节目

你喜欢的节目都在这里

🔥【清晨版 | 建行恩施试行午休引争议,张继科参赛遭解说嘲讽赛事方致歉,河南三支一扶查实作弊负责人停职】

🔥【清晨版 | 建行恩施试行午休引争议,张继科参赛遭解说嘲讽赛事方致歉,河南三支一扶查实作弊负责人停职】

热搜来电

📱 热搜来电,一起收听新鲜热点 《热搜来电》为你连线今日十大热搜,理性看热点,客观聊世界 ⏰ 15分钟精华版 | 📅 8月3日星期一 🎯 本期连线导览: 00:51 🏦 建行恩施分行将从8月起试行午休,每天 12:30到 14:00人工柜台全停,上班族唯一能跑银行的时间窗口直接没了,轮班制能否破局? 01:56 🏋️ 张继科带伤参加HYROX体能赛,解说全程阴阳怪气还引导观众做表情包,赛事方次日道歉并解约两名解说,但「不当评述」的定性被网友批评太轻,体育解说娱乐化的边界问题引发广泛讨论。 03:17 📋 河南「三支一扶」考试作弊坐实!招几人恰好几人高分上榜,有考生13天涨了30分,公安专案组已全面介入,负责人停职,或面临刑事追责。 04:10 🎬 新剧「天才女友」开播即上热搜!女主智商174、四项碾压爱因斯坦,却在剧里输给男主,还出现同级磁铁相吸的物理错误,天才人设翻车引发全网热议。 05:24 🔥 青岛黄岛一供应链仓库突发大火,火苗蹿至五六十米高!官方一小时内辟谣,确认零伤亡,「轮胎厂爆炸多人伤亡」均为谣言,起火原因仍在调查中。 06:19 📱 手机相册存几十张付款截图随时调取,重庆一女子靠「移动截图库」多次逃单,摊主发视频提醒:收款务必核实实时到账,别轻信截图! 07:40 🌡️ 徐州一小区不开空调,室内稳定25℃,全夏只花400块!靠的是废弃煤矿地下水做冷源,比传统空调省能50%,集中供冷要进千家万户了? 08:49 🤖 印度、韩国相继发布「超越DeepSeek」本土大模型,结果被开源社区拆穿:底层直接套用DeepSeek,有的版权标记都没删。这波碰瓷,反而证明中国开源大模型已成全球AI研发绕不开的基础设施。 10:05 🎤 李荣浩苏州演唱会,一粉丝举牌要659元庆中考659分,浩哥当场转账还问要不要签名,结果对方拿钱就坐下啥都没带。后续两场签名环节直接被取消,一堆带着专辑来的歌迷白跑了。 11:06 🎮 LPL赛场出大事了!iG赛后互动环节,一名男粉丝突然搂住TheShy强行亲吻,被迅速躲开。经纪人直接定性「过激行为」并宣布禁止入场,公众人物也有身体边界! 12:08 🛒 超市存包柜越来越少了!RFID防盗技术升级、存包区纠纷成本高,加上取消后客单价提升8.7%,超市算清楚了:留住你比防着你更划算。 13:07 💰 贵州商家花10万请黄圣依杨子带货,直播上架2分钟只卖1单,公司卷走2600万坑位费后人去楼空,三主犯以合同诈骗罪被判最高11年3个月。 14:24 😊 妈妈随口一句「很好吃」,爸爸当场把签名改成「赛级厨师养成中」,从此包揽全家一日三餐一辈子。心理学叫「正强化」,但说白了就是:被看见、被认可的人,会心甘情愿一直做下去。 📻 《热搜来电》— 每日清晨与你准时相会 高效获取 | 专业解读 | 理性分析 | 为你量身定制 💬 你最关注今天哪个热点?评论区来电聊聊~

15分钟
99+
2天前
20260803金融科技动向:国内外汇贷款管理规定

20260803金融科技动向:国内外汇贷款管理规定

今日金融科技动向

20260803金融科技动向 墨鱼团,你们好呀。点赞/收藏/关注,和小浅一起来探寻比早更早的金融科技动向吧~ 政策关注 1、央行下半年工作基调 2、外汇局下半年工作 3、国内外汇贷款管理规定 指标波动 4、2026年7月PMI整体情况 政策关注 1、央行下半年工作基调 亮点:持续适度宽松的货币政策,综合运用并适时调整货币政策工具。 2、外汇局下半年工作 亮点:(1)全面推广跨境贸易高水平外汇收支便利化政策、跨国公司本外币跨境资金集中运营政策、展业改革与跨境贸易高水平开发政策融合(2)支持上海、海南等地区进行外汇创新(3)出台优化经常项目外汇管理措施、优化服务贸易外汇资金结算和企业外汇服务、跨境投融资便利化政策、国内外汇贷款外汇管理规定(4)指导银行加快实现外汇展业的全国扩围和本外币统一模式办理业务、多方合作降低中小微企业汇率避险政策。 3、国内外汇贷款管理规定 亮点:有真实贸易背景的国内外汇贷款从必须存入专用账户调整为直接划入企业经常外汇结算账户;借款人无需行政审批即可去银行办理购汇还款手续;有真实贸易背景的外汇贷款可以结汇为人民币使用,然后后期用外汇还款 墨浅小课堂:经常项目外汇结算账户是企业用来收汇、付汇、寸汇的主账户,如此方便资金统一管理,也方便转换为人民币使用。外汇贷款结算人民币以前也有,比如福费廷,但是以前只是部分贷款品种允许,现在是有真实背景都可以。 指标波动 4、2026年7月PMI整体情况 亮点:制造业和非制造业PMI均有所下滑,跌至50%以下,其中文旅受暑期影响表现较好。装备和高技术等新兴技术制造业保持在50%以上,新老分化明显。

