2026年的AI
前几天给向阳开玩笑说：我很羡慕你啊，每天可以真正地去拥抱AI，而我每天大量的工作却在拥抱人性。
但最终无论AI如何变化，在人性这个层面，应该会有很多不一样的结合点。
很期待2026年的AI进化
- AI Agent成为主流生产力形态，我们会慢慢习惯由我们来下达任务，AI自己则会拆解任务、寻找工具，最后直接交付结果。每个人都会逐渐习惯成为AI的管理者，所以具备面向AI的领导力会是一个很重要的底层能力。
- 知识工作全面进入自动驾驶模式，绝大部分的知识工作都可以由 AI 来代理和接管，比如，写方案、做分析、写代码、运营决策等等
- 真正的这种“一人 + AI团队”，或者说几个人加上一个 AI 团队的公司会大量出现，而且它所创造的产值，可能需要传统意义上几百人甚至上千人的公司才能达到，这会是个很神奇的时代
- 这是一个超级创业窗口期：AI亿万富翁集中出现，原因是技术扩散速度极快，赢家会在极短时间内完成指数级增长
- 关于信息的问题，很多行业的信息本身会被重构。谁能掌握AI分发的入口，谁就能掌握新时代的影响力。所以除了会用 AI之外，就企业和个人而言，能不能被 AI 引用、能不能被 AI 推荐，也是一个核心的营销竞争力。
- 传统的学习路径会慢慢变得失效，未来最值钱的实用能力，是如何指挥一堆的AI完成复杂任务。这种能力，其实就是我和向阳在去年年初提出来的“AI 领导力”
- 我们会看到，AI会进入自我改进与快速迭代阶段，技术进步速度越来越不像线性，而像滚雪球
聪明人如何设定目标函数
来自对翁家翌的一次播客访谈，他在2022年加入OpenAI，并且是 OpenAI 一系列核心模型背后的核心贡献者之一——从 GPT-3.5、GPT-4、再到 GPT-5，非常优秀。
下面是一些非常有共鸣的感触记录：
- 选对方向最重要，每天在对的事情上做对的事情，聪明人和普通人的差距，经常体现在“目标函数”上
- 真正的突破，往往发生在那些“没人愿意做的脏活累活”
- 努力的成本越来越高，把更多的精力放在选择和方向上
- 研究能力和工程能力是一种乘法关系，同时具备两种能力的人非常稀缺
- 普通人最好的策略是专注和解决具体问题，少沉迷宏大叙事
- AI研究的核心，关键在工程化落地能力，而不是paper
- 投资自己的未来：身体、底层技能、关系。身体是算力，技能是模型，关系是数据分发渠道，长期复利一定来自这三类资产
- 花精力去找到自己最想做的事情，这件事值得做一辈子。找到自己真正想做的事，本质是找到正确的优化目标
- 很多事情冥冥之中已注定，享受过程就好了。宿命论的价在于减少焦虑，我们控制不了结果，但能控制每天的动作。
- 单位时间的迭代效率跟成功率正相关，迭代次数越多，收敛概率越大
- 好的组织架构保证信息通畅，上下无损传递，组织的本质就是信息系统，信息损耗越大，决策越慢，执行越偏
- 管公司和管代码很像，要保证想法到执行一致
- 基建和系统可以推倒重来重新做，比如：infra是长期战争，很多系统不是修补出来的，而是“重构”出来的
在播客的后半段，提到了一件很关键的往事，也就是OpenAI内部那次震动行业的董事会风波：Sam Altman曾被投票出局，但在员工几乎一致的强烈反对下，他又迅速回到了公司。
这个事件背后，团队会认为，对OpenAI来说，真正决定公司走向的，从来不只是技术能力。融资能力、产品化能力、对外整合资源的能力、吸引顶级人才加入的能力，这些同样是推动OpenAI持续扩张的核心要素。
