AI項目實錄：大模型時代的職場生存局

大家好，我的新書今天上架了! 這是我寫的第一本科普小說，藉着一個職場故事作爲容器，讓大家瞭解真實的AI項目是什麼樣的。 在真實世界裏，AI項目從來不是從模型開始，也很少以代碼結束。 爲了讓不同背景的讀者都能跟上，我在書裏安排了三個遞進的案例。它們不是三個“更酷的系統”，而是三次逐步靠近真實世界的嘗試： 在第一個案例中，你會看到一個最樸素的RAG如何工作。它讓大家在不需要任何背景的情況下，直觀地理解RAG到底是什麼。 到了第二個案例，我們引進一些業務邏輯來說明：現實中的難點，往往不是模型多強大，而是RAG必須貼着具體業務來設計。它也讓讀者順便看到另一面：不是每個看起來值得做的項目都會順利推進。現實裏，項目可能因爲優先級變化、資源被抽走、戰略轉向而被按下暫停鍵。 而第三個案例則把鏡頭拉到全程：機會如何被篩選出來，團隊如何探索並瞭解業務，如何在迭代中改進系統，以及上線之前的種種準備。你也會看到爲什麼“上線”只是技術終點，而不是故事終點。 希望通過這本書，讓大家瞭解AI項目的複雜性、企業內部的真實運作方式以及AI Engineer這個角色的日常。 在某種意義上，這本書是對我過去工作的一種替代性表達。 很多發生在真實項目裏的故事，其實非常有意義，但我無法直接寫出來，因爲它們涉及公司信息、客戶場景、以及各種不適合公開討論的細節。我不想因爲一次表達的衝動，失去繼續工作的機會。 所以我選擇用這種方式把故事說出來，希望大家喜歡！ ————————— 6.22 補充 我這幾天一直在讀大家的留言，它加深了我對自己的這本書的理解。 最近看到一個讓我印象深刻的評論：“沒讀前，以爲是蹭AI熱度的流行小說，讀着以爲是卡夫卡式的荒誕題材，後來又以爲是宮鬥和職場錦囊，最終意識到這是一本信息量很大、內容信實嚴謹又有閱讀趣味的科普小說。” 我當時看到這條評論，覺得它很有意思，因爲這位讀者幾乎是把我的創作過程倒着讀出來了。 我一開始真的沒有想寫這麼複雜，我的計劃僅僅是寫一個科普故事，就是AI項目怎麼做。 但寫着寫着，我發現，只要 AI 進入真實工作場景，它就不可能只停留在技術層面。它一定會碰到人，碰到組織，碰到流程，碰到利益，也碰到每個人對自己價值的判斷。 比如當我寫到“demo 成功，但沒有上線”的時候，我必須回答一個問題： 爲什麼？ 一個 demo 如果很爛，那上線不了很正常。 可是如果它很好，大家也覺得它有用，爲什麼還是上線不了？ 我不可能隨便編一個理由，只能回到真實經驗裏去找。 然後我就發現，真實世界裏的答案，往往不是“技術不夠好”。 它可能是審批沒過。 可能是數據權限不清楚。 可能是安全和合規有顧慮。 也可能是每個人都說支持創新，但創新真的碰到自己那一畝三分地的時候，大家又開始本能地防禦。 所以你在這本書裏面可以讀到項目推進、權力關係、人情世故，它都不是我故意加進去的。 是我把故事寫清楚以後，它們自己浮出來的。 我以前學脫口秀的時候，看過一本書，裏面提到：不要坐在那裏硬想梗，而是去想生活中那些讓你有吐槽的慾望的事情，這些事情本身可能就已經很荒誕了，你要做的不是把它編得更誇張，硬加梗，而是講清楚這件事爲什麼荒誕，它就會足夠好笑了。 我寫這本書的時候，其實也是這種感覺。 我不是爲了寫職場鬥爭而寫職場鬥爭，也不是爲了寫荒誕而寫荒誕。 我只是想把一個AI項目的真實經歷寫清楚，荒誕就已經在那裏，也足夠好笑了。 大家給我的留言也印證了這一點。 幾乎沒有人留言說從這個科普里學會了知識，而是紛紛表示太真實了，感同身受。 這讓我意識到，我在科普AI這件事上做的怎麼樣不好說，但在喚醒大家的職場創傷上，我取得了出人意料的成功。 這本的評分一直在漲，未必是因爲我寫的有多好，而是現實實在是太不爭氣了。 PS：如果你發現這個補充書評比書上架時的原始留言要好，那可能是因爲我這幾天一直在學習大家的書評，重新認識了我的書。

