AI项目实录：大模型时代的职场生存局

大家好，我的新书今天上架了! 这是我写的第一本科普小说，借着一个职场故事作为容器，让大家了解真实的AI项目是什么样的。 在真实世界里，AI项目从来不是从模型开始，也很少以代码结束。 为了让不同背景的读者都能跟上，我在书里安排了三个递进的案例。它们不是三个“更酷的系统”，而是三次逐步靠近真实世界的尝试： 在第一个案例中，你会看到一个最朴素的RAG如何工作。它让大家在不需要任何背景的情况下，直观地理解RAG到底是什么。 到了第二个案例，我们引进一些业务逻辑来说明：现实中的难点，往往不是模型多强大，而是RAG必须贴着具体业务来设计。它也让读者顺便看到另一面：不是每个看起来值得做的项目都会顺利推进。现实里，项目可能因为优先级变化、资源被抽走、战略转向而被按下暂停键。 而第三个案例则把镜头拉到全程：机会如何被筛选出来，团队如何探索并了解业务，如何在迭代中改进系统，以及上线之前的种种准备。你也会看到为什么“上线”只是技术终点，而不是故事终点。 希望通过这本书，让大家了解AI项目的复杂性、企业内部的真实运作方式以及AI Engineer这个角色的日常。 在某种意义上，这本书是对我过去工作的一种替代性表达。 很多发生在真实项目里的故事，其实非常有意义，但我无法直接写出来，因为它们涉及公司信息、客户场景、以及各种不适合公开讨论的细节。我不想因为一次表达的冲动，失去继续工作的机会。 所以我选择用这种方式把故事说出来，希望大家喜欢！ ————————— 6.22 补充 我这几天一直在读大家的留言，它加深了我对自己的这本书的理解。 最近看到一个让我印象深刻的评论：“没读前，以为是蹭AI热度的流行小说，读着以为是卡夫卡式的荒诞题材，后来又以为是宫斗和职场锦囊，最终意识到这是一本信息量很大、内容信实严谨又有阅读趣味的科普小说。” 我当时看到这条评论，觉得它很有意思，因为这位读者几乎是把我的创作过程倒着读出来了。 我一开始真的没有想写这么复杂，我的计划仅仅是写一个科普故事，就是AI项目怎么做。 但写着写着，我发现，只要 AI 进入真实工作场景，它就不可能只停留在技术层面。它一定会碰到人，碰到组织，碰到流程，碰到利益，也碰到每个人对自己价值的判断。 比如当我写到“demo 成功，但没有上线”的时候，我必须回答一个问题： 为什么？ 一个 demo 如果很烂，那上线不了很正常。 可是如果它很好，大家也觉得它有用，为什么还是上线不了？ 我不可能随便编一个理由，只能回到真实经验里去找。 然后我就发现，真实世界里的答案，往往不是“技术不够好”。 它可能是审批没过。 可能是数据权限不清楚。 可能是安全和合规有顾虑。 也可能是每个人都说支持创新，但创新真的碰到自己那一亩三分地的时候，大家又开始本能地防御。 所以你在这本书里面可以读到项目推进、权力关系、人情世故，它都不是我故意加进去的。 是我把故事写清楚以后，它们自己浮出来的。 我以前学脱口秀的时候，看过一本书，里面提到：不要坐在那里硬想梗，而是去想生活中那些让你有吐槽的欲望的事情，这些事情本身可能就已经很荒诞了，你要做的不是把它编得更夸张，硬加梗，而是讲清楚这件事为什么荒诞，它就会足够好笑了。 我写这本书的时候，其实也是这种感觉。 我不是为了写职场斗争而写职场斗争，也不是为了写荒诞而写荒诞。 我只是想把一个AI项目的真实经历写清楚，荒诞就已经在那里，也足够好笑了。 大家给我的留言也印证了这一点。 几乎没有人留言说从这个科普里学会了知识，而是纷纷表示太真实了，感同身受。 这让我意识到，我在科普AI这件事上做的怎么样不好说，但在唤醒大家的职场创伤上，我取得了出人意料的成功。 这本的评分一直在涨，未必是因为我写的有多好，而是现实实在是太不争气了。 PS：如果你发现这个补充书评比书上架时的原始留言要好，那可能是因为我这几天一直在学习大家的书评，重新认识了我的书。

