核心观点 - 腾讯在AI领域的策略是“熬得久，比起得早更重要”，将AI竞赛视为马拉松，而非短跑，强调长期投入与穿越周期的能力[3][6] - AI应用不止于大模型本身，算法与工程能力并重，场景是腾讯做AI最厚的底牌[7][8] - 创新不可规划，但能力可以积累，AI原生应用需基于场景痛点自由探索并快速迭代[11][16] - 企业Agent应用分为个人Agent与服务Agent，两者并存互补，构成完整架构[18][22] - 需用AI原生的方式重构组织力，推动产品、研发与组织的协同变革[23] - 坚持长期主义与以人为本两个“不变”，技术服务于解决真实问题[29][30][33] 关于AI战略与市场节奏 - 外部声音普遍认为腾讯做AI慢了，但公司判断起得早不是最关键，AI下半场才刚开始，市场格局与商业模式未定型[4][5] - 混元大模型经历多次重构，Hy3架构化繁为简，注重数据质量，在同等参数模型中效果突出，但公司整体算力严重不足拖慢了训练与产品发展[5] - 回顾移动设备历史，苹果也经历了十多年探索才抓住市场，起得早的品牌如诺基亚、摩托罗拉等最终掉队，重要的是坚定长期投入[6] - 大模型竞赛像马拉松，现在可能才跑完头一公里，熬得久才有机会抓住持续出现的新机遇[6] 关于AI应用与场景 - 对腾讯这样的平台公司，必须确保大模型投入并紧跟前沿基础技术研究，但眼睛不能只盯着模型层[8] - 腾讯拥有大量to C和to B产品，连接真实用户与场景，如腾讯会议用大模型生成会议纪要，腾讯乐享做企业知识助手[8] - 混元已支持公司内部数百个应用，各产品团队打造的智能体在快速增加，场景是腾讯做AI最厚的底牌[8] - 很多产品会接入多个大模型，针对不同模型能力与价格分类任务，选择性价比高的模型[9] - AI应用落地是算法与工程的结合，算法决定天花板，工程能力决定多快触达它，从数据整理到场景落地都需要AI Infra工程加持[9] - 模型能干活、能规划、能调用工具、能验证结果，企业更愿意为此买单，但企业对AI应用有更多要求，包括数据安全、权限管理、成本管理与系统打通[10] - 丰富的企业应用生态（通过skills与MCP接入大模型智能体）可能是长期的护城河[10] 关于产品创新与能力积累（CodeBuddy/WorkBuddy案例） - CodeBuddy/WorkBuddy团队并非提前预料到办公智能体机遇，而是基于长期积累逐步发展而来[12] - 腾讯云早期收购coding.net做代码托管与DevOps，后增加Web IDE与代码沙箱技术，这些产品曾长期亏损，在降本增效时差点被砍掉，但幸好保留[12] - 2021年微软发布GitHub Copilot后，腾讯云DevTools团队开始研究AI写代码，构建了Coding Agent早期的代码模型与Harness[13] - 2024年推出CodeBuddy，通过私有化部署获得项目收入，让团队继续探索[13] - 到2025年底，Claude Opus 4.5发布后，大模型能长时间执行编程任务，司内AI生成代码比例快速攀升，tokens消耗爆发式增长[13] - 2026年初，基于CodeBuddy底座打造出WorkBuddy，面向非技术研发人员，处理产品经理写方案、运营做数据报告、管理者处理邮件等任务[14] - WorkBuddy上线后获得市场关注，接住逐步衰减的龙虾热，团队以原生AI工作方式疯狂迭代，三个月迭代四十多个版本[15] - 产品迭代方式改变：先让AI做出来，人围着一个能跑的原型看效果、提意见、再调整，代码基本由AI生成，人转向做判断、调试和把关[15] - 过去要花几个小时的工作（如清洗数据、做经营分析、起草文书），现在只需20分钟左右就能打磨出像样初稿[16] - 元宝的探索也在积累做大模型产品的经验与能力，包括实验平台、评测体系和反馈闭环[16] - 