AI 原生公司 — Garry Tan & Diana Hu Stanford CS153 演讲导读¶

YC CEO Garry Tan 与 General Partner Diana Hu 回到母校 Stanford CS153 Frontier Systems，不谈工具测评，不讲 prompt 工程，而是端出一套以 LLM 为基底的「全自动化公司」构建蓝图——把开源 agent 框架的技术术语直接映射为企业人资架构，重新定义一人公司的组织形态。

目录¶

核心前提：Markdown 即可执行代码
AI 公司词典：技术术语 × 企业人资
OpenClaw：Agent 工作平台
控制系统的视角：开放迴路 vs 封闭迴路
AI 原生公司的三种核心角色
生产力数据与冷靜提示
人类不可替代的东西：Taste + Evals
构建護城河的四步心法
Wedge 策略：寻找切入点
Posterous 的时代对比

核心前提：Markdown 即可执行代码¶

Garry Tan 一开场就抛出一个颠覆性观点：

Markdown 不再只是文档格式，它现在是可以执行的程式码（executable code）。

以前写 Markdown 是做笔记、写说明书；但在 AI 原生时代，Markdown 文件直接驱动整家公司运转——它是公司的「数位地基」。

传统认知                          AI 原生时代
─────────────────────────────────────────────────
Markdown = 靜態文件               Markdown = 可执行的程式碼
README.md = 說明書                README.md = 員工守則 / SOP
prompt = 一次性指令               prompt = 可重複執行的流程定義

这个前提贯穿全场，是理解后续所有概念的锚点。

AI 公司词典：技术术语 × 企业人资¶

Garry Tan 的核心贡献之一，是把开源 agent 系统里的技術名词「翻译」成人人能懂的企业人资架构：

技术术语	企业人资类比	说明
Skill	员工能力	教 AI 怎麼做事的超详细指南
Resolver	组织图（Org Chart）	决定哪個任務发包給哪個 skill
Skillify	制定 SOP	把臨時招式升級為標準作業流程，AI 從臨時工變正職
Check-resolvable	内部稽核 / 合规	確保組織圖在對的情境下喚醒對的員工
Trigger-eval	績效考核（KPI）	盯著 AI 員工有沒有好好做事

Skillify 的意义¶

一次性 prompt          Skillify 之后
─────────────────────────────────────
臨時工模式：           正職員工模式：
每次手動輸入指令       定義好流程 → 反覆執行
結果不一致             結果穩定可預期
需要人盯著             自動運轉

Garry 坦承 skillify 的概念是他凌晨 3 点在 OpenClaw 上「东摸西摸」不小心搞出来的——侧面反映了当前 AI 技术迭代的速度。

OpenClaw：Agent 工作平台¶

OpenClaw 是 Garry Tan 重点介绍的环境，可以理解为专为 agent 打造的工作平台：

真正做到把 Markdown 技能变成可执行的单元
开源项目，由 Peter Steinberger（@steipete）创建
GitHub 星标 247K+，GitHub 历史上增长最快的开源项目之一

⚠️ 产品归属澄清：OpenClaw 是独立开发者 Peter Steinberger 的开源项目，非 Google/YC 开发。Garry Tan 作为 YC CEO 和重度用户大力推荐。

控制系统的视角：开放迴路 vs 封闭迴路¶

Diana Hu 从控制系统（Control Systems）角度切入，一针见血地指出传统公司的结构性问题：

傳統公司（開放迴路）              AI 原生公司（封閉迴路）
────────────────────────────────────────────────────
決策層層傳遞                    Agent 直接讀取原始數據
資訊傳來傳去損失大半             完整上下文 → 準確判斷
發現問題 → 開會 → 討論 → 決策   發現問題 → 自動修復
中階主管是資訊中繼站             中階主管大幅壓縮

封闭迴路的关键：给 agent 「上帝视角」——让它们可以读取 GitHub、Discord、甚至所有会议录音。有了完整上下文，AI 能主动发现问题、建议下一步、甚至自己修 bug。

         ┌──────────────────────────────┐
         │                              │
    ┌────▼────┐                    ┌────▼────┐
    │  觀察    │                    │  執行    │
    │ Observe │                    │  Act    │
    └────┬────┘                    └────▲────┘
         │                              │
         └──────────────────────────────┘
                   反饋迴圈
               （封閉迴路 = 自動修正）

