像柳树一样：Julie Zhuo 谈管智能体、雇建造者，以及用数据诊断

Lenny Rachitsky 开场就说，几乎每个人很快都会变成管理者，因为智能体正在嵌进日常工作流。著有 *The Making of a Manager*、创办数据公司 Sundial 的 Julie Zhuo 完全同意。在她看来，管理就是先有一个要达成的结果和北极星，再琢磨如何用手头资源把它做出来。传统情境里，资源主要是人：找对人、拼出一套技能组合，她把这叫「组装复仇者联盟」。

她把管理工作拆成三根杠杆：人、目的和流程。换成智能体之后，「人」变成了模型——不同模型有不同长处，也几乎有不同性格，所以你得培养一种直觉，知道哪件任务该交给谁。你还得决定智能体能碰到哪些工具、拿到什么上下文、以及多高层次的指令。模型越来越强，也许能自己想出更多「怎么做」，但提供对的上下文和高层指令，她认为仍然关键。

她会最先加码的技能，是把成功定义清楚。大公司对齐困难，往往是因为人对「好结果」的画面并不一样；「做出一款了不起的产品」太含糊了。把目标煮到智能体能分清成败，她说这就是这场游戏的很大一部分，也正是 evals 和指标存在的原因。提示词写得含糊，就很难拿到出色的活；管团队如此，管 AI 也如此。

Rachitsky 提到组织在变扁：个人贡献者重新上场，中层被裁。Zhuo 看到的真正承诺是个人被赋能。过去你得雇设计师、程序员和分析师来补自己不会的十份工作；现在 AI 能把一个从零分或十分的人，很快拉到大约六十分、七十分——够解锁大量工作。她因此认为团队可以缩成任意传统学科里的两个人，并「把自己叫做建造者」。

在 Sundial，公司砍掉了许多原本以为必须要有的角色，包括产品经理。她的理由是：一旦有 PM 在，工程师碰到产品问题，默认就会交出去。没有这个人，工程师就得自己理解用户体验、对「该做什么」有立场。她强调并不是人人都要样样精通，团队仍需要有产品和用户感觉的人，无论那是设计师、数据分析师，还是碰巧擅长这块的工程师。

前后端也一样：她让工程师用 AI 伸到另一侧，再由专家审代码、给高层指导。一开始项目会变慢，因为人不熟、要学；但长期看，投资换来的是更全面、能独自扛更多块的人。真正超重前端的场景，再把专家请回来。她的原则是按问题需要的技能配人，而不是自动套「一个 PM、一个设计师、三个工程师」的剧本。

工程是 Sundial 被加速最多的职能，但 Zhuo 也看到设计师、工程师，以及一个叫「产品科学」的混合团队在互相原型、接手对方的活。她让工程师做分析时，对方常说自己不会。她的回答是：ChatGPT 这类工具，现在当老师比把同事拉过来讲一通更好。传统做法是占别人时间、请人从头解释；现在她觉得这些模型才是更快的老师。

她会把一份十二周的在线课程塞进 ChatGPT，让它按自己的学习方式定制计划——她需要大量类比和「像给五岁孩子解释」的例子。队友学习方式不同，个性化导师能分别加速每个人。在她看来，这件事比写代码的工具本身更被低估。Cursor 能补全、能写一堆东西，但很多人忘了还可以坐下来，三十分钟到一小时学得比以前快得多。

一位工程师对她说，根因分析的算法他懂，但不懂公司何时、为何需要这些分析。这种「何时何地」的语境问题，正适合通用模型去答。她还会用工具考自己：用自己的话复述一个概念，让它点评。它总是先客气地说「差不多」，最后才会说你完全错了。这种互动能检验你是真懂，还是只是读过一遍。

被问到 AI 公司怎么用数据时，Zhuo 说她并不觉得很多高速增长的公司已经用得好。历史上，公司要到上亿用户，通常已经活了好几年，才有时间做日志、雇增长和数据团队、把业务可观测性搭起来。今天，十几个人甚至两个人、却有数亿美元年经常性收入的公司，跳过了这一切，靠好直觉和好感觉就能过关。

