介绍 Every Agent
TL;DR：今天我们正式发布 Every Agent——一位驻留在 Slack 里的智能体同事，帮助你给整个公司"AI 化"（AI-pill）。你可以把复杂工作委派给它，与团队分享你最好的 AI 实验，还能收到个性化的 Frontier Alerts（前沿提醒）：当有新模型或新工具发布时通知你，并告诉你哪些可能对你们的具体工作流有用。而且所有 token 都是零加价：我们付多少，你就付多少。今天就试用 Every Agent。
我们的工作，就是始终站在 AI 的最前沿。但即便在 Every，把新的 AI 工作流和工具变成全团队的习惯，也并不容易。
比如，我会满怀爱意地克隆我们的主编 Kate——把她过去 30,000 条编辑修改记录做成一项技能，让我们能像她那样编辑。但让这项技能被采用，就像对着飓风喊话。大家都很忙，没时间去尝试每一项新技能或新工具。对我来说是突破的东西，最终往往变成他们待办清单最底下又多出来的一件事。
我们发现，最好的解决办法，是用一个住在你 Slack 里的公司智能体，公开地工作。它让你能"做给同事看"，而不是"讲给同事听"。新的 AI 工具和工作流就能自然而然、像病毒一样在整个组织里传播开来。
这就是我们打造 Every Agent 的原因。
Every Agent 是 Slack 里的一位 AI 同事，帮助你给整个公司"AI 化"。我们先是为自己打造它，来解决像我遇到的这类情况。
当我克隆了 Kate，我不再逢人就推销我的新编辑技能，而是把它装进这个智能体。之后，每当我们处理一篇新稿子时，我就会发一句："@Every，给这份草稿做一次 Kate Pass。"智能体就会直接在 Google Doc 里留下它的建议，同事们能看到它做了什么，并在自己的草稿上试用。
现在，它已经是我们 Every 工作方式里的标准环节——无需任何解释。
到现在将近六个月，我们一直用 Every Agent 一起完成工作。它已经变得不可或缺，让我们整个团队能一起在前沿工作。
今天，我们把它开放给你。
Every Agent 具备你对顶级智能体同事的所有期待：整个团队都能在 Slack 里委派复杂任务——从 pull request（拉取请求），到营销方案，再到财务或数据科学问题——并期待快速拿到高质量的结果。
但它又带着鲜明的 Every 风格：它预装了我们在运营公司时使用的全部技能和工作流，并配备了个性化的 Frontier Alerts，每当我们在 Every 上发布可能改善你工作流的内容时，它就会提醒你。我们对你在 Agent 上花费的 token 也是零加价——我们付多少，你就付多少。
最棒的是，你团队里的每个人都能获得 $15 的免费额度来试用它。如果你想让团队始终在前沿工作，今天就该在 Slack 里安装 Every Agent：
为什么要公开地写提示词
公开地写提示词之所以有效，是因为大多数 AI 使用是隐形的。你独自一人在终端或聊天窗口里完成它。同事看到的是成品报告或五条新广告，但他们从没见过产生这些的请求，也没见过你一路做出的修正。当你事后描述它时，它听起来像魔法，但没有人能在没见过魔术怎么变的情况下学会一个魔术。
在一个 Slack 频道里，一位原本绝不会打开终端的同事，划过这条消息时会想：我也能这么问。
我们是慢慢才学会这一点的。三月份，我们发布了 Plus One，给每个人在 Slack 里配了一个自己的智能体。有些人过了新鲜劲儿就不用了，但有一小部分留了下来，成了主力。同事们直接去找我的那个——R2-C2——来报告 bug、为我们的 AI 文档编辑器 Proof 提功能需求。看着这些交流，人们学会了智能体能做什么——并信任到愿意自己去试。
经过近一年的实验，我们发现，一个公开工作的共享智能体，比一大群个人智能体更能让公司"AI 化"。所以 Plus One 现在就是 Every Agent：一个全公司共享的智能体，用 Claude Managed Agents 构建。
Every Agent 如何工作
你在任意 Slack 频道里 @Every，告诉它需要完成什么，它就在该消息串里干活。它会在过程中学习你的公司：当某件事不对时，你在消息串里纠正它，它就能把这次纠正保存下来，供下次使用。
你的 Every Agent 一上岗就准备就绪：
- Every 的工作流已内置。 我们运营 Every 所用的技能都已预装，从 Compound Engineering 到 Compound Writing，我们还会不断添加。
