最近半年，险些每一个 AI 创业者城市有一个疑难：OpenAI 和 Anthropic 会不会把我们全吃掉？模型越来越强，Codex 和 Claude Code 越来越像操作系统，那利用层还有得做吗？
硅谷顶级风投 a16z 的合资人 Joe Schmidt 专门写了一篇文章回应这个问题 。他的主题判断是：大模型公司的主攻方向（代码天生、写作、图像创作等通用工作）的确是创业公司的禁区，但在这条“黄砖路”之表，还有大量复杂、垂直的问题尝试室底子够不到，真正的机遇在那些必要让 AI 输出可信、合规、能在具体行衣凤运行的处所 。
创业公司能够靠四路护城河守住阵地：行业隐性知识堆集成的数据飞轮、跨厂商跨模型选最优解的矫捷性、按工作难度分级路由的成本优势、以及助客户吸收监管复杂性的治理能力 。他用一句话概括这场博弈：模型能够代替，但深耕行业的工作系统不能 。
这问题背后有一种特殊的 AI 焦虑症 。一些人已经认定，唯一能预防沦为永远底层的地位，要么在大模型尝试室里，要么在机械人、硬科技这类“尝试室碰不到”的前沿地带 。若是每一款软件都注定被吃掉，要么被 Codex 或 Claude 直接吸收掉工作流，要么被下一代模型直接造成有余，那就连忙跑吧 。
听着，我险些比谁都更 AI 原教旨主义，并且我以为他们只说对了一半 。尝试室的确会吞掉一大片利用层 。但“利用层”不是一个同质化的机遇池 。正确的思虑框架是：你站在黄砖路上，还是奥兹国的其他处所？
“黄砖路”是我们对大模型公司主攻方向的简称，它们在这条路上投入了极其巨大的资源 。代码天生、写作、图像创作这类问题之所以天然属于尝试室，是由于这些问题随着模型原始能力的提升会直接变好：每一块钱的预训练和后训练支出，城市直接改善产品履历 。
若是你在创业，黄砖路是最显著的方向，也是最危险的方向 。拿一个高机能模型，接上几个现成的衔接器（Google Drive、Slack、Salesforce、Notion、GitHub），再在上面搭一层代理编排，看起来像变魔术一样单一 。
问题是，这就是尝试室在做的事件 。他们当然占有模型自身，这意味着更好的利润率、更强的节造力，以及对下游所有参加者的定价权 。但更沉要的是，他们也占有决定产品架构的权势，产品为哪些问题而设计、用什么方式来解决 。他们到目前为止一向在刻意选择“模型加工具挪用”的模式，而这刚好是黄砖路上那些水平化、低步数工作所必要的 。
退一步说，就算有创业公司能在产品上跑赢 Codex 或 Claude Code，尝试室手里还握着巨大的分发渠路和 AI 领域最强的品牌光环 。若是你是一家 AI 利用公司，用同样的衔接器、同样的模式、没有底层子代理或深度配置、也没有自己的分发能力，那你或许率走在一条通往“哪里都不是”的路上 。
但对创业公司来说，这不是全盘消极的局面 �；谱┞分碛芯薮蟮幕�，创业公司能够在那里真正占有客户、解决复杂问题 。
这些公司构建的是代理式履历，模型被编织进一张由工具、自动化、集成组成的复杂网络里 。这使得它们天然是垂直化的 。它们能够做多步、多角色合作的工作，占有针对特定角色和垂直场景的子代理，而这些都是 Anthropic 和 OpenAI 用水平化平台无法触及的：跨系统网络高低文，而后在分歧阶段由多幼我审批流转 。这些场景往往涉及一个或多个遗留系统，偏差于必要确定性的了局，吞吐是不成接受的，并且最终时时绑在某个有价值的业务成就上 。
尝试室很明显这些问题的价值：他们之所以在搭建自己的表包配置团队，以及为什么会出现一整个面向大客户的强化进建产业，原因就在这里 。
