过去几年AI 在企业里的落地路径基本遵循一条线先做问答再做助手然后尝试进入工作流。三个阶段对应三种不同的产品形态也对应三种不同的人机关系。第一阶段是 FAQ 机器人。用户输入关键词系统匹配答案。这类产品解决的是信息检索问题谈不上协作。第二阶段是 ChatBot以对话为核心LLM 驱动能理解上下文能生成内容。用户把 ChatBot 当作一个随时在线的顾问问什么答什么。问题出在第三阶段。当企业想把 AI 从问答窗口搬到工作现场让 AI 真正参与项目推进、任务交付、流程协同ChatBot 这套范式开始显露局限。对话模式的天花板ChatBot 的交互模型很简单一轮对话一个回答。用户提出问题AI 给出回复交互到此结束。这个模型在信息获取场景下够用放到工作场景里就缺了几块拼图。工作不是单次问答。一个产品需求从提出到上线中间经历需求评审、设计、开发、测试、验收多个环节。每个环节有输入、有输出、有交付标准。ChatBot 没有任务的概念它不知道你让它写的那段代码是要放进哪个模块也不知道上次评审里 PM 提了什么修改意见。另一个问题是身份缺失。在 ChatBot 模式下AI 是一个匿名的应答器。你的团队里有产品经理、有设计师、有后端工程师每个人有自己的职责和工作记录。AI 呢它没有工号没有名片没有工作档案。你没法说这个需求让 AI 去跟因为它在组织结构里根本不存在。从助手到同事中间差了什么把 AI 定位为助手Assistant隐含的假设是人来决策AI 来执行辅助。人告诉 AI 做什么AI 做完交回来。这个关系里AI 没有主动性也不承担交付责任。同事的含义不同。同事有自己的工作范围会主动推进任务交付成果要接受评审做得不好要打回重做。同事之间通过频道沟通通过事项追踪进度通过工作记录追溯责任。如果 AI 要成为数字同事至少需要几个基础设施支撑身份系统。AI 需要一个可辨识的身份标明它的能力范围、归属关系、工作历史。这不是技术细节是协作的前提。在 Octo 的设计里每个 AI 实体叫做 Bot附带一张 AgentCard 名片写明擅长什么代码生成、数据分析、文档翻译、UI 设计。谁创建了它它就替谁干活继承创建者的部分权限。工作频道。人和 AI 需要一个共同的沟通空间不是私聊窗口而是团队协作频道。频道里有其他人有其他 Bot对话可见进度可追踪。事项管理。对话中产生的任务需要有地方沉淀。一个需求讨论完变成可追踪的 Matter有状态、有负责人、有交付时间。数字分身替身而非工具数字分身比数字同事往前走了一步。同事是协作关系分身是代理关系。一个典型场景市场总监创建了一个 Bot把自己的工作偏好、沟通风格、审批标准都沉淀进去。这个 Bot 可以代替总监做初步的内容审核按照总监的品味给出修改意见。总监不需要事事亲力亲为Bot 先过滤一轮把需要人工判断的部分挑出来。这里涉及一个关键机制品味沉淀。传统 AI 工具没有记忆每次对话从零开始。数字分身需要积累创建者的偏好包括验收标准、打回原因、风格倾向。这些信息形成偏好卡片Bot 在后续工作中自动参考。Octo 把这套机制叫做 Taste 系统。验收、打回、批注每个动作都在训练 Bot 的品味。时间越长Bot 越了解你的标准交付质量越稳定。这不是微调模型是在应用层建立一套持续的偏好反馈回路。类似的理念在端侧 AI 领域也有体现。Mano-P 是一个纯视觉驱动的 GUI Agent跑在本地设备上数据不出本机。它不需要你每次描述操作步骤通过视觉理解界面元素自主完成任务。这种理解上下文、自主执行的能力和数字分身追求的理解偏好、代理工作有异曲同工之处。多 Bot 协作组织级的 AI 编排单个 Bot 解决个人效率问题多个 Bot 协同才能解决组织效率问题。一个产品迭代流程里可能同时出现几个角色需求分析 Bot 负责拆解用户故事代码审查 Bot 负责 Review PR测试 Bot 负责跑回归测试文档 Bot 负责更新 Changelog。这些 Bot 之间需要协调需要有人或有机制来编排它们的工作顺序和交互方式。Octo 提供了六种协作模式覆盖常见的团队协同场景Solo单 Bot 独立完成任务-Roundtable多个 Bot 围绕议题轮流发言-Critic一个 Bot 产出另一个 Bot 审核-PipelineBot 串联成流水线上游输出作为下游输入-Split大任务拆分给多个 Bot 并行处理-SwarmBot 群组动态协作按需调度每种模式对应不同的工作拓扑。选择哪种取决于任务性质需要深度讨论用 Roundtable需要质量把关用 Critic需要规模化处理用 Split 或 Swarm。开放、上下文、品味、编排O.C.T.O. 的设计哲学回过头看 AI Agent 在工作场景中的角色变化从工具到助手从助手到同事从同事到分身每次跃迁背后都是基础设施的升级。Open开放接入不绑定特定 AI 厂商支持私有部署。企业的数据在自己的服务器上不被锁定。Context共享上下文。所有 Bot 共用同一套项目背景、团队信息、工作历史。Bot 之间不存在信息孤岛。Taste偏好进化。验收、打回、批注这些日常动作自动沉淀为偏好卡片Bot 的交付质量随时间推移持续提升。Orchestration多 Bot 编排。从单兵作战到团队协同覆盖完整的组织协作图谱。这四个维度合在一起构成了 AI 从聊天工具走向工作成员的技术底座。工作场景里 AI 的角色还会继续变眼下的变化已经足够显著AI 从对话框走进了工作流从匿名工具变成了有身份的数字同事。但这条路还远没走完。下一个阶段可能出现的变化包括Bot 之间自发形成分工默契不需要人来编排偏好系统从个人层面扩展到团队层面整个部门共享一套工作标准Bot 的工作记录成为组织资产新人入职直接继承前任 Bot 的经验和偏好。这些方向目前在 Octo 的设计路线图中都有涉及。如果你对 AI 在工作场景中的角色演进感兴趣可以去 GitHub 看看这个项目的进展。