之前文章《智能原生：AI蓝海世界的关键钥匙》等里面提到过几次智能原生，普遍反馈是有点不好理解。

大概是因为AI削薄了业务、产品、技术之间的边界，至少在现阶段很难像过去那样把这几者弄得泾渭分明，然后各研究各的，也能成为一个专业领用。想弄清楚就得一会在业务（领域模型）、一会在产品、一会在技术，来回贯穿，所以很麻烦（过去其实也是，没有网络的技术特征，哪里会有互联网思维）。

这次我们用一个例子来说明AI应用的各个关键环节。

假如我们真想像某些开源项目那样，构建一个百分百基于AI的公司，那到底都需要干什么？又需要几个步骤？

当然，我们这不是个技术文章，最后还是要回到这种新的应用形式到底要匹配什么样的思维模式，能够创造什么样的价值。

从自己到底想要干什么开始

现实前提是现在的大模型到不了你和它说一句：给我干一个只有AI的公司，它就把活干了的程度。

大模型很像一个有纯粹智商的瓮中之脑，所以要干什么，怎么干都需要人做引导和价值判断，从类似赚不赚钱、有没有趣这类视角做设定。

所以，所有的工作就简化成两部分：你输入给这个瓮中之脑（大模型）什么，它回复了你什么？

最终智能的效能=瓮中之脑（大模型）的智商x现实的理解纵深（表现为prompt）。

现在假设目标干个只有AI的软件公司，这个公司里面除了你全是智能体，你和它说几句话，它就帮你把软件干出来了。

我们看看这事怎么干。

需要注意的是，这个产品是个应用，但也是个公司。

因为是个公司，所以第一步要对软件公司以及软件产品开发这件事进行分解，这样才能构建好需要让大模型理解的东西。

这是业务也是产品。

先是要分解过程，为了简化我们这里假设就三个步骤：弄清楚要干什么（需求分析），把软件开发出来（开发和评审），测试发布。

也要分解到底需要几个角色，比如要有个老板拍板，它要负责发起决定干不干；要有产品经理，它要负责确定产品到底干成什么样；要有程序员，它负责把代码写出来并且进行CodeReview；要有测试，他负责验证写出来的产品行为是不是对的。

只有角色还不能充分描述我们的业务（软件开发），还要有过程和活动。

过程再加上特定的活动（比如任务）负责把角色串起来，让他们彼此配合完成特定的目的。

单有过程（决定了推进持续），角色（决定有事的时候谁干什么）也还是不够的，还要有数据的描述，比如当前的任务是什么，每个角色上一步的输出是什么等。

这些设定比较清楚之后，就可以进入下一步，打造不同的智能体。

上面这个就是人对领域的设定，也可以认为是经常说的领域模型。其实有N种解法，而解法本身的选择和价值判断有关。

领域模型连接价值判断和瓮中之脑的纯粹智商（大模型）。

这种对领域的分解有什么意义呢？

简单可以理解成：为了更好的全自动的和瓮中之脑（大模型）交互。

既然就说一句话不行，比如给我生成一个XX软件产品，瓮中之脑的智商又够了，那就需要让它清楚现实，好发挥它的智力。

而需要输入能给它带来真实的变化的，这种变化需要一种管理体系，这个管理体系需要依赖领域模型（过程、角色、活动、数据等）。

这部分因为作为瓮中之脑的大模型只认识提示词，所以不管你干了多少事最终都要变成它能更好理解的提示词（当然你可以很长）。

另一部分目的则是重用这些约定俗成的词，比如程序员，比如产品经理。每个词后面其实折叠了很多细节。现在的模型是基于人类累积到现在为止的知识训练出来的，所以这些词背后约定俗成的意义也被包含在模型里面了，不需要重头解释每个词了。这也能提高和大模型的交互效率。

上面的工作做完了，就到了第二步，打造不同的Agent。

这一步很诡异的是确实主要是技术的活，但本质却不是。由于这不是一个技术文章，我们就简略一些做描述，还是只关注它和过去的差异。

打造不同Agent

一个方法是不做抽象就按角色做出一个个Agent，比如总经理的Agent、程序员的Agent。Agent里面要有自己对应的基础提示词，还要有按照执行时间点填充的实时信息，比如：

