Greg Isenberg · 56:44 · 发布 2026-06-08 · 8694次观看(截至抓取) · 观看原视频
🔥 观众最高回放 52:11 — 把人+agent+context 三件套包装成服务业务时,观众最常回看”行业 × 职能 × 公司规模”三向量定位框架这段。
主旨
LCA 联合创始人 Theo 用一节课把”AI 原生组织”拆成可落地的三件套:人管 agent、agent 读写公司、公司随使用越用越聪明,并用两个现场 demo(提案微站 3 分钟、Daily Blitz 功能 10 分钟)证明这套系统的速度与可验证性。
核心论点
- AI 原生组织 = 人管 agent、agent 读写公司、公司随使用越用越聪明——三件套缺一不可,仅用 ChatGPT 不算。(→ 详解2)
- 速度要服务于客户信号,而不是为速度而速度——Demis 那句”100 mph 跑错方向不如站着不动”是整节课的方向锚。(→ 详解1)
- AI 吃中间、人守两端,每个人都是 manager——AI 接管执行,人只管策略、品味、信任与沟通这三个高价值封头。(→ 详解3)
- agent 自治需要四件套:清晰目标、技能、工具、上下文;少任何一件,agent 就退回”边问边做”的低自治状态。(→ 详解4)
- Eval 是把”好”显性化——把质量门槛写进 skill 与 context,让 agent 能反复达到同一档质量,而不是赌单次输出。(→ 详解5)
- Skill chain = 顺序触发多个 skill 的宏技能——靠”建 → 文 → QA”三段串联把 AI 幻觉压下来,提案微站 3 分钟上线靠的就是这条链。(→ 详解6、详解7)
- Context 是公司的大脑,不是记忆——文件夹里一组 markdown + 检索/读写回路,给 agent “2020 vision”般对公司全局的可读性。(→ 详解9)
- 小型团队可用 Mobin MCP + Spotify design system + 目标 skill 这类外部资源”补”context——不是 LCA 才有的特权。(→ 详解9)
- 把三件套产品化的关键是三向量定位(行业 × 职能 × 公司规模)——观众最高回放段落就落在这。(→ 详解10)
知识点详解
1. Demis 故事与”速度 × 方向”命题 04:09
Theo 用一个 30 秒的小故事开场:Demis Hassabis 4 岁下棋、13 岁成大师、用比赛奖金买 Amiga 自学写代码、参与 Theme Park 卖百万份、再读认知神经科学博士、创办 DeepMind 被 Peter Thiel 投资、把地球上几乎每种蛋白质都做了结构预测、做出击败世界冠军的 Go AI、2014 年被 Google 收购——结果 2024 年拿了诺贝尔奖。“underachiever”。
他引 Demis 在 Google I/O 的一句话作整节课的方向锚:“Running 100 miles an hour in the wrong direction is worse than standing still”——“100 mph 跑错方向不如站着不动” 06:15。速度本身不是目标,速度必须服务于”对客户有价值的方向”。这条命题贯穿全片:后面所有 demo、所有 skill 链、所有 context 回路,目的都是把速度转化为来自市场的真实信号。
Theo 把这点接到 AI 原生组织上:当你能高速工作、理解信号、看清在朝什么跑,这整套 AI 原生系统就会”deliver incredible value for your customers and quite frankly build a moat that makes you unstoppable”——交付客户价值,顺便建出护城河。
2. AI 原生组织的三件套定义 06:53
Theo 给出的”一句话定义”是:“An AI native or is one where people manage agents, agents can read and write to the company, and the company gets smarter over time”——人管 agent、agent 读写公司、公司随使用越用越聪明 06:58。
他紧接着点出最容易踩的坑:用 ChatGPT 不等于 AI 原生。Greg 现场补刀:“用 ChatGPT 不代表你是 AI 原生公司或个人,就像有网站不代表你是科技公司。” The gap is massive,Theo 强调——必须真的建出系统。
