AI

一个工程师修了一个 Bug，ROI 是多少？

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。

这就是思维范式的根本转变——你修的每一个 Bug，都是一次训练数据。不是训练模型，而是训练你项目周围的那套 Harness。

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。

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 把经验变成可执行的系统行为。

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。

Netflix 的「Context, not Control」曾经是最有影响力的管理理念之一。

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。

但这个理念套到 Agent 上，假设崩塌了。

马尔科姆·格拉德威尔（Malcolm Gladwell）在《异类》中普及的"一万小时定律"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。

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？

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：让 AI 先向你提问，把模糊的需求打磨清晰。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。

2024 年，GitHub 上产生了 2560 亿行 代码，其中 41% 由 AI 生成。

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 4 到 10 倍。

面对这种指数级的生产力爆发，许多人的第一反应是恐慌：“程序员是不是要失业了？”

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：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。 软件行业正在经历一场从 “手工业” 到 “工业化” 的范式转移，而这场转移将吸纳海量的 “新从业者”。

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"干活"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。

他跑去找他的主管说：“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。”

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。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。

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：“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。”

我问他打算怎么办。

他苦笑：“重新调呗。再花半年。”

这个对话浓缩了当前 AI Agent 面临的最核心矛盾：我们造出了能力惊人但本质上是"静态"的系统。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。

这让我开始思考两个看似不同、实则紧密相连的问题：泛化（Generalization） 和 进化（Evolution）。

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：“你看，R² = 0.89，是不是挺准的？”

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。

我问他：“下周要下一整周的雨，你的模型知道吗？”

他愣了一下。

我又问：“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？”

他沉默了。

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。

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。

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：“以后每次写文章就按这个标准来，写完还要自己更新它。”

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"进化协议"——每次使用完毕后检查是否需要更新。

这不是 prompt engineering，也不是 RAG。这是给 Agent 建程序性记忆（Procedural Memory）。

很多人给 AI 配了知识库、写了几百行 system prompt，但用起来总觉得"不长进"。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。