你是谁，要干什么；要有当前的阶段描述，比如现在的需求分析阶段，有哪些事要做；要有一定的记忆，比如我上一轮到底说什么了，我产出的代码是什么等。

当然也可以抽象一点，按职能来分，比如代表任务的Agent，代表对话的Agent等。

之后任务的Agent要调度各种角色。

真做的话，里面会包含很多细节，比如检查生成的代码是否合适这一环节，那要检查多少轮次才算合格呢？

但基本定位就是声明自己的角色、以及当前活动的上下文、当前活动的目标。

这里举个简单例子：比如ChatDev把程序员和CodeReviewer角色的prompt弄成了下面这样（{}里面的部分是要根据执行时的情况填写的）。

"Programmer":[

"{chatdev_prompt}"，

"YouareProgrammer.wearebothworkingatChatDev.Weshareacommoninterestincollaboratingtosuccessfullycompleteataskassignedbyanewcustomer."，

"Youcanwrite/createcomputersoftwareorapplicationsbyprovidingaspecificprogramminglanguagetothecomputer.Youhaveextensivecomputingandcodingexperienceinmanyvarietiesofprogramminglanguagesandplatforms，suchasPython，Java，C，C++，HTML，CSS，JavaScript，XML，SQL，PHP，etc，."，

"Hereisanewcustomer'stask:{task}."，

"Tocompletethetask，youmustwritearesponsethatappropriatelysolvestherequestedinstructionbasedonyourexpertiseandcustomer'sneeds."

]

"CodeReviewer":[

"{chatdev_prompt}"，

"YouareCodeReviewer.wearebothworkingatChatDev.Weshareacommoninterestincollaboratingtosuccessfullycompleteataskassignedbyanewcustomer."，

"Youcanhelpprogrammerstoassesssourcecodesforsoftwaretroubleshooting，fixbugstoincreasecodequalityandrobustness，andofferproposalstoimprovethesourcecodes."，

"Hereisanewcustomer'stask:{task}."，

"Tocompletethetask，youmustwritearesponsethatappropriatelysolvestherequestedinstructionbasedonyourexpertiseandcustomer'sneeds."

]

把阶段的Prompt模板弄成了下面这样：

"Coding":{

"assistant_role_name":"Programmer"，

"user_role_name":"ChiefTechnologyOfficer"，

"phase_prompt":[

"Accordingtothenewuser'staskandoursoftwaredesignslistedbelow:"，

"Task:"{task}"."，

"Taskdescription:"{description}"."，

"Modality:"{modality}"."，

"ProgrammingLanguage:"{language}""，

"Ideas:"{ideas}""，

"Wehavedecidedtocompletethetaskthroughaexecutablesoftwarewithmultiplefilesimplementedvia{language}.Asthe{assistant_role}，tosatisfythenewuser'sdemands，youshouldwriteoneormultiplefilesandmakesurethateverydetailofthearchitectureis，intheend，implementedascode.{gui}"，

"Thinkstepbystepandreasonyourselftotherightdecisionstomakesurewegetitright."，

"Youwillfirstlayoutthenamesofthecoreclasses，functions，methodsthatwillbenecessary，aswellasaquickcommentontheirpurpose."，

"Thenyouwilloutputthecontentofeachfileincludingcompletecode.Eachfilemuststrictlyfollowamarkdowncodeblockformat，wherethefollowingtokensmustbereplacedsuchthat"FILENAME"isthelowercasefilenameincludingthefileextension，"LANGUAGE"intheprogramminglanguage，"DOCSTRING"isastringliteralspecifiedinsourcecodethatisusedtodocumentaspecificsegmentofcode，and"CODE"istheoriginalcode:"，

"FILENAME"，

"```LANGUAGE"，

"'''"，

"DOCSTRING"，

"'''"，

"CODE"，

"```"，

"Youwillstartwiththe"main"file，thengototheonesthatareimportedbythatfile，andsoon."，

"Pleasenotethatthecodeshouldbefullyfunctional.Ensuretoimplementallfunctions.Noplaceholders(suchas'pass'inPython)."

]

}

对这个步骤做简单总结就是下面这两点：

最终目标都是要形成一段话（prompt）在不同的步骤上用（现在的大模型只认这个）；

这段话是变的。

每次需要根据不同的执行状态做出调整。

这和人其实差不多，人也是每次接受不同的信息（按角色），然后给出自己的判断和理解。

这就是为什么之前总说，这次大模型的核心进展是概念理解和判断能力，没有这个，这种智能体跑不起来。

这步看着确实是技术的活，但底子其实不是。

程序员的角色是提高效率，但从本质上看，这事行不行，能搞到什么程度，不是程序员能验证的。

程序员解决效率问题，但理解领域的人才能判断上限。（智能效能=大模型的智商高度x现实理解的纵深）

也就是说，过去说的图灵测试2.0的判断人不是程序员，甚至都不是人工智能科学家，而是理解领域的人要自己操练大模型做判断。要在这个背景下去理解角色中心式计算和图灵测试2.0。