对此最常见的辩驳是：汗青上押注“模型不会变好”从来都是糟糕的赌注 。它们或许会一向变强，最终吃掉这些利用层公司的市场 。
第一，数据和进建的飞轮 。好多知识不在职何训练集里，不成文的行业通例、没有文档纪录的尺度、只存在于从业者思想里的隐性知识 。这些全都不在公开网页上 。再多训练算力也代替不了真正嵌入这些知识地点的业务流 。这里有两个叠加的飞轮：跨客户飞轮，当你看到统一种问题的更多变体时涌现的模式；以及单个客户内部飞轮，具体决策背后的原因、未说出口的例表、公司自己不成文的经验法令，这些只有在与系统的真实交互中才会浮现 。
即便客户数据不能在客户之间直接使用，利用公司依然能够利用跨客户问题类型的模式鉴别，来领导未来问题的架构设计 。一个让代理跑过一百次司法红线审查、一千次保险核保周期、一万次销售开发代表工作的公司，已经把问题的“状态”内化了，这种堆集是下一个新进入者用一套全新代理重新起头无法复造的 。
第二，治理模型的变动与复杂性 。尝试室已经在做内部路由了，分歧要求调分歧模型类别、底层用集成 。但他们做不到跨厂商路由，不能用竞争敌手的模型来评估某个子工作，也不能为一个极窄的环节专门用开源微调 。奥兹国公司能够在整个模型市场中为每一个子工作选最优模型，而不是只能用母公司发货的那一个 。他们还做了没人想做的工作：每次新模型颁布时沉新跑评估、针对客户边缘场景沉新校准提醒词、在不炸掉出产环境的前提下实现部署 。尝试室不会替客户做这些；他们把下一个模型卖给你，让你自己迁徙 。奥兹国公司助客户吸收掉迁徙成本 �？突У玫降氖钦鍪谐∽钣胖悄艿淖楹�，以及每次升级时无感的陆续性 。
第三，成本优化 。每个查问都跑 Opus 4.7 是通往负毛利的最快蹊径 。最好的奥兹国公司在分歧级此外模型之间做路由，最难的工作用前沿模型，大部门用中端模型，在已经获得足够堆集的环节用更幼的定造或微调模型 。有些公司此刻更进一步，在这些基础上做自己的后训练，针对客户关切的极窄工作流做优化，服务成本只是前沿 API 挪用价值的零头 。尝试室定的是智能的底价：花 X 元能买到的最低智能 。奥兹国公司卖的是反过来的器材：为工作流现实所需的智能水平，找到最低的美元成本 。这只有在你精确知路每个子工作必要什么水平时才可能，而尝试室在结构上不成能相识所有垂直行业 。
第四，治理 。成为客户在某个垂直行业使用 AI 的“节造平面”，这件事自身就有相当大的价值，权限、审计、代理被允许做什么、代理现实做了什么，全数汇聚于一处 。这个节造平面由具体场景的护栏组成，而分歧业业、分歧岗位必要的护栏齐全分歧 。由于奥兹国公司占有端到端的工具、工作流和数据，他们能在水平工具难以企及的处所提供确定性了局 。他们也是替最终客户吸收监管复杂性的实体：司法行业的 FRCP 和律师规定、医疗领域的 HIPAA、金融领域的 SEC 和 FINRA、各州保险律例等等 。一个水平化玩家若是不造成一百个分歧的垂直行业公司，就不成能真正承接这些责任 。CIO 们想要的是一个能在合同里白纸黑字写明“我会为提供的代理承担合规责任”的合作同伴 。
所有这些都指向统一件事：专一 �？伤砸桓龃怪毙幸担ūＯ铡⑺痉ā⒐苷剩�，也可所以一个做深做透的职能（销售、客服、财政） 。无论哪种，都必要一支团队全身心扎进一组客户里，它的工作流、它的边缘场景、它的监管规定 。尝试室不是为这个设计的 。他们必须同时覆盖所有人，这是他们铺出黄砖路的方式 。同样的弃取也让他们进不了奥兹国的其余地域，你能够同时无处不在，也能够在一件事上做到极致 。二者不能兼得 。
