即刻App年轻人的同好社区
下载
不行，已经把新做的 3 个 汉堡包 skills 全删掉了。在实际使用的过程中，发现不但时间没有省下来，结果还经常出错。
用 Codex 分析了用这个方法做的几个项目，它指出因为我要为了效果不断的调整和修改，这种情况下，“施工单”里并不一定会描述很多的细节，而不同模型的推断能力不同，弱模型这些细节是推断不出来的。因此结果才总是不理想。
那么这个应该怎么办呢？反思了一下，至少应该还是从常用模型出发（贵的模型太贵了），通过不断的纠错（加入 memroy 反馈）和沉淀规则（建立 skills）来让它逐渐掌握我的标准。
如果是我本身没想清楚，只是看下效果的话，其实任何模型都没啥用，使用施工单反而增加了更多的成本。
总之，这个想法失败了
用 Codex 分析了用这个方法做的几个项目，它指出因为我要为了效果不断的调整和修改，这种情况下，“施工单”里并不一定会描述很多的细节，而不同模型的推断能力不同，弱模型这些细节是推断不出来的。因此结果才总是不理想。
那么这个应该怎么办呢？反思了一下，至少应该还是从常用模型出发（贵的模型太贵了），通过不断的纠错（加入 memroy 反馈）和沉淀规则（建立 skills）来让它逐渐掌握我的标准。
如果是我本身没想清楚，只是看下效果的话，其实任何模型都没啥用，使用施工单反而增加了更多的成本。
总之，这个想法失败了
拾伍51: 最近一直在琢磨怎么把手里的工具变成 AI 员工，最近终于发现这个事情的瓶颈在哪里。 我希望的是，AI 在吸收了我所有的知识以后，能够自主地直接交付结果，而不用中途打断我，问任何东西。 但在做这种尝试时，我发现自己会受到模型的限制。比如我在用国产模型（比如 GML 5.1）的时候——这属于上一批国产模型，最新的一批我还没用——在这一批里，我觉得它已经比较能理解我的业务场景，交付的结果也相对满意。 直到昨天我发现，当它在对一件事做微调时，由于调整过度，把之前正确的东西全调没了。我觉得这不单纯是规则的问题，而是它的逻辑理解有瓶颈或者说上限。 针对这个问题，我想了个解法。其实最简单的办法就是换国外那些昂贵的高级模型，但像我们这种体量的公司，对成本还是比较敏感的。 所以我折中想了一个“汉堡包”式的做法： 1. 底层规划：在开始阶段，先用高级模型做规划。我在这里引入了一个“施工单”的概念，让高级模型先创建一个标准施工单。 2. 中层执行：在执行阶段，换成国产模型或者一些响应更快的模型，去执行这个施工单。 3. 顶层验收：在最后验收结果时，再调用高级模型进行把关。 目前想到了这么一个折中的法子，但不知道实际效果如何。我这两天会测试一下，过两天无论有没有效果，我都发出来分享给大家。 同时也想问问大家，在考虑费用限制的前提下，有没有什么更好的办法来解决这种逻辑瓶颈的问题？
1 00
如果你用 Claude Code 做工具，但是用的是国产模型的话，千万不要把版本号升到 2.1.144 以上。
我发现升级超过这个版本号以后，模型自动压缩会出现问题。我想了好多种办法，可能都不太好解决，或者说用起来不顺。
我现在已经把 Claude Code 的版本号降回来了。
我发现升级超过这个版本号以后，模型自动压缩会出现问题。我想了好多种办法，可能都不太好解决，或者说用起来不顺。
我现在已经把 Claude Code 的版本号降回来了。
0 00
最近一直在琢磨怎么把手里的工具变成 AI 员工，最近终于发现这个事情的瓶颈在哪里。
我希望的是，AI 在吸收了我所有的知识以后，能够自主地直接交付结果，而不用中途打断我，问任何东西。
