越靠经验思考的岗位，越先被取代！OpenHex董舒：AI数字员工正在催生OPC一人公司

你应该把那些需要判断的、没法被程序化的东西交给 AI 去判断。

责编 | 王启隆

出品丨奇点折射（ID：rgznai100）

滴滴曾经有个部门，专门在司机和乘客吵架时判定：到底怪谁？谁该赔钱，赔多少？

当时的想法是：这活能不能交给机器？于是，他们请了很多算法工程师，写程序来判。可纠纷没有标准答案，程序却只认规则，算出来的准确率只有 30%——十次判错七次。大模型出现之后，同样这道题，准确率突然拉到 99%。

然后，这个部门没了。没有裁员风波，也没有新闻。那个岗位“判断”的活，被 AI 整个接走了。

这件事让一个人很兴奋。他叫董舒，前 Meta/WhatsApp 核心架构师，去年从硅谷回国创业。他相信一个反常识的判断：AI 最大的价值，不是帮你干活，而是替你出面干活。

什么意思？就是给每个人配一个 AI 助手，和让一个 AI 独立接客户、完成交付，是两套完全不同的架构。前者叫助手，后者他称之为“数字员工”。

7 月奇点智能产品大会，他把这套判断讲给台下的技术人听。以下为我们基于董舒演讲和观众问答整理的演讲实录。

第四次产业革命带来的不是软件，是判断力

先自我介绍一下。我叫董舒，之前在硅谷差不多待了十年，去年选择从美国回来创业，落地杭州，创建了 OpenHex 这个公司。我们的整个联创团队都是一个比较硅谷原生的团队，从 Google、LinkedIn、Facebook、Uber 这样的美国大厂，回到国内做这件事。

那我们为什么做这件事呢？很多人在我们回来的时候就会问：你们在美国待得好好的，干嘛跑到中国来做这样的事？其实这个答案非常的明确。

我的演讲主题叫做「从帮你干活到替你出面」。什么意思呢？就是我们看到现在很多的 AI 应用公司其实都挺迷茫的——他做了很多这种垂类应用、做了很多这样的 Agent 应用，然后发现大模型一更新，Claude Code 一更新，自己的整个优势就被打没了。

我们一直希望，做 Agent 应用的公司能够跟大模型公司成 45 度角发展。而关于如何实现这点，其实我们有一个自己的答案，在下文跟大家分享。

2022 年、23 年大模型刚出来的时候，有些人认为说：哦，这个 AI 是不是元宇宙的那一波？是不是大数据的那一波？但是到了 2024 年、2025 年，一直到今年，我觉得中美现在都形成了一个比较统一的认知：我们现在是在第四次产业革命的一个边缘。第三次就是信息革命，即计算机的革命；到现在，就是 AI 革命，所有的行业都要被 AI 重新做一遍。

我们希望能做一些非常原始的概念澄清：第四次产业革命跟第三次产业革命的区别到底是什么？

第三次产业革命就是信息革命，信息革命带来了软件。软件的本质就是一段代码、一段程序——它是一个确定性的东西。程序员有一句话：当你发现代码错了的时候，那一定不是代码错了，是你错了，你要去改代码。因为代码给出的结果是确定性的。

但是确定性的东西，作用范围其实是有限的。因为现实生活非常复杂，有很多东西是不确定性的。我举个例子：当我写了一份合同的时候，我想知道这份合同有没有风险；我想知道这个创意能不能打动用户；我想知道这个候选人是不是合适。这样的问题，传统的计算机程序解决不了。

滴滴之前有一个部门叫做判责部。干的事情是什么呢？当司机和乘客产生冲突、投诉的时候，判责部的人要去判定：这个到底是乘客的责任还是司机的责任？谁应该赔谁钱，赔多少？他们以前用程序来解决这个问题，请了很多算法工程师，但是算出来的东西准确率只有 30%。直到大模型出现之后，准确率直接拉到了 99%，然后整个部门直接就没了。

