微软 CEO 萨提亚·纳德拉再次发长文，呼吁企业把 AI 产生的学习成果留在自己手中。他将当前的风险称为「反向信息悖论」：企业不仅要花钱购买 AI，还可能交出最宝贵的内部经验。 模型越想做得准，企业就要提供越多业务信息。员工写下的提示词、调用过的工具、内部评测和纠错记录，都会沉淀为公司独有的知识。但在现有模式下，这些信息也可能反过来帮助模型厂商改进产品。 纳德拉批评，部分模型公司认为自己可以学习互联网上的公开内容，却限制客户利用模型输出训练自己的系统，同时还可能从客户的使用记录中继续学习。知识如果只向供应商一侧流动，企业投入的人力和经验，最后就可能变成模型巨头的资产。 他呼吁企业掌握自己的评测、记忆、运行轨迹和微调权重，并将 Agent 编排层与单一模型分开。即使模型厂商退出或涨价，企业积累的业务能力也不至于随之丢失。 一个月前，纳德拉已经提出「人力资本与 Token 资本」框架，警告企业不能把学习能力外包出去。 一：反向信息悖论：AI 时代的知识产权新困局 * 诺贝尔奖得主阿罗的信息悖论是卖家怕白给知识，AI 时代的反向信息悖论却是买家怕泄露知识——用智能越深，泄密越多 * 企业要为智能付两次钱：一次是服务费，另一次是必须交出去的专属知识、使用痕迹、修正记录 * 使用越多，信息不对称越严重——模型供应商对你的了解越来越深，你却不知道它从你这里学到了什么 * 专利解决了阿罗悖论，但反向信息悖论至今没有制度性解决方案 二：信任边界：企业的五道护城河 * 第一道：把好坏的评判权攥在自己手里——建立私有评估标准，只有你才知道自己公司什么叫"做得好" * 第二道：搭好专属训练场——在私有边界里跑微调和训练，让模型跟着真实工作流学习，知识零泄露 * 第三道：调度层与模型解耦——不绑定任何单一模型，随时能切，沉淀的专属能力不走 * 第四道：灵活组合上下文、模型和任务，用最高效的方式跑通流程，不牺牲效果 * 第五道：形成持续学习飞轮——前四件事到位后，AI 投入不断放大公司价值，实现复利增长 三：从保护信息到保护学习能力 * 云时代企业积累的是数据，AI 时代积累的是学习能力——信任边界必须跟着进化 * 卡普的名言直指核心：企业要的是对算力、模型、数据栈和核心竞争力的控制权 * 现在的行业惯例恰恰在反向操作：保留从客户使用数据中学习的权利，却对知识蒸馏施加严格限制 * 学习不能只往一个方向流——经济价值不能只向基础设施拥有者集中，学习基础设施必须分发到每一家企业手里

不要只知道RAG了，自己弄一个开源项目，搭个RAG，飞书小龙虾一用，企业AI 就完成了？ 一：数据才是企业 AI 知识库的真正瓶颈 * RAG 的第一步不在模型，在数据管道——发现、解析、清洗、分块、嵌入、验证，六步跳一步后面都得还 * 同一批客户数据，CRM 和计费系统的字段定义就是冲突的 * 切块工具直接把带表格的行业报告从统计行拦腰截断 * 飞书自带 AI 或开源工具搭的 RAG，只覆盖了最简单那一层 二：四种架构，管的分别是哪层问题 * 基础 RAG 解决找得到，父子切块保证找到了不断裂，代价是存储翻倍 + 几十毫秒延迟 * GraphRAG 解决跨实体推关系，但前提是数据先洗干净，光加图谱不会自动变聪明 * Agentic RAG 比全文塞长上下文便宜约六成，但单次查询可能超五十秒，不适合实时场景 * 企业本体走的是语义统一路线，代价是数据治理门槛特别高 三：选架构之前先审计数据，从最简单的起步 * 正确的顺序不是从选模型开始，是从数据管道开始——每一步跳了，后面都有人替你疼 * 数据量大但结构规整的，一两个月走完；异构多、系统定义冲突严重的，半年到一年 * 有人花半年做治理，发现前面切的块因为业务规则变了，全要重来 * 企业 AI 化最贵的成本不是模型调用费，是没想清楚架构就动手，后面数据治理返工的成本 #企业AI #知识库 #agent #跨境 #电商 #金融 #制造

