SpaceXAI 团队在 YC Lightcone 访谈中介绍,Grok Bot 从第一行代码到上线只用了七周,目标是让 Bot 能登录、在后台持续干活。团队定了三条原则:以 Bot 为工作基本单位、Bot 使用和人一样的工具包括云端电脑、Bot 一直在线并主动找人。
Grok Bot: What Changes When You Can Build AI Teammates
SpaceXSI 团队 @poteto 和 @romanugarte_ 做客 YC Lightcone 做了一小时访谈分享:从第一行代码到上线只用了七周的 Grok Bot,要做能登录、能在后台持续干活的 AI 同事
https://youtu.be/y1-9yeYLJUo?is=PUyc8zlOWmI2SwCB
先把 Bot 当成同事
Roman 在节目里说,长时间运行的编程智能体已经改变了工程师的工作方式,团队希望非工程岗位也能这样干活。
他们定了三条原则:工作以 Bot 为基本单位;Bot 要能用和人一样的工具,包括云端电脑;Bot 要一直在线,并主动找人。
他举例说,效果营销团队曾把广告账号的登录和一笔预算交给 Bot,让它和设计团队的 Bot 一起试广告素材。
Lauren 演示了在 Slack 线程里和同事、Bot 一起做完一个功能,全程没有打开 Cursor。访谈中还提到,她现在每个月合入约 4000 个拉取请求。这些都是访谈中的自述,没有独立审计。
「独立身份」不等于完全隔离的账号
官方文档写的边界比口号更细。同一账户下的多个个人 Bot 共用一台云端电脑,登录状态和文件是共享的。邮箱是每个用户一个 http://mail.grokbot.com 地址,不是每个 Bot 一个。付款用保险库里的卡,通常要先经过确认。
Lauren 把「Bot 有自己的电话号码和信用卡」说成对 2027 年的期望,不能写成已经落地的功能。据 Roman 说,大约两周前上线的 Team Bots 更像一个部门共用的同事:连接应用时可以用个人账号、共用的管理员账号,部分应用里也能用 Bot 自己的账号。
不过也有人追问:Bot 被钓鱼、超了预算或改出 bug 时,这笔账记在谁头上?现有的审批说明只回答了一部分。
执行变便宜之后,真正变贵的是方向
Lauren 说,要让智能体自己检查工作,先得教会它像真实用户一样把程序跑起来,再把这些规则写进代码库。
Roman 说,团队里已经出现想法刚提出、代码就已写好的情况,瓶颈从「能不能做出来」变成了「要不要合并」和「产品该往哪走」。
一点读后感
这期节目讲的其实是一种组织方式:给 Bot 职位、工具和一直在线的运行环境。方向很清楚,但「独立身份」目前是分层实现的,还谈不上完整的隔离和治理。更值得记下的是两点:把质量标准写进代码库,以及执行变便宜之后,判断力会变成稀缺资源。缺了这两点,再高的合入数量也只是吞吐量,算不上可靠的生产能力。
At @spacexai, Lauren Tan (@poteto) and Roman Ugarte (@romanugarte_) are on the core team that took Grok Bot from first line of code to launch in seven weeks. It lets you spin up AI teammates with their own identities and logins, and they just keep working in the background. Their marketing team gave a bot its own ad budget. Lauren built an entire feature with her bot in one Slack thread without ever opening Cursor. They joined us on the @LightconePod to talk about what it’s actually like working next to bots every day, and how the hard part is shifting from doing the work to figuring out what to do and why. 03:36 — Giving Bots Real Jobs 06:49 — One Bot or a Team of Specialists 10:39 — Sharing Bots Across the Company 14:46 — Identity and Permissions for AI Coworkers 18:37 — Bot-to-Bot Collaboration and Trust 22:35 — The Workflow Behind 4,000 PRs a Month 26:00 — Teaching Agents to Write Code You Trust 29:01 — Building a Personal Software Factory 33:44 — The Future of AI Coworkers 36:47 — Rethinking the AI-Native Company 40:13 — Teaching Agents to Check Their Own Work 43:56 — How Much Code Review Is Enough? 47:33 — Codebase Guardrails That Save Tokens 52:20 — When Product Judgment Becomes the Bottleneck 56:29 — From Finance to AI Engineering在 X 查看被引用的帖子
来源:meng shao · x.com