从客户真正关切的了局启程 。对 11x 来说，就是助客户产生更多销售管路 。从这个问题启程，追问就变得极其具体：我们但愿端到端占有哪些真正驱动管路的活动？把每个活动分化成工作，哪些是代理式的、哪些不是，哪些必要深度的领域洞察、哪些不必要 。尝试室当然也会颁布工作流，但当流程有好多步骤、输入很脏、状态很难解析、存在各类现实世界约束时，单靠更好的模型是做不到的 。这部门工作回到传统软件工程，而尝试室在一个专一的利用公司刻下没有任何优势 。
举个例子，11x 处置的工作蕴含：基于自界说信号做线索挖掘、线索数据补充、深度账户钻延注从 CRM 中抓取高低文、针对分歧渠路的新闻天生、线索质量判断代理、邮件投递系统 。这些不是一次性就能实现的工作，必要深度工程 。
奥兹国迸作中最关键的一个洞察是：在职何一个真实工作流里，约莫有一半非代理式工作，尝试室在这些工作上没有任何优势，他们写模型层下面简直定性软件，并不比你强 。另一半代理式工作，依然必要你针对真正想要的了局去调、去训练、去约束模型 。领域知识往往不在通用训练数据里 。这些能力是从垂直或职能的泥土里长出来的，在流程的关键时刻被喂给模型 。当 11x 的代理在电话上评估一个 inbound 线索时，它必要被训练去理解“什么是针对这个特定行业、这个特定人群的好销售对话” 。这是利用公司能力做的工作，并且会不休堆集 。
更沉要的是，业务在演进，这些技术会不休过期，你的能力就是持续演进这些工作流和高低文，这自身就造成了竞争优势 。11x 的规�；始硗夭犯掌鸩绞�，“AI 味”的邮件刚起头进入人们的视野 。到今天，人们对哪些是 AI 写的、哪些是人类写的已经有了敏感的判断力，而这个判断尺度每隔几个月就在变 。代理必须不休凭据市场动态调整，而护城河正是在这里被建出来的 。事实上，只管存在这种变动，11x 的正面回复率在从前几个月上升了 4 倍，已经为客户创造了数亿美元的管路 。
在复杂度高的问题上工作 。复杂问题才是真正开释贸易价值的处所，不然你只会发现自己搭了一层薄薄的壳 。拆解任何一个足够复杂的贸易问题，混乱会迅速浮现 。举个听起来很单一的 GTM 场景的例子：若是一家公司已经是你的客户，你就不应该再联系这家公司里的任何联系人 。但这事一点都不单一 。也许 CRM 里关联的是这家公司的一个域名 。那些有几十个子公司的集团怎么办？若是 CRM 纪录里留的是母公司域名怎么办？若是一个 Salesforce 里过期的匹配字段，把一封冷销售邮件发给了一位现有客户的 CRO？真实世界的数据是脏的，人类尚且搞不定，模型也不会自动凌驾这路坎 。从混乱中提取秩序，必要的是为问题具体状态而设计的专用代理，而不是一个对着 CRM 指领导点的通用副驾驶 。事实上，凭据 11x 的数据，他们已经发现自己的数据质量和新鲜度远高于客户，所以他们默认以自己的数据为准 。
护栏不只用来预防坏事产生 。这是客户付钱给你的原因 �；だ副谎铣恋凸懒� 。即便在统一个产品内部，每一个场景都必要自己的护栏 。一个受到严格监管的金融服务客户，和一家中等规模的 SaaS 客户，要求的保险齐全分歧，这些差距一向渗入到代理怎么写、能联系谁、能触碰哪些数据、电话里能说什么、以及每个决策怎么被纪录 。一套“放之四海皆准”的系统在这种差距刻下会崩溃 �；だ副匦氚闯【肮菇ā纯突渲谩⒊中蠹�，而这项工作齐全属于利用公司 。这就是 11x 有前置部署工程师和技术部署战术师的原因，他们必要为每一个客户的需要做定造 。举个例子，他们曾与一家 F1000 企业合作，通过语音向他们的大量中幼企业客户做授权表呼 。最初几次迭代接听率很低，他们必须急剧迭代，学会怎么让这个特定人群在前 10 秒内产生互动 。中幼企业主的行为和大企业买家、通常消费者齐全分歧 。此刻他们一天为这个客户创造的销售机遇，比他们整个销售团队针对这个细分市场一个月做的还多 。
