即刻App年轻人的同好社区
下载
App内打开
任逸阳
606关注95被关注0夸夸
vx renaissancelabs
任逸阳
1天前
我发现了源头
00
任逸阳
3天前
任逸阳
4天前

奇绩创坛: 本次2026年的报告题目是 《Agents, human agency, and the opportunity for every organization》。 它不再只是讨论AI Agent会不会进入组织，而是在追问一个更关键的问题：当AI和Agent开始承担越来越多执行工作，人类的能动性被进一步放大之后，组织到底有没有准备好承接这种变化？ 这份报告基于匿名化的 Microsoft 365 生产力信号、对10个国家2万名AI用户的调研，以及对AI、工作和组织心理学专家的访谈。 报告开篇有一句话很值得管理者警惕：As AI and agents take on execution, our own agency expands. The question is whether organizations are built to capture it.简单说就是：AI和Agent承担越多执行工作，人类的能动性越被放大；但真正的问题是，组织是否已经被重新设计，能够把这种能力转化为价值。 过去一年，很多企业谈AI，重点还停留在“员工会不会用工具”“有没有买AI软件”“有没有做几个场景试点”但微软这份报告把问题往前推进了一步：很多员工已经开始用AI改变自己的工作方式，真正没有跟上的，反而是组织系统。 报告的逻辑很清楚：AI转型不是单点工具采用，而是一场从员工、领导者到组织系统的连锁变化。员工层面，AI正在放大个人能力；领导者层面，管理者必须重新设计工作：组织层面，企业要从简单采用AI，走向一种能持续学习、沉淀和扩散智能的新系统。

00
任逸阳
4天前

Erix: 为什么说Agent的尽头是经济学？ 最近看了Anthropic的经济指数报告，结合之前的经历，越来越确信这个判断。 2023年我在巴西做滴滴国际化的网约车业务，当时全球油价飙涨，大量司机流失。原因很简单——油费涨了，IPH（Income Per Hour，每小时净收入）降了，司机算完账发现不如去做其他蓝领工作，就跑了。后来我们把车费提价，司机的IPH回来了，人也回来了。 就这么简单的一件事，但它说明了一个东西：任何劳动力的供给，最终都是IPH驱动的。 现在看AI行业，同一个问题。 衡量一个AI产品或Agent好不好，不应该看跑分多高、模型多聪明，应该看两个数： - IPH：它每小时帮用户创造的净收入 - CPH：它每小时的净成本 IPH - CPH = 用户实际赚到的钱。这个差值越大，adoption的摩擦越低——ROI太明显了，不需要教育市场。 Anthropic报告里的数据也印证了：AI目前能让美国劳动生产率每年多涨约1个百分点。听起来不多？但美国最近十年低增长期的平均增速也就1%左右。相当于AI直接让生产率翻倍。 它干了什么？说白了就是替代了大量的人类劳动时间。 模型能力是基础设施，但谁的IPH高、谁能把CPH压下去，才决定谁活下来。技术问题会收敛，经济问题不会 😐