- 它能连接你的工具。 一次性连接 Google Drive、Gmail、Notion、Figma、GitHub、HubSpot 以及 1,000 多种其他工具，然后选择哪些队友可以使用每个连接。没有人需要在各自的 Claude 或 Codex 账号里重建你的配置。
- 它自带 Frontier Alerts。 每当有新模型发布，Every Agent 都会查看你当前的工具和工作流，并告诉你这个模型是否值得你关注。
- 它帮你传播最好的实验。 当某个工作流值得重复时，你让 @Every 把它保存为一项技能。从那时起，团队里任何人都能运行它。你团队里最强的那个人做事的方式——包括他为做对而做出的每一次修正——都会变成整个公司都能做的事。
我们在 Every 如何使用 Every Agent
要解释 Every Agent 能做什么，最好的方式就是给你看过去几周我们团队都向它提了什么要求。
我们的首席运营官 Brandon Gell，向 @Every 要了一份我们 Thesis 大会的演讲嘉宾协议。它在 Documenso 里创建了合同，并起草了随附的邮件。邮件回来时挤成了一个段落，于是 Brandon 把它打回去。智能体修正了草稿，并更新了技能，以便下次检查渲染后的邮件。现在，Every 的任何人都能发出一份格式正确的演讲嘉宾协议。
Brandon 还保存了一项把 Slack 消息串变成动画视频的技能。我们的社交媒体负责人 Becky Isjwara 当天就用它做了一个 13 秒的短片。我们的营销负责人 Douglas Brundage 用它制作了发布邮件里的 GIF。
顺便说一句，Douglas 过去以为 PR 只是 public relations（公关）。现在他会从 Slack 里要 pull request。他让 @Every 从 Figma 拉取已批准的演讲嘉宾素材，并开了一个 PR，把两位演讲嘉宾加到 Thesis 网站上，然后一位工程师审查并合并了它。
我们的运营负责人 Arielle Shipper 用 @Every 把业绩、网站和邮件数据合并成一份给领导团队的周报。它会标出那些对不上的数字。
我们的评估负责人 Mike Taylor 做了一项技能，用来审查未完成的工作，并在每周一更新他的优先事项。我们的一位工程师 Nityesh Agarwal 现在每周都在用它。
我用它来找出我没参加的会议记录里每一次提到我名字的地方。如果某个讨论需要我参与，我可以直接去找相关的人跟进，而不用等着别人来向我汇报。
Every Agent 还处理过我们的休假申请、谈过我们的手机话费、雇过一个杂工，还运营着公司的梦幻橄榄球联赛。
这就是给一家公司"AI 化"的样子：知识不再活在某个人的配置里，而是开始流动起来。
测试版用户怎么说
有一批公司一直在测试版中使用 Every Agent。下面是我们最喜欢的一条，来自 Emily Whitehead Foundation 的执行总监 George Eastwood：
"对我来说，这正是 Every Agent 的承诺：不只是自动化工作，而是给团队一种共享的能力，它会随着我们一起学习如何使用它而不断进步。"
价格与可用性
Every Agent 今天起对任何 Slack 工作区可用。你需要一个免费的 Every 账号，以及工作区所有者的安装许可。
每个人获得 $15 的免费额度，每个工作区最多 $500。之后，一份付费的 Every 订阅就能让 @Every 继续工作，每月 $30。该订阅也包含 Every 的其余内容：我们的应用和完整存档。AI 模型的 token 费用单独支付，我们不额外加价。当模型对我们变便宜时，对你也会变便宜。
如果你想先看它实际运作，我们将在本周五，10 月 9 日美国东部时间 12 点，举办一场关于在 Slack 里与智能体协作的 camp。
如果你是你公司里那个"AI 化"的人，你可以不用再解释了。把你的工作放在所有人都看得见的地方做。
Dan Shipper 是 Every 的联合创始人兼 CEO，他在那里撰写 Chain of Thought 专栏，并联合主持 The Every Podcast。
核心启示：真正让一家公司"AI 化"的，不是给每个人发一个私有智能体，而是让大家在一个共享、公开可见的智能体上协作——当最好的工作流连同每一次修正都能被保存、复用、被看见时，知识就从某个人的配置里解放出来，变成整个组织都能调用的能力。
