一：不是知识不够多，是知识的形状不对

• 文档写全写细写多，对 AI 反而是负担：大段自然语言里"适用哪种情况、不适用哪种情况"的边界是糊的，检索翻出十篇九篇不相干，给得越多错得越离谱
• 直觉解法是做两套——长文给人看、卡片给 AI 看，这是个坑：两套等于两份维护成本，时间一长必烂一套，而烂掉的通常是给机器看的那套
• 卡住 AI 的从来不是读不读得完，是找不着、喂不进；两千字它毫不费力，两千篇它挑不出该看的那两三篇
• 同一个坑一拨人反复踩，因为那点经验只留在当初经手那个人的脑子里

二：靠人写一定失败，99.7% 的知识由流程自动沉淀

• 腾讯安全中心跑出来的数字：99.7% 的知识由流程自动沉淀，一千条里人手动写的不到三条，剩下 997 条是活干过去了知识自己留下来的
• "靠人写一定失败"不是说人懒，是机制上就不成立——这个判断一旦立住，后面所有设计都是被它逼出来的
• 自动沉淀最大的副作用是产得太快：方案改了三版前两版是废的，项目做一半砍了过程判断全是错的，这些进池子后 AI 会一本正经拿废方案教育你，所以必须有一道审核闸
• 几个月实际代谢数据：已归档 101 条、准备清理 11 条、过期该处理的处理完九成，且基本没人盯着——后台只留待审核、快到期、待完善三栏，人只在真要判断的地方花时间
• 有进有出这四个字，是知识库和垃圾场的分界线

三：注入即记账，密度比体量重要

• 主动注入（平台把知识塞给 AI，而不是等 AI 自己去翻）真正值钱的不是省心，是顺手解决了老大难——注入即记账，谁用了、用了几次系统自动记，知识库第一次有了消费数据
• 反直觉的巧劲叫"敢于不沉淀"：很多事做完真没什么值得留下的，系统判断后直接跳过；大多数团队生怕漏了什么，结果越堆越厚，有用的那部分越来越稀
• 四种常见死法都眼熟：拿指标逼贡献（被逼着写的质量低、后面更没人维护）、只进不出无限膨胀、骨干一离职门道全带走、写了一堆没人认可动力消退
• 月增量五月 86 条、六月 716 条，还在爬坡，不是一次性运动
• 该问的问题变了：不是"我们知识库全不全"，而是那些只留在某个人脑子里的东西，有没有变成 AI 找得着、拿来就能用、过期会自动下架的团队资产
• 模型每半年换一代，那部分谁都追得上；追不上的是别人已经转了两年的飞轮。动手别贪全，挑一个具体场景切进去，能转起来比转得快重要

一：两分钱和一块钱，差的不是折扣是那一步计算

• DeepSeek V4 Flash 定价表上同一段提示词写着两个价：输入缓存命中与未命中相差 50 倍，同样的 Token、同样的模型，账单可以差两个数量级
• 命中时省下的不是算力优惠，而是注意力计算那一步压根没发生——模型不是算得更快，是根本没算，你付的那两分钱是仓库租金不是计算费
• OpenCode 的 Go 套餐用户平均每天 1.14 美元跑 DeepSeek Flash v4，同样的活儿搬到本地双 DGX 机器，就算每天费用翻十倍，也要 24 年才回本

二：缓存有期限，前缀还得逐字一致

• 各家 TTL 从五分钟到一小时不等，多数是逐步失效而非到点即删；你被叫去开个会，四十分钟后回来打一句「继续」，两个字拖着的三万 Token 上下文已经要全价重算
• 更隐蔽的亏法是明明在期限内却没命中：前缀从第一个 Token 开始逐字比对，开头改一个字符，后面全部作废
• 顺手加在提示词最前面的那一行时间戳、那句新的 system 指令，就是在给自己全线涨价，而且账单第二天才告诉你

