这篇文章最开始只是一段凌晨的长口述。

我本来只是想聊聊最近越来越常见的几个词：AI Coding、Agent Harness、超级个体、一人公司（One Person Company，OPC），还有所谓的“超级小组”。结果越说越远，最后一路扯到了工业革命、组织管理和个人职业规划。

它们看起来跨度很大，但在我脑子里一直被同一个问题串着：

当人不再是唯一稳定、通用的智力来源，我们组织生产的方式会发生什么变化？

最近两年，我们习惯用一些很具体的问题讨论 AI：它会不会替代程序员？一个人能不能顶一个团队？开发 Agent 到底能把研发效率提高多少？

这些问题当然都很现实，但我越来越觉得，它们只是同一个更底层变化的不同切片。

AI 带来的核心变化，不是多了一个聊天机器人，而是智力资源开始变得可购买、可复制、可并行、可调度。

这也是我现在理解“超级个体”和 OPC 的起点。

从马力到模型

把时间拉回工业革命以前，人类能够稳定获得的机械能，很大程度上还绑定在人和牲畜身上。人耕地，马拉车，生产能力天然受制于身体。

化石能源和机器把机械能从生命体上拆了下来。后来，电又成为一种更通用的中间介质：它可以被集中生产、远距离传输、精确控制，再由上层设备按需消费。

一个普通人不需要真的养一千匹马，也可以操作拥有上千“马力”的机器。我们今天已经完全习惯了这件事。

计算机当然早就在用电处理信息，但传统软件有一个很强的前提：人要先把问题形式化。业务逻辑被写成代码，规则被写成 if/else，流程被拆成状态机，然后机器负责高速执行。

大模型往前走了一步。它开始直接处理很多过去很难提前写成确定规则的任务：读一个模糊需求、查资料、写代码、分析数据、规划下一步，再调用工具把事情做完。

flowchart LR
    A["电力"] --> B["算力"]
    B --> C["模型"]
    C --> D["token"]
    D --> E["推理、开发、研究与规划"]
    E --> F["认知劳动"]

我并不是说模型已经和人拥有完全等价的智能。更准确的说法是：我们第一次拥有了一条足够通用、也足够可用的链路，可以把电力、算力和数据持续转换成参与知识型生产的智力资源。

工业革命放大了一个人能够调度的体力。AI 则开始放大一个人能够调度的智力。

公司其实一直在调度“人脑”

如果从智力资源的角度重新看公司，很多我们习以为常的组织结构会突然变得很直白。

过去，一个复杂产品需要一家公司，并不只是因为事情多，而是因为它需要的知识、判断和执行远远超过一个人的上限。于是公司要不断找到合适的人，把目标拆开，再让这些人协同完成交付。

系统	表面职责	放到智力资源视角下
招聘与人力	找人、定级、薪酬	获取智力资源并定价
管理与项目管理	分工、对齐、推进	分配智力资源，处理依赖
专业分工	前端、后端、产品、运营	降低单个人需要掌握的上下文
软件工程	稳定交付复杂软件	组织大量工程师长期协作

这些方法当然不是凭空出现的。它们是在适配人脑这种很特殊的“硬件”：学习一个领域很慢，上下文迁移成本很高，同时能处理的任务有限，不能复制，彼此同步信息还需要会议、文档和大量沟通。

《人月神话》几十年后仍然没有失效，也不是因为软件行业有什么神秘诅咒。多加九个程序员，在增加九份智力的同时，也增加了沟通关系、上下文传递、协同顺序和职责归属问题。

过去，一个组织能够调用的智力资源，大致可以粗暴地写成：

可用智力资源 ≈ 人数 × 个体能力 × 可投入时间

而大模型第一次给这个公式加上了第二项：

可用智力资源 = 人类智力 + 机器智力

机器智力的经济性质又和人完全不同。它可以在几秒钟内被拉起，可以并行，可以按任务临时调用，也可以在任务结束后被销毁。采购它依赖 API、token 和算力，不需要再走一遍传统雇佣流程。

