不写代码、不裁员、15 人团队爆改 AI 应用！ChatGPT、Claude 死忠粉的暴利玩法：打造多个爆款，实现七位数营收

AI 原生创业公司 Every 总部位于旧金山，仅有 15 名员工，却每天发布 AI 新闻简报，发布了多款 AI 产品，并运营着年收入数百万美元的咨询部门——而他们的工程师几乎不编写任何代码。 Every 因此也被认为是“AI 优先”运营模式最激进的典范。

Dan Shipper 是 Every 的联合创始人兼首席执行官，近日他做客 Lenny's Podcast，深度分享了他们 AI-first 的工作流程，详细解释了为什么每家公司都需要“AI 运营主管”。作为 ChatGPT 的“死忠粉”，他盛赞 Claude Code，认为其对非程序员的价值被严重低估。他以公司的 AI 产品 Cora 为例，证明了现在 2 个人的产品团队，花费 30 万即可做出一款不错的产品。

Dan 认为，AI 不会大规模抢走工作岗位，反而会让许多工作岗位回流到美国。他表示，在 AI 优先的世界，通才更吃香，每个人都要成为 AI 工具的“管理者”。

Dan “暴论”频出

AI 促进美国就业

主持人：关于 AI 和 AI 工具，你有哪些观点是大多数人不认同的？

Dan：那我就先说最犀利的，提前声明下，这个观点的证据最少。后面我也可以分享一些更有理有据的观点，但先说我的暴论：我认为 AI 可能会成为推动美国就业岗位回流的最大动力之一。现在，大家都担心 AI 会导致失业，它确实会改变同样工作所需的技能要求，但我觉得 AI 实际上会带来很多岗位，原因有两个：

首先，现在像企业法务、客服热线这类高端服务，只有大公司或者有钱人才用得起。但有了便宜的智能服务，小企业甚至普通个人也能负担了，这肯定会催生很多新的需求。

其次，它还能让从事这些工作的人服务更多的客户。比如说，客服这个岗位不一定就没了，但可能会让美国中西部那些本来在呼叫中心工作的人，服务几十万、上百万的用户，数字可能听起来有点夸张，但效率肯定比原来一个个打电话高太多了。这样一来，美国公司雇佣本土员工就变得更划算。我觉得美国人在使用这些 AI 工具完成工作方面可能更有优势。所以最终，那些工作可能由美国人用 AI 工具完成，而不是外包出去。而且，大模型公司也都在美国。

Claude Code 对非程序员的价值被低估了

主持人：我喜欢这种对 AI 持乐观态度的观点。至于其他国家是不是好事另当别论，但对美国来说是好事。还有别的观点吗？

Dan：另一个观点就没那么反直觉了，但我觉得大家还没有真正意识到它的重要性，那就是：Claude Code 对非程序员的价值被严重低估了。不止 Claude Code，谷歌最近推出的 Gemini CLI 这类工具也是如此。

Claude Code 可以访问本地文件系统、调用各种终端命令，还会上网，它可以自己跑上几分钟甚至更久来自动完成任务，就像 Agent。特别是最近发布的 Claude Opus 4，让 AI 自主工作能力有了巨大的飞跃。Claude Code 甚至可以自己衍生出多个子 Agent，并行完成很多任务。对于程序员来说，它非常有用。我们公司的内部人员每天都在用，所有人都“入 Agent 的坑”了，什么都用 Agent 搞。

但非程序员基本不用，因为它的终端看起来太“吓人”了。但你可以让它做些其他事情，诸如：把所有会议记录下载到一个文件夹，然后对 Claude Code 说：帮我读一遍所有会议记录，帮我找出所有我在会议中有意回避冲突的时候。它就会自己写一个待办清单，逐份阅读文件，把信息记下来，对照待办清单，最后通过多轮处理给你一个总结性的答案。

这和用 ChatGPT 或普通的 Claude 聊天不一样，那些是把所有内容都塞进上下文里，而 Claude Code 是真的在处理你给它的每个文件，特别适合处理大量文本类的任务。而且它可以长时间运行，不会出岔子。

主持人：那非技术用户唯一要跨过的门槛，就是学会打开终端、输入命令。但一旦搞定，剩下的就是用英文跟它对话，让它做事？

Dan：对。所以我的观点就是：大家以为 Claude Code 只适合工程师，其实它是非技术人最被低估的工具。

主持人：我还看到你发过推，说你有一个很喜欢的用法：一边读书，一边让 ChatGPT 在旁边随时回答问题。因为你不用把整本书喂给它，它本身就知道这本书的内容。Anthropic 还分享过——不确定是他们主动讲的，还是别人从法律文件里扒出来的——他们买了很多书，自己把内容扫描进去，这是合理的使用方式，因此模型本身有这些背景知识。

回到你的观点，核心建议就是，你可以在电脑上用 Agent 处理本地文件、做各种事，而不用上传项目或者手动喂 Prompt。你觉得大家会开始日常使用起来吗？

Dan：我觉得绝对会，而且模型公司很可能会让这些工具变得更容易上手。我觉得接下来，Claude Code 这类工具的特性会融入到其他各种应用中，不管是网页应用还是别的。

之前的 AI 应用都是在 UI 里加个聊天框，比如 Copilot 在 IDE 里加了自动补全，Cursor 在侧边栏加了个小聊天框。但 Claude Code 不同，你根本不用管代码。它不是用来手写代码的，而是让你直接说：“我要你帮我做这件事”，然后它自己就完成了。

我觉得我们正进入一个新阶段：AI 已经足够强大，很多传统界面都可以去掉了。用户不再需要时刻盯着它的具体执行过程，更多是“委派任务，让它去做”。

主持人：我之前请过 Cursor CEO Michael Truell 来录节目，问他“代码之后的世界是什么？”答案是：英文。我最近也请过 Base44 的创始人，他做了一家公司，卖给了 Wix，价值上亿美元。他说他们公司创办 6 个月，过去 3 个月，自己一行前端代码都没写过，全靠 Cursor 和别的工具搞定。这已经发生了。

