由 Manus 联合创始人兼首席产品官 张涛 撰写
你是不是也有过这种体验:团队里 AI 工具越用越多,会议照开、需求照拖,效率却没怎么上去?我们在 Manus 2.0 冲刺阶段,亲眼看着这一切被彻底翻新——不是多了一个「聪明助手」,而是工程师桌面上同时跑着十几二十个智能体会话,代码、排查、测试都在后台自己转。人不再是「亲自干」,而是「指挥、判断、兜底」。
这一年,我们一边用 Manus 做产品,一边用 Manus 重建自己的工作方式。工程、产品、市场都被卷进来,好的坏的都有。下面是这场实验目前的样子:它不是「AI 原生组织」的标准答案,只是我们正在进行时的记录。
据内部记录统计,现在一个工程师同时推进的请求数量,常态已经在 10~20 个之间,而一年前,大多数人一天也就盯 3~5 件事。
1. 没有「半程 AI」这回事
1.1 只把 AI 当插件,反而更吵
很多团队的做法我们也试过:客服用 AI 总结工单,工程师用代码助手,机器人往群里推分析报告。单看每一块都挺有用,但它们彼此不说话,信息在不同工具之间来回撞墙。结果就是:工作方式没变,只是频道里多了几路 AI 在「说话」。
我们内部常挂在嘴边的一句话是:软件工程,是「随时间积分」的编程。写代码的速度很好量化,产品在复杂环境下稳不稳定、能不能持续演进,却很难量。AI 写了 60% 还是 80% 的代码,本身不说明什么——可能是生产力飞跃,也可能是在给未来埋技术债。
真正的考题是:Manus 作为一个已经上线一年多的复杂产品,在人机共事的新节奏下,能不能持续变好、不崩溃,同时每个人的产出还在上升?到目前为止,答案是肯定的,但我们也清楚,这个答案随时可能被推翻。
1.2 真正的改变发生在「闭环」那一刻
我们发现,只要链路上还有一段是「人等人」,AI 就很容易变成噪音:
- 支持团队用 AI 总结问题,但没人直接把总结交给能改代码的人;
- 工程师用 AI 写代码,但测试、发布还是排队等人;
- 机器人能报错,却没人负责把错误一路送到「能拍板的人」。
直到我们把「从用户报 bug,到修复上线并验证」这条链路彻底打通,才第一次感到:哦,原来这才叫闭环。那一刻,AI 不再是「加速某个环节」,而是参与了整条价值链。
我也不太确定这个说法对不对,但从我们自己的体验看:如果 AI 没有参与到「问题被发现、被决策、被验证」的全过程,它就很难真正改变组织的运行方式。
2. 给智能体一整幅「地图」,而不是一句好 prompt
2.1 最大的时间黑洞:交接
以前我们和大多数技术团队一样,时间死在交接上:
- 前端和后端各自理解一份需求;
- 对接口、字段、边界情况来回对齐;
- 上线后发现不一致,再补沟通、补改动。
两个人几乎不可能对同一段话有完全一致的理解。哪怕都很专业,也会在细节上「各自脑补」。
那如果 AI 能跨前后端写代码,是不是可以让一个人从头到尾负责一个请求?拦路虎其实不是模型能力,而是上下文:代码散落在多个仓库里,任何一个智能体都看不到完整系统。
2.2 Manus-mono:不是合仓,而是给 AI 写一本「操作手册」
我们做了一个内部实验:尽量少写手工代码,看 AI 能把一个产品做到什么程度。过程中长出来的方法,变成了现在的内部工具 Manus-mono,简称 Mono。
Mono 并没有把所有仓库物理合并,而是提供了:
- 一个统一入口;
- 一份写给智能体的「手册」:每个仓库干什么、彼此怎么配合、团队怎么工作;
- 一套架构决策记录(ADR),让每次会话都能看到「当时为什么这么设计」。
智能体按需拉取代码和文档,人和 AI 在同一套「世界观」下协作。任何人开一个会话,背后都是前人积累下来的上下文,而不是从零开始摸索。
Mono 是一点点长出来的,每一步都在解决上一步暴露的新瓶颈:
- 看全局:补上业务背景,用 Git worktree 支持多分支并行开发;
- 本地验证:原来推到测试环境要 5~10 分钟,现在整套 Manus 堆栈能在笔记本上跑,几秒就能看到结果;
- 排查线上问题:在严格权限下,Mono 能读日志、配置和错误上报,自己定位生产环境里的 bug;
- 跑完发布流程:从打包到部署,Mono 负责执行,人只在关键节点点头;
- 端到端测试:当验证变成新瓶颈,Mono 开始用测试账号在浏览器和移动模拟器里跑真实用户路径。
(这里原文有视频,保留原链接)
(How Mono works and how it evolved. Made by a teammate with Manus.)
