那么，消费企业存在护城河吗？ 从我们开始投资消费，这个质疑就一直存在。 当年（2010年）投周黑鸭的时候，很多人都不理解 ：好像一家夫妻店加个锅，都能干成，但这个项目我们获得了20倍的投资回报。所 以消费企业一定是存在护城河的。 但与科技企业不同，不是凭借一个解决大问题的"big idea"，有个核心专利就能构筑起"护城河"。 消费企业要解决很多密集的问题，它的护城河是更综合性的、是一个复杂系统。 分解来看，我们认为有八大重要方面。 天图从2011年开始聚焦消费。 之前也是什么都投，后来我们做反馈分析，发现那么多的项目中， 能获得符合我们预期的成功的，就是消费。 基本上预期项目长成什 么样，结果就八九不离十； 科技项目也有成功的，但有可能是"种豆得瓜"，最后虽然也赚到了钱，甚至回报倍数还不低，但是那种成功是不可复制的，连自己都 没有掌握到因果关系，成功纯属运气，不叫真正的成功。 需求端有 四大护城河： 冯卫东 天图投资创始合伙人、黑马加速导师 第一是品牌效应。 尤其是在专业性比较强的领域，比如医疗、教育等，顾客自行判断的成本很高，决策失误的损失又很大，品牌就更为重要； 第二是网络效应。 用户规模越大，使用价值 ...

冯卫东 天图投资创始合伙人、黑马加速导师 天图从2011年开始聚焦消费。 科技项目也有成功的，但有可能是"种豆得瓜"，最后虽然也赚到了钱，甚至回报倍数还不低，但是那种成功是不可复制的，连自己都没有掌握到因果关 系，成功纯属运气，不叫真正的成功。 那么，消费企业存在护城河吗？ 从我们开始投资消费，这个质疑就一直存在。 当年（2010年）投周黑鸭的时候，很多人都不理解：好像一家夫妻店加个锅，都能干成，但这个项目我们获得了20倍的投资回报。所以消费企业一定是存 在护城河的。 但与科技企业不同，不是凭借一个解决大问题的"big idea"，有个核心专利就能构筑起"护城河"。 消费企业要解决很多密集的问题，它的护城河是更综合性的、是一个复杂系统。 分解来看，我们认为有八大重要方面。 需求端有四大护城河： 第一是品牌效应。 之前也是什么都投，后来我们做反馈分析，发现那么多的项目中，能获得符合我们预期的成功的，就是消费。基本上预期项目长成什么样，结果就八九不 离十； 供应端也有四大护城河： 第一是规模经济。 先进入者可以通过高售价弥补初期的规模不经济，而后通过销售的规模化获得成本优势并降低价格，以此压制后来者。这样的企业只 ...

10月27日，货拉拉更新招股书，申请于港交所主板上市。 货拉拉于2013年在中国香港成立，2014年进军中国内地及东南亚，截至2025年6月30日，货拉拉的业务 已覆盖全球14个市场的400座城市。 招股书更新了最新数据，2025年上半年货拉拉的全球GTV达到59.67亿美元，同比增长17.7%，订单量达 到4.55亿笔订单，同比增长34.2%。 根据弗若斯特沙利文的资料，2025年上半年，货拉拉是全球闭环货运交易总值最大的物流交易平台、全 球闭环货运GTV最大的同城物流交易平台。作为全球闭环货运领域的头部企业，货拉拉的上市之路也 备受关注。从货拉拉披露的数据来看，货拉拉平台近三年多以来的网络效应和规模优势明显，运营效率 和盈利水平在持续提升。 同时，货拉拉在中国境内的货运平台服务变现率出现三连降，主要原因是平台采取了针对司机的降费降 抽佣政策。 互联网货运平台提高了货运司机的接单效率，而庞大的司机网络也是货拉拉运力的基石。保障司机的权 益，既是货拉拉必须履行的社会责任，也是平台能够吸引司机完成更多的交易，增强网络粘性，实现高 质量运营的必选题。 货拉拉的业务规模依旧在保持稳健增长。 货拉拉的全球货运GTV从 ...

