全员Agent工作演进：从提效到替代岗位的协作变革

背景

随着 AI 技术的快速迭代，全员通过 Agent（智能体）进行工作正从概念走向既定事实，并加速渗透至软件行业之外的各个领域。作者基于其公司内部实践，观察到这一进程并非线性平滑，而是呈现出明显的阶段性特征。目前，许多团队仍处于早期探索阶段，面临着工具链不成熟、协作机制缺失以及 Agent 能力局限等挑战。作者所在的团队正处于从“辅助编码”向“全业务接管”过渡的关键节点，试图解决在“Agent First”模式下，如何构建高效、拟人化且具备持续运营能力的协作体系。

核心内容

作者将全员使用 Agent 工作的进程划分为四个阶段，并详细阐述了当前所处的阶段及面临的深层问题：

1. Agent 工作的四个演进阶段

• 第一阶段：提效。 所有人使用 Agent 做原本就在做的事，主要目的是为编码等现有工作提升效率。
• 第二阶段：拓展。 在 Vibe Coding（氛围编程/直觉编程）时代，所有人使用 Agent 做之前做不到的事，例如编写以前不可能完成的复杂代码。
• 第三阶段：通用化与跨职能。 所有人使用相同的 Agent + Skills，做所有人在做的事。这意味着业务线之间的壁垒被打破，程序员可以接手其他业务线的工作，非程序员也可以接手原本只有程序员才能完成的任务。作者公司目前处于此阶段，实现了“客服发现问题可直接修改代码”的全员通才模式。
• 第四阶段：职能替代。 Agent 承担一部分职能，完全替代某些岗位和工作，实现业务的自动化闭环。

2. 当前痛点：从“被动执行”到“主动运营”的鸿沟 虽然第三阶段实现了“Vibe Working”（氛围工作），即除 Coding 外的业务逻辑也交由 Agent 处理，但作者指出，现有的 Agent 设计存在严重局限，难以支撑第四阶段的到来：

• 生产与分发失衡： AI 解决了生产效率，但未解决分发效率（推广、销售）。特别是对于程序员而言，缺乏运营和销售能力导致生产过剩。
• 多目标系统的缺失： 现有 Agent 设计擅长单目标系统，但在多目标系统（如同时兼顾产品、用户、推广、数据回收）中表现不佳。
• 触发机制僵化： 以 cc 和 codex 为代表的工具主要依赖被动触发或定时任务。定时任务往往开启新的 Session，通过描述和记忆同步上下文，导致 Agent 缺乏真正的“持续记忆”和“自我迭代”能力，无法像人一样动态调整策略。
• 多线程与并行处理的瓶颈： 许多拟人化 Agent 项目（如 slock）存在“一个 Agent 即一个 Session，一次只能做一件事”的限制。这种单线程模式无法应对复杂的并发任务（如同时处理 Bugfix 和 Feature 开发），导致上下文混乱，严重降低效率。

3. 未来愿景：拟人化 Agent 协作 作者预测，真正的生产力爆发点在于 Agent 能够“人格化”地加入公司，主动发现问题并创造价值。理想的协作模式应具备：

• 主动性与持续迭代： Agent 能持久更新状态，自我迭代，而非配置后便如死水般运行。
• 高效的多线程并行： 能够像人类开发者一样，在同一个上下文中并行处理多个任务，避免上下文切换带来的混乱。
• 去中心化的协作网络： 业务自动运转，不再依赖 NxN 指数级增长的人际协作难度。员工只需负责定义目标和调教 Agent，由 Agent 自动完成执行、消息传递和会议协调，从而消除内耗。

关键要点

• 阶段论视角： 全员 Agent 化是一个从“提效”到“拓展”再到“通用化”，最终实现“职能替代”的四阶段演进过程。
• 当前状态： 作者团队处于第三阶段，实现了跨职能的 Agent 协作，客服等非技术人员可直接介入代码修改。
• 核心矛盾： 现有 Agent 多为被动触发（如 cc、codex），缺乏持续记忆和多目标管理能力，无法胜任需要长期运营和自我迭代的复杂业务。
• 技术瓶颈： 单 Session 单线程的限制是主要痛点，无法支持并行处理（如同时修 Bug 和开发新功能），导致上下文污染和效率低下。
• 运营短板： AI 提升了生产效率，但缺乏自动化的分发、销售和运营能力，导致“生产过剩”问题。
• 未来趋势： 真正的突破在于开发出具备“人格化”、能主动工作、支持多线程并行和持续自我迭代的 Agent 系统，预计类似 Opus-4.5 级别的 Agent 雏形可能在当年出现。
• 职业变迁： “FED”（可能指 Agent 工程师或相关新兴职业）等基于 Agent 的新职业应运而生，但作者认为单纯的技术门槛职业意义有限，核心价值在于如何调教 Agent 以匹配个人业务逻辑。

意义与影响

这篇文章深刻揭示了 AI 从“工具”向“同事”转变过程中的阵痛与机遇。

首先，它挑战了当前主流的 Agent 设计理念。大多数现有工具仍停留在“指令-执行”的单向交互层面，而作者提出的“持续记忆”、“多目标并行”和“主动运营”要求，指出了下一代 Agent 必须具备类人的认知架构和协作能力。这对 AI 框架、记忆机制（Memory）以及多智能体协作协议（Multi-Agent Orchestration）的研发提出了明确的需求。

其次，它重新定义了组织形态。当 Agent 能够承担大部分执行和协调工作时，传统的层级化管理和 NxN 的人际沟通成本将大幅降低。企业将从“管理人的协作”转向“管理 Agent 的行为”，这要求管理者具备新的技能——即如何定义目标、调教 Agent 以及处理 Agent 产生的异常。

最后，它指出了 AI 商业化的关键缺口。仅仅提高代码或内容生产效率是不够的，必须打通从生产到分发、运营、数据回收的全链路。只有当 Agent 能够像人类主管一样进行多目标权衡和长期运营时，AI 才能真正成为独立的业务单元，从而解决生产力过剩的问题，实现商业闭环。