三：保活不是白赚的，四个变量决定你付哪个价

• 把缓存想成按时续费的储物柜是错的：储物柜是你一个人的，缓存不是。服务器忙时会把你那块位置腾给别人，币照投，东西已经不在了
• 保活的账取决于四个变量：上下文长度、TTL、保活频率、命中单价。上下文几百 Token 时重算才几分钱，挂机半小时的保活请求反而比重算更贵；上下文越长保活越值，很短的时候让它自然过期才对
• 三十秒太密，四分钟是更合理的默认值；跨厂商切换更危险——按 DeepSeek 的十分钟调好八分钟节奏，换到 Anthropic 的五分钟期限就是全线未命中
• 一人一年四百多美元，一百人的工程团队一年四万多美元跑 Agent，这在今天算便宜——而这个便宜完完全全建立在缓存命中之上。价格表上那两个数字是厂商定的，你最后付哪一个，是你自己写的代码决定的

一：提效的账，漏在了拆碎之后的每一小段

• 单点提效不等于全局增量：A 业务成交额涨了、报表漂亮、团队受表彰，吃掉的却是 B 业务的份额，全局一合并增量为零甚至为负——问题不是谁不努力，是缺一个共同的全局目标
• 单点变快会往上游倒逼：研发为了让 AI 把代码写得更完美，反过来要求产品把 PRD 写得更完整更规范，听着合理，实际是把产品设计和研发割得更开，协同成本一分没省，只是挪了位置
• 钱没花错，花在了拆碎之后的每一小段上。段段更快，那条线还是原来那条线

二：被换掉的不是软件，是默认由人来串联的那部分

• 消费侧和生产侧要分开看：消费侧往个人助理走，贾维斯是一种可想象的形态——你要什么、想怎么要由它适配你。但这个类比只能用一半，贾维斯换掉的只是交互层，终端还是那个人；生产侧恰恰没有终端是人这个锚
• 一条业务流程靠什么串起来，这个问题过去几十年答案没变过，这一次被换掉的正是这个答案
• 运营侧大量 AI 需求的真身：取数、做日报周报、横向的同学向行业的同学收作业——本质都是信息的传递和协同。串联一旦交给 Agent，这些为了人传人而存在的工作可能压根不必存在
• 分工只有一句话：人管目标和判断，Agent 管串联和执行。今天靠开会拉群同步的，以后靠它

三：所有团队最后都会卡在同一个地方

• 全栈融合这话只对一半：融合目前主要发生在执行层面（比如写代码这一段），要专业度的地方差异抹不平。AI 抛给你一套复杂架构方案，你得判断它靠不靠谱、坑在哪儿——这种判断力只会更稀缺
• 生产侧软件不会被清空，只会被压缩：为了确定性、性能、合规必须保留的确定性逻辑照样固化在软件层，变的是源头——过去源头是文档和人脑，以后是知识底座，让 AI 写代码不过是这个固化动作被自动化了
• 文档总是脱离代码、架构大图总反映不了最新状态，这个痛不是 AI 时代才有的，折磨了每个人很多年。别指望 AI 自动解决它，它只会让这个老问题的代价变得更贵
• 绕开是有代价的：迟早会冒出没有历史包袱的创业公司，用知识底座加 Agent 跑出数倍效能。它们赢的不是更聪明，是它本来就是一张白纸，前面这些债一样都不用还
• Agent 没法靠经验和默契补位，底座有多清楚，它就能跑多远。那堵墙从来不在模型上，也不在算力上——公司真正的效率问题，从来不是单点的产能，而是协同

