你的 AI 是一个专家团队
原文：https://every.to/context-window/your-ai-is-a-team-of-specialists
你好，周日愉快。我们为 All Access 会员提供的 Builder Pack 新增了两款工具：Paper Pro，一个能将你的工作成果转化为代码的设计画布；以及 Mobbin Team，一个收录了超过 60 万张已发布产品截图的资源库。这两款工具都能接入 Codex、Claude Code 和 Cursor，使得 Builder Pack 的总价值超过了 9,000 美元。上周五，我们为 All Access 订阅者举办了首次线上答疑会，展示了我们如何在 Every 内部使用这个套件，并现场处理了会员的项目。本周，付费订阅者还解锁了来自 Every 团队的 14 个语音转文字工作流、一个 Codex 到 Codex 的交接流程，以及来自 Kieran Klaassen 的一份技能审计方法。——Kate Lee
知识库
“OpenAI 为智能体时代重塑软件开发的内部竞赛”_ 作者：Laura Entis_：Laura 采访了 OpenAI 基础设施团队的六名成员——包括其应用基础设施工程副总裁——探讨了三股正在汇聚的压力：AI 生成代码的海量涌现、软件开发基础设施被推向极限，以及代码审查和可靠性保障方式的根本性重塑。阅读此文，提前预见每个软件组织即将面临的局面。
🔏 “用语音更快地构建”_ 作者：Naveen Naidu 和 Laura Entis/Guides_：我们关于语音工作的权威指南。与智能体配合，语音省去了翻译环节，让你能根据客户电话或一个未成形的想法直接行动，而无需先写下来。Monologue 总经理 Naveen Naidu 梳理了每个语音工作流都会遵循的五步循环。付费订阅者将获得来自 Every 团队的 14 个工作流库——包括增长主管 Austin Tedesco 如何将全体会议转化为摘要，Kieran 如何打磨应用并将语音笔记储存为“活的记忆”，以及 Daniel Rodrigues 如何通过口述构建定制化设计工具。
🔏 “将 Fable 视作 CEO”_ 作者：Laura Entis/Context Window_：我们的工程师开始将 Anthropic 的模型描绘成一个公司组织架构图——Fable 是 CEO，Opus 5 是高级工程师，Sonnet 5 是初级工程师——随着各大实验室从昂贵的通用模型转向一种“模型混合”结构，让专业化的模型在同一个框架内协作，平台负责人 Willie Williams 指出了这一点。文内还有： “Claudish”风格的兴起；“每日主力模型”，即团队本周正在使用的模型清单；以及一个“拿走即用的工作流”，关于运营主管 Arielle Shipper 和 Austin 如何让他们的 Codex 智能体相互交接工作。
🔏 “驯服 Opus 5”_ 作者：Katie Parrott/Context Window_：在评估 Opus 5 之后，Every 团队的其他成员用整个周末与该模型相处——它桀骜不驯的本性依然，但他们找到了驯服它的方法。文内还有：一个“拿走即用的工作流”，展示 Flora 如何将一张参考图转化为可复用的创意系统；第二个工作流“是技能问题还是模型问题？”，用于审计那些为旧模型编写的指令是否正在损害新模型的表现；以及为何一次性的 AI 视频游戏演示会淹没社交信息流。
“如果 Slack 成为你的 AI 指挥中心”_ 作者：Laura Entis/Context Window_：高级应用 AI 工程师 Nityesh Agarwal 论证了 Slack 是智能体工作最佳且与模型无关的操作系统，并展示了他如何构建出一个这样的系统。文内还有：关于 Block 公司 CEO Jack Dorsey 也将 Slack 视为智能体交互界面的信号；一个工具聚焦：“破坏性指令守卫”（Destructive Command Guard），这是一种防止 GPT-5.6 Sol 删除不该删内容的防护措施；以及来自《连线》杂志联合创始人 Kevin Kelly 的一期《AI & I》播客精选。🎧 🖥 可在 Spotify 或 Apple Podcasts 收听，在 X 或 YouTube 上观看，或阅读文字记录。
