鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

联想终于不再只是一家硬件公司

编程导航
编程导航
2026-01-11 23:50
阅读 229
编程导航
2026-01-11 23:50
阅读 229

在19世纪的曼彻斯特,工业革命的先行者们最终发现,制造蒸汽机固然利润丰厚,但真正为社会生产效率带来革命性改变的是那些懂得如何分配动力、如何重新整合生产线的企业主。两百年后,AI技术革命正进入类似的尴尬期:英伟达在算力淘金热中卖掉越来越多的“铁锹”,奥特曼的OpenAI在云端构筑了宏伟“神庙”。但是,不论是那些在写字楼里依靠笔记本电脑完成工作的公司职员或是在咖啡厅摆弄手机的大众用户,依然被“碎片化”的AI孤岛所困扰。

过去几个月里,全球投资者对AI泡沫的担忧并非毫无道理。越来越多的投资者们已注意到复杂的算法逻辑在转化为社会生产力之前,正面临着一场迟缓的“落地危机”。尤其是当用户试图在离线的办公环境中使用深度智能,或当企业因担忧数据泄露而对公共大模型望而却步时,这种“云端神庙”便遭遇了物理现实的阻尼。       

在ChatGPT上线后的短短三年里,用户眼中的AI技术已经完成了从抽象到日常的转变。关于AI的资本投入也从拥挤在算力、参数量、训练集规模,过渡到了“谁能把AI变成用户每天最常触达的服务”。是的,在AI应用时代,最稀缺的资源或许已不是算法本身,而是那种能够承载算法、保护隐私、并深入用户具体物理场景的“末梢神经”。 

作为全球性科技企业中端侧AI用户规模最庞大的联想集团,正努力抓住这一机遇窗口。在2026年的联想全球创新科技大会(Tech World)上,随着其战略级个人超级智能体“Lenovo Qira”的发布,这家企业试图证明:在AI时代的下半场,权力的中心正在从“云端神庙”向“端侧边缘”回流。Qira的角色定位不仅是一场产品的更迭,而是用一个统一而持续的AI超级智能体,将分布于PC、手机与其他可穿戴等AI端侧设备的能力整合成一个面向用户的长期AI入口。

“软硬一体化”并非易事。但是,若雄心最终得以实现,联想集团在全球AI产业链中的角色也将发生根本性变化:从一家“设备为王”的硬件厂商,逐步走向“软硬一体”“体验为王”、掌握用户AI入口的生态型企业。我们认为,Qira的战略价值,是这家长期以“全球最大个人电脑厂商”面目示人的老牌帝国试图强攻诺曼底的“滩头”。

AI入口

暴力美学时代终将结束。过去几年,AI算力机器都在玩一个简单游戏:更多数据、更多算力,进而获得更强智能。但是,当AI进入应用时代,决定越来越多AI公司竞争力的不再是它能堆积多少算力机器,而是它能否成为用户每天与现实世界交互的“第一句话”。

在北京、上海或纽约的清晨,越来越多工作职员的一天是被同一个动作开启的:对着屏幕,说一句话“帮我总结一下昨天的会议。”“我今天下午有没有空?”“把这封邮件改得更正式一。”

这些指令并不复杂,不需要最顶尖的模型参数;这些请求也不需要惊人的推理能力,不要求模型展现出深度哲学逻辑。但它们有一个共同点:高频、私密、重复。它们真正考验的是AI是否足够“贴身”、是否知道你是谁、你在用什么设备、你此刻身处什么情境。

在过去两年里,ChatGPT、Gemini、DeepSeek、豆包等大模型应用,已经完成了一件极其重要、却常被低估的事情:它们让AI从一种“被谈论的技术”,变成了一种“被使用的入口”。这种贡献并非技术参数,而是完成了一次认知迁移,让AI使用成为一种嵌入日常节奏的、近乎本能的行为。

当AI不再是“你需要时才打开的工具”,而是“你每天都会接触的入口”。而一旦AI成为入口,问题就会迅速从“模型有多强”,转变为一个更根本的问题:谁来占据这个入口?

当入口出现,产业逻辑将就此发生变化。或许,正是基于此判断,联想集团决定面向全球推出首款个人超级智能体:Lenovo Qira。这是一个名字并不张扬、却被联想集团视为“战略级”应用的产品。这家公司对其定义并不是“AI应用”,而是一个可以打通PC、手机、平板电脑与其他端侧AI设备所有AI能力的“智能中枢”。

在AI产业的观察者看来,它更容易被理解为“联想版的豆包手机助手”,而联想旗下嵌入Qira的摩托罗拉手机则是“联想版的豆包手机”。这种类比既有帮助,也有误导性。因为Qira并不是为了复制一个AI应用。它要解决的,是一个比“有没有AI App”更根本的问题:当AI成为入口,作为全球最大PC厂商以及手机全球市占率前十的联想,是否只甘心做入口的承载者,还是拥有者?

