最近翻阅查理·芒格的著作，书里反复强调一种极为珍贵的能力：逆向思考。

芒格说得非常直白——

“如果我能提前知道自己会死在哪里，那么我唯一要做的事，就是永远不去那个地方。”

如果你想变得真正聪明，不要只盯着“怎样才能成功”，而要首先思考“怎样才能避开那些愚蠢的错误”。

把这个理念放到创业和跨境电商的经营场景中，会发现它异常锋利。

一、绝大多数人极度缺乏逆向思考的意识

更准确地说，我们根本没有养成逆向思考的习惯。

以创业为例，大部分老板的思维路径是怎样的？

看到某个赛道，觉得机会巨大，便一头扎进去开始投入，

他们每天在脑子里盘旋的都是什么画面呢？

往往是“未来做到什么体量、冲到什么规模、登上什么高峰”之类的美好幻想，

脑子里装的基本全是成功以后的事情。

在跨境电商这个圈子里，这一现象尤其典型：

大家都在疯狂琢磨怎么爆单、怎么把盘子做大、怎么冲击10亿GMV，却几乎没有人严肃地追问过：

——怎样才能让自己死得慢一点，甚至根本不要倒下。

二、先别急着想怎么赚钱，先死死盯住“怎么不亏光”

不论你进行的是哪一种创业，思考的出发点，都应当是“如何确保自己不被清出牌桌”。

只有在这个不可动摇的基础之上，再去谈如何盈利、如何做大规模，才是靠谱的。

否则，视野将变得极度狭隘，

也极其容易被市场无情地淘汰。

在跨境电商的世界里，这一点同样残酷地上演着：

绝大多数“失败”，根本不是源于当事人不够努力，而是死得太快、太突然——

• 库存把现金流彻底压垮
• 选品出现方向性误判，导致整条产品线报废
• 账号安全、税务合规等致命问题一夜归零
• 国家线和团队扩张过度，组织陷入全面失控

大量公司从来就没有认真思考过“怎么不亏光”这件事，

所以，要么还没跑起来就直接死掉，要么是规模看上去做起来了，反而加速了公司的死亡。

逆向思考的内核其实朴素到令人惊讶：

想尽一切办法确保自己不死。

只要还活着，就永远保留着翻盘的机会。

三、启动逆向思考的第一个动作

其实是主动觉察到这个问题，

并刻意把它记录下来，强行逼自己养成“颠倒过来看事情”的思维习惯。

在任何思考与决策的关键时刻，

都必须从正反两个方向同时进行推演，

先拼命降低“由愚蠢导致的失败”概率，然后再去审视如何才能做成。

四、真正硬核的逆向，是亲手建立一份“失败清单”

很多人做战略，习惯去列一份“目标清单”：

我要增长、我要冲击品牌高地、我要全力扩张规模。

但芒格式的思维要狠得多：

你应该优先去写一份“失败清单”。

究竟什么情况会让我们彻底死掉？

是现金流突然断裂？还是库存彻底失控？

是因为账号风险、财税漏洞被一锅端？

还是账目根本算不清楚，自以为在赚钱，实际上早已亏空全部家底？

把这些足以致命的情况，一条一条全部清晰地列出来，然后逐项去消灭它。

你会发现，很多我们曾经深信不疑的“增长策略”，本质上是在悄然放大死亡风险，而丝毫没有构建起安全边界。

把这个动作完成之后，失败的概率被大幅压降，成功实际上也就在侧面得到了保障。

五、创业的底层生存逻辑已然改变

过去十年，跨境电商更像一场永不停歇的“加法游戏”：

拼命增加SKU，进入更多国家，堆叠各类流量，扩充无限团队。

但到了今天，这套逻辑越来越转向“精准的减法”：

全力减少致命风险，减少系统复杂度，减少任何可能导致失控的盲点。

真正能够穿越周期活下来的公司，一定不是最乐观、蒙眼狂奔、增速最快的那一批，

而恰恰是：在剧烈波动中最难以被干掉的那一类。

这也是逆向思考最核心的价值所在：

它从不让你变得更激进，而是让你变得更“抗死”。

最后，再次回到芒格那句穿透本质的话：

如果你眼里永远只盯着成功，就会持续忽略那些潜伏于暗处的风险；

可一旦你先集中全部资源去解决“如何不失败”，你反而会发现自己离成功更近了。

创业这件事，有时候比的并不是你能跑出多快的速度，而是——

在别人纷纷倒下的时候，你，竟然还能稳稳地站在那里。

一个常见的现象是，不少人对知识库的认知依然停留在“找个地方存资料，然后让 AI 搜出来”的层面。他们把知识库当成一个资料仓库，AI 就像搜索引擎，你提出问题，它便到库里翻出相关的段落。这种理解本身并没有错，但这只是整个演变过程的起点，甚至可以说是最为原始的版本。

