本篇文章是利用5W1H剖析框架拆解AI Agent的中篇，在进入正文之前，先总体回顾这一系列文章的脉络。
上篇：先容What + Why，紧张解答以下问题。
What：AI Agent是什么？AI Agent有哪些组成部分？AI Agent的事理是什么？AI Agent是怎么分类的？
Why：为什么会产生AI Agent？AI Agent的上风和劣势是什么？为什么企业和个人都要关注AI Agent？
中篇：先容When + Where + Who，紧张解答以下问题。
When：AI Agent的发展进程是若何的？AI Agent未来的发展趋势是若何的？
Where：AI Agent有哪些运用处景？
Who：AI Agent领域的玩家有哪些？AI Agent领域的行业代价链是若何的？
下篇：先容 How，紧张解答以下问题。
How：如何实现AI Agent？AI Agent包括哪些系统模块？如何开始学习AI Agent？
想理解全部内容的同学，可以关注WXGZH“风叔云”，回答关键词“拆解AI Agent”，得到《5W1H剖析框架拆解AI Agent》的完全PPT文件。
在《大佬们都在关注的AI Agent，到底是什么？用5W1H剖析框架拆解AI Agent（上篇）》中，环绕What和Why，风叔详细阐述了AI Agent的观点、构成、分类、产生缘故原由、上风劣势、以及对企业和个人的影响。
在这篇文章中，风叔将环绕When、Who和Where，详细先容AI Agent的发展进程、行业玩家和详细运用处景。
一、5W1H剖析框架之When1. AI Agent的发展进程
对付一贯关注AI大模型的读者来说，下图该当不陌生。下面我们就沿着这个脉络，回顾一下AI Agent的发展进程。
阶段一，LLM大模型时期之前的Agent
Agent这一观点实在要早于LLM大模型，最早可以起源于马文明斯基在80年代出版的《智能社会》这本书，Agent理论在LLM大模型出来之前，也已经被学术界研究了很多年。
在《大佬们都在关注的AI Agent，到底是什么？用5W1H剖析框架拆解AI Agent（上篇）》中，风叔有先容AI Agent的核心三大组成部分，Perception、Brain和Action，个中最关键的部分便是具备影象、方案和推理能力的Brain。在大模型涌现之前，Agent的技能始终面临天花板，无法取得本色性的进步，其核心便是缺少具备方案和推理能力的Brain，且这种Brain还须要具有良好的通用性和泛化性。
在LLM大模型涌现之前，比较有名的垂直领域 Agent 的例子比如 Alphago，它有感知环境、思考决策、采纳行动的闭环逻辑。还有DeepMind的Agent57，利用强化学习办法让Agent学习打游戏，以及OpenAI玩“躲猫猫”的多智能体。
在这一阶段，常规的Agent更多采取构造化固定模式，通过实现固定算法流程来完成一些自动化任务。而大模型为Agent带来了灵巧性，使其可以应对人类在脑力劳动中面临的各种繁芜的长尾任务，进一步实现体力和脑力任务的全面自动化。
LLM大模型是第一个可以自主学习并拥有广泛知识的AI模型，以LLM大模型作为Brain武装起来的AI Agent，开始迅速发展。
阶段二，Prompt工程
在LLM大模型刚问世的时候，大家都喜好Prompt工程。用户通过描述角色技能、任务关键词、任务目标及任务背景等信息，见告大模型须要输出的格式，然后大模型进行输出。
用户们也充分发挥自己的聪明才智，发展了各种各样的Prompt工程的玩法，如角色扮演、零样本提示和少样本提示。比如在少样本提示下，用户只须要给出少量示例，大模型就能学习到示例背后的逻辑，从而给出精确的答复。
当任务过于繁芜时，超出了单一 Prompt 的能力时，可以通过分解任务，构建多 Prompt 来协同办理。最常见的 Prompt 协同形式便是提示链 Prompt Chain，Prompt Chain 将原有需求进行分解，通过用多个小的 Prompt 来串联或并联，共同办理一项繁芜任务，如下图所示。
阶段三，大模型插件
虽然Prompt工程很强大，但是仅凭Prompt工程根本无法知足人们日益增长的繁芜需求。由于大模型本身的诸多毛病，如不能及时更新知识，高下文长度有限等等，工程师们开始给大模型加入插件。
