← Home NO.30
第 30 期 · AI 产品 · 收录于 2026 年 8 月 15 日
YC的AI实战手册
双人对谈 · 本期速读电台 00:00 / 41:20
TL;DR · 三句话
- 一YC 自己就是最大的"AI-native 改造"样本。 嘉宾 Pete Koomen（Optimizely 创始人）一年多前从财务团队起步，搭出了一整套 YC 内部 agent 基建：一个跑在单一 Postgres 上的 agent loop + 从 20 个长到 350+ 个的 tool registry。本质上是把"工程师把财务口述的复杂工作流写成确定性软件再交回"的旧循环，换成"业务自己用英语/prompt 编排 agent"——把工程师从这个"疯狂循环"里彻底解放出来。Pete 原话：他在自己电脑上用 agentic 编码工具"感觉像有了超能力（superpowers）"，而看着公司里老派的写软件方式，"两者之间的鸿沟越来越大"。→ 详细
- 二怎么在公司内部造"超级智能"？把"两句话描述"这种原子动作做成会自我改进的 skill，再用到你做的每一件事上。 合伙人 Tom 先手写了把公司 context 浓缩成"两句话描述"的 skill；后来几位合伙人开一场 group office hour、让每个春季批次创始人当场试写、把反馈沉淀进会议 transcript，再让 agent"根据学到的改进这个 skill"——结果这个 skill 写"两句话描述"已经比 Pete 本人强了。Pete 的金句："怎么在公司内部造超级智能？你就把它用到你做的每件事上，没有比这更复杂的了。"（How do you build superintelligence inside a company? You do that on everything you do. And it's not more complicated than that.）→ 详细
- 三AI-native 组织的两个反直觉前提：相对平权（egalitarian）+ 默认信任（trust by default）。 YC 把每次 agent 对话默认全员可见、广播到内部 Slack channel，用"社会性约束（social control）"代替"把权限锁死"，结果在高信任环境里"既保护了隐私又没锁死"。Garry 进一步推论：愿意每年烧 $10 万~100 万 token 并以开放方式打磨 skill，等于"活在 2028 年（live in 2028）"——你现在花的钱两年后只要 1/10、再一年只要几百块，这是个"一次性的时间扭曲窗口（one-time time warp）"，可弯道超车所有在位者。→ 详细
- 自 ChatGPT 问世，YC 投的项目主要都是 AI 公司，围绕"怎么构建 AI-native 公司"出过"一版又一版的建议"。Garry 点出多数人没意识到的一层：YC 内部也在搭、在用很多跟它帮 startup 搭的同款东西——一种"非常强的共生关系（symbiotic relationship）"，把这个"早在 AI 之前很久就成立的组织"改造成"超级 AI-native 的组织"；本期是 YC 第一次公开聊内部基建。Pete 背景：创办 Optimizely（Garry 评"最早也最好用的 AB testing 工具之一"），之后"一手搭建了 YC 内部全部 agent 基建——所有 harness"。harness（挽具/套具）即"把大模型套起来、让它能调工具干活的那层外壳框架"。→ 详细 → 详细
- YC 自成立起几乎一直跑在自研软件上，全建在同一个 Postgres 上，Pete 说这在 AI 时代"给了我们巨大优势"。起因很具体：约一年多前 Pete 和几个工程师跟财务团队坐下来搭工具，去跑记日记账（booking journal entries）、登记 priced rounds 等工作流。他同时看到两件事：① 内部"疯狂循环"极低效——"财务向工程师描述复杂工作流，工程师写一套专用软件封装成确定性流程交回，如此往复"；② agentic 编码工具正好火起来（"第一代 Windsurf、Cursor 已站稳，Claude Code 大概那会儿推出"），自己用它们"感觉像有了超能力"。于是萌生念头：让财务团队用英语/prompt 编排工作流，而不是 Ruby。反直觉细节：最早被用上的甚至不是 agentic 编码，而是拿 LLM 写 SQL 查询——两三年前 LLM 已出来、但"agentic 编码还不是个东西"。→ 详细 → 详细
- 系统骨架（最早"非常简单"）：agent loop + 共享 tool registry + 底下一个 model router。Garry 回忆最早几版"好用得让人吃惊"，还跟"YC 投过、最后没做成的几家 startup 撞了车"，区别是这回真能跑，"非技术财务人员也能问出有价值的问题"。第一个魔法工具是 Jared 做的：让 agent 对数据库跑只读 SQL。Pete 补正其实是两个工具（跑查询 + 读 model 文件），并坦白当时"有点像在破坏规矩"——早期工具"领域划得很窄、干不了我想干的事"，他索性想"干脆给它对生产数据库的完整访问权限，让它想踩哪儿就踩哪儿（trample on anything）"，然后"偷偷摸摸推上线，大概都挑半夜"，结果（全场笑）"效果好得不得了"。Garry 视为后来 Open Claw 逻辑的预兆，判断：真正拖累全世界的是对安全/隐私的担心；少担心一点，这些东西"强得难以置信"；并点出割裂感——"我在公司里被框在一个特别窄的盒子里；在家里用 Claude code、Open Claw、Hermes 什么都能干"。→ 详细 → 详细 → 详细
- 为什么"对数据库跑 SQL"听上去简单却这么有用？因为 YC 的那个 Postgres 里"装着 YC 世界里所有重要的东西"：投过的每家公司有一张 companies 表、一张 founders 表、记录财务交易的表、还有 Pete 在内部小 CRM 里留备注的表——"很多别的公司外包给第三方 SaaS 工具的功能，我们都是自己搭的"。结果就是，当所有 context 都汇在一处、再加上"一点关于 schema 是怎么布局的额外信息"，一个 agent 就能回答任意问题。Pete 反复用的招牌例子："嘿，给我列出过去四个 batch 里所有投过太空（space-related）公司的投资人。" Garry 评价第一次看到时"绝对是个魔法时刻（magic moment）"。这条之所以重要，是因为它把"基建的价值"从工具花哨收拢到一句话：所有 context 在一个地方，agent 就能答任意问题——后文 common context layer、Gbrain、反规范化都是这句话的工程化展开。→ 详细