Agent 当然还不可靠。它会跑偏、会缺上下文、会犯错，需要权限控制、验证和人类兜底。但这已经从“这种资源是否存在”，变成了“怎么把这种资源管好”。

问题的性质变了。

为什么软件工程最先撞上它

软件工程几乎从输入到输出都是数字化的：需求、代码和文档是文本，代码仓库可以被工具访问，构建和测试可以自动执行，Git 能回滚，CI 能验证，环境还能被放进沙箱。

这套生产资料简直像是提前为 Agent 准备好的，所以软件开发自然成了机器智力最早进入完整闭环的地方。

今天，一个有经验的工程师做最小可行产品（MVP），已经可以直接调用前端框架、云服务、托管数据库、身份认证、支付和模型 API，再让开发 Agent 帮忙调研、编码和测试。过去需要多人协作的原型，现在确实可能由一个人在几天，甚至几个小时里跑起来。

但这不代表产品本身突然变简单了。

一个产品的复杂度没有消失，只是被云平台、开源生态、工程抽象和 Agent 重新分摊了。

工程抽象做的事情，是把前人已经支付过的智力成本封装起来。数据库、操作系统、框架、SDK 和标准协议，都是已经被解决过、可以反复调用的答案。

AI 又多了一层：这个具体问题也许从来没有人解决过，但我可以临时调一份智力，让它现在帮我解决。

工程抽象复用的是过去已经完成的智力劳动；AI 则是在需要时生成新的智力劳动。

这也是为什么我觉得，只讨论“AI Coding 能把编码提速几倍”有点可惜。

假设 Agent 把一个功能的编码时间从十小时压到一小时，但真实交付还要经过需求讨论、排期、前后端对齐、联调、测试、发布和观察，最终交付周期并不会跟着缩短十倍。

甚至会出现一种很荒谬的状态：Agent 半小时把代码写完，项目再等两天排期、一天联调、半天确认。

当执行成本下降，过去被它掩盖的组织摩擦就会浮上来。一个需求被转述了多少次，经过了多少 handoff，有多少人在等待别人——这些东西会开始吃掉 Agent 带来的收益。

所以 AI Coding 往后走，迟早会撞上组织结构。

模型像发电机，Harness 才是生产系统

传统软件工程关心的是：怎么组织一群工程师，让复杂软件长期、稳定、可控地被交付和维护。

当 Agent 进入交付链路，工程对象就扩大了。现在我们要组织的不只是人和代码，还包括模型、上下文、工具、权限、记忆、评估与反馈。

flowchart LR
    A["目标与上下文"] --> S["AI 原生交付系统"]
    B["模型与工具"] --> S
    C["权限、沙箱与记忆"] --> S
    D["评估与反馈闭环"] --> S
    E["人工审批"] --> S

这也是我越来越关注 Harness 的原因。

只有模型，就像只有一个大发电机。它有能量，但离一套可靠的现代工业系统还很远。真正让电力成为生产力的，是电网、变压器、保险丝和控制系统；同样，模型提供智力，Harness 把智力变成生产力。

上下文决定模型此刻知道什么，工具决定它能做什么，权限决定它不能做什么，沙箱把失败限制在可控范围内，评估判断结果是否可以接受，人工审批则把责任和价值判断留给人。

从这个角度看，未来的高级工程师可能会越来越像 SRE。SRE 的价值不是人工登录每台服务器操作，而是设计一套系统，让大量机器自动、稳定、可观察地运行，只在异常时把真正需要人的问题升级回来。

AI 原生工程师面对的，是越来越多的机器智力。他要做的也不只是亲手写完代码，而是让这些智力能够自写、自测、自验、自修，再把值得人类注意力介入的异常和关键决策抛回来。

