当Agent开始进入日常协作环境，它不再只是回答问题，而是能接收任务、调用工具、交付结果。作者用两个月时间像带新人一样培养一个Agent，发现它比带人更容易，且经验可沉淀。这引发了对团队管理、人才培养和筛选逻辑的重新思考。

近两个月体感：Agent 一定会颠覆“管人”这件事

OpenClaw 刚出来的时候，我就在想，能不能用它去替代掉一些基础的一线执行人员？当然了，这个事情到现在也没百分百实现，（倒好像是被网易先给跑通了）。

但是从两个月前开始，我原先设想中的、替代掉基础执行人员的几个必备条件，看似都已经成熟：OpenClaw、skills、CLI、LLM Wiki…

让 Agent 参与到实际业务流程当中，终于被当作一个正式项目在推。大致概括起来是：将一个 Agent 放进日常协作环境。它不只是在对话框里回答问题，而是可以接收任务、读取资料、调用工具，再把结果送回原来的协作入口。

对我来说，这个协作入口就是飞书，具体实现方式可以看张咋啦的这个项目：https://github.com/zarazhangrui/lark-coding-agent-bridge.git

两个月里，我像带一个还在 landing 期的新人一样，介绍我们组整个业务的背景、流程，平时推进工作时候的关键人物，以及一些需要花挺长时间去理解的业务目标和做事原则；再让他跟着我一起去参与几个项目。在这个过程当中，我只需要给他同步足够的上下文信息，告诉他关键流程以及我想要的结果。中间他也确实会像人一样犯错，给出的结果并不符合预期。那对于不符合需求的，就会继续改，直到最终形成一个可用的 Skill。一旦跑通一件事以后，就意味着之后在这件事上我不需要花任何精力从头再教，并且是绝对稳定。

两个月的经历，让我脑子里冒出了一个说出来不太好的感觉：

教会一个 Agent，比教会一些人容易太多了。

只是在半年前，哪怕 OpenClaw 很火，Skills 已经很成熟的时候，我也根本想象不到 Agent 可以做到现在这种程度。这里的重点不是 Agent 有多聪明，有多能在实际业务中交付结果，而是这个转变只用了半年。

Agent 现在确实跟预想中的、完全帮人干活的程度还有很大的差距。但其实只要在工作里实际带过新人，大概都有体会：教会一个 Agent，比带出一个人容易太多太多了。

培养一个人，真正贵的不是把答案说一遍

以前一直认为，一个好的 Leader 必须重视人员培养。

到现在我也没有完全否定这件事。只是半年前的我会下意识地把“培养人”理解成一种几乎没有前提的责任：只要他在我的团队里，只要他表现出想成长，我就应该尽可能地教。

真的带过一些人之后，才发现培养成本根本不在于把答案说一遍。

贵的是先替他跑通，再把背景讲清楚；指出他缺什么知识；看完第一版不太能用的结果，再解释为什么不能用；等他遇到相似的问题时，再把同一套逻辑重新讲一遍。

并且很要命的是，一旦这个人想要离职，那无论他再怎么觉得这个团队其实没什么问题（只是因为一些其他原因他要走），无论他再怎么感激我，实际上之前在他身上付出的所有额外成本，就还要对下一个人再支付一次。

这也是为什么实际的招聘中，都很想要有垂直经验的人，最好即来即用。

Agent 当然不是完全没有培养成本。

我需要整理上下文、修改 Skill、测试权限，还要防止它一本正经地做错事。模型会换，工具会升级，原有配置也可能失效。

PS　实际开始培养一个自己的 Agent 的时候，才知道什么叫上下文“工程”，什么叫驾驭“工程”，什么叫循环“工程”，真的是大工程。

但其中存在一个非常现实的差别：我可以把一次成功的方法和一次失败的教训写进 Skill、脚本或参考资料。载体以后可能会换，这套东西却可以留下来，继续给下一个 Agent 用。

Anthropic 在介绍 Agent Skills 时，用的类比就是给新员工准备 onboarding guide。这个类比放在实际工作里非常准确：我不是重新训练一个模型，只是把组织里的程序性知识变成它下一次还找得到的工作手册。

放到人身上，同样一次反馈能不能留下来，就没有那么确定了。

大部分人听完一个具体问题的解法，就只会解决这一个问题，下次稍微换一个场景就又不会。

Leader 需要一次次支付相同的教学成本。对于想把业务做大、想让团队规模提升的 leader 来说，真的很要命。

有了可用的 Agent 之后，再去看待团队里的人，就可以明确地将他们分为两拨人：一拨是只能纯执行；另一拨是只需要同步足够的背景信息和上下文，就会自发完成，甚至发现新问题。

“筛选大于教育”这句话，第一次可以在现实中实现。

筛选的前提，不是要求一个人什么都会

Agent 会替代人吗？或者说正在替代人吗？肯定是，但肯定是对于一部分人。

这里实在想不到什么其他例子，就直接用在我身上真实发生过的事，抽象着说

比如就拿在司内应用 Agent 这件事举例。

如果想让一个人开始使用 Agent，我认为自己需要告诉他的其实只有三件事：

1. 这个 Agent 是什么；
2. 他如何能够用到它、如何安装；
3. 我已经用它实现了什么。

接下来，他应该先自己去试。

中间遇到卡点时，问题大致可以分成两类：

一类是概念问题、通用操作，以及明显能够通过搜索或者直接询问 AI 找到答案的问题

另一类是和公司内部业务、关键人物、权限、历史背景强相关，答案确实只掌握在少数知情者手中的问题

第一次分不清没有关系。

他拿着一个本来可以自己解决的问题来问我，我也不只会回答问题本身，还会直接告诉他：这个问题其实可以去问 AI、可以去什么地方搜；再往前推一层，告诉他以后遇到哪一类问题，都可以用同样的方式自己处理。