- Pete"最酷的一点"：它不只让回答更容易，还大幅增加了"会去问的问题数量"和"敢问的问题的规模与复杂度"。对照旧时代：还用 BI 工具时，问"哪些投资人投过太空公司"这种问题"得花好几个小时写 SQL，除非真的很重要否则懒得问"。这就是 Jevons 悖论——"东西用起来越省事、人们反而用得越多、总消耗越大"，这里是"去掉团队间为做成一件事的来回沟通成本，提问量就暴增"。反面是旧世界"得跑去敲数据科学团队的门、等他们把需求从 backlog 排上来"——Pete 感叹"大多数人到现在还活在那个世界，而现在都 2026 年了"。他还埋伏笔：旧世界公司怎么"长出翅膀"？魔法在"所有 context 在一个地方"；类比 Google 工程师当年的 big table（"不再用 schema 和 join，把所有东西放进一张大表跑 map reduce"），认为这件事如今正以 Karpathy 风格的 knowledge LLM wiki、以 Gbrain 的方式重演。→ 详细
- Garry 现身说法：他有一个 Open Claw，接入很多系统，把数据"规整到我自己的 schema 上"——也就是反规范化（denormalization）：通俗讲"不为节省存储去拆表做关联，而是把数据揉成一个 agent 一眼能看懂、最方便它检索的扁平格式"。底层用上"所有大家在 retrieval 上学到的东西"：retrieval、RAG、graph RAG、混合 RRF、reranking，全装进 Gbrain。一旦"给 agent 一个灵魂（soul）+ 数据，让它了解你、了解你在乎什么"，它就"长出疯狂的翅膀"、能"预判到弯道后面的东西（see around corners）"，给出"得是一个真正很懂你的人才答得出来的答案"。他补一个工程直觉：也可以把数据包成 MCP，但直觉更倾向 CLI——"这些东西用 MCP 和 CLI 都很在行，但用 CLI 时似乎还要更顺一些"。
- 关键判断（行业级洞察）：过去一年半我们还在 agent 的"单人模式（single player era）"——那些真正火起来的 harness（Claude Code、Codex、Pi、Open Claw、Hermes）"全都是设计给一个人在一台机器上用的"，因为"在那种环境下这些 agent 几乎什么都能干、让你极其强大、用起来很好玩"。至今没人解好的大问题是"多人模式（multiplayer）"的 harness——把这种超能力"放到一个团队、一个组织的层面上去赋能"，尤其是"任何超过两岁的传统/遗留组织（legacy organization）"该怎么办。YC 用自研基建探索的，正是"哪些 primitive 真正赋能了个人和团队去用 agent"。→ 详细
- ① 共同 context 层（common context layer）：把内部"尽可能多的重要 context 都汇进一个 data warehouse"，事实证明"极其有用"。Pete 的类比很到位：就像一个 coding agent 在一个 mono repo（单一大代码仓库）里往往会高效得多——把所有东西放在一套 schema 里的单一数据库上跑 agent，让他确信"至少把所有 context 汇到一个地方是很有价值的"。
- ② tool registry（工具注册表）：Pete 称这是"另一个非常重要的东西"——"正是 tool registry 把这些 agent 变成在工作中真正有用的东西"。从一开始约 20 个工具，长到今天 350+（"我刚查过"），"每个团队都在加自己的工具"：管理 office hours、登记会计分录、帮着管理办的各种活动……"我们做的所有重要工作都有对应的工具"。而且这些工具一处建好，既能给内部 agent 用，也能给跑在各自机器上的 Claude Code 用。
- ③ resolver / skillify / DRY+MECE：Pete 受 Anthropic 那套启发，在 Open Claw 里做了个叫 skillify 的元技能（meta skill）——"你在 Open Claw、Hermes 里随便做点什么，做完觉得不错，就说『skillify it』，它就自动把这件事变成一个 skill（基本相当于一个 tool call / method call）"。但他强调"最重要的一步其实是接进 resolver"——也就是 agents.md：里面列着"agent 能做的事情清单"，并"链接到一个 markdown 入口，让你能用某个工具"。这个 primitive 反复出现："Claude Code 里的 skill registry 其实就是一个 resolver，我们的 tool registry 其实也是一个 resolver。" 他还有个常用元技能 check resolvable：每当 skillify 出新东西，就跑它"看看现存所有 skill/tool，新的这个是不是 DRY（don't repeat yourself，别重复造轮子），是不是 MECE"。MECE 是个麦肯锡（McKinsey）术语——"mutually exclusive collectively exhaustive，相互独立、完全穷尽"，本是"咨询顾问拿来做特别好的 slide deck 的方式"，Pete 觉得它"像是在 DRY 之上又加了一层"。让他惊叹的是"模型好像就是知道这些概念是什么意思"——只要你的 resolver 表"又 DRY 又 MECE，它就是最优的 resolver"：与其"有 10 个 skill 都干同一件事（很糟）"，不如"有一个带参数的 skill/tool 让你去调用"。→ 详细
- 无论在 Claude Code、内部 harness、Open Claw 还是 Hermes，同一批 primitive 一次次重现：agent loop、tool registry、skill registry。Pete 形容这是"作为应用计算机科学家活在世上最疯狂的时代——同样一批有用的应用概念被一遍又一遍地同时重新发现"，主持人接梗类比"就像当年开发第一版 Unix 时在发现 stack（栈）、heap（堆）这些基础数据结构"。个人使用的三段演进路径：① 自己写 system prompt → ② 写 skill（把它当成"凌驾于 tool 之上的简单抽象层"）→ ③ meta prompting（元提示）——让 AI 自动"写一个 skill / 改进这个 prompt"。（插播：Y Combinator Startup School 回归，7 月 25–26 日旧金山办，可申请名额。）→ 详细 → 详细
