David的AI全景图 - 节目列表

来自 Datawhale「FDE案例100」的第一辑，收录 24 位 FDE（Forward Deployed Engineer，前向部署工程师）的一线访谈实录，全部采用统一的六问结构：场景与问题、过去怎么解决、AI 的思路与关键步骤、实际效果、遇到的新挑战、以及对 AI 落地的经验总结。案例横跨制造、政务、法律、城市规划、跨境电商、物流、财务、零售、建筑设计等十几个行业，既有把老师傅隐性经验做成企业知识库、把车管所审核从 15 分钟压到三五分钟这类已见明确成效的项目，也有仍在 POC 和验证阶段、坦承指标尚待检验的探索。 贯穿全书的判断是：AI 落地的难点已经从"模型能不能做到"转移到"什么问题值得解决"——真正稀缺的不是算法，而是能站在业务现场把问题翻译成 AI 可解、客户愿用的那个角色。因此它读起来更像一本方法论笔记而非成功学案例集，反复出现的主题是进场先别谈技术、用业务指标而非技术指标验收、以及交付之后企业能否自己长出下一步能力。 摘要： 1. "一次项目的结束，不应该意味着AI能力的离开。真正有价值的AI落地，是企业在解决一个具体问题的同时，也开始学会如何解决下一个问题。" —— 序言 2. "模型是入场券。领域加交付，才是护城河。评判一个FDE项目，不看demo多炫，看客户有没有真的改变决策方式。" —— NO.24 朱恒璟（全书最后一句） 3. "所以算法本身不难获得，真正缺乏的是一个连接技术和现场的角色。" —— NO.06 刘春生 4. "很多企业做AI项目时，会先想：'我们能不能接入一个大模型？' 但真正应该问的是：'业务中哪个问题最值得被解决？'" —— NO.06 刘春生 5. "所以装载率不是技术指标，是利润开关：装不满98方就亏，装得越满、越过保本线越多，赚得越多。" —— NO.06 刘春生 6. "所以我进场之后，没有先问'要用什么模型'，先去看他们到底怎么培养新人。" —— NO.01 蔡洁如 7. "做完这个案例以后，我更加确信，FDE最重要的能力，在于找到真正值得解决的问题，快速做一个AI应用反而排在后面。" —— NO.08 马诺 "AI程序本身不会产生价值，真正产生价值的是业务部门。" —— NO.09 毛卫俊

《FDE入门到精通：八堂课学会将AI送进客户现场》是一份来自 AI Engineer World’s Fair FDE 专场的系统整理，讲的是：为什么“模型会写代码”和“企业真的拿到结果”之间，隔着一整条现场与组织的鸿沟。书里从 Palantir 源流讲到 Anthropic、Ramp、Decagon、Cognition、Factory 等一线实践，把 FDE 拆解成事实发现、范围判断、工程落地、产品抽象和组织治理五个层级。 摘要： 1. 真正稀缺的工程能力，不是“能做什么”，而是在写第一行代码前说清楚“这次不做什么”。 2. FDE 的价值，不是这次客户满意了，而是下一位客户不必再为同样的问题付一次学费。 3. AI 降低的是执行成本，不是判断成本；代码越便宜，越需要一套克制“一次性做掉”的系统。 4. 好的试点不是一个炫目的 demo，而是一段可复用的验证循环：能重来、能回流、能被别人接手。 5. 所谓 FDE，不是一张职位描述，而是一家公司愿不愿意为“真实问题—可验证结果—产品复利”负责。 6. 当你不再用 token 消耗证明价值，而用生产环境的评测集说话，AI 才真正被部署到了现场。 来源：https://github.com/feigaobox10/fde-reader