Dan：我们 Every 内部也一样，已经没人手动写代码了。

让智能体一直运行并经济划算，就是 AGI

主持人：你还有什么大胆的观点要抛出来？

Dan：还有一个是我对 AGI 有个定义。定义 AGI 很棘手，以前图灵测试算一个标准，但在很多方面现在早已超过图灵测试了，所以目前并没有一个很好的定义。

我注意到，判断 AI 进步有多大，可以看你能给它的“自由操作时间”有多长。比如 Copilot 最早只是自动补全代码；到了 ChatGPT，你可以问它问题，它给出回答，这比自动补全稍好一点；现在有了 Claude Opus 4、Gemini 这些模型，加上 Deep Research 能力，它能自主工作几分钟甚至几小时。所以你给 AI 的“自主权”时间越来越长。

所以，我对 AGI 的定义是：让智能体一直运行在经济上变得划算的时候。比如说让 Claude Code 一直运行、一直干活，永远不关掉也没关系，因为让它开着是值得的。它不会等着你来发号施令，而是像个青少年一样“自主生活”。但对你来说，让它一直运行在经济上是划算的，你宁愿这样，也不愿让它等着你来安排下一件事。

主持人：有意思，这个定义不错。

Dan：这里的“划算”既涉及运行成本，也涉及价值方面。当然，你可以耍个小聪明，说“让 Claude 无限循环运行”，但我说的是更广泛地、采用这种方式一直工作的 Agent 。我喜欢“划算”这个词，因为这意味着即使它成本不低，但只要能带来实实在在的价值就值得一直运行。“划算”本身就是验证它是否真的在做有用工作的标准。

主持人：想到一个类比：一个资深员工的自主性越高，你需要布置的任务、检查工作就越少。这和他们的资历直接相关。你还有别的类似的观点吗？

Dan：我还有很多（笑）。我特别讨厌那种耸人听闻的标题，比如“AI 会取代工作岗位”、“三分之二的劳动力将被淘汰”。我觉得完全是错的。还有那种“用了 ChatGPT 大脑就不工作了”，或者是“医生单独 vs 医生+AI vs 纯 AI，谁更强？AI 更强，医生将被淘汰”，这种论调我也很反感。

以医生为例，人们常常忽略使用 AI 也是一种技能。如果你用一群对 AI 毫无经验的医生和 AI 比较，很容易得出“AI 更强”的结论。但医生所处的环境千差万别，他们需要做各种决策，单靠一项研究就下结论太草率了。尤其 AI 技术迭代这么快，医生们还没来得及成为这方面的专家。但我猜测 5 年或 10 年后，情况会完全不同。

再说“学生用 AI 大脑变迟钝”这个问题。历史上，我们一直在“放弃一些能力以换取新的能力”。比如柏拉图就很反对“写作”，因为他认为写字会削弱人的记忆力。事实也确实如此：古人可以背诵长篇史诗，而我们今天很多人却记不住电话号码。但我觉得“写作换记忆”是值得的。

AI 也一样。你可能在某些任务上投入少了，但会在别的任务上更多投入，从而拥有更大的权力。你当然可以做一项研究来证明“用 AI 大脑连接度降低”，就像说明“写字让记忆变差”一样，但我想没有人愿意回到一个全民文盲的世界。

我认为，人们总是容易低估事物变化的速度，尤其是在技术变革初期。比如我住在布鲁克林，我家附近的一家裁缝店现在还不支持信用卡。说明再好的技术，也需要很久才能普及。

我们也经常低估人类在复杂情境中做决策的能力。就算一个模型考试成绩很高，它也不一定能真正替代现实工作场景中的具体任务。AI 很棒，但它的“分数”并不能让你直观感受到它到底能不能完成具体工作。

OpenAI 用的是自己的内部代码库来测试模型表现，看模型能不能预测出下一个代码片。这些数据不在互联网上，是很好的测试标准。所以，我用了我们的会议记录来测试，里面是我平时和团队开会说的话，不在网上，模型也没见过。

我用了一些最前沿的模型来跑这些会议记录，让它们预测我要说的话，结果很糟糕。并不是因为模型不聪明，而是现在有个很大的问题：“上下文工程（context engineering）”。这个词是 Spotify 的 Tobi 提出来的，意思是能不能在正确的时间给模型喂正确的上下文，对最终效果的影响至少有 50%。我完全同意这个观点。

我在三年前就写过相关的内容，当时我称之为“知识编排（knowledge orchestration）”，但我觉得“上下文工程”这个说法更好。这非常难，远不是“大一点的上下文窗口”就能解决的。

主持人：有意思。我猜你可以用这个建一个 GPT，然后不用和 Dan 开会了，直接跟这个 GPT 聊，它能做决策。

Dan：对，完全有可能。其实我们现在已经在这么做了。虽然它还不能完全预测我开会时会说什么话，但也够用了。特别是作为 CEO、创始人或者管理者，工作中很大一部分时间都在说车轱辘话、来回重复。 AI 革命最让人兴奋的是你终于不用再当“复读机”了。

比如在 Every，我们每天要发一封新闻简报。以前我得花不少时间给团队反馈：标题怎么改、开头怎么写、这个选题值不值等。但现在，我们把这些反馈提炼成一套提示词（prompts）和流程，变成一套系统。虽然它说话不完全像我，但能把我判断好坏的标准给“定下来”。 这样，团队在直接找我之前，就已经和这个“AI 版的我”沟通过一次了，省心太多了。

