Ai-Native

曾鸣第三次「看十年」公开课的整理稿今天上午刚发出来——笔记侠整理，两万多字，讲的是他在杭州湖畔创研中心那场演讲。他开场第一句不是讲趋势，是讲自己的状态：

我这两个月越来越不焦虑了，因为很多东西越看越清楚。

这句话让我停了一下。过去两年 AI 圈的主流情绪恰恰相反——所有人都在焦虑：模型会不会又换代、投入那么大为什么效果不好、拐点到底在哪。而曾鸣是阿里巴巴集团前总参谋长、两次被 Thinkers50 评为全球最具影响力的战略思想家，他的「不焦虑」不是安慰，是一个判断：AI 刚进入第二阶段的开场，应用大爆发还没真正开始，浏览器还没有出现，所有人都在同一条起跑线上。

这场演讲被拆成六个命题（智能商业、AI 原生、产业化阶段、价值创造、创智组织、智能战略），两万多字。但对我最有冲击的只有一个论断，它藏在第一节，篇幅不长，却把我这两年一直在做、却说不清的事一句话说穿了：

真正创造巨大价值的是打开新的供给。好的私人医生、好的老师、好的理财顾问，旅游时能给你真正建议的可信的信息专家，任何一个方面我们都觉得好的供给太少、太稀缺。

不是把现有服务做得更快更便宜，是 让一批过去根本不存在的市场出现。而它之所以现在可能，是因为 AI 把满足每个人具体需求的交付成本打到了极低——低到过去只有富人和大公司买得起的东西，正在变成默认配置。

Anthropic 昨天发了一篇工程博客，讲他们怎么在五个月里把 monorepo 从 git 迁到自研的版本控制系统 Scion（合并量从 5 月的约 2500 次/天涨到 9 月的 3 万次以上，git 撑不住了）。数字都很惊人，但我停下来的是里面一句关于人的话。

他们说，参与这个项目的所有工程师，现在都认为 Claude 写代码比他们自己强。

按理说这话讲完，工程师就该没价值了。可紧接着他们写：「很多时候我们发现，工程师的作用就是告诉 Claude『no』。」

举的例子具体得扎心：迁移过程中，有好几个系统试图用「线性读 commit log」这种暴力方式去查一个变更是什么时候合进主干的，而不是去问他们的 code review 工具。能跑，结果也对——但它违反了系统的核心约束，是一个「本就不该被允许存在」的模式。还有一次，对抗性 review 对另一个内部服务过度防御，Claude 就照着加了一大堆多余的校验和复杂度。

我发现这两件事拼在一起，恰好回答了一个我最近一直在想的问题：「AI 时代品味最值钱」这句话，到底在说哪一种品味？

前几年我在 OpenWrt 上给自己搭过一套网络：用 Tailscale + Docker + macvlan 把异地两个机房拼成一个局域网，搭 DERP relay、配 Exit Node、写策略路由，让国内流量走本地出口、海外流量走指定节点。每一次都能跑通。我还在 Tailscale 是事实上的个人弹性云基础网络 里得意地总结过这套玩法。

但有个问题一直没解决：这套网络的知识，全在我脑子里。哪条路由为什么这么走、哪个节点的密钥什么时候过期、改哪一行会把我自己的管理连接切断——没有一样写在设备上。我一旦忙别的，它就成了一个谁也不敢碰的黑盒。

一个没有网络工程师的中小公司，遇到的是同一件事的放大版：设备足够复杂，人又不够专业，网络一出故障，只能干等外援。

这篇想说的是：大模型正在改变这个前提——它把「必须有个懂网络的人」这个约束，换成了「必须有一台 AI 能安全运维的设备」。

9 月初，我的数字员工「涌现」在一周里掉了三次链子。

它每天早上八点跑一轮「早读」：读公众号后台、读 GA、digest 小红书、更新 token 消耗、读 aibase——五步，预算一小时。8 月 31 日、9 月 2 日、9 月 5 日，三次吃了同一个兜底。前两次重启了事，第三次我让 opencode 做了一轮十五分钟的验尸：模型网关的机器名，被 /etc/hosts 里一行陈年映射和 DNS 搜索域联手坑了——解析结果里混进一条不通的 IPv6 路由，我常用的工具个个有回退所以毫无察觉，Agent 的运行时没有回退，当场死亡。整个排查过程我写成了 谁停掉了数字员工的早读。

事后回想，我当时的感受不是恼火，更接近于交学费的踏实。这个「早读」场景，技术上毫无炫技之处——定时任务、抓取、摘要、发消息，任何一个传统后端工程师一天就能搭完。但正是这个普通的场景，在过去几个月里每天给我生产真实的执行、真实的失败、真实的修复。我对 Agent 工程的大部分真实认知，不是从论文和 demo 里来的，是从这条 loop 里长出来的。

