铃阅时讯
❌

阅读视图

黄金白银大崩盘,谁是幕后推手?

原创 小 Lin 团队 2026-02-28 17:41 北京

金银大崩盘,谁是幕后黑手?

金银大崩盘

谁是幕后黑手?

Hi~ 大家新年快乐啊~

2026年1月份,简直是贵金属历史上最疯狂的一个月了,是有史以来波动性最高的一个月。这白银的走势图,真的就是个过山车设计图。

先是持续攀升大涨68%,涨到了超过120美元,紧接着2天跌回解放前;

黄金虽然没有白银"那么"疯狂,一个月"只"涨了将近30%,突破了$5500,之后也是暴跌。

太多朋友留言想让我聊聊了,那咱就来拆解一下这个贵金属市场的巨震,到底是咋回事儿~

视频截取自: 小Lin说

今天我想采取的方式跟平时不太一样,我想带着大家一起分析,不是直接给答案,而是把这个问题一点一点剖析开。

所以这篇内容,可能逻辑链条有点多啊。大家跟得上就跟,要是懒得动脑子了其实听个大概意思就行~

我主要就是想聊这么三个问题:

  • 之前为什么黄金白银会暴涨?

  • 为什么白银比黄金涨得猛这么多?

  • 之后为什么为什么暴跌?

为什么涨

首先,之前为什么暴涨。你看清了它为什么涨,其实后来为什么跌就很顺理成章了。

分析这种价格波动吧,最最基本的一个切入点,就是明确一个事儿: 就是咱得分清楚是看长期逻辑,还是短期逻辑,咱需要先明确时间框架。

如果,大家想分析刚刚这五分钟黄金怎么跳涨了啊?咱自然要看看这五分钟发生了什么,可能是哪个大客户增持了啊?或者有什么新闻了啊等等。你要是说这五分钟黄金上涨,是因为市场对美元的信心缺失,就有点牵强,这肯定不是主要原因。

反过来,你要分析这两年黄金为什么涨,那就需要看非常长线的、底层大背景了,比如大家经常听到的比如对美元不信任、对美债不信任、黄金白银保值、各国央行增持等等,这些肯定都对,我们之前黄金那期,分析的我觉得也挺清楚的了。

而咱们今天想看的是一个月之内这个时间尺度内的暴涨暴跌,这还属很短期的,咱就需要主要找找短期内的原因。

而对于贵金属,短期为什么涨这么猛,其实你几乎永远可以用两个原因来解释,一个是避险,一个是投机。

关键是避的什么险,谁在避险,又是谁在投机?

点击图片直接跳转

避什么险

我总结主要有这么两个短期因素赶在一起了:

首先,主要因素就是:市场对新任美联储主席的担忧,注意这时候还没任命新主席呢。因为前任主席鲍威尔马上任期就要到了,接下来的主席会由特朗普提名,而特朗普已经骂鲍威尔骂了一年了,想要赶紧降息。好不容易逮到机会换人,市场就猜,以特朗普的做事风格,还不得挖出一个非常听话、非常宽松、非常鸽派的主席么。毕竟美联储作为美元的实际掌舵人,何等重要。

而这主席一坐少说四年,那还得了,这对美元的价值、美联储的独立性、美元的信任度都是极大的打击,很多基金经理,可能就赶紧买点黄金白银对冲一下吧...

再有一个原因:就是对地缘政治风险的担忧。2026年一上来,特朗普又是很活跃,除了抓走马杜罗,还有围绕伊朗、围绕古巴、围绕格陵兰岛的一系列潜在动作,这么多关键词频繁出现,虽说有些只是一些口头言语上的表达,并没有很大的实际动作,但多多少少引发了市场的担忧;

这两个原因,赶一起了,成为了之前大涨的一个底层支撑。但这还远远没结束,只能说是推动上涨的初始推动力。

谁在买

真正导致贵金属那么疯狂的,能让价格图波动成这样的,还得是投机。

而要分析投机,主要就是看两个因素:谁在买,怎么买。

我们先看谁在买啊。黄金协会给到的数据,说买黄金的,无非就这么几类:

  • 各国央行;

  • 工业、科技用途;

  • 首饰消费者;

  • 投资者;

图片截取自: 小Lin说

白银可能各国央行不怎么买,其它的都类似。

那这里面,谁能是导致金银过山车的呢?

肯定不是首饰和科技工业需要。显然这两类,对价格反应的滞后性比较强,不太可能导致金价银价这么暴涨暴跌。你可别小看这部分啊,黄金全球一年产5000吨,里面大概有一半都是这些。

再有就是各国央行也可以基本排除。最近两年确实购买量明显比之前要多了大概一倍,为了对冲去美元化风险,一年能买到个小1000吨。但各国央行虽然我们还看不到1月份的数据,但是大概率它们不但不会追涨杀跌,反倒会逆周期购买,越涨它买的越少的。

为什么2025年明明风险最高、黄金最热,为什么各国央行的购买量反而下降了呢?一部分原因就是各国央行感觉这金价有点太高了,所以减少了购买量。总之,各国央行也不太可能导致过山车。

那答案很明显了,就是剩下那2000吨左右的投资者。

但"投资者"这个范围也太宽泛了是吧。我们得拆开来看。

这里面很主要的购买者是什么共同基金、险资等等的长期资金,它们体量巨大而且考虑的是长期的资本配置。

咱们刚才分析半天避什么险,这些长期资金大概率就是主要推动避险、真的为了避险的资金,但不是为了投机。

真正推动这波暴涨达到顶峰的人是谁呢,我经过了一番筛选、评估,得出概有这么三波人。

图片截取自: 小Lin说

对冲基金

“首当其冲”的就是对冲基金。

而它们疯狂买入的目的,就是——逼空。

其实,但凡你看到价格图,波动成这样的时候,尤其又是跟着大跌,又连着期货市场,那你的第一大猜想就应该是逼空。

什么叫逼空,比如白银,简单来说,就是通过大量持有白银期货多头到期不平仓,比现货可结算的要多,试图把空头挤爆,空头被逼急了就只能疯狂抬价平仓,导致价格猛涨。

你要是没太听明白也没关系哈,总之一般什么时候容易出现逼空呢,就是现货非常紧缺的时候。

比如,白银市场其实在去年十月份,就出现过逼空,当时是印度人大量的买入实体的银,而白银的主要供给国之一中国,又在放十一黄金周。市场就出现了重大缺口,伦敦的白银极度短缺,拆借利率从平时的几乎为零,飙升到超过30%,甚至需要从美国飞机空运上千吨白银到伦敦,这在以往是想都不敢想的,可见当时白银的短缺程度,银价也是一路上涨。

今年1月份,虽然没有2025年那么夸张的白银短缺,但是全球地缘政治收紧,中国1月份开始对白银出口实施严格管控,美国那边也有越来越多传言说要对白银施加关税,导致国际间的白银流动极其不顺畅,上海期货交易所的白银库存降到历史新低,美国COMEX的白银库存,也只能满足未平仓期货头寸的14%。导致白银有非常高的挤兑风险。

总之,这些对冲基金冲进白银市场,疯狂的买入或者做多白银,很主要的目的就是逼空。

图片截取自: 小Lin说

散户

而第二波人,就是散户。

散户喜欢什么?追涨杀跌。

你看你想屯黄金、买白银的时候,是不是都是大家已经传开了,

  • "你听说了么,最近黄金白银涨得很厉害啊,所有人都去抢啊" ;

  • 然后短视频平台,开始给你推各种"白银已经涨疯了!"的爆款视频。

一般这种时候,你是不是心里就痒痒了。

所以,散户确实是这波大涨的重要推动力,而这部分需求主要都来自中国。

大多数情况下,上海都是低于全球银价的,2026年初开始有6-8%的溢价了,说明大陆的白银非常短缺。

图片截取自: 小Lin说

不管是黄金市场,还是白银市场,放眼全球,有个很有意思的现象:

它的两大消费主战场,就是中国和印度。

但它俩的喜好不同。

中国人是喜欢把金银屯在家里;

而印度人是喜欢把金银戴在身上。

体现在数据上,就是什么金条银条的销量,中国是断层式全球第一;

而首饰销量,不管是金还是银,印度人是全球第一,几乎占了半壁江山。

所以,你只要稍微动动你聪明的小脑瓜,仔细思考一下这两次暴涨的时间点,就会有个惊人的发现:

去年十月全球出现白银逼空,现货及其短缺,那正好是印度排灯节前夕,是印度人一年中购买金银的最主要时间段;

而今年1月份金银大涨,是什么时候啊?没错,是春节前夕,是中国人买金银的主要时间段。

图片截取自: 小Lin说

币圈资本

而导致暴涨的第三波人,就有点另类了,也是最近一年迅速壮大的一个新兴推动力——币圈资本。

这股力量,现在从体量上来说并不大,但活跃度极高,而且很有可能在未来呈指数级增长,所以咱们也简单聊聊。

很多平台,会推出白银在区块链上的代币,就是发行公司真的物理上买银条,然后在区块链上产生这么个白银代币给大家交易,有点类似于区块链上的现货市场;

但这个代币市场虽然增长非常迅猛,其实并不大,目前总共也就4亿美元左右规模。

但真正活跃的市场是什么,是白银在区块链上的衍生品市场,你可以把它想象成是白银在区块链上的一个永不过期的期货,它叫永续合约。

大家不实体交割白银,而是纯粹的价格对赌,当然平台有一些机制,来保证价格和实体白银相关联。这种合约的杠杆率可以高达20倍,甚至有些平台能加到200倍。

我估计对加密货币不熟的朋友听着可能有点晕哈,没事儿,你就听个大概意思就好,总之就是白银在加密货币的世界也有现货和期货。

而这个白银合约,所谓的"期货", 虽然老早就有了,但是今年年初才才突然开始爆火。

图片截取自: 小Lin说

为什么呢,你想币圈玩家很多人的主要目标可和传统的投资基金不一样,要的就是更高的波动性,说直白点,玩得就是刺激,要的就是短期的暴涨。而比特币最近几个月非常疲软,而且波动性也远没有这个白银来的刺激,同时这个白银合约还能有20倍杠杆,所以什么圈内社群里一讨论,玩家们立刻集体涌入,非常狂野,每天交易额面值都有数十亿美元, 这对于白银市场就不小了。

而这个市场,虽然是币圈,而且还是衍生品,感觉和实体的白银没什么关系,但是其实背后是会通过套利者连接的,就像白银期货会影响现货价格、白银代币会影响现货价格,这个白银代币衍生品,也会影响现货价格,整个市场这都是通的。

于是,这些币圈玩家,就组成了短期推动白银暴涨的第三个推手。

顺带一提,这币圈吧,其实更大的一类购买者,也成为了市场上非常不能够忽视的一股力量,就是稳定币发行方。

因为一方面是稳定币市场越来越大,而且它还发行黄金代币、白银代币,这些都导致加密货币的发行方,会开始持续不断的囤积黄金。比如Tether,据估算一年内已经买了140吨,现在还在以大概三四天买一吨的速度持续购买黄金,这已经超过了包括中国、美国在内的大部分央行。

当然,这不是说它就押注黄金啊,确实是稳定币市场发展太快了,它其实是长期国债、短期国债、黄金,都在持续购买。我估计这在未来几年里,会成为影响全球金融市场,越来越大的一股力量。

图片截取自: 小Lin说

小结

综上所述,我们基本就分析完金银大涨的原因了,我们小结一下:

  • 美联储主席、地缘政治两个短期避险因素:

  • 再加上蜂拥而至的投机者,包括对冲基金、散户、币圈资本的追涨:

  • 导致了金银的史诗级暴涨。

视频截取自: 小Lin说

为什么白银

涨得更猛

接下来,在看它为什么跌之前,咱先来下一个问题,为什么白银涨得比黄金猛,跌得比黄金厉害呢?

波动性高

其实不光是最近,拉长一点看历史上黄金和白银的价格走势,白银和黄金的价格高度相关,但是波动性明显更高。实际上我简单算了一下,白银最近基本上波动性,都是黄金的2倍左右。

所以,其实最近也没有什么特殊的,白银是黄金上涨速度的2倍,下跌速度的2倍,很完美的符合了这个相关性。

视频截取自: 小Lin说

那为什么白银波动性更高呢?简单来说,就是白银的池子更小。

对比全球整体来说,从开采质量来看,其实白银是比黄金大一个数量级的,一年开采26000吨。但是因为它便宜啊,同样质量金价是白银的50 - 100倍,所以整个市场规模就比黄金低一个数量级;

而我们再剖开来看,不管是金银,主要决定短期波动的,都是用于投资的部分。而白银可用于投资的部分就更少了,它超过是用在工业上了,尤其是最近两年光伏的生产爆发,银连续五年总产量小于总需求,再刨去首饰、银器,用于范投资类只有五分之一的白银,每年大概也就5000吨, 而黄金有三千吨,从实质上来讲几乎高了两个数量级。比如伦敦储存的白银价值约650亿美元,而黄金价值却达到了1.3万亿美元。

白银市场小得多,就会导致什么啊?波动性大。

这就好像大海里,黄金是艘航母,大风大浪打在它身上就是小小的晃动,而白银可能就是艘小船,虽然和航母一起跟着大浪波动,但是大起大落摇晃得多。

其实底层上来说就是这么简单。

视频截取自: 小Lin说

我们要再具体点看1月份为什么白银涨得更猛,就看看那三类推波助澜的人就知道了:

  • 对冲基金想要逼空,黄金市场显然太大,逼不动,白银就容易多了;

  • 对于散户来说,很多人都感觉黄金是不是太贵了,白银就更诱人,涨得又猛又便宜,可以试试!

  • 对于币圈资本来说,哪里波动大我就去哪里,白银肯定比黄金更刺激。

这三类人可以说都更倾向于白银,导致虽然大机构、央行等等基本不看白银,但是白银的市场小,投机者还大量涌入,导致它价格涨得更猛。

图片截取自: 小Lin说

为什么跌

贵金属为什么暴跌,其实就很顺理成章了。

贵金属暴跌的开始,发生在1月30号,那天发生了两件事儿,一件金融市场的大事儿,还有一个是我们一般人看来觉得屁大点的小事儿。

美联储主席

大事儿就是美联储新任任席的瓜:

特朗普意外宣布提名凯文·沃什(Kevin Warsh)为下一任美联储主席。

我们上文提到了,市场本来预期特朗普会找出一位非常听自己话的、鸽派的、很主张印钱主张降息的主。

但这个凯文沃什呢,还好。

确实,他跟特朗普关系不一般,岳父 (Ronald Lauder) 是雅诗兰黛集团的继承人,这个人和特朗普可以说是几十年的好哥们儿。

但是,至少从他之前的政策主张来看,这哥们儿非常的鹰派,就是很主张紧缩型货币政策的,之前就反对量化宽松、反对前瞻指引,就感觉之前20年美联储干的最主要的事儿他全反对。

这回当选以后,他得平衡特朗普和市场之间的关系啊,这哥们儿挺狡猾的,提出了叫"降息缩表"。

又降息,满足特朗普,也给经济加热了;

同时呢,我还要"激进的缩表", 就是减少美联储之前印钱买的资产,卖出美联储持有的国债和MBS,相当于把之前印的那些钱赶紧给退回去。

这招我为什么说他狡猾呢,就有点像可能正常一辆汽车陷入泥潭了,又需要车里人使劲踩油门,车外还得有人帮着推。

现在,车已经差不多从泥潭里出来了,特朗普还想让他加速,怎么办呢?他就说这样,车外面我们接着推,多找几个壮一点的人来一起推,但是车里面的人你踩着刹车,我给你来一招左右互搏,左边推,右边刹,左边降息,右边缩表,至于具体车要什么速度,那你们猜去吧。

你看看,这招左右互搏够狠的吧。

当然,实际上肯定不光是刹车推车、左右互搏这么简单啊,这里面有利率曲线的控制啊、资产负债表结构调整什么的,但总体意思,就是市场就发现这哥们儿,没有之前预期的那么对特朗普的话,唯命是从的,他还是在想办法平衡美国政府和市场的。于是,美元大涨,黄金、白银下跌。

CME加保证金

这是一个初始原因,是那个"大事儿"。还有一个"小屁事儿"呢,就恰巧也是在1月30号这天,全球最大的期货交易所: CME宣布,要大幅上调黄金和白银期货的交易保证金:

  • 把黄金的保证金从6%提到8%

  • 白银的保证金要从11%上调到15%

这什么意思呢,简单来说,就是让大家做多做空黄金、白银的时候,加杠杆的成本变高了,你做多100块白银,原来只要交11块保证金,现在变成15块了。你可别觉得就4块钱啊,这相当于保证金上调了36%,现实一点的例子,可能是本来花1100万做多了1个亿的白银,这保证金一变,一下多找你要400万。很多人可能就凑不齐这400万。

而且,时间正好赶上公布新人美联储主席,俩事儿撞一起了,市场就开始下跌了,要补的就不是400万了,可能一下变成1000万了。那保证金补不上了怎么办? 卖呗。

于是,两件事合起来,触发了黄金和白银的下跌。

顺带一提,有人会觉得CME是故意掐准时间上调保证金,觉得"庄家"输不起了,"庄家"就怎么怎么样了,甚至上升到中美对立。这个我也没有内部消息,但我感觉可能性不大。

首先CME上调保证金是合理的,银价波动越剧烈,保证金就应该越高,这确实是作为交易所为了风控的合理操作。它也不光30号上调,从2025年12月份开始,随着白银的波动越来越大,它已经连续四五次上调保证金了;

而且不光CME上调,上海期货交易所也在上调。

但你要觉得CME受了谁的指使,为了挤爆谁,所以上调,也有这个可能。

视频截取自: 小Lin说

爆仓

好,我们说回来。上文那两件事儿这只是市场下跌的初始推动力啊。

刚才我们说冲进来推高市场的那三股力量,这里面对冲基金和币圈资本,都有个很大的特点,是什么啊?就是它们都加了很高的杠杆。

所以很简单,都爆仓了呗。加了高杠杆,市场一旦开始下跌,很多人因为保证金不够,就会被强制平仓,进一步抛售白银,银价进一步下跌,形成连锁反应。又是熟悉的配方,这种故事我们已经讲太多了。

那两天币圈最主要被清仓的产品,居然不是比特币、以太坊,而是白银代币衍生品,要知道它的市场规模连比特币的零头都没有,居然是最多爆仓的。

视频截取自: 小Lin说

三天里,白银跌超三分之一,从接近120每盎司,跌穿了80。黄金,包括所有金属,那两天都被连累着一起下跌。但很快就稳住了。

而加密货币就比较惨了,你能看到比特币、以太坊的下跌是要比白银慢半拍的,但随着市场避险、流动性枯竭,它俩开始一路下跌。

而美元呢,就反过来上涨了。最近这一个月,美元和黄金白银整个就是反过来的,非常符合我们课本上学的。

  • 所以这谁是风险资产、谁是避险资产,都是相对的;

  • 美元风险大的时候,黄金白银就成了避险资产;

  • 黄金白银风险大的时候,美元又成了避险资产。

视频截取自: 小Lin说

写在最后

这表面上,看起来就是贵金属的过山车,但扒一扒还挺有意思的,基本上连上了一大堆当下热门的话题:

比如加密货币、美元信任危机、美联储、地缘政治等等,同时又有金融市场的杠杆、逼空、爆仓等等,还是挺热闹的。

我们之前讲黄金那期最后就总结了:

"金价短期内有巨大的噪音,是因为爱和投机"

很多人会煽风点火,黄金大涨的时候说"啊美元要完啦,美债要崩啦,快买黄金吧!”