15 人的团队如何高速运行？

主持人：咱们顺着这个话题聊下去。我感觉你打造的这家公司、组建的团队、运营方式， 代表了 AI 时代企业运营的最前沿，你们努力做到“AI 优先”，这和你写的很多内容高度一致。太值得深入研究了。那先跟大家简单介绍一下 Every，以及你们怎么运作的吧？

Dan：大家都会问这个问题，因为我们公司的业务形态很奇怪。其实过去也有一些类似形态的公司，但确实比较少见，不是那么符合传统认知。我觉得这是 AI 带来的新可能，后面可以再具体聊聊为什么。

简单来说，Every 就是一家在 AI 前沿做内容和应用的公司，核心业务是每天发一封 AI 相关的时事通讯。我们已经做了大概五年了，现在有大约 10 万订阅用户，基本上，所有顶级 AI 实验室的人、做 AI 的或者对前沿 AI 感兴趣的人都会看我们的内容。比如 OpenAI 或 Anthropic 推出新模型时，我们通常会第一时间上手体验，然后写文章分享。这就是我理想中的工作状态，我特别喜欢。

主持人：你们管这个叫“vibe check”，是吧？

Dan：对，我们管这种体验分享叫 vibe check。我觉得 vibe check 真的很重要，这也引出了我们的另一个业务：应用。

为什么要强调 vibe check？因为我们关心的不只是模型跑分多少，而是它用起来到底什么感觉？它在真正的工作场景、日常生活里表现如何。标准的 benchmark 跑分是测不出来这些的，也没法完全体现。

而最适合写 vibe check 的人，肯定是那些真正在一线用这些工具干活的人。我们发现，关于科技的好内容，往往出自那些真正使用和搭建产品的人。所以我们一直有个习惯：一边写内容，一边自己做点小实验、搭点小应用。这两件事相辅相成，能帮我们写出更好的东西。

慢慢地，我们就发展出了一整套供内部使用的 AI 工具。不少做这些工具的人本身就是写作者，这样一来，读者就能更深入地了解到这些 AI 产品到底是怎么被真正开发和使用的。

我们现在有一套工具，比如最新发布的 Cora，可以将其理解为一个 AI 版本的“私人助理”，专门帮你管理邮件。我们还有另外几个应用：Sparkle 是一个 AI 文件清理工具；Spiral 是做内容自动化的；还有最早孵化的 AI 文档写作工具 Lex，后来我们把它独立成立公司运营了，由我在 Every 的联合创始人负责运营。整体上，我们把这些都打包在一起，用户一次性付费就能用我们所有的软件，而且我们还在不断往里面增加新东西。

主持人：我知道你们还有咨询业务，后面可以聊聊。

Dan：对，咨询业务算是公司业务的“第三条腿”。虽然它跟“内容+应用”不完全一样，但确实是很重要的一块。核心主要是帮大公司做培训，教他们怎么真正做到 AI 优先、教员工怎么用 AI 工具。

新岗位：AI 运营负责人

主持人：先聊聊你们平时是怎么运作的吧。你刚刚提到你们团队基本不写代码，那你们是怎么做到这么高效运转的？Every 现在多少人？

Dan：我们团队现在有 15 个人。

运营方面有这么几点。首先，我觉得每个公司都该这么做——我们有一位 AI 运营负责人（Head of AI Operations）。我每周和她碰一次，她的工作就是：只要我或团队里有人做重复性的事情，就把它们记录下来，然后她专门去写提示词、搭建工作流，尽可能把这些事情自动化。

这其实是很大的一个效率突破。

因为大多数时候，大家每天火烧眉毛的事一大堆，很难静下心来想：我要不要用一种新的方式来做？很多时候都是：算了，按老办法搞吧，别折腾了，尤其是那种用 nocode 工具去搭工作流的，太费劲了。所以，一个 AI 运营负责人能帮大家把这些事情捋出来、做成自动化方案，而不是指望每个人自己抽时间去弄。我觉得这比指望业务人员自己动手靠谱多了。

当然，这也有个挑战：你得确保大家真的去用这些自动化工具。所以，这个角色本质上有点像在公司内部做小应用，只要能做出大家愿意用的应用就很棒。

主持人：我记得 Quora 也发过类似的招聘，他们也在找这种人。

Dan：对，说明这个确实已经成趋势了。

主持人：所以你的意思是，这个人最好是脱离日常业务专注做这件事，专门帮助团队提高 AI 效率？她主要是帮你一个人做自动化工作，还是整个团队？

Dan：对。她是帮整个团队。我们现在主要从编辑团队着手推进。编辑部日常有很多琐碎工作，比如我和主编 Kate，每天都要花好几个小时修改文章、进行细微的语言风格调整，以确保内容符合 Every 风格。这些工作非常耗费时间。但现在 Opus 已经强大到，你只需提供一份风格指南和提示词，它就能自动完成校对和文风调整，效果相当不错。

当然，这不仅仅是技术搭建的问题。关键在于让 Kate 养成一个新习惯：在审阅他人提交的文章前，先询问一句“你通过 AI 提示词检查了吗？” 这种习惯需要逐步培养，这也是我们在组织管理上面临的一个小挑战。不过对我们团队来说，这个过程还算自然，因为团队成员本身就具备优先考虑使用 AI 工具的思维，没有“不愿意学习 AI”的情况。但很多组织会碰到“工具虽然到位了，但实际使用率却不高”的问题。

主持人：这位 AI 运营负责人什么背景？

Dan：她叫 Katie Parrott，之前主要帮我们做内容代写，团队里有些产品经理或工程师想写文章却不太擅长时，就由她来帮忙整理和代笔。

她最早就是这样加入的。后来我们发现她对 AI 也特别感兴趣、特别爱折腾。她曾在 Animalz（一家专业内容营销机构）工作过，那里非常注重流程化和系统性。所以，她既懂流程管理，又是优秀的写手，还对 AI 充满热情——这三点结合起来，我就觉得不能只让她帮忙写东西了，应该正式让她负责 AI 运营这块。事实证明，效果非常好。

