MCP 协议彻底打开潘多拉魔盒！AI 变身万能助手？

00:05MCP它其实是现在它的这个guide协议是提供了两类的，一类叫做还是你可以通过HTTP的方式去调用。第二类呢，它其实调用了一个协议，说你就用标准叫standard input output嘛，STDIO嘛。这个标准的输入输出协议，你任何东西都可以作为一个标准输入输出的服去调用。

00:30现在你找到的机会就是一个正在融化的冰棍儿，它一边融化，你一边赶紧吃，然后吃点力气，赶紧去找下一根冰棍儿。你千万不要想你可以吃到一个什么百年那种东西，你吃的就是冰棍儿。

00:45这个就是我觉得现在有很多问题，我们希望AI来解决，但是其实不太好解决。换句话说，就是简单的问题AI已经解决得差不多了，难的问题感觉人好像也解决不是很好。

01:01欢迎大家来到AI炼金术。那今天的话是我抓着徐文浩同学问一问MCP的事儿。徐文浩老师来解释一下MCP是啥？

01:09呃，应该这样讲，就是反正最近很流行一个东西叫做Agent嘛。然后我觉得MCP就是因为有了Agent，所以要在原来的Function Call这个事情上再用新瓶装个旧酒嘛。就是无非是你把任何可以使用的这些外部的函数调用或者功能，用一个协议封装起来，然后方便让这个大语言模型说，

01:31哎。有一个统一的说我去说，哎，这个服务有哪些能力啊，有哪些可以用的工具啊，然后我自己决策怎么用这些工具啊，然后这个工具执行的结果能够返回给我啊。它既可以去支持外部的这些API的调用，也可以支持本地的，比如说你本地有个程序，它可以用标准输入输出接口，

01:52把自己的能力用MCP的协议暴露出来。MCP的全称就是叫Model Context Protocol嘛。我觉得大家不要被那一堆名字啊，一堆什么东西给忽悠住，本质上它就是把，你叫SaaS也好，各种软件也好，暴露一个标准的接口，让大语言模型可以调用嘛。

02:10那大语言模型只要去关联很多MCP的服务，就看似有了个所谓的很强的Agent的能力嘛。

02:17对对，我讲一下我在文学上的理解，然后你从理工科来指指导一下。对，我理解是就是过去的AI的话，其实就是个耍嘴皮子的嘛，它就是只能说话嘛，哪怕我们说它的什么推理啊什么的，其实本质上还是文字嘛。哪怕是它学写coding，其实coding也是语言的一种嘛。

02:35那你需要它干更多的事儿的时候，其实你就需要它学会使用工具，比如说它能够打开地图，对吧？它能够打开浏览器，它能够能够用我们各用的各种软件，那它需要操作这个世界。那在操作这个世界的时候呢，每一个大语言模型就会说，那你得把这个工具写个细写，按按照我的要求告诉我，

02:54你这个工具咋用，对吧？你得给我写个说明书，就相当于function call，你得给我写个说明，告诉我怎么call你嘛，对吧？那我就会call了，但是每一家呢其实function call的那个定义都有点不太一样，比如说你为了Anthropic写了一个，

03:07你给OpenAI还得写一个，你给DeepSeek还得写一个，就挺烦躁的，这是第一个。所以的话呢，有人就说，那要不然我们都用同一种格式吧，对吧？大家都满足同一个抽象格式，都按照MCP写，大家都按照这个写，工具不就说明书就统一了嘛。

03:21你给给中国人看，给美国人看，都都按这份说明书，你给哪个哪个大模型看，都看同一份说明书就够了。那这是第一点。第二点呢，就是我的感觉啊，但是这这点我我就是技术上非常不确定，好像我印象之前那个那个function call，好像那个定义是不是都是要自己定义，就是你是这个产品的owner，然后你来定义这个这个API我把它怎么包。

03:44现在的话呢，好像MCP有一个风潮，就是你只要知道它的API，你把它包成MCP server的话，就大家都在，也也可以帮别人包嘛，对吧？你帮Photoshop帮什么Blender包一个，那那这样子的话，其实它它把中间做这一层那个那个MCP server的话，

04:00好像可以独立的有这么一层存在了。第一点我觉得好像好像我应该大致是对的。第二点我模模糊糊有个感觉，这是对的吗？其实其实

04:08我没有太get到你你讲的那个东西是什么，就第一个我觉得是说，我觉得大的思路跟你讲讲的是对的是一样的，就是说，呃我们希望大语言模型能够去操作一些工具，对吧。就大家就讲过很多，比如说过去很火的Perplexity，它本质上说我大语言模型能够去做一些搜索，

04:26然后比方说现在的很多这种编程工具，呃。或者说大家用过Claude或者用GPT，它有一个Canvas。它就说我大语言模型去生成了一段代码之后，这个代码可以在一个沙盒环境把这个东西渲染一下。不只是语言模型纯粹吐文字的这个能力，或者说我可以查一下天气啊，或者说啊我想电商下个单买个东西啊。

04:49那这个就是大语言模型需要有给它提供操作工具的能力。那操作工具的这个能力其实在MCP之前也是有的，通常是用两个方式来实现。第一个是如果你大家用过GPT-4的这个API的话，它有一个东西就叫做function call，对吧？

05:08或者叫to calling，典型的场景其实是这样的，是说你自己需要定义一个说我有哪些工具调用，这个工具的调用的接口长什么样子，它其实比较严格，而且当然这个接口的格式长什么样子，当你的这个大语言模型输出一些结构化的内容之后，你其实还是自己要主动触发去触发这些任务去执行。

05:30第二个是我不知道你还记不记得，就是OpenAI有一段时间它其实是提供了一个像有点类似于MCP的，就是说如果你是一个开发者，你可以把你的这个API接口，呃根据它定义的一个格式，它定义了一个schema的格式。你可以注册在OpenAI，我记得当时像Klarna还是有一堆服务就是在OpenAI上提供了一些类似于GPTs的这个能力，

05:55这个能力就是利用OpenAI当时提供的一个标准化的协议去干的这个事儿。但这个这个就是我觉得之前大家对提供工具能力的这个事儿的这个想法，这个想法呢其实是一个偏向于说，哎，好像我们已经找到了一个标准化的解决方案。但是呢，我觉得MCP其实做了两个比较有意思的事儿，就是说，呃第一个是说他把这个协议你可以认为它定义得更加松散了。

