企业 AI 落地：立项、交付、算账，以及翻车复盘
共 18 篇文章，持续更新中
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。
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。
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。
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。
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。
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。
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。
