<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>AI on All about Raspberry Pi</title><link>https://hugozhu.site/tags/ai/</link><description>Recent content in AI on All about Raspberry Pi</description><generator>Hugo</generator><language>en</language><lastBuildDate>Sat, 26 Sep 2026 00:00:00 +0000</lastBuildDate><atom:link href="https://hugozhu.site/tags/ai/index.xml" rel="self" type="application/rss+xml"/><item><title>权限跟着人走，还是跟着工号走</title><link>https://hugozhu.site/post/2026/420-permissions-person-or-position/</link><pubDate>Sat, 26 Sep 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/420-permissions-person-or-position/</guid><description>&lt;p&gt;9 月 8 日，Meta 发布 personal agent「Muse」，公开了一套「智能提案、权威拍板」的安全架构（&lt;a href="https://hugozhu.site/post/2026/417-intelligence-proposes-authority-decides/"&gt;上一篇写过&lt;/a&gt;）。&lt;/p&gt;
&lt;p&gt;9 月 24 日，Anthropic 给 Slack 里的 Claude Tag 加了一个看似不起眼的小功能：&lt;strong&gt;personal connector&lt;/strong&gt;——你在 channel 里 @Claude，它可以调用你自己的日历、你自己的云盘、你名下的 CRM 账户。&lt;/p&gt;
&lt;p&gt;两家公司，相隔两周，产品形态完全不同（一个是个人 agent，一个是群聊机器人），却做了同一个架构决定：&lt;strong&gt;agent 的智能可以共享，但权限必须有个明确的主人。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;一家是巧合，两家就是趋势。今天把这个趋势讲清楚——顺便回答一个所有要落数字员工的组织都绕不开的问题：&lt;strong&gt;权限到底该跟着人走，还是跟着工号走？&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://hugozhu.site/img/2026/permissions-person-or-position.png"&gt;&lt;img src="https://hugozhu.site/img/2026/permissions-person-or-position-thumb.jpg" alt="Do Permissions Follow the Person or the Position?"&gt;&lt;/a&gt;&lt;/p&gt;</description></item><item><title>梯子正在从最下面一级被拆掉</title><link>https://hugozhu.site/post/2026/421-ladder-from-the-bottom/</link><pubDate>Sat, 26 Sep 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/421-ladder-from-the-bottom/</guid><description>&lt;p&gt;斯坦福有一份被反复引用的研究，叫《煤矿里的金丝雀》（Canaries in the Coal Mine），作者是 Brynjolfsson 等三位经济学家，用的是覆盖两千六百万美国工人的 ADP 薪资数据。2026 年 8 月的最新修订版给出一个结论：&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;在 AI 暴露度最高的职业里，22 到 25 岁年轻人的就业，比他们本该达到的水平低了约 19%。而资深员工，没有这个缺口。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;第一反应很容易是：好消息啊，AI 只替代廉价新人，有经验的人安全。&lt;/p&gt;
&lt;p&gt;我越想越觉得这是最危险的一种误读。因为 &lt;strong&gt;今天所有「安全的资深员工」，都是昨天那个「被替代的新人」练出来的。&lt;/strong&gt; 数据没有告诉你谁在被淘汰，它告诉你的是——&lt;strong&gt;成为专家的那条路，入口正在关闭。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://hugozhu.site/img/2026/ladder-from-the-bottom.png"&gt;&lt;img src="https://hugozhu.site/img/2026/ladder-from-the-bottom-thumb.jpg" alt="The Ladder Is Being Dismantled from the Bottom Rung"&gt;&lt;/a&gt;&lt;/p&gt;</description></item><item><title>模型层在炼丹，交易层在收税</title><link>https://hugozhu.site/post/2026/422-model-brews-transaction-taxes/</link><pubDate>Sat, 26 Sep 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/422-model-brews-transaction-taxes/</guid><description>&lt;p&gt;Meta Connect 2026 上，扎克伯格把 Muse 放到了公司战略的正中央：「我们的愿景核心就是 Muse。未来几年，我预期它会成为数十亿人完成目标、改善生活的个人化超级智能。」一小时主题演讲，所有新品围着它转——钥匙扣硬件、1299 美元的 VR 眼镜、一揽子零售合作。资本市场立刻给出情绪面：摩根大通把目标价一路上调到 920，Canaccord 给到 950；扎克伯格以约 2664 亿美元身家升至全球第四富豪。&lt;/p&gt;
&lt;p&gt;热闹是周期性的。发布周的下载激增、单日两位数的涨幅、密集上调的目标价——这些都是情绪事件，会均值回归。&lt;/p&gt;
&lt;p&gt;但这场发布会里藏着一个 &lt;strong&gt;结构性&lt;/strong&gt; 的信号，比股价重要得多：扎克伯格亲口证实，Meta 长期会对 Muse 完成的交易 &lt;strong&gt;抽取佣金&lt;/strong&gt;。广告之外，再收一道交易佣金。&lt;/p&gt;
&lt;p&gt;翻译一下：&lt;strong&gt;Meta 正在把 AI 装进一个收银台。&lt;/strong&gt; 而几乎同一个月，Stripe 花约 75 亿美元买下了 OpenRouter——token 世界的路由层。C 端和 B 端，两笔互不相干的动作，指向同一个判断：&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;AI 的价值正在从模型层流向交易层。最先赚到钱的，不是炼丹的，是收过路费的。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://hugozhu.site/img/2026/model-brews-transaction-taxes.png"&gt;&lt;img src="https://hugozhu.site/img/2026/model-brews-transaction-taxes-thumb.jpg" alt="Where the Money Moved"&gt;&lt;/a&gt;&lt;/p&gt;</description></item><item><title>AI 的账单搬家了：从 token 到轮次</title><link>https://hugozhu.site/post/2026/418-the-bill-has-moved/</link><pubDate>Fri, 25 Sep 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/418-the-bill-has-moved/</guid><description>&lt;p&gt;Anthropic 昨天发布 Opus 5.5，标题新闻是降价：同样的工作负载，成本比上一代低约 40%。&lt;/p&gt;
&lt;p&gt;但这篇发布博客里最值钱的不是降价，是一组没上标题的数据。他们拉了 2026 年 3 月到 9 月 Claude Code 的聚合账单，发现每个请求的 &lt;strong&gt;输入与输出 token 之比，从 189:1 涨到了 324:1&lt;/strong&gt;——六个月内，每个请求的上下文膨胀了 2.6 倍。&lt;/p&gt;
&lt;p&gt;翻译一下：&lt;strong&gt;你的 AI 账单，早就不是「写」出来的，是「读」出来的。&lt;/strong&gt; 输出只占 token 总量的千分之三；就算算上输出单价通常是输入的三五倍，砍掉一半输出，账单也就省下不到一个百分点。生成是零头，重读上下文才是大头。&lt;/p&gt;
&lt;p&gt;而且账单还在搬。博客里引用开发者 Addy 的一句话，我认为是全文最重要的一句：&lt;/p&gt;
&lt;blockquote&gt;
&lt;p&gt;&lt;strong&gt;减少一个轮次，比一个缓存 token 还要更省成本。&lt;/strong&gt;&lt;/p&gt;
&lt;/blockquote&gt;
&lt;p&gt;token 之后是缓存，缓存之后是轮次。今天把这条搬家路线讲清楚——因为它直接决定你该在哪里省钱、在哪里花钱。&lt;/p&gt;
&lt;p&gt;&lt;a href="https://hugozhu.site/img/2026/the-bill-has-moved.png"&gt;&lt;img src="https://hugozhu.site/img/2026/the-bill-has-moved-thumb.jpg" alt="The Bill Has Moved: From Tokens to Turns"&gt;&lt;/a&gt;&lt;/p&gt;</description></item><item><title>当「写个集成」不值钱了</title><link>https://hugozhu.site/post/2026/419-when-integration-is-worthless/</link><pubDate>Fri, 25 Sep 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/419-when-integration-is-worthless/</guid><description>&lt;p&gt;今天有人转给我一条微头条，说 GitHub 上有个刚火的项目 mimic，「两天拿了 1100 多星」。它做的事很直接：你在手机或电脑上把一个 App 正常操作一遍，它拦截这个 App 的网络流量，然后自动生成一个 Python 版的 SDK——「你不用去读那些几百页的 API 文档了」。&lt;/p&gt;
&lt;p&gt;我去核了一下，发现真实的故事比这条微头条更有意思：&lt;/p&gt;
&lt;ul&gt;
&lt;li&gt;微头条是 &lt;strong&gt;7 月 18 日&lt;/strong&gt; 发的，今天只是又被转发了一遍；「两天 1100 星」是两个月前的快照。&lt;/li&gt;
&lt;li&gt;mimic 建于 &lt;strong&gt;7 月 13 日&lt;/strong&gt;，现在 &lt;strong&gt;1577 星&lt;/strong&gt;、105 个 fork——两个月只涨了四百多星。&lt;/li&gt;
&lt;li&gt;而它的 &lt;strong&gt;最后一次提交，停在 7 月 26 日&lt;/strong&gt;。&lt;/li&gt;
&lt;/ul&gt;
&lt;p&gt;一句话：&lt;strong&gt;demo 病毒式传播，项目却归于沉寂。&lt;/strong&gt; star 曲线一路向上，commit 曲线两个月前就躺平了。这两条曲线的背离，和这个工具本身，正好讲清楚一件正在发生的事——「写个集成」这门手艺，正在变得不值钱。&lt;/p&gt;
&lt;p&gt;&lt;a href="https://hugozhu.site/img/2026/when-integration-is-worthless.png"&gt;&lt;img src="https://hugozhu.site/img/2026/when-integration-is-worthless-thumb.jpg" alt="When Writing an Integration Is Worthless"&gt;&lt;/a&gt;&lt;/p&gt;</description></item><item><title>智能提案，权威拍板</title><link>https://hugozhu.site/post/2026/417-intelligence-proposes-authority-decides/</link><pubDate>Thu, 24 Sep 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/417-intelligence-proposes-authority-decides/</guid><description>&lt;p&gt;Meta 本月发布 personal agent「Muse」时，同时公开了一份赏金价目表：有效漏洞报告最高 &lt;strong&gt;30 万美元&lt;/strong&gt;，其中单独一档——「成功影响一个用户的 prompt injection」——最高 &lt;strong&gt;13 万美元&lt;/strong&gt;。&lt;/p&gt;
&lt;p&gt;看清楚这一档在买什么：不是买「别进来」，是买「&lt;strong&gt;进来给我看&lt;/strong&gt;」。一家把 agent 接到用户邮箱、日历、浏览器、Shell 和银行卡的公司，公开为「攻破我的 agent」付钱。这不是自信，这是承认：&lt;strong&gt;注入不可根除。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;承认之后呢？Meta 同一篇文章里给出了整个行业目前最完整的答案，题眼是一句话：&lt;/p&gt;
&lt;blockquote&gt;
&lt;p&gt;一台机器上的两个相互隔离的安全域，而不是一个有 root 权限的 LLM agent。
（two isolated security domains on one box, not an LLM powered agent with root）&lt;/p&gt;
&lt;/blockquote&gt;
&lt;p&gt;&lt;a href="https://hugozhu.site/img/2026/intelligence-proposes-authority-decides.png"&gt;&lt;img src="https://hugozhu.site/img/2026/intelligence-proposes-authority-decides-thumb.jpg" alt="Intelligence Proposes, Authority Decides"&gt;&lt;/a&gt;&lt;/p&gt;</description></item><item><title>能被写下来的，都在贬值</title><link>https://hugozhu.site/post/2026/416-what-cannot-be-distilled/</link><pubDate>Wed, 23 Sep 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/416-what-cannot-be-distilled/</guid><description>&lt;p&gt;1914 年起，一个奥地利炮兵军官断断续续写着一本小书——先在挪威的村庄，后在加利西亚前线，再在意大利前线，他驻守炮兵观察哨，手稿装在背包里跟着他转移阵地。1918 年 8 月，他在维也纳家中休假，写下最后一个字：不到三万字，定稿。10 月，他带着定稿重返意大利前线；11 月 3-4 日在特伦托附近被意军俘虏，关进卡西诺战俘营——被俘时，手稿还在背包里。在战俘营中，他靠人斡旋得以通信，把稿子寄给了罗素，附言是：&lt;strong&gt;这些问题，已在一切本质方面获得解决。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;这本书是《逻辑哲学论》。写完它，作者做了一件让所有人错愕的事：放弃了彼时欧洲最大的一笔私人遗产之一，跑去奥地利山村当了六年小学教师，然后做修道院园丁，再给姐姐设计了一栋宅子。哲学已经终结了，一个体面的人应该去干点别的。&lt;/p&gt;
&lt;p&gt;十年后他改了主意。1929 年 1 月，他重返剑桥，与他同乘一班火车的凯恩斯当天给妻子写了一张字条：&lt;/p&gt;
&lt;blockquote&gt;