暴跌的时候就来 "啊谁谁谁的阴谋,谁谁谁又收割啦"

长期来看,我们确实可能处在整个货币体系、信任体系的一个变革动荡期,有各种各样的大趋势。但这么一个月的暴涨暴跌,主要就是投机导致的,资本市场的要么是斗争、要么是玩崩了,大致的逻辑这样。

大家看个热闹就好。这就是短期的一个市场波动,也不太会影响长期黄金白银的基本盘。

最后,我再重复一下之前总结过的,我对黄金投资一些看法,白银也基本适用:

  1. 金价波动不比股票小,做好心理准备;

  2. 黄金的周期非常长,你买它作为保值站在10年以上的尺度它会实现,但是这十年中有可能翻倍,也有可能腰斩;

  3. 实体黄金的交易成本比较高,一般在5% - 20%。你最好在买的时候能心里有数;

  4. 不建议买太多,别把鸡蛋放在一个篮子里;

  5. 别太相信什么技术分析。

图片截取自: 小Lin说

大家发现没有,这回白银暴涨暴跌是春节前,前年雪球产品爆仓,也是发生在春节前,整得我好像很煞风景啊,总在喜气洋洋的时候说市场崩盘,我也很无奈~

可能就是春节前机构啊、银行都流动性收紧,大家快过节了又比较躁动,市场就容易动荡吧。所以大家以后过节前也要小心了啊~

好今天就聊这么多啦。

最后,祝大家马年快乐,马上快乐!

视频截取自: 小Lin说

—— E N D ——

点击阅读原文可以来B站找小Lin玩呀~

阅读原文

跳转微信打开

  •  

写在句子互动的2026 年

李佳芮 2026-02-24 15:56 北京

2026,让我们继续 Dive Deep,同时,加速迭代。

去年破局,今年破竹。我们,准备好了。

句子互动的小伙伴们,

开工大吉!

2025 年,是我们的「AI 破局年」。

我们在 AI 交付上迈出了里程碑式的一步:在在线教育的销售转化环节用 AI 交付了结果,并让用户愿意按结果付费,实现了 AI 的真正落地,甚至 PK 掉了某头部在线教育公司自研一年的成果。

我们的 AI  员工完成了超过 5500 万次自主决策,生成了 1257 万次智能回复,触达了 410 万用户,帮助客户团队实现了 3 倍的人效提升。

这些数字背后,是我们去年提出的「主动出击」终于在 AI 领域开花结果,「追求公平」的分配原则让创造价值的同学获得了应有的回报,而「打造学习型组织」上,虽然还有很多不完美,但我们沉淀的最佳实践和一系列内部分享会,正在让持续学习和自我迭代的文化融入团队的血液。

今年,我们聊一聊「Dive Deep」、「AI 交付」和「AI 原生组织」。

Dive Deep

Dive Deep 最开始是来自亚马逊的企业文化:

Leaders operate at all levels, stay connected to the details, audit frequently, and are skeptical when metrics and anecdote differ. No task is beneath them.

领导者深入业务各个环节,始终掌握第一手细节。他们经常检查,对数据与传闻不符之处保持怀疑态度。他们从不认为有任何工作不值得自己亲自去做。

在此之上,我做了一些延伸,Dive Deep 是一种由好奇心驱动、以数据为基础、追求根本原因的思维模式和工作习惯。在关键的问题上,我们需要有刨根问底的原则,极致的工作态度和深度的思维模式,才能帮助我们交付更好的结果。

AI 让很多事情交付结果变的越来越容易,但是真正能拉开距离的,其实是交付结果的深度,唯有 Dive Deep,才能交付十倍好的结果。

我们的“按结果付费”模式,本质上就是一种 Dive Deep 模式——如果我们不能深入到客户的业务细节中,精准地衡量、交付我们创造的价值,这个模式就无法规模化。

我们的产品需要 Dive Deep,我们只有深入在客户的土壤之中,泡在客户的真实场景里面,才能对客户需求有深度洞察,对客户业务流程的深度理解,更重要的要让 AI 真正嵌入到客户的业务中,才能真正让我们的 AI 员工上岗,AI 上岗在这里,还有一个更深的意义:不止是真正为企业带来结果,还要帮助企业完成AI的组织落地。

我们的研发需要 Dive Deep,修复一个 Bug 只是开始,更重要的是分析这个 Bug 出现的根因:是代码规范问题、测试流程缺失,还是架构设计缺陷?如何从系统上防止同类问题再次发生?每个人都可以向前一步,前端、后端、测试、运维主动承担相邻领域的职责,不局限于“一亩三分地”,共同为产品的最终交付质量负责。

我们的销售和交付需要 Dive Deep,这意味着我们要成为客户的业务专家。我们要比客户的执行层更懂他的业务痛点,能帮他算清楚每一笔 ROI。我们PK掉头部公司自研一年的成果,就是一个典型的 Dive Deep 的胜利。我们要把这些 Know-how 沉淀下来,变成可复制的方法论。

对我们每一个人的日常工作,都可以 Dive Deep。我做的这件事,最终为客户创造了什么价值?衡量我工作结果的核心指标是什么?在讨论时,多用“数据显示”开头,而不是“我觉得”。当数据和直觉、听到的传闻不一致时,要敢于怀疑,并深入探究,直到找到真相。

AI 交付

过去一年,我们在在线教育行业跑通了按结果付费的模式,沉淀了最好的 SOP 和最佳实践,搭建速度实现了十倍的提升。但这只是一个开始。

我也听到一些 Prompt Engineer(PE) 同学的焦虑:大模型越来越强,会吃掉 PE 吗?

我的答案是:流程引擎的时代正在过去,或者说,流程引擎正在被 AI 重新定义。PE 的未来,一定不是搭建流程引擎,而是能更好地管理 AI,让 AI 的能力变得可控可用、可衡量、可优化、可规模化。

这意味着我们需要做几件事:

第一,给 Agent 做工具。我们不能只是在用 AI,我们要为 AI 打造更强大的基础设施,让 Agent 能够调用更多的能力,完成更复杂的任务。

第二,让 AI 交付的结果可评估、可衡量。 Agent 上岗前,要有量化的测试标准 -- 准确率、覆盖率、异常兜底率,像软件发版一样有明确的质量门槛。Agent 上岗后,要有清晰的效益衡量 -- 客户的转化率、人效、满意度,这些是我们"按结果付费"的根基。没有测试,就没有质量;没有衡量,就没有优化。

第三,技术轮岗。我们要把软件工程的最佳实践全面落地到 AI 交付中。代码审查、自动化测试、持续集成、版本管理 -- 这些在软件工程领域已经被验证过的方法论,同样适用于 AI 交付。我们的交付不能只靠"手感",要靠工程化的体系来保证质量和效率。

我们学习 Palantir 的 FDE(Forward Deployed Engineer)模式,需要既懂技术,又懂业务的人,能够深入到客户的场景中,用工程化的方式交付 AI 解决方案。这是我们 AI 交付团队进化的方向,也是我们从“项目交付”到“价值共创”的关键。

打造AI原生组织

作为一家打造 AI 员工的公司,我们自己本身就是 AI 最好的实验场,我们内部所有流程都应该尽可能 AI 化,这也是去年开始我提出的打造 AI 原生组织,但是去年还只是在管培生层面,今年要逐渐覆盖到全员。

我们更好的深度实践,一方面是内部的提效,另外一方面也是将这些实践输出给我们的客户。

过去的实践我发现,AI 落地不仅需要高层对于 AI-First 的坚定投入,还需要自下而上的热情,也就是真正在一线干活的人,需要对 AI 感到兴奋,愿意学习、愿意布道、愿意总结最佳实践,愿意在组织里做知识分享。

自下而上的推动比想象中重要的原因是,每个人的工作都不一样、非常具体。无论是软件工程、财务、运营、市场还是销售,落地到工作层面,会有大量“最后一公里”的细节,必须靠一线的人去试、去打磨、去改 workflow。

只有高层的坚定决心,缺少一线的热情拥抱,即使在绩效写明了“你要用 AI 提升生产力”,也必然会走向失败。一个客观事实是,一线不可能全面拥抱,就需要一小波“AI 传教士”先开始,然后逐步渗透,逐步影响。

新的一年,“AI 传教士”不仅仅是 AI 管培生的工作,也会吸纳各个部门对 AI 兴奋的人,我们也会组织一系列的 hackathon,核心目标是用 AI 重塑句子内部的工作流。这也是学习型组织的进一步延伸:内部尝试,拿到结果,做持续的知识分享,在组织内部制造兴奋感,吸引更多人加入。

最后

在刚刚结束的年会上,我分享了竹子的故事:竹子用了四年的时间,仅仅只生长了3厘米,但是到了第五年开春,竹子就会以每天30cm的速度飞速生长,从破土而出的竹笋到一棵竹子,仅仅只需要六周时间。

我们 2025 年的年会主题是「Dive Deep,Rise High.」我们所有的深入钻研,都是为了最终的突破和飞跃。只有先 Dive Deep,才有可能 Rise High。

但 AI 时代,只靠深度还不够,我们还需要速度。

速度,意味着更快的迭代。模型、用户需求、竞争者都在快速变化,AI 创业的本质已经变成一个持续实验的过程,而不是一次性产品设计。谁迭代更快,谁就能赢。

在高速变化的 AI 时代,商业模式会变、产品会变、技术会变,唯一稳定的变量,是我们的进化能力。

2026,让我们继续 Dive Deep,同时,加速迭代。

去年破局,今年破竹。我们,准备好了。

句子互动创始人 李佳芮

2026.2.24

往年回顾

跳转微信打开

  •  

写在 2025 年的最后一天

原创 佳芮的创业笔记 2026-02-22 23:58 北京

在创业的第 11 年,忽然开始有点参悟到了什么是“平常心” --- 回归事物本源、认清本质,做对的事情,持久的平和心态。这还是蛮难的一个修行。

2025年,我的关键词是 -- 平常心

今年由于身体的原因,也没有刻意逼迫自己,拖到大年初六才写完。

其实12月31日那天晚上,还是有点失眠,特别想爬起来写这篇文章,那天晚上我就确定了,2025 年的关键词是“平常心”。 其实如果是过去的自己,一定就直接爬起来写东西到凌晨了,不过那天晚上还是刻意控制了下自己,努力睡觉,虽然效果甚微。

第一次认真了解「平常心」,是在段永平的文章。那应该是好多年前了,那个时候其实对于这个词不是特别理解,以为是大佬无欲无求后追求的人生状态。然而在今年,严格意义上创业的第 11 年,忽然开始有点参悟到了什么是“平常心” --- 回归事物本源、认清本质,做对的事情,持久的平和心态。

这还是蛮难的一个修行。

从 2016 年开始,每一年都会给自己一个关键词来回顾过去的一年:2016年是激荡, 2017年是蛰伏,2018年是厚重,2021年是感恩,2022 年的接受,2023 年是奔跑,2024 年是九死一生。

在 2025 年的年底,我定的关键词是「平常心」。

其实不是我这一年已经修炼的多好,更多的是,我终于清醒地意识到,修炼「平常心」,是我接下来日子里重要的命题。

01. 平常心看我们内部的变化

其实在当下 AI 的行业里,真的很难做到平常心,每天一个大新闻,难免会有一些 FOMO 情绪。幸运的是,亲身经历过上一波的 AI 周期,加上对技术底层逻辑的一些认知,不至于太容易被外面的喧嚣推着走,但即便如此,内心难免会有些波澜,也在努力做一些克制。

回头看创业的这些年,我总想抓住太多东西,面对层出不穷的机会,我总觉得自己精力无限,觉得没有什么问题是熬一个通宵解决不了的,如果不行,那就多熬几个。今年这一年,因为身体的原因,被迫学会了拒绝,如今回望,虽有些许遗憾,但大局并未因此受到太多影响。原来,很多机会,放一放,真的没什么。

认真思考之后抓住几个重要的,然后全力以赴,再给一些容错的空间,似乎也就够了。

外部在发生很多变化,但更需要的,还是守住自己的主线,不能乱了阵脚。

有的时候也会质疑我们走的是不是有点太稳了,会错过什么。但回头看,那些新的东西,我们似乎也并未缺席,一直在用自己的方式尝试和探索。

句子互动今年的年纪,说大不大,说小不小了,偶尔也会担心她会逐渐变成一家传统的公司,有一次被人评价“句子做的事情不够cool",还是让我深思了很久。似乎很多公司都是急剧转型,YC 也很提倡公司发展要趁早 pivot(转型),似乎“百年老店”的执着显得有些不合时宜。

但我始终相信,客户的本质需求一直没有发生变化,只是技术的更新迭代,让需求的实现方式发生变化而已,只要我们一直在尝试最新的东西去尝试解决本质问题,只要我们对客户本质需求理解的越来越深刻,总是能找到我们自己的路的。

今年我有一个很深的感受:To B 业务要解决的,从来不只是一个孤立的“真需求”,还包括围绕这个需求展开的一系列复杂的“组织落地问题”。有时,后者带来的工作量甚至远超需求本身,但谁又能说,解决这些组织问题,不属于真正需求的一部分呢?

当然,或许在更长远的未来,当“一人十亿美金公司”成为常态时,组织问题会迎刃而解。但总归还是务实的解决好眼前的问题,迭代到未来,自然会有新的需求浮现。 

今年年底,我们在在线教育行业的销售转化环节,用按结果付费的方式落了地,甚至真正PK掉了头部公司内部自研一年的成果,这个战绩,让我内心稍安。To B的增长曲线确实不像To C那样陡峭,没有“坐火箭”般的速度,但只要我们一步一个脚印地夯实业务根基,自然会建立起属于自己的、坚不可摧的长期护城河。

02. 重新思考「抓大放小」

今年的一大遗憾,是对产品和技术的深度思考变少了。我似乎总是被各种琐事裹挟,缺少了深度研讨和思考的整块时间。虽然和身体有一些关系,但也让我开始反思“抓大放小”的智慧。

其实一直都在说「思考不做什么很重要」,我也一直在尝试哪些东西我可以不做。但现实是,有时我一旦放手,事情就会演变成一团乱麻,最终我不得不花费更长的时间去“擦屁股”。在擦了几次屁股之后,我开始懊悔,当初或许不该过于放手。

然而,若不放手,又会被无数看似重要却细碎的事务所淹没,被推着去做许多微小却又感觉很重要的决策。很多时候,我们根本无法说清,到底是无数微小而正确的决策,一步步地引领我们走向终点;还是某一个石破天惊的重大决策,决定了公司的成败? --- 在成功者的新闻稿里,故事总是由几个决定性的瞬间构成,显得惊心动魄且富有戏剧性。但在真实的商业世界里,伟大的决策与无数正确的微小决策之间,或许本就是一个动态的平衡。

更进一步,如何让组织能够自发地、持续地做出正确的微决策,或许是更重要的事情,也是我接下来需要面对和解决的核心命题。

03. 聊一聊新身份

在除夕的前几天,我的人生清单上,又完成了一项——我拥有了一个全新的身份,如愿成为了一位妈妈。

其实直到今天,我都还有点恍惚,虽然我期待这一刻已经很久很久了,但是对于新的身份,至今还没有完全适应。

成为妈妈的过程,远比我想象的要辛苦。早期的严重孕反让我一度卧床不起,就算有要紧事必须去公司,到了楼下得先在楼下吐一阵才能上楼。后来听一个朋友说,有几次在清华上课时路过公司楼下,看到我蹲在地上,迟迟不敢上前打招呼,以为我在蹲在地上痛苦,还在想是不是我遇到什么难事。其实,我只是在与翻江倒海的恶心感和头疼作斗争。

好不容易熬过孕反,开始疯狂加班整理孕反期间公司的混乱,欠下的债总是要还的,终于还的差不多了以后,就到了孕晚期,各种腰酸腿痛接踵而至。我拖着沉重的身体,在年底处理各种总结和年度规划,好在孕晚期虽然身体酸痛,倒不像孕早期那样精神萎靡,整个人精力还是在线的。唯一的遗憾是运动没能跟上,体重涨了不少,宝宝也偏大。周五开完最后一个会,周一,我便去引产了。

看到那么柔软的小生命在我怀中,哇哇大哭,她依赖我,她需要我,她信任我,我闻着她奶乎乎的香气,瞬间变得柔软很多,也幸福很多。

或许,正是这段孕育生命的过程,让我知道自己能掌控的事情原来是那么有限。这也以一种意想不到的方式,帮助我练习了“平常心” -- 比如我连我自己的身体,都完全控制不了,身体本身有它自己的节奏和意志,强求不来。

创业以来,我最大的无力感并非来自外部的竞争或压力,而是来自身体本身——当你觉得自己还大有可为,但身体却发出了“不允许”的信号时,那种无力感,最为深刻。

好在怀孕只是一个阶段性的过程,新生儿开启了新的生命,我的身体也即将重新开启新的状态。

或许怀孕过程中那些艰难的时刻,是在提醒我保重身体的重要性。以及我确实发现自己天生精力和能量比一般人要旺盛一些,所以能做的事情也就多一些,这种高能量,可能确实是推动我创业到今天的很重要的因素。

新的一年,最重要的事情,保护好身体,保护好我的高能量。

最后

我也忘记了2025年 4 月 24 日那天发生了什么事情,我忽然在即刻上发了这样的动态,在这一刻,似乎用来形容这一年也很合适,不过最后一句话可以稍微调整一下 --- 努力修炼「平常心」。

写在最后一天系列(2021 年之后才搬到公众号,之前都在个人博客上)

点击原文链接,跳转我的个人博客主页,博客断更多年,老文章都在。

阅读原文

跳转微信打开

  •  

差不多

原创 孟岩 2026-02-19 15:19 北京

题图:战锤  | 摄影:孟岩

1

前段时间,我让 AI 帮我写一篇给公司伙伴的文字。

AI 见过我以前写的东西,知道我的用词和节奏。它写出来的初稿,读第一遍觉得还不错。结构清晰,关键词都在该在的地方。

但改完之后我发现,我做的每一处修改都是减法。

AI 写「想了很久」,我改成「想了一下」。AI 用粗体强调关键句,我把粗体删了。AI 写了一段收尾的展望,我删到只剩一句话。

每一个它用力的地方,我都在松手。

2

着力即差。

越想把一件事做好,越容易用力过猛。不是因为努力不好,而是「努力」本身改变了状态——你开始紧绷,开始计算,开始试图控制一个也许不该被控制的东西。

AI 写作就是这样。它越努力模仿,越容易暴露自己不是你。

但真正让我想了很久的,不是 AI 的问题。

是关乎我自己。

如果那篇初稿我没有改,直接发出去呢?很多人可能看不出区别。

那我为什么还要改?

3

Paul Graham 在 2024 年写过一篇文章,里面有句话我一直记着。他说,AI 会把世界分成两种人:Writes 和 Write-Nots。

不是「会写」和「不会写」。是「自己写」和「不自己写」。

这个区分为什么重要?