06:26呃怎么叫更加松散了呢，就是之前你要去做包装的一个服务，你比通常大家都是包装一个HTTP的服务，或者包装本地的一个API的调用。

06:36它可以包一切是吧？嗯，

06:38对，MCP它其实是现在既提供了，就是它的这个guide这个协议是提供了两类的，一类叫做还是你可以通过HTTP的方式去调用。第二类呢。它其实调用了一个协议说你就用标准叫standard input output嘛，STDIO嘛，

06:55就是标准的输入输出协议。那理论上讲，任何东西都可以，你如果是个Unix like或者Linux这样的服务，你任何东西都可以作为一个标准输入输出的服务去调用，对吧？就是你你的电脑上的浏览器啊，你电脑上的某一个客户端软件啊，你就更容，所以我甚至认为它变成更容易的去包装了这个事。

07:18第二个呢是它其实引入了，就是原原来大家讲的to calling是说我只关心我是那个服务嘛，我要定一个服务的这个接口出来。那现在呢它其实引入了一个叫client嘛，对吧？就是你自己可以去写一个这个client，以前大家其实都觉得client就是我自己定义的一个业务或者定义的一个workflow，

07:40但是现在其实他把这个client的这个定义也清楚了之后，你会发现大家在开发自己的应用的时候，会把自己去调用工具的能力包装成一个MCP的client。

07:52哦。他做了更多层，然后更多抽象。

07:57这样带来的好处是理论上讲就是它变成了一个网状的组合嘛，有很多server，有很多client，理论上讲你都是可以直接互相调用的。它不而不是原来是通常说有很多API调用，我自己写我的一个应用，我调到说我能去调用哪些。现在大家会假设我有很多MCP server，我自己写的，理论上讲任何一个MCP的client都可以去任意的调用任意多的MCP的server。

08:24我觉得是说它其实定义了这样一个方式嘛。你说它本质上和之前的function call有什么区别吗？我觉得其实也没啥区别。

08:34那以前就没有出现类似于这种MCP server导航站，或者像你说的，也没有出现这种网状的那个结构。理论上来讲，以前OpenAI一家独大的时候，它应该也可以出现这种网状结网状结构嘛，但没有嘛。为啥？

08:49我觉得有两个，一个是就是它是跟伴随着模型的能力提升是相关的。要出现这个网状结构，就意味着模型本身的，就是我们叫Agent能力吧，就是我规划执行任务，就是我给了你很多工具，你的正确的规划执行任务的能力要强。那它一定是模型能力提升到一定地步，这个能力才有价值。

09:11因为MCP其实最近火的，但MCP不是最近提出的，MCP提出可能也有至少有半年了吧。MCP肯定是去年下半年提出的，所以最近火我觉得也是说当大家看到模型能力越来越强。有越来越多的工具调用的场景开始爆发了之后MCP才火的，我觉得这是第一个嘛。

09:33第二个我觉得或者说MCP当时半年前刚出来，我觉得它比较有价值的是说，因为通过本地的标准标准标准输入输出的调用，其实你很容易的能够封装很多本地的app的应用场景。因为我举个例子，就比方说理论上讲你用MCP，你很容易的能够操作本地的浏览器，或者你你本地有一个什么客户端软件或者怎么样，

09:56它。但在没有MCP，就是大家还习惯HTTP请求的时候呢。大家都会想，哎，我得做个SaaS，然后这个SaaS里我去做一个沙盒的浏览器。这个其实对很多的小的业务场景来讲，就是开发会变得有点重。就是我现在开发一个沙盒浏览器，然后你调任务的时候，我随时能把这个沙盒浏览器，就是把这个开发工作做复杂了。

10:17那么标准输入输出的确是一个比较简单粗暴的，跟现有的应用去交互或者去服务的这个方式吧。

10:26你这个部分我我追问一下，我怀疑我误解了你的意思。就比如说我现在的主机上面，假设我在用一台Windows电脑，我的主机上面有一个，假设说有一个我们自己公司开发的一个OA系统。这就是你刚刚讲的，就是我主机上有一个有一个客户端软件嘛，或者说我这个是采购的，好了。

10:44我采购了一个OA系统，是一个软件。我现在可以帮这个软件写一个MCP，我的理解是我需要有它的API才能写啊。对，它如果不给我API，我也写不了吧。没有API，

10:56你也可以通过一些RPA的方式去管理去调用嘛。我跟它交互，我可以，我需要通过一些RPA的方式，可以把它的界面，比如说变成一个标准输入输出。我我举个例子啊，就是你定义了MCP服务，说这个，假设这个软件可以比方说填报销，对不对？

11:15然后你定义了一个格式，那你的客户端跟这个MCP的协议，就通过你自己本机的这个标准输入输出，往那个MCP protocol说说，哎。你帮我去填一下报销。那它实际呢可能是，呃，拿到这个报销指令之后，你可以通过一些RPA的工具或者系统的hook，把这个软件打开，

11:40移到那个屏幕上去，点击这些东西，一样是可以操作的嘛。

11:43那这样子就可以做一切了。

11:45呃，对。所以理论上讲它可以做做一切嘛。当然你原来HTTP方式也可以，但就会其实是变得稍微麻烦一点，因为它本身本质上就在本地，你没有必要一定要起个HTTP服务来作为接口。在本地用标准服务、标准输入输出是一个更简单的接口嘛。

12:03但是本质上我觉得这个其实跟什么Function Call啊，跟定义一个MCP服务啊，包括跟OpenAI之前定义的一些API，我觉得没有本质差别。就是它不是个什么，它并没有什么技术上的先进性，更多的是，呃，它提出来有人做了一些应用，这个模型的agent能力也到了一定的程度，

12:24然后呢。感觉OpenAI也已经忘记了要推广他们之前定义的那个

12:29OpenAI。现在支持MCP啊。

12:30对啊。但是他们没有再去坚持，是他们那个时候把那个东西叫什么，就他们当时提提过，就是说你可以申请它的，呃。当然，OpenAI那个路子不太一样。OpenAI那个路子相当于它把自己变成了一个中心化的服务注册体系，而不是说我协议开出来，你任可以往网上到处可以去找，

12:51对吧？但OpenAI至少在MCP协议出来之后，也没有坚持说我推一套我那种标准化注册的这个基于HTTP的API的那个路径。那段时间也有很多人去做了这些服务，我觉得有些人还薅到了一波流量，因为还是有一波开发者很感兴趣嘛，只要有新的在OpenAI那里注册过来的。

13:13就有Adobe

13:14idoubi又抓到一大波流量。

13:16对对。就会有尝鲜的人进来嘛。就MCP也好，还包括现在Google推的A2A也好，它不是什么底层技术嘛，本质上是大家想争夺话语权，或者说去定义的一些协议标准，对吧？你说有什么特别高的技术含量呢？

