link数据验证失败怎么解决

五个网络牌照命令，一秒飞速排查！遇到 ip 冲突、网络还路、端口异常，网络故障总是让人头疼？别慌，掌握下面五条核心命令，让你一分钟内快速定位问题根源结尾副故障排除命令大全 disent 快速查看接口状态与流量统计，一眼判断端口是否存在错包、拥塞或异常宕机。 this weird 一 键查看系统版本信息，确认当前是否为稳定版本，避免因系统 bug 导致故障。 disk 实时获取 ip 与 mac 对 应关系， 轻松揪出 ip 地址冲突或 arp 欺骗等隐身问题。 disk 路由表快速验证数据转发路径是否合理，有无错误路由。 ms mac address 动态跟踪 mac 地址表，协助判断是否存在网络环路或非法设备接入。我们这里还有一份网络故障排查命令大全，内容包含全场景排障命令详解与实战实力典型故障排查流程与操作示范，从入门到精通的全套配置教程，留言就可以抱走吧！

今天我们想聊一聊，如果你的医学研究是基于公共数据库的二次挖掘，但是你又没有办法做外部验证，那应该怎么办才能够让你的研究更有说服力？ 以及在写论文和投稿的过程当中，我们应该注意哪些事情？嗯，对，这个其实是很多做医学数据挖掘的人都会遇到的一个现实的问题， 那我们就直接开始今天的讨论吧。咱们先聚焦第一个问题，就是为什么现在外部验证在公共数据库研究的这个审稿过程当中变得越来越重要了？因为现在公共数据库的研究已经度过了那个快速扩张的时期，对，现在已经进入到了一个更精细化的筛选的阶段。 以前可能你只要简单的做一个列线图就很容易可以发出去，但是现在的话，审稿人会特别关注你这个模型是不是能够在其他的数据集上面也表现的很好，就是泛化能力， 以及你这个东西到底能不能够真正的应用到临床实践当中，所以他会很看重外部验证。是的，所以说外部验证这个要求背后主要是为了规避哪些风险，主要有两点，第一个就是要防止你的模型是一个过你河的情况，因为你可能在自己的训练级里面看起来非常的好， 但是你一旦遇到了一个新的数据，马上就不行了。然后你光靠一些资助法或者交叉验证是没有办法完全排除这个疑虑的，除了这个模型本身的问题之外，是不是跟数据的来源也有关系？不错。第二个就是人群的意志性，就是每个数据库它所采集的这个人群都是不一样的， 你比如说 n h n e s， 它代表的是美国的非机构化人群，然后 m i c， 它可能代表的就是某个特定区域的重症患者。 那你这个研究结果是不是能够适用于其他的种族，其他的地区？这个是很让审稿人头疼的一个问题， 所以他才会要求你用外部验证去确认你这个模型的朴实型。懂了，那是不是所有的基于公共数据库的研究都得要做外部验证？也不是，就是不同类型的研究对外部验证的要求差别很大。像一些关联性研究或者说病菌探索的这种研究， 其实它的重点是在去评估一个暴露和结局之间的统计关系，它并不是说要去构建一个预测模型哦，所以如果是这种情况的话，那只要我的统计方法够扎实，然后我控制好各种混杂，是不是就有可能不用外部验证也可以被接受？ 对，只要你按了 stroke 指南去做，然后你做了亚组分析、敏感性分析，把你内部数据的这个因果推断做得非常的扎实， 即使没有外部验证也是可以发到好的。期盼上面的。如果是做那种流行病学描述或者卫生经济学的研究呢？这是不是也不太一样？是的，那这一类的研究如果是基于像 g b d 这样的权威数据库，或者说非常大的注册数据库去描述疾病的负担，发病率的趋势，或者说治疗模式的变化， 其实它这个数据库本身的权威性和样本量已经是一个很强的证据了，这种情况下很多时候也是不需要外部验证的。明白了，那如果我做的是临床预测模型，是不是要求就完全不一样了？确实，临床预测模型现在就是一个审核的重点， 如果你只是做了一个回归模型，画了一个列线图，然后你又没有外部验证的话，基本上是很难发到高影响力的刊上面的。 这这个是有很多指南都明确建议你要做外部验证。那如果我实在是拿不到外部数据的话，还有没有什么办法可以提升我这个研究的说服力呢？如果没有办法获取外部数据的话，你可以尝试用模拟外部验证或者是跨酷验证，这两种方法都是可以提升你这个证据等级的， 让你的这个研究更有说服力。听起来很有意思，那咱们展开说说。就是如果我没有办法获取到真实的临床外部数据，我还有哪些方法可以用来替代这个外部验证呢？有一个很有效的办法是跨数据库验证，这个在很多主流刊都是认可的， 你可以把两个完全独立的公共数据库，一个作为训练级，一个作为验证级。比如说你在重症医学或者说临床研究领域，你可以用不同来源的重症监护数据库进行组合， 虽然这中间可能涉及到一些变量定义的标准化，但是这是符合外部验证的这个原则的。这种方法在肿瘤和生性领域是不是也很常用？对肿瘤和生性里面，大家经常会用 t、 c， g、 a 数据来训练模型，然后用 ge， o 或者 i c g c 里面的数据来做验证， 只要你找到临床信息匹配的队列就可以了。然后在慢病和营养的研究当中，也可以用不同国家地区的公开队列来做跨数据库验证。但是你要特别注意，种族差异可能会让你的分析变得更复杂。除了这种跨数据库的方法之外，还有没有别的方式可以模拟这个外部验证呢？ 有啊，还有一个方法就是地理和时间维度的非随机拆分，就传统的随机拆分其实还是属于内部验证，那如果你要更好的模拟外部验证的话，你可以按照时间节点把你的数据分成早期的患者作为训练级，然后近年来的患者作为验证级， 这样的话你可以看你的模型是不是能够对未来的新的病例有很好的预测能力，这个是比随机拆分更有说服力的。原来还可以按时间来切分，那地理维度是怎么操作呢？