# 白泽明理 Baize Tech

> 企业 AI 提效与经营流程重塑顾问：帮助企业把 AI 嵌入经营、研发与交付流程，形成可验证、可复用、可持续扩展的组织效率。

白泽明理提供五项工程服务，按三层阶梯组织：

01 · 接入 Access——先把 AI 稳定、可控、可审计地接进来：Codex 中转站搭建、LLM API 网关设计。
02 · 工程 Engineering——再把 AI 变成可迭代、可验证的工程能力：AI 研发流设计、Loop Engineering 设计。
03 · 交付 Delivery——最终把能力设计成真实产品与增长路径：想法到产品端到端交付设计。

联系邮箱：contacts@fxai.ai

## 关键页面

- [首页](https://fxai.ai/): 白泽明理是谁、三层服务阶梯速览、如何开始一次诊断
- [服务](https://fxai.ai/services/): 五项服务的完整阶梯，交付物、受众映射与合作边界
- [方法论](https://fxai.ai/method/): 诊断、接入、工程、交付、沉淀，五步落地路径
- [关于白泽](https://fxai.ai/about/): 白泽明理名字的由来与 Formal eXplainable AI 工作标准
- [明理笔记](https://fxai.ai/notes/): 关于 AI 接入、工程与落地的笔记
- [联系我们](https://fxai.ai/contact/): 预约一次 AI 落地诊断

## 明理笔记

- [Agent 买家替企业比价时，B2B 落地页还按人来写吗？](https://fxai.ai/notes/agent-buyer-b2b-landing-page/): 企业采购引入 Agent 买家替人工读取页面、核对规格并比较报价，但最终拍板的大多还是人。面向机器的落地页应当提供可结构化提取的参数、报价与资质，面向人类的落地页则负责建立信任与取舍。缺乏事实陈述的页面，可能在初筛中被直接跳过。
- [企业上 AI 外呼，同一批线索哪几段交给 AI、哪几段留给真人电销？](https://fxai.ai/notes/ai-voice-outbound-vs-human-telesales/): 企业采购 AI 外呼系统处理销售线索，需要按动作类型与真人电销划清分工。机器负责批量触达、身份初筛与标准答疑，真人团队负责疑虑化解、价格谈判与合同签署。采购比选时用同一批线索分流测试，合规原则写进验收。
- [Agent 已经执行出错了，怎么回滚、责任算谁的](https://fxai.ai/notes/agent-rollback-and-accountability/): Agent 已经执行出错了，先止损再按动作类型撤回，最后按事前约定的角色复盘。推进 Agent 回滚，要在第一个小时内停用触发并收回高权限凭证；对软删除、备份与不可逆外部动作分类处理，并依靠动作日志复原现场，厘清责任归属。
- [明理读播客 04｜企业 AI 战略怎么定？Amazon、Apple、微软的三种押法](https://fxai.ai/notes/ai-strategy-first-customer/): 制定企业 AI 战略，先明确自身在技术链条上的角色定位。Amazon 先做自己的第一个客户，内部验证后再对外开放；Apple 握紧业务入口按需采购模型；微软搭建连接老系统与新模型的中间件。多数企业宜借鉴前两者的推进顺序与采购心态。
- [企业上线 Agent 前，Agent 评测要跑几个任务、每个跑几次](https://fxai.ai/notes/agent-eval-suite-pass-rate-variance/): 企业上线 Agent 之前，做 Agent 评测需要准备一组固定的真实业务任务，每个任务跑多次，统计通过率、单次成本、延迟和波动，并交出一份失败清单。只跑一次不能做上线依据，测试阶段要看多次运行的稳定性与边界。
- [无人值守的 Agent 跑到什么程度该停：Agent 停止条件怎么定](https://fxai.ai/notes/agent-stop-conditions-decision-log/): 让 Agent 无人值守运行之前，团队要定好 Agent 停止条件：由一个任务完成判定加上步数、预算、时间、重复调用和连续报错五个上限组成。触发上限而停下并不等于完成，运行日志要明确记录触发条件和当前未决事项。
- [Agent 的工具调用，哪些能按规则自动放行、哪些必须拦下](https://fxai.ai/notes/agent-tool-call-auto-approval-rules/): 建立工具调用自动审批机制，需要将调用分为代码边界检查、规则自动放行与人工兜底三层。系统应核查具体的命令参数，不看模型的自我解释，对敏感路径与写操作严格把关，并在每次放行或拦截时留存完整的审计日志。
- [企业给 Agent 开工具权限，先开哪类、后开哪类](https://fxai.ai/notes/agent-tool-permission-ladder/): Agent 工具权限按动作后果逐步开放：先查资料，再写内部草稿，接着放开有限的内部写操作。对外动作先由人批准，资金和不可逆操作保留人审，每层都写清升级和收回条件。
