PPT和Excel全部被扔掉,一家AI原生公司如何“长出”自己的大脑

在 2026 奇点智能产品大会上，Ingora 创始人兼 CEO 许建志围绕《打造 AI 原生公司：从知识、战略到代码的持续闭环》，分享了一家五人创业公司如何实践公司大脑、Agent 协作和 AI Coding 闭环。

许建志去哈萨克斯坦徒步九天时，上面描述的这套系统没有停下来。等他回来，知识库里已经多了 100～200 个文件。

这听起来像个人知识管理的升级版，但许建志想做的其实是另一件事：把一家公司的记忆、判断和执行接成闭环。 外部信号进入系统，变成可审核的建议；建议变成产品概念文档；产品反馈再回到功能与代码。人不必继续承担每一次信息搬运和层层传递，但仍然要留在监督、审核和判断的位置。

以下内容根据许建志（Jacky）在 2026 奇点智能产品大会上的演讲与现场问答整理。

AI 原生公司，不是给旧流程加一个副驾驶

我在微软大概快 25 年了。

从台湾加入微软开始，我先后经历了新加坡亚洲总部、北京大中华区，后来到上海，在 Azure 团队打造一个全球产品；再后来，我是在 SharePoint 团队第一个打造出 Copilot 的人。

大家可能也用过 Word Copilot、PowerPoint Copilot，还有 SharePoint Copilot。评价先不管好或坏，但我算是比较早进入 AI 这个领域，开始打造全球产品的。

我是 3 月中离开微软的。如果再多三个月，我在微软就会累计满 25 年服务年限。满 25 年之后，在微软总部十号楼有一面墙，专门留给超过 25 年的员工签名。

但去年 12 月，有创投基金的投资人找我。他们提到看好一些不错的 AI 赛道，跟我讨论完之后，我给了他们一些建议、一些想法，甚至帮他们调整了一些路线。后来他跟我说：“你出来，我投你。”

就因为这样，所以我出来了。

我愿意出来，主要是因为现在不只是打造 AI 产品的非常好时机，也是打造 AI 原生公司的非常好时机。我们几个合伙人做了分工：他们专注于打造 AI 产品，而我来尝试打造一家 AI 原生公司。

那它跟传统的方式会有什么不一样？

在传统公司里，有一句话很重要，叫作 Human in the Loop。

微软大概在两三年前开始提出 Copilot 这个想法时，这在当时算是非常先进的思路。它的主要诉求是：你还是坐在主驾驶，或者机长的位置，主控一切；AI 坐在你旁边协助你。

当初我们想的是，如果帮一个员工增加 30% 的生产力，那就已经非常了不起了。微软可能有 10 亿以上的客户，每个人只要多付 20～30 美元一个月，实际上就是非常大的营收。这是在两三年前的想法。

但是，AI 已经开始颠覆这个过程。

传统上，公司里的工作流几乎全部都是人在其中传递。比如你看到一个不错的想法，想把它转成文档，可能要先写成 PRD，再跟研发团队沟通；客户经理从客户那里收到反馈，或者发现某个地方需要改进，也要把信息传回来，再跟研发团队沟通、排期，把工作安排上去。

在财务、运营、市场等团队里，同样可以看到人在其中扮演非常重要的角色。一个想法从提出到落地，中间要经过层层管理和 Review。管理者还要评估这个功能是否会跟其他团队发生冲突，再做调整和修改，所以推进起来非常慢。

我们认为，AI 原生公司至少要在四个方面发生变化：组织记忆、工作流、Agent 之间的协作，以及系统的持续迭代。

如果把 AI 导入公司的过程分成三个阶段，第一个阶段，是帮助一个人增加 30% 的生产力。Copilot 属于这一阶段：人仍然在主驾驶位置，AI 坐在旁边提供协助。

第二个阶段，是让一个人承担过去由多个岗位、多个团队分别完成的工作。AI 不再只是原有职责的辅助工具，而成为一个人的能力放大器，让他可以同时处理产品、研发、IT、财务和运营等不同职责。我们现在看到的 5～10 倍生产力，更多指的是工作范围被打开了，而不只是原来的工作变快了。

第三个阶段，是把整个工作流改造成 Human on the Loop。AI 和 Agent 负责在系统中传递信息、分析问题、推动任务和生成代码，人不再卡在每一个执行节点，而是在关键位置进行监督、审核和判断。也就是说，最终要打造的不是更高效的人工流程，而是一套可以自己运行、持续迭代的工作流。