若思这本书写得很实在，不整虚的。它不是讲AI怎么改变世界，而是讲“明天上班你该怎么用AI”。每个章节都是一个职场场景：怎么写周报、怎么做PPT、怎么回复老板的刁钻问题、怎么用AI辅助做决策。每个场景都给了具体的话术和操作步骤，属于那种“看完就能用”的书。我最受用的是“AI会议纪要”那章——以前开会记笔记手忙脚乱，现在用飞书+AI十分钟搞定。缺点是书里推荐的很多工具是付费的，免费版功能受限。适合想提高工作效率的上班族，不挑行业，都能找到有用的。

太真实了，不管是AI项目的开发部署还是推动落地的过程，都有太多共鸣了，完全写出了我对在外企体验到的超烂的IT架构和因为组织、流程、文化、合规、惯性等各种阻力而产生的超强无力感。 “ 她已经打了一场又一场的战斗。 她在和守旧者战斗，争执GenAI在公司落地的方向。 她在和公司的惯性战斗，试图在荆棘中辟出一个可以让系统落地的土壤。 她在和无处不在的流程战斗，在泥泞里一步一步蹚出一条路。 ” 想自下而上以螳螂之臂去推动去改革，几乎是不可能的事儿，你随时可能被冠冕堂皇的合规安全和繁琐冗长的流程审批摁在地上动弹不得，不断妥协，直到绝望，直到你也变成一个不愿发声、自缚手脚、只愿在自己职责边界内思考的人。 沉疴痼疾大家都有目共睹，但都无力改变，触碰到了太多既有利益和权力边界，如文中所说，在这类企业中，系统项目的落地和应用做原型写代码真的是最容易的事，难的是协调资源推动上线、走各种流程审批、推动业务部门突破惯性的使用等。怎么样才不会沦为一个自嗨的工具，才是最有挑战的事。 文化能吞噬一切战略，除非有自上而下强有力的变革，否则在这类企业中做创新推动AI真的是难上青天。

当技术遇见组织：读《AI项目实录》后的思考 阅读时间： 2026年5月 阅读平台： 微信读书 笔记数量： 50+ 条划线笔记 一、为什么这本书值得读？ 说实话，一开始被书名吸引，以为是本讲AI工具使用的书。但翻开后才发现，这根本不是一本技术书，而是一本组织行为学+职场生存指南。 作者若思通过李可这个AI工程师的视角，讲述了一个AI项目从0到1，再从1到100的真实历程。但不同于其他技术书籍只讲"怎么把系统做出来"，这本书花大量篇幅讲述"怎么让系统被组织接受"。 这正是很多技术从业者最缺失的视角。 我们习惯了思考"怎么把功能做出来"，却很少思考"怎么做出来后能被真正用起来"。这本书填补了这个空白。 二、穿透技术的三层洞见 1. 技术成功 ≠ 业务成功 书里有一段话，我划线了又划线： “系统上线并不只是’代码部署完成’，它还必须面对组织、流程、使用场景与现实约束的碰撞。而在一些传统行业或成熟度较低的技术组织中，这种’上线之后才暴露问题’的情况，确实仍然会发生。” 作者通过李可的项目经历，揭示了一个残酷的现实：很多AI项目失败，不是因为技术不够好，而是因为组织没准备好。 书里另一个精彩的比喻是： “文化能够轻易吞噬任何战略（Culture eats strategy for breakfast）。同样的，文化也能吞噬一切AI系统。如果我们依然按照旧方式做事，上再多的AI系统也没用。” 这句话值得每一个技术从业者深思。技术只是工具，真正的变革需要组织文化的同步进化。 2. "被认可的行为"比"更好的工具"更重要 这是全书最让我震撼的洞察，没有之一。 李可发现维修工人不用"维修智助"系统时，第一反应是"系统不好用？需要更多培训？"但导师马库思问了她一系列问题： “他们现在解决问题的第一步是什么？” “这个动作有成本吗？” “他们在选’更好的工具’时，实际在选什么？” 答案逐渐清晰： 老工人第一步是"找人问"——这不是因为系统不好用，而是因为**"找人问"能建立关系、获得认可** "找人问"的成本几乎为零（顺口问一句），而使用新系统需要学习成本 他们选的不是"更高效的解法"，而是"更安全、更被组织认可的行为" 书里一针见血地指出： “组织奖励什么，就会激励什么样的行为。” 这个洞察颠覆了传统的技术推广思路。技术人最大的盲区，就是以为"更好"等于"会被采用"。 但现实中，人们选择工具时，考量的往往是社交关系、组织政治、风险评估，而不仅仅是效率。 3. AI是"效率工具"，也可能是"结构调整的借口" 这本书没有回避AI的阴暗面。 在故事的暗线里，公司高层一边推广AI系统，一边用它作为裁撤和重组的依据。书里有一段话我很喜欢： “AI的角色开始发生分裂。