模型上下文协议（MCP）的现状、问题与掘金机会
哈哈哈，凡是深度使用MCP方式接入大量工具的人，应该都很认同这个吐糟，这篇文章👉 （醒醒吧，查看了300+ MCP Server之后，我认为这个生态要祛魅了，MCP就是个残次协议 https://mp.weixin.qq.com/s/PCXaZzZsRBdBytG2YuwKiw）
MCP作为标准协议的问题多的很，工具选择、Server管理、安全、权限一堆，2025年底都不一定能搞成熟，更别提生产用了，只能本地玩玩，不过新标准都这样，信它现在就进来build做基础设施，否则谨慎观望😂，不要跟着现在这波热潮尝试往生产系统接。
哈哈哈，凡是深度使用MCP方式接入大量工具的人，应该都很认同这个吐糟，这篇文章👉 （醒醒吧，查看了300+ MCP Server之后，我认为这个生态要祛魅了，MCP就是个残次协议 https://mp.weixin.qq.com/s/PCXaZzZsRBdBytG2YuwKiw）
MCP作为标准协议的问题多的很，工具选择、Server管理、安全、权限一堆，2025年底都不一定能搞成熟，更别提生产用了，只能本地玩玩，不过新标准都这样，信它现在就进来build做基础设施，否则谨慎观望😂，不要跟着现在这波热潮尝试往生产系统接。
《CursorHub - 最全面的Cursor中文教程网》【会员专享视频教程】区已更新。新增内容包括 Cursor 基础配置/进阶技巧、SEO 工具实操、AI 项目开发及全栈部署视频指南。
同时网站也包含大量免费教程和实战项目，欢迎体验:https://cursorhub.org
同时网站也包含大量免费教程和实战项目，欢迎体验:https://cursorhub.org
FvPv5gmLHbkuqXg6BaNy5w3Bo0gXv3.png
317.4 KB
开源一个压缩 Cloudfare R2 图片的工具
起因是自己的一个生图项目把图片放到了 CLoudfare R2 上，不过上传之前没有做好压缩优化，导致有很多存量的图片很大，就做了这一个小工具将 cloudfare r2 上的图片批量压缩并上传覆盖，最后有一个压缩的 report 。
地址： https://github.com/zhangchenchen/reduce_cloudfare_image
效果大致如下：
起因是自己的一个生图项目把图片放到了 CLoudfare R2 上，不过上传之前没有做好压缩优化，导致有很多存量的图片很大，就做了这一个小工具将 cloudfare r2 上的图片批量压缩并上传覆盖，最后有一个压缩的 report 。
地址： https://github.com/zhangchenchen/reduce_cloudfare_image
效果大致如下：
❤3
#自媒体运营频道 #@yunying23
抖音最近公开了自己的算法，里面写的很多对于做内容的人还蛮有价值的。
https://95152.douyin.com/transparency
尤其是提到了抖音推荐算法的核心逻辑可以简化为“推荐优先级公式”：综合预测用户行为概率 × 行为价值权重 = 视频推荐优先级。
公式展开如下图所示——
也就是说，系统不仅仅是通过用户的实时行为数据，如完播率、互动率来推荐内容。
而且还会考虑到不同的用户行为对平台的价值。
1. 推荐算法会通过算法模型预测用户对候选视频的行为概率（动作率）。结合用户行为和视频本身的价值权重，推算出视频推荐的价值分数，并将综合得出的价值最高的视频推送给用户。
在这个过程中，推荐算法会对用户的一系列行为预估，这些行为包括点赞、关注、收藏、分享、不喜欢、是否点击作者头像、评论区停留时长、长期消费等等。
2. 价值模型，代表了抖音对于哪些动作可能更重要的理解。简单来说，如果仅考虑用户交互概率，可能会造成一些问题，比如，一些精心制作的中长优质视频，可能因为完播率较低，而在分发中处于劣势地位。
因此，通过价值模型，对用户的互动行为进行价值计算，并通过不断调整参数，对各类价值进行加权。
