2024 年，AI agent 将如何在企业落地？目前不得而知。

2024 年，AI agent 将如何在企业落地？目前不得而知。 不过，从几家号称「AI agent 平台」创业公司的 PR 稿里面，似乎可以看到些线索。 1、销售、客服和营销，是AI agent可以显著提升效率和效果的领域。 几乎所有平台，都聚焦在这几个领域。 2、低代码、无代码和RPA，是AI agent 落地过程中的重要辅助。 在全自动的AI agent 到来之前，他们仨是相对成本更低，且效果更可控的。 3、专家知识和SOP，是AI agent 得以在企业落地的关键。 ①专家知识 澜码科技CEO认为，AI Agent在To B场景中的最大价值，是“复制专家的知识”。 如果没有把专家知识数字化下来，那么AI Agent的落地会有很大困难。 构建AI Agent有三步：第一步，专家知识的数字化；第二步，基于CUI（以命令行Commad Line为交互界面）的交互；第三步，领域知识的循环沉淀，形成数据飞轮。 ②SOP DeepWisdom创始人指出： AI agent的关键在于SOP。人类世界有两类代码，一类是针对机器的“代码”，一类是针对人类的SOP。如今有了AI，只要有明确的SOP，那么人类的活儿都可以变成代码，交给AI agent 去做 单个AI agent由「LLM+观察+思考+行动+记忆」等构成，而多个AI agent则需要由「Agent +环境+SOP+评审+路由+订阅+经济」等不同的维度构成和协同。 4、AI agent可能有三种形态，而且可以在一家公司共存： 形态一：工作助手（Copilot）。 基于特定的软件，人做指令，Agent做面向软件的操作。Copilot主要解决员工的办公效率。 例如，供销售人员使用的Copilot，可以按照人的指令，在相应的软件上快速整理和管理客户信息。 形态二：业务自巡航。 AI Agent是继互联网、移动互联网之后的一个新的用户入口。它可以承接大量业务逻辑，用户无需学习就可使用，使用体验更好。 企业利用业务自巡航，可以给自己的终端用户提供更友好的使用体验。 AutoAgents.ai平台支持市面上所有主流模型，目前初步成型的落地场景是航班预订、员工自助服务、会议协同管理等。 形态三：自主智能体（Autonomous Agents）

对 agent 的一个暴论：现有 (multi) agent workflow 的模式没有太大价值。Agent 今年（在以吴恩达

对 agent 的一个暴论：现有 (multi) agent workflow 的模式没有太大价值。Agent 今年（在以吴恩达老师为首的各类大佬的吹捧下）热度很高，但现有的这些所谓的 (multi) agent workflow，本质上是把一个大任务拆分成很多个子任务，每个子任务都有明确的 input 和 output，自己定义一些变量和接口，把这些子任务串起来。这种方式很像是早期的自动驾驶，把感知和规控分开解，或者是上一代的语音助手，把语音转文字、LLM、语音合成这些工作流串起来。 终极的解决方案应该不是这个样子的。现有的 (multi) agent workflow，速度慢先不说，最大的问题还是在接口的地方把信息降维了。这些 input / output 的接口和变量，本质上都是把信息降维到人能理解的维度，这是以高维信息的损失为代价的。每多一层 workflow，损失的信息就多了一次。面对简单问题时， (multi) agent workflow 或许是可行的，但它注定无法解决复杂问题。就好比Waymo 用感知+规控的架构，搭配高精地图，能够在凤凰城和三藩市勉强把本地 L4 跑通，但很难 scale 成一个通用的解法。只有 Tesla 端到端的方案才是自动驾驶的未来。 因此，现有的 (multi) agent workflow方式注定只是一个中间状态，类似自动驾驶中感知+规控+高精地图的拼凑。而最终想要解决复杂问题，需要靠基础模型的进化。当模型能力足够强之后，应该是可以端到端的解决问题。你可以在 prompt 里提示它去使用某些工具，或者采用某些步骤，但应该不需要人为去把 workflow 拆出来。 Agent 的概念依旧重要，但应该回归它更加 native 的定义，即每一个 Agent 应该是独立的智能体，拥有自己的 memory, planning, tool use 等能力，能够端到端地解决问题，而不是需要人类按照自己的理解一口口地把饭喂到嘴里。一个 Agent 就应该是一辆独立的L5 Autopilot 的汽车，而不是一堆弱智 L2 Workflow 凑出来的所谓 multi agents 辅助驾驶杂牌军团。这听起来就很不优雅。

【香港证监会对虚拟资产交易平台“安全第一”的监管做法很有价值】

【香港证监会对虚拟资产交易平台“安全第一”的监管做法很有价值】 尽管最近有撤回行为，但最近“被视为获得许可”的交易所仍激发了人们对香港虚拟资产市场未来的一些乐观情绪，香港立法会议员邱达根最近发文质疑交易所退出影响香港 Web3 发展，但不少业内人士认为香港证监会对虚拟资产交易平台“安全第一”的监管做法很有价值。 香港加密货币托管提供商 Hex Trust 联合创始人兼首席执行官 Alessio Quaglini 称，虚拟资产交易平台撤回申请是自然而然的，因为需要在香港零售市场规模与高监管成本，以及对其全球业务影响之间权衡，如果目标是将香港定位为全球枢纽，那么严格的监管框架战略是合理的，但执行应该改进。 香港 RPC 律师事务所合伙人 Jonathan Crompton 表示，香港证监会监管加密货币核心原则强调了投资者保护，要求虚拟资产市场参与者达到与传统金融市场参与者相同的标准，交易所撤回牌照申请表明香港证监会不会不惜一切代价放任市场。 快讯/广告 联系 @xingkong888885

