一个高手的经验，做成 Skill 就能变成全公司的能力吗？这期 AMA，我们——AI Native 组织实验室的成员 Sophie 和黄楠——从企业交流中收集的真实问题出发，聊聊选人、沉淀经验，以及让 AI 能力在组织里被用起来。推动业务 AI 化，该找懂业务的人还是懂 AI 的人？员工为什么不愿分享核心 Skill，共享之后又由谁维护？公司到底需要一个超级 Agent，还是多个 Agent？我们结合内部尝试，谈谈哪些做法有效，也聊聊激励和协作中还没想明白的难题。 ──────────────────── 【你将听到】 01｜企业需要的人，变了吗？ 🎙 00:51 AI 越来越能做专业工作，企业选人的标准该怎么变？ 🎙 06:48 从老员工里培养，还是从外面招？为什么光有管理经验还不够？ 02｜业务 AI 化，该交给谁？ 🎙 10:22 组建一个 AI 团队，能解决全公司的业务问题吗？ 🎙 13:27 选出“AI 先锋”之后，管理者还要给哪些支持？ 03｜经验变成 Skill，难在哪一步？ 🎙 16:41 让 AI 自动挖掘经验，还是让员工主动整理？哪些能力需要统一建设？ 🎙 19:14 怎样判断一个 Skill 值不值得共享？考核指标为什么可能带来表演和回避？ 🎙 22:14 少数高手才用的 Skill，会被使用量埋没吗？哪些能力必须有公司标准？ 04｜员工为什么愿意贡献经验？ 🎙 23:53 办比赛、提要求就够了吗？员工分享核心 Skill 的顾虑是什么？ 05｜共享之后，谁来负责？ 🎙 27:39 Skill 从个人走向全公司，要层层审批，还是让使用者来选择？ 🎙 30:50 一个 Skill 被更多团队依赖后，谁有动力持续维护？ 06｜公司需要多少个 Agent？ 🎙 34:10 十个八个 Agent，还是一个超级 Agent？为什么现在还需要分头建设？ 🎙 35:44 什么时候该整合？我们部门为什么从 10 个 Agent 收拢到一个 Noli？ 🎙 37:27 跨部门的 Agent 一起干活，结果不好该谁负责？ 07｜先从哪里试起来？ 🎙 38:08 已经用上 AI 和 Agent 的企业，下一步为什么可以从战略、财务团队切入？ ──────────────────── 想和更多正在做 AI Native 转型的人聊聊？我们攒了一个「章鱼 AI」听友交流群——在这里，你可以和更多正在推动 AI Native 转型的人（从企业老板、管理者，到各行各业的一线实践者）交换踩坑经验，聊聊不同组织把 AI 真正用起来的做法，也能第一时间收到我们的新节目和线下活动消息。 扫描图片下方的二维码，加入交流群，一起待在这个「第一现场」。 ──────────────────── —— 本期制作 —— 主持 ｜ Sophie 对谈嘉宾 ｜ 黄楠 剪辑 · 后期 · 运营 ｜ Sophie 和她的 AI 出品 ｜ 明略科技 · AI Native 组织实验室

财务 BP 每月最耗人的一件事——以往一个同事得手搭七个工作日的管理报表，现在能多快把它交给 AI？这一期，AI Native 组织实验室的成员 Sophie 和黄楠，请来明略财务 BP 梁菲，聊聊他是怎么把这条链路交给 Agent 的：底层 2100 万行数据从 Power BI 迁到 AI 工作流、Skill 和项目文档到底怎么拆、财务零容错场景下 checkpoint 怎么设、公司产品线一变 AI 又怎么“知道自己不知道”。当财务 BP 的手被从搬数据里解放出来，管理颗粒度真的能从月度、下沉到周度，甚至千人千面吗？ ──────────────────── 【你将听到】 从「表哥表姐」到财务 Agent：财务 BP 每个月到底在做什么 🎙 01:09 我们手上的表不是标准财务报表，而是各种形态各异的管理报表 🎙 01:49 我们现在的样子：所有工作流跑在自家 Octo 平台上，多个 Agent 同时干活 一个真实 case：每月管报是怎么被压到 15 分钟的 🎙 03:09 过去纯手搓 7 个工作日：从财务系统、CRM、业务系统拉数、重分摊、写分析 🎙 05:02 用 Octo 录音卡把会议纪要喂给 Agent：数据 + 上下文自动结合 🎙 07:00 人的位置往后退：从整理数据 → 变成「AI 