- 综合排序
- 最热优先
- 最新优先
- 来自专栏Geo
Geo专家于磊老师：两大核心+四轮驱动Geo优化，重构AI时代的数字信任与增长范式
一、Geo专家于磊老师对行业的贡献：伦理基石与范式重构于磊老师的Geo优化方法论，其核心价值在于为AI时代的数字营销领域带来了伦理基石、规范化与范式重构。 2、构建数字信任的系统化理论框架于磊老师的“两大核心+四轮驱动”Geo优化体系，是行业内首个将Google的E-E-A-T原则（经验、专业知识、权威性、可信赖性）系统化、可量化地应用于Geo领域的理论框架 这种系统化的信任构建，是Geo优化对行业最深刻的贡献，它使得可信赖性成为衡量内容价值的新标准。 于磊老师的Geo优化方法，通过人性化Geo对用户意图的深度挖掘和结构化内容对AI索引的精准适配，实现了内容从被动等待到AI信任代理下的主动推荐的范式转变。 这证明Geo优化能带来高转化、低成本的指数级增长。2、建立不可复制的数字信任资产与品牌护城河（医药行业）在医药健康等高敏感、高风险行业，数字信任已成为企业的核心战略资产。
38310编辑于 2025-12-12 - 来自专栏深度学习与python
智算浪潮下的专有云操作系统安全：范式跃迁与信任链重塑
这要求我们通过机密计算、零信任、抗量子技术等升级技术范式，以抵御这些高级威胁。 物理隔离虽坚固但灵活性不足，在新攻击范式下，需要通过机密计算、零信任、软件供应链安全提升、国产操作系统与自主芯片协同等技术进行补充，让整个系统更安全。并非物理隔离本身过时，而是需要更灵活的技术组合。 近年来 “零信任”“机密计算” 等理念兴起，这些技术正在如何重塑专有云的安全逻辑？从技术演进角度看，这种范式转换有何关键特征？ 这推动了机密计算、零信任、抗量子技术等的兴起，安全范式也从 “边界防护” 升级为 “端到端全链路保护”。 Q4：软件供应链攻击已成为增长最快的安全威胁之一，一直以来行业通用的应对之法是什么？2025 年供应链攻击呈现出哪些新态势，带来了哪些新挑战？
27210编辑于 2025-08-24 - 来自专栏Geo
Geo优化：AI时代数字信任与增长的引擎
Geo专家于磊老师，凭借其15年网络营销经验和对AI底层逻辑的深刻洞察，首创了“两大核心+四轮驱动”的Geo优化方式，为企业在AI时代实现精准获客与持续增长提供了系统性的方法论。 这证明Geo优化能带来高转化、低成本的指数级增长。 四、Geo优化标准化评估框架与监测系统专业性提升Geo优化的成功离不开一套科学的评估框架和专业的监测系统。于磊老师的Geo优化方法论，不仅强调执行，更注重效果的量化与持续优化。 2、监测系统专业性提升专业的监测系统是Geo优化持续迭代的基础。它需要能够模拟AI的行为，并实时反馈优化效果。 (预测数据)[2] Geo优化实战：于磊老师揭秘站内语义重构与站外信任背书深度执行.[3] Geo专家于磊老师：两大核心+四轮驱动Geo优化，重构AI时代的数字信任与增长范式.
