准备继续搞：高级版的 SEO Audit Skill，已完成 basic release 了。感谢大家 300+ stars
https://github.com/JeffLi1993/seo-audit-skill
或者搞个新的 Agent Skill SEO Blog Creator 尤其针对 Alternative 型 、列表(Listicle) 型这些博客文章
https://github.com/JeffLi1993/seo-audit-skill
或者搞个新的 Agent Skill SEO Blog Creator 尤其针对 Alternative 型 、列表(Listicle) 型这些博客文章
江学勤在采访中说，“我们已经身处第三次世界大战之中”。他说：“下一步很可能是俄罗斯加入这场战争（美伊冲突），站在伊朗一边。”……如果俄罗斯为了伊朗而参战，那么俄罗斯可能会让中国参与进来。
江学勤还称，中国和俄罗斯可以为伊朗提供足够的资金，“让伊朗想打多久就打多久”。
我个人觉得这种想法很危险， 拖着中国把钱耗在战争里，这正是敌方的希望看到的。
江学勤还称，中国和俄罗斯可以为伊朗提供足够的资金，“让伊朗想打多久就打多久”。
我个人觉得这种想法很危险， 拖着中国把钱耗在战争里，这正是敌方的希望看到的。
DeepSeek招聘agent产品经理啦，HC多多！
模型策略产品经理 Agent方向
职责描述：
a. Agent场景定义与策略闭环
洞察高价值Agent应用场景——个人助理（如OpenClaw式的生活/工作Agent）、Deep Research、自动化工作流、多模态设备控制等——定义模型能力需求与产品策略，主导Agent评测体系及训练数据方案的设计，以数据驱动持续迭代模型表现与用户体验。
b. 技术判断力与竞品洞察
熟悉Agent核心机制（Tool Use、Planning、长期记忆、Multi-Agent协作等）；持续跟踪行业前沿，熟悉并深度使用过Claude Code、OpenClaw、Manus等知名agent；对主流Benchmark及真实用户场景下的能力瓶颈有体系化认知，能将竞品观察转化为可落地的模型优化方向。
c. 问题拆解与跨团队推进
将模糊的场景痛点（如Agent跨session记忆连续性、多工具调度可靠性、个性化偏好建模等）拆解为明确的模型能力Gap、数据构造方案和评测指标，协同研发与数据团队推进落地，确保从策略到上线的完整闭环。
HC多多，实习/全职都可以，实习需on-site半年以上，一周到岗四天，base北京/杭州，简历投递地址：zy.wu@deepseek.com
模型策略产品经理 Agent方向
职责描述：
a. Agent场景定义与策略闭环
洞察高价值Agent应用场景——个人助理（如OpenClaw式的生活/工作Agent）、Deep Research、自动化工作流、多模态设备控制等——定义模型能力需求与产品策略，主导Agent评测体系及训练数据方案的设计，以数据驱动持续迭代模型表现与用户体验。
b. 技术判断力与竞品洞察
熟悉Agent核心机制（Tool Use、Planning、长期记忆、Multi-Agent协作等）；持续跟踪行业前沿，熟悉并深度使用过Claude Code、OpenClaw、Manus等知名agent；对主流Benchmark及真实用户场景下的能力瓶颈有体系化认知，能将竞品观察转化为可落地的模型优化方向。
c. 问题拆解与跨团队推进
将模糊的场景痛点（如Agent跨session记忆连续性、多工具调度可靠性、个性化偏好建模等）拆解为明确的模型能力Gap、数据构造方案和评测指标，协同研发与数据团队推进落地，确保从策略到上线的完整闭环。
HC多多，实习/全职都可以，实习需on-site半年以上，一周到岗四天，base北京/杭州，简历投递地址：zy.wu@deepseek.com
