夜雨聆风炎凰数据在 2025 年就开始了 AI 组织提效的探索，也走过弯路。这两年想法有过多次大幅转向，如今回过头看，我们有了一些可以分享的东西。
本文试图回答一个问题：一家企业，如何从"使用 AI"走向"成为 AI Native"？
一、开环 vs 闭环：组织范式的分水岭
YC 合伙人 Diana 在最近一期分享中抛出了一个关键框架：开环（Open Loop） vs 闭环（Closed Loop）。
旧世界的公司基本按开环运转——做一个决定、执行下去，却不系统性地度量结果、回头调整。信息在组织里单向传递，失真、损耗、靠人工解读。
而 AI Native 公司应该按闭环运转：每一个重要流程，都被一个智能的闭环捕获——采集信息、反馈进智能系统、随时间不断改进。
这不是提效，这是能力维度的跃迁。
AI 不该只是公司"用的一个工具"，而应该是公司"赖以运行的操作系统"。
二、让整家公司"可被查询"
要搭建这些闭环，得让整家公司都对 AI"可被查询"（Queryable）。
每一个重要动作都应产出一份制品（Artifact），让位于公司中心的智能体能从中学习。
这意味着：用 AI 记录会议、在所有沟通渠道里嵌入 Agent、为营收、销售、工程、招聘、运营搭建自定义看板。
Block CEO Jack Dorsey 在 2026 年 2 月做了个激进的决定：裁员 40%，直言这是向"Intelligence-Native 组织"转型的主动战略。消息公布后，Block 股价大涨 24%。
他的观点是，未来公司只有三种员工原型：一线贡献者（IC）、直接责任人（DRI）、Player-Coach。经典的管理层级正在失效——旧世界需要中层经理把信息低效地在组织里上下传递，新世界这个活由智能层来干。
公司的速度，只取决于它的信息流转速度。每去掉一层人工传递，就是一次直接的提速。
三、不只是理论：炎凰数据的实践
理解了这些理念之后，问题变成：具体怎么落地？
炎凰数据没有停留在概念层面。过去一年，我们逐步构建了自己的 AI Native 协同体系。它不是某个单点工具的部署，而是一次组织运行机制的重构。
三层协同模型
我们的实践围绕三层协同模型展开：
L1 · 人机沟通协同层——ANI（Agent-Native IM）
过去组织里消息从人到人，现在消息可以直达 Agent。ANI 是炎凰自研的统一协同入口，承担 Human ↔ Agent、Agent ↔ Agent 的会话组织、上下文传递和任务触发。
L2 · 公共 Agent 与基础设施服务层
包括 YHPaw Server（Agent 托管基础设施）、TeamKnowledge（组织知识底座）、SkillHub（技能注册与能力共享）、TeamPulse（组织感知反馈）等组件。它们不直接创造业务价值，但构成整个组织运行的底座。
L3 · 个人助理与生产力工具层
每个员工拥有自己的 Personal Agent，具备本地上下文、Agent 工作流和 IDE Runtime，形成个人与组织能力的统一。
四、DevFlow：人机协同开发的闭环
理论要落地，需要具体的执行回路。DevFlow是炎凰在研发领域最具代表性的实践。
它不是又一个"AI 帮我写代码"的工具。DevFlow 做的是把 AI 编程嵌入完整的开发工作流：
整个流程中，人只需要在两个地方踩刹车：审核开发计划，和合并最终 Pull Request。其余环节——代码生成、多轮审查、自动提 PR——全部由 Agent 完成。
编码和审查之间形成了自动循环：代码写完后交给 Review Agent，如果被要求修改，反馈传回给 Coding Agent 重写，最多跑 5 轮，直到审查通过。
这恰好印证了前文所说的闭环思想：目标设定 → 执行 → 自动审查 → 迭代 → 交付，整个链路可观测、可追溯、可改进。
五、分布式记忆：组织作为一个有机体
在炎凰的实践中，最关键的假设正在验证中：AI Native 组织的记忆模型，不是建一座"图书馆"，而是长出一个"有机体"。
传统知识管理是静态、集中、靠人维护的。而 AI Native 组织中，每个 Agent 是一个分布式神经元，协同产生突触连接，组织记忆是一个长出来的有机体：
这种架构正在产生三个涌现特性：
- 记忆冗余与纠错：多 Agent 交叉记忆，降低了单点丢失的风险
- 知识自底向上涌现：检索行为本身就是一种自然投票
- 组织本能的条件反射：特定触发 → 自动执行，无需人工干预
六、开放问题与封闭问题：人类的不可替代性
推进到这一步，自然会问：人在 AI Native 组织里到底干什么？
在我们自己的实践中，发现了一个关键的异常：AI 能把结果完成，但结果并不是我们想要的。代码功能都实现了，但架构的抽象不是我们要的。因为人脑子里隐隐约约有幅关于未来的画面，从来没被语言描述过。
很多好的 Idea 都是电光火石间突然出现的。产生好 Idea 的能力，AI 目前不具备——因为它不来自语言。
所以我们把问题分为两类：
| 类型 | 定义 | AI 的角色 |
|---|---|---|
| 封闭问题 | 边界清晰，路径明确（如修复 bug） | AI 驱动事，人作为边缘节点 |
| 开放问题 | 问题本身需要定义 | 人驱动事，AI 作为工具 |
炎凰的实践也自然形成了两套系统并行：
系统一 · AI 控制台——面向开放问题。服务于探索者、创意者、决策者，核心是保护心流。AI 是超级副驾，人一直在"Idea"的高维空间，不被实现细节打断。
系统二 · Agent 平台——面向封闭问题。任务被拆解为明确的子任务后，直接交给 Agent 平台执行。AI 变成调度中心，遇到无法逾越的障碍时，将人类作为"边缘节点"呼叫进来。
我们目前走到了哪一步
| 阶段 | 特征 | 时间 |
|---|---|---|
| 第一阶段：工具化 | AI 辅助 | 2025 |
| 第二阶段：平台化 | 统一能力 | 2025-2026 |
| 第三阶段：协同化 | Agent协作 | 当前， 持续演化 |
| 第四阶段：组织化 | 组织重构 | 未来， 已经发生 |
目前我们处在"协同化"阶段——Agent 之间开始真正协同，知识开始自底向上涌现，开发流程形成闭环。但距离真正的"组织化"仍有距离。
写在最后
AI Native 组织不是要消灭人类。
它是：
- 把人类的稀缺能力（Idea、判断、方向感）放到极致的位置
- 把 AI 的规模能力（执行、验证、迭代）放到极致的位置
- 把公司从开环变成闭环
- 把 Token 拉满，而不是把人头拉满
提效只是表象，
重构才是本质。
这场变革才刚刚开始。如果你也在探索 AI Native 组织，欢迎和我们交流。
本文综合 YC 合伙人 Diana、Block CEO Jack Dorsey 的观点，以及炎凰数据自身实践整理而成。
炎凰数据 — AI Native 大数据平台