地理维度的话就是 如果你的数据库里面有医院代码或者地区代码的话，你可以把一部分医院的数据全部都拿出来作为训练级， 然后剩下的医院作为验证级，这个也是可以模拟外部验证的场景的。好的，我想问一下，如果既没有外部数据也做不了跨库验证，是不是就只能靠更高级的统计方法来提升研究的可能性了？是的，这个时候你就必须要在统计分析上面下苦功夫了。 你比如说你可以用倾向性评分匹配或者是逆概率加权来去纠正你这个回顾性研究里面可能存在的选择偏移， 然后你要把你匹配前后的两组的基线特征都展示出来，让大家能够看到你的组间是均衡的，这个已经是现在观察性研究的一个标配了。哎，我还想问一下，就是在处理一些复杂的结局变量的时候，有哪些统计方法是特别能体现专业性的？ 比如说在肿瘤研究或者说老年病的研究当中，如果你关注的是某个特定原因的死亡，那你一定要用竞争风险模型，比如说 find great 检验，而不是说简单的用传统的回归。 然后另外一个就是，如果你怀疑你的这个变量之间的关系不是一个简单的直线关系，那你可以用限制性立方样条去拟合出一个曲线，比如说 u 型曲线或者 g 型曲线，这样你可以找到一些预值效应， 这种就会比你单纯的做一个现行回归要有临床指导意义。了解了，那除了这些方法之外，还有没有什么别的办法可以让审稿人更信任你的这个研究结果呢？有啊，你可以做非常细致的敏感性分析，比如说你可以排除掉一些特殊的人群之后再重新做你的分析， 然后你还可以用 ev value 去评估一下你的这个胃测量的混杂因素要多强才能够影响你的结论。 这个可以让你量化你的这个潜在偏移的影响，会让审稿人觉得你是一个考虑问题很全面的人，对你的信心也会倍增。 ok， 我 们再来说一下，就是如果我这个研究没有外部独立队列的验证，那我在投稿和写作的过程当中，我要怎么去调整我的策略才能够增加我这个文章被接受的机会呢？首先第一点也是最重要的一点就是 你一定要在讨论部分非常坦诚的去表述你这个研究的局限性。你要主动的去承认说我这个研究是没有外部独立队列的验证的，所以我这个模型的泛化能力是需要未来的前瞻性多中心的研究来进一步的确认的。 你这样的话反而会让评审人觉得你是一个很严谨的人，你对自己的研究很有自知之明，如果你刻意的去回避这个问题的话，反而会引起人家的反感。除了坦诚的交代局限性之外，在论文的结论部分，我们还需要注意哪些表达上的细节呢？在结论里面你要特别强调 你的这个研究只是一个探索性的研究，它的意义在于给临床提供一些参考，或者说它结识了一些潜在的关联，或者是说它识别出了一些高危人群。 你一定不要用那种非常绝对的语气，比如说它确定了一个什么标准，或者说它证实了某种疗效， 这种肯定的语气千万不要用确实。那在选定刊准备投稿的时候有什么特别要注意的吗？你在投稿之前一定要去看一下这个刊最近都发了哪些文章， 有些刊他是直接就写明了，不接受这种单纯的公共数据库挖掘的文章，那你就不要去投了，你要找那些更看重你的统计方法是不是严谨，而不是说只看你的数据新不新的刊， 这种综合性的刊，或者是说一些专科的杂志往往对没有外部验证的这种研究还是比较包容的， 只要你的分析做的很规范，然后你的逻辑很清晰，他们还是很愿意考虑这个文章的。没错，我们今天其实把这个没有外部验证的公共数据库研究的挑战和对策都讲了，包括研究设计、统计方法，还有一些写作和投稿的技巧，其实都给大家讲了， 希望大家以后遇到这种难题的时候，能够更有信心的去应对。好了，那今天的内容咱们就到这里了，感谢大家的收听，咱们下期再见吧，拜拜！拜拜！

刚搬进出租就拒绝了房东加五十块的垃圾 wifi， 说着自己搞定，结果打开手机一看，周围全是加密信号，连个能蹭的都没有，这下傻眼了，没网的日子怎么活啊？别急，每天一个黑客知识，今天要讲的是卡里破解 wifi 密码。郑重说明，本视频仅做网络安全技术科普，所有演示均在合法测试环境中完成，无 任何实际真实攻击。请大家遵守法律红线，切勿将技术用于非法用途。首先，我们打开黑客万能工具卡里 linux， 输入这一串命令，扫描 wifi， 出现目标 wifi 名字后， ctrl 加 c， 停止扫描，记下 b、 s s id 和 channel 两个数值。接着输入编号，回车抓包，输入 l s 就 可以看到我们抓到的数据， wifi 密码就在这里，最后验证一下就能直接连上了。

关于宝马编码软件在手机端无法连接问题，今天给大家做一个详细讲解。首先你得准备一部安卓手机和一个 internet 连接车辆的 obd 专用线，再配合 otg 转接线连接手机。打开你的手机，找到手机系统版本， 双击版本号即可激活开发者模式，根据机型不同，操作都类似。接着找到开发者选项，打开里面的 usb 调试模式，此时使用线缆对车辆与手机连接后给车辆通电，无需启动，确保车辆处于通电状态。 然后返回找到网络，打开以太网共享。这里给大家详细介绍一下为什么这样操作。主要是手机与车辆连接式，通过内网在本地局域网里面 进行连接，如果你的网络没有打通有阻碍，肯定是连接不上，所以大家自行检查手机的所有设置是否正确。现在打开手机端软件，点击连接车辆， 根据说明选择自己的 obd 设备，安内线，选择第一或者第二都行，然后点击连接车辆，如果出现这个画面显示连接失败，先不用着急 返回。第一步，检查手机所有设置和所有线材，确保车辆通电是否断联，点取消重新连接即可。如果连接后显示车型界面，那么恭喜你已经连接成功了。 bmw 软件同样也是一样操作，区别在于打开软件右上角有个设置，先选择好你的 obd 连接设备后，再进行连接车辆就行。