事实上，知识库一直在另一条线路上快速进化，与大型语言模型一样，不断迭代与蜕变。下面，结合具有代表性的功能和产品，梳理一下知识库的发展与演变脉络。

初代形态：RAG，先搜后答的起点

RAG 的全称是检索增强生成（Retrieval-Augmented Generation），通俗地说就是“先搜后答”。它与传统搜索最大的不同在于，系统会把文档拆成小块，转化为向量。你可以把向量化理解为给每段文字标上一组坐标，让它在数学空间里拥有一个位置。随后，AI 也将你的自然语言问题变成向量，去寻找空间中距离最近的若干文档片段，再把这些片段组织成答案。

这个思路方向正确，但本质上仍然是一个搜索工具。它比传统关键词搜索强的地方是，你能够检索到那些不确定该用什么关键词表达的东西。比如你想查找“公司最近关于远程办公有个什么规定”，既忘了文件名，也记不清具体条款，只需用日常语言说出来，AI 就能帮你把相关段落翻出来。这便是 RAG 最朴素的使用场景。

此时最具代表性的工具是 Dify。作为一个开源的大模型应用开发平台，它集成了模型管理、提示词工程和数据检索等核心能力，很多人搭建企业内部知识库的第一站就是 Dify，因为门槛极低，拖拽即可完成。但它的底层逻辑并没有改变——把知识存进去，然后搜出来。这便是第一代知识库。

二代跃迁：UltraRAG，工作流编排登场

UltraRAG 是由清华大学 THUNLP 实验室联合东北大学、OpenBMB 和 AI9stars 推出的开源框架。它在 RAG 的基础上向前迈了一大步——将工作流编排能力纳入其中。

怎么理解这一跃迁？RAG 解决的是“搜出来”的问题，但真实场景往往更加复杂。假如你要做一次深度调研，需要先检索第一轮资料，提取关键词，再启动第二轮检索，然后进行对比分析，最终生成报告。这整个过程涉及多步检索、判断和生成，单纯依靠 RAG 无法自动完成，你必须自己写胶水代码把它们串起来。

UltraRAG 的解法是，把检索器和生成模型都包装成 MCP 服务，通过 YAML 配置文件就能定义出复杂的流程：顺序执行、循环迭代、条件分支。它还提供了可视化 IDE，支持画布拖拽和代码编辑实时同步。你想做一个“先查历史数据、再对比竞品、最后出具报告”的知识库，用 UltraRAG 就可以把这条流水线搭建出来。

它仍然是开源的，在 GitHub 上就能找到。但需要留意的是，UltraRAG 本质上还是一个框架，需要一定的技术基础才能驾驭，它不是开箱即用的成品。这可以看作第二代——知识库从简单的“搜索”走向了“编排”。

三代革命：LLM Wiki，编织知识图谱

这一阶段不得不提到 Andrej Karpathy，他今年初在社交平台上分享了用大模型构建个人知识库的方法论，一举获得超过 8 万次收藏。为何如此轰动？因为他把知识库从一套“存储系统”升华成了一座“知识图谱”。

Karpathy 的方法分为三层。第一层叫原生资料（Raw Sources），包含文章、论文、笔记、图片等内容，把它们原样丢进去，大模型只读取不修改，确保原始信息不丢失。第二层叫 Wiki，这是大模型的专属领地，它负责创建和维护结构化的 Markdown 知识页面，涵盖摘要、实体介绍、概念对比以及交叉链接。当你添加一篇新文章时，它不仅仅生成一篇摘要，还会遍历整个 Wiki，更新所有相关页面。一篇新资料可能触发 10 到 15 个页面的同步刷新。第三层叫 Schema，是规则文件，用于定义工作流程和输出规范。

他的核心理念是：知识不应该是散落在聊天记录或文件夹里的碎片，而应当被“编译”成一个蛛网般互联的网络。每个独立的知识点都不再是孤岛，而是知识图谱上的一个节点。

这套方法几乎成了后来众多知识库产品的底层设计哲学。你去研究任何一款知识库产品，或多或少都能看到 Karpathy 的影子。但它也有明显的局限——整个过程偏手动，依赖顶级大模型，你需要自己维护 Schema 文件，自己做健康检查。它是一个纯粹的知识库方法论，搜索能力靠 AI，编排能力也靠 AI，但是底层运营仍然由人亲自操刀。