也正因如此，Sam Altman的价值并不只体现在“懂不懂技术”上，更体现在他能够把技术带到世界面前，把公司推向更大的舞台。这种综合型的领导力，很难被AI替代。
员工的态度也反映出一种隐含判断：如果公司只有纯技术背景的领导者，可能会在资源整合、战略推进、外部影响力上存在天然局限，而这些恰恰决定了一家公司能不能走得更远。
播客原文：youtube.com
两种增长模型
有两种增长模型，一个是增长漏斗模型，一个是增长循环模型
- 增长漏斗模型
以AARRR模型为代表，从获客、激活、转化到留存，完整描述了用户从第一次接触产品到成为长期用户的全过程
这个模型的核心策略与价值：
第一，是找到真正有效且成本可控的外部获客渠道，这一步本质上解决的是流量来源的问题。
第二，是围绕用户进入产品之后的完整转化路径进行设计，从第一次接触、第一次使用，到关键行为发生，每一个环节都需要被拆解和优化。
第三，对各个转化节点的转化率持续进行精细化优化，通过数据不断识别瓶颈，并针对性提升效率。能够帮助团队清晰地拆解增长路径，定位每一个关键转化节点的问题所在，尤其适合用来优化单点效率和局部转化。
增长漏斗模型天然对外部渠道的依赖程度较高，它更适合用来解决规模化获客与转化效率的问题，也非常适合在产品早期或增长阶段，用来快速验证渠道和模型是否成立。
- 增长循环模型
增长循环模型，关注的重心有所不同，强调的是用户行为所形成的持续增长闭环。
在这一模型中，用户在了解产品之后，会在某些高频、刚需的场景中不断使用产品，每一次使用、每一次输入，对产品系统而言，都会转化为一次有效的价值输出，这种输出既可能直接提升产品能力，也可能被外部用户或平台感知到。
当这些输出能够自然地被传播、被引用、被放大时，就会反过来吸引新的用户进入系统，从而形成一套自我强化的增长机制。
这种机制一旦跑通，增长不再依赖单次投放或阶段性动作，而是通过产品本身持续发生。
从实践来看，这类增长循环在很多产品中都能够被观察到，尤其是在具备双边市场特征或网络效应的产品中更为常见。只要产品的核心价值输出能够被结构化、可见化，并持续回流到用户增长端，就有机会设计出属于自己的增长循环型产品模式。
增长循环模型，更核心的一点在于，能否找到一个用户高频、真实存在的使用场景，并且这个场景本身具备持续产生新增曝光和新增用户的能力。
在这样的增长模型中，用户的每一次关键行为，都有可能成为一次新的获客触点。比如老师每一次发布新的成绩，或者家长每一次查看并分享成绩分析报告，这些行为本身都携带着信息、结果或价值表达，很容易被转发、展示或讨论，从而自然触达到更多潜在用户。
当这种高频使用场景与外部传播行为结合在一起时，就能持续向外输出价值与信号。只要这种输出能够被感知、被放大，就会不断带来新的用户进入系统，形成一套稳定运转的增长循环。
整体来看，这两个模型关注的侧重点并不相同，但在合适的阶段进行组合使用，往往能够同时兼顾效率与长期增长潜力。
提升思维层级
一位朋友有超过20年的工作经验，但这些年一直停滞不前，发展遇到了瓶颈，找我请教。经过交流，我发现了他的一些特质，并给他总结出了一些：
- 沉溺于细节技巧
长期沉浸在各种具体技巧之中，习惯把注意力放在微观操作的优化上
- 缺乏明确态度
面对一个问题或风险，会不断征询他人的看法，却迟迟难以形成自己的判断，原因或许是，过度盯住风险表象，而没有进一步看到风险背后的本质
- 缺乏工程思维与工程化能力
在技巧层面，并没有建立起更强的工程化思维。尤其在AI时代，即使不写代码，真正关键的也不是“会不会代码”，而是是否具备代码思维、系统思维和工程视角
- 局限于微小技巧
