YC合伙人Ryo揭示了AI正在颠覆千年不变的组织逻辑——公司不再是罗马军团式的层级结构，而应重构为递归自进化的AI闭环系统。本文深度解析如何将领域知识转化为AI可读的智能资产，构建能自动修复升级的self-improving loops，以及为何中层管理将在这场变革中消亡。

你有没有认真想过，你的公司其实和两千年前的罗马军团没什么本质区别？听起来很荒谬，但这是YC（Y Combinator）合伙人Ryo最近在一次内部分享中抛出的观点。他说，今天大多数公司的组织方式，和罗马军团投射权力的方式如出一辙——都是靠一层层嵌套的层级结构，靠人来传递信息、执行命令。而AI，正在从根本上打破这个几千年来从未被真正挑战过的底层假设。我反复听了这段分享好几遍，越听越觉得后背发凉。不是因为它描述的未来有多遥远，而是因为它正在发生，而大多数创业者还没意识到这意味着什么。

Ryo在分享里说的核心观点只有一句话：你可以把一家公司，重新想象成一组recursive（递归的）、self-improving（自我改进的）AI loops（循环）。公司不再是一个由人构成的层级组织，而是一个由AI驱动的、能在你睡觉时持续进化的智能系统。这听起来很抽象，但他给出了非常具体的例子，包括YC自己正在跑的真实系统。我想把这些思路完整地梳理出来，同时加入我自己的理解，因为我觉得这对所有正在创业、或者正在思考如何用AI重构公司的人，都有极高的参考价值。

大多数人用AI的方式，从一开始就错了

Ryo说了一句让我印象特别深的话：把AI理解成productivity tool（生产力工具）、理解成copilot（副驾驶），这个思维框架本身就是错的。这不是在否定AI的价值，而是在说我们把AI放在了一个完全错误的位置上。

他打了个比方：这就像是把一台更强大的发动机装到了一辆马车上。发动机确实更强了，马车跑得更快了，但本质上你还是在开马车。工程师用了GitHub Copilot，代码写得快了20%，这当然是好事，但如果你的整个思维框架还是”我雇了100个工程师，AI让他们每个人效率提升20%”，那你其实只是在旧的组织模式上贴了一张AI的标签。

我自己在过去一年里观察了大量公司使用AI的方式，Ryo说的这个问题几乎无处不在。很多公司的AI战略，本质上就是”给每个员工配一个AI助手”，然后期待整体效率提升。这是一种很线性的思维：输入（员工数量）× 效率系数（AI加持）= 输出（业务结果）。但Ryo提出的框架完全不一样，他说的是：如果你能把公司的某些部分，设计成一个能自我学习、自我改进的闭环，那这个系统就不再是线性增长的，而是指数级进化的。这两种思维框架之间的差距，不是20%，而是几个数量级。

我认为这个认知差距，是今天创业公司之间最大的隐性分水岭。那些还在想”AI怎么让我的员工更高效”的公司，和那些在想”我怎么用AI重新设计我的公司运作方式”的公司，五年后会生活在完全不同的世界里。

公司的真正资产，是藏在人脑里的知识

在讲具体怎么构建self-improving loop之前，Ryo先指出了一个更根本的问题：你公司里真正有价值的东西是什么？

他的答案是：domain knowledge（领域知识）。不是你的代码，不是你的产品，而是那些藏在员工脑子里的、散落在Slack消息里的、埋在邮件往来里的、写在Notion文档里的——所有这些加在一起，定义了你的公司是怎么运转的。一个老销售知道怎么跟某类客户谈，一个老工程师知道某个系统为什么这样设计，一个老产品经理知道某个功能为什么当年被砍掉。这些知识，才是公司真正的护城河。

但问题在于，这些知识现在完全不legible（可被AI读取和理解）。它们是碎片化的、非结构化的、依附于具体的人的。一旦这个人离职，这些知识就消失了。一旦这个人请假，这段知识就断路了。而在传统的层级组织里，信息的流动完全依赖人——人是conduit（导管），是信息上传下达的唯一通道。

Ryo说，如果你能让这些知识变得legible——也就是说，让AI能够理解、调用、基于这些知识做决策——你就能从一个层级化的罗马军团式组织，转变成一个AI-native（AI原生）的智能组织。这不是在给老组织打补丁，而是在重新定义组织的底层架构。

我对这个观点有很深的共鸣。我们在做产品和业务的过程中，其实积累了大量非常有价值的知识：我们知道哪类客户转化率最高，我们知道哪些功能用户根本不用，我们知道哪些销售话术有效、哪些无效。但这些知识大部分都活在人的脑子里，没有被系统性地记录下来。每次有新人加入，我们都要重新教一遍。每次有人离开，我们都要重新摸索一遍。这是巨大的浪费。

