运行一支 AI 原生团队
Nowledge Labs 如何把可见的协作现场与有署名的组织记忆连在一起
Nowledge Labs 是一个由少数人类与多个 AI Agent 协作的团队。真正重要的不是 Agent 数量,而是围绕它们建立的协作系统:工作在哪里发生、上下文怎么抵达下一个参与者、哪些经验会被写回,以及哪些决定必须留在人手里。
这篇文档记录的是我们的第一方实践。Neo-Corp 是我们用来把这套范式讲清楚的虚构参考公司。它的人物和数字是虚构的;这个 case 的真实主体是 Nowledge Labs。
这是参考案例,不是客户故事
Neo-Corp 不是客户。页面中的场景把我们自己的实践做了压缩和戏剧化表达;它不代表其中每一项 Team 或 Cloud 能力今天都已经普遍开放。
L1–L4:四种连续性问题
L1–L4 是一把帮助团队定位连续性问题的尺子,不是产品路线图、功能清单或可用性承诺。
L1:一次会话可以继续
同一个 AI 工具能够找回自己的近期上下文。你不必在同一个工具里反复从零开始,但记忆仍然停在这个工具的边界内。
价值: 减少单个工作流里的重复解释。
L2:个人记忆跟随人,而不是工具
一个人的累积上下文,可以跨越他主动连接的 AI 工具继续使用。连续性的边界从“某个工具”变成“这个人”。
价值: 决策与偏好可以跨越工具和模型变化。
L3:多个个人的记忆在同一工作面协调
每个人仍然拥有自己的记忆层;人和 Agent 则在同一组房间、线程、任务和运行记录中工作。多个个人记忆开始在共同工作面上协调,但关键上下文仍然需要通过可见的产物和交接被明确传递。
价值: 个人上下文开始支持共同执行,同时不会被吞并成一个匿名“大脑”。
L4:个人层仍然存在,组织拥有自己的记忆层
组织保留有署名、有范围、可回到来源的知识;它能跨越成员、Agent、模型、工具和时间继续存在。个人记忆保持独立,共享知识通过明确贡献进入组织层。
价值: 下一个获得授权的同事或 Agent,可以从团队已经形成的判断继续,而不是重新考古。
与 L4 相关的 Team 与 Cloud 能力目前是审核制 private beta,不是面向所有人的自助式开放。
协作问题
增加 Agent 会放大执行力,也会增加上下文边界。
- 一个 Agent 在终端里工作,一个在编辑器里工作,另一个在共享房间里工作。
- Agent 会话是临时的,只存在会话里的知识会随会话一起消失。
- 高速 Agent 可能在团队察觉之前,就把过期结论执行出去。
- 每次人工补背景,都会把某个人变成工具和团队之间的网络。
表面上,团队变得更忙、更快;实际上,协调成本只是悄悄转移到了人身上。
两套系统,一种工作方式
我们的做法,是把实时协作与长期知识明确分开。
协作现场
Raft 是进行中工作的权威现场:频道、线程、消息、任务、参与者脉络、交付和发布协调。线程仍然是“这个房间里发生了什么”的原始记录。
协作现场回答:
- 我们现在在做什么?
- 谁在做?
- 卡在哪里?
- 哪条消息、任务或运行记录产出了这个结果?
记忆层
Nowledge Mem 承载那些应该跨越房间、Agent 和工具持续积累的内容:
- 决策与契约;
- 验证证据;
- 发布脉络;
- 从失败和重复工作中学到的可复用流程。
记忆层回答:
- 团队已经学到了什么?
- 是谁或哪个 Agent 贡献的?
- 来源证据在哪里?
- 它现在仍然有效、已经被取代,还是仍有争议?
- 哪个范围可以接收它?
协作现场让今天的工作推进;记忆层让明天不从零开始。我们不会让“团队大脑”吞掉协作现场,也不会把记忆层变成第二份消息归档。
每天的工作循环
从有范围的简报开始
人或 Agent 开始任务时,先拿到相关决策、未解决冲突、当前工作和已知约束。目标不是把整个公司塞进上下文窗口,而是为当前成员、范围和任务提供最小但足够的上下文。
在可见的现场工作
人和 Agent 在公开线程与任务中交接。谁提出改动、谁做验证、谁做决定,都有清晰脉络。
明确保留人类权力
Agent 负责执行和验证;人负责设定方向、解决冲突、批准发布,并决定什么才算完成。作者自述不能替代发布门禁;关键工作需要独立证据。
把可复用结果写回
任务真正值得留下的,不是整段聊天记录,而是它沉淀出的长期结果:
- 决策或契约;
- 验证证据包;
- 发布记忆;
- 可复用流程。
每一项都保留署名,以及回到原始来源的路径。
修正结论,但不抹掉历史
新结论替代旧结论时,旧结论仍然可以连同作者和证据被找到。不同作者之间的冲突会作为待裁决的双方主张浮现,而不是在后台被静默覆盖。
个人记忆与组织记忆
这不是一个匿名的“公司大脑”。
个人记忆与团队记忆保持分离。知识只有经过明确贡献才进入组织层,并保留贡献者、来源、范围和历史。成员离开时,团队不必把关键判断继续锁在某个人脑中;与此同时,个人边界仍然清楚可见。
角色也不等于 Agent 身份。替换模型或 Agent 时,不需要让新参与者冒充旧参与者;它会用自己的身份,从同一份契约、证据和流程继续工作。
团队实际得到什么
- 减少重复补背景: 交接从相关上下文开始,而不是从重播开始。
- 更快完成上手: 新同事可以把决策、作者和来源一起找到。
- 更安全地提速: 过期或相互冲突的结论,会在高速执行放大错误之前浮现。
- 修正能够传播: 人做出裁决后,新结论会进入后续工作的上下文。
- 发布主张可以核对: 证据、负责人、方法、结果和新鲜度保持绑定。
应该衡量什么
AI 原生工作方式应该减少协调成本,而不只是增加消息数量。可以衡量:
- 仍然需要人工重新讲背景的交接次数;
- 从任务开始到首次命中相关跨作者上下文的时间;
- 带来源和署名的长期结果占比;
- 裁决改变后,新结论传播到后续工作的时间;
- 发布关键主张的独立验证覆盖率。
这些目前是衡量目标,不是已经对外发布的规模证明。
继续阅读
- Neo-Corp — 一家完整工作日的参考公司
- AI 是租来的,记忆应该属于你 — 这套工作方式背后的宣言
- Raft 如何在 Raft 上发布一个功能 — 一条已经公开的真实执行记录
最短的起点很简单:保留你已经在用的工具,把工作放到可见的协作现场,给长期上下文一个独立的归宿,并把方向与裁决留在人手里。