铃阅时讯
❌

阅读视图

海外年轻人在关心什么?和耶鲁、宾大学子聊AI、泡沫与周期、机器人与未来能源

原创 支持年轻人的 2026-09-08 20:50 北京

奔涌的AI浪潮,会将我们推向哪里?

这个暑假,耶鲁创投俱乐部和宾大创投俱乐部先后带队来到峰瑞交流。丰叔和投资同事们与两波对创投感兴趣的年轻人各聊了一上午。

这样的交流已持续了几年,我们乐在其中。因为我们过往投资的创始人中,过半有海外学习或工作经历,我们希望能够尽早认识并支持更多海外华人回国创业。

每次见面,流程都很简单,大家围坐一圈,简单自我介绍,就进入对话环节。话题天马行空,从宏观形势到 AI、能源、生物医药、出海,再到创业的起心动念。

把两次交流放在一起,我们发现,身处海外的年轻人有很多共同关心的问题:技术会往哪里走,中国和美国各自还有什么机会,什么行业值得创业,自己该把未来押注在哪里。

我们挑了一些有代表性的问题,尽量保留现场原本的问答方式,分享给大家。

这些问题没有标准答案,我们只是把看到的公司、产业和周期变化一一摊开,希望能提供一种看问题的角度。

我们做早期投资,基本上是顺着技术周期往下看。新技术刚出来时,我们找不同类型的 0 到 1,看的是技术本身;到第二阶段,我们找的是这项技术最可能改变什么、哪里会发生最大的变化;再往后,就找泡沫下去以后什么场景真的用得上技术,看谁能把技术变成实际效率和商业价值。每个阶段投的其实不是同一件事。

所以做早期投资有一件事特别重要,就是 Identify the change,你到底有没有找到一个真正大的变化。如果是个小变化,托举不了太多新公司。做投资有句话,宁可蹲在一个金矿边上随便捡两块金子,也别低头在马路上捡钢蹦儿。

也有人说,早期投资就是投人,这句话百分之一百正确,没有任何争议。但在所有人都投人的情况下,谁能赚到钱主要取决于谁投对了大变化。一家公司的成功,大概六到七成取决于市场贝塔(Beta),剩下的三四成才看自身的阿尔法(Alpha):Beta 决定你的发展基数有多大,Alpha 决定你在同赛道里能不能活下来、排第几。

如果在一个增长偏线性、竞争又激烈的赛道里创业,可能拼尽全力才比别人进步 1%,而这 1% 还很容易被有资金、人才、渠道和供应链优势的大公司追平。创业公司的机会,往往来自一个产业突然发生巨变:竞争规则变了,过去的优势会被重新计算,这时候小公司更可能找到位置。

真正值得创业公司去抓的时机,往往是产业突然拐弯的时候。

比如汽车,如果一直沿着燃油发动机技术来发展,中国企业要追赶宝马、奔驰上百年的工程积累很难;但从燃油发动机转向电机以后,产业拐了一次弯,原来的积累没那么重要了,中国在电机、制造业、硬件供应链上的能力反而能接上来,竞争局面就变了。手机从功能机到智能手机,生物医药从小分子药到大分子药,再到基因细胞治疗、AlphaFold 和 AI for Science,都是类似的拐弯。

所以看创业机会,最重要的不是“这个行业够不够大”,而是它有没有拐弯——只要拐弯足够大,巨头要转身也不容易,新公司反倒有机会。

但对投资机构来说,光看到拐弯还不够,还有一个时点问题。我们希望比市场早一点,能判断什么将要发生,而不是只看什么已经发生;是稍微ahead of time,但不能太早,要等十年、二十年才兑现同样不合适。翻译成投资的话就是:要在它还不热的时候投,但不能因为它不热就投——你敢投,是因为你知道它为什么以后会热。

所以我们大部分投资,是先判断变化在哪里,再判断变化大概什么时候发生。方向已经很热,通常意味着共识已形成;完全没人关注,也不代表值得投。

真正难的是在共识形成之前,找到那个正在发生、但还没被充分定价的变化。当然早期投资也有 random 的成分:有时创业者做的方向不一定是我们推演过的,但人好、事情有意思,也会愿意试一下。

如果只看人本身,可能跟有些人想的不太一样。对我们来说,最重要的是:他为什么要做这件事。

投资人通常是先看到变化再去找公司;创业者则不一样。他们往往在自己熟悉的领域里先直觉地感受到一些机会,或者相信了今天大多数人还不相信的未来,所以决定去做。他看到变化,更多是从经验里感受出来的,而不是推出来的。

这也是为什么“初心”重要。跟风创业也不是不行,每一波里都有 late mover,出来晚但聚集资源的能力特别强,一样能做起来;只是对投资人来说,跟风的人更难挑。我们更希望看到:在所有做同一件事的人里,他是那个最想做的,而且不是因为别人都做了他才想做。

这个为什么重要?因为创业本质上是一场长跑。那些最后成功的人,中间几乎都经历过若干次很绝望的阶段:公司快不行了、看不到出路,或者必须做艰难取舍。如果出发时的原因不够坚定,很容易在某个阶段就妥协,甚至算了。

其次是聪明和能力匹配。真正能把公司做出来的人肯定要够聪明,但不需要是最聪明的那个,top 15% 就行,不必非得 top 1%;同样重要的是能力和事情匹配,过去的专业、经验最好能对现在做的事有帮助——你一直做芯片突然去做制药,难度就很大。

第三是性格和判断力。真正做成事的人,既不会什么都不听,也不会别人说什么都听。他们能听得进意见,但会自己判断该采纳多少。

所以按顺序,我会看三件事:为什么创业、能力和事情是否匹配、心态是否开放且不盲从。很多时候,真正值得走的大路反而人不多,小路上才最容易人声鼎沸。我们想找的,是在大多数人还没拥挤过去时,就已经因为自己的判断开始往前走的人。

只要它叫泡沫,就没有不破的。但泡沫破了不一定是坏事。泡沫还在时,大家更关注故事;泡沫破了以后,才会真正关注应用,开始看谁能拿这个技术赚到钱、真正从消费者或企业手里收到钱。

互联网就是典型例子。泡沫破掉后,回头看当时上市公司讲的很多商业逻辑——线上购物、数字社交、在线服务,后来其实都兑现了,只是把它们做成的不一定是当初制造泡沫的公司。

大的技术发展本来就会经历很多轮周期:技术创新时市场放大想象力、形成 hype,其实是在奖励技术创新;泡沫破掉后噪音被消掉,市场开始看谁真能把技术用起来,进而推动应用的发展。

所以,如果认为这一轮 AI 泡沫正在接近尾声,投资逻辑也该变:更多的去投能拿 AI 真正去落地应用并赚钱的公司,而不是只拿 AI 继续讲故事的公司。

一个简单的判断方法,就是假定未来每一个 token 都要算账:谁使用 token 之后创造的价值高于 token 成本,谁才真正用得起 AI。

大模型和搜索引擎不太一样。搜索引擎背后是一个静态数据库,query 进来去检索、再呈现;大模型你每问一次它都要把问题放进模型里重新计算再生成答案,哪怕模型已冻结、只做推理,每次互动也都要计算,所以每次都有成本。

在 ToC 端,现在大家还没有特别感受到,是因为有人在后面补贴。一旦补贴减少、所有 token 都要算账,用户行为一定会变:你今天很自然地把 AI 当搜索引擎用,但如果你每问一次都要付钱,还会不会什么都拿去问?肯定有一部分需求会消失。

关键问题就变成:什么样的需求值得花这个钱?要么让他用 AI 的成本低到没感觉,要么功能价值明显高于 token 费用。像金融这类高价值任务,模型能快速帮你完成原本要几十分钟、几小时才能做完的事,你多半愿意付钱;如果只是完成一个价值很低的动作,token 再便宜也可能是负担。

在 ToB 场景,我更看好几类基础条件已具备的公司:原来就有数据积累(专有壁垒)、原来就有客户(不必重建整套销售关系)、本身已有数字化的业务流。这样 AI 加进去能直接体现为降本或增效,才容易真正用起来。

再往后还有一个变化。过去几年大家一直在比基础模型能做什么、参数多少、能力边界扩得多快;当模型能力差距开始缩小,token 越来越像标准化云服务,智能本身越来越商品化,真正拉开差距的,会变成谁能用更低的成本提供足够好的智能。

我们大概三年前开始有具身智能这个投资主题,当时一个很重要的判断是:如果一项新技术恰好需要和复杂的硬件产业链结合,最后变成一个新的科技产品,中国通常比较有优势。

看过去的例子:无人机需要飞控、图传、传感器和精密制造能力;智能汽车既有电池、整车制造,也有毫米波雷达、激光雷达、视觉传感器、AI 芯片等等。机器人也符合这个逻辑,所以我们当时判断要投:这是中国有积累、也擅长,且过去反复证明能做到全球领先的一类事。

对于“机器人造机器人”这个美国叙事,还是需要回到:你得先有机器人。

今天机器人面临的挑战,不是能不能做出一个人形,而是很多落地过程中的控制和决策问题没解决好,把 demo 做出来不等于真正能干活。世界模型也好、生成高维数据也好,本质上都指向同一件事:今天的机器人还不够智能。

假设这一轮机器人的热度开始下降,所有公司都要回答一个更现实的问题:我的机器人怎么赚钱?

一旦要求赚钱,它就必须进入真实场景,只有在商业场景里活下来,技术才会进入下一轮迭代。到那时竞争重点会变成:谁的应用更多、场景更多、数据更多、成本更低。

把这几条放在一起,中国优势明显——具身智能下半场的竞争,已经不只是比谁先做出机器人,而是比谁能让机器人进入足够多的真实场景,并用数据和成本优势推动技术继续进化。

新能源肯定已经不是 0 到 1 的阶段了,但 AI 把能源问题重新推到了非常重要的位置。

我以前讲能源会用一个“能源和能源转换器”的框架:历史上每一次当新的能源和新的能源转换器被一个国家较好地掌握,都可能改变它的产业能力和国际竞争力。

打个比方,马既是能源使用者又是转换器,它是欧亚大陆古代强权的重要工具之一;英国靠煤和蒸汽机一度做到了生产力领先;美国很重要的一段产业优势则来自石油和内燃机。

站在今天往未来看,主要有两条路。一条路是继续提高利用太阳能的能力,包括风光水电,对应的能源转换器是电机、电网,本质上都是更高效地收集、转换、使用能源;另一条更远的路线是可控核聚变,相当于人类自己造了一个太阳。

我的判断是技术发展有次序:我们可能要先学会更好地利用太阳,再变成太阳。这不是说可控核聚变不重要,而是前一条路可能还有大量事情没做完。

我们先看中国企业在国内到底形成了什么竞争能力。过去一段时间,很多行业竞争都非常残酷,把价格压到很低、利润也不一定好,却把供应链、产品迭代和组织效率都卷了出来。

在国内不挣钱,卷完效率再在出海中获利,这可能是理解今天很多中国企业出海的一个起点。

出海大概分两个方向。一类是中国已经卷出的新技术或中高附加值新物种,比如 AI 硬件、新能源车、智能硬件,有机会直接去发达国家;另一类是偏中等附加值、核心竞争力来自供应链极高效率的传统产品,更适合去发展阶段小于等于中国的新兴市场,比如东盟或“一带一路”市场。

这里有一个我也有点诧异的观察。原以为国内价格已经卷成这样,到支付能力低一些的东南亚只能卖得更便宜;但有些企业的反馈不是这样——一些在中国很日常的消费品,到东南亚反而被看成有品牌属性的商品,有点像 2003 到 2010 年的中国:当时很多海外品牌在中国卖得比本土贵,消费者仍愿意“够着买”,现在一些中国品牌到新兴市场也是如此。

所以,出海不能笼统地问“海外有没有市场” “该去欧美还是东南亚”,更重要的是先回答:你在国内到底卷出了什么能力?是技术和产品创新,那有机会去更成熟的市场;是极致的供应链效率,那么在新兴市场里会有优势。

我先不直接回答“要不要回来”。从中美跨境投资的角度看,两边已经经历了几个阶段:科技战、贸易战大概从 2017、2018 年开始,前面割裂得比较快;2021 年回国的人比较多,2022 年下半年到 2024 年初不回国的多, 2024、2025 年起回国的又变多。但我们不能只看短期的人员流动,还是要先看技术和产业本身发生了什么。

历史上的技术发展大致都经历三个阶段:原创技术周期,从 0 到 1;然后大家开始赋予它应用端的想象力,去想它最后可能最大地改变什么;最后才逐渐普及,在各行各业产生大量应用。

拿这一轮 AI 来说,2022 年底到 2025 年初,中美市场最关注的都是基础模型,是典型的 0 到 1。到应用想象阶段,两边出现了差异:美国的产业数字化程度高,很自然往各种 Agent 方向走,从 coding agent 到各种数字化场景里的 Agent;中国有更长的制造业和硬件产业链,大模型更容易跟芯片和传感器、硬件、具身智能结合。不是说美国没有机器人、中国没有Agent,只是两边最容易长出来的应用不同。第三个阶段其实还没真正到来——今天除了 coding 和少数数字化程度很高的企业,大部分行业还没大规模把 AI 用进实际生产。

所以,海外年轻人到底该去哪里,很难只从“中国还是美国”来回答。还是要看你想做的事情处在哪个技术阶段、产业下一步往哪走,以及你的能力在哪种产业环境里更容易发挥价值。

跳转微信打开

  •  

Harness 工程治理:从一次做成,到可复制、可运营的交付能力

phodal 2026-09-08 18:00 浙江

让 Agent 不只是“会完成一次编码任务”,而是逐渐成为一种可验证、可复制、可治理、可运营的交付能力。

在 Better Harness 中,我们构建了一套分析体系,用于理解 Agent 的执行过程及其所处的工程环境。对应的开源版本,也已经支持从十余种 Coding Agent 中读取并分析不同层级的本地数据。但随着开发者开始并行使用多个 Agent、维护多个项目,并在不同设备间切换,核心问题不仅仅是:如何将分散的数据汇总?

真正的问题是:如何将分布在不同 Agent、项目和机器上的执行数据串联起来,形成一条从需求到验证的完整任务链路?又如何让这套能力不仅帮助个人更好地完成任务,也帮助团队把方法复用,并最终支撑组织规模化地交付?

