即刻App年轻人的同好社区
下载
置顶AI 不管多厉害，它本身不是目的，它只是工具，需要依附在营销、直播带货、供应链、电商、风控、客服……这些业务上，才能带来价值。
并且业务价值越大，AI 作为工具带来的价值大概率也会越大。
看到很多人把 AI 本身当做目的，有感而发
并且业务价值越大，AI 作为工具带来的价值大概率也会越大。
看到很多人把 AI 本身当做目的，有感而发
7 22
搭建 AI AS ME
1. 把余一最近一年的内容导出来，丢给 Claude Code，让他总结 AI AS ME 如何搭建
2. Claude Code 结合我在用的工具帮我设计架构，以及搭建好一个 skills
3. Claude Code 帮我把每个文档的 prompt 写好，我丢给 GPT、Gemini，提取对应的记忆
4. 把记忆提出来放文档中
1. 把余一最近一年的内容导出来，丢给 Claude Code，让他总结 AI AS ME 如何搭建
2. Claude Code 结合我在用的工具帮我设计架构，以及搭建好一个 skills
3. Claude Code 帮我把每个文档的 prompt 写好，我丢给 GPT、Gemini，提取对应的记忆
4. 把记忆提出来放文档中
0 00
这时候懂风控比不懂风控更痛苦，不了解风控可能会找自己原因，了解风控建设逻辑会发现平台封完全不符合逻辑，明明是对方的问题，你却无能为力，不管说什么，提供什么证据，让对方如何判断，客服都是您消消气。。。像是一拳打在棉花上
曾曾曾曾曾俊: 最近两天没做任何动作，没用任何工具，历史笔记也基本全都要删掉了，又被小红书封禁了 小红书账号真的只能当做成本来运营了
1 00
在构造我的 AI 知识库，用于分享给我的用户，有两种方法，但都有问题
一种是，直接拿“通往 AGI 之路”的部分模块填充进去，但问题是他这个知识库里面大量垃圾内容、过时内容、事实性错误，虽然看起来很庞大，实际上可用性非常差
waytoagi.feishu.cn
另一种是在他的基础上二次清洗整理，但工作量巨大
一种是，直接拿“通往 AGI 之路”的部分模块填充进去，但问题是他这个知识库里面大量垃圾内容、过时内容、事实性错误，虽然看起来很庞大，实际上可用性非常差
waytoagi.feishu.cn
另一种是在他的基础上二次清洗整理，但工作量巨大
1 00
（一）去年开始 Agent 火爆的原因
1. 模型能力、工具能力达到了可用状态
2. deepseek 的火爆，点燃了市场情绪，老板们开始关注 AI 能做什么了，企业开始有预算了，公司也开始焦虑了
3. 企业不在只满足聊天，期待能“做事”
（二）企业愿意买单的不是“AI 很先进”，而是解决一个明确问题，带来价值，例如
1. 智能客服
2. 知识库问答
3. 风险分析师
……
这个很重要，因为 AI 博主一直在讲“AI 很牛逼”，企业在乎的是“能解决啥业务问题”，这之间是有 gap 的，按照博主的思路去做，是无法做交付的
（三）管理层会为 AI 买单，可能的原因
1. 管理层把 AI 看成组织能力，而不只是工具，会关注这会不会改变行业竞争格局、影响组织效率、影响未来经营方式、决定公司是否会落后，所以把 AI 看做组织升级的一部分
2. 看中“可复制的专家能力”，以前的专家是有限的，成本高昂的，现在可以把专家蒸馏成 skills，专家走了经验留下来了，成本还降低了
（四）很多企业想上 AI，但没落地，可能原因
1. 组织问题，需要跨部门数据、打通多个系统、统一知识、组织配合等，这些东西需要大老板牵头做菜推的下去
（五）企业级 Agent
1. 企业级智能体不是一个笼统概念，不是买一个总的 AI，而是“一个个角色”
2. 企业级智能体更像“数字员工”或“专家分身”，把某类岗位能力、某类专家能力，抽象成长期存在的数字角色。
3. 企业级智能体短期是局部提效，长期是组织能力升级，例如组织经验沉淀、专家能力复制、集团级写作、跨系统调用。企业级智能体未来式数字化能力的升级方向。
（六）Agent 和 SaaS 的区别