我觉得至少得找那种很爱折腾、爱动手实践的人。如果还能理解你们业务里需要优化的实际工作流程，那就更好了。

主持人：这个建议太实用了，感觉接下来很多公司都会开始招这种人。

Dan：我觉得是。最近也有其他人提到这事，比如 Rachel Woods，她也在做 AI 相关的工作。这件事影响确实很大。

目前我们主要在编辑部使用，产品 Cora、Sparkle、Spiral 这些产品也有很多文案需要调整，大家都希望能统一符合 Every 的品牌调性。以前的做法是，工程师写好内容后把 Figma 件发给 Kate 修改文案，但效率太低了，Kate 一个人根本忙不过来。

后来，我们团队的工程师 Nityesh 开发了一个小工具：基于 Claude 写了一个指令（AI 提示词），用它来扫描全公司的代码找出所有文字，并自动生成一个 Pull Request (PR) 发给 Kate 审核。这样 Kate 只需要看 PR 提的建议就行了，再也不用一条条手动去改。现在工程团队也能直接产出符合要求的文案，不用每次都等编辑人工处理了。这个改进效果非常好，效率提升非常明显。

“ChatGPT 死忠粉”，盛赞 Claude

主持人：你刚才一直提到 Claude，我挺好奇你自己和团队平时都用哪些工具？听起来 Claude 好像是核心？

Dan：我确实很喜欢 Claude。不过说实话，我每天第一个打开的还是 o3。我是 ChatGPT 的死忠粉，真心觉得 o3 的质量非常高，方方面面都很好。而且 o3 有个特别关键的优势，就是“记忆功能”。这太重要了，我花了很多时间教 ChatGPT，比如“写作要简洁有力”，它现在已经学会了。现在它帮我写的内容可能比一般用户的 ChatGPT 好很多。

我还经常用它做自我反思、成长类的事情。比如我把一段会议记录发给它，问它：“我表现得怎么样？”它会回答：“你这次还是跟平时一样有点啰嗦，但比以前好多了。”我很喜欢这种感觉。所以日常来说，o3 是我最常用的工具。

至于 Claude Code，公司里几乎每个人都在用它。只要需要构建点什么，我们就会用 Claude Code，它表现真的很棒、难以置信。Gemini 那边也刚刚发布了一些成果，我也打算尝试一下，毕竟我们的很多产品就是用 Gemini 作为基座模型。它功能强大、价格便宜，同样很有竞争力。我现在很想试试他们的 CLI 工具。

我们也用过 OpenAI 推出的编程工具 Codex。如果我需要一项一次性、独立且能够快速实现的小功能，那就直接让 Codex 生成。

说回 Claude，Claude Opus 4 拥有一项其他模型不具备的能力。为了不惹麻烦，就拿 Claude 早期版本的模型来对比吧。当我问它“这篇文章写得怎么样？”时，Claude 总会给出 B+的评分。然后你说“我改了一下”，它就给 A-；再改，它就给 A。很明显，它太想迎合你了，没有真正的“直觉”判断。你可以用一些提示词技巧去避开，但总感觉差点意思。

而从 Opus 4 开始，模型具备了非常强大的新能力，真的能分辨“这篇文章有没有意思，是不是好”，就像真正有编辑直觉的人一样。这个能力太关键了，直接关系到我们很多产品的功能实现。

比如我们正在开发 Spiral 产品的最新版本，它能实现内容自动化。从某种程度上讲，它就是 Claude Code，只不过是更偏重内容的产品。我们可以要求它写条推文，把所有文档都灌给它，它就有了大量的记忆，会自行创建一份待办事项清单，然后开始撰写推文。而现在，有趣的一点在于，它能够自我改进，有判断能力了，因此可以在待办清单里加一步：“我写了三条推文，自己先评估一下哪个好，然后再返回给你。”这一下子就打开了很多新玩法。

之前我们花了三个月时间才实现这样的功能，效果还不理想。而 Opus 4 在模型层面直接就搞定了。这个版本确实给我留下了深刻印象。

主持人：除了这些模型，还有别的 AI 工具吗？比如你之前提到的 Granola，或者别的一些冷门工具。

Dan：我有用 Granola，之前也用过 Super Whisper 和 Whisper flow，这两个都是语音转文字的工具，挺好用的。我们内部其实也做了个类似的版本，叫 Monologue，大概一个月后就会上线了，功能跟那些工具差不多。我一直觉得语音转文字这种界面是未来的趋势，应该有更多人用起来，也有更多公司把它做成产品能力。另外 Notion 也是每天都会用到的，尤其是他们的会议录音功能，用起来很方便。这些大概就是我们主要使用的工具了。

两个人研发出一款产品

主持人：回到团队运作方式这个话题，除了 Kate 外，还有哪些事情是你觉得其他公司应该做或者未来肯定会做的吗？

Dan：我们有个产品团队叫 Cora，核心成员就 Kieran 和 Nityesh 两个人。不过别小看他们，Cora 团队背后还有 15 个 Claude Code 实例在协同工作。这么算下来，团队的实际能力比你想象的要强大得多。

特别值得一提的是，他们俩自己想出来了一个理念——叫“复利式工程”（compounding engineering），这个点子跟我关系不大。简单来说，就是每做一件事，都要想办法让下次做类似事情时更省力。

举个例子：在 Claude Code 的工作方式下，写代码少了，写产品需求文档（PRD）反而成了日常。你可能天天想：“唉，今天又得写一份新 PRD。” 通常的做法是每次从头开始写。但如果用“复利式工程”的思路，你就会琢磨：有没有一个理想的 PRD 模板？那我干脆写个 prompt，把想法输入进去，让它帮我自动生成格式规范的 PRD。这样一来，以后每次写 PRD，效率都比上次高一点。每次迭代都更快，工程效率就像滚雪球一样不断累积提升。