比如引入向量数据库，对某些特定的专属数据进行切片、分块和向量化，然后把数据索引进向量数据库。当用户进行输入时，先通过数据召回找到最匹配的数据分块，再提交给大模型做Prompt工程，这样就可以利用到最新的和最准确的知识。这便是检索增强天生RAG，Retrieval-Augmented Generation。
同时，为了让大模型更好地和物理天下交互，工程师们考试测验让 GPT 调用函数和利用工具。一系列关于工具利用的实践开始涌现，比如Toolformer和API Bank，ChatGPT也推出了自己的插件体系。
阶段四，任务分解与反思
大模型在一些大略的任务上取得了还不错的结果，人们开始往更深处探索大模型的智能，尤其是处理繁芜问题上的能力，这就涉及到了对繁芜任务的分解，以及在行动过程中的反思。
(1) 思维链COT
当我们对LLM这样哀求「think step by step」，会创造LLM会把问题分解成多个步骤，一步一步思考和解决，能使得输出的结果更加准确
(2) COT-SC
一个CoT有时可能涌现缺点，我们可以让Agent进行发散，考试测验通过多种思路来办理问题，然后投票选择出最佳答案，这便是CoT-SC。
(3) 思维树TOT
思维树TOT是对思维链CoT的进一步扩展，在思维链的每一步，推理出多个分支，拓扑展开成一棵思维树。利用启示式方法评估每个推理分支对问题办理的贡献。选择搜索算法，利用广度优先搜索（BFS）或深度优先搜索（DFS）等算法来探索思维树，并进行前瞻和回溯。
(4)思维图GOT
思维树ToT 的办法也存在一些毛病，对付须要分解后再整合的问题，比如排序问题，排序我们可能须要分解和排序，然后再merge。这种情形下TOT就弗成了，可以引入思维图GOT来办理。
当人们创造大模型的推理能力还是不敷时，开始试图让模型自身清楚地描述问题，把问题转化为 PDDL （Planning Domain Definition Language）格式的描述措辞，通过调用通用方案器来办理方案问题，再把办理方案转化为可实行的动作，以更好地逻辑推理和方案等任务。这便是LLM+P
上面几种思路都是在办理任务分解问题，工程师们也想到了很多办理大模型反思和完善自身行动的思路。
首先是ReACT，全称是Reasoning-Action，这种模式是让大模型前辈行思考，思考完再进行行动，然后根据行动的结果再进行不雅观察，再进行思考，这样一步一步循环下去。这种行为模式基本上便是人类这样的智能体紧张模式。
然而，工程师以为这样仍旧不足，他们希望大模型在完成每一个任务后，能够积累履历和教训、因此产生了借鉴强化学习思路的”反射”机制，反射机制能够让机器记住每一次任务的完成情形，无论效果好坏，以供未来参考，提升模型的性能。这便是Reflecxion。
阶段五，Agent问世
随着各项根本举动步伐的逐步完善，更大的变革轰然袭来，这便是Agent。2023年4月AutoGPT横空出世正式发布了LLM Agent的来临，短短数周就得到了9万星，赚足了眼球。
下图是AutoGPT 的架构图，旨在实现对任务的有效管理。天生的任务将会被加入优先级行列步队中，随后系统会不断从优先行列步队中选择优先级最高的任务进行实行，全体过程中，任何反馈都会通过影象进行迭代优化代码
随后，更多的LLM Agent如雨后春笋般爆发出来，比如微软的Jarvis HuggingGPT、专门用于写小说的RecurrentGPT、清华联合面壁推出的双循环机制XAgent、虚拟天下Minecraft中的智能体Voyager等等。
然后，工程师们就想到了Multi-Agent，既然Single Agent已经具备了独立决策和行动能力，如果将多个Agent放到一个环境中，他们之间会碰撞出什么火花呢？
“斯坦福小镇”项目该当是最有名的Multi-Agent项目，在这个虚拟的小镇里，有25 个独立的 AI 智能体在小镇上生活。他们的决策和行动并不是固定写去世在系统里面的，每个智能体背后都连接着LLM大模型。他们有事情，会八卦，能组织社交，结交新朋友，乃至举办情人节派对，每个小镇居民都有独特的个性和背景故事。这些角色每天会自己制订操持，参与活动和干工作，还会主动和其他Agent交谈。同时，Agent交谈的内容会被存储在影象数据库中，并在第二天的活动操持中被回顾和引用，是不是非常像人脑的影象系统？“斯坦福小镇”项目也呈现出了许多颇有意见意义性的社会学征象。
