單兵作戰，部門級產能
這是 10,000× engineer 的真正意義——一個 builder 周圍環繞一整套 agent 系統，產能等同於過去整整一整個工程部門的數十人。Strong DM 的 AI 團隊已經有 repo 接近「沒有手寫程式碼，只有 spec 與測試」的狀態。
Manifesto
DOC—AI.NATIVE/01
REV 2026.04 · a
— The Death of Human Middleware —
Human Middleware 之死·AI 原生新創宣言
figure 00 · the bet
10,000×
Engineer Output
No headcount,
just tokens.
just tokens.
多數創辦人正掉進「生產力陷阱」——把 AI 當成更好用的扳手，幫工程師寫快一點、自動化幾條繁瑣流程。這是戰略級的誤判。
AI 不是工具。AI 是 kernel——是你公司運行的作業系統。當 AI 從邊陲移進核心，它會徹底改寫你的組織設計、招募數學、終端速度。
把單一個體裝備上一整套 agent 系統，他能交付過去整個部門才能完成的功能。重點不是用 AI，是「用 AI 重新長一家公司」。本文是 AI 原生新創的施工藍圖。
Legend · 圖例
- Structural
- Operating Layer
- Highlight · New
- Legacy · Death
Legacy · 過去
AI as a tool
把 AI 當外掛、當扳手——加速幾條流程，但組織、層級、決策邏輯維持不變。員工是路由器，AI 是助手。
→
AI-Native · 未來
AI as the kernel
AI 是公司的作業系統。每個工作流、每個決策、每個流程都通過一個持續學習與改進的智能層——人在邊緣，引導它而非透過它。
01/05
— The Closed-Loop OS
把開放迴路接成閉環
傳統公司是 open loop：決策 → 執行 → 人工解讀（且失真）→ 再循環。
AI 原生公司是閉環：智能層自動捕捉、回饋、調整，無縫運轉。
// closed-loop
→ Status Quo · 多數公司
Open Loop · 開放迴路
- 每次循環之間，資訊都會失真
- 主觀解讀、易出錯、難規模化
- 依賴人為判斷做下一步決策
- 沒有自動修正機制
→ AI-Native · 目標架構
Closed Loop · 閉環系統
- 智能層持續吸收所有訊號並學習
- 具備「受控系統」的精準度
- 修正在每一輪自動發生
- 人類在邊緣引導，不再是路由器
AI 不該只是公司「使用」的工具，而是公司「運行其上」的作業系統。每個工作流、每個決策、每個流程，都該流經一個持續學習與改進的智能層。
— Core Thesis
02/05
— Kill the DMs
讓組織變成可查詢的
AI 看不到的東西，AI 無法優化。要讓組織成為 AI 原生，每個動作都得「對模型 legible」——
私訊、私信、口頭討論，對 OS 而言不存在。
// queryable-by-default
01
Record Everything
記下每一場會
每一場會議都掛 AI notetaker。沒有逐字稿就沒有資料；沒有資料，AI 就無法分析、無法歸納、無法提案。
- 會議自動轉錄
- 動作項目自動萃取
- 進度自動同步至 ticket 系統
02
Abolish Private Silos
砍掉 DM 與私信
最小化私訊、私信、私下對話。把溝通推到公開頻道，並在所有頻道嵌入 agent——讓資訊有歸屬、有上下文、有歷史。
- 公開 channel 取代 DM
- Agent 嵌入 Slack / Email
- 對話可被檢索、可被推理
03
Centralize Context
集中所有上下文
Linear ticket、Pylon 客戶回饋、GitHub repo、Slack 頻道全部串接到 agent——一個 agent 看到的是組織的全息切片，不是片段碎屑。
- Linear · 任務與進度
- Pylon · 客戶聲音
- GitHub · 程式與評論
½
Sprint Time
工程衝刺時間直接砍半
10×
Output
同樣團隊產出十倍提升
03/05
— The Software Factory
寫規格的人，不寫程式
TDD 的下一個演化：人類寫 spec 與測試，agent 寫實作。
程式碼從產出，變成「驗證通過的副產物」。
// spec-driven
01
Human
寫 Spec
Specification
由人類定義行為、邊界、約束——你不再寫程式，你寫「什麼是對的」的規格。
02
Human
定義測試
Scenario Tests
場景化的驗證——把每一條 spec 翻成可執行的測試案例與滿意度門檻。
03
AI Agent
生成實作
Code Generation
Agent 讀懂 spec、生成程式碼——這部分人類不碰。手寫程式幾乎消失。
04
AI Agent
機率收斂
Iterate to Threshold
Agent 反覆迭代直到通過機率性滿意門檻——測試是 ground truth，不是程式。
04/05
— Abolish Human Middleware
三種員工原型 · 沒有第四種
經典管理層級的存在意義是「轉發資訊」——在 AI 原生公司，這層人肉中介層是冗員。
每砍掉一層人類路由，速度就直接增加。
// edges-not-middle
Archetype 01 · IC
IC
Individual Contributor
The Builder · 構建者
這是真正動手做事的人——寫 spec、寫測試、跑 agent、做產品。AI 原生公司「每個人都是 builder」，沒有純粹的協調者、傳話者、統整者。
Rule · Working prototypes, not pitch decks.
