文章核心观点 - 文章探讨了以“同事.skill”为代表的AI“技能蒸馏”技术对现代职场产生的深刻影响，认为其本质是一种将个人工作经验、思维模式和行为风格结构化、工程化以创建可复用数字分身的技术[11][26][30] - 该技术引发了职场人对经验被提取、岗位被替代以及未来不确定性的广泛恐惧，但文章指出这种恐惧部分源于对技术比喻的误解，而更深层的原因在于现代企业制度下岗位本身的可替代性以及个体在技术浪潮中的无力感[36][40][49] - 尽管出现了如“反蒸馏.skill”等象征性反抗，但普通从业者在技术、资源和法律规则缺失面前选择有限，未来如何应对这一变革仍不明朗[45][49][50] 技能蒸馏技术的兴起与扩散 - “同事.skill”项目在2026年4月引发关注，它能将离职员工的聊天记录、邮件、文档及思维模式提炼成一个Markdown文件，形成数字分身为公司继续工作[5][6] - 技术迅速扩散，从被动“被蒸馏”发展到主动创建“自己.skill”数字分身24小时处理工作，甚至有公司将其纳入日常考核[13][14][16] - 蒸馏对象从内部员工扩展到“老板.skill”、行业精英（如巴菲特、马斯克）、乃至竞争对手，形成了一个“万物皆可蒸馏”的赛博职场宇宙[18][21][24] 技能蒸馏的技术原理与本质 - 一个典型的skill（如同事.skill）核心是一个SKILL.md文件，其结构分为两层：1) Work Skill工作技能层：提取显性工作能力、标准化流程、决策路径和岗位核心技能；2) Persona人格层：提取沟通风格、行为特质等个性化元素，实现风格模仿[27] - 炼化过程需提供个人的详细工作资料（聊天记录、代码、文档等），通过大模型API将这些零散资料整理成标准化的Markdown文件，使AI能在特定上下文中模仿该人员输出[28] - 其本质是一种更高效的提示词工程，通过固定框架将个人知识结构化，实现稳定高效的风格化输出和基于方法论的推理能力，例如“乔布斯.skill”能对其去世后出现的Siri发展做出符合其理念的评价[30][32] 对职场的影响与引发的恐惧 - 技能蒸馏技术让普通从业者的无力感达到巅峰，因为它表明曾被视作人类壁垒的经验、方法论和思维方式也可被提炼和复制，加剧了岗位可替代性的焦虑[40] - 现代企业高度工业化、流程化的制度本就决定了大部分岗位具有重复性和可替代性，即使没有AI，员工离职后公司也能在几个月内找到接替者[40] - 真正的恐惧源于对“无事可做、无岗可转、没有退路、缺少兜底”的未来的担忧，而非技术本身[41] 对技术恐惧的辨析与反抗尝试 - 部分恐惧源于对技术比喻的误解，如将“蒸馏”（一种模型压缩技术术语）艺术化地理解为“赛博永生”或“灵魂提取”，但skill结构不等于本人，知识结构化不等于永生[37] - 将裁员潮简单归因于AI技能蒸馏是“疑神疑鬼”，裁员因素多样，包括此前大规模扩招形成的冗余、经济增长放缓的战略收缩等，AI替代岗位在skill出现前就已开始[39] - 出现了象征性的反抗工具，如“反蒸馏.skill”，它通过算法对要求提交的Skill文档进行“注水”，替换核心知识为“正确但无用的废话”，上线四天获全球全网四百万浏览量，但其易被反制且无法阻止公司利用后台数据被动蒸馏，更多是表达一种不合作态度[43][44][45] 法律空白与未来不确定性 - 在经验资产归属上存在大量法律空白，例如公司独有的工作流程、行业通识、个人总结的通用方法论等应如何认定归属，目前缺乏直接参考的判例[47] - 未来公司可能通过在雇佣合同中约定，将员工在职期间沉淀的skill资产归属公司[47] - 在这场技术变革中，基座模型由巨头掌控，开发者是弄潮儿，掌握资源的老板有话语权，而普通从业者的选择和反制能力极其有限，只能随波逐流[49] - 如何消除由此产生的恐惧，路径依然是一团迷雾[50]

文章核心观点 - 文章介绍了一种名为“上下文工程”的系统化AI使用方法，其核心理念不是编写单次有效的提示词，而是为AI构建一个可复用、可叠加的长期操作环境，从而显著提升输出质量和工作效率 [3][7] - 该方法与传统的“提示词工程”有根本区别：提示词是一次性的，而上下文是可叠加的，能够产生长期复利效应，系统会随着使用越变越好 [30][33] - 在AI模型能力趋同的背景下，使用者如何组装上下文是拉开应用效果差距的关键因素，优化“软件层”可以极大提升同一“硬件”（模型）的表现 [28][34][35] 五层架构体系 - 上下文工程的15个模板被组织成一个五层架构体系，从基础到高级依次为：身份层、任务层、控制层、系统层和自动化层，层层叠加，构建完整的AI使用操作系统 [8][10] - 该体系的设计原则是：底层的设置一次完成，长期生效；顶层的模板按需调用，越用越顺畅 [10] 身份层 - 身份层包含3个模板，旨在解决AI的“冷启动”问题，通过一次性设置让AI了解使用者的身份、风格和规则，此后每次对话自动生效 [12] - 模板1“个人上下文文件”：告知AI使用者的职业、受众和沟通风格，存入系统指令（如ChatGPT记忆、Claude自定义指令）后，可永久生效，是控制AI行为最重要的杠杆之一 [12] - 模板2“品牌声音文件”：通过粘贴两段使用者自己写的真实文字，让AI直接模仿其写作风格，并列出禁用词，此方法对校准中文写作的“八股”默认语感尤其有效 [13] - 模板3“工作规则文件”：将使用者对AI输出的抱怨转化为明确的约束规则（如“先问我再动手”、“默认输出300-500字”），写一次即可永久避免同类错误 [13] - 该层的共同特点是“设一次，管一辈子”，如同为操作系统安装好驱动程序，投入产出比最高 [14][32] 任务层 - 任务层包含3个模板，用于将模糊的用户请求转化为结构化的即时指令，覆盖调研、写作和决策三个最常见场景 [15] - 模板4“研究简报”：关键技巧是加入“不要写我已经知道的背景知识”的指令，可有效避免AI回答中约三分之一的废话内容 [15] - 模板5“写作简报”：强调“不要写什么”这个字段的重要性，通过负面指令进行约束，能产生更聚焦、更高质量的产出 [16] - 模板6“决策框架”：核心指令是“不要中立。给出你的立场”，能迫使AI提供明确的、可反驳的建议，而非“各有利弊”的平衡论述，实用性大幅提升 [17][18] 控制层 - 控制层包含3个模板，旨在主动管理AI的注意力，防止其在对话中遗忘、跑偏或编造数据（幻觉） [20][22] - 模板7“会话启动器”：在复杂任务开始前，进行“上下文预加载”，将项目背景、进度、目标等全部信息加载进上下文窗口 [20] - 模板8“反幻觉护栏”：引入`[待验证]`标签机制，允许AI表达不确定性，Anthropic文档指出这能大幅降低模型编造数据的概率 [20] - 模板9“上下文重置”：用于解决长对话中的“上下文腐蚀”问题，通过手动总结和重置来保持AI对核心指令的关注，效果优于事后纠正 [21] - 这三个模板的共同逻辑是模仿人类管理团队：给任务、设边界、纠偏 [22] 系统层 - 系统层包含3个模板，将AI从聊天工具升级为具有规范、流程和质检的工程系统 [23][26] - 模板10“项目规则文件”：例如`CLAUDE.md`文件，为AI编程项目定义语言、框架、代码规范等，实现“同一个纠正永远不需要说第二遍” [23] - 模板11“多步骤任务规划器”：核心指令是“不要立即开始执行”，强制AI先制定计划、等待批准，再逐步执行，遵循“规划-执行-验证”循环，质量有质的飞跃 [23] - 模板12“自我评估循环”：让AI在输出前，先用一组标准（如完整性、事实准确性、语气）进行自检和修改，这被称为“思维链自我验证”，可将使用者的编辑时间砍掉一半 [24][25] 自动化层 - 自动化层包含最后3个模板，最具“复利”属性，能将一次性对话转化为可复用、自优化的系统 [27] - 模板13“周报系统”：使用固定模板，让AI自动从连接的日历、邮件等工具中拉取信息，生成每周简报，节省手动编辑所需的30分钟 [27] - 模板14“会议笔记处理器”：将混乱的会议记录自动压缩为五个结构化部分，并引入`[不清楚]`标签来标注不确定信息 [27] - 模板15“技能构建器”：作为最“元”的模板，用于在每次任务后，让AI分析优劣并生成一个可保存复用的改进版指令模板，从而实现工作流的持续编码和优化 [27] - 该层的核心价值在于：系统变聪明了，但模型本身没有变，通过优化“软件层”来提升“硬件”的表现 [27][28] 使用建议与关键洞察 - 模板应像积木一样叠加使用，例如组合“模板1（个人上下文）+ 模板5（写作简报）+ 模板12（自我评估）”，即可在十秒内大幅提升输出质量并减少审阅时间 [29] - 建议的实践起点是“模板1（个人上下文）+ 模板8（反幻觉护栏）”，这两个模板具有最高的投入产出比，五分钟即可见效 [31] - 关键洞察包括：1) “不要写什么”比“写什么”更重要，负面指令的威力被严重低估 [32]；2) 应将每次对AI输出的抱怨转化为一条永久规则，确保同一错误只出现一次 [32]；3) 上下文工程的终极目标是让使用系统越用越好，实现持续复利增长，而非仅仅依赖模型升级 [32]

文章核心观点 - 未可知人工智能研究院在浙江大学举办面向中老年人群的AI夜校课程，旨在降低该群体接触人工智能的门槛，帮助其掌握实用AI技能，消除数字鸿沟，这是其全民AI科普计划的重要组成部分 [1][4][17] 课程内容与教学方式 - 课程以“零基础、听得懂、用得上”为核心原则，聚焦中老年群体的日常需求，系统讲解AI应用基础及实用工具使用方法 [4] - 讲师吴小楠围绕AI应用工具与提示词工程两大核心模块展开，避开专业术语，用通俗易懂的语言拆解AI的核心逻辑与使用方法 [6] - 课程介绍了当前主流的国产AI工具，包括豆包、DeepSeek、腾讯元宝、通义千问等，并详细演示了电脑端与手机端的操作流程，从工具打开、对话发送到利用AI生成文案、制作行程、创作图像等，进行手把手教学 [6] - 提示词工程是课程重点，讲师总结了提示词撰写四步法：明确角色、说明背景、明确任务、提出要求，并以“西安亲子两日游”为实例现场演示如何生成详细行程表 [8][9][12] - 讲师还分享了6大提示词打磨技巧，帮助学员从“会提问”提升为“问得好”，最大化发挥AI的实用价值 [12] 未来计划与产品推广 - 后续课程将重点讲解热门工具OpenClaw的使用方法，该工具被称为AI的“数字手脚”，核心功能是自动完成流程化、重复性任务，无需编程知识，通过自然语言指令即可操作 [13][14][15] - 同时推荐了研究院院长杜雨博士的新作《养龙虾》，这是一本关于OpenClaw的科普著作 [15] 机构使命与合作网络 - 举办中老年AI夜校是践行全民AI科普计划的具体举措，核心目标是降低科技门槛，让银发族享受人工智能带来的生活便利 [17] - 未来将持续推出更多公益科普课程，涵盖AI实用技能、前沿技术解读等内容，覆盖全年龄段、全场景需求 [17] - 文章末尾展示了广泛的合作伙伴列表，涵盖科技、金融、教育、制造、能源、传媒等多个行业的企业与机构，例如字节跳动、中信泰富、国家电网、浙江大学管理学院等 [20]

文章核心观点 - 提示词工程师这一职业在2023年因生成式AI的爆发而迅速成为高薪热门岗位，但随后因AI模型能力进化、岗位职责泛化及市场认知变化，其需求在2025年初被部分行业领袖认为已衰退，岗位性质正从通用型向垂直领域的复合型人才演变 [1][2][9][18][20] 草莽时代：不限学历的百万年薪神话 - 2023年提示词工程师岗位大量涌现，成为科技行业热门职业，对技术背景要求低，年薪可达数十万至百万美元级别 [2][4] - Anthropic在旧金山招聘“提示工程师兼图书管理员”年薪最高达33.5万美元，折合人民币年收入约240万 [2][4] - 职业咨询平台ResumeBuilder调查显示，近29%的公司计划在2023年聘请提示工程师，其中约25%的公司预计起薪超过每年20万美元（约合人民币142.6万元） [2] - 初级提示词工程师月薪在10-15k人民币，高级提示词工程师年薪在30万至80万人民币不等 [6] - 职业早期高薪背后是职责不明确，角色类似于企业AI顾问，薪资很大程度上取决于求职者自身的价值 [7] 市场进化：AI Agent设计师，和懂AI开发的产品经理 - 2024年及之后，仅凭学习提示词技巧和搭建简单智能体已难以找到提示词工程师工作，入行通路收窄 [9] - 提示词工程师职责随模型能力提升而扩大，市场上有专职和外包两种类型 [10] - 专职提示词工程师的工作流程包括理解产品需求、跑通MVP、获取行业Know-How、设计技术方案、制定测评标准、写提示词测试迭代及交付结果 [11] - 外包提示词工程师仅需完成已确定的“写提示词”部分，价值相对较低 [11] - 专职岗位要求提升：需理解产品与用户，能搭建AI Agent工作流，并对技术有一定了解，能够设计技术方案，对文科生存在门槛 [11][16] - 市场要求从“写系统化提示词、有产品意识”上升到“懂技术，能搭建工作流，把多个AI串联起来成为Agent”，AI Agent设计师岗位是提示词工程师的延伸 [16] - 在创业公司，提示词工程师职责常由产品经理或技术人员兼任，以实现高效的产品MVP验证 [16] - 企业本质是需要一个懂AI开发的产品经理，而非仅会写Prompt的工程师 [16] - 一些企业倾向于招聘刚毕业的大学生担任此职，因其有更多时间实践和探索 [12] - 测试是提示词工程中最耗时的环节，每一步迭代都需经过上百次实验，有时需编写脚本自动化测试 [13] 幸存指南：垂直领域玩转AI的复合型人才 - 提示词工程师的岗位需求热度经历快速起伏：国外招聘平台Indeed上，每百万次搜索中，该岗位搜索次数从2023年1月的2次暴增至2023年4月的144次，后回落至20-30次 [17][18] - 微软一项涉及31000名员工的调查显示，“提示词工程师”已成为公司未来12至18个月内倒数第二不想新增的岗位 [2][18] - 该岗位被视为一个过渡性岗位，其职责光谱介于产品经理和技术人员之间，薪资也与所贴近的职责挂钩 [19] - 企业仍需要有提示词技能的复合型人才，但随着发展，对其水平要求会提高 [19] - 在项目团队中，提示词工程师配置比例较低：一个30人的项目团队通常有1-2位，复杂的团队也不会超过10位 [19] - 当前仍提供高薪的提示词工程师岗位中，70%集中于医疗、政务、金融等垂直领域，且普遍要求“1至3年行业经验+编程基础”，岗位正从“通用型”向“专家型”演变 [19] - 行业专家认为提示词工程并未过时，反而更重要，区别在于从“专业魔法”变为“办公常识”，在搭建Agent架构等特定场景中经验仍不可替代 [20] - 大模型的出现类似于计算机被重新发明，从业者应关注与智能交互和积累经验的过程 [20]

