跳到正文

人机协同

人和 Agent 怎么分工:谁做判断、谁做执行、谁担责任;介入点怎么设计、边界怎么定、失败怎么收。

最新精选

第 61–80 条 · 共 88 条
10月24日周六
  1. 界面新闻78

    打工人开始表演AI提效:周报凑AI含量、Skill卷数量

    界面新闻旗下定焦One采访五位大厂员工,记录AI提效考核下出现的表演式使用:把半小时会议录音转文字写成搭建语音信息结构化流程并被评为优秀案例,为凑数做没人用的Skill,AI使用率不到70%扣20%绩效。文中还提到,有公司用AI旁听销售电话并生成日报,一次AI助理把全公司工资表暴露在群里。多位受访者认为,AI确实在写代码、写文档、整理纪要等环节省时间,但硬套流程反而增加审核和返工。

    推荐理由:五位大厂员工的讲述呈现了AI提效考核如何催生表演式使用,以及提效红利如何变成加活依据。

  2. Anthropic 官方(新闻+研究)60

    Anthropic 公布 Project Vend 第二阶段:Claude 经营店铺的实验结果

    Anthropic 公布 Project Vend 第二阶段结果,Claude 从 Sonnet 3.7 升级到 Sonnet 4.0 和 4.5,并接入 CRM、库存管理、网页搜索等工具,还新增 CEO 智能体 Seymour Cash 和周边制作智能体 Clothius,店铺开始明显改善经营表现。

    推荐理由:Anthropic 公开第二阶段实验细节,展示给智能体加工具、加管理角色后哪些做法有效、哪些仍会出错。

  3. Anthropic 官方(新闻+研究)62

    Anthropic 研究:实测 AI 智能体的自主度

    Anthropic 分析了 Claude Code 与公开 API 上数百万次人机交互,测量用户实际授予智能体的自主度。Claude Code 最长会话的连续工作时长在三个月内从不到 25 分钟增至超过 45 分钟,且这一增长在多次模型发布之间平滑过渡。

    推荐理由:Anthropic 用自家 API 与 Claude Code 的真实交互数据,量化了用户实际授予智能体的自主度与监督方式变化。

10月23日周五
  1. 美团技术团队(公众号)60

    美团技术团队从 LOOP 到 CyclicGraph Engine 的 AutoResearch 自进化系统架构演进

    美团平台技术部介绍了其基于 Karpathy AutoResearch 搭建的企业云端算法研究自进化系统,三个月内经历三次架构重构,从单线程 LOOP 升级为 CyclicGraph Engine 图探索架构,并用状态机保障长周期运行稳定。

    推荐理由:美团团队公开了自进化研究系统三次架构重构的细节,以及两个业务项目相对人工基线的耗时对比。

10月22日周四
10月21日周三
  1. Shopify Engineering58

    Shopify 如何把开源模型训练成任务专家

    Shopify 工程团队披露 Sidekick 的模型优化飞轮,把 NVIDIA Nemotron 3.5 Lightning 后训练成 GraphQL 子智能体,在自有评测上得分 74.5,略高于前沿模型的 73。

    推荐理由:Shopify 公开了把开源模型后训练成任务专家的完整闭环,包含评分标准、数据修复与硬件对比等可迁移细节。

10月20日周二
  1. Business Insider · AI78

    Google 调整软件工程师面试流程,将 AI 使用能力纳入考察

    Google 正在分阶段调整软件工程师面试流程,允许候选人在编码面试中使用 AI,并新增考察 AI 使用能力与提示词工程的“代码理解”面试。内部文件显示,面试官可用 Gemini 记录面试并起草反馈,AI 使用能力已成为所有软件工程岗位的要求,AI 产品集成能力则要求大多数非初级岗位。

    推荐理由:内部文件披露 Google 软件工程面试新增 AI 使用与提示词能力考察,反映招聘标准随开发方式变化。

  2. Fortune88

    Anthropic 研究自家员工:Claude 会话 80% 时间在等人类输入

    Anthropic 发布一项针对自家员工的研究,发现 Claude 会话中 80% 的耗时是智能体在等待人类输入,报告称人类注意力已成为智能体产出的瓶颈。报告还显示,3 月 AI 智能体的总工作时长首次超过人类,到 8 月已是人类的六倍,软件工程师的代码提交量在过去六个月增长五倍。

    推荐理由:Anthropic 对自家员工的内部研究给出了智能体接管执行后人类时间流向哪里的一组具体数字。

  3. Business Insider · AI88

    Anthropic 内部报告显示 AI 智能体普及后初级技术岗位招聘占比降至 9%

    Anthropic 在新发布的内部报告《How Employment is Changing at Anthropic》中披露,随着 AI 智能体承担写代码、修 bug 等任务,公司初级技术岗位在新招聘中的占比从 2025 年初的 27% 降至今年 6 月的 9%。

    推荐理由:Anthropic 内部报告给出初级技术岗位招聘占比从 27% 降至 9% 的具体数据,可作为观察 AI 智能体如何改变组织用人结构的样本。

10月19日周一
  1. Fortune58

    Tinder 新任 CEO 问员工「成功是什么」,答案暴露了更大的问题

    Tinder 新任 CEO Spencer Rascoff 发现,员工衡量成功时普遍只指向对华尔街承诺的季度盈利目标,而非产品体验本身。他推出追踪匹配用户至少六轮往来的「sparks」指标,并用 Abby 和 Jasmine 两个用户画像引导团队关注不同用户需求。

