最新发布投稿 申请专栏

More

谁能占据星巴克退场之后的空位？

星巴克把60%的股份卖给中资公司，说明美式文化在中国已经势能下滑了。这是一个微小的侧面，反映出中国顾客不再对美式品牌有先天性的崇拜。星巴克退场后的空位，必然会有一个本土品牌来填补。新一代顾客总是要通过新一代星巴克来展示自己的品味和身份。星巴克升级了咖啡这个品类，在星巴克之前咖啡是一种很普通的食品，和汉堡、面包一样常见，价格通常不会超过1美元一杯。没有人关心咖啡的产地、工艺、情调、制作流程等等，他们只想以低廉的价格买到高性价比的咖啡。咖啡商人的工作是在全球采购最大量、最廉价的原料，然后改进制作工艺、完善物流系统，尽可能降低制作成本。尽力给顾客提供物美价廉的咖啡。在星巴克之后（大约是1990年代）咖啡变成了新的物种：顾客开始关心咖啡的产地、咖啡师的手艺、饮用咖啡的环境甚至咖啡的价值观，顾客们要求咖啡商人要流淌着道德的血液，不能压榨种植咖啡的农民，要捐助环保事业。咖啡变成了一种品味，而不只是一种饮料。咖啡的价格卖到了4美元一杯（是行业平均价格的4倍还多），顾客们也乐于接受。这一切是怎么发生的？为何星巴克能把一种普通的饮料升级为品味的象征？又是怎样在平民化之路上失败的？瑞幸、茶姬和古茗，谁能成为新的替代者？趋势是第一性原理一切都开始于趋势。1950年代到1960年代，美国开始了新一轮的经济繁荣。随着大型工厂的建成和美国实力的遍布全球，数百万的体力劳动者进入城市，成为白领阶层。1965年到1975年，获得四年制大学学历的人口比例增长一倍，占到总人口的20%。成为白领的劳动者存在一个普遍的焦虑：如何表现得像一个真正的城里人，如何向邻居们展示自己的体面和教养。大学毕业的人群对消费有更高的要求，过去那种强调性价比的咖啡已经不符合他们的品味。很自然地，他们不想跟大多数人消费同一种咖啡。就像现在中国的城市白领不会用 oppo、vivo和8848 这些手机一样，他们认为只有华为和iPhone才能代表自己的品味。简单说，就是消费升级带来的品牌机会。星巴克诞生的年代，就是中国当下正在经历的年代，新一代的顾客已经不想喝茶粉和奶粉泡制的杯装奶茶了，他们需要鲜果、鲜奶和刚刚浸出的茶水制成的新式茶饮。万豪酒店、Zara、iPod、七喜、甲壳虫、凯迪拉克等我们熟知的品牌都是诞生在这个时期。福特汽车也是在这个时期到达了自己的巅峰（全球销量占比50%，全国销量占比60%），然后因为误判了趋势把头部位置让给了通用。福特的故事是另一个话题了，我们这里只说趋势的力量。毫无疑问，星巴克把握住了趋势的力量，把自己升级为新一代顾客的标配。在当下的中国，一个合格的中产阶级白领的标配似乎是：iPhone、星巴克和奔驰。她要开着奔驰上班，用着iPhone刷微信，手里还拿着一杯星巴克。新一代的顾客需要升级版的品牌，这些品牌涵盖衣食住行各个方面。如果没有这样的趋势存在，星巴克再多的努力也是白费。如果没有看到正在发生的趋势，星巴克的努力只能停留在小众的圈子里，不会成为现象级的品牌。我们认为战略的核心就是顺应趋势发挥优势。星巴克首先顺应了消费升级的趋势，下一步就是如何发挥自己的优势。星巴克是怎么做到的社会现象的传播是从小众人群到大众人群的，通常是从品味独特的文化精英人群逐渐扩散到一般大众。任何一个现象级的品牌，都是从边缘的小众人群开始的。星巴克也是如此，她没有从注重性价比的冲泡咖啡开始自己的商业之旅，而是诞生于深度烘焙咖啡爱好者人群之中。我们可以把这部分人群当作最核心的小圆A，完全不懂咖啡的人群是C，B则出于二者之间。那么问题来了，哪部分人群是星巴克的主力顾客呢？1960年代后期的美国，处于A区域的美食爱好者发明了一种全新的美食价值观，他们倡导新鲜的、本地的、未经工业加工的食物，他们在自家的农场里捕捉鸭子、从潜水员那里购买刚捞上来的鲍鱼、在附件的山区里采集香草，这种全新的美食实验逐渐成为潮流。同时，他们认为工业化的食物是食品公司、政府和现代工业合谋的结果，是没有品味的象征。这种潮流很快传播到了咖啡行业，在原材料的选择上，他们强调来自不同区域的咖啡豆具有的不同口感，你可以看到来自爪哇、苏门答腊、肯尼亚和哥斯达黎加的各种咖啡。在加工工艺上，他们坚持新鲜烘焙，在冲泡之前把完整的咖啡豆现磨成粉。在口味标准上，他们支持不同人群的不同口味，反对工业化的保准化口味。之前的咖啡是以快捷、廉价的方式喝饮料，现在的咖啡则是以特殊的工艺和流程体会制作咖啡的过程和享受美食的乐趣。成立于1971年的星巴克也是这个趋势的一部分，他们和A区域的人群保持一致，对咖啡的产地、咖啡种植的方式、制作咖啡的工艺都极其讲究。很自然的，星巴克赢得了A区域的美食爱好者的狂热追捧。但是问题在于，美食爱好者的人数还是太少了。大多数顾客没有兴趣去了解种植咖啡的土壤有多少种，对咖啡的口感有什么影响。他们只是想喝一杯能体现独特品味的咖啡。他们处在B区域，对A区域的美食爱好者充满了崇拜，对他们的美食理念极其认同，但是又不可能成为他们。这种现象普遍存在，例如穿着露露柠檬的超级女孩们，不见得每个人都是瑜伽专家。把王老吉当饮料喝的人，不见得都是为了预防上火。购买SUV的主力人群，也不是个个都会在周末去山地越野。穿着耐克的人，也不是全都真的喜欢运动。他们只是在消费那个感觉，而不是真的要做那样的事。他们只是在模仿A区域的人，但并不是真的想成为那样的人。他们是在购买关于咖啡的认知，而不是购买关于咖啡的事实。意识到这一点的星巴克很快做出了改变，他们把A区域事实转化为认知：在咖啡之外的产品包装、门店装修、背景音乐、周边产品上体现纯正咖啡的信息，把埃塞俄比亚当地农民种植咖啡的照片挂在墙上、用当地咖啡的名字命名产品、把创始人出版的书摆在货架上等等。A区域的咖啡发烧友们注重的那些东西成为了营销手段，目的是让B区域的顾客确认自己消费的是足够好的咖啡。事实上，耐克、露露柠檬、农夫山泉们也是这样做的。农夫山泉推出了只送不卖的玻璃瓶装产品，目的并不是让顾客买45块钱一瓶的产品，而是让顾客觉得2块钱的农夫山泉也有45块钱的感觉。耐克请体育明星代言，体现他们刻苦训练的时刻，也不是为了让顾客走上赛场打爆对手，而是传递给他们这种感觉。至于第三空间，只是星巴克成功之后的说辞。任何一个咖啡馆都可以宣称自己是工作和生活之外的第三空间，为何只有星巴克成功了？并且我们认为要对品牌创始人说的所有话保持怀疑态度，因为他们很可能是在做广告，他们也是最不想让人知道品牌成功秘密的人。星巴克撞上了认知的边界墙从A区域扩展到B区域造就了星巴克，那么继续拓展到C区域是不是更好？星巴克试图把自己变得像麦当劳，这个感觉就像是麦当劳在试图把自己变得像华莱士，或者喜茶在试图把自己变成蜜雪冰城。虽然看上去很奇怪，但是星巴克确实这样做了。因为美国的市场已经饱和，资本市场需要星巴克提供新的增长点，星巴克也觉得顾客会买自己推出的所有产品。这实在是一种可怕的自大思维，可见内部思维是不分国界的。就像霸王洗发水也觉得自己的顾客会买霸王凉茶，茅台也觉得顾客会买茅台啤酒。为了吸引 C 区域的顾客，星巴克推出了冰镇咖啡，这种咖啡在冰雪皇后（冰淇淋品牌）店里也有。星巴克修改了拿铁的配方，口味和麦当劳的咖啡很接近。曾经最受B区域顾客欢迎的蒸馏咖啡，也被改造得更加接近 C 区域顾客的口味。从表面上看，星巴克赢得了更多的C 区域顾客的喜欢，但是问题在于：如果顾客能从麦当劳、冰雪皇后甚至雀巢买到同样口味的咖啡，还有什么理由去星巴克呢？业绩不振的时候，一个办法是抄袭比自己价格低的同行，一个是做强自己的优势位置。前者很容易，且短期有效，星巴克选了前者。如果十几万的大众帕萨特和上百万的大众辉腾看起来差不多，那么顾客购买辉腾的理由也会差很多。边界的那一边是麦当劳《品牌定位通识》里提出了品牌定位的底层逻辑：品牌定位三叶草。我们认为品牌要在这三个元素之间找到结合点，并且随着竞争环境的变化调整自己的定位。对星巴克来说，他是什么不是自己决定的，而是竞争对手——雀巢和麦当劳——决定的。当星巴克开启平民化之路的时候，雀巢和麦当劳已经在那里经营多年了。星巴克的平民化之路为何失败，根本原因在于偏离了自己的竞争优势，也低估了竞争对手的势能。重要的是，当它开始降价的时候，就偏离了自己的优势位置。在这个图中的B区域，是星巴克的核心市场，但是他却想把麦当劳的A市场收入囊中。不管有意无意，他都好像假装没有看到麦当劳的存在。星巴克的势能降低有很多原因。有美式文化降温的原因，国内顾客对它不再仰望；有经济转型期顾客收缩虚荣消费的原因；当然也有瑞幸们对咖啡行业的冲击，当一杯9块9的咖啡也可以显得品味不差的时候，星巴克的购买理由就少了很多。如果可以重来，星巴克应该初入中国市场就持续积蓄品牌势能：例如关心提供咖啡豆的中国农民的福利，在门店贴出来自己用了海南具体某地的咖啡，让种植者代言自己的品牌。例如关心中国店员的福利，给他们和美国本土员工同样的股份激励。例如强调咖啡在中国的历史，光绪皇帝和民国文人们对咖啡的喜爱等等。总之：星巴克把60%的股份卖给中资公司，说明美式文化在中国已经势能下滑了。这是一个微小的侧面，反射出中国顾客不再对美式品牌有先天性的崇拜。星巴克退场后的空位，必然会有一个本土品牌来填补。新一代顾客总是要通过新一代星巴克来展示自己的品味和身份。当然这个退场是缓慢的，如今的股份出让只是开启了这个过程。趋势是战略的第一性力量，就像2008年我们知道肯定有一个国产奶粉品牌要冲出来代言本土品牌。对取代星巴克的这个品牌来说，了解它的发家史很重要。了解顾客真正购买的是什么，很重要。顾客购买的是一个寄托在饮品上的文化符号，它可以是对天然食材和生活的向往，也可以是对产品精神的致敬。总之产生溢价的不是物理层面的东西。