还有一个很著名的Multi-Agent项目叫MetaGPT。这个项目按照软件公司的组织架构，定义了多个AI智能体角色，包括产品经理、架构师、项目管理员、工程师和测试职员等角色。各角色之间通过相互协作，基本可以胜任完成500行旁边代码的小工程了。随着AI Agent的进一步强大，在未来每个人完备可以开一家虚拟公司，自己承接物理天下的真实需求，然后交给虚拟公司的员工完成，非常具有想象空间。
这便是AI Agent到目前为止的大体发展过程，LLM大模型的涌现是Agent发展的拐点，Agent的发展速率如火箭般攀升。那么站在现在看未来，AI Agent会有怎么样的发展趋势呢？
2. AI Agent的未来发展趋势
在《大佬们都在关注的AI Agent，到底是什么？用5W1H剖析框架拆解AI Agent（上篇）》中，风叔有先容到，目前AI Agent最大的局限便是可靠性不敷。由于LLM大模型随意马虎涌现幻觉和不一致性，将多个AI步骤连起来会进一步加剧可靠性问题，从而难以得到用户信赖。举个例子，假设每个步骤LLM的可靠性是95%，如果一个任务须要被分解到5步以上，那么终极的可靠性将不到80%，这会大大限定AI Agent在一些Critical场景下的运用。
未来，AI Agent的发展，必须首先要办理可靠性不敷的问题，而办理可靠性不敷的问题，就得从任务分解与反思、影象优化、Function Calling准确性这几个维度入手。
1）任务分解与反思
现在的 Agent 只是一个方案器，它卖力做方案。但实际上，这个流程中还存在很多未明确的问题，比如是否存在一个内部加工过程，以及这个过程是否透明可控等。
类比我们人类思考的过程，人脑有两套系统，系统1和系统2。系统1是快思考，出自于人类天生的本能，思考韶光快，花费能量少。系统2是慢思考，人类的逻辑能力、推理能力和归纳能力，皆是出自于系统2，而且系统2思考韶光慢，花费能量大。系统2的能力大多数都是人类后天习得的，但是经由不断地刻意练习后，一部分能力也能由系统2转移到系统1，由慢思考变为快思考。
对付任务分别的难题，一种可能的办理办法是将内部加工过程外部化，用系统2包裹起来，使每一步细粒度的思考都可以展现出来。但是详细如何用系统2进行包裹，风叔也还没有详细的思路，须要持续关注AI Agent最新的论文和进展。
2） 影象优化
目前，AI Agent的影象机制是把所有的信息，以向量数据的办法存储在历史记录里，然后在须要的时候进行召回。这种影象办法，站在工程化的角度，实在也比较合理，但是在实际利用中，会涌现一些问题。
首先，历史影象会越积越多，当数据量到达一定程度之后，数据召回的速率就会显著低落，从而影响AI Agent的反应速率。其次，在影象数据库中，一定会存在大量的缺点信息，或者不合时宜的信息，但是AI Agent很难判断哪些影象是须要改动的。
人类的影象实在是有重塑机制的，人类在得到大量干系的知识后，不会大略地把它们堆积在脑中，而是通过海马体进行重整。比如在我们做梦时，大脑会重新布局这些干系的知识，使得影象网络变得有序。同时，人类可以主动删除一些不好的影象，或者缺点的影象，比如很多生活中无关紧要的信息，人脑就会逐渐遗忘掉，从而避免影象负荷越来越大。
以是在未来，AI Agent一定要优化影象系统，不能大略的将是非时影象简化为向量数据库。
3） Function Calling准确性
目前，Function Calling是AI Agent进行工具利用的最紧张的手段，可以说AI Agent的实行能力强依赖于大模型的Function Calling能力。但是目前的Function Calling的准确性实在并不理想，表现最好的大模型其准确率也只有86%。
86%意味着什么？
意味着，目前的AI Agent还只能运用在对准确率哀求不高、有人类进行兜底的场景，比如撰写论文或调研报告、智能客服等等。对付更加严谨的场景，比如工业、医疗、能源，还难以有AI Agent的用武之地。
还意味着，如果AI Agent须要实行持续串的任务，哪怕只有5个环节，整体流程的准确率将低落到不敷30%，即系统不可用。
