鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

豆包,正在成为「新字节」

编程导航
编程导航
2025-12-29 23:52
阅读 288
编程导航
2025-12-29 23:52
阅读 288

文 | 奇点研究社,作者 | 孟雯

时隔5年,字节又一次让一款产品跑出了抖音级别的增长曲线。

上线两年半,豆包APP实现DAU破亿,成为国内用户量级最大、DAU数据最高的AIGC应用。

纵观中国互联网历史,DAU破亿的产品屈指可数:微信、抖音、淘宝、支付宝……它们无一例外不是深度嵌入到用户日常行为,最终成长为平台级、入口级的产品。

而在AI时代,豆包是第一个。

但和前面所述的这些成熟产品相比,它也是特殊的。根据媒体报道,字节内部人士透露,豆包在所有破亿DAU的字节产品中,获客成本处于历史最低水平。从某种程度上,也代表豆包已经走过了“投流大战”,走入用户自然增长的新阶段。

一天前,还有一则有关豆包的消息刷屏,在接下来的2026年春晚上,豆包将正式登台,联合火山引擎成为央视春晚独家合作伙伴。

在国民级舞台亮相,同样的战略投入动作在字节身上从未出现过,但在互联网已不是新鲜事,如15年的腾讯微信红包,和16年的阿里支付宝。如今,微信支付和支付宝早已经成为腾讯、阿里高市值的重要支撑。

如果说今日头条、抖音,代表了字节最初的十年,它用算法重新为自己划分了一系列“轻模式”蛋糕——广告、电商。那么,从当下的种种动作来看,都可以毫不客气地说,豆包正在成为字节下一个十年的代表。

这其中有字节对新流量入口的AII in,有对不满足于“轻资产”模式的更大野心,更有这家年轻科技企业更激进的下一个十年的战略卡位。

豆包,正在成为“新字节”。

字节“All in”豆包

过去一年,字节几乎将企业所有核心资源:算力、资金、组织人才等等,持续向豆包(APP、大模型)倾斜。

年初,字节跳动启动了Seed Edge项目,要做比预训练和大模型迭代更长线、更基础的通用人工智能(AGI)前沿研究。豆包大模型所在的 Seed 团队,优先级也被拔高。

2025 年,字节完成了 AI Lab 等多团队的整合,吴永辉出任 “一号位”,全面聚焦大模型的基础研究与应用落地。为保证长期稳定的研究环境,不仅给团队成员配套了额外的期权激励,甚至取消了季度 OKR和半年考核,这在字节内部是很少见的。

专注AI应用落地的Flow部门,新调任的豆包产品负责人赵祺,此前曾是字节跳动AI条线的人力负责人,这一从“管人”到“管事”的调动,凸显了公司内部对豆包在组织和人才发展的重视。

更上层的关注来自创始人张一鸣。据多家媒体报道,从2024年下半年开始,张一鸣每月都会亲自参与“Seed”的复盘与讨论会。创始人的深度参与,确保了AI战略与公司顶层设计的高度对齐。

而对一家早已完成规模化扩张的企业来说,创始人重新深度介入一线技术讨论,本身就意味着战略重心的再度迁移。

资金投入也是不遗余力。2024年字节采购服务器达80亿美元,位居国内各大企业第一,GenAI IaaS服务市场份额在2023H2及2024H1分获国内市场份额第一和第二。

人才、资源、资金上的多方倾斜,让豆包率先在一众AIGC产品中,跑出一条不完全依赖买量驱动的增长曲线。

DataEye研究院旗下ADX行业版数据显示:11月大陆市场原生AI产品投放素材89.1万组。其中,腾讯元宝、千问、豆包、AI抖音、360AI智剪位列前五,占据95%的投放份额。腾讯元宝素材量占比46%、千问占比34%、豆包仅11%,豆包的投入强度仅为元宝和千问的三分之一。

25年三季度豆包APP月活达1.59亿,相较于二季度的1.3亿环比增长22.2%,首次超越DeepSeek成为月活冠军。

从「APP工厂」到「AI工厂」 

在移动互联网时代,字节依靠算法分发、快速试错和赛马机制,连续跑出了今日头条、抖音这样的超级应用。

进入AI 时代,这套“工厂”逻辑依然奏效。只不过对象从APP,变成了AI模块。而豆包,正是这个AI工厂的集中展示舞台。

2023年8月豆包APP上线,首批只提供文本对话与基础图像生成能力。此后,字节延续过往“快速验证、快速开发、快速推新”的流水线模式,2024年5月新增文档上传与要点提炼功能。2024年底加入了实时语音交互、高级AI音乐创作等功能。

