别再做 AI 智能体了：去养 AI 员工（Brex CEO 现场演示）

在这期 Peter Yang 访谈中，Brex 联合创始人 Pedro Franceschi 演示了他所说的虚拟员工。例子把一项具体、反复发生的工作，与持久背景、工具、反馈和基础设施相连，而不是先搭一个什么都能做的智能体。

他用一段时间衡量产品组织的有效性：从看见客户信号，到把能解决问题的结果交到客户面前。AI 可以帮助理解非结构化信息、降低原型成本，缩短这个循环。

但选择问题并没有因此变得不重要。Franceschi 认为工程、设计与产品应该平等，角色也越来越重叠。PM 的工作包括理解客户与市场销售背景、做取舍，以及检查结果是否回应了原来的痛点。能做更多东西之后，他反而主张把注意力集中在少数关键事情上。

Franceschi 说自己花很多时间审查工作。他用判例作比喻：具体审查让组织理解什么是高质量，从领导层一直传到个人贡献者。

团队把问题对齐与方案对齐分开。先问哪个问题值得解决，再讨论回应方式。客户电话、丢单与请求都可以提供信息，但一堆数据总结本身，并不等于决定了公司优先事项。

共享技能编码了原则、替代方案和瓶颈等重复问题。审查前先运行一遍，可以处理通用的第一轮检查，让人把时间留给当前问题的特殊之处。技能也要维护，他说自己与产品负责人会持续检查其准确性。

招聘助手 Jim 有自己的身份，可以通过 Slack 与网页交互。按访谈当时的说法，它已从二月开始持续运行。

流程会与 Greenhouse 同步，读取申请、解析简历，并从职业资料和 GitHub 等来源补充背景。候选人按照职位特定条件评估，周围系统则保留候选人状态和执行所需连接。

“员工”比喻的意义在于，招聘人员可以直接问工作问题，而不必先组装泛化提示词与每个工具连接。Franceschi 也强调，为了让这些交互按预期运行，团队在技能周围搭建了基础设施。

Jim 的职责包括寻找候选人、筛选主动申请，以及提供分析。演示中，人可以询问职位、查看需要行动的候选人，并为职位设置周期寻访。

评估条件属于可检查的系统，而不是永远藏在模型里的一次判断。人能查看职位条件，也能指出哪些决定不对。团队通过定时工作与改进建议，持续发展这个流程。

Franceschi 说，Jim 可以代表招聘人员或寻访人员联系候选人。这也解释了，为什么系统需要围绕行动建立控制，而不能把像同事的界面当作可靠性的充分证据。

团队会查看招聘人员推进、智能体拒绝的情况，也查看智能体认为突出、人工却没有继续联系的人。这些分歧提供了调查和改善流程的具体入口。

这里的一致率并不能代替理解决定，而是通过具体案例检查人类工作与智能体工作的关系，超出笼统宣称提升生产力。

招聘话题中还有一个细节：Franceschi 认为，有开源贡献可以是积极信号，但没有开源贡献本身不应成为负面信号。他描述的是面试中的实际构建任务，而不是把公开资料当作完整评估。

22:40查看原图

22:40 的原看板展示不同分歧类别；与招聘人员一致，不等于已经证明招聘判断正确。

随后，Franceschi 演示了 Crabtrap，并将其介绍为控制智能体网络流量的开源代理。问题在于，能执行代码的智能体，可能做出的行动远多于简短工具说明中的列表。

演示方案先用静态规则处理始终允许的请求，再让模型按照策略判断其他请求。界面显示审计轨迹，以及允许或阻止的依据。

观察过的流量也可以用来生成策略建议。他列举的禁止事项包括删除仓库、修改身份系统配置和改动策略本身。这是演示中的做法，并不证明模型裁判或自动生成策略可以消除所有安全风险。

24:40查看原图

24:40 的原演示展示静态规则和模型评估的网络策略界面，并非本文独立完成的安全审计。

成本演示区分员工内部使用的企业 AI、业务流程中的运营 AI，以及面向客户产品中的 AI。之后可以按模型、调用方、人员和客户相关成本继续检查。

每次调用成本的趋势，可以揭示总账单掩盖的变化。缓存与模型选择会影响它，调用方视角则帮助定位哪个流程变了。Franceschi 明确说，部分界面使用演示数据，因此不能把示例数字当作公司实际支出的核验结果。

他还描述了一个产品方向：把使用分析与真正离开公司账户的资金连接起来。使用量与结算款项是不同部分，他希望先把两者对齐，再决定在哪些地方行动。

谈到预算时，Franceschi 描述的是较宽松的实验空间，同时保留一些上限。他们的顺序是，先让人深入使用 AI，看见价值与使用方式，再优化生产力较低的具体部分。

这可能包括改善缓存，或者让适合的任务使用更便宜的模型。判断依赖对场景的了解，消耗很多 token 本身并不等于完成有价值的工作。

他也指出，token 消费可能通过软件产品间接发生，并不只来自模型供应商合同。因此，理解成本需要跨工具和流程观察，而不是只宣布公司使用哪一家模型。

Franceschi 的个人 Autopilot 演示，从自己关心的人物和项目开始。Slack、邮件、会议与文档中的信号被收集起来，用于更新相应状态。

界面聚合状态、阻碍、风险、互动历史与建议行动。邀请参加活动的消息可以变成待决定事项，原始信号也仍然可以查看。这样，他不用分别重读所有频道，就能回到相关背景。

他说底层记录是提交到仓库的 Markdown 文件，脚本再提供更方便的界面。他也承认，可靠运行需要时间。演示时的顺畅，建立在这部分准备之上。

访谈最后区分了卖工具，以及通过智能体循环和工具卖已经完成的工作。Franceschi 认为，即使实现方式与定价改变，客户支付的仍然是问题得到解决的价值。

这些例子也说明了实际条件：职责集中、状态可用、错误可检查、行动受控、成本看得见。“员工”描述的是工作怎样组织和体验，并没有让周围的工程消失。

本文整理自 Peter Yang 与 Pedro Franceschi 的访谈《Stop Building AI Agents. Build AI Employees Instead》。内部系统、产品计划和预算政策均按访谈中的描述呈现，不作为独立核验的当前产品规格。