随着使用深入肯定发生角色的重新定义，而角色的重定义等也不是技术能定义的事（参见：AI的脉络：非共识时刻的认知价值）。

启动整个公司

上面这些都做完以后，就需要把整个软件公司启动起来。等着外面的输入。

这个公司里有很多智能体，还保留了一个可以对话的入口。

比如可以和它说，帮我做一个TODO的小应用（和真正的公司很像，你说一句，然后一堆人就把活干了）。

启动程序就需要按照指定过程，先需求再开发然后测试发布，依次给每个角色分配任务，直到最终认为产品合格了，再把产品发布出来。

这时候，最终的公司就变成了这样：

一个人：决定到底要干什么软件产品。用什么样的过程，用几个角色，每个角色到底负责什么。

不同角色的智能体：每个的产出可以是一个阶段性成果，也可以是代码，当然复杂了也可以是美工的图，图标等。扩展起来还可以加上蜘蛛爬取某些实时的网上信息，让配图等更符合最新的风格。

公司就是应用，应用的边界也就成了公司的边界。

从公司角度看，和过去不一样的点是什么呢？

大量的智能体在干活，人只做原则设定。

从应用的角度看和过去比，不一样的点是什么呢？

这个应用在一个大边界下，你可以给它设定任何目的，什么软件都能开发。过去要依赖平台化才能张开自己的任务种类，现在都靠AI。

智能原生公司

基于这个例子，我们可以进一步总结一些关于AI智能应用的关键特征：

第一，和领域相关的部分是人的活。

这部分拆分未来可能模型能做一部分，但是在众多变量里面判断哪部分有价值，比如到底干什么，什么样才叫合格等估计一直是人的部分。也许方法论部分（比如什么过程等）未来可以模型干，但现在模型干这个费劲。这是边界问题。

第二，这种应用是按角色来的（角色中心式计算）。

比如程序员的角色可能需要调用一大堆工具Git、Python等才能完成自己的职责。但这些最终要变成提示词（prompt）才能驱动自己的活动。每个角色到底能不能成立，要看图灵测试2.0能不能过。

很多时候可能物理约束大于智能约束。我们这个例子里面没有物理约束（比如把汽车从北京开到苏州）。

所以智能原生化估计得从这类领域先开始。

第三，需要很多的配套措施。Agent要记住自己说了什么，要知道当前在干什么等，这需要一套完备且繁琐的机制。写程序似乎只需要记录代码就完了，但真正的公司需要汇总业务、财务等各种数据，并且保证数据精度。这一步成本很高，挑战很大。

第四，工作什么时候算完成了是个问题。产出内容到底合适不合适，幻觉了怎么办等，都是关键制约。放回到具体场景下智能和想象中的智能好像说的是一个东西，其实是两码事。所以之前我们说纯数字和幻觉本身不对应过大成本的领域会优先。

过去琢磨事对此进行了一些总结，比如把公司的智能原生式思维提炼为：智能优先，万物皆、实时反馈、中心决策。这在上面这种应用的基础上可能更好理解。

模型的技术特征决定了需要与之匹配的思维模式（参见：从1到10：AI产品和互联网产品的核心差异）。

是普通人的机会么？

上面这个过程看着需要写代码驱动，但本质上并不是一个技术问题。不写代码顶多就笨一点，一步一步写一堆提示词。代码可以让整个事串起来更自动一些，影响效率，不影响价值。

所谓的领域，还真不是模型和代码能概括的事。

也就是说把瓮中之脑的能力用起来正需要理解领域的普通人（不是AI科学家）。

所以理论上，这是普通人的机会，但现在关键问题不在这里，而是你把智能放到自己想的那个场景下，它不一定创造价值。

这是判断的关键。

同时这也暗示了一个很多人都关心的问题的答案：AI会取代对应的岗位么？

这是个必然发生的事。

回到基础公式：智能效能=模型的智商x现实理解纵深，就会发现这事取决于模型自身的发展，也取决于给它适配的对现实进行理解的系统（Agent）。在上面那个但上面软件公司里也还是要人的，只不过这个角色所需要的能力发生了巨大变化。

小结

最后要强调的是上面这个过程，做着玩是可以的，但不能创业。做领域拆分然后判断智能高度，这点会看得比较清楚。也就是说现在的技术成熟度不匹配合适的商业价值。但这不影响这趋势本身，模型的基本为此提供了源源不断的动力。理解这种基础原型其实提供了一个发现的视角和眼睛。地球上有石油已经亿万年了，但只有当嵌入到工业革命的上下文后，它才是财富，所以能看到新现实的新视野还是关键的。