实操“手机万能透视看牌器”实操手册

1. 先算清最坏情况的代价清单

动手前把手机万能透视看牌器可能带来的损失逐条写下来：时间上如果反复排查要耗掉几个晚上，数据上如果覆盖写了关键配置能不能找回，连带影响上如果这台机器还跑着别的服务会被牵连到哪一步。每类损失给出一个具体数字或范围，例如「允许回滚两次、每次不超过三十分钟」「允许丢失的仅限本次新建的临时文件」。清单写不出来，说明你对手机万能透视看牌器的风险面还没有底，此时动手等于盲赌，先补齐了解再说。

实用提醒：损失按可恢复与不可恢复分开写，后者才是真正的红线

2. 为每类损失划一条可承受上限

给时间、数据、环境三栏分别定上限：时间栏写明最多投入多少个排查回合，超过就换方案；数据栏写明哪些东西绝不能碰，凡步骤涉及这类文件必须先备份再动；环境栏写明这次改动允许影响哪台机器，工作主机和实验机分开处理。上限要写成可判断的句子，比如「连续两次回滚仍不生效就停止本次手机万能透视看牌器配置」，而不是「尽量少花时间」这种无法执行的空话。

实用提醒：上限写在记录页顶端，每次操作前看一眼当下离红线还有多远

3. 评估依赖与共用的连带成本

很多手机万能透视看牌器的配置不是孤立动作，它会改动公共依赖、共享目录或者同机服务引用的路径。动手前先把依赖关系查一遍：这个配置项有没有别的程序在读，这个目录是不是两套环境共用，改动之后谁会被连带。发现共用点就在记录里标注，先做隔离再改。代价意识的核心不是害怕操作，而是清楚一次误改会不会顺着共用关系扩散到工作之外的系统，扩散面越大，越要提前准备备份。

实用提醒：共用目录只读不写，必须先复制一份独立副本再修改

4. 超限即停，保留现场不硬撑

操作过程中一旦回滚次数触顶、出错位置开始漂移、或者日志出现无法解释的现象，立刻停手。停手动作包括：把当前回退到最近一个已知可用状态，记录这一轮做了什么和在哪里卡住，不确定的目录先冻结不清理。很多人吃亏是在超限之后继续试第三次第四次，把本来可恢复的小问题拖成删错文件、覆盖备份之类的真正损失。停手不是失败，是手机万能透视看牌器配置在代价超限时唯一安全的选择。

实用提醒：停手时先把改动过的文件清单记下来，下次续做有据可查

相关动态

5年后，你手机上的购物App会消失

内容来源：笔记侠PPE（政经哲）课程26级美国站《创新英雄》现场分享。责编 | 贾宁 第 9889 篇深度好文：8985 字 | 20 分钟阅读 商业趋势 电商巨头亚马逊，在 AI 时代正在如何实践 Agent，拥抱AI时代？今天的内容，来自笔记侠PPE（政经哲）课程26级美国站《创新英雄》现场分享的精华部分，分享人是前亚马逊Rufus项目（AI助手）创始成员，内容以第一人称展开。

这次美国之行，笔记侠和一批优秀的中国第五代企业家，在硅谷和西雅图双城，展开了深度的现场学习和实践，相关内容请点击链接了解： 万维钢：未来几年，人只剩两件事可干 人生拼到最后，拼的是心力 过了明年和后年，这个机会就轮不到你了 希望今天的分享，对你有所启发。

一、从卖书到AI购物， 今天的亚马逊在做什么？1.先解决一个问题，别急着做万能Agent 很多企业做AI项目时，第一反应是："我们要不要做一个Agent？" Agent，中文通常翻译为"智能体"，指的是能够理解目标、调用工具、拆解任务并连续执行多步操作的AI系统。

它不只是回答问题，还可以帮用户完成搜索、比较、填写、下单、分析、整理等一系列动作。听上去很有吸引力，但问题也从这里开始。很多企业还没有想清楚客户到底遇到了什么问题，就先决定做一个Agent。亚马逊的Rufus项目，提供了一个相反的案例。这个项目在2023年启动时，最初只有七八个人，后期也不到20人，用大约两个月做出了一个小型演示版本。

项目后来获得认可，团队才逐步扩大到数百人，并继续向完善的AI购物助手发展。亚马逊当时面对的实际问题非常具体：平台商品越来越多，用户搜索一个普通商品，可能会得到几百甚至几千个结果；评论中存在刷评现象，用户很难判断哪些信息可信；选择太多，反而让人更难做决定。

