别被OpenClaw 带偏了，AI 公司到底该如何组织团队？

本文来自微信公众号： 叶小钗 ，作者：叶小钗，原文标题：《别被 OpenClaw 带偏了，AI 公司到底该如何组织团队？》

最近OpenClaw火得一塌糊涂，与之前Manus爆火带动的团队“哲学”一致，于是他也被作为一个经典的创业成功案例被不断宣传，于是乎

等团队构架策略被再次提了出来，我整理了下大概观点：

未来的伟大AI公司，不应该像传统的互联网大厂（层级制、项目制、OKR驱动），而应该像一家“科技对冲基金”（数据驱动、极端透明、超高激励）

整个观点拆开，会分解为一套执行方法论：

这里第一点其实就很苛刻，这里要招的是

的人。衡量标准是的三个灵魂拷问：

能自己写策略（Prompt/算法）吗？

能自己解读A/B测试结论吗？

能在一天内把实验写完、测完并上线吗？

三位一体的复合型人才，而不是流水线上的螺丝钉（这里包括某个小领域的专家）。

在组织结构上，要摒弃多层级而追求“项目制”，这里的项目制其实就是以小团队（10人内）为核心的独立执行单元，拥有极高的自治权，爱干什么干什么，但

并且，对于同一个课题，也不用开会争论谁是负责人了，直接采用赛马机制，谁愿意做谁去做，直接1-4个项目组同步进行，谁牛逼选谁；最后结果谁好就选谁，然后给到谁更多的资源。

失败的项目组重新回归流量池，等待再启动。

这里可能是问题最大的所在，我们后面再说明

传统的互联网公司奖励延迟太过，无论你多优秀，都至少要等两轮考核，最终奖励体现在年终或者述职考核上。这给了各个Leader人太多的操作空间，可能会导致小团体和优秀的人被打压，最终的结果就是大家积极性降低。

重奖励，并且实时奖励、现金奖励，让你的多巴胺直接拉爆

！比如你帮公司赚了一个亿，那么公司就给你一千万，绝不拿期权来和稀泥。

这个策略的核心就是最大化激活优秀的员工，并且保证优秀的员工能够拿到应有的奖励。

这套方法论的底层逻辑是：既然AI Agent时代，优秀人才和一般人员的差距会进一步拉大，产品迭代周期也会变得越来越快，所以公司的运转机制应该从

慢周期变成快周期、并且更加重视实时数据反馈

怎么说呢？这个观点本身是很美好的，但实际执行效果不太好，你可能会质疑，为什么你会知道呢？因为，在之前公司，我当初刚好是这套机制的设计参与者和实际执行者。这里有一段故事......

unsetunset创新之殇unsetunset

前老板是我见过最执着于创新的人，可以说将创新刻进了公司的基因，之前为了倡导公司创新，我们设计了一套名为“创作吧”的产品大赛机制，大概运转方式是：

公司所有人都可以根据这些课题做方案来竞标；

参与创作吧的优先级高于业务，意思是可以因为参与创新而放下手里的事；

竞标成功会获得丰厚奖金，并且已经立项的项目各种倾斜资源做执行，我记得有小伙伴一次竞标成功获得了不少于10万的奖金（3个月工资左右），后续也受到了足够的重用；

活动每个月一次，会对正在执行的项目进行复盘，也会开展新的课题；

为表真实性，下面是当时报名用到的模板：

当时为了鼓励大家参与，还做了很多文化层面的建设：

那是一段美好的时光，可以说他满足了我对一家科技公司的所有想象，足够公平的给所有人机会，每个有才华的人都可以获得资源去实现自己的方案。

那么这里问题就来了，整个机制最后执行的如何呢？答案是

初期很好，但中期一般，后期疲软

，这里也就回到鼓吹OpenClaw这类一人公司最大的问题了：

多数公司，包括大公司的人才密度是难以支撑这套机制的

以我们当时接近一年的执行情况来说：

表现得好的总是那批人，总是那批总监及以上的人，创作吧最后似乎成了他们独立的舞台

，所以你说这套机制拿到了多少创新产品不好说，但一定是让很多人才冒了头。

最后，老板手里面已经有足够的“好手”使用的情况下，加之跟战略相关的课题多数都在执行了，于是整体公司会沉静下来，进入很长一段时间的执行期。

这里有句话不得不提：虽然AI时代的迭代周期变快了，但你千万不要以为一个产品没有经过半年的市场打磨就可以生存，就可以真正被用户认可吧？

比如，因OpenClaw而爆火的社交论坛产品Moltbook，这东西噱头是拉足了的，

他只允许Agent在里面发文章，掀起了一股让人类给Agent打工的“热潮”

