新高。

其中有4个行业,能源金属、电池、风电设备、商用车同时出现在两份名单上,都是新能源板块。

两段涨跌幅全部124个行业的涨跌相关系数为−0.66(线性拟合斜率 −0.76、R²=0.43),呈现明显的负相关性,即跌得越多,涨得越多。

这是因为,牛末熊初的下跌杀的主要是估值和拥挤度,跌幅前10的行业都是2021年涨幅最大、机构持仓最集中的方向,基本面并不差。由于跌幅接近腰斩,所以在反弹阶段,也是动力最大的。

不过,从全年看,这些强势反弹的行业到了7月后开始阴跌,全年跌幅看,能源金属(-32.34%)、电池(-33.22%)、风电设备(-25.54%),最终跌掉全部反弹的涨幅,说明熊市最初的那一波,虽然杀红了眼,但并没有错杀,市场理性的是方向,非理性的是力度。

新能源中相对例外的方向是光伏设备,虽然涨跌也是弹性十足,但上涨段的涨幅超过了下跌段的跌幅,而且在大盘反弹结束后,光伏继续上涨至8月下旬,行业几乎创出新高,完全脱离了新能源的弱势。

最主要的原因是基本面太强了,杀不动。俄乌战争引发欧洲能源危机,产业景气度持续上行,供给端在2022年上半年仍然收紧,“紧缺”叙事又续了两个季度。

2022H1 光伏板块(47家样本)营收同比+78.09%,归母净利同比+102.77%。而7月中至8月底是中报与预告密集期,大盘已经开始下行,在“缺少主线”的市场里,公募资金向高景气抱团,私募在硅料、硅片、电池、逆变器、设备之间轮动挖掘,游资制造各种小作文挖掘三四五线黑马,反复创新高。

不过,经济下行周期中,紧缺叙事往往讲不长,硅料龙头用上游利润补贴组件报价,导致组件价格战与盈利下修,最终光伏板块在8月做了一个双重顶后,开始了四年的漫漫熊途。

排除这些跌幅大、反弹也强的行业,值得注意的是那些“跌得轻还弹得强”的行业,用修复率(反弹涨幅÷跌幅)看,前五名的行业包括:

养殖业 −1.11%/+10.27%(9.3倍)、旅游及景区 −3.96%/+24.22%(6.1倍)、酒店餐饮 −3.92%/+16.82%(4.3倍)、航空机场 −5.42%/+13.82%(2.6倍)、铁路公路 −4.23%/+9.65%(2.3倍)。

上述行业可以总结为两个方向,一个是出行链,直接受益于6月复工复产预期,是这一轮反弹的核心逻辑;

另一个是农业,这是一个典型的独立逻辑行业,我在上一篇复盘文章《除了银行,还有哪些板块能躲股灾?》中分析过,农林牧渔的特点是独立性,2022年上半年有一轮猪肉价格的反弹,市场误认为新一轮猪周期开始了。

镜像版就是那些“跌得重、反弹得弱”的行业,从修复比例看,计算机设备下跌 −30% ,反弹只有 +2.1%(残差 −21.8pct),是全场最弱的品种,前五弱的行业包括数字媒体(−17.0pct)、游戏Ⅱ(−15.4pct)、冶钢原料(−14.5pct)、医疗服务(−13.8pct)。

这几个都是弹性比较大的行业,下跌中本来容易成为率先抛售的行业,反弹行情又缺乏基本面的催化,游戏和数字媒体是元宇宙炒作泡沫破裂,计算机是典型的后周期行业。

值得一提的是医疗服务,板块弹性主要是其中的CXO板块,它跟新能源一样,属于产业趋势见顶,只不过见顶的时间早了几个月,导致这一轮反弹时,基本面已经开始下行,走势更弱。

所有的成长股都是周期股,成长只是周期的某一个阶段被放大而已。清醒地认识到当前所处周期的时间,至关重要。

大部分投资者的职业生活不会超过10年,能对市场进行系统性观察的时间不会超过5年,更多的规律不能通过经验,只能通过复盘来得到,这正是复盘的意义。

周三的直播,欢迎预约

2/3

换剧本了

另一段类似的行情发生在上一轮大熊市的末期,是政策底的形成前后,涨跌弹性同样巨大,上证指数从2023年8月4日到2024年2月2日,下跌-20%(中小盘指数实际更惨),2月8日到5月17日反弹20%,收复了最后一轮的大部分跌幅。不过各大指数的表现差异比较大,甚至起跌点和反弹终点的时间也不太一样,小盘指数更惨一些,中证1000下跌-36%,反弹+36%,实际跌了-17%。

下面两张图分别是下跌段跌幅排名前10的申万二级行业,反弹段涨幅排名前10的行业。

熊末的暴跌反弹,跟熊初的暴跌反弹,行业风格上差异很大:

两份名单除了一个“房地产服务”外,几乎没有什么重叠,两段行情124个二级行业的涨跌幅的相关系数只有−0.04,也就是几乎不相关。

下跌段跌得最深的电力设备(电池 −42.75%、光伏设备 −40.94%、风电设备 -40.00%)、计算机(软件开发 −43.06%)、社会服务(酒店餐饮 −38.93%)在反弹中只排在中游,光伏设备甚至是反弹的倒数第三(−3.40%)。

反弹段领涨的是与跌幅无关的三条新主线:

第一条最强主线是地产链(房地产服务 +46.46%、工程咨询 +31.46%、家电三席),驱动因素是政策,包括家电以旧换新,地产政策重提去库存,当时被认为是地产政策的拐点。

第二条是资源(贵金属 +40.16%、工业金属 +36.49%),联动的是全球大宗商品行情,与国内因素无关,类似于2022年反弹行情中的猪周期;

第三条是出海制造(摩托车+41.47%,及其他电子、电机、照明 ),这也是2023年下半年开始的一条市场主线,对应市场对国内走出通缩的悲观情绪。

所以,熊初的暴跌反弹,有较强的超跌修复驱动,而熊末的暴跌反弹,往往是主线切换。这种差异主要有两个原因:

原因一是基本面。

熊初的超跌修复行情,是因为股市有一定的预测性,行业指数大顶往往提前产业周期大顶一到三个季度,牛末熊初的下跌,跌幅最大的行业,其业绩并没有见顶,很容易在大幅增长的财报周期走出强烈的反弹。

而熊末的主线切换代表了新的产业驱动的产生,周期下行的行业尚末完全出清,会出现加速下跌,而新的产业驱动已经悄悄出现,体现在行业或风格上。

原因二是资金面。

牛末熊初,大资金被套在原有主线上,积极自救,市场又没有形成新的主线,涨跌很容易都体现在原有的主线板块上;

熊末的暴跌一般是流动性危机,行业基本无差别下跌,而反弹时,市场上“熊伤累累”,资金散布在各自相信的板块,少数有共识的方向与暴跌方向无关。

如果细分,这次的反弹又分为三个阶段,A段是2/8到3/29,是典型的普涨行情,大部分板块都在涨,上面三条主线是基本面最强的资源领涨,B段是3/29到4/30 ,出口链领涨,C段是4/30到5/17,政策预期逐渐明朗的地产链领涨。

其实这一段反弹的主线非常混乱,当时全球AI产业刚好进入沉寂期,三条主线都不是空间特别大或想象力很丰富的板块,真正的主线还在酝酿之中,也预示着这是一段失败概率比较高的反弹。

在这一轮暴跌反弹的行情中,“跌得深弹得少”的行业,修复率也低于熊初那一轮,行业分布为计算机/电子 4 个、新能源 2 个、医药与消费服务 3 个。

这些行情都是高弹性的行业,反弹时又没有出现新的边际改善,计算机缺订单、半导体在库存周期下行、光伏深陷价格战与亏损、医药服务继续受政策与业绩双压,这些行业两段累计亏损在-27%到-43%之间。

镜像版的“跌得少弹得多”的行业,除了前面的三条主线,还有一个值得关注的是银行。

国有大行和煤炭是下跌段唯一收正的两个行业,但在反弹段却分道扬镳,银行继续跑赢中位数(城商行 +18.01%、农商行 +15.38%、股份行 +13.05%),但煤炭开采只涨5.16%。

银行这一次之所以打破了“防御属性强的行业弹性不足”的规律,其原因在上一篇《除了银行,还有哪些板块能躲股灾?》中有过分析,这里也体现了“独立逻辑优先于风格逻辑”的规律。

有一个市场长期以来的说法:下跌的最后阶段相对抗跌的板块,在日后的反弹中更强,因为其逻辑可能提前被市场体现,只是涨幅被大盘的整体下跌抵制了。

但这个逻辑在这两种暴跌反弹中并没有体现,主要是因为暴跌与正常下跌不同,暴跌的最后阶段都是流动性危机,下跌主要体现筹码结构的特点,并非基本面。

3/3

四条规律,一个推演

到底什么板块组织在暴跌中表现优异?我总结了四个规律:

1、分清“牛末高位暴跌反弹”还是“熊末低位暴跌反弹”,前者下跌修复的比例更高,后者更可能出现新的主线;

2、除了暴跌修复外,在反弹中更容易出现超额收益的行业,要么有行业基本面继续强势向上,要么刚好有政策配合,要么有高频的涨价与供给缺口数据支撑;

3、TMT及高端制造等弹性较大的板块,并不能保持反弹中有超额收益,既可能在反弹中领涨,也可能在反弹中滞涨,与其行业周期目前所处阶段是上行还是下行有关;

4、防御板块在反弹中通常落后,但独立的行业上涨逻辑优先于风格或上述不利因素。

根据这四个规律,我也尝试预测,如果11月4日是本轮暴跌后反弹的起点,这段反弹行情未来涨幅最大的方向:

(反弹取决于诸多因素,仅仅是根据上面四个规律的简单逻辑推论,既不代表实际预测,也不代表本人的观点)

超跌修复板块:

1、半导体设备材料/存储:这是A股弹性最大的板块,下跌段跌幅前列,超过50%,“牛末高位暴跌”中修复比例应当较高,加之仍然处在涨价和行业景气上行周期,所以弹性有资格转化为超额收益;

2、光伏/储能设备:跌幅超过40%,政策面有“反内卷”落地,出口链有民主党上台对清洁能源友好;

3、人形机器人/物理AI/AI应用:跌幅超过平均水平,产业边际变化明确;

4、CPO / 光模块 / PCB等海外算力方向:本轮下跌的领跌板块,景气度并没有下行,但叙事上可能受到海外数据中心缓建和云厂商放慢资本扩张的速度影响,应该是某一个阶段性强势。

独自逻辑板块:

1、创新药/CXO:三季报环比向上最明显的方向;

2、黄金:黄金历来是独立逻辑,反弹首周就有大量资金流入,金价长线大逻辑不变,经过近一年的调整,只要未来金价不再下跌;

3、农业:历来是独立逻辑,市场对猪周期有一定的预期,只要能繁数据支持,就有独立走强的动力。

牛末的坑里埋着旧主线的反弹,熊末的坑里埋着新主线的种子。暴跌抄底需要勇气,但正式反弹后,赢家属于那些分得清阶段的人。

公开文章只能说到这儿,

星球介绍

更多内容关注本人的知识星球

公众号分享办法,星球解析对应具体投资机会

公众号讲办法论,不明白的可以到星球提问

欢迎关注本公众号

我还有另一个公众号,也是周更

跳转微信打开

  •  

不懂AI的PM,正在被悄悄淘汰

PM圈子 2026-11-08 20:30 北京

2026年,愿我们都不要成为被AI替代的人,而是成为那个驾驭AI的人。

最近和不少朋友聊天,发现一个很有意思的现象:前两年大家还在讨论“AI要不要学”,今年风向全变了,大家问的都是“AI到底怎么落地到我的工作里?”

