對話劉夜：OpenClaw 只是「手腳」，我們需要從「數字員工」到「數字組織」，從「造兵」到「佈陣」

對話｜張鵬

當大家一窩蜂地去開發「數字員工」、「Agent 工具」，並在細分場景裡無休止地內卷時，AI 創業的真正護城河到底在哪裡？

近日，極客公園創始人&總裁張鵬與 VisionFlow 創始人劉夜在 OpenClaw 爆發後，進行了一場向前推演的討論。作為 1979 年出生的中國第一代程序員，劉夜經歷了從底層硬體到軟體、從企業級整合（ToB）到線上教育（產業互聯網）的完整週期。在閉關數月、與全球頭部 AI 公司的研究員和國內頂尖創業者「應聊盡聊」之後，他得出了一个冷酷的結論： 把 AI 當做「數字員工」來取代單個任務，是工程師思維對真實業務的過度簡化。

在這場對話中，劉夜抛出了「漸進式暴露」、「任務的高低維矩陣」等一系列極具啟發性的概念和框架。在討論中，一種未來的可能性逐漸明確：AI 的下一步絕不是泛濫的工具人，而是構建具備協同、匯報、反思機制的「數字組織」。當企業文化不再必要、低維工作被徹底抹平，未來的 CEO 或許將不再是「首席執行官」，而是擁有極致審美的「制片人」。

這是一次關於 AI 時代組織形態、商業壁壘以及新一代創業者生態位的探討推演。希望引發更多創業者未來的更深入討論。

以下為極客公園整理的對話精編：

01 萬 A 大戰已經開始，能做的太多，
但該做什麼才是最重要的

張鵬： 從作業盒子到今天這麼熱衷於探索 OpenClaw 帶來的變化，你自己經歷了什麼變化嗎？

劉夜： 我是中國第一代程序員，從小就開始學編程。經歷了從 BASIC 到 DOS，再到 Windows 和今天的 Mac 時代，也見證了三大門戶的崛起。我做過企業資訊化，想做中國的 IBM；後來轉型作業盒子，深度參與了線上教育。線上教育是一個非常深刻的產業，是產業互聯網的最高形態，也是「最後一班車」。這段經歷讓我深刻感受到，產業互聯網的核心不是技術，而是產業本身，是業務。 產業互聯網的規律，是先做資訊撮合，再做標品，接著是供應鏈，最後是非標的複雜服務。越往後毛利越高，也越難做。

所以，當 AI 浪潮來臨時，我做的第一件事，就是花了將近 6 個月的時間，什麼都不幹，讓 HR 把所有能聊的人都聊一遍。從各個明星創業公司的首席科學家到各個基模大廠的核心算法、工程師和研究員，以及新銳 AI 創業者，應聊盡聊，大概攢足了近千個小時的交流密度。聊到什麼程度？聊到對方說上半句，我就知道下半句是什麼，所有人的共識已經差別不大了。

聊完一圈後，結論驚人地一致：所有人都在做一樣的事——數字員工。這讓我想起了當年某位大佬對雲計算的一個戰略誤判，他說阿里做雲，本質不就是個網盤嗎？用舊框架去理解新事物，你永遠只能看到最淺的那一層。

今天所有人都覺得做個數字員工，用 Claude 寫個「數字銷售」或「數字客服」出來，技術壁壘在哪？護城河在哪？當一個人一天燒幾億 TOKEN 都成為常態，這更像製造業，根本飛不起來。所以我問每一個創業者同樣的問題：Why are you？憑什麼你行？你更年輕？更聰明？更能熬夜？在一個維度上競爭，那不就是是「10 秒 69」和「10 秒 70」的區別嗎？

張鵬： 嗯，今天 能做的太多了，但該做什麼，才是最重要的。 你有什麼這方面的思考嗎？

02 產業互聯網的十年，今天會重演一遍

劉夜： AI 很不一樣，但我相信依舊有和產業互聯網的規律會有暗合的部分。早期做工具，中期做業務，最後做諮詢。技術不成熟時，第一波進來的一定是工程師，他們擅長把世界過度抽象，比如百度的「框計算」，認為一切都是框。但移動互聯網的後半場是內容和服務，不是框。

工程師出身的人對組織的想像，往往過度簡化了業務。你看整個第一代互聯網三大門戶，那波跑到最後跑得最好的是騰訊和阿里，而他們離技術稍遠，但離產業很近。今天也一樣，技術正變得越來越不重要。

