6 月 5 日，出海同学会联合 Stripe、VibeFriends、原点学堂、Moxt 在北京举办「AI Teammate 的涌现与组织流程重塑」研讨会。来自 AI 产品、Agent Workspace、办公效率及支付基础设施领域的实践者，围绕 AI Native Team 的组织形态、任务边界、创业机会及价值闭环展开深度探讨。
以下是本场活动核心观点与实践经验的精炼整理。
组织重构：从“人本位”到“人机协同”
在 China Summer 北京站首场 Panel 中，Moxt Founder 张昊然指出，Moxt 致力于构建面向人与 Agent 协作的 Workspace。其核心视角并非单点工具的效率提升，而是关注 Agent 进入组织后，文档、流程及协作方式的根本性变革。
过去，组织运转围绕“人”展开：人创造内容、执行任务、推动流程。现有工具（如飞书、Slack、Notion）均为人设计。然而，随着 Agent 介入，“人”的定义扩展为“人+Agent"，未来组织内 Agent 数量甚至可能超越人类。“事”的产出主体也在变化，大量文档、代码及分析结果由 AI 生成，人类逐渐退居引导与决策位。
更为关键的是“流程”维度的演变。信息流转不再仅限于人际交互，人与 Agent、Agent 与 Agent 间的协作成为常态。真正的 AI Native Team 并非简单堆砌先进工具，而是围绕“人、事、流程”重新设计组织本身。Agent 不仅是工作流的接入者，更是工作流的重塑者。
知识容器：从“对人友好”到“对 AI 友好”
当 Agent 承担更多工作时，其工作环境成为关键议题。传统文档格式（Word、PPT）包含大量对人类视觉友好但对 AI 冗余的格式信息。未来，若文档主要由 AI 生成并供 AI 调用，内容容器需向 Markdown、HTML 及结构化数据等更接近 AI“母语”的格式演进。
这不仅是文件格式的变更，更是组织知识管理的升级。新人入职可通过阅读文档理解业务，而 Agent 需在极短时间内精准定位相关信息并理解文档间的逻辑关联。若 Workspace 仅是文档堆砌，AI 难以真正理解业务全貌。因此，Moxt 的核心价值在于让组织内容更适配 Agent 的检索、理解与调用，底层组织逻辑已发生本质变化。
协作场景：Agent 需入驻统一 Workspace
当前许多团队的 AI 应用仍呈“单机”状态：员工各自使用不同工具完成任务，再手动同步结果。这种模式下，Agent 缺乏组织上下文，无法理解业务背景、决策逻辑及项目关联，难以从“外部工具”转化为“长期协作者”。
只有当 Agent 驻留于统一 Workspace，才能具备理解业务的能力。例如，在 Moxt 内部，AI 可自主检索相关访谈、历史文档及团队摘抄，基于完整上下文生成产品规划文档，无需人工重复 Brief。这表明，Agent 的价值不仅在于生成内容，更在于其对工作流深度的理解与参与。
管理范式：像管理人一样管理 Agent
Agent 的引入带来了新的管理挑战。Moxt 尝试将每个 Agent 设计为可成长、可长期共事的个体，赋予其 Memory（记忆）、Skill（技能）、Integration（集成）及 Automation（自动化）能力。但这并不意味着 Agent 数量越多越好。
张昊然分享了一个失败案例：团队曾创建一个全能型"Manager Ryan"Agent，试图让其承担管理、跟踪及 PMO 职责。由于需求过载，该 Agent 的角色迅速失焦，最终失效。这一案例表明，若职责边界不清，组织内部信息将陷入熵增。
因此，管理 Agent 应遵循与人相同的原则：明确职责边界、保持长期沟通、避免任务过载。Agent 需要清晰的定位，而非无所不能的“万能钥匙”。
流程编排：单 Agent 与多 Agent 的博弈
Agent 是否应加入群聊？这是 Agent Workspace 创业者面临的共性难题。群聊、看板及 Pipeline 本质是复杂协作的载体。若群内充斥大量 Agent，信息密度可能失控。关键在于如何组织信息、编排流程以及确定人工介入节点。
