如何破解内容安全“不可能三角”？快手王东旭：把组织从“固态”变成“液态”

作者｜ 王东旭

策划｜AICon 全球人工智能开发与应用大会

当大模型撕裂传统产业逻辑，组织与个人的进化速度决定生死。在 AICon 全球人工智能开发与应用大会上，快手内容安全团队负责人王东旭，以一线实战经验拆解了“人机协同”如何破解“安全、效率、体验”的不可能三角。

他从产品、运营、研发、数据、算法五大岗位的职能跃迁入手，提出组织应从“固态”转向“液态”，并借鉴“师改旅”思路构建“AI 合成旅”。这既是一场内容安全的技术复盘，更是一份 AI 时代十倍效能跃升的行动指南——速度，是唯一的护城河。

以下是演讲实录（经 InfoQ 进行不改变原意的编辑整理）

1 LLM 带来的生产力变革：内容安全的新挑战

在快手短视频广告的内容安全审核场景中，团队长期面临安全、效率、体验的不可能三角困境。

既要严守平台安全底线，杜绝政治、色情、低俗等违规风险外泄；同时需要持续优化广告主与商家的投放体验，还要以轻量化人机协同成本，最大化平台整体运营效率。伴随短视频、直播行业高速发展与 AIGC 技术的广泛落地，这一三角矛盾的冲突强度被进一步放大。

跳出内容安全的业务视角来看，支撑这类业务运转的架构，是一套典型的运营、产品、研发协同组织模式。

运营侧负责风险感知与需求提出，产品侧承接需求拆解并完成 PRD 方案设计，研发侧落地系统搭建与数据模型研发，最终由运营通过规则配置，实现线上风险的识别与拦截。但在这套模式下，各岗位之间长期存在隐形的职能壁垒，各角色分工固化、权责边界清晰，由此形成了传统模式下的固态组织形态。

回望近十年发展，内容安全领域的固态组织，始终伴随技术迭代持续演进。2014 年前后，行业内容风控主要依靠敏感词拦截体系，并辅以大规模人工审核团队运作，整体完全依托人工经验驱动；2017 年，随着 ResNet、BERT 等深度学习技术逐步落地应用，行业正式迈入智能化审核阶段。；自 2020 年起，深度学习技术全面普及，成为内容风控的基础标配，行业技术发展也由此进入一个平稳且连续的上升周期。

然而，2022 年末 ChatGPT 的问世，打破了既有的技术演进节奏，使行业发展迎来关键的非连续性拐点。正如管理学大师查尔斯·汉迪所提出的，当技术发展进入非连续性阶段，唯有通过跨越发展曲线的突破性创新，才能实现十倍级的效能增长。

放眼当下，无论是内容安全赛道，还是更广泛的业务场景，我们都正处转折节点之中，由此也引发了一系列的挑战。

首先，内容产能迎来井喷式增长。相较于传统 PGC、UGC 发展阶段，AIGC 驱动下的内容产出呈现幂级跨越式提升。不仅直接推高整体审核成本，同时伴随提示词技术的普及，违规主体可凭借极低成本，通过调整指令参数规避风控策略，大幅提升内容治理的对抗难度。

其次，从发展机遇来看，大模型正在推动行业迈入模型平权阶段。随着 AI 技术门槛持续下放，运营、产品、研发等传统岗位的职能边界不断弱化，不同岗位从业者的能力差距逐步缩小，技术普惠成为当下重要的时代红利。但机遇与风险并存，AI 工具的运用能力将逐步拉开人才差距。

