AI 变现案例

这是苍何的第 578 篇原创！ 大家好，我是苍何。 一夜之间，DeepSeek V4 Pro 正式版发布了。 目前从官方给出的评测数据表现，V4 Pro 各方面表现都优于 V4 Flash。

IT之家 8 月 18 日消息，MINISFORUM（铭凡）今日宣布推出两款基于移动端处理器的紧凑型台式整机，即 139D7 和 895D7。139D7 基于英特尔酷睿 i9-13900HX、895D7 则基于 AMD 锐龙 9 8945HX。考虑到这两款处理器本就是桌面端产品的移动端 BGA 化移植版，139D7 和 895D7 甚至可被称为 "DToMoDT" 系统。139D7 & 895D7 内置 2 个 DDR5 SO-DIMM 内存插槽和 2 个 PCIe Gen4 ×4 的 M.2 2280 盘位，提供支持双槽半高 AIC 的全长 PCIe Gen5 插槽，支持 2.5GbE LAN 和 Wi-Fi 7 WLAN。其三维 312×292×93 (mm)，体积 8.47L，裸机质量 3.79kg；内置 400W 电源，支持 100W CPU 性能释放和 145W GPU 性能释放；正反两面提供一系列外置 I/O 接口。

先跑个示例 仍然从预热文章里的这几行代码开始： 4 行代码，就能完成一次和大模型的对话。 但仔细一看，问题就出来了： ChatClient 是谁创建的？ prompt() 返回了什么？ user("你

IT之家 8 月 18 日消息，科技媒体 404Media 昨日（8 月 17 日）发布博文，报道称 Meta 公司申请新专利，探索让智能眼镜借助内置人脸识别技术，识别视频画面中的人物及其与佩戴者的关系，并自动生成带人物标签的集锦片段。IT之家援引博文介绍，专利描述称系统可以标注画面中有哪些人、他们正在做什么，以及他们与佩戴者的关系。根据专利构想的 1 个应用场景，用户在晚宴或聚会上佩戴眼镜录制视频后，AI 可以询问用户是否想查看这场活动的精彩片段。Meta 在专利文件中将相关技术描述为一种工具，目标是“以适当的系统和使用方式，协助用户完成适当的、基于摄像头的任务”。该媒体认为除智能眼镜外，类似技术也可能用于其他摄像头系统，包括企业或安防场景。从现有产品限制看，Meta 眼镜当前只能录制 3 分钟或 5 分钟的视频，因此用户处理视频方面依然存在较大挑战。相关设计还可能加剧隐私争议，Meta 眼镜近期已经在更多地点受到限制或禁止使用，用户也持续质疑其录制行为是否足够透明。

阅读代码，很多时候比写代码更困难。 尤其是下面这些场景： 教程中的示例使用了没见过的语法。 接手一个项目，不知道文件之间如何关联。 看到一个函数，却不知道它为什么这样写。 代码可以运行，但不理解输入和

