MCtalk·无限对话 ×「第四种黑猩猩」李超丨个人专注个体，公司重构组织：AI 落地的两套打法

阮良：欢迎超哥来到美丽的杭州，来到我们网易三期的新园区。我平时很关注 AI 相关的媒体内容，之前刷抖音就经常被推送到你的视频，算法算是把我摸透了。

最近我注意到你做了一个开源的 Agent 客户端「Pi-Web」，Star 数已经冲过 5000。在大家眼里你是一个自媒体博主，怎么会去做一个开源项目？

李超：首先真的挺感动，居然有位大佬看过我的视频。原因主要有两个。

第一，我虽然现在被叫作自媒体博主，但骨子里还是个程序员，开发者出身，在美国工作时也做过其他开源项目。写一个产品、做一个开源项目，对我来说是一件理所应当的事情。

第二，是我自己用得实在太多。日常的文案策划、做 PPT、写点 HTML，我都用它，因为非常清爽、非常快。它的理念也很纯粹：一切都是插件。我用得多，就想找一个更简洁的客户端，但是没找到，所以干脆就自己做了一个。

阮良：你这种一开始有点“小众审美”的选择，背后其实是一种技术审美。

我自己也很喜欢用它，因为它足够精简和灵活。我们团队也做 Agent 相关的工作，新模型层出不穷，我就让同事也用这种轻量的方式去跑。

审美和普及有时既矛盾又统一：一个工具越极致、越灵活，普通用户往往越难上手。今年网易集团更新了 AI 时代的人才价值观，其中两条就是审美和判断。

因为 AI 越来越强，很多执行的活它都能干得很好，人要发挥的作用就像一个驾驶员，AI 则是那辆性能强悍的车，但往哪儿开取决于你的审美和判断。只是变化实在太快，过去还能说“各领风骚好多年”，现在是各领风骚几个小时。

李超：真的是几个小时。今天这家发个新东西，明天那家就追上来。关于审美我最近还有个新感悟：它的“人类独有”可能是有阶段性的。现在审美和判断确实重要，因为 AI 更多还是工具属性，承担的是执行；一旦“持续学习”真正跑通，它从一个工具变成一个员工，那可能就是一个全新的物种。

阮良：这大概就是通往 AGI 的必经之路。说回我们俩的处境。超哥你每天工作 12 到 14 个小时，跟一年前比，最明显的变化是什么？

李超：我的工作时间分成三个三分之一：自媒体、企业服务和二级市场投资。三件事是打通的。研究整个 AI 产业链，既能用在投资上，也能用在自媒体上，还能转化成企业里的实践输出。

去年刚开始做的时候一天只工作 6 到 8 个小时，当时的愿景很浪漫：超级个体、一人公司，可以在海边沙滩上工作，陪陪家人，还能赚到以前一两倍的钱。

今年完全不是这样：工作时间大概是去年的两倍，收入是去年的 5 到 8 倍，但非常累。因为你只要省出一分钟，就会有一分钟新的工作填进来。

所以我并不太相信大众意义上的“一人公司”，它可能只在少数能“个人复利”的行业里成立，比如自媒体、个人投资。

阮良：这一点我从公司的角度也有同感，人的上下文和精力都不够。真要经营一家公司，工商、财务、法务，事情太多了，不是“写一段代码”那么简单。

另一件事更让我们印象深刻。去年下半年开始，AI coding 的能力越过一个门槛：一些优秀员工率先拥抱它，编程效率几倍提高，原来做前端的现在可以做全栈。在团队里，他们某种意义上也成了“超级个体”。

但接下来我们有了一个挺悲剧的发现。我们做软件开发很多年，流程和管理都比较精细。有个团队统计过：一个需求从产品经理提出到上线，平均 20 个工作日。这个团队也是率先用 AI 的，不少程序员效率最低的也翻倍，很多是三五倍甚至十倍。

我们原以为整个团队至少也能提升 50%。最后统计完发现：原来的 20 天，只缩短到了 17 天。

阮良：这个结果让我们回过头去看流程本身。问题出在我们还在用传统模式：专业分工，产品经理、交互设计师、视觉设计师、程序员、测试工程师，后面还有交付和运维，中间有大量“要对齐”的会议。

