智源大会-OPC战略与方法_260612

智源大会参会笔记（260612）：AI 时代的机遇判断与衡量、OPC 战略与方法，文末按主题提炼关键洞见与关联共识。

文章目录[36]

智源大会·OPC 战略与方法（260612）

以下内容根据参会笔记整理。进行了语言梳理，不做外部扩展，不掺杂额外观点。原文中的截图已保留。文末按主题提炼了关键洞见与关联共识。

AI 时代的判断与策略

关于机遇与衡量

机遇并不只是热点。每个人都追热点，分到的钱也不一定多。
衡量模型最好的标尺是人民币。榜单和 token 消耗量都不一定准确——高价模型通常代表高智力。而 coding 能力是对模型其他能力的最好侧面衡量：它反映了模型的任务规划与理解能力。
跟 AI 聊天，短则一两天就可以判断一个方向值不值得做。（注：我之前只用一小时就下判断了。）作为 OPC，更应珍惜自己的执行时间，更应该在决策阶段多讨论、多反思、多考虑。
AI 不能替代工作本身，它仍然是效率放大器。因为如果你不会，你没法判断 AI 输出的对错。反过来，只要你有办法判断 AI 做出来的一件事的对错，就可以让 AI 来做。但必须有人把这件事学会——这一点仍然关键。
基座模型的生意正在变成劳动力市场的生意。Anthropic 仅覆盖 0.5% 的美国成年用户，ChatGPT 为 12.3%。用户策略也会随之改变：转化路径并不是越短越好。

Coding 效用与 Token ROI

依然要控制任务的上下文窗口。过量信息超过一定阈值后就是上下文的负担。更精确的上下文控制才是关键——不仅是提示的精准性，还有对模型长度的感觉。
隐性成本常常不被看见：如果控制不好上下文窗口，关键信息会被长文本埋没，模型遗忘已验证过的内容，早期错误污染后续决策。如果这是一个 loop，错误将持续污染，噪声将持续放大。
在编码效率上，仅靠 prompt 搭建的 loop 必然变成沉重的负担。现在就要尝试控制闭环，构建或寻找 runtime-control loop 的工具与方法设计，让模型在其中进行 loop 的质量控制，实现更高度的抽象，进一步减少人的负担。让管理 token 变成系统工程——不是给模型写更长的 prompt，而是进一步抽象出更精准的工程实现。

AI-Native 组织实践

沉淀记忆，而非重复踩坑

纷繁复杂的商业流程依然是真实的，并不会因为组织规模小就变简单。每一件比较困难的事，都应该跟 AI 一起沉淀为记忆库，后续同样的问题可以继续借用 AI 完成。例如备案、运维、上架等一系列流程——个人小组织只能这样沉淀。需要搭建一套让 AI 记住每一步怎么做的系统，让每一件难事都沉淀一次。

主脑记忆系统的设计

搭建主脑记忆系统，与使用的模型无关，保持跟外界 agent/模型解耦。这套系统应当存好企业相关的记忆、能力、项目库等。整套记忆真值应当保持稳定，不因使用的 agent 变化而发生效能波动。

值得带走的 AI 组织搭建方法

每一件相对独立的事，都单开一个 Working Project。 商标注册、官网上线、Logo 打印——每件事一个 Project，随时接着上次继续。
在动作前后和收尾节点挂上 Hook，让每个关键动作自动留痕。 记忆是自动的，不靠人整理——这是整套系统里最干货的一个设计。
每次关掉窗口之前问一句：这件事里有什么值得沉淀？ 人决定收束成元能力。比如打印完 Logo，顺手沉淀下”Blender→拓竹打印”这条流程。
企业项目知识尽可能地入库。 只要能入库就让入库，这样后续让 AI 放大的过程中才有迹可循，才可以进行相关的信息挖掘。例如运营时：真实案例·拆解产品历史爆款；把高赞内容按元素拆开——标题钩子、封面结构、发布节奏。拆出来的规律沉淀成能力，下一篇直接在模板上应用。