&lt;p&gt;好了，上帝来了。我在 5 点 15 分的火车上碰见了他。&lt;/p&gt;
&lt;/blockquote&gt;
&lt;p&gt;一百年后，另一群人把这句玩笑逐字当真了——只不过这次的「上帝」不搭火车，它在计算集群里。旧金山两家实验室每隔数月更迭一次旗舰模型。锦缎研究院有篇文章叫《上帝来了》，给出一个大胆的读法：《逻辑哲学论》的七组命题，几乎是一份大模型的完整技术规格书——语料、嵌入、生成、预测、架构、缩放、对齐，一条不缺。按文章的说法，1918 年那个炮兵军官画好的图纸，2020 年代被两个组织不声不响地焊成了机器。&lt;/p&gt;
&lt;p&gt;先给这个读法降一档音量：「七组命题≈技术规格书」是锦缎的诠释立场，不是哲学史共识，不必读成「大模型=《逻辑哲学论》」。另一种通行的读法——也许更接近作者本意——来自维特根斯坦自己：他在给 Ficker 的信里说，这本书真正的伦理部分，恰恰是没有写出来的那部分；6.4-7 才是全书主旨，1-6 只是用来登顶的「梯子」（6.54：爬上梯子之后，把梯子扔掉）。有意思的是，本文靠的正是后一种读法——读法越严格，对我越有用。&lt;/p&gt;
&lt;p&gt;我今天想讲的不是这份图纸有多神，而是图纸的最后一页——那个炮兵军官亲手划下的边界。它恰好回答了这个系列一直在问的问题：&lt;strong&gt;当智能变成商品，什么东西不贬值？&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://hugozhu.site/img/2026/what-cannot-be-distilled.png"&gt;&lt;img src="https://hugozhu.site/img/2026/what-cannot-be-distilled-thumb.jpg" alt="What Can Be Written Down Will Depreciate"&gt;&lt;/a&gt;&lt;/p&gt;</description></item><item><title>顶级思考，将从奢侈品变成大众商品</title><link>https://hugozhu.site/post/2026/415-four-hundred-children/</link><pubDate>Wed, 23 Sep 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/415-four-hundred-children/</guid><description>&lt;p&gt;全世界此刻活着大约四百个患早衰症的孩子。这种病的发病率是四百万分之一——有记录的病例，从 1886 年第一次被医学文献描述算起，总共只有一百多例到四百例之间（不同登记系统的口径不同）。他们的智力完全正常，身体却在以十倍速衰老，平均寿命十四年半。&lt;/p&gt;
&lt;p&gt;2020 年 11 月，第一种药获批：Zokinvy。平均延长生命两年半——在日本的批准数据里是四年多。&lt;/p&gt;
&lt;p&gt;这已经是人类为这四百个孩子做过的最好的事。但如果你去看这个药是怎么来的，会发现一件事：&lt;strong&gt;商业逻辑从头到尾都没成立过。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;出资推进全部临床试验的，不是哪家大药企，是一个患者家庭办的基金会（Progeria Research Foundation，1999 年由 Sam Berns 的家人创办——Sam 是那个在全网留下「我选择快乐」演讲的早衰症男孩）。基因是基金会资助的科学家在 2003 年发现的，从基因发现到药物获批走了十七年。最终做这个药的，是一家专做超罕见病的小公司。&lt;/p&gt;
&lt;p&gt;几百个患者，十七年，延长两三年寿命。这笔账，按任何商业标准都算不平。但我想说的不是「算不平所以不该做」——恰恰相反：&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;算不平，才是问题所在。不是「没人想」，而是在人类过去的组织方式下，这几百个孩子根本「配不上」一个研究团队。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://hugozhu.site/img/2026/four-hundred-children.png"&gt;&lt;img src="https://hugozhu.site/img/2026/four-hundred-children-thumb.jpg" alt="When Top-Tier Thinking Becomes a Commodity"&gt;&lt;/a&gt;&lt;/p&gt;</description></item><item><title>能上春晚的项目，和能赚钱的项目</title><link>https://hugozhu.site/post/2026/414-demonstrability-bias/</link><pubDate>Tue, 22 Sep 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/414-demonstrability-bias/</guid><description>&lt;p&gt;朱啸虎讲过一个他亲手投过的反例。&lt;/p&gt;
&lt;p&gt;一家公司，专门派机器人在海底洗船。商业化做得非常好——客户真金白银付费，订单扎实，水下泛化还容易：洗船、洗海上光伏柱子、港口清淤、帮海关查走私（走私分子把货藏在船底，以前要潜水员下去抽查，机器下去就容易多了）。&lt;/p&gt;
&lt;p&gt;但朱啸虎说，这家公司有个致命问题：&lt;strong&gt;它没法展示。它在海底洗船，根本没办法展示给别人看，能看到的场景很有限。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;而同一时期，人形机器人赛道有近 200 家公司挤在一起，彼此差异极小，真实商业化订单稀薄（大部分是政府订单或科研订单），宇树的估值却冲到 4000 亿。朱啸虎的原话很直接：「因为故事好讲。上春晚这种活动，人形机器人的可展示性非常高。很多投资人更喜欢看到这种高度可展示性的东西。」&lt;/p&gt;
&lt;p&gt;一家在海底默默赚钱、估值便宜；一群在台上翻跟头、估值冲天。区别不在谁更能创造价值，而在 &lt;strong&gt;谁能被看见&lt;/strong&gt;。&lt;/p&gt;
&lt;p&gt;这就是我今天想讲的东西：&lt;strong&gt;可展示性偏差&lt;/strong&gt;——资本、注意力、资源，正在系统性地流向「能演示给人看」的项目，而不是「能产生结果」的项目。&lt;/p&gt;
&lt;p&gt;&lt;a href="https://hugozhu.site/img/2026/demonstrability-bias.png"&gt;&lt;img src="https://hugozhu.site/img/2026/demonstrability-bias-thumb.jpg" alt="The Demonstrability Bias: Why the Best Investments Often Make Bad Demos"&gt;&lt;/a&gt;&lt;/p&gt;</description></item><item><title>江湖还是那个江湖，但选择可以更从容</title><link>https://hugozhu.site/post/2026/379-jianghu-still-that-jianghu/</link><pubDate>Mon, 31 Aug 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/379-jianghu-still-that-jianghu/</guid><description>&lt;p&gt;8 月 31 日，离职高发的异动日。下定决心的已经走了，还在犹豫的，犹豫到最后一刻。&lt;/p&gt;
&lt;p&gt;今晚和一位同事吃饭，酒过三巡，他问我：你对未来怎么看？&lt;/p&gt;
&lt;p&gt;我没给宏图大略，只说了几件我越来越相信的事。写下来，分享给所有觉得自己无从选择的朋友。&lt;/p&gt;
&lt;p&gt;&lt;a href="https://hugozhu.site/img/2026/jianghu-still-that-jianghu.png"&gt;&lt;img src="https://hugozhu.site/img/2026/jianghu-still-that-jianghu-thumb.jpg" alt="The Jianghu Remains — But Your Choices Can Be Lighter Now"&gt;&lt;/a&gt;&lt;/p&gt;</description></item><item><title>SFT、RL 与 Self-RL：从大模型训练到团队管理的优化系统</title><link>https://hugozhu.site/post/2026/305-sft-rl-self-rl-optimization-system/</link><pubDate>Wed, 22 Jul 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/305-sft-rl-self-rl-optimization-system/</guid><description>&lt;p&gt;去年年底，一个带三十人团队的朋友跟我吐槽：「我团队执行力特别强，交代什么做什么，但就是没人主动提新想法。」&lt;/p&gt;
&lt;p&gt;我问他：「你的绩效考核怎么算的？」&lt;/p&gt;
&lt;p&gt;他说：「Bug 修复数、代码行数、需求交付准时率。」&lt;/p&gt;
&lt;p&gt;我说：「那你训练出来的不是工程师，是 KPI 优化器。他们不是不会探索，是探索了没奖励。」&lt;/p&gt;
&lt;p&gt;他愣了一下：「这跟训练 AI 有什么区别？」&lt;/p&gt;
&lt;p&gt;区别不大。真的。&lt;/p&gt;</description></item><item><title>IM 在 AI 时代的沟通即协同：从 Chatbot 到 Agent 的两层跃迁</title><link>https://hugozhu.site/post/2026/279-im-ai-era-communication-as-collaboration/</link><pubDate>Wed, 01 Jul 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/279-im-ai-era-communication-as-collaboration/</guid><description>&lt;p&gt;上周在钉钉里看到一条消息，让我意识到一个根本性的转变正在发生。&lt;/p&gt;
&lt;p&gt;一位产品经理在群里 @AI 助理：「帮我总结一下今天会议的要点。」AI 很快给出了回复。几分钟后，她又 @采购 Agent：「根据这份 PRD，生成采购计划并提交审批。」&lt;/p&gt;
&lt;p&gt;同样是 @AI，但两次操作的性质完全不同。第一次是 &lt;strong&gt;问一个问题&lt;/strong&gt;，第二次是 &lt;strong&gt;派一个任务&lt;/strong&gt;。&lt;/p&gt;
&lt;p&gt;这个细微的差别，恰恰是 AI 时代 IM（即时通讯）正在发生的最深刻的范式转移： &lt;strong&gt;沟通正在从「对话」演进为「协同」&lt;/strong&gt;。&lt;/p&gt;
&lt;p&gt;&lt;a href="https://hugozhu.site/img/2026/im-ai-collaboration.png"&gt;&lt;img src="https://hugozhu.site/img/2026/im-ai-collaboration-thumb.jpg" alt="IM 在 AI 时代的沟通即协同：Chatbot vs Agent"&gt;&lt;/a&gt;&lt;/p&gt;</description></item><item><title>Loop Engineering：AI Agent 工程的第五层</title><link>https://hugozhu.site/post/2026/263-loop-engineering/</link><pubDate>Wed, 10 Jun 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/263-loop-engineering/</guid><description>&lt;p&gt;4 月底，OpenAI 发布了 Codex CLI 0.128.0。更新日志里藏着一句话：「Added persisted /goal workflows with app-server APIs, model tools, runtime continuation, and TUI controls.」几乎同一时间，Claude Code 也上线了 &lt;code&gt;/goal&lt;/code&gt; 指令。Greg Brockman 在推特上写了一句：「codex now has a built-in Ralph loop++.」&lt;/p&gt;
&lt;p&gt;大多数人把这条更新当作又一个 feature flag 滑过去了。但如果你仔细拆解 &lt;code&gt;/goal&lt;/code&gt; 的设计，会发现它代表的不是「又一个功能」，而是 AI Agent 工程的一次范式跃迁。&lt;/p&gt;
&lt;p&gt;&lt;a href="https://hugozhu.site/img/2026/loop-engineering.png"&gt;&lt;img src="https://hugozhu.site/img/2026/loop-engineering-thumb.jpg" alt="Loop Engineering 五层演进"&gt;&lt;/a&gt;&lt;/p&gt;</description></item><item><title>AI 表格做 Scrum 团队的大脑</title><link>https://hugozhu.site/post/2026/261-ai-table-scrum-brain/</link><pubDate>Sun, 07 Jun 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/261-ai-table-scrum-brain/</guid><description>&lt;p&gt;周一早上 9:30，一个 5 人 Scrum 团队的钉钉群里，AI 表格自动推送了一条晨会摘要：&lt;/p&gt;
&lt;blockquote&gt;
&lt;p&gt;📊 &lt;strong&gt;今日待办 7 项&lt;/strong&gt; （P0×2 / P1×3 / P2×2）&lt;/p&gt;
&lt;p&gt;⚠️ 发现 3 个支付模块 bug 集中在支付网关，关联上周五 v2.3.1 发布。建议优先处理 #BUG-042，指派给 @张三（支付模块 owner）。&lt;/p&gt;
&lt;p&gt;🔗 需求 #REQ-015 与 #BUG-039 存在依赖关系，建议先完成 bug 修复再启动需求开发。&lt;/p&gt;
&lt;/blockquote&gt;
&lt;p&gt;工程师张三看到这条消息，点进 AI 表格，看到 AI 给出的修复方案：「参考支付网关 v2.3.0 的超时配置，建议在 &lt;code&gt;PaymentClient.java:128&lt;/code&gt; 添加重试策略，预计 30 分钟」。他结合自己的经验判断，觉得方案基本靠谱，但超时时间应该更短。改了参数，40 分钟搞定。CI/CD 跑完，AI 表格自动更新状态，群里推送：&lt;/p&gt;
&lt;blockquote&gt;
&lt;p&gt;✅ BUG-042 已修复（张三，40 分钟）→ 已部署 staging&lt;/p&gt;
&lt;/blockquote&gt;
&lt;p&gt;这不是假设。用钉钉 AI 表格 + 群沟通 + dws CLI，这个工作流的每个环节今天都能搭出来。下面拆解怎么搭。&lt;/p&gt;
&lt;p&gt;&lt;a href="https://hugozhu.site/img/2026/ai-table-scrum-brain.png"&gt;&lt;img src="https://hugozhu.site/img/2026/ai-table-scrum-brain-thumb.jpg" alt="AI 表格做 Scrum 团队的大脑：从被动记录到主动分析"&gt;&lt;/a&gt;&lt;/p&gt;</description></item><item><title>AI 改变工程效率的两件事，和其他所有没变的事</title><link>https://hugozhu.site/post/2026/256-ai-engineering-efficiency-two-things/</link><pubDate>Thu, 04 Jun 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/256-ai-engineering-efficiency-two-things/</guid><description>&lt;p&gt;早上九点，我打开电脑，同时启动了三个 AI 任务：让 Claude 审查昨天提交的代码、让 Codex 生成单元测试、让另一个 Agent 整理技术方案文档。一个小时后，三件事都有了初步产出。&lt;/p&gt;
&lt;p&gt;要是在两年前，这三件事需要一整个上午，甚至更久。&lt;/p&gt;
