從去年年底開始，越來越多的人，開始研究“多Agent協作”。

2025年，Google推出A2A協議，讓不同Agent用一套語言溝通。Anthropic的研究表示，多AI智能體團隊，在復雜任務上的表現，較單體實現了90.2%的提升。2026年，OpenAI也發布了Symphony，用于編排Agent工作流。

我非常關注這件事。為此，還手搓了一個粗糙的AI系統，讓AI主筆、AI研究員、AI編輯“吵架”，給內容團隊寫研究報告。

而最近，騰訊也在AI軟件WorkBuddy里，上線了“專家團”功能，通過多Agent協作完成復雜任務。于是，聽到消息，我也抓緊體驗了一下。體驗之后，感受非常強烈：

“個體崛起”的時代，可能真的要來了。

為什么？這得從一個詞開始說起：馬具工程（Harness Engineering）。

01

馬具工程：給AI這匹烈馬，套上組織的韁繩

什么是馬具工程？

從2023年開始，AI公司在發布大模型時，最先強調的永遠是：參數多少，跑分多少。大家比的，是誰家模型更聰明。就像比誰家的馬更強壯。

可有個問題，始終沒有解決：這匹馬，野性難馴。

具體來說，就是：它會不可避免地出現幻覺。

幻覺，就是一本正經地胡說八道。你問它論文出處，它可能會給你作者名、年份、期刊，但你真去查，會發現根本不存在。

為什么？

因為大模型的底層機制，是通過概率，猜下一個詞。這是統計意義的智能，而非人類意義的理解。這種機制，就必然帶來幻覺。而幻覺最可怕的，不是“錯了”，是“錯了，但自信”。以至于問它10次，它可能會給你10個信心滿滿的答案。

太嚇人了。所以，想讓它干活，就得讓它更可靠。

怎么辦？很多人想到了：把AI包裝成Agent。

我給它明確身份、明確任務，甚至接上工具權限。然后，讓它做財報分析師，讓它做產品經理，讓它做研究員。總可以了吧？

是，靠譜多了。可新的問題，也出現了。

因為，當規則開始沖突，AI就開始內耗。你要求才華橫溢，它就事實不準。你要求事實為先，它又枯燥無味。最終，交給你一個面面俱到的平庸之作。

怎么辦？問題，其實不在“馬”，而在“馬具”。

一匹好馬，強壯有耐力，但野性難馴。你必須套上馬具，才能駕馭它。今天的AI，就是一匹充滿力量、但野性難馴的烈馬。想讓它真正發揮作用，需要一套：馬具工程。

馬具工程的本質，就是給AI這匹烈馬，套上名為“組織”的韁繩。

這次，WorkBuddy推出的專家團，就是一個很具體的例子。它把原本抽象的方法論，變成了普通人可以直接使用的產品能力。所謂“專家團”，就是把不同分工的Agent，組織起來，解決復雜任務。看圖。

一個Agent開發軟件，容易邏輯混亂，改動頻繁。讓不同Agent，分別捋清產品，架構，開發，測試，最終，就大概率是一個直接可用的頁面。

一個Agent處理財報，頁數一多，就容易忽略數據。幾個Agent，分別負責數據，風險，寫報告，準確率就會大幅增加。

而當AI套上馬具，很多之前實現不了的事情，就有了可能。

比如，對有繁雜流程的大公司來說，部門協作可以逐漸自動化。比如，對預算有限的小公司來說，可以擁有隨叫隨到的外包團隊。對于想要自己銷售、產品、交付的“一人公司”，這更是一支“千軍萬馬”。

于是，個體崛起的可能，由此打開。

那怎么才能把“馬具工程”用好？至少包括三個要點：

角色、規則、流程。

02

角色：把任務分開執行，AI才能追求極致

什么是角色？

角色，不只是“職位名稱”，還是一個Agent的能力清單。

比如，主筆Agent的能力清單，是：選題、寫作、潤色。不管風險控制，事實核查。比如，編輯Agent的能力清單，是：審核、把關、修改建議。它不管怎么寫得好，只管怎么不出錯。

為什么要這么干？

因為，要求越多，內耗越重。約束越全，產出越差。

如果你讓一個Agent，同時扮演：才華橫溢的主筆和謹小慎微的編輯。那才華就會和風險沖突，戲說會和嚴謹沖突。面對互相打架的規則，Agent只能產出60分的平庸報告。

那怎么辦？把角色拆開。

讓主筆一開始，就追求極致質量。這樣，初稿就有80分的水準。在編輯身上，就定義好把關的能力，讓文稿不出紅線問題。最終呈現的稿子，既有80分的創造力，也有80分的穩定性。

