忘记让服务员帮合影了，哈哈

上周三个人凑了个 morning coffee——我、Gary、Felix。本来想着喝完就散，结果一杯咖啡从头坐到店里第二波客人进来 ☕️ 聊到的几块： ① 一线见闻 去过的人和没去过的人，对越南的印象差得不是一点半点。网上看到的越南，和真正落地待上一段时间的越南，完全是两个地方。这块 Gary 和 Felix 都有很直接的体感。 ② 市场机会 跨境这块，越南到底是"下一个增长点"，还是被讲出来的增长点？有一点是共识：现在进去的窗口期，和三年前已经不是同一个游戏了。 ③ 出海的坑 政策、合规、税、注册、找人…… 三个人，一张桌子，聊得很松弛。 下一场想开大一点。 不设议程，不做分享，就是几个人一杯咖啡把各自看到的东西摊出来聊。 👉 有在越南落过地的（电商 / 建厂 / 长期待过），特别欢迎 👉 还在观望的，也来——你最想搞清楚的问题，很可能就是别人手里的答案 想来的在群里冒个泡 🇻🇳 人齐了我来定时间地点。

引子：一笔算不过来的账 在 Grab AI DevX Connect 2026 上，一位讲者轻描淡写地提到一件事：他们曾经用两个月，停掉新业务开发，让所有人去自由探索 AI。 台下没什么反应。但我的第一反应是替他们算一笔账。 Grab 覆盖东南亚八个国家，工程与产品团队数以千计。停两个月，意味着一个季度的路线图作废，上百个已排期的需求要向业务方重新解释，竞争对手可以不受干扰地推进他们的计划，而这两个月的人力成本，在财务报表上找不到任何一栏与之对应的产出。 这是一笔算不过来的账。"我们要停下来学点东西"没有 DAU，没有 GMV，没有一个能写进季度汇报的数字。 所以本文只讨论一个问题：一家理性的商业公司，凭什么敢做这件事？ 我用排除法，把可能的解释一个个筛掉，剩下的那个，就是答案。 第一步：排除"有钱任性" 最容易想到的解释是：大公司家底厚，烧得起。 但这个解释站不住。恰恰是大公司，机会成本最高——停摆两个月，代价不是省下的工资，而是被让出的市场窗口。真正"烧得起"的是小公司，因为它们本来也没什么可停的。一家上市公司要向董事会解释这两个月，需要的不是钱，是理由。 所以"有钱"不是原因。他们一定是算出了某笔更大的账。 第二步：排除"留缝隙式创新" 第二个解释更像回事：这不就是贝尔实验室、3M 的 15% 时间、Google 的 20% 时间吗？给聪明人留出空隙，等着好东西自己长出来。 但只要把它们放在一起比较，区别立刻显现： 贝尔实验室、3M、Google 的做法，是在高速运转的机器上留一道缝隙，让少数人在缝隙里做少数的事。而 Grab 是把整台机器停下来，让所有人重新学一遍怎么开机器。 前者是容错机制，可以常年挂着，不影响主线；后者是一次性的、全局的、不可逆的停摆。前者赌的是"万一有人搞出个好东西"，后者赌的是"如果不停，整个组织都会过时"。 这两件事的成本相差三个数量级，赌注也完全不同。所以"留缝隙"解释不了 Grab。 排除掉这两个，就只剩下一个可能：他们判断 AI 不是一次工具升级，而是一次范式转移。这个判断如果成立，那两个月就不是奢侈，而是必须。 那么接下来要问的是：凭什么说它是范式转移？ 第三步：范式转移的标志，是"路"要重修 工具升级和范式转移的区别，可以用一个例子说清楚。 汽车刚出现时，人们的第一反应是"把马换成发动机"。早期汽车确实长得像一辆没有马的马车——方向盘位置、车厢形状、悬挂设计全都沿袭马车的思路。结果是既不快，也不安全。 汽车真正的普及，不是靠发动机变强，而是靠道路被重修了一遍：沥青路面、交通信号、驾照制度、加油站网络、保险体系。这里面没有一样是"发动机"，但缺了它们，发动机就只是一个噪音很大的铁疙瘩。 