半泽直树

WorkBuddy汪晟杰：从一个人到一支队伍，AI如何重写生产力_我的网站

一 |     最近，有五个院区、床位数达到13000余张的郑州大学第一附属医院，官网上的医院介绍改为了“一院三区”，还有消息称医院床位将缩减至7500张。    文｜谢瑞瑞          编辑｜徐青阳          过去三年，企业衡量 AI 价值，主要看它节省了多少时间、生成了多少代码。但个人提效并不等于组织生产力：AI 能把一项任务从几小时压缩到几分钟，却未必能缩短一个项目从想法到交付的周期。                   消息传出，业界哗然。不过，这番变动倒是跟今年河南省卫生健康委再度重申“分院区数量不超过3个”的严肃态度相契合。等待、审批、反复对齐和信息断层，仍在吞噬效率。

二 |          AI 竞争因此正从模型能力转向组织能力。

三 | 早在2023年，河南省卫健委印发的《河南省公立医院分院区设置管理办法的通知》已经明确，省、市级医院原则上举办分院区不应超过3个。

四 |                    2025年以来，政策对医院扩张的限制力度明显加强。                   除了河南，今年3月，上海市卫生健康委也在《2025年上海市医政工作要点》中明确指出，“加强医院多院区管理，公立医院分院区数控制在3个以内。”2025年新发布的《三级医院评审标准》也从考核层面强调了“控制新增院区和床位总量”。新的问题不再只是 AI 能否写代码、做分析，而是它能否理解目标、拆解任务、跨工具执行，并与人和其他 Agent 完成端到端交付。         真正稀缺的，是把模型转化为稳定生产力的系统能力，并将工作流、知识和记忆沉淀为可复用、可治理、可度量的组织资产。                   近两年，大小医院主动瘦身，关停院区、缩减床位的情况已经非常普遍，甚至有的新院区建设尚未完工，就因资金链问题等种种原因被中止、撤销或调整计划。                   一位院长直言：“现在医院扩张的新项目已经很少了，这个形势假如再去扩张，就是在跟自己过不去。         7 月 17 日晚，在“2026腾讯 WAIC 之夜”上，腾讯云 WorkBuddy 产品专家汪晟杰以“从一个人到一支队伍：AI 如何重写生产力”为题，将这一变化概括为三个层次：L1 是“超级个体”，一个人借助 N 个 Agent 扩大能力半径；L2 是“超级团队”，人和 Agent 围绕成果建立共识，实现端到端交付；L3 是“超级组织”，通过统一底座管理智能体、工作流、记忆、权限、成本和安全。”                    另一位卫健系统的人士指出，现在已经有一些国家区域医疗中心的院区卡在建设这一环，或者开业后招人出现困难，“牵头医院的人才很难下沉，医院的摊子铺不起来”。                   这些话放在10年或5年前，会被视作太过保守，甚至被认为是实力不足的心虚。但当下，没人再会质疑其真实性。         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。

五 |          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。

六 |                    当年公立医院扩张浪潮汹涌，国家区域医疗中心遍地开花，省市级三甲医院下沉到各地区县猛开分院，被虹吸的县医院也卷入扩张的行列，建院区、扩床位，公立医院的每千人床位数、住院率狂飙猛进突破20%。

七 |                    时移世易，三级医院的扩张开始屡屡碰壁，一轮医院扩张潮已经行至末期，大分院时代来到了终局。                   瘦身，先活下去                    “一院多区”，过去10年，几乎一直都跟三甲医院的影响力直接挂钩。

八 | 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。

九 | 否则，AI 只会加速局部任务，却无法加速整个组织。                   但这两年，三级医院主动关停院区、中止在建院区项目的情况却屡屡发生，危机感蔓延上这些三级医院院长的心头：三级医院扩张的好时候是否已经过去了？                    今年8月，山西省肿瘤医院发布公告称南院区将于8月1日全面停诊，现有科室搬迁至主院区。南院区揭牌成立之时，重点打造乳腺诊疗中心，设有外科、内科、放疗、整形、康复等亚专科。                   而那个占地面积达70亩的南院区，最终只生存了短短5年时间。                   同样是在今年，9月底的浙江瑞安，温州医科大学附属肿瘤医院瑞安新院区的建设项目获批不到一个月，就面临市政府的紧急调整，院区建设的投资额从31.3亿元下调为17.975亿元，床位规模从500张降至300张，面积从16万㎡缩减至8.7万㎡。

十 |                    再往前追溯，东南大学附属中大医院江北新院区投资60亿元，规划床位2500张，开工两年后项目中止，从2022年5月至今一直处于停工状态。         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。         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。                   县域卫生发展研究中心副秘书长刘峻直言，在经济增速较快的时期，很多城市积极投建新区、开发区，都会规划筹建医院的项目，但现在很多开发区实际上没有吸引到足够的人口流量，发展速度已经放缓。

