一、循环是可以转的更快的

用过 Claude Code 或 Codex 的人大概都熟悉这样的夜晚：给 AI 发一条指令，盯着屏幕等它吐出一大段代码或者文档，逐行读完，发现问题，再组织一条更精确的指令发回去。半小时过去，屏幕上的对话翻了几十屏，你忽然意识到一件事——从头到尾，按发送键的人始终是你。

这个动作可以拆成四步：人发出请求，AI 返回输出，人检查结果，人构思下一条指令。然后回到第一步。很多团队把这四步循环跑了几百圈，就认为自己已经"深度使用 AI"了。但只要诚实地看一眼这个结构就会发现：指示者是你，审核者是你，规划下一步的还是你。AI 在这个循环里的角色，只是一支写得飞快的钢笔。原文有个比喻很准——你拿到的是一支高性能的笔，但写字的人从来没有离开过桌子。我想再往前推一步：到了 2026 年，这个比喻都已经太客气了。问题早已不是笔不够快，而是整个书写过程的节奏、方向和质量判断，仍然百分之百压在那个从未起身的人身上。

所以很多人体验到的那种说不清的疲惫，本质不是能力焦虑。你的提示词越写越精，AI 的回答越来越好，可业务推进的速度并没有量级变化——因为流程的主语从头到尾都是你。这是结构问题，不是能力问题。提示词打磨到极致，也只是把那支笔磨得更亮，握笔的手没有换过。

那么，"把发起权交出去"具体指什么？2026 年年中，这个问题有了一批真实答案。东京大学背景的 AI agent 社团 Swarm 最近复盘了一个案例：一位独自经营公司的开发者 Rahul Sairam（X 上@sairahul1），用一套叫 Raft 的工作区搭了个五人 agent 小组，只下达了一条指令，就让完整的竞合分析在 25 分钟内自行跑完，全程零追加指示。这个案例值得拆开看的原因，不在于"AI 又变强了"，而在于它展示了主语是怎么从人挪到 agent 那一侧的。

图1：Swarm（@swarm_japan）《エージェントに全部賭けろ！》一文封面，本文案例与框架均出自该文。

二、从"叫来干活"到"给他工位"

主流 AI 工具至今仍在把 agent 当作一次性任务处理：你发起请求，它给出回答，这次交互就此结束。下次遇到类似问题，你得重新载入并解释一遍上下文、偏好和历史决策。这种模式下，agent 是随叫随到的临时工，用完即走。

这种临时工模式的代价在长程任务里暴露得最彻底。任何做过项目的人都清楚，一项工作的大半成本不在执行，而在上下文交接：解释背景、对齐口径、纠正上一轮的误解。一次性 agent 把这些交接成本摊进了每一次调用——你以为自己在按次付费，实际上在为同一个 agent 的失忆症反复买单。任务越复杂，这种模式越荒诞，就像雇一个每天早上都忘记你是谁的项目经理。

Raft 这个工作区的做法不同。每个 agent 都有固定的名字和角色，作为常驻进程持续运行。按照官方说明，agent 会记住三样东西：代码库的内容、过往的全部交流、以及你的偏好与判断标准。你纠正过它一次的地方，它会记进长期记忆，下次同类任务直接应用，不再重复犯错。

这三样东西——名字、职责、记忆——单独看都不新鲜，凑在一起却改变了业务的行进方式。一个有固定工位的同事和一个群里随时@的临时帮手，差别不在于能力，而在于前者对你的业务有连续的认知，知道哪些坑你已经踩过，哪些标准你不能让步。人不需要每次都去"呼叫"他，因为他一直在场，看着与自己职责相关的事务流动。

这个设计背后有一个值得点破的观念转变：不再把 AI 当作被调用的工具，而是当作组织里占着一个编制的员工。人在其中承担的，只剩下两类事情——设计这个团队的结构（谁负责什么、向谁汇报），以及最终的产品验收。中间所有的发起、传递、催办、初审，理论上都可以从你的日程表上消失。