Introducing the Every Agent 的发芽报告
材料核心
Every 发布了一个住在 Slack 里的"公司智能体" Every Agent，其核心主张是：企业 AI 化的瓶颈不在模型能力，而在知识可见性——把 AI 使用从私人终端搬到公开频道（prompt in public），让一个人的技巧变成全公司可复用的技能。文章同时交代了它自己的失败史（2026 年 3 月的 Plus One）与定价模型（token 零加价）。
发芽 01：公开提示，是把"魔法"变成"教学"
种子
文章里有一句话点破了全篇的机关："When you describe it afterward, it sounds like magic, but nobody learns a magic trick without seeing how it's done."（事后描述它，听起来像魔法；但没人能在看不到手法的情况下学会魔术。）
它悄悄重框了企业 AI 化的问题：我们一直以为难点是"让员工用上 AI"，其实真正的难点是"让技巧可见"。而技巧之所以不可见，是因为它本来就是隐性知识。
故事
Michael Polanyi 在 1966 年的《The Tacit Dimension》里写下了一句被反复引用的话："We can know more than we can tell."（我们知道的，多于我们能说出的。）你无法用语言完整描述自己如何骑车、如何一眼判断一篇稿子哪里别扭——这种知识只存在于个人的操作里，不在文档里。
这正好解释了 Dan 的困境：他把 Kate 的 30,000 条历史编辑记录"克隆"成一个 skill，可这个 skill 的价值恰恰卡在"无法被讲述"上。他可以逢人就讲"这个很好用"，但对方看不到它怎么工作，于是它永远躺在待办清单底部。文章形容这种推广是"shouting into a hurricane"——对着飓风喊话。
日本学者野中郁次郎（Ikujiro Nonaka）与竹内弘高（Hirotaka Takeuchi）在 1995 年的《The Knowledge-Creating Company》里给出了破解路径。他们的 SECI 模型把组织知识创造拆成四个环节，其中真正"无中生有"的一步叫"外化"（Externalization）——把难以言传的隐性知识，转化成他人可共享的显性形式。它是最难的一环，也是唯一能创造新知识的一环。
文章里的 "Kate Pass" 就是一次成功的外化：Dan 不再解释 skill 有多好，而是在 Google Doc 里直接留下建议——"@Every, give this draft a Kate Pass." 那一刻，Kate 的判断力从一个人的脑子，变成了文档里一行可见的批注。魔术表演变成了魔术教学。
Aha 瞬间
"公开提示产出的从来不是那份报告，而是那条请求本身——它把原本只存在于一个人操作里的隐性知识，第一次变成了可被复制的路径。"
发芽 02：为什么"人手一个"输给了"全公司一个"
种子
文章最反直觉的一段，是 Every 自己的失败史：3 月他们推出 Plus One，给每个员工配一个专属 Slack 智能体。结果 "some fell out of use once the novelty wore off"（新鲜感一过，一些就闲置了）。而真正活下来的，是那少数被同事围观的智能体——Dan 的 R2-C2 因为被大家用来给 Proof 提 bug、提需求，反而成了公共学习样本。
结论被明确写了出来：一个公开的共享智能体，比一群私人的智能体更能 AI-pill 一家公司。
故事
这背后是教育人类学一个很硬的发现。Jean Lave 和 Etienne Wenger 在 1991 年的《Situated Learning: Legitimate Peripheral Participation》里观察了尤卡坦助产士、Vai 与 Gola 裁缝、海军舵手等学徒制场景，发现学习从来不靠"课程"，而靠"合法的边缘性参与"——新手先在共同体边缘看着老手干活，再一点点往里挪。你不必先学会才能参与；你是因为参与，才学会。
文章那句话几乎是这个理论的逐字翻译："a coworker who would never open a terminal scrolls past the thread and thinks: I could ask for that."（一个永远不会打开终端的同事，刷过这条帖子，心想：这个我也能问。）