正如狄更斯所言，这是最好的时代，也是最坏的时代。面对技术非连续性带来的断层与冲击，若沿用“旧地图”，终将无法找到“新大陆”。

2 AI 驱动组织架构重构：产运研角色持续向价值链上游升级

产品：P2P 驱动的原型设计革命

在 AI 时代，若产品经理缺乏大模型相关认知与应用能力，将难以打造真正的 AI 原生产品。针对这一痛点，我们提出了一个全新概念——P2P（Prompt to Product，即从提示词到产品）。依托 No-code 工具及 vibe coding design 模式，产品经理可快速生成可运行的产品原型。目前市面上主流的 vibe Coding 产品原型设计工具，如 Figma、Lovable、Bolt 等，已成为提升产品设计效率的核心利器。此外，在风控业务场景中，通过对话框驱动的方式，可在极短时间内自主完成 M 端应用的原型设计，无需再受 UX 设计排期的限制。

构建高质量产品原型设计 Prompt，可从四大核心维度着手：

首先是角色与上下文的精准定义，需明确产品所处场景是 B 端、M 端还是 C 端，以建立模型对业务语境的基本认知。其次是核心数据字段与功能特性的结构化梳理，确保需求表达在传递过程中不发生偏差。再者是视觉与交互风格的设定，例如金融行业偏向稳重的蓝色体系，科技产品常采用深色或极简风格，以统一设计表达语义。最后是交互细节的补充，包括悬停反馈、点击状态、动效逻辑等微观行为，从而提升原型的可执行性与真实感。

在这一基础上可以看到，产品表达方式正在发生变化：从“描述需求”逐步转向“结构化驱动生成”。

基于 2025 年行业招聘与人才需求趋势，当前市场最稀缺的岗位并非通用型产品经理，而是具备 AI 能力的“AI 产品经理”。传统产品经理在供给侧已相对充足，但一旦叠加 AI 能力，尤其是对 AI 价值的理解能力与实际应用能力，其岗位的稀缺性与战略价值显著提升。

这一变化也重新定义了产品经理的能力结构。未来的产品经理需要具备三项关键能力：其一是对垂直业务的深度理解能力；其二是在业务理解基础上的需求结构化拆解能力；其三是与 AI 高效协同与对话的能力，从而将业务意图转化为可执行的系统与原型。

运营：从“规则运维”到“指令工程

在当前业务实践中，如果运营人员仍停留在策略系统内，通过配置逻辑操作符与阈值来完成规则管理，其工作内容本质上仍属于标准化、可规则化的重复操作，这类岗位能力边界正在被大语言模型逐步覆盖。

以内容审核场景为例，过去主要依赖“小模型 + 人工规则”的方式处理大量 SOP 类流程性工作。随着大模型能力的增强，这类高度标准化、重复性的环节正在被系统性承接。

因此，从岗位结构演进来看，传统以规则配置为核心的运营职能，正在面临实质性的能力重构。

面对这场范式转移，运营人员要实现能力跃迁，首要关键在于从传统规则配置工作，转向提示词工程能力。

结合快手商业风控的落地实践可以看到，优秀运营已经不再局限于规则运维角色，而是逐步演进为提示词工程师。他们通过构建高质量 Prompt 体系，明确模型的决策边界、审核流程标准以及关键判断要点。同时，部分人员已经熟练应用思维链、图文交错思维链等进阶提示方法，提升复杂场景下的推理稳定性。当提示词体系能够覆盖约八成的常规场景后，对于剩余的长尾复杂问题，则进一步需要运营具备智能体工作流的编排能力，以实现多步骤任务的自动化处理。

然而，仅依赖提示词工程仍存在明显局限。一方面，大模型本身存在幻觉问题；另一方面，业务知识体系往往分散在不同系统与文档中，难以被统一表达与调用。因此，仅依靠 Prompt 已难以完全支撑复杂业务需求，运营能力开始向更系统化的知识增强方向演进，即RAG 运营能力。

在此基础上，以快手商业风控场景为例，在完成 Prompt 工程与 RAG 体系建设之后，运营人员进一步向模型训练环节延伸，开始参与到有监督微调流程中。借助自动化 Prompt 工程框架，可以实现提示词的自动挖掘与优化，并结合多臂老虎机模型进行效果评估与迭代扩散，从而逐步构建起覆盖数据生成、训练与反馈优化的完整 SFT 流水线。