然后，按“价值最大化”原则计算出候选内容的分数。在这个原则的指导下，算法会综合考虑多个因素来评估候选内容的价值。它不仅会关注内容本身的特点，还会考虑作者的收益以及平台生态等因素。
通过对这些因素的深入分析和权衡，算法能够为每个候选内容计算出反映其潜在价值的分数，从而为后续的推荐提供有力的依据。
抖音最近公开了自己的算法，里面写的很多对于做内容的人还蛮有价值的。
https://95152.douyin.com/transparency
尤其是提到了抖音推荐算法的核心逻辑可以简化为“推荐优先级公式”：综合预测用户行为概率 × 行为价值权重 = 视频推荐优先级。
公式展开如下图所示——
也就是说，系统不仅仅是通过用户的实时行为数据，如完播率、互动率来推荐内容。
而且还会考虑到不同的用户行为对平台的价值。
1. 推荐算法会通过算法模型预测用户对候选视频的行为概率（动作率）。结合用户行为和视频本身的价值权重，推算出视频推荐的价值分数，并将综合得出的价值最高的视频推送给用户。
在这个过程中，推荐算法会对用户的一系列行为预估，这些行为包括点赞、关注、收藏、分享、不喜欢、是否点击作者头像、评论区停留时长、长期消费等等。
2. 价值模型，代表了抖音对于哪些动作可能更重要的理解。简单来说，如果仅考虑用户交互概率，可能会造成一些问题，比如，一些精心制作的中长优质视频，可能因为完播率较低，而在分发中处于劣势地位。
因此，通过价值模型，对用户的互动行为进行价值计算，并通过不断调整参数，对各类价值进行加权。
然后，按“价值最大化”原则计算出候选内容的分数。在这个原则的指导下，算法会综合考虑多个因素来评估候选内容的价值。它不仅会关注内容本身的特点，还会考虑作者的收益以及平台生态等因素。
通过对这些因素的深入分析和权衡，算法能够为每个候选内容计算出反映其潜在价值的分数，从而为后续的推荐提供有力的依据。
❤5👍1
如果把业务的原子能力MCP化，产品经理其实可以低成本做出很多demo，比如cursor做前端交互，基模做后端的规划和工具调用。
AI让业务分类的边界模糊，也让岗位的边界模糊了。未来需求单，可能会附上演示demo，而不仅仅是文字描述和原型图。
AI让业务分类的边界模糊，也让岗位的边界模糊了。未来需求单，可能会附上演示demo，而不仅仅是文字描述和原型图。
国乒不知道最近大家有没有关注，世界杯居然被巴西人雨果给拿走了，而且是接连斩了世界排名前三的几位大将，包括国乒的林诗栋，王楚钦还有日本的张本智和，乒坛史上实属罕见。
不过，我并不是要讨论这里的输赢问题，我更关心的是，怎么现在国民对乒乓球的关注热度这么强烈？
换做几年前，哪有人讨论这事啊，大家只会关心足球，篮球，网球那些大赛事，
乒乓球基本无人问津，除了奥运会，哪有谁讨论国乒啊，哪怕是超一流的运动员都鲜为人知，
以前无论拿了多少个世界冠军，也没诞生出过一个像足球，篮球领域那样的国民级体育明星，
但是看现在，孙颖莎，王楚钦，马龙，樊振东哪个不经常霸榜头条的位置，讨论热度堪比影视明星，
特别是王楚钦，三大赛的成绩很一般，至今还是 0 冠，但是粉丝的排场却很疯狂，不逊色于影视明星，同时还拿下了 LV，松下，麦当劳，可口可乐等品牌的代言，吸金能力杠杠的。
所以我真的很好奇，背后是不是有个组织在捧他？是不是有人在刻意地运作？让我也学一学人家怎么搞流量！
所以我去扒了扒这个组织，WTT 这个频繁出现的赛事组织。
之所以会有这个组织，正是因为乒乓球平时只有世界杯奥运会等大赛才有人看，平时没人关注，曝光度太低，运动员收入和商业价值太低，很难吸引群众参与到这项运动中来。
WTT 赛事的成立就是为了推动乒乓球运动的商业化，什么是商业化，比如 C 罗，国家队不比赛的时候，他就去俱乐部踢球，赚工资，郑钦文可以去打比赛赚奖金，所以，当一项运动真商业化运营后，收入就不只是国家补贴了，而是靠提升观众的关注度，赚门票钱，赚广告钱等。
