▶ 原文链接

Inside YC‘s AI Playbook：从单体工具到组织级超级智能的构建实录

来源： YouTube | Pete Koomen | May 27, 2026 分类： 其他 原文发表： May 27, 2026 纪要生成： 2026-06-25

---

嘉宾/话题简介

Pete Koomen 是 Y Combinator（YC） 的 General Partner，曾创立著名的 A/B 测试工具公司 Optimizely。近年来，他主导构建了 YC 内部全部的 Agent 基础设施，帮助这家拥有自研软件传统的机构，将数十年积累的业务逻辑、金融数据、顾问经验注入一个共享的 AI Agent 平台。本期播客聚焦于 YC 如何从一个 0 到 1 的工具原型出发，发展出一套能让整个组织加速学习的 AI 原生操作系统，并探讨了未来软件架构和AI治理的根本性问题。

---

分节详述

00:00 开场与核心理念：构建共享的组织大脑

本节重点

• 组织级 AI 不是把 AI 当副驾驶，而是将其作为所有事物的构建层。
• 需要记录所有数字工件，构建类似“共享组织大脑”的集体意识。
• 这种模式让新员工能迅速调用资深成员的经验和直觉，快速成长。

详细精要

• 构建组织超级智能的核心路径：不仅仅是使用 AI 作为副驾驶，而是将其作为构建一切事物的基础层。
• 必须开始记录所有工件，形成一个共享的组织大脑。

• 这种模式是能够连接组织成员大脑的最接近方式。

• AI 驱动的集体能力强化与组织学习：AI 赋能每个人的本质是借助同事的集体技能与直觉，实现能力的飞速提升。

• 新加入组织的成员，通过 AI 系统可以自动学徒于公司内的明星员工（如最佳合伙人或销售冠军）。
• 原本需要 6 个月的陡峭学习曲线被大幅缩短，新员工能更快成为组织核心能力的迷你复制体。

💬 精华片段（中文） ”如果你将这一切框定为一个方法，让组织中的每个人都能借助同事的集体技能和直觉，在自己所做的事情上做得更好，那将是无比强大的。“ “If you frame this as a way for everyone in an organization to get better at what they do using the like collective skill and instinct of the people they work with, it's incredibly powerful.”

01:09 YC 的 AI 原生转型及内部工具的萌芽

本节重点

• YC 与旗下初创公司形成了“共生关系”，在资助 AI 公司的同时，自身也在经历向超级 AI 原生组织的转型。
• 早期变革的起点是为了提高财务团队与工程师之间的沟通效率。
• 第一次意识到通过自然语言（而非代码）直接让业务团队控制软件的可能性。

详细精要

• YC 自身的 AI 原生实践：YC 在与初创公司共同学习的过程中，自身也从传统组织转变为超级 AI 原生组织。
• YC 创建了所有内部 Agent 的基础设施和工具层，这一转型是由 Pete Koomen 主导的。

• 这种资助并亲自实践的模式形成了一种强大的共生关系。

• 变革的起点：财务软件构建中的“不效率”：最初的内部 AI 项目大约从一年前开始，源于财务团队与工程师之间的“低效循环”。

• 传统工作流程是：财务团队向软件工程师描述复杂的财务工作流 -> 工程师构建硬编码的确定性软件 -> 交付回财务团队。

• Pete 发现，这与当时他个人使用 Cursor、Windsurf 以及 Claude Code 所获得的“超能力”形成了巨大鸿沟。

• 核心理念的诞生：让非技术人员直接控制软件：最初的构思是移除软件工程师这一中间环节。

• 目标是让财务团队能够通过编写自然语言提示词（Prompts），而不是编写 Ruby 代码，来封装和管理他们自己的财务工作流。
• 这意味着将软件的“控制权”从开发者转移给一线用户。

💬 精华片段（中文） ”我们为什么不尝试在 YC 内部构建一些工具，让我们能运行 Agent，让财务团队自己控制他们的软件？把软件工程师从这个疯狂的循环中移除，让财务团队拥有工具，能够用英语（提示词）来编码他们自己的工作流。“ “Why don't we try to build some tools at YC that we could use to run agents that would give the finance team control over their own software? Remove the software engineers from this crazy loop... give the finance team the tools that they could use to encode their own workflows, not as Ruby, but as English with prompts.”

