2026 年 8 月 8 日下午，我们的数字员工失联了 16 分钟。监控这边，它一切正常。
说「失联」其实不准确——从所有监控指标的视角看，它一直活得好好的：进程存活检查正常，HTTP /session 探测返回 200，健康检查每 5 分钟跑一次，次次报「健康」。唯一的异常是：群里任何人 @ 它，它都不回。最早的「告警」是一个人在钉钉里发现不对劲——这比我们任何一条监控都快。
16 分钟不长，但足够让人意识到一件事：我们精心搭建的监控体系，监控的根本不是「数字员工在工作」，而是「装着数字员工的那个容器还在」。
这篇文章讲的，就是从这类事故里长出来的几个生产级实践。它们已经沉淀进数字员工的 harness 模板——三步上线一个数字员工 里讲过这个脚手架是什么、怎么三步上线；模板本身也在持续迭代，从内部生产版本一路提炼成开源的 dingtalk-opencode-tag。这篇是它的续篇：上线只是开始，生产环境会用它自己的方式告诉你，「能跑」和「生产级」之间还隔着多少坑。
8 月中旬，DeepSeek 开源了一个叫 DeepSeek Harness（简称 DSH）的项目，Slogan 只有一句话：Everything is a Plugin。写这篇文章时，它在 GitHub 上的 star 数已经突破 17 万——一个 developer preview 阶段的项目，热度超过了绝大多数成熟框架。
很多人把它当成又一个 Agent 框架来看。我看了几天代码和文档，得出一个不一样的判断：它真正改变的不是「Agent 怎么跑」，而是「数字员工怎么造」。
我准备探索一种新的数字员工开发方式：
给 Agent 一个岗位 Spec 和一组 Evals，让 Coding Agent 自主完成数字员工的开发、测试、部署和运维。
数字员工不再通过传统的 Agent Builder 拖拽 Workflow、配置 Prompt、配置工具来构建，而是交给 Harness 里的 Coding Agent 自己把它做出来。这篇文章讲讲为什么，以及它的边界和风险。
上周，一位做软件外包的朋友跟我吐苦水。
他给公司三十多个工程师全部配了 AI 编程工具，钱花了不少，工程师也很买账。半年后他拉数据，想看看交付速度提升了多少——结果发现，项目平均交付周期几乎没变。工程师写的代码确实多了，但代码堆在评审环节；评审通过了，又堆在测试和发布环节。
他问我：「是不是工具不够好？要不要换一个更贵的？」
我说：工具没问题。问题是 AI 把每个人手里的活干快了，但活和活之间的缝隙，一点没变窄。代码从「写完」到「上线」，中间隔着评审、测试、审批、排期——这些环节里没有一个 AI，全是人在等人。
今年 2 月，我写过一篇工程文章 通过桌面录屏实现自动化 RPA 的最佳实践：用录屏捕获屏幕画面和鼠标键盘事件，让多模态大模型理解操作序列，再自动复现。为了验证可行性，我自己写了实现——光录制模块和关键帧提取就是几百行代码，文末我还特意提醒：这条路离可用产品有距离。
六个月后，8 月 11 日，SpaceXAI 把这个机制直接做成了正式产品 Grok Bot。每个 Bot 拥有一台独立的云端 Linux 虚拟机，学会一个流程不需要任何配置：你像平常一样操作一遍，Bot 在旁边看着、记下来，下次它自己干。想用，先买 $200/月的 SuperGrok Heavy 订阅，或者 $120/人/月的团队版。
媒体标题都在喊「马斯克终极大招」「数字同事上岗」「硅谷炸锅」。但我想聊一个被忽略的部分：Grok Bot 最狠的不是「能干活」——能干活这件事，Claude Cowork 能做，OpenAI 也能做。真正狠的是 跟班学习 这四个字。它第一个会干掉的市场，不是聊天框，不是 Office，而是 RPA 行业。
这周二，我开了一场 AI 钉钉的战略沟通会。
会开完了，按惯例，事情应该到此为止——大家听完、散场、各自回去干活。但这一次我盯着会后那张评估问卷的回收数据，突然意识到一件事：这场会从头到尾，没有一个环节是「用完就扔」的。
