跟上 AI 本身，就是一份全职工作

原文：https://every.to/context-window/keeping-up-with-ai-is-a-full-time-job

今天，Every 工程联合负责人 Andrey Galko 要探讨：当 AI 在人们赖以为生的工作上变得更强，究竟会发生什么。不过在此之前，企业 AI 采用负责人 Natalia Quintero 与我们的 frontier 团队每位成员逐一对话——这支小团队的任务就是紧跟 AI 进展，好让其他人专注于本职工作；运营负责人 Arielle Shipper 分享一个面向非程序员的代码审查技能；此外还有八条新的 Thesis Statements。

「The Every Podcast」：为什么每家公司都需要一支 frontier 团队

眼下每家公司都面临同一个两难：是努力跟上 AI 的最新进展，还是专注于把手头的工作做完？你可以无视前沿，但要冒被“某个你没预料到的、agent 原生版本的产品”突然颠覆的风险，Dan Shipper 说。或者，你也可以靠摆弄每一个新工具来紧跟最新模型能力，却始终造不出任何持久的东西。

Every 用一支 frontier 团队来解决这个两难：一小群人，专门负责亲手试用每一个新模型，搞清楚它对我们产品和流程意味着什么，再把有用的实验转化为文章、产品和工具，供公司其他仍专注于路线图的人使用。我们已经运行了几个月，Dan 称它“有点脱胎换骨”。

在本周的 The Every Podcast 中，Every 的企业 AI 采用负责人 Natalia Quintero 与 frontier 团队每位成员逐一对话：自称“海盗”、想在几天内尝试十亿件事的 Dan；评估负责人 Mike Taylor；运营负责人 Arielle Shipper；高级编辑 Jack Cheng；特约撰稿人 Katie Parrott；工程师 Jannik Jung；以及 Cora 总经理 Kieran Klaassen。每个人都演示了最近的一项实验，并分享他们接下来兴奋地想造什么。

可在 X 或 YouTube 观看，或在 Spotify、Apple Podcasts 收听。你也可以阅读 文字稿。

以下是亮点：

  • 让想法“易于消化”如今成了工作的一部分。 与 AI 协作让 Mike 迸发出大量新想法——他承认自己经常被同事吐槽，说他把每个 Slack 频道都刷满了。他现在意识到，自己工作的一部分就是总结这些实验，好让同事不必跟进每一条更新。为了解释他正在打造的个人基准测试产品 Checks，他用 Opus 让数百个 agent 审查自己的 Slack 消息和 Granola 会议记录，把产品浓缩成 12 句话，并制作了一支带标注截图和旁白的讲解视频。现在团队其他人不必翻回 Slack 历史，就能快速了解进展。
  • 用 AI 构建，也关乎克制。 新模型让 Jack 能构建交互式体验和电子游戏，但也让人忍不住想同时尝试一百万件事。“我从没感到自己的专注力受过这么大的拉扯，”他说。正因如此，他做了一个无标签页浏览器，以减少上下文切换，帮自己专注于单一任务。AI 允许各种创造性实验，但 Jack 想做的不只是摆弄。他希望 AI 帮他专注得足够久，从而写出、造出对他真正重要的东西。
  • 有时把工具造出来，比描述它更容易。 Katie 负责测试最新模型、撰写 Every 的 Vibe Checks，但她同时也是构建者。眼下她正给自己的 Compound Writing 插件加一个受众文件，这个插件会引导写作者从最初的想法走到最终稿。该文件定义了目标读者，帮助插件标出可能让读者流失的段落。她还是 EveryType 的“碰撞测试假人”——这是 Kieran 让公司摆脱 Google Docs 的尝试——并保证自己的反馈会“非常烦人”。她最新的动作是顺手自己搭了一个文字处理器，这样就能直接给 Kieran 看自己想要什么，而不用费劲解释。

对任何想跟上 AI 又不想离工作太远的人来说，这期内容都值得一读或一听。

错过了某期？可以补听 Dan 最近与 Sam Altman、Anthropic 产品负责人 Mike Krieger、打造 Claude Code 的团队 Cat Wu 和 Boris Cherny、打造 Codex 的团队 Thibault Sottiaux 和 Andrew Ambrosino、Vercel 联合创始人 Guillermo Rauch 等人的对话，了解他们如何用 AI 思考、创造和建立关系。——Miriam Partington

