KeyFrame內部研究專用

Claude Tag还没用上,飞书的多维表格智能体来了

小天fotos·7月2日週四·6 min中文

三句話摘要

飛書多維表格智慧體如何成為企業AI應用的正規化轉變,以及為什麼這會引發"人人都做AI"的浪潮。 飛書多維表格智慧體透過降低使用門檻、內建許可權管理、事件驅動自動化,將AI應用的真正瓶頸從技術問題轉為社會問題的解決,預示著一場"人人都用AI"的浪潮即將在國內爆發。 社會學而非技術問題——企業AI應用卡點不在模型能力,而在組織採納。多維表格智慧體透過在飛書群裡展示AI成果、獲得點贊,建立"我知道你知道我知道"的共同知識,自然推動團隊的AI文化形成,類似於"接龍"改變了群組織的活躍度。

重點整理

重點
  • 1

    社會學而非技術問題——企業AI應用卡點不在模型能力,而在組織採納。多維表格智慧體透過在飛書群裡展示AI成果、獲得點贊,建立"我知道你知道我知道"的共同知識,自然推動團隊的AI文化形成,類似於"接龍"改變了群組織的活躍度。

  • 2

    許可權與安全的天然平衡——智慧體原生住在表格裡,自動繼承使用者的資料許可權,提問超出許可權範圍直接拒答。這比通用大模型需要搭建複雜許可權系統簡單得多,既滿足安全需求,又不喪失功能。

  • 3

    事件驅動的24小時自動化——監聽業務指標變化(ROI跌破2、庫存天數<7、高價值客戶30天未復購)自動觸發預警和通知,無需人工定時檢查,相當於省下一個AI員工。

  • 4

    知識資產化的競爭新格局——經驗從黑箱變成可複製的系統,早點把直覺變成Agent的人獲得競爭優勢,晚的人會被加速淘汰。

實用技巧與重點

乾貨
  • 多維表格智慧體的核心功能:
  • 操作許可權:根據資料許可權自動隔離可執行操作
  • 觸發規則示例:ROI跌破2→圈負責人+管理群通知;庫存<7天→通知供應鏈補貨;高價值客戶30天未復購→運營預警
  • 一鍵分享到群,所有成員可用,無需許可權配置
  • 資料能力驗證:
  • 飛書多維表格AI在所有真實業務資料分析測評榜單中全部拿第一
  • 與其他工具對比:
  • vs Claude龍蝦:許可權管理、資料安全(龍蝦許可權太大或需複雜系統;智慧體天生隔離)
  • vs Cloud Tag:貼近業務流程深度(Tag讓Agent進群;多維表格讓Agent進業務)
  • 混搭用法:
  • 多維表格智慧體發現問題→圈龍蝦執行復雜任務

結論

結論

飛書多維表格智慧體透過降低使用門檻、內建許可權管理、事件驅動自動化,將AI應用的真正瓶頸從技術問題轉為社會問題的解決,預示著一場"人人都用AI"的浪潮即將在國內爆發。

完整解析

詳細

當Andrej Karpathy宣傳Anthropic的Cloud Tag是AI應用的正規化轉變時,講者起初質疑,但深入研究後發現這股浪潮在國內會更猛烈。問題在於,不是每個人都能用Cloud Tag,但飛書多維表格智慧體是國內企業每天使用的工具——這才是真正的切入點。

很多人聽到"多維表格智慧體"這個名字就想笑,覺得不過是產品炒作。但講者從社會學角度深入剖析:企業AI應用的最大痛點從來不是技術問題,而是員工不願意用AI。他用"接龍"的例子說明——很久以前在群裡組織活動沒人參與,直到有人發明接龍這個形式,團隊瞬間活躍起來。接龍建立的是"共同知識":不只是大家都知道,而是大家都知道大家都知道。當員工在飛書群裡分享自己建立的智慧體並獲得點贊時,就在建立這樣的集體心理,加速整個團隊的AI使用文化。

從產品功能看,多維表格智慧體解決了三個核心問題。第一是建立門檻極低——點點滑鼠輸入需求,幾分鐘就能建立一個可執行的智慧體,分享連結到群裡全部人都能用,完全無需像整合龍蝦那樣搭建複雜的資料庫連線橋樑。第二是許可權和資料安全——智慧體天生住在表格裡,會根據發起人的實際許可權自動決定能做什麼,問了不該問的問題直接拒答。這比通用大模型需要精心設計複雜的許可權系統簡單得多,既實現安全隔離,又不喪失可用性。第三是事件驅動的全自動化——設定ROI跌破2就在群裡圈負責人並同步到管理群,庫存可售天數跌到7以下自動通知供應鏈補貨,高價值客戶30天沒復購自動提醒運營。這些預警在業務事件發生的瞬間觸發,無需任何人工干預,相當於為企業增加了一個24小時不知疲倦的AI員工。

講者用實際案例演示了這套系統。他先用官方行業夥伴案例加上招聘資訊,構造了一個完整的電商多維表格,包含商品、投放、訂單、庫存、人員等全線資料。當他手動改動ROI資料時,智慧體迅速傳送了預警,在運營群裡圈了負責人,同時在管理群同步了資訊——整個過程自動進行,無需人工觸發。他還提到,如果配置"一鍵調整預算"的功能,負責人甚至可以點一下卡片就直接搞定。

對於"多維表格會不會分析錯"的顧慮,講者拿出真實資料佐證:在飛書的多個真實業務資料分析測評榜單上,多維表格AI全部拿了第一,說明其理解和分析表格資料的能力是可靠的。與此同時,當需要做更復雜的任務時,可以讓多維表格智慧體圈龍蝦來配合——智慧體發現問題,龍蝦負責深度分析或執行復雜操作,兩者結合發揮各自優勢。

但講者也坦誠指出了一個現實的挑戰:如果你把多年踩坑積累的經驗做成智慧體分享出去,別人可能立刻復刻走,這不是在加速自己被淘汰嗎?他的回答是:不要讓經驗停留在腦子裡,而要儘早將其轉化為可執行、可統計、可署名的資產。這樣做的人會成為AI浪潮中的吃螃蟹者,而那些死守經驗黑箱的人會逐漸掉隊。經驗的價值在於如何系統化和規模化,而不是藏著掖著。

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。