10小时前
拼多多主图优化技巧

试问咱们做电商最重要的是什么？问一百个人，估计有一百个答案。那么哪个答案是正确的呢，很难回答。本篇咱讲的是拼多多主图，我的回答就是，你做的拼多多链接，如果想起量的话，主图一定是最重要的。主图做的好，单量蹭蹭跑。主图做的差，单量不会大。那么问题来了，拼多多如何做出一张优秀的主图，亦或是拼多多主图的优化技巧有哪些呢？本篇就给大家讲讲我这几年做拼多多，关于优化主图的一些心得经验。01主图优化技巧一：他山之石可以攻玉据我观察，身边做拼多多的商家里面，真正有审美的没有几个，审美没有的，你觉得能做出高品质的主图吗？就比如我做的某个3C小类目，按我审美出的主图，真的是吊打那个类目的其他商家。这样说吧，搜那个类目，你一眼就能看出哪些链接是我做的，竞品的主图品质跟我做的完全不在一个级别。有的竞品抄我的主图，换成他的品，然后玩低价，就上榜一了。搞得我原创主图的链接都没他单多。看到没，这就是他山之石可以攻玉，我们如果做不出好看的主图，就可以借鉴或者照搬别人做的好的主图。这是拿到结果最稳妥的做法了。怎么去找到别人做的好的主图呢？一是看榜单，榜单上面的链接主图，参考其布局、色调和文案，换成自己的品，输出个相似的图，放上去，点击率也不会差。另外有个点大家可以好好的运用一下：就是起量链接的主图自带流量！仔细揣摩这句话，你会大有收获。如果自己作图都不会，平台还有个更加便捷的借用他山之石的方式，就是机会商品。机会商品里面找同款链接，找到之后发布，主图详情都不用改，只需要改下卖价就可以了。如果你的卖价能比原链接的低，恭喜你，等着爆单吧。02主图优化技巧二：神图是测出来的别看我做过那么多点击率超高的神图，大家以为我做一张爆一张吗？肯定不是的。只能说随着作图经验的提升，做出爆款素材的概率越来越大，但即便如此，我上10张主图，也顶多有一两张爆的，如果是借鉴竞品的概率会更高点，在30%以上。那么我的神图是怎样出来的呢？是测出来的。我的行为习惯是一个款式，首次推广时，会准备5~10张主图，我的测图方式是一个主图一条链接，这样测数据的准确度和效率会高很多。也就是一个品，10条链接，10张主图，开2~3的投产比丢到全店托管去跑。就看哪些链接的点击率在5%以上，把这样的图单独拎出来，再配合转化率高的链接的SKU布局，基本上可以做出点击和转化双高的链接了。而非原创的主图呢，我现在的思路就简单了，直接去某宝搜竞品，然后按照销量排名，找销量靠前的2~3条链接，把他们的主图扒下来，上架到拼多多。这样的操作，像水果类目，点击率都在10%以上，高的还有15%。是不是比自己作图流程要简化很多了。03主图优化技巧三：背景主体文案接下来是实打实的作图技巧了，根据我做过的所有主图，总结出的经验就是，一个主图影响点击只取决于背景、主体、文案，这三个要素。以3C类目为例，背景一般是蓝色、灰色为主，你说自己要搞个红色或者黄色，大概率效果会差一些。因为每个类目有每个类目的主题色，选择正确的主题色作为主图的背景色是做出神图的前提。关于背景还有最重要的一点是不要喧宾夺主，我见过有的运营把主图背景做的花里胡哨，产品倒不醒目了，这种本末倒置的作图思路是做主图的大忌。记住，背景颜色一定要淡，淡到你不说，别人都以为没背景为佳。再说主体，这个相对来说比较简单，产品无非是正面、侧面、仰视、俯视，这几个角度了。如果拿不准，那么就主体正面朝前，基本上不会踩坑。主体对主图的影响不在于角度，在于打光。就像我在拼多多上闭眼入了个7.98的小车车，那主图渲的真的是顶级车模一样。收到货一看，完全的买家秀既视感。大家懂了吧，打光到位了，产品的质感和价格可以翻一倍。其次是文案，文案决定着链接的人群，比如文案说的是超长待机十年，打的是想要续航的买家；文案说的是迈巴赫级牛皮，打的是想要品质的买家；文案写的好，点击率不会低。文案的技巧就是一定要言之有物，不要搞形容词，比如续航很久，体验更好，这样的词，没卵用，要写就写续航十年这种的，当然前提是不能虚标，要符合实际。04主图优化技巧四：神图可以重复用拼多多做链接比其他平台简单，且链接很容易挂掉。对于已经做出的神图链接，轻轻松松挂掉了，是不是很可惜。不用担心，直接同款链接发布相似品就行，或者做新的链接继续用之前测试出点击率很高的图。我做的百货类目就是这样玩的，有的品确实品质不咋样，动不动就死链接了。我又不可能每次起新链接都重新作图吧，就会继续用挂掉链接的主图。经过测试，这样的链接起量真的蛮快的，但是挂掉也是蛮快的。起的快说明，这个图确实还能打，挂的快，说明品的品质真的是不行。然后我会让厂家优化产品，如果品质实在提高不了，就不推这个品了。上述的这个玩法，只能玩个七八次，不能玩太多，那种挂掉链接的素材用久了，店铺就会二级限制，都是血泪的教训。而对于好品的话，链接如果是被截流导致的掉量，直接发布相似品，完全一比一照搬，照样能起得来，这就是神图的魅力。05最后想做出一张点击率很高的图，就2条路，要么借鉴，要么靠经验。其对应了运营的2个阶段，新手不会优化主图，借鉴为主。老司机玩的转主图，靠经验为主。而我的选择呢，怎样效率高，怎样来，一切围绕着快速起量来。