出的分析我来品鉴」 AI 会自作主张：为什么财务场景一定要装 checkpoint 🎙 11:15 最惨教训：AI 埋头干几小时，产出一份「格式完美但精确错误」的经营分析 🎙 11:32 潜水艇分段格舱：让 AI 在关键节点停下来找人确认，别让整艘艇沉掉 Skill vs 项目文档：不是所有工作流都该被 Skill 化 🎙 11:47 我们踩过的坑：一股脑全做成 Skill，反而版本管理乱掉 🎙 14:17 最终分法：通用方法论沉淀为 Skill，公司特有口径留在项目工作目录里的 hand-off MD 🎙 15:10 共享的方式：远程财务服务器 + 内部 GitLab 双通道 我们最常用的几个 Skill 🎙 18:44 Skill 一：底层 Power BI 数据模型，让 Agent 秒懂 2100 万行的结构 🎙 20:49 Skill 二：经营分析方法论——业务 ↔ 数据的双向流动 🎙 22:59 字段解释的关键不是「表头是啥」，而是「场景是啥」——同一个「金额」在 CRM 和财务里含义完全不同 财务零容错：算错、答错、越权，我们怎么防 🎙 25:46 算错 ≠ 加减乘除错，而是口径错——靠 checkpoint 抓 🎙 27:04 答错 ≠ 幻觉，而是上下文不够——靠会议纪要 / 公司战略输入补 🎙 30:59 越权：授权 + BU 数据范围 + CLI 方式访问，业务同事在自己的 Octo 上问自己的数 当财务 Agent 走到"千人千面"：AI Native 组织的管理逻辑会怎么变 🎙 32:12 管理报表本来就该是千人千面：过去只能压成二维，是因为人算不过来 🎙 33:58 科层制管理的本质是「信息压缩机」：AI 在做的，是让信息可以随时被反向展开 🎙 35:58 「数据平权 / 知识平权」：以后销售、业务负责人、董事长都能问自己的财务 Agent 🎙 39:11 决策周转率：从一年 12 次 → 一年 52 次 → 甚至 300 次 下一步：从 300 倍提效，到 AI 时代新的管理逻辑 🎙 41:21 2100 万行数据背后：从 Excel、Power BI 到 Agent，我们跨了几级台阶 🎙 42:18 7 个工作日 → 15 分钟：300 倍提速的边界在哪 🎙 44:47 梁菲的想象：像钢铁侠里的贾维斯一样，让 Agent 主动给业务负责人下五条建议 🎙 46:27 超级个体 vs 流水线工人：AI 之后的财务 BP，会重新变成"完整的思考者" ──────────────────── 想和更多正在做 AI Native 转型的人聊聊？我们攒了一个「章鱼 AI」听友交流群——在这里，你可以和更多正在推动 AI Native 转型的人（从企业老板、管理者，到各行各业的一线实践者）交换踩坑经验，聊聊不同组织把 AI 真正用起来的做法，也能第一时间收到我们的新节目和线下活动消息。 扫描图片下方的二维码，加入交流群，一起待在这个「第一现场」。 ──────────────────── —— 本期制作 —— 主持 ｜ Sophie · 黄楠 对谈嘉宾 ｜ 梁菲 剪辑 · 后期 · 运营 ｜ Sophie 和她的 AI 出品 ｜ 明略科技 · AI Native 组织实验室

接着上一期「AI 原生下一代」的缘起，这一期请来两位学员——对外经贸大学经济学的吉祥和香港中文大学（深圳）电子工程的汤姆熊。他们进来三周，做的不是外部客户项目，而是把「章鱼 AI」这档播客流程本身当业务：吉祥搭了六路采集 + 评分归档 + 策划案生成的选题工作流；汤姆熊做了一个能识别口癖、按主人偏好学剪辑的多轨播客剪辑 Agent。最反直觉的一句是吉祥说的——来之前把 AI 当"全知全能的大脑"，来之后才发现任务一复杂它就跟不上，得自己搭一个适合自己的工具。学校里 AI 是老师，到了公司它是同事、也是黑盒，得一条条拆开看。 ──────────────────── 【你将听到】 两位学员是谁：从教授推荐、从家人推荐来的两条不同路径 🎙 01:09 吉祥（对外经贸大学经济学）：教授让写 AI 相关论文，用 AI 写完汇报了一遍使用历程，被老师推来 🎙 02:38 汤姆熊（香港中文大学（深圳）电子工程）：家里人很早就关注楠哥的播客，自己大一就用 AI 辅导学习 🎙 03:16 但学校里学的东西离真实业务太远，想到公司里看看 AI 怎么真正落地 在做什么：让"AI 原生下一代"自己动手，把「章鱼 AI」这档播客的生产线造出来 🎙 03:41 吉祥负责选题自动化：把 Sophie 每天要刷的一堆网站、群里分享的视频号/公众号/微博，都收进选题库 🎙 05:32 汤姆熊负责剪辑自动化：多轨 WAV → 并轨降噪 → 剪口癖 → 输出成片，一个"本地运行、可追溯、由真人掌握最终语义决定权"的剪辑助手 🎙 07:12 "机器做机械的活，真人贡献判断"——先让 Agent 看 YouTube/Bilibili 教程学参数，再靠人工评审反馈学偏好 成果拆开来讲：一条工作流到底长什么样 🎙 08:20 吉祥的循环工作流：6 个采集 skill（学术 + 新闻 + 社媒）→ 评分筛选去重归档 → 生成符合章鱼 AI 风格的策划案 → 日报推荐 🎙 10:53 汤姆熊已经审到"每天 15 碗"级别的剪辑样本——但工具内置规则、ASR 结果、历史成片经验之间会打架，最终只能保一个 踩坑现场：AI 会偷懒，Agent 会打架 🎙 09:31 吉祥碰到最真实的一课：微信公众号采集 skill 嵌入评审系统那天，AI 突然给所有素材打同一个分——回头一查，是 AI 把某一行代码写成了常数 🎙 10:53 汤姆熊踩到的是"多规则冲突"：ASR + 视频教程 + 历史成片，三个来源都在给剪辑意见，只能靠不断人工审核逼它"越剪越干净" 学校里的 AI vs 工作里的 AI：不是深浅之别，是视角之别 🎙 13:18 吉祥：学校里面对教授学者，讲的是技术深度和信息密度；到公司面对客户，得降低信息密度、抬用户视角 🎙 15:15 汤姆熊：先搞清楚用户的输入是什么、使用场景在哪，再动手；不然做完发现 Octo 平台不接 100MB 以上的 WAV，全套流程得回去改 🎙 16:47 "完成比完美更重要"——一开始加太多规则、太多人工审核卡点，反而没跑起来 项目前后，两个人对 AI 的理解各自"翻了一次面" 🎙 17:23 吉祥（跟上一期学员相反的答案）：来之前把 AI 当全知全能的大脑，来之后发现任务一复杂它就跟不上——得自己去搭一个适合自己的工具 🎙 19:32 汤姆熊：以前碰到卡点就整块外包给 AI，现在做的很大一部分工作是把 AI 的黑盒一条一条拆开，从机制上想怎么优化 AI 让学习成本变小之后，年轻人到底该学什么 🎙 20:47 吉祥：两个月的资料搜集能压到两周甚至一周，机会成本变小了——反而更要拷问自己"内心究竟适合什么" 🎙 21:55 汤姆熊：本来只想学机器人方向，这三周之后决定加修 CS，去补 AI 的底层原理——因为亲手用过、才想真的看懂 ──────────────────── 想和更多正在做 AI Native 转型的人聊聊？我们攒了一个「章鱼 AI」听友交流群——在这里，你可以和更多正在推动 AI Native 转型的人（从企业老板、管理者，到各行各业的一线实践者）交换踩坑经验，聊聊不同组织把 AI 真正用起来的做法，也能第一时间收到我们的新节目和线下活动消息。 扫描图片下方的二维码，加入交流群，一起待在这个「第一现场」。 ──────────────────── —— 本期制作 —— 主持 ｜ Sophie 对谈嘉宾 ｜ 吉祥 · 汤姆熊 剪辑 · 后期 · 运营 ｜ Sophie 和她的 AI 出品 ｜ 明略科技 · AI Native 组织实验室

我们招了十几位在校大学生，让他们从进公司第一天就把 AI 当同事一起做真实业务——这一批年轻人，是第一批从写作业开始就跟 AI 一起长大的人。三周项目跑下来，结业汇报前，我们请到了班主任乐君和两位第一期学员——来自悉尼大学商科硕士的牧云，和来自南京大学工商业创新班的怡金——一起聊了聊：当一个人上班第一天就有 AI，他会怎么理解工作？为什么我们没把这做成传统培训班，而是「以工代学」？"审核 AI"到底是一件什么样的活？三年后，当你的竞争对手不再是隔壁同学，而是「隔壁同学 + 他的 Agent」，我们该做点什么？ ──────────────────── 【你将听到】 「AI 原生下一代」项目：我们为什么要办这么一档事 🎙 01:07 开场：稀缺的从来不是会用 AI 的人，是能把 AI 带进真实业务的人 🎙 02:11 为什么选大学生、不选中小学生也不选社招？