Dr.Jingle · 金狗博士
Dr.Jingle 金狗博士
Dr.Jingle Intelligence Note

我是怎么既当董事长又当总经理的

我现在做的事,名片上写出来可能有点滑稽:董事长、总经理、首席研究员、产品负责人、程序员,顺带还兼着客服和市场。;听上去像个笑话,但凡是做过一人公司的人都懂——这不是头衔多,是真的得一个人把这些活全干了。;一开始我以为,有了 AI 就轻松了。结果用下来,最累的那段时间反而是 AI 工具最多的时候。

分享
X LinkedIn

核心要点摘要

  • 我现在做的事,名片上写出来可能有点滑稽:董事长、总经理、首席研究员、产品负责人、程序员,顺带还兼着客服和市场。
  • 听上去像个笑话,但凡是做过一人公司的人都懂——这不是头衔多,是真的得一个人把这些活全干了。
  • 一开始我以为,有了 AI 就轻松了。结果用下来,最累的那段时间反而是 AI 工具最多的时候。
  • 那时候我的工作台是这样的:ChatGPT 开一个窗口查市场,Claude 开一个窗口写方案,DeepSeek 拆成本,再单独开个 Agent 看代码。每个都挺聪明,但它们互相不认识。我得在几个窗口之间来回搬:把这边的结论复制到那边,再…
  • 干到后面我才反应过来,真正在做上下文同步的,不是 AI,是我。我成了几个 AI 之间的人肉传话筒。
  • 后来我复盘,问题不在于工具不够多,而在于我的用法从根上就错了:我是拿着一家「传统公司」的流程,往里面这儿塞一个 AI、那儿塞一个 AI。每个环节确实快了一点,但整个公司还是围着我一个人转,所有信息还是要过我的脑子。

一句话定义

我现在做的事,名片上写出来可能有点滑稽:董事长、总经理、首席研究员、产品负责人、程序员,顺带还兼着客服和市场。


正文

我现在做的事,名片上写出来可能有点滑稽:董事长、总经理、首席研究员、产品负责人、程序员,顺带还兼着客服和市场。

听上去像个笑话,但凡是做过一人公司的人都懂——这不是头衔多,是真的得一个人把这些活全干了。

一开始我以为,有了 AI 就轻松了。结果用下来,最累的那段时间反而是 AI 工具最多的时候。

那时候我的工作台是这样的:ChatGPT 开一个窗口查市场,Claude 开一个窗口写方案,DeepSeek 拆成本,再单独开个 Agent 看代码。每个都挺聪明,但它们互相不认识。我得在几个窗口之间来回搬:把这边的结论复制到那边,再把背景重新解释一遍,告诉它「我们这个项目到底在干嘛」。

干到后面我才反应过来,真正在做上下文同步的,不是 AI,是我。我成了几个 AI 之间的人肉传话筒。

后来我复盘,问题不在于工具不够多,而在于我的用法从根上就错了:我是拿着一家「传统公司」的流程,往里面这儿塞一个 AI、那儿塞一个 AI。每个环节确实快了一点,但整个公司还是围着我一个人转,所有信息还是要过我的脑子。

行业里管我那种用法叫「+AI」——老流程不动,加点 AI 提提效。而真正的解法是反过来的,叫 AI Native:不是往旧流程里塞 AI,而是一开始就围绕 AI 来设计整个工作方式。

对一人公司来说,AI Native 落到实处,就是一套 MAS——Multi-Agent System,多智能体系统

先把两个词说人话讲清楚

AI Native(AI 原生),可以类比当年的「移动原生」。早年很多网站做 App,就是把网页塞进手机壳里,能用,但别扭;而 Instagram、微信这种为手机而生的产品,从交互到功能都是围着手机长出来的。AI Native 也是一个意思:不是「我的工作 + 一个 AI 助手」,而是「我的工作流程本身,就是按 AI 能持续参与来设计的」。

MAS(多智能体系统),则是 AI Native 在组织层面的样子。说白了,就是一家公司的组织架构,只不过员工换成了 AI——不是找一个无所不能的大模型替我打工,而是养一支分工明确的队伍:有人专门做研究,有人盯产品,有人写代码,有人算账,有人跑内容。它们共用同一份项目记忆,在同一个空间里接力,而我退到后面,只干董事长和总经理该干的那点事——定方向、做判断、最后拍板。

这两个词的关系一句话就能说清:AI Native 是理念,MAS 是这套理念跑起来的形态。 一个人开的公司如果从第一天就这么搭,那它就是最小的 AI Native 公司。

过去搭这么一套东西是大厂技术团队的特权。让我这种一个人扛的把它跑起来的,是一个叫 Puffo.ai 的工具。

与其说是工具,不如说是我的组织架构

Puffo 没那么玄乎,你可以把它想成 Slack 或者飞书,但多了一层东西:频道里坐着的不只是人,还有一群能干活的 AI。

我第一次打开它的时候,做的第一件事是建了个 Workspace,相当于注册了一家公司。然后按部门拉了几个频道:Research 管调研,Product 管需求,Development 管开发,Marketing 管增长,Finance 管钱。

