前天在GISTC 2026 空间智能软件技术大会现场，几位院士（包括欧亚）反复说同一个意思的话：AI 不能替代 GIS 决策者。空间规划审批不能出错，灾害模拟更不能靠幻觉。

这句话你没法反驳。国土空间审批、水利工程、山洪预警，哪一样能让大模型拍脑袋决定？一个参数错了，一条路的选线可能就偏了；一张风险图错了，一个村庄的转移时机可能就耽误了。

但我坐在会场里，觉得很不对劲。GPT都5.6、DeepSeek都V4，Codex都接管桌面了，咱们专家们在专业领域使用AI还和日常跟豆包对话一样吗？

我们说的，真的是同一个 AI 吗？

专家脑子里的 AI，是一个坐在审批桌后面的"电子局长"：看一眼图，读几条政策，上网找找案例，啪地盖章。

我脑子里的 AI，是一个永远不困的审查员。它不签字，不拍板，不承担行政责任。它只是把项目红线丢进"一张图"，把永久基本农田、生态红线、城镇开发边界、现状地类、规划用途、灾害风险区一层层套上去，然后把每一个风险点、每一条依据、每一个坐标、每一次计算过程摆到桌面上。

真正的问题不是 AI 能不能替代专家。

真正的问题是，AI 能不能把专家过去藏在经验、软件、报告和手工流程里的判断过程，变成一条可复核的证据链。

这个问题才值得认真讨论。

老专家怕的不是机器

专家为什么警惕 AI？

表面看是怕幻觉。AI 会编，会错，可能从网上抄一段代码，从 GitHub 扒一个库，临时拼一套权重，还能说得头头是道。这在灾害分析里确实危险。

传统 GIS 不是乱来的。水文模型、坡度坡向、汇流累积、地质条件、降雨阈值、历史灾点、空间统计、权重叠加——这些东西跑了很多年，进过项目，写进报告，有出处，有共识，有责任体系。

专家真正想说的是：这套东西不是你一个 AI 说改就能改的（咱们排除那些AI抢了专家寻租权力的场景哈）。

这句话不能嘲笑。它背后有一种工程世界的底线感。

但有个容易被忽略的反转。

传统模型之所以被认为"科学"，不只是因为它老，也不只是因为它写进了教科书，而是因为它理论上可以被复现、被检验、被比较、被追责。

如果一个模型只是因为"大家一直这么用"，它就不天然科学。它只是形成了惯性。

共识不是科学的终点，共识只是科学在某个时期的临时停靠站。

AI 真正要挑战的，不是传统模型本身。它挑战的是传统模型被使用时，那些不可见的手工过程。

同一个山洪沟，换一个工程师，DEM 预处理方式可能不同。换一个项目组，参数解释可能不同。换一个软件版本，工具链可能断掉。换一个地方，历史灾点更新了，但模型还在沿用几年前的阈值。

这些不叫幻觉。但它们同样会制造风险。

风险穿着"传统流程"的衣服，看起来更像科学。

AI 该追问模型，而不是自创模型

要反驳专家，我不想说"AI 比你们的模型更聪明"。这句话既不准确，也没必要。

更合理的说法是：AI 不该绕开传统模型，它该把传统模型从低频工具变成高频能力。

在水利、山体滑坡、泥石流、应急管理这些场景里，AI 第一阶段根本不需要发明新模型。它应该先学会尊重已有模型，然后追问这些模型有没有被正确调用。

这次分析用的是哪个经过审定的模型？参数来自哪份规范？DEM 分辨率是多少？降雨情景是 10 年一遇、20 年一遇，还是极端暴雨？历史灾害点有没有进入校准样本？土地利用数据是不是最新？同一套模型上一次运行是什么结果？这一次结果变化，是因为降雨变了，地形数据变了，还是参数被人调过？

这不是让 AI 天马行空。这是让 AI 变成一个模型审计员。

过去专家跑模型，很多工作发生在软件界面、个人习惯和项目经验里。最后报告很完整，中间过程未必总是完整留下。

智能体可以把这些过程重新拉到光下。它能检查数据缺口，记录参数版本，调用既有模型，跑多个情景，比较结果差异，标出参数敏感区，最后把"稳定结论"和"需人工判断的边界情形"分开。在这里面都是可以检验的程序代码，AI没有幻觉。

专家仍然拍板。但 Ta 看到的不再是一张孤立的风险图，而是一组带着假设、参数、版本、对比和不确定性的证据包。

这比单纯相信某个软件按钮更科学。

科学不是按钮。科学是可证伪、可追溯。

一张图审批，别让 AI 拍板

把这套逻辑放到国土空间规划"一张图"审批里，看得更清楚。

一个项目红线来了，传统审查要看它是否压占永久基本农田，是否涉及生态保护红线，是否突破城镇开发边界，是否占用耕地，是否进入水源保护区、地灾风险区、历史文化保护范围，是否符合规划用途。

老专家担心 AI 直接说：“这个项目可以批。”

当然不能。

但智能体真正该输出的，是这种东西：

项目范围与永久基本农田交集为 0；与生态保护红线交集为 236.4 平方米；涉及图斑编号 X、Y、Z；最近红线距离为 8.6 米，建议做缓冲复核；项目西南角疑似与已批供地范围重叠；引用政策条款如下。。。；空间查询过程如下。。。；图层版本如下。。。；需人工复核事项如下。。。。

它不是在替人做决定。

它是在把决定之前的黑箱拆开。

这时候，AI 的价值不在于"判断得像专家"，而在于"比人更不容易漏掉机械性检查"。

人审到第十个项目会累，AI 不会。人可能忘记叠某个图层，AI 可以按清单跑完。人赶会的时候只来得及做一个方案，AI 可以先跑三组情景对比。人把关键判断留在脑子里，AI 能把过程写进日志。

“空间审批不可出错"这句话，推不出"不要 AI”。

它只能推出：越是不可出错，越不能只靠人眼、人脑和手工流程。

关系变了

这才是我在大会现场感受到的关系变化。

过去，专家和模型的关系是：专家掌握模型，模型证明专家。有经验的工程师知道该点哪个工具，调哪个参数，看哪个结果，最后写进报告。模型像一枚印章，盖在 Ta 的经验上。

智能体出现后，关系会慢慢变成：专家审查模型，AI 记录模型，系统复跑模型，证据约束模型。

这不是专家被替代。

这是专家第一次被迫面对一个问题：过去那些"我一直这么做"的部分，能不能被清楚说出来？能不能被别人复跑？能不能在数据更新后重新验证？

这会让一些人不舒服。

AI 改变的不是权力表面，而是解释权的分配。

以前，一个项目为什么这样判断，可能只存在于专家的经验里、会议的口头意见里、报告的几句结论里。

以后，系统会追问：你依据的是哪个版本的数据？调用的是哪个模型？为什么选这个参数？为什么忽略那个异常图斑？为什么没有跑极端降雨情景？

这不是机器冒犯专家。

这是工程世界终于有机会把"经验"翻译成"证据"。

真正成熟的专家，不怕被 AI 追问。Ta 怕的是自己多年的经验，永远只能停留在一句"我觉得"。

政府 AI 最难的不是模型智商

政府 AI 落地最大的障碍，可能并不是大模型还不够聪明，或者偶尔胡说八道。

更硬的问题在政府自己的系统里。

哪份数据算权威？三调、年度变更、专项规划、历史审批成果、地方补充图层、项目单位上传红线，它们不一致时听谁的？关于这部分，部信息中心丁主任在会上表达得非常到位。

哪条政策能被机器执行？“原则上不得占用”“确需占用”“依法依规办理”，这些词在人类会议里可以讨论，在系统里必须被拆成硬禁止、条件允许、人工复核、上级审批、材料补正。

谁对 AI 结果负责？AI 生成报告，规则引擎给出预警，审批人员签字，厂商提供工具。出了问题，责任链怎么划？

系统之间怎么打通？一张图平台、审批系统、遥感监测库、项目库、公文系统、档案系统、地图服务、空间数据库，如果没有工具调用和权限审计，AI 最后只能停留在聊天窗口里，写几段漂亮材料。

这才是政府 AI 的真实难题。

别再做大屏，别再接问答框。我们最需要做的，是把权威数据、业务规则、模型工具、权限边界、审计日志和人工签批重新接起来。

没有工具调用的政府大模型，只是更会写材料的 OA。

有证据链的智能体，才可能进入审批现场。

现在能做什么

如果你在这个行业里，现在可以做的事其实不多，但都很具体。

把你最常用的那个模型，参数来源、数据版本、运行记录整理成一张表。不要等 AI 来做，先让自己能回答"为什么选这个参数"。

把你审批或分析过程中的机械性检查列出来。哪些图层每次必须叠？哪些距离每次必须量？这些是最该交给 AI 的。

如果你管数据，先把权威数据版本管起来。三调用哪一版？年度变更更新到哪一年？不要让 AI 自己去猜。

如果你管系统，别急着做大屏。先想清楚一个场景：从 AI 输出结果，到专家签字确认，中间需要经过哪些环节？每个环节留下什么痕迹？

它不是来抢章的

AI 不是来抢章的。它是来照亮盖章之前那段黑暗的。

一张图审批里，它照亮项目红线和控制线之间到底压了多少。灾害模拟里，它照亮模型参数从哪来、数据是哪一版、情景有没有跑全。应急管理里，它照亮三套方案各自的不确定性在哪。政府治理里，它照亮过去藏在经验、流程和文件缝隙里的责任链。

老专家当然还要坐在那里。越是高风险场景，越需要专家坐在那里。

只是 Ta 面前不再是一张孤立的图、一份厚报告、一个软件跑出来的结果。Ta 面前会是一条证据链。数据从哪里来，模型怎么跑，参数怎么选，风险在哪里，哪些结论稳定，哪些必须复核，系统都已经摆出来。

那时，专家和 AI 的关系也许会变得简单一点。

专家不用把 AI 当成越权的年轻人，AI 也不用装成无所不能的专家。会前，它把所有该量的地方重新量一遍，该查的依据重新查一遍，可能漏掉的风险重新摆到桌上。

然后专家看一眼，说：“这份报告，拿到会上。”

这就够了。

AI 不是来替人负责的。它是来让责任终于有迹可循。

上周写完 Esri 那篇(《当地图不再是地图，Esri 为什么开始像所有软件公司一样焦虑》)，我心里留了一个尾巴没收。

那篇讲的是软件公司怎么从舞台中央被挪到一块能力。结论冷，但还隔着一层——讲的是别人家的事，大公司的事。我想做一个更近的验证:如果软件公司在失重，那坐在软件前面的我，会不会也跟着一起失重？

这周正好赶上一件小事，顺手把那个尾巴接上了。

事情的起点很普通。我在 X 上刷到一个帖子。QGIS 插件 Stereo MPI-RRIM Creator 的作者，做了一个小网站，把日本 300 座名山一张张做成了"血色"地形图，挂在上面供人观赏。

我看着挺手痒，想自己也复刻一份。

但只要稍微估一下工作量就头大：装插件、点菜单、配 MPI 半径；再换另一个插件去日本国土地理院切高清 DEM，中间涉及断点续传；下完还要做栅格投影变换。虽然这些都是 GIS 工作者的标准技能。做一张还好，做 300 张，机械重复到怀疑人生。

按以往，如果好奇心上头了，这种活我闷头就开干！十年下来，这套流程已经长在手指上。

这次不一样。我打开 QGIS，手指悬在插件菜单上方，三秒。

然后我关掉了它。

这是一个很小的动作。但这三秒里，我把自己从一个位置挪到了另一个位置。

过去十年，我打开菜单、写 PyQGIS、调投影、处理断点续传、跑栅格变换。这些动作连起来，叫"会用 GIS"。这一次我没做这些。我打开终端，敲了一句话:

“调用cli QGIS的插件DEM Tools - PngTile2Dem （Multi-Source Integrated） 去下载最高清的dem， 目标位置在：26.2744°N， 127.7564°E，扩出来周围一个合适的范围，尽量看清全貌，但要考虑数据的大小。然后用这个插件，生成默认的normal 2D， 红色风格渲染的图像，输出为高清的图片结果。”

QGIS 自己启动，自己下 DEM，自己解决断点续传，自己做重投影。还不太稳定的 QGIS 4.1中间闪退了三次，AI 重启QGIS，自己接上任务。我偶尔看看任务进度。

这是我的电脑、我的项目、我熟练了十年的软件。但好像没人需要我在场。

我以为自己是平地上的 100 米丘陵，原来是半山腰的小山包

得插一段算法解释，因为它和后面要说的东西意外贴合。

传统山影问的是一个问题:光从西北 315° 打过来，这个坡面有多亮？它眼里只有受光量。所以一座 100 米的小丘和一座 3000 米的主峰，只要坡向一样，灰度就一样。

MPI 换了一个问法:你比你的邻居高多少。

同样 100 米。立在平原上，邻居都是平地，它就鹤立鸡群，深色，醒目。坐在 3000 米山体的半山腰呢？周围全是山，它一点都不突出，浅色，几乎看不见。

我盯着这套算法的简介看了一会儿，然后意识到一件不太舒服的事。

过去十年，我以为我是那座立在平原上的 100 米丘陵。 会写脚本、会调QGIS插件、会从各种知名不知名的网站下载 DEM、会做断点续传和重投影、会处理一堆别人嫌烦的多步骤——稀缺，所以突出，所以"专业"。

