最近科技圈有两件看似不搭界的事，其实指向同一个趋势。北京速滑馆里，2056台机器人正为运动会死磕叠衣服，比赛要求30分钟内搞定收纳整理。另一边，北航何静副教授在B站教AI的慕课视频播放量冲破两百万，她把大模型比作厨师，教普通人怎么让AI去画CAD和做PPT。 这两件事放在一起看，味道就出来了。AI早就过了只会陪聊的阶段，现在的核心价值是具身执行和真实干活。 你看那些参赛队伍，为了教会机器人处理柔性衣物，弄出了互联网数据、仿真合成、远程遥控等多源数据融合训练，甚至还开发了终身学习机制来应对关节磨损。何静在采访里回应争议时也提到，某些领域要求你足够快地回应现实，研究的价值在于解决当下的问题。这两套逻辑其实完全互通，不管是在物理世界叠衣服，还是在数字世界写代码，AI的意义都不在于它懂多少百科知识，而在于它能不能在你的具体场景里把活干好。 以前我们总把AI当个高级搜索引擎或者聊天搭子，现在得换个思路了。普通人完全应该借鉴这种多源数据喂养和持续迭代的逻辑。别去死磕什么完美的提示词，先借助开源框架搭一个专属Agent。把你的业务数据喂给它，让它在真实的工作流里跑起来，去接管那些繁杂的脏活累活。让AI在实战中进化，才是普通人用上AI的正确姿势。 物理世界的机器人在死磕叠衣服，数字世界的我们怎么让AI真正干活？何静老师在B站讲课时有个很生动的比喻，生成式AI是个大厨房，大模型则是里面专攻特定菜系的厨师，像文字大模型就是个川菜师傅。但光有个好厨师没用，你得给他备齐对味的食材。 以前我们玩AI，就像只扔给厨师一本通用菜谱，指望它凭空做出满汉全席，结果往往是不及格的幻觉。现在得换个思路，借鉴机器人备战运动会的那套多源数据融合逻辑。那些参赛队伍为了教会机器人处理柔性衣物，把公开网络资料、仿真合成数据、远程遥控记录以及真实业务闭环反馈全用上了。 我们在数字世界搭专属Agent也是同理。别只盯着大模型本身的参数看，你要喂给它的是你独家的业务数据。先整理好公司的行业文档和历史工单，然后接入你平时处理繁杂工作的真实记录，最后挂上外部开源框架里的通用知识。把这些多源数据揉在一起喂进去，它才能从只会聊天的百事通，变成懂你业务规矩的干活老手。 机器人为了应对关节磨损搞出了终身学习机制，你的Agent同样需要这种迭代能力。跑错的任务人工纠正一下，跑通的流程沉淀成插件。别再去死磕那些完美的提示词了，赶紧去翻翻你硬盘里的业务文档，用开源框架把你的专属Agent喂出来，让它在真实工作流里替你干脏活。 人形机器人在家政赛备战中练习收纳叠衣等多项任务 道理听懂了，怎么动手？别一上来就想着搞个大新闻，先搭个能帮你处理日常烂摊子的最小工作流。 先挑个趁手的开源框架。现在像DeepSeek Harness这种配套插件生态已经很成熟了，或者参考何静老师课上讲的OpenClaw部署方案。别自己死磕底层代码，站在巨人的肩膀上把环境跑通就行。 然后把你手头的脏活拆解成具体动作。现在职场上那些把OKR切成碎KPI、把敏捷开发变成切碎的瀑布的繁琐流程，正是AI要接管的靶子。把你们部门的行业文档、历史工单甚至平时处理废的CAD图纸扔进知识库，再给它挂上发邮件、整理表格的接口。这就相当于给机器人装上了高清摄像头和机械臂，让它能看清你的业务细节。 最后是让它跑起来并接受毒打。别指望它一次就能完美交付。它整理错了一次报表，你就手动修正并告诉它规则；它跑通了一个流程，你就把这段逻辑沉淀成固定插件。这就是物理世界里机器人应对关节磨损的终身学习机制在数字世界的翻版。 别在提示词的遣词造句上浪费生命了。去建个文件夹，挑个开源框架，把最让你头疼的周报或者数据核对任务扔给它。让AI在你的真实业务泥潭里滚几圈，它长出的本事才真正属于你。 很多人玩AI到现在，还停留在提示词强迫症阶段。花半天时间抠那几十个字的咒语，指望调出一个完美指令让AI一次性交出满分答卷。这种心态其实还停留在把AI当高级搜索引擎的旧版本里。 以前我们总想让AI懂所有事，现在得让它只干好你手头的烂摊子。北航何静老师回应争议时说得挺透，某些领域要求你足够快地回应现实。你花几个小时打磨写周报的提示词，真不如直接把上周没写完的草稿扔给AI跑一遍。 看看物理世界里那些死磕叠衣服的机器人，人家根本没空去背诵什么完美操作手册。参赛队伍靠的是网络资料、仿真合成加真实测试的多源数据融合，甚至搞出终身学习机制来应对关节磨损。我们在数字世界搭Agent也是这个理。现在职场上那些把OKR切成碎KPI、把敏捷开发变成切碎瀑布的繁琐流程，正是需要AI去填的坑。 别怕你的AI一开始干得烂。用DeepSeek Harness这类成熟的开源框架，把你独家的业务文档和历史废案喂进去。它整理错了一次报表，你就手动修正并沉淀成插件。让AI在你的真实业务泥潭里多滚几圈，在试错中迭代出来的本事，才是真正能帮你干脏活累活的真家伙。