在车间中学习

多年前，我曾写过关于我在德国做学徒的经历。我 16 岁辍学，进入一家西门子子公司工作。在那里，最有趣的人坐在地下室里，使用的是 Delphi，而不是公司强制要求的 Rosie SQL（这两款技术如今都已基本被时间和进步所淘汰）。我是通过观察他们来学习编程的——通过给他们泡咖啡，通过花足够多的时间待在他们身边，让他们的判断力潜移默化地渗入我的思维。

过去一年里，我反复思考那段经历，因为我们在 Shopify 构建的东西正是基于同样的原则。

她叫 River。River 是一个存在于我们公司 Slack 中的 AI 智能体。你与她交流的方式就像与同事交流一样：在 Slack 频道中提及 River。她可以阅读代码、运行测试、编写代码、发起拉取请求（Pull Requests）、查询我们的数据仓库、查看生产环境的追踪信息，以及做更多事情。我们一直在高频使用她。

在过去 30 天里，5,938 名 Shopify 员工在 4,450 个不同的 Slack 频道中与 River 协作。仅在上周，她就在我们主单体仓库中发起了 1,870 个拉取请求。上周合并到我们要代码库的拉取请求中，大约每八个就有一个是由 River 编写、由我们审查的。

目前世界上有很多编码智能体。让 River 与众不同的是一种约束：她只在公开场合工作。

从约束变为特性

当我们开始构建 River 时，显而易见做法是允许人们在私密环境中使用她。许多其他 AI 助手正是如此运作的。ChatGPT 是一个私密窗口，Claude 是私密窗口，Cursor 则位于你与 IDE 之间。

我们做出了相反的决定。River 生活在 Slack 中，也就是我们的公司聊天平台。River 不回复私聊消息。她会礼貌地拒绝，并建议你创建一个公开频道，以便你和她在那里开始工作。我自己就在 #tobi_river 频道中与 River 合作，许多人也遵循了这一模式。因此，每段对话都是可搜索的，Shopify 的任何人都可以加入讨论。在我自己的频道中，有超过 100 人参与：他们对线程做出反应，增添细节和背景信息，接过接力棒，帮助进行审查，提醒我技术生疏，更重要的是——通过观察来学习。

起初这看起来很奇怪。人们习惯于在私密工作空间中使用工具。当全公司都能看到问题时，寻求帮助的感觉截然不同。但发生了一些我们期待却未能完全预测其影响的事情：

人们开始互相学习。

#help_checkout 频道中的一名支持工程师会观察到另一频道中后端工程师如何让 River 找到正确的日志查询语句，第二天她也会如法炮制。新员工会在发送第一个请求之前，翻阅 #river 频道，看看资深员工如何界定请求的范围。

正如德语中常有的情况一样，有一个词来形容这种环境：Lehrwerkstatt。字面意思是：教学车间。整个车间就是课堂。你在靠近工作的地方学习。成为持续的学习者是我们公司的核心价值观之一。

Shopify 希望成为一个大规模的教学车间，而 River 让我们比以往任何时候都更接近这一理想。这是一种渗透式学习，因为它不需要课程、培训计划或管理者。它只要求所有人的工作在最大程度上可见。每个人都在向彼此学习。

我对这一有些偶然的发现感到真正兴奋，因此决定分享出来。

为什么这在 AI 时代更为重要，而非不重要

人们对 AI 的常见担忧是它会让人们停止思考。如果智能体帮他们调试，初级开发者为什么要学习调试？如果他们可以直接提问，为什么还要阅读代码库？

我认为这种担忧是真实的，但框架错了。风险不在于 AI 做了工作。风险在于 AI 做了工作，而我们从未从中学习。如果与智能体的每次交互都发生在私密窗口中，唯一能学到东西的就是坐在键盘前的人。其他所有人都被排除在学徒训练之外。

当人们在公开场合与智能体一起工作时，情况则相反。最佳的提示模式得以传播，知识得以扩散。一名开发者调查 Slack 权限 bug 的巧妙方法，成为了其他人调查问题的模板。某人编写的用于向 River 讲解公司结账数据仓库的技能，被其他十二个团队重复使用。River 自身也在不断学习：每个频道都可以预加载其团队所需的区域、技能和指令，这些由最接近工作的人员编写。River 还拥有记忆功能，能够不断学习和“遗忘”关于公司及最佳工作方式的关键信息。

智能体并没有取代学徒，也没有取代导师。智能体让整个公司都成为学徒，因为每个人都在持续观察最有经验的人如何与智能体并肩工作。

这也是合并率持续攀升的原因。我们并没有重新训练模型，也没有切换模型。两个月内从 36% 提升到 77% 的改进，来自于人们观察 River 的工作，注意到她卡壳的地方，记录下她本该知道的内容，并帮助让 River 本身成为一名更好的队友。每个团队积累的品味都流入了智能体中。智能体变得越来越“像 Shopify”。

公司的速度取决于其最慢的秘密

当我思考为何这很重要时，回到了我长期以来的一个信念：组织的速度取决于其最低带宽沟通渠道和节奏的速度。会议很慢，电子邮件很慢，私聊消息也很慢。也许对于参与其中的人来说并不慢，但对于组织而言确实如此。来自这些渠道的信息和决策，若不付出巨大的额外沟通努力，永远无法充分扩散到组织的其他部分。

人类之间或人类与胜任的智能体之间的公开对话并非如此。它是快速的、可搜索的、可教学的，并且具有复利效应。下一个遇到同样问题的人不必再提问。

我不认为未来的工作模式是智能体取代人类。我在 2018 年写过一篇文章，题为《人类卓越角色的未来》，探讨了电脑学会下棋后， chess（国际象棋）为何变得更受欢迎而非不受欢迎。同样的教训也适用于此处。正确的模型不是人类或机器，而是学徒与大师，两者在车间中互相观察学习，共同变得更好。

这就是 River。这就是我们的 Lehrwerkstatt（教学车间）。