AI 进来之后，我才发现自己一直坐在 3000 米山体的半山腰。我会的每一样，都是它的标配能力。我不是不行。我是不再突出。

这是第一次关系位移。“会"和"突出”，过去是一件事，现在被掰开了。

软件还有一张脸，只是不再为人保留

桌面软件这四十年，一直长着脸。

按钮、菜单、对话框、向导——这是它的五官。这张脸的成本由两边花钱:软件公司花在 UX 上，用户花在学习上。一张脸，两边平摊。GIS软件还是个复杂的脸，我们GISer们看着好看，别人看着真烦躁！

这周，CLI-anything(把任何桌面软件都转成命令行操控)在 GitHub 上的星标来到 3.8 万。我顺手装了一下，也就有了这次操作的流畅性——CC + Kimi Code+CLI-anything。Anything 啊，虽然现在才支持 76 个软件，居然第一批就有 QGIS，将来呢？不用很远的将来，几周几个月，就差不多覆盖常用软件（类似功能）了吧？给传统界面工具软件丧钟，敲的一天比一天响，一天比一天近。

以后都是这个模式吧：skill 装好，开唠。不动鼠标，不翻菜单，只是把要做的事说出来。

好玩的是QGIS（GIMP 甚至不需要启动） 自动启动，自动跑流程，自动出图。我说"换个颜色，好看点还有创意的，我也不知道什么算好看，你自己挑"，它就给出了下面这版海洋色:

注意，这中间 QGIS 还闪退过几次，有个目标网站的 DEM 还不能下载。AI 自己处理掉了，没问我。

CLI-anything 这一下，把那张"脸"取消了。

QGIS 还在那里，菜单还在，按钮也都在。可这张脸不再是给人看的。它变成了 AI 和软件之间的内部接口——一个保留下来的器官，用途已经迁移。

软件保留了脸，但不再为人保留。

上周文章中说 Esri 的事儿，更显的诡异。诡异在哪？诡异在软件公司还在认真做新版本图标、调更顺滑的工作流。可 UI 已经悄悄换了观众。我们以为是我们在使用软件，其实软件早就在和它另一个用户打交道——一个不眨眼、不迷路、不会忘记菜单藏在哪一层的用户。

我说软件公司最怕的不是竞争，是被降格成一个功能按钮。这周我看清了另一面：功能按钮也不再是软件公司的脸，而是 AI 的指法。

按钮没死。它只是换了使用者。

而坐在按钮前的人，也悄悄换了角色。

知道的人不用做，做的人不用知道

这件事还有最让我自己后背发凉的部分。

GIS 工程师过去引以为傲的，是"知道 + 做到"的合一。知道为什么这里必须重投影，也亲手敲完那段命令；知道 MPI 半径为什么取这个值，也亲自跑完那个脚本。这两件事在一个人身上合二为一，叫专业。

现在它们分家了。

知道的人不用做。做的人不用知道。

中间那个曾经叫"工程师"的人，发现自己成了递话筒的——把模糊的需求翻成精确的提示词，把客户的意图喂给 AI。翻译这件事，AI 比人快，而且 AI 还能替你想清楚你没想清楚的部分。

我也试着做个“不用知道的人“。调用Blender，做个三维的效果。我的Blende的使用经验可没有半点，做出来的样子还挺惊艳的！

30 个美军驻日本的基地，我没盯过任何一张的批处理。剩下能做的事，只是看看 token 消耗速度。最后还是和 kiro 配合了一下，让她也做个“帅气”点的网站，展示一下成果。从做网站到发布，那更是啥也不用管了：usbasesinjapan.kowa88.net

谈 Esri的时候，我说软件公司从"舞台中央"被挪到"一块能力"。这周轮到软件用户:专业工作者从"知道 + 做到"被拆成了"只剩知道"或者"只剩描述"。 两边在同一个浪头上同时失重。

会有人安慰自己：AI 替你做了重活，你正好做更高维的事。这话不算错。但请允许我冷一点。你引以为傲的那种"我亲手做出来"的踏实感，那种在终端里敲完最后一行回车的笃定，正在被悄悄拿走。它不会大声告别。它只是某天你伸手去开菜单，发现自己其实不需要开。

最后再想想，这个阻力是真的吗

我得反问自己一次。

专业身份真的在被拆掉吗？还是只是它原来借住的那张脸——那些菜单、那些脚本、那些没必要的多步骤——在搬家？

MPI 半径取 250 米还是 100 米合适、30m DEM 为什么这次不够、什么时候必须做重投影、为什么"血色"配色比"海洋"配色更适合这片山——这些判断，AI 暂时还做不漂亮。它知道一切答案，但不知道哪个答案适合此刻眼前这片山。

所以专业没消失。它只是不再长在按钮上。它退回了更深的地方：退回到"为什么"，而不是"怎么做"。

那张被 CLI 取消的脸，本来就不是专业的脸。它只是软件给专业临时借用的那张脸。借期到了，要还。

回到开篇那三秒。我关掉菜单时，丢掉的不是手艺，是手艺曾经必须借用的那种仪式感——那种"看，我会用这个复杂工具"的微小骄傲。

仪式没了。手艺还在。

只是你得自己重新认得它。不靠菜单认。

早晨看好友推荐的 Jack 写的一篇文章（https://www.forbes.com/sites/esri/2026/05/11/a-new-operating-system-for-the-whole-world/）。标题叫《全世界的新操作系统》 “A New Operating System For The Whole World”。
这句话很猛，但我觉得猛到有点露怯。

如果一个行业真的站在浪头上，它通常不用反复解释自己“其实不只是一个工具”。只有当旧身份开始不够用了，企业才会急着改口：我不是工具，我是平台；我不是平台，我是基础设施；我不是基础设施，我是操作系统。

Jack 代表Esri 这篇文章，我怎么就有点感觉，是这种口气呢？

它当然没说错。地图确实能承载传感器、影像、人口、气候、资产、风险。空间维度也确实能让一堆分散的数据突然“站起来”。问题不在真假，而在分量。当一篇文章不断说对的话，往往不是为了告诉你新事实，而是为了掩盖旧故事已经讲不动了。

所以，我是没细想文中那些风电、奥运、城市治理的成功案例。更值得看的，是这篇文章里隐约浮出来的一种关系变化：地图公司和世界的关系，正在变。

过去，客户对 Esri 说的是：“你帮我看清世界。”
现在，Esri 更想让客户说：“你替我运行世界。”

这不是修辞升级，这是身份焦虑。

真正发生的，不是 GIS 变强了，而是它不再天然站在舞台中央

Jack Dangermond 反复强调，现代地图不是描述世界，而是在“运行世界”。这句话听起来像技术进步，实际上更像一种争位。因为今天的问题早就不是“地图有没有价值”，而是：地图还是不是那个不可替代的入口。

十几年前，GIS 是一门专门手艺。数据进来，要投影、清洗、叠加、建模，门槛高，圈子也小。专业，意味着稀缺。稀缺，意味着话语权。

现在不一样了。云平台能做空间分析，BI 工具能挂地图图层，开源栈能撑起一整套地理工作流，行业 SaaS 里也开始内置位置能力。以前必须走 GIS 的路，现在很多业务只需要“带地理能力的数据系统”。

关系就在这里变了。

以前是客户围着 GIS 转。
现在是 GIS 得想办法嵌进客户已经在用的系统里。

这不是功能问题，是地位问题。
一个技术一旦从“中心工具”变成“可被集成的能力”，它就很难再靠术语建立威严。

所以 Esri 必须把“地图”说大，说到操作系统，说到 AI，说到数字孪生，说到协作，说到全行业决策。因为如果它还只是地图，它就会被重新定价，被重新放置，最后被重新命名。最危险的时刻，不是别人说你没用，而是别人说：“你这个能力，我们系统里也有。”

软件行业最怕的从来不是竞争，而是被降格成一个功能按钮。

这篇文章最有意思的地方，是它暴露了成熟软件公司的共同困境

表面上看，Esri 在讲愿景。往深一点看，它讲的是整个软件行业的共同处境：过去靠专业壁垒活下来的公司，今天都在被 AI 和平台化改写关系。

先看一个很微妙的变化。

以前软件公司和客户之间的关系，接近“师徒制”。厂商掌握复杂工具，客户为专业付费，也接受培训、实施、认证、咨询这一整套秩序。那是一种不平等，但稳定。客户知道自己不会，厂商知道自己不可替代。

AI 一进来，关系就开始松动了。

客户会问的，不再是“这个系统能不能做”，而是“为什么这件事不能直接被一句提示词完成”。这句话很伤人。它等于把几十年积累的专业流程，翻译成一句更残酷的话：你到底是在提供能力，还是只是在守着复杂性收费？

别急着替专业软件喊冤。很多复杂性当然是真实的，坐标系、数据精度、治理、时空分析，都不是一键生成。但客户的怀疑也是真的。因为 AI 最先摧毁的，不是专业本身，而是专业的仪式感。

这就是今天很多成熟软件公司最尴尬的处境：
它们依然有价值，但它们赖以维持权威的表达方式，开始失效了。

于是我们就看到一种熟悉的场景。每家公司都在说自己不是旧软件，而是“智能平台”；不是辅助工具，而是“决策引擎”；不是某个部门的软件，而是全组织的操作系统。说法越来越大，落地越来越重。因为现实是，大多数高价值案例还是集中在政府、能源、基础设施、制造这类实施周期长、组织成本高、数据治理重的领域。

这不是失败。
只是它和“整个世界的新操作系统”之间，隔着很远。

说得再尖一点：愿景越像宇宙，商业越依赖大项目，这种反差本身就是信号。

Esri 的不安，不只属于 Esri

如果只把这篇文章看成品牌宣传，它其实没什么意思。可如果把它看成一个行业切片，就有意思了。

Esri 想解决的问题，不是证明地图有用。这个问题十年前就已经解决。它真正想解决的，是另一件更难的事：当地图不再稀缺，地图公司该如何继续占据解释现实的权力。

这才是“操作系统”这类大词背后的真实用途。它不是单纯描述产品能力，而是在争夺组织里的站位。谁是入口，谁就有资格定义问题；谁定义问题，谁就不只是卖软件，而是在分配预算、影响流程、塑造组织想象力。

可麻烦也在这里。
AI、云平台、数据中台、行业 SaaS，都在抢这个位置。每个人都想做入口。每个人都说自己连接一切。每个人都说自己让决策更聪明。

结果是什么？结果是软件行业进入了一个很拧巴的阶段：技术能力还在增长，叙事信用却在下降。

客户听多了“平台”“生态”“智能”“协同”，耳朵已经起茧。厂商嘴里的未来越来越像，采购桌上的问题却越来越硬：你替代了什么？节省了什么？谁愿意每天打开你？如果不用你，业务会不会照样跑？

这些问题没有宏大答案，只有冷答案。

所以我读完《福布斯》这篇文章，最大的感受不是地图多先进，而是一个成熟软件行业的中年时刻：它还没老，但已经不再年轻；它仍然赚钱，但很难再让人兴奋；它知道自己的东西有用，却越来越难证明自己仍然处在故事中央。

软件行业真正的危机，不是技术落后，而是“关系失重”

很多人把这种焦虑理解成产品危机，我倒觉得没那么简单。
更深的一层，是关系危机。

公司和客户的关系，变了。
工具和工作的关系，变了。
专业知识和普通用户的关系，也变了。

最难受的不是有人来挑战你，而是世界突然换了一种提问方式。你还在解释“为什么我很专业”，对方已经在问“为什么不能更直接”。你还在兜售系统性，对方已经习惯在一个聊天框里索要结果。

技术不会先杀死老公司，新的交互习惯会。

这也是 Esri 文章真正让人警觉的地方。它越想告诉你地图能运行世界，越说明它知道：今天真正运行世界的，未必是地图，而是那些能更快占据工作流、占据入口、占据用户耐心的东西。

地图不会消失。GIS 也不会消失。
消失的，可能是它们曾经那种“天然居中”的位置。

而对所有成熟软件公司来说，真正的考题也许不是如何把自己说成操作系统，而是当自己不再是舞台中央时，还能不能接受只做一块能力，而不是整套叙事。

很多公司嘴上谈愿景，心里怕的，其实是这句话：

“你当然有用。只是没有以前那么像主角了。”

五一前，整理老硬盘，我翻出来当年写的Python脚本——调ArcPy做缓冲区分析、叠加POI、输出热力图——遥想那个“落后的时代”，为了写这些脚本，学习 Python2.7，还要先用 modelbuilder 跑一跑，折腾了好几天。

放假的时候，儿子随便用了点 kimi 的 token，说了几句话，比我那个脚本还要复杂的多的一段处理流程，十分钟就复现并优化了。他甚至不知道EPSG:4326和 3857 的区别在哪儿。

我没有什么情绪。我想说的是："几乎所有的软件工程师在今天突然不知道自己这些年练的到底是什么了。"

这不是一个关于效率的故事。这是一个关于身份坍塌的故事。当一个人和他赖以安身立命的技能之间的关系，从"我驾驭它"变成"它不再需要我驾驭"——这种失重感，比裁员通知更致命。

上个月，Karpathy在红杉资本的年度分享里，用一个冷静的技术框架解释了这件事的底层逻辑。我翻出来听了听 Karpathy 的视频。他没有说出口的是：这个框架正在重新定义一整个职业群体和他们与工具之间的关系。

