现在与 AI 协作，意味着每天要做几十次同样的判断：把任务交给代理，还是紧盯过程？Every CEO Dan Shipper 在周一站会上说：“AI 工作场景正在分叉。”一边是你委托的代理，另一边是在你写作、编码、分类、修改和决策时坐在身旁的代理。
观察 Every 团队的工作方式，你会发现这个分野无处不在。Dan 把协作文档编辑器 Proof 的 bug 报告委托给他的 OpenClaw 代理 R2-C2，但通过 Codex、Every 的 AI 邮件助手 Cora 和一份自定义规则文档的组合，他始终紧盯收件箱（下文可窃取他的工作流）。Kieran Klaassen 把复合工程工作流的中段交给模型，但在开始的头脑风暴和结尾的打磨阶段与它紧密协作。我（Katie Parrott）派模型去做研究，但绝不会在没有牢牢掌控方向盘的情况下让它执行完整草稿。
**这意味着“分配经济”论断只说对了一半工作。**部分工作确实需要委托，但另一半需要你保持紧密协作，在同一窗口中与模型配对完成每一步。这两半需要不同的技能，而元技能是知道哪个是哪个。
可以把它想象成 AI 版的宁静祷文：赐予我宁静去委托我能委托的工作，赐予我专业知识去陪伴模型完成我不能委托的工作，赐予我智慧去分辨两者的差异。
窃取这个工作流
用 Codex 实现收件箱清零
完美的邮件工作流是生产力爱好者追逐十年的白鲸，Dan 也不例外。他最新的 AI 原生版本把代理放在收件箱里，把人类放在共享文档中，每份草稿和每个决策都保持可见。以下是他的做法：
**1. 为你的收件箱写一页操作手册。**这份文档（Dan 保存在 Proof 中）列出他的 VIP，描述什么应该自动归档、总结或起草，并解释如何处理日程安排。
**2. 在 Codex 中打开你的代理原生邮件工具。**在 Codex 的浏览器窗格中，Dan 加载 Cora，这给了代理两种行动方式：用命令行指令归档线程——但也能像人一样点击浏览收件箱。
**3. 从文档而非邮件中工作。**Dan 让 Codex 为每次收件箱运行创建一个单独的 Proof 文档。Codex 扫描收件箱，按操作手册的指示归档，并将每份草稿或决策添加到文档底部。Dan 在行内回复：“垃圾邮件”、“归档”、“只回复 Willie 问他想怎么做”、“发送邀请，给 Tony 起草回复”。Codex 接收每条指令，在 Cora 中同步起草，同时 Dan 继续处理下一封邮件，并在发送前等待批准。
**本周试试：**写一页“如何处理我的邮件”文档，包含你自己的 VIP、自动归档规则、日程偏好和回复风格。然后打开 Codex，在浏览器窗格中加载你的邮件客户端，粘贴你的指令文档和这个提示词：
“使用这份操作手册扫描我的收件箱。把每份草稿和决策放在这个文档中，发送任何内容前等我确认。”
内部观察
委托 vs. 协作的智慧边界
AI 工作场景的分叉揭示了一个更深层的真相：不是所有工作都适合同一种 AI 协作模式。
委托适用于：流程明确、标准可衡量、错误成本可控的任务——比如 bug 报告分类、数据整理、常规代码重构。这些任务的特点是“我知道我想要什么，只是不想亲自做”。
协作适用于：需要判断力、创造性、或者“你不知道你在找什么直到你看到它”的任务——比如写作、战略决策、复杂问题诊断。这些任务的特点是“我需要在过程中保持思考”。
**元技能不是学会用 AI，而是学会在每个任务前问自己：这是委托还是协作？**错误的选择代价高昂——委托了需要协作的任务会得到平庸的输出，协作了应该委托的任务会浪费你最宝贵的资源：注意力。
Dan 的邮件工作流巧妙地混合了两者：归档和分类是委托（“按规则自动处理”），但起草和决策是协作（“放在文档里让我看，等我确认”）。这不是妥协，而是精确识别了邮件处理中哪些部分需要人类判断，哪些不需要。
随着 Codex 这样的工具成熟，我们正在见证“Codex 原生应用”的曙光——不是简单地把 AI 插入现有工作流，而是围绕委托与协作的分野重新设计工作方式。Cora 不是“带 AI 的邮件客户端”，而是为这种新工作模式从零设计的工具。
这就是下一代生产力工具的样子：不是让 AI 模仿你的工作方式，而是让工具帮你清晰地划出委托与协作的边界，然后在两者之间无缝切换。
基于文章：Codex 原生应用的曙光：委托与协作的分野
🌱 种子一：委托的悖论——为什么 AI 越强，判断力越稀缺？
文章提出"AI 工作场景正在分叉"：一边是委托，一边是协作。这个分野揭示了一个反直觉的真相——AI 能力越强，人类的判断力越稀缺，而非越多余。