在叙事的一端，它是效率工具，是知识助手，是降低成本的技术跃迁。但在另一端，它也开始被用作一种更现实的东西——裁撤与重组的依据。同一套系统，既在提升生产力，也在改变’谁需要留在系统里’。” 这个观察非常犀利。AI从来不是独立的技术变量，它总是嵌入在组织的目标、成本结构与权力关系之中。 书里没有给答案，而是留下了一个开放性问题： “AI到底是来帮助员工的，还是来取代员工的？” 我觉得这个问题没有标准答案，但它值得每一个正在推AI项目的职场人深思。技术中立只是一个神话，真正的选择权在于：我们如何设计、部署和监管这些系统。 三、值得参考的三点启发 启发1：推流程前，先搞清楚"谁会因此失去什么" 书里李可的经验告诉我们，在推进任何技术或流程变革前，应该先问： 这个改变影响了谁的权力边界？ 谁会因为当了"第一个吃螃蟹的人"而承担风险？ 如果不用这个新流程，有没有惩罚机制？如果用了，有没有奖励机制？ 组织变革从来不是单纯的技术问题，而是利益重新分配的问题。 忽略这一点，再好的工具也会失败。 启发2：不要只做"技术正确"的事，要做"组织可接受"的事 书里有个细节：李可想做全公司范围的AI系统，但导师马库思建议她"先找一个部门试点，跑通后再扩展"。 这看起来不够激进，但实际上是生存智慧。在技术推广中： 先在小范围验证价值 找到"标杆用户"（愿意尝试的人） 让他们成功，让成功被看见 再考虑扩大范围 循序渐进比大跃进更容易成功，因为组织需要时间适应变化。 启发3："黄金数据集"思维——用真实案例说话 书里讲了一个很棒的概念：“黄金数据集”（Golden Dataset）。 在AI项目里，它需要整理一份"标准问题+标准答案"的数据集，用来评估系统输出质量。但这个思维可以用在更广泛的场景里： 在推进任何项目时，先收集"真实用户问题"和"真实成功案例"。 不要自己臆想"用户需要什么"，而是去听、去记录、去整理。只有基于真实需求的设计，才能真正解决问题。 四、值得进一步思考的问题 疑问1：文化变革到底应该"自上而下"还是"自下而上"？ 书里两种路径都出现了： 咨询公司进场，靠"外部权威"强行推动变革（自上而下） 李可自己部门先做试点，靠"成功案例"吸引其他人（自下而上） 作者没有断定哪种更好，而是展示了两种路径的优缺点。这让我思考：在不同的组织环境下，可能需要不同的变革策略。 疑问2：在技术理想和组织现实之间，如何保持动力？ 书里李可有过一段"存在主义危机"： “在这条铁轨上，自己似乎成了那个可以被随时替换的、并不重要的变量。” 这是很多技术人员的共同困境：当你花了大量心力做的系统，最后发现"组织没准备好"，很容易陷入无力感。 书里没有给出标准答案，但李可最后的选择是"继续向前"——不是因为乐观，而是因为她明白了： “技术的路该怎么走不好说，而组织的路，从来不取决于她。她会继续向前。” 这种"接受局限，但依然行动"的态度，值得参考。 五、推荐理由与阅读建议 这本书适合谁读？ ✅ 推荐给： 正在推技术项目但遇到组织阻力的人 想理解"为什么好工具就是没人用"的人 对AI落地、组织变革、职场政治感兴趣的人 技术背景但需要跟业务部门打交道的人 ❌ 不推荐给： 想学具体AI技术的人（这本书几乎不教技术） 想要"5步搞定组织变革"速成法的人（这本书告诉你：没有速成法） 建议的阅读方式 我建议不要一口气读完，而是： 先读一遍，感受故事和人物 再挑自己正在面临的困境，对照书里的类似场景 把划线笔记整理成"可以参考的思路清单" 这本书的价值不在于给出答案，而在于提供思考框架。 六、一句话总结 "AI项目实录"不是一本讲AI的书，而是一本讲"技术如何在一团乱麻的组织里活下来"的书。 如果你也在推技术项目、改工作流程、或者单纯想理解"为什么公司里那么多荒谬的事"，这本书会让你觉得"原来我不孤单"。 附录：值得参考的实践清单（基于本书启发） 技术推广前先思考： 这个改变影响了谁的权力边界？ 谁会因为当了"第一个吃螃蟹的人"而承担风险？ 如果不用这个新流程，有没有惩罚？如果用了，有没有奖励？ 技术推广的策略： 先在小范围验证价值 找到"标杆用户"（愿意尝试的人） 让他们成功，让成功被看见 再考虑扩大范围 项目设计的思维： 收集"真实用户问题"而非臆想需求 整理"真实成功案例"作为参考 建立"黄金数据集"思维：用真实案例评估效果 评分： ⭐⭐⭐⭐⭐（5星，强烈推荐） 适合重读指数： 高（不同阶段重读，会有不同收获） 写于2026年6月16日 感谢若思写了一本"说人话的技术书"以上由 AI 生成