Signal

Every 的 Railway 响应团队里的那些 agent

发生了什么： 周三，开发平台 Railway 表示，黑客可能已经获取了解密后的 API 密钥（应用访问 ChatGPT 等服务所用的秘密代码）、数据库密码，以及客户存储在其平台上的其他凭证。被盗的 API 密钥可能让黑客产生高额费用、访问私人数据或中断服务。

Railway 敦促客户替换存储在其平台上的凭证，同时它正在确定哪些人受到影响，但暂停了使用新凭证所需的应用更新。这让客户陷入艰难选择：停用旧密钥，冒着应用瘫痪的风险；还是让它们保持活跃，冒着被黑客利用的风险。

为什么重要： Every 是 Railway 的客户，因此我们必须找出 Railway 各项目中可能暴露的凭证，弄清哪些应用仍依赖它们，并协调替换。

为了解决这个问题，平台负责人 Willie Williams 用 Codex 整理出一份 Every 存储在 Railway 上的密码和 API 密钥共享清单，并为每一条标出可能的负责人。然后他让 Every Agent 每小时审查这份清单，并发布每个人还有多少条目待处理。

Willie Williams 使用 Every Agent 协调我们对 Railway 安全事件的响应。（截图由 Laura Entis 提供。）

这意味着什么： AI 能帮黑客加强攻击，也能帮团队响应。当像 Railway 网络攻击这样的安全漏洞发生时，你需要知道哪些凭证可能已暴露，并在人们替换它们的过程中保持信息更新。Willie 估计，在 AI 之前，整理一份受损凭证清单要花上几个小时。而且还得专门派一个人跨时区跟踪大家的进度，很可能要熬夜。

而这次，Codex 整理清单，Every Agent 监控团队进度。“要是没有 AI，这起事件对我们来说会疯掉的，”Willie 说。

换句话说，AI 既放大了攻击面，也压缩了响应时间——防御方第一次有机会跟上攻击方的节奏。

Skill share

让你的编程 agent 检查你应用的架构

在 Every，人人都是构建者。但运营负责人 Arielle 是真的在“出货”——她用 Codex 搭建了数量惊人的内部应用。这些应用帮她快速推进，但因为不是工程师，有时代码会跑到她能自信审查的范围之外。

最近，她搭建的一个仪表盘老是出故障，这个仪表盘用来追踪 Every 各模型的 AI token 使用成本。工程师 Loren Stewart 用一个优雅的方案介入：让一个编程 agent 把应用作为一个整体来审查，写出一份按优先级排序的修复计划。把这份计划交给另一家模型公司的 agent 做二次意见，再把它提出的批评带回给第一个 agent，修订计划，然后才更新代码。以下是他修复有 bug 应用的三段提示词。

第一步：让你的编程 agent 审查应用。

Please review the architecture of this app. I am concerned with modularity, maintainability, and correctness. Create a markdown document with prioritized fixes. Once we have the document we can start working. Split up the work into PR-sized chunks and keep track of which work can be parallelized.

第二步：把它的计划交给另一家提供商的 agent。

Please review this plan I made in another session. Make sure it is correct. Put your criticism in a markdown document I can bring to my other session

第三步：把批评意见带回给第一个 agent。

Please review the criticism in this doc. Make updates to our plan if appropriate

Arielle 不愧是 Arielle，把这套流程变成了全团队可复用的技能。技能名字？自然叫 /loren。

Loren 来救场。（截图由 Laura Entis 提供。）

Discuss

“我讨厌人们用这些 agent 给我写信，而不是亲自给我写。”——Andrey Galko，工程联合负责人

Agent 是我们 Slack 里的活跃参与者。这里有 Every Agent、同事们的个人 agent，还有通过 Codex 发送的消息。所有这些 agent 都在加速我们能做的事，但也制造了一个新的礼仪问题：别人家的 agent 发来的私信，会让你怀疑发信人到底有没有先读过它，再让你读。“当你用一个工具去跟某人说话时，你也把对方变成了工具，”Andrey 说。

本质上，当沟通被委托给 agent，效率提升的代价，是人与人之间责任与在场感的稀释。

Thesis Statements

在 Thesis Statements 中，构建者、运营者和思想者预测 AI 时代伟大人类工作的未来。本周有八条新预测：

我们的首届 Thesis: 2027 大会将于 2026 年 11 月 5 日举行。Every 订阅者可免费报名参加当晚的会后派对。

Connections

工程师之后

去年夏天，Vladimir Putin 与他忠诚的士兵——他在乌克兰战争中的炮灰——举行了一场类似圆桌会议的活动。其间，他复述了有人问过他的一个问题：“战争结束后我们到底要做什么？”话还没说完，他就笑了起来。

