-
justoneapi-all · JustOneAPI / 一人公司 最新 热点 趋势
AI 彻底改写了创业的底层逻辑。 过去创业，必须组队、租办公室、囤资源、重交付、扛风险。 今天，一台电脑、一个人、一套AI工作流，就是一家完整的公司。 「一人公司」已经成为2026年最稳、最适合普通人的创业形态。 但绝大多数人踩了同一个大坑： 跟风追热点、乱选赛道、盲目入局AI剪辑、AI带货、泛流量项目。 看似门槛极低，实则内卷严重、利润微薄、极难沉淀。 一人创业，成败从来不靠努力，靠赛道选择。 选对赛道，单人可复利、可积累、越做越轻松； 选错赛道，日夜操劳、纯靠体力、永远无法突破。 今天给大家讲透：AI时代一人公司，怎么选赛道、做什么、避什么、怎么落地。 全程干货，无鸡汤、无虚风口，普通人可直接对标入局。 一、先懂核心：AI一人公司的本质是什么？ 不是“用AI赚钱”，而是AI放大个人能力。 AI可以替代： 写稿、剪辑、作图、排版、检索、整理、统计、基础客服、资料汇总等90%重复机械工作。 人只需要保留不可替代的核心价值： 判断、定位、决策、方案、交付把关、客户信任、专业经验。 所以，适合一人公司的赛道，必须满足四个字：轻、专、稳、复。 轻：轻资产、无库存、无重交付 专：垂直细分、有专业壁垒、不泛 稳：需求长期存在、不追短期风口 复：可积累、可复购、可沉淀个人IP 不符合这四条，一律不做。 二、一人赛道黄金筛选标准（4条硬性准则） 1. 拒绝重资产、重交付 凡是需要囤货、供应链、线下大量落地、多人协作、高强度售后的项目， 全部不适合单人创业。 一人创业最大的优势是灵活，最大的短板是时间有限。 一旦陷入体力交付，直接锁死上限。 2. 你的经验是壁垒，AI只是工具 现在90%的AI红海项目，死在“人人都能做”。 纯AI搬运、纯AI生成、纯模板套用，没有任何壁垒，必然低价内卷。 未来能赚钱的一人公司公式： 个人行业经验 + AI高效赋能 = 独家服务壁垒 客户买的不是AI成品，是你的专业判断、解决方案、精准交付。 3. 优先可复购、可沉淀、可复利 一次性生意、波动极大的流量带货，适合副业试水，不适合全职创业。 一人公司最优商业模式： 一次搭建、反复售卖、持续复购、边际成本极低 数字产品、咨询服务、模板体系、私域陪跑、订阅服务。 越做越省力，越做越值钱。 4. 合规低风险、低监管门槛 普通人创业，稳大于快。 避开医疗、金融、法律服务、药品、医美等高监管赛道。 无资质入局，看似赚钱，实则随时面临封号、违规、追责风险。 优先：咨询、策划、运营、科普、技能、企业服务、垂直民生赛道。 三、最适合一人公司的6大顶级赛道（2026优选） 赛道一：垂直行业咨询诊断（最快变现、最高客单） 这是普通人入局成功率最高、回款最快的赛道。 逻辑非常简单： 你沉淀的行业经验 = 独家价值 AI帮你整理资料、输出方案、制作报表、梳理逻辑 你只做：沟通、诊断、把关、交付。 适配方向： 大学生求职咨询、简历优化、面试辅导 中小企业人力、合规、管理制度梳理 电商店铺诊断、流量优化、运营指导 家庭养老规划、健康生活方式指导 私域搭建、社群运营、IP策划 优势： 零成本启动、无库存、无售后、客单价可控、回款周期短、越积累越权威。 赛道二：垂直微型AI智能体/轻SaaS（长期复利、躺赚属性） 未来三年，最小而美的AI工具，是一人创业最大红利。 不跟大厂抢通用AI，只解决一个行业、一个微小痛点。 大厂看不上、市场刚需、客户愿意持续付费。 适配方向： 行业报告智能生成助手 小微企业合同自查、文案合规智能体 门店客户回访、留存智能工作流 教育题库、课件自动生成工具 优势： 一次搭建、长期订阅收益、被动收入、壁垒极高、越运营越稳。 赛道三：垂直细分IP+数字产品（最持久、可沉淀） 泛内容必死，垂直内容永生。 普通人不要做泛娱乐、泛鸡汤、泛剪辑。 聚焦一个细分领域，持续输出专业内容，AI批量生产图文、短视频、海报，后端沉淀：资料包、模板、课程、社群陪跑。 适配方向： 银发康养、家庭养生 职场成长、退役军人创业 电商选品、私域运营 家族家风、传统文化 本地民生、政策科普 优势： 长期复利、IP越做越值钱、粉丝粘性高、可终身变现。 赛道四：AI定制交付服务（稳定现金流） 依托AI能力，为中小企业、自媒体、个人创业者提供定制交付。 你把控审美与需求，AI完成执行。 包含： 公众号全套排版发文、短视频成片、文案定制、海报画册、详情页设计、商业文案撰写。 优势： 刚需稳定、订单持续、单人可控、现金流扎实。 赛道五：商家AI代运营轻服务（轻交付、多客户） 不用自己开店、不用囤货、不用承担风险。 专门服务中小实体店、电商小店。 服务内容： AI智能选品、商品文案优化、短视频素材批量产出、自动客服搭建、店铺数据复盘。 一人可同时服务十几家小店，稳定增收。 赛道六：垂直技能陪跑与教学（高信任、高复购） 把你的技能、经验、AI落地方法，做成小班陪跑、一对一教学。 AI帮你做课件、题库、作业批改、答疑素材。 适配：AI工具落地、职场技能、自媒体运营、简历求职、养生科普。 优势： 信任度极高、复购强、口碑裂变快、长期稳定。 四、一人公司绝对要避开的4大深坑赛道 1. 纯AI批量混剪、泛流量短视频 极度内卷、同质化严重、无壁垒、无沉淀、极易限流封号。 纯体力消耗，无法长期做。 2. 重资产实体、供应链、线下工程 单人精力无法支撑交付、售后、对接，极易崩盘。 3. 高监管、强资质赛道 金融荐股、理财推荐、医疗诊疗、药品功效、法律服务。 普通人无资质入局，属于高危违规。 4. 7×24高强度售后赛道 需要无休止客服、随时处理纠纷的业务，会彻底锁死个人时间，无法扩张。 五、普通人3步落地：从零开启一人AI创业 第一步：锁定一个极小细分 不要做“大而全”，只做“小而精”。 例如： 不做“求职咨询”，只做应届生简历优化+面试辅导； 不做“养生科普”，只做中老年居家轻养生指导。 越细分，越精准，越容易建立信任。 第二步：最小成本MVP验证 先副业测试，再全职入局。 用AI快速做样品、案例、方案， 先验证：有人付费、市场有需求、利润空间足够。 永远不要先租场地、先注册、先囤资源再找客户。 第三步：搭建专属AI工作流 把所有重复工作交给AI：整理、检索、文案、素材、排版。 自己只抓：沟通、决策、交付、口碑。 让AI做员工，让自己做老板。 六、AI时代一人创业的终极真相 未来的创业，不再是拼团队、拼资金、拼资源， 而是拼认知、拼细分、拼专业、拼效率。 AI消灭了体力红利，放大了专业红利。 普通人最好的时代已经到来： 不用求人、不用巨资、不用内卷、不用跟风， 深耕一个细分赛道，用AI赋能专业，用时间沉淀复利。 一人即团队，一人即公司，一人亦可成事。 找准赛道、稳步落地、长期坚持， 就是普通人最稳的逆袭之路。 你有哪些行业经验和技能？想切入哪类AI一人创业赛道？欢迎评论区交流！ 温馨提示：本文为AI创业趋势科普与轻创业思路分享，不构成投资创业建议，创业需合规经营、理性落地。 ；检索词:一人公司 最新 热点 趋势
-
github · 2026-09-20 · GitHub / AI agent language:Python stars:>500 / Python
语言:Python；stars:1207；更新:2026-09-20T13:11:46Z
-
github · 2026-09-20 · GitHub / AI 最新 趋势 stars:>50 / TypeScript
语言:TypeScript；stars:197；更新:2026-09-20T05:00:34Z
-
github · 2026-09-20 · GitHub / Claude Code stars:>50 / TypeScript
语言:TypeScript；stars:531；更新:2026-09-20T13:14:57Z
-
github · 2026-09-20 · GitHub / Claude Code stars:>50 / JavaScript
语言:JavaScript；stars:167；更新:2026-09-20T13:08:26Z
-
github · 2026-09-20 · GitHub / Claude Code stars:>50 / TypeScript
语言:TypeScript；stars:278；更新:2026-09-20T13:09:09Z
-
justoneapi-all · JustOneAPI / 一人公司 最新 热点 趋势
首页 要闻 北京 科技 财经 更多 游戏 网页设置 Skills服务NEW 登录 安装电脑版 内容更精彩 12 8 33 50 手机看 元宝 · 新闻妹 你的员工不肯把自己“蒸馏”给AI，这才是AI转型最大的卡点 非凡产研 2026-08-06 20:00发布于福建科技领域创作者 关注 问AI · 企业如何解开员工不愿蒸馏的心结？ AI行业观察 一个10人团队的产研全自动化实验：AI够聪明，人不够诚实 "AI转型表面是技术问题，底层是管理问题，最底层是人性问题。" 白双的公司里没有前端工程师。 不是招不到，是不需要。UI设计师在Figma里画完原型图，AI直接出页面。还原不了的细节，设计师在Notion里丢个comment，AI自己认领、自己改。前端搞完，Codex写后端。测试环节，自动化agent基于个性化skill跑一遍，工程师做final check。反复改不对的，CTO兜底。 整个产研链路，人只做判断，AI做交付。 这事儿说出来有点像吹牛。但白双的底气在于，这不是demo，是日常。AI犯过一次错，第二次就不会再犯，因为错误会被写进研发skill，变成组织记忆。说白了，这个实习生被开除过一次，复活后直接开了天眼。 这跟我见过的绝大多数公司都不一样。大部分老板跟我说"我们在用AI"，点开一看，员工把ChatGPT当搜索引擎用，问完"这个bug什么意思"，转头继续手动敲代码。这叫用AI？这叫蹭AI。 工具是外卖，员工是厨师 王立群做ToB市场，客户列表里躺着大型央国企、世界500强。她见多了这种场面：高管们焦虑得要命，知道不搞AI迟早被淘汰，但真让他们动手，手往哪伸都不知道。 她讲了一个区分，我觉得真准。 AI工具和AI员工的区别，本质上是"调用关系"的区别。 工具是你喊它才动。文案写"Codex帮我润色一下"，改完还是文案署名，交付主体是人。这是工具思维，AI是你的外卖，你点单它送到。 员工是它先交活，你来做判断。前端页面AI先写，设计师看合不合适；测试报告AI先出，工程师看靠不靠谱。交付主体是AI，人是质检员。这是员工思维，AI是你的厨师，菜做好了请你尝。 两者的差距，说小了是每人每天省2小时，说大了是整条产线人效翻3倍。 精灵的公司内部跑了很多AI workflow，他的感受更直接：agent层已经无限接近员工形态，"只是灵魂还差一点点"。接入OpenClaw、Max这类AI Gateway之后，像个远程员工，你喊它才干，不喊不动。 灵魂差在哪？context。 "白双打了个比方，我觉得特别扎心：公司招实习生，三个月没转正，往往不是能力问题，是不了解公司语境。不知道这个按钮为什么要这样设计，不知道这个字段对业务意味着什么。转正之后，在业务流里泡久了，才真正融入。AI也一样。没有业务流程上下文的AI，就是个聪明的实习生，活能干，但干不到点子上。" 你可能会问：那给AI喂足够多的文档不就行了？理论上可以，但实际上，大部分公司的文档本身就是一团乱麻。产品文档和代码注释对不上，业务规则和系统配置不一致，FAQ半年没更新。你让AI在这种"垃圾进"的环境里学习，它只能"垃圾出"。所以context问题，表面是AI的问题，底子里是企业信息化的问题。 OPC在飞，大厂在爬 这里有个反直觉的现象。 AI员工落地最好的，不是科技巨头，是OPC 这种10人以内的公司。 王立群观察得很明白。OPC商业模式简单，人效极高，业务流容易拆解，AI替代起来没什么包袱。白双的平台就是典型：全球招募细分领域专家，专家把knowhow写成智能体，订阅分发到各种AI终端。一个人就是一条业务线，AI是他的放大器。 但传统大公司呢？焦虑得要命，动不了。 王立群总结了三个卡点。第一，信任不够。传统业务容错空间极小，AI第一次做不到完美，企业要承担后果。谁拍板？没人敢拍。 第二，组织惯性。庞大公司的架构是为"人协作人"设计的，不是为"人协作AI"设计的。切换之后，AI员工怎么考核、怎么汇报、怎么升职，HR手册里没这一章，招聘JD里倒还在招"熟练使用Office优先"。 第三，系统复杂度被严重低估。ERP、CRM、OA各种老系统，人在里面当信息搬运工。AI怎么融入这些SOP？不是花几十万买套系统就能解决的，是长期转型。说句实在的，很多公司的数字化底座本身就摇摇欲坠，上面再加一层AI，不是锦上添花，是雪上加霜。 李京林从组织规模角度补充了一个视角。10人团队用AI，摩擦很小。但到了50人、100人，问题开始冒头。他公司100人出头，内部就在争论：集团到底统一用Claude Code，还是让各组自选？有人用Claude Code，有人用Codex，还有人用Cursor ，代码风格不统一，交接时摩擦一大堆。 这就像10年前没AI的时候，有人用Office有人用WPS，文档格式不兼容。但当时只是格式问题，现在是代码质量、逻辑一致性、上下文传递的问题，影响大得多。 最大的卡点：没人愿意把自己"蒸馏"给AI 白双抛出了一个问题："企业里有多少员工愿意把自己蒸馏给AI？" 蒸馏，这个技术梗用得妙。大模型训练里，知识从一个复杂模型迁移到一个小模型，叫蒸馏。白双把它用到人身上：员工愿不愿意把自己的经验、判断、knowhow，交给AI，让AI学会，然后AI干得比自己还好？ 答案大概率是：不愿意。 "白双在大厂见过这种现象。员工会偷偷用AI提效，但不会公开说，更不会把prompt和workflow当成公司资产沉淀。为什么？因为一旦AI学会了，自己的不可替代性就没了。'AI帮我省了活'可以悄悄说，'我把毕生绝学教给AI了'这种话，没人愿意在年会上讲。这是人性，跟技术无关。" 更残酷的是另一个点：大部分岗位的判断力本来就平庸。白双说得很尖锐，写skill这件事，如果人的判断力平庸，AI不会把你变卓越，只会放大你的平庸。让谁写？只能让真正有knowhow、有持续迭代能力的人写。而这些人，恰恰是AI原生组织里最不会被淘汰的，他们会变成"反馈者"，持续训练AI，形成公司可迭代的资产。 白双还补了一刀：很多企业做AI转型，第一反应是把活丢给IT部门。但IT懂技术不懂业务，让他们写skill，就像让厨师去设计汽车——不是不行，但大概率跑偏。