[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"consumer-news-detail-856":3,"consumer-news-interaction-856":40,"consumer-news-related-856":43},{"detail":4,"item":35},{"card":5,"schemaVersion":22,"fields":23,"content":29},{"id":6,"kind":7,"targetType":8,"targetId":9,"subtype":7,"typeLabel":10,"title":11,"subtitle":12,"summary":13,"coverUrl":14,"badgeText":14,"href":15,"sourceName":12,"meta":16,"metrics":19,"tags":20,"resolved":21},"NEWS_ARTICLE:856","news","NEWS_ARTICLE",856,"资讯","AI生产力：从效率到工作流重构","博客园","当初学专业的笔记还在吗？相信大部分人都没保留，而能力在不断积累和更新，关注和思考的角度在变化，在AI蒸馏我们的同时。也可以用AI的能力，去蒸馏一下魔幻的职场。","","\u002Fnews\u002F856",[17,18],"2026","人工智能",{},[18],true,"consumer-content-detail-v1",{"sourceName":12,"authorName":24,"categoryName":18,"summary":13,"description":13,"publishTime":25,"updateTime":26,"sourceUrl":27,"language":28},"三范式","2026-09-02T08:03","2026-09-02T20:37:50","https:\u002F\u002Fwww.cnblogs.com\u002Fcicada-smile\u002Fp\u002F22801027","中文",{"format":30,"policy":31,"normalized":21,"html":32,"text":33,"wordCount":34,"hasBody":21},"HTML","NEWS_CONTENT_V1","\u003Cp>\u003Cstrong>人和人之间，没有幻觉是最大的共识。\u003C\u002Fstrong>\u003C\u002Fp>\n01\n\u003Cp>2023年人工智能彻底爆发，很多企业和个人在焦虑中观望，当时AI的能力尚不稳定，但在确定性的趋势中，互联网企业的一惯态度：\u003C\u002Fp>\n\u003Cp>\u003Cstrong>参与或凑热闹，都必须要趁早。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>2024年很多公司开始尝试AI能力，不过还处在单点的形式，比如设计师验证视觉创意，产品和开发搭建业务流程，企业整理和搭建知识库。\u003C\u002Fp>\n\u003Cp>虽然实践遇到各种奇葩问题，但用起来可以缓解焦虑，并且满足对新事物的猎奇心。\u003C\u002Fp>\n\u003Cp>2025年在企业的工作流中，AI工具的使用彻底铺开，主要集中在产品研发领域，社交媒体上发布各种创意玩法，去年几款模型的惊艳能力，几乎霸占全年的流量效应。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>为什么又是编程领域？因为AI让产品的验证成本趋近于零。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>2026年AI的话题热度在降温，但工作场景中却持续升温，OpenClaw小龙虾到Codex产品，AI应用不想拘泥于纯粹的编程，开始连接组织协作的上下游。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>从单点效率的提升，转向重构工作流的综合领域。\u003C\u002Fstrong>\u003C\u002Fp>\n02\n\u003Cp>年初养龙虾火遍全球，但很多用户在尝试后选择放弃，并不是这款智能体不好用，而是找不到有价值的场景，只能白白消耗大量的Token，社媒的话题热度也断崖式降低。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>但企业真实的工作流中，OpenClaw们反而不断增加。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>在销售和运营岗中，经常要记录线索或想法创意。\u003C\u002Fp>\n\u003Cp>有的人习惯临时发给聊天框，等忙完后再统一整理信息，现在直接发给OpenClaw智能体，由AI工具自动整理，甚至进行适当的完善，最终写入文档或者产品系统。\u003C\u002Fp>\n\u003Cp>最热门的产品研发领域，AI工具更是加速进化，已经不是纯粹的编程方向。\u003C\u002Fp>\n\u003Cp>Cowork和Codex极具代表性，从垂直领域向工作流进化，通过插件市场的持续扩展，AI IDE所能串联的场景，几乎可以覆盖在线流程。\u003C\u002Fp>\n\u003Cp>三月份做过一款轻量产品，主要分析复杂流程的质量。\u003C\u002Fp>\n\u003Cp>项目的需求很明确，在按年交付的业务中，需要从周期跟踪和监控质量，只要定义清楚指标和数据维度，产品自然没有开发难度。