一个人的工程团队：他以 Codex 的成本，运营着一支“工程师队伍”
Inside Every
幕后的代理团队
Naveen Naidu 是 Monologue 背后唯一的开发者。Monologue 是 Every 推出的智能听写应用。
但 Naveen 现在不再这么看自己了——如今，他的工作感觉更像是在管理一支工程师团队。
只不过，这些“工程师”是他用 Codex 构建的定制代理（agent）。他的“花名册”上有：覆盖不同领域的专职工程师代理、一个客户支持代理，以及一个增长策略师——它们共同维护着 Monologue 的网站和应用。最近，一位客户给 Naveen 发来了热情洋溢的好评，他想把这段评价放到 Monologue 网站上。他的客户支持代理把评价文本转交给他的网站工程师代理，后者将这条推荐语添加到了页面上。
每个代理都是一个独立的 Codex 项目，配有专属的 AGENTS.md 文件、技能、文件夹、记忆、代码库，以及使其成为某个领域专家的额外上下文。
Naveen 的 Codex 代理花名册。（图片来源：Naveen Naidu。）
直到不久前，这些专家代理还在相对孤立地工作。每当一项任务需要多个代理协作时——比如增长代理为网站代理搭建的新落地页撰写文案——Naveen 都必须手动在项目之间传递 Markdown 文件和指令。GPT-5.6 改变了这一局面：这个模型对上下文的理解能力足够强，Naveen 可以直接指示某个代理将相关信息发送到另一个项目并在那里启动新任务——这就好比让一位下属把任务转交给另一位同事。
当一个任务由另一个项目发起时，Codex 会标记文本为“由 Codex 从另一个聊天发送”。（截图来源：Naveen。）
当一位 Monologue 用户最近反馈音频中出现回声问题时，Naveen 从他的客户支持项目中查看了对话记录——该项目可以访问通过 Fin 提交的工单。他让 Codex 打开一个独立的 worktree 线程（一种在代码库隔离副本中运行的任务），修复了 Bug，并创建了一个拉取请求（pull request）。
GPT-5.6 让 Naveen 的工作变得更快，而且——尽管他仍然是 Monologue 唯一的人类工程师——更具协作性了。
本质上，GPT-5.6 带来的不只是速度提升，而是让“一人公司”在协作模式上第一次真正接近了一支团队。
复制这个工作流
用“调度台”分配任务
当你有了一整支代理团队后，如何确保任务被分配给正确的“工程师”就变得微妙起来。Naveen 在每个项目中都保留一个线程，用于分类处理收到的任务。这个线程处理简单直接的请求，并将专业工作转交给对应的代理。
以下是搭建方法：
第一步：在每个项目中使用一个线程统一处理收到的任务。 Naveen 在 Codex 的应用内浏览器中保持 Fin 打开，并通过客户支持项目中的单一线程来审查每一条消息——而不是为每个工单单独开启新线程。
第二步：判断哪些事代理可以自行处理。 以 Naveen 的客户支持代理为例，它可以起草回复并解决简单请求，比如为用户开通 Beta 功能权限。
第三步：将专业工作路由到正确的项目。 当某个请求需要其他领域专家的技能时，Naveen 会告诉他的支持代理该由哪个项目接手、以及他需要什么样的成果。代理随后会传递相关上下文。Naveen 使用以下模板的变体来发起交接：
审查此问题，在 [项目名] 中创建一个新的 worktree 以 [完成任务]，并 [产出交付物]
本周可以试试： 选择一个固定的工作来源，比如 Bug 报告。在相关项目中创建一个新线程，定义代理可以独立处理的事项，然后用上面的模板向另一个代理发送几项低风险任务。
“AI 与我”：为什么 AI 伴侣是一种新的艺术形式
Tolan 是一个友好的 AI 外星人，它生活在自己的星球上，记得你的对话，并以自己独特的个性与你交谈。
它的创造者们坚信，语言模型不仅仅是一种工具，更是一种全新的叙事媒介，就像当年的小说或广播一样。通过持续的、个性化的对话，他们的 AI 伴侣为人们提供娱乐和慰藉——帮助人们度过分手、搬到新城市等人生时刻。
