路易斯 (@louiselu007) header
路易斯 (@louiselu007) profile picture

快消行业里的六边形女战士

Joined February 2026
Photo by 路易斯 (@louiselu007)Photo by 路易斯 (@louiselu007)Photo by 路易斯 (@louiselu007)Photo by 路易斯 (@louiselu007)Photo by 路易斯 (@louiselu007)Photo by 路易斯 (@louiselu007)Photo by 路易斯 (@louiselu007)Photo by 路易斯 (@louiselu007)Photo by 路易斯 (@louiselu007)Photo by 路易斯 (@louiselu007)
最近开始视频学习了,顺手扒了一下能用的工具。我个人最多的是场景 4,亲测好用。 另外,别再找什么全能型工具了——看 B 站、啃 YouTube、做研究,用到的根本是四种不同的工作流。 视频 AI 到底怎么选?先看你属于哪种需求: 1. 看 B 站,贴链接就想要总结 → BibiGPT 视频太长,先读摘要,再决定哪些部分值得看。网页贴链接就能开始,不用自己部署;免费额度有限,常用要考虑付费。 bibigpt.co/ 2. 看 YouTube 英文长视频、啃生肉 → Zara 的 YouTube Digest 在视频旁边读双语逐字稿,选中文字看解释,留下带时间点的笔记。适合边看边学、反复回听;需要手动安装扩展、自配 API,只支持有可用字幕的 YouTube 视频。 github.com/zarazhangrui/yout… 3. 把视频和 PDF、文章放在一起做研究 → NotebookLM 围绕一个问题,让 AI 对照多份资料,找共同点、分歧和依据。支持导入带字幕的公开 YouTube 视频;B 站内容需要先转成文字。 notebooklm.google.com/ 4. 已经用 agent,想直接丢 B 站链接给它 → caiqianzhang/bilinote 配置好 MCP 后,让 Codex 读取字幕,再按你的要求整理方法、比较观点,接着做手里的任务。需要配置运行环境,部分字幕需要登录 B 站;读到字幕也不等于看懂了画面。 github.com/caiqianzhang/bili… 选之前先问自己:这条视频,我是想快速了解、认真学、做研究,还是拿它继续干活? 对准需求,选一款先用起来。
2
215
资深闲鱼卖家说一句:最近闲鱼的“无忧托管卖”升级得确实有点东西! 买家问“到手刀”,不仅能解释黑话,还能顺势帮卖家兜底:“所以才强调走验货宝,咱们功能正常/ID已退”。 逻辑直接闭环,比人工还懂得怎么促成成交。 官方这个服务本质上就是拿高抽成换“流量加权+AI自动托管”。但代价确实肉疼:除了基础服务费,托管最高抽成高达 17.5%,简直抽血。 想白嫖的,链接见下,接自己的模型 API,零抽成搞定。 github.com/shaxiu/XianyuAuto…
2
204
到底是谁在用预回答这个功能,毫无用处且又是一个分散我注意力的杀手,上线至今我 0 次使用
2
114
怎么说呢,其实在食品行业,已经有公司成功落地 AI 且实现盈利甚至上市。 但对大部分人来说,真正需要警醒和思考的是:这到底是一个少数人的红利,还是一个普遍可复制的盈利模型? 之前我和老板也想做这事,懂业务、懂 AI,以为找到了痛点和解法就能跑通。结果细算完账,打消了所有念头。 真实场景下的账,远不是“卖个服务赚个差价”那么简单。客户要求的定制化、交付后持续服务的成本,以及为了维持服务投入的隐性工时,会把原本微薄的毛利迅速吃光。 很多时候我们以为看到了商业机会,其实只是看到了业务需求,却忽略了让这个需求可持续运行的财务模型。如果算到最后发现只能靠自己“不计成本地硬扛”,那这就不是个生意。 动手前先算清账,是对商业最基本的敬畏。
