方兴集

最近有了一点假期，又赶上台风天无法外出，为了消遣，我每天都会刷短视频。短视频平台太棒了，什么样的内容都有，科普的、人文的、历史的，虽然躺在沙发上，但不知不觉几个小时就过去了，而且感觉也很充实，我仿佛获取了不少新知。终于假期要接近尾声了，我也要为接下来的工作做准备，要对一些课题提前进行梳理研究，这次偷个懒，直接去短视频平台上搜索，然后奇怪的事情发生了，我竟然找不到对我有帮助的视频，什么有价值的内容都没有。 这种反差感，突然让我意识到不对劲 —— 我被裹挟了。我在漫无目的刷短视频的时候，其实我没有获取到什么信息，一个短视频里的信息量，如果以严肃的笔法来表达，就三两句话的事。我在短视频里看的其实是一个故事化的表达，它没有输出密集的信息给我，它是引发了我的情绪共鸣，让我觉得有趣好玩。短视频制作者们从来不是为了告诉我什么，而是为了持续占据我的注意力，从而得到他们想要的流量。所以，我是不知不觉被网罗了起来，在这个过程中，我丧失了深层的思考！ 警醒之后，再回想这个过程，发现这与企业管理的场景如此雷同，下属会向你讲述各种“事实”，给出各种想法建议，没有管理者会天真的以为所有人都能和你站在同样的立...

1. 引言之前主要用AI去修修bug、优化功能，体验的确还不错，在这个过程中，我会充当技术评审者的角色，引导它以较合理的架构或方案来实现需求。 然而我越来越萌生一个念头，如果以一个没有技术背景的纯产品经理的身份，能否仅以需求去驱动 AI 从 0 到 1 打造一个一定规模、足够精致的生产级应用呢？五月份，恰逢DeepSeek v4 Pro 限时打折，趁便宜冲了吧！结果让我大吃一惊，竟然真能做到这种程度！！ 2. Aura这款由AI全程驱动的应用就是 Aura ，你现在可以在 Mac AppStore 中用aura 极简作为关键词搜索到它。它是一款专为中文用户设计的，具备 AI Native 能力的，遵循极简美学主义原则打造的 Markdown 笔记工具。 Aura 有效代码（即业务逻辑代码）行数 14 K，包括Rust、TypeScript、CSS等，单纯以规模来看，可以称之为小型项目的中间偏上区间，一般30k以上算是中型项目、100k以上就是大型项目了。不过，从架构复杂度来看，Aura 具备了 GUI、MCP 双模架构、深度定制的 Markdown 核心组件、自定义搜索引擎、内存...

drawio是个应用广泛的开源画图工具，特别在绘制架构图、流程图、线框图上，完美替代了visio这些商业软件，甚至基于drawio封装的商业版本processon都有很高的用户量，其产品力可见一斑。 next-ai-draw-io是利用大模型实现基于自然语言的AI作图，这个项目在绘制架构图方面真的具备了可用性，从而迅速在github上走红。 我在轻度使用之后，很是惊喜，忍不住推荐给大家，大家可以去试用感受。 功能特性 LLM驱动的图表创建：利用大语言模型通过自然语言命令直接创建和操作draw.io图表 基于图像的图表复制：上传现有图表或图像，让AI自动复制和增强 PDF和文本文件上传：上传PDF文档和文本文件，提取内容并从现有文档生成图表 AI推理过程显示：查看支持模型的AI思考过程（OpenAI o1/o3、Gemini、Claude等） 图表历史记录：全面的版本控制，跟踪所有更改，允许您查看和恢复AI编辑前的图表版本 交互式聊天界面：与AI实时对话来完善您的图表 云架构图支持：专门支持生成云架构图（AWS、GCP、Azure） 动画连接器：在图表元素之间创建动态动画...