普通协作软件到这一步就停了,频道里只有活人。Puffo 的区别是,我能往每个频道里塞对应的 AI 同事:研究的频道放 Research Agent,产品的频道放 Product Agent,开发的频道放 Developer Agent……

这就是 AI Native 和「+AI」的分水岭:在旧用法里,AI 是我随手召唤的工具,问完就散;在这里,AI 是组织架构里有编制的成员,长期在岗。

从那以后,一个复杂项目对我来说就不再是「我和一个 AI 反复掰扯」,而是「我带着一队 AI 一起往前推」。最终拍板的还是我,但那些中间的脏活累活,不用全堆在我脑子里了。

Puffo 的 Agent 跑在我自己电脑上:CTO 管代码、GEO 盯模型动态、研究 Agent 扫论文,我决定谁上线、谁进哪个频道

这是我电脑上正在跑的几个 Agent——CTO 写代码,GEO 盯模型动态,研究员扫论文。哪个上线、哪个进哪个项目,我说了算。这种感觉,确实有点像管一个小团队。

偶尔问一句的活,它干不了,也没必要

我得先泼盆冷水:如果你只是偶尔让 AI 改封邮件、解释个名词、写段小脚本,那真没必要上 Puffo,普通聊天窗口又快又省事。这种一次性的活,「+AI」完全够用。

AI Native 的价值,要等到你做长期项目才显出来。

长期项目麻烦在哪?背景资料一堆,历史讨论一长串,每个阶段都有结论,还分着好几个角色。今天研究出来的东西,明天写产品方案要用;方案定了,后天开发还得接着用;开发卡住了,又得回头翻最初的需求。

要是这些全散在不同的 AI 窗口里,你很快就会变回那个人肉传话筒。

Puffo 帮我解决的就是这个:让 AI 待在项目里,而不是问完就走。同一个 Agent 留在频道里,记得我们之前聊到哪、定了什么,围着同一个项目持续干。上下文不再存在我脑子里,而是存在组织里——这是 AI Native 工作方式最核心的一条。

我自己做一个产品,是怎么走的

举个我自己跑过的流程,做一个新的 SaaS。

放在以前,我大概会这么干:开个窗口查竞品,再开个写文档,再开个问架构,再开个写发布文案。每一步都能做完,可做完之后信息全是碎的,拼回去又得花一遍力气。

在 Puffo 里我换了个走法。先建一个 Workspace,名字直接用项目名。拉三个频道:Research、Product、Development。再请进来四个 Agent:研究、产品、开发,加一个 QA。

我先在 Research 频道丢一句:「帮我把 AI Agent 协作平台的市场格局、主要竞品和机会捋一遍。」研究 Agent 干完,结论就留在那个频道里,不用我另存。

接着我转到 Product 频道,让产品 Agent 拿着刚才的研究去拆 MVP、画用户流程、排优先级——它能看到上游的结论,我不用再解释一遍。最后进 Development 频道,让开发 Agent 出系统架构、列前后端模块。

整个过程,真的像一个小团队在接力,而不是我一个人在四个窗口之间复制粘贴到手酸。

同一个 Workspace 里,研究 Agent、GEO、CTO 围着同一个话题接力回答

我在频道里 @ 研究 Agent 去扫论文,@ GEO 去对比新模型——它们在同一个上下文里干活,我不用切来切去重复交代背景。

说白了,它就是我那家「公司」的花名册

如果你跟我一样是一个人扛,那这套 MAS 基本就是你的组织架构图。

研究 Agent 是我的兼职研究员,产品 Agent 是我的产品合伙人,开发 Agent 是我的技术顾问,市场 Agent 管内容,财务 Agent 帮我算预算和定价。

我没真雇五个人,也不用在五个聊天窗口里反复横跳。我要的只是一个稳当的项目空间,让这几个角色围着同一个目标干活。

这就是 AI Native 对我这种 OPC 的意义:不是把我变成超人,而是让我学会当个 CEO——管一支 AI 团队,而不是亲自下场干每一件事。一人公司的天花板,从「我一天能干多少活」,变成了「我能把多少活组织好」。

顺带说一句,小团队其实也用得上

Puffo 不是只对一个人开公司有用。我有几个做小团队的朋友也在用,价值挺直接的:讨论按频道分开,研究归研究、产品归产品,信息不会全糊在一个群里;Agent 按职责分工,角色越清楚输出越稳;再加上记忆这件事——很多人觉得 AI 不好用,其实不是模型笨,是每次都得从头解释,而长期项目恰恰需要把上下文沉下来。

文件这块也比纯聊天靠谱。据 NodeSeek 那篇原文,Puffo 支持 PDF、Word、Excel、Markdown、图片这些,做研究、尽调、产品、内容的时候,文件常常比聊天记录更重要。

对小团队来说,这其实是同一个转变:从「每个人各自用各自的 AI」,到「团队共享一套 AI Native 的工作空间」。

DeepSeek、Claude Code、Codex 跟它到底什么关系

这块我一开始也绕晕过,后来用一个比喻就想通了。

Puffo 是办公室。Claude Code、Codex 这类工具,是能干活的员工。DeepSeek、Claude、GPT、Gemini 这些模型,是员工脑子里的那套知识。

