GPT-6 Astra 的消息出来那天我朋友圈里搞人工智能、搞设计、搞制造的人几乎都在刷同一句话这玩意儿把3D也拿下了还能自己操作电脑、用一堆软件那咱们原来的流程设计和工具设计是不是得推倒重来了。说实话我第一反应也是这个。过去几年我们聊AI聊得最多的是它怎么生成文本、怎么画图、怎么写代码这次GPT-6 Astra展现出来的方向明显不一样它不再只是一个回答问题的模型而是长出了“手”和“眼睛”——能理解三维空间、能操作软件、能完成一整套实际任务链条。这篇文章我想从一个从业者的视角认真拆一拆GPT-6 Astra这类模型给流程设计和工具设计带来的真实冲击。不是去吹技术参数也不是贩卖焦虑而是聊清楚三个问题它到底会什么、为什么这会改变我们做事的方式、以及站在今天这个节点上你应该怎么重新研究自己手上的流程和工具。如果你是做研发流程、产品设计、制造工艺、软件工具链建设、或者单纯在用AI效率工具的人这篇内容值得你花点时间看完。1. GPT-6 Astra 的能力边界到底在哪1.1 多模态不是新鲜事但3D理解是质变先说个容易被忽略的底层差别。过去我们说的多模态模型比如能识图、能转录音频、能看视频片段本质上还是在二维信息里打转。图片是二维像素网格文字是一维序列语音是一维波形。GPT-6 Astra 这次让我真正在意的点在于它对三维空间和三维物体的理解已经从“识别”进化到了“建模和推理”。举个例子。以前你给AI一张椅子的照片它能告诉你这是椅子甚至能描述颜色、材质、风格。但如果你想要它理解这椅子的结构、预测从不同角度看是什么样子、或者生成一个可以被3D打印机直接读取的文件大部分模型都做不到。而GPT-6 Astra走的路子我理解是它学会了在内部建立一种类似三维表征的抽象输入单张或若干张图、点云数据、或三维网格后它能补全、生成、推理出完整的立体结构。这种能力带来的直接变化就是在工业设计、游戏资产制作、建筑可视化、甚至医学影像分析这些强依赖三维数据的行业里AI从“辅助画图工具”变成了“能干活的设计师或者工程师”。这个变化我不能用“提升”来形容用“质变”会更准确。另一个巨大的突破是3D卷积自编码器这类结构在工程实践中的更深度应用。这听起来很学术但通俗讲就是模型能找到三维数据里那些最核心的“隐藏特征”。比如一个复杂机械零件传统软件能读取的是面、边、孔、槽这些几何元素而一个训练良好的3D自编码器可以把这些底层特征压缩成一组连续向量再通过解码器还原成模型。GPT-6 Astra把这个过程做得更通用、更鲁棒不是只针对某个数据集调参而是跨类别、跨来源的三维输入都能处理。1.2 从“会说话”到“会动手”的Agent能力比起3D理解Agent能力的突破对大多数公司的冲击可能更直接也更吓人。GPT-6 Astra在演示中能操作电脑、打开软件、点击按钮、输入参数、调整界面内容完成一整个操作序列。这意味着它已经不仅是一个能输出文字或图片的模型而是能直接跟数字世界里的工具交互的主体。这里有个技术上的关键点它不是靠提前写好的“录制宏”或“硬编码界面坐标”去点屏幕的。如果是那样换个屏幕分辨率或者软件升级一下UI就全废了。Astra的做法是基于对界面语义和任务目标的理解动态决定每一步操作。它会“看”当前的界面状态判断应该点哪里、输入什么、怎么验证结果。这个逻辑链跟人的操作习惯本质上一致只是它的反应速度更快、并行能力更强。我实际测试过上一代类似的Agent产品最大的问题是中途断链。比如让它写一份Word文档再导出PDF再压缩发邮件做到一半它就不知道窗口跳到哪儿了。GPT-6 Astra在长链路任务上的稳定性和纠错能力提升是明显的。它不是傻傻地按顺序执行预设步骤而会在任一步骤失败时重新观察屏幕、调整策略。这种“看得住”的能力才是Agent从demo走向生产环境的前提。1.3 跨软件协同软件全家桶被打通意味着什么很多人在讨论“AI会不会取代某个软件”我觉得这个问法本身就落后了。GPT-6 Astra带来的不是取代某个单一软件而是把一堆软件变成了它手里的工具。