他让 AI Agents 接管生活与公司：一个创始人的失控式效率革命

当大多数人还在用 AI 提高 10% 效率时，Andrew Wilkinson 已经让一整套 AI Agents 接管了他的工作、决策，甚至部分人生。这期播客不是工具清单，而是一份真实的“人类逐步退出循环”的现场记录。

最反直觉的真相：效率不是被 AI 放大，而是被“交出去了”

播客一开始就抛出一个让人不安的事实：Andrew 并不是用 AI 来“更高效地工作”，而是用 AI 把自己从工作里拿掉。他形容这是一种经典的“生产力跑步机”——工具越多，人越忙，直到你意识到真正的问题不是效率，而是参与度。

他的解法很激进：不再追求自己做得多快，而是系统能不能在没有他参与的情况下继续运转。AI Agents 在这里不是 Copilot，而是 Operator。它们被赋予目标、上下文和边界条件，然后被允许自行执行、反馈、再优化。Andrew 的角色从执行者变成了“系统设计者”，这一步，是大多数 AI 从业者还没准备好的心理转变。

Deep Personality：把“你是谁”变成系统级资产

Andrew 在播客中展示了一个他反复提到的系统：Deep Personality。听起来像人格测试，但本质完全不同。它不是为了娱乐，而是为了让 AI 更像“你”。

他做的事情很简单，却极少有人认真去做：把自己的价值观、判断偏好、沟通风格、厌恶清单，系统性地结构化成数据。这些数据不只是给一个模型用，而是作为所有 Agents 的“人格底座”。

结果是什么？当 AI 代表他回复、决策、筛选信息时，不再是通用模型的平均答案，而是高度贴近他本人风格的输出。播客里一个细节很有意思：他发现自己和女朋友在这个测试里的结果高度相似，这反过来验证了系统捕捉到的不是随机性格，而是稳定的决策模式。

从单点自动化到“一群 AI 在帮你思考”

很多人理解的 AI 自动化，仍然停留在“一个任务一个脚本”。Andrew 展示的，是另一种形态：多个 Agents 各司其职，彼此协作。

有的 Agent 负责收集信息，有的负责判断优先级，有的负责执行，还有的专门用来“质疑其他 Agent 的结论”。他强调，这种结构不是为了炫技，而是为了避免单一模型的盲点。

当 Greg 问他是不是已经在用这些系统跑“基本业务”时，Andrew 的回答非常轻描淡写：是的，而且效果好得有点吓人。这里最值得注意的不是技术，而是边界感——他并没有追求全自动，而是通过清晰的输入输出，让系统在安全范围内自我运转。

真正的护城河不是模型，而是数据与上下文

播客中反复出现的一个关键词是 data。Andrew 说得很直接：模型会被商品化，但你自己的数据不会。

这里的数据不是指用户量，而是长期积累的决策痕迹、偏好权重、失败记录。AI Agents 的威力，来自它们能持续访问这些“只属于你”的上下文。

这也解释了他为什么对一些看似普通的软件展示出极大的兴趣——不是因为功能多，而是因为它们在“上下文完整性”上做对了。当软件能记住你做过什么、为什么这么做、下次应该怎么改，它就不再只是工具，而是系统的一部分。

当软件开始失控：我们正低估变化的速度

Andrew 在后半段说了一句很重的话：现在的软件，有些地方已经“彻底失控”了。不是坏，而是进化速度快到超出人的适应能力。

他提到自己最近在 Twitter 上看到的一些实验，让他意识到一个趋势：未来的魔法时刻，不来自更大的模型，而来自“全上下文 + 多 Agent 协作”。当 AI 能同时理解目标、历史、约束和风格，很多过去需要团队完成的事情，会被压缩成系统行为。

这也是为什么他看好 Agent 形态，而不是单一 Chat 界面。前者是系统，后者只是入口。

总结

这期播客真正值得反复咀嚼的，不是 Andrew 用了哪些 AI 工具，而是他如何重新定义了“工作中人类的角色”。如果你是 AI 从业者，有三个可执行的 takeaway：第一，开始把自己的决策逻辑当成数据来管理；第二，别再做单点自动化，尝试设计 Agent 之间的分工与制衡；第三，问自己一个不舒服的问题——如果这个系统成熟了，我是不是可以退出？未来真正的竞争力，可能不是你会不会用 AI，而是你敢不敢让 AI 不用你。

关键词： AI Agents， 自动化系统， 个人数据， Deep Personality， 未来工作

事实核查备注： 需要核查：Andrew Wilkinson 的具体系统名称“Deep Personality”是否为正式命名；播客发布时间与链接是否一致；播客中关于“基本业务由 AI 运行”的原话表述；相关展示是否仅为个人实验而非商业产品。