企业 AI 不是给每个人配助手,而是给整个公司建大脑

你给全公司配了 ChatGPT。每人一个账号，每月 $30。

一个月后，你发现——

市场部在用 Claude 写文案，工程部在用 Codex 写代码，客服在偷偷试 DeepSeek，每个人都在用不同的 AI，数据完全不通。

你花了钱，但公司没有变聪明。

YC 说：方向从一开始就错了。企业 AI 不是给每个人配一个助手，而是给整个公司建一个大脑。

QM 不是 YC 拍脑袋做的概念产品。它来自一段真实的内部演化——YC 自己也踩过“每人一个 AI”的坑。

最早，YC 用 Ruby 写了一个简单的 agent loop，挂上一些访问内部数据的工具。很简陋，但 day one 就有价值。

然后，他们给员工配了 50 多个 Hermes agents，每人一个，当个人助手用。听起来很美好，对吧？

问题是：管理 50 多个 agent 变成了一场噩梦。

谁在用什么？谁知道什么？市场部的 agent 写的文案，工程部的 agent 看不到。客服 agent 收集的用户反馈，产品 agent 拿不到。每个人都有自己的 AI，但没有人有一个“公司的 AI”。

YC 在官网上写得很直白：

“We provisioned over 50 Hermes agents for individual employees to work as personal assistants. Managing a fleet of even this size became challenging.”

翻译一下：我们给每个员工配了 50 多个 Hermes agents 当私人助手，但光是管理这个规模就已经搞不定了。

这就是 QM 诞生的起点。不是“我们做了一个新产品”，而是“我们自己先受不了了，必须想个新办法”。

从 50 个 Agent 到一个“军需官”

QM 这个名字不是随便起的。

QM 是“quartermaster”的缩写——船上的军需官，负责在甲板下面协调一切，让整条船井然有序。

这个比喻很妙。一艘船上，船长负责方向，水手负责划桨，而军需官负责的是——让所有人知道彼此在做什么，让物资和信息流转到需要它的地方。

QM 要做的就是这个事。

它的官方定位是“Multiplayer agent harness for work”——多人协作的 AI 工作底座。注意用词：不是“assistant”（助手），是“harness”（底座/框架）。

• • 助手的逻辑：每个人有一个 AI，各干各的。信息是割裂的，知识是分散的。
• • 底座的逻辑完全不同：它是一个共享的基础设施。每个人在自己的 workspace 里工作，但所有人的 AI 都能访问公司的共享记忆和知识库。市场部写的文案，工程部能看到；客服收集的反馈，产品部能用到。

Garry Tan，Y Combinator 现任 CEO，硅谷最具影响力的创业加速器掌门人。作为 Initialized Capital 联合创始人，早期投资了 Coinbase、Instacart、Flexport 等项目，2023 年接任 YC 总裁职位。他在发布时说了一句话:

“Your personal AI or your company brain needs a clean harness and this is the one our team built and uses every day. Free and open source.”

翻译过来：你的个人 AI，或者你的公司大脑，需要一个干净的底座——这就是我们团队每天在用的那个。免费，开源。

这句话有两个信息量：第一，个人 AI 和公司大脑都需要底座；第二，YC 自己每天都在用。不是卖概念，是卖自己的实践。

16 天 13,247 星：社区为什么买账

2026 年 7 月 29 日，QM 在 GitHub 上开源。

16 天后的数据：

• • Stars: 13,247
• • Forks: 1,545
• • License: MIT
• • Commits: 73

16 天突破 13,000 星。 这个速度，放在开源社区是现象级的。很多今天耳熟能详的开源项目，花了好几年才走到这个数字。

Hacker News 上，帖子拿到了 363 points，227 条评论。热度很高，但更有意思的是——评论区的分裂程度。

25% 正面，40% 混合，35% 质疑：HN 社区吵翻了

我把 227 条评论做了个抽样分类：

25% 正面——“企业 AI 终于有正解了”

典型评论来自 Enterprise DNA：

“YC is a credible peer, not a vendor pitching vaporware. They built this to solve their own problem, ran it long enough to trust it with real company functions.”

翻译：YC 是可信赖的同行，不是卖空气的厂商。他们为自己解决问题，跑了足够长时间，敢把它用在真实的公司职能上。

正面派的核心观点：QM 抓住了企业 AI 的真正痛点——信息割裂。每人一个助手的模式，本质上还是“个人生产力工具”，不是“组织能力”。

40% 混合——“方向对，但……”

这类评论通常是认可方向，但对落地难度有顾虑：

“理念很好，但过度工程化了。小公司用不起这么重的东西。”

“多模型支持是加分项，但配置复杂度呢？”

“希望看到更多实际案例，不只是 YC 自己的。”

混合派的潜台词是：我相信这个问题存在，但我不确定这是正确的解法。

35% 质疑——“YC 在 AI 时代迷失了”

质疑派的声音很直接：

“Starting to think people were right when they talked about our industry itself having an AI psychosis problem.”

（开始觉得人们说得对，我们这个行业确实有 AI 精神病。）

“So, basically, 'Please write our prompts for us'”

（所以基本上就是，帮我们写 prompts 吧。）

还有一个很有意思的争议点——QM 的贡献政策：只接受人类手写的文本（bug 报告、feature request），不接受代码 PR。理由是保证代码质量和设计一致性。

有人发现 QM 自己的 commit 记录里包含了 AI 辅助代码。

这一下就炸了。

HN 用户 tptacek 说了句很经典的话：

“It's definitely a little bit funny. I think it's a good and interesting rule though!”