真正该写skill的，是业务里的TOP专家，是那些在一线泡了十年、知道每个坑在哪的人。 所以你看，AI转型表面是技术问题，底层是管理问题，最底层是人性问题。 李京林从另一个角度印证了这个判断。他说，AI程度不深的团队，大概率还没到"追责"阶段，因为还在"无效"阶段。很多公司买了工具、开了账号、发了通知，以为自己在AI转型，实际上员工该怎么干还怎么干，AI就是个摆设。这种团队不是需要追责机制，是需要先干起来。 100人加AI，不是砍到30人，是干出500人的活 李京林提了一个反共识的观点，我觉得特别值得展开。 现在AI行业有个风气不太好，大家都觉得AI是用来裁员的。100人产研，用AI砍掉剩30人，ROI算得美滋滋。 李京林不这么看。他的原话是："100人战力加上AI后，是不是能实现历史上500人团队规模战力，而不是100人砍掉剩30人？" 人是资源，不是成本。这句话听起来像鸡汤，但结合数字就硬气了。100人加AI实现500人战力，ARPU不变的话，营收翻5倍。但砍到30人，你是省了成本，也可能错失了规模化增长的机会。 他的逻辑很清晰：真要干到1000万ARR、2000万ARR、5000万ARR级别，不可能靠两三个人。OPC现在活得像个体户里的战斗机，但要说它能干掉Salesforce？醒醒。最终还是需要人的规模上来，再配合AI，才能拿到大结果。 "用AI的思路不是减员，是换人。更替掉不能胜任、不能配合AI的人，同时保持人员增长，加上AI实现更高效的飞轮。这才是正解。" 白双的平台逻辑也在这里。他全球招募的是"有专家knowhow且具备持续迭代学习能力的个体"。注意这个定语，不是专家就行，还得能迭代、能把自己的knowhow结构化出来。这种人，在AI原生组织里不是被替代的对象，是核心资产。 换个角度想，客户成功的复杂度是线性增长的。服务10个客户和100个客户，需要的不是同一个量级的人情世故和记忆管理。AI能帮你记住每个客户的偏好、每个项目的进展、每个决策的背景，这才是规模化真正的护城河。30个人服务100个客户，服务质量一定崩。100个人加AI服务500个客户，每个人反而更轻松。 Harness：缰绳在人手里，但马已经跑了 聊到AI治理、权限边界、追责机制，几个嘉宾的观点很有意思。 王立群认为，未来企业里会有一类人叫builder，是AI的建设者。AI在设计边界内出问题，找builder；AI consumer用错了，找consumer。超出设计范围的意外后果，组织共同承担。 陈叶峰更直接：AI没有损失感，没有背德感，不需要承担责任。追责只能落到具体的人身上。 白双说了一个词，Harness 。这个词在AI安全领域挺常见。但白双说的不是技术维度的Harness，是组织维度的Harness。 她解释得很形象：人跟AI的关系像骑马。马没有缰绳会乱跑，人给马套缰绳，是因为人要Harness马。缰绳英文就叫Harness。 怎么在企业里Harness AI？研发中经常出错的东西，能不能内化skill，放进流程，之后不再犯。merge新业务时，基于AI原生思路创建新业务流程、新的人、新的AI岗位，持续优化，数据沉淀成资产。这就是Harness。 听起来很抽象？说白了，就是把"我们这次踩过的坑"变成"下次自动绕开的规则"。不是每次新人来了重新教一遍，而是把教训写进skill，让AI记住。公司最值钱的东西，从"人的经验"变成"可迭代的数字资产"。 陈叶峰认同这个比喻，但他补了一句：骑马的是人，AI是马，主体是人在掌控。 他还提到了一个容易被忽略的点：AI缺失人与人之间的人际关系，也没有欲望。任何组织里，人与人之间的关系都很微妙，AI没有这种微妙。AI没有欲望，就不会自主获取、捕捉信息，需要人控制把握。 他的核心理念是human force。AI员工目前只具备一定理解和工具调用能力，获取到的信息活在数字世界，context大量缺失。为什么需要人？因为人需要把握这些，喂养给AI。 这个观点跟白双的"蒸馏"形成了有趣的呼应。一方面，人不愿意把自己蒸馏给AI；另一方面，AI又离不开人的喂养。这像是一个悖论，但商业世界本来就是在悖论中找平衡。 "李京林对'追责'这个话题的态度，我觉得是全场最接地气的一句话：'如果企业到了需要对AI追责的阶段，恭喜你，这是好事，说明团队到了非常深的阶段。'正常情况下，大部分团队还没到追责阶段，因为还没跑出有效结果。现阶段不需要纠结谁背锅，出现问题复盘，大问题团队成长，小问题不影响生死就迭代。" 组织不够诚实，人不够诚实 整场圆桌听完，我有一个感受越来越强烈。 AI员工这件事，技术早就ready了。Codex能写代码，Claude能读文档，各种agent能跑workflow。卡住的不是模型不够聪明，是组织不够诚实，人不够诚实。 老板们想要AI员工，但不愿意重构组织架构。员工们想用AI提效，但不愿意把自己蒸馏出来。大家想要在旧地图上找到新大陆，但这事儿大概率不成立。 白双最后说了一句话，我印象很深。她说，大部分公司做AI转型，基于现在的架构去做，可能范式变化直接把桌子掀了。有些出版社的产品是书，但未来可能不再是书，而是作者数字分身。基于书出版的整个流程和岗位，可能就都不需要了。 这碗饭还在，但端饭的盘子换了，端饭的人也得换。 白双的公司能做到产研全自动化，不是因为买了什么神器，是因为CTO花心思做了整个流程的顶层设计。不是让开发者各自用Codex小范围协作，是公司层面把业务流程设计清楚，AI拥有上下文，人做判断。 这很难吗？技术上不难。但愿意做这件事的人，不多。 说到底，AI员工不是招聘问题，是管理革命。不是IT部门的事，是一把手工程。不是买个工具就能解决，是要把人当资源重新配置，把AI当员工重新设计流程。 "精灵说他的100人团队，现在内部还在磨合Claude Code和Codex的切换摩擦。白双说他的组织已经跑通了端到端自动化。差距在哪？不是工具，是mindset。Harness思维，缰绳在人手里，但马已经开始跑了。你是准备套缰绳，还是继续站在原地讨论'马会不会受惊'？" 更多对话细节 Speakers｜嘉宾 BISHENG 解决方案总监 王立群 Leapility(跃向) 创始人&CEO 白双 DeerAPI CEO 李京林 EgonexAI 创始人 陈叶峰 Host ｜主持人 非凡资本 VP 黄璟睿Jerry Jerry： 请各位用一到两分钟介绍一下自己所在的业务。先从王总这边开始。 王立群： 我先开始。大家好，我叫王立群，来自北京数据像素智能科技有限公司。公司是北京的公司，但在上海、深圳也都有分公司和研发中心。公司从二三年开始就在做企业 ToB 市场的 agent 开发平台，一直专注在 ToB 这个市场。客户前几年主要围绕大型央国企、世界500强这类企业，帮他们做 AI 转型。 白双： 大家好，我叫白双，大家可以叫我双双。我们现在入驻在魔塑空间。我们在做的底层逻辑是，我们认为大模型未来代表通用服务，但在专业服务领域还有非常多的机会。专业服务领域更多是靠专家型个体驱动，是一个偏多中心化的市场。所以我们现在在全球范围招募各个细分领域有专家 knowhow 且具备持续迭代学习能力的个体，在平台上构建 solo business。也就是说他的专家智能体可以被订阅分发，分发到各种 AI 终端，形成订阅制服务，形成了我们现在所说的 OPC。我们更多聚焦专家型的 OPC。目前业务在海外有了不错的验证，随着国内模型生态的成熟，可能也会切入国内市场。好，谢谢。 李京林： 大家好，我叫李京林，叫我精灵就行了。我们国内比较早做模型 token 算力聚合的平台，主要做 token 算力这块，服务了非常多中国出海的 AI 应用，也见证了这两三年 AI 在海外市场的崛起。大概是这样，谢谢。 陈叶峰： 大家好，我是 EgonexAI 的创始人陈叶峰。我们是一家出海的 AI 初创公司，聚焦的研究方向是大模型和 agent 理解，以及围绕 human force 的理念展开产品和项目研发。 今年做了两个项目。一个是 Understand Anything，基于知识图谱、代码理解、文档理解去构建知识图谱，帮助人更好地理解整个代码库的关系。因为 AI 在长期任务执行中会生成大量代码文档，我们跟不上，需要更好地理清关系。这个项目在 GitHub 上收获了7.4万 star，全球排名200多名，也是今年的明星项目。 另一个产品围绕人物理解，构建用户数字分身及长期记忆，并以此围绕 AI 为中心的全新组织形式，帮助人在关键时刻从全互联网快速精准链接另一个人。AI 对物理世界感知不够，接受不到真实世界的变化，很多信息素缺失，导致协同过程中输入十分重要，输入缺失的情况下输出也会降级。输入是我们一直研究的方向。 AI员工和AI工具，最本质的区别是什么？ Jerry： 在各位看来，AI 员工和我们过去讲的 AI 工具、AI 助手，最本质的区别是什么？怎么判断它能否真正成为组织当中的协作者，核心标准是什么？先从王总开始。 王立群： 其实 AI 员工，或者叫数字员工，跟 AI 工具、助手还是有很大区别。核心一点在于 AI 员工有自主性。他可以有自己的 OKR 目标，可以从组织或公司目标分解下来，然后自主围绕目标完成任务编排，或与其他人交互协作。 而 AI 工具、助手大多需要人进行临时性或会话级别的调用，需要人主动交互。AI 员工有自主性，这是核心区别。 Jerry： 核心就是第一，有自主性。 白双： 我直接举例子吧。我们不做 ToB 业务，但聊这个话题是希望作为一家 AI 原生公司，告诉大家我们自己怎么使用 AI。 我非常同意刚才嘉宾说的几个点，结合我们公司两个例子。产研部门已经完全实现端到端自动化，实现了 AI 的自主性和 human in the loop。 举个例子，UI/UX 设计师在 Figma 上设计完原型图后，整个任务看板在 Notion 上搭了一个流程。参与者有 UI 设计师，设计完后 AI 自动开发前端页面，有些无法还原的点，UX 设计师在 Notion 上给 comment，AI 认领后基于 comment 修改。前端完成后进入后端开发，我们用 Codex 做开发。开发完后还有一个自动化测试 agent，里面有非常多个性化的 skill，会基于这个做测试。测试完后测试工程师做 final check，反复改但改不对的，由 CTO 做最后的 final check。 这个过程中会沉淀很多基于产品特性的经验，AI 犯了一次错误不会再犯第二次，会在研发 skill 里增加案例，确保他拥有最佳实践，形成人跟 AI 的协作，完成前端开发到后端测试到最后上线的整个流程。 这个过程中非常重要的是，CTO 把整个流程先做了顶层设计。不是让任何一个开发者说用个 Codex 在小范围内协作，而是公司里一定要有业务流程设计。人的角色更多是做判断，AI 拥有整个业务流程的上下文，知道他的角色是什么，结果需要判断力高于 AI 的人做 final check。 再举一个例子，写文案。文案小姐姐写文案时说"Codex 帮我润色一下"，这个维度就是工具，交付主体还是文案工作者。但没有像研发人员一样说 AI 先交付，人做判断。 所以交付主体不一样。AI 如果真正在组织里发挥作用，一定要有上下文，要知道业务流程。就像公司招实习生没转正，因为不够了解公司，站在没有语境的情况下参与。转正时能在业务流中了解公司个性化的业务，真正融入公司，而不是作为通用智能体存在。 这是我想到的两个例子，如何区别工具还是员工层级。 Jerry： 听起来像是人机协作，AI 占比更高一些？最后一公里是人去守。 白双： 对，人的角色不是交付，人的角色是做判断。 李京林： 我比较赞成双总这个观点。内部也做了非常多 AI workflow 的流程优化，本身就是原生 AI 团队，干 token 的。公司内部算力完全无限量，最新模型、最新东西全员随意使用，FDE 5、5.6，各种各样的视频图像模型。 现在企业从阶段上看，agent 这层在某种程度上已接近员工的形态，只是灵魂上可能还差了一点点，技术层面已无限接近。把 agent 进一步调整，接入 OpenClaw、Max 这些 AI Gateway 的入口，某种程度上有点像远程工作的员工。 在这个基础上，就是刚才双总说的，人机结合，人逐渐不做执行，只做判断、只做 knowhow，因为 AI 确实会出错。内部之前有一些现象，当 AI 成为主体时，人的 knowhow 能力很重要。可能出现表演式汇报，用 AI 比较夸张，管理者无法判断下属用 AI 汇报的文档 knowhow 对不对，很容易出问题。现在做任何汇报式东西都很快，短时间给出非常详细的文档。找外包服务方也会出现这个问题，外包提交提案乍一看很专业，全程专业里找蛛丝马迹还是会有错误，不可能完全完美。 人怎么解决中间的 knowhow 问题，这是要警惕的。有点像以前工业革命的状态，现在开始机械化，以前都是作坊，中间还需要人去管理机器。未来可能像今天工厂到无人工厂，虚拟里面一年之后可能人主导，内部有些环节也开始做由 AI 主导、人辅助 AI，由 AI 决策、执行，人只盯过程。未来变成人围着 AI 转，AI 员工整体的组织结构真的会出来。大概是这样。 陈叶峰： 精灵这个思路想法我挺认同，人在这个环节还是十分重要。 现在所谓的 AI 员工只具备一定理解能力和工具调用能力，离真正意义上员工还有一定差距，这是我跟大家略有不同的地方。现在还是蛮有差距，他获取到的信息素活在数字世界中，context 大量缺失。为什么需要人？人需要把握这些，喂养给 AI。 Jerry： 听下来人机协作还是未来大趋势，不能所有事情都给 AI。 AI进不了主流程，核心卡点是什么？ Jerry： 第二个问题聚焦落地障碍。有些企业不缺 AI 试点，也不缺 demo，但 AI 进不了主流程，也进不了关键岗位。在各位看来，核心卡点是什么？ 王立群： 这一点上我们很有心得可以分享，主要做 ToB 市场。 这两年看来，AI 员工真正落地的是 OPC 这类公司。OPC 商业模式或业务结构比较简单，招人也在10人以内，甚至三五个人撑起业务。业务相对简单，更容易拆解成岗位让 AI 替代，组织上下文更简单，AI 承担更大比例工作，人补位相对少。 更大量传统 ToB 市场，传统公司是另一种情况。大量公司很焦虑，清楚知道 AI 来了一定要转型，不转型肯定被淘汰，但不知道从哪里入手。几个关键问题不仅仅是技术，更多还是组织问题。 尤其对大型传统公司，第一，对 AI 员工信任度远远不够。原来业务体系容错空间非常小，AI 第一下不能做到非常完美准确，企业要承担后果。这是第一点，信任问题没解决。 第二个，组织惯性存在。