--- title: "如何用AI打造一家自我进化的公司" source_url: "https://mp.weixin.qq.com/s/vHNtacpK9oFWw8n2oRL3cQ" author: "深思圈" created: 2026-05-26 type: article tags: [ai-agent, company-design, self-improving, yc, organizational] sha256: "" --- 如何用AI打造一家自我进化的公司 深思圈 2026年5月20日 16:04 浙江 你有没有认真想过，你的公司其实和两千年前的罗马军团没什么本质区别？听起来很荒谬，但这是YC（Y Combinator）合伙人Ryo最近在一次内部分享中抛出的观点。他说，今天大多数公司的组织方式，和罗马军团投射权力的方式如出一辙——都是靠一层层嵌套的层级结构，靠人来传递信息、执行命令。而AI，正在从根本上打破这个几千年来从未被真正挑战过的底层假设。 Ryo在分享里说的核心观点只有一句话：你可以把一家公司，重新想象成一组recursive（递归的）、self-improving（自我改进的）AI loops（循环）。公司不再是一个由人构成的层级组织，而是一个由AI驱动的、能在你睡觉时持续进化的智能系统。 大多数人用AI的方式，从一开始就错了 把AI理解成productivity tool（生产力工具）、理解成copilot（副驾驶），这个思维框架本身就是错的。 这就像是把一台更强大的发动机装到了一辆马车上。发动机确实更强了，马车跑得更快了，但本质上你还是在开马车。工程师用了GitHub Copilot，代码写得快了20%，这当然是好事，但如果你的整个思维框架还是"我雇了100个工程师，AI让他们每个人效率提升20%"，那你其实只是在旧的组织模式上贴了一张AI的标签。 但Ryo提出的框架完全不一样：如果你能把公司的某些部分，设计成一个能自我学习、自我改进的闭环，那这个系统就不再是线性增长的，而是指数级进化的。这两种思维框架之间的差距，不是20%，而是几个数量级。 公司的真正资产，是藏在人脑里的知识 在讲具体怎么构建self-improving loop之前，Ryo先指出了一个更根本的问题：你公司里真正有价值的东西是什么？ 他的答案是：domain knowledge（领域知识）。不是你的代码，不是你的产品，而是那些藏在员工脑子里的、散落在Slack消息里的、埋在邮件往来里的、写在Notion文档里的——所有这些加在一起，定义了你的公司是怎么运转的。 但问题在于，这些知识现在完全不legible（可被AI读取和理解）。它们是碎片化的、非结构化的、依附于具体的人的。一旦这个人离职，这些知识就消失了。一旦这个人请假，这段知识就断路了。 Ryo说，如果你能让这些知识变得legible——也就是说，让AI能够理解、调用、基于这些知识做决策——你就能从一个层级化的罗马军团式组织，转变成一个AI-native（AI原生）的智能组织。 Self-Improving Loop 是什么，长什么样 这个loop由五个层次组成： 第一层是sensor layer（感知层），这是系统获取外部信息的入口。可以是客户邮件、支持工单、用户取消订阅的行为、产品的使用数据。简单来说，就是一切能反映"现实世界正在发生什么"的信号。 第二层是policy layer（策略层），也叫decision layer（决策层），这里定义了规则：AI可以自主做什么决定，什么情况下需要请示人类，什么操作必须留下记录。这一层本质上是在给AI划定权限边界。 第三层是tool layer（工具层），这是AI实际执行动作的地方。是确定性的API，比如查询数据库、查看日历、发送邮件。这些工具是确定的、可预期的，不是AI在自由发挥，而是在调用已经定义好的能力。 第四层是quality gate（质量关卡），包括自动化检查、安全过滤、以及对高风险操作的人工审核。这一层保证系统不会失控。 第五层是learning mechanism（学习机制），这是整个loop的关键——系统在与真实世界交互之后，记录下哪里成功了、哪里失败了，然后把这些反馈循环回到loop的顶端，让系统在下一次运行时表现得更好。 YC自己跑的真实案例：让我醍醐灌顶 YC最开始构建了一个AI agent，合伙人可以用自然语言查询数据库。这是第一步，相当于一个智能搜索工具，确实有用，但本质上还是copilot的思路。 后来这个agent变得更聪明了，可以做更复杂的查询，比如"我现在要和一家石化行业的公司开会，帮我找五个可能对他们有帮助的创始人"。它能调用RAG（检索增强生成）和各种数据库查询方式，给出有价值的推荐。Ryo说这让他作为合伙人的效率提升了20%-30%。 但真正让Ryo说出"holy shit"的，是第三步。他们在这个agent上面，又加了一个monitoring agent（监控agent）。