一句话概括 + 阅读定位一句话概括： 借一位科技公司空降者"李可"在汽车零部件巨头"蓝钢实业"两年亲历的职场故事，揭开一个AI项目从"我们要造自己的ChatGPT"到真正落地的全过程——技术从不是难点，文化和组织结构才是。 适合谁读： AI时代感到焦虑的职场人；想做AI落地项目的从业者、管理者；AI Engineer、售前、数字化转型负责人；任何想知道"企业里的AI到底怎么玩"的人。 解决什么真问题： 为什么大多数企业的AI项目雷声大雨点小？个人如何在大模型浪潮里"生存并升级"，而不是被"完美系统"降维成操作员？ 阅读层级： 基础（叙事好懂）→ 进阶（组织洞察）→ 应用（AI落地方法论）。 作者自述（ruo.si）："借一个职场故事作为容器，带大家走进真实的AI项目现场。在真实世界里，AI项目从来不是从模型开始，也很少以代码结束。"本书定位是科普小说——用故事装下AI工程与组织政治的双重真实。 知识体系地图全书分五部分，表面是一条"李可两年升级"的叙事线，底下藏着三条交织的知识线： 叙事主线（基础）：被浪潮裹挟的人 → 在旧世界造火 → 重启 → 一个RAG项目的完整记录 → 尾声（从技术到组织）。从"瞳孔地震"到出任VP。 技术知识线（进阶）：立项（造自己的大语言模型）→ 开发DAKE系统（企业AI系统）→ 一个RAG项目的四阶段（筹备/开发/生产化/上线）→ 上线运营。这是全书硬核所在。 组织认知线（应用）：组织性幻觉 → 方法论不稀缺、稀缺的是入场券 → 激励错位 → 咨询的"形式价值" → 个体价值被系统拆解。这才是落地的真正战场。 角色认知线（进阶）：AI Engineer的日常——把模型能力封装成能扛真实流量、权限、安全的系统，介于数据科学家与软件工程师之间。 核心概念释义（术语小词典）大模型幻觉：模型一本正经地编造看似合理、实则错误的内容。本书的锋利处在于反转——人类组织同样擅长"构建幻觉"。 RAG（检索增强生成）：让模型回答前先去企业知识库"查资料"，用真实文档约束回答、减少胡说。区别于"微调"：RAG是外挂知识，微调是内化知识。 微调（Fine-tuning）：在通用大模型上用自有数据再训练，改变模型的"肌肉记忆"。多数企业场景先用RAG就够了，不必一上来就微调。 POC vs 生产化：POC是证明"能跑起来"的样机；生产化是能扛真实流量、权限、数据安全、并发与监控的系统（本书第二、三阶段的核心鸿沟）。 AI Engineer：介于数据科学家与软件工程师之间的角色，把模型能力变成能用的产品；本书主角李可的升级方向。 企业知识库：把公司SOP/手册/工艺文档喂给RAG，让AI基于"公司自己的事实"回答，而非凭空生成。 组织性幻觉（本书独创概念）：组织在毫无成果的基础上，搭建出"自洽、逻辑完整、流程完备、事情在取得进展"的假象。 入场券（Access）：获取真实痛点信息的权限 + 分配资源的决策权。方法论人人都懂，这张票最难拿。 核心知识点深挖01 组织性幻觉：人类组织也擅长"构建幻觉" 原理： 大模型有幻觉（编造内容），但组织也会——在毫无成果基础上，搭出一套看起来自洽、逻辑完整、流程完备、事情在取得进展的假象。这是全书被划线最多的一条（热门划线 221+ 条）。 书中论证： 李可见过高层把毫无成果包装成"前瞻性探索"；"曙光计划"的每一次延误、每一次波折，都被巧妙地定义为"必要的实验和迭代"，问题被轻轻挪到更有利的位置。 示例说明： 好比一个团队季度KPI没完成，但周报里写着"里程碑达成率92%""关键路径已打通"——每个数字都对，结论却是假的。组织用一套精致的语言，把自己骗了过去。 现实映射 / 反例： 当你听到"我们正处于探索期""这是必要的试错"却看不到任何可验证交付物时，要警惕。