干智能体挣了7 位数后,我发现这完全是个坑比生意。 24 年我从字节 seed 项目组离职 all in ai。就是去做那些你们知道的那些 lowb 智能体。 干的事情,现在有个草蛋的名字叫 FDE。 一开始我觉得给企业做 AI 落地就是个体力活:企业有一堆重复的工作,梳理一下流程,把模型接进业务,东西交出去就完事。 这种梳理业务需求并沉淀成SOP,围绕工作场景制作提效的工作,对我来说是非常轻车熟路的,因为过往就持续在做企业内部的工具提效。 于是 25 年下半年在郑州组了团队,在闲鱼、淘宝、视频号批量接几千到一两万的小单。几个月做了 200 个智能体,营收轻松过百万。 结果年底坐下来一算账,渠道拿走三四成,交付成本三四成,再扣掉税和房租,到手不到 10%。要不是另外还有企业服务撑着,这条线早就暴毙了。一个互联网生意,硬是做出了制造业的利润率。 比钱更磨人的是精力。店铺做到了全网头部,可整个盘子每天就那么点流量,需求并没有预想的井喷,AI圈子的从业者也处在自己的信息茧房。 每天大半时间花在筛线索、聊需求、给客户科普 AI 上。几千块的单子,该踩的坑一个不少。最后这条线直接砍掉,账户剩下的钱发了工资,固定资产挂闲鱼,之后专心做企业级的交付。 这一年下来我才明白,技术反倒最好解决,真正难的是信任。你一个外人要进人家的流程,人家得先信你,才肯把流程、资料、员工交给你。所以一定要直接跟老板谈,老板信不信你,决定了项目推不推得动。很多企业还停在豆包时代,流程没理过,资料散得到处都是,你连 AI 该插在哪一步都找不到,前一半时间其实是在帮人补课。 我们干的这类活,现在有了个舶来词:FDE。这个词火了以后,挂这个名字的人一下多了:有做实施外包换了个名字的,有想借它积累垂直场景经验的创业团队,也有拿它包装工具培训课的。叫什么其实不重要,客户只在乎你能不能交付结果。 FDE 大概就两条路。以我们之前的小工作室为原点,往下,一个人走 OPC,时间被切得稀碎,很难做复杂的专业项目;往上,靠资金和规模硬扛前期亏损,通过优化流程降低成本,同时攒流量侧的线索,等市场起来。能扛过去的人太少,去年大量团队就是从中间往下滑的。 领先半步是先进,领先一步是先烈。企业 AI 化还处在初级阶段,这个阶段还会持续很久。 所以我们现在还在做企业交付,同时给自己定了个规矩:项目金额控制在 20 万以内,交付周期一个月以内。20 万封顶,项目就复杂不到哪去;一个月左右的工期,保证团队不会陷进泥潭。 具体报多少又是个难题:报高了客户掉头就走,报低了自己白干。 好多朋友,包括我的学员,都来问我项目怎么报价。不会报价,一般就两个原因。 一个是真的不知道。项目多复杂、要用什么技术,你心里没底,估不出要干多久。这种要么别接,要么找个靠谱的工程师让他来报。另一个是贪心:成本心里有数,又想把这一单吃满,反而不知道报多少合适。 我一开始是第二种。 后来想明白一个笨办法。 你肯定知道自己的总成本(人力、渠道、税、房租都算上)是多少吧。那就别先想利润最大化,成本上加 20% 到 30%,先保证不亏。剩下的,靠项目喂。接得多了,什么行业什么价,你心里就有数了。不同行业利润率不一样,利润高的就敢报高。 怎么算,三种方法。 第一种是按人天。这是最常规的报法,前提是你估得出技术难度。 比如客户要一个内部系统,有用户端和管理后台,还要支持飞书登录。一个产品经理,两个研发各出半个人力,一前一后,干一个月。产品 300 一天,开发 600 一天,一个月 20 个工作日,人力成本 1.8 万。人力成本按占报价四成倒推,1.8 万除以 40% 是 4.5 万,留点余量,报 5 万。剩下那六成,渠道、税、房租和利润都在里面。要是自己接单自己做,报价还能往下压,前期用低价积累案例和经验。 第二种按交付物。项目拆成几段,每段估一个,最后加总,这种最稳。 比如一个实验性的 AI 项目,得先验证模型在客户的业务里能不能达标,比一比不同模型的效果和成本,验证完才能开发、改造现有流程。这种就直接拆成两段。第一段做模型验证,交付一份验证报告,收 5000;验证通过,第二段再做开发,按产品结果交付,收 2 万。模型达不到标准,后面就不做了,客户只花了验证的钱,你也没白干。有先后关系的项目,最好都这么拆。 第三种是缩小范围,用在你报不出来的时候。报不出来不是报价技巧的问题,是这个项目已经超出你的把控了。这时候别硬憋一个数,从一个小点切进去。 比如客户一上来就要一套贯穿全业务流程的 AI 方案,老板一口气说了好几个幻想。这时候别被需求拉着跑,其他的先放一放,挑一个马上能见效、AI 又确实擅长的点先做,也就是后面说的第一期。别嫌项目小,利润率比项目金额重要。只有做出结果,才会有信任,后面几期才谈得下去。 还有个容易吃亏的地方是收款:钱别包在一块。