从最近使用的Agent应用看商业模式

算力账本的铁律:从流量税到委托税,AI 商业化如何走出“1换1”的伪命题?

上一篇聊 Personal Agent 的文章末尾,我写过一句话:“任何模式的诞生都需要一场新基建,而 Token 无疑是这场新基建的电力。”

顺着这个逻辑往下推演,既然 Token 是电力,那么所有运行在这套新基建之上的 AI 服务,都绕不开一个最底层的商业物理定律:AI 交付的增量价值,必须大于算力推理的成本(Value > Token Cost),商业模式的正向循环才有可能成立。

移动互联网时代“零边际成本博弈注意力”的剧本已经翻篇了。今天行业里绝大多数看似热闹的 AI 产品,本质上还在用移动互联网的旧地图找新大陆;而真正能跑通商业闭环的 AI 服务,要么在生产力端做十倍、百倍的效能放大,要么在消费端完成从“流量税”向高净值的“委托税”的惊险一跃。


一、 范式转移:当边际成本不再趋近于零

回看过去二十年的软件工程与互联网发展史,无论是传统的 SaaS 还是移动 App,其商业模式的底座都有一个极其优渥的前提:边际分发成本趋近于零。

一套代码写完、架构搭好,服务第 1 个用户和服务第 10 亿个用户,平摊到单次请求上的服务器与带宽成本几乎可以忽略不计。因此,大厂可以肆无忌惮地用免费策略卷出亿级 DAU,把用户时长锁死在 App 里,最后哪怕靠转化率极低的展示广告(Banner)或微薄的流量分发,也能跑出丰厚的利润。

雅虎给世界定义的互联网免费模式也一直被我们津津乐道。即使到了流量带宽并不便宜的多媒体内容分发时代,这套模式也依然成立:只要流量够大,哪怕每个用户的广告变现能力极低,整体的广告收入也能覆盖掉服务器与带宽成本。 这就是移动互联网时代“流量税”的本质。

但大模型时代的到来,我们看到一种历史车轮在尝试击碎这个温床。

在 AI 驱动的架构里,每一次 Prompt 的输入与输出、每一次 Agent 在沙箱里的推理与规划,背后都是实打实的 GPU 显存占用与电力燃烧。流量不再是免费的资产;没有高价值变现闭环的流量,只是算力成本的放大器。

这也直接导致传统的 To C 与 To B 划分在今天失去了意义。判断一个 AI 产品能否活下去,真正的分水岭也许只有一个:它到底是在服务“纯消遣的消费者”,还是在服务“可转嫁成本的生产者与高溢价交易闭环”?


二、 算力账本上的商业模式生死局

如果我们把最近半年国内外最具代表性的五个 AI 样本放在同一本算力账本下审视,就会看到一幅极具戏剧张力的商业图景。

1. 支付宝「阿宝」:纯消费琐事的算力错配与左右互搏

年中上线的支付宝 AI 智能体「阿宝」,主打了一个传播度极广的王牌功能:一句话自动收取蚂蚁森林能量、芭芭农场施肥、蚂蚁庄园喂鸡。表面上看,这是超级 App 拥抱 GUI Agent 的战略升级,但翻开账本,这却是一条自我矛盾的歧路。

首先是算力与价值的严重错配。蚂蚁森林本质上是个零经济收益的轻娱乐留存玩法,阿宝帮用户省去几十秒的手动点击,不创造一分钱的经营性收益增量,用户的付费意愿自然无限趋近于零。然而在成本端,这类可视化操作 Agent 需要持续截屏识别页面元素、循环点击、处理弹窗,单次任务的 Token 消耗是普通文本对话的数十倍。用极其昂贵的多模态算力,去干一件零商业增量的娱乐琐事,平台只能独自咽下 80% 以上的算力亏损。