WTT 的创始成员也都很牛逼，每个人都大有来头且分工细致，如刘国梁，前世界冠军加中国乒协主席，卡里尔，卡塔尔人，投资体育产业的中东大资本家，苏布瑞迪，媒体总监，主要职责是推动乒乓球明星的粉丝经济，瞅瞅这背景，是不是跟搞一个 mcn 公司特别像，在这几个大人物的推动下，乒乓球的商业化就算正式打响了！
WTT 大大小小各级别的赛事超过 30 项，每周无缝衔接，再把转播权卖给了咪咕，打通线上线下，保证比赛的曝光度。
比赛有了，如何让乒乓球有很多人看？
之所以王楚钦，孙颖莎那么火，粉丝愿意为他们买单，除了自身实力和成绩以外，
更关键的是 WTT 刻意打造的粉丝经济，前面提到的媒体总监苏布瑞迪，她的前司可是体育界的网飞，旗下的 IMG 是牛逼轰轰的体育经济公司，打造出过谷爱凌，郑钦文，阿德等超级体育偶像，2020 年开始 WTT 就跟 IMG 合作，像其他领域一样，对乒乓球运动员进行商业化运营。
干货来了，这是我学到的最核心的搞流量三板斧，或者说是搞个人 IP 的三板斧，看看人家具体是怎么从零到一打造一个超级体育偶像的:
1.打人设
体育明星跟娱乐明星一样，想要吸引粉丝的关注，除了自身业务以外，在台下刻意营造的人设更加重要，比如孙颖莎台上是大魔头，台下是可爱的萌萌的邻家少女，王楚钦偷偷练腹肌，对粉丝的高冷等，经过广泛地传播之后就能在粉丝心中留下非常深刻的印象，觉得明星也是个活生生的人，不会那么遥远。
2.刷脸轰炸
WTT 高频的比赛直播，再加上基于直播画面的短视频切片不断地在社媒上疯狂轰炸，让乒乓球运动员持续地在粉丝面前亮相，展示风采，加强跟粉丝的粘性。
3.跨界代言
通过跨界代言给运动员加上品牌价值，比如王楚钦跟 LV 有合作，孙颖莎跟代言了 oppo，这些运动员跟这些大品牌的合作加次推高了知名度和身价，影响力更是一飞冲天。
以上一套组合拳下来，则造就了今天乒乓球运动员的火热程度，WTT 也顺理成章地可以完成各种收割，包括各地办比赛收的版权收入，品牌赞助比赛的收入，门票的收入等等。
妙啊，这一整套下来，完成了ip 打造到流量变现的整个闭关，原来体育明星也是这么玩的，其实没什么东西是自然而然形成的，背后一定有专业的人在刻意规划和运作，我们看到的东西是别人想让我们看到的而已。
所以，对于我们这些搞个人 ip 的，搞流量的，一定要想清楚，我们想成为别人眼里的什么人很重要，然后不断地重复再重复。
不过，我并不是要讨论这里的输赢问题，我更关心的是，怎么现在国民对乒乓球的关注热度这么强烈？
换做几年前，哪有人讨论这事啊，大家只会关心足球，篮球，网球那些大赛事，
乒乓球基本无人问津，除了奥运会，哪有谁讨论国乒啊，哪怕是超一流的运动员都鲜为人知，
以前无论拿了多少个世界冠军，也没诞生出过一个像足球，篮球领域那样的国民级体育明星，
但是看现在，孙颖莎，王楚钦，马龙，樊振东哪个不经常霸榜头条的位置，讨论热度堪比影视明星，
特别是王楚钦，三大赛的成绩很一般，至今还是 0 冠，但是粉丝的排场却很疯狂，不逊色于影视明星，同时还拿下了 LV，松下，麦当劳，可口可乐等品牌的代言，吸金能力杠杠的。
所以我真的很好奇，背后是不是有个组织在捧他？是不是有人在刻意地运作？让我也学一学人家怎么搞流量！
所以我去扒了扒这个组织，WTT 这个频繁出现的赛事组织。
之所以会有这个组织，正是因为乒乓球平时只有世界杯奥运会等大赛才有人看，平时没人关注，曝光度太低，运动员收入和商业价值太低，很难吸引群众参与到这项运动中来。
WTT 赛事的成立就是为了推动乒乓球运动的商业化，什么是商业化，比如 C 罗，国家队不比赛的时候，他就去俱乐部踢球，赚工资，郑钦文可以去打比赛赚奖金，所以，当一项运动真商业化运营后，收入就不只是国家补贴了，而是靠提升观众的关注度，赚门票钱，赚广告钱等。
WTT 的创始成员也都很牛逼，每个人都大有来头且分工细致，如刘国梁，前世界冠军加中国乒协主席，卡里尔，卡塔尔人，投资体育产业的中东大资本家，苏布瑞迪，媒体总监，主要职责是推动乒乓球明星的粉丝经济，瞅瞅这背景，是不是跟搞一个 mcn 公司特别像，在这几个大人物的推动下，乒乓球的商业化就算正式打响了！