所以，Rufus没有一开始就把自己定义成一个什么都能做的超级助手，而是先做导购。它要做的事情很简单：理解用户的需求，整理商品信息，解释不同选项的差异，最后给用户两三个更值得考虑的选择。购物在这里被重新理解成了两个问题：一个是选择困难，一个是信任不足。

这就是亚马逊做Rufus时最重要的判断。它没有先问"AI现在能做什么"，而是先问"客户现在最需要什么"。做Agent时一定要先定义边界。今天的AI可以完成很多事情，但并不意味着它适合解决所有问题。企业如果看到几个很酷的AI演示，就决定把所有流程都AI化，往往会迅速陷入混乱。

模型能力越强，任务范围越大，数据、权限、流程和错误处理就越复杂。亚马逊的做法，是先把问题缩小，再把结果做深。2.算力是亚马逊给未来准备的筹码 如果只把亚马逊看成一家电商公司，就很难理解它为什么能在AI时代保持竞争力。亚马逊从1994年在线卖书起步，后来扩展到全品类零售、云服务、智能硬件、线下商超等多个领域。

AWS(Amazon Web Services，亚马逊云服务)如今已经成为亚马逊最重要的业务板块之一，也是其AI基础设施的重要组成部分。AI时代的竞争，仍然要落到基础设施和供应链上。亚马逊有一个布局挺让人敬佩的，我在亚马逊工作时，GPU（图形处理器）非常充足，永远不会为GPU担心，没有人会为算力发愁。

亚马逊提前布局GPU算力，从一开始H100、H200、B200，现在到B300、GB300，因此内部团队使用算力时相对充足。亚马逊不愧是做供应链出身的，算力其实也是供应链产品，需要CPU、网络、光纤、盖机房，这一套东西下来了是很吃供应链能力的。

在微软和谷歌时，反而经常遇到算力排队的问题。亚马逊未必是最早喊出AI口号的公司，却很早做好了基础设施准备。亚马逊原本储备算力，可能主要是为了搜索、推荐和云计算业务。生成式AI兴起之后，这些提前投入的资源突然有了新的用途。这就是长期投入的价值，它未必一开始就能带来收入，却可能在未来出现新机会时，让企业拥有更快的反应速度。

3.一个完整的AI底盘 亚马逊Echo智能音箱也是同样的逻辑。这是亚马逊推出的智能音箱，这类硬件本身并不一定以硬件利润为主要目标，主要是为了提高购物的体验，它更重要的作用，是把语音交互接入购物场景。可以在硬件上和亚马逊的商城说：今天我们家洗衣液没了，给我加点洗衣液。

用户可以直接对设备说家里的洗衣液用完了，让系统帮忙补货。当对话式AI能力还不成熟时，Echo更像一个智能家居设备；当模型能力提升之后，AI一下子就对话了，能聊天了，而且聊天越来越好了，它又可能成为购物入口。以前想做这么一个功能的时候，AI还没有现在这么厉害。

后来忽然发现，AI一下子就对话了，能聊天了，而且聊天越来越好了，亚马逊又一下子投资了Anthropic，Anthropic的模型又是最好的，导致现在的Echo最好卖。这样一来，亚马逊的几种能力就连接起来了： AWS提供算力，供应链负责提前准备基础设施，电商平台提供真实交易场景，Echo提供入口，用户行为沉淀为数据，模型则负责理解和执行。

现在，亚马逊是Anthropic的重要投资方甚至是最大投资方，导致现在的Echo最好卖。亚马逊公司属于资源型企业，堆资源之后可以把事情做好，但是要说纯创新型，亚马逊这么多年的创新能力，肯定不如创业公司。在国内也是一样的道理，最好的模型不是大公司做的。

二、Agent不是魔法 1.一定要搞清楚你的Agent，到底要解决什么问题 做Agent这个东西，一开始很酷，但是Agent越往后，问题越多，犯的错也越多。做一个Agent的话，最重要的是你要想清楚，Agent不是万能。做Agent，一定要永远问自己的一个点：Agent的边界在哪里？

当时，shoppe、eBay、沃尔玛等美国电商平台都在做一模一样的Agent，它们也不差钱，但是都失败了，最后都没推出来。但是亚马逊至少推出来了，而且大家的使用量也在逐渐上升，客户的反馈也在逐渐上升。很多的时候，一定要找到，你要让你的Agent解决什么问题。

好多公司，尤其是在领导可能对AI不是很了解的情况下，觉得今天的Agent AI能实现这个，明天又能实现那个，感觉AI是万能的。这是一个非常危险的事情。一定要定义清楚你的AI到底要解决什么问题。很多的事情，AI还是做不了的。亚马逊认为购物到底是个什么问题？