这个问题当然是明知故问。在 Putin 的世界里，他就是战争，战争就是他。他就是俄罗斯，俄罗斯就是他。战争的结束，意味着要面对当权力和意义的来源消失后还剩下什么。他有充分理由确保“之后”永远不会到来。

在世界另一端阳光明媚的硅谷，投资者们正奋力攀登奇点的山麓，竞相创造通用人工智能（AGI）。与 Putin 不同，他们宣告了明确的终局：实现 AGI。我们这一代最聪明的头脑决心不惜一切代价抵达那里。我想知道，他们有没有停下来，认真地问自己一个类似的问题：之后我们到底要做什么？

一场侵略战争和一个技术项目在道德上并不等价，但 AI 出现在每第二块（在硅谷是每一块）广告牌、应用和海报上，很难怪任何人觉得 AI 正以相当有侵略性的方式入侵自己的生活。对一个普通人来说，主要问题更像是：“对我来说，到底还有没有‘之后’？”以及“如果我被取代了，我该做什么？”AI 工程师们有没有问自己同样的问题？

如果他们问了，我有几个想法：也许他们可以去学木工和冲浪。或者生儿育女，努力把他们培养成面向未来的好人。但话说回来，如果 AI agent 注定要取代所有人和所有事，又何必为未来培养人？这又是一个存在主义困境。

对我来说，这不是抽象的思想实验。那个“之后”的小版本——我称之为“之后”的开发者预览版——已经到来了。我大约 11 岁开始编程。高中还没毕业，就已经有人付钱让我写代码。但过去几年，我从差不多还在做少年时做的事，变成了主要写纯文本提示词——或者写纯文本循环，这样就不必写提示词。大部分编程工作不是数学，而是语言学和创造力。编程语言毕竟是语言。而今天，字面意义上的英语已经成了我的编程语言。

如果我是在现在才开始，我还会成为程序员吗？我不太确定。公司招聘的软件工程师越来越少。大学毕业或参加八周编程训练营，就能拿到高薪、收到 LinkedIn 上大量招聘私信的日子已经过去了。如今想入行，似乎得把自己定价到低于一百万 token。初级工程师需要大量监督和培训，产出却相对少。但如果不先当初级工程师，你就无法真正成为中级、高级或首席工程师。那么，AI 实验室要雇谁来开发新模型、更聪明的模型，并围绕这些模型构建所有软件封装层，来喂养这头巨兽？在安静的周末夜晚，我有时会问自己：Anthropic 的工程师们有没有想过，他们博士研究和多年工作的产物，会让年轻时的自己变得无用？

说他们的工作徒劳是不公平的，因为故事还有另一面，Dan 在《After Automation》中描绘过：既然 AI 能写所有代码——而且写得很快——我们就能交付更多。这意味着更多产品、更多应用、更多订阅和应用内购买、更多宏大梦想，以及更多靠提示词把它们变成现实的工作。

我们不知道 80 亿人需要多少应用，市场才会饱和到没人再想要新应用——如果它真会饱和的话。再说，从我自己的长辈亲属来看，这些人里大约只有一半真正知道应用是什么，相信需要靠应用才能过上幸福生活的人就更少了。当然，总有一款应用适合你，大概率还是凭感觉编码出来的。【补充】“There's an app for that”是苹果 App Store 的经典广告语，此处为戏仿。

直到（如果真有）那一天到来之前，我们工程师可以开始规划撤退路线。比如学做饭就是个很好的选择：AI 还不能让你做出好吃的意面或披萨——尽管它倒咖啡的水平越来越高。AI 不能为你打造一个传家宝级的抽屉柜，也不能替代触碰另一个人时催产素的释放（除非 AI 帮我们发明出“O”注射剂）。

所以，未来酷炫又高薪的工作，或许涉及真人去做只有真人才能做的事。

嘿 Claude，能帮我找找附近的烹饪课吗？——Andrey Galko

Laura Entis 是 Every 的特约撰稿人。想读更多类似文章，可订阅 Every，并在 X 上关注 @every、在 LinkedIn 关注我们。

核心启示：AI 进步的速度已经把“跟上它”变成一份全职工作——组织用 frontier 团队把追踪转化为产品与流程，个人则不得不面对一个更尖锐的问题：当赖以为生的工作被自动化，“之后”自己还能做什么。