更致命的是商业逻辑的左右互搏。过去十年,支付宝做蚂蚁森林和庄园的唯一目的,就是用每日手动收取的琐碎动作,强制拉高用户的打开频次、停留时长与原生广告曝光。如今阿宝用一键自动化代劳,用户连页面都不需要进去了——左手花重金搭建游戏玩法锁日活,右手烧着昂贵的 GPU 算力消灭自家的停留时长与广告曝光。 放着真正有商业变现能力的商家工具「AI收」和企业级方案不作为第一重心,却在纯C端琐事上消耗算力,这是典型的战略重心错配。

2. 字节「豆包」:移动互联网惯性下的规模悖论

如果说阿宝是场景选错,那么字节的「豆包」则验证了:即便拥有全中国最顶级的增长引擎与现金流,也算不过纯 C 端通用助手的账。

截至今年,豆包的 DAU 已经突破 2 亿大关,火山引擎披露的日均 Token 调用量飙到了惊人的 180 万亿。然而在这组足以让任何移动互联网产品经理开香槟的数据背后,却是极为尴尬的收支倒挂:庞大的免费闲聊、日常问答与轻度创作,每天都在吞噬数千万元乃至上亿的推理算力;但在商业化端,依靠微薄的导购佣金,其应用日收入一度不足百万元(折合单用户日均贡献不到 0.003 元)。

强如字节,也不得不在年中匆忙试水 C 端付费订阅,并将盈利的希望寄托于高毛利的垂直生产工具(如面向漫剧创作者的 Seedance)。豆包的困境证明了一件事:在缺乏高客单价交易闭环的泛娱乐、泛问答场景下,规模效应不仅不能摊薄成本,反而会加速算力失血。

3. Meta「Muse」:交互巅峰背后的千亿现金流反噬

很多人会问:既然陪聊和收能量不赚钱,那如果我把 Agent 的产品交互做到极致,并且真正切入用户的真实任务与消费呢?今年 9 月上线即登顶美区 iOS 榜首的 Meta Muse,给全行业上了一堂价值千亿美金的清醒课。

从产品和工程演进的角度看,Muse 无疑是现象级的。它完美利用了今年模型 GUI 操作成功率突破 80% 的红利,将 agent harness + model + sandbox 封装成了一个开箱即用的消费级产品。上线仅 6 周狂揽超 1000 万激活用户,次日留存高达 73%,且强制要求绑卡注册,甚至有超过 25% 的用户高频使用 Muse 进行比价购物(平均客单价超过 200 美元)。

但就是这样一个“交互封神、离钱极近”的产品,却在 10 月底的 Q3 财报季引发了华尔街的震动:为了抢占入口,扎克伯格给每位免费用户提供了每周 1 亿 Token 的慷慨额度。据德意志银行测算,Meta 为每位 Muse 免费用户承担的虚拟机与算力成本高达约 40 美元/月。 累计全年飙升至 1400 亿美元级别的 AI CapEx,Meta 三季度的自由现金流(FCF)直接转负(-21.2 亿美元)。

为什么 Muse 切入了购物,账本依然算不平?

  • 第一,微薄的电商通道费撑不起重装 Agent 的算力。 哪怕未来 Meta 向商家收取行业标准的 4% 电商佣金,华尔街按最乐观的北美 2.5 亿用户测算,极限年佣金收入也不过 60 亿美元,在千亿级基建投入面前杯水车薪。
  • 第二,隐私承诺导致的“自我阉割”。 为了换取用户绑定信用卡和邮箱的信任,Meta 公开承诺 Muse 运行在隔离沙箱中,绝不与 Meta 广告系统共享数据,也不展示广告。这就构成了一个荒诞的悖论:Meta 98% 的营收来自广告印钞机,但它烧钱最多的王牌 Agent,却主动切断了反哺广告系统的血管。用户体验越丝滑,巨头的财务失血就越凶猛。

4. 硅谷「Instinct」:从“流量税”到“委托税”的破局样本

同样是做 C 端 Personal Agent,同样承诺对 C 端永久免费,为什么 Meta Muse 陷入财务泥潭,而仅 14 人的硅谷创业公司 Instinct 却在 9 月底拿下了红杉与 Benchmark 领投的 10 亿美元 C 轮融资,估值直接飙上 100 亿美元?

