企业ai

名不经传的养虾人

从0到1：企业级AI项目迭代日记 Vol.29｜自然语言变工作流：Agent 自动拼装子图的实现路径把一件复杂的事做简单，有两种方式：降低门槛，或者让别人替你做。团队选择了后者。那个“别人”，是我们自己的 AI。

名不经传的养虾人

从0到1：企业级AI项目迭代日记 Vol.28｜企业AI的交付不是给工具，而是给搭好的能力企业软件有一个经典陷阱：把复杂度留在产品里，然后期待用户自己学会用。这周我们掉进去了。然后爬出来了。知识库上周正式上线，工作流今天进入测试，多 Agent 协作被正式列为第四个核心功能。看起来是推进顺利的一周——但认真审视细节之后，有三件值得记录的事。

名不经传的养虾人

从0到1：企业级AI项目迭代日记 Vol.19｜两个环节 vs 十几个环节：Hermes厉害在哪里？这两天有人去翻了 Hermes 的源码，把它整个聊天循环的结构看了一遍。看完之后，沉默了一会儿。Hermes 的消息在进入大模型之前，只经过两个环节：第一个是组装提示词——把系统提示词和从用户记忆里召回的内容拼在一起，构成初始上下文；第二个是选择模型提供商，决定这次走哪个模型。然后，消息直接打到大模型，大模型要用工具就进工具循环，循环结束输出，完事。

科技晚报｜2026年5月10日：AI 开始补审查、权限与合规这些硬骨头一句话导读：5 月 10 日这篇科技晚报更值得关注的，不是哪家模型又刷高了榜单，而是 AI 正在补一组更难但更接近生产环境的能力：GitHub 开始正面处理 agent 工作流的 token 成本和 PR 审查质量，Google Workspace 则把权限控制、显式同意和可复用技能往企业日常流里推。对技术人来说，下一轮竞争会越来越像“谁能把 AI 管得住、审得过、用得久”，而不只是“谁先演示出来”。

业务负责人的AI焦虑：花了钱、用了工具，但什么都没留下来上个月，和一家中型企业的运营总监聊天。他给我倒了一杯茶，叹了口气说：“去年我们公司花了十几万买各种AI工具——ChatGPT会员、Copilot、Midjourney、还有两个垂直领域的AI应用。员工们也用得挺起劲的，效率确实有提升。但我最近复盘了一下，发现一个问题让我很焦虑。”

名不经传的养虾人

从0到1：企业级AI项目迭代日记 Vol.18｜功能被悄悄改没了，然后我们写了个看门狗五一节前最后一天，腾讯会议集成做了一次比较完整的优化：用户可以在聊天里直接配置自己的会议 token，转写和纪要在模型回复之后，气泡上方会直接弹出下载按钮，不用再跳转页面。

名不经传的养虾人

从0到1：企业级AI项目迭代日记 Vol.17｜让 AI 做代码重构，要盯着它的策略，不只是看结果今天没有大功能上线，但有几件事同时在推进：知识库服务打包合并进主镜像，腾讯会议的体验优化刚提上来等着合版测试，多 Agent 的并发问题还在调，前端拆分引发的一连串连锁反应也在收尾。

名不经传的养虾人

从0到1：企业级AI项目迭代日记 Vol.14｜正式版上线第一周：一个403、一次重构、一个新方向上周，正式版发出去了。说是“正式版”，其实并没有什么特别隆重的仪式。无非就是把前面欠下的一些账先补了一遍：工具能力补齐、已知问题修掉、稳定性重新跑一轮，确认没那么容易崩了，再把版本推上去。

LangChain做了什么？企业场景中它和专用AI平台的定位区别上个月，一个做AI应用的朋友问我：“我们团队用LangChain搭了一个RAG（检索增强生成）原型，两周就跑通了。但现在要上线，发现一堆问题——调用链路太复杂、成本不好控制、权限管理基本没有。LangChain到底适不适合企业用？”

企业私有化大模型部署：从选型到上线的完整工程路径2026年，越来越多的企业开始考虑私有化部署大模型。原因很简单：数据安全、合规要求、成本可控。但一个普遍存在的现象是：很多团队在选型和部署阶段就卡住了。

企业AI的运行底座是什么？和AI工具有什么本质区别？2026年，企业采购AI工具已经不是新闻。但一个普遍存在的现象是：工具买了一大堆，业务效率却没有明显提升。

MCP：AI智能体时代的“USB-C接口“，微调终结者还是效率革命？摘要：在AI智能体快速发展的今天，传统微调方法面临着成本高、周期长、灵活性差的困境。Model Context Protocol（MCP）作为Anthropic推出的开放标准协议，通过为AI智能体提供标准化的外部工具和数据源连接能力，正在成为替代微调的高效快速手段。本文深入解析MCP的技术架构、核心优势，对比其与传统微调方法的差异，并通过多个行业应用场景展示MCP如何实现"即插即用"的AI能力扩展，为企业智能化转型提供了一条更快速、更经济的路径。MCP不仅解决了AI工具集成的碎片化问题，更重新定义了AI智

RAG概念被误用：AI应用落地需回归上下文工程本质在生成式AI爆发式发展的当下，"RAG"（Retrieval-Augmented Generation）作为技术热词频繁出现在行业讨论中。这个将检索与生成简单组合的概念，被普遍视为大模型落地的标准方案。但Chroma创始人Jeff Huber在Latent Space播客中的犀利观点，犹如一记警钟：RAG本质上是误导性的概念包装，其模糊的工程边界正在阻碍AI应用的深度发展。

数据基座觉醒！大数据+AI如何重构企业智能决策金字塔（下）传统六层架构正在经历基因重组。某智能家居企业将数据流转路径重构为三维拓扑网络后，新品研发周期从18个月压缩至9个月。这个改造的核心在于打破数据层间的物理隔离，让原始数据流能直接触达决策中枢。

我是有底线的