1. SaaS 本质买的是“工具”，例如一个系统、一个平台、一个模块，企业买回去之后不直接产生结果。具体怎么用、谁来用、能不能出结果，都是企业自己负责。
2. SaaS 更多解决的是“信息流转和管理问题”，解决“管理效率”和“协同效率”的问题。
3. SaaS 链条很长，买回去之后还需要专家配置、内部培训、人工操作、流程适配、二次实施、长期维护，最后结果是通过：人 + 工具 + 流程，一起做出来的。
4. Agent 和 SaaS 最根本的区别是：SaaS 卖工具，Agent 卖能力。Agent 是可以直接（或接近于）“替你干活”，你只需要提供目标，他会自己理解任务、拆解任务、调用工具、执行任务
5. 所以 Agent 更像是一个会做事的“角色”，而不是一个工具，一个系统，例如客服角色、审核员角色、销售助理角色，像是一个数字员工
（七）Agent 个 SaaS 的收费模式
1. SaaS 按年、账号、系统、维护缴费，Agent 按角色、能力、任务、产出结果收费
（八）相对 SaaS，企业更愿意为 Agent 买单
1. 因为 Agent 的价值比 SaaS 更容易讲清楚
2. 因为 Agent 更容易和岗位、人力成本做对比
3. 因为 Agent 更容易绑定“组织能力升级”，而不是单点工具采购
（九）但 Agent 落地也更难
1. SaaS 相对于 Agent，责任边界清晰，系统坏了知道找人修，Agent 卖结果会出现一些新问题，例如结果不准怎么办，犯错谁负责，幻觉怎么处理
2. To B 场景要求稳定、可控、可回溯、权限清晰、数据安全、责任边界清楚，对 LLM 注定更难实现
（十）know-how + AI 有很大价值
1. AI 只是放大器，不会频控创造价值，如果没有 know-how，做出来的产品很泛、很薄、没有行业壁垒，任何人都能做。
2. 如果很懂一个行业，知道用户卡在哪儿，哪个流程最值得改，那些知识最关键，哪些结果能产生业务价值，哪些步骤不能错，有哪些隐形判断逻辑，用户到底愿意为什么买单
3. 例如 AI 选品，各个厂商都在做，但只能做个通用工具，每个行业，有价值的选品策略，都掌握在各个商家手上
4. 如果没有 know-how，甚至不知道这个角色是在干什么，做一个产品经理 Agent，给他的能力可能只有画原型、写文档、竞品调研
5. 真正的护城河也在行业 know-how，工作流和场景的拆解，数据和知识沉淀
（十一）当前还处于行业很早期
1. 今天很多 Agent 还只是处于“勉强可用”状态，在复杂场景容易出现不稳定、偷懒、幻觉、上下文超限、长任务崩溃、成本高、频繁靠人纠偏等，从真实生产力角度看，还远远没到成熟阶段
2. 很多基础设施还没建好，包括协议、数据标准等
3. 企业落地远比 To C 难，需要足够长的时间来建设
4. 组织架构层和业务层的配套也不成熟，例如权限、数据、流程、部门协同等
（十二）对未来 1-2 年的态度
1. 方向上非常乐观，节奏和落地上需要谨慎。方向肯定是对的，但不要把 Agent 想得太成熟，不要觉得开发一个 Agent 就能砍掉 80%的员工
2. 行业还初期，不要神化 Agent，龙虾也只是一个架构比较完美的早期 Agent，接下来还会出现螃蟹、泥鳅等更完美的 Agent
1. 模型能力、工具能力达到了可用状态
2. deepseek 的火爆，点燃了市场情绪，老板们开始关注 AI 能做什么了，企业开始有预算了，公司也开始焦虑了
3. 企业不在只满足聊天，期待能“做事”
（二）企业愿意买单的不是“AI 很先进”，而是解决一个明确问题，带来价值，例如
1. 智能客服
2. 知识库问答
3. 风险分析师
……
这个很重要，因为 AI 博主一直在讲“AI 很牛逼”，企业在乎的是“能解决啥业务问题”，这之间是有 gap 的，按照博主的思路去做，是无法做交付的
（三）管理层会为 AI 买单，可能的原因
1. 管理层把 AI 看成组织能力，而不只是工具，会关注这会不会改变行业竞争格局、影响组织效率、影响未来经营方式、决定公司是否会落后，所以把 AI 看做组织升级的一部分