一：从 CodeBuddy 到 WorkBuddy，办公 Agent 的来路

• 2026 年夏天深圳上海地铁通道的粉色广告只有一句话——你提要求，Agent 交付。判断这东西能不能成之前，先把它的出身摆清楚：WorkBuddy 前身 CodeBuddy，2022 年在腾讯内部落地时工程师接受度不到三成，嫌弃得很；到 2025 年底九成以上工程师在用。中间那道坎，不是模型单独跨过去的。
• 一个月活两千万的产品，往回倒半年，是四个人用周末两天攒出来的，没立项也没预算。这件事本身就说明当下形态有多不稳——门槛低到周末能出原型，也意味着谁都能再攒一个把你换掉。
• 七八月的两周内腾讯、字节、阿里三家集体变阵，密度高得不正常；做了十年的飞书，能在一封内部信里被拆开。但要压一句：目前数据没打通，很可能只是工程排期，三个月后就通了，拿它当长期结论并不公平。
• 国内这批办公 Agent 的骨架，本来就是从编程助手那边搬过来的。所以绕不开 Claude Code 和 Codex——嘴上不提，心里都在对标。

二：桌面、云端、文档，三种脾气与那些扫兴的数字

• 三条路分岔要跟住：桌面强执行、云端强协同、文档强审查。飞书 aily 是纯云端那条路的代表，案例数字挺硬；能留下可审查痕迹这件事，在严肃岗位不是加分项，是准入条件。
• 一个反常识的数字：这类工具按积分计费，复杂任务掉得飞快，而办公任务的 token 消耗比写代码还高。表面上是"模型外面一层壳、换个账号成本几乎为零"，实际是你往平台里沉得越多越走不掉——这两句话确实打架，答案取决于你沉的是数据还是方法。
• 三十人以下、什么资产都没沉的团队，未必要碰重平台。还有一批小而专的工具别跳过，很多人实际最需要的可能正是这类。
• 大规模发下去之后的真相：绝大多数没换来钱。给员工发几个 Claude Code 账号不叫 AI 转型，而今天大部分企业干的正是发账号这件事。卡点从来不在模型那一层。

三：工具是租的，流程才是你的

• 今年下半年要拍板，只有两件事值钱：短约，以及可迁移。合同期比功能清单重要——模型半年一代、产品形态还在试错，把自己锁进三年协议是最贵的错误。
• 真正能带走的判断只有五条：形态不稳所以押方法；桌面和云端先分清自己缺哪个；可审查痕迹是严肃岗位的准入条件；卡点不在模型层；短约加可迁移。剩下的都是佐证。
• 开头那个问题的答案是不会。微信之所以是微信，因为你走不掉；今天这些产品你随时能走——这是它们的弱点，也是你的安全带。
• 这一轮贬值最快的是入口，最保值的是你写下来的那套干活方法。换过的工具能排一个墓地，账号还留着早就登不上去；倒是当初随手写的那几张步骤备忘，从这个工具复制到那个工具，到现在还在用。把每次跟 Agent 磨出来的步骤、验收标准、不能出域的清单，存成一份你自己能带走的文件。

一：本地部署的账，藏着几层没算的成本

• 采购部算TCO时通常只盯硬件报价，运维工程师工资、模型适配团队人力这类隐性成本大概率是空白项
• 量没到门槛时自建等于烧钱，中小企业若非日活巨大，本地部署这笔账很难算过来
• 真正让企业下决心自建的，往往不是省钱，而是躲开监管备案这几个月的审批周期，或是保住数据不出内网这条硬红线
• 自建不是终点，是拿到一张入场券，后续维护这张票的成本才是大头

二：硬件与模型更新，风险偏好问题

• 硬件路线只剩两条：H20图性价比但担着出口管制风险，昇腾910B图自主可控但吃迁移适配成本，过了门槛后这已经是风险偏好而非对错问题
• 国产芯片切换意味着模型要重新过一遍适配、测试、上线流程，历史上兼容问题不是传说
• 量化是过渡期的关键杠杆：INT8精度损失一般在0.5%以内几乎无感，INT4在复杂数学、代码这类逻辑链条长的任务上容易格式崩溃或一本正经胡说，关键逻辑场景不敢一上来就上INT4
• 模型三个月一迭代，硬件三年才摊销完，中间的时间差全靠量化和小模型撑着