13:31也没有。

13:32嗯。我当时因为反正我也没有什么技术含量嘛，所以我们看的倒是说，如果这个生态会长起来，比如说你刚刚讲的那个网状结构会长起来，那现在的话你提前进这个网，你就更容易被连接到嘛，早期的网络。所以我们现在也在，其实已经在孵化这方面的项目了，就是在离主流圈更远一点，我们在工业界正在做这个东西。

13:55对。但是你刚刚讲的就是如果是通过RPA再连一次的话，那我那个故事就能讲得更大一点。对，

14:02对，那我我觉得传统应用理论上都可以通过RPA再连一次嘛。因为本身微软其实在Windows上，其实过去几年为了RPA也提供了很多协议层面的能力啊，就是你可以在包装一下就可以去干这个事儿了。

14:18OK，那那故事就更大了，挺好的。那A2A呢？ANA的话就是就是Agent跟Agent交互了，那他们需要相互聊啥呢？

14:27A2A就可能就它想再往外面再抽象一层嘛。就是说理论上讲MCP，还是说我有一些工具，然后你可以开发一个client或者一个host去调动、调用、管理这些工具。那这个host或者client就是一个agent。那A2A说呢，那agent跟agent之间能不能是agent跟agent互动，而不是agent跟MCP互动。

14:50这个逻辑就是MCP本质上暴露的还是细颗粒度的原子能力。我举个例子，MCP更像说我是个电商，我提供了MCP server，然后我这个MCP的这个server，我提供了很多能力，对吧？我可以去查询、搜索商品，我可以让你帮我推荐商品，然后我可以下单，我可以退货。

15:10那A2A是说，这个是个，呃，电商的agent，对吧？那个是个本地生活，帮我去订旅旅游出行的agent。然后这里是一个我的管家agent，你们三个之间可以互相协商商量一下，对吧？这就是A2A嘛，这它就是个更抽象的一层逻辑。

15:28但是我觉得A2A它比较好的是，就是Google推这个A2A的，我觉得比较好是说它把很多实际场景你需要解决的问题，其实都定义出来了。因为比较典型的就是说，我觉得其实MCP没有解决或者agent没有解决的常见的一些场景。第一个比如说权限问题，理论上讲，权限问题在一个企业级的应用场景基本上是必须的嘛。

15:55你不可能说任何人这个MCP在你公司里，即使有很多MCP的server，然后你希望让大家效率高一点，大家可能自己写MCP。client就不能大家把活儿干了，但是你不可能把MCP的server的那个API，比如说你老板可以直接审批一个一百万美金的订单，

16:14不可能开放给所有人，那它就需要有有鉴权，对不对？这个是一个第二个MCP的agent，它还是有个很强的假设，叫做我的活都是agent主动发起的。什么意思呢？就是说我调了你的MCP server，对吧？然后你你帮我去干活，然后但是呢，我是通过标准输入输出拿到了这个结果，然后我再去干下一步。

16:38那A2A它说，那有些活它其实不是那个人就一直在那等，而是说我活干完了，你能不能把结果通知我。然后所以它还把那些什么push的通知呀，呃，把这些鉴权呀，把这些东西，包括说，哎，我做了很久，你这个东西还没做完，那你要不别做了吧。

16:57对。就是他可以把这个一个任务的cancel的能力，对吧？你看你去看他的文档，你就说他agent agent说，我可以去发起一个任务，我可以获得一个任务当前的状态，我还能把这个任务取消了，我有那个鉴权的这个解决，我还能说你做完了你可以反向通知我。

17:14第三个是说，那这个agent之间互相怎么发现呢？这MCP是不考虑这个事情。所以现在有很多MCP在导航站，我猜未来可能还会有MCP的这种中心注册化的协议，那个就退回到OpenAI当时推他们那个标准化的Function Call API那个逻辑了。

17:30但是A2A呢是说，哎，那我把这个agent discovery这个能力也直接在我这个协议里面定义清楚了。所以我觉得本质上还是说Google干的这个事儿，还是比较偏向于说把一个在工业界，或者说在一个企业应用场景下需要考虑的所有因素其实都考虑进来了。但是我我觉得本质上多少A2A跟MCP也是，虽然说它是不同力度的协议，但我觉得多少还是有竞争关系的。

18:01就是如果A2A特别流行的话，你可能也不太需要MCP。就是就是别人用了一个更更高度的抽象提供的能力给你，你就不太需要那个细粒度的能力了，特别是对于普通用户，或者说是一般的应用开发者。那这样，

18:17哎，我问你一下，因为我们团队在做嘛，我其实技术上没有搞得那么明白，就是MCP他们封装这个这个，比如说它其实里面也是function嘛，那究竟是多抽象啊？就比如说Photoshop，它有很多的功能嘛，是它里面每一个可能性它都要比如说描述一下，还是说其实它可以更抽象的描述说，

18:39就是比如说叫做把它的头啊头发换颜色啊，这是一种抽象描述，它就自己会去里面，呃，调度它的几个function来达成这个功能。就是它的颗粒度是细到它一万个功能就是一万个吗，还是怎么样？

18:52我觉得这个是一个选择问题，不是个对错问题。就是你可以选择说我只封装到，比如说把头发换个颜色，你也可以细化到把每一个任何一个操作都封装成一个MCP里的server里的以下能力。

19:10跟协议没有关系。

19:12跟协议本身没有关系，因为MCP的这个协议没有规定说，因为你这个工具有十个能力，你必须给我封装了十个能力出来。你你实际对于你的能力的封装，其实是一个你你的MCP对外提供服务的时候，你要做决策，它的粒度要放得多细，这取决于，那就取决于那个MCP的client，你希望这个client提供一个什么样的能力。

19:36但是我觉得比如说把十万项能力都封装出来，这个事情目前来看肯定还是不太靠谱的吧。就你能力太多，本质上还是那个模型没有能力在十万个API里帮你选出一个正确的，十个选出一个正确的。或者一百个选出一个正确的能力，它可能今天已经有了，但是你真的给他十万个，让他选一个正确的这件事情。

19:59我觉得这对他来讲可能也比较难。当然我也没有试过啊，说我们给十万个人选一个，他还能不能选对。

20:05哎，了解。我换一个例子，就是我不用那个真实的例子。我就讲，我们办公室最近买了一个那个3D打印机。3D打印机操作它的话，其实用的是那个Blender做3D的模型嘛，对吧？Blender是有一个MCP的server的。

20:22然后的话呢，我们其实可能通过一个agent、一个MCP client去操作这个MCP server嘛。这个过程当中其实有两部分的知识：一部分可能是叫做比如说建筑审美的知识，或者叫做模型的特殊的这方面的知识，比如说我就是要做3D手办的知识。

