企业 AI 的真相：从列表记忆到图谱记忆
文章通过资深员工离职导致“组织记忆”流失的案例，剖析了当前企业 AI 协作工具的痛点。作者指出，主流的列表式记忆和密集注意力机制难以承载企业的核心决策上下文，而 Tanka 采用的图谱式记忆和稀疏注意力机制，通过构建实体关系网络，实现了真正的“组织记忆”沉淀。文章从技术架构、成本模型及适用场景三个维度，论证了为何这一路径是解决企业知识管理的未来方向。
相关文档
Palantir的企业AI部署方法论：FDE与Ontology
随着大模型进入企业级应用，前沿AI能力与实际生产落地之间仍存在巨大的工程鸿沟。本文深入剖析了Palantir的现场部署（FDE）方法，指出将AI接入企业运营的核心在于构建“本体”。Ontology不仅是数据的语义层，还包含动作、逻辑与安全边界。文章结合医院和水处理厂的真实案例，探讨了如何通过定义动词、控制权限，将企业的隐性知识转化为可执行、可审计的系统资产，为AI在企业中的安全落地提供了实践框架。
Karpathy 发布 12 页指南：构建自我改进的多代理图
文章解读了 Andrej Karpathy 关于构建自我改进多代理图的 12 页指南。核心内容包括 Loop、Chain、Swarm 等架构模式，以及利用知识图谱作为共享内存的重要性。文中对比了 Karpathy 的工程实践与 Anthropic 的动态工作流，强调了未来 AI 应用的壁垒在于图谱工程和多智能体协作。
Claude实现了Agent记忆，但语义与本体仍是缺失的一环
文章探讨了Anthropic最新发布的Claude“托管代理”中的记忆功能，指出虽然文件化的记忆存储为Agent提供了可检查、可跨会话持久化的基础，但仅有存储并不等同于理解。作者强调，真正的智能记忆需要“语义”（定义事物是什么）和“本体”（定义事物为何重要）。文章以企业场景为例，阐述了销售、法务、产品等不同部门对同一信息的不同理解视角（即本体），并提出企业AI的未来在于构建共享的底层记忆基座与上层可定制的领域本体（透镜层），从而让AI从被动问答转向主动提供上下文。
Company Brain: Why Most Companies Have Data But No Memory
文章探讨了组织内部的摩擦与记忆缺失问题，指出企业虽积累海量数据碎片，却缺乏将其转化为记忆并进行推理的能力。作者定义了“公司大脑”的三层结构：事实记忆层（记录发生的事件）、上下文图谱层（连接事实并进行推理）以及行动协调层（基于上下文辅助决策）。文章强调，AI Agent 的失败往往不是因为缺乏数据，而是因为企业丢失了数据背后的推理逻辑和决策背景。
FDE 已死！从 FDE 到 FDU：重新定义 AI 交付
文章指出企业级 AI 落地陷入困境：85% 高管计划增加 AI 支出，但仅 22% 实现规模化，平均 ROI 仅 17%，并出现“加速鞭打效应”——个人产出提升但工程质量恶化。作者认为单兵 FDE 模式已死，IBM 推出的 FDU（前线部署单元）才是新范式：以“人类在两端、智能体在中间”的拓扑，用 6 人加 10-30 个数字员工替代传统 30 人团队，通过 Procedure Eater、RAD 方法论和数字员工认证体系实现工业化交付，并重构商业模式，从人力套利转向技术套利。
用 AI 的 ROI 不一定高，但老板们的自信肯定上来了 —— 从 Wharton、KPMG 与 Pax8 报告看企业 AI 落地现状
文章交叉对比 KPMG、Pax8 和 Wharton 三份 2026 年 Q3 企业级 AI 调研报告，分析企业 AI 落地现状。结论包括：企业普遍已在使用 AI，但使用率上升、兴奋度下降；影子 AI 工具增多，管理层与员工感受割裂；企业倾向自研 AI 方案而非购买现成工具；AI 的 ROI 难以衡量，多数企业只关注省时间而非业务增长，导致高 ROI 比例偏低；人工复核隐形成本被严重低估，数据安全与责任归属不明导致企业不敢让 Agent 自动执行。作者认为企业级 AI 未来可能回归私有化部署加自动化护栏监控。
