Pedro Franceschi 谈 Brex 如何构建专门的 AI 员工

Brex 联合创始人兼 CEO Pedro Franceschi 与 Peter Yang 讨论产品管理、职责明确的“虚拟员工”、智能体安全和 AI 支出。视频简介称 Pedro 展示的是 Brex 演示数据。本期由 Riverside 赞助，Linear 也是列出的赞助商。

Franceschi 用团队将客户信号转化为真正解决问题并交付的产品有多快，来衡量产品组织。他说 AI 正在模糊产品、工程和设计的传统分工，但认为三个领域的判断都仍然重要。

随着开发变得更容易，他认为确定优先级更加重要：团队应找出真正的瓶颈，把较少的问题解决透彻。Franceschi 说自己约一半的时间用于直接审阅工作，以建立质量标准。

Brex 区分“问题对齐”和“方案对齐”。产品团队利用客户通话和其他非结构化信号形成假设，再用原型验证。共享的审阅 skill 仓库记录常见产品原则和问题，让审阅者把精力放在具体情境上。

Franceschi 描述了内部构建智能体的方法：围绕有边界的角色设计，而不是依赖单一的开放式助手。他展示了招聘智能体 Jim，它基于 OpenClaw，结合 skill、持久状态、系统连接和额外基础设施。

Franceschi 说，Jim 与应聘者跟踪系统同步，收集候选人信息，依据岗位标准评估并将人选呈现给招聘人员审阅。界面显示分数和支持信息，团队也会比较智能体与人的判断。这些分数是模型输出，不能证明候选人的能力，也不能替代公正的人工审阅。

招聘系统还提供分析，并能通过 Slack 向员工报告。Franceschi 说团队利用反馈改进其行为。他补充说，开源贡献可以是招聘中的积极信号，但没有贡献并不自动构成负面信号；Brex 的工程面试包括使用 AI 工具完成构建任务。

在网络控制方面，Franceschi 演示了开源 HTTP 代理 CrabTrap。他介绍了针对已知请求的静态规则、对其他流量使用的大模型判断，以及审计记录。系统可以根据观察到的流量建议策略并供人审阅；网络策略和模型判断都有局限，需要测试，不能保证安全。

接下来是 Magpie，用于追踪公司内部、运营和产品场景中的 AI 用量与成本。Franceschi 展示团队如何按用途或模型拆分支出，调查变化。他表示计划将用量与公司实际支出相连接；未来可用时间是他的意向，并非保证。

被问到 token 预算时，他说 Brex 最初允许广泛实验，同时设置了一些上限，之后再优化用量。后续优化的例子包括缓存和在合适场景使用更便宜的模型。token 用量高本身不能证明生产力或投资回报。

Franceschi 预测工作会发生变化，更多人会借助 AI 进行构建，同时承认就业前景存在不确定性。他对生产力和未来采用情况的估计属于观点，并非既定结果。他认为企业仍需要人来帮助落实这些改变。

他展示了名为 Autopilot 的个人 OpenClaw 系统，用于收集 Slack、邮件和会议记录中的信号。系统围绕人员与项目整理信息，生成待办事项，并保留原始互动的链接。底层项目文件是存储在代码仓库中的 Markdown，脚本提供可搜索界面。

谈到软件业务，Franceschi 认为 AI 改变了提供价值的方式：产品既可以出售工具，也可以出售完成的工作。他将智能体、工具和反馈循环描述为常见模式。这是他对市场的战略观点，并不保证某种商业模式一定成功。