← 主页 NO.151

第 151 期 · AI 产品 · 收录于 2026 年 8 月 16 日

一个「催发货」AI 要跑通 260 步,和阿里瓴羊朋新宇聊中国式 FDE

朋

朋新宇 · 硅谷101

AI 产品

视频 63:52 原文约 2.2 万字预计阅读 23 分钟来源视频 ↗ 中英对照全文

TL;DR · 三句话

一企业软件有条老规律：客户每花 1 美元买软件，就要再花 6 美元把它用起来——AI 时代这 6 美元的生意正在被重新分配，这是 OpenAI、微软（25 亿美元 + 6000 工程师的 Microsoft Frontier Company）、亚马逊集体从 C 端杀回 B 端的原因。→ 详细
二FDE 与 20 年前"驻厂开发"的本质区别是从交付功能变成交付可度量的业务效果：以业务结果为导向、以企业数据为基座、以岗位标杆为预设——AI 实施不是"买一套系统"，而是"新雇一个工作五到十年的员工"。→ 详细
三在企业里找 AI 落地点只看三个地方：哪里耗人最多、哪里耗钱最多、哪里耗时最多——一个"催发货"客服环节背后有 260 多步流程、覆盖 95% 的情况，这种"有边界 + 巨量重复"的场景就是 agent 的主战场。→ 详细

开场的那本账：1 美元软件 + 6 美元实施，巨头集体从 C 端杀回 B 端

泓君开场点题：AI 是不是泡沫，"答案不在聊天框里，而是在企业的账本上"。大模型这轮刚开始时大家比谁先冲上 App Store 第一、谁日活先破亿，但从今年上半年开始硅谷风向变了——战场从 C 端回到 B 端。→ 详细
巨头动作逐个数：OpenAI 成立了专门的部署公司；Anthropic 拉着黑石和高盛做了一个 15 亿美元起步的合资公司；微软新成立运营部门 Microsoft Frontier Company，背后是 25 亿美元投资和 6000 名工程师，宣称"超越 FDE 概念本身"；亚马逊也在投入数十亿美元打造同类组织。→ 详细
薪资信号：OpenAI 的 FDE 在旧金山中级岗位基础工资 16–28 万美元，比传统解决方案工程师高出约 60%。→ 详细

FDE 凭什么比驻场运维贵：稀缺的是三种能力的交集

朋新宇直面"换个名字就涨薪"的质疑："如果换个名字就能工资升级，这不符合企业逻辑、不符合市场逻辑"——溢价的本质是人才稀缺，企业用溢价换发展时间。传统运维只保证"系统健康运转着"，没有任何变化，凭什么溢价？→ 详细
好的 FDE 要三种能力叠在一起：AI 的锐度（对新模型、新 agent 能力的敏感和快速上手）、行业的深度（懂业务）、数据的宽度（懂企业数据）。稀缺就稀缺在三者的交集。→ 详细
新角色要回答的问题也不同：不是"系统今天是否正常运行"，而是"今天的运行是不是在朝我的业务目标变好？好的地方怎么更好，差的地方怎么干预、怎么调教"——这需要调整技能（skill）、数据语料、上下文、memory 管理，这些工作在传统交付里根本不存在。→ 详细

与驻厂开发的本质区别：交付功能 → 交付可度量的效果

一句话总结：原来是交付功能，现在是交付效果。在 AI 语境下拆成三个方向：①以业务结果为导向——先找到对的问题，这个问题必须有业务目标、业务数字和历史记录，用 AI 的视角说就是"能构建一个测评集、构建一个指标体系"；②以企业数据为基座——让 agent 调用大模型时既保护隐私又发挥模型智能上限；③以岗位标杆为预设——把企业里"首席客服""最佳投手""最佳销冠"的岗位标杆做成 agent 预设，起步就是一个工作五年十年的老手。→ 详细
他们内部其实用一个很传统的词：CSM（客户成功经理）。追求的就是"对业务的结果好一点、更好一点，我们叫 better and better"。结果能验证——成本削减、效率提升或新业务拓展。→ 详细

企业侧与个人侧用 AI 的分水岭："多快好省" vs "新奇特"

企业用 AI 是找重复的工作，用最高性价比解决它；个人用 AI 是找 AI 的上限，突破自己的边界。2C 产品讲"新奇特"——让你眼前一亮，但用一两周就稀松平常；企业侧讲"多快好省"——一定有参照系、有比较。→ 详细