- 演进的终点是"自主的、自我改进的循环（autonomous self-improving loop）"。Pete 类比 Karpathy 的 Auto research、Codex 里的 slash goal。YC 有个通用 agent 每天晚上把"员工和 agent 的所有对话"通读一遍，去找"那些它本可以做得更好的地方"，以及"那些『如果它一开始就拿到，就能干得更高效』的 context 片段"——这就是 Open Claw 的 dream cycle（梦境循环），Gbrain 也有。除了改进 skill，它还能"把所有 transcript 反写回内部 DB、反写回内部 CRM，更新我们对人和公司的认知"。这就自然引出下一节最具体的案例。→ 详细
- 什么是"两句话描述"（two sentence description / pitch）：用"任何人都能听懂的自然语言，简洁说清你的公司做什么 + 为什么有意思"。Pete/Garry 说它"听起来很简单，但对创始人出奇地难，而且很怪的是几乎没人去做"——"连最有经验的创始人都会忘掉，因为他们自己拥有完美的 context（perfect context）"。由此引出一句对 YC 本质的精彩定义："YC 本身就是一个 context engineering 的过程"——"你对自己脑子里发生的事拥有完美 context，但好的沟通，是把同一份 context 复制到别人脑子里"。Garry 教学时拆成两问，还配了生动的"走神"画面：① 它是什么？"如果你都不知道它是什么，你连一个关于它的问题都问不出来——『呃，跟电脑有关的什么东西吧，随便啦。午饭几点来着？』"；② 它有意思吗、值得我花时间吗？"如果这屋里还有另外五家公司也在做 X，我就不明白这玩意儿为什么值得一提——我又开始想我的 pastrami 三明治了"。
- 超级智能如何诞生（完整来龙去脉）：① 合伙人 Tom 先手写了一个 skill，教 agent"拿一家公司的 context 浓缩成一句两句话描述"——这是他手写的 prompt。② 最近一两个月，几位别的合伙人开了一场 group office hours，跟"春季批次（spring batch）的一群公司"开会，"挨个让每个创始人当场试写自己的两句话描述，并给反馈"。③ 于是"原本只活在某个合伙人脑子里、关于怎么把这件事做漂亮的知识，就这样来回交换出来，活在了那场会议 transcript 的 context 里"。④ 把 transcript 交还给 agent，对它说"根据你通读这份 context 学到的东西，去改进这个『两句话描述』的 skill"。⑤ 结果"改完之后它明显变好了——这东西现在写两句话描述已经比我（Pete）强了"。Pete 由此引出标题级金句："这就是超级智能在组织内部诞生的方式。"（This is how superintelligence happens inside organizations.）通俗讲，机制就是"在『任何组织怎么做事』这块布料上，扎下一个针眼般的小点（needle pin prick）"——有人写 prompt → 用 → 别人也用 → 产出一堆 artifact（其中"使用它的那份 transcript 本身就成了能拿来 meta prompt 的东西"）→ 每天自动改进这一个 skill。把这个动作"用到你做的每一件事上，你就有了一个超级组织"。
- 类比与"为什么该去创业"：Pete 拿 Jack Dorsey 想把 Block 变成一个"帮世界上的人互相付款"的 mini AGI 作类比——"这其实正是他要用来实现目标的微观机制（micro mechanism）"。而这恰是该去创业的理由："人们会被困在那些组织里——掌权者非常强大、有这么多资源和资本，却根本不相信我们刚才说的这些。" 主持人接话点破根因："因为他们把所有 context 都锁得死死的（locked down）"；Garry 补一刀："对，因为它『不安全』（unsafe）"——直接铺垫了后文的"安全至上主义"。→ 详细
- 别只把 AI 当 copilot（Garry 说那是"很 2023、2024 年的玩法"），要把它当成一切的 building layer（构建层），并"开始把所有 artifact 都记录下来"——这也是各种会议录制工具走红的原因之一。但 Garry 强调"不止于复盘会议、给自己做教练"：你可以拿这些记录去"改进你产出的所有东西——写邮件、沟通、做规划，因为你手里握着一切的完整 context"。他引 Dario（Anthropic CEO）那篇文章的观点：AI 进展速度的一些阻碍其实不是技术性的，而是社会/文化层面的。最贴切的例子就是录会本身——"两年前光是录个会都让人觉得怪怪的……可今天几乎已经默认大多数会议（尤其 Zoom）都会被录下来"。Garry 也承认"这有点吓人（a little scary）"，但只要把它理解成"让组织里每个人借助同事的集体技能和直觉变得更厉害的方式，威力就是惊人的"。
- 一个标准化（canonical）的"两句话描述"skill，不只是生成一段文字，而是"一种帮我更深入理解什么才算有效的创始人沟通的工具"——因为"现在我能调用 Diana、Harj 还有你们俩这么多年干这份工作积累下来的全部经验，这些都通过你们曾经的对话沉淀进了这个 skill 里"。Pete 给出整片最被反复引用的比喻："它就像一个共享的组织大脑（shared organizational brain）——这几乎是我们目前最接近于『把彼此的大脑连起来（connect our brains）』的东西了。" 他还补充实操：现在可以"叫一个 agent 来跟它做练习演练（practice sessions）、让它给我做点评（critique）"。→ 详细 → 详细
- 默认设置：任何 YC 全职员工都能全局看到所有 agent 对话，并广播到一个内部 Slack channel，"任何人都可以加入那个 channel 去看、去学"。Pete 坦言这个决定"来得并不轻松"——"我们为此聊了好多：『那不就所有人都能看到所有东西了吗？这样行吗？什么才算不行？』"，但"很庆幸最后选择了保持公开"。这也直接解决了上手学习问题：主持人一句点透——"大家是通过看别人怎么用，学会怎么用它的"；Pete 举例"当 Garry 开始重度使用、玩出超有创意的用法时，我们好多人都在围观，心想『哇，我都没想到还能这么用』"。
