Hugo Zhu's Blog

上周六深夜，我通过钉钉听记完整记录了红杉资本 2026 AI Keynote。35 分钟的演讲中，有一个词反复刺痛了我：Diffusion Gap（扩散差距）。

演讲者说：“基础模型能力的增长速度，远超企业采用速度。”

这句话翻译成中国 SaaS 市场的语境就是：你的客户还在用 Excel 管客户、用微信群发通知、用邮件批流程，而 AI Agent 已经能自主完成端到端任务了。这个差距不是 bug，是未来三年最大的商业机会。

周五下午 5 点，App v2.5.0 刚刚发版。你合上测试报告，长舒一口气，准备迎接周末。

这时，钉钉弹出一条待办：「请提交本周工作周报」。

你打开空白文档，脑子里只有模糊的碎片：周一跟 iOS 吵了架构方案，周三凌晨修了个线上 Crash，周四拉着后端对了三天后的发版清单……具体改了哪些 Bug？阻塞了哪些需求？下周风险在哪？你开始疯狂翻聊天记录、邮件、Jira 看板。半小时过去了，周报还是只有干巴巴的三行：

1. 完成 v2.5.0 发版
2. 跟进线上问题修复
3. 规划 v2.6.0 需求

你的 Leader 看到这份周报，只会觉得你这周「好像没干什么」。但只有你自己知道，这周你协调了 4 个端、拦下了 3 个不合理需求、熬了 2 个夜。

这不是你的记忆力问题，而是你的日常记录方式出了问题。

很多人以为 AI 时代来了，只要对大模型说一句「帮我写周报」，它就能自动汇总你的一周。但现实是：AI 不是读心术。如果你在日常工作中留下的都是碎片化、非结构化、缺乏上下文的数据痕迹，AI 能生成的，也只能是那份干巴巴的三行流水账。

高质量周报从来不是周五「写」出来的，而是每天「喂」给系统的。

上个月和一个做电商运营的朋友聊天。她团队有 8 个人，每天忙的事情是：拉数据、做报表、调投放参数、写推送文案、设计活动页面。

我问她：「你觉得自己最重要的工作是什么？」

她想了想说：「理解用户想要什么。」

我说：「那你团队 80% 的时间都没花在这件事上。」

她沉默了。

这不是她一个人的问题。过去十年，运营这个岗位被大量低价值的重复工作绑架了。数据要手动拉，报表要手动做，渠道要手动调，文案要手动写。运营人员变成了流程的执行者，而不是策略的思考者。

但今年，情况正在发生根本性的变化。

大模型能力的跃迁和 Agent 生态的成熟，正在把运营从重复劳动中解放出来。低价值的流程性工作可以实现完全自动化，无需依赖技术人员支持。运营人员利用 AI 工具，可以 10 倍速度提升数据获取和分析的效率，做更精细化的人群和渠道分层，让洞察和策略更精准。

运营的本质，终于有机会回归它本来的样子：影响人群的价值观。

上周和一位创业者吃饭，他刚帮一家大型企业做完知识图谱项目的评估。结论让人倒吸一口凉气：要达到替代中级岗位能力的水平，算上数据采集、清洗、标注、图谱构建和持续维护，预算需要一个亿。

企业听完直接搁置了。

这不是个例。过去三年，我见过不下十个类似的项目——企业想做知识库，供应商画了一个「知识图谱+智能问答」的大饼，然后企业发现投入产出比根本算不过账。

但今年情况变了。模型能力的跃迁正在催生一个新范式：不再靠人工标注堆数据，而是让 LLM 做编排，结合企业搜索，人做优化调整和确认。

知识整理的起点也不再是宏大的「企业知识图谱」，而是每个人手边的 Journal——每日工作日记。通过钉钉这样的组织连接工具，个人知识可以自然地流转、沉淀为企业知识。

团队里的小王和小李都在用同一个 AI Agent 平台。

小王输入：「帮我总结一下今天群里的讨论。」

Agent 调用了 fast/small 模型做意图识别，然后用 medium 模型读取了 200 条消息，生成了摘要。耗时 3 秒，花费 0.02 元。

小李输入了完全相同的指令。

Agent 却调用了 large/reasoning 模型，不仅做了摘要，还自动关联了小李上周的项目文档，识别出了三个待办事项，并推送到了他的日历。耗时 12 秒，花费 0.15 元。

同样的输入，完全不同的执行路径。

这不是 bug，而是一个成熟的 Agent 系统应该具备的能力——根据用户画像、历史行为、任务上下文，动态决策每一步该用什么模型、什么工具、注入多少上下文、以什么并发度执行。

当你的 Agent 只有 100 个用户时，这些问题还不明显。你可以手动调几个规则，给 VIP 用户分配更好的模型，给普通用户限流。靠人肉运维，系统也能跑。

但当用户量从 100 涨到 10 万、100 万，当模型供应商从 1 家变成 10 家，当工具调用从几个 API 扩展到上百个——靠人写规则来调度，系统会直接崩溃。