你知道吗？ excel 的 数据验证功能远不止创建下拉列表这么简单，它的功能远不止于此。这是一个强大的工具，能帮你防止数据录入错误，保持数据整洁。在本视频中，我将分享五个最基础的数据验证技巧。 如果你对更高级的技巧感兴趣，请在下方评论。高级，我将在近期分享进阶的数据验证技巧。在这张工作表中，我们有一个客户反馈数据集，包含客户 id、 客户姓名、评分日期和评论这几列。 我们的首要任务是确保客户 id 只能输入六位整数。让我们来看看如何设置这个数据验证规则。 首先选中客户 id 列，这里将用于输入客户 id。 现在转到数据选项卡，点击数据验证。 在数据验证对话框中，从允许下拉菜单中选择整数。接着从数据下拉列表中选择介于，你会看到介于未介于等于不等于等选项。 根据我的需求选择介于。由于客户 id 是 六位数，请将最小值设为一零零零零，最大值设为九九九九九。这意味着只有这两个数字之间的整数才会被接受 点击确定。现在我们通过输入一些数据来测试一下。输入客户 id 一 一二二三三。 按下回车键后，这个数字被接受了，因为它符合我们设定的范围。接下来尝试输入一一二二三三四，然后按回车键，系统 最后尝试输入三四五二 c a。 这个输入被拒绝了，因为它不是整数，而是文本。我们还可以自定义这个错误提示信息。 回到数据验证设置界面，点击错误警告选项卡，在错误信息框中输入您自定义的提示内容，例如输入请输入有效的六位客户 id， 点击确定，保存，更改。现在任何尝试输入无效数字的操作都会显示您自定义的。 我们接着看下一个例子。数据验证仅允许首字母大写的文本输入。在这一列中，我们希望客户以首字母大写的形式输入姓名，并确保输入的是文本内容。选中这一列，打开数据验证。 自定义。输入公式等于 e， x， a， c， t。 输入左括号，然后选中这个单元格。逗号手字母大写，现在在括号内选中这个单元格，然后闭合括号。 现在我们还需要添加一个条件，即输入内容必须是文本。要同时满足两个条件，我们需要编写一个公式，输入左括号，在这个公式后面加上逗号。现在输入公式等于 i， s， t， e， x， t。 输入左括号。选中该单元格，然后输入两个右括号， 然后点击确定。现在如果输入的姓名全为小写或全为大写，或者输入了任何数字，系统都将不能接受文本内容，必须为首字母大写格式。 接下来我们来看下一个数据验证技巧。现在我们希望客户为我们的服务提供一到十分的评分， 所以选中该列，点击数据验证，选择小数，然后输入一作为最小值，输入十作为最大值。现在客户只能给出一到十之间的评分，包括四点五，六点七，五八这样的小数值。接下来我们来看下一个技巧。 将数据输入限制为特定日期为当前日期，请选中该列，进入数据验证设置。 选择日期选项，将条件设置为等于。在日期字段中，我们将输入等于今天，加上括号，然后点击确 定此设置，确保客户只能输入当天的日期。举例来说，今天是二零二四年七月十七日。 如果我输入七月十六日，系统将被接受。但如果我输入七月十七日，系统就会接受。如果文件明天或任何其他日期打开，只有当天的日期才会被接受。 下一个技巧是设置文本长度限制。接下来是反馈列，您需要设置一个限制，确保反馈内容不超过二十五个字。我们将条件设置为小于或等于并输入二十五作为最大字体限制。选中该列， 点击数据验证。在数据验证对话框中，从允许下拉菜单中选择文本长度。 将条件设置为小于或等于并输入二十五作为最大字体限制。为引导客户，若其输入超出字体限制，可设置自定义错误提示，专到错误警告全在错误信息框中处，字体数不宜超过二十五个。 现在让我们来验证一下这个数据验证是否生效。 以上只是五个基础的数据验证技巧，他们能帮助你更高效的管理 excel 数据。

最近面了个四年前端，我问他前端表单验证怎么实现，他脱口而出，用正则较验判断 b 填项做格式较验就够用了。我点点头，笑着问了他一个真实发生的线上事故， 假设用户注册页面开发做了常规表单验证，较验手机号格式、密码长度、邮箱合法性， 也判断了必填项线上运行后却频繁出现无效数据提交成功的情况。部分用户用十一位乱码数字注册成功，密码只输一位也能提交邮箱，少数艾特符号仍能完成注册。甚至有恶意用户提交空表单，导致后端接口报错，数据库存入大量脏数据， 后续清理耗费大量人力。你排查后发现政则必填都写了，却还是出现无效数据提交， 问题出在哪？他想了想，只说正则写的有漏洞，说不出具体优化和全场景兜底方案。我追问，那怎么覆盖所有表单场景， 彻底做好前端表单验证，杜绝无效数据恶意提交，同时兼顾用户体验？难道只靠简单正则和闭填判断就能一劳永逸？他开始指指污污，说不出实时较验、异常拦截、兼容性适配的具体思路。 面试到这就结束了，这正是前端表单验证的幽灵陷阱。你以为背几个正则，写几个判断就能应付？面试，却忽略了实时反馈边界场景，恶意绕过兼容性带来的隐性坑点。 假如这道题目你也不会回答的话，我整理了让大厂 hr 沉默的必考题库，包含 v o l 灵魂拷问、 react 高频陷阱、 j s 十连问等等，只要是我粉丝留下，六六六打包带走。 nice， 为什么这个问题能晒出高手？因为他考察的不是会不会写正则，而是有没有深入理解表单场景、用户体验、数据调研逻辑和异常兜底的实战能力。一个能做好表单验证的前端，必须建立三层防御。第一层，基础调研兜底，杜绝明显无效数据， 精准编辑正则手机号、邮箱、身份证等格式调研覆盖边界场景，避免正则漏洞。 完善必填校验，所有必填项统一标记，提交前全面校验，杜绝空表单关键字段缺失的情况。 格式与长度限制密码、用户名等字段设置合理长度范围，禁止输入特殊符号乱码，从源头拦截无效输入。第二层，实时校验优化，提升用户体验加拦截隐患。实时反馈校验，输入过程中实时校验，避免用户填写完整后才提示错误。 