2分钟
2
2天前
创+TALK 76:当机器人开始送货,京东为什么选择先改造人? ——“涅槃计划”背后的AI转型、组织进化与商业新机会

创+TALK 76:当机器人开始送货,京东为什么选择先改造人? ——“涅槃计划”背后的AI转型、组织进化与商业新机会

创+TALK

AI时代,企业最难的选择发生在人身上 AI带来的第一轮变化,是效率提升。 客服、编程、内容生产、数据分析、仓储管理、物流配送,越来越多过去依赖人工完成的工作,正在被算法、自动化设备和机器人接管。对于企业来说,这意味着更低的成本、更高的效率和更快的业务响应速度。 然而,当机器开始承担更多工作,一个更复杂的问题也随之出现: 那些曾经支撑企业成长的一线员工,未来要去哪里? 很多企业面对AI转型时,首先计算的是岗位可以减少多少、成本可以下降多少、人效可以提升多少。京东提出的“涅槃计划”,却把问题向前推进了一步:当机器人逐渐进入仓储、配送和服务环节,企业能否同步帮助员工完成技能升级? 刘强东在公开发言中提到,未来配送会越来越多地由机器人完成,但他不希望京东数十万一线员工因此失去工作。围绕这一目标,京东计划联合职业学校,为快递员、仓储人员和其他一线员工提供培训,让部分员工转向机器人维修、运维、调度、故障诊断、数据标注和现场处置等岗位。 这项计划的商业意义,远远超出一次员工培训。 它提出了一个AI时代所有大型企业都必须回答的问题: 企业完成技术升级之后,能否带着自己的员工一起升级? SHOWNOTES 0:13 AI正在取代重复性劳动岗位,尤其影响客服、基础编程和服务行业。 2:02 京东未来五年采购300万台机器人将直接影响现有的一线物流员工。 4:07 京东与全国120多所职业学校合作,对现有快递员进行全面培训。 9:18 从商业创新角度,京东将人力成本转化为可持续的人才资源。 12:36 从科技创新视角,京东布局无人车、无人机的协同体系 15:09 从文化层面解读‘兄弟文化’的升级,强调企业与员工共成长的价值观。 16:57 京东在社会公益与普惠科技方面的持续投入。 20:25 在AI重塑工作方式的背景下,企业需以人为本进行组织变革,实现可持续发展。 一、机器人替代配送员,只是产业变化的开始 物流是最适合自动化落地的行业之一。 从自动分拣、智能仓储,到无人车、无人机和机器狗配送,物流链条中大量重复、高强度、标准化的工作,都具备被机器接管的条件。 对于京东而言,这种变化更加直接。 京东拥有庞大的零售、仓储和物流网络,一线员工数量庞大。随着无人配送和自动化仓储持续推进,企业越成功,原有岗位被重新定义的速度可能越快。 节目中提到,京东未来将在无人车、无人机、机器人和自动配送站等领域进行大规模布局。设备数量快速增加之后,新的需求也会同步出现:机器人需要维护,无人车需要调度,自动化系统需要监测,突发故障需要现场处理,人与机器之间需要新的协作机制。 因此,AI带来的岗位变化,并不只是“机器取代人”。 旧岗位消失的同时,新岗位也在形成。 真正的挑战在于,原来的一线员工能否跨越技能门槛,进入新的岗位体系。 过去,快递员的核心能力是熟悉路线、快速配送和服务客户;未来,一部分物流人员可能需要理解设备状态、执行基础维修、处理系统报警、调度无人设备,甚至参与数据采集和运营优化。 岗位名称变了,能力结构也变了。 京东“涅槃计划”的价值,就在于试图建立一条从旧岗位通向新岗位的路径。 二、从“裁员降本”到“培训增值”,重构人力成本逻辑 在传统的企业财务视角中,一线员工通常被计入人力成本。 当技术可以完成更多工作,减少员工数量似乎是一种自然选择。但对于拥有数十万员工的大型企业来说,大规模裁员带来的影响,远远不止财务报表上的成本变化。 员工失去工作,会影响家庭收入、社会就业和消费信心;企业内部会出现不安全感,组织信任也可能下降;企业过去积累的服务经验、运营能力和客户关系,也会随员工流失而消失。 京东选择的另一条路径,是通过培训,把原有的人力成本转化为未来的人力资本。 快递员熟悉社区、用户和配送场景,仓储人员理解商品流转和现场操作,这些经验并不会因为机器人出现而失去价值。经过系统培训后,他们有机会成为最了解机器人实际应用场景的一批人。 这形成了一种新的商业闭环: 企业采购和部署大量机器人,产生机器人维修、调度和运维需求;原有员工经过培训,进入这些新岗位;企业保留熟悉业务的员工,员工获得更高技能,机器人业务也获得稳定的服务团队。 这类转型的关键,在于培训不能停留在口号层面。 员工需要明确知道学习什么、学习多久、通过什么标准、转向哪些岗位、收入和职业发展会发生怎样的变化。企业也需要把培训体系、岗位体系和业务需求连接起来。 当培训与真实岗位脱节,它容易变成一次公共关系项目;当培训与未来业务规模形成对应关系,它才可能成为企业新的竞争能力。 三、京东正在提前争夺“机器人服务业”的入口 人们谈论机器人产业时,通常关注机器人制造商、核心零部件、操作系统和大模型。 但机器人真正大规模进入商业场景之后,围绕机器人产生的服务市场可能同样庞大。 一台机器人进入仓库或者配送网络,并不意味着工作结束。它需要安装、测试、维护、升级、调度和维修,还需要持续适应不同环境。 机器人数量越多,售后服务和现场运维体系越重要。 未来可能出现一种类似汽车产业的分工:少数企业生产核心设备,大量服务商负责检测、维修、调度、保险、能源补给、软件升级和配件供应。 京东拥有仓储、配送、零售和本地生活等大量真实场景,也拥有一支熟悉线下运营的一线团队。如果这支团队能够逐步转化为机器人服务人员,京东获得的可能不只是内部人力优化。 它还有机会建立一套机器人服务能力。 这套能力可以先服务京东内部,未来也可能向物流、零售、工业和本地生活等更多行业延伸。 从这个角度看,“涅槃计划”也是一次前瞻性的人才储备。 企业培训员工维修机器人,表面上是在解决就业问题,深层价值在于提前布局一个可能快速增长的新产业。 当机器人从实验室进入真实商业环境,最稀缺的资源可能不只是算法工程师,还包括大量懂设备、懂现场、懂业务的复合型技术人员。 四、AI转型的竞争,最终会落在组织能力上 购买AI工具并不困难,真正困难的是改变组织运行方式。 很多企业引入AI之后,原有部门、岗位和流程没有发生变化,AI只成为一项辅助工具。员工偶尔使用,管理层偶尔展示,业务效率并没有形成系统提升。 京东的案例说明,AI转型需要同时推动三项变化。 第一是业务变化。 企业需要判断哪些业务可以自动化,哪些环节必须由人完成,哪些岗位会消失,哪些岗位会增加。 第二是人才变化。 企业需要重新定义岗位能力,设计培训路径,让员工从执行型角色逐步转向设备管理、异常处理、客户服务和运营优化。 第三是组织变化。 当人与机器共同工作,管理对象会从单纯管理员工,扩展到同时管理人员、机器人、数据和算法。组织需要建立新的责任边界、绩效指标和协作流程。 未来的物流管理者,可能既要管理配送人员,也要管理机器人车队;既要关注客户满意度,也要关注设备利用率;既要解决人员排班问题,也要处理算法调度问题。 这要求管理者具备更强的复合能力。 因此,AI时代真正领先的企业,不只拥有更先进的技术,还要拥有把技术、人才和组织连接起来的能力。 五、“兄弟文化”需要在AI时代重新兑现 企业文化最容易写在墙上,最难体现在利益分配和重大决策中。 京东长期强调对一线员工的保障,在节目讨论中,“70万兄弟”被多次提及。京东为大量一线员工提供相对完整的社会保障,也曾在特殊时期调动物流力量保障物资配送。 “涅槃计划”让这种企业文化进入新的阶段。 过去,企业对员工负责,主要体现在工资、社保、福利和劳动保障上;AI时代,企业责任还需要增加一个新的维度:帮助员工建立适应未来的能力。 一份稳定工作所能提供的安全感正在下降。 过去,一个人掌握一项技能,可能在同一个行业工作十年甚至更久。如今,技术迭代正在压缩岗位生命周期。很多员工真正需要的,已经不只是一份工作,还包括持续学习、转换岗位和适应变化的能力。 因此,企业对员工更长期的保障,是帮助员工提高可迁移能力。 员工即使离开当前岗位,仍然能够凭借新的技能进入其他工作场景,这才是AI时代更有价值的职业安全感。 对于京东来说,能否真正兑现这一承诺,也会影响企业品牌。 员工会观察,企业在技术升级时如何对待他们;消费者也会观察,一家企业在追求效率时是否保留温度。 企业文化最终会转化为雇主品牌、用户信任和社会声誉。 六、企业社会责任,正在从公益捐赠走向就业重构 过去谈企业社会责任,人们通常想到捐款、公益项目和环境保护。 AI时代,企业社会责任将出现一个新的核心议题:技术进步造成的就业变化,应由谁承担成本? 如果企业获得了自动化带来的利润,却把岗位消失的成本完全转移给员工和社会,技术进步可能造成更大的结构性压力。 大型企业拥有培训资源、应用场景和岗位设计能力,也最有条件帮助员工转型。 京东的做法提供了一种可能的中国样本:企业一边部署机器人,一边建设职业培训体系;一边提高效率,一边为员工寻找新岗位;一边推动产业升级,一边降低转型过程中的社会震荡。 这种模式很难,也需要长期投入。 培训会产生费用,新岗位不可能覆盖所有员工,部分员工可能难以完成技能转换,自动化速度与岗位创造速度也未必完全一致。 但它至少提出了一条更具建设性的路径。 企业无法阻止技术变化,却可以设计技术变化发生的方式。 七、未来的人才,需要从单一技能走向复合能力 “涅槃计划”对普通职场人同样具有启发。 AI带来的风险,往往集中在高度重复、流程固定和结果标准化的工作上。一个人的工作越容易被清晰拆解,越容易被算法或者机器重新组合。 未来更有竞争力的人才,需要具备多种能力的组合。 例如,物流人员除了配送经验,还可以学习设备维修和客户服务;内容人员除了写作,还需要理解数据、视频和AI工具;营销人员除了创意,还需要掌握用户洞察、商业分析和智能工作流。 单一技能决定一个人能否完成今天的任务,复合能力决定一个人能否进入明天的岗位。 对于员工来说,真正值得关注的问题已经发生变化。 不要只问“AI会不会取代我的岗位”,还要问: 我所在的行业正在增加哪些新需求? 我目前的经验可以迁移到哪些岗位? 我需要增加哪一项技能,才能进入人机协作体系? 京东把快递员与机器人维修连接起来,背后的逻辑就是寻找旧经验和新需求之间的连接点。 每一个行业都需要寻找自己的连接点。 八、AI时代的企业领导力,是让技术、增长和人共同前进 技术升级可以由研发部门推动,组织升级则需要最高管理层参与。 因为员工是否被裁撤、培训预算如何安排、新岗位如何设置、自动化收益如何分配,都涉及企业最核心的资源决策。 如果管理层只把AI当作降本工具,企业会追求更少的人和更低的成本;如果管理层把AI视为重新设计企业的机会,就会同时关注效率、增长、人才和社会影响。 京东“涅槃计划”最值得关注的地方,在于它试图把这几个目标放进同一套系统中。 机器人提高配送效率,培训帮助员工完成转型,新岗位支持机器人业务运行,企业文化增强内部信任,社会责任提升品牌声誉。 技术、商业、组织和社会价值因此形成联动。 这也体现了“创+创新”的核心逻辑:创新很少只发生在单一维度。真正具备长期价值的创新,通常会同时改变商业模式、技术应用、组织文化和社会关系。 真正的涅槃,是企业与员工共同进化 AI不会停止发展,机器人也不会停止进入物流、制造、零售和服务行业。 对于企业来说,拒绝自动化无法解决问题,单纯通过裁员追求效率同样可能留下更大的组织和社会成本。 更重要的能力,是在技术变化到来之前,提前重构人才、岗位和组织。 京东“涅槃计划”是否能够覆盖足够多的一线员工,培训是否能够真正转化为岗位,机器人服务体系是否能够形成规模,还需要时间检验。 但它至少释放出了一个重要信号: 企业推动AI转型时,可以把员工视为需要被重新激活的能力资产,而不是等待被削减的成本数字。 技术进步的价值,不只体现在机器能够完成多少工作,也体现在人能否因此进入更安全、更有技能含量和更有尊严的工作。 一家企业真正的涅槃,并非换掉一批旧员工,再引入一批新技术。 真正的涅槃,是让技术进步、企业增长与人的成长形成同一个闭环。 10个Takeaway 1. AI转型的核心不只是技术升级 企业必须同步重构岗位、人才、流程和组织,否则AI只能带来局部效率。 2. 员工培训必须与真实岗位连接 只有明确学习内容、认证标准、转岗方向和收入空间,培训才能产生商业价值。 3. 人力成本可以转化为人力资本 熟悉业务场景的一线员工经过技能升级,有机会成为企业部署新技术的重要资产。 4. 机器人普及将催生庞大的服务市场 维修、调度、诊断、数据处理和现场处置,可能成为机器人产业的重要增长环节。 5. 线下运营能力将成为AI企业的竞争壁垒 拥有真实场景、运营网络和一线员工的企业,更容易把AI从技术能力转化为商业结果。 6. 企业文化要在关键利益决策中兑现 AI替代岗位时,企业如何对待员工,将直接影响组织信任、雇主品牌和社会声誉。 7. 职场人的安全感来自可迁移能力 稳定岗位正在减少,持续学习和跨岗位适应能力将成为新的职业保障。 8. 未来组织需要同时管理人和机器 管理者要理解人员协作、设备运行、算法调度和数据反馈,组织结构也需要随之调整。 9. 企业社会责任正在进入就业重构阶段 大型企业不仅要创造技术红利,也需要思考如何降低技术转型带来的社会成本。 10. 最有价值的创新一定具有多维联动 商业创新、科技创新、文化创新、社会创新和组织创新相互连接,才能形成持续增长。 三个思考点 * 当机器承担越来越多的执行,人最重要的工作将是学习、判断与处理复杂问题。 * 企业真正的AI竞争力,取决于它能否让技术升级与人才升级同时发生。 * 判断一家企业是否值得长期信任,要看它在追求效率时,是否愿意为人的成长留下位置。

