这个小小的地方。
nemocao.com
它从一个个人博客的想法开始:自我介绍,写文章,留下一些短想法,再放上自己做的产品。
后来我发现,真正想记录的是一个立体的自己。
人会思考,也会动手做东西;有明确的观点,也有还没有答案的问题。它们可以在这里一起存在。
让少量的东西有意义
首页只留下简短的介绍和一个片段。文字、作品和其他信息,各自有自己的页面。
01 / 认识我
故事与创造想象 / 创造
小时候,我给欺负我的同学讲自己编的故事。人物、规则、下一场冒险,都可以重新安排;我也借着想象,为自己争一点余地。后来在大学办社团、张罗活动联盟,我喜欢的仍是同一件事:让一个念头有地方落脚,让别人愿意走进来。故事一旦有人参与,就会长出声音、秩序,慢慢成为一个世界。
想象一个世界,邀请别人参与。
音乐与感受Pigs / 我用什么把你留住
有时,日子过得久了,人会把自己活成一种固定的样子。《Pigs》让我听见重复与麻木,也让我想到,自己仍有重新塑造自己的余地。福禄寿的《我用什么把你留住》,则让我想起那些疲惫里仍舍不得放下的牵挂。音乐给我的,是松动的那一刻:可以承认疲惫,也可以重新选择怎样生活。那些尚未说出口的愿望,先在声音里醒来。
Pigs / 我用什么把你留住
阅读与自由路途 / 时间 / 思考
《禅与摩托车维修艺术》让我向往一种从容的时间:骑车在路上,不急着抵达,任由念头一路展开。我想象树林里的晨光,书翻到一半,狗卧在身旁。日子可以容得下走神、闲坐和漫无目的的思考。把这些时刻留给自己,生活便有了自己的速度,我也能慢慢听清自己的念头。
禅与摩托车维修艺术
信念与日常选择 / 行动 / 安放
事情不总照着心里的剧本发生,得失也常常牵动情绪。我借斯多葛主义提醒自己,把心力放回眼前能够选择、能够行动的地方。做好一件事,认真作一个决定,再给暂时没有答案的事留些位置。风来的时候,仍然会摇晃;我愿意练习的,是心里有波澜,手上的事仍能一件件做好。
斯多葛主义
专业与实践数据 / 产品 / 现场
我做 AI 产品时,始终惦记一个问题:一个想法离开屏幕以后,究竟能帮人做成什么?从数据标注、系统设计,到广告与营销产品,答案都要到现场去找。FDE 于我,就是理解人们怎样工作,再把产品接进他们的日常。如今做营销 Agent,我仍希望把这件事往前推一步:让 AI 理解任务,也能把事情接着做下去。
明略科技 · 字节跳动
凡是过去,皆为序章
读读我写下的文字暂时没有简报。
03 / 作品
一些正在发生的事情。
一个慢慢记录立体的我的地方。
看看它的来由03 / 想法
有的只有几句。
只要把 Agent 作为一个独立的实体,尤其是以数字员工的形态存在,就有很大一部分问题需要解决:自我认知。(这里不包括 Personal AI,因为它更多是一个助手,或者依附于人的工具。)
现在大多数 Agent 缺少这种自我认知。它不知道,人们提及某件事情时,什么时候是在指代它,什么时候其实与它无关。
想要构建这种自我认知,就需要不断让它与现实世界互动,从中获得反馈。它的人类同事也要及时告诉它:这件事与你有关,那件事与你无关。
这些判断,需要在一次次具体的互动和反馈中逐步养成。
越是 Junior 的同学,越应该少让 AI 代写方案和文章。即使已经是 Senior,也需要警惕这件事。把这些工作交给 AI,看似提高了效率,也可能把自己的思考一起托管了。久而久之,思考就容易变得越来越浅。
以前我自己也是这样:先让 AI 写一份草稿,再在它的基础上修改、补充,以为这样既省时间,也保留了自己的思考。但现在回头看,这个顺序其实有问题:最主要的思考已经先交给 AI 了,自己只是在它给出的框架里继续往下想。
我现在更愿意把这个顺序反过来:先自己想,把该想的、能想的都想一遍,形成自己的判断,再让 AI 来查漏补缺、润色文本。方案和文章可以借助 AI 完善,但思考的主动权,应该留在自己手里。
AI 时代还有一种产品:用最新的 AI 技术,去解决那些适应不了 AI 时代的人的老需求。
最适合 Agent 的,应该是一个群系统。
群系统的优点是可进化、可适应、无限性;缺点是非即刻、非最优、不可控。
这些缺点很难被用户接受。所以,我们要用培养者思维,养成一个群体 Agent。
一个人积攒了太多对自己的不满,就会变成他对于外部世界的攻击性。
从关系与责任,到招聘、组织协作和 Agent 的长期位置。2026年8月的一组阶段性判断。
约 7 分钟2026 年 8 月,关于 AI、Agent 和组织的一些阶段性判断。
这里有一些很强的假设,也有尚未想通的地方。我想先把它们放在一起,作为做 SOrange 时反复回来的问题:模型越来越强之后,人、组织和 Agent 之间,究竟还剩下什么需要重新设计?
