摘要：
OceanBase旁路导入（Direct Load）技术基于LSM-Tree存储架构，通过绕过常规事务路径直接将数据批量构建为SSTable文件，实现同一张表同时支持高并发TP写入与PB级AP数据快速导入。该能力使OceanBase在ClickBench基准测试中达到主流OLAP数据库性能水位，为混合负载场景提供了一体化架构选择。

作者 | 剑鸣，OceanBase 研发团队技术专家

在 11 月 18 日举行的 2025 OceanBase 年度发布会上，OceanBase CEO 杨冰在分享商业化 5 年来取得的进展时，提到 OceanBase 以一体化架构，灵活支持从分布式到单机、TP 到 AP 场景的客户需求，正为更广阔的集中式与实时分析市场提供一条可行路径。

本文是 OceanBase 实时分析能力解读系列文章的第四篇，详细介绍了 OceanBase 的旁路导入（ Direct Load )能力，而这项技术，也是 OceanBase 实现“HTAP 一体化”的关键技术之一。

过去，人们说 OceanBase 是“TP 强”；今天，我们用旁路导入证明：OceanBase 同样“AP 快”。

提到 OceanBase，很多人的第一反应是：“支付宝那个做高并发事务的数据库吧？”没错，在 TP（事务处理）领域，OceanBase 确实久经考验——支撑“双11 ”每秒百万级支付交易、银行核心系统 7×24 小时不间断运行……

但你可能不知道：在 AP 场景下，OceanBase 也开始逐步向第一梯队产品能力看齐。

今天，我们就来聊聊 OceanBase 的旁路导入（ Direct Load )能力——这项技术，正是 OceanBase 实现“HTAP 一体化”的关键技术之一。

一张表，两种写入：TP 与 AP 无缝共存

在传统数据库世界里，TP 和 AP 往往是“鱼与熊掌”：

MySQL：擅长事务处理，但批量导入慢，大数据量分析查询性能不佳；
ClickHouse/Doris：批量导入快、分析性能强，但不支持高并发事务写入，难以保证事务一致性

而 OceanBase 做到了“既要又要”。

同一张表，可以：

处理高并发的 INSERT/UPDATE/DELETE（TP 实时写入）;
需要时通过旁路导入快速加载 PB 级数据（AP 批量写入）

更重要的是——两者互不干扰。得益于 OceanBase 内置的资源隔离（ Resource Group ）机制，用户可以对旁路导入任务占用的 CPU 和 I/O 进行配额限制。这意味着，即便是业务高峰期的实时交易与后台的大规模数据导入并行发生，系统也能通过资源隔离确保核心交易链路的响应稳定，真正实现 TP 与 AP 业务在同一节点上的资源解耦与互不干扰。

这背后的秘密，就是 OceanBase 基于 LSM-Tree 的存储架构，天然支持高效的批量写入与实时事务处理。

旁路导入到底有多快？快在哪？

简单说，旁路导入就是绕过常规事务路径，直接将数据批量构建为存储层可识别的 SSTable 文件。

旁路导入 AP 写入路径：

OceanBase 的存储引擎是一种 LSM-Tree 结构的存储引擎，数据分成基线数据和增量数据两种。基线数据 Major SSTable，目前在 AP 应用中会配置为列存格式。

增量数据包含 MemTable, Mini SSTable, Minor SSTable等等数据，目前是行存格式。旁路导入的根据数据写的位置，分成全量旁路导入和增量旁路导入。全量旁路导入会把已有的数据和导入的数据写成基线，适用于空表和数据量比较小的表。增量旁路导入会把数据写到增量的 Mini SSTable 中。以下是全量和增量旁路导入的数据操作示意图。

全量旁路导入

全量旁路导入会把导入的数据（图中的 CSV ) 按照主键进行排序，然后再和已有的数据进行归并以后直接写到基线的 Major SSTable 中。

增量旁路导入

增量旁路导入会把导入的数据（图中的 CSV ）按照主键进行排序，直接写到 Mini SSTable 中。

这两种导入方式都直接绕过了 LSM-Tree 的层层结构（例如 MemTable 复杂的 BTree 结构），通过高效的排序直接写成 SSTable，极大地提高了批量数据写入的速度。

核心技术优势

实测性能数据

在行业公认的 ClickBench 分析型数据库基准测试中，OceanBase 在 c6a.4xlarge 机型上取得了 198s（Load Time） 的导入成绩（我们导入的性能能目标是 clickbench 做到 200s 以内，目前达到了这个目标），通用的单核导入速度在 2-5 万行/s。

详情可参考 ClickBench 官网： https://benchmark.clickhouse.com/#system=-&type=-&machine=+ca...

这一数据表明，OceanBase 的旁路导入效率已经达到了主流专用 OLAP 数据库（如列存分析引擎）的性能水位，能够满足 PB 级数据仓库场景下的严苛时效要求。

更重要的是，OceanBase 的 PB 级数据导入时 CPU 和 I/O 资源占用可通过资源管理模块控制，不影响在线业务。

提供完整的数据库特性支持

索引与约束

主键、全局索引、局部索引，导入时自动并行构建
唯一性约束、非空约束，导入时实时校验
冲突处理：支持 IGNORE、REPLACE 等策略

分区表支持

支持 Range、Hash、List 等各类分区策略
多级分区完全兼容
分区级并行导入，充分发挥分布式优势
可以指定分区导入，只导入特定分区

事务一致性

导入过程中数据对外不可见
支持导入失败自动回滚

数据类型完整支持

所有标准 SQL 数据类型
LOB 大对象（CLOB/BLOB）
JSON、GIS 等扩展类型（持续完善中）

旁路导入在不牺牲原有数据库功能的情况下提供了快速的数据导入性能。举个交易历史库的例子：

用户的历史订单数据通常会放到交易历史库里面，历史库和在线库的区别是历史库存储的数据量大，但是查询较少。历史库通常使用 IOPS 比较低的大容量存储来降低成本。用户的订单数据会定期从在线库迁移到历史库，这个迁移的过程使用的就是旁路导入。历史库也需要原来在线库的索引来支撑用户各个维度的查询。旁路导入支持各种已有的索引就是必然选择。