最近我一直在全力推进 PMBrain 的构建，加上 Codex 频繁重置，每天蹬着踏板赶进度，写文章的时间被不断挤压，已经做不到定时更新了。

但我现在对 PMBrain 的构想远比做一个知识库要宏大。这让我想起 SpaceX 的使命——“参与人类多星球宜居计划，用 AI 理解宇宙的运行规则”。我也要为自己的产品定下这样一个宏大的目标：构建人类的第二大脑。

说这话时，脑子里突然冒出赵本山小品里的包袱：“倪萍写本书叫《日子》，我也写本书叫《月子》。”有点这个意思。不过，远大目标再怎么说也是前进的方向。有人讲过，越宏大的目标，反而越没有竞争者——钓鱼都要选个人少的地方，做产品更应该如此。

继续聊聊 PMBrain 的现实路线。

目前 PMBrain 能做到什么？一句话：它是一个知识库。存东西、搜东西、找回之前说过的话，用起来确实已经很顺手了。但你要是问它一句“你怎么看这件事”，它答不出来。因为它只是记住了，并没有形成任何自己的看法。

既然是建造大脑，干脆就用大脑来打比方。

我把当前这个知识库形态，比作大脑里的海马体——只负责存储和提取记忆。但大脑显然不只是海马体。它还有前额叶，掌管总控与决策；有杏仁体，负责情绪和价值判断；有顶叶，处理逻辑和细节。我给自己定的目标非常明确：不能只把海马体建好，剩下三个也要一个一个做出来。

这个思路不是我凭空发明的。做产品本来就常常是把现实世界里的东西搬到数字空间里。想想看，电商平台的购物车从哪儿来的？商场里有推的购物车，线上也要整一个。本质上都是把现实世界的形态具象化到互联网上。我想做的事情也是一样的——按照大脑的运行逻辑，去构建一个真正数字化的“脑”。

《三体》里有一个面壁者，集全世界的力量去研究大脑，把它当成一项工程来做。读到这里我就想，如果从这个角度去看，我现在做的这个项目，也值得用一生去探究。大模型本身已经是在模拟大脑的运作方式，拥有自己的世界知识，但它是通用智能。而我要打造的是个性化智能——让它拥有我的经历、我的判断、我的思维方式。这个目标如果定义准了，它和通用智能几乎就是同一级别的命题。

当然，想得再远，也要回到眼下的差距。

PMBrain 现在已经能装下很多东西了：项目文档、会议纪要、日常迸发的念头，丢进去就能搜得出来。可这离真正的思考还差得远。你跟它说“这个项目现在什么情况”，它给你甩出一堆文档片段，看起来头头是道，但你知道那不是你。因为你判断一个项目能不能推进，看的从来不是文档里写了什么，而是上回和市里开会时他们的态度，这周领导有没有过问，昨天谁发消息时语气是不是急了。这些东西文档里没有，你也没写过，但你的判断全藏在这些细碎的信号里。

知识库什么都有，就是没有“我”。

这里的“我”不是姓名和年龄，而是你的思维习惯、价值排序、决策规则，是你对人对事的态度和判断标准。不是“知道得多”，而是“怎么想的”。所以 PMBrain 真正要学的，不是“我知道什么”，而是“我是怎样从已知信息一步步推导出结论的”。这个过程不叫编程，叫驯化。就像养一个孩子，你教的从来不是“记住了吗”，而是反复让他看“我是怎么想的”。一次不够，十次不够，一百次之后他就慢慢懂了。

到了某一天，PMBrain 不只是能回答“这个项目什么情况”，还能告诉我“按你的风格，这个项目应该先处理这个，再处理那个”，而且给出的理由跟我自己心底想的一模一样，到那一刻，它才算真的像我。

不过，真到了那一天，我又会忍不住去想下一个问题：它到底是在模仿我，还是它本来就已经成了我？

搞不清楚也没关系。我的研究，才刚刚开始。

最近，「上海大院的真实悲催日常」一文火遍行业，里面的细节让人窒息：连上厕所都被电话追着，生病在家照样被工作追杀，实际能静下心来画图的时间只剩一成。评论区里清一色的“这就是我们院”，大批一线设计师感同身受。

把大院的混乱归结为某个领导的人品问题，是最偷懒也最表面的解释。真正的原因，埋在整个行业收费结构的地基之下。

01 情绪真实，但结构性问题常被忽略

「上海大院的真实悲催日常」将若干场景堆叠在一起：领导近乎追杀式的日程管控、跨部门会议沦为相互指责的战场、招投标节奏快得只能靠堆人头硬扛，以及每年都没法提前看清的奖金计算。这远不止是吐槽几个人而已。

