最近一两个月，我一直在做一件有点偏执的事：把中国手机行业的公开评测数据，一条一条喂给AI。
不是让AI帮我写评测——那个谁都能做。我想做的是更底层的实验：能不能让AI真正理解一个行业，然后帮你做判断？不是”帮我写一段广告文案”那种判断，而是”你确定要这么说吗？这么说会被骂的”那种判断。
结果证明，可以。但过程远没有我想的那么顺。
一切的起点是一个很具体的痛苦。
做3C数码营销的人都知道，这个行业有一道隐形的墙：你太懂产品了，反而写不出人话。你知道骁龙8 Gen 4的GPU架构意味着什么，但用户只关心”王者能不能稳120帧”。你知道IMX989是一英寸传感器，但你想了半天也不知道怎么把1英寸变成一个让人想点进来看的标题。
我之前写过一篇Nothing Phone的品牌分析，花了大量时间研究Carl Pei怎么做透明机身、怎么搞饥饿营销、怎么在印度改名叫”Carl Bhai”制造病毒传播。写完之后我想，这种分析能力能不能被”固化”下来？不是写成一份PDF放在硬盘里吃灰那种固化，而是变成一个随时可以被调用的”行业大脑”。
于是我开始了知识库的搭建。
最早做的是手机品类，覆盖了16个品牌、70多份评测数据。数据来源很直接——极客湾、小白测评、WHYLAB这些头部评测机构的内容，都是公开的。但关键不是数据的量，而是怎么组织。
举个例子。”骁龙8 Gen 4″这七个字，在通用AI眼里就是一个芯片型号。但在行业里，它意味着”可以打游戏性能牌，但性价比群体会拿跑分拆解你”。这种”参数→判断”的转化，是知识库里最有价值的东西。
我把知识库分成几个维度：品牌矩阵、价位段格局、芯片阵营、传播风险提示、行业梗字典。每个维度看起来都不复杂，但组合在一起的时候，就能回答一些相当刁钻的问题。比如”1500块的手机能不能说自己是旗舰”——答案是不能，会被性价比原教旨群体撕碎。再比如”手机拍月亮”这个梗——你敢用在传播物料里，评论区就敢教你做人。
这些”行业常识”对于从业者来说就像呼吸一样自然，但对于AI来说，每一条都需要被显式地写下来。
手机品类跑通之后，我遇到了一个实际问题：客户不只会问你手机的事。耳机怎么办？笔记本怎么办？智能手表怎么办？
于是开始做品类扩展。这个过程让我发现一个有趣的规律：每个品类的”知识结构”是完全不同的。
耳机品类的核心矛盾是”听感的主观性”。同样是”低频下潜”这个参数，51Hz和58Hz在数据上只是一个数字的差距，但在听感上是”有低音”和”基本没低音”的区别。我花了大量时间整理爱否科技的12款耳夹式耳机横评数据，最终发现一个有意思的结论：在耳夹式这个品类里，华为FreeClip 2呈”断代式领先”——不是参数碾压，而是唯一做到”恒压设计”（不挑耳朵形状）且低频到51Hz的产品。
这种”品类断代”的判断，是我在整理数据的过程中自然浮现出来的。不是我先有结论再去验证，而是数据自己说的。这让我觉得有点兴奋——知识库不只是存储信息，它还能催生洞察。
扫地机器人又是另一种知识结构。参数对比是次要的，用户真实体验才是核心。每个产品都有自己的”翻车记忆”，这些记忆在论坛和评论区里散落着，需要被收集、整理、编码成AI能理解的格式。
最终知识库覆盖了手机、耳机、笔记本、穿戴设备、智能家居五大品类。每个品类的知识结构都不一样，但有一个共同点：最有价值的不是”这个产品怎么样”，而是”如果你要传播这个产品，哪里会踩雷”。
做到这一步的时候，我已经隐约感觉到，这个知识库的终极价值不在于”知道”，而在于”预判”。
知道”手机拍月亮”是雷区是一回事。能模拟出”如果某个品牌用了这个梗，评论区会变成什么样”是另一回事。前者是静态知识，后者是动态推演。