十一 |                    “比如说南京的江北新区，有一些地段的发展基本属于半停滞的状态，却要规划一个2500张床位、60亿投资的项目，这显然值得商榷。”事实不止如此，在南京，规划床位2000张的鼓楼医院江北国际医院二期、规划床位3000张的江苏省肿瘤医院江北新院区也都在紧锣密鼓的建设当中，两家医院均预计于今年完工并投入使用。                   如此密集的同级别三甲医院扎堆城市新区，势必在未来争抢病人的竞争中燃起“战火”，有的项目因此选择暂缓建设或调整规划，也在预料之中。

十二 | ”          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。                   新院区扩张碰壁，自然在于“过剩”。         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。当需求饱和，尤其是普通三甲医院开设的新院区，缺乏顶尖医院的品牌效应，在竞争中极有可能招不到足够病人，医院的运营压力越来越大。         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。与此同时，当前形势下一些地方财政或投资第三方的资金链吃紧，在建项目也受到影响。         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。                   陕西省山阳县卫生健康局原副局长徐毓才分析称：“随着医保基金监管和医保支付制度改革的进程加快，有的病人住院了，但医院不但不赚钱，还要赔钱，医院自己算算账就不收了。         需要强调的是，这三者是乘除关系，不是加减。”                    中小型医院最早承压，在过去三年内，公立医院合并的事件已有十余起，遍布全国各地，长三角地区、河南、山东、湖北等地均有发生，很多妇幼类专科机构和企业医院改制的二级医院。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。                   主动瘦身的医疗机构也不少，今年9月，北京市朝阳区双桥医院将一院两区调整为一个院区。                   床位过剩的浪潮中，大医院无法独善其身。徐毓才指出，“特别是从2024年到2025年，病人的流量也减少了。

十三 |          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。”                    “十年扩张潮”埋下的隐忧                    三级医院扩张碰壁背后，是过往十年扩张潮的疯狂与野心。                   “过去10年，整个医疗界每一个级别的医院都在扩张，国字头医院、省部级大三甲医院，借助国家医学中心和区域医疗中心建设扩张，甚至连一大批县医院也有了几个院区。

十四 | 只是现在大医院出现床位缩减的情况，关注度更高，实际上这应该是一个普遍的现象。”一位资深卫健人士刘浩（化名）解释称。

十五 |                    为了加快优质医疗资源下沉，医疗水平顶尖的很多委属医院牵头在全国各地建设国家区域医疗中心，通过复制自身能力，提升区域间医疗服务同质化水平。

十六 |                    刘浩也直言，“但是一旦规模过大，当一个牵头医院在全国各地要建七八家区域医疗中心的时候，现实里就无法实现更多优质医疗资源的调配，派驻的医疗人员满足不了新院区建设的需求，很多院区因此陷入开业难。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。

十七 | ”                    刘浩了解到，现在已经有一些国家区域医疗中心的院区卡在建设这一环，或者开业后招人出现困难，牵头医院的人才很难下沉，医院的摊子铺不起来。         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。他进一步透露，“国家区域医疗中心的建设节奏已经放缓了很多，很多医院还在关心国家区域医疗中心还会不会批复许可，我认为未来仍然会体现政策的延续，但可能不会再大量批了。”                    与国家区域医疗中心的逻辑类似，省一级的下沉扩张同样火热。         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。                   在这个跑马圈地的过程中，“一院多区”在过往几年越来越普遍。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。                   刘峻指出，三甲医院跟同级别的省市医院之间竞争激烈，例如江苏省人民医院、鼓楼医院和东南大学附属中大医院都有很多合作的医院，“竞争需要上转的病人，不一定需要新建院区，更现实的做法是和一些区县市的医院建立紧密联系，形成分院的关系。”                    作为浙江某县医院的一名院长，周承钧（化名）所在的医院也是省内一家大三甲医院的分院，每年都要上交一笔“管理费”。但在他的眼里，交了钱却没有得到太多帮助，三甲医院在县域的所谓“下沉”实际上很难成功。                   周承钧表示，“大三甲医院在全省很多县市，但医院自己的优质资源也有限，所以许多时候容易流于形式，一开始派的是主任或副高以上级别，后来就变成了主治医师甚至刚毕业没几年的博士，晋升前下基层走个流程，慢慢就走样了。”                    形式上的“分院”并没有给县医院带来红利，而大三甲新建的院区，则是实实在在地对县医院造成了巨大的虹吸。