三：选完模型才刚开始冒坑，API涨价是变量

• 智能体不是选不选的问题，是权限开多大、沙箱做多严的问题；纯内网物理隔离环境下，MCP（Model Context Protocol）这套连接方案会明显打折
• AI应用上架应用商店的合规审核，目前是个还没解开的死结，不是选模型能提前规避的
• API价格若持续上涨，TCO这道题要重新算，但这只在编程这类高频专业场景成立——三档定价产品里，入门档靠低价拉新，真正扛得住涨价的是已经嵌进专业工作流、离不开的场景
• 选型不是挑个模型名字，是财务、合规、硬件、更新节奏、系统联动五件事捆在一起算；金句：自建从来不是终点，是拿到一张入场券

一：为什么DeepSeek 和竞争对手模型拥有三十倍价差？

• DeepSeek V4-Pro 每百万输出 token 0.87 美元，同档 Claude Opus 25 美元，差近三十倍。这个差不是补贴堆出来的，是显存和算力被砍掉九成的物理结果。
• 序列压缩换来的代价明写在设计里：越旧的文本压得越狠，token 级细节丢了就找不回来。压缩本身还有延迟，所以必须强配一个 128 token 的原始滑动窗口，最近这一段逐字保留，保证眼前的东西是清楚的。
• 缓存命中要求字节级完全一致。系统提示里塞一个用户 ID、会话号或时间戳，整个指纹就偏了，缓存全废，账单跟价目表上的没命中价一模一样。

二：为什么这么低价还有高毛利？

• 梁文锋说满载状态下运营毛利六倍，但这个数剥得非常干净：研发开销不算，训练那几万卡的算力不算，核心人员固定薪酬也不算。它只覆盖推理这一层的物理边际成本。
• 十个月回本，回的是硬件的本，不是公司的本。而且六倍建立在算力高度满载这个理想状态上，卡一闲下来，回本周期就拉长。八月四号那场超时，就是满载的另一面。
• 被这条线砍掉的不是同行的模型，是包月订阅这种收法。智能体把单次消耗推到百万 token 量级之后，固定月费在算术层面就先塌了。
• 这套打法有个很硬的边界：只对有现金牛输血的公司成立。没有主业、靠一级市场输血、还要被年化收入考核的独立创业公司照着做，资金链几个月就断。

三：斩杀线是坐标，不是进攻

• 零价格弹性只在跟对手差一个数量级以上时成立。真涨到跟竞品只差两倍以内，价格差就覆盖不住迁移的人力成本，弹性一下就被激活。八月六号那份涨价公告，是同一把刀的另一边——往下是别人跟不起的线，往上是自己不能越过的线。
• 峰谷定价六月三十号预告、要等正式版才激活，而正式版一再推迟。建议按两套模型算账：一套按现在的扁平价，一套把工作日上午九到十二点、下午两到六点乘二。
• 唯一有硬度的估值数字来自一家卖箱包的上市公司——子公司间接持股万分之一点一四，按规矩发财务投资公告，3508.77 亿这个数才第一次被外界看到。
• 国产芯片跑通和跑得一样好，中间的距离可能很大：同样的模型在两套硬件上，吞吐、延迟、单位成本差多少，没有公开数据可核对。同理，"中美不存在人才差距"放在一百多号本土研发的自家团队上成立，推到整个产业就推得太快了。
• 所有省钱优化都建立在负载是稳定前缀加高频重复。场景每次上下文都完全不同，缓存这块的省钱幻觉会全部落空。