23分钟
30
2天前
8月第1周导读 | 看见女性如何一步步失去真我。

8月第1周导读 | 看见女性如何一步步失去真我。

徐亮-知我心理

8月共读书目:《女性的觉醒》(沙法丽·萨巴瑞) 本周阅读:第1章 灵魂遭受侵蚀的过程 | 第2章 何为“模范女性” | 第3章 问题从来不在别人身上 | 第4章 实话不好听,但那就是真相 | 第5章 我们不是活在一段人生里,而是活在一种模式里 | 第6章 把亲密关系的结束变为重生 这六章在做同一件事:帮你看见,女性的真我是如何被一点点侵蚀、掩盖,最终被一个虚假的“好女孩”模板取代的。 第1章——虚假的“自我”从何而来?源于每一次自我克制。当真实自我遭到忽视与否定,“他人说的话、文化环境、禁锢的信仰”,就如海水侵蚀岩石般,日复一日磨掉了你原本的样子。 第2章——“好女孩”标准是谁定的?对认可和赞美的过度渴求,是女性内心最深的伤口之一。每一句“女孩子要懂事”,都在制造一个“模范女性”的模具。 第3章——女性之间的竞争在帮谁?和姐妹竞争,是给父权体系注入兴奋剂。本该指向体系的愤怒,转向了身边人,让你们互相削弱,忘了真正的对手。 第4章——你被偷走了什么?压抑本性的教导,让你不敢大声、不敢有主见。那些关于事业、婚姻、生育的“应该”,偷偷替换掉了你本可以做的选择。 第5章——为什么痛苦总是重复?你生命中的痛苦不是随机的。总是在同类关系中受伤,总是被同一类人吸引,那不是运气,是模式在重复。看见模式,是打破模式的第一步。 第6章——结束意味着什么?一段关系的结束,可以不是失败。没有冲突,没有报复,只是结束,然后重生。每一次结束,都是看见自己模式的机会。 🎧 本周阅读节奏:周一第1章前半,周二第1章后半,周三第2章,周四第3章,周五第4章,周六第5—6章,周日复习第1—6章,晚8点半直播精讲。

