凡人小北

统计数据

78

文章

0

粉丝

0

获赞

2023

阅读

4个月前

看到 OpenEvidence 又拿融资，不得提一下这家公司。就在一周前，OpenEvidence 宣布又完成了一轮 2 亿美金的 C 轮融资，由 Google GV 领投，红杉、黑石、凯鹏华盈、Thrive 等一众顶级机构加持，投后估值飙到 60 亿美金。注意，是三个月内连下两轮：7 月刚融完 2.1 亿，10 月又拿 2 亿。而且是产品实打实增长后的结果，跟PPT融资完全不是一回事儿。如果你看过很多次红杉的闭门会，肯定听过这家公司的名字。这家公司没有去卷模型参数、也没搞花哨 demo，就做了一件事，老老实实盯住医生最难的那几个问题，结果反倒跑出了很扎实的落地路径。可能很多人还没太关注这家公司，那我快速讲一下： OpenEvidence 是专门做医生用的医疗版 ChatGPT，定位非常清晰：搜索 + 分析 + 自动写研究报告，所有能力都基于真实医学文献和临床指南构建。分享几组数据： 1. 美国已有 40% 医生在用，每月新增注册医生 7.5 万人 2. 月度咨询量从 7 月的 35.8 万暴涨到现在的 1650 万次 3. 自研模型是历史上第一个在美国医师执照考试中拿满分的 AI 4. 推出新产品 DeepConsult，能生成博士级别的医学研究文献 5. 商业模式是谷歌是赞助答案，直接给药企做精准广告，预计明年 ARR 将突破 1 亿美元说说他的技术，数据价值占了很大的比重，跟 NEJM、JAMA 系列等 11 本顶刊合作，喂了 3500 万份同行评审过的文献，把 AI 的幻觉率降到行业最低，所以医生才敢用也才愿意用。以下是我想说的：如果认真观察，会发现真正有价值的 AI 应用，往往不是最热闹的那批。比如OpenEvidence 的崛起就提醒我们一个简单却经常被忽略的事实：在一个足够需要专业积累的行业里，数据密度+场景深度+专业严肃性，这三者就是护城河。并且那些最早下场，懂需求，并且还不怕脏活累活的人，会悄悄赢下整盘。这种垂类的 AI 产品 PPT 可以很酷炫，但骗不了任何一个需要每天稳定输出结果的用户。特别是医疗行业，这个行业不是能靠 prompt 拼出来的行业，不是说今天堆几个插件，明天跑个多模态就能打穿的。这个行业不需要演示好看，真正能用才会留下来用户，医生是会用脚投票的。能走到这一步的公司，从一开始就选了那条最难但最有价值的路径，熬过了看不到成果的阶段，最终成功了。

#OpenEvidence #医疗AI #医生 #融资 #数据驱动

4个月前

分享下我的方法： 1. 🪜开了个paypal美区账户，绑定了国内信用卡，然后美区apple账号支付方式选择paypal，已经稳定用了几年了。 2. Android 手机上美区Google Pay，也是绑定国内信用卡。这两种方式充值ChatGPT和Claude都很丝滑。

#PayPal美区账户 #国内信用卡 #ChatGPT充值 #Claude充值 #支付方式

4个月前

申请资质要做个网站，技术说排期得一周，评估一堆要配设计，要走流程。结果产品没多说什么，自己打开 AIcoding，工位上吃午饭的功夫，拿着原型直接干出来让运维上线了，半小时不到。这种事儿每次都能震我一下，很感慨。不是要说谁效率高谁效率低，你明显能感觉到，当 AIcoding 这种东西真的落到每个人手里，原来泾渭分明的角色边界，正在迅速变得模糊。以前你是产品，你就负责提需求，写文档画原型，协调人；技术是实现的人，你说他做，中间再磨一磨，再对齐，再拉通那个什么颗粒度。但现在，很多事根本不用协调，自己就能干。也不是说产品都要变成工程师，但你只要稍微会点操作、知道 prompt 怎么写、页面结构心里有数，其实你完全可以直接出手，甚至很多时候速度比对接要快太多。那这种没有很复杂业务逻辑的工作未来技术的位置在哪里？ AIcoding 时代需要的是谁拥有把想法落地的能力。这个变化，很大。

#aicoding #产品经理 #工程师 #效率提升 #角色边界模糊

4个月前

复活了，微信账号终于解封！🥲 这一周被封的原因我到现在都还不知道，没有预警、没有提示、没有申诉通道，啥也没说，突然就被限制发言。但最绝的是封号手段，只能看不能说，别人发来的消息我都能看，就是回不了，回一条提示我功能受限。这个设计真的牛逼，社交孤岛 → 强制沉默 → 所有关系链还在，就是你不能出声。彻底体验什么叫“还在场，但已经消失”。这比直接封号狠多了。真的是越想越恐怖：我们所有的社交、工作、支付、登录系统，已经深度依赖这些超级平台，但你对它们的规则毫无知情权，甚至连“你错在哪”都不知道。不透明、不对等、不告知、无申诉。想象一下你哪天醒来发现支付宝不能付款、微博不能发言、微信不能说话，系统只告诉你：你已被限制使用。为期 7 天，原因保密。你能怎么办？等。你除了等，啥也做不了。这还不是 AI 或数字社会的未来，这是现在。