- 妙处在于：公开广播本身形成一种"社会性约束（social control）"——"这些 agent 在被赋予不受限访问大量 context 时威力最大，但这跟大多数组织背道而驰"；而"默认公开"恰好让你"在内部安全上稍微放宽一点"而不必锁死，事实证明"在这种高信任环境里效果相当不错——既保护了隐私信息，又不至于把它锁死"。由此 Garry 总结出"真正 agentic、那种 1000 倍超级智能组织的两个特征"：① 相对平权（relatively egalitarian）；② 默认信任（trust by default）。"而这两点恰恰是世界上大多数组织都不具备的——如果你是创始人，你就真得把这两点放在核心。这种环境说实话在创业公司里最管用：一小群人、目标一致、又在高信任度环境里运作。"→ 详细 → 详细
- 第三个前提（Garry）：愿意每年在 token 上花 $10 万~100 万美元，并"真正以一种开放的方式跟团队做所有事、投入去打磨 skill"。回报是"它能让你活在 2028 年"——"你现在每年花 10 万或 100 万买到的东西，两年后就稀松平常：那时不再要 10 万，会降到 1 万；再过一年可能只要几百块，然后人人都这么干，我们会管它叫『现在公司就是这样运作的』"。所以本质上是一个"一次性的时间扭曲窗口（one-time time warp）"，可"弯道超车（leapfrog）所有在位者——所有财富 500 强、所有现存创业公司"。Garry 类比 90 年代公司开始给员工买电脑："那些电脑当时很贵、可能只有某些公司肯投钱买那种昂贵又不稳定的系统，但当你的竞争对手连电脑都没有时，有电脑就是一种超能力"。
- 对 YC 的直接影响是**"抬高了地板（raising the floor）"：本来新员工"要花 6 个月才能上手"，现在"能自动从公司运转中获取大量 context，并通过 AI 自动『拜师学艺（apprenticeship）』"——"去跑一遍模拟，体验当 Pete 出色辅导创始人做销售是什么样、当 Gary 跟创始人聊天给非常具体建议时是什么样**"，从而"更快变成一个迷你版的你（mini version of you）"。这一招省的正是稀缺资源——"合伙人的时间很贵，最厉害的人通常都很忙"。Pete 还点出一个心理层面的解放，与他用 coding agent 的初体验同构："所有那些我不好意思问出口的蠢问题，我问 agent 一点心理负担都没有"——放到组织层面就是"全新员工不必拿问题去打扰 Harj 了，于是更多问题被问出来、被解答，大家上手快得多"。→ 详细 → 详细
- 这套内部基建启发 Pete 写了篇"在网上传得相当火"的文章 《Horseless Carriages》（无马的马车）。它是对"当时（至今仍是）大量 AI 软件"的批评：很多公司加 AI 功能只是"往一大堆软件里塞那么一小撮 AI（slotting a little bit of AI inside a lot of software）"。Pete 当时用的具体例子是 Gmail 团队发布的邮件代写功能。文章底下"真正的核心想法"是：AI 的潜力在于把软件的控制权从开发者手里转移到用户手里（shift control of software from the developer to the user）。而那些"把 AI 当小功能"的做法，都"把关于『AI 该怎么完成一项工作』的一堆 prompt context 锁起来、藏着不让用户看"——这正是经典思路："这是开发者的活儿，应该由开发者写好，然后把用户保护起来、免得他们接触那种复杂性"。
- Garry 一句吐槽（整片最短金句）："安全至上主义（Safetyism），我讨厌它。"
- 结论：随着越来越擅长构建 AI-native software，它会越来越像 "agent 在包裹（wrapping）确定性的软件工具，而不是确定性软件去包裹一个 AI"（the agent wrapping deterministic tools rather than deterministic software wrapping an AI）。Pete 也承认 YC"已尽力把这一点通过一些 primitive 暴露给内部员工，但还有很长的路要走"。→ 详细 → 详细 → 详细
- 针对"要为 AI 造全新界面"的论调，Pete 直言"这种说法恰恰来自那些还没真正上手摸过、感受过它的人"。他认为 chat 其实相当好用：你越信任 agent 去完成更多工作、信任它的决策，就越不需要太多 UI 去进进出出地审查它。由此抛出概念："是时候迎来 just-in-time software（即时生成的软件）了"——主持人补形态："它可以把软件做成一个单页 JavaScript，专门为那一刻的你量身打造，也可以是一个随时想用都能调用的 skill 文件。" Garry 当场"改口（changed my mind）"：2023 年他站在"chat 不会是 AI 应用 UI"那边，现在反过来认为 chat 恰是更好的界面——"因为它最接近人类语言，而人类语言和书写基本上是最接近思维表达的东西"，由此引出金句 "chat 是通往清晰智能最近的那块踏脚石"。他强调"不能把它塞进一个框里（put it in a box）"，所以"全押在 chat 界面上"并全面拥抱多模态：文字、语音、图片、文件，甚至 Telegram、语音备忘录（voice memo）——"有时候不想打字，就直接录个语音喂我的 Open Claw"。→ 详细 → 详细
- 现身说法（最硬核的对比数据）：今年 1 月到 2 月，Garry 用 Rails 给 Gary's list 写了 50 万行代码——"大家拿我开玩笑说那不就是个博客嘛，但博客我第一周就搭好了，我花了一个半月在搭一整套 agentic framework，里面有我自己版本的 deep research + fact-checking"。但坑在于"我是用 2013 年（上一次写代码时）的方式来写的，是那种 Web 2.0 的版本"——而"Claude Code 让你能这么干"。