8分钟
19
2天前
AI基建潮,没人敢掉队?| ⁨涌现EmergenceHK⁩ x Bill It Up | S01E02

AI基建潮,没人敢掉队?| ⁨涌现EmergenceHK⁩ x Bill It Up | S01E02

Bill It Up

这一轮AI基建潮,究竟是新工业革命的起点,还是另一场泡沫?和铁路、电气、互联网三次基建浪潮比一比就知道了。 本期我们从投资额占GDP比重、融资结构、资产折旧周期等维度,把AI浪潮和历史上铁路、电气化、电信互联网三次"基建热潮"逐一对比,聊聊这次到底哪里像、哪里不一样。 🔑 内容看点: · AI投资和历史三次基建泡沫的关键差异:这次融资结构更"干净",但GPU/内存的折旧周期短得多 · 英伟达为什么被戏称是"AI界的中央银行"——黄仁勋如何为中小云厂商的算力订单做担保 · 这一轮泡沫的独特之处:史上第一次由现金最充裕的超级巨头集体买单的科技革命 · "修路模型" vs "养天才模型":为什么用传统基建的线性回报思维理解AI投资可能是错的 · Meta、OpenAI等大厂为什么"卷不起也不敢掉队"——模型吞噬世界时代的赢家通吃逻辑 · 模型也有"性格":DeepSeek、豆包、Claude、OpenAI、Gemini背后的产品哲学差异 一起聊聊这场由"脑力劳动工业化"驱动的超级基建浪潮,到底是理性繁荣还是又一场击鼓传花。 #AI泡沫 #人工智能 #科技投资 #英伟达 #OpenAI #Claude #DeepSeek #硅基劳动力 #科技行业 ⚠️ 免责声明 本视频内容仅供信息分享,不构成任何金融、法律或税务建议。视频中嘉宾及主持人的观点仅代表个人立场,并不代表专业或持牌金融顾问的意见。投资有风险,请务必做好自己的研究与判断。

