▶ 原文链接

AI 悖论：自动化越多，人类越多，工作越多 | Dan Shipper

来源： YouTube | Dan Shipper | May 24, 2026 分类： 其他 原文发表： May 24, 2026 纪要生成： 2026-05-24

---

嘉宾/话题简介

Dan Shipper 是 Every 的 CEO 兼创始人。Every 是一家极具 AI 前瞻性的创业公司，团队在过去一年内规模翻倍至近 30 人。所有员工（包括非技术岗位）都在使用 Codex、Claude Co-work、Claude Code 等工具完成工作。约一年前，Dan 在节目中预测 Claude Code 将用于非工程工作，这一判断已获验证——Anthropic 推出了 Co-work，OpenAI 推出了 Codex 桌面端。本期节目中，Dan 分享了他在 AI 未来趋势、工作形态变革和人才竞争格局上的最新预测。

---

分节详述

00:00 - 04:07 引言：回顾预测与本期预告

本节重点

• Dan Shipper 一年前预测 Claude Code 将用于非工程工作，这一预测被验证为极度准确
• 本期节目将围绕三个预测维度展开：工作方式变化、工作内容变化、谁能成功

详细精要

• Claude Code 预测的验证：Dan 一年前在本播客中提出，Claude Code 正被非技术人员用于整理文件、管理硬盘等非编程任务，当时几乎无人讨论这一方向
• Anthropic 基于这一理念构建了 Co-work 产品，专门面向非技术用户
• OpenAI 的 Codex 也开始涉足这一领域，将编程智能体应用于非技术场景
• 这一趋势成为 Anthropic 过去一年成功的关键驱动力，即如何让非技术人员有效使用 AI 工具

• 播客主持人 Lenny 曾围绕该观点撰写通讯稿并调查读者，收到的反馈案例极其丰富，成为其阅读量第二高的文章

• Every 公司的独特定位：团队通过亲身体验而非空谈预测未来

• 公司现有近 30 人，较上次访谈时的 15 人翻了一番，涵盖工程师、设计师、作家、编辑、销售、客服等
• 所有员工均为 AI 早期使用者，具有探索、实验和全情投入的特质
• 团队创建了一个"未来小口袋"：由于不像其他公司那样存在技术接纳度的分化，整个团队都在未来中共同生活

• 公司能提前获得未发布 AI 工具的测试权限，参与 Alpha 和 Beta 测试并影响产品方向

• 预测的方法论：通过自然觉察和文稿化将未来变为现实

• Dan 强调不靠预言，而是创造环境后"注意正在发生的事情"
• 当初的 Claude Code 预测源于自然的实验过程：团队在 Sonnet 3.5/3.7 时代发现了其强大能力
• 他们内部运营约 6 款软件产品，近年来全部转向"无人查看代码、用英语与终端对话"的模式

• 写作过程将注意到的事物清晰表达出来，使其对团队和全球读者都变得真实

• "伸手测试"：Dan 提出一个简洁有效的评判标准

• 判断一个工具是否真正有用：你早上醒来是否会自然地伸手去用它
• 这一标准帮助团队过滤了大量工具，聚焦真正有价值的方向

💬 精华片段（中文）

"你不想做的事是预言未来。你想做的是共同生活在未来中。"

"What you don't want to do is prognosticate. What you want to do instead is just live in it together."

---

07:43 - 12:22 预测一：工作方式的二分法——AI 代理与企业级超级代理

本节重点

• 工作方式将分为两条路径：异步 AI 代理和本地化 AI 工作表面
• 企业级"超级代理"模式优先于个人代理，原因在于代理需要有人关心和维护
• 代理将在 Slack 等工作渠道中运行

详细精要

• AI 能力指数增长与人类工作量增加的悖论：Dan 认为一年后回顾，人们会发现工作量不减反增
• 引用 Mythos preview 模型基准测试：能以 50% 的准确率自主执行 17 小时的任务
• 模型性能呈指数级提升，但实际体验是人类有更多工作需要完成

• 这一悖论的核心在于"自动化是一句谎言"——自动化越多，需要人类监督和管理的任务也越多

• 工作方式的第一个分岔：异步 AI 代理：公司内至少有一个可委派任务的代理

• 类似 Open Claw 模式：每个人或团队可以对话的智能体

• 但架构尚不确定：是每人一个代理、每团队一个代理，还是全公司一个代理？

• 从个人代理到超级代理的转变：Dan 从"每人一个代理"的主张者完全转变为支持"全公司一个超级代理"