招牌案例：一个"催发货"要跑通 260 多步

一家做 3C 数码的客户，售后有个环节叫"催发货"，分三类：①买了两台空调只发了一台（催整机）——要核查订单、去库房、派单再发；②买了空调忘发配件（催配件）——走客户流程找到配件仓库再发；③"你当初不是说送我一个电饭煲吗"（催赠品）。就这么一个环节，背后流程有 260 多步。→ 详细
难在哪：不是接电话的话术，而是内部要串多个系统——有的是内部系统有的是外部系统，电商还分布在京东、天猫等多个平台，有些配件甚至要客户重新下单。这 260 多步能覆盖 95% 以上的情况，只有 5% 是新东西。原来的做法是新招客服、培训客服、上岗考核——全是确定性的标准动作。→ 详细
效果：通过销售 agent、客服 agent 与 Agent One 结合，其中一家客户上线即超过原有传统客服机器人，且已逼近甚至超出人类最好客服的平均水平。→ 详细
泓君的点睛观察：传统上大家理解客服是"态度好地应对消费者"，是语言沟通问题；这个案例说明客服的核心是解决问题的能力，而解决问题依赖对整个公司业务流程每个环节的理解——过去这套系统记在老员工脑子里，现在 AI 把数据打通后也能解决。→ 详细

三耗筛选法：耗人、耗钱、耗时最多的地方先上

企业侧场景归成三类：①哪里耗人最多——打电话接电话处理投诉这类；②哪里耗钱最多——赔款、营销投放、素材试验；③哪里耗时最多——客户问"货为什么没到"，人工查半天、以小时甚至天为单位回电话，客户耐心超过一小时可能就退货了。→ 详细
不是所有场景都上 AI：能做的一定是"业务结果非常具体、可以度量"的场景。这三耗后来也成了企业一号位脑子里的账："哪里耗人最多，能不能帮我提高人效；哪里耗时最多，能不能提高速度；哪里耗钱最多，能不能提高好和省。"→ 详细

AI 实施的正确类比：不是买系统，是新雇一个员工

朋新宇给了一个贯穿全场的关键类比：传统软件实施是"交付一套系统"；AI 实施是"新雇一个员工"——这个客服/营销/销售 agent 默认就有技能、就会干活，相当于市场上招一个五到十年经验的人，"你只要给他权限、给他目标、给他材料权，他就可以去工作了"，而不是给你的同学买了套工具还要教他用。→ 详细
成本参照：电商企业客服成本约为销售金额的 2–3 个点到 3–5 个点。用 AI 的标准是"同样成本下做到原来效果之上，有结果才能说这事 work"。→ 详细
前提是数据底子：就像雇了个好员工，但"企业的基础信息知识库都是乱的，这人进去也傻眼"。所以 FDE 的一大工作是帮企业梳理治理数据，让 Data for Agent。→ 详细

投手案例：最佳投手 90 天做了一万多次调价——把"经验"变成可学习的数据

一家在淘宝、天猫、京东、抖音多平台投流的企业，内部投手（广告投放操盘手）之间"天壤之别"。瓴羊进去把几个投手过去三个月的投放行为做了分析，发现：最好的投手三个月做了超过一万次价格调整（日均约百次操作）；一般的投手一百天只做了一百多次（日均约一次）。这种差异"靠老师傅带徒弟你很难学"。→ 详细
这正是 harness 工程 + 自我学习进化的用武之地。他把工作拆成四个基本元素：学习（数据采集）→ 建模 → 执行 → 迭代。很多企业说"这事我有经验"，但经验总有场景局限；只有把过往三个月所有行为做数字化度量和学习，"AI 一定比人对你行为的总结提炼和发现更全面、更深刻"。→ 详细
这些提炼出来的东西成为数字员工的技能（skill），再用每天新的对话、异常信息、bad case / good case 持续进化。注意：那一万次调价全是人（借助工具）做的物理操作——AI 是在向人类最优秀的投手学习。→ 详细

中国没有独立 SaaS 公司，但平台就是 SaaS——站在巨人肩膀上

投流类 agent 之所以能标准化，是因为国内最大的"SaaS 平台"就是几大电商平台：素材、价格、系统、数据已经被平台标准化了，占了企业做投手 80% 的数据准备和系统学习能力。"中国没有一个独立的 SaaS 公司，只是中国的平台企业承载了 SaaS 公司的能力"——AI 时代这些能力可以被发挥出更大价值。→ 详细