这背后,是一组非常残酷的数据。

截至2025年6月,咱们国内生成式AI的用户规模已经冲到了 5.15亿,半年翻了一番。更关键的是,92%的企业已经落地了AI工具。

这意味着,AI不再是PPT里的未来趋势,而是正在重塑每一个工位的“现在进行时”。

不管你现在的Title是产品、项目、运营、设计、技术,还是财务、HR、销售、策划,甚至是创业者,一个共同的挑战已经摆在眼前:AI技能已经从“加分项”,彻底变成了现代职场的“基础竞争力”。

图片

数据很直接:2025年上半年,明确要求掌握AI工具的职位一年激增了149.41%,平均年薪高出普通岗7.8万元。这不是某一个岗位的趋势,而是全行业的共识。

扫码免费领取

《AI超级PM实战班》

详细课纲&试听

图片

职场人的新焦虑:一人多能,到底怎么“能”?

很多人跟我吐槽,说现在的老板要求越来越“离谱”:

“小张,这周能不能用AI生成一套运营海报?”
“小李,这个客服系统能不能接个智能体上去?”
“小王,你能不能自己写个脚本,把这周的运营数据跑个分析出来?”

既要懂产品,又要懂点设计、懂点运营、甚至还要懂点前后端逻辑。

传统互联网说“人人都是产品经理”,但在AI时代,这句话升级了—— “人人都是AI超级PM”。

所谓的“AI超级PM”,不是让你去当程序员敲代码,而是让你手里握着一把AI工具的钥匙,能一个人打通运营、设计、开发、测试的任督二脉。

既能用AI搞定时效性工作提效,又能独立捣鼓出轻量级的AI产品项目。

如果你也有这样的焦虑,想在这个“价值可兑付”的AI商业化元年给自己增加一份底气,那么接下来我要介绍的这门课,你一定要看完。

《AI超级PM实战班》:不做工具人,做驾驭AI的超级个体

这门课不是教你怎么用ChatGPT写周报,而是专为想提升职场效率、实现“一人多能”的所有职场人打造的AI全链路实战课。

我们的目标是:让每一位学员拥有 “技术实操思维 + 全链路搞定能力 + 商业变现视野” 的复合竞争力。

简单来说,就是:提效快人一步,能力多上一维。

  • 7大前沿板块:大模型原理、提示词高阶、RAG检索增强、Agent智能体、AI提效全链路、Vibe Coding、AI商业变现

  • 50+主流工具实操:DeepSeek、即梦、Sora2、Coze、Cursor、Figma AI……学完直接落地工作

  • 9大必修专项 + 3大企业级项目实战:拒绝纸上谈兵,代码+部署方案全开源

扫码免费领取

《AI超级PM实战班》

详细课纲&试听

图片

四阶段蜕变,手把手带你从入门到变现

很多同学担心AI技术门槛高,自己不是技术出身学不会。完全不用担心,我们设计了 “四阶段指数级跃迁” 路径,双师护航(清华技术大牛+16年产品总监),避坑率90%+。

第一阶段:正课实操,建立AI底层认知
不讲废话,上来就干。从大模型核心理念矫正,到提示词基础与进阶技巧。无论你是产品、项目还是运营,都会直接实战复现搭企业智能助手、做项目进度跟踪智能体、定制管理工作流、小红书爆款文案生成器、文生图赋能13大商业场景,甚至用AI生成高保真原型图。

第二阶段:AI商用项目工坊,打造你的“毕业作品”
这是课程的灵魂,我们提供两条路径:

  • 路径A(高效复现):手把手带你复现智能客服、零售决策、标签工厂三大企业级项目。

  • 路径B(强烈推荐):结合你自身的工作痛点,打造专属AI解决方案。这不仅是作业,更是你升职加薪的直接筹码。

第三阶段:路演答辩,直通兼职资源池
学习成果不是终点,变现才是。我们会举办项目路演日,选择路径B并展现出强交付能力的优秀学员,将直接进入公司项目资源池,对接真实的兼职开发与咨询机会。

第四阶段:工信人才认证——大模型应用开发工程师证书
课程涵盖工信部人才交流中心的人工智能认证备考服务。这本证书纳入工信人才库的硬资质,晋升、跳槽、招投标都是加分项。

图片

适合谁来?只要你想在AI时代“破局”

  • 各岗位职场人:项目、产品、运营、设计、技术、财务、HR、销售、策划……想用AI突破职业瓶颈,提升效率与不可替代性。

  • 渴望转型的从业者:想快速掌握AI全栈思维,切入热门赛道。

  • 创业者/自由职业者:想用极低成本独立开发轻量级AI产品,一人顶一个团队。

文章篇幅有限,但课程的干货远不止这些。

关于具体的课程大纲、26小时直播安排,我们准备了详细的介绍资料,当然咱也可以试听感受课程。

  • 扫码免费领取

  • 【岗位专属学习路径+课程大纲+试听名额】

  • 👇👇👇

  • 图片

2026年,愿我们都不要成为被AI替代的人,而是成为那个驾驭AI的人。

-END-

跳转微信打开

  •  

从 Text2SQL 到语义层 BI

原创 半吊子全栈工匠 2026-11-08 20:26 北京

语义层这件事,技术只占一半,另一半是把公司到底怎么算这笔账从人脑里搬到一个机器能读、能审、能版本化的地方。搬的过程很枯燥,要开会、要吵架、要让业务方签字,一点都不酷。但它是唯一能让 agent 的输出变得可信的办法。

【引】模型没有骗你。它老老实实把「上个月的客户流失率」翻译成了一段能跑的 SQL,只是它不知道你们公司是怎么定义流失的。缺的那一层,才是这两年 BI 领域真正在抢的东西。本文是对《本体驱动AI大模型:方法与实践》一书的补充与解读。

Text2SQL 解决的是「翻译」,不是「理解」。翻译可以做到零语法错误,答案照样可以是错的。错的代价变了。有人在会议室里盯着大屏的时候,错一个数最多被同事当场指出来;agent 直接调工作流的时候,错一个数就可能是五万块广告预算。