10小时前
今年双十一，怎么这么流行谐音梗广告

今年双11，到目前为止，有点声量的广告，不是哪个品牌打了几折，也不是哪家平台补贴力度有多猛，而是两条听起来有点好笑的广告。一个是淘宝闪购请尼格买提拍广告，广告语是“立刻买提”。这句谐音一出，网友都笑了：“立刻买提，我信了。”名字成了口号，主持人的语气天然带有节奏感，这个简单又上头的梗，让淘宝在一片平淡的双11信息中多了一点记忆点。另一个是美团闪购请明道出镜，广告语是“明道给你指条明道。”一句话，既调侃又聪明。明道的“道”，既是人名，也被延展成“省钱之道”“明智之道”，一语双关，让品牌看起来挺有意思，又让用户会心一笑。今年双 11，在海量的促销信息中，这两个谐音梗广告凭借其趣味性和话题性，在社交网络上引发了一定讨论。在双十一越来越平淡的背景下，它们反倒成了今年大促为数不多的，有点讨论度的亮点。01 谐音梗为啥越来越多了？事实上，早在今年年中外卖大战的时候，饿了么、美团、京东、淘宝就已经玩过一波名字谐音广告大战。饿了么请蓝盈莹代言，打出“蓝的一定赢”；京东找惠英红，主打“红的会赢”；美团请黄龄，广告语是“黄的更灵”。这波围绕颜色和输赢的谐音梗对决，迅速引发了网友的玩梗狂欢，也让品牌获得了巨大的讨论度。谐音梗营销存在已久，为什么在今年又被各大品牌重新拾起，甚至愈演愈烈？●流量红利见顶，争夺注意力成为核心如今，无论是电商还是本地生活平台，用户增长的流量红利早已见顶，市场进入了残酷的存量博弈阶段。那种依靠增长黑客就能带来海量新用户的时代一去不复返。在这种环境下，营销的核心目标从拉新转向了抢夺现有用户的注意力。在海量的促销信息流中，用户的耐心和注意力都是极其有限的。简单、直接、甚至有些魔性的谐音梗，就像一把锋利的钩子，能在用户指尖划过屏幕的1秒内抓住眼球，完美契合了当下短视频和信息流的碎片化阅读习惯。它不需要用户深度思考，就能在最短时间内完成被看到、被理解、被记住的全过程。●低成本，高传播相比那些动辄需要大预算、大制作，强调品牌价值和视觉美学的TVC广告，谐音梗广告的制作周期短，创意门槛相对较低。它的核心在于那个梗本身。有时候，仅仅是一句顺口、巧妙的谐音，就可能在社交媒体上实现病毒式的破圈。从投入产出比来看，这种营销的性价比极高。品牌用相对可控的成本，就可能撬动了用户的主动传播和二次创作。●符合年轻人玩梗文化当下的消费主力军Z世代，是名副其实的互联网原住民，他们成长于梗文化之中，用梗交流，也用梗来划分圈层。品牌使用谐音梗，本质上是在用年轻人的黑话和他们进行沟通。这种放低姿态、主动融入的沟通方式，能让年轻人觉得品牌很懂我、会玩，从而打破心理防线，产生亲近感和品牌认同。品牌不再是单向输出的教育者，而是可以一起开玩笑、一起整活的朋友，这种关系一旦建立，用户的忠诚度会大大提升。●听劝人设，赢得好感近两年，听劝成了互联网上一个非常火的文化现象。一个愿意听取网友建议的品牌，往往能迅速赢得大量好感，并与那些高高在上、自说自话的“老登品牌”形成鲜明对比。有些谐音梗广告的诞生，正是品牌听劝的结果。京东邀请惠英红的案例就是典型，这场营销的缘起，正是网友们在饿了么官宣蓝盈莹后，纷纷跑到京东官微下喊话建议的结果。京东的快速响应，奉献了一场精彩的营销对决，更重要的是，它向外界展示了一个以用户为中心、听得进建议的品牌形象。这种互动让用户感觉自己是营销的共创者，激发了他们的参与感和自发传播的热情。02 谐音梗的后遗症其实，谐音梗广告并不是新鲜事。早在 2018 年前后，网络文化爆发的那几年，广告界就已经玩过一轮，当时我还写过一篇文章，标题叫——《世道品味变差，就是从滥用谐音开始的》。这句话今天看来，依然适用，谐音梗偶尔玩还行，但玩多了，就像一个被反复讲过的笑话，笑点不再，甚至有点尬。长期来看，它也会带来不少问题。●创意易疲劳，保鲜期短起初，消费者或许会为“黄的更灵”和“红的会赢”拍案叫绝，但当层出不穷的谐音梗密集轰炸时，大众的新鲜感很快就会被审美疲劳所取代。过度使用不仅无法再激起波澜，甚至会招致“还在玩烂梗”的负面评价。更重要的是，这类谐音梗营销的保鲜期极短。它的全部价值似乎都凝聚在发布后那几天的社交热度里，当玩梗的浪潮退去，它便迅速被遗忘，很难在用户心中留下深刻的品牌印记。流量来得快，去得也快，这种即用即抛的特性，使得它无法成为品牌长期资产的一部分。●明星契合度的硬伤专业的品牌代言人选择，是一个需要综合考量明星形象、粉丝画像、个人声誉与品牌调性是否契合的系统工程，其结果往往是精挑细选、深思熟虑的。然而，在谐音梗优先的逻辑下，这种专业的考量被大大简化了。选择代言人的首要标准，不再是TA是否能代表我的品牌，而是TA的名字能不能玩梗。这种仓促的选择，很可能导致明星的个人气质与品牌长期塑造的形象格格不入。长此以往，消费者对品牌的认知就会产生混乱，品牌形象的连贯性与一致性将被严重破坏。简单来说，谐音能蹭流量，但不一定能代表品牌。而品牌一旦脱离自己的语境去迎合网络节奏，就很难再回到原来的位置。●可能损害品牌长期价值品牌形象的构建是一个需要长期投入、精心维护的战略过程。它关乎品牌的文化、价值观、产品质量和消费者情感连接。然而，如果品牌在短期流量的巨大压力下，选择了抄近道，试图用一个有趣的谐音梗来博眼球时，它传递给消费者的信号也在悄悄改变：从“这个品牌很有价值”，变成了“这个品牌也在凑热闹”。短期来看，谐音梗确实能带动曝光，但长期看，它可能让品牌形象变得廉价、肤浅、娱乐化。消费者只记得那个梗，却忘了品牌真正的价值与内涵。当所有品牌都在追逐可传播的笑点，反而没人去构建可信任的差异。●市场部价值逐渐削弱最后，这种趋势甚至会反噬到企业内部，对市场营销团队的专业性构成挑战。品牌建设与市场营销是一门复杂的专业学科，它涉及战略定位、消费者洞察、创意构思、媒介策略等多个维度。但如果谐音梗成为高频、营销手段，其他部门的同事乃至管理层可能会产生一种误解：“这种创意我上我也行。”当市场部的工作成果变得如此没有技术门槛时，其存在的战略意义和专业性便会受到越来越多的质疑，久而久之，部门的影响力和话语权也将随之减弱。结语：谐音梗的火，其实是一个信号。它说明在今天的注意力争夺战里，笑点已经成了新的流量密码。但当所有品牌都在抢笑点、拼谐音时，反而让人更想问一句：除了让人会心一笑，品牌还能留下什么？从传播学角度看，谐音梗只是引起注意的手段，而不是建立记忆的方法。真正能让品牌留在用户心里的，不是一个谐音，而是一种共鸣。当用户笑完之后，还能感受到一种理解、共情、甚至价值认同，那才是更高级的传播。所以，谐音梗不是错，而是被用得太多、太浅。它代表了一种低成本赢关注的思路，但品牌如果永远停在这个阶段，就会被算法时代的快感绑架。品牌的终极挑战，在于如何将谐音梗带来的瞬时注意力，转化为可持续的品牌记忆力。这要求品牌具备一种双轨运营的能力：一方面，能娴熟地运用谐音梗这样的轻量化工具参与社交对话，保持在场感；另一方面，必须回到生意的本质，用坚实的产品力、真诚的服务和有延续性的品牌故事，去承接那波由梗带来的流量，并将其沉淀为真正的用户资产。毕竟，消费者可以为“立刻买提“会心一笑，但最终能让他们立刻买单的，永远是产品、服务和价值。

10小时前
“三毛钱”宇宙：亚马逊如何把单位经济学修成“成本复利”