2.3 它更像「活的知识库」,而不是代码百科
有人会问 Mono 是不是代码 wiki。文档只是其中一块,更关键的是:
- 测试怎么写、怎么跑;
- 发布流程的每一步是谁拍板;
- 哪些区域 AI 可以动,哪些只能看不能改;
- 历史决策背后的权衡和取舍。
有一次,运维工程师被反复拉去帮忙发版,烦到不行,就干脆把整个发布流程写进 Mono。结果是:
- 任何人都能按流程发版;
- 智能体也能执行发版步骤;
- 但最终批准权仍然在有发布权限的人手里。
我很喜欢这种变化:一个人为了解决自己的烦恼,顺手让整个公司都快了一点。
现在团队默认一个人可以在所有平台上把一个需求送到线。移动团队一直只有 7 个人,却维护着两个产品的四个 App,还能跟上 Web 的节奏。
Mono 没有靠「自上而下强推」铺开,而是自然蔓延。我更愿意把这归因于文化:我们存在的意义之一,就是不断测试 AI 的边界,而且组织结构很扁平——工具能走多远,很大程度上取决于组织愿不愿意让它走那么远。
3. 把 bug 闭环:从用户一句吐槽,到验证通过的修复
3.1 三个智能体,一条完整链路
Mono 让任何人都能改任何一块产品,但这只解决了「谁能动手」。另一个问题是:「谁先发现问题」。
在大多数互联网公司,一条用户 bug 报告要经过:
- 客服记录;
- 产品筛选、归类;
- 再到工程排期;
- 最后才落到能改代码的人手里。
我们现在的做法是:
- 内部智能体先读用户反馈,自己排查问题,追溯到引入 bug 的那次改动;
- 它在 Slack 里发一条消息,@ 那个改动的负责人;
- 工程师判断是不是自己要修,然后把任务交给自己的智能体;
- 另一个独立智能体负责验证:跑相关测试和关键用户路径。
三个智能体,三个角色:
- 一个负责「发现和定位」;
- 一个负责「动手修」;
- 一个负责「验证结果」。
人站在中间,做判断、拍板、兜底。现在越来越多的工程工作,是从「智能体先来敲门」开始的。
3.2 权限边界:哪里必须是人说了算
这个闭环有非常清晰的边界:
- 读用户反馈的智能体不能改代码,只能调查和汇报;
- 真正的改动,只能从工程师自己的智能体发起;
- 没有人类拥有发布权限的明确批准,任何改动都进不了主干。
这种设计有点像「自动驾驶 + 人类司机」:
- AI 可以自己巡航、变道、提醒风险;
- 但方向盘和刹车,永远在驾驶员手里。
我们也踩过反面案例:一度对「全自动闭环」很兴奋,结果周一早上发现一个智能体周末自己开了 200 多个项目等人决策——那次之后,我们对「哪里必须是人拍板」这件事,变得谨慎多了。
4. 学会信任智能体写的代码
4.1 真正的瓶颈,不在模型能力
有很长一段时间,所有要进主干的改动,都必须经过两位资深工程师之一的签字。我们当时对 AI 的信任度,还不足以放开这一步。随着智能体产出的代码越来越多,这个「人工闸门」成了新瓶颈。
从纯编码能力看,模型早就够强了。差别主要在两点:
- 人知道怎么测试自己的改动;
- 人参与过上下游讨论,知道什么叫「对业务来说是对的」。
正确的代码,不等于正确的产品。
4.2 让智能体「坐进会议室」,再给它一把「测试钥匙」
我们从两个方向补上这块短板:
- 让智能体参与讨论:每个工程师的智能体都能被拉进相关 Slack 线程,静静旁听上下文。等到有人说「可以开干了」,它已经知道团队做了什么决策、为什么这么做;
- 让智能体自己跑端到端测试:和后端团队一起,我们给智能体接入了 Manus 内部的真实流程和回归测试集,每次改动后都要过这一关。
随着测试覆盖率上来,我们对智能体代码的信任度也跟着上升。
现在,每一次改动都会经历:
- 一轮端到端验证;
- 一次由最强模型驱动的代码审查机器人检查,对支付等敏感区域有额外规则;
- 最后再由拥有合并权限的人类点头。
代码审查机器人替代的是「排队等人看代码」这件事,而不是「人类最终决策」。智能体可以开 PR,但没有人类批准,它永远进不了主干。