所以你看，Cora 产品靠 Kieran 和 Nityesh 两个人，加上 Claude Code 的力量，就成功做出来了。Cora 前阵子刚结束公测，之前私测阶段就已经有 2500 个活跃用户，每天处理着几百万封邮件。想想看，这只是我们 15 人公司里的一款产品，是不是挺不可思议的？

主持人：确实。那你说的这种“提效”方法，具体是怎么做？主要是靠不断优化提示词吗？

Dan：对，主要是提示词、自动化，还有一些配套的流程。

主持人：那你们做自动化，用的是什么工具？

Dan：主要还是 Claude Code。你可以在里面设置 slash 命令，相当于是固定的 prompt 集合。

主持人：也就是说，他们其实是在维护一个提示词库，让从“我想做什么”到“生成一份合格的 PRD”这个过程更快、更精准？

Dan：完全正确。

主持人：那这些 prompt 是放在文件里，还是有项目管理？

Dan：我们放在 GitHub 上，有个库大家一起维护。另外还有一个很有意思的事，他们不光用很多 Claude，还用三款其他的智能体。比如有一个叫 Friday 的，还有一个叫 Charlie。他们特别喜欢 Charlie。

主持人：我还真没听说过。

Dan：我们之前专门拍过一个视频，给 AI 智能体做了个“从 S 到 F”的排行榜，很有意思。大家特别喜欢 Charlie 的一个重要原因就是：Charlie 能直接集成到 GitHub 里用。比如你收到一个 PR 后，可以直接在评论里 @Charlie 说“帮我看一下”，效果特别好。

同时用好几个智能体的好处，就像团队里搭配不同性格、不同风格的成员一样。比如，Kieran 是 Rails 框架的“骨灰级铁粉”，对代码风格特别敏感；ChatGPT 给人的感觉就比较冷静、简洁，职业感很强；Claude 的风格又不太一样。这些模型其实是有“个性”的，而这种个性决定了它们各自擅长做什么。这可能就是为什么我们会同时用三、四个智能体。

主持人：这让我想起 Peter Deng 之前分享过的一个招人理念：“组建复仇者联盟”。意思是，团队里每个人各有所长，组合起来才是最强的，而不是要求每个人样样精通、门门第一。其实，用 AI 智能体也可以这样：选用不同公司开发的智能体，它们各有千秋，组合起来效果更佳。

Dan：完全可以。而且我觉得这说明：市场比大家想象的要大。不会只存在一个万能的通用智能体，而是会有很多不同风格、不同优势的智能体。

主持人：我也这么觉得，根本不存在“一个智能体统治所有”的情况。Cora 团队一共就两个人，他们是学什么出身，都是工程师吗？

Dan：对，都是工程师。Kieran 的背景比较特别……其实两个人经历都不寻常。Kieran 之前是一家初创公司的工程副总裁，还在其他初创公司当过 CTO 和创始人。再往前追溯，他还当过职业作曲家和面包师。去年我们去法国组织过一次团建，他教大家怎么做羊角面包。我做的不好吃，他就不一样，专业出手就是漂亮。

主持人：有点东西啊。

Dan：反正我们公司特别喜欢这种多面手型的人才。我们每个人都是通才，都想用 AI 做些稀奇古怪但又很有创意的事情。这样的人不仅对智能体很有想法，还会思考“首页是什么样子”之类的细节问题。我觉得这个非常重要，只有这样 15 人的团队才能做出多款产品。

至于 Natasha……我都觉得嫉妒，他是从 ChatGPT 面世之后才开始学编程的。他一直都想学，但直到有 AI 的帮助他才开始行动。我常跟他说，“真羡慕你，我是中学那会照着书本学的编程。”当时谷歌上啥也搜不到，我只能去书店买实体教材，太痛苦了。

年轻人借 AI 快速跳过入门阶段 

主持人：那时候连 Stack Overflow 都没有。

Dan：是啊，完全没有，只有一些小众的 BBS 论坛。我那会才 12 岁，根本没办法上网。很明显，赶上了 AI 时代，他的进步速度超过了其他任何工程师。公司里的其他员工也有类似的情况。很多人觉得 AI 抢走了编程新人的饭碗，我觉得确实有这种情况人，可看到年轻人使用 ChatGPT，我又觉得他们很幸运，能够以远超我们那代人的方式成长。

有个同事叫 Alex Duffy，他刚开始的稿子写得不行，但本人的才华我们是认可的。我们的反馈是：“你的想法很棒，但文笔还差些。目前我们只能给你一些小建议，等你准备好了才能做好这份工作。”之后他在短短两个月内，就取得了之前要一年才能获得的进步。他会把我提供的构思线索记在提示词里，而且再也没犯过同样的错误。他的进步比我们预期快很多，而且他并不是孤例。任何愿意经常向 ChatGPT 学习的年轻人，都能在引导下迅速强大起来。

主持人：大家都担心因为新人得不到机会，所以入门级岗位会逐渐消失，最终导致人才青黄不接。但你认为 ChatGPT 和各类 AI 工具其实能帮助新手快速成长，甚至直接跳过入门这个阶段。

Dan：是的，现在我们可以跳过入门这个级别。我有个观点，AI 时代那些真正有价值的技能，往往都集中在管理层面。当下这些技能用于管理员工，未来就是管理模型。但随着 AI 的普及，会有更多人参与到管理中来，管理的成本会越来越低。总之，20 多岁的年轻人可以直接从这个层面学起，顺利参与到工作流程当中。做好一件具体的事和管理好整个执行过程都很重要，这也是未来对于从业者的基本要求。