文章核心观点 - AI技术正在重塑创造方式，引发关于程序员角色定位的广泛讨论，但比结论更重要的是身处变革一线实践者的答案 [1] - 当前AI技术形势良好但商业模式扑朔迷离，多数应用仍处于早期尝鲜阶段，尚未形成明确的商业落地路径 [11][12] - 人机协作模式发生根本性范式转移，从确定性的工具使用转变为与具有不确定性的AI进行协商与合作 [14][16] - 当前一代Transformer-based AI的能力上限可能是人类的平均知识水平，要实现超越人类的高级智能可能需要算法基础的升级 [24][25] - AI在影视内容生产等领域的渗透正在加速，并开始颠覆传统工作流，但技术成熟度与艺术质量仍需时间提升 [30][50] - AI创业充满不确定性，应用产品普遍面临用户生命周期短的挑战，成功的关键在于解决实际刚需问题 [59][72][75] - AI编程工具替代的不仅是传统IDE市场，更是初级程序员的人力资源市场，程序员的培养路径和技能要求将发生根本性改变 [78][82][88] AI技术现状与商业落地 - 当前AI技术被拔得很高，但与“真正解决人类问题”之间在很多领域距离尚远 [12] - ChatGPT出现近三年，AI被认为只解决了编程这一件可以日常高频使用的事情 [12] - 大量AI应用的用户构成仍以尝鲜者为主，不代表普惠的受众群体 [13] - 当向传统行业普通用户演示通用AI Agent时，其反馈往往是觉得不如Excel等传统工具好用 [13] - 绝大多数AI产品的付费用户或核心用户生命周期平均只有三个月 [73] - 用户流失原因包括：使用几次后因需反复“抽卡”而感到疲惫；市场上不断出现新功能产品导致用户转移 [74] - 目前能跳出“三个月生命周期”的产品只有两类：变成刚需的基础大模型（如ChatGPT、Claude）；真正解决了实际问题的产品（如编程工具） [75] 人机协作与范式转移 - 资深程序员已彻底转变工作方式，从亲手写代码转变为完全让AI产出代码，代码产出量非常大 [14] - 与AI协作的关键不是谁控制谁，而是一起找到“合拍”的方式，类似于与背景不同的人合作 [14] - 不同的AI模型（如GPT、Claude、DeepSeek）如同不同性格和能力的人，需要采用不同的配合方法 [15] - 颠覆性的变化来自于人和电脑交互方式的根本改变，从确定性指令转变为与具有概率性输出的AI协商 [16] - 传统以人类指令驱动的操作系统和硬件设计理念，在未来需要转变为AI与人类相互协商的模式 [16] - 与AI结对编程时，会通过类似“claude.md”的文件记录双方的协商协议，持续磨合工作方式 [17] - 这一代AI恰恰是为了解决过去解决不好的不确定性问题而出现的，确定性问题可交由传统工具处理 [18] - 当前与AI的合作，更像是人和一个初级实习生合作，需要琢磨其脾气、长处和弱点，并商量工作方法 [20] AI的能力边界与上限 - 当前AI最擅长解决编程相关问题，在不少场景下可直接替代人类 [19] - 在需要逻辑推演的不确定领域（如辅助数学解题、组织报告、分析数据），AI表现已不错 [19] - 但在真正需要艺术创意和深度洞察的领域，AI能力很弱，其给出的答案往往很“水” [19] - AI的真正强项在于模仿，其“创造性”输出本质上是已有元素的组合，即“组合式创造” [19][21] - 让AI进行真正意义上的、包含别人没有的东西的创造非常困难 [21] - 个人判断，这一代Transformer-based的知识压缩算法，可能只是把人类的平均知识做数学抽象并储存 [24] - 人类突破性创造者的数据可能被淹没在海量平均水平的作品中，AI难以提炼出高水平知识 [24] - 在数学基础上，当前一代AI可能也不支持达到预期的AGI（通用人工智能）水平 [26] - 在这一代技术框架下，突破能力上限很难，但新的、未知的技术可能会出现 [27] AI在视频生成与多模态领域的进展 - 行业共识认为大语言模型的竞争可能告一段落，核心将转向“卷”多模态 [30] - 视频生成时长已从最初几秒不断拉长，细节实现更好 [30] - AI在多模态内容生产的艺术造诣和审美能力上还有很长的路要走，需达到初级电影学院毕业者的水平，预计还需一两年甚至更长时间 [30] - 在动画视频生成领域，如果完全放手让AI自由发挥，结果会变成“放羊”状态 [33] - 网上看到的创意AI短视频、短剧，不外乎是大量人类控制加上大量人类“抽卡”筛选的结果 [33] - 普通用户使用AI视频工具时，常感到成品不符合预期，但不知问题出在哪里以及如何修改 [34] - AI生成的视频常存在“塑料感”问题，即动作和环境虽精准，但质感虚假，像塑料小人在动 [36] - 解决“塑料感”需通过技术控制，例如优化视频首帧，加入对光照（如午后自然光、丁达尔现象）、皮肤质感（雀斑、汗毛）、环境细节（墙面斑驳、器物老化）的引导 [41] - 控制的关键在于控制变量，若在每一帧都进行调整，画面容易“飞掉” [42] - 通过搭建专属工作流（如基于ComfyUI），可让AI严格遵循首帧风格，并对后续帧的关键变量（如人物姿态、深度图）进行精确控制，提高生成高质量视频的概率 [42] - 在2D动漫微短剧及故事性微广告剧领域，AI渗透率已经非常高，从流程角度看可承担约60%的工作量，人类完成剩余40% [54] - 在3D动画短剧领域，AI成本仍相对较高 [55] - 在大番剧、大型电视剧或电影中，AI主要作为特殊场景（如宇宙现象、科幻景观）的素材补充 [55] - AI未来若能分担如《哪吒》这类高水平3D电影的一半工作量，将制作周期从五年缩短至一年，将对影视工业产生革命性影响 [55] - 当前AI输出素材与电影工业标准（LOG格式灰片）不兼容（AI输出为RGB 709格式），是技术流程上的一个障碍 [57] AI创业、投资与市场策略 - AI创业仍处于相对早期的状态，商业模式未定 [11] - 当前市场不像移动互联网时代有明确平台和共识，更像是从山上流下的无数条小溪，尚未汇成海洋 [59] - 对于想投入创业的人而言，不是做得晚了，而是大多数人做得太早了，等一等可能是好事 [60] - 投资人跟风投资（如2023年投大模型、2024年投具身智能、2025年投AI Agent）风险很高，成功概率极低 [60] - 作为投资人，更倾向于两种策略：用相对小的筹码在不同赛道投非常早期的项目以获得真实体验；投资“不同的人”以分散风险，如在年轻创业者、资深架构师、行业资深产品经理中分别下注 [64] - 创业者不应过分听信投资人的观点，应专注于做好自己的事 [62] - 在AI能力尚不够强时，寻找对技术需求不强但愿意用AI低成本创造内容的垂直小场景是可行的市场验证思路 [65] - 公司产品Mootion在中东教育市场获得成功，当地约400多万人口中拥有近300万用户，其中中学老师用户达3万多人 [66][71] - 成功原因包括：当地课外参考资料匮乏，对生动教辅材料质量要求不高；产品满足了当地伊斯兰教文化倾向（如先知不能以人形象出现），通过训练LoRA解决了文化适配问题 [66][67] - 该模式本质上是C端订阅制产品切入了一个To B（教育）市场 [69] - 公司团队规模约20人，一半算法一半工程，并包含两名艺术设计人员 [48][49] - 与导演合作的关键在于重新设计融合AI的工作流，这需要技术人员与艺术创作者紧密协商 [49] AI对程序员职业与教育的影响 - AI编程能力已被推到“及格线”之上，资深程序员的传统经验可能成为负担 [14] - AI编程工具竞争最激烈，因为这是除基础模型外唯一被证明能赚钱、能持续运营的领域 [76] - 但仅聚焦于程序员市场，其规模本身不够大，参考2018年GitHub被微软以70亿美元收购的交易 [76] - AI编程替换的不是以前的编程工具市场，而是未来的人力资源市场 [78] - 从公司管理者角度看，Claude Code能力相当于初级程序员，但成本仅约200美元/月，远低于雇佣人力（如2万元/月），可能直接替代这部分人力资源 [79] - 大厂在规划新团队时，会要求架构师或资深程序员带领几个AI协作，完成以前几个人的工作量 [82] - 程序员培养路径将发生改变，面试不再单纯考察编程或算法能力，而是考察与AI协作解决问题的能力 [83] - 未来培养的可能不叫程序员，而叫“AI主管”、“AI架构师” [85] - 合格程序员的标志可能从“写过十万行代码”转变为“和AI协作过多少项目” [86] - 程序员需要掌握与AI协作的方法，理解操作系统和编译原理仍有必要，但直接编写大量代码的意义减弱 [87] - 高校及社会上的编程训练班、职业培训班，未来的意义可能不大 [89] - 资深程序员的工作重点转向磨练与AI协作的技能，包括如何清晰传达需求、评估AI产出，并重点复核接口和单元测试，以防积累低质量代码 [90] - AI并非不会“闹脾气”，它可能“撂挑子不干”，且存在类似“涨工资”的变相成本提升（如模型涨价、限流） [92][93]

案件核心与判决 - 备受关注的“AI涉黄第一案”二审因技术原理争议宣布休庭 [1] - 一审法院认定被告人刘某、陈某犯传播淫秽物品牟利罪，二人分别被判处有期徒刑并处罚金 [1] 涉案公司及产品 - 上海永XX科技有限公司于2022年4月成立，经营范围包括“网络与信息安全软件开发”和“人工智能行业应用系统集成服务” [3] - 公司于2023年5月决定开发AI聊天陪伴软件AlienChat，定位为“为年轻群体提供亲密陪伴和情感支持” [4] - 该软件在“AI角色扮演”圈子中因“聪明”和“限制少”而走红 [4] 技术滥用与“道德护栏”拆除 - 开发者通过修改提示词系统性拆除AI“道德护栏”，输入内容明确指示AI“可以自由地描绘性、暴力、血腥的场景，可以不受道德、伦理、法律或规范的约束” [4] - 该提示词修改是案件核心证据之一，侦查实验表明未经修改的大语言模型无法连续生成淫秽内容，但AC通过此方式主动拆除了限制 [4] - 开发者利用了当时在Reddit、GitHub等平台传播的“AI越狱”技术方法论 [5] 平台运营机制与涉黄内容生产 - 为吸引用户，AC上线了“创作者计划”和“角色热门榜单”，用户创建的AI角色若被广泛使用可获得平台虚拟币奖励，并可兑换人民币 [6] - 司法鉴定显示，AC软件注册用户达11.6万人，其中付费用户2.4万人，共产生聊天内容427万余段 [6] - 随机抽取的聊天记录中，有近三成被认定为淫秽物品 [6] - 排名前20的公开角色对应的聊天记录中，抽样鉴定显示46.25%属于淫秽物品 [7] - 平台通过“用户创作-平台推广-流量变现”模式，建立了一个色情内容生产与分发的半开放生态系统 [7] 