張鵬： 這一波文科生挺開心的，不會寫代碼 似乎 也沒關係了。 但長期來看，到底 AI 時代對人的要求是什麼樣的？什麼變化了？

劉夜： 在中國的人才結構中，我發現一個問題。中國第一代程序員就是產品經理，因為當時並沒有產品經理這一崗位。產品經理變成一個被廣泛認知的崗位，是在 2010 年前後，在喬布斯發布 iPhone4、張小龍提出產品觀之後，才有了「人人都是產品經理」的說法。在此之前，程序員同時承擔產品經理的工作，先有程序員，後有產品經理，所以第一代程序員都是產品經理。第一代程序員學習代碼並非為了工作，而是出於興趣，他們是憑借熱愛投入其中。正是這些不被定義、跳出常規的人，才最為出色。

但第二代的程序員近十年的產業互聯網把程序員變成了「碼農」，產品經理成了建築師，碼農被馴化得不思考業務。今天 AI 來了，「碼」的部分被幹掉了，不進化，他們真只剩「農」了。這批年輕人很優秀，但他們對產業的理解是空白的。所以，當下的「萬 A 大戰」，本質上還是工具層的泛濫。

你看產業互聯網後期，阿里、美團這樣的公司，都是標配用頂尖諮詢公司（MBB）背景的人做商業分析，用諮詢公司的人帶著產品經理做業務流程，因為互聯網產品經理腦子裡天生沒有系統。飛書就是這麼做出來的。字節雖然是純互聯網，但也大量用諮詢公司建內部流程。AI 時代，這個規律只會加強，不會減弱。

03 企業的問題，從來不是員工問題，而是組織問題

張鵬： 所以， 你覺得 卷「數字員工」這個單點，意義不大。

劉夜： 這是我最核心的一個判斷： 數字員工不是終局，數字組織才是 。如果數字員工泛濫了，連招聘崗都不存在了，所有人都能擁有好的數字員工，那然後呢？那個公司就都能賺錢和成功了嗎？其實 所有公司的問題，都是戰略問題和組織問題，從來不是員工問題 。

所以，今天的 Agent 仍然在替人幹活，而不是替人決策。我們內部改造了 OpenClaw，做了一個叫 MetaOrg 的東西。它本質上是一個可以生成 agent team 的內核。我們解決任何任務，都不是派一個員工，而是要建一個「組織」去解決。這個組織有協同關係、匯報關係、有使命、有目標、有行動方式。

張鵬： 但 未來有沒有可能，一個人就是一個部門？ 甚至就是一家公司？

劉夜： 這是特別好的問題 。 我們還是微觀到任務，比如用 AI 做一個短視頻、寫一個文檔的時候，需要多輪對話。你說一句，它回一句，再給它反饋，這就是工具人式的使用，它只是很聰明。

所以人和部門的概念，不是數量上的多和少。 我們描述一個高級崗位的 JD 時，通常是：第一，能幹活，能幹各種活；能用各種工具。高級崗位則是能夠理解意圖、主動規劃路徑、主動執行、實現交付、定期匯報、反思總結交付成果，並基於成果的偏差動態調整策略。這就是高階能力。

張鵬： 一個合格的部門，得是「L4 級別的自動駕駛」。

劉夜： 是的。當給它一個技能，它可以完成複雜任務；給它一個技能系統，它能完成複雜綜合任務；當有一堆智能體（agent）編排時，就能完成更複雜的事，比如拍一部短劇。我經常跟員工開會說，你們用 MetaOrg 的時候，不要把自己當成主管，要把自己當成董事長。你要努力試探它的邊界。

未來年輕人創業，以前說家裡給 50 萬創業，未來說不定是給一個 TOKEN 預算去試錯。你願意花多少 TOKEN，決定了它能做多高級的崗位。越高級的崗位，推理鏈路越長，越需要來回試錯、迭代和總結。

張鵬：回到剛才的那個問題，如果有一個 agent 的群組，它可以被拆到更細的單元，或者說類似崗位與能力的拆解。當它形成一個團隊，面對核心任務時，每個個體的人才質量就決定了成敗。這又回到了上一個時代的 商業組織競爭 邏輯： 人才密度，也就是 人才質量高， 組織的 核心任務就更容易實現、跑贏。