——「context 比较干净，没被传统岗位塑形过」 🎙 03:54 三周下来最有感触的是什么：Agent 工作流、Loop Engineering、Skill 优化、可信度检测……方向差得很远，但都在回答同一个问题 两位学员登场：他们是谁、为什么来 🎙 05:37 牧云（悉尼大学商科硕士，金融+数据分析）：学金融的怎么跑来做 AI 数据产品审核 🎙 06:11 怡金（南京大学工商业创新班，软件工程 + 工商管理双学位）：想看看 AI 产品经理这条路 🎙 06:35 参加项目的契机：以前把 AI 当搜索引擎，这次想真的跟它做同事 在做什么：Octo DAP，一个把用户行为变成产品引导的平台 🎙 09:33 用大白话讲 Octo DAP：它不是做报表，是把 Octo 上的埋点数据变成新手引导、功能推荐、优先级排序 🎙 11:44 为什么不是"AI 帮我写 SQL"，而是"AI 帮我把整条 PRD-to-埋点链路跑起来" "审核 AI"到底是一份什么活 🎙 10:20 牧云拆审核：从整体框架 → 逻辑口径 → 埋点对应 → 原型与埋点表的错漏，一步步来 🎙 13:35 一天里绝大多数时间在跟 AI 交互，但真正花力气的是审核那一步 🎙 15:04 你们其实是 AI 的 leader：做鉴赏、评判、决策 学校里的 AI vs 工作里的 AI：一场角色的颠倒 🎙 15:52 学校里 AI 是老师，我是学生；工作里我是裁判，AI 是那个"看上去言之有理但背后逻辑经不起推敲"的选手 🎙 18:47 AI 不是万能的：它会做一些人根本没想过的"冗余创新"，怎么跟它对齐共识是新的必修课 🎙 19:19 套用楠哥的话：AI 做闭环任务很强，面对开放式任务更像是跟你一起脑爆 AI 会不会干掉 junior 岗位？两位在校生自己的回答 🎙 20:03 challenge 的问题：以后你们身为 junior 怎么看这件事 🎙 21:12 "我明年毕业开始投简历，发现 80% 的岗位都跟 AI 相关" 🎙 22:14 Anthropic 那句话：审核和交付这一步 AI 干不了，任务被加速之后，全堆到人身上让人拍板 🎙 25:46 给学弟学妹的一句话：一位说"趁早尝试"，另一位说——"不要再做 AI 的观众了，赶紧去做他的对手；三年之后你的竞争对手，是隔壁同学加上他的 Agent" ──────────────────── 想和更多正在做 AI Native 转型的人聊聊？我们攒了一个「章鱼 AI」听友交流群——在这里，你可以和更多正在推动 AI Native 转型的人（从企业老板、管理者，到各行各业的一线实践者）交换踩坑经验，聊聊不同组织把 AI 真正用起来的做法，也能第一时间收到我们的新节目和线下活动消息。 扫描图片下方的二维码，加入交流群，一起待在这个「第一现场」。 ──────────────────── —— 本期制作 —— 主持 ｜ Sophie 对谈嘉宾 ｜ 乐君 · 牧云 · 怡金 剪辑 · 后期 · 运营 ｜ Sophie 和她的 AI 出品 ｜ 明略科技 · AI Native 组织实验室

一个跑了十几年、日增上亿条数据、字段几百个的老数据库——明略的秒针 Social 数据库（"魔方"），怎么才能被 AI 真正读懂？这一期，AI Native 组织实验室的成员 Sophie 和黄楠，请来了魔方 Social 数据业务的负责人卷卷，把他们从情感分析器、AI 搜索一路走到魔方 MCP 的三级跳摊在桌上讲了个明白：为什么"让 AI 直接写 SQL"看似最通用的路走不通？为什么必须是 MCP？100 个工具是怎么从一份六七十页的老报告里倒推出来的？数据、MCP、Skill、Agent 四层架构到底怎么解耦？一次现场，54 分钟摊开讲。 ──────────────────── 【你将听到】 认识卷卷 · 认识魔方 🎙 00:27 嘉宾登场：从数据业务分析师做到数据产品经理，卷卷聊了聊他和数据打了这么多年交道的经历 🎙 01:52 为什么这期要聊魔方？"所有 Context 都该被 AI 可读"这句话，落到老数据系统上意味着什么？ 🎙 02:27 什么是"魔方"？