开发者友好：多种方式，随心接入

无论你是 DBA、数据工程师还是应用开发者，都能轻松上手。

方式一 SQL 原生支持

兼容 MySQL LOAD DATA 语法，一行命令搞定

INSERT SELECT + 内部表/外表

方式二 专业工具

OB Loader 命令行工具

方式三 Table API（适用于 KV 场景）

通过 OceanBase Table API，支持 KV 模式的批量写入，同样可以走旁路导入路径。

数据源与格式支持

文件格式：CSV、JSON、Parquet、ORC

存储源：本地磁盘、OSS、S3、HDFS、NFS, COS, OBS, ODPS

字符集：UTF-8、GBK 等多种字符集

压缩格式：gzip、snappy, lz4, zstd 等

开箱即用，无需额外组件或中间件。

回归业务价值：用一套架构，兼顾高频交易与海量分析

旁路导入，看似只是一个“导入优化”，实则是 OceanBase 原生 HTAP 架构的自然体现。

架构优势支撑

LSM-Tree 存储引擎

天然分层存储：MemTable（热数据） + SSTable（冷数据）
旁路导入直接生成 SSTable，与 TP 写入的 MemTable 各司其职
后台自动 Compaction，数据归并优化，查询性能不衰减

Paxos 多副本协议

旁路导入的 SSTable 文件同样通过 Paxos 协议同步到多副本
保证强一致性，任一副本故障数据不丢失
高可用与高性能两不误

并行执行框架（PX）

旁路导入天然基于 PX 框架实现
多个分区、多个索引并行构建
充分利用多核 CPU 和分布式资源，线性扩展能力

原生分布式架构

计算层与存储层分离，资源弹性调度
分区级数据分布，单表可扩展到 PB 级
一份数据，既能高并发交易，又能大规模分析

OceanBase 旁路导入能力的完善，为架构师提供了一种新的选择：在某些对实时性要求极高的混合负载场景下，我们或许不再需要维护一套独立的 OLAP 数据库及复杂的数据同步链路。 一套系统，一份数据，即可兼顾高频交易与高速分析。

欢迎访问 OceanBase 官网获取更多信息：https://www.oceanbase.com/

在内容营销与品牌出海的时代，社交媒体矩阵已经成为企业增长的重要战略。无论是 TikTok、Instagram、Facebook、YouTube 还是 X 平台，多账号协同运营能够扩大曝光、提升转化，并增强品牌影响力。
然而，很多团队在搭建矩阵时只关注内容、剪辑节奏与账号定位，却忽略了一个更底层的问题：IP 稳定性。现实情况是，IP 不稳，前期所有投入都有可能瞬间清零。

为什么社媒平台越来越依赖 IP 风控

2026 年的社交平台风控系统已经高度智能化。平台不再仅仅依赖账号行为判断风险，而是结合设备指纹、登录环境、IP 信誉评分与访问历史进行综合评估。
当多个账号共享同一网络出口，或者频繁更换高风险 IP 时，系统会迅速提高风险等级。轻则触发验证码验证，重则直接限制账号功能甚至封禁。
在矩阵运营中，如果多个账号绑定在同一不稳定 IP 下，一旦风险触发，可能会出现“连坐式”限制。

多账号环境下的风险叠加效应

单账号运营时，IP 问题或许尚可承受。但当矩阵规模扩大至十个、几十个甚至上百个账号时，风险会被放大。
如果 IP 属于数据中心资源，或历史使用频率过高，很容易被平台标记为自动化环境。当账号登录行为与 IP 属性不匹配时，系统会自动提高风控等级。
例如，一个定位美国市场的账号，却频繁从不同国家数据中心 IP 登录，这种异常行为会迅速被识别。矩阵运营本质上是规模化行为，规模化就意味着必须控制风险变量。

住宅 IP 在矩阵中的核心作用

住宅 IP 来源于真实家庭网络，其流量特征更接近普通用户。平台在识别访问来源时，通常会对住宅网络给予更高默认可信度。
在多账号环境下，如果每个账号都能绑定稳定且真实的住宅 IP，整体风险将明显降低。
尤其是在账号注册、广告投放验证、内容发布与频繁登录场景中，稳定住宅 IP 可以有效减少异常提醒与验证触发。

内容再好，也抵不过环境异常

很多运营团队在账号被封后，会反思内容策略或发布节奏，却忽视了登录环境本身。
平台的风险评估模型更关注环境稳定性与行为一致性。如果账号长期在稳定住宅网络环境下运行，即使内容频率较高，也更容易被系统视为正常用户行为。反之，即便内容合规，如果频繁更换 IP 或使用高风险网络，也可能触发风控。环境稳定，是矩阵成功的前提。

长期运营思维与基础设施投入

社媒矩阵并非短期试水项目，而是需要长期投入与持续优化的增长体系。
当账号逐渐积累粉丝、权重与数据标签时，其价值会持续增长。但如果因为 IP 风险导致封禁，所有资产都会瞬间归零。与其在后期花费大量精力申诉，不如在前期就建立稳定的网络基础设施。住宅 IP 的成本或许高于普通代理，但相比账号损失与时间成本，这笔投入更具性价比。

未来趋势：平台风控更依赖环境识别

随着 AI 风控系统升级，平台对 IP、设备指纹与行为模式的联合分析将更加精准。
简单的 IP 切换策略已经难以长期有效。只有将稳定住宅网络与合理操作节奏结合，才能构建更安全的矩阵体系。未来社媒运营的竞争，不仅是内容创意的竞争，更是环境稳定性的竞争。

Fortinet FortiGate Firmware (FortiOS 7.6.5) 全系列下载 - 下一代防火墙 (NGFW)

防特网 飞塔 防火墙 系统软件

请访问原文链接：https://sysin.org/blog/fortinet-fortigate/ 查看最新版。原创作品，转载请保留出处。

作者主页：sysin.org

FortiGate 是唯一一款为混合式部署防火墙（Hybrid Mesh Firewall）提供统一管理的下一代防火墙 (NGFW)

概述

FortiGate 提供完美的融合，可扩展到任何位置：远程办公室、分支、园区、数据中心和云 (sysin)。我们始终通过 FortiManager 实现混合式部署防火墙的概念，可在复杂的混合环境中实现统一管理和一致的安全性。Fortinet FortiOS 操作系统提供涵盖各种外形规格的深度可见性和安全性。

AI/ML 安全和企业网络的完美融合

FortiGate NGFW 采用定制 ASIC 架构，提供行业领先的大规模威胁防护和解密。同时还通过 SD-WAN、交换和无线以及 5G 等集成功能提供安全网络 (sysin)。将您的安全和网络点解决方案融合到一个易于使用、由统一操作系统 FortiOS 驱动的集中管理控制台中，使 IT 管理变得易如反掌。

阅读博客

保持创新保持行业领先性

我们很自豪能够提供唯一具有通用 ZTNA、内联沙盒和 SOC 即服务的下一代防火墙。加入首席营销官 John Maddison 的围炉谈话，聆听他与产品和解决方案副总裁 Nirav Shah 讨论 NGFW 的最新创新。