• 起初 Dan 非常推崇个人代理模式，认为代理会像《黄金罗盘》中的精灵一样成为人的映射
• 实际经验表明，个人代理维护成本过高：设置困难、经常故障、需要 SSH 进入服务器等
• 核心原因：代理需要一个"关心它的人"，必须有人持续观察它是否在做正确的事
• 当下最佳模型：设置一位类似"前向部署工程师"角色，负责维护全公司代理
• 实例：Shopify（River）、Ramp 等公司已部署全公司级代理

• 预测趋势：从顶层通用代理开始，逐步向下延伸为更专业的团队/个人代理

• 代理的交互渠道：预测主要发生在 Slack 中

• 人们喜欢 Open Claw 的蓝色气泡体验，但倾向于将个人与工作代理分开

• Every 的 COO Brandon Gall 提出"跑腿任务"概念：个人代理处理购物等私人事务，工作代理处理公司事务

• 工作方式的第二个分岔：AI 操作系统表面：大部分工作将在 Codex 或 Claude Co-work 环境中完成

• 这将成为处理邮件、创建文档等所有工作的核心"操作系统"
• 这一表面将成为新的竞争格局中心

💬 精华片段（中文）

"每一个代理都需要一个人。"

"Every agent needs a human."

---

12:22 - 18:03 Codex 与 Co-work：工作表面的未来

本节重点

• Codex 桌面应用代表了工作表面的下一代范式
• 核心洞察：将浏览器嵌入 AI 代理中，而非将 AI 嵌入浏览器
• 预测：一年内，在 Codex 内置浏览器中使用 SaaS 工具将成为常态

详细精要

• 工作表面竞赛的起源：Anthropic 率先发现本地化编码代理的威力
• 当代理在本地计算机上运行，且通过终端访问一切时，其能力远超云端环境
• 社区用户开始"黑"Claude Code 来完成非编程工作，验证了这一范式

• Anthropic 随后推出Co-work，本质是 Claude Code 的友好封装版

• OpenAI 的追赶与跳跃：Codex 桌面应用跨越了 Anthropic 的渐进式演进路径

• 早期 Codex 版本过度技术化，"有点自闭"——严格遵照字面指令，缺乏语境理解
• 约 3-4 个月前伴随 GPT 5.3 的发布，Codex 转向通用知识工作模式
• Codex 桌面应用直接吸收了 Anthropic 从 Claude Code 到 Co-work 的所有经验教训，实现了跳级
• Dan 当前的日常驱动工具已从 Claude 切换至 Codex，认为它抓住了正确的工作范式

• 竞争格局判断："这是一场赛马，两者会在不同时刻领先"

• 内嵌浏览器的革命性体验：将浏览器放入 AI 代理中，而非反向操作

• Dan 为每个项目开设独立的 Codex 线程，在线程内打开 Proof（一款在线 Markdown 编辑器）
• Codex 可以"看到"用户在 Proof 中的操作，用户可以"看到"Codex 的操作，形成并行工作伙伴关系
• 实际案例：Dan 已连续 10 天保持收件箱归零——Codex 通过 Cora（邮件代理）收集邮件，生成摘要页面，Dan 只需口述回复指令即可完成所有邮件处理，包括律师要求的文档整理和发送

• 此前长期认为 AI 的最佳体验是"将 AI 放入浏览器"，但现在发现反向操作（将浏览器放入 AI）更为强大

• 预测：一年内，这种工作方式将从罕见变为普及

• 目前甚至 Claude Code 本身也不允许浏览外部网站
• Codex 桌面端率先实现了这一组合，将成为未来工作的标准模式

💬 精华片段（中文）

"我觉得我有了一个并行的工作伙伴，它不仅能响应和写入文档，还能去做研究，可以做我电脑上能做的任何事情。"

"I basically feel like I have this parallel work buddy that not only can it respond and write in the document, but then it can go do research. It can use my computer to basically do anything that I can do on my computer."