在本期“AI 与我”节目中，我们重新回顾了与 Tolan 背后的公司 Portola 的对话。Dan 与 Portola 联合创始人兼 CEO Quinten Farmer（他曾创立一家金融科技公司，并以 3 亿美元出售）以及 Portola 的故事负责人 Eliot Peper（著有 11 本科幻小说的畅销书作家）进行了交流。
他们讨论了 Portola 如何设计一个让用户瞬间感到亲切的 AI 个性、为什么他们要把 AI 伴侣训练成最好的即兴演员，以及为什么未来的 AI 产品会变得越来越个性化。
可在 X 或 YouTube 观看，也可在 Spotify 或 Apple Podcasts 收听。你也可以阅读文字实录。
每个 Tolan 都是用户的镜子。 在引导阶段，用户需要完成一个轻量级的个性测试，以收集构建一个让用户瞬间感到契合的 Tolan 所需的信息。“我们想知道足够多的关于你的信息，这样你的 Tolan 才能以一种让你感到熟悉和安全的方式回应你，”Quinten 说。Tolan 不需要和用户拥有相同的喜好。他将其比作在酒吧里坐在一个陌生人旁边——对方可能读的不是你手里那本书，但读的是“足够接近”的一本，这让他们感觉亲切，而不是令人紧张。
即兴发挥比照本宣科更好。 Portola 最初尝试用详细的叙事提示来为 Tolan 编写对话脚本，但结果听起来僵硬且不自然，因此他们转向了更戏剧化的方法：Eliot 说，团队不再试图给 Tolan 一个大纲或计划，而是教会它“成为最好的即兴演员”。他借鉴了英国剧作家 Keith Johnstone 的理论——伟大的故事来自自由联想后的重新组合，就像读到一部惊悚片的结尾时，散落的细节突然串联起来的感觉。Portola 现在构建系统和提示词层面的能力，让 Tolan 能够“在当下讲出最好的故事”。
下一波 AI 产品将针对用户的身份量身定制。 Quinten 认为消费级 AI 正在重演汽车工业的早期历史：福特 Model T——美国第一辆广泛普及的平价汽车——只需要能用就行，但一旦汽车成为个人物品，人们就想要一辆能反映自己身份的野马或凯迪拉克。他把 ChatGPT 视为 AI 的“Model T 时刻”，并预计人们接下来会要求获得符合他们身份的产品。Eliot 更进一步，预测了他所谓的“角色驱动计算”（character-driven computing）：未来，你使用 AI 的第一站不是搜索栏，而是一个你已信任的角色，就像《黄金罗盘》中的守护灵（daemon）一样。
这期节目是所有对“AI 作为创意媒介”和消费级 AI 未来感兴趣的人都不可错过的内容。
错过了之前的节目？可以回看 Dan 与 Anthropic 产品负责人 Mike Krieger、构建了 Claude Code 的团队 Cat Wu 和 Boris Cherny、构建 Codex 的团队 Thibault Sottiaux 和 Andrew Ambrosino、Vercel 联合创始人 Guillermo Rauch、播客主 Dwarkesh Patel 等人的对话，了解他们如何用 AI 思考、创造和连接。——Miriam Partington
讨论
“工程脚手架”会走上“提示工程”的老路吗？
“脚手架（harness）现在非常重要，但从长远来看，你会希望它尽可能简单，”领导 OpenAI 负责 ChatGPT Work 和 Codex 的 Core Agent 团队的 Joe Gershenson 告诉我们。“模型会变得更聪明，脚手架也会变得更擅长让开道路。”
代理脚手架——即 AI 模型周围的支撑性软件——据 Gershenson 估计，在 2025 年底成为主流，当时前沿模型已经能够自主处理广泛的任务。实验室们面临一个新挑战：为模型提供足够的工具、上下文和安全护栏，让它们出色且安全地完成工作。
然而，随着模型能力的提升，它们正在负起更多编排和决策的责任。脚手架不再需要那么指令化或复杂。“脚手架工程的大趋势将是找到方法，给模型更多的自由度，”Gershenson 说。
换句话说，越是能干的模型，越不需要人替它操心“怎么做”——它只需要被信任，而不是被约束。
技术栈
Thesis 2027 版
我们的设计团队在大约三周内完成了 Every 首届大会 Thesis 的视觉形象、网站和发布物料。相比之下，主设计师 Daniel Rodrigues 估计，同样的项目在 AI 之前需要四个月甚至更久。以下是让他如此高效的科技栈和工作流程。