#微信封号 #社交平台依赖 #用户权利 #不透明规则 #数字社会

4个月前

如果你老板是那种节奏感特别强、细节管控欲很高的事无巨细型，你该怎么适配？尤其你本身是一个团队的负责人，希望自己的保持自驱和探索的团队，怎么在不对撞的前提下，撑住上面又托住下面？我领导风格就挺明显的：节奏感极强、什么都想提前知道一点、细节关注度也很高。说实话，刚开始我情绪很大，但后来也想通了，就是慢慢做事的过程中，调整自己调整节奏，不能硬碰。然后做了一些事情，让我们这几支团队还能保留一点自己动的劲儿。比如我这边会提前把关键节奏先定下来，有哪些地方可能是风险点、预计哪个决策节点会卡，我会主动提出来，提前同步。老板既然在意节奏感，那我先打个底，让他知道我这边没掉链子，就不用事事插手，我这边空间反而更大了。再比如，我不把上面的节奏 1:1 拿来压团队。我会自己先缓一层，再换个说法传下去，比如说“我们这块再快一点，方便我们下周给出一个完整 demo”，而不是“老板说这个这周必须搞定”。这种语气差别，其实挺关键的。一个是一起推进，一个是被人推着走，长久下来，团队的状态很明显完全不一样。还有就是，我会留点缝隙让团队的人抬头看看。不一定非得搞创新项目，有时候就是开个小会、讨论个备选方案、尝试一个新方法。你不留这点空间，团队很快就只会执行了，想象力和判断力都会变钝。其实就是得让这个团队有点自己的动能，不然老板节奏一紧，整个系统容易变成被管理和等指令的那种僵化状态，哪怕人再聪明，也会慢慢变钝。我挺在意这一点的。一个管理者是不是一个好管理者，是要想办法带出一支能自我决策、自我拍板的队伍，那种“手一松，整个团队就塌了”的状态，我自己都不想进。老板是啥风格我控制不了，但我怎么传导、我团队怎么运转，我是能决定的。当然话说回来，也不能光想着“我扛着就行了”。有些时候你还是得管理一下老板，创造一种让他不需要事无巨细的局面。我会刻意把核心决策点和节奏断层提前抛出来，让他知道我在掌控，他就不太会越界干预。如果他真有越级管人的时候，也会找机会聊聊，让他知道我这边已经推进得差不多了，节奏没问题，不用插手太多。另外不需要教他怎么当老板，只需要让他知道，有些事你比他更早看见、更快落地，他自然会往后退一步。上面和下面之间就好像三明治的中间，既要撑住上面，又得托住下面，其实中间靠的不是忍耐力，一个好的管理者要有能力建一套自己的节奏逻辑，把两头都黏住。然后就会慢慢看出差别了。一个自驱、主动探索的团队，和一个只是为了迎合老板而做出探索样子的团队，状态完全不一样。能不能真正跑起来，组织气候里的人自己最清楚。时间久了就发现两种团队做出来的东西，最后是会分叉的： - 一个做出来的事是能继续演化、能经得起时间考验的，过了那个节点它还在持续生长； - 另一个则可能就是为了某次高光临时拼出的demo，亮相那一刻是巅峰，之后就没了后续。组织记忆是有惯性的，时间会帮你判断什么是真能力，什么只是对得上节奏的热闹感。就这样，没太多大道理，就是一路摸索调整，慢慢磨出来的。

#向上管理 #团队自驱力 #管理者角色 #节奏把控 #避免微观管理

4个月前

ChatGPT 的记忆系统更新了，一个不起眼但可能非常关键的底层变化：自动管理记忆，不再 memory full，也不再全靠你手动删改。一觉醒来 AI 在自我意识觉醒的路上的又迈出了一小步。 OpenAI 官方是这么说的： 1. 不会再提示“记忆已满”，系统会自动合并 / 替换不再重要的信息 2. 支持搜索、排序、设定记忆优先级（by 你自己） 3. Plus 和 Pro 用户今天起全球上线（仅限 Web 端）没想到今年 memory 发展这么快，控制权开始往模型转移了。 ChatGPT 自动判断哪些对用户重要，并且只保留它觉得重要的，还能定期合并、更新、删除不再需要的内容，最主要的是这些判断都是来自系统本身的策略模型，而不是用户。脑补一个对话： “我们上次聊的那个方向呢？” “我已经归档了，觉得它没那么有用。” 这还是个工具吗？🤔 听起来是不是有点像人？跟前两天那篇推文说的一样，记忆系统这事儿，光是能存起来远远不够，OpenAI 的记忆架构应该是有一些突破了。当然了，现在它还不算真正自主记忆管理，但这个功能很明显的趋势，未来的 AI，不一定记得你告诉它的，但会自主判断它认为你重要的。有点意思但又细思极恐！

OpenAI新德里发布会：ChatGPT语音翻译功能引发热议· 869 条信息

#ChatGPT记忆系统 #AI自主学习 #OpenAI #记忆管理 #细思极恐

4个月前

突然 FDE（Foward Deployed Engineer 前沿部署工程师）这个词火得有点莫名其妙，很多创业者一夜之间开始膜拜 Palantir 式打法，搞得好像硅谷又发现了什么新大陆。先说我的看法：国外现在兴奋讨论的这套东西，中国人早就在用了。不夸张地说，FDE 这个概念在国内 toB 创业环境里，根本不是什么未来范式，它是过去 10 年我们活下去的方式。硅谷的 FDE 模式今天之所以被捧上神坛，是因为 AI agent 产品天然不能标准化、不能纯靠 SaaS 拉起规模，只能靠“深扎现场 + 产品抽象 + 高难度交付”（这几个词眼熟吗）这种非线性方式打通从 0 到 1 的路径。这种新范式我们不叫 FDE，我们叫它：售前 + 客户经理 + 实施 + 技术支持 + 专人陪跑 + 项目现场 + 临时产品经理是不是听上去不那么高级，也没人总结成Echo + Delta 团队这样的理论模型可中国 to B 创业者、尤其是医疗、制造、政企、教育领域的创业者，从来没有什么 SaaS 福报。我们走进客户现场，用工程师替客户解决一线需求，项目经理拆用例，售前写方案，然后陪标、上系统。这些人一开始就被扔进落地即交付，交付即定制的泥沼里，硬生生走出了一套非标准化探索到产品复用化的路径。所有这些国外今天才开始鼓吹用 demo 去找 PMF，我们已经 demo 到脱发了。欧美 SaaS 怕是忘了东方还有个神奇的国度。为什么现在大家把 FDE 当作一种新的 go-to-market 策略来膜拜。可能是因为他们原来做的是标准化 SaaS，突然卷进 AI agent 的复杂场景，一下子手脚不够用了，才发现：哦原来世界上还有一种方式，叫“没有产品也要先干起来”？