以是在未来，AI Agent一定要提升Function Calling的准确性，或者有更准确的API调用办法。只有当准确率达到99.99%以上时，AI Agent才能在更为广阔的工业界生根萌芽。
4）多模态与天下模型
除了以上三个维度之外，还有一个非常关键的点，即多模态和天下模型。
在漫长的进化历史中，生物神经网络从大略的条件反射逐渐进化到本日的主动预测，我们已经可以在大脑中构建天下模型，进行强大的推理和剖析。比如当我们看到晚霞时，就会知道来日诰日大概率是个晴天；比如当我们感知到建筑发生扭捏时，就知道很有可能发生了地震，须要赶紧去一个安全的地方。
现在的大模型紧张是通过措辞进行交互，这样显然是不足的。如果要进一步理解天下，一定须要多模态输入，包括视觉、听觉、传感器等等。因此，未来的AI Agent一定会更多和物理实体相结合，比如将AI Agent集成进入机器狗，演习其进行接济任务。在这个过程中，对付韶光的认知、身体运动的掌握也须要集成到AI Agent里面去。
AI Agent的发展速率太快了，每个月乃至每周，都有新的研究成果、新的产品问世。我们能做的，便是躬身入局，时候关注大模型和Agent的发展。
二、5W1H剖析框架之Who
接下来，我们再从”Who”这个维度拆解一下AI Agent，紧张回答AI Agent领域都有哪些核心玩家这一关键问题。
风叔将从三个角度来进行拆解：从AI Agent框架本身，从AI Agent的行业场景，以及从海内AI Agent生态。
1. 从AI Agent框架本身
下面这张图来自风险投资公司Aura Ventures的《自主人工智能体新兴市场格局》，按照AI Agent的框架，将全体Agent家当自下而上分成了三层：最下面为用于智能体运营（AgentOps）的模块插件层，中间为程序运用层（Applications），最上面为做事层（Services）。全体划分非常清晰，唯一美中不敷的是，这张图成图于去年，因此难以揭示目前最新的Agent发展状况。
1）AgentOps运营层
我们先来看最下面的AgentOps，非常明显了采取了AI Agent的组成架构，即智能（Intelligence，卖力Planning）、影象（Memory）、工具利用（Tools & Plugins）。此外，还有多智能体环境和协议（Multi-agent playgrounds and protocols）、监控/安全和预算（Monitoring,security and budgetary）、以及智能体运营市场（AgentOps marketplace）等赞助模块。
智能（Intelligence）：智能体的“大脑”，背后是LLM大模型，负任务务创建和方案，这里我们能看到OpenAI GPT、Claude、HuggingFace等耳熟能详的名字。大模型质量、可靠性和本钱，将是这部分玩家的制胜关键。影象（Memory）：用于获取、存储、保留和检索数据，向量数据库是个中的关键。这里的玩家包括 Pinecone、Chroma以及像Perplexity AI一样具有集成上风的Text to SQL 初创公司。影象容量、读取速率、尤其是召回准确率，将是这部分玩家的关键成分。工具和插件（Tools and plugins）：能够为Agent供应API和技能库，用于Agent和外部系统与环境进行交互，例如搜索查询、发送邮件等。范例的包括API-Bank、Toolformer、以及部分大模型自带的function calling能力。多智能体环境和协议：这部分紧张用于智能体和智能体的通信协议，包括PumaMart、SIM Gen Agents和E2B。监控、安全和预算：这部分紧张办理智能体在LLM大模型、通信协议、安全安保方面的问题，也该当受到重视，安全是任何场景下利用Agent的条件。智能体运营市场：紧张用于Agent框架的发布、开源Agent的共享等。这块最紧张的玩家是HuggingFace和Github，还有FinGPT、BabyAGI等开源框架。2） Agent运用层
Agent运用程序层包括通用运用（General purpose）和行业运用（Business industry）
通用运用紧张偏个人运用处景，比如个人生活助理、商务助理、日常事情助理等等。范例的产品包括Embra AI、Adept AI、Cognosys AI。
