直播产品4个供给策略:数据跟卖、反向定制、产地直供、场景节点

做直播运营这几年,我越来越认定一句话:直播间能走多远,七分在选品,三分在主播。流量可以投,话术可以磨,场景可以换,唯独产品的供给策略一旦定错,后面所有的努力都是在给错误方向加杠杆。今天这篇想聊的,就是直播选品策略里最容易被忽略、也最能把差距拉开的环节——直播产品的4个供给策略。文章会把这4个策略的适用场景、操作路径、算账逻辑都拆开讲,再配上我在实际项目里踩过的坑,适合正在搭直播间货盘的运营、刚转直播电商的商家,以及想系统化理解选品逻辑的朋友。

1. 直播间选品的底层逻辑为什么和货架电商不一样

1.1 从"人找货"到"货找人",选品的评判标准变了

做电商的人基本都熟悉货架电商的选品思路:用户带着明确需求来搜索,平台把商品按销量、评价、价格排序,你只要在关键词和视觉上下足功夫,就有稳定流量。直播间完全不是这个逻辑。用户在直播间里的状态是"刷内容刷到你这儿",他没有强搜索意图,停留时间往往按秒计算。这时候决定他买不买的首要因素,不是详情页写了什么,而是主播在介绍的那件商品,能不能在几秒内让他产生"这个东西跟我有关"的感觉。

打个比方,货架电商像超市,商品和包装就是全部;直播间更像夜市摆摊,大叔手里举着的那口锅已经现场煎蛋煎得滋滋冒油,你就算原本没想买锅,也会多站两分钟。直播选品的核心,就是找到这种"现场拿起来就让人想看、想看就忍不住问价"的商品。这也是为什么很多在线下和货架渠道卖得不错的商品,一进直播间就哑火——它本身的"可讲述性"不够强,主播再努力也讲不出画面感。

1.2 传统选品四件套为什么在直播间失灵

很多从货架电商转过来的同学,习惯用搜索热度、好评率、复购率、品牌知名度这四个指标选品。这些指标不是没用,但在直播间里要打折扣。搜索热度反映的是既有需求,直播间流量更多来自内容推荐,再热门的关键词也带不来直接的直播间搜索流量;好评率只能说明老用户认这个品,新观众更愿意相信主播当场拆开用给你看;复购率是长期指标,而直播间要解决的是"这一场怎么把观众转化成买家";品牌知名度在货架上是信任状,在直播间里却可能被现场演示和实时弹幕直接替代。

我习惯把这四个指标的局限列成一张表提醒自己:

传统指标货架电商里的价值直播间的局限
搜索热度用户带着意图找到商品直播间流量源于内容推荐,热度与实时转化弱关联
好评率降低下单决策门槛观众更信现场演示、主播口播、弹幕互动
复购率衡量长期用户价值单场停留时间短,复购要靠私域与社群承接
品牌知名度天然信任背书白牌可通过讲解、实测建立差异化信任

换句话讲,传统选品是替"计划型消费"挑货,直播选品是给"冲动型围观"找货,两者天然不同。如果你还用货架那套标准给直播间备货,大概率会选出一堆"数据漂亮但卖不动"的商品。

1.3 直播选品必须完成的三个转变

第一,从"用数据选"到"用场景选加数据验证"。数据是验证工具,不是唯一方向。先想这个品在什么场景里会被需要,再用数据确认市场规模和竞争强度,顺序不能反。

第二,从"单品思维"到"货盘组合思维"。一场直播不是卖一件商品,而是一整套货盘,有引流的、有主推的、有赚利润的,彼此配合才能撑起三个小时的节奏。后面我会专门讲货盘结构怎么搭。

第三,从"便宜"到"值得感"。直播间观众不是单纯图便宜,而是觉得"这一刻买特别划算"。同一个品,能不能通过组合赠品、限时机制、主播讲解营造出值得感,直接决定了转化率。而这三点,正好引出下面要讲的4个供给策略。

2. 直播产品4个供给策略怎么选、怎么落地

先澄清一个概念:我讲的"供给策略",不是指某一款商品怎么选,而是指你直播间里的货品"从哪来、凭什么便宜、凭什么独家、为什么现在卖"的整套安排。4个策略不是互斥选项,大多数成熟直播间都是主用一到两个,再用其他策略做补充。我先把四个策略的核心差异放一张表里,再一个一个拆开讲。

