说少了，最起码 95%
宣发走顺了，你的游戏即便有缺陷也是设计。

我个人判断，AI 的 toB 落地比之前 SaaS 要难得多。

1 、和 SaaS 完全不同，企业 AI 化的本质就是企业数据的再加工分析。相当于他是对既有数据的挖掘和诊断。一个公司，既有数据里边不光包含业务的演进，必然还包含一些非股东的私人利益以及一些人为的反效率结构。这就导致估计除了 AI 改造领头人（你的内线）以外，剩下的人全部都反对，最起码也是被动不合作状态。

2 、SaaS 还可以理解为是自上而下的“定向医美”，是有人对流程负责的。AI 化是彻头彻尾的数据统计诊断。整个改造有可能是完全失去控制的，这个责任谁来负。这就导致，AI 改造要么割到大动脉企业直接原地爆炸，要么不疼不痒。乙方里外不是人。

3 、企业肯定不会让数据上云，所以 AI 化绝大多数情况都是本地的，这样下来对于乙方来讲，风险就非常大了。你如何证明你的硬件方案和甲方的 AI 需求是契合的？ prefill 和 decode 性能多少叫够用？并发多少人算可用？采纳度多少算有效？这些全都是主观答案，没有任何客观标准。更别提模型体量对于硬件需求的巨大差异性。

1 、2 楼是我，从现在的视角看，我说的貌似依然还有效，很庆幸 XD

一直没想明白，Agent 工具目前到底如何区分他们的特点和能力？有没有一个相对量化的指标？

如果没有的话，那这些 feature 的意义到底在哪里……反复迭代 Agent 工具的最终目的又是什么……

其实这个问题是非常主观的。

学霸 A 刷遍了全世界所有的题，发现考试的时候撞题成功，考了满分。
学霸 B 智商超群，考试的时候利用其他题干互相印证推导，做题成功，考了满分。

他们都是满分，只是不稳定因素不同。

学霸 A 对于历史信息有过拟合。所以做题很难做满分。
学霸 B 推导的过程中会有误差累积，一旦某一个步骤出错，就全盘皆输，要么满分，要么 0 分。

其实这也就引申到了 GPT 时刻，讨论的非常火的问题，既所谓智能（智商、能力），到底是不是既有信息的统计学重复。

降智这种主观的都先不谈。

各家 plan 的“代币”有能说明白的吗？
现在 LLM 厂商给我的感觉，就是我进饭馆，我能吃什么，吃多少，花多少钱，都不是我能决定的。

BFS 换脸，Klein 9B + VTON LoRA 换衣。这样就生成了初始帧。然后通过初始帧来进行 I2V 生成。

openCode go 订阅。10 刀价格 60 刀额度。

虽然 deepseek-v4-pro 是原价，但是算上额度扩充里外里还是比官网 api 便宜。
而且 v4-flash 的 6 倍额度是实打实的。

如果从广义的人才筛选角度上讲，普遍都是这样的。这是劳动人口供给关系决定的。

1 、这个模型真的能符合你的需求吗？
2 、这个设备是统一内存，所以速度非常感人。你能忍受你每轮对话 1 分钟 AI 才吐字，10 分钟给你改一行代码吗？如果能忍你就可以冲。

要高中应届毕业生，应该是要和高校联合定向培养吧。
不是普通的职位，可能是专门放出来掐尖的。

也有可能是萝卜坑。

@zzutmebwd 不错的思路，反过来确实听上去也合理，回头尝试下

@zzutmebwd 肯定不是性能最优解，只是 all in one 的一个玩具妥协产物，不过确实如此，用 windows+wsl 掣肘太多。

@quickfox 确实，我的疏漏，感谢指证

@zzutmebwd 本人用 vllm 运行 nvfp4 ，不知为何总是启动的时候直接拉崩整个 wsl……日志能看到的都是 OOM ，不清楚 vLLm 到底在干什么……

“不怕代码泄露吗” 怕的公司不会让用的。而且目前 AI Coding 的用量，在大公司整体有缩紧趋势。

相当于之前的半年到一年属于野蛮生长的探索阶段。现在逐渐趋于冷静了。

“还是说找 openai 、anthropic 这些公司合作的呢，比如签了签企业版合同，更强的数据隔离保障等？”没有，大公司用国外的 AI 服务是被法律明令禁止的。国外的 AI 公司也明确不服务中国大陆。

1 、你是一口气迁移还是分模块/功能迁移？是否提示 AI 进行充分的功能一致性测试？
2 、无逻辑相关的代码本来就无法被梳理，是否给了充足的上下文能体现其逻辑？
3 、不太懂楼主的“迁移至 Vibe Coding 项目”的概念，楼主既想 Vibe Coding ，又想不丢失“不规范的既定分层规范”。那这个改造的目的是什么呢？

问题一直是 windows on ARM 的生态起不来，十五年前就是如此。
苹果的 ARM 是利用自己的生态优势强行绑架厂商转换的。厂商不跟进你就跟苹果生态说拜拜了。

可以用探照灯法：
先给他一个宏观描述，让他自己去研究出 plan 。如果和你需要的契合，就执行，否则就提示他慢慢修正。直到 plan 契合你的需求。

不要试图花费自己的时间和精力一口气把整个信息量都灌给第三方，不管是人还是 AI 都是如此。