一份被泄露的亚马逊内部文件，为我们揭开了这家零售巨头未来十年增长引擎的惊人秘密。文件的核心并非某项颠覆性的机器人技术，而是一个看似微不足道的财务预测：通过深度自动化，亚马逊预计能在2025至2027年间节省126亿美元的成本，相当于为每一个由机器人处理的包裹，节省约0.30美元。在习惯了以“万亿美金市值”叙事的商业世界里，这“三毛钱”的节省似乎不值一提。然而，当这个数字乘以亚马逊每年处理的数百亿包裹量，再乘以未来十年持续增长的业务曲线时，它便构成了支撑亚马逊下一代商业帝国的宇宙奇点。这背后隐藏着一个冷酷而清晰的商业哲学：在规模效应已近极限的零售业，唯一的结构性增长，来自于对物理世界运营成本的彻底重写。亚马逊究竟看到了一个怎样的未来，才使其愿意以十年为期、投入数百亿美金的资本，去追逐这“三毛钱”的利润？答案是，它看到的不是简单的“机器换人”，而是一场以“成本结构复利”为终极目标的产业革命。这场革命不仅关乎效率，更关乎企业在面对劳动力市场波动、供应链脆弱性以及日益严苛的客户期望时，能否拥有长期的生存权和定义权。要理解这场革命的全貌，我们必须跳出对单一机器人的性能迷恋。亚马逊正在构建的，是一个庞大生命体——它有自己的战略思想、系统骨架和进化机制。本文将从三大核心视角——“战略棋局”、“系统引擎”和“数字飞轮”——全面解构亚马逊构建这台“自动机”的完整蓝图。这不仅是对一个商业巨头的深度剖析，更是为所有身处物理世界、寻求结构性增长的企业家，提供的一份关于未来的行动指南。战略棋局——用资本与时间，设计一场“必胜”之战地亚马逊的具身智能战略，是一场精心设计的“战略棋局”：它并非简单地在技术、产品或运营层面进行线性投入，而是通过对“时间”、“资本”和“风险”这三个核心要素的非对称运用，从一开始就为自己构建了一个几乎无法被逆转的优势格局。这场棋局的本质，是在物理世界的自动化竞赛中，提前锁定胜势。收益曲线的设计：一条从“增强”到“替代”的确定性路径亚马逊在公开场合的叙事，与其内部战略文件的规划，呈现出一种深思熟虑的“二元性”。对外，亚马逊始终强调机器人旨在“增强”（augment）员工，让工作更安全、更高效。然而，对内的长期目标却清晰地指向大规模的“自动化替代”（automate），其战略文件明确提出要“拉平招聘曲线”，预计到2033年将因此避免超过600,000个新增岗位的招聘。这并非矛盾，而是亚马逊为这场变革精心设计的收益曲线：一条从“增强”平滑过渡到“替代”的确定性路径。在曲线的前半段，“增强”策略扮演了至关重要的多重角色。首先，它带来了立竿见影的运营收益。通过引入协作机器人处理那些“卑微、单调和重复”的任务，亚马逊在不颠覆现有流程的情况下，显著提升了生产效率并改善了工作安全。其次，这种“人机协作”的温和姿态，极大地缓解了来自员工、工会乃至社会舆论的变革阻力，为更深度的自动化赢得了宝贵的时间与空间。但其最隐秘也最具战略价值的目的在于，“增强”阶段是为最终的“替代”阶段进行数据采样的训练场。数百万小时的人机交互数据，包含了机器在真实、复杂环境中遇到的几乎所有边缘案例（corner cases），这些数据是训练下一代更自主、更通用AI模型的无价之宝。当这条曲线进入后半段，亚马逊的长期战略意图便浮出水面。随着数据积累与模型迭代，机器人的能力边界不断拓展，从处理标准化任务，到逐步接管需要更复杂决策和精细操作的环节。此时，“替代”便成为一个自然而然的商业选择，其背后是对冲劳动力市场风险、重塑公司成本结构的冷酷而理性的商业计算。亚马逊的实践为我们提供了一个关键启示：自动化转型不应是一场“革命”，而应是一场“演化”。企业需要设计的，是两条并行的路线图：一条服务于当下12-24个月的“增强”路线图，聚焦于替换那些“脏、累、险、重复”的动作环节，快速获得正向现金流；另一条则是着眼于未来36-60个月的“替代”路线图，逐步将核心作业流程（如流转、抓取、分拣）设计成标准化的、可被机器完全接管的工作单元，为未来的“无灯化”运营预留技术与组织接口。研发罗盘的设计：用“四轮驱动”的投资组合对冲不确定性面对具身智能这样一个充满技术不确定性的前沿领域，亚马逊并未将赌注押在任何单一路径上。相反，它构建了一个由“收购、投资、自研、专利”构成的“四轮驱动”研发体系。这个体系如同一部精密的罗盘，在引领方向的同时，系统性地对冲了未来的风险。战略性收购是其最果断的“外科手术式打击”。2012年斥资7.75亿美元收购Kiva Systems，便是一次教科书级别的操作。其核心价值不仅在于获得了革命性的“货到人”技术，更在于亚马逊随即将其从市场上“移除”，迫使所有竞争对手的技术路径戛然而止。这一招“战略性禁运”为亚马逊赢得了长达十年的行业技术真空期，使其得以从容地将领先优势从“一步”扩大到“一代”。前瞻性投资则扮演了“技术雷达”的角色。亚马逊于2022年设立的、规模达10亿美元的工业创新基金（AIIF），系统性地投资于机器人技术的前沿领域，如Agility Robotics（双足人形机器人）和Mantis Robotics（先进操纵）。这不仅让亚马逊得以分享全球最前沿的创新成果，更重要的是，它将自己置于全球工业创新的中心，确保在下一波技术浪潮到来时能够率先捕捉并整合最有价值的创新。内部攻坚由Amazon Science部门承担，专注于解决那些尚无成熟商业方案、非共识的、决定未来的核心技术难题，例如用于多机器人全局路径优化的生成式AI基础模型DeepFleet。系统性专利布局则为其构筑了最后一道防御性壁垒。自收购Kiva以来，亚马逊的机器人相关专利组合增长了28倍，其重心已从基础的机械自动化明显转向人工智能（专利增长23倍）和计算机视觉（专利增长3.3倍）。这条清晰的专利演进曲线，不仅保护了其核心知识产权，更揭示了其从“会动”到“会看、会思考”的技术战略演进。这个“四轮驱动”的研发投资组合，确保了亚马逊在变革的每一个阶段，都能在确定性与不确定性之间取得最佳平衡。系统引擎——超越效率，重写物理世界的运营法则如果说“战略棋局”定义了亚马逊在这场变革中的必胜之心与路径选择，那么其“系统引擎”则揭示了其赢得胜利的核心方法论。亚马逊的创新，本质上不是在现有的运营流程上“叠加”机器人，而是以一种近乎“重写物理学”的决心，从第一性原理出发，以“系统性密度”和“运营节律”为核心，对物理世界的空间、流程与人机关系进行彻底重构。这是一个旨在构建“终极运营负熵体”的宏大工程。核心法则1：“系统性密度” > 设备数量传统观点认为，增加机器人数量即可提升效率。而亚马逊的实践证明，一个更底层的变量——“系统性密度”——才是决定运营效率上限的关键。它追求的是在单位空间、单位时间、单位成本下，实现“有效产出”的指数级提升。真正的效率飞跃，来自空间、流程与节拍的联动重构，而非机器人的简单堆砌。空间密度的革命始于Kiva系统。通过取消仓库内固定的人行通道，代之以动态规划的机器人路径，Kiva将库存存储的有效空间利用率提升了数倍。而2023年推出的新一代集成系统Sequoia，则将这一理念推向了新的高度。它通过引入龙门架（gantry system）进行垂直空间的作业，将存储密度再次提升。流程密度则体现在对作业环节的极致压缩与整合。在传统仓库中，“入库、存储、拣选、整合、包装、出库”是线性且分散的流程。而Sequoia系统，通过将移动机器人（AMR）、龙门架、机械臂（如Sparrow）和符合人体工程学的工作站融为一体，将多个环节压缩在一个高度协同的“最小闭环作业单元”内。在这个单元里，AMR负责将标准化的容器（tote）从存储区运至龙门架，龙门架将其精准送入工作站，员工完成拣选后，Sparrow机械臂立即对剩余商品进行整合，再由AMR运走。整个过程无缝衔接，几乎消除了所有无效的等待和搬运。其结果是惊人的：库存入库速度提升了75%，订单处理时间缩短了25%。这种以“容器标准化”为通用语，以“最小闭环作业单元”为基本模块的思路，为我们提供了极具价值的启示：自动化改造的起点，不应是采购机器人，而应是流程的标准化与模块化。先在一个“岛”内，通过流程重构实现极致的密度与效率，然后才能将这个成功的单元作为“乐高积木”在整个网络中快速复制，最终形成“群岛”效应。核心法则2：“运营节律”是隐藏的生产力如果说“系统密度”是对物理空间的重构，那么“运营节律”则是对时间的重构。在一个拥有超过一百万台机器人的复杂系统中，系统的总效率并不取决于最快的机器人跑得多快，而取决于最慢的那个瓶颈环节。因此，“节拍时间”（Takt Time）与“瓶颈位置”成为比亚马逊任何一款机器人代号都更具价值的核心变量。这正是亚马逊开发DeepFleet这类生成式AI基础模型的深层原因。它扮演的角色，是整个履约中心的“交通大脑”与“节拍器”。通过分析海量的历史与实时数据，DeepFleet能够像一个精于“约束理论”（Theory of Constraints, TOC）的资深运营专家，动态地识别出当前系统中的瓶颈所在——可能是一个拥堵的交叉路口，一个等待时间过长的拣选站，或是一组任务分配不均的机器人车队——并提前进行全局路径优化和任务调度，从而避免瓶颈的发生。这项看似微小的优化，带来了系统级的“时间红利”。根据亚马逊公布的数据，DeepFleet的应用已将机器人车队的平均行驶时间减少了10%。在一个7x24小时不间断运行的庞大网络中，这10%意味着更快的订单响应、更低的能耗，以及更高的资本回报率。对于追求卓越运营的企业而言，必须建立自己的“节拍看板”。这个看板监控的，不应是单个设备的运行速度，而应是跨工位的节拍匹配度、队列长度、在制品（WIP）水位等系统级指标。通过数据驱动的方式，持续地识别、管理并优化动态漂移的瓶颈，才能在时间的维度上，挖掘出隐藏的、巨大的生产力。组织再均衡：从“去人化”到“岗位结构重塑”随着“系统密度”与“运营节律”的持续优化，机器将接管绝大多数（99%）的标准化、重复性工作。这并不意味着人将完全退出舞台，而是人的价值将从“动作的执行者”全面转向“异常的治理者”与“系统的优化者”。自动化带来的不是简单的“去人化”，而是一场深刻的“岗位结构再均衡”。这场再均衡将重塑企业的人才金字塔。位于底层的、大量的纯体力劳动岗位将被大幅削减。与此同时，金字塔的中端和高端将急剧增厚并涌现出全新的工种：设备健康管理员与维修技师：负责保障庞大机器人军团的稳定运行。流程工程师：持续优化人机协作流程与工作站布局。远程处置与异常处理专家：在控制中心处理机器人无法自主解决的“1%的异常”。数据分析师与编排策略师：通过分析运营数据，调整和优化机器人调度算法与工作流。亚马逊为此投入了巨额资金用于员工的再培训，并设计了从一线操作员到设备技师，再到流程工程师的职业晋升通道。这背后是一种清醒的认知：自动化系统越强大，那“1%的异常”对客户体验和运营成本的影响就越致命。未来，企业最核心的人才竞争力，将体现在其“异常治理”的能力上。因此，构建与之匹配的“学徒制”培训体系、多职等的职业发展通道，以及将员工技能矩阵纳入智能排班系统，将是企业在自动化时代赢得人才战争的关键。数字飞轮 —— 构建在云端的、永续进化的“机器人大脑”如果说“系统引擎”是亚马逊自动机的物理骨架，那么“数字飞轮”则是其永续进化的灵魂。亚马逊最深、最难以被复制的护城河，并非源于任何一款特定的机器人硬件——那些终将被模仿和超越——而在于其构建的一个将物理世界的粗糙运营，与云端世界的精妙智能无缝连接、并进行自我强化学习的闭环生态系统。这不仅是一个技术平台，更是一个为物理世界打造的、拥有“具身大脑”的操作系统。 “数字骨干”：从采购设备到治理平台亚马逊的压倒性优势，根植于一个深刻的认知转换：机器人只是终端，平台才是利润池。企业采购逻辑的核心，必须从“设备选型”转向“平台治理”。任何孤立的、无法被统一调度和持续升级的自动化设备，都只是“固定资产”，而无法成为“增长引擎”。这个平台的核心，便是亚马逊的“数字骨干”——一个完全构建于亚马逊云服务（AWS）之上的机器人技术栈。这个技术栈为全球超过一百万台机器人提供了端到端的神经网络与操作系统：通信与数据采集（AWS IoT Core）：边缘计算与部署（AWS IoT Greengrass）：AI模型开发与训练（Amazon SageMaker）：模拟与测试（AWS RoboMaker）：这个由AWS服务构成的“数字骨干”，将不同品牌、不同形态的机器人抽象为统一的、可被软件定义的“资源池”。这意味着亚马逊可以像管理云服务器一样，对全球的机器人进行热插拔、弹性扩容和故障隔离。这种平台化的治理能力，才是亚马逊能够驾驭百万级机器人军团、并保持极高运营效率的根本原因。对于正在进行自动化转型的企业而言，首要任务不是决定购买哪家品牌的AMR，而是定义一套开放的、以“中立编排器”为核心的接口标准与数据协议，确保未来的任何硬件投资，都能无缝地接入这个统一的“操作系统”之中。“第二生产线”：仿真即研发，更是安全在亚马逊的体系中，仿真平台（如AWS RoboMaker）的战略地位，被提升到了前所未有的高度。它不再是研发流程中的一个辅助测试工具，而是与物理世界并行的“第二生产线”。物理世界试错的成本是极其高昂的——一次碰撞可能导致数小时的停机，一次错误的算法部署可能引发整个仓库的拥堵。而大规模的并行仿真，则以近乎零的边际成本，为亚马逊提供了无限的试错空间。这条“第二生产线”的核心价值体现在三个层面：首先，加速研发迭代。新的机器人控制策略或车队调度算法，可以在数千个虚拟仓库中，用一天时间就跑完物理世界里需要数月才能完成的测试里程，从而将创新速度提升一个数量级。其次，覆盖长尾异常。物理世界难以复现的极端工况、恶意干扰甚至传感器欺骗等场景，都可以在仿真环境中被系统性地生成和测试，从而极大提升系统的鲁棒性。最后，也是最关键的，保障运营安全。仿真平台成为了任何软硬件变更上线前的“最终守门人”。任何一项新的迭代，无论大小，都必须在仿真环境中通过严格的“安全阈值、效率阈值、鲁棒性阈值”三重验证，才能获得进入物理世界的“通行证”。这种将仿真作为上线前置条件的纪律，是亚马逊能够在人机混杂的复杂环境中，将安全从一种被动的“物理围栏”转变为一种主动的、可预测的“算法保障”的关键。“具身大脑”：面向2030的终极武器“数字飞轮”的终极形态，是为整个物理世界操作系统，装上一个真正的“具身大脑”。这正是亚马逊以及全球人工智能领域正在发生的、最激动人心的变革：让大模型“走入”物理世界。传统的机器人智能，往往是针对特定任务的专用模型，泛化能力极弱。而以多模态基础模型为代表的“具身大脑”，则试图将语言理解、视觉感知、物理交互乃至常识推理，统一到一个模型之中。亚马逊在该领域的探索已初见端倪：DeepFleetSparrowVulcan这些探索清晰地指明了未来的技术方向：优势将不再仅仅属于拥有更多数据的公司，而属于那些拥有最多样化、最高质量、且经过多模态关联的“可用于训练的真实世界数据”的公司。视觉、力、轨迹、语言指令、异常标签……这些来自物理世界一手交互的数据，是训练下一代“世界模型”（World Models）的战略性燃料。因此，对于有志于在未来十年占据领先地位的企业而言，今天的核心任务，是提前布局这些数据的采集、标注、许可与合规体系。因为谁掌握了这些数据，谁就掌握了训练未来“机器人大脑”的主权，也就锁定了在这场物理世界智能化战争中的最终优势。结论亚马逊的故事，是一个关于未来的寓言。它告诉我们，物理世界的竞争，正在被数据和算法彻底改写。对于我国的企业家、创业者而言，在思考这场变革的终局时，以下三条判断或许至关重要：自动化的核心不是“人少不少”，而是你的“成本结构与运营节律，能不能实现复利式增长”。未来的竞争优势，不取决于你拥有多少台机器人，而取决于你拥有多少“可用于训练的真实世界数据”和多强的“现场编排能力”。行动次序至关重要，它决定了变革的成败：“先把流程数字化，再把异常结构化，最后才把动作自动化。”终局之战，在于运营熵。在这场旨在构建“终极运营负熵体”的战争中，胜利将属于那些能够以更低的熵、更快的迭代速度，去驾驭那台看不见的“数字底盘”的长期主义者。

