写了 30 年程序，中间跑去做月嫂创业，以CTO身份把一家月嫂公司做到全国第一，现在回来帮企业把 AI 真正落地。 在服务客户的过程中我发现 大部分公司不缺 AI 工具，缺的是能证明“这系统真的在干活”的人，缺的是“如何识别AI干错了”的人 我开始给自己记账。 我和 AI 的每一次协作——Codex、Claude Code、DSH，每天所有会话——自动汇成一份“可复核的账本”：原始对话现场 + 纯事实摘要，从6月1日开始。 哪天翻了车、哪个判断被推翻、哪行代码上了生产，全部可查。 当然还顺便让 AI 更加了解我自己，那就干错做了一个自己的分身小助手“小明同学”，每天提醒我该干啥了，没想到这玩意现在叫 Personal Agent 顺带开源： 🦞 PicoClaw ( github.com/sipeed/picoclaw ) 的 Core Maintainer（sipeed 的边缘 AI agent 框架） 🛠 wxview ( github.com/ai-daming/wxview )，一个微信数据工具 🎯 ClickVibe ( github.com/ai-daming/clickvi… ) ，一个基于 DSH 的开发工作台，尝试更多的解放自己的注意力 接下来在这里用中文写三样东西： FDE 交付现场：企业上 AI 卡在哪、怎么验、怎么翻车 Agent 实操数据：多 agent 编排、账本统计、真实的翻车合集 对行业热点的一手判断——只写亲手验证过的 不卖课，不搬运。 觉得“可复核”这三个字有意思的，建议关注我

看了个演示，有点东西。Builder 开源了个框架叫 Agent-Native，解决的事特别日常：让 AI 做了个 PPT，你想自己改两句，改完再叫 AI 继续改。 大部分产品到这一步就断了：你手改的内容，AI 看不见。它接着干活用的还是它自己那版，想让它知道，你就得用文字把改动重新描述一遍，等于同一件事干两遍。 这个演示专门验了这个：AI 改的是你正在看的这页，你改的标题还在，你挪的顺序也没动。都在，它才是在接着你的版本干活。 而且它的 AI 元素都长在原本的流程里：选中一句话，“改这句”的入口就在手边弹出来。该是按钮的时候是按钮，该是对话框的时候才是对话框，没有单独给你一个“AI 助手”让所有事绕着它转。 我判断 AI 原生不原生，有个简单的办法：把 AI 的部分拿掉，看这个流程是不是本身通顺、只是缺了点什么。缺，AI 是顺着 common sense 长出来的；拿掉没影响，就是硬塞的，为了 AI 而 AI。 开源的，原视频在下面。 youtu.be/jouKaJ4qlAg

看 a16z 那期对谈，Grepr 的 CEO 说他们 10 个人用 Claude Code，一个原本要做半年的项目，一个人 10 天上生产。很猛，但这不是重点。 重点是后面那句：AI 能写代码，不等于能让系统一直跑着。这俩是两个东西。 写代码拼的是语法，全人类写过的代码都在训练集里。系统能不能一直跑，看的是真实流量、配置、还有一堆没人见过的故障状态——这些不在代码里，模型没见过，只能靠生产环境喂。 所以他们没走“出了事故再倒查原因”那条路（基本查不出来），反过来：先用确定性规则盯日志里冒出来的新动静，发现不对再让 AI 猜原因，一个个验证。他们有两次没理会这预警，后来都真成了线上事故。 最真实的是卖法：讲“AI 帮你更可靠”，客户没感觉；讲到“帮你省 90% 的 Datadog 账单”，客户当场说我就买这个。 咱们做交付的对这个应该很熟：客户从来不买“功能生成了”，买的是“系统一直跑着、账能算得清”。所以承诺落在可运行和可算账上，AI 排障这种概率性的东西当增值项，别写进硬承诺。 原视频：youtu.be/blkIGLlZePg

DeepSeek V4.1 flash 1017 一句话出视频 你要不要做一个视频，就好像 opus5.5 那样，表达一个电梯的工作原理，带配音和背景音乐的

Personal Agent 的意义 - 节省注意力 - 更好的意图理解 - 背后默默的把能做的事情做了 - 识别需要提醒我的时候才提醒，不要没事就骚扰

开发自己的个人助手时，我重新想了想“主动性”。 查了 Dots、Today、Muse、Instinct、Grok Bot 和 OpenClaw，再拿一个月嫂邀评的场景来拆：什么时候开始工作，接下来做什么，什么时候告诉用户。 我现在更看重：它能不能把一件事持续照看到结束。

