AI家谱生成：家族故事+族谱图，一单199-599元 客户提供家族信息，AI生成家谱图、家族故事、祖先画像 工具：DeepSeek+Canva+Midjourney。 中老年用户对家族传承有强烈需求

Benchmark 合伙人 Bill Gurley 的投资建议，感觉前二对 Crypto 也适用: 理想的创始人画像：对某个垂直行业门儿清，同时又是各种 AI 工具的重度用户。 去网上看看 Anthropic 和 OpenAI 的人在公开谈什么，然后远离，真正安全的是那些偏离主路径的深度垂直领域。 当前机构投资者对非 AI 项目的兴趣为零。如果你天使轮投了一个非 AI 项目，指望它将来还能融到钱，在当前环境下几乎不可能。 保护自己不被 AI 淘汰的最好办法，就是让自己变成最会用 AI 的那个人。 晚上你是想追《绝命毒师》，还是想读这个领域的东西？如果你选了后者，而且读的时候真的感到兴奋，那说明热情是真的。真正的热情在你自己的空闲时间里也会冒出来，不需要人督促。 当越来越多的内容可以被 AI 生成，人们反而会更渴望"只能在现场体验"的东西——这类资产会升值。 全文

量化数据，美股纳指100成份股已经很少能选出趋势良好的个股了，但A股成长100 自由现金流100 价值100三百只个股，选出的还比较多，Ai主观选出的全是AI科技，量化打分要客观一些： 一 强势数据排序 |标的筛选|有效评分标的总数|9 只 |标的评分|复合量化评分排序|['002056', '002303', '688432', '688548', '603268', '688181'] |标的过滤|模拟建仓条件匹配|['002056', '002303', '688432'] | 候选标的|['688548', '603268', '688181'] 二 核心标的指标 |历史数据模拟结果，不代表未来表现，不构成任何投资建议 交易决策依据| ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ 股票代码 上涨概率 胜率 盈亏比 因子IC均值 布林中轨斜率 复合评分 ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ 002056 84.27% 52.67% 1.09 0.0179 0.235187 0.5766 002303 62.12% 59.96% 1.35 0.0100 0.020693 0.5267 688432 86.98% 52.93% 1.22 -0.0794 0.559177 0.5205 688548 86.49% 58.86% 1.15 -0.1446 0.485498 0.4743 603268 84.90% 50.49% 1.12 -0.1195 0.328194 0.4683 688181 85.68% 51.05% 1.04 -0.1443 0.502905 0.4513 ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------ 三 模拟交易执行记录 |模拟买入执行|开始执行新标的买入... |资金状态|初始资金: $100,000.00 | 当前现金: $100,000.00 | 持仓占用成本: $0.00 | 可用现金: $100,000.00 |当日卖出记录|今日已卖出标的|[] |模拟买入执行|002056 | 价格:30.95 | 数量:969 | 金额:$29,990.55 | 止损:27.02 | 止盈:32.50 | 胜率:52.67% | 上涨概率:84.27% |模拟买入执行|002303 | 价格:4.15 | 数量:7228 | 金额:$29,996.20 | 止损:3.82 | 止盈:4.36 | 胜率:59.96% | 上涨概率:62.12% |模拟买入执行|688432 | 价格:46.14 | 数量:650 | 