这套系统由三层组成:people、agents、context 07:56。三层各自独立,合在一起才产生”分钟级产出 + 实时信号”的特质。Theo 用一句话收尾:“you can’t just have speed for the sake of speed. You have to do it in service of your customer and you have to know what you’re running to”——速度不是为速度,要知道跑向什么 06:30。
3. 三层系统图 + AI 吃中间、人守两端 08:19
Theo 借用了自己在 newsletter 里画过的图来对齐三件套:人(people)在顶层管 strategy、taste、judgment、trust;agent 在中间层,代人对接 context;context 在底层,是”shared context layer”,对 agent 来说就像 2020 vision——什么都在、什么都能被读到 08:47。“A lot of people use different terms consumable, legible, etc., etc., but I like readable”——可读即可,具体词不重要。
这层的关键不是”建一个炫酷的 AI 系统”,而是 make your company readable to agents——让公司对 agent 可读。这件事 Theo 反复点:不是装一堆新工具,而是把公司内部的内容、决策、历史改成 agent 能扫、能取、能写回的形态。
紧接着他把”人的角色”重新定义:在 AI 之前,人花大量时间在”中间执行”上,只在两端花时间(开头:研究、决策、目标;结尾:review、沟通、判定好坏)。AI 真正改变的是”AI actually eats the middle”——AI 把中间执行吃掉,人于是被释放去两端 10:26。书挡两端才是高价值工作:strategy、taste、judgment、trust。
由此推出整节课的”人”重定义:everyone is a manager now 11:14。Andy Grove 那句判官话被引用:“the success of a manager is the success of their team”——你作为 manager 的成功 = 你带的 agent 团队的产出。这条 reframe 是后续所有具体操作(怎么给 agent 配技能、工具、context)的前提。
4. Agent 是什么 + 自治的四件套 13:23
Theo 直接给 agent 一句话定义:“Agents are models using tools in a loop”——Agent = 在循环里调工具的模型,出处是 Anthropic 工程师 Barry Zang 13:52。给它环境、工具、目标,它就能转起来。
接着他把当下 agent 的成熟度切成三档:第一档是只跟 ChatGPT/Claude 聊天;第二档是 agent 在跑、但你得不停点”approve/approve/approve”;第三档是”agent autonomy”——agent 跑几天甚至几周无人监督,主动把东西递到你面前 14:55。Theo 想要的是第三档,而到达第三档的硬条件是四件齐备:“you need a clear goal you need the skills you need the tools and you need the context”——清晰目标、技能、工具、上下文,缺一不可 15:13。
他用”新员工入职第一天”的类比把这条说穿:目标模糊、没技能、没工具、不知道公司,新人一定失败。多数人对模型”没出活”的挫败来自这几件没凑齐,而非模型不行。Think about it like a new hire——把 agent 当新员工带,这是后续所有 setup 的隐喻 14:45。
5. Eval:把”好”显性化,质量门槛回写进 skill/context 16:12
Theo 把 eval 翻译成一句话:“an eval is essentially your visibility into the output of an agent”——Eval 是你对 agent 输出的可见度——能看见它干了什么、怎么到的、产出长什么样、以及与 desired output 对比打个分(8/10、9/10、10/10) 16:32。
这条机制的关键不在”打几分”,而在于”如果我有标准、有 quality bar、有 SOP,这些’好是什么样’的描述能被 fold into a skill”——折进 skill 里。goal 明确说清”什么时候算 great、什么时候要 great、什么时候 just done”,三者合在一起,agent 才能反复输出你要的那一档质量。
这条机制在 LCA 的实现里表现为”skills library”:团队共用一套带 eval 门槛的 skill,任何 agent 跑这条 skill 都按同一档质量出来——而不是每个人跑出自己的样。这与 Harness 在能动工程里的位置同向:质量门槛不是事后人工补,是 harness 内部写死的可重复条件。
