登录作者
张飞
Herline 联合创始人
Herline(赫能)联合创始人,主导引擎与 AI 协作架构。长期关注 AI 时代的判断力训练、教育范式转移、个人 IP 杠杆。在 Herline 推动「双轨孵化器」产品架构 — 把 AI 协作判断力(认知壁垒)与真实舞台影响力(专业影响)绑定为一条成长曲线。
已发表 16 篇观点
用好 LLM 先看懂它：看的是全局分布，压的是规律
想从 LLM 榨出高质量成果，别急着换模型、改 prompt。先看懂它的两条本性——靠海量算力看见的是全局统计分布与它的边缘，参数压缩的是规律而不是数据本身。看清这两条，四步就能把它用准。
· 9 分钟阅读战争与投资：Agentic AI 的两种极限形态
战争和投资的伦理后果绝不等价，但二者在系统工程上共享同一种高风险决策结构：不完整信息、主动对手、有限时间、有限资源、昂贵错误。真正成熟的 Agentic AI 因此会收敛为自适应决策控制系统：固定结构保证可靠，反馈机制积累认知，边界管理风险。
· 17 分钟阅读Agentic AI 的真实架构：LLM 是智力，Harness 是执行系统，Data 是资产
Agentic AI 不该被理解成会说话的聊天机器人，而是一套任务系统：LLM 决定理解与推理，Harness 决定能不能行动，Data 决定是否真的懂领域并形成复利。
· 14 分钟阅读冲动消费被拦截后，情绪价值会被重新定价
私人 Agent 不会让消费变冷，而会压缩缺乏真实支撑的情绪溢价。品牌必须把审美、自我关怀、社群信任和价值观资产，转化为用户可授权、Agent 可识别的长期偏好。
· 10 分钟阅读认知外包之后，线下商业会重新变贵
私人 Agent 会把线上购物推向更理性的供给管道，但这不会让消费失去情绪。情绪会迁移到更难被外包的物理空间：触觉、偶遇、社交、仪式和品牌记忆。
· 8 分钟阅读别再问 AI 会不会替代孩子,先看他站在哪个象限
真正该识别的不是职业名称,而是任务的 AI 暴露度与互补度:右下角会被压价,右上角才会被放大。
· 11 分钟阅读看不见的广告牌：当广告贿赂了模型的判断
把商业竞争摆进 See-Interest-Decision-Action 营销漏斗里看会更清楚：过去广告只能争夺 See 和 Interest，用户的 Decision 和 Action 始终自己把关。私人 Agent 出现后，这两个环节第一次被同一个主体接管——本文结合中国产业语境，评估这种迁移的成立边界、现实路径与治理缺口。
· 15 分钟阅读当销售遇见私人 Agent:情绪说服失去单独定价权之后
私人 Agent 不会让销售消失,但会改变销售被评估的方式。高结构、高风险、高客单价交易会率先从话术竞争迁移到可计算提案、证据链、风险对价和履约反馈竞争。
· 9 分钟阅读品牌 Agent 与私人 Agent 的博弈协同：广告业的五年范式迁移
未来 5 年，广告业将从购买人类注意力的单一范式，迁移至争取智能体理解、审查、比选及履约验证的双重轨道。这一进程的深化，取决于交互入口、代理执行、网络协议与商业履约四大技术底座的系统性演进。
· 14 分钟阅读Agent 套利会走出金融市场吗：从模型成本、零售机器人到关税回潮
模型推理成本下降后，Agent 是否能在金融市场之外完成套利，不能只靠概念推演。现有证据显示，票务、限量商品、电商动态定价和跨境小包已经出现自动化套利雏形；真正的约束不在发现价差，而在支付、物流、库存、税费、平台风控和合规责任。
· 14 分钟阅读从意图匹配到认知共鸣：未来广告的尽头是判断的深度
未来广告的终点是「推荐即行动」。当精细化偏好收集触及天花板，行业的下个分水岭在于认知与判断的深层数据。本文探讨该演进方向下的核心技术瓶颈与可能解法。
· 6 分钟阅读一组就业数据,正在重写「未来该学什么」
AI 的替代沿着「能不能被机器验证」展开——可验证的活在塌、需要判断的活在留;答案是培养「AI 抗体」,成为不可替代的少数派。
· 7 分钟阅读未来所有公司都将是 AI 底座的科技公司
AI 时代 CEO 能力快速转移 — 因为未来所有公司都将是 AI 底座的科技公司,'非科技公司'概念会消失;CEO 角色重写是普遍问题,而最深远影响在教育:整套领导力教育目标必须从'决策权威'重写为'元层判断者'。
· 14 分钟阅读代码不再是护城河 — AI 创业 2026 的真正稀缺资产
代码已被 AI 自己写掉,资本愿意买单的只剩三件:专有数据 / 实体分发 / 真实 IP。
· 6 分钟阅读AI 把通用知识拉到无差别平等之后,教培还能教什么
「会讲题的老师」正在被大模型系统性瓦解。教培还能教的,只剩 AI 学不会的那一面。
· 12 分钟阅读Tokenized Brain — 双层脑力架构与智力差异化套利
人脑负责方向,Token 负责执行 — 最终价值 = 判断力深度 × Token 算力强度。
· 8 分钟阅读