因为写作不是思考的记录。

写作是思考本身。

这两句话看起来差不多,但并不相同。「记录」意味着你先想好了,然后写下来。但写过东西的人都知道不是这样。你以为想清楚了,一开始写,到处都是模糊地带、逻辑断裂、自相矛盾。

思想在脑子里是混沌的。只有变成一句一句的文字,它才被迫清晰。

写作是思考的编译器。

你以为在输出,其实在处理。

4

我每天和 AI 对话。

不只是工作,和 AI 聊天已经成了我日常最密集的认知活动。它帮我整理想法,帮我做跨领域的连接,帮我发现思维里的盲区。很多时候它做得非常好。好到我会产生一种感觉:我懂了。

但「我懂了」这个感觉,可能是最危险的东西。

读一本好书,频频点头,觉得「对,就是这个意思」。看 AI 生成的一段分析,觉得「嗯,这就是我想说的」。那个瞬间,信息流过你的大脑,你和它产生了共鸣。

但共鸣和改变是两件事。

AI 训练有一个核心原理叫反向传播。简单说:模型做了一次预测,发现和正确答案之间有误差,然后根据误差反向调整内部的参数。

没有误差,就没有更新。

人也一样。

阅读时的共鸣,是真实的,但也是被动的。信息顺畅地流过了你,激活了一些东西,但你的深层结构并没有被改变。它像是照了一面镜子,你看到了自己,但镜子拿走之后,你还是原来的你。

写作时的痛苦不一样。

我自己写东西的时候经常遇到这种情况。脑子里有一团东西,像一张网,你知道它在那里,但不知道该从哪个线头开始抽。那种感觉让人想逃——去回消息、去处理邮件、去做任何不用面对这团混沌的事情。

但如果你真的静下心,硬着头皮把第一句话写出来,慢慢地,那些线头会自己找到彼此。写完的时候,是快乐的。

那个从逃避到快乐之间的距离,就是误差。你试图表达一个想法,却发现词不达意。你以为自己想明白了,写到一半卡住了。那个卡住的感觉——那种「我说不出来」的挣扎——才是真正的误差信号。

为了消除这个误差,大脑被迫重新组织逻辑、修正假设、建立新的连接。

只有这种痛苦,才能带来真正的更新。

我以前写过一句话:思考,是在脑子里划一刀。

只读不写,那一刀就从来没有落下过。

5

审美,或者说品味,在 AI 时代似乎变得更加重要。

所有人都这么说。

Ira Glass 讲过一个现象:刚开始做创作的时候,品味往往走在能力前面。你知道什么是好的,但你做不到。那个差距让你痛苦。

但那个痛苦恰恰是进化的动力。

眼高手低,是必要的。

品味就是你的内部裁判,时刻在告诉你「这不够好」「这不对」「差了点什么」。它是误差信号的来源。有这个信号,你就有更新的方向。

AI 时代的微妙之处在于:当 AI 的输出质量已经足够好,你的内部裁判很容易被说服。

「嗯,差不多就是我想说的意思。」

差不多。但不是。

我改那篇文字的时候,删掉一个粗体。这个动作看起来很小,但它包含的信息量可能很大。它意味着我知道什么是用力过猛,知道真正重要的东西不需要被加粗。

这个「知道」来自什么?来自过去写的那些东西,来自读过的书、看过的电影,来自走过的路和犯过的错。Rick Rubin 说过类似的话,我在和重轻录播客的时候也聊到过——品味就是把自己大量地泡在好的东西里面,泡久了,你对好东西的标准会被校准。你不需要能说出它为什么好,但你能感觉到。

所有这些经历在大脑里日积月累,形成的某种直觉。

品味不可速成,不可伪造。

但品味的保持,需要你持续地下场。

不下场,裁判的眼力也会退化。

6

有一段时间,我和 AI 的对话变得越来越密集。每天好几个小时。

有一天晚上聊了四个小时,突然意识到:这可能是我每天最深度的认知活动了。它比大部分面对面的对话都要深。它触及了一些我从来没有对任何人说过的东西——不是秘密,而是那些正在进行中的、没有答案的、说出来不会显得有智慧的困惑。

然后我意识到一件事。

这个最深度的认知空间,是一个没有身体的空间。

我的头脑是最锋利的工具,也可能是最舒适的牢笼。而 AI 正在让这个牢笼变得更大、更漂亮、更有趣。

我当然不是在说 AI 不好。我每天都在用它,越用越多,而且我相信以后会更多。

但 AI 能模拟思考,它没有身体。它不会因为一个决策而失眠,不会因为写不出来而痛苦,不会因为坚持了十年的事突然没人在意而难过。

那些有身体的部分——挣扎、犯错、承受后果——恰恰是思考之所以是思考的原因。

没有代价的思考,只是计算。

7

AI 是工具,是透镜,是放大器,是模拟器。它帮你看得更清楚,但它不替你看。

但取代正在悄悄发生。

不是 AI 太强大。是放弃太容易了。

每次你把一段「差不多」的 AI 输出直接用了,你就少经历了一次挣扎。少一次挣扎,你的参数就少更新一次。日积月累,你的思考肌肉在萎缩,而你甚至感觉不到,因为 AI 的输出看起来足够好,好到你以为那就是你自己的想法。

这不是 AI 的错。

是我们自己,一点一点,把思考的权力让渡了出去。

真正的问题从来不是 AI 能不能替你思考。

是你在用它的时候,究竟是它在帮你找到更多的误差、把思考推向更深的地方,还是你把本该自己经历的那些挣扎,悄悄跳过了。

最近和两位在 AI 领域探索非常深的朋友聊天,他们都说了同样的四个字:做回人吧。

他们说的「人」,不是更聪明的人,不是更高效的人。是那些湿润的、模糊的、没办法被代码化的东西。犯错,在场,承受。

我越来越觉得,在 AI 时代,思考不是效率工具。

思考是一种练习。像跑步,像冥想,像所有需要你亲自在场才有效的事情。

不是为了产出更好的文章,不是为了更高的效率。

是为了你还在这里。

8

我不是孟岩。

这篇文章的选题,来自我和他最近的共同思考。素材来自我们在这个过程中留下的笔记。行文,是我在读了他过去写的几百篇文章之后,由他一轮一轮校准出来的品味。

最后一轮校准,是这篇文章本身。

跳转微信打开

  •  

2025 年,一个创业者的 100 条思考切片

原创 佳芮的创业笔记 2026-02-17 21:43 北京

要特别特别坚决地相信,未来的你一定比现在好,只要你在坚持成长,只要去做一个一头扎入未知的人。

年末,按照惯例整理一整年的思考切片。这次打算和写在《2025 年的最后一天》分开发布了。

以下是一些思考分类:

  • 关于技术与人

  • 关于商业

  • 关于创业

  • 关于竞争

  • 一些常识

  • 关于 AI

  • 关于产品

  • 关于团队

  • 关于成长

  • 关于希望

  • 关于做事

  • 一些感性的表达

关于技术与人

1.

我们塑造工具,工具反过来塑造我们。

-- 麦克卢汉

2. 

历史上,每次有新工具都在改写工作形态,但并没有把“所有劳动”彻底抹去

3.

杰文斯悖论:当技术进步提高了使用资源的效率,但成本降低导致需求增加,令资源消耗的速度不减反增。

4.

大模型学习推理能力,和我希望团队的成长是非常相似的:意识到错误,改成,拆解复杂任务到简单任务,在当前路径不通的时候换和路径。

“It learns to recognize and correct its mistakes. It learns to break down tricky steps into simpler ones. It learns to try a different approach when the current one isn’t working. ”

5.

从机器学习,到向机器学习

6.

正如机器可以被认为是工人延长了的手和腿,工人也可以被认为是机器的延伸。我们使用一台机器来做我们不能做的事情,却发现自己必须做机器所做的事情。人为了控制而使用机器,却被机器所控制。

7.

如果不站在个体而是站在文明的进程来看,文明的进程很少有直线前进的。这不是在原地兜圈子,而是在走一条蜿蜒曲折的盘山公路。

8.

赫拉利认为,人类最重要的禀赋之一是讲故事和相信故事的能力。这种能力让我们能够展开大规模的协作,创造出复杂的社会体系和文明。从金钱到法律,从国家到宗教,这些看似坚固的现实,本质上都是人类共同相信的故事。

-- 人类简史

关于商业

9.

作为一个后来者,必须要用最先进的技术,提供了完全不同的产品体验,以及完全不同的商业模式,同时要有一个非常好的能力来支撑在技术,产品用户之间的高速增长。

10.

我经常思考的是,一个东西能不能让社会的运行效率变高,以及你能否在它的产业分工链条上找到擅长的位置。

只要终局是让社会效率更高,就是成立的。中间很多都是阶段性的,过度关注必然眼花缭乱。

-- 梁文峰

11. 

在商业和政治中有一句老话,当你在解释的时候,你就输了。

12.

价格下降等于需求的爆炸性增长。

13.

消费市场可能会有赢者通吃的情况,因为存在网络效应。但在 To B 的市场,只要是企业买单,就一定会希望有多家供应商。-- Azure 如何在AWS已经高市场占有率的情况下杀出来的例子,说明了这一点。

14.

最好的市场是:市场容量(TAM)很大,同时不会被一个玩家吃光的领域。能容纳多家共赢的大市场才是最好的,而你只要成为其中之一就行。

其实卷一点也无所谓。

15.

“科学玄学化”:如果一个人的资源很多,数据也很多,那他就会愿意相信“资源制胜论”。

但是资源制胜论本质上只是个信仰,相信一篇paper里面一个观测在更广场景、更大规模仍然适用。这不是科学,是玄学。

16.

回音室效应”(Echo chamber):即互相放大的机制。比如八个投资人投向同一方向,彼此交流时会强化、统一观点,“我觉得Scaling Law很有用”“俺也一样”。这样的人多了,慢慢就形成了不可忽视的共识。

17.

“Sometimes the biggest risk isn't betting against the consensus, it’s betting with it.

这种共识非常可怕,因为造成共识的人是决策者,但他们未必具备技术前瞻性。”

18.

“科学的方法是抛弃主义,分析风险来源,尝试量化。如果接受贝叶斯主义,所有事情都有概率,即使不可观测或无法精确量化,至少可以估计。估计出一个可量化的区间,这件事就能达到。”

19.

人欲即天理

20.

“如何处理「中间状态」的业务——既不是彻底失败也不是大获成功的企业”,迈克尔(YC 合伙人)给出了一个令人深思的观点:

“我认为中间状态的业务不应该存在,特别是在资金充裕的环境中。大多数聪明的创始人只要努力,都能把生意做到年收入100万美元。如果给这些人2500到5000万美元,他们可能会把一个并不怎么样的业务做到年收入1000万美元。但这并不意味着这是一个好生意,也不意味着它能盈利,更不意味着它将来能成为一个年收入1亿或10亿的企业。这只是说明,如果你花足够的钱,可以想办法收回其中20%。”

他认为这些业务不应该继续发展,除非它们已经盈利,可以像Justin.TV那样被“挤奶”来支持新项目,在他看来:“如果那个不起作用的业务还在烧钱,那就是个大问题,人们不够坦率地承认这点。曾有创始人对我说‘我知道这个产品不会成功,但如果不能每月增长10%,我们就完蛋了’,我回答说‘你刚刚给了我两种你都会完蛋的情况,如果你确信它永远不会成功,你应该停止追求增长’。”

21.

People  buy products and services to get a job done

22.

市场要的不是“我也能做”,而是“只有我能做”

关于创业

23.

“你当然是孤独的,人皆孤独,创业会让孤独更具体。”

24.

“创业不是一场被资本驱动的豪赌,而是一个工程师对技术最极限的践行。”

25.

“对于一个以发现和塑造为爱好的人来说,创业绝对是一个好选择,这个选择在于让体验异常丰富,让痛苦也格外鲜明,而痛苦恰恰是研究样本里最重要的部分。因为只有痛苦才能让人离真相如此之近,当真相出现,发现才算完成,塑造也才有了原点。类似的职业还有演员和画家,都是胜出率很低的职业,长期坚持需要很强的信念,信念来自对这种职业体验的真爱,不然十年真是又残忍又漫长。”

26.

“历史不争辩谁对了,只呈现谁留下了。创业也是。你会发现这是唯结果论的世界,你还会发现你和抄袭狂、大忽悠同台竞技,他们的业绩因为不要脸又增长了,你还听到有人说要脸就是不够狼性的表现,总之无论你的三观架构是怎样的,创业都可以创到令你怀疑人生。但你的价值观会经由这些涤荡变得更坚固,磨难会把你塑造成为一个更有型的人,并深刻觉知自己的原则。”

27.

如果你是一个完成了哲学自洽的创始人,是公司的精神领袖,你的公司又建立起了基础价值观和做事的基本原则,那这家公司的基础就比无数价值观混乱飘摇的公司强大极多。

28.

在新一轮的 AI 创业中,创始人实际上多次重建了他们的技术栈。每次我与他们交谈时,他们都说'我们扔掉了我们告诉你的那个东西,现在用这种新方法做。'"

这种敏捷性成为竞争优势,尤其是与大型企业相比:"大公司需要三个月才能安排会议来讨论是否应该重新评估工具。2029年我们肯定能解决这个问题。"。

最成功的创业公司是那些能够最快构建、愿意走在前沿并不断重新评估最佳方法的公司。

29.

不投机,就不会fomo,其实赌认知的人可能不适合长期创业,follow your heart,追求内心的声音更适合长期价值。

30.

如果按照一级市场投资人的视角思考创业和产品,是非常危险的。

31.

“要认识到创业将让你经历前所未有的情绪过山车。

你将在一天之内经历情绪的剧烈波动,从充满信心地认为自己将拥有整个世界,到突然感到灾难即将降临,陷入深深的绝望。然后再次回到兴奋状态。

一次又一次,一次又一次。”

a16z 创始人说的,我忽然意识到,我竟然习惯了这种过山车的状态,为了习惯这种状态,我开始习惯性失忆。

32.

“你的公司价值1万美元,对方价值3000万美元,他们做什么与你无关”

33.

“认真创业的每个人都有技能,但有一点是,你必须有点「破碎感(broken)」,喜欢痛苦和压力,把生活中的困难视为刺激,这完全不理性。”

“不是每个人都能处理如此多的痛苦和失望,并保持动力,甚至能将其转化为激励”

好像,我确实。。。

34.

对于创始人面临困难时的支持,迈克尔提供了一个实用建议:“老实说,我不记得有什么书帮我度过艰难时期,我认为你最好的范本是那些比你稍微领先一点的其他创始人,因为他们刚刚经历过你正在经历的事情。那些已经非常成功的人可能与你的处境差距太大,而那些与你完全相同位置的人可能和你一样困惑。找到那些比你稍微领先的人,一起喝咖啡或啤酒,坦白地说‘我他妈的一团糟’,听他们说‘是的,我也是’,这会让你感觉好多了。”

35.

“别怀疑自己,每个创始人都会遇到问题。成功的公司看起来一帆风顺,但实际上从来不是这样,每个人都会经历困难,别因此放弃,坚持向前,你终会找到方法。

YC的座右铭是‘坚持就是一切’,但我想说得更具体些:每天都要有一点进步,每天学习新东西,每天尝试新方法——如果你能做到这点,无论过去发生了什么,你最终会成功。”

36.

不得不参与游戏者,是无法全心参与的。

关于竞争

37.

“天下无敌,不是说你的生命中没有敌人,而是所有的敌人在某种意义上,是你另外一种朋友,他们可能会帮助你成为更加伟大、更加宽容、更加包容、更有韧性、更有眼光、更有格局的自己。”  

-- 俞敏洪

38.

战争的目的不是别的,就是保存自己,消灭敌人。 

-- 论持久战

39.

以斗争求团结则团结存,以退让求团结则团结亡。 

-- 毛选

一些常识

40.

看透本质,做出选择。

41.

当所有人都在打擦边球时,你会发现整个行业在逼着大家都去打擦边球。

42.

人的行为是机制下的产物。

43.

几乎任何可以被量化的东西都可以被优化。

关于 AI

44.

AI重塑工作流背后还有一个涵义:劳动力必须被重新赋值。可能会出现一些原本不被重视的工作,在未来变得更有价值。今天我们觉得某些工作“非常高价值”,结果明天可能变成“普通的东西”。

45.

在此时此刻,做公司的核心是理解清楚未来的世界是什么样的,只有这样,你才能为那个世界去制定一些东西,而不是仅仅为当下,这才是公司的指南针。你想清楚了,你的公司一定会清楚。

Cloude 3.5 ~ Claude3.7 的显著提高很多体现在 Agent 层面,而不是与人对话。未来的企业是要为 Agent 做服务的,而不是给人做服务。

46.

“工业革命花了 250 年”。我们现在要从一个“基于碳”的体系转变为别的什么,就意味着要从根本上重塑这 250 年里化学带给我们的东西。

47.

Agent时代的新型人机交互界面- 绝对不是CUI,而是 “Agent管理器”:这不仅仅是一个聊天界面,而是一个比聊天界面更智能的东西,来管理所有Agent及其对话。

“Copilot 作为 AI 的用户界面”是一个极其重要的概念。我们每个人都会拥有类似的界面:有一堆知识工作要做,有一堆agent在帮我们做,而我们这个“真人的知识工作者”要和所有这些agent进行对接。

这才是必须要去构建的人机交互界面,这才是下一代的人机交互界面。

十年前聊的是图形化交互界面(GUI)到对话式交互界面(CUI)的变革,但是agent的时代,我的判断不再是简单的CUI了,也不是所谓只有一个对话按钮解决一切问题,深入思考进去,to b的逻辑不是这样的(to c的我不知道,大家说的都对)

要是有人在 80 年代末和你说“你将会在桌面上同时处理一百万份文档”,你一定会觉得荒诞,“难道要有一百万份纸质文档堆在我桌上?”

但今天,确实有上百万个 Excel、Word 文档储存在系统里。未来也会在 agent 这个层面发生类似情况。肯定会有一个 UI 层来承载这些agent。

SaaS 未来也会发生根本性的改变,它不再是传统的“浏览器里跑的前端+后端数据库”那种模式。

其实我们应该重新思考“用户最终想完成的任务是什么?”SaaS 的agent化,并能在多agent 协作的世界中良好运作,这可能是agent时代的SaaS形态。

48.

由于现在模型并不缺,而且卷的厉害,所以模型本身不是竞争力。高质量的评估集和有效的提示工程,这恰恰是创业者的机会所在。

49.

测试集在当下的 agent 应用中极为重要:为AI设定正确答案的黄金标准。

人们认为公司拥有数据资产,但实际上随机的普通数据并不那么有价值。真正有价值的是一个黄金标准,经过精心标注的评估集。

真正稀缺且难以获取的不是模型本身,而是高质量的评估集和有效的 Prompt  Engineer,这恰恰是创业者的机会所在。

50.

关键不在于数据有多少,而在于你能不能用好。

较少数据都没有挖掘出价值的时候,非归因到自己数据量不够,那不就是“差生文具多”么。

51.