之所以称之为“战略级”应用,是因为如果你只是把Qira理解为“联想也做了一个聊天式AI”,那么你很可能低估了这一应用的分量。如我们的标题所述,Qira之后,联想终于不再只是一家硬件公司。这一应用的目标,是把联想从一家以硬件交付作为核心业务的公司,推向一个全新的角色:AI时代的终端级入口拥有者。

为什么联想要做“超级智能体”?

在AI浪潮之前,联想集团构建起来的是一座再典型不过的“硬件帝国”。这是一家战略路径高度清晰,甚至可以说高度传统的公司;它卖PC、卖手机、卖服务器、卖企业级设备,还卖可以帮助企业和个人提高生产效率的一切服务解决方案。 

它擅长的是制造、供应链、渠道与全球化运营,它的成功是建立在规模、效率和供应链能力之上。这种模式在过去二十年里虽然极其成功,也极其稳定,但联想集团的担忧一直存在:硬件终将失去对用户关系的垄断。因为,用户真正依赖的对象,终究要从设备转移到设备之上的“智能层”。

至少十一年前,联想集团就已经开始决意转型。从2014年并购IBMx86到成立基础设施方案业务集团(ISG)、方案服务业务集团(ISG),到倾全公司之力转型为一家AI公司。直至今日,联想集团所有的战略目标都是朝着从硬件向服务转型,这场被描述为“智能化转型”的漫长征程帮助这家企业将非PC业务的营收增长到了几乎占到公司总营收的一半,AI营收如今也已占到30%。

当然,从面向资本市场的估值模型来看,单以硬件制造业务难以支撑其长期增长与估值提升:硬件毛利率受周期与竞争挤压,且以此构建起来的用户关系更多是一次性、难以持续。而向用户服务与解决方案转型,则既能延伸价值链、提高经常性收入,也能把对终端与基础设施的控制转化为持续服务能力。

总而言之,过去十年是联想逐步弱化对规模型硬件与强周期需求依赖的十年。如果说这是其转型征程的上半场,那么AI技术浪潮真正意义上帮助联想集团找到了面相未来的下半场:增长逻辑由硬件出货转向AI服务,算力系统、智能方案与服务交付,AI成为其突破原有增长约束、进入更可持续发展阶段的关键支点。 

所以,AI超级智能体的推出,并不是推翻联想既有战略的“突变事件”,而更像是一块终于到位的关键拼图。实际上,联想在从硬件厂商向AI公司的转型过程中完成的是组织能力、业务结构与战略耐心的积累,但始终缺少一个能够把硬件、服务与用户关系真正拧在一起的“核心抓手”。AI,尤其是以智能体为代表的新一代AI应用形态,提供了这样的可能性。

与云计算或传统软件不同,AI智能体并不天然悬浮在某一个单一层级之上。它既需要云端算力与模型能力,也高度依赖端侧AI设备的计算、感知与实时响应;既服务于企业级复杂场景,也直接嵌入个人用户的日常行为。

这种横跨云、边缘与终端的技术属性,使AI技术第一次具备了把联想长期分散的业务板块,如PC、手机、服务器、存储与解决方案服务重新整合为一个统一价值体系的潜力。

更重要的是,AI智能体让“服务化”不再只是合同、交付与运维的延伸,而是可以转化为一种高频、持续、可感知的用户体验。当智能能力成为个人或企业工作流的一部分,服务则不再发生在设备售出之后的后台,而是发生在用户每天的决策、创作与协作之中。

这意味着,联想过去十年努力构建的服务能力,终于有机会从“支撑性角色”走向“前台入口”。也正是在这种战略机遇逻辑下,联想开始将目光从“卖什么设备”“提供什么解决方案”,进一步推向“谁来定义用户的智能体验”。

更进一步看,则是AI智能体把终端重新拉回到舞台中央,却又彻底改变了终端的价值内涵:硬件不再只是性能的集合,而是智能体运行的载体;服务不再只是附加选项,而是用户关系本身。

因此,如前文所述,AI智能体之于联想,不只是一次技术升级,而是一条通往下半场的战略性变革路径:从规模驱动走向关系驱动,从交付产品走向运营智能,从“硬件帝国”迈向以AI入口为核心的软件型科技公司。

这正是联想在AI时代重新定义自身的历史性机遇。

什么是Qira?