AI 原生公司的三种核心角色¶

Diana 预言，未来的 AI 原生公司只需要三种人：

角色	缩写	职责	类比
个人贡献者	IC	亲自动手产出成品	做事的人
直接负责人	DRI	跨团队指挥排程	管事的人
AI 创办人	—	把最新 AI 工具搬进公司	领路的人

❌ 被大幅压缩的：传统中阶主管（信息中继站角色）

关键洞察：当 agent 已经接管了传话和协调的工作，传统以「信息传递」为核心价值的管理层就成了冗余。

生产力数据与冷静提示¶

Diana 透露 YC 内部工程团队导入这套模式后的效果：

开发周期砍半
产出飆升 10 倍

⚠️ 重要警示：这是讲者内部感受到的趋势信号，不是经过外部审计的财报绝对事实。当作方向标即可，不要当作逼死自己的 KPI。

人类不可替代的东西：Taste + Evals¶

当写程式的成本无限逼近于零时，人类真正的護城河是什么？

Diana 的答案：

Taste（品味）——机器能写几万行代码，但不懂什么叫「好用」、什么叫「符合市场需求」
Evals（评估系统）——针对特定领域建立的专属评分标准

代碼成本 → 趨近於零          人類價值 → 反而上升
─────────────────────────────────────────────
機器擅長：                     人類擅長：
  ✅ 寫大量代碼                 ✅ 判斷什麼值得做
  ✅ 執行重複任務               ✅ 定義「好」的標準
  ✅ 24/7 運轉                 ✅ 品味 / 審美判斷

构建護城河的四步心法¶

Diana 提出了一套实用的 eval 构建方法论：

Step 1                    Step 2
忽略通用跑分     ────→    提取真實軌跡
（MMLU、GPQA 等）        （自傢產品的成功/失敗案例）

Step 4                    Step 3
丟回系統         ←────    人工轉換為評分標準
（Agent 自動除錯）        （人類定義好/壞的邊界）

步骤	行动	要点
1	别管通用 benchmark	MMLU 等测不出你产品的真实表现
2	抓取自家产品运行轨迹	收集成功案例和失败案例
3	人工转为评分标准	人类定义什么是「好」
4	丟回系统	让 agent 学会自我修正

Garry 的额外大招：让不同的顶尖 AI 模型互相改考卷（模型互评），品质可飙升 10 倍以上。

Wedge 策略：寻找切入点¶

Diana 最后给出了 YC 风格的实战策略——Wedge（切入点）：

步骤	行动
1	找出业界最痛苦、最烦人的工作流程
2	像卧底一样潜入行业，摸透细节
3	把支离碎片的琐事全部 agent 化

成功案例特征：很多 YC 校友公司创办人一开始根本不懂那个行业，他们就是亲自跳进去找痛点，然后用 AI 全部剷平。

未被 AI 渗透的蓝海¶

行業 AI 滲透率
──────────────────────────────
資訊科學 / 軟體工程    ≈ 50%
金融業                 ≈ 低
傳統後勤辦公室         ≈ 極低
傳統客服部門           ≈ 極低
──────────────────────────────
滿地黃金 = 靠 LINE 群組 + Excel 報表
            土法煉鋼撐著的行業

Posterous 的时代对比¶

Garry 用自己的创业经历做了一个震撼对比：

维度	2008 年（Posterous）	现在（AI 时代）
时间	3 年	5 天
人力	10 人	1 人 + AI
成本	2000 万美金（收购价）	每月 200 美金（AI 工具）
结果	卖给 Twitter	同等产品

但 Garry 立即点破了盲点：他是极度熟练的老手，产品架构、技术选择、商业逻辑刻在骨子里。对新手来说，下载 AI 工具和产出巨大商业成果之间，依然隔着巨大的鸿沟。

总结：从指令到守则的思维转换¶

演讲的收尾留下一个核心问题：

你现在打下的那些 prompt，到底是在写一条一次性的指令，还是在为你的公司编写一套可以日夜自动运转的员工守则？

思维转换对照：

❌ 旧思维                          ✅ 新思维
─────────────────────────────────────────────
「讓 AI 幫我做一件事」              「讓 AI 成為我的員工」
寫一次性 prompt                    定義可重複的 skill
每次手動操作                        自動化運轉
AI = 工具                          AI = 團隊成員