AI Native 之后，世界不再奖励只会亲自做事的人

很多人对 AI 的理解其实一直停留在工具的层面： 写代码只是用AI写代码，遇到问题时只是让 AI 给一个答案，做调研时只是让 ChatGPT 总结几篇文章，实际上这只发挥出了AI百分之四十的能力。 坦诚来讲这很有用，但是这并没有改变我们原本的工作流程，这顶多叫 AI-assisted。

本文基本全文手打，少量AI。对于仍然还没有理解“AI Native”或者“AI First”的人，毫不夸张地说，这个思维能重构你的工作方式，乃至改变你的半个人生路径。

另外本文略长，可以先点个书签，也欢迎关注我 @Pluvio9yte ，慢慢阅读。

AI Native 不是把 AI 塞进旧流程，而是用 AI 重构整个流程。

简单举个例子吧，我通过这个例子引出本次我想要表达的主题：

事情是这样的，关于Markdown编辑器，我一直在用Typora，但是随着Claude Code和Codex等的发展，Obsidian由于其文件系统的优势，越来越利于AI读取和操作，其正在逐渐成为众多MD编辑器的魁首。

但是Obsidian的编辑功能用过的都知道，实在是太烂了…于是我就想，如何让Obsidian复刻Typora的体验？

我将这个任务调研交给了实习生，结果实习生是干完了这件事情，但是给我的文档惨不忍睹…大家看图

很明显，这是纯AI总结的嘛。关于实操性的内容(尤其是此类偏小众的需求)，由于软件版本的更新以及人类的一些错误经验博客，AI直接总结出来的实操性内容有一定概率是存在错误的，所以时效性和可行性最为重要。

我交给实习生的目的也是为了让他自己走通一遍，直接给我一版最终的能够行之有效的方案。然后我直接照猫画虎来配置，能少走不少弯路。

大家可以先想一下，如果这是你的实习生，你会如何处理这件事情？

虽然我一眼看出来是AI，但是依据我的经验，即使因为参考文章中的原本方案细节过时等此类的原因会使配置无法完全复刻，但是只要有正确方向的大致思路，在MacOS系统上是大概率能找到解决方案的。

所以实习生给的这篇文章也算是聊胜于无吧，剩下的就是看看如何利用起来这篇无比啰嗦只有AI能读下去的文章。我索性直接将这一篇文章丢给Codex试试，让Codex直接使用Computer Use功能直接帮我配置，看看能否跑通

结果竟然是出乎意料的好，文章中确实有一些已经过时的操作，但是总体思路是对的，Codex将一些错误方案修正，最终给我配置好了，将Obsidian完整复刻成了Typora的体验。

过去，如果要我自己配置或者将每一步发给AI来辅导我配置，完整流程走下来可能要一两个小时起步，不仅如此，除了时间成本，这也会极大地消耗我的精力。

但现在有了AI，这套不完美的方案，Codex实现了优化并且帮我直接配置好了。 诚然，现在看来上面的流程现在看来是还可以继续优化的，比如让Manus去调研，直接把实习生的这部分工作替代掉，可能会更加“AI Native”。

不过我也成功将原本至少2个小时的配置工作压缩到了16分钟，我去做了杯咖啡，回来就看到Codex已经操作电脑帮我配置完成了。

这个例子到这里也算是结束了，我们重新回到关于“AI Native”和“AI First”的讨论。

真正的 AI Native，不只是把 AI 塞进旧流程里让它帮人类省一点时间； 而是从一开始就重新设计整个流程，让 AI 成为默认参与者。

还是举个最简单的例子吧：

过去我们遇到问题，第一反应是搜索，或者问人。搜索解决的是“信息在哪里”，问人解决的是“谁知道答案”。

但 AI 出现以后，入口发生了变化。很多问题的第一步不再是找资料、搜索或者问人，而是去让 AI 给出答案。(这里也需要注意，对于一些涉及多业务长上下文的问题，去问有经验的老人仍然是最佳选择，这也算是一种另类的上下文问题)

看到这里大家可以反思一下，如果你还有以上的问题，那么你的思维需要开始转变了。

AI 时代很多东西的价值标准正在变化。实习生给我的那篇文档对人来说很烂，但对 Agent 来说，它已经是足够好的上下文燃料。它不适合作为最终交付，却可以作为下一轮执行的输入。

这就是 AI-assisted 和 AI Native 的区别。

AI-assisted 是让 AI 帮你生成一篇文档，然后人类继续痛苦地阅读、筛选、执行。 AI Native 是把这篇文档继续交给 Agent，让它带着目标去执行、验证、纠错，直到跑通结果。

再说说我现在的工作方式吧：

Agent 负责执行，自动化测试和 LLM eval 负责第一层检查， 灰度和用户行为数据负责第二层验证， 我负责最终判断和架构演进。

我作为人只负责harness和方向判断，其他的都不管。

个人层面，AI Native 是遇到问题先让 AI 拆解，而不是自己盲目搜索。 Agent 层面，AI Native 是让 AI 不只回答问题，而是直接参与执行和验证。 组织层面，AI Native 是把工程、产品、增长、反馈和知识沉淀全部重构成 AI 可以持续参与的系统，每一个日志点和用户反馈都是系统不断迭代的燃料。

这也是为什么我越来越相信，AI Native 会成为未来几年最重要的分水岭。

Search-first 的人，还在找资料。 AI-assisted 的人，在让 AI 写总结提效。 AI Native 的人，开始让 Agent 把事情做成，这最终是面向结果的。 AI-first 的组织，则会把这种能力变成持续迭代的SOP，这是一种能力的飞轮。

最后再以我的理解划分一下 AI Native 的层级，大家可以自己对照一下，依照我的经验来看，我觉得这个拙见大致准确。

Level 0：Search-first 遇到问题先搜索，自己筛选信息。

Level 1：AI-assisted 遇到问题问 AI，让 AI 总结、润色、写初稿。

Level 2：AI-native individual 先让 AI 拆解问题、生成方案、保留上下文，再由人判断。

Level 3：Agent-executed workflow AI 不只是回答，而是直接执行任务、修正错误、交付结果。

Level 4：AI-first organization 组织/公司把工程、产品、GTM、评估、数据反馈全部围绕 AI 重构。

关于Level 4，也是我读完这篇文章深有感触并且开始实操的。

Peter Pang@intuitiveml·Apr 13 ArticleWhy Your “AI-First” Strategy Is Probably Wrong 99% of our production code is written by AI. Last Tuesday, we shipped a new feature at 10 AM, A/B tested it by noon, and killed it by 3 PM because the data said no. We shipped a better version at 5…1577623.6K1.8M

大家可以阅读一下这篇文章，给我的启发挺大的。

未来差距只会越来越大，你不应该只会使用AI。

这里也继续回到我们的标题：

AI Native 之后，世界不再奖励只会亲自做事的人