若思這本書寫得很實在，不整虛的。它不是講AI怎麼改變世界，而是講“明天上班你該怎麼用AI”。每個章節都是一個職場場景：怎麼寫週報、怎麼做PPT、怎麼回覆老闆的刁鑽問題、怎麼用AI輔助做決策。每個場景都給了具體的話術和操作步驟，屬於那種“看完就能用”的書。我最受用的是“AI會議紀要”那章——以前開會記筆記手忙腳亂，現在用飛書+AI十分鐘搞定。缺點是書裏推薦的很多工具是付費的，免費版功能受限。適合想提高工作效率的上班族，不挑行業，都能找到有用的。

太真實了，不管是AI項目的開發部署還是推動落地的過程，都有太多共鳴了，完全寫出了我對在外企體驗到的超爛的IT架構和因爲組織、流程、文化、合規、慣性等各種阻力而產生的超強無力感。 “ 她已經打了一場又一場的戰鬥。 她在和守舊者戰鬥，爭執GenAI在公司落地的方向。 她在和公司的慣性戰鬥，試圖在荊棘中闢出一個可以讓系統落地的土壤。 她在和無處不在的流程戰鬥，在泥濘裏一步一步蹚出一條路。 ” 想自下而上以螳螂之臂去推動去改革，幾乎是不可能的事兒，你隨時可能被冠冕堂皇的合規安全和繁瑣冗長的流程審批摁在地上動彈不得，不斷妥協，直到絕望，直到你也變成一個不願發聲、自縛手腳、只願在自己職責邊界內思考的人。 沉痾痼疾大家都有目共睹，但都無力改變，觸碰到了太多既有利益和權力邊界，如文中所說，在這類企業中，系統項目的落地和應用做原型寫代碼真的是最容易的事，難的是協調資源推動上線、走各種流程審批、推動業務部門突破慣性的使用等。怎麼樣纔不會淪爲一個自嗨的工具，纔是最有挑戰的事。 文化能吞噬一切戰略，除非有自上而下強有力的變革，否則在這類企業中做創新推動AI真的是難上青天。

當技術遇見組織：讀《AI項目實錄》後的思考 閱讀時間： 2026年5月 閱讀平臺： 微信讀書 筆記數量： 50+ 條劃線筆記 一、爲什麼這本書值得讀？ 說實話，一開始被書名吸引，以爲是本講AI工具使用的書。但翻開後才發現，這根本不是一本技術書，而是一本組織行爲學+職場生存指南。 作者若思通過李可這個AI工程師的視角，講述了一個AI項目從0到1，再從1到100的真實歷程。但不同於其他技術書籍只講"怎麼把系統做出來"，這本書花大量篇幅講述"怎麼讓系統被組織接受"。 這正是很多技術從業者最缺失的視角。 我們習慣了思考"怎麼把功能做出來"，卻很少思考"怎麼做出來後能被真正用起來"。這本書填補了這個空白。 二、穿透技術的三層洞見 1. 技術成功 ≠ 業務成功 書裏有一段話，我劃線了又劃線： “系統上線並不只是’代碼部署完成’，它還必須面對組織、流程、使用場景與現實約束的碰撞。而在一些傳統行業或成熟度較低的技術組織中，這種’上線之後才暴露問題’的情況，確實仍然會發生。” 作者通過李可的項目經歷，揭示了一個殘酷的現實：很多AI項目失敗，不是因爲技術不夠好，而是因爲組織沒準備好。 書裏另一個精彩的比喻是： “文化能夠輕易吞噬任何戰略（Culture eats strategy for breakfast）。同樣的，文化也能吞噬一切AI系統。如果我們依然按照舊方式做事，上再多的AI系統也沒用。” 這句話值得每一個技術從業者深思。技術只是工具，真正的變革需要組織文化的同步進化。 2. "被認可的行爲"比"更好的工具"更重要 這是全書最讓我震撼的洞察，沒有之一。 李可發現維修工人不用"維修智助"系統時，第一反應是"系統不好用？需要更多培訓？"但導師馬庫思問了她一系列問題： “他們現在解決問題的第一步是什麼？” “這個動作有成本嗎？” “他們在選’更好的工具’時，實際在選什麼？” 答案逐漸清晰： 老工人第一步是"找人問"——這不是因爲系統不好用，而是因爲**"找人問"能建立關係、獲得認可** "找人問"的成本幾乎爲零（順口問一句），而使用新系統需要學習成本 他們選的不是"更高效的解法"，而是"更安全、更被組織認可的行爲" 書裏一針見血地指出： “組織獎勵什麼，就會激勵什麼樣的行爲。” 這個洞察顛覆了傳統的技術推廣思路。技術人最大的盲區，就是以爲"更好"等於"會被採用"。 但現實中，人們選擇工具時，考量的往往是社交關係、組織政治、風險評估，而不僅僅是效率。 3. AI是"效率工具"，也可能是"結構調整的藉口" 這本書沒有迴避AI的陰暗面。 在故事的暗線裏，公司高層一邊推廣AI系統，一邊用它作爲裁撤和重組的依據。書裏有一段話我很喜歡： “AI的角色開始發生分裂。