算法与能力01
理解智能如何生长
关注模型架构、推理、记忆、多模态、智能体协作与可信评估。不只比较参数，也探索能力边界。
- Agent 系统设计
- 模型评估与可解释性
- 本地模型与端侧智能
我们不只追逐“更大的模型”，更关心一个问题：
新的智能能力，能解决什么真实问题？
01 / IDEA MAP
AI 创意地图
从底层能力到现实价值，用四种视角寻找值得投入的方向。
产品与应用02
把能力嵌入真实流程
不从“哪里能加 AI”出发，而从重复劳动、决策瓶颈和知识断层中寻找产品机会。
- 个人知识与研究助手
- 垂直行业 Copilot
- 自动化工作流重构
价值与商业03
让有效原型持续创造价值
先证明有人愿意使用，再研究付费、交付和增长。把一次性的技巧变成可重复的系统。
- 服务产品化
- 小而深的 AI 工具
- 按结果而非功能定价
未来与准备04
在人机协作时代建立杠杆
工具会更替，真正耐用的是定义问题、组织上下文、验证结果和承担判断的能力。
- AI 原生工作方式
- 数据、隐私与安全意识
- 持续学习与快速实验
02 / FROM IDEA TO VALUE
从想法到价值
好的 AI 项目不是从复杂技术开始，而是从一个可验证的问题开始。
- 01找到高摩擦问题
寻找高频、耗时、容易出错，或过去因成本太高而无法解决的任务。
- 02做最小实验
用现成模型和人工流程快速验证，不急着构建完整产品。
- 03建立可信闭环
明确输入、输出、评价标准与人工复核点，让效果可以被测量。
- 04嵌入真实工作流
减少切换成本，让 AI 出现在用户原本就会经过的位置。
- 05验证持续付费
用节省的时间、提升的收入或降低的风险来表达价值。
03 / IDEA CARDS
值得继续推演的想法
不是结论，而是可以被验证、被反驳，也可以继续生长的起点。
真正的 AI 产品，可能看不见聊天框
当智能被嵌入流程，用户只会感受到任务变简单了，而不是“正在使用 AI”。
智能体的瓶颈可能不是能力，而是信任
授权边界、可观察性、回滚和责任归属，将决定智能体能走多远。
小团队会拥有过去大公司的执行杠杆
研究、设计、开发与运营的边界逐渐模糊，速度来自更短的反馈链路。
会提问只是起点，会验证才是分水岭
未来的稀缺能力，是识别错误、建立证据并在不确定中作出判断。
云端能力与本地智能会长期共存
隐私、延迟、成本和个性化，让端侧模型拥有不可替代的位置。
最有价值的数据，常藏在未被记录的流程里
先整理业务上下文，再谈模型升级；结构化知识本身就是竞争力。
04 / GET READY
为下一轮变化
建立自己的准备度
无法准确预测 AI 的下一步，但可以让自己更容易适应变化。与其押注某一个工具，不如构建一套持续试验、判断和创造价值的系统。
01问题定义把模糊需求拆成可验证任务
02上下文工程让模型获得正确的信息、规则和工具
03结果验证建立事实检查、测试与人工复核机制
04快速构建用低成本原型缩短从想法到反馈的距离
05责任判断理解安全、隐私、偏差与人的最终责任
THE NEXT IDEA
未来不会一次到来。
它会从一个个被实现的想法开始。
Fishy Tree AI Lab · 持续观察，持续实验，持续更新。
↑