OPC 找方向：三步法与非对称优势

三步找方向

第一步：找到属于你的特点。 不是热门技能，而是”别人做这件事比你少了层天然理解”的那个领域。

第二步：让 AI 成为倍增器，而非替代品。 用 AI 放大你已经会的，而不是用 AI 做你完全不懂的。

第三步：从 0 到 1，现在就开始执行。 速度本身就是护城河。

非对称优势与领域深度

非对称优势不是一次性资源。同一个交叉点可以产出非常多的产品，只要你对这件事的理解足够深入。这同样体现了领域深耕的必要性。
领域深度：唯一不可替代的变量。 AI 时代，领域深度与判断力才是最稀缺的资源——AI 解放的不是时间，是决策带宽。
判断力要回答的问题：哪个功能值得做？判断优先级，而非追求功能完整性。用户真正的痛点在哪？深入用户场景，而非依赖猜测与假设。这个方向对不对？
判断力是 AI 无法替代的核心人类价值。 执行力？AI 可以生成，不是壁垒。分发渠道？公共基础设施，不是壁垒。
判断力可以来自你自己在一个领域深耕十年。你能看到一个别人看不到的问题——没法外包，没法生成，没法复制。或来自你自身的痛点问题。

OPC 利润公式

OPC 利润 = 领域深度 × 编码效率 ÷ 组织摩擦

分子·发现 = 领域深度乘数。 你能看到别人看不到的需求。这是你独有的，无法外包。
分子·解决 = 编码效率。 AI 让实现速度提升数量级。
分母·送达 = 组织摩擦。 每多一层协作就多一层损耗。一人拥有团队的执行力，分母越低，利润越高。

三个变量里，只有分子是你自己的，其他两个是时代给所有人的红利。公司靠规模覆盖成本，OPC 靠深度创造价值。

创业内核与 OPC 壁垒

创业内核依然不变

发现：一个真实存在、未被很好解决的问题/痛点。
解决：把真实存在转化为可交付的答案。
送达：把解决方案精准送到真正需要它的人手里。

OPC 的两种壁垒路线

路线 A：做非常”厚”的 Agent。 深度工作流编排、行业 know-how、工具链整合、长期用户记忆——厚到通用模型的下一次更新无法一键复制。

路线 B：用私有数据造自己的模型。 基于开源底座，通过后训练/强化学习注入私有数据。数据闭环是闭源巨头拿不走的东西。

OPC 头顶的两朵乌云

成本不可控。 我们无法左右模型定价，推理成本可能长期居高不下（o1-pro 级别的 $600/M 输出，就是天花板的预演）。
被”下一次更新”吃掉。 很多 OPC 今天做的事情，我们无法影响超级闭源模型的发展方向。

AI 时代的组织第一性原理

组织的本质：协同效率与动机效率

协同效率：

为什么需要组织：组织之所以存在，就是为了高效地处理信息——因为人脑的上下文空间有限。
组织如何决策（处理信息）：用分工、流程、层级，把有限的人拼成一个分布式的信息处理系统。人做的决定不是最优化，而是在其中充当螺丝钉——satisfice，够用就行。为了让机器运转，组织需要分工、SOP 和流程、层级、沟通渠道。
怎么设计组织：组织的结构是一种匹配——按照任务的信息处理需求，匹配对应的信息结构设计。任务越不确定（即需要处理的信息和已有信息之间的差距越大），信息处理的需求就越大。

动机效率：

管理的核心，是把雇主与员工的利益拉到同一个方向。
组织的关键任务，是提供足够的激励。
雇主与员工的目标天然不一样，所以组织必须设计激励、监督和治理。

从第一性原理而言，AI 意味着协同效率和动机效率的大幅度提升。

关于工作流

之一：重视 Harness，让大模型从辅助思考到完成任务

以 Claude Code 为例：完成一个真实代码任务时，只有 1.6% 的代码是模型主动思考决策（主要决策用什么工具），剩下 98.4% 的代码是 Harness 工程。所以，Harness 的质量直接决定了真实任务的完成质量和用户体验。

Claude Code 的配套工具集只有 40+ 个，主要负责上下文。最重要的是 Agent Loop 的设计，本身只有几十行代码。

之二：以智能体为核心设计产品

不再是辅助工具，完全围绕智能体进行产品设计。

之三：模型即产品

Anthropic 找到的是代码场景，在这个场景里：

有非常好的冷启动数据库积累（GitHub 等）
极其清晰的反馈机制（Yes or No）
目标函数极其收敛而非发散（评价标准统一）

关于人才

超级个体的出现

Anthropic 的明星产品，都是 1-2 人团队的作品。

超级个体的画像

这个时代需要的人才是通才，即具备规划设计、解决问题的结构化思维的人。

类型	特征	处境
Closer（闭环者）	一个人 = 一个完整闭环；AI 放大杠杆，不替代；AI 原生环境产出可达传统环境 10x	不可替代
Doer（执行者）	在垂直技能上做重复性工作；跟 AI 抢活，AI 最擅长垂类技能	今天干不掉，6 个月后也会被干掉