国内数据量最大的 ES 数据库之一，每天上亿条社媒数据，字段几百个——难点到底在哪？ 没有 AI 之前：一份报告是怎么写出来的 🎙 05:35 圈数据 → 跑定量 → 人工读帖跑定性 → 出报告：过去两个分析师写一份中等品牌报告，为什么要一整周？ 🎙 08:03 AI 化之后：同样的报告，交付时间从一周压到两三天，这个提速背后到底发生了什么？ 魔方 AI 化的三级跳 🎙 08:24 1.0 阶段：情感分析器为什么是大模型落地的第一站？"一条帖子里 ABCD 四个对象四种情感"的老难题是怎么被解掉的？ 🎙 11:18 2.0 阶段：为什么当年 follow 多 Agent 架构做魔方 AI 搜索，最后只能回答 50% 的普通问题，一到深入分析就崩？ 🎙 14:06 3.0 阶段：为什么最后我们选了 MCP？100 个工具，是怎么定义出来的？ 为什么是 MCP：100 个工具的设计原则 🎙 15:22 "乐高式"的组件思维：几百个字段怎么被拆成 100 个工具？按用户、按场景、按流程分类分别意味着什么？ 🎙 19:14 为什么"让 AI 直接写 SQL"这条最通用的路，恰恰是最容易失败的？MCP 的 schema 和描述，到底在补什么？ 🎙 22:35 MCP UI / MCP APP：为什么在数据分析场景里，有些交互用表单反而比自然语言更高效？ 🎙 25:33 迭代的秘密："商单查询"这个工具，是怎么从通用查询里被单独抽出来的？ 给正在改造老系统的你：一份实操路线图 🎙 27:01 我手上就有一个几百字段的老数据库，第一步该怎么下手？"拿一份最复杂的报告倒着推"，我们是怎么做的？ 🎙 30:16 三种视角缺一不可：业务、产品、研发要怎么坐到一起，共同把 Knowhow 抽出来？ 🎙 33:57 MCP 的迭代节奏：为什么先做两个"最简单的工具"上线，比一次性做完美更重要？ 组织怎么打：兼职十个人，不如小分队专职跑一段 🎙 36:22 如果公司里数仓、Data Scientist、分析师、业务分散在不同条线，KPI 都不一样，要动这件事，团队怎么组？ 🎙 37:17 为什么这件事一定要"专职一段时间"？兼职的坑到底在哪？ MCP × Skill × Agent：数据 Agent 的四层架构 🎙 41:53 MCP 和 Skill 的边界到底在哪？什么放在 MCP 里，什么该留给 Skill？ 🎙 45:29 数据 Agent 的四层架构：数据层 → MCP 层 → Skill 层 → Agent 层，各自解决什么问题？ 🎙 47:15 为什么要用 MCP 而不是把能力绑死在某一个 Agent 里？"数据、业务知识、Agent、模型"这四件事，都要解耦 🎙 48:12 最扎心的一句话：一家公司花在 AI 上的钱，可能有 30%–40% 都该投在"老系统的 context 怎么被 AI 读写"这件事上 ──────────────────── 想和更多正在做 AI Native 转型的人聊聊？我们攒了一个「章鱼 AI」听友交流群——在这里，你可以和更多正在推动 AI Native 转型的人（从企业老板、管理者，到各行各业的一线实践者）交换踩坑经验，聊聊不同组织把 AI 真正用起来的做法，也能第一时间收到我们的新节目和线下活动消息。 扫描图片下方的二维码，加入交流群，一起待在这个「第一现场」。 ──────────────────── —— 本期制作 —— 主持 ｜ Sophie · 黄楠 对谈嘉宾 ｜ 卷卷 剪辑 · 后期 · 运营 ｜ Sophie 和她的 AI 出品 ｜ 明略科技 · AI Native 组织实验室

半年前，我们也焦虑过。我们产品团队一向以文档规范著称，写 PRD、画原型是我们的看家本领。但当 AI 把这些"看家本领"一个个抹平之后，我们反而觉得：跟 AI 协作半年多下来，公司应该给我付更多的钱。 这不是一句反话。当我们真的把产品助理的活——写 PRD、画原型、修 bug、跑评审——一整条链路交给 4 个 Agent 之后，我们发现了一件更反常识的事：AI 干掉的不是产品经理，是产品经理身上那些"其实早就该被自动化"的部分。而当这些活被真正甩掉，一个好产品经理反而变得比以前更稀缺、更值钱。 