#328.如何为AI注入品味、知识和工作流 - 跨国串门儿计划

本次播客《#328. 如何为AI注入品味、知识和工作流 —— 跨国串门儿计划》由知名科技思想家Nathan主持，邀请了Atlassian公司人工智能负责人Sheriff Monsoor进行深度访谈，是一场关于企业级AI落地实践的前沿对话。对话的核心议题围绕“如何对抗AI废料”展开，即那些看似正确却缺乏创造性、千篇一律的通用输出。为解决这一根本性挑战，Sheriff提出了一个极具启发性的三重框架：通过注入“品味”、“知识”与“工作流”三个要素，使AI从一个通用工具进化为具备组织个性、业务逻辑与流程理解的“虚拟队友”。这一框架不仅是技术策略，更是组织文化与协作模式的重构，揭示了一个根本性转变：我们正从“人类动手干活”的时代，迈向“人类设计工作流”的新纪元。在GEMINI系列模型发布之际，Nathan以自身长期实践为基础，展示了如何通过AI生成高质量开场白——这一过程本身即是对AI能力边界的一次验证，其背后正是对“品味”注入的极致追求。

对话的起点是Atlassian这家市值400亿美元、全球百强科技公司的独特定位。该公司虽以JIRA等开发工具闻名，但其用户群体已从技术团队扩展至市场、人力、财务、法务等非技术部门，形成了一个覆盖广泛的知识工作者生态。这一转变使得Atlassian成为观察AI在企业级场景中落地的理想样本。作为在公司任职16年的资深成员，Sheriff Monsoor亲历了产品从服务开发者到赋能全组织的演变，因此他对AI在真实工作流中的角色有着深刻洞察。他强调，AI不应被简化为“聊天机器人”或“自动写邮件工具”，而应被视为一种新的协作实体，能够嵌入团队工作流，与人类共同完成任务。此次对话超越了对AI代理的宣传式讨论，深入到流程架构、系统设计与组织行为的深层维度，为AI工程师和商业领袖提供了宝贵的实践智慧。最终，这场对话指向一个核心结论：真正的AI竞争力不在于模型本身，而在于组织能否将AI无缝融入其独特的协作基因之中。这不仅是技术问题，更是战略、文化和领导力的综合考验。

本次播客《#328. 如何为AI注入品味、知识和工作流 —— 跨国串门儿计划》由知名科技思想家Nathan主持，邀请了Atlassian公司人工智能负责人Sheriff Monsoor进行深度访谈，是一场关于企业级人工智能落地实践的前沿对话。在GEMINI系列模型发布之际，Nathan以自身长期实践为基础，展示了如何通过AI生成高质量开场白——这一过程本身即是对AI能力边界的一次验证。他指出，尽管当前大模型已能生成接近人类水准的内容，但其真正价值不在于“模仿”，而在于“增强”。这种增强的核心在于将AI从一个通用工具转变为一个具备组织个性、业务逻辑与流程理解的“虚拟队友”。这一实践不仅证明了AI在内容创作上的潜力，更揭示了其作为协作伙伴的巨大前景，为后续探讨AI在复杂企业环境中的应用奠定了坚实基础。

对话的起点是Atlassian这家市值400亿美元、全球百强科技公司的独特定位。该公司虽以JIRA等开发工具闻名，但其用户群体已从技术团队扩展至市场、人力、财务、法务等非技术部门，形成了一个覆盖广泛的知识工作者生态。这一转变使得Atlassian成为观察AI在企业级场景中落地的理想样本。Sheriff Monsoor作为在公司任职16年的资深成员，亲历了产品从服务开发者到赋能全组织的演变，因此他对AI在真实工作流中的角色有着深刻洞察。他强调，AI不应被简化为“聊天机器人”或“自动写邮件工具”，而应被视为一种新的协作实体，能够嵌入团队工作流，与人类共同完成任务。这一观点打破了传统对AI的工具化理解，将其提升到了组织协作层面，预示着一个全新的工作范式正在形成。