公司为什么需要一个大脑

我们自己在微软使用 Copilot 的时候，有一个功能叫 Copilot Chat，也叫 BizChat。它背后接上的是一个公司大脑，叫作 Work IQ。

只要在微软生态系统里使用过 Word、Excel、PowerPoint，或者 SharePoint 里有很多 PDF，这些内容都会变成公司大脑的一部分，最后融合成 Work IQ。

你可以用不同方式跟它互动：询问某个项目目前的进度，用它生成 PPT，也可以让它跟进 Excel、做一些修改。对企业来说，后面有这样一个记忆系统非常重要。

但对一般公司，尤其是规模比较小的传统团队来说，要自己打造一个公司的大脑，其实并不容易。

从增加 30%，到一个人承担过去多个职能

微软 Copilot 一开始的想法，是帮每个人在旁边放一个 AI，增加 30% 的生产力。但我们成立公司、实际工作了三四个月之后，发现 AI 带来的变化远不只是这个。

我们有一个合伙人，以前也是我在微软的同事，后来去了阿里，做到阿里 P8，负责图数据库，在电信公司也带过一个 90 多人的团队。实际上，他跟我两个人大概都有一二十年没有写什么代码了。

当时为了加快速度，我们做了一个非常大的软件外包。做了两三个月之后，我们两个人受不了了，速度实在太慢。因为我们都很懂软件架构，但外包团队推进得非常慢。

于是我们决定自己使用包括 OpenAI Codex 在内的工具，直接把功能做出来。我们已经很久没有写过代码了，但他用三周时间，一个人做了十几个外包人员快三个月的进度。不只超过了原来的进度，还增加了很多功能。

这已经不是帮一个人把原来的工作做得更快，而是改变了一个人能够承担的工作范围。

以我自己为例，我以前在微软做的是产品经理，定义产品愿景、战略等等。但今天我变成一家公司的 CEO 和创始人，什么事情都要自己来：注册 Domain Name，成立公司；公司成立在新加坡和中国，还有子公司；申请 Apple 的企业开发者账户；管理 Azure 和阿里云的云计算服务；开企业银行账户，而且还包括新加坡和中国的企业银行账户。

以前没有 AI，我们可能会说：“我可能要开始找团队了。”可能需要一个财务长来处理财务，需要一个 IT 主管来处理 IT，还需要一个研发团队。但现在我自己靠 GPT 和 Codex，一个人就把这些事情全部搞定了。

这已经不是在原来工作的范围内增加 30% 的生产力，而是可以把一个人赋能成 5 倍到 10 倍的能力。

如果你仍然用传统流程来运营公司，就会发现原来的组织设计被打破了：成立公司要财务团队，开银行账户要财务流程，云服务需要 IT 团队，产品开发需要研发团队。但 AI 让一个人可以承担过去由多个职能团队共同完成的工作。

当人不再负责每一次传递

当工作流被打破之后，我们已经开始尝试：Agent 跟 Agent 之间，是不是也可以自己工作起来？

过去运营公司时，人与人之间要通过邮件、微信或 Teams 沟通，还要确定项目的优先顺序、Bug 的优先顺序，人全部在流程里面。

现在我们开始尝试让 AI 和 AI 之间自己发邮件，自己通过 IM 沟通，把事情搞定。

如果这个流程可以打通，结构就会从 Human in the Loop 变成 Human on the Loop：人不再参与每一个具体环节，而是在系统运行过程中进行监督和审核。

从 Human in the Loop 到 Human on the Loop

传统生产力以人为准。一天就是 24 小时，即使按照 996 工作，也仍然需要休息。

但如果通过 AI 把人从工作流里面取出来，让系统自己迭代，它的速度会非常快。

这就是 Human on the Loop。它跟微软传统讲的 Copilot 很不一样：Copilot 是 AI 坐在你旁边，给你指导，希望增加你 30% 的生产力；Human on the Loop 则是 AI 坐在驾驶的位置，人坐在副驾驶的位置进行监督。

