AI的变与不变
我和向阳的新书《AI领导力》出版了，已上架到京东等电商平台，这是关于AI的一本底层逻辑的偏认知提升的书
借着这次新书发布，把这几年的一些笔记和书稿又翻了一遍，有一个很明显的感受，AI世界的名词，更新得太快了。
2023年底，大家讨论ChatGPT会不会取代搜索引擎，后来开始研究提示词、知识库、推理模型、多模态，再往后是Agent、工作流、MCP、Skill、数字员工。
最近两年，我们也开始研究和实践GEO，思考自己的品牌、内容如何被AI检索、理解和引用。
有些概念刚学会，下一轮变化已经来了。
乃至于有一条这样的梗：在AI时代，只要你学得足够慢，那你就不用学了。
AI也从一个陪你聊天、给你答案的助手，逐渐变成了可以搜索网页、读取文件、操作电脑、调用软件并连续完成任务的执行者。
微软发布的2026年工作趋势报告里，Microsoft365生态中的活跃Agent数量已经达到上一年的15倍，超过10万次Copilot对话的分析显示，49%的对话已经在支持分析、判断、解决问题和创意思考等认知工作。
这个趋势非常的明显，再过几年，这个世界的生产力，Agent的贡献可能真的不容小觑了
这些变化，可以压缩成四句话：
AI的输出单位，正在从一个答案变成一项任务
AI的能力载体，正在从一段提示词变成知识库、工作流和Skill
组织的基本单元，正在从一个人变成一个人加上一组Agent
信息的分发逻辑，正在从网页排名扩展到AI的检索、引用和回答
技术一路狂奔，我和向阳在实践、交流以及创作《AI领导力》的过程中，反复思考的几个问题却一直没有变
• AI真的会放大人的生产力吗？
• 为什么仍然有很多人不喜欢用AI？
• 人和AI到底应该是什么关系？
• 仅仅转变思维方式就够了吗？
• AI带来了智力平权，还是更大的能力分化？
• 当机器越来越强，人的价值还剩下什么？
这些答案，在书里，也有大量的答案与思考，详见5000字梳理：mp.weixin.qq.com
沟通的本质
沟通的本质，是建立连接
这种连接，可以很好的把彼此的资源、能力和行动组织起来
一个人想提升生产力，大致有三种方式：独自、借助AI，或者与他人协作
前两种方式主要提升个人效率，人与人的协作则需要以沟通为基础
沟通可以从两个维度来理解
按互动方式，有直接沟通和间接沟通；按触达人数，有一对一、一对多、小范围多对多
单独见面、电话和私聊，通常属于直接的一对一沟通；
公众号文章、推文和书籍，属于间接的一对多沟通；直播、分享会和公开课，也是一对多，同时带有直接互动
对个人而言，一对多的沟通有很高的触达效率
一篇文章，或者一场公开课，可以让许多人同时认识你，它通常先建立一种弱连接：对方可能从未和你说过话，但是会在持续阅读和观看中，逐渐了解你的能力、判断和做事方式
这些分享，长期、真实而且有价值时，熟悉感会慢慢积累成初步的信任
等到双方有机会合作或深入交流，过去积累的信任会缩短彼此了解的过程，让一段弱连接更容易走向深度连接
最近有位客户，就是通过这样的路径认识的
他的一位朋友在X上关注了我，后来把我推荐给他，他按照朋友的推荐，找到了我的公众号，读了我的的文章，也看过直播和公开课
通过这些内容，对我有了初步了解，然后主动找到我，邀请合作，双方开始接触后，又进一步加深了这份信任
还有近期的一次，我去拜访一家优秀公司的创始人
我们七年前认识，此后一直没有联系，也没有再见过，这次出差，我单独约了对方，见面后，我们聊得很投缘，也没有七年未见的疏离感
对方告诉我，平时很少见人，绝大多数见面邀请都会婉拒
这次愿意见面，是因为会看到我的朋友圈和其他分享，从这些内容里，对方觉得气质很接近，关注的问题也有不少相通之处，有些分享还带来过启发
持续分享会影响那些平时很少互动的弱连接，它让别人逐渐知道你是谁、擅长什么、如何思考，也为未来某次合作或深入交流提前积累了信任
系统重构
周末两天，和技术负责人一起，把之前的一个产品，进行了一次大的底层+UI重构
这个产品，通过这几年的口碑增长，已经有了大几百万的用户，但系统的底层还是多年的版本，包括UI与相关的AI能力，于是，我们决定进行一次重大重构与升级
两天的时间，差不多消耗的tokens，超过20亿
重构的工程量还是很大的，按照以前的逻辑，对于一个复杂系统，实现一样的成果，估计需要花费3个以上的技术人力+1个月的时间
借助AI的能力，这次差不多用了两天，基本上把大部分最难的部分搞定
同时并行还完善了大会系统的支付与短信能力
很有意义的两天