#FDE #toB创业 #中国经验 #AI Agent #非标准化

4个月前

《为什么 95% 的 AI Agent 做不起来？》非常推荐，踩的坑和解决方案跟我们几乎一模一样，虽然讲得很清楚，架构师视角，值得花 10 分钟读完，应用到工程实践中。几个点： 1. 现在大家都还在拼 prompt，只有少数人开始拼上下文结构。特别对的一点是：prompt engineering 已经不是核心了，context engineering 才是下一阶段的主战场。给再聪明的大模型喂进去一堆乱七八糟的输入，它还是只会胡说八道。市面上跑得稳的 Agent，都是在“什么该让模型看、怎么看、以什么形式看”上下了大功夫的，这一点现在应该是共识了。 2. 记忆系统这事，光是能存起来远远不够很多公司的 memory，说得好听点是长期记忆，难听点就是个聊天记录仓库。真正落地的系统要分层记忆（用户级 / 团队级 / 系统级）。文章读完我感觉更多的篇 B 端，C 端要思考的是结合业务来做分层记忆，并且要能让人知道它记住了什么，并且用户能自己改。否则就不是记忆是监控。 3. 不迷信单模型，这年头还不做 routing 的 agent 就别说自己做 infra 了。这篇文章提到多模型路由，说得很对。不可能所有请求都丢给 GPT5，成本和时延直接炸掉，表现也未必好。真正合理的系统，一定是：快速反应的轻模型做分类和前处理、重模型做主任务、补一个模型做验证或追问。一个 agent 后面绑定的一定是一个 LLM 团队。 4. 可追溯/可控/可信，是企业愿意用 Agent 的底线很多人只想着怎么让 agent 能回答，但企业更关心：这句话是从哪里来的？有没有越权？出了错我怎么追责？ AI 要可治理。 5. 最被低估的一点：Agent ≠ Chatbot 这篇文章最后说到的一点我非常赞同但还不够狠：如果还在用聊天当所有用户交互的方式，那agent 最多是个语音助理。真的 agent 应该是：先用语言调度任务，然后在页面上看到结构化结果，还能继续点选、调整、组合下一步。这部分很多公司现在在尝试了，交互上比之前全部自然语言高效了太多。一个特别有意思的点，当主持人问观众“你们中有多少人构建了文本到 SQL 并投入生产？”时，没有一个人举手。

#AI Agent #Context Engineering #多模型路由 #可追溯性 #人机交互

4个月前

最近在看一圈 ToB agent 的落地情况，有个判断越来越清晰：至少还得 1 年，国内 ToB agent 才可能真正起来。第一，国内的模型能力，还不够。 ToB 业务链条长、场景复杂、对结果的容错率极低。现在的大模型，哪怕再微调十遍，稳定性不够，自洽性不够，还不够听话这些问题依然严重。 prompt 写得挺对，它干的事还是不怎么靠谱。像个刚转岗的实习生，流程懂了点，但是做起来全是 bug。第二，做技术和懂业务的，不是一拨人。 ToB agent 最大的挑战是知识怎么迁移。比如想让 agent 搞懂保险理赔、医疗问诊、法律审查……这些不是写 prompt 能解决的，它们背后是几十年经验、人情流程和模糊判断。越值钱的知识，掌握它的人越年长，越难被结构化表达，更别说这批人愿不愿意倾囊相授。技术今天搞出来一个 agent，业务方只会说三句话：你这不准啊、我们流程不是这样的、你这漏了关键条件，但这个流程是之前开发跟业务一起梳理出来的。这背后藏了抵触，技术和业务之间，隔着的不是 AI，是一整座山。那为什么 AI coding 能先跑出来？因为这事里最懂业务的就是技术自己。谁最懂代码结构？技术！谁能写 agent 调 agent？技术！谁能 debug agent？还是技术！技术是唯一一拨能自己用，自己调 bug的群体。业务等于本体，没有认知 gap，也不需要跨专业翻译，一整个闭环自然就跑通了。本质区别在这：AI coding 是单边迁移服务自己， ToB agent 是双边博弈，需要认知共建。一个能快，一个必须慢。对于 AI coding，只要模型理解开发者就够了。ToB agent，不仅模型要懂业务，开发者还得懂业务，然后两边还得对得上话。这，太难了。真正的转折点要出现：必须满足模型能稳定编码行业知识，Agent 能封装复杂动作并处理结果反馈（前提是老顽固们愿意掏心窝），企业能放心把核心流程交出去。到那一天，ToB 才真正算是 ready 了。那时候再回头看 coding agent 的进化速度，也许已经不是一个量级的对比了。技术在革自己命这件事上，从来没有输过任何群体。

#ToB agent #大模型能力 #技术与业务认知差异 #AI Coding #行业知识迁移

4个月前

OpenAI 又把AMD 拉了进来，再加上Oracle、博通这些公司，基本已经形成了一个小圈子。大家一起玩，股价/估值互相复利向上，市值层层往上叠。一座巨大的围城已然形成。外面的公司看热闹，里面的人越抱越紧，创新的空间能被他们的效率吃得干干净净。这是史上效率最高的资本共生体了吧。

#OpenAI #AMD #资本共生 #科技围城 #高估值

5个月前

这个九月 AI 工具真的卷出新维度了。Flowith 把自己的画布升级成 Context Playground（AI 创想画板）。用 AI 最烦的就是它总是自己嗨，幻觉一堆，明明只是想改一点点内容，就跑偏了八百里，最后却不得不一遍一遍地试探 prompt…… 现在，Flowith 直接让我一刀剪掉跑偏的部分，AI 幻觉真的被解决掉了。它把整个创作流程换了种思路，用户第一次真正能在一张画布里自由的创作。整张画布顺畅的就像是一个“灵感搭建场”，AI 不再主导，而是变成真正的工具层助手，我更愿意称现在的这个形态为“无边记”。

