关于用力过度（二）

近期让我欣赏的人

2026年半年度AI发展行业观察

译：从层级制到智能系统 (From Hierarchy to Intelligence)

关于超级个体的思考

vibe coding—技术负债

我想研究下AI辅助产品经理工作


The Agentic Organization: Contours of the next paradigm for the AI era-McKinsey



Karpathy 对于AI编程发展很快的焦虑

Notion CEO，我如何看 AI：不是工具升级，而是组织材料的更换

别急着 Fine-tuning！OpenAI 官方揭秘 LLM 精度优化的"最佳路径"

当会议软件开始教大模型"做人"：Zoom登顶Humanity's Last Exam的启示

拒绝“抽卡式”编程：如何写出让AI秒懂的高质量技术Spec实战指南

代码的终结与思想的重生：Werner Vogels 的最后一课与“文艺复兴开发者”的崛起

百度—企业跟踪

如果某大模型在技术评测上持续领先，这是否会改变其在企业市场的竞争格局？

OpenAI近期的资本操作令人眼花缭乱

"AI Apocalypse in 18 Months" - Eric Schmidt Warns

Google Finance传统模式与AI模式对比

Google AI mode的研究

AI处理长任务能力每7个月翻一倍

让每个故事都成为孩子的专属世界：用 Storybook 点燃个性化学习的火花

AI开发工具对研发的影响—stack overflow建议

AI时代，小朋友最重要的能力是什么？

【转译】Context Engineering vs Prompt Engineering，理解Context Engineering

Anthropic构建企业级多智能体（Multi-Agent）系统的实战指南

AI不是你的敌人，而是需要被管理的“合伙人”：斯坦福万字报告深度解

Sam Altman:Productivity

AI时代生存指南：不做被“替代”的编码员，做持续学习的工程师

AI应用开发告别“感觉良好”：构建高价值AI Agent测试集的指南

RAG已死？2025年大模型问答架构的范式思考

RAG：构建企业知识防火墙与智能引擎的方法

如何理解RAG

AI Agents vs. Agentic AI

高盛首席执行官：AI现在可以在几分钟内草拟S1 IPO招股书的95%内容

BlackRock的Aladdin系统：架构、优缺点及其对证券公司的适用性分析

转：Rethinking digital transformation for the agentic AI era

AI Agent在实际应用领域的情况(reddit 202505)

人生投资回报率最高的10件事

转：让金融机构高层领导拥有对IT的掌控感

AI时代的阅读

【译】软件工程师如何高效阅读科研论文

如何构建有效的Agent

[转]关于人生体验

从大模型到复合AI系统的转变2024

《剑来》摘句

江湖未远，道理长存——《剑来》读后记

关于用力过度

关于生命

我最希望别人在年轻时告诉我的—openai samaltman

蔡崇信访谈 —— 从阿里巴巴到 NBA 的跨界人生

马云阿里内网发表公开信：致改革 致创新

马斯克：10%目标定律

2024国九条：国务院关于加强监管防范风险推动资本市场高质量发展的若干意见

langchain:使用langchain和chatGPT来处理问答

【转载】从科技创新视角考察俄乌冲突及其启示

coze（字节跳动）在大模型应用上另辟蹊径

Sora于2024年2月16日发布

由《大江大河》雷东宝经历想到的

【摘句】如何了解业务

【碎碎念】20240114 关于AI翻译

朱武祥教授对数字化转型与商业模式创新的理解

【碎碎念】20240107

平台工程(Platform Engineering)—Gartner

LLM、AI的应用—《2024 年科技领域的重大创新思想》

数字化转型中的协作问题—《KPMG 2024 Tech Trends》

【翻译】德勤Tech Trends 2024: Technology Evolution, Business Revolution

第一性原理

CEO职责说明书

comment on “The role of a product owner in digital transformation”

2023年秋

如何更好的执行OKR

特斯拉的Warp Drive(ERP)

Tesla CIO Builds IT That Keeps Pace With Its Cars

特斯拉的数字化

《云襄传》中的金融知识-期货

OKR与数字化转型

苏格拉底式提问

0~3岁婴幼儿及电子屏幕

陆奇 《以技术驱动和价值导向拥抱创业的新时代》 笔记

陆奇 | 《新范式 新时代 新机会》5月7日 笔记

CIO们关于数字化转型的提法对比

Tree of Thoughts TOT利用大模型来辅助决策推理

[转评]What would humans do in a world of super-AI?