04:49 神奇的第一步：从 SQL 查询到整合一切的 Postgres 数据库

本节重点

• 第一个杀手级功能是让 Agent 能够编写并执行只读 SQL 查询。
• YC 的一个巨大优势在于，所有核心数据都存储在同一个自研 Postgres 数据库里。
• 这种数据整合不仅降低了提问的门槛，更彻底释放了提问的想象力和规模（Jevons 悖论）。

详细精要

• 杀手级功能的出现：只读 SQL 查询：在 Agentic 编程尚未流行时，最早的成功用例是让 LLMs 为数据库编写 SQL 查询。
• 工具首次让非技术背景但极其聪明的财务人员，无需工程背景就能直接向数据库提出业务问题。
• 最初构建的是一个针对财务的专用工具，随后被重写为更通用的 Agent 循环，并加入了共享工具注册表。

• 第一个真正产生“魔法效果”的工具（由 Jared 构建）赋予了 Agent 运行只读 SQL 查询和读取模型文件的能力。

• YC 的架构优势：单一的 Postgres 数据库：YC 的一大优势是运行在自研软件上，一切都位于一个 Postgres 数据库中，包含公司、创始人、金融交易、CRM 笔记等所有关键上下文。

• 与之相比，其他公司将功能分散外包给第三方 SaaS 工具，导致数据孤岛现象严重。

• 这种集中化的数据模型允许 Agent 回答例如“显示过去四批中投资了太空相关公司的所有投资者”这类任意复杂的业务问题。

• 提问的 Jevons 悖论：当获取答案的成本（时间、沟通）急剧降低时，提问的总量和复杂性会戏剧性增加。

• 过去使用 BI 工具时，一个类似问题可能需要花几个小时写 SQL，除非极其重要，否则人们根本不会去问。
• 移除了与数据科学团队来回沟通（敲门、排队）的环节后，组织内被问出的问题数量大幅增加。

💬 精华片段（中文） ”当你只需和一个东西对话，就能回答关于业务的任意问题时，这个能力不仅让回答问题变得更容易，更极大地增加了我们敢于去问的问题数量和尺度。“ “It didn't just make it easier to answer questions, it dramatically increased the number of questions that we would ask and dramatically increased the scale and complexity of the questions that we would dare to ask.”

10:01 上下文工程：反规范化数据与多人 Agent 工具层

本节重点

• 类比 Google 的 BigTable，未来趋势是将所有数据反规范化为 Agent 更容易理解的格式（如 Gbrain）。
• 从“单人 Agent”到“多人 Agent”的跨越是目前尚未被解决的关键问题，也是 YC 正在探索的领域。
• 对于成立超过两年的公司，构建共享工具注册表和统一数据仓库是开启AI变革的两个关键原语。

详细精要

• 从 BigTable 到 Gbrain 的数据反规范化：为了最大化 Agent 的能力，需要采用类似 Google BigTable 的策略，对数据进行反规范化处理。
• 过去 Google 是用一个巨大的表来替代复杂的 Schema 和 Join，现在类似的事情正在发生，例如 Karpathy 风格的知识 LLM wiki 或 Gbrain。

• 用户在使用 Open Claw 等工具时，实际上是在将各种系统数据，反规范化为一个对自己和 Agent 都最优化的、个人相关的 Schema。

• Gbrain 的优化架构：这个个人化的数据层包含了为 Agent 优化的检索架构。

• 其中集成了 RAG、图 RAG、混合 RRF、重排序等所有现代检索技术。

• 当 Agent 拥有了数据、灵魂以及对你的了解，它会展现出惊人的预见能力，能像一个了解你的真人一样回答问题。

• 跨越“单人 Agent”时代：目前流行的工具如 Claude Code、Codex、Pi、Open Claw、Hermes，本质上都是为单个用户在单台机器上设计的“单人游戏”。