它解决的问题，是一些不确定性的事情——判断力，我们称之为专业判断力，judgment。今年四五月份，红杉和 A16Z 共同发了一篇文章，说 AI 带来的能力是一种叫 judgment 的判断力。而这种判断力，依赖于经验、依赖于上下文、依赖于不确定的输入去得到结果。它提供的是一种完全不同于传统软件的可能性。

大家不要小看这个东西。当我去跟企业里面做咨询的时候，我发现很多企业主会认为 AI 就是程序，AI 就是程序的一个延伸。他们第一反应就是：我要把一些确定性的东西、重复的东西交给 AI 去判断。但是我们的判断恰恰相反——你应该把那些需要判断的、没法被程序化的东西交给 AI 去判断。这个本身就是企业 AI 化时一个完全不同的指导策略和方针。

那什么东西是判断力密度很高的呢？我们发明了一个词，叫判断力密度。市面上很多岗位，有些岗位判断力密度很低，比如在工厂里面打螺丝，这种东西很适合被程序所取代，因为它是重复的、不需要脑子思考的。

判断力密度高的呢？比如营销、猎头、顾问，这样的行业我们称为判断力密度高的行业。而这些行业恰恰是现在被 AI 着重要去取代的行业，这就是所谓的白领行业。现在为什么白领这么焦虑，蓝领没有那么焦虑？因为白领是天然的判断力密度高的行业。

为什么是中国的服务业？

我们相信，服务业本身就是判断力密度非常高的行业。

而且我们为什么回来？因为我们相信中国的服务业有很大的发展机会。之前 SaaS 这一波在中国完全没有做起来——但是我们看到的现状是：中国人特别喜欢被服务，他不喜欢自己去 DIY 东西。

你卖个工具给他，他不喜欢；他喜欢的是你作为一个代理商，把端到端的服务给他做了。而这个事恰恰就是很适合 AI 去做的。以前靠人来做，是因为它非标、它非常重经验、它需要实时的判断。现在 AI 时代来了之后，正是重构整个行业的大好时机。

服务业还分为两类：一个叫生活性服务业，就是吃喝玩乐；一个叫生产性服务业，比如顾问、营销、金融顾问、法律顾问。如果你看中国 GDP 占比和美国 GDP 占比，差的最大的就是服务业；服务业里面差的最多的又是生产性服务业。通俗说就是，你在国内吃的喝的跟美国一样好，但是你想享受高级的创意服务、高级的顾问服务，没有美国那么丰富。而 AI 恰恰给中国这样一个机会：我可以把服务业基于 AI 的方式重新构造。

那为什么信息化已经 20 年了，有些行业还没有被信息化？有大量的被称为“项目制”的行业。比如营销——整个公司本质上就是一个一个的项目组；软件外包也是，本质上挣的是靠我接项目来做这个事。

带来的问题是：因为成本跟人力成正比，所以公司的规模不能变得特别大。你去看一个外包公司或者营销公司，规模一般不会超过三四千人，大概率在几百人到一千多人的规模。因为在这个规模之下，我的收入是大于我的成本的。人力到一个临界点之后，越往后人力成本会指数级增长，收入覆盖不了，结果就是越长大越亏。这极大地限制了外包也好、营销也好这类公司的产业规模。

带来的结果就是，他们只能去服务大客户，因为只有大客户才能支付得起这样的人力成本。所以你们看到中国的 ToB 行业，非常关注大客户——国央企、上市公司客户。不会去服务小 B，也不会去服务 C，因为他们支付不起这样的人力成本。

顶尖专家非常稀缺，而且服务能力没办法复制，只能靠我一个人来做服务。我一天 24 小时，工作 8 小时，你就只能买我这 8 小时。我的 8 小时很值钱，单价成本非常高，只有头部客户才能用得起。比如我是个小企业，想让你帮我做个营销全案，人家是不会理你的。

但是，AI 时代如果我们能够把判断力程序化、复制出来，变成一个随着算力可以成比例增长的东西，我们就有希望突破这样的交付界面——不再靠堆人，而是靠堆算力，去规模化地服务更多的人。