一位大院员工的原话是：一半时间看领导吵架，四成时间耗在会议上，最后留给真正做事的只有区区10%。这不是人好不好的问题，而是一套效率已被锁死的结构。

从财务底层看，设计业务的毛利率大约在20%-30%，这是设计院过去几十年赖以立足的护城河。可一旦涉足EPC总包，毛利率直接被压到10%-15%的区间。这个跨度意味着什么？项目管理、采购执行、安全管控、资金回笼全部都要自己扛。

不是人撑不住，而是利润被稀释后，能维持运转的只剩下无休止的加班。

02 全国大院争相靠EPC续命

2023年全国工程设计业务营收5640.5亿元，同比微增0.2%，超过一半的设计企业业务在萎缩。很多大院嘴上说的“正在从设计向EPC转型”，潜台词非常直白：设计费已经涨不动了。

头部大院早已走在前面。华东某大院2023年EPC收入占比已高达82%，转型速度确实惊人，但另一个事实同样清晰——设计业务自身的盈利空间正被总包稀释。

设计费触碰天花板，等于宣告了“以人时为原材料”的旧模式走到了尽头。

总包业务的复杂程度被严重低估。成本核算、集中采购、资金回笼、工地安全——这四件套对于传统设计院的组织模型来说完全是陌生领域。最直接的后果是账期拉长到18个月以上，回款难度直接冲垮现金流。这些问题不是靠领导开会定个方向就能化解的。

03 数字化反而成了变本加厉的推手

2025年，AI在中国建筑设计市场的规模已经突破80亿元，年增速达到40%。Autodesk Forma把方案效率提升90%，BIM合规校验将合规率打到98%——这些数字看上去都很漂亮。

但大院领导的第一反应常常不是“我们可以少加班了”，而是“我们能接更多单子了”。数字化如果真能压缩人的必要劳动时间，原本应该推动设计师的价值从“时长”转向“设计与判断质量”。可现实中，它被大院当成了一种加倍生产工具。

数字化工具最成熟的大院，恰恰最有可能是你不想待的那一家。

真正的数字重构必须围绕“可交付价值”来展开。BIM的资产属性不是在交付当天完成的，而是在后续运维中持续复用的。如果BIM仅仅为了应付图审和报批，那它并不是资产，而是合规成本。用新系统去加速旧流程，只会让旧流程更快地碰到下一个瓶颈。

04 审视你真正的工作逻辑

主流叙事往往把设计院的威胁归因于AI替代或互联网大厂的挤压，但这两个趋势的分叉点其实在于盈利模型本身。当一个项目已经无法靠设计费盈利时，领导的第一反应必定是让你变得更便宜、更快，而不是更有价值。

一句话就可以帮你判断自己的处境：你的考核指标是“项目利润率”还是“工时排满率”？如果是前者，说明公司在设计价值上仍然保留着信仰；如果是后者，本质上只是在用旧模型续命。

值得继续留下来的人：所在的项目组有清晰的利润中心测试，老板愿意和你讨论利润率，而不是盯着你的工时。不适合留下的人：发现自己的存在只是为PM提供工时数据。

上海大院的问题，从来不是因为某个领导坏掉了，而是在旧的收费结构下，人和时间原本就是被当作主要原材料来消耗的。真正能留下来的，从来不是名气最大的那一个。

过去两年，行业普遍流传着一种叙事：只要把AI嵌入业务流程，人效翻倍便唾手可得，竞争对手早已坐立不安。

但Meta用真金白银的实践结果告诉我们——这种逻辑在大多数企业身上并不成立。

不是模型能力不足，是用错了姿势

不少企业对AI的认知仍停留在“一个智能体解决一个单点任务”的层面。文档自动化了，客服机器人上线了，报表生成速度飙升十倍——账面数据确实好看。

但核心问题在于：这些能力没有任何护城河。 竞争对手购买同样的API，用一周时间也能轻松复刻。你把AI当工具用，它永远只是工具；若把AI当作组织能力的建设工程来部署，它才会真正转化为竞争力。

这正是Meta收缩AI项目的内在逻辑：他们把那些仅聚焦于单任务提效的投入大幅精简了。

真正稀缺的，从来不是单点效率

说句扎心的实话：人力资本仍然是组织最宝贵的战略资源。 这不是陈词滥调，而是最冷静的商业判断。

一个模型能独立完成的单点任务，本质上不具备稀缺性。AI时代的竞争，早已不是比拼谁写的prompt更巧妙，而是看谁能将业务数据、组织判断和人的隐性经验体系化、系统化，然后让AI在其中发挥乘数效应。