但在做这种尝试时，我发现自己会受到模型的限制。比如我在用国产模型（比如 GML 5.1）的时候——这属于上一批国产模型，最新的一批我还没用——在这一批里，我觉得它已经比较能理解我的业务场景，交付的结果也相对满意。
直到昨天我发现，当它在对一件事做微调时，由于调整过度，把之前正确的东西全调没了。我觉得这不单纯是规则的问题，而是它的逻辑理解有瓶颈或者说上限。
针对这个问题，我想了个解法。其实最简单的办法就是换国外那些昂贵的高级模型，但像我们这种体量的公司，对成本还是比较敏感的。
所以我折中想了一个“汉堡包”式的做法：
1. 底层规划：在开始阶段，先用高级模型做规划。我在这里引入了一个“施工单”的概念，让高级模型先创建一个标准施工单。
2. 中层执行：在执行阶段，换成国产模型或者一些响应更快的模型，去执行这个施工单。
3. 顶层验收：在最后验收结果时，再调用高级模型进行把关。
目前想到了这么一个折中的法子，但不知道实际效果如何。我这两天会测试一下，过两天无论有没有效果，我都发出来分享给大家。
同时也想问问大家，在考虑费用限制的前提下，有没有什么更好的办法来解决这种逻辑瓶颈的问题？
我希望的是，AI 在吸收了我所有的知识以后，能够自主地直接交付结果，而不用中途打断我，问任何东西。
但在做这种尝试时，我发现自己会受到模型的限制。比如我在用国产模型（比如 GML 5.1）的时候——这属于上一批国产模型，最新的一批我还没用——在这一批里，我觉得它已经比较能理解我的业务场景，交付的结果也相对满意。
直到昨天我发现，当它在对一件事做微调时，由于调整过度，把之前正确的东西全调没了。我觉得这不单纯是规则的问题，而是它的逻辑理解有瓶颈或者说上限。
针对这个问题，我想了个解法。其实最简单的办法就是换国外那些昂贵的高级模型，但像我们这种体量的公司，对成本还是比较敏感的。
所以我折中想了一个“汉堡包”式的做法：
1. 底层规划：在开始阶段，先用高级模型做规划。我在这里引入了一个“施工单”的概念，让高级模型先创建一个标准施工单。
2. 中层执行：在执行阶段，换成国产模型或者一些响应更快的模型，去执行这个施工单。
3. 顶层验收：在最后验收结果时，再调用高级模型进行把关。
目前想到了这么一个折中的法子，但不知道实际效果如何。我这两天会测试一下，过两天无论有没有效果，我都发出来分享给大家。
同时也想问问大家，在考虑费用限制的前提下，有没有什么更好的办法来解决这种逻辑瓶颈的问题？
1 11
今天看到一件挺有意思的事情。今天来顺义这边玩，中午找地方吃饭的时候，在商场里遇到一个档口，上面写着“家有喜事，档口转让”。
我见过很多档口转让的情况，但这个“家有喜事”是真的很有意思，还是第一次见。而且档口里面的东西整整齐齐，完全不像是那种收拾干净了要转让的样子。里面所有东西都在：准备好的盒子、各种调料、餐具，甚至连热水瓶都摆得好好的。椅子放在那儿，感觉就像是刚才还有人坐着一样。
也能感觉到原先在这儿看档口的人生活得比较惬意。柜台中间放着一瓶大概只剩个底儿的白酒，就能想象他每天不忙的时候，就会在这儿喝口白酒，然后坐在椅子上刷会手机。完全能看到他当时的样子。
我相信他家里一定是有喜事。至于是什么喜事呢？无非就是结婚生子，要不然就是金榜题名。但哪一个需要他特意赶回去呢？大概是孩子考上了吧，所以他要回去照顾孩子。
虽然不知道具体是什么，但挺有意思的。从这个档口就能看到原先那个人的状态，很有意思。
我见过很多档口转让的情况，但这个“家有喜事”是真的很有意思，还是第一次见。而且档口里面的东西整整齐齐，完全不像是那种收拾干净了要转让的样子。里面所有东西都在：准备好的盒子、各种调料、餐具，甚至连热水瓶都摆得好好的。椅子放在那儿，感觉就像是刚才还有人坐着一样。
