卡萨布兰卡

美财长再炒作所谓中国“产能过剩论” 反遭质问_我的网站

A |     

D |          贯穿三个层次的，是腾讯研究院提出的一道组织算式：          组织竞争力 =（人才密度 × AI 杠杆）/ 组织摩擦。         这道算式把 AI 转型从模糊的“提效”拆成了三个更具体的变量：人才密度决定有多少人能够独立跑完业务闭环，AI 杠杆决定模型进入真实工作流的深度，组织摩擦则决定一个想法要经过多少等待、审批、对齐和信息衰减，才能最终转化为成果。         多数企业首先关注的是分子：采购更强的模型、接入更多工具、提高员工使用率。

E | 但 AI 对组织产生多大价值，越来越取决于分母能否下降。当一个人拥有了过去一个团队的执行能力，原有的汇报关系、协作方式、审批机制和软件体系，都需要随之改变。否则，AI 只会加速局部任务，却无法加速整个组织。         因此，AI重写生产力的关键，并非让每个人多一个聊天窗口，而是重新划定人与机器、个人与团队、工具与组织之间的边界：人负责定义目标、判断结果和承担责任，AI 负责拆解任务并持续运行执行循环；个人从需求提出者变成问题负责人，Agent 从辅助工具变成协作成员，软件则从功能集合演进为组织运行底座。

F |          当执行能力被进一步下放到个人，一种新的工作方式正在形成：你不再只是向别人提出需求的人，也可以直接组织一支由 Agent 构成的队伍，把想法转化为结果。         以下为腾讯云 WorkBuddy 产品专家汪晟杰在“2026腾讯WAIC之夜”上的特别分享：          01 AI时代的一道“算术题”          马克思在《资本论》第一卷第五章第一节“劳动过程”中写道：“劳动过程的简单要素是：有目的的活动或劳动本身，劳动对象和劳动资料。”          这是 150 多年前的判断，其中的三个要素——劳动者、劳动资料、劳动对象，至今未变，但每个要素的载体却发生了翻天覆地的变化。         劳动者，过去是一个岗位上的人，现在可能是一个人带领一支Agent编队；劳动资料，过去是工具和机器，现在增加了Agent与Harness；劳动对象，过去是单个零件、单项任务，现在可以是一条完整的业务链路。         腾讯研究院今年 6 月发布了一份 3 万字报告，叫《从超级个体到超级团队》，并在其中提出了一个核心公式：          组织竞争力 = (人才密度 × AI杠杆) / 组织摩擦。

G |          这个公式很简单，但很有杀伤力，它把变革拆成了三个独立可操作的方向：          一是人才密度，是一个团队里有多少人能独立跑完一条闭环；二是AI 杠杆，是 AI 嵌入工作流有多深；三是组织摩擦，是一个想法从产生到交付之间要经过多少等待、审批、对齐和信息衰减。         需要强调的是，这三者是乘除关系，不是加减。分子翻倍但分母不动，净效果要打折；分母减半，效果等价于分子翻倍。         多数企业盯着分子——工具买了吗？模型接了吗？培训做了吗？但真正的瓶颈在分母，在这个过程里，超级个体放大分子，超级团队真正解决分母。         过去三年，我有一个判断：变的从来不是模型有多聪明，而是“承载形态”在以三级跳的形式逐渐升级。         第一级是工具时代，AI 是一件工具，你问一句它答一句，提效的价值在于个人；第二级是工作流时代，AI 变成“会自己干活的流程”；第三级，也就是今天要分享的——协作新范式。

H | 工作流嵌进办公场景和组织流程，能力可以固化、复用，变成组织资产，而且能够统一管理、统一度量、可治理。         后面所有内容，都在这条演进线上展开：先是一个人的能力怎么放大、再到一支队伍怎么协同，最后是组织怎么重构。         02 L1 超级个体：一个人 + N个Agent = 一支编队          我很认同腾讯研究院对超级个体的定义——借助 AI，一个人能够达到过去需要一个小团队才能达到的产出规模和影响半径。         关键是，它不是“会用 AI 的人”，报告拆解了四个结构性特征：          第一，AI First。

I | 超级个体与传统的“先按老办法工作，遇到困难再问AI”的思路不同，而是先让 AI 跑，再做判断和修正。第二，能力量级跃迁——不是提升 20%，是 10 倍甚至数十倍。第三，主动性极强，不等组织安排。