在敘事的一端，它是效率工具，是知識助手，是降低成本的技術躍遷。但在另一端，它也開始被用作一種更現實的東西——裁撤與重組的依據。同一套系統，既在提升生產力，也在改變’誰需要留在系統裏’。” 這個觀察非常犀利。AI從來不是獨立的技術變量，它總是嵌入在組織的目標、成本結構與權力關係之中。 書裏沒有給答案，而是留下了一個開放性問題： “AI到底是來幫助員工的，還是來取代員工的？” 我覺得這個問題沒有標準答案，但它值得每一個正在推AI項目的職場人深思。技術中立只是一個神話，真正的選擇權在於：我們如何設計、部署和監管這些系統。 三、值得參考的三點啓發 啓發1：推流程前，先搞清楚"誰會因此失去什麼" 書裏李可的經驗告訴我們，在推進任何技術或流程變革前，應該先問： 這個改變影響了誰的權力邊界？ 誰會因爲當了"第一個喫螃蟹的人"而承擔風險？ 如果不用這個新流程，有沒有懲罰機制？如果用了，有沒有獎勵機制？ 組織變革從來不是單純的技術問題，而是利益重新分配的問題。 忽略這一點，再好的工具也會失敗。 啓發2：不要只做"技術正確"的事，要做"組織可接受"的事 書裏有個細節：李可想做全公司範圍的AI系統，但導師馬庫思建議她"先找一個部門試點，跑通後再擴展"。 這看起來不夠激進，但實際上是生存智慧。在技術推廣中： 先在小範圍驗證價值 找到"標杆用戶"（願意嘗試的人） 讓他們成功，讓成功被看見 再考慮擴大範圍 循序漸進比大躍進更容易成功，因爲組織需要時間適應變化。 啓發3："黃金數據集"思維——用真實案例說話 書裏講了一個很棒的概念：“黃金數據集”（Golden Dataset）。 在AI項目裏，它需要整理一份"標準問題+標準答案"的數據集，用來評估系統輸出質量。但這個思維可以用在更廣泛的場景裏： 在推進任何項目時，先收集"真實用戶問題"和"真實成功案例"。 不要自己臆想"用戶需要什麼"，而是去聽、去記錄、去整理。只有基於真實需求的設計，才能真正解決問題。 四、值得進一步思考的問題 疑問1：文化變革到底應該"自上而下"還是"自下而上"？ 書裏兩種路徑都出現了： 諮詢公司進場，靠"外部權威"強行推動變革（自上而下） 李可自己部門先做試點，靠"成功案例"吸引其他人（自下而上） 作者沒有斷定哪種更好，而是展示了兩種路徑的優缺點。這讓我思考：在不同的組織環境下，可能需要不同的變革策略。 疑問2：在技術理想和組織現實之間，如何保持動力？ 書裏李可有過一段"存在主義危機"： “在這條鐵軌上，自己似乎成了那個可以被隨時替換的、並不重要的變量。” 這是很多技術人員的共同困境：當你花了大量心力做的系統，最後發現"組織沒準備好"，很容易陷入無力感。 書裏沒有給出標準答案，但李可最後的選擇是"繼續向前"——不是因爲樂觀，而是因爲她明白了： “技術的路該怎麼走不好說，而組織的路，從來不取決於她。她會繼續向前。” 這種"接受侷限，但依然行動"的態度，值得參考。 五、推薦理由與閱讀建議 這本書適合誰讀？ ✅ 推薦給： 正在推技術項目但遇到組織阻力的人 想理解"爲什麼好工具就是沒人用"的人 對AI落地、組織變革、職場政治感興趣的人 技術背景但需要跟業務部門打交道的人 ❌ 不推薦給： 想學具體AI技術的人（這本書幾乎不教技術） 想要"5步搞定組織變革"速成法的人（這本書告訴你：沒有速成法） 建議的閱讀方式 我建議不要一口氣讀完，而是： 先讀一遍，感受故事和人物 再挑自己正在面臨的困境，對照書裏的類似場景 把劃線筆記整理成"可以參考的思路清單" 這本書的價值不在於給出答案，而在於提供思考框架。 六、一句話總結 "AI項目實錄"不是一本講AI的書，而是一本講"技術如何在一團亂麻的組織裏活下來"的書。 如果你也在推技術項目、改工作流程、或者單純想理解"爲什麼公司裏那麼多荒謬的事"，這本書會讓你覺得"原來我不孤單"。 附錄：值得參考的實踐清單（基於本書啓發） 技術推廣前先思考： 這個改變影響了誰的權力邊界？ 誰會因爲當了"第一個喫螃蟹的人"而承擔風險？ 如果不用這個新流程，有沒有懲罰？如果用了，有沒有獎勵？ 技術推廣的策略： 先在小範圍驗證價值 找到"標杆用戶"（願意嘗試的人） 讓他們成功，讓成功被看見 再考慮擴大範圍 項目設計的思維： 收集"真實用戶問題"而非臆想需求 整理"真實成功案例"作爲參考 建立"黃金數據集"思維：用真實案例評估效果 評分： ⭐⭐⭐⭐⭐（5星，強烈推薦） 適合重讀指數： 高（不同階段重讀，會有不同收穫） 寫於2026年6月16日 感謝若思寫了一本"說人話的技術書"以上由 AI 生成