也能感觉到原先在这儿看档口的人生活得比较惬意。柜台中间放着一瓶大概只剩个底儿的白酒，就能想象他每天不忙的时候，就会在这儿喝口白酒，然后坐在椅子上刷会手机。完全能看到他当时的样子。
我相信他家里一定是有喜事。至于是什么喜事呢？无非就是结婚生子，要不然就是金榜题名。但哪一个需要他特意赶回去呢？大概是孩子考上了吧，所以他要回去照顾孩子。
虽然不知道具体是什么，但挺有意思的。从这个档口就能看到原先那个人的状态，很有意思。
0 00
最近和一些公司外的朋友聊天，发现大家基本都在讨论同一个主题：裁员。
但我越来越觉得，现在的裁员不能只看成一件事。
它大概分成两类。
一类是大环境不佳。公司利润下降，业务不增长，现金流压力变大，于是被动收缩。
另一类是 AI 带来的结构性变化。以前需要一组人完成的工作，现在可能被更少的人加上 AI 完成。老板看到的不是“AI 很酷”，而是一个更直接的问题：原来用人力堆出来的产出，能不能被工具、流程和 token 成本替代掉一部分。
这两类裁员放在一起，就会带来一个很深的冲突：不同层级的人，对 AI 的理解完全不一样。
老板层看到的是趋势和账。
他们会看案例、看成本、看效率，也会非常现实地问：如果同样的结果，三个人加 AI 能不能替代过去十个人？如果能，组织为什么还要维持原来的结构？
业务线高管和中间层面对的，则是更现实的经营压力。
他们通常也认可 AI 是趋势，但真正落到业务里，并不是一句“拥抱 AI”就能解决。团队当下还有业绩要交，组织稳定性要维持，原来的流程、分工和考核方式也不是说改就能改。
所以中间层最难的地方在于：他们既要看到长期变化，又要对短期结果负责。动作太慢，可能错过趋势；动作太快，又可能影响当下业务。
一线员工的反应也不止一种。
第一类是收紧派。
他们意识到变化来了，但第一反应可能不是把 AI 用起来，而是把自己手里的信息、经验和流程捂得更紧。因为他们会担心：如果我把这些都交出来，是不是我就不重要了？
第二类是不屑派。
他们觉得 AI 也就那样，写写文案、做做总结，真正复杂的工作还是得人来。这个判断有一部分是对的，但危险在于，他们低估了 AI 被组织流程吸收之后的变化速度。
第三类是积极跟随派。
这类人未必一开始就很懂 AI，但他们会主动试，会把自己的工作拆开看：哪些是重复劳动，哪些可以让 AI 先跑，哪些必须自己判断，哪些可以沉淀成流程。相比前两类，他们最大的优势不是工具用得多，而是愿意重新理解自己的工作。
单个 AI 工具未必能替代一个岗位。
但当一个管理者开始重新拆工作流，把任务、知识、流程、验收标准都结构化之后，很多岗位的价值排序就变了。
以前公司需要的是“能把活接住的人”。
以后公司更需要的是“能定义问题、创造增量、带着 AI 把结果做出来的人”。
这就是我理解的真正变化。
AI 裁员潮的本质，不是老板突然变狠了，而是组织开始重新计算：每个人到底是在创造增量，还是只是在维持原来的流程。
前段时间我和一个朋友聊天，还聊到一个很有意思的问题：AI 出现以后，管理和执行的比例到底变了没有？
我一开始的回答是，过去我大概 60% 到 70% 的时间在做管理，30% 左右还要做一些一线执行。但现在 AI 来了以后，我感觉自己管理的比例好像下降了，可能只剩 20%，剩下大量时间都在和 AI 一起把事情往前推。
后来朋友反问了我一句：你觉得管理 AI，是不是也是管理的一种？
这句话让我想了很久。
如果管理不只是管人，而是拆任务、定标准、分配资源、检查结果、推动交付，那管理 AI 当然也是管理。
