2025年1月17日“礼物”正式在微信聊天窗口上线，我们的年度专题报告第一时间详解微信送礼如何突破韩版“微信送礼”Kakaotalk Gift已验证的成功模式，微信送礼刚需场景有哪些，美国礼品产业启示录！

“不一定”的妙处

我发现很多事情的意义到底是啥真的都不是原来想象得那样……

比如如果我不是正经想开发”数字员工”、学编程就不会使用魔法，虽然并不难但不得不说人类在内心深处确实是很懒惰的！

而一旦没有什么限制地看了更多种多样的资讯，用了更多种多样的AI以后，就会发现不止学开发那点儿事情，很多事情完全可以重新组织……

感觉智能体的使用场景还是得企业和生产力个体，也就是有私域知识库的人群……
原因是值得访问的公域内容首先要验证“你是真人”的越来越多，而能让机器人顺利访问的是AI生成内容的概率越来越大………

说得很好，确实是“10倍专业人士”的趋势～

提供了一种人类会和AGI很好地共存的视角～

“长期以来，我们一直把软件工程看作是解决非常明确的问题的过程，因为软件开发成本曾经非常高，所以你不希望冒险去开发一个对别人没有实际帮助的东西。而你现在的做法，更像是从另一个方向切入，强调的是做一些能够让人产生情感反应的东西，这种方式与写作和创作本身是兼容的，很大程度上取决于品味、视野、经验和创造力等等，我认为软件正朝着这个方向发展。

世界上其实只有少数问题可以像这样逐步解决，而大多数问题则更为模糊，无法像那样被拆解成一个个可以验证每一步的解决方案。这些问题往往牵涉到品味、直觉、模式匹配等。然而，大模型并不擅长这些问题，因为我们不能像处理可证明的问题那样，通过相同的反馈回路来优化这些问题。反馈回路总是“做一些事情，从世界中获取数据，提出新的想法，新的视角，然后再次尝试，看看结果如何”。”

同意，每一个成型的交付都是一次表达！

看起来能从0做到10以后不做10到100会让很多有能力的团队心有不甘，实际上从风险回报的角度是不错的选择。因为早期启动到业务成型可以是低成本孵化，主要靠团队的创新能力取得突破，能完成这一阶段属于低风险高收益～～
而从10到100虽然有可能发展成很大体量的业务，但前提就是巨大的投入和更低的成功率……

另一个角度看“企业生命周期”

从知识漏斗的视角看新业务从0到1加上从1到10的过程有三个阶段：“探索谜题”、“得到启发”、“形成程式”。

成功跨越三个阶段的新业务配置是“探索谜题”+“得到启发”阶段都用创新能力最强的人，一旦步入“程式化”就会配置执行能力比较强的团队快速夯实业务壁垒和行业地位。

从这个角度看新旧时代转型期成熟企业的难点在于，已经配置了强大的执行团队（适应10-100以后的阶段）而创新型人才储备不足，但进入平稳期的传统业务运营成本又非常高……

所以企业生命周期的挑战永远存在，并且我觉得不是所有的团队都一定要经历从0到100。实际上就应该专门有一波人做从0到10，然后把业务卖掉，因为做好这一阶段和做好下一阶段的根本能力是完全不同的……

还没有试过正儿八经用AI进行文学创作，如果作者把故事的主题和结构搭好了，内容生成的时候就让它“失控”好了，有可能让它多尝试几次就有不错的小片段出来了……我感觉用AI写小说比写报告容易多了……当然也很大可能但凡是觉得容易的，都是“无知者无畏”，真的是某个领域的行家都不会觉得容易，更何况好的作品本来就是稀缺，比较容易制造的是“文化快消品”🐶🐶🐶

我觉得工程的进步会比想象中快，最好的RAG人才已经在创业，最想抢AI搜索的大厂已经在烧钱靠组织能力竞速。另外有个感受是，AI搜索会变成不少团队都多少有点会的能力，原因是想开发个正经AI产品时经常会发现第一步要解决的就是RAG能力…… //@JackyM: 工程上估计还是要有2-3年的时间的，已经足够传统搜索转型了。

看下来随着RAG的不断进步，传统的搜索是真的会被全面暴击，或者成为AI搜索的上游……

“在实际的RAG场景中，很多问题都是简单的信息检索问题，例如“茅台Q3的净利润”“茅台的买入评级”，考验的是模型的知识检索能力，即根据问题从召回的候选片段中找到正确的答案再组织成易于理解的语言输出到前端。

大模型主导的RAG系统其实是大模型决定何时来调用工具（召回），何时去做检索，检索时的查询是什么。

大模型主导的RAG系统可以通过Agent来实现，Agent可以看作LLM与工具集合（如搜索引擎、数据库、网站导航等）的集成。在Agent中，LLM是推理引擎，它基于用户输入来计划和执行满足请求的一系列操作。”