[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"consumer-news-detail-861":3,"consumer-news-interaction-861":40,"consumer-news-related-861":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:861","news","NEWS_ARTICLE",861,"资讯","个体看衰AI，企业加速转型","博客园","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",[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","2026-09-01T19:16","2026-09-02T20:37:50","https:\u002F\u002Fwww.cnblogs.com\u002Fcicada-smile\u002Fp\u002F22796517","中文",{"format":30,"policy":31,"normalized":21,"html":32,"text":33,"wordCount":34,"hasBody":21},"HTML","NEWS_CONTENT_V1","\u003Cp>\u003Cstrong>企业内部流程，才是AI的策展者。\u003C\u002Fstrong>\u003C\u002Fp>\n1\n\u003Cp>有时候分析行业的冷暖，只需要找三家不同体量的公司，了解开会常聊的话题，步调正在前进的方向，就能够号到基本的脉络。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>企业是趋势的策展者，这一幕在AI身上再次重演。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>最近发布的几款大模型新版本，企业和个人的态度有明显差异，个体普遍认为助力提升不大，虽然自己使用Codex客户端，不过模型还是GPT5.5的版本。\u003C\u002Fp>\n\u003Cp>不是GPT5.6能力不行，单纯觉得搬砖用不上。\u003C\u002Fp>\n\u003Cp>工作难度取决于组织协作，专业需要多少高度和深度，每个岗位都有一杆秤，用来衡量性价比的高低，现在的AI也要被衡量。\u003C\u002Fp>\n\u003Cp>上半年几款热门模型：Fable5，GPT5系列，DeepSeekV4，KimiK3。\u003C\u002Fp>\n\u003Cp>虽然智能水平大幅的提升，但从个体的角度反响平平，在能力够用的前提下，Token的消耗成本成为新问题，以致于很多用户认为：人工智能的天花板出现了。\u003C\u002Fp>\n\u003Cp>从个体的角度说，当AI的话题没有流量加持，更加考验产品本身的能力，以及长期的运营成本投入，还要和企业与模型竞争，面对的难度可想而知。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>全网的焦虑感降低，获利的难度就会升高。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>企业在AI实践的过程中，会客观分析信息不对称问题，当AI能力和成本进入平衡区间，团队中个体实践经验溢出，新的转型机遇和空间随之而来。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>个体转向三五人的小团队，企业于是转身AI型组织，两者间的对立冲突非常鲜明。\u003C\u002Fstrong>\u003C\u002Fp>\n2\n\u003Cp>在复杂的业务模式里，公司通常会采用三种系统，最基础的组织协作办公，自研的核心业务产品，第三方采购的专业工具。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>AI无法完整的理解链路，但是数据却在不断的流动。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>分析简单的客户场景：销售在社媒挖掘用户线索，意向客户会沉淀到企微，可以更方便的实时对接需求，完成订单交易转化后，依赖自研系统提供服务，服务完成后如何运营客户？是存量竞争的另一个难题。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>深情套路留不住，还是需要用数据说话。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>现实的问题点在于：并非客户的数据都一样，不同行业和产品以及需求，产生的数据模型也不一样，需要定制化搭建各种分析报告，来配合销售与客户的接洽。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>分析真实的数据效果，顺带制造点焦虑和预期，你情我愿的下一单就有了。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>这里有一个真实的需求点，销售在与客户对接时，会把新的线索留在第三方文档，让数据无感回流自研产品，才能发挥更大的业务价值。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>不要幻想销售自己录入，只要是用户就有懒惰的特点。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>作为大部分公司都存在的场景，整个销售转化和运营流程中，AI所发挥的能力越来越清晰。\u003C\u002Fp>\n\u003Cp>在获取客户场景中：AI可以制作广告内容，通过社媒投流触达需求；在自研产品系统中：围绕AI提高团队生产效率；在运营跟进过程中：基于第三方AI能力分析线索，并且快速回传数据到本地。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>在实际的问题中，对AI能力的依赖并不高。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>关键是企业的销售团队，稳定的自研产品体系，精细化的业务运营部门，当AI的能力逐步稳定，在组织中所发挥的助力，不再拘泥于纯粹的个人，而是散发到上下游协作链路，向客户提供稳定高效的服务。\u003C\u002Fp>\n3\n\u003Cp>2026上半年的企业热门话题：如何把个体实践的AI经验，转化为组织协作的模式。