这让我越来越确信一个判断：Agent 应用工程师的核心竞争力，不是会不会调 Prompt、接 MCP、做 RAG，而是能不能建立一个真实的、持续运行的 Agent Loop。 而在选择做什么项目时，我会把一个指标放在非常靠前的位置：这个场景每天能给我多少次真实的执行反馈。

上周一个老板问我：他想像同行那样，用 3 个真人带 30 个数字员工跑业务（这个比例是我们推演的示意，不是他的真实编制）。卡点在哪？

不是模型不够聪明，也不是工具不够多。卡在一个很朴素的地方：没有一个中层愿意把自己的判断标准写成文档。

审批到什么金额要上报、哪种客户投诉要升级、什么情况下可以破例——这些判断每天都在发生，但全装在某个管理者的脑子里。数字员工问他，他口头答；换一个场景，又得重新问。

于是 30 个数字员工，每一个都变成了「等他拍板」的排队窗口。

这句话出自最近一次关于企业 AI 转型的讨论。

当时的话题是：怎么判断一家公司是不是真的 AI 原生了？很多人的第一反应是列技术清单——买了多少 AI 工具、覆盖了多少人、token 消耗增长了几倍。然后有人扔出了这么一句：

企业组织架构不变、流程不变、人才要求不变，就别谈 AI 原生。

乍一听很极端，但细想会发现它的厉害之处：它把「AI 原生」从一个技术采购问题，变成了一个组织事实问题——原生与否，不看买了什么，看结构动没动。

这个类比很精确。cloud-native 的反面不是「没用云」，而是 lift-and-shift——把单体应用原封不动搬上虚拟机，然后宣称自己上云了。今天绝大多数所谓的「AI 转型」，就是 AI 版的 lift-and-shift：把 AI 塞进旧流程、旧考核、旧管理思维里，然后管这叫原生。

前几天有人问我：Agent Builder 的终局是什么？

我没直接回答，先让他做了个实验：在 Builder 里输入一句话——「帮我创建一个采购数字员工」。

Builder 吐出来一份 YAML：

employee:
  role: 采购专员
mission:
  - 处理采购申请
context:
  - ERP
  - DingTalk
  - Supplier DB
permissions:
  - read_inventory
  - create_purchase_draft
boundaries:
  - cannot_approve_purchase
evals:
  - ...
# generated by hugo AI

我问他：你觉得这份 YAML 是什么？

他说：Agent 的配置文件。

我说：逐字段再看一遍。

他看了几秒，声音不太确定了：「这……是一份 JD？」

对。这就是这篇文章的核心判断：Agent Spec 不是软件描述，它是劳动关系的一份抽象。

上周我在准备和团队 9 月初的一次对焦，主题是工程 AI 化。

预对齐时有人说：「我们 AI 用得挺好的——一半的 PR 是 AI 写的，Copilot 全员开通，还有人用 Claude Code 重构了老模块。」

我问了一个问题：「那挑一个 5 人天的真实需求，从提 Issue 到验收关闭，让 AI 端到端跑一遍给我看。」

会议室安静了几秒。安静不是因为没用过 AI，而是因为这条链路从来没有人完整走通过。AI 写过代码的片段，但片段之后是谁在收尾，说不清楚。

这个安静就是分界线：AI 写过代码，不等于工程 AI 化。

一个做外包的朋友上个月跟我抱怨：客户现在拿 AI 写的代码来压价。「你们报 30 人月，客户自己用 Claude Code 一周出了个 demo，问你们凭什么值这个钱。」

我问他：那个 demo 上线了吗？

他说没有。客户自己人测了一周，测出一堆问题，又回来找他们修。

我说：那你应该换个报价方式。不报人月，报模具费。

他没听懂。这就是这篇文章要讲的事。

发完 Grok Bot 的跟班学习，会先干掉 RPA 市场 第二天，那个年轻人又发来一张截图：Anthropic 内部的 Slack 频道里，有人 @Claude 派了个活，Claude 接过去干，下一个人直接在它停下的地方接着做。

他问我一个问题：「这不就是多人版的 Cowork 吗？」

我的第一反应也是——Cowork 一月发，Tag 六月发，都是 Anthropic 家的，一个跑在你自己的电脑上，一个住在 Slack 里，看起来只是场景不同。

但想了两天，我的答案变了：Tag 和 Cowork 的区别不是「几个人能用」，而是 Agent 的身份变了——从「我的 AI」，变成「团队的 AI」。

把这两个产品连起来看，你会发现 Anthropic 其实画出路线图来了：AI × 人 → AI × 团队 → AI × 组织。前两段他们已经画完。而第三段，恰好是模型层的盲区。

这条路上还藏着一个更隐蔽的变化：贡献第一次变得可观测了——组织度量贡献的方式，即将跟着变。