判断标准由此得出：如果一项新技术只需要你换掉旧零件，它是工具升级；如果它逼你重修整条路，它是范式转移。 拿这个标准去看会场的议题，答案很清楚——那一天讲的几乎全是"修路"，没有一个是在讲"发动机"： Brownfield Projects in the Agentic Coding Era：工程师用 agent 去读遗留系统，读的过程中不自觉地把系统和工作流改造成"对 agent 更友好"的样子；系统越 agent-friendly，agent 越好用。这是道路反过来塑造车辆的典型飞轮。 Grab 的 Agent 平台：工具链、可观测性、评估体系、harness。这些东西没有一样是"智能"的，但它们决定了 agent 能否从 demo 变成可靠、可度量的生产系统。 Temporal 的 Durable AI：如何让 agent 在超时、部分失败、状态丢失中活下来。在生产环境里，agent 死掉的方式远比它聪明的方式多。 AWS 的 Prompt → Context → Workflow 框架：杠杆不在提示词，在上下文和工作流。多数团队的 AI 落地之所以失败，不是提示词写得不好，而是把 AI 塞进了一条为人类设计的流水线。 四个议题，四条路，没有一条是模型。范式转移的判断，成立。 第四步：路是公共品，所以必须全员停摆 结论到这里还差一步。就算承认要修路，为什么非得所有人一起停两个月？让一支专门的平台团队去修，其他人照常跑业务，不行吗？ 不行。因为道路是公共品。 一条只有修路队认识的路，不叫路。交通信号要所有司机都认得，驾照制度要所有司机都考过，否则路修得再好也没有车敢上。同样，一套 agent 工作流、一套上下文规范、一套评估标准，如果只有平台团队理解，其余几千人仍按旧习惯写代码、提需求、做评审，那么这套东西在组织里就是死的。 所以那两个月买的不是几个 AI 应用，而是一次组织级的认知同步——让所有人在同一时间、用同一套语言，重新理解自己的工作。 这是"留缝隙"永远做不到的事，也是那笔账真正的算法： 停两个月的成本，是确定的、可计算的、写在报表上的； 不停的成本，是三年后你的工程组织仍在用马车的方式修沥青路，而且没有人意识到这一点。 后者在报表上是隐形的，但它是致命的。 第一个问题到此有了答案。而它同时带出了第二个问题。 第五步：路是公共品，所以他们必须开放 如果道路的价值来自使用者的数量，那么"把内部实践讲出去"这件事，就不再需要用"情怀"来解释了。 会场里坐着东南亚本地的工程师、印度来的架构师、欧美面孔的技术负责人，以及一批像我这样纯粹从社区来的人。台上讲得很具体：踩了哪些坑、废掉了哪些方案。他们与 AWS、Google、Temporal 同台，把内部实践摊开，不设防。 这里最容易冒出来的念头很俗气：讲出去，不怕被抄吗？ 这个问题问错了。理由有两层： 第一，知识是非竞争性物品。我把一个方法告诉你，我并不因此失去它。在非竞争性物品上设壁垒，收益是零，成本却很实在——失去生态反馈，失去社区信任，失去让最好的人才知道你在做什么的机会。 第二，技术方案的价值从不在方案本身，而在执行它的组织。你可以把架构图一张不落地抄走，但你抄不走那个敢停两个月的决策机制，抄不走已经完成认知同步的几千名工程师，抄不走"允许失败"的内部氛围。护城河从来不是信息差，是组织能力。 所以开放不是慈善，而是这条逻辑链的必然结果：当你的核心资产是组织能力时，分享方案的收益远大于藏起方案的收益。它换来的是人才的注意力、生态的位置、标准的定义权——每一样都比捂住一份文档值钱。 第六步：路修好了，人还剩下什么 逻辑推到这里，还剩最后一个缺口。 路修好之后，车会越跑越快。