6. Skill chain:顺序触发多个 skill 的”宏技能” 17:34
Theo 用 The Matrix 里 Neo 上传功夫的镜头打比方:skill 本质就是给 agent 上传一段能力,markdown 文件,可被检索、可被触发。“Skill chain 不是什么新东西”——他强调,核心是让你能 fire 一串 skill 顺序跑,把输出质量再抬一档。
Theo 直接给了 skill chain 的定义:“skill chains are running playbooks back to back”——顺序跑一组 playbook 19:53。技术形态是一个 macro skill 套几个子 skill:skill 1 跑完调 skill 2,skill 2 跑完调 skill 3,一路下去。
这条机制的杀手锏是反幻觉。Greg 在 demo 前问:“为什么大家用着用着就放弃了?”Theo 答:“AI hallucinates…AI loves to fake it till they make it”——AI 太爱装作做到了,你的工作是确保它尽量别装,或把装的代价压到最低 23:34。链上的 QA skill 就是这层”代价压低器”。
Theo 在 proposal demo 前先点了一遍三件套:“it fires three skills here”——这条链上跑三件:proposal micro site(搭页)、copy(改稿)、QA(审校) 21:21。三件跑完,直接部署上线,Slack 通知。
7. Demo 1:Spotify 提案微站 3 分钟上线 25:48
Theo 在 Slack 手动触发这条 skill chain,Greg 当信号方假装是 Spotify 准客户。“in about 3 minutes four minutes we’ll actually see the output of this proposal”——3-4 分钟后见成品 21:26。2 分钟后 Slack 真的 ping,提案 microsite 已部署。
成品是一份带 Spotify + LCA 双品牌的周计划微站:周次排布、团队、成本、收尾。“速度换成交”——Theo 反复强调:在销售场景下,从客户说”想看份方案”到交付,过去可能要 3 天(回邮件、找团队、确认档期),客户可能已经冷了或跑去别家。现在是分钟级。
更妙的是 context 在这里发力:Theo 在 spotify/文件夹里放了一份和 Maya 的初次通话记录,Maya 提过”唱片店店员递一张黑胶、说 trust me,这就是 discovery”——agent 把这句话”a home that works feels like a record store clerk who knows you”织进了提案 27:23。还有 Greg 在 11 月跑纽约马拉松、Maya 提过 mile 8 是最难的一英里——“good luck in November save something for mile 8”被织进另一段 29:22;Greg 自己则补充”我训练纽约马拉松在 11 月”成了另一条锚 29:30。
这段落的杀手锏不在 3 分钟本身,而在”我手忙时,系统自己就处理了”。Theo:“the brain will understand that”——大脑会识别邮件里”想要提案”的信号、自动拉 trigger、自动跑完链、自动 ping 你 30:17。你回到桌前发现”咦,提案已好,什么情况?”——回看 breadcrumb,发现是 A 客户要的。审一下,发出去,客户惊:“你才收到就要给我?“
8. Demo 2:语音口述 10 分钟上线 Daily Blitz + 现场测试与 V2 闭环 30:46
第二个 demo 用语音(Whisper Flow 类的 native mic 即可)口述需求:“I want to create a feature for Spotify. I want it to help increase retention. I think it should be a daily mini playlist or a daily blitz of three songs. I should be able to access it from the homepage…” 接着:“build this in under 10 minutes, use all the context you have, make sure it’s beautiful and matches the design system, and make sure that I can test retention.”
