注意力稀缺时代

AI在内容生产这一块,速度越来越快,质量越来越高,不管是文章,软件,APP, 图片还是视频包括电影电视剧等,之前需要的时间与现在需要的时间与工作量来比,之前是现在的成百上千倍。

今早我看到如下这个新闻:

今年上半年国内各平台上线了 36.7 万部微短剧,其中超过 74% 是 AI 生成的,平均每天新增超过 1500 部 AI 短剧。

现在 AI 生成的短剧,比之前真人短剧有意思多了,编剧更有趣,一些之前不好拍场景也可以随意生成。真人短剧受限于成本,一般场景设定都比较简单,出场人物也比较少,但是 AI 短剧完全没有限制。

人们现在能接触到内容真的是源源不断,应接不暇,但真正能认真看的,被受注意的内容并不会很多

一个人一天能花在看内容的时间是固定的,并不会增长,最长不超10小时,但大部人估计1到2小时

这些无穷的内容,真正能进入人们视线的估计10不存一,所以,

内容已经不值钱了

掌握人们看到什么的平台才是真正的现金牛

平台可以选择让哪些内容呈现给人们,它就有话语权,定价权

而那些内容生产者,只有被收割的份。

或许偶尔可以跑出一个爆款内容,但这估计也只是平台放出来的烟雾弹,想继续引诱内容生产人员加大投入,让他们有这个错觉,好像下一个爆款就是我

所以,在内容爆炸时代,注意力才是真正的稀缺资源。

对于个人而言,特别想要做一些事情的人,最核心的是保护自己的注意力,不要去被垃圾内容吸引

我们判断一个信息是否有价值的唯一判断标准是,这个信息是否能改进你当前的局面,当前的认知,当前的状态;而绝大部分的内容是无法做到这一点的。

真正优质的信息散落在海量的垃圾内容里,等待被有缘人发掘。

AI来了,软件人还有出路吗?我想从人的需求说起

之前,信息技术、互联网、软件行业发展得如火如荼,创造了大量的就业岗位,大量的年轻人获得了较高的收入,也创造了大量的财富。数字化的风吹遍了各行各业,吹进了大江南北,每一个企业都在谈数字化,每一个企业家都很焦虑:如果不数字化,是不是就要被淘汰?

没几年,AI来了,掀起了滔天巨浪。AI代替文员,代替设计师,代替软件工程师,甚至有人说,AI可以代替所有的岗位。企业开始重新考虑哪些工作需要人来做,许多从业者也开始担心,自己的岗位还能存在多久。

而随着AI不断发展,人们对它的期待,已经从文字处理、代码编写,延伸到了数学研究、生物医药、新材料、物理学等领域。以前我们认为只有专业人员才能做的事情,如今也开始讨论能不能交给AI。

而我作为一名软件工程师,同时又是一个创业者,不禁思考:我是不是要被AI拍在沙滩上了?我的出路还在吗?我们软件行业要何去何从?

我想,要理清这个问题,我们要回到最开始,去了解:人们为什么需要软件?人的需求究竟是什么?

人为什么需要软件?

我们讨论的这些需求,归根结底都来源于人。离开了人,软件、技术、产品,也就失去了服务的对象。

所以,人的需求是什么?借用马斯洛需求层次理论,以及后来对它的扩展,我们可以从以下几个方面来看:

  • 生理需求:维持人类生存的最基本条件,比如衣、食、住、空气、睡眠。
  • 安全需求:人身安全、健康保障、工作与收入的稳定,以及财产安全。
  • 社交需求:友情、亲情、爱情,以及人际交往带来的归属感。
  • 尊重需求:成就感、名誉,以及受到他人的认可与尊重。
  • 自我实现需求:发挥个人潜能,实现个人理想和抱负。
  • 此外,还有认知求知、审美、自我超越等方面的需求。

这些需求,也可以从匮乏与增长两个方向去理解。一方面,我们希望弥补缺少的东西,让自己能够生存,生活得安全、稳定;另一方面,我们也希望不断成长,理解更多的事情,实现更多的价值。

那在这些需求的背后,软件满足了哪些?对这些需求起到了什么作用?我们一条一条来拆解。

对于生理需求,衣食住行这些都离不开设计、生产制作、销售、运输,以及管理和供应链的协调。而软件在这里起到的作用,本质上是优化信息流转,把流程固定下来,提高效率,把那些原来只存在于每一个员工脑子里的知识留存下来,让产品在这些流程环节中流动得更快,成本更低。

计算机与软件的发展,也让那些原来不能做,或者很难做到的事情,可以通过大量的计算、设计和验证来实现。比如模拟仿真软件、有限元分析软件等,就被用于汽车、电子、建筑等行业的设计与生产环节。

因为生产效率提高了,各种产品的成本降低了,物质逐渐丰富起来,人的生理需求也就能够得到更好的满足。

对于安全需求,软件可以帮助人们记录和检查生产过程,发现异常,管理资产,也可以帮助整理健康信息、辅助专业人员工作。它让一些原来很难看清、很难及时发现的问题,变得更容易被发现和处理。

而互联网的发展,让信息流动得更快速,也满足了人的社交需求。人们可以在互联网上找到朋友,寻找爱情,与亲朋好友保持较为紧密的联系。

有一部分人,通过把自己的认知与思考发到网上,表现为博客、文章、视频、观点与见解,既满足了其他人的认知求知需求,也让自己获得了成就感、名誉,以及他人的认可与尊重。

还有一些人,通过软件创作、学习、设计,去实现过去没有条件实现的想法。这又满足了人的成长与自我实现需求。

而移动互联网的发展,更是把这些能力带到了每个人身边。一部小小的手机,就可以完成过去许多需要电脑才能完成的事情。计算、信息分享、购物、社交,都可以随时随地进行。人们也越来越多地把时间花在手机上,花在社交媒体和短视频平台上。

回头来看,软件的形式一直在变,但它做的事情,始终与人的需求有关。

AI会让这些需求消失吗?