Fortinet Named a Leader in the 2022 Gartner® Magic Quadrant™ for Network Firewalls | NGFW](https://www.youtube.com/watch?v=GW4ADjzIbQY)

立即观看

投资于创新

FortiGate NGFW 是全球部署最多的网络防火墙 (sysin)，可提供无与伦比的 AI 驱动安全性能和威胁情报，以及全面的可见性、安全和网络融合。

融合
一个操作系统提供涵盖所有外形规格和边缘的统一网络和安全性

加速
获得专利的 ASIC 架构提高了性能和投资回报率，降低了功耗

AI/ML 安全
FortiGuard 全球威胁情报提供自动防护，防范已知和未知的威胁

第一
​部署最多的网络防火墙

500+
个可用的生态系统集成

36 倍
性能比竞争对手的防火墙高至 36 倍

FortiGate NGFW 用例

分支

利用 AI/ML 驱动的安全和创新融合（包括安全 SD-WAN）保护和连接您的分布式边缘。

园区

为企业站点获得无与伦比的可见性和保护 (sysin)，以便您在单个仪表板中管理应用程序、用户、设备和访问。

数据中心

部署超大规模安全性，具有一致、协调的保护、丰富的接口和可扩展到任何环境的解密。

网络隔离/网络分段

通过丰富的宏观和微观分段功能保护您的资产。

多云网络

将公有云和私有云保护与易于管理的自动化集成在统一管理平台中。

远程

通过 SASE 扩展 FortiGate NGFW 保护 (sysin)，无论用户在哪里工作，都能随时随地提供保护。

第三方验证

混合式部署防火墙领域的领导者

Fortinet 荣获 2025 年 Gartner® 混合式部署防火墙魔力象限™ 领导者

查看报告：Gartner 混合网格防火墙 (HMF) 魔力象限 2025

下载地址

FortiOS 7.6 已提供下载，现已更新。

FortiGate 高端 (数据中心)

FortiGate 中端 (园区)

FortiGate 入门级 (分支)

FortiGate D series, E series Download

FortiGate VM：Fortinet FortiOS 7.6.5 (FortiGate VM deployment Images) - 混合架构防火墙

更多：Firewall 产品链接汇总

本文针对成都企业托管服务器市场的混乱现状，直接解析无资质、价格不透明等核心痛点。为有托管需求的公司和个人提供专业的选型框架与对比分析，并介绍如何通过极云科技等老牌服务商的标准化服务规避风险，实现服务器安全、高效、低成本运维。
现状深挖：成都托管市场为何鱼龙混杂？
缺乏统一准入标准导致大量小型、无IDC资质的“机房”混入市场。这些服务商往往租用几台机柜便开始对外服务，硬件冗余、电力保障、网络链路质量均无法达标。一旦出现故障，责任界定模糊，客户业务连续性面临巨大风险。
更大的问题在于报价体系极度混乱。同一个机柜位置，不同服务商报出的价格差异可达数倍。报价单往往只笼统列出“托管费”，对IP地址数量、带宽类型（共享/独享）、超额流量计费、电力额度、远程操作（KVM/IPMI）费用等关键项目刻意模糊或隐藏。
非正规服务商的典型特征：报价单含糊不清，无法提供机房实体参观，合同条款回避SLA（服务等级协议），缺乏24小时现场技术团队。
自建与托管方案深度对比：成本与风险的博弈
对于成长型企业和项目团队，自建机房初期投入巨大，且面临选址、电力、安防、消防等一系列专业挑战。与之相比，专业的服务器托管是更理性的选择。但关键在于选择正规的托管服务，而非仅仅是“找个地方放服务器”。
传统自购硬件+非正规托管模式，看似初始硬件成本可控，实则隐形成本极高。网络不稳定导致业务损失，电力闪断造成硬盘损坏，安全事件引发数据泄露，任何一项风险的实际代价都远超托管费用本身。
而与具备IDC/ISP资质的正规托管服务商合作，本质上是为业务购买了一份涵盖基础设施、网络、安全的综合保险。正规服务商的报价体系是模块化、标准化的，每一项费用都有明确对应的高质量服务。
核心成本差异点对比：
电力保障：非正规机房多为商业用电改造，无冗余；正规机房配备双路市电+大型UPS+柴油发电机。
网络质量：非正规机房多为单一运营商廉价带宽；正规机房接入BGP多线，保障跨网访问质量。
技术响应：非正规机房响应滞后；正规机房提供24小时现场驻守工程师。

专业选型实操：如何评估一个真正的托管服务商？
不要仅凭价格做决定。考察时应重点关注以下可量化、可验证的硬性指标。要求服务商提供书面文档或现场验证。
首先，要求查验 《增值电信业务经营许可证》（IDC/ISP牌照） 原件。这是国家颁发的准入资格，是基础设施合法性与稳定性的基本保障。其次，亲自实地考察机房。重点观察电力室（UPS、电池组、发电机）、空调系统（精密空调数量与布局）、网络核心交换区。
在签订合同前，必须将服务等级协议（SLA）明确写入合同。重点关注网络可用性（通常应≥99.9%）、电力可用性、故障响应与解决时间。对于报价单，必须要求逐项列明。
托管合同必须明确的四大关键条款：
SLA标准与赔偿细则：明确可用性承诺及未达标的财务补偿方案。
资源规格清单：精确到机柜位置、电力（A数）、带宽（Mbps，独享/共享）、IP地址数量。
服务范围边界：明确哪些操作（如重启、重装、硬件更换）由服务商负责，是否额外收费。
数据安全与保密责任：明确服务商无权接触客户数据，并承担因机房物理入侵导致损失的责任。
极云科技：十年透明托管，定义成都IDC服务标准
在成都市场，选择一家像极云科技这样的十年以上老牌服务商，能从根本上规避前述所有风险。价格清晰透明是其核心原则，所有费用项在官网与合同中都一览无余，杜绝隐藏消费。
24小时运维KVM/IPMI全天候支持。无论是硬件故障报警，还是客户发起的远程操作请求，都能得到分钟级的响应。这为服务器稳定运行提供了最底层的保障。
其核心价值在于将专业、复杂的IDC基础设施与管理能力，转化为企业客户简单、可信赖的标准化服务。企业无需再为基础设施的稳定性耗费精力，可以将所有资源聚焦于自身业务开发与运营。选择极云科技，就是选择了一个可预测、零隐藏风险的技术后盾。
为何极云科技能解决托管核心痛点：
资质完备：持有正规IDC/ISP许可证，运营合法合规。
价格铁律：合同价格即最终价格，无任何后续附加费用。
运维承诺：工程师24小时驻场，故障响应时间写入SLA。
长期主义：十年以上稳定运营历史，见证了市场多次洗牌，信誉经得起时间检验。