• 它们赋予用户无限的能力和乐趣，但尚未解决如何将这种超能力赋能给整个团队或组织，即创建“多人游戏”的 Agent 工具层。

• 这需要构建团队级的原语，这也是 YC 自建基础设施时最有趣的探索领域。

• 给传统组织的两个关键建议：

• 统一数据仓库：尽可能将所有重要的内部上下文集中到一个地方（如一个单体数据库），因为 Agent 在单一 Schema 上运行的效率远高于连接多个 MCP 工具。
• 内部工具注册表：将组织的特定能力封装成工具，这是将通用 Agent 转变为“为工作所用”的关键。YC 的工具注册表从最初的 20 个增长到如今的 350+ 个工具，覆盖了预订日记账、管理活动、办公时间管理等所有重要工作。

15:40 技能注册、元提示与自我优化循环

本节重点

• 技能注册表和元技能（如 skillify）成为在不同 Agent 框架中反复出现的核心原语。
• 技能的最佳化需要遵循 MECE 和 DRY 原则，形成最优的解析器。
• YC 的通用 Agent 每晚进行“梦境循环”，自动阅读所有对话、改进技能，并将洞察写回公司知识库。

详细精要

• 技能解析器的概念：Skillify 这个元技能在 Open Claw 和 Hermes (自动)中都能看到，其核心是插入一个解析器（Resolver）。
• 这个解析器的角色类似 Claude Code 的技能注册表、YC 的工具注册表，以及 agents.md 文件。

• 它维护一个 Agent 能做事项的列表，并链向一个用于使用该工具的 Markdown 入口点。

• DRY 和 MECE 的技能管理原则：在管理众多技能时，需要应用软件工程和咨询界的经典原则。

• DRY 原则：不要有 10 个做同样事情的技能，最好有一个带有参数的单一技能或工具。
• MECE 原则：检查技能是否 “Mutually Exclusive, Collectively Exhaustive”，确保它们既没有重复，又能覆盖所有场景。

• 创建一个“检查可解析性”的元技能，它会在技能注册表中扫描，确保整个解析器表满足 DRY 和 MECE 原则，形成一个最优解析器。

• 自我优化与“梦境循环”：YC 拥有一个每日夜跑的通用 Agent，执行自我优化循环。

• 读取与反思：它读取所有白天发生的员工与 Agent 的对话，寻找 Agent 本可以做得更好的地方，或者如果预先掌握哪些上下文就能更高效地工作。
• 技能提升：类似 Open Crow 和 Gbrain 的“梦境循环”，它不仅用于改进技能，还能将会议记录中的新知识写回内部 CRM，丰富公司和个人的档案。
• 终极应用：两句话描述技能进化：合作伙伴 Tom 写了一个教 Agent 写“两句话描述”的技能。后来，当其他合伙人将含有大量反馈的会议记录交给 Agent 后，Agent 分析这些人工反馈并改进了该技能。最终，这个由 Agent 优化的技能，在撰写两句话描述方面的能力，超越了任何单一的人类合伙人。

22:25 微观机制：如何构建公司内部的超级智能

本节重点

• 任何一个组织的运作都可以被拆解为无数个微观操作（如“两句话描述”）。
• 构建组织超级智能的方法，是对所有这些微观操作进行自动化捕捉、积累和迭代。
• 这不仅提升了任务执行，更赋能了每个员工，让他们能接触到组织中所有顶尖人才的“集体技能和直觉”。

详细精要

• 组织即微观操作的集合：YC 的“两句话描述”只是其为创始人提供的数千种价值中的一个具体例子。
• Jack Dorsey 对 Block 的愿景是将其变成一个围绕帮助人们支付的小型 AGI，其背后的机制正是这种微观操作的自动化与智能化。

• 任何一个组织的运作都可以看作是这些微观操作的集合体。

• 构建超级智能的微观机制：一个从人到技能，再到自我优化引擎的完整闭环。

• 起点：有经验的员工写一个提示词/技能。
• 积累：大量其他人使用该技能，产生对话记录和人工反馈等“工件”。
• 进化：这些工件被用于元提示（Meta-prompt），以自动化的方式（如夜间“梦境循环”）每天改进该技能的操作。

