你是大模型的受益方，还是被吞掉方？AI应用的护城河与机会 ft. TiDB 唐刘
文章探讨了 AI Agent 时代数据库角色的演变。TiDB 唐刘指出，虽然 AI 压缩了中间层软件，但数据库作为 Agent 的“统一存储层”和“单一事实源”，其重要性不降反升。文章详细梳理了从存海量数据、租户隔离、Agent 自主管理到文件与 Workspace 托管的六大产品演化阶段，并讨论了 FDE 角色在 AI 时代的回归，以及判断 AI 产品护城河的核心逻辑：是模型进步的受益方，还是将被吞掉的一层。
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。
How We Built Memory For Continually Learning Sales Agents
本文介绍了Monaco团队为持续学习的销售Agent构建记忆系统的实践。作者提出下一代收入平台应从'记录系统'进化为'智能系统'，并设计了Monaco Memory：分为组织记忆与用户记忆两层，采用人类与模型都可读的版本化Markdown（S3存储）作为载体，保证可解释性和可编辑性。系统通过基于事件的pub-sub触发器和定期'反思'（reflection）两种机制自动更新记忆，并将记忆作为上下文注入各Agent任务中。文章以账号筛选排除和异议处理两个场景展示了记忆系统如何提升销售工作流的智能化水平。
AI时代，最贵的人开始下现场
文章探讨AI行业新兴岗位Forward-Deployed Engineer（FDE，前线部署工程师）的崛起。LinkedIn数据显示该岗位标签自2023年以来增长约42倍，OpenAI、AWS、微软等巨头纷纷投入巨额资金组建部署团队。文章指出，模型能力已经进步，但企业的工作方式尚未跟上，演示效果与真实落地之间存在巨大落差。FDE的价值在于深入客户现场，理解真实业务流程，把模型接入旧系统、权限和合规要求中，并通过可测量的经营指标证明价值。文章还分析了FDE面临的规模化陷阱、反方意见，以及普通人如何用90天验证计划积累FDE能力。
System Design Essentials - 1
本文是系统设计基础三部曲系列的第一篇，介绍了软件系统设计中的核心构建模块，包括客户端-服务器架构（二层与三层架构）、垂直扩展与水平扩展的区别、数据库基础及CRUD操作、ACID与BASE两种事务模型、CAP定理及其在分布式系统中的权衡、关系型数据库（SQL）与非关系型数据库（NoSQL）的特点与适用场景，以及数据库主从复制的读写分离模式。每个概念都配有简明解释、图示、解决的问题及背后的权衡，适合系统设计入门学习和面试准备。
Moats & the Barbell-ification of Software
作者借用1990年代报业因互联网兴起而出现'杠铃化'的案例，类比AI时代软件业的演变。传统软件公司的护城河（复制成本、迁移成本、网络效应）将随软件开发成本趋近于零而被侵蚀。作者认为未来软件业将走向两端：少数通过海量构建与持续再投资形成规模壁垒的巨头（每个购买中心或行业一个AI原生系统），以及爆炸式增长的'小微软件'（个人或小团队自制/小众软件），中间地带的点状解决方案将被整合或消亡。风投支持的创业公司应'全都要做'，以产品的整体性作为护城河。
Anthropic 工程师讲了一堂 FDE 入门课
本文总结了 Anthropic Applied AI 团队工程师 Kevin Bai 的 FDE 101 分享。FDE（前线部署工程师）源于 Palantir，其核心是向客户交付“结果”而非软件或咨询：工程师深入客户业务，在可复用平台上组装定制方案。FDE 与外包开发的关键区别在于必须有可复用平台。判断是否需要 FDE 有两个标准：产品技术复杂且买家非技术、具备或愿意建设可复用平台。文章还指出 2026 年 AI 使软件高度可定制、Agent 化，客户更难自行摸索产品，FDE 正从 Palantir 独有玩法变为更多软件公司需要考虑的模式。适合做 FDE 的是技术上值得信任、能直接面对客户的工程师。