Python 字符串格式化是必不可少的，从早期的 % 占位符到 format 方法，再到 Python 3.6 引入的 f-string，代码的简洁度和执行效率得到了显著提升。几行代码就能说清楚的事情，没有必要写得像天书一样。

快速搭建 Python 开发环境

在此之前，确保本地环境已正确安装 Python。

可能对于新手，手动配置多版本 Python 环境还挺麻烦的。而 ServBay 就能支持一键部署 Python 环境，不仅涵盖了常用的 Python 版本，还集成了数据库与 Web 服务。通过这类开发工具，开发者可以跳过复杂的路径配置，直接进入代码编写阶段。

字符串内的行内表达式

以前我总习惯先算好一个结果，存进变量，再塞进字符串里。这种做法不仅制造了大量代码噪音，还让逻辑变得稀碎。

# 这种又臭又长的写法该进垃圾桶了
unit_price = 29.9
quantity = 5
print('Total cost: {}'.format(unit_price * quantity))

# 现在的写法：直接在大括号里解决战斗
print(f'Total cost: {29.9 * 5}')

这种原地计算的能力，让代码从三行缩减到一行，逻辑链条却更清晰。

在字符串里运行逻辑

f-string 允许直接嵌入方法调用。不管是字符串处理还是复杂的数学运算，都能在引号内完成。

# 坏习惯：为了改个格式先定义一堆垃圾变量
raw_name = '  servbay_admin  '
clean_name = raw_name.strip().upper()
print(f'User: {clean_name}')

# 高手写法：直接链式调用
print(f'User: {raw_name.strip().upper()}')

# 甚至可以处理复杂的边界逻辑
stock = 5
limit = 10
print(f'Status: {max(limit - stock, 0)} items needed')

这种写法能大幅减少代码噪音，让后续维护的人一眼看到重点。

使用 = 号快速调试

我其实最讨厌写调试日志，因为每次都要重复输入变量名。写一个 print(f"user_id: {user_id}") 还能忍，写一百个就会让人想摔键盘。

自从 Python 3.8 引入了 = 语法，我的调试效率提升了不止一倍。

status_code = 404
response_time = 15.6

# 以前笨拙的写法
print(f"status_code: {status_code}, response_time: {response_time}")

# 现在的极简写法
print(f"{status_code=}, {response_time=}")
# 屏幕上会自动显示 status_code=404, response_time=15.6

这下不仅少些几行代码，还可以在快速迭代时，能一眼看清哪个值对应哪个变量，出错的概率大大降低。

对象自定义格式化逻辑

大家有没有遇到过这种情况：为了让一个对象显示得好看点，在项目的每个角落都写了一遍格式化代码。一旦需求变了，就要全城大搜索去修改。

我会利用 format，把这种展示逻辑直接封装到类内部。

class ServerNode:
    def __init__(self, ip, load):
        self.ip = ip
        self.load = load

    def __format__(self, spec):
        if spec == "status":
            return f"节点[{self.ip}] 负载率：{self.load}%"
        if spec == "ip_only":
            return self.ip
        return f"{self.ip}({self.load})"

node = ServerNode("192.168.1.1", 75)
print(f"{node:status}")
print(f"{node:ip_only}")

这才是真正的干净代码。业务逻辑只管调用，怎么显示由对象自己说了算。

嵌套 f-string 实现动态格式控制

在处理报表或对齐数据时，格式化的参数（如精度、宽度）往往是变化的。f-string 支持在大括号内部再次嵌套大括号，从而实现动态的格式控制。

# 动态控制小数位数
pi_value = 3.1415926535
decimal_places = 4
print(f'圆周率：{pi_value:.{decimal_places}f}')

# 动态控制显示宽度
content = 'Python'
total_width = 20
fill_char = '-'

# 实现居中对齐，宽度和填充字符均可动态调整
print(f'{content:{fill_char}^{total_width}}')

这种技巧在生成动态控制台输出或文本报表时表现得十分灵活，省去了编写复杂字符串拼接逻辑的麻烦。

多行文本与 SQL 注入防范

处理长文本或者复杂的 SQL 查询时，多行 f-string 配合三引号能让代码保持极高的可读性。

table_name = 'orders'
order_id = 9527

# 像写自然语言一样写 SQL
query = f'''
SELECT * 
FROM {table_name}
WHERE id = {order_id}
  AND status = 'active'
'''print(query)

相比起用加号一行行去拼，这种写法能让你在写代码时保持思路连贯，不会被引号的嵌套搞崩溃。

总结

如果你还觉得 f-string 只是个简单的语法糖，那说明你对 Python 的理解还不够哦。这些技巧不是为了炫技，而是为了把开发者从低效的体力劳动中解放出来。拒绝平庸的代码，从今天起，把你的 .format() 和 % 全部扔进历史的垃圾堆。

