全套方案“手机捕鱼万能开挂器”细解贴

1. 拆开对方结论，列成待查清单

把聊天记录里关于 手机捕鱼万能开挂器 的说法逐句拆开，凡是带具体值的都抄成一行，写清是哪个项、对方说是什么值、对方有没有给出页面来源。拆的时候顺便标一句「对方所述」。这一步只看不动任何配置，目的是把模糊的聊天陈述变成一张可以逐条比对的表，后面每核实一条就在表上标一次已自查或存疑，避免跟着对方的节奏走。

实用提醒：对方发的是图片就先转成文字清单，图片里的小字往往看不清

2. 自己打开查询页定位同一项

用自己的账号登录 手机捕鱼万能开挂器 对应的后台或查询页，按路径找到清单上的第一项，把页面上显示的真实值与原值一起记下。查询时看三样：页面所在的账号、页面顶部或页脚标注的版本、刷新后数值是否稳定。如果值随刷新跳动，多半是缓存或同步延迟，先别下结论，换个入口再查一次，等两次结果一致才当作实际值写进比对表。

实用提醒：查询页上留意环境标识，别在测试页对照线上要求的值

3. 逐条核对并标注差异

拿着自己查到的值回到清单，逐项与对方所说做比对，一致标绿写「自查确认」，不一致标红写清我查到是什么。遇到清单项在查询页里根本找不到，就记为「无法自查」并说明查了哪些入口。差别不论大小都先记下来，不急着改。核对过程中若查询页报错或加载不出来，按报错信息处理后再继续，重点是所有结论都来自你自己打开的页面。（对照「手机捕鱼万能开挂器」自查）

实用提醒：差异用同一张表记录，别散落在多个聊天窗口里

4. 根据自查结果决定动作

清单全部核过一遍后，先看有没有存疑或无法自查的项：有就先停手，把核查过程发给对方，请其在同一入口给出自己的截图或路径说明，但最终是否继续以你自己再查一次的结果为准。全部对得上，再动 手机捕鱼万能开挂器 中的一项，改完立即在查询页复核目标值有没有变化，确认通过后再碰下一项。任何一步查不到就停，不把不确定往前进。

实用提醒：停手时把已核实的部分先写进记录，接手的人不必重查一遍

相关动态

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？" Agent，中文通常翻译为"智能体&quot;，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Agent。亚马逊的Rufus项目，提供了一个相反的案例。这个项目在2023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，Rufus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Agent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 Web Services，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。AI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，GPU（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、H200、B200，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，Anthropic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Agent，到底要解决什么问题 做Agent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，Agent不是万能。做Agent，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AI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meta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Agent到底由什么组成？用 AI 去洞察客户的需求，说白了就是一个context intelligence（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context（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：Agent = 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。Context（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。一个好的Agent，不只是会"做很多事"，还要知道哪些步骤可以省略，哪些信息应该调用，哪些信息不能调用。

3.从"猜你喜欢"到"我知道你现在想要什么" 如上所提及，过去的推荐系统，可以称为AI 1.0，主要依靠特征匹配和行为标签。例如，系统知道用户买过什么、点击过什么，再根据相似用户的行为进行推荐。阿里曾经提出的&quot;千人千面"，就是这个阶段的典型代表。

今天的AI则开始进入另一个阶段。它不只是识别特征，还可以理解特征、重新组织信息、解释原因，并且通过对话进一步了解用户的真实意图。用户说";给我买个礼物";，这句话本身的信息很少。但如果系统知道用户家里有几个孩子、谁最近过生日、每个孩子喜欢什么、预算是多少，它就可能给出完全不同的答案。

这就是上下文的作用。如果一个人曾经说过";最近想吃鱼"，并不代表他今天午饭一定想吃鱼。如果AI在错误的时间调用了这条信息，就可能被无关上下文误导。这就是一个意图理解。意图理解，没有什么高深，说白了就是真正理解意图。未来，AI是要把你的一辈子保存下来，上下文理解是真的要懂你的一辈子。

context（上下文）不是越多越好，而是要在正确的时间调用正确的信息。context管理得越来越好，AI的幻觉会越来越少。AI发展到今天，更看重的是任务的完成度。