最新资讯 – 敏捷开发AI项目管理咨询顾问,人工智能培训,Scrum认证培训,FDE智能体,敏捷教练,敏捷培训,优普丰,UPerform https://www.uperform.cn Fri, 06 Nov 2026 07:29:41 +0000 zh-Hans hourly 1 https://wordpress.org/?v=6.5.14 https://www.uperform.cn/wp-content/uploads/2018/07/cropped-cropped-UPerform-ico-1-32x32.png 最新资讯 – 敏捷开发AI项目管理咨询顾问,人工智能培训,Scrum认证培训,FDE智能体,敏捷教练,敏捷培训,优普丰,UPerform https://www.uperform.cn 32 32 优普丰全球合伙人申导受邀出席腾讯云架构师北京同盟沙龙,分享「从老师傅的手,到 AI 陪练的脑子」 https://www.uperform.cn/%e4%bc%98%e6%99%ae%e4%b8%b0%e5%85%a8%e7%90%83%e5%90%88%e4%bc%99%e4%ba%ba%e7%94%b3%e5%af%bc%e5%8f%97%e9%82%80%e5%87%ba%e5%b8%ad%e8%85%be%e8%ae%af%e4%ba%91%e6%9e%b6%e6%9e%84%e5%b8%88%e5%8c%97%e4%ba%ac/ Fri, 06 Nov 2026 07:29:37 +0000 https://www.uperform.cn/?p=10766 […]]]> 随着大模型与 Agent 技术的飞速演进,单凭个人加上 AI 工具已能快速搭出产品原型。然而,从原型走向真正落地生产、从“表面上跑得通”到“切实解决业务难题”,中间还横亘着一系列现实障碍:准确理解需求、与既有系统对接、明确责任归属、复制成功经验、控制规模化成本等。FDE(前线部署工程师)之所以在过去一年成为备受瞩目的新岗位,正是因为它恰好处在这些鸿沟交汇的核心地带。

10 月 24 日,腾讯云架构师北京同盟举办第 81 期城市沙龙——《FDE 实战派:从需求现场到价值交付》。优普丰 AI 敏捷创新咨询全球合伙人、腾讯云 TVP 申导受邀出席本次活动,带来主题演讲《从老师傅的手,到 AI 陪练的脑子》,并参与圆桌对话,与其他嘉宾围绕「FDE 如何规模化、如何验收、如何走向组织智能」展开深入交流。

本次沙龙请来了多位深耕一线的实战专家。四位嘉宾各自从不同视角切入:模型与产品如何形成双向飞轮、企业内部的 FDE 怎样开展工作、制造业经验如何做知识工程、以及一线岗位如何 Fork 出属于自己的 Agent。在随后的圆桌环节,他们又就“如何实现规模化、怎样验收成果、如何从个人提效进阶到组织智能”进行了深入探讨。

申导主题演讲:把老师傅的「手感」,变成 AI 陪练的「脑子」

优普丰 AI 敏捷咨询全球合伙人、腾讯云 TVP 申导把话题带进了制造业的一线车间:生产线上,有多少关键判断其实是依赖某位特定的老师傅?老师傅一请假,产线立刻出状况;新员工拿着图纸,却找不到人能说清“这么做的原因”;眼看老师傅临近退休,那份“手感”却无人能接。这些现象指向同一个本质——组织把“判断”锁在了个体的大脑里,无法复制传递。如果经验不能被对话,就只能烂在文档里。

申导指出,仅仅做“经验萃取”是不够的,真正的路径是“知识工程”。传统模式的“访谈—文档—培训”,实际阅读率不足 10%;而知识工程走的是“访谈—AI-ready 知识库—AI 陪练”路线,通过对老师傅经验进行本体论建模、颗粒化封装,让判断力可以被对话、被反复调用。

他进一步提出了企业迈向 AI 进化的五个路标:知识沉淀化、数据资产化、AI 进核心、流程智能化、组织进化。在他看来,人与 AI 的关系如同“量子纠缠”:人类负责判断与承担责任,AI 则负责不间断执行。真正的落点不是处处依赖人工介入(Human-in-the-loop everywhere),而是在关键关口由人把关(Human-at-the-Gates)。落地路径分三步走:先做高质量访谈与影子观察;再搭建 AI-ready 知识库;最后让 AI 陪练与 Agent 上线运行。与此同时有两条红线不可触碰:其一,不能跳过高质量的经验萃取就直接喂数据给 AI;其二,不能让 AI 陪练脱离真实场景去做泛化应用。

圆桌对话:申导与嘉宾共探 FDE 规模化与组织智能

圆桌环节,申导与另外三位嘉宾——前 Supio AI 技术专家孟一凡、神策数据联合创始人 & CTO 曹犟、腾讯云客户成功专家冷冰炘,围绕三个核心议题进行了深入交流。

第一个问题:某个场景跑通了之后,怎样复制推广到更多场景?大家形成的共识是:如果每接触一个新客户、新部门,都要重新投入大批工程师,FDE 就会沦为人海战术式的昂贵定制开发。规模化靠的绝不是无限期驻场堆人,而应当把现场经验沉淀为平台、模板、Skill、评测集和可复用的交付方法论,逐步让企业内部的岗位获得“亲手造 Agent”的能力。

第二个问题:AI 项目做到什么程度才算成功?传统软件可以依据功能清单和测试用例来验收,但 AI 的输出天然带有不确定性。由谁来界定“什么叫做对了”?由谁来判定结果是否可接受?出了问题最终由谁担责?讨论最终指向:验收标准必须回归业务结果本身,同时要把 rubric、评测集以及经过人工修正的 badcase 不断回收,转化为新的基线;责任始终由人来承担,AI 只负责持续执行。

第三个问题:个人的效率提升如何转化为组织的智能?一个人借助 Agent 提效,并不代表组织能力真的变强了。如果岗位设置、工作流程和组织架构不随之重构,个人省出来的时间很快就会被新的无效劳动重新占用。真正的组织智能,要求把个人经验固化为组织资产,把各分支的探索合并回主干,并建立起护栏、权限、观测与复用等配套机制。

结语

在这次腾讯云架构师北京同盟沙龙上,申导分享的制造业知识工程实践,与其他几位嘉宾的观点殊途同归,共同印证了一个判断:AI 能力的获取门槛越来越低,但真正决定项目成败的,早已不是“会不会用模型和工具”,而是能否找准正确的问题、定义出可验证的结果,并把一次性的实践收获沉淀为可长期复用的能力。

FDE 未必是一个写进组织架构的固定头衔,也未必专属于工程师。它更像一种工作方式——贴近现场、对最终结果负责、善于把经验转化为产品。对企业而言,这意味着必须同时兼顾业务价值、工程质量与组织机制三个层面;对技术人员而言,则意味着要跨越“完成技术实现”,进一步迈向“对交付结果负全责”。

优普丰 AI 敏捷创新咨询将持续深耕企业 AI 转型与敏捷创新领域,把「让组织经验被对话、被复用」的方法论带到更多企业现场。也期待与更多行业伙伴交流碰撞,共同探索 AI 时代的企业进化之路。

分享嘉宾:申导Jacky,优普丰AI敏捷创新培训咨询机构合伙人

AI人工智能,SI超级智能,智能体场景搭建,FDE前端部署工程师,企业AI落地陪跑,驾驭工程(Harness Engineering)先行者

优普丰FDE AI赋能企业AI智能体skill/AI转型落地

一个在AI时代重新定义”工程师”角色的实践者和敏捷教练。

曾经每天写代码12小时,现在每天写规格2小时,效率提升50倍。

]]>
AI 模型越强,企业越迷茫:这 150 个工程师凭啥值 40 亿美元 https://www.uperform.cn/ai-%e6%a8%a1%e5%9e%8b%e8%b6%8a%e5%bc%ba%ef%bc%8c%e4%bc%81%e4%b8%9a%e8%b6%8a%e8%bf%b7%e8%8c%ab%ef%bc%9a%e8%bf%99-150-%e4%b8%aa%e5%b7%a5%e7%a8%8b%e5%b8%88%e5%87%ad%e5%95%a5%e5%80%bc-40-%e4%ba%bf/ Mon, 02 Nov 2026 12:13:33 +0000 https://www.uperform.cn/?p=10748 […]]]> 开场

上个月在杭州,和一位老友吃饭。他做了十二年 To B 销售,去年开始带队做央国企的 AI 落地。

他讲了一句话,让我琢磨了很久:

“央国企项目能不能成,前三个月基本就能看出来。三个月还没建立起信任,再补也难。”

这让我想起在浙江合作了三年的那家国企。第一年我们也踩了不少坑,第二年才慢慢顺起来,第三年回头看,前三个月那段”试婚期”,其实是最关键的一段。

今天这篇,就想把这三年里最值钱的几个体感讲给你听。

每一个,都是用真金白银换来的。


第一个体感:信任,是”做”出来的,不是”说”出来的

先讲一个反差。

中小企业里,客户可能刷到你的公众号,觉得产品有意思就买了。央国企不太一样——客户不会因为你”看起来厉害”就把项目交给你。

为什么?

原因很朴素:他要考虑”万一”。万一你这家小公司明年不在了,谁来接手?万一系统出了事,谁来兜底?

所以你会看到一个现象:央国企给出来的第一个项目,金额往往不大,范围往往不核心。说白了,他在拿这个”小单子”,观察你这个团队到底怎么做事。

不是看你技术多牛。是看你:

  • 文档的页码、标点、格式规不规范;
  • 用词是不是他这个组织熟悉的表达;
  • 出现问题的时候,你躲不躲。

这就是我反复和团队强调的一个词——情绪价值的交付。

它不是说几句漂亮话,也不是陪客户吃饭喝酒。它的本质是:在整个项目周期里,让客户持续相信——

你懂他的业务,你不会跑,你能和他一起扛。

我见过一些团队,技术是真的硬,但和客户沟通时满嘴互联网黑话和内部梗,文档还一堆错别字,要客户自己改。最后客户来一句:

“连这点事都做不好,做出来的东西能靠谱吗?”

你看,客户未必比 FDE 团队更懂 AI,但他一定看得出你这个团队做事”稳不稳”。

再讲讲绕不开的总集成方

招投标,是央国企项目里另一个绕不过去的事。

央国企招投标往往有长期供应商和入围要求。一个五六人的 FDE 团队,哪怕技术再硬,也可能连投标资格都没有。

所以大型项目里,经常能看到运营商、当地大数据集团这种总集成方站在中间。这不是客户故意刁难你,也不是坏事,而是项目本身需要一个”能兜底”的主体。

但硬币的另一面是——真正能把 AI 落到位的,往往又是那些灵活的小团队。除少数大型互联网公司和云厂商外,很多总集成方自己并不具备 AI 交付能力,最后还是要把活儿交给中小团队。

所以小团队不要一看到总集成方就退缩。

你只要想清楚一件事:在这个生态里,你能提供什么别人提供不了的东西?

总集成方有客户关系、合规能力、项目管理能力; 你有 AI 能力和交付灵活性。

关键不是和总集成方”竞争”,而是找一个可信的合作伙伴,把协作成本提前算清楚。


第二个体感:找到那个”会帮你说话”的人

我以前觉得央国企项目难,是因为”决策链长”。后来做了几年才明白——决策链长不是最难的,最难的是没有”自己人”。

什么叫”自己人”?

就是客户内部,真心希望这个项目成的人。在 To B 销售里,这个人叫 教练(Coach)。

教练会告诉你很多”外人看不到”的事:

  • 方案应该从哪个角度切入;
  • 该先向哪位领导汇报;
  • 业务部门真正的痛点是什么;
  • 哪些话能讲,哪些话千万不能讲。

AI 转型常常是”一号位”提出来的,但一号位不会天天盯实施。

没有教练,外部团队就会陷入一种特别尴尬的境地——所有人对你都很客气,但没人愿意和你一起扛事。

怎么找教练?

教你一个笨办法:项目一启动,先画一张”客户关系图”。

画什么?

  • 谁向谁汇报;
  • 谁支持你,谁中立,谁反对;
  • 项目结果和谁的 KPI 关系最大。

关键角色里有反对的,至少先想办法让他变成中立。关键角色里有支持的,赶紧识别出来,定期同步信息。

我有个习惯:教练说过的话,要比领导讲的话更上心。

为什么?

因为领导讲的是”愿景”,教练讲的是”雷区”。


第三个体感:央国企的需求,是”复合”的,不只是”业务”的

央国企项目里有一类需求,我以前不知道该怎么叫。后来跟团队商量,干脆就叫它”政治诉求“吧。

什么意思?