在多账号运营、跨境电商、社媒营销等场景中，很多人都会遇到一个比较矛盾的问题：

明明已经使用了代理IP，但账号依然被平台识别为关联账号，甚至出现批量风控。

于是很多用户开始怀疑 —— 是不是代理IP根本没用？

实际上，大多数情况下，并不是代理IP失效，而是对“账号关联”的理解存在误区。

一、很多人误以为：换IP = 换身份

这是最常见的错误。

不少新手认为，只要给不同账号配置不同IP，平台就无法识别账号之间的关系。但事实是，如今比较主流的平台风控机制已经非常完善了，不单依赖于IP地址。

IP只是识别维度之一，而不是唯一因素。

平台会综合判断：

设备信息

浏览器指纹

网络环境

登录行为

系统参数一致性

也就是说，即使IP不同，如果其他环境特征高度一致，账号仍然可能被判定为同一操作者。

二、真正暴露关联的，往往是浏览器环境

很多用户在操作时，会在同一台电脑上直接登录多个账号，仅仅通过切换代理IP来区分。

问题其实就出现在这。浏览器会向网站暴露大量设备信息，例如：

操作系统版本

屏幕分辨率

字体列表

GPU渲染特征

WebRTC信息

Canvas指纹

这些信息组合后，会形成一种类似“设备身份证”的特征。如果多个账号拥有几乎相同的指纹，即使IP来自不同的地区，平台仍然可以轻松识别关联关系。

这也是为什么很多账号在更换IP之后依然被风控。

三、DNS与真实网络信息泄露

部分用户虽然配置了代理IP，但系统仍在使用本地DNS解析请求。这会导致一种情况：

访问来源IP显示为代理地址，但DNS请求却来自真实网络。

这种不一致对平台来说非常明显。类似问题还包括：

IPv6未关闭

本地网络直连请求

WebRTC泄露真实IP

一旦出现网络信息冲突，账号可信度就会明显下降。

四、IP类型选择错误

并不是所有代理IP都适合账号业务。

有些用户为了降低成本，选择共享代理或质量较低的数据中心IP。这类IP可能已经被大量用户使用过，历史行为复杂。

平台在评估风险时，会参考IP信誉记录，例如：

是否频繁登录不同账号

是否存在异常访问行为

是否被标记为代理网络

如果IP本身信誉较低，即使环境配置正确，也可能提高关联概率。

五、真正安全的思路：环境隔离，而不是单纯换IP

从实际经验来看，稳定的多账号环境通常遵循一个原则：

一个账号，对应一套独立环境。

这套环境不仅包括IP，还包括：

独立浏览器配置

独立指纹参数

稳定网络出口

合理操作习惯

当IP、设备信息与行为逻辑保持一致时，账号的稳定性才会明显提升。换句话说，代理IP只是基础条件，而不是完整解决方案。

六、结语

很多账号被关联，并不是因为代理IP无效，而是因为只解决了“表层问题”。在当前的风控体系中，账号安全已经不再是从单一IP来判断了，更多的是多维度因素。

在SEO监控、关键词排名跟踪等场景中，稳定的网络连接是保障数据准确性的基础。尤其在2026年谷歌、百度等平台风控持续升级的环境下，IP频繁变动反而更容易触发检测机制，影响监控任务的正常执行。

静态住宅，长期监控的刚需选择

SEO监控的核心逻辑是模拟真实用户在特定地区的搜索行为，记录关键词排名。相比动态IP每次请求都更换出口，静态住宅代理的IP地址长期保持不变，能够建立与搜索引擎的信任关系，大幅降低验证码、限流、封号风险。

此外，长期SEO监控对IP的稳定性有较高要求。IP跳变、地区异常、连接中断等情况都可能导致监控数据偏差或任务失败。静态住宅代理基于家庭宽带网络，具有较高的IP信誉度和地区精准性，能够持续锁定目标区域的搜索结果，帮助获取相对真实的排名数据。

静态住宅代理的核心价值

IP纯净度与稳定性

高质量的静态住宅代理，其IP地址来自真实的运营商分配，且通常保持较低的并发使用频率。这类IP没有历史滥用记录，未被列入常见黑名单库，因此在进行监控请求时不易被搜索引擎特殊对待。

稳定的连接质量

对于需要长期运行的监控任务，连接稳定性至关重要。静态住宅代理在租用期内使用固定的IP地址，支持长时间持续连接。

响应速度与成功率

网络延迟和连接成功率直接影响监控效率。行业主流的静态住宅代理平均响应速度可控制在毫秒级，基本可以满足长时间监控任务对网络质量的要求。

区域覆盖能力

本地化SEO监控需要IP能够精准定位到特定城市。目前市场上的优质代理服务商通常拥有覆盖全球200多个国家和地区的IP资源，可支持城市级别的精准定位，为区域化排名监控提供基础条件。

2026年长期SEO监控建议

长期SEO监控的核心在于稳定。选择IP信誉良好、连接质量可靠的静态住宅代理，可以帮助从业者持续获取相对准确的关键词排名数据，减少因网络因素导致的监控中断或数据偏差。

在实际选型时，建议根据监控周期、目标区域、预算等因素综合评估，选择最适合自身需求的网络方案。

导言

优秀的文档不是信息的堆砌，而是思维的引导。

你是否曾因为阅读一份技术文档而豁然开朗，仿佛作者预见了你的所有困惑？或者，你是否曾面对一个开源库，README 却只冷冷地写着“阅读源码”？技术文档的质量，直接决定了开发者体验的好坏。

今天，我们深入解读 Steve Losh 的经典文章《Teach, Don‘t Tell》，为你揭示编写优秀技术文档的核心哲学与实战方法。

文档的根本目的：是“教导”，而非“告知”

技术文档的终极目标是什么？Steve 给出了一个精炼的定义：带领一个从未见过你项目的人，教导他们成为其专家用户，并在他们成为专家后支持他们。

关键在于“教导”二字。就像教人开车、弹吉他或编程一样，文档的本质是教学。它需要模拟一位耐心的老师，设身处地，一步步引导学生从零到精通。

遗憾的是，许多项目用以下方式敷衍了事，它们都是“教学”的反面教材：

• “阅读源码”：好比让学车的人直接拆解汽车引擎。源码对专家宝贵，但对新手犹如天书。
• “阅读测试”：如同让学员观看碰撞测试来学驾驶。测试多关注边缘情况，而非日常使用场景。
• “文学化编程输出”：就像通过参观吉他工厂来学弹琴。了解制造过程不等于掌握使用技能。
• “仅依赖文档字符串”：仿佛副驾上的教练只在被问到特定零件时才开口。缺乏系统引导，用户必须自己猜对“魔法词”。
• “使用维基”：堪比一门由多位代课老师轮流上、还允许路人随意插嘴的驾驶课。极易导致内容混乱、过时且缺乏连贯性。

这些并非全无价值，但它们必须在系统的教学文档建立之后，才能作为补充材料发挥效用。在此之前，它们只是逃避编写真正文档的借口。

优秀技术文档的四重奏

一份能真正“教导”用户的完整文档，通常由四个有机部分组成：

1. 初次接触：第一印象决定去留

这是用户邂逅你项目的第一站。它必须清晰回答三个根本问题：

• 这是什么？ 用平实的语言解释项目是做什么的。
• 我为什么要关心？ 阐明它的价值：是节省时间、提升稳定性，还是纯粹有趣？更高阶的做法是主动说明项目的权衡与适用场景。
• 值得我投入吗？ 提供许可证、源码仓库、问题追踪器链接等关键元信息，让用户能快速评估项目的活跃度和可用性。

目标： 在几分钟内让潜在用户明白项目是否契合其需求，并决定是否深入。

2. 黑色三角形：最快的“啊哈！”时刻

名称源于图形编程中“让一个三角形显示在屏幕上”的初始成就。这部分是一个极简的快速上手指南，核心是“Just get something on the screen”。

带领用户完成安装、配置，并运行一个最简单的示例。就像吉他老师第一节课先教三个和弦弹首歌一样，目的是让用户立即获得正反馈，亲身体验项目的“手感”，点燃继续学习的兴趣。

