铃阅时讯
❌

阅读视图

SeedRealtime 音视频全双工大模型发布:走向全模态自然交互

原创 字节跳动Seed 2026-08-05 12:05 北京

已全量上线豆包 App,实现边看、边听、边说

今天,我们正式推出原生音视频全双工大模型 SeedRealtime。

作为走向全模态交互的关键一步,SeedRealtime 用统一架构原生融合音频、视频与文本,能在连续的多模态信息流上实时交互,带来“边看、边听、边说”的全新体验。它实现了以下三项核心突破:

  • 音视频联合理解:原生支持声音、画面与时序信息的深度融合。模型既能结合场景消解同音词歧义,也能准确理解视觉中的时序指代,让所见、所闻与所说融为一体。 

  • 主动的交互能力:具备持续的环境感知与主动表达能力。模型能在察觉画面状态变化时(如关键目标出现)主动提醒,并能调用工具融入表达,让交互从被动响应升级为主动协作。

  • 流畅的交互节奏:能够实时感知用户的对话状态与交流节奏,在适当时机自然接话、停顿与回应;同时具备较强的抗干扰能力,能分辨旁人闲聊与背景噪声,不因干扰误触发,保持沟通的流畅连贯。

端到端人工评测结果显示,相比级联模型,SeedRealtime 的音视频对话节奏问题减少了一半——模型对说话时机的把握更加自然,“话未说完被抢断、话音已落却回应迟缓、或是被背景杂音与闲聊误触发”等卡壳现象显著减少;同时,单次对话能够完整、顺畅交流的概率也有明显提升。

目前,SeedRealtime 已在豆包 App 全量上线,在业界率先实现了音视频全双工技术的规模化落地,欢迎大家体验。

项目主页:

https://seed.bytedance.com/seedrealtime

体验入口:

将豆包 App 更新至最新版本,在对话框内选择“打电话”,进入视频通话界面体验即可。

原生音视频交互,走向全模态

实现边看、边听、边说

音视频实时交互此前长期卡在两种形态之间:级联系统依赖 ASR、VLM、TTS 等多个模块串联,延迟层层叠加,信息逐级损耗;端到端模型虽更流畅,但不少方案仍依赖外置 VAD 判断轮次,本质上仍接近一问一答的半双工交互。

SeedRealtime 的核心突破,在于将声音、画面、时序与表达统一到同一个端到端模型中。它不是先听完、再看完、最后作答,而是在连续音视频流上,让感知、理解、决策与表达同步进行,使“听到的”和“看到的”能够共同参与每一次实时判断。

难点首先在于对话节奏。语音天然带有停顿,可以借此判断何时接话;视频却始终在线、持续变化。模型既要不断理解画面中正在发生什么,又不能因为背景噪声干扰而频繁介入,而是要持续判断该关注哪个对象、该听谁说话,以及此刻是否应该回应。

更深层的挑战在于音视频的联合建模与时序对齐。用户说“这个怎么弄”时,模型需要结合当前画面、手势、视线与历史动作,判断“这个”具体指向什么;遇到同音词或模糊语音时,也要借助视觉场景完成消歧。只有将声音、画面与时序信息统一建模,模型才能真正把所见、所闻与所说对应起来。当看、听、说被纳入同一套实时决策体系,模型便不再只是等待用户提问,而能持续理解场景变化,在合适的时机主动开口。

接下来,我们通过 7 个具体案例,来看看 SeedRealtime 在真实场景中的表现。

音视频联合理解

看得懂画面,分得清对象

SeedRealtime 能在多人、嘈杂、开放的真实环境中,把画面、声音和时序对齐理解。

四位好友聚餐,人多话杂。用户逐一介绍在场的人,SeedRealtime 就能根据外形特征把名字和人对上 —— 认出浅色头发的七七、戴眼镜的 Julia,还主动和乐乐打招呼;在之后的交谈中,始终把每个人的声音和身份对应起来。

随后大家你一言我一语聊起旅行:有人想去海边拍照、逛海洋馆,有人怕热怕累,还有人对海鲜过敏。SeedRealtime 能分辨每句话出自谁,并根据大家的交流,给出一份兼顾每个人需求的旅行方案。认人、辨声、听懂各自的需求,这些都在同一场对话里由一个模型实时完成。

在川菜馆,外籍食客面对中文菜单一筹莫展。SeedRealtime 直接从画面中认出菜品、用英语推荐,还能顺着文化背景解释“为什么‘鱼香肉丝’里没有鱼”、“皮蛋是怎么做的”。

服务员上菜时顺道说“很下饭”,它能结合画面中的菜,理解这句话并翻译给客人听。视觉信息无需先转成文字再理解,而是与语音在同一模型里对齐,做到眼前有什么,就能答什么。

主动的交互能力

持续观察,适时介入

模型会根据实时画面的持续变化,自主判断是否需要主动介入,而不必每次都等用户先开口。

在河北博物院逛展,用户交代一句“看到错金银铜虎噬鹿屏座就提醒我”,SeedRealtime 便在镜头不断移动的过程中留意画面,扫过那件展品时出声提醒。

随后,它结合画面细节,讲解错金银四龙四凤铜方案座、长信宫灯等镇馆之宝,以及铸造、错金银、焊接等多种工艺。将任务保存在上下文中、目标出现即提醒,正是持续视觉感知与主动介入能力的体现。

操作一台复杂咖啡机的过程中,模型能够基于视觉状态的变化实现实时纠错与反馈。

当观察到用户把整粒咖啡豆直接倒进萃取手柄时,模型快速指出:“豆子不能直接倒进去,得先磨成细粉”;萃取结束后,它基于对杯中油脂成色与液量的视觉解析,主动给出“下次萃取时间缩短 2-3 秒”的调整建议。无需用户逐步提问,模型便能基于实际场景进行点评。

研读 ResNet 论文时,模型结合网络结构图讲清跳接如何缓解梯度消失;当用户说“帮我盯着,翻到训练参数那部分提醒我”,它便在快速翻页的过程中持续观看画面,准确认出 “3.4 Implementation” 段落并主动叫停,随即报出学习率、动量、权重衰减等关键训练配置。在连续画面流中识别目标并主动叫停,展现了实际交互中的主动协作能力。

流畅的交互节奏

在干扰中判断何时开口

轮次判断不再交给外部 VAD 规则,而由 SeedRealtime 基于多模态信息持续决策:该接话时不迟疑,该沉默时不打断,在复杂环境中也能保持更自然的交流节奏。

大兴机场人流密集、环境嘈杂。同伴闲聊时随口提到“老李的航班”,模型并未被这句无关对话触发回复;当用户正式问起,即便航班信息已从画面移出,它仍能结合此前看到的大屏信息,回答实时到达时间,并联网提供行李转盘位置。

随后二人边走边聊往事,它持续观看眼前画面,扫到网约车指示牌时便自然接话,给出上车点的路线指引。嘈杂环境不再是必须过滤的干扰,闲谈里的关键信息也能被恰当留存、在需要时取用。

妈妈在一旁忙着别的事,让 SeedRealtime 陪女儿学习动物英文。背景里爸爸正在接电话、人声不断,模型却没有被这段无关对话带偏,始终跟着女孩手指的方向实时纠音、举例造句。模型该出声时不迟疑,受干扰时不跑偏。

总结与展望

SeedRealtime 的推出,标志着音视频交互迈出了关键一步。通过统一架构原生融合音频、视频与文本,模型得以在连续的多模态流中持续理解场景、判断节奏并作出回应。由此,“边看、边听、边说”真正成为日常可用的交互体验。

然而,现实环境中的音视频交流复杂而连续:背景嘈杂,人声会重叠,画面会变化,用户也会随时停顿、补充或打断。面对这些真实场景中的挑战,未来我们将在以下几个方面继续突破:

  • 更低的延迟与更自然的节奏:持续压缩“听到—理解—回应”的端到端时延,让打断、抢话、附和与停顿等真实对话中的微妙节奏被自然还原,不只是更快,而是更恰到好处。

  • 更主动的感知与决策:基于对画面与声音的持续理解,主动判断何时提醒、何时补充、何时递上用户正需要的信息,让模型不仅能“该说话时说话”,也能“该出手时出手”。

  • 更稳健的多人复杂场景:在嘈杂环境、多人同框与多方对话中,稳定识别“谁在说话、在看什么、该回应谁”,将能力带入更多真实生活与工作场景。

  • 从“能对话”到“能行动”:打通工具调用与现实世界的连接,让模型不仅能交流与观察,更能协助用户完成查询、预订与任务办理,把实时多模态理解转化为具体行动。

我们希望,AI 交互不再局限于清晰轮次中的问答,而是能在连续变化的真实场景中理解上下文、敏锐把握时机,并在合适的时候提供帮助。

图片

图片

图片

阅读原文

跳转微信打开

  •  

缩小上下文鸿沟: 一种本体论 + 大语言模型的数据现代化方法

Thoughtworks 2026-08-05 12:00 北京

企业数据现代化的瓶颈,往往不在于技术,而在于“理解数据含义”这一环节。

在大型企业中,数据现代化项目将庞杂混乱的企业数据,转变为业务可依赖的、可发现、可访问、可追溯的领域数据能力。然而,许多现代化项目尚未进入交付阶段便已停滞,症结往往在于团队需要花费数月时间,只为弄清数据的业务意图。

数据策略师的工作,是连接企业意图和现代数据架构。他们的职责贯穿整个生命周期:在复杂的企业数据环境中探索,设计和优先级排序用例,识别业务需求与可用数据之间的差距,交付新数据能力,并持续进行发现。

挑战在于,用于构建意图的知识往往分散在各个系统、遗留文档、或存在于领域专家的头脑里。因此,数据发现过程缓慢、依赖人工、难以扩展。

本体论 + 大语言模型方法

Ontology + LLM

在探索某个数据源的意义时,我们的第一反应,往往是将大语言模型直接指向源数据:输入源系统,描述用例,让它找出差距。这是一个合理的起点,但也暴露出一个真正的局限——在没有明确语义上下文的情况下,LLM只能从表结构、字段名和样本值中推断关系。这些推断或许有用,但在企业规模上难以一致地验证。于是我们问:本体论能在这里提供帮助吗?