AWS：什么是数字化转型？

SAP:什么是数字化转型？

Google:什么是数字化转型

如何设计接口

如何理解用户与客户？

Client Onboarding 客户引导

【译】像数据科学家一样思考

关于如何开会的建议

非虚构写作的基础 –《写作法宝–非虚构写作指南》总结

Tiktok的问题:对年轻人坏的影响

《刷新》摘录1

数字文明时代的管理

在数字化时代的三种人：

《Digital Transformation = Reimagining of the Business for the Digital Age》

友链

中年以后，要修的也许不是再多用几分力，而是平衡：把努力当作本分，把结果当作概率；在用力做事之外，留出修心养性的余地。得之，坦然；不得，也不至于崩塌。

vibe coding一样会有技术负债，而且还会更加严重。

AI使得研发效率得到较大提升，用的好的甚至有数倍的提升。而产品经理还是以老的方式工作。我想看看如何改变这个局面。

每一个时代，都会被一种关键材料所塑造。
钢铁，让企业第一次可以修建摩天大楼；
蒸汽机，让工厂摆脱河流与季节；
而今天，AI 正在成为一种全新的材料——
它不是更高效的员工，而是可无限扩展的“认知基础设施”。

很多开发者的误区是：模型效果不好 -> 马上想 Fine-tuning (微调)。
OpenAI 的官方建议实际上是：先 Prompt，再 RAG，最后才是 Fine-tuning，且必须以 Evaluation (评估) 为基石。

就在昨天（2025年12月10日），科技圈发生了一件看似"魔幻"却又在意料之中的事：那个你每天用来开会的Zoom，在AI领域最硬核的考试——"Humanity's Last Exam" (HLE) 中，拿下了全球第一。

在 Werner Vogels 的演讲中，他提到“英语是新的编译器”，但这并不意味着我们可以随意说话。实际上，自然语言的模糊性是工程精确性的最大敌人。
很多开发者抱怨 AI 写的代码“不能用”或“幻觉严重”，本质上是因为他们把 AI 当作了一个**“算命先生”（猜我想做什么），而不是一个“承包商”**（执行我定义的蓝图）。
这篇指南将基于 Spec-Driven Development (SDD) 理念，把重点放在实战操作上，教读者如何写出结构化、无歧义、机器友好的“技术规格书”。这属于**“模式A：技术深度解析型”**。

真正的“文艺复兴开发者”，不仅仅是那些掌握了最新 AI 工具的人，而是那些在无人注视的角落，依然坚持把事情做对、做好的人。无论时代如何变迁，无论 AI 如何强大，这种源自内心的职业自豪感，这种对卓越的执着追求，才是人类智慧皇冠上最不可替代的宝石。
工具变了，但建造者的灵魂未变。我们依然是那个在数字荒原上，用逻辑和想象力搭建城堡的人。这，就是我们的文艺复兴。

旧金山共识认为目前AI被人们低估了。通用人工智能（AGI）和超级智能（Super Intelligence, ASI）即将到来.

本文通过深入对比Google Finance传统版(2006-2017)与最新AI驱动Beta版的功能差异、用户体验和战略定位，揭示谷歌如何通过AI技术重构各个应用。

AI在多方面已经超过人类平均水平，在短任务处理上成功率很高，在长任务上也显现出“每7个月能力翻一倍”的快速发展趋势，针对这个情况，我们需要重点关注和做成应对。

一定要将孩子的个性化带入到故事，一定要将想传达的内容带入到故事。

AI隐形生产力税。“AI 解决方案几乎正确，但并不完全正确”

AI时代孩子最重要的能力，不是去和AI比计算、比记忆，而是要点亮那些AI所不具备的“人性之光”：深度思考的智慧、温暖连接的情感、以及坚韧成长的内心。 未来的主角，将是那些懂得如何与AI共舞，并最终超越工具、实现自我价值的人。

Context Engineering最近因为aj变的很火，那他是什么，与prompt什么关系呢？有一个视频做了很好的解释，最核心的一点是“ Prompt Engineering 是Context Engineering的一部分，如果 Prompt Engineering 正在编写一个出色的指令......上下文工程决定该指令之前和之后会发生什么——记住什么，从内存或工具中提取什么，整个事情是如何构建的。”