這件事的核心在於，如果未來 AI 都是萬能的，我們都可以 調用最好的 AI ，那 除了商業組織可以因為更高效的提供不同細分服務而創造價值， 另一層維度 上是不是 还要 回到 「人才密度」上看一層—— 無非就是你的 agent、bot 在這個體系裡拆到原子級的能力更高，「人才 密度 」 就 更高，在複雜任務中，結果、效率甚至創新就會更好。我不知道這是不是正確的推導？

劉夜： 我認同這個觀點。 企業內部有個部門，大企業通常叫 OD，也就是組織發展。衡量一個組織能不能打贏仗，通常的做法是把對方的所有人才拉出來進行對標，通過判斷人對崗、能力對崗的強弱，來預測戰爭的結果。所以一般企業打仗，靠的是組織能力，而不是業務策略。最典型的例子就是阿里。阿里非常重視組織建設，所以如今能迎來「第二春」。因為創始團隊會老化，但組織可以生生不息。本質上，如果有一天咱倆是競爭對手，我們都在用 AI。我建立了一個強大的 AI 組織，具備很強的 AI 組織發展能力。我該如何構建這個組織？我會把所有競對的 agent skill system 逐一打開，分析它們的技能代碼。然後在我自己的體系裡編寫更優的技能，甚至去補齊它們缺失的職能。比如我有戰略部，我會先進行觀察分析。

華為有「五看三定」的方法論。我跟朋友開玩笑說，我們創業只要用這一套，就能幹掉 99% 的競爭者。所謂五看，是看行業趨勢、看市場客戶、看競爭對手、看自身能力、看戰略機會；三定則是定控制點、定目標、定策略。這套方法論足以篩選掉絕大多數競爭者。因為下棋的人大多是亂下的，他們依賴快思考，而高手默認開啟的是深度思考與推理模式。第一反應是，我要作為統帥去思考這件事該怎麼做。

張鵬： 所謂「五看三定」本質上就是不要「應激反應」，要固化一個長推理的過程的意思呗。

劉夜： 高手都是 deep research 加上 thinking 的模型，知道首先看全球的最佳實踐和信息，然後總結分析，進行深入思考推理，但是出答案，出手就是一招制敵。

所以我認為未來的競爭核心只有一件事，就是給傳統產業的業務進行建模，將其抽象成具備系統能力，且能夠做智能體編排的能力。這就是新一代的組織發展（OD）能力，且會升級為 AIOD，這是未來唯一的核心競爭力。

阿里的核心優勢就在於建組織，組織建設到位後，無論面對什麼對手、開展什麼業務，都能具備競爭力。而且馬雲曾說， 打仗的目的並非一定要搶佔某個領域，而是通過打仗實現組織的成長 。阿里是以組織成長為核心衡量標準，來判斷一場仗是否值得打，這是一種非常高階的思維。馬雲本人就像一個超級信息樞紐，每年飛行 200 次獲取各類信息，回來後用於完善組織建設。他才是真正意義上的董事長，而非單純的首席執行官。

這就是我們所見到的最高級的組織形態——能夠跨越幾代人、覆蓋不同產業，既能連續獲得成功，在陷入衰退後還能調整回升。通常而言，一家公司如果十年內任命錯了首席執行官，大概率會走向衰敗。所以說，以史為鑑，用更高維度的視角降維看待當下的發展，即便對現有模式做一些裁剪和優化，也比從底層從零開始構建要高效得多。

現在任何人都能輕易搭建一個 agent，員工上手門檻極低，再加上開源社群的加持，行業已無太多秘密可言。在工具層面的內卷，是永遠比不過開源社群的。那么，什麼才是開源社群所不具備、無法複製的核心競爭力？

04 AI 組織的物理學：為什麼「漸進式暴露」是關鍵？

張鵬：「上個時代」談論組織時，會強調例如組織文化、價值觀、 KPI 等一系列內容。當我們從上個時代的組織管理，過渡到 AI agent 組織的新时代，哪些內容可以徹底摒棄，哪些內容可以保留但需要轉化？

劉夜： Anthropic 之所以推出 skills，核心原因包括 AI 編碼領域的「漸進式暴露」理念——AI 若接收大量雜亂信息，會出現上下文腐化、注意力不足導致的混亂，漸進式暴露才能讓 AI 保持良好注意力並輸出優質結果。若依靠人工實現漸進式暴露，本質上就是全人工對話，效率低下。因此， skills 的核心價值的是將複雜任務分層拆解，實現對 AI 的漸進式暴露。

