即刻App年轻人的同好社区
下载
置顶
153 2437
企业AI化改造和重构一个组织没有两样，我认为要考虑这三层的建设：文化 · 流程 · 基建
文化决定你招什么样的人，以什么样的原则做事，人是组织最重要的存在。
流程决定招进来的人如何形成有效的生产关系，如何组织协作、推进交付。
基建则是可复用的工具、上下文、知识库等。把文化和流程沉淀下来，让它可以被规模化复用。
文化决定你招什么样的人，以什么样的原则做事，人是组织最重要的存在。
流程决定招进来的人如何形成有效的生产关系，如何组织协作、推进交付。
基建则是可复用的工具、上下文、知识库等。把文化和流程沉淀下来，让它可以被规模化复用。
Yinsen: 企业 ai 化改造的要义不在桌面 agent 客户端。 让每个员工都学会用 WorkBuddy，豆包办公，包括 Cherry Studio，都是弯路。 在工业化体系中，少数人是工程师，多数人是流水线工人。
1 00
最近大学陆续开学了，相信对于很多大一新生而言，学习AI已经是个默认选项了。
但是在学习AI之余的课外阅读，我认为在这个时代更为重要。
作为一个本科刚毕业的同学，如果要给刚入学的大一新生推荐两本书，我会选择刘擎的《西方现代思想讲义》和冯友兰的《中国哲学简史》。
《中国哲学简史》帮助你以中国人的身份，向下扎根于自身绵延千年的文化传统
《西方现代思想讲义》则从西方近代思想家的视角，理解我们现在身处其中的现代社会，以及现代性带来的种种问题。
这两本书都足够通俗易读，虽然读完后未必会直接给到你想要的答案，却能帮助你建立一张清晰的思想地图
知道不同观念从何而来，彼此如何关联，也更好地理解自己身处何处，以及要去向何方
但是在学习AI之余的课外阅读，我认为在这个时代更为重要。
作为一个本科刚毕业的同学，如果要给刚入学的大一新生推荐两本书，我会选择刘擎的《西方现代思想讲义》和冯友兰的《中国哲学简史》。
《中国哲学简史》帮助你以中国人的身份，向下扎根于自身绵延千年的文化传统
《西方现代思想讲义》则从西方近代思想家的视角，理解我们现在身处其中的现代社会，以及现代性带来的种种问题。
这两本书都足够通俗易读，虽然读完后未必会直接给到你想要的答案，却能帮助你建立一张清晰的思想地图
知道不同观念从何而来，彼此如何关联，也更好地理解自己身处何处，以及要去向何方
7 00
感谢 @瓦恁 瓦总，也感谢各位读者，让我又一次上了精选，也是首篇过百赞的即刻🙏
14 00
所以回到 AI native 组织的转型和成功这件事情上，我觉得真的跑出来的组织，它的形态应该是：
1. 不会是大厂
人数非常多，有非常多合规流程上的限制或者风险的考虑，那整体的利益关系不会这么错综复杂。
2. 不是那种完全没有业务的初创公司
刚开始做，并且或者是说已经有很高的估值，但是还没有这种现金流，还非常需要这个通过融资去续命的初创公司。
3. 适合的形态
组织规模小，并且文化整体都偏向 AI native 人才，且已经有稳定的业务带来现金流，不会立刻因为不融资而没有办法活下去的小组织 //@墨菲腚绿: 真实的企业（尤其是稍微大一点的公司）里评测不是技术问题。
太专业了老板说他看不懂，他哪天从外面看了个词就又说你不专业，你专家评测得分数高了，老板说你评的不准，你专家评的分数低了，你要解释为什么低，为什么不能高。最后，效果不好，所有人都可以甩锅评测做得不全面。
把尺子撸得冒火星子，也不能量得更长不是。
所有人都能对评测指手画脚，最后导致评测变成一个很重要，但又没人真拿它当回事的东西。
1. 不会是大厂
人数非常多，有非常多合规流程上的限制或者风险的考虑，那整体的利益关系不会这么错综复杂。
2. 不是那种完全没有业务的初创公司
刚开始做，并且或者是说已经有很高的估值，但是还没有这种现金流，还非常需要这个通过融资去续命的初创公司。
3. 适合的形态
组织规模小，并且文化整体都偏向 AI native 人才，且已经有稳定的业务带来现金流，不会立刻因为不融资而没有办法活下去的小组织 //@墨菲腚绿: 真实的企业（尤其是稍微大一点的公司）里评测不是技术问题。