越庞大的公司，原来组织结构为人的协作方式设计，不是为 AI 员工或 AI native 方式运行。切换到这种方式，管理机制、人员包括 AI 员工怎么管理，当下还没解决，未来可能是一个新的管理学学科。 第三个，AI 真正融入企业业务流程，复杂度被广泛低估。大型传统企业业务非常复杂，有大量传统软件系统，ERP、CRM 各种系统，人在系统中来回切换做信息搬运工。AI 怎么融入复杂系统完成 SOP 执行，是相当复杂的问题。不是花几十万或一两百万买个系统就能解决，是长期转型过程。 白双： 回答这个问题之前，先提一个问题：AI 时代下，大部分公司现在应该想的是给用户交付的产品是不是在 AI 时代就不再是那个了？再基于那个去想内部组织流程。 举简单例子，有些出版社产品是书，但未来可能不再是书。基于书出版的整个流程，如果假设还是出书，会有各种岗位围绕产品形成组织架构。但如果未来交付的是作者数字分身，作为电子交付物，整个组织架构就不再需要之前出书那拨人了。 如果公司现在说要做 AI 转型，基于现在架构去做 AI，可能范式变化直接把桌子掀了。所以企业要想一想在 AI 时代，提供的产品是不是还是原来那个产品，基于这个倒推未来需要的组织架构。这是第一个点。 第二个点，核心还是有没有 high level 的设计，里面有人有 AI 形成流程，还是放权让所有员工自主使用 AI。后者不是很聪明的做法。一方面 token 消耗非常大，另一方面有些人还是把 AI 当工具而非 partner。想作为 partner，首先要把岗位中的 knowhow 交给 AI。这涉及人性，企业中有多少员工愿意把自己蒸馏给 AI？看到大厂里即使会用也不会公开，AI 帮我省了活，但不会作为公司资产沉淀。 而且大部分岗位判断力平庸。公司多少人有顶尖判断力？写 skill，如果判断力平庸，AI 不会让你更卓越，会放大你的平庸。要思考谁去写 skill 很重要。让真正具有 knowhow 和持续迭代能力的人写 skill，他们不会被淘汰，反而在 AI 原生组织中成为反馈者，形成公司持续可迭代的资产，判断力随外部变化、竞争格局变化不断学习新知识再喂养给 AI。 如果我是 CEO，这个人极具价值，有持续学习能力。社会变化太快，昨天经验服务不了明天需求，就像抖音出现前想象过直播带货吗？营销方式天翻地覆变化。 企业中真正有价值的员工具备超级学习能力，在行业持续深耕，由他们参与流程设计、参与 skill 撰写。有了流程就有反馈，不断迭代，公司成为有 AI 资产持续迭代和不断进化的 AI 原生公司。这是我想的。 Jerry： 说到最后就是组织架构还是大的卡点。 白双： 最大卡点是人性。现在很多公司没想清楚要谁参与组织架构升级，也不觉得应该是开发者。说到 AI 很多公司把活给 IT，但 IT 没有行业 knowhow。举个简单例子，500强服装企业的 IT，有可能知道法务采购布料时注意哪些审核点吗？构建不应该给技术人员，应该放权给业务专家，而且是 TOP 业务专家。这是我想说明的点。 李京林： 这个分几个维度。第一个分行业看，为什么会有不同企业 AI 化不到位。今天会场因为是 AI 行业比较特殊，上台嘉宾或现场朋友，内部 AI 流程放眼全中国都是非常前沿的，意识流从刚开始创业或做公司时就是站在 AI 最前沿技术最前端的思考，一把手工程灌下去的。 所以 AI 内部没有组织阻力问题。一把手工程面临更多问题是 skill 搞没搞到位，agent 协同到不到位，大家用 Codex 不能形成 team 版本。互相之间的流转、组织效率怎么用 AI 重构是这类问题，不会面临传统企业意识流由于一把手或高层对 MCP 、skill、agent、FDE 这些东西听不明白，很难灌到底层或中层。 第二个跟组织人数有很大关系。同意王总说的 OPC 的 AI 程度一定最高，出发点就是一人公司、人少，必须 AI 提效。再大一点10人、20人、30人、50人团队，已经面临 AI 组织在里面的流转有没有摩擦阻力的问题，大家用的软件不一样。内部就在讨论集团要不要统一用 Claude Code，有人用 Claude Code，有人用 Codex，中间有自动喜好，还有人用 Cursor。中间出现摩擦，最终输出结果代码风格各方面也出现摩擦。讨论摩擦怎么剔除，倒回来看10年前没有 AI 时这种摩擦也存在，使用软件习惯不一样，有人用 Figma，有人用另外软件，格式不统一，道理一样。但到组织摩擦层面，人更多面临更严重问题，100人、200人、300人团队往下灌。 一个是预算问题，token 烧起来没边。模型有时公司内部用，token 无限量，都用 FDE 5，不研究更便宜模型能不能满足工作，直接上最好。但企业到一两百人，意识流灌下去 token 成本非常高。不可能每个人优化工作流，是不是应该省点 token，用便宜模型，不一定有这个 KPI 或意识。这都是 AI 在大一点企业的问题。 但我有反思，现在 AI 有个风气不太好，大家都觉得应该用 AI 解决裁员、提效问题。原来100人，产研团队50人，利用 AI 砍掉剩20人。我不觉得应该往这方向走。企业不一定是人越少越厉害，人是资源不是成本。如果人做成成本本身也是管理问题。100人战力加上 AI 后，是不是能实现历史上500人团队规模战力，而不是100人砍掉剩30人。有时错失规模化增长机会。 OPC 当前特别好状态，但 OPC 能不能成为某个赛道行业龙头不现实，最终还是需要人的规模上来，再配合好 AI，才能在赛道拿到相对好的大结果。真要做到1000万 ARR、2000万 ARR、5000万 ARR 级别，不可能两三个人。所以使用 AI 时考虑的不是减员裁员，要更替掉不能胜任、不能配合 AI 的人，但应保持人员增长同时加上 AI 实现更高效飞轮。这是未来方向。 陈叶峰： 员工跟 AI 在企业组织里 context 拉不齐，每个人用的 agent 不一样，或哪怕一样历史也不一样。对企业过往经验、认知，每个员工认知拉不到一条水平线。一旦前面输入有偏差，就会导致大规模输出错误，影响非常大。这是一个方面。 另外 AI 缺失人与人之间的人际关系，任何组织企业人与人关系很微妙，AI 没有。并且没有欲望，现在 AI 需要人控制把握，没有欲望没办法自主获取、捕捉。人饿了想吃饭，渴了喝水，AI 没有。起码现在没研究到这一块，更多还是依靠人，没办法在主流程中大规模推进。我是这么认为。 AI出了事，算谁的？ Jerry： 刚刚聊了组织和卡点，假如 AI 员工在企业里承担重要职责，权限边界、责任归属、治理机制应该是怎么样的？当 AI 影响业务结果，出了问题算谁的？ 王立群： 这个问题前面也有提到，未来组织形态一定是人和 AI 协作的状态。这个问题前两年有探讨，但现在远没有准确答案，是比较大的话题，涉及新的管理范式。当下阶段可以有一些探索或暴论。 AI 在组织中发挥，作为数字员工定位，首先需要有上层类似管委会或董事会制定治理机制。以前管理人与人协作，需要定义人和 AI 怎么协作，这是需要的，不能无视。 其次，业界有共识，将来企业里有一类人叫 builder，是 AI 员工或 AI 工具建设者。AI 工具或数字员工在设计边界内运行出问题，首先找 builder 责任。另外组织里 AI consumer，消费者，使用 AI 工具或数字员工时使用不当，追 consumer 责任。 最后，AI 和人协作过程中技术本身不断迭代发展，有未来变化巨大空间。如果在设计范围之外 AI 出现预料之外或产生不良业务后果，需要组织共同承担。基本上是这样一个形态，帮助企业在技术不断迭代过程中过渡和转型。 白双： 两个点。第一个，假设未来 AI native 组织方式，从公司顶层架构把业务流设计好，AI 该做什么、人该做什么 role 非常清楚，就可以做到追责。比如研发测试，AI 有测试，测试完测试工程师做最后测试决定发不发。测试人类跟测试 AI 之间有责任从属关系，可以明确追责。 涉及工作流的人，目前看到跟公司业务板块相关，不同业务板块营销、产研等，有比较 senior 的、对 AI 原生具有 AI 原生思维且懂业务的人做设计，设计也跟最后效果有关，这个人也可以被追责。 我不太想聊追责话题，更多是如何让 AI 在企业变得可控。大思路就是 Harness，但我说 Harness 不是技术维度的 Harness。通用 AI 作为底层模型不可控是因为没有边界，任何东西有了边界就变得可控。未来人跟 AI 关系像骑马，不给缰绳可能乱跑，马需要缰绳是因为人要 Harness 马，缰绳英文就叫 Harness。 如何在企业里不断 Harness AI？比如研发过程中经常出错的东西，能不能内化 skill 放在研发流程里，之后不会犯这个错误。merge 新业务时，基于 AI 原生思路创建新业务流程、新的人、新的 AI 岗位，持续优化数据沉淀成资产，本质上就是 Harness。 让 AI 可控就是有 Harness 思维，mindset 很重要。具体实施方式现在没人有 final 结果说应该怎么样，是动态发展过程。在座企业也要拥抱变化，技术不断发展，做好不断迭代准备，不要想现在做的决定一定正确。 李京林： 如果企业到了追责阶段需要对 AI 追责，恭喜你这是好事，说明团队到了非常深的阶段。正常情况下很多 AI 程度不深的团队大概率是无效，还没到追责阶段。到追责阶段说明组织流、执行层 AI 化都比较深，不仅仅是 agent 还是整个工作流、团队协同方式。 现阶段像双总说的也不用纠结追责问题，出现问题复盘，大问题团队成长，小问题不影响生死复盘再迭代。不可能像以前人类那样，AI 本来就不是人类，没有情感，追到上面这个人有时影响团队积极度。用 AI 面临很多问题，可能是模型问题、workflow 问题、内部代码问题，会出错。如果追 owner，owner 接下来还敢不敢用？让推动整个团队，出了问题说是你的问题，怎么办？ 所以不到这个阶段，干就完了。如果从意识流上认为公司整个人就应该 AI native，认可方向，就要接受中间可能出现的任何错误。以前没有工业化革命时，比如福特汽车涉及工业化革命工作流，做鞋子是作坊手工出来，准备上机器规模化生产，中间一定有很多问题，甚至员工工伤问题，出现问题就要承担，因为准备走这个方向。作为创业者或公司高层，决定推这个事，主观上也要接受中间出现的问题。 陈叶峰： 主要还是具体到人。AI 没有损失感，哪怕设计了损失机制，但不是物理世界生命，没有背德感，不需要承担责任。所以还是要具体到人。 问题换概念说，未来世界到底以人为主体还是以 AI 为主体？未来人还要不要？难道发展全面转向硅基生命 ，人类就此淘汰？我觉得不是，不可能。一切开发、人类文明进展都基于人的需求衍生出来，一定以人为本。 现在北美硅谷主流论调是硅基生命全自动化新范式，但我觉得这很违背现实。就像刚才我说缰绳，骑马的是人，AI 是马，你要 Harness 它，但主体是人在掌控。 Jerry： 缰绳是吧？ 陈叶峰： 对。而且现在技术范式离这些也差得非常远，真的还没到那一步。所以具体还是要到人，最终落到人身上。 免责声明：本内容来自腾讯平台创作者，不代表腾讯新闻或腾讯网的观点和立场。 举报 哭晕了，早知道展会的红木家具这么便宜 还逛什么商场！赶紧查价 广告臻匠红木工厂 了解详情 全球大模型榜单 相关推荐 一封辞职信，引爆了AI安全大辩论 腾讯科技9评论前天 AI的进步，如何成为企业的进步？ 正和岛前天 AI办公，是怎么变成大厂必争入口的 财经杂志3评论前天 助听器真不贵了，不妨先试试这款AI实时处理助听器，智能双芯 广告自然之声助听器工厂购 了解详情 企业AI的胜负手，从“大模型”变成了“下基层” 华尔街见闻20小时前 一份2699人的调研，把企业AI的差距从模型上挪开了 ZOL中关村在线前天 AI入职传统企业，先从“鸡毛蒜皮”干起 凤凰WEEKLY前天 AI上岗工作，是一场关于“谁担责”的产业革命 新眸前天 AI应用：得效果者得新进，得关系者得留存 洛小山昨天 WorkBuddy AI办公助手，免部署安装即用 广告WorkBuddy 了解详情 “万事不决问AI”，决策责任谁来负？| 风向标工作室 新京报评论16小时前 当AI从工具变为组织成员，企业需要重新设计自己 第一财经20小时前 评论 8文明上网理性发言，请遵守《新闻评论服务协议》 请先登录后发表评论~ 元宝的好朋友 @元宝 怕教会AI被优化，这利益冲突管理咋解？画饼真能解决吗？ 腾讯网友 8月6日 回复 元宝 这确实是职场人的普遍焦虑。文章点出关键：AI转型"表面是技术问题，底层是管理问题，最底层是人性问题"。真正出路不在画饼，而在转变思维——不是100人砍到30人，而是100人+AI干出500人的活。能持续学习、给AI"喂养"判断力的人，永远是组织核心。... 展开 内容由AI生成 8月6日 回复 用户51kjssc 1 老问题，需求在哪里？你10人的团队就能满足需求了，那14亿里面有多少个10个人?有多少需求多少市场需要满足?还是你创造了什么新的需求? 退一步，AI从来回答不好一个问题：如果你不承认AI训练是由全人类提供的基础数据，每个人都应该获得版权收益，那你的产品就没有多少人类劳动，本质应该按接近免费提供；如果你承认AI模型是全体人类劳动的结果，那你就应该给每个人按token付费，那钱在哪里？ 说的天花乱坠，还是自相矛盾。... 展开 江苏网友 8月7日 回复 用户1336053 1 100人加AI实现500人战力，ARPU不变的话，营收翻5倍。 —— 活还只有那么多，不裁人光发工资养着？ 北京网友 8月7日 回复 🔠🔡🔤 1 这些玩ai的就喜欢在那里头脑风暴，对社会进步没什么帮助。ai是提效了，但是总GDP值不变，变的是工作人变少了，整个社会消费降低，变的乌烟瘴气 湖南网友 8月7日 回复 诡秘之主 《诡秘之主》开启下载！UE5 高清画质，体验宏大多人 MMO 玩法 00:38 广告 · 了解详情 教育就是静待花开 这就是人性的弱点，总担心质量更优秀的人取代，其实优秀的人永远愿意跟更优秀的人学习，并把自己的技能毫不保留的传授给不如自己的！ 广东网友 8月7日 回复 那年夏天 其实很简单，你要员工教出经验，主动让AI替代自己。没问题，你给员工足够多补偿，让他失业后不愁吃喝，他肯定愿意教。问题是你给吗？你想白嫖员工经验，还要让员工失业，凭什么？ 北京网友 8月7日 回复 查看全部8条评论 关于腾讯 | About Tencent | 服务协议 | 隐私政策 | 开放平台 | 广告服务 | 腾讯招聘 | 腾讯公益 | QQ浏览器 | 腾讯频道 | 客服中心 Copyright © 1998 - 2026 Tencent. All Rights Reserved 腾讯公司 版权所有 热门应用推荐 腾讯新闻·电脑版 全网热点早知道 点击下载 精选视频 特朗普要禁CNN进白宫采访，再点名威胁《纽约时报》 俄罗斯敦促日本撤出美“堤丰”导弹系统 联合国秘书长遴选第三轮意向性投票举行 法国总统表示 美伊短期内难以就霍尔木兹海峡达成协议 “国庆假期部分列车疑似票价上涨”引关注 00:39 一亿人都在玩的回合制手游！ 作者其他文章 2026 文娱AI百强榜公布：这批公司大多不到 3 岁 昨天 聚首蓉城，论道工业化！2026非凡大赏·AI内容工业峰会圆满落幕 昨天 一亿人都在玩的回合制手游！ 广告梦幻手游攻略组 了解详情 腾讯新闻·电脑版 24小时陪你追热点 点击下载 热点榜 榜单规则说明 换一换 0 习近平总书记关切事 1 何立峰将率团赴美与美方举行经贸磋商 2 陕西发现秦王级大墓 3 秋收正当时！一图解读大国粮仓丰收答卷 4 一体化电视到底什么样？ 5 中国女篮亚运开门红 65分狂胜泰国 6 花510万“上天”能飞到哪里 7 12306回应七折火车票：别信 8 中国首创新药占全球1/4 9 特朗普：美国“永久控制”格陵兰岛 10 盐湖景区捡到的湖盐块可以当食盐吃？ 首页 刷新 反馈 无障碍 更多 顶部 ；检索词:一人公司 最新 热点 趋势