這與公司管理邏輯一致：董事會聚焦戰略問題，CEO 聚焦策略問題、管理高管，員工處理簡單事務。若 300 人同時參與同一會議，這個會就沒辦法開了。組織存在的核心意義，就是實現信息的分層處理，如同資料庫三範式通過信息壓縮分層提升效率， 複雜問題必須分層拆解、漸進式暴露，而非一次性輸入大量上下文，這正是傳統企業組織形式的核心邏輯，畢竟特定時間內的算力是有限的。

張鵬：模型每次都要耗費巨大算力從頭開始創造，效率太低。

劉夜： 不可能實現，核心還是依靠分層的漸進式暴露，該調用的資源必須調用，這是由 AI 模型的能力邊界決定的。此外， Anthropic 推出 skills 的另一原因，是複雜任務已超越基礎物理學定理，skills 能將複雜任務拆解為一個個低維簡單任務。 任務的核心區分維度並非難易，而是複雜程度——存在低維難、高維難等不同類型，比如程序員編碼、解數學題，就屬於低維高難度任務。

地平線余凱提出過一個經典模型：所有工種可按「競爭程度」和「維度高低」分為四個象限，即高維高競爭、低維低競爭、低維高競爭、高維低競爭。 其中，銷售和工程師屬於低維高競爭，產品經理和 CEO 屬於高維高競爭；科學家則屬於高維低競爭——這類課題可能全世界僅一人研究，競爭度低但維度極高。像優質短劇、好小說這類高維高競爭任務，目前 AI 尚無法完成；而代碼優化這類低維高競爭任務，AI 已能很好勝任。 越高維的任務，數據源越少，但訓練模型所需的數據量反而越大，這也是文本模型先出現、圖片和視頻模型後出現，且短視頻模型難以落地的核心原因。這種高維任務與高維數據的供需矛盾，只能通過 skills 拆解任務來彌補，就像企業中找不到高級崗位人才時，會將其拆分為三個基礎崗位一樣，唯有 CEO 這類高維崗位不可替代。

張鵬：低維高競爭的任務，大概率會被 AI 完全取代。

劉夜：百分百會被取代，而且這種取代已經發生。

張鵬： 確實如此，因此所有低維高競爭的事，都應盡快用 AI 解決，可將其拆解為 skills，再通過 agent 組織實現落地，這個過程中不一定需要人類參與。

劉夜： 我有一個初步設想，IBM 和埃森哲作為全球最大的兩家諮詢公司，核心業務本質是提煉產業最佳實踐，並與數字化對齊，售賣的是流程而非工具。企業採購風險流程、IP 時，都会請諮詢公司落地實施。我們當前的核心工作，就是構建 skills 集群，找到各領域頂尖專家，提煉其能力並對齊，形成標準化 skill set。這與作業盒子的模式類似——作業盒子聯合北京四中、人大附、高考出題組及學而思的老師，提煉出題、講題、批改等核心方法，再聯合百度算法工程師搭建系統，本質也是對齊最佳實踐。而組織能力的核心，就是組建優質跨界團隊，既要懂產業、懂工程，也要能聯動各垂類頂尖行業專家，同時具備商務、人才招聘和管理能力，這也是新一代 AI SaaS 企業的核心構成。

張鵬：進一步推演，未來應從業務維度反推所需的組織形態。組織本質上是一種編排結構，類似 事業 操作系統——將人作為生產力單元放入適配的組織，就能發揮最大價值，反之則無法高效運轉。如今生產力要素已發生替換，從依賴人力變為可無限供給的 AI，且只要形成正循環就能持續擴容。過去的組織文化，如今可能轉化為目標和上下文，不再需要口號、三板斧會議、破冰等形式。

劉夜： 文化是管理意圖而非業務意圖。上個時代，戰略始於願景，願景決定價值，組織服從於戰略，業務驗證一切，而文化只是治理組織的手段，不直接服務於戰略，甚至可能只是創始人的個人偏好。