策略核心思路最适合谁核心护城河
数据跟卖借市场已验证的需求快速跟进新号、小团队、起步期供应链反应速度
反向定制从粉丝反馈中造出独家款已有粉丝基础和稳定流量差异化与毛利保护
产地直供跳过中间商换取价格空间靠近产业带的商家成本结构优势
场景节点踩着节日时令和热点制造刚需有排期能力的成熟团队节奏感与确定性

2.1 数据跟卖型供给:追热销榜的"后发红利"

数据跟卖是最容易上手、也最容易被误用的策略。逻辑一句话:市场的需求已经被卖爆的同行验证过了,你不需要冒着教育用户的风险从零开始,只要用更快的速度跟进,分到"后发红利"。

具体操作我一般分成三步。第一步,锁定对标直播间。在自己所在的类目里挑30到50个风格相近、体量相近的直播间,每周固定记录他们主推什么、什么价位、用什么促销话术。第二步,反查商品趋势。用第三方数据工具看这些商品近30天的销量曲线和增速,不只看绝对销量,而看"销量快速上升但跟卖的账号还不多"的品。第三步,快速拿样验证。联系工厂寄样品,做开箱、做使用测试、核算含退货成本后的真实毛利。

这里有个很关键的概念——跟卖指数。我给每个备选品打一个简单分数:增速超过30%、跟卖账号少于20个、毛利率不低于40%,三个条件都满足才值得进入二轮测试。为什么把毛利率卡得这么死?因为跟卖意味着没有独家优势,必然伴随价格战,毛利低于40%的品,价格一松动就赔钱。

当然跟卖也不等于抄作业。很多团队死在一个地方:追到生命周期尾部的爆款。判断尾部其实有信号:同类目搜索结果明显变多、多个大直播间同时上这个品、价格战已经打到接近出厂价。出现这三个信号,说明红利基本见底,你再进场就是接盘。我自己的经验是,宁可跟慢一点,也绝不在爆款下半场压库存。

2.2 粉丝需求反向定制型供给:把评论区变成你的产品经理

做直播一段时间后,流量稳定了,很多团队会陷入一个尴尬:卖大路货没有价格优势,卖品牌货没有授权,毛利越做越薄。这时候应该启动第二个策略——反向定制。

核心逻辑:直播间每分钟都在产生弹幕和评论,这是花多少钱都买不到的一手调研样本。粉丝反复提到的问题,比如"有没有更大尺寸""为什么不出加厚款""这个颜色太单调了",本质上都是未被满足的产品需求。把这些需求转化成改款清单,再交给工厂小批量生产,就得到了独家的定制款。

具体怎么做?我建议以月为单位做一次需求梳理:第一步,导出近30天的弹幕、评论、私信关键词;第二步,按功能抱怨、尺寸期望、颜色期望、价格敏感四个类型分类;第三步,挑出现频率最高的两三个点,写成"改动需求清单";第四步,拿清单去找工厂,重点问三个问题——最低起订量多少、开模或改造费用怎么分摊、交货周期多长。

我自己见过一个很有意思的案例。某家居收纳类直播间,粉丝总是问有没有更大尺寸、能不能做加厚款,运营团队没有无视这些声音,而是找某产业带工厂定制了一版加厚升级款,起订量只要500件。因为款式是独家的,直播间敢把价格定得比标品高20%,毛利反而比卖大路货高一截。这就是反向定制的魔力:用粉丝的真实需求对冲市场同质化。

有一件事必须提醒:评论区的需求存在幸存者偏差——愿意留言的人很可能只是少数重度用户,不代表大众。所以任何改动在量产前,先在粉丝群或私域里做一次小范围预售或投票,用真金白银验证需求,再决定要不要下订单。这一步能帮你避开"自我感动型定制"。

2.3 产地直供型供给:用成本结构换直播间的价格底气

直播电商有个绕不开的环节:现场比价。观众在直播间看到一套锅具,下意识会跑回货架电商搜"同款多少钱"。如果你的成本结构里叠加了品牌溢价、层层渠道分成,你就很难在当场PK里赢。产地直供想解决的就是这件事——直接到产业带源头拿货,砍掉中间环节,把省下来的钱变成价格优势或利润空间。