- G brain = Gary's List 2.0，完全开源，"过去三天光给它就写了大概 4 万行代码"；把"agentic retrieval、语音提取、fact-checking 全收进去"，昨天当成一个独立 Open Claw 实例交给 Gary's List 团队后"他们现在飞起来了"。之前团队抱怨他做的"一体化 writer chat 界面全是 bug，因为相当于在重新实现 Open Claw 和 Telegram 本来就能做的事"；现在他们"直接用 Open Claw + Telegram + 我的检索系统 + 同一批抽取出来的数据 + 我们的 MCP，跑得特别好"。核心对比：同样功能，"那 50 万行 Rails 代码，轻轻松松能压缩成约 1 万行 TypeScript + 可能 2 千行 markdown，而且灵活十倍"——Rails 版"很僵硬、很费时间，比如慢上十倍"。灵活到什么程度？他举例："想给第二段加上聚焦人物的一段小传，不用在 Rails 里写死、甚至不用写进 Ruby 文件再扔进复杂 eval 基础设施——Open Claw 就直接懂了，我有个 eval skill，我的主编可以临时随手改，我都不用动手。"
- 心得：最好的 AI 软件往往非常小——"只提前加上你所需要的最小量代码，好让模型去发光（let the model shine）"，"能从这么一个极其简单、几乎不用搞懂什么就能用起来的东西出发，强大得不可思议"。这就是 just-in-time software 的曙光（dawn）。→ 详细
- Open Claw 做对的几点：能"给 agent 一点个性（personality）、能长期持续、有某种记忆（memory）的概念"——"并不完美，但对那个用例已经够好了"。Pete 还特别提到 Boris（Claude Code 作者）"对简洁的痴迷、对把产品做得尽可能小的执着"令人印象深刻。他最爱的例子是开源 harness Pi（"Open Claw 开箱即用的编码 agent"）："一件极其漂亮的软件，就是尽可能小的那种编码 agent"，而且"你可以用 Pi 来修改和扩展 Pi"——这就是"自我扩展、自我指涉（self-extending and self-referential）的软件理念"（Open Claw 就建在它之上）。Pete 由此预测：未来"很多商业软件会开箱就自带这种可定制能力（一开始是个极小的东西，再用 agent 随时间扩展）"。→ 详细
- Garry 从 Pete 文章里提炼出最大命题：AI 既可以是中心化的，也可以是去中心化的（"Gmail『我没法改提示词』就是完美例子"），未来"18~24 个月（也可能 5 年）要做一个选择"，他脑中浮现 Apple 1984 年那支 Macintosh 广告："2034 会不会变成 1984？" 中心化版本=控制集中："有五个国王（five kings），最后可能只有一个胜出；他们有最先进的 AI、拥有所有太空数据中心，而且不让你跑自己的提示词——把 Gmail 那一套套到你整个计算生活上"，像个"掌控字面意义上生产资料（means of production）的祭司阶层（priesthood）"。另一种可能藏在 Homebrew Computer Club、藏在"Steve Jobs 和 Wozniak 在车库里手焊面包板、卖出 500 台 Apple One"那场革命里——"我觉得我们现在正处在 Apple One 时刻"。当下选项盘点：ChatGPT（"十亿用户，给你开了一点点口子，但 MCP 锁得很死，为了什么？安全？"）；Claude"算稍微开放一点，但也没真开放多少"；Perplexity"大概是这里头做得最好的，但跟 Open Claude、Hermes 能做的相比还是相当受限"。
- Garry 的"白药丸（white pill）"愿景：让十亿人"真正去掌控、为自己编程这些东西"——能跑自己的软件、改自己的提示词、有一个只属于自己的私有仓库、能选用哪个模型（也许是开放权重 open weight 模型）。核心信念：AI 应该是"你自身的延伸、你所在乎之事的延伸，而不是 Meta、Alphabet，甚至 OpenAI 或 Anthropic 所在乎之事的延伸"。他反驳"AI = 取代人"的框法："它不是人类的替代品，而是一种赋能的东西"，并放进科技史脉络："从大型机到 PC，再到给每个人一个发布平台的互联网，通篇是一个关于个体赋能、压倒一切的故事"。但他反复强调这绝非默认结果："默认情况下一家公司是不开放的、是命令与控制（command and control）式的……我们需要一种根本不同类型的组织、以不同方式提供计算能力——而这些全是选择。正在看这期节目的人，将会是亲手构建出这一切的人。所以，我们最好选对（We'd better choose well）。"→ 详细 → 详细
- "How do you build superintelligence inside a company? You do that on everything you do. And it's not more complicated than that."（怎么在公司内部造超级智能？把它用到你做的每件事上，没有比这更复杂的了）→ 详细
- "This is how superintelligence happens inside organizations."（这就是超级智能在组织内部诞生的方式）→ 详细
- "Great communication is replicating that same context in someone else's brain."（好的沟通，就是把同一份 context 复制到别人的脑子里）→ 详细
- "It's like a shared organizational brain... the closest thing to us being able to connect our brains."（就像一个共享的组织大脑……几乎是我们最接近于把彼此大脑连起来的东西）→ 详细
- "Safetyism, I hate it."（安全至上主义，我讨厌它）—— Garry Tan → 详细
- AI-native software 是 "the agent wrapping deterministic tools rather than deterministic software wrapping an AI"。→ 详细
- "Chat is the closest stepping stone to clear intelligence."（chat 是通往清晰智能最近的那块踏脚石）→ 详细