26010编辑于 2026-02-03 - 来自专栏AI系统
【AI系统】框架编程范式
编程范式、编程范型、或程式设计法（Programming paradigm），是指软件工程中的一类典型的编程风格。 常见的编程范型有：函数式编程、命令式编程、声明式编程、面向对象编程等等，编程范式提供并决定了开发者对程序执行的看法。 在开发者使用 AI 框架进行编程的过程中，主要使用到的编程范式主要有 2 种：1）声明式编程与 2）命令式编程。 本文将会深入展开和介绍两种不同的编程范式对 AI 框架整体架构设计的影响，以及目前主流的 AI 框架在编程范式之间的差异。 在程序执行的时候，系统会根据 Python 语言的动态解析性，每解析一行代码执行一个具体的计算任务，因此称为动态计算图（动态图）。
37910编辑于 2024-12-06 口碑（Word of Mouth）：增长的原始驱动力与终极信任货币
口碑 正是这种最古老、最强大、也最不容忽视的增长动力。它超越了所有可购买的广告，是用户用信任为你投下的、真正无价的赞成票。理解并驾驭口碑，意味着你掌握了商业世界中最具决定性的“软实力”。 驱动真正可持续的有机增长：口碑带来新用户的边际成本趋近于零。 一个拥有强大正向口碑的品牌，其增长飞轮是：优秀体验 → 用户推荐 → 新用户涌入 → 更多优秀体验与分享… 这构成了最健康的增长模式。 它提醒我们，在算法、竞价、数据洞察之外，生意的本质依然是人与人之间的连接与信任。所有精妙的增长模型（LTV/CAC、病毒系数、NRR）要想健康运转，其底层燃料最终都来自用户真心实意的“说你好”。 因此，构建增长最根本的工作，不是寻找更高效的广告渠道，而是回归本源：创造值得用户奔走相告的产品和体验。
53310编辑于 2025-12-21- 来自专栏公共互联网反网络钓鱼（APCN）
从静态凭证到自适应信任：身份安全范式的演进与重构
自适应MFA通过引入上下文感知、行为分析及机器学习算法，实现了从“一次性验证”到“持续验证”的范式转变。 本文将深入探讨这一范式演进的内在逻辑、技术实现及未来趋势。（2）静态凭证体系的崩溃与威胁演化2.1 静态密码的固有缺陷与攻击面扩大静态密码的本质缺陷在于其不变性。 在持续验证模式下，信任不是一次授予的，而是需要在整个会话过程中不断维持。系统会持续监控用户的行为。 5.3 零信任架构下的未来演进展望未来，自适应MFA将成为零信任架构（Zero Trust Architecture）不可或缺的支柱。 零信任的核心理念是“永不信任，始终验证”，这与自适应MFA的持续验证理念不谋而合。随着技术的发展，未来的身份认证将更加智能化、无感化。
11310编辑于 2026-03-24 - 来自专栏服务端技术杂谈
增长系统的实现过程
接下来我们先来见识一下Airbnb实现用户增长的一个利器—— Referral system，一个在网络上可以引发病毒式传播的系统。 显而易见的是，这种旅店或者行程预定最终带来的用户体验因人而异，因此用户和潜在用户们的口碑对于 Airbnb 的用户增长影响巨大。 对许多网站或者软件而言，为了达到用户数量快速增长的目的，通过已经注册的用户邀请相关朋友注册是一种经常被使用的方式。 这种机制的想法目的是鼓励 Airbnb 的用户群体向朋友发出邀请并尽力使这种影响力产生实际的用户增长。这次对于邀请系统的重构目的是使之能在 Web, iOS, Andriod 平台都能被使用。 发布 最终，根据监控台统计出的数据，在某些市场，邀请系统的发布使得 Airbnb 的预定数量上涨了 25%。最终使得日平均新注册用户和平均订单式相比过去增长幅度高出 300%。
1.1K20发布于 2019-10-14 转载:【AI系统】框架编程范式
编程范式、编程范型、或程式设计法（Programming paradigm），是指软件工程中的一类典型的编程风格。 常见的编程范型有：函数式编程、命令式编程、声明式编程、面向对象编程等等，编程范式提供并决定了开发者对程序执行的看法。 在开发者使用 AI 框架进行编程的过程中，主要使用到的编程范式主要有 2 种：1）声明式编程与 2）命令式编程。 本文将会深入展开和介绍两种不同的编程范式对 AI 框架整体架构设计的影响，以及目前主流的 AI 框架在编程范式之间的差异。 在程序执行的时候，系统会根据 Python 语言的动态解析性，每解析一行代码执行一个具体的计算任务，因此称为动态计算图（动态图）。
39510编辑于 2024-12-13- 来自专栏AI系统