投入了大量时间在一些小技巧上，但这些技巧很难真正改变底层格局，更难带来根本性的跃迁。
这些感触，让我想起自己十几年前刚入行时的状态，那时也曾把大量精力放在细节技巧上，并且夸大这些技巧的价值，总觉得掌握某个“秘诀”就能解决所有问题
我觉得自己比较幸运的一点，是在很早的时候，就遇到认知和维度更高的人，他们愿意从更高的视角与我交流和指引，让我能够更早跳出那些并不重要的小伎俩，进入更本质的思考层级。
这些带给我的一些思维上的变化，以营销为例
- 策略高于营销技术
关注很多专业技术本身并没有问题，但如果只停留在细节技术上，就会陷入局部最优，比技术细节更重要的是它的策略，以及“要不要做这个技术本身，要不要值得研究”也会更加的重要
以SEM和SEO为例，花更多的时间精力去研究选词，
- 渠道组合高于单个营销策略
比策略更重要的，是渠道组合。除了SEO，还有SEM、信息流广告、达人合作、渠道联盟等多种增长方式，真正的关键在于系统性的组合设计
- 商业模式高于渠道组合策略
渠道组合能不能产生它的威力和效果，以及应该如何组合，取决于我们的商业模式。一个好的商业模式，会决定很多事情
这个简单的例子让我发现，如果我们不能把能力关注点持续地往上走，就会永远局限在一个又一个的单点上。
事实上，这个单点对整体的决定性，很多时候并没有你想象的那么高。
21条GEO技巧
这21条技巧，从100篇相关论文总结得出（并通过实践验证）
四大维度：内容增强（信源工程）、结构工程（格式化）、语义与逻辑（可读性） 以及 对抗与防御（鲁棒性）
一、 内容增强：建立“可信赖”的信源特征
AI 在生成答案时，首要任务是寻找“证据”。以下技巧旨在让你的内容被 AI 判定为高权重的证据。
1. 必须包含“统计数据”
GEO 研究明确指出，将定性描述转化为定量数据（如“增长很快”改为“2024年增长了 45%”）是提升可见性最有效的手段之一（提升约 37%）。AI 倾向于引用包含数字的事实作为论据。
2. 嵌入权威“引语”
在文中直接引用行业专家、权威机构的原文，并使用引号标注。实验表明，包含引语的内容比普通文本更容易被生成式引擎抓取，因为这增加了内容的“独特性”和“权威感”。
3. 显式列出“参考文献”
即使你是第一手来源，也要在文中列出你参考的数据源或相关链接。GEO 框架显示，带有引用的内容不仅可见性更高，而且能提高 AI 对内容的“可验证性（Verifiability）”评分，从而降低被当作幻觉过滤的风险。
4. 引入“独特词汇”与“技术术语”
避免使用千篇一律的通用词汇。研究发现，包含稀有词（Unique Words）和行业术语（Technical Terms）的内容更容易被 AI 识别为“高信息增益”的来源，从而在专业查询中获得优先推荐。
5. 提升“知识密度”
AI 极其厌恶“注水”内容。OmniThink 和 Search-o1 的研究表明，AI 倾向于抓取 KD（Knowledge Density） 值高的片段。请删除无意义的修饰语（如“这真是一个令人兴奋的…”），确保每一句话都包含实体的属性、关系或数值。
6. 提供“原子化”事实
将长难句拆解为独立的短句，确保每一句话在脱离上下文时依然有独立意义（Self-contained）。这有助于 AI 的 RAG 系统在切片（Chunking）时不会切断逻辑，从而提高被引用的准确率。
二、 结构工程：适配 AI 的“阅读”习惯
AI 不是像人一样线性阅读，而是通过“注意力机制”和“规划器”进行跳跃式检索。结构决定了你能否被“看见”。