WTT 大大小小各级别的赛事超过 30 项，每周无缝衔接，再把转播权卖给了咪咕，打通线上线下，保证比赛的曝光度。
比赛有了，如何让乒乓球有很多人看？
之所以王楚钦，孙颖莎那么火，粉丝愿意为他们买单，除了自身实力和成绩以外，
更关键的是 WTT 刻意打造的粉丝经济，前面提到的媒体总监苏布瑞迪，她的前司可是体育界的网飞，旗下的 IMG 是牛逼轰轰的体育经济公司，打造出过谷爱凌，郑钦文，阿德等超级体育偶像，2020 年开始 WTT 就跟 IMG 合作，像其他领域一样，对乒乓球运动员进行商业化运营。
干货来了，这是我学到的最核心的搞流量三板斧，或者说是搞个人 IP 的三板斧，看看人家具体是怎么从零到一打造一个超级体育偶像的:
1.打人设
体育明星跟娱乐明星一样，想要吸引粉丝的关注，除了自身业务以外，在台下刻意营造的人设更加重要，比如孙颖莎台上是大魔头，台下是可爱的萌萌的邻家少女，王楚钦偷偷练腹肌，对粉丝的高冷等，经过广泛地传播之后就能在粉丝心中留下非常深刻的印象，觉得明星也是个活生生的人，不会那么遥远。
2.刷脸轰炸
WTT 高频的比赛直播，再加上基于直播画面的短视频切片不断地在社媒上疯狂轰炸，让乒乓球运动员持续地在粉丝面前亮相，展示风采，加强跟粉丝的粘性。
3.跨界代言
通过跨界代言给运动员加上品牌价值，比如王楚钦跟 LV 有合作，孙颖莎跟代言了 oppo，这些运动员跟这些大品牌的合作加次推高了知名度和身价，影响力更是一飞冲天。
以上一套组合拳下来，则造就了今天乒乓球运动员的火热程度，WTT 也顺理成章地可以完成各种收割，包括各地办比赛收的版权收入，品牌赞助比赛的收入，门票的收入等等。
妙啊，这一整套下来，完成了ip 打造到流量变现的整个闭关，原来体育明星也是这么玩的，其实没什么东西是自然而然形成的，背后一定有专业的人在刻意规划和运作，我们看到的东西是别人想让我们看到的而已。
所以，对于我们这些搞个人 ip 的，搞流量的，一定要想清楚，我们想成为别人眼里的什么人很重要，然后不断地重复再重复。
❤2👍2🤡1
关于 MCP 的几个理解误区：
1. 误区 1：MCP 协议需要大模型支持
MCP 全称模型上下文协议，是为了在用户与大模型对话过程中，补充上下文信息给大模型，让大模型更准确的回答用户提问而设计的。
在 MCP 出来之前，有多种方式可以实现上下文信息的补充，比如：
- 记忆存储。把对话过程的历史消息存储下来，每次新提问，带上历史消息一起发送给大模型
- RAG。在让大模型回答问题之前，先从本地知识库或者互联网上检索信息，作为上下文补充给大模型
- Function Calling。传递一堆工具给大模型挑选，根据大模型的返回参数，调用工具，用工具返回的结果作为上下文补充给大模型
理解了给大模型补充上下文的原理，就可以知道，MCP 的本质，是指导应用层，如何更好的补充上下文信息给大模型。
模型收到回复提问请求时，MCP 工作已经完成了。
结论：MCP 协议不需要大模型支持，哪怕你使用古老的 gpt-2 作为问答模型，依然可以使用 MCP 协议补充上下文信息。
2. 误区 2：只有支持 Function Calling 的模型才支持 MCP 协议
聊 MCP 协议，必须要理解 Function Calling 机制。
- Function Calling 是一种交互范式。
基本流程是应用层传递一堆工具给大模型，大模型意图识别，做一次 Pick Tool 操作，返回应该调用的工具名称和调用参数，再由应用层发起 Call Tool 操作，拿到结果重新给到大模型回答。
Function Calling 这套机制下有三个角色：应用、资源方、大模型。
两个核心步骤：Pick Tool 和 Call Tool。
Pick Tool 需要大模型推理，Call Tool 需要应用与资源方交互。
- MCP 协议是一套交互标准。可以理解为 MCP 是对 Function Calling 机制的包装与升级。
MCP 协议定义了三个角色：主机、客户端、服务器。
跟 Function Calling 机制相比，MCP 协议相当于是把 客户端-服务器 作为一个黑盒。