20:39还有一部分的知识其实是关于这个Blender的各种怎么用的知识。我现在的理解其实是关于它怎么用的知识，其实我是封在那个MCP server里面的。但是关于比如说模型手办怎么做会达到效果的知识，其实我是封在client这边的。

20:57但是我现在被告知说，其实都是封在MCP server的。说能力的那个行业know-how其实也是装在下面那一层。但是我实际的例子不是这个，实际的例子是另外一个工业软件。对。就是说工业软件可以把它的工程师的know-how全部封到MCP server这一层。

21:16这这个是这样吗？从你的观点来看。

21:19我觉得你原来的想法才是对的，就是你其实不应该把太多的know-how放在MCP server里，这样agent就失去它的意义了。就你从长线来看，agent你可以用MCP server，只是一个让一个东西暴露一个标准的、可以操作的动作或者工具给到agent。

21:44然后know-how的能力一般都是放在agent的，而不是放在那个工具的。就是换句话说，你今天去操作Blender，know-how的能力，当我知道要做一个模型的时候，我不懂Blender。但是比如你操作Photoshop，你说我要换背景，我应该点哪一个菜单？

22:02这件事情其实是知道的是你，而不是Photoshop。Photoshop它当然知道，但它没有办法来跟你描述这个事情，而是那个熟练工、那个agent，对吧？那那个时候，当你有一个员工，他是专门去帮你P图的，他其实就是你的那个agent。

22:19你肯定希望那些能力其实都应该是agent的能力，也就是都应该是在MCP client端的能力，而不是应该在server端的能力。放在server端往往是说明两种可能性啊：一种是说这个工具比较特殊，然后你发现我用的这些头部的模型理解不了这些能力，

22:41或者是说没有办法规划好这个能力。但这个其实就把你的agent退化成一个标准化的workflow了嘛。就在MCP server那端，你相当于把一些固定的能力的流程都定义死了嘛。所以我觉得是说，除非是迫不得已，一般尽量不把能力固化到server端。

23:01或者说你本身你的agent要做的是一个更抽象的决策，那你可能把一些细节的东西——我觉得这个就跟人去做事情是一样的嘛，它是分层的。你不可能让一个CEO、高层管理者、中层管理者、一线员工，可能每个人要做决策不一样。你如果希望你那个agent同时所有能力都非常强，其实也是有难度的。

23:22但是这种方式你可以用MCP、MCP或者A to A的方式来做。

23:26对，我觉得那可能都是对的。因为你刚刚讲了一句说除非那个比较特殊，那如果是比较特殊的垂直领域的东西，就有可能要在里面要封多一点。因为确实大家有点搞不懂你到底要干嘛。

23:39对。很多的人另外一个思路不是封多一点，而是通过post training去训一个自己的能管理这些工具的agent嘛。

23:48啊，对。也可以放在那边啊，反正对。

23:50就是一般大家期望是这样的，因为你把它都封在MCP server里，那本质上和你之前做标准化的流程、自动化、做workflow、做SaaS，其实是一回事儿，对吧？它其实没有用到什么AI能力。

24:05那如果我要post training成本高吗？比如说post training一个更会用Blender的。

24:10我觉得这些所有的成本都不在现在来看，post training的主要成本还是怎么定义描述问题，以及怎么构造数据的问题。本身在显卡算力这些的成本其实现在都已经不算高了。

24:24你说的不算高，是比如说小于几百万美元，还是小于几万美元的不算高？

24:29小于几万美元的不算高吧，或者小于二三十万美元这个量级的不算高吧。

24:35好的好的。那要是要做的话，可以问一下您，几百万美金我也就不看。

24:40我觉得主要的挑战，现在大部分agent、大部分的东西，主要的挑战其实还是在那个数据构造跟怎么评估它的能力上，而不是在模型训练上。就模型训练其实用一些就30B左右的比较头部的开源模型做一些post training的效果，

25:00其实都还可以。当然跟最头部的模型比，呃……可能还有差距啊，但最头部的模型很多也不让你微调吧。比如Claude，你也没有办法帮到你的这个工业软件的这个领域，你也不能去微调它，它在那个领域能力是不是非常好，不太确定了。

25:16如果我有那个，我们先不讲够不够得着数据。假如我有真实数据，比如说有一百万条，都是人类的，比如说他就是操作Blender的，比如说需求说明书，以及人类的有一个改，说你其实哪几个点做得不好，然后人类的真实批改，比如说十万条吧，然后以及真正做出来的那个图，

25:37发现哪里对哪里不对，就全都是真实的。这种数据是有价值的，对吧？

25:42有价值。那它可能要更——如果细细聊可能要更细一点。就是说你大概率你是做一个强化学习的，你一般说强化学习去把那个步骤能够把这个能力学出来嘛，那就得取决于说你这个数据量是十万条，一般就看你的任务复杂程度，但十万条我认为一般已经非常足够了。

26:04那这个还挺有意思的，因为我现在就在假想一个，就是我我是讲故事的人嘛，对吧？然后那个我现在想讲一个故事，就是比如说像Blender这种东西，它其实世界上有非常多类似于这种的软件，然后有非常多细分的产业的软件。然后细分产业的软件其实都——就线上的你看那些MCP都不会做到这些东西上来，但Blender会有人做，

26:28更细分的都不会有人做，但是其实都有很多的工程师在用嘛。那其实有一层机会就是给这种软件的话包MCP，然后另外在它上面做一层agent，然后agent它就会用了嘛。其实很多的工作其实就是某个人他会用某个软件，他的工作就是操作这个软件。

26:46那这样子的话，我们来其实可以直接交付result。它可以来吃这个市场嘛，所以有这么一个故事的存在。你觉得这个故事在技术上是通的，对吧？

26:55嗯。我自己的观察主要的挑战在于，很多时候大家觉得这个人只是在操作这个软件，但是你发现实际并不是。大家觉得，哎，我能把程序员的工作给省下来，对吧？对肯定还是对的，它的确极大地提高了应用开发程序员的这个代价。但是呢，你会发现OpenAI人也不少啊，OpenAI现在也一两千号人呢，对吧？

27:18那为什么呢？就是，哎，你会发现这些人的主要工作，他其实不是在操作那个软件。他在操作那个软件上花的时间其实是非常少的。他大量的时间你会发现，比如以程序员为例，他其实在跟人沟通，比如说在跟产品经理沟通，然后他可能是在跟另外一个程序员沟通，

