新闻资讯
News and information
-
26
09/05
全民用AI工具手搓系统，能解决企业数字化痛点吗？
企业有了WorkBuddy这类的AI工具搞软件开发，信息部门还有存在的必要吗？前阵子有个CIO跟老杨吐槽：公司的业务部门用WorkBuddy这类的工具，自己手搓了很多小应用，比如一些业务表单、报表、查询页等等，几天就上线了。老板看了很高兴，转头问他："既然业务自己能开发软件了，你们信息部门还要这么多人干嘛？"，言下之意不言而喻了。以上场景已经不是个例了，各种AI工具已经把软件的开发门槛降到了地板，业务人员用自然语言就能生成应用，长尾需求确实被消化了一大片。但老杨认为如果把"手搓系统"等同于"企业数字化转型的伟大胜利"，或者推论出"不需要信息部门"，这是一个新误区：这是把效率问题，误判成了一个架构问题。手搓系统热不是伪需求。它更像一场"边缘效率革命"，但不是"核心架构革命"。当前核心的关键问题是：这些应用怎么接住企业已经存在的那个"1"，也就是说历史的存量系统、权限体系、数据红线、审计合规。一、手搓系统解决了什么，又没解决什么以WorkBuddy为例，其功能强大，可以快速生成表单、审批流、报表、数据处理脚本，甚至内部查询页。它精准解决了企业数字化建设过程中的诸多痛点，比如：需求多、IT排期长到业务等不起；简单需求开发不划算；业务逻辑在业务人员脑子里，跟IT转述一遍就损耗一半；大量临时性、部门级、非关键流程需要快速落地等问题。但AI工具搞开发也存在一些局限性：手搓系统只适合"轻量、局部、读多写少、单人或小团队、流程简单"的场景。需要注意的是，企业数字化最难的环节从来都不是系统开发。核心系统的替换与集成、主数据和数据标准治理、跨系统事务一致性、复杂权限继承、规模化后的性能稳定运维审计，这些恰恰是"手搓"无法解决的。也就是说企业解决了一部分"最后一公里"的效率，但解不了"主干道"的问题，它替代不了核心系统，也替代不了企业架构治理。二、从0到1容易，从1到N才是真难企业数字化建设最关键的问题是什么？是数据打通！也就是说解决数据孤岛的问题。当前大部分传统企业里存在大量老系统，比如ERP、CRM、MES等等，有的系统根本没有标准API。这个时候AI的技术局限性就出现了，AI控制层再聪明，也不能凭空"连"进去。这是AI落地企业里最被低估的一关。AI能理解意图、规划任务、生成调用逻辑，但真要执行，得依赖一组稳定的"工具"和"连接器"，比如：标准RESTAPI、数据库只读副本、中间表、RPA、屏幕抓取、消息队列、遗留专有接口等等。如果这些都没有，AI控制层就是"想得到，做不到"。所以企业真正要补的不是"上一个AI控制层"，而是需要一个"企业集成层"，把存量系统的能力抽象成标准服务：API网关、iPaaS、ESB、数据集成平台、RPA平台、主数据管理平台。没有这一层，任何AI工具都只能“好玩一下”。老杨在这里提醒一下：对老系统，别幻想什么用AI工具"无缝对接"，得有适配策略。比如查询报表类需求，走只读副本、数仓同步，让AI查数据平台而不是直通生产库；写操作，比如建单、改客户、发起审批，如果没有API，得用中间表、专用适配器等，但不能直接动业务数据，因为一旦出错成本就太高了。这些专业的工作，关乎整个业务与数据架构，不是业务人员手搓能搞定的。所以正确的做法应该是：AI控制层→工具注册层→企业集成层→存量系统。没有中间两层，想用AI直接"黑盒直连"，必定会出大问题。三、数据安全红线：AI怎么精准继承权限第二个致命问题：AI控制层怎么保证不越权查看敏感信息？很多手搓系统为了跑通，直接用高权限账号、服务账号甚至管理员身份调系统。演示环境没问题，生产环境估计就是灾难。要知道大模型本身是没有权限边界的。它不知道"张三是普通员工，不该看全公司薪资"。如果AI调用工具时用的是统一的高权限机器人账号，越权就是必然。权限不能放在模型层，必须下沉到执行层和策略层。要做到"身份穿透"：用户在AI界面发起请求，AI以该用户身份调工具，后端按用户原有权限鉴权。AI的权限范围，就该等于用户本人能干的事，不能多。技术上可以走OAuthtokenexchange、用户级APIKey、身份断言加策略引擎。每个AI可调用的工具，都得有一张元数据声明：用途、所需权限、数据范围、风险等级、是否要人工确认、审计要求。比如"查客户列表"低风险自动跑，"改客户信用额度"高风险要二次确认，"导出全部员工信息"禁止AI直接调或要审批。敏感字段还要在数据服务层做列级脱敏、行级过滤、动态掩码，这些必须在AI输出之前生效。此外，每一次工具调用、数据访问、写操作，都要有完整日志：谁发起、调了什么、用了什么权限、访问了哪些数据、结果如何、有无人工确认。否则一出泄露或误操作，想追溯根本不可能。四、对软件公司的挑战与机遇挑战很直接：低端定制开发，CRUD、简单报表、流程表单，会被AI生成工具吞掉；客户"自研"倾向增强，减少对外包依赖；产品如果还是通用功能，很容易被AI工具淹没。但另一面是更大的机会。企业手搓越热，越需要平台来管住这些系统，谁提供安全的AI控制层、连接器、权限代理、审计平台，谁就有价值。大量老系统没有API，这是巨大的集成服务市场，软件公司可以专门做连接器、适配器、系统现代化改造。通用AI不够，行业化AIAgent和模板才有壁垒：制造业设备巡检、零售业库存分析、医疗合规审批。业务人员手搓原型容易，让它在生产环境稳定安全可维护地跑起来极难，软件公司可以承接这部分"扶正"工程。数据安全合规更是刚需。五、中小软件公司怎么活资源有限，不能跟大厂拼通用平台，但可以拼深度、拼服务、拼行业理解。别和AI生成工具拼效率，客户要个简单表单报表，AI几分钟做完，你再去拼必死。做"AI时代的集成商"，聚焦某一类存量系统做深度连接器，比如：专做某品牌ERP的API封装、某行业MES的AI对接、企微钉钉飞书与老系统的桥接。这种脏活累活大厂不愿做，价值却极高。做"权限代理加数据安全"中间件，在AI控制层和业务系统之间架一层脱敏审计组件，不大但极关键。绑定平台生态，成为WorkBuddy、钉钉、飞书的垂直插件服务商，而不是自己造完整平台。从项目制转向持续运营：订阅、托管、场景陪跑，帮客户把手搓系统纳入治理，本身就是长期饭票。六、最后总结手搓系统热，它给业务更多自主权，消化了大量长尾效率问题，但替代不了企业架构、集成、权限、数据治理这些深水区。真正的企业数字化转型要四层能力：AI控制层、企业集成层、身份权限层、数据治理层。缺一层，手搓系统就只是沙滩上的城堡。所以从以上我们就不难看出业务手搓系统和信息部门存在并不矛盾，只是IT的角色要从"建造者"变成"平台赋能者加守门人"。对软件公司，手搓热不是末日，是一次重新分工的机会。真正会被淘汰的，是只会做简单增删改查、没行业深度、没治理能力的团队。而能帮企业把"手搓原型"扶正成"生产级系统"、把"AI控制层"安全接入"存量系统"的公司，会迎来新一波增长。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
09/05
中国软件市场没有中间层：小公司的生路，是钻进大厂进不去的那道"铁幕"
什么才是中小软件公司的护城河？周末与一位远道而来的朋友一起喝茶，暂且叫A君吧，一位年轻的创业者，期间聊了很多关于国内软件行业的现状，总体感觉就是：中国软件的通用赛道，在二十年间完成了一场静默的圈地。当头部厂商把优质客户与"行业认知"的话语权一并收走，留给中小公司的已经不是一个需要拼搏的市场，而是一道需要绕行的墙。有的公司进入了别人无法进入的行业与市场，活得很滋润，但也有的还在OA、ERP的红海里年年陪标。路径南辕北辙，但压在身上的那道墙，是同一道。今天老杨无意渲染市场下的悲情，也不鼓吹所谓的速胜的理论。老杨就从企业战略与产业组织的角度，把周末那场对话还原为一套可检验的生存逻辑：在当前那个大赢家通吃的通用软件市场之外，中小公司究竟靠什么活下来，又为什么只有极少数能活下来。一、市场结构：中间层已经消失理解中小软件公司的处境，要先看清市场结构。中国软件行业经过二十余年发展，通用赛道的优质客户已被头部厂商以时间换空间的方式基本圈占。国内以OA、ERP为代表的管理软件领域，金蝶、用友等厂商不仅占据了客户，更关键的是占据了"行业认知"的话语权。头部厂商向客户交付的，从来不只是产品，而是一套关于行业最佳实践的管理理念。当销售团队站在企业决策者面前，用成熟的行业方法论去定义客户的业务流程时，客户购买的实质是一种"我也可以成为标杆"的预期。这种基于知识与经验的说服力，是中小公司难以复制的。中小公司的可选竞争维度因此被压缩为价格、灵活度、服务与商务关系。在通用市场上，这等于用利润换生存、用服务强度换订单。所以当然很严峻的一个现状就是：中间层已经不复存在，留给中小公司的结构性空间，只存在于两类区域——大厂因投入产出比不足而不愿进入的"深水区"，以及因行业封闭性而无法进入的"封闭区"。中小公司的战略起点，不是思考"如何在红海里赢"，而是思考"去哪里根本不需要和巨头同场竞技"。二、生路定位：进入封闭行业的纵深有的中小软件公司已经找到了生存路径：寻找一个封闭、非标、关系驱动、且巨头标准化打法失效的行业，长期扎根。在这样的行业里，商务关系而非产品能力成为交易的核心。项目推进不依赖标准化的招标逻辑，而依赖层级之间的信任传递。一个外部供应商要进入，需要以年为单位进行不计短期回报的关系渗透。但一旦建立信任，便形成一道极高的进入壁垒：信任的构建成本远超技术门槛，后来的竞争者难以在短期内追平。这正是一些中小公司的生路所在。头部厂商的标准化产品与流程驱动模式，在非标、强关系的封闭行业里难以适配；而中小公司凭借轻量组织与决策弹性，反而可以成为被特定行业"圈养"的专属服务者。定位的精髓，不是去抢巨头的市场，而是去巨头到不了、或不愿来的地方，把"到不了"变成自己的护城河。三、战术三原则：快、稳、沉淀谈及该朋友公司的现状及今后的发展策略，老杨给出了三点建议：第一，快：把决策链短变成核心竞争力。头部厂商响应一个需求，要走需求评审、资源调度、审批流转的标准流程。中小公司的优势在于组织扁平：现场沟通、现场采集需求、当天产出方案与界面原型，在AI工具的辅助下并非难事。关键在于，AI不是被当作聊天工具，而是深度嵌入核心业务流程——需求分析、方案生成、产品设计都由人引导AI共同完成。能否把AI转化为生产力，是这一时期中小公司能与大厂拼效率的唯一窗口。