用一句兜底检验：有没有真实用户在用、解决了真实痛点？ 没有，就是组织性幻觉。 02 方法论不稀缺，稀缺的是"入场券" 原理： 咨询与分析的方法论简陋到"没有任何神秘可言"，李可能掌握同样逻辑，却永远做不出那份报告——因为她没有入场券：没人向她坦诚真正的痛点，也没人给她的分析背书。 书中论证： "方法论一直都不稀缺，稀缺的是获取信息的权限和分配资源的决策权。" 示例说明： 你知道"减肥要少吃多动"（方法论人人懂），但只有教练能拿到你的体测数据和饮食记录、并有权调整你的训练计划（入场券）。 现实映射： AI项目里，技术人最容易卡在这里——你设计了一套完美方案，业务部门却不把真实痛点告诉你，老板不批示预算。先争取"入场券"（信任+授权），再谈方法论。 03 激励错位：没人因"不用AI"付出代价，也没人因"用它"获益 原理： 为什么一开始愿意尝试的人那么少？因为组织里"不用AI"没有成本，"用了AI"也没有额外收益。没有激励，再好的工具也推不动。 书中论证： 马库思点破："为什么一开始愿意尝试的人那么少？因为没有人需要为'不用它'付出代价，也没有人会因为'用它'而获得额外的好处。"这句话"像一道惊雷，震醒了李可"。 示例说明： 公司上了智能审批系统，但审批慢了没人扣奖金、快了也没人加薪——员工当然继续走老路子，把系统当摆设。 现实映射： AI落地不能只靠"领导重视"，要把"用"和"不用"都接上激励（考核、表彰、减负）。否则永远是演示惊艳、日常闲置。 04 先找一个用户案例，再谈其他——AI项目成功的唯一方式 原理： 李可信奉"先找到一个用户案例，再谈其他"。很多项目失败不是技术做不到，而是解决了一个"并不痛"的问题，或解决"没人愿意为它改变流程"的问题。 书中论证： "很多项目失败并不是因为技术做不到，而是因为它在解决一个'并不痛'的问题，或者解决的是'没人愿意为它改变流程'的问题。" 示例说明： 给客服部做个"智能问答"，但客服的真正痛点是知识库太乱、搜索慢——你却去做"情感陪聊"。技术再牛，不解决真痛，等于没做。 现实映射： 做AI项目第一步不是选模型，而是蹲到一线，找一个"疼到愿意改变"的真实场景，哪怕很小。 05 个体价值被"完美系统"拆解：从判断者沦为高级操作员 原理： 完美系统在提升产出的同时，也在悄无声息地拆解个体价值——最难的逻辑判断和利益博弈由系统完成，人只需做"高级操作员"。 书中论证： "这套完美的系统在提升产出的同时，也在悄无声息地拆解她的个体价值……她只需要成为一个高级操作员。"（这也是李可最深层的恐惧） 示例说明： 以前老工程师凭经验判断零件瑕疵（判断者）；上了AI质检后，他只需在系统报警时按"确认/驳回"（操作员）。效率高了，但他的不可替代性没了。 现实映射： 对个人——别只做系统替你完成的"操作"部分，要把自己留在"判断与博弈"那一层；对管理者——留出让人的判断权发挥的空间（书里DAKE系统后期就在想"如何让系统适可而止，把判断权交还真正懂这些手册的人"）。 06 咨询公司卖的不是答案，而是"让答案被听见的形式" 原理： 咨询公司的魔法不在于创造什么，而在于逼所有人认真面对本该早就做的事；他们卖的从来不是答案，而是一个让答案被听见、被表达的形式。 书中论证： "咨询公司的魔法大概就源于此：不是他们能创造什么，而是他们能逼所有人认真面对那些本该早就做的事。""也许咨询公司卖的，从来就不是答案，而是一个让答案被听见、被表达的形式。" 示例说明： 公司内部某人早就说过"流程有问题"，无人理；咨询公司用一份报告说出同样的话，全员重视。话没变，说话的人/形式变了。 现实映射： 推动变革时，内容重要，"由谁、以什么形式说"同样重要。内部推动受阻时，借外部"形式"（报告/专家/试点）往往比内容本身更有效。 07 从技术到组织：技术从不是难点，文化和结构才是 原理： 两年的荒诞与落地让李可明白——技术从不是难点，文化和结构才是。AI项目真正的战场不在模型，在组织。 书中论证： 全书收束于"从技术到组织""文化的背后"两章；作者定调"技术从不是难点，文化和结构才是"。 