一：两千年手艺断在几十年里，断的不是动作

• 乌兹钢锭公元前五世纪出自印度坩埚，运到中东由铁匠反复锻打成大马士革刀，这条链路走了两千年，十八世纪几十年内彻底断掉——没人偷走它，铁匠还在，炉子还在，祖传口诀一句没丢
• 断裂点不在手，在解释：动作一步不差地重复，但配方真正依赖的东西没被写进口诀，环境一变，同样的步骤交付不出同样的花纹和锋芒
• 迁移到代码上是同一个形状——功能上线了、测试过了、用户没投诉，不等于你知道这段代码为什么长这样；「跑得好不就行了」成立的前提是环境永远不变
• 真正的位移是速度差：生成代码快了一两个数量级，阅读速度一点没变，瓶颈从生产挪到了理解

二：技术债在减，认知债和意图债在加杠杆

• 技术债这词讲烂了，新的是拆出两笔：认知债是没人知道这段代码为什么这么写，意图债是没人知道当初到底想解决什么问题
• 两者不是换个说法——认知债还能靠读代码补回来，意图债只能去问人，而人可能已经换组、已经离职、已经忘了
• 看得见的指标全在变好：代码更规范、测试覆盖率更高、圈复杂度更低；看不见的两笔在涨，账本上一减两增
• 三笔债会互相传染：意图不清导致任务拆得粗，任务粗导致生成结果无人能解释，最后才沉淀成技术债——顺序是从上往下的
• 破解条件确实存在：认真读每一行并追问为什么，机制就不成立——代价是把速度优势原地抹平

三：理解的位置不在验收，在分配任务

• vibe coding 被柯林斯选为 2025 年度词汇，它证明了不理解也能达成阶段性目标——这个反例得认真对待，边界在于一次性、低耦合、没人接手
• 思考和理解不是一件事：能推进决策不代表能重建因果，前者可以外包，后者外包了就没有下一步
• 所以理解不贬值——就算交付质量高到不用验收，决定下一步做什么的人脑子里必须装着这个系统；你理解得越浅，能拆出来的任务就越粗
• 便宜探针：随机指一段上季度的代码，问为什么是这样而不是那样，五分钟内答不上来就记一笔；假阳性来自分工边界，没人需要理解系统的全部
• 债从不会凭空消失，它只会被记账、被转移、被延期。那些铁匠从来没做错任何一步，他们只是从来没看懂过自己在做什么

一：回购协议把股权做成了债

• 中国投资协议常带回购条款，创始人个人担责，期限六到八年——听起来不算短，但对硬科技公司来说可能连产品成熟都撑不到
• 这种结构逼出的不是稳健成长，而是两个极端：要么公司做到极致强，要么直接踩线极致险，中间地带被条款本身抹掉了
• 类比一下，这相当于把股权投资做成了带清算日的债务，创始人赌上的不只是公司，还有个人财产

二：没有并购退出，只能一路扛到IPO

• 中国基本不存在成熟的并购退出市场，大厂收购这条轻松路走不通，投资人和创始人都被锁死在IPO这一条窄道上
• 纳斯达克门槛对没什么收入的机器人公司几乎够不着，于是这批公司转向港股，那边门槛更低、散户更愿意接盘
• 但这波港股行情本身也悬着——一旦情绪退潮，现在冲上市的公司可能集体现出原形
• 三条钱路各有门槛：人民币基金绑地方任务却把着热门赛道入场券，本土美元基金相对友好、成了首选，外资基金基本退场，留下的更像逆向下注

三：FA与关系网络，把系统粘合在一起

• 顶级机构几乎把硅谷当必修课，Benchmark、红杉一出新播客全公司都得看，但真正决定项目来源的是FA，包揽搜寻、尽调、撮合，收固定比例佣金
• 顶级机构容忍FA分走独家项目来源的超额收益，是因为大家都靠这套规则拿项目、建融资节奏，没人能单独跳出去
• 如果一支基金的成绩单压根不是回报率，而是完成地方任务，那前面那套"创始人被逼着还债"的逻辑，在这类钱身上根本不成立
• 金句：狠环境不一定养出好公司，但更容易养出输不起、也不敢输的公司