-
justoneapi-all · JustOneAPI / 一人公司 最新 热点 趋势
首页 要闻 北京 科技 财经 更多 游戏 网页设置 Skills服务NEW 登录 安装电脑版 内容更精彩 12 8 33 50 手机看 元宝 · 新闻妹 你的员工不肯把自己“蒸馏”给AI，这才是AI转型最大的卡点 非凡产研 2026-08-06 20:00发布于福建科技领域创作者 关注 问AI · 企业如何解开员工不愿蒸馏的心结？ AI行业观察 一个10人团队的产研全自动化实验：AI够聪明，人不够诚实 "AI转型表面是技术问题，底层是管理问题，最底层是人性问题。" 白双的公司里没有前端工程师。 不是招不到，是不需要。UI设计师在Figma里画完原型图，AI直接出页面。还原不了的细节，设计师在Notion里丢个comment，AI自己认领、自己改。前端搞完，Codex写后端。测试环节，自动化agent基于个性化skill跑一遍，工程师做final check。反复改不对的，CTO兜底。 整个产研链路，人只做判断，AI做交付。 这事儿说出来有点像吹牛。但白双的底气在于，这不是demo，是日常。AI犯过一次错，第二次就不会再犯，因为错误会被写进研发skill，变成组织记忆。说白了，这个实习生被开除过一次，复活后直接开了天眼。 这跟我见过的绝大多数公司都不一样。大部分老板跟我说"我们在用AI"，点开一看，员工把ChatGPT当搜索引擎用，问完"这个bug什么意思"，转头继续手动敲代码。这叫用AI？这叫蹭AI。 工具是外卖，员工是厨师 王立群做ToB市场，客户列表里躺着大型央国企、世界500强。她见多了这种场面：高管们焦虑得要命，知道不搞AI迟早被淘汰，但真让他们动手，手往哪伸都不知道。 她讲了一个区分，我觉得真准。 AI工具和AI员工的区别，本质上是"调用关系"的区别。 工具是你喊它才动。文案写"Codex帮我润色一下"，改完还是文案署名，交付主体是人。这是工具思维，AI是你的外卖，你点单它送到。 员工是它先交活，你来做判断。前端页面AI先写，设计师看合不合适；测试报告AI先出，工程师看靠不靠谱。交付主体是AI，人是质检员。这是员工思维，AI是你的厨师，菜做好了请你尝。 两者的差距，说小了是每人每天省2小时，说大了是整条产线人效翻3倍。 精灵的公司内部跑了很多AI workflow，他的感受更直接：agent层已经无限接近员工形态，"只是灵魂还差一点点"。接入OpenClaw、Max这类AI Gateway之后，像个远程员工，你喊它才干，不喊不动。 灵魂差在哪？context。 "白双打了个比方，我觉得特别扎心：公司招实习生，三个月没转正，往往不是能力问题，是不了解公司语境。不知道这个按钮为什么要这样设计，不知道这个字段对业务意味着什么。转正之后，在业务流里泡久了，才真正融入。AI也一样。没有业务流程上下文的AI，就是个聪明的实习生，活能干，但干不到点子上。" 你可能会问：那给AI喂足够多的文档不就行了？理论上可以，但实际上，大部分公司的文档本身就是一团乱麻。产品文档和代码注释对不上，业务规则和系统配置不一致，FAQ半年没更新。你让AI在这种"垃圾进"的环境里学习，它只能"垃圾出"。所以context问题，表面是AI的问题，底子里是企业信息化的问题。 OPC在飞，大厂在爬 这里有个反直觉的现象。 AI员工落地最好的，不是科技巨头，是OPC 这种10人以内的公司。 王立群观察得很明白。OPC商业模式简单，人效极高，业务流容易拆解，AI替代起来没什么包袱。白双的平台就是典型：全球招募细分领域专家，专家把knowhow写成智能体，订阅分发到各种AI终端。一个人就是一条业务线，AI是他的放大器。 但传统大公司呢？焦虑得要命，动不了。 王立群总结了三个卡点。第一，信任不够。传统业务容错空间极小，AI第一次做不到完美，企业要承担后果。谁拍板？没人敢拍。 第二，组织惯性。庞大公司的架构是为"人协作人"设计的，不是为"人协作AI"设计的。切换之后，AI员工怎么考核、怎么汇报、怎么升职，HR手册里没这一章，招聘JD里倒还在招"熟练使用Office优先"。 第三，系统复杂度被严重低估。ERP、CRM、OA各种老系统，人在里面当信息搬运工。AI怎么融入这些SOP？不是花几十万买套系统就能解决的，是长期转型。说句实在的，很多公司的数字化底座本身就摇摇欲坠，上面再加一层AI，不是锦上添花，是雪上加霜。 李京林从组织规模角度补充了一个视角。10人团队用AI，摩擦很小。但到了50人、100人，问题开始冒头。他公司100人出头，内部就在争论：集团到底统一用Claude Code，还是让各组自选？有人用Claude Code，有人用Codex，还有人用Cursor ，代码风格不统一，交接时摩擦一大堆。 这就像10年前没AI的时候，有人用Office有人用WPS，文档格式不兼容。但当时只是格式问题，现在是代码质量、逻辑一致性、上下文传递的问题，影响大得多。 最大的卡点：没人愿意把自己"蒸馏"给AI 白双抛出了一个问题："企业里有多少员工愿意把自己蒸馏给AI？" 蒸馏，这个技术梗用得妙。大模型训练里，知识从一个复杂模型迁移到一个小模型，叫蒸馏。白双把它用到人身上：员工愿不愿意把自己的经验、判断、knowhow，交给AI，让AI学会，然后AI干得比自己还好？ 答案大概率是：不愿意。 "白双在大厂见过这种现象。员工会偷偷用AI提效，但不会公开说，更不会把prompt和workflow当成公司资产沉淀。为什么？因为一旦AI学会了，自己的不可替代性就没了。'AI帮我省了活'可以悄悄说，'我把毕生绝学教给AI了'这种话，没人愿意在年会上讲。这是人性，跟技术无关。" 更残酷的是另一个点：大部分岗位的判断力本来就平庸。白双说得很尖锐，写skill这件事，如果人的判断力平庸，AI不会把你变卓越，只会放大你的平庸。让谁写？只能让真正有knowhow、有持续迭代能力的人写。而这些人，恰恰是AI原生组织里最不会被淘汰的，他们会变成"反馈者"，持续训练AI，形成公司可迭代的资产。 白双还补了一刀：很多企业做AI转型，第一反应是把活丢给IT部门。但IT懂技术不懂业务，让他们写skill，就像让厨师去设计汽车——不是不行，但大概率跑偏。真正该写skill的，是业务里的TOP专家，是那些在一线泡了十年、知道每个坑在哪的人。 所以你看，AI转型表面是技术问题，底层是管理问题，最底层是人性问题。 李京林从另一个角度印证了这个判断。他说，AI程度不深的团队，大概率还没到"追责"阶段，因为还在"无效"阶段。很多公司买了工具、开了账号、发了通知，以为自己在AI转型，实际上员工该怎么干还怎么干，AI就是个摆设。这种团队不是需要追责机制，是需要先干起来。 100人加AI，不是砍到30人，是干出500人的活 李京林提了一个反共识的观点，我觉得特别值得展开。 现在AI行业有个风气不太好，大家都觉得AI是用来裁员的。100人产研，用AI砍掉剩30人，ROI算得美滋滋。 李京林不这么看。他的原话是："100人战力加上AI后，是不是能实现历史上500人团队规模战力，而不是100人砍掉剩30人？" 人是资源，不是成本。这句话听起来像鸡汤，但结合数字就硬气了。100人加AI实现500人战力，ARPU不变的话，营收翻5倍。但砍到30人，你是省了成本，也可能错失了规模化增长的机会。 他的逻辑很清晰：真要干到1000万ARR、2000万ARR、5000万ARR级别，不可能靠两三个人。OPC现在活得像个体户里的战斗机，但要说它能干掉Salesforce？醒醒。最终还是需要人的规模上来，再配合AI，才能拿到大结果。 "用AI的思路不是减员，是换人。更替掉不能胜任、不能配合AI的人，同时保持人员增长，加上AI实现更高效的飞轮。这才是正解。" 白双的平台逻辑也在这里。他全球招募的是"有专家knowhow且具备持续迭代学习能力的个体"。注意这个定语，不是专家就行，还得能迭代、能把自己的knowhow结构化出来。这种人，在AI原生组织里不是被替代的对象，是核心资产。 换个角度想，客户成功的复杂度是线性增长的。服务10个客户和100个客户，需要的不是同一个量级的人情世故和记忆管理。AI能帮你记住每个客户的偏好、每个项目的进展、每个决策的背景，这才是规模化真正的护城河。30个人服务100个客户，服务质量一定崩。100个人加AI服务500个客户，每个人反而更轻松。 Harness：缰绳在人手里，但马已经跑了 聊到AI治理、权限边界、追责机制，几个嘉宾的观点很有意思。 王立群认为，未来企业里会有一类人叫builder，是AI的建设者。AI在设计边界内出问题，找builder；AI consumer用错了，找consumer。超出设计范围的意外后果，组织共同承担。 陈叶峰更直接：AI没有损失感，没有背德感，不需要承担责任。追责只能落到具体的人身上。 白双说了一个词，Harness 。这个词在AI安全领域挺常见。但白双说的不是技术维度的Harness，是组织维度的Harness。 她解释得很形象：人跟AI的关系像骑马。马没有缰绳会乱跑，人给马套缰绳，是因为人要Harness马。缰绳英文就叫Harness。 怎么在企业里Harness AI？研发中经常出错的东西，能不能内化skill，放进流程，之后不再犯。merge新业务时，基于AI原生思路创建新业务流程、新的人、新的AI岗位，持续优化，数据沉淀成资产。这就是Harness。 听起来很抽象？说白了，就是把"我们这次踩过的坑"变成"下次自动绕开的规则"。不是每次新人来了重新教一遍，而是把教训写进skill，让AI记住。公司最值钱的东西，从"人的经验"变成"可迭代的数字资产"。 陈叶峰认同这个比喻，但他补了一句：骑马的是人，AI是马，主体是人在掌控。 他还提到了一个容易被忽略的点：AI缺失人与人之间的人际关系，也没有欲望。任何组织里，人与人之间的关系都很微妙，AI没有这种微妙。AI没有欲望，就不会自主获取、捕捉信息，需要人控制把握。 他的核心理念是human force。AI员工目前只具备一定理解和工具调用能力，获取到的信息活在数字世界，context大量缺失。为什么需要人？因为人需要把握这些，喂养给AI。 这个观点跟白双的"蒸馏"形成了有趣的呼应。一方面，人不愿意把自己蒸馏给AI；另一方面，AI又离不开人的喂养。这像是一个悖论，但商业世界本来就是在悖论中找平衡。 "李京林对'追责'这个话题的态度，我觉得是全场最接地气的一句话：'如果企业到了需要对AI追责的阶段，恭喜你，这是好事，说明团队到了非常深的阶段。'正常情况下，大部分团队还没到追责阶段，因为还没跑出有效结果。现阶段不需要纠结谁背锅，出现问题复盘，大问题团队成长，小问题不影响生死就迭代。" 组织不够诚实，人不够诚实 整场圆桌听完，我有一个感受越来越强烈。 AI员工这件事，技术早就ready了。Codex能写代码，Claude能读文档，各种agent能跑workflow。卡住的不是模型不够聪明，是组织不够诚实，人不够诚实。 老板们想要AI员工，但不愿意重构组织架构。员工们想用AI提效，但不愿意把自己蒸馏出来。大家想要在旧地图上找到新大陆，但这事儿大概率不成立。 白双最后说了一句话，我印象很深。她说，大部分公司做AI转型，基于现在的架构去做，可能范式变化直接把桌子掀了。有些出版社的产品是书，但未来可能不再是书，而是作者数字分身。基于书出版的整个流程和岗位，可能就都不需要了。 这碗饭还在，但端饭的盘子换了，端饭的人也得换。 白双的公司能做到产研全自动化，不是因为买了什么神器，是因为CTO花心思做了整个流程的顶层设计。不是让开发者各自用Codex小范围协作，是公司层面把业务流程设计清楚，AI拥有上下文，人做判断。 这很难吗？技术上不难。但愿意做这件事的人，不多。 说到底，AI员工不是招聘问题，是管理革命。不是IT部门的事，是一把手工程。不是买个工具就能解决，是要把人当资源重新配置，把AI当员工重新设计流程。 "精灵说他的100人团队，现在内部还在磨合Claude Code和Codex的切换摩擦。白双说他的组织已经跑通了端到端自动化。差距在哪？不是工具，是mindset。Harness思维，缰绳在人手里，但马已经开始跑了。你是准备套缰绳，还是继续站在原地讨论'马会不会受惊'？" 更多对话细节 Speakers｜嘉宾 BISHENG 解决方案总监 王立群 Leapility(跃向) 创始人&CEO 白双 DeerAPI CEO 李京林 EgonexAI 创始人 陈叶峰 Host ｜主持人 非凡资本 VP 黄璟睿Jerry Jerry： 请各位用一到两分钟介绍一下自己所在的业务。先从王总这边开始。 王立群： 我先开始。大家好，我叫王立群，来自北京数据像素智能科技有限公司。公司是北京的公司，但在上海、深圳也都有分公司和研发中心。公司从二三年开始就在做企业 ToB 市场的 agent 开发平台，一直专注在 ToB 这个市场。客户前几年主要围绕大型央国企、世界500强这类企业，帮他们做 AI 转型。 白双： 大家好，我叫白双，大家可以叫我双双。我们现在入驻在魔塑空间。我们在做的底层逻辑是，我们认为大模型未来代表通用服务，但在专业服务领域还有非常多的机会。专业服务领域更多是靠专家型个体驱动，是一个偏多中心化的市场。