Anthropic团队在构建其强大的Claude多智能体研究系统时，已经为我们趟出了一条路。本文将以他们的实战经验为核心蓝图，深入解析构建企业级多智能体系统的可行性、核心方法论、关键原则与落地考量，希望能为您提供一份来自一线、切实可行的行动指南。
🎯 核心要点
• 可行性所在：对于信息繁杂、路径不定的开放性问题（如市场研究、技术追踪），多智能体通过并行化，能有效扩展解决问题所需的“智能带宽”，其性能远超单个最强Agent。
• 架构蓝图：Anthropic验证的**“编排者-工作者”（Orchestrator-Worker）模式**，是一个企业可以放心参考、高度可复用的成熟架构。
• 四大成功支柱：系统能否成功落地，取决于四大核心原则的执行力：① 赋能式提示工程、② 原子化工具设计、③ 非确定性评估体系、④ 生产级工程纪律。
• 关键考量：多智能体并非万能。理解其边界（尤其是在强序列化任务上的局限性）是做出正确技术选型的第一步。

《Future of Work with AI Agents: Auditing Automation and Augmentation Potential across the U.S. Workforce 》报告基于其构建的WORKBank数据库——一个涵盖1500名员工、52位AI专家、104个职业和844项任务的庞大知识库——为我们描绘了一幅全新的AI时代工作图景。其核心价值在于：
1. 提出“意愿-能力”四象限模型：超越简单的技术可行性，将“员工意愿”纳入AI应用的核心考量，并用数据揭示了当前AI投资与市场真实需求之间的巨大鸿沟。
2. 创建“人类能动性量表 (HAS)”：首创了一套从H1到H5的标准化语言，用于精确定义人机协作的深度与模式，打破了“要么自动化，要么不”的二元对立思维。
3. 预见“核心技能大洗牌”：量化分析了未来职场核心竞争力的演变路径，指出传统高薪的“信息处理”技能价值将下降，而“人际与组织”能力将成为新的价值高地。

2018年Altman写一篇关于生产效率的文章，强调怎么来保证和提高生产效率，时间虽然过去很久，但关键做法相通，基本就是聚焦、拒绝、健康。
核心要点 (Key Takeaways)
1. 极端聚焦于重要之事：Altman强调，成功的关键是每年设定少数几个宏大目标，并确保它们被完成。其余的事务都是次要的。
2. 构建系统，而非依赖蛮力：他认为，花时间建立一个好的生产力系统（包括工具、流程和习惯）是非常值得的。这笔前期投资会带来长期的巨大回报。
3. 管理你的时间与精力，而非任务：

    ◦ 利用早晨：将精力最充沛的早晨用于完成实际工作，把会议等消耗精力的事情安排在下午。
    ◦ 创造大块专注时间：他认为会议和办公室的干扰是生产力杀手。因此，创造不被会议、电话、邮件打扰的专注时间至关重要。
    ◦ 日程留有空闲：完全排满的日程会扼杀创造力、偶遇和深度思考的机会。保留一些“无所事事”的时间是必要的。
4. 无情地拒绝，谨慎地输入：

    ◦ 对大多数请求说“不”是保护时间和精力的关键。
    ◦ 对输入到大脑的信息（阅读内容、交谈对象）设立极高的标准，避免被低质量信息消耗心智。
5. 基础健康是基石：充足的睡眠、健康的饮食（他本人是素食者，低糖，偶尔轻断食）和不使用强刺激物，是维持长期高产出的基础。
6. 拒绝多任务：一次只做一件事。在会议中不看手机或邮件，全身心投入。

你是否也曾看到AI在几秒钟内生成整段代码，内心闪过一丝焦虑？这种“被替代”的恐惧，正弥漫在许多开发者心中。然而，现实并非如此简单。AI的浪潮确实来了，但它带来的不是一个终点，而是一个岔路口。在这条路上，决定你未来的不是AI本身，而是你的选择：是满足于让AI帮你完成任务，还是主动学习，把它变成你职业跃迁的超级加速器？ 这篇文章，就是你选择后者的行动指南。

你刚刚迭代了你的AI Agent，它似乎比旧版更聪明、更流畅了。但这种“感觉”是不可靠的。当你的老板、同事或客户问“新版到底好在哪？具体提升了多少？”时，你该如何用冰冷的数据来证明？答案就是构建一个高质量、系统化的测试集。这是将开发中的主观感受，转化为工程上客观度量的唯一可靠途径。

还记得为搭建企业知识库问答系统，在向量数据库和Embedding中挣扎的夜晚吗？当我们还在优化RAG的召回率时，一个更简单的范式已悄然崛起：搜索优先的Agent架构。最近读了一篇《》的文章，有些启发。在2025年，RAG真的还是首选吗？本文将用数据和案例带您重新审视这场技术革命。

RAG可以赋能大模型应用，使得企业在保持隐私、提高准确性情况下利用大模型能力。

RAG的重要性，一方面在于扩大了大模型的上下文；另一方面在于在大模型的知识外增加了知识库（而这个知识库还可以有企业的私有特性），第三个是减少了幻觉，增加可靠性。

Agent何Agentic AI概念被提及的都很多，如何区分两者？AI Agents更侧重于单个智能体在特定任务中的自主执行和工具使用，而Agentic AI则强调多个智能体之间的协作、协调和系统级智能，以应对更复杂、动态和长期的问题。