元宝在巨大用户增长压力下曾花较多精力做推广与引流，当时模型与产品未ready，效果不满意，但现在公司AI战略清晰，元宝团队可更有节奏打磨产品[17] - 元宝与混元Hy3的Co-Design加持下，搜索体验持续改善，留存率不断提升，单位运营成本持续下降[17] 关于个人Agent与服务Agent - WorkBuddy扮演“个人助手”角色，站在用户侧，理解用户意图，高效创造或完成任务[19] - 企业中有大量持续在线的服务场景，如智能客服、售前产品知识库、人力资源咨询等，需连接CRM、知识库、工单、OA、ERP等系统，对信息准确性、时效性、数据权限、流程约束等有严格要求[19] - 服务Agent遵循服务提供者与管理者的意图，对数据输出承担责任，避免滥用，可被个人Agent调用[20] - 腾讯内部有技术团队基于tRPC或langchain等开源框架搭建场景化服务Agent，支持在Knot（腾讯内部Agent平台）上被调用的skills[20] - 对大多数传统企业，用开源组件拼装智能体工作量不小，腾讯云智能体开发平台ADP提供开箱即用配置，让客户快速打造稳定、安全、可扩展、可运维的服务Agent[21] - ADP提供工作流编排、RAG、工具调用、调试评测、安全治理和系统集成等能力，可通过OpenAPI体系嵌入客户已有系统[21] - 个人Agent和服务Agent并存互补，如WorkBuddy做客户分析报告时，可调用服务Agent获取客户数据、产品知识等，由服务Agent核实身份、把关数据权限[22] 关于组织力重构 - AI在改变做产品方式的同时，也在重塑传统组织形态和产品研发模式[24] - 过去产品研发是长流水线：产品经理写需求、设计师做交互、工程师写代码、前后端联调、测试跑用例、运维部署，流程一环扣一环，沟通成本高[24] - 有了大模型，产品经理可更早搞原型验证想法，开发能用AI直接生成前后端代码和测试用例，简单功能产品经理就能vibe code完成[25] - 同样事情只需更少人完成，研发时间大大缩短，大团队流水线变得臃肿低效，AI原生组织里跨界是常态，小团队办大事[25] - 模型和产品的深度协同（Co-Design）非常重要，否则易造成灵魂与肉体分离，产品为模型展示用户需求分布，提供提升模型能力的宝贵数据[26] - 混元团队与元宝、WorkBuddy团队的Co-Design，让模型架构和产品体验在同一过程中共创迭代[26] - 推动企业微信、腾讯文档、ima、腾讯会议、iwiki等产品与WorkBuddy打通，实现一站式文档处理、知识管理、会议总结、协作办公和人机共创[26] - AI原生是从产品设计、研发协作到团队组织都要用新方式重新思考，团队要更扁平，目标提前对齐，评测指标清晰，实验与试错成为研发流程一部分[27] 关于长期主义与以人为本 - 第一个不变是长期主义，AI马拉松才刚起步，真正决定终局的是谁能穿越周期、持续把耐心和资源押在长期价值上[31][32] - 第二个不变是以人为本，技术只是手段，人才是目的，做AI是为了用技术解决真实问题[33] - 北京密云一位基层干部用WorkBuddy开发防汛小程序，打通地灾预警、雨情、群众转移等信息，过去几十人通宵电话核对的工作，现在一人一小时完成16个乡镇预警下发和转移统计[33] - AI不是替代人，而是帮助人把繁琐、重复、低效但重要的事情做得更好，当抱着纯粹以人为本的心态做产品时，产品口碑和商业回报自然水到渠成[33] - 技术越是变化，越要回到商业最朴素的底层逻辑：持续为用户创造价值，把能力做厚，把产品做实，把场景吃透[35] - 真正能make a difference的，不是最勤快抓风口的人，而是了解自己优劣势、把精力聚焦在喜欢的事与可改变的地方、低谷期仍坚定投入的长跑手[35]