项目能不能参与评奖; 能不能在系统里被展示出来; 推动 AI 的那位高层领导,能不能”有感”——拿到一个能讲、能晒、能汇报的成果。

有的领导甚至不直接用 AI 工具,看的还是纸质签报,再由办公室人员统一在 OA 里处理。但只要他批了几十万、上百万元的预算,他一定想知道最后做出了什么。

这类需求,你别假装看不见,也别一上来就给它贴个”面子工程”的标签。

一个标杆做得好,可以帮你争取下一期预算、推动更多部门参与、形成持续投入。这是实打实的杠杆。

但不同国企的”政治诉求”权重不一样:

  • 有的国企带公共服务或行政垄断属性,核心压力是保障民生和供给,预算使用受更多约束;
  • 有的国企是充分竞争市场,管理层 KPI 与经营业绩、国有资产保值增值直接挂钩,降本增效才是真诉求。

所以,不能拿一套场景清单去套所有客户。

选场景前,先问自己两个问题:

  1. 这个场景,能让领导”看见”吗?
  2. 这个场景,能沉淀数据、流程或知识吗?

两个都答不上来,宁可先不做。

还有一个反常识

需求风暴之后,客户会提一堆想法。我的建议是——别试图一次做完。

原因是:

  • 现阶段甲乙双方对 AI 的认知都还在建;
  • 行业也没形成像传统软件工程那样稳定的交付标准;
  • 一次塞太多场景,每个都做不深,反而把信任做崩。

我们更喜欢找一个小切口,先做出”一个能讲的小胜利”。

客户看到价值,乙方也能健康交付,信任才会生长。然后客户才愿意把下一件事交给你。

我们管这个叫“从胜利走向胜利”。

听起来土,但真做几次你就知道——这是央国企项目里,最稳的节奏。


第四个体感:第三年,我开始把培训摆在技术前面

讲一个反直觉的发现。

我们和那家国企合作的第三年,发现一件挺有意思的事——容易想到、技术上能做的场景,基本都做完了。

早期做的知识库产品和流程编排,还暴露出各自的限制。比如算力紧张的时候,Dify 的流程编排越复杂,运行越慢。继续堆流程,没用。

那时候我们才意识到一件事:

AI 落地,不能一直由技术部门替业务部门想需求。

于是我们做了一件事——把培训和陪跑摆到了比技术更靠前的位置。

具体怎么做?

让业务和行政部门的同事,自己做一些小 Agent:写简单的提示词,调用技术部门准备好的 MCP 或 API,组合成小型应用。

一开始他们做得很丑。但做着做着,业务人员开始具备”自己发现场景、自己开发场景”的能力,领导也看到了”组织真的动起来了”。

这种”动”,比任何一个 Demo 都值钱。

所以今天我和你谈项目,会反过来提一件事:把认知课或培训课前置到售前阶段。

客户听了经常反问:”我想做 AI 转型,你为什么先让我上课?”

我一般这么答:

“如果只谈技术合同,可以很快。但要让组织真的动起来,必须先让大家都理解 AI 是什么、不是什么、能做什么、不能做什么。市场上有些培训在制造焦虑,我们不是。我们是帮你把预期校准,让后面每一分钱都花得不冤。”

做法上,看客户习惯,分层处理:

  • 习惯和外部咨询老师合作的大企业,可以做完整培训;
  • 没这习惯的,先做半天认知分享,面向中层以上管理者;
  • 再轻一点,先找一个较成熟的通用场景合作——比如官方内容的文生图、文生视频,或者法务合同审核。

无论从哪个口子切入,预期管理都要做在前面。

认知分享也是双向筛选:客户借此看你是否懂国央企、懂他的行业;你也借此看这个组织面对 AI 转型,目前走到了哪一步。


第五个体感:很多项目死在”最后一公里”,不是死在开发

说个扎心的事实。

央国企项目里,最后一笔款拿不到的比例,比你想象的高。

为什么?

因为很多团队把”验收”想成了项目末尾的一个动作。

错。验收不是末尾,是售前就要规划的事。

为什么验收这么难?

几个原因:

  1. 央国企项目大多分阶段付款,最后一笔款的释放直接挂在验收上;
  2. 验收不仅看产品,还看客户愿不愿意和你一起把这件事做完;
  3. 验收这件事,经常被”领导问数”、专家评审、内部 OA 流程反复卡住。

我的拆解:交付 = 产品交付 + 服务交付

  • 产品交付:系统能不能跑、能不能用;
  • 服务交付:那些没写在功能列表里、但影响项目成败的事——帮客户做标杆、做汇报材料、做科研类客户的成果总结。

服务交付不能替代产品。关系再好,产品差,项目一样会崩。

但反过来,双方变成”针尖对麦芒”——乙方说做完了,甲方说不能用——项目也收不了尾。

几个具体的避坑点:

  • 别选 AI 完成度不高、却要求 100% 正确的场景。比如国企里常见的”领导问数”,可以用 AI 做交互,但绝不能拍胸脯说”只靠自然语言转 SQL,就能稳定、可靠地完成全部工作”。该用传统软件实现的部分,就老老实实用传统软件;
  • 售前和合同阶段,报价和成本必须留缓冲。传统软件工程留 20%—30%,AI 项目还要再叠加”信任程度”和”合作周期”两个变量;
  • 大型节假日或重要时间节点,央国企可能封网,生产系统不能动。这不是客户故意拦你,是规则;
  • 客户有自己技术部门时,他其实会主动告诉你”怎么过验收”。关键是信任到位。

如果乙方团队开始觉得客户”总在刁难技术落地”,合伙人或客户负责人就要立刻介入。否则技术同学再努力,最后客户一句”这不是我想要的”,前面全白干。

还有一条隐藏规则

有时候客户因为财务制度需要付款,但专家评审认为部分内容不达标,双方可以通过承诺函约定后续整改的数据或需求。

这是央国企生态里的一种”软性解决方案”,外人不太知道,但经常救命。


第六个体感:小团队的护城河,不在 AI 能力本身

这是我这三年最深的一个体感。

很多 FDE 团队想进央国企项目,预算是一方面,担心也有一方面——”大型集成商和互联网厂商会不会把机会都抢走?”

我自己的判断是:不必过度担心。

为什么?

  • 大型厂商很难完全替代灵活的小型团队;
  • 小型团队也不可能单靠 AI 能力补上客户关系、合规与行业经验。

真正的机会,在两者的结合点上。

我经常和年轻创业者讲三件事:

第一,多参加社区和行业活动。 不是为了”蹭资源”,是为了建立持续的人际连接。AI 这个圈子特别小,靠谱的人互相都认识。

第二,不要简单排斥已有关系。 家人、长辈、过去同事——这些关系背后,可能是多年共事、同学经历形成的信任。这种信任,很难靠产品在短时间内替代。

第三,多接触在垂直行业做了 10 年、20 年的传统软件公司。 它们有深厚的客户关系和行业理解,但可能缺 AI 交付能力;你熟悉 AI,但可能缺行业经验。

大家不一定只是对手,完全可以一起把项目做成。


写到最后

这三年,我们从信创一体机、DeepSeek 部署开始,到知识库、Dify 流程编排,再到 AI 门户、Agent 场景,最后把培训和陪跑摆到前面。

回头看,技术底座一直重要。但让项目继续走下去的,从来不是技术本身——

是客户内部有人愿意推动; 是业务部门逐渐学会参与; 是每一次小交付,都没有透支彼此的信任。

模型一定会变,工具一定会变。今天看起来很复杂的流程,明天也许会被更简单的方式替代。

但”复杂组织接受新技术”这件事,永远不会只靠一次模型升级自动完成。

它需要:

  • 有人懂技术;
  • 有人懂组织;
  • 有人能把产品做出来;
  • 有人能把它讲成客户听得懂、愿意一起干的事情。

这四类人凑齐了,项目才真正开始。

对 FDE 团队来说,这或许才是央国企 AI 项目里,真正难以被复制的能力。


💬 留言区聊聊

你在央国企做 AI 项目,最低估的一件事是什么?

是信任、是教练、是政治诉求,还是验收?

或者你心里还有一个完全不一样的答案?

评论区等你。

作者:申导Jacky,优普丰AI敏捷创新培训咨询机构合伙人

AI人工智能,SI超级智能,智能体场景搭建,FDE前端部署工程师,企业AI落地陪跑,驾驭工程(Harness Engineering)先行者

优普丰FDE AI赋能企业AI智能体skill/AI转型落地

一个在AI时代重新定义”工程师”角色的实践者和敏捷教练。

曾经每天写代码12小时,现在每天写规格2小时,效率提升50倍。

]]>
复盘 3 年把 AI 落地进央国企,到底难在哪? https://www.uperform.cn/%e5%a4%8d%e7%9b%98-3-%e5%b9%b4%e6%8a%8a-ai-%e8%90%bd%e5%9c%b0%e8%bf%9b%e5%a4%ae%e5%9b%bd%e4%bc%81%ef%bc%8c%e5%88%b0%e5%ba%95%e9%9a%be%e5%9c%a8%e5%93%aa%ef%bc%9f/ Mon, 02 Nov 2026 12:06:53 +0000 https://www.uperform.cn/?p=10745 […]]]> 开场

上个月在杭州,和一位老友吃饭。他做了十二年 To B 销售,去年开始带队做央国企的 AI 落地。

他讲了一句话,让我琢磨了很久:

“央国企项目能不能成,前三个月基本就能看出来。三个月还没建立起信任,再补也难。”

这让我想起在浙江合作了三年的那家国企。第一年我们也踩了不少坑,第二年才慢慢顺起来,第三年回头看,前三个月那段”试婚期”,其实是最关键的一段。

今天这篇,就想把这三年里最值钱的几个体感讲给你听。

每一个,都是用真金白银换来的。

第一个体感:信任,是”做”出来的,不是”说”出来的

先讲一个反差。

中小企业里,客户可能刷到你的公众号,觉得产品有意思就买了。央国企不太一样——客户不会因为你”看起来厉害”就把项目交给你。

为什么?

原因很朴素:他要考虑”万一”。万一你这家小公司明年不在了,谁来接手?万一系统出了事,谁来兜底?

所以你会看到一个现象:央国企给出来的第一个项目,金额往往不大,范围往往不核心。说白了,他在拿这个”小单子”,观察你这个团队到底怎么做事。

不是看你技术多牛。是看你:

  • 文档的页码、标点、格式规不规范;
  • 用词是不是他这个组织熟悉的表达;
  • 出现问题的时候,你躲不躲。

这就是我反复和团队强调的一个词——情绪价值的交付。

它不是说几句漂亮话,也不是陪客户吃饭喝酒。它的本质是:在整个项目周期里,让客户持续相信——

你懂他的业务,你不会跑,你能和他一起扛。

我见过一些团队,技术是真的硬,但和客户沟通时满嘴互联网黑话和内部梗,文档还一堆错别字,要客户自己改。最后客户来一句:

“连这点事都做不好,做出来的东西能靠谱吗?”

你看,客户未必比 FDE 团队更懂 AI,但他一定看得出你这个团队做事”稳不稳”。

再讲讲绕不开的总集成方

招投标,是央国企项目里另一个绕不过去的事。

央国企招投标往往有长期供应商和入围要求。一个五六人的 FDE 团队,哪怕技术再硬,也可能连投标资格都没有。

所以大型项目里,经常能看到运营商、当地大数据集团这种总集成方站在中间。这不是客户故意刁难你,也不是坏事,而是项目本身需要一个”能兜底”的主体。

但硬币的另一面是——真正能把 AI 落到位的,往往又是那些灵活的小团队。除少数大型互联网公司和云厂商外,很多总集成方自己并不具备 AI 交付能力,最后还是要把活儿交给中小团队。

所以小团队不要一看到总集成方就退缩。

你只要想清楚一件事:在这个生态里,你能提供什么别人提供不了的东西?

总集成方有客户关系、合规能力、项目管理能力; 你有 AI 能力和交付灵活性。

关键不是和总集成方”竞争”,而是找一个可信的合作伙伴,把协作成本提前算清楚。

第二个体感:找到那个”会帮你说话”的人

我以前觉得央国企项目难,是因为”决策链长”。后来做了几年才明白——决策链长不是最难的,最难的是没有”自己人”。

什么叫”自己人”?