（确实有点好笑，但我觉得这是个好的、有趣的规则。）

质疑派的核心担忧是：YC 是加速器，不是基础设施公司。他们能不能长期维护这个项目？

但我觉得质疑派低估了一件事：QM 来自 YC 自己的内部痛点，它的 accounting、legal、events、engineering 部门都在用，甚至构建 QM 本身也在用 QM（dogfooding，即自己的产品自己先用起来）。这种“自己先用起来”的项目，通常比概念产品活得更久。

和主流方案正面比一比

QM 不是唯一的企业 AI 解决方案。但它可能是最不一样的那个。

vs ChatGPT Team（$30/人/月）

ChatGPT Team 的问题在于：它本质还是"每人一个助手"。你给员工买了账号，每个人有自己的对话历史，但 A 员工和 B 员工的 AI 之间没有共享记忆。市场部用 ChatGPT 写的文案，工程部看不到，除非手动复制粘贴。

更关键的是，它锁定 OpenAI 的模型。你的员工想换 Claude？不行。想用开源模型？不行。

QM 的解法：每人一个独立 workspace，但所有人的 AI 都能访问公司的共享知识库。知识是公司级的，不是个人级的。而且多模型可插拔——Pi、OpenCode、Codex、Claude Code，想用哪个用哪个。

vs Slack Business+（$15-18/用户/月，含AI）

Slack 的 AI 能力已捆绑进 Business+ 计划（$15-18/用户/月）。思路是在工具内直接提供 AI，好处是无摩擦，坏处是割裂。你在 Slack 里用 AI，数据留在 Slack；你换到邮件，AI 就没了。而且 Slack 的 AI 主要做摘要和搜索，不是完整的 agent 能力。

QM 的解法：Slack 是 QM 的一个接入端（另一个是 Web），但 AI 的核心跑在 QM 底座上，数据在 QM 的知识库里。你从 Slack 切到 Web，记忆不断。

vs Microsoft Copilot（$30/人/月）

Microsoft Copilot 绑定 Office 生态。你用 Word、Excel、Teams，它就在里面；你不用 Microsoft 365，它就跟你没关系。模型也只能用微软自家的。

QM 的解法：不绑定任何办公套件，不绑定任何模型厂商。MIT 协议，自托管，你拥有全部控制权。

一张表看清楚

这张表里最显眼的差异不是功能，是定价。

ChatGPT Team 50 人团队一年花 $18,000。Microsoft Copilot 50 人团队一年也是 $18,000。QM——$0（你自己出基础设施成本）。

而且这 $18,000 买到的，本质上还是“50 个互不相通的 AI 助手”。

QM 到底怎么工作的

技术细节不展开太多，说几个核心设计：

每个人一个独立的 scope

不是“一个聊天室大家一起聊”。而是每个人、每个 room 都有自己独立的 scope——记忆隔离、文件隔离、权限隔离、定时任务隔离、沙箱隔离。

“Multiplayer”不是多个人和同一个 AI 聊天，而是多个人各自有独立的 AI 空间，通过共享 scope 协作。

三级安全模型

• • Strict 模式：每一个 tool call 都暂停等人工审批
• • Auto 模式（默认）：自动过滤外部数据，再给模型
• • Dangerous 模式：无过滤，无暂停（适合完全信任环境的场景）

不管哪个模式，有些操作是硬拒绝的——比如递归删除、破坏性 SQL。

技术栈

• • 后端：TypeScript + Node + Fastify
• • 数据库：Postgres
• • 前端：Vite + Lit
• • Slack 插件：Bolt 框架
• • 部署：Fly.io、AWS、Docker

一条命令就能初始化：

npm exec qm init . --org <slug> --target <fly-or-aws>

不需要克隆源码。

如果你也想试试

QM 是 MIT 协议，完全免费，可以自托管。适合 10-500 人 的团队，至少需要 1 名平台工程师。

几个可以马上做的事：

1. 先看它能不能解决你的核心痛点

问自己一个问题：你们公司现在最大的 AI 问题是什么？

• • 如果答案是“每个人的 AI 不互通，知识不共享”——QM 就是对的方向。
• • 如果答案是"我们需要一个更好的聊天机器人"--ChatGPT Team 适合已经 All-in OpenAI 的团队。

2. 跑一遍官方文档

QM 的 GitHub 仓库（github.com/yc-software/qm）有完整的 README。它的架构说明、安全模型、部署指南都写得比较清楚。

3. 用 Docker 做个最小验证

不需要上 Fly.io 或 AWS。先用 Docker 本地跑一遍，看看基本流程是否符合你的预期。

4. 评估你的团队成熟度

QM 不是一个“开箱即用”的产品。它是“early, experimental software”（YC 自己的话）。它适合有技术能力自维护的团队，不适合等厂商全托管的非技术团队。

5. 关注这个社区

16 天 13,247 星，社区在快速成长。关注 GitHub 的 Issues 和 Discussions，看看别人在怎么用，遇到了什么问题。开源项目的价值，一半在代码，一半在社区。

最后

回到开头那个场景：你给全公司配了 ChatGPT，每人 $30/月，但公司没有变聪明。

不是 ChatGPT 不好。是方向从一开始就错了。

企业 AI 的终局，不是给 50 个人配 50 个互不相通的助手。而是给整个公司建一个大脑——每个人有自己的工作空间，但所有人的知识都流向同一个地方。

YC 用自己的内部实践验证了这件事。从 50 个 Hermes agents 的管理噩梦，到 QM 的统一底座。他们踩过的坑，你可以不踩。

16 天 13,247 星，社区用脚投票了。MIT 协议，代码全开放。Garry Tan 说了，这是他们团队每天都在用的东西。

不管你是赞同还是质疑，有一件事是确定的：企业 AI 的竞赛，正在从“谁的模型更强”转向“谁能把 AI 组织起来”。

QM 是 YC 押注后者的开源赌注。

至少值得看一看。