&lt;p&gt;效率确实提高了。但我发现一个有意思的事情：当我放下 AI 产出物，开始做真正重要的决策——这个架构该不该拆、这个技术路线要不要换、这段代码的设计到底对不对——AI 完全帮不上忙。&lt;/p&gt;
&lt;p&gt;这不是 AI 不够好的问题。这是工程效率的本质。&lt;/p&gt;
&lt;p&gt;&lt;a href="https://hugozhu.site/img/2026/ai-engineering-efficiency-two-things.png"&gt;&lt;img src="https://hugozhu.site/img/2026/ai-engineering-efficiency-two-things-thumb.jpg" alt="AI 改变的两件事：执行层变快了，判断层没变"&gt;&lt;/a&gt;&lt;/p&gt;
&lt;h2 id="核心判断"&gt;核心判断&lt;/h2&gt;
&lt;p&gt;我对 AI 时代工程效率的判断很简单：&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;本质上只有两件事发生了绝对的变化：&lt;/strong&gt;&lt;/p&gt;
&lt;ol&gt;
&lt;li&gt;&lt;strong&gt;代码编写耗时&lt;/strong&gt;——AI 直接生成代码，写代码本身变快了&lt;/li&gt;
&lt;li&gt;&lt;strong&gt;单人任务从串行到并发&lt;/strong&gt;——一个人可以同时跑多条线，像小团队一样运转&lt;/li&gt;
&lt;/ol&gt;
&lt;p&gt;&lt;strong&gt;其他方面，还得靠人的品味。&lt;/strong&gt;&lt;/p&gt;</description></item><item><title>企业知识AI Ready的落地路径</title><link>https://hugozhu.site/post/2026/249-ai-workflow-events-before-intelligence/</link><pubDate>Sat, 30 May 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/249-ai-workflow-events-before-intelligence/</guid><description>&lt;p&gt;周三晚上 9 点，供应链主管小林在钉钉里收到一条告警：「供应商 A 本周交货延迟率从 3% 升至 12%」。他看了一眼，回了句「知道了，季节性波动，不用管」。这条消息随即被淹没在后续 200 条群聊里。&lt;/p&gt;
&lt;p&gt;两个月后，另一个团队的采购经理在审批供应商 A 的新合同时，完全不知道这段历史。合同正常通过。三个月后，供应商 A 果然出了大问题——产能不足导致全线延迟。&lt;/p&gt;
&lt;p&gt;这个故事里， &lt;strong&gt;信息是存在的&lt;/strong&gt;——告警推了，人判断了，反馈也有了。但信息在人与人之间断裂了。小林的处理经验没有被结构化地沉淀下来，后来的决策者无从获取。&lt;/p&gt;
&lt;p&gt;这正是大多数企业 AI 落地时撞上的第一堵墙： &lt;strong&gt;不是 AI 不够聪明，而是企业的「神经系统」还没建好。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&lt;a href="https://hugozhu.site/img/2026/ai-workflow-events-before-intelligence.png"&gt;&lt;img src="https://hugozhu.site/img/2026/ai-workflow-events-before-intelligence-thumb.jpg" alt="AI 工作流的前提：先给 AI 装上感觉器官"&gt;&lt;/a&gt;&lt;/p&gt;</description></item><item><title>知识库编译查询：让 AI 从「读文档」变成「查数据」</title><link>https://hugozhu.site/post/2026/245-knowledge-base-compile-query/</link><pubDate>Thu, 28 May 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/245-knowledge-base-compile-query/</guid><description>&lt;p&gt;上周五，我让 AI 帮我分析一场 90 分钟产品周会的听记转写稿——15000 字的会议记录，要求提取关键决策、未闭环的行动项、以及和过去三个月决策之间的矛盾。&lt;/p&gt;
&lt;p&gt;第一次，我直接把转写稿喂给 AI，说「帮我整理会议纪要」。得到一份「看起来还行」的摘要：谁说了什么、讨论了什么话题。但这不是我需要的——我需要的是 &lt;strong&gt;洞察&lt;/strong&gt;。&lt;/p&gt;
&lt;p&gt;&lt;a href="https://hugozhu.site/img/2026/knowledge-base-compile-query.png"&gt;&lt;img src="https://hugozhu.site/img/2026/knowledge-base-compile-query-thumb.jpg" alt="知识库编译查询：从「读文档」到「查数据」"&gt;&lt;/a&gt;&lt;/p&gt;
&lt;p&gt;比如：技术负责人在讨论方案 A 时说「我觉得可以上」，但架构师追问了三个问题后，他改口说「那还是再看看」。AI 的摘要写的是「张总介绍了技术方案」—— &lt;strong&gt;关键决策点被淹没了&lt;/strong&gt;。&lt;/p&gt;</description></item><item><title>反直觉：AI 时代，知识库工具越简单越好</title><link>https://hugozhu.site/post/2026/244-minimal-knowledge-base-less-is-more/</link><pubDate>Wed, 27 May 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/244-minimal-knowledge-base-less-is-more/</guid><description>&lt;p&gt;上周我打开了尘封已久的 Obsidian vault。&lt;/p&gt;
&lt;p&gt;50 多个插件，300 多个标签，12 个 database view，还有一套精心设计的 MOC（Map of Content）索引系统。我花了不知道多少小时在「组织」知识，而不是「使用」知识。&lt;/p&gt;
&lt;p&gt;&lt;a href="https://hugozhu.site/img/2026/minimal-knowledge-base-less-is-more.png"&gt;&lt;img src="https://hugozhu.site/img/2026/minimal-knowledge-base-less-is-more-thumb.jpg" alt="反直觉：知识库越简单越好"&gt;&lt;/a&gt;&lt;/p&gt;
&lt;p&gt;然后我意识到： &lt;strong&gt;这套系统在 AI 时代已经过时了。&lt;/strong&gt;&lt;/p&gt;</description></item><item><title>SKILL.md 不是文档，是编译器</title><link>https://hugozhu.site/post/2026/242-skill-as-compiler/</link><pubDate>Tue, 26 May 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/242-skill-as-compiler/</guid><description>&lt;p&gt;「准备写一个 blog，详细讲解这个 skill。」&lt;/p&gt;
&lt;p&gt;我对 Agent 说完这句话后，它在 0.5 秒内完成了三件事：加载 900 行 SKILL.md、扫描过去 127 篇博客的标题做交叉引用、按 Planner 模块输出了文章分类和大纲。没有追问「你想写什么角度」，没有问「用什么语气」，没有忘记中文排版要加空格。&lt;/p&gt;
&lt;p&gt;&lt;a href="https://hugozhu.site/img/2026/skill-as-compiler.png"&gt;&lt;img src="https://hugozhu.site/img/2026/skill-as-compiler-thumb.jpg" alt="SKILL.md 六阶段流水线——从 Markdown 文件到内容生产系统"&gt;&lt;/a&gt;&lt;/p&gt;</description></item><item><title>一个会自己写博客的系统</title><link>https://hugozhu.site/post/2026/241-self-writing-blog-system/</link><pubDate>Tue, 26 May 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/241-self-writing-blog-system/</guid><description>&lt;p&gt;从「业余时间挤一篇」到「随手一句话就发一篇」——这不是夸张，是我过去 5 个月的真实经历。&lt;/p&gt;
&lt;p&gt;2013 年我写了 43 篇博客，之后的 12 年里年均不到 5 篇。2026 年才过了 5 个月，已经发了 127 篇。月产量从 2 篇跳到 25 篇，12 倍。这篇文章不是讲 AI 写作工具多好用，而是讲我如何把 &lt;strong&gt;整个写作流程&lt;/strong&gt; 编码成了一个 Agent 可执行的 Skill——一个会自己写博客的系统。&lt;/p&gt;
&lt;p&gt;&lt;a href="https://hugozhu.site/img/2026/self-writing-blog-system.png"&gt;&lt;img src="https://hugozhu.site/img/2026/self-writing-blog-system-thumb.jpg" alt="AI 自动写作系统全景——从手工创作到 Agent 流水线"&gt;&lt;/a&gt;&lt;/p&gt;</description></item><item><title>AI 原生周报：从「周五补作业」到「数据自然长出来」</title><link>https://hugozhu.site/post/2026/238-ai-native-weekly-report/</link><pubDate>Mon, 25 May 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/238-ai-native-weekly-report/</guid><description>&lt;p&gt;每个周五下午，你的团队在做同一件事：打开空白文档，回忆这周干了什么，凑出一份周报。&lt;/p&gt;
&lt;p&gt;这件事的荒谬之处在于——周一到周五，你们已经开了 10 次站会，讨论了 50 个问题，做了 20 个决策。所有信息都已经存在了，只是散落在会议录音、聊天记录、任务系统里。周报不是「写」出来的，应该是「长」出来的。&lt;/p&gt;
&lt;p&gt;这篇文章用一个 War Room Scrum 的完整案例，说明怎么用 AI 原生思维重构日报和周报流程。核心转变： &lt;strong&gt;不是让 AI 帮你润色周报，而是让 AI 从日常运转的数据中自动聚合出周报&lt;/strong&gt;。&lt;/p&gt;</description></item><item><title>修 Bug 的真正目的：让 AI 下次能自己修</title><link>https://hugozhu.site/post/2026/239-harness-engineering-bug-fix-as-ai-training/</link><pubDate>Mon, 25 May 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/239-harness-engineering-bug-fix-as-ai-training/</guid><description>&lt;p&gt;一个工程师修了一个 Bug，ROI 是多少？&lt;/p&gt;
&lt;p&gt;传统算法：节省了一次排查时间。AI 时代的算法：如果这个修复沉淀为 Harness 的一部分，AI 以后能自动修多少个类似的 Bug。&lt;/p&gt;
&lt;p&gt;这就是思维范式的根本转变——&lt;strong&gt;你修的每一个 Bug，都是一次训练数据&lt;/strong&gt;。不是训练模型，而是训练你项目周围的那套 Harness。&lt;/p&gt;</description></item><item><title>VOC 闭环：Windows 用户打不开悟空，AI 怎么用 4 小时从报错到发版</title><link>https://hugozhu.site/post/2026/237-voc-to-ai-native-sop/</link><pubDate>Sun, 24 May 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/237-voc-to-ai-native-sop/</guid><description>&lt;p&gt;知识管理有四个值得做的企业场景，其中「企业 SOP / 最佳实践沉淀」看起来最不起眼——知识静态、更新慢、容易退化成高级搜索、用户日活偏弱。&lt;/p&gt;
&lt;p&gt;但如果你换一个角度看，SOP 沉淀的真正价值不是「把经验存起来」，而是 &lt;strong&gt;把经验变成可执行的系统行为&lt;/strong&gt;。&lt;/p&gt;
&lt;p&gt;这篇文章用一个完整案例来说明：一位 Windows 用户打开悟空发起任务，悟空报错「任务执行环境准备失败」，到 AI 定位根因、修复代码、验证、发布，全程 4 小时。每个环节 AI 做什么、人做什么、知识如何在这个过程中自然沉淀。&lt;/p&gt;</description></item><item><title>Context, is Control</title><link>https://hugozhu.site/post/2026/236-context-is-control/</link><pubDate>Sat, 23 May 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/236-context-is-control/</guid><description>&lt;p&gt;Netflix 的「Context, not Control」曾经是最有影响力的管理理念之一。&lt;/p&gt;
&lt;p&gt;它的核心假设很简单：给聪明人足够的上下文，他们会用你没想到的方式达成目标。你不需要控制过程，只需要提供信息、方向、约束。人的判断力、创造力、直觉——这些是 context 之外的东西，也是 Control 管不到的东西。&lt;/p&gt;
&lt;p&gt;但这个理念套到 Agent 上，假设崩塌了。&lt;/p&gt;
&lt;p&gt;&lt;a href="https://hugozhu.site/img/2026/236-context-is-control.png"&gt;&lt;img src="https://hugozhu.site/img/2026/236-context-is-control-thumb.jpg" alt="Context is Control：从 Prompt Engineering 到 Harness Engineering"&gt;&lt;/a&gt;&lt;/p&gt;</description></item><item><title>AI 时代的一万小时定律：从战术精通到系统思维</title><link>https://hugozhu.site/post/2026/215-10000-hour-rule-ai-era/</link><pubDate>Sat, 16 May 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/215-10000-hour-rule-ai-era/</guid><description>&lt;p&gt;马尔科姆·格拉德威尔（Malcolm Gladwell）在《异类》中普及的&amp;quot;一万小时定律&amp;quot;曾是无数人自我提升的圣经：只要投入一万小时的刻意练习，任何人都能成为世界级专家。然而，随着 AI 技术的爆发式增长，这一定律正面临前所未有的挑战。&lt;/p&gt;