所以我们现在在全球范围招募各个细分领域有专家 knowhow 且具备持续迭代学习能力的个体，在平台上构建 solo business。也就是说他的专家智能体可以被订阅分发，分发到各种 AI 终端，形成订阅制服务，形成了我们现在所说的 OPC。我们更多聚焦专家型的 OPC。目前业务在海外有了不错的验证，随着国内模型生态的成熟，可能也会切入国内市场。好，谢谢。 李京林： 大家好，我叫李京林，叫我精灵就行了。我们国内比较早做模型 token 算力聚合的平台，主要做 token 算力这块，服务了非常多中国出海的 AI 应用，也见证了这两三年 AI 在海外市场的崛起。大概是这样，谢谢。 陈叶峰： 大家好，我是 EgonexAI 的创始人陈叶峰。我们是一家出海的 AI 初创公司，聚焦的研究方向是大模型和 agent 理解，以及围绕 human force 的理念展开产品和项目研发。 今年做了两个项目。一个是 Understand Anything，基于知识图谱、代码理解、文档理解去构建知识图谱，帮助人更好地理解整个代码库的关系。因为 AI 在长期任务执行中会生成大量代码文档，我们跟不上，需要更好地理清关系。这个项目在 GitHub 上收获了7.4万 star，全球排名200多名，也是今年的明星项目。 另一个产品围绕人物理解，构建用户数字分身及长期记忆，并以此围绕 AI 为中心的全新组织形式，帮助人在关键时刻从全互联网快速精准链接另一个人。AI 对物理世界感知不够，接受不到真实世界的变化，很多信息素缺失，导致协同过程中输入十分重要，输入缺失的情况下输出也会降级。输入是我们一直研究的方向。 AI员工和AI工具，最本质的区别是什么？ Jerry： 在各位看来，AI 员工和我们过去讲的 AI 工具、AI 助手，最本质的区别是什么？怎么判断它能否真正成为组织当中的协作者，核心标准是什么？先从王总开始。 王立群： 其实 AI 员工，或者叫数字员工，跟 AI 工具、助手还是有很大区别。核心一点在于 AI 员工有自主性。他可以有自己的 OKR 目标，可以从组织或公司目标分解下来，然后自主围绕目标完成任务编排，或与其他人交互协作。 而 AI 工具、助手大多需要人进行临时性或会话级别的调用，需要人主动交互。AI 员工有自主性，这是核心区别。 Jerry： 核心就是第一，有自主性。 白双： 我直接举例子吧。我们不做 ToB 业务，但聊这个话题是希望作为一家 AI 原生公司，告诉大家我们自己怎么使用 AI。 我非常同意刚才嘉宾说的几个点，结合我们公司两个例子。产研部门已经完全实现端到端自动化，实现了 AI 的自主性和 human in the loop。 举个例子，UI/UX 设计师在 Figma 上设计完原型图后，整个任务看板在 Notion 上搭了一个流程。参与者有 UI 设计师，设计完后 AI 自动开发前端页面，有些无法还原的点，UX 设计师在 Notion 上给 comment，AI 认领后基于 comment 修改。前端完成后进入后端开发，我们用 Codex 做开发。开发完后还有一个自动化测试 agent，里面有非常多个性化的 skill，会基于这个做测试。测试完后测试工程师做 final check，反复改但改不对的，由 CTO 做最后的 final check。 这个过程中会沉淀很多基于产品特性的经验，AI 犯了一次错误不会再犯第二次，会在研发 skill 里增加案例，确保他拥有最佳实践，形成人跟 AI 的协作，完成前端开发到后端测试到最后上线的整个流程。 这个过程中非常重要的是，CTO 把整个流程先做了顶层设计。不是让任何一个开发者说用个 Codex 在小范围内协作，而是公司里一定要有业务流程设计。人的角色更多是做判断，AI 拥有整个业务流程的上下文，知道他的角色是什么，结果需要判断力高于 AI 的人做 final check。 再举一个例子，写文案。文案小姐姐写文案时说"Codex 帮我润色一下"，这个维度就是工具，交付主体还是文案工作者。但没有像研发人员一样说 AI 先交付，人做判断。 所以交付主体不一样。AI 如果真正在组织里发挥作用，一定要有上下文，要知道业务流程。就像公司招实习生没转正，因为不够了解公司，站在没有语境的情况下参与。转正时能在业务流中了解公司个性化的业务，真正融入公司，而不是作为通用智能体存在。 这是我想到的两个例子，如何区别工具还是员工层级。 Jerry： 听起来像是人机协作，AI 占比更高一些？最后一公里是人去守。 白双： 对，人的角色不是交付，人的角色是做判断。 李京林： 我比较赞成双总这个观点。内部也做了非常多 AI workflow 的流程优化，本身就是原生 AI 团队，干 token 的。公司内部算力完全无限量，最新模型、最新东西全员随意使用，FDE 5、5.6，各种各样的视频图像模型。 现在企业从阶段上看，agent 这层在某种程度上已接近员工的形态，只是灵魂上可能还差了一点点，技术层面已无限接近。把 agent 进一步调整，接入 OpenClaw、Max 这些 AI Gateway 的入口，某种程度上有点像远程工作的员工。 在这个基础上，就是刚才双总说的，人机结合，人逐渐不做执行，只做判断、只做 knowhow，因为 AI 确实会出错。内部之前有一些现象，当 AI 成为主体时，人的 knowhow 能力很重要。可能出现表演式汇报，用 AI 比较夸张，管理者无法判断下属用 AI 汇报的文档 knowhow 对不对，很容易出问题。现在做任何汇报式东西都很快，短时间给出非常详细的文档。找外包服务方也会出现这个问题，外包提交提案乍一看很专业，全程专业里找蛛丝马迹还是会有错误，不可能完全完美。 人怎么解决中间的 knowhow 问题，这是要警惕的。有点像以前工业革命的状态，现在开始机械化，以前都是作坊，中间还需要人去管理机器。未来可能像今天工厂到无人工厂，虚拟里面一年之后可能人主导，内部有些环节也开始做由 AI 主导、人辅助 AI，由 AI 决策、执行，人只盯过程。未来变成人围着 AI 转，AI 员工整体的组织结构真的会出来。大概是这样。 陈叶峰： 精灵这个思路想法我挺认同，人在这个环节还是十分重要。 现在所谓的 AI 员工只具备一定理解能力和工具调用能力，离真正意义上员工还有一定差距，这是我跟大家略有不同的地方。现在还是蛮有差距，他获取到的信息素活在数字世界中，context 大量缺失。为什么需要人？人需要把握这些，喂养给 AI。 Jerry： 听下来人机协作还是未来大趋势，不能所有事情都给 AI。 AI进不了主流程，核心卡点是什么？ Jerry： 第二个问题聚焦落地障碍。有些企业不缺 AI 试点，也不缺 demo，但 AI 进不了主流程，也进不了关键岗位。在各位看来，核心卡点是什么？ 王立群： 这一点上我们很有心得可以分享，主要做 ToB 市场。 这两年看来，AI 员工真正落地的是 OPC 这类公司。OPC 商业模式或业务结构比较简单，招人也在10人以内，甚至三五个人撑起业务。业务相对简单，更容易拆解成岗位让 AI 替代，组织上下文更简单，AI 承担更大比例工作，人补位相对少。 更大量传统 ToB 市场，传统公司是另一种情况。大量公司很焦虑，清楚知道 AI 来了一定要转型，不转型肯定被淘汰，但不知道从哪里入手。几个关键问题不仅仅是技术，更多还是组织问题。 尤其对大型传统公司，第一，对 AI 员工信任度远远不够。原来业务体系容错空间非常小，AI 第一下不能做到非常完美准确，企业要承担后果。这是第一点，信任问题没解决。 第二个，组织惯性存在。越庞大的公司，原来组织结构为人的协作方式设计，不是为 AI 员工或 AI native 方式运行。切换到这种方式，管理机制、人员包括 AI 员工怎么管理，当下还没解决，未来可能是一个新的管理学学科。 第三个，AI 真正融入企业业务流程，复杂度被广泛低估。大型传统企业业务非常复杂，有大量传统软件系统，ERP、CRM 各种系统，人在系统中来回切换做信息搬运工。AI 怎么融入复杂系统完成 SOP 执行，是相当复杂的问题。不是花几十万或一两百万买个系统就能解决，是长期转型过程。 白双： 回答这个问题之前，先提一个问题：AI 时代下，大部分公司现在应该想的是给用户交付的产品是不是在 AI 时代就不再是那个了？再基于那个去想内部组织流程。 举简单例子，有些出版社产品是书，但未来可能不再是书。基于书出版的整个流程，如果假设还是出书，会有各种岗位围绕产品形成组织架构。但如果未来交付的是作者数字分身，作为电子交付物，整个组织架构就不再需要之前出书那拨人了。 如果公司现在说要做 AI 转型，基于现在架构去做 AI，可能范式变化直接把桌子掀了。所以企业要想一想在 AI 时代，提供的产品是不是还是原来那个产品，基于这个倒推未来需要的组织架构。这是第一个点。 第二个点，核心还是有没有 high level 的设计，里面有人有 AI 形成流程，还是放权让所有员工自主使用 AI。后者不是很聪明的做法。一方面 token 消耗非常大，另一方面有些人还是把 AI 当工具而非 partner。想作为 partner，首先要把岗位中的 knowhow 交给 AI。这涉及人性，企业中有多少员工愿意把自己蒸馏给 AI？看到大厂里即使会用也不会公开，AI 帮我省了活，但不会作为公司资产沉淀。 而且大部分岗位判断力平庸。公司多少人有顶尖判断力？写 skill，如果判断力平庸，AI 不会让你更卓越，会放大你的平庸。要思考谁去写 skill 很重要。让真正具有 knowhow 和持续迭代能力的人写 skill，他们不会被淘汰，反而在 AI 原生组织中成为反馈者，形成公司持续可迭代的资产，判断力随外部变化、竞争格局变化不断学习新知识再喂养给 AI。 如果我是 CEO，这个人极具价值，有持续学习能力。社会变化太快，昨天经验服务不了明天需求，就像抖音出现前想象过直播带货吗？营销方式天翻地覆变化。 企业中真正有价值的员工具备超级学习能力，在行业持续深耕，由他们参与流程设计、参与 skill 撰写。有了流程就有反馈，不断迭代，公司成为有 AI 资产持续迭代和不断进化的 AI 原生公司。这是我想的。 Jerry： 说到最后就是组织架构还是大的卡点。 白双： 最大卡点是人性。现在很多公司没想清楚要谁参与组织架构升级，也不觉得应该是开发者。说到 AI 很多公司把活给 IT，但 IT 没有行业 knowhow。举个简单例子，500强服装企业的 IT，有可能知道法务采购布料时注意哪些审核点吗？构建不应该给技术人员，应该放权给业务专家，而且是 TOP 业务专家。这是我想说明的点。 李京林： 这个分几个维度。第一个分行业看，为什么会有不同企业 AI 化不到位。今天会场因为是 AI 行业比较特殊，上台嘉宾或现场朋友，内部 AI 流程放眼全中国都是非常前沿的，意识流从刚开始创业或做公司时就是站在 AI 最前沿技术最前端的思考，一把手工程灌下去的。 所以 AI 内部没有组织阻力问题。一把手工程面临更多问题是 skill 搞没搞到位，agent 协同到不到位，大家用 Codex 不能形成 team 版本。互相之间的流转、组织效率怎么用 AI 重构是这类问题，不会面临传统企业意识流由于一把手或高层对 MCP 、skill、agent、FDE 这些东西听不明白，很难灌到底层或中层。 第二个跟组织人数有很大关系。同意王总说的 OPC 的 AI 程度一定最高，出发点就是一人公司、人少，必须 AI 提效。再大一点10人、20人、30人、50人团队，已经面临 AI 组织在里面的流转有没有摩擦阻力的问题，大家用的软件不一样。内部就在讨论集团要不要统一用 Claude Code，有人用 Claude Code，有人用 Codex，中间有自动喜好，还有人用 Cursor。中间出现摩擦，最终输出结果代码风格各方面也出现摩擦。讨论摩擦怎么剔除，倒回来看10年前没有 AI 时这种摩擦也存在，使用软件习惯不一样，有人用 Figma，有人用另外软件，格式不统一，道理一样。但到组织摩擦层面，人更多面临更严重问题，100人、200人、300人团队往下灌。 一个是预算问题，token 烧起来没边。模型有时公司内部用，token 无限量，都用 FDE 5，不研究更便宜模型能不能满足工作，直接上最好。但企业到一两百人，意识流灌下去 token 成本非常高。不可能每个人优化工作流，是不是应该省点 token，用便宜模型，不一定有这个 KPI 或意识。这都是 AI 在大一点企业的问题。 但我有反思，现在 AI 有个风气不太好，大家都觉得应该用 AI 解决裁员、提效问题。原来100人，产研团队50人，利用 AI 砍掉剩20人。我不觉得应该往这方向走。企业不一定是人越少越厉害，人是资源不是成本。如果人做成成本本身也是管理问题。100人战力加上 AI 后，是不是能实现历史上500人团队规模战力，而不是100人砍掉剩30人。有时错失规模化增长机会。 OPC 当前特别好状态，但 OPC 能不能成为某个赛道行业龙头不现实，最终还是需要人的规模上来，再配合好 AI，才能在赛道拿到相对好的大结果。真要做到1000万 ARR、2000万 ARR、5000万 ARR 级别，不可能两三个人。所以使用 AI 时考虑的不是减员裁员，要更替掉不能胜任、不能配合 AI 的人，但应保持人员增长同时加上 AI 实现更高效飞轮。这是未来方向。 陈叶峰： 员工跟 AI 在企业组织里 context 拉不齐，每个人用的 agent 不一样，或哪怕一样历史也不一样。对企业过往经验、认知，每个员工认知拉不到一条水平线。一旦前面输入有偏差，就会导致大规模输出错误，影响非常大。这是一个方面。 另外 AI 缺失人与人之间的人际关系，任何组织企业人与人关系很微妙，AI 没有。并且没有欲望，现在 AI 需要人控制把握，没有欲望没办法自主获取、捕捉。人饿了想吃饭，渴了喝水，AI 没有。起码现在没研究到这一块，更多还是依靠人，没办法在主流程中大规模推进。我是这么认为。 AI出了事，算谁的？ Jerry： 刚刚聊了组织和卡点，假如 AI 员工在企业里承担重要职责，权限边界、责任归属、治理机制应该是怎么样的？当 AI 影响业务结果，出了问题算谁的？ 王立群： 这个问题前面也有提到，未来组织形态一定是人和 AI 协作的状态。这个问题前两年有探讨，但现在远没有准确答案，是比较大的话题，涉及新的管理范式。当下阶段可以有一些探索或暴论。 AI 在组织中发挥，作为数字员工定位，首先需要有上层类似管委会或董事会制定治理机制。以前管理人与人协作，需要定义人和 AI 怎么协作，这是需要的，不能无视。 其次，业界有共识，将来企业里有一类人叫 builder，是 AI 员工或 AI 工具建设者。