J | 第四，也是最容易被忽视的——影响力溢出。         这不是概念，我们自己就是样本。CodeBuddy Code 2.0，就是几个工程师们通过 AI 驱动开发，快速迭代、验收，拿真实反馈快速验证，敏捷速度比过去翻了好几倍。

K |          外部的数据也在印证这一逻辑：Anthropic 基于 10 万条 Claude 对话的官方研究：AI 让任务完成时间平均减少约 80%，其中课程开发这个例子，从 4.5 小时压到了 11 分钟。Carta的报告显示，2025年上半年，新成立公司中由单一创始人创办的比例达到36.3%，是近年来的最高值——一个人办一家公司，正在从个例变成趋势。         03 L1 的底座：Agent = Model + Harness          模型是千里马，Harness 是挽具，工程师是骑手。Harness 这个词在英语里的本义是马具——把一匹力量巨大但方向不定的马，通过缰绳、鞍具接入可控系统。         它的底座是一个公式：代码产出 = AI 能力✖️上下文质量          LangChain 做过验证：同一个模型不换，只改 Harness，评测排名从 30 名开外升到前 5。Anthropic 在《Building Effective Agents》里说了一句我反复读过的话，“成功不在于构建最复杂的系统，而在于为需求构建正确的系统。”          底座拆开看有四层：Prompt Engineering，本次请求怎么写；Context Engineering，这次决策前模型该看什么；Harness Engineering，Agent 怎么被引导、约束、验证；Loop Engineering，任务怎么被触发、流转、验收。         Harness 三个动作：驾驭、约束、整合。只有引导没有约束，可能执行不该执行的动作；只有约束没有反馈，出错无法修正。         把L1的底座：Agent = Model + Harness做成一套可复用的工程底座，就是Agent OS。         图：横轴是运行位置：本地和云端。纵轴是场景：写代码和做通用工作。四个格子——本地写代码是 CodeBuddy 本地 IDE，结对编程延迟做到 200 毫秒以内；云端写代码是 CodeBuddy 云端任务，Docker 沙箱隔离、弹性算力；本地办公是 WorkBuddy 本地办公，直接用 Accessibility API 控你的桌面；云端办公是 WorkBuddy 云端工作站，7×24 的数字员工，跑在独立的云端虚拟机里。         四种产品，底层都是同一个 Agent OS，即推理引擎、记忆系统、工具运行时。这就是“工作流可复用、成为组织资产”最底层的技术保证。         把 Agent OS 再往下拆一层，就是 HARNESS 的完整架构——四层堆叠，从上到下：          最上面是智能体应用层，产品形态可以沉淀，比如腾讯文档是内容智能体，CodeBuddy 是研发智能体，WorkBuddy 是泛办公智能体，再加创意设计智能体，以及企业自建的 AI 应用。         往下是智能体引擎层，这是整个架构的心脏——能力平台化、安全可治理。对外是一个统一的 Harness API，也就是 CloudAgent API；对内是刚才反复讲的那些原子能力：多 Agent 编排、上下文工程、Memory 系统、Action 系统、Hooks 系统，再加检索增强、Eval 评估、安全护栏和沙箱。前面讲的"驾驭、约束、整合"，落到工程上就是这一层。         再往下是智能服务层：OneID 统一身份、Billing 计费、KeyVault 密钥、AgentRuntime 运行时、MaaS 模型服务。

L | 最底下是基础设施层：推理平台、快照存储、湖仓一体、数据安全合规、监控运维。         越往下越稳定，越往上越灵活。

M | 上层产品可以快速迭代甚至推倒重来，但底下三层是复用的、是资产。这就是为什么同一套 Harness，能同时长出这么多形态的产品——不是堆人堆出来的，是架构分层分出来的。         这回落到一个关键问题上，当一个人能够指挥一群AI，这个人是做什么的？          Anthropic Claude Code 团队负责人 Boris Cherny 有一个判断我很喜欢：职业头衔正在“融化”。未来的工程师，不再按前端、后端、算法这种技术栈来分，而是按你此刻在产品生命周期的哪个阶段干活，分成 5 种原型角色。         五种角色：探索者 Prototyper、构建者 Builder、清理官 Sweeper、增长者 Grower、维护者 Maintainer          这5种角色，从左到右，就是一个产品从0到1、再到成熟的生命周期：探索者 Prototyper，提新点子，产出大量创意，多数不上线，负责 0 到 1；构建者 Builder，把原型变成生产级产品；清理官 Sweeper，清理 UI、简化代码、下线冗余功能、优化性能；增长者 Grower，在成型产品上迭代，提升 PMF；维护者 Maintainer，守护成熟系统，安全可靠。