- [CRM 外联 Agent 发信前，哪几步要留人工审批](https://fxai.ai/notes/crm-outbound-agent-send-approval/): CRM 外联 Agent 的首封触达、报价承诺、重点客户和不确定上下文要先交人看。审批页面放齐草稿、客户、拦截原因和资料来源，例行跟进按规则自动发送，同时检查频次、退订和批准记录。
- [Agent 替员工去调系统时，用的是谁的身份和权限](https://fxai.ai/notes/agent-acting-on-behalf-of-user/): Agent 替员工调取系统时，每次请求要同时带员工和 Agent 两个身份，权限取网关允许范围与员工本人权限的交集，防止低权限人员通过大权限共享服务账号越权取数与逃避审计追踪。
- [员工离职或转岗后，他搭的 Agent 归谁接手](https://fxai.ai/notes/agent-owner-when-employee-leaves/): 员工搭建且承载共享业务流程的自动化任务，其 Agent 归属要落在业务流程负责人身上；人员离职或转岗时逐项更换调用凭证、检查定时触发与在途任务、清理私有记忆，无人接手则先行冻结触发。
- [Agent 试点能跑通，扩到生产还缺哪几项？](https://fxai.ai/notes/agent-pilot-to-production-checklist/): 试点环境依赖干净数据与人工盯盘，生产环境则面临脏数据、跨系统写操作与真实业务后果。完成 Agent 试点扩生产，需要补齐运行时护栏、命名负责人、升级与回滚路径、流程重塑等落地条件。
- [员工自己搭了上千个 Agent，企业怎么盘点谁在跑、谁负责](https://fxai.ai/notes/agent-sprawl-inventory/): 员工低代码自建放开后，企业应先做一张 Agent 台账摸清底数：记清用途、搭建人、现任负责人、连接系统、调用凭证、触发方式与最近运行；按数据敏感度与操作后果分级管控，对无负责人或失效配置限期清理停用。
- [多 Agent 协作时，另一个 Agent 转来的指令能不能直接照做](https://fxai.ai/notes/agent-to-agent-trust-boundary/): 多 Agent 协作时，另一个 Agent 转来的指令不能直接照做。上游任务可能夹带了外部网页或文件里的恶意指令，下游接收时要核验原始发起人、限定动作范围、过滤内网地址等危险参数，高风险写操作应回到人工确认，防范跨协议越权渗透。
- [Agent 上线后，效果评估该看哪几个数](https://fxai.ai/notes/agent-value-work-finished-metrics/): 衡量企业 Agent 上线后的实际价值，不能只看调用频次和活跃用户数。推进 Agent 效果评估，要重点衡量业务端到端完成时间、人工返工与修正比例、工具切换摩擦成本以及多助手重复劳动，按团队建立基线，把资源投向员工最需要协助的真实环节。
- [AI 落地场景先挑哪类？先看结果能不能当场验证](https://fxai.ai/notes/ai-verifiable-work-first/): 编程与数学任务对错当场能测，长周期工作难以及时验证。挑企业 AI 落地场景，先看反馈回路长短；广告投放是少数天然具备即时验证闭环的业务。
- [应付账款 Agent 从对账做到付款，中间哪几道关不能省](https://fxai.ai/notes/ap-invoice-agent-payment-control/): 应付账款 Agent 贯通对账与支付环节时，需严守单据匹配存证、账户变更双重通道回拨核验、重复发票拦截与超额交易人工复核等多道闸门，确保资金流转始终处于财务规则与职责分离的约束之下。
- [IT 变更评审交给 Agent 之后，影响分析做到哪一步还要人签字](https://fxai.ai/notes/it-change-management-agent-signoff/): 在 IT 变更评审中，Agent 适合核对环境配置、执行手册与运维排期以排查冲突漏项，但变更放行窗口、生产操作许可与回退责任人要保留人工签字确认，确保自动化审查材料经过人工严格复核。
- [企业接入第三方 MCP 服务器之前，安全要先查哪几项](https://fxai.ai/notes/mcp-server-security-review/): 企业接入第三方 MCP 服务器，等于在内网安装了能被 Agent 调用的外部程序。排查 MCP 服务器安全要看运行账号权限、输入路径限制、身份认证机制、版本维护与应急凭证轮换，重点核查提示词与资源入口，防范越界文件读取。
- [语音销售 Agent 给客户打电话，聊到哪一步要转真人](https://fxai.ai/notes/voice-sales-agent-human-handoff/): 语音销售 Agent 给客户打电话，由于实时对话说出去收不回，聊到关键节点要及时转给真人。当客户询盘具体折扣、条款承诺、情绪激动或已有专人跟进时，系统要带上摘要与报价记录平滑交接，事后抽听录音防范过度承诺。
