公司大脑时代：当 Skill 变成员工，Agent 变成劳动力

2026 年的 Y Combinator Startup School 上，Garry Tan 讲了一个 17 世纪磨镜片的哲学家的故事，然后把话题转到了自己身上：他说自己今年的代码产出，是 2013 年的 400 倍。原因不是模型更聪明了，而是他把自己的工作重新拆成了四块——一份份写清楚"怎么做"的 Skill File，一张决定"谁来做"的 Resolver Table，一个记得住"做过什么"的 Company Brain，外加一颗按季度降价、随时可以换掉的"租来的"模型智商。这四个词拼在一起，其实是在回答一个更大的问题：当劳动力可以是几百个并行运行的 Agent，组织本身还要不要长成今天这个样子？

一、一场演讲，四个隐喻

这次演讲发生在哪里。 2026 年的 Y Combinator Startup School 上，Garry Tan 做了一场题为《Own Your Intelligence》（拥有你自己的智能）的主题演讲，官方页面上的介绍是："YC 的总裁兼 CEO 谈工作记忆、Skill File，以及为什么你租来的智能永远无法像你拥有的智能那样复利增长。"这场 42 分钟的演讲后来被完整转录（完整转录见此）、被拆解成十个片段反复传播，也是本文所有分析的主要一手信源。几个月前，在另一场更偏工程向的 AI Engineer World's Fair 大会上，Tan 讲过一个姊妹篇——如何把公司结构本身"用 Agent 的方式"重新搭建，这场演讲的框架被 Trustabl.ai 整理成一张对照表，本文第二节会用到。

Tan 开场用了一个很绕的历史类比：17 世纪的哲学家斯宾诺莎（Baruch Spinoza）23 岁被犹太社群逐出教门，此后靠白天磨镜片、晚上写危险的书为生。Tan 借斯宾诺莎"神即自然，弥散于万物"的异端主张，类比今天大家对 AGI 的误解——都在等一个"宣布降临"的奇点时刻，但他认为真正的通用智能早就以另一种不起眼的形态出现了："它不像神，它像基础设施：一个终端窗口，一个 markdown 文件夹，一份你睡着时就跑完的工作。"他把这个东西叫作 Personal AGI（个人通用智能）——不是"所有人共用的通用智能"，而是"专属于一个人的通用智能"。

这场演讲真正的骨架，是四个互相咬合的隐喻，一层层从个人放大到组织：

1. 模型是租来的（Rented Intelligence）。 "一个前沿模型，是租来的、一个商品，而且每个季度都在变便宜；加上你自己的、独一无二的上下文；再加上一个把两者连起来的 harness——这就是未来十年的公式。模型的质量是租来的，但你的大脑理想情况下是你自己的。"
2. Skill File 是员工。 一份写清楚"这一件事具体怎么做"的 markdown 文档，详细到"一个聪明的实习生看了就能照做"，就是一个可执行的、封装了具体能力的"员工"。
3. Resolver 是组织架构图。 一张任务分发表，决定一个新任务该交给哪个 Skill File 处理，本质上就是传统组织里"谁向谁汇报、谁负责什么"的数字化版本。
4. Company Brain 是制度记忆。 一个所有 Agent 共享、持续被写入和检索的知识库，让每一次任务的执行都"知道公司已经知道的一切"，不用每次都重新解释背景。

这四个词单独看都不新——RAG、知识库、任务路由、prompt 工程，AI 从业者早就见过。真正值得深究的是 Tan 把它们摆在了"组织"这个坐标系里：他明确说，"当你今晚坐下来和一个 Agent 一起工作时，你不是在写代码，你是在管理一支由 markdown 组成的劳动力。"这句话是整篇演讲，也是本文标题的由来。

二、组织架构图重画：Skill File、Resolver、workforce made of markdown

把 Tan 的隐喻拆开看，会发现它其实是在用创业公司熟悉的语言，重新命名了一套已经存在的技术组件：

这张对照表来自 Trustabl.ai 对 Tan 在 AI Engineer World's Fair 演讲的整理，与 Startup School 演讲的表述高度一致，说明这不是一次性的类比，而是 Tan 近半年内反复打磨、逐渐固定下来的一套框架。

