KeyFrame內部研究專用

How Companies Will Actually Use AI Agents in 2027 (Tutorial)

Nick Saraev·7月13日週一·19 min英文

三句話摘要

展示如何使用AI代理與共享工作空間建構現代知識工作流程,讓人機協作大幅提升生產力。 通過設計人機協作工作空間、制定清晰的AI資訊邊界、建立嚴格的評估標準,現代知識工作者能以思考的速度行動,將精力從執行轉向高價值的規劃與品質控制。 協作工作空間的架構:Linear以「收件匣→下一個→行動→等待→已完成」的狀態流轉管理任務。重點不在工具選擇,而在於創造一個人類與AI共同操作的平台,讓任務可被追蹤、上下文可被保留。

重點整理

重點
  • 1

    協作工作空間的架構:Linear以「收件匣→下一個→行動→等待→已完成」的狀態流轉管理任務。重點不在工具選擇,而在於創造一個人類與AI共同操作的平台,讓任務可被追蹤、上下文可被保留。

  • 2

    AI代理的三層資源訪問:Fable代理可存取工作區上下文(現有文件、其他任務、內容管道),知識庫(講者的決策偏好、風格指南),以及各類憑證。這三層資訊讓AI能代表講者的「品味」執行工作。

  • 3

    評估工具制定運作邊界:評估不是簡單檢驗,而是一套標準化步驟清單。以視覺資產為例,需檢查清晰度、風格一致性、尺寸規格、概念忠實度等五項標準,每項0-2分,總分低於7則重新迭代。目的是確保AI輸出始終符合講者的標準。

  • 4

    工作角色的根本轉變:講者從「內容創作者做所有創意工作」轉變為「規劃者+評估者」。日常職責從執行變成定義任務範圍、驗證成果品質、做價值判斷——抽象層次上升,效率卻因避免上下文切換而大幅提升。

實用技巧與重點

乾貨
  • 工具與狀態:Linear任務狀態系統(收件匣、下一個、行動、等待、已完成)
  • AI能力三層:工作區上下文、知識庫、服務凭證
  • 公司規模:月營業額超過40萬美元,涉及媒體、AI實施、諮詢等多領域
  • 快捷鍵設置:Command+G快速建立任務;雙擊按鈕自動標記為代理就緒;單擊留給人工處理
  • 評估標準五項:(1)遵循第一原理、(2)結論預期價值、(3)是否節省Nick時間、(4)資訊已驗證、(5)槓桿檢定;每項0-2分,總分≥7才通過
  • 視覺資產檢查清單:文字清晰、風格符合(墨印風格、純白底黑墨)、縮圖大小清晰可辨(1280×720或1920×1080)、忠實於概要、尺寸正確
  • 推送通知機制:當AI代理需要批准時螢幕彈出通知
  • Maker School方案:90天自動化路線圖,承諾90天內帶來第一個客戶,逾10,000人完成

結論

結論

通過設計人機協作工作空間、制定清晰的AI資訊邊界、建立嚴格的評估標準,現代知識工作者能以思考的速度行動,將精力從執行轉向高價值的規劃與品質控制。

完整解析

詳細

講者首先說明現代最高效工作者的工作方式已與半年前大不相同,根本原因是AI代理的出現。雖然業界都在談論AI代理,但缺乏實際知識工作環境中的具體示範。

他的解決方案建立在三個核心要素上:首先是人機協作工作空間。講者選擇Linear作為專案管理中樞,以清晰的狀態流(收件匣→下一個→行動→等待→已完成)管理任務。重點在於這個空間同時承載人與AI的工作——講者只需建立任務並標記為「AI就緒」,系統就會自動觸發Fable代理執行,無須手動提示。

其次是AI代理的資訊層次設計。當任務被標記為AI就緒並拖入工作流時,系統會向伺服器發送請求啟動代理。Fable代理可訪問三類資源:工作區上下文(包含所有文件、其他任務、內容管道),知識庫(講者的過往決策方式、策略文件),以及各服務的API密鑰和憑證。這讓AI代理能在講者的「品味與邏輯框架」內工作,而非盲目生成內容。

第三個關鍵是評估工具。講者強調AI輸出並非絕對信任,必須設定「最終檢查邊界」。他以視覺資產評估為例,列出五項檢查標準:(1)是否基於第一原理而非慣例、(2)結論的預期價值、(3)是否節省講者時間、(4)資訊是否已驗證、(5)是否運用了知識庫中的槓桿。每項評分0-2分,總分低於7則整個輸出失敗,需重新迭代。這套評估機制確保AI輸出始終符合講者標準,避免「交給AI就放心」的風險。

講者展示的工作流程改變非常實際:他透過快捷鍵(Command+G)快速捕獲任務想法,無需打開介面。例如發現YouTube縮圖有問題,只需語音或文字輸入「修復Daily Updates頻道的縮圖」,任務立刻進入系統。他可以同時發起50個這樣的任務,讓多個代理並行工作,自己則每天檢查1-2次,批量評估成果。這完全改變了工作瓶頸:不再是「一天能完成多少工作」,而是「能多快、多準確地規劃工作」。

最後,講者強調這套系統的價值核心在於「捕獲+評估」的結合。捕獲(capture)來自David Allen的《搞定》概念,指以最低摩擦的方式記錄想法。評估則確保輸出符合標準。這樣一來,講者的日常職責從「執行創意工作」轉變為「定義範圍→驗證品質→做判斷」——工作層次上升,效率卻因減少上下文切換而大幅提升。他從創作者變成「管理AI團隊的經理」,把時間投入在真正產生槓桿價值的事:規劃、品質控制、與關鍵客戶建立關係。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。