\u003C\u002Fp>\n\u003Cp>唯一的麻烦点是：\u003Cstrong>三人不在同一个城市，所以要先对齐AI协作的共识：\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>基于Codex管理项目，所有文件上传Git仓库，业务方定义关键的指标，Codex分析数据的支撑能力，产品在关键场景编程出效果图，最后由开发维护完整的工程。\u003C\u002Fp>\n\u003Cp>每周需求完成后演示，项目发起方非常认可。\u003C\u002Fp>\n\u003Cp>项目里重构人和AI的协作，人指挥AI完成需求标准化，信息在工作流不同节点传递和扩展，但始终在Codex内部处理，所以需求还原度非常高。\u003C\u002Fp>\n\u003Cp>不过要强调一句关键：虽然AI和工作流相互融合，但核心节点都是专业人员负责，并且对齐AI使用和协作模式。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>管理者没有幻觉：一人一AI可以横推项目，才是效率和质量的前提。\u003C\u002Fstrong>\u003C\u002Fp>\n03\n\u003Cp>在人与人与AI协作的流程中，虽然直观感觉就是借AI增效，但细节处的变化值得反思和分析。\u003C\u002Fp>\n\u003Cp>什么是对齐共识？从AI的视角分析项目。\u003C\u002Fp>\n\u003Cp>由人来定义流程和规则，只是不同节点和需求，输入信息的边界有变化，AI针对各角色要求做输出，但信息传递过程的理解，交给AI自己设计规则，维持上下文处理的一致性。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>至于人和人之间，没有幻觉是最大的共识。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>为什么可以提升效率？因为把复用做到最大化。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>企业级的项目和需求中，存在大量文档和已有工程，想要在此基础上分析需求，这一步费时费力效率低。\u003C\u002Fp>\n\u003Cp>不同角色都需要理解业务，并且还容易出现偏差问题。\u003C\u002Fp>\n\u003Cp>在AI工具中把输入当知识库，分析整理后再做标准化输出，同步相关成员的文档质量很高，等到项目完成阶段，所有文档皆可回溯。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>与其管理Prompt和Skill，聚焦在AI输出的结果上，更容易提升团队协作效率。\u003C\u002Fstrong>\u003C\u002Fp>\n04\n\u003Cp>社媒上有一个很火的话题：打工人的经验和技能，是否会被AI蒸馏和复制，站在人与AI协作的角度，这是必然发生的事情。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>很多专业领域的用户，在投喂AI语料教AI做事，所以它的进化速度非常快。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>当然变化也是人的底色，质疑AI理解AI到使用AI，适应的过程还历历在目。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>最后聊聊经验和技能，打工人的核心竞争力。\u003C\u002Fp>\n\u003Cp>当初学专业的笔记还在吗？相信大部分人都没保留，而能力在不断积累和更新，关注和思考的角度在变化，在AI蒸馏我们的同时。\u003C\u002Fp>\n\u003Cp>也可以用AI的能力，去蒸馏一下魔幻的职场。\u003C\u002Fp>\n\u003Cpre>\u003Ccode>AI工作流\nhttps:\u002F\u002Fgithub.com\u002Fchaos-pro\u002Fchaos-flow\n\n内容归档\nhttps:\u002F\u002Fgithub.com\u002Fchaos-pro\u002Fchaos-weblog\n\u003C\u002Fcode>\u003C\u002Fpre>","人和人之间，没有幻觉是最大的共识。 01 2023年人工智能彻底爆发，很多企业和个人在焦虑中观望，当时AI的能力尚不稳定，但在确定性的趋势中，互联网企业的一惯态度： 参与或凑热闹，都必须要趁早。 2024年很多公司开始尝试AI能力，不过还处在单点的形式，比如设计师验证视觉创意，产品和开发搭建业务流程，企业整理和搭建知识库。 虽然实践遇到各种奇葩问题，但用起来可以缓解焦虑，并且满足对新事物的猎奇心。 2025年在企业的工作流中，AI工具的使用彻底铺开，主要集中在产品研发领域，社交媒体上发布各种创意玩法，去年几款模型的惊艳能力，几乎霸占全年的流量效应。 为什么又是编程领域？因为AI让产品的验证成本趋近于零。 2026年AI的话题热度在降温，但工作场景中却持续升温，OpenClaw小龙虾到Codex产品，AI应用不想拘泥于纯粹的编程，开始连接组织协作的上下游。 从单点效率的提升，转向重构工作流的综合领域。 02 年初养龙虾火遍全球，但很多用户在尝试后选择放弃，并不是这款智能体不好用，而是找不到有价值的场景，只能白白消耗大量的Token，社媒的话题热度也断崖式降低。 但企业真实的工作流中，OpenClaw们反而不断增加。 在销售和运营岗中，经常要记录线索或想法创意。 有的人习惯临时发给聊天框，等忙完后再统一整理信息，现在直接发给OpenClaw智能体，由AI工具自动整理，甚至进行适当的完善，最终写入文档或者产品系统。 最热门的产品研发领域，AI工具更是加速进化，已经不是纯粹的编程方向。 Cowork和Codex极具代表性，从垂直领域向工作流进化，通过插件市场的持续扩展，AI IDE所能串联的场景，几乎可以覆盖在线流程。 三月份做过一款轻量产品，主要分析复杂流程的质量。 