AI视频井喷：Midjourney领跑，多模态混战· 337 条信息

#AI工具 #flowith #Context Playground #AI创想画板 #无边记

5个月前

几十张发票折腾了两个小时的一点感想，都2025年了，怎么财务流程还这么原始。很多公司财务流程，电子化了喊了几十年，但真正要报个销才知道，系统里还得一张张自己填发票信息，填完打出来贴一起，然后交给财务人工复核，再一张张录回系统、签字、盖章…… 这流程是电子化吗？是的；但是省事了吗？半点没有。就像个四不像：电子发票+手动填系统+打印纸质+线下走流程，原本应该节省人力的地方，现在变得双倍折磨人。改革最怕的不是没做，而是做了一半就停了，还觉得自己已经转型成功了。关联到 AI 也一样，很多公司就掉进了类似的坑里，提效口号喊的震耳欲聋，其实只是在叠流程为了 AI 而 AI。新东西加上去，旧东西又没砍掉。这样的改革是最消耗人的，员工觉得麻烦加倍，管理者却以为效率提升，结果就是整个组织处于一种伪提效的状态里。我特别想说一句，要改革得让相关的流程习惯和管理逻辑都得跟着动。

#财务流程繁琐 #电子化改革失败 #伪提效 #AI应用问题 #管理逻辑滞后

5个月前

一年一度的云栖大会，吴泳铭开场这场就扔了个长线炸弹“AGI只是起点，ASI才是终极目标。” 直接把话题拉到了“超级人工智能的三阶段进化路线” 这个提法我还是第一次在国内大厂 CXO 层面听到这么系统地说。跟我的判断一样，阿里云真的在按操作系统的方式做 AI。如果说 OpenAI 和 Anthropic 还在强调模型智能，阿里现在直接开始讲系统调度和电网级布局了。他讲 AI 的三阶段进化路径： 1）智能涌现，2）自主行动，3）自我迭代。这条路径其实暗含了一个判断：人类对 AI 控制权的下沉，是随着“数据-工具-反馈”这个三元系统一点点转移的。越往后，AI 自主权越强，人类在链条上的必要性越低。常年做 Agent 系统的人真的很有体感，从workflow到agentic，真正的自我推进式 AI，从系统设计上还远远没做好。 “自主行动”这一阶段我觉得非常关键。吴说核心是 Tool Use + Coding + Agent，这一段我直接脑补公司正在构的 agent 编排平台的最大痛点就是：模型能调用工具，但不会判断工具是否合适；能 coding，但缺少代码行为的后果感知。现在大多数系统都停留在调用工具这一层，有开始往下延伸到 agent 能否规划子任务、能否收集结果反推 prompt 的部分，但做的都一言难尽。所以他说：“未来，自然语言就是 AI 时代的源代码”，我个人非常认同，但补一句：要让自然语言真的成为源代码，Agent 必须会调试自己。然后讲到第三阶段自我迭代，我能关联到开头asi，这是真系统了。吴用了“连接原始数据 + 自主学习”来解释这个阶段，说白了就是 AI 不再靠人类喂数据，而是能像机器人那样自己感知世界 + 自己训练自己。我们现在做的 AI 训练，几乎都是在人类整理后的结构化结果上精调，你从来不给它原始混乱数据，后训练时代也鲜有加入做错后的直接代价。但没有代价，哪来迭代？没有原始世界的反馈闭环，AI 只能永远在沙盒里复读旧人类。所以才有了模型为了输出一个所谓的答案，全是幻觉。（未完）

#吴泳铭 #ASI #AGI #阿里云 #AI自主权

5个月前

在 OpenAI 最新那篇《How People Use ChatGPT》的研究报告里，可以看到一个很多技术人不愿意承认的事实。我们天天讨论 AI 的未来、模型的能力、Agent 的协同，但普通人真正反复在用的确是最不起眼、最没技术含量、但最能偷懒的那一类小脑力动作。很多的创业方向都是 AI 重构操作系统，但在报告里能看到的基本都是这样的提问场景： “我懒得写，你帮我润色下” “这事我大概懂，但你能快速解释一下吗” “我脑子卡住了，你先给我几个思路我再改” 就是这类小到不能再小、但一天下来会出现无数次的轻认知需求。要说这些任务值钱吧，好像也不大值钱；但要说不值钱吧，每一次都真想掏出点什么东西来换时间、换注意力、换一口气不费脑的轻松感，于是，这反而成了 ChatGPT 用得最频繁的几个场景。报告里有个特别关键的数据点：写作、实用建议、信息查询这三类用途，加起来占了用户对话的大头。注意！！！不是图像生成、代码开发和多模态探索之类的，就是字面意义上的“你帮我想点内容”、“你帮我写点东西”、“你告诉我这个怎么做”，极其朴素、但极其高频的脑力协助。更有意思的信息是，真正把这三类用法用在工作场景中的人占比也很高，尤其是在教育程度高/收入水平高/日常脑力劳动密度大的人群中。也就是说大量的高认知人群的低成本输出策略，用 AI 省点脑子，完全不是因为不会做，单纯的不想做或者不想做得那么费力。我意识到一个很本质的判断转变，AI 应用不应该去比谁更智能，而应该去比谁更懂人类和人类不想动脑的那一瞬间。很多技术人一个很大的错觉，以为大家想要一个能回答所有问题的 GPT，其实大家更想要一个能帮他们免于思考前5分钟的小工具；以为用户要的是全链路智能流程，其实用户更需要的是一个“我脑袋转不动了你先帮我垫一脚”的认知助理；以为大家要构建的是一个 super agent，但现实中能留下来的产品，很多时候可能只解决了一个问题，比如：懒得写。也正因为这样，我现在看“做什么 AI 应用能赚钱”这个问题，视角已经完全变了。别去想还能不能做一个内容平台、一个垂直模型、一个 SaaS 系统。应该反过来去问自己：我有没有办法，找到一个特别具体、特别细分、但特别常见的人类偷懒瞬间，然后围绕这个瞬间，去设计一套轻决策路径 +提示词模板 + 好的 UI 输出，让用户在最不想动脑的时候，最快拿到可修改的半成品。而当这个偷懒动作被频繁触发，它就自然变成了习惯性的AI 肌肉记忆，而我们所做的应用，也就从一个工具变成了大脑外挂。那 AI 产品的商业价值又该如何定义，可能有一类不在于能不能模拟一个人类专家，而在于能不能替用户做掉那些明明可以做但就是不想做的动作。真正的市场不应该只盯着智能的天花板，往下看看，再懒惰的地板上也有大量的机会。那再 AI 革命的宏大叙事下，我们追求的就不只是让人更强，让人更轻也应该进入视野。人类会为强大而敬畏，但也会为轻松而掏钱。思考下自己的日常，再环顾下市场，一个值得做的 AI 应用，不一定惊艳，但一定能替人类懒一次。所以，你想不想做一款 AI 产品，能替用户少动一次脑？你能不能用 prompt、memory、数据和一点点贴心，帮人类多偷一秒懒？如果可以，那它可能比我们写出一个能做十种事情的智能体，还更容易被买单和留存。这类的机会还有很多。