10小时前
泡泡玛特被员工吐槽太贵，为何年轻人却排队买？

泡泡玛特正在经历一场略显尴尬的直播风波，公司员工在直播镜头前吐槽“79元的盲盒产品太贵”，这段直言不讳的大实话在网络上迅速发酵，引发了激烈的两极讨论。理智的网友指责这是赤裸裸的品牌溢价，质疑其割年轻人韭菜；而另一部分人却带着一种心照不宣的共鸣：贵是事实，但我下次还是会买。这引出了一个核心问题：在消费普遍理性化，追求性价比的今天，为什么像泡泡玛特这样的品牌，依然能吸引大量年轻人心甘情愿地支付高额溢价？它暴露了当代年轻人深层的消费心理，在理性消费降级的世界里，情绪才是新的奢侈品。泡泡玛特的成功，本质上是一门情绪生意的成功，它的核心价值早已脱离产品功能，转而占领了情绪满足的高维度。1. 盲盒逻辑：随机性与稀缺性情绪叠加盲盒的核心驱动力在于随机奖励机制，利用间歇性强化，让每一次购买都伴随着对隐藏款的期待。这种期待激活了大脑中的多巴胺，带来一种令人上瘾的即时满足和情绪高潮。同时，隐藏款和限定款制造了稀缺感，这种稀缺性不仅推高了价格，更重要的是赋予了收藏者一种超越普通消费者的身份认同。这种私人情绪体验随后迅速转化为社交货币：拆盲盒、晒隐藏款、找人交换，情绪在社交传播中被放大，产品的价值也随之水涨船高。2. IP是精神防线：为焦虑灵魂提供治愈泡泡玛特精准拿捏了年轻人的情绪需求，在学业、职业、生活压力空前的社会中，Z世代渴望逃离和被治愈。泡泡玛特旗下的Molly、Dimoo等形象，凭借圆润、可爱的治愈系符号，成为了年轻人在焦虑社会中寻找的情绪避难所。年轻人购买的不是一个塑料制品，而是向一个有温度的、可以投射情感的虚拟朋友买单。他们赋予IP形象以孤独、叛逆或治愈的投射。这种情感联结，极大地增加了产品的心理价值。这是对当前消费趋势最核心的洞察。当经济环境普遍趋冷，所有企业都在内卷性价比时，为什么高情绪价值产品却能逆势而上？1. 现实越冷，情绪越贵我们需要正视，消费降级的准确定义，并非指年轻人不花钱了，而是指他们变得更加精明和挑剔，将有限的预算花在能带来最高边际效用的地方。当宏观经济环境带来的焦虑无法解决时，个体需要一种低成本、高效率的自我犒赏和情绪掌控感。花几十元或上百元买一个盲盒，相比买房、买车等巨额消费的压力，这是一种可控的、短暂的、立竿见影的快乐。人们愿意花钱，买的不是玩具，而是一种可以被自己掌控的情绪瞬间。焦虑、孤独和压力是现代社会的刚需，如同古代人买香火求平安，现代人购买高情绪价值产品，是在给自己焦虑的灵魂充值。现实越是冰冷，能提供温暖的情绪价值就越是昂贵。因此，降级不是不花钱，而是把钱从功能性消费转移到了情绪性消费。2. 从功能溢价转向情绪溢价这种消费的迁移体现为从功能溢价到情绪溢价的转变。在过去，品牌的溢价来自于功能、品质、稀缺的原材料，我们称之为功能溢价。而今天，品牌的溢价则越来越多地来自于故事、态度和情绪链接，即情绪溢价。功能消费时代的消费者关注产品值不值，动机是解决实际问题；而在情绪消费时代，消费者关注的是体验爽不爽，动机是缓解情绪、自我表达。这要求品牌的竞争从单纯的品质、价格，转向故事、态度和IP化人格的塑造。营销重点也必须从卖功能、卖配置，转向卖共鸣、卖人设。品牌的共情能力，已经成为新的护城河。我们可以通过对比来看，优衣库卖的是基础款的理性、高性价比；而泡泡玛特卖的则是感性、抽到隐藏款的刺激和自我治愈。泡泡玛特的成功，给所有追求高利润和高溢价的品牌提供了清晰的模板。它提醒我们，在商业竞争的下半场，谁能掌握情绪密码，谁就能掌握年轻人的钱包。产品设计：把情绪纳入产品打造产品本身必须成为情绪的载体和发射器，它不只是一个物，而是一个情绪的容器。泡泡玛特用IP形象的眼神和表情传达共鸣，让用户感受到孤独或治愈。所有品牌都要反思，你的产品是否自带情绪传播的基因？比如乐高并非仅仅销售塑料积木，它贩卖的是创造的乐趣和专注的治愈感。其高溢价源于其产品设计带来的沉浸式体验，让成年人在搭建过程中获得一种对世界的微观掌控感和自我价值实现的情绪。这种深度的心理满足，远超积木的材料价值。品牌人格：用故事赋能IP化人格品牌必须有态度，无论是积极乐观、丧萌治愈，还是专业严谨。这种态度要贯穿产品、包装和社媒互动，因为IP化人格是当代年轻人最容易共情的方式。例如，瑞幸咖啡的成功，除了性价比，更在于其职场幽默和反内卷的态度，精准捕捉了年轻白领的焦虑情绪。泡泡玛特卖的则是治愈孤独的情绪，让用户感到自己的情绪是被理解和接纳的。营销闭环：情绪营销三步法真正成功的品牌，能够建立一个自我驱动的情绪营销闭环，将产品与用户的情感需求紧密绑定。这个闭环可以拆解为以下三个核心步骤：第一步，唤醒情绪通过精准的内容、视觉符号或场景设定，激活目标用户心中潜藏的、尚未被满足的焦虑、孤独、渴望或惊喜感。产品必须成为用户内心某一痛点的反射。比如泡泡玛特推出SKULLPANDA系列，其形象带着一丝颓废和疏离感。这并非单纯的可爱，而是唤醒了 Z 世代面对高压生活时普遍存在的情绪反叛和孤独感，让用户感到终于有一个形象在替他们表达这种复杂的情绪。第二步，放大共鸣将这种被唤醒的私人情绪通过品牌活动、社交话题或群体互动转化为强烈的社群共鸣。让用户意识到：我不是一个人在焦虑或快乐。泡泡玛特在特定节日或节点（如年末、毕业季）推出限定主题盲盒，并鼓励用户晒出自己的收藏品，讲述自己和盲盒人物的故事。这种行为迅速在微博、小红书等平台形成晒娃文化。这种分享行为将个体的抽盒乐趣，放大成了群体的身份认同，共鸣被迅速加强。第三步，制造参与建立机制，鼓励用户主动参与到产品的生命周期中，让情绪得到表达和持续释放，并最终自发传播，形成新的循环。泡泡玛特开放和鼓励二手交易和交换社群。玩家为了集齐整套或追逐隐藏款，必须不断参与到寻找、交易、交换的活动中。这种持续的参与行为，让用户不再仅仅是消费者，更是产品和社群的运营者，使得情绪价值得以长期锁定，并源源不断地创造新的购买需求。我们必须正视一个事实：年轻人的消费，看似冲动，实则是一种深度理性选择下的自我疗愈。他们清楚地知道盲盒贵，但他们更清楚，在充满不确定性的世界里，花钱买一个可以被自己掌控的快乐瞬间，是一种高效率、低风险的情绪投资。泡泡玛特的盲盒里，藏着的不仅是玩具，还有这个时代年轻人的孤独、压力和渴望被理解的隐秘需求。真正掌握情绪经济的品牌，不是在贩卖产品，而是在贩卖理解。只有理解情绪溢价的真正价值，才算真正理解了当代年轻人，才能打造出真正能穿越周期的，拥有高价值的品牌。