GPT‑6 Astra 是 OpenAI 新一代前沿模型，在电脑操作、多步业务流程、软件工程、网络安全和科学研究等几乎所有关键评测上全面领跑同类模型。 摘要： 1. GPT‑6 Astra 把“会用电脑的 AI”这件事，第一次做到了真正能顶一个熟练职场人——从填表、做报表，到装软件、查 Bug，都能一条龙搞定。 2. 在各种前沿评测里，Astra 不只是“高分生”，而是把 ARC‑AGI‑3、FrontierMath、ExploitBench 等关键基准考到了几乎“封神”的级别。 3. 之前我们教 AI 写代码、做表格、排版 PPT；现在换成 GPT‑6 Astra 带着我们写代码、拉分析、做提案，人只负责决策和拍板。 4. Astra 不是更“听话”的聊天机器人，而是一个能看屏幕、点鼠标、跑终端、改代码的全功能数字同事。 5. 在网络安全上，Astra 站在了“关键阈值”之上：它足够强，可以帮你找零日漏洞；也足够克制，不会轻易越过防线去写 Exploit。 6. 长上下文、强推理、会用工具，再加上对模板和品牌风格的精准模仿，让 Astra 生成的文档、报表和网站，天然就像你团队原生写出来的一样。 7. GPT‑6 Astra 像是宣告了一个新分工：重复的键盘和鼠标时间交给模型，人类把精力收缩到判断、创意和承担责任上。 来源：https://openai.com/index/gpt-6-astra/

来自谷歌最新版《搜索质量评估指南》的精华导读，带你走进真正影响搜索排序的底层“人类标尺”。从 YMYL、E‑E‑A‑T 到“最低质量页面”“垃圾内容”新范式，我们只关心一件事：什么样的内容在 Google 眼里配得上“高质量”。如果你是内容创作者、SEO 从业者或 AI 写作者，这一集会重塑你对“好内容”的理解。 候选金句： 1. “搜索质量指南不是教你怎么讨好算法，而是告诉你人类怎么判断好内容。” 2. “在 Google 眼里，E‑E‑A‑T 的核心只有一个字：信任。” 3. “YMYL 不是一个标签，而是一条‘内容可能伤人的分界线’。” 4. “真正的垃圾内容，不一定写得差，但一定对用户没投入任何‘人类努力’。” 5. “复制粘贴可以堆字数，却永远堆不出 Page Quality。” 6. “所有 SEO 技巧加在一起，也抵不过一次认真为用户写作的决心。” 7. “当你只想赚钱而不想帮人，你在谷歌眼里已经站到‘最低质量’那一边了。 来源：https://static.googleusercontent.com/media/guidelines.raterhub.com/en//searchqualityevaluatorguidelines.pdf

内容来自范冰开源的《前线部署工程师：人工智能时代的客户价值交付秘籍》。 一群正在重写 AI 落地规则的人——前线部署工程师 FDE。模型早就不稀缺了，真正稀缺的是那些肯钻进车间、战场、律所，把模型塞进真实业务流程的人。从 Palantir、OpenAI 到 Harvey、Sierra，再到中国的第一批实践者，拆开看：为什么 95% 的 AI 项目都失败了，而他们反着，在一个又一个「不可能落地」的场景里，做出了能写进财报的结果。 摘要： 1. 「模型通常是最干净的部分，难的是找到那个没人写进文档的工作流。」 2. 「软件行业那堵墙，梯子翻不过去，人翻得过去。」 3. 「驻场卖的是人头，FDE 卖的是结果。」 4. 「上线只是行政事件，激活才是行为事件。」 5. 「企业买人工智能，就像你奶奶拿到一部 iPhone——她想用，但需要你帮她设置好。」 6. 「FDE 模式成立的标志，是每个后续客户的定制量递减。」 来源：https://github.com/xdash/FDE-the-Guidance-Book-of-Forward-Deployed-Engineer

Grok Bot 是 xAI（并入 SpaceX 后媒体常写作 SpaceXAI）与 Cursor 联合推出的云端多智能体办公平台。每个 Bot 拥有自己的云端电脑，用「像人一样操作界面」的方式登录你授权的应用和网站干活，你合上电脑、关掉手机，它们继续上班。 摘要： 1. 这不是更聪明的对话框，而是第一支住进你手机里的 AI 团队。 2. 真正改变工作的，不是更强的模型，而是一群能分工协作的 AI 员工。 3. 你合上电脑，它们继续上班；你下班休息，它们在云端排队干活。 4. 以前是你盯着进度条等它算完，现在是它拿着工单来请你拍板。 5. 聊天机器人回答问题，Grok Bot 完成工作——前者给你信息，后者交付结果。 6. 当 AI 以团队的形态常驻云端，人类第一次拥有了真正意义上的「数字组织」。 来源：https://github.com/KinGao294/grok-bot-orange-book