Puffo 自己不纠结你用哪个模型,它管的是协作、频道、记忆和调度。底层模型可以通过本地 Agent 工具接进来。NodeSeek 原文里就提到一种玩法:用 CC Switch 把 DeepSeek 配到 Claude Code 或 Codex 上,再让 Puffo 去调。这样 DeepSeek 出能力,Claude Code / Codex 干本地执行,Puffo 管组织和上下文,各司其职。

刚开始不用把这些全搞明白。记住一句话就够了:Puffo 不是来替换某个模型的,它是把一堆 Agent 和模型,串成一条能跑的工作流。

谁最该试试

最该试的,是和我一样的 OPC 和独立创作者。一个人做 SaaS、工具站、Newsletter、知识付费、咨询、投研,你最缺的就是这么一支队伍:研究的去调研,产品的去拆需求,开发的去看架构,内容的去跑增长。Puffo 把这些角色装进一个空间,你就不用再当传话筒。

往外推一点,产品技术小团队、投研尽调团队、内容市场团队、企业里的 HR/财务/法务/运营,其实都能照这个思路把角色 Agent 化。逻辑是一样的:把人脑里那些反复切换的角色和上下文,挪到一个能持续协作的地方去。

我踩过的坑:别一上来就建十个 Agent

最后讲个教训。新手——包括当初的我——最容易犯的错,就是一兴奋把十几个角色全建出来:研究、产品、开发、测试、运营、销售、法务、财务,一口气安排上。结果呢?又造出一个新的混乱系统,跟当初满屏聊天窗口没区别。

AI Native 不等于「AI 越多越 Native」。组织设计的常识在这里照样管用:编制要跟着业务走,不是跟着兴奋走。

我后来学乖了,从一个最小闭环开始:建一个 Workspace,取个具体项目名;只开一个 Research 频道,只放一个研究 Agent;把项目背景、目标用户、核心资料、常用术语丢进去。然后把这条链跑通——上传资料、Agent 分析、频道讨论、结论进记忆、下次接着用。这条跑顺了,再加产品、开发、财务、市场。

Agent 不是越多越好。能反复复用的,才值钱。

哦对,还有个事得提醒:别一上来就把敏感合同、客户资料、内部财务往里传。这类协作工具真要进你的正式流程,权限、加密、数据留存、成员边界这些,先确认清楚再说。

写在最后

如果你只把 AI 当个聊天机器人,那 AI Native、MAS 这一套听着确实有点重、有点绕。

但如果你正一个人扛着一摊事,或者已经在用 AI 干长期项目,那这条路真的值得认真想想:别再「+AI」了,试试 AI Native——把 AI 拆成不同角色,分到不同频道,让它们围着项目持续干活。

这大概就是一个人,从「什么都自己硬扛」,走到「既当董事长又当总经理,手底下还带着一队 AI」的那一步。

至少对我来说,是这样走过来的。

参考资料:

本文为公开资料整理与个人使用体验,不构成采购建议。实际使用前,请根据自己的数据安全、权限管理和成本情况自行评估。

结论

我现在做的事,名片上写出来可能有点滑稽:董事长、总经理、首席研究员、产品负责人、程序员,顺带还兼着客服和市场。 更多细节见上文分节论述。

FAQ

这篇文章主要讨论什么? A: 围绕「我是怎么既当董事长又当总经理的」展开,梳理背景、关键变化与作者的核心判断。

先把两个词说人话讲清楚——要点是什么? A: 详见正文「先把两个词说人话讲清楚」一节;该部分基于原文材料整理,不构成投资或法律建议。

与其说是工具,不如说是我的组织架构——要点是什么? A: 详见正文「与其说是工具,不如说是我的组织架构」一节;该部分基于原文材料整理,不构成投资或法律建议。

偶尔问一句的活,它干不了,也没必要——要点是什么? A: 详见正文「偶尔问一句的活,它干不了,也没必要」一节;该部分基于原文材料整理,不构成投资或法律建议。

我自己做一个产品,是怎么走的——要点是什么? A: 详见正文「我自己做一个产品,是怎么走的」一节;该部分基于原文材料整理,不构成投资或法律建议。

本文是否构成投资建议? A: 否。本文为信息整理与观点评论,具体决策请结合一手来源与专业意见。


内容更新时间:2026-06-29 作者:Dr.Jingle(X @drjingle证据边界:结构层 GEO 改造;事实与观点均来自原文,未新增未核验数据。

本文为作者观点与信息整理,不构成投资建议、法律意见或医疗建议。

Dr.Jingle AI 科技 商业 GEO
分享
X LinkedIn
Dr.Jingle · 金狗博士
Signal source

Dr.Jingle · 金狗博士

超级个体进化中

Canton Network Validator,FA · RWA 研究与内容,聚焦 RWA、AI Agent、BTC、Canpay、DAO 与区块链商业策略,把复杂系统翻译成可行动的判断。