因此,AI的发展会让这些需求消失吗?

不会。

人还是要吃饭、穿衣、居住,还是希望安全、健康,还是需要朋友、家人,需要被理解、被认可,也还是希望成长,做成一些事情。

当然,具体的需求会随着环境发生变化,但这些底层的需求,不会因为AI出现就消失。

只要人在,这些需求就在。会改变的,是这些需求被满足的方式。

一开始,人们寻找信息资料,得去图书馆翻查;后来,可以到Google等搜索引擎上搜索;而到了AI时代,人们又多了一种方式,可以直接通过与AI对话来寻找答案。对于一些问题,这样会更简单、更方便,但重要的信息依然需要核实。

在这个过程中,人想要了解一个问题、找到一份资料的需求没有变,变的是获取信息的方式。

企业也是一样。

企业购买库存管理软件,不是因为它需要一个库存页面,而是因为它不想缺货,也不想积压太多货。

企业购买客户管理软件,不是因为它喜欢录入客户资料,而是因为它希望少遗漏客户,做好跟进,促成更多生意。

用户真正需要的,并不是软件本身,而是软件能够帮助他完成什么。

如果AI可以用另一种方式,更好地完成这些事情,那么原来的软件形式就可能发生变化,甚至被替代。但背后的需求,仍然存在。

原来不值得做的事情,可能值得再做一次

AI在文字与信息处理、代码编写等方面展现出的能力,让我们看到了另一种可能:一些工作,不一定还需要人从头到尾亲自完成。

而随着AI能力提高,如果使用成本和整体交付成本能够继续降低,那么一些原来不能做、做不好,或者因为太贵而没有人愿意做的事情,就可能值得重新考虑。

比如,一家小工厂,希望把老师傅的经验整理下来,让新员工遇到问题时能够随时查阅。

过去,要专门找人访谈、记录、分类、整理,还要持续更新。工厂可能觉得太麻烦、太贵,最后还是依赖老师傅现场教。

如果AI能够辅助整理这些资料,让员工用日常语言就能查询,再由有经验的人进行确认,那么这个以前一直想做、却没有做成的事情,就可能有机会做起来。

再比如,一家小公司,希望认真回复每一个客户的咨询,但请专人不划算,老板自己又忙不过来。以前只能接受回复慢、跟进不及时,现在就可以重新考虑,哪些环节能够交给AI,哪些环节仍然需要人来处理。

这些需求过去不存在吗?存在。

只是过去解决这些需求的成本太高,用户付不起,服务方也赚不到钱,所以没有形成生意。

AI可能改变的,就是这笔账:原来不值得做的事情,现在可能值得做;原来做不到的事情,现在可能可以做。

由此推理,我认为以后有可能出现更多小而专的中小企业,甚至是只有几个人的小团队。每一个团队服务一定量的用户群体,解决一类具体问题,不需要做得很大,也可以形成自己的生意。

当然,这不是说AI一来,钱就一定流动得更快,经济就一定会更好。技术带来的可能性,还需要变成真正有人愿意付费、能够持续交付的服务。

但至少,很多以前算不过来的事情,现在值得重新算一遍了。

软件从业者可以从哪里寻找机会?

而我作为软件行业的从业者,一名创业者,一个工程师,要如何在这个AI发展的大趋势中占据一个生态位?

我想,还是要从人的需求出发,结合自己的优势,认真去推理,去想象:如果AI继续发展,会有什么事情变得可行?人们会需要什么?会出现哪些新的服务?这些服务又需要哪些基础平台?

对于生理需求,未来可能每个家庭都有一个专属AI助手。家里缺少什么,它可以根据主人的习惯整理清单、比较价格,在获得授权后下单,也可以帮助安排、提醒一些日常事务。

而对于满足生理需求的生产过程,AI也可能帮助企业分析需求、预测销量,更及时地调整备货、生产和运输。但预测是否准确,执行是否可靠,仍然需要真实业务来检验。

对于安全与健康,我们可以期待AI辅助科研人员寻找新的药物和治疗思路。而在更贴近日常生活的地方,AI也可能帮助人们整理健康记录,理解需要向医生询问的问题,配合设备记录身体指标,在需要时提醒用户寻求专业帮助。

