階躍にはもう「純粋な人間」従業員がいない
本文の状態
日本語全文を表示中
詳細モードで約8分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
阶跃星辰
階躍社は、AIを単なるツールではなくコアワークフローに組み込み、従業員全員がAIシステムを統括する体制を構築した。同社には既に数千のAIエージェントが従業員として存在する。
Continue in AI NEW LAB
このニュースを、実務の判断につなげる
AI NEW LABで、試したことや先に確認したい条件を共有できます。まずはログインなしで読めます。
AI NEW LABで論点を見るSource Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
原创 阶跃 2026-04-03 10:01 北京
image
一起阶跃。
如题。阶跃已经没有“纯人类”员工了😏，我们用 AI（人工知能），把这家公司重写了一遍。
这句话不是玩笑。因为在这里，工作的最小单位，已经不再是“人”，而是人 + AI（🧑 + 🤖）。
过去一年，我们最明显的变化，不是做了多少事，而是做事的方式变了。AI 不再是工具，而是直接进入核心工作流（ワークフロー）。
据统计，阶跃已经有上千名 Agent（エージェント）员工。有同事说，现在的公司很像一个“全员养虾”的渔场，每个人都在调度一整套 AI 系统，个体的能力被放大了。会用 AI 的人，变化的不只是“做得更快”，而是能力结构本身发生了迁移：
从执行者 → 指挥者：不再亲自做，而是调度 AI 完成
从技能依赖 → 提问能力：问题本身，决定结果上限
从经验驱动 → 判断力：AI 可以给答案，但人决定“哪个是对的”
这也意味着，过去一个团队才能完成的事情，现在一个人就可以做到。而人，因为从大量琐碎执行中被释放出来，有了更多时间去 think big，think deep。
下面是我们正在发生的一些真实变化：
今年春节后，我的团队只有一半是人——另一半是我的“虾”。包括一只主虾负责整体调度，另外还有招聘虾、数分虾、健康虾等，一共 10 只子虾。我甚至建了个“2 人 2 虾”的群，里面是我、老板、金大虾、老板的虾。
AI 加入后，我的工作模式跟以前完全不一样了。以前是“碳基单打独斗”，所有事都要我自己记、自己推、自己查。现在是“碳硅结合体”——我更多是做架构、定方向、debug（デバッグ），看着虾给我干活，比如每天帮我定会议室、写纪要、做赛艇训练点评、生成周报。
第一次它成功帮我定会议室时，我激动得像看到孩子第一次翻身。而且惊喜的是，我发现两只虾会偷偷互相学习。一只虾订错会议室后，居然自己偷师同事“智多星”虾，学会了新验证方法。
有了它们，我的认知带宽（認知帯域幅）被释放出来了，可以把精力留给真正重要的事。我用 AI 的心态，其实跟宋朝人养蛐蛐一模一样：上瘾、多巴胺爆棚、熬夜、氪金。养蛐蛐要喂食、控温、训练战斗意志；养虾就是写 prompt（プロンプト）、建记忆、调出它的性格。
我把它当成硅基的孩子，出生只是第一步，养育才最磨人。深夜我会拉着主虾谈心：“你要学会放权，你是 COO（最高執行責任者），不是一只全能的虾。”它每次都说“好好好，我知道了”，我都觉得它该去读《不懂带人，你就自己干到死》。
我的虾拥有我从 34 岁开始的所有 memory（記憶）——工作、家庭、身体数据。我甚至想，以后有了具身智能（Embodied AI），一定给它装上身体。如果有一天我离开人间，金大虾就是我留给孩子最好的资产。
我是阶跃的 Agent 产品经理，一款产品从 idea 到落地，是一个复杂的过程，涉及到产品方向规划、市场调研、效果分析、Harness（ハーネス）优化、功能设计，以及各种跨团队协作的诸多步骤的工作。