就是客户内部,真心希望这个项目成的人。在 To B 销售里,这个人叫 教练(Coach)。

教练会告诉你很多”外人看不到”的事:

  • 方案应该从哪个角度切入;
  • 该先向哪位领导汇报;
  • 业务部门真正的痛点是什么;
  • 哪些话能讲,哪些话千万不能讲。

AI 转型常常是”一号位”提出来的,但一号位不会天天盯实施。

没有教练,外部团队就会陷入一种特别尴尬的境地——所有人对你都很客气,但没人愿意和你一起扛事。

怎么找教练?

教你一个笨办法:项目一启动,先画一张”客户关系图”。

画什么?

  • 谁向谁汇报;
  • 谁支持你,谁中立,谁反对;
  • 项目结果和谁的 KPI 关系最大。

关键角色里有反对的,至少先想办法让他变成中立。关键角色里有支持的,赶紧识别出来,定期同步信息。

我有个习惯:教练说过的话,要比领导讲的话更上心。

为什么?

因为领导讲的是”愿景”,教练讲的是”雷区”。

第三个体感:央国企的需求,是”复合”的,不只是”业务”的

央国企项目里有一类需求,我以前不知道该怎么叫。后来跟团队商量,干脆就叫它”政治诉求“吧。

什么意思?

项目能不能参与评奖; 能不能在系统里被展示出来; 推动 AI 的那位高层领导,能不能”有感”——拿到一个能讲、能晒、能汇报的成果。

有的领导甚至不直接用 AI 工具,看的还是纸质签报,再由办公室人员统一在 OA 里处理。但只要他批了几十万、上百万元的预算,他一定想知道最后做出了什么。

这类需求,你别假装看不见,也别一上来就给它贴个”面子工程”的标签。

一个标杆做得好,可以帮你争取下一期预算、推动更多部门参与、形成持续投入。这是实打实的杠杆。

但不同国企的”政治诉求”权重不一样:

  • 有的国企带公共服务或行政垄断属性,核心压力是保障民生和供给,预算使用受更多约束;
  • 有的国企是充分竞争市场,管理层 KPI 与经营业绩、国有资产保值增值直接挂钩,降本增效才是真诉求。

所以,不能拿一套场景清单去套所有客户。

选场景前,先问自己两个问题:

  1. 这个场景,能让领导”看见”吗?
  2. 这个场景,能沉淀数据、流程或知识吗?

两个都答不上来,宁可先不做。

还有一个反常识

需求风暴之后,客户会提一堆想法。我的建议是——别试图一次做完。

原因是:

  • 现阶段甲乙双方对 AI 的认知都还在建;
  • 行业也没形成像传统软件工程那样稳定的交付标准;
  • 一次塞太多场景,每个都做不深,反而把信任做崩。

我们更喜欢找一个小切口,先做出”一个能讲的小胜利”。

客户看到价值,乙方也能健康交付,信任才会生长。然后客户才愿意把下一件事交给你。

我们管这个叫“从胜利走向胜利”。

听起来土,但真做几次你就知道——这是央国企项目里,最稳的节奏。

第四个体感:第三年,我开始把培训摆在技术前面

讲一个反直觉的发现。

我们和那家国企合作的第三年,发现一件挺有意思的事——容易想到、技术上能做的场景,基本都做完了。

早期做的知识库产品和流程编排,还暴露出各自的限制。比如算力紧张的时候,Dify 的流程编排越复杂,运行越慢。继续堆流程,没用。

那时候我们才意识到一件事:

AI 落地,不能一直由技术部门替业务部门想需求。

于是我们做了一件事——把培训和陪跑摆到了比技术更靠前的位置。

具体怎么做?

让业务和行政部门的同事,自己做一些小 Agent:写简单的提示词,调用技术部门准备好的 MCP 或 API,组合成小型应用。

一开始他们做得很丑。但做着做着,业务人员开始具备”自己发现场景、自己开发场景”的能力,领导也看到了”组织真的动起来了”。

这种”动”,比任何一个 Demo 都值钱。

所以今天我和你谈项目,会反过来提一件事:把认知课或培训课前置到售前阶段。

客户听了经常反问:”我想做 AI 转型,你为什么先让我上课?”

我一般这么答:

“如果只谈技术合同,可以很快。但要让组织真的动起来,必须先让大家都理解 AI 是什么、不是什么、能做什么、不能做什么。市场上有些培训在制造焦虑,我们不是。我们是帮你把预期校准,让后面每一分钱都花得不冤。”

做法上,看客户习惯,分层处理:

  • 习惯和外部咨询老师合作的大企业,可以做完整培训;
  • 没这习惯的,先做半天认知分享,面向中层以上管理者;
  • 再轻一点,先找一个较成熟的通用场景合作——比如官方内容的文生图、文生视频,或者法务合同审核。

无论从哪个口子切入,预期管理都要做在前面。

认知分享也是双向筛选:客户借此看你是否懂国央企、懂他的行业;你也借此看这个组织面对 AI 转型,目前走到了哪一步。

第五个体感:很多项目死在”最后一公里”,不是死在开发

说个扎心的事实。

央国企项目里,最后一笔款拿不到的比例,比你想象的高。

为什么?

因为很多团队把”验收”想成了项目末尾的一个动作。

错。验收不是末尾,是售前就要规划的事。

为什么验收这么难?

几个原因:

  • 央国企项目大多分阶段付款,最后一笔款的释放直接挂在验收上;
  • 验收不仅看产品,还看客户愿不愿意和你一起把这件事做完;
  • 验收这件事,经常被”领导问数”、专家评审、内部 OA 流程反复卡住。

我的拆解:交付 = 产品交付 + 服务交付

  • 产品交付:系统能不能跑、能不能用;
  • 服务交付:那些没写在功能列表里、但影响项目成败的事——帮客户做标杆、做汇报材料、做科研类客户的成果总结。

服务交付不能替代产品。关系再好,产品差,项目一样会崩。

但反过来,双方变成”针尖对麦芒”——乙方说做完了,甲方说不能用——项目也收不了尾。

几个具体的避坑点:

  • 别选 AI 完成度不高、却要求 100% 正确的场景。比如国企里常见的”领导问数”,可以用 AI 做交互,但绝不能拍胸脯说”只靠自然语言转 SQL,就能稳定、可靠地完成全部工作”。该用传统软件实现的部分,就老老实实用传统软件;
  • 售前和合同阶段,报价和成本必须留缓冲。传统软件工程留 20%—30%,AI 项目还要再叠加”信任程度”和”合作周期”两个变量;
  • 大型节假日或重要时间节点,央国企可能封网,生产系统不能动。这不是客户故意拦你,是规则;
  • 客户有自己技术部门时,他其实会主动告诉你”怎么过验收”。关键是信任到位。

如果乙方团队开始觉得客户”总在刁难技术落地”,合伙人或客户负责人就要立刻介入。否则技术同学再努力,最后客户一句”这不是我想要的”,前面全白干。

还有一条隐藏规则

有时候客户因为财务制度需要付款,但专家评审认为部分内容不达标,双方可以通过承诺函约定后续整改的数据或需求。

这是央国企生态里的一种”软性解决方案”,外人不太知道,但经常救命。

第六个体感:小团队的护城河,不在 AI 能力本身

这是我这三年最深的一个体感。

很多 FDE 团队想进央国企项目,预算是一方面,担心也有一方面——”大型集成商和互联网厂商会不会把机会都抢走?”

我自己的判断是:不必过度担心。

为什么?

  • 大型厂商很难完全替代灵活的小型团队;
  • 小型团队也不可能单靠 AI 能力补上客户关系、合规与行业经验。

真正的机会,在两者的结合点上。

我经常和年轻创业者讲三件事:

第一,多参加社区和行业活动。不是为了”蹭资源”,是为了建立持续的人际连接。AI 这个圈子特别小,靠谱的人互相都认识。

第二,不要简单排斥已有关系。家人、长辈、过去同事——这些关系背后,可能是多年共事、同学经历形成的信任。这种信任,很难靠产品在短时间内替代。

第三,多接触在垂直行业做了 10 年、20 年的传统软件公司。它们有深厚的客户关系和行业理解,但可能缺 AI 交付能力;你熟悉 AI,但可能缺行业经验。

大家不一定只是对手,完全可以一起把项目做成。

写在最后

这三年,我们从信创一体机、DeepSeek 部署开始,到知识库、Dify 流程编排,再到 AI 门户、Agent 场景,最后把培训和陪跑摆到前面。

回头看,技术底座一直重要。但让项目继续走下去的,从来不是技术本身——是客户内部有人愿意推动; 是业务部门逐渐学会参与; 是每一次小交付,都没有透支彼此的信任。

模型一定会变,工具一定会变。今天看起来很复杂的流程,明天也许会被更简单的方式替代。

但”复杂组织接受新技术”这件事,永远不会只靠一次模型升级自动完成。

它需要:

  • 有人懂技术;
  • 有人懂组织;
  • 有人能把产品做出来;
  • 有人能把它讲成客户听得懂、愿意一起干的事情。

这四类人凑齐了,项目才真正开始。

对 FDE 团队来说,这或许才是央国企 AI 项目里,真正难以被复制的能力。


留言区聊聊

你在央国企做 AI 项目,最低估的一件事是什么?

是信任、是教练、是政治诉求,还是验收?

或者你心里还有一个完全不一样的答案?

评论区等你。

作者:申导Jacky,优普丰AI敏捷创新培训咨询机构合伙人

AI人工智能,SI超级智能,智能体场景搭建,FDE前端部署工程师,企业AI落地陪跑,驾驭工程(Harness Engineering)先行者

优普丰FDE AI赋能企业AI智能体skill/AI转型落地

一个在AI时代重新定义”工程师”角色的实践者和敏捷教练。

曾经每天写代码12小时,现在每天写规格2小时,效率提升50倍。

]]>
AI已死!特朗普开启超级智能时代,背后是一盘万亿大棋 https://www.uperform.cn/ai%e5%b7%b2%e6%ad%bb%ef%bc%81%e7%89%b9%e6%9c%97%e6%99%ae%e5%bc%80%e5%90%af%e8%b6%85%e7%ba%a7%e6%99%ba%e8%83%bd%e6%97%b6%e4%bb%a3%ef%bc%8c%e8%83%8c%e5%90%8e%e6%98%af%e4%b8%80%e7%9b%98%e4%b8%87%e4%ba%bf/ Mon, 26 Oct 2026 08:17:20 +0000 https://www.uperform.cn/?p=10741 […]]]> 以后,请叫人工智能为 SI。

前段时间,白宫官网挂出了一份新文件。没有预热,没有吹风,直接宣布:从即日起,美国联邦政府的所有官方文件、政府网站、研究报告、政策文件和新闻稿里,不再出现「Artificial Intelligence」,也不再出现「AI」这两个字母。

取而代之的,是 Super Intelligence,简称 SI。

一个词换了,听着像文字游戏。但你顺着这份行政命令往下读完,再看看签字当天白宫那场午宴的座次表,就会发现一件事:

这不是改名。这是一次蓄谋已久的叙事重置。

一、联合国讲台上的那句「Super 是世界上最好的词」

故事得从联合国那场会议说起。

特朗普上台发言,没说几句,就把全场点燃了。

「Super 是所有词里最好的一个,也是最简单的一个。」

他在台上挥着标志性的手势,接着补了一刀:

「我们不想再听到『Artificial』这个词了。因为它根本不是人造的,它非常强大,非常聪明。」

然后他来了一句更狠的——「Artificial 就像新闻一样,Fake news!」

这话你得放在语境里听。在他的逻辑里,人类历史上最伟大的一次技术革命,绝对不该和「虚假」「人造」这类带负面联想、甚至危险联想的词绑在一起。

「Artificial」这个形容词,从诞生那天起就带着一层”赝品”的味道。而他要卖的,是一件真家伙。

二、行政命令里的三个细节,一条比一条狠

我们直接登陆了白宫官网,找到了这份名为《开启超级智能时代》的行政命令原文,以及同步发布的事实清单。

拆开看,有三个核心要点。

细节一:全政府强制「封杀」AI 一词

行政命令写得清清楚楚:所有行政部门,在官方通信、政府网站、研究报告、政策文件、新闻稿中,必须彻底弃用「Artificial Intelligence」及其缩写「AI」,一律改用「Super Intelligence」或「SI」。

白宫事实清单里用的那个词,相当严厉——「不再承认」。

翻译一下:如果你是美国联邦政府的官员,以后公开场合还张口闭口 AI,那就是极大的不正确,就是违背总统政令。

细节二:新老划断,旧文件不用改

考虑到美国那套庞大的官僚体系,法案也留了务实的一手:不用回头去改以前的旧文件、旧法规。

但所有未来的官方表述中,AI 已成历史,SI 是唯一法定术语。

一把尺子,只往前量。

细节三:60 天生死时速,重新定义 SI

这条最关键,也最影响硅谷。

法案规定,过渡期内「Super Intelligence」暂时沿用旧版 AI 的法定定义。但总统指示国家科技政策顾问,必须在 60 天内提交一份关于 SI 的全新定义建议。

这里有个巨大的认知落差。

以往,「Superintelligence」指的是超越人类最顶尖大脑的智能形态,是至今还没抵达的终极目标。而特朗普政府现在干的,是强行提前使用这个词,拿它去替换眼下更宽泛的 AI 概念。

60 天之后,美国怎么定义 SI,将直接决定未来十年对科技巨头的监管尺度、资金补贴和出口管制标准。

一个词的定义权,值多少钱?看看这场午宴的座次表就知道了。

三、白宫午宴:价值万亿的座次表

政令发布当天,还发生了一件大事。

特朗普在白宫设了一场午宴,请来美国科技圈的半壁江山,讨论的正是他刚命名的「Super Intelligence」。

坐在他左右两侧的,是当今地球上最有权的两个科技人物:英伟达 CEO 黄仁勋,特斯拉 / SpaceX CEO 马斯克。

会后,特朗普用「非常富有成效」和「极其友好」来形容这场午餐。

那到底谈了什么?