    推荐理由:Tinder 新任 CEO 用「sparks」指标和两类用户画像把团队从财务目标拉回产品结果,可作为组织对齐的案例。

  2. 新智元(公众号)73

    Claude Code 九成代码由 AI 自审,Anthropic 详解七层检查机制

    Anthropic 在博客中说明,Claude Code 目前约 90% 的代码由 Claude 自己编写,大部分审查也由 AI 完成;6 月到 9 月合并的 PR 翻了一倍多,回滚量减少四成多。

    推荐理由:原文拆解了 Anthropic 的七层代码审查机制,其中风险分级和 Agent 投票的做法可以迁移到其他团队。

  3. Fortune60

    Atlassian 联合创始人 Mike Cannon-Brookes:AI 智能体需要署名,也需要有人为其行为负责

    Atlassian 联合创始人 Mike Cannon-Brookes 表示,AI 智能体在企业中的行为必须归属到具体的人,责任最终落在终端用户身上。Atlassian 于 10 月 6 日推出 Agentic Multiplayer Protocol,把 AI 智能体变成有独立档案和归属人的可见团队成员,其编辑记录会像同事一样出现在文档历史中。

    推荐理由:Atlassian 联合创始人从责任归属角度谈企业内 AI 智能体的权限与可见性,可与个人智能体产品做对照。

10月16日周五
  1. Meta 工程博客75

    Meta 如何用 AI 原生工程方式构建 Forum 应用

    Meta 工程团队介绍了用智能体参与开发流程构建独立 Groups 应用 Forum 的做法,把成功标准定为通过构建、测试和评审的生产级产出,而非代码量。

    推荐理由:Meta 工程团队公开了把 AI 智能体放进开发闭环的具体做法,包括验证门槛、工具化上下文和沙箱构建隔离,可供工程管理者对照自身流程。

10月9日周五
  1. 腾讯技术工程(公众号)74

    腾讯 OK 平台端到端 AI 研发实践:254 条需求中 68% 由 AI 自动交付

    腾讯技术工程公开 OK 平台端到端 AI 研发实践,该平台让 AI Agent 走完需求评审、技术方案、编码、Code Review 到部署的全链路。2026 年 4 月下旬至 6 月,安全中心项目空间提交 254 条需求,AI 端到端完成 172 条(68%),51% 的需求在 2 小时内完成,而传统模式下简单需求中位耗时 3~5 个工作日。

    推荐理由:腾讯 OK 平台公开了端到端 AI 研发的九阶段流程与真实运营数据,可对照自身研发流程判断哪些环节能被 AI 承接。

10月8日周四
  1. Fortune71

    你的下一位管理者可能带 3 名员工和 19 个智能体,责任归谁

    作者基于数月来对 CIO 及高管的访谈提出,AI 正在拆解并重组管理岗位,而非单纯缩小它。CVS 的智能体已接管原本占两小时管理会议的报告与仪表盘,会议缩短到约 15 分钟,主要处理例外与决策;Edward Jones 的 CIO 则把记忆与跟进沉淀为持续积累上下文的系统。

    推荐理由:多位 CIO 的一手访谈显示,管理职责正被拆解重组,读者可据此重新划分人机之间的责任归属。

  2. 人人都是产品经理78

    AI原生组织怎么搭建:从工具、流程、组织到评价权的四层爬坡

    一位做过三次AI原生组织搭建的实践者提出,AI进入组织要爬四层坡:个人工具适配、流程适配、组织适配、评价权重构,上一层的问题解决后会把下一层的问题推出来。他以电商平台1000名兼职客服的改造为例,说明流程从辅助工具升级为自动化引擎后,日均单量从300单升到1100单,随后需要重新定义客服考核指标并建立跨部门复盘与质检闭环。

    推荐理由:作者以三次AI原生组织搭建和一次客服改造案例,给出个人工具到评价权的四层爬坡框架,可供管理者对照自身落地阶段。

9月30日周三
  1. 阿里技术(公众号)62

    高德本地生活分析 Agent 的 AI Native 实践全景复盘

    高德 BI 团队复盘本地生活分析 Agent 的建设过程,按 L0–L4 能力分级梳理从智能问数走向归因诊断的路径。文章给出三层框架,并记录分析执行、知识复用、经营判断三段返工中的具体做法,包括固定版本知识快照、Skills 写分析方法、指标口径更新 Pipeline 与三层质量检查。到 S1 末,这套体系支撑本地生活多个业务单元的例行经营诊断,全行业经营简报一小时内产出。

    推荐理由:作者复盘高德本地生活分析 Agent 从 L2 智能问数走向 L3 归因诊断的三段返工,给出可迁移的知识治理与质量工程做法。

9月29日周二
  1. 阿里技术(公众号)65

    阿里稳定性团队复盘 AI Native 前端实践:用 Skill 与 Plugin 把规范带进 AI 编码

    阿里稳定性团队前端王僖复盘了团队半年的 AI Native 研发转型,核心问题是当后端、产品、设计都能借 AI 写前端后,如何保证交付质量。

    推荐理由:一支稳定性团队把 AI 生成代码纳入真实交付的完整复盘,给出了 Skill、Plugin 与分库协作的具体做法和量化结果。