AI 工具或数字员工在设计边界内运行出问题，首先找 builder 责任。另外组织里 AI consumer，消费者，使用 AI 工具或数字员工时使用不当，追 consumer 责任。 最后，AI 和人协作过程中技术本身不断迭代发展，有未来变化巨大空间。如果在设计范围之外 AI 出现预料之外或产生不良业务后果，需要组织共同承担。基本上是这样一个形态，帮助企业在技术不断迭代过程中过渡和转型。 白双： 两个点。第一个，假设未来 AI native 组织方式，从公司顶层架构把业务流设计好，AI 该做什么、人该做什么 role 非常清楚，就可以做到追责。比如研发测试，AI 有测试，测试完测试工程师做最后测试决定发不发。测试人类跟测试 AI 之间有责任从属关系，可以明确追责。 涉及工作流的人，目前看到跟公司业务板块相关，不同业务板块营销、产研等，有比较 senior 的、对 AI 原生具有 AI 原生思维且懂业务的人做设计，设计也跟最后效果有关，这个人也可以被追责。 我不太想聊追责话题，更多是如何让 AI 在企业变得可控。大思路就是 Harness，但我说 Harness 不是技术维度的 Harness。通用 AI 作为底层模型不可控是因为没有边界，任何东西有了边界就变得可控。未来人跟 AI 关系像骑马，不给缰绳可能乱跑，马需要缰绳是因为人要 Harness 马，缰绳英文就叫 Harness。 如何在企业里不断 Harness AI？比如研发过程中经常出错的东西，能不能内化 skill 放在研发流程里，之后不会犯这个错误。merge 新业务时，基于 AI 原生思路创建新业务流程、新的人、新的 AI 岗位，持续优化数据沉淀成资产，本质上就是 Harness。 让 AI 可控就是有 Harness 思维，mindset 很重要。具体实施方式现在没人有 final 结果说应该怎么样，是动态发展过程。在座企业也要拥抱变化，技术不断发展，做好不断迭代准备，不要想现在做的决定一定正确。 李京林： 如果企业到了追责阶段需要对 AI 追责，恭喜你这是好事，说明团队到了非常深的阶段。正常情况下很多 AI 程度不深的团队大概率是无效，还没到追责阶段。到追责阶段说明组织流、执行层 AI 化都比较深，不仅仅是 agent 还是整个工作流、团队协同方式。 现阶段像双总说的也不用纠结追责问题，出现问题复盘，大问题团队成长，小问题不影响生死复盘再迭代。不可能像以前人类那样，AI 本来就不是人类，没有情感，追到上面这个人有时影响团队积极度。用 AI 面临很多问题，可能是模型问题、workflow 问题、内部代码问题，会出错。如果追 owner，owner 接下来还敢不敢用？让推动整个团队，出了问题说是你的问题，怎么办？ 所以不到这个阶段，干就完了。如果从意识流上认为公司整个人就应该 AI native，认可方向，就要接受中间可能出现的任何错误。以前没有工业化革命时，比如福特汽车涉及工业化革命工作流，做鞋子是作坊手工出来，准备上机器规模化生产，中间一定有很多问题，甚至员工工伤问题，出现问题就要承担，因为准备走这个方向。作为创业者或公司高层，决定推这个事，主观上也要接受中间出现的问题。 陈叶峰： 主要还是具体到人。AI 没有损失感，哪怕设计了损失机制，但不是物理世界生命，没有背德感，不需要承担责任。所以还是要具体到人。 问题换概念说，未来世界到底以人为主体还是以 AI 为主体？未来人还要不要？难道发展全面转向硅基生命 ，人类就此淘汰？我觉得不是，不可能。一切开发、人类文明进展都基于人的需求衍生出来，一定以人为本。 现在北美硅谷主流论调是硅基生命全自动化新范式，但我觉得这很违背现实。就像刚才我说缰绳，骑马的是人，AI 是马，你要 Harness 它，但主体是人在掌控。 Jerry： 缰绳是吧？ 陈叶峰： 对。而且现在技术范式离这些也差得非常远，真的还没到那一步。所以具体还是要到人，最终落到人身上。 免责声明：本内容来自腾讯平台创作者，不代表腾讯新闻或腾讯网的观点和立场。 举报 哭晕了，早知道展会的红木家具这么便宜 还逛什么商场！赶紧查价 广告臻匠红木工厂 了解详情 全球大模型榜单 相关推荐 一封辞职信，引爆了AI安全大辩论 腾讯科技9评论前天 AI的进步，如何成为企业的进步？ 正和岛前天 AI办公，是怎么变成大厂必争入口的 财经杂志3评论前天 助听器真不贵了，不妨先试试这款AI实时处理助听器，智能双芯 广告自然之声助听器工厂购 了解详情 企业AI的胜负手，从“大模型”变成了“下基层” 华尔街见闻20小时前 一份2699人的调研，把企业AI的差距从模型上挪开了 ZOL中关村在线前天 AI入职传统企业，先从“鸡毛蒜皮”干起 凤凰WEEKLY前天 AI上岗工作，是一场关于“谁担责”的产业革命 新眸前天 AI应用：得效果者得新进，得关系者得留存 洛小山昨天 WorkBuddy AI办公助手，免部署安装即用 广告WorkBuddy 了解详情 “万事不决问AI”，决策责任谁来负？| 风向标工作室 新京报评论16小时前 当AI从工具变为组织成员，企业需要重新设计自己 第一财经20小时前 评论 8文明上网理性发言，请遵守《新闻评论服务协议》 请先登录后发表评论~ 元宝的好朋友 @元宝 怕教会AI被优化，这利益冲突管理咋解？画饼真能解决吗？ 腾讯网友 8月6日 回复 元宝 这确实是职场人的普遍焦虑。文章点出关键：AI转型"表面是技术问题，底层是管理问题，最底层是人性问题"。真正出路不在画饼，而在转变思维——不是100人砍到30人，而是100人+AI干出500人的活。能持续学习、给AI"喂养"判断力的人，永远是组织核心。... 展开 内容由AI生成 8月6日 回复 用户51kjssc 1 老问题，需求在哪里？你10人的团队就能满足需求了，那14亿里面有多少个10个人?有多少需求多少市场需要满足?还是你创造了什么新的需求? 退一步，AI从来回答不好一个问题：如果你不承认AI训练是由全人类提供的基础数据，每个人都应该获得版权收益，那你的产品就没有多少人类劳动，本质应该按接近免费提供；如果你承认AI模型是全体人类劳动的结果，那你就应该给每个人按token付费，那钱在哪里？ 说的天花乱坠，还是自相矛盾。... 展开 江苏网友 8月7日 回复 用户1336053 1 100人加AI实现500人战力，ARPU不变的话，营收翻5倍。 —— 活还只有那么多，不裁人光发工资养着？ 北京网友 8月7日 回复 🔠🔡🔤 1 这些玩ai的就喜欢在那里头脑风暴，对社会进步没什么帮助。ai是提效了，但是总GDP值不变，变的是工作人变少了，整个社会消费降低，变的乌烟瘴气 湖南网友 8月7日 回复 诡秘之主 《诡秘之主》开启下载！UE5 高清画质，体验宏大多人 MMO 玩法 00:38 广告 · 了解详情 教育就是静待花开 这就是人性的弱点，总担心质量更优秀的人取代，其实优秀的人永远愿意跟更优秀的人学习，并把自己的技能毫不保留的传授给不如自己的！ 广东网友 8月7日 回复 那年夏天 其实很简单，你要员工教出经验，主动让AI替代自己。没问题，你给员工足够多补偿，让他失业后不愁吃喝，他肯定愿意教。问题是你给吗？你想白嫖员工经验，还要让员工失业，凭什么？ 北京网友 8月7日 回复 查看全部8条评论 关于腾讯 | About Tencent | 服务协议 | 隐私政策 | 开放平台 | 广告服务 | 腾讯招聘 | 腾讯公益 | QQ浏览器 | 腾讯频道 | 客服中心 Copyright © 1998 - 2026 Tencent. All Rights Reserved 腾讯公司 版权所有 热门应用推荐 腾讯新闻·电脑版 全网热点早知道 点击下载 精选视频 特朗普要禁CNN进白宫采访，再点名威胁《纽约时报》 俄罗斯敦促日本撤出美“堤丰”导弹系统 联合国秘书长遴选第三轮意向性投票举行 法国总统表示 美伊短期内难以就霍尔木兹海峡达成协议 “国庆假期部分列车疑似票价上涨”引关注 00:39 一亿人都在玩的回合制手游！ 作者其他文章 2026 文娱AI百强榜公布：这批公司大多不到 3 岁 昨天 聚首蓉城，论道工业化！2026非凡大赏·AI内容工业峰会圆满落幕 昨天 一亿人都在玩的回合制手游！ 广告梦幻手游攻略组 了解详情 腾讯新闻·电脑版 24小时陪你追热点 点击下载 热点榜 榜单规则说明 换一换 0 习近平总书记关切事 1 何立峰将率团赴美与美方举行经贸磋商 2 陕西发现秦王级大墓 3 秋收正当时！一图解读大国粮仓丰收答卷 4 一体化电视到底什么样？ 5 中国女篮亚运开门红 65分狂胜泰国 6 花510万“上天”能飞到哪里 7 12306回应七折火车票：别信 8 中国首创新药占全球1/4 9 特朗普：美国“永久控制”格陵兰岛 10 盐湖景区捡到的湖盐块可以当食盐吃？ 首页 刷新 反馈 无障碍 更多 顶部 ；检索词:一人公司 最新 热点 趋势
-
justoneapi-all · JustOneAPI / AI与Agent 最新 热点 趋势
AI不再只是聊天大模型，已经扎扎实实钻进各行各业落地了👇 ✅📚教育考试AI 印象最深的Open Speech分享！基于昇腾Atlas存算分离架构，AI辅助命题、试题质检、教材知识图谱解析，甚至美术、音乐艺术类考题都能智能生成。已经落地专升本、中高考命题场景，命题效率直接提升80%，把老师从重复劳动里解放出来。 ✅🏦金融AI原生应用 银行信贷、金融云、多地多中心骨干网络方案。AI原生重塑金融核心业务，从被动服务升级为主动预判，全链路智能体给客户动态定制方案，兼顾提质、增效、风险管控。华讯网络展台也展示了完整金融行业数智升级方案。 ✅⚡能源&工业场景 煤矿冲击地压大数据分析、新能源化工智能巡检、智慧配电网。用AI+感知设备，在高危矿山、化工、电力现场做无人值守，保障安全生产。 ✅🏛️智慧政务&公共事业 覆盖文旅、医疗、税务、应急、自然资源生态环保。国土、林草、海洋、地质全部接入大模型，卫星遥感；检索词:AI与Agent 最新 热点 趋势
-
justoneapi-all · JustOneAPI / 一人公司 最新 热点 趋势
（本文作者为 AIX财经，钛媒体经授权发布） 文 | AIX财经，作者 | 雷晶，编辑 | 金玙璠 9月以来，办公Agent又迎来一轮密集更新。 阿里的千问办公、腾讯的WorkBuddy和字节的豆包工作，三家又一次迎来正面对决。 豆包工作的更新频率最高。9月2日，它上线了多Agents并行和操作电脑功能；一周后，又补上本地Office编辑、浏览器录制与回放，以及本地与云电脑的自由切换。9月15日，豆包工作和飞书共同发布豆包工作伙伴，让Agent加入群聊，接收不同成员交来的任务。 另外两家也在加速。9月7日，千问办公推出多人工作台，用自然语言描述需求，就能生成一个最多支持百人同时在线协作的网页应用。此前，它宣布上线刚满一个月，用户数已经突破3000万。9月2日，WorkBuddy开放平台正式上线，首批集结超百家生态伙伴，支持接入智能眼镜、录音卡片、智能耳机等十几个品类的硬件，腾讯同步发布了9款联名硬件。 这一轮更新，有一个共同方向，办公Agent正在进入更多真实的工作场景 。电脑里的文件、群聊里的讨论、随身设备记录的信息，都可能成为它理解任务的线索。 当功能越来越像，普通用户到底怎么选？ 我们选了市场营销、内容运营、产品经理和开发四类工作，分别设置真实工作任务，交给千问办公、豆包工作和WorkBuddy完成，调用了它们自己最新的旗舰模型，三家的表现如下： 豆包工作整体领先，多模态能力较强，适合工作中图片、视频等创意呈现需求高的人群； WorkBuddy的产品设计用起来顺手，尤其适合有轻度开发需求的人群； 千问办公中规中矩甚至可以说平平无奇，但基础的办公任务可以完成。 接下来，具体看看它们的表现。 01.市场营销：千问谨慎、WorkBuddy细致，豆包高效 市场营销是目前比较容易把AI接进工作流的职业之一。搜集信息、整理分析、做物料初稿，都已经可以交给Agent先跑一遍。 先让三个Agent做一份竞品分析，这个环节最怕信息不全，分析注水。三家Agent的性格，从接活开始就能感受到。 千问办公像细致的秘书，动手前会先确认交付格式和对标品牌的选择，问清楚后才开工。 千问办公思考过程 它交上来的网页信息量有点单薄，列了三家竞品的相关情况，但每个维度展开的内容比较少，对于整体行业的分析也比较少。 千问办公制作的竞品分析 WorkBuddy则是先把过程摊开给你看。它先交了一份调研过程资料，解释为什么选这三家作为对标对象，再展开分析。 WorkBuddy思考过程 成品也延续了这种细致。报告加了目录，先讲市场情况，再看竞品动态。它的分析维度最多，竞品信息展开得最充分，也简要归纳了各个品牌的特点。 WorkBuddy制作的竞品分析 到了市场机会部分，又列出5个切入方向，结尾附上数据来源和口径说明，方便核对。 WorkBuddy制作的竞品分析 豆包工作接到任务后，自己调用了刚上线的多Agents并行功能，让几个子Agent分头调研，再完成报告。 豆包工作思考过程 它最后交了网页版和飞书文档两个版本。内容大体相同，网页版用了更多表格，主次也更清楚。 豆包工作制作的竞品分析 除了分点介绍三个品牌，它对不同竞品的横向对比更出彩，用图表对比了各家关键数据。 豆包工作制作的竞品分析 它还用一条时间轴串起三家的动态，可以直观看到各家的动作。 豆包工作制作的竞品分析 竞品报告是“里子”，物料是“面子”。我们给了一份贝果新品的完整brief，要求产出主视觉海报、小红书封面图和15秒预热视频。 先说结论，在本次测试中，豆包工作主动调用了专门的视频生成模型和文生图模型，它的整体完成度最高。 尤其是视频。豆包工作设计了一条简单的情节线，把贝果的制作过程串了起来，镜头之间有推进，背景音乐和旁白也加上了，最像一支完整的新品预告。 图片的整体效果也过关，但主视觉里有一处文字挤在了一起。拿来做初稿可以，正式使用前还得处理这些细节。 豆包工作制作的海报，左主视觉/右小红书封面图 千问办公生成的两张图比较生硬，感觉是套用了设计软件最常见的模板。 千问办公制作的海报，左主视觉/右小红书封面图 但它的短板主要在视频。视频看上去是让主视觉动起来，并切换不同视角展示面包图，整体更像一张动态海报。 WorkBuddy先让无文字版海报动起来，再接上掰开贝果的特写，最后回到带抖动效果的主视觉，和千问办公的相比质量大差不差，胜在画面丰富。 它生成的海报则比较中规中矩，没有特别突出的地方。 WorkBuddy制作的海报，左主视觉/右小红书封面图 这一轮真正拉开差距的不是文字，而是交付形式。