当Agent数量超过人类
- 现在的世界，已经是有图不一定是真相了，有图只能证明“有一个图”，不能证明“发生过一件事”
- 大概过三五年之后，这个世界真正干活的、拥有智能属性的终端数量，要远超于人类的数量，也许是10万亿个智能体终端设备，每天干着各种各样的活，创造着一个完全不一样的生产力，未来真正改变世界的，是来自“可自主执行任务的智能终端数量”的爆炸式增长
- 关于Agent组织，会是有三种协作形态的组合，人+人，人+AI，AI+AI，而AI和AI之间的这种新型组织形态，会成为一种新的主流协作形态；AI+AI协作一旦成熟，组织的边际成本会急剧下降，很多公司会变成“少数人类+大量Agent”的超级小组织
下一代组织，不再只看员工人数，而要看它能调度多少个高质量Agent，很是期待啊
- 贫富差距其实一直在拉大，在某种程度上来讲，贫富差距的加大与科技水平的提升，其实有着一种必然的关系
- 当世界上最强的模型，其智能水平达到一定的阈值之后，应用生态才有可能实现真正的爆发，而不是被大模型本身的智能所替代，这个过程可能还需要两三年的时间
- Agent的设备数越多，创造力与生产力也会被无限激发，这背后隐藏的一个刚需，营销的重要性会越来越大，无论是定位理论还是传播，，甚至于你如何影响到 Agent 他们的判断，也会成为关键，这其实就是 GEO
- 最近很那些私下极度坦诚的创始人，不包装，不表演，会直接说公司现在靠融资续命，业务很难短时间真正跑通，但只要能撑到模型能力、市场需求和应用场景同时成熟，也许就能迎来一次真正的翻盘
- 语言模型吃掉了互联网的“文本”，机器人下一步会吃掉人类的“行为”
下面三张图为GPT-image-2生成：
三种高质量学习方式
最近的三种高质量学习方式
- 定制报告
每天有很多想法和问题，然后通过语音输入的方式，对着AI一顿阐述，让GPT 5.4 Pro，进行深度调研、整理与总结，然后就我的各种要求，输出一份为我定制的高质量学习或调研报告
这个习惯，确实极大提升了学习效率，很多时候，我每天只需要阅读5到10份这样的调研报告，就能快速进入多个新领域，或者把一个老问题想得更深
比如团队管理、商业模式、指标定义、Skill设计、模型安全原理等，这些都很适合用这种方式来学习
- 论文学习
arXiv + OpenReview + Hugging Face Papers
- 与牛人深度交流
和那些已经拿到实战结果的人，做线下交流，这种交流往往会很干且不空洞，会有很多意想不到的的收获
很多真正有价值的信息增益，大都来源于此
一个海外商业案例
晚上和几位行业专家吃饭，一个很有意思的商业案例
这是一家跨境电商公司
他们当时做了这么一个事
先分析了当年日本年度热词，其中就有一个词：“性骚扰”
然后他们就就一步分析
然后就发现，性骚扰的主要的场景是两个，第一个，是这个办公室的场所，第二个是公共场所
再往下，他们根据找到的大量照片，去分析这个被骚扰对象的画像的特点
最后发现，这些被骚扰的对象，有一个共同特点：胸大
于是，他们就设计了一个“护胸产品”，可以理解为，能让胸看起来变小的一个产品
产品准备好了，就开始去做大量的种草，比如说：如何在公共场合防止被性骚扰，如何在工作公司里面防止被性骚扰，防止性骚扰的这个小奥秘、小神器之类等等
这个产品很快就被市场引爆，第一年单品收入做到了8000万
它背后体现出来的，并不只是选品能力，更是对社会情绪、热点语义、场景需求和内容叙事的整合能力
好的商务沟通
一个字节跳动的商务同事，加了我的微信，有几个小细节，我觉得还挺好的，值得不少人学习
- 我通过后，对方自亮飞书个人的二维码，以及加我微信的背景、需求；
- 在我回复后，进一步表达电话沟通的需求，以提升首次沟通的效率；
- 在电话沟通前，将她的飞书个人信息（含部门名称、邮箱及直属上级等信息）截图发我
然后，我们约了一个时间，简单的电话沟通了5分钟，效率很高，比如组局小沙龙、评估与采购GEO服务商标准等，很容易就达成了共识
在陌生商务沟通里，首次接触，先把身份、背景、来意说清楚，主动降低对方的判断成本，后面的沟通效率与质量会很不一样
贝叶斯决策skill
开源了一个贝叶斯决策Skill
它不是简单帮你算一个贝叶斯公式，而是帮你把一个复杂决策，拆成一个可以持续更新判断的过程
这个Skill，一开始会先基于当前信息形成初始判断，然后AI通过引导用户多轮对话，不断补充变量、更新后验，并记录每一轮判断为什么变化
最后会输出一份Markdown+双语HTML决策报告，包含沟通过程、过程的判断变化和行动建议
适合产品、增长、商业、创业这类判断，也适合旅行、搬家、职业选择这类个人决策