有一件事令我印象尤为深刻。在一次 Launch Review 过程中，我建立了专项沟通群以推进方案评审。期间，一位运营同学提交了一份方案并请求协助评审。在详细审阅后发现，该方案已不再局限于传统运营范畴，而是围绕模型展开的系统性实践，其中甚至涵盖了有监督微调等技术环节。

这一案例使我首次直观地认识到，运营岗位同样可以深入以往被视为技术壁垒较高的领域。他们不再仅仅停留在模型使用层面，而是能够独立开展规则设计与策略调优，在具体业务场景中承担起“模型教练”的角色，逐步延伸至原本主要由算法岗位主导的工作内容。

这一实践带来了极具启发的结论：非技术背景的从业者，首先要做的就是对大模型去神秘化，真正意识到它并非遥不可及、无法触碰的技术体系。未来运营人员的核心竞争力，将聚焦在这一点上：能否以自然语言为核心载体，把自身在垂直行业沉淀的专业经验与业务知识，做系统化、结构化的梳理表达，并精准传递给大模型，进而引导、规范并持续优化模型的实际业务行为。

研发：向上游价值链迁徙的架构者

在 Hacker News 上，流传着一条广为人知的“微笑曲线”。该曲线以研发人员的经验水平为横轴，从初级开发者延伸至资深架构师；以大模型对不同职能的影响程度为纵轴，刻画其在不同阶段的作用差异。

从曲线分布来看，资深架构师位于影响力的高点。这一现象源于其能够有效驾驭大模型，将其作为高效的辅助工具使用——类似于同时调动多名具备扎实基础能力的助理，从而加速代码实现及前沿方向的原型构建。相比之下，初入职场的开发者则处于曲线低谷。大模型对重复性编码任务具备较强替代能力，使初级研发岗位面临更为显著的冲击与不确定性，从而落入曲线所指示的“风险区间”。

从研发视角来看，跨越“危险区”的关键，在于完成从以代码为中心的执行范式，向以工具整合与系统构建为导向的开发模式转型。

在具体实践中，这一转型主要体现在三个核心维度的工具应用上。首先，是 IDE 类工具的深度融合，例如 Cursor、GitHub Copilot 等，已逐步成为团队正式成员及外包人员的基础配置；其次，是 Coding Agent 类产品的应用，例如 Claude Code 以及团队内部构建的各类 Agent 系统；更具变革意义的是引入 vibe Coding 类开发模式，如 Lovable、Bolt 等工具，这类能力不再局限于产品经理，亦成为技术人员能力体系的重要组成部分。

在一次实践中，通过使用上述 vibe Coding 工具，完成了一款基于《Plants vs. Zombies》玩法的游戏开发：由需求侧提出角色与机制设想，经由结构化表达输入系统，仅通过数轮交互便实现了游戏逻辑的完整闭环。

总体而言，尽管 AI 对基础编码能力形成了一定冲击，但对于主动拥抱相关工具的研发人员而言，其本质更接近于能力放大器。未来，对优秀程序员的评价标准将不再局限于编码效率或调试能力，而在于能否持续跟踪前沿 AI 技术演进，并将其有效整合至具体业务体系之中。

除借助 AI 辅助编程外，研发人员跨越职业“危险区”的另一关键路径，在于向产业链与价值链上游实现能力升级与战略转型。其角色不再局限于承接 PRD 并完成被动交付，而是主动深耕核心技术领域，构建面向大模型的完整风控体系。

这一转型具体体现为多维度的技术突破。研发团队基于 Llama-Factory、Swift 等开源框架开展二次开发，为算法团队搭建高效的一体化大模型训练与推理平台；同时，面向运营场景，自主构建专用的 Prompt 运营管理系统。在性能优化方面，针对大模型推理延迟高、计算开销大的行业痛点，通过模型量化压缩、KV Cache 加速以及 ViT 拆分等技术路径，对模型运行效率进行系统性优化。