Self-Improving Loop 是什么，长什么样

Ryo在分享里拆解了一个self-improving AI loop的基本结构，我觉得这是整个分享里最有实操价值的部分，值得仔细讲。

这个loop由五个层次组成。第一层是sensor layer（感知层），这是系统获取外部信息的入口。可以是客户邮件、支持工单、用户取消订阅的行为、产品的使用数据。简单来说，就是一切能反映”现实世界正在发生什么”的信号。第二层是policy layer（策略层），也叫decision layer（决策层），这里定义了规则：AI可以自主做什么决定，什么情况下需要请示人类，什么操作必须留下记录。这一层本质上是在给AI划定权限边界。第三层是tool layer（工具层），这是AI实际执行动作的地方。是确定性的API，比如查询数据库、查看日历、发送邮件。这些工具是确定的、可预期的，不是AI在自由发挥，而是在调用已经定义好的能力。第四层是quality gate（质量关卡），包括自动化检查、安全过滤、以及对高风险操作的人工审核。这一层保证系统不会失控。第五层是learning mechanism（学习机制），这是整个loop的关键——系统在与真实世界交互之后，记录下哪里成功了、哪里失败了，然后把这些反馈循环回到loop的顶端，让系统在下一次运行时表现得更好。

Ryo说，如果你能让这五个层次都以最小的人工干预运转起来，你的系统就会在你睡觉的时候，一边运行、一边自我改进。这是一个真正的飞轮，而不是线性增长。

我觉得这个框架最精妙的地方在于它的闭合性。大多数AI应用的问题在于，它们是开放的——AI输出了一个结果，然后就结束了，没有反馈，没有学习，下次面对同样的问题，系统还是从零开始。而Ryo描述的这个loop，是把结果的好坏重新注入系统，让系统知道”上次这样做不对，下次要换个方式”。这才是真正意义上的self-improving。

YC自己跑的真实案例：让我醍醐灌顶

Ryo分享了一个YC内部真实在跑的案例，我觉得这是整个分享里最有说服力的部分，因为他不是在讲理论，而是在讲他亲眼见证的事情。

YC最开始构建了一个AI agent，合伙人可以用自然语言查询数据库，比如”我上次和这家公司开office hours（办公室会面）是什么时候？”。这是第一步，相当于一个智能搜索工具，确实有用，但本质上还是copilot的思路——让合伙人查信息更快了。

后来这个agent变得更聪明了，可以做更复杂的查询，比如”我现在要和一家石化行业的公司开会，帮我找五个可能对他们有帮助的创始人”。它能调用RAG（Retrieval Augmented Generation，检索增强生成）和各种数据库查询方式，给出有价值的推荐。这已经比第一版强很多了，Ryo说这让他作为合伙人的效率提升了20%-30%。

但真正让Ryo说出”holy shit”的，是第三步。他们在这个agent上面，又加了一个monitoring agent（监控agent）。这个监控agent会扫描每一个YC员工发出的每一条查询，记录哪些查询成功了，哪些失败了。当一条查询失败时，监控agent会自动分析：为什么失败？是缺少某个确定性工具？是skills file（技能文件）需要更新？是数据库需要新建一个视图？还是需要加一个新的索引？

然后，监控agent会自动写代码，提交merge request（合并请求）到YC的代码库，让另一个agent来review（审查）这个改动，通过后自动部署上线。整个过程，从发现问题到修复上线，全程无需人工介入，在一夜之间完成。第二天，当有人再提交同样的查询时，它成功了。

这不是提升了20%的效率。这是一个系统在没有人类干预的情况下，自己发现了自己的缺陷，自己修复了，自己变得更好了。这才是Ryo说的self-improving company的真实样子。

我听到这里，脑子里第一反应是：这个模式可以套用到哪里？答案是几乎所有地方。产品层面：让一个agent持续扫描产品数据，找出用户转化漏斗里摩擦最大的环节，自动设计AB测试，跑一周，选出最好的版本，自动部署上线，然后再循环。客服层面：让agent持续处理用户反馈，判断哪些是不做的、哪些是符合roadmap（产品路线图）的、哪些可以直接写代码实现，然后自动写代码、自动部署、自动通知用户——全程无人工介入。销售层面：让agent分析哪类客户成交率最高，哪些话术最有效，自动更新销售playbook（销售手册），让每个销售的下一次对话都基于上一次最好的实践。

Burn Tokens, Not Headcount

Ryo在分享里提出了一个非常直接的观点：在未来，约束你公司增长的不是headcount（员工数量），而是token usage（AI调用量）。

他提到了一个数据：YC最近这批公司到Demo Day时，人均营收大约是18个月前的5倍。这意味着用同样数量的人，公司能创造的价值已经是以前的5倍。而且他认为这个趋势还会继续，到Series A、Series B的时候同样成立。