一部由母女二人耗时5年制作的86分钟动画电影《牛来》，上映后票房惨淡却因粗糙画面走红网络。本文以此为样本，重新计算AI时代制作同类型电影的成本与周期，探讨AI如何压缩执行成本，以及创作者判断力与内容辨识度的真正价值。 《牛来》可能是今年最适合拿来算一笔AI生产账的电影。 这部86分钟的动画电影，主创核心只有信雨萌和母亲孙丽芳两个人。 没有庞大的动画团队，两个人边学边做，前后耗时5年完成。 影片8月5日上映后，前9天累计票房只有7169元、236人观影，随后因为画面粗糙、网友猎奇和玩梗迅速进入大众视野。 有意思的是，《牛来》开始制作的时候，今天这套AI视频生产方式还没有出现。 如果把时间拨到2026年，还是这两个人，故事也不变，只把主要制作工具换成小云雀和 Seedance 2.5，一部《牛来》还需要5年吗？又要花多少钱？ 我认真算了一遍这笔账。 01 5年时间做《牛来》 《牛来》经常被形容为“低成本动画”，但这里很容易忽略一笔没有出现在财务报表里的成本：时间。 没有几十人的动画团队，也意味着建模、场景、人物动作、渲染、配音、后期这些事情，只能被两个人一点点消化。 公开报道提到，两位主创没有专业制作团队，边学边做，最终完成86分钟成片。 所以《牛来》真正极端的地方，在于它用极少的人，把传统制作中的大量人力成本换成了自己的5年。 如果今天重新制作，AI首先压缩的恰恰就是这部分成本。 02 AI重构生产成本 现在再做一遍《牛来》，工作流已经完全不同。 前期可以先把完整剧本交给小云雀。它今年上线的短剧Agent已经支持最高10万字剧本，从剧本理解、角色、场景到视频成片完成一整套流程；7月底又接入 Seedance 2.5。 这意味着过去需要两个人逐个搭建的角色、场景和分镜，现在可以先由AI批量生成第一版，再由人修改。 真正负责大量动态镜头的，则可以交给 Seedance 2.5。 官方版目前单次最长可以生成30秒视频，一次最多上传50份图片、视频和音频参考素材，同时支持对已有视频进行局部修改。 成本结构也随之发生变化。 过去的问题是“这个镜头要做几天”，现在变成“这个镜头要生成几次”。 图源：Sina Weibo 03 AI真实成本是重复加工 《牛来》86分钟，也就是5160秒。 按照 Seedance 2.5 单次最长30秒计算，最理想的情况下，大约172段视频就能拼出86分钟。 但实际制作电影时，这个数字几乎没有参考意义。 人物动作不对要重做，情绪不对要重做，角色前后长得不一致要调整，镜头之间衔接不上也要继续生成。即便 Seedance 2.5 已经可以利用多模态参考素材提高角色和场景的一致性，长达86分钟的内容依然意味着大量重复加工。 所以这笔账应该把返工算进去。 Seedance 2.5目前Premium资源包官方价格为640美元/1亿Tokens，对应约2500—10000秒480P视频。 按照8月17日约1美元兑换6.74元人民币计算，5160秒画面如果全部一次通过，理论生成费用约为2200—8900元。 一旦加入返工，成本马上开始变化。 图源：YIHELI 04 电影创作的最终价值是导演对内容的判断 钱省下来以后，人依然很忙。 Seedance 2.5可以同时参考大量角色、场景、音频素材，还可以直接修改视频中的人物、光线、背景和风格，同时尽量保留原来的运动与构图。相比过去整段推翻重做，这已经明显降低了修改成本。 但一部86分钟电影真正麻烦的地方，是接下来几百甚至上千次判断。 这个表情能不能用，这一场要不要重做，这个镜头应该停几秒，人物前后的状态有没有变化，哪些生成结果虽然漂亮，却根本不属于这部电影。 这些事情依然需要人决定。 所以AI出现以后，创作者的工作重心正在变化。 过去，两个人的大量时间花在亲手把画面做出来；未来，两个人更多的时间会花在大量结果中不断筛选、修改和统一。 执行能力越来越便宜，判断能力反而越来越贵。 因此，如果还是两个人全职制作，我会把AI版《牛来》的制作周期粗略估在3—6个月。 这并不意味着AI生成5160秒画面需要几个月，时间主要会消耗在剧本拆解、素材准备、镜头生成、筛选、返工和最终剪辑上。 和原来的5年相比，AI压缩掉的是其中大量重复制作。 图源：Sina Weibo 05 电影真实感和参与感越来越值钱 但《牛来》还有另一层值得讨论的地方。 如果以后两个人花几万元、几个月就能完成一部长片，那么市场上的电影和视频内容一定会继续增加。 制作精良本身，也会越来越容易获得。 《牛来》的走红恰好提供了一个很特殊的样本。 它最初进入大众视野，恰恰来自粗糙、笨拙和“不标准”。在AI越来越容易生成精致画面的环境里，这种明显带着人工痕迹的天然感，反而让它拥有了强烈的辨识度。 随后，从众心理继续放大传播。当越来越多人