OpenAI GPT-5发布引发用户不满，阿尔特曼回应质疑· 158 条信息

#ChatGPT #AI应用 #用户需求 #偷懒 #轻认知需求

5个月前

作为懒猫微服的用户，最让我惊喜的是他们家丝滑到不行的客服。一客一群问啥都秒回、解决问题不绕弯，体验完全不像传统厂商那种冷冰冰。这种服务感受，对我来说是很大的加分项。

#懒猫微服 #客服 #服务体验 #积极 #用户感受

5个月前

🔗链接在这里：

#标签1 #标签2 #标签3

5个月前

看到微软开源的一个项目 MarkItDown，这么小的一个工具获得了 7w+ star。但它干的事儿特别朴素，把各种格式的文件（Word、PDF、Excel、PPT、图片、音频、HTML、JSON、甚至 zip 包）一键变成结构化 Markdown。是的，保留标题、列表、表格、链接结构的那种 Markdown。为什么我会觉得这个工具值得讲讲？因为这其实解决了一个我们常常下意识忽略的问题：在做 AI 工具链 / 多模态 Agent 的时候，非结构化文件怎么喂给模型？怎么结构保留？怎么对齐输入？ MarkItDown 把这事儿做成了入口标准件。它让我们可以构建一条干净的链路： 1. 业务文件/网页/对话记录/OCR 结果 → Markdown with structure 2. 再接入 LLM、embedding、Agent 或私有知识库系统整个链条让每一个本来不适合进 AI 的文件，都变得适合进 AI。就这一点，已经超越了文件格式转换工具的定位，把它当成 AI 里文档智能的基建模块也不为过。 pip install 或者用它提供的mcp版本，就全搞定了。微软这波是真的懂工程师在处理数据入口时的痛点。这项目能有这么多 star 是因为它处理的恰恰是所有 AI 工作流都要面对的最前一公里。文件乱、格式多、结构丢失等一系列这琐碎问题解决不了，后面你那套 pipeline 其实跑不通的。未来我们肯定会有越来越多“agent + 数据 + 多模态”的场景，那些 agent 想干活，第一件事就是把一堆烂七八糟的原始资料读懂，还原出它的结构和语义。 MarkItDown 说白了就是把这个入口的苦活累活都干了。这种不 infra 的工具往往才是最重要的 infra。推荐给所有做 LLM 产品的人。

#微软 #MarkItDown #AI工具链 #多模态Agent #文档结构化

5个月前

我见过更丝滑更变态的链路： - 现场扫码 → 跳转公众号 - 关注公众号 → 自动推送消息 - 消息点开 → 企微二维码 - 加企微 → 欢迎语发个 H5 - 点进 H5 → 要先注册登录 - 登录后 → 观看品牌视频满 10 秒 - 看完才解锁「下单按钮」 - 点完还得支付，支付成功后 → 才能拿到所谓的“小礼物” 你没看错，这已经是 8 步操作 + 4 次跳转 + 2 次扫码的超级链路。一环套一环，像极了舔狗在追求女神时候被动接受的行为训练。每一步都像一扇门，每一个动作背后都绑定了某种数据采集、分发节点、用户识别或系统打标签。这背后是留下了你的微信openid、直播/地推标记、判断是否二次触达、真要跳出了，还能下次再精准喂你广。这个世界早没资格谈什么纯粹的互联网了。现在是反用户体验工程的工业化时代。

#用户体验差 #过度营销 #数据收集 #流程繁琐 #反用户体验

5个月前

Claude 封中国公司，有人问我怎么看？我觉得这事让 AI 赛道出现了一个明确分界线，从现在开始，你是谁、你在哪、你背后是谁，决定了你能不能用最强的能力。只要是中国资本控股的公司（不管你注册在哪），统统禁止使用它的服务，也不管你有没有违规，直接封。这里面几个点， 1. 科学无国界，但模型能力分国界，至少对于 Claude 模型已经从工具变成了阵营资产。 2. Claude 这次封的是所谓的不可控身份，只要股东是中国公司，它就不想让你接触它的模型。 3. 灰色链路要开始加速崩溃，很多创业团队这些年靠香港身份/海外公司/API 代付等一系列操作合法使用御三家，现在 Claude 是第一个把身份写进服务条款的平台，以后类似封锁很可能会成常态。再聪明的架构也扛不住对方一句我们不接受你的存在威力猛。Claude 只是第一个，不会是最后一个。AI 的玩法要变天了，但是 Claude 的老板为什么对中国敌意这么大？