整体视角看，MCP 协议有四个角色：主机应用、黑盒（客户端-服务器）、资源方、大模型
主机把请求给到客户端，客户端请求服务器，服务器对接资源方，主机最终得到黑盒返回的结果，作为补充上下文给到大模型回答。
Function Calling 是应用直接对接资源，MCP 是应用通过黑盒对接资源，对接更加标准化，资源接入成本更低。
Function Calling 是应用直接定义一堆工具，MCP 是应用从 MCP 服务器获取定义好的工具，应用无需重复编码。
涉及到工具调用的环节，MCP 与 Function Calling 的交互形式一致。都依赖大模型的 Pick Tool 能力。
所谓的大模型支持 Function Calling，是指大模型在 Pick Tool 环节，有更好的理解和推理能力，最终能返回更加准确的 Tool 和参数。
不支持 Function Calling 的模型，依然可以通过提示词工程实现 Pick Tool。只不过准确度不如支持 Function Calling 的模型。
结论：不支持 Function Calling 的模型，依然可以使用 MCP 协议补充上下文信息。
3. 误区 3：大模型原生支持 MCP 协议
所谓的大模型原生支持 MCP 协议，正确的理解应该是大模型内化了 MCP 协议的定义，并且内置集成了大量基于 MCP 协议定义的工具。
当接到用户提问时，应用即使不给大模型传递任何工具，大模型依然可以基于内化的工具列表进行推理，返回应该调用的工具名称和调用参数给应用。
事实上，互联网上的资源是千差万别的，意味着对接资源的 MCP 服务器及其内部的工具是海量的，不可枚举的。
另一个关键点是，某些资源是私有的，需要用户鉴权的，大模型训练时不可能内化用户的鉴权凭证。
从这个角度来讲，大模型内化 MCP 协议下的海量工具，不现实也不可能。
某些模型厂商，也许是为了蹭 MCP 的热度，某些自媒体，也许是对 MCP 协议理解不到位，宣称某大模型原生支持 MCP 协议。
其实要表达的意思，也许只是，在随大模型一起发布的某个 agent 框架里面，加上了对 MCP 协议的支持。
结论：大模型原生支持 MCP 协议，这种说法是不专业的。大模型现阶段不可能原生支持 MCP。
本人认知有限，也许会有理解偏颇之处。欢迎补充交流。🙂
1. 误区 1：MCP 协议需要大模型支持
MCP 全称模型上下文协议，是为了在用户与大模型对话过程中，补充上下文信息给大模型，让大模型更准确的回答用户提问而设计的。
在 MCP 出来之前，有多种方式可以实现上下文信息的补充，比如：
- 记忆存储。把对话过程的历史消息存储下来，每次新提问，带上历史消息一起发送给大模型
- RAG。在让大模型回答问题之前，先从本地知识库或者互联网上检索信息，作为上下文补充给大模型
- Function Calling。传递一堆工具给大模型挑选，根据大模型的返回参数，调用工具，用工具返回的结果作为上下文补充给大模型
理解了给大模型补充上下文的原理，就可以知道，MCP 的本质，是指导应用层，如何更好的补充上下文信息给大模型。
模型收到回复提问请求时，MCP 工作已经完成了。
结论：MCP 协议不需要大模型支持，哪怕你使用古老的 gpt-2 作为问答模型，依然可以使用 MCP 协议补充上下文信息。
2. 误区 2：只有支持 Function Calling 的模型才支持 MCP 协议
聊 MCP 协议，必须要理解 Function Calling 机制。
- Function Calling 是一种交互范式。
基本流程是应用层传递一堆工具给大模型，大模型意图识别，做一次 Pick Tool 操作，返回应该调用的工具名称和调用参数，再由应用层发起 Call Tool 操作，拿到结果重新给到大模型回答。
Function Calling 这套机制下有三个角色：应用、资源方、大模型。
两个核心步骤：Pick Tool 和 Call Tool。