甚至可以说，AI 之后，很多管理动作不是消失了，而是换了对象。
以前你管理的是人和流程。
现在你还要管理 AI：给它上下文，拆任务边界，设验收标准，判断结果能不能用，再把它的产出接回真实业务。
这也解释了为什么有些岗位会变得更危险，而有些人反而会变得更重要。
危险的不是不会用某个 AI 工具，而是你的工作长期只停留在“接任务、做执行、交结果”这一层。
更重要的人，是能把一件事从目标拆到流程，再拆到 AI 可以执行的任务，最后还能判断结果是否真的有效的人。
如果我是管理者，真到不得不做取舍的时候，我不会简单按“谁会不会用 AI”来判断。
我会看三个标准。
第一，他有没有结果意识。
不是“我很忙”“我做了很多动作”，而是他能不能说清楚：这件事最后带来了什么结果？有没有帮业务多赚、少亏、提效、降本，或者让关键决策更准确？
第二，他有没有把经验变成系统的能力。
有些人经验很多，但经验只长在自己脑子里，别人问不出来，AI 也用不上。这种人在过去很有价值，但在 AI 时代会越来越危险。
因为组织真正需要的，不只是一个老员工知道怎么做，而是这套经验能不能被沉淀成流程、规则、知识库和可复用的方法。
第三，他的能力半径有没有变大。
这是我现在特别看重的一点。
举个具体例子，过去一个产品需求从想法到上线，可能至少要经过三个角色：产品经理负责定义需求，UI 负责设计界面，前端负责把页面做出来。
但 AI 出现以后，这三个岗位之间的边界会变得越来越模糊。
一个产品经理如果只会写需求文档，那他的价值会被压缩。因为 AI 可以帮他起草文档、整理竞品、生成原型初稿。
一个 UI 如果只会按需求画界面，也会变危险。因为 AI 已经能快速生成大量视觉方案，甚至直接给出可交互的页面雏形。
一个前端如果只会按图还原页面，也同样会被压缩。因为很多基础页面、组件和交互，AI 已经能生成相当可用的代码。
但如果有一个人，既理解业务目标，又能用 AI 做出原型，能判断界面好不好，能和 AI 一起生成前端初版，还能验收最后结果，那这个人的价值反而会上升。
因为他不是只守住原来岗位的一小块，而是把产品、设计、前端之间的一段链路接起来了。
所以我会看，一个人用了 AI 以后，工作覆盖范围有没有变广。
过去只能做产品的一小段，现在能不能往设计和实现多走一步？过去只会做 UI，现在能不能理解需求和交互逻辑？过去只会写前端，现在能不能反过来参与原型、体验和业务判断？
如果团队不得不缩编，我会更倾向留下这种人。
不是因为他最便宜，也不是因为他会喊 AI 口号，而是因为他加上 AI 之后，真的能顶住更大一段工作链路。
AI 时代，一个人真正的增量，不只是把自己原来的工作做快一点，而是能力半径变大了。
公司重新计算人效时，看的也不再只是“这个岗位还要不要”，而是“这个人加上 AI 之后，能不能覆盖更大的责任范围”。
这也是为什么我觉得，管理者在推动 AI 落地时，光给工具和基建是不够的。
还要给显性奖励。
因为大部分人不会天然改变工作方式。你只说“大家要拥抱 AI”，没什么用。真正有效的是让组织明确奖励那些用 AI 做出增量的人：谁把流程改短了，谁把产出质量提上去了，谁让原来做不了的事情变成能做了，谁就应该被看见、被奖励、被提拔。
AI 转型最难的不是工具，而是认知。
工具装上去很快，账号开通也很快，真正难的是让人相信：自己的岗位价值已经不能只靠“我很熟”“我很忙”“这事一直是我负责”来证明了。
最理想的状态，是大家都能找到自己的增量。
员工用 AI 把自己从基础执行里解放出来，往判断、设计、结果负责上走。管理者用 AI 重新梳理组织流程，让人去做更高价值的事。
但如果找不到增量，最后就会只剩一个很残酷的结果：裁员。
