#自媒体运营频道 #@yunying23
出海少不了在各个平台发布软文，有些同学发布的内容很容易被删掉，原因就是太硬了。
哥飞建议软一点，以讲故事的形式来写文章。
一个老外喜欢的软文套路结构可以是这样的：
我在什么时候，什么场景下发现了一个什么样的需求。
这个需求我是怎么理解的。
基于这个需求我花了多少时间，中间几经波折开发出来了一个产品。
这个产品有哪些功能特色。
请大家使用并给出意见。
出海少不了在各个平台发布软文，有些同学发布的内容很容易被删掉，原因就是太硬了。
哥飞建议软一点，以讲故事的形式来写文章。
一个老外喜欢的软文套路结构可以是这样的：
我在什么时候，什么场景下发现了一个什么样的需求。
这个需求我是怎么理解的。
基于这个需求我花了多少时间，中间几经波折开发出来了一个产品。
这个产品有哪些功能特色。
请大家使用并给出意见。
🛠 工具推荐：driver.js（https://driverjs.com/）
💰 付费类型：开源
✨ 主要特性：
1. 用户引导：通过产品导览、亮点展示和上下文帮助，引导用户使用产品，解答常见问题。
2. 移除干扰：利用高亮功能，移除干扰，集中用户注意力于重要内容。
3. 上下文帮助：为用户提供上下文帮助，解释如何使用产品并回答常见问题。
4. 功能推广：高亮新功能，解释使用方法，确保用户不会错过新功能。
可替代产品：
1.intro.js：轻量级、用户友好的入职导览库。
2.shepherd：引导用户浏览应用的库。
3.SurveyJS：用于创建动态表单的开源 JSON 表单生成器。
4.bootstrap-tour：基于 Twitter Bootstrap Popovers 的快速简单产品导览库。
5.chardin.js：用于应用的简单覆盖说明库。
6.hopscotch：已停止开发，用于在页面上添加产品导览的框架。
7.joyride：jQuery 功能导览插件。
8.pageguide：已停止开发，用于网页元素的交互式指南库。
9.focusable：用于设置 DOM 元素焦点并添加覆盖层的库。
10.GuideChimp：用于创建交互式引导产品导览的库。
各个库的差异可在此处查看：https://js.libhunt.com/driver-js-alternatives
一个李想讲的关于产品经理的故事：
做产品的时候只讲价值，不谈体验。
价值是你需要帮助用户解决什么问题，而体验则会因人而异（比如我愿意跑我们村子一圈让人帮我砍一刀，我觉得很有趣，而你觉得抹不开面子）
价值如何衡量？
他们是否愿意为你付出时间或者钱。
怎么测试？
选取一部分员工（当然也需要是消费者），让他们从专业的角度，说加1万块钱的物料成本，加在哪里？（软件同理，1个月开发周期，开发啥？），有回答悬架的，有回答天窗的，座椅的，轮毂的。把回答记录下来，然后问，你现在是消费者，加一万块钱，买什么功能？得到的答案瞬间集中：内饰。
怎么验证？
去看看得到的答案，市场上的友商怎么做的，是不是最好？或许说我们能不能做得更好。
于是所有人得到了共识，应该去做一件事，这意味着团队有了共同认知，推进起来阻力就小了很多，因为真实世界本身就是灰度的，汽车的好坏的标准也不同，所以你会看到冰箱彩电大沙发的理想销量遥遥领先。
很有意思的一个故事，像极了做需求的时候，去想明白用户价值是什么，然后说服团队去做测试，就有可能取得不一样的结果
做产品的时候只讲价值，不谈体验。
价值是你需要帮助用户解决什么问题，而体验则会因人而异（比如我愿意跑我们村子一圈让人帮我砍一刀，我觉得很有趣，而你觉得抹不开面子）
价值如何衡量？
他们是否愿意为你付出时间或者钱。
怎么测试？
选取一部分员工（当然也需要是消费者），让他们从专业的角度，说加1万块钱的物料成本，加在哪里？（软件同理，1个月开发周期，开发啥？），有回答悬架的，有回答天窗的，座椅的，轮毂的。把回答记录下来，然后问，你现在是消费者，加一万块钱，买什么功能？得到的答案瞬间集中：内饰。
怎么验证？
去看看得到的答案，市场上的友商怎么做的，是不是最好？或许说我们能不能做得更好。
于是所有人得到了共识，应该去做一件事，这意味着团队有了共同认知，推进起来阻力就小了很多，因为真实世界本身就是灰度的，汽车的好坏的标准也不同，所以你会看到冰箱彩电大沙发的理想销量遥遥领先。
很有意思的一个故事，像极了做需求的时候，去想明白用户价值是什么，然后说服团队去做测试，就有可能取得不一样的结果
聊聊微软新出的 Copilot + PC
我觉得谨慎乐观吧， Office Copilot 宣布的时候，也是雷声很大，后面就没啥水花了，结果还是 OpenAI 在搞 “ChatExcel”。
这次的 Recall 是很惊艳，用奢侈的算力满足人类那一点健忘。
但落地我感觉还是有不少要解决的
1. 隐私问题。微软说“所有运算都在本地运行”，并没有真正回答这个问题。因为 1 并没有说运算完以后会不会回传数据。从 AI 训练的角度说，回传数据是很有价值的。2隐私担忧还有很大一部分是电脑使用者探查另一使用者的隐私。这不是“本地运算”能解决的。有了语义搜索，探查隐私（比如企业监控员工）更加是如虎添翼。
2.回忆历史的组织优化问题，比如记录间隔，间隔太长了还是会错失东西，太短了浪费资源，“记忆碎片”太多了，在搜索结果里又如何排序表达也是个问题。宣传视频里的示例我倾向于认为是轻度使用的电脑+较为孤立（好找）的碎片。真实重度使用的情况会比演示的复杂，准确度和凝练度（相似结果智能整合）也可能不如预期。
3 我认为视频演示的 Recall 场景本身是个很低频的需求。
———————————
我更看重的是 Recall 机制之上能产生什么样新的使用电脑的方式。
或者往细了说，Recall 本身包含三个主要机制，录屏及回放、图像理解、语义搜索
图像理解+语义搜索，我很期待在资源管理工具（尤其是 NAS） 上大放异彩，现有 windows 的相册、文件管理方式还是太费劲了。
录屏+图像理解+LLM 汇总，也有很多发挥，比如使用电脑时让 AI“看”着来排查问题（微软用 minecraft 演示了，我感觉还可以更生产力一些），或者是录一遍操作过程后生成使用文档。
如果有一天操作系统指令也实现了自然语言化，就更厉害了，所有重复但并不死板的活也能交给电脑自己完成了（重复且死板的已经有脚本来做），只需要自己先录一遍，后面 AI 会根据实际情况来操作。（彻底替代实习生）
总之，我对 AI 的态度一直都是：
潜力很大，但落地的路还长。