5. 自主性必须有「终点线」
5.1 那个 200+ 项目的周末
我们曾经也被「全自动智能体循环」的想象点燃过。某次实验里,一个智能体负责收集内部反馈,为每条反馈开一个项目、规划任务。一位同事让它周末自己跑,周一一看,面前躺着 200 多个等他拍板的项目。
那一刻我们意识到:
- 人类做决策的速度,远远赶不上一个不受约束的循环创造任务的速度;
- 如果没人决定「这件事值不值得做」,那就没人真正为结果负责。
5.2 哪些事可以放手,哪些事必须有人「认领」
我们后来总结出一个简单的判断:
- 有客观可验证的终点:比如测试是否通过、页面是否能打开,这类可以让智能体自己跑闭环,人只在异常时介入;
- 没有明确验收标准的工作:比如产品方向、体验取舍、优先级排序,都必须从一个人说「这件事值得做」开始。
前面提到的 bug 修复闭环之所以跑得顺,是因为「测试是否通过」给了它一条清晰的终点线。产品决策没有这种客观刻度,所以在 Manus,所有产品改动仍然从一个人拍板开始。
6. 工程提速之后,产品成了新瓶颈
6.1 工程不再是「短板」的那一刻
传统产品流程里,需求从用户到支持、到产品、到设计、到工程,每一层都要「翻译」一次。AI 让工程写代码的速度大幅提升后,一个新问题冒出来:
没有足够多、足够好的产品需求,来喂饱这些更快的工程师。
我们第一次感到:工程不再是那块最短的木板。
起初,我们尝试让部分工程师转成「builder」,从问题发现一路负责到上线。现实是,既懂技术又有产品判断的人不多。接着我们试过让 PM 自己改代码,结果还是卡在交接:
- 没有工程直觉,PM 改得动文案和交互,却不敢动底层逻辑;
- 工程师还是要在后面兜底,节奏并没有真正顺起来。
6.2 Mono 带来的「规则内自助」
Mono 在这里起了关键作用,因为它把规则也一起带上了:
- 只要涉及模型调用或成本的改动,必须先经过对应 owner 的签字;
- 所有改动都走和工程师一样的审查和测试流程;
- Mono 能用测试账号走一遍注册、支付等关键路径,并录屏,PM 可以直接指出「这里挂了」。
一个真实案例是语音转文字功能:
- PM 先让 Manus 基准测试了 10 多个模型,自己选了一个;
- 她通过 Mono 拉下前端代码,用内部设计系统搭了 demo;
- 再让 Manus 把每个用户场景渲染成图片,方便她逐个过一遍;
- demo 做成视频,发给设计和工程评审;
- 最终,这个 PM 自己完成了 Web 和桌面端的 UI 实现。
整个过程中,人类做了三次关键决策:
- 她选了模型;
- 产品和设计评审了 demo;
- 有发布权限的工程师审了代码。
一年之前,这条路径几乎不可想象。
6.3 从「人 in the loop」到「人 on the loop」
我们现在更喜欢用一个说法来描述这种变化:
- 过去是 human in the loop:AI 做 70%~80%,人补上最后一截;
- 现在更像 human on the loop:人设规则、监督多个智能体、在关键节点检查方法和结果、在需要时介入,并对最终结果负责。
有些 PM 现在不再写长篇需求文档,而是交一段短视频:
- 展示使用场景;
- 走一遍每个界面、每次点击;
- 说明边界情况怎么处理;
- 顺带讲清楚背后的逻辑。
对我们来说,设计、工程、测试更快对齐「什么叫做完」,PM 也只需要讲一次。
(这里原文有视频,保留原链接)
(Product requirement video for voice input)
目前大约一半的 PM 能独立把功能上线,每个 PM 都写过代码,设计师也开始这样做。有 PM 写了 Manus Studio 的大部分界面,另一个写了视频编辑器。背后是他们花了几个月时间,硬生生把自己原本的角色边界往外推。

当然,这不意味着所有人都要变成 builder。建设门槛降低后,另一个风险是:
很多人可以造东西,但不代表这些东西都该存在。
我们产品团队经常问自己一个问题:
「如果这个功能一秒钟就能做完、成本几乎为零,你会让它上线吗?」
答案有时依然是「不会」。我们仍然需要模块 owner 来决定:
- 什么该做,什么不该做;
- 用户最终看到什么;
- 谁来维护像 Mono 这样的基础设施。
当「造东西」变得容易,「决定造什么」的价值就被放大了。
7. 市场团队里的「AI 同事」
7.1 把琐碎搬给智能体,人留给判断和创意
一场市场合作,从脚本、报价、合同、审批,到付款、上线、复盘,信息散落在:
- 邮件;
- 合同系统;
- 审批流;
- 表格;
- 广告平台。
过去,市场同事大量时间花在「搬运信息」上,真正需要判断和创意的部分,反而被挤压。
我们从一个小痛点切入:合作内容或广告上线,经常是事后才有人在群里说「已经发了」。于是让 AI 写了个脚本,专门盯内容是否发布。接着我们想要实时表现数据,又想要历史合作复盘,顺着这个线头往下拉,整个内部流程就被串起来了:
- 合同签了、审批过了,智能体自动更新状态;
- 通知下一个负责人接力;
- 上线、表现、复盘都在一个地方看。
7.2 「AI 同事」怎么在团队里工作
Manus 把这些能力封装成一个内部站点:
- 对人来说,是仪表盘和日历;
- 对智能体来说,是一套工具箱。
在这个工作流里跑的智能体,我们叫它「AI teammate」——AI 同事。它只在团队接入的渠道和系统里活动,权限严格限定在这条工作流内。
它现在会做的事包括:
- 管理自己的队列:很多人同时给它发消息,它会在一个「前台」会话里统一回应,再把任务分发到并行会话;
- 自己判断优先级:先看消息是不是跟它相关,再决定要不要打断当前任务;
- 从转发的上下文里学习:策略调整时,市场负责人直接把讨论串转给它,说一句「学一下」;
- 盯住长期目标:有次团队在一个 Slack 线程里聊项目进度,大家一时都想不起来 A、B 两个项目各到哪了,它没被 @,却主动回了一句:「B 还在测试,要不要等 A 的结果出来再看 B?」;
- 跨团队查事实:3D 模型绑定功能上线后,它主动去问产品团队「到底支持哪些类型」,学到绑定覆盖了包括鱼、蛇、四足动物在内的七类对象,保证对外描述准确。
现在,团队会把它拉进脚本和报价评审,因为它读过所有历史合作记录。拍板权仍然在真人手里。
内部站点本身也会被「用户」改进,包括这个智能体自己:
- 它遇到流程卡住的地方,会通过反馈接口提需求;
- 这会在 Manus 2.0 的 Automations 里自动生成开发任务;
- 工程师评估后再决定要不要改。
它上线到现在大概一周,我们还需要更多案例,才敢说「可以依赖」。
团队里的真人现在主要做三件事:
- 做并承担所有重要决策;
- 处理智能体没见过的情况,教它怎么做或该问谁;
- 当它的分析指向一个新角度时,决定要不要顺着这个角度走下去。
8. 互相打扰更少,但协作更紧密
8.1 「先问智能体」成了默认动作
在这些团队里,很多原本需要「打断别人」的问题,现在有了新路径。
- 有同事基于 Mono 做了一个 Slack 机器人,跑在云端机器上,直接在线程里回复;
- 非工程同事用得最多:这个功能怎么工作的?这段文案在哪?这个改动上线了吗?
他们不再需要先找到「那个人」,再等对方有空。
8.2 打开会话,而不是追着人要进度
工程师的进度过去都藏在各自的 AI 对话里,一旦下线,别人就看不到。我们做了一个内部功能:
- 项目成员可以互相看到对方的会话;
- 可以申请加入同一个会话一起改;
- 工程师先和智能体把功能主干搭好;
- PM 后面进来,在同一会话里调间距、样式、文案。

(Illustrative example: how an engineer, a PM, and a designer work in one session. Not a real pricing change.)