有意思的是 Tan 对"Skill File"给出的判断标准：不是技术上能不能跑，而是"如果一个聪明的实习生看了这份说明能照做，那 Agent 就能执行"。这个标准把"写清楚一件事"从工程师的专利，下放成了任何人都能做的事——演讲中他举了一个例子：YC 内部一位没有工程背景的财务同事，把大约 100 张 Excel 工作表折叠进了一个由 Agent 驱动的内部工具，"她不是程序员，她现在是 Agent 的管理者"。这也是这套叙事里最容易被验证、也最有传播力的部分：markdown 是新的代码，编译器是语言模型本身。

但架构图重画背后，藏着一个更硬核的运营区分，Tan 称之为"latent space vs. deterministic space"（隐空间计算 vs. 确定性计算）：品味、判断、"理解一个模糊请求背后真正想要什么"，这类计算应该留在模型里，靠一份 markdown 文件去引导；而算术、排期、数据库查询这类计算，应该交给确定性的代码。他举的例子是给一场 6000 人的大会排日程——"让一个 Agent 或者一个人帮五个人安排座位，这很简单，隐空间就能搞定；但给 6000 人排个性化日程，隐空间的 Agent 必须去调用代码才行。"这个区分不是修辞，而是他反复强调的"几乎所有 Agent 失败案例"的根源——把该交给代码的算术丢给了模型的"直觉"，或者反过来，用僵硬的代码去处理需要判断力的模糊请求。

三、公司大脑：从个人记忆到可授权的组织记忆

Tan 自己维护的个人知识库叫 G-Brain，他在演讲中说这是一个"卡帕西风格"（Karpathy-style）的 markdown 知识 wiki，收录了大约 22 万页内容，"25 年的人生被日记化"，每一封邮件、每一次会议、每一份草稿都被索引、检索、交叉引用。这个系统被他开源，而其中一份关键教程，直接叫 company-brain.md——从"个人大脑"扩展成"公司大脑"的操作指南。

这份文档把从个人到组织的跃迁讲得很具体，核心是三处结构性变化：

• 多信源（multiple sources）：会议记录是一个信源，每个同事自己的客户笔记是另一个信源，公司共享 wiki 是第三个，它们存在同一个数据库里，但彼此独立。
• 分权限登录（per-user OAuth scoping）：每个团队成员有自己的凭证，凭证决定 ta 能读写哪些信源——"Alice 写自己的客户信源，读自己的加共享的；Bob 写内部运营信源，读自己的加共享的；两人互相看不到对方的写入。"文档特别强调团队做过"跨每条读取路径的模糊测试，零泄漏"。
• 个人文件夹与专属 Skill：共享大脑有共享结构，但每个人还有自己的子文件夹、自己的定时任务（周报、客户跟进）、自己的受限 Skill。

这套设计回答了一个 Tan 自己在演讲里主动抛出的质疑：一个没人打理的大脑，"不过是一个带搜索功能的垃圾场——检索会用十足的自信呈现过时信息；一份写错的 Skill File 会把一个坏流程永远固化下来。"他给出的解法是"把大脑当成生产基础设施来对待"：每条信息标注来源（provenance）、新旧信息冲突时触发核查、以及一个专门做"修剪"的角色——某种意义上，这正是传统组织里"知识管理"岗位的 Agent 化版本，只是从被动的文档归档，变成了主动的、持续被 Agent 读写的活体记忆。

这里值得点破一层：Company Brain 之所以重要，不是因为它是一个更好的搜索引擎，而是因为它改变了"新员工"（无论是人还是 Agent）进入组织的成本曲线。传统组织里，一个新人要花数周到数月才能"知道公司知道的东西"；在 Tan 描述的架构里，任何一个新启动的 Agent，只要接入了 Company Brain，第一秒就"知道公司知道的一切"。这是把 Company Brain 定义为"制度记忆"而非单纯"知识库"的关键——它承担的是过去要靠组织架构、师徒制、交接文档才能完成的功能。