因为对于中小软件公司：时间即成本、效率即成本。很多中小软件公司就是被冗长的甲方决策周期、项目实施周期、回款周期拖死的。第二，稳：以节奏控制换取项目延续。中小公司最常见的失败，是一次性交付"最完美"的版本，结果因复杂度超出客户接受度而导致项目停滞。更可行的策略是控制节奏：先交付一个"刚刚好"的版本，让客户在使用中自然提出优化诉求，从而牵引出二期、三期。与之配套的是合同结构的选择——把大项目拆解为连续的小项目，快速渗透、快速回款，用一期一期的延续锁定客户。当项目被拆到足够细，外部竞争者介入的动力与价值都会显著下降。所以有时候“慢即是快”。第三，沉淀：从卖产品转向卖行业认知。软件产品是敲门砖，关系是通行证，老杨认为对于软件公司而言技术从来都不是核心。但真正让一家公司在特定行业里不可替代的，是它对行业每个环节、每个痛点、每个潜规则的理解深度。AI可以替代"按指令实现"的环节，却无法替代"知道该解决什么问题"的判断。但这一认知背后藏着一个组织风险：若把全部价值押在个别核心人物身上，该人物离开，公司即失去竞争力。中小公司必须建立关键角色的互补与备份机制，使任何单点流失都不至于动摇组织——这应成为组织设计的第一原则。四、最深的护城河是什么？软件行业的市场里存在一种天然脆弱性：产品功能可以被复制，技术可以被抄袭，客户关系可以被其他商务关系撬走。那么对于中小软件公司而言那道最深的护城河是什么？这是一个值得深思的问题，有人说是：风险！也就是说敢不敢承担风险！但这种风险非市场常见的那些管理风险与资金风险，而是特种业务条件下的场景风险。这类业务往往伴随高风险，比如现场作业一旦损坏客户的高价值设备，项目收益远不足以覆盖赔偿。但高风险本身构成门槛：正因为少有人敢做，做成的企业便获得局部独占。护城河的来源，有时不是技术领先，而是愿意并能够承担他人回避的风险。五、最后总结软件行业里没有神话。配得上"活下来"三个字的，是那些钻进一个垂直领域、把自身与客户命运长期绑定、用五年乃至十年耐心换取"不可替代"的中小公司。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
08/31
想要杀死一个原创软件，有多简单？
AI复刻App太快了该说不说，AI到来后，世超体感上最大的变化其实不是什么效率提升，而是啥都在涨价。尤其是各类数码设备，这个咱们聊过很多次了。倒是最近世超发现，有一类东西是反过来的，它们正在被AI搞得越来越不值钱。大家可以先猜一猜，你的工资不算啊。答案是App。世超已经看到很多自己在用的App，都有人拿AI做出了平替版。前几天我在小红书刷到一个帖子，有人用DeepSeek迅速复刻了一个Flomo的平替。作为一个每天都在用Flomo、还开着Max会员的人，看到这个帖子，我的第一反应是下意识盘算自己这299的会员，到底值不值，是不是也该自己写一个。。。但注意了，重点不在盘算的结果，而在「盘算」这个行为。放在两年前，「我要不要复刻一个App」这种念头，很难出现在我脑子里。可现在，如果一个功能单一的产品定价超过20刀、30刀，甚至还是订阅制，我就开始考虑要不要自己用AI做一个。和世超类似的人还有很多，你在社交平台上经常刷到各种「我用AI做了个什么工具」的帖子。比如Typeless那个语音输入法贼贵，于是有人用AI在本地手搓了一个永久免费版；也有人花了15分钟给老婆写了个AI查Word错别字的小工具；还有人给自己写了个文件归集管理器。大家写App之前都会盘算一下成本，这个成本我们先姑且叫它AI报价，它等于=Token费用+时间成本+vibecoding的精力。以前我们买App，是在多个软件之间做横向对比，什么价格对应什么功能，最终选一家买。现在呢？不好意思，市面上多了个AI报价，用户一算发现自己做更值，都不买了。前段时间Reddit上有个哥们发了自己做的软件，卖20刀，有网友说太贵了，3刀我还会买，20刀我直接让AI写一个了。那这样开发者在给产品定价时就会非常小心：定高了，大家就会自己做一个；定低的话，好像钱也赚不回来。而要说被AI报价影响最大的，可能还得是Mac那边。Mac上有着成熟的付费App体系，用户是真愿意为好软件掏全价的，那边有着非常优质但价格也高的App，比如自动缩放的录屏软件ScreenStudio30刀一个月，启动台软件Raycast8～16刀一个月。AI编程爆发后，这俩App的低价平替就开始疯狂出现。就说ScreenStudio，前几天推特上有人发帖征集「效果最佳的ScreenStudio平替」，评论区出现了一串串的名字，不少顶着开源或者免费的旗号。Raycast那边更热闹，最近冒出几个非常火的低价平替，什么SuperCmd，TinyCast。最狠的是SuperCmd还兼容Raycast的扩展，迁移成本几乎为零。有网友算了一下，RaycastPro96刀一年才给的功能，SuperCmd19.99买断就全给你了，打算先试一段时间，合适就把Raycast退订，一年省96美金。按这个剧本推下去，故事应该走向原创开发者集体扑街，对吧？但这两个被免费、平替软件围攻最狠的软件，居然一点儿都没降价，甚至还TM涨价。RaycastPro版还是8美元一个月起步，ScreenStudio更夸张，当初卖89美元后来涨到229，去年10月干脆取消了买断制，改成108美元一年。我不知道他们的销量有没有变化，但至少现在来看，平替软件对他们的打击并不大。其实原因并不难猜，因为任何一个成熟的App都分两层：可复刻层和不可复刻层。可复刻层就是功能。如今你在互联网上看到的大部分App，只要你动嘴能力还可以，让AI去写，一个下午就能复刻它们的核心功能，管你什么录屏、编辑PDF、记账、Todo。但一个APP最重要的，是它的不可复刻层。拿ScreenStudio说，它那堆平替App看着热闹，真用过的人评价可就不太一样了。有人说这类软件用下来只有DemoGet算平替，其他的产品体验做成一坨屎；还有人劝别试Minshot，vibe味儿有点儿重，细节不太够，果然一分价钱一分货。这些差评指向的问题，全都在于不可复刻层上。最表层的是稳定性：写得出来是一回事，但能不能稳定使用就不好说了。原版软件的稳定，是几年时间和几十万用户优化来的，AI几天时间压根复刻不出这个东西，甚至纯AIApp很多程度上都是bug。某复刻ScreenStudio的产品issue更深一层的，就是品味和设计。我们知道AI写作没有错别字，但是你让它写一句好笑的话，它真写不出来，它压根不知道什么是「好笑」。同样，一个App设计好不好看，AI也无法判断。这个间距为什么是12不是16，这个动效为什么是280毫秒不是200毫秒，AI不知道啊，它没足够能力去判断一个App怎么做才是好看的。像NotBoring系列产品，主题设计、动效、震动反馈、光影反射，都是业内顶尖的存在，这种产品我到现在都没见过有复刻的，因为复刻不出来。你让AI做一个试试就知道了，下面是我用GPT5.6Sol15分钟复刻的网页版。乍一看是像，是因为我给了原版参考视频，GPT一帧一帧对照着看的。但如果你没有顶级审美和设计能力去优化的，这个样子放在AppStore就是塑料玩具。所以网络上那些复刻，往往也就真的只是一种复刻：看着挺像，真上手和优质App一比，还是算了吧。各种细节掉帧、设计不精美。对价格不敏感的用户来说，他们会更注重体验和细节，平替只能是平替。最后的不可复刻层，就是口碑和生态。这么多年用Flomo，我已经完全依赖它的生态了：它的API接口、它的插件、它稳定的使用体验，我不太会为了一个平替把这些全扔掉。复刻Raycast的SuperCmd开发者显然也明白这个道理，所以专门做了兼容Raycast社区扩展的功能，想让大家无痛搬家。但我觉得真正的核心用户还是不会走：扩展生态用了这么多年，图什么去换一个可能有兼容bug、不知道能活多久的平替呢？生态这个东西，AI是帮不上忙的。到这，我们也就能明白：AI报价真正打击的是那些只有可复刻层的产品。一个20刀的独立小工具，功能就是全部，没有设计、品味、生态，用户一算成本，它就没任何竞争力。虽然这些头部原创App没有被打击到，那这股AI复刻的风气，对整个App市场是好事还是坏事呢？那么多人用AI复刻App，要么低价售卖要么免费，对用户可能是好消息，但对原创开发者呢？对整个App生态呢？世超觉得得看情况。自己有需求，用AI给自己写一个自己用，这没什么毛病。但对着一个别人正在卖的产品，光明正大地复刻，然后开源出去，甚至转手低价卖，性质就不太一样了。虽说这件事在法律上多半是干净的，只要你不去像素级照抄界面和代码，做一个同类产品自古以来就是「合法竞争」。但这种合法竞争，真的会打击到每一个原创开发者。今年年初，独立游戏开发者FreyaHolmér发了个50秒的游戏demo：如果俄罗斯方块的棋盘，会随着方块的堆叠而旋转呢？视频火了后，网上立刻出现了两个AI复刻品，其中一个的作者只花了一天时间。而Freya自己的游戏，那时候还没做完。她后来说现在发任何东西都会有一种焦虑，总会有人替你把它做完，然后拿去变现。再比如独立开发者61吐槽过有人经常和他互动还和他请教问题，最后发现这人一直在抄他们的产品。一个产品，最重要的就是思路：如何让人容易上手，如何打造优雅的体验，这些是开发者呕心沥血、日日夜夜打磨出来的东西，结果一发出去，别人用AI复制就完事了。那一直这样下去，这个行业的创新会不会停滞呢？大部分人都等着抄袭了呗。我不清楚，至少现在看是悲观的。你要说乐观的吧，也有。App市场接下来一定会越来越卷，卷完价格，再卷细节、卷用户体验。因为功能人人都能做出来，功能就不再是产品了，它顶多算一张入场券。那种开发了十几个App都没人买的，大概率就只做到了功能这一层，属于别家App都有的，属于AI一个下午也能搓出来，那用户凭什么买你的？所以往后开发者想把App卖出去，就必须在功能完善的基础上，去卷那些AI很难复刻的东西——稳定，还有细节上的享受。照这个方向推演，App的用户体验整体应该是在上升的。但那是后话，在上升之前，我们一定会经历、并且此刻正在经历一个混乱的过渡期：一堆AIslopApp靠着抄袭，在扰动市场。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
08/31
别急着盖“软件工厂”：没这4项硬指标，你只是在用AI堆积技术债务