个人智能体的结构性缺陷正在于此：它是私有的，所以没有"边缘"可供旁观。你的 R2-C2 只对你自己可见，同事看不到它的工作过程，也就没有入口从边缘进入。这解释了一个表面矛盾——为什么"给每个人发一个"这种看起来更慷慨的方案，反而不如"全公司共用一个"。
它也是网络效应方向的直接体现。Robert Metcalfe 在 1980 年代提出，网络的价值约等于节点数的平方——但前提是节点之间"可连接"。一群互不可见的私人智能体，节点再多也不产生网络效应；而一个公开的共享智能体，哪怕只有一个，每个旁观者都在为它增值。这也让文章里那句来自 Emily Whitehead Foundation 执行总监 George Eastwood 的引言变得具体——对一个规模不大的机构而言（这家基金会由首位接受 CAR-T 疗法治愈白血病的儿童 Emily Whitehead 的父母创立），"a shared capability that improves as we learn how to use it together"（一种随我们共同学习而改进的共享能力）比"每人一个工具"更贴合现实。
Aha 瞬间
"私人智能体优化的是个人的效率，共享智能体优化的是组织的学习——前者是工具，后者是基础设施。"
发芽 03：公开的另一面——心理安全感、技能凝固与知识归属
种子
"Prompt in public" 在文章里被描述成一个纯粹的技术选择，但它其实是一个组织文化选择。公开，意味着你所有的尝试、错误、笨拙的提问都会被同事看见。文章默认这是一件好事——但前提是，这家公司允许你在公开场合犯错。
故事
哈佛商学院的 Amy Edmondson 在 1999 年发表于《Administrative Science Quarterly》的论文里提出"团队心理安全感"（psychological safety）：团队成员相信，在团队里承担人际风险是安全的。她发现，心理安全感高的团队更愿意报告错误、尝试新做法，学习行为也更多。
2015 年，Google 的 Project Aristotle 分析了内部 180 个团队，得出同样的结论：决定团队效能的第一因素不是成员智商、不是资历，而是心理安全感。
这给"公开提示"划出了一条边界：如果一家公司的文化惩罚可见的失败，那么 prompt in public 会迅速退化成 perform in public——人们只公开那些确定会成功的尝试，而那些真正有价值、真正笨拙的探索，反而被藏得更深。文章的机制是一个放大器：文化好，它放大学习；文化坏，它放大沉默。
还有一条更隐蔽的张力：知识归属。当 Dan 把 Kate 的 30,000 条编辑记录做成 skill，当 Every Agent 把每次纠正"保存下来供下次使用"，个人的隐性知识就被固化成了公司的资产。文章把"知识停止住在某个人的设置里，开始在公司里流动"当作胜利来庆祝——但从另一个角度看，这也是知识从个人向组织的一次无声转移。那个"像他一样工作"的 skill，在他离开之后归谁？
Aha 瞬间
"公开提示不是心理安全感的原因，而是它的放大器——它让好文化更快地复制学习，也让坏文化更快地复制沉默。"
你的思考空间
- 如果知识真的"停止住在某个人的设置里，开始在公司里流动"，那么罗纳德·科斯在 1937 年《企业的性质》里提出的那个问题就要重答一遍：当协调知识的成本大幅下降，公司的边界会扩大，还是缩小？
- "Kate Pass"把一个人的判断力固化成 skill。技能越被固化，越容易被复用，但也越容易停止进化——什么时候应该让 skill 继续学习，什么时候应该把它冻结成标准？
- 如果 prompt in public 是 AI 化的最优路径，那么全远程、跨时区或高保密要求的组织（医疗、法律、国防）该怎么办？"公开"的粒度可以调到多细？
- 文章断言"一个共享智能体比一群私人智能体更能 AI-pill 一家公司"。这个结论对 10 人团队和 1000 人公司同样成立吗？规模临界点在哪里？
- Every Agent 对 token 零加价，等于承认价值不在模型层。那么当模型越来越便宜、越来越同质化，企业 AI 的护城河到底在哪一层——是连接（1000+ 工具）、是 skill（工作流），还是公开所带来的组织