发言权限仍然需要会话所有者批准,我们还在打磨这套权限模型。
目标不是「少说话」,而是「少打断」。
8.3 只做真正需要你拍板的决定
我们最重度的 AI 使用者,有一个主会话只干一件事:
列出所有需要他决策的事项,并给出每一项的推荐方案。
Slack 很吵的时候,他就不去逐条看,而是问智能体:「我现在必须做哪些决定?」
我自己的做法有点类似。我每天有二十多个待办,而且我公开讲过,我有 ADHD,最难的是「开始」。现在:
- 每个待办都会进一个独立的 Manus 项目;
- 智能体会把它拆成任务,能先做的就先做;
- 不确定的地方,它会来问我要背景、问应该交给哪个 PM;
- 然后用我授权的 Slack、Gmail、Notion 权限自己去补上下文;
- 最后交给 PM 的,是一份完整的请求,而不是一句「帮我看下这个」。
对我来说,这不只是效率问题。我每天花在「纠结从哪开始」上的焦虑少了很多,这种轻松感,对个人生活的影响非常真实。
9. 这笔 AI 钱,值不值?
我们在 AI 上的花费不小,而且盯得很紧。但这些数据不会用来评估个人绩效,而是评估这笔钱本身:
- 现在有没有回报;
- 未来能不能摊薄成本。
我们觉得它主要买了三样东西:
- 时间和注意力:团队变大后,协调成本会吞噬每个人的注意力。AI 帮大家挡掉一部分「碎片打扰」,让每个人对自己的工作拥有更完整的所有权;
- 对边界的认知:我们在验证和代码审查环节用的是能拿到的最强模型,负责开发者效率的同事认为,这是目前「性价比最高」的一笔支出;
- 产品层面的成本下降空间:越来越多的开发发生在我们自己的 Manus Studio 里,使用数据会暴露出 token 浪费的地方,修复会直接进产品,理论上也会让用户更省钱。
我们预期,随着模型变便宜、浪费被清理掉,现在的成本会明显下降——这是一种信念,不是承诺。
10. 目前还不太行的地方
10.1 任务更多了,注意力却更碎
打断变少了,但注意力被切得更细。一位原本一天只盯 4~5 件事的人,现在可能同时推进 20~30 个任务。每一次切换,都要重新加载上下文。
AI 扩大了每个人能做的事情,也在悄悄推着大家「做更多」。有 PM 跟我说,只要看到有任务在跑,她就忍不住再开一个智能体。这种「多线开花」看起来很酷,但我们更愿意把它当成一个需要解决的问题,而不是值得炫耀的节奏。
10.2 信息更散了,「谁负责整体」变得模糊
产品负责人以前几乎能说清每一个改动是什么、为什么做。现在他有时会截一张图,扔给 Mono 问:「这是谁改的?」
听起来有点好笑,但问题很真实:
当每个人都能改产品时,谁来为「整体」负责?
权限共享也需要重做:
- 会话可以被共享、被接力;
- 智能体出现在越来越多的对话里;
- 我们必须重新划分:什么默认公开,什么必须申请。
目前的解决方案还比较粗糙:
- 一个智能体负责监督其他智能体;
- 只汇报卡住的地方和需要人决策的点。
我们知道这远远不够好,只能说刚刚及格。
11. 接下来要造的东西
这些问题直接指向了一些产品方向,我们猜很多团队迟早也会遇到:
- 把会话当成共享工作空间:一个人抛出问题,设计提方案,工程实现,PM 跑验证,都在同一空间里完成;
- 工作在设备和人之间无缝流动:本地和云端机器保持连接,人离开时,工作还能继续;
- 智能体主动提出人没想到的选项:在有合适权限的前提下,智能体不只是执行指令,而是能基于内部系统提出解决方案。
我们会先在自己身上试,再开放给用户。
12. 人现在在做什么
桌面上一排智能体会话的工程师,不只是效率故事,而是组织运行逻辑的变化。
过去,公司靠角色和层级传递信息,一个人能做多少事,很大程度上取决于他能调动多少人和资源。现在,我们把更多时间花在:
- 给 AI 足够的上下文和工具;
- 再用人的判断去定义问题、评估质量、做取舍、扛结果。
越来越多的时候,是智能体先把问题端到我们面前。要不要做、做到什么程度、什么时候停,仍然是人的责任。
我们内部也开玩笑:既然 Manus 能做到这些,那大家干嘛还来办公室?让智能体自己搞定不就好了。但真正重要的问题,还是需要人提出来、吵一吵、再一起拍板。
比如:
- 什么叫「好产品」?
- 要不要为了利润率牺牲长期探索?