一般拆个两到三笔款,通常是 5:4:1 或者 4:4:2。首付款不能低于 40%,因为开发成本就占四成。万一半路客户跑单,或者项目出问题,首付款得能盖住工程师的投入,还有上下游合作伙伴的付出。尾款只留一两成,就算最后收不回来,损失也有限。 我现在维护的客户,基本都已经是第二三次合作了。 第一期,2 到 3 万,控制在 5 万以内。第二期,7 万到 8 万,高的到 10 万。第三期,十几万,最多到 20 万。 都是一期一期谈进去的,不是一次谈成。每次都得把上一次的结果交到对方手里,才谈下一步。客单价看着不高,其实是按客户能扛的风险算。经济下行,没人愿意为一个尝试先扔几十万,老板是最抠的人,因为只有自己开过公司,才知道哪儿哪儿都是成本,都是花销。第一期收的从来不是交付费,是信任费。 另外还有两笔账很多人没算。 第一笔,算力别打包进固定费用。服务器数据库是固定的,算进报价没问题。但模型调用是波动的,这个月一千,下个月客户量上来可能一万,合同里得把算力成本写清楚。做法是报价里含一部分调用测试额度,超出部分客户自己充值。 第二笔,报价别只算写代码的部分。从设计到运维,需求沟通、资料整理、原型确认、测试、部署、问题修复、试运行支持,都要算进去,这些加起来才是你不亏的底线。AI 项目常见的情况是开发三星期,调优三个月,报价时就得把调优的时间算进去,免得后面的成本全落在自己身上。 FDE 新手最常见的错误不是报错价,是还没收钱就把方案做完了。 客户说“你先帮我看看”。一看就成了访谈,接着方案就出来了,客户拿着方案走了,项目没签,你白干一星期。 活要拆开卖。诊断是诊断的价,方案是方案的价,部署是部署的价。 能对结果负责,就有底气谈价值定价。 如果你对我现在做的事感兴趣,或者在企业 AI 落地过程中有困惑,欢迎来链接。
2
114
强烈推荐Office 里直接用 Claude Add-in 插件,用过的都懂有多香。不管是透视表、套娃公式,还是各类文档样式,都能随时在里面改,轻松搭建。 最近看到 WorkBuddy 也出了并排改文件的功能(右键文件选 WorkBuddy 打开,直接左边看文档、右边找 AI 同屏改),我当时还暗自窃喜: 因为 WorkBuddy 有上下文记忆,而且对话能存留在任务列表里!(这也是之前 Claude 插件一直没有、到现在也还没解决的痛点。) 本以为是个功能升级的终极形态,结果一用,失望透顶!!! 对比下来落差太大了: 拿它们改同一份样式(提示词:数据行恢复白底,保留蓝表头和黄结论区): • Claude Add-in 哪怕用的是 Sonnet 5.5,体感 30 秒一把过!数据行全变白,表头结论区纹丝不动,修改精准到位。 • WorkBuddy 不论是配通用默认模型还是换到 DeepSeek V4Pro,结果一样拉垮! 首轮跑了 19 分 41 秒,渐变改成了纯色,底色还在;换 DeepSeek 又跑了 6 分 38 秒,正文信誓旦旦写着“已恢复白底”,我睁眼一看——面前依然是一片大黄块。 花了近半小时,最后只是在主页给我完美记录了一套“假装完成”的失败日志。
Need more space to actually get things done? With WorkBuddy’s Standalone Office Window, you can open your Office files in a separate window and keep them alongside your AI workspace. Review, edit, and work across content without losing your place. More room. Less tab switching.
4
2
295
麦当劳@McDonalds 的营销从不让人失望,还有亨氏 @HeinzUK
麦当劳很会抓热点😂
4
173
前一秒还在低头给我的bot军团派活,后一秒抬头看到同事给我点的抹茶,直接被这群“赛博奶油”给整笑了 @bot 别光顾着在孟菲斯堆算力集群了,来上海开咖啡馆吧。 奢侈品卖符号,你们卖具身 Agent。我来把你们的 Agent 架构落地成真实菜单和供应链,保准是你们今年 ROI 最高的线下营销。
3
112
希望你无论是在给予还是在接收时,都能被接纳、看见与滋养所包围,获得你想要的那份真挚与丰盈的爱。 周末愉快,轻松顺心!
