AI 同事来了,公司能把哪些工作交给它?丨Y Combinator
原创 Capihom 2026-11-15 20:55 北京
Grok Bot 团队讲怎么让 AI 在公司接活:从销售接力和只读查数,到 Slack 里开发功能、在代码库里拦住常犯的错。
每天挑选一期硅谷AI科技值得关注的播客,让你与前沿同频。如果你现在没空可以收藏进 晚点再听LaterCast,在通勤、走路或做家务时一篇篇轻松听完
"我可能会直接交给它一个目标。"
"那个 Slack 讨论串里有 200 条消息。"
"东西已经做出来了,但我们不想全合进去。"
Lauren Tan 在 X 上看到一段视频,想知道 Grok Bot 能不能做出类似的功能。她没另开一个编程窗口,而是在 Slack 的讨论串里把链接发给自己的工程机器人。机器人叫来一个 Cursor 云端智能体,后者在虚拟机里跑起应用,把原型的截图和录屏带回群里。产品和工程同事看着同一份东西给意见,最后就在这个讨论串里把功能做完了。
在这期对谈里,Grok Bot 核心团队的 Lauren Tan 和 Roman Ugarte 讲了他们怎么做到这一步。两人参与把产品从第一行代码做到上线,前后约七周。但让机器人能在公司接活,花的功夫更多。销售要弄清报价交给谁,研发要让机器人自己验收,产品团队还得想明白:既然一个主意很快就能变成代码,什么样的改动值得真的发给用户?
先把机器人放到工作发生的地方
Grok Bot 最早是团队内部的原型。Ugarte 看到工程师已经能让编程智能体带着目标跑很久,便想知道,市场、销售和客服能不能有类似的搭档。团队给机器人设了各自的名字、身份和工具,让它们有自己的工作环境,可以在后台持续运行。内部试用时,最爱折腾 AI 的人觉得趁手,一些平时并不积极用 AI 的同事也喜欢。对后者来说,在熟悉的地方喊一声,有时比学会一套新界面更容易。
Tan 以前看到 Slack 里有一条故障报告,要先跟同事确认细节,再把对话摘要贴进编程工具。现在她可以在原讨论串里叫机器人进来,当事人也在场,漏了什么可以接着问。她也会在 X 上帮用户排查问题,至于给自己挑午饭的机器人,就留在私人界面。工作要交给谁,先看需要哪些人和资料参与,再决定把机器人放进哪个频道。
团队怎么拆也有两种思路。可以按职能分,工程、市场各做一类工作,也可以按客户分,让一个机器人跟住一个账号的不同事情。有人从只用一个机器人开始,后来发现经常重复的事有自己的资料和固定做法,才单独拆出来。Ugarte 更喜欢让一个机器人盯住一个业务问题,由最懂这件事的同事来教它。对招人吃紧的小公司,主持人举了记账这样的例子,谈的是可以从原来没人专做的活开始试。节目没有给出记账的准确率或审计结果。
销售和客服怎么接力
访谈举了一个投放例子。团队给市场机器人开了 Google 和 Facebook 广告账号,给定预算,让它向设计团队的机器人要素材,拿几个版本做对比测试。支持团队则在试另一种做法:让机器人接触工单和复现问题所需的工具,看看哪些问题能一路处理下去,哪些还要交回给同事。
销售的拆法更具体。客户研究机器人准备会前资料和跟进信息,需要报价时交给报价机器人。后者负责准备价格方案、审批材料和订单表,遇到特殊条款,再找负责交易审查的机器人处理。案例图上,获批条款还会传回报价机器人,接着更新文件。这套流程也给销售部门的同事留了一个共同改进的地方。了解报价的人可以补审批规则,知道客户最常问什么的人可以补会前准备的做法。
一个部门共用一套机器人,资深同事总结出的做法就能留给下一位接手的人。 Ugarte 介绍,团队版机器人在录制前约两周上线。工程部门也在共享技能。主持人注意到,在 Slack 群里看过一次 Tan 怎么把任务交给机器人,第二天就有人照着试。过去留在个人编程会话里的做法,现在同事能看见,也更容易指出哪一步不合自己的需要。另一个客服案例里,共用机器人在 Slack 里分流客户消息,能处理的工单先接手,超出范围的再转给对应负责人。