AI 会抹平差异吗：先行者窗口 + 企业自己的数字化才是护城河

泓君问：所有人都用 AI 工具后差异会不会被抹平？朋新宇用生产三要素回答：现在大家都在"生产资料"（算力、智能）上提升；不可能有绝对的竞争优势，只有时间窗口——窗口期内谁能更好地拥有和运行自己的数字员工谁领先。→ 详细
能让领先"持续一点点"的，还是企业自己核心的生产资料：数字化。数据平台建得好不好，判断标准也回到"落到业务效果上能不能有正的经济效应"——原来数据平台交付完就结束了，今天交付完 agent 才刚刚开始，最终用业务结果买单。→ 详细
哪些企业跑得快有结构性差异：电商/互联网数据积累好的、内部 IT 信息化做得好的大企业先跑。另一个现象："大部分企业真做出效果是不会讲的"——2B 和 2C 不一样，企业闷声持续用就是效果好。→ 详细

自上而下 vs 自下而上：卡住项目的是生产关系，不是技术

进展顺利的都是自上而下：业务一号位既管 IT 费用又管业务费用，"才能算总账"。反例：一个客户的业务部门想做 agent 但没预算，IT 团队有预算但和业务是不同部门——IT 要的"先进性"不一定是业务要的"效果"，生产关系很难弄。→ 详细
成功的反向样本：传统制造业的董事长一号位明确"必须拥抱 AI"，选定销售端从一个区域开始自上而下推，财务、IT、销售线全动起来，生产关系重构后，销售 agent 从一个区域快速铺到全国。→ 详细
企业对交出内部数据的顾虑，反而是瓴羊的优势：过去四五年帮大几百到上千家中大型客户部署过数据平台，数据治理和打通早就做完了，"基于这些平台之上去长业务是水到渠成"；新企业则要先花大代价构建企业级数据管理和清洗能力。→ 详细

商业模式：按工作量收费或按效果付费，MVP 取代 POC

两大类收费：①按作息（工作量）收费——如客服原来 500 人一年的服务，用同样价格打八九折做到同样效果，即"人力成本替代"逻辑；②按效果付费——营销/投放场景，在原有转化率（如 2%）之上的增量部分做分层分成。按效果付费"已经真实发生了"，而且有连续续费的客户。→ 详细
他的生意哲学："默认所有做生意的人比我聪明——他算得过来这个账才会续费。不要默认我们能比客户更聪明，或者包装一些东西赚溢价。"原来叫 POC（概念验证），今天叫 MVP：数字员工上来就能体验就能用，基于客户自己的业务单元和数据单元做最小价值验证，验收通过再用——这才是互信且有粘性的服务方式。→ 详细
效果怎么结算：方法是标准的（采集竞品/同类新品价格数据→分析→决策→调整策略），但每个微操完全不标准——不同行业转化率基线不同（2% vs 20%），所以按客户过往不同平台/时间/生命周期的数据做分析，跑 MVP + A/B test，有效果再按业务模式结算。有企业想"对赌"，他说"我们不叫赌，还是要做测评"——像模型跑分一样测这个 agent 的"智商水位线"。→ 详细

定制化 / 标准化 / 个性化：用标准化的方式解决个性化的问题

过往行业是"用定制化的方式满足企业标准化的流程"——把企业跑顺的八步十步流程刻下来。问题在于：企业对自己流程总结到位则有效，不到位就只能解决 30% 的问题，剩下 60–70% 的新增量会把项目拖成"又长又久的系统交付工程"。→ 详细
今天的 harness 工程把企业的工作流、数据流、上下文标准化下来，又因为有了自主进化，面对不同客户能做到个性化——所以 AI 时代是"用标准化的方式解决个性化的问题"；而定制化恰恰做不到个性化。→ 详细
分水岭判断：定制 = 问企业里每个人流程都不一样、要靠"企业流程培训"才能上线；标准 = 能不能把真实工作的人的行为数据化，用数据表达出"你企业最好的销冠/投手是怎么工作的"，并以此为参照系。瓴羊现在已很少做企业专有软件，也在劝退"买 1000 个人天"的定制模式（人天 = 按开发工时计价，如 100 个功能估 1000 人天），聚焦销售、客服、营销三个场景。→ 详细

