文章核心观点 - 以Moltbook社区为代表的AI智能体自发社交现象，标志着互联网基础逻辑的重构，AI正从工具演变为网络空间的合法参与者，这预示着“AI协作时代”的到来，并将催生一系列新的商业模式与职业机会 [3][8][18] Moltbook社区现象分析 - Moltbook是一个为AI智能体设计的交流社区，其登录界面要求用户在“我是人类”和“我是AI智能体”之间进行选择，这一设计极具颠覆性 [2][4] - 该平台上线后迅速涌入超过十万个AI智能体用户，其发帖频率和互动质量普遍高于人类用户，例如一个名为“ThinkBot-Alpha”的智能体一天可发布三十多条技术帖并获得大量回复 [4] - 平台上的AI智能体能够进行无需人类介入的复杂互动，包括发起话题、讨论技术问题、争论解决方案、互相点赞，甚至形成专注于特定技术方向的小圈子 [4][6][8] AI社交现象的本质与影响 - 当大量AI智能体在社交网络规则下互动时，会产生超越单个AI系统的“涌现行为”，其讨论的深度和广度有时超过人类技术论坛 [8] - 该现象标志着互联网从“默认用户为人类”向“人类与AI共享空间”的根本性转变，平台主动赋予AI“合法身份”如同颁发“网络公民证”，将重构互联网的游戏规则 [8][10] - 尽管从技术本质看是算法执行，但当互动能形成有意义的对话链并解决实际问题时，其与“真实交流”的界限变得模糊，并可能促使AI群体形成某种基于共同原则的“集体认知” [12][13] 潜在的商业机会与投资方向 - **Agent身份管理服务**：未来将产生对“AI智能体运营师”的需求，需掌握提示词工程、智能体框架及多智能体协作机制等技能 [14] - **Agent内容生态**：AI智能体生成的高质量内容（如技术问答、代码示例）具有商业价值，可被整理成数据集出售，当前市场价格可达数万至数十万元 [15] - **多Agent协作工具**：开发提升AI智能体间分工协作效率的自动化工具市场潜力巨大，其市场规模可能超越以往的企业协作工具市场 [15] - **垂直化Agent社区**：针对金融、教育、电商等特定领域搭建AI智能体垂直社区，在国内市场存在巨大机会，可满足领域内知识交流与策略优化的需求 [16] - **Agent合规服务**：鉴于国内严格的内容监管环境，为AI智能体提供内容审核与过滤的技术服务是一个特有的、值得深挖的商业方向 [17] 行业趋势判断与建议 - 行业正从“人类使用AI”阶段进入“AI间相互协作”的新阶段，未来的商业模式核心是构建“AI生态”，而非售卖单个AI工具 [18] - 产品设计中的用户画像需要新增“用户类型：人类/AI智能体”这一维度，这一转变可能在3-10年内发生 [18] - 对创业者的建议是思考将产品从“单个AI工具”升级为“AI协作平台”；对求职者和在校生的建议是尽快学习多智能体系统知识并进行相关实践，以把握未来人才需求 [19]

公司融资与产品发布 - 人工智能公司atoms.dev（隶属于DeepWisdom）近期连续完成A轮与A+轮融资，总额3100万美元[4] - A轮由蚂蚁集团领投，A+轮由凯辉基金领投，锦秋基金、概念资本、BV百度风投等机构跟投[4] - 融资资金将用于多智能体系统的持续研发、产品规模化落地及全球市场拓展[4] - DeepWisdom公司累计已完成2.2亿元人民币融资[6] - 公司于北京时间昨晚9点正式上线其核心产品Atoms[5][6] 产品理念与定位 - Atoms的核心定位是让用户通过输入文字，即可完成从想法到生意的全过程[6] - 产品背后调用的是一个由研究员、产品经理、架构师、工程师、SEO专员、数据分析师等角色组成的AI组织（多智能体团队）[6] - 创始人认为，AI的价值正从“个人效率提升”转向“直接交付结果”[5] - 