自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(11)
  • 收藏
  • 关注

原创 AI 越来越强,工作十几年的人如何重新定义自己?——把你的工作自动化,沉淀自己的「AI 员工」

工作十几年的资深从业者正面临AI冲击,核心挑战并非技能过时,而是如何从“知识拥有者”转型为“判断与体系设计者”。面对AI对重复性工作的替代,关键不是学工具,而是将日常任务自动化,沉淀属于自己的“AI员工”——通过固化流程、建立工作流、复盘优化,把省下的时间投入高价值的判断与创新。真正竞争力在于:能设计人机协作体系,让AI承担执行,自己聚焦决策与复杂问题。未来三年,从“用AI提效”到“建AI能力”,是职业进化的必经之路。

2026-10-26 12:52:12 410

原创 Jev 深度研究:AI Agent 正在进入“决策模型“时代(三条技术路线 + 企业级架构 + 12 周验证方案)

9 月 15 日,TypeSafe 发布 Jev,把 Agent 的「判断题」从大模型里拆出来:不生成文本,只返回结构化判断(Choice/Noul/Score)。但值得投入的不是这个模型,而是它代表的方向——把语言生成、语义判断、业务决策与确定性执行解耦。本文梳理近三周 8 篇研究与独立评估:Jev 的四条承诺已有三条被现成模型复现,唯独最核心的概率校准未获复现;并对比 Jev/CLM-8B/InnerJev 三条路线与中文方案 Chinese-Jev,给出企业级决策智能层架构与 12 周验证方案。

2026-10-13 11:02:42 443

原创 专家最值钱的那套方法,正在被装进 AI 里!!!

Kimi发布金融AI解决方案,将专业经验封装为可复用的Skill,推动金融工作从“工具提效”迈向“专业生产力重构”。技能化使分析框架、操作流程与质量标准数字化,提升效率的同时重塑人才价值——执行型工作被自动化,而定义问题、设计方法与判断决策的能力更显珍贵。金融机构需构建可治理、可迭代的专业能力资产库,未来竞争核心不再是模型性能,而是专业知识体系化与持续运营能力。对金融人而言,关键在于将经验转化为可复用、可验证的数字资产,实现从“会做事”到“定义好做法”的跃迁。

2026-10-09 13:11:09 492

原创 RAG 之后,AI 开始检索“下一步该做什么“:从 Jev 到 CLM,决策模型正在分叉

AI决策模型兴起,标志着从“生成”转向“检索”的范式变革。CLM以冻结主干、双头编码实现动作空间的向量检索,显著提升决策效率,但受限于不能生成新动作、中文准确率低等硬伤。与Jev的联合判断路径不同,CLM将“下一步做什么”变为可索引、可缓存的检索问题,推动企业动作资产化。真正的突破在于:决策不再是黑箱生成,而是可管理、可审计的结构化过程。

2026-10-05 12:49:47 549

原创 想转 FDE(Forward Deployed Engineer)先别报班:一份 0 元的 30 天入门路线

想转FDE?别急着报班。30天零成本入门路线:先用AI解决真实问题,建立“AI认知”——理解它能做什么、不能做什么、如何落地。通过两周实战(写方案、分析数据、重构流程),掌握核心判断力。再用免费资源学基础技能(Prompt/RAG/Agent/API),但设停止点,避免陷入学习陷阱。项目从身边业务、开源社区或灵活用工平台入手,从小处着手,积累真实交付经验。重点沉淀Demo、需求文档、评测与复盘,面试时真正值钱的是“解决问题的能力”。记住:不是“学过什么”,而是“解决过什么”。

2026-10-03 13:15:50 870

原创 产品化 AI 助理都卷成这样了,我们还有必要自己搭 OpenClaw / Hermes吗?

AI助理产品化加速,OpenClaw、Hermes、DeepSeekHarness三路径分化:触达、学习、可组合。面对成熟产品,自建与否不再简单二选一。核心应区分“可带走的资产”与“租用的商品”,通过“换平台测试”检验真正价值。个人账本重成本,团队账本重风险;数据主权、运行时掌控、长期任务计费单位,皆成关键分歧点。技术选型本质是组织能力与风险偏好的博弈——答案不在代码,而在你如何定义“可控”。

2026-09-30 13:02:45 488

原创 我理解的 AI 软件工程:不是让 AI 写代码,而是让系统变成 AI 能工作的环境

本文提出“AI软件工程”核心并非让AI写代码,而是构建一个能让AI真正理解并可靠工作的系统环境。通过“规范(Spec)—上下文(Context)—工具链(Harness)”三层架构,以真实需求为驱动,重构研发流程:从需求澄清、架构设计到编码、测试与发布,实现人机分工明确、知识可沉淀、错误可追溯。文中以“低压居民新装预受理校验”为例,完整走查五阶段,展示如何通过结构化Spec、精准上下文与闭环反馈,使AI从“能写代码”变为“懂系统”的协作者。关键在于:不是堆文档,而是让知识随需求生长,形成可复用的工程资产。

2026-09-28 10:14:45 336

原创 本体(Ontology)不是知识库!AI 进企业干活,中间隔着三层结构(深度长文)

本文揭示本体(Ontology)非知识库,而是企业AI落地的语义底座,解决“是什么、怎么连、怎么算、谁能动”四大核心问题。从数据库、RAG到GraphRAG,每层跃迁补上一层盲区,而本体正是多Agent协作与决策可执行的关键。86.7%准确率源于本体沉淀的决策历史,而非模型本身。当前需求成本上升与大模型降本双重驱动下,本体正从“项目”走向“基础设施”。百度“胜算”智能体等实践表明,本体已进入产品化阶段,其价值不在于建模,而在于口径对齐与动作授权。真正关键的是:当AI要改数据、跨系统、担责任时,本体才不可或缺

2026-09-23 09:38:18 418

原创 从 JEV 拆解企业 AI 的机会:用 RLCD + LoRA 把国产开源模型训成小参数决策模型

本文拆解JEV(SystemOneModel)企业AI落地路径:基于国产开源模型(如Qwen3 0.6B–4B),采用Backbone冻结+LoRA微调+DecisionHead输出,实现类型收敛(Choice/Score/Bool)、校准优先的轻量决策模型。通过RLCD对比偏好训练,单次判断70–500ms、成本低至$0.042/百万token,适用于客户经营、核保分流、理赔评分等高频判断场景。核心壁垒在于自有业务轨迹数据(State→Action→Outcome),非模型本身;

2026-09-22 20:52:16 531

原创 参与造出ChatGPT的人,做了个不说话的大模型JEV

参与造出ChatGPT的前OpenAI研究员,发布了一个拒绝说话的模型Jev。它不写文章、不写代码、不能聊天,只输出带概率的判断。速度最高快193倍、成本最低降到1/444,正在回答一个关键问题:智能体落地难,也许不缺更聪明的模型,缺的是软件敢信的判断。

2026-09-20 10:26:13 402

原创 NVIDIA × Palantir 供应链 AI 技术栈拆解:从 MILP 优化到 Decision Data 闭环

NVIDIA与Palantir构建供应链AI技术栈,采用“Ontology+cuOpt+Nemotron+Planner”四层架构,以本体(Ontology)统一管理物料、基地、约束等对象,实现结构化与非结构化数据融合。通过沉淀每次决策的完整轨迹(DecisionData),结合LoRA微调30B MoE模型,在allocation decision任务上达86.7%准确率,反超10倍参数量的Ultra模型31.2个百分点,仅需2×B200算力。核心创新在于将人类专家经验转化为可训练的决策知识,强调time

2026-09-15 11:15:14 451

空空如也

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除