原版“手机炸金花万能挂”逐段说明

1. 看手上有什么：盘点材料与来源

先把跟 手机炸金花万能挂 相关的材料摊开：配置文件片段、下载包、截图、聊天记录，逐项标注来源账号、获取时间、版本号或文件名。对每份材料只回答三个问题——它是谁提供的、它对应哪个环境、它能不能被复现。凡是无法回答来源的材料，先在清单上标成不可信，后面不允许作为依据。盘点完把清单从头读一遍，确认没有把不同环境的材料混在一组。这一步不执行任何改动，只看和记，目的是让后续操作有明确的事实底座，而不是拿半截信息就开始动手。

实用提醒：来源说不清的材料单独放一栏，别混进可信清单

2. 口径确认：与对方对齐判定标准

最小一步通过后，不急着扩大范围，先与对接方核对判定口径：拿什么字段、哪条命令输出、哪个页面状态算「成功」？把对方的说法写成一句可执行的判断句，比如「返回 code 为 0 且文件数量一致」，然后自己再跑一遍验证，凡是与这句判断句对不上的，都当作未通过处理，回到上一步定位。口头说「差不多了」不算通过。若对方暂时联系不上，就把自己的判断口径写进记录，标注待对方确认，同时不推进更多改动。（对照「手机炸金花万能挂」自查）口径对齐后，后续每一步才有统一的对错标准。

实用提醒：把判定句抄在记录顶部，每次验证都回头对一遍

3. 做最小一步：只动一处并留底

从可信清单里挑出唯一一个待验证项，对应 手机炸金花万能挂 里的某一行配置或某个包，动它之前先跑一次查看命令，把原始输出整段保存。然后只改这一处、只装这一个包，保存后立刻再跑一次查看命令，把新旧输出并排对比。重点确认两点：目标项是否真的生效、其他项有没有被顺手带偏。如果输出不符，停止后续动作，用保存的原始值还原，不与错误状态纠缠。这一步的价值在于把验证成本压到最低——一处对比，一处回退，出问题也只影响这一处。

实用提醒：新旧输出并排贴在同一份记录里，差异一眼可见

4. 三动复盘：登记结论再决定是否扩大

把盘点清单、最小动作的前后输出、口径确认的那句判定，三部分合到同一份记录里，写明本次结论：通过、未通过还是待确认。只有当结论为通过、且口径已由对方确认时，才允许在同一记录下开始下一项改动，并且重新从第一动「盘点材料」走起。若结论是未通过或待确认，原值与备份保持原样，不做清理，等条件明确后再动。复盘时检查一遍三份证据是否互相对应，有没有用同一份截图反复充数的情形。记录完整了，接手的下一个人就不必再从头猜材料是谁给的。（对照「手机炸金花万能挂」自查）

实用提醒：待确认状态下只保留现状，不叠加新改动

近期见闻

5年后，你手机上的购物App会消失

内容来源：笔记侠PPE（政经哲）课程26级美国站《创新英雄》现场分享。责编 | 贾宁 第 9889 篇深度好文：8985 字 | 20 分钟阅读 商业趋势 电商巨头亚马逊，在 AI 时代正在如何实践 Agent，拥抱AI时代？今天的内容，来自笔记侠PPE（政经哲）课程26级美国站《创新英雄》现场分享的精华部分，分享人是前亚马逊Rufus项目（AI助手）创始成员，内容以第一人称展开。

这次美国之行，笔记侠和一批优秀的中国第五代企业家，在硅谷和西雅图双城，展开了深度的现场学习和实践，相关内容请点击链接了解： 万维钢：未来几年，人只剩两件事可干 人生拼到最后，拼的是心力 过了明年和后年，这个机会就轮不到你了 希望今天的分享，对你有所启发。

一、从卖书到AI购物， 今天的亚马逊在做什么？1.先解决一个问题，别急着做万能Agent 很多企业做AI项目时，第一反应是："我们要不要做一个Agent？" Agent，中文通常翻译为"智能体"，指的是能够理解目标、调用工具、拆解任务并连续执行多步操作的AI系统。

它不只是回答问题，还可以帮用户完成搜索、比较、填写、下单、分析、整理等一系列动作。听上去很有吸引力，但问题也从这里开始。很多企业还没有想清楚客户到底遇到了什么问题，就先决定做一个Agent。亚马逊的Rufus项目，提供了一个相反的案例。这个项目在2023年启动时，最初只有七八个人，后期也不到20人，用大约两个月做出了一个小型演示版本。