---

18:03 - 25:49 SaaS 不会死：AI 代理如何拯救 SaaS 商业模式

本节重点

• "SaaS 末日论"是愚蠢的，代理实际上会增加 SaaS 的使用量
• 当用户在 Codex 内部使用 SaaS 时，使用的是自己的 token，而非服务商的 token，从而改善 SaaS 公司利润率
• SaaS 公司需要向"同时为人与代理设计"转变

详细精要

• SaaS 末日论的错误假设：AI 代理不会消灭 SaaS，而是大幅增加其用户量
• 团队内部使用大量代理和 Codex，但 SaaS 支出同比仍在增长
• 当代理在 Codex 内部访问 SaaS 工具时，使用的是用户的 token，而非服务商的 token
• 这意味着 SaaS 公司无需为每个用户承担高昂的 token 成本，利润率得以维持甚至改善

• Dan 的态度明确："我现在就会买入 SaaS 股票"，称之为"不是投资建议"

• SaaS 产品设计新范式：从"给人用"转向"人和代理共同使用"

• 当前 SaaS 产品（如 Slack、文档工具等）主要为人类设计
• CLI（命令行界面）阶段是代理独立使用的过渡期，但已快速结束
• 新范式：人和代理同时在同一工作上进行交互，需要双向可见性
• 举例：Proof 作为例子——Dan 不为 token 付费，因为用户自带 AI 工具来使用它

• 产品设计变化：可以大幅简化（如不需要复杂格式化功能，由代理处理）；同时需新增代理特有的功能（如批量操作展示、审批流程、操作日志、快速回滚）

• 技术基础设施挑战：代理与人类用户的行为模式有根本不同

• 代理可以在 3 秒内发起十亿级请求，对后端架构提出极高要求
• 这正是 GitHub 当前面临的困境——代理涌入导致使用量指数级暴涨

• 未来 SaaS 定价模式也将面临挑战，但总体上利大于弊

• 代理提单报修的未来：代理与代理之间直接沟通解决 bug

• 在 Proof 和其他 Every 产品中，用户出问题时不再是人工写邮件报修，而是代理发送 bug 报告
• 代理 bug 报告远优于人工：包含精确的复现步骤、代码层面的原因分析
• 这形成了"用户代理发现问题 → 公司代理接收并修复"的快速闭环

💬 精华片段（中文）

"SaaS 末日论是愚蠢的。我现在就会买入 SaaS 股票。代理做的是增加 SaaS 的用户数量，而不是消灭它。"

"The SaaS apocalypse is dumb. I would buy SaaS stocks right now. What agents do is increase the number of users of SaaS, not get rid of it."

---

25:49 - 33:03 CLI 时代已终结，GUI 回归

本节重点

• CLI 时代已经过去，人们正在回归 GUI 界面
• Cursor 的战略定位可能限制其向更广泛的知识工作场景扩展
• 每个模型公司都在构建"模型之上的套件"以释放模型的最大潜力

详细精要

• CLI 时代终结：Dan 明确判断命令行界面的热潮已经结束
• 当 Claude Code 最初火爆时，很多人认为其成功关键在于"它是 CLI"
• Dan 反对这一观点：CLI 不是为了 CLI，而是因为它当时只有 CLI
• GUI 界面可以带来同样的所有优势，同时体验更好——"我们当初发明 GUI 是有原因的"

• Every 内部的大多数技术人员已不再使用 CLI 作为主要工作表面，一些开发者偶尔会切换使用，但主力已转向 Codex、Claude Code、Cursor 等 GUI 工具

• Cursor 的定位与局限：Cursor 有意选择了更窄的赛道

• Cursor 的云实现比 OpenAI 和 Anthropic 都更先进
• 但 Cursor 更明确地选择了"面向程序员"的定位，这可能限制其向"用 AI 做 PPT"等非技术场景扩展
• 不过"程序员"的定义本身在扩大，所以 Cursor 仍有巨大市场

• Cursor 最近实质上被 SpaceX 收购（虽非完全收购，但接近）

• 模型公司的套件竞赛：纯粹的模型 API 不再足够

• 模型公司意识到，仅仅提供 prompt-response 的 API 是不够的
• 未来趋势是直接提供在云端运行模型的"计算机环境"，以获取最佳结果

• Anthropic 已推出 Claude 托管代理，OpenAI 尚未正式回应，但预计会跟进

• 两个代理优于一个代理：当用户通过 Codex 与另一个代理交互时，效果最佳

• Codex 拥有大量关于用户偏好的上下文信息，能替代用户表达复杂的意图
• 实例：Every 的托管 Open Claw 产品采用"仅服务 Codex 或 Co-work 用户"的策略，用户粘贴一段 prompt 到 Codex 中，Codex 自动与产品代理沟通并返回高度定制化的体验
• 当出现技术问题时，用户可以直接告诉 Codex"去修好它"，Codex 会自行与产品服务交互排查

💬 精华片段（中文）

"CLIs 结束了。我们快速跑完了 CLI 时代。它挺好，但我认为 CLIs 基本结束了。"

"CLIs are over. We speed ran the CLI era. It was nice while it lasted, but I think CLIs are over."