一句話概括 + 閱讀定位一句話概括： 借一位科技公司空降者"李可"在汽車零部件巨頭"藍鋼實業"兩年親歷的職場故事，揭開一個AI項目從"我們要造自己的ChatGPT"到真正落地的全過程——技術從不是難點，文化和組織結構纔是。 適合誰讀： AI時代感到焦慮的職場人；想做AI落地項目的從業者、管理者；AI Engineer、售前、數字化轉型負責人；任何想知道"企業裏的AI到底怎麼玩"的人。 解決什麼真問題： 爲什麼大多數企業的AI項目雷聲大雨點小？個人如何在大模型浪潮裏"生存並升級"，而不是被"完美系統"降維成操作員？ 閱讀層級： 基礎（敘事好懂）→ 進階（組織洞察）→ 應用（AI落地方法論）。 作者自述（ruo.si）："借一個職場故事作爲容器，帶大家走進真實的AI項目現場。在真實世界裏，AI項目從來不是從模型開始，也很少以代碼結束。"本書定位是科普小說——用故事裝下AI工程與組織政治的雙重真實。 知識體系地圖全書分五部分，表面是一條"李可兩年升級"的敘事線，底下藏着三條交織的知識線： 敘事主線（基礎）：被浪潮裹挾的人 → 在舊世界造火 → 重啓 → 一個RAG項目的完整記錄 → 尾聲（從技術到組織）。從"瞳孔地震"到出任VP。 技術知識線（進階）：立項（造自己的大語言模型）→ 開發DAKE系統（企業AI系統）→ 一個RAG項目的四階段（籌備/開發/生產化/上線）→ 上線運營。這是全書硬核所在。 組織認知線（應用）：組織性幻覺 → 方法論不稀缺、稀缺的是入場券 → 激勵錯位 → 諮詢的"形式價值" → 個體價值被系統拆解。這纔是落地的真正戰場。 角色認知線（進階）：AI Engineer的日常——把模型能力封裝成能扛真實流量、權限、安全的系統，介於數據科學家與軟件工程師之間。 核心概念釋義（術語小詞典）大模型幻覺：模型一本正經地編造看似合理、實則錯誤的內容。本書的鋒利處在於反轉——人類組織同樣擅長"構建幻覺"。 RAG（檢索增強生成）：讓模型回答前先去企業知識庫"查資料"，用真實文檔約束回答、減少胡說。區別於"微調"：RAG是外掛知識，微調是內化知識。 微調（Fine-tuning）：在通用大模型上用自有數據再訓練，改變模型的"肌肉記憶"。多數企業場景先用RAG就夠了，不必一上來就微調。 POC vs 生產化：POC是證明"能跑起來"的樣機；生產化是能扛真實流量、權限、數據安全、併發與監控的系統（本書第二、三階段的核心鴻溝）。 AI Engineer：介於數據科學家與軟件工程師之間的角色，把模型能力變成能用的產品；本書主角李可的升級方向。 企業知識庫：把公司SOP/手冊/工藝文檔餵給RAG，讓AI基於"公司自己的事實"回答，而非憑空生成。 組織性幻覺（本書獨創概念）：組織在毫無成果的基礎上，搭建出"自洽、邏輯完整、流程完備、事情在取得進展"的假象。 入場券（Access）：獲取真實痛點信息的權限 + 分配資源的決策權。方法論人人都懂，這張票最難拿。 核心知識點深挖01 組織性幻覺：人類組織也擅長"構建幻覺" 原理： 大模型有幻覺（編造內容），但組織也會——在毫無成果基礎上，搭出一套看起來自洽、邏輯完整、流程完備、事情在取得進展的假象。這是全書被劃線最多的一條（熱門劃線 221+ 條）。 書中論證： 李可見過高層把毫無成果包裝成"前瞻性探索"；"曙光計劃"的每一次延誤、每一次波折，都被巧妙地定義爲"必要的實驗和迭代"，問題被輕輕挪到更有利的位置。 示例說明： 好比一個團隊季度KPI沒完成，但週報裏寫着"里程碑達成率92%""關鍵路徑已打通"——每個數字都對，結論卻是假的。組織用一套精緻的語言，把自己騙了過去。 現實映射 / 反例： 當你聽到"我們正處於探索期""這是必要的試錯"卻看不到任何可驗證交付物時，要警惕。