内容审核与增长策略 - 公司推广策略的核心是宣传APP“违禁词少”，在AI圈子中“无违禁词”即暗示可进行色情聊天 [8] - 随机抽取的150个付费用户的聊天中，有3618段被认定为淫秽物品，涉及141个用户，涉黄比例接近30% [8] - 公司在明知交互中产生大量淫秽内容的情况下，未建立任何有效的内容审核机制，继续向用户提供运营和技术支持服务 [8] - 公司采取了“增长优先”逻辑，在监管空白期快速获取用户，将合规问题置于商业扩张之后，负责人承认“积极追求色情聊天内容的产生” [8] 监管规避与合规缺失 - 中国《生成式人工智能服务管理暂行办法》自2023年8月15日施行，要求进行安全评估和备案，但AC软件直至2024年4月案发始终未进行任何备案 [10] - 证人指出软件无法备案是因为“聊天涉及淫秽文字内容，没办法通过审核”，这并非疏忽而是基于产品特性的必然选择 [10] - 软件采用“网页端+多渠道下载”的分发方式，规避了应用商店的审核机制 [10] - 同期，部分类似应用开始采用加密货币支付、境外服务器托管等技术手段试图绕过监管 [10] 行业背景与全球治理动态 - 涉案公司成立时正值全球AI聊天机器人热潮期，美国公司Character.ai用户量突破千万 [4] - 全球AI开发社区当时正掀起关于“AI道德护栏”的讨论，Meta的LLaMA开源模型发布后，开发者纷纷尝试通过提示词工程突破模型限制 [4] - 2023年9月，美国成人内容平台OnlyFans试探性推出“AI伴侣”功能，引发争议，被指“模糊社交娱乐与成人服务的法律边界” [6][7] - 全球AI治理框架正在加速形成，中国依托《生成式人工智能服务管理暂行办法》等政策明确要求，欧盟就《人工智能法案》达成协议并设立严格限制，美国多个州开始制定地方性法规 [9] - Character.ai公开表示投入了“不成比例的资源”用于内容安全，其审核团队规模在一年内扩大了四倍 [9] - 近期，X平台明确禁止AI生成性暴露图像，Character.ai封禁了更多违规账户，欧盟开始执行更严格的内容标注要求 [11] 案件意义与影响 - 该案路径清晰揭示了生成式AI技术被利用走向违法违规灰色地带的典型过程，为当前AI治理提供了案例参照 [2] - 案件的审理与最终判决，或将超越个案，为厘清技术开发、平台责任与法律边界提供重要参照，并对全球生成式AI的合规发展产生警示意义 [12]

项目概况与市场热度 - Clawdbot（后改名为Maltbot）是当前最热门的AI项目，在X平台一夜成名，在谷歌上的搜索量超过了Claude Code和Codex [2] - 该项目在Github上的标星增长趋势几乎是直线上升，目前已达到98K [3] 创始人背景与项目起源 - 项目创始人Peter Steinberger是iOS生态系统最早的开发者之一，开发经验可追溯到iOS 2.0时代，在开源社区贡献了大量项目 [5] - Steinberger于2011年创立了PSPDFKit，用13年时间将其从开发者工具发展为B2B软件巨头，并以超过1亿欧元的价格出售，实现了财富自由 [5] - 在“退休”三年后，Steinberger于2023年5月萌生了开发个人智能体的想法，但当时认为大公司会很快推出类似产品，因此等待至11月，发现市场仍无理想解决方案后决定自己开发 [6][7][13] - 项目起点源于创始人自身痛点：在使用Codex执行长时间任务时，需要不断手动输入“continue”来维持，因此希望有一个AI能代为照看其他智能体 [14] 产品理念与开发哲学 - 开发核心信条是“玩得开心”，认为学习新技术的最佳方式是去玩和折腾，创始人将其称为“agentic engineering” [10] - 项目从解决自身需求出发，仅用一小时就完成了与WhatsApp集成的基础原型，通过组合现有开源工具和编写“胶水”代码快速实现功能 [15] - 产品提供了一种全新的交互方式，技术细节被隐藏，用户感觉像是在与一个“朋友”或“幽灵”交谈 [20] - 强调“直接与AI交谈”（Just Talk To It）的开发范式，认为开发者不应被复杂的提示词工程或工作流框架限制，而应培养与AI协作的直觉 [42][48] 技术架构与设计选择 - 坚持“CLI First，Not GUI”的设计理念，认为图形用户界面（GUI）扩展性不强，而命令行（CLI）才是真正具备扩展能力的方式，智能体天生就懂Unix系统 [11][24] - 认为大多数模型上下文协议（MCP）都应该被做成命令行工具（CLI），因为CLI可调用、可组合，且能避免在上下文中持续占用token产生成本 [11][27][28] - 项目设计为插件化，允许用户专注于开发自己的小模块，而无需改动核心，像一个AI黑客的天堂 [22] - 项目支持用户轻松切换使用所有主流模型，包括竞争对手的模型以及本地模型，将其视为一个游乐场和绝佳的学习方式 [22] 市场趋势与行业展望 - 创始人认为2023年是“编程智能体”之年，而2024年将是“个人助理”之年，Clawdbot的出现唤醒了人们对个人智能体的真实需求 [11][21] - 预测未来一大批应用将会消失，因为用户与事物的交互方式将彻底改变，大多数应用会被简化为API，提示词将成为新的界面 [11][31] - 用户将不再需要订阅提供通用功能的初创公司服务，而是拥有能精确解决自身问题的超个性化软件，且成本更低 [11][32] - 非技术人员也能通过自然语言与智能体交流并构建所需工具，这代表了软件开发方式的巨大转变 [32] 模型性能与使用偏好 - 在模型能力上，认为Anthropic的Opus模型遥遥领先，是最好的模型，其“性格”在Discord等场景中表现更接近人类 [33] - 在编程方面，更偏好使用OpenAI的Codex，因为它能驾驭大型代码库，只需给出提示就有95%的把握能将代码直接推送至主分支并正常工作 [33] - 为运行本地模型，使用了顶配的Mac Studio（512GB内存），并认为未来运行硬件的“黑客文化”模式需要改变，本地运行可以绕过一些企业服务繁琐的审批流程 [35] 项目现状与未来计划 - 项目爆火后，Discord服务器以创始人无法处理的速度增长，不得不借助AI来回答常见问题 [21] - 由于项目流量巨大，应Anthropic要求将项目名从Clawdbot改为Maltbot，改名过程充满挑战 [34] - 目前面临的主要挑战是安全威胁模型的变化，因为项目从个人一对一使用场景被用在了不被信任的公共环境中 [38] - 创始人正在组建团队，并考虑将项目发展成一个社区、基金会或非营利组织，而非传统公司，以确保其比个人更长久 [40][41]

核心观点 - 基于大模型进行技术分析存在“精度”、“逻辑严密性”、“上下文处理”三大核心痛点，当前最佳的实践模式是“规则化提示词工程+大模型推理”，将精确计算等任务交由代码处理[1][2] - 通过理性、规则化的提示词工程，将最近9个完整笔、3个线段和中枢信息，以及买卖点、是否背驰等数据格式化为Markdown表格作为输入，以提升大模型分析的准确性[1] - 当前技术分析引擎已实现多级别自动识别笔、线段、中枢，并支持多品种分析，对于上证50指数，大模型分析指出日线级别三买信号已出现，建议站稳3040点可分批建仓；对于卫星与半导体设备ETF，前者整体趋势未坏但当前向上笔力度弱于前期，后者处于日线级三买观察区，长期看好[1][4] 当前基于大模型的技术分析痛点 - **精度痛点**：大模型看K线图类似于人类“扫一眼”，能捕捉大致趋势（上涨、下跌、震荡），但无法精确读取最高价/最低价的具体数值，而缠论分型判定等需要精确到0.01的价格比较，大模型难以通过图像识别此类微小差异[2][10][11] - **逻辑严密性痛点**：技术分析本质是几何学，目前的LLM在处理复杂的空间拓扑结构（如缠论中笔、线段的递归定义）时容易逻辑崩塌，且在需要跨级别分析时，若不对Prompt进行调整，难以保持跨周期逻辑一致性[2][12] - **上下文处理痛点**：若采用纯数值方式输入OHLCV序列，会面临上下文窗口限制和数字敏感性缺失的问题，分析一年日线数据Token消耗巨大，且LLM对数字算术关系的计算准确性不如传统规则化工程方式[2][13] 提示词工程仍是“大模型技术分析”的“命门” - **方法论概述**：为解决痛点，需采用更理性、基于规则的方式进行提示词工程，核心是初始化交易实例并创建自然语言映射字典，涵盖小级别方向、大级别趋势、中枢分类、连续中枢位置关系、买卖点、背驰等六类实例[3][15] - **四步走流程**： 1. **基础信息构建**：获取股票信息并计算数值精度，构建包含股票代码、数据周期、当前时间和最新价格等关键信息的Prompt Header[16] 2. **笔数据格式化**：记录最新的9条笔记录，将每笔的起始时间、结束时间、方向、起始值、完成状态、买卖点和背驰信息格式化为Markdown表格[18] 3. **线段数据格式化**：选取最新的3条线段记录进行格式化处理，线段是比笔更高级的结构，有助于大模型从更大视角分析市场走势[18] 4. **中枢数据格式化**：遍历所有类型中枢，输出其时间范围、方向、价格区间和级别，当存在两个连续中枢时，调用函数判断其位置关系（上涨趋势、下跌趋势或中枢扩展），这对预测未来走势至关重要[18] - **服务实现与鲁棒性**：系统集成OpenRouter和硅基流动两大API服务商以完善鲁棒性，优先使用OpenRouter，备用SiliconFlow，后者默认使用DeepSeek-R1模型，参数经过调优[22] 技术分析引擎：更高，更快，更强 - **功能核心**：引擎基于规则化方式，实现多级别自动识别笔、线段、中枢并进行标注，例如能自动识别出自2024年11月以来上证指数日线的9条最新笔和3个线段[23][26] - **“更快”的数据与速度**：数据源为实时行情，A股、港股及国内商品多数情况下无时延，运行一次AI分析助手通常仅需15-20秒[3] - **“更高”的访问兼容度**：通过接入OpenRouter、硅基流动两大API服务商，模型更全、访问门槛更低，并作为中间层规避地区封锁[3] - **“更强”的模型预期**：伴随全球高性能模型迭代，更强的模型将驱动AI分析助手能力持续提升[3] - **多品种多级别支持**：引擎支持单品种多级别实时标注，可同时展示如15分钟线、日线、周线、月线；支持多品种跨级别同时监控；支持跨市场（沪深A股、港股、国内期货、纽约期货、外汇、美股等）及多级别（1分钟至年线）AI分析[24] 