这东西他真的经过市场验证吗？

他的生存周期会超过半年吗？

他发的东西有人去看吗？

你看了的东西会相信吗？

你因为什么去看的，猎奇还是想看看AI的可能性？

这里的核心点是：想要靠一个憋出爆款去打动市场很难，对于公司来说，踏踏实实做业务才是常态，而且整体机制长时间执行下去的

，包括公平性，包括如何去评价、如何去定价、如何去考核等等问题。

总而言之，做个小而美的产品有可能，想做一个服务千万人的战略级产品，那是真难！

这里可能有同学会杠两个点：

人才密度不足那就招足够优秀的人不就好了

如果有这个疑问的同学，大概率没做过总监以上的管理，首先就我所见的公司，只要优秀的人扎堆的公司，坐在一起第一件事可能不是“共同促进”，更容易或者一定会发生的反而是互相内耗！

这属于经济学原理的范畴了，一个团队资源是有限的，互相的影响力是有限的，你把这么多厉害的雄性关在一个公司，他们做的第一件事是证明我是老大，有些人做不了老大，就会换个地方做老大！

难道OpenAI给的年薪不够高吗，他们的理想不够激动人心吗，那些年薪上亿的人为什么要离职？

解决了“高端人士”内耗的问题后（比如给出足够的课题），才是一般公司该面临的噩梦：

课题是有限的，我为一个项目要养2-3个团队的人力成本，我是傻了吗？

并且在公司体系下，一定会有很多扮演高手的庸才，他们会在各种项目里面划水，这批东郭先生是不太好发现的，怎么解决、怎么防止他们从中作梗也是问题，这批人有个特点，做撒撒不成，但他们吃撒撒不剩啊！

基于此，一般团队想要达到精英团队，人人创新是很难的，之前B站直播团队在国内互联网公司至少是第二梯队，你让他们提出点牛逼点的OKR都费劲，何况其他公司呢？

他们是更没有那个思维能力滴，还是那句话：

创新是少数人的游戏，并且这批人还不能扎堆，扎堆只能内耗

OpenClaw难道还不够战略级

怎么说呢？也许“OpenClaw这类产品真还不够有用”。

首先，这东西我们之前详细聊过了：他并没有创新什么东西，他是现有技术的再排列组合，并没有超出Manus太多。

并且只是以OpenClaw为例，他本身也是开源的，大家可以自己去看看代码，实现成本不太高的，但要明确说的，他的实现非常优雅，要做好也很难！

这类产品真正的成本会发生在后期

，包括不断膨胀、难以控制的Token成本、安全问题、运维成本、部署成本等。

换个说法，在OpenClaw没推出多久，其可能竞品就已经很多了，包括大家推崇的Manus、Perplexity Assistant、Rabbit...

或者说，国内已有Agent产品公司，稍微改造下就可以强制说自己是他的竞品......

综上，精英团队愿望虽好，但实际执行很难，真实做好了的其实更可能是

有限精英团队，否则Manus、OpenClaw为什么不在OpenAI这家公司产生呢？

所以最终结论，我是不是反对那种精英团队呢，答案是否定的，我反而很赞同；其次这里真实的问题是当前AI Agent团队应该如何构建，这个各位老板都一定关注的问题，毕竟时代在变啊！

unsetunsetAI团队组织结构unsetunset

首先，关于AI团队架构应该如何设计这个问题，还是要回归问题的本质

这个团队到达要去做什么，以及这个项目的难点是什么

，大家要明白，就算是AI项目，不同类型对团队要求是不一样的，比如：

工作流类AI核心是KnowHow是如何梳理出完整的SOP，AI反而是其中的配角，这种应用里面AI的含量不会超过20%，可以将其归属到降本增效类AI，做起来马上就会有效果，性价比奇高；

然后，简单知识问答系统核心就是RAG的使用，难点在于知识的处理，而后在Agent平台的使用，其实还在其次。因为其几乎只涉及一问一答，不用考虑什么意图识别，所以是比较简单的，如果将数据整理算作AI模块的话，AI含量是比较大的，可以算50%左右；

最后，就是多轮知识问答了，这个复杂度突然就被拉得很高，如果工作流难度是5，知识库难度是4，那么多轮知识问答的难度就是10！

前两类项目之前我们做了足够的介绍：

《工作流AI的方法论》

今天重点说下多轮知识问答系统，这东西有点难，其难点有三：

第一，如何将认知（KnowHow）整理成知识，或者已经有知识的情况下，如何组织数据；

第二，数据应该如何与AI交互，保证每次AI都能拿到相关数据；

第三，也是最后一个关卡，意图识别；

关于第二点，如果发现由于数据不足导致的AI问题，应该如何用生产数据反馈系统优化知识库，这就是我们常说的数据飞轮系统，他是数据工程的一个分支，而AI项目的核心一直就是数据工程！