用一句兜底檢驗：有沒有真實用戶在用、解決了真實痛點？ 沒有，就是組織性幻覺。 02 方法論不稀缺，稀缺的是"入場券" 原理： 諮詢與分析的方法論簡陋到"沒有任何神祕可言"，李可能掌握同樣邏輯，卻永遠做不出那份報告——因爲她沒有入場券：沒人向她坦誠真正的痛點，也沒人給她的分析背書。 書中論證： "方法論一直都不稀缺，稀缺的是獲取信息的權限和分配資源的決策權。" 示例說明： 你知道"減肥要少喫多動"（方法論人人懂），但只有教練能拿到你的體測數據和飲食記錄、並有權調整你的訓練計劃（入場券）。 現實映射： AI項目裏，技術人最容易卡在這裏——你設計了一套完美方案，業務部門卻不把真實痛點告訴你，老闆不批示預算。先爭取"入場券"（信任+授權），再談方法論。 03 激勵錯位：沒人因"不用AI"付出代價，也沒人因"用它"獲益 原理： 爲什麼一開始願意嘗試的人那麼少？因爲組織裏"不用AI"沒有成本，"用了AI"也沒有額外收益。沒有激勵，再好的工具也推不動。 書中論證： 馬庫思點破："爲什麼一開始願意嘗試的人那麼少？因爲沒有人需要爲'不用它'付出代價，也沒有人會因爲'用它'而獲得額外的好處。"這句話"像一道驚雷，震醒了李可"。 示例說明： 公司上了智能審批系統，但審批慢了沒人扣獎金、快了也沒人加薪——員工當然繼續走老路子，把系統當擺設。 現實映射： AI落地不能只靠"領導重視"，要把"用"和"不用"都接上激勵（考覈、表彰、減負）。否則永遠是演示驚豔、日常閒置。 04 先找一個用戶案例，再談其他——AI項目成功的唯一方式 原理： 李可信奉"先找到一個用戶案例，再談其他"。很多項目失敗不是技術做不到，而是解決了一個"並不痛"的問題，或解決"沒人願意爲它改變流程"的問題。 書中論證： "很多項目失敗並不是因爲技術做不到，而是因爲它在解決一個'並不痛'的問題，或者解決的是'沒人願意爲它改變流程'的問題。" 示例說明： 給客服部做個"智能問答"，但客服的真正痛點是知識庫太亂、搜索慢——你卻去做"情感陪聊"。技術再牛，不解決真痛，等於沒做。 現實映射： 做AI項目第一步不是選模型，而是蹲到一線，找一個"疼到願意改變"的真實場景，哪怕很小。 05 個體價值被"完美系統"拆解：從判斷者淪爲高級操作員 原理： 完美系統在提升產出的同時，也在悄無聲息地拆解個體價值——最難的邏輯判斷和利益博弈由系統完成，人只需做"高級操作員"。 書中論證： "這套完美的系統在提升產出的同時，也在悄無聲息地拆解她的個體價值……她只需要成爲一個高級操作員。"（這也是李可最深層的恐懼） 示例說明： 以前老工程師憑經驗判斷零件瑕疵（判斷者）；上了AI質檢後，他只需在系統報警時按"確認/駁回"（操作員）。效率高了，但他的不可替代性沒了。 現實映射： 對個人——別隻做系統替你完成的"操作"部分，要把自己留在"判斷與博弈"那一層；對管理者——留出讓人的判斷權發揮的空間（書裏DAKE系統後期就在想"如何讓系統適可而止，把判斷權交還真正懂這些手冊的人"）。 06 諮詢公司賣的不是答案，而是"讓答案被聽見的形式" 原理： 諮詢公司的魔法不在於創造什麼，而在於逼所有人認真面對本該早就做的事；他們賣的從來不是答案，而是一個讓答案被聽見、被表達的形式。 書中論證： "諮詢公司的魔法大概就源於此：不是他們能創造什麼，而是他們能逼所有人認真面對那些本該早就做的事。""也許諮詢公司賣的，從來就不是答案，而是一個讓答案被聽見、被表達的形式。" 示例說明： 公司內部某人早就說過"流程有問題"，無人理；諮詢公司用一份報告說出同樣的話，全員重視。話沒變，說話的人/形式變了。 現實映射： 推動變革時，內容重要，"由誰、以什麼形式說"同樣重要。內部推動受阻時，借外部"形式"（報告/專家/試點）往往比內容本身更有效。 07 從技術到組織：技術從不是難點，文化和結構纔是 原理： 兩年的荒誕與落地讓李可明白——技術從不是難點，文化和結構纔是。AI項目真正的戰場不在模型，在組織。 書中論證： 全書收束於"從技術到組織""文化的背後"兩章；作者定調"技術從不是難點，文化和結構纔是"。 