AI 边角料

文章记录了一支千人研发团队两年内尝试四条 AI 编程落地路线的完整复盘。前三条路——「老城改造」单点提效导致整体效率下降、「精益流程」知识块爆炸变成电子垃圾、「全民造物」催生新的信息孤岛——均因未解决「谁知道事实、谁组织下一步、谁负责结果」三个结构性问题而受阻。作者指出效率提不上去的根因：编码仅占研发流程 30%，却吸纳了几乎所有 AI 投入，且各岗位 AI 互不相通。第四条路的核心是构建企业级 AI Native 研发体系：用本体论（TBox/ABox/Rule/Action）统一全公司业务语义，把项目事实从人脑抽离成可共享上下文，将管理对象从「人/任务/工期」转为「目标/上下文/依赖/证据链」，让组织围绕 Agent 重新分配判断、阻塞处理、验证修复与越权决策。实践中岗位边界融合（研发抢测试活）、架构被业界最佳实践替代、质量先降后升、交付效率首次可统计。作者以机械工业化类比软件工业化：高 T 程序员如八级钳工蜕变为流水线设计者，码农转型知识工程师，管理者成目标定义者。

为什么工具越来越快，团队交出的最终结果反而越来越慢？

这期节目来自嘀嗒出行 CEO 王晓波带千人研发团队试错两年的真实复盘。他们把主流的三种路线全踩了一遍：给每个人工位配上 AI 助手、把业务切成标准化知识包、让非技术人员自己动手做工具，结果无一例外撞上天花板——不是海量生成内容看不过来，就是知识包变成电子垃圾，甚至重新掉回信息孤岛。

问题从来不在工具，而在我们组织协作的方式。在这场复盘里，你能带走几张真正影响自己每天产出的底牌：

• 搞清楚时间到底被谁吃掉了：为什么写代码等制作环节往往只占三成时间，剩下七成全耗在对齐与返工上
• 避开伪提效的陷阱：每个人各自用独立的 AI，为什么只会把上一棒的幻觉和误差逐级放大
• 重塑自己的工作边界：当基础产出不再稀缺，真正不可替代的人是在关键节点做判断、疏通阻塞和定责
• 看清职业演进的底气：就像当年的八级钳工一样，真正手上有硬功夫的人，怎样借着流水线把自己的价值放大数倍

如果你手头正忙着把 AI 用进日常工作，却常感到越做越散、上下游接不住，这期复盘能帮你重新看清手头那件活儿真正的发力点。

时间轴
00:03 个人用工具干活越来越快，为什么一放进团队协作反而更慢了？
03:48 给每个人工位配上 AI 助手，为什么只造出了更多看不过来的产出？
06:48 把业务切成标准化知识包，为什么最后堆成了没人敢用的电子垃圾？
08:49 让业务人员自己动手搭工具，为什么反而做回了互不通气的信息孤岛？
11:50 团队七成精力耗在扯皮对齐上，为什么我们还在拼命给制作环节加速？
15:19 打通全流程业务上下文，怎样在最源头就把不靠谱的需求筛掉？
20:55 不再靠晨会催进度，人在协作流程里到底该做哪些不可替代的判断？
26:05 多条生产线并行跑、研发抢测试的活：岗位打碎融合后我们该盯住什么？
32:20 告别手工作坊之后，为什么高水平的“八级钳工”价值反而被放大了？
36:26 在满地试错残局里，真正能帮我们在组织里立足的三条底牌

————————————
我是 Felix，在中美经营一家 AI 技术公司。
想共同探索 AI 机会，或者想加入我的团队做有意思的事，欢迎来找我：
• 小红书 / 公众号：康康你的AI
• X：@hereFelixK
• 博客：https://felixk.me
• 播客：AI 边角料