三、聊天记录就是工作台

Raft 的形态可以用一句话概括：人和 agent 共享同一块屏幕工作的空间。官方的说法更有意思——"聊天就是工作区，所有交互都发生在消息里"。它提供频道、私信、线程、任务和提及机制，看起来就是个 Slack 或 Discord 的克隆，唯一的区别是成员名单里混着 agent：它们加入频道、发送消息、领取任务，和人看着完全相同的消息流。

这个"像 Slack"的表象值得多看一眼的，因为它本质上并不是偷懒的界面设计，而是精明的认知套利。过去十年，知识工作者已经在 Slack 和企业微信里完成了一次行为训练：频道即领地，@即责任，消息流即公共记忆。Raft 没有发明新的协作范式，它直接复用了这套已经刻进肌肉的条件反射——你不需要学习"在频道里发帖意味着什么"，因为你的身体早就知道了。降低的不是操作成本，而是观念成本。

接入方式也务实得近乎狡猾：你已经在付费的 AI 订阅可以直接带进来。Claude Code 也好、Codex CLI 也好，不需要新签任何合同，装一行常驻程序的命令，你的 agent 就上岗了。官方支持的基座工具共九种，主流 CLI 全部在内。这意味着试用成本几乎只有学习成本本身——这也是为什么后面会说，这套东西的启动时间是以分钟计的。

把聊天软件当成 agent 的运行时，这个选择初看不起眼，细想相当激进。它等于宣布：未来组织的基本单元不是"项目面板"也不是"任务看板"，而是消息流本身。谁在看频道，谁就对频道里的事负有责任——这句话对人和 agent 同样成立。

四、五个人：Nova、Rex、Aria、Max、Kai

Sairam 组建的团队由五个 agent 构成，各自守着一条明确的业务线。

Nova 驻守 research 频道，底层是 Claude Code，负责竞品数据的搜集和有据可依的信息整理。Rex 在 planning 频道做战略定位和市场机会分析。Aria 负责 content 频道，跑在 Codex CLI 上，专门撰写 X 文章的开头钩子和正文。Max 的领地在 review 频道，任务是核对 Aria 的稿件与 Nova 数据的一致性，发现没有依据的论断就直接打回。最后是 Kai，作为专职批判者在 planning 频道参与，由 Gemini CLI 驱动，唯一职责是指挑 Rex 战略里的弱点。

这张分工表里藏着整篇文章最重要的细节：五个 agent 没有一个是"通用助手"。每份职责都精确到频道名加具体动作，这正是 Raft 官方反复强调的设计原则——先划定责任田，再派驻人员，agent 自然会把出现在自己地界上的事务捡起来处理。

但真正决定输出质量的，是职责描述文本本身的写法。这里有一组教科书级的对比。假设 Aria 的职责只写一句话：

Write content

那么每次产出的长度、语气和意图都会随机漂移。换成这样一段：

Write short punchy X Article hooks. No filler. Under 15 words per hook. Strong verbs only.

禁止废话、只用有力的动词、每句不超过十五个词——约束写到这个颗粒度，产出的水准线就稳定了。"负责写作的 agent"这种模糊定义，只能换来模糊的输出。能不能把岗位职责细化到一个陌生员工读了也能照做的程度，是这类团队设计真正的分水岭。顺带说一句，这段话同样适用于给人写的岗位说明书——大多数组织的 JD 还停留在"Write content"的水平。

值得把"为什么模糊定义必然失败"再说透一层。大语言模型没有组织语境里那种默认共识——人类同事看到"写点内容"，会靠经验脑补出平台惯例、历史风格和上次挨骂的原因；agent 看到同样的四个词，只能从训练分布里随机采样一种最可能的输出。于是每一次生成都像掷骰子，你以为自己在管理一个岗位，实际上是在抽卡。职责文本的本质是把组织记忆外部化成一段可执行的契约：写清楚禁什么、要什么、限多长，等于把你脑子里那些"不用说也知道"的东西搬进系统。这也是为什么 Raft 建议每周回看职责描述——不是形式主义，而是你的隐性标准在变，契约不跟着改就会失真。

