YC 用一年补上的缺口：把个人的 AI 超能力，变成整个公司的能力

很多人已经在用 AI 了，而且用得很强。但把镜头拉远到整个公司，情况往往没怎么变：个人效率提高了，组织做事的方式还是老样子。

YC 是硅谷最知名的创业孵化器。它花了一年时间，只解决一个问题。现在，他们公司里的 AI 每天晚上会把全公司当天的对话读一遍，第二天自己变得更好用。这套系统到底怎么搭起来的？YC 的合伙人 Pete 第一次公开讲了完整结构。把它拆开，一共五层，任何公司都能照着搭。

一个别扭的落差

Pete 发现了一个很别扭的落差。

他自己在电脑上用 Claude Code，感觉像有了超能力。可回到公司，财务要记账、要登记融资轮次，还是得先把需求讲给工程师听，工程师写成软件，再交回来；流程走完一遍，下一轮又从头来。

他的想法很直接：让财务自己用英文把流程写下来，交给 agent 执行，把工程师从这个循环里拿掉。

这背后是一个更大的判断：个人用 agent 和组织用 agent 之间，差了一大截，而且还没有人真正用好。YC 这一年做的，就是去补这道缺口。

他们造的系统其实很简单，就三样东西：一个能自己干活的 agent，一个工具库，底下可以切换不同的模型。真正复杂的是围绕这三样东西长出来的五层做法。

第一层：数据——先让 agent 查得到

第一层是数据。

YC 的合伙人 Jared 觉得手头的数据不够用，深夜偷偷上线了两个工具：一个能对生产数据库跑只读查询，一个能读数据库的表结构文件。结果效果出奇地好。

原因不复杂。YC 几乎所有业务都跑在自己写的软件上，数据全在一个数据库里：投过的每家公司、每个创始人、每笔交易、合伙人在 CRM 里留下的笔记，都在里面。agent 只要知道表结构，什么问题都能答。

现在随口就能问：最近四期投过的航天公司，都有哪些投资人？放在以前，这要写几个小时的 SQL，还得去数据团队排队。

门槛一降，大家问的问题变多了，也敢问更难的了。连没有技术背景的财务同事，都能直接提问。

那数据散在几十个 SaaS 里的公司怎么办？Gary 的办法是：把各处的数据倒到一个地方，专门为 agent 再整理一份。不追求规范，而是按 agent 容易检索的方式重新组织。

如果你所在的公司要开始，第一步就是这个：给 agent 一个只读的数据库账号，再附一份表结构说明。只读，意味着它什么都能查得到，但什么都改不了。

第二层：工具——让 agent 真的能做

数据能查了，事情还得能做。

一个工具，就是 agent 能执行的一个动作，比如记一笔账、约一次会。YC 建了一个所有团队共用的工具库：一开始 20 个，现在 350 多个，覆盖财务、招聘、office hour、活动管理等等。每个团队把自己的活做成工具放进去。

关键在“共用”。同一套工具，内部 agent 能调用，每个人电脑上的 Claude Code 也能调用。

Pete 说，如果换到任何一家公司，他最先做的就是这两件事：统一的数据，加一个公用的工具库。

自己公司不必一次做全。YC 也是从财务一个团队开始的。哪件事值得交给 agent，就往库里加一个工具。

第三层：Skill——把“怎么做”写成说明书

工具解决的是“能不能做”，skill 解决的是“怎么做好”。

你可以把 skill 理解成工具上面的一层说明书，本质是一个文本文件：遇到这类事，按什么步骤、用哪些工具。

YC 的用法是这样演进的：一开始每个人自己写提示词，后来写成 skill，再后来让 agent 自己去改 skill。哪次做得好，就说一句“skillify”，把这次的做法存下来，下次谁都能用。

Gary 自己还有个习惯：定期检查新的 skill 和旧的有没有重复，整体是不是不重不漏。十个做同一件事的 skill，不如一个带参数的。

自己公司的第一批 skill，就是让团队里真正干活的人，把自己做某件事的过程写下来。

第四层：每晚复盘，让 skill 自己变强

再往上，是让 skill 自己变强。

YC 有一个 agent，每天晚上读完全部员工和 agent 的对话，专门找两样东西：哪里本来可以做得更好；哪里如果一开始就有某条信息，能做得更快。然后回头去改对应的 skill。

举个例子。YC 要求创始人用两句话讲清楚自己的公司：你做的是什么，为什么值得关注。听着简单，很多老练的创始人都写不好。一位合伙人写了个 skill 专门帮他改。后来几位合伙人开了场小组辅导，让这一期的每个创始人现场写、现场点评，再把这一场的转录喂给 skill，让它自己改进。Pete 说，现在它写得比他还好。

Gary 的总结是：组织里的超级智能就是这么来的——把一件事做成 skill，用的过程留下记录，再用记录改进 skill。每件事都这样做一遍，就没有更复杂的了。

可以先从自己公司的一个 skill 开始：把它的对话记录、相关的会议转录留下来，让它自己改。跑通了，再推到下一个。

第五层：组织——最难的是让人愿意公开

第五层最难，而且跟技术无关，是组织。

一是对话默认公开。YC 每个员工和 agent 的对话，全公司都能看到，实时推到一个 Slack 频道。这个决定当时争论了很久：所有人都能看到，所有东西真的都能公开吗？最后留下来的原因是，大家看着别人怎么用，才学会用的。公开本身也是一种约束。在 VC 这种高信任的环境里，敏感信息反而没人乱用。

二是什么都录下来。会议、讨论、文档，都是 agent 复盘的原料。两年前开会录音还很别扭，现在几乎成了默认。

三是舍得花钱。Gary 说，每年花 1 万到 10 万美元买 token，相当于提前活在 2028 年：今天要花 10 万的事，明年 1 万，后年几百块。就像 90 年代最早给员工配电脑的那批公司。

他们的结论是，这样的组织必须够平等、默认信任。而世界上大多数组织，恰恰做不到这两点。大公司的数据都锁着，理由是不安全。

回报也很实在。原来新人要半年才能上手；现在 agent 里装着最好的合伙人怎么做事，新人一来就能学。不好意思问同事的问题，可以先问 agent。

自己公司也可以先在一个团队里试：把大家和 agent 的对话公开到一个群里。

反过来想：AI 是地基，不是插件

Pete 写过一篇很火的文章，叫《五匹马的马车》。他说，大部分 AI 产品只是在旧软件里塞一点 AI；而 YC 这套做法正好反过来——AI 是地基，工具和流程长在它上面。

把这五层再串一遍：数据放在一起，工具大家共用，做法写成 skill，每晚用记录复盘，对话公开给所有人看。

模型反而是最不用操心的。难的是第一层和第五层：把数据放到一起，和让大家愿意公开地用。

如果只做一件事，就从一个团队、一个只读数据库账号开始。这期建议存下来，对照自己公司看看，卡在哪一层了。