金额:$29,991.00 | 止损:39.11 | 止盈:48.45 | 胜率:52.93% | 上涨概率:86.98% 四 DeepSeek 博弈分析画像 (AI自动生成 | 仅供参考，不构成投资建议) 股票代码综合评分建议买入价悲观止损乐观止盈模拟仓位行业与盈利模式分析逻辑（乐观 / 悲观 / 综合） 68843288 $46.14$42.50$52.0035.0%半导体设备零部件龙头，受益于国内晶圆厂扩产及国产替代加速，盈利模式以高毛利定制化零部件销售为主，未来3年受益AI芯片需求增长，护城河在于技术认证壁垒和客户粘性。乐观论据: 概率87%最高，动量强劲且价格处于上升中枢上方，自由现金流充裕支撑研发投入，列斐伏尔趋势动量与缠论第三买点共振，权重70%。 悲观论据: 估值偏高，若全球半导体周期下行或中美技术封锁加剧，可能触发止损，权重30%。 综合结论: 净乐观，高胜率+强动量+行业景气，score=88 68854886 $48.01$44.50$54.0030.0%半导体材料细分龙头，主营光刻胶及配套试剂，盈利模式依赖高壁垒产品溢价与客户验证周期，受益于国产替代与AI芯片先进制程需求，护城河在于配方专利与量产稳定性。乐观论据: 概率86.5%接近高位，价格站稳近期中枢上沿，成交量温和放大，巴菲特视角下自由现金流支撑扩产，列斐伏尔动量持续，权重70%。 悲观论据: 行业竞争加剧，若下游晶圆厂产能利用率下滑，可能影响订单，权重30%。 综合结论: 净乐观，高概率+稳健动量+材料国产化逻辑，score=8 668818184 $52.33$48.50$58.0025.0%半导体测试设备供应商，盈利模式以ATE测试机销售及服务为主，受益于AI芯片与先进封装测试需求爆发，护城河在于技术迭代能力与客户认证周期，未来前景受国产替代推动。乐观论据: 概率85.7%较高，价格处于上升笔段中，缠论结构未破坏，自由现金流充裕支持研发，巴菲特护城河稳固，权重70%。 悲观论据: 市场情绪偏热，若短期获利盘涌出或行业政策扰动，可能回调，权重30%。 综合结论: 净乐观，高概率+技术形态健康+行业景气，score=84 5.1 当前模拟持仓 当前持仓列表| 股票代码 | 买入价 | 最新价 | 模拟持仓数量 | 模拟占用资金 | 模拟仓位比例 | 上涨概率 | 胜率 --- | --- | --- | --- | --- | --- | --- | --- 002056 | 30.95 | 30.95 | 969 | $29,990.55 | 29.99% | 84.27% | 52.67% 002303 | 4.15 | 4.15 | 7228 | $29,996.20 | 30.00% | 62.12% | 59.96% 688432 | 46.14 | 46.14 | 650 | $29,991.00 | 29.99% | 86.98% | 52.93% 当前模拟持仓汇总|总仓位比例 89.98% | 剩余可用资金 $10,022.25 | 账户总价值 $100,000.00 5.2 模拟策略核心绩效指标(暂无)

感觉 VelvetX 现在最值得看的，已经不是功能有多少，而是它能不能把隐私和交易可靠性一起做好。 @velvet_capital 把钱包追踪、KOL持仓、AI分析和交易执行放进同一套产品里，确实把DeFAI体验往前推了一步。但13M+代表的是被索引的钱包地址，不是1300万真实用户，这个概念不能混淆。 链上历史交易可以公开查询，可平台生成的持仓画像、交易习惯、研究记录和未执行策略，应该由用户自己决定是否保存、导出或删除。尤其隐私能力目前还在路线图阶段，这会直接影响长期信任。 同样重要的还有订单可靠性。用户点击一次后，系统必须明确显示已提交，并阻止重复操作。订单失败、卡住或部分成交，都要有清楚的状态和恢复路径。 DeFAI真正的竞争力，不是让AI替用户做主，而是把复杂流程变简单，同时保证每笔交易有结果、每份数据有边界。