本次对话超越了对AI代理的宣传式讨论，深入到流程架构、系统设计与组织行为的深层维度。核心议题围绕“如何对抗AI废料”展开——即那些看似正确却缺乏创造性、千篇一律的通用输出。为此，Sheriff提出了一个极具启发性的框架：通过注入“品味”、“知识”与“工作流”三个要素，使AI从“通用工具”进化为“组织专属智能体”。这一框架不仅是技术策略，更是组织文化与协作模式的重构。它揭示了一个根本性转变：我们正从“人类动手干活”的时代，迈向“人类设计工作流”的新纪元。在这个新世界中，领导者不再是执行者，而是流程设计师；员工不再只是操作员，而是AI协作的协调者。这一转变要求组织重新思考其战略、文化和领导力，因为真正的AI竞争力不在于模型本身，而在于组织能否将AI无缝融入其独特的协作基因之中。这不仅是技术问题，更是战略、文化和领导力的综合考验。

品味：构建组织身份的“灵魂注入”

在所有对抗AI废料的策略中，“品味”被置于首位，因为它决定了AI输出是否具有组织的独特性与创造力。Sheriff明确指出，当所有团队使用相同的模型、相同的提示词时，AI的输出必然趋于同质化，形成所谓的“AI废料”——即技术上正确但缺乏个性、创意贫乏的通用内容。这种现象的根本原因在于，AI无法凭空感知组织的文化、语言风格与价值观。因此，必须主动“注入”品味，使其成为AI的内在驱动力。> “我对我自己写的开场白的风格非常了解，所以当我让AI模仿时，它能准确捕捉到我的语气、节奏和用词习惯。”

品味的注入并非抽象概念，而是具体可操作的行为。它体现在团队的语言语调、内部笑话、沟通习惯与决策风格中。例如，一个银行客户服务团队与一个面向年轻用户的数字广告公司，在表达方式、语气节奏与用词选择上截然不同。若让AI为这两个团队生成相同内容，结果必然是生硬且不贴合实际。因此，必须通过上下文引导，让AI学会“像这个团队一样说话”。这包括提供大量历史文档、会议记录、项目笔记等材料，让AI从中学习该团队的表达模式。> “如果你是一个在银行为客户服务的团队，你的团队性格会和一个为年轻人群体做营销活动的数字广告公司的团队截然不同。所以让团队为他们的虚拟队友赋予一定程度的性格是很重要的。”

值得注意的是，品味的注入是一个持续过程，而非一次性设置。它依赖于用户与AI的长期互动。在Atlassian的实践中，这一理念的技术实现是“个人记忆”功能：系统会记录用户在使用AI过程中的偏好，如写作时频繁使用的句式、偏好的修辞手法，甚至对某些词汇的情感倾向。随着时间推移，AI逐渐“记住”这些细节，从而在后续交互中自然地体现用户的品味。然而，这一机制的有效性高度依赖于用户的主动参与。如果用户不愿投入时间整理上下文或反复调整提示词，AI便无法获得足够的信号来“个性化”自己。因此，品味的注入本质上是一种“人机共塑”过程，需要人类主动定义并持续校准。> “归根结底，你必须付出努力才能得到回报。人们总是举例说：哦，百分之八十的结果还行，但为了达到最后那百分之二十，我又。”

知识：构建组织智慧的“信息中枢”

如果说品味赋予AI“灵魂”，那么知识则为其提供“大脑”。在企业环境中，知识的获取与管理远比个人使用更为复杂。权限控制、数据分散、信息孤岛等问题使得传统的检索增强生成（RAG）技术面临严峻挑战。Sheriff指出，即使在同一组织内，不同员工对同一信息的访问权限也存在差异。例如，Nathan能看到的合同字段可能与Sheriff完全不同，这源于细粒度的权限设置。因此，任何AI系统都必须具备“权限感知”的能力，确保查询结果仅包含用户有权访问的信息。> “当你问一个问题和我问同一个问题，我们得到的结果会完全不同。Nathan能看到的结果和Sheriff能看到的完全不一样，因为我们能访问的数据是不同的。”