这就是典型的木桶理论：里面几块板已经像针一样顶上天了，但 QA、产品经理、交付那几块板还是短的，水位就上不去。所以真正要做的不是把短板加长，而是把某几块板抽掉，甚至把整个木桶换掉。

我们后来倒逼自己改两件事：一是改流程，二是改岗位范围。原来六个环节压缩成三个，工程师不再严格区分前端、后端、测试，单元测试都交给 AI 写。这才把整体效率真正提升了 50%。虽然没有几倍那么夸张，但我们已经比较满意。

难点不在技术。要让 AI 起大作用，本质上是组织变革和流程变革，而一旦牵涉利益的重新分配，阻力就最大。所以一定要一号位自己有切身体感来推动。即便你是老板，推动自己公司的变革依然很难。

李超：组织层面我很赞同，这确实是让 AI 真正起作用的路径。但落到我这样的个体身上，我的做法不一样，我会把力气集中在个体身上，而不是从组织流程动刀。

我人少，就得在行业选择上做文章。制造业需求很大，但你一个人陷进去，一整年全交给它都不够。所以我选知识密集的行业：法务、医疗、金融。当然这条路也有天花板，人很少的超级个体能做的事很有限，但在我能覆盖的范围内，它最有效。

这些行业有个共同点：一个人就能完成端到端的闭环，他自己就能做决策。链路本来就短，把每个人的能力放大，整体就跟着上去了。所以我的做法是，进到一个每个人水平都很高的团队，给他们每人套上一副 Agent 的盔甲，让他们独立地干。而靠外部力量推动一家公司的流程重构，效果一定很差。这件事只有一号位自己能做。

买 AI 是最容易的，采购决策多简单；但要在组织变革里推进，阻力大，反而会产生很高昂的、你看不见的成本。

阮良：两条路看起来走的方向不同，但你那句“给每个人套上 Agent 的盔甲”，和我们改流程，其实在解同一个问题。

李超：对。现在真正卡住协作的瓶颈，是记忆和上下文。

一个人为什么效率高？因为你至少能自己脑补上下文。业务闭环比较小的时候 AI 能处理得很好；但三个人五个人协作，你脑补不了同事的上下文。

阮良：而且语言这个东西，既是人类社会很先进的发明，同时也是一种制约。它无法完整描述出所有的上下文。

李超：这一点在给 AI 下指令时感受特别深。我之前帮客户写一个项目的提示词，写了 44 页的 PDF，伪代码级别，每一行需求都要写清楚。不是像有些人喊的那样“一句话就能完成一个项目”。

你可以把现在的大模型理解成一个更高级的编译器。以前要用 C、Python，后来语言越来越简单，现在甚至变成了自然语言；但你描述需求的仔细程度，跟以前代码没有太大区别。

阮良：所以我们整个软件开发流程里现在广泛推行 SDD（Spec-Driven Development，规格驱动开发），从产品需求到设计到架构，都是一份份很详尽的 Spec。

以前为什么没法这么干？因为没人愿意写伪代码级别的详细文档。但有了 AI 这条路走通了。只要你想得足够清楚，它能把完整的 Spec 补齐，单元测试也在需求成立那一刻就一起建好。这才算真正改动了流程：现在工程师会做产品经理的事，产品经理也会做工程师的事，从外部看，这家公司变成了一百个超级团队，像变形金刚一样组合起来。

李超：上下文的问题还不只在协作和指令上，也在每天的信息输入上。我很大一部分时间都花在获取信息上，去年每天至少有 4 到 5 个小时在刷播客和视频，今年收拢到 3 到 4 个小时。我一直想让 AI 帮我“刷”，试过很多方案，最后还是人肉刷，最多开 1.5 倍速。

因为 AI 总结出来的几乎全是观点，而你不缺观点。真正有价值的是具体的事实、数据，以及两个人对谈时那些不经意的细节。

今天早上在飞机上听一档半导体行业的播客，主持人调侃对面那位嘉宾：“这个点不是你上周才开始学的吗，今天怎么就写进报告里了？”总结整篇的观点根本收不进这么小的一点，但对我来说一下就学到了东西。即便是头部博主，也是“今天学，明天卖”。