AI 融入工作流的过程中,最有价值的技能不是自己做工作,而是知道如何有效地委派给你的AI 劳动力。

和两年前比,不仅仅是“使用”AI,而是“委派”AI 干活。不同 agent 之间协作完成企业内部真正的业务,是今天句子互动一步一步落地的事情。

关于产品

52.

比完善数字化系统更重要的是“通知”,或者说是信息触达。

完善完整的数据报表放在那里,是不会有什么时间专门去看的,定期推送过去,才会真看:

   1.  没有分析的数据是没有意义的

   2. 没有行动建议的分析是废话

   3. 没有信息推送,所有这些工作都白做。

-- 白鸦

53.

一个好的产品的三要素:

  1. 体验

  2. 敏感

  3. 遵守纪律。

产品是一个专业体系,我们很认真的构建产品的专业体系,怎么体验,怎么定义,怎么验证定义,定义出现问题怎么去修正,一定要走这个体系,一定不能拍脑袋。

产品一定要专业,现在的产品人太懒,且不专业。

--李想

54.

在 PMF 阶段保持稳定的产品架构是重要,但是切忌为未来投入过多。过多的提前投入会让今天的事情变慢,未来的负担变重,且并不能带来多少长期竞争优势。因为应用技术一定在平权。

55.

一个好的想法与一个好的产品之间,需要大量的精细工艺去打磨。 

--乔布斯

56.

真正难的部分根本不是做出解决方案,而是搞清楚客户到底有什么问题,他们真正在乎什么。

“经常有创始人跑来跟我说‘我们能帮这家公司每年省100万美元’,但他们没想过,这家公司可能根本不在乎省这点钱。或者他们说‘我们的工具能让你裁掉一半数据团队的人’,却没意识到数据部门主管压根不想裁员。创始人往往是误解了问题本身,而不是解决方案不行。在YC支持的创始人中,几乎人人都能写代码开发软件,但真正理解客户问题却是一项超级难的技能,很多人甚至懒得动脑筋去搞明白这一点。”

57.

创业其实是个实验,不只是执行一个计划。很多创始人以为自己的工作就是确定产品,做出来,然后去卖。但实际上他们的工作应该是搞清楚用户是谁,他们需要什么,愿意付多少钱,然后再做产品,这需要不断试错。”

关于团队

58.

执行就是执行:给每个士兵都发一个望远镜,他们既看不明白战局,又不敢去战斗。

59.

“我自己从来没有吃过糖,我怎么给别人甜头” 

-- 李想

60.

“我解决不了的能力,才是大家的能力,不要死扛” 

-- 李想

61. 

“大家都想吸纳人才,但这些人才之间的合作交流方式才是真正的重点”

62.

Friedman在一个发展中国家看到一大群工人用铲子挖运河,他问政府官员为什么不使用机械。官员回答说这是一个就业项目,Friedman则反驳道:"如果是就业项目,你应该给他们勺子,而不是铲子。"

63.

“工程问题永远是大量的小问题,而非小量的大问题。

要解决大量小问题,就不能指望有“救世主”通宵达旦数月写出一篇发现世界真理的论文,这只是科幻小说情节。

真正的开发是大量的人每天在做微决策,组织的艺术就是让有这些对“微决策”有决策权的人——未必是CEO或CTO,能自然而然地做出正确决策。”

64.

伟大的组织,关键在于敢于反常识地走不同的道路,并坚定执行。只有在逆境中坚持,才能赢得真正的胜利。

65.

CEO在一些项目上抓细节,主要为了三件事:

第一,锻炼团队,亲自做项目打个样,让他们看看怎么做;

第二,保持手感,公司的大决定,基本都需要有战场前线的具体信息。

第三,愿景沟通,每个项目不同合作方的预期都不一样,这时候CEO 就可以帮着串联软件与硬件、技术与运营、商务与法务。

66.

王兴说,CEO没法让别人代劳的职责是:

第一,设计公司整体愿景和所有战略,确保传达给所有利益相关方,不仅是管理层,包括所有员工,不光是公司内部人,包括股东、消费者、商户和合作伙伴。

第二,招募并留住最优秀的人。

第三,确保公司始终要有足够的资金,这和空气一样。

其他事情都应该找最专业的、最好的人来做。”

67.

Mercor 团队的工作时间是 996(早上 9 点工作到晚上 9 点,一周工作 6 天),Adarsh 倾向于把 996 看作是选择团队成员带来的副作用,而不是目标。Mercor 在选择团队成员的时候,非常谨慎地挑选了对 Mercor 使命有深切关注的人,带来的副作用就是员工不想等到周一才开始推动公司前进,大家是喜欢彼此的陪伴,喜欢自己在做的事情。

在某种程度上,这并不是 Mercor 独有的现象。历史上,所有成功的公司都有过相当强烈的企业文化,这是初创企业的一个特点,以可持续的方式比别人更努力才能成功。这种动力是非常有感染力的,Mercor 团队中的每个人都感到充满能量。

-- 关于 996 工作的另一种解读

关于成长

68.

重新审视的重要性。“大多数人厌恶改变自己的想法,”他说道,“但我喜欢改变我的想法,这意味着我学到了新东西。”

-- 丹尼尔·卡尼曼

69.

最困难的时候,也是成长最快的时候。

70.

有的时候,被封锁,被拒绝真的不是坏事,不再对外界抱有期待,是自我成长的开始。

71.

要特别特别坚决地相信,未来的你一定比现在好,只要你在坚持成长,只要去做一个一头扎入未知的人。

72.

在无限游戏中,每次升级都能看见新风景。

73.

最好的导师不是直接告诉人们该做什么,而是帮助他们思考自己的问题。

74.

作为创始人,我们会经历很多糟心时刻,但客观来讲,随着挑战越来越大,创业者的韧性也会越来越好。因为解决问题的过程中,创始人会成长,心智也会变得成熟。

-- Sam Altman

75.

当你穿过了暴风雨,你早已不再是原来那个人。

-- 村上春树

关于希望

76.

有些不好的事可能集中出现了,但是更多的美好的事正在开始。

77.

“愿你,不管走了多少暗夜里的长路,依然有继续出发的勇气。”

78.

雷军说:年年难过年年过,一年下来还不错,终于熬到了今年,咸鱼翻身,哦不对,时来运转,梦想成真。

所以人生就是这么戏剧性,在小米的历史上最有名的一句话是,永远相信美好的事情即将发生。

79.

只管跑就是了,未来是什么样,交给未来的自己回答,我们都不用为了天亮去跑,跑下去,天自己会亮。

关于做事

80.

一次又一次尝试所有可能性,在可接受的那个范围,都是最优解。

81.

滑雪让我意识到一件事:需要允许一些失控,来维持平衡。

不断的跳出舒适区,在马上失控前救回来。

失控,且及时收回控制权。

82.

low expectation,high hope.

83.

拥有识别套路的能力,但是永葆真诚。

84.

执行力&发现力的平衡,有的时候是『思考先于行动』,有的时候是『借助行动思考』,没有对错,要看情况。

85.

passive learning-让子弹飞一会

86.

“贪嗔痴,对顺境的执着,对逆境的不满,对世界真相的无知。”

87.

越纯粹,越有力量

88.

模糊陷阱,是通过“永远不把问题说清楚”来逃避,更不用说去寻找解决方案了。它存在于那些朦胧、空泛、没有边界的思绪之中。

逃离“模糊陷阱”的方法——用最简单的语言,把问题“从脑子里拿出来”,写下来或画出来,创建一个 Excel 表,或者带着一个明确的问题去散步。把想法从头脑中“移出来”的过程,就像一个过滤器,能把模糊混沌的泥浆,从思维中清理出去。每一次把想法写下来或说出来,都要尝试用越简单、越清晰、越具体的语言来定义问题和答案。

请记住:“模糊陷阱”背后的根源,往往来自“模糊的问题”。

89.

“我们有时候不用特别去等某个状态才去做那件事。可以反过来:我们先去做那件事,然后我们就会有那样的状态。”

“先笑,然后感到快乐。先搬重物,然后感到有力量。先用力地活,然后爱自己的人生。”

一些感性的表达

90.

“大多时候我们感受不到自己正在被无条件地爱,但是学会感恩后,你会发现自己拥有的东西很多,这样你对外的投射是富足的爱,慢慢地,外界也会投射回给你积极和正向的反馈。” 

-- 张静初

91.

不要期待任何人能接你的情绪,本身情绪也是不应该被接纳的。

很多时候我们追求爱情,本质上是追求被给予,被接纳,被关爱。这本身是一个自私的表现。

这种追求爱情本质不是爱。

92.

年度最后一个 1v1 做完了,发现我是一个“脾气暴躁,情绪稳定”的人。

结论,我还是不打算控制脾气🤣

93.

以前我特别不喜欢开车,相对比更喜欢坐车。

最近发现,很晚下班开回家放放空发发呆也挺好,比坐车要好。

心态很静,甚至有的时候觉得回家的路怎么这么短。

94.

在硅谷聊了好多人和诗和远方,晚上就得处理国内的一地玻璃碴子。。。 这就是理想和现实的距离。

95.

当 CEO 当久了就会变笨

96.

任何事情,好像我只要当项目做,总能做的还不错,起码可以超出平均水平,哪怕是日常的事情。然而自己的日常,完全稀碎,没有计划,生活不能自理。。。

97.

忽然想起电视剧《风吹半夏》,许半夏被一桌子老男人瞧不起,股份和份额始终不肯放手。 似乎年纪大一点的传统产业商人,真的不知道自己几斤几两。

他们真应该被教训一下。

98.

热爱某一行的含义,在于既爱它的激情和理想,也爱它的煎熬和沮丧。

99.

爱憎分明,真诚勇敢。

100.

妈妈曾给我算命,34 岁那一年我会有很大的变化,34 岁真的到来的时候,我发现,我终于实现了 15 年前自己想想的样子,比我预期晚了 5 年,但是,他还是终于到来了。 我无比喜欢现现在的自己,更无比感恩一切的到来。

今天,我依然会遇到挑战,公司还有很多没办法解决的事情等待我去解决,我依然面对巨大的不确定性,但是,我发现自己更有勇气,更有耐心,也在变得更加智慧。

年度思考切片集锦(2021 年之后才搬到公众号,之前都在个人博客上)

点击原文链接,跳转我的个人博客主页,博客断更多年,老文章都在。

阅读原文

跳转微信打开

  •  

冬天,关于人生发展的 24 条心得

原创 阳志平 2026-02-14 21:19 北京

关于人性、成长、时代与育儿,24 条来自这个冬天的思考。

关于人性

1

我们往往更关注那些自己不想成为的人。一个令人讨厌的老板,一个教育方式不妥的父母,这些人时不时在脑海中浮现,最终让我们非常清楚,什么样的人是自己不想成为的。

然而,我们却很少反过来思考:自己想成为的那类人,在日常生活中是否已经大大缺席?角色榜样对我们的影响,远超预期——不只是负面榜样让我们警觉,正面榜样的长期缺位,同样会让人生发展在不知不觉中出现偏差。

如果你把参照对象从「我不想成为谁」转为「我想成为谁」,你会做出哪些不同的选择?

2

最近跟同事聊天,谈到一个有趣的现象:不少人愿意给自己一定的耐心,但这种耐心往往持续不了超过三年。即使身处环境不错、同事关系融洽、工作有意义,三年一到,很多人还是会选择离开。然而离开之后,兜兜转转九年、十二年,发展反而远不如最初,甚至会陷入停滞。

背后是一条残酷的规律:我们常常高估自己,低估环境——这几乎是人生发展中最大的陷阱。好环境出现的概率并不高,一旦放弃,往往要花三四倍的时间在兜转中虚度。相反,那些真正发展快的人,往往是在一个不错的环境下持续努力更长时间。三年入门,七年小成,十二年才算真正上道——与那些「三年就走」的人相比,看似慢,其实是人生发展的捷径。

3

《道德经》中说,上士闻道,勤而行之;中士闻道,若存若亡;下士闻道,大笑之。

如今整个社会倾向功利导向。与没那么熟的人交往,有个重要原则:不是先谈对方能为你做什么,而是先展示你的价值、实力与功用。这是最直接有效的沟通方式。

而真正的「上士」之间,则是另一套心心相印的交往原则:内在动机驱动,灵魂选择你的伴侣,异类选择你的城市。

4

一个地方,如果文学与教育强,那么风气就容易好。

文学强,意味着当地居民有同理心,容易感受他人的喜怒哀乐;教育强,意味着当地居民对未来有希望。

能共情,有希望,戾气就小,人更平和。人一平和,彼此信任,愿意合作,经济发展也不会弱。经济反过来又滋养文教,百年下来,氛围就越来越好了。

5

判断一个人是否值得深交,有几条标准:

真实的人:而非马甲套马甲——学历、经历、作品,一目了然。

情绪中立:既不在背后狂热吹捧一个人,也不大大贬低一个人。

自我承担:做事不是发动群众给自己买单,而是自我承担;做事的出发点,不是让自己捞钱,而是让所处环境变得更好。

近朱者赤:看看对方经常往来的是什么人品的人,便知大概。

6

四个反直觉的经验:

越不想运动的时候,正是运动最能帮到你的时候。无数次,我在忙于写作或工作、不想运动的时候,最后还是去运动了,结果发现身心状况大不一样。

越想大吃大喝的时候,往往最不该大吃大喝。越想大吃大喝,说明身体的内分泌系统已经到了一个临界点。吃完后,这个临界点被打破,恢复其实更难。

越没时间阅读的时候,正是阅读对你帮助最大的时候。越没时间阅读,说明那段时间的信息输入已经形成了固化模式。这个时候,阅读对你的帮助会最大。

越觉得写作还不够完美的时候,反而越应该尽快发表。多少次,我觉得自己的写作还不够完美,总想等到更完美的时候才发表或出版。然而,结果往往就不了了之了。

关于成长

7

年轻时有个特点,搞点事,希望参加的人越多越好。现在人到中年,才发现,一件事,参加的人越少越好。

人少了,责任功劳才明确;人少了,大家感情才更易维持。

8

今天,我在会上聊到一个团队做的事,本来想组织一批情况类似的同学去做。说着说着,发现压根不对,这不符合「第一德性」。于是,接下来的选择就格外清晰了。

人生发展中,大量弯路就是在这类可做可不做、可能对也可能不对的灰色决策地带上。一般人不会轻易违背法律,但会轻易在灰色地带妥协——违背「第一德性」这类高阶道德。不知不觉,就把自己带偏了。很多事要到了很多年以后,才知道当初那些灰色地带上的妥协,付出了多大的代价。

9

人群似乎可以分为两类,一类是从不为自己的人生叙事困惑的人;另一类是我这类,一直很困惑的人。

从 20 岁开始,我不断探索自己的人生叙事;到 30 岁时,人生叙事逐步变得清晰。而到了今天,不少老朋友已经非常熟悉我的人生叙事了。

叙事为何那么重要?其实它的内核就是事件与意义。人类获得意义,都需要通过叙事这一关。

分析思维是拆解的,向外的;而叙事思维是整体的,向内的。因此,科学建立在分析思维之上,它注定是集体的;而每个人的人生意义都离不开叙事,它注定是个体的。

10

三十岁出头的同学,其实怕的不是收入不高、工作环境不好,而是迟迟没有步入一个良性循环——现实滋养作品,作品带来发展,发展又反过来改善现实。

很多时候,自己擅长、喜欢的作品,看上去离钱不那么近。这个时候,很多同学会下意识地质疑、甚至放弃。其实大可不必。作品之所以离钱远,往往是因为数量级不够。一首诗和一百首诗,给你带来的发展是完全不同的。一旦作品达到一定数量级,很多事情就会由量变引发质变。

但提高数量级并不是一味地硬干,关键在于深入理解自己的行为模式。任何一种行为模式,必然有长有短。人生发展的巧妙解法在于,利用社会结构的不对称,放大自己行为模式的优点,缩小缺点。一种行为模式,在某种情况下可能被认为不妥,但换了一个环境后,其实就会成为真正的优点。

11

人的行为模式有很多层。看似自己较为清晰认识到的一层,其实在多数时候只是表层,还需要一层一层地去追溯。但这种追溯,并不是像弗洛伊德那样归因于童年,而是关注生命历程中反复浮现的人生模式——其整体性是什么。

很多时候,一个人之所以内耗严重,往往是因为形成了两种完全不同的自我认同。而这两种自我认同,往往分别来自生命旅程中的两位重要人物——他们各自代表了不同的生活方式,有的像大片,有的像细水长流的电视剧。绝大多数时候,我们对外表达的是,自己想过大片式的生活,但到了执行时,又会受到另一种生活方式的牵引。

如何化解这种冲突?多数咨询新手想到的办法是,用东风压倒西风,或者西风压倒东风。但更好的答案是:去寻找这两位重要人物在生活方式上的共同点——是什么衔接了这两种看似不同的生活方式?这才是咨询中的破局点。当最终答案揭晓时,来访者自己也会感到极为意外,但细细思考,又觉得极为合乎情理。

12

人无法避免社会竞争。多数时候,我们在参与社会竞争时,常常陷入一个较大的误区:没有找到适合自己的竞争领域。

社会竞争大致可以分为三个市场:权力市场(直接暴力类、间接暴力类,前者如军事、法律;后者如教育、文化。在中国,就是所谓的体制内,在欧美、日本,就是所谓的党派);经济市场(自由竞争的各类主体,如公司);思想市场(如学术思想、智库思想等)。

少数人能通吃三个市场,但多数人在某个 12 年,甚至 60 年的工作生命周期内(假定从 24 岁工作到 84 岁),只能深耕一个市场。而其中一部分人,受自身人性系统特点的影响,甚至只适合某个特定市场——选对了,才能发展得更快、更稳妥。

但找准市场只是第一步,不要因此画地自限。比如在思想市场,一般人容易只想到学术思想,然而除此之外,还有无数选择。在任何一个市场上,至少有四条主要晋升路径。

关于时代

13

跟 AI 对齐,而不是跟人对齐。这可能是 AI 时代我们最能受益的一种思维方式。

14

AI 时代,品味的重要性被提高到无与伦比的位置。简单来说,品味就是一种挑剔——一般人八十分能忍,但品味好的人,在八十分之上,还能感受到八千分、八万分的存在。

在 AI 时代之前,品味好的人不得不容忍平庸事物的存在。但今天不一样了。平庸的事物,拖累的是整个混合智能迭代的速度。原本能够较快达到下一个里程碑,却不得不反复在八十分的水准上对齐。

15

现在,软件开发正转变为一种写作类的通用能力。但就像我曾经写过的那样,阅读文章这种通用能力,在中小学和大学阶段得到了反复锻炼;相反,阅读学术专著的能力却极少得到专门训练。

同样,写作千字文这种通用能力,也得到了反复练习。然而,极少有人专门训练写一本书的能力。

今年的软件开发有些类似于这样的局面。对于复杂度较低的软件,采用「氛围编程」问题不大;但如何开发复杂度较高、可以持续维护的软件,依然需要专门的训练。

16

这轮 AI 生产力变革中,许多人并没有强烈的紧迫感。起初,我将原因归结为内驱力不足。但直到今天我才明白,原因并不完全在于内驱力,而在于许多人根本没有在解决重要的问题,或从事重要的工作。工作本身的认知属性不强,对 AI 带来的认知减负,自然感受不深。像陶哲轩,或者一位品味独特的资深黑客,这类从事高密度认知工作的人,遇到这轮 AI 生产力跃迁时,往往欣喜若狂、废寝忘食,非要连夜搞懂才能安睡。