張鵬： 過去 人 服務戰略的過程中存在大量間隙，AI 是否正在消除這些間隙？

劉夜： 是的，文化在 AI 時代已不再重要。文化是人類組織的信念部分，但 AI 不需要。AI 沒有血肉之軀，無需文化牽引。AI 核心需求是算力。

張鵬： 你的意思是說， AI 需要的是目標和原則。一份文檔就足以明確目標和原則，所有生產力單元都能立即同步、忠實執行，不會出現偏差。人類組織中很大一塊摩擦力就消失了。

劉夜： 是的。原來的組織：戰略→文化→人才→執行，現在的 AI 組織：目標→原則→Skills→編排。整個管理鏈條被壓縮了一半。

05 最後的壁壘：審美與編排

張鵬： 企業 新的壁壘是什麼？人才質量被取代為 Skill Set，只要我有審美，就能從全世界獲取最好的 Skills。那再往上一層，就是「編排」（Orchestration），對嗎？這會發生什麼變化？

劉夜： 就像華強北能買到所有電子元器件，但為什麼不是所有人都能做出蘋果？喬布斯傳中對審美的定義非常清晰：見過世界上足夠多的好東西，能分辨優劣，就是審美。若從未見過好產品、好流程、好組織，就無法做出優質成果。

張鵬： 見識是審美的前提。

劉夜： 見識加天賦，僅此而已。

張鵬： 審美體現在兩種方式：一是主動設計、編排，二是在混沌中識別並選擇湧現出的優質事物，這兩種方式並不衝突。

劉夜： 確實不衝突。蘋果的部分成果是自主研發，部分是收購第三方，核心是擁有審美——無需重複造輪子，必要時自主研發即可。

張鵬： 核心在於，是讓 agent 在設定模塊內運行後再確認路徑，實現湧現式編排；還是直接設定好所有路徑，進行設計式編排？

劉夜： 湧現是非操控性的，需要先設定種子規則和原則，這才體現一個人的審美。就像優秀工程師用 500 行、5000 行代碼就能做出好用的 OpenClaw，而不合格的工程師寫 5 萬行代碼也無法達到同等效果，底層的種子規則仍需人類設定。

張鵬： 所以 不能在混沌中等候湧現，那需要極長的時間 ， 編排依然至關重要。這種編排最終是否只能來源於創始人，或者說更像是 「制片人」？

劉夜： 我覺得制片人這個定義很好。確實如此，即便有湧現和規模效應，仍需要數據標註、數據清洗，以及算法的持續對齊，避免無序擴張。

編排者取決於業務複雜度——複雜業務一個人無法完成，比如拍攝短劇、撰寫提示詞，實際操作中會面臨諸多困難。「一人公司」的概念被濫用，世界無法被無限簡化。雖然電腦可由一人操作，但一個人難以掌握所有高維能力，像伊隆·馬斯克、李飛飛這樣能精通多個領域、接管任意崗位的超級人才，極為罕見。

張鵬：若我們能調用全球最頂尖的 agent 和 skill 體系，比如一個優秀編劇，理論上能否借助這些資源，拍出全球知名且盈利的電影？編劇雖有核心亮點（好劇本），但無法完成所有環節，這種「核心亮點+全球資源」的閉環是否可行？

劉夜： 這本質是數據問題——是否存在存儲最高維信息的數據。 比如訓練 CEO 的 skills，目前沒有足夠的數據支撐：任正非的萬字長文、馬雲的口述，都無法完整呈現他們的高維認知；即便收集全球公司財報、CEO 的所有言論，也無法訓練出能勝任 CEO 的模型，因為 CEO 的核心能力是隱性知識，無法通過文本完全暴露。

張鵬：也就是說， CEO 的核心能力目前還無法被向量化。這就約束了「一人公司」的理想構想——即便每個人都能發揮單一維度的優勢，搭配全球頂尖資源，仍缺少核心的編排者，本質還是編排能力的問題。歸根結底，擁有最好的「元件」，仍需具備強大的編排能力。

劉夜： 產品經理也是如此，其隱性知識無法完全文本化。這也是當前 AI 伴侶、AI 生成內容不夠「鮮活」的本質原因——缺乏高維隱性知識的數據支撐。 數據量少的時候，重點做 skill；數據量多的時候，再做模型 。機器人目前無法落地，核心就是缺乏足夠的數據。

張鵬：由此可推導出，未來公司的競爭勝負點，不再是能否接觸到頂尖模型——初始 AI 資源看似一致，算力也與財力、業務閉環能力相關，最終的差異仍會回歸到「制片人」本身，即其編排能力和目標的創新性、意義，這兩點構成了公司的核心競爭力。

