从一页产品说明到企业级 Agent，完整复盘
本文复盘了一个企业级售后工单 AI 工作台的开发全流程。项目经历业务定义、产品设计、技术选型、开发实现及验收部署六个阶段，最终交付包含权限管理、知识检索、审计等功能的完整 Agent。文章总结了“AI 执行，人做选择”的协作模式，强调证据留存与工程边界，提供了一套可复用的 AI 辅助开发方法论。
相关文档
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。
万字长文｜企业 AI 知识库从 0 到 1 真实交付指南：数据治理、权限、测试与验收
文章以某制造业企业内部 AI 知识库项目为例，讲述企业知识库从演示走向真实交付的全过程。作者指出项目难点不只在模型，而在原始资料错误、隐性知识留存于老员工脑中、权限划分、数据接入与治理、复杂 PDF 处理、遗留系统接口及私有化部署等现实问题。文章强调需通过现场访谈、'半蹲'姿态沟通、工作范围说明（SOW）控制交付边界，用两套测试集完成测试与客户验收，并附落地检查清单供项目启动前自查。
Grok Bot Has Its Own Computer. The Hard Part Starts After the Demo
本文深入探讨了xAI推出的Grok Bot——一个拥有独立云端计算机的AI代理，能够自主登录工具、持续工作并在需要时请求审批。文章首先厘清了Grok、Grok Build、Build Mode与Grok Bot的区别，指出Grok Bot的核心优势在于通过计算机使用而非API集成来执行跨应用工作流，从而降低了自动化集成的门槛。然而，这种通用性也带来了更大的风险。作者提出了部署持久化AI操作员的六大控制契约：身份契约、任务契约、权限契约、证据契约、重试契约和审计契约，并强调了通过演示教学来压缩规格成本的价值。最后，文章给出了一个决策规则，帮助用户根据任务类型选择合适的Grok产品，并指出真正的挑战在于如何界定权限、验证操作、处理重试和停止代理，而不仅仅是演示能否成功。
企业级 AI 的权限管理挑战
随着企业将各类信息接入统一的 AI 知识库，传统的基于文件的权限管理已完全失效。文章指出，知识的提炼与综合改变了权限的底层逻辑：权限的粒度应从“文件”转变为提取出的“观点或信息”。同时，AI 必须具备上下文理解能力，既要让有价值的经验突破原始隐私边界实现共享，也要懂得“选择性遗忘”无关或敏感的闲聊，以避免引发寒蝉效应。此外，AI 交互轨迹应被视为新型企业记忆保存，并需着重解决知识归属与隐私权限的分离问题。
《指挥 AI，做出一个企业级 Agent》09：接通大模型只是开始，真正难的是不让它越权
文章探讨企业级 Agent 开发中如何防止 AI 越权。作者指出接通大模型仅是第一步，关键在于通过服务端规则、来源白名单和 Human-in-the-loop 机制约束模型行为。文章介绍了流式输出协议、AI 原稿与人工终稿分离、以及模型不可用时的降级策略，强调企业需建立可追踪的责任链路，确保 AI 只提供建议，不直接产生业务结果。
《指挥 AI，做出一个企业级 Agent》08：企业 RAG 不是上传几个 PDF
文章指出企业 RAG 不仅仅是上传 PDF 回答问题，更需关注文档版本、权限、来源追溯及停用管理。作者通过模拟企业真实文档环境，构建了包含版本控制和过滤机制的评测体系，强调了可靠检索与诚实无答案的重要性，并分享了针对小规模知识库的技术选型经验。
2026年AI开发者从零到英雄的完整路线图
这是一份针对2026年AI开发者的完整学习指南。文章指出，成为AI开发者不再需要计算机学位，通过正确的路线图，个人即可构建AI应用和SaaS产品。指南分为十个阶段：首先理解AI生态系统的基本概念（AI、ML、LLM、Agent等）；接着掌握Python基础、API调用及Git工具；然后通过现有AI工具（如OpenAI API、LangChain）快速动手实践；最后深入学习前端技术、提示工程、LLM原理（RAG、微调）及应用部署。文章强调“学习-构建-分享”的循环策略，并指出AI智能体、自动化及RAG系统是当前的高价值技能。
企业需要大脑，而非更多连接器
文章指出，企业级 AI 代理目前仅停留在信息检索阶段，缺乏对公司的深层理解。真正的智能应像资深员工一样综合多源信息，构建持续更新的现实模型。作者提出了基于文件系统交付的“企业大脑”架构，主张通过上下文图谱解决数据冲突、身份统一和信源权威性等问题，从而实现从被动检索到主动理解的转变。
B端AI落地的唯一路径：MCP
文章指出B端AI落地的核心在于数据接入。传统RAG方案因信任和延迟问题受限，AI生成查询又难以满足B端对高稳定性（99%+）的要求。作者认为，通过MCP（模型上下文协议）实现本地部署，利用标准化接口和参数化模板，是解决数据主权、降低成本并确保业务稳定性的最佳方案。
不会写代码，怎么给家乡特产搞一个能收钱的网站？全过程拆解
作者作为一名不会写代码的文科生，详细拆解了如何在24小时内借助AI为家乡苹果搭建一个可收款的电商网站。文章分九步讲解：准备资料（商品信息、成本、库存、售后规则）、开通域名和Cloudflare、Stripe、GitHub等账号、用AI追问生成PRD、交给Codex开发（Astro+React+Cloudflare Workers技术栈）、在Stripe沙盒测试支付、分开部署测试站与正式站、上线前清理与检查，以及后台登录、订单通知、代码备份、移动端优化等后续迭代要点。文中还给出多段实用提示词，强调AI能包办写码，但资料、账号和决策需自己完成。
把复杂硬件变成简单有趣的课程：ESP32 版
作者 Dilum Sanjaya 发布了一个交互式学习应用 learn-esp32.vercel.app，延续其此前的 Arduino 学习工具，将复杂的 ESP32 硬件知识拆解为一个个简单电路课程，帮助初学者逐步上手。该应用使用 Opus 5.5 构建。帖子引发众多网友好评，有人建议将其开源，作者表示考虑构建一个开源项目，让任何人都能贡献自己的电路创意。该工具展示了 AI 辅助开发在硬件教育领域的应用潜力。
你不知道的客户端开发：选型、原生、多端与借力
作者分享了客户端开发的技术选型思考，梳理 Web、跨端（Electron、Tauri、Flutter）与原生三条路线的权衡，提出研发效率、体验、性能的『不可能三角』。以自己的 Mac 清理工具 Mole 为例，讲述为何 Windows 版选择 C# + WinUI 3，如何用脚本同步设计 token 与多语言保持两端一致，并详细介绍在 Mac 上通过 Parallels、Claude Code、远程终端与真机测试开发 Windows 软件的工作流，以及混合多语言调用（Swift 调 JS、Rust 调 JS）解决难题的实践，认为 AI 时代规则抽象比代码抽象更重要，测试验证是工程师核心价值。