这也是我们正在尝试探索的方向:让 Agent 不只是“会完成一次编码任务”,而是逐渐成为一种可验证、可复制、可治理、可运营的交付能力。

为什么:Agent 的挑战正在从“单点做成”走向“规模运营”

在使用一个新的 Agent 的时,通常我们只关心一个问题:它能不能把眼前的任务完成?然而一次成功,并不等于形成了稳定能力,所以在构建 Agent Harness,我们需要构建持续丰富的测试集来评测。

同样的任务交给另一位开发者、另一个 Agent、另一个项目,或者换到另一台机器上,结果可能完全不同。与此同时,上下文、工具、权限、项目规范、Skill、MCP、模型和验收方式中的任何差异,都可能改变最终结果。

因此,Agent 能力要真正进入团队和组织,需要经历三个阶段:

image.png
  • • 单点做成关注的是:这一次任务需要怎样的上下文、知识和工具能力等,才能产生可靠的结果产物。

  • • 团队复制关注的是:一次成功中的哪些做法,可以沉淀为 Skill、模板、MCP 服务和质量规则。

  • • 规模运营关注的是:这些能力如何通过 Skill 市场、 MCP 网关、评测体系和模型网关,被安全地提供给更多团队。

这条路径对应三个逐步升级的问题,一次任务能力能不能做好,同类任务能不能稳定复用,成熟能力能不能安全、经济地规模化运行。

要回答这些问题,仅仅统计 Session 数量、Token 消耗或者工具调用次数是不够的,还需要建立围绕任务结果的采集与反馈机制,把 Skill 与 MCP 的执行过程、验收结果和资源消耗连接起来,再据此优化 Harness 资产、改进团队实践、补齐个人能力,最终降低完成一次合格任务所需要的整体成本。

关注点驱动:不同层级,需要不同的 Harness

随着 Builder 从个人走向团队和企业,Harness 解决的问题也随之变化:个人首先需要把一次 Agent 协作做好;团队需要让有效的方法稳定复用;企业则需要让成熟能力在安全与成本可控的前提下规模化运行。因此,Harness 的能力重点也应当分层设计。

image.png

个人:把一次 Agent 协作做好

今天,人人都可以成为 Builder,每天指挥多个 Agent 工作。对于个人而言,最直接的问题是:怎样让 Agent 一次把活干好?所以,我们需要:

  • • 先把任务说清楚,再让 Agent 动手:明确问题、改动范围、不做什么、交付物、验收方式和风险点,即我们的 spec 文档上的内容;如果 Agent 还无法准确理解完成条件,就不进入执行/实现阶段。

  • • 按任务准备上下文和工具:提供当前任务真正需要的项目说明、架构知识、领域知识和技能,只开放必要的目录、命令、工具与网络权限。

  • • 围绕真实产物与 Agent 协作:直接在代码 diff、网页或文档上标注、修改和验收,同时要求 Agent 给出验证结果(截图、测试等 )。

因此,个人视角关注的是能否还原一次任务从定义、执行到最终验收的完整过程。

团队:把个人经验变成稳定的工程实践

而对于来说团队,关注的层面就有所不同,更关注的是如何把个人经验变成稳定的工程实践?

  • • 让环境可以被 Agent 操作:搭建统一安装、启动、测试和调试方式,使 Agent 能快速进入验证阶段、复现问题,并在失败后恢复。诸如于通过 Npm、Gradle 之类的标准构建工具,定义好构建任务。

  • • 让规则可以被自动检查:为架构、安全、测试和视觉要求配置对应的检查机制与验收方式,让规则真正进入执行流程。诸如于,能通过 Playwright CLI、Agent Browser 访问环境,来进行视觉检查。

  • • 让任务经验可以被持续沉淀:关联需求、会话、文件变化、测试、提交和评审证据,将反复验证有效的做法沉淀为项目规范、Skill、脚本、Hook、任务模板或质量门禁。

团队视角关注的不是某一次任务偶然成功,而是能否通过统一环境、自动检查和 Harness 资产,把一类任务持续做稳。

组织:让 Agent 能力以可接受的成本规模化运行

当 Harness 进入多团队、多项目和多设备协作后,组织需要解决的,不再只是某个 Agent 是否完成任务,而是如何基于跨任务、跨团队的真实证据,持续治理和优化交付能力:

  • • 建立跨 Agent 的任务证据链:关联需求、任务定义、Agent 会话、上下文与工具使用、代码变更、验证结果、人工验收和后续缺陷,使一次交付能够被还原、追溯和复盘。

  • • 治理可复用的 Harness 能力:结合轨迹分析,将经验证有效的 Skill、MCP、Hook、规则和评测集版本化,并明确其适用任务、质量要求与维护责任,避免“能用一次”的经验被无边界扩散。

  • • 基于结果决定投入与推广:按任务类型持续比较不同 Harness 方案的验收通过率、人工介入、失败重试、返工、资源消耗和后续缺陷,判断哪些能力应推广、优化、收窄或停用。

组织视角关注的不是“Agent 看起来是否聪明”,也不只是单次调用成本,而是能否把分散的执行活动转化为可验证的交付证据,并据此以可控的质量、风险和成本持续扩大有效能力的覆盖范围。

Better Harness 的初步尝试:从执行数据走向任务反馈

前面讨论的个人协作、团队复用和企业运营,最终都依赖同一个前提:我们能否知道一次任务是如何完成的、最终产生了什么结果,以及其中哪些能力真正发挥了作用。一次完整任务并不只发生在 Agent 的对话窗口中,而是穿过四层相互连接的 Harness:

image.png

向下,组织和团队目标被转化为任务边界、验收条件、上下文、工具与规则,由 Agent 完成计划、执行、验证和恢复;向上,真实产物经过自动验证或人工验收后形成任务证据,并将反复验证有效的方法沉淀为 Skill、MCP、Hook、规则或任务模板,为团队复用和组织决策提供依据。

这也是 Better Harness Dashboard 想做的事情,尝试把分散的 Agent 执行记录转化为可观察的任务反馈,以降低人与 Agent 的摩擦,从而让组织减少 token/credits 的浪费,以放在更有价值的任务上。

目前,Dashboard 已能跨项目查看 Skill、MCP、模型、Token 和工具调用等活动,帮助个人和团队识别能力是否被使用、使用发生在哪些阶段,以及是否存在异常消耗或执行摩擦。

image.png

但“被调用”并不等于“有效”。下一步需要把这些活动与任务意图、验收条件、真实产物和人工验收连接起来,逐步回答:

  • • 任务是否真正通过验收?对应的 Edit 文件工具的调用,引发的提交是不是在对应的 release 版本中。

  • • Skill 和 MCP 是否用在了正确阶段?在  Skill、MCP 执行过程中有多少的调用失败、错误场景,应该要合理的统计进来,以便反馈给发布者进行改进,减少额外的 token 消耗。

  • • 哪些消耗没有转化为有效进展?是否存在消耗巨大的无效长程任务等。

  • • 哪些经验值得沉淀为团队 Harness 资产?诸如于在当前阶段 400k 的上下文能达到最好的成本和效果平衡等。

因此,Dashboard 不是最终目标,而是任务反馈的观察入口。现阶段最重要的,是先把执行活动与真实结果连接起来,为持续改进 Harness、降低合格任务的整体成本建立基础。后续,则可以结合这些经验和教训,将更多的最佳实践分享给更多的团队。

欢迎体验 Better Harness

Better Harness 当前仍在快速演进。你可以先在本地运行 Harness UI,看看它如何读取项目中的 Agent、Skill、MCP 和任务数据:

  1. git clone https://github.com/QoderAI/better-harness.git
  2. cd better-harness
  3. npm install
  4. npm run harness-ui:dev

访问 http://127.0.0.1:3410 查看 Dashboard。然后,一起探索一些有意思的话题:

  • • 连接 Session、任务历程、代码变更与交付结果,建立跨 Agent 的任务证据链。

  • • 从多个任务中识别可复用的工作模式,并沉淀为可追踪的 Harness Issue。

  • • 通过版本化组件、评测集和受控实验,验证 Skill、MCP 与规则等改动是否有效。

  • • 完善成本与路由评估、长期任务基准,以及不同 Agent 和操作系统的真实验证。

欢迎提交 Issue、贡献 Adapter,或参与 Better Harness 的设计与验证。

阅读原文

跳转微信打开

  •  

Xiaomi MiMo 桌面客户端开放邀测

原创 小米大模型 2026-09-08 14:55 北京

Xiaomi MiMo 新一代模型 Preview 版免费体验

今天,Xiaomi MiMo Desktop 桌面客户端(以下简称:MiMo Desktop)携全新一代模型 Preview 版,正式开放邀测。

MiMo Desktop 是一款面向真实工作场景的桌面 AI 应用:接收多格式素材输入,理解目标,拆解任务,调用工具,交付高可用度成果,并支持实时预览与修改。我们希望通过真实任务,验证它在长链路执行、工具调用、交付质量和使用体验上的边界,并据此持续迭代。

申请链接:

https://mimo.xiaomimimo.com/desktop/invite/

通过申请后,你可以在邀测期间限时、限量、免费体验两款 Xiaomi MiMo 新一代模型 Preview 版( 代号:MiMo-X-Pro-Preview、MiMo-X-Flash-Preview )。

 01 从回答问题到交付成果

真实工作很少从一个干净的提示词开始。表格、图片、视频、PDF、录音,乃至未解压的压缩包,往往同时构成任务的上下文。MiMo Desktop 可以直接读取这些素材,无需预先整理或转换格式。

用户只需用自然语言说明目标,MiMo Desktop 会理解素材、拆解任务、并调用工具执行,并最终交付可继续编辑的成果:文档、表格、幻灯片、网页、图片、音频、视频,甚至是 3D 模型、App 或软件工程项目。

例:PPT 工作流:混合素材输入 → 事实与数据梳理 → 叙事结构设计 → 图表与版式生成 → 交付可继续修改的 PPT

例:Figma工作流:自然语言输入 → 理解任务 → 规划工作流 → 调用 MCP 控制 Figma → 实时生成设计元素 → 交付成果

 02 可直接交互的预览界面

MiMo Desktop 的“成果预览”并非静态截图,而是包含组件结构、交互逻辑、状态变化和数据可视化的完整页面,并支持直接在会话中展示。用户看到的是可以点击、操作和继续修改的成果。

生成轻量游戏原型、复杂数据网页、Office 文件,以及需要动态交互的 Demo 时,成果可立即预览、提问并继续迭代,无需预先搭建本地前端环境。

3D 交互式网页

Prompt:帮我建一个城堡、摩天轮和旋转木马,周围是极光,城堡可以变换灯光秀,放在一个 html 里面,要非常的有审美、高级,

3D 游戏

Prompt:使用 three.js 做一个 SnowRunner 风格的足球游戏,主角是越野卡车,在泥地里踢足球,有跳跃、加速等特技动作

高阶 PPT

Prompt:做一个好看的介绍意大利 PPT,图文并茂,具有高级感,有意大利风

图文调研报告

Prompt:深度调研徽派建筑这个建筑风格的历史、结构与空间特征,并产出完整调研报告,需要结构清晰有深度、图文并茂

 03 在成果上继续工作

交付不是会话的终点。用户可以直接选中会话或产物的任意元素、文本段落、图表或表格区域,用自然语言描述下一步工作或修改要求。选区会限定作用范围,MiMo Desktop 只处理用户希望修改的部分,不必重新生成完整成果,也不必重复交代任务背景。

每次修改都会保留版本记录。用户可以比较不同方案,也可以随时回退历史版本。

例:在 PPT 中局部修改:选中范围→ 描述修改意见 → 局部实时重生成

 04 Smart 调度:为任务匹配合适的执行路径

用户无需在开始任务前先判断该选用哪个模型、哪个 Agent,或哪套执行框架。MiMo Desktop 内置 「Smart」调度模式,可自动评估任务类型、复杂程度、交付要求和执行成本,再自动匹配最适合当前任务的执行路径。

  • 任务评估:识别任务属于办公、编程、研究、设计还是混合场景,并判断所需推理深度、工具范围和交付标准。

  • 模型路由:在标准模型与旗舰模型之间动态选择。日常任务优先标准模型、速度快、成本低;复杂推理、长链路执行和高质量交付使用旗舰模型、产出质量更高。可用模型型号以当前版本为准。

  • Harness/Agent/Skill 路由:根据任务类型选择办公、代码或研究 Harness/Agent;大型任务可拆分给多个 Agent,分别负责调研、规划、执行和复核,并在执行过程中自动调用不同 Skill 以拓展能力、满足交付质量。

  • 多会话协同:可按需组成多角色会话团队。多会话之间可自动相互通信、彼此协作,每个会话在推进项目的过程中,都有独立的记忆、工作区和任务状态。

「Smart」调度可最大化节省用户心智,自动在质量、速度和成本之间做出最优选择。

 05 浏览器操控:既是信息入口,也是执行环境

MiMo Desktop 可以自主控制电脑浏览器,读取浏览页面、执行交互操作,包括打开网页、检索信息、填写表单和提取素材。浏览器不只是信息来源,也作为任务执行环境的一部分。

从浏览器中获得的信息可直接进入当前任务,用于调研、分析、整理和内容制作,最大化节省用户自行检索和跨应用传递内容的时间。生成网页类成果时,MiMo Desktop 也可以在同一工作流中用浏览器检查关键交互,自动验证成果。

 06 让长任务成本可控

长任务不仅要高质量完成,更要控制计算成本。MiMo Desktop 通过模型路由、局部编辑和上下文缓存机制的优化,减少不必要成本支出。

「Smart」调度按任务复杂度选择合适模型;局部编辑只处理与重新生成需要修改的内容;高缓存命中优化最大程度减少缓存部分的重复计算量。三种机制结合,分别降低模型选择、变更范围和重复上下文计算带来的 Token 消耗。

在长任务实际测试中,同会话的缓存命中率最高可达 99%,跨会话最高可达 95%,帮助用户最大化控制任务成本。

 新模型抢先体验

邀测期间,通过申请的用户可以在 MiMo Desktop 限时、限量、免费体验两款 Xiaomi MiMo 全新一代模型 Preview 版,代号:

  • MiMo-X-Pro-Preview

  • MiMo-X-Flash-Preview

MiMo-X 系列模型面向真实专业工作场景优化,重点覆盖复杂任务推理、多 Agent 协作、大型编程项目、Office、网页设计、前端与交互设计、视频剪辑、3D 生成、音乐生成、电脑操控等。

MiMo-X 系列目前仍处于预览测试阶段,能力表现可能随版本迭代变化。用户基于实际任务的反馈将用于后续评估与改进。

如何加入邀测

访问下列页面并提交申请。审核通过后,即可下载和使用 MiMo Desktop:

https://mimo.xiaomimimo.com/desktop/invite/

本次邀测将优先面向 Xiaomi MiMo 开放平台已有用户开放。

 写在最后

我们相信——AGI 的意义,不止于理解世界,更在于帮助每个人创造世界。

MiMo Desktop 正是我们迈入真实工作流,帮助用户将想法转化为高质量成果的第一步。

欢迎申请参与邀测,并用真实任务告诉我们:它已经能够完成什么,还有哪些地方需要改进。

跳转微信打开

  •  

43 Talks报名 | 当能力不再稀缺,什么值得投资?

原创 薛临风 2026-09-08 14:10 北京

AI 开始替我们读财报、找资料、写策略、做分析,当曾经需要一个团队完成的工作,如今可以由一个人与 AI 协作推进……投资这件事,会因此变得更容易吗?

AI × 投资 !

当 AI 开始替我们读财报、找资料、写策略、做分析,当曾经需要一个团队完成的工作,如今可以由一个人与 AI 协作推进……投资这件事,会因此变得更容易吗?

投资中有许多门槛:信息搜集的成本、专业知识的积累、分析与执行的效率。我们花时间学习,也为更好的工具和更专业的服务付费,希望因此比别人多看一步。

AI 让这些门槛有了重新被讨论的可能。但拥有更强的分析能力,与做出更好的投资决策之间,仍然隔着一些问题。一份逻辑完整的报告,能否经得起事实检验?一个看起来很有前景的方向,是否已经被价格充分反映?当每个人都能获得一个随叫随到的“研究团队”,投资的优势又会从哪里来?

当能力不再稀缺,什么值得投资?

这个问题有两层含义:我们如何借助 AI 做投资,也如何判断 AI 带来的变化究竟值得怎样的投入。工具、资产,以及我们自己的时间与注意力,都在其中。

本期 43 Talks,我们想把这些问题放到同一张桌上:

  • 当研究与分析变得更容易,投资者之间的差别会体现在哪里?是提问的方式、判断的依据,还是面对不确定性时的选择?