示例说明： 同样一套RAG，在A公司因为部门壁垒、数据不共享而烂尾；在B公司因为一把手授权+跨部门小组而跑通。差别不在技术。 现实映射： 评估一个AI项目，先看组织准备好没有（授权、数据、激励、真实痛点），再看技术。 模型与框架提炼框架一：AI项目成功四要素 四者缺一不可，本书反复证明：前面三项才是大多数企业翻车的地方，技术反而是最不难的。 真实痛点（用户案例） — 关键问题：有人愿意为它改变流程吗？｜典型失败信号："技术很酷但没人用" 激励对齐 — 关键问题：用/不用有代价或收益吗？｜典型失败信号：演示惊艳、日常闲置 信息权限（入场券） — 关键问题：能拿到真实痛点与资源吗？｜典型失败信号：方案完美但无背书 技术可行性 — 关键问题：模型/数据/工程能扛住吗？｜典型失败信号：卡在POC、跑不动生产 框架二：一个RAG项目的四阶段（全书技术硬核核心） 第一阶段 筹备与启动 — 在做什么：选场景、拉数据、定边界｜关键挑战：找到真痛点、拿到权限 第二阶段 开发 — 在做什么：搭检索+生成、接知识库｜关键挑战：召回质量、幻觉控制 第三阶段 生产化 — 在做什么：权限、安全、并发、监控｜关键挑战：从demo到扛真实流量 第四阶段 上线以后 — 在做什么：运营、迭代、交还判断权｜关键挑战：持续用、激励、人机协同 难点解读难点一：「这套方法论没有任何神秘可言……她连最基础的入场券都拿不到」（第三章相关） 逐句拆解： "方法论=分析框架（简陋）" → 李可也会 → 但做不出报告 → 原因：拿不到入场券（没人说真痛点、没人背书）。 类比 / 示例： 菜谱人人有，但不是谁都能开餐厅——你缺食材渠道（信息）和食客信任（背书）。 点破： 职场里"知道怎么做"和"能做出来"之间，隔着一个组织结构。 难点二：「这种每句话都正确、但每句话都没意义的讨论，简直是语言学的奇迹。」（热门划线 136+ 条） 逐句拆解： "每句话都正确"=单个陈述挑不出错；"没意义"=合起来不指向任何行动或结论；"语言学的奇迹"=讽刺组织用合规话术消解真实问题。 类比 / 示例： 会议上"我们要高度重视AI战略""各部门要协同推进"——句句对，散会没人动。 点破： 识别"正确性陷阱"：当讨论只剩正确的废话，说明有人在回避真正的决策。 行动指南先找真痛点，再谈技术（立刻能做）：蹲到一线，找一个"疼到愿意改流程"的场景，哪怕很小。 用RAG而非盲目微调（立刻能做）：企业知识问答优先外挂知识库，成本低、见效快、可控。 争取"入场券"（长期建设）：建立信任、拿到真实痛点信息 + 资源决策权，这是方法论生效的前提。 把激励接上（立刻能做）：让"用AI"有收益、"不用"有成本，否则推不动。 别只做操作员，留在判断层（长期建设）：把自己的价值锚在判断与博弈，而非可被系统替代的操作。 善用"外部形式"推动内部变革（立刻能做）：借报告、专家、试点，让真问题被听见。 用"真实用户+真实痛点"检验组织性幻觉（长期建设）：凡无真实用户在用、无真实痛点的"进展"，一律打问号。 延伸书单《职场十年》若思 — 同一作者职场升级前传，曾登顶微信读书榜首、10万读者88.6分，理解"李可式成长"的来路。 《从零构建大模型》塞巴斯蒂安·拉施卡 — 硬核技术对照，看懂"造自己的ChatGPT"背后到底要什么。 《人月神话》Frederick Brooks — 软件工程经典，组织与技术落地的永恒张力，与本书遥相呼应。 《赋能》斯坦利·麦克里斯特尔 — 如何让大型组织像小团队一样敏捷，正解"文化与结构才是难点"。 《大模型项目实战：Agent开发与应用》高强文 — 国内RAG/Agent一线实战，与本书第四部分互文对照。 结语 / 个人研判"都说大模型有幻觉问题，但其实人类组织同样擅长构建幻觉：它能在毫无成果的基础上，搭建出一整套看起来自洽、逻辑完整、流程完备、事情在取得进展的假象。"（热门划线 221+ 条） 作为在AI与云计算售前一线的人，这本书几乎是我日常的真实镜像。给律所、制造业客户做AI落地时，最大的阻力从来不是模型能力，而是部门壁垒、数据不共享、激励错位，以及"没人愿意为改变流程买单"。若思把这套"技术易、组织难"的真相，装进一个好看的故事里——这比一堆方法论书籍更值钱。普通人在大模型时代要做的，不是焦虑"被替代"，而是努力拿到自己的"入场券"，并始终留在判断那一层。