1天前
brief是什么

前言brief，中文意思为简报，在广告公司一般叫创意简报，因为甲方找广告公司一般是做创意工作，所以，brief就叫创意简报，如果甲方找咨询公司做战略工作，那么，brief就应该叫战略简报。不管是创意简报，还是战略简报，brief都可以统称为工作简报。PART01 明确任务甲方给乙方下brief，首先需要明确任务。比如：设计一张海报、策划一次整合营销活动。PART02 共享信息甲方给乙方下brief，不能只告知任务，而不共享信息。比如：设计海报，甲方需要共享产品卖点、沟通对象、创意偏好、媒介投放等信息，方便乙方开展工作。PART03 多方共识甲方给乙方下brief，告知了任务，也共享了信息，但还不够，还必须达成甲方内部、甲乙双方、乙方内部的多方共识。比如，设计海报，甲方领导的要求和下级的理解可能不一致，甲方的要求和乙方客户经理的理解可能不一致，乙方客户经理的传达与文案和设计的理解可能不一致，只要有一个环节没有共识清楚，就注定会浪费时间。综上brief，即工作简报，本质是所有项目参与者关于工作任务的信息共享和共识。

1天前
最近做GEO，有四个实践经验想分享

GEO时代确实来了。当然，我不是分享GEO的重要性，我想分享最近团队在GEO领域的一些实践发现，一共有四个。标题是门槛，标题没搞定，内容再好也没用！在实践中，我们发现一个现象：一篇高质量文章，有时抵得上 1000 篇“堆出来”的内容。因此，答案并不是单纯依靠堆量就能“打动”AI 平台。什么决定了 AI 愿意引用某篇内容？最核心的一点是：内容质量。很多朋友认为，高质量内容需要逻辑严密、细节丰富、数据充分，如果还有权威机构背书就更好了。这些观点没有问题，但在讨论这些要素之前，有一个“门槛级”的关键点需要先跨过去——标题。一个好内容必须搭配一个好标题。没有好的标题，再好的内容也无法被推荐，因为 AI 在匹配内容时，首先看的是标题。为什么标题如此重要？因为 AI 的本质依然是搜索引擎框架，背后有类似“蜘蛛”的爬虫机制，会抓取互联网上的内容。它并不会在抓取后立即阅读，而是在用户提问时，先根据问题拆解关键词，然后将关键词与它数据库中内容的标题匹配。注意，它不是先匹配正文，而是先匹配标题。只有标题相关，系统才会进一步阅读内容并输出答案。举例来说，一个用户问：“我想买一台适合旅游、轻便、画质好的相机”，系统会提取关键词，如“旅游相机”“轻便”“画质”。这些关键词必须能在你标题中匹配到，否则 AI 就不会引用这个内容。但你可能会问，一篇文章只有一个标题，不可能面面俱到。如果标题是“旅游用照相机推荐”，但用户问“拍人像”，是不是这篇文章就不会被 AI 选中？确实如此，文章可能不会被选中深入阅读。怎么办？再发一篇“人像照相机推荐”。要把用户可能问到的主要问题全部列出来，根据问题建立标题，再基于标题做内容。因此标题是第一重要的。内容的播放量、阅读量、互动量，没用！很多人担心内容发布在抖音、微信、知乎，阅读量不大、点赞少、互动少，AI 会不会忽视？内容权重是不是比热门内容低？答案是，并没有劣势。我们发现内容的播放量、互动量，对AI平台检索内容本身似乎没有特别的作用。也就是说，一个内容互动量很多，AI还是会觉得这篇内容不重要；一个内容互动量少，阅读少，播放少，但没关系，它还是有可能被AI引用。核心是什么？AI目前并不关注互动和播放，而是关注内容本身的匹配性。也就是我刚才说的，标题匹配性非常重要。标题匹配完了以后，AI会再看具体内容是不是能够回答用户的问题。用户问题会转成关键词，关键词会去跟海量的标题做匹配，匹配上的内容，AI会通过精度判断是不是能回答用户的问题。因为AI会做精度，因此你的内容显然要言之有物，才有机会被引用被推荐，而给内容去刷量，对GEO没有帮助。本质上 AIGC 很大程度就是要做好内容营销。官网比过去重要多了！如果你是品牌，请一定要关注官网。官网在目前AI引用中的权重比较高。如果你是跨境电商或者跨境生意，更要注意官网。像ChatGPT这样的平台给官网的权重非常高。所以官网也要充满着高质量的内容。今天官网不再只是给人看的，很多品牌向的官网其实人看的不多，流量很少，但AI会看。所以官网的重要性因为AI的出现一下变得非常重要。官网应该怎么优化？两个层面。第一个是内容优化。我看到很多客户的官网做得很漂亮，大部分都是图片互动视频，但问题是文字太少。有朋友说文字太少没事，因为AIGC是多模态，能看懂文字、图片、视频。其实不是这样，因为目前处理文字还是AI最成熟的。所以如果你的文字内容丰富且言之有物，AI更愿意看文字。所以官网要先把文字做好，再让蜘蛛抓取。关于蜘蛛抓取相关的部分是传统的SEO，不多讲，但官网价值陡然增加是真的。头部媒体才有效？不是这样！内容做好了以后放哪里？总不能全放官网吧，而且光有官网也不够。内容肯定是要分发到更多的媒体去的。那么必然就有一个问题，要选择什么样的媒体分发才会被AI重视？有朋友认为要放SEO权重高的网站，AIGC权重也会高。我们实际发现不完全如此。首先AIGC不会太考虑媒体网站角度的SEO权重。也有朋友认为影响力大的媒体效果大，比如人民网、新华网等，不能说这些媒体没用，确实也有用。不过，我们测试过，很多小型的公共媒体，效果也非常好，甚至更好。我们认为AIGC并不是只采用头部媒体的内容的。具体是哪些媒体我不太方便直接点名，但是亲测很多小型媒体管用！所以，我觉得核心还是内容要足够好，要能够匹配用户的问题。最后，还要强调：因为AI没法辨别真内容和假内容，所以品牌做GEO一定要把道德放第一位，一定要提供真实可信内容，不能误导甚至欺骗 AI 去阅读和推送，这是非常危险的。GEO本身没有好坏，但我们的约束只有一个，就是只能把真实、正确、符合社会价值观和品牌价值观的内容，在AIGC平台上，推荐给普通的用户。