AI产品经理与传统PM的差异远不止技术门槛。本文从决策依据、协作半径、成功标准到能力结构，层层拆解AI PM的独特挑战，并揭示其作为翻译官、调教师、守门员的三重角色。一张能力地图，帮你定位短板，避开新人常踩的三个坑。 前阵子，我刷到一条招聘JD，差点把咖啡喷在屏幕上。 “精通Transformer架构、能独立训练百亿参数大模型、熟悉CUDA优化。” 岗位名称——AI产品经理。 我当时就想问这位HR一句：你这是在招PM，还是在招一个挺贵的算法工程师？ 后来我想明白了。不是HR不懂，是连业务负责人自己都没想清楚：AI PM到底是个什么岗。于是干脆把能想到的技术词往JD里堆，显得专业。 今天这篇，不聊怎么用ChatGPT，不聊Prompt小技巧。我想认真回答一个问题——AI产品经理，到底和过去我们熟悉的那个PM，差在哪。 这个问题不搞清楚，你转型也好、招聘也好，全是南辕北辙。 一、先说结论：AI PM难在哪 我先把话撂这儿—— 传统PM在”能不能做”和”该不该做”之间做权衡；AI PM还得加一层：模型做不做得来、划不划得来。 这句话是我这些年踩坑踩出来的。 为啥要加这一层？因为AI PM的决策变量，比传统PM多了两个新东西：模型能力，和模型成本。 同样一个”智能客服”功能，你用顶级大模型能做，换个小模型可能就做不了；用大模型一次调用1块钱，换小模型可能1分钱。这俩数字直接决定功能能不能上线、敢不敢放量。 传统PM拍板靠”需求+竞品+业务目标”三件套，基本能定功能。AI PM不行。你还得懂：这个模型到底扛不扛得住我的场景？这一刀切下去，一个月烧多少钱？ 不懂这两个变量，你连需求评审会都过不了。 二、四个差异，一个比一个要命 我把AI PM和传统PM的差别，压成四条。条条都是真刀真枪。 第一条，决策依据变了。 刚才说了，多了”模型能力+模型成本”。一个功能业务上说得通，但模型其实做不到——这种需求我见过太多。PM拍着胸脯说能做，算法同学一算，召回率上不去、延迟太高，最后灰头土脸返工。 第二条，协作半径大了。 传统PM协作的是开发、设计、测试、运营。AI PM要多一群人：算法工程师、数据工程师、评测、甚至模型供应商。 这意味着什么？你的语言体系得扩。 你不能跟算法同学说”要准一点”——这不叫需求，这叫许愿。你得说清：”我要召回率优先还是精确率优先，延迟控制在800毫秒内。”否则人家接不住你的PRD。 第三条，成功标准打架了。 传统功能上线看DAU、转化率、留存，清清楚楚。AI功能上线，这些之外还有：准确率、幻觉率、延迟、成本/调用。 最要命的是，这几个指标会互相打架。 要准，就得慢；要快，可能贵；要省钱，可能不稳。 AI PM的难，就难在这些指标打架的时候，得你拍板。这个功能，是宁可慢也要准，还是宁可偶尔错也要快？这不是技术问题，是产品决策，是你的活。 第四条能力结构的变化，我放到后面能力地图那段细说。先看个更直观的。 三、差距不在模型，在问的人 给你看个对比，我反复用的。 同一个大模型，我问它同一个问题，两种问法。 问法A（普通用户问法）：“帮我写个产品介绍。” 问法B（PM会问的问法）：“你是一个有10年经验的B端SaaS产品文案。我要为我们新上线的AI评测平台写一段首页产品介绍，目标用户是AI产品经理，核心卖点是无代码搭建评测集+多模型横向对比，语气专业但不端着，200字以内，结尾带一个CTA。” 结果天差地别。A版是水词堆砌，B版直接能用。 差距不在模型，在问的人。 同样一个模型，会不会问，产出能差出十条街。这就是为什么我说，Prompt不是”念念咒”那么简单。它是AI PM的核心手艺活。 （顺便剧透：Prompt这块我会专门讲一整篇。今天先记住这个对比画面。） 四、AI PM其实是三个角色在切换 讲完了AI PM和传统PM的差别，再往里看一层。 一个AI PM，在不同时刻，其实是三个角色在切换：翻译官、调教师、守门员。 这三个身份，对应AI产品生命周期的三道关。我挨个说。 翻译官：翻译的是业务需求 ↔ 模型语言。 老板跟你说”我要个智能客服”。你要是直接把这句话扔给算法，项目必崩。 你得翻译成：意图识别准确率≥85%、多轮上下文窗口3轮、FAQ库覆盖Top200问题、兜底转人工。 不会翻译，需求就是一团雾，算法接不住。这是你跟算法同学的接口，也是你存在的第一个理由。 你可以现在就自检一下：你最近的一个需求，能用一句话翻译成模型指标吗？想不出来说明翻译官身份还没上线。 调教师：调的是模型的输出表现。 模型给的是概率续写，默认输出未必符合你产品调性。它可能太啰嗦、可能爱编、可能语气不对。 你得会写Prompt、会配Few-shot、会调温度、会搭RAG——这些让模型”懂事”的活，都归调教师。 这是AI PM最像”手艺人”的地方。算法