AI原生工程的五个阶段，以及为什么绝大多数团队仍停留在第零阶段。“AI原生工程”（AI-nativeengineering）已经变成了一个人人挂在嘴边却没人能定义清楚的热词。供应商用它来推销工具；创始人用它来装点董事会PPT；CTO们用它时，意思其实只是“我们买了Copilot的授权”。这些都算不上真正的AI原生工程。所谓AI原生工程，是指AI从根本上改变了团队的运转方式。工作流程、代码审查机制、质量门禁以及评估体系，全都围绕着作为核心参与者的AI进行了重塑。大多数团队并没有做到这一点。他们只是在三年前沿用至今的运营模式之上，额外叠加了一些工具而已。你究竟处在什么位置据Akkodis数据显示，今年CTO对规模化应用AI的信心已降至48%，远低于2024年的82%。HCLTech报告称，预计有43%的企业级AI部署项目将以失败告终。Gartner调研了350家通过裁员来凑集AI资金的大型企业，发现绝大多数企业获得的收益充其量微乎其微。工具本身确实有效，但运营模式却没有跟上步伐。这条鸿沟比大多数CTO想象的都要宽，且忽视它的代价正变得日益昂贵。人人都在谈软件工厂，但大多数团队尚未做好准备关于“软件工厂”的讨论已全面爆发。ZachLloyd发表了一份内部备忘录，断言他的工程师是“工厂工程师，而非产品工程师”；Chamath畅谈其团队在8090打造的工厂；微软也在大力推介智能体工厂（AgentFactories）。但软件工厂属于第3或第4阶段，而绝大多数团队其实还停留在第0阶段。我们拥有数百名AI原生工程师，现在已经深入嵌入到100多家公司中，其中许多是由私募股权（PE）支持的中型企业。我们不做空洞的AI落地咨询。我们将工程师直接嵌入客户团队，与他们一起搭建。在我们合作过的团队中，几乎每一个都在使用AI工具，但在我们加入之前，几乎没有一家改变了围绕这些工具的运营模式。AI的五个阶段（以及为什么你直接跳过了其中四个）因此，我们总结了在100多个工程团队中实际部署的经验，并在此基础上构建了一套框架。这些绝不是凭空想出来的理论，而是在大量项目实践中重复出现、经得起验证的规律模式。第0阶段：诊断期在这个阶段你甚至都不知道自己处在什么位置。你的工程师可能正在使用AI，但你无法摸清究竟谁在用、用了多少，更无法判断它创造的是实际价值还是技术债务。缺乏基线，更没有衡量指标的基础设施。解决方案：部署开发者智能化分析工具，建立涵盖研发速度、质量及AI采纳率的DORA式基线，并对代码库进行全景梳理。耗时2到4周，成本极低。大多数公司实际上正处于这个阶段，却对外宣称自己已达到第2阶段。从第0阶段向第1阶段跨越，是大多数团队卡壳的地方。原因并非技术瓶颈，而是因为无人为此转型负责。缺乏AI生产力负责人、没有推广落地计划，也没有固定的衡量节奏。那些Copilot授权就这样挂着，孤零零地在虚无中生成着代码补全建议。第1阶段：AI赋能（个人层面）每位工程师都变成AI原生工程师。AI智能体拥有真实完整的代码库上下文；AI生产力负责人对团队进行针对性指导；资深工程师则担任代码审查的把关人。耗时1到3个月。第2阶段：AI赋能（组织层面）团队的工作流程发生根本变革。从Task工单到PR（合并请求）的过程实现了智能体化：规划、实现、运行测试、提交PR供人工审查，全部在沙盒环境内自动完成。分享我们服务过的一个真实案例：一家拥有50多名工程师的物流平台。仅靠2名工程师，就在3个月内提交并成功合并了122个PR，其中约90%的代码由AI生成。AI使用成本：每名开发者每月仅需约200美元。耗时2到4个月。第3阶段：AI工厂（产品维度）AI从“你怎么搭建产品”转变为“你卖什么产品”。大语言模型驱动的功能直接融入客户自身的产品中，带来全新的收入增长与更强的用户留存。大多数关于“软件工厂”的讨论都是以此为起点的。但在我们看来，这已经是第3阶段，而非第1阶段。耗时3到6个月以上。第4阶段：AI工厂（治理维度）构建完整的控制平面。包含模型网关、针对单一代码库的策略控制、全链路追踪、影响分析、合规审查以及审计日志。核心衡量指标转变为：“单位Token产生的实际价值”（impact-per-token），而非单纯生成的代码行数。耗时6到12个月。在把任何东西叫做“工厂”之前先回答以下四个问题：你的团队审查AI输出的速度，能否跟上AI生产代码的速度？你是否有足够的资深工程师，来精准识别并纠正AI犯下的错误？你的系统架构文档是否具备机器可读性？你是否明确梳理并记录了目前哪些工作类型中AI实际上是“拖后腿的负担”而非“效能倍增器”？如果你无法肯定地回答全部四个问题，说明你还没准备好迈入“工厂”阶段，你正处于需要“赋能”的阶段。你很可能所处的真实位置与我交流过的绝大多数团队，都自以为已经处于第2阶段。然而，绝大多数团队实际上只是买了Copilot授权、依旧停留在第0阶段罢了。率先理清这一差异的团队，其交付速度将拉开无法弥补的代差；而未能察觉的团队，只能不断通过招人来徒劳地弥补差距。靠堆砌人手已经无法填平这条鸿沟。今天，你的工程团队能够清晰回答这四个问题中的几个？本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
08/31
中国软件市场没有中间层：小公司的生路，是钻进大厂进不去的那道"铁幕"
什么才是中小软件公司的护城河？周末与一位远道而来的朋友一起喝茶，暂且叫A君吧，一位年轻的创业者，期间聊了很多关于国内软件行业的现状，总体感觉就是：中国软件的通用赛道，在二十年间完成了一场静默的圈地。当头部厂商把优质客户与"行业认知"的话语权一并收走，留给中小公司的已经不是一个需要拼搏的市场，而是一道需要绕行的墙。有的公司进入了别人无法进入的行业与市场，活得很滋润，但也有的还在OA、ERP的红海里年年陪标。路径南辕北辙，但压在身上的那道墙，是同一道。今天老杨无意渲染市场下的悲情，也不鼓吹所谓的速胜的理论。老杨就从企业战略与产业组织的角度，把周末那场对话还原为一套可检验的生存逻辑：在当前那个大赢家通吃的通用软件市场之外，中小公司究竟靠什么活下来，又为什么只有极少数能活下来。一、市场结构：中间层已经消失理解中小软件公司的处境，要先看清市场结构。中国软件行业经过二十余年发展，通用赛道的优质客户已被头部厂商以时间换空间的方式基本圈占。国内以OA、ERP为代表的管理软件领域，金蝶、用友等厂商不仅占据了客户，更关键的是占据了"行业认知"的话语权。头部厂商向客户交付的，从来不只是产品，而是一套关于行业最佳实践的管理理念。当销售团队站在企业决策者面前，用成熟的行业方法论去定义客户的业务流程时，客户购买的实质是一种"我也可以成为标杆"的预期。这种基于知识与经验的说服力，是中小公司难以复制的。中小公司的可选竞争维度因此被压缩为价格、灵活度、服务与商务关系。在通用市场上，这等于用利润换生存、用服务强度换订单。所以当然很严峻的一个现状就是：中间层已经不复存在，留给中小公司的结构性空间，只存在于两类区域——大厂因投入产出比不足而不愿进入的"深水区"，以及因行业封闭性而无法进入的"封闭区"。中小公司的战略起点，不是思考"如何在红海里赢"，而是思考"去哪里根本不需要和巨头同场竞技"。二、生路定位：进入封闭行业的纵深有的中小软件公司已经找到了生存路径：寻找一个封闭、非标、关系驱动、且巨头标准化打法失效的行业，长期扎根。在这样的行业里，商务关系而非产品能力成为交易的核心。项目推进不依赖标准化的招标逻辑，而依赖层级之间的信任传递。一个外部供应商要进入，需要以年为单位进行不计短期回报的关系渗透。但一旦建立信任，便形成一道极高的进入壁垒：信任的构建成本远超技术门槛，后来的竞争者难以在短期内追平。这正是一些中小公司的生路所在。头部厂商的标准化产品与流程驱动模式，在非标、强关系的封闭行业里难以适配；而中小公司凭借轻量组织与决策弹性，反而可以成为被特定行业"圈养"的专属服务者。定位的精髓，不是去抢巨头的市场，而是去巨头到不了、或不愿来的地方，把"到不了"变成自己的护城河。三、战术三原则：快、稳、沉淀谈及该朋友公司的现状及今后的发展策略，老杨给出了三点建议：第一，快：把决策链短变成核心竞争力。头部厂商响应一个需求，要走需求评审、资源调度、审批流转的标准流程。中小公司的优势在于组织扁平：现场沟通、现场采集需求、当天产出方案与界面原型，在AI工具的辅助下并非难事。关键在于，AI不是被当作聊天工具，而是深度嵌入核心业务流程——需求分析、方案生成、产品设计都由人引导AI共同完成。能否把AI转化为生产力，是这一时期中小公司能与大厂拼效率的唯一窗口。因为对于中小软件公司：时间即成本、效率即成本。很多中小软件公司就是被冗长的甲方决策周期、项目实施周期、回款周期拖死的。第二，稳：以节奏控制换取项目延续。中小公司最常见的失败，是一次性交付"最完美"的版本，结果因复杂度超出客户接受度而导致项目停滞。更可行的策略是控制节奏：先交付一个"刚刚好"的版本，让客户在使用中自然提出优化诉求，从而牵引出二期、三期。与之配套的是合同结构的选择——把大项目拆解为连续的小项目，快速渗透、快速回款，用一期一期的延续锁定客户。当项目被拆到足够细，外部竞争者介入的动力与价值都会显著下降。所以有时候“慢即是快”。第三，沉淀：从卖产品转向卖行业认知。软件产品是敲门砖，关系是通行证，老杨认为对于软件公司而言技术从来都不是核心。但真正让一家公司在特定行业里不可替代的，是它对行业每个环节、每个痛点、每个潜规则的理解深度。AI可以替代"按指令实现"的环节，却无法替代"知道该解决什么问题"的判断。但这一认知背后藏着一个组织风险：若把全部价值押在个别核心人物身上，该人物离开，公司即失去竞争力。中小公司必须建立关键角色的互补与备份机制，使任何单点流失都不至于动摇组织——这应成为组织设计的第一原则。四、最深的护城河是什么？软件行业的市场里存在一种天然脆弱性：产品功能可以被复制，技术可以被抄袭，客户关系可以被其他商务关系撬走。那么对于中小软件公司而言那道最深的护城河是什么？这是一个值得深思的问题，有人说是：风险！也就是说敢不敢承担风险！但这种风险非市场常见的那些管理风险与资金风险，而是特种业务条件下的场景风险。这类业务往往伴随高风险，比如现场作业一旦损坏客户的高价值设备，项目收益远不足以覆盖赔偿。但高风险本身构成门槛：正因为少有人敢做，做成的企业便获得局部独占。护城河的来源，有时不是技术领先，而是愿意并能够承担他人回避的风险。五、最后总结软件行业里没有神话。配得上"活下来"三个字的，是那些钻进一个垂直领域、把自身与客户命运长期绑定、用五年乃至十年耐心换取"不可替代"的中小公司。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