开飞机时，多数时间其实都是电脑在飞。开车时，大家也已经习惯打开自动驾驶。当 AI 坐在驾驶的位置，而你坐在副驾驶的位置，你是在监督和观察。

我们希望 AI 能够自己收集信息，把信息转成公司的战略，再把战略变成要执行的工作项目，最后直接生成代码。客户有反馈时，系统又可以回到代码中进行修改，自己迭代。

我们现在正在从不同角度，一片一片地把这个拼图拼起来。

我们现在是一个五个人的公司，但我感觉，如果要在以前的微软团队里做到这些事情，可能需要四五十个人以上。前几周，一位跟我合作的微软工程主管来我们公司参观。他说，看了这么多外面在讲 AI 原生公司的案例，没想到可以在第一线亲眼目睹。

公司知识，不应困在 Word、PPT 和 Excel 里

微软在公司大脑这块做得非常好：只要通过微软的工具生成内容，所有知识点都会变成公司大脑的一部分。

但它是以微软生态为主的。如果离开微软生态，就不再支持。这是很多大厂做 AI 的方式：希望把用户和生态绑定起来，再在生态之上做增值。

我们自己打造公司大脑时，需要处理的内容非常多。新闻是最多的，因为现在变化速度非常快：OpenAI 的进展、Claude 的进展、新的算法、端侧模型，都会不断出现。

除此之外，还有合约、会议内容、调研内容、发票，以及 AI 项目中经常要参考的 GitHub 开源代码。传统方式是找人或找团队，把这些内容收集回来，再进行研究，这需要花很多时间。

目前我们使用 OpenClaw 做自动化流程。我尝试过三个版本。

第一个版本是手动安装。这个过程非常痛苦，有很多依赖性问题，也有很多问题需要不断解决。但一个个解决之后，你会知道它的底层是怎么运作的。

第二个版本是在合伙人的建议下，用 Codex 去安装。当时我已经觉得快发生奇迹了：花一周时间把它装好，现在可能一天就可以直接把 OpenClaw 装起来。

后来国内出现了 QClaw 以及其他整合版本，我最后选择的是腾讯的 QClaw，直接安装就搞定了。

当然，QClaw 也跟自己的生态强绑定。我想跟 Microsoft Teams 连接，但每次 QClaw 更新之后，连接就会断掉。不过没关系，我可以把这个过程也自动化，让 Codex 自动修复连接。

为什么公司大脑选择 Markdown

我们的企业大脑知识放在 MD 文件，也就是 Markdown 文件里，不是 Word 文件、PPT 或 Excel。

原因是，Markdown 格式其实是为 AI 设计的；PPT、Excel 以及其他办公文件，实际上是为人设计的。

大家也许都做过 PPT。以前做一份 PPT，可能要花一周、两周时间：要想怎么跟领导汇报，怎么把内容做得精简，还要加上漂亮的图片。很多时间都花在这些事情上，而且内容已经被大幅精简过了。

所以我们决定用 MD 格式做公司大脑。里面可以很长，可以有很多文字，越多越好。

以今天这个 PPT 为例，我一个字都没有打过。我直接接到公司的大脑，用 Codex 生成。因为 token 压力比较小，我一次生成了四个版本、四种风格，再挑两个喜欢的，稍微“拼”了一下。里面的线框图也全部由 AI 自动生成。

只要有公司大脑，PPT 对我来说就不再是最重要的东西了。我甚至没有把 PPT 放进公司的知识库，因为 PPT 是给人看的，内容已经被精简过。

我随时可以用 Markdown 里的内容快速生成不同的 PPT。比如今天要跟一所国际学校谈合作，我只要告诉 AI 背景和合作对象，让它生成一份合适的 PPT，它就可以直接生成。

以前可能要有人专门写 PPT。这个人的工作可能没有了，但我们可以把他放到更有价值的地方。

标签和双向链接，怎样让知识开始连接

以前有很多 PPT、Excel 和 Word 文件，微软会用 Graph 技术在底层把文件连接起来。比如哪些文件跟项目 A 有关，哪些 PPT 和 Excel 跟项目 B 有关。

在这里，AI 会自动建立两个非常重要的东西：第一是标签，可能用 # 表示内容跟什么相关；第二是双向链接。

当你有了标签和双向链接，公司的大脑会形成一种很像神经网络的结构。

之后，任何渠道都可以跟这个大脑连接。我们支持微信，可以用微信控制、连接公司的大脑；创始团队的人用 Teams 跟它沟通，随时询问各种内容；外部合作伙伴则可以通过钉钉或飞书，把机器人放进群里，直接给我们反馈，而这些反馈会自动被记录下来。