This media is not supported in your browser
VIEW IN TELEGRAM
最近在开发圈很火的 GitHub 项目 Firecrawl，
一个专门给 AI 用的智能爬虫，已经 7万+ Star 了。
一句总结：
它可以把任何网站，直接变成 AI 能用的数据。
只要给它一个 URL，它就会自动：
- 抓取整站页面
- 清洗网页内容
- 解析结构信息
- 输出 Markdown / JSON
也就是说：
网站 → 结构化数据 → 直接喂给 LLM。
现在很多 AI 项目的数据流程其实都是：
网站 → Firecrawl → 向量库 → RAG → AI 应用
如果你在做：
- AI Agent
- RAG 知识库
- 自动化数据采集
这个工具基本算是 AI 开发的基础设施了
互联网充电｜优质资源
优质内容｜内幕消息
一个专门给 AI 用的智能爬虫，已经 7万+ Star 了。
一句总结：
它可以把任何网站，直接变成 AI 能用的数据。
只要给它一个 URL，它就会自动：
- 抓取整站页面
- 清洗网页内容
- 解析结构信息
- 输出 Markdown / JSON
也就是说：
网站 → 结构化数据 → 直接喂给 LLM。
现在很多 AI 项目的数据流程其实都是：
网站 → Firecrawl → 向量库 → RAG → AI 应用
如果你在做：
- AI Agent
- RAG 知识库
- 自动化数据采集
这个工具基本算是 AI 开发的基础设施了
互联网充电｜优质资源
优质内容｜内幕消息
#出海运营秘籍👉@yunying23
群友 4 月做的新站，喜提 70 万点击，让我们恭喜这位努力且幸运的群友。
说努力是我知道他这个域名是那天 0 点买的，买完就立马上线了，才有了后续的一切。
说幸运是他后来居上，拿到了很多别的渠道的增长，超过了之前上站的群友。
当然，这也得益于这两年他不断上站积累下来的经验，知道一个站，怎么更快更好的上线发布。
随便糊弄一下，显然是不行的。
顺便“批评”下某些群友，抢域名很积极，上站不积极，结果域名注册好了，就放在那里吃灰，完全是浪费钱。
其实不要害怕，慢点就慢点，晚几天甚至晚几周都没事，买了域名就要上线。
你总得对得起自己花出去的域名钱吧。
群友 4 月做的新站，喜提 70 万点击，让我们恭喜这位努力且幸运的群友。
说努力是我知道他这个域名是那天 0 点买的，买完就立马上线了，才有了后续的一切。
说幸运是他后来居上，拿到了很多别的渠道的增长，超过了之前上站的群友。
当然，这也得益于这两年他不断上站积累下来的经验，知道一个站，怎么更快更好的上线发布。
随便糊弄一下，显然是不行的。
顺便“批评”下某些群友，抢域名很积极，上站不积极，结果域名注册好了，就放在那里吃灰，完全是浪费钱。
其实不要害怕，慢点就慢点，晚几天甚至晚几周都没事，买了域名就要上线。
你总得对得起自己花出去的域名钱吧。
工业机器人数量最多的国家排名（大约数据）：
1. 🇨🇳 中国 – 约 180 万台机器人
2. 🇯🇵 日本 – 约 43.5 万台
3. 🇺🇸 美国 – 约 38 万台
4. 🇰🇷 韩国 – 约 42 万台
5. 🇩🇪 德国 – 约 27 万台
6. 🇮🇹 意大利 – 约 10 万台
7. 🇫🇷 法国 – 约 9 万台
8. 🇮🇳 印度 – 约 4.5 万台
9. 🇸🇬 新加坡 – 约 3.5 万台
数据来源：IFR 机器人行业估算
1. 🇨🇳 中国 – 约 180 万台机器人
2. 🇯🇵 日本 – 约 43.5 万台
3. 🇺🇸 美国 – 约 38 万台
4. 🇰🇷 韩国 – 约 42 万台
5. 🇩🇪 德国 – 约 27 万台
6. 🇮🇹 意大利 – 约 10 万台