答案就藏在我在前文提到过的那个词里:委托税(Delegation Tax)。

Instinct 目前仍处于邀请制阶段,仅凭 10 万+ 高净值用户,年化交易额(GMV)就已经突破了 10 亿美元(户均年交易额近 1 万美元),用户使用 3 周后的信用卡托管率高达 40%,绑卡后留存率达 80%。

Instinct 算平算力账本的核心机密,在于它极度克制且精准的赛道切入点——其 50% 的交易额集中在差旅(机票、精品酒店预订),其余为高端餐饮预订、打车与订阅管理。创始人 Noah Shinn 从一开始就看不上支付通道 0.3% 的手续费,也不指望 4% 的普通电商佣金,而是直接切入全行业 Take Rate 最高的精品旅游与本地服务赛道(酒店与 OTA 返佣高达 15%–30%)。

当用户把“安排一趟周末家庭旅行”委托给 Instinct 时,哪怕后台 Agent 消耗了上百万 Token 的多轮推理甚至打了几通 AI 语音电话(算力成本几美分到几毛钱),但一笔 1000 美元的酒店订单直接就能为 Instinct 带来 150 到 300 美元的分发佣金。外披 Personal Agent 的温和外衣,内做高抽成服务分发的交易撮合局——这才是支付宝本该去讲、却被 Instinct 率先跑通的商业故事。

5. Google AI 搜索:商业意图竞价的终极兜底

最后回到搜索基本盘。早期市场曾担心 Google 的 AI Overviews(AIO)会因为算力成本过高而摧毁搜索的利润率,但 2026 年的最新数据给出了截然相反的结论。

在成本端,Google 依靠定制化的轻量级模型架构、自研 TPU 算力优化以及高频 Query 语义缓存,已经将单次 AI Overview 的推理成本压缩到了 0.0003 至 0.0008 美元(千次搜索算力成本不足 1 美元)。

而在收益端,虽然 AIO 导致页面的付费点击率(CTR)从无 AI 时的 21.27% 下降到了 9.87%,但留存下来的点击含金量却迎来了暴涨——Google Ads 跨行业平均单次点击成本(CPC)已达 5.26 美元,且 AI 导流访客的零售转化率比普通流量高出 42%,单访客价值是普通自然流量的 4.4 倍。

算一笔最简单的账:在商业与比价类查询中,千次搜索带来的广告收入(RPM)高达 500 美元以上,而千次 AI 推理成本不到 1 美元。哪怕算上 80% 无商业价值的信息类长尾查询分摊,Google 依然稳坐暴利钓鱼台。Google AI 搜索能够轻松 Cover 算力成本,本质上不是靠生成文本赚钱,而是因为搜索框天然卡位了人类最高浓度的“商业意图(Selling Intent)”。

某种程度上来看,Google 用刻舟求剑的方式阶段性的跑通了新时代的旧商业模式,只是这种商业模式依然来自旧时代。


三、 动态锚点:Token 降本曲线能拯救谁?

当然,作为技术人员,我们不能用静态的眼光去审判所有的早期产品。

过去两年里,大模型领域有一条比摩尔定律更陡峭的曲线:同等智力水平的 Token 推理成本,正在以每年 80%–90% 的速度自由落体。 混合专家架构(MoE)、端侧小模型分流、投机采样以及算力集群的工程优化,都在不断拉低商业模式的盈亏平衡线。

但这是否意味着所有今天亏钱的 AI 产品,熬到明年就能自动盈利?绝非如此。

我们在做架构与商业评估时,必须严格区分“阶段性高成本需求”与“结构性伪需求”:

  • 如果一个场景创造的真实商业增量价值是 10 元(比如 Instinct 的差旅撮合,或是复杂工程代码的自动重构),哪怕今天的 Agent 沙箱推理成本高达 15 元(暂时亏损),随着明年算力成本跌至 1 元,这个商业模式就会瞬间跨过奇点,迎来指数级的利润释放。
  • 反之,如果一个场景创造的商业增量价值本身是 0 元,甚至因为破坏原有商业生态而呈现负值(比如自动收蚂蚁森林能量,或者毫无营养的泛娱乐闲聊),那么即便未来 Token 价格降到近乎免费的一厘钱,0 乘以任何系数依然是 0。

降本曲线只能孵化真正的价值创造者,永远救不了伪需求。


四、 破局思维:告别“AI Native 教条”,用“放大器”取代“1换1”

在感叹 AI 赛道一日千里的时候,行业里其实弥漫着一种拿着锤子找钉子的教条主义——仿佛任何产品如果不把原有架构全部推倒重来、不套上一个全知全能的对话式 Agent 外壳,就不配叫“AI Native”。

但回看计算机软件工程与互联网的演进史,人类最底层的基本需求(更低摩擦地完成交易、更高效率地交付生产、更低成本地获取情绪与安全感)从来都是高度稳定且确定的。 真正优秀的工程架构,从来不是为了炫技而全盘重造,而是在恰当的时空节点上做精准的组合与演进。

这也引出了我对当前 AI 服务商业化落地的两个核心思考:

1. 不必事事 AI Native,让 AI 在最关键的 10% 环节做工

在一个成熟的商业链路中,有 90% 的流程其实是高度确定性的——比如 GUI 界面上的固定菜单跳转、数据库里的结构化查询、确定性的风控规则校验。用传统的软件工程代码去执行这 90% 的流程,成本几乎为零,且稳定性和延迟秒杀任何大模型。

把这些原本花 0.0001 元就能用代码精准解决的步骤,强行改造成消耗几万个 Token 的多模态 Agent 视觉识别与点击,在工程上是倒退,在商业上是自杀。真正健康的架构设计,是把零成本的确定性代码作为骨架,只把昂贵的 AI 推理部署在最关键的那 10% 非结构化意图理解、跨域复杂决策与高价值交易撮合环节上。 好钢用在刀刃上,用 10% 的算力投入去撬动全局转化率的跃升,账本自然就能打正。

2. 拒绝“智力偷懒的 1换1”,把 AI 当作 10 倍速的“放大器”

为什么很多 To C 甚至 To B 的 AI 功能用户用过一次就不再续费?因为它们做的是“智力偷懒的 1换1 模式”。

什么是“智力偷懒的 1换1”?原本员工花 10 分钟写一段平庸的周报,现在用 AI 花 10 秒钟生成一段同样平庸的套话;原本用户手动点两下屏幕就能查到的账单,现在对着麦克风说句话让 AI 去查。这种模式本质上只是对低价值、低门槛劳动的机械平替,它没有突破原有的质量与规模天花板,产出的结果依然廉价。用户和企业绝不会为了这种“偷懒”持续支付算力溢价。

真正能跑出超额商业价值的 AI,无一例外都是“超级放大器(Multiplier)”:

  • 在生产端(To 生产者): 它不是替程序员写两行简单的 Boilerplate 代码,而是作为 Arch Engineering Harness,让一个架构师在一天内完成过去一个团队一个月的系统搭建与验证;让一个设计师或商家(如 WPS AI、蓝色光标或阿里的商家经营工具)将商业素材产能与转化率直接放大 10 倍。
  • 在消费与服务端(To 交易闭环): 它不是替用户点一下原本顺手就能点的按钮,而是像 Google 搜索和 Instinct 那样,在几秒钟内替用户完成全网成百上千个非标服务节点的比价、博弈、信用担保与端到端履约,将原本因为摩擦过大而流失的潜在消费意图,直接催化为高客单价的真实交易。

结语

技术浪潮的演进从来不以人的焦虑为转移。当资本的聚光灯从“大模型参数竞赛”移向“应用层商业兑现”时,潮水就已经开始退去。

在这个由 Token 驱动的新电气时代,不要再迷信没有商业闭环的免费流量神话,也不要再沉迷于用昂贵算力去做“1换1”的智力偷懒。无论是做架构设计还是做产品演进,不妨先在草稿纸上算清那笔最朴素的账:你的 AI 每燃烧一度电,究竟为这个世界放大出了多少真实的价值?