&lt;p&gt;在 AI 能够以分钟级速度掌握规则型技能的今天，人类是否还需要花费一万小时去磨练战术技能？如果不需要，我们的一万小时应该投资在哪里？&lt;/p&gt;</description></item><item><title>悟空使用技巧：让 AI 向你提问，需求越明确执行效果越好</title><link>https://hugozhu.site/post/2026/211-wukong-prompt-clarification-technique/</link><pubDate>Sat, 16 May 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/211-wukong-prompt-clarification-technique/</guid><description>&lt;p&gt;向 AI 提出需求后，不要急着让它立刻执行。一个简单却常被忽略的技巧是：&lt;strong&gt;让 AI 先向你提问，把模糊的需求打磨清晰&lt;/strong&gt;。需求越明确，AI 的执行效果就越好。这不是理论，而是每天和 AI 协作的工程实践中，投入产出比最高的习惯。&lt;/p&gt;</description></item><item><title>AI 时代的代码大爆发：为什么未来 3 年会有更多人涌入软件行业？</title><link>https://hugozhu.site/post/2026/210-ai-code-explosion-workforce-growth/</link><pubDate>Thu, 14 May 2026 10:00:00 +0800</pubDate><guid>https://hugozhu.site/post/2026/210-ai-code-explosion-workforce-growth/</guid><description>&lt;p&gt;2024 年，GitHub 上产生了 &lt;strong&gt;2560 亿行&lt;/strong&gt; 代码，其中 &lt;strong&gt;41%&lt;/strong&gt; 由 AI 生成。&lt;/p&gt;
&lt;p&gt;这是一个惊人的数字，但更惊人的是未来 3 年的预测：随着 AI 编程工具渗透率从 50% 飙升至 90% 以上，全球代码总量预计将增长 &lt;strong&gt;4 到 10 倍&lt;/strong&gt;。&lt;/p&gt;
&lt;p&gt;面对这种指数级的生产力爆发，许多人的第一反应是恐慌：&amp;ldquo;程序员是不是要失业了？&amp;rdquo;&lt;/p&gt;
&lt;p&gt;然而，经济学规律和历史经验告诉我们一个截然相反的结论：&lt;strong&gt;未来 3 年，从事软件行业的人数不仅不会减少，反而会迎来史无前例的增长。&lt;/strong&gt; 软件行业正在经历一场从 &amp;ldquo;手工业&amp;rdquo; 到 &amp;ldquo;工业化&amp;rdquo; 的范式转移，而这场转移将吸纳海量的 &amp;ldquo;新从业者&amp;rdquo;。&lt;/p&gt;</description></item><item><title>把组织当成产品来打造：AI 原生组织的 MVP 设计</title><link>https://hugozhu.site/post/2026/173-ai-native-org-mvp-design/</link><pubDate>Sun, 12 Apr 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/173-ai-native-org-mvp-design/</guid><description>&lt;p&gt;去年底，钉钉内部发生了一件事。一个做智能客服的产品经理发现，他给企业客户做的 AI 解决方案，从需求确认到方案交付平均要 14 天。他拉了一下链路：客户提需求给销售（1 天）→ 销售转给解决方案团队（等 2 天）→ 解决方案写 PRD 转给产品（等 1 天）→ 产品评审排期（等 3 天）→ 技术实现（5 天）→ 交付验收（2 天）。14 天里，真正在&amp;quot;干活&amp;quot;的时间不到 5 天，剩下 9 天全是等待——等人、等审批、等排期、等信息同步。&lt;/p&gt;
&lt;p&gt;他跑去找他的主管说：&lt;strong&gt;&amp;ldquo;我们给客户做 AI 提效工具，但我们自己的组织效率，比客户还低。&amp;rdquo;&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;这句话刺痛了人。但更刺痛的是——这不是钉钉一家的问题，这是几乎所有想做 AI 转型的公司都会撞上的墙。&lt;strong&gt;不是不知道终局应该长什么样，而是不知道第一个可用版本怎么做——像做产品一样，先跑起来，再迭代。&lt;/strong&gt;&lt;/p&gt;</description></item><item><title>从泛化到进化：AI Agent 的下一站</title><link>https://hugozhu.site/post/2026/174-from-generalization-to-evolution-ai-agent-next-stop/</link><pubDate>Sat, 11 Apr 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/174-from-generalization-to-evolution-ai-agent-next-stop/</guid><description>&lt;p&gt;前几天跟一个做 Agent 平台的朋友聊天，他说了一句让我印象很深的话：&amp;ldquo;我们花了半年调 prompt，好不容易让 Agent 在电商客服场景跑到了 90 分。结果客户说要扩到金融场景，我们一测——40 分都不到。&amp;rdquo;&lt;/p&gt;
&lt;p&gt;我问他打算怎么办。&lt;/p&gt;
&lt;p&gt;他苦笑：&amp;ldquo;重新调呗。再花半年。&amp;rdquo;&lt;/p&gt;
&lt;p&gt;这个对话浓缩了当前 AI Agent 面临的最核心矛盾：&lt;strong&gt;我们造出了能力惊人但本质上是&amp;quot;静态&amp;quot;的系统&lt;/strong&gt;。它在训练过的分布上表现惊艳，换个分布就翻车；它部署的那一刻就被冻结，遇到新场景只能等人类手动干预、重新训练。&lt;/p&gt;
&lt;p&gt;这让我开始思考两个看似不同、实则紧密相连的问题：&lt;strong&gt;泛化（Generalization）&lt;/strong&gt; 和 &lt;strong&gt;进化（Evolution）&lt;/strong&gt;。&lt;/p&gt;</description></item><item><title>AI 时代，人人都能建模了吗？</title><link>https://hugozhu.site/post/2026/171-ai-era-can-everyone-build-models/</link><pubDate>Fri, 10 Apr 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/171-ai-era-can-everyone-build-models/</guid><description>&lt;p&gt;上周有个做运营的朋友拿着一个 AI 帮他建的销量预测模型来找我，特别兴奋：&amp;ldquo;你看，R² = 0.89，是不是挺准的？&amp;rdquo;&lt;/p&gt;
&lt;p&gt;我看了一眼，模型确实跑得不错。历史数据拟合得很好，特征工程也挺合理——用了过去 30 天的销量趋势、星期几、是否节假日。&lt;/p&gt;
&lt;p&gt;我问他：&amp;ldquo;下周要下一整周的雨，你的模型知道吗？&amp;rdquo;&lt;/p&gt;
&lt;p&gt;他愣了一下。&lt;/p&gt;
&lt;p&gt;我又问：&amp;ldquo;竞品下周搞 618 预热大促，你的模型考虑了吗？你们市场部刚换了投放渠道，从抖音换到了小红书，这个变量在哪？&amp;rdquo;&lt;/p&gt;
&lt;p&gt;他沉默了。&lt;/p&gt;
&lt;p&gt;模型没有错。R² = 0.89 是真的。但这个模型不知道自己不知道什么。更要命的是，用这个模型的人也不知道。&lt;/p&gt;
&lt;p&gt;这就是我今天想聊的事：AI 让建模的门槛低了，但这不等于人人都能建好模。&lt;/p&gt;</description></item><item><title>让 AI 自己写 Skill：可进化 Agent 的设计原理与最佳实践</title><link>https://hugozhu.site/post/2026/172-evolvable-agent-skills-best-practices/</link><pubDate>Fri, 10 Apr 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/172-evolvable-agent-skills-best-practices/</guid><description>&lt;p&gt;今天下午我做了一件听起来有点奇怪的事——让 AI 读完了我自己的 174 篇博客，提炼出写作风格，写成了一份可执行的配置文件，然后告诉它：&amp;ldquo;以后每次写文章就按这个标准来，写完还要自己更新它。&amp;rdquo;&lt;/p&gt;
&lt;p&gt;它真的照做了。不仅生成了一份包含六大风格特征、两种文章模板、四个薄弱环节和改进路线图的 Skill 文档，还自动附加了一条&amp;quot;进化协议&amp;quot;——每次使用完毕后检查是否需要更新。&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;这不是 prompt engineering，也不是 RAG。这是给 Agent 建程序性记忆（Procedural Memory）。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;很多人给 AI 配了知识库、写了几百行 system prompt，但用起来总觉得&amp;quot;不长进&amp;quot;。问题不在于模型，而在于记忆的结构。静态 prompt 是一次性指令，而可进化的 Skill 是活的——它会随着使用自动迭代、越用越准、越用越像你自己。&lt;/p&gt;</description></item><item><title>AI Native 流程的一头一尾：用户问题理解与自动验证</title><link>https://hugozhu.site/post/2026/170-ai-native-voc-head-and-tail/</link><pubDate>Thu, 09 Apr 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/170-ai-native-voc-head-and-tail/</guid><description>&lt;p&gt;之前写过一篇&lt;a href="https://hugozhu.site/post/2026/164-voc-to-automated-pipeline/"&gt;用 AI 把 VOC 变成自动化流水线&lt;/a&gt;，讲的是整条流水线的架构——采集、分析、路由、执行。反馈不错，但也有读者指出一个关键问题：&lt;strong&gt;中间的部分（分类、路由）其实相对好做，真正难的是一头一尾。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;&amp;ldquo;头&amp;quot;是&lt;strong&gt;用户问题理解&lt;/strong&gt;——用户说&amp;quot;页面打不开&amp;rdquo;，你能不能自动搞清楚是哪个页面、什么场景、能不能复现、根因是什么？&lt;/p&gt;
&lt;p&gt;&amp;ldquo;尾&amp;quot;是&lt;strong&gt;自动验证&lt;/strong&gt;——修完 bug 之后，你能不能自动生成测试用例来证明&amp;quot;确实修好了，而且没有搞坏别的东西&amp;rdquo;？&lt;/p&gt;
&lt;p&gt;这两个环节恰好是 AI Native 流程区别于传统自动化的核心：传统自动化靠规则，处理的是确定性问题；AI Native 靠理解和推理，处理的是模糊性问题。这篇文章就把这一头一尾拆开讲透。&lt;/p&gt;</description></item><item><title>用「好同事」模型理解人与 AI 的协作</title><link>https://hugozhu.site/post/2026/169-good-colleague-model-for-human-ai-collaboration/</link><pubDate>Sun, 05 Apr 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/169-good-colleague-model-for-human-ai-collaboration/</guid><description>&lt;p&gt;想象你团队来了个新同事——聪明、勤快、知识面广，但对你们的业务一无所知。第一天上午你走过去说：&amp;ldquo;帮我整理一下那个项目的材料。&amp;rdquo; 没说哪个项目，没说给谁看，没说什么格式，没说什么时候要。&lt;/p&gt;
&lt;p&gt;他大概率会交出一份正确但平庸的文档。你看了一眼：&amp;ldquo;这也太模板了。&amp;rdquo;&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;这不是他能力不行，是你没把活派清楚。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;现在把&amp;quot;新同事&amp;quot;换成 AI。同样的场景，同样的结果。但大多数人的反应不是&amp;quot;我没说清楚&amp;quot;，而是&amp;quot;AI 不够聪明&amp;quot;。事实上，AI 落地的真正瓶颈不是模型能力，是&lt;strong&gt;任务委托能力&lt;/strong&gt;——一项被严重低估的管理技能。&lt;/p&gt;</description></item><item><title>LLM 押注在 Coding Agent 上是正确的</title><link>https://hugozhu.site/post/2026/168-llm-betting-on-coding-agent/</link><pubDate>Sat, 04 Apr 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/168-llm-betting-on-coding-agent/</guid><description>&lt;p&gt;三个月前，我用 Claude Code 花了一个下午搭了一套完整的钉钉消息监控系统：自动抓取指定群的消息、按关键词分类、生成每日摘要、定时推送到我的私聊。整套流程从数据采集到定时任务，大约 500 行 TypeScript。&lt;/p&gt;
&lt;p&gt;同样的事情，如果走公司正规 IT 流程——提需求、排期、开发、测试、上线——保守估计三个月，还不一定能排上。&lt;/p&gt;
&lt;p&gt;这件事让我确信一个判断：&lt;strong&gt;LLM 厂商把重注押在 Coding Agent 上，是目前最正确的战略选择。&lt;/strong&gt; 不是因为 Coding Agent 能替代程序员，而是因为它把&amp;quot;用代码解决问题&amp;quot;这件事的门槛，从&amp;quot;需要一个工程团队&amp;quot;降到了&amp;quot;需要一个能清楚描述问题的人&amp;quot;。&lt;/p&gt;</description></item><item><title>Agent 是复杂个性化需求的最优解：解决用户自己都说不清的问题</title><link>https://hugozhu.site/post/2026/167-agent-solves-what-users-cannot-articulate/</link><pubDate>Fri, 03 Apr 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/167-agent-solves-what-users-cannot-articulate/</guid><description>&lt;p&gt;上周帮一个客户上线了一个&amp;quot;智能周报助手&amp;quot;。需求方的原话是：&amp;ldquo;帮我们的销售团队自动生成周报。&amp;rdquo;&lt;/p&gt;
&lt;p&gt;听起来很简单。但往下聊五分钟，你会发现这句话背后藏着至少二十个未定义的决策：周报包含哪些维度？数据从哪来？不同区域的销售负责人关注点一样吗？&amp;ldquo;好的周报&amp;quot;到底长什么样？客户自己也说不清。&lt;/p&gt;
&lt;p&gt;最终的解决方案不是一个固定模板的报表工具，而是一个 Agent——它能根据每个销售负责人的历史偏好、当周数据特征、团队上下文，动态决定周报的结构、重点和措辞。&lt;/p&gt;
&lt;p&gt;这件事让我重新思考一个问题：&lt;strong&gt;Agent 的核心价值到底是什么？&lt;/strong&gt; 不是&amp;quot;自动化&amp;rdquo;，不是&amp;quot;降本&amp;quot;，而是——&lt;strong&gt;它是目前唯一能规模化解决&amp;quot;复杂个性化需求&amp;quot;的技术方案&lt;/strong&gt;。&lt;/p&gt;</description></item><item><title>AI 原生的思考方式：不能被 Token 解决的问题，才配叫问题</title><link>https://hugozhu.site/post/2026/163-ai-native-work-token-problem-paradigm/</link><pubDate>Tue, 31 Mar 2026 12:00:00 +0800</pubDate><guid>https://hugozhu.site/post/2026/163-ai-native-work-token-problem-paradigm/</guid><description>&lt;p&gt;上周，一个做 ToB SaaS 的朋友跟我吐槽：他花了两周让 AI 帮忙写了一套完整的 CRM 后端，代码质量不错，测试覆盖率也够。但上线三天就被叫停了——因为产品方向本身就是错的，客户根本不需要这个功能。&lt;/p&gt;