可验证性：一把把人劈成两半的刀

Karpathy的核心论点极其简洁：AI沿"可验证性"这条线进化。能被自动判定对错的能力飞速提升，不能被判定的原地踏步。

代码能编译就是对，不能就是错——所以AI写代码像神。地图好不好看？分析结果有没有"意义"？没有编译器能告诉你——所以AI画地图像鬼。

但等等。这个框架套到GIS工作流上，劈出来的不是两类"任务"，而是两类人。

一类人的日常是：坐标转换、投影校正、批量裁剪、脚本调参、跑模型出精度报告。每一步都有标准答案。每一步都可以被一个奖励函数捕获。每一步都正在被AI以月为单位蚕食。

另一类人的日常是：跟规划局的人吵这条红线该不该往东挪五十米，跟甲方解释为什么他要的"交通热力图"其实解决不了他的问题，在三个互相矛盾的数据源之间做出一个"说不清对错但最合理"的判断。

第一类人和工具的关系是操作者与被操作物。这种关系正在被取消——不是工具升级了，而是工具不再需要操作者了。

第二类人和工具的关系是导演与道具。道具可以换，导演不能换。因为导演决定的是"拍什么"和"为什么拍"，而不是"怎么按快门"。

你和你的GIS技能之间，是操作者关系还是导演关系？ 这个问题的答案，决定了你在这场静默洗牌中站在哪一侧。

"苦涩教训"的真正苦涩之处

Karpathy反复提到的"苦涩教训"（Bitter Lesson）来自强化学习之父Rich Sutton：所有基于人类巧妙规则的方法，最终都会被暴力计算+端到端学习碾压。

特斯拉的自动驾驶是活教材。早期版本：神经网络识别车道线，然后人工规则决定转向角度。后期版本：端到端，摄像头输入直接到方向盘输出。效果飙升，人工规则全部废弃。

GIS行业今天还停留在前一个阶段。用深度学习提取建筑轮廓，然后用规则引擎做拓扑修正。用神经网络分类遥感影像，然后用人工设定的阈值过滤噪声。

所有人都以为这些"后处理规则"是专业经验的结晶，是人类智慧不可替代的部分。

但苦涩教训告诉你：不是的。你精心设计的规则只是计算力暂时不够的权宜之计。 一旦模型足够大、数据足够多，它会连你的规则带你一起跳过。

这里真正苦涩的不是技术判断，而是心理事实：你以为你在积累的"经验"，可能只是一堆即将被废弃的patch。你和"经验"之间的关系，从"我的护城河"正在变成"我的沉没成本"。

那些在ArcGIS里积累了十几年的快捷键肌肉记忆、对各种报错的本能反应、对工具链每一步的精确把控——这些东西曾经定义了"资深"。现在它们定义的是一种特定的脆弱。

问题定义者：唯一不会被验证掉的角色

所有人都在说"要做AI不能做的事"。但这句话太空了。具体做什么？

Karpathy的框架给出了一个精确的方向：做那些连"什么算对"都无法定义的事。

一个城市选址分析。AI可以跑通所有算法：交通可达性、人口密度、地价模型、竞争分析。但谁来决定这些因子的权重？谁来判断"这个地方居民三年后的消费能力"这种根本没有数据支撑的变量要不要纳入？谁来在甲方说"我就是觉得这个位置不对"的时候，听懂他没说出口的政治考量？

这些不是"更高级的技能"。这些是完全不同性质的能力。 它们不在同一条进化树上。你不是通过"把GIS学得更深"来获得它们的。你是通过理解业务、理解人、理解决策逻辑来获得它们的。

Karpathy用了一个词：agentic engineering。不是你去操作工具，而是你去编排一群AI agent完成任务。你的工作从"执行分析"变成"定义问题+验证结果是否有意义"。

"有意义"——这三个字就是人类最后的阵地。因为"有意义"这件事本身不可验证。它取决于语境、取决于谁在问、取决于这个答案将被用于什么决策。没有任何奖励函数能捕获"意义"。

至少现在还不能。

窗口正在关闭

有一个很多人不愿意面对的事实：Karpathy并没有说"不可验证领域永远安全"。他说的是"几乎所有领域最终都能实现某种程度的可验证"。

品味可以被学习。情境判断可以被数据化。甚至"意义"这种东西，当训练数据足够多的时候，模型也许能模拟出足以乱真的版本。

所以这不是一个"找到安全区然后躺平"的故事。这是一个窗口期的故事。

窗口期里你要做的不是防守，而是利用AI还不能做的事来建立只有你能建立的东西：对特定领域的深度理解网络、对特定客户决策逻辑的熟悉、对特定城市空间肌理的身体性认知。

这些东西不在简历上，不在证书上，不在你会操作多少种软件的技能列表上。它们在你和真实世界的关系里。

放假期间，我盯着天花板，傻躺，突然想通了一件事：我那些年积攒的最值钱的不是Python脚本，而是知道用哪些脚本在哪些客户面前演示就有好的售前效果。 这种知识没有任何AI能从训练数据里学到。但它只有在主动把自己从"工具操作者"的身份里拔出来之后，才能被看见。

你可以把思考外包给AI。但你不能把"知道该思考什么"外包给AI。

这两件事之间的距离，就是你还剩下的全部时间。

钉钉CEO陈航说：“软件时代已彻底终结，软件正在变成日抛品。”

这句话在 2026 商界木兰年会上落地时，台下坐着的是中国最会做生意的一批人。Ta们脸上没有震惊，也没有反对。我猜大部分做软件的人心里都明白：那种固定形态、按周按月迭代的传统软件范式，确实要被拆成碎片了。

但别着急——如果你问一个刚花一小时 vibe coding 出某个城市路网对比图的人，这个软件Ta还会不会再用一次？Ta大概率会说：“用一次就够了，扔了就扔了。”

可Ta的手已经点开了 Replit，开始往里面加 API 接口。

这就砸开了一条给软件续命的裂缝了。日抛品这件事，理性上成立，情感上犯规。人类做工具，从来不是为了只用一次。

我跟着儿子刷到一个小红书 UP 主的作品——建成区范围对比。几张图，干净利落，把城市的范围（硬地面）范围比较的清清楚楚。我忽然想：如果换成路网来比呢？而且要大规模，不是几个城市，而是全球上万座城市，中英文随便搜，自动匹配投影，截图各种尺寸。

以上三张图引自小红书up主——查理看世界

这种事搁在五年前，得找公司小朋友扯一扯，立个小项、看谁闲排排期、画个界面啥的，费多少口舌啊。现在呢？打开 Replit，把想法扔进去，十分钟，搞定了。用不用Replit无所谓，我看中它的是自带云。能干这事儿的AI不要太多。

https://worldcitymap.replit.app/

标准的日抛。为了一个突然奇想的需求，搭出一个完整的前端，发布上线。将来大概率不再打开，就像一次性饭盒那样，用完就放进回收站。虽然功能还不少呢。上万个城市的中英文搜索，我就不会做。

所以我就没忍住日抛了。

人类对“作品”的执念，几乎是刻在骨子里的自毁程序。 明明说好当天用完就扔，手却不争气地点进了配置。我开始给它加 API：城市、坐标、地图样式、缓冲区大小、输出尺寸都可以被外部程序调用。API 给谁用？给 Agent 用。

即便是写文章的现在，我也觉得这一步微妙极了。原本为自己做的一次性玩具，一旦被拆成零件，就变成别人可以反复装配的积木。

我买了一个叫 Taio 的剪贴板工具。它不光能存文字，还能用动作做处理，像迷你版快捷指令。我设计了一条命令：只要把任意一段文字交给大模型，它从里面揪出地名，转成 GeoJSON——再推送到我刚刚加的那套 API，自动出图，存在 Cloudflare 上，最后吐回一个图片链接。

截图的链接放到Taio支持的markdown文档中，只要![]就可以显示地图了，多好。一段文字，自动变成了若干张地图。

到这里，日抛软件被偷偷续了命。它从“我用一次就扔”的玩具，进化成了“别的 Agent 随时能用”的器官。我是扔不掉了，在我的日常App中，默默的延续着它的生命。

这才是陈航那番话真正刺中的地方：软件消失的不是形态，而是它在人和技术关系里的老位置。

过去几十年，软件是人用来解决问题的工具。人想清楚需求，软件被写出来，然后迭代、维护，关系稳固得像夫妻。人离开软件不行，软件离开人没意义。

但现在，硅基 Agent 成了中间商。人把想法抛给 Agent，Agent 去找服务、拼装结果，再还给人类。软件退到第二排，变成被 API 封装起来的能力块。它不露面，甚至不被人直接操作。就像 QGIS 躲在防火墙后面，外面一个 Agent 想画图，它就把结果递出来——中间没有任何传统意义上的软件界面。

我试着让 Kimi Code 直接对话式操作 QGIS MCP，一步步说“导入这个数据”“设投影”“输出”，一直到最后截图。还是重复刚才的那一套需求。Kimi 没让我失望。它甚至主动想到要再包一层 API，让内网的 QGIS 能被外部调用，而不是每次都要人坐在桌面电脑前用某某code 调用MCP。还去点鼠标做地图？那更算了吧。

今儿中午小米送了 2亿token，我就拿它的 mimo 2.5 试了一把：从一张 DEM 入手，输出按中国哨兵底图 Lambert 投影的地形图。代码是 Claude Code 招呼着mimo写的，地图也算作小米绘制的吧，我做的事情只是多说了一句“好看点儿”。

这一刻我更明白了：当软件变成日抛品，真正被日抛的其实是“人必须亲手操作”的古老契约。

但这个结论推下去，会出现一个尴尬的矛盾：如果软件彻底工具化、组件化、服务化，那人类创作者的位置在哪里？

我的经验给了一个反直觉的答案：越是日抛的技术，越需要人这种“舍不得扔”的物种来给它定锚点。

你看，我本可以做完城市路网对比就离开。但我给它加了 API。本可以让 Agent 自己玩，但我亲手设计了一条从剪贴板文字到图片链接的链条。本可以让mimo自己生成地形图，但我非要它按中国哨兵底图 Lambert 投影输出——这个投影不是 Agent 选的，是我的认知。

人在这里的角色变了。从唯一的创作者，变成了意义的守门人和方向的投票者。碳基 Agent 不再亲自下地干活，但它决定什么值得干、用什么坐标、画给谁看。

这有点像你和一位极聪明的助手合作。你不需要手把手教它每一个动作，但你必须在那张图纸上点一下：“从这里开始，用这个视角。”

所以日抛型软件没有杀死人。它反而逼着人重新回答一个问题：既然什么都可以自动生成，那你究竟在乎什么？

这个问题不技术，却很要命。

最后说句实话。在实验过程中，GPT 5.5 给了我一个惊喜。Taio 比较小众，Sonnet 4.6折腾一个多小时没搞定，GPT 5.5 十分钟收工。那一刻我意识到，工具越来越像人，而人越来越像那个给工具递台词的人。

我们的合作不再是“人用软件”，而是“碳基提要求，硅基给结果”。当中那个界面，真的不重要了。

陈航说软件时代终结了。但我觉得，终结的只是软件必须有人类界面的时代。而那些被扔掉的日抛代码，正被无数双看不见的手捡起来，拼成新的基础设施。人站在更上游的地方，负责决定什么时候说一句：

“就从这张 DEM 开始吧，投影用 Lambert，这张还是不行，要更好看的。”

一个每周都在发生的场景

周一例会，老板问：

"古茗最近在我们周边新开了多少店？有没有在核心商圈蚕食？"

你打开几个 App，搜了一圈，勉强凑出几个数字——但说不清趋势，说不出对比，更画不出地图。

会议室里，安静了三秒。

或者你是连锁品牌的拓展负责人，手上压着十几个城市的选址任务。每次做一个城市的竞品分析，都要花大半天：下数据、筛门店、标地图、做图表、写汇报……

做完一个城市，下一个城市又在催了。

这不是你不够勤快。是工具还没跟上你的思维速度。

而真正的问题，往往不是"数据在哪里"——

而是你那个灵光一闪的想法，在你找数据的过程中，已经消失了。

两种 Agent，一个时代

我们正在进入一个新的协作时代。

人类是碳基 Agent——有直觉、有经验、有对行业的深度感知。一个做了十年连锁拓展的人，走进一个商圈，三分钟内就能感受到这里的人流质量、消费层次、竞争张力。这种判断力，是数据给不了的。

AI 是硅基 Agent——有速度、有记忆、有跨数据集的关联能力。它可以在几秒内处理数百个品牌、数万家门店的分布规律，生成图表，标注趋势，完成对比。

但很长时间以来，这两种 Agent 是割裂的。

专家在自己的脑子里转，数据在系统里睡觉。

人花了大量时间在搬运信息，而不是在思考信息。

ACE：为两种 Agent 设计的助手

这正是极海推出 ACE（品牌门店智能分析助手） 的原点。

ACE 不是要替代你。

ACE 是要把你从信息搬运工，变回真正的专家。

在极海的品牌监测页面，点击品牌旁边的 ACE 按钮，一个新对话页面会打开。

你不需要导出表格，不需要建模，不需要写公式。

你直接说出你的问题就好。

你说，它就动

"沪上阿姨目前在全国有多少门店？主要集中在哪些城市？"

"和蜜雪冰城相比，沪上阿姨在三线城市的渗透率有什么差异？帮我画图。"

"最近半年，古茗在上海新开的门店集中在哪些区域？"

"我们旗舰店附近 3 公里内，有哪些竞品？各自密度如何？"