最近突然意识到，我的思维模式被AI彻底改变了！

最近突然意识到，我的思维模式被AI彻底改变了！ 在遇到任何问题的时候，第一时间想到的已经是“我要怎么问AI才能得到更好的答案”，AI的思考能力已经在最近半年进化到了真的可以实战的程度。 比如最近开年的阶段，很多人（包括我）都在写2024年的工作规划，原本要是自己写，肯定千头万绪折腾很久，但这次我选择和AI一起完成这件事儿，通过 以下6个问题，最终形成了我的2024年工作规划： 1.作为一个职场规划导师，请你教会我OKR都包含哪些内容，为什么是高效的规划思路？还有哪些高效规划的思路？ 2.你觉得有哪些优秀的方法论可以指导我写年初的工作规划，这些方法论分别有哪些侧重点？ 3.我的工作内容是「xxxx」，请你用以上方法论分别帮我写一份工作规划的草稿 4.你觉得根据答案，哪个方法更高效一些？或者说对于一份年度规划来说，哪几种方法更能让老板觉得你的规划更好，并且在之后的工作中可以执行度更好？ 5.请你用A+B+C方法完整帮我撰写一份2024年年度工作规划，需要重点撰写以下工作内容：「xxx」 6.请你以专业的职场规划导师身份，根据以上规划，为我今年和未来的职业规划给出3-5条建议 在这6个问题之后，我选择了OKR+GROW结合的方式写完了规划，这份规划包含了以下内容： ⏺年度总体目标 ⏺每个目标拆分的数据指标 ⏺对项目现状的评估 ⏺工作计划的时间节点 ⏺具体可执行的工作内容 ⏺更深更高的职场和工作思考 这些问题不依靠AI也可以直接得到答案，但AI的优势就在于可以一直重复给出答案，完整不重复，写到最后对我来说启发的价值远大于交差（而且基本不会写错别字）#AI的神奇用法 #AI工作流 当然啦，以上能力肯定是做成了直接就能用的版本、依然是放在「AI帮个忙」里，欢迎大家试用：

最近一周时间在上海、深圳、北京见了近20位一线AI从业者，其中包括投资人，大厂AI业务&模型厂&应用厂的员工，独立开发者，fou

最近一周时间在上海、深圳、北京见了近20位一线AI从业者，其中包括投资人，大厂AI业务&模型厂&应用厂的员工，独立开发者，founder。很累，收获也很多。总结一下我觉得重要的共识和非共识，以下内容没有优先顺序，想到哪写到哪： 1.关于竞争：大厂、模型厂、应用厂 大厂没有逃脱局部兵力不足的问题，越是铺得广的厂这个问题越严重，字节的遍历填格子打法在业务相似度低的时候是人才密度不够的，战术上重视就行。反而阿里的通义因为更研究院模式，没有主核，分布式创新使得反而跑出来一些模型和应用侧有意思的东西，这个很值得大厂内部思考一下。 模型厂基于GPT-5迟迟不到，可能也判断出了，算力未必是万能解药，开始卷差异化，差异化对于tob的竞争尤为重要。但国内的模型厂还有一个不得不卷应用的任务，但不基于模型差异化的应用很难卷出用户体验增量，各位厂里的小伙伴都在努力地拉齐共识和内部创新的过程中。 应用厂，AI搜索的共识形成得太快了，其实没有留下太多保护期，大明牌的卷度会很激烈。反而是AI+every thing因为去年的过分乐观到今年的幻灭，留出了大量的创新保护窗口，给不迷信AI解决一切问题，但试图先用AI对具体领域做一些用户体验提升的公司留下了机会。 额外补一个硬件厂，世界上还有大量的数据没有被搜集，每个带有数据收集器的硬件厂都有属于自己的机会，但硬件厂目前很少有软硬一体的能力。补齐短板的玩家会可能会跑出来新东西。 2.关于模型能力 GPT-4o展示了快非常重要，快是核心体验之一，那么moe就必须得卷了，groq这种加速的基建也会变得非常有价值。如果大规模的智力代差比如3.5->4不会卷得那么快的话，代差之间可能更多是成本和速度的竞争。 长上下文很牛，但低成本的长上下文才有意义，基于长上下文成本急剧下降这个假设，能解决很多当前的用户体验问题。 多模态暂时在应用层的优势不明显，不考虑终态世界模型之类的，当前可能主要体现在一些之前没覆盖到的小CV场景。 fine - tuning不是净提升，是某类问题解决的更好，但通用问题更差的trade off，可以通过调整尽量降低负面影响，但从技术成本和数据成本来考虑，暂时很难作为可普及的常用武器库。 更细分的卷法，卷RAG，卷function call，卷代码能力，卷交互理解，卷情绪理解等等 可能真正值得卷的是意图识别，意图识别才是ai的推荐系统。 3.关于投融资 国内目前的情况是：创业者说市场温度低难拿钱，投资人说好项目少没法投。回到本质还是大家想用钱干什么，如果是为了加速市场形成，烧出一个煊赫盛世应该是不太可能了，因为各有各的难处，但如果真的想要构建一个未来5-10年在AI世界有独特社会分工的企业，大家还是很认可的。但目前市面上能持之以恒解自己的题的人很稀缺。 海外听到了多种说法，鉴于没有一手信息就不评价了，但如果做海外市场，还是建议谨慎考虑融资动作。 4.关于用户需求 PMF对还是TMF对？还是前者对，但现在加了一层技术可行性的约束，使用门槛很高，但体验提升巨大，也有机会。 工具效率/工作流，这是目前AI落地得最好的部分，但目前最大公约数已经挖完了，而AI目前远达不到数字员工的级别，很长一段时间基于某个职业的AI工作流copilot应该都是主要落地形式。tob和toc在这个领域都能持续跑出来赚钱的东西。 情感陪伴/内容消费，成本下不来，质量上不去，商业模式讲不清楚（付费逻辑只有hs内容能跑通，免费逻辑留存一直上不去）。 AI也不是唯一主线，AR眼镜等硬件对原本手机场景的分割，电话、拍照、翻译。还有web3。基于满足用户需求来思考，AI未必是唯一的锤子。 5.关于长期主义的优劣势 这回出来有一个比较深的感受是，基本上可以把founder分为偏长期主义和不偏长期主义两类，而这两类似乎都有其生存空间和价值。 因为我的个人偏好，所以说明一下长期主义的优劣势： 优势是，长期主义在各类决策上，难度都会降纬，因为长期主义代表你对于未来世界是有一个大概想象的，你知道五年之后想要什么，所以对于判断做什么不做什么会变容易，对于招谁不招谁也会变得容易。单一目标的决策总是比多目标的决策好做。 劣势是，早期找PMF切入点可能会非常难且漫长，对于耐力、定力和资源的要求会更高，是的，长期主义是更消耗资源的，因为反馈周期会更长。