项目的需求很明确，在按年交付的业务中，需要从周期跟踪和监控质量，只要定义清楚指标和数据维度，产品自然没有开发难度。 唯一的麻烦点是：三人不在同一个城市，所以要先对齐AI协作的共识： 基于Codex管理项目，所有文件上传Git仓库，业务方定义关键的指标，Codex分析数据的支撑能力，产品在关键场景编程出效果图，最后由开发维护完整的工程。 每周需求完成后演示，项目发起方非常认可。 项目里重构人和AI的协作，人指挥AI完成需求标准化，信息在工作流不同节点传递和扩展，但始终在Codex内部处理，所以需求还原度非常高。 不过要强调一句关键：虽然AI和工作流相互融合，但核心节点都是专业人员负责，并且对齐AI使用和协作模式。 管理者没有幻觉：一人一AI可以横推项目，才是效率和质量的前提。 03 在人与人与AI协作的流程中，虽然直观感觉就是借AI增效，但细节处的变化值得反思和分析。 什么是对齐共识？从AI的视角分析项目。 由人来定义流程和规则，只是不同节点和需求，输入信息的边界有变化，AI针对各角色要求做输出，但信息传递过程的理解，交给AI自己设计规则，维持上下文处理的一致性。 至于人和人之间，没有幻觉是最大的共识。 为什么可以提升效率？因为把复用做到最大化。 企业级的项目和需求中，存在大量文档和已有工程，想要在此基础上分析需求，这一步费时费力效率低。 不同角色都需要理解业务，并且还容易出现偏差问题。 在AI工具中把输入当知识库，分析整理后再做标准化输出，同步相关成员的文档质量很高，等到项目完成阶段，所有文档皆可回溯。 与其管理Prompt和Skill，聚焦在AI输出的结果上，更容易提升团队协作效率。 04 社媒上有一个很火的话题：打工人的经验和技能，是否会被AI蒸馏和复制，站在人与AI协作的角度，这是必然发生的事情。 很多专业领域的用户，在投喂AI语料教AI做事，所以它的进化速度非常快。 当然变化也是人的底色，质疑AI理解AI到使用AI，适应的过程还历历在目。 最后聊聊经验和技能，打工人的核心竞争力。 当初学专业的笔记还在吗？相信大部分人都没保留，而能力在不断积累和更新，关注和思考的角度在变化，在AI蒸馏我们的同时。 也可以用AI的能力，去蒸馏一下魔幻的职场。 AI工作流 https:\u002F\u002Fgithub.com\u002Fchaos-pro\u002Fchaos-flow 内容归档 https:\u002F\u002Fgithub.com\u002Fchaos-pro\u002Fchaos-weblog",1729,{"id":6,"kind":7,"title":11,"summary":13,"image":14,"href":15,"meta":36,"badge":10,"author":12,"stats":-1,"accent":37,"coverRatio":38,"tags":39},"2026 · 人工智能","#2563eb","16 \u002F 10",[18],{"targetType":8,"targetId":9,"likedByMe":41,"likeCount":42,"commentCount":42,"contentLikeCount":42,"contentCommentCount":42,"sourceLikeCount":42,"sourceCommentCount":42},false,0,[44,51,58,65,71,78,85,92],{"id":45,"kind":7,"title":46,"summary":47,"image":48,"href":49,"meta":36,"badge":10,"author":12,"stats":-1,"accent":37,"coverRatio":38,"tags":50},"NEWS_ARTICLE:827","MHS 三部曲（下）：谁允许 AI 行动？——权力、合规与中国厂商的答卷","我们总在等待一个像 ChatGPT 那样的机器人时刻。但具身智能真正的拐点，也许先发生在更不起眼的地方：一台陌生设备，第一次能把自己的能力、状态和边界完整告诉 AI；一个 Agent，第一次能把试出来的经验固化成可验证、可复用的机器技能。","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F510\u002F202608\u002F510-20260830153745229-1536981088.jpg","\u002Fnews\u002F827",[18],{"id":52,"kind":7,"title":53,"summary":54,"image":55,"href":56,"meta":36,"badge":10,"author":12,"stats":-1,"accent":37,"coverRatio":38,"tags":57},"NEWS_ARTICLE:835","体验向量数据库 qdrant","作者:张富春(ahfuzhang)，转载时请注明作者和引用链接，谢谢！ cnblogs博客 zhihu Github 公众号:一本正经的瞎扯 背景 为了早点搞懂公司的百万行 C# 的祖传代码，我想在缺乏文档、缺乏帮手的情况下，先建立一个 企业知识库 来快速帮我理清头绪。 一开始，我是打算以 weav","https:\u002F\u002Fimg2022.cnblogs.com\u002Fblog\u002F1457949\u002F202202\u002F1457949-20220216153819145-1193738712.png","\u002Fnews\u002F835",[18],{"id":59,"kind":7,"title":60,"summary":61,"image":62,"href":63,"meta":36,"badge":10,"author":12,"stats":-1,"accent":37,"coverRatio":38,"tags":64},"NEWS_ARTICLE:853","为什么团队用了 AI 之后，测试质量反而下降了！","一、AI 提效之后，往往先崩的是质量 前两天刷到一篇同行的复盘。 