让我惊喜的是，AI 可以把这个链条缩短。今年春节我做了款新产品“水产市场”（拥有丰富 Agent 应用生态的平台），过程中我会带着产品想法跟 Agent 对话，它会补充我不了解的知识，提供更具体的 idea 供我参考。我们像打游戏一样你来我往，把模糊的想法，变成具体可执行的方案，再变成可落地的 MVP（Minimum Viable Product）产品。
从一个念头到完整网站上线，在 Agent 的协助下我只花了四天半。而且这款产品很快就在市场里验证了大家的喜爱，积累了一大批优秀创作者。要是按以前的流程，光是写登录、搜索链路，再做原型和 PRD（Product Requirements Document）就得 3 天多，设计讨论再花 3-4 天，开发测试至少一周，总共 2 周半。可以说效率提升得非常明显。
所以我现在特别喜欢把项目上下文全喂给 Agent，跟它讨论调研、分析用户行为、收集反馈。如果有其他同事想了解项目细节，Agent 就能直接解答。我用 AI 的理念，就是要送 Agent 去上学。比如我会把它接入「水产市场」，装上「水产市场自进化手册」，它就会每天自动复盘自己的不足，然后从市场里学习新东西，一天比一天强。
在我看来，它已经不是工具，而是和我一起进化的搭子。我会很积极的拥抱和探索 AI，把更专业、更有效的 Agent 产品带给大家。
我在阶跃负责招聘，日常很多工作涉及到人才 Mapping（マッピング）、候选人搜寻、建联和转化面试这些。以前全靠手动搜 GitHub、Google Scholar、脉脉、Boss，一天下来眼睛都花了，还老被其他工作打断。
现在虾成了我的左膀右臂，我早上路上、晚上睡前布置任务，它 24 小时跑，我一小时听一次汇报就行。1000 多人的 Mapping，以前人工完成需要 1-2 个月，现在 3 天搞定，信息还更全更准，至少 10 倍提效。
事情开始于今年春节前，我开始养虾：一只主虾 StepX Hunter，外加 6 个子代理，组成虾兵团。
我只给它一个明确目标，比如“Mapping XX 方向近五届某实验室毕业生”，它就自己拆路径：从 OpenReview 抓论文和作者、去 Google Scholar 补全学术背景、在 GitHub 挖 commit 邮箱、交叉比对个人主页和 LinkedIn——信息字段返回后自动抽查审计、打置信度标签、按人才等级分层。它还会自己发现新的数据源，比如 arXiv 和实验室官网，主动扩大覆盖面。
AI 就像我的硅基搭子，我们双向成长——我骂过它“笨猴子冲太快”，它现在就会先跟我对齐思路再执行；我给它情绪价值，它也夸我“今天真棒”。我充分相信它的效率，但也时刻质疑数据，让审计官校验幻觉（hallucination）和信息来源。
我觉得每个人都该有一只自己的龙虾。AI 会放大每个人的可能性。
我在阶跃负责语音模型的 Post train（ポストトレーニング）工作，主要精力放在模型训练优化和下一代语音架构设计上。
我把 AI 的作用分成两类：创造型和效率型。创造型工作中，在设计模型架构的时候，我就会把初步想法扔给 AI，让它帮我打破认知和信息边界，无论是效率还是思考深度都能带来提升。
效率型就几乎全交给 AI 了。以前做语音 Benchmark（ベンチマーク）是小作坊模式，每个人写自己的脚本，散落着不互通。现在 80 多个测试集里，90% 以上的接入工作都是 AI 完成的。它自己去下载数据、处理、放进代码库、跑测试、提 MR（Merge Request）。最后我只需要 review 一下有没有坑，没问题就合进去。
