<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[技术学习与分享]]></title><description><![CDATA[有志者，事可成 —— 贵在坚持]]></description><link>https://blog.youkuaiyun.com/linlzk</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; linlzk]]></copyright><item><title><![CDATA[别把会用 AI，变成不会思考——谨防过度依赖 AI，导致自身能力退化]]></title><link>https://blog.youkuaiyun.com/linlzk/article/details/165886802</link><guid>https://blog.youkuaiyun.com/linlzk/article/details/165886802</guid><author>linlzk</author><pubDate>Fri, 18 Sep 2026 17:38:45 +0800</pubDate><description><![CDATA[AI虽能高效辅助工作，但过度依赖将削弱人的理性、逻辑、修养、企图心与自控力。真正的风险不在技术，而在人放弃独立思考与成长。应坚持“人先机后”原则：先自主判断、再用AI辅助，确保思维主导权在己。唯有如此，才能在工具时代保持清醒，成为真正有判断力与责任感的人。]]></description><category></category></item><item><title><![CDATA[企业级 Agent 云端一体混合架构方案]]></title><link>https://blog.youkuaiyun.com/linlzk/article/details/164150853</link><guid>https://blog.youkuaiyun.com/linlzk/article/details/164150853</guid><author>linlzk</author><pubDate>Fri, 28 Aug 2026 17:46:45 +0800</pubDate><description><![CDATA[确定、可编排、可云端接入的业务流程，应在云端统一执行；依赖真实环境、需要连续观察、工具调用和验证的任务，应由本地 Harness 受控执行。]]></description><category></category></item><item><title><![CDATA[AI客服文本和图片微调不是最高优先级]]></title><link>https://blog.youkuaiyun.com/linlzk/article/details/164001536</link><guid>https://blog.youkuaiyun.com/linlzk/article/details/164001536</guid><author>linlzk</author><pubDate>Sun, 23 Aug 2026 19:51:01 +0800</pubDate><description><![CDATA[公司AI客服建设，不应追求“训练出一个客服大模型”，而应建设一套可持续迭代的AI客服平台：知识库可更新，模型可替换，流程可治理，规则可审计，Bad Case可回流。这样即使底层模型不断变化，公司积累下来的业务知识和客服能力也不会被推倒重来。]]></description><category></category></item><item><title><![CDATA[公司自研AI客服文本和图片微调方案设计]]></title><link>https://blog.youkuaiyun.com/linlzk/article/details/163950005</link><guid>https://blog.youkuaiyun.com/linlzk/article/details/163950005</guid><author>linlzk</author><pubDate>Fri, 21 Aug 2026 16:43:14 +0800</pubDate><description><![CDATA[本文提出了企业自研AI客服系统的分层建设方案，核心观点是不建议直接训练大模型，而应采用&quot;业务系统+RAG+微调&quot;的渐进式路径。方案强调：1）文本微调聚焦用户意图理解、话术生成等场景；2）图片模型仅用于凭证识别而非决策；3）订单状态、退款规则等必须由业务系统控制；4）需建立包含模型质量、任务完成、业务结果的三层评测体系。实施分为数据盘点、文本微调、图片微调、灰度上线等阶段，重点防范隐私泄露、错误决策等风险。最终建议将AI能力嵌入现有业务流程，形成理解-判断-执行-审计的闭环。]]></description><category></category></item><item><title><![CDATA[AI项目试点复盘总结]]></title><link>https://blog.youkuaiyun.com/linlzk/article/details/163802409</link><guid>https://blog.youkuaiyun.com/linlzk/article/details/163802409</guid><author>linlzk</author><pubDate>Sun, 16 Aug 2026 20:11:24 +0800</pubDate><description><![CDATA[AI项目的本质不是让AI独立替代人，而是通过专家定义方向、AI提升效率、团队沉淀流程，最终形成可复制、可管理、可持续优化的业务能力。]]></description><category></category></item><item><title><![CDATA[现有AI客服系统引入本体论后的开发改造方案]]></title><link>https://blog.youkuaiyun.com/linlzk/article/details/163671753</link><guid>https://blog.youkuaiyun.com/linlzk/article/details/163671753</guid><author>linlzk</author><pubDate>Tue, 11 Aug 2026 16:57:01 +0800</pubDate><description><![CDATA[本体论落地的核心开发改动，是把散落在 Prompt、工作流节点、API 参数、人工经验和系统字段里的业务对象、状态、规则、动作、权限、审计，抽象成一层可配置、可复用、可追溯的业务对象模型。]]></description><category></category></item><item><title><![CDATA[本体论Ontology在企业AI项目落地思考]]></title><link>https://blog.youkuaiyun.com/linlzk/article/details/163615308</link><guid>https://blog.youkuaiyun.com/linlzk/article/details/163615308</guid><author>linlzk</author><pubDate>Sun, 09 Aug 2026 20:30:14 +0800</pubDate><description><![CDATA[摘要： 本体论是计算机科学中用于形式化领域概念及其关联规则的建模方法，回答&quot;存在什么实体&quot;&quot;如何关联&quot;&quot;遵循哪些规则&quot;三个核心问题。在企业AI应用中，本体论构建业务对象（如订单、客户）、关系（订单关联库存）、动作（退款、审批）及规则的语义层，使AI Agent能按企业逻辑执行任务（如自动退款需满足金额/权限约束）。