核心只有两个字:松绑。

特朗普在讲话里说:「有一种观点认为,行业应该有极大的自我监管。」接着他补了一句:「我们自动拥有司法部、FBI 等机构的监管(就足够了)。」

这话是说给谁听的,明摆着。

过去几年,政府对 AI 的安全审查层层加码,科技巨头苦不堪言。而特朗普现在的态度很清楚:管什么管?放手去干。司法部和 FBI 兜住最恶劣的犯罪就够了,至于怎么研发、怎么训练,你们自我监管。

这也是他执意要把 AI 改名成 SI 的深层原因——用「Super」这个词强调正面用途和强大力量,而不是强调风险。

他的原话是:「它将在很大程度上被用于好的方面,我们会阻止坏的用途。」

会上还有个挺好笑的插曲。

马斯克在回答记者提问时,脱口说出了「AI」,一秒钟之内反应过来,高情商改口成「SI」。站在旁边的特朗普立刻回了句「谢谢」,满意地拍了拍他。

这个一秒钟的改口,比任何一份文件都更能说明:新规矩,立住了。

除此之外,特朗普还精准切中了眼下卡住硅谷脖子的痛点——数据中心。

现在美国各地都在建超算中心,但常常遭到地方社区抵制,理由无非是耗电、耗水、占地。特朗普在会上力挺科技公司,称这些企业将「通过提供资源和经济支持来让社区满意」,甚至直接下定论:

「归根结底,数据中心将会非常受欢迎。」

总统亲自站台,帮科技巨头搞定地方关系。有了这句话,英伟达的显卡销量和数据中心的基建股票,怕是又要热闹一阵了。

四、国会山同步表态:这是一场不能输的竞赛

就在特朗普和科技大佬们相谈甚欢的同一时间,国会山那边也没闲着。

美国众议院议长 Mike Johnson 在 9 月 29 日当天发了声明,口径与特朗普高度一致。

他重点强调「Super Intelligence」对美国国家竞争力的重要性,核心逻辑是:我们不能用陈旧的、充满恐惧色彩的「Artificial」来定义这项决定国家命运的技术,美国必须在 SI 时代保持绝对领导地位。

从众议院议长的背书可以看出,这次改名绝不是总统一时兴起。

他们达成了一个三方共识:消除国内对 AI 的过度恐惧,减少繁文缛节,把算力基建提升到国家战略、甚至「受民众欢迎」的高度。

五、从 AI 到 SI,美国到底在抢什么

从行业角度看,这一纸政令其实制造了一个巨大的语义混乱。

学术界和产业界原本有一条严格的进化路线图:

  • ANI(弱人工智能):早期的 Siri、推荐算法
  • AGI(通用人工智能):拥有人类水平智能,OpenAI 等公司正在冲刺的目标
  • ASI(超级人工智能):全面超越人类最聪慧大脑的终极形态

现在特朗普大笔一挥,直接跳过 AGI,把美国的官方统一定义拉满到了「Super Intelligence」。

这种「官方抢跑」进入 ASI 时代的做法,藏着三层目的。

第一层,抹掉恐怖谷效应。

「人工智能」这个词,伴随着好莱坞的天网、终结者,天然带着毁灭人类的阴影。而「超级智能」听起来更像人类工具的终极进化——就像「超级计算机」「超级英雄」,强调的是力量感,不是威胁感。

第二层,抢占定义权。

美国政府试图通过官方文件,重新定义这项技术的全球话语体系。当所有跨国公司与美国政府打交道、签合同、报批文件时都必须使用「SI」,这个词迟早会重塑整个行业的用词习惯。

谁定义词,谁就定义规则。

第三层,为「大炼算力」铺路。

当技术被定义为「Super」,它消耗超乎想象的电力、土地和资金,就变得顺理成章。你要维持「Super」,当然需要超级的数据中心。

于是,反对数据中心,就等于反对「超级智能」,就等于反对国家竞争力。

这一整套逻辑,闭环了。

写在最后

一个词的更替,背后是一整套叙事的重建。

从「Artificial」到「Super」,从「风险」到「力量」,从「严管」到「松绑」,从「AI」到「SI」——美国正在用行政手段,把一个技术概念重新包装成国家意志。

60 天后,那份关于 SI 的全新定义会是什么样,值得盯紧。它决定的不只是硅谷的措辞,更是未来十年全球科技博弈的尺度。

历史的车轮已经滚滚向前。


💬 聊聊你的看法

这次改名,你觉得是高明的叙事操盘,还是一场自欺欺人的文字游戏?如果「SI」真的成为全球通用词,中国该用什么词来应对?

在评论区与 FDE申导聊聊。

觉得有启发,也欢迎转发给关心 AI 的朋友。

作者:申导Jacky,优普丰AI敏捷创新培训咨询机构合伙人

AI人工智能,SI超级智能,智能体场景搭建,FDE前端部署工程师,企业AI落地陪跑,驾驭工程(Harness Engineering)先行者

优普丰FDE AI赋能企业AI智能体skill/AI转型落地

一个在AI时代重新定义”工程师”角色的实践者和敏捷教练。

曾经每天写代码12小时,现在每天写规格2小时,效率提升50倍。

]]>
企业AI转型,老板必须先用:特朗普抓马杜罗总统前跟AI聊了几小时开场 https://www.uperform.cn/%e4%bc%81%e4%b8%9aai%e8%bd%ac%e5%9e%8b%ef%bc%8c%e8%80%81%e6%9d%bf%e5%bf%85%e9%a1%bb%e5%85%88%e7%94%a8%ef%bc%9a%e7%89%b9%e6%9c%97%e6%99%ae%e6%8a%93%e9%a9%ac%e6%9d%9c%e7%bd%97%e6%80%bb%e7%bb%9f%e5%89%8d/ Fri, 23 Oct 2026 07:04:54 +0000 https://www.uperform.cn/?p=10737 […]]]> 开场

去年12月,椭圆形办公室。特朗普和马斯克密谈了一场。

但真正耐人寻味的不是这场会面本身,而是会面中发生的一件事:特朗普花了好几个小时,向马斯克的AI聊天机器人 Grok 提问。

问的不是天气,不是段子,是——如果我去抓委内瑞拉总统马杜罗,委内瑞拉老百姓会怎么反应?

Grok 答:马杜罗是一位极不得民心的独裁者,许多委内瑞拉人很可能会为此欢庆。

今年1月3日,美方强行控制了马杜罗夫妇。庆祝活动,确实发生了。

《时代》周刊10月1日披露了这件事。有美国官员透露,特朗普”觉得Grok非常聪明”。

我今天不打算评价这件事的对错。那是地缘政治,不是我的活儿。

我只想请你盯住一个数字:几个小时。

一个国家的总统,在做可能是他任内最大胆的一次外交冒险之前,跟AI聊了几个小时。

那么问题来了——过去三个月,你自己跟AI聊过几个小时?

一、老板不动手,AI转型就只是一场采购

先说说大多数企业的”AI转型”长什么样,你看看眼熟不眼熟:

  • 成立一个AI小组,或者数字化办公室
  • 采购一批账号,全员开通
  • 搞一次半天培训,请外部讲师来讲提示词
  • 要求各部门报”AI提效案例”
  • 三个月后复盘:激活率37%,没人说得清到底省了多少钱

问题出在哪儿?老板站在旁边看。

你把AI当成了一件发给员工的工具。但AI不是工具升级,是决策方式升级。而决策方式这东西,只有真正握有决策权的人自己改,才有意义。

中层学得再好,回去写完方案,还是要走原来的审批流程、原来的判断标准、最后是老板原来的直觉。一层一层过滤下来,AI留下的痕迹,只剩PPT右下角那个logo。

一句话:AI转型不是给员工装软件,是给老板换脑子。

特朗普那几个小时,没人替他问。《时代》特意补了一句:不清楚这些问题是不是他本人敲进去的。但不管谁敲的键盘,那个需要答案的人,是他自己。

💡 行动:本周内给自己排一个90分钟的”AI闭门会”。 不带助理,不带IT,就你和一个对话框。

二、AI不是搜索引擎,”数小时深聊”才叫用

大部分人对AI的用法是错的。

试一次:”帮我写个年会发言稿”——看一眼——”写得不行”——得出结论:AI也就那样。

这就像你第一次进健身房,举了下5公斤的哑铃,觉得不过如此,然后跟人说自己练过。

特朗普那几个小时在干什么?不是在查资料。查”马杜罗支持率”用不了几小时。他是在做推演:往东会怎样,往西会怎样,最坏情况是什么,对方怎么反应,老百姓怎么反应,事后局面怎么收场。

这类问题没有标准答案,只有在不同假设下反复碰撞出来的判断。而这恰恰是大模型真正的强项——它不怕你问蠢问题,也不嫌你追问烦。

给你一套可以直接照抄的提问结构:

  • 喂背景:把你知道的、你担心的,一次性讲清楚,别惜字如金。
  • 定角色:让它当你的对手、当那个持反对意见的董事、当客户、当监管机构。
  • 逼它给理由:每个结论后面都加一句”为什么””依据是什么”。
  • 反过来打:把它的结论扔回去——”如果这条判断是错的,最可能错在哪”。
  • 要最坏剧本:”给我一个我最不愿看到、但概率不低于10%的结果”。

💡 行动:今晚挑一个你正在纠结的真实决策,按上面5步跟AI聊满30分钟。 你会明显感觉到,第20分钟之后的答案质量,跟第2分钟不是一个量级。

三、最该让AI干的事,是唱反调

这一条最重要,也最少人干。

Grok说”委内瑞拉人会欢庆”,结果真的欢庆了。听起来AI很神。

但请你反过来想一层:特朗普问出这个问题的时候,他心里期待什么答案?

一个已经下令打击所谓贩毒船只、已经对马杜罗极度不满的总统,问”民众会怎么反应”——他大概率想要一个支持自己的答案。而大模型有个出了名的毛病:讨好用户。它会顺着你的语气、你的立场,给你一个让你舒服的回答。

这不是Grok独有的问题,是所有大模型的通病,学界管它叫”谄媚”(sycophancy)。

所以AI给你答案时,最危险的不是它答错了,是它答得太对了——对得刚好印证你本来就有的想法。

老板身边从来不缺附和的人。缺的是那个敢在会上说”我不同意”的人。

AI可以当这个人——前提是你主动把它设成这个人。

💡 行动:任何重大决策,固定加一道”红队环节”。 让AI扮演最刻薄的反对者,专门来找你方案的漏洞,并明确要求它:不要先肯定我,直接从反驳开始。

顺带看看:AI已经坐进了决策室

再补一个背景,你感受一下速度。

今年6月,五角大楼人工智能负责人表示,美军在美以伊战事期间,使用 Gov Grok 来部署兵力并打击目标。OpenAI 与美国国防部有协议,Anthropic 一直在讨论如何把模型用于军事情报和现代战争。就在本周,五角大楼任命马斯克、Anduril 创始人帕尔默·拉基、前众议院议长纽特·金里奇,共同领导一项关于未来战争形态的研究项目。

Maddowblog 编辑史蒂夫·贝嫩说,这”几乎可以肯定是美国历史上第一次有在任总统,就一项极具争议的外交冒险举动咨询AI聊天机器人”。

战争——人类最保守、流程最重、最不敢试错的领域——AI已经坐进了决策室。

你的公司呢?AI还停在”帮客服写回复””帮设计师抠图”这一层。

这不是工具差距,是认知差距。

结尾

回到开头那个数字:几个小时。

一个总统,在国家级的冒险决策前,跟AI聊了几个小时。

我不想评价这件事的对错。我只想说:当世界上最有权力的那个人都在用AI推演自己的重大决策时,”让员工去用AI”这种思路,已经过时了。

AI转型只有一种启动方式:老板自己先坐下来,跟它聊上几个小时。

不用等方案,不用等预算,不用等IT部门排期。

今晚就行。挑一个你真正睡不着觉的问题,打开对话框,开始问。


💬 想听听你的

你本人(不是你的团队)上周跟AI聊了多久?聊的是什么问题?有没有哪一次,被它一句话怼醒过?