示例說明： 同樣一套RAG，在A公司因爲部門壁壘、數據不共享而爛尾；在B公司因爲一把手授權+跨部門小組而跑通。差別不在技術。 現實映射： 評估一個AI項目，先看組織準備好沒有（授權、數據、激勵、真實痛點），再看技術。 模型與框架提煉框架一：AI項目成功四要素 四者缺一不可，本書反覆證明：前面三項纔是大多數企業翻車的地方，技術反而是最不難的。 真實痛點（用戶案例） — 關鍵問題：有人願意爲它改變流程嗎？｜典型失敗信號："技術很酷但沒人用" 激勵對齊 — 關鍵問題：用/不用有代價或收益嗎？｜典型失敗信號：演示驚豔、日常閒置 信息權限（入場券） — 關鍵問題：能拿到真實痛點與資源嗎？｜典型失敗信號：方案完美但無背書 技術可行性 — 關鍵問題：模型/數據/工程能扛住嗎？｜典型失敗信號：卡在POC、跑不動生產 框架二：一個RAG項目的四階段（全書技術硬核核心） 第一階段 籌備與啓動 — 在做什麼：選場景、拉數據、定邊界｜關鍵挑戰：找到真痛點、拿到權限 第二階段 開發 — 在做什麼：搭檢索+生成、接知識庫｜關鍵挑戰：召回質量、幻覺控制 第三階段 生產化 — 在做什麼：權限、安全、併發、監控｜關鍵挑戰：從demo到扛真實流量 第四階段 上線以後 — 在做什麼：運營、迭代、交還判斷權｜關鍵挑戰：持續用、激勵、人機協同 難點解讀難點一：「這套方法論沒有任何神祕可言……她連最基礎的入場券都拿不到」（第三章相關） 逐句拆解： "方法論=分析框架（簡陋）" → 李可也會 → 但做不出報告 → 原因：拿不到入場券（沒人說真痛點、沒人背書）。 類比 / 示例： 菜譜人人有，但不是誰都能開餐廳——你缺食材渠道（信息）和食客信任（背書）。 點破： 職場裏"知道怎麼做"和"能做出來"之間，隔着一個組織結構。 難點二：「這種每句話都正確、但每句話都沒意義的討論，簡直是語言學的奇蹟。」（熱門劃線 136+ 條） 逐句拆解： "每句話都正確"=單個陳述挑不出錯；"沒意義"=合起來不指向任何行動或結論；"語言學的奇蹟"=諷刺組織用合規話術消解真實問題。 類比 / 示例： 會議上"我們要高度重視AI戰略""各部門要協同推進"——句句對，散會沒人動。 點破： 識別"正確性陷阱"：當討論只剩正確的廢話，說明有人在迴避真正的決策。 行動指南先找真痛點，再談技術（立刻能做）：蹲到一線，找一個"疼到願意改流程"的場景，哪怕很小。 用RAG而非盲目微調（立刻能做）：企業知識問答優先外掛知識庫，成本低、見效快、可控。 爭取"入場券"（長期建設）：建立信任、拿到真實痛點信息 + 資源決策權，這是方法論生效的前提。 把激勵接上（立刻能做）：讓"用AI"有收益、"不用"有成本，否則推不動。 別隻做操作員，留在判斷層（長期建設）：把自己的價值錨在判斷與博弈，而非可被系統替代的操作。 善用"外部形式"推動內部變革（立刻能做）：借報告、專家、試點，讓真問題被聽見。 用"真實用戶+真實痛點"檢驗組織性幻覺（長期建設）：凡無真實用戶在用、無真實痛點的"進展"，一律打問號。 延伸書單《職場十年》若思 — 同一作者職場升級前傳，曾登頂微信讀書榜首、10萬讀者88.6分，理解"李可式成長"的來路。 《從零構建大模型》塞巴斯蒂安·拉施卡 — 硬核技術對照，看懂"造自己的ChatGPT"背後到底要什麼。 《人月神話》Frederick Brooks — 軟件工程經典，組織與技術落地的永恆張力，與本書遙相呼應。 《賦能》斯坦利·麥克里斯特爾 — 如何讓大型組織像小團隊一樣敏捷，正解"文化與結構纔是難點"。 《大模型項目實戰：Agent開發與應用》高強文 — 國內RAG/Agent一線實戰，與本書第四部分互文對照。 結語 / 個人研判"都說大模型有幻覺問題，但其實人類組織同樣擅長構建幻覺：它能在毫無成果的基礎上，搭建出一整套看起來自洽、邏輯完整、流程完備、事情在取得進展的假象。"（熱門劃線 221+ 條） 作爲在AI與雲計算售前一線的人，這本書幾乎是我日常的真實鏡像。給律所、製造業客戶做AI落地時，最大的阻力從來不是模型能力，而是部門壁壘、數據不共享、激勵錯位，以及"沒人願意爲改變流程買單"。若思把這套"技術易、組織難"的真相，裝進一個好看的故事裏——這比一堆方法論書籍更值錢。普通人在大模型時代要做的，不是焦慮"被替代"，而是努力拿到自己的"入場券"，並始終留在判斷那一層。