Pick Tool 需要大模型推理，Call Tool 需要应用与资源方交互。
- MCP 协议是一套交互标准。可以理解为 MCP 是对 Function Calling 机制的包装与升级。
MCP 协议定义了三个角色：主机、客户端、服务器。
跟 Function Calling 机制相比，MCP 协议相当于是把 客户端-服务器 作为一个黑盒。
整体视角看，MCP 协议有四个角色：主机应用、黑盒（客户端-服务器）、资源方、大模型
主机把请求给到客户端，客户端请求服务器，服务器对接资源方，主机最终得到黑盒返回的结果，作为补充上下文给到大模型回答。
Function Calling 是应用直接对接资源，MCP 是应用通过黑盒对接资源，对接更加标准化，资源接入成本更低。
Function Calling 是应用直接定义一堆工具，MCP 是应用从 MCP 服务器获取定义好的工具，应用无需重复编码。
涉及到工具调用的环节，MCP 与 Function Calling 的交互形式一致。都依赖大模型的 Pick Tool 能力。
所谓的大模型支持 Function Calling，是指大模型在 Pick Tool 环节，有更好的理解和推理能力，最终能返回更加准确的 Tool 和参数。
不支持 Function Calling 的模型，依然可以通过提示词工程实现 Pick Tool。只不过准确度不如支持 Function Calling 的模型。
结论：不支持 Function Calling 的模型，依然可以使用 MCP 协议补充上下文信息。
3. 误区 3：大模型原生支持 MCP 协议
所谓的大模型原生支持 MCP 协议，正确的理解应该是大模型内化了 MCP 协议的定义，并且内置集成了大量基于 MCP 协议定义的工具。
当接到用户提问时，应用即使不给大模型传递任何工具，大模型依然可以基于内化的工具列表进行推理，返回应该调用的工具名称和调用参数给应用。
事实上，互联网上的资源是千差万别的，意味着对接资源的 MCP 服务器及其内部的工具是海量的，不可枚举的。
另一个关键点是，某些资源是私有的，需要用户鉴权的，大模型训练时不可能内化用户的鉴权凭证。
从这个角度来讲，大模型内化 MCP 协议下的海量工具，不现实也不可能。
某些模型厂商，也许是为了蹭 MCP 的热度，某些自媒体，也许是对 MCP 协议理解不到位，宣称某大模型原生支持 MCP 协议。
其实要表达的意思，也许只是，在随大模型一起发布的某个 agent 框架里面，加上了对 MCP 协议的支持。
结论：大模型原生支持 MCP 协议，这种说法是不专业的。大模型现阶段不可能原生支持 MCP。
本人认知有限，也许会有理解偏颇之处。欢迎补充交流。🙂
👍7❤2
没有人或者公司或组织能做到
1.骑手满意，有五险一金，还挣钱，不被数字化系统操控
2.商户满意，多流量+少抽佣+少广告费
3.顾客满意，天天神券补贴+食材可口新鲜++免配送费+小哥风驰电掣，风里来雨里去给我快速送到家门口，贴心为我服务
4.组织1+2+3转起来，不是慈善机构，且现金流为正。
Nothing
（在互联网里移动“比特”速度和成本基本可以忽略，但在真实的物理世界里移动原子就是有真实的成本。且无论如何（当下科技）只能被极其有限的微优化。）
很多小可爱天真的以为如果有一个社会责任感爆棚的某某公司，来干掉美团，取而代之，就会
“是谁帮咱们翻了身哎
是谁帮咱们得解jie放哎，巴扎黑，后面两句不敢唱了。。。”
如果真有一个这样的某某公司出现了，过不了多长时间，就又就会出现，“天下苦某某公司久矣”。
1.骑手满意，有五险一金，还挣钱，不被数字化系统操控
2.商户满意，多流量+少抽佣+少广告费
3.顾客满意，天天神券补贴+食材可口新鲜++免配送费+小哥风驰电掣，风里来雨里去给我快速送到家门口，贴心为我服务
4.组织1+2+3转起来，不是慈善机构，且现金流为正。
Nothing
（在互联网里移动“比特”速度和成本基本可以忽略，但在真实的物理世界里移动原子就是有真实的成本。且无论如何（当下科技）只能被极其有限的微优化。）