太专业了老板说他看不懂，他哪天从外面看了个词就又说你不专业，你专家评测得分数高了，老板说你评的不准，你专家评的分数低了，你要解释为什么低，为什么不能高。最后，效果不好，所有人都可以甩锅评测做得不全面。
把尺子撸得冒火星子，也不能量得更长不是。
所有人都能对评测指手画脚，最后导致评测变成一个很重要，但又没人真拿它当回事的东西。
林阿福Alfred: 今天看到 @yusen 分享关于企业AI的思考有感，也顺着思考中提到外包分享一下最近实践下的一下感受： AI 进入企业的第一步，就像 Yusen 讲的，可以先用 “外包” 来选择场景。 客服、数据整理、非核心研发这些工作，通常边界清楚、输入输出明确、质量容易验收，也已经在相当程度上完成了与企业核心业务和敏感数据的解耦。企业先在这些环节引入 AI，组织阻力最小，也最容易看到成果。 但 “外包” 只能帮助企业完成转型的起步。如果 AI 长期停留在低价值、标准化的执行环节，组织获得的主要还是降本。下一阶段需要沿着价值链向上走，让 AI 逐步进入那些更依赖判断、领域知识和专家经验的环节。 如果想要向上走，企业需要建设一套 “组织级 Harness”。 怎么理解组织级 Harness？ 单个 Agent 的 Harness，解决的是如何驾驭 LLM 产生的智能：给模型提供上下文、调用工具、规划任务、检查结果，并在失败后重新尝试。 组织级 Harness 驾驭的对象更复杂，它需要同时协调组织内的 Agent 和人，让两者围绕同一个业务目标协作。它更像一套组织的智能操作系统，比如： Memory 负责沉淀组织的业务背景、历史决策和长期上下文。 Skills 将专家经验和最佳实践封装成可复用的能力。 Orchestration 负责任务拆解、角色分工、流程衔接和异常处理。 权限系统决定 Agent 能看到什么、调用什么，以及哪些动作必须由人确认。 Review 机制负责检查结果、处理高风险决策，并把纠正结果送回系统，作为迭代的养分。 这几个组件连起来之后，企业得到的就不再是几个各自为战的 AI 工具，而是一套能够分配任务、调用能力、积累经验并持续进化的生产系统。 而在这套组织级 Harness 里，我认为最关键、同时也最容易被忽视的部分，是评测，尤其是来自业务专家的评测。 专家经验往往藏在人的脑子里。很多时候，专家一眼就能判断一个结果 “对不对”，却很难直接把判断过程完整地说出来。组织需要把这些隐性的经验逐步拆解成真实案例、判断标准、边界条件和失败样本，让 Agent 的工作质量能够被衡量。 每一次专家对 Agent 的纠正，都应该沉淀为新的评测数据。每一次流程失败，都应该转化为下一轮 Harness 迭代的输入。评测集记录的是组织内对“好”的品味，反馈闭环则让这套标准持续变得更准确。 我现在越来越觉得，建设 AI Native 组织，很像迭代一个 Agent 产品：先选择一个边界清晰的任务跑通，建立评测集和反馈闭环，再逐步提高任务难度、扩展上下文和权限范围，最终进入组织真正创造价值的核心环节。 如果能到这一步， 智能才真正原生地融入了企业。
5 00
今天看到 @yusen 分享关于企业AI的思考有感，也顺着思考中提到外包分享一下最近实践下的一下感受：
AI 进入企业的第一步，就像 Yusen 讲的，可以先用 “外包” 来选择场景。
客服、数据整理、非核心研发这些工作，通常边界清楚、输入输出明确、质量容易验收，也已经在相当程度上完成了与企业核心业务和敏感数据的解耦。企业先在这些环节引入 AI，组织阻力最小，也最容易看到成果。
但 “外包” 只能帮助企业完成转型的起步。如果 AI 长期停留在低价值、标准化的执行环节，组织获得的主要还是降本。下一阶段需要沿着价值链向上走，让 AI 逐步进入那些更依赖判断、领域知识和专家经验的环节。
如果想要向上走，企业需要建设一套 “组织级 Harness”。
怎么理解组织级 Harness？
单个 Agent 的 Harness，解决的是如何驾驭 LLM 产生的智能：给模型提供上下文、调用工具、规划任务、检查结果，并在失败后重新尝试。
组织级 Harness 驾驭的对象更复杂，它需要同时协调组织内的 Agent 和人，让两者围绕同一个业务目标协作。它更像一套组织的智能操作系统，比如：