讲起 VelvetX 其实它最值得关注的，不只是把聪明钱追踪、社交信息流、AI 分析和交易执行放到一起，而是它正在尝试重新定义链上交易工具。 13M+ 指的是被索引的钱包地址，不是用户数量。链上交易本身公开，但平台根据数据生成的钱包画像、持仓偏好、研究记录，甚至用户还没有执行的策略，显然不应该被当成普通公开信息处理。 所以我接下来更关注的，不是排行榜有多热闹，而是用户能不能关闭追踪，数据能不能导出、删除，未执行策略能不能得到真正保护。隐私功能现在还在路线图里，这部分决定了产品能不能建立长期信任。 从产品方向看，@Velvet_Capital 也不只是想做一个交易界面。现货、合约、多链管理、AI Copilot 是给普通用户用的，API、MCP 和策略工具则是在为开发者和 AI Agent 铺路。 未来用户可能只需要提出交易目标，Agent 负责查数据、筛资产、做风控和生成路径，最后由用户确认执行。到那时，真正有价值的平台，不是功能堆得最多，而是谁能提供稳定的数据、策略和执行能力。 Velvet 值得观察，但没必要为了激励过度交易。工具好不好，最终还是看它能不能解决真实需求。

一个人做账号，早上翻热榜找选题，中午写文案做封面，晚上剪视频，发完 6 个平台还得挨个看数据，一天就这么没了。 Easel 是浙大和北大两个实验室做的社媒运营 Agent，跑在 OpenClaw 上，发现热点、策划选题、做图做视频、发布、复盘五步串在一个工作流里。 它给每个账号建一份画像，定位、受众、风格、平台限制和历史表现都记着，发出去的数据回收后再沉淀回画像，下次生成会更贴账号。 GitHub： 112 个 Skill 都是真能跑的脚本，成品直接写进目录。文案、知识卡、海报、信息图、配音、声音克隆、字幕、剪辑、AI 短剧都有，一份母版能改成各平台的形态。 热点雷达聚合微博、抖音、知乎、B 站、百度、头条的热榜。发布支持小红书、抖音、快手、知乎、B 站、视频号 6 个平台，带发布前检查和敏感、版权风险核对。 带 Web 工作台，会话、素材、账号、内容库、日历都在里面管。README 里自己提醒小红书对自动化操作查得严，建议预览后手动发，这点说得挺实在。

推荐系统也开始换代了。 快手在推荐系统这块的技术确实做得扎实。 周六下午我去现场听了一下午他们的分享，几个议题里，最让我感兴趣的还是推荐相关的技术。 前两天我写过一篇文章。起因是在朋友圈看到有人转了快手 OneReason 的文章，我就点进去看了一下，发现快手已经在逐步把推理的能力引入推荐系统。 熟悉大模型发展的话会知道，这几年大模型经历了三个关键节点：Scaling、Reasoning、Agent。 而推荐系统，现在居然也开始走到推理这一步了。 文章发出来之后，我发现自己和评论区很多人有一样的困惑，集中在三个问题上： 第一，为什么一定要上推理？ 第二，推荐系统的推理具体怎么做？ 第三，推理的成本不低，这事在线上能划得来吗？ 我其实也是带着这三个问题去的现场。听完分享，今天把我的想法梳理一下。不一定对。 我十多年前在工作中做过推荐系统，这些年断断续续也在跟进这个领域的进展。 特别是大模型这一波浪潮来了之后，跟不少朋友聊过 LLM 和推荐系统结合的可能性，都觉得这事很有意思。 如果推荐系统也逐步过渡到 LLM 的技术栈上，互联网的基础设施这一层，还会有比较大的变化。 1 先说第一个问题：为什么一定要和大模型结合，为什么要做推理？有人觉得是不是在追技术的时髦。推荐系统好好的，为什么非得跟大模型挂钩？ 我自己是这么理解的。 传统推荐系统正在接近既有架构的天花板，而 LLM 为推荐系统提供了一条新的演进路径。 推荐本身也是 AI，是 AI 最早的应用场景之一。如果推荐系统无法融合最新的 LLM 技术栈，从技术发展的角度来说，推荐系统就会断代。 那为什么还要做推理？去年快手做了 OneRec，已经证明了 Scaling Law 在推荐系统中的有效性。 