你的新工作是引导智能体入职：探索AI原生公司的运作机制

神译局·2026年04月06日 08:00

深度解析 Linear 的 Agent 优先工作流、Ramp 的 AI 熟练度 4 个等级，以及 Factory 将专家知识转化为 AI 技能的实战手册。

神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。

编者按：当 AI 开始领工单、进项目组，人类的工作正变成“智能体经纪人”。看 Linear 和 Ramp 如何拆解 AI 原生组织的运作真相。文章来自编译。

在过去的几个月里，我采访了多家 AI 原生公司的负责人。现在我深信：

无论你的职能是什么，引导智能体（AI Agent））入职并管理好它们就是你的核心工作。

在本文中，我想分享 Linear、Ramp 和 Factory 这三家 AI 原生公司是如何践行这一原则的。以下是各家公司的一些语录：

Nan Yu（Linear 产品负责人）：“你将拥有 AI 团队成员，你可以像和人交流一样，给它们分配任务并进行对话。”
Geoff Charles（Ramp 首席产品官）：“如果你没在使用 Claude Code，无论你担任什么角色，你的表现可能都差强人意。”
Eno Reyes（Factory 首席技术官）：“我们将产品管理、前端 UI、数据分析等能力编写成了可重复使用的‘技能’，任何员工都可以调用。”

请继续阅读，深入了解这些 AI 原生公司是如何运作的。

Linear：让 AI Agent 成为“一等公民”一样的团队成员

你可以通过 @ 某个 Agent 来创建任务，并将其分配给另一个 Agent。

Linear 处理 Agent 的方式是由其产品逻辑决定的。Nan（Linear 产品负责人）认为：

Agent 应该被视为正式员工。你应该能把它们加入项目、为它们分配 Issue（问题），并在评论中提及它们。

不过，Nan 也认为，人类必须始终对结果负责。以下是 Linear 如何在产品开发的每个环节中运用 Agent 的：

理解问题。 Agent 会阅读并总结来自 Intercom、Zendesk 和 Gong 的每一次客户对话。它们会自动创建 Issue，对照待办列表进行去重，并将其分配给合适的团队。
确定方案。由于 Agent 拥有访问客户对话的权限，它们可以通过从多个渠道提取数据支撑的洞察，帮助你迭代产品规格说明书（Spec）。
制定计划。 Agent 可以将你的 Spec 拆解为具体的工单（Ticket），并自动分发给相应的团队。在 Linear，现在大部分工单都是由 Agent 创建的。人类的工作是审查它们产出的内容，并不断调整上下文。
执行。 Bug 修复和小型功能开发会直接分配给 Codex 和 Cursor 等智能体。对于复杂功能，工程师会启动 Claude Code，并利用 Linear MCP 调取完整的 Issue 上下文。

Nan 表示：

感觉每一季度智能体能处理的范围都在扩大。新的模型和架构正将边界从简单的修复推向日益复杂的项目。

想像 Linear 一样利用 Agent 进行开发吗？以下是 Nan 分享的、你的团队今天就可以采取的 4 个务实步骤：

每位开发者都应默认使用领先的智能体化编程工具。这是最简单的一步。提供官方工具（如 Cursor、Claude Code 或 Codex）并进行管理，以便观察使用率。
辅以异步云端编程智能体。异步后台智能体可以一次性处理大部分细微改动和 Bug 修复。Cursor 和 Devin 在这方面都有不错的产品。
坚持让设计师和 PM 直接在代码库中工作。像 Claude 这样的 Agent 为 PM 和设计师直接修改代码提供了一条低阻碍的路径。每个人都应该努力成为一名开发者。
PM 和市场人员应默认使用 AI 界面。这些职能部门 80-100% 的工作都应该通过聊天界面完成——不管是 Claude、ChatGPT、Notion AI 还是类似工具都行。

Nan 预见到这样一个未来：人类将在 Spec（规格定义）层面与智能体协作——定义需要构建什么以及为什么要构建——然后将任务移交给智能体来处理所有的下游工作。

Ramp：衡量 AI 熟练度的 4 个等级

Ramp 正在迅速推动员工通过 4 个等级实现 AI 原生化。

如果说 Linear 展示了如何让智能体成为团队的核心成员，那么 Ramp 则展示了如何让全公司都采纳它们。

2025 年，Ramp 发布了 500 多个功能，营收达到 10 亿美元，而这一切仅靠 25 名 PM 完成。

他们之所以能做到这一点，是因为要求每一个职能部门（工程、产品、设计、销售、市场、法务、财务）都必须引入并与智能体协作。

Ramp 的首席产品官 Geoff 分享了一个评估员工 AI 熟练度的框架，我觉得非常实用：

L0：偶尔使用 ChatGPT。这些人很可能无法在公司长期发展。Geoff 表示，如果你对 AI 工具缺乏主动性且没有成长型思维，很难通过培训让你变得优秀。
L1：使用并调整 GPTs、项目和内部 AI 工具。这些人正在试验 AI，但尚未实现实际工作的自动化。
L2：构建应用来自动化部分工作。这些人能够提交代码，或者利用 AI 工具对他人的工作给出有意义的反馈。
L3：系统开发者。这些人正在构建 AI 基础设施和技能，从而加速团队中其他所有人的工作。

