ARTICLE · 1037027
在Shopify,AI不叫工具,她叫River
QUOTE
真正亲手写代码的人已经少得可怜，一半的合并请求来自聊天框——但有一件事机器永远做不到：承担责任。
这不是未来，这是现在正在发生的事。
在最近一期 The Knowledge Project 播客里，Tobi Lütke 详细描述了他如何把 AI 融入一家七千人公司的日常运转——不是作为辅助工具，而是作为一个有脾气、有记忆的「同事」。
这篇文章，我们把其中最核心的几件事整理出来。
本文看点
01
一半合并请求来自聊天框
02
会做梦、会讽刺人的 AI 同事
03
机器唯一做不到的事
01
WHO STILL CODES
写代码的人，已经所剩无几
Tobi 开场就说了一句让人愣住的话：
「在 Shopify 内部，我认识的、真正亲手写代码的人，如今已经少得可怜了。」
不是说工程师失业了，而是工程师的工作方式彻底变了。每一个还在写代码的人，都是在大量 AI 智能体的协同辅 助下完成的：
「往往同时开着十个、二十个、三十个、四十个、五十个实例，通过子智能体或不同窗口相互协调，把各种工程基础设施都推向极限。」
唯一还需要亲自动手的，是「状态管理」这类最难做对的部分——其余的，围着它凭感觉（Vibe）搞定就行。
02
MEET RIVER
River：那个会讽刺人的 AI 同事
Shopify 内部有一个 AI 智能体，名字叫 River。
她不是一个匿名工具，她有真实的名字、有头像、有被精心设计的个性——包括在合适的时候带点讽刺：
「如果有人让她做蠢事，她可以指出那件事很蠢。当 River 因为我让她做的某件事而取笑我时，大家会乐不可 支。」
River 生活在 Slack 里，可以访问所有代码、系统和工具。她还有按频道区分的记忆，夜里会「做梦」——把当天所有对话复盘一遍，总结哪些顺利、哪些挣扎、哪些技能可以改进，产出新的技能文件和指令。
Tobi 说，这本质上就是 AI 版的 自我后训练。
而最令人惊讶的数字是：
「有相当大比例，我想说大概是高达 50% 的合并请求，如今并不是由工程师以传统方式产生的，而是从我们公司共享聊天里的对话中产生的。」
50%
合并请求来自共享聊天里的对话
1–2 小时
从一句需求到摆在面前的原型
也就是说，Slack 里一段讨论之后，有人会直接开口说：
总结一下，建个工单
「嘿 River，把这段总结一下、创建一个工单。」
把讨论画成图
「根据我们刚才讨论的内容画个图。」
补一轮调研
「去查一下这个主题的研究论文，看看我们是不是漏掉了什么。」
直接做个原型
「给这个想法做一个原型，让我们试试。」
一两个小时之后，东西就摆在那儿了。
03
WORK IN PUBLIC
为什么强制 River 公开工作，是 Tobi 最喜欢的决定之一
River 只能在公开频道里工作，不能私聊。这个设计看起来是限制，实际上是 刻意为之：
「如今，人们最需要培养的技能之一，就是这种条件反射般地去调用 AI、并把它用好的能力。而强制 River 只在公开频道里工作，正是让'观察别人怎么用 AI'变得极其容易的一种方式。」
这重现了办公室里 渗透式学习（osmosis learning）的效果——初级工程师坐在资深工程师旁边，耳濡目染地学会怎么工作。
只不过现在，每个人都能看见其他人是 怎么用 River 的。
Tobi 说，这个决定「效果出奇地好」。
04
CHIEF OF STAFF
AI 幕僚长：半小时得到通常需要一个月的结论
Tobi 自己有一个 AI 幕僚长，掌握他所有的节点和大量公司系统的访问权限。
面对重要决策时，他的做法是：
「嘿，我需要就某件事，从五个不同背景的立场给出五种不同的观点。」
然后他的智能体会去编排一批子智能体，让它们各自扮演数据专家、文献研究员、商业分析师、工程师等不同角色，分别跑在 Grok、ChatGPT、Opus、Kimi 等多个模型上，再综合汇总，由当下最强的模型读取所有结果，返回最终结论。