主持人：你说的管理，应该是指管理智能体吧？

Dan：没错，管理 AI。说回之前提到的核心团队，其实现在需要亲自编写的代码越来越少，甚至有人完全不写代码了，更多人只负责管理编码智能体。

主持人：我还真没听说过哪家公司能达到这样的状态，很酷。所谓工作流程，就是上面提出想要的成果，我们使用精准的提示词库来做完善，最终由 Agent 来构建并编写代码。我们要做的基本就是花时间审查代码、审查输出，比如代码质量如何、能不能跑，再继续改进。这其实就是 Cursor 公司的 Michael 提到过的目标。几个月前我跟他聊过，他说一年之后，AI 辅助编程应该会发展到这个程度，而现在你们似乎已经做到了。

Dan：代码审查确实很重要，甚至可以说是一切开发工作的前提。负责 Spiral（就是我之前提到的，我们正在开发的类 Claude Code 内容工具）的 Danny，花了几天时间深入研究我们关注的某个第三方库，就是想搞清楚它的内部结构。这项工作非常重要，但他实际上没有编写任何代码。在搞清楚状况之后，他可以直接告诉 Claude Code 该做什么。这非常重要。

主持人：我们正迈向一个疯狂的里程碑，走向一个我们不需要真正理解代码、也不需要编写任何代码的新阶段。某种程度上讲，你们已经到达了这样的里程碑，这太疯狂了。你的产品团队几乎不需要编写代码。

Dan：确实很神奇，如果想得更远一点，未来我们团队中每个人都可以拥有各种不同的技能。每个人都是通才、都是 AI 领域的先驱，在这样的环境下，哪怕只是一支很小的团队，也能做到以往难以想象的事情。我们可以发明各种新原则，比如如何协作、如何进行工程设计等等。虽然目前我们还没真正达到这个程度，但即使不懂编程，各个部门的员工也已经能够做好自己的日常工作。

但还是要根据不同的标准衡量。我觉得在很长一段时间内，掌握编程技能仍然很有价值。比如我中学刚接触编程时，最热门的语言是脚本语言，Python 和 JavaScript 之类。但对于真正的程序员，就得理解 C 这样的底层语言。要想做点真正有份量的东西，就得掌握 C 语言栈，甚至是汇编语言。但随着时间推移，这样的学习需求会越来越少。

换言之，哪怕大家只掌握 JavaScript 和 Python，也应该理解更多底层原理、编写方式和实现方式。如今这些技能的重要性已经快速下降，我猜再有 10 年或者 20 年就完全不需要了。总之，编程技能的重要性会逐渐降低，但目前我们还远没达到这个阶段。

主持人：那你觉得我们距离直接雇用非软件工程师来开发产品，还有多远？就像真正的 SaaS 产品，只要有个好点子，那是不是随便什么人都能做？

Dan：目前远远没戏，但我觉得当下应该可以实现再低一个级别的产品。比如我们之前讨论的 DIA，一款全新 AI 浏览器。DIA 提供一些所谓“技能”，这些功能就是能在浏览器内运行的小型 AI 应用。只要提供提示词，它们就能在网页上运行并替用户工作。非技术人员也可以构建这些功能，类似于 ChatGPT 上的自定义 GPT。

所以，虽然我认为目前还没有任何人能在完全不了解编程知识的情况下，就开发出传统的 SaaS 应用程序，但一定有某些形式的软件可以这样实现。我有个基本判断，软件正在变成一种内容形式。未来会出现其他形式的软件，它们看起来跟如今的软件完全不同，而即使不懂编程，非技术人员也可以轻松构建、启动并运行这类新软件。这有点像……好莱坞大片和 YouTube 短片的区别。

主持人：你们还有其他一些非常有趣的尝试值得分享吗，比如帮助你们快速运营、事半功倍？

Dan：我觉得最重要的，是我们怎么构思产品、考虑要打造怎样的产品、未来又向哪些方面探索。之前我们经常根据自己的直觉去探索，但最终我觉得应该认真想一想。

我认为 AI 革命的独特之处，在于这次整个游戏规则都被彻底颠覆了。五年之前，我们还只能把已经存在的东西换个壳、做得精美一点。但现在不一样，AI 代表着全新的领域，所有工作流程都有望得到重构。而我们的优势在于，这里的每位员工都有 AI 功底、也都用过我们的产品。凭借这份相似的背景，大家才能将协作效率推向极致。所以我们衡量产品成功与否的标准，就是在公司内部受不受欢迎。只要内部大家都愿意使用，那我们就相信肯定会成功。

我觉得这是非常有趣的应用程序开发流程，也代表着一个全新领域。从现在起，我们考虑的一切都前所未有，这真的很酷。随着时间推移，我觉得我们的经验在三年后将成为常态。目前这可能还只是种小众形式，但三年后当其他人都有了和我们相同的需求，整个软件开发的格局就会改变。

主持人：我听说 GPT 套壳也很有搞头，值得探索。

Dan：GPT 套壳是很棒啊，我不理解为什么会遭受如此恶评，好像很多人并不理解它的真正价值。

“不想筹集太多资金”，30 万做出一款应用

主持人：你们刚刚完成了种子轮融资，现在可以谈谈这个话题吧？对于产品需要发展到多大规模才能算是成功，应该有个有趣的量化标准。

Dan：没错。我真心希望我们的产品能帮助更多人用上 AI，进而拥有更美好、更加个性化的生活体验。而我们选择的切入点，就是为用户提供写作指导和创作内容，再为他们提供可以实现目标的工具。

我认为，一家公司的立足根基，在于建立一个内部创意游乐场。员工们可以在这里冒险，做一些稀奇古怪、毫无意义的探索。我说不上具体的原因，只是觉得这样做很有趣。所以我觉得运营一家组织的关键，就是在严肃性、持久性和趣味性之间寻求平衡。