从 Nomad List、Remote OK 到一人公司的长期实验，Peter Levels 把“先做出来，再让用户回答”的独立开发方法走到了极致。本期从《Make》出发，聊他如何捕捉真实痛点、快速验证产品，并用小而稳定的收入换取长期自由。对于想靠作品而不是融资推进事业的创作者和开发者，这是一堂务实的行动课。 摘要： 1. 先把产品做出来，再让市场告诉你它值不值得继续。 2. 不要为一个不存在的用户，打磨一个完美的计划。 3. 最小的产品，不等于最小的野心；它是最快抵达真实反馈的路径。 4. 独立开发的壁垒，是持续发布和持续倾听的能力。 5. 小而具体的需求，往往比大而模糊的趋势更容易变成收入。 6. 增长不是等来爆款，而是把每一次反馈做进下一版。 7. 真正的自由，是可以选择自己愿意长期解决的问题。 8. 把创业当作一系列可验证的实验，而不是一次孤注一掷的赌注。

拆解 DeepSeek Harness 这套「一切皆插件」的开源 Agent 框架，讨论它如何通过「模型 + 框架 = 智能体」的分层设计和插件化生态，重塑智能体的构建方式，以及和竞品的对比。 摘要： 1. 模型决定「想什么」，框架决定「怎么做」，两者相加才是真正的智能体。 2. 与其造一个无所不能的大一统 Agent，不如打造一个可自由装配的插件宇宙。 3. 在 DeepSeek Harness 里，能力不是写死在代码里，而是像乐高一样按需拼装。 4. 好的 Agent 系统，不是让模型为所欲为，而是让它在沙箱和审批中「有边界地聪明」。 5. 当对话历史变成一条可重放的事件流，智能体的每一步选择都变得可以追溯和优化。 6. 未来的 AI 开发，不再是「写一个应用」，而是「组装一支会协同作战的智能体团队」。 来源：https://github.com/deepseek-ai/deepseek-harness

摘要 本文是Citrini Research于今年发布的一篇未来宏观备忘录，模拟了2028年全球情报危机的情景。文章设想若AI能力持续指数级提升，可能导致大规模白领失业、消费经济萎缩、金融系统承压的恶性循环。 核心逻辑链为：AI编码工具在2025年末取得突破，企业开始裁员降本并将利润投入AI，白领失业增加导致消费萎缩，企业进一步投资AI保利润，AI变得更强更便宜，进而引发更多裁员。这一智能替代螺旋没有自然刹车。 经济影响层层扩散：软件与SaaS行业首当其冲，ServiceNow等企业陷入困境；中介层商业模式瓦解，涵盖旅游、保险、房产、金融、法律等领域；支付网络受冲击，稳定币开始替代传统卡组织；最终威胁到13万亿美元抵押贷款市场和2.5万亿美元私募信贷市场。政府税收基础因对人力征税而崩溃，政策应对严重滞后于技术迭代速度。 文章强调这是历史上首次最富生产力的资产创造更少而非更多就业，现有经济框架全部失效，社会需在金丝雀还活着时主动构建新框架。 摘要： 如果我们对人工智能的乐观预期继续保持正确，而如果这实际上是看跌的呢？ 北达科他州的一个GPU集群产出了过去需要曼哈顿中城一万名白领才能完成的成果，这与其说是经济万灵药，不如说是经济瘟疫。 我们其实早该想明白这个问题，只要问问机器在 discretionary goods 上花多少钱就好了。提示：零。 我们高估了人际关系的价值。事实证明，很多人所谓的关系，不过是披着友善面孔的摩擦。 他们的护城河由摩擦筑成，而摩擦正趋于零。 这是历史上第一次，经济中最具生产力的资产创造的就业更少，而非更多。