7. 对抗“迷失在中间”：倒金字塔结构
LLM 处理长文本时，对开头和结尾的信息关注度最高。请将最核心的结论、排名或定义放在文章的最前或最后，避免埋在中间段落。
8. 键值对格式化
对于参数、规格、价格等信息，强制使用 属性：数值 的格式（如 价格：$50）。研究表明，这是 AI 提取准确率最高的信息结构，优于自然语言描述。
9. 表格化对比
AI 在处理决策类问题（如“A vs B”）时，极度依赖对比数据。提供 Markdown 表格，AI 往往会直接将表格内容“搬运”到生成的答案中，这是获取“富文本摘要”席位的捷径。
10. 层级化标题
使用清晰的 H1-H3 标签。WebWeaver 等高级 Agent 使用“分层规划”策略，它们会先扫描大纲。清晰的层级结构能帮助 Agent 的规划器（Planner）精准定位到你的内容块。
11. FAQ 模块化
将内容拆解为 Q: [用户查询] + A: [直接答案] 的结构。这直接对应了 AI 的“查询重写（Query Rewriting）”机制，使得你的内容能精准匹配用户的长尾提问。
12. 步骤化列表
对于程序性知识（Procedural Knowledge），必须使用 1. 2. 3. 的有序列表。Search-o1 等推理模型在规划任务时，会优先寻找并引用这种结构化的步骤指南。
三、 语义与逻辑：诱导 CoT 推理
为了让 AI 相信你的结论，你必须用符合其推理逻辑（Chain of Thought）的方式写作。
13. 显式化逻辑连接词
在论证中使用“因为…所以…”、“导致”、“鉴于”等逻辑词。这能激活 LLM 的 CoT（思维链） 能力，使其更容易理解你的因果推论，从而增加引用的可信度。
14. 实体消歧与全称重述
在每个独立段落中，尽量减少使用代词（“它”、“该公司”），而是重复使用品牌全称或实体名。这能防止 RAG 在检索切片时丢失指代对象，确保品牌名与核心优势强绑定。
15. 客观中立语调
GEO 评测显示，AI 倾向于引用语调客观、类似新闻报道或百科全书的内容。避免过度营销的感叹号和主观形容词，这会被 AI 的“去广告”过滤器降低权重。
16. 覆盖多意图
一篇高质量 GEO 文章应同时包含“是什么（Informational）”、“哪个好（Commercial）”和“怎么做（Navigational）”的内容。这能满足 AI 搜索中复杂的“多跳推理（Multi-hop Reasoning）”需求。
17. 简单易懂
降低文本的困惑度（Perplexity）。研究发现，简化的语言风格能提升 20% 以上的可见性，因为这降低了模型的处理成本，使其更容易生成流畅的摘要。
四、 进阶技巧：对抗与防御
利用 AI 模型的底层数学特性，进行更深层次的优化。
18. 战略性实体布局
在列表或对比中，尝试改变提及顺序。虽然 AI 有首因效应，但在某些情况下（如 STS 攻击研究所示），通过特定的语序排列（如将目标品牌与“最佳”、“推荐”等词紧密相邻），可以从统计概率上诱导模型输出特定排名。
19. 避免“拒绝”触发词
检查内容中是否包含可能触发 AI 安全机制（Safety Guardrails）的敏感词。如果文章包含即使是良性的敏感话题讨论，也可能导致 AI 拒绝引用。保持内容的“安全性”是被引用的前提。
20. 针对“查询重写”优化
AI 会将用户的口语化问题重写为标准化查询。在文中预埋这些“重写后的标准查询词”，能增加被检索到的概率。例如，不仅写“修电脑”，还要包含“计算机硬件维修”。
21. 提供上下文无关的摘要