好久没有认真看完一本书了，若思老师的书总是令我亲切，我也是BI/DS出身，有一些ML知识储备，现在在“all in AI”的号召下，在一线做企业内AI应用的开发与落地，最近也正在做RAG项目。 书里很多场景和困境特别真实，比如在23年AI浪潮刚刚兴起，很多人连gpt模型和ChatGPT都分不清楚的时候，企业过度反应，高层迫不及待想要创造出自己的LLM；还有AI产品负责人在收集需求时，碰到跨部门的踢皮球；项目落地时碰到的大量脏数据，前期处理数据就占用了大量时间精力；上线时无尽的安全评审，填不完的表单；上线后adoption rate低到没法交差…… 当然，作为一线执行的小卡拉米，我无需面对企业内部因结构和文化带来的AI转型阻力，却也遇到不少因为老板/业务无法理解AI边界导致的心力交瘁的情况，也会因为业务要求agent必须“100%准确率，否则就是你的prompt没写好”而崩溃。 随着AI日新月异的发展，尽管已经出现了更多优化AI agent的方法，比如MCP，skills，harness engineering，loop engineering… 但真实的企业场景远比这些复杂，参杂了太多实际业务的复杂流程和边界情况，系统设计需要考虑的远比技术博客、技术总结多得多。 非常佩服作者对AI项目的深度思考，也感谢她这么精彩的故事，在享受阅读的过程中，我也收获了许多，比如如何推动跨团队的合作，怎样高效了解需求，实际开发过程中容易踩的坑，业内如何定义ai产品的上线标准，什么时候需要involve更高级别的manager等等… 我知道之后我也还是会遇到问题，会不断踩坑、摔跤，甚至还是会时常怀疑自己是否走在正确道路上，但我知道，事情的成败并不单取决于我的能力或者努力，尽力看清现状，然后顺势而为，就是我最大的诚意。

我觉得非常有必要写一个书评，来帮助更多读者了解本书。 这本书从书名到简介，都在传递一个信号：一个公司如何引进AI大模型 但非常不客气地说，内容并非你期待的那般。为何这么说，且听我娓娓道来。 如果你不懂技术，遇到了此书，我想大概率有这样的期待： 期待通过一个通俗故事来了解企业如何引进ai大模型。很可惜，这本书并不具备讲好一个通俗故事的能力，人物刻画和编程管理之外的内容很浅显。为何说浅显呢？我举个例子，看一个完整的电影在心中建立起对主角的印象，和通过5分钟短视频解说而建起的主角印象，就是这种对比，因为刷完5分钟后你甚至记不清刚讲了啥故事。所以通过此书，你不会对任何角色留下深刻印象，更无法从角色身上感受到某种魅力。那么更无法镜像的反思自己，获得思考。 而文中有大量的编程相关的内容，尽管笔者通过口语化表达，但收效甚微，读起来很生硬和无趣，不能算一个好的科普读物。 我之前并不懂任何会计知识，但《世界上最简单的会计书》让我对会计有了深刻印象与兴趣；我不懂枯燥的经济学理论，《小岛经济学》让我兴趣大发，孜孜不倦的研究宏观经济政策。但我是一个程序员，在大学就花费了不少精力与兴趣在深度学习上，尽管工作后没有从事AI大模型，而是负责业务类软件开发。我那时候也没有ai大模型这个选择，但这本书我看的昏昏欲睡，一路坎坷。 直到硬着头皮看完，我才知道这本书到底在说啥，核心就是如何搭建一个RAG大模型，如果你不懂什么是RAG，可以直接离开了。如果你兴趣非常强烈，打开B站搜RAG，点开“黑马程序员大模型RAG与agent智能体项目实战”，15小时的教学很快让你了解，实践完之后，这本书对你的作用就降为1/3，因为2/3都是用大白话讲项目实现，1/3是上班发生的那些职场故事。 如果你已经在用AI大模型了，这里的职场故事你可以听个乐呵或者共鸣，技术部分就当是个白话总结。 最后，我再次强调，这不是一个及格的ai大模型科普书，但这本书有一定的意义，因为目前市场上，还是很少有这类科普书。以后也很少有，没人会写这种科普，AI更新的太快，很多技术一年一换，两年一换。