今年豆包全面提升多模态能力,优化中文理解深度,从单纯的对话式AI升级为“可执行任务的AI助手”。

年初,豆包实时语音通话能力上线,用户能“像打电话一样”与AI连续互动,成为国内最早实现端到端实时语音交互的AI助手。3月上线“深度思考”,支持边想边搜。5月上线实时互动视频通话能力,交互体验进一步升级。6月上线AI博客功能,是国内首个免费+秒级生成的双人对话式语音博客,同月“一句话P图”全量上线,依托SeedEdit3.0实现国内首创的动态语义解析与风格统一的精准编辑。

据不完全统计,上线至今,豆包APP已完成至少20次以上的版本迭代,25年更是保持每月“上新”的节奏。

从某种角度来说,在过去3年的AI时代,字节正在以豆包为核心阵地,基于自身强组织能力、强产品能力、强底层中台能力快速以“AI工厂”的形式进行前端产品迭代,以尽快占领市场。

值得一提的是,这种“AI工厂”的能力既延续了APP工厂的核心优势,也有显著不同。相同点在于,字节依然保持高度扁平化的组织架构和强大的技术中台支持,使得研发(如Seed、AI Lab)与业务(如豆包APP)能保持统一的高效迭代速度,复制今日头条、抖音时代的架构红利。

不同之处在于字节的“AI工厂”并非单纯构建一个新应用,而是快速开发并迭代出一系列AI模块,这些模块被统一整合进豆包中,并迅速赋能到即梦、剪映等字节系核心产品,通过AI能力的跨产品复用来驱动整体用户增长。

仔细观察还会发现,和其他企业发布的AI能力不同的是,这些模块不单是基于AI的视频生成、图像生成,更有渗透交易端的尝试。

(交易都导入抖音APP)

如果说之前的APP工厂是字节对于机会的探索,经过调研对应市场的机会,通过强组织和强产品力迅速基于APP打通商业闭环,那么如今字节的AI工厂则是动作更为稳健,动作频率虽依旧频繁,但不再是四处出击,而是以AI能力为核心,基于豆包围绕自身既有业务和潜在业务边界进行尝试。

典型正是字节联合中兴推出的豆包AI手机。它可以看作是字节对既有的互联网商业边界的一次有力出击。出击的人多了,商业壁垒自然会被削弱。

豆包就是「新字节」 

在普通用户眼中,豆包是一个会对话、能画画、能写歌的AI助手;

但从字节的牌面来看,豆包并不是一款简单的“产品”,它更代表字节的全部野心,这种野心不仅是前文提到的TO C,更是TO B。

相较于其他云厂商,字节的云计算起步相对晚,与之对应的是传统云计算市场存量客户寥寥无几。但AI云给了字节机会,这也是在过去2年字节对外一直打AI云的原因,即基于不同于传统云计算的MaaS模式另起一个战场,在这个主场作战。

豆包就是字节,也可以说火山引擎的武器。这点不难理解,恰如互联网云时代,微信之于腾讯云、淘天之于阿里云,在面向客户时都会以“自身”为最优实践案例,说服企业购买自身的云服务,这种“自身的标杆效应”屡试不爽。

豆包同样如此。这点也确实已经奏效,研究公司Omida最新报告显示,火山引擎MaaS服务的Tokens使用量排名中国第一。Gartner发布2025年度全球《AI应用开发平台魔力象限》,火山引擎凭借豆包大模型和火山方舟MaaS大模型服务平台 ,在中国厂商中位居第一。

在这次火山大会上,字节也祭出了“豆包同款”的AI云能力。

不论是从TO C还是TO B,字节都在把既有的牌塞进豆包,并尝试有更大的关联效应出现。

在字节的AI身位里,不论是即梦还是剪映,都是以豆包为前端流量口进行导流。而以豆包为中心点的能力如今已经成为字节系产品的新基建,比如基于即梦的AI视频生成,可以用来剪短剧、AI漫剧,基于剪映的AI能力,抖音的内容生态被更进一步放大。

豆包在底层角色的同时,也在成为前端新的流量点。如今抖音短视频、短剧等都可以通过豆包APP打开并播放,而伴随着人们对AIGC应用的更高频使用,豆包或将成为字节最大的流量阵地。

可以说,在豆包这款产品上,既能看到字节在移动互联网时代打磨出的强组织能力、产品能力、市场机会洞察力,也能看到字节在TO B战场想要拿下一号位的AI云野心。

2026年,字节的“豆包化表达”,必将越来越重。

原文链接: 豆包,正在成为「新字节」
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230