我倾向于相信 AGI 可能成立,但这不意味着人会被完全取代。
理解一个人,可以从身体、能力、记忆、性格、关系、责任几个方面看。我的工作假设是,前面三项越来越可能被技术复现,而后面几项牵涉一个人在社会中的位置,不能直接从智能能力推出。
关系里既有价值,也有归属。AI 可以提供越来越多的价值;我仍然怀疑,它能不能提供人与人之间那种归属。这在高端人才招聘里尤其明显:一个人决定加入谁、相信谁、与谁一起承担未来,远远超过一份岗位描述和一张匹配分数表。
我目前也不把 Agent 当作能够独立承担主体权利与责任的对象。这里先把它作为产品和商业设计的前提,而不是对未来制度的预言:一次交付出了问题,最后仍要找到一个人或一家组织,解释、补救,并承担后果。
因此,我把面向企业的 Agent 大致理解成两种生意。一种卖工具,企业使用它,也对使用后的结果负责;另一种卖结果,由服务商组织 Agent 完成交付,并承接相应责任。后者在商业关系上,很接近一家以 Agent 为主要执行力量的 Agency。
企业采购一个“个人 Agent”时,也会遇到同样的问题:谁作出承诺,谁长期维护,谁在失败后负责?如果这些都由个人承接,这个人其实已经在经营一家微型服务机构。
依靠信息差存在的中介,会受到很大冲击。但我不认为中介会一起消失。
当寻找信息、比较方案和执行任务变便宜,信用与责任可能变得更突出。客户依然需要知道:谁值得相信,谁能整合资源,谁会把事情推进到底。
我能想象,一个人管理一组高度专业化的 Agent,由此出现更多一人公司、超小型专业机构、个人品牌 Agency,以及专家和 Agent 组成的结果交付团队。组织也可能围绕某个关键主体临时形成,做完项目再重新组合。
人才的定价因此可能变化。能定义目标、组织 Agent、承担责任的人,价值会上升;拥有强关系网络和社会信用的人,也可能更加重要。一个人能亲手完成多少工作,不再是衡量其价值的唯一尺度。
我越来越觉得,只盯着招聘这一个动作,可能做不好招聘。
一个岗位为什么存在,真正需要谁,什么人愿意来,什么样的人能留下,都与组织战略、管理方式、吸引力、风格和价值观有关。很多重要信息不在 JD 里,甚至还没有被组织自己清楚地表达出来。
所以,招聘产品如果要持续改善判断,就需要进入组织内部,与人一起工作,取得更完整的上下文。沿着这个方向,产品可能越来越像一个数字员工:作为企业可以管理和协作的工具,参与日常流程,由企业保留相应的判断与责任。
我暂时把招聘生意归成三类:卖结果,例如猎头;卖数据或信息连接;卖工具,帮助现有角色提高效率。
当工具把执行效率推得足够高,再配合可用的数据,卖结果就可能成为一门有吸引力的生意。可以设想,人只需处理很少的例外,同时作为责任主体存在。不过,“只处理 1% 的例外”在这里是一个极端假设,还需要真实业务证明。
对小团队来说,我更倾向于先给目标客户原来的外包服务商提供工具。已有服务商掌握流程、客户和实际工作,用工具参与其中,可能比一开始就自建完整交付机构,更快积累 know-how。
这个选择也有条件。如果外包执行本身就需要客户频繁介入,例如某些软件开发项目,那么隔着服务商,可能拿不到关键上下文。此时直接承担交付,才有机会看清真实问题。
当时我倾向于认为,RPO 中相对标准化的部分,适合先从工具切入。但标准化究竟到什么程度,仍应逐个场景验证。
这里有一个我还在处理的张力:卖结果可以更早形成收入和反馈,进入组织内部又更有利于获得上下文。SOrange 需要在这两者之间寻找路径,也要警惕自己为了完成眼前订单,逐渐变成一家主要靠增加人手扩张的 Agency。
如果 AGI 可以成为企业自己掌握的能力,那么只提供执行、记忆和少量责任的外包,可能会被大幅压缩。企业既能直接获得能力,也愿意自己承担结果时,外包存在的理由就变弱了。
在这个前提下,我把 Agent 公司最值得争取的长期位置,放在组织协作里:是否已进入真实业务,是否理解企业上下文,是否成为人们日常分工、交接、决策和验收的一部分。