在架构层面，进一步落地了大模型驱动的智能审核体系。传统行业普遍采用人机协同的审核模式，即依赖小模型完成内容初筛，并在后续流程中高度依赖人工复核。基于业务与技术的协同升级，对整体审核链路进行了重构：在保留小模型基础筛选能力的同时，引入大模型对业务进行深度赋能，大幅替代投放前后重复性较强的人工审核环节。该架构革新不仅构成关键的技术突破，同时显著提升了整体投入产出效率。

数据：构建 AI 时代的高质量数据飞轮

在系统梳理产品、运营与研发三类岗位的发展路径后，有必要进一步聚焦数据工程师的转型方向。过往在业务高速扩张阶段，数据工程师的核心职责主要集中于梳理分散且异构的数据基础，通过标准化治理与规范化整合，构建统一的数据体系，并以 BI 报表形式为业务决策提供支撑。

进入大模型时代，若数据工程师仍停留在数据采集、加工整理及报表产出等基础性工作，其职业壁垒与核心竞争力将持续弱化。

基于此，需要推动数据工程师向数据科学家实现能力跃迁。传统数据工程师长期聚焦于数据仓库建设与数据集市沉淀，工作内容流程化程度高、价值边界相对明确。

在新的业务范式下，数据岗位亟需完成价值重构：不仅承担数据处理与交付职责，更应成为驱动大模型训练与迭代优化的关键数据供给方，构建并持续运转数据驱动的业务闭环，通过高质量数据资产沉淀与反馈机制，形成数据飞轮，从而支撑业务的长期增长与能力演进。

数据职能的价值生产逻辑，正在经历系统性的范式转变。

从从业者视角来看，传统数据岗位多承担数据执行与标注职能；进入大模型时代，其角色正逐步重塑为 AI 的训练者与评估者，并在实践中落地 LLM as a Judge 等方法论。

角色转变进一步推动价值分配机制的重构。传统数据生产普遍采用按量计价模式，而当前大模型发展的主要约束已不再是数据规模，而在于高质量数据的持续稀缺。在此背景下，价值衡量逻辑由“按量结算”转向“按质定价”，数据质量与结构化程度成为核心评价维度。

从劳动模式看，数据生产亦由单向、重复的作业流程，演进为人机协同、双向反馈驱动的闭环体系。在这一体系下，通过持续的数据筛选、标注优化与效果评估，逐步构建并强化高质量数据飞轮，从而为模型能力迭代与业务增长提供稳定支撑。

算法：业务理解与前沿技术的深度对齐

大模型所引发的技术普惠趋势，显著降低了算法领域的技术准入门槛。在经历移动互联网发展周期之后，行业已全面进入新的 AI 发展阶段。随着大模型能力的广泛普及，各类岗位加速向 AI 原生形态演进，部分非算法角色亦具备开展 SFT 的能力。在此背景下，算法工程师的核心壁垒与价值边界亟需重新界定。

围绕能力升级与职业转型，可从“向上、向下、向前”三个维度推进系统性重塑：向上延伸，深入业务场景；向下扎根，强化底层算法能力；向前探索，持续跟进大模型，尤其是多模态方向的前沿进展，挖掘技术与业务融合的潜在空间。

在“向上”维度，重点体现为对业务体系的深度重构。传统互联网内容审核长期依赖小模型与人工协同的固定模式，但随着 AIGC 的快速发展，该模式已难以满足当前业务需求。基于此，算法团队主导推进审核体系的全链路智能化升级。在项目初期，团队完成了 SFT 训练、强化学习优化以及多 LoRA 模型的线上部署。

进一步推动业务产生实质性跃迁的关键，在于生产关系的重构。算法团队逐步开放模型能力接口，向下游岗位提供支持，推动运营侧能力升级，使其掌握提示词工程、流程编排及轻量化模型微调等关键能力，从而在业务侧承担起模型应用与优化的职责，形成更加高效的人机协同与跨角色协作体系。

