夜雨聆风
2026年夏天 硅谷创业学校（Y Combinator Startup School）的舞台上，只有两张椅子，两个男人。主持人 Garry Tan 还没问完，Meta 首席 AI 官 Alexandr Wang 就给出了一个惊人的判断。
台下空气凝固了半秒
他说：“在 Meta 内部，我们亲眼见过，只要设计出正确的智能体循环，配上正确的评估指标，一群 AI 智能体可以完成超过一百名工程师团队的工作量。”
他顿了顿，又补充道：“非常、非常轻松事实上，非常、非常容易”
然后，最致命的一击来了，有人问他这套系统的核心是什么？他说：“不过是 skills、markdown 文件，还有 cron 定时任务。”
一百个工程师的工作量，背后竟是几个文本文件和一行定时调度。
这些话出自一家市值万亿美元公司的首席 AI 官，而且是在公开场合。
▲ Karl Mehta 发布的视频卡片：写指标现在比写代码更重要
先认识一下，说这话的人是谁
Alexandr Wang，华裔天才，麻省理工辍学生。2016 年他创办了 Scale AI，做的第一笔生意是给自动驾驶汽车标注数据。彼时没人觉得“贴标签”是件大事
但事情反转得比剧本还快
大模型浪潮一来，所有人都在抢数据、抢评估、抢对齐能力，而 Scale AI 恰好站在了所有人的必经之路上。OpenAI、各路前沿模型公司，都要用它的基础设施。到 2025 年 6 月，Meta 直接砸下约 143 亿美元战略投资，持股约 49%，把 Wang 本人也“接”了进来，头衔是：Meta 首席 AI 官、超级智能实验室负责人。这项交易还把 Wang 带进了 Meta 的“超级智能”开发团队。
▲ Scale AI 官方公告记录了 Meta 的战略投资以及 Alexandr Wang 加入 Meta 的安排
一年后，他站上 YC 的舞台，说出了那段令工程圈震动的话。
“公司就是一个反馈环，人类只是环上的零件”
单独拎出“百人团队被秒杀”这句话，很容易把它理解成 AI 布道者的炫技。听完整场访谈，Wang 的重点其实落在组织如何运转。
Wang 说了什么？
他把整家公司拆成了一个“反馈环”：获取客户→让客户满意→客户付费→用赚到的钱雇更多人，再获取更多客户。
从来没有人这么冷静地描述过组织公司是环，部门是环上的边，员工是沿着边运动的执行单元。过去的环，靠人跑；现在的环，可以被智能体接管
他反复强调：“循环要对，评估要对，指标要对。” 缺了这些前提，蜂群只会制造更贵的噪声。
Garry Tan 后来在另一个帖子里写下了更激进的版本：一个人加二十个同时干活的智能体，可以胜过大型科技公司里整个工程师部门。
▲ Garry Tan 的平行表态说明，“小团队+智能体舰队”正在成为硅谷的默认工作单元
两位圈内人士同时指向了小团队编排多智能体的方向。
等一下，markdown 和 cron 他亲自说是怎么回事？
很多人听到“markdown 文件”，第一反应是：就这？那个用来写 README 的文本格式？
是的，就这
Markdown 被用来写给模型看的“技能说明”和“操作手册”，用最朴素的文本定义目标、约束、验收标准。比如：
你的任务是读取当前告警列表，按严重程度分类，生成本周事故摘要，输出为三部分：原因、影响、建议。每一步都要留下中间记录。
然后，cron 定时任务每隔几分钟或几小时把它拉起来跑一次。智能体自己读文件、调工具、写代码、看日志、对照指标、再进行下一轮。
这听起来有点像，某位运维同学在服务器上用 crontab 写了个自动脚本，然后告诉大家“我们不需要一百个工程师了。”
听起来有些荒谬Wang 想强调的是：工具可以很朴素，难点在于理解反馈环里的任务，并把目标和指标设准。
▲ 原话引用帖完整保留了“正确循环、评估与指标”这些前提
从认猫到“数字之神”，只隔了十年