未来的AI创业，不再比拼“谁的模型更强、谁的功能更多”，而是比拼： 谁更垂直、谁更落地、谁更懂特定用户的真实需求。 大而全的时代结束了，2026年，属于小而专的AI幸存者。

AI标识能告诉你内容由AI生成，却无法告诉你这张脸是否经过本人同意。当假广告顶着你的脸传播，换脸视频模仿你的声音借钱，你需要的不仅是识别，更是授权控制。本文拆解生成工具与发布平台的责任边界，探讨肖像撤回能力如何贯穿生成、发布与传播全流程。 如果一条广告顶着你的脸卖减肥药，一段视频模仿你的声音向家人借钱，另一张恶意图片又把你的脸拼进色情场景，你最先需要的是阻止它们继续出现。识别AI的科普课可以排在后面。 你需要有人把内容拦下来，还要知道它从哪里生成、被谁上传、复制到了哪些地方，以及下一次换个账号重发时，平台能不能继续认出它。 今天的大多数AI产品已经能回答一个问题，这段内容是否由AI生成。可对受害者更重要的问题仍然悬着，这张脸有没有得到本人同意。 两个问题只差几个字，背后却是两套完全不同的产品系统。 生成标识服务于观看者，提醒大家保持警惕。授权记录服务于权利人，证明别人有没有资格使用这张脸。前者解决知情，后者解决控制。如果产品只做前者，一位普通人仍然可能看着标有“AI生成”的假广告到处传播，却找不到收回自己肖像的入口。 这篇文章想讨论的，就是这个经常被标签遮住的空位。 一、AI标识越来越清楚，授权问题却没有随之消失 二〇二五年九月一日起，《人工智能生成合成内容标识办法》正式施行。按照规定，文本、图片、音频、视频和虚拟场景等生成合成内容，需要设置显式标识和隐式标识。生成服务提供者还要在文件元数据中写入生成属性、服务提供者名称或者编码、内容编号等信息。内容发布平台则要核验元数据、用户声明和能够识别出的生成痕迹，并向公众作出提示。 这套制度非常重要。过去一张假图能装成相机拍摄，一段换脸视频也能混进真实视频里。标识制度至少在内容与观看者之间放了一块警示牌。 问题在于，警示牌只能告诉你前方有AI，不能告诉你这张脸是否经过授权。 一条假广告可以同时满足两个条件。它明确标注了AI生成，也未经当事人同意使用了当事人的脸。平台完成了标识义务，侵权风险依然存在。对被冒用者来说，“大家知道这是假的”也无法替代“请停止使用我的脸”。 民法典第一千零一十九条已经明确，任何组织或者个人不得利用信息技术手段伪造等方式侵害他人的肖像权。未经肖像权人同意，不得制作、使用、公开肖像权人的肖像，法律另有规定的情形除外。第一千零二十三条又把对自然人声音的保护，参照适用肖像权保护的有关规定。 法律给出了权利边界，产品还缺少一条能让权利运行起来的路径。 现在常见的举报流程往往要求受害者逐条发现、逐条截图，还要反复证明身份并等待审核。一条内容删掉以后，下载者可以再次上传，营销号可以换标题，诈骗者可以重新压缩视频。