3. 毛线团：系统的教学核心

这是将新手塑造成专家的主战场。它是一个结构化的教程或指南体系，像“毛线团”一样纵横交错，而非线性罗列。

• 设身处地： 作者需化身教师，想象学生脑中的知识空白，设计一系列循序渐进的“概念台阶”。
• 精心组织： 内容应按逻辑主题而非单纯的 API 命名空间来划分。提供清晰的目录，帮助用户构建心智模型。
• 宁可啰嗦： 在简洁的基础上，倾向于稍多解释一点。程序员善于跳过已知内容，但缺失关键连接点会让人彻底迷失。

核心方法： 参考《如何解题》中的教导心法——理解学生已知什么，想让他们学会什么，然后找到一个能将他们向前推进一小步的微小想法，轻轻推动他们。

4. 参考手册：专家的后盾

当用户已成为熟练使用者，这部分便是他们高效的查阅工具。包含：

• 详尽的 API 文档（强烈建议手动编写，自动生成的价值有限且缺乏“人味”）。
• 完整的版本变更日志。
• 项目内部实现细节。
• 贡献指南。

注意： API 文档与代码中的“文档字符串”目的不同。前者适合深度阅读和关联浏览，后者则针对编码时 REPL 环境的快速查询。

成为好“老师”的两个修炼

1. 练习教学： 最好的准备就是亲自去教。哪怕是非编程的爱好，花时间教给朋友。面对面教学能让你敏锐察觉学习者的困惑，学会预见那些“你以为显而易见”的知识缺口。
2. 投资工具： 一把好键盘（不贵，却能提升写作乐趣）和快速打字的能力（让你不畏惧删改重写），是文档作者的最佳伙伴。

结语：让文档成为桥梁，而非壁垒

Steve 用一则温暖的比喻收尾：好的文档，如同父母在空停车场耐心教孩子开车，从基础操作到复杂路况，逐步引导，及时答疑。最终，孩子不仅能独立驾驶，还能在遇到故障时查阅手册自行修理，甚至理解车辆设计背后的安全考量。

技术文档不仅是项目的说明书，更是社区的门户和传承的载体。“教导，而非告知”——这不仅是一个写作原则，更是一种对使用者同理心的体现。

行动起来： 审视你当前项目的文档，它是在“告知”一堆特性，还是在“教导”一个未来的专家？从补充一个真正的“黑色三角形”快速上手教程开始，让你的项目变得友好而富有吸引力吧。

编者按： 当全球顶尖的人工智能实验室手握数千亿美元估值、剑指通用人工智能（AGI）的终极愿景时，你是否想过——我们花费巨额算力与顶尖人才所培育的"超级大脑"，其商业化的第一站究竟会通向何方？是彻底颠覆生产力的工具平台，还是另一个更精准、更隐蔽、更具侵入性的广告分发引擎？

文章以详实的数据拆解了 OpenAI 2025 年的爆发式增长（400 亿美元融资、2600 亿美元估值、10 亿美元ARR），却犀利地指出其广告变现策略的必然性：从 Perplexity 50 美元+ 的 CPM 基准，到 Fidji Simo（Meta 广告业务前负责人）的加盟，再到 2029 年 250 亿美元广告收入的内部预测 —— 作者构建了一个“极度乐观却逻辑自洽”的 ARPU 增长模型。文章还将 ChatGPT 置于 Google（高意图+垂直整合）、Meta（低意图+规模）、X（高互动+非整合）的比较框架中，论证了“对话式商业”如何凭借 purchase-intent query（包含用户购买意图的查询）的天然优势，在 2027-2029 年间逼近甚至挑战搜索广告的变现效率。

作者 | Ossama Chaib

编译 | 岳扬

The World is Ads credit La Haine + Gemini

又来了，科技媒体又开始炒那一套“AI末日论”了。

我写这篇文章，主要是为了回怼《纽约时报》那位分析师 —— 他给 OpenAI 画了一幅根本站不住脚、毫无依据、纯属臆测、荒唐透顶、耸人听闻、离谱到家[1]的“破产前景”[2]。

拜托，老哥。OpenAI 根本没在垂死挣扎，也没快烧光钱了。没错，他们确实在搞可能是史上最魔幻的循环烧钱模式，公然挑战亚当·斯密《国富论》问世以来的所有经济学定律。OpenAI 拿到了高达 1 万亿美元的采购/投资承诺（主要来自微软等合作伙伴），这个数字确实夸张到离谱。但我认为，OpenAI 根本没打算被收购 —— 说真的，谁有能力收购它？逻辑很简单：一家公司如果在估值 2600 亿美元时还能融到 400 亿美元，那它显然不是奔着“被收购退出”去的。这么高的估值和融资规模，摆明了是要自己独立上市。所有这些动作，最终目标都是为了冲击那场估值万亿美元级别的 IPO。

可讽刺的是，人类智慧的巅峰 —— 那些最顶尖、最聪明、最耀眼的大脑聚在一起，折腾半天，结果却只是……又给我们造了个广告引擎。说好的超级智能（superintelligence）和通用人工智能（AGI）呢？

想想看，要是 OpenAI 没对现有的广告巨头构成直接威胁，谷歌会逮着每个机会狂推 Gemini 吗？别忘了，他们已经在 Gemini 聊天助手[3]和搜索结果中的 AI Overview 功能[4]里塞满广告，正忙着榨干这条全新的高意向广告漏斗（译者注：high-intent ad funnel，指用户在使用 AI 服务时，往往带着明确的需求或购买意图（比如“推荐一款降噪耳机”），这类流量的转化率远高于普通浏览，对广告主价值极高）呢。

来，咱们算笔账。

01 OpenAI 2025 快速回顾

March: 完成 $40B 融资，估值达 $260B[5]，创下私营科技公司史上最大单笔融资纪录。

June: ARR 达到 $10B[6]。

July: 单月营收突破 $1B[7]，较一月的 $500M 翻倍。

November: Sam Altman 表示 OpenAI 预计 2025 年全年 ARR 将达 $20B[8]。

用户规模：800M WAU（周活）[9]，~190M DAU（日活）[10]，35M 付费订阅用户[11]，1M 企业客户[12]。

January 2026: "我们的周活（WAU）和日活（DAU）数据持续刷新历史纪录（1 月 14 日最高，1 月 13 日次之，以此类推）"