MIT 的研究发现，在人类团队中，委托失败的核心原因是"信息不对称"——委托者不知道执行者遇到了什么，执行者不知道委托者真正想要什么。citation 但 AI 的特殊性在于，它不会主动告诉你"这个任务我做不好"。它会服从地执行，然后给你一个看起来合理但实际偏离目标的结果。
这就是为什么 Dan 的邮件工作流把所有决策都记录在文档中——不是为了监控 AI，而是为了建立共同知识。当你看到 AI 起草的每一封回复，你不仅在审阅结果，更在校准 AI 对你意图的理解。这种"透明的委托"本质上是一种持续的协作。
研究显示，人类与 AI 协作时，任务分配会从"协商"变成"指令"，协调从"互动"变成"单向"。citation 这意味着传统的委托理论在 AI 时代需要重写——委托不再是"交出控制权"，而是"保持注意力但释放操作"。
✨ Aha 瞬间
"在人类管理中，委托是为了节省时间；在 AI 协作中，委托是为了保持注意力——而注意力才是真正的驾驶权。"
🌱 种子二：协作的边界——什么任务不能委托？
文章指出：委托适用于"我知道我想要什么"的任务，协作适用于"我需要在过程中保持思考"的任务。但这个边界比看起来更微妙。
Katie 的例子最能说明问题：她派 AI 做研究（委托），但绝不让 AI 独立完成草稿（协作）。为什么？因为写作的价值不在于"产出文字"，而在于"在写作过程中思考"。如果你委托 AI 写完整草稿，你失去的不是"审阅时间"，而是"思考机会"。
这与主-代理理论的核心洞察一致：委托成功的前提是"目标可明确定义"。citation 但创造性工作的特点恰恰是目标在过程中涌现——你不知道你在找什么，直到你看到它。这就是为什么 Kieran 的工作流是：头脑风暴（协作）→ 中间执行（委托）→ 最终打磨（协作）。
更深层的问题是：当 AI 能完成 90% 的工作时，剩下的 10% 就是你的全部价值——而这 10% 往往需要你在整个过程中"在场"，而非事后审阅。这就是为什么"分配经济"论断只说对了一半：部分工作确实可以委托，但另一半需要你保持"全程在场但不全程操作"的状态。
✨ Aha 瞬间
"AI 时代最有价值的工作，不是'做'与'不做'的二分，而是'参与深度'的光谱——最稀缺的，是那些需要你'全程在场但不全程操作'的任务。"
🌱 种子三：界面即认知——为什么"代理在工具中，人类在文档中"？
Dan 的邮件工作流有一个反直觉的设计：代理在邮件客户端中操作，人类在文档中给指令。这不是技术限制，而是认知设计。
邮件客户端的界面强化"串行思维"——你逐封处理，读、回复、归档。但文档界面支持"整体审视"——你可以同时看到所有待处理项，重新排序，批量决策。界面即认知模式：不同的界面塑造不同的思维方式。
这就是"Codex 原生应用"的核心洞察：不是让 AI 适应人类的工具，而是重新设计工作流，让人机各自在最适合的界面中操作。代理在邮件客户端中"执行"（点击、归档、起草），人类在文档中"决策"（判断、批准、调整）。
这种分离还创造了一个隐藏价值：决策的可追溯性。当所有决策都记录在文档中，你可以回顾"我为什么做了这个决定"，建立自己的"委托 vs 协作规则库"。这正是文章建议的"培养元技能"的方法——不是靠直觉，而是靠系统化的反思和迭代。
研究显示，人类与 AI 协作时会增加 17% 的任务委托，但同时减少 62% 的直接编辑。citation 这意味着界面设计直接影响委托行为——如果界面让"审阅"比"操作"更容易，人们自然会更多委托。
✨ Aha 瞬间
"最好的人机协作界面，不是让人和 AI 挤在同一个屏幕里抢鼠标，而是给人和 AI 各自一个舞台——然后用对话把两个舞台连起来。"
你的思考空间
应用层面
- 审视你当前的 AI 使用：哪些任务你"全部委托"了但其实应该"保持参与"？哪些任务你"全程操作"了但其实可以"部分委托"？
- 尝试 Dan 的文档工作流：为你最耗时的工作写一页"操作手册"，然后让 AI 在文档中起草决策，你来审阅和调整。
批判层面
- "所有决策都可见"会不会导致"审阅疲劳"——让你陷入微观管理，反而失去了委托的初衷？
- "元技能是知道何时委托何时协作"——这个能力是可以训练的，还是说有些人天生更适合其中一种模式？
关联层面
- 将"委托 vs 协作"框架与你的其他工作流结合：哪些环节适合委托，哪些必须协作？边界在哪里？
延伸层面
- 如果未来 AI 能主动判断"这个任务需要人类参与"并请求协作，人机协作的边界会如何变化？
- "一个应用统治所有知识工作"——这是效率的终极形态，还是会导致新的"工具锁定"和"认知单一化"？