全公司共用一个 Agent
原文：https://every.to/context-window/one-agent-for-the-whole-company
你好，周日快乐。本周我们推出了 Every Agent——一个存在于 Slack 中、全公司共用的 AI 同事。你的团队可以在一个话题串（thread）里给它派活；当某个工作流跑通后，你可以让它把这个工作流保存为一个技能（skill），团队里任何人都能运行。另外：Thesis: 2027 会后派对将于 11 月 5 日在布鲁克林 Red Hook 的 Pioneer Works 举行，Every 订阅者可免费参加——RSVP 预留席位。最后，周一我们因美国原住民日（Indigenous Peoples' Day）假期休息，周二回到你的收件箱。——Kate Lee
这封通讯是别人转发给你的吗？注册即可直接收到。
The Every Agent，详解
《推出 Every Agent》，作者 Dan Shipper/On Every：Every Agent 在公开的 Slack 话题串里干活，所以你的同事既能看到请求，也能看到纠正。它取代了我们在 3 月推出的 Plus One——当时我们给每位员工各配了一个 agent，因为 Dan 注意到，人们从观察别人的 agent 工作中获益最多。评测负责人（head of evals）Mike Taylor 构建了一个每周一重置自己优先级的技能，工程师 Nityesh Agarwal 也每周运行它。你团队里的每个人都能获得 15 美元的免费额度来试用，token 加价率为 0%：我们付多少，你就付多少。
🖥 🎧 《为什么 Every 用公司级 Agent 换掉了个人 Agent》，作者 Laura Entis/The Every Podcast：Every 平台负责人 Willie Williams 与 Dan 一起解释了，为什么我们团队 1 月打造的那些个人 bot 大多死掉了：它们难以维护，而且没人记得哪个 bot 负责什么。对于任何正在决定"给每位员工配一个个人 agent，还是为全公司建一个共享 agent"的人来说，这都是一定要看/一定要听的内容。🖥 🎧 在 Spotify 或 Apple Podcasts 收听，在 X 或 YouTube 观看，或阅读文字稿。
《为什么我们把 Agent 的基础设施交给了 Anthropic》，作者 Paridhi Agarwal/Source Code：Paridhi Agarwal 是 Every Agent 的一名工程师，她在为 Every 撰写的第一篇文章中解释了，我们为什么停止自托管 agent、转而使用 Anthropic 的 Claude Managed Agents：维护服务器占用了我们本想花在 agent 本身上的时间。代价是，该服务只运行 Claude 模型，也无法提供一些公司所需的零数据留存（zero-data-retention）选项。🖥 观看 Dan 和 Willie 在我们与 Claude 合作拍摄的视频中，讲解我们如何在 Claude Managed Agents 上构建这个 agent。
《构建更高效的 Agent》，作者 Laura Entis/Context Window：团队最初尝试把 Every Agent 的任务路由到一个更便宜的模型，结果成本反而上升，因为很多请求最终还是在更高级的模型上运行。Paridhi 转而从 agent 自身的代码里寻找浪费，一次模型升级加上几处小修复，就把 11 项常见任务的 token 成本削减了 80% 以上。本期还有：她用于发现你自己软件中浪费的四步工作流（附提示词）、团队本周正在使用的模型，以及 Willie 谈[如何用 AI 管理
One Agent for the Whole Company 的发芽报告
材料核心
Every 把"每个员工一个私人 AI 代理"（Plus One）改成"全公司共用一个 Slack 代理"（Every Agent），因为团队发现人们是从"看别人的代理干活"里学得最多——于是代理在公开线程里工作，成功的流程还能存成"技能"供全公司调用。文章同时并置了三条线索：私人代理为何死掉、把基础设施交给 Anthropic 的取舍、以及把 11 个常见任务的 token 成本砍掉 80% 的反直觉优化，外加 Katie 的 Verschlimmbesserung、Mike 的"克隆体"与犹他州 Nolla Health 的 AI 开处方试点。
发芽 01：从"我的代理"到"我们的代理"——知识工作为什么天生是公开的
种子
材料里最锋利的转折不是技术，而是一个观察：Every 在 1 月给每人配了私人代理，到 3 月换成 Plus One，最后又并成一个共享代理。Willie Williams 的复盘给了死因——难维护、没人记得哪个代理干什么。Dan Shipper 的洞察更关键：人们从"看别人的代理干活"里学得最多。这句话把代理从"工具"重新定义成了"同事"——而同事的价值不在于它替你做了什么，而在于你能旁观它怎么做。
这并非新发现。Albert Bandura 在《Social Learning Theory》（1977，源自 1961 年的 Bobo 玩偶实验）里证明：人类大量技能不是被"教授"的，而是通过观察他人的行为及其后果习得的。GitLab 把这条原理做成了公司制度——它的 handbook 全员可见，连会议都默认公开记录，其内部口号正是 "public by default"。再往前，Eric S. Raymond 在《大教堂与集市》（1997）里提出 Linus 定律："只要眼睛足够多，所有 bug 都是浅的。"制造业的版本更早：丰田的"可视化"与"安灯绳"（andon cord）让问题暴露在所有人眼前，任何工人都有权拉停整条产线。私人代理的失败恰恰是反过来的——它是"影子 IT"（shadow IT）：每个人在暗处造了一个只有自己能维护、别人无法理解的黑箱。