去年年底开始，我就常和人发生这样的对话： 你们这个智能体应用的底层大模型是自己做的吗? — 不是，我们用的XXX 你们是做了微调？—没有呢，基模迭代太快，做微调不现实 哦，那你们就是拿XXXX的API套了个壳啊！ — （无语） 当然，我们不能苛求外行人士去弄懂 DeepSeek API 和 DeepSeek 网页版的区别，他们不知道部署个DeepSeek-V3 不代表拥有了DeepSeek网页版对话应用。转而言之，也不是没有在基模层面做调整就无法形成自己软件产品的核心竞争力。别人说大模型应用是基模API套壳，自己不能真信了，事实上大模型应用相较传统软件应用在架构上更为复杂。 但也由此，触动我去总结大模型应用架构设计的要点，与各位一起探讨进步。 架构设计的目的简而言之就是解决安全、性能、可扩展性这三个问题，因此我也打算分三篇来总结，这是第一篇：安全篇。 下面我就从内容安全、运行安全和数据安全三个角度来阐述。 内容安全传统类软件在处理内容安全时非常简单，但是大模型对话类应用会复杂许多。事实上，直到现在，网络上关于大模型越狱还是很火的话题，不少人致力于通过提示词注入有意让大模型去生...

「大爷，您听说过词元吗？就是是最近央视报道、国家宣传的，它是AI 时代的石油、是数字黄金、是下一个比特币。现在有一门稳赚不赔的投资您感兴趣吗——低价囤词元，未来涨百倍」（误，不要信）这是这两天我在一个防诈宣传上看到它列举的典型案例。AI真的太热了，骗子都可以用这个概念骗大爷大妈了。 而你——我的同行们——你既然看到这篇文章，你要么在忙着用大模型重构业务，要么在忙着折腾小龙虾…当你从demo阶段转到实战阶段的时候，你一定已经遇到了一个又一个坑，从刚开始的兴奋不已到困惑不解，为什么不如预期呢？甚至产生了一丝丝怀疑，到底是我不行还是大模型不行？ 以小龙虾为例，当它在处理未见过的UI布局时（是的，企业环境里有大量的非公开的UI），效率和准确性会雪崩式的下降，偶尔会陷入“失败-重试”的反复循环，token像流水一样逝去，最终只为了完成一次简单的点击；即使不是模拟操作UI，只是生成一个报表或者月度报告，你敢不敢直接点击“发送”呢？它的确一分钟生成好了，但你要花费十倍的时间去检查验证；更加让人不放心的是，它不理解“删除正式文件”和“删除临时文件”的区别，不加分辨的使用你授予的权限，然后造成悔之...

引言大家好，最近openClaw大爆，不少软件/服务都纷纷迭代，提供了CLI或MCP，供各类龙虾、螃蟹以及其他海鲜水产接入（开个玩笑）。我前面写过一篇文章，呼吁各位同仁警惕马车陷阱，不要用AI能力去做了一堆旧式马车出来。同时，我也在思考研究AI时代的软件究竟应该是什么形态，难道就是openClaw这样吗？当然，这个命题实在很大，我个人能力也特别有限，而且其实也还未到能说清楚的时候（子弹还得飞一会），但是从底层技术哲学的角度来看，整体的框架还是有轮廓的，于是我尝试用这篇文章将我的思考写出来，尝试说清楚AI原生架构到底是什么，什么样，能解决什么问题，以及与传统软件架构的关系，也欢迎讨论指正。 首先，AI Native是什么如果用严肃的语言去描述，AI Native 可以定义为：以大模型作为底层的推理内核与控制逻辑中枢，实现业务流程的编排与交互的语义化，并具备进化能力的软件或系统。AI Native应用区别于集成了AI功能或外挂了AI能力的应用，比如腾讯会议最近提供了AI会议纪要功能（很棒的功能），但腾讯会议app不是AI Native应用。要深刻理解AI Native，只需...