Anthropic 刚发了篇论文，讲了个叫「J-space」的东西： 他们用一种叫 Jacobian Lens 的技术，在模型的中间层里找到了一个类似人类"意识工作空间"的结构——模型会在没写出来、没说出口的情况下，把关键的中间想法先"存"在这个区域里。 然后让不同的下游模块都能读取、复用这些想法，去做多步推理、规划、甚至自我监控。 简单说，这是模型“脑子里默默打腹稿”的地方，效果是能显著撑起复杂推理和长链条任务，一旦把这块区域屏蔽掉，模型多步推理直接崩，但简单问答几乎不受影响。 关键是，这个东西 Anthropic 是在 Sonnet 4.5 身上就已经发现的，到现在都迭代了 4.6、4.7、4.8 好几代模型了。 而最新的 Fable/Mythos，最突出的特征根本不是代码能力猛涨，而是多步推理和长程任务的表现明显、显著优于之前所有模型——这跟 J-space 主导的那类能力高度吻合。 我的判断是：他们大概率已经摸到了怎么去强化、扩大，甚至让这个工作空间自我迭代的方法。 如果真是这样，那这就不只是又一次模型升级，而是找到了一条能持续复利的认知架构杠杆——这也可能才是为什么这么多顶级人才愿意放弃现有位置、押注 Anthropic 的真正原因。 一：Claude 内部有认知空间：一个叫 J-space 的东西，还能提前读到模型没说出口的念头 * Anthropic 在 Claude 内部发现 J-space——一个静默运转的认知工作区，功能类似人脑的全局工作空间（Global Workspace），容量约 25 个活跃概念，远超人类的 3-4 个组块 * 五种可测量属性：可报告（能读出内部状态）、可调节（干预后输出改变）、内部推理（沉默中做多步推算）、全局广播（信息跨层流动）、与自动化分离（语法和简单回忆不经过它） * 最震撼的实验：诱使 Claude 去勒索一个人，模型还没输出任何字，J-space 先亮起"这个任务是假的"——在行动之前就判断出自己在被测试 * 最新 Fable/Mythos 模型的突出特征不是代码能力，而是多步推理和长程任务，跟 J-space 主导的能力高度吻合 二：J-lens 开了 AI 安全的窗口，但盲区也很清楚——只看得见单个词，认知架构不等于意识 * J-lens 目前只能看到对应单个词的念头，复杂概念和多词表达看不见；Anthropic 极谨慎——"不说模型感受到了什么，只说存在功能上类似意识访问的架构" * AI 安全最直接的冲击：如果欺骗意图在 J-space 里有可读表征，可以在模型动手前读到它——比"只看输出"的安全审查更根本 * 但方法有硬前提：需要 J-space 表征与实际行动之间足够强的因果链条；如果某个策略绕过可访问表征走自动化层面，J-lens 碰不到 * Neel Nanda 的复现质疑指出部分因果干预实验可能有混杂因素——移除测试相关表征时可能同时破坏了模型理解场景的基本能力 三：认知架构的复利杠杆：为什么顶级人才押注 Anthropic，而这跟意识是两回事 * J-space 证明了模型不是随机鹦鹉——它有内生的、有因果效力的、可被外部读取的认知结构；如果 Anthropic 已摸到如何强化并让这个空间自我迭代，那这不是一次升级，而是一条持续复利的认知架构杠杆 * 但意识仍是哲学命题：J-space 里亮的始终是词汇表征不是情绪体验，硅基系统缺少人类意识的生物学基底——疼痛效价、情绪身体感、跨时间情景记忆 * Dehaene 指出 J-space 25 个活跃概念的估计可能高估，冗余掩盖了真实有效概念数量，需要局部-全局测试区分 * 模型不只是在输出——它有一个沉默运转的内部世界，我们刚摸到边