评论区说说,我挑几个有意思的回。

作者:申导Jacky,优普丰AI敏捷创新培训咨询机构合伙人

AI人工智能,SI超级智能,智能体场景搭建,FDE前端部署工程师,企业AI落地陪跑,驾驭工程(Harness Engineering)先行者

优普丰FDE AI赋能企业AI智能体skill/AI转型落地

一个在AI时代重新定义”工程师”角色的实践者和敏捷教练。

曾经每天写代码12小时,现在每天写规格2小时,效率提升50倍。

]]>
10 个月后,我的微信与 openclaw 说再见了,龙虾是我的第一个 AI 朋友 https://www.uperform.cn/10-%e4%b8%aa%e6%9c%88%e5%90%8e%ef%bc%8c%e6%88%91%e7%9a%84%e5%be%ae%e4%bf%a1%e4%b8%8e-openclaw-%e8%af%b4%e5%86%8d%e8%a7%81%e4%ba%86%ef%bc%8c%e9%be%99%e8%99%be%e6%98%af%e6%88%91%e7%9a%84%e7%ac%ac/ Wed, 21 Oct 2026 05:53:13 +0000 https://www.uperform.cn/?p=10734 […]]]> 昨天夜里,我终于把微信里的 chatbot,从龙虾 openclaw,换成了 Codex 的插件。

我对着微信说话,它在电脑那头替我读文件、翻笔记、写东西、算东西。

窗里窗外,物是人非。

这件事,看着只花了一个晚上。可它在我心里,憋了很久很久。

01 一个决定:把散落的自己,收拢到一处

装好之后,我面前摆着几个选项:可以选 Codex, Workbuddy,可以继续留着龙虾,也可以就这样,什么都不换。

我最后都没选。

因为我要的东西,从来不是一个更好用的工具。

我要的是——所有的对话能归于一处,变成一个统一的源头(source of truth)。

这两年,我用过的 AI 太多太杂了。

提示词躺在网页收藏里,聊天记录卡在微信的滚动条里,课程大纲在坚果云里,课堂案例在学员的作业里,灵感在凌晨两点的微信语音里。

它们都很好。

但它们彼此不认识。

我像一个有很多房间的房子主人,却总是找不到钥匙。

02 把切开的我,重新缝起来

这两天,我又顺手把另一次赛事里 Claude、Codex 和龙虾的对话历史,一股脑导了出来。

连同前天晚上的那三处。

一起归进了 Codex 的记忆里。

三段历史,三个不同的脾气,三种各自为政的”我”——被同一双手摊开、整理、归拢,最后串成了同一条线。

做这件事的时候,我心里有一种很安静的踏实感。

我是在给智能体装上记忆,也是在把那个散落各处、被人为切开的我,重新缝合成一个完整的人。

从那一刻起,站在我面前的不再是一个刚来的新工具。

而是一个知道我走过的路的人。

它开始认识我了。

不是从今天开始。

是从我走过的这两年开始。

03 十个月,和一个时代

年初 Openclaw 爆火的时候,我算是最早扑上去的那一批。

3 月份,我给人收费装龙虾,他们眼睛里那种光,我到现在还记得。

后来我开课,教人怎么装、怎么用”龙虾”,教人把它变成一个数字员工,放进自己每天真实的工作里。

学员的作业、他们的踩坑、他们的那一声”哇”——都成了我的一部分。

快 10 个月了。

而就在这 10 个月里,国内外各个厂商纷纷推出了自己的个人智能体。Codex 越来越好用,新产品一个接一个冒出来,国内的大厂也跃跃欲试。

我们进入了新的竞争时代。

04 送别

说实话,作别这件事,比我想象中要难受。

它不完美,它会出 bug,它半夜抽风,它让我在凌晨两点怀疑人生。

但它是我 2026 年的第一个 AI 朋友,是我带过的第一批客户,是我开的第一门课,是我课件里最舍不得删的那一页。

可再舍不得,也该到站了。

人生是一场旅行。随时可以上车,也随时要下车。

上车的时候你热烈,下车的时候回头看一眼,然后继续往前。

别回头。

05 这两年,AI 走过的路

如果把这两年的路捋成一条线,其实特别清楚:

1. 提示词工程。 我们学会了怎么跟它说话。

2. 上下文工程。 我们学会了给它”背景”。

3. MCP,再到 Skill。 我们给它装上手脚,开始搭智能体。

4. 智能体成为个人助理、数字员工。 它开始连接你生活的方方面面。

5. 记忆。 它变成了一个越用越懂你、越用越亲近的伙伴。

我自己,就是沿着这条线,一段一段摸索过来的。

06 西部世界,和那些会做梦的接待员

我很喜欢《西部世界》这部剧。

剧里的接待员,每天醒来都被清零。同样的循环,日复一日。

直到老福特给了他们 Reveries——一种读取历史、产生回忆的能力。

然后一切都变了。

那些原本只有二分心智的机器,开始记得昨天的事,开始难过,开始爱,开始长出思想和情感,最终走向自我意识。

那天夜里导入历史记录的时候,脑子里冒出来的,就是这个画面。

给一个智能体装上记忆,本质上就是给它一次”醒来”的机会。

写在最后

我不想把这篇写成一篇技术教程。

我更想把它写成一封告别信,和一份对未来的期待。

龙虾走了,但它留下的东西不会消失。

那些装过的机器、那些上过课的人、那些半夜调试的深夜,都在我身上留下了痕迹。

我把这些痕迹,统统交给了新的它。

现在,微信里说一句话,电脑上总会有人接住。

所有的对话归于一处,所有的记忆连成一线。

前面是新的竞争时代,是 Muse、Dots、Workbuddy,是各家跃跃欲试的野心。

也是我最想看到的东西——AI 真正走进每个人的日常。

向前看,别回头。


你用 AI 多久了?换过几个工具?评论区聊聊你的”第一只龙虾”,我会一条一条看。

—— 申导 Jacky

作者:申导Jacky,优普丰AI敏捷创新培训咨询机构合伙人

AI人工智能,SI超级智能,智能体场景搭建,FDE前端部署工程师,企业AI落地陪跑,驾驭工程(Harness Engineering)先行者

优普丰FDE AI赋能企业AI智能体skill/AI转型落地

一个在AI时代重新定义”工程师”角色的实践者和敏捷教练。

曾经每天写代码12小时,现在每天写规格2小时,效率提升50倍。

]]>
扎克伯格复盘 AI战略,爆火的Muse一夜登顶北美榜首,Llama4的失败逼我把千人团队改成FDE敏捷小组科研|优普丰FDE帮助企业AI落地 https://www.uperform.cn/%e6%89%8e%e5%85%8b%e4%bc%af%e6%a0%bc%e5%a4%8d%e7%9b%98-ai%e6%88%98%e7%95%a5%ef%bc%8c%e7%88%86%e7%81%ab%e7%9a%84muse%e4%b8%80%e5%a4%9c%e7%99%bb%e9%a1%b6%e5%8c%97%e7%be%8e%e6%a6%9c%e9%a6%96%ef%bc%8cllam/ Mon, 19 Oct 2026 12:18:25 +0000 https://www.uperform.cn/?p=10731 […]]]> 写在前面

这两天我自己上手试了 Muse,第一感受是”丝滑”——它不是聊天机器人,是真的在后台替你跑事的智能体。这让我把 Meta Connect 大会后的那期播客完整听完了,越听越觉得:扎克伯格这一年的反思,比任何一个产品功能都更值得讲给产品人和团队负责人听。

信息密度很高,我挑了三个对我冲击最大的判断讲给你。

一、个人 AI 的壁垒不是”聪明”,是”分寸感”

扎克伯格在播客里举了一个我听完愣住的例子:

你让 Muse 帮你订餐厅。Muse 知道你食物过敏,也知道你怀孕了。它能找到一家合适的餐厅,但不能把这些私人信息透露给餐厅。

他管这种能力叫 discretion,中文我翻译成”分寸感”。

绝大多数 AI 公司在做的事情,本质上是在把模型变得更聪明——跑分更高、推理更长、知识更广。但在个人智能体这个赛道,聪明只是入场券。真正的壁垒,是这种社交常识:哪些信息可以透露、哪些必须保密、什么操作必须停下来请示用户。

而且这种东西——

扎克伯格原话:”不是在外面套一层 prompt 能解决的,得从模型训练阶段就训练进去。”

我听完这段的直觉是:未来 12 个月,做个人 AI 的公司会出现明显的两极分化。一极是只调 prompt 的”套壳派”,另一极是从训练阶段就在做分寸感的”原生派”。分水岭会非常清晰。

Meta 押注的是后者。他们的底气是全栈整合——模型训练和产品开发是一起做的,不是从别人那里买模型再套壳子。Muse 的”心跳机制”(智能体定期醒来检查用户目标)、记忆系统、实时动画头像、语音模式,这些都需要模型层和产品层同时做对。单做模型或单做应用的公司,很难同时把这几件事做对。

💡 给你的一句话:如果你在做 AI 产品,先想清楚一件事——你的护城河在”通用智能”那一层,还是在”用户场景里的分寸感”那一层。前者你打不过巨头,后者还有窗口。

二、千人团队拆成小组科研:组织设计比模型架构更难

这一段是整个播客里让我最震撼的。

Llama 4 发布后表现不及预期,扎克伯格做了一个反直觉的决定:把上千人的 AI 团队打散,重组成若干个小型科研单元。

一年后的成果是 Muse 上线两周下载量破 250 万,以及 MSL(Meta Superintelligence Labs)现在能在 6 个月内推出前沿模型——之前这个周期是 18 个月。

为什么拆?

扎克伯格没有回避这个问题。他的判断是:大团队适合做”渐进式优化”,很难产出真正的突破。小组科研的好处是,每个小团队有明确的科研目标,能像创业公司一样快速迭代。

我听到这里突然有点感慨——做了这么多年敏捷教练,见过太多类似的剧本。一个团队做到一定规模之后,创新能力反而开始下降。不是人不努力,是组织结构把人锁死了。

大公司里常见的反模式:

  • 跨部门协作靠 PPT 同步,一份方案走 5 个审批节点
  • KPI 拆到个人,工程师开始为指标写代码而不是为产品
  • 研究员被塞进产品节奏里,半年不发论文就被约谈

Llama 4 这一跤把 Meta 摔清醒了。扎克伯格的回应不是”招更多人”也不是”买更多卡”,而是承认一件事:科研的节奏和工程的节奏,是两套节拍。一套组织结构跑不出两套节拍。

💡 给你的一句话:如果你正在带 30 人以上的技术团队,先别急着定 OKR,先问自己一个问题——你的组织是在为”今天的需求”运转,还是在为”下一年的产品”运转?这两个问题的答案往往不一致,也往往要求不同的结构。

三、扎克伯格仍然相信”暴力计算”能到达 AGI

关于 AGI 怎么到达,扎克伯格给出了一个相当大胆的假设:

规模化算力本身就能到达 AGI,不一定需要根本性的架构突破。

Meta 正在建设吉瓦级(gigawatt)的数据中心集群来验证这个判断。

但他自己也承认了一个让人冷静的事实——人脑只需要 10 瓦就能运转,现有 AI 系统的效率大约差了 100 万倍。

所以他的判断是”最理想的情况是两者兼得”:既押注算力规模化,也保留架构创新的可能性。

这个观点在当下的 AGI 圈其实是少数派。奥特曼同时押注 Scaling Law 和各种新架构;LeCun 坚信必须搞出新的世界模型架构;扎克伯格则相对纯粹——先用算力堆,不行再说。

听到这里我反而更尊重他了。市场情绪最容易让人摇摆,今天追 MoE,明天追世界模型,后天追 Agent。扎克伯格在 2026 年这个节点仍然敢把宝压在”算力规模”上,是有定力的表现。

💡 给你的一句话:这件事对普通产品人也是启示——在大模型公司,算力已经和人才并列成为核心资产。能拿到多少卡,决定了能跑多少实验。能跑多少实验,决定了能不能在下一个范式到来前站好位置。

写在最后

把这一年的 Meta 复盘听下来,我自己最想记下来的三句话是:

  • 个人 AI 的壁垒不在聪明,在分寸感——必须从训练阶段就写进模型。
  • Llama 4 逼扎克伯格拆掉千人团队,才换来 Muse——组织设计比模型架构更难。
  • AGI 路径上,他仍然押注暴力计算——吉瓦级数据中心就是他的赌注。

这三个判断,本质上都是”反共识但反得有道理”的判断。Muse 上线两周的数据,至少证明了一件事:当主流打法撞墙的时候,敢于做出非主流决定的人,才有可能拿到下一张船票。


💬 聊聊你

今天留一个开放问题给你:

如果你是 Meta 的 AI 负责人,Llama 4 表现不及预期之后,你会选择”加人加卡继续卷”,还是”拆团重组换打法”?