27:39而不是说他就是坐在那里对着那个屏幕去操作他的那个IDE就好了。我相信那些大家认为都只是在操作软件的这个事儿，可能也没有那么只是在操作那个软件。这个是我觉得可能会比较容易就是面临的一个问题。

27:58有可能。对，但我们在找的其实是那种有BPO存在的，就是计件的、单一流程外包的这种。如果有这个的话，其实很多时候就是非常的……

28:10对，就就就既然市场上都存在BPO的话，而且是计件的BPO的话，那应该还是蛮蛮标准的。或者

28:16我这样说，我一半乐观，一半不乐观。不乐观的是什么呢？是说在传统的BPO的流程里，很多事儿成本其实已经被压得很低了，而且

28:28已经做了很多AI辅助的优化。举个例子，现在这些大模型能力那么强，我先讲，比如说我们找人去标注数据，对吧？理论上讲，我是不是只要——理论上讲，不论是说我在一个图片里去识别一个什么东西，说框一个这个是裤子，那个是衣服。

28:46理论上讲，今天大模型是不是都已经能做了？但是那为什么？但是如果你去看那些做大模型的公司……它可能还是花了不少精力找一些外包公司在标这些数据。第一个是人干这个数据的成本真的很低，可能并不比模型高多少。第二个是AI的准确率已经很高了，但是没有人那么高，或者说你还是有很多case希望人去帮助你去修复。

29:12同时呢，其实人在标这个当中现在已经引入了大量的AI辅助，它可能比方说它已经把那个框讲在那个图里，比如说拍一张照，标出你这里是眼镜，这里是T恤，对不对？那现在的做法是AI其实框都已经帮你框好了，连那个文字对应的那个东西，人只是去做审校的过程。

29:32但是审校这个过程你其实已经没有办法再靠AI去解决了，因为需要审校就是因为AI可能现在准确率还没到100%。所以这个是我说既乐观也不乐观：我相信AI这个能力已经很强；不乐观是很多BPO我理解成本已经降得比较低了，已经降得比较低了。

29:54在很多场景下，你最终还是会留下一部分人去干那些需要大量沟通的事儿。就是你今天可能能够把传统的客服能够砍掉百分之八十，是因为那些自动的，立刻回一个，立刻你发消息立刻响应你，或者去问一些你，哎呀，你东西没收到货，你能不能把这个图片贴上来呀？

30:16你能不能把那个什么，你这橘子烂了，你能不能拍张照给我呀？这些事情啊，然后在一些常见的标准流程下啊，我就能答应你退你五块钱行不行啊？这些都能做了。但还是会有一些，呃，看似简单，感觉是说你觉得他的主要工作就是写代码也好，就是就是操作软件也好。

橘子

30:39但是你发现那个反而是他，就是操作具体当中这个东西确定就是要干这个事儿。所以我去做一走一遍这个流程，可能占这个人的工作中的很小的一部分。比较大的挑战其实很多白领的工作还是在做说，我们确定到底要不要这么干。

30:58还是想到了一些领域的话，比较符合你刚刚说的那个条件。其实很多领域还没有到那个辅助，其实不一定要直接去取代嘛，很多时候也就是提效50%，其实大家就很开心了。

31:09对对对。而且我觉得辅助挺有价值的嘛，这个也是我觉得就是说MCP协议的一个好处，对吧？你作为一个MCP的client，这个操作可以是由机器发起的，也可以是由人看到了一些反馈之后发起的嘛。就是举个例子，现在的这些IDE，什么Cursor啊什么的，都是个MCP的client，但是你人去应用这个软件，

31:30哎。apply去去confirm返回的结果被应用上去，然后再去发起，或者你提起一个问题，其实是你也是那个MCP client的一部分吧。只有你去触发这个client去做动作的，而不是完全agent，就是完全agent自动把所有的动作都做了。

31:52工业软件那边会有更多的机会，因为它相对白领的这边没有那么复杂，它更偏向于人类，就是那个翻译器。就不是像比如说，比如说你们公司的程序员可能今天在做这个，明天在做那个。工业界很多的那个那个工程师，真的就是每天重复一件事情，重复五百遍。

32:11所以如果有做工业软件的那个朋友听到播客，也可以找跟我联系一下。最近对这方面比较好比较好奇，主要是做to C，我们做了好几个东西都砸掉了，离徐文浩这种人远一点，就是我们离to C现在往回退一点。

32:25这个是就是最近有看到一个别人的说说，为什么agent这个领域在那个写代，在那个coding这个领域其实是agent发展最快的嘛，就是coding的技术专家其实也是agent coding的产品专家，对吧？这个他不用领域知识这个东西需要去学，对吧？

32:43但你换任何一个其他的领域，其实你既需要说我很理解agent或者AI能干什么，我还要很懂这个领域。这个这个组合其实是难的。就像你说的工业界的这个能不能把两拨人互相能不能正常沟通，把这个事情跑起来其实难的，对吧？我觉得做C端产品也是的，就是有些领域相对容易一些，有些领域就会更难一些嘛。

33:06这个领域的专家离programmer越远，这个事情就越难做。但好处也是说它的竞争不是一个纯粹的啊，我我聪明，我手快，对吧？我年轻。

33:17我我是反过来想啊，就是MCP这么，其实至少在业内最近火了一下嘛，它其实反过来像你讲的就证明了说，其实是因为agent的能力慢慢开始成熟嘛。那其实这里面到底红利在哪里？就比如说Manus，我就觉得吃到了一波红利嘛。其实就是agent半成熟不成熟的时候，就是它是第一个号称我们已经做出来了，对吧？

33:40就至少demo是好的，那其实它就它就占到了这个红利。那下一个可以占到这个红利的那个踩点是踩在哪里？当然有一些小的，比如说做个导航站，但这一波已经过去了嘛。那下一个这个可以踩到这个点的这个红利这口的话到底在哪里？

33:57非常不擅长判断红利在哪里。因为我的观察是，就红利这个事儿真的是叫踩着了，强行发现还是有难度的。

34:06那反过来讲，就是我们不去判断红利，而是认为说，比如说到明年，明年的时候，比如说明年底的时候，就是世界上所有的软件都有MCP server，然后也会有无数的client在调无数的server。假设明年底会发生这件事情，这个过程当中的价值捕获到底在哪一层？

34:24就是你是在做个导航站会捕获到这个价值，因为这这肯定创造了很多价值嘛。那其实可以做的事情茫茫多，因为你已经知道假设知道明年底未来就是这个样子了，那从现在你可以做个server，可以做个导航站，可以都可以干。但是总归会觉得好像里面哪一层都拿不到价值，就是你会觉得价值捕获在哪里啊？

