博客
打造靠得住的 AI 智能体
在公开构建 aibuddy 过程中的实践记录 —— 运行时、上下文工程，以及更大的模型替你解决不了的协同问题。
模型不是终点：从产业三阶段看 Agent 与组织变革
Agent 生态尚未出现能像早期互联网浏览器那样显著降低门槛的关键入口。模型会吞掉简单脚手架，但不会吞掉复杂场景；下一轮竞争属于能建立任务闭环和智能飞轮的团队。
生产级 Agent 的评估与监控
Agent Evaluation 评估的不是一次模型回答，而是模型与 Harness 共同构成的 Agent 系统能否可靠完成任务。生产级评估需要验证最终结果、关键边界与执行过程，并将线上失败持续转化为可重复的 Eval 案例。
智能体需要 Harness，不只是更强的模型
更强的模型会抬高上限，但可靠的智能体来自模型外面的系统：上下文、工具、约束、验证、纠正，以及可观察的执行循环。
企业 Context 重构：AI 原生转型的基础工程
AI 原生不只是给旧流程增加 AI，而是重构企业信息流，让 Agent 在每一次决策前获得正确的 Context，并把行动结果带回下一轮判断。
AI 就业转型（一）：AI 能做，不等于它会取代
AI 能接手多少任务，只能说明哪些工作更容易受到影响，却无法判断影响会表现为岗位减少、工作重组，还是就业需求增加。我们需要的不是另一份“职业替代榜”，而是一套理解就业转型的框架。
AI 就业转型（二）：哪些工作仍然离不开人
一个职业即使高度暴露于 AI，也可能因为责任、信任或现实操作而离不开人。这能阻止职业被完全自动化，却不能保证岗位数量不变。
AI 就业转型（三）：工作变便宜，岗位不一定减少
AI 会减少每单位产出所需的人力，但降本也可能带来新客户和新需求。最终增加还是减少岗位，取决于哪一种力量更强。
AI 就业转型（四）：模型会做，企业为何还没用起来
模型能够影响的工作，远多于企业真正交给它完成的工作。缩小这道差距，需要上下文、权限、评估和工作流重构，而不是更多 prompt 技巧。
AI 就业转型（五）：四条路径，不是一个结局
劳动力市场不会走向唯一的 AI 结局。自动化、工作重组、需求扩张和短期变化有限，需要完全不同的企业决策与个人策略。
AI 就业转型（六）：把框架变成公司的行动计划
AI 劳动力研究真正有用的产物不是预测，而是一套可重复的决策方法：什么应该自动化，什么需要重组，哪里值得扩张，哪些变化必须持续监测。
为什么笃定 AI：企业真正需要的是什么
企业的大量工作依赖语言理解、非结构化信息处理和专业判断，传统软件很难以固定规则经济地覆盖。大模型让这类任务出现了通用、可扩展的软件实现路径，这正是企业需要 AI、也值得长期投入 AI 的根本原因。
Harness Engineering（一）：当工程师开始设计 Agent 的工作环境
当代码生成不再稀缺，工程工作的重心就会从逐行实现，转向为 Agent 设计环境、明确目标并建立反馈循环。
Harness Engineering（二）：给 Agent 一张代码库地图
把所有规则塞进一份巨型 AGENTS.md，并不能解决上下文问题。Agent 真正需要的是清晰入口、分层知识，以及一套始终与代码同步的知识体系。
Harness Engineering（三）：让软件运行状态对 Agent 可读
Agent 能修改代码，不等于它能验证软件。要让它独立完成工程闭环，应用状态、浏览器、日志、指标和验收标准都必须可供它直接检查。
Harness Engineering（四）：把工程规则变成可执行约束
Agent 不会因为读过一次规范，就在此后始终遵守。可靠的 Harness 会把关键架构边界、质量要求和工程原则变成系统能够自动检查并强制执行的规则。
Harness Engineering（五）：当 Agent 的产出超过人的注意力
当 Agent 大幅提高代码产出速度，逐项人工审查就会成为新的瓶颈。团队需要根据风险安排检查、审查、合并与故障恢复，把人的注意力留给真正需要判断的地方。
Harness Engineering（六）：Agent 也会复制技术债务