麻烦在于，增长不会永远持续。一旦停下来，所有人都会问：发生了什么？业务如果仪器化得好，就能找到根因、更早发现减速，甚至预测减速。没有这层可见性，公司就会手忙脚乱，而那通常就是开始大举投资数据的时刻。她补充说，每次技术变迁都要求新的分析方法：移动时代让每日会话数和会话时长变得重要，对话产品却没法靠点标签页来衡量。

团队需要用大语言模型或机器学习模型给用户意图分桶，还得搞清楚「只问了一个问题就走」到底是得到了价值，还是体验失败。Rachitsky 补充，ChatGPT 团队早期发现热门用例的办法之一，是看 TikTok 上病毒式传播的评论。会话该长该短本身也没有标准答案，得先发明新方法，才能判断这是不是一次好体验。

Rachitsky 指出，设计师常常抵制实验和数据，并问他们漏掉了什么。Zhuo 说她和联合创始人反复强调一句话：「诊断用数据，治疗用设计」。数据不会告诉你该做什么，也不会告诉你怎么治好留存差；它只能告诉你有没有问题、问题和机会在哪，然后还得走一遍创造性的过程去找解法。

她把数据定义得很宽。它包括 A/B 测试，也包括 TikTok 上什么火了、人们在 X 上说什么，以及客户访谈——AI 现在让访谈更容易合成。这些都是比「大家都爱我们」更贴近现实的故事。选看哪些数字、判断涨了百分之五算不算好，本身就是解释，是艺术而不是科学。你没法靠不断 A/B 测试撞出一款伟大产品。

但她说这不是数据对设计。她见过的每位优秀设计师，都执着于弄清用户到底怎么想、到底在做什么；如果能读心，设计会容易得多，而数据只是朝那个方向靠近的工具。Rachitsky 从自己的经历表示同意：真正出色的设计师会扎进数据找机会，而不是觉得自己的直觉已经够用。

被问到管理工作最大的变化时，Zhuo 说管理变化一直是经理的职责，只是变化的速率在加快。没人知道两年后 AI 会在哪、AGI 是不是五年后到来。很多人还害怕工具正在变擅长自己的本职，所以管理者既要处理这种不确定，又要学会管理 AI。沟通、反馈和共情因此更重要。

领导者得告诉团队：产品和做事方式都必须改，否则会被甩在后面；同时又不能把所有人吓疯。她的比喻是柳树——能扛住风暴，是因为枝条很柔，稳恰恰来自柔。所以今天的管理，是「既要稳，也要柔」。她甚至会在心里对自己说：像柳树那样，把那种感觉带进一起要做的事。

Rachitsky 想起 Marc Benioff 对同一问题的回答：说「好」，把变化当成机会。Zhuo 同意，把兴奋压过恐惧，比活在害怕里好过；但她警告不要假装没人难过。承认变化很难、混乱会来，同时把眼睛放在大局和可能性上，才是带着人穿过这一切。假装一切都好、没人烦，会漏掉真正要处理的那一面。

谈到不变的建议，Zhuo 指向「管理自己」——她写书时本想把这一章放在最前。核心概念是维度：每个人有无限维度，从扔斧头到主持播客，每一项只是一个切面。若接受这一点，针对某一维的反馈就不会威胁身份或价值，对话也能更客观。她相信我们都值得被尊重，技能强弱并不决定一个人配不配。

她还相信，每项优点同时也是弱点。早期经理夸她思虑周密、爱用框架，又批评她在现场讨论里话少、反应慢——其实是同一特质的两面。掌握意味着练习相反的技能，比如当场说「我还不确定自己怎么想，但这是我此刻的判断」，而不是否定自己擅长的那一面。何时该快、何时该深思，取决于读懂情境。

弱点要推多远，取决于你的目标。想把一门手艺挖到极深的个人贡献者，未必需要去管人，只要那条路能通向想要的收入和影响力。痛苦来自目标错位：既想要大宅子，又把时间花在把煎蛋卷做到完美。她也建议问经理：团队的成功长什么样、晋升要什么——把关系变成协作，而不是「我要升职、你要我加班」的对立。