阮良：这一点我特别有共鸣。我上周末参加一个闭门会，现在参加任何活动都会习惯性打开录音、让 AI 出个总结。但整场两个小时的分享，真正让我有感悟的可能就两三个点，而这两三个点会让我联想出很多事情。用 AI 总结出来反而会被淹没。所以对要带团队往前走的人来说，真正稀缺的不是信息量，而是深度阅读的时间。

李超：所以我最近的做法是把信息源往上收拢。每一次技术革命都会让资源和能力更加集中：以前是八二开，后来九一开，现在可能是 99 比 1。人的能力分布也变了，第二名到第十名挤在一个很窄的区间里，第一名是指数级的。

我们能做的，就是想各种办法跟世界上最前沿的人站在一起。你不可能每天跟他们吃早饭、喝咖啡，那就只能读他们的东西。那十几二十个人，读他们的内容就够了，对其他博客保持一种体感，而且要第一时间去深度地读，不能交给 AI 代读，中间有不懂的地方再跟 AI 交互。跟着他们的路径去学，你就能找到最核心的主干，其他都是噪音。

阮良：顺着这个思路往下走就有意思了：如果上下文是关键，那能不能把它沉淀下来？

我最近印象很深的是你解读桥水基金的那期视频，我看完第二天就拿去跟同事“吹牛”了：知识库不能是“死”的知识库。它厉害的地方不是存了多少数据，而是把每一次决策的完整过程记下来。为什么投这个 case、决策的方法、再到结果。而且还有人机协同：资深员工能发现它的问题、去调教它，一调教相当于整个公司都在进步。

所以我给企业和朋友的第一个建议是：一定要搭一个知识库，但别想得太重，一堆文档放在电脑目录里都行，关键是别让它死掉。以前我们用云笔记，看到好文章、有好想法就找个目录一放，然后可能再也不打开了，它就死在那儿。这和“活的知识”完全是两回事。

李超：这也是我对接传统企业时，老板最常犯的错误。他们上来就说：我们公司有很多数据、很多 Excel 表格、很多老文档和合同，用 AI 智能化一下是不是很简单。

阮良：对。很多企业的数据根本称不上资产，只是一些数字。但近一年我的看法也在变化：某一类数据真的正在成为资产，比如对决策真正有帮助的历史文档、会议记录。关键在于这一类数据得是过程性、标准化、可被验证的，是能拿来做强化学习、能被奖励模型判断好坏的数据。

李超：而不是 Excel 表格里那些静态数字。金融这类行业之所以能把可验证的过程记录下来，是因为它的链路本来就短。你换成制造业，想记录都太难了。

阮良：对，今年有个很火的梗，叫“蒸馏同事、蒸馏老板”。在金融、财务顾问这类行业里特别典型，因为工作本来就是 data in、data out，为什么投这个 case、关注哪些资料、决策和会议的过程全都留了下来。年轻同事把管理层过去的判断逻辑整理成方法论，一蒸馏就成了一个“老板 Skill”，带在身边，很快自己就成了资深人士。

这个思路我们内部也在用，做了两类东西。第一类是给明星员工做数字分身，有规模的组织都有这个痛点：明星员工绩效好、知识面广，结果所有人都来找他。

李超：他就变成了一个中心节点。跟我们做自媒体一样。

阮良：对，他们工作被频繁打断，苦不堪言。他本该发挥更大的杠杆价值，而不是变成别人的问答器。所以我们内部早就开始做这件事，把文档、资料、聊天记录用知识图谱落下来，但受当时技术所限效果一般；等模型能力越过那道门槛，效果一下就好了很多，明星员工被真正解放出来，可以把精力花在更深入的思考上。这也算是“蒸馏”的前身。

第二类更进一步，我们把管理层的决策方法论也蒸馏了出来。做 ToB 有个很常见的场景：销售为了拿下大客户，会把客户的特殊需求带回内部，但产品研发有自己的 roadmap，两边容易起冲突，最后往往上升到决策委员会甚至更高层拍板“这个客户到底做不做”。这类决策过去发生过几百次，好在我们都记了下来。

