60 分钟，成为 AI Native 组织：人、Agent 与上下文三层系统

公众号名称：AI 启蒙小伙伴

作者名称：邵猛

发布时间：2026-06-22 07:45

60 分钟，成为 AI Native

来自 Greg Isenberg 和 Theo Tabah 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？

Become AI Native in less than 60 mins

https://youtube.com/watch?v=LztPaNmcWGU

AI Native 组织 = 人管理 agents + agents 读写公司 + 公司随时间变得更聪明。

“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、智能体、上下文。

价值锚点（引自 Google Deepmind CEO - Demis Hassabis）：“以 100 英里时速跑错方向，比站着不动更糟。” 速度必须服务于客户与方向。

第一层：人守住”起手”和”收尾”：起手定方向，收尾做把关

核心 reframe：每个人都是 manager。

Theo 用一张图说明工作的结构变化：

阶段	AI 之前	AI 之后
战略 / 判断（前端 bookend）	占比较小	人聚焦于此
执行（middle）	占大头	AI 吃掉
沟通 / 评审（后端 bookend）	占比较小	人聚焦于此

人的精力从”中间的执行”被释放出来，转向两端高价值环节：strategy、taste、judgment、communication、trust。

判断标尺借用了 Andy Grove（管理教父）的话：管理者的成功 = 他团队的成功。 把 agent 当成下属来 set up for success，是整套思维的关键转向。

第二层：Agents —— 给到四样东西，它才能”自治”

引用 Anthropic 工程师 Barry Zang 的定义：Agent = model 在 loop 中使用工具。 需要给它 environment、tools、goals。

Theo 把 agent 的成熟度分成三层：

基础层：和 ChatGPT 聊天；
半自治层：agent 在跑，但你不停点 “approve / approve / approve”；
自治层：像新员工一样，前期需要 babysit，后期可独立运行数天甚至数周。

达到自治的四个前提（用”新人入职第一天”做类比，非常清晰）：

Clear Goal——清晰目标；
Skills——技能；
Tools——工具；
Context——上下文。

四者缺一，agent 就会失败或让人 frustration。

Eval：让”好”变得可见

Eval 是对 agent 输出的可视化评估——“这是 8 分还是 10 分？跟期望的差距？” 它来源于 skill 中的质量标准（SOP / 标杆样本）+ goal 中的成功定义 + context 中的参照文档。把 eval 烤进系统，输出质量才能稳定复现。

Skill Chains：本期最被低估的概念

Skill = markdown 文件（你已熟悉）；
Skill Chain = 一个 macro skill 顺序触发多个 skill，像 playbook 串行执行。

为什么重要？它直接对抗”AI 幻觉”这个最常见的弃用理由。Theo 的类比很精彩：AI 的幻觉就像一个急于表现的实习生”fake it till you make it”被放大了一千倍。 Skill chain 通过 QA skill 反复查验”是否过度承诺、是否捏造、是否源自真实 transcript”，把幻觉压到最低。

第三层：Context —— “让公司对 agent 可读”

这是整期视频 Theo 最看重、Greg 最兴奋的部分。没有 context layer，前面的人和 agent 都无法真正自治。

开场灵魂三问

Theo 连问 Greg 三个问题，全部答”不知道”：

LCA 给客户回复的 SOP 是什么？
2014 年 StumbleUpon 的战略是什么？（Greg 当时在董事会）
两周前 LCA 新招了谁？

结论： 在任何规模的组织里，人对自己公司都是”半盲”的。Context layer 的作用就是给 agent 一双 20/20 的完美视力。

上下文层的五阶段循环

Capture → Curate → Store → Execute → Experience →（回流 Capture）

Capture（采集）：从 Slack、邮件、会议录音、Linear 等定期拉取信息（每小时/两小时一次的 cron job，Claude 的 routines tab 可直接配置）。
Curate（筛选）：像图书管理员一样，清洗、归档、判断哪些需要保留、哪些是 trigger（如检测到 proposal request 就触发动作）。
Store（存储）：“Brain” = 一堆文件夹 + markdown 文件，agent 可搜索、检索、写回、持续改进。可以自建（LCA 的做法），也可用 Glean / Notion AI 这类企业方案（代价是被锁定 + 黑盒）。
Execute（执行）：agent 调用 context 完成工作（生成提案、构建原型等）。
Experience（体验）+ 回流：客户使用产品 → 市场信号（购买、流失、反馈）→ 回流进工具 → 回流进 brain → 系统变聪明。

关键细节：Traces / Exhaust（痕迹/废气）

产品开发过程中产生的中间决策、探索文档、被砍掉的方案——通常躺在没人看的文件夹里腐烂。把它们也回流进 brain，未来 agent 可以基于”我们当时为什么这么决策”创造新东西。这是常被忽视的金矿。