- "It allows you to live in 2028."（它能让你活在 2028 年）—— Garry，谈烧 token 的时间扭曲 → 详细
- "We have to make the choice... by default a company is not open, by default command-and-control. We'd better choose well."（我们必须做出选择……默认情况下公司不开放、是命令与控制式的，我们最好选对）→ 详细
- 内部基建：agent loop、tool registry（350+ 工具）、model router、skill registry、resolver（agents.md）、skillify、check resolvable、common context layer / data warehouse
- harness/agent：Claude Code、Codex、Cursor、Windsurf、Open Claw、Hermes、Pi、Gbrain/G brain、Perplexity、ChatGPT
- 方法论 / 概念：两句话描述（two-sentence description/pitch）、context engineering、dream cycle、Auto research、slash goal、DRY、MECE、Jevons 悖论、denormalization（反规范化）、big table / map reduce、retrieval / RAG / graph RAG / 混合 RRF / reranking、MCP vs CLI、meta prompting、just-in-time software、Safetyism、white pill、open weight
- 人物：Pete Koomen、Garry Tan、Jared、Tom、Diana、Harj、Boris（Claude Code）、Jack Dorsey（Block）、Dario、Karpathy、Steve Jobs / Steve Wozniak
- 延伸阅读 / 文化坐标：Pete Koomen《Horseless Carriages》（无马的马车）、Apple 1984 Macintosh 广告、Homebrew Computer Club / Apple One
- 嘉宾：Pete Koomen（YC General Partner，Optimizely 联合创始人）
- 主持：Garry Tan（YC CEO）及 Lightcone 联合主持
- 原视频：https://www.youtube.com/watch?v=B246K_G7mHU
🎯 于你何益 为你定制 · 非通用结论
这期是正中靶心的一期——Pete 讲的不是"未来某天 AI 会怎样"，而是一个真实组织过去一年半怎么把自己改造成 agent 工厂的全套手账：agent loop、tool registry、resolver、skill 自我改进循环、透明度治理、烧 token 换时间。这些 primitive 跟你 app_incubator 的 7-Agent 链路、Holdwell 的三驾马车 PRD 工厂几乎是同一张图。下面按你的项目对。
给 app_incubator（你的 7-Agent 造 App 链路）
resolver / agents.md 是你那套"该做什么前移到 agent"的标准答案。
- 怎么做的：Pete 说整套基建里"最重要的一步其实是接进 resolver"——也就是一个
agents.md文件，里面列着"agent 能做的事情清单"，每条链接到一个 markdown 入口让你能调用某个工具。他点破一个反复出现的事实："Claude Code 里的 skill registry 其实就是一个 resolver，我们的 tool registry 其实也是一个 resolver。"配套还有个元技能 check resolvable：每当新建一个 skill/tool，就跑它对照现存所有条目，看新的这个是不是 DRY（别重复造轮子）、是不是 MECE（相互独立、完全穷尽）——"与其有 10 个 skill 都干同一件事（很糟），不如有一个带参数的 skill 让你去调用"。他惊叹"模型好像就是知道这些概念什么意思"，只要 resolver 表又 DRY 又 MECE，它就是最优的。 - 你可以怎么做：你的痛点之一是"把该做什么前移到 agent"——resolver 就是那个前移的载体。给 app_incubator 立一个
agents.md作为 7 个角色的唯一能力目录：每个能力一行、链接到对应 skill 的 markdown 入口，让编排 agent 先读这张表再决定调谁，而不是把"调用顺序"写死在流程里。再写一个 check_resolvable 元技能，每次你新增 Figma/Chrome/Notion 相关的工具就跑一遍——你现在 7 角色多 skill，最容易长出"两个 skill 干同一件事"的赘肉，DRY+MECE 这把尺子正好用来定期剪枝。
skillify + dream cycle = 让链路自己长出新能力、夜里自我改进。
- 怎么做的：Pete 受 Anthropic 启发做了个元技能 skillify——"你在 agent 里随便做点什么，做完觉得不错，就说『skillify it』，它自动把这件事变成一个 skill"。更狠的是 dream cycle：YC 有个通用 agent 每天晚上把"员工和 agent 的所有对话"通读一遍，找"那些它本可以做得更好的地方"以及"那些一开始就该拿到的 context 片段"，自动改进 skill，还把 transcript 反写回内部 DB 更新认知。
- 你可以怎么做：你的链路现在是"人设计 skill→agent 执行"。加一道 skillify：当你在一次造 App 会话里手动捏了个有用的小步骤（比如一段特别好用的"首屏文案体检"prompt），让 agent 当场固化成 skill 进 registry，省得下次重写。再排一个轻量 dream cycle 定时任务，扫最近 N 次造 App 会话的日志，专门挑"哪个环节 agent 卡壳、哪段 context 当初没喂进去"——这正对你"激活/首屏体验"的痛点：失败案例里藏着该补的 context。
给 Codex Holdwell ERP work（多-Agent PRD 工厂）
"两句话描述"skill 超越人类的机制，就是你 PRD 工厂该走的路。