这条 chain 跑 5 件(假设 build prototype / usability test / feedback synthesis / V2 plan / V2 execute),Theo 跑中档 medium effort + auto 模式。跑完后 Greg 打开看到 Daily Blitz 三首歌卡,带”为什么选这首”的说明、分享给朋友、播放——是 Spotify 真品牌风格。
接下来是当场 usability test。Greg 用手机扫码填完一问卷,5-7 分评”你愿不愿再来”。完成后 Theo 点”signal tab”上的 synthesize:“all you have to do is click this. This is another skill, and it’ll synthesize the results”——一键由 skill 综合多份反馈 49:22。Theo 说 50-100 份后会非常有用。点完直接出 lessons;再点”plan V2”+“execute”,当场能做 V2——“a perfect 2020 vision because of the context”——反馈合到下一版,因为有了 context 才有这么高保真 50:26。
Theo 主动给 Greg 算了一笔账:proposal 过去 3 天,现在分钟;clickable prototype 过去 1-2 周,现在分钟;usability 收集与合版过去几天,现在分钟。速度 → 客户信号 → V2 在同一 session——这是整套系统在产品场景的具体落地。
9. Context 当大脑 + 小团队从零补 context 41:07
Theo 把 context 层定义成公司大脑。具体结构是:一堆文件夹里的一堆 markdown 文件,带 README 引导 agent 走目录树。Theo 在 GitHub 上为这节课临时开了一个 brain 公开示范,展示了 spotify/ 下的 correspondence、meetings、readme 等子目录。
Theo 把 context 的运转切成五步闭环:capture → curate → store → execute → experience。Capture 用 routine(cron)定时从 Slack、邮件、Linear、会议记录、boards 等多源拉数据,塞进”inbox”里 35:12。Curate 阶段让 agent 当图书管理员:该留的留、该删的删、该当 trigger 的标。Store 进脑——脑就是文件夹树。Execute 由人管 agent、agent 用 context 完成工作。Experience 是用户/客户用上产出的过程。“All of that flows back into the system itself”——所有产物 + 信号回流进系统 38:05。
Theo 在”traces / exhaust”上多停了一段:执行过程的中间产物(为什么做这个决定的文档、几次试错、删除的稿子)其实是非常有价值的语料,通常被当垃圾丢掉。“all those little things…are actually really valuable”——他主张让脑把这些 traces 也读回、转成新 skill 或 lesson 39:05。这把 自退火的逻辑搬到了非工程领域:工作流跑出来的废料反而是最值钱的训练数据。
回到 Greg 关心的”我没有 55 个聪明人,怎么补 context”——Theo 的回答很具体:Get Spotify’s design system or another one that’s similar. Create a skill around it. Plug into a Mobin MCP 44:52。Mobin 是大量设计精致的 app 流程库,带 MCP,接上就能在自己机器上拉出现成 UI 参考。“we are not the only people who have produced beautiful work”——不是 LCA 才有的特权,世界到处都是好成果,你只要找到对应 MCP、接进来、叠在目标 skill 上 44:26。
具体动作是”find ways to provide context on why this would be a great product”——小团队哪怕 context 浅,也能给”为什么这是个好产品”那层补足 46:11。“this isn’t only LCA stuff”——这不是 LCA 的专利 44:58。这条论断对资源受限的小团队是关键松绑。
整段给读者的可操作映射是:用 渐进式披露 的文件夹结构组织 context(Spotify / Maya / readme);用 外脑三条路线 选型里的”路线一 文件 wiki”形态起步;借 MCP 接外部设计/工作流资源加速冷启动;用 RAG 思路做检索;用 trace 回收做”自退火”式持续改进。这与 vault 里 外脑三条路线 提的”路线一 文件 wiki + 路由器”完全同向。