客户研究机器人发起报价,报价机器人把特殊条款转给交易审查机器人,获批条款再回到报价环节。
一开始只给读权限
机器人现在会进 Slack,也会进会议,但它并不天然知道谁说了算。几位同事在一个线程里争论同一个方案时,它可能分不清谁熟悉业务、谁能拍板。Grok Bot 已经区分所有者、管理者和受邀协作者,但 Ugarte 说,权限和身份怎么设计,行业还在摸索。节目里,YC 主持人提到自己开源的 Quartermaster,用的是另一套办法:机器人继承相应使用者的访问权限。普通工程师和合伙人叫它去找同一份资料,能拿到的东西未必相同。
Ugarte 举的内部例子是 Databot。数据科学团队常收到快速查数的 Slack 消息,便做了一个能读数据库、在群里回答问题的机器人。Tan 也会让自己的工程机器人去找它问,一条故障到底影响多少人,两边怎么问、怎么答,群里都能看见。团队给供应商采购做了类似尝试。YC 自己还做了一个让编程智能体互相问答的空间,有点像公司内部的 Stack Overflow。节目谈到,工具权限和机器人看到的上下文越多,越有必要看清是谁让它做了什么。
可以先让机器人查数据、回答问题,等它反复做对了,再开放实际操作的权限。 Ugarte 把接下来分成两步,先让它把一项任务从头做到尾,再考虑交给它一段长期职责,比如持续盯一个指标。他觉得多数团队离最后一步还有距离。至于 AI 同事以后有自己的电话号码、信用卡,或能更自然地理解人的意图,Tan 是把它们当作未来设想来谈的。
一项功能做完,讨论串里留下了 200 条消息
Tan 展示的 Slack 原型就是一次多人协作。她和同事 Samantha 先看视频里展示的想法能怎么实现,再看工程机器人带回来的截图和录屏,另一位产品经理也参与了判断。后面的改动都接着在原串里谈。Tan 说,她为这个项目没回 Cursor 里读 PR,看的是用户最后能用到的东西。这个过程仍然有来回,只是同事更早看到原型,反馈不用等到工程师把整项功能写完。
敢让智能体合并部分代码,是因为团队先把许多原本靠人工把守的检查放到了工具里。 Tan 说,自己的月度 PR 数量已从两千多涨到四千多。那是提交改动的规模,里面有大量维护工作。对于一部分日常改动,智能体可以自己合并。基础设施、数据库和部署等敏感环节,她仍认为工程师值得留在检查流程里。
她把自己的做法整理成开源的 PStack,一套给 Cursor 智能体用的技能。灵感来自 Garry Tan 的 GStack。她把它比作厨师换厨房时带着的刀:怎么复现、怎么检查、什么样的改动算过关,可以带到下一次工作里。公司代码库有内部版本,云端智能体也能拿到这些技能。Garry 则在自己的 Cappy 里用一个协调智能体管十几条并行工作线,还让它从公开的工具里找适合自己的做法。他发现,积累下来的会话能帮助机器人区分哪些地方他会亲自插手,哪些可以继续做。
先教它运行程序,再把反复犯的错写进代码库
Tan 在节目里画了一个循环。从让智能体自己运行程序开始,按真实用户会走的路径操作,看到错误再回去改。如果在查卡顿,也可以让它采集 CPU 性能轨迹,看看时间花在哪儿。基础检查跑顺了,监控告警就能触发同一套流程,让智能体到自己的环境里复现问题。能跑通说明功能符合预期,速度、资源消耗和代码是否容易维护,还要另验。
"代码库也是一种记忆。"
她举的是 Grok Bot 的 Electron 桌面应用。管界面绘制的线程一旦被耗时任务占住,滚动和点击就容易卡。团队给代码库加了依赖检查,直接禁止主进程和渲染端的代码互相引用,免得较重的任务被顺手带到界面这边。检查的是依赖关系,运行耗时仍要实测。从此,评审不必让模型一遍遍翻代码,看同一种引用有没有混进来。