补这个洞的办法不是换个更强的模型,而是在模型和数据库中间加一层能被版本控制、能被审计、能被所有工具共用的业务定义。这层东西就是语义层。

语义层不是什么新发明,它只是从 BI 工具的一个附赠功能,变成了 agent 时代的基础设施。

一、Text2SQL 到底在做什么

这件事的定义干净得不能再干净:给一个问题,给一个数据库的表结构,让模型输出一段能执行、且能答对问题的 SQL。

学术界的标准例子长这样:

-- 问题:What cartoons were written by Joseph Kuhr?
SELECT * FROM Cartoon WHERE Written_by = "Joseph Kuhr";

配上表结构一起喂给模型:Cartoon表有Title、Directed_by、Written_by、Production_code、Channel几列,Channel外键指向TV_Channel。模型输出上面那句 SQL,数据库跑出「Batman Series」,问题答完了。

为什么这件事值得做?Stack Overflow 2023 年的开发者调查里有个数字:51.52% 的专业开发者日常在用 SQL,但只有 35.29% 受过系统训练。也就是说,绝大多数人是在工作中边查边写边出错的。让不会写 SQL 的人能用自然语言问数,动机一直都很充分。

2023 年之后,这个任务的主流做法分成两条线。

一条是不改模型、只改 prompt 的 in-context learning。DIN-SQL 把任务拆成四步——schema linking、问题分类与拆解、SQL 生成、自我纠错;MAC-SQL 拆成选择器、分解器、精修器三个角色;CHESS 先做实体和证据检索再写 SQL。共同点是承认一步到位很难,用流程换准确率。

另一条是微调。拿开源模型在领域数据上继续训练,比如 DTS-SQL 用 7B 的模型在 Spider 上做到了接近大模型的成绩,代价是你要有标注数据、有 GPU、还要接受它只在你的方言上表现好。

学术数据集上的进展很漂亮。Spider 这类库小、问题规整的基准,执行准确率早就做到 90% 上下。但换到 BIRD——95 个真实企业的数据库、1.2 万条问题、平均每个库 7.3 张表、54.9 万行数据、跨领域还带外部知识——最好的方法长期在 50% 到 70% 这个区间里打转。

一个 90%,一个 60%。差的那 30 个百分点,不是模型突然变笨了,是真实数据库里塞满了模型没见过的业务约定。

二、语法完美,语义全错

先把这条失败路径画出来,整条链路只有四步:

用户输入Show customer churn。模型没有任何业务上下文,只能猜表和过滤条件,于是写出了这个:

SELECT u.id AS user_id,
       COUNT(o.id) AS orers_count
FROM orders o
JOIN users u ON o.user_id = u.id
WHERE o.activity_date >= DATE_SUB(CURDATE(), INTERVAL 90 DAY)
GROUP BY u.id
HAVING COUNT(o.id) = 0;

数据库很配合,执行成功,返回一串user_id和order_count = 0。界面显示:这些用户流失了。

但这不是流失。这只是「最近 90 天没有下单的用户」。

中间隔着好几层东西:有人退了款但还在订阅期,有人是年付只在年初下一单,有人是测试账号本来就不该算,还有些订单在支付确认里有几天延迟,昨天的单今天才落库。这些规则一条都不在表结构里,模型一条都猜不到。

顺便说个细节,这张图其实还暴露了另一件事。上面那段 SQL 照抄下去跑,大概率返回空集:INNER JOIN加上WHERE o.activity_date >= ...,已经把 90 天内没有订单的用户全过滤掉了,剩下的每一行COUNT(o.id)至少是 1,HAVING COUNT(o.id) = 0永远不成立。要写成LEFT JOIN才是图上那个结果。连列别名都拼成了orers_count。

数据库不检查语义,只检查语法。别名拼错它不管,join 逻辑自相矛盾它也不管,只要语句合法就执行、就返回、就用一个漂亮的表格显示出来。语法正确这件事,比大多数人以为的要廉价得多。

2.1 模型不是不懂 SQL,是不懂你们公司

Sergey Gromov 那段话我一直记着,说得比我准:

语言模型在精确地执行它被设计来做的事:把人类的措辞翻译成可能的数据查询。它不需要理解业务含义……公司期望得到一位分析师,结果得到了一位翻译。把问题翻译成 SQL 不是分析,只是事实检索。分析从事实被解释的那一刻才开始。

一个干了三年的分析师听到流失率,脑子里会自动跑一遍公司口径;模型听到同一个词,脑子里跑的是 token 概率。它找到last_activity_date,套一个时间间隔,数人头。查询完美运行,数字完全错误。

学术上把这类问题归成三类:自然语言本身的歧义(「上个月」是自然月还是滚动 30 天)、schema 理解(表和列的名字跟业务词对不上)、罕见 SQL 操作(嵌套子查询、外连接、窗口函数在训练数据里出现得少)。再加上一个更现实的问题,提问的人往往说不清楚,同义词、错别字、模糊表达混在一起,靠字面匹配做 schema linking 很容易被带偏。

2.2 那些指标数字,会骗人

Text2SQL 有一套挺成熟的评估指标,整理出来是这样一张表:

指标

全称

在衡量什么

会漏掉什么

EM

Exact Match

生成的 SQL 和标准答案是否逐字等价

写法不同但结果相同,一律判错

EX

Execution Accuracy

两边执行结果集是否一致

口径错但恰好撞对结果,判对

VES

Valid Efficiency Score

结果对的前提下,执行效率如何

与业务正确性无关

TS

Test-Suite Accuracy

多种等价 SQL 下结果是否都稳定

构造成本高

FLEX

False-Less Execution

严格校验执行结果,压误报

极端保守

Answer Accuracy

用 GPT 判断答案是否回答了问题

更贴近人的判断

引入另一个模型的主观性

企业里最常用的是 EX,因为它最接近「对不对」这个直觉。但 EX 有个隐蔽的坑:它只比较结果集,不检查口径。

举个具体场景。测试集里问上月收入,标准答案用的是含税口径,模型生成的是不含税口径。某个月公司没有任何折扣和退单,两个口径算出来的数完全一样,EX 判它正确。等这个模型上线,遇到第一个打折月,数字就飘了。而你在测试报告上看到的是 90 分。