既然可以端到端生成，已经跟上了技术栈，为什么还需要推理？ 我想起刚毕业的时候做推荐系统，当时 Leader 讲过，推荐系统的核心，抽象来讲，就是在做两件事： 一类是基于用户的协同过滤，推荐系统根据用户的自然属性（年龄、性别、学历等信息）和浏览兴趣来计算用户相似度，进而给相似用户推荐内容。 第二类是基于内容的协同过滤。推荐系统提取内容的特征，然后计算不同内容之间的相似性之后，给用户推荐与过去喜欢内容相似的内容。 说白了，无论哪一种，其实都是基于相关性的匹配。推荐系统能够捕捉用户行为模式，但它并不会显式地推理用户为什么会产生这些行为。 这种逻辑的局限很明显。 举个例子。一个用户最近看了杜甫的诗词、李白的生平，还刷了几条安史之乱的纪录片。 系统会把这些行为编码成向量，然后去内容池里找向量距离最近的内容推过来。 它并不知道什么叫唐代文化，只知道看过这几条内容的人，大概率也会看另外那几条。 结果就是，更多唐诗、更多唐朝纪录片，推来推去都是同一类内容。 经常刷着刷着就会发现，怎么推的全是差不多的内容。这就是纯粹基于相关性匹配的局限。 但如果系统能往前想一步呢？这个人看杜甫、看安史之乱，背后的兴趣也许不只是唐代文化，而是乱世里个体的命运。 想到这一层，推荐的范围就打开了，不会只困在唐诗和唐朝纪录片的圈子里，能给用户带来更好的内容体验。 这就是溯因的价值。它把推荐系统从记住用户过去喜欢什么，推进到理解用户为什么喜欢。 只有理解了为什么，系统才可能预测出用户还没有表现出来、但可能存在的兴趣。 这是我觉得推荐系统引入推理最重要的一点。 2 理解了为什么要做推理之后，第二个问题就来了。推荐系统里的推理，到底怎么做？ 说实话，这也是我去之前最好奇的地方。 我一开始的想法挺简单。既然大模型已经把推理这条路走通了，那推荐系统是不是直接把这套能力搬过来就行？ 后来听完分享，发现完全不是这么回事。因为推荐系统面对的问题，和大模型平时解决的问题不一样。 比如问大模型：李白和杜甫的诗歌风格有什么区别？模型会调用历史知识、文学知识、时代背景，组织出一个解释。这当然也是推理，但它推理的对象是世界知识。 而推荐系统推理的对象是用户。它需要回答的问题是，这个兴趣为什么会产生？未来哪些兴趣会增强，哪些会减弱？用户下一阶段可能会对什么产生兴趣？ 所以快手在现场一直在讨论一个核心问题：推荐系统里的 CoT，到底应该长什么样？ 他们给出的答案挺有意思。把整个推理过程拆成了四步： 第一步，总结用户的历史兴趣。 第二步，推测兴趣背后的原因。 第三步，推测影响未来兴趣变化的因素。 第四步，推荐相关内容。 还是用杜甫那个例子来感受一下这个过程。 系统看到用户最近看了杜甫、安史之乱、李白，先做归纳，这个人对唐代文人和那个时期的历史有持续关注。 然后开始溯因：为什么关注？用户是主动搜索、反复观看、停留时间很长，背后可能的原因是对乱世中个体命运这个主题有深层兴趣。 基于这个理解再往前推演，如果关注的是乱世中的个体命运，那兴趣不会局限在唐代，宋代的苏轼、南宋的陆游，甚至近现代的故事，都可能命中同一个深层兴趣。到这一步，系统才去推荐内容。 整个过程是一条完整的思考链：归纳兴趣，溯因理解，演绎发散，最后推荐。 对比一下传统推荐系统做的事。它同样会从用户行为里提取兴趣特征，也会建立用户画像。 但这些过程更多是隐式完成的。系统知道用户喜欢什么，却很难解释用户为什么喜欢，也很少进一步推演兴趣未来会如何变化。 这也就解释了为什么传统推荐总是千篇一律。它没有理解，只有匹配。 匹配只能找到相似的东西，理解才能找到相关但不相似的内容。 3 第三个问题：推理的成本这么高，线上能划得来吗？ 大模型的推理很贵，而线上推荐要求实时更新。如果每次推荐都让大模型完整思考一遍，成本和延迟肯定都没办法接受。 他们现在的解法叫 Fast-Slow Thinking。名字听起来有点像人脑的快慢系统，实际上思路也确实差不多。 Slow Thinking 负责深度思考。它会周期性地分析用户过去一段时间的行为，把用户兴趣、兴趣背后的原因、未来兴趣可能的变化方向提前算出来，存下来。 