N |          其中最重要，且能贯穿全生命周期的角色是清理官（Sweeper）。破局期要它边建边清，成长期要它防屎山堆积，成熟期要它精简守成。         为什么清理官在 AI 时代最贵？          一是AI 让“写代码”贬值了。能精准下线无用功能、精简系统的人，比只会造轮子的人贵 10 倍；          二是AI 提速带来的不是“同样的活更快”，而是“活多得多”。更多功能上线，更多代码堆进仓库，系统越容易变成“屎山”；          第三，代码审查这道关正在被大面积跳过。Cursor 的《开发者习惯报告》里，未经单独人工 diff 复核就进入提交的 AI 代码改动，从年初约 7% 一度涨到 38.5% 的峰值，半年涨了 5 倍多，隐蔽的 Bug、性能黑洞、安全缺口，最终得有人兜底。         四是最关键的，机器能干清理的活，担不了清理的责。该删哪一行？AI 出错时谁一眼看穿？出了事谁兜底？这些判断和责任，仍然必须是人。         回到底座。我想强调一个很反常识的事：很多人觉得，模型够强了，剩下交给提示词就行，但是实际上，这个判断是不够。因为模型有两个绕不开的约束。         第一，模型是无状态的，不会自动保留上一次调用。

o | 你跟它聊了半小时，关掉窗口，下次打开它什么都不记得。对话连续性、记忆、工作进度，全部由产品在模型外部维护；第二，知识截止到训练日期。训练之后发生的事，模型默认不知道，实时信息需要先用工具查询，再放进上下文。         上下文工程有五个动作：写入、选择、检索、压缩、隔离。常见误区是：上下文窗口很大，就全部塞进去。

p |          错。

q | 我们要追求的是相关、准确、及时，不是堆 token。         Memory 也是个坑。我们分成五类：稳定事实、用户知识背景、行为信号、表达偏好、会话延续信息。全部是陈述性记忆——“是什么”。不能把程序性记忆——“怎么做”——塞进去，它会干扰模型的推理路径，成功经验应该保存成 Skill。         这是我今天最想传达的一句：模型决定能力上限，上下文和 Harness 决定这个上限能否稳定落地。         04 迟滞：从 L1 到 L2，一个人变快了，团队为什么还没变快？          当个体变为“超级个体”后，还有一个问题：你已经让团队里几个人用 AI 变快了，为什么整个团队还是没快起来？          因为其中有五个痛点没解决：协同会海——38% 的员工每周开会超过 15 小时；重复造轮——约 30% 的研发、设计、文档在重复；知识断层——约 50% 的关键经验只在个别人脑子里，走人即丢；响应缓慢——跨部门流转 3 到 5 天；数字化 ROI 低——不到 30% 的系统真实激活率。         虽然症状不同，但究其根本都是同一个点：协议层缺失。         L1 协议管个体内部——一个人加 N 个 Agent 怎么协调。L2 协议管人与人之间——N 个超级个体怎么涌现成整体。这两个协议，在数学层面上不兼容。         L1 是中心化的，主控 Agent 做规划，人是唯一指令源，有裁判；L2 是去中心化的，共享态本身是中枢，没有总指挥。

r | 100 个超级个体放在一起，如果没有 L2 协议，依然是 100 个孤岛。

s |          05 L2 超级团队：共识 × 交付，两个维度看清协作产品          腾讯研究院讲超级团队、硅谷这两年在讲一个词，OPC（One-Person Company），一人公司。意思是：一个人指挥一群 Agent，产出相当于一家公司。         我最近把市面上主流的协作产品拉出来对比了一遍——Slack、Jira、Linear、Asana、Monday、Airtable。看下来我发现，衡量任何一个 L2 协作系统，其实只要两个维度，也是一个公式：L2 协作力 = 共识密度✖️交付密度          第一个，共识。人和 Agent、Agent 和 Agent，是不是对同一个目标、同一份上下文、同一个当前状态有一致理解？这里有个关键，共识是分层的。最低是消息层，聊天记录，转瞬即逝；往上是字段层、文档层、目标层；最高是成果层，所有人围绕同一份产出物对齐。         第二个，交付。