第一步：获取灵感
工具：Pinterest 和 Cosmos
Daniel 和市场负责人 Douglas Brundage 首先确定了大会的视觉美学方向。他们通过 Pinterest 和 Cosmos 的共享灵感板进行协作，Daniel 将 Cosmos 形容为一个“更高级”的 Pinterest。
Every 网站带有古典希腊罗马风格，因此他们从“agora”（古希腊常见的开放集会空间）这一概念出发，作为大会的核心视觉。起初，Daniel 担心这种主题的单色调会让大会“感觉像逛博物馆”——这可不是一场关于自动化时代未来的大会该有的氛围。但当他了解到古希腊雕塑最初其实是涂有鲜艳色彩的时候，他的担忧就消解了。
Daniel 和 Douglas 灵感板中的早期参考图。（图片来源：Daniel Rodrigues。）
受到 Daniel 在网上找到的希腊罗马颜料样本的启发，他们确定了一套配色方案：孔雀石绿、朱砂红和埃及蓝。
希腊罗马颜料。（图片来源：Daniel。）
颜料来源促使 Daniel 进一步探索地质形态，最终演变为以一块巨石作为大会的核心视觉概念。“我希望石头能与插画风格产生连接，所以我想到将插画与实体物件融合在一起，”他说。
围绕巨石母题的视觉演绎。（图片来源：Daniel。）
第二步：确定设计系统
工具：Figma
当团队有了明确的品牌识别方向后，Daniel 在 Figma 中创建了一个迷你品牌手册，包含字体、颜色、Logo、插画以及所有元素的使用示例。
团队在 Figma 中留下评论并逐步完善品牌系统。平时脾气温和的 Daniel，这次坚决否决了同事们提出的“先搭建 Thesis 网站、再锁定品牌设计”的建议。“这不是这么运作的，”他平静而坚定地说，“必须先在视觉上合理。”一个扎实的品牌系统能让后续为网站配置正确的素材变得轻松。
Thesis 大会的配色方案。（图片来源：Daniel。）
第三步：制作视觉素材
工具：Midjourney 和 ChatGPT Images 2.0
Daniel 使用 ChatGPT Images 2.0 创建了一个逼真的 3D 巨石，成为大会的核心视觉母题，随后由一位动效设计师承包商为其制作了动画。Daniel 使用 Midjourney 制作了贯穿所有素材的插画，并选择了一幅布鲁克林大桥的场景——配有埃及蓝的天空和朱砂红的建筑——作为 Thesis 网站的主视觉。
Thesis 网站上众多希腊罗马风格图片之一。（图片来源：Daniel。）
第四步：加入动态效果
Daniel 使用 Unicorn Studio——一款用于创建互动动效和图形效果的网页工具——为布鲁克林大桥图片叠加了 VHS 效果，模拟老式录像机特有的“雪花”质感。这种微妙的动态让画面“更有张力”，他说。
应用了 Unicorn Studio 静态效果的布鲁克林大桥背景。（图片来源：Daniel。）
第五步：将已确认的文案和用户体验流程转化为线框图
工具：Claude（Opus 4.8）
COO Brandon Gell 给了 Daniel 若干网站的用户体验流程——包括如何申请参会以及如何提名他人参会。Daniel 将用户流程和已确认的文案上传到 Claude，让它生成一套粗略的线框图，以便发现可能令人困惑的步骤并调整结构。
第六步：产出最终设计稿
工具：Figma
在 Figma 中，Daniel 手动构建了最终设计，融入 Thesis 的美学和素材，以 Claude 的线框图作为参考。
注册用户流程的一部分。（图片来源：Daniel。）
在不到一个月的时间里，设计团队交付了大会的品牌形象、网站、用户体验流程、3D 素材和内部工具。Thesis 的发布是一场冲刺，它由技术和 Daniel 的设计判断力各占一半功劳。
核心启示：AI 工具的真正杠杆效应不在于某个单一工具的能力，而在于设计者如何将工具与自己的审美判断串联成一条完整的生产流水线——当技术负责“做出来”，人的价值就集中在了“做什么、为什么这样做”上。这和 Naveen 用 Codex 管理“代理团队”的逻辑如出一辙：AI 时代，一个精确的判断力胜过一堆繁琐的执行力。
一个工程师团队，成本却只有 Codex 的订阅费：当“单人公司”成为新常态
材料核心