“AI 时代的三个新习惯”_ 作者：Xinran Ma_：产品设计师 Xinran Ma 为超过 44,000 名订阅者撰写《Design with AI》newsletter，他辞去了企业设计工作，成为自由职业者。通过独立工作，他学会了不再等待确定性，不再通过二手信息形成对工具的看法，也不再期待自上而下的许可。阅读此文，了解为自己工作能教会你哪些关于与 AI 协作的道理。（这是与 Maven 合作的“去学习”系列的第二篇文章。）
上手实践
亲手体验 Every 如何使用 AI。以下是团队成员教授我们工作背后工作流的实时训练营、研讨会和见面会。
即将举行的训练营
语音模式训练营：一场面向付费订阅者的一小时线上课程，时间为 8 月 7 日星期五。Every 团队将演示用于写作和智能体编排的实用语音工作流，帮助你上手，并解答你的疑问。立即报名。
往期训练营
All Access 答疑会：我们为 All Access 会员举办的首次答疑会，一场于 7 月 24 日星期五举行的一小时线上会议。Every 团队展示了如何在内部使用 Builder Pack 工具，并现场处理了会员的项目。观看回放。
来自 Every Studio
Monologue 已听写超过 5 亿个单词
Monologue 本周听写的单词量突破了 5 亿大关。去年 9 月刚推出时，它仅在 Mac 端每周就能生成约 100 万单词；如今它已在 Mac、iPhone 和 Apple Watch 上运行，Naveen 本周还为它建了一个新主页：monologue.to。
Spiral 的终审能捕捉到更多“AI 味儿”
Every 旗下的写作工具 Spiral 会在其生成的每一篇草稿上进行一次顶级编辑，而这次修改现在能够捕捉到更多 AI 暴露自身的表达方式：虚张声势的权威感（如“研究表明”、“专家们一致认为”）、夸大其词的重要性（如“标志着一个关键时刻”）、故作深度的句式（如“大多数人都误解了一点”）、千篇一律的“总之”式结尾，以及“简化”、“稳健”、“范式转移”之类的词。随着模型养成新的习惯，Spiral 会不断扩充其需要剔除的内容列表。
校准
旧伤疤。 硅谷历来偏爱外来者，因为拥有全新视角的人能看到行业老手们已无奈接受的荒谬之处。有时，这种天真对风投家来说价值数十亿美元，他们花了数年时间寻找下一个 Patrick 和 John Collison——两人创立 Stripe 时都是程序员，而非支付行业的资深高管。
但 AI 正在改变投资者对创始人的要求。数字健康风投基金 Rock Health 在其发布的《2026 年上半年融资报告》中指出，它已停止将初创公司描述为“AI 赋能”，因为这项技术已过于普及，无法再用以区分公司。投资者和买家转而追问：“有什么是 AI 单独无法提供的？”
一个答案是深厚的领域专业知识。Rock Health 发现，那些曾在自己所售产品的医疗健康机构内部工作过的创始人，更能识别可解决的问题，并且能“通过买家的眼睛看问题”。这其实并不高深：一位临床医生或医院管理者心里清楚，哪些看似荒唐的限制条件是无法仅仅通过设计绕过去的。更重要的是，他们知道哪些问题值得追问，哪些问题值得花上数年时间去解决。
医疗健康领域正让专业经验的价值变得格外显眼，但我认为，这一价值不会仅限于此领域。法律、金融、制造和教育等行业全都依赖于那些绝不会出现在模型训练数据中的隐性知识——而向这些行业销售，需要的是那些理解其非官方工作流和相互制衡激励措施的人。
虽然我们依然需要拥有全新视角的人，但我相信，最优秀的创始人将需要那些旧的伤疤。——Ashwin Sharma
核心启示：当 AI 本身不再是差异化优势时，对一个行业内部矛盾与隐性规则的切身体会，即那些“旧伤疤”，反而成了创始人最深、最难以被替代的护城河。
Your AI Is a Team of Specialists 的发芽报告
材料核心
Every团队正在观察到AI开发范式的根本性转变：从依赖昂贵、全能的大模型，转向一个由“专家模型”组成的结构——就像公司组织架构一样，不同模型扮演CEO、高级工程师、初级工程师等不同角色。这种“混合模型”结构正在软件开发和创业投资等领域引发连锁反应。
发芽 01：从“全栈超人”到“组织架构图”——为什么AI团队正在学习人类的组织方式
种子
材料中提到的“混合模型”结构（mixture-of-models），表面上是技术分工，深层却是一种认知论转向：人类终于承认，即使是AI，真正的能力也来自于“专业化协作”，而不是“全知全能”。