10. 三件套产品化:三向量(行业 × 职能 × 公司规模)+ 频率/通用度 51:18
Theo 把整节课收口在”创业想法”:AI 原生系统是当前他眼中”最快增长的市场之一”。卖给谁?三个 vector——“the three vectors is industry function and company size”——行业、职能、公司规模 52:16。“the game here is to niche down”——游戏是往下切 52:12。
具体定位方法:行业挑一个(商业地产、牙医、餐厅——他现场点出餐厅特别热);职能挑要支持哪条业务线;公司规模挑一层。“you might already have an unfair advantage in one of these”——你在某一维上可能本来就有人脉/经验优势,直接用 52:48。三家 LCA 会真的这么开:5 家公司 = 5 种切法同时开。
Greg 接着补了个 2×2 框架:横轴 niche → general、纵轴 low frequency → high frequency,落在”niche + 高频”的格子最容易打——niche 行业有现成客户群、高频意味着你能跑出可重复 SOP;之后扩到 general + 高频,再扩到 niche + 低 ROI 的高价值区。整张图观众回放密度最高。
Theo 的最后一段留给你:“think through the lens of managing agents and what those agents need to succeed and you will be well on your way to being ahead of most companies in the world”——用”管 agent + 配 agent 所需”的视角看,你已经领先大多数公司了 55:58。“scrape your knee and get stuff done”——别怕摔,做就完了 56:08。视频就在这两句停。
可执行步骤
- 用 30 分钟给自己的业务画一张 people / agents / context 三层图,标出每一层目前覆盖到哪、缺哪——这是 AI 原生 audit 的最小入口。
- 选一条本周会做至少 2 次的工作流,手动跑通一次,然后让 agent 帮你把它录成 skill(参考 Harness 的递归式构建逻辑)。
- 给你的 skill 写一条”什么是 great”的 eval 标准——可以是 checklist、可以是评分维度,关键是写出来而不是只在脑里。
- 把”建 → 文 → QA”三个基础 skill 串成一条 chain,跑一次(可以拿 3-5 个老提案练手),看 3 分钟能不能真的出能用的成品。
- 挑一个外部 MCP 接进来(Mobin / Linear / Slack 任选),体验一次”不靠自家沉淀也能跑出可看产出”——验证”小团队也能补 context”这条主张。
- 建一个”公司脑”文件夹树:company/people、company/clients、company/decisions、company/learnings,每条新信息按 README 引导 agent 检索。
- 用 routine(cron)把邮件/会议/Slack 拉进脑的 inbox,再用 curate agent 决定该存哪/该触发什么——五步闭环每周跑一次。
- 把执行的中间产物(为什么选这个方案的笔记、试错的稿子)定期喂回脑,看能不能生出新 skill 或 lesson。
- 如果想产品化这套系统:用行业 × 职能 × 公司规模三向量定位目标客群,先在 niche + 高频格子试一个 30 天 sprint。
关联
- 印证:AI Agent 与 Claude Skill 工作原理 印证本片”上下文 = 模型拉来的所有信息”——Ross Mike 同期 Greg 频道节目把上下文六层堆叠拆开,本片的”context 当大脑”是这个抽象在 LCA 的具体落地,两片合看 = 抽象 ↔ 落地的双向镜像。
- 互补:静态上下文与动态上下文 印证本片 skill 设计的”按需加载”逻辑——skills 在 vault 里被定位为”按需加载的动态上下文”,本片 skill chain 是把多个动态 skill 串成可重复 playbook 的具体打法,补的是”多 skill 怎么编排”那一半。
- 互补:外脑三条路线 印证本片”context 当大脑 = 路线一 文件 wiki”——Theo 的脑=文件夹+markdown+README,正是路线一的具体形态,本片补的是”用什么 routine 喂数据 + 用什么 trigger 触发执行”的运行时层。