受害者刚跑完一圈，内容已经换了一件外套回来。 这一部分的重点很简单。 AI标识回答内容从何而来，肖像授权回答谁允许它出现。一个合格的高风险AI产品，需要同时回答这两个问题。 二、一张脸被复制以后，伤害为什么很难停下来 最高人民法院公布的相关案例已经说明，AI换脸造成的风险远远超出娱乐滤镜。 在未经许可把他人肖像制作为换脸模板的案件中，法院认定相关行为侵害了肖像权。另有案件涉及利用AI深度伪造淫秽图片并散布谣言，行为人最终因诽谤罪获刑。还有人使用深度换脸和声音合成实施网络交友诈骗，被法院以诈骗罪判处刑罚。 假广告、诈骗和色情换脸看起来属于三类内容，放进产品的处理过程后，会发现它们共享同一处漏洞。 第一步，行为人获得一张照片或者一段声音。它可能来自公开账号，也可能来自群聊、直播切片或者被泄露的资料。 第二步，生成工具把身份特征变成可重复调用的素材。过去制作一段逼真的换脸视频需要设备和专业人员，现在普通用户也可能在较短时间内做出足以迷惑特定人群的内容。 第三步，发布平台把单个文件变成传播事件。推荐、转发、下载、搬运和多账号分发不断制造副本，原始链接只是其中一个入口。 第四步，受害者才被动发现。此时他们面对的是一串散落在不同产品里的复制品，原始文件只是其中一个。 这会产生一种很典型的权力差。生成者只要操作一次，受害者可能要举证很多次。大平台拥有识别、限流和拦截能力，普通人只能拿着截图四处填写表单。名人和大型机构至少有经纪团队、法务人员和舆情系统，普通人往往连内容出现在哪里都不知道。 因此，问题的核心不只是造假越来越容易。更棘手的是，复制成本下降以后，撤回成本仍然由受害者承担。 我们早已习惯了消息可以撤回、银行卡可以挂失、账号可以冻结。到了人的脸和声音这里，产品却仍然把它们当成普通素材。素材一旦导出，系统便默认任务完成。至于素材属于谁、授权是否到期、权利人后来是否撤回同意，往往不再是生成产品关心的事。 这正是AI产品需要补上的一层能力。 三、生成工具和发布平台，谁该负责 讨论AI侵权时，人们很容易陷入一场熟悉的推诿。 生成工具会说，内容是用户做的。发布平台会说，文件来自外部。

答案： 可以。你现在问到的是 LLM 推理最核心的一条链路。我先不讲复杂数学，而是把每个名词拆开，再把它们串成一条完整的“模型到底干了什么”。

路透社发表独家报道，揭示了 Google 过去几个月 AI 部门动荡的内幕。核心剧情线有三条：一位联合创始人亲自下场干预模型训练，一位深度学习之父被架空，以及两位创始技术负责人出走创业。 Brin 的四月讲话 2026 年 4 月，Google 联合创始人 Sergey Brin 临时召集了一场面向数百名 DeepMind 员工的 town hall。他的信息很...