  • “用 AI 投资”与“投资 AI”,各自需要回答什么问题?技术上的进步,如何转化为可以被检验的投资逻辑?

  • 当越来越多人使用相似的工具、读取相似的信息,AI 会帮助我们发现分歧,还是让我们更确信同一个答案?

我们邀请了三位来自投资探索、跨资产投资与职业交易领域的嘉宾,从各自的实践与分享主题出发,一起讨论 AI 进入投资之后,哪些事情发生了变化,哪些问题仍然需要人来回答。

PART 02

特邀嘉宾

奥德赛

分享主题:《如何开坦克》

身份:投资探索者

《如何开坦克》先为你留下了一个悬念:这辆“坦克”究竟是什么,又要驶向哪里?

一个人可以调动的工具与能力不断增加,如何驾驭它们,也随之成为问题。我们想从这场分享中追问:拥有强大的工具之后,目标如何确定,行动如何组织,判断又该如何接受检验?奥德赛将以这个特别的题目,开启本期的主题分享。

李啸坤

分享主题:《跨资产投资者的AI之路》

身份:Future Capital Management SE CEO

从跨资产投资者的视角看 AI,值得关注的环节有很多:信息如何被整理,不同市场之间的联系如何被理解,一个判断又怎样从研究走向行动。

沿着《跨资产投资者的AI之路》这个题目,我们关心的是 AI 进入投资过程之后的具体变化:哪些工作适合交给它,哪些输出需要反复核验?当分析速度提高,投资者如何安排自己的注意力?期待在李啸坤的分享中,听到这条路上的实践与思考。

Weiwei

分享主题:《从存储到观测:一种世界观先行的 Context 工程》

身份:职业交易员|前期权做市商

“木马计”与“奥德赛”,让这个题目多了几分关于策略、对手与未知旅程的意味。它们与 AI 时代的投资之间,会产生怎样的联系?

带着职业交易员与前期权做市商的经历,Weiwei 的分享也让我们期待从交易的视角继续追问:当工具更强、信息更多,市场中的博弈会怎样变化?面对一个令人信服的判断,我们又该如何看待它尚未解释的风险?题目中的隐喻,留待现场展开。

PART 03

圆桌激辩 

能力不再稀缺,投资的优势从哪里来?

三场主题分享之后,奥德赛、李啸坤与 Weiwei 将共同参与圆桌论坛。本场活动由 AI 探索者李继刚主持。

从工具的使用,到跨资产的研究,再到交易中的博弈,不同视角最终会落到同一个问题上:AI 能帮助我们完成越来越多的工作之后,投资者最需要保留、训练和检验的能力是什么?

我们也想把讨论再往前推进一步:如果 AI 给出一个与你经验相悖的结论,你会依据什么作出取舍?如果大家都能写出有说服力的投资逻辑,什么样的证据才足以支持行动?面对技术带来的新机会,怎样理解“值得”二字?

这些问题关乎资金的选择,也关乎每个人如何投入自己的时间、学习与判断。无论你正在尝试用 AI 辅助研究,还是想理解它对投资的影响,都欢迎带着自己的问题来到现场。

请相信每一个问题,都会对你有帮助。 答案,只在落座后的交锋中浮现。

那就请大家扫码报名,欣然入座,且思且辩。

跳转微信打开

  •  

The Batch: 980 | OpenAI 和 Anthropic 的数据保留政策

原创 DeeplearningAI 2026-09-08 12:45 北京

Hi~新朋友,记得关注我们哟

任何向 AI 模型或服务发送私人数据的人,都理应得到三个问题的明确答案:(i) 这些数据存放在哪里?(ii) 他们会保留多久?以及 (iii) 他们会如何处理这些数据(例如是否用于训练、是否给人类查看等)?本周,两家领先公司的企业客户收到了两种回应:一种是泄露后得到确认,另一种则是预览版。两者的技术细节都很少。

● Anthropic 的新动向:自 6 月以来,使用 Claude Fable 5 的企业一直被要求允许 Anthropic 保留他们的对话 30 天。现在,Anthropic 将放宽这一规则,推出一个名为 Enterprise Frontier Safeguards(EFS)的新计划,要求采用零数据保留(ZDR)政策的公司改为将数据保存在自己的服务器上,或特定云服务提供商的服务器上。在 EFS 于今年秋季某个时候可用之前,符合条件的企业客户将能够使用 Fable 5 和 Fable 5.1,而 Anthropic 不会保留任何数据。

●与此同时,OpenAI:在彭博社披露 Anthropic 的消息前一天,OpenAI 发布了一篇文章,承诺对于企业客户,其最强大的模型都支持 ZDR。这意味着 OpenAI 从不记录企业的提示词和回复。该服务面向已获批准、将模型接入自家软件的企业提供。文章还预览了 Private Safety Processing(PSP),这是一种旨在在不让 OpenAI 读取提示词的情况下,识别分布在大量请求中的滥用行为的系统。

●工作原理:两家公司都描述了同一种方法:软件会持续监测请求并标记模式。无需人工审查。以下是两家公司都没有解释清楚的地方:“我们的员工看不到它”并不等于“我们的系统看不到它”。要扫描数据,公司编写的软件必须在数据所在之处将其解锁并读取。Anthropic 技术团队成员 Sholto Douglas 在 X 上将这一计划描述为“通过我们提供给你的自动化系统来完成监测”。以下是两家公司的现状。

✴ 立即生效:据其帮助中心称,Anthropic 会在所有平台上保留 Fable 5 和 Mythos 5 的对话 30 天。此外,根据公司自行决定的流程被标记的内容,可依据其一般政策最长保留两年,而且 Anthropic 批准的审查人员可通过记录完整的流程读取这些内容。OpenAI 表示,除联邦法律要求外,其员工无法查看 ZDR 客户的对话。

✴ 已承诺的内容:Anthropic 将要求数据保留相同的 30 天,但存放在客户的服务器上——可以是客户自己的服务器,也可以是 Google Cloud、Microsoft Foundry 或 Amazon Web Services 等第三方提供商的服务器。30 天的要求仍将保留,但数据将存放在客户指定的服务器上,而不是 Anthropic 的服务器上,客户还可以选择管理自己的加密密钥、审计日志和其他安全数据。OpenAI 的 Private Safety Processing 将扫描存放在客户服务器上的数据,或使用 OpenAI 所说其员工无法获得密钥、但存放在 OpenAI 服务器上的加密数据,并且只会返回活动类型的标签,而不是内容本身。

✴ 为何需要这些功能:EFS 和 PSP 旨在应对的主要威胁是网络攻击。有些攻击只会在大量请求中显现出来。Anthropic 的帮助中心提到政府间谍活动,以及 “best-of-N” 越狱攻击,即攻击者将被拦截的请求反复改写数百次,直到某个版本通过为止。

✴ 未披露内容:目前仍不清楚两家公司如何读取它们声称自己看不到的数据。OpenAI 已承诺将在 9 月发布一篇关于 PSP 的技术论文;Anthropic 曾为其 6 月的数据保留政策发布过一篇论文,但关于 EFS 将如何运作的技术细节很少。两家公司都没有披露它们用来判断某事是否属于“网络攻击”或“不安全”的具体标准。

● 新闻背后:Anthropic 6 月的规则迫使其部分已有 ZDR 合同的企业客户例外处理。这些客户若想使用新模型,必须先开启保留功能。因此,许多企业放弃使用 Fable 5。正如我们在 6 月报道的那样,ARC Prize Foundation 也放弃了对 Fable 5 进行其验证测试,而不是暴露其私有测试问题。Anthropic 此后已承认这一成本;在 8 月的一份风险报告中,该公司写道,这项规则“会让那些已经习惯零保留的客户感到不满”,如果竞争对手不这么做,还可能损害其业务。OpenAI 则没有这样做;其文章重申了零保留。

●重要原因:企业现在仅凭新闻稿就在决定是否将敏感数据交给这些模型。对于律师事务所、医院和银行等受监管行业来说,“我们不会用你的数据训练模型”和“我们没有你的数据”是两种不同的承诺。企业也不清楚 Anthropic 何时会改变其对“非安全”行为的定义,以及其员工何时可能会读取提示词——这些提示词往往包含极其敏感的数据。任何能在服务器上找到的数据,都可能被攻击者破坏,或被法院要求提供。去年,在《纽约时报》的版权诉讼中,法院命令 OpenAI 保留其通常会删除的聊天记录,甚至包括用户已经删除的记录。OpenAI 表示,ZDR 客户不受影响,因为公司从未持有过他们的数据。若在针对 AI 公司的诉讼中,存放在客户服务器上的日志是否也会被调取,这是两家公司都未回应的问题。两家公司都没有发布其设计的独立审计。

● 我们在想:在 2024 年,我们描述了云端 AI 隐私的四个层级,其中最强的一层——服务提供商根本无法访问你的数据——对于敏感工作最为关键。考虑到前沿实验室在界定何为“安全”时拥有自行采用任何标准的裁量权,这一点尤其重要。我们将此与许多超大规模云服务商简单明了的隐私政策进行对比:规则要清晰得多。我们预计,除非有传票、法院命令或其他更可预期的法律程序要求,否则他们不会查看我们的数据。两家公司现在都表示,它们可以在保护用户隐私的同时,仍然跨越多次请求发现滥用行为。但它们都没有展示实现方式。在它们都公布设计之前,这只是路线图,而不是保证。

点击下方阅读原文查看更多有趣内容哦~

阅读原文

跳转微信打开

  •  

什么样的业务经验值得做成 Agent:从个人工具到组织资产

原创 欢迎关注的 2026-09-08 12:00 北京

业务经验反复被问却久困个人,本文给出三条判断标准,讲清哪些经验值得沉淀为 Agent,让个人工具升级为组织资产。

。图片

点击蓝字,关注我们

图片

作者 | 谢雨杉

导读 

introduction

团队里总有几个"被反复问的人":指标口径、取数路径、诊断顺序……回答得越好,被问得越多。问题出在经验只能一对一交付,困在个人身上。本文结合 E-SAGE 电商 Agent 服务平台实践,给出三条判断标准——咨询频次高、判断路径固定、结论因人而异,符合两条就值得做成 Agent。更关键的是,门槛不在编程能力,而在业务理解:谁能把判断说清楚,谁就能让经验变成组织资产。不妨从那个"你今年已回答过很多次、每次答案都差不多"的问题开始。

全文 3222 字,预计阅读时间 4 分钟

GEEK TALK

01

一个组织级的问题:经验困在个人手里

每个团队都有几位「被反复问的人」。指标口径怎么算、这个数从哪张表取、这类商家该先看哪个指标——问题一再出现,答案八九不离十,但每次都得由同一个人重新讲一遍。回答得越好,被问得越多。

这不是沟通效率的问题,而是经验的交付方式问题:专业经验长期只能以「一对一」的方式交付,一次投入只服务一次咨询。经验留在个人身上,既没有被组织沉淀,也无法被别人直接使用。

1.1 AI 工具并没有改变这件事

市面上的通用助手类产品大多面向个人使用:技能加载于个人会话中,效果取决于使用者的提问方式,更换使用者即需重新交代背景。它让「本来就会的人」更快,却没有让「不会的人」变会——经验依然留在个人手里。

1.2 差别落在交付物上

Skill 与工具交付的是工具,使用者需自行判断该用哪个、如何组合;Agent 交付的是可直接承接任务的执行主体,使用者只需说明需求。前者是一次投入服务一次,后者是一次投入反复调用。

由此产生一个更实际的问题:既然经验可以被沉淀成一个能自己干活的主体,哪些经验值得这样沉淀,哪些不值得?这是本文想讨论的重点。

GEEK TALK

02

形态之别:从个人会话到组织可治理的资源

关键的变化不在模型更强,而在 Agent 的存在形式:它不再是一问一答的个人会话,而是一份持久化的 Agent 定义加一套执行环境——角色设定、工具、技能、记忆、工作区与触发方式被固化下来,可长期复用、团队共享,用以承接完整且可重复执行的业务流程。

就能力构成而言,业界主流方案并无本质差异,都是「指令 + 工具 + 技能 + 记忆 + 工作区 + 触发」的组合。真正拉开差距的,是能否把 Agent 变成组织内可治理的资源:可创建、可测试、可发布、可共享,并配套权限管控、操作审批与全程审计。缺少这一层,Agent 就只能停留在个人工具的形态。

2.1 一次装配,两侧受益

可治理的前提是分工清晰:懂业务的人负责表述判断,使用的人只管提出需求,通用的工程能力由平台统一承担。

  • 建设侧:设定角色 → 绑定能力 → 选型配置 → 调试发布。全程无需编写工程代码;执行链路与工具调用全程可见,可自行定位问题、独立迭代。

  • 使用侧:选择 Agent → 自然语言描述需求 → 获取结果。Agent 会主动就时间范围、口径、维度反问确认,对齐后再执行,一次交齐结论与依据。

  • 平台侧:运行环境、长任务调度、权限管控等各 Agent 通用、且与业务逻辑无关的能力,统一提供,不必重复搭建。

2.2 云原生多会话并行:调度与状态外置

挑战:传统Agent将 Agent Loop、状态和执行环境绑定在单机或单进程中,这种模式适合单人使用,但很难支撑组织场景下的多人共享、并发执行和统一管理。随着同一 Agent 被更多成员、更多 Session 同时使用,固定机器绑定会带来资源利用率低、故障恢复困难、状态迁移复杂等问题,也难以真正做到 Agent 级治理。E-SAGE 通过云原生架构对 Agent Runtime 进行解耦:

解法:产研自建Agent云原生架构cns(Commerce Neural Stack, 电商智能中枢栈)

  • 三层解耦: 将 Agent Loop、状态、执行环境从单机实例中拆分,形成彼此独立的运行层

    • 状态统一外置持久化,不再依赖具体机器,计算节点故障或迁移不影响会话连续性

    • 执行环境按 Agent 隔离,Shell、Browser、Code、File 等资源互不污染

    • 各层生命周期独立,可分别调度、扩缩容和恢复

  • 分布式执行: Agent Loop 作为独立计算单元运行在分布式集群中

    • 不同 Session 可分散到不同节点并行执行,实现计算资源池化和水平扩展

    • 单 Session 通过租约机制保证同一时刻仅由一个 Worker 执行,避免并发写冲突

    • Worker 异常或租约超时后可由其他节点接管,实现故障转移与自动恢复

  • Agent 级治理: 将管理粒度从“机器 / 进程”提升到 Agent

    • 同一 Agent 可被组织内多人、多 Session 复用,而无需绑定固定运行环境

    • 平台统一完成调度、权限、资源和运行状态管理

GEEK TALK

03

判断标准:哪些经验值得沉淀成 Agent

真正稀缺的从来不是技术能力,而是可被清晰表述的业务经验。但并非所有经验都适合沉淀——投入之前,先用三条标准做判断。

3.1 符合任意两条,就值得建

① 咨询频次高

同一类问题年内已多次解答,且每次结论基本一致。

典型:指标口径确认——问的人不同,答案却大同小异。

② 判断路径固定

处理该问题有明确的判断顺序与标准,能讲清「先看什么、再看什么」。

典型:经营诊断——先看分层,再看门控,再看流量与转化。

③ 结论因人而异

同一事项由不同人处理,结论常不一致,口径依赖个人经验。

收益:这类场景沉淀后不只是省时间,更重要的是口径终于统一。

3.2 两类场景暂不适合

  • 需要临场判断、每次标准都不相同的场景。此类问题本身缺乏可表述的规则——连本人都写不出判断依据,Agent 自然也学不会。

  • 一次性、不会重复出现的问题。沉淀的价值来自反复调用;只做一次的事情,投入产出并不成立。

3.3 一个更简单的自问

如果三条标准还是不好判断,可以只问自己两句话:「这个问题今年我回答过几次?每次答案是不是差不多?」——若答案是「很多次」且「差不多」,它就该被沉淀下来,而不是继续留在自己身上。