3
124
1991 年的《高智能方程式》里阿斯拉达开启风扇贴地过弯的画面,2026 年真的被马斯克做出来了。
Turns out the future does have flying cars
2
6
633
生成式 AI 进入传统实体产业,最真实的打法长什么样?日本两家便利店刚好给了两个答案。 罗森酸黄瓜柠檬挞 VS 全家红薯可露丽 两家都在用 AI 做研发,路子正好相反: 1. 全家是“归纳派”(寻找局部最优解) 把两年会员 POS 数据全喂进去,AI 出了约 1,000 个方案,连 285 日元定价都是精算出来的(甜点一过 300 日元尝鲜率骤降)。 商业本质:用数据榨取确定性,在现有人群和风味矩阵里做增量优化,实现 LTV 最大化。 2. 罗森是“演绎派”(寻找第二曲线) 故意清空销售数据,给 AI 设唯一 KPI:前所未有、第一眼觉得这什么鬼、还得好吃。AI 吐出的第一个方案就是酸黄瓜加柠檬挞。 商业本质:当快消陷入同质化内卷,基于历史数据的优化收益是递减的。罗森用 AI 的乱序组合去冲击“非共识”,以极低成本对潜在空白做市场压测。 我见过大量好点子死在会议室:最昂贵的不是算力或打样,而是“组织摩擦成本”与“个人声誉风险”。 业务负责人不敢提异端方案,是因为失败要担责任。当罗森 MD 拍板这个方案时,AI 充当了“组织风险阻断器”——把个人声誉风险,转译成了一场低成本的 AI 创新实验,为“非共识决策”提供了对冲护甲。 但算法民主化后,“点子”本身已经泛滥。真正的商业胜负手,转移到了“工艺转化率”: 柠檬、奶油奶酪、酸黄瓜是三种脱节的酸。开发团队最后在馅里加了柠檬皮,才在风味分子层面把两股酸接上。他们的原话是:“这个调整只有人能做。” 归纳派让你少犯错,演绎派让你敢犯错。 AI 压平了 Idea 的成本后,快消企业真正的防守护城河只剩两样: 前端:组织机制敢不敢为“无数据撑腰的非共识”拍板; 后端:供应链与研发团队能否把一个荒谬的假说,以平价、高良品率转化为一口好吃的产品。 前者靠组织给的勇气,后者靠人十几年练出来的舌头与工程经验。这两样,都是 AI 给不了的 Alpha。
1
3
361
感谢 @troyhua @EvenRealities Even Realities G2 眼镜,试戴了几天,这可能是目前智能穿戴设备里,最懂"克制"的一个产品。 从开箱就能感受到。包装简洁干净,没有堆参数,拿出来第一眼像是收到一副设计师眼镜,而不像拆一台电子产品。整个品牌调性也是这样:低调、极简,把科技藏起来。 现在大部分智能眼镜都在加法上内卷——加摄像头、加扬声器、加高刷大屏,结果就是变重、续航崩塌,以及让对面的人时刻担心你是不是在偷拍。 但 Even Realities 走了一个极端的减法逻辑: 1. 无摄像头、无扬声器:完全丢掉社交侵入感,把日常戴着的心理门槛降到了零。 2. 极致轻量化(36g):钛合金镜腿加镁合金镜框,配双眼绿光 Micro-LED 显示,戴上去跟普通眼镜几乎没有区别。亲测配近视镜片大概再重 8 克,我是参考了别人的反馈直接在官网下单的,寄来的镜片度数非常合适。 3. 好看:外形就是一副精致的眼镜,没有科技感很重的大镜腿,戴出门不像在戴设备,配日常穿搭也不违和。 4. 精准场景解决:把"隐形助手"这件事做到了极致。 如果你和我一样,对于智能眼镜的要求是"能全天佩戴、不突兀、能真实提升日常效率",它确实在几个场景里做到了: 💡 解决演讲/开会的"忘词焦虑":镜片上的隐形 Micro-LED 提词功能,眼睛微微抬起就能看到提示词,眼神不用游离去盯着屏幕或讲稿。 💡 零隐私顾虑的交谈:完全没有摄像头和扬声器,不管是在咖啡厅、会议室还是私密场合,对方都不会有任何"被录音/被偷拍"的不适感。 💡 跨语言沟通的缓冲:支持 30 多种语言的实时翻译,直接以文字形式出现在镜片上,在听英语会议或面对面交流时,相当于带了一个隐形同传。这是我用得最多、也最好用的功能。 💡 高效记录:支持 Conversate AI 对话提炼与 Quick Notes,随时捕获信息。 好的技术就该默默隐于幕后(Stay in the background):在你需要的时候提供信息,不需要的时候完全无感,做一个不打扰日常的"陪伴者"。 我体验到的是这种以人为本的未来产品哲学。如果你也在寻找一副能够全天无感佩戴、专注于提升效率的智能眼镜,G2 确实很值得关注。