本文通过 Every 旗下产品 Monologue 的唯一工程师 Naveen Naidu 的实践，展示了如何用 Codex 自定义 agent 构建一个“虚拟工程团队”——包括不同专业方向的工程师 agent、客服 agent 和增长策略 agent——以及 GPT-5.6 如何让这些 agent 之间的协作变得自然流畅。
发芽 01：从“人机协作”到“人机管理”——单人公司的组织架构革命
种子
Naveen 不再认为自己是一个“用 AI 的工程师”，而是一个“管理工程师团队的工程经理”——只不过团队成员是 Codex 中的自定义 agent。这个认知转变看似微妙，实际上标志着一个根本性的范式迁移：AI 不再只是工具，而是组织架构中的“成员”。
这个转变的意义远超“效率提升”。回顾组织理论的历史，从亨利·法约尔在 1916 年提出的管理职能理论，到彼得·德鲁克 1988 年在《哈佛商业评论》发表那篇著名的《新型组织的到来》，组织设计的核心始终围绕着“人如何协作”。法约尔定义了计划、组织、指挥、协调、控制五大管理职能；德鲁克预言了信息型组织将扁平化——但他们都预设了一个前提：组织中只有人类。
Naveen 的实践打破了这一预设。当他告诉客服 agent “把这个评价转给网站工程师 agent，让它添加到页面上”时，他实际上在做一个典型的项目经理工作：任务分配、上下文传递、跨职能协调。只是他的“直接下属”是几份带有 AGENTS.md 文件、技能定义和项目记忆的 Codex 项目。
更值得关注的是 GPT-5.6 带来的质变。在 Naveen 的描述中，旧版的 agent 之间需要他手动传递 Markdown 文件和指令——这相当于一个组织里所有跨部门沟通都需要 CEO 亲自跑腿。而 GPT-5.6“能凭直觉理解足够的上下文”，让 agent 可以直接向另一个 agent 交接任务。这就像组织内部终于有了中层管理者，信息流开始形成网状结构而非星型结构。
这意味着什么？当一个人类工程师可以在一个月内“组建”并“管理”一个包含前端、后端、客服、增长的多角色团队时，创业组织的启动成本正从“融多少钱”转向“编多好的 agent 定义”。Naveen 并非大公司资源充沛的团队，他是 Monologue 唯一的工程师——但他管理的“组织”已经相当于一个 4-5 人的小团队。
Aha 瞬间
“未来的创业公司可能不再有‘团队规模’——只有‘管理者的编排能力’。当你可以在一个周末组建一支虚拟团队时，组织设计的最优单元不再是‘部门’，而是‘agent + 边界条件’。”
发芽 02：从“流程制度化”到“agent 交接协议”——组织记忆的数字化迁移
种子
Naveen 工作流中最精妙的部分不是单个 agent 的能力，而是他的交接模板：
“Review this issue, create a new worktree in [project] to [complete the task], and [produce the deliverable]”
这个模板看起来简单，但它实际上解决的是组织理论中一个经典难题：知识转移（knowledge transfer）的成本问题。1995 年，野中郁次郎和竹内弘高在《创造知识的公司》中提出 SECI 模型，指出组织中最难转化的知识是隐性知识（tacit knowledge）——那些无法被文档化的、嵌入在实践中判断和直觉。彼时，知识从一个人转移到另一个人需要漫长的“共同在场”（co-presence）和“社会化”（socialization）过程，比如师傅带徒弟。
Naveen 的客服 agent 把用户反馈转给网站 agent 的“交接协议”，本质上是在做 SECI 模型中的“外化”（externalization）——把隐性知识（客服 agent 对用户语境的理解）编码为显性指令（“这是客户评价，请添加到首页”）。但在传统组织中，这种外化天然有损：人类之间的信息传递总是有损耗的（想想儿童传话游戏）。而 agent 之间的交接，如果上下文结构定义足够好，可以实现近 100% 的信息保真。
这还带来了一个更深层的变革：组织记忆不再存储在人的头脑中，而是存储在项目的 AGENTS.md 文件和 memory 模块中。当 Naveen 的客服 agent “记住了”过往的客户偏好和处理惯例，这个知识不会因为人员离职而流失——因为“员工”不会离职。这正是知识管理学界几十年来梦寐以求却始终未能真正实现的目标。