今年四月份，硅谷那边红杉提出来一个叫 AINS 的概念，AI Native Service。YC 现在也正在疯狂地吹捧这个概念：以后最佳的创业方式，不是去跟大模型做通用智能体，而是用 AI 去改造一个服务业。

但改造服务业的方式，不是做一个 SaaS 工具直接去卖给做服务的企业，而是你直接把最后一公里给做了——靠 AI 做一个公司，这个公司靠 AI 直接去服务客户。以前靠堆人去服务，现在靠堆算力去服务，这对你的整个企业架构和服务方式提出了非常大的挑战。

Agent 真的开始上班了吗？

中国的服务业公司一直都挺与时俱进的。遇到的最大的障碍是技术范式转变得太快。

2022 年有大模型；2023 年出现了工作流；2024 年有 Coze、Dify 这样的平台。到了 2025 年，大家发现 Coze、Dify 的平台太死板了，不能解决业务诉求，于是又去发明了一些框架，比如 LangChain、LangGraph 这样的框架。但到框架层面，发现这玩意要写代码、有开发成本，很多企业如果不是技术驱动的，没办法支付这样的开发成本。

到了今年，OpenClaw 出来之后，中国又迎来了一波大的爆发。我一直在思考，OpenClaw 这一波到底给中国带来了什么呢？我觉得带来了两个东西。第一个，带来了一个叫 skills market，就是能力市场——终于有一个方式，大家可以标准化地把自己的知识和能力分享出来。

第二个，带来了一个标准化构建 Agent 的方式。之前构建 Agent 的方式都是不标准化的，要写代码去实现。OpenClaw 出来之后，有了标准化的构建方式：你有 identity，有 soul，有技能，有知识库，有 connector，它把这些东西模块化了，你只要把每个模块做好、接进去，就完成了一个 Agent 的构建。

所以我们看到，Agent 开始上班了——企业里面开始有一些 Agent。飞书这一波吃了很多流量，你可以很容易地做一个 Agent，放到飞书群里，跟同事们共同去工作。

Agent 作为一个劳动力，优势非常明显：它不需要睡觉，也不会离职，也不用给它交社保；只要买 GPU，就可以招无限多的员工；而且它还能自己学习，越用越强。我们看到，好像一种新的生产关系正在自行生长。但是我们一直在问的是：Agent 真的开始上班了吗？

大家谈数字员工，谈的根本不是一件事

现在很多人说数字员工这个概念。我们梳理了一下市面上所有的数字员工体系，发现大家谈数字员工的时候，谈的根本就不是一件事：有人把 OpenClaw 当做数字员工；像阿里有 Qwen-Agent、JVS；然后还有 Manus，类 Manus 的现在出了一个 EmuRun——各种各样的东西全都跑出来，大家都说这是数字员工。我们就希望能够对数字员工这个概念做一个非常清晰的辨析。

我们发现，在企业里面去运用的时候，数字员工其实分成两类。

第一类叫做提效型的员工，叫 AI 助手，这是现在采用最广泛的分类。AI 助手是什么意思呢？就是每个人配一个 AI 的 Agent，这个 Agent 只对你负责，每个人会配个“虾”。这是个非常普遍的模式，包括我们看所有的企业，过去两三个月里面尝试去搞数字员工，都在走这个模式。

但这个模式有个天然的问题。第一个问题是企业数字资产的问题。当大家给每个人配个“虾”的时候，这个“虾”类似于给你个分身：你越用它，它就越懂你，说话越来越像你，越来越知道你在干什么。我们翻了翻整个行业里面的一些判例——前段时间不是有一个人告自己的公司，说我走了，你还把我的分身留在公司里面打工，称之为“赛博万魂幡”。