08/31
AI Coding之后，成熟软件公司如何改造产研流程？
AI进产研需补流程、提质量、优协作，而非单做个人工具从AICoding到质量工程、产品协同与客户交付，一批成熟软件公司正推动AI从个人工具进入完整产研流程。一个研发团队里，有几个人把AICoding用得很好，能说明什么？它可以证明个人效率提高了，却很难直接证明需求交付更快、软件质量更稳、客户问题解决得更好。代码生成只是软件生产中的一个环节。需求有没有说清楚，AI是否理解老系统的业务规则，生成内容由谁审查，测试如何验证，客户现场的问题怎样回到产品和研发，这些问题共同决定AI能否进入正式生产流程。成熟软件公司的探索，已经开始从工具使用深入到整套产研体系。AICoding进入团队，要先补齐生产流程个人使用AICoding，通常从代码补全、功能开发、单元测试和文档生成开始。到了团队层面，情况复杂得多。一套运行多年的ToB软件，往往同时存在历史代码、客户定制、多版本维护、私有化部署和隐含业务规则。很多信息没有写进文档，只存在于产品经理、架构师和老员工的经验里。AI可以读代码，却很难自行判断这些规则为什么存在，更无法准确识别哪些地方可以修改。因此，从案例来看，一些团队正在补齐三类信息：把需求从口头描述转成可执行的规格，明确目标、范围和验收标准；把架构约束、接口规范和历史决策沉淀下来，减少AI对上下文的猜测；把代码审查、测试、发布检查接入统一流程，让AI生成内容经过稳定的质量门禁。这种变化也带来了新的衡量方式。代码生成比例很直观，却无法代表完整效率。更值得关注的是需求响应时间、研发周期、返工率、缺陷率、回归测试时间和客户验收周期。代码生成环节变快，如果后续返工增加，整体交付效率依然没有改善。根据崔牛会在7月31日主办的ToBAI产研大会北京场的现场分享和调研，我们发现：AICoding的关注度最高，测试、质量、安全和上线验收紧随其后。企业已经开始关心代码生成之后的生产问题。开发提速后，质量工程必须前移AI提高了代码产量，也扩大了质量管理的范围。过去的测试通常集中在开发完成以后。AI加快开发速度后，测试团队如果继续在最后阶段接收成果，很容易成为新的瓶颈。需求理解偏差、架构冲突和业务规则遗漏，会集中暴露在测试、上线和客户验收阶段。质量工作需要向前移动。在需求阶段，要先定义什么结果算正确；在产品设计阶段，要明确业务边界、异常路径和验收条件；进入开发阶段后，AI生成的代码需要经过独立审查，测试用例也需要覆盖真实用户路径，不能只验证功能能否运行。现场讨论还触及了一个关键问题：AI生成的测试用例，谁来判断它测得是否完整？这件事依然需要人。AI可以帮助生成用例、分析缺陷、执行回归和检查代码，但业务正确性需要产品、研发和测试共同定义。尤其在安全、合规和客户验收要求较高的ToB场景中，权限、安全、审计和客户验收都不能交给模型自行决定。测试团队的角色也随之变化。它开始更早参与需求和方案评审，帮助团队建立可验证的目标、质量标准和发布门槛。开发速度越快，这套机制越重要。真正的变化发生在协作关系里当AI同时进入需求、产品、研发和测试，原有的岗位交接方式也会发生变化。产品经理可以用AI整理客户访谈、工单和会议纪要，也可以辅助生成PRD和原型。效率提升的前提是产品经理先把目标、边界和验收标准说清楚。需求定义模糊时，AI只会加快错误方案的生成。研发人员的工作重心也会变化。代码编写占比下降后，架构设计、上下文建设、代码审查和质量控制的重要性会上升。研发需要帮助AI理解系统，约束生成范围，并对最终结果负责。测试进一步前置，交付团队也需要进入这套流程。ToB软件的客户问题经常发生在现场。客户反馈经过销售、交付、产品再到研发，容易出现信息损耗。AI可以帮助整理现场信息、识别共性问题和形成需求线索，但企业还需要明确：哪些问题进入产品规划，哪些属于个性化交付，哪些可以沉淀成标准能力。由此形成一条更完整的产研链路：客户问题进入需求，需求转成可执行规格，研发在约束下生成代码，测试按照验收标准验证，交付结果再回流到产品。这条链路能否运行，决定了AI最终停留在个人工具层面，还是成为团队稳定复用的生产能力。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
08/31
AI自己出题自己练，两个月狂涨11%，编码自测反超Opus 4.8
喂不饱的模型，终于学会了自己种粮食训练一个能干活的模型，最贵的不是显卡，是训练题。尤其是到了编码和智能体这一档，光有题目和答案根本不够用：还要给它准备一套跑得起来的环境，一份判得了对错的测试，还要防着模型翻旧提交抄答案。难度也不能瞎给。太简单，模型闭着眼做完，什么也没学到；太难，一道都不会，攒不下正确的经验，等于白烧一轮算力。这些全凑齐了，还得凑够量。过去这活一直是人在干。慢、贵不说，主要是供不上：你刚整理完一批，模型转头就做完了。那让模型自己给自己出题呢？真有人这么干了。今年8月，Ornith一口气放出397BMoE、35BMoE和9BDense三档权重。训练流程里多了一个前所未有的环节：模型自己生成训练任务，自己搭解题脚手架，自己跑解题轨迹，三段一起丢进强化学习。出题这件事，AI从人手里接过去了。数字立刻给出了回报。Terminal-Bench2.1上，两个月前的1.0是77.5，这次的397B跑到86.1。两个月，涨了8.6个百分点。同一张表里，Ornith给出的ClaudeOpus4.8成绩是85.0。一个能随便下载的MIT权重，在这张表上排到了闭源旗舰前面。1.0学怎么解1.5学练什么今年6月的Ornith-1.0，已经干过一件挺激进的事：把agent脚手架，也就是AI解题时用的工作台，变成了可学习的对象。通常的做法是，人类工程师给某一类任务设计好一套脚手架：工具怎么给、任务怎么拆、出错怎么重试，全写死，然后让模型在这个固定框架里反复刷。1.0把这套框架拆了，交给模型自己搭。每个强化学习步骤分两段：先根据任务和上一轮用过的脚手架，改出一版新的；再在这版脚手架上跑解题轨迹。奖励从轨迹回传，两段都拿得到。Ornith-1.0的两段式自我提升框架。先改脚手架，再跑解题轨迹，奖励回传两段。模型学会了搭工作台。但活儿还是人派的：题目从哪来，1.0没碰。1.5把这一环也接了过去。给定一个代码库，一段关于任务类型的高层说明，再加上模型自己过去的解题记录，系统先生成一批新题，专挑比它已经做出来的更难一档的，戳自己的能力缺口。题定下来，模型再为这道题生成或改进专属脚手架：指令、工具、拆解策略、编排逻辑。最后在任务和脚手架的双重条件下，跑出解题轨迹。奖励从轨迹反向传回全部三段，一起用GRPO优化。关键在于出卷这一半也要打分。题出得不好，出题的那一半照样扣分。出题、搭台、解题，在这一刻闭环了。策略越强，出的题越难越有信息量；脚手架进化，越能把模型的本事榨出来；轨迹质量上去，又反过来喂出更狠的学习信号。过去两年，开放模型追赶闭源旗舰基本就两条路，堆参数，抄配方。两条都是照着别人的卷子抄答案。Ornith不想抄了。它要的是AI自己出卷。自己出的题怎么保证不是废题听上去很美，但很快就能想到破绽：模型要是给自己出送分题呢？奖励往哪儿高，模型就往哪儿漂。一个只会出「1+1等于几」的出题人，能把分数刷爆，训练信号却一点都没有。Ornith的办法是把任务奖励拆成三个信号：有效性、前沿难度、新颖性，三者相乘。相乘是关键。任何一项接近零，整道题的奖励归零。想拿分，三项必须同时成立。有效性管的是这道题成不成立：脚手架跑不跑得起来，高置信度的正确解能不能通过，明显错误的解会不会被判失败，判分逻辑跟任务描述对不对得上。团队干脆把它当硬门槛，不合格直接判零，专拦那些看着很难、其实根本判不出对错的废题。前沿难度，是整套设计里一个亮点。系统对每道题采样若干条轨迹，算出经验成功率，越接近0.2这个目标值，奖励越高。也就是说，一道好题，模型十次里应该做成两次。做成八次，说明它已经会了，没有训练价值；一次都做不成，连一条能学的成功轨迹都攒不出来，强化学习同样空转。卷子必须踩在模型刚好差一口气的位置上。更妙的是，这个靶子会随着模型能力动：某类题做熟了，成功率上去，奖励自动往下掉，出题端只能继续加码。整条难度曲线自动爬升，不用人再去调。新颖性排第三，权重也最低，只负责一件事：别老出同一道题的变体。官方特意注明它的优先级低于前两项，职责是去冗余，并非奖励怪题。所以这套「自我提升」，真正提升的是课程的自动演进。整套流程发生在训练阶段。你从HuggingFace下下来的那份权重是死的，它不会在你的笔记本或者手机上一边干活一边改自己。两把不同的尺子先说清86.1是怎么来的。这个Terminal-Bench2.1成绩，是Ornith团队在自己的环境里、用自己的配置跑出来的，官网写明取五次独立运行的平均值。而Terminal-Bench2.1自己有一张官方验证榜单，每一条结果都由榜单团队成员亲自复跑、核验之后才挂上去。截至2026年8月19日，那张榜单一共17项，里面没有Ornith-1.5。Terminal-Bench2.1官方榜单前八。Opus4.8以78.9%排第5，17项里没有Ornith-1.5。更要紧的是对比对象。Ornith表里的Opus4.8成绩85.0，是他们自己用Terminus-2框架给Opus4.8跑出来的数。而官方榜单上，Anthropic提交的ClaudeCode加Opus4.8，经核验是78.9%，排第5；榜首是ClaudeCode加Fable5的83.8%。同一个Opus4.8，两张表相差6.1分。区别是谁在测、用什么测。Terminal-Bench这类智能体基准，测的是模型、脚手架、超时、上下文和资源配置的组合成绩。换一套配置，分数就换一层含义。所以，榜单页面上挂着一条提交规则：不得修改超时或资源配置。就是为了不让参赛方靠调配置把分数刷上去。Ornith博客披露的自测配置是4小时超时、32核CPU、48GB内存。另外还动了配置，包括官方点名锁死的超时和资源。这些改动未必是冲着刷分去的，但可比的前提已经没了：项目自测和官方验证榜，不能放进同一个排名里读。许可证这一层同样要说清楚。MIT标的是权重。