从 3 月中公司成立开始，我们的知识库已经积累了 500 多个文件，而且我一个字都没有写过。

目录怎么分类，是 AI 帮我建议的；标签怎么打，也是 AI 建议的。文件可能是一条新闻、一份合约、一项法规，或者一段会议内容。

每一个白色的点代表一个文件。因为有双向链接，白色点与白色点之间会产生连接。绿色的点是抽象出来的标签：一个比较大的绿色点可能代表硬件，另一个可能代表商业模式，也就是如何定价。

这跟大脑的形成很像。小孩在成长过程中接触外部环境，大脑神经开始建立网络：这个知识跟那个知识有关，这个知识又跟另一件事有关，之后慢慢抽象出自己的概念。

这是知识库运作的方式，类似神经网络通过标签与双向链把不同知识点接串联起来。

公司大脑如何在创始人不在时继续生长

因为所有内容都是用 AI 生成的，所以我会每隔一段时间把它 Compile 一次。

什么时候最好？Token 用不完的时候。

一开始我们担心 token 不够，不够就补；补完之后，第二个担心来了：担心用不完，觉得浪费。所以，如果当天工作比较轻、token 没有用完，我就让 AI 重新整理标签和链接，做一些修改，不把 token 浪费掉。

这 500 多个文件已经不止 500 多个了，现在应该有 700 多个。即使我在徒步、登山的时候，文件也一直在增加。

它会自动形成 Wiki，再从里面整理出公司的战略和产品概念文档。

它自动增加的方式有很多。比如我从今日头条、小红书、不同网站和 X 看到资讯时，就把文章加到收藏里。只要 token 没用完，就让 AI 把收藏里的文章一篇篇读出来。

它不只是读文章，还会根据对公司的理解，给创始人和创始团队提供建议：这条新闻对公司、对产品有什么意义？

比如 Claude 的内核曾经有过一次泄露，AI 读完之后告诉我们：“你们的产品应该加入类似这样的架构。”

我通常把这类还没有审核的内容放在 Raw 目录里，有点像代码还没有 Check in，有人提了一个 PR。AI 提了 PR，我来判断这个建议是否值得采纳。如果建议不错，我同意之后，它就开始生成产品概念文档。

即使我去哈萨克斯坦徒步九天，那段时间里也新增了 100～200 个文件。Obsidian 还有一些插件，可以直接把浏览器内容导入，变成 Markdown 文件，放进公司的资料库。

当知识、用户和代码不再是孤岛

我们的文件里有会议、做过的决策、合同和新闻。Markdown 是最主要的格式，因为我们要让 AI 去运作公司，而不是让人去读 Word、PPT 或 Excel。

标签和双向链接是其中的关键。有了它们，从任何一点都可以找到相关内容。

公司大脑还有一个 Wiki。AI 接触公司大脑之后，会先读取 Index，也就是 Wiki，了解里面有哪些目录和标签。用户提出问题时，系统可以沿着链接找到相对应的文件，并保留每一次决策的上下文，知道这个决策是从哪里来的。

在此基础上，我们建立了一个以图为基础的记忆系统。

这个系统里有产品需要的知识，也有所有用户的数据。切换到工程大脑时，代码会被转换成类似结构的记忆。AI 会把不同功能抽象出来，找出它们之间的关联。

如果要查找跟语音相关的内容，只要进行 Search，相关功能和节点就会被找出来，点进去就能看到对应内容。

现在，系统里的知识点和代码都在持续被吸收进大脑，形成新的记忆点。

公司有一个层面的 Graph；合伙人在构建工程相关的大脑，里面有很多代码；另一个合伙人在构建运营相关的大脑，里面有很多合约，包括跟创投机构、硬件公司谈的内容。这些原本是不同的大脑，之后会通过连接整合起来。

用户一有动作，系统如何找到相关代码

用户也会被形成一个图记忆。

一旦用户在跟产品互动的过程中产生问题，传统方式可能是提交一个 Bug。但我们现在已经开始加入情绪判断。因为我们的产品以语音为主，端到端语音模型可以判断用户的情绪，知道他是不是不开心、是不是很生气。

我们的产品面向儿童。我小孩自己在做测试，已经谈了 4,000 多轮对话，崩溃的次数蛮多的。我们希望这些内容被记录到图里，就像人的皮肤一样：被烫到之后，信息传到大脑，大脑马上就有反应。

