# AI 时代的云——从帕鲁到龙虾,从个人提效到组织提效 > 基于 2026-07-09 腾讯学堂技术突破奖分享改写 · 第三篇 / 共三篇 2023 年 ChatGPT 出来之后,我在团队里扮演的角色是 **AI 质疑者**。 那时候我真觉得没啥用。除了 AI 陪伴——我甚至把大部分 AI 应用贬低成"利用幻觉给人类脑子制造遐想"。我在团队内部反复讲这个观点,主动约人辩论,就是想证明 AI 没用。我甚至打算靠自己的口才(和一点调薪权)压过所有人。 后来我认输了。转折点是 **AI 能写代码**。 在我看来,能写代码就等于能做一切。因为软件工程本质上是"把物理世界的规则编码到数字世界",只要有一个能编码的智能体,它理论上就能重构任何领域——无论是电商、金融、医疗还是我们自己的云。这是一个门槛非常低但推论非常高的判断。 但认输之后的一整年,我更焦虑了——**AI 一定会让云变得更好,但不一定是我的云**。 ## 一、帕鲁:一场意外的信号 2024 年初,团队有一天在周末看到 Lighthouse 的销量出现了一根异常的毛刺。上乐问(腾讯内部知识库)看,也有很多人在问:"日本有个游戏叫幻兽帕鲁,官方鼓励用户搭私服跟朋友一起玩,云上能不能搭?" 两件事一对,就是一个信号。 团队直接在 Lighthouse 上做了一个帕鲁的服务器管理面板。UI 很粗糙——即便今天来看也很粗糙。开发投入一开始预期是 2 人天,后来投得更多,因为这事情最后让阿里云上上下下都很恐慌。 **我们最初的预测:能卖 1 万台碎片。最终卖出去 20 万台**。 为什么会出现这种事?因为**真的有大量的 C 端需求过去 20 年没被满足**。我们做了 20 年的云计算,体验不一定比 20 年前的 VPS 好多少——因为我们只盯着那些付很多钱的客户,而那些付很多钱的客户对产品本身没那么感冒。 如果不是阿里后来亏本抢单(他们的定价是我们的 1/3 到 1/4),我们可能卖出 50 万到 100 万台。但我们不想亏本卖——**因为这些碎片本来就是从高密调度里省出来的利润空间,为什么要送给用户?** 那一个月的最终结果:腾讯云比阿里云多卖了一点点。多的不多,但是我们赚了钱,他们没赚。这 20 万台帕鲁大概给我们贡献了 2-3 千万的额外利润。 ## 二、Alice 与 AI 应用大赛 2024 年公司的 AI 应用大赛,我们团队最年轻的女同事 Alice 拿了金奖。 我一开始以为她是带一个团队做的,后来发现是**一个人**做的。这件事对我的震撼比 AI 本身还大——**你不亲自做一个 AI 应用,你就永远不知道它能做什么、不能做什么**。 2024 年底我在团队内部办了一个 AI 应用大赛。规则很简单:任何东西都可以做,写歌也 OK。团队 200-300 人,最后提交了 195 个作品。 **我认真评审了每一个,结论是:没有一个能"得奖"(按我原来标准)**。 这个结论进一步加剧了我的焦虑——**我在云上有 15 年的产品能力储备,但在 AI 上没有**。你没办法用过去的经验去规划 AI 的创新。 但这次大赛做完之后,团队里几乎每个人都有了自己对 AI 的第一手判断。哪些事情 AI 能做、哪些做不到、什么时候花 Token 值得、什么时候不值——这些认知只有亲手试过才有。 **顺便说一件事:我从头到尾没有给参赛者补贴过 Token**。 不补贴 Token 有两个原因: 1. 在 CSIG 待久了,我看到钱就舍不得(这是玩笑,但也是真的) 2. **一旦补贴 Token,一定会滥用**。参赛者每人自己花了几百到几千块买 Token——这个约束反而让每个人都要认真想"这个 Token 花得值不值" 奖品其实也就几百块。**大家自掏腰包做出来的东西,比我补贴 Token 做出来的东西质量高得多**。 这后来变成了我对整个团队使用 Token 的一个基本判断:**Token 的价值不在于消耗多少,而在于消耗的每一分钱是否服务于组织目标**。这一点我们会在最后一节展开。 ## 三、我自己的减肥 Agent 我的第二个转折点是自己动手做了一个东西。 2024 年底,我把自己智能手表的健康数据(心率、步数、睡眠、体重)通过爬虫爬到自己的服务器上(官方接口没开放)。在服务器上跑一个 Claude Code,接上大模型,让它每天分析我的健康数据,给出饮食和锻炼建议。 **目标:3 个月减 10 公斤**。 最后目标达成了。当然现在为了显得懂 AI,我不敢再打开那个仪表盘回去看数据。 做完这件事之后,我突然想通了一件事——**Manus 做的是"云端 Hosting",但更高价值的是"云端 Self-Hosting"**。 Manus 火起来的时候,程序员圈子普遍看不上——"不就是把 Claude 或 GPT 套一层沙箱嘛"。但 Alice 在团队 PK 里代表 Manus 那一方讲得很好:**Manus 的价值不在模型,在 Hosting**——它把用户的文件系统托管到远端沙箱,让 AI 有了"手和脚"。手和脚是很多 ChatBot 到今天都没有的东西。 我自己做完那个减肥 Agent 之后想清楚了:**如果 Manus 做的是云端替用户托管,那我们更适合做"云端 Self-Hosting"**——用户在自己的(或云上的)服务器上跑 Claude Code / OpenCode,我们提供托管环境和运维。**用户拥有全部的数据和控制权,AI 拥有手和脚**。 这就是龙虾(Claudeboard / OpenCode 中国版)的起点。 ## 四、3 月 6 日:小龙虾出生证 2025 年 2 月底,团队又一次在 Lighthouse 的销量里看到一根毛刺——很多技术爱好者在自己搭 OpenCode。跟一年前帕鲁那次一模一样的信号。 我们直接把帕鲁的服务器管理面板改了改,就成了龙虾的管理面板。 3 月 6 日在腾讯大厦(腾大)楼下办装机活动。**我原本的定位是"公司内部互助活动"**——公司里有同事没抢到腾讯云免费的龙虾服务器,不会用。楼下摆两桌,大家买杯咖啡,互相交流一下 OpenCode 怎么装。 **如果是想对外宣传,我肯定会摆在滨海大厦(腾讯滨海)楼下——滨海更有地标意义**。摆在腾大就是因为我们在腾大办公。 结果活动消息被公众知道了。**当天早上六七点就有人开始排队**。 我那天特意出差了——担心出问题会尴尬,就跑了。听到早上六点开始排队的时候我其实很恐慌:**我们本来是想帮大众解决 AI 焦虑,结果好像一定程度上又加剧了 AI 焦虑**。 那天最出圈的是"**小龙虾出生证**"——每台装完机的服务器都会打印一张证明"你的龙虾已诞生"的纸质证书。这个东西不是设计过的。 **头一天晚上 10 点**,团队想到"用户要拥有感,得有个出生证"——**因为如果按宠物属性来看,买一只宠物是要有出生证的**。做出生证的同事赶紧打开一个 AI 生图模型(他刚好在 AI 应用大赛时买过一个模型的月度包,有效期还没过),**20 分钟出了 10 个版本,挑了一个最好的**。晚上 11 点跑去打印店印了几千张。 **整个装机活动的额外花费:3000 多块钱——全花在打印出生证上,其他都没投入**。 后来有记者问:你们团队为什么总是能敏锐抓住帕鲁、龙虾这种机会? **我给他装了个逼——"因为我们真的懂 AI"**。 但事实上不是。事实上是:**AI 焦虑是全社会共同的病症**,而我们碰巧在做一款能缓解这个焦虑的产品。同一时期还有大量产品在利用用户的 AI 焦虑赚钱——如果它是一个可持续演进的产品,那没问题;但如果**明知某个需求不可能被 AI 满足还去无限承诺,最终一定会翻车**。 ## 五、龙虾赚了 1 亿+,但为什么克制 **通过这次装机活动,龙虾产品最终给腾讯云带来了 1 亿以上的额外利润**(3 月 6 日之前是没有的)。我们全程没有给用户补贴过任何 Token,还把学生活动下线了,就为了保护龙虾的定价。 活动做完之后,团队内部有两种声音: **乐观派**:全国再搞装机。看到开源社区出什么 Agent 就做什么 Agent,持续保持热度、持续赚钱、持续享受"AI 领域第一线"的尊崇地位。 **悲观派**:一次焦虑不可能变成次次焦虑。大众很快会宁愿刷抖音也不愿意再装第二台龙虾。 **这两种声音都对,也都不对**。 我们要看到龙虾的另一面——**它是一个过度承诺,但它的承诺不是完全没有依据**。OpenCode 的承诺基础是:如果你能把想做的事情通过 AI 解决,你在这个地方可以获得 10 倍效率提升。但对绝大部分 C 端用户来说,他压根不需要 10 倍效率——**你原来一晚上刷 100 个短视频,你需要一晚上刷 1000 个吗?