所以我现在看 AI 时代的职业安全感，不太看一个人会不会用某个具体工具。
我更看他能不能回答好一个问题：
AI来以后和来以前，你的能力和产出发生了什么变化？
但我越来越觉得，现在的裁员不能只看成一件事。
它大概分成两类。
一类是大环境不佳。公司利润下降，业务不增长，现金流压力变大，于是被动收缩。
另一类是 AI 带来的结构性变化。以前需要一组人完成的工作，现在可能被更少的人加上 AI 完成。老板看到的不是“AI 很酷”，而是一个更直接的问题：原来用人力堆出来的产出，能不能被工具、流程和 token 成本替代掉一部分。
这两类裁员放在一起，就会带来一个很深的冲突：不同层级的人，对 AI 的理解完全不一样。
老板层看到的是趋势和账。
他们会看案例、看成本、看效率，也会非常现实地问：如果同样的结果，三个人加 AI 能不能替代过去十个人？如果能，组织为什么还要维持原来的结构？
业务线高管和中间层面对的，则是更现实的经营压力。
他们通常也认可 AI 是趋势，但真正落到业务里，并不是一句“拥抱 AI”就能解决。团队当下还有业绩要交，组织稳定性要维持，原来的流程、分工和考核方式也不是说改就能改。
所以中间层最难的地方在于：他们既要看到长期变化，又要对短期结果负责。动作太慢，可能错过趋势；动作太快，又可能影响当下业务。
一线员工的反应也不止一种。
第一类是收紧派。
他们意识到变化来了，但第一反应可能不是把 AI 用起来，而是把自己手里的信息、经验和流程捂得更紧。因为他们会担心：如果我把这些都交出来，是不是我就不重要了？
第二类是不屑派。
他们觉得 AI 也就那样，写写文案、做做总结，真正复杂的工作还是得人来。这个判断有一部分是对的，但危险在于，他们低估了 AI 被组织流程吸收之后的变化速度。
第三类是积极跟随派。
这类人未必一开始就很懂 AI，但他们会主动试，会把自己的工作拆开看：哪些是重复劳动，哪些可以让 AI 先跑，哪些必须自己判断，哪些可以沉淀成流程。相比前两类，他们最大的优势不是工具用得多，而是愿意重新理解自己的工作。
单个 AI 工具未必能替代一个岗位。
但当一个管理者开始重新拆工作流，把任务、知识、流程、验收标准都结构化之后，很多岗位的价值排序就变了。
以前公司需要的是“能把活接住的人”。
以后公司更需要的是“能定义问题、创造增量、带着 AI 把结果做出来的人”。
这就是我理解的真正变化。
AI 裁员潮的本质，不是老板突然变狠了，而是组织开始重新计算：每个人到底是在创造增量，还是只是在维持原来的流程。
前段时间我和一个朋友聊天，还聊到一个很有意思的问题：AI 出现以后，管理和执行的比例到底变了没有？
我一开始的回答是，过去我大概 60% 到 70% 的时间在做管理，30% 左右还要做一些一线执行。但现在 AI 来了以后，我感觉自己管理的比例好像下降了，可能只剩 20%，剩下大量时间都在和 AI 一起把事情往前推。
后来朋友反问了我一句：你觉得管理 AI，是不是也是管理的一种？
这句话让我想了很久。
如果管理不只是管人，而是拆任务、定标准、分配资源、检查结果、推动交付，那管理 AI 当然也是管理。
甚至可以说，AI 之后，很多管理动作不是消失了，而是换了对象。
以前你管理的是人和流程。
现在你还要管理 AI：给它上下文，拆任务边界，设验收标准，判断结果能不能用，再把它的产出接回真实业务。
这也解释了为什么有些岗位会变得更危险，而有些人反而会变得更重要。
危险的不是不会用某个 AI 工具，而是你的工作长期只停留在“接任务、做执行、交结果”这一层。
