🔥前言h1

在AI爆发的同时感觉播客也爆发了，我自己听播客也多了起来。

播客多数以对谈方式展开，与新闻采访不同，播客更显得“随意”， 嘉宾之间往往是围绕一个感兴趣的话题互相挖对方的思考，类似于“私聊”的形式，没有观众盯着，也更容易打开话匣子 “说了不该说的或者聊过头了”，这对于听众是个好事。

目前听了近150h播客（2025-12-20），再回看已听过的发现有些只记得标题，光听了或者在听的时候有了思考没及时记下，听完了忙别的去了，浪费大脑算力了hhh。 所以就有了这一篇博客，从现在开始我听的新的播客内容，如果我觉得有所收获和思考，我就会写写画画。

🤖趁热聊聊 — 人形机器人是产业革命还是概念坟场？h1

• 🔗【趁热聊聊】人形机器人是产业革命还是概念坟场？

人形??

工业场景：精度、效率 如果要做人形机器人，最好要保证现阶段商业闭环赚钱

吃饱饭让企业先活下来然后同步布局人形机器人。特殊场景机器人与人形机器人两个方面前者是在场景化下实现效率最大， 后者则是在未来AI能力足够的条件下生产更符合“人味”的生活模式，例如老戴说的门把手的设计、按钮的设计，如对于没有手的AI机器人则很难理解产品按钮设计的大小和按压力度。 目前的设计是从人的生理结构出发的，如果制造的机器人符合人味，将来加上智能自动迭代，迭代出来的东西才能更利于人来使用

AI落地的应用

• ToB：ToB的需求多是从产线内痛点产生，而非市场主动出击去告诉企业问题。 做过ToB软件业务的应该比较好理解这个，因为对于企业内部的需求，作为第三方公司是很难从外到内去提取痛点的， 所以就需要那么一个“脚踩两条船”的人，既懂内部业务问题又理解AI，去推动AI转型这项任务。 而目前的现状有点类似于“软件外包”的变体“AI外包”，恰恰是正处于一个转换期，需要一个过程让这些做转型的人冒出来， 真正的让AI在业务场景下发挥能力，而非是在原本的“产线长脚本”基础上进行续写， 而是要将“产线长脚本”变为可自调整自适应的自动化流程。另外企业要拥有为AI发展做提前准备的战略眼光， 趁早布局，AI的能力具有一个等待期，在等待期结束后谁准备好了训练数据和铺设好了生态谁就更容易在自己的产品上让AI发挥的更畅快

AI企业哑铃结构

大公司做AI基建，小公司在AI基建基础上利用前者提供的各项能力进行生产应用的组建， 大公司如果要深入到各个业务场景下反而会变得低效，应该提供足够的工具和场地，让接触应用的小公司去“一线”而不是大公司亲自深耕。 从百度的合作方式中能看出两条路径：1.纯外包，有需求帮助解决，开方子 2.咨询+陪跑，去现场识别问题

产线就是一个经过精密调优的流程巨长的脚本，任何要做AI转型的公司都需要提前的数据准备，做战略前置

🐦42章经 — 对谈 Dify 创始人路宇h1

• 🔗Dify 从被低估到成为明星项目，到底做对了什么｜对谈 Dify 创始人路宇

正在听~

原来Dify不读 difai ？应该读difi ？！

🐦42章经 — 对谈Palona AI联创仁川h1

• 🔗组织能力才是 AI 公司真正的壁垒 | 对谈 Palona AI 联创任川

用Ai重构研发工作流的经验

• 尽量让AI承担所有工作，人编写代码要有充分理由
• 只要有SOP就没有Claude Code完成不了的事情
• 每个人都从始至终独立完成工作，减少人与人之间的直接交互

AI时代需要什么样的人才？

• 人是Context Provider，要转变一个观念，是人为AI提效而不是反过来，往往人会导致AI效率下降
• Faster Learner，能迅速掌握最少必要知识，有效的与AI沟通。能将问题描述清楚定义明白其实基本上AI都可以解决
• Hands-on Builder，End-to-end完成整个工作流程，对最终结果负全责

AI Native的组织与分工

• 按结果而非流程分工，工程团队直接负责科研、产品、设计和市场推广，不存在所谓的前端后端，而是直接挑起一条线
• 工程团队和其他团队的配合是工程团队优先做到60-80分，其他团队负责提升至80分以上
• 未来的组织架构将转变为少量核心合伙人与灵活合同工相结合的模式