四、数字说话：人均产值脱离历史刻度

如果说前两节还停留在架构隐喻，这一节的数字是这套叙事最容易被验证、也最容易被质疑的部分。

Tan 在演讲中给出了两个 YC 系公司的例子：Emergent（2024 年夏季批次）"从公开发布到九位数营收只用了 8 个月"，在跨过年化 1500 万美元营收时只有 15 名员工，约合人均 100 万美元；Retell AI（2024 年冬季批次）以约 40 人做到 6000 万美元年化营收，比例相近但规模高出三倍以上。Tan 的原话是："这种人均营收，过去从未存在过——软件行业没有过，石油行业没有过，铁路行业也没有过。"

这两个数字不是孤例。把镜头拉远，会看到几组相互印证的数据：

• TechCrunch 报道，瑞典"vibe coding"平台 Lovable 在 2026 年 2 月冲过 4 亿美元年化营收，仅靠 146 名全职员工——单月就新增了 1 亿美元营收。折算成人均，约 270 万美元，超过 Google（约 160 万）和 Meta（约 190 万）的人均营收，而传统 SaaS 公司的人均营收基准通常在 20 万–40 万美元区间。Gartner 曾预测"到 2030 年会出现人均 200 万美元营收的新一代独角兽"——Lovable 提前四年做到了。
• Forbes 的分析指出，AI 原生创业公司的人均营收普遍落在 200 万–400 万美元区间，是传统 SaaS 公司均值的 6–10 倍；图像生成工具 Midjourney 以约 11 名员工创造约 2 亿美元营收，人均约 1800 万美元，是这批数字里最极端的案例。

在企业侧，英伟达 CEO 黄仁勋在 2026 年 GTC 大会上给出了一个更直接的人力配比："未来十年，我们希望员工规模维持在约 7.5 万人……这 7.5 万名员工将与 750 万个 Agent 一起工作"，即人均 100 个 Agent。黄仁勋把这个框架成"增长"而非"替代"——但换个角度看，这也是一家全球市值最高的公司，把"Agent 数量"正式纳入了人力规划的分子。

这些数字要怎么读，比数字本身更重要。 三个层面的谨慎是必要的：第一，它们几乎全部来自公司自己的对外披露或创始人访谈，没有经过独立审计；第二，这些是存活下来的极端案例，不是行业均值——Tan 自己在演讲中也主动承认了这一点："我知道什么是相关性，所以我要说得小心一点：我不能证明是 AI 生成的代码导致了增长。"第三，"人均营收"这个指标本身在早期高增长 SaaS 公司里 historically 就容易失真（一次性大客户、前期烧钱获客尚未体现在成本侧），AI 原生公司是否会重复这个陷阱，现在下结论还早。但即便打了这些折扣，YC 2025 年冬季批次里"四分之一的公司代码库 95% 由 AI 生成，且这批公司正朝着 YC 历史上最快增长、最赚钱批次之一迈进"——这个规模的组织性数据，很难完全用"幸存者偏差"一句话打发掉。

五、被重新打开的老问题：科斯的公司理论

如果只停留在"AI 又提高了生产力"，这场讨论不会比过去十年任何一次效率革命更特殊。真正让它值得认真对待的，是它触碰到了一个已经存在 89 年的经济学老问题：公司为什么存在？

1937 年，罗纳德·科斯在《企业的性质》里给出的答案是：因为市场交易有成本（找人、谈判、签约、监督），当"在公司内部组织一笔额外交易的成本"低于"通过市场完成同一笔交易的成本"时，公司就会把这笔交易内部化，一路扩张到两者成本相等为止。这个逻辑统治了近一个世纪的组织理论——公司的边界，本质上是交易成本画出的边界。