好久沒有認真看完一本書了，若思老師的書總是令我親切，我也是BI/DS出身，有一些ML知識儲備，現在在“all in AI”的號召下，在一線做企業內AI應用的開發與落地，最近也正在做RAG項目。 書裏很多場景和困境特別真實，比如在23年AI浪潮剛剛興起，很多人連gpt模型和ChatGPT都分不清楚的時候，企業過度反應，高層迫不及待想要創造出自己的LLM；還有AI產品負責人在收集需求時，碰到跨部門的踢皮球；項目落地時碰到的大量髒數據，前期處理數據就佔用了大量時間精力；上線時無盡的安全評審，填不完的表單；上線後adoption rate低到沒法交差…… 當然，作爲一線執行的小卡拉米，我無需面對企業內部因結構和文化帶來的AI轉型阻力，卻也遇到不少因爲老闆/業務無法理解AI邊界導致的心力交瘁的情況，也會因爲業務要求agent必須“100%準確率，否則就是你的prompt沒寫好”而崩潰。 隨着AI日新月異的發展，儘管已經出現了更多優化AI agent的方法，比如MCP，skills，harness engineering，loop engineering… 但真實的企業場景遠比這些複雜，參雜了太多實際業務的複雜流程和邊界情況，系統設計需要考慮的遠比技術博客、技術總結多得多。 非常佩服作者對AI項目的深度思考，也感謝她這麼精彩的故事，在享受閱讀的過程中，我也收穫了許多，比如如何推動跨團隊的合作，怎樣高效瞭解需求，實際開發過程中容易踩的坑，業內如何定義ai產品的上線標準，什麼時候需要involve更高級別的manager等等… 我知道之後我也還是會遇到問題，會不斷踩坑、摔跤，甚至還是會時常懷疑自己是否走在正確道路上，但我知道，事情的成敗並不單取決於我的能力或者努力，盡力看清現狀，然後順勢而爲，就是我最大的誠意。

我覺得非常有必要寫一個書評，來幫助更多讀者瞭解本書。 這本書從書名到簡介，都在傳遞一個信號：一個公司如何引進AI大模型 但非常不客氣地說，內容並非你期待的那般。爲何這麼說，且聽我娓娓道來。 如果你不懂技術，遇到了此書，我想大概率有這樣的期待： 期待通過一個通俗故事來了解企業如何引進ai大模型。很可惜，這本書並不具備講好一個通俗故事的能力，人物刻畫和編程管理之外的內容很淺顯。爲何說淺顯呢？我舉個例子，看一個完整的電影在心中建立起對主角的印象，和通過5分鐘短視頻解說而建起的主角印象，就是這種對比，因爲刷完5分鐘後你甚至記不清剛講了啥故事。所以通過此書，你不會對任何角色留下深刻印象，更無法從角色身上感受到某種魅力。那麼更無法鏡像的反思自己，獲得思考。 而文中有大量的編程相關的內容，儘管筆者通過口語化表達，但收效甚微，讀起來很生硬和無趣，不能算一個好的科普讀物。 我之前並不懂任何會計知識，但《世界上最簡單的會計書》讓我對會計有了深刻印象與興趣；我不懂枯燥的經濟學理論，《小島經濟學》讓我興趣大發，孜孜不倦的研究宏觀經濟政策。但我是一個程序員，在大學就花費了不少精力與興趣在深度學習上，儘管工作後沒有從事AI大模型，而是負責業務類軟件開發。我那時候也沒有ai大模型這個選擇，但這本書我看的昏昏欲睡，一路坎坷。 直到硬着頭皮看完，我才知道這本書到底在說啥，核心就是如何搭建一個RAG大模型，如果你不懂什麼是RAG，可以直接離開了。如果你興趣非常強烈，打開B站搜RAG，點開“黑馬程序員大模型RAG與agent智能體項目實戰”，15小時的教學很快讓你瞭解，實踐完之後，這本書對你的作用就降爲1/3，因爲2/3都是用大白話講項目實現，1/3是上班發生的那些職場故事。 如果你已經在用AI大模型了，這裏的職場故事你可以聽個樂呵或者共鳴，技術部分就當是個白話總結。 最後，我再次強調，這不是一個及格的ai大模型科普書，但這本書有一定的意義，因爲目前市場上，還是很少有這類科普書。以後也很少有，沒人會寫這種科普，AI更新的太快，很多技術一年一換，兩年一換。