一个人 + 一个 AI 团队：我的 AI 原生工作方式（2026 夏季版）

2025 年底我写过一篇关于 Vibecoding 工作流的文章，核心是「以 Claude 为主力，让 AI 帮我写代码」。半年多过去，如果还用「工具」来形容我现在的工作系统，已经不准确了——更贴切的说法是：我在经营一个 AI 团队。 团队里有四个成员，各有分工，会互相挑错，其中一个还负责值夜班。

一、按强项分工，不搞全能崇拜

四个引擎，各司其职：Claude 负责规划与编排——理解目标、拆解任务、把活派出去；GPT / Codex 是主力实现——大批量写码交付；Gemini 负责长上下文对照与研究分析——上百页文档一口气读完做交叉验证；Grok 负责实时研究与线上运维——盯前沿动态、看生产服务。

这和管理人类团队是同一个道理：没有全能选手，只有配置得当的阵型。我的角色也随之变了——不是「使用者」，而是定目标、给约束、做关键决策、把关验收的那个人。

二、重要方案，让 AI 互相挑毛病

单个 AI 最大的毛病是「过度自信」：它给你的方案永远流畅、自洽、看起来对。所以我立了一条规矩：重要方案，必须让多个引擎互相对抗评审——一个出方案，其他几个专门负责挑毛病，最后我来裁决分歧。

这套流程不是仪式感，它抓出过真问题：有一次上线一个带用户输入的功能，对抗评审揪出了一个真实的高危安全漏洞——AI 自己写代码时埋下的注入风险，被另一个 AI 当场抓获。如果只听一个 AI 的一面之词，这个漏洞就上线了。

独立的错误分布，是多引擎协作真正的价值：它们犯的错不一样，所以互相能兜底。

三、给 AI 的手册，越薄越聪明

很多人以为把规则写得越多，AI 表现越好。我踩过这个坑：给 AI 的「随身工作手册」一度膨胀到 153 页——结果它反而变笨了，因为每次干活都要背着全部规则，注意力被无关信息稀释。

后来做了一次大瘦身：从 153 页精简到 23 页，压缩 85%。方法很朴素——只让最高频的规则常驻，其余知识全部做成「目录索引」，需要时再查。效果立竿见影：AI 更聚焦了，每次对话的成本也大幅下降。

这条经验值得推广到所有和 AI 协作的场景：上下文不是仓库，是工作台。工作台上只放这一道工序要用的东西。

四、AI 值夜班

今年夏天最让我省心的一步，是让 AI 接管了线上值班。我手上跑着多个真实的线上服务：个人网站、数据产线、语音服务。过去这些东西半夜出问题，只能第二天发现；现在，AI 每天早上九点自动巡检全部服务——公网探测、读日志、比对状态，发现异常自动创建待办并通知我，问题恢复后自动销单。

它不只报警，还会先做只读诊断、给出修复建议；高危操作则被权限锁死，必须我确认才能执行。信任 AI 干活，但把不可逆的权力留在人手里——这是整套系统的安全底线。

五、连读论文也是团队作战

最近为一个研究方向，我需要吃透 15 篇「连续时间因果发现」方向的论文。放在从前，这是几周的工作量。现在的做法：AI 辅助精读，我出问题清单和判断标准，AI 逐篇产出结构化笔记，最后交叉比对——甚至发现了两篇顶会论文结论互相矛盾的地方，逼着我们把方案里的一个关键组件从「验证器」降级成了「证伪器」，宁可少说，不可说错。

几天时间，产出了一份文献决策地图和一本通俗教材。AI 没有替我做判断，它把「做判断需要的证据」的获取成本降了一个数量级。

写在最后

这个网站本身，包括你正在读的这篇文章的上线流程，都是这个 AI 团队干的活——我出观点和标准，AI 完成实现、部署和验收。

半年多前，问题是「怎么用好一个 AI」；今天，问题变成了「怎么带好一个 AI 团队」——怎么分工、怎么让它们互相制衡、怎么设定边界。这两个问题的差距，就是这半年多 AI 真正的进步幅度。而下一个问题可能是：当每个人都能带一个 AI 团队时，组织该长成什么样？