于是我开始了风险推演的尝试。
核心思路不复杂：把一个传播方案丢进一个模拟的舆论环境里，看看会发生什么。模拟环境里有几类典型的”反应群体”——性价比原教旨群体、影像发烧友、民族情绪绑定群体、以搞事情为乐的解构者、通过负面报道施压合作的媒体，还有脉脉和麦麦上的匿名爆料文化。
每类群体有自己独特的”触发条件”和”反应模式”。性价比群体看到天玑芯片就问跑分，影像发烧友看到”徕卡联名”就去查传感器尺寸，解构者不管你说什么，他们只想把你的广告词做成表情包。
推演跑了几轮之后，我验证了一个有点反直觉的公关常识：公关的目标不是”赢”，而是”让话题尽快消亡”。任何官方回应都是在给话题续命——回应即喂料，喂料即放大。所以最优策略往往是什么都不做，72小时自然消亡。
当然，前提是你评估过”不做”的风险低于”做”的风险。这个评估本身，就是推演系统的价值所在。
知识库和推演系统都搭好之后，下一步是发布到ClawHub——一个开源的AI Skill市场，让所有人都能用。
这可能是整个过程中最折磨人的环节。
我设计了5个测试用例——创意生成、行业洞察、风险评估、竞品分析、新品破局。结果跑出来一堆问题：韶音OpenFit的重量数据是旧的，6.6g应该是9.4g；一个文件路径写错了，references应该是templates；Apple Watch”跌出前五”的措辞太绝对。
每个问题都不大，但每个都可能让一个真正在使用的人得到错误的信息。
改完数据问题，还有更敏感的审查：KOL的”恰饭评级”必须删——你不能公开说某个博主接了广告；翻车案例要脱敏——不能指名道姓说某品牌翻车；行业梗要去品牌化——”XX厂”这种说法全部替换成通用表述。
甚至产品名都有坑。ROM和ROMO，一个字母的差别，搞错了就是事故。
18个审查问题全部改完，加上MIT License、免责声明、数据时效性标注，才敢点发布。
最终以”china-marketing-copilot”的名字发布到了ClawHub。那是4月15号的晚上，我记得很清楚，因为GitHub API rate limit触发了两次，每次都要等两三分钟才能重试。
回头看这一个半月，我在做什么？
表面上看，我在搭建一个AI知识库。但更深一层，我其实在做一种”知识编码”——把一个行业的隐性知识，那些存在于从业者脑子里的、从来没被写过书本的判断和直觉，翻译成机器能理解、能推理的格式。
这和我在上篇博客里写的”数字永生”其实是同一件事的两个面。那篇里我写的是把”我”编码成数据，这篇写的是把”一个行业”编码成数据。对象不同，本质一样：把人类脑子里的东西搬出来，变成一种可以被传递、被复制、被无限次使用的形式。
说实话，做完之后我有一种很复杂的感觉。
一方面，知识库确实能帮到人。一个不太懂手机行业的营销人员，拿着这个工具，能在几分钟内知道某个价位段的竞争格局、某个卖点在不同平台的传播风险、某个创意方向成立不成立。这比自己从头研究快了不知道多少倍。
另一方面，我又隐隐觉得不安。当一个行业的大部分”常识”可以被AI调用的时候，那些靠”我知道你不知道”吃饭的人，怎么办？当”经验”可以被编码的时候，”经验”还值钱吗？
我还没有答案。
但我知道一件事：这件事一定会发生，不管是我做还是别人做。与其抗拒，不如参与。至少在参与的过程中，我能理解它到底是什么，能做什么，不能做什么。
知识库覆盖了五大品类，但笔记本和穿戴设备的数据还不够充实。推演系统的准确率还需要更多真实案例来校准。从”能用”到”好用”，中间还有很长的路。
但至少，第一步迈出去了。
Yi's blog 