近期 AI Engineer World’s Fair 上，Y Combinator 執行長 Garry Tan 分享他對 AI 原生公司的看法。他談的重點不只是一個人能生成多少程式碼，而是團隊怎麼把角色、流程、標準與組織記憶接到 Agent 上，讓每次工作都能累積成下一次可重用的能力。
Garry 用組織來解釋 Agent 系統：skill 像一個寫清楚職責的角色，resolver 決定任務由誰處理，檔案規則是內部流程，觸發 eval 則像績效檢查。這個比喻對實際工作有幫助，因為它把焦點從「要用哪個模型」移到「工作如何被定義、分派、驗收與改善」。同一個模型交給不同團隊，產生的效益會受到這些設計影響。
第二層是公司知識庫。Agent 的 context window 再大，也裝不下公司的每封郵件、每次會議、每個客戶案例與決策理由。Garry 把這套系統形容成圖書館加上管理員：知識庫保存內容，管理員依照任務挑出此刻需要的資料。真正困難的地方包括哪些資訊值得保存、兩份資料衝突時採用哪一份、舊資訊何時淘汰，以及每項事實能不能追到來源。
他提出一個很強的工作紀律：做完任務後，把成功方法整理成 skill，避免公司每天重新教 Agent 同一件事。我覺得還得再加上一個判斷。重複發生、交接成本高或出錯風險高的工作，確實該變成 skill；一次性的小事全部變成 skill，最後可能得到一個沒人維護、彼此重疊，而且每次執行都增加 context 成本的目錄。
因此，skill 需要跟程式碼一樣有生命週期。每個 skill 要有清楚的適用情境與不適用情境、負責人、版本、依賴關係、驗收案例和退場條件。流程改變時，相關 eval 要能指出哪些行為退化；模型本身已經能穩定完成時，也可以移除多餘指令。公司知識庫同樣要保留來源、處理衝突、定期淘汰過時資料，否則搜尋能力愈強，只會讓 Agent 更快取得錯誤的 context。
我認為 AI 原生組織的差異，會逐漸出現在這套累積機制。團隊完成一項工作後，能不能把判斷標準、流程與知識留下來，讓下一次執行有更好的起點；又能不能持續驗證這些內容仍然有效。模型能力可以向外購買，組織怎麼工作、如何判斷品質，以及從錯誤中學到什麼，才是公司自己能長期累積的部分。而這也是我認為公司應該要有自己的 FDE 組織的價值，只有公司內的 FDE，才能真正協助 BU 單位建立真正有價值的 AI 流程，並將有價值的 skill 留存下來。
參考資料：
https://www.youtube.com/watch?v=eBUyTS7SzV4
https://github.com/garrytan/gbrain
https://github.com/garrytan/gstack
沒有留言:
張貼留言