一：规则的成本被重新算了一遍

• Anthropic 把 Claude Code 系统提示删了八成多，评测分数没掉，反而更好——说明这些规则当年是为了堵旧模型的最坏情况，不是永久真理
• 核心判断标准变了：安全底线不能松，但审美层面的护栏（比如代码风格偏好）可以交给模型自己判断
• 六组变化背后是同一件事：以前靠人力把所有可能性提前想到、写死，现在信得过模型自己在恰当的时候找到该找的东西

二：六个切面，五减一加

• 规则变判断：从"死规矩"到"给模型审美空间"，堵最坏情况的逻辑让位给信任
• 例子变接口设计、全说清楚变按需展开：CLAUDE.md 不该当成塞满经验的大仓库，而是搭一棵文件树，主干信息放显眼处，细节按需展开，不指望模型挖从没提过的深层文件
• 重复变简洁、手动记忆变自动记忆：早期模型得说两遍才听得进去，现在不用；但个人写提示词时，重点信息放前面这个习惯还是建议留着，因为这更多是 Anthropic 自家系统提示的特例
• 简规格变丰富参考是唯一做加法的一项：判断标准依然一致——模型能处理更多，也更该被信任处理更多

三：个人落地与例外

• 个人技能文件夹、CLAUDE.md 可以三个月一审，标准是同一条线——安全底线守住，审美偏好可以松手
• 明确的例外：如果是自己在搭智能体产品的系统提示接口，这块反而不能省事，还得写清楚
• 工具能帮你扫描哪些规则该留该删，但真正拿主意的还是人，模型的判断力是给它的，边界得先由人想清楚
• 金句：不是规则没用了，是规则的性价比被重新算了一遍——这不是一次性清仓，得跟着模型能力持续审查，该加回来还得加回来

一：为何选美国做样本

• 美国AI采用率高，40%的信息产业企业已在业务职能中使用AI，全行业平均约20%
• 美国是全球最大经济体，劳动力市场制度历来比欧洲更利于劳动力替代型技术快速渗透
• 美国拥有异常丰富的劳动力市场统计数据，便于实时观察AI影响
• 六月失业率4.2%，职位空缺与失业人数之比略高于1，纽约联储HPW紧张度指数也显示市场处于平衡状态

二：数据里找不到的失业冲击

• 经质量调整后的AI产出，2024、2025连续两年同比增长超过2000%，起点虽小但总量已足够被宏观数据捕捉
• 2022Q1至2026Q1单位工时产出年增速2.0%，高于疫情前四年的1.6%，AI采用率更高的部门生产率增长往往更快
• 主动离职率、裁员率、求职成功率均保持稳定，软件工程岗位招聘自2025年5月以来相对回暖，并未出现异常职业更替
• Claude高暴露任务岗位失业率并未显著恶化，唯一信号是年轻工人在高暴露岗位招聘率走弱，但混杂着"完美去通胀"式非衰退型放缓等宏观因素，因果关系难以剥离

三：技能偏向型增强劳动力

• O*NET职业分类体系里没有一个职业的全部任务被Claude系统性包揽，人际协调、面对面互动、物理世界介入仍是自动化的天花板
• 《经济基元》报告显示，用户输入复杂度与Claude输出复杂度高度相关，说明复杂工作依赖人类互补性指导，METR任务时长研究也印证"更高可靠性=更短任务时长"
• 《学习曲线》报告发现，即便只用六个月，用户也更倾向把Claude当思考伙伴而非替代品，8.1万名用户反馈的核心生产率来源是"范围扩展"而非纯替代
• 工作不是任务的固定组合，历史上新技术总是重组任务边界而非直接消灭岗位；技术文档、数据录入、客服等岗位虽核心任务可自动化，但劳工统计局预测的也只是2034年前增长放缓，而非失业率上升——AI目前更像放大器，而非替代者