为解决这一难题，Atlassian构建了“团队协作图谱”（Team of Graph）这一核心技术。该图谱并非简单的文件索引，而是一个动态的、多维的关系网络，它将组织中的所有实体——包括团队、人员、工作项、代码提交、设计稿、会议记录、合同文档、客户提案等——全部连接起来。更重要的是，它不仅记录“是什么”，更记录“如何关联”。例如，一个采购合同的审批流程可能涉及法律团队、财务团队与供应商管理团队，这些团队之间的协作路径、责任归属与历史交互都被图谱捕捉。当用户提问“我团队上周做了什么”时，系统无需依赖模糊的关键词匹配，而是通过图谱遍历所有相关节点，整合来自不同系统（如Confluence、Jira、Figma、Google Docs）的数据，生成一份结构化的状态报告。> “对于这个问题，RAG会是一个非常糟糕的解决方案，因为它会给你前五个相关的文档，然后试图总结这些文档的状态。而在你说我团队那周的状态更新是什么这种场景下，图谱解决方案要好得多，因为我们需要便利所有的对象，给你一个总结，并应用组织的上下文。”

这一能力在传统RAG系统中几乎无法实现。因为RAG依赖向量搜索，只能返回与查询最相似的几份文档，然后尝试总结其内容。但对于“团队上周的工作状态”这类复杂问题，这种“拼凑式”回答往往遗漏关键信息或产生误导。相比之下，图谱解决方案能实现“多跳遍历”（multi-hop reasoning），从一个节点出发，经过多个中间节点，最终得出结论。这表明，未来的AI系统必须超越单纯的文本检索，转向基于关系推理的智能分析。> “我们有一个专门的团队就只专注于提升引用功能的质量，以确保回答内容是基于事实的，并且指向了正确的来源。”

工作流：实现协同效率的“流程引擎”

“工作流”是三要素中最具实操性的部分，也是AI从“辅助工具”走向“协作伙伴”的关键。Sheriff强调，AI的价值不在于单点任务的自动化，而在于将其嵌入到完整的业务流程中，与人类形成闭环协作。他以采购合同审查为例：系统可以自动接收新工单，调用AI智能体分析合同条款，起草初步回复，然后将结果转交给人类员工进行审核与反馈。这一过程既提升了效率，又保留了人类的判断力与责任。> “当一个新的工作项进来时，我希望你审查附件里的采购合同，并起草第一版回复。然后这个工作项会转给人类员工来审查，并与智能体来回沟通，最终形成一个正式的方案。”

为了支持这种复杂的编排，Atlassian提供了强大的自动化框架。该框架允许用户通过“乐高积木”式的节点组合，构建端到端的AI工作流。例如，一个简单的字符串操作节点可用于检查合同中是否包含特定关键词，而一个AI节点则用于生成摘要或建议。Sheriff警告，许多用户误以为“只要把所有任务交给AI就能解决问题”，但这往往导致资源浪费。他举了一个生动的例子：某客户试图用AI替代一个简单的字符串匹配任务，结果消耗了大量计算资源与Token，而一个基础的编程函数即可高效完成。这凸显了“合适工具用在合适地方”的重要性。> “有个客户曾经这么跟我形容，他说：‘我把这个放到工作流里之后才意识到，我这是拿着火箭筒在打蚊子。’”

因此，工作流的设计本质上是一种“成本-效益权衡”。系统应鼓励用户思考：哪些任务适合AI？哪些更适合传统代码或确定性函数？对于重复性高、规则明确的任务，应优先采用低延迟、低成本的确定性工具；而对于需要创造性、上下文理解的任务，则应启用AI。Atlassian的智能体框架允许用户为每个AI技能（Skill）设定明确的输入输出规范，并可随时切换底层模型。这种灵活性使得组织能够根据任务需求动态优化资源配置，实现性能与成本的最佳平衡。> “任何能用传统代码完成的事情都应该用传统代码来完成，这样会更快、更便宜、更可靠。”

检索增强生成（RAG）的局限性与演进方向

尽管RAG技术在提升AI响应质量方面发挥了重要作用，但在企业级应用中其局限性日益显现。Sheriff明确指出，企业环境的复杂性远超一般场景：权限控制精细到字段级别，数据分散在多个系统中，且更新频繁。这意味着，一个看似简单的查询，背后可能涉及跨系统、跨权限的复杂数据整合。传统的RAG方法依赖于语义索引，但若索引未考虑权限，就可能导致敏感信息泄露或无效结果。> “在企业里，权限设置非常精细，而问题又往往很宽泛。”