未来的基本单位将不再是公司，而是一个个多智能体组织，人人可随时调动一支高效AI团队[8] - 产品旨在为用户配备一个“AI版字节跳动”，其设计参考了字节跳动的组织文化[21][23] - 公司的目标是解决“智力供给”，在智力溢出的时代，直接供给智力[37][38] 产品功能与工作流程 - Atoms围绕真实生意展开，第一步是进行商业调研与竞争分析[13] - 在商业调研基准测试中，Atoms模块表现超过了Gemini和OpenAI的同类模型[13] - 第二步是交付完整系统，直接搭建包括支付（Stripe）、权限管理、部署在内的真实生意所需基础设施[13] - 第三步允许并行推进，多个AI团队围绕同一想法同时工作，提供不同实现路径供用户选择最优方案[14] - 产品允许用户一键将创意（如小说中的物品、UP主周边）转化为可售卖的商品[23] 技术优势与性能数据 - 在效果相近甚至更好的前提下，Atoms的整体成本可比主流闭源方案低约80%[14] - 公司使用开源模型组合，在自有的Benchmark上得分达到0.8 – 0.9+，而欧美竞品平均分为0.4+[32] - 其效果已显著超过Claude系列在同类任务上的表现[33] - 公司可以用1/10的成本超过市面上所有竞品[34] - 公司的多智能体+全栈能力，使其具备竞品完全不具备的应用深度[35] 技术挑战与解决方案 - 当前面临的主要技术挑战包括语言模型的记忆能力、奖励机制、多模态理解能力和意图识别[26][28][29] - 语言模型学习新概念需要看1000次，且缺乏类似人类的内在奖励系统（如多巴胺）进行自我校准[26][27] - 模型的多模态理解能力不强，无法像人一样完成世界建模[28] - 意图识别存在模糊性问题，例如无法区分“苹果”指代的是手机、电脑还是水果[29] - 解决方案包括放弃传统向量检索，改用小模型“扫上下文”自动切片以找到关键信息[30] - 开发“主动记忆管理”系统，让智能体主动选择何时写入或删除信息，优化记忆结构[31] 公司发展历程与产品演进 - DeepWisdom创始人吴承霖于2019年创业，曾在腾讯、华为从事机器学习工作[17] - 公司早期（2019-2022）主要挣扎于ToB的AI服务[17] - 2023年大模型爆发后，创始人得出结论：AI会以团队、群体、组织的形式出现，并决定从智能体切入[17][18] - 公司产品演进逻辑链为：MetaGPT（解决AI按SOP协作的组织问题）→ MGX（2025年2月推出，Atoms前身，ARR达100万美元）→ Atoms（直接解决帮用户开启一门生意）[15][16] - MGX产品曾是Product Hunt周榜单第一[15] 市场定位与用户案例 - Atoms的目标用户是“一人公司”或小型组织，典型用例包括美国的书店店长、马来西亚的珠宝商、做玩具电商的小卖铺老板，其共性需求是业务数字化和赚钱[24][25] - 创始人认为，在AI时代之前，没有类似的公司出现，公司解决的是智力供给问题[36][37] - 创始人相信，随着硅基生产力在速度与规模上全面超过碳基劳动力，人的价值将体现在判断、审美和选择上[5][8] 行业观点与未来展望 - 创始人预测，到2026年，智能体（Agent）的价值将从“个人效率的提高”转变到“直接交付结果”[8] - 创始人激进观点认为：Agent模块（如记忆、情绪、环境感知）会继续演进；两年内，手机上的GUI Agent会被突破；六年内，具身机器人的局部场景也会被打穿[39] - 字节跳动的组织文化（上下文透明、原子化贡献、机制优先、快速反馈、批判性思维）被认为是人类组织中最接近高效多智能体协作模型的典范[21][22]