7. 🇫🇷 法国 – 约 9 万台
8. 🇮🇳 印度 – 约 4.5 万台
9. 🇸🇬 新加坡 – 约 3.5 万台
数据来源：IFR 机器人行业估算
claude 与 SpaceX 的合作太疯狂了。
我对编程一窍不通。完全零基
础。
我刚刚在30分钟内构建了3个
完全功能的网页应用。
http://localhost:3000/
http://localhost:5000/
http://localhost:8000/
去看看吧。
我对编程一窍不通。完全零基
础。
我刚刚在30分钟内构建了3个
完全功能的网页应用。
http://localhost:3000/
http://localhost:5000/
http://localhost:8000/
去看看吧。
艾伦研究所的知名研究员 Nathan Lambert，前两天来北京和我们熟知的国内 AI 公司聊了一圈，包括月之暗面、智谱、字节、阿里、美团、小米等等。
聊完之后，他写了一篇文章做总结。我觉得这篇挺有意思的，因为 Nathan 本身对硅谷非常熟，这次相当于带着硅谷的视角来看我们中国的 AI 实验室是怎么运作的，以及他看到了哪些不一样的地方。
文章我看完了，写一些自己的笔记。
1、DeepSeek 被所有人公认为技术品味和执行力最好，是技术方向上的引领者，但在商业上并不是引领者。
反过来，像字节、阿里这种巨头，被视为真正能够把大模型吃进整个业务体系、最终兑现成大规模市场份额的那批公司。
2、字节是各大中国 AI 实验室最重视的竞争对手，因为他们思路清晰，而且战斗力极强。
一个可以印证侧面是，在开放权重已经成主流气质的中国 AI 圈子里，字节是少数坚持走 OpenAI 这条闭源路线的公司，同时，目前他们的豆包应用地位相当于中国的ChatGPT。
3、美团、蚂蚁、小米这些公司为什么自己做大模型？国外Uber、Airbnb 这批公司也没做自己的模型，用的时候买别人的就行了。
但在这些中国公司眼里，LLM 是未来产品的核心底座，如果完全依赖外部模型，等于把自己最关键的那一层放在别人手里，被掣肘只是时间问题。所以宁可自己花大力气训一个通用模型，把这块底座攥在自己手里。
4、中国开发者几乎都被 Claude 圈粉了。Nathan 说，很多一线开发者描述日常写代码时，都主动提到 Claude，承认它改变了自己的开发方式，哪怕它在中国并不能正式落地。
少数人会提到自己在用 Kimi 或者智谱的命令行工具，但被问到真正高频依赖的助手时，几乎都会说回 Claude。在湾区很火的 Codex，在中国被提到的频率反而没有那么高。
5、中国的 LLM 社区更像一个生态，而不是彼此敌对。Nathan 和多家实验室私下交流后，发现他们谈到同行时，几乎都是尊重和欣赏，很少有火药味。而在硅谷，私下聊起其他实验室，话锋会很快变得尖锐。
6、中国大模型团队的整体气质和美国不一样。表面上看，大家都是搞大模型、RL、Agent，用的技术栈差不多，但在组织方式和人本身的气质上，中国这边更像一支全栈工程队。
研究员普遍愿意做琐碎、不出彩的脏活累活，愿意为了整体模型效果搁置自己的方案，不太追求个人署名和明星科学家身份。
这种弱 ego 的文化，在那种需要各个模块严丝合缝配合的大工程里，反而更适配。Llama 团队据说就是被相反的那种文化拖垮的，一群顶尖研究员都想让自己的方案进最终模型，互相博弈。
7、中国顶级实验室里，学生的比例非常高，而且是直接参与主战场的大模型研发，不是被边缘化的实习。和美国的 OpenAI、Anthropic、Cursor 这些几乎不开放相关实习形成鲜明对比。
Google 名义上有 Gemini 实习，但大家普遍担心实习内容被隔离在核心工作之外。