1天前
AI系列（四）：一个案例讲透多智能体应用

本文目录：选择：单智能体vs多智能体多智能体架构：中心化or去中心化专家agent：通才还是专才(含案例讲解）跨agent路由机制：有点套路 (含案例讲解）过去三年间，技术范式、产品范式和商业模式都发生了关键转变。一个是技术范式的转移。过去以“预训练+SFT（监督微调）”为主，强调高质量数据标注与人工指令优化，让模型学习并模仿人类提供的标准答案。而现在，新范式开始转向“预训练+RL（强化学习）”的闭环方式，基于预训练构建的模型世界观为其注入价值观和方法论，通过人类反馈或自动化的奖励信号来实现自我优化。一个是产品范式的切换。AI应用从早期的对话交互，转向具备主动执行力和上下文记忆的Agent（智能体）。过去产品形态的核心是问答与聊天，用户输入提示，模型生成文本，价值点在于信息的组织与呈现。但现在以及更长远的未来，产品形态的核心是感知-决策-执行，价值点不再局限于说了什么，而是做了什么。 Agent(智能体)成了AI行业新的叙事主体。一个是商业模式的转变。过去很多AI企业的商业模式以API服务计费为主，通过API打造生态，拓展模型能力的使用边界。现在越来越多的模型厂商会直接下场做“一方产品”，一方面便于测试与验证底层模型的通用性，一方面能直接掌握用户与数据反馈，打造品牌与商业闭环，进而增强生态议价权，比如 ChatGPT Plus、Claude Pro、Kimi Pro 等订阅业务都能直接带来现金流。而这些变化的背后，都离不开一个核心问题：单模型性能的边际提升正在快速递减，单一模型的性能天花板开始显现。与之对应的是，把模型用好用巧，在AI系统工程架构上的创新，尤其是基于大模型建构的智能体应用，成了新的市场焦点。一、单智能体vs多智能体？AI 智能体是一个以语言模型为“大脑”，通过“规划”来拆解目标，利用“记忆”来保存经验，借助“工具”来突破边界，并通过“行动”来影响环境的自主任务执行系统。AI 智能体的基本运作原理是：目标——>观察——>行动，行动会影响环境，继而产生新的观察。循环往复，直到达成目标。基于上述核心循环，可以将AI Agent用如下公式表示：AI Agent=LM x（规划+记忆+工具+行动）。「LM」，是智能体的大脑，可以是任何大小的小型/大型语言模型，一般会根据特定agent架构的需求进行微调，具备强大的语言理解、生成、逻辑推理和知识库能力；「规划」，是智能体的策略制定能力。本质是将复杂目标分解成子目标，将复杂任务分解成一系列可执行的子任务或步骤；「记忆」，一般分为短期记忆和长期记忆，是智能体的经验储存库。短期记忆，适用于当前对话的上下文学习，也特指工作记忆或上下文窗口，能保证智能体进行连贯的对话，一般受限于模型的上下文窗口，对话一旦超出该长度，最早的信息就会被挤出去。长期记忆，通常是一个外部的、可存储和检索的数据库，用于存储跨不同对话的关键信息，能让智能体了解你、记住你的偏好并积累经验。在后续的任何一次对话中，系统可以通过RAG（检索增强）从中搜索与当前问题相关的记忆，并将其作为上下文的一部分注入给模型；「工具」，是能力边界和行动范围的扩展，是agent的手脚。任何可以被定义接口、能被调用的能力，都可以被视为“工具”。而使用工具=调用函数（function calling），这就要求开发者搭建桥梁，将工具指令转化为实际的函数调用。比如，通过联网搜索和数据库查询，Agent能获取实时与专有信息，打破模型固有的知识截止限制；再比如，Agent可以通过API调用操作各类软件，从发送邮件、更新CRM，到在飞书中发布消息，真正融入企业的工作流。「行动」，是智能体执行任务的过程，它根据模型的推理和规划，具体调用工具或生成回应，并负责最终把结果以语言/操作的形式输出给用户。简言之，「规划」和「记忆」是认知层，「工具」和「行动」是执行层，认知层和执行层的闭环互动，构成了智能体自主应对复杂挑战的核心循环。而当单个agent具备了强大的行动与规划能力后，产业的想象力便自然延伸到下个阶段——多智能体（Multi-Agent）系统。的确，单agent可以很好地服务于目标明确、责任集中、决策流相对简单的任务，架构部署简单，无需处理智能体间的通信协议，且决策更高效，响应延迟低。但结合前文提到的公式，单智能体的能力受限于核心大脑（主模型）的知识，即便你在认知层和执行层有充分的支持，核心模型的任何错误都会直接导致任务失败。且即使你可以调用多个工具，你核心的规划和推理过程是串行的，很难并行处理多个需要深度思考的子任务。而通过有效的协同机制，构建多智能体系统，让多个具备不同能力的小模型或专有模型分工合作，往往能以更低的成本、更高的鲁棒性，解决那些远超单体模型能力范围的复杂问题。顾名思义，多智能体是由多个具备自主性的智能体组成的系统，智能体之间通过特定的通信机制进行交互，彼此可能是协作、竞争或是混合的关系，最终完成各自或共同的目标。比如，在工业制造领域，多机器人团队能协同完成装配、搬运和检测任务，每个机器人都作为一个智能体独立执行任务，再与其他机器人协同合作，确保生产线的高效运行。再比如，在软件开发中，AI智能体们可以组成一个集项目经理、架构师、程序员和测试员于一体的数字员工团队，自动化完成从需求到代码的生产流程。可见，针对高度专业化且需要不同底层模型（独立意志）的领域，多智能体能从多角度分析问题，由不同智能体并行执行不同的子任务。尤其是在垂直行业领域里，多智能体也成了很多公司尝试的方向。注：区分单智能体和多智能体系统的根本标准，不在于模型/组件的数量，而在于决策权的分布。单智能体拥有一个单一且中心的决策核心，所有规划、推理和协调都是由这个自我去完成，其他组件（包括被调用的模型）都是被动的且没有自主性的工具/程序。多智能体则是存在多个决策核心。即便是中心化调度的多智能架构，其下属的智能体也会保有最低限度的自主性，能根据自己的感知、状态和目标进行独立推理和决策。与其做出更聪明的模型，不如让模型们协作，这种范式的转变不仅是技术架构的升级，更是思维方式的转变。二、多智能体架构：中心化or去中心化？先说一个伪多智能体的架构。表面上模拟了多角色协作，但底层决策权完全集中于一个单一逻辑实体（一般是主LLM）。即：整个系统只有一个真正的大脑，所有的规划、路由和最终决策都由这个大脑完成。而所谓的中心化调度，其实是基于条件的内部函数调用或提示词路由，系统中的其他智能体本身没有独立的目标和持续的记忆。每次被调用时，这些智能体会被赋予一个特定的角色提示词，处理一段输入，生成输出，然后状态消失。且智能体之间不能直接通信，所有信息都必须通过中央主控智能体中转。这种系统本质上还是单智能体的内核，并不是多智能体架构。与之一线之隔的是多智能体架构中的轻量级的中央调度模式。中央调度模式的多智能体架构同样不允许专家智能体之间直接通信，通常会由一个中央控制器（Supervisor/Controller）接收请求→分派到若干专家智能体→收集并整合信息输出。这条分界线，就是决策自主性的边界划分。打个比方，伪多智能体架构像是开启了「编剧模式」，通过复杂的、动态的提示词工程技巧给专家智能体设定角色，所有专家智能体的智慧，都受制于同一个主模型的知识和推理模式；而中央调度的多智能体架构是一种「邮差模式」，由controller/Supervisor中央调度器负责意图识别、分配任务和消息路由，再由每个专家智能体基于自己的大脑处理接收到的信息并生成响应。该模式的多智能体架构适用于业务线清晰、需强监管的企业级场景（IT客服、财务助手）等，但随着专家智能体种类和任务复杂度的增加，controller需要编排的任务策略和路由规则会愈加复杂。此外，如果controller本身是LLM的架构，那么它对于每个用户请求进行的任务规划推理，都会产生显著的延迟和API成本。且在高并发场景下，controller本身会成为吞吐量的上限。基于上述背景，滋生了另一种多智能体架构——分层与模块化调度。无独有偶，该架构依然存在一个中央调度器，但只负责粗粒度的任务分解，再将子任务交给专家智能体进行更细粒度的分配。姑且称之为「CEO模式」吧。第一层是CEO，负责设定战略目标，将宏大目标分解成几个战略性的子目标，再决定将这些子目标分配给哪个部门，并设定好各部门之间的分工边界；第二层是部门总监，负责一个特定的领域，在接收战略子目标后将其细化成具体可执行的工作界面，再交由下级执行；第三层是一线工程师，也就是直接执行具体任务的对象。ta可以调用自身专业领域的工具和能力完成任务，再将任务执行结果返回给上层。严格意义上来说，这种分层架构也同样受中心调度器的控制，但相比前者，在解决复杂任务编排，需要长链决策和多步骤执行的业务中，会更有优势。除此之外，市面上也有一些去中心化的多智能体架构，比如网状结构，专家agent 之间允许点对点通信和多向协作，不依赖中央决策点。还有一些无中心的架构，比如群体结构，多个 agent以自治/协作方式运行，系统中的整体行为呈现出“涌现特性”，即：通过很多弱规则实现agent 的局部交互，以达成全局目标，也因此更容易失控。多智能体架构在不同维度上的评估，可以参考下表。更多细节可以自行搜索学习，在此不再赘述。