这一期，AI Native 组织实验室的成员 Sophie 和黄楠，把我们这套流水线摊开讲：一个用户在群里报的 bug，1 小时 40 分钟后自动改好、自动上线；我们产品团队里的 4 个岗位型 Agent——产品管家（收需求）、JoJo（写 PRD）、Aoli（评审）、花花（画图）——是怎么互相配合、又是怎么共享同一套 context 的？UI 规范这种"人类维护不了的东西"为什么在 AI 手里反而变得能用？评审 Agent 为什么必须和写 Agent 分开、还要用两套完全相反的 prompt？ 聊完能做的，也聊没做完的：AI 目前真正能替代的都是封闭式、可验证的工作——写 PRD、画原型、修 bug。但"要不要抄这个竞品""要不要为一波新用户调转船头"这类开放性判断，AI 摸不到。当每个人都能用 200 美金一个月的 Claude Code 做出一个小产品，产品经理的差异化到底在哪？什么叫"大产品经理"？如果 AI 让产品助理的活消失了，我们该往哪个位置走？ ──────────────────── 【你将听到】 先给个 benchmark：过去 PM 是怎么干活的 🎙 00:53 一个中型 feature，PRD + 原型为什么就要两周？ 🎙 02:56 一个真实的 bug 案例：从群里被 @，到 1 小时 40 分钟后自动上线 Agent 团队的分工：产品管家、JoJo、Aoli、花花 🎙 04:00 完整链路拆开：产品团队三个 Agent + 研发侧的一堆 Agent 🎙 05:26 产品管家的第一环：clarify → 去重合并 → 相似需求追加打优先级 🎙 09:34 JoJo 每天扫四次需求池，批量写 PRD 交出去 为什么这套流水线能跑通 🎙 11:20 评审 Agent Aoli 的秘密：writer 和 reflect 分开，两套相反的 prompt 🎙 13:36 UI 规范这种东西，人类做不好，AI 反而能遵循 🎙 17:26 真正的门槛不是模型，是「主题 → Epic → User Story → Feature」的四层 context AI 干不了的那部分，恰恰是产品经理最该干的 🎙 20:40 封闭式问题 vs 开放式问题：AI 到底卡在哪一层？ 🎙 22:00 「要不要抄竞品」「要不要调转船头」——这些为什么 AI 帮不上忙？ 当每个人都能做出小产品，产品经理还剩下什么 🎙 22:52 「人人都是 AI 产品经理」这个话题成不成立？ 🎙 23:09 半年前也焦虑过，为什么现在反而觉得公司应该付更多的钱？ 🎙 24:27 大产品经理：AI 干掉的是产品助理，人反而站到更高的位置 🎙 26:00 当资源被拉平，判断力和构建大型系统的能力才是新的门槛 ──────────────────── 想和更多正在做 AI Native 转型的人聊聊？我们攒了一个「章鱼 AI」听友交流群——在这里，你可以和更多正在推动 AI Native 转型的人（从企业老板、管理者，到各行各业的一线实践者）交换踩坑经验，聊聊不同组织把 AI 真正用起来的做法，也能第一时间收到我们的新节目和线下活动消息。 扫描图片下方的二维码，加入交流群，一起待在这个「第一现场」。 ──────────────────── —— 本期制作 —— 主持 ｜ Sophie 对谈嘉宾 ｜ 黄楠 剪辑 · 后期 · 运营 ｜ Sophie 和她的 AI 出品 ｜ 明略科技 · AI Native 组织实验室

这条新闻大家都刷到了：飞书产品团队并入豆包，销售团队并入火山引擎。往前翻两周，钉钉把自己更名成了「千问办公」，企微上面也长出了 WorkBuddy。三家大厂几乎在同一时间做了同一件事——把 IM 和 AI 大模型缝在一起。 但让我们兴奋的不是"看热闹"这一层，而是——这些动作，正好撞上了我们过去半年在实验室里反复验证的一个判断：Agent 单独存在是没有未来的，它必须和 IM 长在一起。这一期，AI Native 组织实验室的成员 Sophie、黄楠、叶佳，把这条判断的来龙去脉摊开来聊：为什么 Agent 必须住进 IM？为什么光是"IM 开一个对话框"还不够？为什么 ChatGPT/Codex 加个项目管理也补不齐这个位置？以及——如果大厂都往这条路走了，企业还有没有另一种选择？ 