与知识库不同，本体论不仅提供信息检索，还定义业务运转逻辑。实践案例中，AI客服通过本体论将用户问题拆解为结构化业务链（客户风险→订单状态]]></description><category></category></item><item><title><![CDATA[外部数据采集平台建设方案]]></title><link>https://blog.youkuaiyun.com/linlzk/article/details/162991341</link><guid>https://blog.youkuaiyun.com/linlzk/article/details/162991341</guid><author>linlzk</author><pubDate>Sat, 18 Jul 2026 11:16:43 +0800</pubDate><description><![CDATA[维度核心要点定位外部数据的统一“搬运工”，与数据中台明确分工、通过前置数据库衔接能力四种采集方式（爬虫/RPA/API/AI辅助）+ 双路存储（结构化入前置库、非结构化入本地存储）独特价值持续沉淀反爬策略、连接器、模板、知识库四类可复用能力，后续任务成本持续下降合规内置审批、频率控制、脱敏、审计五道防线成功标准覆盖度、稳定性、效率、复用次数、人力释放五项可量化指标一句话总结：一个平台统一管、四种手段灵活采、能力持续沉淀复用、与中台分工明确、合规底线守住。]]></description><category></category></item><item><title><![CDATA[AI 原生开发落地路线图：从个人提效到团队体系化]]></title><link>https://blog.youkuaiyun.com/linlzk/article/details/162794190</link><guid>https://blog.youkuaiyun.com/linlzk/article/details/162794190</guid><author>linlzk</author><pubDate>Sat, 11 Jul 2026 17:36:23 +0800</pubDate><description><![CDATA[AI 原生开发不是一场工具替换，而是一场软件工程方式的升级。它从个人提效开始，但不能停留在个人提效；它依赖强大的模型，但不能只依赖模型；它需要技术平台，但更需要流程、上下文、质量和文化。一个真正成熟的 AI 原生团队，会让 AI 参与研发全流程，同时保留人的判断、责任和创造力。这也是本系列想表达的核心：AI 原生开发的本质，不是让 AI 替代工程师，而是让软件工程团队围绕 AI 重新组织知识、流程和质量体系。]]></description><category></category></item><item><title><![CDATA[AI 原生团队协作机制：角色、分工与工程文化变化]]></title><link>https://blog.youkuaiyun.com/linlzk/article/details/162794185</link><guid>https://blog.youkuaiyun.com/linlzk/article/details/162794185</guid><author>linlzk</author><pubDate>Sat, 11 Jul 2026 17:35:15 +0800</pubDate><description><![CDATA[AI 原生开发带来的最大变化，不是某个工具变强了，而是团队协作方式发生了变化。工程师更关注问题定义和质量判断；架构师更关注上下文和边界；测试更关注质量策略；产品更关注结构化需求；管理者更关注团队机制和能力沉淀。AI 可以参与很多工作，但责任仍然在人。一个成熟的 AI 原生团队，不是人人都在随意使用 AI，而是团队拥有清晰的协作规范、上下文资产、质量护栏和持续沉淀机制。下一篇文章，我们会进入整个系列的收官部分：AI 原生开发落地路线图：从个人提效到团队体系化。]]></description><category></category></item><item><title><![CDATA[团队知识库建设：把 AI 对话沉淀为长期工程资产]]></title><link>https://blog.youkuaiyun.com/linlzk/article/details/162794172</link><guid>https://blog.youkuaiyun.com/linlzk/article/details/162794172</guid><author>linlzk</author><pubDate>Sat, 11 Jul 2026 17:33:56 +0800</pubDate><description><![CDATA[AI 原生团队的长期竞争力，不只是用了什么模型、装了什么插件、买了什么工具，而是是否拥有持续增长的团队上下文资产。一个没有知识沉淀的团队，每次都要重新向 AI 解释自己是谁、系统是什么、规则是什么。一个有知识库的团队，可以让 AI 在已有业务、架构、代码和历史决策之上继续工作。这就是从个人提效走向团队能力的关键一步。下一篇文章，我们会讨论：AI 原生团队协作机制：角色、分工与工程文化会发生什么变化。]]></description><category></category></item><item><title><![CDATA[AI 时代的代码质量保障：测试、Review 与安全边界]]></title><link>https://blog.youkuaiyun.com/linlzk/article/details/162794157</link><guid>https://blog.youkuaiyun.com/linlzk/article/details/162794157</guid><author>linlzk</author><pubDate>Sat, 11 Jul 2026 17:32:27 +0800</pubDate><description><![CDATA[AI 提升了生产速度，质量体系必须同步升级。]]></description><category></category></item><item><title><![CDATA[AI Coding 实践：如何把 AI 当成结对工程师]]></title><link>https://blog.youkuaiyun.com/linlzk/article/details/162794141</link><guid>https://blog.youkuaiyun.com/linlzk/article/details/162794141</guid><author>linlzk</author><pubDate>Sat, 11 Jul 2026 17:30:38 +0800</pubDate><description><![CDATA[把 AI 当成结对工程师，而不是代码生成器。]]></description><category></category></item><item><title><![CDATA[Context Engineering：让 AI 理解业务、系统和代码库]]></title><link>https://blog.youkuaiyun.com/linlzk/article/details/162794117</link><guid>https://blog.youkuaiyun.com/linlzk/article/details/162794117</guid><author>linlzk</author><pubDate>Sat, 11 Jul 2026 17:27:51 +0800</pubDate><description><![CDATA[大家会讨论：怎么写提示词？怎么让 AI 输出更稳定？怎么让 AI 一次性生成更完整的代码？这些问题当然重要，但如果只停留在 Prompt 层面，很快会遇到瓶颈。