一些Q&A

• Palona AI现在有没有PM？
  • Palona AI暂时没有全职PM，未来可能没有Engineer大家都是Builder
• 硅谷对AI Native的组织形式达成共识了么？ 现在的AI Native的分工形式可能不会是未来分工的唯一解法，但未来的分工大概率是和现在形势很不一样的
• 大厂是不是很难转型成AI Native的组织形式？
  1. 大厂内部的小团队可能会是这种模式但是整体做这种变更肯定会很困难
  2. 未来可能不需要特别大的公司了
• AI有能力处理复杂的历史代码吗？
  • 要看你的context构建的能力
• 除了AI coding还有什么应用？
  • 市场化商业化部分用的很多，以前客户可能需要接触公司里的好多人，但是现在不需要
• 怎么招到并激励AI人才
  • 不会坐下来进行一个小时的面试而是留一个命题留两天时间，一定是需要利用AI才能完成的，在完成之后一块来讨论

【任川在节目中提到的工具&文章】

CodeRabbit：AI Code Review 工具，可以把一次代码审查的时间从 1-2 天缩短到 10 分钟

Linear：AI 项目管理工具，在其中创建任务后，可自动分配给 AI 生成代码

Devin：华人团队开发的 AI 编程工具

incident.io：日志分析与告警工具，可覆盖近一半的运维工作

刘小排公众号 @刘小排r：大家可以去其中学习下他使用 Claude Code 的方法

🪙AI炼金术 — 对谈 BISHENG.ai 创始人覃睿h1

• 🔗帮 10000 家企业 AI 转型落地，我们找到了 4 大场景 | 对谈 BISHENG.ai 创始人覃睿

BISHENG是什么？

• 主持人的定义：开源的更加企业级Dify
• 覃睿的定义：开源的agentic worksapce平台，比Dify更ToB

开源的好处有哪些？

1. 快速得到反馈
2. 商业价值：企业服务获客
3. 自主性更强

💗BISHENG在做的最核心的四个方面：

1. 问答类： 处理企业非结构化与结构化文档，根据文档回答问题。 芯片制造企业有需求是把SDK文档放在里面了，SDK的代码是不允许出错的，所以给每一个SDK做了一个ID，给答案的时候给的是ID，再加上本身是有reference的，所以会降低直接给代码出错的概率 偏客服类的场景：以QA库为基准来回答用户问题，通过多轮引导找到用户真正的问题并且回答，且在这个过程中可以积累QA，如果回答不了转人工回答 共享知识库：专门就当做知识库来用了，用的没有那么深
2. 审核类： 其实就是文件审核，里面比较多的就是合同审核 例如金融类会做消费者保护审核：营销材料，产品介绍；违反广告法，政治敏感，各个维度。这里面会有一个现象就是其实他们自己之前是没有梳理过的，并且对大模型将信将疑，这里面就是会发生 做了第一版可能叠到第五版只讲了20%的内容给我们，所以在第5版之后需要重构一下，再甩掉一些历史包袱，根据最新的和最全面的业务逻辑重新梳理他的整个实现，很多低代码平台和workflow的东西 的价值其实也是体现在这里，业务其实对需求不明确，拿着这个去打磨这些事情。
3. 写报告： 国央企：规划、汇报、季度、年度 向外的报告： 金融机构：研报、债券证券报告 银行：竞调报告 交通规划：交通规划报告，事故报告 比较套路，其实就是做了一个在线的模板，然后里面每个空怎么来填，作为一个变量引进的形式。目前欠缺的地方就是填写的溯源和验证 炼金术例子：写memo
4. 问数： auto SQL -> 不能错，比较难。需要数据治理水平高，并且统一某些地方达不到百分百 做各种索引，避免联表查询 表关系比较混乱、表的字段可解释性没那么高了，涉及字段的人不在了已经

客户使用最高频的应用：

1. 问答类：基于知识库的问答场景
2. 情报类： 作为一个央国企，他们的各个部门，每天关注的就是我对口的这个部位又发了什么新的要求，我需要去内部怎么调整，内部需要做什么样的教育工作 上边说了，下面要去做内部的宣贯的一些材料，这个就是每天他们打开对应网站去看。那我们希望说你直接自动爬下来，然后里面那些和部门是有关的 自动帮助过滤出来，除了部委外还有公众号，比如一些做科研的会把论文库接进来