深入解析 Claude Agent SDK:技能(Skill)加载机制与子智能体(Subagent)派生架构

在基于 LLM 的 Agent 开发中,如何优雅地扩展智能体的能力边界,同时避免长上下文带来的 Token 消耗与“注意力偏移”,是架构设计的核心痛点。

Claude Agent SDK(及其底层的 Claude Code 引擎)通过引入基于文件系统的技能(Skill)概念,并结合渐进式披露(Progressive Disclosure)与子智能体派生(Subagent Forking)机制,给出了一套极具工程参考价值的解决方案。

本文将以一个具体的 frontend-design(前端开发)技能为例,假设历史会话中存在业务上下文(“我们的主题色是蓝色”),深度拆解技能从发现、触发到最终执行的完整生命周期与 Context 构造原理。


一、 阶段一:渐进式发现与触发

底层引擎对技能的处理遵循“元数据先行,按需加载实体”的渐进式原则。

1. 技能注册与 Context 构造

引擎启动时,扫描本地技能目录(如 .claude/skills/frontend-design/SKILL.md),仅提取文件的 YAML 元数据(name, description)。这些元数据被拼装成一个统一的底层原生工具——Skill Tool,并注入到 LLM 的上下文中。

此时,主 Agent (Main Agent) 的 Context 结构如下:

{
"system": "你是一个全能的AI编程助手...",
"tools":[
{
"name": "Skill",
"description": "调用外部专业技能以完成复杂任务...\n<available_skills>\n  - name: frontend-design\n    description: 编写React组件,包含严格的质量检查。\n</available_skills>"
},
{"name": "Bash", "description": "..."},
{"name": "Write", "description": "..."}
],
"messages":[
{"role": "user", "content": "我们的主题色是蓝色。"},
{"role": "assistant", "content": "记住了,主题色是蓝色。"}
]
}

2. 意图匹配与触发请求

当用户输入新指令 “帮我写一个 Login 组件”,主 Agent 通过推理,判定需求命中 frontend-design 技能的描述。主 Agent 中断文本输出,发起 Tool Call:

{"role": "assistant", "tool_calls":[{"id": "call_1", "name": "Skill", "input": {"command": "frontend-design"}}]}

二、 阶段二:执行引擎的两种模式分野

SDK 拦截到上述调用后,会从磁盘完整读取 SKILL.md 正文(即执行剧本)。此时,根据技能是否配置了 context: fork 参数,底层引擎将采用两种完全不同的上下文突变(Context Mutation)策略。

模式一:主 Agent 模式(In-place Execution)

若未配置 fork,技能将在当前上下文中原地展开。SDK 会将长篇剧本伪装成工具的返回结果(Tool Result),强制注入当前 messages 数组。

突变后的 Context 结构:

{
"messages":[
{"role": "user", "content": "我们的主题色是蓝色。"},
{"role": "user", "content": "帮我写一个 Login 组件。"},
{"role": "assistant", "tool_calls":[{"id": "call_1", "name": "Skill", "input": {"command": "frontend-design"}}]},
{
"role": "user",
"content":[
{
"type": "tool_result",
"tool_use_id": "call_1",
"content": "成功加载技能。请严格按照以下剧本执行:\n1. 检查目录...\n2. 编写代码...\n3. 运行 ESLint...\n[...此处省略数千字的长剧本...]"
}
]
}
]
}
  • 执行表现:主 Agent 读取到剧本后,开始循环调用 Bash、Write 等工具干活。由于处于同一 messages 数组中,它自然能继承“蓝色主题”的上下文。
  • 架构缺陷:严重的上下文污染(Context Pollution)。执行期间产生的所有底层操作、试错日志和 ESLint 报错,都会被永久追加到主对话历史中。随着任务增加,Token 开销将呈指数级上升,且极易导致模型在后续对话中注意力失焦。

