fankai @fankai_dev - Twitter Profile

2 days ago

昨天和一个创业团队深入交流。他们深度使用 Moxt 来搭建 AI-native 工作流。他们总结了一些思考和经验：第一，AI-native 不是工具提效，而是工作方式重构。把 AI 当成更快的搜索、写作、coding assistant，提效 30%、60%，远远不够。 AI-native 要达成数量级的效率提升，原来的流程本身必须重新设计。第二，所有信息要变成 queryable。所有信息，agent 随时能查到。会议有记录，决策有文档，任务有状态，讨论有沉淀。不让关键信息只存在某个人脑子里。传统团队同步是 N×N，每个人和每个人沟通。AI-native 更像 N×1，每个人都和同一个公共 context 同步。第三，agent 从第一句话就参与进来。不是想完了、写完了再丢给 AI 优化，而是想法刚出现，agent 就在场。让 agent 全程参与，人慢慢退到幕后，只在有必要的时候才介入。第四，交给 agent 后，先听它怎么说。别急着把自己的判断说出来。人一旦先给框架，AI 很容易被锚定，最后只是顺着你补论据。先让 AI 给出独立判断，再由人来选择、修正和决策。第五，客观事项尽量减少 human in the loop。事实层、信息层、整理层的事，尽可能交给 AI。人的带宽不该浪费在确认客观信息上，要留给真正需要判断和取舍的地方。包括很多方案的讨论，分歧都是来源于对事实的不清晰，应该让 agent 先帮大家把"事实层"对齐，自然就会解决很多信息不对称导致的分歧，剩下才让人来做判断。第六，人做判断题，不做生成题。人的角色在变：从"生成内容"变成"做选择"。AI 把可能性展开，人负责方向、标准和取舍。做判断题的带宽比生成题要大的多。即便如此，AI 把执行层提速后，人的决策带宽也常常成为新瓶颈。以前一天做 1 个决定，现在要做 20 个。第七，所有产出都要回流到 context。 AI 做完一件事，结果、过程、判断依据都应该沉淀回团队 context，成为下一轮的输入。没有回流，就没有真正的 loop。如果总结成一句话：AI-native team 不是"每个人都用 AI"，而是把工作方式重新设计成：信息对 agent 可查询，任务由 agent 深度参与，事实层由 agent 处理，人专注判断和取舍，所有结果持续回流成新的 context。我也问了他们：用 Moxt 搭这套工作流，当前最大的痛点是什么？他们说了一个很具体的问题：本地 agent 还没有很好地接进来。研发场景里，大家还是会用本地的 Claude Code / Codex。虽然团队的 context、任务、讨论和决策在 Moxt 里，但是开发过程的中间信息都留在了本地。这导致 loop 没有完全闭上，需要手工在两种环境下去同步 context。这也是 Moxt 接下来要解决的：让本地 agent 更自然地接入团队 workspace，让整个工作流的 context、执行和反馈真正连成闭环。

0

5

1

2

141

fankai

@fankai_dev

Who to follow

Last Seen Users on Sotwe

Trends for you

Most Popular Users