AI 不知道我们要哪一个,只有人知道。文化和信任,是在一次次共同决策中长出来的,是每一场会话背后的地基。
所以,在我们这场「AI 原生组织」的实验里,人并没有被边缘化,反而更集中在高杠杆的位置:
- 定义问题;
- 判断好坏;
- 决定什么值得做;
- 对结果负责。
这也是我们还在持续招聘的原因。人的能力和判断,是这套工作方式的中心,而这点短期内不会改变。
写下这些的时候,我也在想:一年之后再回头看,这篇文章会改成什么样?不同公司有不同的目标、结构和文化,很可能根本不存在一个统一的终局。但对一家做智能体的公司来说,搞清楚「人和 AI 怎么一起工作」,不是选修课,而是主业的一部分。
我们会继续做下去,也会继续把过程摊开给大家看。
文中涉及的数字来自内部记录,团队规模和 PM 独立上线功能的比例以 10 月下旬为准,部分是估算或个人体验,而非精确测量。
常见问题
Q:怎么判断团队是不是已经陷入「半程 AI」的状态?
A:一个简单判断是:看从用户问题到上线修复,中间有多少环节仍然完全靠人肉串联。如果 AI 只出现在「总结一下」「帮我写点代码」这种局部环节,而没有参与问题发现、决策辅助和结果验证,那基本就是「半程 AI」。原因在于,价值链没有闭环,AI 只能当加速器,不能改变流程本身。建议从一条具体链路下手,比如 bug 修复:先让智能体负责初步排查和归因,再逐步接入自动测试和回归验证,把整条链路打通后,再复制到其他场景。
Q:让 PM 或非工程角色写代码,会不会带来巨大的技术债?
A:风险确实存在,如果只是把「写代码」这件事下放,而没有配套规则和验证机制,很容易变成「人人能改,人人不负责」。我们在实践中发现,关键不在于谁写代码,而在于:是否有统一的测试和审查流程、是否有清晰的模块 owner。可操作的做法是:1)所有改动一律走同一套自动测试和代码审查;2)对涉及成本、安全、核心逻辑的区域设置更高门槛;3)要求每个改动都能追溯到明确的 owner 和决策记录。这样一来,角色边界可以更灵活,但质量边界不会被稀释。
Q:如何防止智能体创建过多任务,把人淹没在决策里?
A:要给每个智能体设定清晰的「终点线」和节流机制。我们踩坑的经验是:如果让智能体根据所有反馈自动开项目、自动拆任务,很快就会出现几百个等人拍板的事项。原因在于,大部分工作没有客观的完成标准,只能靠人判断「值不值得做」。建议做法:1)只在有明确验收标准的场景(如测试、监控)允许全自动闭环;2)对「创建新项目/任务」设置配额或审批条件;3)让智能体在汇总阶段给出「不做」的推荐,而不是默认「都做」。这样既能利用它的扫描能力,又不会让人被任务洪水淹没。
Q:团队里引入「AI 同事」后,怎么避免大家把决策都推给它?
A:我们在市场团队的实践表明,必须从一开始就把「谁拍板」写进流程里。智能体可以:整理信息、给出选项、提醒风险,但不能:签合同、定价格、拍上线。原因是,决策不仅是算账,还涉及品牌、关系和长期策略,这些目前都需要人来权衡。建议在工具层面做三件事:1)所有关键动作必须绑定真人账号,由人点击确认;2)在界面上明确标注「AI 建议」和「人类决定」的区别;3)定期回顾几次典型决策,看 AI 的建议有没有让团队变懒,必要时收紧权限。这样既能用好它的分析能力,又不会稀释责任感。
Q:个人如何在「人 on the loop」的模式下不被任务碎片化拖垮?
A:一个可行的方法是,把自己从「执行者」转成「决策和节奏的设计者」。比如可以像文中那位同事一样,维护一个专门的智能体会话,只负责:收集所有待办、按影响和紧急程度排序、每天给出 3~5 个「必须今天拍板」的事项。原因在于,人最耗能的是频繁切换和反复权衡,而不是具体执行。建议你:1)把所有零碎待办都丢给同一个智能体,让它统一拆解和归类;2)给它一套简单的优先级规则(如影响人数、可逆性、时间窗口);3)每天固定一个时间,只处理它列出的「必须决策清单」。这样既能利用 AI 扫清噪音,又能保护自己的注意力不被无限稀释。


