即刻App年轻人的同好社区
下载
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
我最近遇到一个很烦的问题。
我让OpenClaw每天定时跑数据查询给 A 群发数据。
结果它发到了 B 群。
我一开始以为是我提示词没写清楚，又改任务描述，又重新说了一遍发送规则。
都没用。
后来才发现，问题不是「让它做什么」。
问题是：它不知道应该发给谁。
OpenClaw默认会把定时消息发到「最近聊过的地方」。
如果你只在一个群里用它，没问题。
但如果你在好几个群都用它，它就容易乱。
今天你刚在 A 群聊过，它就发 A 群。
明天你刚在 B 群聊过，它就发 B 群。
这就是串群。
解决方法也不复杂。
你不需要懂什么配置字段。
点击链接按照里边的三步做就行。
我让OpenClaw每天定时跑数据查询给 A 群发数据。
结果它发到了 B 群。
我一开始以为是我提示词没写清楚，又改任务描述，又重新说了一遍发送规则。
都没用。
后来才发现，问题不是「让它做什么」。
问题是：它不知道应该发给谁。
OpenClaw默认会把定时消息发到「最近聊过的地方」。
如果你只在一个群里用它，没问题。
但如果你在好几个群都用它，它就容易乱。
今天你刚在 A 群聊过，它就发 A 群。
明天你刚在 B 群聊过，它就发 B 群。
这就是串群。
解决方法也不复杂。
你不需要懂什么配置字段。
点击链接按照里边的三步做就行。
OpenClaw总把定时消息发错群？先别改提示词
0 00
从最近几家国内模型供应商的定价政策来看，当下最不差流量的应该是智谱了。我前几天甚至夸张的听到同事说找人帮忙抢coding plan，需要先付200的服务费！
其次应该是阿里云了，直接砍掉40的包月档位，只留200元档。
从大众选择，也能看出来各家模型的好用程度了。
其次应该是阿里云了，直接砍掉40的包月档位，只留200元档。
从大众选择，也能看出来各家模型的好用程度了。
1 00
数据龙虾养成记2
今天调整龙虾的时候，一直遇到一个问题，因为我不是飞书机器人的创建者，Lark-CLI的文档功能都用不了。包括读取飞书文档、创建飞书文档、还有我希望的自动@人。
但今天的进展是至少实现了数据可视化。
我问它我觉得纯文本可读性太差了，你在现有条件下验证一个可以做数据可视化的方案。
它自己最终给了我这个方案。
实现路径很简单，三步：
① 查询数据
照常用 hologres_query.py 跑 SQL，拿到结果
② 生成图表
用 Python matplotlib 把数据画成图，保存到 /tmp/ 本地文件
• 这个库 macOS 上已经装好了，开箱即用
③ 发图到飞书
用 OpenClaw CLI 命令：
openclaw message send \--channel feishu \--account <账号id> \--target <用户或群id> \--media /tmp/图片.png \--message "说明文字"
关键点：
• 不需要任何额外权限（飞书云文档权限不够，但发图片不受限）
• 图表样式完全可定制（柱状图、折线、热力图随便组合）
• 整个流程在 AI 回复的同一个 turn 内完成，用户体验上无感知
依赖：
• Python + matplotlib + PIL（已装）
• OpenClaw 已配置飞书账号（已有）
就这些，没有额外组件需要部署。
生成的效果还是不错的。
今天调整龙虾的时候，一直遇到一个问题，因为我不是飞书机器人的创建者，Lark-CLI的文档功能都用不了。包括读取飞书文档、创建飞书文档、还有我希望的自动@人。
但今天的进展是至少实现了数据可视化。
我问它我觉得纯文本可读性太差了，你在现有条件下验证一个可以做数据可视化的方案。
它自己最终给了我这个方案。
实现路径很简单，三步：
① 查询数据
照常用 hologres_query.py 跑 SQL，拿到结果
② 生成图表
用 Python matplotlib 把数据画成图，保存到 /tmp/ 本地文件
• 这个库 macOS 上已经装好了，开箱即用
③ 发图到飞书
用 OpenClaw CLI 命令：
openclaw message send \--channel feishu \--account <账号id> \--target <用户或群id> \--media /tmp/图片.png \--message "说明文字"
关键点：
• 不需要任何额外权限（飞书云文档权限不够，但发图片不受限）
• 图表样式完全可定制（柱状图、折线、热力图随便组合）
• 整个流程在 AI 回复的同一个 turn 内完成，用户体验上无感知
依赖：
• Python + matplotlib + PIL（已装）
• OpenClaw 已配置飞书账号（已有）
就这些，没有额外组件需要部署。
生成的效果还是不错的。
0 00
最近连续用下来几天Kimi2.6还不错。回答质量已经比较接近ChatGPT5.4。 //@就你怕肉: 蹲个后续
拾伍51: 我今天正好卡到要续费coding plan的日子了 之前刚开始探索OpenClaw的时候，同时订阅了火山和阿里云两家的。实际用下来，从计费透明度，模型池来讲，阿里都更胜一筹。 所以一直盘算着再续费的时候，就不续火山的了。 当然不是说阿里的哪哪都好，Lite计划是用不了qwen3.6-plus的，我订它也只是备用。因为公司有发token，我还也订了Cursor Pro和ChatGPT plus，这些都是主力。备着阿里云只是以防这些额度耗尽或者服务不稳定时，不至于停工。 谁成想，阿里云不在提供Lite版本，反过来卡火山云还是有Lite计划的。而一个备用供应商实在不值得我花200一个月，要知道ChatGPT plus才20刀（140左右）。 说回火山coding plan，除了模型池和计费透明度，其他还是很好的，尤其是体验部分。我最早OpenClaw用的就是火山服务器加它家的coding plan，在当时那个龙虾非常容易养死的早期版本，光是一键配置就降低了不少门槛。 最近有一次让我超出预期的事是，他们知道龙虾需要配置向量模型来做memory serach，索性把向量模型加入了coding plan，也就是说你不用单独再去接向量模型API。可惜的是，实测下来向量模型调用容易限流，不是很稳定… 体验一流，但是模型拉胯。限流、自家模型在我的场景里几乎用不上，三方模型更新断代（不支持glm-5，我看飞书秒哒龙虾都支持了），估计这也是不能像阿里云一样直接砍掉40元的Lite版本的底气。 但模型问题也不太能让我接受，所以我把向量模型换成了阿里云text-embedding-v4，按调用计费，也转头看看其他模型供应商。 看了glm，因为工作主力在用模型，glm-5.1，在Claude Code里表现还是很好的。又看了Kimi，正好今看到Kimi发布2.6版本，也看到了模型测试好评。想到Kimi在我这里有着独特性（长文阅读理解、写作），Kimi一直是我这些场景下几乎是唯一选择。 因此思考再三还是订了Kimi code。第一天用已经发现了有一些小小的限制，飞书妙搭龙虾不能用Kimi code ，再用用看，以后把自己遇到的其他坑写出来。
2 20