AI 变现案例

客户要求“尽快给一份分析报告”，但别急着让AI生成。真正有价值的报告，前提是先梳理需求、明确受众、确认内容。本文从需求分析、报告类型到生成流程，系统拆解如何用AI高效产出高质量分析报告，避免沦为“看起来像报告”的空壳。 客户说尽快给我一个分析报告，我们可千万不要认为有AI辅助很简单，一上来就立刻生成报告，也不要急着开发分析报告生成系统。在开始之前，最好先把需求、报告受众、报告内容和交付形式梳理清楚。 AI 可以参与数据分析报告的生成，但一份真正有价值的报告，前提是先完成业务梳理、数据梳理和需求确认。 PART 1｜先做客户需求分析 1. 客户要的是报告，还是工具？ 首先要确认，客户需要的是一份分析报告的成果，还是需要一个能够生成分析报告的工具。 这两个需求看起来相关，但实际交付内容完全不同：前者关注报告本身是否能回答问题，后者还要进一步考虑数据接入、处理流程、生成逻辑和使用方式。 2. 明确分析报告的目标受众 不同受众关注的细节并不一样： 决策层（领导）：关注总体趋势和关键指标，需要清晰明了的结论。 执行层（业务分析人员）：关注具体操作层面的细节，需要详细的分析和指导。 技术团队（数据管理员）：关注数据处理和算法细节，需要深入的技术讨论。 3. 明确报告要回答什么问题 报告内容主要包括四类：描述现状、诊断问题、业务预测、提供建议。 如果这些问题没有先确认清楚，AI 即使能够生成一份结构完整的报告，也可能只是“看起来像报告”，并没有真正回应客户的业务问题。 4. 用需求分析确认单统一口径 客户需求可以整理成一份需求分析确认单，先在内部确认，再和客户确认。（以下是我生成的需求确认单） 如果需要原报告模板，可以私信“需求分析确认单”获取。需求确认环节可以使用这样的 AI 提示词： 结合《需求分析确认单》和XXXXX（已经掌握的内容），进行需求分析确认单的生成。 PART 2｜先判断报告类型，再组织报告内容 1. 报告分类 根据使用场景，分析报告可以分为三类： 1）日常报告： 周报、月报、季报，适用于周期性复盘，侧重进度跟踪、指标对标与计划排布。报告目录可参考如下结构： 2）专题报告： 某个场景或某个主题的专项分析，侧重问题拆解、成因分析与解决方案。报告目录可参考如下结构： 3）综合分析报告： 全面评价一个地区、单位或其他方面的综合情况，侧重多维度全景分析、综合研判与整体策略。报告目录可参考如下结构： 2. 报告内容采用“总—分—总” 报告内容可以采用“总—分—总”的结构：前面先说结论，中间描述分析过程，最后展示分析总结和建议。 内容展示上，可以使用图、表、地图等不同形式，具体选择取决于报告主题和受众。 PART 3｜报告生成的基本流程 报告生成可以拆成以下几个步骤： 1. 业务梳理 先理解业务背景、分析目标和需要回答的问题，明确报告最终要支持什么判断或行动。 2. 数据梳理 包括数据收集、清洗和整理。数据分析的指标体系示意如下： 3. 数据分析、计算与统计 在完成数据准备后，再进行数据分析、计算和统计。常见的数据分析方法包括描述性分析、诊断性分析、预测性分析、规范性分析、文本分析、可视化分析和高级分析等。分析方法包括： 4. 结论生成 把分析结果转化为清晰的判断，说明当前发生了什么、问题可能在哪里，以及后续可以怎么做。 5. 报告撰写与交付 报告编写完成之后，可以发送给 AI 进行样式美化，再发送给客户。 在发送给 AI 之前，建议先用脱敏脚本处理数据（之前分享过脱敏脚本)，避免把敏感业务信息直接上传，降低数据泄露风险。 PART 4｜常见的分析报告相关网站 以下网站可以作为查找行业资料和分析报告的入口。具体报告质量、收费方式和适用范围，仍然需要结合报告来源、发布时间、数据口径和研究方法进行判断。 1）国内专业研究机构（原创产出型） 艾瑞咨询：https://www.iresearch.com.cn/ 易观分析：https://www.analysys.cn/ 前瞻产业研究院：https://www.qianzhan.com/ QuestMobile：https://www.questmobile.com.cn/QuestMobil… 2）大厂商业研究院 阿里研究院：http://www.aliresearch.com/阿里研究院 腾讯研究院：https://www.tencentresearch.com/ 巨量算数：https://trendinsight.oceanengine.com/ 36 氪研究院：https://36kr.com/academe 3）国内研报聚合检索平台 发现报告：https://www.fxbaogao.com/ 洞见研报：https://www.djyanbao.com/ 萝卜投研：https://r