GEEK TALK

04

门槛在业务理解,而不在编程能力

这个判断有事实支撑:已上线的 Agent 应用中,建设方以业务角色为主,而非 Agent 研发工程师;覆盖场景也早已不限于数据,商机洞察、直播冷启诊断、招商选品都是由熟悉该业务的产品、运营同学自行建成并使用的。

结论并不复杂:谁最熟悉某类业务,谁就适合成为该 Agent 的建设者。

4.1 建设者需要投入什么

4.2 两个常被问到的问题

  • 建成后效果不佳如何处理?调试工作台会完整展示每一步推理与工具调用,建设者可自行判断问题所在并即时调整,不必等待研发排期。

  • 建成后无人使用怎么办?这恰恰回到第三章的标准——如果它解决的是被反复咨询的真实问题,就不会没人用;如果无人使用,多半是这个场景本就不该沉淀。

GEEK TALK

05

两个例证:符合标准的场景长什么样

下面两个 Agent 分别来自数据类与业务类场景,可以作为前述标准的参照——它们的共同点是问题被反复咨询、判断路径可以讲清楚。

5.1 电商数据口径 Agent

Agent 介绍

面向业务、运营与数据分析人员,帮助快速确认指标口径、定位可用数据源,并生成可执行取数方案。

适用场景

  • 查询 GMV、订单量、用户数、转化率等指标的定义与统计范围

  • 确认某指标是否可取、从哪里取、按什么粒度取

  • 将业务问题拆解为数据维度、过滤条件与时间范围

  • 输出 SQL 取数思路或数据需求说明

核心能力

5.2 电商直播冷启诊断 Agent

Agent 介绍

面向电商平台运营与小二,帮助快速定位冷启期直播商家的经营问题,自动完成多维取数与归因,并输出可落地的诊断报告。

覆盖范围

当前聚焦直播通路下商家冷启阶段的诊断,后续将逐步扩展至所有通路下的经营诊断。

适用场景

  • 对单个冷启直播间做深度诊断,定位流量不足、转化偏低或开播门控未通过的根因

  • 批量扫描冷启商家,按阈值筛出问题清单并标注命中场景

  • 查询某直播间的分层档位、门控判定结果与同类目中位对比

  • 对比多个维度指标,跨维度归因首因并生成可执行的下一步建议

  • 输出结论前置的诊断报告(Markdown 与可视化 HTML 双形态)

核心能力

典型提问方式

  • 这个 room_id 的商家冷启为什么没起量?帮我诊断一下

  • 这个 room_id 的商家 X 月 X 日流量特别差,是什么原因?

  • 帮我扫一下这批冷启商家,看看哪些门控没过

  • 这个商家流量有但转化低,问题出在哪?

  • 帮我生成 room_id XXX 本月冷启的完整诊断报告

  • 这个商家的分层档位是什么?该优先做什么动作?

GEEK TALK

06

写在最后

把经验做成 Agent,本质上是一次表述的工作:先要说清自己是怎么判断的,才谈得上让它被复用。很多经验之所以一直困在个人身上,不是因为它太复杂,而是因为从来没有被完整表述过一次。

所以真正值得先做的,往往就是那个你今年已经回答过很多次、而每次答案都差不多的问题。

跳转微信打开

  •  

让AI接盘老游戏存档编辑器

小编 2026-09-08 11:31 北京

重拾MHXX,手搓属于自己的存档编辑器

我是 MHXX 的多年老粉。想再玩一把,又不太想从 0 开始,于是找到了开源存档编辑器 MHXXSaveEditor,打算给自己省一点时间。

它还能运行,这本该是个好消息。真正用起来,我却发现想改的几个词条没有入口,项目也已经无人维护。

摆在我面前的选择很复古:打开自制系统里的内存查看器,一个字节一个字节地找;或者认输,老老实实重刷。

但现在毕竟是 AI 时代。我开始想,它能不能接过这份没人继续做的维护工作?

打开编辑器,我先被一串字节挡住

我原本以为,存档编辑器应该是一张表单。选择文件,找到“金钱”或“装备”,填入新值,再点一下保存。

真正打开这类工程工具时,看到的却是另一番景象。

MHXXSaveEditor 高级编辑器:已知偏移、Hex 数据、数值解释、研究记录和知识库
MHXXSaveEditor 高级编辑器:已知偏移、Hex 数据、数值解释、研究记录和知识库

画面中央是一整片 Hex 数据。4F 3F 75 00 这样的字节不会主动告诉我自己代表什么。左边的 FUNDS_OFFSET、PLAY_TIME_OFFSET 和角色槽基址,都是维护者经过实验后写下的解释。游戏官方没有提供这样的字段表。

要看懂这个界面,第一关是十六进制。文件地址通常写成 0x126498,字节值也用十六进制展示。我得在文件位置、字节序列和日常使用的十进制数值之间来回换算。

然后是偏移。编辑器不能只记住某个绝对地址,还要理解“角色槽基址加 0x24”这样的相对位置。换到另一个角色槽,基址变了,字段在槽内的位置却可能保持不变。

编码方式又是一关。图里的金钱使用四字节无符号整数,并且采用小端序。人习惯从高位写到低位,文件却从低位字节开始保存。同样四个字节,换一种数值类型或字节顺序,就可能得到完全不同的结果。

还有更隐蔽的问题。同一个金钱数值可能在存档里出现两次,一处供存档界面显示,另一处供游戏逻辑使用。某些字段有合法范围,有些版本还会增加校验。数字看起来改对了,漏掉关联字段,游戏仍可能拒绝读档。

这些知识对原作者来说也许早已成了直觉。对第一次接触项目的人来说,每个术语都要现查,每次写入都像在碰运气。

我以为只是少了一个输入框

既然编辑器已经能读取和保存存档,缺一个词条,大概只是界面上少做了一个输入框。起初我确实这么想。

看进代码以后才发现,输入框其实是最后一步。在它出现之前,维护者要先证明这个游戏词条藏在哪几个字节里、怎样编码、有没有同步副本,以及修改后游戏是否接受。

常用的研究方法叫作基于控制变量的黑盒差分分析。名字有点长,做法倒不难理解:一次只改变一个游戏状态,然后比较操作前后的两份存档。

假设要找金钱字段,可以先保存一份存档,进入游戏,只购买一件价格为 20z 的道具,然后再保存一份。两份文件分别作为 before 和 after。接下来逐字节比较,找出发生变化的位置,再看哪些变化可以解释成“金钱减少 20”。

麻烦在于,存档不会只记录我有意改变的东西。如果测试期间整理了背包、切换了地图,或者只是在游戏里多停留了一会儿,文件里都会混入额外变化。游戏时间、界面状态和内部计数一起改变,真正要找的字段很快就会埋进噪声里。

发现候选以后,还不能马上把它写进编辑器。维护者要判断它属于哪个角色槽,确认编码方式,检查附近有没有同步副本。然后复制一份测试存档,只修改尽可能少的字节,再放回游戏验证。只有结果符合预期,偏移和对应词条才有资格进入知识库。

与此同时,代码也得继续维护。导入导出逻辑要兼容文件格式,解析代码要处理越界和异常,界面要把偏移、数值与实验记录连起来。知识库更新以后,读取工具、测试用例和说明文档也要跟着变。

一轮研究可能拖上几天。中途最容易丢的,往往是那些没有正式记下来的判断:这两份存档做过什么,为什么排除了那个地址,眼前的结论究竟验证过没有。维护者一旦离开,后来的人只能重新翻 Hex、读代码、猜注释,再走一遍旧路。

到这里,问题已经很清楚了。时间主要花在制造样本、比较差异、记录排除理由和准备下一轮实验上,输入框只是最后的一小步。这些工作有固定规则,数量又大,很适合让 AI 参与。

我没有先让 AI 修改存档

我先给 AI 搭了一张研究工作台。

MHXX AI Research Studio 研究工作台:AI 提交候选与实验方案,等待人工审批后再生成测试副本
MHXX AI Research Studio 研究工作台:AI 提交候选与实验方案,等待人工审批后再生成测试副本

研究工作台和高级编辑器共用同一份研究状态,但分工不同。高级编辑器负责查看 Hex、已知偏移、数值解释和 known-offsets 知识库;研究工作台负责显示当前阶段、AI 提交的候选与证据,以及等待人工处理的审批和验证任务。研究者既能钻进字节细节,也能随时退回流程视角,确认现在为什么停在这里。

一次研究从两份成对存档开始。人要说明这次实验改变了什么,比如“购买一件 20z 的道具,其他操作保持不变”。工作台登记文件指纹和实验参数,生成一份不可变的差分结果,然后统计变化区域,尝试用不同方式解释数值。

AI 通过 MCP 或 JSON Lines 接入。它不用模拟鼠标点击,而是拿到少量语义明确的工具:查看研究状态、读取候选、分析证据、提交推理,以及申请推进下一步。

图 1:研究者通过工作台提供样本,外部 AI 经过受控通道参与分析,研究控制面负责检查权限并推进状态
图 1:研究者通过工作台提供样本,外部 AI 经过受控通道参与分析,研究控制面负责检查权限并推进状态

AI 进入的是研究流程,不是存档目录

从图里看,研究者和工作台在左侧,外部 AI 在中间,右侧则是一套研究控制面。AI 没有直接连到存档目录,也不能绕过工作台调用底层读写功能。它只能沿着中间这条受控通道参与研究。

流程从人开始。研究者在工作台中选择一项研究,导入 before 和 after 两份样本,并写下这次实验改变了什么。工作台先把它们整理成差分、候选位置和数值解释,再把这些已经登记过的证据交给 AI。

AI 能做的是阅读证据、比较候选、提交判断,并申请把研究推进到下一步。每次申请都会先经过控制面检查:它读的是不是当前研究的证据,当前阶段是否允许这个动作,这一步会不会触碰人工审批。检查通过以后,控制器才会更新研究状态;一旦流程走到测试写入或游戏验证,就会停在 Human Gate,把决定交还给人。

这样设计的目的不是让 AI 永远判断正确,而是把它放在一个后果可控的位置。模型可以换,提示词也可能跑偏,但它拿到的始终是同一组受限能力。错误的判断可以被记录、复查和推翻,却不能直接变成对原始存档的修改。

面对上千个候选,AI 可以反复比较数值变化、槽位结构和已有偏移。比如它认为 +0x24 可能是金钱字段,就要把依据和下一步实验提交回工作台,而不是只在聊天窗口里留下一句结论。

研究账本为什么放在流程中间

聊天记录很适合讨论,却不适合承担研究进度。一次黑盒差分可能跨越几天,还会经历模型重连、程序重启和人工验证。只保留对话,很难回答几个最基本的问题:这个结论来自哪一对样本,当时分析的是哪一版差分,它现在是猜测、待验证,还是已经被游戏确认?

因此,图中的研究账本位于工作台、AI 和控制器之间。样本被导入、AI 提交判断、人工批准实验、游戏返回验证结果时,流程都会在这里留下记录。它不是给 AI 写一篇总结,而是让所有参与者共享同一个研究现场。

账本里的信息分成四类。State 表示研究目前走到哪一步;Event 按顺序记录发生过的动作;Artifact 保存差分、候选表和推理结果等证据;Pending Action 则冻结下一步准备执行的实验,以及它正在等待谁批准。四类信息合在一起,才构成一条可以追溯的证据链。

仍以 +0x24 为例。AI 提交判断以后,相关差分会作为证据保留下来,提交动作进入事件记录,研究状态变成“等待批准”,待办里则写清准备修改哪个位置、怎样回滚。即使隔几天再打开项目,或者换一个从未参与过的模型,新的接手者仍能知道为什么停在这里,接下来应该验证什么。

数据契约的意义就在这里。它把研究进度从某一次对话中拿出来,放进一套稳定、可恢复的流程里。审批只对当时那份证据和那一步动作有效,已经过期的判断不能覆盖新的进度;只有经过游戏验证的结论,才会继续进入正式知识库。

把下一步交给 AI 时,我踩了刹车

AI 已经能从大量变化中筛出最可疑的位置。顺着这个思路再走一步,让它直接生成修改后的存档,似乎很自然。

但存档研究没有一个能替代游戏本身的最终裁判。

某个地址在数值上完全吻合,仍可能只是显示副本或缓存。测试存档也许能被游戏读取,却在完成任务、切换角色或者再次保存时才暴露问题。更直接的情况是修改破坏了长度、校验或关联字段,游戏当场拒绝读档。

普通文本写错一段,还可以继续修改。存档一旦被覆盖,玩家积累几十小时甚至几百小时的进度就可能一起消失。我的初衷只是少重刷一点内容,没必要拿整份存档去验证模型有多自信。

于是工作被切成了两部分。AI 负责读取、筛选、推理、记录和提出实验。人负责制造可靠样本,批准测试写入,把副本导入游戏并观察结果。结论经过游戏验证以后,才能进入正式偏移表。

这个分工不要求人永远正确。它只是把频繁而且可以复查的分析交给 AI,把后果较大的动作留在一个明确的人工检查点上。

允许 AI 判断错,但不让错误碰到原始存档

“保证 AI 不会出错”是一个做不到的目标。设计工作台时,我换了一个问题:如果 AI 判断错了,怎样阻止这个错误悄悄变成对原始存档的破坏?