更深层次的问题在于，RAG本质上是一种“静态检索”机制。它在查询发生时才去查找相关文档，无法处理需要跨多个对象进行推理的复杂问题。例如，当用户询问“我团队上周做了什么”时，系统需要回答的不是“有哪些文档”，而是“团队完成了哪些具体工作”。这要求系统不仅能识别文档，还需理解文档之间的关系、时间顺序与任务状态。RAG对此无能为力，因为它无法“遍历”整个工作流。> “我们还探讨了ACOLASION如何利用团队协作图谱来回答像‘我团队上周做了什么’这类向量搜索根本无法处理的问题。”

为应对这一挑战，Atlassian发展出了“团队协作图谱”（Team of Graph）这一替代方案。该图谱通过持续收集用户在产品中的行为数据（如链接粘贴、页面创建、评论互动），自动构建出一张动态的知识网络。它不仅记录了“谁在做什么”，更记录了“为什么这么做”——即任务背后的动机、协作模式与决策链条。这种基于关系的架构，使得系统能够进行“多跳推理”（multi-hop reasoning），从一个节点出发，经过多个中间节点，最终得出结论。例如，要判断某个项目的状态，系统可以依次查询其相关的工单、会议记录、设计稿与代码提交，再结合时间线与负责人信息，生成一份综合评估。> “我们产品组合中的第二个重要部分，我们称之为团队图谱（Team of Graph）。它是一张地图，记录了客户拥有的所有实体以及他们处理过的所有工作。”

团队协作图谱（Team of Graph）：组织知识的动态映射

团队协作图谱是Atlassian AI架构的核心创新，它将组织的隐性知识显性化、结构化。该图谱的构建方式兼具“有机”与“无机”两种模式。有机模式指用户在日常工作中主动留下的痕迹，如在Confluence页面中粘贴GitHub链接、在Jira工单中引用Figma设计稿。这些行为被系统自动捕获，形成节点间的连接。无机模式则是系统主动建立的关联，如将Salesforce记录与GITHUB Issue通过共享字段（如客户ID）进行映射。> “它可以通过客户主动连接系统来无机地填充，比如客户说：嘿，我想把GitHub、Figma连接到Rover。”

图谱的威力在于其“可查询性”。当用户提出一个问题时，系统不再局限于文本匹配，而是启动一次“图谱遍历”（graph traversal）。例如，当用户问“请帮我总结一下最近的客户反馈”时，系统会从客户账户节点出发，遍历所有相关的工单、会议记录、产品评论与支持请求，再结合情感分析与主题聚类，生成一份结构化的摘要。这种能力远超传统RAG所能达到的水平。> “它可以给你一个你的蓝色链接式的回答。”

此外，图谱还支持“权重衰减”机制，以应对信息过时的问题。系统会根据内容的活跃度、用户互动频率与时间戳，动态调整节点的重要性。例如，一个三年前的项目文档，即便仍存在于系统中，其权重也会显著降低，除非有近期的互动记录。这有效防止了“垃圾信息”干扰决策，确保AI输出的时效性与相关性。> “对于那些比较旧的，你可能合作过也可能没合作过的内容，会有一个很强的衰减机制。”

个人记忆与用户零进度（User Proximity）

在个体层面，Atlassian通过“个人记忆”功能实现了AI的个性化。该功能记录用户在使用过程中的行为模式，如写作偏好、常用术语、修改习惯等。其核心理念是“用户零进度”（User Proximity）——即用户与AI的交互越紧密，AI就越能理解用户。例如，程序员在IDE中持续与AI对话，其编码习惯、命名规范与错误模式会被系统学习；写作者在Confluence中使用AI辅助写作，其语言风格、段落结构与修辞偏好也会被捕捉。> “我用的一个词是用户零进度 USER PROXIMITY，也就是用户在做某件事时离 AI 有多近。”

这种机制的关键在于“自然发生”而非“刻意输入”。用户无需专门编写指令，只需在正常工作流程中使用AI，系统便会自动积累数据。这大大降低了使用门槛，使得个性化成为一种“副产品”。然而，这也意味着效果高度依赖于用户的使用频率与深度。如果用户只偶尔使用，系统难以形成有效的记忆。因此，个人记忆的成功与否，本质上取决于组织是否鼓励并支持员工持续与AI互动。> “所以归根结底，你必须付出努力才能得到回报。”

