来自 @trychroma 创始人 @jeffreyhuber 的分享，针对「如何构建 AI 时代的公司」，给出了 12 条原则

真正改变的是公司的稀缺资源

Jeffrey Huber 提出的这 12 条原则，表面上谈数据、工具、招聘和 Agent，背后其实只有一个判断：AI 正在让执行能力商品化。

过去，公司围绕人的执行力来组织。要完成更多工作，就要招聘更多人，再用流程和管理解决协作问题。

当写代码、做分析和处理流程的边际成本持续下降，这套组织逻辑就会松动。执行不再是最稀缺的资源，上下文、专有知识、商业机密、品味和判断力才是。

所以，我更愿意把 AI Native 公司理解为一种新的资源组合：旧公司捆绑劳动力与协调机制，新公司捆绑上下文与决策权威。

这也是理解下面 12 条原则的主线：把正在商品化的能力租出去，把真正稀缺的资产攥在自己手里。

拥有上下文，租用智能

第一条原则是拥有自己的上下文。

这里的上下文不只是数据库里的显性数据，还包括组织惯例、决策依据、业务经验，以及过去依靠口口相传的隐性知识。

AI 时代迫使公司把这些东西写下来。一个组织如果对人不可读，对 Agent 同样不可读；如果知识只存在于少数人的脑子里，Agent 就无法稳定参与工作。

第二条原则是租用智能。

大模型能力会越来越容易替换。公司不应该把核心竞争力建立在某一个模型供应商上，而应保留切换模型的能力和议价权。

真正需要警惕的，不是租用了外部智能，而是供应商借服务之名控制了企业上下文。Jeffrey Huber 把这类厂商称为“上下文吸血鬼”。这个说法虽然尖锐，但指出了关键风险：模型可以换，积累多年的业务语境很难重建。

我的判断是，AI 时代最重要的技术边界不是“哪些模型必须自研”，而是“哪些上下文绝不能失去控制”。

自建工具，外购底座

第三和第四条原则重新划定了自建与外购的边界。

随着软件制造成本下降，承载独特业务上下文的内部工具更值得自建。它们不只是提高效率的程序，也是公司知识、流程和判断标准的容器。

数据库、训练基础设施等通用底座则可以购买。它们重要，但通常不构成公司的独特性。

过去，自建内部工具常常因为成本太高而不划算。现在问题变了：只要工具与独有业务知识深度结合，自建就可能成为积累上下文的方式。

判断标准因此不再只是开发成本，而是这个系统究竟承载通用能力，还是承载公司独有的认知。

先教 Agent，再决定是否招人

第五条原则把招聘的默认顺序倒了过来：遇到新任务，先尝试教会 Agent；教不会，再考虑招人。

这不是说公司不再需要人，而是要求管理者先判断，任务的瓶颈究竟是执行，还是判断。

如果只是可描述、可检查、可重复的执行工作，Agent 应该先承担。如果任务依赖品味、责任和复杂判断，人仍然不可替代。

第六条原则因此主张建立小而品味高的团队。

当执行能力可以被大量调用，人数不再天然代表产能。小团队的优势是决策快、信任成本低，也更容易保持判断标准的一致。

未来团队最重要的能力，可能不是亲自完成多少任务，而是能否定义问题、给出标准，并判断机器的结果是否值得采用。

信息开放决定 Agent 的上限

第七条原则是默认开放信息。

过去的信息孤岛主要造成重复劳动和协作低效。在 Agent 参与工作的组织里，它还会直接压低 Agent 的能力上限。

Agent 能做什么，取决于它能看到什么。如果客户信息、产品决策、项目经验和失败教训彼此隔离，再强的模型也只能在残缺的上下文里工作。

但“默认开放”不等于没有权限边界。我的理解是，组织应该主动消除无意义的信息阻隔，同时明确哪些敏感信息必须受控。开放的目标是让知识流动，不是放弃治理。

把公司变成持续学习的机器

第八条原则强调学习速度。

AI Native 公司的竞争，不只是比较谁使用了更强的模型，而是比较谁能更快地从行动中获得反馈，再把反馈变成下一轮行动。

Agent 可以加速执行，但真正产生复利的是更短的学习循环：提出判断、采取行动、观察结果、修正方法，然后把新知识沉淀回系统。

如果每次工作都从零开始，Agent 只是在加速消耗。如果经验能够进入组织上下文，AI 才会成为学习能力的放大器。

给 Agent 指令，更要给它评分标准

第九条原则是建立 Rubrics，也就是清晰的评分标准。

很多人使用 Agent 时，只告诉它“做什么”，却没有告诉它“什么叫做好”。结果不稳定，往往不是模型不会执行，而是组织自己没有明确标准。

评分标准把人的品味和判断变成可讨论、可检查的规则。它既帮助 Agent 自检，也迫使团队说清楚过去依靠直觉完成的判断。

这些标准不能一次写死。随着业务变化和真实结果出现，评分卡也要持续迭代。

我认为，这件事的价值甚至超过某一次任务自动化。因为一个组织一旦能够清楚表达“什么是好”，就开始把隐性能力转化为可积累的资产。

不要把 Agent 只当成接活的实习生

第十条原则要求 Agent 同时具备被动执行和主动发现问题的能力。

今天多数 Agent 仍然在等人下指令。任务来了就完成，任务结束就停止。

但优秀同事不会只等任务。他会持续关注业务、客户和路线图，发现异常，提出改进建议。

要让 Agent 具备这种主动性，前提仍然是上下文。没有充分的组织信息，主动只会变成无依据的打扰；拥有持续更新的上下文，后台 Agent 才可能发现真正值得人关注的问题。

从真实执行轨迹中学习

第十一条原则是保存 Agent 的真实执行轨迹。

保存轨迹的目的，不是为了“以防万一”地堆积遥测数据，而是为了回答几个具体问题：Agent 在哪里失败，为什么失败，哪些步骤经常需要人工接管，哪些判断可以进一步编码。

真实生产过程比演示案例更有价值。它暴露的是系统在实际约束下的能力边界。

这些轨迹如果能够持续反哺提示、工具、评分标准和流程，Agent 就会在应用层面形成一种不断改进的循环。

让 Agent 反过来采访专家

第十二条原则，是让 Agent 从重复出现的问题中识别模式，再反过来采访组织里的专家。

很多关键经验很难靠专家主动整理。人往往知道怎么做，却不容易完整解释自己为什么这样做。

Agent 可以从真实任务中发现缺失的判断，带着具体问题向专家追问，再把答案编码进工具、流程和评分标准。

人的角色由此发生变化：不再只是执行者，而是知识来源、规则设计者和最终裁判。

这也意味着，企业做知识管理不能只追求“收集更多文档”。更重要的是发现系统缺少什么知识，并把专家的隐性判断转化为可以复用的上下文。

最后的护城河仍然是人的判断

这组原则还有一句彩蛋式的总结：先思考，再使用 AI。

我认同这个顺序。

AI 可以降低执行成本，却不能替公司决定什么问题值得解决，什么结果可以接受，什么方向应该放弃。

如果人没有先形成判断，AI 只会更快地产出更多看似完整的内容。如果人有清晰的目标、品味和标准，AI 才能把判断转化为规模化行动。

因此，这 12 条原则最终不是一份 Agent 使用手册，而是一套公司设计原则：租用智能和通用基础设施，拥有上下文、工具链、品味与学习速度。

AI 时代真正的分水岭，不是谁部署了更多 Agent，而是谁能把人的判断沉淀成组织资产，再让机器不断放大它。