最近 Meta、Google、xAI 都在推 personal agent。它到底能不能接过前面那一大段活，还是只是聊天机器人换了个名字？

这期我们给 personal agent 一个工作定义：可委托。它能替你执行，能自己决定步骤，碰到花钱、发信息这类高风险动作，再回来找你拍板。真正难的不是它够不够聪明，而是授权：它能看哪几张表，能不能自己定口径，能不能用你的名义把东西发出去。出了事，账都记在你头上。

听完你能带走：
• 四个判断问题：谁发起任务、它有没有你的上下文和记忆、能不能调工具替你做事、授权和责任落在哪。用它们分清 personal agent、聊天机器人和自动化脚本
• 三种常见形态：厂商云端代办、聊天里的一个联系人、装在你自己机器上。分辨它们，看它跑在谁的机器上、用谁的身份做事、数据和安全归谁
• 一次真实的翻车记录，和一组实验室对抗测试结果：为什么藏在邮件、网页和第三方 skill 里的指令最危险，为什么确认弹窗会变成走过场
• 一条从小处开始的搭建路径：先挑一件可撤回的小事，在隔离环境里用权限最低的专用账号跑。审批先设成每次都问，再按操作记录决定什么时候多放一级权限

我不给产品排名。网上各种用法分享多半挑好的讲，所以只拿来学习惯，不当效果证据。讲到行业走向时，也会说清楚哪些是我们的推测，哪些是厂商自己的赌注。

时间轴
00:03 从 Meta Muse 和一份周报说起：AI 能不能整段接过拉数、对口径、发团队
01:02 主流定义的三条：替你执行、自己定步骤、高风险动作交回人
01:39 personal 的三层意思：认得你、以你的名义做事、边界由你划
02:45 用四个问题认出只是换了名字的 agent
03:21 跑在谁的机器上、用谁的身份：三种常见形态
04:21 现在真能拿来干什么：跨多个 app、步骤多、结果明确的事
05:10 会不会是一阵风：项目被砍、成本高，以及能不能真正融进生活
05:54 已经看得见的三个信号，和人从操作员变成委托人
07:13 能学的是习惯：先出计划、拆成小批、看不懂的产出不交付
07:41 用坏了是什么样：数百封邮件被删，对抗测试里四到七成半被诱导成功
09:02 确认弹窗为什么会走过场：按动作分级确认，再把权限隔离开
10:09 更日常的坑：越跑越贵、一错连错，记忆被锁、停服丢数据
11:08 不排名，按形态挑：海外产品和国内真正要比的两个
11:50 从一件可撤回的小事开始搭：六个步骤，加上自己部署时的两条
12:57 看操作记录决定何时放权，再回答开头那个问题

————————————
我是 Felix，在中美经营一家 AI 技术公司。
想共同探索 AI 机会，或者想加入我的团队做有意思的事，欢迎来找我：
• 小红书 / 公众号：康康你的AI
• X：@hereFelixK
• 博客：https://felixk.me
• 播客：AI 边角料

把写代码和做判断交给智能体，真正昂贵的可能不是订阅费，而是出错、返工，以及你为每次判断付出的时间。本期从这个冲突出发，讨论便宜模型是否真的省钱、代码变乱的担忧还是否成立，以及怎样把智能体放进真实的软件开发流程里。

你会带走一套更实际的判断方式：什么时候该用最强模型，怎样让智能体接触完整现场、自己搭建迭代工具并拿出证据，哪些工作可以交给它，哪些代码和结果仍值得你亲自审查。

时间轴
00:03 模型便宜与代码混乱，真正该算的代价
00:53 从描述目标到让智能体接触真实开发现场
01:55 让智能体自己搭建迭代工具，并用证据证明结果
02:45 用异步协作、自动唤醒和线程保存工作记忆
03:48 哪些工作交给智能体，哪些结果和代码值得亲自审查

————————————
我是 Felix，在中美经营一家 AI 技术公司。
想共同探索 AI 机会，或者想加入我的团队做有意思的事，欢迎来找我：
• 小红书 / 公众号：康康你的AI
• X：@hereFelixK
• 博客：https://felixk.me
• 播客：AI 边角料