&lt;p&gt;两周的 Token 消耗，毁于一个没被认真思考过的问题。&lt;/p&gt;</description></item><item><title>别再手动整理用户反馈了：把 VOC 变成一条自动化生产线</title><link>https://hugozhu.site/post/2026/164-voc-to-automated-pipeline/</link><pubDate>Tue, 31 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/164-voc-to-automated-pipeline/</guid><description>&lt;p&gt;每家公司都说&amp;quot;以用户为中心&amp;quot;，但 90% 的用户声音（Voice of Customer, VOC）最终的归宿是——躺在某个 Excel 表里，等着某个产品经理&amp;quot;有空的时候&amp;quot;去翻一翻。&lt;/p&gt;
&lt;p&gt;问题不是团队不重视用户反馈。问题是：&lt;strong&gt;从原始反馈到可执行的产品动作之间，隔着太多手工活。&lt;/strong&gt; 收集、清洗、分类、归因、优先级排序、写进 Backlog——每一步都在消耗人的精力，而人的精力是有限的。&lt;/p&gt;
&lt;p&gt;这篇文章是一个完整的教程：&lt;strong&gt;如何用 AI + 自动化工具，把 VOC 变成一条可执行的生产线&lt;/strong&gt;——从原始数据采集，到最终输出结构化的产品需求，全程自动。&lt;/p&gt;</description></item><item><title>同一个生意做了四遍：从搜索到Agent，万物皆排序</title><link>https://hugozhu.site/post/2026/162-same-business-four-times-search-ads-rec-agent/</link><pubDate>Mon, 30 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/162-same-business-four-times-search-ads-rec-agent/</guid><description>&lt;p&gt;如果你在过去二十年里分别做过搜索引擎、广告系统、推荐系统，再到今天做AI Agent，你可能会有一个越来越强烈的感觉：&lt;strong&gt;这不就是同一个生意吗？&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;表面上看，Google做搜索、Meta做广告、抖音做推荐、OpenAI做Agent，四个完全不同的产品形态，四个不同的技术栈，甚至四个不同的行业叙事。但如果你把外壳剥掉，盯着底层看，会发现一个令人不安的事实：&lt;strong&gt;这四代系统的核心逻辑，从来没有变过。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;它们都在做同一件事——&lt;strong&gt;在信息过载的世界里，帮用户匹配到最相关的东西，然后从匹配效率的提升中抽税。&lt;/strong&gt;&lt;/p&gt;</description></item><item><title>Agent的架构之战：从Desktop到AI时代，架构决定平台的生死</title><link>https://hugozhu.site/post/2026/160-agent-architecture-platform-competition/</link><pubDate>Sun, 29 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/160-agent-architecture-platform-competition/</guid><description>&lt;p&gt;每一代平台级产品的竞争，最终都不是功能之争，而是&lt;strong&gt;架构之争&lt;/strong&gt;。Windows赢了OS/2，不是因为功能更多，而是因为它的架构让第三方开发者能更容易地构建应用。iOS赢了Symbian，不是因为初期功能更强，而是因为它的架构从第一天就为触控交互和应用生态设计。Chrome赢了IE，不是因为它一开始更快，而是因为多进程架构让它在页面崩溃时不会拖垮整个浏览器。&lt;/p&gt;
&lt;p&gt;现在，AI Agent正在成为从Desktop、Web、Mobile之后的第四代平台级产品。而历史正在重演：&lt;strong&gt;决定谁能赢的，不是谁的模型更强、谁的功能更多，而是谁的架构更对。&lt;/strong&gt;&lt;/p&gt;</description></item><item><title>AI的MaaS层最核心的能力：把一个不稳定的概率接口，变成一个可运营的服务</title><link>https://hugozhu.site/post/2026/158-maas-core-capabilities/</link><pubDate>Sat, 28 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/158-maas-core-capabilities/</guid><description>&lt;p&gt;很多人对MaaS（Model as a Service）的理解停留在&amp;quot;套一层API&amp;quot;——把OpenAI的接口包一下，加个Key管理，做个用量统计，就叫MaaS了。如果这就是MaaS的全部，那它确实没什么技术含量，随便一个API Gateway就能干。&lt;/p&gt;
&lt;p&gt;但现实是：&lt;strong&gt;几乎所有在生产环境跑AI应用的团队，最终都会自建或依赖一个MaaS层。&lt;/strong&gt; 不是因为他们闲，而是因为裸调模型API在生产环境里根本撑不住。&lt;/p&gt;
&lt;p&gt;MaaS层真正要解决的问题是：&lt;strong&gt;把一个概率性的、无状态的、昂贵的模型API调用，变成一个可靠的、可观测的、成本可控的服务。&lt;/strong&gt;&lt;/p&gt;</description></item><item><title>OpenClaw + Claude Code 协同：用 Sub-Agent 执行编程任务并实时同步进度</title><link>https://hugozhu.site/post/2026/157-openclaw-claude-code-progress-sync/</link><pubDate>Sat, 28 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/157-openclaw-claude-code-progress-sync/</guid><description>&lt;p&gt;你在钉钉里对 AI 助手说：&amp;ldquo;帮我写一个博客文章&amp;rdquo;，然后 Agent 回复&amp;quot;好的&amp;quot;——接下来呢？你等了 3 分钟、5 分钟、10 分钟，不知道它在干什么、进展到哪了、是不是卡住了。这是所有 Agent 系统面临的共同问题：&lt;strong&gt;编程类耗时任务的进度黑洞&lt;/strong&gt;。&lt;/p&gt;
&lt;p&gt;OpenClaw 通过 Sub-Agent 机制调用 Claude Code 执行编程任务，再借助 &lt;code&gt;stream-json&lt;/code&gt; 输出格式和一个轻量级的监控脚本，将任务进度实时同步到钉钉。本文完整拆解这套方案的架构设计和实现细节。&lt;/p&gt;</description></item><item><title>素质之外，语言和数学仍然是教育的基础，是驾驭AI的底层能力</title><link>https://hugozhu.site/post/2026/159-language-math-ai-education-foundation/</link><pubDate>Sat, 28 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/159-language-math-ai-education-foundation/</guid><description>&lt;p&gt;AI时代的教育讨论，最常见的声音是：要培养批判性思维、创造力、跨学科能力、情商、沟通协作……这些当然重要。但一个危险的倾向正在蔓延——&lt;strong&gt;很多人把&amp;quot;素质教育&amp;quot;和&amp;quot;基础学科&amp;quot;对立起来了&lt;/strong&gt;，好像强调语文数学就是应试教育的残余，而AI时代只需要&amp;quot;软实力&amp;quot;。&lt;/p&gt;
&lt;p&gt;这是一个严重的误判。&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;语言能力和数学能力，不是AI时代要淘汰的旧能力，恰恰是驾驭AI最底层的两项基础能力。&lt;/strong&gt; 没有它们，所谓的批判性思维、创造力、AI素养，全都是空中楼阁。&lt;/p&gt;</description></item><item><title>微软的组织变革：从成长性思维到像AI一样自我进化的组织</title><link>https://hugozhu.site/post/2026/155-microsoft-hr-restructuring-ai-era-organization/</link><pubDate>Fri, 27 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/155-microsoft-hr-restructuring-ai-era-organization/</guid><description>&lt;p&gt;3月25日晚，微软首席人力官Amy Coleman在一份内部备忘录中，宣布对微软HR团队进行系统性调整。这不是一次普通的架构调整，而是AI时代组织进化的一次预演——微软正在把组织，从&amp;quot;管理系统&amp;quot;，升级为&amp;quot;计算系统&amp;quot;。&lt;/p&gt;</description></item><item><title>模型和Agent的边界：模型决定上限，Agent决定你能不能稳定拿到这个上限</title><link>https://hugozhu.site/post/2026/156-agent-vs-model-boundary/</link><pubDate>Fri, 27 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/156-agent-vs-model-boundary/</guid><description>&lt;p&gt;每个Agent开发者都绕不过一个灵魂拷问：&lt;strong&gt;模型一直在进化，Agent的价值到底在哪？&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;GPT-5比GPT-4强，Claude 4比Claude 3强，Gemini 2比Gemini 1强。模型按周迭代、按月跨代，推理更深、上下文更长、幻觉更少。如果模型本身就在变强，我们在模型之上搭的这一层&amp;quot;Agent&amp;quot;——到底是在创造价值，还是在制造冗余？&lt;/p&gt;
&lt;p&gt;这个问题不回答清楚，Agent开发就永远在焦虑中摇摆。&lt;/p&gt;</description></item><item><title>别再卷模型了：To B Agent 创业，用户反馈才是生死线</title><link>https://hugozhu.site/post/2026/151-tob-agent-user-feedback-loop/</link><pubDate>Mon, 23 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/151-tob-agent-user-feedback-loop/</guid><description>&lt;p&gt;2026 年，一个事实已经无法忽视：&lt;strong&gt;模型训练不再是一项研究活动，而是一项系统工程。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;预训练需要万卡集群和 PB 级数据管线，强化学习需要奖励模型和 RLHF/DPO 的工程化流水线，推理优化涉及量化、蒸馏、speculative decoding 等一整套工具链，Agent 能力构建则横跨 function calling、长上下文、规划与工具使用的多维调优。任何一个方向的突破，如果不能在其他环节配合落地，就只是一篇论文，不是一个产品。&lt;/p&gt;
&lt;p&gt;这意味着什么？&lt;strong&gt;模型本身正在变成标准化基础设施。&lt;/strong&gt; 就像今天没有哪家 SaaS 公司拿&amp;quot;我们用了 PostgreSQL&amp;quot;当竞争优势一样，未来也不会有哪家 Agent 公司仅靠&amp;quot;我们微调了一个更好的模型&amp;quot;赢得市场。&lt;/p&gt;
&lt;p&gt;那么 To B Agent 创业的制胜变量到底是什么？&lt;/p&gt;</description></item><item><title>OpenClaw使用远程浏览器——让AI读懂你的个性化互联网</title><link>https://hugozhu.site/post/2026/149-openclaw-remote-browser-setup/</link><pubDate>Sun, 22 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/149-openclaw-remote-browser-setup/</guid><description>&lt;p&gt;AI Agent 能搜索、能总结、能写代码，但有一件事它做不好：&lt;strong&gt;读你的互联网&lt;/strong&gt;。你的 Twitter Timeline、你的 YouTube 推荐、你的 Hacker News 首页——这些个性化内容藏在登录态背后，普通的 API 调用拿不到。&lt;/p&gt;
&lt;p&gt;OpenClaw 的远程浏览器方案解决了这个问题：在一台带桌面的 Ubuntu 服务器上运行真实浏览器，保存各大网站的登录信息，然后通过网络让 AI Agent 直接操控这个浏览器。AI 看到的就是你看到的。&lt;/p&gt;</description></item><item><title>当钉钉变成命令行：办公协同 Skill 的 Token 交付时代</title><link>https://hugozhu.site/post/2026/150-dingtalk-cli-office-skills-token-era/</link><pubDate>Sun, 22 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/150-dingtalk-cli-office-skills-token-era/</guid><description>&lt;p&gt;软件行业有一个永恒的矛盾：&lt;strong&gt;标准化产品满足不了个性化需求，定制开发又贵得离谱&lt;/strong&gt;。每家企业都想要&amp;quot;适合自己的办公系统&amp;quot;，但 SaaS 只能给你 80% 的功能，剩下 20% 要么忍着，要么花十倍的钱去定制。&lt;/p&gt;
&lt;p&gt;钉钉的 CLI 化开放正在改变这个游戏规则。当钉钉的消息、日历、审批、文档、通讯录等能力都可以通过命令行接口被 AI Agent 直接调用时，一个新范式浮现了：&lt;strong&gt;过去需要写代码、做定制、走项目的办公需求，现在可以用自然语言描述，由 AI 用 Token 来交付。&lt;/strong&gt;&lt;/p&gt;</description></item><item><title>人写规则，Token做实验：从Karpathy的autoresearch看AI应用优化新范式</title><link>https://hugozhu.site/post/2026/147-autoresearch-token-optimization-paradigm/</link><pubDate>Sat, 21 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/147-autoresearch-token-optimization-paradigm/</guid><description>&lt;p&gt;Karpathy 在 2026 年 3 月开源了 &lt;a href="https://github.com/karpathy/autoresearch"&gt;autoresearch&lt;/a&gt;，两周内收获近 5 万 Star。项目本身很简单——让 AI Agent 自动修改 LLM 训练代码、跑实验、看指标、保留好的、丢弃差的，一夜循环 100 轮。但简单的背后藏着一个深刻的范式转移：&lt;strong&gt;在 AI 时代，人的角色从&amp;quot;做实验的人&amp;quot;变成了&amp;quot;设计实验规则的人&amp;quot;，而试错循环本身，交给 Token 去完成。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;这不只是 AI 研究的事。任何可以量化评估、快速迭代的业务场景，都可以套用这个范式。&lt;/p&gt;</description></item><item><title>自我进化的AI助手：OpenClaw如何用Heartbeat实现Skill自动优化</title><link>https://hugozhu.site/post/2026/148-openclaw-skill-self-optimization/</link><pubDate>Sat, 21 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/148-openclaw-skill-self-optimization/</guid><description>&lt;p&gt;在&lt;a href="https://hugozhu.site/post/2026/147-autoresearch-token-optimization-paradigm/"&gt;上一篇文章&lt;/a&gt;中，我从 Karpathy 的 autoresearch 项目提炼了一个范式：&lt;strong&gt;人写规则，Token 做实验&lt;/strong&gt;。我们用 AI 客服 Prompt 优化作为案例，验证了这个范式在业务场景中的可行性。但那个方案有一个前提——你需要预先准备评估数据集。&lt;/p&gt;