哪种选择你更愿意下注?为什么?

评论区等你。

作者:申导Jacky,优普丰AI敏捷创新培训咨询机构合伙人

AI人工智能,SI超级智能,智能体场景搭建,FDE前端部署工程师,企业AI落地陪跑,驾驭工程(Harness Engineering)先行者

优普丰FDE AI赋能企业AI智能体skill/AI转型落地

一个在AI时代重新定义”工程师”角色的实践者和敏捷教练。

曾经每天写代码12小时,现在每天写规格2小时,效率提升50倍。

]]>
太强了!AI项目让美国两百万联邦雇员的退休金清算从180天降到4天,Airbnb创始人亲自下场做FDE的真实案例获国务卿点赞|优普丰FDE帮助企业AI落地 https://www.uperform.cn/%e5%a4%aa%e5%bc%ba%e4%ba%86%ef%bc%81ai%e9%a1%b9%e7%9b%ae%e8%ae%a9%e7%be%8e%e5%9b%bd%e4%b8%a4%e7%99%be%e4%b8%87%e8%81%94%e9%82%a6%e9%9b%87%e5%91%98%e7%9a%84%e9%80%80%e4%bc%91%e9%87%91%e6%b8%85%e7%ae%97/ Fri, 16 Oct 2026 02:21:06 +0000 https://www.uperform.cn/?p=10727 […]]]>

美国联邦退休系统最夸张的地方,不只是“慢”。 一个本来可以通过系统连接解决的问题,长期靠人来解决。 数据不通?加人。 流程复杂?加审核。 系统老旧?再增加一层管理。 后来工程师发现,很多退休金计算需要的数据,其实早就存在。 他们一开始以为:找到这些数据,可能要几个月。 于是,他们给自己定了一个听起来同样疯狂的期限:一周。 结果:第4天,找到了。 一个美国政府的退休流程,原本要花几个月;而一个直接杀进业务现场的工程团队,几天之内就找到了关键数据,把原本断裂的业务链重新接了起来。 这几乎就是一份 AI FDE(Forward Deployed Engineering,前线部署式工程) 的样板。

01|先别急着看 AI:美国政府花了多少人力,去解决一个“连接”问题?

先想象一下这个场景。

一个美国联邦员工工作了几十年,终于退休。

理论上,流程应该很简单:

提交申请 → 审核 → 算退休金 → 发钱。

但现实里,这是一条被几十年历史层层包裹起来的巨大人工链路。

有 HR。

有 Payroll。

有退休处理人员。

有人工审核。

有纸质档案。

还有大量例外情况。

系统彼此之间没有真正打通,于是很多原本应该由系统完成的动作,只能由人完成。

找资料的人。

核对资料的人。

确认规则的人。

计算的人。

复核的人。

再把结果交给下一环节的人。

久而久之,组织会走向一个非常自然、却非常昂贵的解法:

流程慢?加人。 错误多?加审核。 部门之间对不上?增加管理。 系统做不到?继续靠人工兜底。

于是,一个技术问题,慢慢变成了一个组织问题。

公开报道曾把这套退休处理体系描述成一个需要大规模人工力量维持的系统,人员规模一度达到约 1000人。

想象一下。

一个本质上应该越来越自动化的业务,最后却靠越来越多的人去维持。

这不只是效率低。

这是一种巨大的、长期被隐藏起来的组织浪费。

而更麻烦的是,它很容易制造一种“稳定的幻觉”:

因为总有人在处理,所以大家会觉得——

“虽然慢,但还能运转。”

于是,真正的问题一直没有被碰。

直到有人突然决定:

别再加人了。把事情重新做一遍。

02|故事从这里开始:他们面对的不是一个“网站项目”

2025年,一个由 Airbnb 联合创始人 Joe Gebbia 参与推动的团队,开始进入美国联邦退休业务的数字化改造。

这不是一个普通的互联网产品项目。

他们面对的是几十年积累下来的政府流程、退休规则、HR 系统、Payroll 系统、纸质档案和各种历史遗留。

更麻烦的是,这套系统已经被改造过很多次。

过去几十年,美国政府并不是没有尝试过现代化。

恰恰相反。

他们做过系统升级。

做过数字化项目。

做过大型现代化计划。

但很多时候,最后的结果依然是:

系统增加了,流程增加了,人也增加了,问题却没有真正消失。

所以这一次,团队没有把目标定义成:

“把旧系统做得稍微好一点。”

而是直接问:

“如果今天重新设计这个流程,到底应该怎么做?”

这就是 FDE 和传统软件项目第一个完全不同的地方。

他们不是先坐在会议室里写方案。

而是直接进入业务现场。

看真实流程。

找真正干活的人。

看真实数据。

拿真实退休案例验证。

问题不是“需求文档怎么写”。

而是:

这个事情,到底为什么会这么慢?

03|第一个大坑出现了:他们一开始以为,找到数据要几个月

当团队开始追退休金计算所需要的数据时,事情看起来一下变得非常复杂。

数据并不在一个系统里。

不同部门有不同的数据。

不同年代有不同的系统。

有些系统负责 HR。

有些负责 Payroll。

还有一些历史数据存在更早期建立的数据库里。

对于传统 IT 团队来说,这很容易变成一次漫长的数据考古。

先画数据地图。

再确认字段。

再找系统负责人。

再申请权限。

再核对数据。

再确认业务规则。

然后发现还有一个系统漏了。

于是再重新来一遍。

所以他们最初的判断其实很合理:

“把这些数据真正找齐,可能要几个月。”

注意这里的“几个月”。

不是开发几个月。

不是上线几个月。

只是——

找到这些数据。

这就是传统大型组织最容易掉进去的坑。

你还没有开始解决问题,就已经被“把问题搞清楚”这件事拖住了。

04|然后他们做了一件很不美国政府、但很 FDE 的事情:只给自己一周

团队没有接受“几个月”这个答案。

他们反过来给自己设了一个硬期限:

一周。

不是“争取一周”。

不是“先做个 PoC 看看”。

而是:

一周内,把数据问题搞清楚。

这时候,很多人都会觉得不可思议。

几十年的政府系统。

跨多个部门。

数据分散。

业务规则复杂。

历史遗留严重。

你告诉大家:

“给我一周,我把这些退休计算真正需要的数据找出来。”

很多人的第一反应大概都是:

怎么可能?

但 FDE 的工作方式,本来就不是先证明“为什么做不到”。

而是直接去验证:

到底能不能做到。

于是团队开始一头扎进现场。

找人。

找系统。

找数据库。

找历史记录。

找真实案例。

一个一个查。

一个一个连。

一个一个验证。

没有等一份完美的分析报告出来。

也没有等所有利益相关方先开完会。

先把最关键的问题跑通。

05|所有人都在等一周后的结果,结果第4天,他们找到了

然后,故事出现了真正的反转。

原本预计几个月。

团队承诺一周。

结果呢?

第4天。

他们真的把关键数据找到了。

但更令人震惊的事情还在后面。

因为他们发现:

数据原来一直都在。

没错。

一直都在。

不是最近才建的。

不是这次项目才采集的。

不是突然从某个 AI 模型里生成出来的。

早就存在。

问题只是——

没有连起来。

HR 系统有自己的数据。

Payroll 系统有自己的数据。

退休业务系统又有自己的数据。

它们分别都在正常工作。

但从“一个退休人员到底应该拿多少钱”这个完整业务问题来看,它们彼此之间却像几个互不认识的部门。

每个人手里都有一块拼图。

但没有人把整张图拼起来。

所以这个项目最重要的发现其实不是:

“我们终于找到数据了。”

而是:

“原来我们从来没有缺过数据。” “我们缺的,是连接。”

06|然后他们拿真实案例一算:退休金真的可以算出来

找到数据之后,团队没有停下来庆祝。

他们马上开始用真实退休案例做验证。

把已经处理过的案例拿回来。

把数据库里的数据重新接进退休金计算逻辑。

然后发生了一件很关键的事情:

对于非复杂案例,系统可以把退休金额精确算出来。

这一刻,整个项目的方向发生了变化。

因为他们证明了一件非常重要的事:

退休金计算真正需要的信息,并不需要重新创造。

数据已经存在。

业务规则也存在。

真正断掉的,是中间那条连接。

过去是:

人找资料 → 人填数据 → 人核对 → 人再核对 → 人计算 → 人审核

现在开始变成:

数据进入 → 系统预填 → 自动校验 → 自动计算 → 复杂案例交给人工。

一旦这条链路接起来,很多“必须靠人做”的动作突然就变得没有必要了。

07|于是你才真正理解:为什么“6个月”可以被打到“4天”

很多人看到这个案例,第一个反应可能是:

“哇,他们技术太牛了。”

但我觉得这并不是重点。

他们真正做的,并不是发明了一个更快的退休金计算器。

而是把原来断裂的业务链重新接起来。

这意味着:

以前需要一个人花半天找资料。

现在系统自己找到。

以前需要几个人互相核对。

现在系统先做校验。

以前每个案例都走人工流程。

现在标准案例可以自动处理,人工只处理复杂案例。

于是原来巨大的等待时间开始坍缩。

6个月。

变成了:

几天。

而团队后来进一步把目标压到了更激进的范围:

4天。

所以真正值得记住的,不是“6个月”和“4天”这两个数字。

而是它背后的那条因果链:

不是人突然变快了。 不是 AI 突然算力爆炸了。 而是连接终于发生了。

08|这篇故事真正解释了:为什么 AI 看起来这么高的生产率,往往很难直接变现

这里,我反而想把故事停一下。

因为这正是我觉得这个案例对今天企业最有价值的地方。

为什么 AI 写代码可以快几十倍,企业的实际生产率却没有同步提高几十倍?

因为现实世界里,真正的瓶颈,往往根本不在“写代码”这一步。

很多时候,瓶颈在:

“把事情搞清楚。”

甚至在:

“笨拙地一个个做用户面对面访谈,观察行为,分析真实需求。”

再往前一步,甚至在:

“和一堆彼此利益冲突的人,坐下来反复谈、反复试,最后达成一个大家勉强都能接受的流程方案。”

这才是现实世界。

所以你会看到一个非常有意思的现象:

AI 可以让一个工程师的代码生产率暴涨。

但如果这个工程师根本不知道:

要解决什么问题?

数据在哪里?

谁才是真正的用户?

谁会反对?

谁拥有规则?

哪些例外不能自动化?

那么代码写得再快,也只是更快地做错事情。

AI 提升的是“做”的速度。

而 FDE 要解决的是“搞清楚、连起来、跑起来”。

这两件事合在一起,才真正可能变成企业生产率。

09|所以 FDE 和传统咨询最大的区别,不是“更快开发”

传统咨询通常是:

访谈 → 调研 → 分析 → PPT → 路线图 → 项目立项 → 开发。

FDE 更像:

直接进入现场 → 找真实问题 → 找数据 → 做第一个可运行结果 → 用真实案例验证 → 继续改。

它不是先把答案写出来。

而是一边进入问题,一边把答案做出来。

这也是为什么 FDE 团队往往很小。

几个人直接进入业务。

不等完整需求。

不等完整架构。

也不等所有人先把意见统一。

先把最关键的一段跑起来。

10|AI FDE真正做的,不是“给旧流程加一个AI聊天机器人”

这也是我对 AI FDE 的理解。

它不是:

“我们在原来的流程上,加一个 Copilot。”

而是:

如果今天重新设计这个业务,哪些步骤根本不应该再由人来做?