这里的机会,不是简单地让AI扮演一个“什么都懂的医生”,更不能把它的回答直接当成诊断,而是看它能不能把信息整理、日常记录、就医准备这些事情做好。

对于社交,AI角色扮演、陪伴式交流,可能会满足一部分人的表达和陪伴需求。但陪伴不等于心理治疗,也不意味着人与人之间的关系可以被完全替代。

另一方面,AI也可以帮助人们更好地建立真实联系。比如帮助练习表达,帮助跨越语言障碍,帮助找到有共同兴趣的人。

对于尊重和自我实现,AI可能让更多人有能力把自己的想法做出来。一个不会写代码的人,可以尝试制作自己的小工具;一个没有专业设计能力的人,可以更容易地表达自己的创意;一个想学习新知识的人,也可以获得更多解释、练习和反馈。

这些方向都很大,不是一个人、一个团队就能做完的。

而真正适合我们的机会,往往就在其中一个很具体的环节里。

你熟悉制造业,就去看制造业里那些长期靠人协调、反复出错的事情。

你熟悉教育,就去看学习过程中那些一直没有被照顾好的差异。

你擅长系统集成,就去考虑,如何让AI与企业现有的软件、数据、权限和流程连接起来。

你擅长基础技术,就去看,当这些AI服务真正运行起来时,需要怎样的监控、评估、成本管理和安全保障。

不一定每个人都要去做一个通用AI产品。我们可以从自己熟悉的人群、行业和问题出发,找到一个足够具体的位置。

最关键的是,从交付软件变成交付结果

但在这些变化里,我认为最关键的一点,是我们需要改变过去的交付思路。

以前,我们习惯交付软件。

客户需要什么功能,我们把功能做出来;需要什么流程,我们把流程配置好;系统上线,培训完成,项目验收,我们的工作也就基本结束了。

至于客户有没有真正用起来,问题有没有真正解决,有时候还需要客户自己花很多精力去完成。

而在AI时代,我们需要进一步思考:能不能不只是交付一个工具,而是直接帮助用户完成结果?

比如,过去我们交付一套报表系统,让用户自己选择条件、导出数据、分析原因。

现在,我们能不能帮助用户把数据整理好,找出异常,把需要关注的问题和判断依据一起交给他?

过去,我们交付一套客户管理系统,让销售人员自己录入、查找、提醒、跟进。

现在,我们能不能帮助他整理沟通记录,找出遗漏的跟进,准备下一次沟通所需的材料,再把需要本人决定的事情交给他?

过去,我们交付一个生成报价单的功能。

现在,我们能不能根据客户需求,整理资料,查询历史报价,标记不确定的地方,最后交付一份可以由负责人审核的报价草案?

这里发生的变化,不只是界面从按钮变成了对话框。

而是我们从“给用户一个可以完成工作的软件”,变成了“帮助用户把这件工作完成”。

当然,交付结果不意味着可以承诺一切。

我们不能因为做了销售助手,就保证客户的销售额一定增长;不能因为做了健康助手,就保证用户不会生病。

而是要找到一个边界清楚的结果:哪些事情由系统完成,做到什么程度算合格,哪些地方必须由人确认,出现问题以后如何处理。

越是向结果靠近,就越需要考虑准确性、稳定性、权限、安全和责任。这也意味着,工程师的工作并没有因为模型能够写代码就结束,而是要进一步把这些能力组织起来,让它们在真实环境中可靠地运行。

回到我们自己的出路

所以,再回到最开始的问题:我是不是要被AI拍在沙滩上了?软件行业的出路还在吗?

我想,如果我们把自己定义为某一种固定工具的使用者,只能按照过去的方式写代码、做页面、交付系统,那么确实会面临越来越大的压力。

但如果我们把自己定义为解决问题的人,那么AI也可以成为我们新的能力。

我们可以重新去看,那些过去没有解决好的需求,那些因为成本太高被放弃的需求,那些用户一直在忍受、却没有合适方案的需求。

然后结合自己的经验、技术、行业理解和客户资源,推理出哪些事情值得再做一次,哪些结果现在可以交付。

人的底层需求仍然在那里,但机会不会自动落到我们手里。我们需要去接近用户,理解问题,把技术变成实际可用的服务。

软件会变,AI会变,但人对更好生活的需求不会因此消失。变化的,是我们满足这些需求的方式。

而我们软件从业者要做的,就是在这个变化中,找到自己能够发挥优势的位置。

从以前的交付软件,走向交付结果。

不只是告诉用户:“这个软件可以帮你做什么。”

而是进一步做到:“这件事情,我可以帮你完成。”

AI+教育,99%的公司都在扯淡

原文:https://mp.weixin.qq.com/s/Yc1-1d88aVQMn0wwzqHLqA

任何行业,只要加上AI的概念,就有了讲故事的空间。讲故事很容易,做好产品很难。
AI+ 教育亦是如此。 你以为AI在帮孩子学习,实际上AI在帮孩子偷懒。 你以为AI在给孩子讲题,实际上AI在直接给答案。
大部分人对AI教育的理解,从根上就错了。你以为拼的是大模型有多牛逼,其实根本不是。真正的AI教育,是多层技术栈的系统工程。99%的公司,连第一层都没做透。

教育的最小单元

教育说复杂很复杂,说简单也简单。

不管你用什么方法、什么工具、什么理论。

最终要把一个学生教会,本质上就是三件事:

第一,你得先知道他哪里不会。

第二,你得用他听得懂的方式,把不会的给他讲明白。

第三,你得确保他真的学会了,而且不会忘。

第一层:诊断

  • 先搞清楚一个问题

为什么同样是错题本,有的越用成绩越好,有的越用越差?