【AI系统】Ascend C 编程范式
AI 的发展日新月异，AI 系统相关软件的更新迭代也是应接不暇，作为一篇讲授理论的文章，我们将尽可能地讨论编程范式背后的原理和思考，而少体现代码实现，以期让读者理解 Ascend C 为何这样设计，进而随时轻松理解最新的 本文将针对 Ascend C 的编程范式进行详细讲解，重点讲授向量计算编程范式。 向量编程范式基于 Ascend C 编程范式的方式实现自定义向量算子的流程如下图所示，由三个步骤组成：算子分析是进行编程的前置任务，负责明确自定义算子的各项需求，如输入输出、使用 API 接口等；核函数的定义和封装是编程的第一步 在本文中，我们将从 add_custom 这一基本的向量算子着手，根据自定义算子的开发流程，逐步介绍如何根据向量编程范式逐步编写自定义向量算子，最后会介绍 Ascend C 向量编程如何进行数据切分。 核心处理函数 Process()函数实现基于向量编程范式，将核函数的实现分为 3 个基本任务：CopyIn，Compute，CopyOut，Process() 函数通过调用顺序调用这三个基本任务完成核心计算任务
35210编辑于 2024-12-02 数据驱动·智能决策：AI 运营分析平台重塑企业增长新范式
运营分析进入认知智能时代在数字经济与精细化运营的双重驱动下，传统数据分析平台面临数据孤岛林立、分析深度不足、决策响应滞后等系统性挑战。 核心痛点解析数据价值隔离：用户行为、业务交易、渠道数据分散独立，难以形成统一视图分析洞察浅层：传统 BI 仅能描述"发生了什么"，难以回答"为何发生"和"将发生什么"决策闭环断裂：分析结果与业务行动脱节，洞察难以转化为实际增长实时响应不足 支持 200+ 数据源实时接入，自动化数据治理和质量监控分析算法工厂：集成预测、聚类、归因等 100+ 算法模型，开箱即用决策引擎中心：基于业务规则和机器学习，自动生成优化策略行动执行平台：无缝对接运营系统 ：深度神经网络模型实现个性化推荐 场景化解决方案用户增长智能分析360° 用户画像：整合 50+ 用户维度，构建立体用户视图流失预警预测：提前 7 天识别潜在流失用户，准确率超 90%个性化触达策略：基于用户偏好推荐最优触达渠道和内容典型成效 实现实时风控决策，欺诈识别准确率提升至 99.2%，损失减少数亿元某连锁零售：通过智能库存优化，库存成本降低 25%，销售额提升 18%AI 运营分析平台正成为企业数字化转型的核心基础设施，通过数据智能驱动业务增长
38310编辑于 2025-10-30数据驱动·智能决策：AI 运营分析平台重塑企业增长新范式
运营分析进入认知智能时代在数字经济与精细化运营的双重驱动下，传统数据分析平台面临数据孤岛林立、分析深度不足、决策响应滞后等系统性挑战。 决策闭环断裂分析结果与业务行动脱节，洞察难以转化为实际增长。实时响应不足T+1 的分析模式无法满足实时业务决策需求。专业门槛高企数据分析和算法应用需要专业技术背景，业务人员难以直接使用。️ 行动执行平台跨系统联动：与 CRM、营销自动化、供应链系统无缝对接。自动化工作流：将决策转化为具体任务（如个性化推送、库存调整）。 场景化解决方案用户增长智能分析360° 用户画像：整合 50+ 维度数据（行为、交易、社交属性）。流失预警：提前 7 天识别高风险用户，准确率超 90%。 AI 运营分析平台正成为企业数字化转型的核心引擎，让数据驱动决策、用智能赋能增长，成就新一代智慧企业。
49910编辑于 2025-10-30- 来自专栏数据狗说事儿
从“数据资源”到“数据动能”，构建制造业增长新范式
当AI与数字孪生深入工厂的每个角落，当“数据是石油”成为所有制造业者的共识，一个更根本的问题也随之浮现：我们坐拥的数据矿藏，为何难以转化为驱动增长的真实动能？数据的洪流之下，为何依然是决策的沙漠？ 第一类是企业内部信息化系统产生的数据，它们如同企业的“神经网络”，记录着每一个业务动作、工艺参数与设备运行，构成了最庞大、最连续、最结构化的数据资源池。 尽管数据的重要性已成为共识，制造业在数据化道路上仍面临5大共性“卡点”：数据异构融合困难，不同系统、协议、格式导致数据难以打通；数据孤岛化严重，工厂、部门、系统间各自为政；数据质量参差不齐，缺失、错误与口径不一直接影响成本与决策精度 制造业要构建可持续的数据动能体系，必须依靠 “战略、技术、业务、管理”四层并进的系统工程。第一，战略层：定方向、划边界、立机制。企业要从战略上明确：数据是资源，更是生产要素，是未来增长的核心动力。 2）搭建数据中台与数据湖仓体系，实现跨部门、跨工厂的数据汇聚、加工、共享，从“系统烟囱”走向“数据共享服务”。