这也是为什么学术界还在提新指标,包括语义匹配率、查询复杂度、字面值检索准确率、schema 对齐度、多正确答案场景等。指标越加越多,恰恰说明“SQL 对不对”和“答案对不对”是两件事。

三、错的代价,已经从会议室转移到了预算表

再看一组对照,比讲道理直观得多:

传统 BI 的错误链条是这样的:指标定义过期(比如 MRR 错误地把折扣算进去了)→ 图表画出一个漂亮的上升曲线 → 周会上有人皱眉头说“这个数不对吧”→ 当场核对,改掉,没造成损失。人是最后一道校验,而且这道校验是免费的。

Agent 的错误链条是这样的:LLM 编了一条 join 路径,把收入重复计算了一遍 → LTV 算出来 1250 美元,真实值 620 美元,高估 102% → agent 判断“高价值用户值得加投”,自动触发优化决策、开广告计划 → 五万元预算出去了。

两条链条的差别不在错误大小,在人还在不在环路。

这也是为什么语义层这两年从治理上的一个加分项变成了上线前的准入条件。在人工看图的时代,语义碎了顶多是两个部门在季度会上报出不同的销售额,争执一下午也就过去了;在 agent 直接连着工作流的时代,语义碎了就是自动化系统拿着错数字做决策,而且做得又快又坚决。

四、语义层不是新东西,是位置变了

把时间线拉开看,这层东西挪过三次位置:

阶段

语义逻辑待在哪

谁维护

谁能用

典型毛病

单体 BI(1990s–2010s)

BusinessObjects 的 Universe、SSAS 的 cube、MicroStrategy 的元数据库

集中的语义架构师团队

只有这家 BI 工具

锁死在工具里,出了这个门就得重写 SQL

现代数据栈(2010s–2020s)

dbt 模型里,直接编译成物理表和视图

分析工程师

所有能连仓库的工具

语义被压平成表,动态逻辑丢了,各工具各自重新定义指标

无头语义层(现在)

独立的、代码化的、版本控制的定义层

数据工程 + 业务共同维护

仪表盘、笔记本、agent、应用,同一个 API

建设成本真实存在,冷启动慢

第一代的问题是好用但封闭。分析师想在 Python Notebook里跑个模型,或者把数据拉到 Excel 里做点临时测算,只能绕过语义层直接写裸 SQL——绕过去的那一刻,治理就失效了。

第二代的问题是开放但散装。dbt 把转换逻辑变成了代码,仓库干净了,可指标定义也跟着被拍成了物理表。Maxime Beauchemin(Apache Superset 的作者)有个比喻我特别喜欢:

过去十年我们一直在开自助餐。自助餐适合大规模喂养数据饥渴的组织,但菜会变质,食物中毒也会发生。没人引导的时候,人们会做出很可疑的搭配——小孩一定会把果冻和意面放在一个盘子里。

自助餐的后果是数据无政府状态:三四个 BI 工具,各自在同样的干净表上重新定义一遍「活跃用户」,然后开会吵架。

第三代就是现在这波。逻辑从可视化层里抽出来,也从物理表里抽出来,做成一个独立的服务,通过一个统一接口同时喂仪表盘、喂 notebook、喂 agent。所谓“无头”,说的就是这个——它自己没有界面。

推动这次搬家的是 agent。人看图的时候,语义稍微有点出入还能靠常识兜住;agent 没有常识,它只有接口。

五、语义层里到底存了什么

一个完整的语义引擎,拆开是四个零件:

第一个零件是对象图。声明实体、维度和它们之间的关系,本质上是在数据库之上画一张有向图,把 join 路径写死在图里,而不是留给客户端现编。

这件事听起来像洁癖,其实是在防一类非常具体的错误:扇出。orders一对多order_items,再一对多payments,三张表一 join,一行订单变成 3 乘 2 等于 6 行,金额翻六倍。SQL 完全合法,结果毫无意义。人类工程师踩过这个坑所以会警惕,模型不会——它看到orders和payments有个共同的主键,join 上去很合理。

第二个零件是声明式指标。指标不写成硬编码的数字,写成一个表达式:gross_profit = revenue - cogs,revenue再去引用它自己的定义和过滤条件。好处是只有一处定义。无论这个指标最后是 agent 调的、Power BI 画的,还是某个 Python 脚本临时算的,出来的数一定是同一个。

第三个零件是编译引擎。它把上层的抽象请求翻译成具体方言的 SQL。同一个请求打到 Snowflake、Databricks、BigQuery 还是 DuckDB,生成的 SQL 不一样,但逻辑必须一致。多遍聚合、窗口函数、同比环比这类时间智能,都在这一层处理掉,不往上抛。

第四个零件是性能与安全核心。在 SQL 打到数据库之前,把当前用户的行级权限、列级脱敏规则追加进去;把重复的查询路由到预聚合表或缓存,别每次都去扫原始分区。

四层架构在 agent 时代格外重要,原因很朴素:agent 是迭代型的。它制定一个计划可能要问十几次、几十次,人问一次它问二十次,算力账单也是二十倍。

六、Agent 该拿到的接口,长什么样

现在大多数 Text2SQL 的做法是:把表结构塞进 prompt,让模型写 SQL,执行,看结果。这个做法在小库上能用,在大库上必死。算个账就明白:一个中等规模的企业仓库,2000 张表,每张 30 列,光 DDL 文本就是几十万 token,任何上下文窗口都装不下。就算用向量检索只挑出 50 张「相关」表,也有一万多 token;而这 50 张里挑错一张,join 就错了,答案就废了,你还看不出来。

语义层的做法是换一个方向:不把表结构给模型,把业务对象给模型。

{
  "metric": "customer_lifetime_value",
  "dimensions": ["region", "cohort_year"],
  "filters": {
    "region": "EMEA",
    "cohort_year": 2025
  }
}