- 怎么做的：这是全片最值钱的案例。合伙人 Tom 先手写了一个把公司 context 浓缩成"两句话描述"的 skill；后来几位合伙人开一场 group office hour、让春季批次每个创始人当场试写并给反馈、把这些反馈沉淀进会议 transcript；再把 transcript 交还 agent："根据你通读这份 context 学到的，去改进这个 skill"。结果"这东西现在写两句话描述已经比我（Pete）强了"。Pete 的金句："这就是超级智能在组织内部诞生的方式。" 机制是"在『组织怎么做事』这块布料上扎一个针眼般的小点"——有人写 prompt→用→别人也用→产出 artifact（用它的 transcript 本身又成了能 meta prompt 的料）→每天自动改进这一个 skill。
- 你可以怎么做：你有三驾马车 + 真人评审，但痛点是"真人评审意见回炉的闭环"。这个案例给你的正是闭环从哪来：选你最高频的一个 agent 能力（比如 PM 的澄清提问或"需求一句话定义"），把每次真人评审会的意见/transcript 留下来当 context，定期喂回 agent 让它改进那一个能力——并记录改进前后的差异作为闭环的证据。你缺的不是更多能力，是"某个 agent 因为吃了真实评审反馈而肉眼可见变强"的留痕。先把一个能力做出这条曲线，比铺一堆都没闭环更有说服力。
common context layer / mono repo 类比，直击你"跨线对齐"。
- 怎么做的：Pete 把"所有 context 汇进一个 data warehouse"列为第一个可复制基建，类比"一个 coding agent 在 mono repo 里往往高效得多"——所有东西在一套 schema 的单一数据库上，一个 agent 就能回答任意问题（招牌例子："列出过去四个 batch 投过太空公司的所有投资人"）。关键不在工具花哨，而在"所有 context 都在一个地方"。Garry 补一层工程直觉：还要为 agent 做反规范化（denormalization）——"不为省存储去拆表做关联，而是揉成一个 agent 一眼能看懂、最方便检索的扁平格式"。
- 你可以怎么做：你的"跨线对齐"难，本质就是缺这个 common context layer。别把六条产品线的共享定义当成"以后补的字典"，把它当成整个 PRD 工厂的单一 context 源来填——而且照 Garry 说的，为 agent 反规范化：实体不必规范到第三范式，而要扁平到"一个评审 agent 读一遍就知道这个实体在哪些流程里出现、关联哪些字段"。跨线对不齐，就是因为每个 agent 都在各自脑补 context；先把这一处填厚，比修任何单个环节都更治本。
透明度即治理：默认全员可见 = 你"碰撞协议纪律"的另一种解法。
- 怎么做的：YC 把每次 agent 对话默认全员可见、广播到内部 Slack channel，用"社会性约束（social control）"代替"把权限锁死"。Pete 坦言这决定不轻松，但"在高信任环境里效果相当不错——既保护隐私又没锁死"。Garry 由此总结 1000 倍超级智能组织的两个特征：相对平权 + 默认信任。还有个副产品——"大家是通过看别人怎么用，学会怎么用它的"。
- 你可以怎么做：你一直担心"碰撞协议的纪律是否真执行"。这期提示你：强制不一定靠锁，可以靠晒。把每个 agent 角色的产出/对话做成团队可见（哪怕只是一个共享 channel 自动归档），让 8 人 PM 团队互相能看到"独立初稿和碰撞这两关 agent 是怎么过的"——社会性约束会自然顶上一部分把关的活，同时解决你的"跨线对齐"和新人上手。这是比硬卡点更轻、更符合一人维护现实的执行机制。
给 StockHelp 与你本人的价值投资实践（投资视角）
"活在 2028 年"+ 时间扭曲窗口，是一条可以下注的投资论点。
- 怎么做的：Garry 说愿意每年烧 $10 万~100 万 token、以开放方式打磨 skill，等于"活在 2028 年"——"你现在花的钱两年后只要 1/10、再一年只要几百块"，这是个"一次性的时间扭曲窗口（one-time time warp）"，能弯道超车所有财富 500 强和在位创业公司。他类比 90 年代："当你的竞争对手连电脑都没有时，有电脑就是超能力。"另一条暗线是 Pete 整片的论点——控制权从开发者转移到用户、"agent 包裹确定性工具，而不是确定性软件包裹 AI"是软件形态的方向。
- 你可以怎么做：作为找"卓越生意 + 被低估"的价值投资者，这期给你一把筛选镜：在你的能力圈里，哪些公司正在真金白银地"活在 2028 年"（早烧 token、把 agent 当 building layer、为 agent 做基建），哪些还困在"安全至上、context 全锁死"的命令与控制里？前者两年后的单位经济会被时代红利抬一截。把这条写进 StockHelp 的定性观察栏——不是买入信号，而是一个护城河/管理层质量的定性维度：一家公司对 AI 是"塞个小功能"还是"重构怎么做事"，泄露了它的资本配置智商。Pete 点名 Gmail 代写邮件是反面教材，这种"无马马车"测试可以直接套到你看的任何软件公司上。
给 xiaohongshu_momorain（一个人的增长团队）
烧 token + skill 自我改进的"抬高地板"逻辑，正好治你"一个人没团队"。
- 怎么做的：YC 用这套基建"抬高了地板（raising the floor）"——新员工本要 6 个月才上手，现在"自动从公司运转中获取 context、通过 AI 自动『拜师学艺』"，"去跑一遍模拟，体验当 Pete 出色辅导创始人、当 Gary 给具体建议时是什么样"，更快变成"迷你版的你"。省的正是"合伙人时间很贵、最厉害的人通常很忙"这个稀缺资源。Pete 还点出心理解放："所有那些我不好意思问出口的蠢问题，我问 agent 一点心理负担都没有。"
- 你可以怎么做：你是"一个人的增长团队"，最稀缺的就是你自己的时间和精力。照"抬高地板"思路，把你那套小红书定位/内容支柱/选题矿池沉淀成一个能自我改进的 skill：每写完一篇、每看一次数据，把反馈喂回去让 skill 改进选题和封面标签建议——这等于给自己配了个会越用越懂你的"增长助理"。你的痛点"PM 思维这张牌没打、档案只盘了 16/218"本质是产能不够，而这正是 skill 自我改进要解的：让 agent 替你跑那 200+ 没盘的档案的初筛，你只做终审。
更深三角度
