从 Cloudflare OS 到「可执行岗位」：AI 原生组织正在重写什么 (2026)

截至 2026 年 8 月 7 日 17:00，关于「AI 原生组织」的最新讨论，已经从「给员工配一个聊天机器人」移向三个更硬的问题：公司的知识怎样被记录，Agent 能做什么，谁对结果负责。

本期把 8 月 1 日至 8 月 7 日 17:00（Asia/Shanghai）内能核验发布时间的公开内容，和一条有独立参考价值的 5 月演讲分开处理。当前窗口里，能落到具体组织实践的材料主要来自 X 与 Cloudflare 官方博客；YouTube 的材料作为背景，Instagram 没有足够明确、且不带明显营销导向的同期内容进入正文。

先看四条线索

来源	核心说法	证据边界
Cloudflare OS，8 月 5 日	用统一的上下文、技能文件和权限系统，把 AI 接入工程与非工程工作	有内部平台与使用数据，但数据来自 Cloudflare 自述
Replit 工程团队成员 Niall O'Higgins，8 月 7 日	产品面可以很大，工程团队却可以很小	个人观察，没有披露团队规模与对照口径
Nessie，8 月 7 日	AI 原生公司需要共享上下文层，让每次 Agent 会话能被团队复用	创业团队的产品论点，不是独立验证过的行业结论
Reginald M，8 月 7 日	Agentic organization 里的岗位可以写成可执行规范	概念提案，没有给出落地案例

这些材料并没有证明「AI 原生组织」已经有一套统一模板。它们更像同一组问题的不同切面：知识要不要留下，权限能不能继承，岗位能不能被机器执行，人的责任边界是否还清楚。

1. Cloudflare：先做组织的上下文层，再谈 Agent 数量

Cloudflare 的案例目前最接近「已经在公司内部运行的 AI 原生组织基础设施」。其官方文章介绍了 Cloudflare OS：工程团队通过 Engineering Codex 获得代码、设计和事故复盘所需的上下文；非工程团队则把常见工作先沉淀成 skills、context files 和 workflow，再交给 Agent 执行。Cloudflare 称，已有数千名员工每周使用这套平台，用户已经创建超过 4,000 个 apps 和 tools；销售团队在一个月内节省了超过 10,000 小时。这些数字是公司自报，不能直接当成外部审计结果。1

这套做法里，真正值得抄的不是界面，而是「工作如何被拆开」：

组织知识进入一个可复用的内容库，形式包括 skill 和 context，而不是散落在某个人的聊天记录里。
Agent 通过 MCP Portal 连接系统记录；AI Gateway、DLP 规则和 gatekeeper 服务负责过滤、记录与范围控制。
Agent 的权限不能超过使用者本人的权限。共享一个 Agent 时，接收者看到的仍应是自己的权限，而不是创建者的权限。
最终输出由人负责。Cloudflare 把这条原则写成「human owns the output」。1

Cloudflare OS 架构图：AI 工作区、内容库、系统记录与已部署应用之间的连接 — Cloudflare OS 的架构图把内容库、系统记录、MCP Portal、AI 工作区和已部署应用放在同一条链上；它说明的是平台设计，不等于每个团队都已完成同样程度的接入。1

X 上，TiDB 作者唐文斌把这篇文章转成了一个更尖锐的问题：当 Agent 数量超过员工数量，公司需要怎样管理它们的身份、运行环境、状态、记忆、文件、权限和可观测性？这是他的延伸判断，不是 Cloudflare 宣布的新产品路线，但它准确指出了组织设计的缺口：Agent 不是多开几个聊天窗口，而是新增了一类需要被授权、审计和回收的工作主体。2

2. X 上的三个提案：小团队、共享上下文、可执行岗位

小团队不等于小系统

Replit 的应用安全与基础设施工程师 Niall O'Higgins 写道，Replit 的工程团队规模「相较于其他公司只占很小一部分」，但产品面很大；他把这种杠杆归因于「self-driving AI-native company」。这条帖子没有提供具体人数、收入或产品数量，因此它不能单独证明 Replit 的组织效率，只能作为一名内部工程人员对工作方式的现场观察。3

它和 Cloudflare 的案例放在一起看，差异很清楚：Cloudflare 展示的是平台与治理，Replit 员工描述的是产出感受。前者能回答「系统怎么接入」，后者只能提示「团队可能变小」；中间还缺着成本、质量、维护和业务结果。

共享上下文可能比共享提示词更重要

Nessie 在 X 上提出，AI 原生公司需要一个由 AI 对话和 Agent 会话构成的共享上下文层，让一次工作留下的知识能被下一个人和 Agent 复用。因为 Nessie 本身就在做这类产品，这段话应读作产品团队的立场，而不是中立研究结论。4

这个提案和 Cloudflare 的内容库有一个共同点：组织资产不再只是最终文档，也包括完成任务时形成的过程、判断和约束。若这些东西不留痕，下一次 Agent 只能重新猜；若它们留痕但没有权限边界，复用又会变成越权传播。

岗位描述可能变成机器可执行的规范

Reginald M 的表述更激进：在 agentic organization 里，岗位是 executable specification，Markdown 文件就是助手或 Agent 执行的「工作」，新增一个岗位就等于新增一个数字员工。5

目前没有足够证据证明这种组织图已经普遍存在。它的价值在于把一个模糊词变成了可检查的对象：如果一个岗位真的能被执行，就应该能写清楚输入、权限、工具、验收标准、升级条件和责任人。缺一项，所谓「岗位」很可能只是换了名字的提示词。

3. 背景回看：YC 把公司想成一组自我改进的回路

5 月 21 日，Y Combinator 合伙人 Tom Blomfield 在演讲中提出，AI 原生公司不应只是把 AI 加到原有流程旁边，而应把每项工作做成能持续吸收反馈的闭环。他把一条典型回路拆成传感器、策略、工具、质量门和学习机制：系统从客户邮件、支持工单、产品数据等地方收集信号，按规则调用工具，通过测试或人工复核，再把失败样本送回下一轮改进。6

这场演讲里最有用的限制条件，是它没有把人从系统里抹掉。Blomfield 认为，人仍要处理新情况、伦理判断和高风险场景；机器更适合在边界清楚、反馈可测的环节里反复运行。这个判断与 Cloudflare 的「人对输出负责」相互呼应，也比「所有岗位都会消失」更接近当前能验证的实践。