「AI 提效半年后，我们的测试团队规模反而更大了」 用AI 提效半年，人数不降，反而变更多了？ 这位老哥是认真做过团队实践的，观察写得很扎实。提测质量肉眼可见地下滑，需求做漏了，单位时间里测试捞出来的 bug 反而变多，最后测试团队加","https:\u002F\u002Fimage.kjdaohang.com\u002Fimg\u002F20260831223910845.png","\u002Fnews\u002F853",[18],{"id":66,"kind":7,"title":67,"summary":68,"image":14,"href":69,"meta":36,"badge":10,"author":12,"stats":-1,"accent":37,"coverRatio":38,"tags":70},"NEWS_ARTICLE:861","个体看衰AI，企业加速转型","信息化数字化智能化，十年前的说法在逐步兑现。最后回到一个灵魂拷问：当业务运营更加高效。组织间的协作更加流畅，企业究竟想去拓宽市场，还是手起刀落降低成本？","\u002Fnews\u002F861",[18],{"id":72,"kind":7,"title":73,"summary":74,"image":75,"href":76,"meta":36,"badge":10,"author":12,"stats":-1,"accent":37,"coverRatio":38,"tags":77},"NEWS_ARTICLE:864","阿里开源：skill-up，一款Agent Skill 评测工具！","2026 年走到现在，Agent Skill 已经成了 AI 领域的标配。 把个人经验沉淀成 SKILL.md，把团队最佳实践封装成可复用的技能包，这些都已经是很常规的操作了。最近在社区上看到有篇文章问了一个特别扎心的问题。 「一个 Skill 的『好坏』，到底由谁定义？评判它的标准又是什么？」 这","https:\u002F\u002Fimage.kjdaohang.com\u002Fimg\u002F20260831105634380.png","\u002Fnews\u002F864",[18],{"id":79,"kind":7,"title":80,"summary":81,"image":82,"href":83,"meta":36,"badge":10,"author":12,"stats":-1,"accent":37,"coverRatio":38,"tags":84},"NEWS_ARTICLE:868","DeepSeekHarness-MCP-Manager 一款DSH超好用的MCP管理跟Skills管理插件","链接：https:\u002F\u002Fgithub.com\u002Fxxxyz\u002FDeepSeekHarness-MCP-Manager 设置 → MCP 管理 管理项目级与全局 cordis.patch.yml 中的 @deepseek-ai\u002Fdsh-mcp-client ","https:\u002F\u002Fcamo.githubusercontent.com\u002F5d48b15e4e45c30746d4410bd5dd51552b20ed0294e6703d220931a8377c3ff8\u002F68747470733a2f2f696d672e736869656c64732e696f2f6e706d2f762f40787878797a2f6473682d6d63702d6d616e616765723f6c6f676f3d6e706d26636f6c6f723d636233383337","\u002Fnews\u002F868",[18],{"id":86,"kind":7,"title":87,"summary":88,"image":89,"href":90,"meta":36,"badge":10,"author":12,"stats":-1,"accent":37,"coverRatio":38,"tags":91},"NEWS_ARTICLE:871","\"AgentOPSD: Recursive Self-Distillation for Agentic Reinforcement Learning\" 论文笔记","清华、浙大与美团 LongCat 团队合作的 AgentOPSD，目前挂在 Arxiv 26.08 上，做的是长程多轮 Agentic RL 里的回合级信用分配。可验证奖励的 RL 只在整条轨迹结束时给一个稀疏的 0\u002F1 信号，GRPO 这类方法把轨迹级优势均匀广播到每个 token，无法把成败真正","https:\u002F\u002Fimg2024.cnblogs.com\u002Fblog\u002F3614753\u002F202609\u002F3614753-20260901141154042-339903878.png","\u002Fnews\u002F871",[18],{"id":93,"kind":7,"title":94,"summary":95,"image":48,"href":96,"meta":36,"badge":10,"author":12,"stats":-1,"accent":37,"coverRatio":38,"tags":97},"NEWS_ARTICLE:880","MHS 三部曲（中）：8 小时集成、六种被拦截的故障，和一次教科书级的翻车","四个案例合起来说明三件事：接入与编排成本可以数量级下降（CMU\u002FJanelia），闭环试错和跨设备补救是真的（CMU\u002FTetsuwan），但物理直觉仍是硬伤（Genentech），安全必须长在模型之外。","\u002Fnews\u002F880",[18]]