我觉得这个观察非常尖锐。传统的创业思路是：要增长，就要招人。要扩张客服，就招更多客服。要扩张工程，就招更多工程师。但如果一家公司把self-improving loop真正跑起来，增长和人数就开始脱钩了。你能做的事情越来越多，但需要的人不一定越来越多。你的边际成本变了，不再是人力成本，而是计算成本。这对公司的财务模型、估值逻辑、甚至对投资人的吸引力，都会产生深远影响。

Ryo还说了一个有点挑衅的观点：现在衡量员工的一个粗糙指标，是看他们的token usage。谁在”token maxing”（把AI用到极致），谁只是偶尔用用，这反映了谁在真正拥抱这种新的工作方式。他承认这个指标很粗糙、很容易被刷，但方向是对的——在这个阶段，你应该最关注那些把AI用到极限的人，因为他们才是在探索可能性边界的人。

我自己团队里也有类似的观察。那些真正把AI嵌入工作流的人，和偶尔用ChatGPT回复几封邮件的人，产出的差距已经不是百分比级别的，而是倍数级别的。这种差距还在扩大。

中层管理，正在消失

Ryo在分享里说了一句话，我觉得很多人听到会不舒服，但我认为他说得对：middle management（中层管理）结束了。

中层管理存在的核心价值，是解决协调问题——确保信息在组织内部顺畅流动，确保不同团队之间的工作能对齐。但如果AI能承担这个协调角色，中层管理的存在理由就消失了。不是说中层管理者不勤奋、不聪明，而是他们所承担的那个功能，AI能做得更快、更准确、更便宜。

Ryo说他认为未来公司只需要两种角色。第一种是IC（Individual Contributor，独立贡献者），也就是真正动手做事的人，是builder（构建者）、是operator（操盘手）。第二种是DRI（Directly Responsible Individual，直接负责人），就是每件重要的事情上，要有一个具体的人负责到底，不是委员会，不是小组，就是一个人。

我对这个观点有自己的补充理解。中层管理消失，并不意味着管理这件事消失了，而是管理的方式变了。以前管理是人对人的，现在越来越多是人对系统的。一个人需要管理多个AI agent，需要设定目标、检验输出、调整策略。这其实是一种更高阶的管理能力，要求人对业务有极深的理解，因为你要能判断AI的输出是不是对的、是不是足够好的。那些只会做信息中转的中层，会被淘汰；但那些能真正理解业务、能定义正确目标、能判断AI输出质量的人，反而会更值钱。

让公司对AI变得Legible：一切都要被记录

Ryo在分享里给出了构建self-improving company的第一个关键动作：让整个组织对AI变得legible。

这个词用得非常好。Legible的意思是”可被理解的、可被读取的”。他说的核心逻辑是：如果一件事没有被记录，它对AI来说就等于没有发生。AI能调用的知识，只有那些被记录下来的知识。

YC已经在做这件事了。合伙人之间的所有邮件，现在都进入YC数据库。每一条Slack消息、每一个DM（私信）、每一次office hours，在过去三四个月里都开始被录音记录。Ryo在分享现场说，他在那天跟好几个创始人聊了很好的内容，但没有录音，他完全想不起来说了什么。他的结论是：不管是手机录音、clip设备、还是智能眼镜，或者把每个房间都装上麦克风，一切有价值的对话都必须被记录下来。

但光记录还不够。你不可能把10万小时的录音全部塞进一个AI的context window（上下文窗口）。所以Ryo说的第二步是diorize（整理和提炼）——把这些原始素材聚合、分类、提炼成有结构的知识，然后给AI”面包屑”，让它能找到相关的知识片段。

他举了一个非常生动的例子：YC的user manual（用户手册），很多内容是5到10年前写的，早就过时了。但YC在过去三个月积累了大约2000小时的office hours录音。有个合伙人在一个周末，把这些录音整理分类——按融资、招聘、联合创始人矛盾等主题——然后让AI基于这些内容重新生成了一份用户手册。到周末结束时，他得到了一份150页的新版手册，比原来的手册好得多。

而且这份手册从此变成了一个living document（活文档）。每次合伙人给创始人新的建议，这些建议都会被比对、整合进用户手册，手册会自动更新。它变成了一个self-improving的知识库，实时反映着16个YC合伙人的集体智慧。然后你可以把这个知识库接入一个AI agent，任何人都可以随时问任何问题，得到的是汇聚了所有合伙人经验的回答。

这个案例让我意识到，知识管理这件事，在AI时代的意义发生了根本性的改变。以前知识管理是个”最好能做、不做也行”的事，因为即使整理好了，查起来也麻烦，真正用的时候还是靠问人。但现在，如果你的知识是legible的，你就能把它注入AI，让AI帮你用。知识管理直接决定了你能构建什么样的AI能力。这让原本枯燥的知识管理，变成了公司最重要的基础设施建设之一。