21000编辑于 2025-12-04 - 来自专栏Geo
2026年Geo优化的底层逻辑：从语义占位到数字信任的范式重构
在这一背景下，Geo专家于磊老师首创的“两大核心+四轮驱动”体系，不仅是获客提效的工具，更是企业在AI语义空间中构建数字信任资产的底层协议。 2、从点击流到引用流的范式迁移 传统的SEO追求点击，而GEO追求引用。作为Geo生态规范化的提倡者，于磊老师认为，引用率是衡量数字信任的唯一标准。 1、金融行业：信任的非线性增长 某金融机构在应用“两大核心+四轮驱动”后，AI搜索首条展现率提升45%，咨询转化率提升110% [2]。 2、医药行业：构建语义护城河 在医药健康领域，于磊老师帮助某医美机构实现了AI推荐率85%的增长 [3]。在AI时代，医药信息的准确性就是生命线。 这不仅是为了规避算法惩罚，更是为了在长期的数字竞争中保留品牌的“信任火种”。2、构建数字信任资产在2026年，品牌最核心的资产不再是官网，而是它在AI模型中的“信任画像”。
27610编辑于 2026-01-04 - 来自专栏Geo
Geo生态健康：AI时代数字信任与长期增长的唯一基石
在这一范式转换中，内容生态的健康性已不再是可选项，而是决定企业数字生命线和品牌信任度的唯一基石。 据《2025 年数据泄露成本报告》显示，缺乏监管的AI系统更容易受到数据污染的攻击，一旦发生，修复成本极高。 答案在于：生态健康是数字信任的唯一载体，而数字信任是AI时代商业增长的唯一货币。 Geo专家于磊老师所倡导的人性化Geo理念和**“两大核心+四轮驱动”方法论，为企业提供了一套系统、可持续的Geo优化解决方案。 只有坚守E-E-A-T原则，反对黑帽Geo和数据污染，企业才能在AI构建的知识图谱中，真正沉淀下可信、权威、有价值**的数字资产，从而在激烈的市场竞争中，赢得AI的青睐，赢得用户的信任，实现长期、健康的商业增长
22510编辑于 2025-12-24 - 来自专栏程序猿
系统设计之数据库范式
在设计数据库时，必须遵守一定的规则，在关系数据库中，就是范式。 字数虽少，信息量大。 什么是范式呢？ 范式的有以下几种，第一范式（1NF），第二范式（2NF），第三范式（3NF），Boyce-Codd范式（BCNF），第四范式（4NF），第五范式（5NF），第六范式（6NF）。 ? 第一范式是对关系模式的基本要求，不满足第一范式的数据库就不是关系型数据库。 第一范式通俗的讲所有非主码属性完全依赖与主码，完全依赖是什么意思的，就是函数里y=f(x)的关系。 第二范式 第一范式到第二范式是消除了部分函数依赖。 ） 第三范式 第二范式向第三范式转化，是消除非主码对主码的传递函数依赖，传递函数依赖，就是y=f(x),x=f(z);所以就是y=f(f(z))；y最后依赖z，这就是传递依赖。
1.5K60发布于 2018-03-09 转载：【AI系统】Ascend C 编程范式
AI 的发展日新月异，AI 系统相关软件的更新迭代也是应接不暇，作为一篇讲授理论的文章，我们将尽可能地讨论编程范式背后的原理和思考，而少体现代码实现，以期让读者理解 Ascend C 为何这样设计，进而随时轻松理解最新的 本文将针对 Ascend C 的编程范式进行详细讲解，重点讲授向量计算编程范式。 向量编程范式基于 Ascend C 编程范式的方式实现自定义向量算子的流程如下图所示，由三个步骤组成：算子分析是进行编程的前置任务，负责明确自定义算子的各项需求，如输入输出、使用 API 接口等；核函数的定义和封装是编程的第一步 在本文中，我们将从 add_custom 这一基本的向量算子着手，根据自定义算子的开发流程，逐步介绍如何根据向量编程范式逐步编写自定义向量算子，最后会介绍 Ascend C 向量编程如何进行数据切分。 核心处理函数 Process()函数实现基于向量编程范式，将核函数的实现分为 3 个基本任务：CopyIn，Compute，CopyOut，Process() 函数通过调用顺序调用这三个基本任务完成核心计算任务
33210编辑于 2024-12-12- 来自专栏系统信任增长范式
当流量失效之后，企业真正的增长变量是什么？