2026 年，一批经济学与计算机科学论文不约而同地重新审视了这个问题：

• 经济学家 Gillian Hadfield（长期研究 AI 治理与法律经济学）与 Andrew Koh 在论文《An Economy of AI Agents》里直接提出了这个问题的 AI 版本："如果相当数量的交易开始由 AI 系统完成，公司的边界会发生什么变化？大规模引入 AI Agent，会给组织结构和产业结构带来怎样的改变？"论文的推测之一是：AI Agent 可能大幅降低协调成本，让单个公司有能力同时掌握原本分散在多个市场里的能力，从而触发一次从"许多专业化公司"到"少数横跨多产业的巨型公司"的相变。
• Tassilo Klein 与 Sebastian Wieczorek 的论文《The Headless Firm: How AI Reshapes Enterprise Boundaries》给出了一个更具体的模型：在传统的模块化系统里，整合成本随交互拓扑呈平方级增长（O(n²)）；而在"协议中介"的 Agent 系统里，整合成本坍缩为线性增长（O(n)），验证成本则随任务吞吐量而非交互数量增长。这个转变会筛选出一种他们称为"无头公司"（Headless Firm）的组织形态——形状像沙漏：顶端是一个高度个性化的生成式交互界面，中段是一层标准化协议，底部是一个由高度专业化的执行 Agent 组成的竞争性市场。
• 更激进的论文《Structural Dissolution》（Chao Li 与 Chunyi Zhao）干脆挑战科斯理论本身的前提：科斯的框架默认"协调必须发生在不同的经济主体之间"，公司和市场只是"谁来做这件事更便宜"的两个选项；但当协调可以被一个计算系统内部完成，而不是发生在主体之间时，这个"科斯选择集"本身就会坍塌——公司或许会作为法律实体继续存在，但它原本承担的"协调"功能，正在被让渡给可以被区域性治理的 AI 基础设施。类似的论证也出现在 Michael Harre 与 Paul Ormerod 的《The Coasean Reversal》里，只是结论方向相反——他们认为前沿技术生产的复杂度已经超出了外部市场集群的协调能力，反而会让公司更倾向于把原本靠市场协作获得的能力"内部化"。

把这几篇论文放在一起读，会发现学界目前没有共识，但争论的坐标已经从"AI 会不会提高效率"移到了"当协调成本被 Agent 大幅压低之后，公司这个组织形态本身还剩下多少存在的理由"。而 Tan 的 Resolver Table——一张决定"任务该交给哪个 Skill File"的路由表——恰好是这场理论争论里"协调如何被自动化"的一个具体、可运行的样本：当组织架构图不再需要经过人力资源部门审批，而是一段可以随时改写的路由逻辑，科斯当年计算的那笔"内部协调成本"，账本已经完全变了。

六、判断力归谁：技能文件的所有权政治

演讲进行到后半段，Tan 突然把语气从"效率增益"切换成"政治问题"，讲了一个虚构却精准的故事。

一位叫 Maya 的客服工程师，花两年时间教会了她的 Agent 40 项技能：如何在凌晨两点处理一个 P0 级故障，如何安抚一个即将流失的客户，如何写一份真正能防止下次事故重演的复盘报告。这 40 个文件，就是她两年积累下来的判断力。

版本一： 这些文件存在 Maya 自己的代码库里。她换工作时，这些文件跟着她走。多干一年，她的判断力多复利一年——这是"所有权"。

版本二： 这些文件存在公司的代码库里，受公司 IT 政策约束。Maya 离职时什么都带不走，"公司继续运行着一个不会再要求加薪的她的版本"。Tan 的原话是："她没有一份职业生涯，她经历的是一场'萃取'。"

"我相信 Skill File 是你的。拥有你自己的技能——因为如果你不拥有它，你的工作就会变成一份技能文件。"

Tan 把这段话拉回工业史：工匠曾经拥有自己的工具，这让他们保有独立性；工厂打破了这一点——织布机属于工厂，不属于织工。知识工作者过去以为自己是安全的，因为工具（也就是知识和经验）长在脑子里，没人能没收。"Skill File 第一次让你的认知可以被提取、被存档、被版本化、被拥有——唯一的问题是，被谁拥有。"