它今天用SolidWorks建模明天用Blender渲染后天用Origin分析数据大后天写一份PPT汇报结果——不同软件之间的数据流转和操作协作过去需要人肉搬运现在Astra能自己串起来。这才是真正动摇流程设计根基的地方。我们过去设计一套研发流程默认假设“中间有个负责操作软件的人”。这个人读文档、打开软件、执行操作、记录结果、再交给下一个人。如果这个“操作者”变成了AI你会发现原来为了迁就人类工作习惯而设计的许多流程环节——比如标准化的操作记录表格、定期进度汇报、质量手工抽检——全都需要重新定义。AI的操作日志本身就是数据不需要人再去填表AI的执行结果可以自动校验不需要等人工复核连接软件与软件之间的数据接口优先级第一次超过了人机交互界面的优化。这一条往后会越来越明显很多公司买软件以前看重UI好不好用以后会更看重有没有API、数据能不能导出、操作能不能被外部Agent调用。工具设计的大转向就是从这里开始的。2. 为什么3D能力是各行业的关键突破口2.1 三维数据的特殊性决定了AI天花板的抬升图像识别、语音识别、自然语言处理这些领域在近几年已经高度成熟原因之一是二维数据的表示和计算相对可控。但三维数据是另外一回事。三维空间里的对象有旋转不变性、尺度变化、遮挡、拓扑变化等问题同一把椅子旋转30度、放大两倍、内部被部分遮挡人眼轻松识别但对于模型这都是非常大的挑战。GPT-6 Astra能直接处理三维网格、体素、点云等数据格式而不是只能转成深度图再做二维卷积这本质上相当于给模型一副真正的“立体视觉”。学过计算机图形学的朋友都知道一个三维模型在数学上通常用顶点、边、面片、法向量来描述要让神经网络直接在这样非结构化的数据上做卷积或者注意力计算需要的是特别设计的网络结构。3D点云Transformer、图神经网络、隐式神经场这些结构在Astra内部大概率都有涉及。从实际体验出发三维能力的提升会直接决定机器人、自动驾驶、无人机、智能制造这些物理世界里的AI项目能不能从实验室走向规模化。一个只能处理二维图像的模型无论如何都无法安全地指挥机械臂去抓取一个摆放角度任意的工件一个理解不了三维结构的模型也无法帮你在虚拟世界里面构建一条复杂的装配动画。3D是连接数字世界和物理世界的关键桥梁这也是为什么我很看重GPT-6 Astra在三维上的表现而不是只盯着它文本写的有多顺溜。2.2 制造业、医疗、建筑、游戏行业的连锁反应这些行业里3D数据的生产、处理、验证长期依赖人工和昂贵软件。拿制造业举例从产品概念到量产中间有三维设计、仿真分析、工艺规划、模具设计、夹具设计、生成加工路径、质量检测一长串环节。过去每个环节都依赖熟练工程师在至少一款专业软件里操作培训一名合格的工艺工程师可能需要两三年。现在如果AI能直接操作这些软件完成70%的机械性工作而且能同时基于三维模型做仿真判断那整个企业的技术人才结构、项目周期、成本模型都会发生巨变。在医疗方向三维CT影像分析是另一个典型的深水区。一个放射科医生一天要看几百张片子脑部、肺部、腹部各种模态。GPT-6 Astra如果能把三维CT的体素数据直接读进去快速标注病灶、测量尺寸、生成结构化报告医生的角色会从“看片子的人”变成“审核AI结果并做临床判断的人”。这个转变会极大提高诊断效率但也要求流程设计和质量审核体系全面升级。建筑设计就更不用说了从草图到BIM模型再到施工图、量算、渲染产线极长。GPT-6 Astra如果能根据一段文字描述直接生成符合规范和结构的BIM语义模型再自动同步到结构计算和能耗模拟软件里跑一轮设计师的大部分重复劳动会被替代。注意这里说的替代不是一次性的而是整条链路。2.3 3D能力的边界和局限我必须泼一盆冷水现阶段GPT-6 Astra的3D能力再强离“所有三维问题都能解决”还很远。实际测试里它处理结构规整的工业零件、常见家具、建筑构件这类数据时表现不错但一旦遇到复杂的有机形态、极端拓扑结构、高精度工业装配关系时它生成的结果仍然需要人工校对和修正。