以前在大公司里，从用户遇到问题到大脑产生反应，需要层层汇报，时间很长。

但如果把不同代码全部串联起来，用户一有动作，系统就可以直接反映到代码里，判断这是哪个问题，跟哪一部分、哪个功能区域的代码有关。

这样，它就不再是一个个孤岛，而是被串起来了。

让一条外部信号，变成可审核的产品判断

如果人坐在主驾驶的位置，AI 在旁边，最多就是增加 30% 的生产力；如果 AI 在驾驶，人坐在旁边监督和审核，生产力可能是 5 倍、10 倍。

要做到这一点，必须修改工作流。

我们每天需要关注相关领域的新闻。因为现在做的是 AI 产品，可能要关注教育、AI、硬件；还要知道 GitHub 项目有没有更新，技术动态有没有新的趋势，以及有没有相关法规。

比如最近政府提出，陪伴类 AI 必须接受一些监督和管控。如果每天自己去读这些内容，基本上就不用工作了。因此，我们用 AI 做了一个 Agent，让它去爬取这些内容。

爬取之后，我们会为每一条内容加上创始人的建议。因为它知道公司的基础是公司大脑，所以它能判断：这条新闻对公司的产品有什么可以采用、可以借鉴的地方。

如果团队同意，这条内容就会变成产品概念文档。这是我们正在打造的流程。

因此，现在的 PM 已经不像传统 PM 那样，必须从空白开始写 PRD。我们有很多 PRD，但多数不是我自己写的。我通常只有一些概念、一些想法，再用 AI 把它完善。

AI 提建议，创始人像 Review PR 一样判断

我们每天会收到新闻。因为内容是给人读的，所以我让 AI 用 HTML 格式把它呈现得更易读。

每条新闻都会针对公司和产品提出建议：这条新闻对公司有什么意义？最下面还会整理出几个最重要的内容，并给出建议。

虽然每天都在生成，但生成式 AI 每次输出的格式可能不一样。就像跟 AI 聊天，同一个问题每次得到的回答可能不同。

但我们并不在乎格式，因为最重要的是内容。内容本身保存在 MD 文件里，HTML 只是由 MD 文件单独生成的展示形式。

从新闻中提取创始团队建议之后，团队会像 Review PR 一样，判断是否同意。AI 还会提供架构建议，根据对公司和产品的了解，说明应该如何实现，最后形成产品概念文档。

因为我们的产品属于儿童教育类产品，所以这份产品概念文档里的设计，已经跟 Claude 的基础系统不一样了。

这个过程我一个字都没有打。AI 已经非常了解我们公司，甚至还会提供范例代码。

每一条新闻实际上都是一个机会。它会自己分析怎样对产品做企划、产生启发。团队 Review 之后，重要的就留下，不重要的直接丢掉。

以前做了一周的 PPT，可能舍不得丢；现在对我们来讲没有这种感情，不需要就丢掉。

真正的内容在 MD 文件里，所以今天这份 PPT 可能也没有存在公司的大脑中。让 AI 读 PPT 还比较复杂，不如直接给它 MD 文件。

产品反馈，不该停在聊天软件里

以前产品遇到问题时，通常要找一个很懂产品架构、也有相关经验的人，才能判断代码哪里出了问题，再找到原因、解决问题。

我们希望接入不同来源的反馈渠道。

Teams 是创始团队内部使用的，因为每一个 seat 都要收费，所以只给创始团队使用。钉钉、飞书则提供给合作伙伴使用：建一个群，把 AI Bot 放进去，控制好权限，只让产品相关的内容进来。

信息进来之后，AI 会自动区分软件问题、硬件问题，再去读取公司的代码，也就是前面提到的知识库，判断是哪一个功能出了问题。

进一步，它还会到代码模块里查找原因，最后给出修改建议。它不是等着人慢慢找到原因，而是先帮你跑一遍，找到可能的原因并给出建议。

理想状态下，还可以再往前走一步：连修复都由 AI 完成。早上睡醒之后，只要检查一下这个 PR 是否可行；如果可以，就 Approve 进去。

我们还没有做到这一步，但这是我们希望做到的方向。

Teams、钉钉和飞书，背后接同一个大脑

我们把 OpenClaw 做起来，再跟 Teams 接起来，一个晚上就可以搞定。当然，这里面也涉及 Azure 中的配置，需要设置一些东西，让它运行起来。

运行过程中，它会去产品概念文档里寻找问题出现的区域，再到 GitHub 里查找哪些代码可能有问题，最后判断问题应该通知谁、应该怎么修改。

它不只是给代码用。比如，我可以直接问它：“帮我整合一下，过去这一段，或者这一个月，我们谈了什么内容。”