学生的优势是对旧时代 AI 范式没有太多包袱，能很快把上一套观念清空，重新学习。同时他们极度习惯在巨量论文和内部技术细节中速成，把复杂栈啃下来，进组之后就愿意把人生阶段压在这件事上。
8、中国研究员对宏大的 AI 叙事兴趣不高。Nathan 在和不少一线研究员聊天时，发现他们一提到经济结构变化、社会风险、AI 道德这些问题，往往会有明显的停顿和困惑，像是被问了一个和日常工作无关的问题。
很多人会直接表达，自己的角色就是把模型做好，而不是对社会怎么变发表观点。有位研究员还引用了 Dan Wang 的说法，中国是工程师在掌舵，美国是律师在掌舵。
Nathan 也观察到，中国并没有 Dwarkesh、Lex Fridman 这种能系统性把科学家捧成明星的播客生态。这种习惯既和个人性格有关，也深受教育和制度环境的塑造，他们在一个不鼓励公开争论社会议题的系统里长大，并且在里面取得了成功。
9、北京的 AI 圈子整体很像湾区版的紧凑硅谷。从机场下飞机，可以顺路去阿里北京园区，坐几趟滴滴，在三十六小时之内走完智谱、月之暗面、清华、美团、小米、零一万物等一长串机构。
整座城市里，打车过去就是一个新的实验室。选大一点的车型，常见是带按摩椅的电动小面包。这种空间上的密集分布，让不同实验室之间的交流成本被压得很低，研究员之间的流动也变得非常频繁。
10、中国研究员普遍更偏工程视角，对融资、产业格局、资本叙事这些话题兴趣没那么高。Nathan 在硅谷习惯了另一种氛围，研究员对外部环境的敏感度非常高，融资、算力、数据生态、行业风向，几乎每个人都在认真琢磨自己所在公司的位置和外部环境的关系。
因为今天做 AI 已经不是关起门来搞工程奇迹那种事了，模型公司同时是一个综合体，要建模、要部署、要融资、要拉生态，外面的每一根线都会反过来影响里面的研究节奏。
但中国研究员明显不在这个频道上。Nathan 问到行业生态、融资、算力供应、数据产业这些话题，得到的反应常常是耸耸肩，说那不是我的问题，我的事就是把模型做好。
11、中国企业对 AI 的花钱习惯，更接近云，而不是 SaaS。外界常说中国企业不愿意为软件买单，所以本土 AI 市场会偏小。但 Nathan 和多位从业者聊完后，感受到的现实是，虽然传统 SaaS 市场确实不大，但云服务在中国是个大生意。
关键问题变成，企业为 AI 付费，最终会更像买 SaaS，还是更像买云基础设施。从目前各家公司的实际讨论和规划来看，大家普遍不太担心企业侧的 AI 支出，倾向认为它会挂在更刚性的基础设施那一侧。
12、中国的数据产业在 RL 和高质量任务环境上明显不如美国成熟。和 OpenAI、Anthropic 那种可以为单个 RL 环境花上千万美元、一年累计几亿美金的玩法相比，中国团队的普遍反馈是，本土数据服务供应商不是没有，但质量参差不齐，很难直接买到能用的内容。
于是就形成了一种很中国式的解决办法，很多 RL 场景、评测环境干脆自己搭，研究员本人要花大量时间设计任务、构建环境。字节、阿里这种大公司，也会养起自己庞大的标注团队，在公司内部自给自足。
13、算力是所有中国实验室的共同痛点。无论走到哪家，大家对高质量英伟达 GPU 的需求都是一个词，不够用。如果供应允许，他们会毫不犹豫地继续加仓。
国产加速卡在推理侧评价还可以，已经被不少公司部署到在线服务里，华为芯片在很多实验室都有落地。但在大规模训练上，英伟达依然是黄金标准，国产方案更多是辅助补位。
14、在开放程度和生态态度上，中国实验室显得既务实又有整体视角。Nathan 几乎问遍了所有头部团队，为什么会在这样的环境下持续开放自家最强模型。他自己坦言，把所有权心态和真实的生态支持这两件事联系起来，他还没完全想明白。
但从对话里，他归纳出几个共同的现实诉求，通过开放权重，快速让更多开发者参与打磨，发现缺陷；通过回馈开源社区，获得技术和口碑上的正循环；同时在内部保留更定制、更私密的模型版本服务自家业务。整体表现出来的，是一种既不绝对开源、也不一味封闭的中间态。