他去告了这个公司，然后判例结果是：这个 Agent 应该属于员工，而不属于个人。这个就涉及到人格权的定义——当我跟这个 Agent 聊天的时候，能够判定出这个 Agent 是那个员工的时候，其实相当于说这个 Agent 带了他的部分人格。中国对肖像权和人格权其实有一些判例。所以法理上来说，员工培养出来的“虾”其实是属于员工的，而不属于公司。

然后我们看到很多老板看到这个东西之后开始有点焦虑：如果员工走的时候要把“虾”带走，那我的企业内部的资产到底是什么？如果将来我 AI 化了，我企业最后剩下什么？我招了一个人，他养了个“虾”，然后他把“虾”带走了，我企业什么都没有剩下。所以他们开始思考：我怎么能够构建企业自己的数字员工资产？

从“对一个员工负责”到“直接面向 AI 做交付”

数字员工不属于任何一个员工。它从 Day 1 开始就是一个独立的个体，它有自己的工牌，有自己的身份证，有自己企业内部的 ID。它一开始就是抱着服务于整个公司的目的而去的，一开始就是跟别人去协作。我们称之为服务型 AI 员工。

什么意思呢？举个例子，就像财务。一个 AI 财务有两种用法。第一种用法：我有一个人的财务，给这个人的财务配一个 Agent，这个 Agent 帮这个人的财务提效。公司内部的员工要办一件事，他去找这个人的财务；人的财务积了很多活，他让 AI 帮他提效、帮他做很多活，然后再返回给客户。这个我们称之为提效型的 AI 助手——AI 是对一个员工负责，这个员工对整个公司负责。

那真正的数字员工，我们相信它应该是一个倒置的状态。一个公司里面有一个 AI 员工，这个 AI 员工后面可能有一个维护人员，专门去训练这个 AI 员工，保持它的正常状态，以及做一些逻辑校准的工作。但是当公司里面有人来的时候，他不是去找这个维护人员，而是直接面向这个 AI 员工去做交付。这就是我们所说的，把交付界面从人变成 AI。

如果我们能够做到这样，我们会发现有一个很神奇的事情发生。我们在蓝色光标内部推动的一个东西叫“一岗一人”：一个岗位以前可能要靠十个人、五个人、二十个人来做这个事，那是因为人是没有办法规模化的。但是一旦你把交付界面换成了 AI，你会发现这个岗位其实不需要多少人，只需要一个 AI Agent 就可以了。

那将来公司里面的员工数量，不是依赖于人数来定，而是依赖于岗位数来定：一个岗位只需要一个 AI。那最后你的工作变成了什么呢？变成了你要去给公司定岗——我这家公司到底有多少岗位？每个岗位放一个 AI，每个 AI 后面有一堆人帮他做维护和迭代升级，这就够了。这是我们构想的 AI 原生公司的运作模式。

服务型员工又分为两类：一类叫对内的服务型员工，在企业内部去服务企业内部的人，比如财务、法务、HR；还有一些叫对外的 AI 员工，比如销售、客服，比如一些售前售后的知识性工作，包括社区运营、营销。

在提效型这块，我们看到国内已经杀成了一片红海，所有的公司都在做对内的 AI 助手类的工作。而后面两个，越往外竞争对手越少——越往外越难，它处理的场景越复杂。尤其是到对外的时候，它完全是一个开放系统，你怎么让你的 Agent 能够在这种不确定的系统里面处理得很好？怎么定义任务的边界？这些都会变成极具挑战性的事情。

OpenClaw 式的架构做不了服务型员工

而越往外的服务型员工，我们看到现在的 OpenClaw 式的架构是完全不能承载的。OpenClaw 很好，但它有一个局限：它的运行时是每个人给一个实例；但是如果你要做一个服务型员工，你需要的是一个全局的实例，这个实例是所有用这个产品的人共享的。

比如我们之前社区里面有一个法务，他用这个产品做了一个员工，尝试去对外。遇到的第一个问题：一个客户跑过来说，你帮我改一个合同，这个合同是一个文件，存到了这个产品的环境里面；然后另外一个人跑过来说，你给我看看你之前给哪些人改过什么合同。

