看到即刻上了置顶功能，就借机发篇自我介绍吧：
申悦，12年产品经验，前360产品总监、36氪产品负责人。常年发表对产品、内容行业、职场发展的观察和思考。公众号：互联网悦读笔记【关注领取七百余篇原创产品思考，与我深度交流】

今天良渚Demo Day后，还受邀参加了陶芳波博士组织的after party，有幸当面聆听陶博士分享他设计Me.bot2.0的思考，受益良多，继续分享几点对我的启发：
1、以往我做智能体时，更多是从工具性的角度出发。但陶博士说，助手能做的，Me.bot不会做。能说出“不做什么”，才真正体现产品经理的判断力。Me.bot把身份建模放在核心，强调「保留、放大、连接」三个关键词，把Agent从功能价值，跃迁到了情感和存在价值层面。基于此，未来为客户构建的智能体，就可以不只是个任务代理，更是身份的延展，尤其在那些需要表达、共鸣、信任的场景里。比如“AI校长、AI咨询师、AI偶像”
2、之前做培训和咨询，客户最常问的就是“AI能不能替我做PPT、写材料”。而Me.bot的视角是：“AI能不能像我一样说话？替我去谈判？用我的语气与我的客户聊天？”这种视角的改变，启发我重新思考AI的作用边界：AI不止可以为你“执行”，更可以成为你的「表达代理人」。这种具有“我意识”的Agent，是非常有价值的，比如替企业创始人做对外品牌表达，比如高管团队构建内部文化连接，比如教育场景中构建教师分身去做教学答疑，甚至在约会、面试、Emo等场景中，提供更具人格化的沟通和情绪价值。
3、非常认同陶博士的一个观点：“人与人之间的社交，90%都是在寻找共鸣、建立连接、减少试错。”设想一下，你的Second Me可以和别人的Second Me展开深度对话，替你探索彼此的价值匹配度、话题共识、社交潜力。这也许就是未来社交的新范式。基于这个思考，我们是不是可以用智能体让组织内人与人的连接更高效、风险更低、情绪摩擦更少？未来也许是社交自动化，而不只是“任务自动化”。
4、交流会上，也有听众提出Second Me“说太多会不会泄密”，以及不同场景下的身份信息是否能有效切换。我认为这些都是Me.bot能否真正落地的关键。因为一旦给AI赋予人格化的角色，就势必会遇到人类社会“社交身份局限性”的问题。对AI分身来说，隐私、权限、链接深度和广度，以及场景触发条件（比如哪类话题用哪类身份），都是产品经理要解决的难题，AI伦理和隐私保护，是把自己交给AI前必须要考核的点。
5、陶博士在总结时提到的一句话让我印象深刻：不是为了让AI帮你社交，而是让AI帮你找到真正值得社交的人。AI的本质不是为了取代我，而是为了放大我。我们害怕AI，是因为它替代了我们；但我们喜欢Second Me，是因为它延展了我。而对企业而言，AI落地的终点，不应该只是流程自动化，而是人类价值的放大！
这场分享会对我最大的启发，在于当我们理解AI、理解Agent的时候，不能只从技术和功能视角看，更要具备人的视角，理解人的表达欲、连接需求、身份焦虑和情绪张力。然后，用AI去设计出能“理解人、代表人、成就人”的产品和场景！
再次感谢陶博士举办的这场活动，很幸运参与其中！

分享良渚demo day的一些思考：
1、day0就要上付费，已经成为做AI产品的共识
2、AI出海，核心不在AI，在出海。找用户、选场景、本地化、商业化、运营推广，无论是否AI都要考虑。只是有了AI后，打法更垂直，运营更聚焦，几个关键词：生产力工具、审美、ROI
3、C端AI产品创业，核心在“诱发用户的使用动机”，无论是翻译、解梦、记录、解压、分身，甚至是单纯好看，也能诱发更多人尝试用你的AI产品