2. 看中“可复制的专家能力”，以前的专家是有限的，成本高昂的，现在可以把专家蒸馏成 skills，专家走了经验留下来了，成本还降低了
（四）很多企业想上 AI，但没落地，可能原因
1. 组织问题，需要跨部门数据、打通多个系统、统一知识、组织配合等，这些东西需要大老板牵头做菜推的下去
（五）企业级 Agent
1. 企业级智能体不是一个笼统概念，不是买一个总的 AI，而是“一个个角色”
2. 企业级智能体更像“数字员工”或“专家分身”，把某类岗位能力、某类专家能力，抽象成长期存在的数字角色。
3. 企业级智能体短期是局部提效，长期是组织能力升级，例如组织经验沉淀、专家能力复制、集团级写作、跨系统调用。企业级智能体未来式数字化能力的升级方向。
（六）Agent 和 SaaS 的区别
1. SaaS 本质买的是“工具”，例如一个系统、一个平台、一个模块，企业买回去之后不直接产生结果。具体怎么用、谁来用、能不能出结果，都是企业自己负责。
2. SaaS 更多解决的是“信息流转和管理问题”，解决“管理效率”和“协同效率”的问题。
3. SaaS 链条很长，买回去之后还需要专家配置、内部培训、人工操作、流程适配、二次实施、长期维护，最后结果是通过：人 + 工具 + 流程，一起做出来的。
4. Agent 和 SaaS 最根本的区别是：SaaS 卖工具，Agent 卖能力。Agent 是可以直接（或接近于）“替你干活”，你只需要提供目标，他会自己理解任务、拆解任务、调用工具、执行任务
5. 所以 Agent 更像是一个会做事的“角色”，而不是一个工具，一个系统，例如客服角色、审核员角色、销售助理角色，像是一个数字员工
（七）Agent 个 SaaS 的收费模式
1. SaaS 按年、账号、系统、维护缴费，Agent 按角色、能力、任务、产出结果收费
（八）相对 SaaS，企业更愿意为 Agent 买单
1. 因为 Agent 的价值比 SaaS 更容易讲清楚
2. 因为 Agent 更容易和岗位、人力成本做对比
3. 因为 Agent 更容易绑定“组织能力升级”，而不是单点工具采购
（九）但 Agent 落地也更难
1. SaaS 相对于 Agent，责任边界清晰，系统坏了知道找人修，Agent 卖结果会出现一些新问题，例如结果不准怎么办，犯错谁负责，幻觉怎么处理
2. To B 场景要求稳定、可控、可回溯、权限清晰、数据安全、责任边界清楚，对 LLM 注定更难实现
（十）know-how + AI 有很大价值
1. AI 只是放大器，不会频控创造价值，如果没有 know-how，做出来的产品很泛、很薄、没有行业壁垒，任何人都能做。
2. 如果很懂一个行业，知道用户卡在哪儿，哪个流程最值得改，那些知识最关键，哪些结果能产生业务价值，哪些步骤不能错，有哪些隐形判断逻辑，用户到底愿意为什么买单
3. 例如 AI 选品，各个厂商都在做，但只能做个通用工具，每个行业，有价值的选品策略，都掌握在各个商家手上
4. 如果没有 know-how，甚至不知道这个角色是在干什么，做一个产品经理 Agent，给他的能力可能只有画原型、写文档、竞品调研
5. 真正的护城河也在行业 know-how，工作流和场景的拆解，数据和知识沉淀
（十一）当前还处于行业很早期
1. 今天很多 Agent 还只是处于“勉强可用”状态，在复杂场景容易出现不稳定、偷懒、幻觉、上下文超限、长任务崩溃、成本高、频繁靠人纠偏等，从真实生产力角度看，还远远没到成熟阶段
2. 很多基础设施还没建好，包括协议、数据标准等
3. 企业落地远比 To C 难，需要足够长的时间来建设
4. 组织架构层和业务层的配套也不成熟，例如权限、数据、流程、部门协同等
（十二）对未来 1-2 年的态度
1. 方向上非常乐观，节奏和落地上需要谨慎。方向肯定是对的，但不要把 Agent 想得太成熟，不要觉得开发一个 Agent 就能砍掉 80%的员工
2. 行业还初期，不要神化 Agent，龙虾也只是一个架构比较完美的早期 Agent，接下来还会出现螃蟹、泥鳅等更完美的 Agent
0 02