- 互补:自退火 印证本片”traces 回流进脑、长出新 skill/lesson”——自退火本是工程概念,本片把同一逻辑搬到非工程场景(销售/产品/设计),补的是跨域应用。
- 进阶:Fable5实战 8 个高杠杆 prompt 与 3 个微型创业方向 是 Greg 同一频道、3 天后录的姊妹篇——本片给”AI 原生 = 速度转信号”的总框架,那篇把框架具象成 8 个 Fable 5 prompt 模板 + 3 个 funnel 创业方向;先看本片拿系统骨架,再跳那篇拿具体 prompt。
- 互补:Claude Code Skill 印证本片”skill 是什么 + 怎么用”——本片用”宏技能串联”的视角补 Claude Code Skill 文档里没讲的”多 skill 怎么编排”那一半。
一手来源与延伸
- LCA(Late Checkout Agency)官网 — Theo 的 agency,视频中反复提到的”在给 Fortune 2000 做 AI 原生改造”的具体语境。
- Idea Browser — Greg 自家的 startup idea 源,视频里点出”用它挑行业/找方向”的用法。
- The Vibe Marketer — Greg 频道的 vibe marketing 资源站,本片末尾链接的同生态资源。
- LCA 公开 brain(GitHub,本集临时开) — Theo 在视频中点出”为这节课临时开了一个 brain 公开示范”,作为 context 层文件夹结构的实操样本(以视频演示为准)。
- LCA 主页 — 视频末尾 Greg 提示”$10M+ 年营收公司可申请 Theo 的免费 10-15 分钟咨询”对应的承接入口。
- Greg Isenberg 推特 / Instagram / LinkedIn — 视频中 Greg 反复放的社交入口。
- Theo Tabah 推特 / LinkedIn — Greg 在片尾点”Theo 是 criminally underfollowed 的账号”。
术语
- AI 原生组织(An AI native organization,Greg+Theo 整节课的核心定义:人管 agent、agent 读写公司、公司越用越聪明)
- 三件套 / 三层系统(people + agents + context,LCA 的整套 AI 原生架构骨架)
- Speed-to-signal(把”高速产出”的目标从”内部效率”重新定义为”从市场快速拿到真实信号”,本片反复出现的运营目标)
- Skill chain(顺序触发多个 skill 的宏技能,核心是用链上的 QA skill 压低 AI 幻觉)
- Skill library(团队共用的、带 eval 门槛的 skill 集合,任何人跑同一条 skill 都出同档质量)
- Eval(把”什么是 great”显性化,折进 skill/context,让 agent 反复达到同一档质量)
- Agent autonomy ladder(三档模型:聊天 / 边问边做 / 跑几天无人监督,本片目标是第三档)
- Context layer(公司大脑:文件夹树 + markdown + README 引导 + capture→curate→store→execute→experience 闭环,Harness 概念在本片的具体形态)
- Trace / exhaust(执行过程中间产物:为什么选这个方案的笔记、试错稿、删除版本;本片主张回流进脑,Self-annealing 自退火在非工程场景的落地)
- Three vectors(行业 × 职能 × 公司规模,Theo 给”卖三件套”创业方向的定位框架)
- Readable(本片对 context 层的动词要求:让公司对 agent 可读、可扫、可取、可写回)
金句
“Running 100 miles an hour in the wrong direction is worse than standing still” 06:15 → Demis 在 Google I/O 的原话,Theo 把它当成整节课的方向锚——速度不是目标,服务于正确方向才有意义,对照起来能随时校准自己在哪个维度上”快了但跑错”。 “Agents are models using tools in a loop” 13:52 → Barry Zang(Anthropic)的一句定义,把”agent”从玄学拽回工程——给环境、给工具、给目标,它就转起来,后续所有”自治”讨论都建立在这条定义上。 “AI loves to fake it till they make it” 23:34 → Theo’s 总结性金句,提醒读者 AI 的讨好倾向——它在没证据时也倾向给一个”看起来完成”的回答;QA skill + eval 是对冲这点的硬设施。 “we are not the only people who have produced beautiful work” 44:26 → 在 Greg 担心”我没人手”时 Theo 的直接回答——世界到处是好成果,接 MCP 就能用,这条对小团队松绑意义最大。 “scrape your knee and get stuff done” 56:08 → 视频最后一句,跟 Demis 那句”跑错方向”形成首尾呼应:先校准方向,然后别怕摔、动起来——这是 Theo 留给观众最具行动力的收尾。