对谈中，Wang 有一个被剪成无数短视频的金句：
“大约十年前，最好的 AI 模型还只是在 YouTube 视频里辨认出一只猫。今天，我们已经在跟近乎数字之神般的系统对话了。”
十年 网友 The AI Therapist 在那条视频下面留了一句让人冷汗直下的话：“从猫视频到 digital god，我们曾经要等 20 年才看到一次计算领域的代际飞跃。创新的压缩速度，已经把‘耐心溢价’吃干榨净了。”
▲ 这条评论表达了技术进步加速带来的不安
Wang 随后谈到另一项可能改变很多人职业规划的判断：
智能会变得充盈，而《知道该思考什么》会变成稀缺技能。
有网友把它翻译得更接地气：“knowing what to think about becomes the scarce skill”，知道该思考什么，才是未来最贵的技能。
▲ 这条简短评论将“愿景比智能更稀缺”解释为一种具体能力
Anthropic 的数据提供了另一条线索
如果只有 Wang 一个人在说，你可以当他是给 YC 创业公司画饼。但另一条独立的证据链，来自 Anthropic。
2026 年 6 月，Anthropic 发布了一份基于约 40 万次 Claude Code 会话的经济学研究。结论出奇一致：
人做绝大部分规划决策（“做什么”），模型做绝大部分执行决策（“怎么做”）；领域专长越高，单条指令撬动的工作量越大；任务价值七个月内平均上涨约四分之一。
你越懂问题本身，越有可能借助智能体撬动更大的工作量。 这一发现与 Wang 对愿景和专业判断的强调互相呼应。
▲ 独立机构的量化研究，给了那句“金句”一记实打实的侧翼支撑
早就有开源项目在预演这一切了
如果说 Wang 在台上讲的是“行业方向的预告片”，那 GitHub 上那个项目就是玩家自制版。
一个叫 MetaGPT 的开源仓库，在开发者社区红了三年。它的理念简单到有点朴素：授给 LLM 智能体不同角色，产品经理、架构师、工程师，然后按照软件公司的标准作业程序（SOP）一个接一个地跑接力赛。
输入一段需求，输出的是完整的用户故事、数据结构、API 文档。GitHub 上 6 万多颗星，说明开发者早就用脚投票了。
▲ MetaGPT：自下而上的开源实验，比 Meta 的“官宣”更早预言了蜂群模式
它的核心论文发表在 arXiv 上，其中一项要点是：
朴素地串联多个 LLM 容易产生级联幻觉；把经过验证的流程约束编码进去，协作才会稳定。
流程仍然决定质量，换成智能体执行也不会改变这条规律。
所以，我们到底该慌什么？
这场访谈的落点在于：输出日渐充裕，判断和方向会更加稀缺。
Wang 在 YC 舞台上说：“回顾过去十年，智能和行动力正在变得丰裕。人类历史上长期稀缺的东西，把一群聪明人聚在一起、对准一个目标，将逐渐告别瓶颈。未来稀缺的是愿景与野心”
翻译成成人世界的语言：
你能不能在没人给你写需求文档的情况下，告诉那一百个不知疲倦的数字员工：我们究竟该度量什么、该优化什么、该拒绝什么。
因为，指标一旦被智能体大规模优化，就可能偏离原本目标。Goodhart 定律会在机器速度下放大。到那时候，人类更重要的角色是知道自己为什么改这个指标的人。
最后的悬念
当然，同样要承认一个关键事实：Wang 并未公布“百人工程团队”案例的项目名称、对比实验和“超越”的具体口径。衡量依据究竟是代码行数还是业务指标，公开材料里找不到答案。
这些缺失的信息让他的判断仍需更多证据支持。
面对仍在快速变化的工具，使用者可以从小规模、可验证的任务开始试验。
Wang 的说法之所以引人注目，在于他描述了一种朴素的前沿系统：
几个 markdown 文件、一行 cron 表达式，再加上设计得当的循环和指标，就可能支撑规模可观的工程产出。
而使用者始终绕不开一个问题：
你，准备为它定义什么目标？