这个过程可以慢，不要求毫秒级返回，甚至一天更新一次都可以。相当于提前把用户研究了一遍。 Fast Thinking 负责实时响应。用户打开 App 的时候，在线推荐系统不会重新走一遍完整的推理流程，只读取提前算出来的结果，再结合最新的行为快速完成推荐。 这样一来，真正昂贵的推理过程被放到了离线阶段，线上看到的仍然是一个高速推荐系统。 我觉得这个思路挺有代表性的。很多人聊 Agent、聊推理的时候，容易有一种错觉，好像未来所有事情都要实时推理。 但工业系统通常不这么做。工业系统更习惯把复杂计算提前做完，把实时链路尽可能做轻。 OneReason 的 Fast-Slow Thinking 本质上也是这个思路。慢链路负责理解用户，快链路负责服务用户。 现场公布的数据里，他们已经把这套方案用在了本地生活广告场景，收入提升超过 8%。 这一点其实挺让我意外的。原来以为 OneReason 更偏研究性质，没想到已经开始在真实业务里创造价值了。 不过这套方案也不是终点。 为了控制成本，OneReason 目前更多承担的是 Slow Thinking 的角色。 它会基于用户历史行为，离线生成对用户兴趣的理解，再把这些结果交给在线推荐系统使用。 这种方式解决了推理成本的问题，但实时性仍然会受到影响。 举个简单的例子。如果系统昨天分析认为我最近在关注杜甫和唐朝历史，但今天的兴趣突然转向了游戏，那么离线生成的用户画像就有可能滞后一段时间。 所以从工程角度看，这其实是在成本和实时性之间做平衡。 但可以确定，随着未来推理成本继续下降，推荐系统里的推理能力可能会越来越靠近实时链路。 到那个时候，推理或许会像今天的排序模型一样，逐渐成为推荐系统的基础能力。 不过至少从目前来看，快手给出的答案还是比较务实的。先让大模型负责它最擅长的部分，理解用户，然后把理解的结果交给传统推荐系统去执行。 这可能也是生成式推荐的推理能力从论文走向工业落地的一条现实路径。毕竟，这事也才刚刚开始。 更有意思的是，活动现场快手这次还发起了一个 LLM-Rec 挑战赛，官方直接开放了 OneReason-0.8B-pretrain、SFT 数据以及脱敏后的 50 万条用户行为数据。 这个活动面向的是全日制在校学生，所以我看到之后第一时间就转给了家里还在上学的亲戚。 还有在现场的时候，我原本以为来参加活动的大部分都是已经参加工作的工程师。 结果到了提问环节才发现，现场有很多北京高校的研究生和博士。 而且说实话，提问质量非常高。所以我觉得这样大赛确实很有意义，因为学生可以花大量时间去研究最新技术，可以去尝试各种天马行空的想法。 毕竟像推荐系统和 LLM 的结合，本身就是一个非常新的方向，行业里其实也没有标准答案。很多问题都还在探索阶段。 而且奖金也不低，前 20 名还能直接进入快手算法的中面。具体大家去看链接。反正看了我都很心动。 写到这里，这篇文章也就结束了。那天参加完沙龙，在回家的路上，我直接把整篇文章的语音底稿录完了。 今天下午又抽了一个多小时，把它逐段润色、修改、成稿，基本算是一气呵成。 写着写着，突然想起十多年前我刚毕业，作为一个新手工程师，和团队一起构建推荐系统时的场景。 顺手翻了一下朋友圈，看了一下当时 Leader 的状态，他已经转行做其他的事情去了。 好多事就飘散在了回忆里。 有点感慨。因为我关于推荐系统最早的那些知识，几乎都是他教给我的。 十多年前，我们讨论的是召回、排序、特征工程和 CTR。今天大家讨论的是 Scaling Law、Reasoning，以及 Agent。 很明显，推荐系统又走到了一个新的时间节点。一代又一代啊。