t | Agent 能不能把决策真正落到代码、文档、上线动作？还是只停在“给你个建议”？围绕这两个维度，还有四个观察面：协作模式、多项目隔离、Agent 熟度、资产沉淀。

u |          没有成果级共识，Agent 群无法自主交付；没有端到端交付，共识再强也只是纸上谈兵。         6 个协作产品，5个维度打分，满分5分，从上到下分别为：Slack、Jira、Linear、Asana、Monday、Airtable          看完这张表，我最大的感受是，没有任何一个产品，同时把共识和交付两个维度都做满。

v | 要么共识强交付弱，要么交付强共识薄，其中这个空档，就是超级团队的机会。

w |          而且，在六个产品里，有两个困境是所有企业做 L2 都会撞上的。         第一个，共识碎片化。Channel、Issue、Base、Board——每个工具都有自己的共识载体，但它们之间没有统一的语义层。

x | 第二个，交付链路断点。Agent 能“决策”“建议”，但在 Git 提交、PR 合并、上线动作等环节，链路经常就断了。         我认为其中的核心矛盾是，共识和交付，两头都不能断。断哪头，超级团队都无法涌现。         那么，L2应该如何搭建？          凯文·凯利在《失控》里讲蜂群。蜂群没有蜂后指挥飞行路线，每只蜜蜂独立决策何时采蜜，通过舞蹈传递信息，数量达到阈值，蜂群智能涌现。这套哲学落到 AI 时代，就是蜂群协议，其中又包含了五个要素：          第一，共享态，Agent 实时把工作状态写进共享工作空间，这正是在解决“共识碎片化”。第二，意图广播，持续广播做了什么、将做什么。第三，触发反应，信号匹配能力，秒级调度。第四，冲突消解，客观评判加让行规则，不靠老板仲裁。第五，反馈放大，高价值路径强化，低频路径冷却。         传统团队，N 个人等于 N 份产能；超级团队，N 个人乘以 M 个 Agent，等于 N 乘以 M 份产能。         腾讯研究院把团队形态分三种：节点辐射型，有中心，AI 做辅助；网络协作型，无中心，对等网络——CodeBuddy 三层架构、Anthropic 都属于这一类；AI 中枢型，AI 本身就是协调中心——最典型的是 Multica，4 个人加几十个 Agent，产品上线不到三周就霸榜 GitHub Trending。         三种团队形态的共同点是：解决了分母问题，即等待、审批、信息衰减、权限封锁等繁琐的流程问题。

y |          如何把共识和交付两头都补上？我给一个三层架构：          第一层，个人 Agent 群层，一个人加多个 Agent。关键动作是——把对齐锚点从“消息”换成“产出物”。Agent 群不再围着聊天记录转，而是围着同一份产出物协同。这就是在治“共识碎片化”。         第二层，项目协作层，多人加多 Agent。核心是一个共享上下文层——让人类和 Agent 看到同一份目标、同一份状态、同一份决策日志。学 Asana 的目标层级，但锚点是成果。         第三层，资产沉淀层，多项目加长期记忆。每个项目自带 Agent 记忆、产出物、决策日志，项目结束资产可继承到下一个项目，形成复利。学 Airtable 的数据共识，但加进了决策日志和 Agent 记忆。         其中有两个原则。一个是多项目专项隔离——每个项目是独立的 Agent 上下文加独立的资产空间，不跨项目“串台”。一个是成果级共识锚点——所有协作围绕产出物对齐，产出物本身就是共识载体。         超级团队的成功，赢在共识密度、交付密度、资产复利这三样的乘积。         以我们自己的案例 WorkBuddy 为例，这个产品本身，就是一支超级团队快速迭代做出来的。         它有三层能力，层层递进，正好对上刚才那三层架构。         第一层，专家。把一类岗位的角色和说明书整包打包进 AI，用 Skill 加 MCP 加数据知识加 Harness 配成专家，一句话调用。这叫专业能力平权——你不懂法律，你的 AI 顾问懂。         第二层，助理。把专家雇进云端，成为 7×24 常驻、同一身份多端可达的数字员工。一个人活成一支队，让人成为超级个体。对应个人 Agent 群层。