要回答这个问题,我们首先需要理解,与直接通过大语言模型解释相比,本体论能提供哪些额外的优势。

什么是本体论?

本体论是意义的模式:它定义存在的实体、它们的属性、它们之间的关系,以及支配它们的规则。意义不再隐晦地存在于领域专家的脑海中,或被临时推断;本体论让计算机能够以逻辑、一致且可控的方式,对领域进行推理。它是知识图谱的模式层,在实例(如作为节点的实体、作为边的关系等)填充之前就已存在。整个产物既可供人类阅读,也可供机器读取:可编辑、可审计,并能置于版本控制之下。

为什么结合本体论和大语言模型很重要?

本体论和LLM恰好能覆盖彼此的短板。本体论将推理锚定在明确的语义上,使输出更可解释、更一致、更易于验证。而LLM则承担了那些原本会让人工构建本体论变得枯燥繁琐的工作:阅读源系统、对齐同义词、提出调和建议、发现不匹配之处。

没有AI的本体论,仍然是一个需要数月手动分析的数据建模工作;没有本体论的LLM虽然快,但结果不可靠,或容易偏移。两者结合后,我们可以用结构化的方式表达意图和供应,而智能体则能快速找出它们之间的差距——并且以一种可以信任和验证的形式呈现。

分步示例

当我们将此方法视为一个可重复的工作流时,它就会变得清晰得多。它不是将发现视为一次性的工作,而是随着每个新用例不断丰富企业上下文。在实际操作中,此方法作为一个由六个步骤组成的智能体循环来运作(见图1)。为了便于说明,我们将这个智能体工作流应用到一个常见的数据用例——预测客户流失——并利用来自两个源系统的数据。

图1:智能体循环工作流

步骤1:为每个数据源构建本体论上下文

第一步,是让每个源系统的意义变得明确。我们为每个系统提供样本文件,并通过AI智能体提取其上下文:实体、属性、关系,以及支配它们的规则。

智能体读取每个文件中的多种信号:表结构和数据类型、外键和连接模式、样本值以及任何注释或文档,然后推断出一个候选本体论,并将置信度较低的猜测标记出来,供领域专家确认。输出是一个机器可读、可审计的产物,而不是一张幻灯片。

在此案例中,假设两个源系统(计费系统和工单系统)暴露了以下本体论上下文:

# --- 源系统 1:计费系统 --- 账户(Account) -订阅(Subscribes to)-> 套餐(Plan) 账户(Account) -生成(Billed by)-> 发票(Invoice) 账户(Account) -具有状态(Has status)-> 计费状态(BillingStatus) 账户(Account) -有邮箱(Has email)-> 邮箱地址(EmailAddress)  # --- 源系统 2:支持工单系统 --- 客户(Customer) -提出(Raises)-> 工单(Ticket) 工单(Ticket) -分配给(Assigned to)-> 客服人员(Agent) 工单(Ticket) -具有状态(Has status)-> 工单状态(TicketStatus) 客户(Customer) -有邮箱(Has email)-> 邮箱地址(EmailAddress)

步骤2:跨源上下文并进行调和

实际上,绝大部分的用例中,上下文一定是跨系统的,这意味着它必须进行上下文调和。当我们试图将多个系统上下文(以本体论的形式)进行调和时,就能暴露出潜在的重复身份、冲突定义和重叠概念等不一致性,再交给人类专家协调源系统的负责人进行协商和解决;最终找到一个最佳的数据提供源。

在同一个案例中,我们调和两个源系统的上下文时发现三个潜在的问题(见图2)需要弥合:

图2:从两个源系统策展出的上下文浮现出三个潜在差距。

1. 邮箱地址(EmailAddress) 被两个源系统上下文共享。

2. 账户(Account) 和 客户(Customer) 可能是同一个现实世界实体。

3. 计费状态(BillingStatus) 和 工单状态(TicketStatus) 共享“状态(Status)”这一类型。

这些差距是用例无关的。无论是否有用例关心它们,它们都存在于数据环境中,而这也正是人类专家或AI智能体能够预先知晓它们、并解决它们的原因。

步骤3:将设计上下文与已调和的上下文进行对比

源系统只是等式的一边,它代表着现实世界的数据上下文;等式的另一边是业务用例,代表着设计意图,并可以转化成一份以本体论呈现的上下文,两者就可直接比较。让我们以客户流失预测用例为例:

“对于每位客户,预测他们在下一个计费周期停止为服务付费的可能性,以便客户留存团队可以在客户离开前进行干预。”

为此,模型需要一个单一的、明确的客户(Customer)实体,该实体统一了一个人的商业关系(他们订阅的套餐、付款是否最新、成为客户多久了)与其行为信号(最近登录时间、提交了多少工单、这些工单是否已解决)——所有信息都关联到一个已解析的身份,并随时间进行观察。

用本体论的术语来说,设计上下文是一个承载流失风险(churnRisk)的客户(Customer),关联到订阅(Subscription)、发票(Invoice)和支持交互历史,所有这些都解析到一个身份,并随时间进行观察。

通过将此设计上下文与步骤2中已调和的跨源上下文进行匹配,我们就可以回答现实数据条件是否可以满足设计意图,我们把不满足的部分看作差距。

步骤4:识别差距

现在我们可以解读每个差距对客户流失这个数据用例的实际意义:

差距1:邮箱地址(EmailAddress) 在两个本体论中共享。对于客户流失预测,邮箱是连接计费和支持历史到同一个客户的关键。这不是噪声,而是模型所依赖的调和过程。它成为一个身份解析需求。

差距2:账户(Account) vs. 客户(Customer)。用例取决于这些是否代表同一业务实体。解决这个问题决定了预测目标和底层数据模型。

差距3:计费状态(BillingStatus) 和 工单状态(TicketStatus) 共享类型“状态”。共享类型并不意味共享意义。状态=“已关闭(closed)”对工单而言是健康结果,但对计费而言却是流失信号。将它们合并为一个扁平概念会污染标签:它把两个上下文里截然不同的业务意义消除了,而在未来实施这个用例时,一个孤立的“已关闭”让模型失去了判断该客户会往哪个方向走的依据。一个典型的语义冲突就产生了——相同的类型,相反的含义。

一旦我们理解了这些差距对目标用例意味着什么,就可以采取行动。

步骤5:采取行动

差距分析将决定行动方案。

差距1 是内部调和:将邮箱定义为已解析的身份键,并连接。快速且内部可完成。

差距2 需要领域专家就客户粒度做出决策,然后对调和过的客户实体进行建模更改。工程成本低,但需要在编码前进行人工判断。

差距3 通过将共享类型消歧为不同的、上下文限定的概念(计费状态 vs. 工单状态作为独立含义)来解决,以便判定客户流失的重要标签不被污染。

“三个差距”分解为三个真正不同的计划:一个调和规则、一个领域专家粒度决策和一个语义消歧,它们具有不同的成本、不同的负责人以及它们之间的依赖顺序。策略师在投入大量时间进行构建之前,就已了解这一切。

虽然AI可以识别和分类潜在差距,但治理仍然至关重要。业务所有者和领域专家负责验证实体定义、解决语义冲突,并批准影响企业级数据模型的变更。

步骤6:更新源上下文并循环

一旦采取行动,企业自身的理解就会发生改变。上下文不是静态的:模式会演变、新系统会上线、定义会发生漂移,而步骤5中的行动本身也会改变数据环境。因此,这从来不是一次性的工作。当策略师弥合一个差距并交付用例时,上下文的这种变化必须被捕获。

在这里,将邮箱地址解析为共享身份键、统一账户和客户,以及消歧状态,所有这些都改变了共同的上下文,而这便成为新的基线,下一个用例和下一个智能体将继承这份被调和的上下文,而非重新发现它。重新运行差异分析确认上下文差距已关闭;如果源发生了变化或出现了新差距,循环会从新状态继续。

这就是为什么上下文必须在数据环境层面作为一项服务来管理,而不是作为一份文档或一次性快照。企业不再将知识记录在静态设计文档中,而是可以将其维护为一个活的、版本受控的语义资产,每个未来的项目和AI智能体都可以重用。

这个流程是整个论点的缩影:明确的上下文输入,经过分类和追踪的差距输出,附加行动,上下文更新,最终留下一个比以前更强大的数据环境。

总结

数据策略师在数据现代化项目中的职责是:在复杂的数据环境中导航,设计和优先级排序用例,发现每个用例与可用数据之间的差距,弥合这些差距,并在现代数据架构中交付持久的数据能力。