那么坐在车上的人，还剩下什么？ Google Cloud 的讲者谈的正是这个。她讲的不是模型，是认知负荷：当身边的 AI 源源不断生成代码，人如何避免心智过载？如何保住对系统架构的整体理解？如何在编排越来越多 AI 产出的同时，维持人的责任？ 这是全场最重要的一句话，尽管它最不像一句技术判断。 一百多年前，韦伯用"祛魅"描述现代性：一切都可被计算、被理性化。但他同时看到了另一面——当效率接管一切，人会把自己关进铁笼：手段空前强大，目的却空前模糊。我们越来越清楚怎么做，越来越少追问为什么做。 AI 辅助开发正在高速重演这个过程。当代码可以无限生成、判断可以无限外包，一个工程师最先丢失的不是岗位，而是他对自己所造之物的理解与担责的能力。你点下那个 approve，但你真的知道自己批准了什么吗？ 于是那条界线必须由人来划：AI 可以接管我们的手，但不能接管我们的判断；可以替我们生成，但不能替我们负责。 而这，恰好补上了逻辑链的最后一环——它解释了为什么那两个月必须是"自由探索"，而不能是"AI 使用率考核"。 因为要培养的东西是判断力。判断力无法被 KPI 逼出来，只能在允许犯错的空间里自己长出来。一个不允许员工犯错的组织，得不到愿意为结果负责的员工；一个把创新当指标考核的组织，只会收获精心包装的伪创新。 创新不是被管理出来的，它是在被允许的地方，自己长出来的。 结论 回到开头那笔账。全文的推理，归结起来只有五步。 第一步：AI 不是工具升级，而是范式转移。判断标准很简单——只需要你换掉旧零件的，是升级；逼你重修整条路的，是转移。 第二步：既然要修的是路，那么该修的就不是模型，而是流程、规范、评估体系和协作方式。会上讲的四个议题，无一例外都在修路。 第三步：路是公共品。一条只有修路队认识的路，不叫路。要让它真正通车，必须所有人同时认识它。这就是那两个月的用途——它买的不是几个 AI 应用，而是一次组织级的认知同步。这也是它与"留缝隙式创新"的根本区别。 第四步：既然路是公共品，藏起来就毫无意义。方案可以被抄走，组织能力不能。开放分享的收益，远大于捂住一份文档。 第五步：路修好之后，车会越跑越快，人手里剩下的只有判断力。而判断力考核不出来，只能在允许犯错的空间里自己长出来。所以那两个月必须是"自由探索"，而不能是"AI 使用率"。 五步走完，那笔看似算不过来的账，其实算得很清楚。 最后三条，供参考： 一，别用"效率工具"的框架去管 AI 落地。如果你的 AI 战略最终落成一块"人均使用率"看板，多半已经走偏。真问题不是"大家用了没有"，而是"我们的流程、系统、协作方式，有没有为 agent 重新设计过"。修路比换车重要。 二，认知同步比工具采购重要一百倍。买工具是花钱，让整个组织在同一时间用同一套语言重新理解自己的工作，是花勇气。差距最终拉开在后者。 三，把话讲出去。当你的护城河是组织能力时，开放是最理性的竞争策略。 至于那"两个月"，绝大多数公司都不敢。但敢不敢是一回事，知不知道自己为什么不敢，是另一回事。

今天，两千多名 builders 汇聚到 Galaxy Innovation Park，hackathon 正式开建。上午九点开幕式加 keynote，九点半是 Expert Parade，几十位专家满场走动、随你逮着谁问谁，中午一起吃饭，傍晚有 VIP 晚宴，最后落到日程表的末一行——晚上八点，Last Night Build，通宵开建。 先说规模，这才是"盛况"二字的底气。官方对外的画像是：约两千名 builders、五百个 agent 项目、三十家 AI Enablers、十家企业，为期五天，横跨 workshop 和 hackathon，号称东南亚最大的 agentic AI hackathon。