在多数用户的真实体验中,当下的AI仍然存在一个颇为荒谬的断裂:它很聪明,却“不认识你”。

它能写方案、改邮件、做推理,却不知道你是谁;它在手机上与你对话,却无法理解你刚刚在PC上做到哪一步;你每换一台设备、换一个应用,就像重新遇到一个“失忆的AI”。在技术能力已高度外溢的当下,这种体验落差并非因为模型不够强,而来自“可用性”的缺失。

正是在这一背景下,产业的重心开始从“模型”转向“代理(Agent)”,再进一步走向“超级智能体”。Meta决定以超过20亿美元的价格收购一家AI初创公司Manus,即而后者的核心产品即是一款通用型AI超级智能体。

我们认为,与其说这是一次技术范式的跃迁,不如说是一次对真实使用场景的回应:当AI 真正走向个人与企业日常生活,它需要的已不只是一次性回答问题的能力,而是一种能够长期协作、持续理解、跨场景行动的存在。

从本质上看,超级智能体并不以“多聪明”为第一指标。它的关键能力,集中在是否能理解用户的真实意图,而非停留在表层指令;是否能将复杂目标拆解为可执行的任务序列;是否能调度不同设备、应用与服务完成协作;以及,是否拥有跨时间、跨设备、跨平台、以及生态系统中各类应用之间的长期记忆。

这些能力共同指向一个前提条件,即智能体必须深度嵌入终端,而非仅止于悬浮在云端。一个悬浮在浏览器里的AI,很难成为真正的“个人助理”;一个“住在你设备里”的 AI,才有可能融入你的工作流与生活节奏。

也正因如此,联想在Qira 身上做出的第一个关键选择,是拒绝把它绑定在某一台具体设备上。Qira并不是“某一台PC的AI”,也不是“某一款手机的助手”,而是一个横跨终端的统一智能体。同一个Qira,同时存在于手机、PC、平板电脑、智能眼镜、指环以及未来更多AI设备之中。无论你是在摩托罗拉手机上发出一句零散的指令,还是在联想AI PC上继续一项尚未完成的工作,你所面对的始终是同一个“它”:拥有统一记忆、统一偏好、统一交互逻辑的智能体。

这一设计看似简单,却触及了当前AI体验中最顽固的问题之一:碎片化。现实世界里的AI能力,被割裂地嵌入在不同设备、不同系统(Windows或安卓)与不同应用中:手机有手机AI,PC有PC AI,会议系统、办公软件、云服务各自为政。用户在设备之间切换时,任务上下文被迫中断,智能能力无法自然流动。

Qira试图承担的,正是一个“统一调度层”的角色:它并不强调自己完成所有计算,而是决定任务应当在哪里执行,如何在不同设备之间接力,以及如何把背后复杂的 AI 架构,压缩为对用户而言尽可能简单、连续的体验。

从这个意义上看,Qira并不是一个新的AI App,而是一种新的组织方式。它试图将分散在PC、手机与其他端侧设备中的AI能力,重新组织为一个以用户为中心的整体;将原本彼此孤立的算力、模型与应用,转化为可被统一调用的“智能资源”。用户看到的,只是一个始终在线、始终理解上下文的智能体,而不必关心它背后调用了哪一块算力、运行在哪一个系统(Windows 或安卓)之上。

这也解释了为什么联想将Qira定义为“战略级”产品。它所承载的,并不仅是一次产品创新,而是一种全新的用户关系形态:AI不再是附着在设备之上的功能点,而是成为贯穿设备生命周期的核心接口。当智能体成为用户与设备、服务乃至数字世界交互的主要方式,硬件的角色也随之改变,其不再只是性能的载体,而是智能体验得以发生的基础设施。

因此,Qira真正重要的地方,并不在于它今天能展示多少炫目的功能,而在于它为联想提供了一种可能性:第一次在终端层面,建立一个长期、连续、可扩展的AI入口。正是在这一意义上,Qira成为联想从“硬件公司”转型为“以AI入口为中心”的软件公司的关键节点。

重写商业范式

如果说Qira在技术层面解决的是“碎片化的AI如何变成一个整体”,那么在商业层面,它所撬动的,其实是联想与用户之间那条存在了二十多年的隐形边界。

在硬件时代,这条边界异常清晰。用户与厂商的关系,通常发生在收银台前:一次购买,数年的沉默,再到下一次换机时继而恢复。无论联想在制造、供应链或全球渠道上多么强大,这种关系结构本身都是低频的的,也很难被运营。设备售出之后,用户的注意力便迅速转移到设备之上的软件与服务,厂商则退回后台,成为一个“提供性能”的存在。