项目后来获得认可，团队才逐步扩大到数百人，并继续向完善的AI购物助手发展。亚马逊当时面对的实际问题非常具体：平台商品越来越多，用户搜索一个普通商品，可能会得到几百甚至几千个结果；评论中存在刷评现象，用户很难判断哪些信息可信；选择太多，反而让人更难做决定。

所以，Rufus没有一开始就把自己定义成一个什么都能做的超级助手，而是先做导购。它要做的事情很简单：理解用户的需求，整理商品信息，解释不同选项的差异，最后给用户两三个更值得考虑的选择。购物在这里被重新理解成了两个问题：一个是选择困难，一个是信任不足。

这就是亚马逊做Rufus时最重要的判断。它没有先问";AI现在能做什么"，而是先问";客户现在最需要什么";。做Agent时一定要先定义边界。今天的AI可以完成很多事情，但并不意味着它适合解决所有问题。企业如果看到几个很酷的AI演示，就决定把所有流程都AI化，往往会迅速陷入混乱。

模型能力越强，任务范围越大，数据、权限、流程和错误处理就越复杂。亚马逊的做法，是先把问题缩小，再把结果做深。2.算力是亚马逊给未来准备的筹码 如果只把亚马逊看成一家电商公司，就很难理解它为什么能在AI时代保持竞争力。亚马逊从1994年在线卖书起步，后来扩展到全品类零售、云服务、智能硬件、线下商超等多个领域。

AWS(Amazon Web Services，亚马逊云服务)如今已经成为亚马逊最重要的业务板块之一，也是其AI基础设施的重要组成部分。AI时代的竞争，仍然要落到基础设施和供应链上。亚马逊有一个布局挺让人敬佩的，我在亚马逊工作时，GPU（图形处理器）非常充足，永远不会为GPU担心，没有人会为算力发愁。

亚马逊提前布局GPU算力，从一开始H100、H200、B200，现在到B300、GB300，因此内部团队使用算力时相对充足。亚马逊不愧是做供应链出身的，算力其实也是供应链产品，需要CPU、网络、光纤、盖机房，这一套东西下来了是很吃供应链能力的。

在微软和谷歌时，反而经常遇到算力排队的问题。亚马逊未必是最早喊出AI口号的公司，却很早做好了基础设施准备。亚马逊原本储备算力，可能主要是为了搜索、推荐和云计算业务。生成式AI兴起之后，这些提前投入的资源突然有了新的用途。这就是长期投入的价值，它未必一开始就能带来收入，却可能在未来出现新机会时，让企业拥有更快的反应速度。

3.一个完整的AI底盘 亚马逊Echo智能音箱也是同样的逻辑。这是亚马逊推出的智能音箱，这类硬件本身并不一定以硬件利润为主要目标，主要是为了提高购物的体验，它更重要的作用，是把语音交互接入购物场景。可以在硬件上和亚马逊的商城说：今天我们家洗衣液没了，给我加点洗衣液。

用户可以直接对设备说家里的洗衣液用完了，让系统帮忙补货。当对话式AI能力还不成熟时，Echo更像一个智能家居设备；当模型能力提升之后，AI一下子就对话了，能聊天了，而且聊天越来越好了，它又可能成为购物入口。以前想做这么一个功能的时候，AI还没有现在这么厉害。

后来忽然发现，AI一下子就对话了，能聊天了，而且聊天越来越好了，亚马逊又一下子投资了Anthropic，Anthropic的模型又是最好的，导致现在的Echo最好卖。这样一来，亚马逊的几种能力就连接起来了： AWS提供算力，供应链负责提前准备基础设施，电商平台提供真实交易场景，Echo提供入口，用户行为沉淀为数据，模型则负责理解和执行。

现在，亚马逊是Anthropic的重要投资方甚至是最大投资方，导致现在的Echo最好卖。亚马逊公司属于资源型企业，堆资源之后可以把事情做好，但是要说纯创新型，亚马逊这么多年的创新能力，肯定不如创业公司。在国内也是一样的道理，最好的模型不是大公司做的。