软件工程可能正在向“智力工程”扩张。

人的优势，可能只是一直在场

一旦把模型看成智力资源，马上会碰到那个绕不开的问题：如果机器越来越聪明，人到底还提供什么？

我不太喜欢用“人有灵魂”“人更有创造力”来回答。至少从今天的 Agent 系统出发，人和模型之间有一个非常具体的差别：持续的长期上下文。

模型有参数里的先验知识，也有当前上下文窗口里的动态信息。记忆、RAG、文件系统、数据库和上下文工程可以不断增强它，但底层仍然在一次次有限的调用之间重新构造：

这个模型此刻应该知道什么？

人会忘东西，会犯错，短期工作记忆甚至未必比模型好。但一个人有持续几十年的身份、长期积累的业务经验、隐性社会关系、价值判断、品味，以及对现实结果的责任。

人的优势未必是“无限聪明”，而是他一直在场。

更适合交给机器智力	更应该由人掌握
搜索资料、枚举方案	为什么值得做
生成代码、自动测试	什么才算真正正确
重复执行、高并发任务	长期目标和资源配置
大量局部推理	取舍与最终责任
内容初稿	哪些观点真正代表我

所以人在生产系统里的位置可能不是简单消失，而是从执行者逐渐上移成上下文负责人、目标制定者、验收者、风险负责人和资源配置者。

当生成越来越便宜，真正稀缺的会变成目标、上下文、判断、验证和责任。

从岗位走向“目标 + 上下文”

我们今天熟悉的职能组织，高度依赖一个前提：专业执行能力必须长期绑定在具体的人和岗位上。

前端、后端、产品、设计、测试、数据和运营的分工当然合理。过去让一个人把这些领域全部学到足够深，成本太高，所以每个人只掌握有限上下文，再通过 handoff 完成复杂目标。

Agent 带来的新可能是：一部分专业执行能力开始可以按需调用。

技术背景的人不需要先变成资深运营，才能完成一次营销分析；业务背景的人也不需要先花几年成为程序员，才能做一个业务工具。他们仍然需要专业判断，但“能不能做”开始和“是不是我的固定岗位职责”解绑。

flowchart LR
    A["传统职能池"] --> B["跨岗位 handoff"]
    B --> C["完成项目"]

    D["共同目标"] --> E["少量上下文负责人"]
    E --> F["各自调度 Agent 集群"]
    F --> G["完成交付"]

我更相信，未来真实的交付单元会逐渐从“岗位”迁移到 目标 + 上下文：少量人共享同一片核心上下文，都理解我们到底在解决什么问题，只是因为出身不同，各自更关注系统、用户、市场或风险。

这就是我理解的“超级小组”。

但这里有一个很现实的障碍。传统职能组织训练出来的人，习惯接受清晰输入、完成自己的专业切片，再交给下一个角色。超级小组需要的却是理解模糊目标、主动补上下文、跨专业判断、调度 Agent、验证结果，并对最终业务负责。

换一张组织架构图解决不了这个问题。组织里的个体也得先变。

超级个体不是把技能点全部加满

“超级个体”很容易被讲成 AI 时代的个人英雄主义：一个人会编程、会设计、会写文章、会做产品、会运营，仿佛把所有技能点点满就算通关。

我不太认同这个定义。

真正的超级个体不是“什么都会”，更不是熟悉几十个 AI 工具。它更像是一种面对完整目标的能力：愿意进入陌生领域，知道自己需要补什么，再借助 Agent 扩大执行边界，最后对结果负责。

如果要给它一个压力测试，我觉得 OPC 很合适。

假设把你从现有组织里拿出来，只给你网络、模型、算力、GitHub、云服务和一笔可控预算，再给你一个想法。你能不能让它依次经过调研、产品定义、设计、开发、测试、部署、运营、内容和用户反馈，最后真的进入现实？

重点并不是你亲手完成每一步。恰恰相反，问题在于：你能不能组织一套 Agent 系统，把这件事完整地推下去？

所以我理解的 OPC，不是“一人干完一家公司的全部工作”，也不只是自由职业者或独立开发者。它真正有意思的地方，是一个物理个体开始拥有过去只有组织才有的智力杠杆。

当然，OPC 也不是所有复杂产品的终局。

一百个 Agent 可以提供一百份执行智力，但它们可能仍然共享同一个人的目标、价值判断和上下文来源。这样做最大的风险是：你可以把自己的错误判断，以前所未有的效率执行到底。