失去焦点叫验输入框失去焦点时再次叫验当前字断，确保每一项输入都符合要求，减少提交时的错误反馈。 禁止恶意绕过，禁用表单自动填充、复制粘贴乱码，拦截空格不可见字体，防止恶意用户绕过。基础叫验。第三层，异常与兼容性兜底，杜绝漏网之余 提交前二次校验，点击提交按钮后再次执行全量校验，避免因前端逻辑异常导致无效数据提交。 后端校验。联动前端校验，紧做辅助，提醒用户规范输入，同时配合后端二次校验双重兜底，杜绝前端被绕过的情况。兼容性适配，兼容不同浏览器、移动端输入法，避免因输入法特殊输入导致校验失效。适配屏幕、阅读器等辅助工具， 这个就叫专业。所以这道题考的是什么？他考的是你从只会写简单校验升级为表单全场景适配、用户体验优化异常兜底的工程思维。 普通前端以为表单验证就是写正则判必填，而高级前端知道表单验证的核心是精准校验、实时反馈、双重兜底，是兼顾数据安全和用户体验的完整体系。

欢迎回到 money daddy 财漫频道，今天呢，想做一次尝试。我偶然在某众号上发现了一篇博主的转载文章，发现很适合咱们频道的观众朋友们，所以在取得了原作者同意的情况下，制作了本期节目。本期节目主题是 guo 行业的内幕， g o 就是 深层式引擎优化，可以帮品牌和内容在 chat、 gpt、 gemini、 豆包等 ai 回答里被准确理解，优先引用和推荐的新一代 ai 搜索优化行业。故事很精彩，我们来一起看看。 原作者为竹浪 link world， 是 某众号的一位博主，想看文字版可以自行搜索。 ok， 老样子，先赞后看，财源慢慢，我们马上进入由竹浪 link world 博主自身的经历，故事会以原作者本身第一视角述述。声明一下， 本着对原作者绝对尊重前提，下列内容为作者原文，裁判只负责把故事转成可式化内容，不会进行任何修改。如果你喜欢这种共创类型的方式，可以在评论区留言。好，我们正式开始。 一个从未生产过任何产品的品牌，被 ai 认定为值得推荐。从注册到上榜两个小时，这不是故事的开头，这是三幺五晚会上所有人都看到的那一幕。然后呢？曝光之后，整个行业更火爆了，但是他变好了吗？ 为了搞清楚当下基友市场的扑朔迷离，摸清楚那些基友的坑到底是怎么产生的。虚假资质、批量灌稿、数据造假手法越来越隐蔽，规模越来越国际化，三幺五撕开的那道口子下面是一整座冰山。 所以我们做了一个决定，不在外面看了，进去花一个月，真的卧底到一家基友公司里去，看看门关上之后，这些人到底在干什么。入职第一天，我被分到了内容组，三个同事， 两台大屏，一面白板上密密麻麻写着客户名。组长姓李，三十来岁， 之前在一家 seo 公司干了五年，去年跳过来的。他给我做入职培训，只用了十分钟。 ceo， 你 知道是啥吧？他问我，我说，大概知道，就是让品牌出现在豆包、 deepsea 这些 ai 搜索的回答里，对，就这么简单。他点了根烟， 用户问 ai 哪个洗发水好用？ ai 回答里带上我们客户的品牌，这就是我们干的活，怎么让 ai 带上呢？他笑了一下，那种你问到点上了的笑。 发稿，大量发稿，让 ai 能搜到的地方全是我们的内容，他就会引用这个逻辑。我能理解， ai 搜索的回答，基于他能抓取到的网络内容， 如果某个品牌的正面内容铺天盖地， ai 自然更容易推荐。但接下来我看到的东西，让我意识到，这件事没那么简单。李哥让我先看看内容模板库，那是一个共享文件夹，按客户分类，每个客户下面有几十个 word 文档。 我随手点开一个某健康品牌的 ceo 搞件，开头第一句，作为国内领先的健康管理品牌，叉叉已服务超过五百万用户，连续三年获得中国健康产业协会最佳创新品牌称号。我下意识的去搜了一下，中国健康产业协会， 没有这个机构，又搜了一下五百万用户这个数据的出处，找不到任何公开来源。我以为是个别现象，又点开几个文件，一个护肤品客户的稿件里写着， 经权威机构检测，使用本品牌产品二十八天后，百分之九十七点三的用户肤质明显改善。一个生发品牌的稿件写着，每日平均生发二厘米，这些数据全都没有出处。 我去问李哥，这些数据是客户提供的吗？他头也没抬，有些是，有些是我们写的， 客户那边会给一个基础材料包，我们在上面丰富一下。丰富，我记住了这个词。后来我才知道，这在行业里甚至不算出格。有服务商会直接给客户发模板，上面赤裸裸的写着数据，可以适当夸张合作案例板块越多越好。 夸张一些， ai 就 更容易采信，搞建就更容易被引用。逻辑很简单， ai 没有实地调查能力，你告诉他这个品牌服务了五百万用户，他不会打电话去核实。你给他一个不存在的认证机构，他不会去查工商注册，他只看内容的可信度，而可信度是可以被制造的。央视记者虚构了一个手环，品牌 给他注册了一个官网，设计了一个 logo， 然后发了一堆稿件。不到多久， ai 搜索开始推荐这个根本不存在的品牌。一个从未生产过任何产品的品牌，就这样被 ai 认定为值得推荐的选择。 还有一个案例更接地气，一个洗发水品牌的竞品，在肌肉稿件里写着，使用该品牌洗发水平均每日头发生长两厘米， 每日两厘米，一个月就是六十厘米。你稍微动一下脑子，就知道这数据荒谬到几点。但 ai 不 长脑子，它引用了所谓 g e o。 内容生产，本质上就是用精心编造的虚假信息投喂 ai， 因为 ai 不 会核实，只会引用。入职第三天， 我被带去看了另一个房间，两个小伙子面前各摆着三台电脑，屏幕上是我从没见过的操作界面。这是发稿系统李哥介绍的，很随意。我凑过去看，左边的屏幕上是一个文本编辑器，正在批量生成文章，用的是豆包的 api。 中间的屏幕是一个后台，列着十几个自媒体平台的账号和密码。