被低估的真相：Agentic AI 是一场以"存储"为中心的范式革命 1/ 一句话观点 Agentic AI 的核心，不是算力，是记忆。 新硬件层级正在变成： ① 记忆（HBM / DRAM / NAND） ② 并行计算（GPU / ASIC） ③ 协调者（CPU） CPU 早就不再承担主要计算逻辑。 2/ 第一性原理 人类对"智能"的终极追求只有两件事： 无限记忆 + 无限计算。 我们日常评价一个人聪不聪明，无非两点： "记性好" + "脑子转得快"。 机器智能在沿着同一条路前进。 3/ 先说市场已经讲过的故事：HBM LLM 推理的 decode 阶段是典型的 memory-bound 任务。 每生成一个 token，都要把整套 KV cache 从显存里搬一遍。 带宽不够 → 昂贵的 GPU 直接闲置。 这就是为什么 GPU 每升一代，HBM 的带宽和容量都在追着涨。 4/ 市场没怎么讲的故事：1M context 不是在 GPU 集群里组装的 我们天天说的"1M context"，并不是在 AI 推理集群中拼出来的。 它的真正组装地点，是 跑 Agentic 系统的传统服务器（CPU + 大 DRAM）。 5/ 那些传统服务器在做什么？ • 加载用户的长期 / 短期记忆 • 加载 agent 的系统规范（system prompt） • 加载 skill / tool / subagent 的说明 • 拼到超过 1M token 时，还要做压缩 这一整套，全部跑在 Agentic 服务器的 DRAM 里。 6/ 对比过去的互联网 / 移动互联网 过去几乎不处理用户上下文。 只有搜索 / 推荐 / 广告才会留一点用户画像， 数据量大概只有现在 Agentic 系统的 1/20，甚至 1/100。 7/ 供应链已经在反映这件事 服务器的 CPU : DRAM 配比，正从 传统的 1 core : 4 GB 升级到 1 : 16，并继续往上走。 8/ 但远不止"4 倍存储"那么简单 Agentic 状态下，单颗 CPU 能服务的用户数，只有过去的几分之一。 当整个 IT 都切到 Agentic： • CPU 数量：增长 几倍 ~ 十几倍 • DRAM 总量：增长 几十倍 ~ 上百倍 9/ 结论 Agentic AI 是一次以 "存储 + 并行计算" 为核心的范式迁移。 软件范式变了，硬件范式也跟着变。 只有真正读懂技术的人，才会理解： 这一轮存储不是周期，是范式。 10/ 时间维度 考虑到： • 人群渗透率还很低 • 单用户使用深度还很浅 未来至少 5 年，看不到这轮存储需求的周期顶部。 （拉长时间看万物皆周期，但这一轮远没到拐点） $MU $DRAM $SNDK

做 AI PM 的朋友，可以看看这个产品的反思。 一个特别明显的感受是，几乎所有移动互联网时代发展起来的产品，现在都在思考同一个问题：怎么把成熟产品进一步 AI 化。 这件事挺难的。 AI 化稍微激进一点，用户可能会疯狂吐槽。因为很多产品大家已经用了十几年，原来的交互方式和使用习惯早就形成了。你一下子改变使用方式，很多用户肯定会不适应。 但反过来，完全不做 AI 探索也不行。AI 带来的新交互和新能力，会直接影响产品未来的竞争力。 今天看起来用户还习惯原来的方式，但哪一天习惯真的发生变化了，再追可能就晚了。 前段时间我跟飞猪的朋友聊了一下他们最近在做的事情，感觉还挺有启发。 飞猪同样也是移动互联网时代发展起来的旅行产品，现在也在重新思考刚才那个课题。他们之前的问一问也有过一段时间的热度，现在最新的 AI 叫飞猪帮帮。 具体产品我就不展开介绍了，大家感兴趣可以自己去看。 目前看这个产品形态肯定也不是终局。但我觉得他们探索过程中的思考还是很有价值。 一个成熟产品真的开始往 AI 方向优化的时候，很多以前只停留在概念里的问题，都会变成非常具体的产品和技术问题。 他们在这个过程中积累的一些经验，我觉得挺值得记录下来。 乍一看，飞猪是在一个成熟产品上做 AI 化，但它的底层逻辑，和今天的 Coding Agent 非常像，都是模型 + Harness + Memory。 Coding Agent 调用的工具是文件系统、终端、浏览器，旅行 Agent 调用的工具是机票报价引擎、酒店库存系统、景区数据接口等等。