操作上没有捷径,就是跑产业带、见工厂。选工厂时,我习惯盯四个标准:生产资质是否齐全、品控流程是否成体系、能不能配合小单快反、愿不愿意承担一定比例的库存周转压力。这四个条件里,后两个往往比前两个更难谈,但恰恰决定了直播间后续的补货灵活性。

算账逻辑其实很朴素。假设一个终端卖99元的商品,传统分销链条里品牌方、一级经销商、零售商层层拿分成,最终留给你的毛利可能只有20%出头;产地直供如果跳过中间两层,终端卖同样99元,毛利能冲到45%左右。省下来的钱你有两种用法:一是把售价压到79,换转化率;二是维持99的售价,用更高的毛利去投流、做赠品、扛退货。两种没有绝对对错,看账号处在什么阶段。

注意,直供不等于低价低质。我踩过最大的坑,就是为了压价选了一家品控不稳定的工厂,第一批货没问题,第二批开始出现批次色差,直播间退货率直线上升。后来凡是新工厂,首批订单一定控制在三到五场直播的量,等质量验证稳定了再放量。产地直供的核心不是"没有中间商"这句话,而是跟工厂建立稳定、可快速响应的供应关系。

2.4 场景节点型供给:踩着日历和热点的节奏出牌

直播消费是即时场景消费:观众带着"现在是什么季节""最近发生什么事"的背景在看内容。场景节点型供给的逻辑,就是用这些确定性事件提前布局,让产品踩在需求刚刚冒头的时候出现。

执行上分三条线。第一条线是日历节点:节日、季节更替、平台大促、行业展会,这些是确定的,建议每年年初就做一张完整日历,把每个节点的主打品类提前45到60天下单订货。第二条线是气象节点:降温、暴雨、寒潮这种天气事件,往往直接催生保暖、雨具、除湿类产品需求,现在很多数据工具能接入天气预报提前提醒。第三条线是内容热点:某个话题突然火了,立刻判断它背后对应什么生活场景、需要什么产品,快速找货上架。

这类供给有个明显特征:销售窗口非常集中。跟节点绑定紧密的品类,黄金销售窗口也就是事件前48小时到发生后72小时,过了这个窗口,转化率掉得非常快。所以节点型货品的首批备货一定保守,宁可断货也不能压一堆季末库存。另外要提醒一句,热点要和人设匹配,一个仓储百货类账号硬蹭运动赛事热点,观众会觉得莫名其妙,流量反而会掉。

3. 供给策略定好后,货盘结构怎么搭才算健康

3.1 四类货品的角色分配

选定某个供给策略之后,还要进直播间落地,这就涉及到货盘结构。很多新手只准备十几个同类商品轮着上,效果很差,因为整场直播缺乏节奏。我一般把货盘分成四类角色。

引流款也叫福利款,作用是留住新进直播间的观众。价格要足够低,哪怕不赚钱甚至小幅亏损都可以,但亏损要有边界,单件亏损控制在5到15元以内,靠后端主推款赚回来。主推款是整场直播的核心,必须是经过数据验证、毛利健康、库存充足的品,它承担了直播间的成交大头。利润款是卖给老粉丝和价格不敏感用户的品,毛利高但需求相对窄,放在主推款之后。形象款也叫战略款,通常是一件价格较高的品,哪怕卖不动也要上,它的作用是拉高整场货盘的价值感,让观众觉得这家店是有档次的。

我常用的配比是:引流款占20%到30%,主推款占40%到50%,利润款占15%到20%,形象款占5%到10%。新号可以把引流款比例稍微提高,先解决人气问题;成熟账号要提高利润款占比,因为你的流量维持成本高,没有利润款撑不住。

角色作用定价策略建议占比
引流款留住新观众、制造气氛低价甚至小亏20%-30%
主推款承担成交主力有竞争力、利润健康40%-50%
利润款赚取核心利润高毛利、面向老粉15%-20%
形象款拉高价值感、做价格锚点高价位5%-10%