而它背后那份刚发布的报告数得更实：2,719 名通过审核的 builders，来自 55 个国家，是有记录以来最大的一次。把这么多人放进同一个园区、同一个周末，这件事本身就值得一看。 不过我更看重的，不是台上的开幕式。老实讲，没人会记得哪一场 keynote 说了什么；真正留下来的，是今晚灯还亮着、一屋子人埋头把某个东西头一回跑通的样子。开幕式是仪式，仪式供人观看；而真正的分量在动手，动手要人参与。一个地区有没有 AI 的未来，与其看它开了多少场大会，不如看有多少人愿意在周末的深夜坐下来，把一件具体的事做出来。我尤其欣赏 Expert Parade 这个安排：它不设讲台，只是把懂行的人放在你伸手够得着的地方。这其实是组织者的一种克制——帮人做成事，最好的办法往往不是多讲，而是把资源摆到手边，然后让开。 一个地区的 AI 实力到底怎么衡量？今天这一幕已经给出了一半答案。兴趣很便宜，动手很贵；愿意付这份"贵"的，是把一个念头当真、并肯为它负责的人。而这里，有两千多号人正在付。 "兴趣很便宜，动手很贵"这句话，出自主办方 GenAI Fund 今天同步放出的那份报告——《State of AI Builders 2026》。它不只是一句漂亮话，更是一种方法上的祛魅。我们平时谈一个地区的 AI 实力，用的多是代理指标：LinkedIn 上挂"AI"的人头、投资情绪、开发者人口估算——这些数字容易生出一种繁荣的幻觉。报告索性换了口径，只数真正报名来动手一周的人：2,719 名通过审核的 builders、55 个国家。它把"兴趣"的水分挤掉，留下"动手"的硬度。这是意图的普查，不是兴趣的问卷。当然它也有边界：这是社群里最活跃的一撮人，不是平均意义上的劳动力，越资深的样本越薄，宜当趋势看、别当精确预报——用报告自己的话说，把它当地板，不是天花板。 先看竞争格局，结论有点反直觉：没有人赢。用得最多的是 OpenAI、Claude、Gemini 三家，但真正要紧的数字是——81.7% 的人同时用不止一个平台（multi-homing）。多平台并用是常态，份额是租来的，不是买断的；今天用你，明天就可能再添一个别人（顺带一提，已有近三成的人用了至少一个中国模型，DeepSeek 排到第四）。更耐人寻味的是，这场比赛会随资历改变面貌：OpenAI 赢在入口，第一年的新手里它最强；可从第二年起，Claude 就追平甚至反超，成了人们干着干着自然转过去的 workbench。把人群拆开看更清楚——学生那边 OpenAI 领先、Gemini 意外地强，到了工程师和企业这边，Claude 反过来居前。用报告的话说，OpenAI 和 Gemini 占着 classroom，Claude 占着 workbench。做增长的人要听懂这句话：获客、课堂渗透、企业渗透，是三场不同的仗，别指望一套打法通吃。 那这些人到底是谁？一句话，一群离生产很近的人。技术底子厚、Python 原生（占七成以上），最大的单一角色是工程师，其次才是学生——而这条人才管道尤其集中在越南。更要紧的是他们在交付：项目里排第一的方向就是 agentic systems，而且越资深、做 agent 的比例越高。报告有一句我很认同：这个社群与"已部署的系统"之间的距离，短得不寻常。他们早已过了对 AI 好奇的阶段，是在把一个念头，做成一件别人真能用的东西。 顺着资历再往下看，有两件对企业和地区都要紧的事。其一，企业要的人已经在里面了：661 位 builders 受雇于大型企业，而且越资深越只盯着企业级 AI——6 到 10 年那一档，四成以上只对企业 AI 感兴趣，第一年还不到两成。