z |          第三层，团队。把多个助理拉进同一个项目协同，上下文共享一次、迭代无数次。对应项目协作层——从超级个体走向超级团队。         我有一句话经常说，“龙虾不是产品，龙虾是个概念。

| 枪准备好了，就等待更好的子弹。”工具先做好，场景会自己长出来。         06 L3 超级组织：组织摩擦才是隐形天花板          工具讲完了，接下来该泼盆冷水。因为工具做好，不等于组织就变强了——L1、L2 说的都是分子，可真正卡住大多数公司的，是分母。         麦肯锡的多项调查显示，88%的组织已在至少一个业务职能中使用AI，但仅约1%的高管认为自家生成式AI部署已达到成熟阶段。

| 《Harvard Data Science Review》的一篇文章援引数据称，78%的组织已在至少一个职能中使用生成式AI，但超过80%的组织尚未看到其对利润产生实质性贡献。         原因在三种失败模式。第一，工具堆砌，花几百万买模型，只有 IT 部门在用。第二，培训陷阱，全员学写"更漂亮的周报"，核心业务纹丝不动。第三，内部自嗨，内部热闹，客户毫无感知。         有一个数据我印象很深。叠加使用 AI，只能获得 20% 到 40% 的增量。但围绕 Agent 重新设计流程，才可能释放 2 到 10 倍的潜力，且差别是数量级的。         这回应了上面的问题：要么在既有流程上叠 AI，那是困境；要么围绕成果级共识和端到端交付重设计流程，那才是超级团队。         还有一个判断——AI 是分化加速器，不是均衡器。它不普惠，它放大差距。能力洗牌会分四层：顶层 5%，把 AI 杠杆和不可替代的人类能力结合；拓展者 10%；效率提升者 70%；被淘汰 15%。

|          组织摩擦是天花板，如何解决？我认为是要给全公司的AI建一个统一的管理底座。         先看能力侧。企业需要的不是单个 Agent，而是三种形态的组合：CODING AGENT，就是 CodeBuddy，本地云端双端，管开发；WORK AGENT，就是 WorkBuddy，嵌进办公套件，管业务；还有 RUNTIME PaaS，托管型 Agent，服务化交付，管那些 7×24 跑着的任务。把专家、助理、团队这三大能力组合起来装进企业，这就是 WorkBuddy 企业版。         但光有能力不够，企业真正焦虑的是“管不住”。所以更关键的是右边这个统一管理后台——一套后台，管好全公司的 AI。         这个后台负责管六件事：运行观测，每个 Agent 在干什么、调用链路怎么走、性能质量如何，全程可见；评估测评，效果打分、质量看板，让 AI 的产出可衡量；AI 资产管理，把智能体、模型、Skills、知识库、连接器统一沉淀；再加成本用量、组织权限、安全审计。底下用 OneID 统一登录、Credits 统一度量任务消耗、Security 全平台安全兜底。         降低组织摩擦，不能靠喊口号，得靠基础设施。当每个人的 AI 用量可观测、可评估、可治理、可复用，组织摩擦这个分母，才第一次变得“可管理”。         这是从超级个体走向超级组织，绕不开的一步。         07 你不再只是提需求的人          回到开场那个公式：组织竞争力 = (人才密度 × AI杠杆) / 组织摩擦。         提高人才密度，让人具备独立闭环能力，这是 L1。放大 AI 杠杆，让 AI 深度进入真实工作流，这是 L1 到 L2。降低组织摩擦，让想法快速转化为成果，这是 L2 到 L3。

|          这三件事，对应生产力三要素的最终答案。劳动者，从执行者变成问题负责人。劳动资料，从个人工具变成组织基础设施。劳动对象，从单点任务变成完整业务链路。         今天讲的所有东西，可以收成两句话：第一句，回应中间那张 5 种角色的图——最好的工程师，不是写代码最快的那个，而是最清楚什么时候不该信 AI 的那个。第二句，也是最终答案：Human Defines Goals, AI Owns the Loop. 人定方向，AI 跑循环。         你不再只是提需求的人，你是可以直接解决问题的人。

Current article:http://to5.wenwancaomohenenqiongpangshun.bond/kdx/20260826/248366.xlsx

Published on:13:16:41