很多小可爱天真的以为如果有一个社会责任感爆棚的某某公司，来干掉美团，取而代之，就会
“是谁帮咱们翻了身哎
是谁帮咱们得解jie放哎，巴扎黑，后面两句不敢唱了。。。”
如果真有一个这样的某某公司出现了，过不了多长时间，就又就会出现，“天下苦某某公司久矣”。
😢1
就业的大环境真的是糟透了，以前觉得创业风险高，只能打工，但是现在打工风险也不小，
公司的业务没几个赚钱的，一言不合就可能随时开刀，来个集体大裁员，
哪怕没被裁员，年龄变大也是罪过，很多公司明确不招 40 岁以上的员工，
这还算是宽松的，35 岁是标准值，甚至有些公司连超过 32 岁的简历都已经不看了，这是什么世道！
就算有幸能苟着，公司不会让你好过，有的是让你不舒服的地方，定完不成的 KPI，
时不时来个 996，有事没事搞一堆汇报事项，偶尔降降薪，只要知道你工作难找，公司就敢随时把你搞。
当然，如果忍耐力超群，或许可以比别人苟多一段时间，
但是不得不承认，只要过了 30 岁，绝大多数人都是在走职场下坡路，竞争力会越来越差，哪怕再努力也没用，
这让我反思起了教育的意义，我未来的孩子是否还要花那么多时间去卷越来越贬值的学历，去卷一条日夜奋战十几二十年，出来依旧是社畜的人生路径？
我身边不乏高学历的人群，那又怎么样呢，依旧是苦哈哈地打工，依旧是看不到生活和事业的未来。
特别是 AI 越来越牛逼之后，知识和学习能力永远也跟不上 AI，那去挤千篇一律的应试教育是否有性价比？
目前我还没有答案，但我应该不会那么焦虑孩子的学习，基础线以上就够了，把时间用来探索多一些可能性，
脱颖而出的不一定是要能力超群的人，也可以是足够独特的人，有特质的人，
我希望我的孩子有这样的独特性，至于如何培养，我还在思考！
公司的业务没几个赚钱的，一言不合就可能随时开刀，来个集体大裁员，
哪怕没被裁员，年龄变大也是罪过，很多公司明确不招 40 岁以上的员工，
这还算是宽松的，35 岁是标准值，甚至有些公司连超过 32 岁的简历都已经不看了，这是什么世道！
就算有幸能苟着，公司不会让你好过，有的是让你不舒服的地方，定完不成的 KPI，
时不时来个 996，有事没事搞一堆汇报事项，偶尔降降薪，只要知道你工作难找，公司就敢随时把你搞。
当然，如果忍耐力超群，或许可以比别人苟多一段时间，
但是不得不承认，只要过了 30 岁，绝大多数人都是在走职场下坡路，竞争力会越来越差，哪怕再努力也没用，
这让我反思起了教育的意义，我未来的孩子是否还要花那么多时间去卷越来越贬值的学历，去卷一条日夜奋战十几二十年，出来依旧是社畜的人生路径？
我身边不乏高学历的人群，那又怎么样呢，依旧是苦哈哈地打工，依旧是看不到生活和事业的未来。
特别是 AI 越来越牛逼之后，知识和学习能力永远也跟不上 AI，那去挤千篇一律的应试教育是否有性价比？
目前我还没有答案，但我应该不会那么焦虑孩子的学习，基础线以上就够了，把时间用来探索多一些可能性，
脱颖而出的不一定是要能力超群的人，也可以是足够独特的人，有特质的人，
我希望我的孩子有这样的独特性，至于如何培养，我还在思考！
❤1😢1
#自媒体运营频道 #@yunying23
我有一堆付费产品但是迄今为止都没做过个人报价单…
感觉这种东西的目标用户是【同行】
这样当然有流失，我经常听到用户说“原来你还有这个产品”，但我考虑的是
1.如果同时出现的产品太多，用户理解和选择的成本会很高
2.一段时间有一段时间的交付主线，想面面俱到自己的精力也会分散
3. 在哪里种草就在哪里设计转化路径，产品线独立互不打扰也利于局部优化
我有一堆付费产品但是迄今为止都没做过个人报价单…
感觉这种东西的目标用户是【同行】
这样当然有流失，我经常听到用户说“原来你还有这个产品”，但我考虑的是
1.如果同时出现的产品太多，用户理解和选择的成本会很高
2.一段时间有一段时间的交付主线，想面面俱到自己的精力也会分散
3. 在哪里种草就在哪里设计转化路径，产品线独立互不打扰也利于局部优化
👍1