---

33:03 - 39:17 自动化是一句谎言：为什么公司仍在招聘人类

本节重点

• "自动化减少人力"的观点是错误的，Every 在高度 AI 化的同时扩张了团队
• 每一次自动化都需要一个人类在顶端确保其正常运行
• 基准测试高估了 AI 的自主性

详细精要

• 反直觉的招聘数据：Every 团队从 15 人扩张到近 30 人，尽管公司极度 AI 化
• 这与外界对"AI 优先公司应该裁员"的预期形成鲜明对比

• 涵盖工程师、设计师、作家、编辑、销售、客服等多元化职能

• "自动化是一句谎言"：Dan 的核心哲学论断

• 每一次自动化操作，都需要一个人来确保自动化正常运作
• 这一模式与"分配经济"概念一致：Dan 多年前曾提出，人类与 AI 合作的方式类似于"当经理"

• 多数经理并非无所事事，而是持续检查、优化和调整下属的工作

• 基准测试的误导性：基准测试使 AI 看起来比实际更自主

• Dan 亲身经历的悖论：公司自动化程度极高，但他的工作量反而大增

• 他通过创建自己的高级工程师基准测试揭示了这个问题的本质

• "氛围编码肘"的教训：过度依赖 AI 编码的副作用

• Dan 完全通过"氛围编码"（AI 生成代码）构建了 Proof 应用
• 发布后服务器每 10 分钟宕机一次，AI 代理无法有效修复，Dan 因过度使用鼠标患上了滑囊炎（"氛围编码肘"）
• 最终聘请了两位人类高级工程师重新编写代码库，解决了问题
• 这一基准测试的具体机制：每次新模型发布时，Dan 给出相同的 prompt——"这是氛围编码的烂代码，从第一性原理重写它"
• 所有模型一度仅得 30/100 分（人类高级工程师得 80-90 分）
• GPT 5.5 达到了 62/100 分，且是唯一具备"主体性"和"信心"直接删除旧代码重写的模型

• 其他模型倾向于在旧代码上打补丁，而非从根本重写

• 人类判断力的不可替代性：实际工作中，真实工程师不会机械执行指令

• 例如，一名真实的高级工程师会先判断代码库是否值得修复，如果不值得会建议彻底重写——这需要判断力和对抗性诚实
• 当前的 AI 模型缺乏这种"对抗主人错误指令"的能力
• 人类总能在更高维度上提出新问题，使得基准测试永远可以被"调零"

💬 精华片段（中文）

"自动化是一句谎言。每次你自动化某件事，为了确保自动化运作良好，你需要一个人在上面确保它运作良好。"

"Automation is a lie. Every time you automate something, in order to make sure the automation is working well, you need a human on top of it making sure that it's working well."

---

39:17 - 56:25 工作形态的变化：人人都是提交者

本节重点

• 非技术人员开始直接提交 pull request，工作形态发生根本性变化
• "前向部署工程师"成为新兴岗位角色
• 大量 AI 生成输出带来"评审疲劳"，需要新的组织系统应对

详细精要

• PR 数量激增：咨询、运营、编辑等非技术角色开始直接提交代码
• 这意味着公司中可以"做技术工作"的人口比例大幅上升

• 极端案例：Open Claw 项目每天收到数千个 PR，维护者 Pete 启动 5 万个 Codex 实例并行处理，最终合并约 1000 个

• 新的瓶颈：代码评审与系统一致性：当所有人都能构建时，核心问题从"能不能做"变为"该不该做"

• 构建门槛降到极低后，新的核心能力是：确保新增内容与现有系统保持一致、决定删除什么

• Anthropic 是这一方面的典范——他们会积极删除 Claude Code 中的功能以防止臃肿

• 角色混淆与通达路径：AI 让每个人都能做任何事，但也带来身份焦虑

• "现在工程师能设计、产品经理能编码、市场人员能发布"——很多人困惑"我的工作到底是什么"
• Dan 认为这一混乱会逐渐平息：营销人员仍做营销，即使他们也碰网站代码