• 结果：该单一技能变得比任何个体都出色，组织中人人都能获得这种超能力。

• 从个人赋能到组织赋权：

• 拥有一个“规范的两句话描述技能”不仅仅是生成一段文本，而是帮助任何新员工理解“什么构成了有效的创始人沟通”。
• 这使得新员工能迅速汲取组织中像 Diana、Hardt 等资深合伙人多年积累的经验。
• 这是创建一个“组织共享大脑”，让知识不仅被存储，而且能被互动式调用（练习、反馈、改进）的终极形态。

💬 精华片段（中文） ”那么，如何在一家公司内部构建超级智能？你就是对你做的每一件事都这么做。这并不比这更复杂。你把你做的每一件事，任何一个特定的个人能做的任何一件特定的事，都通过这个特殊的过程进行汇总和综合，你就会得到一个超级组织。“ “How do you build super intelligence inside a company? You do that on everything you do. And it's not more complicated than that. You literally just compose everything that you do and any given thing that any given person can do, you combine that in aggregate and in this particular process and you have a super organization.”

24:29 组织文化改革：信任、透明与默认开放

本节重点

• 最高效的 AI 应用往往与大多数组织的安全和控制文化背道而驰。
• YC 在内部采取了“默认公开”的策略，所有 Agent 对话对全职员工可见，这是一种激进但极为有效的文化改革。
• 公开透明的 Agent 使用不仅促进了社会学习，还作为一种社会治理机制，微妙地平衡了安全与隐私。

详细精要

• 冲破阻碍 AI 应用的社会文化壁垒：阻碍 AI 应用的因素往往不是技术，而是社会和公司文化。
• 两年前，录制会议会感觉很冒犯，而现在，为了利用对话工件优化一切（从写邮件到做规划），默认录制会议已成为常态。

• 这是一个社会礼仪和文化习惯被技术价值重塑的典型例子。

• YC 的“默认公开”决策：YC 内部决定，所有 Agent 对话都公开广播到一个 Slack 频道，任何全职员工都可以查看和学习。

• 学习的放大器：当一位极具创造力的员工（如 Garry）开始大量且有创意地使用 Agent 时，其他所有人通过观察他的对话都学会了新的使用方式，产生了巨大的示范效应。

• 社会治理机制：在给予 Agent 最高权限（如无限制访问生产数据库）的同时，通过公开对话形成了一种社会监督。这种透明度在高度信任的环境中，有效约束了用户对私密信息的不当使用。

• 构建超级智能组织必备的两个文化特质：

• 平均主义/平等主义：组织需要对所有成员赋能，而非仅给高层开通特权。
• 默认信任：组织文化必须建立在默认信任的基础上。
• 这种环境与大多数传统组织（或财富 500 强公司）的命令与控制（Command & Control）文化格格不入，但正是这种文化差异，让愿意采取这种模式的初创公司获得了跃迁式优势。

💬 精华片段（中文） ”这揭露了两个真正超级智能组织的特征：你必须相对平等，你也必须默认给出信任。这两点在世界上的大多数组织里都不存在。“ “It betrays two traits of truly agentic, 1,000x superintelligent organizations that I would not have necessarily guessed would exist, but are now like must exist if you want to create this type of organization. You have to be relatively egalitarian, and you also have to be trust by default.”

31:46 “无马车厢” 思维：从功能点缀到架构重构

本节重点

• 许多公司将 AI 作为一个“小功能”插入现有软件，这被 Pete 批判为“无马车厢”式思维。
• 真正的 AI 原生软件，应将控制权从开发者转移给用户，是 AI 包裹确定性工具，而非反过来。
• 即时生成的软件（Just-in-Time Software）正在成为现实，其代码量极小，大部分逻辑由 Agent 在运行时动态处理。

详细精要

• “无马车厢” 式的批判：Pete 撰写的文章《无马车厢》批判了当时主流的 AI 软件构建方式。
• 现象：在大量现有软件中“插入”一点点 AI（如 Gmail 的智能写作助手）。

• 本质问题：这种模式将关于 AI 如何工作的 提示词上下文 锁定起来，对用户隐藏。它假定“保护用户远离复杂性”是开发者的职责，这被 Garry 斥为“安全主义”。