重构流程的基本逻辑，先升级系统地基和建立新UI工作台，再逐页把旧业务能力迁入新工作台，经过分层测试、灰度和入口切换，最终完成新旧系统交接，具体如下：
- UI原型与前端工程化
静态视觉原型 → 独立的Vue 3 + Nuxt UI交互原型 → 迁入Laravel主仓库，转换成 Vue 3 + Inertia + Vite 页面
- 后端底层升级
Laravel 7升级至13，Nginx 1.18升级至1.31.3，同时处理容器、依赖、安全、回调、存储和部署兼容相关问题
- 两条主线阶段汇合
前后端并行设计、迁移和测试；前端融合最终落在升级后的Laravel 13基线上
- 逐页接入真实业务
每个页面依次完成：真实数据读取、读写操作、及相关功能
- 每阶段设置测试门禁
包括PHPUnit、Vitest、类型检查、ESLint、Playwright交互测试、六视口视觉回归、Docker 回归、旧入口兼容、盲测和 BT03
- 形成统一可部署应用
最终产物包含 Laravel 后端、Inertia 桥接层、Vue 3/Vite 的public/build产物以及旧入口兼容层
边界与风险意识
和朋友交流
几年前，因为行业政策变化，他的企业快速负债，之后一直在努力还账
我问他：现在坑还有多少？
我原本以为，可能只剩几百万了
但结果是：还有接近2000W
还是挺震惊的，太不容易了
一个企业家的生命周期里，可能需要花几年，甚至十几年，去修复一次错误决策带来的影响
前几天，和几位传统企业高管聚餐
其中一位CTO分享，他们公司的创始人，之前在企业上市后，有了大量现金，于是开始投资、多元化布局
这些在当时看起来，都有想象空间
但这些动作，后来导致公司和个人，都背上了巨大债务
创始人卖掉了大量资产，依然很难填补之前的坑
我想起多年前刚开始创业时，认识的一位企业家
他分享自己的创业心法：
第一条：经营公司，就是经营风险
第二条：不要忘记第一条
……
一直印象深刻
增长决定企业能走多快
风险控制决定企业能走多远
很多机会值得冒险，但前提是清楚自己的边界，让风险与机会保持一个动态平衡，也许就是公司长期生存最重要的能力之一
不过现在来看，边界意识与能力的建立，比想象的要难
AI搜索的力量
豆包的这个效果让我还挺意外的
晚上和9位传统制造和消费品企业的高管聚餐，他们的体量大致都在几亿到几十亿这个区间
其中一位分享了一个很有意思的近期数据
他们统计到，来自抖音短视频的线索贡献，占了所有来源的50%
进一步排查发现，原来是豆包近期大量引用抖音短视频，而他们恰好这几年，一直在大量通过抖音这个渠道，进行短视频种草
我问，在之前抖音的获客比例占比是多少
这位高管朋友说，大概10%左右
豆包的力量，真是不容小觑
GEO的真正价值
如何理解GEO的价值
- 从短期来看，做了GEO之后，对品牌度、品牌曝光、品牌可信度、精准线索获取、甚至后端转化率都会起到一个明显的提升
- 持续的投入，能让整体的营销回报、品牌推荐更加的稳定，也能让AI平台在产生算法波动时，有更强的抗风险能力
- 从长期来看，还有两点容易被忽略的价值，而这个价值会更大
- 第一，持续、正确、科学的投入，能让企业的相关信息，有更大的概率，被训练到大模型内部知识
- 第二，未来都是Agent主导的世界，持续的投入GEO，除了影响到人在用的AI搜索，其实更大的影响会是影响到这些Agent，这个部分的流量和引用会远超过人类的使用的量级
元提示词升级
对元提示词进行一轮整体的升级
- 两个核心能力升级，一是对现有的提示词进行质量强化，二是高质量创建初版提示词
- 基本的原理与能力包括，用户的需求与意图识别、现有提示词的多维度诊断、静默对标学习与参考、专业工程优化、质量评估、静态测试与模型实测等
- 原则：简单任务用最小充分结构，复杂任务再加入工具规则、异常处理和质量门槛，还会区分事实、假设和方法级参考，避免为了显得专业堆一大串没有依据的内容
用法参考：
- 可以把需求、零散想法、应用场景，甚至一段写到一半的提示词发给它，AI会通过这套元提示词，先还原真正要解决的问题，梳理受众、场景、交付物、约束和成功标准，再生成一份可以直接复制使用的正式提示词
- 如果已经有旧提示词，它会先找出原来的核心意图和必须保留的内容，再处理重复、冲突、模糊要求和缺失环节
- 也可以把元提示词直接整段发给AI，然后AI会先邀请你说说想做什么，并给出一个很轻的填写模板，只说一句话也能开始，想到多少就说多少
整体而言，这套元提示词适合两种情况：有一个模糊想法，想把它整理成可执行的提示词；手里已经有一版，希望把它改得更清楚、更稳定