原因不复杂三维训练数据的规模远小于文本和图像真实世界的三维模型大多存在商业公司内部公开数据集有限这从源头上限制了模型的上限。另外3D能力还涉及一个标准问题。工业界真正可用的三维模型必须准确度高、单位正确、装配关系清晰、带材质属性、符合企业标准规范。AI生成一个看起来像样的模型相对容易但要做到完全满足工程约束还需要在流程里加入后处理校验环节。所以最现实的做法不是指望AI一步到位而是重新设计一条“AI生成初稿 规则引擎校验 工程师审核修正”的新流程把AI的能力用在最有价值的第一公里上。3. 重新审视流程设计问题来了3.1 传统流程设计的三块奠基石正在松动在GPT-6 Astra之前我们设计一条流程默认遵守三块奠基石。第一流程是给人执行的所以要考虑人的注意力长度、疲劳期、操作容错第二信息在不同环节之间传递靠人理解所以要有文档、表格、会议来同步第三流程的优化迭代周期以月为单位因为要让一批人去适应新流程需要培训、演练和逐步接受。这三块奠基石在以AI Agent为核心的新流程里全部松动。AI不会疲劳不靠阅读文档而靠解析结构化数据也不需要培训你更新一段提示词或者决策规则它的行为立刻改变。这意味着你可以把流程设计得极度精细——精确到每一个条件分支、每一个异常分支、每一步的输入输出 schema——而不必担心执行者“记不住”或“太累了”。但随之而来的是一个新问题流程设计从“写给人看的SOP”变成了“写给机器执行的程序”。套用一个老概念这其实就是把业务流程转译成了算法逻辑。你不能再写“等待工程师确认无误后继续下一步”这种模糊表述而必须定义什么叫“无误”——阈值是多少、检测项是什么、由谁来判定、判定失败怎么办。3.2 AI Agent 时代流程设计的三个新原则我的实际体会是为GPT-6 Astra这类Agent设计流程有三个原则比以前的SOP设计更关键。第一状态可观测。AI执行任务的过程必须能输出结构化的状态信息。它当前执行到哪一步、上一步的结果是什么、消耗了多少上下文、下一步准备做什么决策、置信度有多高。这些信息不能只存在于模型的内部必须以日志或者事件流的形式暴露出来。这样才能在流程中设置检查点也才能在异常时快速定位问题。第二回退与人工接管点。新流程里必须明确哪些环节AI可以自主完成哪些环节到了一定条件就自动切换给人处理。我见过不少AI落地失败的案例问题不在于AI能力不足而在于没有设计好“何时交给AI、何时交给人”的切换机制。好的做法是在流程的每个关键节点都设计一个人工审核位的虚拟接口AI可以调用人可以下发指令两边无缝衔接。第三渐进式自主权。不要一上来就追求全流程自动化。更稳妥的方式是设定自主权等级L1级别AI只做数据处理和格式化输出人工做决策L2级别AI可以做候选方案人工做选择L3级别AI可以执行一小段标准流程人工做验收L4级别AI才能端到端处理完整任务人工只在异常时介入。不同行业、不同团队基础可以选择不同的起步等级但流程设计应该从一开始就支持这种分级。3.3 用“任务分解树”代替“流程图”以前大家画流程图用泳道图、跨职能流程图核心是理清“谁在什么条件下做什么事”。AI Agent时代我建议你把重心转到“任务分解树”上。思想其实很朴素给定一个高层目标把它递归地分解为可执行、可验证、可追踪的子任务。比如目标“生成一个减速器箱体的3D打印模型”。向下分解读取设计参数表确定箱体尺寸、壁厚、圆角等调用CAD软件建立三维实体模型运行干涉检查确保箱体与内部齿轮无碰撞根据打印机参数层高、速度、支撑策略生成切片方案输出G代码并模拟打印过程检查模拟结果是否符合强度要求导出最终模型文件和打印报告每个子任务都是一次“输入、处理、输出”的完整闭环AI Agent可以单独执行也可以部分并行。流程设计真正要做的事是定义清楚每个子任务的输入schema、输出schema、成功标准、失败处理策略、以及子任务之间的依赖关系。这比传统画一个箭头连接所有步骤的流程图要复杂但它能适应AI的灵活性和动态规划能力同时保持整个流程的可控性。这也是GPT-6 Astra这类模型出现后我觉得流程设计从业者最值得花时间研究的一种思维模型转变。