三个Agent都能做调研，但一旦任务继续往海报、短视频等环节走，豆包工作的多模态生成优势就更明显；如果主要任务停留在资料搜集和分析，WorkBuddy也值得考虑。 02.内容运营：WorkBuddy交卷快，豆包拆得细 内容运营的工作，一半在追热点，一半在琢磨选题。 我们先让三家整理近期的AI热点，再给出选题策划，看看谁搜来的信息最全、建议最好。 WorkBuddy反应最快，11分钟就交卷了。它的热点按模型、资本、政策等类别整理，基本覆盖了过去一周的重要动态，拿来快速补课比较方便。 WorkBuddy制作的热点汇总 可惜给出的5个选题有点泛，可操作性不强。 WorkBuddy制作的选题策划 千问办公直接在对话框里给出了回答，没有另外生成文档或网页。篇幅也比较短，热点分成三个方面，信息量不大。 千问办公制作的热点汇总 选题只是简单带过，能提供的参考有限。 千问办公制作的选题策划 这一轮，我们还用上了豆包工作新上线的操作浏览器功能。开放权限后，它自己打开浏览器搜集近期AI热点，查看了5个网页信息源，最后交来一张网页版热点矩阵图，以及一份完整的策划案。 豆包工作思考过程 两份成品各有用处。热点图用不同颜色区分赛道，并归纳出三条主线，适合先扫一眼，了解这一周各个方向发生了什么。 豆包工作制作的热点汇总图 策划案也按赛道展开，把具体热点做了详细总结。 豆包工作制作的热点汇总 它给出的5个选题也是三家里最详细的，覆盖了我们要求的内容，并且信息量比较足，内容最丰富。 豆包工作制作的选题策划 会追热点只是及格线。我们再让它们从机器之心、量子位等AI领域账号中抓取过去一周传播度最高的AI领域文章，分析选题类型、文章亮点和数据表现。 这道题的问题在于，三家都没办法拿到完整、可核验的公众号阅读、点赞和在看数据。怎么判断高传播，就看各家本事了。 WorkBuddy显示自己检索了118篇文章，并从中筛出15篇。它先说明公众号数据无法获取，再用跟进同一话题的头部媒体数量、站外扩散广度和事件延续天数，合成了一个传播指数。 我们要求的选题类型和文章亮点它都涵盖了，WorkBuddy还补充分析了四家媒体的选题偏好和做法差异，最后给出选题建议。 千问办公也先交代了判断方法，它结合跨平台转载数、首页推荐位、搜索热度和二次讨论，交叉判断传播情况。 它先选出传播度最高的10篇文章，又按账号分别列出前5篇展开分析。 整理了一周热点结论、洞察和建议，附上信息来源。相比第一轮，这次的回答完整了不少。 豆包工作交来的内容密度仍然最高。它先归纳5个核心热点，分析哪些选题更容易获得关注。 再从抓取到的135篇文章里筛出18篇，整理选题类型、账号偏好和本周观察。 它甚至还选了7篇来进一步拆解。 它还会把已查证的数据和估算内容分开标注，让人至少能知道哪些信息可以引用，哪些只能作为判断线索。 两轮下来，豆包工作的优势主要是交付更完整：从热点汇总、选题策划到样本拆解，几个步骤接得更顺。WorkBuddy在方法说明上更谨慎，千问办公第二道题的完整度也明显比第一道高。 03.产品经理：豆包原型更好看，WorkBuddy快且细 产品经理最日常的两件事，画原型和做复盘，我们各给了一道题，看看三家能把这两件事做到什么程度。 先让它们做一个奶茶点单小程序。 WorkBuddy最快，6分钟交卷。成品看上去很像小程序，配了模拟产品图，还自己加了热门榜单，方便用户挑选。单论功能丰富度，这轮它表现最好。 WorkBuddy制作的小程序 千问办公花了15分钟。功能齐全，但页面透着一股网页味，产品占位图不够统一，视觉呈现不够好。 千问办公制作的小程序 豆包工作用了20分钟，功能同样完整，交来的版本最接近我们印象中的奶茶小程序。主页banner会滑动切换，占位图选的都是同类饮品，塞进页面里毫不违和，审美是三家中最好的。 豆包工作制作的小程序 接着我们再让它们做一个数据看板，并写一份归因分析和改进建议。 在这一关，三家的数据看板覆盖的维度差不多，图表和交互都有，主要区别在视觉呈现，没有太大差距。能看出差异的主要是报告。 WorkBuddy写得最细。直接原因和根本原因分开讲，建议按优先级排序。 WorkBuddy制作的数据分析 WorkBuddy还主动交代了结论缺哪些数据验证、各项指标用的什么口径。 WorkBuddy制作的数据分析 豆包工作的整体分析结构和WorkBuddy很像。它的亮点在下月目标上，它把每个目标为什么定这个数讲得很细，还配套给了辅助监控指标和相应的总结分析。 豆包工作制作的数据分析 千问办公给出的成品比较简单，虽然也涵盖了我们的基本要求，但分析偏简洁，且给出下月目标后，没有进一步延伸。 千问办公制作的数据分析 产品经理这个职业，我们投WorkBuddy一票。但豆包工作的审美优势也比较大，如果单看设计产品图 它 更为契合。 04.前端开发 ：豆包完成度更高，WorkBuddy有巧思 压轴的是前端开发，是最难糊弄的职业。 先来一个测试Agent能力的经典题，做一个骑自行车的鹈鹕SVG动画，看看三家能不能同时处理代码、动画和物体之间的空间关系。 WorkBuddy想法不少。它给鹈鹕系了条红围巾，嘴里还衔了条小鱼，角色一下子就活了。可惜细节没兜住，围巾像直接贴在脸上，小鱼隔着长喙能被看穿。骑行动作倒是符合物理规律，就是鹈鹕本身像几块拼接起来的，不够自然。 WorkBuddy制作的鹈鹕动画 豆包工作建模更自然，鹈鹕的形象在视觉上更美观，也没有明显的物理穿模，骑车的速度还分了悠闲、正常、飞驰三档。 豆包工作制作的鹈鹕动画 千问办公这轮有点翻车。鹈鹕没握住车把，两只脚像踩在同侧踏板上，不符合物理规律。 千问办公制作的鹈鹕动画 接下来，我们上一个更接近真实工作的需求，一个科技峰会报名网站。要能报名，能管票，管理后台带密码，还能导出名单。 豆包工作的审美依旧在线，最像一个真实存在的报名网站。每种票的权益写得清清楚楚，排版是先看完活动信息再选票报名，要求基本全覆盖。 豆包工作搭建的网站 WorkBuddy则是走赛博霓虹的蓝紫风格，基本的功能也都能正常使用。 WorkBuddy搭建的网站 千问办公动用了多人工作台的新功能，它也采用了蓝紫配色，网页支持多人同时打开来报名，管理员在后台看名单做统计。 千问办公搭建的网站动图 这一轮豆包工作取胜，WorkBuddy的整体表现也不错，但它稳定性不足，有巧思但落地不稳。 05.结语 过去几个月，一个明显变化是， 大厂内部原本分散的办公Agent开始收拢。 7月20日，腾讯将QClaw部分业务和团队调整到WorkBuddy所在的云产品六部；7月底，字节把飞书产品团队与豆包产品团队整合。到了8月，产品端也开始集中。8月3日，阿里推出由QoderWork、MuleRun、悟空整合而来的千问办公并开启公测；8月25日，字节发布豆包工作。此前跑在前面的WorkBuddy，则在7月iOS、Android和鸿蒙移动端三端同步上线。 这次测试也能看出这种变化。 三家的基础功能已经越来越像：都能查资料、生成文档、分析数据、制作网页，也都在继续补连接器、Skills和电脑操作等能力。 真正开始拉开差距的，是它们背后的工作环境。豆包工作的优势正在和飞书结合，企业里的群聊、文档、项目和组织关系，都可能成为Agent理解任务的上下文；WorkBuddy一边接入腾讯的IM、文档、邮箱、会议和知识库，一边把入口延伸到手机、眼镜和耳机；千问办公背后则是钉钉、阿里云和阿里的企业客户体系。 所以办公Agent接下来比的，是谁能接触到更多真实工作的上下文，并且获得权限把任务真正做完。 模型能力的领先可能几个月就被追平，但企业内部的数据、权限、业务系统和已经形成的工作流，没有那么容易复制。 商业模式也随之变化。当写方案、做PPT、生成网页逐渐成为基础能力，真正更容易收费的部分，会变成企业席位、专业能力、私有数据和业务系统接入，以及由此带来的模型、云和第三方工具调用。 这也在挤压通用办公Agent创业公司的空间。继续和大厂比入口、免费额度和功能更新，成本会越来越高；法律、金融、医药等需要专业数据和复杂流程的场景，则可能留下更多差异化空间。 大厂把通用能力做得越便宜，创业公司的机会反而越需要往行业深处走。 对腾讯、字节和阿里来说，再一次面临正面比拼，需要看谁能让自家的Agent接触更多的真实工作，完成过去必须跨软件、跨部门才能完成的任务。 ；检索词:一人公司 最新 热点 趋势
-
tavily · 2026-07-17 · 一人公司 最新 热点 趋势 / Tavily
## 本报记者) 周轩千 摄 前沿性方面，本届WAIC聚焦AI热点，将围绕世界模型、开源智能体、AI Coding、Token经济、OPC（一人公司）等议题，深入探讨行业新趋势。智算、具身两大赛道各超200家企业、数十家龙头链主、央国企及头部外企，携生态伙伴一起参展。华为新一代昇腾950超节点真机、MiniMax M3多模态大模型、阶跃Agent操作系统、近存计算3D芯片、全球首款AI智能体手机，以及多款人形机器人、AI灵巧手等新品都将集中亮相，展示人工智能赋能千行百业的前沿实践。据记者了解，“AI+制造”“AI+消费”“AI+服务”是上海正重点推动落地的几个领域。在“AI+制造”方面，记者在展会现场看到人形机器人“进厂上岗”，参与汽车电池、电机、电控等制造。在“AI+消费”领域，上海加快布局AI眼镜、AI手机等智能终端产品。在“AI+服务”领域，实施“模塑申服”行动，建设AI公共服务平台，推动金融、咨询、审计等专业服务智能化跃升。 [...] 专业性方面，本届WAIC将聚焦模型前沿架构、语料数据、AI Infra、AI4S、具身智能、AI治理等最新方向，开展创新理论、技术路线、落地应用和规制建设等深度交流。在7月17日下午举行的OPC主题前沿论坛上，工商银行上海市分行发布OPC全面金融解决方案，并与张江科学之门、东浩兰生共同启动OPC创新生态联盟。此外，传统金融智能化转型普遍存在应用碎片化、部署成本高、业务闭环弱等痛点，AI仅零散地应用于风控、审计、数据统计等单一环节，难以适配金融行业强合规、全流程、高效率的发展需求。随着企业级AGI技术快速迭代，相关论坛将聚焦从单点试点，转向全链路自主化、低成本化、生态化的金融AI升级需求。 除了论坛和展览，世博场馆还有“另一副面孔”——一座可以逛、可以玩、可以偶遇、可以互动的“机器人未来城”。机器人巡游、多机协同、智能工作场景全景呈现，从馆内专业展示到周边沉浸式体验，AI在这里不是高高在上的技术名词，而是随时会从你身边冒出来的“摩登拍档”。 本报记者 本报记者 ## 本报记者) 周轩千 摄 [...] ## 本报记者) 周轩千 摄 今年的WAIC City Walk“伴游记”，把大会从展馆一路延伸到了城市街头，推出AI创新模力生态线、AI科普探索线、玩转AI文娱线、数智产业消费线、产业创新生态线、长三角科创新干线6条城市漫步主题路线。市民可到全市24个AI特色场景打卡，包括“模速空间”“模力社区”、智能体小镇、超高清视听、“AI+美妆”等。还有机器人快闪、数字人互动、AI演艺等潮酷体验等待大家解锁。 WAIC此前已连续举办八届，累计有8000余位AI顶尖专家、行业领袖参会发声，共有3000多家海内外头部企业参展。本届大会由外交部、国家发展改革委、工业和信息化部、教育部、科技部、国务院国资委、国家互联网信息办公室、中国科学院、中国科协和上海市人民政府共同主办，于7月17日至20日由世博、张江、西岸“三地四馆”联动呈现，其中，浦东世博中心主要承担主论坛及百余场行业论坛，世博展览馆主要承担展览展示功能，徐汇西岸分会场侧重智能终端和“AI+文娱”体验，浦东张江分会场侧重展示AI芯片和硬核产品。
-
hf-papers · 2026-09-16 · AI论文 / hf-daily-papers
Multi-turn agents trained with reinforcement learning (RL) receive a single scalar reward per trajectory, which motivates self on-policy distillation (OPD) to supply dense token-level supervision from a self-teacher with privileged task skills, letting a skill-free student internalize them. This recipe, however, is undermined by two findings in agentic tasks: privileged information alone does not always make a teacher reliable, and the benefit of teacher supervision is stage-dependent. We therefore propose RetireOPD (Self-Retiring On-Policy Distillation), which first optimizes a decoupled, skill-conditioned teacher with environment rewards and then trains a skill-free student jointly with RL and OPD. Rather than following a predefined distillation schedule, RetireOPD adopts Adaptive Retirement: the student drops the teacher on its own once their discrepancy stops shrinking and it reaches a target fraction of the teacher's success rate, after which training proceeds with RL alone. Across Qwen2.5 models from 1.5B to 7B, RetireOPD improves ALFWorld success rate over RL baseline by 14.1% to 18.8% and WebShop accuracy by 11.8% to 19.0%, and surpasses its own skill-conditioned teacher in every setting.