** 所以真正需要装龙虾的人,仍然是**那些原来就是操作系统爱好者、建站爱好者、微信小程序开发者**。不是所有人。 后来阿里云盯着龙虾抢黑神话·悟空的联动(他们期望复刻帕鲁那次的成功),我们直接不做。**因为黑神话·悟空代表不了云上宠物的优势**——它只是一个玩游戏的场景,谁便宜谁赢。我们不打价格战。 **这就是有了世界观之后才能做的"坚定选择"**——你知道自己不做什么,比你知道自己做什么更重要。 ## 六、Cloud Pro:从宠物到牛群 装机之后我们做的下一个产品叫 **Cloud Pro**。逻辑很简单: 龙虾(OpenCode/Claudeboard)是一个"C 端极客的宠物"。每个人自己养自己的一台龙虾——这没法规模化。**Cloud Pro 是把龙虾变成企业里的"牛群"**: - 团队里所有人的 Skill 更新(每个 Agent 学到的能力如何在团队内复用) - 团队协作时的知识库共享 - 统一的 Token 管控和路由 - 每个人 Token 消耗的报表和治理 这是**从个人 Agent 走向组织 Agent** 的一次尝试。它对应的产品思路,就是 15 年前 CVM 走向 K8s 的那次跃迁——从"我给你一台机器",走向"我给你一个可以调度的资源池"。 我们同时也在做 **Skill Hub**——一个想成为"中国 AI Skill 社区"的东西。因为我认为 AI 时代最有价值的贡献者,是那些原来在某个领域有洞察但无法复用的人。**举个例子**:前段时间全网找一个做出让好莱坞不安的 AI 视频的人——最后发现是国内一位中专或大专生。为什么是他?因为他本来就是给结婚新人拍视频、剪视频的人,他非常清楚这一代年轻人喜欢什么风格的画面——**他不是"学了 AI 之后颠覆了行业",而是"用 AI 把他原本就有的行业洞察变成了可复制的作品"**。 Skill Hub 想做的,就是让更多这样的人,把他们原来没法复用的才华,变成可以被别人使用的 Skill。 ## 七、个人提效被严重高估 聊 AI 时代的组织,绕不开一个问题:**"我用 AI 提效了 10 倍,为什么公司的产出没提 10 倍?"** 我的观点很直接:**很多个人提效是被严重高估的**。 举几个例子: - **写 PPT**:大家都在用 AI 做精美的 PPT。但你先想清楚一件事——**一份 PPT 做成什么样叫"好"?** 甚至更根本的问题是:**这件事是不是应该做 PPT?** 我们原来一直想的是"能不能不做 PPT",现在反而在用 AI 做出更多的 PPT。 - **做数据分析**:花几个小时用 AI 分析出一份漂亮的报告,但如果组织根本不需要这份报告,那这不是提效,这叫**浪费 Token**。 - **写单元测试**:去年团队讨论 AI Coding 能做什么。有人说"能写单元测试"。我说——**你原来也不写啊**。除非这些单元测试真的降低了线上故障率,否则它就是被 AI 制造出来的伪工作量。 **如果你在做一件组织不需要你做的事,那你不是提效,你是浪费 Token**。 再打一个不太恰当的比方:如果一个组织原来有 10 个员工在做 100 分的业绩,现在还是 10 个人在做 100 分的业绩,只是我要每月给每个人多花 1000 块 Token 让他写更好看的周报和汇报材料——那这 1000 块钱是合理的吗? 真正的问题是:**组织有没有清楚定义"什么是组织需要的事"?** 如果你的领导跟你说"我最近学会了吹唢呐",领导只能回你一句"那又怎么样呢?" 这里其实是**组织目标定义**的问题,不是 AI 的问题。AI 只是把这个问题放大了——原来你效率低的时候还没那么显眼,现在你效率高 10 倍地做无意义的事情,就非常显眼了。 ## 八、Human In / Out / On the Loop 在具体的 AI 使用范式上,我最近想清楚了三种状态: - **Human In the Loop**:AI 做每一步都要人 review。今天绝大部分企业的做法。安全,但效率不高。 - **Human Out of the Loop**:完全无人干预。理论上最高效,但风险不可控——今天绝大部分组织不敢这么做。但更糟的是**Human Outside the Loop**——你做的所有绩效根本不在这个 Loop 里,你的产出跟组织目标毫无关联。这才是今天最普遍的浪费。 - **Human On the Loop**:这才是我认为的未来。**人不在每一步的循环里,但坐在循环之上——你能看到闭环指标,能在关键时刻按下暂停键**。 这个隐喻是我从工厂借来的:**你在工厂里打螺丝,找个机器人替你打螺丝——机器人打得更快,但你的角色没变**。真正的进步是——**关掉工厂的灯,你在电脑前看监控指标;哪台机器人异常了,你走过去修一下**。这才叫组织效率的跃迁。 大部分组织今天的 AI 应用,还停留在"人和机器人一起打螺丝"的阶段。 ## 九、Token 治理五步口诀 最后是我给团队定的 Token 使用五步口诀,作为组织提效的一个具体抓手: **第一步**:你要花 Token 之前先问——**这个需求是不是"该有的"需求?** 不是所有需求都值得满足。如果本来就不该做,那用 AI 做也不该做。 **第二步**:回到组织目标——**这件事是不是为组织着想?** 如果是个人学习,你自己买个 Token 玩,不要拿组织的 Token。 **第三步**:你所在的团队有没有拆解过 SOP?**如果 SOP 都没拆解清楚,你的 Token 90% 都在浪费**。 **第四步**:先在 ChatBot 里聊聊。**我发现绝大部分工作用元宝(腾讯的 ChatBot)就能解决,还免费、跨会话记忆**。你没必要什么都上 Claude Code。 **第五步**:不要什么活都用 Claude Opus 4.8。**很多场景我愿意失去 20% 的模型智能,换 80% 的成本下降**。这就跟 CSIG 做 CPU 调度是一样的思路——不是每个客户都给你最好的 CCD 的最强核,你要根据业务特征调度、拼凑、热迁移。 **Token 就是新时代的 CPU**。它是资源,是要被调度的,不是任由挥霍的。在 CSIG 待了这么多年,让我看待 Token 天然就是资源管理的视角:如何调度、如何腾挪、如何提高利用率、如何清除掉本不该有的消耗——这些都是我们做 CPU 调度 15 年积累的直觉,现在正好用得上。 ## 十、AI 其实是新时代的 Python 最后讲一个我今天下午在 BSC(业务战略会议)上突然想到的观点——**AI 跟 Python 没有太多本质区别**。 十几年前我第一次用 IPython(Python 的交互式命令行)的时候,感受和第一次用 ChatGPT 是一模一样的:**我问它什么,它回答什么;我问得好,它答得好**。当然大模型的智能远超编程语言,但它们的**使用姿势**是相似的。 十五年前把 Python、PHP 引入后台开发的时候,大家也担心过"很多人要失业"。事实是什么?**工具减少了你对底层细节的关注,但增加了你对工程化的要求**。今天后台开发的工程师并没有失业——他们只是从"实现细节"转向了"工程化管理"。 我认为 AI 也一样。**如果未来 AI 要真正服务于组织,它必须被工程化——就像 Python 需要被工程化才能变成一个真正的后台服务**。任何在对话框里输入几个提示词就以为解决问题的人,都还没走到 AI 工程化的门口。 所以最终,**工程和架构的能力会越来越重要,程序员反而会越来越重要**——只是他们做的事情从"写实现"变成了"设计 AI 的边界与约束"。 --- ## 尾声 回到 15 年前的那个晚上。 我担心自己会被时代的大轮碾过去。事实是——**过去 15 年,我们做的每一件让人不舒服的事,最后都成了我们最重要的资产**: - 走高密路线,被友商嘲笑了 9 年 - 拒绝军备竞赛,商业上被压制了很多年 - Lighthouse 服务"不重要的开发者" - 装机活动只花 3000 块的出生证 - 拒绝给团队补贴 Token **焦虑就是机会**。每一次焦虑背后都有一个没被解决的真需求,也都有一次重新定义规则的机会。AI 时代和过去的每一次技术浪潮都一样——工具变了,规则可能没变。 宠物和牛群、Hosting 和 Computing、组织目标和个人目标、Human On the Loop——这些东西讲了 15 年,可能再讲 15 年也讲不完。**但你一旦想清楚,剩下的就是时间的复利**。 好。今天先分享到这里。 --- **系列导读** - 第一篇:[[11-文章版1-云的宠物与牛群]] - 第二篇:[[12-文章版2-高密机型的九年]] - 第三篇(本文):[[13-文章版3-AI时代的云]]