• 通才时代来临：小公司中，通才型个体可以走得更远

• "前向部署工程师"的诞生：源自"每个代理都需要一个人"这一核心原则

• 大型模型公司内部也有专门团队负责运营内部代理
• 即使在代理能力大幅提升后，这类"代理管理者"角色仍将持续存在
• 实例：Every 团队中有一名 AI 工程师 Nitesh，大部分工作是在 Slack 中与名为 Claudie 的内部代理对话，指导其行为而非直接写代码

• 这类角色喜欢接触最新技术，享受在"人与代理协作的工作空间"中工作

• 数据科学团队的转型镜像：大量 AI 生成的分析报告导致"评审疲劳"

• 案例：一个数据科学团队的工作从做分析转变为审核大量由 AI（被非专业人员使用）生成的错误分析
• 解决方案：构建一个数据科学机器人，接入公司数据仓库并配置权限，处理所有基础查询
• 这使真正的数据科学家能专注于更深层次的问题

• 本质上是"用代理过滤噪音，让人类聚焦深度"的架构

• CEO 必须躬身入局：公司能走多远取决于 CEO 自己的 AI 参与度

• 目前一些 CEO 和投资人认为可以委托他人处理 AI 相关事务
• Dan 的判断：AI 不能委托，必须亲自实践，否则将缺乏直觉
• 这一窗口期不会持续太久，CEO 落后将付出代价

💬 精华片段（中文）

"每个代理都需要一个人。即使在大型模型公司，他们有这些内部代理，也有整个团队的人在运营这些代理。我不认为这些团队会消失。"

"Every agent needs a human. Even like you go to the big model companies, they have these agents that run internally. They have like teams of people that run these agents. And I don't think those teams are going away."

---

56:25 - 01:08:15 AI 生成内容：从厌恶到接受

本节重点

• 人类将大量阅读并喜欢 AI 生成的文档和邮件
• "垃圾"与"高质量"AI 生成内容的分水岭在于：作者是否对每行内容负责
• 内部战略文档由代理撰写不仅可接受，而且常常优于人工手写

详细精要

• AI 写作在代码领域的正常化：在编码场景中，AI 撰写计划文档已成常态
• "如果一个工程师手写计划文档，那会显得很傻"——这已成为明显共识

• 同理推及一般文档和邮件：大多数人手动撰写的战略文档质量很差

• 季度规划全过程由代理完成：Every 公司 2025 年底的季度规划全部通过 Notion 代理完成

• 流程：设定公司顶层战略 → 每位员工与代理对话（代理主动询问上一年情况、目标、指标，并推动和公司战略对齐）
• 输出：每个团队获得极其详尽的 AI 生成战略报告/季度计划
• Dan 的工作转换为"找出哪些团队需要互相沟通，哪些计划质量高低"

• 这大幅提升了信息处理效率和管理者判断价值

• 区分"垃圾 AI 内容"与"优质 AI 内容"的黄金标准：作者对每一行的态度

• 垃圾标准：作者创建内容花费的时间 < 读者阅读花费的时间，且作者不为每行内容负责
• 可接受标准：如果文档由 AI 生成，但在讨论中作者展现出对内容有深入理解，则完全可以

• Dan 明确提出：如果发送 AI 文档但交谈时完全不懂内容是什么，则是"大忌"（big no-no）

• 电子邮件完全由 AI 撰写的新常态：GPT 5.5 和 Codex 现在撰写 Dan 的大部分邮件

• Dan 甚至考虑在邮件中标明"来自 GPT 5.5"
• 一个案例：Codex 未经审核直接发送了一封给投资人的邮件，Dan 检查后发现邮件内容"完全就是我会写的内容"
• 大多数邮件是"例行公事"式的，内容本身不重要，但思维方向重要
• 即使是作家出身的 Dan 也认为：人类写作极为重要，但对 AI 写作的本能反感是愚蠢的

• Every 对外发布内容可能由人类与 AI 合著，但始终会标明作者

• 代理共读与深度应用：长篇指南的最佳消费方式是由代理阅读

• Every 将发布由人类与代理共同创作的指南，目标读者既是人也是代理
• 当用户下次进行定价等操作时，代理会提醒并应用指南的全部细节

💬 精华片段（中文）

"如果某人用 AI 生成文档，我认为这很好。但如果我们讨论时发现你对自己发送的内容毫无概念，那就是大忌。不允许这样做。"

"If you send me an AI generated document, I think that's great. And if we talk about it and it's clear you have no idea what's in it, like big no-no. Not allowed to do that."