Why I open-sourced my software factory
作者维护开源软件工厂 OpenInspect，解释为何开源而非商业化销售。他认为软件工厂是将信号（issue、Slack 消息等）转化为成果（PR、修复、答案）的 AI Agent 基础设施。将其作为产品出售困难重重：沙箱和模型推理等核心组件已被商品化，各组织需求差异大。真正的价值在于组织流程——代理路由、知识分发、系统改进、成本优化和 Token 支出的 ROI 归因，这些都需要与公司组织结构深度匹配。作者曾为 10 到 500 人规模的团队部署此类系统，认为软件工厂会成为关键基础设施，应由企业自持，因此选择开源以让团队专注于组织层面的问题。
FDE 的前世今生：每一代基础设施，都会发一次「最后一公里」的财
文章回顾了 FDE（前线部署工程师）岗位的兴起，提出核心观点：每当新基础设施把某一环节成本打到趋近于零，相邻环节就会裂开一条责任真空的缝隙，率先站上去的人会从「打杂的」成长为值钱的岗位。作者以 ERP 实施顾问、SRE、互联网运营为历史样本，论证 FDE 正是 AI 把「做出来」变便宜后撕开的最后一公里。文章还分析了中国企业的「先干后认」路径及其在需求、计价、组织上的独特约束，并指出岗位动荡期与稳定期的不同价值规律。
小白也能申请，赛博菩萨 Cloudflare 1 万美元创业额度完整教程
本文详细介绍了 Cloudflare for Startups 计划中面向一人公司和早期团队的 1 万美元创业额度。作者首先说明该额度的适用条件：成立不超过 10 年、融资低于 100 万美元的公司均可申请，无需孵化器背书。随后分析额度价值，涵盖 Workers、D1、R2、Stream、Workers AI 等服务，可支撑约 55TB 存储或 1000 万分钟视频播放。文章列出申请前需准备的产品官网、域名邮箱、公开账号等五项材料，并逐步讲解四页申请表的填写方法，最后提醒额度有效期一年、部分产品有抵扣上限等五项注意事项。
构建你的 AI FDE 能力入门篇：0x04 Ontology 系统
本文介绍 Palantir 架构核心的 Ontology 系统，强调其关注的不是孤立数据，而是企业中复杂关联的决策。Ontology 通过数据、逻辑、行动和安全四重整合来表达决策，将 ERP、CRM、传感器等多源数据统一为对象、属性和链接，并结合行动逻辑支持实时写回运营系统。文章以医疗制造企业为例说明多团队权限与 AI 智能体安全继承机制，并将 Ontology 概念上分为语言、引擎和工具链三层，支持把 Ontology 当作后端构建 AI 应用，最终形成可持续吸收反馈、支持人机协作的运营决策底座。
用数据库的语言讲透区块链：从链上模型到 OKX AI 交易工具
文章面向有编程经验的开发者，用数据库的类比讲透区块链核心概念：链是一个只能追加、不可篡改的数据库；钱包只是存密钥的容器，资产记录在链上账本中；转账是带签名的写请求，Gas 是写入计价与排队机制；智能合约是部署上链的公开代码。作者总结了链与普通数据库的四大区别：写入付费、不可回滚、代码即规则、没有管理员。最后以 OKX 开源的 MCP 工具为例，介绍如何让 AI Agent 安全接入交易所 API，并给出从查行情到模拟盘的上手路径。
AI Agent会不会杀死SaaS？我用Apodex跑了一遍美股软件股投研
作者针对'AI Agent会不会杀死SaaS'这一争议问题，使用Apodex投研工具进行了系统分析。Apodex先拆解任务，研究Salesforce、ServiceNow、Workday等公司，分析seat-based模式、AI收入及Agent与SaaS的关系。核心结论是：Agent绕过的是人机界面，但依赖数据、权限、工作流和system of record。AI Agent会压缩浅层SaaS的席位和界面定价权，但增强掌握企业数据轨道的平台。AI收入是真实增量但尚未完全验证。短期是AI增强SaaS确认期，中期转向seat+usage+workflow混合模式，长期SaaS将演变为'轨道+Agent市场'。