&lt;p&gt;OpenClaw 的场景让我意识到，还有一种更彻底的可能：&lt;strong&gt;Agent 用自己的真实执行数据作为评估信号，在用户无感知的情况下持续自我优化。&lt;/strong&gt; 不需要人工标注测试集，不需要离线批处理，每一次真实使用都是一条训练数据。&lt;/p&gt;</description></item><item><title>悟空是AI时代的淘宝：Token消费的多快好省</title><link>https://hugozhu.site/post/2026/146-wukong-taobao-of-ai-token-economy/</link><pubDate>Fri, 20 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/146-wukong-taobao-of-ai-token-economy/</guid><description>&lt;p&gt;1962年，一位伟人为中国工业发展题写了&amp;quot;鼓足干劲，力争上游，多快好省地建设社会主义&amp;quot;。六十多年后，当我们审视AI Agent工程的核心挑战时，会发现一个惊人的对称：&lt;strong&gt;Agent工程的终极优化目标，本质上就是对模型Token消耗的&amp;quot;多快好省&amp;quot;。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;淘宝用十五年把&amp;quot;多快好省&amp;quot;刻进了中国零售的DNA——商品要多、物流要快、品质要好、价格要省。而今天的AI Agent Runtime，正在用同一套逻辑重塑Token消费——模型类型要&lt;strong&gt;多&lt;/strong&gt;、响应速度要&lt;strong&gt;快&lt;/strong&gt;、完成效果要&lt;strong&gt;好&lt;/strong&gt;、使用成本要&lt;strong&gt;省&lt;/strong&gt;。&lt;/p&gt;
&lt;p&gt;悟空——孙悟空七十二变（多）、筋斗云十万八千里（快）、金箍棒降妖除魔（好）、一根毫毛变千猴（省）。一个优秀的Agent Runtime，就是AI时代的淘宝，Token世界的悟空。&lt;/p&gt;</description></item><item><title>AI时代的新代码大全：从McConnell的三大启示到Claude Skill编写指南</title><link>https://hugozhu.site/post/2026/145-new-code-complete-for-ai-era/</link><pubDate>Wed, 18 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/145-new-code-complete-for-ai-era/</guid><description>&lt;p&gt;二十年前，Steve McConnell 的《代码大全》(Code Complete 2nd) 以其近 900 页的体量，成为软件工程领域一座难以逾越的丰碑。二十年后，它依然是无数工程师书架上的必备经典。在一场&lt;a href="https://www.youtube.com/watch?v=iPKmcLxuS_A"&gt;深度的访谈&lt;/a&gt;中，McConnell 分享了这部巨著背后的故事、对职业发展的深刻洞见，以及对 AI 时代的冷静思考。&lt;/p&gt;
&lt;p&gt;尽管技术浪潮已更迭数代，但 McConnell 的核心思想依然闪耀着永恒的光芒。我从中提炼出三大&amp;quot;启示&amp;quot;，它们穿越了语言和工具的变迁，直指软件开发的本质。而当我读完 Anthropic 刚刚发布的 &lt;a href="https://resources.anthropic.com/hubfs/The-Complete-Guide-to-Building-Skill-for-Claude.pdf"&gt;The Complete Guide to Building Skills for Claude&lt;/a&gt; 时，我惊讶地发现：&lt;strong&gt;这份 AI 时代的&amp;quot;新代码大全&amp;quot;，正是 McConnell 理念的最佳实践者。&lt;/strong&gt;&lt;/p&gt;</description></item><item><title>AI Native 文档：会话即知识，过程即资产</title><link>https://hugozhu.site/post/2026/144-ai-native-document-conversation-as-knowledge/</link><pubDate>Mon, 16 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/144-ai-native-document-conversation-as-knowledge/</guid><description>&lt;p&gt;企业每天都在产生大量知识，但绝大多数知识从未被记录下来。不是因为没有文档系统，而是因为&lt;strong&gt;真正的知识不在文档里，而在产生文档的过程中&lt;/strong&gt;。&lt;/p&gt;
&lt;p&gt;一份产品方案的最终版本只有 10 页，但写这 10 页的过程中，团队讨论了 20 个方案、否定了 15 个、在 3 个关键决策点上反复权衡。这些讨论、推理和决策——才是企业最有价值的知识。传统文档系统只保存了结论，丢掉了思考。&lt;/p&gt;
&lt;p&gt;AI Native 文档要解决的，就是这个问题。&lt;/p&gt;</description></item><item><title>构建企业级Agent Runtime：从Skill到Workspace的五层架构</title><link>https://hugozhu.site/post/2026/143-enterprise-agent-runtime-five-layer-architecture/</link><pubDate>Mon, 16 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/143-enterprise-agent-runtime-five-layer-architecture/</guid><description>&lt;p&gt;很多团队对 Agent 的理解还停留在&amp;quot;LLM + Prompt + 几个工具调用&amp;quot;。这种理解能跑通 Demo，但一旦进入企业级场景——多任务并行、多系统集成、多角色协作、安全审计——就会发现：&lt;strong&gt;Agent 系统的核心挑战不是让 LLM 更聪明，而是构建一个可扩展、可治理、可审计的运行时架构。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;Agent 系统本质上在解决五个问题：用户要做什么（Agent）、谁来执行（Sub-Agent）、如何执行（Skill）、从哪里获取数据（MCP）、执行过程的状态存在哪里（Workspace）。这五个问题对应了系统的五个核心层次。&lt;/p&gt;
&lt;p&gt;本文将这套架构完整展开。&lt;/p&gt;</description></item><item><title>AI Agent 架构的终局，是 Unix 哲学的回归</title><link>https://hugozhu.site/post/2026/138-ai-agent-architecture-unix-philosophy-returns/</link><pubDate>Sun, 15 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/138-ai-agent-architecture-unix-philosophy-returns/</guid><description>&lt;p&gt;最近在梳理各种 AI Agent 框架和 Runtime 的架构时，我产生了一个越来越强烈的感觉：&lt;strong&gt;我们正在重新发明 Unix。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;不是比喻。是字面意义上的重新发明。当你把今天主流的 Agent 架构摊开来看——Skill、Workspace、Tool、Pipeline、Orchestrator——你会发现，这些概念和 50 年前 Unix 的设计哲学几乎一一对应。区别只是换了一层 AI 的皮。&lt;/p&gt;</description></item><item><title>为 AI 重建的 IM 架构</title><link>https://hugozhu.site/post/2026/142-im-architecture-rebuilt-for-ai/</link><pubDate>Sun, 15 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/142-im-architecture-rebuilt-for-ai/</guid><description>&lt;p&gt;传统 IM（即时通讯）解决的是一个简单的问题：&lt;strong&gt;让人和人高效地交换信息&lt;/strong&gt;。文本、图片、文件、语音——三十年来，IM 的核心架构围绕着&amp;quot;谁说了什么&amp;quot;展开，安全靠端到端加密，权限靠静态角色控制，审计靠消息日志。这套体系服务了几十亿用户，足够成熟。&lt;/p&gt;
&lt;p&gt;但当 AI Agent 成为 IM 中的活跃参与者——不仅接收消息，还理解意图、调用工具、执行任务、产生后果——传统 IM 的架构假设就被从根本上打破了。&lt;strong&gt;IM 不再只是信息传递的通道，而是 Agent 协作与执行的操作系统。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;这需要一种全新的 IM 架构。&lt;/p&gt;</description></item><item><title>企业专属模型：让企业放心调用大模型的架构最佳实践</title><link>https://hugozhu.site/post/2026/141-enterprise-dedicated-model-architecture/</link><pubDate>Sun, 15 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/141-enterprise-dedicated-model-architecture/</guid><description>&lt;p&gt;和企业客户聊 AI 落地，十次有九次会被问到同一个问题：&lt;strong&gt;&amp;ldquo;我们调用你们的大模型，数据会不会被拿去训练？&amp;rdquo;&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;这个问题背后的焦虑是真实的。企业的客户数据、商业机密、内部文档、代码仓库——这些是企业的核心资产。把它们发送给一个外部的大模型 API，本质上就是把家底给别人看了一遍。如果这些数据还被用来训练模型，那等于是在免费帮竞争对手提升 AI 能力。&lt;/p&gt;
&lt;p&gt;好消息是，这个问题在 2026 年已经有了成熟的解决方案。坏消息是，大多数企业还不知道该怎么选。&lt;/p&gt;</description></item><item><title>企业级 Agent Runtime 的第一道防线：安全沙箱</title><link>https://hugozhu.site/post/2026/139-enterprise-agent-runtime-sandbox-security/</link><pubDate>Sun, 15 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/139-enterprise-agent-runtime-sandbox-security/</guid><description>&lt;p&gt;当我们谈论企业级 AI Agent Runtime 时，第一个需要解决的问题不是&amp;quot;模型有多聪明&amp;quot;，而是&amp;quot;Agent 执行的代码有多安全&amp;quot;。一个能读写文件、执行命令、访问网络的 Agent，如果没有安全边界，就是一颗不知道什么时候会爆炸的定时炸弹。&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;企业级的 Agent Runtime 首先需要一个安全沙箱：文件系统隔离 + 网络访问隔离。&lt;/strong&gt;&lt;/p&gt;</description></item><item><title>当 AI Agent 被拉进多个群：会话隔离与 Agent 隔离的生死线</title><link>https://hugozhu.site/post/2026/140-agent-session-isolation-multi-group-security/</link><pubDate>Sun, 15 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/140-agent-session-isolation-multi-group-security/</guid><description>&lt;p&gt;把一个 AI Agent 拉进钉钉的多个群，是一件非常容易的事情——群管理员点一下&amp;quot;添加机器人&amp;quot;就完成了。但这也是一件&lt;strong&gt;极其危险的事情&lt;/strong&gt;——如果 Agent Runtime 没有做好隔离，你可能正在制造一个企业级的安全事故。&lt;/p&gt;
&lt;p&gt;想象这个场景：你的 AI Agent 同时服务于&amp;quot;核心技术架构群&amp;quot;和&amp;quot;外部合作伙伴群&amp;quot;。有人在合作伙伴群里问了一个问题，Agent 的回答中不小心带出了它在架构群里学到的技术方案细节。&lt;strong&gt;信息就这样泄露了，而且没有任何人会收到告警。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;这不是假设。这是没有隔离的 Agent Runtime 的默认行为。&lt;/p&gt;</description></item><item><title>AI 时代的企业数字化 = 工作 Agent 化 + 知识 AI Ready 化 + 软件 CLI 化</title><link>https://hugozhu.site/post/2026/137-enterprise-digitalization-in-ai-era/</link><pubDate>Wed, 11 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/137-enterprise-digitalization-in-ai-era/</guid><description>&lt;p&gt;过去两年，几乎每家企业都在谈&amp;quot;拥抱 AI&amp;quot;。但你去看看大多数企业的 AI 落地项目，会发现一个尴尬的现实：&lt;strong&gt;聊天机器人做了一堆，效率提升约等于零。&lt;/strong&gt; 问题出在哪？不是 AI 不够强，而是企业的数字化基座根本不是为 AI 设计的。&lt;/p&gt;
&lt;p&gt;我越来越确信一个判断：AI 时代的企业数字化，可以浓缩成一个公式——&lt;/p&gt;
&lt;blockquote&gt;
&lt;p&gt;&lt;strong&gt;企业数字化 = 工作 Agent 化 + 知识 AI Ready 化 + 软件 CLI 化&lt;/strong&gt;&lt;/p&gt;
&lt;/blockquote&gt;
&lt;p&gt;这三项缺一不可，而且顺序很重要。&lt;/p&gt;</description></item><item><title>Agent 执行耗时任务时如何主动汇报进度？四种方案的实战选型</title><link>https://hugozhu.site/post/2026/136-openclaw-long-running-task-progress-reporting/</link><pubDate>Tue, 10 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/136-openclaw-long-running-task-progress-reporting/</guid><description>&lt;p&gt;你让 AI Agent 帮你跑一个需要 30 分钟的数据迁移脚本，然后就没了下文——它在干嘛？卡住了？还是已经跑完了？你不知道，因为 Agent 只会在任务彻底完成或彻底失败时才告诉你结果。&lt;/p&gt;