最困难、最缓慢的部分是中间环节:对分散、冲突、被重复定义的、隐晦的意义进行调和与理解,并手动分析差距——而这正是项目流失数月时间和信誉的地方。

本体论 + LLM方法正致力于解决这一核心难题。 本体论使意义明确化并赋予上下文图结构;LLM则在该图结构上进行推理,帮助策略师找出差距,这并不是依赖专家知识、或基于对人和组织朴素信任的,而是客观、且基于现实语义的。结果是一个智能体循环:每个源的上下文 → 跨源上下文 → 与用例设计对比 → 找出差距并分析 → 追踪行动 → 更新并重复。它通过自动化大部分语义分析,同时将业务决策留给人类专家,从而显著减少发现所需的手动工作量。

随着各组织在企业范围内采用AI,成功越来越依赖于为系统提供可信的业务上下文,而不仅仅是更多数据。将本体论与LLM相结合,提供了一种实用方法,使该上下文明确、可重用且持续改进,使数据现代化工作能够更快地交付价值,同时为未来的AI计划奠定更强大的语义基础。


作者:熊子川

跳转微信打开

  •  

大语言模型行业和炼铝行业的相似之处

原创 王建硕 2026-08-03 23:42 美国

最近整个大语言模型的发展,让我忽然想起了一个看起来和它风马牛不相及的产业——炼铝。仔细想想,这两个行业其实很像。 铝:曾经和白银一样贵的金属 很多人不知道,铝曾经是极其昂贵的金属,价格和白银不相上下。原因很简单:自然界里…

最近整个大语言模型的发展,让我忽然想起了一个看起来和它风马牛不相及的产业——炼铝。仔细想想,这两个行业其实很像。

铝:曾经和白银一样贵的金属

很多人不知道,铝曾经是极其昂贵的金属,价格和白银不相上下。原因很简单:自然界里没有天然存在的金属铝,它几乎都以氧化铝的形式存在。要把铝从氧化铝里分离出来,非常困难。

后来有人发现了一种用电来电解氧化铝、把铝还原出来的方法。从此,铝的成本降到了原来的千分之一以下。

结果我们今天都看到了:我们周围几乎什么东西都是铝做的。铝合金门窗,基本上是百分之九十九点几的铝再加一点合金;飞机、汽车,也都大量用铝。整个世界似乎变成了一个铝的世界。

铝,是「固化的电」

这些铝,全都是在铝的电解槽里,用电做出来的。所以有一种说法:铝就是固化的电,是被电凝固下来的金属。

很多时候,铝几乎变相成了一种电力的运输和出口方式。

我听过一个很惊人的想法:海上有些地方风能极大,但离陆地太远,即便在那里产生了大量的电,也没办法把电运回大陆。他们的办法是——原地炼铝。把风能转化的电,就地炼成铝,然后只需要用船把原料运过去,再把炼好的铝从海上运回来就行了。电运不走,但铝可以运走。

还有一个让我很惊讶的事实:中国所有发电量里,大概 6% 左右是用来炼铝的。这个数值比我们熟悉的大多数民用电——比如照明、家用电器——加起来都要高很多。

为什么 AI 时代让我想起炼铝

那么,为什么最近的智能时代、AI 时代,会让我想起电解铝?

第一,大语言模型开源的势头非常旺盛,比如最近的一些开放权重模型。开放权重,几乎就相当于炼铝的那套工艺——所有人都可以拿到,都能上手做。

第二,GPU 就好像炼铝行业里的电解槽。它虽然贵,但会被大量地建起来。电解槽把低附加值的电,变成高附加值的铝;GPU 也一样,把低附加值的电力,变成了非常高附加值的智慧产物。

第三,也是未来这个产业最重要的部分——电力。GPU 是一次性投入,就像建起一座炼铝厂;建成之后,是巨额的、常年的、大量的电能消耗。

现在全球数据中心的用电,也仅仅占电力消耗量的 1% 左右。但未来,我相信这个数值一定会迅速增加。

物理世界已经长了很多年,智能才刚刚开始

这里有一个关键的区别:铝虽然好,但物理世界对铝的需求,已经增长了过去很多年,基本进入平稳期;而智能的增长,才刚刚开始。

所以如果要分析未来的模型,考虑 token 经济、考虑「买 token」这件事,我觉得炼铝行业在很多方面都可以拿来做借鉴。开放权重是工艺,GPU 是电解槽,而真正决定这个行业天花板的,是电。

跳转微信打开

  •  

什么是 FDE —— 不只是一个岗位,更是一种能力

原创 佳芮的创业笔记 2026-08-03 18:30 北京

你这周开始学的东西,是今天全世界的 AI 公司花百万美金在抢的能力

句子第四期新兵训练营,Day 2 下午,我给新来的 FDE 讲了一个小时:什么是 FDE。

新兵训练营是我们让 FDE 快速上手的培训体系,一期五天,从在句子怎么做事、产品能力,到真实成交案例、交付实战,一期带一批新人进来。

这不是岗位说明书。是想让每个人知道一件事——你这周开始学的东西,是今天全世界的 AI 公司花百万美金在抢的能力。我们 2023 年就在干,比硅谷早三年。

听众三十个人,岗位很杂:FDE、管培生、做商业化的、研发的、产品的,还有香港来的实习生。我讲了四件事:FDE 是什么、为什么偏偏是现在火、为什么你稀缺、你的路能走多远。

事都是真事,不是编的。涉及同事的地方,对外这一版我把名字都换成了化名。

下面是全部内容,一页一页放上去。

什么是 FDE 你站在了一个十年一遇的位置上 · 新兵训练营第四期 · Day 2 · AI 项目交付

这个词从哪来 · Palantir 第 13 号员工 Shyam Sankar,2000 年代末发明

如果一个问题能用一份需求文档解决,那这个问题早就被解决了。 · — Shyam Sankar · Palantir

好想法不是在 Palo Alto 吃草莓时冒出来的。它们出现在吉布提的田野上、底特律的工厂车间里。 · — Shyam

精妙的不是把人派出去,是背后那套分工 · 前线两种人搭班子,后方把现场抽象成产品

Palantir 今天 · 3000  亿美元市值

为什么这两年突然火 · 钱花了,东西却跑不起来

Agent 还没有现成的样子。SaaS 你一上来就知道要做成什么样;Agent 不是 —— 只能钻进客户真实业务里一点点

为什么 FDE 稀缺 = 为什么你值钱

第一个该招的,不是工程师 · 大部分公司做 AI 落地第一反应是招算法 —— 错了

上一页那个学法语的 00 后女生 · 就是她 · 小胡 —— 她为什么行,下一步难在哪

我交过的学费 · 再强的 PE,一个人也补不上「读懂客户的生意」

那 FDE 到底要什么样的人 · 会写代码、懂行业,都能补。这两样补不出来

再看一个真人 · 小麦 · 现场每撞一堵墙,他把它变成一个产品

再看一个产品怎么长出来的 · 句子守护 · CTO 亲自下场,逼出来的产品

我喜欢的画像 · 硅谷黑帮那股气质 —— 我不强求统一画像

最后一轮,我亲自面 · 能坐在这的 FDE,已经是百里挑一

对在座每个人 · 别因为你不是 CS 科班、不是算法出身,就觉得自己边缘。

再往上看一层 · 会写代码 + 这股劲,天花板不可限量

你的路怎么走 —— 台阶是实的

一条主线 · 不管你在哪个台阶,衡量你的标准不变

最根基的一件事 · 把事情做完、拿到结果、靠谱

你的进阶之路 · 对外这条线 FDE · FDE 四级台阶,一级一级往上走

还有第二条线:对内 AI 管培生 · 同一件事,两个名字

为什么一个人能干以前一条流水线的活 · 1 + N:一个人加一支 Agent 团队

天花板有多高

三代组织,你赶上了第三代 · AI 第一次让协作可以并行

我给你的,是真烧得起 · 你的天花板不是公司给不给你工具

你能走多远 · 这种人,离自己出去开公司,其实只差一步。

把话说在前面 · 我也不会反对你去创业。

我对组织的思考 · 我没办法为你的成长负责,但能为你的成长创造空间

你这个 FDE 的天花板,就是你自己。

我常跟大家说一句话 · 3 年以后 ——

你赶上了什么

收尾 · 先说句实话 · 产品还不完美,但一直在变好

你在做的,是这个时代最值钱的事 ——

附 · 现场可能被问到的 · backup —— 先想好答案

阅读原文

跳转微信打开

  •  

AI 时代的学习方式:从愚昧山峰上不断跌落

原创 Tapir 2026-08-03 15:48 北京

大家好,我是 Tapir,真的是好久没写文章了。

最近 AI 的发展真的是突飞猛进啊,不知怎的 Coding Agent  在去年下半年突然就变得好用了,遥想当年还在用 Copilot 做代码补全,当时都觉得很先进了,但现在看来也还没脱离古法编程 😂。如今的我可以说一行代码都不会写了,我对于代码的掌控主要停留在概念层和架构设计,当出现 Codex 之类的工具突然无法使用,只得回归古法编程,打开文件树看代码仓库简直陌生到可怕,不知道这是好事还是坏事呢?我们确实逐渐在把代码变成如同汇编一样的黑盒,去梳理编写概念,得到了效率的同时慢慢也丧失了对于底层代码的理解和掌控感,AI 作为工具反过来影响了我们自身。

其实我挺想念 AI 出现之前的时代的,当时每一行代码我都能解释,为什么这么做也是经过各个工程师和产品设计的讨论,虽然慢,但是胜在简单安心,精进编程能力的道路也是相对清晰。而 AI 的出现让我有点迷茫了,或者也许不只是我。如果 AI 什么都会,我们应该做什么,留给我们的路线是什么?

