乐于分享
好东西不私藏

当所有人都在接入 AI——龙虾的故事说了一半,剩下的复杂度无人提及

当所有人都在接入 AI——龙虾的故事说了一半,剩下的复杂度无人提及
深度复盘

AI 提效的故事,往往只讲了上半场

完美 Demo 的背后,是被悄悄藏起来的复杂度

#数据安全#上下文#长期运维
媒体在宣传 AI,老板们在拥抱 AI,仿佛装上一个工具,一切就都变简单了。但真正投入生产时,问题从未消失——它只是沉到了水面以下。

READING PATH

阅读路线

4 个章节

01

一个看起来很完美的开局

-
02

问题没有消失,只是被藏在了下面

-
03

你看到的是接入,背后是基建

-
04

写在最后

CHAPTER 01
01一个看起来很完美的开局SETUP · 把数据开放给运营

我把公司数据库里一些和运营相关的表,用安全的方式通过 openclaw 龙虾 开放给了运营同学。

数据权限范围可控、生产环境无影响。

收益很明显:运营同学有什么问题,直接私聊或在群里问龙虾就可以了。

左滑查看图片

📝 看上去皆大欢喜

再也不需要临时给运营跑数据了。甚至产品同学想要一个数据看板,也可以直接拿数据,自己用 AI 开发出想要的看板。

那么,事情就到此为止了吗?

你在网上看到的各类龙虾提效故事,也就讲到这里了。一切都很完美。

但实际情况,远没有这么简单。

CHAPTER 02
02问题没有消失,只是被藏在了下面TRUTH · 被隐藏的复杂度

媒体与厂商在宣传 AI、老板们在拥抱 AI——AI 让一切都变得简单了。但问题没有完全消失,只是被隐藏在了下面。

HIDDEN COSTS

装上工具之后,真正的工作才开始

左右滑动查看

1

数据安全

环境隔离、脱敏、权限拆分

2

上下文

信息分散,AI 难以串联业务

3

运维

技术同学要长期维护这只龙虾

01 数据安全与权限隔离

为了把数据开放给大家用,数据要做好环境隔离、敏感数据要完成脱敏、不同角色的用户能查阅的数据要做好 权限拆分。

02 上下文信息分散在各处

如果你要开放代码,让产品同学能直接查阅一些业务逻辑——但业务从来不只是一个仓库,仓库之外的上下文信息更为复杂。

AI 能读懂一段底层代码,却并不一定能串联出上层的业务逻辑。

03 长期的运维支持

如果你说我的项目简单、数据安全要求低,没有上面这些问题。但你仍然摆脱不掉一件事:技术同学需要长期维护这只龙虾。

做技术的应该都理解,有些东西用大白话是问不出来的——因为大白话和数据模型的逻辑之间,并非直接映射。

真实案例

这些是真实的发生在工作里的

「数据模型的定期更新」

有人在群里跟 AI 说:「导出今天用户 XXX 的成长报告数据。」

成长报告涉及到哪几张表,AI 还能靠表关联关系加字段名猜出来。可如果有些数据是藏在某些 JSON 字段 里的呢?

你指望 AI 能先抽样几条数据看看再下结论?那是不可能的——真要发生,那也是抽卡运气极好才有的结果。

这种问题,就只能提前把数据模型的信息列一份文档给龙虾。

但如果项目长期迭代更新,你就又多了一份额外的工作;或者,你会再花点时间,把这份清单的更新流程做成一套漂亮的自动化,把自己的时间解放出来。

「AI 突然开始犯错了」

有一天运营又来找你说:“之前好好的,今天突然查出来的数据不对了”。

你翻了一下群里的对话,聪明的你一下就发现了原因:

有一个运营同学的查数需求,其实给 AI表达的需求一直是不准确的带有误导的,但龙虾一直都能正确地返回数据。原因是另一个数据处理任务产生的上下文,给 AI 提供了足够的信息,让它顺利地纠正了错误、完成了任务。

可一旦上下文过长被压缩,这些信息一丢失,错误的请求自然就没法再产生正确的结果了。

于是你又得告诉他们:这个需求该怎么表达,才能被理解。

「一个对 AI 幻觉的认知带来的问题」

这件事是写这篇文章时刚发生的情况。

运营同学说:数据不对。可我盯着看了半天,怎么看都觉得是对的。

他们有数据敏感度,凭直觉就知道哪里不对劲;而我不了解数据细节,自然看不出端倪。于是我一头扎进脚本里查 bug,前前后后查了好几遍、又来回沟通了好几轮——结果发现,问题根本不在脚本。

脚本没问题,导出的 Excel 也没问题。真正的坑在于:模型还会顺手在飞书里,把同一份数据再以 卡片 的形式输出一遍。而运营同学直接看的,就是这张卡片——卡片里的那个数,是错的。

为什么我没第一时间想到?因为我了解模型的底层原理,知道AI 对数字不敏感、容易产生幻觉,几乎是本能地直接去翻原始表格,压根没想过去核对它随手生成的那张卡片。

但这是我的本能,不是每个人的本能。

不是每个人都有这样的认知和直觉,也不是每个人都能一眼辨识出模型的幻觉。而 数据不可信,几乎就等于生产不可用。

         隐藏的门槛      

技术人员还能靠自身经验补齐。  可对非技术岗的同学来说,需要长期的经验沉淀。

💡 还有很多类似的坑

由于每个人视角不同、携带的上下文也不同,AI 并非总能准确地抹平这之间的差异。类似的问题还有不少,下次单独写一篇。
CHAPTER 03
03你看到的是接入,背后是基建REALITY · 投入生产的真实代价

你只看到了全世界都在接入龙虾。但这件事的背后,其实是 对基础建设要求的增高。这需要从各个环节投入资源去建设,并非只是安装一个 Openclaw 就能解决的问题。

如果只是一些小的体验,一切都没有问题。

但当你要投入生产,涉及到 数据准确性数据安全交付质量系统稳定性 的时候——

所有的 Vibe,又将被打掉几折。

而这里更为严重的事情是:当公司发生结构上的简化、角色上的合并之后——

原本只需要负责一件事的人,将开始承担起所有的事情。所有的复杂度、对结果的全部责任,都将由一人扛下。

CHAPTER 04
04写在最后CONCLUSION · 做事的终究是人

但话说回来,大势不可阻挡,我们终究要拥抱变化。

只是——不要一味地追崇工具。

做事的终究是人。以人为本,方能以人驭万变。

如果这篇复盘让你有共鸣,欢迎点赞、在看、转发给同样在一线踩坑的同事。

点赞 · 推荐 · 转发

THANKS FOR READING


相关学习资料