IT之家 8 月 18 日消息，8 月 18 日，AR 品牌雷鸟创新（RayNeo）正式宣布，全新产品系列“雷鸟 iO 系列”即将亮相。其中，系列首款产品雷鸟 iO AI 眼镜将于 8 月 21 日 14:30 正式发布。在新品预热阶段，雷鸟品牌代言人蒋奇明携手李诞、柯洁、神奇阿宇等多位明星提前佩戴了雷鸟 iO AI 眼镜。“iO”名称来源于计算机领域中的 I/O（Input & Output，即输入与输出）。雷鸟创新表示，该系列产品将围绕下一代个人智能终端展开探索，希望通过眼镜这一更贴近用户日常生活的设备，建立人与数字世界之间更加自然的交互方式。此次即将发布的雷鸟 iO AI 眼镜，被官方定位为“人类增强 AI 眼镜”。据介绍，它不仅要提供信息，更要帮助人看得更多、记得更牢、表达得更好，将 AI 能力真正转化为人的能力延伸。在产品设计方面，雷鸟 iO 重点围绕智能眼镜长期佩戴体验进行优化。官方透露，雷鸟 iO 对整机结构、光学系统与镜框形态进行了重新设计，将显示模组压缩进经典皇冠镜框之中，全新自研的光波导显示技术，让镜片显示区域几近隐形，信息可以自然地出现在用户视野中；纤细钛金属镜腿搭配复古框型，使整机在视觉上更加轻盈，也更接近一副日常眼镜。从目前公布的信息来看，雷鸟 iO 采用了接近传统眼镜的设计语言，搭配纤细钛金属镜腿以及复古框型。除了硬件设计外，AI 能力也是雷鸟 iO 系列重点关注的方向。官方表示，新品将在知识、表达和记忆三个维度打造相关应用体验，帮助用户获取和理解信息，同时在沟通表达、内容记录等场景中提供辅助。在正式发布之前，雷鸟 iO 已通过多次公开亮相引发关注。此前，雷鸟创新联合《上城士》发布时尚大片，范伟率先佩戴雷鸟 iO 出镜；随后在电影《欢迎来龙餐馆》相关路演活动中，蒋奇明也提前佩戴该产品亮相。目前，雷鸟 iO AI 眼镜已经开启预约。8 月 21 日 14:30，雷鸟将正式发布该系列新品，届时产品具体配置、功能以及售价信息将进一步揭晓，IT之家将持续关注。