- [品牌舆情监控交给 Bot，每天摘要写什么、什么时候该叫人](https://fxai.ai/notes/grok-bot-x-brand-monitoring-digest/): 品牌舆情监控交给 Bot，日报每条只写三样：原帖链接、为什么要紧、要不要人拍板。没新东西就写一行。什么时候叫人，开工前写进 Bot 说明，比如有人冒充官方、投诉涉及安全或退款、媒体点名。Bot 只读和起草，不替你回帖。定时任务会晚几分钟，急事别等日报。
- [AI 按量计费后，企业一年一编的预算还管得住吗？](https://fxai.ai/notes/ai-usage-pricing-budget/): 微软 E7 每人每月 99 美元，智能体用量超出部分按 Copilot Credits 另算。AI 按量计费让企业每月看账单。多数企业一年才编一次预算，按月决策接不住。
- [Agent 接 CRM 之前，上线测试先跑模拟企业数据？](https://fxai.ai/notes/agent-sandbox-test-vs-prod-data/): Agent 上线测试先在模拟企业环境里跑，再接真实 CRM。Eon 的 Era 能生成一家完整的虚拟公司，带 Salesforce、Zendesk、Slack 等系统的仿真接口和 MCP 端点，数据全部合成。它也写明：上线前还要在自己的预发环境用真实数据再验一次。
- [为什么 OpenAI 在重走 Dropbox 的路？AI 产品变现先想清谁付钱](https://fxai.ai/notes/ai-monetization-dropbox-lesson/): 给消费级 AI 应用定价，先分清谁付钱。Ben Thompson 在播客里说，OpenAI 在重走 Dropbox 的路。Jobs 对 Dropbox 说的是「一个功能，不是一个产品」。OpenAI 同时做广告转化追踪和企业产品。
- [企业 AI 试点为什么先从一个部门开始](https://fxai.ai/notes/enterprise-ai-pilot-vs-accounts-for-all/): 企业 AI 试点先从一个部门、一条可验收的工作流开跑，写好进退标准，再谈扩到别的组。全员先发 AI 账号只是入口；没有试点边界和用量审计，账号散落和个人 Shadow AI 会同时变大。先改一条真实路径，再决定发多少账号、发到哪些组。
- [多个 Bot 共用云电脑，文件怎么隔离](https://fxai.ai/notes/grok-bot-shared-computer-isolation/): 同一 Cursor 账号下，多个 Bot 共用云电脑：机器上的文件是共用的，登录态也是。每只 Bot 有自己的桌面（屏幕），那是工作面，不是安全边界。想按岗位分工可以多开 Bot；想按权限隔离文件和凭据，不能指望多开 Bot。
- [企业开通 Grok Bot，权限和审计要先定什么](https://fxai.ai/notes/grok-bot-enterprise-access-audit/): 企业开通 Grok Bot 前，先定谁能用、审批怎么锁、审计能看到什么。Teams 默认全员可用，没有组织级总开关；Enterprise 由管理员启用，可按组放行。Bot 以成员身份行动，没有独立身份。Audit Log 记控制面变更；Action Recording 记工具动作，默认关闭，不出现在 Audit Log 页。
- [外贸独立站做 GEO，询盘从哪归因](https://fxai.ai/notes/export-site-geo-lead-attribution/): 外贸独立站询盘归因分三处记：GA4 自建 AI 渠道看会话和表单事件，这是下限；表单隐藏字段把来源、referrer、落地页跟询盘一起提交；「怎么知道我们的」让客户自己选 AI 选项。三处都进 CRM，WhatsApp 和邮件询盘靠预填文字、主题标记补上。每周对一次账。
- [GEO 指标要盯哪些](https://fxai.ai/notes/geo-metrics-to-watch/): GEO 指标分三层记：可见度（固定提示词里被提到的比例和份额）、引用率（答案挂你链接的比例、被引的是哪一页）、推荐质量（描述对不对、情绪、推荐给谁）。结果层看 GA4 的 AI Assistant 渠道和 Search Console 生成式 AI 报告。AI 答案每次都变，要重复抽样看出现率，不盯名次。
- [B2B 对比页怎么写，AI 才肯引用](https://fxai.ai/notes/b2b-comparison-page-ai-citation/): B2B 对比页（X vs Y）按决策轴做成可扫对照表，写清公平取舍与统一产品名，AI 才更容易在「谁和谁比」里引用你。Siege Media 对 116 个 B2B GA4 站、约 1112 个交易型页：versus 页 Spearman 约 0.65，约是次优模板两倍；相关不等于因果，内容大约解释 28% 方差。