最近我们团队里面正在尝试组建「AI Native」团队,按我的理解就是要让 AI 工作的时间超过人工作的时间,打破传统的工作模式,让 AI 变成所有人工作的核心工具。以前说人人都是产品经理,现在 AI Native 的终局可能是人人都是产品、设计、研发、测试、市场 😃。我们现在还在阵痛期,对于非工程背景的角色如何参与代码开发也在试错。但我确实觉得现在大家都太浮躁了,所谓谋定而后动,有时候也许慢就是快。我在这个阵痛期也是感觉工作变得越来越无趣,也开始焦躁烦躁。

吐槽吐的差不多了,故事才刚开始,我最近又重新燃起了热情,因为我好像发现了 AI 之于我的价值所在了!

有一天早上我偶然刷到一个关于 M5Stack Cardputer 的视频,视频里的博主利用这款硬件开发了一些软件,比如复刻了老罗的TNT、音箱歌词显示器、万能遥控器什么的,回想到之前很多人做过 Vibe  Coding 键盘啥的,我突然想要自己做些什么硬件,因为我感觉这和我的本职工作 Web 前端是一个不同的领域,我可以利用硬件能力触碰现实世界了。硬件和网页很不一样,可以有按钮,有旋钮,有一块屏幕,可以真的拿在手里。软件跑起来以后,屏幕会亮,旋钮会响应,扬声器会发出声音。写的东西不再只是浏览器里的一个页面,而会占据真实的空间。

我当时对硬件几乎一窍不通,但 AI 让我有了一种以前没有过的感觉。很多不熟悉的东西,好像都可以先进去看看,我相信 AI 能帮我解决。我对着 ChatGPT 问了一上午,终于确认了我要怎么开始玩硬件。

痴迷于硬件的新世界

经过 ChatGPT 大人的指导,我没有选择 M5Stack Cardputer,也没有选择一些基于 Linux 的终端。一方面我希望设备尽可能小巧,另外好不容易从家出来一趟,肯定希望走远一些看看,于是我选择了基于 ESP32-S3 的开发板 LILYGO T-Embed。

ESP32-S3 是上海乐鑫推出的芯片,集成了 Wi-Fi 和低功耗蓝牙,开发资料和社区项目都很多。对于我这种刚开始玩硬件的人来说,这类芯片比较容易找到资料和现成案例。 如今 ESP32 在带无线能力的 IoT 设备和个人项目里非常流行,很多过去会优先考虑 STM32 的场景,现在也多了一个很有竞争力的选择。

LILYGO T-Embed

T-Embed 其实很简单,就是一块小显示屏、一个滚轮和一个中间按键。现在回头看,选择它的理由也挺奇怪的。我正在用一款 Sonic 的定时器,它也是靠一个滚轮操作。我特别喜欢那个手感,转一下,按一下,开始或者结束,整个过程很直接。T-Embed 有这个滚轮,我一下就看中了。

定时器

还有一款推动我一步步深入的产品就是 Playdate,我非常喜欢它的全反射屏幕,这屏幕在我看来完全就是艺术品,流畅的单色画面,既复古又新潮,不知道大家有没有玩过八方旅人这款游戏,给我的感觉是类似的,八方旅人也用它的 HD-2D,让老技术焕发了第二春。

Playdate

所以我的短期目标就是开发些软件先在 T-Embed 上跑通,长期目标就是将我这几个审美趣味相投的硬件产品整合成独属于我的硬件产品。

下单 T-Embed 后我没有等他送到就迫不及待的开始实现软件,我似乎找回了那种刚开始学习编程的那种热情。于是我把这些乱七八糟的想法、参考图、喜欢的设备和交互方式,一股脑告诉了 Codex。我说我想做一个 OS,装在这个单片机上。它开始在我的 Mac 上跑 Goal,自己搭环境、写代码、做测试。我中间还经常去看,因为它有时候要调 Computer Use,经常会卡住,或者效率特别低。我看着它在那边转,又有点想帮它点一下。我给它起名叫 CadenzaOS(https://github.com/SuperTapir/CadenzaOS),Cadenza 意为乐曲中留给演奏者自由发挥的华彩段,我希望这款硬件能成为我个人表达的空间。

第二天我看它自己测试时给出的截图,真的感觉非常漂亮。当时我立刻发给朋友说:「我的天,太兴奋了」。这真的跟开发个网页不一样,这可是直接跑在 ESP32 芯片上的,用 C++ 渲染出来的界面啊。接下来几天我沉浸在这种狂热中,不断的利用 Codex 更新了一波又一波的视觉和功能。 兴奋!

等收到 T-Embed,刷上我写的 CadenzaOS,其实和我本地模拟器看到的不太一样,会很卡,扬声器的工作状态也不符合预期,但我依旧很兴奋,迫不及待的拍了视频发给朋友,分享我的喜悦。然后又进行了一波固件优化,再刷上就不卡了,真的很开心啊!

从愚昧山峰掉进了绝望之谷

经此一役我感觉自己无敌了,依靠 AI 大人我真的畅通无阻。不知道大家是否听说过「达克效应」,我觉得我此时就处于「愚昧山峰」。

我不满足于继续用 T-Embed 凑合玩,也许我可以直接去实现我的终极目标做出专属于我的设备,而做最终产品必须要一块紧凑的 PCB 和外壳,于是我简单了解了一下这块儿领域就开始尝试让 AI 帮我直接画 PCB,我还让 AI 用了 kicad-happy 这个 Skill 去画板子,出来的东西看起来真的挺像那么回事。器件摆好了,线也拉好了,板框也有了,连 KiCad 里的画面看起来都很专业。

Codex 惊人的工作时间和 Token 消耗量

看上去像那么回事

我又找了一个网上的开源工程让它参考,跟它改了一晚上(花了大量的时间和 token!)。后来终于有了一版看起来差不多的东西,但其实我自己没有判断力,只是 AI 似乎觉得这已经 OK 了,我当时想,先打一个板子试试,OK 的话就先这样了。其实这时候我已经隐隐感觉不对了。。。

在我进入嘉立创在 AI 的指导下一步步填写晦涩的各种参数,填写完 PCB 的订单以后,还要走一个 SMT 的流程,我理解 SMT 就是把我们需要的电子元器件比如扬声器、麦克风、功放、芯片装在 PCB  上,结果一进去我人傻了,似乎导入嘉立创的工程里还是有很多问题在 SMT 的环节全部暴露出来了,就是一大堆报错,我当时真的直接崩溃了,本来以为画 PCB 已经是最难的一关,结果还有第二关,甚至可能还有第三关。

无能狂怒😢

其实我还脑子一热买了一堆元件、杜邦线、面包板、万用表,简单玩了一下,让 ChatGPT 指导我各种插线,有一定收获,但是也没玩太明白hhh 

于是我跌入了绝望之谷,我知道了硬件这个领域还有太多我不懂的东西,我交给 AI 做的工作如果我都无法判断,没有概念,那这些混乱也会被 AI 放大,直至失控。。。

从跌倒的地方爬起来

消沉了一段时间以后,我觉得还是退回来,做一些我相对擅长的事情,比如确定这个产品需要做成什么,需要哪些硬件,外形如何,如何使用。于是我开始尝试跟 AI 讨论把这个概念设计和外形工业设计定下来,为此我还学习了一些工业设计的技巧。最终形成了概念设计文档、硬件清单和一个 3D 模型(虽然还是挺粗糙的)。希望能交付给第三方帮我搞定硬件。

一个初版模型

但是在我接触了一些闲鱼上的代做单片机相关的商家以后,都对我这个产品不太感兴趣,经过多轮沟通给我报价 8500,虽然我想过会很高(毕竟后面跟 AI 探讨的太起劲了,把这个产品扩展的有点全能了😓),但是没想到会这么高,再评估一下后续可能返工带来的时间和金钱成本,我还是放弃了,感受到这个 Leap 以后,我的兴趣确实逐渐消散了。

在跌倒的地方种一朵花

将 Cadenza 搁置以后,我其实也没有一下子从硬件的世界里退出来。因为前面搞 PCB 的时候,我已经下载了 KiCad、嘉立创 EDA,注册了嘉立创账号,B 站也刷了不少相关视频。算法大概已经知道我最近在折腾什么了,机缘巧合之下我刷到了几个 PCB Art 相关的视频,制作精美的电路板艺术深深地吸引了我。

我当时第一次看到这个东西,觉得还挺神奇的。原来 PCB 不只是拿来放芯片、拉线、实现功能,也可以做成一件作品。阻焊层可以决定板子的底色,露出来的铜可以做图案,沉金会让露铜的部分变成金色,丝印还可以加文字和线条。最后做出来的东西,真可谓是艺术品!(当然还有就是嘉立创现在可以薅羊毛,免费的板子谁不爱呢?😂)

形形色色的 PCB 艺术(取自 B 站各视频封面)