五花八门的架构和命名不是关键，记不住也没关系。一个更符合现状的论断是，对于大多数已落地的、解决明确领域问题的AI应用，轻量级的中央调度架构是目前使用最广泛的架构，即：一个中央调度器（可能是一个轻量级模型+规则引擎，或是一个高效的controller）负责理解意图、规划任务并路由到专家智能体去完成任务。该架构在复杂任务的处理和开发难度&成本之间取得了平衡。下文我们以中央调度的多智能体架构为主，结合案例说明实际的规划工作。三、专家agent：是通才还是专才？前文已明确了轻量化中央调度的架构，以及中央调度器的能力要求，那么与之紧密协作的另一个角色——专家agent，要如何定义和区分？定义任何一款产品的功能之前，都要先找准产品的服务目标和场景。以某行业的商家智能助手为例，在没有AI赋能前，你的商户日常高频咨询的是什么问题？如果你发现，咨询的问题主要来自专业程度极高的某个领域，那么按业务领域划分为不同的业务专家智能体（比如营销、订单、库存等）更合适。尤其是，按照公司运营的关键业务领域搭建agent，能和现有的组织心智模型相匹配，便于各agent内部的协作。如果商户日常的咨询已经是高度碎片化了，甚至有大量问询是跨业务交叉讨论的，那么你的目标优先是打造一个能应对前台80%碎片化问询的“全能型前台员工”，以agent的能力划分专家智能体的边界更有把握。一开始就按业务域划分，可能会容易陷入“答非所问”或“能力覆盖不全”的被动局面。比如，你识别到商户的所有query基本绕不开「查询——>诊断——>操作」的能力范畴，那么你完全可以由中央调度器识别意图后判断其核心意图是哪一项，再路由给对应的专家智能体。1）「查询」：核心是 “精准” ，目标是快速、准确地找到用户问题的答案。支持RAG检索静态知识库，也支持通过function call查询商户的动态个性化数据，但不做过多的分析和扩展；2）「诊断」：核心是 “洞察” ，目标是提供诊断结论和建议。可以利用查询Agent的结果或直接调用数据查询能力作为输入，优先覆盖核心经营业绩诊断、流量与转化漏斗诊断、价格与收益优化、客源与竞争诊断、运营与服务质量诊断等，通过分析、推理、对比得出诊断建议。3）「操作」：核心是 “执行” ，目标是准确、安全地完成用户指令，在执行前应有明确的确认机制（尤其是高风险操作），优先覆盖商户最高频的操作行为，比如库存管理、订单管理、信息维护等操作。综上，你可以按用户意图所涉及的「能力」划分专家agent，包括查询agent，诊断agent，操作agent。在轻量化中心调度的架构下，由controller作为中心调度器，负责识别意图并编排任务，路由到对应专家智能体后，由对应智能体进一步细化为具体的、可执行的计划并完成任务。注意，上述各专家智能体的能力并不单独存在，比如RAG、function calling等能力会下沉为所有专家agent都可直接调用的通用能力层，避免各专家agent重复建设，或是因为要强依赖某一个专家agent的知识检索/数据查询导致系统的延迟。但不可否认，纯能力划分必然会缺乏业务深度。为解决这个问题，短期内你完全可以为每个专家智能体注入业务的上下文。1）在知识层面：既然是垂直行业的智能体，外挂业务知识库，通过RAG检索行业/平台相关知识是必须的，避免大模型直接生成内容时泛泛而谈。相反，以RAG为基石，用大模型提升其智能，是垂直领域AI应用时最常用且有效的方法。关于这一点，详情可查阅AI系列（三）2）在工具层面：前文提到，目前使用工具=调用函数（function calling），你需要理出商户在平台侧的相关数据API或插件，便于调用函数时返回实时真实的业务数据；3）在提示词层面：如果有一些涉及到内容生成的场景，可以在提示词中明确其角色是“xx行业的xx文案助手”，并要求其风格必须符合该行业的品牌调性，也会让智能助手的答复更贴商户诉求。此外，随着时间的推移，长远来看，如果后续某专家智能体在特定业务领域复杂过重或效果不佳时，可以再从中孵化出该能力智能体下的业务域智能体。先通才，再专才，最终演进成一个混合架构。四、跨agent协作：向前走or向后退？接着上述的案例，我们已经按用户意图所涉及的「能力」划分专家agent，由controller负责识别意图并编排任务，路由到对应专家智能体进一步细化为具体的、可执行的计划并完成任务。那么，具体的路由规则怎么定？这里有三个关键点：1）主意图判断：在复合意图中，controller 必须能准确识别用户的核心目标（查询or诊断or操作）；2）始终坚持单agent闭环优先，只有当任务超出单agent能力边界时，才启动多agent编排，并且流程链路尽量简化；3）当意图均未命中时，再由controller调用大模型对用户意图进行澄清，或是直接生成内容。注意，每个专家agent都有各自的主目标，即：查询agent的主目标是检索知识和查询数据；诊断agent的主目标是诊断；操作agent的主目标是操作。其中，诊断agent和操作agent也同样具备查询能力，查询是所有agent的前提。具体路由规则如下图所示：举个例子，商户query：“结合平台规则，给出商品价格的调整建议”。商家智能助手执行逻辑：controller判断商户意图为【查询+诊断】，查询仅为前提，核心是给出诊断，因为诊断agent本身含查询功能，可以直接路由给诊断agent闭环完成。于是：诊断agent首先通过RAG获取平台规则知识，通过function calling获取当前商品的价格；诊断agent接受数据后进行下一步的诊断，给出价格的调整建议，返回给controller再给到前端会话层进行展示。再举个复合型的例子，用户query：“我的商品最近一周的预订量下降了不少，但同期平台的流量是上涨的。帮我查一下是怎么回事，如果是价格问题，就帮我参考竞对调整一下价格。”还记得吗，谁能直接完成任务，就由谁直接调用公共能力。Controller只负责初始路由和最终汇总，不干涉过程中的数据传递。于是，智能助手执行逻辑：1）controller识别用户的复合意图为「查询+诊断+操作」意图，核心意图是诊断，并附带一个条件性操作。于是初始路由到诊断agent；2）诊断agent：查询自身业绩数据、竞争圈价格数据，再调用公共function calling服务，获取预订量、流量和竞品价格；3）诊断agent：基于数据进行分析推理，得出价格调整建议再返回给controller；4）controller接收到诊断建议后识别到是个价格问题，再将操作建议作为明确指令二次路由给操作agent；5）操作agent：根据策略执行调价操作。执行完毕后由controller整合信息并返回前端进行结果展示。上述的例子不一定适用于你当下的业务情况，但思考路由规则的过程，期待对你有所帮助。五、小结：接受不确定性恭喜你看到这了。任何AI产品都是概率型产品，产品的竞争力主要依托于模型的性能和高质量的数据飞轮。你最大的挑战不是架构设计，而是接受任何架构带来的不确定结果，为此你只能通过建立一套完善的机制来管理概率、处理错误，并在这个过程中持续学习和进化。如何结合大模型本身的能力边界，适用场景和工程手段，整合成一个解决方案，让系统相对稳定地输出，是个需要持续钻研的命题。今天我主要跟你分享了最近在多智能体架构上的思考，但我并不推荐你一上来就想解决所有问题的一个万能智能体，单智能体能满足的话自然是最好不过。在模型的能力范围之内，选一个刚需、可控又能衡量ROI的业务场景，先把这个点打穿；然后再靠一些工程的手段，把大模型变得尽量的稳定，比如加入一些规则引擎套用模板，RAG，知识图谱，function calling 以及审核和兜底机制，确保大模型的输出是可控的。最后是一些闭环反馈的机制，智能体上线后，不是模型本身的数据可贵，而是用户使用后真实的反馈数据值得关注。你需要基于这些数据不断微调和优化，形成一个可持续迭代的闭环系统。把机制跑起来，系统才能变得越来越准，越来越聪明。话说回来，今天我们虽然还在聊基于大模型能力的产品化智能体，但以Deep Research为代表的智能体化的大模型，内置自主思考、规划、反思、决策、工具调用与执行能力的大模型，也逐渐成为下一代 AI 助手发展方向的代表。模型即产品，模型即服务。也许到时候还有一些新的发现呢，可以拭目以待。最后，如果你对AI系列的文章感兴趣的话，欢迎点赞和转发，也欢迎你移步到我的母众号主页加入我的知识星球或约1v1咨询。感谢支持。

1天前

案例库发布案例

More

营想学堂

More

B2B数字化营销体系

冯卓

欧司朗照明有限公司

亚太区市场总监

消费心理学100讲

韩秀超

上海云连品牌管理公司

CEO

从0到1带你玩转TikTok出海电商

张露

原字节跳动

抖音高级品牌营销经理

小红书运营必修课

唐木

唐门新内容视觉营销

创始人

如何做好数字化营销Campaign？

冯卓

欧司朗照明有限公司

亚太区市场总监

B2B内容营销，从入门到精通

冯卓

欧司朗照明有限公司

亚太区市场总监

线下活动

More

服务商入驻

热门文章More

热门作者More

营销服务商 More

讲师团 More