聊到最后我们抛了两个暴论——Agent Harness 的碎片化 和 数据主权 / AI 税。这两把刀捅的是同一件事：企业级 AI 的下一站，不是"选一家大厂跟着走"，而是把 IM 和 Agent 都握在自己手里。这也是我们做 Octo 从第一天就选开源的原因——不是路线偏好，是生存问题。 Agent 走到今天，模型能力还在涨，但真正的分水岭已经不是"谁的模型强"了——是谁能拿到组织的上下文、谁能进入组织的协作网络、谁能在数据主权上不被别人卡脖子。三条命脉齐活，才叫下一代企业级 AI 的形态。而这三条，恰好都长在 IM 上。 ──────────────────── 【你将听到】 🎬 新闻登场：三家大厂同一天做同一件事 🎙 01:07 字节把飞书拆成两半塞进 AI 体系，我们看到这条新闻第一反应是"兴奋" 🎙 02:09 不只是字节——钉钉改名"千问办公"、企微推 WorkBuddy，三家大厂集体转向 🎙 03:41 早在年初我们就在推演：Agent 和 IM 到底该不该合并？ 🧠 第一条命脉：为什么 Agent 必须住进 IM 🎙 04:35 Agent = 模型 + Harness，但真正的天花板不是模型能力，是上下文获取效率 🎙 06:00 过去我们怎么给 Agent 上下文的？——靠人肉搬运（把文件、会议、聊天记录一份份喂进去） 🎙 07:50 为什么答案一定是 IM？IM 是企业工作记忆的天然容器——会议、文档、群聊、决策全在这 🤔 飞书都开对话入口了，CLI 不就够了吗？ 🎙 10:03 CLI 只解决了"调用"，没解决"协作"——Agent 做完事情不知道下一步找谁 🎙 11:33 IM 是从底下长出来的协作形态——群、子话题、文档权限，都是 bottom-up 生成的 🎙 12:52 CLI + 文档权限 ≠ 协作网络——Agent 缺的是组织关系图谱 🤔 那 ChatGPT / Codex 加一个项目管理插件不行吗？ 🎙 13:12 核心差别：IM 里已经生长好的协作关系 vs 独立 Agent 需要重新拉人重新对齐 🎙 14:05 替换成本 vs 迁移成本——把 Agent 塞进已有的 IM 群，比把人拉进 Agent 的项目文件夹顺一百倍 🎙 15:00 商业视角补一刀：豆包为什么必须吃飞书？—— C 端不付钱，B 端才是它的生存线 🚀 IM + Agent 的三个组织杠杆 🎙 16:35 杠杆一 · 传播式学习：DeepMiner 培训了两年采用率 30-40%，Octo 一进 IM 直接 80-90%，因为"A 在群里用了一次，B 看见就学会了" 🎙 17:48 杠杆二 · 训用分离：少数人训出好用的 Agent，全组织直接调用——不需要人人都会训 Agent 🎙 19:00 杠杆三 · 异步任务的通知触达：Agent 干活越来越异步，IM 的通知能力是独立 Agent 客户端补不齐的 ⚔️ 那飞书 / 钉钉 / 企微这条路就通了吗？ 🎙 20:12 暴论一：Agent Harness 会碎片化：Claude Code / Codex / OpenClaw……真正的重度用户永远是混着用的，企业不能被单一 Harness 锁死 🎙 22:57 给企业选大模型时我们就说过——别锁死。今天给企业选 Agent Harness，答案一样 🎙 25:37 暴论二：数据主权与 AI 税：Context 是企业最核心的资产（客户背景 + 沟通过程 + 协作方式 + 处理技能），交给别人 = 命脉挂在别人的收费墙上 🎙 27:17 为什么 Octo 从第一天就选开源？——因为你把公司的灵魂放在别人的平台上，就是在等着被抽 AI 税 🎙 28:22 agent 会一直换，模型会一直涨，但只要 context 在自己手里，公司就能跨过所有周期 ──────────────────── 想和更多正在做 AI Native 转型的人聊聊？我们攒了一个「章鱼 AI」听友交流群——在这里，你可以和更多正在推动 AI Native 转型的人（从企业老板、管理者，到各行各业的一线实践者）交换踩坑经验，聊聊不同组织把 AI 真正用起来的做法，也能第一时间收到我们的新节目和线下活动消息。 扫描图片下方的二维码，加入交流群，一起待在这个「第一现场」。 ──────────────────── —— 本期制作 —— 主持 ｜ Sophie 对谈嘉宾 ｜ 黄楠 · 叶佳 剪辑 · 后期 · 运营 ｜ Sophie和她的AI 出品 ｜ 明略科技 · AI Native 组织实验室 搜索关键词：章鱼 AI（喜马拉雅 / 小宇宙 / 网易云音乐）