公开的GitHub仓库目前主要是README、LICENSE和展示素材，没看到1.5完整的训练实现、训练任务集，也没有可复现的评测脚本。开放权重，不等于全套开源。最有意思的其实是35B和9B旗舰负责上热搜，中小尺寸才决定有多少人真的用得上。这次发布里，最容易被忽略的，是中间那两档。35B-A3B是个MoE，每个token只激活约3B参数。就这个激活量，Terminal-Bench2.1跑到67.8，对比Gemma4-31B的42.1和MuseGlimmer-30B的51.7高出一个身位。SWE-benchVerified上79.0对52.0。3B激活打赢31B稠密模型，是这次发布里最划算的一款。比它更小的那一档，9BDense则是摆明了要冲端侧的那一档。自测Terminal-Bench46.2，SWE-benchVerified70.6，GPQADiamond86.4。HuggingFace上，5.63GB的压缩版已经放出来了，苹果电脑用的MLX格式也有。但9B也不是全面压过Gemma4-31B。编码和推理项上它确实领先，MCP-Atlas却是54.2对55.0，Toolathlon-Verified是41.2对52.8。这两项考的是多轮调工具、接住返回结果、按状态改计划，链条一长，9B的容量就撑不住了。编码和推理能靠训练方法把体量差补回来，工具调用补不回来。下一场竞赛可能在题库6月的1.0，Terminal-Bench自测77.5。8月的1.5，86.1。两个月，提升了约11.1%。比这个数字更重要的，是它背后的能力是怎么长出来的。1.0学的是「怎么解」，1.5开始学「该练什么」。数据生产这道工序，被整个搬进了强化学习的闭环。高质量的智能体训练任务，一直是稀缺品。人工整理的速度，早就跟不上模型吃题的速度。这套机制冲着解决的，刚好是这个很具体的工程问题。开放模型追赶闭源旗舰的方式正在切换。堆参数和抄配方之外，多了一条路：自己造题。谁能持续造出好题，谁就握着持续变强的燃料。Ornith-1.5的三段闭环。生成任务、生成脚手架、跑出轨迹，奖励回传三段，统一用GRPO更新。模型的上限，除了拼算力，还要拼题库。只是当出题、搭台、解题都交给模型，人类留在这个闭环里的位置是什么？本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
08/31
AI数据治理的真实水平是什么？
AI数据治理的真实水平是什么？上个月我去一家企业交流。对方的汇报材料做得漂亮：大标题写着"AI驱动数据治理全面升级"，配图是治理大屏，PPT足足四十页。我问了三个问题：元数据注释覆盖率多少？对方答，大概百分之二三十。质量检核规则配了多少条？对方答，几十条，还在建。AI在治理流程里跑了几个环节？对方顿了顿说，目前主要是给领导演示用。你看，PPT里的"全面升级"，和车间里的真实水平，隔着一条鸿沟。今天这篇文章，想撕开包装纸，看看AI数据治理的真实水平到底是什么——不吹不黑，就摆事实。因为只有认清真实水平，才知道下一步该往哪走。01先分清：AI数据治理是两件事很多人聊"AI数据治理"聊得云里雾里，是因为没分清这其实是两件事。第一件：为了AI的数据治理。大模型要进企业，得先喂数据。可大模型对数据的要求和传统报表完全是两回事——报表要的是结构化、口径一致的数字，大模型要的是文档、日志、工单这些非结构化数据，还要有语义、有上下文、有知识关联。你原来的那套治理体系，接得住吗？第二件：用AI做数据治理。把大模型当成治理工具：让它读元数据、生成注释、识别口径冲突、自动做分类分级、写质量检核规则。这件事现在被吹得很神，真实效果后面细说。两件事，两个真实水平。分开盘，才看得清。02为AI做治理：真实水平不及格先说第一件。把几个行业共识的数据摆出来，你就知道现在是个什么水位。毕马威的调研显示，66%的企业把"数据基础薄弱"列为企业落地大模型的首要挑战——不是模型不行，不是算力不够，是数据这口锅底下没柴。MIT2025年的报告更狠：约95%的生成式AI试点项目没有产生可衡量的回报，而失败原因里排名靠前的，正是数据没准备好。具体到治理水平，看几个关键指标的真实水位：元数据注释覆盖率，多数企业落在20%到50%之间——也就是说，一半以上的数据表，没人说得清里面装的什么、从哪来、能不能用。更要命的是非结构化数据。企业数据总量的80%以上是非结构化的——文档、邮件、图纸、工单、会议纪要。而过去二十年，企业的数据治理基本只盯着那不到20%的结构化数据。大模型恰恰最需要的就是那80%。行业里有个判断越来越成为共识：非结构化数据治理正在从"可选题"变成"必作题"，但绝大多数企业，这道题还没开始做。还有一层更隐蔽的短板：语义。大模型进企业后答非所问，十有八九不是模型笨，是它面前没有一张"企业语义地图"——客户在这套系统叫"甲方"，在另一套系统叫"合作方"，在财务凭证里叫"往来单位"，没人告诉模型这些是同一个东西。语义层缺失，是AI数据治理当前最深的坑，也是最难补的课。03用AI做治理：真有用，但别神化再说第二件。用AI做数据治理，不是骗局，确实有几个环节的效率提升是实打实的。元数据注释。过去靠人肉看表填说明，一张表半小时。现在大模型读表结构、采样数据、结合上下游血缘，自动生成业务含义描述，注释覆盖率从20%-50%提升到90%以上，这在已有实践的数仓项目里已经跑通了。口径冲突检测。让AI比对多张表、多个指标定义，找出"同名不同义"和"同义不同名"，这在动辄几万张表的企业数仓里，人工基本做不动，AI做初筛、人做确认，效率差出一个数量级。分类分级。安全合规要求每张表、每个字段都要定级。大模型读字段名和采样值，初判敏感等级，人工复核调整，一个过去要做半年的活，压缩到几周。但是——注意这个但是——这三个环节有个共同点：AI干的都是"识别"和"初筛"的活，判断权和修正权还在人手里。凡是涉及业务口径之争、部门权责之争、历史遗留的数据恩怨，AI一概无能为力。数据治理最难的那部分，从来不是技术活，是组织活。这一点，AI在可见的将来替代不了。还有个反直觉的事实：用AI做治理，本身需要先有治理基础。AI识别字段含义，前提是血缘链路已经打通；AI生成质量规则，前提是质量框架已经建立。治理基础差的企业，买再多的AI工具，也是巧妇难为无米之炊。这就是为什么同样的AI治理产品，在数据底子好的企业是加速器，在底子差的企业是摆设。04一张自评表：你的AI数据治理在第几级把上面说的两件事综合起来，AI数据治理的真实水平可以分成五级。对照一下，你所在的企业在第几级——不看宣传材料，看实际状态。行业真实分布是什么样？一句话：绝大多数企业卡在L2，少数领先者到L3，摸到L4的凤毛麟角，L5目前主要是厂商PPT里的概念。如果有人告诉你他已经是L5，你可以问一句：你们非结构化数据纳管率多少？语义层建到什么程度了？大概率就聊不下去了。05宣传与现实之间，隔着三个错觉为什么"AI数据治理"听起来热火朝天，实际水平却普遍在L2？因为中间隔着三个普遍的错觉。错觉一：把采购当建设。买了AI治理平台，就觉得自己有AI治理能力了。工具躺在机房里，流程没改、人员没动、考核没变，覆盖率一个百分点都没涨。采购完成的那一刻，建设才刚刚开始——这话反过来说才对：采购完成，不代表建设开始。错觉二：把演示当能力。供应商的demo永远惊艳——那是在精心准备的数据集上跑的。回到自己企业的数据沼泽里，同样的功能跑出来一地鸡毛。判断真实能力只有一个标准：在你自己的数据上、跑你自己的场景、出你自己的结果。错觉三：把工具当治理。治理是组织、制度、流程、平台、考核五位一体的系统工程，AI工具只是平台那一环的一小部分。指望一个工具解决治理问题，就像指望一辆好车解决通勤问题——路不通、没驾照、不加油，车再好也是摆设。06从L2到L4：真实可行的路径认清水平的意义，不是泄气，是找准跑道。从L2往上走，路径其实相当清晰。第一步，把结构化的存量治理做扎实。别被AI带乱节奏。元数据覆盖率、主数据质量、指标口径统一，这些老三样是AI时代同样要过的关卡，而且现在做，AI还能帮你加速——用AI做元数据注释、口径比对，就是最划算的第一站，投入小、见效快、团队还能练手。第二步，按AI应用倒推非结构化治理。不要为治理而非结构化，要跟着AI场景走：先上智能客服，就先治客服工单和知识库；先上合同审查，就先治合同库。一个场景一个场景地建，每个场景都让治理投入在业务上兑现成看得见的回报。第三步，围绕语义层做长期投入。业务对象、业务术语、指标口径的统一定义，是AI能"听懂人话"的地基。这件事没有捷径，靠的是数据团队和业务部门一场一场地对齐。但它也是护城河——语义层建起来的企业，每一个AI应用都比别人快一步。07写在最后回到开头那家企业。上次交流后三个月，他们又约了一次。这次没看PPT，直接看平台：元数据注释覆盖率用AI初筛拉到了85%，质量规则从几十条加到四百多条，第一个非结构化场景选了设备检修工单——因为生产部门天天催。负责人说了句实在话：以前我们把"AI数据治理"当成汇报的词，现在把它当成干活的序。AI数据治理的真实水平是什么？是大部分企业刚从L2的泥地里拔出脚，是AI在治理的边角环节证明了自己、而治理的主体工程仍要一砖一瓦地砌，是宣传领先实践两年、实践领先报表两个季度。认清这一点，不丢人。丢人的是用PPT的水平代替真实水平，还信了。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
08/31
这些小习惯，在AI时代会变得越来越重要
