<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[AI-FDE奇点的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/wei_wei725</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; wei_wei725]]></copyright><item><title><![CDATA[从 WeKnora 看知识库：企业知识库正在从「存起来」走向「自己长」]]></title><link>https://blog.youkuaiyun.com/wei_wei725/article/details/170865754</link><guid>https://blog.youkuaiyun.com/wei_wei725/article/details/170865754</guid><author>wei_wei725</author><pubDate>Mon, 16 Nov 2026 16:10:17 +0800</pubDate><description><![CDATA[WeKnora作为腾讯微信AI团队开源的知识库平台，标志着企业知识库从“存起来”迈向“自己长”的关键跃迁。它将RAG问答、Agent执行与自动Wiki三大形态融合于同一系统，实现文档的智能解析、主动推理与持续自生长。其核心价值在于：混合检索已成标配，而真正的竞争在解析质量与自动化维护；通过可替换架构、独立解析服务与可观测性设计，降低落地门槛。尽管存在安全风险与资源门槛，但其在腾讯生态内的无缝集成，为追求“问答+执行+活水”的团队提供了最短路径。知识库的未来，不在于答得多准，而在于能否自我保鲜、人机协同高效审]]></description><category></category></item><item><title><![CDATA[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」]]></title><link>https://blog.youkuaiyun.com/wei_wei725/article/details/169151467</link><guid>https://blog.youkuaiyun.com/wei_wei725/article/details/169151467</guid><author>wei_wei725</author><pubDate>Mon, 26 Oct 2026 12:52:12 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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）]]></title><link>https://blog.youkuaiyun.com/wei_wei725/article/details/167789773</link><guid>https://blog.youkuaiyun.com/wei_wei725/article/details/167789773</guid><author>wei_wei725</author><pubDate>Tue, 13 Oct 2026 11:02:42 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[专家最值钱的那套方法，正在被装进 AI 里！！！]]></title><link>https://blog.youkuaiyun.com/wei_wei725/article/details/167381947</link><guid>https://blog.youkuaiyun.com/wei_wei725/article/details/167381947</guid><author>wei_wei725</author><pubDate>Fri, 09 Oct 2026 13:11:09 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.youkuaiyun.com/wei_wei725/article/details/167126354</link><guid>https://blog.youkuaiyun.com/wei_wei725/article/details/167126354</guid><author>wei_wei725</author><pubDate>Mon, 05 Oct 2026 12:49:47 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[想转 FDE（Forward Deployed Engineer）先别报班：一份 0 元的 30 天入门路线]]></title><link>https://blog.youkuaiyun.com/wei_wei725/article/details/167036263</link><guid>https://blog.youkuaiyun.com/wei_wei725/article/details/167036263</guid><author>wei_wei725</author><pubDate>Sat, 03 Oct 2026 13:15:50 +0800</pubDate><description><![CDATA[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”。]]></description><category></category></item><item><title><![CDATA[产品化 AI 助理都卷成这样了，我们还有必要自己搭 OpenClaw / Hermes吗？]]></title><link>https://blog.youkuaiyun.com/wei_wei725/article/details/166895388</link><guid>https://blog.youkuaiyun.com/wei_wei725/article/details/166895388</guid><author>wei_wei725</author><pubDate>Wed, 30 Sep 2026 13:02:45 +0800</pubDate><description><![CDATA[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”。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.youkuaiyun.com/wei_wei725/article/details/166778200</link><guid>https://blog.youkuaiyun.com/wei_wei725/article/details/166778200</guid><author>wei_wei725</author><pubDate>Mon, 28 Sep 2026 10:14:45 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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）]]></title><link>https://blog.youkuaiyun.com/wei_wei725/article/details/166455820</link><guid>https://blog.youkuaiyun.com/wei_wei725/article/details/166455820</guid><author>wei_wei725</author><pubDate>Wed, 23 Sep 2026 09:38:18 +0800</pubDate><description><![CDATA[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]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.youkuaiyun.com/wei_wei725/article/details/166372241</link><guid>https://blog.youkuaiyun.com/wei_wei725/article/details/166372241</guid><author>wei_wei725</author><pubDate>Tue, 22 Sep 2026 20:52:16 +0800</pubDate><description><![CDATA[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；]]></description><category></category></item><item><title><![CDATA[参与造出ChatGPT的人，做了个不说话的大模型JEV]]></title><link>https://blog.youkuaiyun.com/wei_wei725/article/details/166107767</link><guid>https://blog.youkuaiyun.com/wei_wei725/article/details/166107767</guid><author>wei_wei725</author><pubDate>Sun, 20 Sep 2026 10:26:13 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[NVIDIA × Palantir 供应链 AI 技术栈拆解：从 MILP 优化到 Decision Data 闭环]]></title><link>https://blog.youkuaiyun.com/wei_wei725/article/details/165441006</link><guid>https://blog.youkuaiyun.com/wei_wei725/article/details/165441006</guid><author>wei_wei725</author><pubDate>Tue, 15 Sep 2026 11:15:14 +0800</pubDate><description><![CDATA[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]]></description><category></category></item></channel></rss>