该反着用：YC 是几十人的高信任组织，可以"默认全员可见 + 每年烧百万 token"。你是一个人扛多线——没有"全员"可言，token 预算也不可能百万级。所以"透明度即治理"对你要反过来用：你的"社会性约束"不是给别人看，而是给未来的自己看——把 agent 对话/产出留痕，是为了三个月后回看时能审计自己当初为什么这么决策。烧 token 也要反着来：不是"敞开烧买时间扭曲"，而是精准烧在杠杆最大的一两个 skill 上（精力是你的元约束，不是钱），其余够用就行。
和你现在做法冲突：Pete 整片在喊"少建确定性软件、让 agent 去发光"——"50 万行 Rails 能压成 1 万行 TypeScript + 2 千行 markdown，灵活十倍"，"只提前加最小量代码"。但你在 Holdwell 和 app_incubator 都在往重里建：三驾马车、独立初稿互不可见、碰撞三件、合成定稿的精密流程。这两者有真实张力——你建的"强制环节和精密协议"，会不会正是 Pete 说的那种"把复杂性写死、保护用户免于接触"的反模式？不替你下结论，但值得问自己：你的 PRD 工厂里，有多少结构是真的在约束质量，有多少只是 2013 年式的"把流程写死"的本能？
对你的镜子：Pete 说创始人写不出"两句话描述"是因为"他们自己拥有完美的 context"，而好的沟通是把这份 context 复制到别人脑子里——"YC 本身就是一个 context engineering 的过程"。这句话照见的不只是你的产品工作，也是你这本第二大脑的本质：你之所以建主题骨架、原子笔记、WIIFM 这层入口，做的正是同一件事——把你脑子里的完美 context 结构化到一个外部大脑里，好让未来的你、和你调用的 agent 能"读懂你在乎什么"。你不是在记笔记，你是在给自己造 Gbrain。
One Human Company 新号（2026-07 回填）
① "两句话描述 skill 吃真实反馈后超过本人"——最标准的 C 类验证体模板。
- 怎么做的：Pete Koomen 的招牌案例：合伙人 Tom 先手写一个"把公司浓缩成两句话描述"的 skill → 几位合伙人开 group office hour 让创始人当场试写并给反馈 → 反馈沉淀进会议 transcript → 把 transcript 交还 agent"根据学到的去改进这个 skill"→ 结果"它写两句话描述已经比我（Pete）本人强了"。金句："这就是超级智能在组织内部诞生的方式。"
- 你可以怎么做：候选标题**「YC 说 skill 吃过真实反馈会比你本人强，我拿 drizzle tech 的一个 skill 喂了 30 天」**——选流水线里最高频的一个 skill（比如首屏文案体检或需求一句话定义），每次真实使用后把你的修改意见回喂，30 天后晒改进前后同题产出的 diff 和你的判断（真变强了还是玄学）。可抄物：那份"让 skill 自我改进"的回喂 prompt 本身。这是 ≥4 篇 C 类存稿里最该有的一篇：机制清晰、可复现、结果可证伪。
② "每年烧 $10 万 token = 活在 2028"给你的成本账支柱一个立场框架。
- 怎么做的：Garry Tan 说愿意烧钱打磨 skill 等于"活在 2028"——你现在花的钱两年后只要 1/10、再一年只要几百块，是"一次性的时间扭曲窗口"；类比 90 年代"竞争对手连电脑都没有时，有电脑就是超能力"。
- 你可以怎么做：晒 API 账单（B 类）时别只报数字，配上这个判断：这笔钱买的不是产能，是时间差。也可单独出一篇 D 类，立场句**"一人公司的 token 账单不是成本项，是时间机器票价"**——用你自己的账单和"这个月省了几天人肉工时"的实测垫底，别人可以反驳"那是你规模小"，正好构成讨论。闸门自检：没有你的账单数字，这篇就只是转述 Garry——所以账单必须真晒。
③ "大家通过看别人怎么用学会用"是 build-in-public 打法的机制级论据。
- 怎么做的：YC 把所有 agent 对话默认全员可见、广播到内部 Slack channel。Pete 说除了治理，最大副产品是"大家是通过看别人怎么用，学会怎么用它的"——Garry 玩出创意用法时一堆人围观"哇，还能这么用"。
- 你可以怎么做：这条直接回答"你的号为什么要晒 agent 工作过程而不只晒结果"——读者收藏你，是因为能从你的真实对话和翻车里学会自己上手。落到动作：每篇 C 类里保留一段真实的 agent 对话原文（含失败的），这是别人转述不了的独占素材，也是收藏率（北极星）最认的那种"可抄"内容。
所以呢
可迁移思维模型：
- 【耐用】resolver / DRY+MECE 作为能力目录的组织原则——"与其 10 个 skill 干同一件事，不如一个带参数的 skill"。这是跨越具体工具的结构智慧，五年后模型再强它都成立，可以直接用来管你所有项目的 skill 库。
- 【耐用】"agent 包裹确定性工具，而非确定性软件包裹 AI"——判断任何 AI 产品/自己搭的系统是不是"无马马车"的试金石。
- 【耐用】context engineering = 把完美 context 复制到别人/agent 脑子里——你第二大脑和所有多-agent 工作的元目标。
- 【会过期】"每年烧 $10万~100万 token = 活在 2028 年"的具体数字——这正是"时间扭曲"的意思，价签本身一两年就失效，但"早期重投换时代领先"的结构会过期得慢一些。
- 【会过期】350+ tool registry、特定 harness（Open Claw / Hermes / Pi）的具体形态——一年内大概率换名换形。
判断更新：如果你原来觉得"多-Agent 系统的护城河在于流程设计得多精密"——这期该松动一下。Pete 的证据指向反面：护城河在于 context 汇得多全 + skill 自我改进得多勤，而非流程写得多死。最该建厚的是 common context layer（你跨线共享的实体与术语）和"会吃真实反馈而进化的少数几个能力"，而非更多流程环节。
这周一个赌注：选 app_incubator 或 Holdwell 其中一个，给它立一个 agents.md resolver——把现有所有角色能力列成一张 DRY+MECE 的表，让编排 agent 先读表再决定调谁。一周内只做这一件、做完，你就有了"该做什么前移到 agent"和"碰撞纪律可执行"两个痛点的同一个抓手。比起再加一个能力，这个赌注的杠杆更大、也最贴合你"精力稀缺、要押在结构性改动上"的元约束。