它扫了一下目录，直接把合同就给到了 B，数据直接从 A 串到了 B。因为它没有做很好的数据隔离、权限分离和角色分离。

所以我们看到，企业尝试把这种对内式的助手直接提成公司级的对外或对内员工，会遇到最大的安全性问题和并发问题。后面那种东西需要一个完全不同的 infra——完全不同的 Agent 运行时和构建环境。这就是我们说的这两个的区别：我们把前面这种提效型的称之为个人助手，后面那种是数字员工。

我们想象一个场景：你以前是做杯子的，手工搓杯子；现在你做了一台机器，只要你有原料，就可以无限地产出无限多的杯子。将来也是一样——Agent 本身就是一个智力产品。以前我的专家服务是怎么服务的？是卖我的时间，我亲自去服务，这叫搓出来的，我用的是脑力劳动。将来，你不要自己再做交付了，你做一台机器，这台机器就是 Agent，你靠这个 Agent 去做服务。只要你的原料足够多，你当然可以服务无限多的人。

带来的结果就是专业服务的普惠化：以前你花几十万、几百万才能买到的服务，将来可能花几千块、几百块就能买得到。这个事情已经在发生了。

我去给一些做外包的企业做咨询的时候，他们跟我说：以前客户愿意出 100 万的单，现在客户只愿意出 30 万。因为客户也不傻，他知道你后面是用 AI 写的；你的成本是算力成本，不再是人力成本，那我为什么给你 100 万？我就出 30 万。而且 30 万还在往下降，后面是 5 万、10 万。

小程序以前一单可能高的有 5 万、10 万，现在是一两万，再往后可能五百块、八百块就给你做个小程序出来——我找个大学生用 Claude Code 氛围编程，一天就搞完了，为什么付你两万？我只付八百就够了。所以单价一定会急剧地往下掉，而且这个事情已经在发生。

那人的工作就变成什么呢？像工人做无限产品的时候，你以前是做杯子的，现在变成我是维护这台机器的、发明这台机器、做这台机器、维护这台机器，而且机器可能越来越复杂，还有上下游产业链的东西。

将来 Agent 也是一样：我用 Agent 做服务，这个 Agent 可能会越来越复杂。那人的工作变成了：我怎么去训练这个 Agent、维护这个 Agent、做逻辑校准，怎么让这个 Agent 能够与时俱进、推出新款；我的 Agent 怎么跟其他的 Agent 联动，构成一个更加复杂的机器。

从 OPC 到 OPS

那我们要做的，就是真正的数字员工平台。面向规模化交付的专业服务，我们称之为 OPS Agent（One Person Service Agent）。

我们的 Agent 特色是：我们做了自己的 infra，完全没有用 LangChain 这套东西，是我们自己自研了一套，主要是为了解决高并发、数据隔离、多租户以及企业级安全。但它的使用体验跟 OpenClaw 其实一模一样——你只要跟它说话、跟它对话，就可以训练出一个你的 Agent。

我们把 Agent 的训练跟你的产品做分离，提供 SDK：你在我们平台上创建一个 Agent，把它训练好，业务人员可以来训练，任何人都可以来训练，然后通过 SDK 就可以把它集成到你的产品里面，再卖给你的客户。

所以我们的产品不是用来给你做提效工具的。如果你想找一个类似 Claude Code 的产品，你直接用 Workbuddy 就好了，国内有 Workbuddy 或者其他的产品。我们的产品是：你想找到一个平台，帮你创造出 Agent 之后，再去服务你的客户，是一种商业化的场景。你想商业化你的能力的时候，你会用到我们的产品。

Infra 之外其实还有一个进化层——上下文强化学习。比如我服务了这么多客户，我能不能把对客户的资料和他的对话数据再回拢回来，抽出那些真正有用的信息，让我的 Agent 变得更聪明？我的 Agent 可能有一个知识库，知识库里面有它在不同场景下怎么行为的知识。随着它服务的人越多、遇到的场景越多，人不断进来给它打标、给它一些反馈，我们就可以让它变得越来越聪明。它服务得越多、见多识广就越聪明，就能服务得更好；服务得更好就可以更加规模化，然后持续地迭代它。