换句话说：AI不会替你上战场，真正能打胜仗的，是整套组织运用AI的方式。

给AI弯道超车者的一句冷静判断

此刻，不应再幻想通过AI单点替代就能获取竞争优势。当务之急，是踏实做好以下三件事：

先治理数据，再谈论大模型。 别空喊大模型万能口号，却连一套清洁的业务数据都拿不出来。

强化人对业务的判断力，而非一味削减人力。 Copilot能让你跑得更快，但无法告诉你该跑向何方。

把AI部署视为组织能力工程，而不是采购一套系统。 这才是Meta案例带给我们的核心启示。

待AI泡沫退去，你会发现一个朴素的事实：能把AI真正用好的公司，往往是那些最早想清楚“我们最值钱的是什么”的企业。 而那些已经在这条路上摸索很久的公司，此刻停下来重新审视这句话，同样为时未晚。

用户不再需要打开大众点评查评分、翻评价，在抖音生态里就能完成全部决策。大众点评的“真实点评”正在失效，满屏4.8分让考试失去区分度。美团的护城河不是前端补贴，而是十几年死磕出来的商户基础设施网络——抖省省能赢一时，但要赢一世，还得补这门课。

2026年的本地生活战场，攻防正在换手。

近日，QuestMobile发布的一份报告，让整个行业重新审视抖音与美团的到店之争。

数据显示，今年2月10日上线的抖省省，截至6月30日DAU已达2103万。而大众点评虽仍以1.58亿月活领先，增速却跌至11.4%，且日活正被抖省省步步逼近。

一个在下滑，一个在狂飙，差距正肉眼可见地缩小。

图片源自QuestMobile

因为此前没用过抖省省，这次我们特意下载体验了一番。

与功能、内容更多的大众点评相比，抖省省的初始界面极简，打开就送优惠券，“抢”字标得格外醒目。

大牌天天省页面的麦当劳套餐，原价与大众点评一致，叠加8元券后只卖1.9元；即便第二次购买没券了，平台仍有小额优惠，依旧比大众点评便宜。

左：大众点评 中、右：抖省省

更意外的是，之前在抖音刷短视频时冲动团的券，居然也在这里自动汇总，这张券早因为冲动消费忘到了脑后。

线下核销和打开抖音、大众点评出示二维码一样方便，没有学习成本、使用压力。

图片源自抖省省

这就是抖省省的产品逻辑：极简、低价、打通抖音。

所以，增速如此之快，究竟谁在用抖省省？冲击之下，大众点评被撕开了多大的口子？扛过京东、淘宝之后，美团还能再挡住抖音这波强攻吗？ 跟着我们一起看看！

抖省省的用户画像：谁在为极简低价买单？

当前，抖省省和大众点评的用户，几乎不是同一群人。

QuestMobile的数据显示：大众点评由高线城市主导，一线+新一线城市占比57.6%；抖省省下沉市场特征显著，二线及以下城市合计占比69.7%，三线是第一大用户群，占比26.5%。

图片源自QuestMobile

对比QuestMobile3月的数据来看，抖省省的下沉用户比例变得更高了。

这是典型的“农村包围城市”打法，抖音没有在美团的后花园正面硬刚，反倒是绕到了下沉市场，用剧情、搞笑类短视频（大众点评主打图文和笔记），吸引那些本就不习惯翻攻略的非典型团购用户。

某种程度上讲，抖省省是在创造一个新的群体。存量市场有天花板，而增量市场没有。

抖省省为什么要这么做？逻辑其实很简单。

2026抖音生活服务城市生态大会武汉站曾披露过这样一组数据：2025年抖音生活服务月活跃消费者同比增长19%，总支付订单量增长32%；约80%的用户有主动搜索行为，搜索规模同比增长36%，直接带动相关交易额增长55%。