覃睿认为的Agent的四个阶段：

1. 玩具阶段：发烧友在玩
2. 逐渐开始落地阶段：业务人员开始用了
3. 垂类Agent落地：
4. 数字员工

技术不能着急，即使是技术突变，那么在落地也得需要等一等

这句话我觉得很有道理，一个技术的发展势头很猛并不意味着可以迅速的铺开，新技术从出现到绝大部分企业相信再到落地是需要时间的。技术可以突变，但是技术的场景化落地不会。当然以后也说不准hhhh

🔫王自如AI & 电丸科技AK — 闲聊局h1

• 🔗直播回放｜与@电丸科技AK闲聊局

从播客里才了解到原来王自如在格力有绝大部分的工作是负责格力的数字化转型，在播客的后段部分王自如看到弹幕有人在聊数字化相关内容于是敞开讲了讲，其实挺喜感的，有一天还听王自如聊起了这个

王自如认为的企业数字化的四个阶段：

1. 最早的数字化是使用上数字化工具，例如用了表格
2. 上一些垂直的系统，然后开始搞全链路线上化
3. 数据数字化-数据分析
4. 上AI，通过数据沉淀进行训练，实现智能化决策

其实AI转型对于企业内部是一次“改革”，但是王自如说格力的人并不反对，但是对于具体原因他没有回答。

在企业中要做数字化转型就需要找到这么一个人这个人一定是双面手，一边懂数字化相信数字化，一边又懂业务。

数字化是不是把不同业务环节单独做数字化工具？

这就会形成孤岛效应，不同业务系统之间互相不沟通，就没办法形成链路效应，就没有综合建模的价值，没有交叉对比的价值，这个时候你的数据就一点用也没有。还有更致命的就是不同系统是由四个团队不同的来做的， 大家对于指标的定义都不一样，指标的起点和终点都不一样，做完数字化之后就要做大量的指标管理白皮书，这个白皮书会成为整个业务链路中所有部门里面的共同参考的标准，不一定会有人看，但是当产生争议的时候可以一锤定音。

王自如对于核心软件的解释：

• ERP：企业资源计划，（并不是单纯的财务软件或者内勤后台用的软件）“ERP当数据库就行了，进销存都不要做，保证数据是干净的结论的，可用的就可以了”
• TMS：交通物流管理，协调交通流量、物流配送等
• WMS：仓储管理，协调库存、库存移动、库存查询等
• MES：生产管理，协调生产计划、生产过程、生产质量等。制造业产品，预研-投产-退市，在整个研发团队包括内部的全链路研发管理的时候，你肯定要密切检测公司的整个产线，在这个管线过程当中，什么时候哪个产品要准备投产那么一定要和MES要匹配，因为这跟供应链原材料给你的开模建模工艺流程调优是有关系的，所以说你要确保这个产品准备进入lify cycle 上市周期之前，工厂要有正确的工艺ready供应链要有正确的材料要进流程工艺要跑通保证良品率高

不要去给这些软件不停的做定制化开发和定制化插件，臃肿会导致效率下降

😇我们有救了 — 脑科学专家黄翔h1

• 🔗第一期 | 【正片】脑科学专家黄翔 x百克力 你与你的“大象”朝着同一个方向走，力量是非常强大的！

大脑喜欢被欺骗

• 健身的时候想象自己的肌肉像山⛰️一样hhhhh

无意识系统

• 无意识系统是优先于有意识系统的
• 大部分的行为都是无意识发动的
• 可以开发自己的无意识系统，明确自己的目标，并且不断告知自己这个目标

高能量人群 & 走出内耗

• 并不存在绝对高能量的人
• 觉得特别累大概率是在做不符合内心目标的事，不是自己想做的

思维脑和情感脑

• 酒精会麻痹思维脑，所以喝了酒之后往往情感脑会占据上风做一些好玩的事
• 情感脑上来的时候人会比较敏感，情感问题可以通过书写来缓解，书写是会调用思维脑，在写的时候会潜意识梳理框架
• 缓解情感问题现在也可以借助AI来做，例如和豆包来一个语音对话，在描述事件内容的同时可能就会发现事情并不是那么无解

图书推荐：《象与骑象人》