这段话之所以值得单独拿出来分析，是因为它把"Agent 变成劳动力"这个命题，从纯技术命题变成了一个财产权命题——而财产权问题历来是劳动政治最锋利的切口。放在更大的坐标系里看，这其实是一个老问题的新版本：知识工作者的"隐性知识"（tacit knowledge）过去无法被完整编码，因此天然归属于个人，公司只能通过雇佣关系间接"租用"这种知识；Skill File 的出现，第一次让隐性知识变得可提取、可复制、可脱离本人独立运行。这既是这套体系效率提升的根本来源（判断力不再随人员流动而流失），也是它最大的政治风险所在——一旦判断力可以被完整封装并脱离创造者运行，"雇佣"和"许可"之间的边界会变得模糊：公司雇的到底是 Maya 本人，还是 Maya 判断力的一份永久授权？现行的劳动合同、竞业协议、职务发明归属规则，几乎都没有为这个问题准备好答案。可以预见，"离职时 Skill File 归谁"很可能会成为未来几年硅谷劳动合同里一个新的、具体的谈判条款，就像今天的竞业限制和股权归属条款一样。

七、反方声音：幸存者偏差与"同事"叙事的破产

把 Tan 的叙事照单全收之前，至少有三层质疑值得摆在桌面上。

第一层，是"同事"这个词本身。 早在 Tan 这场演讲之前一年，Forrester 的两位分析师就已经在辩论"Agent 即同事"（AI agent as coworker）这个说法本身是否成立。持怀疑立场的 Anthony McPartlin 列出了五点理由，其中最尖锐的一条是"虚假的等价"：把 Agent 和真实员工建立某种对等关系，不只是误导，对相关从业者也是一种矮化——"'同事'这个词暗示的是一种合作关系；亚马逊仓库或特斯拉工厂里被机器人环绕的人类员工，从不会把那些机器人叫作'同事'，为什么销售岗位就要这么叫？"他同时指出，这套叙事对贩卖 AI 产品的公司天然有利——"当一家 Salesforce 级别的公司用非常有限的证据，去重新定义自己长期价值的时候，买家理应保持警惕。"

第二层，是"一人公司"神话本身的稀释。 即便是把"人均产值"讲得最动人的媒体，也承认目前流传的极端案例更多是"概念的存在证明"而非可复制的行业基准——多数被引用的"一人公司做到十亿美元"的说法，细究之下经不起推敲，更接近励志叙事而非可验证的财务披露。

第三层，也是 Tan 自己主动承认的一层： 他反复强调"我不能证明是 AI 生成代码导致了增长，这只是相关性"；他也主动提出"没人打理的大脑，是一个带搜索功能的垃圾场"——检索系统会用十足的自信呈现过时甚至错误的信息，一份写坏的 Skill File 会把一个坏流程永久固化下来。这意味着，这套体系的效率增益，高度依赖于持续的"人工修剪"（curation）——而这恰恰是最难规模化、最难量化、也最容易被创业叙事忽略的部分。换句话说，"Skill File 即员工"这个隐喻如果推到极致，公司需要的不是更少的判断力，而是需要把判断力集中在更少但更关键的几个人身上——组织的科层制被压扁了，但金字塔顶端那一小撮"大脑管理者"的责任和风险，反而被放大了。

八、组织的新解剖：如果公司变成一个沙漏

把前面几节的证据拼在一起，能看出一个比"效率提升"更具体的组织形态假说，恰好和 Klein 与 Wieczorek 论文里"无头公司"（Headless Firm）的沙漏模型对得上：

• 沙漏顶端：一个高度个性化的生成式交互界面——对应到 Tan 的语言，就是那个拥有 Company Brain、能"知道公司知道的一切"的创始人或核心决策者。Tan 的原话是"你是创始人，也是整个管理层"。
• 沙漏中段：一层标准化协议——对应 Resolver Table，决定任务如何在 Skill File 之间流动，本质上是把人力资源部门的"谁该负责这件事"职能，变成了一段可版本控制的路由逻辑。
• 沙漏底部：一个由高度专业化的执行单元组成的、可竞争替换的市场——对应一个个独立的 Skill File / Agent，理论上可以像今天外包一个具体职能一样，随时替换掉某一个"表现不好的员工"。