行业运用紧张偏业务垂直场景，比如编程、营销、金融、供应链等等。范例的产品包括Quill AI、Octain AI等等
3）Agent做事层
Agent做事层紧张包括智能体搭建平台和智能体市场。
智能体搭建平台是一种低代码平台，支持普通用户通过大略的配置搭建属于自己的Agent，大幅降落AI Agent的创建门槛。目前智能体搭建平台受到了很多大厂的青睐，由于大厂很难一开始基于某些垂类场景开拓Agent运用，因此智能体搭建平台成为最实际的选择。比如微软的Autogen、百度智能体平台、字节Coze、腾讯元器等等。
下图是字节Coze的智能体搭建的示意图，供应了非常丰富的组件，方便用户通过拖沓拽的办法快速搭建AI Agent。在后续文章中，风叔还会专门先容搭建AI Agent的详细方法。
很多智能体搭建平台也对外开放了Agent市场，利用者将自己搭建的Agent支配上线之后，其他用户也能搜索并利用。下图是字节Coze的Agent市场示例图。
2. 从AI Agent行业场景
E2B出品的这份AI Agent行业全景图是相比拟较完全的。整张图有两个维度，第一个维度是开源和闭源，第二个维度是AI运用，包括了Coding、Productivity、General Purpose、HR、Data Analysis、Business Intelligence、Science、Research、Design、Marketing、Finance等细分领域。
每个细分领域详细的玩家就不一一列举了，大家可以详细参考下图。其余，这张图是持续更新的，通过这个地址 https://github.com/e2b-dev/awesome-ai-agents，大家就能看到最新的进展，以及E2B对每个玩家的详细先容。
3. 海内AIAgent生态
目前海内的AI Agent发展也十分迅猛，下图是甲子光年出品的中国AI Agent生态图谱1.0，将全体AI Agent行业分为三层。
最底层是算力层，包括像阿里云、AWS、华为云这类供应底层GPU算力的云厂商。
中间是平台框架层，包括面向企业业务事情流场景的企业级AI Agent平台，比如钉钉、汇智智能、澜码科技。以及面向个人开拓者或普通用户的AI Agent平台，比如百度文心智能体平台、阿里ModelScope、字节扣子等。
最上层是垂直运用层，比如专注于金融行业的Easy Link、招聘行业的用友和Moka、营销领域的BetterYeah。
对付普通的创业者或创业团队来说，肯定没有足够的资源投入大模型赛道，但是站在大模型的肩膀上，选择一个相对垂直的领域做AI Agent，做事于企业客户的详细业务流程和场景，是更加切实可行的选择。
三、5W1H剖析框架之Where
AI Agent的发展正在以前所未有的速率改变我们的生活和事情办法。接下来我们从行业视角来剖析一下，在详细的行业中AI Agent都有哪些可落地的场景。
1. 电商&零售个性化推举系统：将用户的历史浏览数据、购买数据以及当下和AI的高下文数据，作为输入给到AI Agent，Agent自动预测用户在未来对各种商品的购买率，进行重排后输出预估购买率最高的TopN商品，实现个性化的产品推举。个性化营销系统：将用户历史上在各个营销渠道的触达和点击数据，结合本次营销活动的营销内容，作为输入给到AI Agent，Agent自动预测每个用户在每个营销渠道（比如短信、外呼、小程序、"大众年夜众号等）的预估点击率，从而实现自动化和个性化的营销活动，提高用户参与度和品牌曝光度。智能客服：通过提前构建企业专属知识库，AI Agent 可以自动回答用户的咨询，处理订单问题和退货要求。比较传统智能客户，AI Agent可以支持用户灵巧多样的问题，不用局限于传统的Q&A模板，可以大幅节省准备问答对的韶光，提升智能客服的准确率。内容天生：在电阛阓景中，常常会涉及到商品封面图、海报、商品详情页、营销文案等内容的天生。传统的做法都须要人工拍摄和撰写，而在AI Agent的助力下，利用者只须要见告Agent关键词，比如商品类型、内容形态、内容主题和风格等，AI Agent可以自动完成。需求预测：将过去一段韶光内，各个品类的销量数据、匆匆销活动信息、景象信息等数据，作为输入给到AI Agent，Agent预测未来一段韶光内的销量，从而帮助企业提前做好配货。库存管理：将历史各个品类的订单数据，各个供应商的供货数据，比如供货周期、供货价格，作为输入给到AI Agent，AI Agent预测每个品类的安全库存，并在商品库存预警时，自动发起采购流程。价格优化：AI Agent还可以利用爬虫工具获取市场动态、竞争对手定价和用户行为，经由数据剖析后，为电商企业供应动态定价建议。这种实时的价格调度策略有助于最大化利润和竞争力。