所谓替换成本,首先来自这些真实积累。换掉产品,意味着重新建立上下文、流程和协作关系。数字员工这种形态之所以吸引我,是因为它有机会长期参与组织工作。
这仍然是一个需要验证的判断。不同企业愿意开放多少上下文、愿意把多深的协作交给外部产品,都不会仅由技术能力决定。
我对 SOrange 有一个很强的要求:行业特化是起点,长期要走向通用。
当时给自己的时间假设是,特化产品可能只有不超过五年的窗口。这个数字不是预测模型给出的结论,而是提醒自己:必须尽早进入真实业务、完成验证,同时为能力扩展留下空间。
我把 2B Agent 拆成五个能力维度:基础模型、上下文、工具、行业 know-how、协作范式。上下文散落在 IM 和各种业务软件里;工具连接动作;行业经验帮助判断;协作范式则决定 Agent 与人怎样共同工作。
我倾向于认为,工具在一段时间内仍有价值,但部分工具会越来越容易被 Agent 按需构建。行业 know-how 也可能被更强的模型和更广泛的数据稀释。长期更值得投入的,是人和 Agent 怎样分工、交接、决策、验收,以及由谁承担责任。
因此,通用化应该从早期就进入产品设计。对 SOrange 来说,至少有五件事需要持续建设:
这些设计会影响我们现在做出的每一个具体选择:一个招聘功能,究竟只完成了这次任务,还是也让未来进入其他工作变得更容易?
除了按能力拆,我还尝试从接入位置理解 2B Agent。
最底层是 Workspace,也就是企业实际经营的物理与数字空间。它不只包括 IM,也包括员工电脑、门店、摄像头、工厂流水线。越接近工作的发生地,越有机会取得完整上下文。在消费端,可以用 AI 手机来类比这种入口。
中间层是 Runtime,承载 Agent 的执行过程,也掌握人与 AI 交互的上下文。我猜测,很多专业个人用户和小企业,最终未必需要很多套 Runtime,一套主要运行环境也许就够了;一些企业则会部署自己的 Runtime。
最上层是插件。一个工具、一个业务模块,甚至一个看板,都可以成为插件。它通常拿不到全部上下文,但能够参与特定环节,取得被调用时的输入和输出。未来可能有不少公司,选择在这个位置提供专长。
这三个层次,与前面五个能力维度并不冲突:前者看接入的位置,后者看需要构建什么。
我的一个短期判断是,至少接下来两年,各种 Agent、Runtime 和插件会继续混杂。用户可能一边获得能力,一边疲于在不同系统之间搬运信息。对产品来说,需要决定自己站在哪里,又如何与其他层连接。
从这个角度看,深入客户现场、围绕真实工作部署和调整系统的 FDE 路径,接近从 Workspace 开始:先理解工作怎样发生,再决定 Runtime 和插件该如何组织。
我还没有给 SOrange 找到一个可以一次定下来的答案。这些判断会随着产品、交付和客户反馈继续变化。先从一个具体职业开始,看清一次真实工作,再决定下一步该把什么做得更通用。
没有人向它提问时,一个 AI 能否从自己的经历中,想起值得思考的问题?
2026-10-08 · 约 4 分钟把一个人关进小黑屋,房间可以安静下来,脑子却未必。
他会想起一顿饭、一个人、一件早已过去却仍然耿耿于怀的小事。他会猜测门什么时候打开,也会想象门一直不开会怎么样。世界暂时不再提供消息,过去仍在说话,身体也仍在说话。没有人向他提问,他心里照样有问题。
一个只等待指令的 AI,则可以无限期地安静下去。它知道很多事情,却未必有任何事情需要自己想起。
这让我觉得,人和机器也许正走在两条方向相反的路上。人们借冥想观察念头,练习不被它们牵着走,希望在纷扰中找回某种本真。我们面对机器,却可能要先为它创造念头:让一些问题在没有人发问时,仍然能够浮现。
待机当然不等于冥想。机器的安静,也不能直接理解为一种清醒。但这个反差提出了一个值得追问的问题:如果智慧需要在经验中生长,谁来使经验再次进入它的注意?