十八 |                    例如在浙江绍兴，三甲医院“扎堆”建分院的情况普遍。                   目前，浙江省人民医院越城院区（规划床位700张）、浙大邵逸夫医院绍兴院区（规划床位2000张）投入了使用，另外还有浙江省肿瘤医院绍兴院区（规划床位2500张）、浙大二院柯桥院区（规划床位1500张）等院区仍在建设中。                   这些规模庞大的大三甲分院，不可能只吸走疑难杂症的病人或者需要做大手术的病人。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。大三甲的扩张和运营也越来越困难，周承钧直言：“这些大三甲医院分院的病人其实也不多，住院也住不满，有的医院会免专家挂号费，实际上就是为了吸引患者，进而对当地医疗机构造成冲击，市级、县级医院的资源都被虹吸得很厉害。

十九 | 第四，也是最容易被忽视的——影响力溢出。”                    被卷入分院时代的县医院，在过去这些年也开始扩张，争夺家门口的市场。         这不是概念，我们自己就是样本。

| 县级三甲医院也陷入了争议。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。                   今年全国两会期间，四川南充市副市长欧阳梅接受采访时指出，“部分地方政府和医院为了提升区域医疗影响力，不顾实际条件盲目追求三甲医院称号。         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。”从数据来看，今年四川已经有十余家县中医医院被评为了三甲医院，数量远超其他省份。                   多位医疗界人士认为，县级医院评三甲是一种形式化的体现。                   刘峻指出，“三甲医院的标准和要求更高，所以医院的运营成本更高，现在医保支付同城同病同价，其实是有利于二级医院的。如果县医院的设备规模、床位数超过了需求，盲目超前建设意义不大，反而增加了医院的运营压力。

| ”                    周承钧也表示，“如果当地评审标准放得太宽，让很多医院都评上了三甲，但其实医疗服务水平并没有真正实现同质化，也会带来一系列后遗症。         03 L1 的底座：Agent = Model + Harness          模型是千里马，Harness 是挽具，工程师是骑手。”                    分院时代结束了吗？                    部分院区关停、床位缩减、新院区建设项目中止，这些事件是否能指向一个信号：公立医院的扩张开始回归理性？                    运营一家新院区，往往需要数以年计的时间才能止亏为盈。尤其是第三方投资建设的医院或新院区，在医保政策、经济环境的快速变化之中，因合作方资金问题中止建设的情况并不少见。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。而即便是由当地政府财政兜底的项目，各方也逐渐嗅到了危机感。

|          把L1的底座：Agent = Model + Harness做成一套可复用的工程底座，就是Agent OS。                   毫无疑问，三级医院的扩张已经变得更加现实。                   据周承钧了解，有的三甲医院开设新院区后，相比于从头开始独立运营，它们选择了另一种成本更低的方式进行启动，也就是与当地医院合并。他透露称，“比如在杭州某行政区，一家省级大三甲开设的新院区原本是独立的，可能由当地政府和医院合议，把当地的区级人民医院和这个新院区合并了。”                    上述新院区的项目总投资23.6亿元，建筑面积达21万㎡，规划总床位1800张，又是一家当之无愧的“巨无霸”医院。         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。周承钧解释说：“这样大体量的医院，至少需要一两千号人才能运转起来，通过医院合并，可以省掉很大一部分人力成本，医院方甚至可能只用派院长、书记等管理层，再加上重点科室的骨干就可以了。”                    如此合并，显然是医院与当地政府的共同选择。         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。                   站在当地政府的角度，医院建设项目固然仍是一项既能带动经济建设又能打造政绩的民生工程，但前期投入已经很大，后期运营的支撑压力也持续膨胀。                   周承钧指出，这类医院扩张的项目都是由当地区县的政府负责建设，建好以后“交钥匙”，医院方以“出人”为主，负责派驻并招聘相应的医务人员和员工运营医院。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。关键在于，“一般来讲，许多医院为了解除后顾之忧，尤其是省级三甲话语权比较强，都会要求当地政府保障3年～5年的运营。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。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。

| ”                    因此，这些三甲医院的新院区在刚开业的几年，没有实质上的运营压力，但如果几年过去仍然不能止亏，在各地财政紧张的情况下，当地政府也很难无止境地去填窟窿，双方都不得不更审慎地对待医院扩张的项目。                   积极的一面是，医院扩张建设的节奏已经大幅放缓。

|          越往下越稳定，越往上越灵活。周承钧说，“新开业的项目都是早几年批的，从审批到立项建设，最快也需要三到五年。现在医院扩张的新项目已经很少了，这个形势假如再去扩张，就是在跟自己过不去。”                    而从另一个角度来说，上一批医院建设的规划项目，在这两年都会慢慢落地，并且经历一段时间的“保护期”。                   关停院区、缩减床位的情况虽然已经陆续出现，但这只是第一道裂缝。过往10年，公立医院疯狂扩张导致的床位过剩等影响究竟有多深远，可能还要到3年~5年后显现。                   本文来自微信公众号：健闻咨询 （ID：HealthInsightPro），作者：何京蔚，记者：李琳。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。         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。

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

|          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。         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://www.qiniaohongfangfoguisenzhai.cyou/7fw4/4iftam.xls

Published on:20:51:10