组织单位的变革

超级个体带来：组织单位的缩小、业务闭环化、分工边界的模糊。

关于组织协同

超级个体的业务流协同规则

第一，自上而下的高频 Vision 对齐。 Dario（Anthropic CEO）每周 2000 字 Slack 长文，写自己本周做决策的 trade-off 和思考过程。双周做一次全员 Dario Vision Quest：“我在想什么、担心什么、判断什么”。40% 时间花在公司文化上。

第二，自下而上的项目启动 + 横向合作。 任何人都有启动项目的权力。高成本项目不靠审批，靠横向论证——发到 Slack 上辩论。

第三，不赛马：同一件事只做一份。 内部公开原则：如果你想做的事情别人已经在做，你只能去补这件事的缺位点，不能开一个平行项目。

超级个体仍然需要职级体系和考核标准，但意义变化

薪酬级别和管理权力拆开。
刻意模糊职能分工的边界。

人类还剩下什么

不可被 AI 替代的东西：

提问：定义问题、寻找可能性，本质上就是使命、愿景、价值观。
协同：在比较长的一段时间内，AI 仍然缺少和物理世界的接口、反馈、闭环。如何构建并参与到和 AI 协同的闭环里，方式可以相差很远。
信任：表现形式包括客户关系、品牌等。
故事：智人真正独一无二的能力，是我们讲出虚构的故事。

跨主题关键洞见与关联共识

1. 从 Token ROI 到组织效率：同一条线

Token ROI 图（见上文截图）和 OPC 利润公式在讲同一件事：投入产出比 = 领域深度 × 编码效率 ÷ 摩擦。区别在于 Token ROI 聚焦模型调用层面的效率，而 OPC 利润公式把”组织摩擦”也纳入了分母。两者共同的信号是：OPC 的核心竞争力在于把”摩擦”降到最低——无论是上下文窗口的噪声管理，还是组织层级的信息损耗。

2. Harness 工程 > Prompt 工程

Claude Code 的数据（1.6% 模型决策 + 98.4% Harness）和 Coding 效用部分的判断（“仅靠 prompt 搭建的 loop 必然变成沉重的负担”）形成强烈呼应。两个独立来源指向同一个结论：模型能力本身只是冰山一角，真正决定产出质量的是围绕模型的工程系统。 这也解释了 Anthropic 的工具集只有 40+ 个、Agent Loop 只有几十行代码——好设计不一定复杂。

3. 记忆系统是 OPC 的组织骨骼

主脑记忆系统的设计与”每一件难事沉淀一次”的方法论，本质上是在回答同一个问题：一个没有传统组织层级的小团队，如何积累和复用知识？ 答案是：把记忆从人身上迁移到系统身上，用 Hook 自动留痕，用 Project 隔离上下文，用入库机制让信息可挖掘。这与 Anthropic 的”横向论证”和”不赛马”规则一样，都是用一种结构代替另一种结构——用系统结构代替人治。

4. Closer vs Doer：两极分化的人才观

人才的两极分化在多个层面出现：Closer（通才闭环者）vs Doer（垂类执行者）；超级个体 vs 传统组织；大企业垄断 vs 个体繁荣（与陈龙的企业两极分化判断一致）。核心信号：AI 不是均匀地替代所有人，它加速了分化的速度。 做 Closer 需要的是领域深度 + 判断力 + 闭环能力，做 Doer 则是等着被替代。

5. 组织第一性原理的重新验证

“组织之所以存在是为了高效处理信息”这个判断，与主脑记忆系统、Agent Loop 的设计、Harness 工程形成了一个闭环论证：如果组织是为了处理信息而存在，那么 AI 时代的组织形态就应该围绕”如何让信息流动最没有损耗”来设计。 Anthropic 的实践——自下而上启动项目、横向论证不审批、同一件事不赛马——就是这种组织形态的具体实验。而 OPC 的利润公式（组织摩擦在分母）从另一个方向验证了同一个原则：摩擦越小，利润越大。