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]AI 原生团队的三力模型：远见、流动、补位
Three Operating Layers Behind a True AI-Native Team
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]用 LLM Wiki + Obsidian 构建个人 AI 知识图谱
Automated knowledge graph with Hermes Agent and Obsidian
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。
[Read More]AI 工程的 10X 生产力，藏在测试和监控里
Why Testing and Monitoring Are the Real Multipliers in AI Engineering
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：
- 第一个月：AI 编码工具让产出翻倍，团队欢呼
- 第二个月：Bug 率上升，线上事故增多，开始还债
- 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。
[Read More]AI 原生产品增长打法：你的预算在烧钱，还是在训练产品？
Growth equals how fast your agent gets smarter, not how much you spend on ads
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。
[Read More]AI 机会在变少：2026-2027 是最后的关键期
The Closing Window of AI Opportunity: Why 2026-2027 Matters Most
上周和一个刚从大厂出来创业的朋友聊天。他去年还在犹豫要不要做 AI 应用，今年终于下定决心，却发现赛道已经变了：
“半年前我觉得自己能做一个 AI 写作工具，现在发现 Notion、飞书、钉钉全内置了。半年前我觉得 AI 客服是个机会，现在发现大厂已经把价格打到了几分钱一次调用。我出来晚了？”
他没说错。
2023 年 ChatGPT 爆发时，所有人都觉得 AI 遍地是黄金。但到了 2026 年的今天，一个越来越清晰的趋势是：AI 的机会不是越来越多，而是越来越少。
更准确地说：留给普通人和中小团队的机会窗口，正在快速关闭。2026 到 2027 年，是最后的关键期。
[Read More]代码复制成本归零：工程师的价值正在向上漂移
When copying code costs nothing, taste becomes the new moat
上周六下午，我在 GitHub 上刷到一个 5k star 的开源 CLI 工具——一个看起来挺漂亮的本地日志聚合器。我心血来潮：能不能用 Claude Code 复刻一个？
三个小时后，核心功能跑起来了。彩色输出、文件 watch、正则过滤、多源合并，一应俱全。我兴奋了大概五分钟，然后意识到一件让我心里一沉的事：
我根本不需要这个工具。
那为什么三个小时前我会觉得"做出一个这样的东西"是有价值的？
因为在我过去十几年的职业训练里，“能做出来"本身就是稀缺的。一个能从零搭出完整工具的工程师，值钱。但今天下午，这个稀缺性在我自己的笔记本上被亲手碾碎了。
[Read More]自驱力 × AI = 100倍效率：AI原生组织的人性博弈
When Self-Drive Meets AI Amplifier: The 100x Efficiency Equation
上周和一个做 AI 创业的朋友吃饭，他说了这样一段话：
“当一个 3.75 的同学收到超预期的即时奖励时，他爆发出来的效率是 10 倍的提高。再加上 AI 这个放大器，一个人绝对有可能达到 100 倍的效率提升。”
我当时第一反应是：这个数字太夸张了。但回来路上仔细想，我发现真正值得讨论的不是 100 倍这个数字是否准确，而是这句话背后隐含了一个组织范式的根本性转变——
传统组织靠控制来管理风险，AI 原生组织靠激发来释放上限。
而这两者的底层假设，完全不同。
[Read More]To B 的生意只有两种
The Two Paths of B2B Business
上周和两个做 To B 的朋友吃饭，一个在 Salesforce 生态里做 ISV，一个在做面向中小商家的 SaaS。
做 ISV 的朋友说：“我们今年的策略很简单，盯住那些已经用 Salesforce 用得很好的大客户，帮他们把最后 10% 的定制化需求补齐。客户预算充足，决策链清晰，签一单够吃半年。”
做中小商家 SaaS 的朋友叹了口气：“我们正好相反。客户连 Excel 都不太会用，你得先教他为什么要数字化，再教他怎么用。但好处是，一旦用上了，粘性极高，因为他自己搞不定。”
两个人说完，桌上安静了几秒。
我忽然意识到，他们说的其实是同一件事的两个面——To B 的生意，归根结底只有两种：帮成功的人更成功，帮不成功的人成功。
这篇文章写完初稿后，一个做企业级 Agent 的创业者找我聊。他说：“我觉得 Agent 赛道不太一样。我们现在既在做 Copilot 帮员工提效，又在做 Auto Agent 帮企业自动化流程。两条路都在试。”
我问：“你们现在有多少客户？”
他说：“十几个吧，但每个客户用的方式都不一样。我们团队被扯得很散。”
我说：“你可能正在经历第三种死法——同一家公司同时做两条路径。”
他沉默了一会儿：“那你觉得该怎么选？”
这篇文章就是完整的回答。
[Read More]企业打造AI原生组织：六维转型模型的落地路径
From AI-Enabled to AI-Native: A Practical Roadmap for Enterprise Transformation
上周三，一家头部互联网公司的CTO在季度复盘会上盯着一组数据沉默了整整两分钟。
Q1 的 AI 投入报表显示：工程团队 token 消耗同比增长 400%，人均 AI 工具支出逼近 20 万美元/年——已经和一个高级工程师的人力成本持平。但业务端呢？营收增长 35%，客户满意度提升了 8 个百分点。
“我们买了蒸汽机，但跑出来的速度还不如马车。“他最终说了这么一句。
会议室里没人接话。因为所有人都知道，问题不在 AI 技术本身——他们的工程师确实写出了更多代码，做了更多功能。问题在于：组织的工作方式没有变。AI 被塞进了旧的流程、旧的考核、旧的管理思维里，变成了"更贵的自动化”。
这不是个例。2026 年硅谷一线的最新观察揭示了一个残酷现实：AI 技术迭代已经进入"周级范式转换”，但绝大多数企业的组织形态还停留在"年度规划+季度复盘"的工业时代节奏里。技术跑得太快，组织跟不上，中间的鸿沟正在吞噬 AI 本该带来的价值。
[Read More]