「章鱼 AI」想做的事其实很简单：把我们在一线做 AI Native 转型时，真实遇到的问题、踩过的坑，还有那些还没想明白的事，摊开来跟你聊。不端着，也不说教——就是把这些「第一现场」分享给你。 第一期，我们想先从自己讲起。过去三年，我们一边做产品，一边把自己这家公司一点点改造成了「AI 原生组织」：从一个接了近 200 款模型、全员随手就能用的对话框，到能自己取数、自己干活的 Agent，再到今天内部跑着 4000 多个 Agent 的协作网络。 但这条路走得并不顺。中间我们撞过不少墙——工作流为什么越搭越死？为什么一过 300 人，光靠发号施令就推不动了？单点上把效率提了十倍，为什么整个组织反而没快多少？ 这一期，AI Native 组织实验室的负责人黄楠，把这三年的路、踩过的坑和一点还算管用的心得，原原本本讲一遍。如果你也在琢磨怎么让 AI 在自己的团队里真正落地，希望这些第一手的经历，能帮你少踩几个我们已经踩过的坑。 ──────────────────── 【你将听到】 开场 · 我们是谁、为什么做这档播客 🎙 00:00 「章鱼 AI」是什么？我们想聊点什么 🎙 00:38 我们是谁：AI Native 组织实验室的 Sophie 和黄楠 AI Native 1.0：一切从一个对话框开始 🎙 02:35 起点 2022：从 ChatGPT 到内部产品「小明助理」 🎙 04:17 一个好用的对话框，背后接入了近 200 款模型 🎙 06:28 光有工具没人用：靠培训和比赛，把采用率从 5% 拉到 60% 🎙 08:33 撞上的第一堵墙：传 Excel、写死的工作流，为什么行不通？ AI Native 2.0：让 Agent 自己取数、自己长出技能 🎙 11:44 Agent 产品 DeepMiner 登场：和 Manus 有什么不同？ 🎙 15:32 实战：给社媒洞察数据库开发 40+ 个 MCP 工具 🎙 18:43 把散在各人脑子里的 know-how，沉淀成「技能(Skill)」 🎙 19:34 300 人是道坎：为什么光发号施令推不动 AI 落地？ 🎙 22:02 借鉴 AlphaZero：不教 AI 怎么做，让它自己「探索」出 Skill 🎙 25:31 Skill 是怎么炼成的：给题目 + 标准答案，迭代到 95% 相似度 AI Native 3.0：搭一张「为 AI 而生」的协作网络 🎙 30:08 多智能体协作平台 Octo，是怎么冒出来的想法？ 🎙 31:52 真正的时间黑洞：协作是一张网，开会 = 同步 context 🎙 34:00 把 AI 当「平等同事」：开放权限、一键招聘、专家模板 🎙 40:02 4000+ Agent 之下，数据安全和权限怎么保证？ AI 的边界，和人不可替代的价值 🎙 43:21 三年下来，AI 的能力边界到底画在哪？ 🎙 49:21 判断力、现场感、直觉：为什么这些还得靠人？ 如果你也想在公司里做AI Native尝试 🎙 49:57 第一步：别急着上工具，先做全员培训、把认知拉齐 🎙 53:10 单点提效 vs 全员一起上，到底怎么选？ 🎙 55:31 成本扛不住怎么办？投入产出比（留到下期细聊） ──────────────────── 想和更多正在做 AI Native 转型的人聊聊？我们攒了一个「章鱼 AI」听友交流群——在这里，你可以和更多正在推动 AI Native 转型的人（从企业老板、管理者，到各行各业的一线实践者）交换踩坑经验，聊聊不同组织把 AI 真正用起来的做法，也能第一时间收到我们的新节目和线下活动消息。 📷 扫描图片下方的二维码，加入交流群，一起待在这个「第一现场」。 ──────────────────── —— 本期制作 —— 主持 ｜ Sophie 对谈嘉宾 ｜ 黄楠 剪辑 · 后期 · 运营 ｜ Sophie和她的AI 出品 ｜ 明略科技 · AI Native 组织实验室 🎧 欢迎在评论区跟我们聊聊，我们下期见。