把 AI 用成一支团队，让自己也一起变强

大多数人用 AI，是为了更快拿到结果。但如果只是更快拿结果，你那部分能力会慢慢萎缩，最后被替代。我想走另一条路——用 AI 的同时，让自己也一起变强。这篇讲讲我这两年摸出来的一套方法，和它背后的几个判断。

一、从一个被”退回”的报告说起

几年前，我接到一个任务：把”前沿科技洞察报告”做成自动化。我一上来就用 AI 把材料一汇总，做完发了出去。

一位前辈点醒了我，这句话后来成了整件事的起点：

“你写材料可能两三个小时；可我要挨个检查，得花上半天甚至更久。用 AI 帮忙可以，但你更该发挥自己的能力——你得去做审核，因为 AI 是有幻觉的。”

这句话的本质是：AI 能加速产出，但产出的”可信”还得人来兜底——而兜底的成本，可能比省下的还高。

我做了反思。但说实话，我有点执拗，甚至可以承认是”懒得动脑”——我就是想让 AI 能全自动、全权操办。把 AI 训练到这个程度，会让我觉得很爽、很有价值。客观看，我在”教会 AI 自动化”上投入的精力，可能远远超过我自己审一遍材料。单看那一次，是不划算的。

但这恰恰是关键：这跟我最早研究游戏自动化脚本、深啃一门脚本语言是同一种冲动——我要的不是省这一次的事，是为”一套通用的自动化方法论”做一次足够深的投入，换回长期的省心。

这就是数据飞轮的逻辑：前期把轮子推起来最难、最重，但一旦转起来，会越来越顺、越来越深。所以那一课没让我退回”老老实实自己审一遍”，而是把我推向一个更难、却更长期的方向——想办法，让 AI 自己把”可信”也兜住。

于是一连串东西从这里长了出来：怎么给 AI 喂更扎实的信息源；怎么让 AI 自己审查自己——这条路最后走到了多模型交叉评审：让不同的模型互相挑错，人就被解放出来；怎么立规范、定验收标准——比如要求每个数据源都带原文链接，我能点进去核对，交付的人也能点进去核对，把”人在最后一关验收”的效率也一起提了上来。

我也去学好的模板、模仿成熟的深度报告。这背后是一条我认定的、成熟的链路：先抄——抄大家都认可的；东西多，就挨个看、挨个学，取各家精华、去其糟粕；然后融会贯通地吸收，再进化成自己的。 这和严肃的学术研究其实是同一套路：背景调查 → 文献综述 → 沉淀过往 → 针对还没被解决的地方再走一步，于是变成自己的创新。

最有意思的旁证是：那位最早并不看好、甚至觉得 AI 做不成的前辈，后来自己也下场，开始认真地深用 AI。一个原本的怀疑者，被实践转化了。

二、先看大局：两条并行的进化线

要理解这件事往哪走，得同时看两条线。

第一条，是 AI 自身能力的进化：

聊天助手（问一句答一句）→ 智能体（能帮你干点轻活）→ 数字员工（能独立扛一件复杂的、好几步的长活）→ 超级组织（把一群数字员工组织起来，有分工、有记忆、会自我运转）。

第二条，是人类”驾驭 AI”的工程范式的进化：

提示工程（Prompt）→ 上下文工程（Context）→ 底座 / 工具工程（Harness）→ 循环工程（Loop）。

这两条线是耦合的——AI 越能干，越需要更高级的方式去组织和驾驭它。 多数人还停在第一条线的前两级、第二条线的”写好提示词”；而真正的前沿，是站在两条线的末端：把一群 AI 组织成会自运转的团队，让它自己一轮一轮地跑起来。

prompt → context → harness → loop 这条路，是过去两年一步步走过来的。走到哪一层，标定的就是你对 AI 的理解有多深。

三、方法论：组织 AI，和组织人是相通的

整套方法的根，是一句很朴素的话：管理一群 AI，能直接借用人类几千年的组织智慧。

有了这个视角，很多概念就不再是术语，而是被真实场景”逼”出来的组织形态：

• 子 agent：把一件需要干净上下文的活（一次深度检索、一次独立复核）拆出去，只回结论，主线不被细节淹没；
• agent 小队：几个不同职责的 AI 配合——一个干活、一个评审、一个把关，交叉审查提质量、减少出错；
• agent 集群：一大群 AI 并行处理大量同类任务，把”一个人干很久”变成”一群并行很快”。