&lt;p&gt;这是 Agent 系统中一个普遍的痛点：&lt;strong&gt;耗时任务的进度黑洞&lt;/strong&gt;。用户发出指令后陷入等待，没有进度条，没有中间反馈，只有最终的成功或失败。在 OpenClaw 的实际使用中，我总结了四种适用于不同场景的进度上报方案，每种都有其最佳适用场景。&lt;/p&gt;</description></item><item><title>OpenClaw 一天发布两个版本，打破了人月神话法则吗？</title><link>https://hugozhu.site/post/2026/135-openclaw-two-releases-a-day-mythical-man-month/</link><pubDate>Tue, 10 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/135-openclaw-two-releases-a-day-mythical-man-month/</guid><description>&lt;p&gt;OpenClaw 一天发布了两个版本。消息传开后，有人兴奋地说&amp;quot;AI 时代人月神话终于被打破了&amp;quot;，也有人冷静地问&amp;quot;这真的算打破了吗？&amp;quot;&lt;/p&gt;
&lt;p&gt;这个问题值得认真回答。因为它触及的不是某个产品的发布节奏，而是软件工程最根本的规律之一——&lt;strong&gt;加人到底能不能加速交付？&lt;/strong&gt; 在 AI Agent 成为新型&amp;quot;开发者&amp;quot;的今天，这条规律是否需要被重新审视？&lt;/p&gt;</description></item><item><title>Workspace + Git + Agent：AI 时代的工作操作系统</title><link>https://hugozhu.site/post/2026/134-workspace-git-agent-ai-operating-system/</link><pubDate>Fri, 06 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/134-workspace-git-agent-ai-operating-system/</guid><description>&lt;p&gt;过去一年，我越来越确信一个判断：&lt;strong&gt;AI 时代真正的工作操作系统，不是某个 App，不是某个平台，而是 Workspace + Git + Agent 这个三位一体的组合。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;为什么？因为 AI Agent 的一切——输入、输出、系统提示词、上下文、执行过程、临时生成的代码、图片、文档，甚至应用程序本身——本质上都是文件。既然 everything is file，那么管理这些文件的方式，就决定了你驾驭 AI 的效率和上限。&lt;/p&gt;</description></item><item><title>Attention is All You Need：专注力才是人和大模型共同的底层算法</title><link>https://hugozhu.site/post/2026/133-all-you-need-is-attention/</link><pubDate>Thu, 05 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/133-all-you-need-is-attention/</guid><description>&lt;p&gt;2017 年，Google 发表了那篇改变世界的论文——&lt;em&gt;&amp;ldquo;Attention Is All You Need&amp;rdquo;&lt;/em&gt;。八位作者可能没想到，这篇论文不仅催生了 GPT、Claude、Gemini 等一系列大模型，也在某种意义上揭示了一个关于人类自身的深刻隐喻：&lt;strong&gt;不论是大模型还是人，决定产出质量的底层机制都是注意力（Attention）。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;专注力是人做事质量和效率的基础。这不是心灵鸡汤，而是一个可以从技术原理出发、严肃论证的观点。&lt;/p&gt;</description></item><item><title>让 Agent 更准确地完成任务，关键不在模型，而在环境</title><link>https://hugozhu.site/post/2026/132-agent-clean-environment-best-practices/</link><pubDate>Thu, 05 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/132-agent-clean-environment-best-practices/</guid><description>&lt;p&gt;做了一年多 AI Agent 开发，我逐渐形成了一个核心观点：&lt;strong&gt;让 Agent 更准确更高质量地完成任务，最关键的不是换一个更强的模型，而是给它一个正确的执行环境。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;具体来说，这个&amp;quot;正确的执行环境&amp;quot;包含四个要素：干净的执行环境、充足且正确的上下文、允许自我探索的空间、以及学会使用工具解决问题的能力。&lt;/p&gt;</description></item><item><title>以前人给 AI 造工具，现在 AI 自己造工具</title><link>https://hugozhu.site/post/2026/131-ai-creates-its-own-tools-programmatic-tool-calling/</link><pubDate>Wed, 04 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/131-ai-creates-its-own-tools-programmatic-tool-calling/</guid><description>&lt;p&gt;做 AI Agent 开发这一年多来，我经历了一个认知上的转变：以前的默认思路是&amp;quot;我要给 AI 准备好一切工具，让它去调用&amp;quot;；而现在，越来越多的场景让我意识到——&lt;strong&gt;AI 为了完成任务，会自己造工具&lt;/strong&gt;。这不是一个隐喻，而是一个正在发生的技术事实。&lt;/p&gt;</description></item><item><title>大模型 Tool Use 准确率可达 99%，但前提是工具足够简单</title><link>https://hugozhu.site/post/2026/130-llm-tool-use-accuracy-cli-simplicity/</link><pubDate>Mon, 02 Mar 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/130-llm-tool-use-accuracy-cli-simplicity/</guid><description>&lt;p&gt;最近在做 Agent 开发时，我发现一个有意思的现象：大模型调用工具的准确率其实可以非常高，达到 99% 甚至更高——但这有一个关键前提：&lt;strong&gt;工具本身要足够简单&lt;/strong&gt;。这也解释了一个行业趋势：越来越多的平台服务在做 Tools 化时，选择的路径是写 CLI，而不是暴露复杂的 SDK 或 REST API。&lt;/p&gt;</description></item><item><title>Agent 设计最佳实践：Memory</title><link>https://hugozhu.site/post/2026/129-openclaw-memory-design-best-practices/</link><pubDate>Sat, 28 Feb 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/129-openclaw-memory-design-best-practices/</guid><description>&lt;p&gt;想象这样一个场景：你花了半小时向 AI 助手解释你的项目架构、编码偏好和团队规范，得到了一次满意的协作体验。第二天再打开对话——它全忘了。你又得从头来一遍。这不是 AI 不够聪明的问题，而是&lt;strong&gt;记忆架构缺失&lt;/strong&gt;的问题。OpenClaw 的 Memory 系统试图从根本上解决这个痛点：让 AI Agent 拥有持久、可检索、可自维护的记忆能力。&lt;/p&gt;</description></item><item><title>Agent 设计最佳实践：OpenClaw 的 Heartbeat 设计</title><link>https://hugozhu.site/post/2026/128-openclaw-heartbeat-design-best-practices/</link><pubDate>Sat, 28 Feb 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/128-openclaw-heartbeat-design-best-practices/</guid><description>&lt;p&gt;绝大多数 AI 助手都是被动的——用户不说话，它就沉默。这在&amp;quot;问答&amp;quot;场景下没问题，但如果你想让 AI 助手真正成为助手，它需要&lt;strong&gt;主动意识&lt;/strong&gt;：定期检查收件箱有没有紧急邮件、日历上有没有即将到来的会议、GitHub 上有没有需要关注的 PR。OpenClaw 的 Heartbeat（心跳）机制正是为此设计的。本文将深入解析这一设计的工程细节和最佳实践。&lt;/p&gt;</description></item><item><title>高质量数据越多，大模型表现越优秀</title><link>https://hugozhu.site/post/2026/127-data-quality-llm-performance/</link><pubDate>Fri, 27 Feb 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/127-data-quality-llm-performance/</guid><description>&lt;p&gt;最近和几个做 AI 的朋友聊天，发现一个有趣的现象：很多人对大模型的信仰是&amp;quot;因为相信所以看见&amp;quot;——相信 AGI 会来，相信 scaling law 会继续有效，相信未来的模型会更强大。&lt;/p&gt;
&lt;p&gt;但我的观点恰恰相反：&lt;strong&gt;AI 信仰应该建立在&amp;quot;因为看见所以相信&amp;quot;&lt;/strong&gt;。而我们能看见什么？最直观的就是——&lt;strong&gt;高质量数据越多，大模型表现越优秀&lt;/strong&gt;。这不是信仰，是已经被反复验证的事实。&lt;/p&gt;</description></item><item><title>AI时代的个人生产力公式：思考深度 × 资源调度广度</title><link>https://hugozhu.site/post/2026/124-ai-era-personal-productivity-formula/</link><pubDate>Wed, 25 Feb 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/124-ai-era-personal-productivity-formula/</guid><description>&lt;p&gt;最近我一直在思考一个问题：在 AI 时代，个人生产力的本质到底是什么？经过大半年高强度使用各类 AI 工具的实践，我得出了一个公式：&lt;/p&gt;
&lt;p&gt;&lt;strong&gt;个人生产力 = 思考深度 × 资源调度广度&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;这不是一个数学公式，而是一个思维框架。它帮我重新理解了&amp;quot;人应该做什么&amp;quot;和&amp;quot;AI 应该做什么&amp;quot;这个根本问题。&lt;/p&gt;</description></item><item><title>OpenClaw 架构解析：如何构建一个有记忆、有灵魂的个人 AI 助手</title><link>https://hugozhu.site/post/2026/126-openclaw-architecture-design/</link><pubDate>Wed, 25 Feb 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/126-openclaw-architecture-design/</guid><description>&lt;p&gt;大多数 AI 助手是无状态的——你关掉窗口，它就忘了你是谁。OpenClaw 试图解决一个更本质的问题：&lt;strong&gt;能不能让 AI 助手像一个真正的助手一样，记住你、理解你、主动帮你？&lt;/strong&gt; 经过几周的实际使用，我想分享一下 OpenClaw 的架构设计和背后的思考。&lt;/p&gt;</description></item><item><title>任何省 Token 的做法都不是大模型的最佳实践</title><link>https://hugozhu.site/post/2026/125-stop-saving-tokens-llm-best-practice/</link><pubDate>Wed, 25 Feb 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/125-stop-saving-tokens-llm-best-practice/</guid><description>&lt;p&gt;最近看到很多文章在教人如何&amp;quot;省 Token&amp;quot;——压缩 prompt、缩短上下文、用更小的模型替代、砍掉 system prompt……这些技巧看似精明，但我越来越确信一个观点：&lt;strong&gt;任何以省 Token 为目标的做法，都不是大模型的最佳实践。&lt;/strong&gt;&lt;/p&gt;