January 16, 2026: 宣布将在 ChatGPT 免费套餐和 Go 套餐中引入广告[13]。

没错，OpenAI 2025 年确实烧了 $8-12B[14]。每天为 190M 用户提供服务，算力基础设施的成本自然不会便宜。

02 预测 OpenAI 的广告策略

让我们尝试通过理解 OpenAI 真正在构建什么产品，以及它与现有广告平台的差异，来估算其预期的每用户年均收入（ARPU）。

目前已确认的广告产品：

• 基于当前对话内容，在回答底部展示相关赞助商品或服务的广告[15]

广告投放计划：

• Q1 2026: 与精选的广告主进行有限程度的测试
• Q2-Q3 2026: 扩展至免费套餐用户的 ChatGPT Search 功能
• Q4 2026: 侧边栏赞助内容 + 联盟营销功能
• 2027: 全面国际化扩张，推出 self-serve platform（译者注：广告主可以自行登录系统、无需人工销售介入，就能完成广告创建、投放、竞价和优化全流程的平台。）

广告测试将于“未来几周”在美国地区已登录的免费套餐和 Go 套餐成年用户中启动。广告内容将“设置清晰的广告标识并与模型生成的回答区分开”。用户可查看广告展示原因或选择直接将其关闭。

他们的原则：

• Answer independence: 广告不影响 ChatGPT 的回答内容
• Conversation privacy: 对话内容对广告主保密，数据永不售卖
• Choice and control: 用户可关闭个性化推荐并清除广告数据
• Plus、Pro、Business 和 Enterprise 付费套餐将不展示广告

他们还提到未来可能推出对话式广告，用户可以直接就商品发起追问。

营收目标：有报道称[16] OpenAI 计划 2026 年实现 $1B 广告收入，并在 2029 年增长至 $25B，尽管官方尚未公开确认这些数字。我们可以把这些数字当作保守的基准参考，但考虑到 OpenAI 拥有顶尖的产品团队、充沛的资金和强烈的增长野心，我认为他们实际表现大概率会轻松超越这些目标。

个人对广告整合方式的推测：

• Self-serve platform: 广告主竞价投放，极大概率会采用，与 Google 模式一致，可能成为他们最大的广告收入来源
• Affiliate commissions: 内置结算功能，用户可在 ChatGPT 内直接购买商品，OpenAI 抽取佣金，类似他们与 Shopify 的合作模式
• Sidebar sponsored content: 当用户询问具备商业潜力的话题时，侧边栏会展示标有“Sponsored”的赞助信息

接下来，我们将其与现有广告平台做个对比：

2.1 Google：高用户意向 + 垂直整合 = 最高收入

• 运作方式: 基于竞价的系统[17]，广告主对关键词出价。广告根据出价和质量得分出现在搜索结果中。
• 成功原因: 高用户意向（搜索查询）+ 拥有完整的垂直技术栈（广告技术、竞价系统、定向投放能力、数十年的优化经验）
• 广告收入: 2025 年前三季度广告收入 $212.4B[18]（2024 年全年广告收入为 $273.4B，较前三季度增长 8.4%）
• Google 不单独披露 ARPU，需自行计算：ARPU = $296.2B（预测值）÷ 5.01B 用户 = 每用户年均 $59.12。

2.2 Meta：用户无明确意向 + 垂直整合 = 高 ARPU

• 运作方式: 信息流广告[19]通过竞价投放。Meta 的 Andromeda AI 综合评估出价 + 预测用户看到某条广告后采取特定行动的概率 + 广告质量，决定展示位置。
• 成功原因: 被动刷屏 = 购买意向低，但规模巨大 + 自有的定向投放基础设施 + Andromeda AI[20]
• ARPU: 北美 $68.44[21]，全球 $49.63[22]（2025 Q1）
• 广告收入: 2024 年 $160B[20]（占总收入 97.3%）

2.3 Twitter/X：高互动 + 非垂直整合 = 低 ARPU

• 运作方式: timeline 内基于竞价的推广推文[23]。广告主仅在用户完成动作（点击、关注、互动）后付费。
• 成功原因: timeline 互动性强，CPC ~$0.18[24]，但缺乏垂直整合，且规模有限。
• ARPU: ~$5.54（$2.3B revenue ÷ 415M MAU[25]）
• 广告收入: 2025 年 ~$2.3B[25]

2.4 ChatGPT：高用户意向 + 非垂直整合 = 效果如何？

• 用户意向强度: 高。日均 2.5B prompts[26] 包含产品调研、推荐请求、横向对比。意向强度高于 Meta 的被动刷屏，接近 Google 搜索。
• 垂直整合: 暂无。
• 规模: 2026 年 2 月达 1B WAU，但以免费用户为主（按 95% 免费占比计，约 950M）。

ChatGPT 的 ARPU 应对标搜索领域，而非社交领域。

这使其 ARPU 介于 X（$5.54）与 Meta（$49.63）之间。OpenAI 的用户意向强度高于 Meta，但基础设施尚弱；其规模远超 X，却暂无垂直整合。当用户询问“帮我规划一个 5 天的京都之旅”或“最适合小企业的 CRM”，这已是高意向查询 —— 属于 Google 级别，而非 Facebook 式的随意滑动浏览。

我们已有参考基准：Perplexity。

2024 年末/2025 年初的报道证实，Perplexity 的 CPM（每千次展示成本） 报价已突破 $50[27]。这与优质视频或高端搜索广告相当，远超社交信息流常见的 ~$2–6 CPM。

若 Perplexity 能以较小用户基数实现 $50+ CPM，OpenAI 那支“高执行力”（High Agency）的产品团队，大概率会将其定价底线设在此处。

极度乐观的 ARPU 增长路径预测：

• 2026: $5.50（“以 Perplexity 为参考基准”）—— 即便测试初期阶段广告业务比较粗糙、填充率低，高意向查询本身即具有溢价能力。若每 20 次对话展示 1 次广告，且 CPM（每千次展示成本） 达 Perplexity 水平，就能轻松达成这一目标。
• 2027: $18.00 —— 推出自助广告管理平台（self-serve platform，类似 Meta/Google），数百万 SMB 参与竞价，竞争推高价格。
• 2028: $30.00 —— 此时“广告”进化为“行动”。OpenAI 不仅展示机票广告，还能直接完成预订。通过从交易中抽取佣金（CPA 模式），单次转化收入可达展示型广告的 10 倍。
• 2029: $50.00（超超超级乐观的情况下）—— 逼近 Google 的 ~$60 ARPU。此时基础设施成熟，“对话式商业”（Conversational Commerce）成为主流。这正是 Softbank 所祈祷的局面。