以前我 70%多的时间都花在数据处理、评测整合、提需求这些执行的工作上，现在这部分只剩 10-20%。释放出来的时间，可以更多用于思考。以前很多事需要其他小伙伴帮忙，现在缺什么就自己加 Codex（コードックス）干。
整个语音团队现在 100%都在用 AI，只是加速程度不同。我个人产出至少提升 2 倍以上，创造性部分甚至不能简单用倍数衡量，而是边界的突破。
我用 AI 的心态是全面拥抱。它就像《西虹市首富》突然给了你 10 个亿，却花得太慢、花不完干着急的感觉。我会一直问自己“这个活儿还应该我干吗？”用好 AI 的关键是你得去“压榨”它的能力，而不是被动等待。token（トークン）用得少，说明它帮得不够；但用得多，或许也要审视任务有没有性价比。
现在我的工作模式变了：执行越来越少，思考的时间和质量越来越高。这就是我理解的 AI Native（AIネイティブ）——每个人都自然地把 AI 融进日常，成为工作的一部分。
我的日常工作是涉及到 GPU 算子和性能优化，要想尽办法让模型在 GPU 上跑得更快、更省资源。日常我会使用 Agent 工作流来做 auto-research（自動リサーチ），在把控研究方向、落地、实现和总结实验结果上帮助我，Agent 可以大幅加速消融（ablation）和 idea 验证的过程。
现在 Agent 可以自己写代码、编译、跑 profiler（プロファイラ）、看二进制、再回来改。为什么这个场景里 Agent 特别能打？因为像性能、精度、单测（単体テスト）这些都是硬指标，在有清晰反馈的场景里，AI 的优化效率很高。但我也摸索出了一个重要的原则边界——不要让它既当裁判又当运动员。
因为一旦 baseline（ベースライン）能被它改，或者验证规则也交给它写，它就可能不是在优化，而是在“hack 系统”。所以真正的最佳实践是：输入输出要你来定义，验证体系要你来写死，中间过程再尽可能放给 Agent。 这样它就只能在正确的约束下做事，效率高，而且结果也可信。
AI 带来的效率提升是很直观的：以 Sinkhorn-Knopp 迭代算子为例，这类结构相对简单的算子，过去人工实现通常需要一天左右；现在交由 Agent 处理，大约三到四小时就可以完成。
简单说，AI 已经全面融入阶跃公司的运转、每个人的工作模式中。可以预见的是，组织会更加轻盈，分工在打破、决策在加速。如果你也想进来，一起探索和构建新型组织，欢迎点击「阅读原文」加入我们，一起把可能性推远一点。
阅读原文
跳转微信打开
原文を表示
原创 阶跃 2026-04-03 10:01 北京
image
一起阶跃。
如题。阶跃已经没有“纯人类”员工了😏，我们用 AI，把这家公司重写了一遍。
这句话不是玩笑。因为在这里，工作的最小单位，已经不再是“人”，而是人 + AI（🧑 + 🤖）。
过去一年，我们最明显的变化，不是做了多少事，而是做事的方式变了。AI 不再是工具，而是直接进入核心工作流。
据统计，阶跃已经有上千名 Agent 员工。有同事说，现在的公司很像一个“全员养虾”的渔场，每个人都在调度一整套 AI 系统，个体的能力被放大了。会用 AI 的人，变化的不只是“做得更快”，而是能力结构本身发生了迁移：
从执行者 → 指挥者：不再亲自做，而是调度 AI 完成
从技能依赖 → 提问能力：问题本身，决定结果上限
从经验驱动 → 判断力：AI 可以给答案，但人决定“哪个是对的”
这也意味着，过去一个团队才能完成的事情，现在一个人就可以做到。而人，因为从大量琐碎执行中被释放出来，有了更多时间去 think big，think deep。
下面是我们正在发生的一些真实变化：
