一个人管400个AI任务:硅谷创业者津晶的Agent工作法

开五个 Claude Code 窗口就忙不过来的你，有没有想过一件事——

有人同时在管四百多个 AI 任务。

不是同时开四百个窗口，是四百个不同的 feature、不同的工作流，在各自的 Agent 群里往前走。人只负责设定目标、做关键决定、最后验收。

这个人叫津晶，Orca 的联合创始人。她和她的四人小团队，正在用一种大多数人还没见过的方式工作——每天发布一个稳定版本，每版上百个 PR。GitHub 七万星，几乎零市场投入。

上周跟她聊了一个多小时。聊完最大的感受不是"AI 好厉害"，而是——

AI 时代真正的效率差距，不在模型能力，在人怎么管理 AI。

— 01 —

四百个任务，怎么管得过来

很多人第一次听到"同时跑几百个 Agent"，第一反应都是：那不乱套了吗。

你试试在 Terminal 里开五个 Claude Code 会话就知道了。过半小时，你已经分不清哪个在干什么、哪个卡壳了、哪个产出了什么。

津晶和她的重度用户们，解法不是"盯得更紧"，而是换一种工作方式。

第一件事，把验收标准定义清楚。

不是把任务丢给 AI 就完事了。你要告诉它——什么是好的，什么是不好的，做到什么程度算完成。Agent 才能自己判断进度，你也才能在最后快速验收。

第二件事，靠搜索而不是靠记忆。

几百个会话同时跑，不可能每个都盯。这时候搜索能力就是你的第二大脑。津晶说，现在 Claude Code 和 Codex 的原生搜索"其实不是很好用"，"我想搜索什么东西还是搜不出来的，我不是很 trust"。

Orca 的搜索针对这个场景做了很多优化——把很多"之前大家不会想到放到搜索结果里的信息"都放进去了。你不用记哪个会话在哪，搜关键词就能定位。

第三件事，也是最关键的——

人从"监工"变成"指挥官"。

津晶描述了她身边一个工程师的日常：

每天上班打开一看，哦我今天有二十个活，然后就找一个 agent，把这二十个活丢到那个 agent 里边，看二十个 subworker。下班的时候喝咖啡，看看是不是都干完了，干完了叫一下，今天的活就干完了。

人负责什么？

设定目标。做关键决定。最终验收。

其他的，交给 Agent。

— 02 —

ADE 不是 Harness，别再搞混了

聊到 Orca 的定位，津晶花了挺长时间讲清楚一个概念——

ADE 和 Harness 不是一回事。

Harness 是什么？你可以把它想成一个 loop。给 AI 一个 input，它产出一个 output，然后不断循环。中间可以调用各种工具——读 bash、搜网页、写代码。

Claude Code、Codex、Devin、OpenCode、SWE-agent……这些都是 Harness。

ADE 呢？

它在 Harness 的上面一层。它不做 loop，也不绑模型。它把 loop 交给各种现有的 Harness 去做，自己专注在一件事上——

人与上百个 Agent 协作的工作流。

怎么看到一百个 Agent 的中途结果？人需要介入时怎么快速反馈？怎么 review 最终结果？怎么把 GitHub、Linear、测试、代码审查这些工具串成一条线？

打个比方：Harness 是工人，ADE 是工厂调度系统。工人负责干活，调度系统负责让几百个工人协同不出错。

所以 Orca 不做自己的 Harness。用户可以直接在里面用 Claude Code、Codex、Devin，想用什么用什么。

— 03 —

为什么不怕被大厂"顺手做掉"

这是每一个 AI 工具创业者都要面对的灵魂拷问。

津晶的回答挺有层次，我帮大家整理成了四点：

第一，中立性。

Orca 可以同时用 Claude Code 和 Codex，跨平台。这是大厂不会做的事——Anthropic 不会集成 OpenAI 的产品，反过来也一样。但用户需要的就是"不管哪家的工具我都能用"。

第二，产品设计哲学不一样。

大厂的思路是"我有一个模型，怎么把它用好"。Orca 是从"用户有几百个 Agent 要管理"这个真实痛点出发的。产品设计从根上就不同。

第三，迭代速度。

四人小团队，没有大公司的层级和流程，决策快、执行快。很多腾讯美团的人跟她说，他们惊讶于 Anthropic 的迭代速度，但 Orca 其实比 Anthropic 更快。

第四，对场景的理解深度。

Orca 自己就是重度用户。每天用自己的产品管理上百个 Agent，对痛点的理解是第一手的。大厂的产品团队未必有这样的深度使用经验。

说穿了，大厂做的是"我的模型怎么更好用"，创业公司做的是"用户的问题怎么被解决"。切入点不一样，最后的产品形态自然也不一样。

— 04 —

AI 没有填平那条鸿沟只是把你更快地带到了沟边上

聊到产品细节的时候，津晶说了一句话，我印象特别深：

AI 可以把你更快地带到鸿沟边上，但你想跨过鸿沟，还是需要很多的时间精力和水平。

什么鸿沟？

从 Prototype 到 Production 之间的那条。

很多人以为有了大模型，做产品就容易了。做个 Demo 确实快，快到你会产生"产品也很容易"的错觉。但从一个能跑的 Demo 到一个真正可用的产品，中间的难度一点没变少。