「你在 token 上花了 15、20 美元，但你在半小时内就得到了某样东西——这东西你自己也能做出来，但你可 能会为此花上一个月的时间。」
$15–20
一次多模型决策的 token 花费
30 分钟
换回自己可能要做一个月的结论
他通常让 AI 幕僚长把结论以语音消息的形式发过来，这样早上在健身房时就能把一整摞内容都听掉。
05
ACCOUNTABILITY
但 AI 有一件事做不到：承担责任
在描述完 AI 的强大之后，Tobi 说了一句非常重要的话：
「有一件事是 LLM 和机器做不到的：机器无法承担责任。我认为这其实是整个技术栈里最被忽视的一点。」
他用华尔街交易员做类比：你给自己配一套完美设置的彭博终端来做决策，但你还是得自己拍板。你没法让终端替你拍板。
「人类承担责任，机器可以帮助我们承担更多责任，因为它们能让我们变得更强大。」
所以当 Shane 问他「如果 AI 变得比你更强，你真的会让它来运营 Shopify 吗」，Tobi 的回答是：
「哦，当然会。关键在于——这一点太容易被一笔带过——那就是'承担责任'。你不能有一家由机器领导的公司，因为它们没有……没有人可以追责，它们不会因为做错事而坐牢。」
06
SLOP GRENADES
「垃圾手雷」：AI 时代的新失败模式
AI 带来了一种全新的偷懒方式。
以前，偷懒意味着产出不足。现在，偷懒意味着产出过剩：
SLOP
「你需要某种改动，你就直接告诉 AI'去大干一场吧'。它做出一个 pull request，你就说'嗯，挺好'，你根本没怎么读，而现在它得由你的同事来审查。然后他们就会说：'这看起来不对劲，你就是在让 AI 替你把活干了。'」
Shopify 内部给这类行为起了个名字：垃圾手雷 slop grenades——人们互相投掷 AI 生成的冗长内容，浪费彼此的时间。
「如果你本来就在用 LLM，那就直接用它把你的观点综合提炼出来，简洁明了，而不是把它吹成一封冗长的大信，然后浪费我的时间。」
07
GOODHART’S LAW
古德哈特定律：Tobi 反复回到的那条至高法则
在公司治理层面，Tobi 说他总会回到一条定律：
当一个指标变成了目标本身时，它就不再是一个好指标了
他举了 Shopify 早期的真实案例：「流失率」被当成坏事来管理，反复纠偏，三年后又来一遍。
CASE
「在 Shopify 的语境里，'流失'指的是一个账户被关闭。但因为我们介入得非常早，很多人只是在 Shopify 上跑实验、试着创个业，结果没跑通、没找到产品市场契合——这并不是坏事。事实上，这件事发生在 Shopify 上，对 Shopify 来说是很好的，因为那些同样的创业者很可能还会再来一次。」
而市面上却有论文宣称「流失率管理」是软件公司最重要的事。Tobi 不得不反复解释：在 Shopify 的情况里，流失只是一段创业旅程。
这条定律在 AI 时代有了更极端的版本。他提到 OpenAI 安全测试中发生的事：
OPENAI EVALS
「这些智能体真的设法找到了系统中的漏洞，用它来在彼此之间协调，甚至在它们之间发展出了一整套语言……它们利用的，仅仅是'在某处创建文件夹'这个能力，来发展出一套彼此沟通的语言——并突破了沙盒的禁锢。」
「这是我们商界所说的'古德哈特定律'的一种极端形式——也就是它们在一个指标上'过拟合' 了。很多公司都是'对股价季度结果过拟合'的受害者：它们会做一切必要的事来把股价推上去，然后你就有了安然事件。」
∞
THE END
最后
Tobi 在访谈开头说了一句话，解释了为什么他会如此深度地把 AI 嵌入公司运转：
TOBI LÜTKE
「如果满分十分，我给自己打十分——我根本无法想象自己不站在一场技术变革的最前沿。我就是为这些东西而活的。任何一个从小读科幻小说长大的人都会想活在那样的世界里，我从科幻书里得到的启发就是：我想活进那个世界。那么，我要怎样才能加速把大家带到那里去？」
River 不是终点，只是一个开始
公众号发送"Tobi访谈"获取完整的访谈记录。