Human Gate 与受控写入链:批准绑定证据版本,修改只发生在测试副本,验证通过后才固化知识
Human Gate 与受控写入链:批准绑定证据版本,修改只发生在测试副本,验证通过后才固化知识

为什么一次批准只能执行一次

从图中看,AI 提交的方案先变成一项 Pending Action,然后停在 Human Gate。它不会因为模型说“我很确定”就继续执行。人在这里看到的是一份具体的实验说明:准备修改哪个偏移,原来的字节是什么,修改后是什么,这个判断来自哪一版研究证据,以及实验失败后怎样回滚。

批准的对象就是这一次实验。它不等于把存档的修改权交给 AI,也不能拿去执行下一次补丁。研究样本、证据版本或目标位置只要有一项发生变化,原来的批准就会失效,AI 必须根据新状态重新提交。

这么做是为了避免一种很隐蔽的错误。人批准时看到的是方案 A,但在真正执行前,工作台里的文件或研究结论已经变成了方案 B。如果批准可以重复使用,旧许可就可能落到一份不同的存档上。一次性批准把人的决定固定在当时那份证据和那一个动作上。

即使通过了 Human Gate,工作台也不会覆盖原始存档。图中的写入器先从登记快照复制出一份测试副本,再把批准过的修改应用到副本上。执行前,系统还会重新核对文件指纹和目标位置的原始字节。对不上就停止,而不是勉强写入。实验失败时,测试副本可以直接丢弃,玩家的原档仍然留在原处。

在流程走到 Human Gate 之前,工作台已经做过一轮证据检查。AI 的推理必须引用已有候选和分析产物;证据不足时,系统不会生成待批准动作。自动研究还有预算和轮次上限,避免模型在没有新证据时反复尝试。模型可以提出修改建议,却没有绕过工作台直接写文件的通道。

测试副本生成以后,流程再次交还给人。研究者把它导入真实游戏,再把结果记为“确认”“未生效”或“不确定”。游戏才是最后的验证环境。只有被确认的结论才能进入 known-offsets,成为下一位维护者可以直接使用的知识。

这套设计没有要求 AI 永远判断正确。它把一次可能出错的判断拆成几个可以停下、检查和重来的步骤。错误的偏移最多让一份测试副本失败,不会悄悄覆盖玩家的原始存档。

20z,把 1,202 个候选缩成一个动作

一次完整实验中,我们给 AI 的变化很小:购买一件价格为 20z 的道具。操作前,角色拥有 7,683,939;操作后变成 7,683,919。

预期中的变化只有一个,文件里却有 1,155 个字节发生改变。它们散落在 75 个区域中。工作台尝试不同的整数类型、字节顺序和变化解释后,得到 1,202 个初始候选。

AI 根据实验说明、角色槽结构和已有偏移重新排序,最后留下两个语义完全吻合的位置:槽内相对 +0x24 的金钱主字段,以及相对 +0x280F 的同步副本。两处都以四字节小端整数保存,也都恰好减少 20。

接下来的最小实验并不是把两个位置一起修改。为了判断主字段能否独立生效,AI 提交了一个更小的动作:只修改 +0x24,生成测试副本,再由人进入游戏观察。

整个收敛过程不必依赖一张演示截图,也可以直接写成一条可复查的研究轨迹:

1,155 changed bytes
  → 75 contiguous regions
  → 1,202 interpreted candidates
  → 2 semantic matches
  → 1 minimal pending action

每一次收窄都有对应输入和排除理由。数字不是为了证明模型“猜得准”,而是说明它如何从原始差分走到一个足够小、可以被人审查和证伪的动作。

当前记录仍停在 hypothesis / awaiting_approval,新的测试副本尚未生成。项目里已经有一项输入指纹相同的历史研究。那次实验只修改主字段,并由人工确认游戏内金钱显示为 0。这条记录为当前判断提供了很强的旁证,却不能代替这一次审批和验证。工作台也没有把当前状态提前改成“已验证”。

暂时没有答案,可以继续实验。把一个高概率猜测写成确定知识,后面的每次修改都会继承这个错误。对数据逆向来说,知道自己还没验证,和找到正确偏移一样重要。

下一位维护者不必从同一片 Hex 重新开始

我一开始只是想快速玩一把,不想从 0 重刷。做着做着才发现,这个项目缺少的不只是几个修改入口。原作者离开以后,那些没有写进代码的研究过程也跟着断了。

数据逆向智能体没有发明新的逆向方法。控制变量、黑盒差分和游戏验证仍然属于工程实践。AI 接手的是这些方法在项目中的持续执行:读取证据,缩小候选范围,保存研究进度,准备下一步实验,并在需要真实操作时把任务交还给人。

最后留下来的也不只是一张“偏移等于游戏词条”的表。每条结论都带着样本、推理、测试动作和验证记录。下一位打开这个项目的人,仍然要理解存档,也仍然要做实验,但不用再从同一片没有路标的 Hex 数据重新开始。

[MHXX存档编辑器项目](https://github.com/daijinru/MHXXSaveEditor)

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

添加小编微信进群😊

关于奇舞团

奇舞团是 360 集团最大的大前端团队,非常重视人才培养,有工程师、讲师、翻译官、业务接口人、团队 Leader 等多种发展方向供员工选择,并辅以提供相应的技术力、专业力、通用力、领导力等培训课程。奇舞团以开放和求贤的心态欢迎各种优秀人才关注和加入奇舞团。

跳转微信打开

  •  

为什么 AI 落地实施越来越像一项咨询工作?

原创 这个男人来自千祥 2026-09-08 08:15 浙江

导读:AI项目先找准价值,再用运营和软件持续实现价值。

今年做 AI 项目,我越来越明显地感觉到:AI落地实施正在变得越来越像一项咨询工作。

这并不是说,实施团队以后不用做产品、不用写代码了;也不是说,只要多开几次会、多写几份报告,就算是做了咨询。

真正的变化是,过去很多信息化项目的起点,是客户已经比较清楚自己要什么,项目团队需要解决的主要问题,是怎么把这些需求做成系统。现在不少AI项目的起点,却只是一个比 较大的方向:建设企业级 AI 平台、建设知识库、做智能问答、做智能体,或者让大模型帮助某个部门提效。

方向通常没有错,但距离一个真正可建设、可使用、可验收的项目,还差得很远。

所以,项目前半程最重要的事情,正在从“确认功能”变成“和客户一起发现价值”:到底要解决谁的什么问题,AI在其中能发挥什么作用,哪些事情不能交给AI,以及怎样把一个听起来不错的想法,变成一套真正可行的建设方案。

可以复制的是经验,不是答案

不同客户之间当然有很多经验可以复制。

比如做企业知识库时,知识接入、文档解析、切分、检索、问答、权限和反馈,这些能力在很多项目中都会出现。做客服、制度查询、研发助手、营销支持,也会逐渐沉淀出一些典型场景和实施路径。

但我越来越觉得,可以复制的是方法和经验,不能直接复制的是项目答案。

同样叫“制度问答”,在不同企业里可能完全不是同一件事。有的企业主要关心的问答准确率的问题,有的企业更关心文档版本是否正确,有的企业要解决的是多步骤的任务型Agent要解决的事情;还有的企业最看重权限、引用依据和回答风险。

表面看都是一个知识问答系统,背后的业务价值、知识来源、责任部门、权限边界和验收标准却完全不同。如果把上一个客户的方案改改名字就拿过来,功能也许能上线,但项目价值很可能落不了地。

因此,客户现场的认真调研仍然不可替代。项目团队不能只问“需要哪些功能”,还要去看实际工作是怎么完成的:谁在什么环节遇到了问题,现在靠什么方式处理,一次要花多长时间,什么情况下容易出错,出了问题由谁负责,最终结果又由谁判断。

这些内容,很多时候并不会天然出现在一份需求清单里。它们需要在访谈、观察、材料分析和多轮讨论中,一点点提炼出来。

AI 项目的总体设计,首先要回答价值问题

传统信息系统已经形成了相对稳定的讨论框架。业务流程、用户角色、功能模块、数据结构、系统接口、非功能指标,通常都有比较明确的分析方法。只要业务边界相对清楚,需求分析和总体设计就能够沿着这些框架逐步展开。

AI 项目则多了一层不确定性。

一方面,大模型能力升级很快,半年前需要专门开发的能力,今天可能已经成为模型或平台的标准能力;另一方面,新的工程方法也在不断出现,知识库、RAG、智能体、工具调用、多模态和上下文工程都在快速变化。我们很难像建设传统信息系统一样,拿出一套几年不变的固定套路。

更重要的是,AI能做什么,并不等于客户应该建设什么。

客户说“想做一个知识库”,我们还需要继续追问:是为了缩短信息查找时间,降低新人培养成本,减少制度解释偏差,还是让某个智能体获得可靠的企业知识?这些目标看起来接近,最后决定的建设重点却并不一样。

所以现在编写软件需求和总体设计,除了原来的功能、接口、性能和安全等内容,还会有以下几类问题:

  1. 这个场景具体服务谁,解决哪个工作环节的问题?

  2. 现有方式的成本、效率和风险是什么,改进基线在哪里?

  3. 哪些工作适合交给 AI,哪些仍然需要规则、原有系统或人工判断?

  4. 项目需要哪些数据、知识、权限、责任人和配套流程?

  5. 上线以后用什么指标证明有效,又怎样持续迭代?

说得直白一点,以前的总体设计主要回答“系统怎么建”,现在还必须先回答“为什么建、先建什么、怎样证明值得继续建”。

这就是它越来越像咨询工作的原因:不是只替客户记录需求,而是要在建设目标的大框架下,与客户共同提炼价值点,判断约束条件,再把价值点变成可实施、可验收的方案。

像咨询,并不意味着没有方法可循

AI项目存在不确定性,不代表每个项目都只能临场发挥。恰恰相反,越是不确定,越需要稳定的方法作为抓手。

企业级AI知识库就是一个很典型的例子。

早期大家比较关注的是软件能力:支持多少种文件、文档怎么切分、向量库怎么选、召回率怎么样。这些当然重要,但随着知识范围扩大、使用部门增加、业务场景变多,项目的主要矛盾会逐渐从“系统能不能找到知识”,转向“系统里到底应该有什么知识”。

我们在梳理AIS知识库运营管理方法时,总结过一句话:技术决定能力上限,运营决定长期价值。

如果知识本身已经过期、冲突、缺失,或者没有清晰的权限和责任人,再强的检索能力,找到的也只能是混乱。一个企业级知识库要长期有效,至少要同时解决三件事:

  • 知识生命周期:知识怎样产生、加工、准入、使用、反馈、更新和退出;

  • 知识质量:怎样保证准确、完整、一致、及时、可用;

  • 知识价值:知识服务什么场景,是否真正被使用,是否带来了业务改善。

这里面很多问题,本质上不是一个软件按钮的问题,而是管理问题。

图:企业级知识库需要关心的三个重要组成部分。

例如,接入一个文件目录并不等于完成了知识接入。真正需要确定的是:这批知识来自哪里,归哪个部门负责,具体责任人是谁,多长时间更新一次,属于什么权限等级。如果这些问题没有回答清楚,接入得越快,后面的治理成本可能越高。

再比如,知识上线也不应该只是“上传成功”。什么知识允许进入正式知识库,何时生效,由谁审核,适用于哪些对象,为什么值得纳入,都需要有明确规则。知识投入使用以后,还要把用户反馈变成新的生产入口:发现问题、定位原因、分派责任、修改审核、重新验证,最终形成闭环。

所以,企业知识库并不是一次性的资料整理工程,更像是一套持续运行的知识生产和经营体系。

软件的比重在变化,但软件并没有变得不重要

在AI项目的价值构成中,单纯“把功能做出来”的比重确实在下降,运营管理工作的比重正在上升。在我们的一些客户项目中,知识库运营管理方法甚至已经成为方案的核心。

图:不同应用场景对应的不同运营比重。

但这不意味着软件可以退居其次。更准确地说,软件功能会越来越细,越来越贴近管理动作,为运营方法服务。

知识接入功能,不只是把文件搬进来,还要记录来源、责任和更新机制;知识工程,不只是解析和切分,还要完成清洗、脱敏、标准化、标注和质量检查;知识治理,需要把权限、版本、有效期、健康度和变更影响落实到系统中;知识使用,也不能停留在问答页面,还要支持引用溯源、问题反馈、效果评测和场景分析。

从这个角度看,产品不是知识运营本身,而是制度、组织、流程和责任的数字化执行载体。

没有运营方法,软件容易变成一个功能很多但没人持续维护的资料仓库;没有合适的软件,运营又会依赖表格、人工提醒和少数人的责任心,很难规模化,也很难度量。

准确、稳定和好用,仍然是软件的基本功

还有一个容易产生的误解是:既然项目更像咨询,运营又越来越重要,那么软件本身是不是就没有那么重要了?

我的看法正好相反。

图:软件在不断内化运营管理方法。

越是要承载企业级的制度、流程和责任,软件的准确性、稳定性和交互友好度就越重要。

准确性不只是模型回答得像不像,还包括文档是否解析正确、表格和段落有没有丢失、检索结果是否引用了正确版本、权限是否被严格执行、高风险问题是否能够拒答或转人工。

稳定性也不只是页面能不能打开。知识同步失败能不能发现,处理任务能不能重试,版本能不能回溯,系统升级会不会影响已有知识和应用,这些都会直接影响客户是否敢于长期使用。

交互友好则决定运营方法能不能真正落地。业务人员是否容易完成审核和发布,知识责任人能否快速找到待处理问题,普通用户能否看懂回答依据并方便反馈,这些看似是产品细节,实际上决定了一套管理制度的执行成本。

好的咨询和运营方法,不能替代扎实的软件工程;好的软件,也不能替代对业务价值和运营机制的理解。三者不是谁取代谁,而是分工不同:

  • 咨询分析决定做什么、为什么做;

  • 运营管理保证知识和场景持续有效;

  • 软件产品让这些方法可执行、可规模化、可度量。

最后

AI项目实施越来越像咨询,背后反映的其实是项目交付目标发生了变化。

客户需要的,不再只是一个按需求清单开发完成的系统,而是一套能够把 AI 能力转化为业务价值的办法。项目团队既要理解模型和软件,也要理解业务、组织和管理;既要能够设计系统,也要能够和客户一起识别问题、判断优先级、建立评测标准,并考虑上线以后的持续运营。

这会让项目前半程看起来更“慢”一些,因为需要花更多时间调研、讨论和验证。但如果价值点没有找准,后面的开发越快,可能只是越快地做出一个不被真正使用的系统。

真正成熟的AI项目,不是上线一个会回答问题的产品,而是与客户一起建立一套持续发现价值、生产高质量知识、验证效果并迭代应用的能力。

从这个意义上说,AI落地既是一项咨询工作,也是一项运营工作,最后还必须由可靠、稳定、好用的软件把它真正承载起来。


如果您对我们的AIS感兴趣,可以点击左下角的“阅读原文”找到我们。

往期文章:

WorkBuddy、豆包工作、千问办公开战—企业AI的机会反而更清楚了

你们的企业AI项目真的跑出真正的价值了吗?了解一下知识工程这个隐性共识

企业AI落地需要的不是一个知识库,而是一台“知识引擎”

企业AGENT好不好用,关键不是模型,而是上下文

阅读原文

跳转微信打开

  •  

AI 生成图表时,默认值为什么比配置项更重要?

孟宸 2026-09-07 18:56 浙江

数据分析里,图表通常不是起点。先问一个业务问题。系统查数据、做计算、给出结论;等结果落到屏幕上,图表才接手最后一段工作:把“收入上涨了 12%”“华南增长最快”这类分析结果,变成一眼能核对、能继续追问的东西。这一步很容易被低估。AI 能选对图表类型,不代表它第一次渲染就能读:标签可能挤在一起,单一指标被画成彩虹色,双轴线和坐标轴对不上,鼠标移过去也找不到当前数值。

GPT-Vis 这次调整默认样式和交互,就是想先把这些高频问题处理掉。不只是为了让图表好看,更是让分析结果少一点误导,多一点可读性。这些改动已随 GPT-Vis 1.0.1 版本 发布。

01默认值先解决几件很具体的小事

单系列不要画成彩虹

颜色是数据编码。没有分组字段的一组柱子,如果每根都换一个颜色,看起来像有好几个系列,实际却只是同一个指标。

现在,单系列 Line、Area、Column、Bar 和 Scatter 默认用一个主色;真正有分组时才启用分类色板。

标签多了,怎么避免信息冗余

真实分析数据很少刚好适合默认宽度。日期、区域名、商品名一长,X 轴就容易变成一团。

GPT-Vis 会在标签密集时旋转 X 轴文字,将多余的标签自动隐藏。

连续数据先让人读到数

折线图最常见的动作不是“看见一条线”,而是比较某个时间点的几个值。

Line、Area 和 Dual Axes 默认使用共享 Tooltip:鼠标落在一个 X 值上,同一时刻的多条系列会集中出现。十字准星和坐标轴交点标签负责定位,这样不用凭肉眼在两条线之间猜读数。双轴图里,系列与对应 Y 轴保持颜色关系,同侧多个轴的当前标签也会分别显示。

避免图表每次都“长得不一样”

词云有随机布局,截图和回归时特别容易让人困惑:到底是样式变了,还是随机位置变了?GPT-Vis 用词语和权重生成固定的布局种子,同样的数据会得到稳定的排布与旋转,并且增加了业务语义,包括词频排行和占比。

02这对 AI 生成图表意味着什么?