這本書提到的技術實現方式也一定會被更迭掉。 我暫時搞不懂這本書的定位，作者聲稱自己負責企業AI大模型的設計和落地，在書中我沒看出多少乾貨，可能害怕讀者偷師，故意藏招吧。讀者因爲不懂ai大模型和企業的故事，找來這本書，這本書又不講透藏在裏面的人情世故，走馬觀花的寫了一下遇到的阻塞，並用大量筆墨寫了技術實現，想當做技術科普，問題是誰會找一本書瞭解大模型的技術，直接找教程實操去了。 就跟我學深度學習一樣，我沒事看文字版技術科普，找個視頻或者代碼手冊，分數預測模型demo直接復現一遍自然入了門。現在有了ai，更方便了。

其實有時候我會有很多想法，腦子裏不停翻轉一些東西，但只是停留在想的階段，並沒有進一步動作。很開心有機會能夠讀到作者的兩本書，昨天我讀完了職場十年，第一次發現我會對這種類型的書產生很想讀下去的慾望（沒怎麼看過這類型的書），所以我對作者產生了濃厚的興趣以及崇拜，羨慕她能夠每一步緊跟時代的潮流，讚歎她能夠把自己的所見所聞通過這種方式讓普通的我也可以對另一個不近又不遠的世界進行一小點的窺視。我正處於準備秋招時期，有緣的是我給我的職業規劃和作者的經歷不謀而合，我學的是數據科學，最開始覺得我可能去往數分DA或DS發展，但是在快速發展的今天我已經決定不定具體方向但必須跟AI相關，書中所講的技術是我熟知的，我清楚的知道RAG是什麼怎麼實現，應用場景，但書中推進的過程確實和我所知相差甚遠，其實我對於所謂的企業文化也是有所瞭解，包括實習之後確實也會發現，有時候有些事並不是按照１２３就會很順利的推進下去的，但實際看到後還是會（不知道怎麼形容這種感覺）．這應該就是學生思維和職場打工人思維的轉變，包括若思在職場十年也提到的站在領導的角度，銷售的角度，技術的角度．．．其實看完這兩本書說實話我真的學到了什麼呢其實我也不太清楚，如同我看一些言情小說一樣，之後再回憶起來可能會是若思我很羨慕她，她很厲害，李可很優秀，意義可能在於，以後的我如果真的遇到同樣的情況，亦或是如果我在麻木的工作裏失去對理想主義的嚮往的另一種激勵與參考．最後，我最開始並不知道若思的性別（直到書中提到她懷孕），但我從點開第一本書第一頁開始就已經默認這是一位優秀的女性的作品，而冥冥中一股力量吸引我（我是因爲看一本書體驗卡用完了看不了然後在每週免費讀兩本的那個區域發現職場十年這本書免費纔開始看的），向優秀的女性致敬！希望我以後也能夠成爲一位優秀傑出的職場人！

這是一部獨具特色的AI科普讀物。故事以職場爲容器，將讀者帶入一家傳統制造業公司，在升職、立項與裁員的日常敘事中，悄然完成了一次生成式AI的“現場教學”。作者將技術概念拆解爲“能落地的流程改進”與“無法迴避的文化衝突”，讓人物命運的起伏映照出AI對組織結構與個人角色的重塑。 作爲科普小說，它對讀者十分友好：輕喜劇筆法與女性視角賦予技術議題可親的溫度；裁員、晉升、跨部門博弈等場景貼近本土經驗；穿插的職場小故事將大模型時代的機遇與陣痛講得生動易懂。書中既有宏觀戰略分析，也不乏技術細節與重要流程，可讀性與專業度兼備。 書中特別強調AI的雙重性——既增強個體能力，又重塑組織結構，迫使企業從“工具視角”轉向“文化-結構視角”，在透明、責任、學習、人本等價值觀上進行底層重構。通過精準激勵與流程再造，將效率提升轉化爲員工可感知的收益，緩解替代焦慮；讓AI賦能文化傳播與管理提效，爲差異化競爭優勢構築動態護城河。只有當文化與技術同頻，企業才能在大模型時代實現真正的組織進化。

作爲 ai pm 好看好看好看 裏面很多劇情都能看到我的痛苦面具 2025 年一月看了作者的職場 10 年 讓我對自己的工作有了新的認識 當時就給我自己 seeding 了一個要做 AI 的種子 跨到新浪潮裏面去 而今年真的開始做部門裏的 AI 級項目 從欣喜若狂到焦頭爛額到疲憊麻木 字字血淚了可以說 裏面簡直就是演我在上班 接一下李可的職場運好吧 在創造價值時 我覺得工作真的有意義 希望我能夠擁有更多這樣的時刻 裏面有一部分我也很同意 那些工作中模糊的焦灼的不確定的拉扯 後面就會伴隨着決定性的時刻 可能要換個角度來看待這些讓我討厭的時刻 它們都是機會