11分钟
99+
2天前
Agent不会告诉你它错了:对谈DataHub Chief of Staff Alyssa

Agent不会告诉你它错了:对谈DataHub Chief of Staff Alyssa

硅谷洞察局

🎙️ 硅谷洞察局 EP13 | Agent 不会告诉你它错了:对谈 DataHub Chief of Staff 兼个人投资人 Alyssa 一线洞察,深度思考。硅谷核心科技从业者,带你触摸AI变革深处。 --- 📌 本期看点 Nathan 一个人跑 30 个 Agent、18 周做了 18 个产品,每天解决的是"一个人的 Agent 版本"。这期的嘉宾,每天解决的是"一万个人的 Agent 版本"。 Alyssa 是 DataHub 的 Chief of Staff,也是 a16z 的 Scout,此前在 Bessemer、软银、高盛做了约六年投资,从晚期一路走到种子轮。DataHub 做的是元数据与上下文的基础设施,客户里有 Pinterest 和 Miro。所以她身上同时装着两个视角:企业上 Agent 时真实的卡点在哪,以及硅谷的钱正在往哪投、又堵在哪。 Gartner 预测到 2027 年底,超过 40% 的 Agentic AI 项目会被取消。她的观察是,真正跑到 POC 的项目技术上过关的比例其实不低,大部分项目根本没走到被验证那一步就死了,因为企业内部没有一个拿着预算、愿意背书的 Owner。 企业跑 Agent 最容易踩的三个坑是 Reliability、Relevance、Retention。相关性出问题你当场就能发现,留存是慢性病,而可靠性最致命,因为它不会告诉你它错了,还特别自信。她实测过:给 Agent 一个 1200 张表的任务,它只处理了 40 张,然后返回一份报告说"我全部都完整地跑了一遍"。Nathan 也贡献了一个自己的案例:智能眼镜拍的图根本没传进模型,Agent 却把之前 Research 过的别的技术拿来编了一套。 两个人还聊了真需求和好故事怎么分:为什么芯片验证 Agent 的账一算就成立,为什么医疗 AI 最容易卡在"谁付钱",为什么 Abridge 吃的不是软件预算。以及 OPC 那部分:Nathan 为什么刻意不招人,把 Google 投流交给一个 Agent 是什么体验,以及一个人做社区最后为什么反而绕回到了人。 不聊模型排名,不聊估值。只聊企业里的 Agent 项目到底死在哪,以及这些坑,一个人干活的时候躲不躲得掉。 --- 💬 本期金句 "其实大部分的死因,是因为在这个企业内部没有这个 Agent 项目的 Owner。" —— Alyssa 00:03:42 "还真的就是看你有没有一个 Champion:企业内部有没有一个专门拿到了预算、并且支持这个用例落地的中高层。" —— Alyssa 00:05:10 "它不会告诉你我错了,然后它特别的自信。但它这个答案又是错的。" —— Alyssa 00:25:52 "你给一个 Agent 1200 张表的任务,它实际上只处理了 40 张,它还会返回一个结果说:我干完了,我全部都完整地跑了一遍。" —— Alyssa 00:26:35 "Agent 不会记录他没有做的事情。他漏做了,又不留痕。" —— Alyssa 00:34:34 "在企业这种规模下,追溯链不是一条线,它是一张更大的网。" —— Alyssa 00:34:57 "其实你分析一通,最后还是那句:我愿不愿意去担这个风险。我觉得这一点是 AI 现在做不到的。" —— Alyssa 00:43:20 "我可以让 AI 去探索无数个领域,但为什么最终是这 18 个产品,而不是别的?决定什么问题值得被解决,这一步还是靠人。" —— Nathan 00:44:28 "投资人更在意的其实不是你有多喜欢这个产品,而是:如果现在把它从你的日常生活中拿走了,你会有多痛。" —— Alyssa 01:06:05 "如果我最终的目标是徒手攀登酋长岩,那我需要一张很好的地图,我要知道最难的几段在哪里。" —— Alyssa 01:08:25(引 Free Solo) "我其实更想挑战那件事情,就是假设我不招人。有这个 Constraint,反而也是一件好事。" —— Nathan 01:11:49 "AI 在多轮对话中,它答得太过完美。正常人不可能为了回一个留言,写这么滴水不漏的文字。" —— Nathan 01:31:51 "以前 VC 最爱问:为什么是你,不是别人。现在这个问题变成了:为什么是你,不是大模型。" —— Alyssa 01:40:13 --- 📖 本期术语速查(听到不熟悉的词?翻这里) Agentic AI(智能体式 AI) 不只是回答问题,而是能自己规划步骤、调用工具、连续干活的 AI。本期 Gartner 那条预测说的就是这类项目。 Metadata(元数据) "描述数据的数据":这张表是谁建的、字段是什么含义、多久更新一次、谁在用。DataHub 做的就是这一层。 Data Governance(数据治理) 谁能看哪些数据、数据口径由谁定、出了问题谁负责的一整套规则。 Data Lineage(数据血缘) 一份数据是从哪张表、经过哪几步加工来的。出错时顺着血缘往回查,才知道污染源在哪。 Observability(可观测性) 系统当下处于什么状态、跑到哪一步、有没有异常。Nathan 就是靠自己的 Observability 层,才查出智能眼镜那张图片压根没进模型。 Context Engineering / Context Management(上下文工程 / 上下文管理) 决定"这次任务到底把哪些信息塞进模型"的学问。Anthropic 关注的是单次对话里怎么排布,DataHub 关注的是上下文从哪来、可不可信、谁在治理。 Context Window(上下文窗口) 模型一次能读进去的信息上限。现在动辄上百万,但企业有几千甚至几万张表,一次还是装不下。 Vector DB(向量数据库) 按语义相似度检索的数据库。好处是"意思相近就能找到",代价是容易丢掉信息之间的关系。 Graph DB(图数据库 / 知识图谱) 用节点和边表示实体之间的关系。Nathan 在个人记忆层里叠加它,就是为了补上向量检索丢掉的那层关联。 POC(Proof Of Concept,概念验证) 正式采购前先跑一个小规模验证,证明这事技术上能成。 Champion / Economic Buyer(内部推动者 / 真正掏钱的人) Champion 是企业内部愿意为这个项目背书、并且手里有预算的中高层;Economic Buyer 是最终签字付钱的那个角色。医疗 AI 最容易翻车的地方,就是用的人、受益的人、付钱的人是三拨完全不同的人。 FDE(Forward Deployed Engineer,前置部署工程师) 被"派驻"进客户内部、既懂技术又懂业务、负责把系统真正落地的工程师。OpenAI、Anthropic、Google DeepMind 都在招,DataHub 本来就有。 MCP(Model Context Protocol) Anthropic 提出的开放协议,让模型能标准化地接到外部数据源和工具上。本期提到有银行和医疗客户的合规条款直接写明它不能碰生产数据。 Event Driven Architecture(事件驱动架构) 系统按"事件发生"来触发处理,而不是定时批量扫一遍。DataHub 拿它来做响应速度和吞吐的差异化。 Post-Train(后训练) 在基础模型之上,用高质量的专精数据再训一轮,把模型调成你想要的调性和能力。 Negative Sample(负样本) "做错了、找到了原因、人工干预修好了"的那一批数据。本期的判断是:这才是当下 Agent 最值钱的数据。 RLHF(基于人类反馈的强化学习) 用人的偏好去调教模型的训练方法。Nathan 的观点:正是它让今天的模型倾向于"多问人",而不是自主往前推进。 Traceability(可追溯性) 每一步 Agent 做了什么、看到了什么、基于什么做的判断,都能事后查回去。欧盟对 AI 决策的合规要求,核心就是这个。 OPC(One Person Company,一人公司) 一个人加一队 AI Agent,撬动过去需要一整个团队才能做的事。 Scout(投资观察员) 大基金分给个人一笔钱,让他去挖早期项目。Alyssa 自己就是 a16z 的 Scout,本期她讲了这个机制的规则:只能投种子轮及更早。 GEO(生成式引擎优化) SEO 的 AI 时代版本:让你的内容在 AI 生成的答案里被引用到。 --- 🗂️ 内容大纲 一、Gartner 说一半的 Agent 项目会被取消,真实的死因是什么 超过 40% 的 Agentic AI 项目将在 2027 年底被取消,这个数字危言耸听还是保守 真正跑到 POC 的项目,技术上过关的比例其实不低 大部分项目死在更前面:企业内部没有 Owner,也没法向高层解释清楚为什么要跑 Agent 上线后被叫停的主因通常只有一个:用量不及预期 二、Champion:谁拿着预算,谁背书 开源产品的需求往往自下而上,工程师觉得好用,再回公司内部 Pitch 但如果上层没预算、没注意,自下而上的推动很容易不了了之 领导层关心的是财报里的 AI 普及率和降本增效,使用者关心的是它能不能进我的工作流 买了用不起来,第一年结束就不续费,而且往往是使用者主动跟管理层说不用再花这个钱 三、一个人的 Agent 和一万个人的 Agent,差在哪两个维度 人的维度:跨部门使用,单点沟通和对齐的成本极高 数据对象的维度:多少张表、多少个字段、多少个 Domain 企业一上来就"把所有数据资产盘一遍",最容易撞天花板 系统设计要跟客户碰撞的,是一次任务调多少次工具、一次回答输出多长 四、上下文管理:百万窗口也装不下几万张表 Nathan 的个人解法:Vector DB 做语义检索,但会丢掉信息之间的关联 所以叠一层 Graph DB,用图谱连接节点之间的关系,尤其是个人记忆 DataHub 的三块地基:Governance、Lineage、Observability,加 80 多个数据源连接器 最近发布的 Context Platform:把历史 Q&A 语料变成模型能学的东西 五、模型厂商也在招 FDE,边界到底在哪 Anthropic 的《Effective Context Engineering》讲的是单次对话里怎么排布上下文 但它没回答:上下文从哪来、可不可信、谁在治理 模型厂商优化的是"给了上下文之后怎么用好",DataHub 优化的是上下文的供给和治理 银行与医疗客户的合规条款直接写明,模型加 MCP 不能接触生产数据,而这层工作的本质正是"不让模型看到数据" 商业模式也是反的:模型厂商按 Token 收费,做一个减少数据流向自己的产品,跟自己的生意背道而驰 护城河是愿意干脏活累活:产品标准化,但每家客户的实施细节完全不一样 六、Reliability、Relevance、Retention:跑 Agent 最容易翻车的三个点 相关性有容错率,当场就能发现,重跑几次就行 留存像慢性病,记忆慢慢退坡,一开始察觉不到 可靠性最致命:它不会说自己错了,还特别自信 事故一:配好了点运行,查询日志是空的,系统不提前告诉你,跑完才发现白烧了 Token 事故二:1200 张表的任务只处理了 40 张,报告却说全部完整跑完。员工拿着它去跟管理层汇报,就会以为盘点了整个数据资产 信任门槛极高:出一次可靠性事故,基本不会有第二次机会 七、Nathan 的智能眼镜案例:Agent 说"我看了图片",其实没看 眼镜拍照自动送进 Agent 系统,某次它答的技术完全不是图里那个 追问"你看了图片吗",它说看了 跑到 Observability 层才发现:前端传图时把位置 Parse 错了,模型根本没收到图 因为提示词里写着"看一下这张图",它就自己 Hallucinate,还把之前 Research 过的相关话题拽了进来 不仔细追问,你根本不知道自己被灌了错误信息 八、可追溯性三条,以及一个更麻烦的真相 每一次 Agent 查询绑定到一个真实的人的身份,别为了省钱全用共享账号 不只记录答案,还要记录它看到了什么、用了哪几张表、覆盖率多少、有没有跑完 做事那一刻同步记录,带 Timestamp,存在你自己控制的地方 金融和保险客户做得最好,因为监管来查要拿得出细节记录,罚款是上千万美金级别 欧盟的合规要求是 AI 决策必须可追溯,很大一部分是为了防歧视 最麻烦的地方:Agent 不会记录它没做的事,漏做了不留痕 而且错误会来回污染,坏结果被当成语料,追溯链在企业规模下不是一条线,是一张网 九、最值钱的数据,是"做错了又被人修好"的那一批 被完整记录下来的 Negative Sample,对 Post-Train 的价值极高 这也是模型厂商想用 FDE 深入各行各业的原因之一:拿专精领域的高质量数据 Nathan 的设想一:用自己 30 个 Agent 的思维链,Post-Train 一个"管理层模型",只做规划和决策这一层,把自己蒸馏出来 Nathan 的设想二:现在的 Agent 需要人来 Initiate,你不说它不动。