模式二:子智能体派生模式(Subagent Forking)- 推荐实践

若技能配置了 context: fork,SDK 会冻结主 Agent 的时间线,利用深拷贝(Deep Copy)在内存中拉起一个具备状态隔离的子智能体(Subagent)。

Subagent 被唤醒时的独立 Context 结构:

{
// 1. System Prompt 覆写:主 Agent 的通用人设被丢弃,直接替换为具体的技能长剧本
"system": "你是一个受限的子智能体。你的唯一任务是执行以下剧本:\n1. 检查目录...\n2. 编写代码...\n3. 运行 ESLint...\n[...省略数千字...]",

// 2. 权限沙盒:工具列表被严格阉割(例如移除 Skill 自身以防递归套娃)
"tools": [{"name": "Bash"}, {"name": "Write"}, {"name": "Edit"}],

// 3. 记忆继承:主 Agent 的历史会话被全量克隆,并在尾部追加强制触发指令
"messages":[
{"role": "user", "content": "我们的主题色是蓝色。"},
{"role": "user", "content": "帮我写一个 Login 组件。"},
{"role": "user", "content": "<skill_invocation>主Agent已委派任务,请基于上述上下文立即调度工具执行剧本,勿输出冗余寒暄。</skill_invocation>"}
]
}
  • 执行表现:Subagent 在这个被隔离的“沙盒”内,带着“蓝色主题”的先验记忆,高效地进行代码编写与纠错循环。
  • 状态销毁与上下文归并(合并成果):任务完成后,Subagent 输出最终的验收报告。此时,SDK 执行“阅后即焚”操作——直接从内存中销毁该 Subagent 及其产生的所有中间脏数据(几十轮的报错与调试日志)。
  • 唤醒主 Agent:SDK 仅将 Subagent 的最终报告作为 tool_result 交还给主 Agent。主 Agent 的 Context 依然保持极度清爽:
{
"messages":[
{"role": "user", "content": "帮我写一个 Login 组件。"},
{"role": "assistant", "tool_calls":[{"id": "call_1", "name": "Skill", "input": {"command": "frontend-design"}}]},
// 主对话历史保持干净,仅包含最终结果
{"role": "user", "content":[{"type": "tool_result", "tool_use_id": "call_1", "content": "组件已完成,沿用蓝色主题,代码校验通过。"}]}
]
}

三、 总结

Claude Agent SDK 的技能机制本质上是“对 LLM 上下文生命周期的精细化重构”。

核心维度 主 Agent 原地执行 Subagent 派生执行 (context: fork)
技能长文本注入位置 注入至 messages 尾部(作为工具结果) 覆写 system prompt(作为最高指令)
上下文状态传递 数组自然延展,内存共享 messages 数组深拷贝(Deep Copy)传递
安全与权限控制 具有全量权限,存在越权执行风险 沙盒隔离,按需分配只读或特定工具
Token 与记忆管理 试错日志永久污染主状态机,不可伸缩 脏数据生命周期短(阅后即焚),主队列干净

在工程实践中,构建稳健的 Agentic 系统,应默认将复杂工序抽象为技能,并强制启用 context: fork 进行多智能体委派隔离。这种架构不仅保障了主状态机的稳定性,也极大优化了 API 调用的经济效益。

聊聊老罗的十字路口

上个月写随笔《李想的理想》的时候其实已经了解到老罗要进军播客赛道。相较于早年创办锤子科技以及近期宣布的泡面而言,这次大众都异常默契的认为老罗选择了“正确的道路”。节目名称《罗永浩的十字路口》是对乔布斯科技与人文的致敬,另一方面也是老罗自我阶段性的自我调侃吧。