商业语言正成为企业创新的隐形枷锁。本文提出从“备战未来”到“塑造未来”、从“行业赛道”到“可能性空间”等九大关键词转向，揭示语言如何重塑战略思维与价值创造，为领导者提供一套面向AI时代的新商业词典。 商业世界已然改变，但商业的话语体系却停滞不前。 竞争优势、核心竞争力、战略规划、规模经济、绩效管理、变革管理——这些概念塑造了几代领导者和管理者，至今仍在主导企业的思考、投资与行动方式。 毫不奇怪，它们诞生于一个确定性更高的时代：行业边界清晰、竞争对手一目了然、技术迭代缓慢，战略可以基于过往经验推演。那时，规模制胜，变革是阶段性事件，战略先规划、后执行。 但那个世界已经不复存在——AI正在加速创新，行业边界日益模糊，客户需求愈发碎片化，地缘政治正在重绘市场版图。全新竞争者与新商业模式可以转瞬崛起，竞争优势变得更短暂，可能性却更丰富。 然而时至今日，商业语言却仍困在过去。这件事至关重要——我们使用的语言，塑造我们的思维、左右我们的抉择，并最终决定价值创造的结果。 不妨对比几组表达： 要求管理者“为未来做好准备”，他们只会为“预想中的未来”做准备；而请他们“创造未来”，他们就会思考“想要创造怎样的未来”，并付诸行动。 以所属“行业”定义一家企业，管理者只会盯着现有市场和已知对手；以“可能性空间”定义企业，他们就会从客户痛点、宏大社会问题、更有影响力的最终价值出发思考。 告诉团队要“巩固竞争优势”，他们会横向对比同行；而请他们“创造战略优势”，他们便会向前看，探索更广阔的可能性。 要求管理者“提升经营绩效”，他们就会优化当下的账面数字；而请他们“创造价值”，他们就必须思考组织未来可以成为什么。 语言提出问题，问题催生选择，选择引导投资，投资构建能力，能力创造可能——这些“可能”在时间的复利下，最终决定企业的未来。而这九个关键词的转向，即是新词典的起点，也会成为未来商业的“新枢轴”。 1、从“备战未来”到“塑造未来” From Future Ready to Future Shaping！ “备战未来” 听上去很有前瞻性，但这个表述背后藏着一个被动的预设：未来是降临到我们身上的外部事物。我们预测变化、改造组织，努力变得足够敏捷以应对变局。 更关键的是，“备战未来”是以“预测”为基础决定行为方式，其各种行动必然落后于环境变并变得被动。 而 “塑造未来” 的起点截然不同。它要求领导者不只是预判未来，更要参与创造未来。核心问题从“将会发生什么？我们该如何准备？”转变为“我们可以创造怎样的未来？我们在其中扮演什么角色？” SpaceX没有被动等待航空航天业的未来，而是试图通过可重复使用的火箭改变进入太空的经济性。比亚迪没有坐等全球汽车行业向电动化转型，而是提前布局电池、电子、制造与出行能力，加速这一进程。英伟达的黄仁勋，在生成式 AI 引爆需求之前，就多年大力倡导计算和算力。 这背后是对价值的重新理解：企业的价值，不只是它“当下是什么”，更是人们相信它“未来可能成为什么”。当期营收、利润、资产与市场地位固然重要，但只是故事的一部分。资者越来越看重未来增长、未来利润率、未来市场、未来商业模式，以及组织自我革新的能力。 ★“前瞻”的意义——不再是精准预测，而是尽早洞察并施加影响。 ▶思维转向：从“被动备战”到“主动创造”。 Old Express：我们如何应对明天？ New Express：我们如何创造更好的明天？ 2、从“行业赛道”到“可能性空间” From Industry Sector to Possibility Space！ 传统上，企业习惯用“行业”定义自身：汽车、银行、制药、零售、能源、通信。这类划分固然方便，却也会成为战略牢笼。 “行业赛道”往往围绕产品与生产者定义：企业生产什么、如何生产、谁在生产类似产品。与之相对，“可能性空间”完全不同——它从客户、问题与期望成果出发。 一家车企，可以把自己局限在汽车行业参与竞争，也可以探索“出行”的可能性空间：人与货物如何安全、便捷、可持续地移动。 一家药企，可以围绕“药品”定义自己，也可以围绕“帮助人们更健康、更长寿”。 一家银行，可以围绕“金融产品”定义自己，也可以围绕“财务健康与经济进步”。 一家能源企业，可以思考“发电与配电”，也可以思考“支撑韧性、可负担、低碳的经济体系”。 这一区分意义非常容易理解。客户/用户不会用行业标签思考——他们只想要解决问题、实现目标、获得想要的结果；技术同样无视行业边界——AI、生物技术、机器人、储能、数字平台不断打通原本割裂的赛道，在行业交叉地带创造大量机会。 比如苹果的发展路径，它可以被归类为科技公司，但业务不断渗透通信、娱乐、金融服务、医疗健康与智能领域。平安同样跳出传统保险，搭建起金融、医疗、科技互联互通的生态。 这里还是得说7-Eleven。过去三

Qwen3.8-27B 开源后，我用双 RTX 4090 跑通了：vLLM 0.27.1、128K 上下文与 MTP 实测 Qwen3.8-27B 发布后，我第一时间在现有双 GPU 服务器上搭建测试

