这两周,我们又启动了一个新项目——Zeus Nomi。
我想把它做成一名真正融入团队的 AI 员工。既然说是员工,那我希望它真的能像一位远程办公的同事一样,持续参与团队的日常工作。
在加入团队的过程中,它能逐渐对公司、业务、团队、成员、技术架构、流程规范等形成自己的认知。遇到疑惑,或者觉得某件事有风险时,能够跟自己的 mentor 确认,也能在犯错和被纠正的过程中学会成长,接受任务、参与需求交付。
另外,我还希望它是一个团队助理。关注团队的整体情况,在背后默默地学习,给团队或者个人提出有价值的建议和意见,也能帮助大家做定时任务、安排日程和会议。
为什么要做 Zeus Nomi?这得从我们产研现有的 AI 建设说起。
目前,Zeus 体系里已经有了 Zeus 工作流、Zeus 知识库、Zeus Studio 工作台、Zeus Talos 机器人及端到端交付能力,还有 Zeus Forge 应用广场。
其中,Zeus Talos 的机器人问答和端到端交付,其实已经是在探索 AI 员工了:让 AI 进入团队平时沟通的场景,并且承担一些实际工作。
但 Talos 主要还是靠预先编排好的 Workflow 驱动。虽然部分环节引入了 Agent,整体流程怎么走、遇到异常怎么处理,仍然主要依赖代码里写好的规则。既定流程内的任务,它能够完成;到了流程之外,自主判断和灵活处理的能力就比较有限了。
这也是我们当时的一次取舍。设计 Talos 的时候,我们对 OpenClaw 所追求的高度自主性是有顾虑的,担心不好控制。所以选择了 Workflow + Agent 的架构,希望在可控性和灵活性之间取得平衡。
但实际开发和使用下来,每遇到一种不稳定的情况,我们往往就加一个判断分支,或者补一条处理规则。这些 IF ELSE 越积越多,Workflow 承担的逻辑越来越多,Agent 能够自主判断的空间反而越来越小了。
所以我又开始想:如果目标是一名能够融入团队、理解任务并自主推进工作的 AI 员工,靠这样不断补流程、补分支,够不够?
当然,直接换成 Agent,也不会自动解决可靠性、权限、安全、成本和执行边界这些问题。
我们不是想完全抛弃 Workflow,而是重新考虑 Workflow 和 Agent 各自应该承担什么职责。
任务怎么拆、用什么工具、遇到问题怎么调整,可以尝试更多地交给 Agent;哪些操作需要人工确认,权限和成本的限制在哪里,仍然需要明确的流程和系统约束。关键是交给它多少判断权,以及怎么检查结果、在必要时由人接手。
Zeus Nomi 就是在这个背景下启动的。至于这些设想能做到什么程度,还需要在实际使用中继续摸索和验证。
目前项目还在探索阶段,后续有进展再继续更新吧。
最后,祝好。
记录 AI 研发实践、系统架构,以及工作与生活中的思考。
AI Coding 时代最大的护城河,不是模型,不是 Agent,也不是工作流。 而是知识库。 这是我折腾了一整年 AI Coding,到最后才慢慢看明白的事。 可一开始,我和大多数人一样,劲儿全使在另一个地方——工作流。 怎么把写 PRD、出方案、写代码、生成测试串成一条链路,让 AI 一步步往下跑。 工作流跑通了,下一个问题马上冒出来—— AI 跑这些命令的时候,到底读什么? 光给它代码,不够。 于是所有人又一窝蜂去搞知识库。研发在搞,产品在搞,业务也在搞。 可搞着搞着我发现一件事:几乎没人能说清,知识库到底该是什么。 先说说,知识库不该是什么 很多人理解的知识库,是"把代码翻
去年开始,团队里每个人都用上 AI 写代码了。 按理说,效率该起飞了。 可折腾了大半年,我才慢慢看清:每个人都明显变强了,但团队的合力却没跟着强起来。 会用 AI 的人,效率飞涨。 用得浅的人,被甩在后面。 几十个开发,几十套打法——各自的 prompt 习惯、各自的提示词、各自摸索出的一套方法。 这本来不是坏事。 坏就坏在,大家的产出开始对不上了。 同一个功能,不同人让 AI 写出来的代码,风格能差出十万八千里。 某个同事摸到一个好用的技巧,群里截图一发,热闹两句,然后就沉底了。 下一个新人进来,还是从零开始踩。 文档呢?散在各个服务的 README 里,或者干脆躺在某个人的电脑里。 遇到跨
最近 Loop Engineering 在持续刷屏。 公众号在刷,各种群里在讨论,我也看了好几篇文章。 每篇都有道理——五个组件、目标定义、古德哈特定律,逻辑很清晰,我都信了。 但看完之后有点空。 我的工作流该怎么 Loop 化?从哪起手?搭出来以后长什么样? 没一篇说清楚。 所以想聊聊我自己的理解,以及我们实际在做的事——我们团队搭了个叫 Talos 的系统,算是目前我见过最接近"生产级 Loop Engineering"的垂类实践。 Loop 其实只有两种形态 在我看来,Loop Engineering 这件事,放长了看只有两个终点。 第一个是通用智能 AI。 它足够强
前面几篇,聊了团队怎么搭 AI 工作流、怎么建知识库。 今天聊聊 AI 在 PRD 编写和质量保障上,我们做了些什么。 其实这块从一开始就在工作流里。只是在开始的MVP版本里,核心全压在开发环节。 等大家真用起来,一个问题立马浮出水面: PRD 质量一般,工作流出来的技术方案,质量自然也上不去。 道理特别朴素:垃圾进,垃圾出。 源头的 PRD 含糊,后面 AI 再能干,也只是替你把这份含糊"发扬光大"。 所以我决定还是要治理一下这个源头。 第一步:先给 PRD 做个体检 我做的第一件事,是一个 PRD 质量检测 skill。 注意,它不碰业务逻辑,只做"规范层&q
最近这几天,我又开始焦虑了。 原因是,我突然意识到一件事。 已经有一阵子,没人反馈 Zeus 的问题了。 Zeus 是我们团队做的一套 AI Coding 工具体系。 说白了,就是想让 AI 把"写代码"这件事,从头到尾接过去。 用了两个多月,大家从一开始的别扭、吐槽、不信任,慢慢变成了—— 用得挺顺。 顺到,没人抱怨了。 按理说,这是天大的好事。 可那一刻,我心里咯噔一下。 因为"没人提问题",有两种可能:一种是真的没问题了,另一种是,大家已经看不见问题了。 我估计,是后者。 浮在水面上的,是看得见的成绩 这半年,团队是真的变样了。 Zeus、Zeus