AI Native组织三层系统：人、Agent与上下文

60 分钟，成为 AI Native 组织：人、Agent 与上下文三层系统 来自 @gregisenberg 和 @TheoTabah 60 分钟的深度对谈，一家公司究竟怎样才算 AI nativ...

60 分钟，成为 AI Native 组织：人、Agent 与上下文三层系统 来自 @gregisenberg 和 @TheoTabah 60 分钟的深度对谈，一家公司究竟怎样才算 AI native，如何把它落地成可运转的系统？ youtube.com/watch?v=LztPaN… "用 ChatGPT ≠ AI native"，就像"有网站 ≠ 科技公司"。真正的 AI Native 由三层系统构成：人、Agent、上下文。 ① 人 —— 退守两端 每个人都是 manager。AI 吃掉"中间的执行"，人聚焦两端： · 前端：战略、品味、判断 · 后端：沟通、评审、信任 判尺（Andy Grove）：管理者的成功 = 团队的成功。 把 agent 当下属来 set up for success。 ② Agents —— 满足四要素才自治 Agent = model 在 loop 中用工具。成熟度分三层：基础聊天 → 半自治（不停点 approve）→ 自治（独立运行数天/数周）。 达到自治需四样：Clear Goal、Skills、Tools、Context——缺一即失败。 两个关键机制： · Eval：把"质量标准 + 成功定义 + 参照文档"烤进系统，让输出可评估、可复现。 · Skill Chain：多个 skill 顺序串成 playbook。是对抗幻觉的核心机制——通过 QA skill 反复查验"是否捏造、是否源自真实记录"。类比：幻觉 = 实习生 "fake it till you make it" 被放大千倍。 ③ 上下文 —— 真正的护城河 没有 context layer，人和 agent 都无法自治。 Theo 现场连问 Greg 三个关于自家公司的问题，Greg 全答"不知道"——结论：任何规模的组织，人对自己的公司都是"半盲"的。 Context layer 给 agent 一双 20/20 的视力。 五阶段循环： Capture（采集）→ Curate（筛选）→ Store（存储）→ Execute（执行）→ Experience（体验）→ 回流 · Store = "Brain"：一堆文件夹 + markdown 文件，可搜索、可写回、持续改进。 · 金矿：Traces/Exhaust（中间决策、被砍方案）回流进 brain，供未来调用。 · 闸门：Experience → Capture 这一环必须有人把关，否则错误 context 污染整个 brain。 两个 Live Demo（证明它跑得通） · Demo 1：提案微站 系统识别到客户的"proposal request"语言 → 自动触发 skill chain（build → copy → QA）→ 3-4 分钟生成带双方品牌、含数月前通话个性化细节的可分享微站。Theo 称此系统已为 LCA 带来数百万美元收入。 · Demo 2：10 分钟产品闭环 语音口述需求 → skill chain（hypothesis → prototype → usability test → feedback → V2）→ 几分钟出可点击、可播放真实音乐的高保真原型，Greg 当场手机完成测试并拿到 V2。 创业方向 把 "People + Agents + Context" 打包成服务，沿三向量 niche down：行业 / 职能 / 公司规模。 优先做 niche + 高频 的工作流，反复在销售、提案、内容里展示——几乎稳赢。 三个深层判断 1. AI Native 的本质不是"用 AI"，而是"建系统"。 三层缺一不可，context layer 是最被低估的护城河。 2. Skill Chain 是对抗幻觉、实现自治的关键。 单 skill 不够，必须串成 playbook。 3. 速度只有能换回 signal 时才有意义。 闭环越短（出原型→测用户→出 V2），护城河越深。 💬 1 🔄 0 ❤️ 1 👀 90 📊 2 ⚡