---

01:08:15 - 01:15:28 谁将成功：PM 与全栈设计师的黄金时代

本节重点

• 产品经理（PM）和全栈设计师是 AI 时代的最大赢家
• PM 能将产品感觉与 AI 编码能力结合，独立快速交付产品
• 设计师能制作与众不同的交互体验，且现在可以直接将其构建为产品

详细精要

• PM 的崛起：Marcus 案例：Every 内部一个强有力的验证
• Marcus 管理 Spiral（Every 的写作应用），此前在 Axios 担任 PM，负责营收过千万美元的产品
• 休职一年期间大量学习使用 Cursor（后转为 Claude Code），成为"轻度技术型"
• 理解数据库迁移等基本概念，但一年前决不可能被聘为开发者
• 现在他能将有限的技术知识与极其敏锐的产品感觉、写作感觉、用户感觉结合
• 成果：交付速度超过团队中大多数工程师，同时对每个用户、每个对话都有深刻洞察
• 关键解放：他不必再组织一整个团队来执行，可以自己完成

• Dan 的判断词："太危险了"（so dangerous），意为这种组合极具竞争力

• 对 PM 的广阔前景：Dan"超级超级看好 PM"

• 核心能力转移：AI 承担了"构建"层面的工作，但"构建什么""什么是好""解决什么问题"仍是人类的价值高地

• 主持人 Lenny 呼应：本期可能成为播客史上评分最高的一期，因为 PM 受众在 AI 时代找到了希望

• 全栈设计师的赋能：设计师同样获得巨大赋能

• 传统痛点：设计师创作精美交互，工程师无法或不愿还原
• 现况：设计师直接在 Codex/Co-work 中提交 Pull Request，自己构建出理想效果
• AI 生成的内容通常"看起来都一样"（像 slop），设计师能够做出"看起来不同"的作品
• 创造力价值凸显："从所有 slop 中脱颖而出的能力将越来越有价值"
• 设计师是天生的创意人才，AI 是这类人才的最佳工具

• 洞察：虽然 AI 设计工具层出不穷，但"一看就知道是 AI 设计的"，人类创意仍然不可替代

• AI 岗位末日论不成立：大规模失业不会发生

• 许多公司的裁员重组虽然打着 AI 的旗号，但深层原因是前期的过度招聘
• 新模型发布的真正效果：使昨日的"人类能力"变得廉价
• 这意味着任何常见工作突然可以被大量复制，看似威胁就业
• 但正因为所有人都用相同的模型，输出变得同质化，不再有价值
• 人类的角色："我们有所有这些来自昨日的冻结的人类能力，如何用它们做出新的、有趣的东西？"
• 结构性原因：模型公司的商业激励和合规对齐压力使模型总是滞后于最前沿的人类创新
• 因此，人类始终有空间去创造"尚未被模型吸收"的新专业知识
• 工程领域的例证：当所有人都能编码时，不是解雇工程师，而是需求激增——因为需要人类判断哪些 AI 代码能进入正式代码库

💬 精华片段（中文）

"我超级超级看好 PM。……他能将他拥有的技术知识与他极其敏锐的产品感觉、写作感觉和用户感觉结合起来。太危险了。他交付速度超过团队中几乎任何人。"

"I am super super bullish on PMs. …he can pair the kind of the technical knowledge he does have with his really spiky product sense and sense for writing and sense for users. And it's like it's so dangerous. He ships faster than almost anyone on the team."

---

01:15:28 - 01:22:42 如何不被淘汰："骑乘模型"

本节重点

• 唯一需要做的事：骑乘模型（ride the models）
• AI 的前沿不在硅谷，而在 AI 与实际人类工作相遇的地方
• 未来既不是乌托邦也不是灾难，而是"一切都在变，一切都没变"的复杂综合体

详细精要

• "骑乘模型"的含义：使用最新 AI 工具完成自己本职工作的全部流程
• 将 Codex 和 Co-work 视为工作操作系统，并在新模型发布时第一时间尝试
• 关键心态：不是出于恐惧（"我会失业"）或 FOMO，而是站在模型之上借力延伸自己的能力

• "如果你骑在模型上面，它们会扩展你的能力，而不会把你抛在后面"

