Google Gemini 悄悄上线了两款新模型 3.6 flash 和 3.5 flash-lite ，没有发布会和发推 X，效果比预期好！

第三张图可以当壁纸用了。

淘汰落后的工具，请用先进的思维

十年前我就不用百度了。

原因很简单：广告太多、精准内容匹配命中率太低、虚假内容太多。那段时间代理出状况的时候，我情愿用搜狗，都没碰百度。但最近看到一个哥们还在用百度搜问题，提醒了他几次，建议去用DeepSeek——或者再不济，换谷歌也行。他还是没动。

这让我想起一件事。

01 一个数字，说明一切

先看几个数据。

2021年，百度在中国搜索市场的份额是87%。到2025年中，这个数字跌到了50.92%。再往后，StatCounter 2026年6月的数据显示，百度份额还在往下走。

更扎心的不是份额，是日均搜索量——从巅峰跌到3亿次。什么概念？抖音日均搜索量78亿次，微信搜一搜10亿次。

用户不是不搜索了，是不在百度搜索了。买东西去小红书、抖音、淘宝、京东。找答案去DeepSeek、豆包。

这背后是什么？是搜索这个入口本身在贬值。2025年第三季度，百度在线营销收入153亿元，同比减少18%。广告收入连续6个季度下滑。2026年一季度，搜索广告首次跌破百度收入的半壁江山——从63%降到48%。

这不是风吹的，是地基松了。

02 工具落后，本质是思维落后

但我今天想聊的不是百度。

我想聊的是：一个人选择什么工具，本质上反映的是他的判断力。

Anthropic在2026年5月发布了一份《创始人手册》（The Founder's Playbook: Building an AI-Native Startup）。36页，手把手教你从一个想法到一家公司。

手册把创业拆成四个阶段：创意（Idea）→ MVP → 发布（Launch）→ 规模化（Scale）。

但整本手册真正在讲的，只有一个词：判断力。

手册开篇就扔出一个核心判断：创始人的角色，正在从“个人贡献者”变成“编排者”。过去定义创始人靠的是他能做什么——技术型创始人写代码，非技术型创始人跑业务。但到了2026年，AI已经把“会建造的人”和“有值得建造的想法的人”之间那堵墙拆掉了。

什么意思？

AI把执行的门槛砸穿了。 今天，一个没写过代码的人，也能交付生产级应用。“10人独角兽”从草根逆袭故事变成了一份可以认真执行的行动方案。

那问题来了：当人人都能“造”的时候，什么变得稀缺？

判断力。

手册的隐藏逻辑是一条递进线：先证明问题存在，再证明方案有人要，再证明能够商业化，最后构建且维持壁垒。四个阶段其实只有两个大关口：0-1完成PMF验证，然后从产品跑通到业务跑通。

每个阶段都在考验一件事：你有没有能力判断“该不该做”，而不是“能不能做”。

03 创意阶段：判断力决定你选什么问题

大多数人起步时只有一个模糊想法——“用户在某个地方遇到了麻烦”。创意阶段的核心是把模糊想法变成一个可验证的问题陈述。

手册列出了三个经典陷阱：

第一，把“造出来”当“验过了”。 早在AI时代之前，42%的创业公司就因为做出没人要的东西而失败。今天Claude Code把“我有想法”到“我有产品”的距离压缩到了极致，这个失败率只会继续攀升。一个能跑的原型不等于市场需要它。原型是对话道具，不是验证证据。

第二，过早扩张。 AI让构建毫不费力，你可能不自觉让执行速度远远跑在业务需求前面。让判断力跑在构建前面——尤其是当构建如此快速且感觉毫不费力的时候。

第三，AI放大了确认偏误。 让AI验证你的想法，它会帮你找到支持证据；让AI算市场规模，它会给你一个让TAM看起来很漂亮的数字。解药是同一把工具，方向调转过来：让AI去压力测试你的想法，就像让它去验证一样彻底。