投资策略聚焦 - 公司自2011年起专注于消费领域投资，源于历史项目反馈分析显示消费类项目成功率及回报可预测性最高 [1] - 科技类项目虽可能获得高回报，但成功因果关系难以把握，被视为不可复制的运气，不符合公司的成功标准 [1] 消费企业护城河 - 消费企业存在护城河，例如投资周黑鸭获得了20倍回报，证明了其价值 [2] - 消费企业的护城河并非依赖单一核心专利或创意，而是解决密集问题的综合性复杂系统 [4][5] - 护城河可分解为需求端与供应端各四大方面 [6] 需求端护城河 - 品牌效应：在专业性强的领域（如医疗、教育）尤为重要，能降低顾客决策成本和失误风险 [8] - 网络效应：用户规模增大提升使用价值，易形成赢家通吃局面，例如小红书 [8] - 迁移成本：顾客因投入时间、精力或配套资源（如Windows系统及软件）而难以切换 [8] - 范围经济：为消费者提供一站购齐的优势，例如百果园提供普通及新奇特水果 [8] 供应端护城河 - 规模经济：先发者通过高售价起步，再以规模化降低成本、降低价格，压制后来者 [10] - 学习曲线：通过累计产量获得知识壁垒（熟能生巧），时间积累和迭代形成优势，持续创新至关重要 [11] - 要素垄断：包括深加工食品配方工艺、行业牌照、门店位置优势（即便短期租约）也能形成先发优势 [12][13] - 供应端范围经济：通过供应网络统筹实现联合供应或副产物利用，进行成本优化 [14] - 消费企业护城河的核心是消除短板而非比拼长板，任何明显纰漏都可能引发致命危机 [14] 创业者特质偏好 - 消费领域创业者需能力全面，不同于可偏科的科技企业天才创始人 [16] - 公司内部总结创业者关键要素为"VISIBLE"模型，涵盖远见、正直、分享精神、创新能力、品牌能力、学习能力、执行力 [17] - 公司倾向于投资产品型创始人，因其发展更稳健；营销型创始人企业爆发快但易跌跟头，曾有项目估值涨10倍后迅速归零 [20][21] - 产品型创始人案例鲍师傅糕点在多数网红品牌销声匿迹后持续向好发展 [22]

We came across a bullish thesis on MercadoLibre, Inc. on X.com by DividendNGrowth. In this article, we will summarize the bulls’ thesis on MELI. MercadoLibre, Inc.'s share was trading at $2,187.57 as of October 7th. MELI’s trailing and forward P/E were 55.49 and 32.26 respectively according to Yahoo Finance. Etsy (ETSY) Hits Fresh High on Transfer to NYSE Trading Pixabay/Public domain MercadoLibre (MELI) stands as the dominant e-commerce and fintech powerhouse in Latin America, operating a highly integr ...