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>另一个相似的热议：蒸馏打工人的SKILL。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>拆解AI的实践过程，所使用的工具组合，搭建出来的AI工作流，能被二次复用的数据资产，以此作为组织转型的确据，慢慢沉淀到协作流程里。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>个体的含金量需要高估，组织转型的价值被挖掘。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>个体的AI工作流设计：针对目标做好规划设计，搭建完整的上下文工程，在核心环节留存关键信息，集成自己的专业和经验，形成轻量的可迭代系统，从而不断放大生产力。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>当流程逐步稳定，关键问题会被不断聚焦。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>相同手法也适用企业，团队从个人使用AI，转到轻量级的项目协作，在成员具备共识的前提下，整个项目工程作为上下文，再向企业整体发散，就是业务的不同阶段。\u003C\u002Fp>\n\u003Cp>\u003Cstrong>业务共识无法真正形成，不同场景用不同的AI组合。\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>系统级的解决方案，目前已经若隐若现，AI无法从应用触及全流程，但可以读取全部数据，翻译成业务场景上下文，同样对效能产生明显助力。\u003C\u002Fp>\n\u003Cp>信息化数字化智能化，十年前的说法在逐步兑现。\u003C\u002Fp>\n\u003Cp>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？\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>","企业内部流程，才是AI的策展者。 1 有时候分析行业的冷暖，只需要找三家不同体量的公司，了解开会常聊的话题，步调正在前进的方向，就能够号到基本的脉络。 企业是趋势的策展者，这一幕在AI身上再次重演。 最近发布的几款大模型新版本，企业和个人的态度有明显差异，个体普遍认为助力提升不大，虽然自己使用Codex客户端，不过模型还是GPT5.5的版本。 不是GPT5.6能力不行，单纯觉得搬砖用不上。 工作难度取决于组织协作，专业需要多少高度和深度，每个岗位都有一杆秤，用来衡量性价比的高低，现在的AI也要被衡量。 上半年几款热门模型：Fable5，GPT5系列，DeepSeekV4，KimiK3。 虽然智能水平大幅的提升，但从个体的角度反响平平，在能力够用的前提下，Token的消耗成本成为新问题，以致于很多用户认为：人工智能的天花板出现了。 从个体的角度说，当AI的话题没有流量加持，更加考验产品本身的能力，以及长期的运营成本投入，还要和企业与模型竞争，面对的难度可想而知。 全网的焦虑感降低，获利的难度就会升高。 企业在AI实践的过程中，会客观分析信息不对称问题，当AI能力和成本进入平衡区间，团队中个体实践经验溢出，新的转型机遇和空间随之而来。 个体转向三五人的小团队，企业于是转身AI型组织，两者间的对立冲突非常鲜明。 2 在复杂的业务模式里，公司通常会采用三种系统，最基础的组织协作办公，自研的核心业务产品，第三方采购的专业工具。 AI无法完整的理解链路，但是数据却在不断的流动。 分析简单的客户场景：销售在社媒挖掘用户线索，意向客户会沉淀到企微，可以更方便的实时对接需求，完成订单交易转化后，依赖自研系统提供服务，服务完成后如何运营客户？是存量竞争的另一个难题。 深情套路留不住，还是需要用数据说话。 现实的问题点在于：并非客户的数据都一样，不同行业和产品以及需求，产生的数据模型也不一样，需要定制化搭建各种分析报告，来配合销售与客户的接洽。 分析真实的数据效果，顺带制造点焦虑和预期，你情我愿的下一单就有了。 这里有一个真实的需求点，销售在与客户对接时，会把新的线索留在第三方文档，让数据无感回流自研产品，才能发挥更大的业务价值。 不要幻想销售自己录入，只要是用户就有懒惰的特点。 作为大部分公司都存在的场景，整个销售转化和运营流程中，AI所发挥的能力越来越清晰。 在获取客户场景中：AI可以制作广告内容，通过社媒投流触达需求；在自研产品系统中：围绕AI提高团队生产效率；在运营跟进过程中：基于第三方AI能力分析线索，并且快速回传数据到本地。 在实际的问题中，对AI能力的依赖并不高。 关键是企业的销售团队，稳定的自研产品体系，精细化的业务运营部门，当AI的能力逐步稳定，在组织中所发挥的助力，不再拘泥于纯粹的个人，而是散发到上下游协作链路，向客户提供稳定高效的服务。 3 2026上半年的企业热门话题：如何把个体实践的AI经验，转化为组织协作的模式。 另一个相似的热议：蒸馏打工人的SKILL。 拆解AI的实践过程，所使用的工具组合，搭建出来的AI工作流，能被二次复用的数据资产，以此作为组织转型的确据，慢慢沉淀到协作流程里。 个体的含金量需要高估，组织转型的价值被挖掘。 个体的AI工作流设计：针对目标做好规划设计，搭建完整的上下文工程，在核心环节留存关键信息，集成自己的专业和经验，形成轻量的可迭代系统，从而不断放大生产力。 当流程逐步稳定，关键问题会被不断聚焦。 相同手法也适用企业，团队从个人使用AI，转到轻量级的项目协作，在成员具备共识的前提下，整个项目工程作为上下文，再向企业整体发散，就是业务的不同阶段。 业务共识无法真正形成，不同场景用不同的AI组合。 系统级的解决方案，目前已经若隐若现，AI无法从应用触及全流程，但可以读取全部数据，翻译成业务场景上下文，同样对效能产生明显助力。 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？ AI工作流 https:\u002F\u002Fgithub.com\u002Fchaos-pro\u002Fchaos-flow 内容归档 https:\u002F\u002Fgithub.com\u002Fchaos-pro\u002Fchaos-weblog",1735,{"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:856","AI生产力：从效率到工作流重构","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",[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]]