编辑精选
Editor's picks全部分类
Channels最新文章
Latest stream
当 AI 把代码写快之后,瓶颈移到了哪里
当 AI 让写代码变快,瓶颈并没有消失,而是移向需求定义、业务语言化与验证运营。测试全绿不等于产品正确,真正稀缺的是能连接客户、业务与工程的人。本文结合金融与通信场景,讨论 AI 的适用边界、人的判断,以及组织应从何处开始。
企业 AI 的最后一公里:模型不是瓶颈,实装才是
企业 AI 的成败不在模型,而在实装。SoftBank 的讲者把实装置于半导体、数据中心、电力与储能这条链的末端,谈到遍布各部门、彼此连携的 AI 代理,6 月发布的安全服务,FDE 的五级能力与最关键的系统设计判断力,以及大型机、COBOL 等遗留系统必须先做云迁移。六周约 150 个需求,一个人五到八小时走完,靠的是验证、实装、改善的循环。
开个窗,还是搬个家:用二层小楼讲清 legacy modernization
「legacy modernization」和「legacy migration」经常被混着叫。用二层小楼打比方:一楼库房开个窗做小卖店,是房子不动、只加一层对外的 API,属于 Modernization;搬到 CBD 按商住两用重新规划,是 Migration,若连内部结构都重做,就是 Re-architect 甚至 Replace。搬家只是现代化的一部分。判断该开窗还是搬家,可以问三件事:承重墙还撑不撑得住、瓶颈来自房子还是地皮、老户型改不改得出新业务要的样子。
智能体缺的不是更聪明的模型,而是“懂业务”
AI 智能体难以在企业中可靠行动,原因往往不是模型推理能力,而是缺少业务知识。Neo4j 发布的 Context Engine 用六层业务本体,把流程、术语、数据位置、权限与历史决策组织成一张图,并以 GraphRAG 检索和记忆学习支撑智能体。本文梳理其思路,也讨论 private preview 阶段仍需验证的问题。
AI 商业决策的三层架构:从概念、应用到云基础设施
企业 AI 提案常常停在“需要知识图谱”的概念上。本文把它拆成三层:定义知识形态的概念层,抽取业务逻辑、让 AI 能判断的应用层,以及支撑判断与执行的云基础设施层。文章还讨论了由 5 个周期、6 种能力构成的判断框架,用 MCP 把旧系统包成 AI 可调用服务的 modernization 思路,以及为什么智能必须配得上执行。
企业最想要的创造力,往往来自它最想淘汰的人
企业用同一套能力模型招聘、同一套绩效标准考核,却期待非标准化的突破成果。亚历克斯·卡普指出,最有创造力的人往往最难管理,因为真正的创新会挑战权威。文章进一步讨论技术与商业价值之间的断层、FDE如何让技术进入流程,以及AI时代执行变便宜后,隐性知识与判断系统为何成为无法复制的优势。
库存风险由谁承担:百货店、Askul 与专业商社的三种流通模型
百货店用消化仕入把库存风险交给品牌,Askul 为次日达自持库存、砍掉中间环节,专业商社则靠物流和人力做薄利多销。通过三越伊势丹、Askul、三菱食品三个案例,看清功能与风险由谁承担,如何决定一门流通生意的利润结构。
不生产商品,靠买进卖出赚钱:流通零售模型的逻辑与软肋
这篇博客拆解流通零售模型:企业不制造产品,而是从生产者手中采购、再卖给顾客,靠差价获利。文章从零售、批发、专业商社,以及投资基金、广告公司的连接功能入手,说明“撮合力”与“价值链”两条轴,并用 Treasure Factory 清洗、修理二手商品、实现 55.9% 毛利率的案例,解释差价从何而来。随后分析该模式容易被模仿、利润率偏低的两大软肋,以及综合超市、综合商社向组合模型转型的原因。
我用 Vibe Coding 做了个 Mac 提词器:小工具也值得被认真做完
用 Vibe Coding 做了一个 Mac 字幕提词器:本地 AI 模型负责自动提词,不必边讲边手动滚动;处理留在本机,素材无需先上云,代价是只支持 Apple 芯片 Mac。为了让录制流程不裂成两截,又加了美颜和滤镜。代码已开源,链接放在视频简介,欢迎下载和改写。