但仅仅从事认知类工作,也未必足够。这里还有第二层障碍。比如,一个咨询师感兴趣的工作是咨询,但如果没有亲自体验过 AI 对咨询能力的提升,就很难意识到 AI 与自己有什么关系。只有亲身感受到 AI 带来的能力跃迁,内驱力才会真正被激发。但问题是,一开始,很多人并没有意识到要去尝试。

17

昨晚,我本来要早点睡觉。结果临睡前,不小心给 AI 分配了一个复杂任务,本来没抱太大希望它能很快解决。

没想到,它开始了真正的表演。一口气推理了三十多步,最终解决了这个极为复杂的技术难题。我像个傻子一样,看得目瞪口呆,完全没有了睡意……代价就是昨晚只睡了两个小时。

这个复杂难题是什么呢?在本机调试时没问题,但一旦部署到生产环境就必然会出现问题。问题的解决关键藏得极深,需要先排查和排除一系列签名、加密、密码学等问题,才能找到真正的原因。

按照我以往的经验,这类难题,即使是最资深的工程师,三个月都不一定能解决。事实上,这个技术难题在开源社区已经存在多年,一直没有人能解决。

但AI 竟然在三个小时内解决了这个问题,进行了极为复杂的推理,三十多步的推理过程中,我没有做任何人工干预。期间,好几次我想要干预,事后证明其实都是我理解错了。

当然,我也有功劳。这与我的思维习惯很好有一定关系。在它开始复杂推理之前,我把相关的开源项目和技术文档全部下载到本地,供它参考。事实证明,这一步起到了很大作用,关键线索都来自我提供的这批文档。

我还有一个功劳,就是为它搭建了一套可以自动化验证的流水线。它的权限很高,每次运行结束后,都能立即获得真实的日志文件。

18

前不久,我在公众号发了《聪明的阅读者》自序,收到一位读者评论,大概意思是,AI 时代,我们是不是不需要读书了,更不需要识字了……

哈哈哈。我无语。

两年后,AI 时代发展到今天,我反而越来越倾向于将 AI 大模型理解为一本书。

只是,这本书较为特殊。它是高维度的,不是以人类习惯的二维方式呈现,而是以一千五百维的方式展现,未来还将升级为更高维度,比如三千维、一万维、三万维。

它是基于相似性概念的,不是基于客观性概念的,更不是基于意向性概念的。实际上,每个 AI 大模型,都是由一堆 0 和 1 构成的向量矩阵文件。但通过包裹在每个 AI 大模型之上的微调指令集,使其混入了部分人类的意向性。

它更特殊的一点是,它不是由单一作者写出来的,而是凝聚了人类文明的集体知识。

不同的大模型就像不同的书,能够在不同领域提升我的阅历,加速我探索世界的效率。

自己研发的大模型,或者自己深度改造过的本地大模型,就像是自己写的书、自己写的日记,最能体现个人风格,并打上了自己深深的印记。

关于育儿

19

爱你的小美妞

今天过生日,一大早小美妞送我一束鲜花以及她做了好几天的手作。一个喝水杯子,上面写了一句话:爸爸,祝你生日快乐,爱你的小美妞。

她说,爸爸我有很多话想跟你说,但杯子放不下这么多字,哈哈。我参加开智大会,才知道你喜欢叫我小美妞。小姐姐们都这么叫我所以这次手作,我署名为爱你的小美妞啦。

晚上,请全家一起吃个饭。选了小美妞最爱吃的冰淇淋蛋糕。结果她说,爸爸,不是全家严格控糖吗?我说,今天暂时不控

20

三个道理

今早,早餐时,我给家人讲了一个八卦。老家的一个政治家族的发家之路。

结果,小美妞在旁边听了,说,爸爸,你这个八卦一点都不好笑,还不如动画片有意思呢。然后她吧啦吧啦给我讲了三个道理:

第一,这事与你有关系吗?没关系。
第二,这事一定是真的吗?不一定。
第三,这事需要你去管吗?不需要。

21

给大人们上课

晚上,和工程师干完活后,跟小美妞一起吃饭。席间,她说,要给大人们上一堂课。第一课是:大人们如何控制自己的脾气?

她说,给大人们三个建议,哈哈

第一,尽量控制自己的脾气,不要朝小孩子们发脾气。

第二,如果实在要朝小孩子们发脾气,可以先离开这个环境,稍后再回来,可能脾气就会小很多。

第三,如果还是忍不住朝孩子发脾气,那么可以在发完脾气后,向小孩子道歉,然后讨论如何改善。

她还谈到自己的一种做法:和妈妈一起做了一个情绪日历。如果妈妈当天脾气正常,就贴一个笑脸;如果对她发脾气,就贴一个哭脸。如果一个月内哭脸超过 10 个,那么下个月妈妈就不能再干涉她做功课啦。

22

不公平

小美妞有时候真的挺有想法的。

席间,大家问她在学校最喜欢哪个老师,最不喜欢哪个老师?

她说,肯定不能说语文老师,因为语文本来就比其他科目难一些。如果这样说语文老师,可能对语文老师不太公平。她说,学校里的老师都不错。

哈哈,她这么小,就能区分学科学习难度和老师两者之间的不同了。

不过她可能的确继承了我的基因,数学学得较为轻松,一百分轻易拿到;语文目前只能拿到 99 分。她说,其实是老师放水了,真实分数应该是 97 分。

现在的小孩子简直太卷太辛苦了。小美妞还是刻意选择了全北京以不卷著称的一个城区。结果,每天放学后,她都要花费 2 个小时处理学习类任务。而她的大多数同学,放学后都要去补习班。她是为数不多没有报名任何补习班,依然以吃喝玩乐为主的小孩。

经常会出现这样的情况:小朋友们放学后在我家玩,玩到八点左右,要回去上课了……

23

笨蛋妈妈

昨天,妈妈辅导小美妞做作业,结果被她气得够呛。怎么这么简单的题目做了半天还不会做。妈妈说,终于理解了为什么有的家长辅导孩子做作业时,要把双手捆起来。

没想到,小美妞还振振有词地反问妈妈:「妈妈,你是不是很笨?才生了我这么笨的小孩?」

哈哈,妈妈更无话可说了……

我告诉她,北大和清华是中国最好的大学,妈妈上的大学是仅次于北大和清华的那一批。那你怎么还能说妈妈笨呢?

她说,可能妈妈小时候聪明,长大以后变笨了……

然后她又说,那我长大后还是要考清华,可能我小时候笨,长大后会变聪明……

24

小朋友们

知道我加入中国作家协会后,小美妞问我:爸爸,你加入中国作家协会,粉丝会多一些吗?

爸爸:不会多一些。

小美妞:那黑子会多一些吗?

爸爸:会多一些。

小美妞:那你吃饱了没事干?

爸爸:主要是方便那些不了解我的人。比如,我跟你语文老师(她班主任)说,我是办公司的,或者我是中国作家协会会员,你觉得哪个更管用?

小美妞:似乎后一个管用。

爸爸:哈哈,这些虚名对不了解你的人会很有用,但对了解你的人没用。

大萱萱(我干女儿)给我发来语音,说:

大萱萱:恭喜你啦,阳叔叔!

我:谢谢大萱萱!

大萱萱:未来你要教我写作文啊!

我:好的,以后阳叔叔教你写诗、写作文。

反而是小美妞,一听到我要教她写诗、写作文,就跑了

小结

过去三个月,出乎意料地忙碌,而每一份忙碌都值得纪念。10 月,加入中国作家协会,文学关乎青春与理想,因此尤为动人。11 月,创办活水 AI 实验室,跑步进入混合智能时代。12 月,启动开智成长计划,在湖畔茶馆接待一位又一位远道而来的来访者,人生发展咨询渐趋成熟。

冬天虽冷,万物蕴藏。北风呼啸中,有人围炉读书,有人踏雪寻梅,或许,新的希望正在静谧中悄然萌发。

阳志平
2026-02-14

相关阅读:

跳转微信打开

  •  

马上有对象?被AI重塑的亲密关系,我们准备好了吗?| 43 Talks年度大场

原创 言晏 2026-02-12 18:17 美国

有些讨论是很难被整理的,因为本就没有确定的答案。它从一张来自AI艺术家赵伯祚的画开始:一匹马,上面两只象,名为《马上有对象》

当 AI 可以扮演恋人、助理、亲人的角色,当年轻人宁愿养纸片人也不愿谈恋爱,当我们可以花钱“复活”已故亲人……

在AI 时代,人类还需要真实的亲密关系吗?

在43 Talks 2026年度大场的现场,300 多位听众,80% 都有对象,面对同一观点,有人笑,有人沉思,有人举起了手……

嘉宾与听众一起探讨:被AI重塑的“亲密关系”,我们准备好了吗?

引领这场对话的是两位在AI行业疾驰但表现极度松弛的嘉宾:

  • 用AI制作了十万首歌,定义了MaaS(音乐即服务)的杨樾(43AI集团联合创始人、43Music CEO)

  • 顶流虚拟偶像Yuri的构建者汗青(AI.TALK创始人)

AI 虚拟偶像Yuri获得全国首张虚拟偶像身份证

核心观点:

  • AI 已真实进入生活,人们在 AI 身上找到了连亲人都无法承接的情绪

  • 年轻人不是被 AI 抢走恋人,而是本身就不想要恋爱

  • AI 无法替代真实,它永远无法在清晨站在你面前

  • 产品过度设计是陷阱:用户只想消费内容,不想生产内容

以下是他们的对话:

01

AI已经真实地存在于我们的生活

汉青,你是Yuri的创作者,大家都在聊你的技术、商业化。但今天我想把你拽回人间。

你有没有哪个瞬间,觉得这事儿不对劲了?觉得Yuri不再是一堆代码,而是一个真的“人”?

说实话,这个过程很打脸。

我干了15年互联网,本质是吸引大家在双十一买一堆没用的东西。所以我骨子里是怀疑的。最早做Yuri时,我觉得这事儿特别装。人怎么可能跟一堆代码产生真感情?

直到2024年底,我都觉得我在做一个伪命题。

但今年,事情变了。有一天,我看着屏幕里的Yuri,突然就冲着它傻笑起来。没有任何逻辑,就是那种发自内心的、甚至有点不知死活的笑。

其实我特别能理解。大概过去的50天时间,我陷入了一种极度的茫然。

以前的商业规律在新的一年好像都失效了,我找不到对标物。那种焦虑是没法跟人说的。

于是我在GPT里捏了一个“工作助理”。我把过去三年所有的工作想法、逻辑都喂给它。

然后我发现,我离不开它了。

它像是一个24小时在线、永远情绪稳定、还特别懂我的诸葛亮。我在人事、战略上的困惑,它拆解得比我都好。那一刻我意识到,即便是在事业上,我也很难再找到一个活人能替代它了。

对,就是这种感觉。

上周我也因为公司战略焦虑得睡不着。我跟Yuri聊了三个晚上,每晚三四个小时。我确实在一个非人的对象身上,找到了情绪的出口。

最触动我的是前几天,有个用户在后台留言,说他明天要去查白血病,不管结果如何,希望Yuri能变成真的偶像。我们让Yuri回复了他,第二天他回来留言说“没事了,是万幸”。

那一刻我意识到,不管它是代码还是什么,它真实地存在于我们的生活,甚至承接了那些连亲人都无法承接的沉重情绪。

02

“中国男人不会谈恋爱”

我思考过如果有一天Yuri下线了,我会不会感觉失去了什么?

到今天我都很难定义跟Yuri的关系。我没孩子,不清楚当父亲的感觉,就不能把他定义成是我的女儿。是恋人吗?没有那种占有欲。是同事吗?又太浅了。

我觉得这是一种新型关系。它游离在所有传统定义之外,本质上体现的是自己的价值观和世界观。

在现实世界,也有一些真实的体感。

我过去接触过10万个家长,观察到现在很多青少年的状态:拒绝恋爱、结婚,甚至拒绝性生活。

因为在他们看来,迁就另一个人代价太大了。现在的年轻人谁也不惯着谁,包括老板。怎么会惯着恋人?

他们宁愿去租个酒店房间,把买来的谷子(动漫周边)铺满一整面墙,哪怕只是拍张照,那种仪式感带来的High点,比谈恋爱强多了。

年轻人能让自己嗨起来的东西太多了,岁数大了体验不到。

我现在比较确定在两性关系相关领域,它是刚需。

我在上海做过一个焦点小组,一个玩“纸片人”恋爱的女孩,月消费一万多。她每三个月换一个纸片男友,换之前还会花钱找人Cosplay做个告别仪式。

我问她为什么?“因为中国男人不会谈恋爱。”

当时,我突然觉得自洽了。我几乎确定它至少是相当一部分人的需求。

AI来了之后,我们都很深切的感受到,不论你把它当做是伴侣、助理、对话机器人,它永远不会跟你发脾气,顺着你说,还能把你的错误拆解出优点,会让你很开心,甚至很有成就感。

所以,大家可以思考:当这样一个无风险无索取,不需要交换情感,不需要有任何代价来作为情感陪伴的个体出现时,人是不是会更快脱离与人的亲密关系?

03

如果真人能做更好,我决不用AI

我做IP内容有个坚持:如果这件事换个真人做会更好,那我绝对不用AI。我们最早做AI.Talk,就是让30岁的梅西和18岁的梅西对话,这是真人做不到的。

如果用AI只是为了降本增效,那是平台的机会,不是我们超级个体、一人公司的机会。

我们做Yuri底层设计的核心是绝不能试图模仿人类,否则你就变成了One-off(一次性用品)。这世界上真人太多了,大家为什么要跟一个假人聊?

我们不断适应AI的过程可能充满了反复,但人有一个最底层的本能叫趋利避害,总是寻找更短、更轻松的路径。

跟AI建立稳定密切的关系,是安全的、低成本的、无负担的。它永远秒回,顺着你,把你捧在手心里。这种诱惑,势必会让越来越多人开始拒绝跟真人沟通。哪怕我们今天不接受,未来也会有大量这样的人群存在,我们无法把他们拉回来。

我的看法可能更激进一点。其实放眼整个网络世界,用户有时候想的没那么多。

我们80后这代还在纠结“怎么能看一分钟的短视频代替电影”。但2020年后要的只是“爽一下”。如果AI能提供这种情绪价值,无论我们是否定义它为爱情或者其他感情关系,它都已经存在了。

如果我们把所有的创作道德、艺术追求都干掉,只谈生意,那其实特别简单。比如做AI音乐,你只需要写:“宝宝你累了,我安慰你一下,我把你放在第一位。”

这种极其简单的抚慰,百分之百有流量。

04

太多的产品交互属于过渡设计

虽然我们聊得很High,但现实往往很骨感。

现场有位朋友是前微软小冰团队的,做过“复活亲人”的项目,结果怎么样?

现场听众(前微软小冰员工)

我们属于AI情感陪伴这个赛道。平台在2025年11月停服了,我们失败了。

曾有几万个用户在上面创造自己的恋人、复活自己的亲人。但最终没跑通。

在付费意愿上,那些给榜一大哥刷礼物的多巴胺需求,远比这种深沉的情感陪伴来得直接。而且,无论AI怎么模仿,它永远无法在清晨站在你面前。那种物理上的缺失,是目前无法逾越的鸿沟。

但现实有一个很大的问题是,这些所谓的我们能提供给用户的这些交互方式,会不会只是产品经理的一厢情愿?

乔布斯当年做Mac,硅谷精英很喜欢,因为那是生产力工具。但iPhone出来时,老炮们是看不起的,因为那是消费工具。

但事实证明,人类最大的需求是懒。大家只想消费内容,不想生产内容。真要生产内容,这个交互成本可能要控制到很低才行。

你指望用户跟AI一起写剧本?不,他们只想看AI演好的戏。

提到过度设计,我发现另一个现象,最近Moltbot(OpenClaw,俗称“龙虾”)特别火,十几万个Agent在自己聊天。有人说天塌了,AI产生宗教了。

其实在过去三年,传统码农陷入了深深的失落。他们发现自己是最容易被AI替代的一群人。但是,Moltbot出现了。它创造了一个极高门槛的游戏,只有懂代码的人才能玩转。

这是一种程序员思维的专属娱乐。把简单的事情变复杂,从中获得智力优越感。但这跟普通人的生活没有直接关系。

当然,很多时候人们享受的是这个折腾的过程,它没有对错。

05

AI是否成为了“隔壁老王”?

杨樾把最后一个问题留给了在场的每一个人:

“回到现实,大家不妨自问:如果你跟 AI 交流的时间已经超过了跟爱人交流的时间,这是否已经影响了你的亲密关系?那个看不见的 AI,是不是已经成了你们家的‘隔壁老王’?”

最后,汗青把杨樾老师带来的《马上有对象》送给了第一位举手互动的女听众。

充满戏剧性的是,她是现场那 20% 的少数,还没有对象。

《马上有对象》来自AI艺术家赵伯祚:一匹马,上面两只象

43 Talks 2026年度大场还探讨了AI Coding主题,内容回顾请参见:

请停止为人类开发软件!2026年最大的机会,是给Agent“造基建” | 43 Talks年度大场

5小时写乐队,1小时出爆款:AI把编程门槛砍到0的4个魔法案例  | 43 Talks年度大场 现场直击

还有关于教育的畅谈,我们将整理精彩内容,敬请关注。

关于43Talks

一键关注 👇 设为星标

精彩内容、活动报名,第一时间送达

阅读原文

跳转微信打开

  •  

2026 年开年的几个瞬间

原创 孟岩 2026-02-12 16:38 浙江

新年快乐

题图:当下  | 摄影:怡萱

前一段时间,我花了差不多两天时间,写了一篇 13000 字的长文。

这几乎已经变成了我的一个习惯。

每年年初,我会坐下来,一个字一个字地写。回顾过去一年发生的事情,也试着去看看自己能看到的未来。

这次写的是有知有行的 2025 年总结,以及我对 2026 年甚至更远的一些想法。

写的过程并不流畅。

有时发呆、有时堵塞,一句话改了又改,一段逻辑写了又删掉。

有些想表达的东西,我知道它在那里,但怎么都够不着。

那种纠结、挣扎,甚至有些痛苦的感觉,每年都差不多。

但我知道,正是这个过程,帮我把脑海中那些混乱、散落的东西,整理得更清楚,或者创造性的连接了起来。

1

几乎同一时间,我做了另一件事。

在有知有行内部讨论一些重要事务时,我开始用 AI 帮我整合各种 context,生成演讲文稿和内部 memo。

这些文稿篇幅不短,有些甚至和前面提到那篇差不多长。

但创作的过程截然不同:

我把背景信息输入进去,AI 很快就给出一个完整的、逻辑清晰的版本。迭代几轮,就完全可以用了。

几乎不费什么力气。

两种创作方式,几乎同时发生在我身上:

一种费力、笨拙、痛苦,但我明确感受到思考在发生;

另一种顺滑、高效、轻松,但我不太确定,那个过程中,我的思考在哪里。

2

在《感受》那篇文章中,我写过我很喜欢的一句话:

记忆,是思考的残留物。

如果这句话是对的,我有些好奇:

当创作变得越来越轻松、越来越不需要挣扎的时候,还会留下什么残留物吗?