因为前者在补”知识点”,后者在补”题”。

诊断,就是把”一道错题”还原成”整个知识体系漏洞”的那一步。

以前靠考试,一张卷子两小时,效率极低。孩子数学考 60 分,老师说“计算不行”,狂练三个月计算还是 60 分。真正的问题可能是三年级的“分数通分”没学好,导致后面所有涉及分数的复合题全错。补错地方了。

AI 诊断解决的就是这个问题:不用等考试,做几道题,就能精准定位出知识点里哪些没掌握,甚至追溯到是几年前的哪个前置漏洞导致的。

  • 背后的技术栈:自适应的三代演进

这套系统不是黑科技,是教育行业几十年的算法演进,在工程落地中主要经历了三代变化:

第一代:IRT(项目反应理论) —— 相当于给题目的“难度”和学生的“战力”做个天平。学霸和差生做对同一道题,系统给加的经验值是不一样的。缺点是它是个静态快照,只能看当前,算不出你明天的变化。

第二代:BKT(贝叶斯知识追踪) —— 20年前自适应平台的核心。它给每个知识点安了一个动态胜率表,做对概率上升,做错概率下调。缺点是太孤立,看不懂知识点之间的连带关系。

第三代/前沿:DKT(深度知识追踪)与 GKT(图知识追踪) —— 依托深度学习。因为纯 DKT 是个不可解释的黑盒,现在业界头部的落地选型是 GKT(图知识追踪)+ 显式知识图谱。最新前沿甚至在尝试用 LLM 增强知识追踪(把学生的错因文本转化为高维向量灌入模型),完美复现知识点间的“塌方效应”。

这里面最难的根本不是算法,而是底层的知识图谱拆得够不够细(也就是微技能打标)。

“一元一次方程”只拆成一个点,再牛逼的模型也没用。必须拆到“识别同类项、移项变号、去分母”这种微技能(Micro-skills)级别,诊断才能真正精准。

大部分产品所谓的个性化,闭环逻辑粗暴得搞笑:学生做错了→ 自动丢进错题本→ 下次推同类型题。这不叫个性化,这叫错题本电子化。

真正的诊断,是穿透题目表面,看到底层的认知缺陷:能清晰区分出“这道几何题做错,到底是辅助线没掌握,还是代数计算粗心”。

  • 看一个真实案例

Carnegie Learning专做 K12 数学自适应。他们的 MATHia系统,光是“一元一次方程”就拆成了 17 个微技能节点。孩子做错题,系统精准提示:“你的问题出在‘移项变号’上,当前掌握概率只有 32%。”

就诊断这一件事,他们死磕了 15 年。

这,才仅仅是第一层。第二层:教学

  • 先下一个定义

直接给答案的AI,是搜题工具;会提问的AI,才是老师。

好的教学,不是把答案灌输给孩子,是一步步引导孩子自己想明白。

很多人以为,AI 讲题不就是把题目扔进 GPT,让它输出解题步骤吗?

这样做,会遭遇三个致命硬伤:

  1. 幻觉与超纲: 明明是小学几何题,它可能会给出高中的向量解法。
  2. 不讲人话: 开口就是“根据定理 3.2 我们可以得出…”,学生完全听不懂。
  3. 零引导: 直接给终极答案,剥夺了学生的思考过程。

真正的 AI 教学系统,孩子拍了张照上传,它不会直接给答案,而是扮演“苏格拉底”,一步步启发:

“你看看这两个三角形,有没有发现什么关系?” 

“如果这两条边相等,对应的两个角是什么关系?”

  • 背后的技术栈:启发式教学的五个底层模块

要实现这种“像好老师一样”的启发式对话,绝对不是接个 API 就能搞定的,背后是一整套复杂的工程栈:

垂域大模型微调(说人话): 通用模型是不懂教学规律的。你得用数十万小时的名师讲题录音、结构化题库去专门调教它,把模型从一个“冷冰冰的学者”变成一个“懂克制、会说人话的老师”。

多智能体反思架构(后台自纠错): 单一模型讲题很容易陷入“自圆其说”的幻觉——自己算错了还觉得自己特有道理。成熟的产品在线下会跑多 Agent 对抗,一个负责解题,一个扮演“纠错官”,一个负责把步骤拆成提问。在把话发给学生之前,它们在后台先“打一架”,确保万无一失。

视觉解析与符号几何引擎的耦合(神经网络+符号主义): 理科的几何题是重灾区。光靠大模型盲猜辅助线,准确率是不稳定的。必须通过视觉识别(OMR)看懂图形的拓扑关系,再把关系输入给确定的几何解题引擎去算,用机器的严谨去补足大模型的“感性”

对话状态追踪与延迟控制(不冷场): 讲题是长轮次对话。系统不仅要精准追踪学生“卡在哪一步”,更要在工程上把首字响应延迟(TTFT)压到 3 秒以内。在教学中,超过 3 秒的停顿冷场,孩子的注意力就彻底散了。

教学策略引擎(因材施教): 这是一个强化学习问题。系统能从数据里学会:对基础薄弱、容易气馁的孩子多鼓励、多用大白话;对学霸则言简意赅,直接点拨核心。

  • 看一组真实数据

宾大沃顿商学院曾针对近 1000 名高中生做过一项严格的随机对照实验(RCT),他们被分为三组:

  • 第一组: 传统教学,不使用任何 AI。
  • 第二组: 使用普通 ChatGPT(直接搜答案)。
  • 第三组: 使用加了教学护栏的 AI Tutor(引导式讲题)。

实验结果让人警醒:

  • 普通 ChatGPT 组: 刷题练习时成绩暴涨 48%,但到了独立正式考试,成绩反而比不用 AI 的普通学生还要低 17%(学生对直接要答案产生了严重的心理依赖)。
  • 引导式 AI Tutor 组: 练习成绩暴涨 127%,正式考试成绩也获得了显著的实质性提升


差的不是大模型,是大模型内外的多层教学策略和引导护栏

这,是第二层。

第三层:练习

  • 再理解一个现象

讲懂了,不代表学会了。学会了,不代表不会忘。在传统教育里,练习和复习才是真正拉开学生差距的地方。

很多 AI 教育产品在“讲完题”之后就撒手不管了,这就是它们没用的根源——它们只做了“输入”,没做“内化”。

同样是学一个知识点:

  • 有的孩子可能学一遍就记住了。
  • 有的孩子可能写了十遍,过三天还是忘。 这真不是孩子笨,而是刷题的节奏、复习的时机完全搞错了。

好的 AI 练习系统,就像一个全天候盯着孩子的私教。它会死死记住你家孩子哪个知识点容易忘,在快要遗忘的临界点突然推一道题过来巩固,直到真正变成长期记忆。

  • 背后的技术栈:自适应练习的四大内核

这一层外行看不见,也吹不了牛。它在底层其实是一套纯粹的数据闭环,通过算法把刷题变成了“打游戏”:

最近发展区: 算法在给学生挑题时,既不挑太难的(打击自信),也不挑太简单的(浪费时间)。它永远在计算你的能力边界,保证下一道题刚好在你的“最近发展区”——就像打游戏,关卡难度刚好是你踮起脚尖、集中精神就能打过的“精英怪”。

知识追踪模型: 这是个强化学习问题。学生每做一道题、每看一分钟视频,甚至在题目上停顿了十秒钟,数据都会被喂进模型,实时更新他对每个微技能的掌握概率。在系统后台,学生的“技能雷达图”和“知识点血条”每秒钟都在变。

间隔重复算法: 大家都听过艾宾浩斯遗忘曲线,但怎么用好它?算法会根据你前几次的做题速度和对错,精准算出你对这个公式的“半衰期”。不等你全忘光,在记忆即将断裂的那个早晨,它会准时把复习题推到你面前。

流式行为数据分析: 厉害的系统连学生做题时鼠标的停顿、手写笔的回退、修改轨迹都能捕获。你在这里卡了 15 秒,系统就知道你虽然最后做对了,但其实是在纠结两个公式,掌握得并不扎实。

  • 看不见的基本功

练习这一层,在产品发布会上最难吹牛。因为你没办法在 PPT 上跟观众吹:“我们的间隔重复算法让复习效率优化了 2%”,观众听了只想打哈欠。

大家都喜欢吹“我们的大模型参数有多少亿”、“我们的生成速度有多快”。但真正决定提分效果的,往往就是这些看不见的、极其枯燥的、需要用真金白银砸数据去跑 A/B 测试的算法细节。

AI 教育是个真正的慢生意。你得沉下心来,一年一年地跑数据,一毫米一毫米地磨细节。这里,没有任何捷径可走。

这,是第三层。
AI+教育的三个闭环

市面上 99% 融了钱、开了发布会的 AI 教育产品,在接下来的两三年里大概率会无声无息地死掉。

不用看它的大模型参数有多高,也不用听它的营销故事有多性感。在商业落地和用户留存的生死线上,你只需要用三个闭环指标去穿透它:

1. 结构化内容闭环:你的“颗粒度”能支撑算法跑多远?

如果一个项目宣称自己用的是大模型自适应,你只需要看他的知识图谱打标精度

伪概念: 连自主知识图谱都没有,指望大模型靠语义理解直接去猜学生的漏洞。

真壁垒: 能够跨学科拆解出 10 万个以上的微技能(Micro-skills)节点,并且有底气掏出针对 Bad Case(错误标注)的动态修正流。算法只是发动机,强结构化的内容图谱才是原油。没有原油,再好的算法也是空转。

2. 跨模态工程闭环:你能否跨越“神经网络”与“符号主义”的鸿沟?

K12 教育(尤其是数理化)是重度依赖图形、公式和长文本推理的。

伪概念: 拍一张模糊的几何题照片,直接调用一个通用多模态大模型 API,然后赌它输出解题思路的正确率。

真壁垒: 前端靠高级 OMR 进行视觉拓扑解析,后端必须将数据降维,灌入确定的几何符号引擎(Solver)。能清晰报出自身在权威数据集上的跑分,并把端到端首字响应延迟(TTFT)卡在用户注意力分散之前。跨不过这道工程坎,产品体验就是灾难。

3. 数据与评测闭环:你是在做“体验爽感”,还是在做“统计学显著”?