我们正在面临一个AI时代。在生活和工作中使用AI进行辅助，已经越来越成为每个人的日常。那么，面对这个形势，有些习惯和思维方式，也就会变得越来越重要。有的是在AI时代里保持个体的价值，有的是更好地让AI「为我所用」……今天的文章，我想跟你分享一些心得和感悟，帮你更好地面对未来。1.强化自己的思维独特性，从记录想法和感受开始很多人可能会有一个疑惑：有了AI，很多问题都可以向AI提问，那么我们作为个体的价值如何体现出来？我的看法是这样的：AI能够获取的，是「全人类」的信息和知识，它能够呈现和提供的回答也是平均化的。但具体到我们本身，我们每个人都有自己的成长经历、信息积累、品味偏好……正是这些构成了与AI截然不同的思维。换言之，我们跟AI的区别和优势，正在于我们有跟AI所截然不同的信息权重和压缩算法。这些构成了我们的个性，构筑起我们跟其他人不同的性格、特质和思维，也让这个世界变得更加多元化。因此，一个很重要的建议是：保持和强化这种独特的权重，强化我们作为个体的独特性和唯一性。这可能是使得我们在AI时代能够保持价值的基础和前提。如何做到这一点呢？一个训练方法是：多记录下自己的想法和感受，让它们帮助你梳理自己的思路，保持和强化自己的独特性。比如：看了一部小说和影视剧，试着用几句话写一个短评，不用追求写得很好，而应该从自己出发，记录自己的感受，这才是真正属于你的东西。看到一个很有感触的知识点，试着对它做一些联想和思考，不用追求很全面和很有深度，而应该基于自己的积累和导向，充分发挥自己的品味和兴趣。这可以帮助你在未来AI主导的、很可能高度趋同的世界里，保持自己的独特性和价值。2.多跟他人接触交流，增强跟这个世界的联系可能有些人会觉得：我们能够跟AI聊天，让AI帮我们排忧解难，是不是不再需要跟「人」建立联系了？我的看法是：跟AI交流当然是很有用的，但这并不意味着我们不需要跟真正的人类交流了。相反，跟人的交流，反而可能变得更重要了。为什么呢？一方面，AI的交流方式跟真实人类还是很有差异的。这就会导致，如果过度依赖跟AI交流，可能会削弱我们跟人相处的能力，让我们变得越来越封闭。而就目前而言，我们也不可能在生活中完全跟人隔绝开，始终是要跟别人打交道的。另一方面，我们的社交需求并不仅仅只有交流，还包括「共同做一件事情」，这样才能为我们带来真实的连接感和归属感。而这是目前AI很难替代的。因此，我比较建议：如果你习惯跟AI交流，那么，也可以试试有意识地迈出自己的舒适圈，更多地跟人接触，来起到对冲的效果。一方面，可以试试参加一些活动，跟活动上认识的人聊聊天。让大脑接触到新的模式和挑战，帮助它更好地完善自己。另一方面，试着跟朋友多到线下接触，共同做一些事情，比如逛街、聚会、娱乐、群体活动……这会更好地强化你跟这个世界的联系，增强你的归属感。3.日常学一点外语，可以有效遏止大脑老化可能有人会想：有了AI翻译，是不是完全不需要学外语了？有任何需求直接让AI翻译就足够了。其实，学习外语有一个很重要的作用：能够为大脑提供认知储备，预防因为阿尔茨海默病等导致的认知能力下降。什么是认知储备呢？简单来说就是：提高神经网络中神经元的连接效率。即使因为衰老和疾病导致一部分神经元失去作用了，其他的神经元也能弥补上来。不少研究都发现，学外语能有效提高认知储备。比如一项2014年的研究发现：随着双语者年龄增长，他们的颞叶和顶叶更不容易受损，同时额叶和颞叶、顶叶的连通性变强，这可以有效提升认知储备。*1同时，外语可以提升大脑的执行控制能力和注意力，增加前额叶皮层中神经元的连接密度，这可以有效对冲年龄增长所带来的损伤。大体上，会两门语言的人，大脑的老化会比只懂一门语言的人轻。学习三门、四门语言效果会更好，但效果的增幅逐步降低。简单来说：如果追求性价比，那么熟练掌握一门外语就可以了。如果有充足的时间和兴趣，那就多多益善。所以，如果你只是为了应用，那么AI翻译可能的确足够；但如果你是为了锻炼大脑，让大脑保持更好的认知能力，避免阿尔茨海默病，那么学习外语就是一种很有用的措施。4.维持一份日常备忘录，让AI帮你记住人生我有一个习惯，准备一个专门的备忘录笔记，无论在做什么，只要我觉得「这个信息值得记下来」，我就立刻用一句话或几个关键词，把它记录到这页备忘录上面。它主要包括下面这几类信息：有趣的、值得后面花时间去研究的概念、问题和知识点；采取了什么行动，有什么以后可能用得上的信息和细节；自己做出某个判断的思考过程和感受，供以后复盘使用。然后，闲暇的时候，我就打开这页备忘录，做一个纵览，看看有什么可以进一步处理，有什么需要我反复加深记忆，有什么是可以整合、串联起来的。如果以后需要用到之前的某个东西，比如针对某个问题我采取的行动、处理某个项目时我遇到的问题和思考过程，我都会第一时间在这个「备忘录」笔记里搜索，找到我当时做的记录。而有了AI之后，这个习惯就变得更有价值了。你有了什么问题，完全可以第一时间让AI帮你从这份备忘录里面搜索、提炼，找到跟它相关的信息，帮助你将过往的经验和行动重新发挥价值。它就像你的外置大脑和知识库，而AI就是调用它的中枢控制中心。假以时日，它可能会在AI的加持下，成为你最具价值的、专属于自己的「工具箱」。5.偶尔读一点需要动脑的内容，培养思考的习惯可能有人会问：有了AI，我们获取信息、提炼信息都变得非常简单，还有必要去阅读和学习吗？我的看法是：很有必要。为什么呢？最本质的原因是：一个知识，是存在于你的大脑里面，经过你的咀嚼和思考，被你完全消化和融会贯通；还是只是存在于外界，被你轻易得到，为你提供信息，两者是全然不同的。前者，它会成为你思维的一部分，帮助你看待问题、理解事物、做出决策；后者，你其实只是在按图索骥，一旦失去详细的指引和解释，也许就会不知所措，失去方向。只有真正内化到大脑里面的东西，才是真正属于你的东西。所以，我一直强调一点：我们阅读和学习，最重要的其实不是为了记住信息，而是为了锻炼大脑，让它将这些知识吸收内化，推动它更好地思维和运转。换言之，我们可能会遗忘掉读到的信息，但我们不会失去通过阅读所训练出来的「痕迹」。这些痕迹积累起来，就形成了我们的思维能力。所以，不妨偶尔读一些复杂的、需要动脑思考和吸收的东西，这有利于让你的大脑保持活跃，从而更好地创造价值。6.时不时改善一个「将就」，优化自己的生活和工作流程AI有一个非常棒的地方：只要你能够想到的事情，几乎都可以让它帮你实现，只是需要一些时间和操作。所以，如果你还不知道用AI来帮自己做什么，我有一个小建议：试着去找到自己生活中不够完美的「将就」，再试着让AI帮你把它解决掉。我们在日常生活和工作中，一定会遇到许许多多的小问题，它们会对我们的行动产生摩擦，让我们感到不便。只不过大多数时候，这些不便并没有那么难受，忍一忍就过去了，这才导致它们一直没有得到解决。久而久之，就变成了我们的习惯，成为了一种「将就」。但你有没有想过：一旦把这些「将就」给解决掉，会对你的生活有多大改变？举个例子：很多人经常会产生一些很好的点子，只是因为麻烦而没有及时记下来。但一旦把这个步骤简化，每天能够多记录一两个点子，一年就能多产生几百个点子。哪怕里面只有5%是有用的，也绝对物超所值了。那么，你完全可以用AI来开发一个完全适配自己的记录小工具，不用追求把它做得多好，也不用追求商业化，只要能够解决自己的问题，帮自己减少一点点摩擦、增加一点点效率，就足够了。哪怕它只能增加千分之一、万分之一的效率，日积月累，也能让你获益巨大。7.试一试偶尔什么也不做，让自己习惯低刺激模式最后，分享一个看似跟AI无关，但我觉得很重要的小习惯。我们总是在追赶着时间，一切为了「快速」和「高效」，追求在更短的时间内做更多的事情；如果停下来，就会觉得空虚、无聊，觉得自己在浪费时间。从而，一直活在一种对时间的高度焦虑和追赶之中。这其实是不必要的，它只会让我们变得更忙碌、更麻木，久而久之，慢慢失去对生活的感受和知觉。所以，一个简单的小建议是：试一试什么也不做，什么也不想，静静地坐着，待15分钟。在这15分钟里，你的大脑里面一定会充斥着大量的念头和想法，可能还有一阵阵催促你赶紧站起来去行动的声音，试着不要在意它们，让它们起起落落，来来去去。如果有条件，不妨到外面去，找一个环境比较好的角落，暂且关闭掉大脑的思考，而是打开自己的感官，专注地去听、看、闻，去感受周围的一切。你会发现，经过几次这样的练习，你的神经会变得更轻松，没有以前那么紧绷了；你的大脑也会更加习惯这种低刺激的模式，不再紧迫地要求你玩手机、看消息……你能够更好地感受自己身体内在的信号，更好地掌控自己的念头、想法和情绪。你会发现，当你稍微放慢脚步，生活也会变得更加立体和多彩。一切高效率都是为了让我们更好地生活，而不是生活为了更高的效率，千万不要本末倒置。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
08/28
当所有人都学会AI，为什么我们反而更累了？
2026年，AI席卷一切，也成为了组织管理领域的热词。先是“一人公司”，接着是“消灭中层”；再后来，是“人+Agent”“Agent+Agent”，好像所有公司都想赶紧把自己写进“AI原生组织”的故事里。但最容易把人带偏的，也恰恰是这种“势不可挡”的真实感。因为当工具飞快进化，我们很容易顺手得出另一个结论：组织也会以同样的速度被重写，过去的管理经验已经过期，人和人的协作即将成为旧世界的遗迹。可现实真的是这样吗？丛峰咨询创始人、组织管理专家丛龙峰带着一个有点“扫兴”、却很重要的提醒回到混沌：AI的变化是真的，但AI带来的组织幻觉也是真的。别把技术进化的速度，当成组织变化的速度过去两年，AI的确发展得很快，但其实整个AI浪潮中的关键时刻仍然只有两个。一个是2022年ChatGPT横空出世，只是多数人在2023年才感知到变化，甚至更多人是在2025年年初DeepSeek爆火出圈时才意识到；另一个是2025年2月ClaudeCode横空出世，vibecoding走向现实；只是，绝大多数人是在今年3月“养龙虾”时才知道。所以，对很多工作者、普通人来说，AI从“陪你聊天”走向“进入流程、直接做事”，好像只用了很短时间。在Agent进入工作流的同时，“超级个体”出现了，组织也“突然”变小。但随后，另一部分现实也迅速变得更凸显了：一个人效率变高，不等于一群人自然协同；工具进入公司，不等于组织完成转型；层级可以压缩，目标冲突、责任归属和人际关系却没有因此消失。所以在这堂课，丛龙峰老师提出的一个更加现实的判断是：与其急于全局推进组织转型，不如先分清——哪些变化已经发生，哪些关于组织与人的基本规律依然没有改变。不同行业、岗位、企业，不在同一个AI世界这场技术浪潮，也伴随着一场极大的“K型分化”。未来的社会格局甚至可能会变成“1%的增强型人类+99%的普通型人类”。因为目前可以清晰看到的一个现状是：我们虽然生活在同一个年份，却不一定生活在同一个世界、同一种处境。有人在追求将AI推向AGI，有人在等待具身智能领域里的ChatGPT时刻；也有人在创作各种AI应用或作品表达，但更有人还在继续依靠过去的人的经验和能力。比如，一个快递小哥如果看见有人在训练Agent，可能会问：这是什么？这跟我有什么关系？再比如，有些企业现在已经开始让普通一线员工管理多个Agent，但有些企业却连最基本的流程都还没有跑顺。