3.2 判断一个款能不能上的五个数据指标

在正式上架之前,我会用五个指标给每个候选款过一遍筛子。进窗率,也就是商品在主图或封面露出时的点击比例,如果一个款连让观众点进去看一眼的欲望都产生不了,直接放弃。停留贡献,看主播讲这个款时,观众停留时长有没有拉长,如果一讲这个品观众就走,说明话题度和吸引力不够。单品转化率,这个要和同类目基准比,低于基准三成的品谨慎上播。UV价值,单个访客贡献的成交额,这个指标综合了价格和转化,低于类目均值就要考虑换品或调价。最后是退款率,服装类目尤其要盯尺寸退货,退款率超过20%的品,毛利再好看也可能白干。

我还会在上播前做小范围测款:在粉丝群发一个简单的投票或小专场预售,看真实付费意愿。测款规模不需要大,两三百人的反馈就足以判断方向。

3.3 上播中和下播后的调品节奏

货盘不是一成不变的,一次直播里也要动态调整。我习惯以5分钟为单位观察实时成交数据,如果某个主推款讲了十分钟转化率依然低于预期,先判断是话术问题还是货品问题:换一种讲法再试一遍,还不行就把排品顺序提前,用引流款先把直播间热度抬起来再说。库存紧张时优先保主推款不断货,引流款可以限量控库存,制造紧迫感。

下播后才是重头戏。把当晚每个款的三层漏斗拉出来:点击量、成交量、退款量。点击高成交低的款,大概率卡在价格或信任上;成交高退款高的款,大概率是实货和描述不符。记下这些结论,第二天选品会就按这个来调整。记住,任何一款品至少要跑三场直播才能下结论,单场成绩受太多偶然因素影响。

4. 选品路上的真实翻车案例和一周实操流程

4.1 四个常见的选品翻车现场

理论讲多了,说点真实的翻车案例,都是我或身边同行真金白银买回来的教训。

第一个是追爆款追到价格战。有个团队看到一款厨房小电器在平台爆火,跟着找到仿品,成本80卖89,觉得毛利不错。结果再过一周,正品官方直接降到85,仿品瞬间卖不动,两千件库存压在仓库里。这件事教会我一件事:跟卖必须盯尾部的三个信号,宁可错过也绝不接盘。

第二个是忽略可演示性。我们曾经选了一款成分很好的保养品,纸面数据完美,但直播间里就是没法直观展示效果,主播只能反复念成分表,观众听得昏昏欲睡,转化率低得可怜。后来我才明白,直播选品要优先选"拿得起来、演得出来、看得见变化"的商品,哪怕它别的指标没那么亮眼。

第三个是只看销量不看退货。另一个团队做服装,选的款式日销很高,但类目平均退货率本来就超过三成,加上尺码不准,退款吃掉大半利润。服装这类高退货类目,一定要把退款率算进真实毛利里。

第四个是热点硬蹭。有个仓储百货类账号看到某个户外运动话题特别火,临时上了一批户外装备,结果观众根本不买账,那场直播的转化和停留双双下降。热点是放大器,人设匹配才放大正面,不匹配就放大违和。

4.2 一周标准化选品流程(可以直接抄作业)

翻车案例看多了,我越来越觉得选品不能靠灵感,得靠流程。我把目前最顺手的一套一周流程放出来,你们可以直接抄作业。

周一上午拉数据:复盘上周每个款的点击、转化、退款数据,再花一小时扫平台热销榜和飙升榜,记录三件值得关注的趋势商品。顺便看几场对标直播间的录播,记下他们上架的节奏和主推款。周二确定候选清单:把数据初筛通过的品列出来,挨个联系供应商询价、寄样,当天至少下3到5个样品订单。周三样品测试:开箱、试用、拍展示素材,同时把候选品发到粉丝群做小范围投票或预售,拿到真实意愿。周四定盘上播:根据反馈敲定当场货盘,主推款入库并准备讲解脚本,晚上正常直播。周五复盘调整:拉当场数据,决定二播还是清仓,把结论记到选品档案。周末做周总结,排出下周的备选品和时间表。

这套流程的核心原则很简单:任何品都必须走完"数据初筛、样品测试、小范围验证、正式上播"四步,不允许跳步。跳步省下的时间,最后都会以库存和退货的形式加倍还回来。

4.3 AI+直播营销里,AI到底能帮选品做什么

既然系列标题里有AI+直播营销,最后说说我实测靠谱的AI选品用法,不吹不黑,AI在选品上是三个苦力活的好帮手。

第一个是弹幕评论聚类。一场直播下来几百上千条评论,靠人一条条看会疯掉,用文本聚类工具把这些评论按主题聚合,"尺寸""颜色""质量""价格"各归一堆,需求点一目了然。第二个是品类趋势预测。把历史销售数据、日历节气和天气信息喂给模型做回归,AI能给出未来两到三周的品类热度预测,虽然不能当圣旨,但作为节点型供货的参考很有价值。第三个是竞品跟播监听。通过语音转写和画面识别,自动记下对标直播间每个时段的货品和话术,省掉大量人工录屏时间。