谷歌正在以前所未有的速度更新 Gemini。昨晚 当地时间 8 月 13 日，Google DeepMind 正式发布 Gemini 3.7 Flash。谷歌给它的定义非常直接：“迄今最智能的主力模型（workhorse model）”，重点面向编程和 Agent。有意思的是，3.7 Flash 的发布时间，距离 Ge…

Codex 和 Claude Code 两位负责人吵翻了一场开发者封号风波，最后演变成了 OpenAI 和 Anthropic 两位 Coding Agent 负责人之间的一场大型公开“互怼”。事情的戏剧性在于，双方几乎把能发生的情节都演了一遍：OpenAI 的 Codex 负责人手把手教用户怎样把 GPT-5.6 S…

昨天我把 DeepSeek Harness 装上跑了一轮：DeepSeek Harness 安装，初体验，没有惊喜。 写的比较仓促，仅仅是从安装到使用走了一遍。上午我把官方仓库整个拉下来，让 AI 分析了一下，从启动配置一路翻到 Agent Loop、会话事件、工具管线、上下文压缩和插件加载，很多看到的地方，确实有很多 DeepSeek 的设计巧思 省流：本文有AI味，不喜请立即马上迅速叉掉 DeepSeek 这次开源的真正主角，藏在网页下面 这套仓库里有 238 个工作区项目，大家使用的 Web 界面只占其中一层，模型、会话、沙箱、审批、Skills、子 Agent、工作流、上下文压缩、存储和 UI，全被拆成了可以重新组装的零件，我更愿意把它理解成一套 Agent 运行时加发行版骨架，大家说它是 Agent 时代的安卓，很形象 219 个包，DeepSeek 到底拆出了什么 官方反复强调一句话：Everything is a Plugin，至少有三层含义 DeepSeek Harness 三层插件运行时 第一层是组装层，决定这次启动要装什么 第二层是 Cordis 运行层，决定插件如何依赖、通信、卸载和清理 第三层才是用户能看到的 Agent 能力，模型、工具、循环、会话、存储、沙箱和 UI 都在这里 第一层：一个 dsh 进程，先由配置拼出来 DeepSeek Harness 启动时不会加载一份巨大的固定配置 它会按顺序叠几层东西： Bundle 列表，先放进 dsh-base web 或 headless Profile，决定产品入口 Profile 自己的 cordis.patch.yml 用户目录里的长期修改 本次命令行传入的 --patch Profile 决定整个进程有哪些能力，Preset 决定某个会话能拿到哪些工具、提示词和工作流 同一个 Web 进程里，不同会话可以挂不同 Preset 这意味着 DeepSeek Harness 的扩展单位已经从“给 Agent 多加一个工具”，扩大到“给一个会话换掉整套运行方式” 第二层：Cordis 负责让插件活起来 Cordis 是这套系统的底盘 它的 Context 可以理解成一个带作用域的服务容器，插件从里面拿 tools、llm、sessions 等服务，也把自己提供的能力注册进去 一条能力通常会拆成三个角色： 服务定义：约定能力叫什么、数据长什么样 Provider：真正提供能力，例如 DeepSeek 模型适配器 Consumer：使用能力，例如 Agent Loop 请求模型 Cordis 还提供多种事件方式 普通广播适合通知，waterfall 可以让多个插件依次改写同一份数据，parallel 可以并行执行，serial 可以按顺序找到第一个愿意处理的插件 Agent 的请求、工具审批、压缩触发、结果加工，很多接缝都靠这些事件串起来 这里最漂亮的细节叫“可逆副作用” 插件注册一个工具、监听一条事件、挂一条网页路由时，会同时登记清理动作 插件卸载或重载，Cordis 会把这些注册一起撤掉 热插拔才不会变成“旧工具还挂着、监听器越叠越多、重载几次就行为漂移” 这也是它敢把 UI、循环和存储都开放给插件的基础 第三层：连 Agent Loop 都只是一个插件 很多产品把 Agent Loop 写成不可碰的核心，再开放几个工具入口 DeepSeek Harness 把 Loop 本身也放进插件树 模型怎么请求、一步何时开始、工具怎么调度、任务什么时候停，都可以在这条链上被观察和改写 官方仓库里甚至准备了另一套 LLM 适配器 dsh-llm-pi-ai，底层使用 Pi 的 @earendil-works/pi-ai，dsh 借用了它成熟的多模型适配层，自己的会话、工具和运行时仍然走 Cordis 体系 这个安排很能说明 DeepSeek Harness 的思路：需要一项能力时，做一个 Provider 接进来，用户无需跟着重写 一轮任务，源码里同时跑着两条线 DeepSeek Harness 里，一个 Turn 可以包含很多 Step 一次 Step 大致等于一次模型请求，加上这次请求产生的工具调用 DeepSeek Harness Turn 与事件管线 第一条是持久事件线 一次任务会依次出现： turn/start step/start user/message request header assistant/chunk assistant/message tool/call tool/result step/end turn/end 模型供应商、模型名、思考强度、系统提示词和工具目录，也会作为请求头快照写进日志 后面恢复会话时，系统能知道当时到底给模型看