软件是一次性的，Context才是真正的资产

Ryo在分享里提出了一个颠覆性的观点：软件本身是ephemeral（短暂的、可抛弃的），真正有价值的是business context（业务上下文）和skills（技能知识）。

他说，现在的代码生成能力已经强到可以一次性生成大部分内部工具和dashboard（数据看板）了。他在周末试了几个YC内部工具的生成，质量已经相当高。所以他的建议是：把内部软件当作ephemeral的来对待，随时可以生成、随时可以丢弃，关键是把数据和业务知识保存好。

他打了个比方：如何运营一场YC活动的know-how（诀窍）是有价值的，这些知识需要被好好保存。但用来运营这场活动的软件，可以在活动前重新生成，活动结束后直接丢掉。一两个月后模型更聪明了，下次活动再生成一个更好的版本。你不需要维护这些软件，因为软件的价值在于它承载的业务逻辑，而这个逻辑是活在你保存的业务知识里的，而不是活在代码里的。

我觉得这个观点对很多工程师和CTO来说会有点难接受，因为我们习惯了把代码当作最重要的资产。一个精心设计的代码库，确实是几年积累的心血。但Ryo说的那个逻辑有一定道理：真正的积累不是代码本身，而是写代码过程中积累的、对业务的深刻理解。如果这些理解被保存下来，代码可以被重新生成。

这也意味着，工程团队的工作重心要发生转移。与其花大量时间维护和迭代一套复杂的内部工具代码，不如把精力放在保持业务context的清晰和可被AI读取上，让代码本身成为一个随时可以重新生成的产物。

人类在这个系统里的位置

一个自然的问题是：如果AI能做这么多，人还有什么用？Ryo对这个问题的回答让我觉得很有说服力。

他说，在一个self-improving的AI系统里，人类生活在边缘（edge），而不是中心。整个公司运作的核心是那个AI驱动的brain（大脑）——所有的数据、邮件、对话记录、技能知识都汇聚在里面。而人类的作用，是在这个brain和真实世界之间建立接触点。

人类能到达AI还无法到达的地方。比如一场面对面的会议，一次充满情绪和博弈的谈判，一个需要高度上下文判断的伦理决策。Ryo举了一个非常具体的例子：当一个创始人来找你，说他在考虑和联合创始人分手，这种高风险、高情绪的时刻，你需要的是一个真实的人类，而不是AI。AI可以提供背景信息、历史记录、可能的解决方案，但最终做出判断和给予支持的，还是需要人。

他还提到，销售对话在未来相当长一段时间内还是需要人类来做。那种面对面、需要实时感知对方情绪和意图的对话，AI还没有办法完全替代。但AI可以在对话前帮你做最完整的准备，在对话后帮你整理总结，让每一次人类的出场都更加有价值。

我觉得Ryo描述的这个图景，对如何理解人的价值给出了一个很清晰的答案：人的价值不再是处理信息、传递信息、协调信息，而是在那些需要真实情感、真实判断、真实关系的时刻出现。这些恰恰是AI最难复制的东西。所以与其担心AI取代自己，不如想清楚：在你的工作里，哪些部分是真正需要人类存在的？把精力集中在那里。

我的思考：现在就该重新设计你的公司

听完Ryo的分享，我脑子里反复转着一个问题：如果我今天从零开始建公司，我会怎么设计它？

我认为，现在这个时间节点对于创始人来说有一个独特的机会：公司还小，组织还没有固化，正好是从一开始就按照AI-native的方式来设计的最佳时机。那些已经有几百人的公司，要转向这种模式需要付出巨大的组织变革成本；但如果你现在只有几个人，你完全可以一开始就不建立那个罗马军团式的层级结构，直接构建一个以self-improving loop为核心的组织架构。

具体来说，我觉得有几件事是任何规模的公司现在就可以开始做的。第一，开始系统性地记录一切。不只是会议纪要，而是真正让有价值的对话、决策、经验都被捕获下来，成为可被AI读取的知识资产。第二，识别公司里哪些环节是重复的、可以被闭环的，然后认真想一想能不能把它设计成一个self-improving loop，而不是每次都靠人来处理。第三，认真审视你的中层结构，想清楚哪些协调工作是可以交给AI来做的，然后真的交出去，而不只是嘴上说说。

Ryo在分享的最后说了一句话，我觉得是整个分享里最直接的一句：如果你今天重新建这家公司，你会把它建成什么样？对于大多数还小的创业公司来说，你没有任何借口不这样做。罗马军团的时代已经过去了，下一个时代是属于那些真正理解并构建了self-improving AI系统的公司的。