- [内容先给答案，答案引擎才抽得走](https://fxai.ai/notes/answer-first-for-answer-engines/): 答案引擎常从问答型小标题下的第一段抽可引用句。先给答案：第一句写完整结论（约 40–60 字说清 who/what/when/how/数字），再写依据与例外。H2 写成用户真会问的整句。Google 说生成式搜索仍建在常规 SEO 上；HubSpot 实务把每节开头直答当作可重复写法。
- [llms.txt 怎么写才有用](https://fxai.ai/notes/llms-txt-how-to-write-useful/): llms.txt 是站点根目录的 Markdown 索引，按 llmstxt.org 2026 年 v2：写清站点做什么、优先读哪些页。有文档、定价、FAQ 的站值得写；名片站可先不做。拦/放爬虫仍写 robots.txt。Google 搜索不使用 llms.txt。写完 curl 验 200，并抽测链接。
- [怎么让 ChatGPT / Perplexity 引用你的网站](https://fxai.ai/notes/chatgpt-perplexity-cite-your-site/): 想让 ChatGPT 和 Perplexity 引用你的网站，先放行搜索爬虫，再提供可直接抽取的文本。OpenAI 的 OAI-SearchBot 负责搜索露出，与训练爬虫 GPTBot 彼此独立；Perplexity 依赖 PerplexityBot 抓取和 Perplexity-User 实时取页。两家更新 robots.txt 约需 24 小时生效。配合 H1 下的短答块，挑 10 到 20 个提问复测引用即可落地。
- [零点击搜索变多了，还要不要做 SEO](https://fxai.ai/notes/zero-click-search-still-need-seo/): SparkToro 用 Similarweb 面板统计：2026 年 1–4 月，美国 Google 搜索里约 68% 以零点击收场，比 2024 年的约 60% 又抬了一截。AI Overviews 一出现，自然结果的点击率往往再砍一半左右。点击变少，不等于可以停做 SEO。品牌词、本地服务、交易意图还在点；信息问答更容易停在结果页。SEO 要继续做，KPI 要从「全靠自然流量」改成「还能进索引、还能影响答案、还能接住会点进来的那部分」。
- [AEO 是什么？和搜索排名还差在哪一步](https://fxai.ai/notes/what-is-aeo-vs-search-ranking/): 搜索排名进了前几名，不保证 Google AI Overviews、ChatGPT、Perplexity 会引用你。AEO（Answer Engine Optimization）盯的是答案里有没有你的引用和提及。差在哪一步：页面有没有可被抽取的答案块。SEO 仍是底座——先能被抓、被索引；AEO 在底座上补抽取与引用。
- [AIGC 投放素材出得再快，广告法务台账缺什么](https://fxai.ai/notes/aigc-ad-assets-vs-legal-ledger/): 《标识办法》自 2025-09-01 施行近一年。AIGC 投放素材可以一天出很多条，广告法务台账常缺三类字段：素材来源、生成过程、授权。缺字段时，平台抽检、监管问询和内部追责都对不上号。按「缺什么字段 / 谁记 / 投放前检查」写台账口径；不写品牌审闸门。
- [Agent 读邮件可以，改日历发信要先批什么](https://fxai.ai/notes/agent-read-mail-vs-calendar-send/): Agent 读邮件多半只是检索与摘要。Claude 的 Gmail 连接器已能发送、回复、转发，默认每次先问你；日历连接器还能创建、更新、删除日程。读可以宽，写要收口：发信与改日历属于对外动作，先批什么，写进工具权限表再开 Always allow。
- [AI 客服自动结案了，工单为什么还要人工复核](https://fxai.ai/notes/ai-cs-auto-close-vs-human-ticket-review/): AI 客服把会话标成已解决，不等于工单可以免检入库。GB/T 47746-2026 把结束服务、满意度与生成服务工单写进人机协同闭环。自动结案管的是会话状态；工单人工复核管的是抽样质检、复杂单与改知识库。两步拆开，才不会用「已结案」盖住错派、漏转人工和错误关闭。
- [垂直行业模型微调之前，为什么先接企业知识库](https://fxai.ai/notes/vertical-model-finetune-vs-enterprise-kb/): 垂直行业模型常被当成「先微调再上线」。事实更新快、口径冲突多时，把知识写进权重会过期且难改。先接企业知识库（检索增强），把可更新事实留在库外，再用微调改语气与任务格式。微调之前先接知识库，把可变事实与口吻训练拆开立项。