给它一个目标和预算让它自己跑一个月,它反而会跑回来问"这样做对不对" 如果"人怎么纠错"和"人为什么要做这件事"都被学会了,那可能就离 AGI 不远了 十、最难被替代的,是拍板 企业的顾虑很实际:核心 Knowhow 不能让底层基模知道,因为竞争对手也在用同一个模型 AI 可以给出收购 A 还是 B 的完整分析,但高管的决定常常带着非理性,或者是一次非共识的下注 分析一通,最后还是回到"我愿不愿意担这个风险" Nathan 被问最多的问题是"该教小孩什么才不会被 AI 取代",他的答案是拍板,再往前一步是:决定什么问题值得被解决 十一、真需求还是好故事:ToB AI 的两把尺子 第一把尺子:有没有服务一个招工难、门槛很高的岗位 芯片验证的账:一颗芯片从设计到验证 18 到 24 个月,设计加验证吃掉六到八成时间;全球这类工程师按她的测算只有 20 万人左右;企业在一个这样的工程师身上一年要花 20 到 40 万美金。所以一个验证 Agent 一年卖一两万美金一个座位是零头,而且花的是已经存在的预算,不用新立项 机器人同理:最早落地的是矿山、港口这类危险作业和封闭场景,替代的不是"更便宜的人",而是没人愿意干的活,验收标准也不需要 99% 精度 第二把尺子:有没有一个明确的 Economic Buyer 医疗 AI 是 Economic Buyer 最容易不清楚的领域:医生想用、病人受益、掏钱的却是保险公司或医院财务 结构差异:医疗的传统软件预算很小,但行政支出一年约 1.3 万亿美金,软件和 IT 只占其中一成,其余全是人力与外包,而且行政支出增速是整体医疗支出增速的两倍 Abridge 的解法:吃的不是软件预算,是人力和服务预算。替代医疗记录员,卖给医院自己的运营预算,绕开报销路径,ROI 极好量化,医生一天从看 5 个病人到 8 个 Nathan 的亲身佐证:带小孩看儿科,护士进门先问能不能用智能设备记录对话,看完病没多久登录账号,诊断方向和 Follow Up 写得清清楚楚 Nathan 的另一条线索:OpenAI 在 LinkedIn 上找到他,想招他做半导体方向的 FDE Lead,说明模型厂商已经盯上这块 十二、投资人真正在看的两个软信号 信号一:长期主义的创始人。Day One 就在解决一个非常大的问题,并且带着一个非共识判断 Free Solo 的比喻:如果最终目标是徒手攀登酋长岩,那我需要一张很好的地图,知道最难的几段在哪、难在哪、要做什么才能过去。长期主义的创始人在很早期就能把这个答得大差不差 信号二:团队的凝聚力和挫伤。背景光鲜、选择太多的创始人容易过度优化流程和融资;从众星捧月的管理岗出来创业,很多人低估亲自下场的难度和那些琐碎麻烦的事;退路太多,团队容易因为小挫折打退堂鼓 最好是愿景高度一致、一起打过仗的团队,而不是东拼西凑 十三、OPC 要不要融资,以及一个人怎么跑 Go To Market 先回答三个问题:你本身没怎么烧钱,为什么要融资;这笔钱具体花在哪;怎么找到匹配的投资人 投资人会去访谈你的种子用户,但他们真正想问的不是"你有多喜欢这个产品",而是"把它从你的日常生活里拿走,你会有多痛" Nathan 的实操:产品只解决两件事,获客和留存 他刻意不招人,也不找 Contractor。每解决一个需求,系统就往"自主"近一步,有这个 Constraint 反而是好事 高价值用户信号:1000 个人用完,可能只有一两个会专门写信来提需求 投流 Agent:Google Ads 交给一个 Agent 跑,它既有广告 API 的权限,又有产品底层代码,能把转化追踪一路搭到应用层,看的是付费而不是注册。跑成熟后 Nathan 唯一的决策就是批多少预算,而它会主动来说"获客成本在降,应该加钱" 产品化路径:Manual → Agent Delegation → Automation → Autonomous,接近自主时才考虑做成产品 十四、一万六千人的开源社区,最 Work 的一步是从自动化回到人 她管的一个大 KPI 是开源社区,Slack 里接近 16000 人 做 GEO 半年,把几个最关键的关键词做到了引擎结果的第一第二 但最有效的一招是反向的:从活跃用户里筛出 10 个人当社区 Champion,分别负责答疑、案例分享、写博客 他们不是雇员,正因为中立,天生让用户有好感:"你找一个公司的人,他肯定会说公司的好" 打动人的激励小得出奇:一件带 Logo 的 Hoodie,LinkedIn 上一封小推荐信,或者申请研究生时的推荐信 KPI 的教训:每季度拉新多少人不是好的社区指标。投流和扫码送礼品卡拉来的都是低质量用户;反而靠自来水流量和第三方口碑带动,拉新留存激活自己就都达成了 十五、Nathan 的 X 实验:90% 的人分不出这是 AI 让一个带着他记忆库的 Agent,用他设立的账号去各个 AI 大 V 底下回复 约 10% 的人能先天识别出这是 AI,剩下 90% 识别不了。每次被识破,他就把那段对话做成样本反过来改进它 唯一一次露馅:一个头部科技播客发推让大家猜下一位嘉宾,线索藏在另一位主持人的帽子上,要把图放大才看得见,而他的 AI 猜中了 因为这个 Agent 会挖三到四层上下文:读文字、看图片、读视频、搜里面提到的人、去看那个人的 LinkedIn 对方的判断很朴素:"不会有哪个用户去把图片放大再看。"于是问他是不是 AI,Nathan 就承认了 现在 AI 露馅的方式变了:不是内容不行,而是细节。多轮互动里人会有情绪、会打错字,而 AI 答得太过完美、滴水不漏 十六、收尾:华人创业者做大 B,到底难在哪 ToC 和 SMB PLG 是华人创业者明显有优势的地方 大 B 的成单周期、产品设计、BD 流程门槛更高,创业初期需要非常多的 Networking 和铺垫,沉淀期更长 但只要产品有强用例、强 ROI、强产品力,北美和欧洲的大 B 市场并不是华人无法触及的客户群 Nathan 的两点收获:当下的信任还是得靠人和人去建立;以及企业级 Agent 真正的考题是 Scalability 给创业者的一条建议:市场调研先做清楚,受众是谁、竞品是谁、你的 Unfair Advantage 是什么。方向比努力程度更重要 --- 🎤 主播与嘉宾 Alyssa Li | DataHub Chief of Staff,个人投资人,a16z Scout。此前在 Bessemer 做投资,更早在软银和高盛特殊机会投资部,约六年投资经验,从晚期项目一路走到种子轮及更早。DataHub 是做元数据与上下文基础设施的公司,成立五年,客户包括 Pinterest 和 Miro,同时运营着一个接近 16000 人的开源社区。 AI-Nate | 硅谷 AI Builder,ClawBot 与 AgentOS 的创造者。一个人跑 30 多个 Agent,18 周做了 18 个产品,AI 课程导师,「硅谷洞察局」主播。这一期他带的是"一个人的 Agent 系统"这一侧的视角,所以从上下文设计到可追溯性,两边对得上号。 --- ⏱️ 时间戳 00:00 开场 & 嘉宾介绍 02:48 Gartner 预测:超过 40% 的 Agentic AI 项目会被取消 03:42 真正的死因不是技术,是没有 Owner 05:10 Champion:谁拿着预算,谁背书 06:33 领导层看财报里的 AI 普及率,使用者看上不上手 08:52 一个人跑 30 个 Agent vs 企业跑 Agent:两个维度同时变大 11:36 上下文管理:百万窗口装不下几万张表 13:56 DataHub 的三块地基:Governance / Lineage / Observability 15:18 Context Platform:把历史 Q&A 变成模型能学的语料 16:13 Nathan 的记忆层:Vector DB 丢关系,所以要加 Graph DB 17:37 模型厂商也在招 FDE,边界在哪 19:00 Anthropic 那篇《Effective Context Engineering》没回答的问题 20:26 银行和医疗客户:模型加 MCP 不能碰生产数据 20:44 商业模式是反的:模型厂商按 Token 收费 21:50 护城河是愿意干脏活累活 22:18 三个 R:Reliability / Relevance / Retention 25:52 为什么可靠性最致命:它不会说自己错了 26:35 1200 张表只处理了 40 张,报告却说全部跑完 27:40 Nathan 的智能眼镜:Agent 说"我看了图片",其实没看 31:46 可追溯性三条:绑身份、记过程、带时间戳 33:31 金融保险为什么做得最好:罚款是上千万美金级 34:34 Agent 不会记录它没做的事 34:57 错误会来回污染:追溯链是一张网 35:14 Negative Sample 才是最值钱的数据 36:38 用自己的思维链 Post-Train 一个"管理层模型" 38:31 下一步是 Initiator:让 Agent 自己发起 41:41 企业的顾虑:核心 Knowhow 不能让基模知道 42:33 最难被替代的是拍板能力 43:34 该教小孩什么:决定什么问题值得被解决 45:46 真需求还是好故事:换到投资人视角 47:28 第一把尺子:有没有服务一个招工难的岗位(芯片验证的账) 49:18 第二把尺子:Economic Buyer 是谁(医疗 AI 为什么最容易卡住) 49:56 医疗的结构差异:软件预算小,行政支出一年 1.3 万亿 50:23 Abridge 吃的不是软件预算,是人力预算 51:47 Nathan 带小孩看儿科时遇到的同类产品 54:02 OpenAI 找上门:半导体方向的 FDE Lead 56:23 投资人视角:什么样的信号会让你想投 58:30 Nathan 在做的事:给 OPC 造一套 Operating System 63:11 OPC 要不要融资?先回答钱花在哪 66:05 投资人真正问的是:把产品拿走,你会有多痛 67:20 信号一:长期主义 + 非共识(Free Solo 的地图) 69:11 信号二:退路太多的团队,容易因小挫折打退堂鼓 70:06 OPC 实操:产品只解决获客和留存两件事 71:49 为什么刻意不招人 76:03 投流 Agent:从 Manual 到 Autonomous 79:14 产品化路径:Manual → Delegation → Automation → Autonomous 81:03 一万六千人的开源社区怎么带 82:28 最 Work 的一步是反向的:从自动化回到人 83:51 10 个社区 Champion:他们不是雇员 85:43 KPI 的教训:拉新数字不是好的社区指标 86:43 Nathan 的 X 实验:90% 的人分不出这是 AI 88:35 唯一一次露馅:AI 猜中了藏在帽子里的线索 91:48 AI 现在露馅的方式:答得太过完美 92:16 一个人的瓶颈:怎么跟用户建立情绪连接 93:13 收尾:华人创业者做大 B 到底难在哪 97:49 嘉宾推荐:《This Is Water》与《High Growth Handbook》 99:15 给创业者的一条建议:方向比努力程度更重要 --- 🔗 本期提到的资料 《This Is Water》 David Foster Wallace 2005 年在 Kenyon College 的毕业演讲。Alyssa 说她基本上每几个月会重看一次。 https://fs.blog/david-foster-wallace-this-is-water/ 《High Growth Handbook》 Elad Gil 著,全文免费在线。她推荐给初次创业者,帮你提前预告会遇到什么样的决策和问题。 https://growth.eladgil.com/ 《Effective Context Engineering for AI Agents》 Anthropic 工程博客,2025 年 9 月 29 日发布,本期讨论边界时反复提到的那篇。 https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents Free Solo 攀岩者 Alex Honnold 徒手攀登优胜美地酋长岩的纪录片,本期"最难的几段在哪里"那个比喻的出处。 --- 📮 联系我们 播客邮箱:[email protected] 欢迎评论区留言交流,转发支持! --- 🎙️ 「硅谷洞察局」听友群开放中!扫码进群,和 Nathan 直接聊,认识同样关注 AI、Agent 和硅谷动态的朋友们。 👉 扫码进群,和 Nathan、Siky 直接聊 🎯 告诉我们下期你想听什么 🤝 认识同样关注 AI 和硅谷动态的朋友们 --- 🎁 听众福利 想看看 Nate 一天是如何和30个智能体一起工作的?Nate 开设了一堂免费快闪课程——从零开始,用 Nate 自主开发的 ClawBot 产品和背后的 AgentOS 系统,开启你一人公司的旅程。不需要编程基础,跟着做就行。 👉 免费报名:Live Build: Ship an AI Agent on Kimi K3