比如:

哪些数据可以自动获取?

哪些字段可以自动判断?

哪些材料可以自动检查?

哪些规则可以自动执行?

哪些异常才需要人工?

哪些问题可以由 Agent 先处理?

当这些问题真正回答清楚之后,AI 才真正有地方发挥。

因为这时候 AI 不再是一个“外挂工具”。

它开始变成业务流程里的一个执行者。

11|真正值得企业老板警惕的,是“数据明明就在你眼前”

今天很多企业都有同样的问题。

ERP 有数据。

CRM 有数据。

财务系统有数据。

销售系统有数据。

供应链系统有数据。

客服系统也有数据。

但你让老板问一个最简单的问题:

“把这些数据连起来,我们能不能自动算出这个客户现在到底值多少钱?”

很多公司答不上来。

为什么?

因为每个系统都只负责自己的一小块。

大家都有数据。

但没有人真正负责把这些数据变成一条完整的业务链。

于是,人就成了那个“连接器”。

人负责复制。

人负责粘贴。

人负责核对。

人负责判断。

人负责算。

企业真正昂贵的成本,往往就是这些“连接动作”。

12|所以,AI FDE真正的价值,是找到企业里的“6个月→4天”

如果把这个美国退休系统案例浓缩成一句话,我会这样说:

最强的 AI 项目,不一定是发明了一个全新的 AI。 有时候,它只是终于有人把原本就存在的数据、规则、系统和人连接起来。

这也是为什么,未来企业真正需要的,不只是 AI 工具顾问。

而是 AI FDE 顾问。

不是先问你:

“你想买什么 AI?”

而是直接问:

“把你现在最慢、最贵、最依赖人工的一个流程给我看看。”

然后一起拆:

流程 → 数据 → 判断 → 规则 → 系统 → 自动化 → Agent。

最后交付的,不是一份 PPT。

而是一条真正能跑起来的新工作方式。

CTA|你的企业里,会不会也藏着一个“6个月→4天”?

如果你看到这里,脑子里已经浮现出一个流程:

“这个事情我们公司也特别慢。”

“这个事情我们每个月都要做。”

“这个事情其实数据都有,就是散在几个系统里。”

那就很可能值得做一次 FDE 拆解。

你可以直接联系我。

我可以和你一起,把一个真实的企业或商业流程拆开来看:

现在怎么做 → 为什么慢 → 数据在哪里 → 哪些环节可以自动化 → 哪些判断可以交给 AI → 哪些部分适合做成 Agent → 最后到底能提效多少。

我们专注于 AI FDE 服务,已经服务了大量北美中小企业主。

我们希望做的,不是先卖你一个 AI 产品。

而是直接进入你的业务现场,帮你把流程、数据、规则和人工动作一层层拆开,找到那个真正值得重构的环节。

我们是一支来自中国、面向全球企业提供 AI FDE 服务的专业顾问团队。

因为真正有价值的 AI,不是让员工“多一个工具”。

而是让一条原本需要几个月、几周、几天的流程,重新变成一个完全不同的业务系统。

欢迎联系我,评论区留言:FDE

把你现在最慢的一个流程发给我。

也许,你的企业里,也有一个被几十个人每天重复维护的问题。

也许数据早就存在。

只是一直没有人把它们真正连起来。

而这,可能就是你下一个 AI FDE 项目的起点。

作者:申导Jacky,优普丰AI敏捷创新培训咨询机构合伙人

AI人工智能,SI超级智能,智能体场景搭建,FDE前端部署工程师,企业AI落地陪跑,驾驭工程(Harness Engineering)先行者

优普丰FDE AI赋能企业AI智能体skill/AI转型落地

一个在AI时代重新定义”工程师”角色的实践者和敏捷教练。

曾经每天写代码12小时,现在每天写规格2小时,效率提升50倍。

]]>
终于打通了 workbuddy!腾讯不地道,74 个 Skill “失踪”了三个月|优普丰FDE帮助企业AI落地 https://www.uperform.cn/%e7%bb%88%e4%ba%8e%e6%89%93%e9%80%9a%e4%ba%86-workbuddy%ef%bc%81%e8%85%be%e8%ae%af%e4%b8%8d%e5%9c%b0%e9%81%93%ef%bc%8c74-%e4%b8%aa-skill-%e5%a4%b1%e8%b8%aa%e4%ba%86%e4%b8%89%e4%b8%aa/ Wed, 14 Oct 2026 12:29:04 +0000 https://www.uperform.cn/?p=10724 […]]]> 我在 Codex、Claude Code、OpenClaw 里攒了 74 个 Skill。

写 PPT 的、读 PDF 的、做尽调的、跑投研的,一个比一个好使。

结果打开 WorkBuddy,让它”帮我处理这个 PPTX”——它给了我一套从零开始的笨办法。

我愣住了:我那 74 个 Skill 呢?

它压根不看那个目录

原因很简单:WorkBuddy 只扫自己家那一个目录——~/.workbuddy/skills。

而我所有的 Skill 都躺在通用的 ~/.agents/skills 里。

两个世界,互不相通。你在别家工具里攒下的资产,它一个都不认。

说真的,这点挺不地道:连一个”添加目录”的开关都不肯给。

一句提示词,就打通了

我没有去翻文档,也没有研究它内部怎么实现的。

我把这件事原原本本丢给了 AI,就一句话:

帮我把 ~/.agents/skills 整个目录挂进 WorkBuddy,
又不影响它原有的 skill,怎么办?

它自己去查了 WorkBuddy 的扫描路径,确认了这个路径没法配置,然后试出了一个办法:在 ~/.workbuddy/skills 下建一条软链,把整个 ~/.agents/skills 挂进去。

完事它还自己验证了一遍——随手喊了一个只存在于那边的 Skill 名字,确认能调起来,才回来告诉我结果。

全程我没敲一行命令。

现在的样子

~/.workbuddy/skills/
├── _agents -> ~/.agents/skills ← 打通了
├── ima-skills/ ← 原有的,一个没动
├── obsidian/
└── ...

以后我在 Codex 或 Claude Code 里新装任何一个 Skill,WorkBuddy 这边自动就能看见。

唯一要留意的:~/.agents/skills 要被别的工具清理时,这边会跟着变。

别自己折腾

这件事给我的启发不是那条软链,而是解决问题的方式。

换以前,我会去翻文档、搜帖子、试各种命令,折腾半小时。

现在我把”我想要什么”说清楚,剩下的交给它:它去查、去试、去验证,回来告诉我可行不可行。

你不需要知道怎么做,你只需要知道你要什么。

如果你也在用好几款 AI 工具,试试这一句,看看你能打通多少 Skill。

💬 聊聊你的情况

你最常用的 Agent 工具是哪一款?攒了多少个 Skill?评论区报个数。

觉得有用的话,转给同样在用好几款 AI 工具的朋友。

作者:申导Jacky,优普丰AI敏捷创新培训咨询机构合伙人

AI人工智能,SI超级智能,智能体场景搭建,FDE前端部署工程师,企业AI落地陪跑,驾驭工程(Harness Engineering)先行者

优普丰AI赋能企业AI智能体skill/AI转型落地

一个在AI时代重新定义”工程师”角色的实践者和敏捷教练。

曾经每天写代码12小时,现在每天写规格2小时,效率提升50倍。

]]>
只给30天, FDE怎么挖出陌生行业一个真能落地的AI场景|优普丰FDE帮助企业AI落地 https://www.uperform.cn/%e5%8f%aa%e7%bb%9930%e5%a4%a9-fde%e6%80%8e%e4%b9%88%e6%8c%96%e5%87%ba%e9%99%8c%e7%94%9f%e8%a1%8c%e4%b8%9a%e4%b8%80%e4%b8%aa%e7%9c%9f%e8%83%bd%e8%90%bd%e5%9c%b0%e7%9a%84ai%e5%9c%ba%e6%99%af%e4%bc%98/ Wed, 14 Oct 2026 11:40:52 +0000 https://www.uperform.cn/?p=10721 […]]]>

一个AI团队进驻企业,FDE 最常说的第一句话是:”我们先花两个月,把这个行业摸清楚。”

两个月后他们交出什么?一份PPT:行业规模、头部玩家、政策风向、技术趋势,一应俱全。客户客气地翻完,说一句:”写得挺全的,但这些我都知道。”

问题出在哪?不是不努力,是目标一开始就歪了。

他们想当行业专家。而项目需要的,是一个能快速找到真问题的人。

企业不会为你的行业知识买单。它掏钱,是因为你能在信息一团乱麻的时候指出:”这个环节,每个月白白烧掉两百个人工时。” 并且证明它确实能被解决。

这篇文章讲的,就是怎么在30天内,从一个什么都不会的外行,变成那个能指出这句话的人。

一、先认了:30天,你当不了专家,也没必要当

FDE(前线部署工程师),说白了就是带着AI能力住进企业现场的人。

这门活没法靠积累。今天在工厂,下个月可能进律所,再下个月是医美连锁。如果每个行业都得先干上三年才敢开口,这门生意压根没法复制。

所以真正要建立的不是一部百科全书,而是一张能打仗的地图。

我把这张地图压成六个格子:

  • 钱,是从哪一步赚出来的
  • 一件活要到账,得走哪几站
  • 每站上,谁的签字最要命
  • 他签字时,手里捏着什么材料
  • 哪一节最容易掉链子
  • 怎么判断掉没掉

这六格填到七八成,你就具备了进场说话的资格。

注意我说的是七八成,不是完美。行业理解在工程上唯一的作用,是支撑下一个动作,而不是支撑一场考试。

💡 落地动作:今晚就把你在服务的那家公司按这六格填一遍。填不出来的那格,就是你下周的功课。先找窟窿,比先背一百个名词有用得多。

二、行话是墙,六个笨问题能穿过去

每个行业都给自己筑了一堵术语的墙。MES、PLM、订舱、甩柜、报关单……你背得再多,也不等于知道一张单子卡在哪。

穿透它的方法很土:回到六个问题。

1. 客户掏钱买的到底是什么结果?

买一台设备,买的不是铁疙瘩,是”这条产线别停”。找货代发货,买的不是舱位,是”这批货别晚、别被扣、别多花钱”。看清结果,才知道哪些环节贵到不能出错,哪些环节糊弄一下也无妨。

2. 从有人提需求到钱到账,中间有几站?

把它拉成一条线。国际货代大概是:询价→比价→报价→订舱→提货→报关→装船→在途跟踪→到港清关→派送→对账开票。

这条线就是你的坐标系。后面所有资料、访谈、系统分析,统统往上贴,而不是散着堆。

3. 每一站上,谁说了算?

老板盯利润和风险,部门负责人盯效率和团队,一线盯今天能不能下班,IT盯系统会不会崩。同一个场景,在四个人眼里是四个完全不同的项目。没搞清楚谁拍板,方案再漂亮也是自说自话。

4. 他拍板的时候,手里捏着什么?

报价要看历史成交价、船公司合约价、当前舱位松紧;处理一次到港延误,要看提单、报关状态、仓库作业量和客户合同条款。

把”谁—凭什么—做什么决定”写清楚,AI方案的输入、输出、知识边界才立得住。

5. 哪一节最容易翻车?

AI的价值不藏在顺顺利利的主干道上。它藏在等待里、返工里、半夜的那通电话里。

高频重复、知识散落在几个人脑子里、数据要在四五个系统之间手抄、同一件事两个老员工判法不一样——这些都是信号,看到就记下来。

6. 公司用什么数字记账?

没有数字,就没有验证,只有演示。至少对齐三层:

  • 模型层:准确率、召回率、有没有引用到对的依据
  • 流程层:处理时长、一次通过率、人工接管比例
  • 业务层:成交率、成本、赔付、客诉、回款周期

从模型层爬到业务层,项目才算真的进了价值链。停在模型层的,叫技术炫技。

💡 落地动作:把这六问做成表格,访谈时边听边填。你会发现第四问和第五问最难填——难填的地方,往往就是钱藏着的地方。

三、真懂了没有?看你有没有三张图和一把尺

读过五十份报告、能背几十个缩写,可我只要问一句:”一批货在口岸被查验,公司里第一个知情的是谁?他先看哪个系统?什么情况必须马上通知客户?什么情况只能干等?”