手册把这个方法叫做 “结构化唱反调” 。

所以创意阶段的第一法则是：在证据还撑不住之前，不要急着动手。

04 品味，就是你的判断力

手册里反复在强调一个东西——虽然没用“品味”这个词，但讲的是一回事。

判断力、审美、品味——本质上都是同一个东西：你凭什么说“这个值得做，那个不值得”。

当AI能包揽一切执行的时候，创始人唯一的价值，只剩下了“做判断”。手册的结论很冷酷：AI时代，创立公司的瓶颈不再是“你能造什么”，而是 “你选择造什么” 。

这个“选择”，就是品味。

品味靠什么？靠日积月累的输入，靠你读过的书、用过的工具、踩过的坑、交过的朋友。它受家庭和社会先天后天的影响，但更重要的，是你有没有意识地打磨它。

一个人用什么搜索工具，就是品味的显性表达。

十年前我放弃百度，不是因为技术洁癖，是因为我在那个工具里反复遭遇低质信息、广告干扰、虚假内容——每一次搜索都在消耗我的判断力，而不是增强它。后来我换谷歌、换搜狗、现在换DeepSeek。不是赶时髦，是我在用工具训练自己的判断力。

而我那个还在用百度的哥们，他每一次搜索都在被广告和虚假信息“投喂”。久而久之，他对“什么信息可信、什么不可信”的判断力就会被腐蚀。这不是危言耸听——你每天用什么工具获取信息，就在用什么方式塑造自己的大脑。

05 MVP到规模化：判断力的层层递进

手册的后三个阶段，同样在考验判断力。

MVP阶段：从验证“问题”转向验证“解决方案”。目标是产品-市场契合（Product-Market Fit）。核心挑战是：你能不能用对的方式做对的产品、做得足够快，同时不抄那些日后会让你付代价的近路。

发布阶段：证明产品能够商业化，找到可复制的增长路径。

规模化阶段：构建并维持壁垒。

每个阶段都在逼创始人回答同一个问题：“现在，什么最重要？”

06 淘汰落后的工具，用先进的思维

回到开头那个还在用百度的哥们。

我不是在嘲笑他。我是想说：工具选择从来不是技术问题，是思维问题。

Anthropic的手册最后留了一句话，一夜之间在硅谷创业群里被转疯：

“AI时代，创立公司的瓶颈不再是你能造什么，而是你选择造什么。”

这句话不只适用于创业。

它适用于你每天用什么搜索工具、读什么信息源、交什么朋友、做什么决策。

你的品味，决定了你的上限。

淘汰落后的工具，不是让你去追最新最潮的App。是让你问自己一句：我每天用的这个东西，是在增强我的判断力，还是在消耗它？

如果答案是后者——不管它是百度，还是别的什么——建议你换一个。

你值得更好的工具。更重要的是，你值得拥有更好的判断力。

《功夫女足》产品经理手记：3.8亿的局，6.6分的仗

7月11日上映，27分钟票房破亿，两天破5亿，上映三天破6亿。猫眼预测从14.28亿一路飙到25.05亿。另一边，豆瓣12万人打出6.6分，五星和一星齐飞。

作为一个产品经理，这个反差比电影本身精彩多了。咱们拆开看。

一、产品定位：这不是电影，是“情绪容器”

先看产品本身。故事线极其清晰——草根女子足球队“峨眉队”逆袭夺冠。善恶分明，热血直给，无厘头笑点密集。张小斐演队长，迪丽热巴演“魔童”前锋，19岁素人雪野演沉默天赋型选手。

问题来了：豆瓣6.6分，猫眼9.4分。同一个产品，两个平台差了近3分。

产品经理都懂——不是产品变了，是用户变了。豆瓣用户要的是“叙事深度”和“创新突破”，猫眼用户要的是“好笑解压值回票价”。星爷做的从来不是“全量用户”的产品，而是 “核心用户”的深度绑定。产品定位从来不追求所有人满意——一个产品如果所有人都觉得“还行”，那才是真正的平庸。