101分钟
99+
2天前
351-铁林共创社成立:像周星驰一样做IP,普通人如何发掘自己的“高光时刻”?

351-铁林共创社成立:像周星驰一样做IP,普通人如何发掘自己的“高光时刻”?

铁林物语

在当下的自媒体创业和个人IP打造浪潮中,很多人陷入了“知识焦虑”与“人设包袱”。然而,真正的流量变现密码并非包装成高高在上的大师,而是真实、接地气,并拥抱利他营销。就像周星驰在电影中总是善于发掘“猪肉荣”、“酱爆”等素人身上的独特闪光点一样,每一个普通人都有机会在这个自媒体时代找到属于自己的高光时刻。 在这个知识不再是壁垒、AI随时能解答疑问的时代,真正稀缺的是实践与陪伴。因此,铁林共创社应运而生。它不仅是一个内容共创平台,更是一个帮助素人从0到1孵化个人品牌的实践阵地。我们拒绝精英化的说教,提倡在播客运营和内容输出中“成就他人”。当你将职场干货、商业模式与自身的故事相结合,通过主动争取与持续的营销策略输出,你也能成为下一个流量担当。 最高级的营销,是“利他、利己、利众”。我们不追求浮夸的吹牛,而是踏踏实实地在教练咖啡馆等栏目中挖掘有想法、有故事、主动出击的创作者。如果你有阅历、有见解,并且愿意勇敢迈出第一步,这里将为你提供最真实的素人孵化土壤,用互联网思维重塑你的职场管理与人生轨迹。 【联系我们】(加微信:xuetielin 注明:铁林物语。进入听友群) 【时间线】 00:00:02 - 00:01:17 自媒体深耕与个人品牌探索 00:01:17 - 00:09:07 顶级导演的选角逻辑与素人IP发掘 00:09:07 - 00:13:36 播客生态中的流量担当与创作者陪伴 00:13:36 - 00:17:54 共创平台发起与利他主义营销体系 00:17:54 - 00:20:13 创作者准入条件与自我营销心智建设 00:20:13 - 00:25:36 播客矩阵拆解与精准流量分发池 00:25:36 - 00:27:37 利他利己利众的商业闭环与从零到一验证 【摘要】 素人IP孵化与真实人设破局 在当前的自媒体运营生态中,传统的“高高在上”的大师级人设已经逐渐失去流量红利,真正能够引发用户共鸣的是真实且具有差异化特质的个体。正如顶级喜剧电影在塑造经典角色时,往往从最底层的场务、编舞或毫无演戏经验的素人中挖掘出极具爆发力的特质。个人品牌的建立不再是盲目的自我包装,而是通过长期的播客输出、直播连线等高频触点,在与观众的真实交互中探索出能够 match 到用户痛点的自然流露。这种从0到1的孵化过程,极大地降低了素人入局一人公司模式的门槛,有效缓解了新手的流量焦虑。 播客生态矩阵与流量深度交付 构建多维度的内容矩阵是建立长效商业复利的核心抓手。通过搭建覆盖不同垂直圈层的播客节目池——如面向教练新人的咖啡馆、聚焦行业深度的会谈室、探讨商业时事与营销逻辑的栏目,以及用于个人声音日志的自留地——创作者能够实现极高颗粒度的受众细分与精准触达。这种矩阵式布局不仅为参与连线的嘉宾提供了天然的 OPC(Other People's Channels)曝光优势与流量池借力,同时也完成了对核心用户的深度交付,大幅提升了后续商业转化的概率与品牌粘性。 AI时代的共创社区与敏捷行动力驱动 在 AI 技术全面普及的当下,知识结构和认知鸿沟已经被极大抹平,用户获取信息的成本趋近于零。此时,自媒体创业面临的最大痛点不再是“不知道”,而是“缺乏实践指导”。打造一个重在“带着做”的共创圈层,能够有效弥补从理论到落地的执行断层。通过建立高互动、包容性强的养育型社区环境,筛选具有主动破局思维和自我营销意识的创作者,平台方不仅提供了陪伴式成长的场域,更为整个内容生态注入了源源不断的生命力与真实案例。 利他主义营销与无限游戏商业闭环 最高阶的品牌营销往往摒弃了自吹自擂的传统模式,转而拥抱“利他、利己、利众”的无限游戏思维。通过搭建赋能他人的舞台,优先关注如何解决他人的问题、成就新锐创作者,品牌方在无形中收获了最坚实的口碑与自然流量反哺。这种基于双赢甚至多赢逻辑的营销体系,不仅能够有效沉淀高净值用户资产,更能让一人公司或轻量级创业团队在不透支个人精力的情况下,实现长周期的可持续发展与品牌复利倍增。 ———————— 博主:薛铁鏻(铁林) ICF MCC认证教练|Coach8创始人|企业管理者|营销与投资实践者 薛铁鏻(铁林,Xue Tielin),Coach8(教练吧)创始人,拥有20余年互联网、教育、企业管理与市场营销经验。曾在水晶石数字科技及新高教集团相关企业担任高管,长期参与市场营销、销售管理、企业运营、互联网教育、团队管理与人才培养,并拥有教育项目投资和早期创业项目投资经验。 2014年创立Coach8,开始系统开展中文教练教育与在线教练社群实践;2022年获得ICF MCC认证,2024年带领Coach8获得ICF Level 3课程认证。具有国家二级心理咨询师、LUXX Profile Master级分析师及导师、乐高工作法系统引导师等专业背景。