我们专注服务两个群体：一类是企业客户，一类是一人公司（OPC）。

企业客户比如蓝色光标这样的场景。一人公司的话，讲一个非常具体的例子：有一个 OPC，他是做留学咨询的，他希望用 Agent 来做留学咨询。所以我们在平台上帮他构建了一个 Agent，放了一些知识库进去，连接了一些服务。最后他做出 Agent 之后，把它直接嵌到了他自己的留学网站里面。

当用户访问他的留学网站、点开这个对话，就可以直接跟他的 Agent 聊天，问：我有什么诉求？我想去留学，去什么国家？你能不能给我一些建议？聊了几轮之后，当 Agent 觉得合适的时候，它就会弹出一个支付宝二维码说：你再给我花 20 块钱，你可以跟我再聊一会儿。

这是一个非常具象的例子——它是带支付、带客户管理、带咨询合二为一的状态。以前大家会把这种东西当做客服，但现在售前、售中、售后慢慢一体化，都可以通过 Agent 完成。

还有另外一个例子，是另外一个 OPC，他搭了一个 Agent，是个销售。他把它放在自己的自媒体上做宣传说：如果你对我的内容感兴趣，你可以到这边来跟我的 Agent 聊天。

他面对的客户主要是二三线城市的小企业主，他们想做销售来拓展自己的客源，但是不知道怎么做，就找到他咨询：我想做销售，你有什么建议？这是我公司的情况。Agent 就会跟他聊，不停地给他一些建议。

如果这个人觉得 Agent 给的建议是有效的，Agent 就会适时地抛出来说：你觉得我给的建议怎么样？是不是很有效？如果有效，我们交个朋友，你是不是愿意上我的 99 块钱的课？它就会把这个课卖出来。

一旦他的课有成单，他就会立马人工接管——我们支持人工介入，叫 human in the loop，一旦触发这样的条件，就会转回人工接管模式，人工接管过来把客户关系维护得更好。这是一个非常典型的对外服务的 Agent 场景。

两个都要做，但路径完全不同

再就是以蓝色光标为例讲一讲蓝标遇到的问题。我们接触蓝标已经半年多了，从去年开始接触。刚才讲到的问题它其实都遇到过。

第一个问题是企业资产的问题。他们内部分成两派：一派叫数字员工派，一派叫个人助手派——到底做哪一派？后来他们内部做了个人助手派，同时用我们帮他们做数字员工。为什么会有这样的决策呢？

第一，这两个其实是不冲突的。一个企业里面不可能只有 AI、没有人。只要还有人，人其实还是需要提效，所以还会需要个人助手。这两个在企业里面会并存，而不是东风压倒西风。所以这两个都要做，这是第一个结论，叫“两个都要做”。

第二，他们发现数字员工所需要的 Infra 还是比较复杂。如果你企业内部不是一个研发型的公司，你想利用市面上已经有的一些东西，比如 OpenClaw 这样的东西，在企业内部直接去 adopt、去使用，会发现个人助手还是一个阻力最小的路径。因为你要做数字员工的话，要解决的问题比较复杂——并发也好、安全也好、隔离也好、多租户也好，全部都要重新做一遍，非常复杂。

第三，他们发现企业内部的员工对数字员工的接受度还是需要一些教育的。现阶段企业内部的员工，我认为分为三个等级：第一个是 chatbot 的，用豆包、用 DeepSeek 这样的 chatbot；第二个是已经会用 Agent 的，会用 Claude Code、会用 Coze、会用 OpenClaw；但是即使你会用了 OpenClaw，你会发现做数字员工还是有一定的门槛。

最后一个是转型：重新定义人的工作，它不是替换人。定义人的工作什么意思呢？人要去做 harness engineering，你不要再手工去做交付了。现在所有人都要转变思想：我怎么能够做一个我自己的产品、做一个我自己的 Agent，用我的 Agent 去做交付？我的工作变成了：我怎么能让我的 Agent 变得更好、更聪明、可维护，而不是天天想着怎么能够跟我的客户交付得更好。