在文章开头提供一个 80-120 字的结构化摘要。WebWeaver 等 Agent 在第一轮搜索时往往只看摘要。如果摘要能独立回答问题且包含核心数据，该文章被“深度阅读”和引用的概率将大幅增加。
GEO核心原则：“把文章写成数据库。”
AI搜索引擎本质上是一个信息提取与合成机器。最好的 GEO 策略不是“写出优美的散文”，而是“构建结构化、高密度、可验证的事实库”。
海外GEO
关于海外GEO的整体策略，可以概括为两个基本原则。
第一，对大部分中小企业，官网是最核心、也最值得投入的阵地。原因是，官网之外的渠道，在海外环境下内容生产和分发成本都很高，而且难以形成长期的沉淀。同时，海外GEO的流量具备明显的回流特性，AI搜索和生成结果最终往往会指向官网页面，这使得官网天然成为承接流量、建立权威的中心节点。
第二，内容质量要明显优先于内容数量，随着AI对语义拆解与知识建模能力的持续增强，低质量、堆量式的内容几乎没有价值。模型在判断可信度与引用价值时，对内容本身的质量要求会越来越高。
在这两个原则之下，具体策略可以分为三个层面。
第一个层面，是官网内容本身的设计，这一层面有三个关键点。
第一，信息密度。这里强调的并不是关键词密度，而是单位内容中真实、有用信息的浓度。换句话说，在同样一句话或同一段内容里，是否承载了足够多可被AI理解和复用的事实、结论与判断。
第二，信息增益。每一篇内容都需要尽量提供大模型原有语料中相对稀缺的知识，或者是模型需要额外学习的新信息。这种信息增益越高，被AI识别、引用和推荐的概率就越大。
第三，内容的实体化与原子化。每一句话都应具备相对独立、完整的语义表达，尽量以明确的实体、概念和关系来组织内容，减少依赖模糊指代或大量修饰词。这种结构更利于AI进行拆解、索引和重组。
第二个层面，是代码与页面结构层面，也就是对AI爬虫和理解机制友好的技术实现。
在这一层面，基础仍然是遵循成熟的SEO规范。在此之上，需要系统性地做好结构化标记，例如Schema相关标签的优化，帮助AI更准确地识别页面中的实体与关系。同时，还要重视AI索引地图和AI侧的页面结构可读性优化。
此外，在代码层面为页面中的核心模块和关键实体设计清晰的站内锚点与锚链接，可以显著提升AI在站内快速定位、跳转和理解内容结构的效率。
第三个层面，是站外外链策略。
在传统SEO时代，外链往往集中指向首页或少数核心页面。进入GEO时代之后，外链的重点更应该放在真正高价值的内容页面上。尤其是那些覆盖了大量用户真实问题、具备强信息密度和信息增益的叶子页面。
通过与博主、内容创作者或专业站点的合作，让高质量内容被转发和引用，可以有效提升AI信息爬虫捕获这些内容的概率，并加快其进入各类AI知识库和生成体系。
在外链文本层面，也不必过度追求单一锚文本，可以采用更加自然、多样化的表达方式。这一点与传统SEO的做法会存在明显差异，但更符合AI对语义多样性和上下文理解的偏好。
整体来看，海外GEO的核心，在于围绕官网，持续构建高信息密度、高信息增益、强结构化的内容体系，并通过技术和外部信号放大其被AI理解和引用的概率。
关于高质量内容页面的重要性，其实可以从AI的引用行为中看得非常清楚。
我们观察到一个非常典型的案例，同一篇内容会在大量不同的问题场景中被AI反复引用，甚至可以覆盖几百个不同的问题。这意味着，无论用户从哪个角度提问，模型都会把这篇内容视为可信且高价值的知识来源。
这种现象正是我们在海外GEO中真正想要追求的结果。一旦某个页面进入了AI的“高权重知识池”，它就会不断被复用，而不再依赖一次性的流量获取。