因为软件工程不是孤立的问答。一个看似简单的代码修改，背后往往依赖大量上下文：业务规则、系统架构、历史设计、代码约定、测试策略、发布流程、安全边界。

如果 AI 不知道这些信息，即使 Prompt 写得再精致，也很容易生成“不适合当前系统”的答案。

所以，AI 原生开发的关键能力不是 Prompt Engineering，而是 Context ]]></description><category></category></item><item><title><![CDATA[AI 原生研发工作流：一个需求如何从想法走到上线]]></title><link>https://blog.youkuaiyun.com/linlzk/article/details/162794076</link><guid>https://blog.youkuaiyun.com/linlzk/article/details/162794076</guid><author>linlzk</author><pubDate>Sat, 11 Jul 2026 17:25:30 +0800</pubDate><description><![CDATA[AI 辅助开发更多是个人效率提升。  
AI 原生开发则是团队重新设计研发流程，让 AI 参与需求澄清、技术设计、编码实现、测试验证、Code Review 和知识沉淀。]]></description><category></category></item><item><title><![CDATA[从 AI 辅助到 AI 原生：软件工程团队的开发范式变化]]></title><link>https://blog.youkuaiyun.com/linlzk/article/details/162794036</link><guid>https://blog.youkuaiyun.com/linlzk/article/details/162794036</guid><author>linlzk</author><pubDate>Sat, 11 Jul 2026 17:22:50 +0800</pubDate><description><![CDATA[AI 辅助开发的核心是：个人在某些局部任务中使用 AI 提效。  
AI 原生开发的核心则是：团队重新设计研发流程，让 AI 成为软件交付链路中的常规协作者。