00
任逸阳
5天前
诶

恶人自有恶人磨
报应来得如此早
00
任逸阳
8天前
任逸阳
8天前
Gavin老师好强

Gavin_C.: Daniel Gross 在 stripe sessions 2026 上有个观点：上一次全球经济接入一个低成本的“超级生产系统”，大概就是中国现代化并加入 WTO。 这里的 super intelligence 不是在讲中国像 AI。更准确地说，中国作为一个巨大的生产系统，把低成本，可规模化，可贸易的制造能力接进了全球经济。 这个供给改变的结果非常具体。 电视，衣服，玩具，家具，家电等电子产品都变便宜了。原因很现实：这些东西可以标准化，可以装进集装箱，可以在一个超级制造集群里反复压成本。 公司也被重写了。很多西方公司开始把自己变成品牌，设计，渠道，软件，金融和供应链管理公司，制造环节外包出去。Nike，Apple，Walmart，Amazon 背后都有这个影子。中国加入 WTO 之后，全球公司的组织方式其实被重新编排了一遍。 宏观上，它还压住了很多可贸易商品的通胀。过去二十多年，很多人一边抱怨医疗，教育，住房越来越贵，一边又默认手机，电视，衣服，家电越来越便宜。这个组合不是自然发生的，全球化制造体系在背后托住了它。 代价也很真实。美国和欧洲一部分制造业地区被挖空，工人，城市，地方财政，政治结构都受影响。便宜商品的收益扩散给全社会，失业和社区衰落的成本却集中落在某些地方。后来很多政治反弹，其实都能从这里找到线头。 所以中国 WTO 冲击的重点，不止是“东西变便宜了”。它改变的是全球经济的供给边界：什么能生产，在哪里生产，以什么成本生产，谁保留利润，谁承担调整成本。 把这个框架粗暴挪到 AI 上，比单纯说“AI 会提高效率”有用很多。 中国那一轮接入的是低成本制造能力，AI 这一轮接入的是低成本认知能力。 它不会平均地让所有东西变便宜（甚至 tokens 都越来越贵了）。它会先打那些成本主要来自信息处理，判断，文本，代码，图像，协调和流程的环节。 软件开发，内容生产，数据分析，市场素材，等企业 back office，这些地方会最先感受到价格压力。原因也不复杂：它们太适合被模型调用，验证和规模化。 服务业会被重写，但得分情况看。 能远程交付，能数字化输入，能流程化处理、输出还能检查的服务，会很快变便宜。强线下，强责任，强信任，强监管的服务会慢很多。手术，养老，幼儿照护，复杂诉讼，线下教育，房地产交易，这些价格里有认知劳动，也有资质，场地，责任，许可和人类信任。 制造业也会被 AI 影响，但路径更像二阶效应。AI 会先改造制造业里的脑力部分：设计，仿真，排产，质检，供应链，材料发现，设备维护，机器人控制。至于实体生产本身，还得穿过能源，机器，厂房，物流，原材料和机器人能力这些现实约束。 所以 AI 很可能同时带来通胀和通缩。 投入端是通胀的：GPU，内存，电力，数据中心，优秀研究员，数据，能源接入都会变贵。这个现在大家都有感觉了。 产出端是通缩的：大量认知流程会变成低成本 API 调用，很多过去需要团队，外包，顾问，SaaS 才能完成的事，会变成一个 Agent 跑几轮。 这会重写公司结构。未来很多公司分配的可能不只是 headcount，还有 token budget，agent budget，compute budget。一个 IC 能调动多少模型，跑多少实验，自动化多少流程，会变成新的生产资料配置问题。 沿着历史归纳推演的话，AI 也会重写国家和产业竞争。上一轮，谁能接入中国制造，谁就享受低成本商品和供应链红利。这一次，谁能把 AI 认知供给接进自己的产业，组织和制度，谁就获得生产率红利。 最有意思的是，冲击也会有分配问题。 中国 WTO 冲击打的是很多蓝领制造岗位。AI 这一轮更可能先打白领流程岗位，以前是工厂搬走了，这次可能是办公室里的很多“流程”蒸发了。 价格会沿着成本结构下降。哪里主要贵在信息处理，哪里先便宜。哪里主要贵在土地，能源，设备，监管责任和人类信任，哪里就慢。 中国加入 WTO 之后，集装箱变成了全球化的基本界面。 AI 这一轮，API，Agent，身份，支付，权限，可能会变成新的基本界面。 全球经济正在接入一种新的低成本供给。上一次是物理商品，这一次是认知流程。