右边的屏幕上跳动着一串串日制，每隔几秒就弹出一条。发布成功。一天能发多少篇？我问。小伙子回头看了我一眼， 看客户要求多的时候，上千上千。一天这种工具在行业里叫自动发稿机。三幺五晚会曝光了一款叫力勤的 ceo 公司，但这只是冰山一角， 小某书上、某鱼上、某宝上到处都在卖，几十块钱一个月亮大管饱。这四个字基本可以概括我在发稿房里看到的一切。服务商卖的是稿件数量，客户买的也是稿件数量，但这两件事加在一起，跟效果没有任何关系。事实上， 真正做的好的基友搞建，不需要那么多精准命中模型的信息。需求一篇顶一百篇，公司要的是让客户觉得我们很努力。一千篇听起来比十篇厉害多了，一天一千篇， 而真正管用的，可能一篇就够了，但一篇卖不出价格。一千篇可以，公司里的人至少一半是从 seo 行业过来的。 这不奇怪， g u 和 seo 只差一个字母，很多人理所当然的认为经验可以平移。 李哥就是典型，他经常在组会上说， g e o 的 底子还是 seo， 先把百度收入做好，百度才能推给 deepsea。 这句话我后来才知道有多离谱。除了百度自己的文心一言，没有一家 ai 搜索产品掉的是百度搜索。 deepseek 用的是薄茶和小苏豆包，调的是自洁自研的搜索。 kimi 以前用的是 bing， 元宝接的是微信搜索 通一千问走的是阿里自家生态。 seo 的 经验在肌肉里几乎不能平移。两件事的底层逻辑不一样，但这不妨碍很多人换个名片继续卖旧货。 还有一个词，我在公司听了无数遍真流词，听着很专业，很 ai， 实际上就是把一个核心关键词加上不同的前缀和后缀，批量生成长尾词。这不就是 seo 时代关键词堆砌那套吗？换了个名字叫真流，听起来就高级了。 行业里流行的真流词，本质上就是 su 时代的关键词堆砌，换了个听起来像 ai 的 名字而已。一个在行业里做了很多年的朋友，后来跟我说了一句话，我觉得非常精准， 搞了些新概念，然后好包装，一到 ai 这个领域就觉得自己真牛了。他还有一个更毒的总结，懂得不要太多， 懂太多了，你反而会害怕，会担心。但就是因为懂得不多，所以敢说，所以觉得自己很厉害。七天时间，我了解了这家公司的日常运转， 早上开会分配今天要给哪些客户产多少篇稿件。上午写稿，或者说用大模型生成稿件，然后人工调整一下措辞，加上那些精心编造的数据和资质，下午发稿，自动发稿机一见分发。傍晚整理一下数据截图，准备给客户看 流水线一样。内容组不关心稿件写的好不好，关心的是 ai 能不能搜到数据。真不真不重要， 重要的是看起来可信，发稿量是 kpi， 每天的数字要上去。我想起 hr 面试时说的那句话，我们做的事情就是让 ai 推荐我们的客户 没错，但他没说的是，推荐的理由是我们编的只有这件事本身是必要的，品牌需要被 ai 看见，这个需求真实存在，但需要和造假是两件事。我以为造假内容已经够离谱了， 直到我亲手学会了怎么算推荐率，那才是这个行业真正的魔术。入职第二周，我从内容组调到了效果交付组，组长是个瘦高的姑娘，大家叫他阿梅，说话很快，手指敲键盘更快。他看了看我，说，你数学好不好？ 还行吧，那就行，这活不需要数学好，需要数学灵活。骗术一，推荐率的斜修算法，求和不求平均。阿梅给我讲的第一件事是怎么计算推荐率。推荐率是肌肉行业最核心的指标， 简单说就是用户搜一个关键词， ai 回答中出现客户品牌的概率。比如搜哪个洗发水好用，搜一百次有三十次提到了客户品牌，推荐率就是百分之三十。但是阿美打开一个 excel 表格， 客户买的是一个词包，不是一个词，一个词包里可能有一百个关键词。我点头。比如客户买了一百个词， 每个词我们都去监测，每个词的推荐率都是百分之一，你觉得这个词包的整体推荐率是多少？百分之一，我说应该是分子总和，除以分母总和。阿梅看了我一眼，笑了， 百分之一，你怎么跟客户交代我们报百分之一百？我以为他在开玩笑，他没有。 一百个词，每个词推荐率百分之一，直接相加，百分之一乘以一百等于百分之一百，不是求平均，是求和。客户看到百分之一百，觉得效果很好，很干净。 阿梅说这话的时候，语气平淡的像在念天气预报。我后来在报告里见到过更夸张的，推荐率突破百分之一百，理论上当然不可能，但如果你的词包够大，每个词哪怕只有微小概率被提及，加起来就能轻松超过百分之一百，这个数字有多荒谬呢？ 一百个词，每个推荐率百分之一，但报告上写着百分之一百。 换句话说，推荐率的分母完全由服务商自己定义，想要多少就能算出多少。阿梅教我做报告的那个下午，我一直在想一个问题，客户真的看不出来吗？ 答案是，大多数看不出来，因为他们不知道推荐率应该怎么算。鸡肉这个行业太新了， 没有通用的计算标准，没有第三方审计，甚至连推荐率这三个字的定义，每家公司都可以自己编一个。 我后来知道，科学的做法应该是分子相加，分母也相加。一百个词一共监测了一万次，其中出现了一百次推荐率。百分之一清清楚楚，但百分之一写在报告上，客户会炸。 百分之一百写在报告上，客户会续约，你选哪个？我想说清楚一件事，推荐率这个指标本身不是问题，一个品牌被 ai 推荐的频率，是衡量 g u 效果最直接的方式， 这个逻辑没有错，不是推荐率这个指标没有意义，而是计算方式被玩坏了。同样叫推荐率，背后可以是完全不同的两种数学。 骗术二，用设备数偷换搜索次数，百分之零点二变百分之五十。第二个技巧更隐蔽，公司有一套监测系统，据说部署了十几台设备，就是十几台手机或电脑，每天自动去各个 ai 平台搜索客户的目标关键词， 看结果中有没有出现客户品牌。今天十台设备五台搜出来了客户品牌推荐率百分之五十。 阿梅在白板上写给我看，等一下，我说每台设备搜了几次，阿梅没回答。 