舉個例子。WorkBuddy里的“內容創作專家團”。

當我給了它一個“創作數碼視頻腳本”的任務，它沒有直接寫測評文案，而是先“組團”，拉起了三個完全不同的Agent。看圖。

具體，是這么三個角色：

行業產品調研員，平臺內容研究員，人文思考研究員。

行業產品，就只負責市場格局、真實體驗，不用懂B站生態。人文思考，就只負責琢磨“AI眼鏡是科技玩具，還是生活方式入口”一類的問題，不需要查市場數據。

最后，把他們的輸出匯總，讓另一個寫作Agent，整理成了完整的腳本。看圖。

有意思。它想的很細致，先是行業全景，再是真實體驗，然后逐漸追問，由淺到深，最后還來了個哲學思考。整個邏輯鏈條很順。再稍微修改，就基本可用了。

這就是多Agent協作的厲害之處。它不在于單個Agent多聰明，而在于調用多個Agent，打透專一任務，獲得普通高手水平以上的交付結果。

一個Agent，當然也能研究AI眼鏡，但很容易沿著單一路徑，越想越窄。一旦你優先選“科技硬核”角度，后面就全是參數、芯片、續航。人文那一塊，就不太容易進來了。

借助AI，一個人，第一次有了“像一支團隊思考”的能力。

但角色一多，也會打架。主筆想有沖擊力，編輯想不被讀者質疑。顧問想有創新，風控又想保守。如果都按自己邏輯來，只會浪費大量token。

所以，你還需要設置：規則。

03

規則：確定“把事干對”的標準，AI才能穩定產出

什么是規則？

規則，就是AI做事的標準。比如，什么不能做，什么是好答案。

比如，主筆Agent的規則，可能是：必須有認知差、必須走情緒動線、必須避開雞湯套路。編輯Agent的規則，可能是：引用有出處、數據能追溯。

為什么要這么干？

同樣5個人，在不同的團隊，產出可能天差地別。因為一個團隊，壓根就沒有“好文章”的標準。另一個團隊，對好文章的標準，是：讓人轉發，有認知差，是讀者好奇的話題……

規則，是崗位的標準。有了標準，AI才能保持產出穩定。

舉個例子：WorkBuddy里的“法律咨詢團”。

如果說有什么工種最需要規則，法律一定算一個。因為法律工作的核心，是：基于規則，做專業判斷。法律建議，最怕感覺。感覺這條沒事。感覺對方應該不會真這么干。一旦出了問題，代價巨大。

那，WorkBuddy如何解決法律問題？我試著問它：

我是一家AI落地的小咨詢公司，幫企業把AI接進業務流程。我們最近接了個大單子，對方甩過來份標準合同，你幫我研究研究，要不要簽？

過去，小老板最怕這種時刻。大公司甩來份合同，自己不夠專業看不懂，找律師麻煩。硬著頭皮簽，又怕踩坑。

好。WorkBuddy，很快就開始干活了。

讓我印象最深刻的，是它干活的“專業”程度。

比如，它不會一上來就告訴你能簽不能簽。它先采集信息。

為什么？因為信息不完整，不能下結論。

于是，負責案情采集的方助理，先定了一個信息清單。你讓我研究合同？行。那我得先搞清楚，付款條款怎么說，知識產權、交付驗收、保密條款……

接著，它開始花大力氣，研究法律依據。

為什么？因為所有判斷，必須有依據。

我說這條危險，不是因為“我覺得危險”。而是因為它可能對應哪條法規。所以，你就能看到，周法官在吭哧吭哧地挨個查閱具體條款。很多條款，文本只是原則。法院怎么理解怎么判，也很重要。所以，沈判官就發力，找之前的類似判例。

好了。大概半小時，他們就完成了最終的咨詢報告。

我點開一看，嚯。挺像那么回事的。而讓我驚喜的是，它并不是簡單地說這條有危險，而是說清楚了，它對我這家小公司為什么危險。

比如，質量保證條款苛刻。這對剛起步的小公司，可能是毀滅性打擊。因為驗收標準模糊，完全由甲方主觀判斷，決定給不給項目款。所以，很有可能活干了，但錢拿不到。

發現沒？

讓AI變專業的，不是模型更聰明，而是規則更清楚。

信息不完整，不能下結論。沒有法律依據，不能亂給建議。看法條不夠，得看現實判例。建議，得對客戶真正有用。這就是規則。

但有了規則，也還不足夠。因為規則，畢竟不會自己執行。如果信息還沒采集完，法條還沒查完，就開始寫最終報告，也會翻車。

所以，光知道“什么叫對”還不夠。你還得知道：誰先干，誰后干。

這就是：流程。

04

流程：讓AI，循環逼近正確答案

什么是流程？

流程，就是把復雜任務拆成接力賽。

因為復雜任務，不是一口氣做完的，本就是一環扣一環。給建議，需要先等信息采集。寫報告，要先等判例研究。沒有流程，大家就會憑猜測開工。前面的信息稍有變化，后面全部推倒重來。