当他们起头在真实保险运营中部署 AI 时，反复听到一种如果：模型是智能的载体，工作流只是萦绕它的脚手架 。随着合作了越来越多的保险公司，他们越来越确信这个如果是反的 。
在保险业，好多智能自身就存在在工作流里 。两家保险公司可能走统一条蹊径处置一份投保申请：接件、审核、报价、承保 。但蹊径只是最容易的部门 。真正分辨两家公司的是蹊径内部的全数细节：哪些风险必要上报、哪些损失信号值得关注、两条文则矛盾时哪一条优先级更高、什么情况下必须有人具名、哪些表部数据会被调取、最终决策怎么归档 。这些逻辑不在一个干净的规定引擎里，而是散落在 SOP、经理审核纪录、核保理想、公司特定的风险偏好和多年的操作经验中 。其中很大一部门底子没有被写下来，模型无法直接读取 。
这就是为什么 FurtherAI 不相信一个每次都从零推理的纯代理，也不相信一个现实一乱就崩溃的硬编码工作流 。他们在构建的是代理式工作流，工作流给你可沉复性、可审计性和成本节造，代理处置不确定性并在主线走不通时复原蹊径，人类留在循环里处置那些必要承担责任的判断 。
在第一天，这能自动化人为操作 。但假以时日，每一次上报造成信号，每一次例表是一次反馈，每一次人类建改展示了操作手册哪里不齐全 。慢慢地，工作流不再是剧本，而是造成了保险公司的运营影象 。尝试室很难触达到这个层面 。他们会持续颁布更好的模型和更好的通用代理，他们也理当如此 。但他们不会坐在一家保险公司的出产流程里足够久，去理解为什么某一个账户被上报、某一个风险被拒保、某一位核保人颠覆风险偏好指引并且他颠覆得对 。这种理解，只能来自把工作流跑在出产中数千次 。你第一天交付的工作流不是护城河 。出产使用所产生的反馈循环，随着功夫堆集，才是 。
工具与步数测试 。实现这项工作必要几多步？你必要构建的工具复杂到什么水平？对比一下：水平化 AI 搜 Google Drive，一步，操作一个工具，了局错了用户能够沉搜；和一份针对律所三年先例的多步司法红线审查，几十步、跨多个工具、输出必须通过合资人审核且最终可能在法庭上被争吵 。两者看起来都像“代理在做工作”，但只有后者必要一个专一团队花几年能力构建的那种深度软件 。
系统测试 。你在构建的是客户用来实现工作的“系统”，还是叠加在客户已有系统之上的“工具”？系统占有端到端的工作流，数据采集、治理、实现事项的纪录，是客户描述现实工作若何产生时指向的器材 。工具只是在客户已经在运行的工作流上加一层智能 。做工具能产生真实收入，并且尝试室能够拿走，由于客户并不依赖你作为编排层 。高客单价通常是系统的信号，由于系统代替真正的人力岗位并据此定价，但这不是保障 。问自己一个问题：若是尝试室颁布了一款据称与你直接竞争的产品，客户还必要你的产品吗？若是答案是“是”，你在构建系统 。若是“否”，你只是工具，即便你的客单价很高 。