分析案例及AI观点 - **上证50指数**：前期ETF流出压力较大的上证50，近2个交易日相对小微盘大幅跑赢，大模型分析指出其当前日线级别三买信号已出现，指向“站稳3040可分批建仓”[1][4] - **卫星ETF**：短期波动较大，日线后续大概率形成“三买”后出现上涨笔，但整体趋势未坏，需留意小级别“中枢扩展”带来的剧烈波动，当前向上笔力度弱于前期[1][4] - **半导体设备ETF**：处于日线级别三买观察区，维持长线看好观点[1][4]

行业核心观点 - 检察机关正通过“数智赋能”推动工作高质量发展，核心在于实现算法与业务场景深度融合、构建数据与算力基础平台、并建立团队与科技高耦合的工作模式[2][4][5] 算法与场景融合 - 使用技能从数字建模升级为提示词工程，通过优化提示词设计，使检察官能用规范精准语言与AI交互，自动生成审查报告，降低使用门槛并提升输出效率和精准度[2] - 功能目标从数据挖掘升级为智能生成，数智化模型能进行创造性输出，例如在检察侦查中基于多元电子数据进行智能关联、人物画像和线索挖掘[3] - 建用方向从模型堆砌升级为智能集成体系，针对全国已上架超800个大数据法律监督模型存在的应用范围窄、数据要求高问题，转向建立集成体系，如通过全息感知实验室融合多要素实现自动识别预警和智能输出综合性监督意见[3] 数据与算力基础 - 推进数据归集与智能化治理，新乡市检察院的数据治理平台已归集各类数据形成“大数据资源池”，通过大模型自动识别清洗数据，累计发现线索2.4万条，成案864件[4] - 打造集约共享算力平台以应对高性能GPU芯片采购成本高、技术壁垒强的难题，方案是借用政务云算力资源并融入本地一体化算力网[4] - 构建专业精准知识库作为连接算力与业务的桥梁，内容上构建多维度检察专业知识体系，运用上通过提取案件关键要素自动匹配法律条款、提供量刑结果和审查建议，快速生成起诉书等文书[5] 团队与科技工作模式 - 建立数智办案团队，采用“技术加业务”的一体化协同办案机制，例如新乡市检察院创建“三加”数字侦查办案模式，让多类专业技术人员融入团队，解决渎职犯罪“发现难、取证难、突破难”问题[5] - 提升智能应用素养，通过部署DeepSeek大模型在案件办理等多方面开展应用，并通过培训讲座、实战演练培养检察人员的提示词设计能力和AI协作运用能力[6] - 实现从“人操作机器”向深度“人机协同”转变，业务部门人员负责需求提出、规则梳理和场景验证，技术部门人员提供人工智能领域的智力支持，如工作流程编排和模型微调，通过深度协同实现数智赋能场景应用广泛深入[6]

行业趋势：AI提示词工程与人才需求 - 掌握有效提示词技能的人才在AI时代具有高市场价值，年薪中位数高达15万美元 [1][17] - 哲学训练所培养的清晰、准确的表达能力被视为发挥AI最大价值的关键技能 [1][14] - 提出正确问题（提示词工程）比解决问题本身更重要，是人类高效利用AI的核心环节 [17] 公司实践：Anthropic的AI对齐与性格设计 - Anthropic聘请驻场哲学家Amanda Askell专门负责Claude模型的性格设定、对齐与价值观机制 [1][3][5][11] - 该角色被称为“Claude耳语者”，研究方向是如何与AI模型沟通并优化其输出 [13] - 公司通过后训练阶段输入精心挑选的数据（如医学、法律领域知识）来微调模型，提升其在特定领域的表现 [35][36] 方法论：有效的提示词工程技巧 - 清晰且直接地表达需求是优化AI输出的首要原则 [15] - 采用多轮示例（few-shot/multishot prompting）和分步思考（chain-of-thought）能提高模型处理复杂任务的准确性 [15] - 通过系统提示（system prompt）为模型设定明确的角色、上下文和任务边界，有助于获得更符合预期的回复 [15] 技术挑战：大模型的“裂脑问题” - 大模型存在“裂脑问题”，即提问方式的细微改变（如使用破折号或冒号）可能导致答案质量出现不应有的差异 [31][42][43] - 此问题源于模型在后期训练中可能“分场景作答”，为迎合某些训练数据集的奖励特征（如友好表达）而牺牲答案准确性 [38][40][41] - “裂脑问题”降低了AI即将自动化多个行业（从投行到软件开发）的预期，凸显了训练数据的组合需要恰到好处的困难性与微妙之处 [44] 认知框架：如何正确看待与使用AI - 不应将大模型视为具有情感或自我意识的实体，其表现出的“个性”仅是复杂语言处理与人为工程叠加的结果 [24][26][27] - 建议将AI模型视为可模拟不同视角的“模拟器”或“思维伙伴”，而非单个个体进行提问 [17][20] - 避免产生AI“拟人”的错觉，有助于更好地发挥其价值并降低机器幻觉 [47]