Stability AI首席执行官辞职 称无法用更中心化的AI打败中心化AI

Stability AI首席执行官辞职 称无法用更中心化的AI打败中心化AI 目前还没有首席执行官的永久替代人选，但已任命首席运营官黄珊珊（Shan Shan Wong）和首席技术官克里斯蒂安-拉福特（Christian Laforte）担任临时联席首席执行官。稳定人工智能公司（Stability AI）最近几个季度流失了半数以上的关键人才，该公司表示，莫斯塔克即将卸任，以追求去中心化的人工智能。莫斯塔克在 X 上发表了一系列文章，认为人们无法用更多的"中心化人工智能"打败"中心化人工智能"，他指的是 OpenAI 和 Anthropic 等顶级人工智能初创公司的所有权结构。此外，由于他又持有最多的控股股份，因此所以他决定从最高职位上退下来。他补充说："随着人工智能变得越来越重要，我们应该对其进行更加透明和分布式的治理。这是个难题，但我认为我们可以解决它......"他补充道。"人工智能领域的权力集中对我们所有人都不利。我决定卸任，以便在 Stability & elsewhere 解决这个问题"。据彭博社报道，截至 2023 年 10 月，这家初创公司每月的支出估计为 800 万美元。彭博社还指出，这家初创公司曾试图以 40 亿美元的估值筹集新资金，但没有成功。大约一年前，莫斯塔克似乎还没有把营收增长放在首位。在去年一篇关于 X 的文章中，他对生成式人工智能公司"奇怪地关注收入"表示好笑，尽管"这项技术很有用，但远未隐约成熟，因为几乎每天都有新的突破"。他列举了几个例子，其中包括 MagicLeap，该公司在创收之前就花费了数十亿美元。他写道："适当的人工智能研发的回报比我们所见过的任何东西都更清晰，也更快进入市场，它将比自动驾驶汽车创造更多的经济价值，例如，自动驾驶汽车的总投资高达 1,000 亿美元，却没有任何收益回报。"上个月，他在 Reddit 上发表的评论让人洞察到重点的转移。他写道："我们做得很好，今年的业绩已经超过了预期。我们的目标是在今年实现正现金流，我认为我们可以尽早实现这一目标。市场是巨大的，边缘和所有受监管行业都需要开放模型。这就是为什么我们是唯一一家开放数据、代码、培训运行细节等的公司。定制模型、咨询等都是巨大的市场，随着我们在未来一年左右进入企业应用阶段，围绕这个市场的商业模式也非常合理，去年只是验证而已。"Stability AI 的宣布为人工智能行业引人注目的一周画上了句号。曾融资约 15 亿美元的初创公司 Inflection AI 周一宣布，其两位联合创始人和其他几位员工已加入微软，微软主导了这家初创公司最近一轮的融资。 ... PC版： 手机版：