2. 制造业质量掌握：用摄像头捕捉生产线上各种零件和成品的图像，将图片或视频通报给AI Agent，Agent利用打算机视觉技能对图像进行剖析，自动检测产品毛病。当检测到存在毛病的零件时，可以发送关照给产线检讨员，乃至可以直接操作机器臂取出毛病品。生产线优化：生产线流程是一个标准的workflow，workflow的每个环节都有明确的步骤、检讨事变和实行动作。在这个过程中，可以利用Agentic Workfow，明确奉告Agent要做的事变，将更多过去须要由人工重复实行的过程，交给AI Agent，从而提升生产效率。产品设计与开拓：AI Agent 可以帮忙设计师和工程师进行产品设计，比如设计师输入设计和尺寸的哀求，AI Agent直接进行线稿设计；或者设计师供应线稿设计后，AI Agent输出渲染效果图，向设计师供应多种设计创意，从而缩短产品开拓的周期。能源花费管理：AI Agent能够吸收机器或设备上传感器的数据，例如温度、电压、电流等等，和数据库中正常的设备运行数据进行比对，从而对设备的运行情形进行监控和预警。例如，当某个设备因电源老化涌现电压非常时，AI Agent可以提早识别，并预警给工厂设备的维修职员。供应链管理：和电商行业的需求预测和库存优化类似，AI Agent可以预测产品未来一段韶光的销量，同时根据历史订单和采购数据预测最优的安全库存，以及通过预警机制进行供应链高下游的协同，帮助企业更好地应对市场需求的颠簸和变革。工艺改进：AI Agent 还可以通过剖析生产过程中的数据，比如在不同环境和参数下生产出来的产品的差异性，从而进行工艺参数的优化，提升产品质量和生产效率3. 医疗行业疾病预测和预防：通过历史积累的患者康健数据，比如血糖、血氧、白细胞、红细胞等大量指标数据，AI Agent可以学习到各项指标与疾病之间的干系性，对付像糖尿病、心脏病等疾病，提前预测病人患此类疾病的风险。药物研发：和疾病预测类似，AI Agent可以剖析既有药物中的各种化学和生物身分，结合每种药物的药效，从而预测新的化学和身分组合之后的药性，加速新药的发掘和开拓，大幅降落研发本钱和韶光。智能问诊做事：在LLM大模型根本上，通过RAG技能挂载医疗知识库，将AI Agent演习成为医疗领域专才，为患者供应724小时的在线医疗咨询做事，根据患者的问题描述，还能供应初步的诊断建议。这样既可以提升患者的就医体验，也能减轻年夜夫的事情包袱。医疗影像剖析：通过机器视觉技能，AI Agent 能够赞助年夜夫剖析 X 光、MRI、CT 等医疗影像，快速识别出患者是否有非常情形，如肿瘤、肺炎、骨折等，提高诊断的准确性和效率。医疗教诲和培训：当AI Agent挂载了专门的医学知识库之后，还可以作为医疗教诲的工具。比如AI Agent可以仿照患者向医学院的学生提问，根据学生的回答，自动剖析学生的学习情形，并指出学生的缺点和不敷，并勾引学生进行专门的医疗课程学习。AI Agent在各个行业都有非常多的运用处景，除了上述先容的电商、制造、医疗之外，还包括金融、物流、能源、人资、旅游、教诲等等行业，风叔就不在文章里逐一赘述了。
风叔专门整理了一张行业运用处景的脑图，感兴趣的读者可以关注WXGZH“风叔云”，回答“AI Agent运用处景”，即可获取完全的运用处景图。
四、总结
本篇文章是利用5W1H剖析框架拆解AI Agent的中篇，环绕When、Who和Where，详细阐述了AI Agent的发展进程、行业玩家和详细运用处景。
不才一篇文章中，风叔将环绕How，详细先容AI Agent的详细实现路径，以及如何更快的上手学习AI Agent。
作者：风叔，微信公众年夜众号：风叔云
本文由@风叔 原创发布于大家都是产品经理，未经作者容许，禁止转载。
题图来自Unsplash，基于CC0协议。
该文不雅观点仅代表作者本人，大家都是产品经理平台仅供应信息存储空间做事。