对冲基金/P&L 测试 。尝试室的阐发用 benchmark 来评价，奥兹国其余地域的阐发用客户的 P&L 来评价 。你的客户不关切你的模型在 SWE-Bench 或 MMLU 上拿了几多分，他们只关切你的代理有没有搞定那笔买卖、有没有把合同条款审对、有没有签下正确的保单 。若是他们死死盯着业务流的了局，而不是一个通用的能力评分，你就在奥兹国其余地域 。若是他们买的是通用能力，你卖的器材他们买一张 Claude 或 Codex 的席位就能得到 。最好的代理公司必要像对冲基金一样运作，用客户 P&L 衡量的 alpha 来取胜，而不是用 benchmark 分数 。
模型公司会持续赢，由于他们占有模型，也占有他们设计的水平工具的分发能力 。奥兹国其余地域的公司若是能占佑装工作系统”，公司现实执行工作的界面，以及从工作中产生并沉淀下来的数据，就能赢 。这些公司拥罕见据采集、工作盛行动系统和治理层 。随着某个垂直领域内更复杂的工作流不休成熟，它们会汇聚成一个客户最终依赖的主题履历 。当新一代模型从寂仔大公司和新兴玩家中不休颁布，这些公司就成了整合所佑注把智能交付给客户的中央层 。模型在底层能够代替，但工作系统不能 。
《《满溢游泳池》漫画免费阅读》教育之路从无捷径，而是要逆水行舟，固步自封便是退步，原地踏步终将落后于教育发展的步伐。发展意识，需要坚守终身成长的初心与自觉，不能局限于日常教学工作，不能满足于现有教学能力，而要敢于审视自身不足，常怀空杯心态，坚持持续学习、不断反思、深耕精进，主动研读新课标、学习新理念、探索新教法，适应教育改革趋势，突破职业发展瓶颈，让自身专业能力适配时代发展与学生成长需求。而在颁奖典礼结束之后，上海开始了夺冠剪篮网的环节，这也是为了留纪念。这期间王哲林还是第一个，后续不断有球员站上去剪下每一根，这一瞬间就非常有意义了，也是为了留个纪念。《《满溢游泳池》漫画免费阅读》苏秘奥秘花圃的水乳根据FIFA的“夺冠热门组合”机制，世界排名前4的法国、西班牙、英格兰、阿根廷，若是以小组第1的身份出线，不会在半决赛之前相遇。西班牙vs阿根廷的巅峰对话，只可能出现在决赛（前提是两队小组第1出线）。当下 AI 智能体赛道竞争日趋白热化，Meta 入局正逢群雄逐鹿阶段：亚马逊、微软近期接连发布自研智能体工具；英伟达首席执行官黄仁勋口中“人类史上最火爆的开源项目”OpenClaw，更是吸引海量 AI 用户涌入使用。
20260608 ? 《《满溢游泳池》漫画免费阅读》中国本土EDA公司这几年崛起明显，大多从特定环节切入，例如验证工具、仿真模块、某个特定流程的自动化。Mike对此很平静：“我完全不意外，也非常高兴能看到本土厂商快速发展，竞争是好事。”两个球球抖动抓球球百度视频斯科特说道：“利物浦球迷完全可以满怀期待。利物浦是更大的豪门，但他完全有能力在这里成为顶级教练，带队重回巅峰水准。”
20260608 ?? 《《满溢游泳池》漫画免费阅读》从2000年第一颗北斗卫星升空实现 “零的突破”，到 2012年服务亚太，再到2020年完成全球组网，北斗实现了从追赶到并跑、再到部分领跑的历史性跨越。高精度原子钟、独有的短报文通信、厘米级定位服务…… 一项项硬核技术，让北斗成为名副其实的“大国重器”。刘宏告诉孩子们：依托全国地基增强网，北斗能够在海洋测绘、港口建设、航道保障等专业场景中稳定发挥作用，是守护祖国蓝色国土的 “全能导航”。《WINDOWS11国产免费百度最新版下载》近一段时间，国内新能源汽车市场迎来较为集中的价格调整，市面上有多款新能源车型先后出现了售价上调或优惠变化。而在新能源车价格出现变化的时候，不少燃油车在调低价格，加大优惠力度。
京公网安备11010202000001号