这其实就是我以前在微软 Copilot 里使用过的一个热门功能，叫 BizChat 或 Copilot Chat，一个人一个月 30 美元。现在通过 AI，自己也可以实现。

合作伙伴还可以通过视频提交需求。信息进来之后，系统会像医生诊断一样判断：可能是什么问题，影响范围多大。如果描述得不够清楚，就请对方补充资讯。

Teams、钉钉、飞书是不同的 Channel、不同的渠道，但背后接的都是同一套公司大脑或知识库。

以前这样的工作流需要很多人层层传递：先跟 PM Check 哪里出问题，再跟工程主管 Check，确认能否派人查代码、怎么修复、什么时候排期。

现在我们希望把这些全部自动化，透过 AI 分派给不同的人，以后甚至连修复也自动完成。

公司层级的大脑里有会议内容、新闻、战略和产品。

与此同时，我们还有不同方向的记忆系统：一位同事负责 IT 监控，里面有产品和代码相关的内容；另一位同事负责运营，里面有合同、法规，以及银行、财务相关的内容。

目前这些还是一个个孤岛，但通过标签和双向链接把它们连接起来之后，只要进入其中一个点，就可以形成更大的大脑。

未来的竞争力，不是模型、GPU 或 Prompt

未来公司的真正竞争力，绝对不是模型，不是 GPU，也不是 Prompt，而是利用公司大脑持续学习的能力。

我很喜欢蒋总关于“硅基时间”的文章。他说：“这是第一次时间的本质被改变。”

以前，人是生产力中很重要的一环，所以被时间绑定。但今天使用 AI，它可以同时化身成无数个人来协助你。

当然，这里面有一个重要的关键点：没有 token 压力。花得起的时候，就不会被人绑定。

大家使用 AI 时，可能都是一问一答。实际上，可以把它操作成很多个分身，同时处理很多事情。

比如，让 AI 先处理一个问题、进行分类，再让不同的 Agent 同时处理。一个问题可以分成六个窗口，同时执行。

本来这是一个单线程的事情，假设需要 10 分钟；通过这种分线程，理想上可以变成六分之一的时间。

一个复杂项目，如果没有 token 压力，可以分成 10 个、100 个，甚至 1 万个。这样，可能根本不需要这么多人，就可以把能力堆起来。

Q&A：AI 时代，什么仍然需要人来完成？

决策依赖什么：商业需求，还是知识体系？

观众：现在 AI 很发达，执行效率很高，这就导致决策变得非常重要。决策应该从哪些方面考虑？更多来自商业需求，还是来自知识体系？

许建志：我们一开始成立公司的时候，几个创始人根本不熟悉应用开发，会想找资深工程师。但到最后发现，AI 已经可以做到这些之后，我们的感受好像是不需要这些人了。

但是，越有经验的人，越懂很多我们所谓需要的“拼图”。有人懂合规，有人懂安全性；像我，可能懂其他方面。

当你拥有这些知识，再让 AI 去做判断，就会变得非常重要。所以现在有一个趋势：品味变得非常重要，因为你要靠它做判断。

我们也在尝试让多个 AI 互相调整。比如让一个 GPT 或 Codex 去做事情时，我故意找 Claude 来帮它调整，判断哪里不对，指出错误，再告诉我应该怎么改。

大家自己也可以试。我个人常常把 GPT、豆包和 Gemini 三个一起开会。我会跟 GPT 说：“但是豆包说了什么什么。”它就开始反驳。然后我再把这个反驳内容回给豆包：“可是 GPT 说了什么什么。”你会发现，内容会越来越好。

以前我们通过人把决策过程堆起来，现在也可以通过不同风格的 AI，把决策做得更好。

企业级知识库，如何处理记忆和权限？

观众：刚才介绍的产品基本上是基于 LLM Wiki 的产品。作为个人知识库，它可能已经够用；但如果是企业级应用，知识量非常大。知识有没有统一的成熟度定义？是否需要人工审核？人工审核是不是还需要知识状态机之类的处理？

许建志：我们这个部分一开始并不是为了企业去打造的，而且它也不是一个产品。

选择 MD 文件，是因为如果明天不喜欢 Obsidian，可以换成其他工具；今天用 Codex 生成内容，明天不喜欢 Codex，也可以直接换掉。所以我们把它完全独立开。

