即刻App年轻人的同好社区
下载
关于商业分析，决策者应该知道的一切
用Hermes+Kimi-K3开头，用GLM5.2收尾，并结合之前Codex收集的数据，做了一份商业分析深度研究，是我看过的总结的最好并且最有insight的一份关于商业分析这个职能的报告。（其实照着目录写提示词也能做个七八分）
行文风格适合老中人阅读，而且项目简明扼要，直击要点，比云里雾里的Codex版本（图9）不知道高到哪里去了。
其中重点剖析了最佳实践亚马逊的案例，基于美团“猛学亚马逊”阶段积累的对亚马逊运作机制的认知以及商业分析踩坑的经历，我认为直击要害。
图7、8有关商分能够成功的经验和失败的教训，几乎每一条都会让我回忆起一段亲身的经历和案例，可以说感同身受了。
甚至今天我可以留下一句唯心的暴论：能不能用好商分几乎是企业基因决定的，根本不是一些蔑视规律蔑视人才的土鳖在业务全面承压时痛彻心扉时所能觊觎的。
不过我也越来越感到商业分析快成屠龙之术了，AI的发展也会极大地降低商分的门槛，能够帮助越来越多的企业低成本地做出更好的商业决策。一个旁证现象是你看今天那些ai native的公司，极少有单独设立商分部门的公司。强如Kimi、智谱都是找一些单技能的与数据和分析相关的人才，因为分析这个职能已经被模型吞噬了。
用Hermes+Kimi-K3开头，用GLM5.2收尾，并结合之前Codex收集的数据，做了一份商业分析深度研究，是我看过的总结的最好并且最有insight的一份关于商业分析这个职能的报告。（其实照着目录写提示词也能做个七八分）
行文风格适合老中人阅读，而且项目简明扼要，直击要点，比云里雾里的Codex版本（图9）不知道高到哪里去了。
其中重点剖析了最佳实践亚马逊的案例，基于美团“猛学亚马逊”阶段积累的对亚马逊运作机制的认知以及商业分析踩坑的经历，我认为直击要害。
图7、8有关商分能够成功的经验和失败的教训，几乎每一条都会让我回忆起一段亲身的经历和案例，可以说感同身受了。
甚至今天我可以留下一句唯心的暴论：能不能用好商分几乎是企业基因决定的，根本不是一些蔑视规律蔑视人才的土鳖在业务全面承压时痛彻心扉时所能觊觎的。
不过我也越来越感到商业分析快成屠龙之术了，AI的发展也会极大地降低商分的门槛，能够帮助越来越多的企业低成本地做出更好的商业决策。一个旁证现象是你看今天那些ai native的公司，极少有单独设立商分部门的公司。强如Kimi、智谱都是找一些单技能的与数据和分析相关的人才，因为分析这个职能已经被模型吞噬了。
2 01
确实是贵和慢导致只会试一下，没有办法做主力。在火山方舟 Agentplan 计费规则里 DS-v4-flash 系数是 0.5，GLM5.2 系数 4.5，K3 系数是 10，在智能门槛 GLM5.2 前， K3 并没有好 2 倍多，另外就是轻轻松松就达到了 5 小时上限（月 200 元套餐），导致其实际不可用，另外就是太慢了，卡着卡着就半天过去了。
曼祺_火柴Q: 最近见的一些产品侧的创始人都提到：“K3 很强，但我们没有调用。” 主要原因是，目前 K3 还是相对贵和慢（可能和短期算力受限有关），而且近期发布的 DeepSeek V4-flash 性价比真的太顶了！ 以及一个细节事实是，在 Kimi 的重要股东阿里云上，K3 之前的 Kimi 模型的推理服务供应商都是“阿里云百炼”，即阿里云自己部署了 Kimi 的开源模型，然后在自己的云平台上来提供服务，而 K3 目前在阿里云上的版本是直连的官方 API（推理服务供应商为“月暗之面”。） 大家的感受呢？（如此强的 K3，调用量如何？
0 00
因为周日周一连着重置，今天一天都在消耗 Codex 的额度，分享几个小知识点：
1. Codex 没有用量的时候，不要忘了 Chat 那边你还有特别多的聊天额度，可以问 Codex 怎么调用（session 会有点乱）。
在标准速度、本地消息情况下，Plus 会员的五小时滚动窗口的大致范围：
Sol：约10–100条
Terra：约25–200条
Luna：约250–2,000条
2.一直用 Sol 可能并不是最好的选择，因为速度真的明显慢，记得难题给 Sol，简单题交给 Terra 和 Luna。
3.Sol 消耗额度的速度太快了，而用 Luna 的话用量几乎“不降”了，相同 token 数量下 Sol 消耗的 Credits 是 Terra 的2.5倍，是 Luna 的25倍。
1. Codex 没有用量的时候，不要忘了 Chat 那边你还有特别多的聊天额度，可以问 Codex 怎么调用（session 会有点乱）。
在标准速度、本地消息情况下，Plus 会员的五小时滚动窗口的大致范围：
Sol：约10–100条
Terra：约25–200条
Luna：约250–2,000条
2.一直用 Sol 可能并不是最好的选择，因为速度真的明显慢，记得难题给 Sol，简单题交给 Terra 和 Luna。
3.Sol 消耗额度的速度太快了，而用 Luna 的话用量几乎“不降”了，相同 token 数量下 Sol 消耗的 Credits 是 Terra 的2.5倍，是 Luna 的25倍。