- [机器人视频模仿能学会动作时，动作脚本还要人写吗](https://fxai.ai/notes/robot-video-imitation-vs-motion-script/): BeyondMimic 用开源运动跟踪把人体动作学到人形机上：侧空翻、冲刺、spin-kick 等能在真机跑。学会动作之后，换航点、摇杆、避障仍要人写测试时的代价函数或关键帧。机器人视频模仿先把参考动作跑稳；动作脚本写的是任务目标与边界，不是逐帧关节角。
- [AI 客服合规：能自动回复了，承诺谁来认？](https://fxai.ai/notes/ai-cs-can-reply-vs-who-owns-liability/): 2026-09-01，《顾客联络服务 人工与智能客户服务协同要求》（GB/T 47746-2026）实施。AI 客服能回物流与订单，不等于能单独拍板退款与赔偿。央视新闻转述的要点是：企业不能以「算法生成」推掉智能客服承诺；价格、折扣、退款、赔偿、合同变更的最终确认走人工或规范化流程。AI 客服合规先写清承诺边界，再谈智能体责任谁背。
- [AI 视频广告：多发视频 vs 过得了品牌审](https://fxai.ai/notes/ai-video-ads-vs-brand-review/): 视频模型可一天出几十条 AI 视频广告；同批素材里过品牌审、平台审和标识的更少。国内《标识办法》自 2025-09-01 施行，显式角标与隐式元数据都要留；Google 2026-07 加了「How this ad was made」。批量前先写清 AI 生成 内容 审核口径。
- [企业 AI 培训完了 vs 工作流没改](https://fxai.ai/notes/all-hands-ai-training-workflow-unchanged/): McKinsey 2025 年调查里，88% 的组织说自己经常用 AI，却多数还没把 AI 嵌进工作流。企业 AI 培训全员结业，工单、评审、发版仍走旧 SOP，缺的不是再开一轮课，是把边界和流程改掉的 AI 咨询落地。先改工作流，再谈规模化。
- [合同丢进 ChatGPT：直接丢进聊天框 vs 脱敏后再用](https://fxai.ai/notes/chatgpt-contract-paste-vs-redact/): 2026 年 1 月 Politico 报道，美国网安机构代理局长把标了「仅供官方使用」的采购合同丢进公开版 ChatGPT。合同原件进个人聊天框，不等于模型会替你看条款。公开版默认可能用于训练，付 Plus 仍是消费级；企业通道默认不训练。先拿掉专有名、金额、印章和账户，再让模型出疑点清单。
- [云端同事 vs 再开一个聊天框：Grok Bot 和 ChatGPT 的区别](https://fxai.ai/notes/grok-bot-vs-chatgpt-cloud-teammate/): 8 月 26 日 Grok Bot 扩进所有 Cursor Pro、SuperGrok 和 Cursor Teams 套餐后，搜索里出现一批「和 ChatGPT 有什么区别」。差别不是模型更会聊天，而是你交一件活，它在常开的云电脑里登录真实工具接着干，关掉本机也不中断。额度从 Cursor 计划里拆开。岗位表和交活写法见 8/22 指南。
- [Graph Engineering 不是替代 Loop，是上面一层](https://fxai.ai/notes/graph-engineering-is-not-loop-engineering/): Loop 管一条回路何时自查、何时停。Graph 管多条回路谁先做、谁等谁、状态从哪条边走。升级错了：弱节点铺进图里，失败更大、更难查。
- [编码 Agent 账单为什么对不上企业账](https://fxai.ai/notes/coding-agent-spend-audit-on-gateway/): 团队用 Codex / Claude Code 时，个人 key 对不上财务账。讲清谁对账、日志留哪些字段、为什么对账只能发生在网关签发的凭证上。
- [不明 LLM 中转站为什么危险：一次 Agent 供应链投毒的复盘](https://fxai.ai/notes/third-party-llm-router-security/): 从 V2EX 的 Codex 中转站脚本注入事件，拆解不明 LLM 中转站、Agent Full Access、凭据窃取与安全 LLM 网关的防御闭环。
- [Third-Party LLM Router Security: Why Cheap Proxies Put Agent Credentials at Risk](https://fxai.ai/notes/third-party-llm-router-security-guide/): A practical guide to third-party LLM router risk, malicious model output, Agent Full Access, credential theft, sandboxing, and self-managed LLM gateways.