《Keeping Up With AI Is a Full-time Job》的发芽报告

材料核心

这篇 Every 通讯表面是栏目合集，内核却在反复处理同一个问题：当“跟上 AI”变成一份全职工作，组织该如何分工、个人该如何自处。前沿团队替全公司试模型，并把结果翻译成可消化的文章与工具；agent 在 Railway 安全事件中充当跨时区协调层，也在跨模型互审中扮演批评者；Andrey Galko 的随笔则把问题推到个体身上——当 AI 吃掉初级工程师的阶梯，“之后”还剩下什么？

发芽 01：前沿团队是公司的“翻译层”，不只是研发部

种子

文章把困境写成二选一：追前沿，还是干活。Every 的解法是让少数人专职“试遍新模型”，再把实验翻译成文章、产品和工具，让多数人继续跑路线图。这不是简单的“内部实验室”，而是对组织理论里一个老问题的结构性回答：探索与利用，能不能用不同的人来分别承担？

James March 在 1991 年的论文《Exploration and Exploitation in Organizational Learning》里说得很直白：探索（新可能性）和利用（既有确定性）争夺同一批稀缺资源；只利用的组织会掉进“能力陷阱”，只探索的组织则永远收不回投资。大多数公司的做法是让同一个人同时做两件事，结果两件事都做不好。前沿团队的价值，是把“探索”从个人日程里拿出来，变成一个有名分、有产出的组织职能。

但它与洛克希德“臭鼬工厂”（Skunk Works，1943 年，Kelly Johnson 带队，143 天造出 P-80）不同：臭鼬工厂的产出是一架飞机，前沿团队的产出是“可消化性”。Mike Taylor 用 Opus 驱动数百个 agent 翻自己的 Slack 和 Granola 会议记录，把 Checks 压缩成 12 句话、配好带注释截图的解说视频——这本质上是在生产“可辨识性”（legibility）。James C. Scott 在《Seeing Like a State》（1998）里讲，现代国家的第一项工程是让社会“可读”：地籍图、标准姓氏、统一度量衡。前沿团队就是公司的可辨识性工程：把模型前沿的混乱，翻译成同事能在一杯咖啡时间里吸收的句子。Katie Parrott 的做法更极端：与其描述她想要的文字处理器，不如自己造一个给 Kieran 看——当语言不够精确时，原型就是翻译。

代价由谁承担？Jack Cheng 说得很直白：“我从未感到专注力受到如此大的压力。”他做了个无标签页浏览器来减少上下文切换。Herbert Simon 在 1971 年就写过：“信息的丰富造成注意力的贫乏。”前沿团队替组织集中了探索，也替组织集中了注意力税；无标签页浏览器则是他个人的“尤利西斯合约”（Thomas Schelling 在 1984 年讨论过的自我约束装置）——把自己绑在桅杆上，免得被标签页的海妖歌声带走。

Aha 瞬间

“前沿团队真正生产的不是‘最新消息’，而是‘可消化的确定性’——它替组织承担注意力税，再把税后收入以 12 句话、一个 skill、一段视频的形式发还给同事。”

发芽 02：学徒制的断裂——当“低于一百万 token”成为入门价

种子

Andrey Galko 的自问是全文最重的一句话：“如果我今天才开始，我还会成为程序员吗？”他给出的经济学线索很冷静：初级工程师需要大量监督和训练，产出相对有限；而模型的计价单位是 token。于是“入行”变成了一场压低自身价码的竞争——“你得把自己定价到一百万 token 以下”。真正的风险不是今天在岗的人，而是明天的高级工程师从哪来。

历史上，这不是第一次。1811 至 1816 年的卢德运动常被误读成“砸机器”，但纺织工人（尤其是剪绒工和框架织袜工）真正保卫的是学徒制和工资底线：雇主用机器，是为了能用更便宜、未受训的劳动力替代他们。机器本身不是敌人，机器作为“去技能化”的杠杆才是。今天的初级工程师处在类似的位置：雇主可以用模型替代“学徒”这一档，而不必承诺把他培养成师傅。

Harry Braverman 在《Labor and Monopoly Capital》（1974）里把这种过程概括为“构思与执行的分离”：资本主义把工艺拆成设计与操作，让操作者失去对全貌的理解。AI 似乎把“执行”（写 CRUD、修 bug）拿走了，把“构思”（架构、判断）留给人——但 Andrey 的观察更微妙：当“构思”本身也变成写英文提示词，稀缺性就转移了。更关键的是 Lisanne Bainbridge 在 1983 年的《Ironies of Automation》里指出的悖论：自动化拿走的是容易的任务，留下的是困难的例外；而处理例外的能力，恰恰来自处理容易任务时积累的模式。你把练习拿走了，却要求人处理例外——这就是班布里奇所说的“自动化的反讽”。