千呼万唤始出来，DeepSeek Harness 发布了，先说个冷知识，DeepSeek Harness 是用 Claude Code 开发出来的 如果你还在好奇 Harness 到底是什么，最简单理解： 除模型本身以外的所有工作，都属于Harness的范畴 基座大模型相当于智能体的“大脑”，负责推理、理解需求、生成代码；读文件、改代码、执行命令、组织上下文、调用工具、保存会话、申请权限、派发子 Agent，这些模型之外的工作都在 Harness 这一层 同一个模型放进不同 Harness，体验可能差得非常远，细节大家可以看我这篇文章，会有感受：被Harness圈捧成圣的 Pi Agent，接上 DeepSeek-V4-Flash，如虎添翼 如果你想更细致了解Harness可以看我这篇：2026 年，AI 编程 Agent 的真正分水岭——Harness 详解一文中已有详细介绍 下面一起看看 DeepSeek Harness 到底如何，是不是 Claude Code 平替？ 安装极简单：npx @deepseek-ai/dsh web 比较意外，它甚至没有 TUI，也没有客户端，只能网页端打开 目前还在内测，初步感觉：半成品上桌了，maybe 功夫都用在了看不见的地方吧 看 Github 上 DeepSeek Harness的设计，已经把一套完整运行环境搭出来了： Web 界面负责会话、工作区和设置 Agent Loop 负责组织模型请求与工具调用 工具系统负责执行命令、文件操作等动作 会话记录负责恢复、分叉和重放上下文 权限策略负责在高风险操作前拦一道 插件系统负责把上面这些能力替换、组合和扩展 配置模型 把官网开放平台获取的 API Key 填进去就行了 使用 界面可以用“陋室”形容，你甚至感觉来到了 DeepSeek 官网 第一步要做的是选择一个本地文件夹作为工作区 它有几种Agent预设模式，大致看了下，默认标准模式就可以，全县更大点的是 PTC 模式，可以通过 Code Mode SDK 让模型用 TypeScript 程序组合多步操作 Agent 预设可以自定义 预设即一个会话的 Agent 所运行的插件组装 —— 它的工具、提示词与能力。复制一份既有预设改成自己的，或用「创造模式」让 Agent 帮你创建。 我没来得及细致研究预设，玩深了在倒腾吧 选择一个工作区以后，输入框才会真正解锁 设置 剩下的东西都藏在设置了 比如权限设置，我都已经麻木了，直接 Full access 前面有一步模型添加，在设置中也可以，支持第三方大模型的接入 重头戏——插件 一切皆插件，才是这次开源的重点 DeepSeek Harness 的核心设计叫「一切皆插件」 我初步理解，很像被Harness圈捧成圣的 Pi Agent，接上 DeepSeek-V4-Flash，如虎添翼中 Pi 的扩展 模型适配器是插件，工具注册表是插件，会话日志是插件，连 Agent Loop 本身也是插件 很多 Agent 产品允许你装几个工具，dsh 往前又走了一步：Agent 怎么循环、工具怎么执行、上下文怎么进入模型，都可以在配置层被替换 它的底层由 Cordis 驱动，一个正在运行的 dsh，本质上是一棵启动时组合出来的插件树 官方目前提供两种主要形态： web：带浏览器界面的完整应用 headless：没有服务器，接收一次任务并返回结果 每种形态都由多层配置叠起来，基础能力放在底层，用户自己的修改放在上层 想看机器实际启动了哪些插件，可以运行： dsh --profile web --dump-config 实测 照惯例，所有模型我都会让其先做一下《背影》阅读理解+SVG 代码生成 + 审美测试 Harness 是否真的可以给 DeepSeek-V4-Flash 注入神秘力量呢 请看 整整4分钟鏖战 输出结果：差点意思，第二次背景原文没的不对呢 Token消耗情况：1 轮 · 14 步 LLM 3m55s 工具调用 18.2s 首 token 平均 1.2s 112 tok/s 缓存命中 93% 输入 680K tok 输出 24.5K tok 作为对比，看下我最近常用的 Pi+DeepSeek-V4-Flash 确实稍微好一点点，虽然第二个识别也不行 Token消耗情况 找GPT分析了一下： 指标 DeepSeek Harness Pi + DeepSeek-V4-Flash 对比 输入 680,000 245,232 Harness 约 2.77 倍 输出 24,500 6,794 Harness 约 3.61 倍 总量 704,500 252,026 Harness 约 2.80 倍 缓存命中率 93% 98.2% Pi 高 5.2 个百分点