今年我们用 AI 把这几百个 case 蒸馏成一个 Skill，把“如何决策这类事件”的知识提取出来，回测的拟合度超过 90%，就分发给了所有一线销售。这相当于给每个销售挂上了一个决策委员会：它说能接，你就正常提需求，不用回去吵架；它说没戏，你也不用再抱这种想法。

过去每一次这样的决策，都要调动组织内部大量资源，主要是时间资源，甚至牵涉管理层开会研究排期；现在“啪”一下压缩到极致，大量机会成本省了下来。更重要的是，这成了一种真正的组织资产，不随人的变动而流失。以前那个核心决策的大脑一旦离开，组织就像丢了魂；现在蒸馏出来，知识才真正沉淀成了公司的资产。

李超：我做 FDE 也是同样的逻辑。我人少，要尽量避免传统外包那种“提需求—改—再改”的形式，否则根本不可能有时间。我的公式是：Agent + Skill + Data。

Agent 没什么好说的，功夫都在 AI 之外，在资源范围内选最好、最稳定的。我主要负责 Data：把他们的历史数据管理好，或者每天 24 小时抓地缘政治、股票等公开半公开信息，目标是让 Agent 更好理解它。

Skill 我只帮着搭架子，具体功能让他们自己写，因为他们比我更懂。我最多泛泛地说一个财报 Skill 该读哪些数据，但他们的研究员能写出茅台、五粮液两份完全不同的研究 Skill。功能性的 know-how 恰恰是返工最多的部分，这也是我一个人能赋能好几家公司的原因。

阮良：其实核心就是捅破一层窗户纸。我告诉你架构怎么搭就够了，至于细节怎么调，你按自己的喜好去放。

阮良：我特别想聊聊你的自媒体工作流，尤其是 AI 参与的部分。

李超：我对 AI 和人类的看法比较平等。因为基本是我一个人在做事，唯一的考量就是成本。

做一个视频，先要收集信息、筛选、定选题，再写脚本，最后录制剪辑。AI 参与最多的是信息源收集，从能源到芯片、到基础设施、到大模型再到应用，很多个 Agent 每天 24 小时都在跑。

但剩下的部分 AI 参与得并不多。很多粉丝问我，有没有 Agent 能一句话把视频剪得很漂亮？我没找到。但两三百块钱就能找到人剪出这样的口播视频，一年发 100 条，成本也就两三万。所以我更平等地看人和 Agent：哪边成本低就用哪边。

阮良：这个方法很有借鉴意义。因为很多人，上到企业主、下到普通个体，对 AI 常常抱有一种美好的期望：你是不是什么都能帮我干？

超哥的工作里有个很关键的东西：每个环节他都会算，这件事到底该不该花力气，怎么让机会成本最低、杠杆最高。不光是用 AI，我们做任何决策其实都应该有一层计算。

李超：是的，但大部分私信我的朋友，是有点“为了 AI 而 AI”了。就像当年小程序刚出来时，好像它能颠覆APP。其实你还是得根据自己的条件、资源和成本去综合考量。

阮良：个人是这样，企业也是这样，无非工作流更长、协作角色更多。买东西容易，真正把它用起来、产生价值很难。有些事该人干就该人干，比如头脑风暴，我们也试过让 AI 来，结果相对平庸。

我很认同一种做事方式，用古人的话说是“将军赶路，不打野兔”。目标一旦明确，路边那些看起来诱人的东西可能都不重要。另一个容易被忽略的成本是隐性的机会成本：前段时间有朋友想用 AI，我第一反应是，你作为企业主或高管，就该用最好的模型、第一梯队的工具。很多人只看到 Token 单价贵，却忽略了为了省这点钱，浪费了大家大量的时间。

李超：是的，因为变量太多了。如果不是每个环节都选最好的，一个任务没完成，你根本不知道是提示词没写好、模型不够好，还是 Agent 不够好。

阮良：那在你服务的这些客户里，有没有什么让你觉得眼前一亮、甚至打破你原有认知的地方？

李超：有，而且打破得挺彻底。一季度我的观点是 AI 会取代掉很多比较初级的岗位，到了现在我觉得，那只是一种简单的线性外推，就像放射科医生，在 AI 的帮助下反而没有减少，小医院也开始招了。