杭州出差，来良渚参加启师傅AI客厅活动，感受杭州浓厚的AI氛围～

成为大厂AI产品经理，通常要关注哪些指标？掌握哪些技能？
我觉得回答这个问题前，要先明确2个前提：
1、大厂的AI产品，以什么形态存在？
2、这个AI产品，在业务流中承担什么角色？
好，那假设这个产品，是一款主App中的一个chat子模块（如智能问答助手），承担的角色，是工具分发（如响应用户输入，给出工具推荐）
那么，这个岗位要关注的指标有：
1、AI DAU ：智能助手的日活，吸引更多用户使用智能助手，从而提高 AI DAU。
2、渗透率 ：提高智能助手在主App端的渗透率，让更多用户在浏览主端时，有机会跳转使用AI助手。
3、问答结果质量 ：确保智能助手提供的问答结果准确、有用，符合用户预期。
4、生成速度 ：优化智能助手的生成速度，让用户更快获得所需答案或内容。
5、意图识别准确性 ：提高智能助手对用户意图的识别准确性，以便更精准地提供所需功能和服务。
6、功能分发效率 ：提升智能助手对其他工具的分发效率，让用户能更便捷地发现和使用各种AI应用功能。
AI产品经理要掌握的技能有：
1、功能设计 ：包括页面布局、交互流程等，确保功能的易用性和用户体验的流畅性。
2、策略制定 ：制定智能助手的策略，如用户意图识别策略、功能分发策略等，并根据实际使用情况进行优化。
3、场景化设计 ：探索智能助手的场景化应用，针对不同的用户群体和使用场景，设计个性化的引流和推荐策略。
4、跨部门协作：需要和算法团队协作，提高意图识别准确性、生成速度等指标；和客户端、服务端团队协作，确保在不同端的体验一致性；和商业化团队协作，探索智能助手的商业化模式和提升营收指标；和设计团队协作，优化产品的视觉效果；和运营团队协作，制定产品的推广策略等。

看到还有很多人在问怎么解决Deepseek R1繁忙无法访问的问题，抽空整理了7个Web端我觉得还算可用的平替方案，分享给需要的朋友（仅限web端）：
【很推荐】1、AskManyAI： dazi.co
（可能是）公众号“夕小瑶科技说”开发的一个多模型对话的集合工具，只要关注公众号即可注册成功。目前看使用无门槛，可以无限次白嫖满血版DeepSeek-R1，带联网搜索、图片文档对话。大多数情况稳定，偶尔卡住。web端使用体验上比官网差点，但也凑合能用。
优点：注册后直接可用，R1和R1联网版都免费
缺点：网页版体验一般，偶尔卡顿
【比较推荐】2、问小白：www.wenxiaobai.com
问小白直接接了满血版R1，免费且体验不错，能多开对话，R1和R1联网版都可以用，但无法上传文档
优点：免费，直接可用R1和R1联网版
缺点：无法上传文档，输出上感觉有点做了限制
【推荐】3、秘塔搜索：metaso.cn
本质上是AI搜索，支持开启“长思考-R1”，即使用Deepseek R1对搜索结果进行总结。但应该没有用Deepseek的搜索能力
优点：可以看做是联网版的Deepseek R1，适合解决深度搜索问题，单次搜索后整理的效果会更高。
缺点：不能多轮对话，也没法传文档，且对于一些简单的生成任务，比如写段代码、写段小红书，要等很长时间，输出一堆无用的延展性信息，效率不高。
【推荐】4、腾讯云大模型知识引擎：lke.cloud.tencent.com
腾讯云智能体的一个演示用智能体，可直接对话联网满血版R1，且免费，还能把它直接加载成自己的智能体
优点：免费可用，能上传文档理解，且是联网版
缺点：体验中心的智能体只可开一个对话
【一般推荐】5、火山方舟管理控制台：console.volcengine.com+cn-beijing/experience
本质上也是AI云服务平台，卖API，但其提供的web端体验界面做的好些，不过仍旧没法上传文档读取，默认给500,000token，测试完就没了。
优点：注册后可直接在web端体验中心和Deepseek R1对话，默认送500,000token，可以多开对话
缺点：500,000用完就没了，想用还是要充钱，web端无法上传文档，
【一般推荐】6、硅基流动：cloud.siliconflow.cn
本质上是AI云服务平台，不是大模型公司，提供的是API服务，因此Web端在注册后，只能通过：体验中心-文本对话，去通过一个简陋的Web页面和Deepseek-R1对话，而且对话是要花钱的。
优点：注册后可直接在web端体验中心和Deepseek R1对话，且默认送13块钱
缺点：对话要钱，无法开多个对话，无体验好的web端界面，web端无法上传文档，其API需要对接到第三方AI工具才可用
【一般推荐】7、百度云千帆ModelBuiler体验控制台：console.bce.baidu.com
同样是AI云服务平台，卖API，提供的web端体验界面和硅基流动类似，也很差，无法多开对话，无法上传文档，但一个好处是调用免费
优点：注册后直接体验，免费
缺点：web端使用体验差，且无法调单次输出token长度