二、Agent不是魔法 1.一定要搞清楚你的Agent，到底要解决什么问题 做Agent这个东西，一开始很酷，但是Agent越往后，问题越多，犯的错也越多。做一个Agent的话，最重要的是你要想清楚，Agent不是万能。做Agent，一定要永远问自己的一个点：Agent的边界在哪里？

当时，shoppe、eBay、沃尔玛等美国电商平台都在做一模一样的Agent，它们也不差钱，但是都失败了，最后都没推出来。但是亚马逊至少推出来了，而且大家的使用量也在逐渐上升，客户的反馈也在逐渐上升。很多的时候，一定要找到，你要让你的Agent解决什么问题。

好多公司，尤其是在领导可能对AI不是很了解的情况下，觉得今天的Agent AI能实现这个，明天又能实现那个，感觉AI是万能的。这是一个非常危险的事情。一定要定义清楚你的AI到底要解决什么问题。很多的事情，AI还是做不了的。亚马逊认为购物到底是个什么问题？

说白了就是信任问题。我相信你，我通过你这个渠道去买东西，就这么简单。但是，亚马逊又出现了一个问题，信息过载，你一搜能搜几百个、几千个东西，我到底该买哪个？当互联网刚开始的时候，大家还愿意看评论，现在大家都不愿意看评论，尤其是在购物网站。因为大家都知道，很多都是刷的评论。

对于客户来讲，这就导致一个问题，很难做决定。为什么？你给我的选择太多了，我就想要一个最basic的垃圾袋，你给我推出来200个，各有各的好。所有的事情加在一起，就变成信任很低。亚马逊相当做一个导购，以前是怎么做的？一个搜索框，你一搜，出来很多东西，人开始对比。

现在，我们就希望让Agent帮我。AI在购物领域使用的时候， 一开始是推荐系统。这是AI1.0，现在是AI2.0。AI 1.0是通过找到某些特征，做一些匹配。为什么这一次2.0是真正的AI爆发？这一次的AI，不仅仅能找到特征，理解特征，并且能自己重新定义特征，并且能跟人开始真的交流了。

亚马逊，它未来的AI战略到底是什么？亚马逊一定会把选项直接就交给AI来去做。亚马逊现在在做一件事：怎么样能给打广告的客户增加一些权重，能让自己的AI Agent优先推荐。你一定要要知道哪一类客户在聊天中用哪些关键词。未来的AI投流会做这一套。

这就是为什么大家都在抢占对话聊天这套产品。未来，对话聊天可以嵌套所有东西，把所有的东西连在一起，这就是为什么meta最近出muse，一下子这么火，因为可以跟所有的软件进行结合。亚马逊现在最重要的战略就是AI购物平台，整个公司的大战略转型都是在做AI。

2.一个购物的Agent到底由什么组成？用 AI 去洞察客户的需求，说白了就是一个context intelligence（情境智能"或";上下文智能"‌）。到底有什么context（上下文），比如你家有几口人？你自己家里经常买什么？去看一个人的社会地位、性格以及兴趣爱好，最好的方法就是看这个人平常浏览器的浏览记录。

有这些分析，每个人搜索页面，匹配的产品就会不一样。这就是为什么context（上下文）是最重要的。数据非常重要。未来的投流会越来越精准。我给大家一个非常简洁的公式：Agent = 强模型 + 上下文 + 多步执行。有一个好的大模型，加上context（上下文），再加上多步执行的能力，组成了今天的Agent。

强模型负责理解和生成。Context（上下文）指与当前任务有关的长期信息。它不只是当前对话里的几句话，还可以包括用户的偏好、家庭成员、历史购买、企业文件、流程规则、权限边界和过去做过的决定。多步执行，指AI不再只回答一个问题，而是把一个复杂目标拆成多个步骤，逐步搜索、比较、调用工具、执行和复核。

比如，一个用户说："我准备花300美元带着狗去露营，帮我把需要的装备买齐。" 这句话看起来很简单，但真正执行时，Agent需要考虑预算、宠物限制、露营地点、天气、装备清单、商品评价、配送时间和总价。它可能先列出装备，再搜索商品，比较价格，排除不适合带狗使用的选项，最后把结果组合成一套方案。

传统AI往往只能处理其中一个动作，它只能干一次，就一锤子买卖，判断一次，而Agent试图完成整个过程。但多步执行并不是步骤越多越好，如果一个任务10步可以完成，就没有必要设计成12步。步骤越多，成本越高，延迟越长，出错的可能性也越多。