Enivia Anthropic 最近发布了两篇关于建立人类 + Agent 团队的文章。
昨天，他们采访了 Slack 的首席产品官 Jaime。她从 2017 年加入 Slack 时就在思考一个问题：如何把每天发生在公司里的大量对话，变成可以持续积累的组织知识。
生成式 AI 和 Agent 出现之后，这个多年没有真正解决的问题，有了新的答案。
历史问题
传统的企业知识管理通常都围绕“文档”展开。
比如，项目结束后的复盘，会议结束后的整理纪要，产品经理维护的需求文档，工程师维护的技术文档，等等。但问题在于，真正决定事情如何发展的信息，往往并不完整存在于这些正式文档里，它们通常散落在 Slack 消息、邮件、会议、评论、私聊和人的记忆中。
最终被写进文档的只是结果，形成结果的过程却大量丢失。
Jaime 提到，Slack 早期曾经研究过一个看起来很理想化的假设：大量工作对话积累之后，会不会自然变成组织知识？
现实当然没有那么简单。聊天记录越来越多，并不意味着员工更容易获得知识。相反，人们仍然会反复询问同样的问题，因为人工阅读和整理如此庞大的历史信息几乎不现实。
而这正是 AI 和 Agent 擅长的。
知识重建
很多人目前使用 AI 的方式，仍然停留在「搜索」上。
过去我们在搜索引擎查询：“如何制定 XX 方案？”。现在问 AI 的也是相同的问题。
效率提高了，但工作方式并没有发生根本变化。
更有价值的问题其实是：
“为什么当时决定这样定价？”
“当时考虑过哪些替代方案？”
“哪些假设后来被证明是错误的？”
“过去三个月市场环境发生了什么变化，这个决定现在还成立吗？”
Anthropic 的文章特别强调了这一点：不要只让 Agent 找到决定本身，还应该让它重建决定背后的推理过程，并判断当时的上下文与今天相比发生了什么变化。
所以对一个团队来说，知识管理的基本单位应该从「文档」变成「上下文」。
Slack 长期倡导的 public by default，在 Agent 时代竟然有了新的意义。
Slack 的观点是，在没有敏感性要求的情况下，把日常项目、讨论、问答和工作过程全部放在共享频道中，让组织成员能够获得共同上下文。Agent 出现之后，这套机制又多了一层价值。
一个工作过程高度透明、历史讨论可以检索、信息系统相互连接的组织，即使使用同样的模型，Agent 的表现也可能完全不同。
人机协作
真正的人机协作，是不断发生的任务交接。
Slack 并没有把 Agent 描述成一个可以一次性接管完整工作的超级员工，Jaime 举了自己的工作方式作为例子：
周一开始工作时，她可以先看到 Agent 准备好的简报，同时还有上一周产品的总结、需要升级处理的问题、AI 行业动态、当天会议资料，以及交给 Agent 修改的个人简介。Agent 负责大量准备和生产性工作，人继续负责判断和决策。
Slack 内部另一个有意思的经验，是 AI 工作方式的传播并没有完全依赖自上而下的培训。
一个产品经理搭好自己的 Claude 工作流之后，把具体做法写下来。其他产品经理看到以后复制。随后团队开始组织 workshop，建立自己的代码仓库，逐渐形成新的工作方式。
员工看到一份“AI 使用手册”，未必知道怎么把它应用到自己的工作里。但当他看到旁边的同事说：“我每天早上让 Agent 自动整理这三个频道，然后标记需要我处理的问题。”，理解成本会大幅下降。
最后
Agent 时代真正需要重构的是工作方式。
很多公司正在尝试把 AI 塞进原有流程。原来一个人需要两个小时写周报，现在让 AI 十分钟写完；原来需要半小时整理会议纪要，现在自动生成。
这些当然都有价值，但仍停留在最初的阶段。
而更深一层的问题是：
如果 Agent 可以持续读取项目上下文，还需要每个人手工写同样格式的周报吗？