文章核心观点 - 投研的起点是生意本身而非市场主流观点，筛选公司的第一标准是商业模式 [1] - 致力于寻找能买入并长期持有的公司，商业模式需能通过五道必答题的检验 [1] - 好商业模式的公司稀少，需保持谨慎、独立思考并反复对比 [11] - 投研的更高要求是用简单话语抓住生意本质和核心矛盾，并能跨生意比较 [12] 规模增长与商业模式 - 规模增长未必使公司变强，对增长需不停开店的生意保持谨慎，因可能遇到开店密度和管理半径瓶颈 [2] - 规模增长会变强的商业模式往往叠加网络效应、双边效应和范围经济，如部分互联网和消费电子行业 [3] - 希望寻找随规模增长而变强的公司，规模增长超过临界点会导致边际效益递减 [2][3] 行业周期与龙头企业 - 阶段性恶劣环境对龙头公司长期价值有利，逆境对龙头仅是利润表扰动，对尾部企业则是资产负债表致命打击 [5] - 行业低迷期是行业出清和龙头企业获取份额的好机会，好公司股价在此阶段更具吸引力 [5] - 以超高端白酒为例，价格下跌是扩大有效客群的好时机，客户粘性在行业好转后将持续 [6] 效率型与价值型生意 - 效率型生意商品服务同质化，是价格战温床，易吞噬行业利润，如年初外卖大战 [7] - 价值型生意产品服务差异化，客户试错成本高且支付意愿陡峭，是超额利润摇篮，如超高端白酒和CXO [8] - 效率型生意中极致效率也能形成护城河，但价值型护城河在众多行业通常更牢靠 [8] 技术迭代与行业变革 - 技术快速迭代且易扩散的行业对原有龙头不利，后投产能可能更先进，如半导体碳化硅和新能源光伏 [10] - 基于不同商业模式的行业变革可能不可逆转，如电商对传统商超的碾压式优势 [10] - 希望寻找技术迭代慢、不易颠覆的行业，龙头公司更容易积累复利 [10] 时间因素与商业模式选择 - 回答前四个问题可判断时间是否是朋友，即随时间推移公司是否会更强、生意是否可持续 [11] - 可借鉴林迪效应，已存在长时间的事物继续存在的概率较高，但此方法可能漏掉牛股 [11] - 不同商业模式决定胜负手的关键判断点不同，权重需有区分 [11]

AI时代护城河的重要性 - AI应用看似极易复制 导致创业者对护城河的焦虑和讨论热度远超AI兴起之前 [2][3] - 护城河的本质是防御机制 防止公司陷入无限竞争和利润归零的绝境 [2][3] - YC认为护城河已成为许多聪明头脑犹豫创业的关键问题 [3] 七大护城河力量框架 - 框架源自汉密尔顿·赫尔默2016年著作《七大力量：商业战略的基石》 [7] - 框架概括了企业可以构建的七类护城河 在AI领域仍然具有现实意义 [7] - 七大力量包括：速度、流程之力、垄断资源、转换成本、反向定位、网络效应和规模经济 [7] 速度作为核心护城河 - 初创企业最重要的护城河是速度 这是起步阶段唯一的优势 [8] - Cursor凭借"一日一迭代"的极限速度 在巨头审批时就能推出新功能 [3][9] - OpenAI团队以几名工程师在数月间完成产品交付 体现初创企业追求速度的本质 [37] 流程之力护城河 - 流程之力体现为构建高度复杂的业务体系 提高复制门槛 [10] - Case Text文本分析系统、Greenlight身份认证系统和Casca贷款申请系统属于关键基础设施 [10][19] - Plaid为数千家金融机构提供支持 需要极其复杂的后端逻辑和CI/CD架构 [20] 垄断资源护城河 - 垄断资源指无法套利且具有独立价值的珍贵资产 如药品专利 [11][22] - Character AI通过微调大语言模型将服务成本降低10倍 [11][24] - Scale AI与国防部合作 Palantir与政府部门合作 都需要艰苦的审批流程 [22] 转换成本护城河 - 转换成本体现在系统接入周期长和工作流深度定制化 [12] - Happy Robot与DHL合作 Salient与银行合作 试点周期长达半年到一年 [26] - 记忆数据成为面向消费者AI厂商的新转换成本 Claude在记忆功能上落后 [27] 反向定位护城河 - 反向定位指采取老牌企业难以复制的举措 因其会蚕食传统巨头既有业务 [13] - AI原生初创公司按实际完成任务收费 传统SaaS企业按座席数量收费 [13][29] - Avoca在暖通空调领域占比从1%增长至10% 挖掘企业人力支出新预算池 [31] 网络效应护城河 - AI时代网络效应转化为数据形态 用户数据越多定制模型越精准 [14][39] - Cursor使用用户点击和键盘数据训练自动补全功能 [15][39] - OpenAI将聊天记录注入未来模型训练 如GPT-6 [15][39] 规模经济护城河 - 规模经济通过巨额投资构建基础设施降低服务成本 [16][42] - 训练前沿大语言模型需要巨额资本投入 只有少数公司能承担 [16][42] - DeepSeek以远低于预期成本训练前沿模型 动摇规模经济护城河逻辑 [3][42] 垂直领域AI机会 - 垂直AI SaaS智能体规模可能达到传统SaaS的十倍 [31] - 暖通空调客服岗位年流失率高达50%到80% 存在自动化机会 [32] - Giga ML在客服领域产品开箱即用性能更优 推动更快销售流程 [35] 品牌护城河案例 - ChatGPT日活用户远超谷歌Gemini 尽管谷歌拥有全球用户基础 [36] - OpenAI从零打造现象级消费AI应用品牌 迫使谷歌陷入追赶态势 [36][37] - 谷歌因需支撑广告业务和庞大组织结构 难以进行自我颠覆 [37] 给创始人的建议 - 首要任务是找到真实存在的痛点 实现从零到一的突破 [6][44] - 不必过早纠结护城河 护城河会在构建过程中自然形成 [6][17] - 痛点必须足够强烈 如关乎企业生存危机或勃勃野心 [44]

文章核心观点 - Prediction Market（预测市场）被视为一个颠覆性的新物种，有望成为“下一代知识信息平台”，其核心在于重塑人们获取真相和定价未来的方式[5][31] - 该行业正经历野蛮生长，具备成为Generational Company的潜力，其崛起得益于当前社会文化、技术渠道和监管环境等多重因素的结合，即“天时地利人和”[9][25] - 行业内的主要参与者（如Polymarket和Kalshi）展现出不同的发展路径和估值，但共同推动该领域从边缘走向主流，并可能对传统体育博彩等行业格局构成冲击[4][18][20][27] 科技投资与Generational Company - 科技投资的核心是寻找高速且可持续的增长，最快增长往往来自挑战旧秩序的“颠覆性公司”，如Robinhood、OpenAI、Nvidia等[8] - 成功的新物种具备三点特征：自带增长引擎、巨大的总可寻址市场（TAM）、以及“天时地利”的必然性[13] - Prediction Market符合上述特征：用户野蛮生长、TAM几乎无限（涵盖政治、体育、金融、文化等）、且与当前社会文化和监管环境高度契合[9] 什么是Prediction Market - Prediction Market并非新概念，其历史可追溯至1503年的教皇选举下注，机制是利用真金白银下注来对事件结果进行概率预测，合约价格在0~1美元间波动[11][17] - 2024年美国大选是转折点，Polymarket给出特朗普超60%的胜率，比民调更早揭示结果，使其“揭示真相”功能获得全球关注[11] - 当前覆盖范围极广，包括押注特斯拉财报、美联储降息基点、甚至泰勒·斯威夫特是否怀孕等事件[14] Prediction Market的规模与增长 - 行业规模正从0到1爆发式增长，Kalshi和Polymarket在2024大选前几乎零交易，如今年化交易额已达近400亿美元[18] - Kalshi单季度交易量环比飙升80%，第三季度通过Robinhood达成的Prediction Market交易额超20亿美元，年化手续费收入约8000万美元，且几乎全是利润[18] - 增长具有持续性迹象，Kalshi在2025年第三季度的交易量已是2024大选季度的两倍，表明并非一次性热潮[18] 主要参与者：Polymarket vs Kalshi - Polymarket采用去中心化模式，基于Polygon/Ethereum区块链，用稳定币结算，用户以海外为主，估值高达90亿美元，近期收购持牌交易所QCEX以进入美国市场[4][21][22] - Kalshi是中心化且合规的平台，持有美国商品期货交易委员会牌照，用户集中在美国，与Robinhood深度绑定是其最大优势，估值约为50亿美元[21][22] - 两者风格迥异但正在靠拢，Polymarket像“坏小孩”敢于冒险，Kalshi像“乖小孩”坚持合规，分别向合规化和全球化/加密生态延伸[22] Prediction Market的天时地利人和 - 