立场与利益
视频的导流主要在两处:description 里挂的 startup-ideas-pod.link/ai-native-org(LCA 业务接洽页)与 latecheckout.agency(LCA 官网)。
- 与利益同向(待印证):详解 10 的”三向量定位 + niche 下切”是直接为”找 LCA 客户/学 LCA 开新业务”服务的——这条主张可独立验证(切 niche 是普遍方法论),但 Greg 显然借这条鼓励观众”自己也能开一家像 LCA 这样的公司”以扩张生态。
- 利益中性:三件套定义(详解 2)、AI 吃中间/人守两端(详解 3)、agent 四件套(详解 4)、eval(详解 5)、skill chain(详解 6)、context 五步闭环(详解 9)——这些都是行业共识方法论,与 LCA 商业产品无直接因果,按内容本身采信。
- 与利益反向(可信度最高):详解 9 末尾 Theo 明确告诉小团队”你不用是 LCA 也能做——接 Mobin MCP + 设计系统 + 目标 skill 就行”——这话直接削弱了”LCA 才有的秘密”卖点,但他还是说了,且给了具体工具名,反而显著抬升整段的可信度。
- 利益证据:meta description 唯一商业链接是 ai-native-org 业务接洽页与 latecheckout 官网;无 affiliate/referral 工具;视频末尾 Greg 直接挂”$10M+ 年营收可申请免费咨询”是 LCA 软引流。
价值定位
适合已经用 Claude Code/类似 agent 跑过一些事、想把”散点用 AI”升级为”系统化 AI 原生组织”的实操型读者;纯新手会被”skill chain / eval / 自治”这些词压垮,会觉得”我要先把这堆术语学会”才能上手。
- 适合谁:5-50 人中小团队 owner/operator、想给销售/产品/客户成功三条线系统提速的负责人;或者独立创业者想用 AI 原生方法包装出可计费服务。
- 解决什么:给一套”三层系统 + skill chain + context 脑”的可落地骨架,加两个现场 demo 演示速度,从抽象到具体都齐了——你看完就能选一条工作流先试。
- 认知 vs 实操:认知+实操并重。三件套定义(详解 2)、AI 吃中间(详解 3)是认知层;skill chain、eval、context 五步闭环是实操层;两个 demo 是”看完就能复现”的活样本。本片独有的是”skill chain 把 AI 幻觉用 QA skill 压住”这条机制——其他 agent 教程多讲”agent 能干什么”,少讲”agent 错了怎么在 skill 层兜底”;补的是当前主流 AI 教程的覆盖空白。
自检问题
- Theo 给 AI 原生组织下的”一句话定义”是哪三件? 答案:人管 agent、agent 读写公司、公司随使用越用越聪明,见”详解2:AI 原生组织的三件套定义”。06:58
- agent 自治需要的四件套分别是什么?缺任何一件 agent 会怎样? 答案:清晰目标、技能、工具、上下文;缺一件 agent 就退回”边问边做”的低自治状态,见”详解4:Agent 是什么 + 自治的四件套”。15:13
- eval 在 LCA 的实现里被折进哪里,起到什么作用? 答案:把”什么是 great”显性化后折进 skill 与 context,让 agent 反复达到同一档质量——质量门槛写在 harness 内部,不是事后人工补,见”详解5:Eval:把好显性化,质量门槛回写进 skill/context”。16:32
- proposal skill chain 串了哪三件?每件各解决什么具体问题? 答案:proposal micro site(搭页)、copy(改稿让声音像真人)、QA(审校+防幻觉+防过度承诺),三件顺序跑完直接部署上线 Slack 通知,见”详解6:Skill chain”与”详解7:Demo 1”。21:21
- context 层的五步闭环具体是哪五步?traces / exhaust 为什么要回流? 答案:capture → curate → store → execute → experience;traces/exhaust 是执行过程被丢弃的中间产物(为什么选这个方案的笔记、试错稿、删除版本),是高质量语料,回流进脑可长出新 skill 或 lesson,见”详解9:Context 当大脑 + 小团队从零补 context”。35:12