每个 Agent 需配人类

核心机制：当前任何 agent harness（OpenClaw 或别的），要真正有用，都需要一个在乎它的人——持续注入上下文、盯它有没有跑偏、坏了修。人一旦断开这种照看关系（"懒得维护这破玩意了"），agent 立刻失去价值。

OpenClaw 教训：发布时 Every 全员采用，Dan 一度坚信"人人都有自己的 agent（平行影子组织架构，agent 是你的 daemon）"；后来完全翻转——大多数人发现维护成本太高（配 API key、SSH 进服务器、频繁坏），热情消退后就弃用了。

因此当前可行架构是"一个公司一个 super agent"（Shopify、Ramp 已实践）：

• 配一名 forward deployed engineer（FDE）画像的人负责让这个 agent 为全公司工作；
• 从顶部通用 agent 开始，随着用例成熟和模型变强，逐步向团队级、个人级下渗；
• FDE 是真实的新职业：Every 内部的 AI 工程师 Nitesh 大部分时间在 Slack 里与公司 agent "Claudy"（运营整个咨询业务）对话调教——"你为什么干这蠢事，我们修一下"。自动化本该消灭工作，结果创造了新工作。

Automation is a lie / allocation economy：每自动化一件事，就需要一个人在上面确认它运转良好。人类与 AI 协作的形态是"当管理者"——而管理者其实花大量时间工作（不断 check in、纠偏、评估），不是在沙滩上躺着。这就是"极度 AI-pilled 同时极度看多人类"不矛盾的原因，也是 Every 一年内人数翻倍（15→30）的原因。

组织层面的正确姿势（数据科学案例）：某大模型公司内部有一个全员可查询的 data science bot，接数据仓库、按仓库级权限识别谁能看什么，背后有专门团队持续保证它答对基础问题——于是数据科学团队不用再回答海量初级问题，可以专注更深的问题。如果没有那个"维护 agent 的团队"，数据科学家的工作就会退化成整天审别人的劣质分析。给经验者的启示：与其抱怨"审 slop 累死"，不如识别出这是"还没建立相应系统/agent"的信号，由 forward deployed 团队构建一个让低知识者不至于干蠢事的系统。