OpenAI 在官网发了一篇工程文章，讲 ChatGPT 的广告系统是怎么搭起来的。文章里有两句话放在一起看，是拧着的。一句说，广告由一个跟回答分开的服务来选，用的是另一套模型和代码。另一句说，这个服务选广告，依据的正是你正在聊的内容。那它算不算在偷听？品牌花了钱，能不能让回答顺带夸两句？

这期以这篇文章为主要依据，把一条广告的路径拆开讲：从你提问，到被选中、被展示，再到怎么计费、怎么衡量。我们会把三类说法分开交代：哪些是 OpenAI 明说了的，哪些还是黑箱，哪些只是平台自述、外部目前验证不了。

听完你大概能带走这些：
• 讲清对话广告跟搜索广告、信息流广告的四个不同。意图是几轮对话慢慢显露的，不是一个关键词。广告位可以空着，晚到就不展示。广告旁边那句中立引言由模型来写，广告主改不了。归因只有聚合数据。
• 分清三件事：花钱买的广告位，模型在自然回答里提到你，以及 agent 帮用户下单时的交易入口。
• 拿到一个新的 AI 产品，能用四个维度判断它的广告大概会怎么长。我们用 Google AI Mode、Meta AI 和据报道在测对话购物的豆包来对照。
• 如果你在投广告：中国大陆主体现在能不能自助开户，怎么计费，年化 10 亿美元收入该怎么看，素材和落地页怎么按对话情境来写，为什么要先接好转化回传。
• 如果你在做 SEO 或 AEO：哪一条是官方明确的硬规则，为什么保证让 AI 推荐你的秘籍没有公开证据撑着。

最后回到开头那对拧着的说法，说清所谓迎合这个系统，到底该迎合什么。

时间轴
00:03 广告跟回答分开，却又按你聊的内容来选：ChatGPT 是在偷听吗
01:18 谁会看到 ChatGPT 广告，广告放在哪、长什么样
02:12 一条广告怎么被选中：从多轮对话、候选池到竞价，权重为什么是黑箱
04:26 广告紧挨着答案，花钱能不能买到回答里的好话
05:19 做搜索广告、信息流广告的老经验，为什么搬不过来
06:14 Google、Meta、豆包：各家的对话广告为什么不会照搬 OpenAI
07:50 ChatGPT 收缩即时结账：在对话里发现商品和下单成交正在分开
08:20 拿到一个新的 AI 产品，用四个维度判断它会怎么放广告
09:22 中国大陆主体能不能自助开户，怎么计费，年化 10 亿美元收入该怎么看
10:33 准备投放：按对话情境写素材、先接转化回传、小预算试水
11:23 不花钱的那条路：先让 AI 能收录你，内容要经得起核查，别信保证推荐的秘籍
13:05 回到开头：所谓迎合这个系统，到底在迎合什么

————————————
我是 Felix，在中美经营一家 AI 技术公司。
想共同探索 AI 机会，或者想加入我的团队做有意思的事，欢迎来找我：
• 小红书 / 公众号：康康你的AI
• X：@hereFelixK
• 博客：https://felixk.me
• 播客：AI 边角料

个人会用 AI 已经很普遍，简历上那句“熟练使用 AI 工具”也几乎人人都写。这一期想聊的是另一件事：接下来这几年你能不能在AI驱动的时代下，保持自己的业务竞争力，不被淘汰，很大程度上取决于你待在什么样的团队里。

招聘市场上，标着 AI 的岗位在涨，电商客服、设计这类偏重复执行的岗位在缩。企业内部用 AI 的深浅差得很远，

这期你能带走：
• 判断力具体指什么。我们拿自己团队电商选品的做法举例，讲人在 AI 流程里守哪几个节点，再对照客服和银行信审里人怎么接住例外
• 看一个团队是真做还是走形式的四条特性：流程有没有改，业务上有没有人持续在推，衡量的是结果还是用量，人和 AI 怎么分工。每一条再反过来，就是对应的形式主义信号
• 一个绕不开的担心：AI 用得深的团队，会不会反而让你被裁
• 入职前分三层验证：先核公开信息，再在面试里按四条反问，最后找未来的同事聊。还会讲怎么从回答里听出真假，以及哪种情况可以直接一票否决