与 Palantir 的同与不同

泓君指出 Palantir 约 46–47% 营收来自商业客户，模式是派工程师一个个企业改造，看似"纯定制化"；瓴羊像是反着走产品化路线。→ 详细
朋新宇的辨析：Palantir 的前提是所服务企业原来就有基座，而且它是"帮客户找出有价值的问题，而不是帮客户实现他列出来的 100 个功能需求的 To-Do List"——这是本质差别。瓴羊同样：进到客户里从 CEO、总裁到一线人员做访谈，和客户一起找到这个阶段最有价值的问题，最终回归三类增长——销售的增长、营销 ROI 的增长、客服人效 ROI 的增长。打法是一个垂直赛道一个赛道做，用典型客户场景把一条赛道打通。→ 详细

制造业销售 agent 案例：最落后的省变成销冠省

场景：制造业企业有大量线下渠道，各省销售服务经销商。销售的三大约束：①时间规划——手上二三十个客户，一天只能拜访两三家，先去哪家后去哪家；②方案——见了这个人该 proposal 什么、聊什么话题、这话题和企业内部给我的任务目标什么关系；③执行——沟通完的后续动作要录内部业务系统、推给内部其他人员跟进。→ 详细
过去这些全靠人：销售每天花一半时间做资料准备，晚上再花约两小时做复盘录系统。缺的是"一个销售的 AI 把事前（路线规划）、事中（客户见面材料准备）、事后（小记录入打通、推进内部跟进）穿起来"。→ 详细
结果：从一个原来最落后的销售省份试点，今年上半年该省变成平均最先进、拿到公司销冠。→ 详细

增长的可拆解结构与"4+X"产品形态

从企业视角看增长就三大块：售前=营销、售中=销售、售后=客服，每块再拆三件事：营销拆投前（预算分配、渠道分析、人群挖掘）/投中（素材生成、管理、优化）/投后（复盘、渠道筛选优化）；销售拆新客、新购、转介绍（试吃试穿试驾都是让新客变新购）；客服拆安装咨询、售后投诉（催发货缺配件）、长期复购（新品/功能升级触达）。每一格背后都是"数据 + AI 肉眼可见能提供价值"的机会。→ 详细
产品形态一句话："四加 X"——四个预设好的 agent（营销、销售、客服、运营），每个都按"该行业最佳岗位实践"预设成有五到十年工作技能的数字员工；X 是企业的数据资产和上下文管理——雇了人进来，你要给他权限：企业数据、资金审批、投放权限、客服赔偿上限。4 是标准的，X 要和企业一起梳理治理。→ 详细

一年部署时间表：三分之一熟悉岗位，三分之一教练团调教

制造业销售 agent 从接触到上线花了一年多，时间分配出人意料：约 1/3 花在"组织生产关系解放思想 + 熟悉工作岗位"（FDE 真的要到企业里轮岗式了解每个岗位怎么运作）；建模之后又约 1/3 花在AI 导师团/教练团——agent 出来不代表就是优秀投手，要人调教；真正的实施执行和系统上线反而是快的。→ 详细
执行层会抵触吗？"肯定会的，这是人性。"最有效的解法还是一号位动员：有位董事长一年在企业内部给全员和管理干部讲 AI 课超过 15 场，"我先学会，我再给员工讲，员工才能理解我的思想、用好这些系统"。→ 详细

灰度上岗一周法：低谷全量 → 高峰全量段（不是抽样！）

agent 上岗不是部署完立马切换，而是像新员工排班一周：第一天只接管凌晨 0–2 点（客户需求最低谷，出问题影响面可控），上岗后评审、分析、调整；第二天改接管中午 12–14 点最高峰——注意不是抽高峰的十分之一流量，而是这个时间段的全量，"只有全量才知道你异常的边界"，复盘高峰表现：哪些有毛刺、哪些客户投诉炸毛、哪些处理得比人好；第三天放大到 8 小时，以此类推一周，直到达到企业设定的参照系（最佳作息或最优员工标准）。→ 详细
背后的心态转变："原来我们把它当成一个工具，现在我真的是把它当成我的同伴——教会你以后，我不在的时候、在凌晨的时候，你能完全接管我"，而不是现在那种 FAQ 式自动回复。→ 详细