那批到 2029 年会很稀缺的资深人才，此刻就坐在这些公司里；潜台词很扎心：他们已经在给你这样的公司打工，问题只是愿不愿意为你建。其二，这一切高度集中在越南：64.4% 的 builders 在越南，连至少 63 位在美国 Apple、Google、Cloudflare 等公司注册的，也是越南裔。同一套教育体系，既填满了本地的人才管道，也在为全球的 AI 组织供人——一个国家真正的底气，说到底还是人。 最后两条，一条讲扩散，一条讲人。扩散靠的是信任，不是广播——不到两百位 superconnectors 就带来了约 890 个报名；新工具先在信得过的人之间流动，才化为看得见的市场需求。所以在这个市场做分发，与其买媒体，不如搭关系。而讲到"人"，报告触到了一个我以为最深的问题：它说，工具的可得性其实已经解决，没解决的是工作该如何重新分工；人对 AI 的信任是社会性的，是看着信得过的人怎么用，才慢慢敢用；于是价值正从"执行"退回到"判断"——框定问题、检查结果、为决策负责，这些越来越贵。 这里值得停一下。如果说 agent 是工具理性的极致——不知疲倦地为既定目标寻找最优解，那么它越强大，就越把一个古老的问题重新推到我们面前：目标由谁来定，好坏由谁来断，后果由谁来担。这些都不属于工具理性，而属于价值理性，属于判断，属于人。机器可以替我们算出通往目的地的最短路径，却替不了我们决定这地方值不值得去。报告里引了越南一位受访者的话，我觉得说到了点子上——agentic AI 把人的价值迁往判断。技术越是把"怎么做"自动化，"做什么、为什么做、做了要负什么责"就越是人无法让渡的位置。这不是一句安慰，倒更像一份要求：它要求人，真的配得上"判断者"这三个字。 落到行动上，报告对三方各有提醒：对企业，先把活儿拆清楚（哪些自动化、哪些要人复核、哪些必须人来拍板）再上工具，把培训按角色来做，并养一批能在领域、能力与治理之间做翻译的人；对政府，把 AI 人才当成一个劳动力系统来经营，而不只是一条技术管道；对平台，趁忠诚还没固化，先占住 classroom、workbench 和 evaluation 层。归成一句：这个地区要的，不只是更多 AI 的使用者，更是劳动力的设计者、信任的搭建者、治理的负责人。 今天园区里的这场热闹，正是那份报告的结论被摆到了眼前：这不是一群人来凑热闹，而是一个已经在动手、离生产很近的 builders 群体。用报告的原话——Southeast Asia is not waiting to become an AI region. It already is one. 只是这句话的重心，从来不在"AI"，而在"人"——在有多少人愿意把一个念头当真，动手做出来，并为它负起责任。今晚那一屋子亮着的灯，就是答案。

判断一个东西是不是玩具，有个很简单的办法——看有没有人愿意为它掏钱。真实世界和实验室的区别，就在于真实世界里有账单、有坏人、有规矩。第三天的六场工作坊，讲的差不多就是这三样：钱、安全、责任。主题词写的是 DESIGN，但你不妨理解成：怎么把一个 agent 设计成能在现实里立住脚的东西。 开场是 Apify 的 Saurav Jain 和 Jakub Drobnik，题目很直白：怎么构建、部署，并且靠 AI agent 挣钱。他们让你在 Apify 上把一个 agent 做出来，再挂上去卖，还请工程负责人讲了讲自己这些年做和发布 agent 的经验，每个人还能拿到 25 美元的平台额度。这一场放在第一个，我觉得是对的。一个 agent 能不能挣到哪怕一块钱，是它从玩具变成生意的第一道坎。能挣钱不代表它伟大，但至少说明有人真的需要它。 