AI Native Zone 建起来了，怎样让它运转？

AI Native Company #02

上一篇，我们提出：传统企业可以先选择一个具体项目，建立小型跨职能团队，给予有限但真实的自主权，让新的工作方式跑起来。

但团队坐到一起之后，工作怎样改变？如果专家仍然逐项分析、逐单判断，Agent 只是帮助查资料、写报告，这个 Zone 能释放的能力仍然有限。

进一步的问题是：怎样让 Agent 承担越来越完整的专业工作？

Meta 最近介绍的“组织第二大脑”，提供了一个方向：将知识系统、推理流程、评估框架和持续改进连接起来，让 Agent 的工作有依据、有方法，也能被检验和修正。（Meta 工程博客，2026 年 9 月 2 日）

知识，决定 Agent 依据什么工作

Knowledge System 要让 Agent 能够使用企业自己的定义、规则、立场和适用边界。

对传统企业，这意味着整理那些过去需要“找某个人问一下”才能获得的依据：哪些是正式规则，哪些只是惯例，哪些情况允许例外。

这个过程也在建立 Zone 的新规则。Agent 获得的授权，必须对应清楚的工作条件。

知道规则之后，还需要知道怎样完成分析。Meta 用 recipe 组织多步骤流程，明确每一步检查什么、加载哪些知识，以及怎样才算完成；多个 recipe 可以组合，按阶段提供所需信息。（知识与推理架构）

以采购评估为例，可以设想这样的流程：确认采购用途，判断审查范围，收集证据，分项分析，最后汇总风险与未决问题。这只是理解机制的示意，并非 Meta 的实际流程。

采购标准属于知识；先确认什么、再怎样判断，属于 recipe。两者分开，政策调整时可以更新依据，分析遗漏时可以检查方法。

专家的工作由此变得可以拆解。哪些步骤能够交给 Agent，前后需要交付什么，哪里必须由人介入，都可以逐项设计。

知识与方法的关系示意。点击图片查看大图。

但流程写出来，只是起点。它是否有效，还需要另外两层系统回答。

Evaluation Framework 应当把“做得好”变成可以检查的标准。

正常案例能否完成？边界情况能否识别？信息不足时会不会贸然下结论？如果每份结果仍需专家从头重做一遍，节省的劳动就很有限。

对 Zone 的设计而言，评估可以作为逐步扩大授权的依据。哪些任务继续复核，哪些可以减少人工介入，应当随着实际表现调整。这是本文的延伸建议；Meta 的实践仍在分析过程中设置人工检查点，遇到歧义时交由专家判断。

发现错误后，还需要区分：知识缺失、分析步骤有问题，还是问题本身存在分歧？

Self-Improvement Loop 要把这些反馈转成具体修改，再检查修复是否有效、是否影响其他场景。Meta 的系统保留了验证和人工审核，并把修复案例加入后续测试。（反馈与更新机制）

这里更新的是知识文件与 recipe，不需要重新训练底层模型。

这样，专家的纠正才有机会减少下一次人工介入，而非停留在一次对话里。

持续改进的概念示意。点击图片查看大图。

四层系统由此形成循环：知识提供依据，recipe 组织行动，评估检查表现，改进更新知识与方法。

对传统企业，目标可以是逐步让 Agent 接管更多专家原本需要完成的分析与执行，同时让专家转向规则设计、复杂例外和质量控制。Meta 的案例仍保留人的最终控制，不能据此推断专家岗位可以整体取消。

衡量 AI Native Zone 的进展，可以看一件事：经过验证后，Agent 能独立承担的工作，是否越来越完整？

本文三张配图均为 AI 生成的编辑配图，并非 Meta 官方图或实际办公室照片。