这个监控agent会扫描每一个YC员工发出的每一条查询，记录哪些查询成功了，哪些失败了。当一条查询失败时，监控agent会自动分析：为什么失败？是缺少某个确定性工具？是skills file（技能文件）需要更新？是数据库需要新建一个视图？还是需要加一个新的索引？ 然后，监控agent会自动写代码，提交merge request到YC的代码库，让另一个agent来review这个改动，通过后自动部署上线。整个过程，从发现问题到修复上线，全程无需人工介入，在一夜之间完成。第二天，当有人再提交同样的查询时，它成功了。 这不是提升了20%的效率。这是一个系统在没有人类干预的情况下，自己发现了自己的缺陷，自己修复了，自己变得更好了。 Burn Tokens, Not Headcount Ryo提到了一个数据：YC最近这批公司到Demo Day时，人均营收大约是18个月前的5倍。而且他认为这个趋势还会继续，到Series A、Series B的时候同样成立。 传统的创业思路是：要增长，就要招人。但如果一家公司把self-improving loop真正跑起来，增长和人数就开始脱钩了。你能做的事情越来越多，但需要的人不一定越来越多。你的边际成本变了，不再是人力成本，而是计算成本。 Ryo还说：现在衡量员工的一个粗糙指标，是看他们的token usage。谁在"token maxing"（把AI用到极致），谁只是偶尔用用，这反映了谁在真正拥抱这种新的工作方式。 中层管理，正在消失 Ryo说：middle management（中层管理）结束了。 中层管理存在的核心价值，是解决协调问题——确保信息在组织内部顺畅流动，确保不同团队之间的工作能对齐。但如果AI能承担这个协调角色，中层管理的存在理由就消失了。 Ryo说他认为未来公司只需要两种角色。第一种是IC（Individual Contributor，独立贡献者），也就是真正动手做事的人。第二种是DRI（Directly Responsible Individual，直接负责人），就是每件重要的事情上，要有一个具体的人负责到底。 让公司对AI变得Legible：一切都要被记录 Ryo给出的构建self-improving company的第一个关键动作：让整个组织对AI变得legible。 YC已经在做这件事了。合伙人之间的所有邮件，现在都进入YC数据库。每一条Slack消息、每一个DM、每一次office hours，在过去三四个月里都开始被录音记录。 光记录还不够。所以Ryo说的第二步是diorize（整理和提炼）——把这些原始素材聚合、分类、提炼成有结构的知识，然后给AI"面包屑"，让它能找到相关的知识片段。 他举了一个非常生动的例子：YC的user manual（用户手册），很多内容是5到10年前写的，早就过时了。但YC在过去三个月积累了大约2000小时的office hours录音。有个合伙人在一个周末，把这些录音整理分类，然后让AI基于这些内容重新生成了一份150页的新版手册。到周末结束时，他得到了一份比原来的手册好得多的版本。 而且这份手册从此变成了一个living document（活文档）。每次合伙人给创始人新的建议，这些建议都会被比对、整合进用户手册，手册会自动更新。它变成了一个self-improving的知识库，实时反映着16个YC合伙人的集体智慧。 软件是一次性的，Context才是真正的资产 Ryo提出了一个颠覆性的观点：软件本身是ephemeral（短暂的、可抛弃的），真正有价值的是business context（业务上下文）和skills（技能知识）。 他说，现在的代码生成能力已经强到可以一次性生成大部分内部工具和dashboard了。他的建议是：把内部软件当作ephemeral的来对待，随时可以生成、随时可以丢弃，关键是把数据和业务知识保存好。 人类在这个系统里的位置 在一个self-improving的AI系统里，人类生活在边缘（edge），而不是中心。整个公司运作的核心是那个AI驱动的brain（大脑）。 人类能到达AI还无法到达的地方。比如一场面对面的会议，一次充满情绪和博弈的谈判，一个需要高度上下文判断的伦理决策。 AI可以提供背景信息、历史记录、可能的解决方案，但最终做出判断和给予支持的，还是需要人。 我的思考：现在就该重新设计你的公司 现在这个时间节点对于创始人来说有一个独特的机会：公司还小，组织还没有固化，正好是从一开始就按照AI-native的方式来设计的最佳时机。 具体来说，有几件事是任何规模的公司现在就可以开始做的： 第一，开始系统性地记录一切。不只是会议纪要，而是真正让有价值的对话、决策、经验都被捕获下来，成为可被AI读取的知识资产。 第二，识别公司里哪些环节是重复的、可以被闭环的，然后认真想一想能不能把它设计成一个self-improving loop。 第三，认真审视你的中层结构，想清楚哪些协调工作是可以交给AI来做的，然后真的交出去。