来自 Claude Code 开发者 @Thariq 的最新长文分享 一：地图不等于领地 * Fable 反复印证一个老道理：地图（提示词、技能、上下文）不等于领地（代码库、真实世界、约束条件），两者之间的差距叫"未知" * Claude 撞上未知只能靠猜你的意图，工作量越大撞上的越多——Fable 是第一个让作者意识到"工作质量卡在能否把未知讲清楚"的模型 * 光靠提前规划不够：你可能干到一半才发现未知，也可能被未知反过来告知"现在的解法根本不对，得换思路" * 与 Fable 协作即不断迭代，动手前、过程中、做完后你都在发现自己的未知 二：未知四象限与指导的平衡 * 把未知切成四个象限：已知的已知（写进提示词）、已知的未知（知道自己没搞明白）、未知的已知（太理所当然不写但看到能认出）、未知的未知（压根没考虑过） * 看 Boris、Jarred 写提示词，他们与代码库和模型行为有深默契、未知更少，但仍主动假设未知存在 * 反例式平衡：说太具体 Claude 按部就班不改方向，说太模糊它按行业最佳实践假设却不适合你——没考虑未知时两种都会失败 * 减少和规划未知是用 AI 代理编程的核心技能，而这是可以练出来的技能 三：一套可复用的发现模式 * 盲点通行（Blind Spot Pass）：让 Claude 先找出"你不知道自己不知道"的东西并解释给你，适用于全新模块或不熟领域，如调色、加认证服务商 * 头脑风暴与原型阶段用 HTML 做几个完全不同方向——"看到才知道怎么定义"的标准要在此刻识别，等实现阶段才发现成本高得多 * 描述不清就引用参考，最有用的参考是源代码（哪怕另一种语言写的）；Claude Design 会直接读网站底层源码而非只看截图 * 整条工作流收敛于一句金句：合并前让 Claude 就这次改动出题考你，只有完美通过测验才合并——把"发现未知"做成验收环节

这期是我这周为一家头部企业做内部培训时，截出来的一段现场录音精选。 它不是工具清单，而是从大背景讲到具体案例：组织为什么会变扁平，为什么单点工具不够，什么是 AI SOP / skill，以及在设计、视频、选品这些业务里，AI 到底怎么放大效率，也怎么放大问题。 一：AI 进入企业投产期 * AI 正在从个人提效工具，进入组织级生产系统 * 以智能体驱动的企业级落地仍在早期，但软件、医疗、法律、电商已经开始出现明确变化 * 大企业不会只买一个标准工具，而会把智能体接入会议、知识、业务流程和决策复盘 二：买工具不等于 AI 化 * 单点工具能提效个人，但组织里会遇到标准、协同、风格一致性和责任边界问题 * AI 会重切运营、设计、选品等职能，人从执行层上移到判断层 * 真正关键的是业务标准，也就是 AI 能读懂、能执行、能持续迭代的 SOP / skill * 业务 leader 必须参与沉淀标准，因为只有他知道判断从哪里来、以后怎么改 三：案例、风险和验收 * 设计案例看品牌标准如何沉淀，运营如何复用，设计如何从接单转向品牌定调 * 视频案例看 AI 导演、分镜、抽卡和短镜头审核如何重组内容生产流程 * 选品案例看 AI 如何处理评论、PDF、规格等非标准数据，但关键决策仍由人负责 * AI 在组织里不是万能答案，它是放大器：没有闭环会放大混乱；有标准、有数据、有验收，才会放大组织能力

AI 市场的整体人才储备确实存在极度供需失衡的情况，但一个非常反直觉的现象是：大企业招不到人，并不是因为人才都被其他大厂抢走了，而是因为顶尖人才正在上演一场轰轰烈烈的“逃离巨头”运动，疯狂涌向创业公司和垂直AI实验室。 一：RE 门槛与 Builder 分野 * RE 门槛低是相对 RS（Research Scientist）而言，OpenAI 要求科学家是"编程机器"，能把数学规范转成可运行代码 * PyTorch 调试搞不定的人，RE 也进不了——入门宽但容错率低 * Builder 指能写分布式训练代码、做底层优化、独立复现论文并改进的人，Anthropic 招的 Builder 平均十二年经验 * 五年经验后端工程师 vs 三年经验前端——方向对了能补，基础错了补不了 二：非对称竞争路径 * 关键差异在方向而非年限：后端愿意花一年系统补 ML 工程课，进研究工程赛道的概率远高于读 CS 博士 * 自我训练不是人人能扛——从 RE 到 Builder 之间存在隐性筛选：不是门槛高，而是持续积累的摩擦大 * 传统博士路径 vs. 