高盛首席执行官David Solomon：“AI现在可以在几分钟内草拟S1 IPO招股书的95%内容（这项工作过去需要一个6人团队花费数周时间）。剩下的5%现在才重要，因为其余的已经成为标准化产品。”

在当今全球金融市场中，BlackRock（贝莱德）的Aladdin系统已成为举足轻重的金融基础设施。作为全球最大资产管理公司的核心技术支柱，这一系统不仅支撑着贝莱德自身万亿美元资产的管理，还服务于众多全球顶级金融机构，包括央行、养老金管理机构和保险公司等。本文将深入分析Aladdin系统的架构、优缺点，并评估其对证券公司技术架构的适用性。

Three areas CIOs should focus on include renewing customer centricity’s importance, evolving business engagement practices, and refining their organization’s digital operating model.

AI Agent 的发展重点将是多智能体协作系统，而非单一的全能型智能体。这些系统侧重于优化后端运营，而非仅仅面向客户。


网传有一份投资回报率最高的21一件事，通过跟大模型交互，筛选出来10件，具体如下：

作者写的还是切中了要点，不一定是技术傲慢，或者带有技术权力的想法，反而技术很多时候不太有能力将技术用简单浅显的语言表达清楚，常常越解释越说不清，所以有的时候就懒得说，看行动。但是技术的行动又不是短期就能见效的，很多时候是中长期的事。所以就带出来了信任问题，如果逐步的建立信任，预期相符。

转一个阅读科技文献的方法论。

Claude在24年12月份发表"Building effective agents" ，这篇文章的核心思想是：构建高效的 AI Agent 系统，应从简单的构建模块开始，逐步增加复杂性，并根据任务需求选择合适的工作流模式。同时，要重视工具设计和迭代优化，确保 Agent 的可靠性和有效性。 这篇文章为开发者提供了实际可操作的指导，强调了在实际应用中保持简单性和灵活性。

2024年2月18日，伯克利大学的Matei Zaharia,等发表了一遍关于复合AI系统的文章，阐述了相关概念和问题，并指出复合AI系统的核心在于通过巧妙的工程设计，整合多种AI能力，从而达到更好的性能，而不仅仅是依赖于模型的简单放大。

剑来已完结，摘录了一些还不错的句子。“读遍道书三万轴，知道不知道。豪取功名六千年，知足知不足。”

Sam Altman从创业和公司管理的角度出发给出了一些关于团队执行、目标管理、激励机制方面的建议，虽然这些建议在很多地方都不一定适用。但值得阅读。

👉 管理建议：领导人应具备最重要的特质是：他能给人们描绘出一个未来的蓝图。真正的领导者和优秀的管理者有能力反思自我。谦逊是很重要的领导原则。
👉 给年轻人的建议：学习一两个基础的技能，让你在所有人中能够处于前 10%。同时要学习多项技能。

蔡崇信说“我们知道阿里落后了，因为我们忘记了我们真正的客户是谁。我们的客户是使用我们的App进行购物的人，而我们没有给他们最好的体验。在某种程度上，我们砸了自己的脚”。马云阿里内网发表公开信：要认清自己，重回客户价值轨道。

10%目标定律：无论你在生活中想要什么，你都要做10次尝试。

这篇文档很好的帮助理解如何将知识库与大模型结合起来使用。

一年前的一篇文章从数字化角度思考俄乌战争，值得一读。

字节跳动从应用层面构建入口，让用户零代码构建bot，整合workflow与LLM，走了与文心一言、通义千帆不一样的路，并且是让人很有启发的路。

Sora的发布像去年chatGPT问世一样惊世，它生成的视频是如此的逼真，如此的流畅，并且还将物理世界的光影与受力考虑进去，实在令人惊奇。AI技术发展速度之快，超出了我的想象，并且微软、Google、NVIDIA、OpenAI、Meta、苹果等巨头你追我赶展现的产品令我五味杂陈。

“一个人的命运,当然要靠自我奋斗,但也要考虑到历史的行程。”

如何了解业务：查看内部信息来源和分析师、商业出版物、政府或监管机构以及博客上可用的在线信息。参加贸易和专业会议。你想了解公司的长期目标、战略、商业模式和计划。你还需要了解它的历史，特别是最近的历史，以及它目前面临的问题、挑战和威胁。