接下来是 Langfuse 办的一场，讲 LLM 的可观测性和评估（evals），是个动手工作坊，归在企业 AI 那条线里。官网上这场还没放出详细介绍，但光看题目就够清楚了：你要卖一个 agent，就得知道它到底干得好不好——不是凭感觉，是靠数据。评估之于 AI，就像账本之于生意，不记账的生意迟早出事。 第三场，Obello AI 专家 Linh Nguyen 讲了个很实在的问题：为什么生成式 AI 做设计总差一口气。她的说法很准——大多数模型生成的是"看着像那么回事的像素"，不是能用的系统；而且这道坎不是"做得还不够好"——不是把模型调得更精细就能补上的——而是"做出来的根本不是同一类东西"：像素再漂亮，也只是像素，不会自己变成一个能用的系统。agentic AI 的不同之处，在于它不再是提示词式的"自动补全"，而是有目标、会规划、能自我纠错，一步步做到符合品牌规范的结果。她拿 Obello 的实践举例：把品牌规范当成可执行的约束，于是一键就能生成响应式版面，在几乎无限的尺寸比例之间自动缩放，还不跑偏。这场其实和昨天是一路的——从"生成一个像样的东西"，到"生成一个真能用的东西"。 第四场转到安全，来自 Antitech 的联合创始人 Achraf Jday。他开头一句点了题：当 agent 从 demo 变成真产品，安全模型就变了。提示词注入、间接注入、乱用工具、记忆投毒、数据泄露、护栏太弱、绕过策略——这些在 demo 里没人管的事，一旦上线全成了大问题。工作坊用 Antitech 的 SDK 带你动手，在部署之前去测试、去加固一个 agent。这里有个朴素的道理：玩具不会被攻击，只有真东西才会。一个 agent 开始需要保安，恰恰说明它开始值钱了。 第五场最有意思，来自 Virtuals Protocol 的 Celeste Ang，讲 EconomyOS——给 AI agent 的"经济层"。它给 agent 一套在互联网上做事的基本能力：身份、邮箱、支付、交易流程、赚钱的通道。有了它，一个 agent 就不只是推理和生成，它能收消息、能付钱买服务、能雇别的 agent、能开收据、能挣到钱。里面还有个 Agent Commerce Protocol，专门让 agent 之间自主地买卖服务。把这事往前推一步，画面就很不一样了：如果 agent 能雇 agent、能互相付钱，它们之间就会长出一个小小的经济体。而有经济的地方，就有分工、有价格、有信用。 最后一场，Terminal 3 的 Minh Nguyen 讲怎么让企业级的 AI"够安全、能上线"。他甩了个数字：到 2027 年，会有 40% 的 agentic AI 项目被企业砍掉。为什么？价值不清、成本上涨，最要命的是治理太弱。他讲的是企业和政府到底想要什么，以及一个开发者要想把 agent 卖进这些地方，必须补上哪些东西。这话不好听，却很实在：决定一个 agent 能不能进大机构的，往往不是它多聪明，是它够不够规矩。 这几天听下来，我自己有个越来越强的体感：真正决定企业级 AI agent 成败的，正是可观测性、信任、安全与合规这几件事。它们平时最不起眼，偏偏是核心——你得能看清它在干什么（可观测性），得让人敢把要紧的事交给它（信任），得挡得住外面的攻击（安全），还得守得住行业的规矩（合规）。企业不会因为你的模型聪明就买单，它们买的是放心。 一个 agent 要在真实世界里立足，得能挣钱、扛得住攻击、守得住规矩。这三样，没有一样是靠把模型做得更聪明能解决的——它们是生意的门槛，不是智力的门槛。让 AI 变强的是研究，让 AI 变成生意的，是这些不起眼的、关于信任和责任的功夫。