聊天界面的悖论：通用性与低效性的矛盾

对话深入探讨了AI与用户界面的演进关系。Sheriff以微软DOS系统的历史为类比，揭示了一个深刻洞见：聊天（Chat）虽然是最通用的交互界面，但却是最糟糕的专用界面。在DOS时代，命令行是唯一的交互方式，虽然功能强大，但对新手极不友好。随着图形界面的发展，文字处理、电子表格、图像编辑等专业应用相继出现，它们各自拥有独立的UI，极大地提升了用户体验。> “我上周刚在一个活动上发言，主题就是与AI对话时真实性有多重要，你得一层。”

这一历史规律同样适用于AI时代。当前，几乎所有AI产品都以聊天窗口为核心界面，这确实方便了初学者快速上手。然而，当面对复杂任务时，聊天界面的缺陷暴露无遗。例如，填写表单时，用户需逐字输入，无法直观预览结构；进行条件性字段填充时，系统难以理解上下文逻辑；进行多步骤操作时，用户容易迷失在长对话中。Sheriff直言：“你试试通过聊天界面填一个表单，那简直是一场灾难。”> “你试试通过聊天界面填一个表单，那简直是一场灾难。”

专业化UI的崛起：垂直领域的专属体验

基于上述观察，Sheriff预言：未来的AI将不再依赖单一的聊天界面，而是会在其之上构建大量专业化、垂直化的用户体验。这些体验将针对特定任务进行优化，提供更直观、更高效的交互方式。他以儿子使用Leonardo AI创作游戏精灵为例：虽然理论上可以用ChatGPT完成，但实际操作中，一个专为图像生成设计的界面，能提供拖拽、参数调节、预设模板等丰富功能，远胜于纯文本交互。> “对于制作专门的、可预测的、有细微变化的不同尺寸的UI图形来说，那是最好的界面吗？不，那是糟糕透顶的。”

这种趋势的本质是“界面即服务”（Interface as a Service）。AI的后端仍然是一个对话式API，但前端可以是任何类型的界面——从表格、仪表盘到游戏化交互。这类似于现代软件的发展路径：操作系统提供通用接口，而应用层则提供专业体验。因此，未来的AI系统将呈现“双层架构”：底层是统一的AI引擎，上层是多样化的、任务导向的UI。> “我认为我们会看到，在UI方面，聊天作为主要方式的使用会有一个疯狂的飙升。”

设计成为核心竞争力

在这一背景下，设计的重要性被空前放大。Sheriff强调，当所有工具都变得触手可及，设计将成为决定成败的关键因素。一个精心设计的界面，能显著提升用户效率与满意度；而一个粗糙的界面，即使功能再强大，也可能被用户弃用。他以自己的儿子为例，说明新一代用户已能直接用自然语言编程，跳过了传统语法学习阶段。这预示着，未来的界面将越来越“人性化”，越来越“直觉化”。> “所以我认为同样的事情也会发生在AI身上。”

因此，组织必须重新思考其产品战略：与其追求“万能AI”，不如专注于打造“最佳体验”。这要求团队不仅要懂技术，更要懂用户心理与行为模式。设计不再是装饰，而是核心生产力。> “设计变得至关重要，在一个每个人都能接触到所有工具的AI未来，设计最终成为一个巨大的差异化因素。”

商业协作的复杂性：超越简单自动化

Sheriff对“一人独角兽”（Solo Unicorn）的概念持怀疑态度，其核心理由是：商业协作的本质是复杂的社会系统，不可能被一个个体完全掌控。他指出，即使是最先进的AI，也无法替代团队间的真实互动、信任建立与流程磨合。他以自己曾采访过的扩展公司难题为例：当公司规模扩大时，沟通、信任、流程与仪式都会崩溃。这正是为何需要Jira、Confluence等协作工具——它们将无形的组织文化“固化”为可复制的工作方式。> “我听过你之前的一个采访，你说扩展公司最难的事情是扩展产品团队，因为沟通、信任、流程和仪式都会崩溃。”

AI虽然能模拟部分流程，但无法复制“人”的因素。例如，一个采购团队的决策不仅基于合同条款，还受制于历史关系、风险偏好与组织政治。这些微妙因素无法通过提示词完全表达。因此，即使一个人能用AI完成所有任务，他也无法保证团队的协同效率与组织健康。> “所以我认为这也是我们有这么多软件的原因之一，因为人们无法把所有这些结构都记在脑子里，他们需要一些更持久的实例化来告诉他们这就是我们的工作方式。”