在“向下”深耕技术底座层面，核心策略在于构建面向垂直领域的预训练模型。

开源模型在发布前通常通过安全机制对敏感内容进行过滤。直接基于此类经过高度净化的数据分布开展违规识别任务，往往难以满足风控场景对精度与召回的要求。基于 LLaVA 架构，通过文本编码器、ViT 模块与 MLP 投影层完成多模态对齐，并在解码端实现统一输出。尽管整体框架属于成熟范式，其关键优势在于注入了大规模短视频风险场景的专属数据，从而显著提升模型在垂直任务中的表现能力。

依托数据团队由数据工程向数据科学转型所构建的数据飞轮，为模型持续迭代与性能优化提供稳定的数据供给。目前，自研 BLM 预训练模型已在商业风控场景中实现规模化应用并取得良好效果。其中 7B 参数规模的模型，在综合能力上可对标开源 32B 甚至 72B 级别模型，在成本侧实现显著优化，年度节约达到千万量级。

在预训练能力建设之外，团队亦持续加大对后训练阶段的技术投入。业界普遍认为预训练阶段的数据红利正逐步趋于饱和，Andrej Karpathy 亦多次强调后训练阶段的重要性。

结合风控业务的复杂性与多样性，形成了针对性的技术路径。由于风险场景类型繁多且差异显著，单纯依赖人工开展大规模有监督微调，不仅成本高昂，也难以具备良好的扩展性。因此，首先通过垂直领域预训练强化模型的通用能力基础，在此之上再进行细分场景的自适应适配与能力迁移。基于这一思路，团队进一步探索并形成了结合自适应奖励机制与 RPO 的方法体系，用于提升模型在复杂风控环境下的表现。

上述实践表明，即便处于垂直业务领域，只要能够将深厚的行业经验与前沿技术路径有效结合，依然具备产出具有创新性的技术成果的可能性。

在完成“向下”能力突破之后，团队进一步推进“向前”方向的技术探索。

随着 2025 年下半年多模态技术向“理解与生成统一”的方向演进，行业范式发生了结构性升级。

传统内容审核流程通常止步于风险拦截：当系统判定广告素材违规并予以拒绝后，广告主往往需要在冗长的视频素材中逐帧定位问题片段并进行手动修改，整体编辑效率受到显著制约。针对这一瓶颈问题，团队基于对大模型能力边界的持续探索，提出并构建了AhaEdit系统，以致敬大模型领域的“Aha Moment”式能力跃迁。

在传统审核逻辑中，一旦文本或短视频被判定为违规，即会被直接拦截并失去在平台分发的机会。围绕这一机制限制，团队开展了具有突破性的系统设计：首先通过前置 Radar 模型对风险点进行精细化定位与结构化识别，其次利用 AIGC 的内容生成能力对违规片段进行定向修复，从而在保持原始语义与表达意图不变的前提下，实现内容的合规化重构。

目前，该系统已在快手平台实现规模化落地，每日服务数十万广告主，自动修复上百万条短视频素材，并在整体运行成本可控的前提下实现高效率处理。通过这一“理解与生成统一”的技术路径，本质上正在重塑内容审核与内容生产的行业范式。

总结：AI 驱动下全职能链路的价值重塑

针对产、运、研、数、算五类核心职能角色，在 AI 时代背景下，其职能正在发生系统性重塑。

首先，产品经理的职能已由传统的 PRD 编写，转向基于 Vibe Coding 的产品原型构建。这一转变显著提升了从创意到落地的转化效率，并进一步推动产品评审流程向 AI 自动化方向演进。在此基础上，其考核体系同步升级，重点关注 Vibe Coding 原型产出规模，以及由产品经理主导设计的 AI 原生产品实际效果。