我就选择了一位老师跟着做,大致了解流程以后,感觉不难,信心回来了。我开始准备图案,以艾尔登法环为主题,先在 Sketch 里面处理图片(这次图案正面部分取自一位老师的视频中的梅琳娜、背面是黄金树,但我做了一定加工),中间还用 GPT 去做了一些生图或者调整图片细节,调黑白关系、把细节简化,再导进嘉立创 EDA。这里也有很多要试的地方,比如图片到底要放在哪一层,哪些地方露铜,哪些地方保留阻焊,尺寸做多大才合适。好在这次的目标很具体,我能直接看到图片变成什么样,也能判断哪里不好看。

在 Sketch 中编辑 PCB Art 图片

最后我真的在嘉立创下了一份样板订单。看着订单一步步从生产的各个流程到最终发货,我很开心。我没有数电、模电的基础,对硬件的了解也只是皮毛,没有去修改理解 PCB 的能力,但是对于这块简单的电路艺术板我还是大致跑通,踏踏实实的做出来了。

我的 PCB 订单

这块板子没有让我突然学会硬件,但它让我重新找回了一点动手的感觉。Cadenza 那种完整的硬件产品,对当时的我来说实在太大了。PCB Art 小很多,也简单很多,但它给了我一个能自己走完的闭环。

重新学习如何和 AI 一起协作

完成 PCB 艺术板后,我其实想多去学习一些这方面的技巧,能有朝一日做出 B 站上各位大佬一样华丽的作品,但我发现了一个问题,就是大家在构建作品的时候还是要使用如「嘉立创 EDA」类似这样的专为 PCB 设计而建立的平台,当然最终我们的板子的载体还是 PCB 使用这类软件当然是无可厚非的,而且是最准确的,但是其实其中绝大部分的功能对于普通玩家是不需要的,而且我用起来觉得各种操作一言难尽。

举个例子,我当时在做板子的时候没注意做大了,想要回去修改就得一个一个层重新调整大小,仔细对照图案是否对齐了,还有焊盘(打孔)的位置,各种反复修改。我再去嘉立创上下单,结果发现沉金面积又超标了(不支持优惠券了),在这样反复调整下我花费了大量时间和精力在这些没有意义的事情上。

除此之外,嘉立创 EDA 还有着一定的学习成本很容易误操作。在观察了各位大佬的 B 站视频我大致总结出了各位老师的 Workflow,通常是这几个步骤:

  1. 图案、排版的前期设计和准备:这一步要利用抠图、AI 重绘、图像处理等操作让图案适合后续绘制在 PCB 上

  2. 在 EDA 上拼接:将图片素材、文字素材在 EDA 上进行整合排布,需要考虑在阻焊层、丝印层 的层叠效果

  3. 进行挖孔等操作

  4. 反复在 3D 预览中确认效果来进一步调整图案、排版

当然可能还会有一些复杂操作,比如还是让板子具备一定的能力,比如加入 NFC 芯片,或者需要异形的板子,需要绘制异形的板框等,但大致流程我想就是这样。

所以我希望能简化这个流程,让大家创建 PCB 艺术能将精力更多放在设计本身,让一些初学者更好入门上手,让大佬们能解决一些重复性的问题帮他们出一版 Draft。

于是带着这些想法,我 fork 了 PCB_lightgraph(https://github.com/tomatorigid/PCB_lightgraph) 创建自己的 PCB_lightgraph_Neo,但是由于我当时想要的太多了,有点急于求成,一股脑将自己的想法告诉 AI,让 AI 自行学习拆解老师们的工艺技法,导致最后做成了一个四不像。Neo 变成了一个功能很多,但我自己都不想用的东西。AI 把我零散的想法都实现了一遍,也把我一开始没有想明白的地方一起放大了。混乱的需求只会导致混乱的结果,AI 只是加速了这个过程。

后续我又规整自己的想法和里程碑,明确了究竟自己想要做什么,新开了项目 PCB Atelier 结合了之前 Neo、Cadenza 的各种和 AI 协作的经验,目前效果不错,已经初步实现了我想要的功能,可以像 PS、Sketch 一样操作图层(和对应 PCB 的物理层)并最终导出「嘉立创 EDA」的项目工程可以直接进行下单。后续规划是进一步提升稳定度和可靠性,并增强图片处理能力让前期选定图案的时候也可以在 Atelier 中完成,除此之外还考虑加入 AI 能力,可以接入自己的 Codex、Claude Code、API 等在 Atelier 中进行 AI 图片生成或处理,甚至是直接让 AI 来帮助完成作品的评估和修改。 

学着从愚昧山峰上自己走下来

在经历了这么多高强度和 AI 协作的项目后(感谢 Tibo 老板送的 Reset 和 Codex 限制解除!),我逐渐摸索出了一些在 AI 时代创建新项目的技巧,在这里分享给大家(奖励一下能看到这里的读者)。

想清楚方向,你究竟想要什么

这一点是最重要的,如前文所说 AI 是放大器,混乱的开始只能以混乱结束,你必须心中有数,明确自己想要什么,如果你只有一个非常模糊的想法那你应该和 AI 先一步步讨论清楚,过程中可以尝试利用 grill-me 之类的 Skill,在你确认好再进行下一步。即使你想给 AI 留出一定空间来进行自由发挥,也请保持心中有数,在发觉不对的时候赶紧悬崖勒马。

做足调研,站在巨人的肩膀上

在没有 AI 的时代,工程师们就贡献了很多了不起的工程项目,AI 很多的编码技巧就来源于这里,所以别过度相信 AI 生造的东西。

我在开启新项目的时候会留一个目录专门存放一些可以用来参考的代码或资料,AI 拥有着前所未有的搜索和信息整合能力,我会让 AI 给我一份清单,要包含我们当前这个项目相似或者可能会有关联的开源项目或者资料,再将他们克隆或者下载到这个目录,我认为这样在后续我们进行正式的代码开发时让 AI 参考本地的项目会比利用什么 API 参考线上的项目更高效。

CadenzaOS 的参考目录

当然,请注意边界,不要「过度深入」的参考其他人的开源项目,虽说这个边界很难琢磨。

判断力的缺失将导致失控和灾难

执行力可以外包,而判断力不行,如果想要做成一个广义上的好项目必须具备领域的基础知识和审美,如果当 AI 给出一些选项时,你根本无法进行抉择,只能永远让 AI 给你提供建议那你就是在完全被 AI 牵着鼻子走,这不是你的项目,这是 AI 的项目,只是你给你的 AI 支付了 Token 罢了。

一旦你失去了判断力,那这个产品就没法向前了,这就是在提醒你要补一补专业知识了,至少要从概念层上理解现在正在发生什么,当然你也可以让相关的专业人士加入你的团队为你提供判断力,AI 不会为他的行为负责,但你需要。

拆分里程碑,切不可贪快

请明确每一步的里程碑,在清晰确切的完成这个目标之前,不要做其他事,不要开发新功能引入新的混乱,这符合软件工程的准则,即使现在是 AI 时代了,也不过时。我献身说法一下,因为 Tibo 老板那几天 Reset 的太频繁了,所以我整个人就很焦虑,向着 Token 不用完就亏了,经常临睡觉一定要给 AI 安排一个任务,用 Goal 去执行,在我还没想明白某个功能的时候,我就迫不及待的交给 AI 全权去做了,Token 可能是没有浪费吧,但是项目陷入了混乱,各种功能混杂在一起,让 Debug 的难度指数级上升,AI 都改不过来(也许 AI 不认为那是 Bug ,或者就是单纯忽略掉了,所以不会自行解决)。

我建议可以使用 OpenSpec 或者就是自带的 Plan Mode,在完成这个 Plan 之前不要添加新的功能。完全确认好了再下一步,不要贪快,有时候慢就是快。

给 AI 更多的上下文和参照,包括视频

之前说过要让 AI 参照一些关联的开源项目,说的也是这个事,但是我最近发现 AI 读视频的效率也是很高,它可以抽帧去看视频。所以我现在非常喜欢发一段录屏配文字说明现在的状况。我之前在做 CadenzaOS 菜单动画的时候就非常想参考 Playdate 的菜单动画,就录了视频,发给 Codex,Codex 就根据抽帧,不断 Loop,像素级还原了这个效果,完成了以后我真的很震惊,因为最后这个效果简直是一模一样。

虽说让 AI 自己摸索,相信它也是可以自己摸索出来如何看视频的,但为了让 AI 高效完成工作我也做了一个 Skill 帮助 AI 去分析视频,已经传到 Skill 市场上了(https://www.skills.sh/supertapir/tapir-skills/inspect-video-frames)大家感兴趣可以试试。

TDD 很重要,帮助 AI 锚定目标

TDD 是神,特别是我们现在起项目会大规模使用 Loop,通过单测、E2E 测试等 AI 能清晰的认识到这次修改是否改对了,完成测试 ≈ 完成需求且无报错,AI 改的放心,人看着也放心。

请原生支持 CLI,给 AI Agent 留出入口

我觉得 AI 时代了,或多或少我们都希望让 AI 能接管或者参与到我们的项目中,GUI 显然不是给 AI 用的,CLI 才是它们真正需要的,如果你有这方面的规划,别忘了从项目一开始就支持 CLI 的使用。

让经验和工作流留在仓库里

请将工程的工作流作为项目级 Skill 留在你的仓库,不只是你开发这个项目用的开发 Skill,比如 OpenSpec 啥的,我在做 CadenzaOS 的时候想要生成一些 App 的封面图,花了大量时间和精力做调整,可不只是全交给 AI 生图这么简单,还要经过一些脚本处理,最终才能变成漂亮的 1bit 封面。在完成几个封面后,我就让 AI 将这个工作流沉淀成 Skill 存储在 Repo 里。并进行了一些测试确保 Skill 的可靠。在这之后就可以让 AI 创建新的 App 的时候主动调用封面生成 Skill 来生成了。

封面生成 Skill

通过 Skill 生成的封面,很符合我的审美!