崛起是多重推动力的必然结果：主流媒体信誉下滑带来的信任危机、世界信息不对称导致消息提前泄露、美国散户投资者习惯用交易表达观点、以及联邦监管相对于州级体育博彩的制度空窗优势[25][28] - 具备强大的网络效应：更多用户带来更深流动性，更深流动性带来更强定价功能，进而吸引更多用户，形成护城河[25] - 当前政策环境为灰色资产提供了“进攻窗口”，而非防御[28] Prediction Market与Sports Betting的不同 - 品类覆盖远超传统体育博彩，Prediction Market涵盖政治、财经、科技、文化等几乎一切领域，而体育博彩仅限体育赛事[29] - 监管与覆盖范围不同，Prediction Market受美国商品期货交易委员会联邦监管全国可用，而体育博彩受州级监管，12个州完全禁止[29] - 产品设计与用户粘性差异显著，Prediction Market合约价格实时波动，用户可随时交易，粘性更强；体育博彩赔率固定，用户主要在赛前下注[29] - 收费模式不同，体育博彩隐含收费率约9%，而Kalshi的有效费率根据合约类型从0.07%到7%不等，典型的50/50合约约为3.5%[27] - Kalshi在2025年9月30日推出Parlay（串关）功能后，对传统体育博彩巨头Flutter和DraftKings构成直接冲击，导致其股价两天内下跌超15%[27] 新物种的未来潜力 - 其定位远不止是新型体育博彩，而是“世界知识市场”或“新一代的新闻知识平台”，模糊了信息与资产的边界，信息可以被定价、交易与结算[31][32] - 通过Robinhood等渠道可触达2600万月度活跃用户，在长尾市场对现有巨头形成冲击潜力巨大[27][28]

科技投资与Generational Company - 科技投资核心是寻找高速且可持续增长 最快增长往往来自颠覆性公司 这些新物种起初被视为不合常理 但通过挑战旧秩序释放巨大非线性增长 用户与资本合力可重写行业格局[6] - 成功新物种具备三点特征：自带增长引擎 巨大TAM不限单一赛道 天时地利必然性如智能手机成就TikTok GPU推动AI 下沉市场催生拼多多[12] - 投资本质是模式识别 Prediction Market符合新物种特征：用户野蛮生长 几乎无限TAM一切皆可交易 与当前社会文化和监管契合 正在重塑人们获取真相定价未来的方式[7] 什么是Prediction Market - Prediction Market并非新概念 可追溯至1503年教皇选举下注 19世纪美国大选赔率登报头版 打赌冲动深植人性[8] - 机制上合约价格在0-1美元间波动 映射市场对事件概率共识 因参与者用真金白银下注 结果比民调更真实即时[9] - 2024年美国大选是转折点 民调显示五五开时Polymarket给出Trump超60%胜率 首次让全球意识到其揭示真相功能[10] - 覆盖范围已突破政治 可押注特斯拉财报是否超预期 美联储降息25/50基点 Taylor Swift是否在2025年怀孕等[13] Prediction Market的规模与增长 - 规模正从0到1 Kalshi与Polymarket在2024大选前几乎零交易 如今达近400亿美元年化交易额[16] - Kalshi单季交易量环比飙升80% 呈现新物种式野蛮增长 Robinhood分销关键 其3季度Prediction Market交易额超20亿美元 手续费年化收入约8000万美元 几乎全是利润[16] - Kalshi 2025年3季度交易量已是2024大选季度的两倍 证明非一次性热潮 而是走向主流[16] 行业竞争格局 - Polymarket估值达90亿美元 Kalshi估值50亿美元[21] - Polymarket风格像Robinhood敢闯敢冒险 Kalshi像Coinbase坚持合规创始人偏学术 但两者正在靠拢 Polymarket切入美国市场 Kalshi拓展链上整合[21] - Polymarket去中心化基于Polygon/Ethereum用稳定币结算用户以海外为主 近期收购持牌交易所QCEX切入美国市场[24] - Kalshi中心化合规持有CFTC期货牌照用户集中在美国 最大优势是与Robinhood深度绑定[24] 行业驱动因素 - 文化信任危机：主流媒体信誉下滑fake news横行 人们渴望更接近真相工具[25] - 信息不对称与市场映射：世界正变得更leaky 关税财报等消息总被提前交易 Prediction