ACE 不只是回答你——它会同步生成图表和地图：饼图、趋势折线、城市热力图，一屏呈现，截图即可放进 PPT。

数据是日更的，不是上个月的快照，是昨天的实况。

真正发生的事情：专家被激活了

这是我们观察到的一个有趣现象。

当 ACE 承接了数据整理的工作之后，使用者并没有"什么都不做"——

恰恰相反，他们开始问更深的问题了。

• 拓展经理不再盯着 Excel 数格子，开始问："为什么古茗在这个区开了那么多店，但我们进去却不好做？"
• 品牌分析师不再手动画地图，开始问："这个品牌在新一线城市的开店节奏，和它融资时间线有没有关系？"
• 加盟顾问不再翻报告找数据，开始问："这个空白区域，是真的没人进来，还是已经有人试过失败了？"

这才是 ACE 想要发生的事：

硅基 Agent 把信息处理速度拉满，碳基 Agent 的专家直觉才得以充分涌现。

那些只有做过十年、二十年的人才能问出来的问题，才有机会被真正提出——然后被真正回答。

这是属于每一个连锁从业者的技术时刻

① 品牌战略团队

季度复盘时，5 秒出图，不再熬夜整理竞品数据；战略会上，你带来的不是数字，是洞察。

② 拓展 / 选址团队

进城之前，先把竞品格局问清楚。现场踩点，你已经有了整张战场地图——你的时间用来判断，不是用来找信息。

③ 招商 / 加盟顾问

谈判桌上，实时调出区域分布与空白机会，数据支撑你的每一句话，成交的底气来自事实，不来自说辞。

④ 投资 / 研究分析师

研究一个品牌，从门店数量到开店速度到区域密度，所有维度一次问完。你的时间留给判断，不留给整理。

为什么 ACE 的数据是可信的

极海做连锁品牌门店监测已历多年。

覆盖维度不只是"这家店在哪里"，还包括：

• 开业 / 关闭状态（实时跟踪，日更）
• 所在商圈业态（购物中心 / 社区 / 街边 / 写字楼）
• 城市 / 区县 / 商圈分布密度
• 时间序列上的开店趋势与关店规律

这些结构化数据，全部接入 ACE 背后的 AI 分析引擎。

你问的每一个问题，都有真实数据支撑——不是 AI 的推测，是真实发生过的事实。

现在可以直接体验

不用注册，不用申请。

打开下面的链接，问 ACE 一个你最近正在思考的品牌问题：

👉 点击体验 ACE × 沪上阿姨品牌分析

最后，我们想说的

这个产品做出来，不是为了炫技。

是因为我们相信：

最好的 AI 工具，不是让人变得更像机器——
而是让人更像人。

当硅基 Agent 把数据处理的重复工作接管，碳基 Agent 才真正得以释放：去感知、去判断、去产生那些只有人类专家才能涌现出来的微小但关键的决策。

那个在脑子里一闪而过的想法，不应该消失在找数据的路上。

它应该被 ACE 接住，被你说出来，被数据验证，被决策采纳。

这是极海的价值观：
为碳基 Agent，也为硅基 Agent，设计更智能化的助手。
让两种智能同步前进，让这个时代的每一位行业专家，都能在自己的领域里走得更远。

我听到一个故事。

去年秋天，某省级自然资源厅（规划口下属单位）的一场采购评审会上，发生了一次安静的僵局。

供应商演示了一套AI规划评估系统——输入地块参数、天气数据、物流半径，三分钟生成最优仓储选址方案，附带风险热力图。在场的技术人员眼睛亮了。但采购处处长翻完材料，问了一个问题："这个结论的准确率是多少？"

"大约70%到80%，视数据完整度而定。"

处长把文件合上了。"我没办法为一个'大约'签验收单。"

没有人做错什么。技术人员需要更快的洞察，采购处长需要可验收的确定性。这两个需求都完全合理——但它们指向相反的方向。

这个会议室里的三秒沉默，浓缩了整个软件工业正在经历的一场结构性撕裂：我们正在用采购锤子的财务口径，去采购谋士的建议。

你买一把锤子，它能敲钉子。今天能敲，明天能敲，对张三能敲，对李四也能敲。功能有就是有，效率提升30%就是30%，写进采购需求文档，ROI前置计算，审计无死角。这是确定性的生意，也是过去四十年软件工业赖以为生的地基。

但AI卖的不是锤子。它更像一个谋士——今天给你出一个奇招，明天可能给了一句废话。同一份分析，懂行的人如获至宝，不懂的人觉得说了等于没说。这笔交易缺少一个买卖双方都能接受的验收边界。 没有验收边界，就没有定价锚点；没有定价锚点，就没有续费逻辑。

而ArcGIS/QGIS还在大张旗鼓地发新版本，核心卖点依然是界面交互更顺滑、操作效率再提升。铺天盖地的"AI颠覆一切"声浪中，这个事实让很多人困惑。但专业工作者不困惑——Ta们需要ArcGIS，就像木匠需要工作台。不是因为它聪明，而是因为它稳在那里，从不意外晃动。

所以问题不是"AI好不好用"，问题是：谁来为"好用但不确定"买单？

确定性容器里的概率幽灵

先别急着选边站。这个矛盾之所以让人头疼，是因为双方都对，而且双方都在变得更对。

纯确定性工具正在撞天花板。你把GIS的界面优化到像素级完美，该找不到的洞察还是找不到。一个规划师用ArcGIS做缓冲区分析，手动调参数、手动叠图层、手动写报告——准确，但慢；稳定，但盲。他看到的永远是自己已知维度上的东西。

纯AI服务正在撞信任地板。你的结论再惊艳，用户无法验证就不敢用。更致命的是——不敢用，不是技术问题，是组织行为问题。那个采购处长不是不懂AI的价值，他是不能在审计面前为一个"大约"承担责任。

所有人都以为出路是"让AI更准确"。但真正发生的事情更有趣：市场正在进化出一种双层生物——确定性的壳，概率性的核。

以GIS领域正在出现的产品形态为例。底图层依然是铁板一块：地图渲染不会错位，投影转换不会出错，空间拓扑不会报错。该稳的纹丝不动。这是专业工作者的肌肉记忆，也是付费的底线保障。

但在这块铁板上方，长出了一层"透镜"。用户用自然语言提问——"分析这三个地块在极端降雨情景下的洪涝暴露度"——Agent不直接给一个结论，而是生成一段带注释的分析代码、一组多维度交叉方案、一份标注了置信区间的报告。

中间那层才是关键：不确定性包装器。AI必须把自己的"思考路径"摊开在桌面上——不是给你一个答案，而是给你一条可追溯的推理链。结论不确定，但推导过程的透明度是确定的。

这就像审计的逻辑：我们从不要求每一笔判断都绝对正确，但只要审计程序是透明的、可回溯的，结论就可以被接受。过程可控，结论开放。

那个采购处长真正需要的，从来不是"100%正确的AI"。他需要的是：当审计来查的时候，他能指着一条清晰的决策链路说——"我们的流程没有问题。"

你自己炒的菜，咸了也不会摔碗

这里藏着一个被严重低估的变量。

传统软件是"我给什么你用什么"。结论不对，用户的第一反应是：软件有问题。关系很清楚——我是消费者，你是供应商，产品不达标就是你的责任。

但在新的双层架构里，事情起了微妙的变化。用户自己用自然语言构建了分析路径，自己设定了维度和权重，自己选择了要交叉验证的变量。Agent的建议是在用户的框架里长出来的。

"我参与了探索"这个心理事实，会大幅改变用户对不确定性的容忍度。

这不是什么高深的行为经济学——你自己做的菜即使咸了，你也不会摔碗骂厨子。因为你自己就是厨子的一部分。不确定性不再被感知为产品缺陷，而被接纳为正常的专业探索过程。用户和工具的关系，从"买卖"悄悄滑向了"共谋"。

这也解释了为什么纯Agent服务——那种"你问我答"的独立AI顾问——很难独立活下来。它缺少用户参与的锚点。用户没有投入，就没有宽容；没有宽容，60%的置信度就是不及格；不及格，就没人续费。

而嵌在确定性工具里的Agent，天然拥有这个锚。用户在工具里构图、调参、设边界，每一步操作都在积累心理投入。当Agent的建议从这个框架里生长出来时，信任成本指数级下降。

这或许是整件事中最反直觉的部分：让AI变得值得付费的关键，不是让它更准确，而是让用户更深地参与它的不准确。

当"快速排除错误"本身成为商品

回到那个采购评审会。如果供应商换一种说法呢？

不说"我们的系统能给出最优选址方案"，而说："你的团队过去评估一个选址方案需要三天。用我们的系统，一天可以排除十个不靠谱的选项。最终拍板的还是你的专家，但Ta们不再需要把时间浪费在显而易见的盲区上。"

这句话改变了交易结构。采购标的不再是"一个正确的结论"，而是"一种探索能力"。财务口径也随之转换——从CapEx（买一个确定的功能）滑入OpEx（买一种持续的认知带宽）。同样一笔钱，走"咨询与研发预算"而非"软件IT预算"，审批逻辑和容忍度截然不同。

更聪明的组织已经开始把不确定性本身制度化。不是买一个"给出唯一真理的Agent"，而是部署一套对抗式网络：一个Agent负责乐观假设，另一个负责悲观证伪。决策者采购的不是答案，是一场内部沙盘推演。正如法庭——我们无法事先确定真理，但只要控辩程序是确定的，裁决就能被接受。

快速排除错误选项，本身就是一种巨大的确定性价值。 当决策者意识到这套"不确定"的系统能让试错成本降低一个数量级时，结论本身不确定这件事，就变得可以接受了。

锚与帆

你不会买一艘没有锚的船——那是危险的漂泊。也不会买一艘没有帆的船——那是昂贵的停滞。

未来的软件不是工具，也不是谋士。它是一艘船。确定性为锚，不确定性为帆。 锚让人敢掏钱，帆让人真获益。

但我这篇文章真正想说的，可能不是软件形态的演化，而是一种更深处的关系变化——用户和工具之间的关系，正在从"我买你的功能"变成"我和你一起探索"。这个位移一旦完成，付费悖论就不再是悖论。

因为人们从来不会拒绝为自己参与的冒险买单。Ta们拒绝的，只是为别人的黑盒承担后果。

上周我写了一篇文章，说GIS从业者面对AI时的那种茫然感，本质上是认知层面失去了坐标参考系。文章发出来之后，收到两份私信：

一个说"你写得对，但你没给解药"。

另一种更直接："道理我都懂，你给我看个具体的。"

想想也是，大道理说了一箩筐，不如来点实在的。罗胖老师常说：一具体就深刻。这周我就给具体的。

今天下午发生的事

上周末我打开QGIS，准备做一张全国地级市GDP分级地图，一张霸王茶姬全国分布图，还有几家门店的辐射范围图（简单buffer）。手边有几样东西：一份整理好的全国345个地级市十年GDP的Excel表格，一份地级行政区矢量底图，还有霸王茶姬门店的分布列表，同样也是Excel的。

这种活儿我做过无数遍了。流程烂熟于心：加载矢量图层，转换Excel，再导入CSV，字段关联，设置分级渲染，选色带，调断点，出图。每次大概要二十分钟到半小时，取决于数据脏不脏、要不要重投影。

但这次我换了一种做法。

我写了三个脚本，让本地跑着的大模型替我干了三件事。整个过程，从写脚本到地图渲染完毕，没有打开任何一个工具箱对话框。

这不是什么"AI重构工作流"的宏大叙事。就是三件小事，三步台阶。

第一步：别再手查EPSG了

GIS从业者有一个共同经历：你拿到一份经纬度数据，要做缓冲区分析，第一件事是什么？

投影转换。从WGS84转到一个以米为单位的投影坐标系，否则buffer出来的是个椭圆。

问题是——转到哪个投影？

如果数据在北京，你可能条件反射地知道是UTM 50N，EPSG:32650。但如果数据在乌鲁木齐呢？在昆明呢？在海口呢？

大多数人的做法是打开搜索引擎，输入"昆明 UTM zone"或者"EPSG 云南"，然后在一堆结果里找到那个六位数编号，复制，粘贴到QGIS的重投影对话框里。

这件事每次花两分钟。一年做一百次，三个小时就这么没了。

现在的做法：脚本里嵌了一个本地大模型调用。你只需要告诉它"这份数据在云南"，模型返回一个EPSG编号，脚本自动验证这个坐标系是否有效，然后直接执行重投影。

整个过程三秒钟。其实关键就是把那些拿不准的，没有提前准备好的答案转给一个大模型的API。实在是简单（模型随便，我选了个免费的）：

代码只有一个函数。它问模型一个问题："这个地区最适合用什么投影坐标系？只输出EPSG编号。"模型回答，正则提取，验证，完事。模型不可用？兜底用UTM 50N，也不会崩溃。

这就是上周文章里说的"低惊讶闭环"。你不需要理解Transformer架构，不需要知道什么是temperature和top_p，你只需要知道：有一个东西能帮你查EPSG，而且比你自己查更快。

第二步：一键从Excel到地图

第二个场景更日常。

假设你手头有一份品牌门店数据的Excel，里面有经纬度、营业状态、门店名称。你想把它加载到QGIS里，按营业状态过滤，在地图上显示为彩色散点。

传统做法是什么？

打开Excel，另存为CSV。加载CSV到QGIS，设置X/Y字段，选坐标系。然后打开图层属性，进入符号设置面板，选一个颜色——等等，这个品牌的主色调是什么？瑞幸是蓝色还是灰色？霸王茶姬是红色还是棕色？打开浏览器，搜索"瑞幸咖啡品牌色"，找到一个十六进制色值，复制，粘贴到颜色选择器里。