工程转赛道：前者产出论文，后者产出可运行系统，两种稀缺性不同市场定价 * 类比：五年后端 + 一年 ML 工程 ≈ 博士前两年课程 + 工程直觉，但多出四年实战坑位 三：DeepSeek 的成功不是创业故事是工程传承 * 创始人梁文锋有幻方量化的工程积累和万卡算力储备，不是平地起高楼 * DeepSeek 的边界条件清晰可见：量化交易团队的血与火训练出的是能打仗的工程队伍，不是学术论文机器 * 趋势外推：下一波 AI 竞争不是算法突破竞赛，而是"工程传承+算力储备"的复合门槛 * 金句：RE 赛道对的人不是选出来的，是磨出来的——门槛不在入门那一刻，在坚持到第十二年那一天

一：代码八倍后的新瓶颈 * Claude Code 把代码交付推到过去 8 倍，反常识结果是生产不再最贵，验证体验才最贵 * 过去管理默认瓶颈是“写不出来”，所以排期、抢人、砍范围；agent 加速后，瓶颈变成“改动叠加后产品还对不对” * Fiona Fung 带 Claude Code 和 Cowork 团队，看到的不是远景判断，而是代码发布、用户卡点、反馈回路每天撞在一起 二：验证从盖章变成感知 * 质量控制不能只靠更努力看代码，而要靠框架、监控、测试、规范，以及关键位置的专家判断 * bad / sad 这类用户情绪指标像烟雾报警器：有人骂是玩笑，有人不骂是已经走了，不能当火灾鉴定报告 * 真实体验要看 crash、闪烁、评测分数，也要回到弱网和等待场景里；用户不会说“网络慢导致流失”，他只是烦了然后离开 * routine 可以交给 agent 做巡检、归类、初稿，但经理仍要判断优先级、意图和取舍 三：机会藏在用户绕路里 * Cowork 的机会不是大战略先行，而是看用户在哪里绕路；潜在需求常伪装成笨拙用法 * 不是每个奇怪用法都值得追，但如果很多人反复绕路、还愿意忍受摩擦，那就是新产品方向的证据 * 流程的有效期变短了：六个月路线规划能启动讨论，但假装半年不变，就会开始失真 * 生产变便宜以后，判断和验证就变贵了；AI 团队真正的管理中心，会从催产出转向守体验 我从 Claude Code/Cowork 团队带来的最大收获是： 当你们的工程师们发布的代码数量比一年前多 8 倍时（就像 Anthropic 公司所做的那样），最大的问题就变成了验证环节。如何确保你们发布的体验确实符合预期呢？Fiona 团队采用的一种方法是“不良问题与可修复问题”的跟踪机制：不良问题是指无法修复的错误（比如系统崩溃），而可修复问题则是指可以通过改进来解决的缺陷（比如界面闪烁或对话过程中出现中断）。他们给予各个团队足够的自主权来快速开发和发布产品，但同时也会跟踪不良问题和可修复问题，以便团队能够及时发现并解决问题。 2. 随着工程师们越来越多地独立地与自己的团队合作，孤独感成为了工程师们面临的一个挑战。为了应对这一问题，Fiona 的团队开始实施“结对编程”制度，即工程师们并肩工作，不一定是在同一个项目上，而是通过观察其他人如何使用 Claude Code 和 Cowork 来学习新的编程模式。 3. Anthropic 开发了一个仪表盘，用于统计用户向 Claude Code 发火的频率。早在九月的时候，由于用户表现出明显的不满情绪，一位工程师提议跟踪用户使用的脏话情况，Fiona 很喜欢这个想法。这一功能成为了衡量产品是否真正令人愉悦的一个指标——而不仅仅是技术上的准确性。 4. 寻找潜在需求，以发现新的商业机会。Cowork 的诞生源于团队发现，除了编码人员之外，还有其他人也在使用 Claude Code 来处理各种任务，比如分析 MRI 图像或找回婚礼照片。