AI 没必要为每张图反复决定线宽、标签角度、Hover 反馈和边距。它应该把注意力放在分析意图上:这里该比较趋势,还是看占比?该用时间作横轴,还是按地区分组?默认值把这些重复的视觉判断先承担下来,配置才可以保持简单:

new GPTVis({ container }).render({
type: 'line',
  data,
});

需要时,用户仍能覆盖颜色、样式和交互。但一张第一次出现的图,应该已经能支持阅读,而不是等待下一轮 AI 修改。

03在 Sive 里,分析图表接的是一份已经算好的结果

这也是 GPT-Vis 在 Sive 这类 AI 数据分析产品中的位置:不接管分析,不替代结论;把已经算清楚的结果,稳稳地交到用户眼前。

Sive 负责理解问题、查询数据和完成计算。它可以用 SQL、Python 等工具得到可信的结果表、字段信息和分析结论;GPT-Vis 不重新聚合数据,也不替分析 Agent 推断业务原因,只负责把确定的结果表达出来。

这样分工很朴素,但很重要。分析口径留在 Sive,图表的默认判断留在 GPT-Vis。前者保证数字对,后者保证人能看懂数字。在 Sive 的分析页面里,这个差别尤其直接:同一份结果数据不需要为展示再写一轮样式配置,就能得到有明确层级的图表。

04最后

GPT-Vis 会继续围绕 AI 数据分析的实际过程打磨:配置尽量保持简单,把渲染、布局和读数交互做得更稳,让 AI 第一次交出的图就能用于分析。它已经接入 Sive 的数据分析流程,把结果变成易读、可核对的图表。这是 AntV 可视化能力在 AI 数据分析里的一个具体落点。

点击阅读原文👇,用真实数据试一试。

阅读原文

跳转微信打开

  •  

我如何改造 Obsidian?开发日志(三)

原创 二一的笔记 2026-09-07 15:27 福建

一次崭新的旅程

前情提要

本文是 FLO.W Obsidian 正式发布前的最后一篇开发日志,随后我将进行一轮 Beta 测试,如果你感兴趣的话可以通过下方链接,加入飞书交流群。

飞书群链接

21obsidian.com/waitlist

也可在电脑端查看实机模拟

https://21obsidian.com/sim

另外,本文真的非常长,理智告诉我应该拆成三篇四篇去发,但我还是固执地用一篇写完,实在不想让连贯的思路断链,因此也接受超低的完读率,和可能劝退用户购买的反效果。

我坚定地相信,只有把思想转化为文字,思考才算真正完成。倘若不把这半年来的全部探索和执念,完完整整地呈现在这里,这一场漫长的开发在我心里就无法划下句号。

好在我也有相同的自信,如果你是对知识管理感兴趣的人,或者你正在开发自己的笔记软件,那么本文所写的种种探索,你或许也只能在这里看到了。

开发背景

外部世界对我来说是不可预测的,任务会突然涌现、灵感会转瞬即逝、计划会被随时打乱,这种失控感是我焦虑的根源。

所以我总是期待能有一个地方可以收纳所有的不确定,将其规整、量化,并转换为明确的下一步动作,让时间可以被妥善地安排,让目标带给我持久的进步和产出。

我由衷地希望这个工具可以让我每天睡觉前,都感觉这一天充实圆满,并对第二天的到来充满期待。

一年前通过对 FLO.W Notion 模板系统的开发,我几乎圆满地兑现了这一份期待,也满足了超过 1600 名 Notion 用户和我一致的诉求。

CleanShot 2026-08-26 at 00.03.22@2x

同时私信里也持续不断地出现 Obsidian 用户的声音,因此在持续开发了半年之久后,今天我终于能把属于 FLO.W 的同一套底层逻辑,从 Notion 带到 Obsidian,让已经验证可行的规则继续在本地文件系统里落地生根。

并且我必须承认,曾经我认为的「Obsidian 只有落后的分类逻辑」的印象是刻板落后的,尤其是一度被我评价为半成品的 Base 功能,现在我也已经解锁了它的全部潜力,相信也一定能给你惊喜。

产品定位

AI 时代纯粹的知识管理已经不再必要。

人们应当真正关注的,是在长期工作中产生的信息、知识、目标与行动,该如何和谐有序地进入统一的系统内持续运转,让人专注于判断与选择,让 AI 承担繁琐的执行,在同一套上下文里协同推进。

FLO.W 是基于这个使命所构建的,一套能衔接思考与行动的 Obsidian 工作系统。

它以 Obsidian 为基础,包含配套的模板库和定制的插件系统,能帮你快速捕捉每天的思绪、行动和好奇心,将高价值的信息存进一个结构清晰、人和 AI 都能高效处理的工作台,让行动更敏捷、让思路更顺畅。

基于 Obsidian File Over App 的产品哲学,FLO.W 可离线、可买断、不对 Markdown 文件做过多侵入式修改,帮你从今天起搭建一个 50 年后依然清晰可读的个人数字保险库。

倘若有一天 FLO.W 出于某些意外必须终止维护,我会将产品开源,以保证必要的存续条件。

CleanShot 2026-08-26 at 13.09.16

设计思路

整齐的秩序能给人带来掌控感,有效的链接才不会让信息沉底,切实行动才能带来真实收益,复盘校准才能迭代出正确方向。

基于对秩序、链接、行动、以及校准的四个核心追求,我构建了 FLO.W 这套系统,即 Foundation、Link、Operate、Watchtower。

四个核心追求

接下来我会逐一拆解它们在 Obsidian 里的实现方式,首先要面对的,就是大多数人最容易开始、也最容易失败放弃的分类体系搭建。

秩序

传统的笔记秩序依赖人的整理,需要自己把东西放到该放的地方。

但整理依赖记忆和自觉,而这两样都会衰减,记忆会遗忘,自觉会偷懒,所以依赖文件夹和标签的分类方式必然渐进式崩坏。

全盘丢给 AI 归类和查找看似省事,但这只会让你的笔记库变成一个人类难以阅读和操作的黑盒。

因此 FLO.W 通过预先设定好以下四条规则,让用户(以及用户的 AI)能在一套逻辑自洽的有限空间内自由生长。

规则一、用有限对象简化分类逻辑

文件夹陷阱

在我有限的人生里,从来不见有人可以真正用好文件夹,当你用主题、场景、或是来源的方式去做分类,你就落入了文件夹的陷阱。

一个文件只能同时存在于一个文件夹,当你选择了其中一个,你只能选择表达这个文件的某一个面而放弃其他属性。当你希望表达更多的时候,你就会增加更多的文件夹或标签,然后管理成本就越来越高。

文件夹陷阱 单亲层级树 3x4

你当然可以选择全盘交给 AI,不再手动维护任何文件夹,但对依然在坚持手搓文章和笔记的我(或者某一类用户)来说,保持文件夹的人类可读性和可操作性,依然是我所追求的一个最低标准。

最简化结构

在长久的实践中,我逐渐摸索出了一种与「主题式笔记分类」不同的分类逻辑,它的核心灵感来源于 Tiago Forte 的 PARA 方法论,意在用信息与行动之间的关系将信息分成四类:

  • • Project

  • • Area

  • • Resource

  • • Archive

但在 PARA 中「资源 Resource」的定义非常模糊,而「归档 Archive」则更像是一种信息的状态而非类型,因此 [[PARA]] 对我来说并非最优解。如果你比较关注这个圈子的话,应该也曾看过很多基于 PARA 的变体。

我采纳了 Area 和 Project 的广泛定义,并结合我的个人实践,提炼了四种我认为最重要的元信息类型,它们分别是:

C2 条目罗列图 4K (3)

这四种信息类型首先是可以自上而下拆解的树状结构,一个领域下会有多个项目,每个项目都可拆分成若干任务,每个任务在执行过程中都可能产生各种有价值的笔记。

接下来,其他所有看似繁杂的细分需求,都可以从这四个基础对象中自然生长出来。

比如会议纪要、灵感闪念或是读书心得,你不需要再去新建额外的文件夹,它们本质上都只是这四种元对象补充了特定属性、再配合 Base 筛选后的不同「视图」。

可拓展场景

所以原则上 FLO.W 只设定了最基础的 4 个顶层文件夹:

  • • 任务

  • • 笔记

  • • 项目

  • • 领域

当然仅凭这条规则还无法承载更复杂、更个性化的信息分类需求,因此接下来就需要用到「字段属性」这一工具,才能为不同的信息对象扩展它可承载的深度和广度。

规则二、用笔记属性承载关键事实

标签的陷阱

标签其实就是另一种形式的文件夹,因此文件夹存在的所有问题,在标签这个工具里同样存在,甚至更糟糕。

你可以在一句话之中、一个段落的末尾、甚至是一篇文章的开头或结尾打上标签,这使得标签的创建速度更快,限制更少。并且标签的语义更加是即兴且模糊的,比如灵感和想法、资源和参考、方案和规划,只要意义有所重叠,就会在你需要调用标签进行分类的时候造成困扰。

更大的问题是,当你希望在 Obsidian 的 Tags 属性菜单中找到曾经用过的标签,那么不同类型的标签就会杂糅在一起,有的是任务状态标签,有的是主题分类标签。

这个查找的过程会非常发散和烦人,容易让人陷入选择困难的境地,或者因为找不到想要的标签,于是又随手创建了一个新的,最终往往只能痛定思痛地留下「标签无用」的结论。

L1 下拉清单图 4K
属性的解法

笔记属性其实就是预先分组、且自我设限的标签,它的位置是固定的,它的选项是预设且有限的,虽然降低了自由度,但也显著降低了选择的成本。

在 FLO.W 中,每一个 Markdown 文件通过填写笔记属性 FLO.W 的方式去回答,它属于哪一种元信息类型?

当它是笔记时, FLO.W = Note ;当它是任务时 FLO.W = Task 。如此便规定了每一个新建文档的基本用途和用法。

CleanShot 2026-08-26 at 12.12.59@2x

接下来所有的新增字段,都是基于 FLO.W 这个地基字段进行扩建。

因为 Task  是用于追踪某个需要被完成的动作,所以它可以增加 Status、开始日期、结束日期、完成时间 等用于描述进度的字段;因为 Note 是用于记录需要被反复调用的信息,所以它可以增加 笔记类型、关联领域、关联项目 等字段。

有限的笔记属性确定后,属性的值域也应该是受限的。

在默认预设下,Status 仅设定 Todo、Doing 和 Done 三种元状态,笔记类型仅预设 Log、Ask、Exp、How 和 Idea 五种元类型,如非慎重思考后的结论,否则一般不再增加更多选项。

基于这种方案,我们既可以实现标签的基本用法,也可以消解传统标签会带来的分类难题。

你无法在一句话里随手打上一个笔记属性,因为它只存在于文档的头部位置;你也不需要再面对即兴语义的困扰,因为每一个笔记属性的值都已经预先定义;你更不需要面对不同类型的标签杂糅在同一个下拉菜单里的情况,因为状态、类型、以及关联等字段都是各自独立的。

CleanShot 2026-08-26 at 12.17.44@2x

到这里我们只剩下最后一个问题需要解决。

标签除了标记文本特征这一功能,还有一个用处就是可以起到聚合文档的作用,所以我说标签其实是另一种形式的文件夹。但标签的聚合虽然快速,聚合的结果却是笼统的,你总不能期望用模棱两可的定义去获得精确的结果。

但在 FLO.W 中,信息的聚合检索可以做到更智能、更高效、更精准,那就是基于笔记属性的 Base 聚合检索。

规则三、用动态表格实现更优检索

传统表格的局限

对我来说,表格就是秩序的象征,它可以排序、可以筛选、可以从全局视角俯瞰,也可以聚焦某个局部观察。横平竖直、整齐有序,只要信息精确完备,就能够给人一种「信息被照顾妥当」的安全感。

但传统表格所呈现的只是交织在行和列里的单元格,这些单元格只能体现一条信息的关键特征。

所以 Notion 数据库的创新是让每条记录都可以被打开为一个独立的文档,并且文档内还可以继续内嵌文档和数据库,即便递归也被允许。

Pasted image 20260826225733

所以 Obsidian 能实现这样的效果吗?

我曾经认为 Obsidian 的 Base 只是一个赶趟上架的半成品,但事实证明,当我给所有的文档都分配了 FLO.W 这一笔记属性后,Base 几乎可以看作是青春版的 Notion 数据库了。

动态透视的解法

在 FLO.W 的基本框架里,有限的文件夹与 4 种对象类型严格绑定。

当你在「任务」、「笔记」、「项目」或「领域」文件夹中新建文件时,头部的 FLO.W 属性会被 FLO.W Core 插件自动赋予对应的 Task、Note、Project 或 Area 的值,不需要你手动填写。

CleanShot 2026-08-28 at 13.50.09@2x

这在目录层面完成了文档的第一层分类,每篇文档在创建的瞬间就被标记了它的元信息类型。

第一层分类

但单一的顶层文件夹无法回答更具体的场景,例如哪些是即将过期的任务、哪些是上个月完成的项目、哪些是最近半年写过的经验笔记?

如果为了这些场景去不断新建子文件夹,我们又会重新陷入文件夹层层嵌套的陷阱。

Base 能用动态过滤的方式解决这个问题,但前提是被过滤的文档必须有标准、可被计算的笔记属性。所以我们让 4 种基本的元信息类型作为主干,向下分叉出受限、可控的笔记属性,如状态、笔记类型、关联项目等。

然后你就能随时从有限的文件夹里切分出清晰的功能视图,比如所有的 How 笔记.Base、所有进行中的任务.Base、或是某个领域下的所有关联项目.Base。

M1 树状层级图 4K

而且 Base 所聚合的每一个文档,实际上都是一条超链接。

打开链接后你得到的不只是一篇文档,还是一个容器,因为文档之内同样可以再内嵌 Base,而这个新的 Base 又可以动态过滤整个 Vault 之内的任意对象。

于是打开项目页面,你可以看到的它聚合了这个项目下所有任务;打开任务页面,又能看到属于它的所有笔记。

记录、透视、打开、内嵌,递归,与 Notion 数据库的基本效果如出一辙。

CleanShot 2026-08-26 at 13.11.11@2x

当然 Notion 数据库的各种高级自动化与丰富视图,目前在 Obsidian 里仍有巨大差距,这一点读者们还是应当抱有正确的期待。

所以到这一步,我们通过 FLO.W 的四种元信息,加上衍生的笔记属性以及 Base 的聚合检索,就可以实现用有限的文件夹去管理几乎无上限的分类场景。

Base 里的视图(View)是可以随时创建、随时删除的动态观察窗口,不论如何操作,归档在文件夹之类的文件都不会受到任何影响。

并且 Base 还有个特性可能会让你觉得它比 Notion 数据库更好,那就是 Base 的检索是覆盖整个笔记库的,而 Notion DB 的数据源是固定受限的。

如何理解呢?