Memory 负责沉淀组织的业务背景、历史决策和长期上下文。
Skills 将专家经验和最佳实践封装成可复用的能力。
Orchestration 负责任务拆解、角色分工、流程衔接和异常处理。
权限系统决定 Agent 能看到什么、调用什么，以及哪些动作必须由人确认。
Review 机制负责检查结果、处理高风险决策，并把纠正结果送回系统，作为迭代的养分。
这几个组件连起来之后，企业得到的就不再是几个各自为战的 AI 工具，而是一套能够分配任务、调用能力、积累经验并持续进化的生产系统。
而在这套组织级 Harness 里，我认为最关键、同时也最容易被忽视的部分，是评测，尤其是来自业务专家的评测。
专家经验往往藏在人的脑子里。很多时候，专家一眼就能判断一个结果 “对不对”，却很难直接把判断过程完整地说出来。组织需要把这些隐性的经验逐步拆解成真实案例、判断标准、边界条件和失败样本，让 Agent 的工作质量能够被衡量。
每一次专家对 Agent 的纠正，都应该沉淀为新的评测数据。每一次流程失败，都应该转化为下一轮 Harness 迭代的输入。评测集记录的是组织内对“好”的品味，反馈闭环则让这套标准持续变得更准确。
我现在越来越觉得，建设 AI Native 组织，很像迭代一个 Agent 产品：先选择一个边界清晰的任务跑通，建立评测集和反馈闭环，再逐步提高任务难度、扩展上下文和权限范围，最终进入组织真正创造价值的核心环节。
如果能到这一步， 智能才真正原生地融入了企业。
AI 进入企业的第一步，就像 Yusen 讲的，可以先用 “外包” 来选择场景。
客服、数据整理、非核心研发这些工作，通常边界清楚、输入输出明确、质量容易验收，也已经在相当程度上完成了与企业核心业务和敏感数据的解耦。企业先在这些环节引入 AI，组织阻力最小，也最容易看到成果。
但 “外包” 只能帮助企业完成转型的起步。如果 AI 长期停留在低价值、标准化的执行环节，组织获得的主要还是降本。下一阶段需要沿着价值链向上走，让 AI 逐步进入那些更依赖判断、领域知识和专家经验的环节。
如果想要向上走，企业需要建设一套 “组织级 Harness”。
怎么理解组织级 Harness？
单个 Agent 的 Harness，解决的是如何驾驭 LLM 产生的智能：给模型提供上下文、调用工具、规划任务、检查结果，并在失败后重新尝试。
组织级 Harness 驾驭的对象更复杂，它需要同时协调组织内的 Agent 和人，让两者围绕同一个业务目标协作。它更像一套组织的智能操作系统，比如：
Memory 负责沉淀组织的业务背景、历史决策和长期上下文。
Skills 将专家经验和最佳实践封装成可复用的能力。
Orchestration 负责任务拆解、角色分工、流程衔接和异常处理。
权限系统决定 Agent 能看到什么、调用什么，以及哪些动作必须由人确认。
Review 机制负责检查结果、处理高风险决策，并把纠正结果送回系统，作为迭代的养分。
这几个组件连起来之后，企业得到的就不再是几个各自为战的 AI 工具，而是一套能够分配任务、调用能力、积累经验并持续进化的生产系统。
而在这套组织级 Harness 里，我认为最关键、同时也最容易被忽视的部分，是评测，尤其是来自业务专家的评测。
专家经验往往藏在人的脑子里。很多时候，专家一眼就能判断一个结果 “对不对”，却很难直接把判断过程完整地说出来。组织需要把这些隐性的经验逐步拆解成真实案例、判断标准、边界条件和失败样本，让 Agent 的工作质量能够被衡量。
每一次专家对 Agent 的纠正，都应该沉淀为新的评测数据。每一次流程失败，都应该转化为下一轮 Harness 迭代的输入。评测集记录的是组织内对“好”的品味，反馈闭环则让这套标准持续变得更准确。
我现在越来越觉得，建设 AI Native 组织，很像迭代一个 Agent 产品：先选择一个边界清晰的任务跑通，建立评测集和反馈闭环，再逐步提高任务难度、扩展上下文和权限范围，最终进入组织真正创造价值的核心环节。
如果能到这一步， 智能才真正原生地融入了企业。
16 1012