Andrey 没有否认另一面：Dan 在《After Automation》里论证，AI 写得越快，我们就能发布越多产品、应用和订阅，从而创造更多“把东西提示出来”的岗位。问题在于，这个乐观版本依赖一个未经检验的假设——80 亿人到底需要多少个应用。同一期通讯里，Neil Thompson 的论点正好构成补充：你的工资取决于 AI 拿走的是你工作里“容易的部分”还是“困难的部分”。如果 AI 先拿走容易的部分，初级岗位就先消失；如果它先拿走困难的部分，资深判断反而更值钱。两种顺序，对应两种完全不同的未来。

所以问题不是“AI 会不会让工程师失业”，而是“AI 会不会让‘成为工程师’这件事失去路径”。岗位可以一夜之间消失，但能力需要十年才能长成；前者是新闻，后者是结构性危机。

Aha 瞬间

“AI 不是抢走了初级工程师的岗位，而是拆掉了通往高级工程师的脚手架——岗位还在，路径没了。”

发芽 03：Agent 作为同事的三种关系——协调者、批评者、传话人

种子

这篇文章里 agent 出现了三次，每次都在扮演不同的组织角色：Railway 安全事件里，它是跨时区的协调者；Loren 的三步提示里，它是来自另一家模型公司的批评者；Andrey 的吐槽里，它是替你开口的传话人。三种角色对应三种治理问题：可信度、对抗性、在场性。

先看协调者。Railway 在 2026 年 10 月 21 日披露凭据可能泄露，客户面临“停用旧密钥可能弄坏应用，不停用可能被黑”的两难。Willie Williams 用 Codex 列出 Every 存在 Railway 上的密钥和可能责任人，再让 Every Agent 每小时巡检、播报每人还剩几条未处理。Willie 估计，没有 AI，光列清单就要几个小时，之后还得有人跨时区盯进度、熬到半夜。这里 agent 的价值不是“更聪明”，而是“不下班”——它把协调从人的注意力里剥离出来。

再看批评者。Loren Stewart 的三步法是：让一个 coding agent 通读应用架构、写出按优先级排序的修复计划；把计划交给另一家模型公司的 agent 挑错；再把批评意见带回第一个 agent 修订。这是 Daniel Kahneman 与 Gary Klein 在 2009 年系统讨论过的“对抗性协作”（adversarial collaboration）——让持不同判断的协作者共同设计一个能证伪彼此的方案。Arielle 把它固化成“/loren” skill，等于把一次性的批评变成组织记忆。这里的洞察是：多模型互审的重点不是“哪个模型更强”，而是“让错误在不同公司、不同训练偏好之间暴露”。

最后是传话人。Andrey 说：“我讨厌别人用 agent 给我写信，而不是自己写。”他补了一句更狠的：“当你用工具去跟人说话，你也把对方变成了工具。”这几乎是康德“人是目的而非手段”（1785）的即时版：agent 把沟通的边际成本压到零，收信人却因此变成了一个待处理的节点。2021 年前后流行的“死互联网理论”（dead internet theory）担心网络最后只剩 bot 对 bot 说话；Andrey 的版本更日常——不是互联网死了，而是“在场”变成了需要额外证明的东西。麦克卢汉说“媒介即讯息”（1964）；agent 不只是改变了讯息的载体，它改变了关系的性质：从“我找你”变成“我的进程找你”。

Aha 瞬间

“Agent 把沟通的边际成本压到零，于是‘亲自写’从默认变成了信号——它不再是效率问题，而是关系伦理问题。”

你的思考空间

  • 如果你的公司设一个前沿团队，你用什么衡量它：产出了多少文章或工具，还是避免了多少次“没看见的颠覆”？前者可计数，后者不可计数——组织会不会因此系统性地低估它？
  • 当 AI 让初级工作变得不经济，谁来训练下一代能处理“例外”的人？这是公司的问题、行业的问题，还是像基础科研一样的公共品问题？
  • “亲自沟通”会不会像“手工制作”一样，从默认变成奢侈品？如果是，组织该如何为它定价，又该如何防止它变成新的阶层标识？
  • 前沿团队的成员替组织承担了注意力税；但当他们自己也被 AI 加速到碎片化时，谁来替他们承担？“无标签页浏览器”是个人解，还是组织该提供的公共设施？
  • Andrey 问的是“之后我们做什么”。如果把这个问题从工程师扩展到你自己：你现在的职业身份里，有多少是“只有人类能做”的部分，有多少只是“暂时还没有被自动化”的部分？