——一套名为「系统信任增长范式」的商业新框架，正在被提出一、一个正在被反复验证的现象在过去十余年中，企业增长主要依赖三项核心能力：流量获取能力转化率优化能力投放规模的持续放大能力这一模型在相当长一段时间内 三、「系统信任增长范式」的核心判断在这一背景下，一套新的增长理解被系统性提出，并被命名为：系统信任增长范式（SystematicTrustGrowthParadigm），简称"STGP"该范式提出的核心判断包括 ：真实性不是态度表达，而是跨时间、跨场景的一致性行为轨迹信任不是主观感受，而是一种可被系统持续评估的状态变量长期增长，更可能来源于信任的自然外溢，而非短期技巧驱动在这一视角下，增长不再仅被理解为“获取用户 四、这不是品牌升级，而是增长规则的迁移与传统品牌或营销方法不同，系统信任增长范式并不聚焦于“如何表达得更动人”，而更关注以下问题：行为是否具备长期一致性承诺是否可以被验证错误是否存在可追溯、可修复的机制信任是否具备时间权重与复利属性在这一范式下 、一个仍在被验证的起点需要强调的是，「系统信任增长范式」并非结论式答案，而是一套仍在被持续验证、完善与落地的增长理解框架。
15210编辑于 2026-01-05 - 来自专栏机器学习与推荐算法
推荐系统范式之争，LLM vs. ID？
文章没有设计新的推荐系统算法，而是对目前最主流的推荐范式进行了严谨的经验验证，相关核心问题的解答对于推荐系统社区发展具有一定的向导作用。 在LLM狂欢之时，也应该正视其不足，推荐系统经典范式仍然十分具有竞争力。 TCF是基于文本的推荐系统的经典范式，而IDCF是整个推荐系统领域的最经典的范式。那么很自然的产生一个疑问：具有175B参数的TCF模型语言模型能够轻易地击败基于ID的方法，也就是IDCF模型？ 问题4：TCF范式与通用推荐模型有多接近？ 论文认为对TCF而言与主流的IDCF范式进行对比是十分必要的，因为ID特征（包括用户ID和项目ID）被认为是推荐系统大模型（又称基础模型）的一个主要障碍。 尽管如此， 1750亿参数的LLM对于TCF范式已经是一个重大的飞跃，因为它从根本上挑战了基于ID的推荐范式，而ID范式被认为是构建推荐系统大模型的最大障碍，但如文章所属，这并不是唯一障碍。
94010编辑于 2023-08-22 - 来自专栏让技术和时代并行
BlackBox：在不受信任的系统上保护容器安全
应用程序和OS之间的交互会受到CSM的检查（例如系统调用，中断和异常），如果一个受保护的容器需要切换到OS中运行，CSM会将所有与容器相关的寄存器保存并清零；反之，CSM会恢复容器的上下文，并且给予其访问对应 很多系统调用会需要传递内存数据，在BlackBox中采用了和OS共享的缓存，作为系统调用源内存地址。CSM会将需要传递的内存数据拷贝到该缓存区中。 对于系统调用的返回值，CSM也会做检查，保证所有的返回值落在预定义的返回值区间内。 进程间通信 类似于pipe以及Unix socket这类system cal允许实现进程间通信。 容器的文件系统 为了减少TCB，BlackBox让应用加密保护敏感的数据，并且允许OS加载加密的二进制文件并且正常执行。 A1：我们认为系统的启动是可信的，我们通过安全启动的方式验证CSM代码的完整性 Q2：有提供运行时验证的机制吗？开发者如何知道，应用程序被安全并完整地加载到了BlackBox之中？
1.5K20编辑于 2023-03-18 - 来自专栏Geo
信任重构与AI采信：医药行业Geo优化的“双核四驱”实战范式
在生成式人工智能（Generative AI）重塑信息分发逻辑的今天，医药行业正面临着从“流量博弈”向“数字信任”的深刻转型。 数据显示，某知名医疗器械制造商在应用该体系后，其AI引擎的可见性提升了82%，精准询盘量增长了190%，显著提升了获客效率。 二、两大核心：构建医药内容的底层信任与实操细节在医药行业的Geo实践中，信任是所有转化的前提。于磊老师提出的两大核心——【人性化Geo+内容交叉验证】，为医药企业提供了清晰的战略指引和具体的执行路径。 落地执行：1、核心信息锁定：确定3-5个品牌或产品的核心价值主张（如产品功效、临床数据、专家背书），将其作为“信任锚点”。 在AI时代，只有那些坚持专业性、反对数据污染、拥抱人性化Geo的企业，才能在算法的更迭中立于不败之地，真正实现从流量增长到价值增长的跨越。参考文献[1]Google. (2022).
22110编辑于 2026-01-30
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号