Agent 会沿用代码库中已有的模式，包括重复实现、架构偏移和临时补丁。代码生成得越快，团队就越需要持续发现并清理技术债务。
BUA 的取舍：把浏览器能力交回 Desktop
Browser Use Agent 不是一个孤立功能，而是一条让 Agent 进入真实浏览器工作流的产品路线。我们曾经在 Web 端维护自己的 BUA 组件，但从产品定位看，把主路径收回 Desktop，并复用 Chrome DevTools MCP，是更合理的取舍。
AI Builders：从会用 AI 到交付系统
AI builders 不只会使用工具，还能把 AI 放进真实场景，做成可交付、可验证、可持续改进的系统。
想法不稀缺，难的是验证信号并沉淀为系统
AI 时代，很多方向会变得越来越显而易见。真正拉开差距的，不是谁先说出了 idea，而是谁能定义问题、过滤噪音、建立可验证的执行系统，并在 long-horizon 任务里持续把事做成。
AI Native 创业（一）：到底重启了什么
AI 压缩的不是创业本身，而是从想法、验证、构建到反馈之间的循环时间。
AI Native 创业（二）：公司已有数据，才是第一性资产
AI 原生公司最先要整理的不是代码，而是客户、产品、销售和运营留下的真实上下文。
AI Native 创业（三）：创始人从执行者变成编排者
AI 没有让创始人变轻松，它只是把创始人的工作从亲自执行，推向设计系统、分配判断和编排智能体。
AI Native 创业（四）：Idea 阶段，不要把能做出来误认为值得做
AI 让构建变得太容易，所以创业者更需要先证明问题真实、具体、频繁，并且值得被解决。
AI Native 创业（五）：MVP 阶段，产品边界比写代码更重要
AI-native MVP 的第一份产物不该是代码，而应该是范围、架构、指标和上下文约束。
AI Native 创业（六）：Launch 阶段，从产品成立到公司成立
Launch 不是把产品发布出去，而是把早期创始人的临场发挥变成可重复的公司系统。
AI Native 创业（七）：Scale 阶段，AI 产品真正的护城河
AI 产品的护城河不是模型，而是行业知识、用户行为数据、工作流嵌入和组织执行闭环。
AI Native 创业（八）：创始人的工作没变，但规则变了
AI 没有替代创始人的判断，它只是让判断、上下文和学习速度成为更核心的创业能力。
不要把学习外包给 AI
AI 能帮你写代码、解释代码、生成方案，但人的判断力仍然要靠真实反馈训练。关键不是少用 AI，而是用它加快人的学习，而不是绕过学习本身。
没有生态系统的前沿是不稳定的
Satya Nadella 认为，AI 时代真正重要的不是单个最强模型，而是让每家公司都能拥有自己的学习循环，把人的判断、组织知识和 AI 能力一起复利。
AI 时代，真正稀缺的是看出模式
AI 会放大产出，也会制造更多看起来合理的选项。真正拉开差距的，是能不能用真实反馈校准判断力，把反复有效的模式沉淀下来。
从个人提效，到 AI 原生团队
AI 原生团队的分水岭，不在于多少人把 AI 当成个人提效工具，而在于团队能不能把真实工作安全地委派给 Agent，并让每一次执行反过来改进系统。
AI 原生公司：从组织图到智能层
AI 不只是提效工具。真正的 AI 原生公司，会把工作流、决策和组织方式都建在一层持续学习的智能系统之上。
如何构建一家 AI 原生服务公司
下一个十年，一批大公司可能不再卖软件，而是用 AI 重做律所、保险公司和税务事务所，直接替客户交付结果。
如何挑一个创业点子
创业点子不是在脑子里想完美的。先选一个方向，关掉其它选项，钻进客户的真实世界里，再用反馈把它磨出来。
如何拿下你的头十个客户
头十个客户很少来自工具。它们通常来自熟人和引荐、亲自到场，以及那些暂时无法规模化却最能建立信任的动作。
Agent 长任务的瓶颈，是上下文工程
长任务跑不稳，往往不是模型不会推理，而是它每一轮看到的状态不对。真正难的是把上下文当成工作记忆来管理：该放什么、压缩什么、记住什么、缓存什么。
该分类下暂无文章。