上周和一个做企业数字化的朋友吃饭。他公司去年花了两百多万，引入了一套"AI Agent 平台"。
销售演示的时候很惊艳：对着对话框说一句话，系统就能生成报表、审批流程、甚至写 SQL 查数据。
上线三个月后，他告诉我：
“员工用了两周就放弃了。现在那个系统成了公司最贵的摆设。”
我问他：系统出 Bug 了？
他说：不是。是系统不会变聪明。
第一个月，Agent 回答问题的准确率大概 70%。第二个月还是 70%。第三个月，员工发现问同样的问题，得到的答案一模一样——系统完全没有从实际使用中学到任何东西。
“它就是个会说话的自动化脚本。”
这句话戳中了一个很多人不愿承认的事实：
今天市面上 90% 的"企业 Agent"，本质上只是给 LLM 套了个聊天框。
[Read More]去年双十一之后，我和两个不同团队的负责人聊了聊。
团队 A 花了六个月打磨一套微服务架构：精致的 API 网关、完善的链路追踪、99.99% 的 SLA 承诺。上线那天，一切完美。
团队 B 用了两个月搭了个「粗糙」的系统：简单的单体应用、基础的日志收集、甚至有些地方用了硬编码。但他们在系统里埋了一个东西 —— 一套基于运行数据自动调优的反馈循环。
六个月后再看，团队 A 的系统依然「完美」，只是业务变了三次方向，每次都要拉齐五个服务重新发版，工程师疲于奔命。团队 B 的系统已经迭代了四十多个版本，配置参数自动优化了三轮，连架构都根据流量模式自动拆分了两个热点模块。
这不是关于谁的技术栈更好的故事。
这是关于 你在构建的是资产还是负债 的故事。
[Read More]上周和一位做 HR SaaS 的创始人吃饭。他抛出一个困扰了很久的问题：
“我们的 AI 简历解析准确率比竞品高 8%，但客户续约率还是在掉。竞品三个月就追平了准确率，价格还低 20%。技术优势在中国到底能维持多久？”
我给的回答很直接：6 到 12 个月。 然后就没有了。
这不是悲观，而是现实。中国企服市场的迭代速度让任何纯技术壁垒都迅速商品化。如果你的护城河是"我们的模型更准"“我们的算法更快”，那这条河很快就会干涸。
这篇文章，我想系统回答一个问题：在中国做 SaaS，到底什么才是真正的护城河？
[Read More]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。
[Read More]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：
- 完成 v2.5.0 发版
- 跟进线上问题修复
- 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。
[Read More]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。
[Read More]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。
[Read More]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：
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：
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」。
[Read More]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？
[Read More]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。
[Read More]