最近在用 Workbuddy，也尝试了豆包工作，都是非常优秀的 Office Agent 产品，对个人工作效率提升会有很大帮助，尤其针对非技术背景的朋友来说。对于有一定技术背景的，应该还是会更喜欢用 Claude Code 和 Codex 的 Work 模式，毕竟国内的 Office Agent 产品主要还是结合国内用户需求打造的同类产品。

但这些产品的定位还是赋能个人，还无法当做一名正式员工来协作。员工的典型特点是能够和多人在 IM 协作，并进行一些任务编排和流转的工作，尤其中间会安排其他人做事，而不是只调用工具或 Agent。

神策 AGW 的定位是 AI 增长员工，可以入驻到企业 IM 中，除了不能见面，和同事没有太大区别。目前已经和一些客户围绕达人营销、广告巡检、GEO、AI 选品、用户经营等场景，做出了非常好的效果。

明天下午三点，我们有一场线上发布活动，由我和 AGW 产品负责人一起给大家做个分享，欢迎预约参加！

昨天在写这篇文章时，我会联想到 100 年前的中国革命，但担心敏感词问题没有写到文章里。两周前写的一个对比梁文锋和 Demis Hassabis 的文章不知道怎么就被删了，我看着内容非常正常，就是发朋友圈的。

当年的中国革命，在最开始也是要复制苏联的成功经验，开展城市暴动。但在中国尝试了若干次仍然进展缓慢，尤其在 412 之后，简直前途渺茫。毛也是在无奈之下，选择了井冈山，在那里了摸索出了农村包围城市的道路。我昨天又把《星星之火，可以燎原》、《中国的红色政权为什么能够存在》两篇战略性的文章听了一遍，城市暴动是手段，它有个前提是工人力量强大，但中国当时的工人群体很小，不像俄国。相反，中国的广大农村力量的潜力很大，只是没有被有效的组织，一旦组织起来，那就是一片汪洋大海。十年前的拼多多，简直是抄作业。

学习 Palantir，它的商业模式很难抄，它面对的美国 KA 客群对软件的付费能力，和中国完全是两回事，不要假设做的业务类似，就会有类似的商业结果。核心还是它把数据基座+AI 平台+ FDE 这条路走通了，并且获得超额回报。Palantir 敢按效果付费，中国大量软件企业是不敢的，不是不想，而是中国大量企业本身活的就不太好，商业模式不太好，利润率很低，继续添砖加瓦，作用也没那么大。

怎么办？就是要结合中国市场特点，去改变打法，怎么帮助客户优化商业模式。尽管中国企业为软件付费的意愿差一些，但是为结果买量，做广告投放上，还是很舍得花的，一年一两万亿的营销支出可不是小数目，不然字节也不会赚的盆满钵满。再不济，中国企业其实在人力预算上投入也很大，如果能够从软件预算扩展到人力预算，那空间就会大的很多，当然，前提是你做的 AI Worker 要真正能上岗。

其实写到这里感觉还是很残酷的，技术革命从来都是不可阻挡只能拥抱和适应，这次 AI 革命更是如此，唯有在新的变局中找到自己的位置，才能不被淘汰，个人如此，企业也一样。

最近和一些投资圈的朋友交流，Palantir 是一个经常被聊到的名字。因为神策一直在做企业软件和企业 AI，他们很自然地会把两家公司放在一起比较：Palantir 为什么能做到今天的规模？它有哪些东西值得神策学习？中国有没有机会诞生一家 Palantir 量级的企业 AI 公司？

这是我最近的思考。

周末跑步 10KM，雨后跑步非常爽。

和朋友边跑边聊了他在做抖音电商的经历，获取了不少认知，对餐饮供应链有了新的认识。一起探讨了中美 To B 市场的差异，我的观点是 AI 用于企业内部，还是要遵从 To B 的商业逻辑，数据基建和客户资源依旧非常重要，省不了。

这几天用 DeepSeek v4 flash，感受到这是一个革命性时刻。我平时都是用 opus 5 和 gpt 5.6 的，在完成一些常规任务时，v4 flash 并没有明显的差距，而模型发展到这个阶段，完成一些场景任务已经问题不大了。而 v4 flash 的颠覆式的价格（下降 90%），直接让一些场景的 ROI 算的过来了。这会直接驱动 Agent 场景的大爆发。