这个形状最激进的含义，不是"公司变小了"，而是中层被压缩到接近于零。传统组织里，中层管理者的核心价值恰恰是"协调"——把顶层战略翻译成具体任务，再把执行层的信息汇总回顶层。当 Resolver Table 和 Company Brain 分别接管了任务路由和信息汇总这两项工作，中层原本不可替代的"翻译"职能，第一次有了一个技术上的替代品。这也是为什么 Klein 与 Wieczorek 的论文特别强调"验证成本"（verification cost）——沙漏形组织不是不需要监督，而是监督的对象从"人"变成了"任务吞吐量"，需要一整套新的、以结果为导向而非以过程为导向的绩效体系，Tan 语言里的"Trigger Evals"正是这套体系最朴素的雏形。

对正在思考要不要往这个方向走的团队，几条相对可操作的判断标准：

1. 先分清"隐空间"和"确定性空间"，再谈自动化。 Tan 反复强调的"几乎所有 Agent 失败案例"，根源都是把该交给代码的算术丢给了模型的判断，或者反过来。这条边界画错，后面所有的组织重设计都会建立在流沙上。
2. 把"公司大脑"当生产基础设施投入资源，而不是知识库项目的附属品。 没有持续修剪、溯源和冲突检测的知识库，规模越大，错误传播得越快、越自信。
3. 在扩张团队之前，先把"离职时 Skill File 归谁"写进合同。 这不是一个可以拖到出问题才解决的边缘条款——它决定了公司愿不愿意让员工真正把自己的判断力交给系统，也决定了公司未来在人才市场上的吸引力。
4. 人均营收类的数字，拿来做方向感，不要拿来做预算依据。 它们目前更接近极端值的存在证明，而不是可以线性外推的行业基准。

九、结语：谁的智商，谁的记忆

回到这篇文章开头那句拗口的公式："一个前沿模型，是租来的、一个商品，而且每个季度都在变便宜；加上你自己的、独一无二的上下文；再加上一个把两者连起来的 harness。"如果这句话成立，那么未来组织之间真正的竞争维度，会从"谁的模型更强"迅速让位给"谁的 Company Brain 攒得更久、修剪得更干净、被授权得更精细"——因为模型层面的差距，正在以季度为单位被抹平，而组织记忆和判断力的沉淀，是几乎不可能被竞争对手一夜复制的护城河。

但这套叙事里最没有被讲完的部分，恰恰是它最政治的部分：当一家公司的核心资产从"雇佣了哪些人"变成"拥有哪些 Skill File 和哪个版本的 Company Brain"，员工与组织之间那份古老的默契——"我把时间卖给你，但我的判断力和经验始终是我自己的"——第一次有了被技术性拆穿的可能。Maya 的故事之所以是整场演讲最安静、却传播最广的一段，是因为它没有停留在"AI 会不会抢工作"这个已经被讨论到疲惫的问题上，而是问了一个更尖锐、也更快会落地的问题：当你的工作可以被完整地写成一份文件，这份文件，应该属于谁？

这个问题目前没有答案。但可以确定的是，未来几年里，回答它的不会只是工程师和创始人，还会有劳动法学者、工会，以及每一个第一次被要求"把你怎么做这件事写成一份 Skill File"的普通员工。

主要参考来源

Garry Tan, 《Own Your Intelligence》演讲，Y Combinator Startup School 2026（完整转录）· Garry Tan, GBrain 开源项目 · company-brain.md · Garry Tan on Building AI-Native Companies, Trustabl.ai · Ruben Dominguez, Garry Tan Runs YC at 400x His 2013 Output, The AI Corner · Lovable adds $100M in a month with 146 employees, TechCrunch · Paul Baier, AI-Native Firms Lead In Revenue Per Employee, Forbes · Jensen Huang on NVIDIA's 100-agents-per-employee plan, Fortune · Anthony McPartlin, The "AI Agent As Coworker" Narrative Is Nonsense, Forrester · Gillian K. Hadfield, Andrew Koh, An Economy of AI Agents, arXiv:2509.01063 · Tassilo Klein, Sebastian Wieczorek, The Headless Firm, arXiv:2602.21401 · Chao Li, Chunyi Zhao, Structural Dissolution, arXiv:2604.27435 · Michael Harre, Paul Ormerod, The Coasean Reversal, SSRN

作者：冯小平，[email protected]