在给可以做现场交付 Agent 的时候，由于行业的特征，法务遇到的问题就是如果保障合同的安全性。 作为 FDE 的现场试试，最好的方式是，从合同中分析出来需要的内容，如什么时候需要入场，携带什么交付物等。付款也是体现在百分比，或者人工/系统确定是否已交付即可。 敏感数据不要碰，信息抽完马上把合同删了。 客户担心这些敏感数据泄露，其实我更担心没干数据泄露。没有合同，没有数据，我就不会泄露了

我一直坚持用大家平常最熟悉的沟通方式来和 Agent 互动，只有这样用户的操作成本才最低，而收益则可以逐步放大，让用户先用起来再说 对于国人来说就是微信。群则是一个天然的推广渠道，一些重要的、私密的、稍微复杂的引导去私聊解决 月嫂都能把 Agent 用起来，这才是对的路子。 Instinct 的成功证明了我的判断

今天一个朋友找我问我还要不要人，她弟弟刚刚毕业，想做一些和AI贴近的开发的事情。不要钱，免费实习，打杂也行 还是被我婉拒了，现在我更愿意带着 AI 干活，尤其是开发相关的活 我不用提供情绪价值，不用考虑时间，不用教 AI 什么是好的方法，甚至他还总能给我挑错 那我为什么要带一个新人呢 我们当年是师傅不得不带我，现在是真不带人，我身边的老家伙们都不愿意带人，而且还都焕发了第二春 同时，这个也是现在的年轻人很惨的状态，论经验、体力、情绪价值、成本，哪个都干不过 AI 。 如果不能自己融入 AI ，提升自己，更不容易找到工作了

用一张双轴图，把工程投入和业务价值对齐。 横轴：次抛 → 生长 → 产品
- 次抛：快速拿结果（验证价值）
- 生长：开始复用、开始沉淀（可扩展）
- 产品：可持续交付（配置化、可运营、可被多人使用）

纵轴：单次成品 → 自动化 → 7×24
- 单次成品：人工跑一次，有结果就行，错了再跑
- 自动化：定时/触发跑起来，有基本校验、产物留存
- 7×24：无人值守稳定运行，能重试/降级/告警/追溯

三个关键落点：在哪个点就该投入什么级别的“架构”

① 左下（次抛 × 单次成品）
适合：一次性分析、快速验证、临时脚本、PoC
架构重点：别过度设计，但一定要有最小契约（输入/输出字段别乱、关键假设写清楚）。
✅ 允许粗糙实现；❌ 不允许结果不可解释。

② 中间（生长 × 自动化）
适合：每周都要用的报表/分析、周期性同步、可复制的运营动作
架构重点：开始工程化：schema 固化、校验、幂等、重跑、日志、产物留存、最小监控。
✅ 能稳定重复产出；❌ 不能靠人盯着跑。

③ 右上（产品 × 7×24）
适合：规模化系统（群发/客服/风控/运营中台/数据管道）
架构重点：边界与配置化 + 可观测性 + 失败策略：权限审计、告警、降级兜底、版本演进、回滚、SLA。
✅ 多人可用、可运营、可持续迭代；❌ 不能“只有我能改”。

怎么判断业务里一个东西该落在哪？
Q1 - 频率：一周用几次？（高频 → 往上：自动化）
Q2 - 风险：错一次代价多大？（高风险 → 往上：7×24）
Q3 - 复用：会不会扩到更多场景/团队？（高复用 → 往右：产品化）

频率决定自动化，复用决定产品化，风险决定7×24。

每次升级只选一个方向：要么“往上做稳定”，要么“往右做复用”，不要一起做

不再纠结“要不要做架构”，而是先回答：它现在在哪个坐标？下一步应该往哪迁移？

做事情单点效率不会差到哪，协同才是最低效的。 做数不难，难在能统一数据标准； 做数不难，难在从别的系统/部门把数要来 AI 能解决大量摩擦的问题，以后必然解决组织的问题 效率提升量变导致质变，然后成为新物种

#PicoClaw agent refactor in final steps.

PicoClaw is entering an Agent refactor window. Minimum concepts only. Non-refactor Agent PRs are paused for now. github.com/sipeed/picoclaw/i…

MCP comes to #PicoClaw! 🚀 Now you can extend your AI agent with Model Context Protocol servers. Connect to any MCP-compatible tools, databases, andAPIs seamlessly. github.com/sipeed/picoclaw #AI #MCP #OpenSource #LLM

🦞🦞🦞

今天看到一个分析各种 Claw 的项目，除了 OpenClaw 不算，好像只有 #PicoClaw 在认真花精力在底层的基本功下功夫