更何况，一部商业片的首要KPI从来不是“深刻”，而是“覆盖”——覆盖最大公约数的用户情绪。从《美人鱼》到《西游·降魔篇》再到今天，星爷的路子一直很清晰：故事简单、特效拉满、主题直给。这不是缺陷，是策略。

二、市场策略：零宣发、极限定档、精准狙击

再看打法。7月6日定档，7月11日上映，中间只有5天。几乎零宣发，就靠一张海报和20秒预告。首日排片占比47.4%，直接把单日大盘从5000万拉到3亿以上。

这套操作放在互联网产品里叫什么？“病毒式冷启动” 。不烧钱买量，靠品牌势能自然裂变。周星驰三个字就是最大的流量入口。

时机也卡得精准：2026年美加墨世界杯正在举办，足球话题天然热度；暑期档合家欢市场刚需；同量级竞品真空。这是典型的 “天时+地利+品牌”三重杠杆。

三、用户画像：80后还星爷，00后看特效

口碑分裂的本质是代际认知鸿沟。

80、90后是看着《大话西游》《喜剧之王》长大的，“欠星爷一张电影票”不是梗，是真实的情感账户。他们知道星爷捐了100多所希望小学，被骂从不辩解，汶川地震悄悄捐3000多万。这个人的做事风格就是“你说你的，我做我的”。对这批人来说，星爷的电影自带情怀滤镜——他们要的就是“还是那个味儿”。

00后、10后不一样。他们没经历过录像厅时代，对星爷的认知可能只是表情包里的“我养你啊”。从小被短视频训练出的“即时刺激”阈值极高，一部电影前30分钟还在铺世界观？不好意思，刷走了。他们对《功夫女足》无感，觉得特效质感廉价、剧情老套——这太正常了，人家的娱乐消费方式本来就不一样。

更关键的是，这代人的审美极度分散——有人爱文艺片，有人追虚拟偶像，有人刷AI短剧。没有统一标准，只有个体偏好。一个产品想通吃所有人？想都别想。

四、商业模式：3.8亿的局，AI是第一生产力

最后说钱。总投资3.8亿，星爷执导生涯最高。资金分配极端“重制作、轻宣发”：1.9亿砸特效，全片1200+个CGI镜头；演员片酬仅5700万，占总投资不到15%。

回本线约11.4亿到12亿。按当前走势，25亿可期——这笔账算得过来。

但真正值得关注的不是数字，是技术路径。全片1200多个特效镜头由儒意自研的C-live AI视觉团队制作。相比传统模式，后期周期缩短超50%，核心特效人力成本压降30%以上。

这是什么？AI首次在院线A级商业大片中规模化落地。

儒意的闭环堪称教科书：出资拿票房分账→旗下C-live承接1.9亿特效制作→通过自有院线倾斜排片→旗下南瓜电影负责流媒体版权运营。“资金端、技术端、渠道端三重绑定”。周星驰选择独自投资、不引入外部资本——把预算集中砸在制作上，用AI压缩成本、提升效率，然后用品牌势能完成冷启动。

最后说两句

豆瓣吵翻天？那是用户画像的胜利，不是电影的失败。

64岁的周星驰还在用3.8亿赌一个“无厘头”的可行性，用AI重构电影工业流程，用“零宣发”挑战传统发行模式。他被骂“江郎才尽”从不回应，被夸“还是那个味儿”也不飘——继续捐他的小学，拍他的电影。