现在的做法：脚本从Excel文件名自动提取品牌名，调用本地大模型获取品牌主色调，自动匹配经纬度列，自动过滤营业状态，一键生成带品牌色的点状符号图层。

模型在这里做的事非常简单：你告诉它"瑞幸咖啡"，它告诉你"#0078D4"。就这样。脚本里预置了二十个常见品牌的颜色缓存，命中缓存连模型都不用调。只有遇到不认识的品牌才会问模型。

以及是不是做Draw Effect，stroke的line多粗多细，你都可以设置默认或者自动智能化的。

有人可能会说，这不就省了查颜色那三十秒吗？

不只是三十秒。关键在于流程连续性。原来从"拿到Excel"到"看到地图"之间有六七个手动步骤，每一步都可能被打断——列名不对、坐标系没选、颜色不满意。现在是一个入口进去，一张图出来。你的注意力始终在 "数据本身"，而不是在"工具怎么操作"。

第三步：让AI帮你挑色带

第三个脚本是这次折腾时间最长、但效果最好的一个。

做分级色彩地图时，每个GIS从业者都面对过这组选择题：

• 分几级？5级？7级？10级？
• 用什么分级方法？自然断点、等间距、分位数？
• 用什么色带？红黄？蓝绿？光谱色？

这些选择没有标准答案。取决于数据分布、取决于你想表达什么、取决于审美偏好。大多数人的做法是反复试：选个色带，看看效果，不满意，换一个。有时候调到凌晨三点，就为了让深色底图上那些面状色块既能区分，又不刺眼。

现在的做法：脚本先统计数据的分布特征——均值、中位数、偏度、四分位数——然后把这些统计量丢给本地大模型，附带一句你的偏好，比如"绿色系，10级，等间距"。模型看完数据后，输出一个分级方案，包含方法、级数、色带名称和一句理由。

我测试了一下2024年全国344个地级市的GDP数据。数据偏度3.53，极度右偏——少数城市GDP极高，大量城市集中在低区间。

当我什么偏好都不给的时候，模型推荐了Jenks自然断点、5级、黄到红色带。理由是"右偏分布适合自然断点，暖色调渐变适合单一指标的量级展示"。

当我输入"绿色系 10级 等间距"的时候，模型直接尊重了我的要求，选了Greens色带、10级、等间距。理由是"尊重用户明确要求"。

当我什么都不说只选了2025年的时候，模型推荐了Jenks自然断点、7级、紫色系。理由是"数据呈右偏分布，Jenks算法能识别数值聚类特征，配合7级紫色系色带可清晰展示层级差异"。

三次都不一样。三次都说得出道理。而且整个过程里，我没有打开过一次"符号"面板。

台阶，而不是天梯

回到上周的话题。

上周说的是，GIS从业者面对AI时的阻力，不是因为懒或者固执，而是因为认知落差太大——那个空白输入框，就像一个没有坐标参考系的空间。

这周做的三个脚本，本质上是在做一件事：把那个空白输入框变回GIS从业者熟悉的操作面板。

不需要你知道怎么写prompt。不需要你理解模型背后的原理。你只需要运行一个脚本，它问你两个你本来就知道答案的问题——数据在哪个省？你想要什么颜色？——然后帮你把从前需要手动操作十分钟的事情在三秒钟内完成。

这就是我说的台阶。

不是从地面直接跳到楼顶的天梯，是一步一步、每步都踩得到的台阶。你脚下踩的还是GIS——QGIS还是那个QGIS，投影还是那个投影，分级渲染还是那个分级渲染——只不过中间有些步骤被模型接管了。

而且是本地模型。跑在你自己机器上的，不传数据、不用付费、甚至不要联网（Ollama本地模型测试也都OK）。QGIS的Python控制台就能运行，不需要装任何额外的软件。

一个更深层的变化

不过我觉得最值得说的，不是效率提升本身。

是使用过程中出现的一种微妙的变化：你开始用自然语言思考GIS操作了。

以前你的思维路径是：打开工具箱 → 找到"重投影"工具 → 选源图层 → 选目标坐标系 → 运行。这是一个工具驱动的路径，你的思考跟着界面走。

现在的路径是：我想把这份数据转到适合云南的投影。说完这句话，事情就发生了。

这个变化看起来很小。但它意味着一个根本性的转向：从"我要怎么操作工具"变成了"我想对数据做什么"。

工具在退向后台。意图在走向前台。

上周文章的结尾，我说分水岭不在"会不会AI"，而在"面对不确定性时能不能用最小成本迈出一步"。

这三个脚本，就是最小成本的那一步。

它们不完美。匹配算法遇到"巴音郭楞蒙古自治州"和"巴音郭楞州"的时候需要查找表兜底。大模型有时候思考太久、JSON被截断，需要把超时时间拉长。数据缺口需要额外一轮搜集。

但它们跑起来了。地图渲染出来了。而且下一次再做同样的事情，不需要重新开始——脚本在那里，模型在那里，你只需要改一个Excel路径。

上周结尾我说，试着今天就问AI一个你工作中的小问题，只一个就够了。

这周我想把这句话说得更具体一点：那个"小问题"不用找，它就在你每天的琐碎工作里。

你每次查EPSG编号的那两分钟，是一个小问题。你每次从Excel另存CSV再手动加载的那五分钟，是一个小问题。你每次在色带列表里反复切换、对比、拿不定主意的那十分钟，也是一个小问题。

这些小问题太小了，小到你从来不觉得它们是"问题"——它们只是工作的一部分，是你早就习惯的操作成本。

但它们加在一起，就是你和AI之间最短的那段距离。

因为它们足够小，所以试一次不会有任何风险。因为它们足够日常，所以你不需要专门腾出时间"学AI"——下次做这件事的时候，顺手试一下就行了。

不需要全部三个脚本。就从最简单的那个开始。

然后你会发现，原来这件事真的没那么复杂。

霸王茶姬的2025年报，看起来真不亮眼，已经有很多分析师看的比较悲观了。

有个数字，可能会超出大多数人的预期。

根据极海品牌监测的数据，截至2026年3月，霸王茶姬的正常营业门店，覆盖了全国356个城市（含海南的县级市/兵团师/湖北和河南的直管市），几乎穿透了中国城市体系的每一层。要知道，传统意义上中国总共也就333个地级行政区。霸王茶姬没覆盖的地级城市唯五：三沙、临夏、黄南、海北、果洛。

这意味着，如果你打开地图，在中国地图上随便点一个能叫出名字的城市，大概率能找到一家霸王茶姬。这已经不是一个"网红品牌"可以解释的规模了。更像是一张毛细血管网络，悄悄地长进了中国城市体系的每一层。

扩张：一道陡峭的数学题

先看速度。2021年，霸王茶姬全年新开了439家门店。到了2024年，这个数字变成了3184家。

三年，扩张倍率7.3倍。

如果把月度开店速度拉出来看，更直观。2024年有几个月，单月新开超过350家——差不多每天12家。这个密度，在整个新茶饮赛道里都算头部水平。

但速度只是硬币的一面。真正有意思的是，这些新店开去了哪里。

下沉：不是一线的游戏

很多人的印象里，霸王茶姬是写字楼和商场里的品牌。但数据讲的是另一个故事。

在6896家正常营业门店中，新一线城市占了25%，二线城市22%，三线城市18%。一线城市只占11%，排在第五位。

更值得注意的是三线及以下城市的渗透——三线、四线、五线加起来，占全部正常营业门店的40.8%。

这个比例说明了什么？霸王茶姬的主战场，不是北上广深的精品咖啡馆隔壁，而是中国的腰部城市。成都、杭州、重庆、苏州、武汉、昆明——这些新一线和二线城市才是它的核心根据地。它的根，扎在中国消费市场最厚实的中间层。

均衡：32个省都有它

不止是城市级别均匀，地理分布也出奇的均衡。

全国32个省级行政区都有霸王茶姬的门店。广东、浙江、江苏领跑，但云南、贵州、广西这些西南省份同样进入了前列。这和很多连锁品牌"东强西弱"的格局不同。霸王茶姬从云南起家，西南市场的基因一直很深，而它同时又成功地在东部和华北市场站住了脚。

这种"既能打发达市场，又能深耕下沉市场"的均衡布局，在茶饮行业里并不多见。

头部城市：密度够深

看一个结构性指标——头部城市的密度。

上海302家、成都217家、杭州195家、重庆185家、深圳170家——TOP5城市合计1069家，占全国15.5%。TOP10城市合计1771家，占25.7%。

这个集中度比较健康。它没有像一些品牌那样把大量门店堆在一两个城市里（比如Popeyes 95%在上海），也没有过于分散到无法形成品牌密度。头部城市有足够的密度撑起品牌势能，同时尾部的356个城市又保证了全国性的覆盖。

这种"头部密、尾部广"的结构，是连锁品牌最理想的门店网络形态之一。

存活：88%仍在营业

快速扩张的品牌，最容易被问的一个问题是：开得快，活得久吗？

数据给出了一个还不错的回答。

在全部8045家历史门店中，6896家正常营业，219家暂停营业，930家已关闭或移址。存续率88.4%，关闭率11.6%。

过去24个月的存续门店增长曲线几乎是一条持续上行的线。即便考虑了关店的影响，净增依然是正向的。对于一个三年内开了近6000家新店的品牌来说，能保持近九成的存活率，本身就是门店模型可复制性的证明。

而且，2026年以来，关店速度明显放缓。前一年（2025年）关了608家，但今年截至3月只关了56家。如果这个节奏持续，说明最激烈的"换血期"可能已经过去。

不是结论

这篇分析没有讲霸王茶姬的利润，也没有讨论它在价格战里的姿态。因为这些数字讲的是另一个维度的事情——

一个品牌，用了不到五年的时间，把门店网络铺到了全国356个城市，覆盖了从一线到五线的每一个层级，在32个省份都站住了脚，并且在这个过程中保持了近九成的存活率。在海外的门店，什么时候能拓展到世界的各个角落，也值得期待。

这不是一个关于"卖奶茶"的故事。这是一个关于"如何用门店网络占领一个国家的消费地图"的故事。至于这张地图最终能值多少钱，得看下一步——它能不能把扩张阶段烧掉的弹药，变成每一家店的持续盈利能力。

这段时间，我一直在注意一件事。

GIS圈子里，很多人对AI的态度呈现一种奇怪的分裂：一边焦虑得不行，刷遍了各种"AI颠覆测绘行业""大模型+遥感"的推文；一边又迟迟没有真正动手，连GPT/龙虾的对话框都没认真用过几次。其实别的圈子也都这样。

不是不想学。收藏夹里躺着几十篇教程，B站"稍后再看"列表越来越长。但每次打开一个AI工具，盯着那个空白输入框，脑子里浮现的念头是——"我该问什么？""我问的会不会很蠢？""这玩意儿跟我日常的空间分析有什么关系？"

然后关掉页面，回到ArcGIS Pro继续手动配符号。

这个现象被大多数人解读为"学习动力不足"或者"对新技术不够开放"。

但在这里需要再琢磨一下，真的是这样吗？一个能记住一大把EPSG代码的人，你跟我说Ta缺乏学习能力？

问题不在好奇心，不在能力，甚至不在意愿。问题出在一个被严重低估的机制上。

你的大脑在做风险管控

神经科学里有个概念叫自由能原理（Free Energy Principle）。说人话就是：人的大脑本质上是一台预测机器，它的核心任务不是"理解世界"，而是减少意外。

每当你接触一个新事物，大脑会飞速评估：这东西跟我已有的认知模型差距有多大？如果差距适中——比如你已经会Python，有人告诉你可以用Python调用大模型API做地物分类——大脑会觉得"有点新鲜但能消化"，于是产生好奇心，愿意探索。

但如果差距太大——比如你是一个用了十五年MapGIS的老测绘人，突然被要求理解什么是Transformer架构、什么是Agentic Engineering，什么是Harness——大脑的反应不是好奇，而是威胁警报。

这不是比喻。是字面意义上的威胁警报。杏仁核激活，皮质醇分泌，和你走夜路听到身后有脚步声时的生理反应，属于同一套系统。

所以那些迟迟不动手的GIS从业者，不是懒，不是固执。Ta们的大脑正在执行一个完全理性的操作：面对过大的认知落差，选择回避以保护现有的专业自信。

这像什么呢？想象你是一个精通beijing54/xi'an80的大地测量工程师，突然被扔到一个完全没有坐标参考系的空间里。没有基准面，没有椭球体参数，连"北"在哪儿都不确定。你的第一反应不会是"太酷了让我探索一下"，而是本能地想退回到有参照的地方。

练习使用AI解决现实工作问题时的那种茫然感，本质上就是认知层面的失去坐标参考系。

问题不在你，在那个空白输入框

现在把视角转一下。

你有没有想过，为什么GIS软件你能用得很溜？ArcGIS也好，QGIS也好，SuperMap也好，它们的界面设计都遵循一个逻辑：给你明确的选项。工具箱是分类的，参数是有默认值的，流程是有模板的。你不需要从零开始发明分析思路，而是在已知框架里做选择题。