这些判断有边界，不能当保证。如果你也在挑团队，或者对加入 AI 团队有别的困惑，欢迎来评论区聊聊。

时间轴
00:03 人人都有 AI 搭子，为什么“会用 AI”算不上区别
00:57 为什么偏偏是现在：招聘两头的信号，和企业用 AI 的三种深度
02:46 判断力练在哪：从选品里的 human in the loop 到客服、信审接住例外
04:41 真把 AI 用进业务的团队有四条特性：改流程、有人推、看结果、分工清楚
06:58 四条反过来就是形式主义：只发账号、没人拍板、考核用量、转人工难
08:54 AI 用得深的团队，会不会反而把我裁掉
09:27 加入前分三层验证：核公开信息、面试按四条反问、问未来同事每天审什么

————————————
我是 Felix，在中美经营一家 AI 技术公司。
想共同探索 AI 机会，或者想加入我的团队做有意思的事，欢迎来找我：
• 小红书 / 公众号：康康你的AI
• X：@hereFelixK
• 博客：https://felixk.me
• 播客：AI 边角料

AI 省下了成本，为什么还要补充人工？
这未必意味着 AI 失败，却提醒我们：一个步骤变快了，客户的问题和后面接手的工作，不一定就变好了。

如果你已经把 AI 用进工作，却发现生成快了、交付没跟上，这期就从会议记录、客户跟进和创作中的变化聊起：核对和改错需要多少时间，为什么不想用 AI 未必是不会用，以及省下来的时间怎样才能带来实际改善。

我们也会讨论，什么时候可以扩大使用，什么时候该缩小范围或换条路。听完，可以回看手上的用法，找出下一步真正需要调整的地方。

时间轴
00:03 省了成本又补人工，AI 用得好不好该看什么
00:52 从会议记录到客户跟进，AI 应该帮到哪一步
02:50 几件工作都想用 AI，先改善哪一件
04:18 AI 写得快，核对的人有没有时间
05:38 不想用 AI，可能是工作负担和判断空间变了
09:14 客服继续用 AI，也可以给客户增加人工选择
10:31 回答更快、每天省一小时，实际改善了什么
12:50 一项工作做顺了，扩大使用还要检查什么
14:31 业务规则变了，谁发现错答、谁接着处理
16:04 试验可以结束，原来的工作怎么接回来
17:14 回看手上的 AI 用法，下一步该改哪里

————————————
我是 Felix，在中美经营一家 AI 技术公司。
想共同探索 AI 机会，或者想加入我的团队做有意思的事，欢迎来找我：
• 小红书 / 公众号：康康你的AI
• X：@hereFelixK
• 博客：https://felixk.me
• 播客：AI 边角料

9 月 15 日，一个只有 1,500 粉丝的账号发了条帖子。48 小时后，浏览量 3,700 万。

这个号不是公司官方账号，是旧金山一家叫 TypeSafe AI 的实验室的创始人本人。发帖之前没有任何异常，发帖之后，数字开始往一个明显不正常的方向走。

这期我们复盘的不是模型本身，是这条发布路径。从发布前两周到发布后 72 小时，几乎每一步都能对上一个具体动作：什么时候出关、什么时候公布融资、主帖发在哪一格、80 到 100 个账号是怎么在第一个小时内压进转发节奏的、第一句话为什么给的是一份三秒能核实的资历而不是公司名。

节目里有一段争论：这种量级的曝光，真的是靠排期排出来的吗，会不会就是东西太硬、技术圈自发传开的？我们把这个疑问摆在台面上，然后一步步对着时间线找动作、找数字，看这个解释站不站得住。