说白了就是信任问题。我相信你，我通过你这个渠道去买东西，就这么简单。但是，亚马逊又出现了一个问题，信息过载，你一搜能搜几百个、几千个东西，我到底该买哪个？当互联网刚开始的时候，大家还愿意看评论，现在大家都不愿意看评论，尤其是在购物网站。因为大家都知道，很多都是刷的评论。

对于客户来讲，这就导致一个问题，很难做决定。为什么？你给我的选择太多了，我就想要一个最basic的垃圾袋，你给我推出来200个，各有各的好。所有的事情加在一起，就变成信任很低。亚马逊相当做一个导购，以前是怎么做的？一个搜索框，你一搜，出来很多东西，人开始对比。

现在，我们就希望让Agent帮我。AI在购物领域使用的时候， 一开始是推荐系统。这是AI1.0，现在是AI2.0。AI 1.0是通过找到某些特征，做一些匹配。为什么这一次2.0是真正的AI爆发？这一次的AI，不仅仅能找到特征，理解特征，并且能自己重新定义特征，并且能跟人开始真的交流了。

亚马逊，它未来的AI战略到底是什么？亚马逊一定会把选项直接就交给AI来去做。亚马逊现在在做一件事：怎么样能给打广告的客户增加一些权重，能让自己的AI Agent优先推荐。你一定要要知道哪一类客户在聊天中用哪些关键词。未来的AI投流会做这一套。

这就是为什么大家都在抢占对话聊天这套产品。未来，对话聊天可以嵌套所有东西，把所有的东西连在一起，这就是为什么meta最近出muse，一下子这么火，因为可以跟所有的软件进行结合。亚马逊现在最重要的战略就是AI购物平台，整个公司的大战略转型都是在做AI。

2.一个购物的Agent到底由什么组成？用 AI 去洞察客户的需求，说白了就是一个context intelligence（情境智能"或"上下文智能"‌）。到底有什么context（上下文），比如你家有几口人？你自己家里经常买什么？去看一个人的社会地位、性格以及兴趣爱好，最好的方法就是看这个人平常浏览器的浏览记录。

有这些分析，每个人搜索页面，匹配的产品就会不一样。这就是为什么context（上下文）是最重要的。数据非常重要。未来的投流会越来越精准。我给大家一个非常简洁的公式：Agent = 强模型 + 上下文 + 多步执行。有一个好的大模型，加上context（上下文），再加上多步执行的能力，组成了今天的Agent。

强模型负责理解和生成。Context（上下文）指与当前任务有关的长期信息。它不只是当前对话里的几句话，还可以包括用户的偏好、家庭成员、历史购买、企业文件、流程规则、权限边界和过去做过的决定。多步执行，指AI不再只回答一个问题，而是把一个复杂目标拆成多个步骤，逐步搜索、比较、调用工具、执行和复核。

比如，一个用户说："我准备花300美元带着狗去露营，帮我把需要的装备买齐。" 这句话看起来很简单，但真正执行时，Agent需要考虑预算、宠物限制、露营地点、天气、装备清单、商品评价、配送时间和总价。它可能先列出装备，再搜索商品，比较价格，排除不适合带狗使用的选项，最后把结果组合成一套方案。

传统AI往往只能处理其中一个动作，它只能干一次，就一锤子买卖，判断一次，而Agent试图完成整个过程。但多步执行并不是步骤越多越好，如果一个任务10步可以完成，就没有必要设计成12步。步骤越多，成本越高，延迟越长，出错的可能性也越多。一个好的Agent，不只是会"做很多事"，还要知道哪些步骤可以省略，哪些信息应该调用，哪些信息不能调用。

3.从";猜你喜欢"到"我知道你现在想要什么" 如上所提及，过去的推荐系统，可以称为AI 1.0，主要依靠特征匹配和行为标签。例如，系统知道用户买过什么、点击过什么，再根据相似用户的行为进行推荐。阿里曾经提出的"千人千面"，就是这个阶段的典型代表。

今天的AI则开始进入另一个阶段。它不只是识别特征，还可以理解特征、重新组织信息、解释原因，并且通过对话进一步了解用户的真实意图。用户说"给我买个礼物";，这句话本身的信息很少。但如果系统知道用户家里有几个孩子、谁最近过生日、每个孩子喜欢什么、预算是多少，它就可能给出完全不同的答案。

这就是上下文的作用。如果一个人曾经说过"最近想吃鱼";，并不代表他今天午饭一定想吃鱼。如果AI在错误的时间调用了这条信息，就可能被无关上下文误导。这就是一个意图理解。意图理解，没有什么高深，说白了就是真正理解意图。未来，AI是要把你的一辈子保存下来，上下文理解是真的要懂你的一辈子。