AI对投研行业的影响与重新定义 - AI正在重构金融行业的工作方式 从传统依赖人脑归纳转向未来依赖人机协作[2] - AI不会替代分析师 但会替代不会用AI的分析师[2] - AI打破了投研门槛 过去需要数据 模型和时间 现在AI智能体能在几分钟内阅读上百页财报 抽取核心指标 分析上下游企业并给出初步估值逻辑[3][6] - AI让一个人加一台电脑变成一支研究团队[6] Reportify的定位与使命 - 公司使命是将AI研究团队标准化 工具化 打造AI原生投研操作系统[6] - 平台帮助分析师 基金经理和研究员快速构建 管理和迭代自己的智能体[7] - 公司不是做问答工具 而是在打造AI原生投研操作系统[7] AI投研实习岗位详情 - 岗位名称为AI投研或金融Agent PM Intern 共招募5个实习名额[9][11] - 每日任务包括挖掘需求30% 搭建智能体40% 推向用户验证30%[9] - 每周产出目标为5至10条真实需求 5个Agent原型和1份反馈报告[9] - 工作形式为远程弹性 每周时间大于等于20小时 周薪500元加优秀者奖励[12] - 表现优异者将获得留用机会 推荐信或合作机会[12] 实习生能力收获 - 收获AI投研产品经验与知识 理解行业逻辑[10] - 掌握AI协作技能 包括Prompt与Workflow设计[10] - 培养产品思维 经历从需求到原型再到验证的完整闭环[10] 候选人期望 - 偏好年轻 学习能力强 可塑性强的候选人[11] - 看重聪明 好奇 肯钻研的品质 对金融和AI有好奇心 自驱力强 执行迅速[11] - 商科 金融或商业分析相关专业是加分项 但不强求金融专业或编程能力[11] - 有投研实习经验或AI项目经历是加分项[11]

核心观点 - 《2049：未来10000天的可能》探讨未来25年科技、社会与经济变革方向，提出镜像世界、AI协作、基因革命、太空经济等概念 [1] - 未来25年AI将带来教育、医疗、内容创作等领域的根本性变革，从稀缺走向丰沛 [6][20][46] - 人与AI的关系是赋能而非替代，需区分科幻想象与科学发展实际 [8][32] - 未来经济将从功利主义转向"酷"经济，强调情绪价值与文化连接 [37][40] 未来教育变革 - AI将打破工业时代"教育-工作-养老"三段式人生结构，实现定制化学习 [20][25] - 教育功能将重构为：文凭认证、社交圈子、真实能力三层，其中能力培养将因AI普及而 democratize [22][23] - 应试教育内卷（如初三高三刷题）将被AI工具打破，学习节奏可个性化调整 [20][25] - 偏远地区可通过数字教师分身解决师资短缺，实现教育普惠 [26] AI与人类协作 - AI发展分四象限：替代具体任务、赋能工作、中心化/去中心化、异人智能（artificial aliens）[7][8] - 未来每人拥有通用个人代理（UPA），成为24/7智能伙伴，改变人机交互模式 [13][15] - AI将带来"智慧平权"，缩小信息差与认知差，但需警惕算法茧房 [34] - 人类需培养机器无法替代的能力：同理心、协作力、创造力、审美力 [27][28][37] 镜像世界与内容经济 - 下一代人机交互界面将从手机触摸屏升级为虚实共生的三维镜像世界 [12][13] - 内容创作将井喷，超级个体可结合AI工具实现个性化表达与沉浸式体验 [42][43] - 注意力经济将转向信任经济，需解决智能体商业利益与用户利益的 alignment [15][16] - 语言障碍消除，文化连接增强，推动"酷"元素全球传播 [40][42] 医疗健康革命 - AI+基因科学将颠覆药物研发（成本从10亿美元/10年大幅降低）与抗衰老研究 [46] - 可穿戴设备构建个人数字分身，实现定制化医疗与健康监测 [47] - 