“一人独角兽”的现实困境

Sheriff进一步剖析“一人独角兽”的可行性。他认为，该概念的前提是AI能力足够强大，能完全替代人类。但现实中，AI的输出仍存在“废料”问题——即缺乏创造性的多样性。他指出，即使使用最先进的模型，输入相同提示词，不同平台的输出相似度高达80%。这意味着，所有“独角兽”最终都会产出雷同的结果，失去差异化优势。> “你今天就可以试试，在七个不同的AI工具标签页里输入同样的提示词，你会得到80%相同的东西。”

真正的竞争优势来自于“注入组织灵魂”。一个成功的AI应用，必须融合团队的品味、知识与工作流。这需要大量的手动干预与持续优化，绝非一键生成即可。因此，所谓“一人独角兽”更像是一个理想化的愿景，而非现实可行的商业模式。它忽略了组织协作的深层需求，也低估了AI在复杂情境下的局限性。> “我就是不认为这会消失。我认为这正是让我们成为人类的原因。”

领导力的实践：以身作则与行为示范

在推动AI采纳的过程中，领导者的作用至关重要。Sheriff认为，最有效的做法是以身作则。领导者不应只说“你们要用AI”，而应展示自己如何在日常生活中使用AI。例如，他分享了自己如何用AI帮助孩子做数学作业——AI不会直接给答案，而是通过提问引导孩子一步步思考，并融入孩子喜欢的《堡垒之夜》笑话，使学习过程充满趣味。> “我有一个智能体。帮助我儿子做数学作业，他不会直接给出答案。但他知道他所在年级的学校课程，他和他交谈，他会帮助他一步步解答，而且非常个性化。”

他还提到，自己在运动受伤后，使用AI助手每日提醒康复动作，并根据饮食情况给出建议。这些真实案例比任何口号都更具说服力。他建议领导者在面试中直接询问候选人：“你个人使用AI吗？”答案从计划旅行到装修房子，都能反映其对AI的真实态度。> “我最近刚受了一次运动伤，内侧富人带撕裂了。我有理疗师，但我也有一个 AI 助手，每天提醒我应该做什么运动。”

创造安全空间：鼓励探索与学习

除了示范，领导者还需创造一个安全的探索空间。Sheriff批评了强制推行AI的做法，认为这传递了“要么做，要么滚蛋”的威胁信号，反而会抑制创新。相反，他主张设立“AI建设者周”等活动，让跨职能团队（产品经理、设计师、工程师）同步预留时间，专注于探索与实验。> “我们最近刚举办了一个AI建设者周，1000名产品经理、设计师、工程领导、研究员。”

关键在于，庆祝的是学习过程，而非产出成果。失败的项目不应被惩罚，而应被视为宝贵的经验。他强调，真正的价值在于团队在实践中理解AI的能力边界，发现最适合本团队的工作流。因此，组织应鼓励“捣鼓”（tinkering），而不是追求立即见效的“杀手级应用”。> “但你庆祝的是学习过程，而不是实际的产出。产出是学习本身，而不是一个产品成果。”

本次对话为我们描绘了一幅清晰的未来图景：AI的终极价值不在于取代人类，而在于增强人类的协作能力。实现这一目标的关键在于构建一个“三要素”体系——品味、知识与工作流。品味确保AI输出具有组织个性；知识提供决策依据；工作流则将AI嵌入真实业务流程。技术层面，未来的AI系统将呈现“双层架构”：底层是统一的对话引擎，上层是多样化的专业化界面。团队协作图谱将成为组织知识的中枢，而个人记忆则让AI真正“理解”用户。

组织层面，领导者必须从“执行者”转变为“流程设计师”。他们需以身作则，创造安全空间，鼓励团队探索。真正的成功不在于技术先进，而在于能否将AI与组织的DNA深度融合。最终，这场对话的核心启示是：在AI时代，最稀缺的不是算力，而是“组织智慧”。谁能最快地将AI转化为自身的协作优势，谁就能在未来的竞争中立于不败之地。> “所以我认为这也是我们有这么多软件的原因之一，因为人们无法把所有这些结构都记在脑子里，他们需要一些更持久的实例化来告诉他们这就是我们的工作方式。”