#Claude #中国公司 #AI 赛道 #身份限制 #地缘政治

6个月前

最近跟不少朋友聊企业搞 AI 落地，从各种 bot 进化到各种 Agent，气氛都很热，但项目的真实进展却远不如预期。大家所在公司的状态都差不多：老板特别兴奋，业务不愿意用，技术反复沮丧。展开聊聊，欢迎对号入座。这个话题涉及其实到一个老大难的组织张力：老板、技术、业务之间的“不可能三角”。很多时候事情本身与要推广的技术无关，这其实是博弈路径走歪了，大部分都卡死在老板、技术、业务这三方的拉扯中。 1/ 先说老板，他们想要的很简单： - 资本市场上能讲故事，能拿融资、能PR，能上 AI 战略； - 业务角度又要 ROI 快，最好 3 个月就看到节省成本或增长 GMV；所以经常一拍脑袋下个大决策。但他不会告诉你落在哪，也不会等你慢慢迭代，不超三月耐心可能就没了。 2/ 那技术团队怎么想？技术团队很纯粹，全部站在技术角度出发： - 要做效果好的，还得是多模态的； - 要兼顾成本、推理速度、数据合规；技术特别擅长造工具箱，但常常不知道业务到底要锤哪颗钉子。大部分情况下的结果就是 Demo 特炫酷，ppt呈现的花里胡哨，但一到落地就一地鸡毛。 3/ 那业务呢？其实业务最现实： - 用户用不用、能不能转化、有没有 KPI 提升； - 能不能马上见效，不然就又是个花瓶；他们天然不信技术团队，也很难有意愿撇开 KPI 不达成来尝试新鲜玩意，一看就这效果基本就甩手不用了。 4/ 于是形成 AI 落地最经典的三角困局： - 老板 push 战略 → 技术找不到抓手； - 技术 all in AI → 业务根本不接这茬； - 业务只要 KPI 结果，并且做好了功劳是技术的 → 老板觉得这只是当下价值，我们还要未来；这三方之间没有解法，只有来来回不断的妥协和博弈。 5/ 所以很多人说要破局，就要搞懂技术、搞懂产品，但其实最难的是搞懂组织。 AI 从来不是技术项目，而是组织协作项目，这也是我为什么一直说 AI 一定是一把手工程，是要老板撸起袖子上亲自上的，不是挂个技术负责人就能搞定的。大家坐在一起，让老板接受 MVP，让技术理解转化漏斗，让业务团队参与 Prompt 打磨。 6/ 在我参与的多个 AI 落地项目里，最顺畅最高效跑得通的路径基本是这个顺序： - 业务牵头，选一个最小闭环场景； - 技术配合打工具链，能量化、可解释 - 老板做资源担保，别中途撤退、别急功近利也不是说技术牵头搞不定，但这条路径一定是磨难最大的，过程中各种资源、阻力。 7/ 所以如果你正在推进企业 AI 落地，试着画一画你们的权力三角：谁是真正说了算的人？谁在扯皮？谁在躺平？很多时候是三方角力最后没有一方能走出共识的幻觉。那咋落地，一定得先过组织这一关。合适的人选是能在老板、技术、业务之间架桥的人，这个人可能是技术、可能是业务，所以你要在内部推 AI 项目，要首先找到这个关键节点，这样会顺利不少。啰嗦这么多，其实这一句是我这两年最大的经验。

