编辑精选
Editor's picks全部分类
Channels最新文章
Latest stream
一场黑客松,让我看见自己与 Neo4j 时代的差距
参加 +81 Builders 的黑客松,体验了 ai& 用 CLI 与 skills 把 AI 服务变成可部署服务器的做法,以及 MiniMax 视频生成的速度与低成本;更受冲击的是参赛者四小时内用 Neo4j 做出的照片关系解析、音乐分析、流调动态图谱与火灾推演。作者由此感到,仅靠 coding agent 的熟练已不够,开始补课知识图谱。
从故事到视频:我在黑客松上验证的三层 AI 视频生成方案
这次黑客松我开发了一套从故事或博客生成视频的工具,并完成了三层验证。第一层把故事自动拆成多节,生成提示词、角色与配音,再逐节生成视频;第二层把 AI& CLI 包装成服务层,用 skills 驱动 AI LLM API,让非程序员也能使用;第三层先写好配音,再以配音为参考让 MiniMax 生成画面,形成声音驱动的视频生成方法。三个验证都成功了。
AI Director:把「一句话生成视频」拆成一条可复核的制片流水线
AI Director 是一个跑在本地的导演工作台,把想法拆成分镜、角色、配音和镜头。它用通过校验的项目 JSON 约束 AI 输出,以 Edge TTS 生成旁白并按镜头时长调整语速,再通过 ai& 的 MiniMax H3 生成视频。本文梳理它的制作流程、时间轴处理、付费任务的边界、本地优先的数据设计,以及显式加载并校验 Skill 的工程取舍。
利润从哪里来:丰田的成本削减与优衣库的 SPA 模式
同样采用制造销售模式,丰田的利润率却高于本田和日产。这背后既有与电装、爱信等有资本纽带的系列零部件厂商协作、彻底削减成本的做法,也有 2023 年全球产量 1,151 万台的量产效应。另一个案例是靠 SPA 模式知名的迅销(优衣库):它把企划、制造与销售一手包办,削减中间环节的毛利,并以与 Zara 正相反的定番商品策略成为全球企业。本文从「如何把成本结构变成竞争力」的角度,比较汽车与服装两个行业。
制造贩卖模式的两面:从汽车零部件企业的10%利润率,看它的强项与边界
制造贩卖模式看似简单:企业自己制造并销售产品、从客户获得对价,但它的强项与脆弱来自同一处。关键在两条轴——做高品质、低价格、别人做不到的“单项能力”,和在价值链里采购、加工、交付的收入方式。案例中,一家超精密零部件企业因量产不良品长期停滞,1990年代转往东南亚并彻底改善不良,最终在雷曼危机与东日本大地震中仍做到10%出头的营业利润率。但品质和利润率是两回事:无法拒绝客户降价要求的企业业绩难恢复,最终被收购。出路只有彻底打磨价值链,或改变模式本身。
企业级本体论的两条岔路:分析型语义层,还是软件执行基盘
本体论在企业 IT 中分化为两条路线。分析型语义层统一指标定义,以只读方式支撑 BI、Text-to-SQL 与 LLM 的上下文接地;操作型本体论则把状态变更事务、事前校验、外部系统写回与类型安全的 OSDK 代码生成整合成业务应用的执行基盘。Databricks、Microsoft、Google Cloud 的能力本质上是前者的延伸,Palantir 则是后者的代表,并以 CQRS 与决策血缘实现企业级读写分离。本文梳理两者的结构差异、AI 智能体时代的分工,以及企业架构选型矩阵。
用 Knowledge Catalog 与 Gemini 打通数据科学与营销的自动化工作流
本文以零售银行的贷款置换为例,说明 Knowledge Catalog 与 Gemini 如何打通数据科学与营销:自然语言探索数据、自动生成 PySpark 并经 Lightning Engine 做零拷贝连接,用 XGBoost 建模(准确率90%、精确率85%),一键发布到目录,直至用零 token 的 BI 分析把数月工作压到几分钟。
给 AI Agent 补上业务语义层:本体、OBDA 与 MCP 落地实践
把表结构塞进提示词,并不能让 AI Agent 理解业务含义,它照样会给出看起来很专业、实际却算错的数字。本文以保险业基准测试中 GPT-4 执行准确率从约 16% 提升到约 54% 为例,讲清由指标、本体和文档组成的语义层,如何通过 OBDA(虚拟知识图谱)把本体直接映射到现有数据,并用分层解析兼顾确定性与灵活性。文章还介绍了用 AWS Context Ontology Accelerator 让 AI 起草本体、专家审核,以及 MCP 与身份感知的治理和五条实践建议。
本体(Ontology)到底是什么:从企业问答助手的“苹果”说起
要让企业问答助手分清“苹果”是公司还是水果,并理解三张都叫 Customer 的表,机器需要的不是上下文,而是一个明确的语义模型——本体。本文从哲学起源讲到 Gruber 与 Studer 的定义,拆解类、个体、属性与公理,介绍 RDF、RDFS、OWL 及推理机的作用,梳理生物医学、Schema.org、企业集成、工业物联网和大模型时代的典型应用,并说明本体与知识图谱的区别以及动手构建的方法与常见错误。