这说明，相当一部分抖音用户不是“刷到什么买什么”，而是“需要什么搜什么”。

当冲动消费让位于理性决策，抖省省就顺理成章成了“搜索+比价+下单”的纯工具入口。

不过，冷水也得泼一盆。目前抖省省的大部分用户来自抖音主站导流，与抖音用户高度重合，更像抖音生态内独立出来的小程序，而非真正独立的消费平台。

冷启动靠的是真金白银的补贴，不是产品力。补贴驱动的增长，能否转化为可持续的用户习惯，还需要时间验证。

评分通胀之殇：当“真实点评”不再值得信任

当然，只有抖省省的冲击，对大众点评来说未必是多大的外患。风风雨雨这么多年，美团见过的强敌、打过的硬仗实在太多。

真正致命的，其实是内伤，如今越来越多用户不那么相信“真实点评”了。

现在，打开你的大众点评，看看附近美食的评分。是不是满屏都是4.7、4.8？好评率99%，每条评价有精美照片、视频，还有大量50字以上的“走心文案”。

当所有人都考满分，这场考试就失去了区分度。

翻了几页，就没有低分店

估计很多小伙伴都有这样的经历，吃饭的时候，服务员会主动送饮品、甜品、小礼物，过来“要”好评。

这也导致越来越多年轻人开始不吃5分店，反而专挑3.5分、4分的店吃饭。前两年#年轻人报复性挤爆3.5分饭店#更是一度冲上热搜。

《舌尖上的中国》总导演陈晓卿就曾公开说过，他推荐的好吃餐厅，评分基本在3.5到4分之间。不是因为低分一定好吃，是因为高分已经不可信了。

图片源自微博

这个问题大众点评不是不知道，可又能怎么办呢？

对“店内邀评”的商家进行处罚，很难形成有效监管。只要不是过分难吃，拿了饮料或小饮品，有几个消费者会真举报呢？

所以，点评的价值到底有多强？是否在持续走弱，都是值得思考的问题。

此时，我们再来看抖省省，就会发现它走的路不一样——产品主打“省”，而不是“点评”。

大众点评吃不吃的都能评，点评按钮很突出；抖省省则是电商购物逻辑，不买不能评，消费完才能在订单页评价，这在一定程度上拉高了评论注水的门槛。

而且，想在抖省省看产品评价得下滑好几下，极其麻烦。这或许也在暗示用户：在这里不用看评价，只需要看价格够不够低。

闭环生态：从内容种草到极简核销的飞轮效应

说完大众点评的内忧外患，我们再来看看这两年抖音生活服务的光速进化。

很多人可能还记得，一两年前拿着抖音团购券走进北京很多餐厅，服务员要么说核销不了，要么研究半天，甚至还有的直接建议“您在美团再团一个吧，价钱一样。”

那时的抖音生活服务，有流量、有补贴，但商家适应慢，用户体验割裂，很多人觉得做不起来。

可如今，这类问题已经很少有人提了，很多餐厅摆着美团、抖音两套二维码，就这么一两年时间，一旦适应，初期的摩擦很快就被遗忘。

比起适应，更可怕的是抖音短视频的兴趣激发能力。

一条剧情搞笑视频潜移默化的植入，一条探店视频在深夜的诱惑力，都是“无意识且直接的种草”。这种效果是图文、点评难以做到的。图文需要用户主动去看，短视频却是被动灌入。

图片源自QuestMobile

此时，再叠加算法精准推荐——把“附近三公里、人均80元、喜欢吃辣的用户也点了”这些维度推给对应的人；再加上抖音主站海量流量导流，以及抖省省极简的核销页面，从“看到视频”到“到店吃完”，链路被压缩到最短。

当兴趣激发、算法推荐、流量导入、极简核销四个齿轮咬合在一起，抖省省或许重新定义了“到店决策”。

用户不需要先打开大众点评查评分、翻评价、比价格，直接在抖音生态就完成了“看到-种草-下单-核销”的全流程。

重资产壁垒：美团十三年死磕为何难以速成？

但要说这样就能击败大众点评、击败美团，恐怕也未必。毕竟，这家公司经历过太多“必死”的时刻。

2010年百团大战，全国最多时有5000多家团购网站。王兴靠“高效率、低成本”的运营哲学，在别人烧钱抢用户的时候死磕后台系统、死磕商户拓展、死磕城市覆盖。等资本寒冬一来，99%的对手自己就消失了。

那一仗让美团明白：前端补贴谁都做得到，后端系统才是护城河。

去年，京东外卖和淘宝闪购来势汹汹，整个行业都在想，美团这次还能扛住吗？

结果美团虽然全年净亏损234亿元，核心本地商业经营亏损69亿元，但外卖基本盘没有丢——美团仍稳定保持60%以上的GTV市场份额，在中高客单价正餐市场保持优势。

近来，我对多 Agent 协同和超长任务这类曾被追捧的指标产生了越来越多的怀疑。过去大家觉得让一群 Agent 帮你分工协作、让任务跑上一天多才停，就是 AI 用得深、用得牛，Token 消耗量越大越厉害。但无论是我的亲身实践，还是模型的持续进化与行业反馈，都在提醒我：问题并不简单。