1 00
为什么很多人感觉 Claude 比 GPT更聪明？
有一个非常有价值的第三方实验。
Viktor 在完全相同的工具、workspace、prompt 下测试 GPT-5.6 Sol/Terra/Luna 与 Fable/Sonnet 等模型，最后把差异总结成：
GPT-5.6 tends to under-explore and under-communicate。
Claude tends to over-explore and over-communicate。
也就是说：
GPT 的典型错误是：“差不多够了，交付。”
Claude 的典型错误是：“我再查查，我再解释一点，我顺手再把这个也处理了。”
同一个测试里，Claude 发出的 Slack 回复中位长度大约是 GPT 的两倍，并且往往进行了更多次 Agent 调用；GPT 整体任务速度和成本明显更低。
这其实高度符合两家的对齐哲学。
那么为什么很多人感觉 Claude 比 GPT更聪明？
这是一个很重要的心理学现象。
假设两个模型实际上都知道正确答案。
GPT：
A 更好。主要原因是 X 和 Y。
如果你的目标是 Z，则改选 B。
Claude：
我认为这里真正的问题可能不是 A 和 B 哪个更好，而是你实际上在优化 X 还是 Y。
如果结合你前面提出的约束，我会倾向于 A，不过这里有一个容易被忽略的问题……
第二个答案很容易让人形成：
“Claude 理解我。”
甚至：
“Claude 比 GPT 聪明。”
实际上这里混合了三件不同的东西：
能力深度 + 探索预算 + 表达方式。
用户往往把三者全部感知成“智商”。
这也是为什么 benchmark 只有 1～2 分差异的模型，实际使用感受却可能非常大。
（以上为来自 GPT5.6 Sol 的辩解）
有一个非常有价值的第三方实验。
Viktor 在完全相同的工具、workspace、prompt 下测试 GPT-5.6 Sol/Terra/Luna 与 Fable/Sonnet 等模型，最后把差异总结成：
GPT-5.6 tends to under-explore and under-communicate。
Claude tends to over-explore and over-communicate。
也就是说：
GPT 的典型错误是：“差不多够了，交付。”
Claude 的典型错误是：“我再查查，我再解释一点，我顺手再把这个也处理了。”
同一个测试里，Claude 发出的 Slack 回复中位长度大约是 GPT 的两倍，并且往往进行了更多次 Agent 调用；GPT 整体任务速度和成本明显更低。
这其实高度符合两家的对齐哲学。
那么为什么很多人感觉 Claude 比 GPT更聪明？
这是一个很重要的心理学现象。
假设两个模型实际上都知道正确答案。
GPT：
A 更好。主要原因是 X 和 Y。
如果你的目标是 Z，则改选 B。
Claude：
我认为这里真正的问题可能不是 A 和 B 哪个更好，而是你实际上在优化 X 还是 Y。
如果结合你前面提出的约束，我会倾向于 A，不过这里有一个容易被忽略的问题……
第二个答案很容易让人形成：
“Claude 理解我。”
甚至：
“Claude 比 GPT 聪明。”
实际上这里混合了三件不同的东西：
能力深度 + 探索预算 + 表达方式。
用户往往把三者全部感知成“智商”。
这也是为什么 benchmark 只有 1～2 分差异的模型，实际使用感受却可能非常大。
（以上为来自 GPT5.6 Sol 的辩解）
7 00
逐步生产队的驴化，
努力蹬了半天，codex周额度还剩下5%。
睡觉前、醒来后甚至在五环开车时脑子里都在想着蹬什么，怎么蹬好一点。
最后的25%，全都用来满足好奇心了，毕竟关于这个快速变化的世界的一切，我们都如此熟悉却如此陌生，有太多的关于AI、FDE、我零售、变化、学术的十万个为什么，偏偏想知道的一切知识地图都可以用AI轻松实现。现在的瓶颈很明显就是碳基的大脑了。
特别享受codex研究的严谨性，用5.6Sol做计划，luna做执行，效果有保障而且细节扎实。
最神奇的是由于额度不多，codex竟然自己调用ChatGPT的额度做单次研究（两者额度是独立的），虽然总是出错，但是主观能动次拉满。
努力蹬了半天，codex周额度还剩下5%。
睡觉前、醒来后甚至在五环开车时脑子里都在想着蹬什么，怎么蹬好一点。
最后的25%，全都用来满足好奇心了，毕竟关于这个快速变化的世界的一切，我们都如此熟悉却如此陌生，有太多的关于AI、FDE、我零售、变化、学术的十万个为什么，偏偏想知道的一切知识地图都可以用AI轻松实现。现在的瓶颈很明显就是碳基的大脑了。
特别享受codex研究的严谨性，用5.6Sol做计划，luna做执行，效果有保障而且细节扎实。
最神奇的是由于额度不多，codex竟然自己调用ChatGPT的额度做单次研究（两者额度是独立的），虽然总是出错，但是主观能动次拉满。
0 00