AI 只是让你更快地站到了鸿沟面前。

跨过去靠什么？靠很强的软件工程能力，靠对细节的极致追求，靠愿意花时间把小事做对。

举个很小的例子：Agent 运行状态的指示。听上去就是个小功能，但做对做细很难。而这种细节积累多了，就是产品之间的差距。

— 05 —

95% 的时间做产品增长从哪里来

Orca 四万星的时候几乎没做过 marketing。七万星了，还是几乎全靠口碑。

"我们可能百分之九十五的时间都在做产品。"津晶说。

那增长呢？

留存是产品决定的，产品好到一定程度，就自带传播指数。一传二，二传三，一个人会推荐几个人。

这句话听起来简单，但做过的人都知道有多难。同赛道那么多人在做同样的事，为什么只有少数几个能跑出来？

津晶的答案是：产品能力的差距。

Great 和 Good 之间的差距，比大多数人想象的要大得多。从 Google 出来的人很多，但不是每个人都能做出好产品。

好的技术加上好的产品品味（taste），才是真正的护城河。

— 06 —

访谈一百个用户怎么问出真正的需求

聊到产品方法论，津晶分享了她的用户研究心法。我整理成了三条：

第一，量要够。

访谈一百个用户，这是起步量。量不够，你看不到真问题，也分辨不出哪些是个别情况、哪些是普遍痛点。

第二，问行为，不问意愿。

不要问"你愿不愿意为我的产品花钱"，要问"你在类似产品上花了多少钱"。

看行为，不听意愿。这是用户研究的黄金法则。人们对自己未来行为的预测极其不准，但他们过去的行为是真实的。

第三，不停追问，挖到最底层。

"Develop 对于用户的一个 true understanding，而且这个 true understanding 其实比大家想象中的要深很多。很多时候大家以为是用了，其实还是表面的。在这里边要一定不停的问下去。"

访谈一百个客户，问他们非常具体的问题，然后在这里边不断地去寻找真实的那个痛点是什么。

— 07 —

数据只能告诉你 20-30%剩下的靠品味

收集了用户反馈，然后呢？

不是所有反馈都要听。很多时候你听到的是 vocal minority——声音很大，但不代表大多数真实用户。

那怎么分辨？

津晶的答案是：靠产品感觉，product sense，或者说——taste。

我自己是做数据科学的，对这点特别有共鸣。数据能告诉你的东西可能就百分之二三十，剩下的你要看你的 mental model，看你的判断。

那品味怎么建立？

津晶提到了两个"开悟瞬间"——一个是突然理解了用户，一个是突然理解了产品。在那之前，你可能做了很久但都没摸到门道；在那之后，很多事情豁然开朗。

这是一种很玄妙的感觉，但每个做产品的人都懂。

— 08 —

她为什么不焦虑

AI 圈这么卷，大厂迭代这么快，到处都是"AI 泡沫"的论调。

津晶给人的感觉，是出奇的松弛。

她的回答挺有深度：

我觉得人确实是不可替代的。AI 再怎么训练，它和人都是有区别的。但问题是，我们在教育的过程中过度强调了那些可以被 AI 取代的东西，而人的真正的独特的东西是没有强调的。

工业革命之后，我们把人尽量打造成"标准件"——标准化的技能、标准化的思维方式、标准化的工作流程。

而这些"标准件"的能力，恰恰是最容易被 AI 取代的。

津晶反而对未来很乐观：

我很看好下一代人。他们真的在一个 AI native 的世界里边，他们会反过来强调人性独特的东西——不管是你的 craft 呀，还是你的 taste 啊，还是你的 creativity 或者等等 mystery。

AI 越强大，人的独特性反而越珍贵。

这不是零和博弈，是水涨船高。

当所有标准化的工作都被 AI 接手，人类才能真正回归到那些只有人才能做的事情上——创造、审美、共情、意义。

— 09 —

接下来的 AI 创业机会她看好这三类

最后，津晶分享了她看好的三个方向：

一、To C 产品

AI 大大降低了开发成本，以前需要大团队才能做的产品，现在小团队就能做。虽然市场上的应用多了一百倍，但好产品依然能脱颖而出。

二、软硬件结合

AI 从数字世界走向物理世界。空间智能、机器人、IoT——"从文字到世界"是下一个大趋势。

三、算力优化层

在芯片和模型之间，还有一层优化空间。以前这一层是 CUDA 一统天下，但 AI 时代模型和芯片的多样性增加，中间的优化空间也变大了。

具体包括算力集成、hosting、serving，以及从芯片到产生 token 之间的各种优化——推理加速、模型压缩、算力调度。

另外她也提到了服务方向——用 AI 直接服务一个公司，帮企业落地 AI。类似传统的 FDE（前端开发外包），但现在做的是 AI 落地服务。有需求，但要找到好的商业模式。

— —

一个多小时的对话，津晶给我的印象是——

极度理性，又极度松弛。

对产品细节的追求近乎苛刻，但对竞争和焦虑又看得很淡。相信 AI 的力量，但更相信人的独特性。

四百个 Agent 同时跑着，她喝咖啡，看结果，然后决定下一步去哪里。

这可能就是 AI 时代最好的工作状态——

不是被 AI 追着跑，而是驾驭着 AI，去做那些真正重要的事。

嘉宾：梁津晶，Orca 联合创始人。连续创业者，曾供职于 Google，两次创业均进入 Y Combinator。

来源：课代表立正播客 · 对话 319 期

相关链接：Orca · github.com/stablyai/orca

本文由音频转写后整理发布，内容有删减和重组。完整访谈请关注"课代表立正"播客。