向山进发

我发现 AI 之于我最大的作用,就是让我敢去挑战一些以前完全不敢触碰的领域。

以前我看到硬件、通信、单片机这些东西,会觉得自己根本没有入口。现在我会觉得,至少可以先进去看看。AI 对通用知识的理解,确实能帮我解决很多最开始的问题,帮我找资料、搭环境、解释概念、写一些代码,让我不用一上来就被陌生名词劝退。

垂直的知识当然还是很重要,专业的事情也依然要交给专业的人。但对我自己来说,我现在会更看重广度。多了解一点不同领域的东西,慢慢建立自己的审美趣味和判断,再借助 AI 去把这些东西融会贯通,想必就会拥有与众不同的视点。

继续向着愚昧山峰进发吧,也不用太担心跌下来。每跌一次,至少会多知道一点自己缺什么,多知道一点这个领域真正难在哪里。下次再去碰一个新的东西,说不定就会比上一次更清楚一点。

接下来我准备去玩玩 Flipper Zero,也想学一下通信相关的知识。估计后面还是会踩很多坑,但我相信 AI 能继续帮我把这个领域的门稍微推开一点,哈哈。

关于本文:

我以前很讨厌 AI 的一点就是在于 AI 让工业化生产内容变得太简单了,导致同质化的内容太多了,现在看到 AI 腔(不是。。。而是。。。)我真的很想吐,也许误伤了一些本身就这么创作的人,但看到 AI 腔总让我感觉这篇文章背后是冷冰冰的机器花了 30s 生产出来的,我就对这篇文章一点也不感兴趣了。(我早年经常翻译英文文章来练习英语,翻译的还很生硬,所以可能 AI 腔没有但翻译腔会比较重hhh)但工具也在反向影响我们,在 AI 生产的内容充斥在我们周围时,我们也在不知不觉之间受到其语言风格行为习惯的影响。 我敢保证本文 99% 由人类撰写,剩下 1% 是我让 AI 修了些错字,提供些修改建议。但我确实利用 AI 的检索和整合能力,通过对话将本文所有的素材做了收集,在我需要的时候 AI 可以将素材发给我。

项目和资料

CadenzaOS:https://github.com/SuperTapir/CadenzaOS

PCB Atelier:https://github.com/SuperTapir/pcb-atelier

tapir-skills:https://github.com/SuperTapir/tapir-skills

PCB_lightgraph:https://github.com/tomatorigid/PCB_lightgraph

我用AI编程复刻了老罗的TNT,还顺手做了个万能遥控器……:https://www.bilibili.com/video/BV1qMKg6uEJr

送朋友一张PCB做的贺卡!:https://www.bilibili.com/video/BV11MjE6qEXb

🎉🕯🎂🕯🎉(我的第一块 PCB Art 作品图案取自这位老师的视频):https://www.bilibili.com/video/BV1ihNx61Ewq

从零开始的二次元电路板艺术画设计教程:https://www.bilibili.com/video/BV1CQjz6ZELZ

-END -

如果您关注前端+AI 相关领域可以扫码进群交流

图片

添加小编微信进群😊

跳转微信打开

  •  

老板一句「做个XX」,AI跑完调研到原型|Codex Subagents实操篇

原创 强少Qone 2026-08-03 12:00 广东

做产品的,最怕老板甩来一句:「做个 XX,你先看看。」

结果呢?你一个人查竞品查到眼花,写 PRD 写到头秃,画原型画到崩溃。折腾快一周交上去,老板扫一眼:「流程好像不太对?」血压一下就上来了。

同样是接这需求,有人熬夜一周憋方案,有人让 AI 员工接力,半天就出了能讲的雏形——差的不止是手速,是会不会把活拆给队伍。

上篇聊完「172 个 AI 员工」,后台最多的问题就是:我不写代码,这玩意跟我有啥关系?

关系大了。产品岗最累的三步——调研、写需求、画原型——正好全是能拆出去的活。这篇就手把手演示:怎么用 AI 员工三步接力,把这三座大山搬掉。

这条流水线长啥样

一个想法丢进去,三个「员工」接力,出来一份方案雏形。它像一条工厂流水线:上一道工序的成品,就是下一道的原材料。

  • • 第一步 市场调研 + 竞品分析(俩人并行):business-analyst 摸清目标用户和核心诉求;竞品分析专员找出 3 到 5 个对手,功能、定价、短板挨个比。

  • • 第二步 产品需求整理(接第一步):product-manager 基于调研结论,理出需求清单(PRD)——核心功能、用户流程、优先级。

  • • 第三步 产品原型 Demo(接第二步):ux-designer 基于需求,产出原型说明——页面结构、关键界面、主要交互,文字加简易结构描述。

  • • 最后 knowledge-synthesizer 把三步串成一份「从调研到原型」的完整交付物。

注意一个细节:第一步俩人是并行的,但三步之间是排队的——因为需求要吃调研的产出,原型要吃需求的产出。这个「看依赖决定并行还是串行」,正是上篇讲的核心。

你干的事只有一件:看汇总稿,改改,拿去讲。

一段话叫它跑起来(直接抄)

我要做一个「面向小团队的任务管理工具」的雏形,请按三步流水线来做:
第一步(调研):同时派 business-analyst 分析目标用户和核心诉求,派竞品分析专员找出 3–5 个对手,对比功能/定价/短板。
第二步(需求):等调研完成,派 product-manager 基于上面的结论整理产品需求(PRD),写明核心功能、用户流程、优先级。
第三步(原型):等需求定稿,派 ux-designer 产出原型 Demo 说明(页面结构、关键界面、主要交互),用文字 + 简易结构描述。
最后让 knowledge-synthesizer 把三步串成一份连贯的交付物,每条结论附依据。

跑完你拿到的不是一堆碎片,是一份能拿去汇报的方案雏形。

丑话说前头:第一次跑出来的东西,大概率平庸——竞品列得不准,PRD 写得像教科书。别慌,这不代表玩法不行,是你还没把「每一步交什么、按什么格式」说细。把提示词里的要求改具体,调个两三次,就顺手了。我自己的第一版也惨不忍睹,后来就是一点点磨出来的。

为什么比自己憋强

不是 AI 比你聪明,是它不累、不偏心、不嫌烦。

人做需求有个通病:精力是下坡的。第一天查竞品还精神,第三天写 PRD 就开始糊弄,最容易漏掉那个不起眼但要命的竞品短板。流水线每一步都是满状态开工,标准还统一。

记牢一句话:流水线负责「不漏」,你负责「拍板」。

三个坑,绕着走

  • • 让某一步直接替你定结论 → 它真敢编,尤其「竞品短板」这种需要实时数据的事。员工出素材,你做决定。

  • • 一次叫十几个人 → 报告厚到没人看。三步各一两个足够。

  • • 不规定返回格式 → 你会收到一堆散文。要它「按模块 + 依据」给,不然后面没法接。

想再懒一点?

上篇的资料包里,我放了这条流水线的现成提示词,复制就能用。你还能把它存成「常用指令」:老板每次丢想法,喊一声就跑,不用重新打字。

等你想懒到极致,还能让它定时自动跑——比如每天早上自动出一份竞品简报甩你群里。这个下篇讲,不写一行代码,关注了别错过。

最后说一句

产品岗最贵的从来不是体力,是判断力。把调研、整理、初稿这些体力活交出去,你的脑子留着干一件事:拍板。

资料包里有这条流水线的完整提示词 + 172 个员工名单 + 26 套话术。关注「强少来了」,后台回「子智能体」领。

如果你也被「调研、需求、画原型」这三座大山压过,转给那个总加班做 PPT 的同事——他需要的不是更努力,是一支队伍。

END

如果本文对你有帮助,请点赞、在看和分享给身边的朋友!

别忘了关注「强少来了」

获取更多前端 · 后端 · B端产品思维的精彩内容!