&lt;p&gt;这不是因为我不在乎成本。恰恰相反，正是因为我在乎投入产出比，所以我认为&amp;quot;省 Token&amp;quot;是一个错误的优化方向。&lt;/p&gt;</description></item><item><title>Manus、Lovable、Dify、Coze 的本质：为大模型开发 Skills 的工具</title><link>https://hugozhu.site/post/2026/123-ai-skill-platforms-moat-and-evolution/</link><pubDate>Sun, 22 Feb 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/123-ai-skill-platforms-moat-and-evolution/</guid><description>&lt;p&gt;2025 年以来，AI 应用层出现了一波令人眼花缭乱的平台：Manus 主打通用 AI Agent，Lovable 专注 AI 驱动的应用生成，Dify 提供 LLM 应用编排框架，Coze（扣子）让用户可以可视化地构建 AI Bot。它们看起来各有侧重，产品形态也不尽相同，但如果你退后一步观察，会发现它们在做的事情本质上是一样的——&lt;strong&gt;为大模型开发 Skills&lt;/strong&gt;。&lt;/p&gt;</description></item><item><title>Claude Code 时代的工程师新范式：几个月掌握别人十年的经验</title><link>https://hugozhu.site/post/2026/122-claude-code-new-engineering-paradigm/</link><pubDate>Sat, 21 Feb 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/122-claude-code-new-engineering-paradigm/</guid><description>&lt;p&gt;软件工程师正在经历一场静悄悄的范式革命。过去，一个工程师要成为团队中的技术骨干，往往需要五到十年的摸爬滚打——踩过无数坑，读过海量源码，在生产环境的故障中积累经验。但现在，一个善于使用 Claude Code 的工程师，可以在几个月内走完别人多年的路。这不是夸张，而是正在发生的事实。&lt;/p&gt;</description></item><item><title>通过桌面录屏实现自动化 RPA 的最佳实践</title><link>https://hugozhu.site/post/2026/121-desktop-screen-recording-rpa-best-practices/</link><pubDate>Mon, 09 Feb 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/121-desktop-screen-recording-rpa-best-practices/</guid><description>&lt;p&gt;传统的 RPA（Robotic Process Automation）工具通常需要手动编写脚本或使用可视化编排工具，学习成本高且维护困难。随着多模态 AI 的发展，一种新的范式正在兴起：通过录制用户的桌面操作，让 AI 自动理解并复现这些操作。这种方式大大降低了自动化的门槛，让业务人员也能快速构建自动化流程。&lt;/p&gt;</description></item><item><title>Clawdbot：运行在你自己设备上的个人AI助手</title><link>https://hugozhu.site/post/2026/118-clawdbot-personal-ai-assistant/</link><pubDate>Tue, 27 Jan 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/118-clawdbot-personal-ai-assistant/</guid><description>&lt;p&gt;在AI助手日益普及的今天，我们往往需要依赖云端服务来使用这些智能工具。但如果你想要一个完全由自己控制、运行在本地的AI助手呢？今天要介绍的 &lt;strong&gt;Clawdbot&lt;/strong&gt; 就是这样一个开源项目——一个真正属于你的个人AI助手。&lt;/p&gt;</description></item><item><title>如何对会议纪要 Agent 进行 Benchmark？完整指南与实践</title><link>https://hugozhu.site/post/2026/117-how-to-benchmark-meeting-minutes-agent/</link><pubDate>Wed, 07 Jan 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/117-how-to-benchmark-meeting-minutes-agent/</guid><description>&lt;p&gt;在 AI Agent 应用日益普及的今天,会议纪要生成是最常见的落地场景之一。然而,如何科学地评估一个会议纪要 Agent 的性能,却是许多开发者面临的难题。本文将详细介绍如何构建一个完整的 benchmark 体系,包括评估维度设计、数据集准备、指标计算和自动化测试流程。&lt;/p&gt;</description></item><item><title>Agent强化学习的最佳实践：并行任务处理与性能优化</title><link>https://hugozhu.site/post/2026/114-agent-reinforcement-learning-best-practices/</link><pubDate>Sat, 03 Jan 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/114-agent-reinforcement-learning-best-practices/</guid><description>&lt;p&gt;在2026年的AI应用场景中，Agent系统已经成为解决复杂任务的核心技术。无论是代码生成助手、自动化运维系统，还是智能客服机器人，如何让Agent高效地处理多个任务并从经验中学习，直接决定了系统的实用性和用户体验。本文将深入探讨Agent强化学习的工程实践，重点解决一个关键问题：&lt;strong&gt;如何让Agent并行处理任务以提升性能？&lt;/strong&gt;&lt;/p&gt;</description></item><item><title>NotebookLM的核心能力与构建之道</title><link>https://hugozhu.site/post/2026/116-notebooklm-key-capabilities-and-architecture/</link><pubDate>Sat, 03 Jan 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/116-notebooklm-key-capabilities-and-architecture/</guid><description>&lt;p&gt;当Google在2023年推出NotebookLM时，它重新定义了我们与知识交互的方式。这款AI驱动的笔记应用不仅仅是一个文档管理工具，更是一个能够理解、总结、对话和创作的智能助手。那么，NotebookLM究竟具备哪些关键能力？我们如何构建类似的系统？本文将深入剖析其核心技术架构。&lt;/p&gt;</description></item><item><title>智谱开源Slime：企业AI应用的强化学习利器</title><link>https://hugozhu.site/post/2026/115-zhipu-slime-enterprise-ai-value/</link><pubDate>Sat, 03 Jan 2026 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2026/115-zhipu-slime-enterprise-ai-value/</guid><description>&lt;p&gt;当企业决策者在考虑如何让AI真正产生业务价值时，一个核心挑战始终存在：&lt;strong&gt;如何让AI系统持续学习和优化，而不是停留在&amp;quot;静态模型&amp;quot;阶段？&lt;/strong&gt; 智谱AI开源的Slime框架，正是为解决这一痛点而生的强化学习后训练系统。&lt;/p&gt;
&lt;p&gt;如果说预训练模型是AI的&amp;quot;基础教育&amp;quot;，那么强化学习就是让AI在真实业务场景中&amp;quot;实战成长&amp;quot;的关键。Slime不仅仅是又一个开源框架，它代表着企业级AI应用从&amp;quot;能用&amp;quot;到&amp;quot;好用&amp;quot;的范式转变。&lt;/p&gt;</description></item><item><title>Claude Code自动修正生成代码的原理解析：Agent Loop最佳实践</title><link>https://hugozhu.site/post/2025/113-claude-code-auto-correction-agent-loop/</link><pubDate>Wed, 24 Dec 2025 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2025/113-claude-code-auto-correction-agent-loop/</guid><description>&lt;p&gt;在AI辅助编程的时代，Claude Code等智能代码助手已经成为开发者的得力助手。但你是否好奇过：为什么Claude Code能够自动发现并修正生成代码中的错误？这背后的&amp;quot;Agent Loop&amp;quot;机制究竟是如何工作的？本文将深入剖析Claude Code的自动修正原理，并分享Agent Loop的最佳实践。&lt;/p&gt;</description></item><item><title>如何用 AI 将个人网站转化为专业的 Google 求职简历</title><link>https://hugozhu.site/post/2025/112-ai-powered-google-resume-from-personal-website/</link><pubDate>Tue, 23 Dec 2025 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2025/112-ai-powered-google-resume-from-personal-website/</guid><description>&lt;p&gt;在科技行业求职，特别是向 Google 这样的顶级科技公司投递简历时，如何将个人网站上丰富的项目经验、技术博客和开源贡献转化为一份专业、精准的简历是关键。传统方式需要手动整理、提炼和格式化，既费时又容易遗漏重点。本文将介绍如何利用 AI 工具，特别是大语言模型（LLM），智能地将个人网站内容转化为符合 Google 招聘标准的专业简历。&lt;/p&gt;</description></item><item><title>多模态AI驱动的B2B订单归一化：从非标准文档到MES系统的智能工作流</title><link>https://hugozhu.site/post/2025/101-multimodal-ai-b2b-order-normalization/</link><pubDate>Sat, 20 Dec 2025 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2025/101-multimodal-ai-b2b-order-normalization/</guid><description>&lt;p&gt;传统制造企业在数字化转型过程中，面临着一个普遍而棘手的问题：来自不同客户的订单文档格式千差万别，有PDF、Excel、Word、扫描件、甚至手写订单。这些非标准化的订单数据需要人工录入MES（制造执行系统）才能启动生产流程，不仅效率低下，而且容易出错。&lt;/p&gt;
&lt;p&gt;随着GPT-4V、Claude 3.5 Sonnet等多模态大模型的成熟，我们终于有了一个优雅的解决方案：结合视觉识别能力、自然语言理解和代码生成能力，构建一个智能的订单归一化工作流。在这个工作流中，AI Agent承担大部分繁重工作，人类只需在关键节点进行验证和确认，实现真正的人机协作自动化。&lt;/p&gt;</description></item><item><title>小学标准化试卷AI批改Agent最佳工程实践</title><link>https://hugozhu.site/post/2025/110-ai-exam-grading-agent-best-practices/</link><pubDate>Sat, 20 Dec 2025 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2025/110-ai-exam-grading-agent-best-practices/</guid><description>&lt;p&gt;在教育科技领域,AI自动批改试卷已经从概念走向现实应用。本文通过一个小学标准化试卷高准确度批改的Agent实践案例,系统性地总结了如何将传统行业数据转化为AI-Ready格式的工程范式,为类似场景提供可复用的方法论。&lt;/p&gt;</description></item><item><title>构建高质量订单文档分类器：智能导流到专业Agent</title><link>https://hugozhu.site/post/2025/111-order-document-classifier-agent-routing/</link><pubDate>Sat, 20 Dec 2025 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2025/111-order-document-classifier-agent-routing/</guid><description>&lt;p&gt;在现代企业的订单处理流程中，不同类型的订单文档往往需要不同的处理逻辑和专业知识。传统的人工分类方式效率低下且容易出错，而基于规则的自动化系统又难以应对复杂多变的业务场景。本文将介绍如何利用大语言模型（LLM）构建一个高质量的订单文档分类器，实现智能路由到专业Agent的完整解决方案。&lt;/p&gt;</description></item><item><title>API、MCP和Skills：三个概念的本质区别</title><link>https://hugozhu.site/post/2025/109-api-mcp-skills-explained/</link><pubDate>Fri, 19 Dec 2025 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2025/109-api-mcp-skills-explained/</guid><description>&lt;p&gt;当我们谈论AI应用开发时，经常会听到API、MCP（Model Context Protocol）和Skills这三个词。它们看起来都是让程序之间&amp;quot;对话&amp;quot;的方式，但究竟有什么不同？让我用一个简单的餐厅比喻来解释。&lt;/p&gt;
&lt;p&gt;想象你要解决&amp;quot;吃饭&amp;quot;这个问题，有三种不同的方式可以选择。每种方式代表了不同的技术范式，适用于不同的场景。&lt;/p&gt;</description></item><item><title>E2B：构建安全可靠的 AI 代理执行环境最佳实践</title><link>https://hugozhu.site/post/2025/106-e2b-ai-infrastructure-best-practices/</link><pubDate>Fri, 19 Dec 2025 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2025/106-e2b-ai-infrastructure-best-practices/</guid><description>&lt;p&gt;当你构建一个能够自主编写和执行代码的 AI 代理时，安全性和隔离性成为了首要考虑的问题。如何让 AI 安全地运行用户或自身生成的代码，而不会影响主系统？E2B（Execute to Build）正是为解决这个问题而生的云沙箱平台。本文将深入探讨 E2B 在 AI 基础设施中的最佳实践。&lt;/p&gt;</description></item><item><title>压缩即智能：从信息论看机器学习的本质</title><link>https://hugozhu.site/post/2025/108-compression-is-intelligence/</link><pubDate>Fri, 19 Dec 2025 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2025/108-compression-is-intelligence/</guid><description>&lt;p&gt;如果我告诉你，ChatGPT 本质上是一个文本压缩器，你会相信吗？如果我说，智能的核心就是找到更好的压缩算法，这听起来是不是过于简化了？然而，这个看似激进的观点——&amp;ldquo;压缩即智能&amp;rdquo;（Compression is Intelligence）——正在成为理解机器学习和人工智能本质的一个关键视角。&lt;/p&gt;
&lt;p&gt;这不仅仅是一个比喻。从信息论的角度看，压缩、预测和理解本质上是同一件事的不同侧面。当我们深入探讨这个观点时，会发现它不仅优雅地解释了为什么深度学习如此有效，还为我们思考通用人工智能（AGI）提供了一个全新的框架。&lt;/p&gt;</description></item><item><title>意图识别模块实现的最佳实践</title><link>https://hugozhu.site/post/2025/107-intent-recognition-best-practices/</link><pubDate>Fri, 19 Dec 2025 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2025/107-intent-recognition-best-practices/</guid><description>&lt;p&gt;在构建智能对话系统、聊天机器人或语音助手时，意图识别（Intent Recognition）是最核心的组件之一。一个设计良好的意图识别模块不仅能准确理解用户需求，还能随着业务发展灵活扩展。本文将深入探讨意图识别模块实现的最佳实践，帮助你构建生产级的意图识别系统。&lt;/p&gt;</description></item><item><title>深入理解RAG：检索增强生成技术的原理与实践</title><link>https://hugozhu.site/post/2025/105-rag-retrieval-augmented-generation-guide/</link><pubDate>Fri, 19 Dec 2025 00:00:00 +0000</pubDate><guid>https://hugozhu.site/post/2025/105-rag-retrieval-augmented-generation-guide/</guid><description>&lt;p&gt;在大语言模型(LLM)快速发展的今天，我们面临一个核心挑战：如何让模型能够访问和利用实时、专业或私有的知识？纯粹依赖预训练的模型往往会出现知识过时、幻觉问题，或者无法回答特定领域的问题。这就是检索增强生成(Retrieval-Augmented Generation, RAG)技术应运而生的原因。&lt;/p&gt;
&lt;p&gt;RAG通过将外部知识库的检索能力与LLM的生成能力相结合，为这个问题提供了一个优雅的解决方案。它不需要重新训练模型，就能让AI系统访问最新的、特定领域的知识，同时显著降低幻觉问题。本文将深入探讨RAG的核心原理、架构设计以及实际应用中的最佳实践。&lt;/p&gt;</description></item></channel></rss>