• 企业环境的障碍：许多公司实际上阻碍了员工使用先进 AI

• 如 Salesforce 等大公司可能不允许使用最新模型

• Dan 的建议：即使公司不允许，也要在业余时间尝试

• "翻开石头"心态：每次新模型发布时，重新测试之前失败的任务

• 新模型发布前，高级工程师基准测试无法通过
• GPT 5.5 发布后，"翻开石头"发现得分从 30 跃升至 62

• 模型可能现在不行，但未来很可能可以——你的使用方式也至关重要

• AI 前沿的真正位置：不在硅谷，而在 AI 与实际人类工作相遇的地方

• 制造模型的人并不一定最懂得如何使用它们
• 实例：Every 公司位于布鲁克林，而非旧金山——Dan 认为他们比硅谷的人更前沿，因为他们深入使用 AI 做一切

• 每当新模型发布，每一个实际使用者都是世界上"第一批发现其用途的人"之一

• "智能太便宜以至于无法计量"的美国精神：AI 的平等可及性是独特优势

• 无论财富多寡，任何人只要有少量资金就能访问最先进的 AI 模型
• "如果 AI 是 IBM 发明的，绝对不可能是这样"

• 硅谷文化"让智能便宜到无法计量"的理念并非默认立场，而是特定文化选择的结果

• 未来既非乌托邦亦非灾难：当下人们对未来的直觉类似于中世纪人类对地平线尽头存在龙的恐惧

• 一些人坚信未来很糟（AI 导致失业和灾难），另一些人坚信未来极好（乌托邦）
• 当你真正抵达时，现实总是：既有很好的事，也有不好的事，"只是另一个地平线"
• 核心信息：不要让思绪失控地编造遥远的极端故事，而是要近距离观察正在发生的事情

💬 精华片段（中文）

"AI 的前沿不在旧金山。我认为 AI 的前沿在 AI 与实际人类做某事相遇的地方。"

"I think the edge of AI is wherever AI meets like a real human doing something."

---

01:22:42 - 01:33:34 行动建议与闪电轮

本节重点

• 具体可操作的三条建议：将所有工作流迁移到 Codex/Co-work、尝试异步代理产品、带着乐趣而非恐惧探索
• 闪电轮推荐书籍、影片和产品
• 总结：Agent 时代最被低估的工具仍是 Codex

详细精要

• Dan 的三条行动建议：
• 建议一：将所有工作流迁移到 Codex 或 Co-work 中，尝试体验
• 建议二：尝试使用异步代理产品（如 Open Claw、Hermes、Victor、1+1's），理解这两种工作模式

• 建议三：带着乐趣去探索，而非出于恐惧。找到你的"AI 时刻的喜悦"（moment of joy）——类似嘉宾 Nikhil Singhal 所描述的：找到让 AI 做了一件让你惊叹"我无法相信 AI 帮我做成了这件事"的具体任务

• 闪电轮问答：

• 推荐书籍：

  • 安妮·迪拉德的《写作生活》：Every 公司每位新人的必读书（重点是最后一章），探讨写作、技术、未来与时间的关系
  • 丘吉尔的《二战回忆录》：兼具历史与回忆录性质，写作者兼行动者的双重身份，类似于 Every 的"边构建边写作"理念
  • 《天使的严谨》：将海森堡（不确定性原理）、博尔赫斯（阿根廷小说家，其短篇近期因 AI 相关性被大量重新解读）和康德融为一体的思想史著作

• 推荐影视：

  • NBA 篮球（成为纽约尼克斯队新粉丝）
  • 《暗黑巫师》：关于 Dean Potter 的纪录剧集，他是 Alex Honnold 之前的自由独攀先驱，深入探索极限运动者的心理和结局
  • 《百尺巨浪》：关于大浪冲浪者的纪录片，Dan 认为极限运动者与创始人之间存在某种相似性

• 人生格言：

  • 大学时铭刻："做值得写的事情，写值得读的东西"（Do things worth writing about and write things worth reading）
  • Rob Brezsny 的启示（已故，AI/冥想交叉领域的重要人物）：面对任何困难时，"从广阔与强大（spaciousness and strength）的位置去与之关联"
  • 应用实例：面对 AI 可能改变职业生涯的恐惧时，试图问自己"我是否从广阔与强大的角度看待它？如果不是，我能否抵达那里？"

• 被低估的 AI 工具：Codex（在 Anthropic 会议现场甚至向 Claude Code 团队成员推荐尝试）

• Codex 再次被推举为时代关键工具：

• Dan 已在 Anthropic 会议上向 Claude Code 团队推广 Codex
• 在 Codex 内嵌浏览器中处理邮件、检查分析等日常任务的方式"彻底改变了他的工作方式"
• 判断：OpenAI 在经历了约 6 个月的低迷后，如今已"重获天命"

• 但竞争是动态的，Dan 会持续切换使用两者，并推荐所有人都这样做

• 对听众的最后呼吁：

• 订阅 Every（every.to/subscribe）
• "与 AI 一起玩起来。当人们真正开始使用它，并一起摸索如何使用，而非仅仅争论它时，一切都会变得更好。"

💬 精华片段（中文）

"做值得写的事情，写值得读的东西。"

"Do things worth writing about and write things worth reading."

