https://marktian-long.github.io/tools/blog/ Leo Liu 关于 AI 技术、产品、商业与行业演进的长期思考。 https://marktian-long.github.io/tools/blog/posts/enterprise-agent-governance.html https://marktian-long.github.io/tools/blog/posts/enterprise-agent-governance.html 企业谈 Agent 纳管，不只是因为 Agent 数量增加，而是身份、权限、审批、撤权等公司级规则不应散落在每个应用里重复维护。本文从真实工作触发和企业实践出发，讨论哪些规则该统一，以及这层能力为何尚未收敛为独立的 Agent Control Plane。 https://marktian-long.github.io/tools/blog/posts/ai-work-system-competition.html https://marktian-long.github.io/tools/blog/posts/ai-work-system-competition.html Claude 先在编程这一高价值、可验证的窄任务中验证了 Agent 的商业化路径；约半年后，阿里、腾讯、字节陆续收拢 AI 办公产品与组织资源。竞争正从单点功能转向模型、工作入口、云、企业数据、治理与交付能力的体系较量。 https://marktian-long.github.io/tools/blog/posts/ai-poc-financial-b2b-guide.html https://marktian-long.github.io/tools/blog/posts/ai-poc-financial-b2b-guide.html POC 不是一个功能简化的正式项目，也不只是多家厂商轮流展示产品。对金融软件厂商侧 AI PM 来说，核心产品工作是决定验证什么、验证到哪里、什么算有效，以及结果如何进入正式产品或项目。 https://marktian-long.github.io/tools/blog/posts/agent-boundary.html https://marktian-long.github.io/tools/blog/posts/agent-boundary.html 设计 Agent 产品时，业务流程能帮助理解任务，却不能直接决定系统需要几个 Agent。本文给出“删、合、拆”的判断：先确认流程节点是否需要自主决策，再检查责任、信息与权限边界，最后证明拆分收益能覆盖协调成本。 https://marktian-long.github.io/tools/blog/posts/ontology-business-semantic-layer.html https://marktian-long.github.io/tools/blog/posts/ontology-business-semantic-layer.html 企业 AI 即使找到了正确资料、查到了真实数据，也可能因为术语、对象关系、指标口径和业务规则没有被显式定义而理解错业务。本体的价值，不是让模型不再出错，而是把分散的业务含义沉淀成可被不同 AI 应用共同复用、校验和治理的语义资产。 https://marktian-long.github.io/tools/blog/posts/enterprise-agent-fde.html https://marktian-long.github.io/tools/blog/posts/enterprise-agent-fde.html 企业 Agent 进入真实组织后，竞争不再只是模型能力，还会被工作入口、软件商业模式和组织落地方式重新塑形。真正决定它能否规模化的，是能否把一次次落地沉淀成可复用产品能力。 https://marktian-long.github.io/tools/blog/posts/physical-world-llm.html https://marktian-long.github.io/tools/blog/posts/physical-world-llm.html LLM 改造屏幕内工作，不只是因为模型强，而是因为数字世界早就有数据、工具和反馈闭环。物理世界要出现类似时刻，关键不在于再造一个会聊天的模型，而在于真实世界能不能被接入可观测、可预测、可试错、可执行、可验证的闭环。 https://marktian-long.github.io/tools/blog/posts/llm-customer-service-tech-guide.html https://marktian-long.github.io/tools/blog/posts/llm-customer-service-tech-guide.html 智能客服是目前落地最广泛的LLM应用之一，但它的复杂度差异极大。本文以最复杂的生产级链路为蓝本，系统梳理从数据到工程的每一个技术环节，重点关注每个环节的评估维度、场景取舍逻辑，以及AI PM与算法团队的协作分工。 https://marktian-long.github.io/tools/blog/posts/llm-reshapes-software-roles.html https://marktian-long.github.io/tools/blog/posts/llm-reshapes-software-roles.html LLM 对软件团队的冲击不是“执行岗消失、协调岗幸存”。真正的分野在于工作性质：输入越标准化、输出越可验证的工作被压缩得越直接；而以人为输入、以“让事情发生”为输出的工作，面对的是另一种性质的重构。 https://marktian-long.github.io/tools/blog/posts/ai-arbitration-layer.html https://marktian-long.github.io/tools/blog/posts/ai-arbitration-layer.html AI对软件的改变不会停在AI能自己搞定一切的阶段。