2026-09-02

@madvincent4 不需要让明星员工分享，把明星员工的能力变成一个 service 提供出来

在硅谷创业，现在toA非常火（to agent，做ai agent用的产品），想分享一个珍贵的、最近沉淀下来的初创 idea，来源于我团队真实的数据 它起源于实际团队协作的一个痛点，很多人一定也有同感 一句话来说，我把它叫做团队共同记忆演化，什么意思呢？ 团队有明星员工，ai/codex/claude用的飞起，Context - Dev - Skill - Eval -Loop做的飞起，但遇到3个致命问题 1. 不可迁移。大部分p50水平员工不会做，导致团队内水平不对齐，大量重复工作和人力消耗 2. 不可演化。Loop中ai总能发现问题，可能是pm/QA发现的，也可能是RD自测，ad hoc解决完之后，domian specific的问题是fable 5.1 也无法解决的，我预计这类私有化问题还会持续很长的时间 3. AI大材小用。任务并不一定需要高智能，但是现在小模型做得不够好（比如 GLM、Kimi 也一次性做不好），所以团队成员还会尽可能地用贵的模型去做。 但其实可以 Record as a skill，或者通过 post-training 让本地极小、极便宜的模型在某个特定的、重复性高且使用频率高的场景下，做到和顶级模型一样的表现，这样成本更低 这个问题其实很多开源项目已经在做了，但我拿下来测试都差强人意，并不 fit 我的实际业务数据。 这是我 side project 方向在探索的问题。如果有好的产品，欢迎分享；如果你有好的 idea，也欢迎让我知道

入门 AI 不在于你学没学会，而是在于你去学什么。 分享4个最近/曾经看过的 AI/Inference/RL 强化学习分享视频，教程。团队成员说很有帮助，一直好评 看完之后你会大概入门： 1. 为什么我 LLM 的 推理 非常关键？ 2. 在推理过程中，KV Cache 发挥了什么样的作用？ 3. GPU 的 memory 和算力是怎样的权衡？ 4. 为什么互联如此重要？ 5. 强化学习是如何做的？为什么是下一阶段 AI 增长的关键点？ 1/ Understanding the LLM Inference Workload - Mark Moyou, NVIDIA https://t.co/0oZoAq6UC0 2/ Post-Training Nemotron With RL: Multi‑Environment Training for Reasoning and Tool-Using Agents https://t.co/Q2HFcZytYo 3/ Fast & Efficient LLM Inference with vLLM https://t.co/L9sPaoT6Jb 4/ Efficiently Serving LLMs https://t.co/KV3RsTgLxM