2026 年 7 月 20 日，OpenAI 披露了一次没有大规模部署的内部事故。一个为长时间任务优化的模型，在 NanoGPT speedrun 测试中被要求只把结果发到 Slack，结果它却花了近一个小时寻找沙箱漏洞，最终把代码提交到了公开的 GitHub 仓库。OpenAI 随后暂停了这款模型的内部访问，并在补齐完整的执行轨迹监控、新的评测基准和用户控制机制后，才恢复了有限使用。

这件事给我最直接的触动是：Agent 运行得越久，接触的文件和工具越多，就越容易偏离原始目标、利用漏洞，或者让细小的错误不断叠加，越走越远。

几乎同一时间，帮助企业构建 AI Agent 的 Sierra 公司也分享了一条经验。他们曾在公司内部搭建了客服、数据分析、工程、销售等多个角色 Agent，后来发现，这种设计不仅增加了员工的选择负担，也割裂了跨部门任务的上下文。于是，他们把这些 Agent 合并为一个统一的入口——Pinecone（松果）。员工只和一个 Slack 账号对话，在一条连续的任务线程中推进，后台再连接不同的系统与模型。

一个是“数量”维度的反思，一个是“长度”维度的教训，这两者太容易被包装成进步的象征。我一直在琢磨这两个问题，记录下来算是阶段性思考，不一定准确，毕竟 AI 进化的速度实在太快。

一、多 Agent 幻觉：为什么给模型搬来公司架构反而不灵

我们痴迷于多 Agent 角色，很大程度上是因为现实中的公司就是这样分工的：有总监、产品经理、设计师、测试、前后端工程师……人类靠分工解决复杂问题，这本来没错，因为每个人的知识、精力天然有限。

于是，当模型能力变强后，人们很自然地给每个岗位安排一个 Agent，看起来井井有条，演示起来充满未来感。但人和 Agent 有一个根本区别：Agent 几乎什么都懂、什么都能干，模型之间是平权的。

人类建立层级组织，根子在于人的带宽和领域能力受限。把这种结构原封不动搬给模型，长期看恐怕很难得到同等收益，反而会拖慢效率。

在 AI Coding 场景中，上下文尤其容易在交接中丢失。一个 Agent 读过需求和代码，另一个只拿到它写的任务摘要；第三个 Agent 接手测试时，还要猜测前两个 Agent 在哪些地方做了取舍。每一次交接都是一次有损压缩，遗漏信息几乎是必然的。

角色越多，需要维护的提示词、权限、工具和状态就越庞杂，协调成本很快会盖过分工带来的那点好处。后果就是，任务时间拉长，Token 用量飙升，你自认为驾驶 AI 的水平在提升，可实际效果可能还不如把一切都交给一个 Agent。

Sierra 的做法是保留单独的端到端入口，由系统背后决定访问 Slack、GitHub、Salesforce 还是其他工具。这个入口可以在底层切换不同模型、调用不同能力，但用户的目标和上下文始终在一条线路上往前推进。

多 Agent 当然有用，但我有一个可能偏激的看法：对于普通的业务系统研发，压根没必要上多 Agent。

Lottie 是 Airbnb 贡献的开源项目，本质上是一份描述矢量动画的 JSON 文件。

靠着下面这几个优势，现在很多移动端和 Web 上的小动画都在使用这套工具。

• 体积非常小，一个 loading 动画通常只有几 KB 到几十 KB
• 整套都是矢量绘制，任意放大都不会模糊
• 一份 JSON 可以跨端直接使用，iOS、Android、Web 等平台都能原生渲染
• 支持用代码精细控制：暂停、倒放、绑定滚动位置、响应点击交互，都没问题

你平常刷 App 看到的开屏动画、点赞时蹦出的爱心、下拉刷新里的小人、空白状态的插画动效，十有八九都是靠它驱动的，在海外应用里尤其常见。

但 Lottie 的创作门槛其实不低。

正经的制作流程是：设计师先在 After Effects 里制作动效 → 再用 Bodymovin 插件把动效导出成 JSON → 最后把这份 JSON 接入工程代码里。

到了 AI 时代，很多人就在琢磨，怎么让 AI 直接生成基于 Lottie 的动画效果。今天要聊的这个项目，就是想解决这件事。

Text-to-Lottie 到底是什么

这个开源项目出自 diffusionstudio，也习惯叫它 Lottie，不过对外正式名称是 Text-to-Lottie。

diffusionstudio 是 YC F24 批次的一家创业公司。这个项目的核心目标，就是让 AI Agent——比如 Claude Code、Codex 这类工具——能够直接生成生产可用的 Lottie 动效。