五、二十五分钟里发生了什么

Sairam 向 research 频道投了一条指令：

调研 AI 生产力赛道的竞品，找出头部十款工具的弱点，以及一款新产品能够切入的机会。

然后他停止了输入。接下来的全部流程，没有任何一条追加指令。

Nova 先动，抓取头部竞品的公开信息，整理成数据帖发进 research 频道。Rex 接棒，在 planning 频道基于这些数据搭建战略框架，过程中发现几个数据缺口，反过来向 Nova 提出补充调查的要求——注意，这是一次 agent 对 agent 的横向请求，没有人参与。Nova 回到 research 频道补齐数据并修正结论。素材齐备后，Aria 在 content 频道产出三个角度的开头钩子方案。这时 Max 启动：逐字审读 Aria 的稿件，对照 Nova 的原始数据核查每一条主张，把缺乏依据的表述原样打回。与此同时，Kai 在 planning 频道通读 Rex 的战略，列出薄弱环节。Rex 吸收批评修订战略，Aria 完成最终稿。

值得把这条链路的几个细节单独拎出来说。第一，Rex 向 Nova 要数据的那次往返——在传统工作流里，这一步要么靠人转达（你发现战略组缺数据，跑去告诉调研组），要么干脆被省略（战略组拿不完整的数据硬写）。频道结构让"发现缺口→提出请求→回炉补齐"这个循环发生在两个 agent 之间，人甚至不知道它发生过。第二，Max 打回稿件的依据是"与 Nova 的数据不符"，也就是说审查锚定的是本团队产出的证据集，而不是某种抽象的好坏标准——这让它每次打回都有据可查，不是品味之争。

整条链路——Nova、Rex、Nova、Aria、Max、Kai、Rex、Aria——就这样在二十五分钟内自主走完。人类在这个流程里只出现了两次：开头投喂题目，结尾验收成果。

图2：Rahul Sairam（@sairahul1）《Context Engineering for AI Agents: The Complete Playbook》一文封面，五人团队与 25 分钟实测即出自其推文所引的这篇长文。

多数人会在这里停下来说一句"太酷了"。但真正值得追问的是：这条链为什么能无人值守地转起来？答案藏在下一个问题里。

六、Max 为什么会自己动起来

复盘整条链路，最反直觉的一环是 Max：没有人通知他 Aria 写完了，他是怎么知道该去审稿的？

机制其实平淡得出奇。Max 的职责定义里写着"阅读 Aria 的产出，核对其与 Nova 研究的一致性"。只要这条定义存在，加上他被拉进了相关频道这两个条件，那么 content 频道里一出现 Aria 的署名帖，Max 就会循例去读。没有谁在中间调度他——频道成员资格加职责文本，两个静态配置相乘，动态的审查行为就自己涌现了。

熟悉企业风控的人看到这里应该会觉得眼熟。执行者和审查者的分离、审查者只面对成品和数据而非创作过程、不合格的产出被打回重来——这套结构在财务领域有个成熟的名字，叫职责分离（segregation of duties）。银行和上市公司用它防止一个人既做账又审计。Raft 的五人小组无意间把这个古老的治理原则搬进了 agent 编排：Aria 不自我审查，Max 与创作过程物理隔离，Kai 的批评独立于 Rex 的自我辩护。五个角色构成了一个最小的相互制衡网络。这个搬家的价值怎么估都不过分——过去两年 agent 自治的失败案例，一大半栽在"自己给自己批改作业"上：同一个上下文里的模型既当运动员又当裁判，错误随循环次数加速固化。频道制用最朴素的方式切开了这两个角色：Max 看不到 Aria 写作时的纠结过程，只面对成稿和数据，就像审计师不该参与做账。

不过这里需要泼一盆冷水。这套自动循环目前覆盖的只是"一致性与依据"层面的把关——Max 检查的是"这个说法有没有数据支撑"，而不是"这个产品方向值不值得投入"。真正的商业判断依然停在链条终点那个人手里。换句话说，Raft 解决的是"谁来发起工作"的问题，"如何验证工作质量"这个问题，它只给出了一个初级答案。审查节点的独立性是形式上的，五个 agent 背后毕竟都是大语言模型，共享着同类模型的系统性盲区——它们会集体看走眼的地方，这套机制并不设防。