但必须泼一盆冷水:AI给的是概率和归纳,不是决策。你再怎么用工具,最终选品的手感一定来自每周真实摸样品、盯直播、看弹幕。模型不会替你碰那个产品,也不会替你承担库存风险。我在项目里一直是把AI当实习生用,让它做整理和筛选,最终拍板永远是人。

最后分享一点我自己的体会。这些年试过的选品方法很多,真正留下的不是某个工具或套路,而是把4个供给策略当成一个可以随时切换的框架:新账号先用数据跟卖快速起量,粉丝稳定后开始反向定制建立护城河,产地直供保证成本结构,节点型供给负责制造一波波小高潮。选品这件事没有一劳永逸,它是在一次次踩坑里长出来的手感。每周固定花两三个小时翻评论、盯同行、摸样品,比看任何攻略都管用。希望这套思路能帮你少走几步弯路,也欢迎你在评论区聊聊自己的翻车经验。

相关新闻

IMX6ULL ADC驱动开发实战:从设备树到IIO子系统全解析

IMX6ULL ADC驱动开发实战:从设备树到IIO子系统全解析

很多做嵌入式Linux的朋友第一次碰到IMX6ULL的ADC驱动开发,第一反应都是:这不就是个简单的寄存器操作?我在单片机上读个电位器那是家常便饭。可真到把设备树、引脚复用、IIO子系统、时钟管理全部串起来的时候,才发现这是个标准的&q…

2026/10/20 20:25:08 阅读更多 →
AI助力继续教育论文:千笔AI写作与万方智搜AI搭配指南

AI助力继续教育论文:千笔AI写作与万方智搜AI搭配指南

2026年的继续教育申报季又到了,身边不少同事已经开始为职称论文发愁。白天在医院、学校、工地、财务科忙了一整天,晚上还要打开电脑憋一篇继续教育论文——申报职称、修学分、结业考核,哪一样都躲不开。对着屏幕半小时敲不出两行字&#xff0…

2026/10/20 20:25:08 阅读更多 →
多摩川绝对式编码器读取:STM32与RS485通信实现及伺服调试避坑指南

多摩川绝对式编码器读取:STM32与RS485通信实现及伺服调试避坑指南

简介:基于STM32F429的多摩川TS5668N21编码器读取程序完整源码包,面向工业自动化、电机控制与精密定位领域的嵌入式软硬件开发者。工程围绕ADM485(RS-485)半双工通信协议展开,涵盖STM32CubeMX引脚分配、时钟树与UART参数…

2026/10/20 20:23:58 阅读更多 →

最新新闻

AI编程项目如何避免90天腐烂?构建可验证迭代闭环

AI编程项目如何避免90天腐烂?构建可验证迭代闭环

1. 这不是危言耸听:AI编程项目“烂掉”的真实时间线“你的 AI 编程项目迟早会烂掉,除非你做了这件事”——这句话刚在某技术社区刷屏时,我正盯着一个上线才三个月的智能代码补全插件发呆。它最初能准确预测87%的函数调用,现在连基…

2026/10/20 21:01:55 阅读更多 →
云真机CLI化:用adb命令无缝接入云端设备实现自动化测试

云真机CLI化:用adb命令无缝接入云端设备实现自动化测试

1. 从"云真机只能网页点点点"到CLI接管:这个项目要解决的问题做Android开发或者测试的同行应该都有这种经历:手头的真机就那几台,系统版本覆盖不全,异构屏占比机型更是一机难求。遇到需要验证老版本兼容性、多机型回归、…

2026/10/20 21:01:55 阅读更多 →
C++学习之命名空间详解

C++学习之命名空间详解

前言 命名空间(namespace)解决的是「名字冲突」这个古老问题。两个库都提供了 init(),两个头文件都定义了 Node,如果没有命名空间,把它们放进同一个程序就会撞名。C 的做法是把名字放进不同的作用域容器,用…