一个产品经理看到的是：不讨好所有人，只服务懂的人；不追风口，自己造风。

这不叫固执。这叫产品信仰。

P.S. 豆瓣6.6怎么了？微信刚上线那会儿还有人说是“简陋版QQ”呢。产品好不好，时间说了算。😄

好久没来南山区，繁华依旧。

我用了三个月AI，发现它不是在帮我，是在“驯化”我

深度用AI工作台三个月，最近冒出一个让我后背发凉的念头——到底是我在用AI，还是AI在“驯化”我？

先说好的一面，确实牛。

业务困惑丢进去，能帮我拆出三层我没想到的逻辑；数据分析给个方向，能跑出好几个维度的交叉验证；方案写到卡壳，能一口气吐出五个版本供我挑选。

效率提升肉眼可见，这个没得黑。

但问题出在下一步。

它输出的东西，所有决策都得我来拍板。这意味着我必须：

· 啃它的分析过程，判断逻辑有没有漏洞
· 对照线下业务实情，一条条比对验证
· 整合完信息，再下指令让它继续推进

这一套组合拳打下来，信息量巨大，精力消耗更巨大。表面上是它在跑腿，实际上是我在被它牵着鼻子做“质检员”和“决策流水线工人”。

以前自己硬扛一个方案，累归累，但思路是连贯的。现在变成“我思考→AI输出→我审核校正→再思考→再输出”的循环，认知负荷不降反增。

更残酷的是时间账。

一天24小时，8小时睡觉，8小时工作，剩下8小时塞满了通勤、洗漱、吃饭、陪家人、偶尔放空。真正能高度集中处理复杂工作的时间，撑死12小时，甚至更少。

精力这东西是耗材，用完就真没了。

AI不一样，7×24小时满血在线，算力几乎无限。它不怕累，我怕。它不需要休息，我需要。它的“勤奋”恰恰在逼我以人类肉身的极限去匹配它的节奏。

这就成了一个荒诞的博弈：我用有限的精力，去驾驭一个无限的引擎。

驾驭好了是火箭，驾驭不好就是被拖着跑的风筝。

那怎么办？我试下来有三条路有效：

第一，给AI“划边界”。不泛泛问“你怎么看”，而是精准框定“只分析A维度，只输出B格式，结论超过三行就截断”。问题越锋利，答案越干净，需要你扫雷的面积就越小。

第二，给自己“定档位”。精力充沛时让AI发散脑暴，精力一般时让它做结构化整理，精力见底时只让它做信息检索。别在所有状态下都要求它干同一件事，那是自虐。

第三，接受“不完美输出”。AI给的东西，有60分就能用，先跑起来再迭代。非要每轮都追求90分以上，等于你在替AI打工，角色彻底颠倒了。

说到底，AI不是来替代你的，但它确实在倒逼你重新学会“当人”——把决策力当核心资产，把审核力当看家本领，把精力管理当成硬仗来打。

工具越强，越要守住自己的节奏。

别让无限的算力，榨干了有限的生命力。

#AI工作流 #提示词工程

欢迎跨境老板垂询，提供 IT 咨询、AI 实战等课程

如何用AI有效减少Token浪费：一份来自实战派的提示词省钱指南

当AI让学习加速发生，我们更该学会让每一分算力都物有所值。

AI正在以前所未有的速度加速人类的学习进程。过去需要翻阅大量书籍、请教多位专家才能搞懂的问题，现在通过几轮精准的提问就能获得高质量的解答。模型越强，提问越准，输出的质量就越高——这已经成为AI时代的铁律。

但随之而来的是一个现实问题：Token不是无限的，每一次对话都在消耗真金白银。如何在不牺牲质量的前提下，把Token消耗降到最低？这是我过去几个月在深度使用Claude、DeepSeek等模型后，总结出的一套实战方法论。

先看一组真实数据：未经优化的提示词，无效Token消耗高达30%到55%。输出Token的单价通常是输入的3到6倍。一次无约束的对话，可能比优化后的版本多花2到3倍的钱。这意味着，你花出去的API费用，大半可能都喂给了“废话”。

解决方案其实不复杂，只需要你在写提示词时多一道工序。

先说输入优化，核心原则是用最少的字，说最清的话。

第一是做减法。删除所有客套话和冗余修饰。比如“你好，能不能麻烦你帮我写一个Python函数……”这种可以直接改成“任务：写Python函数，功能：计算两数平均值，要求：简洁”。这样输入Token能减少约70%。