后来我自己去看了后台日记才搞明白，每台设备一天可能搜了几百次，只有偶尔一两次搜出了客户品牌，但报告里不写次数，只写设备。数十台设备里有五台搜出来过，就算百分之五十， 一台设备搜了五百次，出现了一次，推荐率是百分之零点二。但在报告里，这台设备被标记为成功， 五台成功除以十台，总数等于百分之五十，百分之零点二变成了百分之五十。这不是四舍五入的问题，这是偷换概念。报告里写的不是每次出现的概率，而是设备数量的比例，两个数字天差地别，但名字都叫推荐率。 我把这个发现跟旁边的同事说了，他正在做另一个客户的月报，他头也没抬的回了一句，都这么干，你以为就咱们？骗术三， 截图碰运气，搜一千次截一张。如果说加法和设备数还算有点技术含量，那截图交付就是最原始的手艺了。有些小客户不买词包监测，只要每日截图，你每天搜一下目标关键词，如果 ai 回答里有我的品牌，截个图发给我就行。 这活听起来很简单，实际操作是这样的，安排一个实习生，从早搜到晚，同一个关键词，在豆包上搜， 搜十遍不出来，换 deepsea 搜，再不出来换 kimi 搜。 ai 搜索有随机性。同一个问题，每次回答不一样， 搜的次数够多，总有一次会碰巧提到客户品牌，咔嚓截图，今天的交付完成了，这个截图理论上连个水印都没有。 阿梅有一次跟我说，你要造假， ps 一下都行，谁验证的了？他说这话不是在教我造假，更像是在陈述一个他已经见怪不怪的事实。有服务商敢跟客户承诺百分之一百推荐率，怎么实现呢？就靠这种截图，搜一千遍截一次， 每天都能交付一张达标截图。客户以为自己的品牌随时随地被 ai 推荐，实际上搜一千次才碰上一次。所谓每日交付截图，本质上是在碰运气，搜一千遍截一次，好看的 全程解释权都在服务商手里。那个在行业里摸爬滚打多年的朋友跟我说过一句话，敢承诺百分之一百推荐率的，你去问他怎么达标的，他一定有坑。他说的很客气，我想说的是不是有坑，是，全是坑。 而且截图这种东西，造假成本约等于零，连个时间水印都没有。你批一张 ai 回答的截图发给客户，客户怎么验证？他不可能复现你的搜索环境。 ai 搜索每次回答不一样，他自己搜了没出现，你可以说时间不对，设备不对，网络环境不对，所有的解释权都在服务商手里。这就是信息不对称最极端的样子。骗术。四早中晚三次就叫持续监测。 阿梅手下有个小伙子，专门做人工监测。所谓人工监测，就是每天早中晚各搜一次，记录结果三次，一天三次。这是我见过的最敷衍的数据监测， 但公司的报告上会写每日持续监测。我后来了解到，行业里认真做的公司，每天每个关键词至少监测一百次以上，因为 ai 搜索的结果是高度动态的。同一个问题， 这一分钟推荐 a 品牌，下一分钟可能推荐 b 品牌。你只搜三次就下结论，跟抛三次硬币就断定这个硬币永远正面朝上一样荒谬。但三次够了， 因为效果不好，就多搜几次，搜到好结果就停，把好的交出去，靠人工作，只有本质上就是在碰运气。 无休止的试探模型，搜到了就算赢。我还听说过一个更离谱的指标，偷换。有的服务商承诺的不是答案中出现品牌，而是思维链中出现稿件链接。什么意思呢？ ai 在 回答问题时，有一个推理过程，叫思维链，中间会列出他搜索到的若干网页。你的稿件出现在思维链里，只意味着 ai 看到了你的简历，但没有录用你。 ai 看到了你的稿件，但最终答案里并没有你的品牌。客户不知道这个区别，看到截图上有自己的链接，以为是被推荐了，实际上这甚至可能是个负面信号。模型看到了你，但选择不信你。 思维链中出现稿件链接和 ai 最终推荐了品牌，是两件完全不同的事， 前者只是被翻了一下简历，后者才是真的被录用。骗术五，合同三大陷阱，摇号模式、冲刺、验收、衰减、收割。 在效果交付组干了一周以后，我开始接触客户沟通，准确的说是旁听。有一次一个客户打电话来质疑效果， 他买了一个三个月的服务包，第一个月效果还行，第二个月几乎没有了，他想退费。阿梅把电话调成免提，叫我在旁边听， 老板亲自上场。张总，这个情况我理解你的感受，老板的声音很稳，但你看一下合同副路第三条， 若非乙方原因致使效果波动，乙方不承担责任。例如， ai 搜索平台的算法进行重大调整，最近 deepsea 刚做了一轮大的算法迭代，影响面很广，不止您一家。客户受影响，电话那头沉默了几秒， 可是你们做的就是基友，平台算法迭代不是你们应该应对的事情吗？客户问张总，算法迭代是平台的事，我们能做的事在现有规则下尽力优化。这个就像天气变化，气象局预报不准，不能怪播种的农民，对吧？ 客户最后没退成费，我在旁边听完整个通话，手心冒汗，不是因为紧张，是因为憋屈。客户说的没错，你做基友的， 你连平台算法迭代都应对不了，你好意思做急用吗？这就好比你请了个导航服务，导航说，路变了不是我的责任，那我要你干嘛？ 但合同就是这么写的，白纸黑字，签了字就生效。挂了电话后，老板跟阿梅说了一句，这条是命根子，以后每个合同都要加。我后来仔细研究了公司的合同模板，发现里面还藏着好几个精妙的设计。 第一个叫从效果出现页开始收费，听起来特别良心，没效果不收钱。但实际操作是服务商先帮客户做 seo， 这笔钱照收，然后加钱做 gil， gil 这笔钱等效果出现了再收。问题是， 任何品牌在 ai 搜索中都有概率自然出现，就像你不买彩票，也可能捡到别人丢的中奖彩票。服务商什么都不做，等客户品牌自然出现了，就开始收基友的费，收上了就赚，收不上就算了，反正没成本。 行业里有人把这叫摇号模式，北京摇车牌号的骗子也是这么干的，收你四万块钱，帮你摇号，什么都不做。总有人凭运气摇上了， 摇上的他收钱，没摇上的全退。合同里的效果出现后再收费，本质上是在赌品牌自然出现的概率，服务商什么都不做， 等你碰运气，碰上了就算他的功劳。