其次，策略运营的角色由传统规则配置与表达式编写，逐步演进为 PE 运营与 AI 规则训练者。其核心能力体现在 Zero-shot 策略的快速补充与适配能力。在评价体系上，更加侧重 Prompt 维护能力、工作流编排能力、RAG 知识库管理能力，以及驱动模型 SFT 流水线构建的能力与规模。

对于研发人员而言，在 AI 辅助编程显著提升开发效率的基础上，其角色进一步向技术深水区延展，逐步演化为垂直领域大模型系统的架构设计者与核心构建者。在指标体系上，不仅包括代码 AI 自动入库率（当前团队已超过 35%），更关键的是其在算法工程化体系中的核心贡献与系统性影响。

数据工程师的职能则从单一 BI 分析，升级为 “BI + AI” 融合模式，转型为驱动模型持续迭代的关键“数据燃料提供者”。其中更为核心的衡量指标在于智能标注自动化率，并持续向 70% 及以上目标推进。

最后，算法工程师正在经历从判别式模型能力向“理解与生成统一”范式的深层重构。作为最接近模型能力核心的一类角色，其职责已不再局限于建模本身，而是逐步演化为组织生产关系重塑的关键推动者。其价值评估体系将重点聚焦于传统模型迁移效率、Agentic System 的业务覆盖覆盖率，以及预训练与强化学习对实际业务增益的贡献程度。

3 AI 驱动协同模式升级：构建“人机协同”的 AI 增强型安全系统

协同范式一共有三种：大小模型协同、多智能体协同以及人机混合协同。

首先深入分析大小模型协同模式。在实际业务场景中，小模型与大模型各有优劣。小模型具备极强的可解释性与执行效率，但受限于偏低的精度上限与通用适配能力的短板。大模型理解能力突出、通用性更强，但庞大的参数量会降低推理效率，且内部决策逻辑普遍存在黑盒化问题。

该协同模式主要通过两个方向推进落地。其一，是大模型对小模型的正向赋能。以大模型为教师模型，依托模型蒸馏、数据蒸馏等技术路径实现知识迁移，赋能轻量化、高吞吐的学生模型，以极低的算力开销，对齐大模型 70% 至 80% 的核心能力；其二，是小模型对大模型的反向增强。前置部署小模型承担流量路由职责，拦截并过滤逾 80% 的常规简单案例，仅将剩余复杂案例输送至大模型进行深度精排，从而最大化释放每一块 GPU 的算力利用率。

其次，多智能体协同模式。业内广泛推进 Agent 应用，快手团队聚焦审核场景深耕实践，搭建了一套体系化的 Multi-agent 协同框架，以此打破传统 AI 应用中普遍存在的智能体孤岛问题。

整套系统的核心，是搭载风控领域专业能力的规划器。它统筹全局，负责任务拆解、执行路径决策以及多智能体之间的路由编排。在执行层面，我们构建了感知、识别、反思、仲裁、反馈五大职能类智能体。

智能体内部，依托 MCP 协议完成精准工具调用；智能体之间，依靠 A2A 通信机制实现高效交互。

依托该套架构，各智能体不再彼此孤立，而是通过相互博弈、仲裁判定、自我反思、闭环反馈与持续迭代，形成动态进化的完整体系。在复杂多变的风控业务场景中，系统的风险识别能力由此得到大幅强化。

最后是人机混合协同。在该模式下，人与机器形成高度互补的协作关系。人类具备创造力、批判性思维、同理心以及应对复杂场景的决策判断力，但受限于生理作业极限，且边际人力成本居高不下。机器则拥有全天候不间断作业的能力，具备强可扩展性，且算力性价比更优。

基于此种互补特性，我们搭建起“人机协同、共享智能”的运作模式。一方面，将 AI 作为辅助工具与协同智能体，通过 Copilot 协作模式，全面提升审核人员的作业效率。另一方面，依托人工介入持续反向优化模型，为 AI 的迭代提供关键支撑。面对大模型幻觉难题与长期进化需求，人工产出的高质量反馈具有不可替代的核心价值。