今天用 claude code 做了个检测 iPhone 充电功率的 APP，由于用到一些系统接口信息，还没办法直接分享。

平时各种各样的插口和充电线，我一般比较好奇当前是啥充电功率，但没有实时查看的地方，带功率提示的充电宝很少。今天在实现时，发现限制还是比较多的，系统并不会释放出来功率值，只能是个估算。而默认读取电量的接口粒度是 5%，最终实现的方式是通过快捷指令不断读取当前电量比例信息，再由监测 APP 读取。

AI 时代，能够把各种 idea 都实现一下，还是很有趣的。

在用 WorkBuddy 做工作任务时，你都会有哪些痛点？

周末跑步 10km，略感闷热。

边跑边把梁文锋的投资实录又听了一遍，边听边思考他与 Demis Hassabis 对 AGI 的理解和实现有何不同，以及他们两人的人生轨迹有啥差异。

梁在实录中并没有给 AGI 下个定义，只是明确 AGI 是 DeepSeek 的长期愿景，相比之下，Demis 对 AGI 是有自己的明确定义的，尤其关于 AGI 实现科学发明和通过爱因斯坦测试的界定。

在 AGI 实现路径上，两人都认为持续学习是当前路径上的关键卡点，但对于多模态的价值，两人是有明显分歧的。在梁看来，多模态不是 AGI 的必要条件，尤其在资源有限的情况下，只要做好语言大模型就可以。而 Demis 非常强调世界模型的作用，Gemini 从立项之初就是多模态的，Nano Banana 的突破，也是其中一个代表点。

梁的思路更偏向工程化，持续学习、自我进化、具身智能等，一步步迭代下去。而 Demis 比较强调神经科学，甚至想打造人工细胞。Demis 对科学研究有自己的追求，不管是 AlphaGo 还是 AlphaFold 都有所体现，获得诺贝尔奖也是对其贡献的最好证明。

梁比 Demis 在资本上有个幸运点，梁在更早的时候通过量化投资实现了一定程度的财富自由，我这里不是指生活上的财富自由，而是做技术突破的财富自由。而 Demis 在最早创建 DeepMind 时因为缺钱和融资困难，最后选择并购给了 Google，换取足够的做 AGI 研究的资本。从这个角度看，Demis 有点像浮士德，Demis 到现在为止，最快乐的事，可能还是从晚上十点到凌晨三四点，这段时间他可以静心做科学研究，白天他需要推进 Gemini 的项目进展。

当然，毫无疑问，他们都是了不起的人，在为人类打破边界，向他们学习。

昨天把 DeepSeek 梁文锋的四小时投资实录文字版听了一遍，仿佛看到了贝佐斯和张小龙的影子，克制和长期主义，对商业逻辑的不同理解。

其中聊到通向 AGI 的一个关键问题是持续学习，这个点在目前的模型算法上还没有突破。当前的模型都是训练好的参数后，直接在推理中使用，并不会把新的输入更新到模型中，简单来说，我觉得模型是没有新记忆能力的，只有训练好的旧记忆。至于怎么把这种实时更新能力添加到模型中，相信这也是可以攻克的问题。

但我觉得即使实现了持续学习能力，那我们怎么把不同企业不同个体的私有数据和知识也放到模型中？显然也是无法做到的，依旧需要外挂。这也是过去几个月我自己的一个核心判断：通用 AGI 不是企业 AGI。

虽然梁文锋把 To B 看作通向 AGI 道路上的芝麻，但成千上万的芝麻还需要有人去捡。帮助企业实现 AGI，就是神策这样的大量 To B 企业要做的事。神策最新的产品战略帮客户打造 AI Growth Team 和 Customer World Model，就是实现企业 AGI 道路上的芝麻。

用 Fable 做的暗黑破坏神编年史，暗黑二玩过一部分，暗黑三玩过一部分，手机版也玩过一部分，但一直没弄清楚到底为何而战，整了个故事讲解。

aga-sensorsdata-meier-game.sensorsdata.cn