4. 工具设计怎么跟上节奏4.1 工具的服务对象从“人”变成了“人AI”以前设计工具要研究用户画像、使用场景、用户心智模型UI/UX设计要保证一个新手三天内上手老手一天八小时不疲劳。GPT-6 Astra出现后这个前提正在裂开。越来越多的工具它的直接操作者是AI Agent人类只是在旁边设定目标和验收结果。这会带来一个更严峻的问题如果一个工具界面对AI Agent不可理解它就会被时代逐步抛弃。你会发现很多鼠标点点的操作对AI来说反而不如一个全命令行的工具高效。比如Cura这类3D打印切片软件GUI界面设计得越来越友好但如果你想让AI自动完成切片参数调整它可能更愿意直接读取profile JSON文件、修改里面几个参数、再调用命令行版切片引擎完成计算。这就意味着工具设计里最核心的已不再只是可视化界面而是“机器可读性”。包括完整的API覆盖度、清晰的数据结构定义、稳定的CLI接口、机器可读的错误码、结构化日志。也就是说未来的工具设计者在设计一个功能时总要追问一句这个功能如果让AI来调用它应该暴露成什么样的程序接口和数据格式4.2 工具设计的两个关键转向API优先、语义化交互“API优先”不是什么新概念但过去很多工具厂商只是把API当作一个附属品真正的产品精力全花在GUI上。GPT-6 Astra让API从附属品变成了必需品。API设计不能只是“功能都有”还要讲究“易被AI发现和调用”。这意味着要有良好的API文档——不只是人读的文档还要有机器可读的OpenAPI规范要有稳定的参数命名不要今天叫user_name明天叫username要有完整的事件回调机制让AI能订阅状态变更而不是反复轮询。“语义化交互”是我自己琢磨出来的一个概念。通俗讲工具不仅要暴露API还要在交互协议层把“意图”表达清楚。传统的API是功能导向的比如createDocument(docType, params)AI要拼装参数特别繁琐。语义化交互则是意图导向的比如AI说“我需要为这个减速器箱体生成一个3D打印模型”工具引擎能够理解当前上下文、自行匹配模块和参数、返回结构化结果和中间状态。这个目标比API优先更高但也是最值得投入的方向。另外还要多说一句工具设计必须关注“上下文记忆”。GPT-6 Astra这类Agent在操作工具时会保存大量上下文信息包括当前打开的文件、正在编辑的对象、用户的历史偏好、上一步操作的结果。如果工具每次交互都是无状态的、每次都要AI把全量信息重新传一遍不仅浪费token更会导致长任务不稳定。所以工具侧最好提供轻量级的会话保持和增量更新机制让AI可以增量地修改状态而不是每次全量覆盖。4.3 数据开放与格式标准化的优先级空前提高这是工具设计最容易被忽视、但又最致命的一块数据格式。GPT-6 Astra出现后AI要跨软件完成任务数据格式就成了链条里的血液。如果每个软件都用自己的私有格式、导出导入要经过一堆中间转换AI Agent的整体效率和准确性都会断崖式下跌。我强烈建议所有计划与AI Agent深度集成的工具团队把开放数据格式作为核心设计目标。在三维领域这意味着要优先支持STEP、glTF、OBJ、STL、USD、OpenVDB这些开放标准而不是只支持自家的二进制格式在设计文档领域要支持Markdown、JSON Schema而不是只能读docx在数据分析领域要能输出Parquet、Arrow这类列式存储格式而不是只能用专属格式。还有一个细节但极其重要数据的“单位”和“坐标系”必须是显式的。很多三维模型出错最后查下来都是出在单位不统一或者坐标系混乱上。AI如果拿到一个没有标注单位的三维文件它只能靠猜猜就必然会出错。工具设计的责任是让数据自描述把单位、坐标系、版本、作者信息都内嵌到文件头里。这是为AI时代打地基地基不牢再强的Agent也跑不起来。5. 实操指南现在就可以着手做的四件事5.1 现状梳理把你的工作流拆到最小可控单元我建议你做一次“流程审计”方法很简单选一条你所在团队最重要的业务线把所有工作步骤一个不落地写下来事无巨细。