第二个真正独立的人类带来的，不只是又一份执行力。他有不同的人生经验、专业背景、价值函数、社会关系，也会真正挑战你的判断，并成为第二份责任主体。

所以，超级小组不是超级个体的替代，而是超级个体之间的联盟。

把自己当成一家小公司经营

这套判断最后还是会落回我自己。

过去很长时间里，我会很自然地把自己理解成“一名前端工程师，现在在一家公司工作”。最近我开始更喜欢另一个视角：把自己看成一家提供技术服务的小公司，而我和现在的公司建立了一段长期合作关系。

这样一来，很多原本分散的问题突然可以放在同一张表里：我的主营业务是什么？客户为什么持续购买我的服务？什么是我的核心竞争力？我应该把哪些东西当作研发投入？哪些投入正在形成资产，哪些只是消耗？

以前的叫法	OPC 视角
上班	主营业务
工资、奖金、期权	营收
技术学习	研发投入
Agent Harness	内部生产系统
个人操作系统	企业 IT 系统
Obsidian	知识库
博客	营销与分发
GitHub 与开源	品牌与信用资产
副业项目	新产品线 / 内部孵化
跳槽	更换合作方 / 市场重新定价
模型 API 与算力	生产资料

以前“把自己当公司”更多是一种职业规划比喻，因为无论怎么想，我都只有一人份时间和智力。AI 出现以后，这个比喻第一次有了真实的组织含义。

我想给自己的 OPC 配一整套生产系统：

• 用 Obsidian 保存长期上下文，把知识变成本地优先、Markdown 优先、可以版本控制的资产；
• 用 ChatGPT Project 做复杂讨论和决策辅助，不让一个随时执行任务的 Agent 同时承担所有角色；
• 用 Hermes Agent 作为长期运行的秘书和调度者；
• 把高权限运维交给独立的运维 Agent，避免一个主体拿着全部权限到处跑；
• 按任务临时调度开发、研究、内容、数据和增长 Agent；
• 用 Harness 控制面管理上下文、权限、沙箱、评估、可观测性和回滚；
• 构建个人 SaaS 工厂，在需要时直接生成只服务于我自己的小型业务系统；
• 用博客流水线把原始观点变成长文，再适配公众号、小红书和 X。

这不是为了收集更多工具。Agent 有多少并不重要，能不能被控制、能不能真正形成闭环才重要。

这篇文章就是第一次冒烟

很巧，这篇文章本身就是我想做的第一个 OPC 冒烟实验。

它从一段凌晨的长口述开始。工业革命、智力资源、软件工程、超级个体、OPC、超级小组和个人职业规划，本来只是一些突然串起来的想法。

过去，要把它变成正式内容，我需要自己整理、搭结构、写初稿、编辑、改标题、适配渠道，再维护博客系统。现在，我把核心观点、判断、上下文和最终责任留在自己手里，把大量中间执行交给 Agent 流水线。

flowchart TD
    A["原始想法"] --> B["大纲"]
    B --> C["博客长文"]
    C --> D["人工审稿"]
    D --> E["博客 / 微信公众号 / 小红书 / X"]
    E --> F["反馈"]
    F --> G["知识库"]

如果这条闭环能跑通，它验证的就不只是一套内容自动化工具，而是一个人和一套机器智力系统，是否真的可以开始拥有过去一个小团队才有的完整交付能力。

再往长期看，我甚至觉得，未来高级个体的工作方式会越来越像资本配置。

他每天最重要的问题不再只是“我亲自完成了多少工作”，而是：什么问题值得消耗智力资源？该调用什么模型？给它什么上下文和工具？怎么验证？什么时候应该升级给人？又应该在什么时候停止投入？

过去两百年，人类学会了驾驭越来越庞大的能量。接下来，我们可能需要学习另一种能力：驾驭越来越庞大的智力。

这件事还非常早。模型不够可靠，Harness 远没有成熟，人的注意力也不会因为 Agent 变多就自动扩容。甚至“把智力类比成电力”到底能解释到哪一步，也值得继续拆。

但至少对我来说，问题已经不再只是“AI 能不能帮我把这段代码写出来”。

我更关心的是：

当智力开始变得不再像过去一样稀缺，我们准备把它用在哪里？谁给它目标，谁给它上下文，谁来验证，又由谁为结果负责？