最后想请你做一件事：不管你手上是在做产品发布、公司内部项目推广，还是自己账号的一次内容规划——先想清楚，真到发布那天，你脑子里那份"会替你转发"的名单，第一个名字是谁。评论区告诉我你列到了第几个。

————————————
我是 Felix，在中美经营一家 AI 技术公司。
想共同探索 AI 机会，或者想加入我的团队做有意思的事，欢迎来找我：
• 小红书 / 公众号：康康你的AI
• X：@hereFelixK
• 博客：https://felixk.me
• 播客：AI 边角料

京东零售的一位 B 端产品经理，今年四月接手一批收银系统需求，覆盖开发票、部分退款、手动折扣、菜品数据本地化和排序优化五个分支。按老办法估下来要 34 人日，最后 15 人日交付，评审一次过，效率提升 56%。但这省下来的时间，不是 AI 替他做判断省的——一次都没有。AI 干的是结构化的活，判断和复核全在人手里。反例先摆出来：手上存两百多条 Prompt，模板齐全，结果让 AI 写需求文档读着顺，交给开发逻辑坑一堆，三天补坑没人记账。病根在于上来就让 AI 直接生成，它手上没有历史规则、没有踩过的坑，只能编，编出来的东西还特别顺。

他把方法压成一句话：人是决策者，AI 是劳动者。AI 管六件事——整理材料、生成初稿、提疑点、补结构、查遗漏、顺语言；人管另外六件——定目标、划边界、拍异常、评影响、担结论、负责到底。这就像装修请了个手艺再好的师傅，他不知道你妈住主卧腿脚不便、阳台墙不能砸，图纸一丢就能砸出漂亮但没法住的活。AI 缺的不是能力，是你脑子里那部分。落地成四步：Skill，把这类活的结构固定成可复用指令；Prompt，把料给够，连自己还没想清楚的地方也如实说；Context，先别急着生成，让 AI 反问，把没对齐的意图一条条补齐；Harness，回头调用 Skill 出初稿，边界和异常人来补。判据很糙但好用：一件事做过两次以上，才值得沉淀成 Skill，别指望一次写全，先跑一次真实需求再攒。

支付设置页改版是个具体案例。常规做法是截图丢给 AI，说照苹果风格重做，他没这么干。而是先让 AI 模拟登录、拿到身份凭证，跑一遍真实流程，才发现要改的内容藏在一个嵌套输入框里，截图根本发现不了。真结构找到后才轮到设计：调用绑定苹果 HIG（Human Interface Guidelines）规范的固定指令，在真实结构上出第一版原型，再围着弹窗、搜索、批量设置磨细节。五分支需求那次更典型：他没让 AI 直接生成文档，而是把原始需求原样喂进去，让 AI 一点一点反问，逼出跨分支交叉点——比如混合支付订单能不能开票——这些恰恰是过去只有评审现场才会被当场揪出来的坑。B 端产品后台核心从来不是好看，是层级得清楚、规则得说明白。AI 不返工的前提，是你先让它读懂真实结构，而不是甩一张截图讲几句虚的要求。

————————————
我是 Felix，在中美经营一家 AI 技术公司。
想共同探索 AI 机会，或者想加入我的团队做有意思的事，欢迎来找我：
• 小红书 / 公众号：康康你的AI
• X：@hereFelixK
• 博客：https://felixk.me
• 播客：AI 边角料

一：不知道天花板时，可以带来更大的爆发力

• 1939年伯克利研究生Dantzig迟到，误把黑板上两道未解统计难题当作业，六周后解出，导师Neyman周日早上冲到他家门口直接投稿——唯一变量：他不知道那是"不可能"
• 1964年五角大楼Nth Country项目：两个无涉密权限的博士后靠公开文献造出当量等同广岛的核弹设计，只靠一句"能做成"撑了两年半，全程不知道自己在靠近答案还是越跑越偏
• 1974年密码学家Diffie认定公钥密码学无解，同事一句"Merkle在做了"，他回去重新想，不久后就发表了奠基论文——同一个大脑同一套知识，开关是"有人在干"
• 吃豆人玩家误信"Junior boards上有人做了分组"，五天不眠不休找到隐藏安全点，后来才知道那句话根本传错了——错误信息也能改写行为，大脑只需要"解法存在"这个信号