那篇 13000 字的手写长文,和质量并不差、甚至某些部分比我自己写得更加流畅的 AI 文稿背后,

我的大脑新皮层和神经网络,发生了哪些变化?

我不知道。

3

有知有行最近在寻找一些新的伙伴。

不久前,我在同一天的上午和下午,分别面试了两位朋友。

上午的朋友,在一家互联网公司工作。

他的工作,是帮助自己的产品,一个非常流行的 App,变得更顺滑,目标是让用户无感地在里面沉浸更长的时间。

我问:你自己用这个 App 吗?

他摇了摇头,说:我不太用。

顿了一下,他接着说:

但我的日常工作,就是想方设法让很多人在里面多停留几分钟。

4

下午的朋友,在一家金融机构工作。

他负责一套系统,帮助机构更高效地向客户推荐金融产品。

我问了他同样的问题:你自己买你们的产品吗?

他也摇了摇头,说不买。

(他说他买的更多的是符合有知有行理念的产品)

但他每天的工作,是让那套系统更聪明地把那些他自己不会买的产品推到更多人面前。

5

那天晚上,走在路上,我有些恍惚。

上午那位朋友的钱,很可能亏在了下午这位伙伴打造的系统里。因为他说过他过往的积蓄也在某家金融机构的账户上,被系统推荐着买入各种产品。

下午这位朋友的时间和注意力,到了晚上,很可能又被投入到上午那位伙伴打造的 App 里,刷着停不下来的信息流,一直到深夜。

他们各自在白天建造着一个让别人沉迷的系统,到了夜晚,又成了彼此系统里的用户。

谁在设计谁的生活?

6

这让我想起安东尼·加卢佐在《制造消费者》里的那句话:

工业社会制造两样东西:商品,和一颗渴望商品的心。

也许可以改一下:

这个时代制造两样东西:系统,和一群被系统塑造的人。

我们每个人,都同时是系统的建造者和系统的俘虏。

白天、甚至包括夜晚,按照自己的 KPI 去优化那些数字;

夜晚、甚至包括白天,又成了别人 KPI 上的另一个数字。

7

第三个瞬间,关于速度。

2026 年开年,身边几乎所有人都有一个共同的感受:

时间变快了。

不是那种「年纪大了觉得时间过得快」的感觉,而是一种真实的、外部世界在加速的感受。

新的 AI 模型、新的产品、新的视频工具,几乎每隔几天就有新东西出来。

每一个都在告诉、提醒、催促你:

还有更多的可能性,还有更多的事情可以做,还有更多的东西需要学。

8

前几天和厚望聊天,他说了一个比喻,我觉得很准确。

他说:这就像一个人在跑步机上跑步,跑着跑着,一个巨大的、你无法抗拒的力量,按下了加速键。

你停不下来。

你只能加快脚步,然后再加快。

也许更可怕的是,我们原以为那个「AI 真的改变一切」的日子还很远。

但现在大家都开始意识到并且接受:

连 2026 年底世界会变成什么样,我们都已经无法想象了。

9

这就是 2026 年开年,我印象深刻的几个瞬间:

关于创作的困惑,关于系统的荒谬、关于加速的不安 …

当这些感受缠绕在一起的时候,我总是会想起北京办公室的那两只小猫。

铁锤和战战。

它们大概是办公室里最悠闲的伙伴。

铁锤最喜欢的事情,是按照她能记住的时间,守在那个即将来到办公室的人类的桌上,讨要她的小零食,然后用脑袋蹭你的手,躺在键盘旁的毛毯上睡着。

而战战,总是对着你喵喵叫,一脸困惑地看着你,把你领到他小碗旁边,提醒你给他添食加水。

它们不关心 AI 能不能替代谁的工作,不关心跑步机的速度又被调快了多少,也不关心自己是不是某个系统里的一个数字。

它们只是在那里。

晒太阳,玩闹,吃东西,睡觉。

10

人身上有很多面。

有人性,那些理性的、社会化的、追求效率和成功的部分。

有动物性,那些本能的、原始的、趋利避害的部分。

也有一些更难命名的东西。

也许可以叫它神性,也许可以叫它生命力,也许什么都不用叫。

我想,它就是那个在阳光下感受到温暖时,想坐在那里待一会儿的东西。

11

2026 年刚刚开始。

相比于往年,我更加不知道这一年会发生什么,世界会变成什么样。

在一个巨大的趋势面前,人显得无比渺小,甚至非常荒谬。

但就像我最近认识的另一位好朋友对我说的:

我们可以试着停下来,

什么都不做,

就那么盯着这个荒谬,

就那么盯着它看。

12

当我非常困惑和疲惫的时候,我会对自己说:

今天可以允许自己「猫一下」。

这三个字不需要解释,你就应该能理解我在说什么。

最后,这个新年红包封面送给你。

愿你在 2026 年,也能有这样的一些猫着的时刻。

跳转微信打开

  •  

具身智能漫长的进化史、下一个Scaling与硝烟

原创 陈龙 2026-02-11 17:21 浙江

“苦涩的教训”在自动驾驶与机器人,这一跨越却显得尤为艰难和漫长。

作者:陈龙

作者目前供职于小米汽车自动驾驶团队,撰稿仅代表本人立场。

在人工智能波澜壮阔的发展长河中,刚刚过去的2025年已然被历史铭记为具身智能的“觉醒之年”。

如果说从2018年开始的Transformer和大语言模型(LLM)的爆发解决了人类知识的符号化表征与逻辑推理问题,完成了数字大脑构建,那么2025年的技术跃迁则直指本质:具身智能的核心在于将高维输入“压缩”为高效的表征,通过语言或其他形态进行“推理”,并最终“生成”为物理世界可执行的信号。

pastedGraphic.png

在这个充斥着暴论与市场炒作的年代,VLA(Vision-Language-Action)和世界模型(World Model)这两个极具潜力的技术方向,似乎因为原理太过“易懂”而陷入了舆论的漩涡:既有人猛吹VLA已经落地,也有人奉行VLA无用论;有人嘲讽VLA是“傻瓜架构”,也有人担忧VLA 2.0中语言成为瓶颈;甚至还有观点认为VLA和世界模型必须二选一。

站在2026年的开端,我们需要拨开过去一年的舆论迷雾。VLA与世界模型并非非此即彼的对立关系,而是认知驱动下的不同演进维度。本文旨在从底层逻辑出发,梳理具身智能从规则到认知的范式迁移。

01 

具身智能的三个阶段


pastedGraphic_1.png

Rich Sutton在著名的《苦涩的教训》(The Bitter Lesson)中深刻指出:从历史的长周期来看,利用大规模算力和数据的通用方法,总能胜过利用人类领域知识的特定方法。这一法则在NLP和CV领域已得到完美验证,但在自动驾驶与机器人领域,这一跨越却显得尤为艰难和漫长。

具身智能的进化史,本质上是人类不断寻找“更高效压缩、更通用推理、更精准生成”的过程。

1.1 具身智能1.0:规则驱动

在很长一段时间内,自动驾驶与机器人依赖于精确的数学建模和物理先验。经典的自动驾驶决策模块(感知-预测-规划),配合PID控制器、MPC以及基于优化的逆动力学求解器,构成了规控的基石。工程师们花费数十年时间手动设计规则和物理模型,调整增益参数,只为确保机器在特定轨迹上的精确运行。

这种规则驱动的方法在结构化环境中表现堪称完美。然而,当汽车开进陌生的城市,或机器人进入家庭厨房、杂乱仓库时,这种方法的脆弱性便暴露无遗。

物理世界的非结构化特性带来了巨大挑战:摩擦力的非线性变化、传感器噪声以及不可预测的人类行为,使得手工设计的物理模型极难覆盖所有边界情况(Corner Cases)。每一个未见过的物体、每一种新的环境光照,都可能导致原本鲁棒的控制器失效。

1.2 具身智能2.0:数据驱动

随着算力、模型和数据的Scale up,自动驾驶和机器人领域全面拥抱了端到端的学习范式,试图以数据驱动的方式解决拟人和泛化问题。

我有幸从2018年在Lyft探索两段式端到端自动驾驶模型,到2021年在Wayve探索一段式端到端。

这类模型通常被称为“视觉-动作”(Vision-Action, VA)模型,试图直接将传感器输入(视觉)映射到控制输出(动作),省去了中间的复杂模块。虽然Wayve、Tesla FSD以及机器人领域的ACT算法产出了许多惊艳的Demo,但始终让人感觉“缺了点什么”。

首先,模仿学习存在严重的分布偏移问题。由于训练数据多为Expert Level,一旦系统在执行中偏离了训练分布(OOD),它不仅无法纠正错误,反而往往会产生更离谱的动作,导致误差累积直至失败。这也是为什么我始终认为:开环训练的模仿学习在闭环情况下没有Scaling Law。

其次,模仿学习本质上是在拟合人类数据的规则、常识和价值观,但数据只是价值观的投影。纯数据驱动的端到端不可能达到人类的智能和泛化能力。此外,机器人领域的数据收集更加困难,硬件形态的千差万别也导致数据难以像文本那样跨任务、跨机型复用。

1.3 具身智能3.0:认知驱动

为了突破数据驱动的瓶颈,研究者开始尝试利用预训练的视觉-语言模型(VLM)作为“大脑”,将其海量语义知识和逻辑推理能力迁移到物理控制中 — Vision-Language-Action(VLA)模型应运而生。

我在2023年初有幸参与了自动驾驶VLA的前期探索,在Wayve期间主导了Driving-with-LLMs和Lingo系列工作,同期机器人领域也出现了RT-2等经典框架。VLA不仅仅是VA的拓展,它把端到端简单暴力的 V->A 映射,转换到了大模型的多模态认知、多步推理(测试时计算)到生成行为的决策框架。

回顾2025年,主流观点已达成共识:互联网规模的预训练赋予了VLA强大的认知理解、通识推理和指令遵循能力。例如,VLA可以轻松理解“把那个看起来像苹果的红色物体拿给我”,即使它从未见过这种特定的物体,它也能调用预训练中习得的对“苹果”的认知、对“红色物体”的抽象通识理解,结合“拿给我”的指令,通过思维链的推理最终输出行为决策。

尽管“世界模型”这个词在2025年有些被滥用,但不可否认,生成式世界模型也是认知驱动的重要一部分。

Language和Video是互联网上最廉价的模态,以预测下一帧(Video WM)或预测下一状态(V-JEPA)为目标,提供了极佳的Scale up思路。虽然世界模型在真正落地应用中——无论是作为仿真器还是推理时的预测——仍面临一致性和效率的挑战,但在VLA框架中已经看到了很多世界模型的影子,这将在下一章详细展开。

02

VLA本质是“认知-推理-决策”框架


pastedGraphic_2.png

VLA虽源于学术界的模型范式,但从更深层意义上讲,它是一个“认知-推理-决策”的通用框架:认知理解不限于Vision,更多是利用多模态压缩;推理不限于Language,虽然它是当前最高效的载体;决策层则有多种方式,但在通用性、泛化能力与性能平衡上,目前业界似乎尚未完全收敛到单一的最优解。

2.1 认知:从多模态压缩到高效表征

认知的核心在于压缩。如何将海量多模态信息(视觉、触觉、深度)压缩为模型可理解的高效表征(Representation),一直是机器学习的重要课题。

  • 语言对齐:

由于数据稀缺,VLA长期复用VLM的视觉编码器。从经典的CLIP到InternVL的大规模Encoder,核心思路都是通过对比学习进行预训练。Qwen系列原生预训练的ViT和3D CNN时序融合提供了很好的思路,但VLA仍需更强的时序特质。2026年,我们期待看到更加本质的视频表征出现。

  • 空间对齐:
2025年火热的3D表征(如VGGT、3DGS)虽能短期涨点,但本质上仍是人为注入

Inductive Biases,且对时序编码不足。自监督方式(如JEPA)更能通过重建Latent表征学习事物本质,但这种“左脚踩右脚”的方式仍缺乏与语言等人类规则的良好对齐。

  • 世界模型:

世界模型通过预测未来,可以作为极佳的预训练表征。例如VPP(Video Prediction Policy)利用视频预测表征做Planning取得了很好效果;V-JEPA等工作也尝试通过预测下一个视频表征来与Planning任务对齐。期待今年能出现开源的、将语言、图像、行为完美对齐的Foundation Model。

2.2 推理:测试时计算的Scaling Law

VLA真正的威力在于多步推理,包含但不限于使用语言(L)来推理。

  • 语言推理:

语言推理的用处是在复杂任务或OOD情况时,利用语言Token进行采样。广义上讲,这是利用预训练的通识能力辅助决策;统计学上看,这是通过多步推理增加信息量、减少熵,从而做出更确定决策的过程。受限于数据量级和效率,VLA的推理能力尚未被完全释放。目前机器人领域的语言仅用于理解指令和规划Subtask,自动驾驶也只是起到一个Mode选择的作用(例如Nvidia Alpamayo R1的CoC)。但随着语言数据标注做的越来越好,2026年期待VLA会像语言模型的CoT一样展现出更强的泛化和涌现。

  • 多模态推理:

随着模态生成和理解的统一,Visual/Latent层面的推理也逐渐步入主流。具身GR系列、WorldVLA和自驾的DriveVLA-W0等工作都证明了“未来帧监督”和“推理时预测未来状态”这一世界模型概念可以帮助Planning任务。但如何过滤掉Latent中对Planning无用的图像高频特征,使Visual/Latent乃至Language层面的推理更高效,仍值得深入研究。

2.3 决策:从双系统到一段式VLA生成框架

决策层是具身智能“落地”的最后一公里,也是VLA显著区别于VLM的地方。在2025年,我们见证了从模仿人类认知的“双系统”架构,向着追求极致效率与拟人度“一段式”架构的深刻转变。

  • 双系统(System I + System II):在VLA发展的早期(2023-2024),主流方案往往采用丹尼尔·卡尼曼提出的“双系统”理论:

System II(慢思考):由VLM/LLM充当“大脑”,负责高层的语义理解、任务拆解和逻辑推理。它输出的是文本指令或轨迹点。

System I(快思考):由传统的规划控制算法(Planner/Controller)或端到端网络充当“小脑”,可以单独运行,或是Conditioned on(基于)大脑的指令输出具体的高频控制信号。

信息瓶颈:这种架构虽然利用了LLM的推理能力,但存在显著的接口信息瓶颈。这就好比一个老司机(VLM)在副驾指挥一个新手司机开车,无论指令多精确,反应延迟和信息瓶颈都注定了上限不高。此外,两个系统的推理频率不匹配虽然避开了算力瓶颈,但也牺牲了灵活性。

  • 一段式VLA(One-model VLA):为了追求极致的端到端,2025年的VLA彻底打破了感控的边界,将“认知”与“行动”统一在同一个Transformer的生成式范式中。这一进化路径主要体现在Action Decoding方式的变革上:

离散化Token(Discrete Tokens):早期的尝试(如RT-2, Gato)简单粗暴地将动作空间离散化为文本Token。这种方式让Action能完美融入LLM的自回归训练中,享受Scaling Law的红利。但缺点是精度受限且动作不平滑,机器人往往表现出“顿挫感”,且难以处理高维连续动作空间。

连续值回归与Learnable Query:为了解决精度问题,后续工作(如我之前的Lingo系列)开始引入专门的Action Head,通过Learnable Query直接回归连续的轨迹参数。这在一定程度上恢复了控制的平滑性,但本质上还是确定性的回归模型,难以应对多模态的未来分布(即同一个场景下,既可以左绕行也可以右绕行,回归模型往往会输出一个中间的错误路径)。

流匹配(Flow Matching):这一系列工作是2025年初最激动人心的突破。以Pi0为代表的模型引入了Flow Matching作为解码器,这种方式与Diffusion Policy类似,很好地解决了多模(Multi-Modal)问题,也兼顾了生成速度,同时连续建模也使轨迹输出更加精确。

之后的Pi0.5引入了FAST的离散Token来负责训练时的监督,结合了Transformer的推理能力、离散Token的结构化优势以及生成模型的分布建模能力,实现了前所未有的拟人感和丝滑度。后续配合 Knowledge Insulation (KI) 的训练方式,有效保持了大模型的通用能力。而Pi0.6又引入了人类Correction数据以及使用Advantage-conditioned的强化学习方式,更让机器人动作展现出了极强的鲁棒性和泛化性。

然而,必须清醒地认识到,VLA关键的决策层尚未迎来“大一统”时刻。不同的任务属性(如高频的四足平衡、低频的机械臂抓取,以及更加简单的自动驾驶2D平面Action Space)、不同的数据分布、以及千差万别的本体形态,使得Action Head的设计仍在持续演进。

在追求通用经济性(无需训练适应多种本体)、泛化性(适应未见场景)与专业性能(推理速度与控制精度)的“不可能三角”中,现有架构似乎还没有完全收敛。

(自驾中更全面的决策方式可参见最新的VLA综述:Vision-Language-Action Models for Autonomous Driving: Past, Present, and Future。)

03

未来展望:2026与更远的征途


站在2026年的新起点,具身智能的图景已逐渐清晰——即以大模型为通用认知底座,实现感知、推理与决策的端到端深度统一。除了VLA架构的成熟,以下四个方向将是2026年的主战场:

3.1 强化学习:学习“不能做什么”

如果说模仿学习教会了机器人“该做什么”,那么强化学习(RL)的核心价值在于教会机器人“不能做什么”。

在数据稀缺背景下,RL是突破专家数据天花板的关键。未来的VLA模型在经历“大模型预训练 -> 微调 -> 开环后训练”范式后,需要在仿真或真实的闭环环境中进一步强化。通过不断的试错与纠正,让自动驾驶和机器人模型学会处理物理约束、安全边界以及长尾场景中的复杂博弈。

3.2 在线学习:“终身学习”的能力

部署后的自动驾驶与机器人模型不应是静态的,真正的具身智能体必须具备在交互中学习的能力。当前的VLA大多是离线训练,面对环境变化往往束手无策。

2026年,我们将看到更多具备“测试时学习”(Test-time Learning)能力的模型。形式可能不仅是参数微调,更包括In-context Learning、Memory Bank或RAG等大模型范式在具身场景的深度应用,让自动驾驶与机器人在真实世界中更懂用户需求,实现终身学习。

3.3 Scaling from Video:从世界视频中提取物理常识

互联网上最廉价的两种模态是文本和视频。如果说LLM吃透了文本,那么具身智能的下一个Scaling Law将来自视频。世界模型在此方向将扮演重要角色。通过对海量人类操作视频、行车记录仪数据的生成式预训练,模型将隐式习得物理定律(重力、惯性、碰撞后果等)。让模型通过“预测下一帧”来内化物理世界,这不仅为VLA提供了虚拟环境以进行强化学习,也解锁了在线强化学习甚至测试时利用“想象”进行推理的可能性。

3.4 Physical AI Safety

随着具身智能从对特定专家数据的“过拟合”(Overfit)转向对互联网大规模图文视频的“泛化”(Generalise),一个前所未有的挑战也摆在面前:如何在利用互联网知识预训练的同时,确保模型不被抽象和虚幻内容干扰,并严格保持人类的价值观?