一个观点不一定对，随着DeepSeek R1这类长链路推理模型的普及，模型评估、数据集设计和模型安全这些岗位方向上的需求会显著增加。
模型评估上，长链路推理会有大量复杂的推理逻辑和各种应用场景，需要精准界定其能力边界。比如在医疗辅助诊断、金融风险预测这些对准确性要求极高的场景中，必须让专业人员设计多样的测试任务和科学的评估维度，全方位测评模型在不同情境下的表现，为模型优化提供依据。
从数据集角度看，就像我之前文章提到的，长链路推理模型性能提升，强依赖高质量且针对性强的数据集。比如法律案件解读、合同条款分析这种，该怎么写中间的推导路径，不仅决定训练质量，还和奖励规则设计强相关。可以看到，就连deepseek r1，在第二轮强化学习时，对非推理任务也是用奖励模型不是奖励规则来训的。
在模型安全层面，长链路推理模型因为交互环节多、应用范围广，会面临更多安全风险，这就要设计多层审核和过滤的内容安全机制，保障输入输出安全，这背后必然需要专业的内容安全人才来应对合规风险，确保模型稳定、可靠、安全地运行。

第三篇DeepSeek深度拆解文章出炉
这次是从代码层面，进一步还原出DeepSeek-R1的算法实现原理，至此，我对DeepSeek的底层解构就先告一段落了。
完整三篇思考下来，不仅可以帮你把以往抽象的AI概念具象化、对很多高深的AI算法祛魅，更能让观察视角从模型抽离开，投向数据、评估、人机交互赋能上，非常建议三篇连续深度。
当然，后模型推理时代，又该如何用好AI这个智能助手，也是今年我会主要深耕的方向，未来还有更多思考和方法分享给大家，敬请期待~

这是学习DeepSeek-R1后输出的第2篇思考。本着“深度求索”的理念，我尝试用做产品画流程图的这点功底，还原了R1训练的全过程，希望帮助更多人理解R1做深度思考背后的“深度思考”。这篇文章修正网上一些二手信息的解读偏差，也发现了DeepSeek这个团队很多让人佩服的小细节，其中还有一些我没法理解的部分，也欢迎你来一起探讨~

分享假期围绕DeepSeek的一点思考
鲸吞四海，仍能深度求索。
我相信随着AI的普适性进一步提升，进化思路会更加清晰。
AI在进化，人类也在成长，只有不断构建自己的认知，才能不再FOMO，一直走在时代的前沿。
2025，与你共勉！

#AI产品思考手记_20250120
1、无论是coze还是dify，作为智能体构建平台来说，还缺了一项核心能力，就是给予智能体“规划和推理”的能力。
这个观点的依据，来自对智能体能力范围的定义：Planning+Tools+Memeory+Action，目前的coze和dify，能用插件提供tools+action能力，用RAG满足memory，而Planning层面，要么就是在提示词里写长长的步骤指引，要么就是用工作流，但我觉得这些都不是planning，而是todo，真正的planning，是要有反思、推理、自我优化的能力，并能给予用户反馈修正路线，做到“best planning”，而要做到这一点，就需要引入类似o1这样的推理框架，我判断这可能是25年Agent产品的一个爆发点。
2、而o1的推理能力，很可能背后也是由多个Agent组成的，有负责输出内容的，有负责拆解的，有负责检查的，有负责优化的，未来可能这些Agent会作为类似大模型一样的底层服务，提供给智能体搭建平台来供大家调用，从而提升智能体的执行准确率，降低他们的制作成本。
3、未来智能体可能也会分等级，有底层智能体、中枢智能体、上层智能体这种区分，底层智能体会由不同的原子能力形成，中枢智能体会根据规划能力调用不同底层智能体，响应上层智能体的指令要求
4、因此AI产品经理也会细分出更垂直的岗位，比如：Agent产品经理，专门设计各种Agent