企业 AI 落地：立项、交付、算账，以及翻车复盘
共 36 篇文章，持续更新中
个人知识库用关键词检索往往就够。企业库再谈 RAG、混合检索和检索前的权限。
上个周末把 Pi Agent 的原理过了一遍，才发现模型连手都没有，动手的一直是框架。
周报已经能让AI写进Excel，发出去还得我自己点。试完Grok Bot我想清楚了，下一台该接手工作的，是家里那台一直开着的电脑。
同时管几个项目时，给每个群接一个 AI 分身；一库、一会话、一人设绑死，才敢让它开口。
从iPhone到Mac mini上的AI，健康数据怎么每天自动流转过去。方案怎么选、快捷指令卡在哪、电脑上怎么收，一篇讲完。
工具越装越多，工作却未必变轻。真正可持续的做法，是从真实任务出发，把稳定、重复、可验收的工作方法沉淀为个性化 Skill，并用最小权限、人工验收和持续维护守住执行边界。
AI 从知识库找错答案时，可以沿着资料版本、提问限定、切块、检索过滤和引用核验五步排查，快速定位问题可能卡在哪一环。
个人知识要长期可用，需要同时设计分类、标签、笔记结构和维护流程。以 Obsidian 为例，一小时搭好基础框架。
PDF 直接上传会不会更费 Token，不能一刀切。要分开看处理量、产品额度和自己花的时间，还要看转文字有没有丢信息。
换电脑登录同一个 Codex 账号，之前的项目却找不到了。问题不在账号同步，而在本地会话、项目文件和运行环境是分开的。
收藏解决的是保存，不是使用。AI 能帮你把一小批材料拉回正在做的事里，下一步仍由人决定。
Agent 聊天窗口看起来更聪明，不代表工作能稳稳交付。真正要解决的是怎么验收。
用AI转写工具把会议录音整理成结论、行动项、待确认问题，省掉从录音到结构化文字的整理时间，但关键决策和数字核对必须由人来做。
用NotebookLM把一堆项目材料整理成可顺着引用回查的工作底稿，降低从资料堆到可核验简报的整理成本。
Prompt不必追求短，真正需要清理的是重复、冲突、过期和与当前任务无关的信息。
模型能力相同，外围工作环境不同，实际效果差距明显。Harness 是包在模型外面的上下文、工具、任务编排、反馈验证和约束系统。
收藏别人一句做法不等于自己能复用；把做对的任务整理成工作卡片，下次才能从同一条起跑线重新出发。
当大家使用相近的模型，真正影响长期输出的，是一份持续更新的个人工作档案，让 AI 记住你的偏好、资料、判断和验收标准。
AI写出来不像你，通常不是模型能力不够，是你没给它看过你真正怎么说话。公开文章经过反复修改，聊天记录和语音转写反而保留了更真实的文风。
ChatGPT Work把连接器、Agent、Codex和长任务能力整合进一套工作体验。对知识工作者来说，重点正在从怎么提问，转向怎么派任务、划边界和验结果。
六百多条笔记从没回看过，直到我把AI接进了自己的知识库。让AI当"知识编译器"，自动整理那些你自己永远不会再看的笔记
提示词焦虑是上一阶段的事，AI使用的下一阶段是设计循环，让AI自己检查、自己改进、自己继续
企业数据进入AI Agent有五道关，大多数团队卡在第三道，权限层。
Agent的可靠性不取决于prompt多精妙，而取决于循环设计——任务拆解、验收标准、失败重试机制。
Agentic RAG方向对，但大部分企业现阶段不需要上，先把手头的RAG和知识治理做扎实再说。
AI工具真正消耗企业效率的，不是模型能力不足，而是上下文管理正在变成一笔隐性的知识债务。
企业AI培训乱象的根源，不是员工不会用工具，而是企业没有先重构流程、数据边界、责任链条和落地标准。