所以在这堂课，丛龙峰老师会详细拆解，AI对组织的影响，时间上没有想象中那么快，空间上也并不均匀。我们不能脱离时空结构谈问题，也不能脱离业务本身谈问题。任何一种组织变革，都要先问适用边界。如果手里拿着“AI转型”这把锤子，看哪里都像钉子，结果往往不是升级，而是盲动。企业装上AI前，不能跳过基本功作为组织管理专家，丛龙峰曾作为常年管理顾问，陪伴过10家行业领军企业的成长，包括德邦快递、传音控股、喜家德、奈雪的茶等企业。而今年，丛龙峰被咨询过最多的一个问题就是：公司该怎么做AI组织转型？他的回答不是先买什么工具，也不是先裁掉哪一层，而是先问一句：“标准化、流程化、数据化、知识化都做完了吗？”只有做好前四步，才有可能走向第五步“智能化”，否则AI接手的只能是一团混乱。这个提醒很朴素，却可能比一套漂亮的AI转型方案更接近现实。因为AI不是凭空接管业务，它需要清楚的任务、可靠的数据、可调用的知识和稳定的反馈。更麻烦的是，不同阶段的企业，对AI的适用程度完全不同。一家模式还没有跑通的公司，最需要的是探索；一家处于扩张期的公司，最需要的是在变化中迅速判断；一家进入成熟运营期的公司，才会有大量确定、重复、收敛的工作，可以交给AI持续优化。所以在这一堂课，丛龙峰老师会从技术、组织与人三个层面，重新审视AI时代的组织问题。而对未来，他说得很克制：“短期不宜过于乐观，中期趋势非常明确，长期终局还看不准。”AI不是一个Project（项目），而是一段很长的Journey（旅程）。AI可以干掉任务，但绕不开组织和人“一人公司”的迷人，在于它提供了一个极具诱惑力的想象：一个人带着AI，就能完成过去几十个人的工作。没有层级，没有协同损耗，没有办公室政治，只有高效、自由和创造。但现实是，当所有人都拥有工具，竞争并不会消失，只会抬到更高的维度。一个人可以做更多事，但想完成更大的目标，仍然需要与别人合作。所以组织真正的难题也不会消失：共同目标能不能被确立？成员有没有贡献的意愿？信息能不能有效流动？而“消灭中层”之所以有传播力，是因为很多企业确实受够了层层汇报、层层转述、层层审批。组织里看起来人人都很忙，真正推进业务的动作却没有多少。但AI真正消灭的不是“中层”这个组织角色，而是中层身上那些已经退化为机械任务的部分。因为当汇报被压缩之后，管理者还要回答更难的问题：目标发生冲突时，先保哪一个？信息互相矛盾时，相信谁？一线出现新机会时，谁能识别它、调动资源，又承担判断错误的责任？也就是说，AI压缩的是中间任务，不是组织协作本身。AI最容易改造的是效率逻辑，但一家真实的企业，除了是经济组织，还是社会组织，也是由关系、情感和博弈构成的小社会。所以在这一堂课，丛龙峰老师给出的一个判断是：“OPC大概率是一个过渡性的现象。改变世界的不是一人公司，而是小团队。”未来的组织可能更小、更扁、更灵活，但它并不会因此不再需要管理。对于AI时代的新组织范式，丛龙峰老师也给出了自己的思考结果：“三个不等式”——人才＞岗位，团队＞组织，形态＞结构。当AI越来越像人，人要更像自己组织的终极命题，一定要回到人的原点。那么对于人来说，“这几年，我们真的因为AI变得更好了吗？”我们每天都在谈AI让人更有效率、更有创造力，但很多人的现实感受，却是更焦虑、更内卷。面对快速迭代的AI，人们先是焦虑，追不上之后又逐渐麻木。现实中，人也可能越来越像AI。说同样的话，写同样的内容，做同样的选择，甚至不知道自己为什么这样做。但人不是一份岗位说明书，也不是一个固定模型。AI时代也许会让知识越来越便宜，但无法取代人的独特性。组织真正的未来，也不只是拥有更多Agent、更少层级或更高人效，而是能否在技术不断进步的同时，依然保护人的创造力，让每一个独特的人拥有发挥天赋的空间。所以在这一堂课，丛龙峰老师没有提供一个关于未来组织的标准答案，而是帮助管理者建立一套更完整的判断框架：不盲目追逐技术热潮，也不因技术进步而低估人的价值。在追求效率之外，重新看见人的判断、责任、关系与创造力。AI会有AI的去处，而组织要做的，是让人仍然有人的去处。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
08/28
Claude自己长出浏览器，填表拉数，你的AI打工人有工位了
浏览器降级成了零件8月26日，Claude开了自己的浏览器。你在Cowork交代一句「把这个月的发票从供应商门户里拉出来」，Claude判断这活得上网，侧栏就自动开出一个浏览器窗口。它在里面浏览网页、点链接、往输入框里打字、把表单一栏栏填完，你在旁边看着，全程不用切窗口。你天天用的那个浏览器，Claude完全不碰。开着的标签页、书签、登录状态全在原地，你还在原来的窗口里干原来的活。官方原话是：这是Claude的浏览器，不是你的。同一天，ClaudeinChrome也结束试点，向全部付费套餐正式开放。而就在17天前，OpenAI刚关掉了自家AI浏览器Atlas。那款产品从上线到停运，只活了292天。OpenAI花了292天想把AI塞进浏览器，最终放弃了。而Anthropic反手则把浏览器塞进了AI。侧栏里它到底在干什么丢给Claude的任务一旦涉及网站，侧栏就会自动打开一个浏览器。Claude在里面打开站点、读页面、点击、输入、填表，全程你都看得见，不用来回切窗口。任务记录里贴的链接，也在同一个侧栏里打开，不会把你甩到别的窗口去。它接的都是你日常里最烦、又谈不上多需要动脑子的那类活：给一份报告收调研资料、从供应商门户拉这个月的发票、跑一个压根没有连接器的门户。翻十几个页面把数字一个个抄下来，在同一张表单里重复填三遍，这些现在可以整段丢过去。以前它得先跟你借浏览器在这之前，Cowork想碰网页只有一条路：装上ClaudeinChrome扩展，借你自己的浏览器去干。对着眼前的网页干活，这条路原来一直够用。但麻烦的是另一类活：没有连接器、也没有API的老系统，除了浏览器，没有别的门能进。比如：十年前的内部看板、供应商的报销门户、行政系统里那个必须手动点七下的审批页……多数公司的真实日常，就跑在这堆没人愿意提起、也没人敢动的旧界面上。智能体再聪明，走到这一步也只能停下来喊人。Anthropic一句话捅破了这层窗户纸：很多网页任务不需要你的浏览器，需要的是一个AI能用的浏览器。两个浏览器各接各的活ClaudeinChrome这次转正，变的不只是开放范围。它同时拿到了自主执行动作的权限，由一个安全分类器逐条校验之后再放行。去年它以试点形式亮相时，Anthropic给的理由就是要先在小范围里把提示注入的防线补起来。一年过去，才敢把这扇门向所有付费用户打开。这套自动批准的机制，和ClaudeCode里的automode是同一套：分类器把Claude准备做的动作，和你最初提的要求比一比，对不上就拦下。不放心的人可以在设置里关掉，退回逐条手动批准。ClaudeinChrome同日结束试点，向全部付费套餐开放，动作可自主执行，由安全分类器逐条校验。两条浏览器路线是这样分工的：内置浏览器负责「交出去」的活：调研、收发票、填表单，你不用盯着，继续干别的；ClaudeinChrome负责你眼前的网页：已经登录的CRM、堆满未读的邮箱、正在改的在线文档，你登着什么，它就能用什么。已经装了扩展的人，默认还是走Chrome；没装的，默认用内置浏览器。设置里的Cowork一栏可以随时改首选浏览器。它并非完全隔离默认状态下，Claude看不到你的标签页、书签和密码，内置浏览器和你自己的浏览器是分开的两套。但它也留了一道自愿的口子：你可以按站点导入Cookie，把登录状态搬过去。macOS上支持从Chrome、Edge、Firefox导入，Windows和Linux测试版目前只支持Firefox，Safari不支持。银行、邮箱和SSO类站点默认不勾选。并非禁止，你需要的情况下也能勾选。还有一点需要注意，你在内置浏览器里登录过的账号，之后这台电脑上的Cowork任务，Claude都能接着用。今天顺手登的那个后台，下周的某个任务里它照样进得去。提示注入这一层，Anthropic的预防办法是三层：探针扫描网页内容、动作执行前拿去和你的原始请求比对、高风险站点直接拦掉。探针要比对的那份攻击库，来自Anthropic的内部自动攻击器、外部红队和真实世界里的监控。有新攻击打穿了，就补进库里，再喂给下一代模型去学。官方最新评测里给了一组数字：由专业红队构造的攻击，在没有额外防护时对Opus4.5的成功率是17.6%，对Opus5降到3.8%；补上探针和安全分类器之后，Sonnet5、Opus5、Mythos5都被压到了零，Fable5是0.3%，而且这几例都被人工确认为低危场景。叠加探针与安全分类器后，Sonnet5、Opus5、Mythos5攻击成功率为零，Fable5为0.3%。Anthropic自己也把风险说在了前面：这些手段能显著降低风险，不能清零，提示注入始终是个移动靶。今天拦得住的，明天未必。帮助文档里还警示：强烈不建议用内置浏览器或ClaudeinChrome去处理金融账户、医疗信息和他人的个人数据。官方给的建议是，从你信得过的站点开始，涉及钱和个人信息的事别撒手不管，看着不对就把任务停掉。浏览器降级成了零件Atlas是2025年10月21日上线的，Chromium内核，ChatGPT焊在侧边栏里，agent模式能替你订机票、跑分析。当时的叙事很宏大：浏览器是新的入口，谁拿下浏览器谁拿下AI时代。十个月后，它关停了。Atlas于2025年10月21日上线，2026年8月9日停止运行，共292天。但OpenAI没有放弃智能体浏览这件事，只是把它的能力放回ChatGPT和Codex：死掉的是「独立AI浏览器」这个形态，不是这个能力。原因不难猜。让一个人换浏览器，等于让他搬走书签、密码、扩展、习惯和整套工作身份。这道门槛比模型能力高多了。Anthropic绕开了它，但脚步一直没停：7月，ClaudeCode桌面端先上了一个沙箱浏览器，快捷键Cmd+Shift+B呼出，干净配置、不继承任何Cookie，先给开发者试；8月12日，ClaudeinChrome的侧栏升级成完整的Cowork会话，任务能在桌面、网页、手机之间接力；8月26日，轮到Cowork，浏览器推给了普通打工人。Anthropic帮助文档里排了一条工具优先级：有连接器就用连接器，没有连接器才开浏览器，操作屏幕是最后手段。浏览器在它的产品逻辑里从来不是主角，只是连接器够不着时的兜底。也正因如此，它才非有不可：只要还有网页存在，浏览器就是那个万能接口。过去两年大家都在问，AI浏览器能不能干掉Chrome。Anthropic没像OpenAI那样去抢这个入口，而是把浏览器做成了AI的一个零件。这个问题，可能从一开始就问错了。智能体开始有自己的工位内置浏览器一周内逐步推送，Pro、Max、Team都有，覆盖macOS、Windows，Linux是测试版。Enterprise当天就能用，管理员在组织设置里打开就行。还有一个物理约束，容易被忽略。这个浏览器住在ClaudeDesktop里。你可以从网页端或者手机上远程指挥它，但桌面应用必须开着，而且在线。过去两年，我们衡量一个模型，看的是它答得多准、推理多深、跑分多高。从今天起，得再加一项：它有没有一套自己能动手的工作环境。浏览器、登录态、可以跨任务保留的记忆，这些东西叠加在一起，就是一个AI员工的工位。过去AI想用网页，得先挤进你的窗口，借你的登录，占你的标签页。Claude有了自己的浏览器，也就有了自己的工位。人和AI在同一台电脑上的分工边界，正在重新划线。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