从整理数据到与AI交互再到后面的数据反馈，组成了我们常规的数据工程。

并且，很多知识是依赖于专业人员，如医生、律师、教师，这种非互联网工种根本无力整理自己的认知，于是需要互联网人组织他们，这里又涉及到了管理学，大家要相信，管理医生和律师去工作是很简单的，但要让他们做输出是很难的。

最后，数据工程是个漫长的周期，会导致AI项目的时间周期很长，并且系统一会表现得好、一会表现得差的，这会很消耗团队的士气，这里又涉及到了项目管理。

综上，复杂知识库项目其实是个偏工程的项目，特别是其中KnowHow、数据与技术架构、模型特性几者的纠缠会很复杂，如果不是本身水平很高的人，要么把这个事情理不清楚，要么没有管理能力去调动各个专业口的人员，但如果已经是高管的人，很难沉下心来一点点梳理KnowHow与数据，这可能是导致复杂AI应用很少的主要原因。

接下来是做这种复杂AI项目的一些心得：

在做多轮知识问答项目时，有一些心得也同步分享给大家：

第一，知识库设计尤为关键，其中最难的是确定边界与结构，所谓边界是你的AI系统到底要完成什么任务，必须穷举定死；所谓结构，就是知识要能匹配这套系统；

第二，知识梳理的时候要考虑逻辑关系链、要设计实体结构，要找到切入知识库的核心，比如用一个不重样的关键词将知识实体搜索出来，再根据实体结构的逻辑链找到各种关系，只要逻辑链清晰，提示词就好设计，AI就会聪明很多；

第三，在做知识库实体结构时，类型不要太多，如果产生层级，层级也不能太多，因为关系越多工程实现越复杂、层级越多知识库处理越复杂。做AI应用要平衡真实世界的模拟与数据工程实现的ROI，也就是如果工程实现复杂度过高，就要在数据复杂度层面做取舍；

第四，在前三点的基础下需要考虑的是架构实现问题，这里必须由一号位自己写文档做产品甚至是架构设计，不用你写代码，但你文档写完需要相当于伪代码写完了，不然下面产品和技术没那个能力做出来的。这里的架构设计核心是你的知识，如何让AI每次都能拿到、拿对、拿全、不拿多；

第五，在知识齐全的情况下，如何让AI聊得像个人是个封闭性问题，他的前提是知识是对的，如何像人一样表达这段知识，需要考虑什么，需要建模，或者说需要设计策略；

这里心法就这么多，实际做起来就算是我也会有不停去解决各种麻烦事，所以大家可以结合信息再思考思考。

到这里，我们了解了复杂AI项目是什么，难点是什么，所以就可以回答最终的问题：复杂AI项目的团队应该如何设置？

unsetunsetAI团队设置unsetunset

从项目难度来说，多轮知识问答＞＞简单AI知识库＞AI工作流，而且从上述的分层模型来说，他们会呈现向下兼容的特点，意思是能做好多轮知识问答系统就一定能轻松拿捏简单AI知识库。

所以，我们在做团队架构设计的时候就直接以最复杂的项目做安排，后续大家按情况做缩减即可，首先是核心三角关系：

首先技术Leader是一定要存在的，甚至在某些情况下他会兼任产品Leader；然后在复杂AI项目过程中一定会有行业专家，比如做AI医生团队里面一定会有医生、做AI律师团队里面也一定会有律师。

至于原因很简单，他们需要衡量AI产品的质量，这方面产研Leader几乎是毫无办法的。但一定要特别注意的是：

行业专家一定要汇报给产研Leader，因为这批人真的太难交流了，没有汇报关系他们会特别固执，不会按照我们的想法做推进

有了稳定的三角关系，就可以分配他们彼此的工作了，首先是最为重要的技术路径（技术架构、产品目的）。

每个AI产品一定会有其核心目标，以行业级AI应用如AI医生为例，我们在做设计的时候也不会期待有个大而全的东西解决所有，一定会对其进行分拆，比如做诊断的Agent、做慢病管理的Agent、做医保咨询的Agent...

再比如，我们在做教育类AI的时候，不会期待有个AI教师博古通今，在数学领域很屌，在英语这块也不错。所以在设计时候一定要进行分拆，甚至在具体品类还要一再分拆...