一、 速度的代价与技术债这是一个研发效能被彻底颠覆的时代。AI 编码助手正以前所未有的速度接管开发者的键盘。曾经需要一个敏捷迭代才能完成的 CRUD 模块，现在只需几句 Prompt 就能在几分钟内生成。 然而，只有身处局中的我们，才能切身体会到随着效率提升的隐性技术债务的疯狂增长：如果缺乏严谨的工程整合与架构规范，AI 生成的海量代码正在形成可怕的屎山。 在传统的开发流程中，技术债通常伴随着编译错误、测试失败或明显的性能瓶颈。但 AI 带来的隐性技术债却自带“保护色”——代码能够完美跑通，单元测试全绿，甚至在初看之下语法极其规范。但就在这看似繁荣的表象下，系统的全局一致性、可读性以及长期的可维护性，正在被悄悄瓦解。 在人机协同的新范式下，如何防止这种隐性技术债的复利积累，已经成为每一位技术管理者和架构师面前，比“如何让团队写得更快”更紧迫、也更具战略意义的生死大考。 二、 AI是如何偷偷欠下“隐性技术债”的？要治理疾病，首先要看清病灶。为什么号称掌握了全网开源代码的 AI，会成为制造技术债的“涡轮引擎”？我们可以通过几组关键数据和现象来揭示其本质。 现象 1：认知复杂度与代码警...

这篇文章是全球智能危机的第二部分，副标题为 一场来自未来的金融史思想实验，这部分不同于 Part One 的分析式论述，而是采用一种虚构的“未来回顾”叙事形式：假装是 Citrini Research 在 2028 年 6 月 发布的宏观备忘录，回顾“全球智能危机”如何从 2026 年起逐步爆发并演变为一场全面金融/经济灾难。以下是全文翻译。 序言如果我们对 AI 的长期看多是正确的……但如果这反而是利空呢？ 接下来的内容是一个情境模拟，而非预测。 这不是“空头意淫”或“AI 灭世幻想”。本文的唯一目的是建模一个相对未被充分探讨的情境。我们的朋友 Alap Shah 提出了这个问题，我们共同构思了答案。 希望阅读此文能让您更好地应对随着 AI 让经济变得日益诡异而可能出现的“左尾风险”。 这是来自 2028 年 6 月的 CitriniResearch 宏观备忘录，详细记录了“全球智能危机”的演变与后果。 宏观备忘录智力过剩的后果 (The Consequences of Abundant Intelligence)CitriniResearch 模拟日期：202...

最近有两篇文章在国外金融圈和 X 上引发巨大讨论，甚至短暂导致部分软件股和相关股票出现明显波动。题为《The Global Intelligence Crisis（全球智能危机） 》，其作者是 Alap Shah 与 Citrini 。Alap Shah具备多年的AI行业创业及投资经验，他创立的一家 AI 驱动的金融搜索和信息平台公司以超过2亿美元的价格被竞争对手收购，Citrini Research 是一家专注于主题股权投资和全球宏观交易的独立研究机构。 这篇文章不是科幻小说，而是基于作者在 AI 公司建设和公共市场投资的20年经验，对即将到来的经济风暴的深刻剖析。本文是 对《The Global Intelligence Crisis》的第一篇《 Part 1. Part One–The Rise of Agentic AI 》主要观点的归纳，以便各位读者快速了解行业顶级洞见。 核心观点人类智能一直是经济系统的稀缺资源，但2026年起，AI代理（Agentic AI）的爆发将颠覆这一前提，导致白领认知劳动大规模被取代。如果不采取政策干预，这可能引发一场金融危机。 引言：A...

1. 2026，技术管理者的“效率错觉”与破局为什么人人都用 Copilot，交付却依然慢？现在是 2026 年除夕，作为一名技术从业者，看到春晚里的AI和机器人元素，深切的感受到时代的滚滚洪流，过去的一年里，我相信不使用AI Coding的技术人员已经很少了，很多公司已经开始统一为研发团队配置 AI 辅助工具——从 Cursor 到 Roo Code，再到企业级的 GitHub Copilot Workspace。我自己实践下来的体感是编码速度提升了 50% 甚至 200%。 然而，根据Google公开的25年内部实践数据却是一盆冷水：整个技术部门的 Feature 交付吞吐量（Throughput）仅仅提升了 10-15%，而产品上线周期（Cycle Time）几乎没有缩短。尽管 Google 拥有全球最顶尖的工程基础设施和 AI 工具，且四分之一的代码已由 AI 生成，但整体层面的速度提升并没有人们想象中（如翻倍）那么高，仅为 10% 左右。（数据来源） 为什么？因为我们陷入了经典的“效率错觉”。 在传统的软件工程链路中，编码环节往往只占全周期的 20%-30%。剩余的 7...