从”拆一个”到”组一队”到”铺一群”，本质就是按任务的规模和复杂度，选择合适的组织粒度——这正是组织管理的常识，只是对象从人换成了 AI。

而且一个关键的判断是：不为造而造。 有真实、稳定、独立的职责，才设一个”岗位”；只是一句话问完的事，直接用就好。方法论的成熟，恰恰体现在”什么时候不建”上。

四、一个精准的类比：应用层的 LoRA

如果你了解大模型，会知道一个很省力的微调方法叫 LoRA：不动那个庞大的基座模型（冻结它），只挂一个轻量、可插拔、可分享的”适配器”，就把通用模型专门化到某个领域。

我做的这套东西，本质上一模一样，只是发生在应用层——我不碰基座模型的训练，我挂的”适配器”是：规则、流程、记忆、技能、agent 的组织方式。

这个类比往下推，会得出一个有意思的结论。LoRA 的适配器能堆叠、能分享、能加载；同样，一份”技能”也可以——它把一个老手的某项专长，蒸馏成一个轻量、可复制的文件，谁都能加载上去。

换句话说：复制粘贴，就是专家蒸馏。 过去一家公司要花大量成本，才能把一个新人培养成熟手；当”专家能力”可以被打包、复制、加载，企业的培训和用人逻辑会被改写，甚至连沿用至今的标准化教育，也可能因此松动。

这也指向了”超级个体”的概念：

单人 + 单 AI（今天大多数人停在这）→ 单人 + 一队数字员工 = 超级个体（一个人指挥一支有分工的 AI 团队，产出顶过去一个小组）→ 多人各带 AI 团队再协同 = 超级组织。

而成为”超级个体”的入口，就是用好记忆和技能：把你的偏好、背景、做事方式沉淀给 AI，它越用越懂你；把一套好做法固化成技能，AI 学会一次，以后都能用。

五、三个越想越确信的判断

方法之下，是几个更根本的判断。

其一，协同进化，是为了”不被替代”。

这套框架不只是提效、不只是让 AI 变强——更重要的是，它让我们自己同时变强，与 AI 协同进化，而不是随着智能越来越强，让自己被直接替代掉。这背后是一套对”学习”的理解：我要的不是浅层地会背、知道个大概（那种东西没有泛化性，只会固定解法），而是真正掌握”抽象建模”的能力——因为学习本身，就是一件极具泛化性的事，做好任何一件事，都得先学习，只是我更愿意把它叫”建模”。

这几乎就是芒格在《穷查理宝典》里讲的”多元思维模型的栅格”。区别在于：芒格用一辈子手工搭那张栅格，而我想用 AI，给”搭栅格”这件事本身，装一个加速器。

其二，省脑是手段，长脑才是目的。

大多数人用 AI 是在”省脑”——让 AI 替自己想。短期很爽，长期是把自己那部分能力外包出去、慢慢荒废。我这套是反过来的：用 AI 的同时，逼自己去理解、去建模、去拔高那些不会被 AI 替代的能力——方向感、战略眼光、品味、决策力。

其三，只要还有”信息熵”，人就有位置。

这是我最确信的一条，几乎是信息论意义上的：只要系统里还存在信息熵、还有未被消化的混乱，就一定有 AI 不了解的部分，就一定有机会、有”人”能存在的价值。

它和那个著名的 P ≠ NP 猜想是同构的——P/NP 的核心是”验证比求解容易”。我整套飞轮恰好吃这个红利：让 AI 负责求解（生成），人只做验证（带上原文链接，一点就核）。而真正不可约地难解的那片空间里，能驾驭 AI 去导航的人，价值是不可替代的。

六、所以，这是什么

它不是一个产品，也不只是一套工具。它是一套驾驭 AI 的通用方法论——从一个被退回的报告里长出来，经过飞轮、交叉评审、规范沉淀，一点点磨成的；是一条人机协同进化的路——让 AI 变强的同时让人更强，以此抵抗被替代；也是一个关于”人的价值”的信念——只要还有信息熵，驾驭者就有位置。

这个阶段，技术其实不是瓶颈，真正缺的是场景和落地——需要用实践把框架本身打磨完善，让它从一个领域的深耕，逐步长成跨场景的通用能力。就像有的团队死磕一个垂直场景，磕着磕着，磕出了一条相对通用的解法。

我做这件事有底气，不是因为它一定能赚多少钱，而是因为——它是我真正想清楚、又真刀真枪做出来的东西。它先让我成了更强的我。这一条，就已经够了。

如果你也在认真地用 AI，而不只是把它当一个更快的搜索框，欢迎一起聊聊。这条路很长，但我相信，越走会越宽。