一款广受欢迎的、隶属于 Anthropic 公司的 JavaScript 运行时及工具链在利用 AI 重写后，因其执行速度之快而广受赞誉，但也因其项目背后糟糕的编码实践而遭到批评。Bun 的创建者 Jarred Sumner 宣布，他利用一批并行运行的 Claude 智能体，仅用 11 天就将 Bun 从 Zig 编程…

过去一年，编程 Agent 的能力大幅提升，软件工程师对它们的要求也比以往任何时候都高，但上下文窗口的大小却基本停滞不前——一年前，一百万个 token 大致就是最先进的水平，如今依然如此。随着我们逐渐进入 Agent 日常处理 Monorepo（单体仓库）级任务的世界，将越来越多的信息塞进模型那固定的上下文限制中，这…

8 月 11 日，Pi Harness 创始人 Mario Zechner 转发了一组数据：开发者 0xEvan 用 Pi 调用 DeepSeek V4 Flash，处理了近 10 亿输入 Token，缓存命中率达到 99.93%，最终只花了 2.65 美元。如果没有缓存，同等用量预计需要 132 美元。同一天，另一名…

近期，Rust 项目中的五个团队已经正式采纳了一项关于 AI 编程的新准则，用来规范贡献者在向 rust-lang/rust 提交代码时，应该如何使用大语言模型（LLM）。rust-lang/rust 是 Rust 项目的主要单体代码库。该准则的作者 Jynn Nelson 于 2026 年 8 月 5 日在 Insi…

以工程视角串联现代 LLM 四阶段训练栈：预训练、中训、SFT 与对齐。覆盖数据、Tokenizer、优化器、精度、Scaling Law 与代表性训练框架，方便对照自己的训练与微调管线。

2026 年，智能体将在企业级应用中取得哪些实质性突破？ 点击下载《2026 年 AI 与数据发展预测》白皮书，获悉专家一手前瞻，抢先拥抱新的工作方式！随着 AI 改写规则，几乎每一位工程领导者都在回答同样的问题：工程团队应该如何组织？当基础模型持续进步时，组织应该把资源投向哪里？怎样在不引入不可接受运营风险的前提下提…

IBM 和 Red Hat 宣布扩展 Lightwell，推出新的商业产品，旨在帮助组织为 AI 辅助软件开发时代建立可信、可验证的软件供应链。新产品以开源 Lightwell 项目为基础，旨在简化软件签名、来源追踪、工件验证和策略执行，使企业能够确保由人类和 AI 生成的软件在整个软件交付生命周期中都值得信任。这项公…

大模型能力持续演进，但 AI 的下一阶段竞争正在发生变化。模型能力之外，如何构建可靠的智能体、完善 AI 工程体系，并让 AI 在复杂业务环境中稳定运行，正在成为产业探索的新重点。8 月 21 日-22 日，AICon 全球人工智能开发与应用大会将在深圳举办。大会全日程现已 100%上线，来自产业一线的技术专家将围绕…

Visual Studio Code 1.133 版本现已发布。此版本为用户提供了更灵活的 Claude 会话体验，让长篇对话更易于跟进，并能在用户工作时实时刷新本地 HTML 预览。 更改 Claude 会话的模型供应商：在不重新配置 agent host 的情况下，在回合之间切换供应商。 无需登录 GitHub 即可使用 Agent 窗口：当无法登录 GitHub 时，可使用...

智谱宣布正式发布 GLM-5.3。且 GLM Coding Plan 全员额度在今天 13:00 重置，所有用户后台「用量统计」可见使用额度回满。 与 GLM-5.2 相比，GLM-5.3 基座模型没变，但通过极致的后训练 Scaling 大大提高了模型的智能上界：数十倍的长程任务环境、更丰富多样的环境类型、超长的后训练时间。 公告称，充分的模型后训练涌现...