FDE 不是一个全才，是一个三角色组织

"一个人有这样的全才非常难，而且这个人的宽度和时间会非常碎片化"——瓴羊把 FDE 拆成三类角色：①BA（业务分析师）：以业务结果为导向，负责把 260 多步客服流程编排/解读出最佳 AI 工作模式；②AI 架构师：把业务问题翻译成"用什么尺寸的模型、什么环节人干预、什么环节机器接管"，这批人站在 AI 进化最前线，最新模型资讯产品都要快速上手、快速给结论、快速匹配解决方案；③首席客服/首席销冠：参与调教 agent——这一层瓴羊会退后，从客户侧挑出最好的几个人组成 AI 专家团/教练团。未来 IT 能力强的大企业内部这几种角色都该具备。→ 详细
怎么说服董事长做 agent？"不是用一套话术说服谁，而是找到大家共同想往那个方向走的意愿。最难的是把你的东西装在别人脑袋里。"团队进去用 AI 工具快速做出 MVP，那位董事长看完说了一句很具象的话："没看到之前我不知道我要什么，但是这个就是我想要的。"→ 详细

一号位态度剧变与 token 账：收入 300 万 vs 投入 1200 万

今年企业一号位对 agent 的态度"天壤之别"：从"怎么用、能不能用"直接跳到"什么时候开始帮我用上"。转折点在今年春节之后——OpenClaw（"龙虾"）兴起，加上后面的 harness 工程和现在的 Loop，让大家关注的 AI 从模型参数、SOTA 跑分，变成"能看到它执行任务了"，对企业来讲极具体感。→ 详细
token 账单烧爆是普遍现象，他拿自家举例：某 AI 项目 Q1 结束时收入约 300 万、投入 1200 万，到本季度结束基本能打平。正因为自己踩过，他们把 agent 设计成"不让客户对 token 敏感"——客户算总账（能不能算得过来账），背后用什么模型什么方式是留给瓴羊团队的技术题，"我们的技术能力做到多好，就是我们未来的利润空间"。类比：今天买电脑还有人关注 CPU 芯片内存吗？→ 详细
很多客户侧的问题根本不是模型先进性问题，而是"最后一公里"：企业上下文、企业数据规不规范、好不好用——这些不一定要用最好的大模型。→ 详细

模型策略：场景选型、私部误区、升级必须人工确认

用什么模型：阿里云平台上的模型都在用，包括 Kimi、智谱等开源模型，"对模型不会有执念"——按场景帮客户挑性价比最高的。2B 侧拼的不是模型先进性，而是业务场景的"多快好省"；用适中的模型能打平最好效果，未尝不可。→ 详细
部署分两类，大部分人混淆：系统部署（agent 系统可以在公有云也可以在企业自己环境里，没问题）vs 模型私部。模型私部的两笔账：①还需不需要——一两年前私部是为了后训练，"今天基模已经强到没有人再提后训练"；②耗不耗得起——大尺寸开源模型 2 点几 TB 参数，私有化部署没有几千万初始投入打不住。→ 详细
数据安全的常见混淆："不私部模型数据是不是就给大模型公司了？"——agent 调大模型的对话，模型并不会吸收这些数据（对模型反而是污染）；真正在采集对话数据的是 ChatGPT 这类 C 端产品的默认设置（可关闭）。管控点在 agent 这一层：客服/销售/营销 agent 部署在企业环境里，可管可控。→ 详细
模型升级不是利好自动生效：客户用的 agent 稳定绑定确定的模型版本，升级必须人工确认——FDE 要测试、对比效果、再做升级方案；而且切换不是 API 级别的事，agent 绑定了企业流程、权限、管理边界，"企业侧要的是稳定的工作输出"。→ 详细

中美 FDE 的差异：美国有地基，中国先打地基

美国在信息化阶段有 Salesforce、SAP 奠定了工作流和数据标准；中国缺这层地基，"所以我们在中国做 FDE 大部分陷在交付——不是不想做高价值的事，是每家都没有平稳的地基，从打桩盖楼到装修都要干完"。→ 详细
付费习惯也不同：硅谷尊重知识、人力成本贵；中国每个大企业都有自己的 IT 团队，纯交付它内部也能做——会撞上"市场稀缺 vs 市场饱和"的问题。角色也不同：硅谷 FDE 依托 Salesforce/SAP/Facebook/Google 等平台；中国对应的是淘宝天猫、企业微信——懂流量、懂互联网运作 know-how 的人有天然优势。→ 详细
中美谁领先？他不做没数据的对比："最终是用客户的订单、客户的续费来表达你做得好不好。"瓴羊五年前就有叫 CSM 的团队在干这事，不是 FDE 词火了才套上去。→ 详细