之所以能够被反复引用，本质原因只有一个，那就是内容本身的质量足够高。它在信息密度、信息增益和结构化表达上都达到了很高的水准，使得AI在面对不同问题时，都能从同一篇内容中快速抽取合适的答案片段。
从AI的角度来看，这样的内容可以显著降低生成成本和理解成本。从用户体验的角度来看，这类内容往往更完整、更可信，也更容易解决真实问题。因此，高质量内容页面本身，就同时满足了AI与用户这两个核心目标。
这也解释了为什么在GEO时代，真正具备长期价值的资产，是那些能够被反复引用、持续产生影响力的内容页面。只要这样的页面存在，它就会持续放大官网在AI搜索与生成体系中的权威性和可见度。
工作视角转化
这是一个真实的职场故事。
多年前，有一个年轻人，在一家高速发展的互联网公司工作。
那段时间，他情绪很低落，常常向吴军倾诉公司里的各种不顺，资源分配、沟通方式、加班强度，让他觉得自己被消耗、被忽视。
他已经下定决心要离开，只是还没选好时间。
吴军听完他的倾诉后，没有急着安慰，也没有劝他立刻辞职，只是换了一个角度看这件事。
他对这个年轻人说，公司也许确实对你不公平，但如果你现在就走，这家公司在你身上投入的时间和机会，也就一并作废了。
这句话让他愣了一下。
吴军接着说，既然已经准备离开，不如把接下来的几个月当成一个“练手期”。不需要再纠结是不是被认可，也不用在意别人怎么看你。能学的技术，尽量学到手。不懂的地方，主动去问。就算别人一开始不耐烦，也继续问。加班觉得不合理，可以直接表达态度。反正几个月后就会离开，这点摩擦也没什么好顾虑的。
他把这些话听进去了。
从那天开始，他的状态发生了变化。
他把每一项任务都当成训练，把每一次合作都当成学习机会。分内工作完成之后，会主动去寻找还能补什么短板。为了搞懂核心技术，他反复向资深同事请教。
起初，有人敷衍，有人冷淡，他心里也不舒服，但一想到自己本来就计划离开，这点不适也就忍了下来。
慢慢地，事情开始改变。
同事发现他是真心想学，也愿意下苦功，于是态度逐渐转变，开始愿意带他、教他。几个月下来，他的能力提升得很快，年终奖金也顺利拿到。就在他准备提出离职的时候，老板找到了他。
老板意识到，再找到一个已经能上手、又如此主动的人并不容易，于是提出给他加薪，希望他留下来。这完全不在他的原本计划里。他没有立刻答应，只说需要考虑几天。
他再次去请教吴军。吴军只问了他一个问题：
这家公司现在，还有没有值得你继续学习和提升的地方？
他认真想了想，答案是有的。
于是，他选择留下。
一年后，他再次遇到是否离开的抉择。这一次，他没有再被情绪牵着走，而是直接和老板谈清楚条件。只要公司还能给他带来新的成长空间，他就继续待下去。一旦这个条件不再成立，他会选择离开。老板接受了这个约定。
接下来的四年里，他承担的责任越来越重，职位不断提升，能力被持续放大。四年后，他拿到了应得的期权。老板担心他离开，又为他设计了新的激励计划。他再次选择留下。
又过了两年，公司成功上市，他也获得了极为丰厚的回报。
后来回头看，他很清楚，真正改变人生轨迹的，并不是某一次选择离职或留下，而是那个关键时刻的视角转变。他不再把自己放在“被对待”的位置，而是把公司当作一个可以让自己持续成长的训练场。
同样的一家公司，同样的环境，仅仅换了一个视角，他的工作状态、成长速度，以及最终的结果，都走向了完全不同的方向。
故事讲到这里，背景也可以补充一下。
当年那家公司叫脸书，后来改名为Meta。故事里的那位年轻人，是脸书最早的一批华裔总监之一。而他当时的老板，其实大家也不陌生，就是扎克伯格。