- [Grok Bot 是什么？AI Agent 云端同事的实战指南](https://fxai.ai/notes/grok-bot-persistent-ai-teammates/): Grok Bot 是什么？这份 AI Agent 实战指南讲清 Grok Bot 使用场景、云端电脑、Skill、Routine、Group Chat 与安全审批设置。
- [What Is Grok Bot? An AI Agent Guide to Persistent Teammates](https://fxai.ai/notes/what-is-grok-bot-persistent-ai-teammates/): What is Grok Bot? Learn how xAI's persistent AI agent uses a cloud computer, real Grok Bot use cases, Skills, Routines, Group Chat, and security approvals.
- [GLM 5.3 API 上线：Codex、DeepSeek Harness、OMP 配置指南](https://fxai.ai/notes/baize-open-model-api/): 白泽 API 已支持 GLM 5.3。用一个 OpenAI 兼容 API Key 接入 Codex、DeepSeek Harness 和 Oh My Pi，新用户注册即获 10 美元 Token 额度。
- [GLM 5.3 API for Codex, DeepSeek Harness, and Oh My Pi](https://fxai.ai/notes/openai-compatible-open-model-api/): GLM 5.3 is now available on Baize API. Configure the OpenAI-compatible API for Codex, DeepSeek Harness, and Oh My Pi. New accounts receive $10 in starter credit.
- [在 Mac 上用 Unsloth 本地跑 Qwen3.8-27B](https://fxai.ai/notes/qwen38-mac-unsloth/): 按统一内存选 Unsloth Dynamic 量化，用 Desktop、Studio 或 llama.cpp 在 Apple Silicon 上跑 Qwen3.8-27B。32GB 选 UD-Q4_K_XL（约 17.9GB）。
- [Run Qwen3.8-27B Locally on Mac with Unsloth](https://fxai.ai/notes/run-qwen38-mac-unsloth/): Pick an Unsloth Dynamic GGUF from Apple Silicon unified memory, then run Qwen3.8-27B with Desktop, Studio, or llama.cpp. On 32GB Macs, use UD-Q4_K_XL (~17.9GB).