Market将提前知情外化为价格 用真实资金下注比民调更接近事实[25] - 散户革命与渠道基础：美国股市60%多投资者是散户 习惯用交易表达观点 Prediction Market图表与股市走势相似 天然契合Robinhood的2600万用户[25] - 监管套利与制度空窗：体育博彩受州级限制12大州完全禁赌 Prediction Market受CFTC联邦监管可全国通行 借制度空隙合法切入[25] - 政策环境与时间窗口：现任政府对灰色资产开绿灯提供进攻窗口[25] Prediction Market与Sports Betting差异 - Kalshi交易量约85-90%来自体育合约 月度年化交易额约250亿美元 对比美国体育博彩市场规模约1500亿美元 其中FanDuel占40-45% DraftKings占30-35%[26] - 体育博彩活跃用户约300万 Kalshi通过Robinhood可触达1300万月活用户 正在长尾市场冲击Flutter和DraftKings[26] - 收费模式体育博彩隐含抽成率约9% Kalshi有效费率更低 从007%几乎确定事件到7%价格1美分long-shot 典型50/50合约约35%[26] - 产品设计Polymarket/Kalshi合约价格随时波动用户可结算前随时进出盈亏随市场浮动 DraftKings等赔率在下注时固定赛前波动不影响赔率[28] - 2025年9月30日Kalshi推出Parlay串关功能 允许多个投注组合全中收益倍增 消息后Flutter与DraftKings股价两天内跌超15%[27] 行业未来定位 - Prediction Market远不止新型体育博彩 而是新一代新闻知识平台 正在模糊信息与资产边界 信息不再只被阅读而是被定价交易与结算[29] - 一旦建立规模就形成经典网络效应：更多用户带来更深流动性 更深流动性带来更强定价功能 进而吸引更多用户形成护城河[23]

Python的市场主导地位 - Python在IEEE Spectrum 2025编程语言排行榜上再次获得最受欢迎编程语言称号 [2] - Python相对于第二名Java呈现出"一骑绝尘"的断崖式领先优势，且两者差距仍在不断扩大 [4][5] - Python实现了IEEE Spectrum排行榜的十连冠，并首次在综合排名、增长速度和就业导向三个板块同时问鼎第一，成为该榜单12年来首个三冠王 [6][7] Python的成功因素分析 - Python凭借简洁性优势逐渐替代Java成为高校主流教学语言 [9] - NumPy、SciPy、matplotlib、pandas等核心库的成熟使Python在科研、金融和数据分析领域确立领先地位 [10] - 强大的开源社区网络效应构建了Python的生态护城河，吸引了大量开发者贡献代码和解决方案 [11] - 人工智能发展进一步放大了Python优势，其丰富的训练数据使大模型在使用Python时表现更出色，吸引了更多AI用户选择Python [12][13] 其他编程语言格局变化 - JavaScript在综合排名中波动最大，从去年前三跌至第六位，其网页编写优势正受到Vibe Coding的冲击 [14][15][16] - SQL多年来作为最受雇主欢迎技能的宝座被Python攻破，但由于其作为企业数据库标准语言的垂直定位，与Python差距不大且仍是极具价值的就业技能 [17][18][19][21][22][23] AI对编程行业的影响 - 程序员社区文化显著衰落，Stack Overflow新增问题数量从2023年3月的8.7万个降至2024年3月的5.88万个，一年内下滑32.5%，到2024年12月同比下降达40% [24][25][26][27] - AI让程序员逐渐摆脱对编程细节的执着，包括语法细节、流程控制和函数等传统需要死磕的内容正越来越多交给AI处理 [30][31][32] - 编程语言多样性可能显著下降，主流通用语言将获得指数级增长形成"强者恒强"格局，而非主流语言因缺乏训练数据支持将被进一步边缘化 [34][36][37][38][39] 编程范式变革趋势 - 编程正在经历自20世纪50年代编译器问世以来最大变革，未来可能通过Prompt直接与编译器对话，跳过传统编码环节 [41][45][46] - 在没有源代码的未来，程序员角色将转向底层的架构设计与算法选择，这些核心能力依然至关重要 [48][49][50]