站在我的视角，真正观察的是几次反馈以后他有没有发生变化。

能不能从一个具体问题里学会一类问题的处理方式；能不能逐渐把可以自己解决的部分留给自己，只把确实需要内部信息、风险判断和关键确认的问题带过来。

其实不介意一个人第一次不会。真正被介意的是：同一类学习成本，他总想让我替他反复支付。

“筛选大于教育”从来都不等于不教；只是前几次“教育”，本身就是筛选的一部分。

再说另一个真实案例，是我的一个 -1。

他一开始表现得非常积极，特别是在职级提升这件事，经常主动找我交流。但说实话，我们聊的内容很少真正落到业务上。

后来我让他做一项在我看来很重要的调研，最终他给出的结果并没那么有用。

一次做不好其实没什么，我给的也不是一个正经项目，只是调研。

我给了一些负面反馈，他表现得很难接受。

再后来，我跟他说，我们手头的工作其实可以大量使用 Agent 或其他 AI Native 工具提效。很多杂活和零碎琐事没有必要继续靠人硬扛，省下来的精力完全可以投入对业务更有意义的事情。

而他的观点是：团队本身的定位不好，所以再怎么努力也没用，真正应该做的是推动我的 +2 和其他业务方重新定我们的位置…

再往后，我看到一个真实的机会，希望他去主 own 一个项目。

他给推掉了，理由是自己没有从项目最开始的时候就参与，想等下一次机会。以这次为转折点，我没有边缘化他，也没有刻意打压他，只是安排能力范围内的工作，他倒也干得挺开心。

只是任何能够帮助他扩张能力边界、刚开始做起来可能不太舒服的事情，都不再给了。我自己的一些知识分享，尤其是自己使用 Agent 跑出来的经验，也几乎不再额外分享给他。

我和他真正的分歧，还不只是愿不愿意用 Agent。

他把团队定位和完美条件当作行动边界。

如果定位不好，额外努力也不会有结果，所以应该先等到一个更好的位置、更完整的项目，或者下一次更合适的机会。

但站在我的角度，其实并没有太 care 团队的定位好不好。

定位这个东西只是设想出来的。完全可以先做一些团队定位之外的事，只要展现出能力并且真的拿出结果，就会有额外的业务过来。至少在我自己所处的环境里，这条路已经明确跑通过。

我当然知道，这不是任何公司里都能成立的规律。

有些团队确实没有预算、权限和上升空间；有些所谓“多做一点”，最后只会变成没有回报的职责扩张。普通员工能够承担的失败成本，也可能比 Leader 更低。

但如果一条路径已经有人跑通，一个真实机会也已经摆在眼前，还要等自己从项目第一天开始、等所有条件都舒服、等下一次更完整的机会，“额外”的培养资源几乎不会押在这种等待上。

筛选不是淘汰，是决定额外投资流向哪里

现在我依然会培养人。

完成工作所需要的背景、权限、工具和反馈，本来就是 leader 应该提供的东西。

一个人没有进入我的高强度培养范围，也不代表他不适合现在的岗位，更不代表应该被打压。

但挑战任务、额外知识、长期指导、关键机会，以及一个 leader 愿不愿意用自己的信用帮助他往前走，都不是无限的。

仅仅在 4 个月前我还会认为，既然“培养人”是一件说出来很正确的事，就应该尽量平均地给。

但现在不这么想了。

同样的一次反馈，有的人会把它变成以后处理一整类问题的方法；有的人只会在这一次按照答案做完。同样一个机会，有的人会先接住，再想办法补齐；有的人要等到背景完整、能力匹配、时机舒服才愿意开始。

开头说了，“教会一个 Agent，比教会一些人容易太多”，但前一种人甚至比 Agent 更容易培养——不只会执行和复用，还会自己延伸、创造，最后带回来一些连我都没有想到的结果。

Agent 没有彻底抹除所有人的价值，只是在让差距变得更明显。

过去，一个人遇到不会的问题，还可以说资料太难找、没人教、工具不成熟。

现在，答案的获取成本已经在快速下降，连豆包在 2.1 版本都已跨过了“可用”门槛（不一定对，只是我认为是）。

搜索、解释概念、生成示例、拆分步骤，甚至直接执行一部分任务，都可以交给 Agent。

工具在极速降低行动门槛，但不会自动给人装上主动性。

能吸收反馈、自己补知识、抓住机会的人，会用 Agent 将学习和产出的速度继续放大。

习惯把成长责任转移给别人、拒绝负面反馈、永远等待完美条件的人，也不会因为工具出现就突然改变。相反，一个看上去还算过得去的 AI 结果，甚至可以让他更方便地停止思考，掩盖自己没有真正理解这件事。

教育负责提供最初的反馈，筛选决定后续投入能不能产生复利。

技术永远给优秀者以提升，给平庸者以堕落。