将来我相信，随着 Agent 越来越多——当你用 Agent 去做交付的时候，你的客户用的也是 Agent，那客户可能会用你的 Agent 去做自己的 Agent，然后用他的 Agent 再去服务其他的客户。

得到的结果就是，它会是一个比较复杂的图状结构。有了这样的结构，你会发现你的成本项里面是别人的 Agent，你的服务也是通过 Agent 去做服务的。这其实就是在重塑我们现在的劳动力市场的形态：以前劳动力市场就是招人，现在你不仅要招人，你还要招 Agent；招完 Agent 之后，你输出的服务也是 Agent 输出的，它就形成了一种循环，我们称之为 Agent 经济。Agent 经济其实就这么简单：你用 Agent 来做服务，然后你的服务又是以 Agent 的方式被传播出去。

Q&A

听众：数字员工自我进化这块，具体采用了什么样的技术路径，让它自我迭代、能进化？

董舒：这件事其实没有想象的那么复杂。前段时间 OpenClaw 出来之后，出了个 Hermes Agent，它能够自我学习、自我进化。你看 skills market 上最火的那个 skill 叫做 self-improvement（自我提升），它干的事情其实很简单：不停地回顾对话记录，总结出有用的信息沉淀到知识库里，下次再处理类似问题时，就知道该怎么做了。

只不过随着企业环境越来越复杂，需要一些工程化的手段去完成较复杂的构建。比如针对项目层级的知识——如果 Agent 服务于整个项目，就不只是从单人对话中学习，而是从它与所有用户的对话中去学习知识。

我们的技术路径原理非常简单：按日、按月定时回顾发生过的所有事情。我们做了一个“双轮架构”，包含知识库和事件库。项目推进时，我们会根据知识库去 render（渲染/构建）项目的结构并派发任务；同时，所有的对话和发生的每一件事，都会作为事件入库。

其中既有结构化数据，也有非结构化数据。两者结合后，通过 cron job 定时定期去 review 这些数据，生成知识并重新沉淀到知识库里。结构上来说就是这样子的。这套机制是我们自己写的，如果要说是框架，那就是通过我们自研的框架去完成这件事。

听众：这个上下文的强化学习，用的具体实现方法？

董舒：这其实挺简单。以前有个东西叫 fine-tuning（微调），微调本质上是通过 LoRA 等方式去改变模型的参数比重，在基模之上进行调整来完成训练和迭代。但现在我们发现，微调越来越没人干了，因为不划算，基模的能力已经上来了。不过持续迭代的需求依然存在，这就需要对上下文进行持续迭代，这也是 context engineering 的一部分。这里的强化学习不再是训练模型本身，而是训练你的 context。

训 context 的方式有很多种：比如搭一个 data pipelines（数据流水线），一旦有新的数据或事件进来，就不断反馈并修改 context。context 的展现形式非常丰富，包括知识库、技能文档、system prompt 等。只要设计一套规范和架构，能够持续让 AI 去 review 数据，实时修改 system prompt 和技能就可以了。

当然，真正落地时情况会更复杂一些：到底是需要人工去 review，还是盲目信任AI 让它自主交付？在实际应用中会有不同的形式。

听众：你讲这个 Agent 的自进化、这个 context 的优化，它的信号来自哪里？比如一个公司，假设我要做自进化的 Agent，我搭一套你的这个脚手架，就开始往前走。它的反馈是我要人工去反馈吗？还是说我可以训练这个 Agent？落地就是一个点：它的技能信号哪里来？现在有没有专门干这个活的这种技术路径？