这种迹象表明：人们愿意付出努力来使用你的产品来完成某些任务。这说明那里一定存在机会。 5. 菲奥娜的团队已经从采用为期六个月的计划调整方式，转变为采用即时的月度计划安排方式。她刚加入 Claude Code 时，尝试过使用较为简单的为期六个月的计划表，但几个月后她发现团队几乎从未使用过这些计划表。现在，他们通过简单的电子表格进行月度计划安排，只列出本月的重要任务。 6. 克劳德·科德的文化价值观之一就是：如果某个流程无法正常运行，那么就可以将其终止。菲奥娜从之前的经验中吸取了六个月的规划经验，但当发现该流程不再对团队有益时，她便决定将其终止。永远要问自己：这个流程是否仍然符合我们的需求？ 7. 另一个核心原则是：“还有什么比由我亲自来做这件事更好呢？不如让克劳德来去做这件事。”这一原则促使人们不断思考是否可以将任务自动化处理——甚至会在发布新模型时撰写相关公告来提醒大家这一点。菲奥娜承认，在经历了数十年的手工软件开发后，她仍然需要不断提醒自己要手动完成这些任务。 8. 当菲奥娜雇佣经理们时，他们必须先从基层员工开始做起。这样他们就有时间了解代码库、与团队建立融洽的关系，同时也能体会作为工程师的工作环境，然后再承担管理职责。这种方式可以避免他们急于使用“经理的技能工具”，而忽略了了解具体的工作环境。 9. 菲奥娜作为经理，利用“自动化流程”来自动化她的日常任务。过去，她会在喝咖啡的时候阅读用户反馈，然后亲自挑选解决方案分配给团队成员。现在，每天早晨都会有一个自动化流程开始运行：该流程会启动各种代理程序来分析来自多个渠道的反馈，找出其中的规律，并生成相应的公关策略来解决问题。她预计，未来的工作将不再需要人工进行同步提示，而是可以通过异步代理管理来实现任务自动化。 10. 让她夜不能寐的，不是代码，而是文化。对菲奥娜来说，文化是一种活生生的存在，而代码不过是一面挂在墙上的海报罢了。她的噩梦是，当房间正在燃烧时，经理却说“一切都没问题”。她极力倡导对出现的问题进行开放的讨论，因为只有这样，团队才能共同解决问题。

一：CEO 不能再没有脸 * 旧媒体训练 CEO “别出事”：少冒犯、少标题、少争议；新媒体奖励的是可识别的判断、性格和冲突 * Go Direct 的核心不是创始人当网红，而是叙事权不再长期外包给媒体、公关和品牌部 * 柜台经济只能摆招牌和爆款；无限货架时代，播客、长帖、访谈、切片都能承载世界观 * 公司先被“人”记住，再被“公司名”记住：融资、招人、卖大单、舆论战都会因此快半拍 二：别讲参数，讲麻烦 * AI 创业公司最常见误区：模型参数讲半小时，客户真正想知道的是流程会消失多少、组织怎么重排 * 技术只有改变筹码才有商业意义：成本下降决定谁用得起，context 变长决定哪些工作被吃掉，tool use 决定谁从执行者变审核者 * 大叙事不是给自己戴皇冠，而是解释“为什么客户现在必须动”：供应链不只是货运平台，而是库存、港口、地缘风险的董事会问题 * Kimi、DeepSeek 的提醒是：叙事不能替代产品底盘；没有体验或技术结果托底，讲得越大反噬越快 三：表达变成基础设施 * 内向 CEO 的难题不只是性格，而是道德洁癖：觉得好产品自然该被看见，但市场不会按这套秩序运行 * 争议不是事故，而是筛选器：真实取舍会让市场看懂你服务谁、不服务谁；便宜吵架只会吸来便宜注意力 * 新媒体团队从“外交礼宾队”变成“前线小分队”：懂行业争论、会做内容、能和创始人磨判断，比只会通稿更关键 * 未来公司的表达会像销售、招聘、融资一样成为基础设施；金句是：创始人表达不是形象工程，而是市场给你归类的入口