1
4
1,105
11 年前我从 LA 开到旧金山,最近刚好又开到了最南端的 San Diego,1 号公路圆满收官。 最大的冲击来自这里撕裂的平行时空。 一边是冻住的线下世界:加油站笨重的 87 号按键、drive-thru 像发报机一样的对讲机、Motel 闪烁的霓虹灯,11 年一模一样。变了的是价格:美国线下吃饭比 2020 年贵了 37.6%,有些小费界面直接从 18% 开始选,记忆里的老餐馆关了一批。 另一边是狂奔的数字世界:三番一路都是 AI 广告,到了 LA,我注意到的只有 Muse。全球 AI 风投一半以上流进湾区,Waymo 每周跑 50 万单,在旧金山的份额已经超过 Lyft。 我的理解是,这背后,是三个很残酷的底层逻辑。 1. 改良旧系统的阻力,远大于重构一个新系统 对讲机还能用,加油机还在出油。换掉它们要花钱、停工、改流程,顾客也不会因为按键新了就多加一箱油。Waymo 同样要造车、装传感器、做重资产运营。这说明问题不只是硬件难改:新系统可以重新定义流程,旧系统却要逐项拆解已经固化的流程和利益。所以新科技宁愿砸重金另起一套规则,也不去卷旧改造。 2. 人工与服务成本的膨胀,逼出了极致的"科技逃逸":与其修好服务,不如直接绕过人 全服务餐厅的人工成本占到收入的 36.5%。服务越贵越差,人就越想逃。对我来说,Waymo 最有吸引力的就是确定性:没有司机,没有小费,到了就下。 3. 数字迭代有发布日期,物理世界却没有统一更新 无人车和 AI 广告让人觉得未来已经到了,可加油、点餐、住宿、结账,才是大多数人每天过的日子。软件可以一夜升级,普通人的生活不会跟着自动更新。 所以美国技术的方向很冷酷:线下的服务很少去修,直接把人绕过去。 国内走的是另一条路。电车已经占到新车销量的一半,美国不到一成。线上线下是被一起推着往前换代的。 BTW,In-N-Out 的基础餐食极简:三款汉堡,一份薯条。 这在食品行业是一套很狠的商业模型。品项少,原料就少,采购量集中,成本压得住;工序少,新员工上手快,出餐稳定,每一份都一样好吃。减少品项带来的复杂度,给坚持新鲜制作留出了空间:薯条在店里现切现炸,酱汁配方从 1948 年用到今天。 加一个新品容易,砍掉一个品项难。敢几十年只卖这几样,是把效率做到了极致。
3
523
我刚打开自己的 Gemini Gem 管理器,顶部挂着提醒:11 月 17 日起,我的 Gems 将开始迁成 Skills。 巧的是,OpenAI 也计划在 12 月 11 日停用自定义 GPT。旧 GPT 迁到 Plugin,原来的指令会成为其中的 Skill。两家都在把“给自己造一个 AI 专家”这件事,塞进更大的工作系统里。 Gem 不是没人用。Google 自己说过,它是 Gemini Advanced 里用得比较多的功能。 我觉得问题出在钱上。 Gem 刚出来时是付费功能,卖点是“拥有一个自己的 AI 专家”:写好指令,起个名字,还能加文件。它当然省事,但保存一套指令,越来越难成为单独收费的理由。2025 年,Google 把 Gems 免费开放了。 现在 Skills 直接进 Gmail、Docs、Drive,团队能在 Docs 里一起改,管理员统一分发也在 Google 的计划里。再加上 Google 去年已经把 AI 纳入 Workspace 商业套餐,它要的是公司为整套工作系统续费,而不是为一个个“专家”掏钱。 还有一点很有意思。Skill 用的是通用文件格式,可以带去别家。可邮件、文档、权限和团队流程一旦都在 Google 里,迁移就没那么轻松了。方法带得走,用方法的地方带不走。 我在消费品公司做了十几年研发。配方会被模仿,人也会走。真正留得住的,是配方跑在自己的工厂、供应链和门店里。 AI 也在走这条路。提示词谁都能抄,平台想留住的,是你每天干活的地方。
1
1
6
470