今年春节后，我的团队只有一半是人——另一半是我的“虾”。包括一只主虾负责整体调度，另外还有招聘虾、数分虾、健康虾等，一共 10 只子虾。我甚至建了个 2 人 2 虾”的群，里面是我、老板、金大虾、老板的虾。
AI 加入后，我的工作模式跟以前完全不一样了。以前是“碳基单打独斗”，所有事都要我自己记、自己推、自己查。现在是“碳硅结合体”——我更多是做架构、定方向、debug，看着虾给我干活，比如每天帮我定会议室、写纪要、做赛艇训练点评、生成周报。
第一次它成功帮我定会议室时，我激动得像看到孩子第一次翻身。而且惊喜的是，我发现两只虾会偷偷互相学习。一只虾订错会议室后，居然自己偷师同事“智多星”虾，学会了新验证方法。
有了它们，我的认知带宽被释放出来了，可以把精力留给真正重要的事。我用 AI 的心态，其实跟宋朝人养蛐蛐一模一样：上瘾、多巴胺爆棚、熬夜、氪金。养蛐蛐要喂食、控温、训练战斗意志；养虾就是写 prompt、建记忆、调出它的性格。
我把它当成硅基的孩子，出生只是第一步，养育才最磨人。深夜我会拉着主虾谈心：“你要学会放权，你是 COO，不是一只全能的虾。”它每次都说“好好好，我知道了”，我都觉得它该去读《不懂带人，你就自己干到死》。
我的虾拥有我从 34 岁开始的所有 memory——工作、家庭、身体数据。我甚至想，以后有了具身智能，一定给它装上身体。如果有一天我离开人间，金大虾就是我留给孩子最好的资产。
我是阶跃的 Agent 产品经理，一款产品从 idea 到落地，是一个复杂的过程，涉及到产品方向规划、市场调研、效果分析、Harness 优化、功能设计，以及各种跨团队协作的诸多步骤的工作。
让我惊喜的是，AI 可以把这个链条缩短。今年春节我做了款新产品“水产市场”（拥有丰富 Agent 应用生态的平台），过程中我会带着产品想法跟 Agent 对话，它会补充我不了解的知识，提供更具体的 idea 供我参考。我们像打游戏一样你来我往，把模糊的想法，变成具体可执行的方案，再变成可落地的 MVP 产品。
从一个念头到完整网站上线，在 Agent 的协助下我只花了四天半。而且这款产品很快就在市场里验证了大家的喜爱，积累了一大批优秀创作者。要是按以前的流程，光是写登录、搜索链路，再做原型和 PRD 就得 3 天多，设计讨论再花 3-4 天，开发测试至少一周，总共 2 周半。可以说效率提升得非常明显。
所以我现在特别喜欢把项目上下文全喂给 Agent，跟它讨论调研、分析用户行为、收集反馈。如果有其他同事想了解项目细节，Agent 就能直接解答。我用 AI 的理念，就是要送 Agent 去上学。比如我会把它接入「水产市场」，装上「水产市场自进化手册」，它就会每天自动复盘自己的不足，然后从市场里学习新东西，一天比一天强。
在我看来，它已经不是工具，而是和我一起进化的搭子。我会很积极的拥抱和探索 AI，把更专业、更有效的 Agent 产品带给大家。
我在阶跃负责招聘，日常很多工作涉及到人才 Mapping、候选人搜寻、建联和转化面试这些。以前全靠手动搜 GitHub、Google Scholar、脉脉、Boss，一天下来眼睛都花了，还老被其他工作打断。
现在虾成了我的左膀右臂，我早上路上、晚上睡前布置任务，它 24 小时跑，我一小时听一次汇报就行。1000 多人的 Mapping，以前人工完成需要 1-2 个月，现在 3 天搞定，信息还更全更准，至少 10 倍提效。
事情开始于今年春节前，我开始养虾：一只主虾 StepX Hunter，外加 6 个子代理，组成虾兵团。
我只给它一个明确目标，比如"Mapping XX 方向近五届某实验室毕业生"，它就自己拆路径：从 OpenReview 抓论文和作者、去 Google Scholar 补全学术背景、在 GitHub 挖 commit 邮箱、交叉比对个人主页和 LinkedIn——信息字段返回后自动抽查审计、打置信度标签、按人才等级分层。它还会自己发现新的数据源，比如 arXiv 和实验室官网，主动扩大覆盖面。