15、中国实验室对英伟达芯片的渴求是压倒性的。Nathan 走访下来，所有人现在的进展都卡在同一件事上，就是英伟达的卡不够用。
如果能买到，毫无疑问会继续加仓。
这里他特意点出来一个区分，英伟达是训练这一侧的黄金标准，没有替代品。但在推理这一侧，画风就完全不一样了。包括华为在内的国产加速卡，评价都是正面的，不是凑合用，是真的能打。
Nathan 说他遇到的实验室里，无数家都已经能拿到华为芯片，供给这边不是问题。所以中国实验室现在的真实状态是一个两层结构，训练咬牙抢英伟达，推理大方用国产卡，分得很清楚。
聊完之后，他写了一篇文章做总结。我觉得这篇挺有意思的，因为 Nathan 本身对硅谷非常熟，这次相当于带着硅谷的视角来看我们中国的 AI 实验室是怎么运作的，以及他看到了哪些不一样的地方。
文章我看完了，写一些自己的笔记。
1、DeepSeek 被所有人公认为技术品味和执行力最好，是技术方向上的引领者，但在商业上并不是引领者。
反过来，像字节、阿里这种巨头，被视为真正能够把大模型吃进整个业务体系、最终兑现成大规模市场份额的那批公司。
2、字节是各大中国 AI 实验室最重视的竞争对手，因为他们思路清晰，而且战斗力极强。
一个可以印证侧面是，在开放权重已经成主流气质的中国 AI 圈子里，字节是少数坚持走 OpenAI 这条闭源路线的公司，同时，目前他们的豆包应用地位相当于中国的ChatGPT。
3、美团、蚂蚁、小米这些公司为什么自己做大模型？国外Uber、Airbnb 这批公司也没做自己的模型，用的时候买别人的就行了。
但在这些中国公司眼里，LLM 是未来产品的核心底座，如果完全依赖外部模型，等于把自己最关键的那一层放在别人手里，被掣肘只是时间问题。所以宁可自己花大力气训一个通用模型，把这块底座攥在自己手里。
4、中国开发者几乎都被 Claude 圈粉了。Nathan 说，很多一线开发者描述日常写代码时，都主动提到 Claude，承认它改变了自己的开发方式，哪怕它在中国并不能正式落地。
少数人会提到自己在用 Kimi 或者智谱的命令行工具，但被问到真正高频依赖的助手时，几乎都会说回 Claude。在湾区很火的 Codex，在中国被提到的频率反而没有那么高。
5、中国的 LLM 社区更像一个生态，而不是彼此敌对。Nathan 和多家实验室私下交流后，发现他们谈到同行时，几乎都是尊重和欣赏，很少有火药味。而在硅谷，私下聊起其他实验室，话锋会很快变得尖锐。
6、中国大模型团队的整体气质和美国不一样。表面上看，大家都是搞大模型、RL、Agent，用的技术栈差不多，但在组织方式和人本身的气质上，中国这边更像一支全栈工程队。
研究员普遍愿意做琐碎、不出彩的脏活累活，愿意为了整体模型效果搁置自己的方案，不太追求个人署名和明星科学家身份。
这种弱 ego 的文化，在那种需要各个模块严丝合缝配合的大工程里，反而更适配。Llama 团队据说就是被相反的那种文化拖垮的，一群顶尖研究员都想让自己的方案进最终模型，互相博弈。
7、中国顶级实验室里，学生的比例非常高，而且是直接参与主战场的大模型研发，不是被边缘化的实习。和美国的 OpenAI、Anthropic、Cursor 这些几乎不开放相关实习形成鲜明对比。
Google 名义上有 Gemini 实习，但大家普遍担心实习内容被隔离在核心工作之外。
学生的优势是对旧时代 AI 范式没有太多包袱，能很快把上一套观念清空，重新学习。同时他们极度习惯在巨量论文和内部技术细节中速成，把复杂栈啃下来，进组之后就愿意把人生阶段压在这件事上。
8、中国研究员对宏大的 AI 叙事兴趣不高。Nathan 在和不少一线研究员聊天时，发现他们一提到经济结构变化、社会风险、AI 道德这些问题，往往会有明显的停顿和困惑，像是被问了一个和日常工作无关的问题。
