上周的战略会上，有人问了我一个问题：如果 Agent 真的能替人完成工作，那工作软件公司以后卖什么？
这个问题听着抽象，我换个问法：货架电商时代，平台卖的是货架和流量——商家买排名，用户搜索、比价、下单。那当 Agent 替人买东西的时候，平台卖什么？
电商其实已经在回答这个问题了，因为它正在路上。而我把电商这二十年的演进，和工作软件的演进摆在一起看，发现它们在走同一条曲线。
先说结论： 过去平台争夺的是「人」；AI 时代平台争夺的是「人的意图」和「Agent 的行动」。
数字员工的活人感，不是设计出来的，是长出来的
Liveliness Is Grown, Not Designed
最近有人问我一个问题：我们的数字员工有形象、有声音、有名字，为什么用起来还是像客服？
这个困惑我见过很多次。团队花几个月做数字人形象、克隆音色、写人设 prompt，发布 demo 惊艳全场——结果一周后，员工们还是回去找真人办事，理由出奇一致：感觉在跟客服说话。
这让我想起去年银行业的一份白皮书——工商银行金融科技研究院联合华为、北京金融科技产业联盟发布的《大模型驱动的数字员工 3.0 建设应用》。它用三个要素定义数字员工： 拟人化、自主化、共享化，甚至给出了拟人化的设计规范——姓名、人格特征、语言风格、人物形象，一条一条都写清楚了。但白皮书没有回答一个更棘手的问题：这些设计做完，活人感到底从哪来？
我的答案可能有点反直觉： 活人感不是设计出来的，是长出来的。 拟人化给的是皮肤，而让一个同事显得「活」的，从来不是皮肤。
Agent 为什么在第 30 步翻车
Long-Horizon Agents Fail When They Leave the Light
上周一个做 Agent 集成的工程师来问我：「我的 Agent 前十步表现很好——读文档、列计划、写代码，都很干净。但到第 30 步左右就开始胡来：调错 API，覆盖自己刚改过的文件，甚至重复执行已经做完的操作。我是不是该换个更强的模型？」
我问他：每次都栽在同一个地方吗？他想了想说，不是，但跑得越远越不稳。
我说，那多半不是模型的问题。 它是走出了灯光照亮的地方。
无独有偶，今年 YC Startup School 上，主持人 Diana Hu 向 Jeff Dean 提了几乎一模一样的问题：「Agent 在前 10 步都很棒，到第 50 步就开始晃了。你觉得今天的瓶颈是什么？」Dean 的回答，是我见过对这个现象最准确的解释。
Jeff Dean 把最值钱的东西公开了：Skill 是组织知识的新载体
From Documents People Read to Skills Agents Execute
YC Startup School 的舞台上，主持人 Diana Hu 问 Jeff Dean 一个问题。在此之前，Dean 刚讲了他和搭档 Sanjay 写的一个性能优化 Skill——教模型自己做「跑 benchmark → 改代码 → 测提升 → 再迭代」的闭环。Diana 听完说：「如果谁拿到这个 Skill，就能像 Jeff Dean 一样做性能优化了。这东西肯定价值无限。有人能拿到它吗？」
Jeff Dean 的回答出乎所有人意料：「哦，我们其实把它公开了。」
他说的是他和 Sanjay 合写的一份 30 页文档，叫 《Performance Hints》。后面还有一个细节：有人把这份文档做了摘要，喂给不同的模型，发现模型在性能问题上的推理能力真的变强了。
全世界都想要的东西，他直接公开了。这一幕值得多看两眼——因为它指向一个被严重低估的变化： 组织里最值钱的知识，载体正在从「写给人读的文档」悄悄换成「写给 Agent 执行的 Skill」。
用 1% 法则，给你的公司做一次 AI 盘点
Auditing Your Company's AI Opportunities With the 1% Rule
最近一个月，有三个人问过我同一个问题：「我们公司想做 AI，从哪开始？」
三个人的背景很不一样：一个做制造，一个做跨境电商，一个做连锁餐饮。但他们的第一反应惊人地一致：先看看现在的模型能干什么，再从公司里找个场景套上去。
Jeff Dean 给的答案正好相反。今年 YC Startup School 上，他给了一个我认为值得每个企业贴在墙上的选题标准：
去找模型成功率是 0% 或 1% 的问题，不是 20%。
这就是 1% 法则。在 AI 的竞争变了：未来是上下文的竞争 里我讲过这个判断的战略含义；这篇往前一步——把它变成一套你在自己公司就能执行的盘点方法。
AI 的竞争变了：未来是上下文的竞争
The New AI Race Is Over Context, Not Models
7 月下旬发生了两件事。表面上毫无关系，放在一起看，指向了同一个地方。
7 月 25 日，YC Startup School 旧金山现场，Jeff Dean 站在 6000 名创始人面前。主持人问：普通创业团队凭什么跟大厂竞争？这位 MapReduce、TensorFlow、TPU、Gemini 背后的首席科学家，给出的答案是 上下文工程（context engineering）——「你只需要一个 API」。他还说了一句我认为值得裱起来的话： 训练数据是几万亿 token 搅成一锅汤，糊进几千亿参数里；而上下文，是模型此刻直接看见的东西，清晰得多。
五天后的 7 月 30 日，字节跳动下发内部邮件，完成近年来力度最大的一次 ToB 架构调整：飞书产品团队并入豆包产品体系，商业化团队与火山引擎合并为新的 GTM 组织「创造力服务平台」。飞书这家「产品+商业化」一体的完整公司，被拆件重组，分别挂到字节的两条主线上——模型，和云。
一个是行业顶端科学家的判断，一个是最务实的 ToB 玩家的组织动作。同一周，指向同一件事：
AI 的竞争已经换场了。大家争夺的不再是模型，而是上下文。
知识库编译查询：让 AI 从「读文档」变成「查数据」
Designing Knowledge Compilation and Query Methods for Better AI Analysis
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。
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 洞察。
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」—— 关键决策点被淹没了。
[Read More]继编程之后，大模型应用的下一个爆发场景是知识管理
Why Knowledge Management Is the Next Billion-Dollar AI Application After Code
上周五晚上，我让 AI 帮我做一件事：把过去三个月收集的 47 篇关于 Agent 架构的文章、12 段会议笔记、和 6 个项目的 README，整理成一份「哪些架构模式真正有效」的判断。
如果是一年前，我会得到一份按关键词频率排列的摘要——看起来专业，实际上没用。
但这次不同。AI 花了大约 40 秒，输出了一份结构清晰的报告：哪些模式在多个项目中反复出现、哪些只在特定场景下有效、我的笔记里对同一问题有过矛盾的判断。它甚至指出了我在三月份写的一段话和五月份的一个项目决策之间的矛盾。
这不是搜索，不是摘要，不是 RAG 的简单检索。这是 理解。
SKILL.md 不是文档，是编译器
How a 900-Line Markdown File Turns AI From a Chatbot Into a Content Pipeline
「准备写一个 blog，详细讲解这个 skill。」
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。
一个会自己写博客的系统
From Squeezing Out Posts to Publishing at the Speed of Thought
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。
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 整个写作流程 编码成了一个 Agent 可执行的 Skill——一个会自己写博客的系统。