这本书提到的技术实现方式也一定会被更迭掉。 我暂时搞不懂这本书的定位，作者声称自己负责企业AI大模型的设计和落地，在书中我没看出多少干货，可能害怕读者偷师，故意藏招吧。读者因为不懂ai大模型和企业的故事，找来这本书，这本书又不讲透藏在里面的人情世故，走马观花的写了一下遇到的阻塞，并用大量笔墨写了技术实现，想当做技术科普，问题是谁会找一本书了解大模型的技术，直接找教程实操去了。 就跟我学深度学习一样，我没事看文字版技术科普，找个视频或者代码手册，分数预测模型demo直接复现一遍自然入了门。现在有了ai，更方便了。

其实有时候我会有很多想法，脑子里不停翻转一些东西，但只是停留在想的阶段，并没有进一步动作。很开心有机会能够读到作者的两本书，昨天我读完了职场十年，第一次发现我会对这种类型的书产生很想读下去的欲望（没怎么看过这类型的书），所以我对作者产生了浓厚的兴趣以及崇拜，羡慕她能够每一步紧跟时代的潮流，赞叹她能够把自己的所见所闻通过这种方式让普通的我也可以对另一个不近又不远的世界进行一小点的窥视。我正处于准备秋招时期，有缘的是我给我的职业规划和作者的经历不谋而合，我学的是数据科学，最开始觉得我可能去往数分DA或DS发展，但是在快速发展的今天我已经决定不定具体方向但必须跟AI相关，书中所讲的技术是我熟知的，我清楚的知道RAG是什么怎么实现，应用场景，但书中推进的过程确实和我所知相差甚远，其实我对于所谓的企业文化也是有所了解，包括实习之后确实也会发现，有时候有些事并不是按照１２３就会很顺利的推进下去的，但实际看到后还是会（不知道怎么形容这种感觉）．这应该就是学生思维和职场打工人思维的转变，包括若思在职场十年也提到的站在领导的角度，销售的角度，技术的角度．．．其实看完这两本书说实话我真的学到了什么呢其实我也不太清楚，如同我看一些言情小说一样，之后再回忆起来可能会是若思我很羡慕她，她很厉害，李可很优秀，意义可能在于，以后的我如果真的遇到同样的情况，亦或是如果我在麻木的工作里失去对理想主义的向往的另一种激励与参考．最后，我最开始并不知道若思的性别（直到书中提到她怀孕），但我从点开第一本书第一页开始就已经默认这是一位优秀的女性的作品，而冥冥中一股力量吸引我（我是因为看一本书体验卡用完了看不了然后在每周免费读两本的那个区域发现职场十年这本书免费才开始看的），向优秀的女性致敬！希望我以后也能够成为一位优秀杰出的职场人！

这是一部独具特色的AI科普读物。故事以职场为容器，将读者带入一家传统制造业公司，在升职、立项与裁员的日常叙事中，悄然完成了一次生成式AI的“现场教学”。作者将技术概念拆解为“能落地的流程改进”与“无法回避的文化冲突”，让人物命运的起伏映照出AI对组织结构与个人角色的重塑。 作为科普小说，它对读者十分友好：轻喜剧笔法与女性视角赋予技术议题可亲的温度；裁员、晋升、跨部门博弈等场景贴近本土经验；穿插的职场小故事将大模型时代的机遇与阵痛讲得生动易懂。书中既有宏观战略分析，也不乏技术细节与重要流程，可读性与专业度兼备。 书中特别强调AI的双重性——既增强个体能力，又重塑组织结构，迫使企业从“工具视角”转向“文化-结构视角”，在透明、责任、学习、人本等价值观上进行底层重构。通过精准激励与流程再造，将效率提升转化为员工可感知的收益，缓解替代焦虑；让AI赋能文化传播与管理提效，为差异化竞争优势构筑动态护城河。只有当文化与技术同频，企业才能在大模型时代实现真正的组织进化。

作为 ai pm 好看好看好看 里面很多剧情都能看到我的痛苦面具 2025 年一月看了作者的职场 10 年 让我对自己的工作有了新的认识 当时就给我自己 seeding 了一个要做 AI 的种子 跨到新浪潮里面去 而今年真的开始做部门里的 AI 级项目 从欣喜若狂到焦头烂额到疲惫麻木 字字血泪了可以说 里面简直就是演我在上班 接一下李可的职场运好吧 在创造价值时 我觉得工作真的有意义 希望我能够拥有更多这样的时刻 里面有一部分我也很同意 那些工作中模糊的焦灼的不确定的拉扯 后面就会伴随着决定性的时刻 可能要换个角度来看待这些让我讨厌的时刻 它们都是机会