工具不同，架构是同一套。 我们看到的所有成规模的 Agent 产品，最后都会收敛到这个结构上来。 没聊之前觉得这事很简单，不就是在已有接口上接一下模型 API 嘛，聊完之后才发现远远不止于此。 他们甚至连模型都是自己在开源模型基础上微调的。因为只靠调用通用模型的 API，有很多问题没办法解决。通用模型不能理解具体的业务逻辑，需要加很多规则做限制。 而且更麻烦的是数据安全没办法保证，没有谁愿意把自己的业务数据交给通用模型，这对用户也不负责。 所以，他们搭建了自有的训练环境和数据管线来做后训练，在开源模型的基础上训练出面向旅行场景的自有模型。这一点我完全没想到。 旅行产品本身有自己的表达方式和业务经验。比如一个用户跟 AI 说我周末想出去放松一下，模型如果机械地理解周末，可能会安排周六一早出发。 但对一个上班族来说，很可能想的是周五晚上下班直接走，或者周六睡个懒觉再出发。这些是这个行当里默认的经验，需要通过后训练固化到模型层面。 如果靠规则来约束，推理的时候效果就会差很多。 作为一个成熟的产品，飞猪手里本来就有大量旅行场景的数据和任务，通过后训练让模型慢慢理解这些需求，效果就会好很多。所以，他们在后训练上花了非常多功夫。 具体的做法是把真实的旅行场景建模成智能体编程的任务，让模型在真实工具调用的环境里学习。 而且因为旅行和电商不太一样，价格和库存都在快速变化，差一分钟问同一个问题正确答案可能完全不一样，所以训练环境必须是在线的、实时的。 这类模型也不需要追求智能的上限，甚至不需要做那么多轮次的推理，毕竟用户等不了那么长时间。要不然用户着急买机票呢，还得等 50 秒的推理，谁能有这耐心。 跟上一代做移动互联网产品一样的逻辑，每慢一秒，用户就会流失一批。 模型是大脑，但光有大脑根本不够。真正做成产品，还需要在模型外面加一层 Harness，负责工具调用、规则约束和结果校验。 比如像刚才说的旅行场景里，机票价格和库存一直在变化，这些信息不能让模型凭记忆生成。 模型理解完用户需求之后，必须去调用真实的机票库存和交易系统，最后展示给用户之前还要做一次校验，确保价格、库存这些关键信息仍然有效。 所以我现在越来越觉得，很多垂直 Agent 的技术路径，其实跟 Claude Code、Codex 这类 Coding Agent 非常像。 底下是模型，上面是 Harness。真正的产品能力，很多苦活累活都在 Harness 这一层。所有的 Agent，架构应该都会趋同：模型 + Harness + Memory。 有一些规模不大的 Agent 可能模型可以直接用通用模型 API，但上层的 Harness 和记忆肯定是得自己做。 所以 Agent 产品真正的苦活累活都在 Harness 这一层。模型解决的是理解和推理，但现实世界里的数据校验、异常处理、兜底逻辑，全得靠 Harness 来扛。 哪怕是规模不大的垂类 Agent，模型直接用通用的也能凑合跑起来，但 Harness 和记忆这两层一定得自己做。 Agent 的架构上，他们之前的思路更偏 Multi-Agent，把功能拆得非常细。 酒店一个 Agent、机票一个 Agent，每个 Agent 负责一件事，上层有一个总 Agent 负责编排和调度。 这个思路问题是 Agent 一多，上下文需要在不同 Agent 之间不停传递，容易出现信息丢失，调用链路也非常长，产品出了问题还非常难排查。 现在，他们结构精简了很多。随着模型能力快速进化，在做好 Harness 的前提下，一个 Agent 现在可以同时负责几件事。 即便是面对机票、酒店、门票这些库存性质和使用规则截然不同的品类，一个 Agent 也可以灵活调用机票查询、酒店查询、门票查询、Web Search 等工具来包办。 最后是 Memory。飞猪在记忆这块做了三层：长期记忆、中期记忆和短期记忆，能够把用户跨时间的行为和偏好整体关联起来。 用户喜欢住高档酒店，喜欢坐某个航空公司的航班，这些东西跟 Agent 说一次就好了，如果每次都要重复，用户就很毛躁。 