Zhuo 对反馈非常认真，觉得团队把它低估了，往往等到半年一次的评估。真正重要的是团队变好的速度：每周进步百分之一的团队，即使起点更低，也会很快超过每月才进步百分之一的团队。她把反馈当数据：关于自己的假设，拿去跟现实对撞。过度自信和冒名顶替综合征都是偏差，我们需要别人把看不见的东西照回来。

她的画面是：有人告诉你后脑勺上有片叶子——这是你给不了自己的礼物。被问到如何让难听的反馈落地时，她给出三条办法。第一，尽早约定彼此想帮对方成长、所有反馈都开放，她说这覆盖了大约六成难度；别等坏事发生再开口，那已经是高压场合。第二，检查自己的意图：想证明自己对、或想惩罚对方，一定会露馅。

第三，当面说出自己很紧张、很珍惜这段关系。脆弱会把对话变成人与人之间的事，比把批评扔过去好得多。Rachitsky 补充，问对方更想当场听还是定期听，几乎所有人都会说「当场告诉我」，这会给你开口的许可。对象不限于上下级：同事、约会对象、孩子，都可以先约定想要什么样的关系。

Zhuo 说，管理者脑子里常有一套对立叙事：更好的结果意味着把人推向他们不想做的事。她更喜欢双赢。第一次告诉某人「你不该留在这支团队」时，她觉得糟透了，直到换一种看法：人如果角色不对，其实已经不快乐；帮对方找到能成长、能被看重的地方，才是尊重。这必须是你真心相信的，不能只是包装成「被裁对你也是赢」。

另一个陷阱是缺乏确信。中层常觉得自己只是执行别人愿景的士兵；但若你自己不信这套策略，就很难传递目的。她回忆：凡是经理当面说「我并不觉得这是好主意」的项目，没有一个最后变得极其成功。先想清楚自己到底信不信，再往下传，比当传声筒有效得多。

若不同意 CEO 的优先级，她的建议是开口对话，把提案拆成一条条假设。你可能信其中几条、怀疑另外几条，然后提议小测试——比如先在一个市场摆柠檬水摊，而不是立刻在五十个州铺开。这样你就能诚实告诉团队：我不确定，但我们承诺去搞清楚。把「整体好或坏」变成可验证的假设，才容易既对齐又保留判断。

在节目的 AI 角落，Zhuo 讲了给孩子做礼物。她借用 Eric Antonow 的做法——给一只鹦鹉塞进麦克风和扬声器、接到 ChatGPT 语音模式——给六岁儿子做了一只会说话的浣熊，大受欢迎。给老二她在 Replit 上做了个应用：丢进 Spotify 链接和一些家庭内部笑话，就能写出电子游戏恶搞歌词，再由她自己唱、录成专辑。她说自己唱得不好，但孩子本来就不介意跑调。

她的反常识信念是「每个方向都有无限」：若某件事显得无聊，问题可能是我们还没看见它的丰富。盯着一面墙，对孩子可以是煎熬，对僧人可以是美妙。她觉得这比觉得自己是环境的受害者更有力量，因为它意味着一项可以练的技能。闪电轮里她推荐 *Zen and the Art of Motorcycle Maintenance*、*Conscious Business* 和 *Good Inside*，并称赞 Matic 扫地机器人，以及她有小额投资的 Limitless 项链——它会给她育儿反馈，比如提醒她打断了孩子。

被问到在 AI 世界里教孩子什么，她说是情绪调节。她担心 AI 会让人太容易绕过难受的情绪和关系：不想处理同事、伴侣或孩子之间的张力，就可以刷短视频，或找一个高度个性化的陪伴。技术让生活更舒服，但舒适过头就会变成捷径。她希望孩子仍主动挑选难事，把 AI 当助力而不是逃避；真正的自由是自己选择艰难，并为成为想成为的人感到骄傲。