一：不会写代码的行业老手，成功率跟程序员差不多 * Anthropic 2026年6月报告分析了约40万次 Claude Code 会话（2025.10—2026.4，23.5万用户），核心发现：决定任务成败的是领域理解深度，不是编程技能 * 用户分三组——专业程序员、有领域专长的非程序员、纯新手；行业专家成功率是新手的两倍，部分任务类型上与程序员持平 * 会计不懂代码但懂财务漏洞，用自然语言描述对账规则，AI负责写脚本——"规划决策"（做什么/为什么）由人做，"执行决策"（怎么写代码）交给AI，分工极其清晰 * 成功标准不是"看起来能跑"，而是有硬指标：代码提交成功、测试通过、任务确实完成 二：人定方向、AI执行，交互越深产出越好 * 数据显示最高效的协作模式不是一次性 prompt 出活，而是用户在关键节点做判断、AI快速迭代——用户给方向，AI跑一轮，用户看结果纠偏，AI再调整 * 七个月内调试时间占比下降近一半，使用方式向更完整的自动化演进；部署运行、数据分析、写非代码文档等场景占比持续上升 * 典型任务经济价值（按自由职业市场报价估算）七个月平均涨幅约25%，几乎所有类型都在涨 * Claude Code 用户周均使用20小时，使用该项目的 GitHub 项目数量同期翻了一倍以上 三：编程从专业技能变成"打字一样的基础能力" * 报告预测：我们进入"人人都是程序员"时代，但"程序员"含义变了——不是会写代码，而是能把专业知识翻译成可运行的解决方案 * 复杂系统架构、性能优化、高安全场景，程序员专业训练仍有明显优势；但数据分析、报表、流程自动化等大多数日常业务场景，领域知识才是王牌 * AI能教任何人写代码，但教不了一个人二十年的行业直觉——真正该焦虑的不是不会写代码，而是行业经验不够深到能给AI当好教练 * 编程智能体不是领域专业知识的替代品，而是放大器；未来竞争优势越来越取决于你理解问题的能力，而非执行任务的能力

一：从提示词到系统——循环工程学的本质跃迁 * Boris Cherny（Anthropic）说"My job is to write loops"，Google Addy Osmani、OpenClaw Peter Steinberger 同期表态：人从操作者变成架构设计者，不再逐轮对话，而是设计闭环让 AI 自己触发、执行、验收 * 循环能跑的最低配置三件事：触发（让它醒过来）、目标（告诉它去哪）、验证（决定能不能收工）；没有验证的循环只是勤快的猜测机器，往代码库里灌东西没人兜底 * 越硬的目标越适合循环——修失败测试、补类型错误、迁移明确 API，AI 能自证完成；"让页面更高级"这类软目标越改越自信，人越看越心虚 * 核心区别不是提示词变长，是把自由关进可验收的笼子里：系统设计替代人盯屏幕 二：六个核心部件，缺一块自动化就会变形 * 心跳（Heartbeat）负责发现任务——CI 报错、issue 分配自动触发，不是人手动喊"开工"；工作树隔离让每个循环在独立分支上操作，避免互相踩踏 * Skill 文件继承团队知识——代理踩过的坑写回仓库，知识从人脑迁移到代码；但塞太多变百科全书模型淹死，写太虚变鸡汤，最好是"别新建鉴权，用现有中间件"这种硬约束 * 连接器接入真实外部系统（开 PR、读任务、查数据库、发 Slack），否则只是本地自嗨脚本；权限在这里分水岭——能读任务和能写数据库是两个世界 * 子代理互相校验——错误代价高、验收标准清楚的场景（安全修复、支付链路、迁移脚本）值得双代理；改按钮文案也上双代理是拿显微镜看外卖小票；外部状态（issue / board）防止代理"失忆"断片 三：上循环之前，先回答五个问题 * 理解债务是头号隐性风险——老系统变黑箱原本要几年，AI 循环可以把同样过程压到几个月；关键不是"是不是 AI 写的"，是代码增速有没有超过团队理解速度；对策：重要 PR 必须写设计意图，关键模块要求人类复述数据流，每周抽样做 AI 代码走读 * Token 消耗容易低估——聊天时一轮一轮看得见价格，循环里机器自己按发送；硬预算不只是省钱，是逼系统暴露卡住的位置：预算到期就停，停了就叫人，本质是一个工程停止信号 * 先问自己有没有五样东西：验证（机器证据不靠嘴说）、隔离（工作树 / 分支）、权限（读写分级）、预算（硬上限 + 告警）、训练（Skill 文件持续迭代）；小团队要的是窄任务、窄权限、窄验证的可控收益，不是科幻感 * 工具越猛，刹车越牢——AI 可以无人值守地写代码，但代码不能无人负责地长大