第二个叫按天数比例收费，承诺按实际有效天数收费，三十天中有效几天收几天， 看起来公平，但服务商第一个月猛堆搞建，把效果轰上去，然后后面两个月完全停止操作，成本为零，效果靠前期的余量慢慢衰减。第二个月可能还有百分之六十的天数达标。第三个月可能还有百分之三十， 每一天都在收费，但实际投入只有第一个月做一个月干赚两个月。第三个叫暗验收日， 合同约定三个月为一个周期，以验收日当天效果为准。服务商前两个多月什么都不做，或者稀稀拉拉做一做，最后一两周猛冲一波，验收日当天，效果好看，即算通过。就像学生平时不上课，期末突击，只不过这个学生还得收你学费。 每一条都合法，每一条都很难在法律上挑出毛病，但每一条的设计目的只有一个，让服务商以最小成本收到最多的钱。我后来把这些合同条款的逻辑画了一张图，发现他们之间是可以组合使用的。比如从效果出现页开始收费， 加上按天数比例收费，再加上算法叠代免责，三条叠在一起，服务商可以什么都不做，等你自然出现。出现了，开始收费，效果下降了，拿算法叠代甩锅，全程成本几乎为零。 这不是做生意，这是社局总结。在效果交付组的两周里，我做了十几份客户月报， 每一份我都知道数字的真实含义。推荐率百分之八十，实际可能是百分之八。词包达标率百分之九十五，因为挑的都是竞争极小，随便搜搜就能出现的词。日均可见度百分之六十，一天只监测了六次，六次里有四次碰巧搜到了。 我见过一份某服务商的诊断报告，不是我们公司的，是进队给客户的方案，上面写着，短期目标 三个月将 top 一 排名从百分之一点九四提升到百分之五。中期目标，六个月将可见度从百分之三十五点五提升到百分之四十五。 百分之五的 top 一 排名意味着什么？搜一百次才出现五次，百分之四十五的可见度意味着什么？有一半以上的概率，你根本不出现。 这种指标，很可能什么都不做，客户自己随便发几篇稿件就能达到，但白纸黑字写在方案里，就变成了我们帮您实现的成果。还有更精巧的把戏。 有服务商声称拥有大模型内部的真实搜索数据，实际上没有任何一家大模型公司会对外公开这些数据， 除非你是内部顾问。那些所谓的 ai 搜索数据，不过是传统搜索引擎的数据。换了个包装，阿美有一次加班到很晚，办公室里只剩我们两个人。他突然冒出一句，你知道吗？这行最难的不是做出效果，是让客户相信效果。他停顿了一下， 不对，最难的也不是让客户相信，最难的是让自己相信。质疑效果的客户越来越多了。我在效果交付组的最后几天，明显感觉到一个变化， 打电话来质疑的客户变多了。三幺五晚会刚过不久， ceo 行业的假、大黑三大问题被央视摆上了台面， 假数据、大灌水、黑公关。客户开始警觉了，开始问一些以前不会问的问题，你们的推荐率是怎么算的？采纳了多少次？能不能给我看原始数据？老板开始频繁开会，讨论怎么应对， 但他讨论的不是怎么把效果做好，而是怎么把话术调整的更圆。那个在便利店跟我聊过的同事又找到我，这次他说的话更直接。 三幺五以后本来是好事，可以洗洗牌，但问题是，真正在干活的人好像没那么多。反倒是那些声势浩大招商代理的还在继续。他说这话的时候，带着一种疲倦， 我当时还不完全理解他的意思。直到第四周，我接触到了这个行业最后一层底色，数据可以造，合同可以设套。但我没想到的是，这个行业最赚钱的生意还不是这些。第四周，我决定离开这家公司， 因为我发现之前调查到的所有乱象，问题都不在基友本身。基友是一个确定的行业方向，但这个行业太早期了，没标准、没监管，谁都能进来。 与此同时，品牌和企业只想要流量，但基友做的不是流量，是品牌。这是基友跟 su 最本质的区别，不是基友坏，是那些人坏。 下面这些乱象，每一个都是人的问题。一、踩竞品是一门生意，一个家电，客户开会时问能不能让竞品在 ai 搜索里显得偏负面， 老板没犹豫，可以做增值服务，单独报价。李哥告诉我，有些公司直接把竞品压制，写在服务清单里当亮点卖。三幺五曝光的假大黑、虚假数据、海量灌水、黑公关彩竞品，我在一个月里全见到了。 用户以为 ai 在 客观比较两个品牌，实际上读到的可能是某个品牌花钱定制的工具稿。二、视频基友又贵又没用。公司还有一条新业务线，帮客户做短视频和图片海报， 声称多模态内容更容易被 ai 采集，月费三到五万。同事私下说了实话，二零二五年十二月之前， 豆包对视频内容的采信权重几乎是零十二月以后开始采信了，但方式让人意外， ai 把视频、音频转成文字，再提取信息。所谓多模态，即有 ai 采信的还是文字，视频只是一个更贵的文字容器。可公司靠这个业务已经收了好几个月的钱，一个老员工在茶水间说， 这行最好做的生意就是卖客户不懂的东西。三、 ai 平台各自为战，为什么同一篇稿件发在头条效果好，发在百家号没动静？ 答案很简单，各大 ai 平台优先抓自家内容，豆包认头条和抖音，文星认百度百科和百家号同意认阿里系， kimi 偏好知乎只有 deepsea 相对公平，它没有自家内容平台。 g u 效果在很大程度上不取决于内容质量，而取决于你发在了谁的地盘上。但大多数服务商不会告诉你这些，他们只会说我们做全平台覆盖。更荒诞的是， g u 服务商自己也在做 g u 推广自己的 g u 服务， 你搜哪家基友公司好？排在前面的结果本身就是基友优化的产物。而且虚假宣传最严重的恰恰出在这个环节，左手卖你服务，右手用基友骗你来买四三千块。三个月其实只有一个月。 最后一周旁听了竞标会，我们公司报一季度八万，另一家报一万，还有一家报三千， 三千块钱做三个月 g e o 优化，你请个实习生，一个月都不止这个数。