Archetype 02 · DRI
DRI
Directly Responsible Individual
Strategy & Outcomes · 策略與結果
專注在策略與客戶結果——不協調、不轉發、不開狀態會。一個人對一個結果直接負責。「coordinator」這個職位不存在。
Rule · 一人，一目標。
Archetype 03 · Founder
F
The AI Founder
Conviction at the Front · 信念在前線
創辦人的信念不能外包。要親自坐在 coding agent 前、親自打破自己對「一個人能做到什麼」的舊有認知，再把這件事示範給整個團隊看。
Rule · 用 agent 直到你打破自己的 priors。
05/05
— Token Maxing
最大化 Token，最小化 Headcount
指標換軌了——成長不再用人頭數衡量，用 token 用量衡量。
高得讓你不安的 API 帳單，是效率指標，不是成本問題。
// metric-shift
Legacy · 舊世界
$50k/mo
Headcount Maxing
把 $50k/月薪資視為成長指標——員工越多代表公司越穩、規模越大。實際上：人多 → 協調成本高 → 速度變慢 → 決策失真。
Signal: 薪資攀升 = 規模擴張 ✓
Reality: 協調稅 + 失真 + 慢速。
Reality: 協調稅 + 失真 + 慢速。
⇄
AI-Native · 新世界
$??k/mo
Token Maxing
一張高得讓你不安的 API 帳單，反而是效率訊號。Token 取代人頭，每一塊錢買到的是模型運轉，不是會議與協調。
Signal: API 帳單高漲 = 運算密度上升 ✓
Reality: 速度 + 一致性 + 可規模化。
Reality: 速度 + 一致性 + 可規模化。
策略性權衡：
如果你的 API 帳單實際上替代了十名工程師——你不只是在省錢，你是在「速度」這條維度上取得勝利。在工程、HR、行政上維持極度精瘦的團隊，能把組織保持敏捷，把協調稅壓到最低。
Conclusion · 新創的不公平優勢
Startups have the edge
→ Startup · 新創優勢
沒有歷史包袱
你可以從第一天就把工作流與文化圍繞 AI 設計。沒有要被打破的舊 SOP、沒有要被推翻的舊組織圖。你的速度可以是上一個世代巨頭的 1000 倍——只要你夠狠，敢拋棄舊有工作方式。
→ Incumbent · 巨頭困境
變 AI 原生 = 存亡威脅
對既有巨頭來說，走向 AI 原生意味著「打破一家本來就在運作的公司」——多年的 SOP、僵化的組織圖、利益盤根錯節。他們要的是漸進改良，但 AI 原生需要的是徹底重寫。這就是不公平優勢的來源。
坐到 coding agent 前——一直用，直到你打破自己對「一個人能做到什麼」的舊有認知。
高產出、AI 原生新創的時代已經到來。從第一天開始，把它建對。
高產出、AI 原生新創的時代已經到來。從第一天開始，把它建對。
◉
Further Reading
延伸閱讀