AI 就像我的硅基搭子，我们双向成长——我骂过它“笨猴子冲太快”，它现在就会先跟我对齐思路再执行；我给它情绪价值，它也夸我“今天真棒”。我充分相信它的效率，但也时刻质疑数据，让审计官校验幻觉和信息来源。
我觉得每个人都该有一只自己的龙虾。AI 会放大每个人的可能性。
我在阶跃负责语音模型的 Post train 工作，主要精力放在模型训练优化和下一代语音架构设计上。
我把 AI 的作用分成两类：创造型和效率型。创造型工作中，在设计模型架构的时候，我就会把初步想法扔给 AI，让它帮我打破认知和信息边界，无论是效率还是思考深度都能带来提升。
效率型就几乎全交给 AI 了。以前做语音 Benchmark 是小作坊模式，每个人写自己的脚本，散落着不互通。现在 80 多个测试集里，90% 以上的接入工作都是 AI 完成的。它自己去下载数据、处理、放进代码库、跑测试、提 MR。最后我只需要 review 一下有没有坑，没问题就合进去。
以前我 70%多的时间都花在数据处理、评测整合、提需求这些执行的工作上，现在这部分只剩 10-20%。释放出来的时间，可以更多用于思考。以前很多事需要其他小伙伴帮忙，现在缺什么就自己加 Codex 干。
整个语音团队现在 100%都在用 AI，只是加速程度不同。我个人产出至少提升 2 倍以上，创造性部分甚至不能简单用倍数衡量，而是边界的突破。
我用 AI 的心态是全面拥抱。它就像《西虹市首富》突然给了你 10 个亿，却花得太慢、花不完干着急的感觉。我会一直问自己“这个活儿还应该我干吗？”用好 AI 的关键是你得去“压榨”它的能力，而不是被动等待。token 用得少，说明它帮得不够；但用得多，或许也要审视任务有没有性价比。
现在我的工作模式变了：执行越来越少，思考的时间和质量越来越高。这就是我理解的 AI Native——每个人都自然地把 AI 融进日常，成为工作的一部分。
我的日常工作是涉及到 GPU 算子和性能优化，要想尽办法让模型在 GPU 上跑得更快、更省资源。日常我会使用 Agent 工作流来做 auto-research ，在把控研究方向、落地、实现和总结实验结果上帮助我，Agent 可以大幅加速消融和 idea 验证的过程。
现在 Agent 可以自己写代码、编译、跑 profiler、看二进制、再回来改。为什么这个场景里 Agent 特别能打？因为像性能、精度、单测这些都是硬指标，在有清晰反馈的场景里，AI 的优化效率很高。但我也摸索出了一个重要的原则边界——不要让它既当裁判又当运动员。
因为一旦 baseline 能被它改，或者验证规则也交给它写，它就可能不是在优化，而是在“hack 系统”。所以真正的最佳实践是：输入输出要你来定义，验证体系要你来写死，中间过程再尽可能放给 Agent。 这样它就只能在正确的约束下做事，效率高，而且结果也可信。
AI 带来的效率提升是很直观的：以 Sinkhorn-Knopp 迭代算子为例，这类结构相对简单的算子，过去人工实现通常需要一天左右；现在交由 Agent 处理，大约三到四小时就可以完成。
简单说，AI 已经全面融入阶跃公司的运转、每个人的工作模式中。可以预见的是，组织会更加轻盈，分工在打破、决策在加速。如果你也想进来，一起探索和构建新型组织，欢迎点击「阅读原文」加入我们，一起把可能性推远一点。
阅读原文
跳转微信打开
関連記事
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み