"PPT 对我而言已非核心。”在 AI 时代，真正值得沉淀的是未被压缩的原始信息及其关联，而非为了汇报而精简的演示文稿。
新闻、合同、会议记录、发票、GitHub 代码乃至合作伙伴反馈，皆可成为“公司记忆”的一部分。AI 能为其打标、建立双向链接，从资讯中提炼产品建议，将未审核想法存入 Raw 目录供创始团队像 Review PR 一样决策，并沿用户反馈、概念文档与代码模块的关联定位问题根源。
在 2026 奇点智能产品大会上，Ingora 创始人兼 CEO 许建志以《打造 AI 原生公司：从知识、战略到代码的持续闭环》为题，分享了一家五人初创团队如何实践“公司大脑”、Agent 协作及 AI Coding 闭环。即便他在哈萨克斯坦徒步九天，该系统仍在自动运行，归来时知识库已新增百余文件。
许建志的目标并非升级个人知识管理，而是将公司的记忆、判断与执行打通为闭环：外部信号转化为可审核建议，建议演变为产品概念，反馈再回流至功能与代码。人不再承担信息搬运，转而专注于监督、审核与关键决策。
以下内容根据许建志（Jacky）在 2026 奇点智能产品大会上的演讲与现场问答整理。
AI 原生公司：超越“副驾驶”模式
许建志在微软任职近 25 年，曾主导 SharePoint Copilot 等全球产品开发。去年 12 月，受投资人启发，他选择离开微软，投身于打造"AI 原生公司”的探索。
传统公司强调Human in the Loop（人在回路），即人主控一切，AI 作为辅助。微软 Copilot 初期的构想便是让人坐在主驾驶位，AI 协助提升 30% 生产力。然而，这种模式仍依赖人在工作流中层层传递信息，导致效率瓶颈。
许建志认为，AI 原生公司需在组织记忆、工作流、Agent 协作及系统迭代四个维度发生质变，并经历三个阶段：
- 第一阶段：AI 辅助个人，提升单点效率（如 Copilot 模式）。
- 第二阶段：AI 放大个人能力边界，使一人能承担过去多岗位职能（如产品、研发、财务、运营合一），实现 5-10 倍生产力跃升。
- 第三阶段：重构工作流为Human on the Loop（人在环上）。AI 与 Agent 负责信息流转、分析与执行，人仅在关键节点进行监督与审核，构建自运行、自迭代的系统。
为何需要“公司大脑”
微软的 Work IQ 通过整合 Word、Excel、SharePoint 等内容构建企业记忆，但受限于生态封闭。对于中小团队，自建“公司大脑”门槛较高。Ingora 的实践表明，打破生态壁垒，让多源数据（新闻、合约、代码等）汇入统一记忆系统至关重要。
从增效 30% 到一人抵十人
Ingora 团队曾尝试软件外包，因进度缓慢转而利用 OpenAI Codex 等工具自研。结果，两位多年未写代码的创始人仅用三周便完成了外包团队三个月的工作量，且功能更丰富。
许建志本人从产品经理转型 CEO 后，借助 AI 独立完成了公司注册、多国银行账户开设、云服务管理及开发者账户申请等原本需财务、IT、法务多团队协同的工作。这证明 AI 不仅能加速原有工作，更能重塑组织能力边界。
工作流重构：Agent 间的自主协作
传统工作流依赖邮件、即时通讯工具由人传递任务。Ingora 正尝试让 Agent 之间自主沟通、发邮件、排定优先级。当流程打通，结构便从 Human in the Loop 转向 Human on the Loop，人从执行者转变为系统的监督者。
Human on the Loop：AI 驾驶，人类监督
如同自动驾驶飞机，多数时间由系统接管，人类负责监控。Ingora 希望 AI 能自动收集信息、制定战略、生成任务乃至编写代码，并根据客户反馈自我迭代。目前这家五人公司所展现的效能，在传统模式下可能需要四五十人的团队。
公司知识：突破文档格式孤岛
大厂 AI 往往绑定自有生态，而 Ingora 选择构建开放的公司大脑，处理新闻、合约、会议记录、发票及 GitHub 代码等多源异构数据。团队利用 OpenClaw 及腾讯 QClaw 实现自动化数据采集与处理，虽面临生态连接挑战，但可通过 AI 自动修复。
为何首选 Markdown 格式
Ingora 的知识库基于 Markdown（MD）文件，而非 Word 或 PPT。原因在于：PPT 等格式为人设计，内容经过高度压缩与美化，丢失了原始信息密度；而 MD 格式专为 AI 设计，保留完整文本与结构，利于机器读取与生成。
许建志本次演讲的 PPT 完全由 AI 基于 MD 内容生成，包括线框图。他随时可根据不同受众（如国际学校合作）让 AI 快速生成定制化 PPT。真正的核心资产是 MD 文件中的原始知识，而非最终展示的幻灯片。
标签与双向链接：构建知识神经网络
AI 自动为 MD 文件添加标签（Tag）并建立双向链接（Backlink），使离散文件形成类似神经网络的关联结构。任何渠道（微信、Teams、钉钉、飞书）均可接入该大脑，外部反馈自动记录并关联相关知识。
目前知识库已积累 700 多个文件，目录分类与标签均由 AI 建议。白色节点代表文件，绿色节点代表抽象标签（如硬件、商业模式），点线交织形成动态知识图谱，模拟人脑成长过程。
创始人缺席时的自我进化