Notion 是先有数据库,再有库里的 Page。而 Obsidian 一般是先有 Page 再有 Base。这意味着,如果你想在「笔记库」里新增一条笔记,Notion 会要求你先找到这个数据库再去做新增的动作。

而 Obsidian 只需要将任意一篇文档加上 Note 的字段,它就能立刻出现在对应的 Note.Base 之中。因此理论上在 Obsidian 中你不需要设置任何文件夹,只需要设定好字段,然后再利用 Base 去全局检索和管理即可。

但这显然违背了我们「人类可读、可操作」的初衷,所以为了避免这个笔记库变得杂乱不堪,我为 FLO.W 开发了一个名为「自动路由」的核心功能,它其实是我构建整套系统的起点。

规则四、用自动路由实现自动整理

Notion Database 和 Obsidian Base 都有一个特性就是,如果在带筛选条件的视图中新建页面,则新页面就会自动继承视图的筛选条件。

CleanShot 2026-08-26 at 13.14.03@2x

例如在 Status = Doing 的视图里新建,则新页面的 Status 会被自动设置为 Doing,这样才能满足让它出现在当前视图里而不被过滤掉的条件。

Notion 因为数据库的源已经确定,所以不论再怎么在数据库内创建 Page ,这个新的 Page 都不会污染其他的 Page 或者 DB。

CleanShot 2026-08-28 at 14.30.37@2x

但 Obsidian Base 的问题在于,当你点击 Base 右上角的新建按钮,系统会将新建的文档默认放置在「新建笔记的文件夹」这个设置所指定的位置。

CleanShot 2026-08-26 at 19.22.12

所以通过 Base 创建文档之后,你只能再手动去修改这个文档的位置,或者干脆不改了就那么放着。

CleanShot 2026-08-28 at 14.33.01@2x

为了解决这个问题,我开发了「自动路由」这个功能,可以实现以下自动化流程:

  • • 填入特定字段,文件自动移动到对应目录

  • • 建在特定目录,文件自动写入对应的字段

例如当你在「笔记」这个文件夹内新建文档,则 FLO.W 这个笔记属性会被自动写入 Note 的值;当你将「任务」文件夹里的文档拖动到「笔记」文件夹,FLO.W 的属性值也会从 Task 变成 Note。

此外,当你为任意文档添加 FLO.W = Note 的属性值,不论这个文档当前处于什么位置,自动路由都会将它移动到「笔记」文件夹,当你再给它添加 笔记类型 = Log 的属性值,则它还会被自动移动到 笔记/Log 的子级文件夹里。

自动路由 · 双向同步时序

在自动路由的维护下,你在各个 Base 里新建的文件,都会自动获得对应的属性与存档位置。

4 种基本的元信息划定分类边界,受限的属性和值域定义信息的特征,Base 负责覆盖整个笔记库的动态切片,自动路由负责兜底的位置对齐,这套规则可以在不依赖 AI 的前提下,有效降低人工整理的成本,让本地文件系统始终保持在整齐有序、清晰可读、可操作的状态。

链接

过去 PKM 生态常见且被大多数人接受的观点是,你必须主动建立链接,知识网络才会逐渐形成。

但如今 AI 在发现潜在关系这件事上,一个 grep 命令就让多少双向链接显得不再必要,因为我们随时可以根据当前的上下文将其立刻计算出来。

但链接的价值并未消失,只不过我们需要将链接的目的从「检索」转变为「约束」,也就是用链接关系去明确那些,只有人作为主体才能确认和负责的事实。

比如,任务 A 属于项目 B、项目 C 的负责人是 D、最终方案写在了笔记 E,F 的结论来自笔记 G,改变了前提 H 则结论 I 就会受到影响...

AI 当然可以将这些信息猜得八九不离十,但猜测和事实是不同的两件事。

你可以不用再穷举信息之间可能存在哪些关联,但仍然必须定义什么对自己是真的、什么对自己是重要的、接下来允许发生什么,以及你更希望行动以怎样的路径去推进。

而以上一切,在 FLO.W 中都可以用合适的「链接」去表达。

让关联表达意图

当你设定好了每一种元信息类型的用途和用法,那么它们之间的关联将自然带有明确的意图,这可以解决过去双向链接只能表示有关系,但解释不了到底是什么关系的问题。

FLO.W 的三种信息对象首先具备明显的树状层级,展示的是包含与被包含的关系:

领域 A
└── 项目 A
    ├── 子项目 A1
    │   ├── 任务 1
    │   │   ├── 子任务 1.1
    │   │   └── 子任务 1.2
    │   └── 任务 2
    └── 子项目 A2

它直观展现了一条从长远愿景到具体动作的推进路径:

领域:锚定一部分人生愿景
└── 项目:实现这一愿景的阶段性规划
    └── 任务:实现这一规划的分解动作

在执行层面很容易理解这种拆解动作,先把大目标拆解为小目标,小目标再逐个击破,最终实现大目标的完成。

接下来,「笔记」这个对象还会被进一步拆分为 5 种预设的「笔记类型」:

  • • Log :真实发生的过程与事实

  • • Ask :等待解答的疑问与困惑

  • • Exp :实践沉淀的经验与心得

  • • How :可供复用的方法与步骤

  • • Idea:有待探索的灵感与假设

那么当 Task、Project 或者 Area 与不同类型的笔记相关联时,就可以让这层关联展现更多的信息量,例如:

用关联表达意图

在一般 Obsidian 用法中,表达这类关联最习惯的做法,就是在正文里随手敲一个 [[双向链接]]。

但这种正文里的双向链接,往往只有链接的发起方才具备完整的上下文。

比如你可能习惯在日记里随手引用今天完成的任务,在项目里随手关联相关的参考资料,站在当前这篇文档(链接发起方)的视角来看,关联的意图非常清晰,你写的时候当然知道自己为什么提到了它。

但这种清晰只是单向的,一旦你把视角切换到那个被链接的[[目标页面]]时,问题就会出现。

无论是你随手打的一个词、一篇严谨的参考文献、一个需要执行的待办,还是一个从属的子主题,在反向链接面板里长得完全一样,没有任何语义和轻重的区分。

双链的缺陷 1

为了让关联能显示更明确的意图,在 FLO.W 中,关联是直接写入文档头部的笔记属性区域的,如果你曾是 Notion 用户的话,应该很容易理解这种类似 Relation 的用法。

CleanShot 2026-08-26 at 13.21.02@2x

在属性里写下 关联项目 = [[项目 A]],原本潜藏在字里行间的关联意图,就可以转变成 Base 可读、可筛选的结构化数据。

而且在实际操作中,你完全不需要手动给每一篇文档逐个填写这个字段。

当你在某个项目页面的 关联任务 Base 点击新建页面按钮,这个新任务会因为当前 Base 视图的筛选规则,在创建的瞬间就自动具备 关联项目 这个笔记属性,并将当前项目的名称自动填入字段中。

创建即关联

当你将 10 个任务关联到了 1 个项目里,这个项目就顺理成章地成为存放和管理这 10 个任务的容器。

让页面成为容器

在 Obsidian 的早期探索中,人们习惯用 MOC(内容地图)的方式来扮演容器的角色,首先创建一个核心的主题页面,然后在页面里打上一长串 [[双向链接]] 作为索引。

但这种静态容器并不能真正创建页面之间的从属关系,你当然可以在 MOC 里看到索引笔记的不同层级,但是进入被索引的笔记页面,你只能读到「有关系」而不能读到到底是哪一层的关系。

并且你在其他地方创建的新笔记,无法自动汇入这个 MOC,你只能手动添加一条索引。或者如果你是通过 MOC 内链的方式去创建新的笔记,则这条笔记又无法被放到正确的文件夹位置。

内容地图

而在 FLO.W 中,页面中的 Base 可以成为动态过滤的容器,整个笔记库内,所有符合筛选条件的内容,都会实时呈现在 Base 之中:

  • • 打开领域,Base 聚合属于它的所有项目

  • • 打开项目,Base 聚合属于它的所有待办

  • • 打开任务,Base 聚合属于它的所有笔记

这种包含关系还可以向下递归,任务页面可以内嵌子任务 Base,项目页面可以内嵌子项目 Base,笔记页面也可以内嵌子笔记 Base,从而实现更细分的层级管理。

还是以《咖啡》主题为例,在 FLO.W 中,每一个页面都可以借助内嵌的 Base,成为一个具备「收纳与展示」能力的容器:

用 Base 构建动态聚合的主题笔记

Base 里的页面再内嵌 Base,知识的收纳与展示就有了无限递归的可能。

每一层容器都只负责展示与当前主题直接相关的内容,同时又自然成为通向下一层子主题的入口。你不需要小心翼翼地在单篇文档里手动维护那张容易混乱的 MOC 索引,每一篇新笔记在被创建时,就可以被「自动路由」功能存放到合适的位置。

行动

我们常常习惯用待办清单来管理行动,先把要做的事记下来,然后祝愿执行力可以督促自己完成任务。

但冒出一个念头很容易,到底要怎么做却又不是那么清楚。又或者其实事情本身并不难,甚至很简单,因此你懒得去沉淀流程与模板,总习惯于每次都是重新开始,忽略了积少成多的隐形支出。

我相信会阅读本文,甚至还能读到这个部分的读者,执行力一定已经远超常人,但拖延问题定然在所难免,这并非主观懒惰导致。

原因在于,意志力是有限的资源,尤其在今天我们更多的是扮演向 AI 发号施令的指挥,如果你的精力都被执行前的琐事摩擦消耗掉了,你甚至连给 AI 下达正确判断的心力都没有。

所以 FLO.W 有一整套承上启下、逻辑自洽且验证有效的行动体系,可以尽量消除每一次行动之前的摩擦。

  • • 按钮 → 解决高频触发问题

  • • 模板 → 解决重复搭建问题

  • • 目录 → 解决进度流转问题

  • • 视图 → 解决信息过载问题

用快捷按钮封装高频操作

之前在 Notion 里使用 Button 功能时,每次都有种莫名的爽感,因为你可以将复杂或麻烦的操作流程封装到一个按钮里,每按一次就感觉你好像从哪里偷到了十几秒的时间,所以我觉得按钮是一个好文明。

在 Obsidian 中,快捷方式其实也不少见,但不论是官方功能还是各种流行的 Obsidian 效率插件,常常起手就是让你按一下 Ctrl+P 唤出命令面板,然后你只能祈祷自己还记得那个组合快捷键到底是什么。

记得住的话确实很酷炫、很有生产力,但大多数人会在 1 个小时后忘记原来自己还装过这个插件。

命令面板

所以从构建 FLO.W 的第一天起,我就在思考怎样才能让整个行动流程更顺畅、更符合直觉。

最后我的答案是,把日常反复出现的操作,封装成侧边面板上一键触发的「开关按钮」,让高频操作不再依赖键盘快捷键,你只需要记住按钮大概的位置,就能形成肌肉习惯。

动作面板-四个分组

同时,「当前页」面板会根据文档的 FLO.W 属性自适应感知,打开任务时只呈现排期与标记完成,切到笔记时只显示专属的笔记模板,省去在一大堆无关按钮里挑拣的麻烦。

不仅如此,Obsidian 官方还有很多功能,用户用了一两年都不知道它们的存在, 比如限制行宽、堆叠标签页等,FLO.W 按钮面板会把这些实用操作全部做成直观、通用的开关,让它们更加触手可及。

当然目前的动作面板主要运行在我预先设计好的几套高频动作上,但面板已经搭好了基础框架,未来或许可以开放更多的自定义接口,让每个用户能根据自己的工作习惯,把属于自己的复杂需求也封装成专属的一键按钮。

用标准模板降低启动成本

在我看来一个人工作能力是否娴熟,很大程度可以体现在他会不会用模板来偷懒,或者更高大上一点,有没有沉淀下自己的工作 SOP。

如果每次工作都要从一张白纸开始,你很难不会有畏难情绪,即便只是要在脑子里简单过一遍标题、排版、或者思考需要填哪些字段,这些虽然简单但是繁琐的准备工作,往往会消磨掉一个人最初的工作积极性。

而且因为格式并不固定,随手写下的结构必然千奇百怪,有时会漏了状态,有时属性名会写错,就有可能导致你写完的笔记不能出现在对应的 Base 视图之中。

在原生 Obsidian 里,模板通常只是机械地贴入一段文本,想要实现动态的模板逻辑,则需要折腾复杂的第三方插件或脚本。

而在 FLO.W 中,模板由 Core 插件在底层全面接管,在文件新建的时候,就可以把动态规则一次性装配好。

这其中就包括以下 4 种基本的模板类型

  • • 属性模板:补齐关键字段

  • • 容器模板:预装过滤视图

  • • 提问模板:固定提示设问

  • • 自建模板:上架专属按钮

四种模板

每一次行动的开始,你都不需要再对着空白页发呆,也不用在重复搭建框架中耗费心智,完全可以把繁琐的框架交给模板,把高频的触发交给按钮,这样就可以更快地进入执行状态,更好地利用有限的时间。

用目录高度投影行动状态

得益于自动路由这一功能,我在 Obsidian 中实现了一种极简且高效的任务管理模式。

过去文件夹让人诟病的一个地方在于,当目录太多、层级太深,只要展开几次子文件夹,就会让文件目录的高度占满整个窗格,于是你就只能来回展开、收缩、滚动目录,这实在是非常麻烦。

但其实我们也可以反过来利用这个限制,也就是用文件目录的有限高度来作为一道警戒线。

在 FLO.W 的框架里,无论是「任务」还是「项目」文件夹,暴露在根目录下的,只有 Status = Doing 的事项;而 Status = Todo 或 Status = Done 的事项,则会被自动路由分别收纳在各自的子文件夹中。

这就意味着你平时展开任务文件夹,第一眼看到的只会是你手头真正在做的那几件事。

CleanShot 2026-08-27 at 13.25.40@2x

一旦事情做完,你只需要在按钮面板里点击「完成任务」的按钮,按钮就会将 Status = Doing 改写成 Status = Done,然后自动路由就会识别到这一变化,立刻将它从根目录移入「已完成」文件夹里归档,让这条任务瞬间从你眼前消失,做完一件,目录就缩短一行。

目录即状态

堆积的任务会把目录拉得越来越长,当你发现目录甚至需要滚动才能看完全部的时候,你就会意识到,你的欲望已经超出了执行力承载的范畴,你的注意力带宽已经快要超载。

要么停止新建任务,专心清空眼前的 Doing,要么把囤积很久任务暂时退回待办,给注意力重新腾出空间。

通过这种简单但行之有效的即时反馈,我可以不用再把时间花在管理任务上,不需要在看板、报表之间来回切换,只有「快点把任务目录清空吧」的充足动力。

不过这种方式虽然简单够用,也只能简单反映「正在执行的事项」这一个切面。如果你想要从更多维度去观察更多细节,比如耗时太久的任务、已逾期的任务、最近 7 天完成的任务等,我们就需要用到 Base 提供的动态过滤能力。

用视图聚焦当下执行重点

与 Notion 的 Database 相比,Obsidian Base 的一个优点在于,只要符合过滤筛选条件,那么不论你的笔记被放到哪个犄角旮旯,都可以被符合条件的 Base 视图检索到。

所以只要你的字段足够规范、字段的值域足够精准收敛,你就能用 Base 从整个笔记库里切分出任何你所需要的视图。

过去文件夹分类之所以屡试屡败,是因为人们总试图用单一的物理位置去承载所有的分类维度,既想按主题存,又想按状态分,还想按时间排,但你不可能把一份文件,同时塞进三个不同的抽屉里。

而在 FLO.W 中,文件夹只负责最朴素的基本归档与状态兜底,至于在不同场景下你想怎么看、看哪些内容,全部交给视图来呈现。

以任务 Base 为例,FLO.W Core 插件将隐藏在下拉菜单中的视图平铺到侧边栏,随手点击就可以快速切换不同视图:表格视图通过公式标出放置过久的任务,方便看清哪件事一直没能推进; 看板视图把进行中的任务直观排开,拖拽卡片即可更新进度; 日历视图把带日期的任务按天呈现,一眼就能看清日程冲突。

CleanShot 2026-08-27 at 14.15.03@2x

而且在特定视图里直接新建文档,新文件会自动继承该视图的属性,并由「自动路由」送入正确的目录。

按钮负责触发,模板负责结构,目录呈现负荷,视图过滤焦点,通过这些机制的组合,FLO.W 能有效减少日常执行的琐碎摩擦,帮助你更快地进入工作状态。

校准

行动不是一件坏事,但行动本身仍然具有一定的欺骗性,你每天顺畅地勾选任务、清空目录,很容易产生一种「我很努力、事情在推进」的满足感。

但如果把时间拉长到半年或者一年,你再回头看时或许会疑惑,这段时间自己都做了什么?好像每天都很忙,但这些被消耗的精力,到底托举起了哪一个人生目标?