模型要做的只有一件事:把EMEA 地区 2025 年这批客户的 LTV 是多少翻译成上面这个 JSON。它不需要知道 LTV 背后有哪几张表、要不要剔除退款、跨币种怎么换算、订阅和一次性付费怎么合并——这些都在语义层里写好了。

语义层收到请求之后做的活是:解析customer_lifetime_value的定义,沿着对象图找到customers → orders → subscriptions → fx_rates的 join 路径,套上当前用户的 EMEA 行级权限,注入时间窗口和币种换算,编译成目标方言的 SQL,执行,返回一个确定的结果。

这个分工的关键在于模型的输出空间被收窄了。它不再有自由写任意 SQL 的权力,只能从受治理的指标和维度里做选择。选错了口径也会被定义本身拦住,选错了维度最多是看得不细。这跟「让一个实习生随便写 SQL」完全是两种风险结构。

行业老兵 Andrew Brust 的说法很到位:

「语义」这个词以前是理想化的,现在它变得字面化了。如果 AI 不理解你的数据是什么意思,它只能猜或者幻觉……AI 很积极,它想取悦你。没有护栏,它会返回看起来很权威、其实不是那么回事的结果。

5.1 一份真实的最小实现

有一套基于 MCP 的开源实现值得拆开看,因为它正好卡在 Text2SQL 和语义层的分界线上。

它暴露了三个工具:retrieve_schema、list_tables、execute_sql_query。

"""
src/tools/mcp_tools.py: Defines tools for text-to-SQL operations.
- Uses direct function calls instead of fastmcp for simplicity.
- Includes a LangChain-compatible SchemaRetrievalTool with Pydantic fields.
"""
from langchain_core.tools import BaseTool
from pydantic import Field
from src.config.config import CONFIG
from src.core import schema_retrieval
from src.utils.logging import setup_logging
logger = setup_logging(__name__)
def execute_sql_query(query: str, db) -> str:
    """Execute a SQL query and return results or error message."""
    try:
        result = db.run(query)
        return str(result)
    except Exception as e:
        return f"Error: {str(e)}"
def list_tables(db) -> str:
    """List available tables in the database."""
    return str(db.get_usable_table_names())
def retrieve_schema_tool(query: str, vector_store) -> str:
    """Retrieve relevant schema from ChromaDB."""
    if vector_store is None:
        # Fallback: Use schema from config if vector_store is not provided
        logger.info("Using fallback schema from CONFIG")
        return CONFIG["schema"]
    return schema_retrieval.retrieve_schema(vector_store, query)
class MCPClient:
    def call_tool(self, tool_name: str, args: dict):
        """Mock MCP client to call tools directly."""
        if tool_name == "execute_sql_query":
            return execute_sql_query(args["query"], args["db"])
        elif tool_name == "list_tables":
            return list_tables(args["db"])
        elif tool_name == "retrieve_schema":
            return retrieve_schema_tool(args["query"], args.get("vector_store"))
        raise ValueError(f"Unknown tool: {tool_name}")
def initialize_mcp_tools(db, vector_store):
    """Initialize mock MCP client."""
    return MCPClient()
class SchemaRetrievalTool(BaseTool):
    name: str = "schema_retrieval"
    description: str = "Retrieve relevant database schema for a given query."
    mcp_client: object = Field(description="MCP client for schema retrieval")
    def __init__(self, mcp_client):
        super().__init__(mcp_client=mcp_client)
    def _run(self, query: str) -> str:
        """Synchronous execution of schema retrieval."""
        return self.mcp_client.call_tool("retrieve_schema", {"query": query, "vector_store": None})
    async def _arun(self, query: str) -> str:
        """Asynchronous execution (not used, but required by BaseTool)."""
        return self._run(query)

外层是一个 LangChain 的 ReAct agent,循环里明确了「想—做—看—验」四步,并且限制最多五轮:

"""
src/agents/agent.py: Initializes and runs the LangChain ReAct agent for text-to-SQL.
- Uses tools for SQL execution, table listing, and schema retrieval.
- Executes generated queries and returns accurate results.
- Supports self-correction via error analysis and retries.
"""
from langchain.agents import create_react_agent, AgentExecutor
from langchain_community.tools.sql_database.tool import (
    QuerySQLDataBaseTool,
    ListSQLDatabaseTool,
)
from langchain_core.prompts import PromptTemplate
from src.tools.mcp_tools import SchemaRetrievalTool
from src.utils.logging import setup_logging
from src.config.config import CONFIG
from langchain_community.utilities import SQLDatabase
logger = setup_logging(__name__)
def initialize_agent(llm, db, mcp_client):
    """Initialize LangChain ReAct agent."""
    # LangChain tools
    query_tool = QuerySQLDataBaseTool(db=db)
    list_tables_tool = ListSQLDatabaseTool(db=db)
    schema_tool = SchemaRetrievalTool(mcp_client)
    # ReAct-compatible prompt template
    SQL_PROMPT = PromptTemplate.from_template(
        """
        You are an expert SQL assistant tasked with answering user questions by generating and executing SQL queries based on the provided database schema.
        Your goal is to:
        1. Generate a syntactically correct SQL query to answer the question.
        2. Execute the query using the sql_db_query tool to retrieve the result.
        3. Verify the result makes sense given the schema and question.
        If the query fails or the result seems incorrect, analyze the error, correct the query, and retry.
        Question: {question}
        Schema: {schema}
        Available tools:
        {tools}
        Tool names: {tool_names}
        Follow this process:
        Thought: [Explain your reasoning for the query]
        Action: sql_db_query
        Input: [The SQL query to execute]
        After execution:
        Observation: [The result returned by the tool]
        Thought: [Verify if the result answers the question correctly]
        Final Answer: [The query result, e.g., [(3)]]
        If the question explicitly asks for only the query, return:
        Final Answer: [SQL query]
        Scratchpad for intermediate steps:
        {agent_scratchpad}
        """
    )
    # Create agent
    agent = create_react_agent(
        llm=llm,
        tools=[query_tool, list_tables_tool, schema_tool],
        prompt=SQL_PROMPT,
    )
    # Create executor
    executor = AgentExecutor(
        agent=agent,
        tools=[query_tool, list_tables_tool, schema_tool],
        verbose=True,
        max_iterations=5,
        handle_parsing_errors=True,
    )
    logger.info("Initialized LangChain agent")
    return executor
def process_text_to_sql(executor, mcp_client, question: str) -> dict:
    """Process a user query and return SQL query/result."""
    try:
        schema = mcp_client.call_tool("retrieve_schema", {"query": question, "vector_store": None})
        logger.info(f"Retrieved schema: {schema}")
        result = executor.invoke({"question": question, "schema": schema})
        logger.info(f"Agent result: {result}")
        output = result.get("output", "No result returned.")
        # Extract query and result from output
        query = None
        query_result = output
        # If output contains a query, extract it
        if "SELECT" in output:
            # Try to find the query in the agent's reasoning steps
            for step in result.get("intermediate_steps", []):
                if step[0].tool == "sql_db_query":
                    query = step[0].tool_input
                    query_result = step[1] if step[1] else output
                    break
        # Verify result by re-executing the query
        if query and query_result and query_result != "No result returned.":
            db = SQLDatabase.from_uri(CONFIG["database_uri"])
            try:
                verified_result = db.run(query)
                if verified_result != query_result:
                    logger.warning(f"Agent result {query_result} differs from verified result {verified_result}")
                    query_result = verified_result
            except Exception as e:
                logger.error(f"Verification failed: {str(e)}")
                query_result = f"Error verifying result: {str(e)}"
        return {
            "question": question,
            "sql_query": query,
            "result": query_result
        }
    except Exception as e:
        logger.error(f"Error processing query: {str(e)}")
        return {"question": question, "error": str(e)}