第二是结构化。推荐用CRISPE框架，包含六个要素：角色设定、任务描述、背景信息、具体要求、输出风格、示例引导。比如“你是一位资深Java架构师，审查以下代码的性能瓶颈，该系统日均QPS达10万，重点关注内存泄漏，用专业但易懂的语言，给出3种优化方案”。这样既清晰又完整。

第三是利用缓存机制。将固定的系统提示词、角色设定放在提示词最前面，命中缓存后输入成本能降低90%。

再说输出优化，这是烧钱的大头，必须用硬性规则锁死。

首先选择最省Token的格式。Markdown列表耗Token低，可读性高，是首选。纯文本逗号分隔更低，适合内部数据处理。精简JSON（无缩进）适合API对接。散文段落耗Token高，尽量少用。美化JSON带缩进的耗Token极高，绝对避免。

其次是三重长度约束，同时生效。比如总回复Token不超过50（约35个汉字），列表项限制1到3条，每条不超过20个汉字，并且禁止使用句号和连接词。

用实际任务对比一下，比如总结昨日股市。无约束时输出大约150个Token，充满“在昨日的交易中”等废话。加上约束后，输出大约30个Token，结果是“上证+0.5%，深证-0.2%，创业板+1.1%”。输出Token减少80%，信息密度提升3倍。

还有一个技巧叫预填充。在提示词末尾直接写出输出开头，强制引导格式。比如要输出JSON，就写“输出JSON：{“summary”: “”}”，模型会接着这个开头生成，确保输出合法且省去解释性文字。

不同模型也有各自的省钱微调技巧。

DeepSeek V4推理强，适合用思维链“一步步思考”并配合Few-shot示例，准确率能从68%提升到91%。Claude Opus 4+是格式控，用XML标签分隔指令，输出精准度高。ChatGPT GPT-5.5+指令遵循好，精准设定角色，简洁指令即可。Gemini 3.5+长文本强，把指令放在数据之后，用“基于上述信息”明确过渡。

最后分享一个我自己的实战案例。上周末我通过Fable 5模型创作了多本实战手册，包括《国际海运整柜实战手册》、《海外仓一件代发实战手册》、《成为AI产品经理实战手册》等。质量很高，计划在微信小店上架。

我的方法是用垂直知识库加上结构化提示词。先利用大模型的爬虫能力抓取几位资深专家的网课形成体系，再结合我本人多年跨境物流和海外仓的手稿文件，以及本地垂直资料。提示词设计采用CRISPE框架，严格控制输出长度。

关键心得是：日常不借助Agent的大模型问答，只是初级用法。真正高效的是垂直类提问，针对一个领域发散，或者具象类提问，针对具体问题精准求解。你只需要把“为什么做”和“做什么”搞清楚，至于“怎么做”，交给AI本身强大的逻辑推理能力。

总结下来，省Token有五条黄金法则。输入做减法，立省70%。输出戴枷锁，立省80%。预填充开路，引导结构。缓存要利用，输入成本打一折。模型要知己，按不同特点微调。

AI让学习加速发生，也让Token消耗成为不可忽视的成本项。你给模型画的边界越窄，模型跑偏浪费的钱就越少。从今天起，给你的每个提示词都加上一道“字数锁”吧。省下的不只是钱，更是宝贵的时间和算力。

如果你也有自己的省钱小妙招，欢迎在评论区分享，一起把Token用到极致。

AI 与 SaaS 软件争夺用户之战

近日接洽一桩海外仓 SaaS 的重部署需求——原产品因资金断裂已下线数月。客户方提及一个现象，值得重新审视当下企业服务市场的底层逻辑：软件本身正在贬值，而解决方案的价值权重持续上升。