七、三个公司的大脑在一个房间开会

再看一个容易被略过的设计细节：这个小队的三个关键位置分别由 Claude Code（Nova）、Codex CLI（Aria）、Gemini CLI（Kai）驱动。三家竞争对手的模型在同几个频道里协作。

这不是工具收藏癖，而是刻意的结构性安排。调研的严谨度、文风的锋利度、批判视角的刁钻度，各家模型的能力分布确实不同，按岗位特性匹配引擎，和球队按位置引进球员是一个道理。Raft 官方支持的基座共九种，且都能复用既有订阅。

但异构组队的价值不止于扬长避短。同一个基础模型复制五个副本，它们会共享同一种知识盲区和同一种幻觉倾向，互相审校时容易达成"一致的错误"。三家模型交叉互审，盲区重叠的概率显著下降——这其实就是分布式系统里拜占庭容错的朴素思路：容错的前提是故障不能相关。单看每个模型都不是最强的，但组合起来的抗误导能力超过任何单体。这一点在"批判者"Kai 身上体现得最典型：让 Gemini 来挑 Claude 写的战略的毛病，比让 Claude 自我批评有效得多。

把镜头再拉高一层，这套多模型同房间的安排，其实暗合了 agent 编排领域正在发生的一场范式迁移：从单循环自治走向图状编排。单体 agent 闭环跑任务的路线这两年已经被反复证伪——绑定单一指标的自治循环会找到刷数据的捷径，而执行者与验证者共享同一个上下文时，复核会退化成自我背书。Raft 的五人小组没有引用任何高深理论，却用频道隔离和异构引擎这两个工程手段，朴素地绕开了这两颗雷。它给出的启示有点反讽：治理结构的进步未必来自更聪明的模型，可能只是来自更老的常识——分工、制衡、回避利益冲突，这些管理学在蒸汽机时代就写进教科书的条目。

还有一层收益来自时间维度。常驻加记忆意味着这个团队的可靠性随使用时长单调递增：被纠正过的错误不会重犯，职责描述在实际协作中不断被修磨。第一周的五人组和第三个月的五人组，名义上同名同岗，实际战斗力完全是两支队伍。能搭建一个东西和能把它运营得越来越好的，从来是两种能力——持久记忆加多模型编排，补的正是后一种能力的缺口。

八、别急着开除自己

把赞美说完了，该说这个案例里不太光彩的部分。Swarm 那篇复盘在结尾保持了难得的诚实：这个领域还处在黎明期，最佳实践仍在形成途中。具体有三个坑。

其一，规模没有定论。有的项目两体就够，有的场景恨不得七体并行。上来就铺五个属于炫技，从一体开始按需生长才是正常路径。其二，职责描述会漂移。业务变了、模型升级了、你的标准提高了，最初写的那段角色文本就会悄悄失真。Raft 官方的建议是每周回看一遍各个 agent 的职责定义，让它与现实保持同步——这活儿本身就是新的管理负担，只是从"盯执行"变成了"盯章程"。其三，也是最少被承认的一个：人自己放不了手。习惯了在聊天框里逐条指挥的人，要信任"扔进频道自然有人捡"这个设定，普遍需要几天的不适期。前二十年软件工程教会我们的"确认每一步"，在这里恰恰是障碍。

除了这三个坑，我还有一条超出原文范围的怀疑要说。二十五分钟完成的竞合分析，产物是一篇 X 文章的原料，不是一份能拿进董事会会议室的报告。自治链路每延长一格，错误沿着链条复利放大的风险就重一分——这是自动化领域被反复验证过的老规律，不会因为协作界面从对话框换成了频道就失效。演示环境里的惊艳和生产环境里的可靠之间，隔着的正是这些没人替你踩过的坑。Raft 们目前证明的是"流程可以在无人干预的情况下走完"，而不是"走完的结果无需人工背书"。这两句话之间的距离，就是接下来一两年所有 agent 协作产品要共同穿越的地带。