- [Codex 配 subagent：判断力留给主线程，重复交给便宜档](https://fxai.ai/notes/codex-subagent-model-tiers/): OpenAI 今年 7 月发布的 GPT-5.6 把模型分成 Sol、Terra、Luna 三档，Codex CLI 也原生支持给不同角色配不同模型。这篇笔记整理一套实际能跑的配置——主线程留最强判断力，范围明确的重复子任务交给更省的档位，并顺手纠正一个容易配错的细节：推理力度只有五档，没有「max」也没有「ultra」。
- [Agent 治理要赶在扩规模之前：推荐错了能不采纳，执行错了已经发生](https://fxai.ai/notes/agent-governance-before-scale/): Deloitte 对 24 国 3235 名企业领导者的调查显示，74% 打算两年内至少中度使用 AI Agent，却只有 21% 说自己已有成熟的自主 Agent 治理模型。这篇笔记拆开报告给出的四个可检查要件，也说清这个 21% 为什么还得再打个折——以及治理为什么不等于把审批链加长。
- [AI Native 不是加插件：去掉 AI，系统还成立吗](https://fxai.ai/notes/ai-native-vs-ai-enhanced/): AI-enhanced 是给旧系统装一个 AI 插件，拔掉它系统照样能跑，只是变笨；AI Native 是用感知、预测、行动、学习的闭环重新设计系统骨架，拔掉 AI，系统直接不复存在。这篇笔记给出一个能立刻验证的判断标准，而不是又一份 AI 功能清单。
- [企业 Agent 的记忆架构：Markdown 是真值，数据库只是能丢弃的缓存](https://fxai.ai/notes/gbrain-markdown-truth-source/): GBrain 是 Y Combinator 总裁兼 CEO Garry Tan 开源并自用的 Agent 记忆系统，把知识管理当成编译问题而非存储问题：Markdown 加 Git 是唯一真值源，数据库只是可以整份丢弃重建的派生索引。看懂这个选择，才看懂企业级 Agent 上下文该怎么搭。
- [Sub2API 企业私有 Codex 中转站搭建指南](https://fxai.ai/notes/ai-coding-compute-sourcing/): 使用美国 VPS 和 Docker Compose 部署 Sub2API，把账号调度、员工 Key、限流和审计收回企业内部，为 Codex CLI 提供统一的 OpenAI 兼容端点。
- [企业上下文管理：AI 时代不脱节的基础设施](https://fxai.ai/notes/enterprise-context-engineering/): 人人都能养一只龙虾，但企业养不起来。拉开差距的不是模型，也不是又接了几个智能体，而是有没有把自身知识变成 Agent 可依赖、可执行、可审计的上下文。
- [AI 原生时代的软件工程：从「写代码」到「约束代码」](https://fxai.ai/notes/engineering-guardrails-for-ai/): AI 不会自动带来稳定性，它只会放大你现有的工程水平。围栏立住，它放大效率；纪律松散，它放大混乱。
- [AI 时代，开发者的核心工作已经不是写代码](https://fxai.ai/notes/from-coder-to-orchestrator/): 从 coder 到 system designer 与 Agent orchestrator——AI 负责高吞吐，人类负责高判断，稀缺的能力正在从代码生产转向系统设计与工程治理。
- [本地跑通、线上报错：部署的最后一公里难在哪？](https://fxai.ai/notes/deploy-last-mile/): AI 能帮你更快写出站点，但让它真正上线并稳定跑起来，靠的还是工程纪律。一次真实上线的复盘。
- [如何把网站免费部署到 Cloudflare Pages？手把手四步上线](https://fxai.ai/notes/deploy-website-to-cloudflare/): 连接 GitHub 仓库、填好构建命令、绑定自定义域名，几步就能把静态网站免费部署到 Cloudflare Pages，自带全球 CDN 加速和免费 HTTPS 证书。
- [企业为什么不能只买 AI 账号？](https://fxai.ai/notes/why-not-just-buy-ai-accounts/): 分散买账号带来不可控风险，组织需要的是可信中转站与统一网关。
- [小团队如何设计第一套 AI 编程工作流？](https://fxai.ai/notes/design-first-ai-dev-workflow/): 从零散的个人使用，到需求、实现、测试、评审都有 AI 参与的真实研发流程。
- [Codex 真正进入研发流程，需要解决哪些问题？](https://fxai.ai/notes/codex-into-real-workflow/): 从「个人顺手用一用」到「团队研发流程的一部分」，中间隔着几道具体的坎。
- [什么是 Loop Engineering：让 AI 先自查再交付](https://fxai.ai/notes/what-is-loop-engineering/): 让 AI 像有经验的工程师一样，先自查再交付，每一轮都比上一轮更准。
- [想法到产品，AI 端到端交付路径怎么设计？](https://fxai.ai/notes/idea-to-product-delivery/): 一条从想法到可用产品、每一步都能验收的路线图，白泽只做设计，执行交给你的团队。
- [安全可信的 LLM API 网关到底解决什么？](https://fxai.ai/notes/what-llm-gateway-solves/): 团队所有 AI 调用的统一、安全、可计费的总入口，鉴权、路由、限流、审计一处管好。

## Optional

- [RSS 订阅](https://fxai.ai/rss.xml): 明理笔记的更新源
- [站点地图](https://fxai.ai/sitemap-index.xml): 全站可抓取页面索引