对十人以下的小型团队而言，若仍以开发轻量化工具为切入点，尚有空间；但若涉足供应链或垂直领域的中型管理软件，市场窗口几乎闭合。AI 带来的并非功能叠加，而是工程级个性化适配能力的普及——这意味着，过去依赖标准化流程和固定模块的 SaaS 产品，其护城河正在被快速填平。

头部企业同样无法置身事外。微盟、有赞，以及跨境 ERP 领域的领星、店小秘等，均在加速将 AI 嵌入场景化应用，以追赶这一轮技术重塑。但值得留意的是，AI 的价值并不在于“更聪明的助手”，而在于它能够以极低成本为不同企业的流程、组织和数据状态生成专属配置。这种能力直接消解了传统 SaaS 赖以生存的“一次开发、多次售卖”的规模优势。

当用户可以用自然语言和少量样本，便获得一套高度贴合自身业务的操作界面与逻辑时，标准化软件的统一入口、固定菜单和预设流程，反而成为负担。用户争夺战的本质，已从“功能对比”转向“适配效率”——谁能更快、更准地融入客户的真实作业场景，谁就能在下一阶段留存客户。

软件作为容器，其边际成本虽趋近于零，但解决方案作为动态生成的服务，其定制深度与响应速度，才是新的定价锚点。这对所有 B2B 软件从业者而言，并非技术升级，而是商业模式的重构命题。

AI 除了能提效，也能助力人类加速理解新事物。它主要体现在以下方面：

1. 预测与输出质量：
通过提问可以获得相对精确的预测答案。模型能力越强，提问方式越精准，输出的结果质量就越高。

2. 模式与工具的升级：
相比去年，现在的 AI Agent 模式加语音AI转文字模式，通过 VSCode + Claude Code + Fable 5 模型输出，确实比以前强大了很多。这个模型目前是我日常或工作时最强大的模型。不知道那个“mythos ”的神话模型是怎么样的，听说谷歌创始人讲这才是真正的通用 AI，挺好奇的。

3. 实战创作与方法论：
上周末，我通过 Fable 5 模型创作了多本实战手册，包括《国际海运整柜 FCL 实战手册》、《海外仓一件代发实战手册》以及《成为 AI 产品经理实战手册》等。

我的方法很简单，大家不一定能复制，因为这个 AI 技能是我自己通过五六次迭代升级Agent 来的：
(a) 助手配置：我本地有两个助手，其中一个助手还挂了两个子 Agent。
(b) 知识库构建：我利用大模型的爬虫能力，抓取了几个我认可的、在知识付费和企业咨询培训领域非常资深（年收入可能达数百万）的专家公开的网课，形成了一套体系方法论。
(c) 资料整合：同时，我结合了自己大量的手稿文件，以及通过 AI 喂养的一些本地资料文件（特别是针对垂直类知识库）。因为我本人是做跨境物流和海外仓的，所以首先积攒对工作有帮助的垂直专业内容。

4. 通用 AI 使用方法分享：
在这两个月使用 Claude 的过程中，我发现了一种通用的方法。这仅是个人观点，不一定对，欢迎拍砖。我觉得日常不借助 Agent 的大模型问答，是很初级的 AI 应用方式。

通用型的 AI 使用主要分为以下两类：
(a) 垂直类：针对一个垂直的问题去发散。比如创业方向的选择，或者某个领域的垂直问法（如：如何管理项目、如何进行产品经理的需求管理、如何进行 AI 增强版的敏捷项目管理等）。
(b) 具象类：针对某个具体问题（比如不会解的数学题）通过 AI 去解答。

你只需要把问题“为什么做”和“做什么”搞清楚，把问题表达清楚即可。至于“怎么做”，交给 AI 本身强大的逻辑能力就行。

以上内容来自微信输入法口喷+微调

“AI 增强版敏捷项目管理”全景知识图谱，发现一个新角色上下文工程师（叫提示词工程师也可），图片来自DeepSeek