然后用三个维度给每个步骤打分可自动化程度、出错风险、技能依赖度。可自动化程度高的、出错风险低的、不依赖特有隐性经验的步骤是第一批适合交给AI Agent的候选。技能依赖度高、需要大量行业直觉判断的暂时保留给人。这个步骤的目的不在于立刻找出自动化机会而在于让你真正理解自己工作的结构。绝大多数人其实并不清楚自己每天在流程上花了多少时间在做可被AI替代的事情也不清楚哪些环节才是真正的价值沉淀点。具体操作时可以按照“输入—处理—输出”的模板记录每个步骤同时给每个步骤记录上一个输出、流转到哪个下一步、以及这个输出以什么形式存在Excel表格、PDF、三维模型、数据库记录、还是口头沟通。完成这一步后你就有了一个清晰的流程全景图后面无论是重新设计还是局部优化都有了依据。5.2 试点项目选择三个高价值、低频次的场景很多人犯的错误是一上来就拿最高频的核心业务做AI试点结果一失败整个团队对AI的信心崩塌后面做啥都有心理阴影。我的经验是挑三个高价值、但低频次的场景练手。什么叫高价值就是这个场景如果做成了省下来的人工时间和误差成本肉眼可见。什么叫低频次就是一周出现一两次不会天天卡脖子失败了也不至于让核心生产停摆。举例来说在设计一个工艺部门里高频场景是日常的紧急改图、产线异常响应这些别急着交给AI。低频率但高价值的场景可能是“把客户的历史图纸批量转化成标准化三维模型并标注公差”“根据设计变更单自动更新所有相关文档中的三维截图”“月度库存数据分析并生成层别表”。这三个场景做完团队就拥有了第一手经验和一套相对成熟的AI流程框架再往高频场景推进时成功率会大幅提升。在实施时一定要把“基线数据”先留好。改动之前先把原先人工完成这个场景的耗时、误差率、成本统计清楚。否则AI上线后你拿什么证明它带来了提升拿不出量化对比管理层就无法坚定推进后续投入团队也容易人云亦云地唱衰。5.3 边界与安全AI能干活谁来兜底关于边界与安全我有一条绝对不想妥协的原则任何AI自动执行的流程必须有“兜底者”。兜底者可以是一个规则引擎、一组约束条件、一个专门的结果校验模块也可以是一个关键节点上的人工审核员。但不能什么都没有。以三维设计为例AI自动生成的模型必须经过自动碰撞检测、公差校验、材料属性验证之后才可以进入下一环节。以操作电脑为例AI在操作软件时涉及删除、覆盖、提交入库这类不可逆动作必须设计二次确认机制或者让AI在测试环境里完整跑通后再进入生产环境。以操作流程为例每一步AI动作都要有审计日志并且日志本身要防篡改。同时你还要给AI编排任务的上下文设一个“物理边界”。比如AI可以使用哪个文件夹、可以访问哪个数据库、可以调用哪些软件的哪些功能、最大可消耗的计算资源是多少、单次任务的超时时间是多少。这些边界不能在每一条任务指令里反复声明而是应该在流程引擎层面固化成策略。这样做的原因是AI Agent在实际执行中一定会遇到你没有预设的边界情况此时它应该安全地停下、报错、请求人工介入而不是自作主张地尝试绕过限制。5.4 组织与能力重构谁来做“AI流程建筑师”流程和工具重设计的背后说到底是组织能力的重构。以前企业里最金贵的是熟练操作工、资深工程师、懂业务的运营因为他们的经验和手感不可替代。GPT-6 Astra这类工具普及后这些经验正在被快速地编码成提示词、微调模型、校验规则和工作流配置。会变得极其稀缺的是一批能做“AI流程建筑师”的人。AI流程建筑师既要懂业务架构理解核心流程中哪些环节富于业务价值又要懂数据模型知道每个环节应该产出什么数据、以什么格式存储还要有一定的人工智能基础知识明白提示词、模型上下文、Agent记忆、工具调用这些概念的边界和能力。这个角色不是“会用AI的人”而是“能设计出一套稳定的人机协作系统的人”。值得高兴的是这个角色的培养路径完全可以跑通。你不一定需要先读一个AI方向的学位最好的方式是选一条你熟悉到每个毛孔的业务线亲手把一个完整流程搬到AI Agent上。一边踩坑一边积累三个月后你就是团队里最懂这事的人。