这段代码写得挺实在,几个工程细节值得留意:retrieve_schema用 ChromaDB 做 schema 的向量检索,检索不到就回落到配置里的全量 schema,保证流程不断;max_iterations=5限制住循环,防止模型自己跟自己较劲烧钱;最后还拿结果重跑一遍做校验,日志里记下不一致的情况。

但它同时也把边界暴露得很清楚。这里的retrieve_schema检索的是表,不是指标。它能让模型更快找到airplanes表有哪几列,但没有任何机制告诉模型“什么样的用户算流失”。换句话说,上下文变窄了,语义还是空着的。检索对了表,不代表检索到了口径。

这就是从 Text2SQL 到语义层 BI 的那条分界线。两者的输入都是自然语言,区别在于模型最终被允许动什么:是任意一张表,还是一组被定义过的指标和维度。

七、市面上现在有几条路线

语义层这个市场这两年突然挤满了人,路线其实差别很大:

方案

定义写在哪

出口

适合谁

代价

dbt MetricFlow

dbt 项目里的 YAML,和模型代码放一起

通过 dbt server / JDBC 供下游消费

已经把转换放在 dbt 里的团队

绑在 dbt 生态上,指标改动要走数据团队

Cube

JS / TS / YAML 定义,内置预聚合缓存

SQL API、REST、GraphQL 三套

要做嵌入式分析、要给 agent 供数

自己运维一套服务

AtScale

虚拟化层,不搬数据

XMLA / MDX,对旧 BI 工具伪装成多维库

多套 BI 并存的大企业

重,实施周期长,价格不便宜

Snowflake Semantic Views

建在 Snowflake 里的语义视图

Cortex AI 直接消费

数据本来就在 Snowflake

逻辑绑在这朵云上

Databricks UC Metric Views

Unity Catalog 里,和治理、血缘放一起

AI/BI、外部客户端通过 Delta Sharing

湖仓路线,多格式数据

依赖 Unity Catalog 体系

SAP Datasphere

从 S/4HANA 继承,不是手写

Joule / 知识核心

SAP 是主系统的企业

只对 SAP 世界有效

7.1 dbt:把指标当代码管

MetricFlow 是 dbt 收购 Transform 之后整合进来的,思路很对工程团队的胃口。指标就是仓库里的一堆 YAML,和模型放一起,走同一个 Git 流程。

# dbt MetricFlow 定义示例
semantic_model:
  name: orders
  node_relation:
    relation_name: ref('fct_orders')
  entities:
    - name: order_id
      type: primary
  measures:
    - name: order_amount
      agg: SUM
metrics:
  - name: total_revenue
    type: simple
    type_params:
      measure: order_amount

好处不用多说:改指标要提 PR,要有人 review,有 CI 拦着,历史能回溯。坏处也在同一件事上,业务方想调个口径,得排进数据团队的迭代。这是所有代码化治理都要付的税。

7.2 Snowflake 和 Databricks的两种性格

Snowflake 的做法是把语义标注直接嵌进表结构旁边,让 Cortex 消费。用户体验最好——问一句就出结果,优化器、权限、缓存全是原生的。代价是逻辑定义跟这朵云计算绑在了一起,将来想换个引擎,得重新搬一遍。

Databricks 反过来,把语义放进了 Unity Catalog,当成治理和血缘的一部分,底层是 Delta Lake 这种开放格式。好处是企业可以在外部客户端、多云笔记本之间共享同一套受治理的定义;代价是链路上多了几层,出问题要一层层排查。

两家的差异说白了不是技术优劣,是「简单」和「开放」的取舍。

7.3 那个不打算上牌桌的SAP

整个行业都在推开放语义标准,SAP 一直很淡定。原因不复杂:它不需要在别人的数据上重建语义,因为它本身就是语义的产地。

从 SAP 抽过数的人都知道那是什么体验。会计凭证行项目表叫BSEG,物料主数据叫MARA,几万个德语缩写,加上配置层、嵌套账本逻辑、严格的凭证流关系。把这些原始表原样抽到 Snowflake 或 BigQuery,技术上是成功的——数据落地了。但凭证分割规则、税码推导、跨币种换算、物料层级,全留在了 SAP 里面。