34:43你说从需求的角度，我觉得有好多层啊，就是说，当然不是每层都有钱的，我先解释一下。第一层，我我一直说第一层的钱还是在培训跟普及吧。我们客观点来讲。第二层我觉得是一个就跟DeepSeek出来之后大家都要上AI一样，第二层也是在就传统的外包实施嘛。

35:04就这些都是就是只要普及了你就是去，这两层都不是发大财的逻辑，我觉得本质上还是捡钢镚儿的逻辑。DeepSeek火了就会有私有化部署的需求。MCP火了到最后一定也会说，啊那，我觉得所有公司都后来都都会做，然后就是大家都会说我能不能把我内部的系统的所有的服务都变成MCP能够暴露出来。

35:28然后我内部所有的我内部的企业未来的流程能不能我有一个工具说我想干个什么事，它自动告诉我说我能通过这个MCP把这个事干了。那所有的理论上讲你企业内部的应用都有一层，把它再包装一遍变成MCP server的需求。呃，这是为什么我说是个捡钢镚儿的逻辑，这个就跟当年移动互联网出来说，哎。

35:49我们企业原来有这个PC端的这种portal门户OA，对不对？我要做个iPhone跟安卓的APP，我企业内部的A O O A在移动端也会用。这个第一个它的确有用，今天你很少会见到你你那些最传统的邮箱啊、飞书啊、OA啊、流程啊，你其实都移动化了嘛。

36:09那我觉得MCP如果说agent的能力上升，那理论上讲原来的服务、原来的原子能力你都应该用MCP包装一层提供出来。然后围绕这个东西提供出来，我就说了MCP有很多事情没有做好。那么你如果是做企业服务，你就需要把这些呃权限呀、数据隐私呀、呃使用统计呀、呃什么服务监控可观测性呀，

36:35什么，这一套东西你这都都需要。第二个就是说，我觉得大家需要的就是MCP本质上还是给机器用的。所以你需要的其实不是一个导航站，而是一个搜索站。就是你需要的是一个可以给MCP client直接去搜索说有哪些MCP server，这MCP server好不好，

36:56对吧？就是能不能不要让人去发现这个东西，而让机器去发现这个东西。怎么让你自己变成一个，对吧？然后这些MCP server能不能统计出来，他们调用的成功率啊，他们的结果的采纳率啊，它变成了一个，呃就是这个是服务注册乃至有价值的地方，就是你能不能做一个MCP的，真正做一个MCP且给机器用的大众点评。

37:20我在想一个更垂直的小机会，你觉得有这层机会吗？就是呃比如说我随便讲，比如说你是一个运输车队公司，然后你可能用了十个工具，然后我是你中间用的比较大的那个工具。然后的话呢，我把自己先做一层MCP server，然后做一个client给你用，你就说说话就可以把我的各种东西，

37:40你就反正我的能力肯定就让你用得很爽嘛。但是因为你习惯了跟我的client说话，我就慢慢地总归还会你十个工具里面会有第二个MCP server出来嘛，实在不行我帮他做嘛。然后以及甚至于有你没有用的，但是其实也满足那个功能的，就是竞品，他会做好MCP。

37:58那其实我只要占占了你，比如说你工作的这个对话框，然后的话呢，我我就慢慢的可以把别人吃进来，因为最后其实看谁占这个占，其实就是入口逻辑嘛。现在因为你要打你要打开不同的UI去graphic interface，所以你可以有十个入口。

38:18未来client很有可能是一个入口，那我先占，我有可能把别人吃进去。

38:22就我觉得这个机会不是一个新的公司的，这个机会其实是巨头的，这个机会是微信、钉钉、飞书、ChatGPT、Google、WhatsApp，对吧？这个机会我觉得不属于一个新公司。

38:36不一定，你如果就就你如果堵在比如说白领的办公室里面可能是这样，我们现在躲得很远嘛。就生活和白领办公室我觉得都吃不进去，但是直接直接第一步就躲远一点，躲到产线上去。走到产线上，

38:49我举个例子，他，我为什么不能用钉钉呢？或者不，为什么不能用微信就把这事干了呢？

38:55对。就是他在上面再吃一口，就是你可以吃小鱼，然后背后还有一个更大的鱼。

39:01呃，对对对，我我觉得是说你当然了，你说细分到一个任何一个垂直领域啊或者什么，这当然都有这个，当然我觉得这个机会当然存在，我不是说这个机会不存在。我说机会肯定是在的，因为一旦你应用到那个领域，你你你收窄到一个垂直领域，你就会发现通用工具的效率往往不是最高的吧。

39:21它提供的交互界面，它提供的确认问题的方式，它提供所有东西未必是最有效的。但我但我觉得这也是个周期啊，就是可能一开始你会做一个app，慢的慢的慢慢的你会发现，哎，会变成个微信小程序。可能是个就是你的客户更愿意接受的方式。呃，对。

39:39但是我觉得某种程度上讲，这个就是为什么不能听我们这种

39:43人。就想想太多。

39:45对，它是个周期，我们老想到，我们老容易想到说，哎呀。五年以后，这个事情就没了。但实际上事儿不能这么做，事儿就是可能今年火了就火了嘛，对不对？火了你先把这个钱给挣了嘛，或者你先把这个估值融资先给搞了吧，你也不知道三年五年以后到底是什么。

40:03你老想着说，哎呀，这个微信一进来，这个事情不就没了吗？那就是啥事都做不了，对不对？

40:08我忘记是谁说的了，说现在你找到的机会就是一个正在融化的冰棍儿，它一边融化你一边赶紧吃，然后然后吃点力气，赶紧去找下一根冰棍儿，反正都是冰棍儿。你千万不要想你可以吃到一个什么百年的什么东西，你吃的就是冰棍儿。

40:24对。反正我觉得还挺难的。

40:26啊，了解了。那你最近除了MCP之外，有看什么别的好玩的东西吗？

40:30那个大家应该都在看吧，就是大家都在看两个吧，一个是那个OpenAI新出的生图的那个。

40:37那个肯定肯定，我我已经玩得不亦乐乎了，我宝宝刚刚还拿我手机在那边疯狂地玩。

40:42呃，这个嘛，第二个是就是大家今年应该都在关注这个视频生成吧。对。

40:48哎，我用现在用下来效果最好的是Google那个。Google那个太强了，Veo2啊，它是免费的，我我快手可灵我还给了钱。Google那个就我宝宝画的那个，我宝宝做的那个机器人，然后我就让他们生成生成视频的话，Google对于那个关节的理解，