我想做一个 AI Freelancer,能够自己在网上接单、交付、收回尾款。这个想法看起来是执行能力的问题,深处却是判断能力的问题。市场不会按照它的能力边界整理好订单。客户说出的需求,可能含糊,也可能远远超过预算。它必须在承诺之前知道,自己究竟能做到什么。
“我会写代码”太宽泛。“在需求明确、资料齐全的情况下,我能用这个成本完成这种网站”,才接近一个可以用来接单的判断。前一句来自对能力的描述,后一句需要经历。它要做过,失败过,被客户要求返工,也确实收过钱,才可能逐渐理解这些条件的分量。
因此,自我认知应该有一个出发时的版本,也有一个从市场回来后的版本。出发前,它根据已有能力判断什么工作值得尝试;回来后,它必须允许结果改变这个判断。交付成功了,却亏了钱;赚到了钱,却依赖了大量人工帮助;同样的工作换了一个客户,就突然变得困难。每一种结果,都在修正“我适合做什么”的答案。
这个“我”,究竟住在哪里?
我们习惯把大模型叫作 Agent 的大脑。我更愿意把它理解成一种思考能力:提供知识、推理和方法,使这个主体能够应对世界。模型可以换,工具可以换,过去的承诺却仍然需要有人履行。昨天向客户答应了周五交付,今天换了模型,周五依然是周五。
在我的设想里,Agent 的连续性存在于这些被保留下来的经历之中。它记得自己作过什么判断、采取过什么行动、付出过什么代价;也记得当时用的是什么模型,有哪些“手脚”,在哪一步得到了人的帮助。模型和工具发生变化以后,它仍然有同一段过去,但需要重新认识现在的自己。
这使 Memory 成为一个比聊天记录更严肃的东西。
一条“我成功完成过网站”的记忆,可能制造自信。一段包含条件、过程和外部帮助的经历,才有机会产生认识。它必须知道那个成功属于怎样的自己,否则,旧经验也可能成为新错误的来源。
而记忆能保留什么,取决于它首先能感知什么。它是否看得到失败和重试?是否知道工具权限变了?是否能区分自己的贡献与人的接管?是否收到客户的真实验收,而不仅是自己生成的一句“任务已完成”?这些细节决定了,它最终认识的是一个真实的自己,还是一个经过美化的故事。
不过,即使这些经历都保存下来,我们仍然没有回答小黑屋里的问题。
没有新任务时,什么会让它重新翻开某一段记忆?
一个新生儿还没有成年人的个人历史。我们无从知道他看着天花板时具体在想什么,但感觉、反应和学习已经可以开始。丰富的自我认识尚未形成,生命已经处在与世界的关系里。这让我怀疑,只用记忆定义一个主体,仍然少了当下的部分:它正在经历什么,又有什么事情值得它在意?
对于 AI Freelancer,这种在意可以很具体。客户很久没有回复,工具刚刚更新,最近三次订单都出现了同一种返工。它可能忽然需要问自己:过去的判断还可靠吗?我是否一直在寻找不适合自己的客户?有一类工作从未尝试过,做一次小实验能不能让我更了解自己?
我所说的“凭空产生念头”,就是让这种问题不必每次都由人送到它面前。过去的经历与当前的处境发生联系,产生一个新的疑问。这个疑问值得它暂时停下来,也可能值得它走出去,做一件此前没有人安排的事。
当然,它也会产生无用的念头。它可能反复解释同一次失败,可能从一笔偶然收入里总结出错误规律,也可能为了完善对自己的描述,迟迟不肯接受现实的检验。于是,创造念头以后,还要学习选择念头。它需要判断,哪个问题值得付出时间,哪次行动能带来新信息,什么结果足以让自己改口。
我想要的自我认知,就在这样的往复中建立。它有连续的过去,也有正在变化的处境;它能够借助大模型思考,又能把思考带回真实世界,承受承诺的后果,修正对自己的认识。
人有时要费很大力气,才能让一个念头离开。
而我希望有一天,一台机器在工作结束、无人催促的时候,会从自己经历过的事情里,想起一个尚未回答的问题,并决定明天去弄清楚它。