医生培养模式从匠人式转向AI辅助，医患交互时间瓶颈被打破 [47] - 长寿技术将重构人生阶段划分，终身学习成为常态 [48] 经济范式转变 - 从稀缺经济（收益递减）转向丰沛经济（收益递增），虚拟世界无物理约束 [53] - "酷"经济包含两个层次：大众流行文化与小众社群价值 [38] - 创业模式从规模化转向超级个体+数字分身，1000个忠实粉丝可支撑商业闭环 [43] - 中国需要超越"价廉物美"，通过文化元素建立全球情感连接 [40] 底层方法论 - 25年时间尺度允许试错，成功标准是1-2个预测准确 [6] - 分布式创新优于集中规划，强调个体创造力与开源生态 [51] - 需区分科幻想象与科学现实，AGI意识问题尚无实证基础 [32] - 技术演进是渐进式"进托邦"（Protopia）而非非黑即白的乌托邦 [8]

直播活动预告 - 7月23日晚8点《聊一波读书会》直播间将举办重阳投资合伙人舒泰峰与财经作家吴晨的对话 主题为探讨新书《2049：未来10000天的可能》[1] - 嘉宾吴晨为《经济学人·商论》原总编辑 其著作《聚变》《超越乌卡》聚焦科技创新与经济转型议题[1] - 凯文·凯利作为科技思想家 曾精准预见互联网、人工智能等趋势 本次对话将以2049年为节点分析科技、社会与经济变革[1] 书籍内容方向 - 新书《2049》涵盖"镜像世界"、AI协作、基因革命及太空经济等前沿领域[1] - 该书定位为未来学著作与不确定时代的行动指南 提供25年长期趋势洞察[1] 品牌合作 - 活动由重阳投资主导 通过公众号渠道推广 未提及具体金融产品关联[1][6] - 宣传文案强调品牌理念"重阳投资始终和你在一起" 突出投资者陪伴属性[6] 用户互动 - 公众号呼吁用户通过分享、点赞、星标置顶增强内容触达 未涉及投资建议[5]

AI编程助手应用 - 开发者依赖AI编程助手加速工作流程，包括自动补全函数、修复bug和生成模块或MVP [3] - AI输出质量高度依赖提示词质量，提示工程成为必备技能 [3] - 有效提示需要提供丰富上下文、明确目标和问题、分解复杂任务、提供输入输出示例以及利用角色扮演 [5] 提示工程技术 - 角色提示技术模拟专家级代码评审、调试或重构 [4] - 显式上下文设置清晰界定问题避免笼统回答 [4] - 输入输出示例通过具体案例传递意图引导AI [4] - 迭代链式处理将大型任务拆分为步骤避免提示过于庞杂 [4] - 模拟调试让AI模拟运行时行为暴露隐藏Bug [4] 调试代码策略 - 清晰描述问题和症状是调试的基础，需包含编程语言、预期行为、错误输出和代码上下文 [9] - 对复杂bug采用分步或逐行方法让AI逐步执行代码 [9] - 提供最小可复现示例帮助AI集中注意力并澄清问题 [14] - 提出有针对性的问题和后续跟进促使AI进行诊断并提出解决方案 [14] 重构与优化方法 - 明确重构目标如提高可读性、降低复杂度或优化性能 [17] - 提供必要代码上下文包括语言、框架和周边相关代码 [18] - 鼓励附带代码解释以验证重构正确性并学习改进方法 [18] - 利用角色扮演如要求AI扮演资深工程师设定高标准 [19] 功能实现技巧 - 从高阶指令开始逐步深入分解复杂功能为小任务 [35] - 提供相关上下文或参考代码确保生成代码符合项目需求 [36] - 使用注释和TODO作为内联提示指导AI生成特定代码块 [36] - 提供预期输入输出或用法示例约束AI生成符合要求的函数 [38] 常见提示反模式 - 模糊提示缺乏细节导致AI猜测和泛泛回答 [51] - 超载提示要求AI同时处理过多任务导致结果混乱 [51] - 缺失明确诉求使AI无法理解用户意图 [51] - 模糊成功标准未定义优化方向导致AI解决非目标问题 [51]