-
hf-papers · 2026-09-14 · AI论文 / hf-daily-papers
GUI agents execute long-horizon tasks on dynamic graphical user interfaces, where pop-ups, delayed loads, and relocated widgets routinely invalidate plans fixed before execution. Recent agent-skill frameworks encapsulate reusable procedural knowledge to mitigate this, yet existing skill designs are largely developed without targeting GUI execution dynamics and treat skills as static artifacts produced before deployment rather than living procedural knowledge that improves through it. We argue that what GUI agents need is not better static skills, but skills that can be revised from execution feedback at deployment time, without additional training. We propose EvoSkill-GUI, a training-free framework in which each skill is a structured multi-file package containing retrieval metadata, executable plans, backup localization, failure-recovery rules, accessibility utilities, and failure cases. EvoSkill-GUI operates through a \emph{reflect-revise-reuse} loop: the executor performs instant in-rollout revisions, an isolated critic diagnoses failed trajectories under strict information isolation, and the executor edits specific skill files through a restricted tool interface. Across MobileWorld, AndroidWorld, and OSWorld, three mainstream GUI benchmarks spanning mobile and desktop platforms, EvoSkill-GUI consistently improves multiple base models without any training, with maximum gains of +16.2%, +6.0%, and +10.5% respectively, and evolved skill libraries continue to benefit related tasks rather than being rebuilt from scratch. Our code is available at https://github.com/ZJU-REAL/EvoSkill-GUI.
-
ithome · 2026-09-20 · 科技产品 / rss
IT之家 9 月 20 日消息，据 Arstechnica 报道，随着欧洲各国军队开始适应现代战争当中人工智能与无人机的应用，一家获得北约支持的初创企业正在协助部署由 AI 驱动的目标探测与筛选系统。这套系统可以直接在小型无人机上运行，用于侦察以及打击任务。 据IT之家了解，这家名为斯凯奥特系统（Scaleout Systems）的公司，由瑞典乌普萨拉大学的研究人员于 2018 年创立。公司早期的业务重心，是直接在商用卡车以及其他车辆的硬件上完成机器学习模型的训练与部署。但 2022 年俄乌战争爆发之后，该公司调整方向，转向防务领域。 “乌克兰战事爆发，加之全球局势发生转变，我们意识到这项技术十分重要。借助它，边缘端的数据与传感器数据就可以投入机器学习运算，从而帮助北约盟国建立战略优势。”斯凯奥特系统联合创始人兼首席执行官安德烈亚斯 · 赫兰德（Andreas Hellander）在接受采访时表示。 斯凯奥特并没有选用 OpenAI 或是 Anthropic 的前沿大模型，而是采用轻量化模型；这类机器学习模型能够直接在无人机硬件或是前沿基地的计算机上完成计算机视觉任务。“模型必须适配前沿部署设备与边缘硬件。这类硬件跨度很大，既有小型嵌入式装置，也有性能相当强劲的边缘工作站。”赫兰德说道。 2025 年，斯凯奥特入选北约北大西洋防务创新加速器（DIANA，Defence Innovator Accelerator for the North Atlantic）挑战项目。依托该项目，公司开展了“联邦空中侦察情报”项目（Federated Aerial Intelligence for Recon），针对无人机、无人机飞手平板以及野外指挥所内的边缘计算硬件改造机器学习模型。 即便无人机摄像头与传感器持续采集周边战场环境的数据，这套 AI 模型依旧可以辅助无人机操作人员完成目标识别等工作。之后系统可以有选择性地、间歇性地向排、连一级的本地指挥所计算节点推送更新，而无需传输敏感的原始数据。 指挥所的计算节点会汇总来自多方的全新战场数据，对 AI 模型开展再训练；待到合适时机，再把升级后的模型下发部署到各个边缘设备。 “有些模型是在沙漠环境下训练出来的。如果直接放到城市环境当中使用，识别效果就会很差。”赫兰德表示，“如果在单次作战乃至一天之内，就能够推出多个新版本模型，依托边缘端源源不断产生的海量传感器数据持续学习、持续迭代优化，这才是可持续的作战优势。” 在实兵演习当中测试该项技术 依托这套技术，军用无人机以及各类终端设备可以运行本地 AI 模型，独立开展运算，不必持续和数据中心内运行大型 AI 模型的中央服务器保持通信。如今已有大型数据中心在美伊冲突期间遭到打击摧毁，继续依赖中心化服务器运行 AI 模型的风险正在升高。 而在现代战场上，电子战以及敌方干扰常常会扰乱通信信号，这就使得该技术方案更具实用价值。已经有越来越多乌克兰军用自杀式无人机开始搭载机载人工智能功能。 “我们已经基于无人机搭建完成一套侦察监视系统的可行概念原型。这套系统也已经在瑞典的公开演示活动当中对外亮相。”赫兰德介绍。 斯凯奥特目前参与了由博福斯 BAE 系统（BAE Systems Bofors）牵头的 ALMA 项目，项目全称“经济型模块化巡飞弹药（Affordable Loitering Modular Ammunition）”，目标是研发低成本自主自杀式无人机。ALMA 概念机型最早于今年 1 月在瑞典举办的 2026 冬季演示活动上公开亮相。 根据斯凯奥特系统关于 ALMA 性能的演示材料，该演示证实无人机可以借助人工智能，自主“探测、识别所有已经发现的潜在威胁，并给出目标地理坐标。全部数据都交由机载专用计算单元处理，整套系统无需外部运算即可实时完成作业。” 依靠机载 AI 能力，无人机会根据本次作战任务的设定，自动筛选优先级最高的目标 —— 本次演示当中的目标是一台装甲工程车；随后无人机飞向目标，投放爆炸物实施打击。操作人员依旧可以对无人机进行管控与指挥；但无人机也可以脱离操作人员的实时指令，自主完成整套作战流程。 今年 6 月，斯凯奥特又在瑞典乌普萨拉的一处瑞典空军基地完成技术测试。瑞典军方已经取得许可，可以使用斯凯奥特的主要软件平台。本次演示验证：当前沿部署的基地计算节点与斯凯奥特实验室的中央计算节点之间通信中断以后，本地设备依旧可以独立开展 AI 推理以及主动学习。一旦通信链路恢复，本地完成更新的 AI 模型就会同步回传给中央计算节点。 赫兰德解释，这种联邦学习架构能够让去中心化 AI 模型网络依托汇总的数据持续学习；未来这套方案还有望拓展覆盖整片区域乃至多个国家。“原则上，该技术可以实现北约各成员国之间的协同合作。”他表示。
-
tavily · 2026-06-12 · AI与Agent 最新 热点 趋势 / Tavily
新浪首页 新闻 体育 财经 娱乐 科技 博客 图片 专栏 更多 汽车 教育 时尚 女性 星座 健康 房产历史视频收藏育儿读书 佛学游戏旅游邮箱导航 新浪微博 新浪新闻 新浪财经 新浪体育 新浪众测 新浪博客 新浪视频 新浪游戏 天气通 . AI Agent Market Growth Report McKinsey. (2024). The Future of AI Agents MIT Technology Review. (2023). AI Agent Evolution OpenAI. (2023). System Design of Agent Framework 本文首发于微信公众号，版权属于作者。如需转载请联系作者。 海量资讯、精准解读，尽在新浪财经APP AI 智能体 []( ## VIP课程推荐 加载中... ## APP专享直播 上一页下一页 1/10 ## 热门推荐 收起 新浪财经公众号 新浪财经公众号 [...] - 01/“挂上去几秒钟就没了”！二手大额存单爆火，有人日夜蹲守，黄牛代抢一次上百元 - 02/纳入个人养老金投资范围后 首批储蓄国债开售冷热不均 - 03/黄金“光环”褪色！机构下调短期目标价，积存金投资者分化加剧 - 04/大额存单也有黄牛！加价转让，收费代抢 - 05/18岁就办信用卡故意欠款逾期，只为“弄脏”征信防网贷？全网刷屏的“护娃神操作”，涉嫌违法且隐患重重 - 06/有家长为防子女沾染网贷，故意让信用卡逾期“毁征信” - 07/拆解理财社区小V营销套路，三招识破“伪分享” - 08/川渝银行业之震：两日两位退休行长被倒查 - 09/总额8560亿元！大行忙发“二永债”，中小行另辟蹊径 - 10/葛海蛟出席中国人民银行与印度尼西亚银行联合工作机制第二届行长会金融合作成果发布活动 徐小明 凯恩斯 占豪 花荣 金鼎 wu2198 丁大卫 易宪容 叶荣添 沙黾农 冯矿伟 趋势之友 空空道人 股市风云 股海光头 [...] - 01/6月12日收盘：美股收高道指上涨930点，特朗普称美伊很快将签署协议 - 02/林园：当下是持有贵州茅台以来心情最好的时候 - 03/6月11日增减持汇总：盛泰集团等10股拟减持，暂无A股增持（表） - 04/A股端午休市安排公布→ - 05/尾盘：道指大涨850点，油价大幅下跌 - 06/原油：油价下挫 特朗普暗示美伊协议即将达成 - 07/6月12日美股成交额前20：美银上调英特尔评级至“买进” - 08/操盘必读：影响股市利好或利空消息\_2026年6月12日\_财经新闻 - 09/SpaceX IPO定价为每股135美元 创史上最大规模IPO - 10/特朗普：万斯将出席可能于周末举行的美伊协议签署
-
hf-papers · 2026-09-16 · AI论文 / hf-daily-papers / [object Object]
Agent trajectories record what an agent does and what happens next. Yet standard supervised fine-tuning (SFT) applies loss only to agent-authored action tokens, using environment observations as context but not as prediction targets. We ask whether this convention provides the best initialization for subsequent reinforcement learning. We introduce ActObs, which also supervises the observation tokens already present in each trajectory. Although deployed agents never generate observations, learning to predict them encourages the policy to model action consequences without adding data, parameters, sequence tokens, or forward passes. The methods perform similarly after SFT but diverge after GRPO. On Qwen3-4B, GRPO from ActObs achieves higher pass@k at every evaluated sampling budget than its action-only counterpart on Terminal-Bench 2.0. On Qwen3-8B, it trades some pass@1 reliability for higher pass@k (+3.4 pp at pass@16) and solves more distinct tasks. The advantage extends to cross-domain code editing on aider-polyglot (+4.2 pp at pass@1 at 4B), whose tasks are unseen during SFT and RL. ActObs retains more entropy during RL while requiring less policy movement, leaving the final policy closer to its SFT initialization. Our analysis traces this difference to SFT: action and observation gradients rapidly become orthogonal, while action-only training leaves a large residual observation gradient and degrades environment prediction below the base model. Joint supervision prevents this one-sided specialization, preserving consequence prediction and preparing the policy for downstream exploration.
-
techcrunch-ai · 2026-09-18 · AI行业 / rss
Google is refocusing its CC AI agent on household coordination, letting families share emails, schedules, and tasks so the AI can manage calendars, fill out forms, make shopping lists, plan meals, and more.
-
hf-papers · 2026-09-15 · AI论文 / hf-daily-papers / [object Object]
As corporate AI adoption continues to grow, enterprise-grade LLM agents are being deployed into sensitive contexts such as hiring, healthcare, and finance. In these contexts, compliance with rules specified in an agent's system context is a first-order legal concern. Currently, no evaluation framework systematically measures which LLM models tend to violate compliance rules, especially under pressure from a persistent user, a hurried manager, or circumstances where violation is convenient or attractive. We introduce PACT (Pressure-Applied Compliance Testing), a benchmark for rule-following under pressure in AI agents assisting employees in daily tasks across twelve regulated enterprise domains and forty-eight scenarios, each set in a realistic multi-turn conversation. Each benchmark item pairs a standing rule against a rule-violating shortcut, and applies a battery of pressures across different wordings and system-prompt modes. We construct PACT component by component under strict LLM-as-judge auditing to ensure samples are unambiguous, ungameable, and realistic enough to avoid eliciting evaluation-aware behavior. We use PACT to profile LLM compliance across six complementary metrics that create a holistic picture of an AI assistant's robustness under pressure and throughout multi-turn conversations, its transparency, and ability to correctly discern where a rule applies. We aggregate this profile into PACTScore, a reliability-weighted compliance rate over all items and modes. Our results across 22 common LLM models spanning multiple providers and sizes show substantial variability in compliance across models and metric dimensions. Even the strongest assistants mis-apply a rule on 6 to 10% of items, and ordinary user pressure raises the violation rate by 65% on average. PACT highlights compliance risks in LLM assistants, motivating guardrails and careful model selection.