Moxt 的方案是提供人机共同编排的容器：通过优化收件箱管理信息，利用 Workflow 编排流程，结合开箱即用程序解决工具需求。例如，官网改版可设立独立 Pipeline，Agent 在关键节点被唤醒；Keynote 生成可由人提交需求，Agent 出初稿，人负责审阅。此时，Agent 的角色从“执行单次任务”转变为“参与持续业务流程”。
以小红书运营为例，内容生产涉及选题、撰稿、审核、分发等环节。既可单 Agent 全流程处理，也可拆分为调研、编辑、翻译等多个角色。判断单 Agent 还是多 Agent 更优，可参考以下维度：
视角多样性：若任务需批判性与建设性思维碰撞，多 Agent 更有效。
关键节点把控：若流程需人工 Review，该节点即为 Agent 拆分边界。
长期维护成本：多 Agent 分工明确但管理成本高，需寻找平衡点。
匠人工作特性：若任务高度依赖上下文连贯性与手感，单 Agent 全程跟进效果更佳。
未来的流程管理将同时考量人与 Agent 的分工：谁判断、谁执行、谁补充信息、谁在关键节点确认。AI 时代的新管理学正由此孕育。
本场 Panel 讨论由 Blink Founder 杨攀、PPT.ai Founder 李正、DINQ Founder 高岱恒、Moxt Founder 张昊然共同展开。
嘉宾观点：通信、业务与责任边界
杨攀指出，管理 Agent 虽带来情绪价值，但人机协作模式尚无定论。他将从服务“人与人连接”转向服务"Agent 与 Agent 通信”，探索未来 Agent 间的交互标准。
李正从业务落地角度强调，AI 不应仅停留在聊天窗口，而应深入业务链路（如竞品监控、SEO、推流）。但他警示，AI 不是混乱流程的“背锅侠”，它会放大效率，也会放大流程本身的问题。
高岱恒则关注责任边界。在招聘或交易场景中，Agent 可辅助筛选、起草邮件，但最终决策（如发 Offer）必须由人承担。目前 AI Teammate 更适合承担可拆解、验证的任务，而非不可逆的最终决策。
张昊然补充道，AI Teammate 正变得“像人”。过去 AI 仅总结会议纪要，现在它能基于讨论录音修订文档，延续工作过程。这种参与感标志着 AI 从问答工具向工作伙伴的转变。
收敛与发散：Teammate 的适用场景
杨攀将 AI 任务分为“收敛”与“发散”两类。收敛型任务（如按明确需求 Coding）要求结果确定；发散型任务（如策划、写作）提供多种方案供选择。他认为，Teammate 目前更擅长发散性工作，因为人类需求往往在过程中逐渐清晰，而非初始即定。
李正分享了 PPT.ai 的完整 Agent 工作流：从竞品监控、信息归纳到产品设计与增长运营，AI 已能协同完成大部分环节。这表明，AI Teammate 的最佳落地场景是在清晰的业务流程中，串联信息收集、分析与初步执行，而非凭空替代决策。
DINQ 的案例同样印证了这一点：Agent 可完成找人、找邮箱、起草邮件的全流程，但无法保证后续的回复率与转化率。AI 可自动化流程，却无法消除结果的不确定性。
张昊然进一步指出，有标准 SOP 的服务型岗位（销售、客服）更易被 AI 重塑；而依赖直觉与体感的创作类工作，因结果标准模糊，仍需人类深度参与判断。
创业洞察：通用陷阱与基础设施机会
关于创业机会，嘉宾们提出了不同见解。张昊然警示，AI Teammate 属通用赛道，若大模型演变为 OS，独立通用产品将面临巨大竞争压力。创业者需深思：用户为何选用你而非原生能力？
高岱恒提出"Alpha 与 Beta"理论：追逐模型能力的 Alpha 层竞争激烈，而底层的 Beta 层（搜索、OCR、专家数据等原子能力）虽不性感却刚需且盈利确定。掌握这些“生产资料”是创业的关键。
李正建议小团队聚焦办公效率等明确方向，构建短期难以复制的壁垒，并重视获客路径（研发与推广比例约为 2:8）。产品上线只是起点，用户触达与付费才是挑战。
杨攀则认为，传统 App 推广成本高昂，未来机会在于 Headless 基础设施（API、CLI、云服务）。Agent 是新的用户群体，它们拥有独特的体验需求，亟需全新的通信与交互基础设施。