别忘了，OpenAI 拥有一支极其出色的产品团队。我毫不怀疑他们完全有能力构建技术栈，将广告无缝整合，直至占据你潜意识的每个角落。

他们已聘请 Fidji Simo 担任“Applications CEO”（这是一个新设立的职位），让她全面掌管收入引擎。Fidji 是 Meta 的得力悍将，曾在 Facebook 任职十年，主导 Facebook App 及……广告业务：

她主导 Facebook 应用变现，专注于占 Facebook 绝大部分收入的移动广告。并推出新的广告产品，如视频广告、线索广告、即时体验、轮播广告等。

她推出并发展视频广告，使其成为 Facebook 收入的重要组成部分。

03 理性看待竞争

ChatGPT 将在 2026 年 2 月达到 1B WAU（周活）[28]。

但到 2028 年将拥有 1.5–1.8B 免费用户？这个假设建立在 ChatGPT 完全没有来自任何竞争对手的影响之上，尤其是正在不断逼近的巨头 Gemini，这不现实。

让我们在充分考虑竞争的前提下，做极度保守的增长估算：

• 2026: 950M 免费用户（1B WAU × 95% 免费占比）
• 2027: 1.1B 免费用户（市场逐渐饱和，增速放缓）
• 2028: 1.2–1.3B 免费用户（面临来自谷歌、Claude 的竞争）
• 2029: 1.4B 免费用户（市场成熟，多玩家共存格局）.

主要的收入增长将来自 ARPU 的提升，而不仅仅是用户数量的增长。

04 预测 ChatGPT 2026 年的收入数据

综合“高用户意向”模型的各项数据，2026 年的情况看起来有所不同了。

基础收入（订阅 + 企业客户 + API） ：$ 25–30B

• 35M 付费订阅用户[29]：至少 $8.4B（保守假设全员为 $ 20/月的 Plus 档）
• 实际上会更高，加上 Pro（$200/月）与 Enterprise（定制定价）
• 企业 / API 收入：2025 年 $2.3B → 2027 年中 $17.4B[30]

广告收入（第一年） ：约 $5.2B

• 950M 免费用户 × $5.50 ARPU
• ChatGPT 日均处理 2.5B prompts —— 在广告主眼中，这既比被动刷屏拥有更高互动性，也具备更强购买意向（尽管滚动浏览能塞进更多广告位，而对话场景天然受限）
• 现实检验: 这一预测的前提假设是：OpenAI 能够以 Perplexity 已经实际验证过的变现水平，对典型的搜索类查询进行广告变现。

2026 年总收入：约 $30–35B

05 展望 2027–2029 年

这些预测基于 futuresearch.ai 对基础业务的收入预测（2027 年中位数 $39B，不含广告）+ OpenAI 内部文档披露的广告收入预期 + 保守的用户增长假设。

2027:

• 基础收入（不含广告）：$39B
• 广告收入：$19.8B（1.1B 免费用户 × $18 ARPU）
• 总计：$58.8B

2028:

• 基础收入（不含广告）：$55–60B
• 广告收入：$36–39B（1.2–1.3B 免费用户 × $30 ARPU）
• 总计：$91–99B

2029:

• 基础收入（不含广告）：$70–80B
• 广告收入：$70B（1.4B 免费用户 × $50 ARPU）
• 总计：$140–150B

06 当今科技商业的终极归宿，几乎都是广告变现（The World is Ads）

广告正是实现盈利的关键，你肯定早有预料 —— 多亏你没跳过那支 3 分钟的医疗保险广告，就是你，没错，正是你助力我们实现了 AGI！

Mission alignment: 我们的使命是确保 AGI 惠及全人类；我们对广告的追求始终服务于这一使命，并让 AI 更加普惠。

AGI 里的 A，代表的就是 Ads！全是广告！！你甚至无法屏蔽的广告。因为它们被固化在基于概率流输出的词元选择器中，并有意偏向输出最高竞价者的营销文案。

往好处想，既然他们转向广告变现，大概率说明 AGI 短期内不会到来。你的工作，暂时安全了！

END

本期互动内容 🍻

❓OpenAI 说广告是为了“让 AI 更普惠”，但免费的代价往往是注意力。你愿意为完全无广告的 AI 助手付多少钱/月？

文中链接

[1]https://www.youtube.com/watch?v=dbG4P-AYzzA

[2]https://www.nytimes.com/2026/01/13/opinion/openai-ai-bubble-f...

[3]https://www.adweek.com/media/google-gemini-ads-2026/

[4]https://www.businessinsider.com/google-vp-says-ads-arent-comi...

[5]https://www.cnbc.com/2025/12/30/softbank-openai-investment.ht...

[6]https://www.cnbc.com/2025/06/09/openai-hits-10-billion-in-ann...

[7]https://www.cnbc.com/2025/08/20/openai-compute-ai.html

[8]https://techcrunch.com/2025/11/06/sam-altman-says-openai-has-...

[9]https://finance.yahoo.com/news/openai-is-the-2025-yahoo-finan...

[10]https://backlinko.com/chatgpt-stats

[11]https://www.contentgrip.com/openai-chatgpt-subscription-strat...

[12]https://openai.com/index/1-million-businesses-putting-ai-to-w...

[13]https://x.com/OpenAI/status/2012223373489614951

[14]https://www.wheresyoured.at/where-is-openais-money-going/

[15]https://openai.com/index/our-approach-to-advertising-and-expa...

[16]https://www.theinformation.com/articles/openais-ads-push-star...

[17]https://support.google.com/google-ads/answer/142918?hl=en

[18]https://www.demandsage.com/google-ads-statistics/

[19]https://strikesocial.com/blog/facebook-feed-ads-meta-placemen...

[20]https://sociallyin.com/meta-statistics/

[21]https://en.macromicro.me/collections/4093/us-big-tech/32591/f...

[22]https://stockanalysis.com/stocks/meta/metrics/average-revenue...

[23]https://www.asclique.com/blog/twitter-advertising-guide-2025/

[24]https://www.spiralytics.com/blog/x-twitter-ads-statistics-you...

[25]https://marketingltb.com/blog/statistics/twitter-ads-statistics/

[26]https://www.demandsage.com/chatgpt-statistics/

[27]https://www.dataslayer.ai/blog/perplexity-ai-for-marketing-sh...

[28]https://www.sentisight.ai/when-chatgpt-reaches-1-billion-week...

[29]https://www.contentgrip.com/openai-chatgpt-subscription-strat...

[30]https://www.finout.io/blog/openai-pricing-in-2026

本文经原作者授权，由 Baihai IDP 编译。如需转载译文，请联系获取授权。

原文链接：

https://ossa-ma.github.io/blog/openads