这两者看起来相似，但本质上是两种不同的工程范式。]]></description><category></category></item><item><title><![CDATA[AI时代，企业核心业务中台化建设思考]]></title><link>https://blog.youkuaiyun.com/linlzk/article/details/162608955</link><guid>https://blog.youkuaiyun.com/linlzk/article/details/162608955</guid><author>linlzk</author><pubDate>Sun, 05 Jul 2026 18:49:31 +0800</pubDate><description><![CDATA[AI时代，企业推进核心业务中台化仍然有价值，但建设目标需要发生变化。过去中台更多强调系统整合、能力复用、流程标准化和降本增效；今天，中台还需要进一步成为企业 AI 能够理解业务、调用系统、沉淀经验、受控执行的核心能力底座。

AI时代，真正有价值的中台，应当围绕企业核心业务对象，统一数据口径、业务规则、接口能力和权限边界，使 AI Agent、业务系统和员工都能在同一套业务能力基础上快速组合、验证和迭代。]]></description><category></category></item><item><title><![CDATA[企业 AI 大脑：企业智能化建设的终局与路线图]]></title><link>https://blog.youkuaiyun.com/linlzk/article/details/162517290</link><guid>https://blog.youkuaiyun.com/linlzk/article/details/162517290</guid><author>linlzk</author><pubDate>Thu, 02 Jul 2026 13:15:40 +0800</pubDate><description><![CDATA[今天很多企业还在讨论 AI Agent。BCG AI Radar 2026 显示，CEO 正在更直接地参与 AI 决策，企业对 AI Agent 的可衡量回报抱有很高期待。这说明 Agent 已经不是边缘工具，而正在进入公司级战略议题。但再往前看一步，真正会改变企业运行方式的，可能不是某一个 Agent，而是企业逐步形成自己的 AI 大脑。

企业 AI 大脑不是超级聊天框，而是由语义底座、组织记忆、智能体中台、业务子脑和治理机制组成的企业智能操作系统。

它能理解企业业务语言，知道历史决策，调度多个业务系]]></description><category></category></item><item><title><![CDATA[AI 落地不是员工培训，而是为 AI 重写工作流]]></title><link>https://blog.youkuaiyun.com/linlzk/article/details/162517269</link><guid>https://blog.youkuaiyun.com/linlzk/article/details/162517269</guid><author>linlzk</author><pubDate>Thu, 02 Jul 2026 13:15:00 +0800</pubDate><description><![CDATA[很多企业做完 AI 培训后，短期热情很高，但两个月后真正高频使用的人不多，能影响业务指标的项目更少。

原因是培训解决的是“会不会用”，而企业 AI 落地真正要解决的是“能不能进流程”。

AI 要产生组织级价值，必须进入工作流、审批流、协作流和数据流。同时，企业要建立验证、权限、复核、回滚和审计机制，让 AI 先获得信任，再逐步获得自主权。]]></description><category></category></item><item><title><![CDATA[企业最该喂给 AI 的不是数据，而是专家判断]]></title><link>https://blog.youkuaiyun.com/linlzk/article/details/162517188</link><guid>https://blog.youkuaiyun.com/linlzk/article/details/162517188</guid><author>linlzk</author><pubDate>Thu, 02 Jul 2026 13:12:47 +0800</pubDate><description><![CDATA[很多企业以为，把制度、FAQ、产品资料和历史文档丢进知识库，AI 就能变成企业专家。上线后才发现，AI 能回答“是什么”，却做不好“该怎么办”。

问题不在资料太少，而在企业没有把专家判断、流程协议和执行标准交给 AI。

企业 AI 转型的核心资产，不只是私有数据，还包括私有判断、私有协议、工具连接和执行轨迹。谁能把这些隐性经验产品化为规则、评分卡、样例库、SOP 和 Skill，谁就能把个人经验变成组织能力。]]></description><category></category></item></channel></rss>