以快手实际业务为例，用户针对不良内容的负向反馈会实时回流至系统，作为强化学习的核心训练信号，持续驱动模型识别能力的迭代优化。

未来的人机关系并非相互替代的零和博弈，而是深度共生、彼此成就。AI 与算力将成为业务增长的核心杠杆，承接海量、标准化与确定性的基础任务。人类则作为关键支点，聚焦复杂疑难场景、不确定性问题与伦理边界决策，双方共同构筑长期稳定的业务运行体系。

4 打造 AI-Native 型安全组织

在构建 AI 原生型团队的进程中，我将职能进化的成熟度划分为 L1 至 L5 五个阶段。这一框架不仅适用于风控安全领域，对各行业的 AI 转型同样具有普适的参考意义。

在初期阶段，L1 以纯人工处理为主。进入 L2 后，逐步引入人机协作的混合审核机制，人力效率开始得到初步释放。L3 是当前阶段取得显著突破的关键节点，其核心特征在于机器开始大规模替代传统的重复性人工劳动，从而重塑基础作业形态。但我们认为，L3 并非终局形态。团队正持续向 L4 阶段演进。

在 L4 阶段，实践“Human-in-the-loop”乃至“Human-on-the-loop”的协同范式，人类角色从执行者转变为 AI 教练与系统监督者，核心职责在于引导与驱动 AI 持续优化与进化。

至于 L5 所代表的 AGI 自治时代，其到来时间仍存在不确定性。然而，从 L1 到 L5 的整体演进路径，已经清晰勾勒出技术驱动下组织形态与职能结构持续进化的必然趋势。

在审视完系统与业务层面的变革后，组织形态的演进同样关键。

我们团队正在推行一项极具启发性的实践，即实现从传统的“师级单位”向“AI 合成旅”的转型。借鉴军事领域“师改旅”的变革逻辑，传统师级编制职能边界极其清晰，虽然人数众多，但在应对复杂瞬态任务时协同成本高昂。回到产研场景，过去由产品、运营、研发与算法构成的“固态组织”，其职能边界犹如一堵无形的墙，各角色间维持着机械的需求交付关系。

然而，这种僵化的边界已逐渐成为限制组织效率最大化的根源。为了应对 AI 时代的挑战，我们提出了与之相对应的“液态组织”概念。在液态组织架构下，职能边界不再泾渭分明。

产品经理可以参与原型研发，策略运营能够主导模型微调，这种打破军兵种隔阂的“合成化”作业模式，使得团队在处理创新性任务时展现出极强的爆发力。通过从固态到液态、从传统师级编制到 AI 合成旅的进化，不仅显著提升了突破性产品的落地速度，更让每个角色都能持续向价值链上游迁移。

最后，在这样的宏大背景下，每一位从业者都应当致力于向价值链上游实现职能跨越，正如我们从固态组织向液态组织演进，从“师改旅”转型的尝试一样，唯有不断向上突破，才能重塑核心价值。

在这一升级转型的过程中，速度是唯一的护城河。面对日新月异的技术变革，唯有保持极高的迭代频率，才能在激烈的竞争中占据主动，否则我们今天所推崇的模式，转瞬便会被时代抛在身后。同时，我始终主张“先完成，再完美”的原则，因为在瞬息万变的 AI 浪潮中，进化的速度远比出发时的姿态更为重要。

以上就是我今天的全部分享，谢谢大家。

会议推荐

测完 MBTI，快来解锁技术人专属 AITI ！前沿探索家、大模型工程师、Agent 实战拆解师、行业赋能师… 你是哪一种？6.26-27 # AICon 上海站等你面基同频人！世界模型与多模态智能突破、Agent 架构与工程化实践、Agent 安全与可信治理、企业级研发体系重构等 14 大专题全面开启，诚挚邀请你登台分享实战经验。AICon 2026，期待与你同行。