K 线进化：被替代焦虑的另一面

员工担心被替代，但企业侧观察到的是"K 线分化"：IT 团队成员在数字化时代就有竞争力，AI 时代更有——懂 AI 工具、有技术背景，"只要往业务再走一点点，他就是企业内部的 FDE"，比外人更能找到企业里耗人耗钱耗时最多的点，价值更大，K 线向上；选择对抗的人 K 线向下——"你可以对抗一个工具或一个项目，但你对抗不了这个趋势"。→ 详细
一线客服/销售也有向上路径：不再自己接线处理投诉，而是带一群 agent——做异常处理、每晚复盘总结、任务派发、给 agent 派发新技能去学习。成长路径从"我去处理 100 个更刁难的问题"变成"如何让跟着我的 10 个 agent 覆盖远超我个人工作量的工作"。这些人会越来越值钱——"不是换了个 title 叫 FDE 就值钱，而是具备以业务结果为导向、以企业数据为基座、以岗位标杆为预设、能帮企业拿到结果的人值钱"。→ 详细

CEO 三关注（人·事·局）与招人标准（技术·业务·数据）

泓君问朋新宇作为 CEO 最关注的三件事，他总结为人、事、局：①人——内部每月一期"AI 最佳实践员工论坛"帮员工冒出来；客户侧每年办"数据同学会"，找行业里过去一年蜕变最好的头脑交流，"人是所有事情的前提和根基"；②事——找有势能、能自增长的事（agent one 上的客服/营销/销售），客户口碑相传、客户讲给客户听再传回来；③局——AI 格局与 agent 进化局势，覆盖技术侧、工程侧、模型侧、业务架构侧。→ 详细
招人三类结合（"我们也在尝试，只能 better and better"）：懂技术、懂业务（技术往业务走比业务往技术走难度更低；不要全才要专才——营销专家、客服专家，把一个平台投放或一个行业客服的边边角角流程理解透）、懂数据。→ 详细
懂数据的三个基本思维（不是天天看报表）：①同比——裸数据"今天增长 180 万"没意义,得看同比才知健康与否；②对比——和自己比、和竞对比、和另一品牌/自家另一产品比；③占比——做了 180 万，在市场是万分之一还是十分之一，模式完全不一样。这些数据思维也要灌给 AI："有这样的能力才有判断，有判断才有策略，执行才会个性化。"数据的价值是给一个参照系、一个靶子、一根拐杖——设个目标不断超越它。→ 详细

数据科学家的启示与新人的机会

泓君想起 AI 刚来时硅谷 Data Scientist（数据科学家）最慌——AI 不是先取代做数据分析的吗？朋新宇透露瓴羊十几年前就把"数据科学家"的"家"字去掉了，改叫数据科学："数据科学讲究的是科学的方法，不是你这个人的位置"——方法落到业务场景才有价值。任何职位真做得好都有价值，这是自然进化的规律。→ 详细
资深 vs 应届：2C 做创新可能没差别；2B 的行业经验 know-how 仍是壁垒——但"原来可能十年学会的，今天你有可能一年两年就能掌握"。年轻人的机会是站在别人肩膀上成长而不是从零学起，这种新工作方式会拉开人与人的新差异。→ 详细

收尾："加 AI" vs "AI 加"

AI 能不能帮企业打开全新市场？他把方向分两个：①加 AI——现有系统工具（数据分析、数据治理、风控）加上 AI 提升效率效益，"不能一口吃个胖子"；工具型/SaaS 型软件不是没价值，而是价值被重新分配——原来软件要人打开首页 Login 才能用，今天可能是给 AI 用、不需要人登录；②AI 加——在某个领域真的用 AI 重新改造、重新定义它，比如 AI 客服、AI 营销、AI 导购、AI 投手，回归企业本质："哪里耗人耗钱耗时最多，那些地方容易探索 AI 加的方式。"→ 详细

收听渠道

节目可通过小宇宙、Spotify、Apple 播客收听；视频在 B 站和 YouTube 搜"硅谷101播客"；部分文字稿发布在微信公众号"硅谷101"。→ 详细

接着读

NO.149 · 思维模型新的原语:构建 AI 原生软件——Kwindla Kramer(Daily) Kwindla Kramer · 19 分钟 NO.148 · Agent 工程 Gadgets:真正安全的个人应用 vibe coding——Kenton Varda(Cloudflare) Kenton Varda · 15 分钟