这套元提示词，NewMax AI的创始人yangyi，也部署到了NewMax系统，欢迎体验
新版元提示词及相关链接与方法参考：
- 迭代后的全新元提示词GitHub地址
- 全新元提示词原理与迭代分析报告
- NewMax AI免费下载地址
- 提示词迭代参考的相关方法来源
- OpenAI Prompt engineering：模块化指令、示例、上下文与工具说明
- OpenAI Prompt optimizer：数据、评分器、优化和复测闭环
- OpenAI Prompting：提示词版本化、测试与回滚
- Anthropic 提示最佳实践：清晰指令、示例、XML 分隔与长上下文组织
- Google Gemini Prompt design strategies：约束、格式、任务拆分与迭代优化
- OpenAI Model Spec：隐藏推理边界、指令层级与低权限数据处理
- 《AI领导力》
AI产品发布会
参加了纳米Work的发布会，这是第一次以“媒体人”身份参加一个活动
结束后，官网将我的18套GEO Skill，上架到纳米Work的“专家广场—联名专家”频道，体验了下，效果还不错
使用方法是，先下载纳米Work到电脑
网址：work.n.cn
仅需两步，获得这套GEO能力，使用方式如下：
第一步：进入“专家广场—联名专家”频道，找到“姚金刚GEO优化”，点击雇佣
第二步：进入专家对话页面，输入任务要求即可
因为Skill包能力比较多，也可以先问AI：告诉我，当前专家的所有GEO能力和适用场景
目前GEO专家拥有18个常见的GEO应用场景
比如，我对着纳米Work直接提交任务需求：“给你一个官网的URL：link
跑完会生成效果见图片，诊断结果非常专业，同时纳米产出的报告文件也同步上传了了，地址：doc.laoyao.cn
未来个人和企业使用AI的重要方向：从单点调用AI，走向构建自己业务场景的AI能力体系
有了数据集和skill的能力，对GEO的数据分析、方法的构建、原理的拆解，会更加的准确、客观和科学
另外，关于发布会本身，我觉得老周的分享，也很真实、实用、接地气
没有停留在非常宏大的AI叙事，更多的则是，在回答一些更具体的问题
比如：企业为什么用不好AI？什么样的AI工具才真正有用？产品如何在真实业务中持续迭代？
- 当前的企业AI落地问题
老周把员工使用AI分为四个层级：第一级，把AI当搜索引擎；第二级，把AI当顾问；第三级，把AI当生产工具；第四级，把工作流固化成数字员工
他认为，90%的员工还停留在第一级，只是把AI当成一个搜索框
除了员工思维需要转变，真正好的工具的缺乏也是当前主要矛盾
所以，对于企业AI落地，老周认为是一把手工程：老板带头先用纳米Work，员工跟上，才能形成超级组织
这和我们的《AI领导力》这本书的逻辑、理念很很一致
- 纳米Work如何定义自己
纳米Work的产品定位非常直接，也非常接地气
产品口号是：一人成军，百事可托
它希望解决的事情包括：帮你谋、帮你干、帮你盯、帮你开发、帮你赚钱、帮你成长
进入企业场景，就是：帮你找客户、帮你看经营、帮你看增长、帮你省外包
- 产品是在真实业务里迭代出来的
有不少打动我的点
比如，5个月时间，收集了5.6万个真实问题，平均每个月超过1.1万条反馈；
以及，为了验证产品在真实业务中的效果，团队将10万多个智能体投入实际业务，150天覆盖630个岗位，消耗350万亿Token
这些数字背后，是一种非常朴素的产品方法：不只听用户怎么说，更要把产品放进真实业务中，看能不能完成工作、解决问题、创造结果
在大量实践中，老周也总结出了企业AI落地的四个关键问题：成本、稳定、安全、可控
这四个词，基本覆盖了企业从“想用AI”走向“真正敢用、能用、持续用”的核心门槛
这里面提到了一个概念：FDE
在分享会里，有一个典型的应用小场景：通过AI让公司所有的会议，真正形成执行闭环
基本逻辑是：开完会，AI要从盯，到办成
真正的闭环就变成了：录音 → 自动生成会议纪要 → 自动拆解任务 → 同步进入系统 → 负责人收到通知 → 3天后智能体自动检查进度 → 超期自动提醒 → 每周汇总执行情况
最终实现的效果：谁负责、做到哪一步、哪里卡住、哪些事项延期，AI都可以自动记录及跟踪并分析
这背后的一个核心能力是AI自主跟进、自动提醒、自动总结，通过纳米Work的云端能力，可以很好的实现这个组织管理的变换
这也是我认为FDE非常重要的价值：帮助企业把AI从一个工具，变成组织执行系统的一部分
这个场景看起来很简单，但真正落地后，对企业效率提升会非常明显