Aha 瞬间
"私人代理把知识锁进个人的暗箱，共享代理把知识放回公开的空气里——而组织学习从来不是发生在工具内部，而是发生在旁观者的目光里。"
发芽 02：Verschlimmbesserung——为什么"优化"经常把系统变差
种子
材料里有两个几乎同构的悖论。其一，团队先试着把 Every Agent 的任务路由到更便宜的模型，结果成本反而上升——因为很多请求最终还是跑到了更高级的模型上。其二，Katie Parrott 往 AI 写作的规则文件里不断加规则，直到一篇文章改了 127 稿，最后她把整个设置归档、重建了一个小得多的版本。这两个案例指向同一条反直觉规律：对系统"做加法"的本能，往往就是让系统变差的机制。德语有个词专指它——Verschlimmbesserung（越改越糟）。
这类现象在自动化领域有精确的学名。Lisanne Bainbridge 在 1983 年的论文《Ironies of Automation》（自动化之反讽）里指出：自动化越是接管常规任务，人就越被留在处理异常的位置上，而异常恰恰是最难、最需要熟练度的部分——于是自动化常常同时提升和削弱系统。软件业有对应定律：Niklaus Wirth 的"维尔特定律"（1995）说"软件变慢的速度比硬件变快更快"。Ward Cunningham 在 1992 年用"技术债"命名同一种累积。而 Elon Musk 所谓"算法"的第一条反而是"删除"——"最好的零件是没有零件"（见 Walter Isaacson 2023 年传记）。Donella Meadows 在《Leverage Points》（1999）里也发现，真正高杠杆的干预点常常不是增加规则，而是改变规则。
值得注意的是：Every 那 80% 的成本下降，并非来自"换更便宜的模型"，而是 Paridhi 去代理自己的代码里"找浪费"——她做的正是删减，而不是叠加。
Aha 瞬间
"在复杂系统里，'再加一条'几乎总是比'再删一条'更容易，也几乎总是更贵——Every 用 80% 的成本下降买到的教训是：优化往往不是往系统里加什么，而是从系统里拿走什么。"
发芽 03：克隆体开不了处方——可编码知识的边界与信任的阶梯
种子
材料里最像寓言的一段来自 Mike Taylor：他把老板 Natalia Quintero 一年的 Slack 消息喂给 AI，造出一个替她批邮件的克隆体；他还克隆了 GitHub 的 COO 和 Dan。结果是——每个克隆都学会了那个人的"规则"，却没学会"什么时候把规则放到一边"；Natalia 的克隆花了 73 轮才把他的邮件改成"像律师写的"。Mike 的比喻是：克隆体像堵在车流里的 Waymo，而纽约出租车司机能把你一半时间送回家。同一份材料里还有另一条线：犹他州批准 Nolla Health 测试一个能诊断轻中度痤疮并开外用药的 AI，最初每个处方都要两名医生复核，若通过安全门槛，州政府可以逐步撤掉人工监督。
这两个案例是同一枚硬币的两面。Michael Polanyi 在《The Tacit Dimension》（1966）里留下一句被反复引用的话："我们知道的，比我们能说出来的多"（We can know more than we can tell）。Nonaka 与 Takeuchi 在《The Knowledge-Creating Company》（1995）里把这种"隐性知识"到"显性知识"的转化做成了 SECI 模型——而 Every Agent 的"技能"功能，本质就是一次组织级的 SECI 操作：把某人成功的流程固化成可复用的显性技能（Mike 的"周一重置优先级"技能被 Nityesh 也拿去跑）。但 Polanyi 的另一面才是关键：能被编码的，恰恰是常规；不能被编码的，是判断。AI 领域的"框架问题"（frame problem，McCarthy & Hayes 1969）和 Hubert Dreyfus 的《What Computers Can't Do》（1972）早就在争论同一件事——规则系统的死穴从来不是执行规则，而是知道哪条规则此刻不适用。法律现实主义那句刻薄的老话也是这个意思：判决不是从法条里推出来的，而是"看法官早餐吃了什么"。
Aha 瞬间
"能被存成'技能'的是手艺，存不下来的是判断——克隆体学得会前者，学不会后者；而信任的阶梯能爬多高，取决于后者能被替代多少。"
你的思考空间
- 如果"公开工作"是学习的关键，那么共享代理是否也在无形中把每个人的工作方式变成了可被旁观的绩效证据？透明带来学习，也可能带来表演——组织该如何区分两者？
- Every Agent 的"技能"把个人经验固化为组织资产。结合 Kaushik Viswanath 的论点（"除非你能让专业知识可携带，否则它将属于你的雇主"），共享代理究竟是在放大个人，还是在加速把个人经验收归公司？
- Verschlimmbesserung 提示"少即是多"，但共享代理的价值恰恰来自不断积累的技能库。组织如何区分"有价值的沉淀"和"越改越糟的堆积"？删减的时机和标准由谁来定？
- 如果克隆体学不会"何时破例"，那么在 Nolla 这类"逐步撤掉人工监督"的路径上，被撤掉的到底是哪一层判断？撤掉之后，出错时谁来负责——医生、公司，还是批准试点的州政府？
- 私人代理的失败被归因于"难维护、没人记得它干什么"。这更像是代理本身的问题，还是组织记忆的问题？换成共享代理之后，同样的遗忘会不会以另一种形式重演？