HR 在会前一周就用 AI 表格收集了同学们的问题，其中大家最关心的是千问办公和钉钉的关系；我基于这些真实问题，用千问办公读我的个人 wiki，生成了一份沟通会叙述稿，自己调整之后做成 PPT；会后，HR 又用千问办公加 AI 表格技能，基于沟通内容生成了一张调研问卷，回收数据，再用千问办公对整场会的效果做了评估。
一场内部沟通会的完整生命周期——从「同学们关心什么」到「这场会到底有没有效」——全部跑在 AI 工具上，而且每一环的输出都是下一环的输入。
我觉得这很 AI native。但真正让我停下来想的，不是用了多少工具，而是另一个问题： 一场会开完，它留下的东西，到底是资产还是损耗？
我的钉钉组织里有两名不领工资的「员工」。一个负责开发、测试、部署另一个；另一个在用户群里服务真实的同事。两个的主管都是我。
经常有人问我：这两个东西到底是什么？Agent？机器人？助手？
我的答案是： 它们是岗位。
这个回答背后，藏着一个我琢磨了很久的判断：
Agent 能解决能力问题，而数字员工解决组织问题。AI 真正进入企业，不是因为模型更聪明，而是因为它第一次拥有了组织身份。
模型能力的竞赛已经足够激烈，也足够拥挤。但企业 AI 真正的瓶颈从来不在能力——而在 信任。能力决定一个 AI 会不会干活，身份决定它能不能上岗。下一个十年的故事，不是造出更聪明的 Agent，而是让 AI 以「岗位」的形式，真正进入组织。
[Read More]上个月和一位做 HR SaaS 的朋友吃饭。他刚花了两百万买了一批行业测评数据，准备训练自己的垂直模型。
我问他：「竞品如果也买同样的数据呢？」
他愣了一下：「那……我们还有先发优势。」
「先发多少？」
「大概……半年？」
半年。这就是原始数据作为护城河的保质期。
三个月前，我写了一篇 中国 SaaS 厂商的护城河应该怎么建，核心公式是：
护城河 = 垂直行业数据资产 × 行业 Know-How × 客户成功体系 × 生态协同
那篇文章里，我把「数据壁垒」放在七大维度的第一位，画了一个数据飞轮：客户使用 → 数据沉淀 → 模型训练 → 更精准的服务 → 更多客户使用。
三个月后，我要修正自己。
飞轮里转的不是数据，是 eval。
前两天看到一篇文章，标题很刺激：「飞书被收编，钉钉要改名，企业微信慌不慌？」
核心论证链很锋利：互联网办公平台第一次降维打击了传统企业软件，然后 AI Agent 第二次降维打击了超级 App。结论是 To B 软件只剩两种位置——要么成为入口，要么成为入口背后绕不开的系统。
写得很好。但我读完之后一直在想一个问题： 他说的「绕不开的系统」，对钉钉来说到底意味着什么？
不是「钉钉也能活下来」这种防御性思考。而是：如果钉钉主动选择，它应该把资源押在哪里？
给 AI Agent 排定时任务，正在变成一件新的麻烦事。
最早我们写 cron，后来写脚本，再后来各种 Agent 框架自带调度器。结果是：定时配置散落在 crontab、launchd、代码常量、框架配置文件里，改一个执行时间要翻好几个地方；想知道「现在到底有哪些任务在跑、几点跑、跑完发到哪」，没有任何一个地方能一眼看全。
任务本身其实很简单——「每天下午一点，去小红书搜几个关键词，各出一份报告」。难的不是执行，而是管理：谁来记、谁来改、谁来排查。
我的树莓派群里有一个播报机器人，叫 pi9-bookworm。它每天定时推送 AI 新闻 Top 10，格式固定，雷打不动。
上周有人在群里丢了一条字节跳动 AI 视频的链接。pi9 没有任何反应——它的程序里没有「看到链接该做什么」这个概念。
然后 opencode 出现了。它是群里的数字员工。没人 @ 它，它自己冒出来：先把当天的 AI 新闻按「大模型 / 应用 / 硬件」分了三类，然后说「这条视频值得展开分析」。有人 @ 它说「分析一下」，30 秒后它给出了完整解读——技术路线、产品影响、对钉钉的竞争威胁。
pi9 和 opencode 在同一个群里。但一个是工具，一个是同事。