二：从"试试看"到"找出那个解法"的切换

• AI电商生图团队三周交不出透明香水瓶场景图，翻译工具把"半透明磨砂感"翻成全透明，七步链路重跑一次就是一笔钱，团队心里那句"可能真的做不到"越试越强
• 第四周第一天，竞品产品页上刷到同类型香水瓶图——玻璃折射、液体通透感、大理石侧光全部到位，团队什么工具都没变，状态却从"试试看"切换成"找出解法"
• Wiener的说法很精确：科学家一旦知道问题有答案，整个态度就变了——OpenAI做出ChatGPT后全球实验室迅速跟发LLM，靠的不是新技术，是路线被证明可行
• 同样的时间和资源，"确信有解"和"不确信"这两种搜索行为，产出根本不在一个量级

三：大脑在真正极限前早早踩了刹车

• 1999年开普敦大学实验：运动员骑到力竭，肌电图测出活跃肌肉纤维只剩三成——传统理论说该动员更多肌肉补偿，实际是大脑主动降速，生理极限远没到
• 耐力车手Robič横跨美国三千英里，每天骑三百五十英里、睡九十分钟，出现幻觉还想对着邮筒挥拳——体能师Miran替他做所有决策、瞒住剩余里程，因为他自己的大脑在骗他停下
• Robič的动力不是热爱，是被父亲偏爱弟弟、二十八岁还在洗碗的那口气——他说"我一生都在被推开，我的力量就是从它们来的"，还曾因为跟一座山较劲两个月爬了三十八次
• 体能师就是那个"第二脑"：把主观的"我不行了"信息挡在外面，大脑调控器才不会提前锁死搜索空间——你永远不知道自己真正的边界在哪，因为"到极限了"这个信号，本身就隔着一整条河

————————————
我是 Felix，在中美经营一家 AI 技术公司。
想共同探索 AI 机会，或者想加入我的团队做有意思的事，欢迎来找我：
• 小红书 / 公众号：康康你的AI
• X：@hereFelixK
• 博客：https://felixk.me
• 播客：AI 边角料

1️⃣：一支只有二十人的小队，凭什么定生死

• Anthropic 内部的 Labs 团队，规模不到二十人，孵化出了 Claude Code、MCP（Model Context Protocol）、Claude Design 这些你正在用的东西
• 但这支精英小队自己的内部项目成功率只有 20%到 30%，也就是说七成项目从立项那天起就注定被砍
• 反直觉的地方在于：这不是烧得起钱的奢侈，是刻意设计的纪律，跟团队大小、预算多少没关系

2️⃣：三条停损规则，买的是失败的自由

• 规则一：每两周一次复盘，只回答一个问题——继续还是转向，没有中间状态
• 规则二：一个项目只要团队超过 4 个人，就必须从 Labs 毕业，逼着项目要么证明自己能独立活下去，要么结束
• 规则三：20%到 30%的成功率是提前定好的规则，不是做完之后回头算的账——你事先就知道大概率会失败，所以失败不丢人

3️⃣：规则管结束，不管定目标

• 这套机制的边界很清楚：三条规则全是关于什么时候停，没有一条教你怎么定目标
• 类比一下：这是一套很锋利的剪刀，但剪什么、从哪下手，得靠人先想清楚
• 今天就能做的事：给团队里一直没成的某个 AI 试验，写一句两周后的成功判定条件——写不出这句话，通常就说明它已经该停了

————————————
我是 Felix，在中美经营一家 AI 技术公司。
想共同探索 AI 机会，或者想加入我的团队做有意思的事，欢迎来找我：
• 小红书 / 公众号：康康你的AI
• X：@hereFelixK
• 博客：https://felixk.me
• 播客：AI 边角料