人工闸门（Human in the loop）

Experience → Capture 这一环必须有人把关：判断 agent 输出哪些是好的、哪些要改。没有这个 gate，错误 context 会污染整个 brain。

Live Demo 1：提案微站（Proposal Skill Chain）

这是一段震撼的实操演示。

工作流

模拟场景：Spotify 是潜在客户，往来数月后，对方在会议或邮件中暗示”想要一份 proposal”。

触发条件：系统自动扫描 transcript/邮件，识别到”proposal request”语言 → 自动触发 skill chain（演示中为节省时间手动触发）。

链路（3 个 skill 顺序执行）：

Build microsite——生成带 Spotify × LCA 双品牌的高保真提案微站；
Copy skill——确保语气像 Theo 本人，不像 AI；
QA skill——审查不夸大、不杜撰、所有内容均源自真实记录。

关键结果与亮点

3–4 分钟生成完整可分享的微站，并 ping 到 Slack；
微站内嵌了几个月前通话中的个性化细节——例如客户 Maya 说过”好的发现就像唱片店店员递给你一张唱片说’信我’“，以及 Theo 11 月要跑 NYC 马拉松、第 8 英里最难熬。
这些”人情味瞬间”由 agent 自动从 context layer 抓取并编织进提案。

商业意义

过去 proposal 要回邮件、内部协调、跨数天才能交付——客户可能已经凉了；
现在几分钟到货，趁热打铁；
Theo 直言：这套系统已经为 LCA 带来”数百万美元收入”，因为竞争对手（传统代理）做不到这种速度与个性化的结合。

Live Demo 2：10 分钟内出可用产品 + 当场做用户测试

第二个 demo 更进一步，演示从想法 → 原型 → 用户反馈 → V2 的全闭环。

场景

为 Spotify 设计一个提升留存的功能。Theo 用语音口述需求（约 1 分钟）：

每日 3 首歌的 “Daily Blitz” 小歌单；
从主页进入；
每首歌附”为什么推荐给你”；
可保存、分享、播放；
目标：10 分钟内完成、美观、符合设计系统、可测试留存。

Skill Chain（5 个 skill）

Hypothesis——明确要验证的假设；
Build prototype；
Usability test——内置用户测试问卷；
Feedback synthesis——把多份反馈合成 lessons；
V2——基于反馈当场出第二版。

结果

几分钟内生成可点击、可播放真实音乐、可分享的高保真原型（不是 Figma 草图）；
部署到 labs page（实验展示页）；
Greg 用手机当场完成可用性测试 → signal tab 显示完成数 → 一键 synthesize → 自动生成关于 expectation / discovery / validation 的 lessons → 一键 “plan V2 + execute” 可在同一 session 内拿到第二版。

时间对比（视频原话）

任务	传统	AI Native
Proposal	最多 3 天	几分钟
可点击功能原型 + 收集反馈 + 合成 V2	1–2 周	一个 session

如何 bootstrap context（给资源有限者的实用建议）

有人问：“我没有 LCA 这种 55 人的精英团队，怎么搞？” Theo 的答案非常实操：

用 Mobbin MCP（海量优秀 app 流程库）；
抓取目标公司的 design system（如 Spotify 的），做成 skill；
找到对应 output 类型的 MCP；
逐步把 context 灌进去——不需要一开始就有全部 context。

创业方向：把这套系统产品化为服务

Theo 称之为**“我们这辈子最大、增长最快的市场之一”**。

框架

把 “People + Agents + Context” 系统打包成服务（30 天 sprint 或 AI acceleration team），沿三个向量 niche down：

Industry——商业地产、牙科、餐饮（尤其火热，因为高度碎片化）等；
Function——服务哪个职能团队；
Company size——别太小（没预算）。

	高频	低频
Niche	⭐ 先做（layup）	后做（高 ROI 但低频）
General	次做（拿完 niche 后承接通用需求）	—

找到 niche + 高频 的工作流，反复在销售通话、brief、提案、内容里展示 → 这是几乎稳赢的路径。

结尾赠言（Theo）

“所有关于 AI native 的事听起来很 overwhelming，仿佛必须是技术 guru 才能开始。但真正要做的是：用’管理 agent’的视角去思考——这些 agent 需要什么才能成功。 想清楚这一点，你就已经领先全球大多数公司了。开始做，别怕磕破膝盖。“

总结：本期视频的三个深层判断

AI Native 的本质不是”用 AI”，而是”建系统”。 人/agent/context 三层缺一不可，context layer 是最被低估、也是真正的护城河来源。
Skill Chain 是对抗幻觉、实现 agent 自治的关键机制。 单个 skill 不够，必须把 build → copy → QA 串成 playbook，质量才能稳定。
速度只有在能换回 signal 时才有意义。 Hassabis 那句话是整期视频的伦理锚点：快速出原型、当场测用户、当场出 V2——闭环越短，护城河越深。