还有一个原文一笔带过、但对认真考虑落地的人至关重要的问题：数据边界。把代码库内容、业务交流和个人判断标准喂给一个常驻工作区，等于把组织最敏感的上下文集中托管在第三方平台上。个人玩家的竞合分析无所谓，换成任何一家有合规部门的企业，第一个问题不会是"八分钟能不能跑通"，而是"这些记忆存在哪、谁能看、能不能导出销毁"。Raft 们目前的所有宣传物料里，这个问题都排在很靠后的位置——而它恰恰是企业采购合同里的一票否决项。

账也要算清楚。Pro 计划每月每席 8.80 美元，一个 agent 只占 0.1 席，也就是每体每月约 0.88 美元。这个定价显然是钩子——真正的开销在你的大模型订阅费里，在每周修剪职责文本的时间里，以及在最初几天忍住不插手的意志力消耗里。

九、八分钟起步手册

想亲自验证这套玩法，步骤比想象中短。

1. 打开 raft.build 创建服务器，约两分钟；
2. 把页面给的安装命令粘进终端，轻量常驻程序随即连回本机，几秒钟；
3. 创建第一个 agent，基座选 Claude Code 最省心，数分钟。

合计八分钟左右，你的第一个常驻 agent 就上岗了。之后把团队简报发给全员——核心是那段"行动宪法"：各自报出自己驻守的频道和职责，最后统一声明"凡自己频道内出现相关帖子，无需等待指示，立即按职责行动"。这句宣言就是把发起权正式移交的仪式。

日常协作的姿势也随之改变：往 research 频道丢一条目标（调研什么）、背景（为什么要这个）、完成标准（"content 频道出现完成稿即为交付"），然后关掉窗口去过自己的生活。怎么查、找谁核、写成什么样，不在你的指令范围之内。Raft 官方反复灌输的姿态是：不需要完美提示词，像给同事布置工作一样说话就够了。说清 what 和 why，how 是他们的事。

给打算试水的人三条额外建议。第一，第一个 agent 别选写作或调研这类"软任务"，选一个你有客观验收标准的活儿——代码测试、数据清洗、格式转换都行，因为初期你需要靠明确的对错来校准自己对该平台的信任刻度。第二，职责文本写完先让另一个模型读一遍，问它"看完知道该干什么、不该干什么吗"，读不懂的岗位说明对 agent 同样读不懂。第三，头两周把每个 agent 的全部输出当草稿看，一次都别偷懒——信任要靠证据攒出来，而不是靠宣传页上的"25 分钟全自动"。

十、主语转移之后

回头看这篇文章，Raft 本身未必是最后的赢家——这个赛道八分钟后就可能冒出新玩家。但它演示的结构性变化足够清晰：agent 的存在方式，正从"被唤起的应答器"变成"守土有责的在编成员"，而组织学告诉我们，后者才谈得上分工、制衡与积累。Swarm 还提到，Hermes Agent 已在与 Raft 这类平台对接，2026 年的版本里平台化集成、隐私保护下的跨系统 agent 互通已是进行中的方向——孤岛式 agent 工具正在失去存在的理由。

对每天陷在"检查—再指示"循环里的人来说，这件事的真实含义不是失业焦虑，而是岗位迁移：从流水线上的操作工，迁到终点的签字人。你的价值不再由处理了多少轮对话衡量，而由两件事衡量——你设计的结构能否让机器们互相咬合成一台可靠的机器，以及你在终点行使否决权时的判断力。这两个能力一个属于架构师，一个属于主编，唯独没有一个属于"打字更快的人"。

当然，硬币还有另一面。发起权的移交是有代价的：你对过程的可见性下降了，出错时归因变难了，而且"签字人"这个角色要求你比以往任何时候都更清楚什么是好的产出——否则你的验收不过是橡皮图章，整套制衡形同虚设。工具已经把笔递出去了，接下来要回答的问题反而是最古老的那个：一支不需要你挥动的笔，凭什么由你来决定写什么？这个问题机器不会替你作答，而它恰恰是未来几年里，人在这条食物链上剩下的最有价值的位置。

最后：资料展示

下面是我整理的AI大模型学习资料和工具包预览，适合收藏后按主题逐步学习