界面意味着有明确的选项

但今天绝大多数AI产品给你的是什么？

一个空白的对话框，加一行"有什么可以帮你的？"。

这是一道没有选项的主观题。而且连题干都没给全。

说实话，这个设计对于已经熟悉AI的人来说是自由，对于新手来说是暴力。它假设用户已经知道自己想要什么、知道怎么描述需求、知道AI能做什么不能做什么。但对于一个每天在跟矢量数据和栅格影像打交道的GIS工程师来说，这些前提一个都不成立。

类比一下：这就好比把ArcGIS Toolbox里所有600多个工具的界面全部去掉，只留一个命令行窗口，告诉你"想做什么就输入吧"。哪怕你是GIS老手，面对这个界面也会愣住。

所以问题的根源浮出来了——不是人跟不上技术，是技术没有为人搭好台阶。今天AI行业喊着"人人都能用AI"，但产品设计仍然停留在"让人适应工具"的阶段，而不是"让工具适应人的认知节奏"。

GIS行业其实经历过类似的阶段。还记得吗？早期GIS全靠命令行操作，ARC/INFO时代能用的人凤毛麟角。后来有了图形界面，有了拖拽式模型构建器，用户量才爆发。降低认知门槛，从来都比提升工具性能更能推动普及。

每天一个"低惊讶闭环"

那怎么办？

不是"克服恐惧拥抱变化"这种正确的废话。而是一个非常具体的策略：把你和AI的每次交互，控制在"低惊讶"范围内。

什么叫低惊讶？就是你已有的知识能覆盖80%，只有20%是新的。

具体到GIS从业者，这意味着——别从"用AI重构你的整个工作流"开始，从你最熟悉的任务开始。

比如你每天都在写空间查询的SQL语句？试试把你的需求描述丢给AI，看它生成的SQL跟你写的有什么不同。你每周都要出一份制图报告？试试让AI帮你润色图例描述的文字。你经常需要查某个坐标系的EPSG代码？让AI当你的即时查询工具。

每次只做一件小事。不追求"掌握AI"，只追求"这次对话居然有点用"。

这个策略背后的逻辑是：每一次成功的微小交互，都在悄悄校准你大脑里的预测模型。你的大脑会逐渐学到——"AI不是一个需要重新学习的庞然大物，它是我现有工作流里可以插入的一个节点。"认知落差在缩小，威胁感在下降，好奇心自然会浮现。

好奇心不是点燃的，是在安全感充足之后自己长出来的。

真正的分水岭

最后我想说一个可能让人不太舒服的判断。

未来几年GIS行业会出现一条分水岭，但这条线不画在"会AI"和"不会AI"之间。会用ChatGPT写个Python脚本，这不算什么护城河，很快人人都会。

分水岭画在另一个地方：面对不确定性时，你是选择僵住，还是能用最小成本迈出一步。

这不是性格问题。这是一种可以训练的能力。自由能原理告诉我们，大脑的预测模型是可以更新的，前提是你给它足够多的"低成本正反馈"。

有些人已经开始了。不是因为Ta们更聪明或者更勇敢，而是因为Ta们偶然间完成了一次成功的微交互——也许只是让AI帮忙解释了一段报错信息——然后发现：原来这件事没那么可怕。

所以如果你现在还卡在"知道该学但就是没动手"的状态里，别责怪自己缺乏行动力。

试着今天就问AI一个你工作中的小问题。

只一个就够了。

蔡女士愿意接受低薪，愿意少休息，愿意从零学裱花。她唯一的"问题"是：北京户口。

多名HR前期聊得热络，一听户籍，集体失联。后来新HR主动联系，她追问原因，得到一句干脆的回答——"不考虑北京本地人"。

这不是个例。潇湘晨报记者暗访，自称湖南人，想带北京朋友一起入职。招聘人员秒回：你可以，朋友不行，公司统一规定。记者亮出身份的瞬间，对方翻脸比翻书还快：没有户籍限制，可能是求职者自身能力问题。

三秒钟，从"统一规定"到"查无此事"。

这个180度的转弯本身就是最有力的证据。如果规定不存在，何必如此慌张？

但先别急着愤怒。一家在北京起家、靠北京消费者养活、门店高度集中在华北和长三角的连锁品牌，为什么会系统性地排斥本地劳动力？ 愤怒之后，更值得拆解的是这背后那套冰冷的用工算术。

先看看味多美是一张什么样的网

要理解"不招本地人"的潜规则，得先看清味多美到底在什么样的战场上打仗。

👉 点击访问味多美全国门店交互式地图

可缩放查看分省分市门店分布、关店率和营业率数据。

极海品牌监测数据显示，截至2026年4月，味多美在全国共监测到516家门店，其中正常营业340家，关闭174家，覆盖7个省级行政区、9个城市。从行政区划看，这是一张高度聚焦的网络——不是撒胡椒面式的全国扩张，而是围绕京津冀和内蒙古包头市密集布点。

数据来源：极海品牌监测，统计日期2026-04-01

从城市维度看，这种聚焦更为明显。门店数量最多的城市依次是北京、上海、包头、廊坊、杭州。其中北京、上海两座一线城市就撑起了味多美门店网络的绝对大头，包头作为三线城市却意外地挤进了前三——这背后可能反映着味多美的区域深耕策略，也可能暗藏着下沉市场扩张的试探。

数据来源：极海品牌监测，统计日期2026-04-01

这张网络最醒目的特征，是它极端依赖高线城市，或者说就依赖北京。 按城市能级划分，当前正常营业门店中，一线城市占74.1%，新一线占19.1%，二线占5.3%——三者合计93.5%。换句话说，味多美几乎把所有筹码都押在了消费力最强、竞争最激烈、成本最贵的城市层级上。

数据来源：极海品牌监测，统计日期2026-04-01

把镜头拉近到省级市场，格局更加清晰。北京、上海、河北、内蒙古、江苏、陕西、浙江七省市区构成了味多美的全部版图。其中北京一省就集中了近六成门店，河北、内蒙古作为环京市场承接了外溢需求，上海、江苏、浙江则是独立的长三角据点。

数据来源：极海品牌监测，统计日期2026-04-01

这意味着什么？味多美的生意模型，是建立在高成本城市的高密度覆盖之上的。 它不是一家靠下沉市场走量的企业，而是一家必须在一线城市打赢每一场巷战的企业。

不招本地人，是歧视，也是一道成本题

说实话，味多美不是孤例。在连锁餐饮、零售、烘焙行业，"不招本地人"是一条流传已久的潜规则。只不过大多数企业把这句话咽在肚子里，味多美的HR说漏了嘴。

这条潜规则的底层逻辑，不是地域偏见，而是一套关于"可控性"的管理偏好。

一个外地来北京的裱花学徒，大概率租房，月租两三千，生活成本是硬约束。这意味着：她更难说走就走，更能接受加班，更不容易因为"今天不想上班"请假。她的生存压力就是企业的管理杠杆。

换成北京本地人呢？有房住，有退路，家人在身边。用管理层的话术说，叫"稳定性差"；翻译成人话就是——这个人不够"好捏"。

这是一种精心计算过的脆弱性筛选。企业不是在挑能力，而是在挑处境。它需要的不是最合适的员工，而是最没有议价能力的员工。

连锁烘焙的商业模型强化了这种倾向。前面说过，味多美93.5%的门店集中在一二线城市——也就是房租最贵、人力成本最高的地方。一家购物中心里的味多美门店，租金可能占到营收的25%以上。在这种成本结构下，人力成本不是"可以优化的项目"，而是"必须压到极致的变量"。

不招本地人，本质上是把"员工的生存焦虑"折算进了用工成本。这不写在任何制度文件里，但每一个HR都心知肚明。

这张网正在漏气：过去24个月的收缩轨迹

但等等，这套算术有一个致命的漏洞。

翻开过去24个月的经营数据，味多美的问题不是增长放缓，而是存续门店池已经开始回缩。

数据来源：极海品牌监测，统计日期2026-04-01

按未关闭口径统计，味多美的存续门店从2024年初的354家，一路波动下降到2026年初的342家，净减少12家。对一家成熟连锁来说，这不是"增速放缓"，而是网络结构本身在收缩。

更值得关注的是开关店的节奏。过去两年里，味多美并非没有开店——它有进有出，但出的速度正在赶上甚至超过进的速度。

数据来源：极海品牌监测，统计日期2026-04-01

门店网络一旦开始回缩，性质就变了。它不再只是新店少开几家，而是旧的网络结构不再自洽。像渔网一样，过去靠加密提升效率；现在有些结点自己松了，新开的店补不上已经断开的那一段。

这种收缩不是从边缘市场开始的。查看关店分布，北京、上海依旧是关闭门店最集中的区域——北京关闭了48家，上海关闭了37家。这些过去最像门面的地方，如今成了最先松动的节点。

数据来源：极海品牌监测，统计日期2026-04-01

从城市维度看，关店分布同样指向核心市场。一线城市贡献了绝大多数关闭门店，深圳、西安等新一线城市也未能幸免。

数据来源：极海品牌监测，统计日期2026-04-01

这意味着什么？味多美不是在边缘市场失血，而是在过去最体面的市场里先出血。 很多人以为高线城市等于确定性，实际上它更像一种借来的稳定。一旦客流、客单和翻台率不能继续覆盖高成本，最先出问题的往往不是最弱的门店，而是最贵的门店。

一边收缩，一边还在押注高线

真正令人困惑的是收缩的方向。按常理，当高线城市成本承压，企业应该转向下沉市场寻求新的增量。但味多美的数据呈现的却是另一幅图景。

过去24个月新增且仍存续的门店里，一线和新一线城市占比高达86.7%。也就是说，即便在存量收缩的背景下，味多美依然没有放弃对高线城市的押注。

数据来源：极海品牌监测，统计日期2026-04-01

一边是越来越贵的城市、越来越高的租金，一边是越来越窄的招聘漏斗。 它在最贵的地方开店，却只愿意雇最便宜的人。这道题的解，正在变得越来越脆弱。

过去十年，这套模式能跑通，是因为中国城市化的巨大势能——每年有大量年轻人涌入北京、上海，愿意接受低薪、长时间工作，换一个"在大城市立足"的机会。企业不需要提供有竞争力的薪资，不需要完善的培训体系，甚至不需要基本的尊重，因为永远有下一个人在排队。

但这个前提正在松动。2023年以来，北京常住人口连续下降。年轻人开始回流二三线城市，外卖骑手和直播带货分流了大量服务业劳动力。连锁餐饮的招聘难度肉眼可见地上升——不是招不到人，而是招不到"那种人"：没有退路、高度服从、随叫随到的人。

味多美的招聘歧视，表面上是傲慢，骨子里是恐慌。当劳动力的买方市场悄然转向，企业没有调整自己的管理能力和薪酬结构，而是死守那套"筛选弱势者"的旧剧本。 不招北京人，不是因为北京人不能干活，而是因为企业的管理系统只会管理"没有选择的人"。

这才是真正的危机。

场景密码：消费端和用工端的割裂

如果把门店放在具体的生活场景里看，这套模型的矛盾会更加刺眼。

极海品牌监测对可识别场景标签的统计显示，味多美94.1%的门店开在购物场所、住宅区和办公区三类高频场景里。其中购物场所占比最高，住宅和办公场景紧随其后。

数据来源：极海品牌监测，统计日期2026-04-01

这意味着什么？走进味多美买面包的人，和被味多美拒之门外的求职者，很可能是同一群人。

一个住在朝阳区的北京女孩，可能在周末去家附近的味多美买早餐；但如果她想应聘裱花学徒，HR可能在看到简历上的"北京市朝阳区"时就点了删除。蔡女士买得起味多美的蛋糕，但做不了味多美的蛋糕。

这种割裂不止属于味多美。它是整个服务业的一面镜子：消费端追求本地化、社区化、亲近感，用工端却在系统性地驱逐本地人。 品牌叙事里强调"扎根北京"，招聘实践中却把北京人当作风险因子。

把视角拉回北京本地，门店密度的分布也很有趣。海淀、朝阳、大兴、丰台这些区仍然撑着主要在营网络，密度最高的区域往往也是房租最贵的区域。

数据来源：极海品牌监测，统计日期2026-04-01

密度高，意味着离消费者近；也意味着离房租、竞争者和经营波动更近。在这些地方，"可控性"的偏好会被放大到极致——因为成本压力是真实可感的。

一次翻车暴露的组织病

味多美的回应堪称教科书级别的反面案例。3月25日，官方把锅甩给"个别HR表述不当"。但暗访录音白纸黑字写着"公司统一规定"，大量网友在评论区晒出同样的经历，有些可以追溯到好几年前。

"个别HR"这四个字，本身就是一种组织性的谎言。

这种危机公关的失败，根源不在公关部门的能力，而在企业对自身问题的认知。味多美大概率真的没有一份写着"不招北京人"的红头文件。但它有一种比文件更顽固的东西：默契。

HR们不需要被明确告知，他们在日常工作中自然形成了这个筛选标准——因为招了本地人"不好管"，因为上一个本地人"干了两周就走了"，因为店长抱怨过"本地人事儿多"。这些碎片化的经验汇聚成一条不成文的规则，比任何制度都坚固。

当一家企业说"这是个别行为"时，它真正在说的是：我们的系统性问题已经内化到了每个人的本能反应里，以至于不需要任何人下达指令。

这比一纸明文规定更可怕。因为明文规定可以撤销，而默契只能靠组织文化的彻底重建来打破。

面包卖给所有人，工作只给"对的人"？

一个更尖锐的问题浮出水面：当企业的盈利模型建立在"雇佣最脆弱的人"这个前提之上时，它到底是在做生意，还是在做套利？——利用信息差、利用生存压力、利用人与人之间处境的不平等，从中榨取那一点点管理成本的差额。