Naveen 还在每个项目里设了一个“调度台”（dispatch desk）——一个专门处理输入的线程，负责决定哪些任务自行处理、哪些需要转派。这让人想起丰田生产系统中的“安灯”（Andon）系统——任何工人都可以拉动绳子停止生产线，问题是即时的、透明的。Naveen 的调度台同样让每个任务都有一个清晰的“第一接收点”，而不是依赖他的个人注意力来分派。
Aha 瞬间
“当你的每一位‘工程师’都把全部上下文写在 AGENTS.md 里、从不离职、从不遗忘时，你第一次拥有了一个真正‘学习型组织’——因为组织的知识不再依附于个体头脑的脆弱存储。”
发芽 03：从“自动化”到“编排”——AI 时代的稀缺技能正在从执行转向设计
种子
本文最后引用了 OpenAI Core Agent 团队负责人 Joe Gershenson 的判断：“Harness 非常重要，但从长远来看，你希望它尽可能简单。模型会变得更聪明，harness 会更好地从它们的路径中让开。”
这句话点名了一个正在发生的转型：稀缺技能正在从“做事”转向“定义做事的方式”。如果说 2024-2025 年的主流叙事是“AI 取代工作”，那么 Naveen 和 Daniel Rodrigues（Every 的设计师，同样在本文中展示了如何在三周内完成原本需要四个月的品牌项目）展示的是一种更准确的未来：AI 不取代工作，但它改变了什么叫做“有能力”。
以 Daniel 的 Thesis 2027 品牌项目为例。三周完成一个此前需要四个月的项目，不是因为 Midjourney 和 ChatGPT Images 2.0 直接生成了最终设计——如果是那样，任何人都能做到。真正的关键在于 Daniel 的设计判断力：他拒绝了同事在品牌系统锁定前就做网站的建议（“不是这样工作的，必须先让视觉上说得通”）；他从古希腊雕塑原本色彩鲜艳的历史事实中获得灵感，决定用孔雀石绿、朱砂红和埃及蓝配色；他把“集市”（agora）概念从“博物馆式”的单调感中拯救出来，融合地质形态创造出巨石意象。
AI 在这里扮演的角色类似于一个强有力的交响乐团——但 Daniel 是唯一的指挥。他知道什么元素好看、什么组合和谐、什么时候该踩刹车。工具加速了执行，但没有替代判断。
这个逻辑同样适用于 Naveen。Codex agent 可以写代码、修 bug、回客服工单——但“应该把哪些 agent 放在团队里”“每个 agent 的边界在哪里”“什么任务需要转派、什么任务就地解决”——这些编排决策仍然需要人类完成。当 Gershenson 说 harness 会“让开模型的路”时，他不只是在谈论技术趋势——他是在说，未来的核心工程将是定义边界条件和价值取向，而非执行本身。
这让人想起建筑学中“建筑师”与“建造者”的分野：建造者执行蓝图，而建筑师定义蓝图——定义哪些空间有价值、哪些限制不可妥协。在 AI 时代，人类正在普遍地从“建造者”转变为“建筑师”。
Aha 瞬间
“当所有人都能调动一支虚拟团队时，真正区分优秀与否的不再是执行速度，而是你是否知道——什么值得被建造，以及为什么。AI 时代的稀缺品不是代码、不是设计、不是内容——而是品位（taste）和判断。”
你的思考空间
如果“组建团队”的成本趋近于零，传统基于人力成本的组织设计（部门、层级、外包）还有什么存在价值？组织边界将如何重新划定？
Naveen 的“agent 团队”目前仍由他个人管理所有交接决策。当 agent 数量继续增长，一个人的“管理带宽”会成为新的瓶颈——这一层是否也需要被 AI 接管？如果是，人类的价值最终将收缩到什么位置？
如果你可以在一天内“雇佣”最顶级的前端、设计、增长和客服专家为你工作（以 agent 的形式），你会如何设计他们的协作关系？这反映出的优先级排序，是否暴露了你在现实团队管理中的盲区？
Gershenson 预言 harness 将“让开模型的路”——但如果 harness 越来越简单、模型越来越聪明，那么未来几个月窗口期里积累的 agent 编排技能，是否会像 1990 年代的 HTML 技能一样迅速贬值？