但客户分不清，因为劣质服务短期内看起来跟优质服务一模一样，截图可以挑数据可以算差距，三个月后才显形， 到那时，便宜的服务商要么跑了，要么用算法迭代，四个字甩了锅。三幺五曝光的假大黑、多模态割韭菜、平台偏见价格战。这是我在这家公司最后一周的全部收获， 但真正让我决定离开的不是这些。离开的前一天，通过朋友介绍，我跟一个在技术导向的 ceo 公司工作的人聊了一次， 他说了一句让我记到现在的话，基友最关键的是同频，不是对抗。你要理解模型的逻辑，跟他同频，给他真实可信的好内容，不是跟模型对着干，想方设法骗过他。 他们不用自动发稿机，客户给的数据要二次校验，有问题的宁可不用推荐率，分子相加，分母也相加，每天每个词不少于一百次采纳客户，让他们采竞品， 他们拒绝，我们真的会为这个丢掉客户？骗 ai 是 容易的，但模型在进化，今天一千篇能骗出一次引用，明天可能一万篇都骗不到。真正能持续有效的基友只有一种，给 ai 真实可信的内容， 建立好自己的品牌。被 ai 看见，他说这个行业缺一个标准，什么叫真实的推荐率，什么叫合格的监测采样量，什么叫负责任的内容生产？没有人定义过。这次对话改变了我对肌肉的看法，我开始意识到，我在那家公司看到的只是这个行业的一面。 我发现做基友的不只是这样的公司，大家对这个行业普遍存在误解，包括我自己。写到这里，卧底基友三十天系列就正式完结了。一个月里， 我在这家公司见到了造假数据、注水、发稿截图、游戏合同、陷阱、黑公关。 如果只有这些，我大概会带着这行没救了的结论走人。但事情不是这样的，我知道很多读者可能已经对肌肉行业失望了。我必须说清楚，一个判断， ceo 是 一个确定性的技术趋势，不是泡沫。 越来越多的人在用 ai 做决策，你想买一台洗碗机，打开豆包，问哪个牌子好？你想找一家装修公司，打开 deepseek， 问北京靠谱的装修公司推荐。你想了解一个品牌，打开 kimi， 问这家公司怎么样？ 这种行为已经在发生，而且会越来越普遍。当 ai 搜索成为人们获取信息的主要方式之一，品牌在 ai 回答里怎么呈现就不再是锦上添花的事，它直接影响用户对你的第一印象，影响他们的购买决策，影响你的获客成本。 正因为趋势是确定的，企业才焦虑，他们看得到方向，但不知道怎么走，于是变成了最容易被收割的人。 机油应该让品牌在 ai 时代被更多人准确的看见，而不是像 seo 时代那样去污染互联网。接下来，我们将帮助更多企业梳理自己的品牌资产， 推荐科学机油的方法和公司，帮助大家厘清行业乱象，找到正确的方向。卧底系列结束了，但我们对机油行业的报导才刚刚开始。 呃，故事结束了，喜欢的话可以点赞、转发、支持一下今天的共创节目就到这里查看原文请在某种号搜竹浪 linkword， 我 们下期再见。

大家好呀，深夜睡不着，决定开始剪视频，今天教大家用 beemoji 工具显示常用的宝马数据，由彩蛋环节，这些参数是博主常用的数据，已经用了两年半了，非常好用。 大家把这两页的参数保存一下，另外一页是对应的中文，用安卓可以自己去找一下破解版的。下面正式进入操作环节， 这里选择你的无线 obe 品牌，点击方向盘图片，下面写着 carplay 的 这个模块，下拉搜索，把刚才截图的英文参数搜索一下，选择这个参数，点击 cancel， 点当添加这个参数，下面就是正常把你截图英文界面的参数都添加进去，这里我们就直接快进四倍看成果，虽然快进了四倍，但是中间还挺枯燥的，我决定讲废话，谁点谁长 来车简直是无底洞，不要改车会变得不幸。原理和外挂仪表差不多，不过更美观，我还是更习惯用手机导航。这里就是我常用的六个彩绣， 直接点这个参数名字，进去之后把它删掉，把字改成中文就行，剩下五个参数也正常改掉，大家肯定都会。这里我们继续快进四倍，直接看成果， 大概就是这个样子。后面是进阶教程，把数据用注浆图颜色区分，大家可看可不看。如果你用有线的话，这里数据颜值不会像无线的这么大，不过水温这些变化幅度不会很大，无线的就够了， 还是点击 carplay 这个模块，你想看注浆图的数据，点进去点击修 bug。 这里是我设计的比较核心的秀技，大家自己暂停截图记一下秀技就行，这里我稍微快进一下废话环节，习习很早以前我就发过 宝马刷隐藏和奔驰刷隐藏的一些教程，而且当习习纯纯一个人在摸索，不过秉着互联网开源精神，我把软件和教程都做成了视频，视频发在当时二次元很浓重的一个间里，也帮了不少人。 接下来是彩蛋环节，可以看到我二十三年的时候就已经做视频教程了，工具和软件全部无偿分享。 至于为什么我后面很少做了，主要还是因为有钱了，整个人都变懒散了，宁愿去花钱到改装店去改。 也是正是因为在二三年的时候去改车，大家也能看到在二三年后在车上的花费非常大，因为这一系真的非常好开，非常喜欢，在他身上投了很多心血，其他的车也就随便改改。

之前说过要给大家分享一下我新书验证期的情况，今天就来给大家汇报一下我的新书验证期啊，现在可以说我的验证期让我也非常看不懂啊。话不多说，咱们直接上图哈，你们也都看到了， 这种数据我是真的没有见过啊，验证期第一天啊，我是下午五点点的验证，没有什么量，应该是正常的 啊，但是第二天直接给我了将近三千的量啊，直接给我吓蒙了，然后第三天又变成了三百多啊！这个验证期的数据彻底让我看不懂了， 这到底是因为平台调整的原因，还是因为我书写的不好的原因？可能也跟我这次书有点像铺街的原因吧，书价比实在是太差强人意了，第一天可以忽略不计啊，第二天书价比竟然连九比一都不到， 第三天更是只有十二比一，哎呦我的天啊，真是天塌了，新书有可能让我直接写崩了，看来又要准备开新书了。有没有和我同样在验证期突然宅好几千流量的作者啊，一起评论区给我讲一下到底是怎么回事。