更重要的人，是能把一件事从目标拆到流程，再拆到 AI 可以执行的任务，最后还能判断结果是否真的有效的人。
如果我是管理者，真到不得不做取舍的时候，我不会简单按“谁会不会用 AI”来判断。
我会看三个标准。
第一，他有没有结果意识。
不是“我很忙”“我做了很多动作”，而是他能不能说清楚：这件事最后带来了什么结果？有没有帮业务多赚、少亏、提效、降本，或者让关键决策更准确？
第二，他有没有把经验变成系统的能力。
有些人经验很多，但经验只长在自己脑子里，别人问不出来，AI 也用不上。这种人在过去很有价值，但在 AI 时代会越来越危险。
因为组织真正需要的，不只是一个老员工知道怎么做，而是这套经验能不能被沉淀成流程、规则、知识库和可复用的方法。
第三，他的能力半径有没有变大。
这是我现在特别看重的一点。
举个具体例子，过去一个产品需求从想法到上线，可能至少要经过三个角色：产品经理负责定义需求，UI 负责设计界面，前端负责把页面做出来。
但 AI 出现以后，这三个岗位之间的边界会变得越来越模糊。
一个产品经理如果只会写需求文档，那他的价值会被压缩。因为 AI 可以帮他起草文档、整理竞品、生成原型初稿。
一个 UI 如果只会按需求画界面，也会变危险。因为 AI 已经能快速生成大量视觉方案，甚至直接给出可交互的页面雏形。
一个前端如果只会按图还原页面，也同样会被压缩。因为很多基础页面、组件和交互，AI 已经能生成相当可用的代码。
但如果有一个人，既理解业务目标，又能用 AI 做出原型，能判断界面好不好，能和 AI 一起生成前端初版，还能验收最后结果，那这个人的价值反而会上升。
因为他不是只守住原来岗位的一小块，而是把产品、设计、前端之间的一段链路接起来了。
所以我会看，一个人用了 AI 以后，工作覆盖范围有没有变广。
过去只能做产品的一小段，现在能不能往设计和实现多走一步？过去只会做 UI，现在能不能理解需求和交互逻辑？过去只会写前端，现在能不能反过来参与原型、体验和业务判断？
如果团队不得不缩编，我会更倾向留下这种人。
不是因为他最便宜，也不是因为他会喊 AI 口号，而是因为他加上 AI 之后，真的能顶住更大一段工作链路。
AI 时代，一个人真正的增量，不只是把自己原来的工作做快一点，而是能力半径变大了。
公司重新计算人效时，看的也不再只是“这个岗位还要不要”，而是“这个人加上 AI 之后，能不能覆盖更大的责任范围”。
这也是为什么我觉得，管理者在推动 AI 落地时，光给工具和基建是不够的。
还要给显性奖励。
因为大部分人不会天然改变工作方式。你只说“大家要拥抱 AI”，没什么用。真正有效的是让组织明确奖励那些用 AI 做出增量的人：谁把流程改短了，谁把产出质量提上去了，谁让原来做不了的事情变成能做了，谁就应该被看见、被奖励、被提拔。
AI 转型最难的不是工具，而是认知。
工具装上去很快，账号开通也很快，真正难的是让人相信：自己的岗位价值已经不能只靠“我很熟”“我很忙”“这事一直是我负责”来证明了。
最理想的状态，是大家都能找到自己的增量。
员工用 AI 把自己从基础执行里解放出来，往判断、设计、结果负责上走。管理者用 AI 重新梳理组织流程，让人去做更高价值的事。
但如果找不到增量，最后就会只剩一个很残酷的结果：裁员。
所以我现在看 AI 时代的职业安全感，不太看一个人会不会用某个具体工具。
我更看他能不能回答好一个问题：
AI来以后和来以前，你的能力和产出发生了什么变化？
1 01
当我看到百度这个 DAA 新的指标的时候，我的第一感觉是：这特别像员工在述职的时候，发现既定的指标不太好看，又新做了一个口径出来。
百度抛出 AI 时代的新度量衡
1 00