截至这个月底,已经出了两期节目,虽然先前肯定早有谋划筹备和存货,但长谈内容达到这个更新频率,老罗还是挺拼的,看后期这个节奏能保持多久。

陆陆续续看完了前两期节目,没有错过任何一秒内容,有些段落会倒退回放。本身就是长谈的节目,两期节目完整听下来。第一期李想,第二期小鹏。按说下一期应该是李斌了。如果真的如此,我倒有点期待老罗能否从没有未来的公司创始人那里聊出一些能影响自己先前认知和判断的内容。

回到已经看过的两期内容,李想的内容其实把我之前已知的内容进行了完整的串联,没有太多的补充内容。但是其在节目中完整的表述的自我强化学习的理论、实践,以及基于这套方法论下对未来AI、机器人的判断还是让自己非常惊奇。而关于AI的发展有两个看法还是洞见的,一个业界其实不太看得上的朴素而精准的是OpenAI的关于AI的chatBot, agent, 管理者, 组织者的阶段划分;一个是模型能力不断内化提升,落地场景不断外化为流程的双循环进化理论。而后者其实也是自己已知在一些工作落地场景里面一直有模糊思考,但是第一次听到这样精确表达,后面做的一些事情其实也在验证这个理论。

李想的思维其实非常理工科,很多兴趣和观点让自己有很深同频共鸣感。但是反观其事,又是一个不太理工科的方式。而他总结这一期都是一次次深刻的痛苦和教训带来的。老罗问及他为什么很早就明明有机会选择小富即安,但是偏偏走上了更加艰险的创业之路,两者都动容了。某种程度上,任何个体的选择,只要守住了底限,本身无可厚非,但是很多时候我们又何尝不是新时代的井底之蛙,自以为知道和了解全球的资讯、历史,任何信息都在指尖触手可达。但是我们真的知道吗?我们真的有必要知道吗?看完节目,我有点明白为什么Tim在100小时生存上岛以后,会在总结里面不断提及所谓的“知道”。

而第二期小鹏,因为之前并没有系统看过何小鹏的信息,很多内容对自己而言都是全新的。整体听感上,小鹏的思维和表达就是自己更加熟悉的很理工男,甚至可以更加精确到计算机科学专业男。直率,知道就给直球,不知道就承认没想清楚不知道。这里有老罗提问的功底,更多是小鹏的个人特质。但是,如果从企业经营上看,跟李想比较,小鹏无疑还处在更加前期的成长阶段。但是,显然他更加的知道和理解技术细节,但是也有一种之前履职过阿里带着的一点“废话文学”味道。因此,如果从钱包投资的角度看,我会毫不犹豫的继续追加前者,而会对后者一直保持关注。如果说有所失望的话,应该就是小鹏其实有点故意的在梳理技术,会更加在意自己在宏大叙事上的表达和铺陈,而没有太多的细节和实操内容的分享。而老罗的节目也专门安排了这个环节来迎合观众的胃口,也不是不能理解。只是从上一代互联网红利中投身实业,在国内真的没有几个,还是希望小鹏能够走得更高更远一些。

两期节目听下来老罗提问的节奏和套路已经非常成熟,甚至可以说是炉火纯青了。无论是对话题的把控,还是对嘉宾的引导,都非常到位。尤其是对李想的提问,几乎没有任何废话,都是直击要点。对小鹏的提问则稍微有点宽松和铺陈,但是也在情理之中。老罗的提问其实是有技巧的,既不会让嘉宾觉得被逼问,也不会让观众觉得无聊。尤其是他会在关键节点上进行一些总结和升华,让整个对话更加有层次感。也会简短的讲一些自己的经历和感受。可能前两期嘉宾的行业和话题重合度比较高,总觉得这两期节目多元化缺了点,就看下期嘉宾是谁。如果内容10期以后,都能达到这两期节目的声量和传播量,商业化应该是个水到渠成,也是老罗做起来很舒服的一件事了。