伪概念: 拿不出任何严谨的数据,只会用“用户反馈很好”、“孩子更爱学习了”这种无法量化的感性词汇来掩盖留存率的拉胯。

真壁垒: 能够真正跑通随机对照实验(RCT)。敢于把真实的样本量、对照组数据、提分百分点以及 $p < 0.05$(统计显著性)的实验报告拍在桌子上。只有通过了统计学检验的产品,才具备真正的续费壁垒。

这三个闭环,就是大模型浪潮退去后,AI+教育真正应该思考的方向。

AI 从不负责凭空创造教育奇迹,它只负责把那些对教育规律的纯粹敬畏、对教育细节的工匠雕琢,精准地转化为因材施教的生产力。
后记

每一次技术浪潮来临,行业都在争论“AI 会不会让老师失业”。

这个讨论,从一开始就失焦了。

在过去很多年的时间里,我们的学校和机构被迫采用了“流水线”式的工业化教育:一个老师,带着 50 个学生,用统一的教材,用同样的进度,刷同样的题。

在这种模式下,老师被迫变成了“讲题机器”和“批改工具”,他们 70% 的精力都在做毫无技术含量的机械重复。而学生,则被迫抹平了个性,去适应流水线的速度。

AI 教育真正的变革,不是消灭老师,而是要终结这种反人性的工业化流水线。

它把老师从“讲题机器”的苦役中解放了出来。

省下来的时间,老师终于可以去履行教育最本源的职责: 去观察那个坐在角落里、内向不敢举手的孩子; 去和最近状态下滑的学生在操场上散散步、聊聊天; 去点燃孩子的内驱力,去培养他们的批判性思维和创造力。

AI 负责把知识“降维传输”,老师负责把灵魂“升维点燃”。

这场变革才刚刚开始。

那些只会念 PPT、只会逼学生机械刷题的“生产线工人”,确实该面临转型了;

而那些真正有温度、有信仰的教育者,又怎么会轻易被AI替代。

为什么你的 SEO 做了几年越做越死?Google 底层五层闭环逻辑给你说透

文章转自大罗SEO: https://mp.weixin.qq.com/s/9YaKNHsv2f_Ua4j0B8AjxA?scene=334

太长不看版:

我看完整篇文章后总结而言,要专注 + 要想办法提高用户在网站上停留时间,做对目标用户而言有用的内容。

  1. 保持网站专注
  2. 保持用户停留时间30s以上,没收录,没外链的内容该删删
  3. 尽可能争取行业权威媒体,网站的外链

原文

很多人天天在朋友圈看各种 SEO“大神”吹牛,今天说这个算法更新,明天说那个秘籍。

其实,真正能看清 Google 底牌的机会就一次。

2024 年 3 月,Google 内部一份技术文档库被公开索引了。

足足 14,014 条内部技术记录,没有任何美化,里面不是宣传口径,而是底层逻辑。

我花了两周时间把这些记录翻了一遍,感受很直接:

Google 嘴上经常说“做好内容就行”,但文档里看到的是另一套东西:它用一套很严密的“五层打分系统”在评估你的网站。

最要命的是,这五层分不是各算各的。

它们像齿轮一样扣在一起,只要有一层出了坏信号,就会把其他几层一起拖下水,整站流量就开始雪崩。

今天我不跟你扯那些看不懂的代码,我用最直接、大白话的方式,给你把这五层系统扒得清清楚楚。

做外贸站、SaaS、跨境电商 SEO 的,可以重点看,直接上干货。

怎么理解 Google 的这套“五层打分系统”?


在聊细节之前,你脑子里先得有这张全局图。

第一层:整站质量评分(你的网站在同行里到底算老几)

第二层:主题聚焦(你这个站到底是干嘛的,有没有乱写)

第三层:外链信号(别人怎么评价你,谁在给你背书)

第四层:用户行为(用户点进来之后,是满意地看完了,还是骂骂咧咧地秒退)

第五层:内容质量(你的内容是花心思写的,还是用 AI 批量洗出来的)

听着很简单对不对?

但我想告诉你一个被所有人忽略的核心真相:

这五层不是一个清单,而是一个闭环系统。

在泄露的文档里,有一个贯穿始终的关键变量,我们可以叫它“整站表现评分”。

Google 会拿你的网站和同类型网站做全方位的对比。

这个评分一旦低了,它会直接削弱你外链的效果,甚至让你的内容直接进“低质量过滤器”。

反过来,用户在第四层的糟糕表现,又会直接拉低第一层的整站评分。

这叫一荣俱荣,一损俱损。

为什么有些站跌下去,就再也回不来了?