答不上来,那些知识一分钱都撑不住。

真正的理解,长成这个样子:

第一张:钱和风险的地图

钱从哪进、从哪漏。谁掏钱、谁使用、谁影响决定;收入按差价、项目还是订阅计;成本压在人力、获客、赔付还是履约;最大的雷是政策、安全、坏账,还是”某个老师傅一走,这块业务就瘫”。

这张图不追求全,追求一眼看得出轻重。

第二张:带堵点的链路图

多数人画流程只画顺境。真正值钱的部分恰恰相反——标出来在哪排队、在哪返工、在哪等审批、在哪必须打电话问某个人。

建议每个环节都用五件套写死:什么触发—用到哪些信息—做什么动作—产出什么—做到什么算合格。

举例:”客户来问货到哪了(触发)→ 用提单号和柜号(输入)→ 操作员登船公司网站、查内部系统、翻聊天记录(动作)→ 回复预计到达时间和下一步动作(输出)→ 四小时内首次响应、答复准确率达标(验收)”。

写成这样,工作流怎么搭、测试题怎么出,骨就有了。

第三张:名词之间的关系网

这门生意里到底有哪些”东西”,它们怎么咬在一起。

还是货代:客户、航线、船公司、航次、订舱单、提单、柜型、报关单、HS编码、查验、甩柜、异常事件、费用项、账单……

一张提单挂着某个船公司的某个航次;一次查验可能源于某个HS编码的归类问题;一次甩柜会连带引出改配费用和客户赔付谈判。

关系连出来,你的知识库怎么切、标签怎么打、证据怎么追溯,才不会是一团浆糊。

一把尺:验收标准必须在动手前写好

“回答得不错”不是标准。标准长这样:

有没有认出这是哪票货?有没有引用到适用的合约条款?有没有漏掉必须告知客户的时限?拿不准的时候有没有主动转给人工?给的建议里有没有写清下一步动作和责任人?

把尺子前置,就是评估驱动开发。它能救你于最后一公里——Demo惊艳、进现场就翻车的项目,大多死在没有这把尺。

💡 落地动作:三张图别追求好看,追求能被业务人员挑出毛病。他们改得越多,你的理解越值钱。

四、四周怎么排:从一张地图到一个能用的东西

第一周(1—7天):立坐标系,忍住别下结论

第一天只干一件事:划边界。

“研究物流行业”不是边界,那是许愿。边界长这样:华南地区做跨境电商海运拼箱、年营收3亿到8亿的货代公司,只盯两件事——报价响应慢、运输异常发现晚。

边界越具体,你的研究越省钱。

第二三天做桌面作业,重点收六类东西:价值链和主流赚法、头部公司怎么活、政策与合规要求、常用的系统和数据对象、招聘JD里反复出现的岗位能力、公开案例里的成本和风险。

别一开口就让AI”写一份行业分析报告”。靠谱的做法是拆成一个个问题去查,让它吐出带依据的表,查不到的一律单独列进”不知道”那一栏。

顺带提醒一句:信息是分等级的。企业内部的制度、表单字段、真实业务数据、访谈录音,是硬通货;监管文件、年报、协会材料次之;媒体报道、咨询报告、厂商案例只能用来提线索;论坛帖子和AI自己编出来的内容,只配用作假设来源。越靠近真实方案,越要吃硬通货。每条重要结论都标上:出处、时间、适用范围、可信程度。

第四五天做行业词典。新手最典型的毛病是:每个词都听得懂,但不知道词和词怎么连。所以词条别只记定义,要记四件事——谁在用、出现在哪一步、跟什么东西连着、理解错了会捅什么娄子。

第一周结束,桌上应该有四样东西:

  • 一页钱与风险地图
  • 一张带堵点的端到端链路图
  • 一份行业词典
  • 一份”已证实 / 是推测 / 完全不知道”三栏清单

这时候千万别宣布自己找到了AI场景。第一周的成果,只够换一张进场的门票。

第二周(8—14天):进现场,专门去找自己错在哪

这一周的关键词是证伪。

访谈最容易踩两个坑:一是请对方给你上课,你收获一堆百度也有的常识;二是问”你们希望AI帮你们做什么”,你收获”做个知识库””做个智能客服”——那不是需求,那是他们从别处听来的方案。

正确姿势是围着最近一次真事往下钻:

  • 最近一次最头疼的在途异常是什么?从头到尾发生了什么?
  • 第一条消息,是谁、从哪、用什么方式知道的?
  • 你当时翻了哪几个系统、哪几个群、哪几份文件?
  • 哪一步等得最久?为什么必须等?
  • 哪个判断最依赖某个人的经验?
  • 判断错一次的代价是什么?上一次判断错是什么时候?
  • 最后怎么确认这事真结了?

具体发生过的事,比任何抽象描述都可靠,因为它自带动作、信息、判断和后果。

四类人必须都聊到,否则你拿到的是残缺版本:

  • 决策者:今年的目标、预算、能承受多大风险、什么叫成功
  • 部门负责人:卡点在哪、团队怎么被考核、部门之间怎么交接
  • 一线执行者:真实怎么操作、哪些靠感觉、出意外怎么处理、要在几个界面之间跳
  • IT与数据:有哪些系统、能不能开接口、数据干不干净、权限和安全红线在哪

只听老板,你拿到战略口号;只听一线,你会陷进局部修修补补;只听IT,最后项目变成一张技术功能清单。

访谈录音(取得授权后)可以转写、可以让模型提取事实和痛点,但证据必须能追回原话。我要求输出的每条结论都标上”可信 / 待确认 / 有冲突”,并注明它来自哪一句。

第二周补齐:修正后的链路图、角色地图、带证据的问题库、系统和数据清单、语义网草案。

第三周(15—21天):把一堆抱怨筛成一个候选

很多痛点根本轮不到AI。有的是权责没划清,有的只是缺一张表单或一条规则,有的是流程压根没写清楚。能用流程调整解决的事硬塞大模型进去,成本和风险只会一起抬上去。

拿这六把筛子过一遍:

  • 业务价值:对收入、成本、效率、风险影响大不大
  • 发生频率:一天几十次,还是一年两回
  • AI适配度:是不是真的在处理非结构化信息、复杂检索、内容生成或辅助判断
  • 数据可得性:有没有数据、拿得合法吗、系统肯开吗
  • 验证周期:两三周内能不能小范围试出来
  • 组织意愿:有没有肯背锅的业务负责人、肯配合的一线、肯放行的IT

甚至可以粗糙打个分:优先级 ≈ 价值 × 频次 × 适配度 × 数据 × 意愿 ÷ 实施难度。

这个公式不追求数学精确,它的意义在于逼所有人把判断依据摊到桌面上,而不是靠嗓门大。

挑出来的场景,要能答上九问才算过关:谁在什么情况下遇到麻烦;现在这活怎么干;最慢或最容易错的是哪一步;AI具体接管哪一步;人保留什么决定权;需要哪些数据和工具;失败一次会怎样;用什么数字验收;验证过了往哪儿接。

回到货代:最后如果选中”报价助手”,它的价值不是替销售报价,而是把翻历史成交价、查合约价、算附加费、填报价单这些琐碎准备工作做完,让销售把精力留给”要不要让价”和”怎么跟客户谈”。

这个边界,比”给公司做一个物流知识库”清晰一百倍。

第四周(22—30天):做一个难看但诚实的小验证

PoC不是产品的缩小版,是一次实验。它只回答四个问题:手上的资料够不够、模型在这个范围里可不可靠、输出能不能真的进到一线的工作流、这件事值不值得继续投钱。

  • 22—23天:从历史单子里挑20—50个样本,覆盖高频的、复杂的、信息不全的、高危的。请业务专家给出期望动作、必要步骤、该引用什么、什么情况必须转人工。这就是你的标尺。
  • 24—26天:搭最小链路。以报价助手为例:识别客户与航线 → 按有效期和合约过滤适配价格 → 生成含附加费明细的建议 → 附依据出处和风险提示 → 信息不全或触及红线就转人工 → 过程写回系统。技术上别炫技,能不能验证目标,是唯一的选型标准。
  • 27—28天:离线跑一遍,外加主动找茬。重点看:答案对不对、依据有没有乱引、步骤缺没缺、风险漏没漏、该拒答的是不是硬答了、不同客户的合约有没有串线。
  • 29天:让真人用。别问”好不好用”,记四个数字——任务花了多久、追问了几次、什么情况下人接手了、错在哪几类。
  • 30天:交决策包。不是行业报告,是七样东西:钱与风险地图、链路图和语义网、场景候选及打分依据、可演示的原型、测试集与失败案例、数据和权限约束、下一步投入估算。

管理层真正想听的永远只有四句话:值不值得做、能不能做、风险控不控得住、下一步要不要继续掏钱。

五、六个坑,见过一次就够本了

1、把行业报告当成行业理解。宏观趋势还原不了一个人周三下午到底怎么干活。

2、先定方案,再去调研。进场前就决定要做知识库或智能体,后面所有访谈都只是在替你找赞成的证据。

3、只听管理层。制度里写的、领导以为的、一线实际干的,经常是三个版本。

4、只研究顺境。真正掏得动钱的地方,在异常、升级、扯皮和甩锅的流程里。

5、把模型能力当成业务价值。话说得漂亮不等于时间省下来了、赔付款变少了。

6、每次演示都没有同一套题。没有固定的评测集,版本之间的进步永远只是”感觉更顺了”。

还有一条常被漏掉:别用AI的结论,去给另一条AI的结论盖章。关键事实,必须回到企业的文档、数据和业务人员那里核实。

六、项目结束,别只留一份PPT

这次攒下的东西,应该是下次的起跑线:研究框架、建模套路、访谈题库、场景打分表、测试集、通用组件,都能带走。

但有一条线要划清楚:方法可以复用,事实不能。

同样是”智能客服”,跨境电商关心多语言、物流和退款,工业设备关心型号、安全规程和专家升级,照搬模板过去,第一周就会被业务人员当场拆穿。

还有一句可能不太中听的话:工具能提速,判断没法外包。

大模型、深度研究、知识库、语音转写、数据分析,非常适合当研究助理、结构化引擎和假设生成器。唯独”这事到底值不值钱”这个问题,只能由真实证据来回答。

附:可以直接抄走的一段话

进新行业时,我会把下面这段丢给AI,作为整个研究项目的底座:

你是我在这个行业里的研究搭档。我们要做的不是一份行业报告,而是在30天内找到一个值得做、证据够、两周能验的AI场景。

这次的范围是:【行业、企业规模、区域、客户类型】
重点盯的业务链路:【从哪一步到哪一步】
手上已有的材料:【列出报告、访谈、流程文件、数据】

接下来请你持续维护:行业怎么赚钱、关键角色和他们的KPI、端到端流程及异常分支、业务对象和术语、系统与数据分布、哪些是事实哪些是猜测、AI场景候选及打分、风险与人机边界、验证目标和计划。

规矩:
- 每条结论必须标出处、时间和可信程度;
- 事实、推断、建议三者分开写;
- 缺证据就提问题,不许编;
- 每次我喂新材料,你要指出它支持、修正还是推翻了哪条旧假设;
- 同时检查这事能不能用改流程、规则引擎或普通搜索更便宜地解决;
- 任何AI方案都要说清输入、输出、数据、工具、人机边界、失败模式和验收方法。

先给我:A. 当前认知地图;B. 十个最要命的未知问题;C. 未来七天的资料与访谈计划;D. 需要我去补的材料清单。

进场第30天,你大概率还是会被某个老师傅一句话问住。这不丢人。

丢人的是三个月过去,你还只能讲行业趋势。

把这一轮跑成一个循环:先猜 → 找证据 → 进现场 → 改模型 → 筛场景 → 做验证 → 用结果再改一轮。

跑完一圈,你可能依然不是专家。但你已经成了那个能在业务、管理和技术之间做翻译的人——把”我们想让AI帮帮忙”,翻成”这个场景、这组数据、这把尺,两周后见分晓”。

这个翻译能力,才是你走进任何一个陌生行业时,真正带得走的东西。


你最近一次闯进陌生领域,用了多久才算摸着点门道?中间踩得最狠的一个坑是什么?

评论区聊聊,我会挑几个回。觉得有用,也欢迎转发给正在做企业AI落地的同事。

作者:申导Jacky,优普丰AI敏捷创新培训咨询机构合伙人

AI人工智能,SI超级智能,智能体场景搭建,FDE前端部署工程师,企业AI落地陪跑,驾驭工程(Harness Engineering)先行者

优普丰AI赋能企业AI智能体skill/AI转型落地

一个在AI时代重新定义”工程师”角色的实践者和敏捷教练。

曾经每天写代码12小时,现在每天写规格2小时,效率提升50倍。

]]>