Qira所改变的,正是这一点。

当一个统一的AI超级智能体开始贯穿手机、PC与更多终端,当它拥有连续的记忆、稳定的性格与可累积的理解能力,用户与联想之间的关系便不再依赖下一次硬件交易来维系。相反,这种关系已被拆解为无数个日常片段:一次会议总结、一次日程提醒、一次跨设备的任务接力。它们频繁、私密、几乎不被察觉,却在时间中不断加深黏性,它就像用户个人的AI双胞胎一样。

从商业的角度看,这是一种性质截然不同的连接。联想不再只是“设备的提供者”,而开始成为用户日常智能体验的参与者。这种参与并不张扬,却极其稳固。一旦用户习惯于与同一个智能体协作,真正的迁移成本就不再是“换一台设备有多麻烦”,而是“重新培养一个理解我工作方式的AI要付出多大代价”。

正是在这一层意义上,Qira为联想提供了重构用户关系的可能性:从低频交易关系,转向高频、持续的绑定关系。

而当关系被重构,商业模式自然随之发生变化。

首先受到影响的,并非服务,而是硬件本身的价值逻辑。在AI PC与AI手机逐渐成为主流的过程中,硬件的意义开始从单纯的性能参数,转向“是否能够完整承载并放大智能体体验”。当Qira成为核心交互层,终端就不再是可以被随意替换的通用载体,而是智能体验发生的基础设施。

这意味着,硬件并没有因为AI而被边缘化,反而获得了一种新的溢价基础。不是因为它更快,而是因为它更“懂得如何与智能体协作”。对联想而言,这是一种极为关键的转变,它让硬件业务从价格竞争中,部分抽离出来,重新与体验价值绑定。

但真正改变财务结构的,并不止于此。

当智能体开始嵌入用户的工作流与生活节奏,服务不再是一种附加选项,而成为效率本身的一部分。高级推理能力、专业场景支持、企业级安全与定制化能力,都天然具备持续交付的属性。与其一次性售卖,不如通过订阅方式,与用户的长期使用同步展开。

这种收入并不依赖出货周期,而依赖使用深度;不取决于市场情绪,而取决于用户是否真的把AI纳入日常决策。这正是传统硬件公司最稀缺、也最渴望获得的那一类收入:经常性、可预测、抗周期。

进一步向外延展,当Qira承担起统一调度层的角色,它自然会成为连接第三方应用、行业解决方案与企业系统的枢纽。开发者、服务商与企业客户,并不需要关心联想的具体硬件型号,而只需通过这个入口,将能力嵌入用户的智能体验之中。

在这种结构下,联想不必事无巨细地“自己做一切”,却可以通过入口优势,参与更广阔的价值分配。这是一种典型的软件与平台逻辑,也是硬件时代几乎无法成立的商业想象。

从资本市场的角度看,这些变化并不意味着某一年的业绩会突然跃升,却意味着联想的长期财务特征正在发生转向。非硬件收入占比的提升,将逐步削弱周期性波动;服务与订阅的累积,将抬升用户生命周期价值;而入口属性的确立,则为估值逻辑提供了更稳定的锚点。随着收入模型的变化,其业绩周期波动性也将显著下降,估值体系也有望由“制造业PE(Price-to-Earnings Ratio)”转向“科技服务PS”(市销率Price to sales ratio)逻辑。

联想当然仍是一家制造能力极强的公司,但它正在变成一家具备“运营用户关系”能力的公司。这两者的差异,决定了企业在AI时代所能站立的位置。回到Qira本身,它并不是一个以功能多少来定义成败的产品。它更像是一个起点,一个让联想第一次真正站在AI入口问题中心的位置。

当AI成为基础设施,当智能体成为人与数字世界交互的第一层界面,控制入口就意味着定义体验、组织生态,并参与价值分配。过去,这个位置属于云端模型公司或操作系统巨头;而今天,随着端侧AI的成熟,它第一次向终端厂商敞开。

Qira,正是联想迈向这个位置的关键一步。

成败尚需时间验证,但方向已经清晰:在AI时代的下半场,联想不再满足于只把设备卖到用户手中,而是试图把“智能关系”留在用户身边。而这,也正是“Qira之后,联想终于不再只是一家硬件公司”的真正含义。(沈流)

原文链接: 联想终于不再只是一家硬件公司
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230