它会停在一个更现实的位置——AI主动发现问题、把决策权递到你面前，你来拍板。但这个变化本身会催生一种新的软件形态：专门负责排序和过滤这些AI主动请求的层，它可能比下一代agent的能力本身更值得关注。 https://marktian-long.github.io/tools/blog/posts/spacex-ai-infrastructure-valuation.html https://marktian-long.github.io/tools/blog/posts/spacex-ai-infrastructure-valuation.html SpaceX 招股书把 AI 写成了估值核心—26.5万亿的TAM里AI占92.9%。但拆开其中最可验证的一角（AI基础设施，2.4万亿），会发现这个标签下装着两种验证节奏完全不同的东西：一层已签合同、有审计数字，另一层招股书自己写着「技术未经证实」。两层被压进同一个数字，这个数字描述的就不再是现在，而是一种把未来提前折算进当下的计价方式。 https://marktian-long.github.io/tools/blog/posts/llm-saas-moat-disruption.html https://marktian-long.github.io/tools/blog/posts/llm-saas-moat-disruption.html LLM 让自研成本暴跌，动摇了“买不如建”的传统假设；但这个冲击是分化的——功能薄、行业知识浅的 B 端 SaaS 面临被替代压力，而深度沉淀了行业流程知识的产品，护城河在重构而非消失。 https://marktian-long.github.io/tools/blog/posts/perplexity-analysis.html https://marktian-long.github.io/tools/blog/posts/perplexity-analysis.html 它在正确的时间解决了真实的问题，技术路径也没走错。但独立 AI 搜索这个品类本身，正在被一股更大的力量压缩——这篇拆解它的产品决策逻辑，以及结构性困境从哪里来。 https://marktian-long.github.io/tools/blog/posts/human-ai-boundary-shift.html https://marktian-long.github.io/tools/blog/posts/human-ai-boundary-shift.html 技术能力划定了人机边界能移到哪里的上限，但边界实际移动的速度，由真实场景里的验证-反馈循环决定。这篇从一套反复救火的数据管道出发，回答边界由什么决定、为什么移动速度因场景而异，以及产品层面需要显式设计哪两个维度。 https://marktian-long.github.io/tools/blog/posts/training-vs-inference.html https://marktian-long.github.io/tools/blog/posts/training-vs-inference.html 训练和推理对芯片的需求侧重不同，这个差异在推理规模爆发之后开始变得重要——并以一种意想不到的方式，传导到了内存价格上。 https://marktian-long.github.io/tools/blog/posts/ai-chips-explainer.html https://marktian-long.github.io/tools/blog/posts/ai-chips-explainer.html 华为昇腾冲击英伟达、谷歌TPU颠覆GPU——这类新闻反复出现，但它们描述的并不是同一赛道上的竞争。把所有芯片放在任务覆盖范围和硬件灵活性两个维度上，就能看清楚：这是一张分工地图，不是一条赛跑的跑道。 https://marktian-long.github.io/tools/blog/posts/ai-benchmark-failure.html https://marktian-long.github.io/tools/blog/posts/ai-benchmark-failure.html 静态 benchmark 被能力增长打穿，agent 时代的动态评测基础设施还没建立——在这个真空期里，大厂凭借能力集中转向自建评测，独立第三方的生存空间正在被结构性压缩。 https://marktian-long.github.io/tools/blog/posts/llm-soft-quality.html https://marktian-long.github.io/tools/blog/posts/llm-soft-quality.html benchmark 年年刷新，但真正决定模型能不能进你工作流的，是那些评测体系从来没测过的东西。主体性和抗谄媚能力，是软性质量的两个核心维度——分数接近、体验差距悬殊的根源就在这里。 https://marktian-long.github.io/tools/blog/posts/automated-research.html https://marktian-long.github.io/tools/blog/posts/automated-research.html 自动化科研让AI第一次跑完了整条研究链路。但这件事真正的意义不在于它能产出多少论文，而在于它把AI最难突破的边界暴露得足够清楚：执行可以工业化，判断还不行。 https://marktian-long.github.io/tools/blog/posts/ai-coding-hardware.html https://marktian-long.github.io/tools/blog/posts/ai-coding-hardware.html 在软件世界里效果极强的 AI 写代码工具，到了硬件开发面前几乎完全失效。不是因为工具不够好，而是因为硬件的反馈回路从根本上就不是数字闭环——物理世界的不确定性会污染 AI 的判断链条，让推理从根本上断掉。