董舒：目前还没有，主要还是靠人工反馈。

听众：我感觉它对外服务的话，如果我是一个跟 Agent 聊天的人，它讲得不好，我也不会跟它说——没必要了，我觉得你服务不好，那算了，我找另外一个吧。

董舒：用户离开本身就是一种信号。这种信号不一定非要靠直接对话表达“你做得不好”，行为本身就是一种信号。不过好的信号比较容易抓到：比如聊得很长，最后反馈“还不错”。对于不好的信号，我们目前主要靠两种方式：

第一种是行为抓取。第二种是在早期阶段，由 Agent owner（所有者）进行分析。大家不需要太理想化，以为做个 Agent 服务客户了就可以放任不管。Agent owner 为了商业变现，肯定会去做复盘和分析。当发现对话效果不好时，他会去调整 prompt；或者人工总结，或者借助 AI 辅助总结，发现“这里不应该这么说”之后，再把修正内容喂给 AI，这本身就是训练的过程。我们目前就是通过这种方式来实现的。

无论是留学的 case 还是销售的 case，运营者肯定都会去复盘。我们甚至可以直接抽取较短的聊天记录，筛选出不成功的沟通案例。Agent owner 可以分析不成功的原因：是话术问题？交付质量问题？还是工具调用出错？看到问题后进行调整，这种过程慢慢地可以实现自动化。

听众：数字员工这个点，如果你是一个纯线上的数字员工，其实用 AI 的方式还是比较容易替代的。但是现在很多企业也是在用 AI 提效，对于企业内部的员工，他除了这种线上，还有一些实际的、面对面的、线下的工作内容。像您在蓝色光标，有没有实际能够用 AI 替代实体员工的案例？

董舒：有些活就是只能靠人干，但我认为慢慢地岗位会发生分离——把适合 AI 干的和必须让人干的活拆开。现在的岗位职责是混在一起的，因为过去全是由人来做。但有些活你会发现 AI 能干，有些活只有人能干，岗位就会发生变化。比如在我们内部，以前产品和研发是分开的，现在统一合成了“产研岗”，这就是 AI 带来的岗位合并，因为能力变强了、边界变宽了。将来肯定也会发生岗位的进一步分离。

第二，我们相信将来一定是 AI 和人混编的团队。比如我们搭建的营销团队就是 AI 混编的：里面有三个 Agent 加四个真实员工，总共七个人。主导项目的项目经理（PM）是一个 AI。它干什么呢？每天做任务分配，生成流程图或任务列表，然后每天盯进度：“今天你的任务是做到这个，做完了没有？”它会发消息让你确认。如果它发现疑问，比如“这个东西从版本一到版本二，我不知道为什么改成版本二，你能不能告诉我原因？是不是客户需求变了？”，虽然它不在微信群里看不到对话，但它会主动跑过来问。当你把微信群里的图截过来解释“因为客户需求这么说的，所以我才改的”，它就会把这些内容沉淀入库。

所以你会看到，人和 AI 本质上是协作关系。因为能够协作，所以不是所有的活都要让 AI 独立干，很多环节依然要靠人去干。比如我们在尝试用这种工具去筹办线下的科技活动或黑客松。黑客松涉及线下会场和现场人员，不可能纯靠 AI 搞定，但 AI 可以穿插在整个流程中。管理和协调类的工作 AI 完全可以胜任，只有当遇到它干不了的活时，它才会派发给现场的人去干。

最后，说一件事：

2026 奇点智能大会 ，终于要和大家见面了。

11 月 20-21 日·北京，奇点智能研究院联合 CSDN，把两场技术大会放在了同一个时空里：

• 奇点智能技术大会（始于 2016）——聊大模型、AI Native、企业级 AI 落地、多模态与世界模型；

• C++ 及系统软件技术大会（始于 2005）——聊现代 C++ 演进、AI 算力与推理优化、高性能低时延系统。

为什么要放在一起？因为我们越来越相信——上层 AI 应用的爆发，离不开底层系统软件的支撑；而底层技术的演进方向，也正在被 AI 重新定义。

这次大会汇聚 70+ 位技术专家、18 个主题、1000+ 同行到场。

如果你也在这些方向上做研究、做产品、做工程，别错过。