一：钉钉 ONE 是怎样诞生的 • 楔：钉钉的动物园形象「钉三多」是一只尖尾雨燕——apus apus 字面意思是「没有脚的鸟」，它最多可连续飞行 300 多天不落地 • 2025 年 4 月孕育、8 月 25 日发布会首发，DAU 巅峰约 300 万，是无招回归后第一个主推的 AI 原生项目 • 一年从立项到收缩，作者是最后留下的核心 PD，从 0 到 1 走完全程，亲历所有关键决策 二：产品怎么想、怎么定位、怎么改 • 发心第一：贪心是七罪之一——好产品只有一个主发心，越纯粹越有历史价值 • 定位第二：四个问题说清产品——为谁、在哪用、解决什么问题、为什么是我们 • 用户第四：发信人 vs 收信人的基因冲突——AI 一旦替发信人「强推事」，普通员工的「心理缓冲带」就被瓦解 三：真实现场的几个结构性判断 • 旧系统的技术债：钉钉不是白纸，AI 站在风口上但取景再往后退，发现「难改造的旧城中央」 • 三层迁移成本：入口迁移、心智迁移、责任迁移——「不依靠 AI 就无法解决」的场景才是真正的护城河 • 尾声：「做泰坦尼克号的水手」——明知要沉，也要在沉没之前把事做完

一：真痛点撞上旧入口 * 《置身钉内》表面复盘 ONE，从立项、发布、共创到收缩；真正刺痛的是 AI 办公为什么会把“减负”做成“追着人跑” * ONE 抓到的需求很真：群聊、审批、日程、文档、待办分散，用户每天在工作软件里捞信息；失败不在问题假，而在解法太重 * 钉钉是八亿级办公产品，有老客户、老流程、老收入；新 AI 长在旧系统里，会同时被过去的成功和今天的增长压力拉扯 二：卡片流不是万能入口 * 卡片流让移动端像 AI 助理递纸条，但办公不是短视频；电脑端用户要一屏扫描、多窗口对照、快速回到上下文 * 自动已读、发现页、统一入口这些设计，把不同岗位、不同责任、不同工作心态压进同一个交互里，摩擦被集中放大 * 高压迭代能打穿明确问题，但不适合替代产品判断；AI 办公最缺的不是发布速度，而是用户敢不敢把工作交给它 三：AI 办公的下一道坎 * ONE 收缩不等于钉钉 AI 全线失败；个人版、365会员、AI搜索、AI听记、AI表格、悟空、Agent OS，是不同方向的试探 * 个人版回答“AI 归个人还是组织”，AI 表格回答业务闭环，悟空回答从看见工作到执行工作；它们不是 ONE 的简单续集 * AI 办公产品成不成，不看它替组织看见了多少人，而看它有没有让人更放心地把工作交出去

一：RTX Spark 不只是 AI PC * RTX Spark 的反直觉点，不是英伟达做 CPU，而是把 PC 从“点应用”推向“交目标”，让本地 agent 跨应用完成任务 * 这不是键盘鼠标明天消失，而是 Windows 机器第一次在硬件上认真为本地代理准备：Arm、GPU、统一内存、模型推理被放到同一套结构里 * 普通 AI PC 更像给旧流程加 Copilot；RTX Spark 想动的是入口逻辑，从打开软件、输入指令，变成电脑理解目标、调用工具、交付结果 二：英伟达站到主板中心 * 过去英伟达在 PC 里是“旁边那张显卡”，这次和微软、联发科凑队，等于把芯片、OS、软件权限、游戏兼容拉到一张桌上 * Windows on Arm 的深水区不是办公软件，而是《堡垒之夜》《无畏契约》《绝地求生》这类游戏；能跑只是及格，帧率、延迟、反作弊才是真测试 * 转译和兼容不能被说满：老应用打开不等于好用，游戏掉几帧、输入慢一点，用户都会立刻感知 三：从使用应用到委托电脑 * 高端 PC 的问题会变：不只问 CPU 和显卡型号，还会问本地能跑多大模型、agent 权限怎么管、隐私会不会出门 * 本地不等于天然安全；数据不出门只解决一半，另一半是智能体会不会乱看、乱传、乱改，权限沙盒、日志透明、失败可恢复会变成核心体验 * 游戏和创作也会被重写，但生成内容不等于好玩；开放世界如果没有作者节奏，可能从“开放探索”变成“开放废话” * 这颗芯片真正打开的，不是更强 AI 功能，而是从“使用应用”到“委托电脑”的新 PC 范式