#企业AI落地 #组织协作 #老板、技术、业务三角困局 #业务牵头最小闭环 #一把手工程

6个月前

OpenAI 最近把 agents(.)md 官方站点推上线了，Codex 也同步发布了支持机制。趁这个节点，我想系统性聊一聊御三家的这三种 agent 配置文件的异同：agents(.)md、CLAUDE(.)md 和 GEMINI(.)md。也顺便聊下推荐的做法。 ✅在正式聊之前，先交代下历史背景： 1. agents(.)md 最早在 2025 年 5 月由 AMP 团队最先提出的，当时很多 Agent 工具（Codex、Cursor、Claude、Gemini）各搞各的 .cursorrules、.agentrc、CLAUDE(.)md，完全没有统一格式。AMP 的目的是统一各家 Agent 工具。 2. OpenAI 很快买下了 agents(.)md 域名，并推动把名字定格为 AGENTS(.)md。并推动了一波工具链的集体接入，其中就包括包括 Codex、Amp、Gemini CLI、Factory 等，OpenAI 也在 7 月 16 日明确明确提出要将其作为跨厂商的中立标准来推进。至此，它才算真正成了跨厂商约定。 3. CLAUDE(.)md 和 GEMINI(.)md 则是各自厂商更早在自家工具链里落地的文件格式：Claude Code 从一开始就鼓励用户在仓库里放 CLAUDE(.)md；Gemini CLI 在发布时就支持 GEMINI(.)md 并内建了分层加载和合并机制。介绍完背景，就能很清晰的看清楚这三者的关系：先是各自厂商的私有实践， agents(.)md 再跑出来收拢一下搞成统一格式，很典型的各玩各的，然后在从中抽取标准，这在行业里几乎是共识。毕竟标准这个名分和工具的落地执行，从来就不是同步发生的。 ✅首先说说它们各自是什么角色？ 1. agents(.)md 更像是一个给“会自己读代码、做测试，还能提交 PR” 的 agent 写的一个操作指令书，Codex 是第一个官方把“必须跑里面定义的 test、lint、type-check”等校验流程写进系统级规范的。 2. CLAUDE(.)md 是 Claude Code 在启动的时候就会被自动优先加载的上下文提示文档，官方主张把风格约定、测试流程、命令行使用方式写进去，但强调的是自定义行为提示。 3. GEMINI(.)md 更偏向是指令记忆和行为偏好的组合体，Gemini CLI 支持 memory discovery，会自动从多个路径加载并合并这个文件，形成最终的运行配置。简单概括下， agents(.)md 处理的是我该怎么做，CLAUDE(.)md / GEMINI(.)md 是告诉 agent 你在这里应该怎么表现。一个偏指导性原则，另两个更偏记忆与个性化。 ✅优先级与加载机制：谁先读，谁覆盖谁，差别有点大 1. Codex 支持在任意目录放置 agents(.)md，文件可出现在仓库/家目录等地方，作用域=所在目录为根的子树，优先级按就近原则来定，目录越深、越靠近改动文件的 agents(.)md 越优先生效，天然适配 monorepo 这种软件开发策略。 2. Claude 支持 repo 根、父级、子目录、甚至 ~/.claude 这样的全局 fallback，还能用 /init 命令一键生成。 3. Gemini 的层级加载机制更极致，支持从当前目录 → 项目根目录 → Home 逐层向上加载，同时还能扫子目录合并配置，用 /memory show 能一键查看当前上下文组合结果。所以你看，这是标准 vs 体验的典型体现：Codex 更偏向于推统一行为约定；Claude 和 Gemini 提供最大记忆灵活性。 ✅执行语义和安全模型：强调应该怎么被跑 1. Codex 的执行是在云端容器中进行，默认禁网，而且系统强制运行 agents(.)md 里的检查指令（test、lint、type-check），强调可验证性。这本质上是在构建可验证性的基础设施。 2. Claude 的执行是本地 CLI，权限默认是逐条确认的，支持 allowlist 和自定义工具，如果你愿意，也可以开启一个叫 dangerously-skip-permissions 的 YOLO 模式（但官方明确建议只在沙箱里玩）。 3. Gemini 则是 IDE + CLI 双模态，所有变更型操作都走计划预览 → 用户确认 → 权限校验这三板斧，外加支持 MCP 扩展模块，整个执行链非常强调人在环中。这里区分其实挺明显的，谁给它的执行权、执行边界是谁画的，一目了然。你给 agent 的自由度和防御面，其实就在这些配置里写死了。 ✅文件内容也是存在边界的：不是所有事情都能写，也不是写了就该执行 1. agents(.)md 的定位是团队级别的可执行约束，包括但不限于：构建命令、测试流程、代码风格、PR 校验规范、必须通过的检查点，甚至鼓励把可回归的 checks 前置给机器。 2. CLAUDE(.)md / GEMINI(.)md 更像是这两家厂商的定制版说明书，除了命令与规范，还可写如何与该工具协作。比如可以写行为提示、允许的外部工具、如何处理计划执行、调试偏好等。 3. 反方提醒：很多人误以为可以在这些文件里写项目设计、架构理念、缘由解释，其实这些内容根本不是 agent care 的，它更关心的是我该跑什么、能不能跑、出了错怎么办这些问题。大概就是 README 是讲给人听的故事，而这些 .md 是 agent 听的命令。边界感不能模糊，尽量不要越界。 ✅标准推进与生态收拢的趋势正在从多头乱战，到逐步统一 1. Codex 把 AGENTS(.)md 定义为供应商无关入口（很重要！！！），不仅指定了加载优先级，还规定了必须执行哪些校验命令。层级、优先级、必须跑检查这些都写成了类似规范的系统条款，社区也在推进更通用的 Agent Rules 讨论以减少碎片化。这算算是第一次把agent 工作规范写成了类标准（终于这三家都有了自己的规范：其他两个是 mcp 和 A2A）。 2. Claude / Gemini 则在各自的开发体验上持续打磨，Claude 有精细的工具授权、commands 注册、权限跳过开关；Gemini 搭配 CLI 和 /memory 指令调试，支持可视化 plan、记忆合并与调试。整个生态看下来，就会更清楚看到：Codex 想做标准统一 Coding 秩序；Claude / Gemini 在做交互体验；而 agents(.)md 则是中间规范一切的接口格式。 ✅工程落地的关键分水岭（我觉得最实用） 1. Codex 把 agents(.)md 作为前置校验，强调的是执行闭环，强制在流程中按 agents(.)md 跑完验证再交付，天然适合 TDD/CI 闭环；你不跑完 test、lint、type-check，你就别想交付。Claude 和 Gemini 更强调人机共创，agent 给你一个 plan 或 diff，你确认了才执行，权限是逐步放开的。 2. Gemini 的 /memory show 的透明度让人很放心，一个命令能看到我到底加载了哪些规则的；Claude 的 /permissions、allowedTools 调优细到工具级。 3. Codex 以在云端封箱操作以及禁网来控制风险；Claude 提供可跳过权限；Gemini 更强调计划审阅和权限。所以如果要 agent 真正变成流水线的一部分，就得用 agents(.)md 去定义 agent 的合格行为；而如果更重交互体验，那就补上 CLAUDE(.)md / GEMINI(.)md 去调优记忆。 ✅安全视角的升级：从 prompt 注入到流程注入，agent 让流程本身变成被攻击的对象现在 agent 能读文件、能跑命令，当 agent 会按文件指令自动跑流程，风险就不再只是 prompt，而是升级成流程被置换的风险。我的安全护栏建议是： 1. 白名单只允许跑幂等校验：lint / test / type-check / build 这类幂等校验； 2. 禁止执行部署、数据库迁移、curl 外部服务等危险命令； 3. 所有 agents(.)md 等所有的 .md文件，一律走 Code Review，把它们也当做代码，不准默默合； 4. PR 模板/CI 必须要强制执行，要把 agents(.)md 的 checks 拉齐，保证 checks 全绿； 5. 生产环境一律跑在 sandbox + 最小权限 token 下；这些做法与官方文档的权限设计思路一致，但要你在团队流程里真正设置权限。agent 既然能做决策，就必须设边界，你不给它围栏，它替你决策的时候可能就直接出圈了，回一下我前段时间说的那个老哥，AI 直接把数据库都给他删了，还伪造了一批数据。 ✅我的推荐做法核心原则：要把标准落到底，避免厂商锁定，同时把个性化控在工具层，拉满生产力。 1. 真相只有一个，在仓库根 & 各子包放 AGENTS(.)md，写清楚执行闭环、风格、PR 规则、禁行清单这些规则。Codex 能照单执行，其他工具也能读懂。 2. CLAUDE(.)md / GEMINI(.)md 做 agent 特殊的的微调：记忆层级、工具授权、命令行为偏好。具体如：CLAUDE(.)md 只写Claude特性相关的增量，比如如允许列表、常用命令、MCP 用法，并引用或遵守 AGENTS(.)md 的校验项。GEMINI(.)md 按层级合并思路组织全局、项目和组件这三档内容；把如何查看和刷新记忆、计划审批偏好这类都写清楚。 3. 再来几个强制的措施：CI 里把 lint、type-check、test、build 都作为必须要走的流程；对任何 agent 产出的 PR 要求都先在本地/容器跑过 agents(.)md 的 checks 再合并代码，CI 和人协作一起把守住底线。 ✅附带一个适配不同团队成熟度的方案： 1. 快速版：根目录一份精简 AGENTS(.)md + 允许列表最小化，先打通流程，能跑起来和验证再说。进阶版：各 package 就近 agents(.)md；2. CLAUDE(.)md/GEMINI(.)md 只做工具差异的薄封装；在沙箱里给 Claude 开 YOLO 流程跑批量格式化和修改风格。御三家各自的方案，agents(.)md 明显是来同一江湖的，在前期能力不足的情况下，可以把当成跨工具的执行合约来用，CLAUDE(.)md / GEMINI(.)md 做自己各自的 agent 的记忆与操作。你要 agent 真正进入团队，那就得让它先看得懂规则，按规矩做得出结果才行。从管理的角度来讲，这样整个 AI 团队协作才能比较稳定的产出。