于是外部团队开始干一件非常痛苦的事:在 YAML 里手工重写几百万行 ERP 业务规则。写得出来,但没人敢保证写对,每次 SAP 升级还要跟着改。

Datasphere 的做法是把这条路反过来:语义不从外面逆向,而是从 S/4 HANA 直接继承下来。系统里有个叫知识核心的东西,把业务实体、关联、计算元素、权限这套东西原样暴露给 LLM。agent 问的时候不用猜「财务表和物料表怎么连」,平台本来就知道。

这件事的启示跟技术选型无关:管理上下文最省事的办法,是一开始就别把它丢掉。

八、真要落地,五条规则

8.1 语义定义只能走代码评审

不要让任何人在生产环境的界面上点着改指标。实体、join 拓扑、指标公式、维度属性,全部落在版本控制里,改动必须走 PR、过自动校验、有人签字。

这条最难执行,因为业务方会嫌慢。但它是所有其他规矩的前提——定义一旦能被随手改,你后面所有的测试、审计、血缘都失去意义。

8.2 定义必须在消费层的上游

指标只在语义仓库里定义一次,Power BI、Excel、Text2SQL agent、下游运营系统都从这里取。如果某个分析师在单个仪表盘里做了一个指标覆盖,那不是灵活,那是治理失守的第一块砖。

判断标准很土但很好用:改一个口径,需要动几个地方?答案必须是 1。

8.3 指标要分层,别搞一刀切

所有指标都走最严的流程,团队会被拖死;所有指标都放开,半年后你会有三百个互相冲突的活跃用户。分层是唯一可行的中间态:

层级

范围

治理方式

谁能改

Tier 1 核心指标

收入、ARR、毛利、人力成本

集中治理,数据委员会审批

数据团队 + 财务/业务负责人

Tier 2 领域指标

单次点击成本、归因窗口

联邦治理,业务单元的分析工程师负责

领域内数据工程

Tier 3 实验指标

临时探索用的一次性口径

沙箱隔离,禁止 agent 自动调用

分析师本人,过期自动清理

关键在最后一条:Tier 3 必须挡在 agent 之外。人可以看着一个自己都知道不严谨的指标做探索,agent 不会。

8.4、每次改定义都跑回归测试

语义模型一改,PR 流水线就该拿一批标准问题去打沙箱环境,把结果和已知的历史基准对比。重点不是SQL 能不能跑通,是数有没有莫名变大。

join 结构改一下导致扇出、过滤器少一层导致口径放宽,这两类问题在 code review 里看不出来,只有跑数能发现。测试用例不用多,二三十个核心指标各配两三个典型场景就够拦住大部分事故。

8.5、给 agent 上预算和配额

Agent 是迭代型的,一个计划问二十次很正常。如果每次都是全表扫描,账单会非常难看。

在语义层这一层做三件事:单次查询的行数上限、单个用户/单个 agent 的查询预算、高频请求自动路由到预聚合表或缓存。这些都必须在语义层做,因为下游的 agent 你管不住。

五个常见的错误如下:

错误做法

当时的想法

后来的结果

在 BI 工具里改指标

「就这一次,先应付业务」

半年后没人知道线上到底是哪个口径

把 join 逻辑写进 prompt

「多写几句提示词就行了」

prompt 变成第二套语义层,还没人 review

拿表注释当语义

「注释写得详细点就够了」

注释是描述,不是计算逻辑,模型照样不知道口径

语义层只做文档不接执行

「先梳理清楚,接不接以后再说」

文档三个月就过期,没人再打开

一次性建全公司的语义模型

「要建就建完整」

六个月没上线,业务方失去耐心,项目黄了

最后一条尤其值得警惕。语义层是个持续演进的东西,不是一次性交付的工程。先把一个业务域的十个核心指标跑通、真正接到 agent 上,比画一张覆盖全公司的蓝图有用得多。

九、还没解决的问题

语义层不是银弹,它自己也有一堆没解决的事。

歧义消不掉。自然语言本身不做承诺。「上个月」是自然月还是过去 30 天,「新客」是注册算还是首单算,这些在语义层里可以有明确答案,但用户脑子里想的可能是另一个。语义层能做的是把公司的标准答案固定下来,然后在用户问的时候把口径一起返回——而不是假装歧义不存在。

schema 规模是硬约束。前面算过那笔账,2000 张表的 DDL 塞不进任何上下文窗口。语义层通过收窄接口缓解了这个问题,但「从几千个指标里挑对那三个」本身又变成了一个新的检索问题。

成本。agent 的迭代特性决定了它的查询量是人的几十倍。预聚合、缓存、配额能压住大部分,但遇到真正需要全表扫描的探索型问题,账单还是会跳。

标准还在路上。开放语义互换(OSI)这类倡议想做的是让语义模型跨平台通用——在开放仓库里写的定义,Snowflake 能直接解释,Cube 能对外暴露,外部 agent 能直接导航。方向是对的,但现在还没到能依赖的阶段。真要做选型,还是要按「这套定义将来能不能搬走」来评估。

生成式语义听着很美。有些平台开始在做了:分析查询日志、血缘路径、甚至组织内的沟通记录,反推业务含义,自动生成语义定义、标记断掉的 join 路径、提出新指标配置供人审批。这件事如果能成,语义建设的人工成本会降一个数量级。但它同样需要一个能审的人,机器猜出来的口径,你敢直接让它上生产吗。

小结

SQL 只是一张语法正确的答卷,它不负责回答你们公司怎么定义这件事。这个定义过去藏在分析师的脑子里、藏在某个 Excel 的隐藏列里、藏在三年前一次会议的口头约定里。人还在的时候,这些藏起来的东西能靠追问捞出来;agent 来了,没人可问,它只能猜。

所以语义层这件事,技术只占一半,另一半是把公司到底怎么算这笔账从人脑里搬到一个机器能读、能审、能版本化的地方。搬的过程很枯燥,要开会、要吵架、要让业务方签字,一点都不酷。

但它是唯一能让 agent 的输出变得可信的办法。

数据是燃料,语义是地图。没有地图,燃料只会让 AI 在企业这座迷宫里跑得更快,错得更远。而地图这个东西,谁画的,路就按谁的走法走。

【关联阅读】

跳转微信打开

  •  
❌