随着记忆系统不断完善、Graph 不断构建，我们已经开始形成所谓的热记忆、软记忆和冷记忆，有好几层，会把重要的部分抽取出来。

我们现在还没有做到安全性部分，因为现在人少，不想管那么多。但等到人多的时候，并不希望所有人都能看到财务相关、创投相关的内容。

现在的想法，是先把内容抽取成不同的大脑，变成单向链接，而不是双向链接。这个部分还需要继续验证。

企业要用起来的确会比较有难度，但这也是大厂推进较慢的原因。他们一开始就想打造企业级系统。就像以前做 Copilot，光为了让一个页面生成内容，就要符合 GDPR，还要符合很多复杂要求。

有好有坏，就看怎么取舍。

结构化数据和非结构化数据，能否放进同一张图？

观众：刚才看到的基本上都是文本或者非结构化信息，但企业落地时也会有结构化数据。怎么把结构化数据和非结构化数据统一起来，形成一张广义的图或网络结构？是否需要统一格式、统一标签，或者类似的指标？

许建志：结构化和非结构化数据，LLM 都可以直接处理。

比如我用的是 Outlook 邮箱，它底层一定是结构化数据。去哈萨克斯坦九天的行程，对方给每个人一份很复杂的说明，包括哪一天住哪里、飞机航班是什么。我直接把它丢给 AI，说：“你帮我更新到行程表。”它就直接同步了。

也就是把一种非结构化内容同步到结构化数据里面。对 AI 来讲，它本身可以同时支持不同类型的内容。

AI 给出的建议，为什么难以落地？

观众：我也会从网上收集各种信息，获得启发，看看哪些能够驱动产品。但即使使用了比较好的模型，它给出的建议离实际可执行仍然有很大距离。创业团队如何识别这些建议？它在多大程度上真正帮助了你们？

许建志：毕竟我们是成立在新加坡的公司，使用这些比较新的模型，限制比较少。偶尔可能还是要做一些额外处理，但整体感觉起来，它处理得还蛮不错的。

观众：我觉得它推荐或总结的内容，好像并不能真正落到实际的生产流里。

许建志：这种状况最常发生的原因，是它不懂你。

为什么它给我们的总结和建议会非常好？因为里面已经有几百个 MD 文件。它读完新闻之后，不是直接丢一个建议给你，而是会到 MD 文件里的 Wiki 和 Index 里爬一次：这件事对你的记忆系统有什么改进空间，对你的硬件设计有什么改进。

它读过这些内容，所以建议会非常精准。如果你可以把这一部分跟自己的工作流接起来，就会觉得它很懂你，可能比你的女朋友和老婆还懂你。

Markdown 知识库会不会出现幻觉？

观众：Markdown 文件也会出现信息偏差，因为是模型去读，所以可能不够准确。有人希望使用一种类似 JSON 的格式，把信息收敛得更准确。你有没有发现这个问题？这么多文件里面，会不会出现幻觉或者错误？

许建志：目前还好。

现在可能已经有 700 多个文件了，我一个文件也没有写过。但是我们讨论的内容，包括它总结出的想法和建议，都还蛮准确的。

一个很重要的关键，还是前面提到的：它给你的建议准不准，取决于它了解不了解你。当你喂给它的数据越多，它对你的公司和产品越熟悉时，通常建议都不会太差。

结语

以上是许建志老师在 2026 奇点智能产品大会上的完整分享内容与现场问答。

公司大脑、Markdown、标签、双向链接、Graph、Agent、AI Coding 和不同渠道的反馈，最终都指向同一件事：让知识持续进入系统，让系统推动工作，再让工作产生新的记忆和改进。

在这个过程中，人并没有消失。人从搬运信息、层层传递和重复执行中退出，但仍然负责监督、审核和判断。未来 AI 原生公司想做到真正的“Native”，战场不在模型、GPU 或上下文工程/Loop 上面，而是公司能否利用自己的记忆持续学习。

2026奇点智能产品大会汇聚 40+ 位一线产品技术专家与行业实践者围绕 Agent、企业级 AI、AI Coding、具身智能、AI 原生组织、行业应用落地等方向，分享了大量 AI 产品实践与落地思考。

我们将陆续整理嘉宾演讲内容，帮助大家复盘现场精彩观点。欢迎读者朋友们扫码领取大会 PPT 合集，获取一线专家的实践经验与深度洞察。