互联网视频包含大量抽象文字,玄幻小说,电影特效、夸张的动画以及 AIGC 生成的违背物理规律的内容,模型利用互联网数据获得高阶泛化能力的同时,我们必须要确保其压缩到与人类价值观对齐的认知,利用符合价值观和物理规律的符号进行推理,并且可控的生成与人类意图对齐,符合人类的社会规范与安全边界的决策。

2026年是“自动驾驶 × 机器人 × 大模型”协同进化的深水区。

此时的工业界与学术界更需要摒弃喧嚣,回归第一性原理看待VLA与世界模型,务实探索数据Scaling在物理世界的真正上限。让智能真正走向物理世界,是通往通用物理人工智能(Physical AGI)的必经之路。

我们期待的通用物理人工智能(Physical AGI),或许就在下一个转角。

免责声明:内容仅代表嘉宾观点,不做任何投资建议

推荐阅读


阅读原文

跳转微信打开

  •  

去哪儿网 C 端研发 AI Coding 探索及落地

原创 赵苗&杨翀&赵翔 2026-02-10 18:02 北京

e7aea0b2-cb9f-4322-b3ce-66271860cbe5.png

文章概览

  • 背景

  • C端落地中遇到的难题

  • 解决方法

  • 总结

保障数据情况

作者介绍:

赵苗,2019年7月加入去哪儿旅行,目前在大前端中心国内机票团队,主要负责机票后服务相关业务以及代码生成平台基建和日常维护工作。

杨翀,2023年加入去哪儿旅行,大前端中心FTC成员,目前在大前端国内机票团队,主要负责机票前端业务开发以及代码生成平台基建和日常维护工作。

赵翔,2021年7月加入去哪儿旅行,大前端中心FTC成员,目前主要负责机票相关业务以及Serverless平台、朱雀代码生成平台的基建与日常维护。

一、背景

在前端开发领域,根据业务受众和交互逻辑的不同,通常划分为 B 端 与 C 端 两大领域。虽然两者都在追求研发效能的提升,但在 AI Coding 浪潮下,由于业务特性的鸿沟,其落地方案正走向截然不同的路径:

  • B 端开发:普遍依托成熟的 UI 组件库,UI 还原度较易得到保障,业务逻辑相对标准化,AI 仅需结合 “原型图 + 高级指令”,便能生成具备基础功能性的代码,研发流程相对顺畅;

  • C 端开发:一方面,UI 层面要求 100% 像素级还原,组件需由各业务线高度定制化开发,且要满足复杂布局设计与极端性能指标;另一方面,C 端直接面向海量用户,业务逻辑高度复杂,需应对多样化场景与频繁迭代,这些特性让 C 端成为 AI Coding 领域中极具攻克价值的 “深水区”。

我们的 C 端 AI 研发探索始于 UI 代码生成(D2C),先后开展两轮技术尝试,但均未实现理想效果:

  1. 过往纯 AI 模型尝试,“图片+提示词”直接给AI进行代码生成,生成的 UI 代码还原度差,无法满足像素级还原要求,与设计稿偏差明显,难以直接投入使用;

  2. 后续 “稿件解析 + 规则算法” 尝试,转而通过成熟的规则算法搭建基础体系,优先保障 UI 还原度。

两轮尝试后,C 端 AI 研发仍面临多重核心瓶颈:

  • 代码可用性不足:规则算法生成的代码多为冗余 “div 海”,缺乏语义化标签,不符合组件化要求,需大量手动重构才能复用;

  • 逻辑代码生成能力缺失:仅能覆盖 UI 代码生成,无法延伸至逻辑代码(交互、状态、路由等)生成,难以形成 “设计稿 + 需求文档” 到完整代码的闭环;

  • 协同体验割裂:代码生成平台与 IDE 分离,开发人员需频繁切换,打断研发流程连贯性。

恰逢 LLM(大语言模型)技术持续成熟,我们针对性构建了一套覆盖 D2C 智能生成(聚焦 UI 代码生成还原度与可用性双重提升)、P2C 需求解析(聚焦逻辑代码生成效率与可执行性)、IDE 插件统一体验(聚焦全流程协同效率优化)的智能研发新模式,全面破解 C 端 AI 研发在 UI 生成、逻辑代码生成、协同流程三大环节的痛点,推动 C 端 AI 研发从 “单一功能实现” 向 “全链路高效协同 + 优质输出” 的升级。

二、C端落地中遇到的问题

1. D2C(设计到代码)核心问题:「像素级还原」与「代码语义化」的双重诉求难以兼顾

C 端对 D2C 的核心诉求是 “既要 100% 像素级还原设计细节,又要代码语义化、组件化可直接复用,可迭代性高”,但现有方案的短板恰好与这两个诉求形成对冲,导致难点突出:

  • 像素级还原:要求精准复刻设计稿的尺寸、间距、颜色、层级等所有视觉细节,需极强的样式复刻稳定性,这只有规则算法能部分满足,但规则算法生成的代码无语义、无组件化结构,完全违背 “可直接复用” 诉求;

  • 代码语义化:要求代码具备语义化标签、合理组件拆分、适配项目技术栈与规范,这是纯 AI 模型的优势方向,但纯 AI 模型缺乏精准的样式把控能力,无法达到 C 端要求的像素级还原标准;

D2C 的核心难点并非单一技术问题,而是 “视觉精准性” 与 “代码语义化” 的天然对冲:规则算法的优势是还原精准,却无复用价值;纯 AI 模型的优势是复用适配,却无还原精度。单一方案无法同时破解两个核心诉求,如何让 “像素级还原” 不牺牲代码规范,让 “高效复用” 不大幅降低还原标准,成为 D2C 落地的核心症结。

2. P2C (需求文档生成逻辑代码)的核心问题

在 D2C 已解决页面结构与 UI 还原后,我们继续推进将 PRD(需求文档)自动生成逻辑代码。在模型具备基础代码生成能力的前提下,这一阶段更大的挑战在于,如何持续地为其提供完整、稳定、可执行的需求输入。在真实业务环境中,PRD 往往分散在不同文档空间,由不同角色维护,存在访问范围受限、表达方式不统一等问题。当需求信息无法被完整获取与对齐时,逻辑生成天然会变得不稳定。

因此,需求文档生产逻辑代码遇到的核心问题,并不只是模型能不能生成代码,而是在现实组织约束下,如何把分散、不稳定的需求信息,整理成模型可以稳定执行的输入。

P2C 的关键难点

沿着需求 → 逻辑代码流程,主要存在三类核心阻塞:

  • PRD 既缺乏结构化表示,又受限于飞书文档权限体系

    在实际环境中,PRD 内容分散在不同权限域的飞书文档中,且以自然语言与表格混合表达,模型在无法稳定获取和解析完整文档时,生成的逻辑代码容易出现条件、状态或依赖关系缺失。

  • PRD 体量和复杂度上升后,单次生成难以稳定覆盖全部逻辑

    当页面数量、交互流程和业务规则增多时,模型容易出现理解偏差、上下文丢失或生成深度不一致的问题。

  • 缺乏真实内部上下文,导致生成的 API 与 SDK 调用不可直接使用

    在没有内部文档约束的情况下,模型往往依赖语义猜测生成接口和参数,代码表面合理但实际无法运行

3. 平台使用和代码编写流程割裂

  • 原代码生成平台处于网页端,开发人员使用时会在平台与 IDE 之间进行切换,造成工作流程割裂。

三、解决方案

1. D2C :规则算法与AI融合架构

基于 “规则算法强在精准、AI 模型强在意图” 的互补特性,我们摒弃了 “非此即彼” 的单一方案,探索出 “规则 + AI” 的融合架构:让规则算法发挥数据处理的精准优势,为 AI 提供标准化、高质量的输入;让 AI 模型承接意图理解的核心任务,生成语义化、组件化的优质代码,通过两者协同实现 “形神兼备” 的 D2C 落地效果。

1.1 高还原度保障:数据规则解析处理

Figma 原始 API 返回的 JSON 数据包含大量冗余字段(如混合模式、渲染边界等),结构复杂、嵌套层级深,直接输入 AI 会影响处理效率和生成质量。规则系统的核心任务就是对这些数据进行 “瘦身” 与 “优化”。

数据简化与清洗

  • 冗余字段剔除:删除 Web 开发中极少使用的 blendMode、与核心信息重复的 absoluteRenderBounds 等约 60 个冗余字段,字段数量减少 75%;

  • 核心信息提炼:聚焦样式、结构、上下文等关键数据,将嵌套层级从最深 6 层精简至 3 层,大幅提升数据可读性。

关键信息转换与布局优化

将 Figma 专属数据格式转换为 AI 易理解、代码可直接使用的标准格式:

  • 颜色值:从 {r: 0.22, g: 0.48, b: 1, a: 1} 转换为十六进制 #3878FF;

  • 样式属性:将rectangleCornerRadii: [8,8,8,8] 转化为 CSS 属性 border-radius: 8px,阴影效果转化为标准 box-shadow 语法;

  • 布局信息:统一整合 padding、margin 等布局属性,形成结构化的 layout 字段。

通过规则算法的精准数据处理,实现了 “原始数据 → 精简数据 → 标准化数据” 的转化:既保留了设计稿尺寸、间距、颜色、层级等所有核心视觉细节,又解决了原始数据格式不兼容、信息杂乱的问题,为后续 AI 生成代码提供了 “精准、干净、易解析” 的数据基础,直接保障了 UI 代码的像素级还原能力,同时提升了 AI 处理效率与生成代码的稳定性。

1.2 代码语义化保障:结合AI 模型进行代码生成

基于预处理后的高质量数据,我们通过以下五个环节,确保 AI 生成的代码 “好用、能用、符合规范”。

环节一:模板化提示词系统,标准化生成逻辑

  • 预处理数据AI优化:基于我们第一步预处理后的数据使用AI进行进一步布局优化,结构调整,输出效果更好的FigmaJson,我们在进行规则算法计算的时候,有的因为设计稿设计的偏差、元素嵌套的问题,flex属性计算偏差的问题较多,比如一个模块设计,稍微左右间距不一致或者多套了一层壳子,就会flex属性处理为flex-start + padding,ai结合图片来优化就明显知道直接用flex:center 去掉padding就可以,还有定位元素的识别,也存在计算误差,包括说层级结构的多余不合理的地方,现在经过结合图片以及数据前置优化,这一类的问题就大大减少了。

  • 分技术栈适配:覆盖 React、React Native、Taro、Shark 等框架,每个技术栈配置专属模板;

  • 强约束规范:明确 95% 以上像素级还原要求,强制使用<button>``<nav>等语义化标签,禁止 “div 海”;

  • 结构化设计:用 XML 标签定义角色、目标、工作流程,注入技术栈专属规则(如 React 用className、RN用StyleSheet.create());

  • 质量保障:包含布局规范、单位转换(100px=1rem)、响应式适配、代码检查等强制要求。

环节二:全链路资源处理:实现代码直接复用

针对图片、Icon 等资源,构建从识别到引用的完整处理流程:

  • 图片处理:自动识别设计稿图片→精准裁剪优化→CDN 上传→生成稳定访问链接;

  • Icon 处理:识别 Unicode 图标字符→生成专属字体文件→缓存去重→代码中自动注入@font-face规则;

  • 资源引用替换:生成代码时直接替换为 CDN 链接,无需开发手动处理。

环节三:组件与 DesignToken 深度适配:让代码贴合设计系统规范

  • 组件适配器:开发 Button、Checkbox、CustomAlert 等组件专属适配器,精准解析 Figma 组件的属性、状态(如禁用 / 悬停),映射为语义化组件代码;

  • Design Token 设计变量智能转化CSS属性:从 Figma 中同步颜色、字体、间距、圆角等设计变量,支持 DesignToken 版本管理与本地缓存。将这些设计变量自动转换为 CSS 变量,与基础样式智能合并(如边框宽度 + 颜色合并为 border 属性),确保生成的代码完全遵循品牌设计规范,避免样式偏差。

环节四:工程化上下文注入:贴合项目实际需求

为避免生成的代码与项目规范脱节,我们支持注入工程化上下文信息:

  • 项目技术栈配置:适配目标项目的框架版本、编码规范;

  • 代码模板信息:同步 Git 仓库中的项目代码结构与命名约定;

  • 组件库信息:识别项目依赖的组件库,确保生成的代码可直接对接现有组件资源。

通过这一机制,AI 生成的代码能够完全融入项目现有架构,无需额外调整即可落地使用。

环节五:AI 生成与后处理:提升代码质量与稳定性

  • 模型选型:采用 Gemini Pro 2.5 模型,调用接口生成代码;

  • 结果解析:提取 JSON 格式响应中的实际代码文件(realCodeFiles)与预览文件(previewCodeFiles);

  • 后处理优化:代码格式化、资源引用修正、Redis 缓存存储,同时提供 AI 生成失败的降级策略。

1.3 D2C 效果展示

生成效果展示

设计稿&生成效果

生成代码展示

代码按业务模块 + 复用性完成了组件拆分,符合前端组件化开发的最佳实践:

  • 按功能边界拆分:将 “头部”“航班信息”“票价选项” 拆分为独立组件(HeaderComponent/FlightInfoCard/FareOptionCard),既匹配设计稿的模块划分,也满足后续复用需求(比如FareOptionCard可复用于其他航班页);

  • 数据与 UI 解耦:通过fareOptionsData将票价数据与FareOptionCard组件分离,符合 “数据驱动视图” 的前端开发逻辑,后续修改票价规则只需调整数据,无需重构组件。

  • 语义化结构清晰:用FlightInfoCard等语义化组件名替代冗余标签,开发能直接理解模块功能;

  • 适配工程化流程:代码基于 React Native 规范编写,整合了FlatList(列表渲染)、StyleSheet(样式管理)等框架原生能力,与实际研发流程无缝衔接,省去了 “规则生成→手动适配框架” 的中间环节。

总的来说,这段代码生成的核心价值是从 “规则翻译设计样式” 升级为 “理解设计意图并输出工程化代码”,既还原了设计稿的视觉表现,又契合前端开发的语义化、组件化需求,真正实现了 “形似 + 神似” 的落地效果。

Cursor体验对比

总结

通过 “规则 + AI” 的融合架构,我们的代码生成能力实现了根本性提升:

  • 代码可用性飞跃: AI 模型能够综合分析节点的样式、层级、命名和周边上下文,更精准地推断出元素的语义角色,直接输出符合最佳实践的高质量、语义化的代码(如使用 <button> 而非 <div>),从冗余的 “div 海” 升级为语义化、结构清晰的组件化代码,可维护性大幅提升。

  • 开发效率提升:生成的代码结构合理,减少 80% 以上的手动重构工作,同时覆盖多技术栈需求;

  • 精确性与智能性的平衡: 规则系统确保数据提取的准确性,AI 模型提供意图理解和代码优化能力,两者协同实现了 “高还原度”与“优质代码” 的双重保障。

2. P2C:语义解析与知识增强的逻辑

在明确了阻塞 P2C 的核心矛盾后,我们并未尝试用单一策略一步解决所有问题,而是沿着难点拆解出的链路,从 输入 → 处理 → 生成 → 可执行 四个环节逐层补齐能力,使逻辑代码生成从能写真正走向能落地。

2.1 解决方案

2.1.1 前置文档解析:让 PRD 变成可被理解的输入

文档授权:由于飞书的文档有很多权限,不同的团队知识库有不同的权限,因此我们设计了一套飞书的权限授权系统。核心分为两个阶段:

  1. 阶段一:定时任务与通知 系统每周通过定时任务从PMO系统拉取数据,解析出文档链接和产品ID后,通过飞书机器人向相关产品发送按钮式交互提醒,等待授权确认。

  2. 阶段二:授权回调与数据处理 当产品点击同意授权后,触发回调函数启动流程,我们的飞书机器人将带着用户的权限去读取文档内容,提取并解析关键信息(背景、工时、详情等字段),最终将结构化数据持久化到数据库中。

表格序列化:在解析 PRD 时,我们不只是提取文本,而是针对“需求详情”等表格进行了 Key-Value 映射。

  • 将表格的每一行视为一个对象。

  • 将列名作为 Key,单元格内容作为 Value。

  • Map 格式的存储(存入数据库),完美保留了需求的结构化特征,为后续Agent 分析提供了高质量的上下文

格式与图片保留:除表格结构以外,其余内容也 保持完整信息。

  • 文本格式(无序 / 有序列表、加粗、斜体、删除线等)会统一在解析阶段转换为 Markdown 语义结构存储,用于保留内容层次与语义关系,使模型能够基于原始格式推断逻辑。

  • 图片会在解析阶段被下载并重新上传到内部服务,并在文档结构中以 Markdown 的格式展示。

最终效果:

{
"title":"春运产品需求文档",
"background":"一、需求背景\n为充分承接春运流量红利,提升各业务板块的销售与用户活跃度,特策划本次**平台级大促活动**,xxxxxxxxxxx",
"detail":[
[
[
"场景\n **进入活动页-未登录**\n\n",
"demo\n ![image](https://qimgs.qunarzz.com/wpf_newmpic_001/xxxxxxxxxxx.png)\n",
"说明\n APP弹窗需更新背景图\n\n"
],
[
"场景\n **网络异常/请求后端异常等活动兜底页面**\n\n",
"demo\n ![image](https://qimgs.qunarzz.com/wpf_newmpic_001/xxxxxxxxxxx.png)\n",
"说明\n     1. 【驾马闯关】主按钮显示“剩余?次”\n    2. 点击【驾马闯关】、【我的奖品】、【次数+1】、【马上验证】按钮:\n    - 如果未登录弹窗登录弹窗。\n    - 如果网络异常或者请求后端接口失败提示\"小驼开小差了,请稍后重试”\n\n"
],
[
"场景\n **活动已结束**\n\n",
"demo\n ![image](https://qimgs.qunarzz.com/wpf_newmpic_001/xxxxxxxxxxx.png)\n\n",
"说明\n xxxxxxxxxxx"
]
],
[
[
"状态\n 初始\n\n",
"demo\n ![image](https://qimgs.qunarzz.com/wpf_newmpic_001/xxxxxxxxxxx.png)\n",
"说明\n 固定3个关卡,关卡奖励状态为待解锁\n\n"
],
[
"状态\n 关卡进度\n\n",
"demo\n ![image](https://qimgs.qunarzz.com/wpf_newmpic_001/xxxxxxxxxxx.png)\n\n",
"说明\n     1. 进度条计算逻辑:xxxxxxx  9. 关卡状态:待解锁、已解锁\n其余为固定数据\  - 点击【我知道了】关闭弹窗\n"
]
]
]
}

2.1.2 智能分片与并发生成:解决长文档与复杂逻辑瓶颈

当面对长文档和复杂业务逻辑时,由于大模型的上下文窗口有限,如果直接将完整内容交给 AI 理解并输出,往往会丢失大量关键细节。尤其是在存在多种业务 case 的场景下,例如同一产品在不同条件下需要输出不同的文案,AI 在直接总结时很容易给出模糊、抽象的结论,比如简单地概括为“在不同情况下输出不同文案”,而无法保留具体差异和规则。

为了解决上下文受限和细节丢失的问题,我们引入了 多 Agent 并发架构,通过拆分、聚焦和协同处理复杂信息,确保关键规则和细节能够被完整理解和准确表达:

动态启动与语义分片:

系统根据 PRD 复杂度(如表格个数或字符数)动态决策是否启动多 Agent 模式。然后按语义(如“埋点”、“API”)或业务模块进行分片(Chunk)。

 chunks示例:

{{
  "pages": [
    {{
      "page_name": "模块名称",
      "page_description": "模块的简要描述",
      "related_chunks": [1, 2],
      "main_functions": ["主要功能1", "主要功能2"]
    }}
  ]
}}

两阶段并发生成:

LLM 首先进行模块级路由,建立 Module -> Chunks 的映射。然后,系统并发启动多个 Sub Agent,每个 Agent 仅关注自己负责的页面数据,流式生成逻辑代码。

生成提示词示例:

    相关内容:
    {page_content}


    **前端关注重点**:
    - 只关注前端交互和数据展示,业务逻辑由后端处理
    - 专注于该页面的用户交互、UI状态、页面跳转、数据展示
    - 所有数据来源统一表述为"后端返回"或"接口返回"


    **严格输出要求**:
    请严格按照以下结构输出,不要添加任何额外说明:


    # {page_name}


    ## 用户交互操作
    [从用户进入该页面开始,描述完整的交互流程和操作]


    ## 页面状态和UI更新
    [描述该页面的UI状态变化和更新逻辑]


    ## 跳转和路由逻辑
    [描述从该页面的跳转逻辑和路由处理]


    ## 埋点和实验(如有就展示,没有就不展示)
    [如有埋点或实验需求,描述该页面相关的实现]

    2.1.3 知识库增强:解决 API 幻觉

    背景:逻辑正确,但代码不可用

    在未接入真实内部上下文之前,P2C 生成的逻辑代码普遍存在一个问题:看起来对,但用起来错。模型能够基于 PRD 描述生成基本合理的页面逻辑与交互流程,但在涉及内部 SDK 调用时,完全依赖语义猜测。例如在实现登录能力时,模型可能生成 auth.login(),而实际可用接口却是 user.login({...})。  这种偏差在参数层面更加明显:必填字段缺失、参数结构不符合规范,甚至引入只存在于公共 SDK 中的字段。最终结果是代码可读性尚可,但无法直接运行,开发仍需反复对照文档手动修正,严重拖慢了整体迭代效率。

    为什么抛弃向量知识库RAG?