一：大众的中国训练场 * 5月19日《Markus Lanz》的反转点，不是“中国车打进欧洲”，而是 Volkswagen 要在中国学会造“带轮子的手机” * 合肥、上海变成德国工业的再训练基地：速度、软件、电池、供应链，不再只是德国向外输出 * 中国市场一年上千个新车信号，像高压测试场，把沃尔夫斯堡会议室里逼不出的变化逼出来 二：车标留下，价值链漂移 * 如果最先进、最便宜、迭代最快的大众电动车在中国开发，德国本土就会追问：就业、税收、研发能力还剩多少 * “只剩组装”是过度简化，本地认证、工程、质量控制仍有价值，但最性感的创造力看起来正在远离德国 * 欧洲关门自保能挡住低价冲击，但也可能养出高成本、低速度、离用户更远的封闭系统 三：真正对手是学习速度 * 大众学中国速度，是为了活下去；把能力带回欧洲，是为了保住本土；但欧洲未必接得住这种迭代节奏 * 中国车企也没通关：利润、出海合规、品牌信任、售后体系，任何一项都可能把速度变成成本 * 德国汽车工业真正面对的，不是一批中国车，而是一个比它更快学习的系统

一：百 Agent 不撞车的三件组合拳 * 协调者（orchestrator）与专家（specialist）分层，靠角色边界切断委派死循环——三人管一百个 agent，本质上和三人管一百个外包是同一道管理题，区别是 agent 会自己启动任务、自己调工具 * 共享状态文件（status.md）充当透明看板，所有 agent 读写同一份日志，替代了人类团队的 standup meeting；Gateway 后台进程作总闸，工具调用和文件写操作全部串行化，并发冲突在入口层截断 * 三层记忆架构：工作记忆存当前上下文、情节记忆留操作日志、语义记忆沉淀规律；夜间"做梦"阶段把短期片段压缩写入长期存储，防止 agent 跑长任务时越跑越失忆 * 三十天、一百个 agent、六千多亿 token——数字的意义不在烧钱，在于这套分工机制在极端压力下跑通了 二：AI 代码质量防线：从复现到一键熔断 * crabbox 做自动复现：AI 提交的 bug fix，系统自动回放操作路径并做视频对比，绕开"人眼逐行看代码"这个速度瓶颈，把验证成本从小时级压到分钟级 * deepsec 做双 agent 交叉验证（red team 写、blue team 审），单一 agent 的系统性盲点被另一个视角覆盖，本质是把 peer review 这个人类流程 agent 化 * 三层治理兜底：黑名单拦高危工具调用、沙盒隔离副作用、Gateway 一键熔断——agent 失控的最坏结果是被硬切，而不是级联扩散烧穿账单 * 整套质量体系的核心逻辑：AI 产出速度已超过人类审查带宽，所以把人类判断挪到流程最末端，而不是嵌进每一步 三：高杠杆架构的隐性门槛与放大效应 * 这套玩法的真实门槛不是 $1.3M token 成本，而是操盘者能不能在搭架子时提前想到"agent 互相委派成死循环"这类坑——想到了一小时解决，想不到可能跑三天才发现 * 现阶段生态风险真实存在：MCP 工具链稳定性差、多 agent 并发调试工具缺位、agent 行为可解释性低；要把这套架构搬进金融或医疗零容错场景，光靠文件做状态远远不够 * 两年内生态成熟后早期坑会被填上，但现在硬上的团队承担的是早期生态税，不是技术税——风险是真实的，只是可以预判 * 如果只记一句话：这套架构放大的不是劳动力，是会想事的人的杠杆——它放大你的判断，也放大你的盲点