👇👇👇

你的认可,是对我最大的鼓励

求转发,朋友圈

另外我建了一个读友交流群

你可以回复关键词「进群」

添加我个人微信,邀请你入群

跳转微信打开

  •  

分类

原创 李继刚 2026-08-03 00:00 北京

「万类霜天竞自由」

世界来到我们面前时,并没有附带标签。每一个对象都裹着无数细节,每一次经验也都只发生一次。理性若想从中获得知识,就必须做一件既必要又危险的事:把不同的东西看作同类。

1

一个孩子第一次碰到火,被烫得缩回手。这还只是一件发生过的事。真正的知识出现在第二团火面前:火焰的形状、大小和颜色都变了,手却在接触之前缩了回来。

过去之所以能够指导现在,是因为孩子忽略了两团火之间的大量差异,保留了一个与行动有关的共同点:它们都可能造成灼伤。分类让两个不同的对象获得了同一个认知位置,上一次的后果因而可以迁移到下一次。

若每一次经验都绝对独特,过去就无法进入未来。记忆可以储存经历,却不能自动生成知识。知识开始于一种受约束的重复:这一次虽然不是上一次,但在当前问题上,可以把它们当作同一类。

2

分类不是发现世界中早已摆好的盒子。它更像一项判断:对于眼前的问题,哪些差异重要,哪些差异可以先放在一边。所谓同类,不是两个对象拥有相同的全部性质,而是它们在某个问题下可以被同样处理。

鲸与鲨鱼都生活在海洋里。讨论栖息环境时,它们可以进入同一类;追问演化谱系时,它们又必须分开。对象没有改变,问题改变了分类所保留的差异。一个分类的边界,正是它所回答的问题的边界。

因此,每一次分类都包含一项赌注:被忽略的差异不会改变当前结论。赌对了,复杂经验被压缩,知识得以迁移;赌错了,分类便把无知整理成了秩序。分类带来的清晰,从来不是没有代价的清晰。

3

在理性认知中,感知先给出差异,概念提供区分标准,分类形成稳定对象,推理再处理对象之间的关系。分类位于感知与推理之间,像一道编译层:它把连续、具体、充满偶然细节的经验,转换成可以比较、归纳和预测的认知单位。

这也说明,错误并不一定发生在推理过程中。两个人都发热、咳嗽,可以先进入同一症状组,共用一套检查路径;但症状相似不等于病因相同。若把症状的分类直接当成病因的分类,后面的推理越严密,错误反而扩展得越精确。

逻辑能够检查一个结论是否从前提推出,却不能单靠逻辑保证对象最初被分对了。分类预先规定什么算对象、什么算证据、哪些差异值得进入推理。理性最深的错误,常常发生在推理开始以前。

4

分类会损伤整体感,但这不是它唯一的方向。不认识鸟的人看见的是「一群鸟」;熟悉鸟类的人却能看见羽色、鸣声、栖息和迁徙方式。分类没有让他看得更少,反而让原本混在一起的差异显现出来。

真正的分界不在于是否分类,而在于分类之后是否还继续观察。好的分类说:「原来这里还有差异。」坏的分类说:「我已经知道它是什么。」前者把类别当作入口,后者把类别当作判决。

当一个人被归为「焦虑型的人」或「问题学生」,类别尤其容易从描述滑向定义。原本发生在特定关系和处境中的行为,被固定成了个人本质;人们随后按照这个类别对待他,他也可能逐渐用它解释自己。分类不再只是描绘事实,而开始参与制造事实。

5

分类以前的整体没有破碎,但也没有展开。分类以后,部分变得清楚,部分之间的关系却可能消失。真正需要恢复的,不是最初那种未经区分的圆满,而是一个经过区分之后仍能看见联系的整体。

因此,成熟的理性必须同时保有两种能力:需要行动时,它能够清楚地区分;分类开始遮蔽对象时,它又能撤回原来的边界,换一个问题重新看。它不把例外一律当作噪声,因为例外有时正是分类失效的地方。

一个可靠的分类,必须允许三个问题进入:

1. 我为什么这样分?

2. 我忽略了什么?

3. 什么事实(差异)出现时,我必须重新分?

分类让知识成为可能;重新分类,才使知识不至于固化成偏见。

世界可以被分类,但世界从来不是分类的总和。

跳转微信打开

  •  

AI 值得信任吗?先看看人类花了一百年才敢喝的那杯水

原创 王建硕 2026-08-02 23:25 美国

我们最近聊到一个问题:AI 值不值得信任?聊着聊着,我发现真正的问题根本不是 AI 准不准,而是——信任是怎么建立起来的。 全盘接受,才是真正的危险 你问 AI 一件事,它给你答案,如果你全盘接受,这个世界以后会很惨。因…

我们最近聊到一个问题:AI 值不值得信任?聊着聊着,我发现真正的问题根本不是 AI 值不值得信任,而是——信任是怎么建立起来的。

全盘接受,才是真正的危险

你问 AI 一件事,它给你答案,如果你全盘接受,这个世界以后会很惨。因为你接受了,你就放弃了控制,你就没有戒心了。

这不是抽象的担心。我自己开自动驾驶的车,就明显发现反应变慢了。以前你不信任它,脚会经常放在刹车上,随时准备踩一下;现在你习惯了,到了出口它没出去,你已经意识不到自己该刹一下车了。信任本身,正在偷走你的警觉。

但是,对于不同的系统的信任程度,是满满的建立起来的。

有人说,那医生也会开错药啊。不一样。医生开错药,医生是要担责的。背后有个人,有一套追责的东西在兜底。 想想看,医生这种职业——你把自己的性命交给他,让他给出配方,剂量出了问题有可能就会死人。而且别忘了,在漫长的历史里,不靠谱的医生、不靠谱的偏方,造成的问题远远高于今天任何一个 AI 大语言模型。但我们是怎么一步步信任医生的?人类花了几百年时间,靠的不是「医生是好人」,靠的是执照制度、医疗事故追责、医院定期审查……一整套体系把这个原本极度危险的职业,一点一点逼得对患者相对安全起来。你信任的从来不是那个人,是那套体系。

我们敢喝那杯水,靠的不是运气

打个比方:在餐馆里面,我面前的这杯水里,到底有没有毒?我敢喝,是因为我信任,在正常的餐馆里喝的东西应该没毒。

但这份信任不是天上掉下来的。200 年前的社会,是无法建立这种信任的——在外面根本不敢随便喝水。想想看,200 年前在外面喝一杯没烧开的水,基本上就是在赌博。细菌是什么都还没搞明白,死都不知道怎么死的。自来水和灭菌根本不存在——你在外面随便喝口水,就是真的在拿自己的身体下注。我们现在觉得理所当然安全的东西,曾经都是那么不安全。

为什么今天敢了?因为我们建立了司法体系、追责体系、食品安全,门口要贴员工的定期体检报告、要公示……一整套东西堆起来,才让我今天敢在任何一个餐馆里面,端起这杯水喝下去。

汽车也是,吃药也是,电也是,火也是。历史上,技术让我们现在稀松平常的很多事,都曾经是一场冒险。所以我认为 AI 也会需要一段时间,慢慢把出错的概率压下来。这不是哪一件事单独能做到的,是技术、监管、还有整个社会认知共同进步的结果。

AI 现在恰恰缺的就是这一整套。 所以今天它出错,就是死了就死了,没人负责。不只是追责体系缺位,对 AI 的监管本身也远远不够,既没有足够强的外部约束,技术本身的迭代速度也远超我们建立信任的速度。这两件事加在一起,才是我们现在不该全盘相信 AI 的真正原因。

三年后,AI 也得有一张「健康证」

但过三年,等 AI 真正开始承担重要的事,情况必须变。AI 的模型上面也得有「健康证」,市场监督局得去检查:AI 输出的东西有没有把人给害死?这事肯定会干,让我们逐渐建立起来更深的对 AI 的信任。

信任从来不是「你选择相信」,而是「有一套体系逼着对方不敢辜负你」。人类花了两百年,才把这套体系套在餐馆和医生身上。AI 也逃不掉这一步。

给 AI 贴警告标签?没必要

有人建议,AI 应该贴一个巨大的警告标签,时刻提醒用户「AI 可能出错」。我觉得没必要。

标签贴不贴,不应该看它有没有出过错,而应该看它跟其他信息源比起来靠不靠谱。朋友给的建议,出错的概率其实不比 AI 低,尤其在他们没有专业资质的领域;父母给孩子的建议,就一定靠谱吗?那我们是不是也得每天提醒孩子:「父母是有可能出错的」?是不是也得教育年老的父母:「不要轻信自己的孩子」?

这一推下去,就变得很滑稽了。

学会信任一杯水,本身就是学习的一部分。学会判断哪个信息源值得信、值得信到什么程度,也是。更根本的是:信任谁、怎么信、信到几分——这本身就是一种需要习得的能力,不是天生就有的,也不是贴几张警告标签就能替代的。我们不需要给每一个信息源都贴上警告,我们需要的是把判断力培养起来。

总之,这是一个系统的工程:社会的监督,技术的进步和使用者的成熟。这也是任何技术的普及都需要时间的原因。

跳转微信打开

  •  

别再反复教 Coding Agent:让项目记住自己如何工作的五个步骤

原创 Phodal 2026-08-02 12:47 浙江

所谓持续改进,不是不断增加配置,而是让这一次任务留下的东西,真正帮助下一次。

最近我重新整理 Better Harness ( https://github.com/QoderAI/better-harness )的 references 目录时。其核心我们是整理了一系列 AI Coding 的最佳实践,以让 AI 在调用这个 plugin 的时候写出有价值的修复建议。

过程中,发现一个有意思的问题:里面积累的实践越来越完整,但第一次接触 Coding Agent 工程化的人,反而更难判断应该先做什么。

如果你已经让 Coding Agent 修改过真实项目,大概见过这样的场景:它能很快找到代码、完成修改,甚至运行测试;但换一次对话,又要重新猜测项目使用什么命令、 哪些文档可信、哪些文件不能修改。你不断补充 Prompt,项目里的经验却没有真正留下来。放回 AI Coding 项目的成长过程,顺序其实很清楚,要添加的内容很也简单