本质上，它解决的是：当信息不完整、风险不确定时，怎么更理性地判断“这件事到底该不该做”，以及如何提升决策的质量
GitHub地址：yao-bayesian-skill
虽然，这个方法在实际的生活中，未必真的那么客观，但这个过程本身，就会增加人的“理性值”，这又未必不是一种新的收获和体验
这背后的本质，其实都是教人在变化中看世界，贝叶斯是这样，微积分也是这样
一位网友评论这skill：贝叶斯公式并不难，难的是如何一步步量化和澄清你脑海中那些凭直觉冒出的想法，这项工作并不光鲜，但确实实用
配图为示例报告
skill里，一些通用的贝叶斯先验准则：
- 我可能错，所以我要留余地
- 先看基础率，再看个别故事。
- 证据有强弱，不能一视同仁
- 越惊人的结论，需要越强的证据
- 一两个案例不能代表整体
- 看人和事，要看激励结构
- 先避免毁灭性风险，再追求收益
- 该出现的证据没出现，本身就是信息
- 相关只是线索，因果需要更多证明
- 极端表现常会向平均水平回归
- 证据相当时，优先考虑更简单的解释
- 不确定时，优先保留可逆选择
- 人的行为常有处境逻辑，先理解再判断
- 信念要有置信度，不要只有信和不信
- 反面证据最能提升判断质量
- 刚发生和很生动的事，会被大脑高估
- 任何规则和选择都可能有副作用
- 平均规律重要，个体差异也重要
- 善意起步，逐步验证，分级信任
- 先验会过期，要定期校准
Agent组织思考
最近关于Agent组织思考
对于一个有销售、运营和技术等多个职能的公司，打造一个真正敏捷的Agent组织，第一步就是学会使用最顶尖的AI协同工具
这里的协同，至少包含三层：人与人、人与AI、AI与AI
GitHub依然是这类协同工具中最重要、最成熟的基础设施之一
除GitHub外，团队还需要重视另一类关键工具，比如飞书CLI，以及围绕飞书知识库所形成的协同体系
比如，知识库中的信息如何高质量沉淀，如何有序保存，如何与GitHub打通，如何让知识、任务、代码、文档形成联动，这些都非常关键
只有工具链真正贯通，组织的协同效率才可能持续提升
再往下，一个Agent组织必须重视团队Memory的建设，其实质是，AI的在组织上能力其实取决于组织的优质“上下文”
团队Memory，首先是关于“团队”的Memory
每个人的擅长点、喜好、能力特征、协作风格，以及他在不同项目中的表现，都应该被逐步识别和积累
比如，有的人更擅长数据分析，有的人更擅长用户洞察，有的人更适合推进复杂协作，有的人更适合抽象方法论
只有对人有足够清晰的理解，整个Agent组织才能更合理地分配任务，让每个人在更适合自己的位置上创造更大的价值，同时获得更强的成就感
在这个基础上，其实还可以进一步延伸出“个人Memory”这一层
也就是，团队中的每一个成员，都可以逐步形成属于自己的个人Memory，并通过某种自动化机制持续沉淀到GitHub中
比如，在GitHub上建立专门的仓库，用来动态记录每一位成员的画像、能力特征、擅长方向、经验积累、协作偏好，以及在不同项目中的表现和成长轨迹
这样一来，这个仓库就不只是一个简单的资料库，而会逐步变成整个团队的人才认知系统
更重要的是，这套个人Memory体系还可以进一步与其他Agent打通，以可扩展的方式被智能调用、匹配和规划。这样，组织在做任务分配、项目协同、能力组合、角色规划时，就会拥有更强的智能化基础
其次，是关于“事”的Memory
也就是如何把重要事项、关键方法论、核心资产、项目经验有效沉淀下来，并且能够持续更新、持续迭代，让这些内容真正变成组织能力的一部分
最后，还有一个非常重要的部分，是客户层面的Memory
无论是项目信息、客户需求、客户目标，还是预算金额、目标定价、考核原则、关键决策过程、沟通记录，都需要被系统地保存下来
因为这些信息，最终会构成整个Agent组织最核心的上下文基础，谁掌握了高质量的上下文，谁就更有可能形成真正高效的协同与决策能力
决定这一切能否成立的，仍然是人本身
这样的团队，编制可以更小，但对人的要求其实会更高
团队成员需要懂AI，懂组织，懂协作，还要具备很强的学习能力和快速成长能力
同时，也要愿意拥抱变化，愿意主动探索，愿意在不确定性中持续优化自己的工作方式
Agent组织的核心，不只是流程更快、人数更少、工具更先进。更重要的是，能不能围绕工具、Memory和人的能力，真正构建出一个持续进化、持续协同、持续创造价值的组织系统
最后，简单梳理了一个公式：组织Agent化水平 = 工具贯通度 × Memory质量 × 协议清晰度 × 人才密度 × 反馈迭代速度