很多人会直接表达，自己的角色就是把模型做好，而不是对社会怎么变发表观点。有位研究员还引用了 Dan Wang 的说法，中国是工程师在掌舵，美国是律师在掌舵。
Nathan 也观察到，中国并没有 Dwarkesh、Lex Fridman 这种能系统性把科学家捧成明星的播客生态。这种习惯既和个人性格有关，也深受教育和制度环境的塑造，他们在一个不鼓励公开争论社会议题的系统里长大，并且在里面取得了成功。
9、北京的 AI 圈子整体很像湾区版的紧凑硅谷。从机场下飞机，可以顺路去阿里北京园区，坐几趟滴滴，在三十六小时之内走完智谱、月之暗面、清华、美团、小米、零一万物等一长串机构。
整座城市里，打车过去就是一个新的实验室。选大一点的车型，常见是带按摩椅的电动小面包。这种空间上的密集分布，让不同实验室之间的交流成本被压得很低，研究员之间的流动也变得非常频繁。
10、中国研究员普遍更偏工程视角，对融资、产业格局、资本叙事这些话题兴趣没那么高。Nathan 在硅谷习惯了另一种氛围，研究员对外部环境的敏感度非常高，融资、算力、数据生态、行业风向，几乎每个人都在认真琢磨自己所在公司的位置和外部环境的关系。
因为今天做 AI 已经不是关起门来搞工程奇迹那种事了，模型公司同时是一个综合体，要建模、要部署、要融资、要拉生态，外面的每一根线都会反过来影响里面的研究节奏。
但中国研究员明显不在这个频道上。Nathan 问到行业生态、融资、算力供应、数据产业这些话题，得到的反应常常是耸耸肩，说那不是我的问题，我的事就是把模型做好。
11、中国企业对 AI 的花钱习惯，更接近云，而不是 SaaS。外界常说中国企业不愿意为软件买单，所以本土 AI 市场会偏小。但 Nathan 和多位从业者聊完后，感受到的现实是，虽然传统 SaaS 市场确实不大，但云服务在中国是个大生意。
关键问题变成，企业为 AI 付费，最终会更像买 SaaS，还是更像买云基础设施。从目前各家公司的实际讨论和规划来看，大家普遍不太担心企业侧的 AI 支出，倾向认为它会挂在更刚性的基础设施那一侧。
12、中国的数据产业在 RL 和高质量任务环境上明显不如美国成熟。和 OpenAI、Anthropic 那种可以为单个 RL 环境花上千万美元、一年累计几亿美金的玩法相比，中国团队的普遍反馈是，本土数据服务供应商不是没有，但质量参差不齐，很难直接买到能用的内容。
于是就形成了一种很中国式的解决办法，很多 RL 场景、评测环境干脆自己搭，研究员本人要花大量时间设计任务、构建环境。字节、阿里这种大公司，也会养起自己庞大的标注团队，在公司内部自给自足。
13、算力是所有中国实验室的共同痛点。无论走到哪家，大家对高质量英伟达 GPU 的需求都是一个词，不够用。如果供应允许，他们会毫不犹豫地继续加仓。
国产加速卡在推理侧评价还可以，已经被不少公司部署到在线服务里，华为芯片在很多实验室都有落地。但在大规模训练上，英伟达依然是黄金标准，国产方案更多是辅助补位。
14、在开放程度和生态态度上，中国实验室显得既务实又有整体视角。Nathan 几乎问遍了所有头部团队，为什么会在这样的环境下持续开放自家最强模型。他自己坦言，把所有权心态和真实的生态支持这两件事联系起来，他还没完全想明白。
但从对话里，他归纳出几个共同的现实诉求，通过开放权重，快速让更多开发者参与打磨，发现缺陷；通过回馈开源社区，获得技术和口碑上的正循环；同时在内部保留更定制、更私密的模型版本服务自家业务。整体表现出来的，是一种既不绝对开源、也不一味封闭的中间态。
15、中国实验室对英伟达芯片的渴求是压倒性的。Nathan 走访下来，所有人现在的进展都卡在同一件事上，就是英伟达的卡不够用。
如果能买到，毫无疑问会继续加仓。
