为什么除了编程，AI 在企业中寸步难行？
本文探讨了为何 AI 在企业中普遍落地困难，指出模型并非瓶颈。文章对比了 AI 在软件开发领域的巨大成功（得益于代码的封闭性、可验证性和结构化）与在销售、财务等领域的失败（流程混乱、系统割裂），揭示了企业落地 AI 的核心挑战在于业务逻辑的复杂性。
相关文档
AI Agent 工程师 12 步学习路线图：从 Demo 到企业级落地
文章指出许多人做 AI Agent 只是调用大模型 API 加上工具和 LangGraph，跑通 Demo 与企业级生产落地之间差距巨大。作者结合自身企业 AI 项目经验，将 Agent 工程师学习路线分为四个阶段：一是掌握基础，理解 Agent 工作原理；二是赋予执行能力，包括 MCP、浏览器自动化、记忆与上下文管理、沙箱与权限控制；三是安全、多 Agent 协作与人工审批，明确权限边界，防止错误放大；四是错误处理、执行轨迹评测、降级兜底与工程复盘。作者强调评测数据是判断系统优劣的关键，建议边做边学，完整交付一个项目比做十个 Demo 更有价值，真正稀缺的是能让 Agent 稳定运行的工程能力。
Investing in TypeSafe AI
a16z 的 Jennifer Li 宣布领投 TypeSafe AI。其发布的 Jev 模型是本年度最大的叙事突破：与主流大模型不同，Jev 属于新型 System One 模型，直接以类型化值向代码返回决策，而非文本输出，实现 AI 与软件的原生深度集成。Jev 成本仅为前沿模型的 1/100 到 1/500，分类任务速度快 100 倍且准确率相当，上线 3 天即生成 1 万亿 tokens，25% 的财富 500 强企业已集成。作者认为 AI 应让软件更智能，而非替代工程师，并赞许 TypeSafe 尊重开发者、务实可组合的理念。
Coding Agent Workflows for Software Engineering
本文介绍 Atomic 团队提出的编码 agent 工作流概念：将软件开发流程定义为可执行的显式路径，用 TypeScript 表达，包含输入与成功标准、有边界的阶段与工具、可检视的移交、相关检查、审查批准点、停止与恢复条件六大要素。文章对比了一次性提示与结构化工作流的适用场景，说明 agentic coding 与 agentic engineering 的区别，并介绍工作流如何在运行时物化为可检视的 DAG，以及功能交付、缺陷排查、迁移、发布准备等常见工作流形态，强调可验证性与人工控制的重要性。
The Future of Software Development
作者展望了未来5-10年软件开发的变化：AI模型正以每半年约10倍的速度变强，未来将极其智能、快速且廉价。开发模式将从IDE自动补全，演进到终端中的AI编码代理，最终只需用自然语言或语音告诉计算机想要什么，AI代理即可自动完成构建、测试、修复和上线。文章还探讨了为AI代理设计的意图式操作系统（无需UI）、为每个用户动态生成的应用界面、面向AI代理的新协议（如MCP），以及未来5-10年最抢手的技能，强调经验与意图表达能力将比手写代码更重要。
Tools Are Getting Better. Are We?
Karri Saarinen 探讨了 AI 时代工具效率提升背后的隐忧：产品和工程工作产出两样东西——产品本身和制作过程中的学习。AI 和 Agent 能写更多代码、开更多 PR、做更多实验，但团队的理解力和判断力会因此变强还是退化？作者以 CEO 亲身经历指出，一旦疏离产品和客户，产品认知就会变得模糊。他主张不应抗拒 AI，而是利用效率红利让团队有更多时间贴近客户、探索问题和保持产品判断力——自动化已知工作，但让学习、发现与决策始终留在人的手中。
智昊：最新一线只做培训不做实施 FDE 战报分享
作者分享在人工智能小镇开展 FDE（一线实施）的第三周实践战报。第一周通过升级硬件、使用 workbuddy 专家库，让员工自主完成平面设计、课程AI化和知识库建设（采用带索引的Grep而非RAG）；第二周引导员工从Workflow转向自建Agent，通过待办Agent与咨询师Agent打样，结合飞书聊天群与话题群实现管理与交付，并输出提示词由Coding Agent完成部署；第三周计划搭建内网工具分享平台，实现Agent打包上传、局域网共享。作者强调只负责培训指导与验收，倡导让员工自己动手用AI解决业务痛点。
我们说的 AI 工程化，到底是什么？今天一篇文章讲清楚
文章系统梳理了 AI 工程化领域的各种新概念（Context、Harness、Loop、Eval、Graph Engineering），指出这些 Engineering 拆到最后，核心仍然是提示词。作者认为，现代提示词已不只是聊天框里的几句话，还包括系统规则、任务资料、工具说明、历史结果、失败反馈和完成标准。Agent 的难点在于把事情真正做完：避免重复步骤、选错工具、提前结束等问题。文章分别阐述了五大 Engineering 的职责——Context 管每轮给模型看什么，Harness 管工具与环境的接入说明，Loop 管根据反馈迭代，Eval 管验证任务是否真完成，Graph 管流程节点与路由。最终结论：代码管边界（权限、轮次），提示词管边界内的判断。
What happens to engineers when AI writes all the code?