这种基于乐趣的探索非常重要，因此我一直不想筹集太多资金，因为这会让公司陷入一种害怕出错、被迫全力以赴的状态。身为创始人，我会尽可能保持从容的回旋空间，保持这种边做边玩的感觉。这至少能让我自己感觉可以掌握要做的事情，甚至涉及一些更深层次的心理因素。总之，我就是想要在轻松愉快中把事情做了。

所以，当初创办公司时，尽管那会正值创作者经济的巅峰期，我们仍只筹集了一轮规模很小的 70 万美元种子前融资。那时候的市场太疯狂了，人们到处乱投钱，而我们只稍稍拿了一点点。我们当时的想法是，我希望筹集充足的资金来支撑实验、作为资源缓冲，但又不会太多把自己束缚在任何事物上。我们还给投资者发了一封邮件，特意解释了这个问题。

我们在邮件里提到，这可能不算风险投资，所以大家别指望着我们后续会继续融资。我们甚至还修改了融资策略，承诺如果三年内未筹集更多资金，当前投资方可以把投资转换成股权。这就是为了既尝试把业务做大，又保证公司始终按照我们想要的方式发展。这也许不是什么大生意，但我们对它充满热爱。这是最重要的。

最近一轮融资中，我们也采取了同样的方式。我们从 Reid Hoffman 和 Starting Line VC 那筹集到 200 万美元，名头是所谓“SIP 种子轮”融资。就是说他们承诺出资 200 万美元，但我们可以随时退出。这样我才能在心理上承担更大的风险。也只有这样，我和团队里的其他成员才不用总盯着银行账户里的巨额数字，被虚假的财富迷惑了双眼。

至于投资方，Reid 肯定很希望我们成功，而且对公司规模并不做特别要求。我认为他们在理念上跟我们的思路更加统一。如果能发展成一门大生意，那当然是最好的，但不行也没关系。我想保持的就是这种创新内核，而且影响比业务规模更重要。

我觉得有很多方法都可以产生影响，打造一家价值 100 亿美元的企业只是其中一种；另一种方法则是真正改变人们看待世界和看待自己的方式。很多人总想把生意做大，我们不一样，我们只把大生意看作实现理想的一种方式。

主持人：你这种创新的融资思路令人赞赏。不是孤军奋战，也不走常规的风险投资。对于种子轮融资，很多人总觉得钱越多越好。但你不会，哪怕能拿到 5000 万，你也只会根据需要拿个 200 万，而且很冷静地意识到 5000 万太多了、没必要往账户里塞这么多钱。

Dan：但我们的判断是否正确，还是要靠时间来检验。也许两年之后，我会哭哭啼啼地说，当初如果多融点资就好了……谁知道呢。但至少目前，我的判断是我们可以用较少的钱走得更远。以 Cora 为例，我们整个开发过程差不多总共只花了 30 万美元。

主持人：简直难以置信……包括工资在内？

Dan：是的，包括工资。而且再倒退三年，哪怕砸下几十亿美元都做不出这样的产品。因为当时没有 GPT，所以没办法实现电子邮件摘要和自动回复等功能。如今，我们只需要两名工程师就能完成原本需要 20 人团队才能搞定的工作量。我认为这一方面意味着我们需要的资金更少，而风险投资方还没能适应这样的现实。

不过随着越来越多的公司在种子轮融资中降低数额，也许风险投资模式也会就此改变。当然，我们有一套特定的孵化模式，跟常规的风险投资模式略有不同。不同的创始人做起事来肯定各有差异嘛，这很正常。但我不是特意要标新立异，我只是想找到一种适合自己的融资形式，只是这种形式碰巧跟其他人不同。希望我的判断是正确的。

“我不做鼓吹裁员的 AI 顾问”

主持人：今天收尾前，我还想问两件事。第一是你们的咨询业务。现在每家公司都想搞清楚别人都发现了什么、用了什么招，我们却没学会。我收到过太多 CPO 的邮件，问我能不能把做得不错的首席产品官们牵牵线，让他们学习学习。所以，能不能先讲讲你们这块业务在做什么？

Dan：我们平时投入大量精力研究新模型、写文章、用模型做项目，积累了不少用户。自然而然就有人找上门问：“能不能教教我们怎么用 AI？”

于是，大约过去 6 个月到 9 个月的时间里，我们正式搭建了这项业务，现在规模已经不小了，预计今年收入能翻番。去年大概做到了一百万美元，今年可能更多，具体要看几个大单子最终敲定的金额，说不定会高出不少。

当用户问“能不能帮我们学会用 AI？”时，我们会这么建议：

首先，花时间了解客户公司各个团队的实际工作，重点识别那些重复性高、适合用 AI 优化的任务然后，交付洞察报告汇总调研发现的所有关键点。

同时，我们开发了一个聊天机器人，你可以直接跟它对话，查询所有访谈内容，自己深入挖掘洞见。我们还提供了一个数据仪表盘，能直观展示哪些团队已经用得很溜了、哪些还没动起来。更重要的是，它能基于访谈和 AI 分析，量化出 AI 在不同团队能带来的具体提升空间（杠杆效应）。这个工具最初是我和 Devin 利用一个周末搭出的原型，后来 Alex 又帮我们做了不少优化。

接下来，我们会为每个团队量身定制培训课程。基于调研结果，教他们具体在哪些场景、用哪些 prompt 最有效，帮他们快速上手。AI 是通用技术，团队里通常约 10%的人会主动探索，10%的人可能完全不碰，剩下 80%的人态度是：只要告诉我具体怎么用，我就愿意用。所以，把培训内容做得贴近岗位需求、步骤清晰，并手把手教学，是加速落地的关键。我们通常和每个团队合作四周，每周一小时，效果非常好。