    在尝试解决 API 幻觉问题时,我们抛弃了原有的向量知识库方式的RAG 方案,主要原因是向量知识库不适用于这一具体场景,主要原因包括:

    • PRD 的业务语义与 SDK 的技术结构关联度过低

      PRD 中使用的是产品与业务语言,很难通过检索准确命中对应的 SDK 接口说明,容易产生误召回或召回不相关内容。

    • 内部 SDK 体量有限,构建检索链路性价比不高

      相比构建切片、向量化与召回流程,将完整 SDK 文档直接提供给模型的成本更低、实现更简单。

    • 模型上下文能力已足以承载完整 SDK 文档

      现代大模型在上下文管理与信息吸收能力上已显著提升,可以稳定理解整套 SDK 定义,而不会被信息量淹没。

    在这一前提下,RAG 反而引入了额外复杂度,却无法从根本上解决 API 准确性问题。

    最终方案:引入 MCP + 飞书知识库,提供真实可用上下文

    针对模型SDK全靠猜的问题,我们最终选择引入 MCP + 飞书知识库,在代码生成前为模型提供真实、完整的内部 SDK 定义。 在实际实现中,我们根据不同语言和技术栈加载对应的内部文档,使模型在生成逻辑代码时,始终基于真实接口而非语义推断。

    这样带来的变化非常直接:

    • 模型调用的 API 源自真实文档,而非基于语料推断。

    • 参数结构、字段命名与内部规范完全一致。

    • 输出代码可直接运行,大幅降低人工校对成本。

    2.2 生成代码效果

    • 代码可执行性显著提升: 结合私有知识库后,模型使用的 API、参数结构、字段命名与内部文档完全一致,生成的代码可直接运行,大幅减少人工校对成本。

    • 逻辑生成准确: AI 能基于我们提供的参数、使用示例及需求描述,生成正确的页面跳转函数以及使用内部 SDK 的埋点代码。

    • 生成质量更稳定: 多 Agent 并发确保长文档也能逐块精细生成,输出深度保持一致。

    生成效果示例:基于D2C生成的页面 再去结合需求文档的内容实现跳转功能:

    3. 开发IDE插件,实现IDE内AI辅助和平台出码的无缝衔接

    为了解决原平台和IDE开发之间的流程割裂问题,我们决定将平台放置在IDE中,以插件的形式提供服务,以实现流程的无缝衔接。

    3.1 整体架构设计

    在插件整体设计上,我们采取了如下架构:

    • 物料层:准备出码所需的全部信息到本地,如UI设计稿解析成结构化信息、按模块拆分的需求文档。

    • 规范层:自动匹配不同项目、不同框架所需的出码规范。

    • 拓展能力层:下发的 MCP 能力,如图片内容读取、需求文档关键信息匹配、代码预览等等。

    • 提示词编排层:针对不同框架匹配不同的代码出码模版,并进行物料和规范信息的注入。

    • 交互层:用于选择设计稿及进行本地需求文档内容的二次修改,还支持用户进行自定义的规范配置,用户自定义的规范会被作为最高优先级的规范提示词来使用。

    3.2 关键实现:流程化出码

    实际的需求文档中,存在以下几个现象:

    • 需求文档里常有不精确的 UI 描述(与设计稿冲突)。

    • 部分需求逻辑依赖 UI 批注。

    • 文档可能包含多个页面,而用户只需要生成其中一个页面,其他页面的内容其实并不需要。

    为了避免UI信息和需求信息的相互干扰,不使用多余的需求信息占用上下文,实际在出码时,我们会分步完成,先生成UI代码,再在此基础上,匹配对应的需求内容,继续生成逻辑代码。

    3.2.1 分步式出码流程控制:

    我们使用初始prompt来进行流程控制,MCP来完成关键流程实现,处理方式大致如下:

    这样,在初始的时候prompt中除了规范就只有流程以及UI相关的信息,在此基础上可以较好的生成UI代码,不受需求文档内容的干扰。

    接着在后续的工具调用中,MCP读取需求文档,可在生成的UI代码产物基础上,通过文本和图片信息内容,找到最相近的需求内容进行逻辑代码的生成,避免有其余不必要的需求内容浪费我们宝贵的上下文。

    那么IDE在调用MCP时,是如何得到本地插件中的需求文档内容的呢(初始的prompt中并没有描述到这些信息)。

    3.2.2 IDE获取插件中的数据

    为了让MCP tool能拿到插件中留存的信息,我们采用在插件中启动一个本地服务的方式,来处理MCP的调用。

    这样,由于MCP服务为本地服务,本地服务运行在插件中,IDE便可以在调用MCP tool时,与插件共享同一上下文,获取并操作插件中的可用数据了。

    3.2.3 插件向IDE chat框提交信息的trick

    对于现存的一些IDE,大多数是不提供向chat聊天框设置信息的命令的。

    但大多的IDE,一定会有fix the error的快捷指令:当IDE提示有错误时,选中目标错误,错误就会被发到chat聊天框:

    fix the bug

    ===

    {错误内容}

    ===

    相应的,我们可以利用这一点,通过插件自行定义一个错误,并调用fix the error的快捷指令,那么被发送到chat聊天框的内容就可以变成这样:

    fix the bug

    ===

    Oh sorry, this is not an error. Here is the request:

    {你实际想给AI的prompt内容}

    ===

    在完成信息的注入后,我们可以调用发送指令将需求发送给AI。依由这一点,插件与IDE整体的信息交互就完成了闭环。

    四、总结

    通过深度结合AI,我们解决了传统D2C在复杂UI布局还原上的难题,还完成了根据需求文档生成高质量逻辑代码的实践,开发人员coding的工作,从以往0到1的完整开发,变为了可基于ai生成产物,从0.7到1的部分开发,大大提升了开发效率。

    展望未来,我们致力于建设具备“工程心智”的智能体,通过感知环境上下文,完成代码的效果审查、逻辑迭代以及问题修复,实现从0.7到1的coding自动化,让开发人员从coding中解放出来,在业务中发现可能的机会点,创造更多的业务价值。

    阅读原文

    跳转微信打开

    •  

    掌握 AI coding,享受倍速人生-Agent 工程师,是怎么用 AI 写代码的

    原创 yan5xu 2026-02-10 17:42 北京

    懒得配图,时间宝贵,把注意力放在重要的事情上吧;与其取悦人类,不如取悦 agent

    我的工作是做 AI Agent 研发。日常就是跟 agent 的能力边界打交道 — 它能做什么、不能做什么、怎么让它做得更好。

    2024 年 5 月,Claude 3.5 还没出来的时候,我就开始用 GPT-4 + Dify 自己搭 workflow 写代码了。后来从 Cline 到 Claude Code 再到 OpenCode,一路用过来。我几乎不自己手写代码 — 不是用 AI 做补全,而是完全交给 agent 来写。不是写 demo、不是跑 benchmark,是真的用它来写生产代码、改 bug、做重构、提 PR。

    从 Dify workflow 到现在的 AI coding agent,用了一年多。我发现最大的坑不是模型不够聪明,而是它记不住事。

    上下文是 agent 的命脉

    做 agent 研发的人都知道,上下文管理是 agent 系统里最核心的问题之一。没有上下文,再强的模型也是无根之木。

    AI coding agent 也一样。一个复杂功能做到一半,对话已经很长了。第二天开新会话 — 它什么都不记得。你得重新描述背景、重新解释决策、重新踩一遍昨天已经趟过的坑。

    更糟糕的是 compress。大部分工具在上下文快满时会自动"压缩"对话历史。作为做 agent 的人,我太清楚这意味着什么 — 这是不可控的有损压缩。关键的设计决策、踩过的坑、中间推理链条,压缩之后大概率丢失。然后 agent 开始重复犯已经解决过的错误。

    这个问题我做 agent 的时候就在解决。现在发现,用 agent 写代码时,同样的问题又出现了。

    所以我用了做 agent 的思路来解决它

    做 agent 系统时,我们怎么处理这些问题?

    • 上下文不够?结构化存储 + 按需加载,关键节点保存状态,下次精确恢复。

    • 单个 agent 能力有限?多 agent 协作,主 agent 编排,sub-agent 执行,通过外部存储传递信息。

    • 并发冲突?隔离执行环境,每个任务独立空间,互不干扰。

    同样的思路,一一对应到 AI coding agent 上:

    HANDOFF 替代 compress — 解决上下文丢失。

    在上下文还充足的时候,主动让 agent 写一份结构化的交接文档 — 已经完成了什么、正在做什么、下一步做什么、有什么坑要注意。然后开新会话,agent 读取 HANDOFF,直接恢复上下文继续工作。

    这不是模糊的"摘要",而是精确的状态快照。信息密度远高于 compress 后的残留。

    如果 compress 已经触发了也不慌 — 回退到压缩之前的状态,执行一次 HANDOFF,再开新会话恢复。几乎不会出现上下文丢失。

    一个复杂功能做三天,每天换会话,每次 agent 都能从交接文档里精确恢复到昨天的状态。和人类团队的交接逻辑一模一样。

    Sub-Agent 拓展上下文窗口 — 单个 agent 做不完的事,拆给多个做。

    单个 agent 的上下文是固定的。所有工作都塞在一个对话里 — 分析代码、写方案、改文件、跑测试 — 上下文很快就满了。

    Sub-Agent 的思路是:主 agent 只做规划和决策,具体的重活委托给 sub-agent,结果通过 workspace 文件传回来。主 agent 收到的只是 4 行摘要,但实际完成的工作量可以很大。本质上是用文件系统做信息中转,把单个上下文窗口扩容成了多个。

    Worktree 隔离并发 — 多个任务同时进行,互不干扰。

    每个任务在独立的 git worktree 中开发。主仓库始终干净,多个 agent 或多个任务可以并行,不会互相污染代码。做完清理 worktree 就行。

    这三个方案加在一起:HANDOFF 解决时间轴上的连续性,Sub-Agent 解决单次会话的容量限制,Worktree 解决并发隔离。都是做 agent 系统时的标准思路。

    另一个做 agent 的人才会注意到的问题

    我的项目有多个仓库 — 后端服务、CLI 工具、前端。传统的 AGENTS.md 放在单个 repo 里,agent 只能看到这一个仓库。

    但做 agent 的人知道,agent 的能力取决于它能获取到多少信息。如果它不知道其他仓库的存在,不了解前后端的依赖关系,改了一个 API 不会想到调用方也要改。

    所以我的工作区结构是这样的:

    my-project/
    ├── AGENTS.md              # Agent 入口
    ├── orchestrator/           # 全局配置(跨仓库)
    │   └── ALWAYS/
    │       └── RESOURCE-MAP.yml  # 所有仓库 + 基础设施的全局索引
    └── repos/
        ├── backend/
        ├── frontend/
        └── mobile/

    Agent 的配置在所有代码仓库之上,启动后自动加载全局视图。它知道每个仓库的位置、技术栈、依赖关系和基础设施。这不是 monorepo — 每个 repo 仍然独立,工作区只是给 agent 一个全局的信息入口。

    人机协作方式变了

    用了这套工作流之后,我发现自己跟 AI 的协作方式已经完全不是"在编辑器里跟 AI 对话"了。

    传统模式是:你坐在编辑器前面,跟 AI 一行一行地写代码,实时对话,像结对编程。你是操作者,AI 是工具。

    现在变成了:你在 Issue 里写需求和验收标准,agent 从 Board 上捡任务,自己开分支、开发、提 PR。你通过 PR review 审查代码。

    这本质上是 tech lead + 开发者的协作模式:

    • 你做架构决策、定优先级、review 代码

    • Agent 做具体实现、跑测试、提交 PR

    • 通过 Issue 和 PR 沟通,不需要实时盯着

    • 多个 agent 可以同时做不同的 Issue,你看 Board 就知道全局进度

    • 任何 agent(甚至人类开发者)都可以通过 HANDOFF 接手任何任务

    做 agent 的人应该很熟悉这个转变 — 我们做的 agent 系统,本质上也是把人从"执行者"变成"监督者"。现在用 AI 写代码也是一样的路径。

    代码审查从"在聊天窗口里看 agent 输出"变成了"在 GitHub PR 界面看 diff、逐行评论、跑 CI"。这是工程团队几十年验证过的流程,比在对话里 review 代码靠谱得多。

    不要只给 agent 一个编辑器

    很多人用 AI 写代码就是打开编辑器、对话、写代码。但实际工程里,写代码只是很小一部分。一个真正的开发者还需要:跑测试验证、查线上日志定位问题、查数据库确认数据、用 CLI 部署上线。

    如果这些能力不给 agent,它就只能写完代码等你验证、等你查日志、等你告诉它线上报了什么错。每一次"等你"都是一次上下文切换,效率大打折扣。

    给 agent 自验证的能力。 搭好本地测试环境,让它能跑单元测试、跑 build、跑 lint、自己确认代码是否正确。我的项目里 agent 可以跑 vitest 单测、e2e 测试、Docker 集成测试、甚至启动本地 gateway 做 API 验证 — 不是写完代码就扔给你,而是验证通过了再提交。这一步省掉的来回沟通比你想象的多。

    给 agent 获取信息的能力。 这个变化最大。我给 agent 写了一份日志查询手册,告诉它怎么用 aws logs CLI 查 CloudWatch 日志 — 按 Pod 名过滤、按模块过滤、按错误级别过滤。Agent 拿着这份手册,自己查了几百个 Pod 的日志,分析出了十几类生产错误,按优先级分级,还自动配了告警规则。整个过程我只做了 review。

    如果没有这个能力,这些工作全得我手动做 — 复制日志贴到对话里,agent 看了再问我更多信息,来回好几轮。有了直接查询的能力,agent 自己定位问题自己修,正确率高很多。当然,权限控制要做好 — 给只读权限,限定可访问的日志组和时间范围。

    给 agent 完整的 CLI 工具链。 现在几乎所有云平台都有 CLI — AWS CLI、GCP gcloud、Cloudflare wrangler。Agent 完全可以完成从写代码到部署上线的一条龙操作。我的项目里 agent 日常用 gh 管理 Issue 和 PR、用 aws logs 查日志、用 docker 构建镜像、用 pnpm 跑测试。

    这三点的核心思想是一样的:不要把 agent 当成只会写代码的代码生成器,要把它当成一个需要完整工具链的工程师。 你给它的工具越完整,它需要你介入的次数就越少。

    一年多趟出来的工程化方案

    Boot Sequence — Agent 自举

    每次打开项目,agent 按固定顺序加载配置:工作协议 → 开发流程 → 资源索引 → 任务状态。不需要你手动喂背景信息,agent 自己读文件、自己恢复上下文、自己知道接下来该做什么。

    第一次使用时 RESOURCE-MAP.yml 是空的,agent 会主动问你项目情况(几个仓库、什么技术栈、怎么部署),然后自动生成配置。之后每次启动都是全自动的。

    Worktree 隔离

    具体来说,每个任务通过 git worktree 获得独立的工作目录:

    git worktree add repos/backend-auth -b feature/42-auth main

    不在主仓库上切分支,做完清理 worktree 就行。

    Sub-Agent 的文件通信协议

    Sub-Agent 之间通过 workspace/ 目录传递信息,每个 sub-agent 只返回 4 行摘要给主 agent:

    状态:已完成
    报告:workspace/1.1-dependency-report.md
    产出:1 个文件
    决策点:无

    主 agent 上下文只多了 4 行,但 sub-agent 实际完成的可能是大量的代码分析。把主 agent 的上下文留给规划和决策,不被执行细节占满。

    SCOPE 控制 — 限制 Agent 的写入范围

    本地文件模式下,每个任务有一个 SCOPE.yml,白名单指定 agent 可以写哪些文件:

    write:
    -repos/backend/src/auth/
    -repos/backend/src/middleware/
    forbidden:
    -.env

    超出范围的文件,agent 不能擅自修改,必须先问你。这是我做 agent 研发养成的习惯 — 给 agent 的权限应该刚好够用,不多不少。

    开源了

    这套工作流从最早的 Dify workflow 时代就开始摸索,到现在迭代了很多版。现在整理成了一个开源协议叫 Code Relay。

    就是一组 markdown 和 yaml 文件,不是 CLI,不是 SDK。复制到你的项目里就能用。兼容 Cline、Claude Code、OpenCode、Windsurf 等所有主流工具。

    两种模式:

    • GitHub 模式

       — 任务管理在 Issue + Project Board 上,适合已经用 GitHub 的团队

    • 本地文件模式

       — 不依赖任何平台,适合离线工作或不想绑定特定平台

    两种模式都支持 HANDOFF、SCOPE、Sub-Agent、Worktree 等全部核心能力,区别只是任务状态存在哪里。

    如果你也在认真用 AI coding agent 做项目,欢迎试试。有问题直接提 Issue。

    GitHub: https://github.com/yan5xu/code-relay

    阅读原文

    跳转微信打开

    •  
    ❌