公司的目标是推动每个人向上晋升。L0 级别的人会自行离场，L1 变成 L2，L2 变成 L3，而 L3 则影响整个组织的其他成员。

Geoff 还分享了任何公司实现 AI 原生化都可以采取的 5 个步骤：

消除所有阻碍。提供对流行 AI 工具的访问权限，不设 Token 或预算限制，并建立一个任何人都可以调用的内部 AI 技能库。如果配置过程太难，大多数人就不会使用。
让应用过程可见。创建公开的 Slack 频道，让大家分享自己的成果。在全体员工会议上，展示非工程师做出的惊人成绩，比如财务人员开发出了资金管理系统，或者市场人员实现了网站创建的自动化。
提供实操支持。举办任何人都可以参加的答疑时间（Office Hours），以构建 AI 技能和工作流。设立专门的 AI 专家，他们的全部工作就是布道、协助用户完成配置，并帮助他们体验到“顿悟时刻”。
追踪使用情况并干预。 Ramp 会追踪每位员工在各种 AI 工具上的 Token 消耗量。领导层会分享这些数据，以建立自然的责任感，并在某些人使用率较低时介入。
将其定为招聘要求。 PM 的面试现在包含一个专门环节，你需要构建一个可运行的产品，然后解释构建原因及其运作原理。

Geoff 用一句话概括了他对 Ramp 每个岗位的领导哲学：

你的工作就是实现自身工作的自动化。

Geoff 说道：“如果我跟团队说了 10 遍 CTA（号召性用语）按钮需要放在首屏高度以上，解决办法不是说第 11 遍，而是将这条反馈编写进自动化的设计评审流程或 AI 技能中，确保此类问题不再发生。”

Factory：从第一天起就是 AI 原生

如果说 Linear 和 Ramp 展示了公司如何接纳 AI Agent，那么 Factory 则展示了从第一天起就围绕它们进行构建会发生什么。

Factory 是一家拥有 55 名员工、估值 3 亿美元的 AI 软件开发公司，其组织结构从底层开始就是围绕 AI 建立的。以下是他们的独特之处：

招聘产品工程师

Factory 不会分开招聘 PM 和工程师。相反，他们招聘的是负责管理 AI Agent 并与之协作的产品工程师。典型的一天通常如下：

检查智能体运行的追踪记录（Traces），分析系统在哪些地方做出了错误决策。
编写修复方案，但不是写代码，而是通过“治理”手段（比方说更新某项技能、新增 Lint 规则或优化自动化流程）。
仅评审智能体标记为高风险的 PR（其余的由 Agent 自行处理）。
提出新想法，并与同事及 AI 讨论优先级。

这项工作并不轻松，需要更深的专业知识，但其杠杆效应是巨大的。

让代码库适配智能体

智能体需要一个它们能够实际操作的代码库才能发挥效用。Factory 将代码库分为五个成熟度等级，而“等级 3（标准化）”是大多数团队首先需要追求的目标。

Factory 的智能体就绪度框架。

将专业知识编写为可重复使用的技能

一旦你的代码库适配了智能体，下一步就是通过“技能”（基本上就是 Markdown 文本文件）赋予智能体做出正确决策所需的知识。

Factory 利用“技能”将专家经验和公司知识编写成任何智能体或员工都能使用的资产。以下是 Factory 内部使用的技能列表：

产品管理技能。将产品原则、“11 星体验”框架（借鉴自 Airbnb 的 Brian Chesky）、PRD 模板、评分标准和语言指南全部整合在一个 Markdown 文件中。
前端 UI 集成技能。指导 Droid 如何利用 Factory 的设计系统、路由规范和测试标准来构建功能。
AI 数据分析师技能。利用完整的 Python 生态系统运行探索性分析、构建可视化图表并生成统计报告。
内部工具技能。在内置了适当权限控制和审计日志的情况下，构建管理面板、支持控制台和运营仪表盘。
氛围编程（Vibe coding）技能。利用现代框架从零开始快速构建 Web 应用原型。

如果你能将顶尖人才的知识编写进“技能”中，你就不需要为每个职能部门都聘请专才。