文章探讨当 AI 能编写几乎所有代码时，工程师的角色将如何演变。以 PostHog 为例，其 monorepo 中由 agent 发起的 PR 已从 20% 升至 70%。作者认为工程师不会消失，而是转向四项核心工作：一是监控全局，通过构建 standup bot、repo scout 等系统及时获取信息并确定优先级；二是设定方向，综合经验、用户价值、技术可行性和竞争格局做出取舍，避免被 AI 轻易生成的功能带偏；三是决定如何构建与实现，凭借对代码库和实现细节的理解确定范围、提出正确问题；四是评估 agent 的工作产出。工程师的价值从写代码转向监督、决策与系统设计。
四步软件工厂详解：用 Markdown 驱动多个 AI Agent 并行开发
文章介绍了 Mickey 在 Startup Ideas Podcast 上展示的多 Agent 并行开发工作流——'软件工厂'。该方案基于几个 markdown 文件和 agents.md，与模型和工具无关，支持 Codex、Claude Code、Cursor 等。四步流程：1) Isolate：每个新功能在独立 git worktree 分支开发，避免 Agent 相互覆盖；2) Build：用代码结构 skill 规范架构，保证代码可读；3) Prove：要求 Agent 提供前后对比证据（录屏、截图或性能数据），未达标自动回退重做；4) Ship：接入 Greptile 等代码评审 Agent 打分，达到 5/5 才合并。作者强调核心是工作流和领域知识而非模型本身。
AI Engineering Skills Map: Shaping the build
吴恩达撰文阐述AI工程师如何从单纯执行他人规格转向主动塑造项目构建。他认为AI工具扩展了单个开发者的能力边界，模糊了产品经理、设计师与开发者的传统分工。塑造构建的四大核心技能包括：驱动构建循环（快速迭代、小批量发布、把握反馈节奏）、产品决策（产品感、设计感、商业感与用户共情）、沟通与领导力（跨职能协作、解释技术可行性）、高能动性主人翁意识（主动发现问题、端到端负责）。他强调AI工程师需要持续学习、追踪技术前沿，把握超越传统软件开发的广阔机遇。
为什么越来越多人愿意自己搓一个工具
文章以微博VibeLab AI创意赛（2500多件作品）为切入点，分析了Vibe Coding兴起的五大原因：一是AI Agent大幅降低了编程门槛，写代码从专业技能变成语言表达能力；二是传统软件无法满足个性化长尾需求，现在普通人可以自己动手实现；三是开发链条缩短，从想法到交付只需几步，甚至无需界面产品，一个脚本或Agent Skill即可；四是模型能力持续升级，从Copilot补全到Claude Code自主探索再到操作电脑；五是做工具心态变化，从宏大目标转向解决具体痛点。最后作者给出实用建议：从写Agent Skill起步，分步骤做原型、MVP再迭代，注意验收与安全，并把作品发布出来获得反馈。
FDE 落地实战｜Codex 自动生成企业经营报告（含日报、周报、月报）
本文介绍如何用 Codex 落地企业 FDE 场景中的第一个任务：自动生成经营报告（日报、周报、月报）。作者提出完整流程：先交旧模板让 Codex 提取长期报告规则，沿用公司原有的 PPT、PDF 或飞书文档交付格式；数据从 Excel/CSV 等文件入手，稳定后再接 CRM、ERP 或数据库；通过知识库区分事实与推测，确保分析有依据；第一份报告用于发现并固化问题，跑通后设置定时任务自动生成与检查。文章附 python-pptx、PyMuPDF、飞书 CLI 与 MCP 等工具链接，强调人只负责真正的业务判断。