看《哈佛商业评论》中文版上的文章，有很多的译者已经是DEEPL、ChatGPT、飞书等AI工具了。改变是逐步的，也是显著的。

上周听了清华王子阳的一个讲座，重点是讲商业模式，其中关于数字化转型、以及大模型建设有不少值得思考的见解。找了些朱武祥教授这方面的思考，总结如下。

以前总是以不熟悉为由不去接触，但是用了一下发现Jupyter特别好用，很容易上手，很容易用程序把一个事讲明白。（主要针对python）

Platform Engineering被Gartner视为2024年一个重要的技术趋势，其实这个概念就跟我们之前一直在内部提倡的以技术中台为基础的，开发者门户，开发者工具集类似。

a16z网站向其超过 40 位合作伙伴征询了他们认为将在 2024 年成为创新动力的重要理念。其中有不少有有助于我们对大模型应用的想象。
推荐级别：☆☆☆

数字化转型过程中除了技术难题外，很大一部分问题是文化和协作问题，KPMG的调研里对此进行了说明，并给出了部分建议。这些建议有些借鉴意义。推荐级别：☆☆☆☆

德勤分析技术的方法分6个维度：提升力：信息、互动和计算三个领域。以及基础性立项：商业技术、核心现代化和网络与信任。推荐程度：☆☆☆☆

第一性原理就是从事物的本质出发，不被过往的（以及他人的）经验所束缚，避免和同类事物过度类比，透过重重的迷雾，看到事物的本质。

Chatgpt这一年风头无两，但他这两天发生一件很大的事，CEO被董事会解雇，非常的突然、甚至连他们最大的投资者都不清楚。在网上引起了很大争议。其中一个CEO写了一段很有价值的公开信。

特斯拉的核心系统Warp Drive,特斯拉从一开始使用SAP到自主研发，也正式因为Warp Drive才使得特斯拉的销售体验、敏捷性，智能性如此独特。

2014年CIO Insight采访当时的特斯拉CIO Jay Vijayan的记录，主要阐述了特斯拉选择自主研发核心IT系统的原因：敏捷、无缝集成、高效运营。由此也可见马斯克的想法确实超前和值得学习。

特斯拉的数字化能力建设，以及特别强于其他车企的核心包括：
1. Elon Musk的战略思维。Master Plan, Part Deux 在这里Elon讲了他的战略思考。
2. Vijayan、Nagesh Saldi以及特斯拉IT团队的执行力，4个月开发出一个ERP系统，并持续的扩展，与云、AI深入结合。
3. 新的商业模式的构建，对IT也提出新的要求，相辅相成，定义了“软件定义汽车”。

现在的一些电视剧拍的蛮好的，结合金融、管理等内容来使得剧情更加的合理。

数字化转型需要区别于KPI的一种新的考核模式。OKR从各方面来看比较符合数字化转型的需要。

在数字文明时代不可避免的会接触到电子产品，那怎么才能提高益处降低对宝宝的害处呢？

陆奇博士系统化的讲了数字化转型、新范式的思考框架。他的三位一体的方法论，从6个方面分解数字化需求的框架都值得学习。

通过思想树（Tree of Thoughts TOT)进行多种不同的推理路径和自我评估来进行深度的决策评估。

在有超级AI的世界里，人类会变成什么样子？
以及在走向超级AI的时代时，我们要做什么？

数字化转型是企业将数字技术整合到业务所有领域的过程，从根本上改变了它为客户提供价值的方式。公司采用创新的数字技术进行文化和运营转变，以更好地适应不断变化的客户需求。

数字化转型：彻底重构客户体验、业务模式和运营模式。采用全新的方式交付价值、创造收入并提高效率。

数字化转型利用现代化数字技术（包括所有类型的公共云、私有云和混合云平台）来创建或调整业务流程、文化和客户体验，以适应不断变化的业务和市场需求。

接口是用来系统间通信的定义，尤其异构系统之间的通信，接口的设计尤其重要。

为什么腾讯的产品显得强，而百度的弱

COB（Client Onboarding客户引导）是指从接触客户到让新客户熟悉公司、产品服务的过程，这不是一个新概念，银行业的很早就有，对应着从客户第一次接触到客户开户，让客户熟悉公司和产品，以及搜集客户必要的信息的过程。

Monica Rogati 是领英的数据科学家，她给了我们在挖掘数据时十个应该避免的常见错误。

会议很多，效率并没有因为会多而改变了很多。

与读者沟通–非虚构写作的核心，其中的重点是人文和温情。
所谓人文和温情是从真实的自我出发写出人情味，而不是像机器一样官僚、模糊。