但只是機械交棒，還不夠。因為高質量的產出，核心來自：挑戰。

團隊之所以比單兵更強，不是因為人多。是因為不同的人，會從不同角度不停挑刺。好產品，是產品、研發、測試，多輪溝通修改出來的。好文章，是作者、編輯、研究員，反復推敲潤色出來的。

所以流程，還應該是一張讓AI吵架的路線圖。

好的AI協作系統，不只是安排好“誰先干、誰后干”。還要設計好，誰來挑戰誰。讓不同Agent，用各自最擅長的能力，互相校正，循環往復，才能讓產出逼近高質量。

舉個例子。WorkBuddy里的“軟件開發團隊”。

如果說有什么工作，最依賴流程。軟件開發，一定算一個。

總不能產品經理還沒把需求講明白，工程師已經開始寫代碼。也不能代碼還沒寫完，測試先開始報Bug。這么干的結果，是所有人拼命返工。

于是，我打開聊天框提問：

我是一個AI提效咨詢公司的創業者。每天有很多潛在客戶咨詢，但大量溝通都重復低效。幫我開發個網頁，完成前期客戶篩選和初步溝通。

這是很多小公司和超級個體都頭疼的事：來咨詢的人太多、太雜。有人只想白嫖建議，有人都沒想清楚要解決什么問題。一個個聊下去，真正客戶，反而沒時間交付了。

怎么辦？經過幾次交互，WorkBuddy很快就領會了需求。

它建議，不做展示型官網，而是做一個客戶初篩系統。讓客戶了解服務內容，再通過引導問答，初步判斷他適合什么業務。

嗯，有道理。那就開始吧。

前邊幾步，中規中矩。產品經理，把業務描述翻成了產品定義。架構師，也拍板了技術方案。工程師，一口氣完成了代碼。

真正讓我感到驚訝的，是接下來這步：它居然自己找出了Bug。

工程師寫完代碼之后，測試工程師，居然真的發現了問題。推薦算法，在最后一個對話節點出錯，推薦異常。看圖。

找出來之后，還沒完。測試把流程打回，工程師重新上線，修復Bug，再交給測試驗收。最后給到我的，是已經Debug完成的代碼。

這就是流程。流程，是一條讓AI團隊循環工作，從而逼近正確答案的路徑。

所以，它最終交給我的，不是一個粗糙的、點開就運行失敗的Demo，而是一個真的可以跑的MVP。整個頁面打開，大概長這樣。

而當你點擊免費咨詢，它就真的會跳轉對話。只需要引導，做一些選擇，你就能快速完成這次售前咨詢。

真不錯。一個非技術背景的小老板，可能就這樣，真的拿到了一個可以上線的售前網站。

過去，你想把一個業務想法變成產品。哪怕有AI幫忙，你至少也得學一點AI編程。但今天，這層門檻，可能也開始消失了。

我不由得感慨，這個世界，變化實在太快。

因為前段時間，我還說：拉開AI編程應用差距的，是你的Debug能力。但到了今天，初級Bug，可能已經不會出現到你面前了。

最后的話

過去兩年，很多人一直講：AI會重塑很多行業。

但坦白說，這對大多數普通創業者、普通管理者、普通職場人來說，基本沒什么感覺。因為你打開AI對話框，輸入幾句話，它返回一段文字，跟“重塑”距離實在太遠。

但今天，不太一樣。WorkBuddy，確實讓我感受到了“重塑”。

比如，面對一份大公司合同時，“要不要簽”的無助感，突然有了一份專業詳實的報告，供你參考。比如，是想做一個客戶咨詢系統時，那種“找外包貴、自己不會”的兩難，突然變成了一句話就能跑通的MVP。

而重塑的底層邏輯，不是AI更聰明了，是AI能組織工作了。

過去幾十年，組織的故事，是大公司的故事。一個商業機會要被抓住，必須先有一支團隊。而一支團隊，又必須先有一家公司去養它。

個體，是組織的附屬品。

但今天的AI，讓另一種可能浮現了出來。一個人，也可以擁有一支團隊。一個人，也可以完成整個組織才能完成的事。

個體，開始擁有組織的能力了。

當組織能力不再是大公司專屬，個體崛起，就只剩時間問題。

觀點/ 劉潤主筆/ 景九編輯/ 歌平版面/ 黃靜

這是劉潤公眾號第2940篇原創文章。未經授權，禁止任何機構或個人抓取本文內容，用于訓練AI大模型等用途