阮良：这个我也很有感触。年初我帮一些同学的公司装上 AI 工具，他们不约而同遇到同一个问题：不是 AI 不好用，而是用 AI 的过程中还是需要 IT 设备和软件，一出问题就傻眼，像突然停水停电。我的第一反应是：你们得去找一些有 IT 背景的人。所以某些岗位反而被催生出来了，哪怕只是接口调不通，也得有人处理。

我们的观点一直是，AI 释放的是生产力，它替代的不是人，而是某一类工作。最典型的就是智能客服：很多公司用上之后，人类员工没有减少，反而更多。简单的回复被处理掉，人腾出来提供更有温度的服务，而这些至少目前的 AI 替代不了。

阮良：如果一家公司确定要落地 AI，你建议从哪里切入？

李超：前面的步骤其实都一样。先帮他们把基础环境搭稳，搭 AI 基建，让每个人都能稳定地用上最好的模型、最好的 Agent。

第二步是破冰，实操上没什么好教的，按住 Fn 和 AI 对话就行；但要带他们走一遍主要流程：怎么用 Agent、怎么写 Skill。

第三步才是进到企业里梳理具体需要什么。某一类企业做得多了，很多中间环节是共通的。比如做二级市场的私募，本质上都是在做信息差，爬虫、信息处理就有大量可复用的部分。

然后有三条我一定要提的铁律。

第一，不是一把手亲自来找我，这个企业我不接。否则后面的沟通成本太高了。

第二，一把手必须是公司里 Token 消耗最多的那几个人。我服务得最好的那几家企业，一把手都排在消耗前几名。

第三，尽量不要去改造组织，而是去赋能一个个具体的人。你要赋能一个五到十人的组织太难了，但你赋能一个人，立马就有正反馈。

阮良：这几点我特别认同，一个企业要转型转得好，一定要一把手深度地去用。我以前常用嗑瓜子举例：让一个人不停看一本书很难，让他不停嗑瓜子却很容易，因为嗑一颗，就能吃到一颗。快速、频繁的正反馈，是推进一件事非常重要的方法，所以即便真要做组织变革，也一定要从小事做起。

李超：完全是这样。比如给公司的行政或财务做落地，千万不要让他一上手就写一个能覆盖两小时工作的 Skill，就从三分钟、五分钟的一个任务开始。

阮良：而且要让他觉得“我有掌控感”，原来我也可以干这个事儿。

李超：对，三分钟的任务他肯定能掌控。本来三分钟，现在十秒钟就干掉了。

阮良：最后想请你给大家，无论是企业主还是个体，一个跟 AI 相关的建议。

李超：就是先用起来。“出来混”最重要的是“出来”，干中学，我没有别的办法。

AI 本身入门门槛很低，所有技能都可以归结为“讲普通话”三个字；而且它很特别：你万事都可以问 AI，连“不知道怎么用 AI”这件事本身也可以问 AI。

所以对企业老板来说，听我讲得再多都不如自己上手。高频用两个星期，你马上会有一点感觉，知道它能怎么帮到你的企业。那个体感只有老板自己才会有。如果只能给一个建议，那就是：今天就下载，然后开始用。

阮良：我响应一下超哥，如果让我来给建议，其实是类似的：一定要干中学。

我做程序员的时候，全世界所有程序员写的第一段程序，大概率都是 Hello World。今天用 AI 是一样的：你需要自己真正打出那个“Hello World”，机器会反馈一个结果，你会感受到“这个世界我真的可以掌控”，然后才能一步步去做越来越复杂的事。永远不要吝惜鼓起勇气打出第一个“Hello World”。

回到开头那个对比。一个人和一家公司，AI 落地的路径看起来完全不同，但底层是同一件事：谁能把上下文沉淀下来，谁就能走得更远。个人靠的是不断提高自己的判断力，公司靠的是把经验变成不随人走的资产。这一点上，两边没有分别。

再次感谢超哥的时间，在这样一个下午来网易智企分享了这么多 AI 洞见，非常受启发。

李超：谢谢大家，也非常感谢网易智企的邀请。