系统利用空闲 Token 时间自动编译、整理标签与链接，确保持续生长。即便创始人徒步期间，AI 仍自动抓取今日头条、小红书、X 等平台资讯，阅读后结合公司背景提出产品建议。
未审核建议存入 Raw 目录，类似代码 PR（Pull Request），由创始人决定是否采纳。一旦确认，AI 即生成产品概念文档。Obsidian 插件还可直接将浏览器内容导入为 MD 文件，充实资料库。
知识、用户与代码的闭环融合
通过标签与双向链接，会议记录、决策、合同与新闻不再是孤岛。系统内置 Wiki 索引，AI 据此理解上下文，追溯决策源头。在此基础上，构建了基于图（Graph）的记忆系统，涵盖产品知识、用户数据及工程代码。
不同合伙人分别构建工程大脑（代码）、运营大脑（合约法规）等垂直领域记忆，最终通过连接整合为统一大图。搜索语音相关需求时，系统可直接定位对应功能节点与代码片段。
用户行为直达代码层
针对儿童教育产品，系统引入情绪识别技术。当用户（如儿童）在对话中表现出负面情绪或崩溃时，信息即时传入图记忆，类比人体痛觉反射。系统自动关联相关代码模块，定位问题区域，无需层层汇报，大幅缩短响应周期。
外部信号转化为可执行的产品判断
为实现 Human on the Loop，必须改造工作流。团队利用 Agent 自动爬取行业新闻、技术动态及法规政策（如陪伴类 AI 监管要求），并结合公司大脑背景分析其对产品的意义。
AI 提取建议后，团队像 Review PR 一样进行审核。通过的条目转化为产品概念文档，甚至包含架构建议与范例代码。这一过程完全由 AI 驱动，创始人仅需做最终判断，摒弃了对低价值 PPT 的情感依赖。
AI 提议，人类审核
每日新闻经 AI 处理后以 HTML 格式呈现，附带对公司战略的具体建议。尽管输出格式可能波动，但核心内容始终存储于 MD 文件。团队审核通过后，AI 进一步生成详细的产品概念文档，确保设计与公司既定方向一致。
全渠道反馈直通代码
内部使用 Teams，外部合作伙伴通过钉钉、飞书接入，所有渠道背后连接同一公司大脑。反馈进入后，AI 自动区分软硬件问题，检索代码库定位故障模块，并给出修复建议。
理想状态下，AI 可直接完成修复并提交 PR，创始人晨间确认即可。目前虽未完全实现，但这已是明确的演进方向。
多端接入，统一大脑
无论是 Teams、钉钉还是飞书，均作为不同 Channel 接入同一知识库。系统可跨渠道整合信息，回答如“过去一个月谈了什么”等综合问题，替代了昂贵的企业级 Copilot 服务。
合作伙伴甚至可通过视频提交需求，系统像医生般诊断问题范围与信息缺失。原本需多人层层传递的工作流，现由 AI 自动分派乃至执行，各垂直领域记忆（IT 监控、运营合规等）通过标签互联，形成更大的智慧体。
未来竞争力：持续学习能力
未来的核心竞争力并非模型、GPU 或 Prompt，而是利用公司大脑持续学习的能力。在无 Token 压力的前提下，AI 可化身无数分身并行处理任务，将单线程工作拆解为多线程并发，极大压缩时间成本。
Q&A：AI 时代的人类角色
决策依据：商业需求还是知识体系？
观众：AI 执行效率高，决策变得至关重要。决策应更多基于商业需求还是知识体系？
许建志：随着 AI 能力提升，资深工程师的需求可能下降，但拥有合规、安全等领域经验的专家价值凸显。未来的关键在于“品味”与判断力。团队可尝试让多个不同风格的 AI（如 GPT、Claude、Gemini）互相辩论、修正，从而优化决策质量。
企业级知识库的记忆与权限管理
观众：企业级应用数据量大，如何定义知识成熟度？是否需要人工审核及状态机处理？权限如何控制？
许建志：当前方案基于独立的 MD 文件，便于灵活切换工具。记忆系统正逐步分层为热、软、冷记忆。关于权限，未来计划将内容抽取为不同的大脑，采用单向链接隔离敏感信息（如财务、创投数据），避免全员可见。大厂推进慢往往源于过度追求早期的完美合规性。
结构化与非结构化数据的融合
观众：如何将企业的结构化数据与非结构化文本统一成广义图谱？
许建志：LLM 天然支持混合数据处理。例如，可将非结构化的行程说明直接同步至结构化的日历表中。AI 能够理解并转换不同类型的数据格式，无需强制统一底层存储形式。
AI 建议的落地难点
观众：为何有时 AI 给出的建议难以落地执行？
许建志：主要原因在于 AI“不懂你”。Ingora 的建议之所以精准，是因为 AI 深度学习了数百个 MD 文件构成的公司记忆。它在提出建议前会检索 Wiki 与 Index，结合公司具体语境进行分析。数据喂养越充分，建议越贴合实际。
Markdown 知识库的幻觉问题
观众：MD 文件由模型生成，是否存在信息偏差或幻觉？是否需用 JSON 等格式收敛信息？
许建志：目前 700 多个文件的准确性尚可。关键在于数据量与上下文熟悉度。当 AI 充分理解公司与产品细节后，幻觉概率显著降低，总结与建议也更为可靠。
结语
从公司大脑、Markdown 知识库到 Graph 记忆、Agent 协作，Ingora 的实践指向一个核心：构建让知识持续流入、系统自动推动工作、工作反哺记忆的闭环。
在此过程中，人并未消失，而是从重复劳动中解放，专注于监督、审核与高阶判断。AI 原生公司的终极战场，不在于模型参数或算力，而在于能否利用独有的记忆体系实现持续自我进化。