长期以来，AI行业的圣杯一直是通用人工智能（AGI）——一个能完成任何智力任务的单一模型。但Every团队的做法暗示了一个更务实的路径：不是让一个AI变得无所不能，而是让多个各有所长的模型像公司一样运转。Willie Williams将Anthropic的模型描述为组织架构图——Fable是CEO，Opus 5是高级工程师，Sonnet 5是初级工程师——这不是比喻游戏，而是对知识本质的重新理解。
这种转变在组织管理领域有一个历史参照：20世纪初期，弗雷德里克·温斯洛·泰勒的科学管理理论试图将工人视为可替换的零件，每个人执行标准化的单一任务。这个体系在效率上取得了惊人成功，但在创新上却乏善可陈。而1990年代彼得·德鲁克提出的“知识工作者”概念，则承认不同类型的专业知识需要不同的处理方式和协作结构。德鲁克在1999年《21世纪的管理挑战》中强调，知识型组织的核心挑战不是“把事做对”（efficiency），而是“做对的事”（effectiveness）——这需要判断力和上下文理解，而不是单一维度的优化。
AI行业现在遇到了类似的分岔口。一个GPT-5级模型在开放式对话中展现的流畅性，与一个在特定领域做深度推理的专家模型之间的差异，恰如一个全能型通才和一个有着15年行业经验的专家之间的差异。材料中Rock Health的报告触及了同一问题的另一端：医药投资者不再问“你是否用了AI”，而是问“你有什么是AI无法单独提供的”。答案——领域专长、隐性知识、“旧伤疤”——正是指向了同一件事：价值来自于对特定上下文的深度理解，而不是通用能力。
Aha 瞬间
“AI的进步不在于造出一个无所不知的神，而在于学会像人类的组织一样，让不同的智慧形态在正确的时刻做正确的事。”
发芽 02：“旧伤疤”的经济学——为什么AI时代最有价值的不是新鲜眼光
种子
Ashwin Sharma在“Alignment”板块中提出了一个反直觉的观点：“最好的创始人需要的不是新鲜眼光，而是旧伤疤。”这意味着，在AI能力日臻成熟的今天，创业者最有价值的资产不是对技术的前沿理解，而是那些从未被写进训练数据里的隐性知识——那些只有真正在某个行业里撞过南墙、见过荒唐事、被体制毒打过的人才知道的事。
这个观点挑战了硅谷长期以来的“门外汉神话”。但更值得深究的是：为什么隐性知识在AI时代反而升值了？
这里有一个经典理论可以解释：化学家兼哲学家迈克尔·波拉尼在1966年出版的《隐性维度》中提出了一个著名论断——“我们知道的，比我们能说出来的多得多。”（We can know more than we can tell.）波拉尼指出，人类的技能包含大量无法被形式化的知识：从骑自行车时的平衡感，到医生诊断时一眼就察觉不对劲的直觉。这种知识无法从书本上学到,只能通过实践和时间的积累获得。
在AI时代,波拉尼的观察具有了全新的意义。大型语言模型的训练数据囊括了人类几乎所有被写出来的知识——书籍、论文、代码、对话。但那些从未被形式化的东西——医疗系统里“不能碰”的潜规则、某个行业的权力暗流、为什么一个看起来完美的方案在过去六年里先后失败过四次——这些就是“旧伤疤”。AI很难获得这类知识，因为它们不存在于文本中，只存在于记忆、直觉和看破不说破的默契里。
这与材料中Rock Health的发现形成呼应：医疗创业者如果曾在要销售的对象机构里工作过，就能“看到买家的视角”，识别出哪些看似荒谬的约束其实不能被简单地设计掉。换个角度看,这其实是组织社会学家埃弗雷特·休斯所说的“脏活”（dirty work）——那些不能被自动化或标准化,必须在场、必须体感、必须承担后果的认知劳动。这些旧伤疤之所以值钱，恰恰因为AI无法挨揍。
Aha 瞬间
“当所有明面上的知识都可以被AI调用时，那些从未被写下来的伤疤,就成了最后的护城河。”
你的思考空间
如果你自己的工作可以被拆解成一个“组织架构图”，哪些任务是“CEO级”的判断，哪些是“高级工程师级”的深度执行，哪些应该外包给“初级模型”？你现在的精力和时间分配是否符合这个架构？
“旧伤疤”这个概念是否过于浪漫化了失败经验？有没有一种可能：某些“旧伤疤”只是行业惯性，而真正有价值的创业者恰恰是那些没有被这些伤疤限制住想象力的“门外汉”？
如果“混合模型”取代“通用模型”成为主流，个人在使用AI时的策略应该怎么改变——是从追求最强大的单一模型，转向学习如何编排多个专业模型协作？这会不会对提示词技巧提出全新的要求？