劉夜： 麥肯錫前合夥人曾告訴我，麥肯錫的核心業務就是萃取最佳實踐、建立模型，再協助企業逐一實施。比如為中國汽車廠做諮詢時，會向日本同事了解豐田的做法，本質就是複製和落地最佳實踐。

咪蒙做短劇的案例很有參考意義。她是中文系出身，核心團隊卻由清北數學系、計算機系人才組成，專門拆解爆款短視頻的邏輯，最終實現極高的爆款率。 這種思路本質上是給行業的社會工程建模，即便存在過擬合的可能，但建模的方向是正確的。

IBM、埃森哲、麥肯錫做的都是這類事——第一代麥肯錫將最佳實踐建模到合夥人身上，IBM 則將其轉化為數字化流程，本質都是「售賣管理和流程」。

張鵬：核心就是提煉最佳實踐，再反覆驗證落地，這就是未來商業組織的勝負關鍵。只有拆解到位，才能實現高效編排。所以你們接下來的核心方向，就是沿著這個思路推進？

劉夜： 過去三年我們主要做 AI ToC 事業，用 MetaOrg 的方式重建了整個教學教研體系。這不是一個簡單的「用 AI 提效」的故事。我們構建了一整套 Agentic 教研組織，背後跑著一個個虛擬的教研 team：語言學習研究團隊負責追蹤二語習得最新理論，垂直語料收集團隊從真實語境中抓取地道表達，對話評估團隊建立口語能力的多維評判標準，對話設計團隊把教學法轉化成自然的人機交互，題目容器設計團隊解決練習形式和內容適配的問題，數據分析團隊從用戶行為裡挖掘學習效果的真實信號。每個 team 都有自己的 skills、自己的工作流、自己的評估標準。目前教材數據打標、監控評估、用戶洞察、產品迭代等 80% 左右的工作，都由 AI 完成。

我們的發展路徑是從「AI 作為功能」，升級為「AI 作為組織能力」。英語老師這個崗位處於中等複雜度，我們已將其抽象出來，通過 MetaOrg 生成其他崗位；若結合最新的 skill 架構，有望構建更高級的崗位。

目前我們已完成 AI tutor 的全流程搭建，包括編排能力的抽象和工程實現，未來大概率會從 Meta tutor 升級為 Meta 組織——其最小單元是崗位，而非員工，核心在於崗位間的協作與管理。我們當前的重點，是對接各行業最頂尖的 CEO，因為 CEO 才是核心「制片人」。

張鵬：所以你們推出的，更接近一個可擴展的部門？

劉夜： 目標是朝著「公司」的方向推進，大公司本質也是由多個小公司構成，而最小單元是崗位。既要關注全產業戰略選擇，也要從崗位入手推進產品迭代——崗位做不好，即便管理者能力強，也無法形成高效組織。

張鵬：要做好一個部門，首先要拆解部門相關能力和崗位，再拆解崗位對應的 skills，且要追求這些 skills 達到 SOTA 水平。

劉夜： 核心方法只有一個：與最頂尖的被服務企業共創。做出來的 skill，需要頂尖企業評估是否符合需求，就像下屬寫的方案需要上級審核一樣，不能自嗨。比如做短劇建模，需得到行業頂尖機構的認可，否則就不算真正的頂尖。一切都需要評估和衡量。

Midjourney 能做出優質圖片，核心是團隊由攝影師和工程師組成，具備頂尖的圖片審美；LV 用 Stable Diffusion 訓練的圖片模型，效果遠超普通模型，因為 LV 擁有全球最頂尖的圖像審美和數據。可見，評估能力才是核心。要做 AI 公司，需像 IBM、華為那樣——IBM 服務頂尖車企後，掌握造車的最佳實踐並輸出；華為花費 40 億購買 IPD 流程，既用於自身管理，也對外輸出，這才是核心競爭力。

張鵬：本質上就是順著最佳實踐拆解 skill，實現 skill 的 SOTA，再升級為崗位和部門的 SOTA，最終編排成業務的 SOTA，這是通向業務頂尖的明確路徑。還有一個關鍵問題：如何保持 skill 的與時俱進？就像地球生物圈的變異，每個時代的 SOTA，在下一個時代可能會被淘汰，如何應對這種變化？

劉夜： 核心邏輯與人類和生