00
任逸阳
10天前
任逸阳
10天前

William.Jin: Mario Zechner 是 Openclaw 背后的 Agent framework (Pi agent) 的作者，有一些非常 Solid、前瞻性、有趣的想法，比如 反对大量提示词（比如 Claude Code 巨长的提示词…），他自己做的 Pi 基本是系统提示词最少的 agent，同时 Performance 不亚于 codex / claude code 反对 MCP（因为会有大量 token 污染 Context），倾向用 CLI 的方式，让每个业务打造自己的工具，也是为什么 Openclaw 不支持原生的 MCP 集成 在 Skills 出来之前实际上就开始用类似 Skill 的范式处理工作，比如 Prompt 作为程序，包含输入、工具、工作流 反对各种其他花里胡哨的东西，比如 plan 模式、todo list、sub agent 认为所有用户最终一定会开 YOLO mode，所以在 Pi 中只提供 YOLO mode 读了他的几篇博客（https://mariozechner.at/）感觉收获挺大的，让 Openclaw 总结了下： 极简与可控上下文：他认为现有 coding agent 外壳往往把系统提示、工具定义和额外指令“偷偷塞进来”，导致上下文不可控、行为漂移，因此强调“context engineering”优先，并自己做了极简系统提示与极简工具集（read/write/edit/bash），总量低于约千 token，足以让模型完成编码任务。更深一层是“把控制权还给使用者”：把可定制规则放在可见的 AGENTS 文件里，避免隐藏注入；他也认为模型已经被训练到“懂得当 coding agent”，不必用巨量提示去堆行为。(mariozechner.at) 工具策略：Bash/CLI 优先，MCP 谨慎：他认为许多 MCP 服务器为了“通用”而塞入大量工具与冗长描述，造成上下文膨胀、难扩展、不可组合；而 Bash/CLI 工具可组合、可把输出直接落盘并二次处理，且 README 按需读取、token 开销极小。进一步的经验主义证据是：他做过 MCP vs CLI 的评测，结论是整体差距不大、取决于任务复杂度和工具设计，协议只是“管道”，关键还是工具本身的可用性与输出质量。(mariozechner.at) 把 Prompt 当程序、把 JSON/Markdown 当状态：他主张在大代码库里用“程序化”的方式使用 agent：提示词就是程序，包含输入、工具库、控制流；状态不依赖上下文，而是外置到 JSON/MD，便于精确更新与恢复。深入含义是把 LLM 当“慢且不可靠的计算机”，用可复现的步骤、明确的状态更新（如 jq 修改 JSON）、以及“人类检查点”来提高确定性与可恢复性，从而把 agent 工作流工程化。(mariozechner.at) 可观察性与调试/成本透明是核心能力：他对系统提示与工具的细微变化极其敏感，因为这些变化会直接影响 agent 的工具使用方式与效率，于是做了 cchistory/claude‑trace 来追踪系统提示、工具定义与首条用户消息的变化。更进一步，他还通过补丁绕过反调试与隐藏成本的限制，强调“能调试、能看成本”是高强度使用者必须的透明度能力。(mariozechner.at) 供应商黑盒现实与“本地端状态为王”：他认为“messages 抽象”并不是问题，问题是供应商在服务器端藏了大量不可见状态（思维 blob、缓存、托管执行环境等），你只能回显对方给的 opaque 数据。更深一层的结论是：local‑first 只能在“你这一侧”成立，真正重要的可恢复状态必须保存在本地；跨供应商切换时需要丢弃/转换这些 opaque 数据，因此他强调跨模型上下文迁移只能是 best‑effort 的工程。(mariozechner.at) 安全现实主义：沙箱难题与能力收敛：他指出只要 agent 同时拥有“读私有数据 + 执行代码 + 网络访问”，安全就很难彻底解决，因此在 pi 里选择默认 YOLO（不做安全拦截）。在浏览器 agent 场景里，他展示了 prompt injection 与数据外泄风险，并尝试用 JS 解释器绕过 CSP；但他也承认真正的沙箱极难封堵，最终更现实的是只暴露极小、定制化的安全 API，而非直接给完整 DOM 能力。(mariozechner.at) 反对黑盒子子代理与“后台魔法”：他拒绝内置 plan/todo 与 sub‑agent，理由是可见性差、上下文传递失控；复杂任务应先在独立会话里收集上下文并产出“可复用工件”，再让主代理执行。进一步的工作流建议是：不要依赖后台 bash 与不可见子代理，用 tmux 等外部工具保证可观察性；而如果要做多代理，也应有结构化、可观测的编排机制。(mariozechner.at)

00
任逸阳
13天前
替尔泊肽是真的猛
5mg 日版
一杯瑞幸管一天
00