41:06因为那是虚构的机器人嘛，全是对的。然后可灵的话就是画面会更漂亮，但是其实它对于关节的理解是错的。

41:14我觉得Google还是挺厉害的，就是呃一个是人家财大气粗，投入也大，积累也重嘛。你不管是Gemini 2.5 Pro对吧，包括Veo，包括现在他们又推了新一代的TPU，感觉还是说没有被落下嘛，对吧？第二个大家可能关注的是Llama4比较拉垮嘛。

41:33对啊。为什么会就感觉就完全没有人搭理它了？

41:37呃，就效果比较拉垮吧，就大家觉得原因不知道吧，原因就大家听听八卦嘛。现在的主要的挑战在于说，就是low-hanging fruits已经被剪得差不多了，感觉。就是不管是从模型的角度还是从那个应用的角度，反正最简单最主流的这个市场还是被瓜分得挺快的。

41:58然后企业侧，我觉得海外渗透得比较快，国内渗透得还比较浅，对吧？但是国内的to B业务自古以来都不是很好做。

42:09我分享两个我看到的比较有意思的方向。一个方向就是跟MCP一脉相承的这一类的东西。我看了一些，现在有越来越多的产品其实不是为人类做的。就是之前我们是默认我们在帮人类做东西嘛，现在越来越多的你会看到茫茫多的东西其实都在为agent做。

42:30就未来如果人类越来越懒，我们认为agent来做巨多的事情的话，你会发现现在的基建都不对，都得为他们，比如说MCP server一下，或者说帮他做个浏览器，帮他做个搜索，帮他做个ID，这一系列的东西，起码一百个吧，都是for agent的，把人类的那套基础设施。

42:49因为它现在还是打开一个人类的什么网站啊什么的，用人类搜索引擎就很奇怪嘛。那打开浏览器还在那边翻页，神经病啊。对。所以像像Browser Use啊什么的，这这这个，看到一个大的好像有一个有一个很明显的趋势，就是for agent的东西变多了。

43:08就是把网页变成了LM点txt，是吧？

43:11对。比如说Browser Use嘛，对吧？就就就这种公司嘛，就或者说像那个搜索引擎那个叫什么Exa啊什么的，这种其实都是for agent的用嘛。所以就是你的用户不一定是人嘛。其实MCP你做MCP server其实也是这个心态嘛，就是你不是在优化这个产品让它什么呃加了AI，

43:30而是说它更容易被大语言模型用嘛。所以它其实这个思路，它其实是嗯你的目标对象变了。我看到的一个趋势是这个，就越来越多的产品是这个这个思路。看到一个思路非常让我嗯，就我看到了一些非常野心非常大的小产品。就是之前的话，比如说我跟你讲，嗯。

43:50嗯，比如说讲医疗好了，那你以前会想，我们讲一个创业公司，你肯定医疗，你就要找一个细分领域去做嘛，对吧？你肯定要找什么小切口，但是呢，你就会发现有创业公司它在做全部all in one，就他会做all in one。然后第一个就是他们是小公司，第一个就是他们会说我们的代码都是AI写的，所以历史上那个比如说一个医院要五十二个系统的话，

44:13我们全用AI写的，你就会觉得，啊，一口鲜血喷出来。然后第二点就是你会发现好像那个产能在蓬勃。然后第二点呢就是他们会把，因为是五十二套系统，原来的五十二套系统可能他们，我我也不觉得他一定做好了，但是呢第一个就是他会觉得这个时代变了，这五十二套系统我全部用AI native的方式重做了。

44:33比如说你以前需要干嘛干嘛，现在都是AI生图。所以你以前那些都不需要了，虽然我比你少九十九个功能，但你只需要一个了。好，他全部重做。第二个呢，就是很多的产业其实是有，比如说你以前做那个广告，智能广告投放嘛，对吧？那广告投放其实是有一个闭环的对吧？

44:50那如果是人类参与到其中原来的那个模式的话，其实那个闭环是很慢的。比如说你这一次什么品牌营销，最后发现小红书上大家都说这个丑，颜色好丑啊，你再改。然后再重新投放，几个月过去了。但是如果全是像你们之前的那种投放的话，很有可能你就直接搬着就自动开始改了嘛，对吧？

45:10就自动投放的就变了。那现在的话，如果是它更细颗粒度的，假如它那52个系统全是AI的，那其实就是瞬间把它全部铺出去，瞬间数据全部收回来，瞬间这边从源头开始策略改，然后全全套打通。他们现在这这一类的公司就是小公司，但是做all in one。

45:29然后他们的整个的那个故事线就变成了说，第一个就是因为现在的代码能力蓬勃，所以我们可以做得出来。第二点，就是我把它全部按AI native的方式做的话，其实其中95%的功能可以删掉了，因为你之前是因为人类做才需要那么多功能嘛。第三点的话，就是因为我全套都是我的。

45:50所以我的那个闭环出来了。可能每一个我都不如你，但是呢你以前那个闭环很慢，我的闭环就飞快，它就相当于AI来做优化了。哪怕我是个比你比你白痴的，但是我的优化闭环更快了，所以我整整个的是更先进的，是差一代，我就可以靠比如说个创业团队做all in one的solution的话，

46:09居然可以那个就去干大事。就是如果是放在五年前，你肯定会教育他的。然后你现在就会觉得被他教育了，觉得好像也有点道理。

46:18这个趋势其实跟那个就是跟AI coding的这个趋势是绑定的嘛，就是大家的假设是我用一个agent，我能够很快地生成一个solution，对吧？就是我不太需要写代码，我可能用用一个Cursor或者之类的，然后我定义好一些MCP的server，

46:34然后我自动生成代码，自动生成send，甚至在sandbox里去运行或者调试，拿到一个结果，然后用一个比较小的团队，就号称说我十个人团队能干别的公司一千个人的活。因为我们现在这个业务也做了一段时间，你越往后做，你越来越发现这个写代码花的是，就是难度越来越不在写代码上。

46:54对。所以它越来越多的难度不是说啊我有一个功能今天要做，就是越来越多的挑战会变成说，还是在我怎么acquire user，acquire attention嘛。就怎么获取外部的真实的用户，而不是说这个功能本身，嗯我能不能做出来。

47:11所以他们的逻辑的话，就是这些公司往往现在已经有量了，就是他们说因为我们直接做出了效果，所以我们现在获客非常容易。但其实你也不知道它的量是真的假的，因为那些体量都是可以造的嘛。对。但是数据都很好，所以你就会觉得说受到了震撼。

47:29这也很正常，有很多这种hype嘛，我们叫hype，就是有很多这种就泡沫一样的东西在里面。就现在不是有一个梗嘛，说ARR，对吧？就像神圣罗马帝国一样，对吧？它既不神圣，也不是罗马，更不是帝国，对吧？