培训结束后，我们通常还会帮客户搭建一些自动化流程，把 AI 真正落实到日常运营中去。目前，已经有不少大型对冲基金、私募机构、传统大企业找我们合作过。

主持人：我想你们肯定见过那些做得很好的公司，他们全面采用了 AI，效率大增；也见过没成功的公司。你觉得两者之间的区别在哪里？

Dan：我觉得最核心的指标，就是看 CEO 自己有没有在用 ChatGPT 或者其他聊天机器人。如果 CEO 天天在用，边用边夸“这东西真酷”，那团队里的人自然都会跟着用起来。反过来，如果 CEO 觉得“这玩意儿跟我没啥关系”，那公司里就没人能真正带动这股风气了。结果要么是根本没人用，要么就是大家期望过高，实际用了发现没那么“神奇”，最后失望收场。而那些 CEO 自己深度使用的公司，既能点燃团队的积极性，又能设定合理的预期，推动 AI 真正落地，效果都相当不错。

举个例子，我们合作过一家规模 100 亿美元的对冲基金，叫 Walleye。我也采访过它的创始人，他们的做法就很典型：第一步就是给全公司群发邮件，宣布“我们要成为 AI 优先的公司”，号召大家“先了解、先尝试”。邮件里有句话我印象特别深：“这封邮件就是我用 ChatGPT 写的，你们也应该试试。” CEO 带头示范，效果立竿见影。

再比如，很多做得好的公司还会定期组织分享会：让大家交流新发现的实用 prompt 技巧和新应用场景；发送全员周报，内容包含“本周 ChatGPT 使用情况”、“哪些同事贡献了超赞的新提示词”等，营造出一种持续的热度和仪式感。

就像我之前说的，早期大概有 10%的同事是“探路者”，他们愿意花时间摸索尝试、总结经验。公司要做的，就是给他们舞台，把他们的成功经验快速复制给所有人，这样就能带动更多人高效地用起来。

主持人：虽然还早，但有没有一些明显成效衡量标准？

Dan：现在这个阶段还很早，很难具体量化。但整体上，那些应用得好的公司普遍感觉是：“在不增加人手的情况下，我们完成的工作量比以前大多了。”结果就是，同样的预算下，项目推进速度快了不少。

我目前还没看到企业说“好，我们要因此裁人了”，我也不想做那种鼓吹裁员的顾问，我不屑做这种事。 我们合作的公司目标都很明确：就是让现有团队发挥更大效能，产出更多成果。

再回到前面提到的‘岗位回流’现象，我确实看到一些公司（不是我们的客户）会说：“我们原本在海外设了个呼叫中心，现在只用一两个会用 AI 工具的美国本土员工，就能处理同样规模的客服量。” 虽然还没实现全自动，但这么一来，上百人的岗位被压缩成了几个，算下来成本跟外包差不多，还省去了跨国管理的麻烦。

成为通才，做个“管理者”

主持人：最后聊聊你提过的“资源分配经济”（allocation economy）。我理解，以前是“知识经济”，人们靠做具体事情赚钱；你认为我们正走向“资源分配经济”，即管理能力更值钱，我们会花更多时间做管理。

Dan：这其实是我两三年前的想法，那时 Agent 还没火起来。我当时想：“每天用这些 AI 工具，我到底在做什么？”

我发现，自己花大量时间做的，其实都是类似“管理”的工作：怎么清晰描述问题？如何收集有效信息？怎样组织问题才能让模型理解？该选哪个模型？如何分解复杂任务？怎么实时给模型反馈？如何设定目标和评价标准？这些环节，跟管理一个真人团队的核心工作一模一样。

想想看，一个新上任的经理常遇到的困境是什么？ 往往是：这事我不放心交给别人干，怕搞砸，结果自己累死累活还干不了多少事。”学会管理的关键，就在于懂得什么时候该介入把控细节、什么时候该放手让人去做，以及如何拆分任务、建立信任、做好复盘等等。本质上，指挥 AI 模型和带领人工团队，需要的核心能力是相通的。

目前，真正掌握这套方法的人还不多。但我相信，未来这种能力会越来越普及。因为当“管理”的成本被 AI 大幅降低后，每个人都能成为高效的管理者。

主持人：我看到你在文中提到，未来最值钱的技能是评估人才、制定愿景、把握品味，以及何时深入细节。还有一个相关观点是通才会越来越吃香。你提到 Every 团队里人人都是通才，能聊聊这个吗？

Dan：可能带点个人偏好，但我真心觉得 AI 最棒的地方，就是它能随时给你任何领域的知识支持。像我这样一天内既要写代码、剪视频、搞设计、写文章，ChatGPT 都能无缝跟上，随时提供帮助。

回顾历史，从古希腊到现代社会，人类通过不断专业化分工提升了效率。 但专业化也容易把人框住。古希腊雅典的公民其实是典型的通才：同一个人可能今天是战士，明天是法官或陪审员，甚至后天被推举为统帅。后来雅典扩张成帝国，打仗需要专业将军，精细的社会分工才真正开始。专业化确实推动了文明，但也让人失去了体验多重角色的乐趣。

而 AI 的出现，某种程度上逆转了这个趋势：现在你口袋里就像装着由“上万名博士”组成的智囊团，专门处理各种专业难题。这让你既能保持“多面手”的发展，又能应对专业挑战。这对创业公司尤其关键——像我们团队只有 15 个人，却能同时推进多个项目，而不必过度细分职能。

未来，也许更多小型组织会崛起。 每个人都能保持通才属性，发挥创造力，而不是像巨无霸公司里的螺丝钉，只重复单一操作。无论对经济发展还是个人成长，这都更有益。

原文链接：

https://www.youtube.com/watch?v=crMrVozp_h8