读 2.83% 的 key 就够了
一位18岁大学生仅用iPhone 16e和Kaggle笔记本，开发出稀疏注意力机制ALHR（Adaptive Learnable Hierarchical Routing）。该方法通过给key矩阵构建静态二叉树，配合预算预测器、邻居搜索和树下降三步推理，让每个query只读取所需key。在1024 token的MQAR测试中，仅读取2.83%的key即可达到92.1%准确率（稠密基线94.9%），KV压缩35.3倍。训练分三段：先训稠密教师模型，再用其注意力矩阵标注top-k key训练树模块，最后无教师联合训练。目前因未做kernel优化比稠密注意力慢约10倍，代码由Claude Sonnet 5.5生成，Apache-2.0开源。
一家大型企业有几十万份文档，究竟应该怎样交给AI？
文章结合为大型国企交付几十万份文档知识库项目的实战经验，指出将文档导入知识库只是最容易的一步，真正难点在于知识分散在OA、ERP、CRM等多个系统中、文档质量参差不齐、版本与权限管理复杂、以及上线后的持续运营。作者提出企业真正需要的不是一个'AI知识仓库'，而是一条具备知识工程能力的企业知识供应链：通过Connector持续接入知识，经解析、清洗、结构化等知识工程加工后准入，并以检索前权限过滤保障安全，最终在Agent时代构建企业上下文层，让正确的知识在正确的时间以正确的权限交给AI。
学习/备考神器！用 AI 十倍速学习任何知识
作者开源了一套用 AI 交互式学习的工具（htd-ai-augmented-education），基于布鲁姆认知分类、苏格拉底式提问等理论，解决传统学习中材料筛选难、教材递归学习、线性阅读低效等问题。工具通过 agent 提炼知识点并构建依赖图，用选择题评估学习者水平，规划主线与支线学习路线；提供交互式讲义、习题反馈、播客音频（支持音色克隆）、可视化学习进度、自动总结笔记本与错题本，以及学习报告等功能，实现个性化、针对考试范围的高效 AI 辅助学习。
The job description is not the AI architecture
文章探讨了为什么AI系统设计不应照搬人类职位描述。职位之所以是任务的捆绑体，是因为人类自带整体性且上下文迁移成本高昂，而AI改变了这两个前提。作者指出AI能力可以以更小的增量提供，需求可以早于职位存在。但拆分任务过细会让协调问题重新出现——每个Agent各自胜任不代表系统整体高效，设计接口和共享上下文变得至关重要。职位头衔仍有价值，让系统所有权清晰可读，但应从职责出发而非职位描述来设计边界。最后警告：被AI取代的重复性初级工作同时也是培养判断力的途径，学徒制将成为设计问题。
企业蓝领 AI 的递归自我改进 (RSI)
本文探讨递归自我改进（RSI）在企业蓝领 AI 场景中的应用价值。作者认为，与科学发现领域相比，企业运营因其流程确定性、文档化、可审计的特点，更适合 RSI 立即产生价值。企业积累的海量 SOP、工程规范和监管文档可同时充当知识来源、执行约束和验证基准。文章提出企业 AI 需满足高精度执行和自助式自动化两大要求，主张由领域专家（SME）直接监督 AI 系统，实现从工作流发现、PoC 到生产部署与持续演化的自助式开发。核心架构是共享前沿模型加面向具体工作流的本地 RSI 小模型，配合动态脚手架和群体智能体协同，并遵循版本管理、回滚、审计等企业治理实践。
The FDE boom is a product gap
文章指出当前企业级AI Agent热潮中FDE（前向部署工程师）大热，本质是产品缺位的表现：企业想把Agent用于业务，但Agent不懂企业运作方式，懂业务的人又无法轻易教会Agent。作者基于Palantir前向部署AI工程经验，提出通过ContextOps持续将运营证据和专家判断转化为可测试、可审批的指令，并用“可执行覆盖率”衡量Agent能否在无需人工补判的情况下正确处理案例。学习循环让每次升级都沉淀为流程知识，使企业拥有而非租借这套能力，比微调模型更可控可靠。