47:44它既不是Annual，呃，也不是Current，更不是Revenue，更不是Revenue，对不对？

47:52You're very caring.所以

47:53这个我我不知道啊。第二个我觉得是比较重要的一个事儿，我觉得这个是大家形成了共识，就是大家越来越关注怎么去评估一个原来不确定的问题。这个是就前两天那个不是OpenAI那个姚顺雨还专门写了一篇blog嘛。这个事儿其实我记得三四个月前之前这个Google的一个DeepMind也写过，就是今天的难度就跟我前面跟你说去训一个post training，

48:20它的难度其实不在于说我有没有那些代码能够去train这个东西。就是代码现在是非常廉价的，对吧？因为有开源社区。有AI

48:29定义问题和定义evaluation吗？

48:31对对对，就是我举个例子啊，我我已经不能举一个，我知道，我只能举一个，比方说你今天说，我想定义出能不能让AI生成好的流行音乐，那它的难度不在于AI能不能生成音乐，而是我怎么评估这是个好的流行音乐。所以它会变成这样一个，这个问题其实，当然我我们不是，我不是音乐人，我也不懂，对吧？

48:55但是说实话好像也从来没有在哪里，就是它不像一个数学题或者怎么样有个标准答案，就是什么是好的流行音乐，就跟AI现在画这个图，就怎么是好的，对吧？就像你刚才说Veo，你觉得它重要的是它的关节理解都是对的，对吧？但有些人会可能会觉得说这个图不够漂亮，但也有些人可能会觉得说，哎，它的光影不对。

49:19啊，那那还有个人可能觉得它为什么左边眼睛跟右边眼睛大小不一样。当你发现这个事情是我能够evaluate，我我定义了一个评估准则，然后模型的输出结果最终跟我的商业结果又是强关联的，那这个事情会变得比较重要，对吧？我觉得coding的好处是说它的确相对比较容易评估，这也是它能够跑得比较快的原因。

49:42但是我们想，当我们想要说用AI改造每一个行业的时候，你会发现有很多领域它不太好评估。其实

49:50coding也没有你想的那么好评估，就是我们曾经去研究过那个Outlier上面。发的各类的coding任务，然后去去仔细地全部研究过一遍，然后跑过，非常可怕。它它也不是说有user case就行了，它会把人逼疯。然后是给了你一套类似于你刚刚说的光影啊什么的，给了你六个维度，然后还要你自己去提需求。

50:15提完之后，它写写出来了之后，让你按照六个维度去评估它，然后甚至于会让你要眼睛看代码，不准跑一遍，找出它的bug之类的，很荒谬的各种要求。我觉得啥呀？

50:28我们其实也做过一些数据评估吧。就是说我举一个例子啊，当然也不是我们做的，我们做的我不能举个例，就类似于说，呃，我想生成流行音乐，对吧？那这两首流行音乐哪首更好听呢？对不对？

50:42你想找人来标一标这么个问题。然后你这样，你既让AI帮你标两首流行音乐哪首更好听呢，又让人标。你会发现不同的人跟AI，比如说你找了一百对，发现基本上跟随机选没区别。就是人跟人之间，这两个人之间说一致性等于百分之四十八点七。

51:01什么意思呢？就是说有一半我们意见是一样的，还有一半我们意见不一样。那三个人呢，两两之间是基本上在百分之四十到六十之间，然后AI跟人之间呢，基本上也在百分之四十到六十之间。这个就是我觉得现在有很多问题，呃。呃，我们希望AI来解决，但是其实不太好解决的地方。

51:20换句话说，呃，就是简单的问题AI已经解决得差不多了，难的问题感觉人好像也解决得不是很好。

51:27对，人的意见现在已经不知道该怎么听了。对，我们早几天那个内部有一个demo，是类似于一个播客的publicity，然后我就觉得里面那个人讲话太呆板，然后……然后就跟我讲说，你的意见没有信息量，你这个叫个人个人偏见。就是像你讲的嘛，就是我觉得这个音乐好听，我觉得不好听，这个东西对于调这个产品一点帮助都没有。

51:51这就是你的个人观点哈。怎么怎么调呢？不知道呀。哎呀，好难啊。那怎么办呢？

51:56有什么方法吗？有什么最佳实践吗？写evaluation有最佳实践吗？

52:00没有啊。我觉得这个就是个，就是看你，我就是个团队迭代的过程吧。而且我我觉得是说可能每个领域都还不太一样。

52:08哎，最后再问你一个，我刚刚刚刚刚刚想到问题啊，就是，哎，你最近用了O3吗？

52:13最近你说最新刚发的，没，还没用，还没怎么用。

52:16OK，OK，我还想问你一下，就是它一会儿聪明一会儿笨的，我就是觉得说它到底是个什么逻辑，就是一会儿你会聊到嗨，一会儿它就会明显的，我觉得它在降智在哄我，然后就觉得说这到底是个啥呀？

52:30不是有人说不能用中文提问吗？一用中文提问就降智。

52:33不，有，就用中文，它一会儿又聪明，一会儿就会，它会深思熟虑，然后给我的东西会把我震掉，一会儿就觉得你你丫明显就是在偷懒。难道要持续地用英文问吗？好的。那我们今天就到这里，欢迎大家关注AI炼金术。我们有一个公众号，然后公众号就是徐文浩老师说他会去写那个什么PC往事，以后会很精彩的，大家去公众号上留言催他。

52:55好的好的好的好的，

52:56好。希望大家支持我们，关注公众号，关注那个AI炼金术。然后我们是比较就就在一线的。然后那个我是在做那个投资跟孵化，然后看过很多项目，徐文浩是真的在一线，他是可以干的。对对对。

53:09我看到上一期有人问，说你们两个到底懂不懂啊？我们是一线的从业，一线的从业者。对对对。但是有很多东西也不一定是对的，但是我们会聊一些我们真的看到的东西。所以大家就是，呃，对，就是两个人持续聊嘛，这跟其他的播客比较不一样，就是因为老是这两个人聊，

53:26所以我们每次聊的东西还会不太一样。但是呢，比如说我去上人家的播客，人家反反复复就问那几个几个问题，对吧？所以你每次讲的东西都有百分之五十是重合的。对，我们两个讲的东西大部分时候就是还是比较新的东西，所以大家欢迎关注，欢迎推荐给朋友。

53:42然后如果你是什么搞什么工业软件啊什么的，然后最近想要什么AI转型也可以，就反正关注我们公众号，跟我联系一下啊，觉得互联网那太可怕了。好。那我们今天先这样，然后结束了。嗯，

53:53拜拜。好，

53:54拜拜。