一篇关于FDE(Forward Deployed Engineer)前沿部署工程师的深度报告。 摘要： 一，FDE 不是驻场工程师，也不是咨询顾问。 三者的分水岭在"反馈去向"：没有反馈闭环的 FDE 就是外包，没有落地承诺的 FDE 就是咨询。咨询赚认知的钱，外包赚效率的钱，FDE 赚复利的钱。 二，它的爆发不是因为 AI 变强了，而是因为 AI 落地失败得太惨。 MIT 的调研显示，企业在生成式 AI 上投入 300 至 400 亿美元后，约 95% 的组织没有看到任何可衡量的损益变化。而这些失败极少输在模型能力上。 三，挡在 AI 和业务之间的是三道非技术的墙：语言错位、隐性知识未被数字化、组织层面的人的抵制。FDE 的全部工作就是拆这三道墙。 四，这个模式最著名的支持者，也是它最严厉的警告者。 FDE 模式的发明人之一 Bob McGrew 被问到创业者是否该复制它时，回答是"不要"——它极容易滑成一家低毛利的咨询公司。 五，重模式在中国算不过账，但一个轻模式的变体正在出现。 中国企业服务市场的付费习惯、最低价中标制度和行业鄙视链，共同否决了"由高毛利软件公司长期供养驻场团队"这套打法。但 AI 编程和 Agent 基础设施把定制成本打穿之后，"一个人加一组 Agent"构成一条完整交付线成为可能——养 FDE 的角色从公司换成了 AI 本身。 六，FDE 是一个以让自己过时为目标的岗位。 每解决一个问题，方案就被沉淀，下一个客户需要的定制就更少。做得越好，行业对它的需求就越少。 来源：https://getperspective.ai/blog/state-of-forward-deployed-engineering-2026-survey-report-1500-fdes；Codex深度调研报告

Moonshot 发布的 Kimi K3 技术报告：一个 2.8 万亿参数、1M 长上下文、原生多模态、完全开源权重的前沿 MoE 大模型。 摘要： 1. 在类似规模的预训练基础上反复堆叠，开源进展有收敛风险，而与最强闭源系统之间的差距却在继续拉大。」「Kimi K3 试图在两条轴线上同时冲到前沿：把预训练基础扩展到前所未有的 3T 级参数规模，同时把强化学习、推理努力和 100 万上下文长程交互一并拉满。」 2. 「我们训练了一个 2.8T 参数的原生多模态 MoE 模型，激活参数 104B，支持 100 万 Token 上下文，并通过架构、数据和训练配方的改进，相比 Kimi K2 实现了约 2.5× 的整体缩放效率提升。」 3. 「Kimi K3 的后训练阶段被明确地设计为服务于 100 万上下文的测试时扩展：跨长程代码、通用 Agent、推理与知识任务做强化学习，并覆盖多个推理努力等级。」 4. 「在长程代码、Agent、知识、推理与视觉任务的基准上，Kimi K3 在整体上仍落后于最强的闭源系统——Claude Fable 5 与 GPT-5.6 Sol——但在我们评估的其它开源与闭源模型中，它表现最为稳定且总体领先。」 5. 「Kimi K3 结合了三大系统挑战：混合 KDA 注意力、3T 级稀疏多模态训练与推理、以及百万 Token 级的 Agent 工作负载——我们的基础设施在这三条战线上做了联合协同设计。」 来源：https://github.com/MoonshotAI/Kimi-K3

大学毕业提交论文时，我连邮箱都没有。 很多年后，我却回到母校，劝一群外语专业的学弟学妹去做开发者。 这期节目来自一次两个半小时的母校分享。我回头整理了自己从俄语生、翻译、产品经理，到AI创业者和builder的几次转变，也试着回答一个对文科生越来越重要的问题： 当自然语言开始成为编程语言，我们曾经学过的文学、历史、文化和审美，究竟是过时的知识，还是新的创造力？ 你会听到： * 一个“文科生中的文科生”，为什么开始靠近技术 * 对于曾经做翻译模型的我们，The Bitter Lesson为什么如此苦涩 * 为什么翻译的昨天，可能就是Coding的今天 * 文科生做软件，真正的优势是什么 * 为什么非要做“作品型产品” * 为什么说未来没有人问你的title，只问你有什么独特作品 这不是一个文科生终于变成技术人的故事，只是我又找到了一支新的毛笔，而我想把它，传递给更多曾经的自己。 相关内容： * 公众号文字版：《毕业时连邮箱都没有，今天我却回母校劝文科生做开发者》 * 草诀歌AI Labs官网：https://www.caojuege.com 说明：音频的开头是我录的，后面是AI用我的音色生成的。