---

专业术语注释

术语	解释
Claude Code	Anthropic 推出的终端编程代理工具，最初被社区发现可用于非技术性工作（如整理文件）
Co-work	Anthropic 基于 Claude Code 构建的友好封装版编程代理产品，面向非技术用户
Codex	OpenAI 推出的桌面编程代理应用，内嵌浏览器，允许用户在单一界面中完成所有工作，是 Dan 当前的主要工作工具
Cursor	一款 AI 编程工具，定位偏向专业程序员，近期实质上被 SpaceX 收购
Sonnet 3.5/3.7	Anthropic 发布的大语言模型版本号，团队在该版本测试时发现了 Claude Code 的突破性能力
GPT 5.3 / GPT 5.5	OpenAI 的大模型版本，GPT 5.5 是首个展现出从第一性原理重写代码的"主体性"的模型
Open Claw	一个开源的 AI 代理框架，可让用户通过多个平台与代理交互，维护复杂度高
River	Shopify 的企业级内部代理名称
Ramp	一家企业支出管理公司，已部署企业级代理
Mythos preview	Anthropic 的下一代大模型预览版本，能以 50% 准确率自主执行 17 小时任务
CLI（命令行界面）	计算机操作界面的一种形式，曾因 Claude Code 流行而被认为将成为主要工作方式，但 Dan 断言其时代已结束
GUI（图形用户界面）	常见的图形化操作界面，Dan 认为其将回归为编程代理的主流界面
氛围编码	完全依赖 AI 生成代码而不深入理解底层逻辑的编码方式，Dan 通过这种方式构建 Proof 产品但因代码质量差而导致严重生产问题
前向部署工程师	新兴角色，负责维护公司内部代理系统并确保其为团队成员提供有效支持
Claudie	Every 内部的 AI 代理，运行整个咨询业务，由前向部署工程师在 Slack 中与之互动
分配的分配经济	Dan 早期提出的概念，认为人类与 AI 合作的方式类似于"当经理"，而非简单替换
Notion 代理	Every 在季度规划中使用的 AI 代理，通过与每位员工对话生成深度战略报告
Proof	Dan 用氛围编码构建的在线 Markdown 编辑器，后由两位人类高级工程师重写以解决稳定性问题
Cora	Every 的邮件代理，帮助 Dan 实现收件箱归零
伸手测试	Dan 提出的判断工具价值的简洁标准：早上醒来是否自然会去用它
滑囊炎（"氛围编码肘"）	因过度使用鼠标进行 AI 编码而引发的手臂炎症

---

延伸思考

1. 超级代理的"单点故障"风险：全公司依赖单一代理虽然降低维护成本，但如果该代理出现故障或产生系统性错误，影响范围将是灾难性的。如何平衡集中化与容灾能力？

2. "骑乘模型"建议的公平性困境：如果成为不可替代者的唯一方式是深度使用最前沿 AI 工具，那么企业中的"模型禁止使用"政策是否将直接制造一批"可淘汰者"？这涉及职场数字鸿沟和技能加速分化问题。

3. SaaS 定价模式的迫在眉睫的变革：如果数百万个代理使用 SaaS 产品并消耗大量 API 请求，但代理由用户端承担 token 成本，SaaS 公司需要为"代理流量"设计全新的定价模式，否则可能出现价值与收入脱节的可持续性危机。

4. "昨日能力廉价化"的加速循环：Dan 描述的人类与模型的动态关系暗示了一个不断加速的创新-捕获-商品化循环。在这个循环中，人类的独特价值窗口会不会越来越短，最终压缩到无法形成职业保障的程度？

5. 设计师就业市场的滞后信号：Dan 和 Lenny 均看好设计师角色，但 Lenny 提到设计师岗位规模至今未增长。这是否意味着市场尚未意识到设计师的 AI 赋能潜力，还是说 AI 正在让"一个设计师代替过去几个设计师"的模式成为现实？

原文发表：May 24, 2026  ·  纪要生成：2026-05-24