Google 之前在公开场合多次否认过他们有“站点权威评分”这种东西。

但这次文档里,相关信号写得很清楚。

文档里清清楚楚地写着:系统会根据整站的表现进行综合打分,并直接参与排序。

所以,别只听 Google 对外怎么说,要看它内部怎么计算。

在整站质量这一层,最恐怖的逻辑是:惩罚是会叠加的。

以前我们只知道 Google 有个旧版过滤器,专门抓那些字数少、没营养的垃圾页面。

但文档显示,现在多了一个新版过滤器,还是叠加在旧版之上的。

也就是说,如果你的网站整站评分差,你不是被罚一次,而是新旧过滤器一起伺候你。

这还没完,后台还有低质量标记、导航降权、非权威评分等好几个惩罚维度。

一个质量差的网站,可能同时背着四五个惩罚。

这就解释了为什么很多外贸站经历一次核心更新后,流量不是一天跌完的,而是每周跌一点,持续跌半年。

因为惩罚在叠加,你的整站质量分已经进入了下滑循环。

救这种站,去改一两篇文章的标题根本没用。

你得下狠手,把过去一年完全没有流量、没有排名、没有外链的“僵尸页面”全部找出来。

该删就删,该合并就合并,该做 301 跳转就做 301 跳转。

别让这些垃圾页面拖累你的整站质量分。

关于这段话,我现在有遇到这个问题,我把我的网站从老域名迁移到新域名,现在已经有2个月了,但是新域名流量还是很低, GSC上能看到的索引很少,我不确定是google新算法认为我们的站点质量低了还是需要时间处理,预期要多少时间处理呢?我该在什么时机进行删减流程?早了我怕工作白费,晚了我怕流量没了,真的好纠结。

为什么乱写内容的网站死得最快?

很多老板做外贸站,觉得内容越多越好。

今天写个 CNC 加工工艺,明天写个太阳能电池板趋势,后天为了蹭热度,甚至写了一篇 AI 行业展望。

老板觉得自己网站真丰富,什么都懂。

但 Google 在后台,其实在算两样东西:

第一,你整个网站的“主题指纹”;

第二,你每一个单页的“主题指纹”。

如果这两个指纹对不上,Google 就会觉得你这一页“长错了地方”,直接不给权重。

更关键的是,Google 还会给每个网站分配一个“主类别”。

如果你在这个主类别里深耕,写的内容和主类别高度相关,你会拿到额外的加分。

如果你乱写,Google 就会在后台判定你的网站“主题不聚焦”。

所以,做 SaaS 和外贸 SEO 的人,别再什么词都想写了。

如果你是个做发票自动化 SaaS 的,你就给我先把发票处理、应付账款、识别流程这些主题写透。

不要一上来就写什么“企业数字化转型的未来”。

这种词流量再大,离你的“主题指纹”太远,写了也是白写,反而稀释了你网站的专业度。

现在的外链到底怎么发才算有效?

关于外链,Google 以前说他们已经不用老一套的链接算法了。

确实,因为他们升级了,现在用的是“距离加权链接评分”。

用人话说:Google 的系统里有一批绝对信任的“源头网站”(比如顶级高校、政府网站、超级新闻门户)。

你的网站离这些“源头”有几代关系,直接决定了你链接的价值。

如果一个行业大媒体直接链向你,你就在信任圈内,这个链接极其值钱。

如果你是从别人买来的、倒了五六手的垃圾博客链过来的,基本就没什么价值。

这就解释了为什么你买了 100 条廉价外链,排名动都不动一下。

另外,关于链接,文档里还坐实了三个非常重要的细节:

第一,内链和外链都重要。内链的锚文本用得好,效果不比很多外链差,关键是你自己能控制,不用花一分钱。

第二,锚文本旁边的字也很重要。别只链接“点击这里”。链接周围如果有你的核心概念,Google 能读出来。

第三,权威链接可以“背书”。如果你的行业比较敏感,只要拿到一个顶级权威站的链接,它就能把你想办法搞来的其他普通链接带起来。

做外贸和 SaaS 站,外链就按这个优先级去搞:

行业媒体和行业协会 > 合作伙伴和客户案例 > 优质行业博客 > 展会和供应链目录。

至于那些群发的、首页全站链接的垃圾外链,趁早离远点,后台全有对应的风险标记在等着你。

Google 真的能监控到用户在网站上的小动作?

很多技术派 SEO 觉得,只要我技术指标做好了,用户在网站上干嘛 Google 管不着。

其实Google 一直在通过Chrome记录用户的真实行为。

他们看点击率,看留存,其中有一个特别重结果要的指标“坏点击”。

什么是坏点击?

用户点进你的页面,看了一眼,5 秒钟之内就按了返回键,回到 Google 继续搜。

这就是最典型的坏点击。

如果你的网站有很多坏点击,系统会判定你货不对板,直接降低你这页的测试频率,进而拉低整站评分。

你想想,很多外贸站页面点进去,全是毫无意义的套话:我们是专业的制造商,提供一流的服务。

没有具体的材料规格,没有交货周期,没有质检报告,甚至连张高清的设备图都没有。

买家点进来,两秒钟就退出了。

这就是为什么你把关键词堆得再好,排名也会在两周内掉光。

因为用户用脚投票了,Google 记下来了。

这也是为什么那些用 AI 批量生成、没有任何人工干预的“垃圾内容站”死得快的原因。

因为根本没有活人在这些页面上停留。

没有真实的用户行为数据支持,你的整站质量评分就是一坨死水,根本涨不动。

怎么写文章才能让 Google 觉得我“用心了”?