当AI Agent开始调用工具、操作真实系统，单纯优化Prompt已无法解决信息缺失、状态混乱和权限失控等问题。本文深入探讨Harness Engineering如何成为Agent可靠性的关键，揭示竞争焦点正从提示词转向执行环境的搭建。 过去几年，AI产品出现问题时，团队最常见的解决方式是修改Prompt：回答不准就补背景，输出不稳就加格式，执行跑偏就增加步骤，担心幻觉再强调不得虚构。随着问题不断出现，系统Prompt越来越长，逐渐从任务说明变成一份试图预判所有异常的操作手册。 这种方法在摘要、分类、文案或结构化提取等单轮任务中确实有效。但当Chatbot变成需要调用工具、读取信息并执行操作的Agent，事情开始变化。 Agent可能找不到资料、调用错误工具、忘记目标，也可能重复失败路径，或者未经验证就宣布完成。此时继续补规则无济于事：Prompt无法让缺失的数据凭空出现，无法代替任务状态，也不能成为真正的权限边界。 本文所说的失效，不是Prompt没有价值，而是只要把Prompt写得足够准确，就能让模型稳定完成任务这一假设正在失效。 Prompt只能告诉Agent应该做什么，却不能独立解决信息、工具、状态、失败和权限问题。这些属于模型之外的执行系统，也就是Harness Engineering。 AI Agent的竞争重点正在转移：团队比拼的不再只是谁更会向模型提要求，而是谁能为模型搭建可靠的工作环境，把一次聪明的回答变成一个真正完成的任务。 一、Prompt没有消失，但正在失去独立解释力 Prompt Engineering解决了一个重要问题：如何把人的意图转换成模型更容易理解的指令。生成式AI应用早期，很多任务都可以压缩成一次调用，无论摘要、分类还是信息提取，都没有脱离输入—生成—输出。在这种形态下，Prompt几乎决定模型工作的全部上下文。 一个设计良好的Prompt，可以帮助模型理解目标、限定范围并降低不确定性。同样面对用户访谈，总结内容和提取影响付费决策的因素会得到不同结果；Few-shot示例和结构化要求也能提高稳定性。 这些价值没有因为Agent出现而消失。Agent仍然需要系统Prompt理解角色、任务和行动原则，工具描述本身也需要Prompt Engineering，因为模型能否正确调用工具，与工具名称、参数说明和边界描述密切相关。Anthropic在总结Agent工程经验时提到，他们构建编码Agent时，用于优化工具的时间比优化整体Prompt更多。这说明Prompt Engineering仍然存在，但工程对象已经从写一段总指令扩展到模型与系统之间的交互接口。 Prompt有一个明显特点：它离结果很近。回答不好，修改一句指令，重新运行后就可能看到变化。相比训练模型、改造检索系统或调整工具接口，修改Prompt的成本很低。这种即时反馈容易让团队形成经验判断：既然改Prompt能改善结果，更多问题也应该能通过Prompt解决。 于是，一些本属于系统设计的问题被不断写进Prompt：为了防止工具误用，增加选择规则；为了避免遗漏步骤，要求严格遵循流程；为了处理异常，补充失败后的应对方式；为了限制风险，加入大量禁止事项；为了减少幻觉，反复强调必须真实。 这些规则并非完全无效，但Prompt只能影响模型产生下一步输出的概率，不能替代确定性控制。不得调用未经授权的工具无法代替权限系统；失败后尝试其他方法无法代替重试和回退机制；请确保任务已经完成也无法代替可执行的验收条件。把这些要求全部写入Prompt，相当于把本应由程序保证的行为交给模型临场判断。 Prompt Engineering正在经历的变化，与其说是消失，不如说是基础设施化。Anthropic在Context Engineering实践中提出，系统Prompt应保持清晰、直接，并处于合适的抽象层级；把复杂逻辑过度硬编码进Prompt，会带来脆弱性和维护成本。随着模型能力增强，一些具体格式的重要性也可能逐渐下降。 成熟AI产品仍会拥有经过设计的Prompt，但很少能仅凭它建立长期壁垒。真正难以复制的是业务中的任务结构、工具体系、状态机制、失败处理、权限规则和评价标准。所以，失效指Prompt正在失去对Agent成败的独立解释力和作为核心壁垒的独立价值。它仍是理解任务的入口，却不是完成任务的全部。 二、从Chatbot到Agent，工程对象已经变化 Chatbot的主要任务是生成内容。用户提出问题，模型根据知识和当前上下文给出回答。即使回答不准确，错误通常也会随对话结束而停止。团队关注的是答案质量，包括准确性、相关性、表达方式和格式。 Agent的主要任务则是推动外部状态发生变化。它不仅回答用户，还可能查询资料、调用API、操作软件、修改文件，甚至与其他Agent