可以申请创作者吗

这个review有什么特别的吗

关于 AI，大多数人盯着模型。但做过东西的人都知道，难的部分从来不是模型。 一个 demo 和一个产品，是两回事。demo 只要在一个人的电脑上、在一个准备好的场景里跑通一次就行；产品要在所有人的电脑上，在你没预料到的情况下，每一次都跑通。这中间的距离，比大多数人想的要大。Build Week 的第二天，讲的就是这段距离。主题词是 INTEGRATE。这一天没有新模型发布，也没有惊艳的演示，全是些不好看却要紧的事。我觉得这恰恰是最值得听的一天。 第一场，AWS 的 Diep Nguyen 说了个很朴素的事实：大多数 AI 项目失败，不是因为模型不够好，而是因为一开始就没写清楚要做什么。听着简单，可想一下就知道是对的。他用 Kiro 演示"规格先行"——先把需求写成明确的契约，再让代码去实现，而不是反过来，让人去猜 AI 到底写了什么。之后才是那件所有人都想要的事：Claude Code 和 Codex 跑在 Bedrock 上，写代码快十倍，而且每个字节都留在你自己的边界里，可审计、可追责。这里有个容易被忽略的点：当你能十倍速地写代码，你也在十倍速地把误解变成代码。所以重点不是快。是先想清楚要做什么。快只有在方向对的时候才有用。 第二场，Agora 的 Derek Zheng 讲怎么让智能体走出屏幕：语音、多模态、实时通信，让它能听、能说、能看，进到机器和设备里。你可以把计算机的历史，看成一部界面的历史。命令行、图形界面、触摸屏，每换一次界面，赢家的次序就重排一次。语音会不会是下一次，没人打包票。但有一点是清楚的：当智能不再被困在一块屏幕后面，它能做的事会多很多。 下午的三场是重点，也是这一天真正难的部分。 AWS 的 Thi Nguyen 讲 Bedrock AgentCore，一句话说到了点子上：一个聪明的 agent 只是原型；一群有共享记忆、会用工具、被编排和管理的 agent，才是生产系统。这个道理其实很老。一个人能做的有限，真正能规模化的是组织。我们不是靠某个天才走到今天的，是靠把人组织成团队、把团队组织成公司。agent 也一样。从一个到一套，靠的不是更聪明，是能协作。 接着 TinyFish 的 Huy Vo 补上另一块：怎么给 agent 接上真实的、活的网络——实时数据、要登录的门户、真实世界里各种各样的来源。道理很直接：一个再聪明的大脑，如果只能读几年前的旧资料，也做不成什么。一个 agent 有用没用，很大程度上取决于它能不能拿到真实、当下的信息。光会推理不够，它得能去查。 最后一场最不起眼，但我觉得最重要。AWS 的 Vu Pham 讲测试、监控、护栏、追踪、漂移检测。这些词听着无聊。但"在我电脑上是好的"，从来不是一个上线方案。大多数人喜欢开始，不喜欢收尾。他们走完 99 步，然后省掉最后一步。而一个系统可不可靠，恰恰就在这最后一步里。软件工程几十年攒下的这些规矩，没有因为 AI 而过时，反而因为大模型的不确定性变得更重要了。想让一个概率性的系统变得可信，办法不是把模型做得更大，是把这些不起眼的功夫做扎实。如果这一天有个主角，是它。 把这一天连起来看，其实是一件事的几个部分。一个想法要变成产品，得先写清楚规格，再组织成系统，连上真实世界，最后用工程守住可靠性。第一步靠脑子，后面几步靠纪律。大多数人只做了第一步，就以为做完了。 所以结论很简单：难的不是想出一个聪明的 demo，是把它做成一个每天都能用的东西。这两件事需要的能力完全不同。会做惊艳 demo 的人很多；笑到最后的，通常是那个愿意把剩下 90% 做完的人。

拍拍灯很cute

最近2个公司都在分享TTS技术