2026/10/20 21:01:55 阅读更多 →
Hadoop开发环境搭建实战:Eclipse集成与WordCount调试

Hadoop开发环境搭建实战:Eclipse集成与WordCount调试

1. 为什么还要回头啃 Hadoop 环境搭建这块硬骨头大数据入门这条路上,有个特别有意思的现象:很多人能跟你聊明白 MapReduce 的 Shuffle 过程,能画得出 HDFS 的架构图,但真让他从零把一套本地开发环境跑起来,立马卡壳。我…

2026/10/20 21:01:55 阅读更多 →
Hadoop入门实战:从伪分布式环境搭建到WordCount完整跑通

Hadoop入门实战:从伪分布式环境搭建到WordCount完整跑通

1. 为什么我要重新认真梳理Hadoop入门这件事大数据这个词现在几乎成了每个技术团队的标配,不管你是做后端、做数据分析还是做运维,只要公司数据量一上来,Hadoop这三个字就绕不开。但说实话,我见过太多人卡在入门这一步——不是被M…

2026/10/20 21:01:55 阅读更多 →
多模态情绪识别与情感计算在心理咨询中的落地实践

多模态情绪识别与情感计算在心理咨询中的落地实践

我最早接触情感计算在心理咨询里的应用,是陪着一位做咨询师督导的朋友复盘一段录像。录像里,来访者全程语气平稳、表情克制,嘴里反复说着“都还好、能应付”。朋友凭二十年的临床经验判断这人状态不对,但被问到具体哪里不对&#…

2026/10/20 21:00:51 阅读更多 →

日新闻

CLRC663芯片Pin-to-Pin替代实战:从评估到量产全记录

CLRC663芯片Pin-to-Pin替代实战:从评估到量产全记录

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/20 1:01:30 阅读更多 →
ESP32舵机控制指南:原理、多路驱动与避坑实战

ESP32舵机控制指南:原理、多路驱动与避坑实战

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/20 1:01:30 阅读更多 →
位移法实现一阶低通滤波:单片机ADC采样降噪实战

位移法实现一阶低通滤波:单片机ADC采样降噪实战

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/20 1:01:30 阅读更多 →

周新闻

基于GMM的语音识别系统原理与MATLAB实现详解

基于GMM的语音识别系统原理与MATLAB实现详解

说到基于高斯混合模型(GMM)的语音识别系统,很多人第一反应就是一堆数学公式,觉得门槛很高。但如果你真的在MATLAB里把它落地跑通,会发现核心其实就是三件事:把声音变成特征向量,用GMM给每个类别…

2026/10/20 10:02:13 阅读更多 →
数字图像处理入门:反白、灰度化、调色板修改与导出txt实践

数字图像处理入门:反白、灰度化、调色板修改与导出txt实践

数字图像处理这四个字听起来挺唬人,但落到具体操作上,无非就是让计算机按你的想法“摆弄”像素。我在一个模拟项目X里用了一套特别经典的基础处理流程:对图像做反白、改调色板、彩色转灰度,最后把像素数据导出成txt文件。单看每一…

2026/10/20 20:43:59 阅读更多 →
机器人大脑技术盘点:具身智能的感知、决策与数据闭环

机器人大脑技术盘点:具身智能的感知、决策与数据闭环

如果你的信息流最近也天天刷到“机器人大脑”这个词,你会发现一个很有意思的现象:每个人说的“大脑”根本不是同一个东西。有人指的是大语言模型,有人指的是运动控制系统,还有人指的是能理解物理世界的端到端模型。在2026年这个时…

2026/10/20 2:50:50 阅读更多 →

月新闻

我发现了一个新思路:用 Remotion + Claude Code 像写代码一样自动化生成短视频

我发现了一个新思路:用 Remotion + Claude Code 像写代码一样自动化生成短视频

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/20 10:02:08 阅读更多 →
Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式:TaoToken 统一 Key 配置与验证

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式:TaoToken 统一 Key 配置与验证

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/20 9:50:17 阅读更多 →
黑夜航拍船只数据集训练YOLOV5模型全流程解析

黑夜航拍船只数据集训练YOLOV5模型全流程解析

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/20 9:50:45 阅读更多 →