• 范式转移：将控制权交给用户：AI 的真正潜力在于将软件控制权从开发者转移给用户。

• 错误的架构：确定性软件包裹 AI。决定性的流程由硬编码控制，AI 只是一个辅助功能。

• 正确的架构：AI 包裹确定性工具。用户通过与 Agent 的自然语言交互来主导一切，Agent 根据需要调用确定性的工具。YC 努力将这个模型暴露给了其内部员工。

• Only-chat 的 UI 与即时软件（Just-in-Time Software）：

• 关于 Chat 作为 AI 界面，主流观点曾认为它不是最好的，但实际体验颠覆了这一点。Chat 是人类语言和思维表达最接近的垫脚石，它代表了一种接近纯粹智能的交互方式。
• 真正的“即时软件”意味着，Agent 可以根据用户当下的特定需求，即时生成一个一次性使用的、单页的 JavaScript 应用，或者一个可随时被调用的技能文件。
• Garry 的实践案例：他的博客项目从超过 50 万行的 Rails 代码，重构为基于 Open Claw 的新版本后，核心代码量缩减到仅 1 万行 TypeScript 和 2000 行 Markdown。这使得软件变得极其动态，主编无需接触代码就能即时更改生成逻辑，这标志着即时软件时代的真正到来。

💬 精华片段（中文） ”最好的 AI 软件……倾向于非常小巧。它们只添加了极少量的‘超前’代码，以便让模型闪耀。这是一个极其简单的起点，你几乎不需要理解什么就能使用它，却可以以此为基础构建出宏伟的东西。“ “The best AI software... tend to be very small. They just add kind of the smallest amount of code ahead of time that you need in order to let the model shine. You can build an awful lot with that.”

40:59 历史的岔路口：AI 的中央集权 vs. 个人赋权

本节重点

• 我们正处于一个类似上世纪 70 年代末个人电脑革命的历史性机遇期。
• 未来有两种可能：一个是掌握计算和AI的“大祭司”控制一切，另一个是“家酿计算机俱乐部”式的个人赋权运动。
• 实现个人 AI 的关键在于用户拥有私有部署、自定义提示词、选择模型的自由，这需要行业内的主动选择。

详细精要

• 个人电脑革命的历史重演：当前 AI 的发展被比作 1960-70 年代计算机产业的早期阶段。
• 大型机时代：当时计算机极其昂贵（价值数十万至数百万美元），被机构严格锁定，只有少数人能接触到，这被称为“大祭司”模式。
• 个人电脑革命：由 家酿计算机俱乐部（Homebrew Computer Club）、Steve Jobs 和 Steve Wozniak 在车库里焊接电路板的运动，将计算能力交给了个人，彻底引爆了社会生产力。

• 当前的“Apple One”时刻：我们正处于这个 AI 革命的前夜，正在学习和定义 AI 软件的原语，正如同当年刚刚做出最初的苹果一代电脑。

• 中央集权式 AI 的未来：Garry 描绘了一个类似苹果 1984 年广告中反乌托邦的未来。

• 在 2034 年，AI 可能被五大巨头完全控制，他们拥有最先进的 AI、所有计算和能源，用户只能在他们设定的限制下操作。

• 用户无法运行或修改自己的提示词（就像被锁定的 Gmail 智能写作功能），这是一个没有个人 AI 自由的世界。

• 个人赋权式 AI 的未来（白丸）：构建真正的个人 AI 需要几个核心要素。

• 私有化部署与自由选择：拥有自己的私人代码库（Repo），能够自主选择使用的模型（可能是开源权重模型）。
• 自定义和可控性：能够自由更改提示词、进行实验、连接自己的数据库。
• 对抗封闭的平台：目前的 ChatGPT、Claude 甚至 Perplexity 在连接个人数据和开放性上都有极大限制，而 Open Claw、Hermes Agent 和 Gbrain 这类项目则代表了“个人 AI”的方向。
• 核心哲学：AI 应该是你自己的延伸，服务于你所关心的事，而不是服务于 Meta、Alphabet、OpenAI 或 Anthropic 的意志。

💬 精华片段（中文） ”我希望 10 亿人能够真正控制和编程这些属于他们自己的东西。这应该是你自身和你所关心之事的延伸，而不是 Meta、Alphabet、甚至 OpenAI 或 Anthropic 所关心的事。“ “I want like a billion people to actually control and program for themselves what are these things. This should be an extension of yourself and what you care about, not what Meta or Alphabet or even OpenAI or Anthropic care about.”