不是因为规则写不出来，而是因为规则的组合空间是指数级的：

• 7 种任务类型 × 5 个复杂度等级 × 10 个模型 × 4 种用户画像 × 3 种上下文策略 = 4,200 种路由组合
• 这还只是单节点决策。如果任务被分解为 3-5 个子节点，每个节点独立路由，组合数直接爆炸到 百万级

没有人能手动维护百万级的路由规则表。

大多数 Agent 框架把执行路径写死在代码里：先调用 A 模型，再调用 B 工具，最后返回结果。这在 demo 阶段没问题，但一旦面向规模化用户，就会暴露三个致命问题：

1. 成本失控——所有用户都用最强模型，简单任务也在烧钱，规模化后月账单直接六位数
2. 体验一刀切——新手和专家拿到相同的结果，没有人觉得「懂我」，留存率上不去
3. 无法进化——系统上线后不会从用户反馈中学习，规则越写越多，越用越僵化

这篇文章，我们来拆解如何构建一个动态路由决策系统（Dynamic Routing Decision System, DRDS）——一套端到端的自进化引擎，让 Agent 的执行路径真正做到千人千面，并且在规模化下持续学习、自动优化。

核心观点：自进化不是 Agent 的「加分项」，而是规模化后的「必选项」。

上周，一个朋友的团队遇到了这样一件事：他们部署了一个 Coding Agent，让它独立完成一个微服务模块的重构。Agent 跑了整整 6 个小时，提交了 47 个 commit，改了 2000 多行代码。第二天早上，Tech Lead 打开 PR，看着满屏的 diff，沉默了五分钟，说了一句：“我怎么知道它中间做对了什么、做错了什么？”

这不是个例。随着 Agent 能处理的任务越来越长、越来越复杂，一个被忽略的问题浮出水面：谁来评估 Agent 的工作？

上周一个朋友（某 SaaS 公司的产品 lead）发我一段视频：他们公司请来了一位"AI 转型顾问"，PPT 上密密麻麻写着 30 多项行动——成立 AI 委员会、设立 AI OKR、采购 AI 工具矩阵、推行 AI 培训计划、设置 AI Champion……

看到第 24 页时他截图问我：“你觉得我们三个月后会变成 AI 原生团队吗？”

我反问他：“你最近一次把一个想法从冒出来到上线，用了多少天？”

他沉默了一会儿：“上一个功能，从 PRD 评审到线上，47 天。”

我说：“那不管你们买多少工具，请多少顾问，你们都不是 AI 原生团队。”

隔壁一家 5 个人的初创团队，同期上线了 11 个功能，每个从想法到用户手里平均 6 天。两边用的是同一批模型、同一批工具，差距来自完全不同的地方。

去年年底，我做了一个实验：把过去十年写的 190 多篇博客、Obsidian 里的读书笔记、还有悟空 Agent 的实践记录，全部扔给 Hermes Agent，让它按照 Karpathy 的 LLM Wiki 模式自动整理。

三天后，我打开 Obsidian 的 Graph View，看到了一个由 50 多个节点互相连接的知识网络 — 不是文件归档，而是一个真正的知识图谱。Agent 自动提取了实体和概念，建立了双向链接，甚至发现了我自己都没意识到的关联：[[compression-as-intelligence]] 和 [[agent-memory]] 之间有一条隐含的逻辑链，我自己写了三年都没发现。

那一刻我意识到：个人知识管理的瓶颈不是工具，而是"碎片到结构"的转换成本。 这篇文章，我把整个系统的架构、自动化流程和实际用法完整拆解出来。

上周，隔壁组的小天在周会上很兴奋：“用 Cursor 一天写了 3000 行代码，这周迭代速度提升了一倍！”

同一周，他的服务触发了 4 次线上告警。

原因不复杂：AI 生成的代码跑通了主流程，但边界条件没覆盖，异常处理有遗漏，依赖服务的超时场景没考虑到。3000 行代码里，有 800 行是"看起来能跑"的代码。

小天不是个例。过去一年，几乎所有团队都经历了同一个曲线：

1. 第一个月：AI 编码工具让产出翻倍，团队欢呼
2. 第二个月：Bug 率上升，线上事故增多，开始还债
3. 第三个月：实际交付速度回到了 AI 之前的水平，甚至更慢

问题出在哪里？

AI 降低了"写代码"的成本，但没有降低"交付可靠产品"的成本。 而后者，才是生产力的真实度量。

两周前，一个做 AI 写作 Agent 的朋友约我吃饭，他刚拿了 A 轮，准备砸 200 万投放抖音和小红书。

我顺嘴问了一句：你们 Agent 的复杂任务成功率是多少？

他愣了一下，说：“你这问题问得有点怪，我们看的是 DAU 和留存。”

三个月后我们再见面，他融的钱烧了一半，DAU 涨了三倍，月留存从 18% 掉到了 9%。他叹了口气：“用户来了，但 Agent 还是那个 Agent。”

那一刻我意识到一件事：很多 AI 创业团队还在用 SaaS 时代的增长教科书，跑一个根本不是 SaaS 的生意。