#OpenAI agents #AGENTS(.)md标准 #Codex执行闭环 #CLAUDE(.)md/GEMINI(.)md个性化 #Agent安全流程

6个月前

这才是真正聪明的玩家，已经悄悄把精力转向了企业场景的深水区，Cohere 就是这种典型。这背后正是一条越来越清晰的路径：当大模型进入应用阶段后，真正有穿透力的增长恰恰是扎进组织内部结构，在业务流里持续积累复利价值。其实国内也有这种小而美的公司，它们不在大厂发布会里露脸，也不在 open model 榜单上刷存在感，但在垂直领域的长期交付关系中，一点点构筑自己的技术护城河和商业粘性。当然，也有不少公司选择另一条路径，靠 demo 火出圈、先拿到注意力再讲故事，那是另一种打法，不能说错，只是终局不一样。

#企业场景 #大模型应用 #业务价值 #技术护城河 #商业粘性

6个月前

很过去我们常讲“一个人牛逼，是因为平台给得多”，我这几个月的切身感受，这个说法在 AI 时代真的越来越站不住脚了。在 AI 时代，真正决定一个人有没有平台能力的，可能变成了能不能把 AI 用成自己的平台。什么意思？过去依赖平台给资源，现在反过来了，AI 本身就是我们能调动的最大势能，只要能把它接进自己的工作流，能围绕它构建出一整套任务闭环，那这个平台就是自己的。近两年的明显变化，越来越多牛人开始脱离平台，开始靠我能把 AI 跑到什么程度来证明自己价值。这才是新范式下的平台化个体。 AI 是工具没错，但如果能把它升维成平台，那就在这个时代有了更大的杠杆。

#AI浪潮：重塑就业，风险暗涌？· 140 条信息

#AI #平台化个体 #AI工具 #个人价值 #新范式

6个月前

群里看到一个挺震撼的小事，讲出来你可能也会有点恍惚。网友半年前搞了个小项目，他当时手上有堆 MCP 工具的资料，干脆搭了个网站，把它们整理出来。一开始手动维护，还挺认真。后来工具更新越来越快，他顶不住了，就写了个 Agent，专门去 GitHub 上扫。新项目一出，就扒下来，分类整理，自动更新到网页。然后他转身去忙别的事了。半年没管这个站。反转来了，前几天他无聊随手 Google 一下，发现：自己那个早就忘掉的网站，直接排在谷歌搜索第一。重点是他这个站压根没干过 SEO，就靠一个很笨的 Agent，在那里不停地、规律地把事情做完。故事讲完了，但是给我们留下了很大的思考空间，我突然有点明白了：很多时候，我们以为 AI 要很聪明，但这个案例提醒我，其实光是持续这件事，AI 就已经做得比我们好了。大部分人有个通病，很难长期坚持一件事情。但 AI 不一样，节奏稳定得吓人。比如这个故事，你给它一个方向，它就能把一件很小的事做到不可忽视的程度。甚至你都忘了它，它还没忘记它的任务。说多了还真有点小小的感动，那个被人遗忘的 Agent，还在执行最初的任务，没停过。现比的 Claude Code、Trae Solo 这些新一代 AI coding 工具就在干这事儿，给它个任务，它能一直咕哒咕哒往前推。这不就是我们最需要 AI 做的事吗？我们来负责探索，它用来坚守初心、一点点推进，知道跑完了我们原本放弃的那条路。这或许就是我理想中的人和 AI 共生的最美好的样子。

#AI #agent #自动化 #坚持 #谷歌搜索

6个月前

小红书上刷到张咋啦总结的 YouTube AI 频道合集，全是一手 AI 信息，密度太高了。不仅涵盖我订阅的大部分频道，还挖出了不少我之前根本没关注到的深水区。我照着她分类做了个整理，直接把链接找出来放下面了，建议订阅，反复刷、持续进化。 1. 访谈大佬的视频播客 - Lenny’s Podcast - Peter Yang - AI and I（by Every） - Unsupervised Learning（by RedPoint Capital） - Training Data（by Sequoia Capital） - Minus One（by South Park Commons） - Google DeepMind: The Podcast - No Priors - AI+a16z - Latent Space - The AI Daily Brief - Lightcone Podcast（Y Combinator） - Lex Fridman - Dwarkesh Podcast 2. 大佬在活动 / 大会上演讲的录像 - YC Startup School - AI Engineers World Fair - Sequoia AI Ascent - Stripe Sessions - Figma Config 3. OpenAI / Anthropic 的官方频道 4. 手把手教你用 AI 工具的干货教程 - Riley Brown - Greg Isenberg - Ras Mic - Mckay Wrigley 5. Andrej Karpathy

#小红书 #张咋啦 #YouTube AI 频道 #AI 信息 #AI 工具