阶段

要解决的问题

主要产物

进入项目

Agent 不知道怎样开工

AGENTS.md

理解项目

文档存在,但任务中找不到

知识路由

复用经验

同类流程需要反复解释

Skill

执行流程

方法有了,却缺少可靠工具

CLI、MCP、Hook

持续改进

这次经验没有进入下一次任务

Agent Work Loop

一个 Agent 友好的项目,不是安装了多少工具,而是项目知识能否被发现,流程能否被执行,结果能否被验证,经验能否进入下一次任务。

第一步:先用 AGENTS.md 给 Agent 一张项目地图

假设一个新人第一天加入项目,我们通常不会直接递给他全部架构文档,而会先告诉他:项目做什么、代码在哪里、怎样启动、修改后运行什么测试,以及哪些地方不要碰。

Coding Agent 进入仓库时,也需要这样一张地图。这是 AGENTS.md 最容易理解的用途。

不同 Coding Agent 对文件名和加载范围的支持有所不同,但 AGENTS.md 承担的内容应该尽量稳定:项目使用的包管理器和运行时、安装与测试命令、无法从目录结构推断的约定、生成文件的位置,以及涉及凭据、数据库迁移和发布时的安全边界。

Agent 能从代码中看出来的内容,没有必要再写一遍。真正值得写进去的,是它看不出来、却很容易猜错的事实。例如:

  • • 仓库里同时存在 npm 和 pnpm 的痕迹,当前究竟使用哪一个;

  • • 某个目录看起来像源码,实际上由工具生成;

  • • 完整测试需要半小时,修改一个模块时应该先运行哪条聚焦命令。

如果还不知道怎样起步,可以先在仓库根目录创建一份很短的 AGENTS.md:

  1. # AGENTS.md
  2. -安装依赖:`pnpm install`
  3. -修改后先运行:`pnpm test -- <相关测试>`
  4. -不要直接修改:`dist/`、`generated/`
  5. -修改模块边界前:阅读`docs/ARCHITECTURE.md`
  6. -涉及数据库迁移或发布:先请求人工确认

这只是最小示意,命令和路径必须替换为项目中真实可用的内容,并且亲自运行一遍。

一份实用的 AGENTS.md 应该简短、准确、可执行,并且与当前项目直接相关。AGENTS.md Review 还强调了一个重要原则:渐进式披露。根目录只保留多数任务都需要的说明,更详细的架构、设计和工作流程,通过链接按需读取。

第一步不必追求一份完美的 Agent 手册。先写清入口、命令、风险和文档导航,让 Agent 能够正确进入项目。

第二步:把核心文档接到任务路径上

有了项目地图,Agent 只是知道怎样开工,还不知道代码为什么这样组织。真正影响修改质量的知识,仍然散落在架构决策、设计规范、测试策略和运行手册中。

第二步要做的,是让这些文档从“仓库里存在”,变成“任务进行到这里时能够被找到”。

常见的核心文档包括 ARCHITECTURE.md、 DESIGN.md、编码规范、测试指南、发布说明和 Runbook。名字不必统一,但职责应该清楚:架构文档解释模块边界和依赖方向,设计文档保存界面与交互约束,编码规范记录团队特有的技术选择,测试与运行手册说明如何验证和诊断系统。

只在 AGENTS.md 末尾放一串链接还不够。更有效的写法,是同时给出读取条件:

  • • 修改模块边界前,阅读 ARCHITECTURE.md;

  • • 调整公共界面前,检查 DESIGN.md;

  • • 改变发布流程前,阅读 Runbook。

这一小句把文档接到了具体任务上,也形成了一条最小的知识路由。架构约束属于架构文档, AGENTS.md 只负责把 Agent 带过去;测试命令如果已经由脚本提供,文档负责解释如何选择,而不是再复制一份可能过期的命令。

到了这一步, AGENTS.md 负责导航,核心文档负责解释,源码和测试提供最终事实。项目开始拥有一套 Agent 可以使用的知识路由,而不再依赖一个巨大的万能 Prompt。

第三步:从重复工作中提炼第一个 Skill

文档适合解释稳定知识,但有些任务不只是“知道什么”,还包含一套反复出现的判断和步骤。

每次发布都要检查版本、变更记录和产物;每次排查线上问题都要收集日志、缩小范围并验证修复;每次代码审查都要核对最终变更、测试证据和风险边界。如果团队每次都要重新提醒 Agent,这段过程就值得被观察。

Skill 可以理解为一份由 Agent 按需加载的工作手册。它回答的是一种任务应该怎样完成:何时触发、需要哪些输入、按什么顺序执行、产出什么结果、如何验证,以及遇到什么情况应该停止并交给人。

但重复出现,不等于立即创建 Skill。一个实用的 Skill 探索门槛是:相似需求至少出现过两次;或者虽然只发生过一次,但成本高、风险大,并且很可能再次发生。在此基础上,还要确认输入相对稳定、步骤能够复用、结果可以检查,而且没有被现有文档、脚本或 Skill 覆盖。

如果不知道第一个 Skill 应该从哪里来,可以翻看最近几次与 Agent 的对话:

  • • 哪些要求已经解释过两次?

  • • 哪些检查每次都要手工提醒?

  • • 哪些失败修复以后很可能再次出现?

它们通常比一张通用的 Skill 推荐清单更值得优先处理。

例如,团队连续几次在代码审查中遇到同一类问题:Agent 只检查了未暂存的修改;测试运行在较早的代码上,最终提交又发生了变化;总结写着“测试通过”,却没有记录具体命令。与其继续往 AGENTS.md 增加提醒,不如把“审查最终变更”整理成一个 Skill,固定收集变更范围、运行对应检查、记录验证证据,并列出尚未覆盖的风险。

第四步:把重复流程变成可执行的工程接口

写出 Skill,只是定义了方法。要让流程真正运行起来,Agent 还需要读取数据、执行检查或操作外部系统。

这时不必立刻增加一个 MCP Server。对于已经拥有脚本或命令行工具的项目,CLI 通常是成本最低、也最容易复现的起点。一个友好的 Agent CLI 应该:

  • • 能从 --help 中发现用法;

  • • 支持非交互执行;

  • • 输出稳定,必要时提供 JSON 等结构化格式;

  • • 失败时返回明确的错误和退出状态;

  • • 为耗时操作提供超时;

  • • 修改外部状态前支持 plan 或 dry-run。

这样的 CLI 可以同时服务开发者、Agent、脚本和 CI,也容易在本地复现 Agent 的操作。团队已经使用 gh、 kubectl 或内部运维 CLI 时,优先把这些能力整理成稳定接口,通常比为每个 Agent 宿主重新包装一套工具更轻。

CLI 优先并不意味着拒绝 MCP。当外部系统缺少合适的命令行入口,或者需要结构化资源发现、宿主集成、持续交互时,MCP 仍然合适。关键是让 CLI 与 MCP 建立在同一套底层能力和权限规则上,而不是分别定义输入、输出和错误语义。

此外,并不是所有问题都应该由 Skill 提醒。能够被程序明确判断的规则,例如禁止修改生成文件,应该交给脚本、Hook 或 CI 自动检查;涉及生产环境、凭据和不可逆操作,则继续保留权限控制、沙箱或人工确认。

第五步:回到真实任务,让项目记住经验

Agent 完成修改、测试显示通过时,我们很容易马上开始下一个需求。先别急着结束:打开最终代码变更,确认测试覆盖的是这次修改后的版本,再检查它是否走完了必要的 Review 和 CI。代码写完只是过程的一部分,结果能够被验证和交付,这次任务才算完成。

Better Harness 把从理解需求、找到知识、执行修改到验证交付的过程,称为 Agent Work Loop 。在这个循环中, AGENTS.md 帮助 Agent 进入项目,核心文档提供上下文,Skill 与工具推动任务执行,测试、Hook 和权限守住结果与边界。

交付以后,再回头看一眼这次任务:Agent 是否又重新寻找了一遍启动命令?是否在同一个目录上再次犯错?是否仍然需要人提醒某项检查?也要留意那些已经奏效的路径,例如某个排查步骤是否连续帮助了几次任务。

这些反复出现的摩擦和有效经验,才是下一轮改进的起点。可以借助 Loop Discovery ,判断它们应该沉淀在哪里:

  • • 稳定事实,写回 AGENTS.md 或核心文档;

  • • 重复方法,整理成 Skill;

  • • 确定性的操作和检查,交给 CLI、脚本、Hook 或 CI;

  • • 确实需要外部资源发现或持续交互时,再使用 MCP;

  • • 高风险、不可逆的操作,保留权限边界和人工确认。

不过,写进仓库并不代表实践已经生效。等下一次类似任务到来,Agent 能否找到它、用上它,并因此少一次返工或提醒,才决定这项实践是否值得保留。

总结

所谓持续改进,不是不断增加配置,而是让这一次任务留下的东西,真正帮助下一次。

如果刚刚开始,就选择一个最近发生的真实任务:让 Agent 从理解需求走到验证与交付,结束时只沉淀一件最值得复用的经验。

项目不需要在第一天就拥有完整的 Agent 平台。它只需要开始记得自己如何工作。

当这个循环转起来,AI Coding 才不再只是个人临时使用的聪明工具,而会逐渐成为项目自身拥有的工程能力。

详细实践文档可以参考:https://github.com/QoderAI/better-harness/tree/main/references/agent-customize

阅读原文

跳转微信打开

  •  
❌