-
26
08/28
10年前赌输的创业，被AI救活，以后人人都能改自己的App
AI时代可扩展软件让用户自定义个性化功能。我收藏的长文，全推到我的阅读器上。每周扫一遍arXiv，跟我方向沾边的论文都留下，贴好标签。我常看的网站抓下来老是乱码，给它单独写个解析器。这是Cloudflare首席工程师JeremyMorrell的「独家需求」，他手上的那个阅读App，一条也做不到。他想要的是，这几句话说完，就有个机器人把对应的零碎代码挤出来，挂到软件预留好的扩展点上，然后自己跑起来。做完还能顺手分享出去，谁想要谁拿走。这，才是他心目中理想的软件样子：可扩展软件（ExtensibleSoftware）。Morrell认为今天我们用的绝大多数Web软件，都是静态的。这个静态不是指网页技术，而是说你改不动它的逻辑。功能在发布那天就定稿了，只能用，不能改。AI让这一切都变了。人人都能改自己的App，不再是梦。用户说「加个我要的功能」，电脑当场加上，用户回一句「nice」。Morrell说这就是他想要的软件。为什么你心心念的那些功能，永远没人做出来因为，全世界只有你一个人想要。开发者的时间和注意力有限，所以他们只做服务最大用户群的功能。有时，就算他们想全做，也做不了。界面复杂度有上限，每多加一个功能，都是在给不需要它的人添堵。如果这个功能的受众只有几百人，它反而让剩下几百万人的产品变难用了。这两条约束，就是过去二十年产品经理一直难以解开的死结。地图软件的用户需求分布。左侧是所有人都在问的导航问题，右侧长尾是每个人各不相同的冷门需求。你在某个App里想要的那个小功能，不是做不到，是做起来不划算。过去一年，自从用户获得vibecoding能力之后，一切都变了。做一个只服务一个人的工具，成本已经低到不值一提。YCombinator的PeteKoomen管这类东西叫小软件（SmallSoftware）。YCombinator谈小软件：这类工具往往只服务一个人，或者一小撮人。会计、医生、律师，还有另外几千种职业，都可以拥有自己趁手的「小软件」。很显然，想让更多人用上智能体，别指望把他们都变成工程师。该动的是软件。写扩展的成本归零了，收扩展的地方还没有代码好写了，问题跟着来了：写完往哪儿放。今天不少Web产品留给用户的口子是webhook，门槛高得离谱：你得自己跑一整套独立服务，还得扛住投递环节冒出来的各种破事。真正要让陌生代码在你的系统里跑起来，Morrell认为得过五道关。第一关，钱。假设有一百万个用户，每人都挂着自己那几行代码。要是给每人开一个容器，这笔账当场就算不下去。Morrell给出的标准是：代码没被调用时，成本约等于零；调用一次，价格压到几分之一美分。再加上编译、存文件、收日志，最后单台机器能塞下多少用户，全看内存开销一个指标。第二关，冷启动。用户代码卡在响应请求的关键路径上，等不了一分钟起容器，理想值是个位数毫秒。只跑定时任务或者事件回调的，可以放宽。第三关，限额。你永远猜不到用户会写出什么东西。Morrell讲了个他在Heroku听来的真事。当年有份很火的入门教程，手把手教新手把自己的第一个程序部署到网上。教程里那个程序一共两行：一个死循环，不停地打印helloworld。一个应用凭空冒出来，出生第一秒就每秒吐几百万行日志，永不停止。而跟着教程走的新手毫不知情，还在那边调出实时日志，指望屏幕上滚出点正常东西。所以，CPU用多少、内存占多少、能往外发几个网络请求、每个请求多大、返回多少内容、一秒钟能写多少条日志，每一项都得卡死上限。第四关，隔离，有两层。崩溃、死循环、疯狂申请内存，不能影响到任何别的用户。恶意代码不能逃逸，也不能窥探别的租户，还得防住Spectre这类推测执行攻击。第五关，代码要真能做事。什么都碰不到的代码，没有用。从给钥匙，到给一扇能推开的门怎么让不可信的代码干活，又不把家底交出去。Morrell拆解了业内的三代解法。第一代，直接给API密钥。Morrell认为这种灵活性很危险。拿到密钥的代码，转手就能POST给第三方；就算它不偷，你的基础设施也随时能被拿去DoS别人。第二代，加一个中转层（proxy）。用户手上拿到的是一个不透明令牌，只对代理有意义；代理验完，换成真凭据再转发出去，顺带做白名单和限流。这确实比裸奔强，但代价在维护上。你想把权限收窄到只允许一部分操作，就得在代理里写过滤逻辑，还得随着上游API演进一直改。Morrell在文中贴了一段示例，那还只是「读一封已批准的邮件」这一个操作，代码就已经又长又难测。而且这类逻辑几乎不可能想全。用户会干什么，你猜不到。第三代，才是关键：能力（capability）。不给钥匙，也不给地址，直接递过去一个现成的函数。比如「把那封已经批准的邮件取回来」，就这一个动作，别的什么也做不了。用户的代码手上只有这几个函数。凭据从头到尾没进过它的地盘，就算拿到了数据，也没有通道送出去。前两行是平台自己的代码，钥匙握在这里。下面的函数是用户写的代码，它连钥匙长什么样都没见。还有一个附带好处：把一份TypeScript写的能力定义丢给大模型，比甩一堆OpenAPI格式的JSON既省token又更准。所以，真正的门槛，不是让AI写出代码，是决定这段代码能碰到什么。四条路，没有一条是免费的能不能写扩展，二十年前就有答案了。大模型改变的是谁能写。Morrell列了四条路：最轻的一档是嵌入式解释器：Lua、QuickJS这类，或者干脆自己造一个。再往上是V8Isolates。Google往V8的安全加固里砸了海量的钱和人，直接用就省掉了自己造轮子。这条路上有Cloudflare的DynamicWorkers、Node的isolated-vm、Rivet的secure-exec。第三档是MicroVM。它把完整虚拟机里那些USB、显卡、磁盘的模拟全砍掉，只留骨架，隔离最硬、能跑二进制、有完整POSIX，代价是开销明显更大。Firecracker、libkrun都在这一档。第四档是WASM加WASI。WebAssembly一开始就是一张白纸，连发HTTP请求、读环境变量的模块都没有，权限全靠宿主显式授予。从安全角度看这是最漂亮的起点，代价是工具链复杂得多。这四条不是互相替代。WASM可以跑在V8Isolates里，也可以跑在MicroVM里。哪怕你拿V8Isolates或WASM做隔离边界，MicroVM在编译打包、测试扩展这些环节照样有用。这套东西能不能跑，Morrell自己先试了一把。他把自己的静态博客改造成一个Demo，自嘲是「世界上最小的vibecoding平台」。本质是个可定制的抓取器：给一个URL，它抓回内容，连同几个预先授予的工具一起交给用户代码，你可以直接改源码然后运行。10年前赌输的想法，被AI救活了十年前，现为CloudflareWorkers技术负责人的KentonVarda曾做过一个叫Sandstorm.io的创业项目。它的主张在当年听着有点怪：你打开的每一份文档，都跑在属于它自己的沙箱实例里；程序拿不到任何你没有亲手递过去的东西。不发钥匙，只发能力。这个项目没做起来。Varda后来复盘失败原因：没人有那个耐心，把软件一个一个手工打包成那副样子。十年过去。2026年8月5日，Cloudflare把这套东西以Apache2.0协议重新开源，名字叫CloudflareOS。CloudflareOS，2026年8月5日以Apache2.0协议开源。Sandstorm.io十年前赌的那件事，换了个壳回来了。Varda当天在X上写：这差不多是我那个秘密十年大计的集大成。当年他缺的那份耐心，AI补上了。软件真的要变软了OpenAI在《CodexasaPlatform》里开源了Codex的智能体框架，讲的几乎是同一件事：与其让每个团队都把活儿搬进一个通用编码助手，不如把智能体嵌进他们本来就在用的软件里。工程流程、运维仪表盘、安全调查、客服控制台，每一样都能装。分工也划得清楚：界面、业务上下文、工具和审批边界归应用方，智能体循环和沙箱执行归框架。他们做的示例应用Relay，把一个智能体放在货运仪表盘旁边，接上应用自己的MCP工具，改签之前必须人工批准。现在不少公司在鼓励员工自己vibecoding做工具，方向对，麻烦在后面。几百上千个这样的应用，谁来维护？怎么保证它只拿到该拿的那部分数据？访问令牌的权限范围谁定，谁来轮转？会不会顺手把客户信息写进第三方日志？GDPR怎么办？Morrell给的答案是：给他们一个根本没有令牌可以泄露的地方去部署，数据访问交给平台团队统一兜住合规。这件事真要成，产品经理的活儿就变了。你不必覆盖所有长尾需求，但你必须设计稳定的扩展点、能力接口，还有对兼容性的长期承诺。厂商不主动开这个口子，用户一点也扩不动。Morrell在平台这行干了快十年，他没把话说得很轻松：平台难设计，难运维，难调试。对外暴露API，意味着大量的前期思考和长期支持。但他还是那两个字：值得。因为你会被用户的创造力吓一跳，他们做出来的东西，是你从没设想过、甚至以为不可能的。以后判断一个App好不好，可能要多问一句：它允许你改多少。本文来源：36氪文章转载于其他网络，如有侵权请联系我们及时删除。
