12-Factor Companies：如何构建 AI Native 团队
来自 @trychroma 创始人 @jeffreyhuber 的分享，针对「如何构建 AI 时代的公司」，给出了 12 条原则，阐述了：过去的公司围绕"人类执行力"这个瓶颈设计；未来的公司围绕"人类品味与判断力"这个瓶颈设计。
AI 使执行大规模商品化--写代码、做分析、处理流程的边际成本趋近于零。当执行不再稀缺，价值就向仍然稀缺的东西聚集：上下文、专有知识、商业机密、品味。因此： · 旧公司 = 劳动力 + 协调机制的捆绑 · 新公司 = 上下文 + 决策权威的捆绑
这是理解全部 12 条原则的关键：每一条都在回答"如何积累稀缺资产（上下文/品味），同时把商品化的部分（智能/基础设施）外包出去"。
12 条原则
数据与算力（1-2）：拥有上下文，租用智能 这是全文的战略核心，也最能体现作者的商业立场。 （1） 拥有你的上下文：警惕那些想"囤积你的数据来建立护城河"的供应商。而且不只是显性数据--隐性知识、组织惯例第一次需要被完整地写下来，让组织对人和 Agent 都"可读"。这一点很深刻：AI 时代逼迫企业把口口相传的经验文档化。 （2） 租用你的智能：大模型终将商品化，保持随时可替换模型供应商的能力，就是保持议价权。他称锁定数据的厂商为"context vampires"（上下文吸血鬼）--不要引狼入室。
自建与外购（3-4）：自建工具，外购基建 传统的 build vs buy 分界线正在移动。软件制造成本暴跌，所以：内部工具应该自建（因为工具链承载着你独有的业务上下文）；但数据库、训练基础设施等通用底座应该买--省下的精力用来积累更多独特上下文。
招聘（5-6）：先招 Agent，再招人 （5） 任何新任务，先尝试教会 Agent 做，教不会再招人。这是对招聘流程的默认值反转。 （6） 组建小而品味极高的团队--瓶颈既然是品味，团队就该为品味优化：小团队决策快、信任成本低。
学习（7-8）：信息开放 + 复利学习 （7） 信息孤岛过去只是低效，在 AI 时代是灾难性的--因为 Agent 的能力上限完全由它能拿到的上下文决定。默认开放。 （8） 赢家是学习速度更快的组织。把公司设计成一台持续学习机器，把"学习循环的周期时间"压到最低。这与精益创业的 build-measure-learn 一脉相承，只是循环由 Agent 加速。
流程设计（9-10）：评分标准 + 主动性 （9） 制定 Rubrics（评分卡）：给 Agent 的不只是指令，还有检验其产出的评分标准--而评分标准本身也要持续迭代。这实际上是把 AI 工程中的 eval 思想引入管理学。 （10） 被动 + 主动：别把 Agent 当只会接活的实习生。最好的同事是主动的--持续思考业务、客户、路线图并提出改进。应构建拥有充分组织上下文的后台 Agent 来做这件事。
任务学习（11-12）：从生产轨迹中学习，编码你的专长 （11） 存储 Agent 的真实执行轨迹（traces），不是"以防万一"地烧钱做遥测，而是用真实运行数据反哺 Agent 改进--这是应用层面可触及的"准递归自我改进"。 （12） 用 Agent 识别问题模式，然后反过来采访你（专家），把你的隐性专长提取并编码进系统。人的角色从执行者变为被萃取的知识源和最终裁判。
第 13 条（彩蛋）：先思考，再用 AI。你的思考和品味，现在是、将来仍是你的优势。这句收尾呼应了核心论点--一切自动化之后，人类判断力是最后的护城河。