这里他特意点出来一个区分，英伟达是训练这一侧的黄金标准，没有替代品。但在推理这一侧，画风就完全不一样了。包括华为在内的国产加速卡，评价都是正面的，不是凑合用，是真的能打。
Nathan 说他遇到的实验室里，无数家都已经能拿到华为芯片，供给这边不是问题。所以中国实验室现在的真实状态是一个两层结构，训练咬牙抢英伟达，推理大方用国产卡，分得很清楚。
❤1
#出海运营秘籍👉@yunying23
做过媒体账号运营的我知道，作为创作者的时候，都会觉得自己的内容做得非常好，都应该被回复。
后来我也做了创作者运营，才发现像我这样的人，可能有一千个、一万个，甚至十万个。甚至我能加到创作者运营，能被看见、被回复，已经算是比较幸运了。
因为站在创作者这边，你会觉得自己是一个具体的人。你写了一篇内容，花了时间，也确实觉得它有价值，所以会期待平台看到你，运营回复你。
但站在运营那边，你看到的不是一个人，而是一个很大的创作者池。每天都有很多人觉得自己做得不错，也都希望被推荐、被单独对待。
所以后来我对这件事有点祛魅了。
不是说创作者不重要，也不是说认真不重要，而是后来我用工作的逻辑想这件事，就会变得很简单：
你要么能带来流量，要么能带来钱。
就是你能不能补上平台现在缺的内容，能不能让平台的某个目标更容易完成。
创作者最容易痛苦的地方，就是一直站在“我很用心”的角度里等别人回应。
但平台不太会因为你用心就回应你。平台回应的是结果，或者是它对结果的预期。
做过媒体账号运营的我知道，作为创作者的时候，都会觉得自己的内容做得非常好，都应该被回复。
后来我也做了创作者运营，才发现像我这样的人，可能有一千个、一万个，甚至十万个。甚至我能加到创作者运营，能被看见、被回复，已经算是比较幸运了。
因为站在创作者这边，你会觉得自己是一个具体的人。你写了一篇内容，花了时间，也确实觉得它有价值，所以会期待平台看到你，运营回复你。
但站在运营那边，你看到的不是一个人，而是一个很大的创作者池。每天都有很多人觉得自己做得不错，也都希望被推荐、被单独对待。
所以后来我对这件事有点祛魅了。
不是说创作者不重要，也不是说认真不重要，而是后来我用工作的逻辑想这件事，就会变得很简单：
你要么能带来流量，要么能带来钱。
就是你能不能补上平台现在缺的内容，能不能让平台的某个目标更容易完成。
创作者最容易痛苦的地方，就是一直站在“我很用心”的角度里等别人回应。
但平台不太会因为你用心就回应你。平台回应的是结果，或者是它对结果的预期。
OPPO不是什么小众品牌，而是受众涵盖男女老少所有群体的国民级消费品，如此大张旗鼓的宣传“母亲有两个老公”的毁三观词句，还冠以“打破刻板印象”“呈现多元立体母亲”的说辞，
请问谁家小孩希望亲妈有两个老公，自己有两个老爸?
谁家父母希望自己女儿有两个老公？
哪怕对多数正常的女性消费者，“祝你有两个老公”也绝不是什么好话，
最多只是一小撮极端群体的恶趣味罢了，却当做大众营销的素材，不翻车才怪。
一些品牌的公关宣传部门，本身已经成了品牌最大的公关风险雷区，
尤其一些被不良舆论观点影响的策划运营/小编们，习惯性夹带私货，以狭隘的对立情绪搞大众营销，
所以隔三差五就有品牌暴雷，但依然前赴后继，
这些大众消费者的老板们，真应该反思和警惕下，自家内部到底有多少这样拎不清的工作人员。
请问谁家小孩希望亲妈有两个老公，自己有两个老爸?
谁家父母希望自己女儿有两个老公？
哪怕对多数正常的女性消费者，“祝你有两个老公”也绝不是什么好话，
最多只是一小撮极端群体的恶趣味罢了，却当做大众营销的素材，不翻车才怪。
一些品牌的公关宣传部门，本身已经成了品牌最大的公关风险雷区，
尤其一些被不良舆论观点影响的策划运营/小编们，习惯性夹带私货，以狭隘的对立情绪搞大众营销，
所以隔三差五就有品牌暴雷，但依然前赴后继，
这些大众消费者的老板们，真应该反思和警惕下，自家内部到底有多少这样拎不清的工作人员。
❤2