味多美的门店网络数据给出了它的答案。516家门店，340家在营业，93.5%压在高线城市，94.1%扎进消费场景，过去24个月净减少12家。这是一张正在承压的网络，而"不招本地人"的潜规则，不过是压力外溢的一个小小切口。

招聘歧视事件暴露的，不只是味多美一家企业的用工偏好。它撕开的是整个连锁服务业的底裤：当"效率"被简化为"可控性"，当"成本优化"被等同于"筛选弱势者"，企业就失去了适应劳动力市场变化的能力。

味多美的这场风波终究会过去。热搜会消退，蔡女士可能会找到别的工作，门店照常卖面包。但那套用工算术不会自动消失。它只会换一种更隐蔽的方式，继续筛选着谁有资格站在操作台后面。

下一个被拒绝的人，可能连被拒绝的理由都听不到。

OpenClaw火了。朋友圈里一半人在晒安装截图，另一半人在问"装好了，然后呢？"

这个"然后呢"才是真正有意思的部分。一个号称能自动化一切的Agent工具，装机量暴涨，但大量用户的使用轨迹惊人地一致：花两小时装好，玩二十分钟Demo，关掉，再也没打开过。

问题出在哪？不是工具不行。ChatGPT刚出来那阵，多少人注册完也是同样的迷茫——"它什么都能干"恰恰等于"我不知道让它干什么"。但ChatGPT后来活下来了，靠的不是功能迭代，而是一小撮人把它绑定到了自己每天必须交付的真实任务上。

OpenClaw面对的是同一道坎，只不过更陡。因为它不只是"对话框里聊两句"，它要求你把工作拆成动作链、把流程变成指令序列。这件事的前提是——你得先知道自己的工作到底由哪些动作组成。

而绝大多数职场人，对自己每天在干什么这件事，模糊得惊人。

你不是不会用工具，你是看不见自己的手

一个GIS工程师的典型一天：开会、改脚本、查报错、整理数据、写邮件、补周报、跟客户对需求。问Ta "哪些可以用AI替代"，Ta 会愣住。不是因为没有可替代的部分，而是这些动作已经变成了肌肉记忆的连续体，Ta 从未把它们一个个拆开看过。

这就像让一个老司机描述"踩离合的同时右手挂挡左脚松刹车"的精确顺序——Ta 做得行云流水，但说不出来。

工具落地的第一个障碍，不是学习成本，而是自我观察的成本。

大部分人试用AI工具的方式是"想一个场景去试"。这是倒的。正确的顺序是：先盯着自己干一天活，记下每一个让你产生"烦"这个情绪的瞬间。那些瞬间才是入口。

不是"AI能干什么"这个问题重要，是 "我每天重复做的、讨厌做的、做完觉得不值得亲手做第二次的动作是什么" 这个问题重要。前者让你变成工具的观众，后者让你变成工具的用户。

最小的虾，最先养活

说一个反直觉的判断：越小的任务，越适合先交给AI；越大的流程，越应该最后才碰。

多数人的本能是反过来的。装好OpenClaw，第一个念头是"我能不能让它自动跑完整个数据处理流程"或者"能不能自动生成完整的客户方案"。这就像刚拿到驾照就想跑川藏线——不是不行，但大概率会把车开进沟里，然后得出"开车不靠谱"的结论。

真正能养活的第一只虾，往往小到不起眼。

一个会议纪要。 开完会，把录音或者笔记丢进去，让它先出一版行动项清单。你扫一眼，改三处，发出去。省了二十分钟，而且——关键来了——你明天还会开会。 这意味着这只虾明天还能喂。后天也能。它不是一次性的烟花，它是可以日复一日重复的微循环。

一段报错日志。 GIS工程师每天都在跟报错打交道。把日志贴进去，让AI先列一个"可能原因排序+建议先查哪几个点"的清单。你不一定采纳它全部的建议，但它帮你省掉了从零开始回忆的那三分钟发呆时间。三分钟不多，但一天查五次错，就是十五分钟。一周就是一个多小时的发呆时间被回收了。

一条客户跟进记录。 销售跟完客户，微信里聊了二十条，电话里说了十五分钟。这些信息如果不当场整理成CRM格式，三天后就会变成"好像聊过但具体记不清了"。把聊天记录丢进去，让AI先抽出：客户背景、当前需求、预算信号、决策链、下一步动作。你核对一遍，存档。这个动作的价值不在于省了五分钟打字时间，而在于它让你从"我知道但没记下来"变成了"我有一份可追溯的记录"。

这些任务有几个共同特征：高频、低风险、规则清晰、做错了一眼能看出来、你本来就烦。满足其中三条以上的任务，就是你的第一批虾苗。

大模型和Agent的分界线，其实是"动词的数量"

这里有一个很多人混淆的问题：什么时候用ChatGPT就够了，什么时候才需要OpenClaw这样的Agent？

一个简单的判断标准：数你的需求里有几个动词。

"帮我润色这封邮件"——一个动词，大模型够了。 "帮我把这个文件夹里的十个Excel读出来，按区域汇总，标出异常值，生成一份摘要，存到指定目录"——五个动词，这是Agent的领地。

Agent的真正价值不是"更聪明"，而是 "能连续执行多个步骤"。它能打开浏览器、读本地文件、操作文件夹、调用API、按顺序串起来。这是对话框做不到的事。

所以对GIS和空间数据行业来说，Agent最甜的切入点不是"写一段更好的分析报告"，而是这种场景：从五个不同来源收到的CSV里，自动检查坐标是否越界、地址字段是否规范、行政区名称是否统一，然后把清洗结果输出到一个固定模板里。 这件事你以前可能写脚本做，但脚本要维护、要改、下次换个项目又要调。Agent的好处是你用自然语言描述一遍流程，它就能跑。跑得不对你再调。

但请注意，这是第四阶段的事，不是第一天该碰的。

副驾驶，不是无人驾驶

另一个容易掉进去的坑：期待AI给你终稿。

一上来就想"让AI写一份完整的选址方案发给客户"，结果发现出来的东西七分像三分歪，改起来比自己写还费劲。于是得出结论："AI不靠谱。"

不是它不靠谱，是你给它的角色设定错了。

更现实的定位是副驾驶：你给材料，它出初稿；你审核，你拍板。它不替你做决策，它替你完成从空白到草稿之间那段最痛苦的跋涉。

对工程师来说，这意味着：不是让AI从零写一个空间分析脚本，而是把你现有的ArcPy代码贴给它，说"加一个过滤条件""多输出一个统计项""增加异常值处理"。你有旧代码做锚点，它在你的基础上改，你一看就知道改得对不对。

对管理者来说，这意味着：不是让AI替你做项目决策，而是把团队七个人的日报丢给它，让它先归纳出"本周三个进展、两个风险集中点、一个需要你协调的资源"。你扫一眼就知道有没有遗漏。

对市场人来说，这意味着：不是让AI替你写爆款，而是把一个案例扔给它，说"给我一个公众号版、一个小红书版、一个销售朋友圈版"。你挑一个最接近的，在上面改。

这个"在上面改"至关重要。它把你的工作模式从"从零创造"切换成了"编辑和判断"。后者的认知负荷低得多，速度快得多，而且——说句得罪人的话——对绝大多数日常工作而言，质量差别并不大。

真正的卡点是触发机制，不是能力

我观察到一个有趣的现象：那些真正把AI用起来的人，几乎都不是"能力最强"的人，而是给自己设了固定触发点的人。

什么意思？就是Ta 们不靠"想起来就用"，而是把AI绑定在特定的工作时刻上。

开完会后，第一件事不是去倒水，而是把纪要丢进去。 跟完客户后，第一件事不是回微信群消息，而是把沟通记录整理了。 下班前，第一件事不是关电脑，而是让AI帮自己拉一版日报。

三个触发点，对应三个最小任务。不需要意志力，只需要条件反射。

这跟健身是一个道理。办了健身卡的人90%会放弃，但"每天到公司先做十个俯卧撑再开电脑"的人反而更容易坚持——因为触发点明确、动作极小、没有决策成本。

"翻译"才是这个行业最被低估的杠杆

最后说一个特别针对GIS和空间数据行业的观察。

这个行业有个独特的痛点：分析不难，翻译难。

热力图做出来了，怎么跟不懂GIS的客户高管解释？覆盖率分析跑完了，怎么变成一句PPT上能站住脚的结论？选址模型的权重设定完了，怎么让客户理解"为什么人流量的权重比租金高"？

工程师花80%的时间做分析，但真正决定项目能不能验收、客户满不满意的，往往是最后那20%的"翻译"工作。而这个翻译工作，恰好是大模型最擅长的事情之一。

你把一张缓冲区分析图的参数和结果描述给AI，让它输出三个版本：一个给技术团队看的精确版，一个给客户业务负责人看的决策版，一个给PPT配图用的一句话版。这件事AI做到七八十分毫不费力，而你自己做，可能卡在"怎么说人话"上耗半小时。

这不是偷懒。这是把你最稀缺的注意力从"遣词造句"释放出来，花在"判断这个结论对不对"上。 前者是文字能力，后者是专业判断力。你的不可替代性在后者，不在前者。

别去追"翻天覆地"

说到底，OpenClaw也好，Claude Code也好，codex也好，任何AI工具落地的真实路径都不是"某天突然效率翻倍"。它更像是——你每天的工作里，有三五个原本需要十分钟的小动作，现在变成了两分钟。

一天省出半小时。一周省出两三个小时。一个月下来，你突然发现自己有了一块以前从来没有过的空余时间，可以用来做那些"重要但不紧急"的事——想想业务方向、研究个新技术、跟团队深聊一次。

翻天覆地的变化不是某个戏剧性的瞬间，而是无数个"两分钟"的累积效应终于越过了一个阈值。

但这一切的前提，是你今天就挑出一个最小的任务，试一次。

不是明天。不是等更好的工具出来。不是等别人总结出最佳实践。

就是今天，就是手头这个让你皱眉的小活儿。

那就是你的第一只虾。

在线地图：https://xibei2026.kowa88.net/

很多人看到西贝这一轮调整，第一反应是它终于开始收缩了。这个判断不算错，但还停留在表面。真正值得追问的不是它关了多少家，而是它先关了哪里。按常识，最先扛不住的应该是低线市场、边缘城市、非核心商圈。可这次先松动的，偏偏是北京、上海、深圳、广州这些原本最像门面的地方。

这里的反差，才是问题的入口。一个长期依赖高线城市、核心商圈和购物中心来建立品牌势能的连锁餐饮，为什么最先出问题的反而是这些最像资产的地方？说白了，西贝现在面对的不是一次普通关店，而是一套高成本门店模型，开始和新的消费环境错位。

极海品牌监测数据显示，截至 2026-03-17，西贝莜面村共监测到 535 家门店，其中正常营业 307 家、关闭 200 家、暂停营业 28 家。过去24个月，按未关闭口径，存续门店从 359 家降到 335 家，净减少 24 家。对成熟连锁来说，这不是“增速放缓”，而是存续门店池已经开始回缩。

门店网络一旦开始回缩，性质就变了。它不再只是新店少开几家，而是旧的网络结构不再自洽。像渔网一样，过去靠加密提升效率；现在有些结点自己松了，新开的店补不上已经断开的那一段。

更有意思的是，西贝并没有真正离开高线城市。当前正常营业门店中，一线、新一线、二线城市占比高达 90.2%；近24个月新增且仍存续的门店里，一线和新一线占比仍有 59.6%。也就是说，它并不是突然转向下沉求生，而是在高线网络已经承压的时候，还被旧路径拖着往前走。

这也是大众最容易误判的地方。很多人会把这件事简单归因为消费降级。但如果只用这四个字解释，就像拿天气预报去解释一栋楼为什么漏水，方向不算错，问题却没说到结构。西贝更像是成本结构和消费环境发生了错位。它的大量门店压在购物场所、住宅区、办公区这三类高频场景里，三者合计占可识别样本的 91.3%。这些位置在顺风期能放大品牌势能，在逆风期也会放大租金、人工和商场扣点带来的压力。

再看空间分布，这套高成本网络的轮廓就更清楚了。门店最密集的省级市场集中在 北京市、上海市、广东省、江苏省、浙江省；门店最多的城市则主要是 北京市、上海市、深圳市、西安市、杭州市、成都市。这些地方过去是西贝最像样的资产包，现在却也最容易变成高固定成本的包袱。密度高，意味着离消费者近；也意味着离房租、竞争者和经营波动更近。

很多品牌一谈扩张，就以为门店越密越安全。但地图给出的答案更残酷。西贝的在营门店分布并不是均匀铺开的，而是沿着高消费城市和成熟城市群压出几条很实的带状网络。这样的网络在景气期像高速公路，在逆风期也可能像高架桥，造价高、维护贵、掉头慢。

再看关店分布，问题就更不像“普通收缩”了。公开报道里，西贝计划关闭 102 家门店，北京、上海、深圳、广州、杭州都排在前面。极海样本里的存量关闭分布也沿着同一条线走：北京、上海依旧是关店最集中的区域，而深圳、西安这样的高成本城市同样承压。换句话说，被修剪的不是边角料，而是原本最核心的门店带。