你要是具备这种能力不管在甲方还是乙方都会非常有竞争力。6. 常见问题与避坑实录6.1 常见问题速查表问GPT-6 Astra的3D生成能力强是不是意味着传统三维建模软件就卖不动了 答短期内不会。软件公司会快速转型把核心能力变成更适应AI调用的SDK和数据服务。但纯靠GUI交互卖授权的传统模式确实会面临压力。你更应该关心的是你选的软件有没有开放API、数据导出标不标准、能不能被Agent顺畅调用。问让AI操作电脑和软件安全吗 答安全与否取决于你做了多少防护。我的建议是先部署在隔离环境里跑通高风险动作对不可逆操作加确认环节全程开启屏幕录制和操作日志定义好AI的权限边界做不到这四点前不要让AI直接操作生产系统。问流程设计改成以AI为主会不会导致大量员工失业 答这个问题其实想反了。更实际的影响是岗位职责的重构不是岗位数量的简单减少。大量机械重复的操作岗位会缩小但流程审计、数据治理、AI验收、异常处置这些新型岗位会快速增加。企业真正要警惕的是流程被AI接管后内部能力和经验的流失解决办法是把关键知识提前沉淀为规则和数据集。问3D能力看起来很强为什么我们团队落地时还是各种翻车 答大概率不是模型能力的问题而是数据准备和流程设计的问题。AI拿到的三维数据格式混乱、坐标系不统一、命名规则不明确落地时就必然出幺蛾子。先把数据治理做了再谈AI应用。问GPT-6 Astra解数学难题很强是不是做技术研究的能力也接近人类专家了 答它在特定边界清晰的数学问题求解上确实厉害能在一天内攻破多道难题意味着推理链路长且稳定。但研究工作中的问题定义、方向选择、实验设计目前仍然高度依赖人的判断。AI是把研究流程中“算”的部分加速了但“想什么”和“为什么想”这层主动权还在人类手里。6.2 几条真正的实操心得第一提示词工程在Agent时代大幅升值但表现形式变了。以前你写提示词重点是把意图描述清楚现在给AI Agent设计一套流程你要写的是一组互相衔接的提示词和函数调用策略相当于为每个子任务写一份精确的“岗位说明书”。写提示词要像写接口文档一样定义好输入参数、输出格式、边界条件和期望行为。第二从最简单的单一工具开始练手。不要一上来就挑战跨软件全家桶全流程先选一个你天天在用的软件比如设计的人天天用SolidWorks、做数据的人天天用Excel让AI完成一个单一的、明确的任务。逐步扩展任务链。跨工具流程的复杂度不是线性的而是指数级增长的每一步衔接都可能是翻车点。第三AI的操作日志是你的第二金矿。我强烈建议你让AI每完成一个任务都输出一份结构化的操作日志包括任务目标、执行步骤、耗时、资源消耗、中途异常、最终产出。这些日志不仅用于安全审计它们本身就是优化流程的最好数据。日志积累多了你可以非常清楚地看到哪些步骤是耗时的瓶颈、哪些步骤经常出错、哪些输入数据质量不行。之后你再反过来优化流程和工具就有了精确的数据依据而不是靠感觉拍脑袋。第四一定要尊重“人的判断模糊性”带来的价值。AI Agent在流程里越强人的角色越会向“提出好问题”和“做出高风险决策”两端集中。一个好的流程设计要给人的判断留出合理的入口。比如在生成三维模型前应该由人确认参数方案在最终输出报告前应该由人审批结论口径。不要试图把所有模糊地带都让AI消化掉那样短期看起来自动化程度高长期一定会因为“缺少人类反馈校正”而逐渐失控。这也是我现在做流程设计时反复跟团队强调的一个原则AI解决确定性的执行问题人解决不确定性的判断问题两者各归其位系统才能稳定。回到最开头那个问题——GPT-6 Astra这一代的模型确实让3D建模、软件操作、全流程自动化这些原本只停留在概念里的场景变成了可落地的现实。但技术能力只是一半另一半在于我们这些做流程设计和工具设计的人能不能把原本以人为中心的工作体系重构为以“人机协同”为中心的新体系。这件事没有标准答案只有在你自己的业务场景里一次次试错才能找到最优解。这几天我在重新梳理团队的工作流时最大的感受是AI越强流程设计和工具设计这件事就越值得做也越能体现从业者的核心价值。这个方向我准备长期扎进去。