到了最底层的内容质量,Google 理解内容的方式已经不是“关键词匹配”了。

它在做“概念识别”。

比如你写一篇关于“外贸建站”的文章,你不用在一句话里重复五次“外贸建站”。

Google 会去看你的文章里有没有出现“域名”、“服务器”、“询盘转化”、“SSL 证书”、“响应式设计”这些关联概念。

概念覆盖得越自然、越专业,它就觉得你写得越深。

更可怕的是,文档里明确提到,Google 有一个 AI 模型在评估作者在文章里“付出的努力”。

你随手用 AI 写的干瘪文章,跟一篇有真实数据、有个性化观点、有精美图表的深度好文,后台算出来的“努力度评分”是天壤之别。

还有一个重点:AI 检测是整站级别的。

你偶尔用 AI 润色一两篇没事,如果你整站 80% 的内容都是 AI 批量生成的,系统会算出一个“整站 AI 内容比例”,直接给整站降权。

还有,别再玩那种“改个标题年份就当成新文章”的把戏了。

文档里有专门记录页面“真正更新时间”的字段。

要更新,就老老实实地加数据、加案例、重写陈旧段落。

这五层系统,到底是怎么互相咬合的?

现在,我们把这五层串起来看,你就能明白 Google 的游戏规则了:

你的内容不用心(第 5 层) → 用户进来秒退(第 4 层) → 产生大量坏点击,拉低整站质量评分(第 1 层) → 触发低质量过滤器(第 1 层) → 导致你之前辛苦做的外链全部失效(第 3 层) → 所有页面排名全面下滑。

这是一个极其残酷的系统。

想要排名上去,你必须五层都及格,才能拿到好结果。

但想要排名掉光,你只需要在其中一层作死,就会产生链式反应。

所以,别再迷信那些取巧的“短期见效”手段了。

老老实实把这个闭环跑通,才是唯一的正道。

从中心页到主题集群的内容结构
从中心页到主题集群的内容结构

给你一套马上能落地的“五步自救清单”

如果你现在手里正管着一个外贸站或者 SaaS 站,别再急着去发那些没用的 AI 文章了。

今天开始,按我说的,一步一步做这五件事:

第一步:整站大扫除

打开你的 Search Console 和 GA4。

把过去 12 个月完全没有流量、没有排名的页面全部导出来。

能合并的合并,能重写的重写,实在没用的,直接删掉,不要手软。

确保留在站上的每一个页面,都是对用户有价值的。

第二步:锁死主题边界

别再做“百科全书”了。

如果你做工业泵,就把泵的选型、材料、常见故障、行业应用写透。

做 SaaS 的,就把具体的使用场景、痛点解决方案写成专题。

一个专题不打透,绝对不碰下一个专题。

第三步:重做你的内链网络

检查你核心想要排名的“产品页”或“解决方案页”。

从你写过的优质博客文章里,找出和这个产品相关的段落,手动加上指向产品页的内链。

锚文本要自然,不要千篇一律地用同一个词。

第四步:解决“5秒跳出”问题

去盯着你那些流量大、但跳出率极高的页面。

是不是第一屏太丑?是不是全是废话?

在首屏最显眼的地方,直接给出用户最想要的答案,或者放一张核心产品对比表。

只要能把用户留住 30 秒,你的整站质量分就会开始回升。

第五步:给核心内容“人工加料”

把那些有排名的核心文章拿出来。

把 AI 写的、空洞的段落删掉,换成你自己的行业经验、客户的真实反馈、或者是具体的避坑指南。

每隔半年,根据行业的新变化,给这些文章增加 10% 的真正新内容。

相信我,在这个全网都是 AI 垃圾内容的时代。

只要你多花 10% 的心思,去做别人懒得做的脏活累活。

Google 的这套系统,至少会更愿意把你当成一个值得测试、值得展示的结果。

赚钱永远不是靠出卖时间

赚钱永远是要靠发现

发现那些结构性收益,那些别人因为认知、能力、厌恶、组织惯性或监管复杂度而没有捕捉到的结构性收益。

然后把从这个结构性收益出发,占据某个生态位。因为结构性收益并不长久,需要尽快向占据生态位转化。

赚钱永远要靠占据生态位

占据那些能持续产生收益,而别人绕不开的点,那个稀缺位置。你因为控制了某种稀缺资源、稀缺位置、稀缺能力或稀缺关系。而这个生态位能获得超过市场平均水平的收益。

比如地理位置,拥有大流量,交通便利的不可再生的地理位置。小到城市里的某个铺面,大字到国家,国际的某个位置。

比如牌照,银行、保险、支付、医疗都因为这些

比如网络效应,你看微信,用的人越多,就越离不开;你看抖音,用户越多,就越多人发视频,就有更多的优质内容,越多的优质内容,就吸引更多的用户。

比如关键数据资源,如google, tesla, 数据越多,产品越好;产品越好,数据越多。

还有的比如:品牌/信任,流程嵌入的切换成本、标准协议接口

什么是生态位?

生态位是你服务谁,解决什么问题,依赖什么资源,链接哪些节点,控制什么瓶颈,形成什么不可代替性的总和。

生态位 = 客户角色 × 关键任务 × 稀缺资源 × 价值流位置 × 防御机制

生态位一定要绑定具体的角色,因为预算、痛点、流程、使用频率都和角色有关。例如:
例如:
– 连锁门店区域经理。
– 货代操作员;
– 跨境电商客服主管;
– 三甲医院病案室主任;
– 制造业售后负责人;
– 中小企业财务负责人;
– 律所初级律师;
– 保险理赔员;

关键任务:你解决什么不可忽视的问题?