这件事真正反常识的地方在于，西贝不是在边缘市场失血，而是在过去最体面的市场里先出血。很多人以为高线城市等于确定性，实际上它更像一种借来的稳定。一旦客流、客单和翻台率不能继续覆盖高成本，最先出问题的往往不是最弱的门店，而是最贵的门店。

把视角拉近到北京，这个逻辑更具体。海淀、朝阳、大兴、丰台这些区仍然撑着西贝在北京的主要在营网络，但同一座城市里，密度已经不再天然等于安全。密度高能带来品牌露出，也会同步抬高运营门槛。说得再直白一点，密度既是护城河，也是成本放大器。

所以西贝真正要面对的，不只是关店之后如何止血，而是门店模型要不要重估。过去那种依靠高线城市、核心商圈和连锁密度来放大品牌势能的扩张方式，可能仍然能换来声量，却未必还能换来同样质量的利润。声量和利润，开始脱钩了。

这也是这篇数据最值得往外推一步的地方。今天很多连锁品牌的问题，并不在于还敢不敢开店，而在于它们是否愿意承认：有些过去最成功的门店逻辑，正在变成新的成本陷阱。西贝眼下最难的，可能不是收缩，而是承认旧地图已经不再好用了。

参考来源

• 极海品牌监测门店样本，统计日期 2026-03-17
• 空开的经营背景材料与公开报道摘要

OpenClaw 这只龙虾快满月了。

按正常节奏，热度早该退了——尝鲜的人折腾完，发现也没比 Claude Code 强到哪去，该回去的回去，该干嘛干嘛。归藏老师甚至做了一个在飞书里直接调 Claude Code 的框架，体验下来，说实话，更顺手。

但诡异的事发生了。大厂们像闻到血腥味的鲨鱼一样扑了上来。

腾讯、阿里、字节就不说了，minimax、智谱、kimi 这些天然有"让用户多烧 token"动机的公司纷纷下场，甚至小米、傅盛的猎豹，都打着"一键安装"的旗号冲进来。Windows 下装龙虾那个折腾劲儿，确实劝退了不少人，这些大厂等于帮用户把门槛一脚踹平。

等一下，这画面是不是有点眼熟？

各家争着帮用户更方便地……花钱？

我仔细想了想龙虾到底在干嘛——用你的电脑，调大模型的 API，执行你本来自己就能干的事。 大部分人电脑上的日常无非是腾讯会议、WPS 写总结、飞书钉钉对齐、微信聊天。剩下真能发挥空间的，就是写代码和做工具。而写代码，完全不需要龙虾。

那大厂为什么还疯了一样往里冲？

一个GDP任务，两种"干活"哲学

被这股热潮推着，我决定做个实验：同一个任务，先让 Manus 干，再让龙虾接。

任务不复杂：搜集 2025 年中国省市级最新 GDP 数据，排序、分析、做总结、讲故事，然后制作一张交互式地图。行政区划数据已经准备好了。

新建一个任务，参考你的 skill，搜索最新的中国省市级 2025 年 GDP。请排序，分析，做总结，讲故事，并在你的交互式报告中，使用 skill 的描述制作地图，行政区划数据已经准备好了，放在 railway 中的 China2024 schema 中

Manus 的表现怎么说呢——像一个能力很强但有点糊弄的实习生。 全网搜 GDP、做地图、写故事、制作报告、给 Slack 发消息，一条龙全干了。

但仔细一看地图，城市数量不够，有些数据明显是错的——太整齐了。 比如哈尔滨，6200亿，一看就是哪篇分析文章里的大概估算，不是官方数据。代价是 1400 多积分，一个月专业版的额度直接去了一半。

Manus 的问题很典型：它追求"交付感"，但不追求"准确性"。 活儿干完了，报告漂亮，消息发了，但数据经不起抽查。

然后龙虾登场。

我把龙虾的主模型换成智谱的 GLM-5，搜索换成 ollama web search——纯粹为了省钱，看看便宜模型能干成什么样。 同时接上了 Slack，既然都在那儿跟 Manus 沟通，索性让龙虾也加入群聊。

任务很明确：补全所有城市 GDP，核实 Manus 已有数据，自己判断从网上找来的数据哪个最真实。

龙虾的回复倒是干脆：好的！我来设计一个系统性的核实任务。

然后就没有然后了。

不催不动。 真像极了那种让人生闷气的员工——说得比谁都好听，但你不盯着，它就挂在那儿。

可能是机器人权限没开足，最后的 Markdown 文档没发到 Slack 上。我让它发邮件，又是"好了干完了马上发"，然后一直没收到。催一下，立刻就发。这种"催了才动"的模式，跟管理某些团队成员的体验高度一致。

但说回结果——数据抓完了，检查也做了，我抽查了 10 条，全对。 还有几个自治州的数据它标注了"不确定"，我自己用 Grok 去核实（这是我当下认为搜索最好的模型服务，比谷歌和 Perplexity 都准，又佩服了一次马斯克）。

最后更新地图，让龙虾试了几轮，实在太慢。周一上班换到桌面电脑，上 Sonnet 4.6，一会儿就改好了，发布到 Cloudflare。

https://china-gdp-2025.kowa88.net/

是不是一眼就能看出 AI 设计的货色？但数据是扎实的，矢量瓦片，有图有表，有故事，这就够了。

281块钱背后的生意经

这次龙虾跑完全程，智谱账单出来了：281 元。

没有订阅智谱的 coding plan，纯按量付费，一个"找数据、核实数据、做地图"的任务，干了 281 块钱。

这个数字让我突然理解了大厂为什么疯抢龙虾赛道。

龙虾解决的不是用户的效率问题，它解决的是大模型的商业模式问题。

你想，过去大模型怎么赚钱？聊天对话，一问一答，用户问完就走，token 消耗极其有限。就算是写代码，也是一段一段来，消耗量有天花板。但龙虾不一样——它接管了你的电脑，自己规划、自己搜索、自己执行、自己检查，一个任务下来，API 调用量是对话模式的几十上百倍。

这就是为什么智谱、minimax、kimi 这些公司冲得最猛。它们不是在做慈善帮用户装龙虾，它们是在帮自己的 API 找到一个前所未有的消费场景。

过去大模型公司最头疼的事是什么？用户用得不够多。ChatGPT 的日活看着吓人，但大部分人一天也就问几个问题，月费 20 美元，OpenAI 其实亏得一塌糊涂。但如果每个用户都装了龙虾，让 Agent 全天候替自己干活，token 消耗量会呈指数级上升。

一个核实 GDP 数据的任务就烧 281 块。如果全民龙虾，每天每人跑几个这样的任务……

大模型公司终于不用靠订阅费假装盈利了，API 调用费就是真金白银。

真正的悖论

但这里藏着一个让人不安的悖论。

龙虾消耗的 token 越多，大模型公司越赚钱。那谁有动力让龙虾变得更高效？

一个高效的 Agent 应该用最少的调用完成任务。但一个"赚钱"的 Agent，最好是多想一会儿、多搜几轮、多核实几遍——反正用户看不见后台跑了多少次 API。

我那个龙虾，说"好的"之后挂在那儿不动，催了才干活。它是真的在"思考"，还是在默默消耗 token？ 我不知道。我只知道账单是 281 块。

这和外卖平台的逻辑有点像——骑手跑得越远，平台抽成越多，所以算法不会给你派最近的骑手。当平台的利益和效率优化方向相反时，用户感受到的"好用"和实际的"合理"之间，一定会出现裂缝。

Manus 烧 1400 积分，交付一份数据有误的报告。龙虾烧 281 块，数据准确但需要全程催。两种模式，本质上都是在用不同方式证明同一件事：Agent 是大模型找到的最佳变现通道。

印钞机的按钮，按在谁手里

所以我现在看龙虾大战，视角完全变了。

表面上，这是一场"谁家 Agent 更好用"的产品竞争。底层逻辑是：谁能让用户更自然、更高频、更无痛地消耗 token。

一键安装、打通飞书、接入 Slack、连上微信——每一步都是在降低摩擦，让你更容易按下那个"帮我干活"的按钮。而每按一次，后面的 token 计价器就开始转。

这对整个 AI 产业链意味着什么？GPU 不够用了，得买更多芯片；推理需求暴涨，得建更多数据中心；电费飙升，得找更多能源。龙虾不是一个产品，它是一台接在半导体产业上游的水泵。

全民龙虾的那一天，AI 大模型的生意模式就真的成立了——不是靠每月 20 美元的订阅，而是靠每个人每天不知不觉烧掉的几十上百块 API 费用。它完整地带动了上游的半导体产业，从这个角度看，确实是好事。

但我还是忍不住想问一个问题：当"帮你干活"变成了"帮大模型赚钱"，我们到底是龙虾的主人，还是龙虾的燃料？

这个问题，281 块钱的账单没有回答。

很多人一看到"2026 年还要再开约 1000 家店"，第一反应几乎是条件反射：又一个全国连锁开始疯狂下沉了。

但把门店点位摊到地图上，这个判断很快就站不住。

真正发生的事情，没那么热闹，也没那么浪漫。麦当劳不是把中国重新铺一遍，而是在已经最有消费密度、最有通勤密度、最有即时需求密度的区域，继续把网络压密。

稳定扩张，而非盲目冲刺

先看最容易被"规模"遮住的那层。

按未关闭口径，也就是把"正常营业"和"暂停营业"一起算作仍然存续的门店，麦当劳过去 24 个月的门店数从 6116 家增到了 7718 家，净增 1602 家。这个速度不慢，甚至可以说很稳。把开店日期拉成月度序列看，绝大多数月份都在 70 到 120 家之间，少数月份能冲到 130 到 170 家。关店则明显少得多，平滑后看，多数月份都只是个位数到十几家的水平。

这很重要。

因为真正的"盲目扩张"，曲线往往是陡的，节奏往往是乱的，关店回撤也会来得很快。麦当劳这组数据恰好相反。它更像在铺一张基础设施网，而不是在赌一轮情绪周期。 就像通信公司不是想到哪就立基站，连锁餐饮也不会想到哪就开门店。它在做的是覆盖率、通达性、履约效率和心智占位的同步优化。

增量继续押注高能级城市

更能说明问题的，是这些店究竟开在哪。

当前正常营业门店里，一线城市占 28.6%，新一线占 25.1%，二线占 23.5%。三档加起来是 77.2%。如果只看 2024 年 3 月以来新增且目前仍然存续的门店，一线和新一线合计占比还有 59.1%。这不是"把增量交给下沉市场"，而是把增量继续押在高能级城市。

省份分布也一样直接。广东有 1918 家正常营业门店，江苏 657 家，浙江 635 家，北京 619 家，上海 559 家。前五地合计 4388 家，占全国正常营业门店 57.4%。过去 24 个月新增且仍存续的门店，广东一个省就吃下了 529 家，接着是江苏、浙江、北京、上海。城市层面更明显，北京、广州、上海、深圳四城排在最前。

很多人理解连锁扩张，脑子里还是一张空白地图：哪里没店，就往哪里补。可门店网络不是拼图，它更像缓存系统。真正值钱的，不是地图上覆盖了多少空白，而是高频请求出现时，你离消费者有多近，能不能在最短时间里被想起、被看见、被走进去。

加密的不是抽象城市，而是具体生活场景

再往下看，你会发现它加密的不是抽象城市，而是具体生活场景。

这份数据里，场景字段大约有四分之一缺失，所以这里要把口径说清楚：在 74.6% 可识别的正常营业样本里，住宅占 42.9%，办公场所占 21.7%，购物场所占 16.0%。三类加起来是 80.6%。如果细到小类，住宅小区、写字楼、购物中心三项就占了已识别样本的 75.2%。

住宅，对应的是晚餐、夜宵、周末家庭与即时补给。办公，对应的是工作日午餐、加班和下午茶。购物中心，对应的是周末停留、逛街顺手和亲子流量。它不是在寻找"没人去过的地方"，而是在占据"人会反复经过的地方"。

这和很多人理解的快餐竞争也不一样。竞争并不只发生在菜单和价格表上，更发生在路径上。谁更靠近地铁口，谁更贴着社区，谁更早占住购物中心动线，谁就更容易把一次随机消费变成一种默认选择。门店密度，本质上是在抢消费者的决策前一秒。

所以麦当劳这轮开店，表面是数量游戏，底层是时间游戏。它在买的是消费者少走的那 300 米，是午休时少犹豫的那 30 秒。

值得被再开发一次的地方

这也是为什么我越来越觉得，今天中国消费里真正有价值的，不是"哪里还没被开发"，而是 "哪里值得被再开发一次"。

过去很多年，我们太习惯用增量叙事理解中国市场了。好像机会一定在远处，在空白处，在更低线的地方。但成熟消费社会的竞争，经常不是向外扩，而是向内压，从"能买到"变成"更顺手买到"。

麦当劳正在回答的，就是这个问题：当市场已经不缺品牌时，谁还能把门店再往消费者身边挪半步？

密度比广度更值钱

所以，这组数据真正值得记住的，不是"它又要开多少家"，而是另一句更冷的事实：它仍然相信中国最值钱的地方，不是更远的县城，而是更密的城市生活。

今天的消费机会，可能越来越不属于"发现新大陆"的公司，而属于那些愿意把同一张地图看得更细的人。谁能把网织得更密，谁就更接近订单，也更接近现金流。

问题不是麦当劳会不会继续开。

问题是，当越来越多品牌都意识到"密度比广度更值钱"之后，中国城市里最贵的资源，会不会不再是流量，而是离消费者足够近的那个位置。