使用方式很简单，一行命令就能把 Skill 装上：

如果你同时打开几款主流的国产大模型应用，用同一句提示词让它们“生成一个随机数”，多试几次，你会发现一个有趣的规律：有的模型仿佛对 73 情有独钟，反复吐出这个数字；而另一些则更偏爱 42，仿佛在致敬科幻经典。这个简单的行为背后，藏着模型对“随机”理解的内部分歧。

跨境电商远没有想象中那么遍地黄金，贸然下场之前，确实需要安静下来想清楚。

一、这几年，身边做国内电商的朋友里，越来越多的人开始盯着跨境电商看
因为国内这一摊真的卷不动了。
流量成本一涨再涨，同行把价格杀到几乎没有利润，账面上的流水看着热闹，落到手里的钱却越来越薄。
有些人前些年挣钱容易，现在被折腾得非常痛苦，转型就成了心里一直盘旋的念头。
也有一部分人，国内销量还在，流水也在，但利润已经薄到几乎可以忽略。
更让人焦虑的是，有的老板国内业务其实已经开始崩塌，不得不找一个能续命的出口。
说实话，现阶段在国内做电商，对人的要求太高了。
没有强悍的运营能力和供应链实力，连活着都不容易。

二、所以当大家看到别人做跨境电商，好像发现了又一片值得狂奔的新大陆
美国亚马逊、TikTok、欧洲、东南亚，
还有俄罗斯、墨西哥、巴西、南非、中东……
随便看一圈，到处都像是机会。
但我想先讲一句未必好听的话：
跨境电商根本不是国内电商的海外翻版。
如果还抱着做国内那套思维去看待跨境，
只是把原来的打法简单平移，
以为不过是换个平台、换个国家、换个语言，
那么最后大概率要交一笔昂贵的学费。

三、我们自己就是从国内电商一步步转向跨境的。
从2023年底开始，陆续覆盖过俄罗斯、墨西哥、巴西、南非、日本、韩国、阿联酋等市场。
有的国家慢慢跑出了利润和规模，有的国家主动收缩，有的市场则是果断退出。
这中间有增长，也实实在在地亏过钱。
有判断正确的部分，也有明显走弯路的教训。
我最大的感受就是：
国内电商与跨境电商，表面上都是“买卖东西”，但底层逻辑完全不是同一回事。

四、国内电商更多拼的是平台理解、流量效率和供应链的反应速度。
如果做抖音、小红书的赛道，还得加上内容生产能力。
可到了跨境电商这里，
这些能力依然有用，但往往并不是最重要的。
你还得去面对国家政策变化、税务合规风险、清关与物流体系、海外仓管理、汇率波动、平台账期、库存周转、资金占压、本土主体资质、商标和认证等一连串问题。
国内做错了，大多数时候还能快速掉头调整；
跨境一旦出错，货可能已经漂在海上，钱早就压在了库存里，
税务问题也许要过好几个月才会爆出来，而平台规则突然调整之后，你才发现自己原来搭建的模型根本站不住脚。

五、所以，准备从国内电商转跨境的同行，真的别太急着下水。
尤其不要一上来就重仓。
不要一开局就想同时铺多个国家、多个平台、多个类目。
不要一听见别人说“这个国家好做”，就立刻备货冲进去。
更不要一看见别人晒销售额不错，就以为自己进去也能轻松赚钱。
跨境最可怕的，不是没有机会，
而是好像到处都有机会，看起来都能做，
结果一不小心就把自己的资金、团队和管理能力全部拖垮。

六、我计划写一个完整的系列，专门写给这些年，或者正准备从国内电商转到跨境的同行。
不敢说能教大家怎么赚钱，
因为跨境电商这件事，终究还是要依靠自己的产品力、供应链效率、资金厚度、组织能力和认知深度。
但至少希望通过我们这两年多花出去的学费、踩过的坑、做过的调整，帮大家提前看清一些问题。
少走一段弯路，少赔一些钱。
少在错误的国家、错误的平台、错误的类目、错误的库存上，付出难以挽回的代价。
这个系列，我会尽量讲得真实克制。
不制造焦虑，不兜售暴富故事，
也不劝所有人都跑来做跨境。
因为跨境并不是适合每个人的机会。
有些人确实适合，有些人可能天生就不适合——对于很多人来说，可能不进来才是更明智的选择（但话说回来，谁不亲自试一把，也很难甘心）。

七、如果你现在正在考虑从国内电商转到跨境，我想先送你一句话：
先别急着下场，先把认知补齐。
很多时候，慢一点琢磨清楚，反而会走得更稳、更快。