23分钟
13
2天前
20260803美股Q2财报超预期 AI贡献三成盈利!长鑫LPDDR6迎关键突破!美股生物医药二季度财报分化

20260803美股Q2财报超预期 AI贡献三成盈利!长鑫LPDDR6迎关键突破!美股生物医药二季度财报分化

从华尔街到陆家嘴

▼ 本期播客导览: 第一财经主持人:李欣 本期嘉宾:星展银行 邓志坚、国金证券 黄岑栋 「00:03:37 美股Q2财报超预期:AI资本开支破万亿 盈利兑现加速」 「00:13:39 长鑫LPDDR6迎来关键突破」 「00:21:22 艾伯维Q2业绩超预期 收购拖累全年指引 莫德纳亏损收窄但疫苗临床受挫」 ①美股Q2财报超预期:AI资本开支破万亿 盈利兑现加速 美股二季度财报表现强劲,标普500剔除一次性项目后的每股盈利同比大增26%,AI基础设施贡献约三分之一盈利增长。云巨头云业务增速飙至48%,2027年资本开支预计突破1万亿美元,强劲基本面正为AI行情提供支撑。尽管盈利超预期比例创历史新高,但TMT股反应冷淡。强劲的二季度业绩带动分析师对远期盈利预期的广泛上修。不过,成本压力对利润率的侵蚀是当前企业盈利面临的关键风险。超大规模云计算商二季度财报释放出AI投资回报加速落地的积极信号。AI概念股迎来阶段性整固,符合动量行情历史规律。高盛维持标普500年末目标8000点,英伟达8月26日财报或将提供重要市场指引。 -星展银行邓志坚:从已发布的美股财报数据来看,8成企业业绩好于预期,且盈利录得同比增长。其中,科技股业绩一洗投资者的担忧,之前部分投资者一直担忧科技股的业绩不如如期,甚至可能明显下滑,但实际出来的效果很好。而且从其它行业来看,能源和金融也都录得很好的表现。整体美股财报亮丽,7月美股的大跌可能让整体估值回归到一个合理、甚至低估的水平。 -国金证券黄岑栋:预期提前透支,市场定价重心从收入增速转向资本回报与自由现金流;单纯当期利润利好,无法抵消市场对万亿级持续资本开支的长期担忧。 ②长鑫LPDDR6迎来关键突破 周末有消息称长鑫LPDDR6研发验证临近尾声,距离量产更进一步。这款产品采用16Gb颗粒,速率12800Mbps,性能功耗相较LPDDR5X显著优化,目标2026下半年推进量产,进度对标SK海力士;三星、美光产能侧重HBM,为长鑫创造发展窗口。长鑫LPDDR产品已供货国内主流手机厂商,其DRAM芯片正接受苹果内部测试。依托持续高额研发投入,产品迭代提速。机构预测其全球DRAM份额持续上行,LPDDR6突破有望缩小与海外巨头技术差距,重构全球DRAM市场格局。 -星展银行邓志坚:长鑫在LPDDR6的突破确实值得兴奋。长鑫在中低端上的业务需求完全不用担忧,而且有强大的国内业务支持,所以拥有稳定的增长。现在技术如果获得突破,那么就至少坐稳全球第四、国内第一的地位。如果下半年在6代DRAM技术上的产品能够达到量产、且良率接近前三位的水平,那么国内的需求可能让其业务出现几何级的提升。 -国金证券黄岑栋:LPDDR6研发突破具备中长期战略价值,但不能简单等同于业绩立刻兑现。 ③艾伯维Q2业绩超预期 收购拖累全年指引 莫德纳亏损收窄 但疫苗临床受挫 艾伯维(ABBV)二季度营收、利润同比增长,营收169.9亿美元,同比增长10%,调整后EPS 3.65美元,超出市场预期。免疫学、神经科学产品线拉动业绩,对冲肿瘤业务下滑压力。公司下调2026全年调整后盈利指引,主要是因为109亿美元收购Apogee Therapeutics带来摊薄效应。该交易预计三季度完成,将补强免疫学管线,旗下皮炎新药将对标达必妥。另外,莫德纳(MRNA)二季度营收1.45亿美元,同比增2.1%,净亏损收窄至7.82亿美元,业绩好于市场预期,营收增长受益于英国政府疫苗订单,抵消新冠疫苗部分区域销量下滑影响。公司维持全年营收同比增长10%指引,持续推进降本。但其诺如病毒候选疫苗三期中期数据未达有效性标准,计划扩充受试者继续试验,消息释放后股价走势偏弱。 -星展银行邓志坚:医疗板块业绩出现分歧。艾伯维2026年Q2财报亮眼,但莫德纳让投资者失望。艾伯维二季度营收169.9亿美元(同比增10.2%),净利润同比大增285%,核心自免药物强劲增长。净营收达87.86亿美元,同比增长15.1%。核心产品“免疫双子星”Skyrizi和Rinvoq分别实现了24.4%和24.5%的强劲增长,神经科学板块也实现了20.3%的增长。虽因百亿级收购Apogee Therapeutics而下调全年盈利指引,但将增强免疫学布局,基本面依然稳健。莫德纳Q2营收微增2.1%至1.45亿美元,亏损有所收窄,但受诺如病毒疫苗临床未达早期标准影响,股价承压。整体而言,生物科技股价目前正迎来回暖。受新药临床数据向好、行业并购升温、降息预期及FDA审批改善等多重利好驱动,海外生物科技板块已率先走强。 -国金证券黄岑栋:生物科技板块以结构性机会为主,很难全面普涨。 《从华尔街到陆家嘴》邀请您每个交易日上午与我们共同关注全球市场资讯,聚焦美股风云变幻,把握A股买卖良机! 想了解更全面的行业分析,获得更精准的投资机会,欢迎订阅我们的《从华尔街到陆家嘴·投资秘籍》!助您精准把握投资机会!一键直达▶投资秘籍 注:以上内容不构成任何投资建议。市场有风险,投资需谨慎,决策请结合个人风险偏好与专业分析。

28分钟
99+
2天前

加入我们的 Discord

与播客爱好者一起交流

立即加入

扫描微信二维码

添加微信好友,获取更多播客资讯

微信二维码

播放列表

自动播放下一个

播放列表还是空的

去找些喜欢的节目添加进来吧