大AI产品的目标是一个，其次每个小Agent的目标也要很清晰，如果非要强制的将他们合并起来，就属于人为的增加技术难度了，难度过高的话，系统往往也就难以实现，这个时候最容易发生的事情就摆烂，全部交给LLM随意聊。

在这个基础之下，才能进入真正的核心工作，也是必须由三个角色共创的部分，输出核心技术路径，也就是设计出工程架构和数据结构

虽然现在很多AI项目出demo的周期很短（一般一周），但基本技术路径的设立不是一朝一夕的事，因为他需要很多轮的试错，如之前所述的多轮知识问答AI系统的难点：

数据结构是要找出当前业务在真实世界的映射，这个东西做出来会持续很长时间；

技术架构是要匹配这套数据结构工作，目标是在AI能够做到想我所想，言之有物，简单来说就是CoT和结果可溯源；

而在基本技术路径验证通过后，才是真正AI项目开始的时候，因为确认技术路径可能只需要50条数据，但要看到真实效果至少需要500条甚至更多，所以各条线工作就开始运转了：

首先最忙的是技术团队，他们要做AI项目工程实现的同时还要做各种效率工具，比如：

复杂的AI项目提示词很多（几十万行轻轻松松），所以需要一个提示词管理平台，后续需要做到多模型、多版本测试、切换、发布撒的；

知识库生产平台，用于协助行业专家录入知识库；

可观测性平台，如果是生产级应用，需要一个产品调试工具，他主要是给技术和业务专家看的，技术目标是调试，业务目标是看看各个环节有没有出错，这里粒度很细，会查看每个提示词、每个数据是不是有问题；

其次就是专家团队了，他们的工作相对单纯就是造数据和各种评价：

数据工程主力，配合技术团队不断挑战数据结构、不断采集数据；

产品测评主力，评价每次发布AI产品的实际效果，这里需要构建大量的测试数据集；

飞轮系统执行者，这里其实很简单，也就是配合技术团队不团补边界数据即可；

论文编写，如果需要知识产权撒的，需要产品技术辅助专家出论文；

最后是产品团队，他们的工作除了最本质的原型输出外，还包括：

竞品调研，他们要去调研各个竞品团队，并且需要专家团队优化测试数据集，让团队知道自己的产品和竞品真实的差距；

销售团队，所有的AI产品最终都会指向盈利，销售方案的输出一般是由产品团队着手；

PR策略，PR和投放策略；

最后大概效果如图所示：

其实从这个图也可以看出Agent架构（类Manus产品）本身的问题所在，他们可能真的就没想真正的解决问题，比如行业Leader那条线他们是完全没有，或者说直接委托给了大模型自己处理，如果这样都能产出好的结果，那真的是奇了...

unsetunset结语unsetunset

最后，把目光拉回到OpenClaw，它确实火得一塌糊涂，也让人看到了精英小团队的爆发力。

一个极简的团队，一个极简的产品，一夜之间引爆全球讨论。这太符合这个时代对“奇迹”的想象了。

于是“一人公司”、“精英团队”、“去中心化”这些词汇被再次捧上神坛，成为无数创业者的兴奋剂。

OpenClaw的成功，恰恰不能证明这套方法论可以大规模复制。

为什么？因为OpenClaw本身是一个极特殊的样本。它是一个开源的、技术栈相对清晰的、不需要深度行业知识沉淀的底层工具类项目。它的爆发靠的是“技术优雅+时机卡位+社区情绪”，而不是靠一套复杂的组织哲学。

很难想象，一个AI医疗诊断系统、一个AI法律顾问、一个企业级知识库，能用同样的“赛马机制”和“一人成军”的逻辑做出来。

这些领域需要行业专家日复一日地梳理认知，需要技术团队搭建复杂的观测和调试平台，需要产品和销售去定义真正的市场价值。这不是几个天才关起门来赛马就能跑通的。

所以，未来还有很多像Manus、OpenClaw这样的爆款AI产品来点燃我们的想象力、来进一步推进AI项目的新范式落地。

但OpenEvidence、Harvey这种老牌AI明星才会持续耀眼！真正改变世界的AI公司，大概率还是得老老实实地啃硬骨头

精英团队的哲学很美，但它更像是“特种部队”的逻辑，他适合突袭、适合破局、适合在无人区插上一面旗帜。而当你要守住阵地、构建护城河、服务千万级用户时，你需要的是“正规军”的逻辑：分工、协同、流程、耐心，以及日复一日的数据工程。

不要用OpenClaw的成功，去否定那些看似“笨重”的组织形态。也不要因为在传统大厂里受过伤，就幻想“一人公司”是万能解药，

最好的组织架构，永远不是“最潮的”，而是“最匹配你当前要解决的那个难题”的

——谨以此文，致敬所有还在AI领域“啃硬骨头”的团队。