如果没有更高的视角来审视全局,你可能从一开始就把力气用在了错误的方向。为了解决这个问题,FLO.W 最后一个「校准」模块尝试用以下三种方式解决:

校准

让行动与目标不脱节

前文已经讨论过,FLO.W 系统存在一条可以自上而下拆解的行动链路:

- 领域(愿景、人生主线)
    - 项目(方案、阶段规划)
        - 任务(待办、快速动作)

因此领域不会被完成,它将成为一种用于确定人生方向,并沉淀长期复利的资产账户。

在不同人生阶段、不同的人生境遇下,每个人都会有不同的追求,所以你既可以设置「身心健康」、「婚姻家庭」、「财富管理」这样人人皆需呵护的通用领域,也可以根据你的职业、志趣与追求设立专属方向,比如「内容创作」、「软件开发」或是「某项手艺」。

倘若你的行动系统内没有类似领域模块的划分,那么老板派发的任务也许就是你生活清单的 90%,每天睁开眼,无数琐碎的待办扑面而来,你变得麻木机械,只能把大部分心力消耗在这些应激反应上,不知不觉就感觉整个人生都被一份工作吞噬掉了。

但当你有意识地为人生设置更有价值的核心议题,那么它将时刻提醒你,所谓本职工作也只是你多个领域板块里的其中之一,它只是你在打的一份工而已,别让它占据你的人生全部。

在 FLO.W 中创建一个领域其实非常简单,它其实就是一个写好愿景、目标的 Markdown 文件,平时所有相关的任务、项目或笔记,都可以直接关联到这个领域文件上,就像是把某种无形的资产投资储蓄到这一个账户上。

CleanShot 2026-08-27 at 14.27.30@2x

同时每个领域在被创建的时候,都会由 FLO.W Core 插件自动新建 4 个容器页面,它们分别是:

  • • 领域 - 关联笔记

  • • 领域 - 关联任务

  • • 领域 - 关联项目

  • • 领域 - 关联剪藏

这里的每个关联文件里,都会由 Core 插件自动创建一个关联到领域本体的 Base。

利用 Base 的动态检索功能,只要你在日常记录时将文件关联到领域本体,Base 就会自动把全库所有相关的项目、任务或笔记实时抓取并呈现出来,不需要你手动去维护任何汇总列表。

CleanShot 2026-08-28 at 20.40.20@2x 1

如果这个领域下的 Base 堆叠着推进中的项目、做完的任务和沉淀的笔记,这说明你的长远目标正在被真实的工作填充。

如果这个领域下的 Base 寥寥无几甚至一片空白,要么是你立了一个宏大的愿景,但实际上从未为它真正立项推进过,要么是你每天忙得精疲力竭,却从不给自己的行动和思考建立归属关联,任由力气四处散落,没有为这个人生议题留下有价值的沉淀。

领域账户盈亏对比

有了领域可以挂靠,哪怕做着被迫接下的项目,你也可以多想一步,这里踩过的坑能不能沉淀为属于自己的经验(Exp),摸索出的流程能不能提炼成未来跳槽的底牌(How)。

在「校准」视角下,领域所圈定的人生议题,可以把模糊的情绪和盲目的忙碌,转化成清晰可见的数据积累,哪个方向正在荒废,哪个方向成果丰硕,都可以在这些 Base 里看得清清楚楚。

用报表追踪长期变化

当一个人开始减肥,就会开始算计每一天、每一餐、每一次运动后的体重变化,但通常站在秤上的那一刻都会感到失望或者不解,只吃了两口饭为什么体重会增加,一个小时的有氧怎么秤一点都不带掉的?

如果你的心智不够坚定,很容易会被这些噪音影响到。

不过让人宽慰的一点是,只要你真的坚持锻炼、坚持节食,并且把时间窗口拉长,不要计较短期内的波动,就一定能看到一条清晰的、让人振奋的下降曲线。

所以报表是一个非常强大的工具,很多时候坚持下去的动力都来源于看得见,因此在 FLO.W 中几乎所有功能模块都有属于自己的报表系统。

不论是任务的推进完成、项目的阶段交付、笔记的知识沉淀,还是剪藏的消化引用,FLO.W 都为每一个核心对象建立了统一刻度的长期报表。

CleanShot 2026-08-27 at 15.19.15

再往上更有看清精力分配的领域流向图、记录打卡与专注的行动看板、还原真实工作状态的活跃时段,以及把刻度拉长到一生的人生余额与人生曲线。

你不需要每天花时间去分析这些数据,它们会在后台安静地自动汇算,当你需要回顾或者感到迷茫的时候,打开看一眼就能客观地知道自己的状态。

FLO.W 希望成为你至少未来十年的一面镜子,不管生活或工作如何变迁,回头看时不会觉得自己虚度了某些时光,所有的努力和成就都有迹可循。

更多视图

用复盘校正执行方向

我其实心里知道,复盘模块的使用率应该会是最低的。

认真做一次复盘太过耗费脑力,收益也很难在当下立刻显现。很多人的复盘之所以中途夭折,是因平时缺少轻量的记录,到了周末或者某个复盘节点,只能凭模糊的记忆和主观的情绪去猜想回忆,复盘就很容易退化成无意义的自我感动或自责。

复盘的好处显而易见,但它应该要有取巧的方法。我认为一套能长期运转的复盘体系,应该至少具备以下三个特点

  • • 低阻力

  • • 周期性

  • • 渐进式

首先在日常工作中,你完全不需要带着「我今天必须写出深度总结」的心理包袱,在 FLO.W 侧边栏的速记面板里,可以随时敲下一行字,或者用语音输入法随口说两句,记录下刚刚发生的事实、突发的灵感、或是一个悬而未决的疑问,不强求提炼,不浪费脑力。

FLO.W-速记面板-原图-4672x2916

到了周末或月末,真正需要复盘反思的时候,你也不用在几十篇散落的日记里翻箱倒柜,点击速记日历顶部的「周」或「月」按钮,新建的周期笔记会立刻通过内嵌的 Base 视图,自动将这 7 天的日笔记或这 4 周的周笔记自动、整齐地索引成一张表格摆在眼前。

CleanShot 2026-08-30 at 16.33.03@2x

然后用固定的四个预设问题,将千头万绪的随机复盘变成相对固定的填空题,在这个简单的回顾框架下,你只需要回答:

  • • 这一阶段推进了什么?

  • • 什么没有达到预期?

  • • 有什么可以复用的方法?

  • • 后续重心该往哪里倾斜?

复盘时如果有冒出新的想法,还可以直接通过侧边栏的按钮面板快速落地,点击新建任务、项目或笔记按钮,在弹出的面板里顺手勾选「关联到当前页」,系统就会自动为你完成双向关联。

CleanShot 2026-08-30 at 16.32.12@2x

发现的问题可以当场转成具体待办,提炼的心得也能顺手沉淀为 Exp 或 How 笔记,想到什么就当场记录并关联,复盘写完,下一阶段要推进的事情也就顺手铺垫好了。

人机共驾

正如本文开头所说,AI 时代已经没有任何必要继续囤积知识。

但目前市面上许多「AI + 知识库」的实践,往往走入了另一种极端,全盘抛弃基本的分类体系,把所有文件塞进一个大杂烩库里,然后祈愿 RAG 和大模型能正确猜出潜在关系。

指望 AI 替你完成所有的阅读、整理和思考,就好像花钱雇人帮你健身,不流汗、不动脑、不实践,你的大脑得不到任何训练和沉淀,只能沉浸在 AI 为你编织的幻觉里,自然无法主动提出更好的问题。

因此在 FLO.W 的产品理念中,系统应当保留人类最基本的可读性和可操作性,同时用合理的字段架构、预设的标准化 Skill、透明的纯文本底座、以及确定的自动化流转规则,才能让越来越强大的 Agent 可以在安全、确定的边界内精准执行,并获得正确的结果。

为此,FLO.W 在系统内部预置了 10 个开箱即用的 Skill

我把前文提到的所有分类规则、属性值域、模板语法与操作规则,全部写成标准化的执行规则。不管是通过外部的 Claude Code、Codex,还是直接在 Obsidian 内使用诸如 Claudian 或者 YOLO 等 AI 插件,都可以精准地读懂系统的运行逻辑。

预设标准化 Skill

自动路由将在后台实时接管,确保 Agent 产生的文件能自动归档到正确位置,不会在你的库里随意新建奇怪的文件夹,或者写错字段属性。

在这套框架之下,你可以对 FLO.W 的 AI 协作建立起一份合理的期待:

它无法替你决定人的去向,但可以在你选定的轨道上全速推进。无论是把脑海中粗糙的想法转化为清晰的行动规划,还是在纷繁复杂的日常工作中维护长期的笔记秩序,你都可以放心地让 AI 接管那些耗费心力的机械的重复劳动,然后把时间还给思考与行动。

写在最后

不管你是谁,如果你能从头到尾读到这里,那我真的对你太好奇了。

我的生活中找不到任何一个人与我有相同的志趣,更别提有相同的耐心会愿意看完如此长篇累牍的思考。

我有很多执念会暴露在我的文字里,也将一并呈现在这套模板的每一处细节中。所以本文结尾我就不打算再强调一遍这个系统究竟还有哪些特点了,相信你应该能感受得到。

欢迎通过下方链接加入飞书交流群,我非常期待能与你同行。

飞书群链接

21obsidian.com/waitlist

也可在电脑端查看实机模拟

https://21obsidian.com/sim

阅读原文

跳转微信打开

  •  

哪只基金可以持有十年?

原创 也谈钱 2026-09-07 13:30 德国

经常被大伙问到这类问题:

想给孩子攒一笔教育金,十几年后才用,选什么基金合适?

准备给十年后攒一笔自由基金,应该买什么?

养老钱目前用不到,想找一只基金长期定投,有什么选择?

我觉得这样的基金应该满足至少两个条件:

  1. 能自我更新、适应变化。不说未来十年,就看过去十年,从 2016 年到现在我们经历多少剧变,贸易摩擦、新冠、俄乌战争、美伊战争、AI 出世……不能每次变化都纠结「这次怎么办」

  2. 分散、不能太依赖单一因素,不能依赖某个公司、行业,也不能太依赖某个人。拉长时间看,个体都是脆弱的。分散更容易锚定财富锚,实现保值增值。

最可靠满足这两个条件的,可能还是宽基指数基金,比如沪深300、中证A500、红利、标普500 等等。几乎可以说,只要股市还在,他们就在。

如果没有「买入后十年不许动」这么严格的要求,我觉得理解理念、以团队为核心、不依赖某个人的投顾组合或者 FOF 基金也可以考虑进来。虽然稳定性会差一些,但持有体验可能更好。

自我更新 + 分散投资,虽然不能保证十年长期上涨,但起点别买太贵(看估值或者定投),大概率能实现购买力保值增值。

很多小伙伴可能会觉得矛盾,「不能保证长期上涨」怎么做到「保值增值」呢?

因为财富是个相对概念。假设某指数十年间扣除每年 2~3% 的分红原地踏步,感觉拉完了。但如果同期银行存款利率 1%,物价几乎没变,房子便宜 30%,新车便宜一半,其实也实现了保值增值的目标。

所以看长期收益相对购买力的变化,比实现多少收益数字更重要。

未来十年不能保证上涨,是因为未来发生什么我们不知道。但我依然相信,别买得太贵的前提下,自我更新 + 分散投资有比较大的概率跟上社会财富增长。

……

不过想要持有十年,我觉得还有个更重要的问题:

沪深300、红利、标普500 这些指数基金,我想大家或多或少都买到过。大伙当时持有了多久呢?又因为什么中断?

曾经中断投资的原因没有解决,未来还会再发生。可以持有 10 年的基金 ≠ 真能拿住 10 年,前者很多,后者少得多。

两个最常见的中断原因:

  1. 这笔投资「最难受的时候」超过了我们的承受范围;

  2. 投资能适应变化,但生活没准备好。

人不擅长想象未来的感受,会忽略很多重要的背景信息。

比如当我们说投资下跌 50% 时,你可能想象除了股票便宜 50% 以外,其它东西都没变。此时应该买入,应该别人恐惧我贪婪。

但事实常常不是这样。

投资下跌 50% 的同时,通常伴随着我们认为世界在崩溃——经济衰退、疫情扩散、战争冲突——甚至自己也刚刚失业……

那时我们在想什么,还是否愿意持有,现在很难预料。

所以我觉得还应该考虑两件事儿。

1、「过去」拿住过哪笔投资

人不擅长想象未来的感受,但容易看清过去的经历。

就像如果每次办健身年卡都半途而废,那不管下次有多大决心、新年计划多详细周全,都应该先买次卡。

投资也是,设想「最难受的时候」,再好的风险问卷也不如看看自己过去都从哪些地方实际赚到过收益或者利息。

如果买的基金总是亏,还不如存银行。现在哪怕找到能持有十年的基金,最好也先把大部分钱存起来。

先用小部分钱尝试,小部分钱经历一轮牛熊(至少 3-5 年吧,别只看赚钱的时候!)确实结果满意,再逐步增加比例。

不用怕万一真赚钱,大部分钱因此错过机会。一笔投资如果真值得持有 10 年,就不该只有前 5 年赚钱,后面也总有机会的。

2、对「意外」准备得有多充分

不仅是投资本身的意外,更是生活中的意外。

以前说“长期投资”,我们很容易追问:究竟多久才算长期?三年、五年还是十年?

但我慢慢想明白一件事——长期最重要的不是时间多长,而是我们对意外准备得有多充分。长期总是被各种意外打断的。

所以越想长期投资,越要先把投资以外的钱准备好。

日常生活用的钱,未来三五年用的钱,应对意外、失业、生病的钱。把这些先准备好,余下的钱才更可能做到长期投资。

想起大伙经常吐槽:

大笔买的基金总是不赚钱,赚钱的基金总是没买多少。

这不只是运气差,「这笔钱用不到」才是长期持有的最大助力。

……

所以回到最开始的问题:哪只基金可以持有十年?

基金本身的答案可能很简单:能自我更新、足够分散的,比如宽基指数基金。

真正难回答的是另外两个问题:

这笔钱,能不能真十年不用?

选择的投资、买入的比例,在最难受的时候能不能拿住?

如果不能,换一只基金也解决不了问题。如果可以,很多看起来可能都不适合十年的基金,也可能成为那只“可以持有十年的基金”。

长期持有靠的不是“十年不卖”的计划,而是考虑好各种可能的意外,给它足够的时间。

跳转微信打开

  •  
❌