---

专业术语注释

术语	解释
Agent / Agentic System	能够自主规划、调用工具、执行多步任务以实现目标的 AI 系统，区别于单轮问答式 AI。
Agentic Coding	使用 Agent 进行编程的一种范式，Agent 能理解需求、编写、测试和修改代码，如 Cursor、Claude Code。
Tool Registry	工具注册表，一个集中的清单，列出了 Agent 可以调用的所有内部工具和能力（如查询数据库、预订日记账）。
Skill Registry / Resolver	技能注册表或解析器，一个更高层次的抽象，将工具或能力封装成可复用的技能，通常是 Markdown 文件。
RAG (Retrieval-Augmented Generation)	检索增强生成，一种通过从外部知识库检索相关信息来增强 LLM 回答准确性的技术。
Graph RAG / Hybrid RRF	图检索增强生成和混合倒数秩融合，是更高级的检索和重排序技术，用于提升多源数据的检索质量。
Jevons Paradox	杰文斯悖论，指技术进步提高了资源使用效率，反而导致该资源总消耗量增加。本集指 AI 降低了提问成本，导致提问量爆炸式增长。
DRY	一个软件工程原则，“Don‘t Repeat Yourself”，强调避免逻辑或代码的重复。
MECE	麦肯锡的咨询原则，“Mutually Exclusive, Collectively Exhaustive”，指在对问题进行分解时，各部分之间不重叠、不遗漏。
Horseless Carriage	Pete 提出的概念，指将 AI 作为一个小功能“塞”进传统软件，而非以 AI 为中心重新设计架构，这两种模式的对比就像把内燃机简单地装在老式马车上。
Just-in-Time Software	即时软件，指软件的绝大部分是由 Agent 在运行时根据用户当前需求动态生成的，而非提前写死的代码。
Homebrew Computer Club	家酿计算机俱乐部，1970年代著名的计算机爱好者团体，苹果创始人 Steve Jobs 和 Steve Wozniak 是其成员，象征了个人计算革命的草根精神。
MCP (Model Context Protocol)	模型上下文协议，Anthropic 推出的一种开放标准，用于连接 AI 模型与外部数据源和工具。
Open Claw / Hermes / Pi	Open Claw 和 Hermes 是更自由、可深度定制的 Agent 工具集；Pi 是 Open Claw 底层使用的极其简洁的开源 Coding Agent 框架。
Two-Sentence Description	YC 内部术语，一种用两句话清晰、有趣地描述公司和其价值的方法论，是创始人沟通能力的核心训练。

---

延伸思考

• 从赋能工程师到赋能全员的鸿沟：Claude Code 目前是工程师的单人超能力工具，组织如何平滑地将其转化为财务、HR等非工程团队也能轻松驾驭的自然语言环境？YC 的模式对其他行业是否具有普适性？
• “默认信任”的边界挑战：在安全至上的金融、医疗或传统大型企业，YC 这种“默认公开所有 Agent 对话”的激进透明文化如何落地？是否存在一个关于信任与风险控制的折衷模型？
• 软件公司的未来形态：如果“即时软件”成为主流，传统 SaaS 的订阅制和版本迭代模式是否会消亡？软件公司的价值将从“提供功能完备软件”转变为“提供高质量的数据和工具集”吗？
• 数据反规范化的艺术：将企业散落在 SalesForce、Workday、Notion 里的复杂数据结构，反规范化为一个对 AI 友好的“巨大表格”是一项浩大工程。在这个过程中，数据治理、Schema 设计和持续同步的最佳实践是什么？
• 对抗 AI 的中央集权：为了实现个人 AI 的“白丸”未来，开源社区和政府监管应分别扮演什么角色？除了技术路径，是否需要类似“通用数据传输权”之类的法律，来确保我们拥有迁移和自定义自己 AI 的自由？

原文发表：May 27, 2026  ·  纪要生成：2026-06-25