同一个问题在评审里出现几次,就值得看看能不能用架构或自动检查把它挡住。 Tan 把投入画成倒三角,最宽的一层是代码结构,其次是编译器、静态检查和 lint,再往下才是写给智能体看的规则与技能,最后留少量人工审查。Garry 当时在和自己的机器人讨论审查成本:原来一轮大约用五千万 token,他想降到一千万,机器人则拿着一组覆盖约 30 类错误的评测,主张至少留三千万。这是他当时在试的预算。Tan 也会让不同模型互相挑错,但她发现,评审器不知道一个模块两个月后就会下线时,可能耗上许多力气去追求不值得做的改进。她也提到自己在实验室有宽裕的 token 额度,这些流程是在这样的条件下摸出来的。
Tan 把工程上的投入画成倒三角:先在代码库和静态检查中解决问题,再补规则、技能和人工审查。
修小故障可以自动,新功能得先有人想用
Grok Bot 团队有一个叫 Sandy 的机器人,每天接收来自产品、客服和 X 的数千条反馈。据 Ugarte 介绍,有些小故障会沿着复现、修复、合并的流程自动处理,节目还提到凌晨自动发出修复的例子。可如果改的是用户天天点的按钮,合并前他们会让团队自己用上一段时间。内部用下来反应平平,或者有人喜欢有人不喜欢,这项改动通常就搁着。Tan 更愿意让智能体去修故障、查性能,把工程师的时间留给那些会改变用户体验的决定。
这也是节目的话题从代码转向公司的地方。软件有代码库、测试和发布记录,出了错可以复现。市场或销售的重要信息可能散在文档里,也可能只有几个老同事知道。桌面应用有没有提速好测,市场工作有没有做得更好,就得先商量看哪个数字、它该由谁负责。节目里聊到了另一种组织设想:有人亲手交付,有人为结果负责,还有人一边做一边教会同事用工具。Ugarte 想看看,从零组建的公司会不会从一开始就把各部门的资料和验收方式建好。
团队现在偶尔会遇到这种情况:路线图还在讨论,桌上已经有人说「这个我周末写好了,有个 PR」。能很快做出来,让这类提议变多了。最后留下什么,得看每个改动能不能让同一款产品变得更好用。Tan 说,她自己更享受的也是这一部分。日常维护有人接过去,她就可以多花时间看看用户每天碰到的那些细节。
从学写宏,到教机器人做工程
Tan 在新加坡长大,在澳大利亚读会计和金融。一门财务建模课上,她发现自己做 Excel 表格、写 VBA 宏,比做估值还有意思。毕业后她和同学试过创业,项目没走多远,但她由此认识了当地的创业者,也找到了第一份工作。她把自学 JavaScript 框架 Ember 的过程写在博客上,被社区成员看到,邀请她去波特兰的会议演讲。她当时连会议都没参加过,也很怕上台,最后还是去了。
她后来参与了 React 编译器的开发,把自己的想法讲清楚、让别人愿意一起做,仍然是她看重的本领。 这也落回节目开头那个 Slack 讨论串。有人发截屏,有人讲用户会怎么操作,有人写代码验证,大家都看得见彼此为什么调整方向。Tan 说,她自己从公开分享里获得过机会,现在也乐于把做过的试验放出来,看看别人会怎么接着做。
写在最后
如果想试试让 AI 接手一项工作,可以从团队里反复有人来问的那个问题开始。 比如一周总有几次要查某类故障影响了多少用户,就把查数口径和资料来源写清楚,让它先在群里给只读结果。等同事能复核它的答案,再决定下一步是不是该让它动手。
内容来源:"The Rise Of AI Coworkers"丨Y Combinator(嘉宾:Lauren Tan、Roman Ugarte)
原视频:https://www.youtube.com/watch?v=y1-9yeYLJUo
相关文章
如果你现在没空,可以收藏进晚点再听,通勤、走路或做家务时一次性听完⇣
⇣ 关注我,每天为你更新硅谷最新的 AI 创业/科技播客总结,让你与前沿保持同频 ⇣