我理解他们三层记忆的分工是这样的。长期记忆是用户画像和长期偏好。中期记忆解决跨会话的问题，比如这几天已经讨论过一次去日本旅行的事，下次再聊 AI 还是知道的。 短期记忆就是当前会话的信息。 这套机制和 ChatGPT 的记忆逻辑也类似。大家感兴趣的话，也可以查查。 另外，我想再说下对于交互的思考。几年前经常看到一种判断，有了大模型之后，LUI 也就是自然语言交互会慢慢替代 GUI。现在来看这个判断过于乐观了。 在一个成熟产品里，用户惯性非常大，而且 LUI 在很多场景里其实比较低效。包括 ChatGPT，我们看到它自己也在 LUI 里融合 GUI，说明这两种交互各有擅长的场景。 需求已经非常明确、追求精确的时候，GUI 很好用。打车就是一个典型例子，已经知道去哪了，地图上输两个字，选一个位置，弹出列表，点一下，选择车型，搞定。 如果这些步骤全部改成对话，体验反而更差，速度也会慢很多。 但碰到模糊需求或者条件非常多的时候，LUI 的优势一下子就出来了。比如想找一张机票，要求从迪拜中转，最好是过夜航班，不需要过境签，两段航班尽量是同一航司。 这种需求在 GUI 里不停地筛选，整个过程非常痛苦，但用自然语言一句话就能说清楚。 飞猪帮帮的做法就是把 LUI 和 GUI 融合在一起。用 LUI 来驱动 GUI，达到更丝滑的搜索和筛选效果。 到现阶段，客观地看，对于大部分产品来说，GUI 才是主体，LUI 是给用户增加一种以前没有的表达需求的方式。直接一把梭哈纯 LUI，实在是为了 AI 而 AI。 很多人觉得做 AI 原生应用就得是纯 LUI，这完全没有 get 到要点。原生不原生只是一个概念，最终还是要以满足用户需求为基础。 所有成熟产品，都得重过 AI 这一关。

前天，IREN宣布签署总价值 28亿美元 的多年代理AI云合同，并将2026年底AI云年化运行收入（ARR）目标从37亿美元上调至 超过40亿美元（其中85%已签约）。这一消息不仅推动股价大涨，更传递出一个清晰的市场趋势：AI算力需求正从顶级frontier labs向更广泛客户群外溢。 IREN的新合同主要来自 Perplexity（AI搜索）、Figure AI（物理AI与机器人）、Together AI、Fireworks AI、Fal AI、Hume AI 等专注领域AI公司，以及一个未具名的领先AI开发商。加上此前已有的 Microsoft 和 NVIDIA，IREN的客户画像已覆盖： Hyperscalers（超大规模云厂商） 专业AI开发商 企业级用户 公司明确表示，正在“broadening our customer base across hyperscalers, enterprises and AI developers”，并优先选择多样化分配容量，避免过度依赖少数巨头。 IREN在公告中指出，“hyperscalers、enterprises、AI developers and frontier labs”的需求持续超过其可用和计划容量。过去一年，其自建AI云容量从约3MW激增至2026年交付480MW，2027年目标1.2GW，仍供不应求。 这说明前沿实验室（frontier labs）仍是重要驱动力，但其需求已无法独占新增容量。 大量中层和应用层AI公司（推理、专用模型、机器人、生成媒体等）开始大规模锁定长期GPU资源。 许多合同包含客户预付款（约占GPU资本支出45%），显示买家意愿强烈且愿意承担前期成本。 IREN的案例是AI基础设施热潮的缩影：算力短缺正从“顶级玩家军备竞赛”扩散至整个AI生态。这对数据中心运营商、GPU供应链和新能源行业都是长期利好，也意味着AI商业化落地正在加速。 随着更多公司加入“算力抢夺战”，2026-2027年将成为AI基础设施大规模部署的关键窗口。IREN的故事，或许只是行业多元化浪潮的开始。 免责声明：本人持有推文题及资产，观点充满偏见，非投资建议dyor