Flo Crivello：AI 员工的真正门槛，是共享上下文和记忆成本
Flo Crivello 介绍 Lindy Teammate 的共享记忆、上下文桶与缓存工程，并讨论 AI 员工的成本、组织形态和中国模型争议。
节目资料
- 播客：The Cognitive Revolution
- 主持人：Nathan Labenz
- 嘉宾：Flo Crivello，Lindy 创始人兼 CEO
- 原集标题：Lindy Teammate: Flo Crivello on Multiplayer Agents, Memory & Why He'd Ban the Chinese Models He Uses
- 发布日期：2026 年 8 月 11 日（北京时间，官方 YouTube）；Apple Podcasts 记录为 8 月 14 日1
- 原集：官方 YouTube 视频 · 节目官方页面
Flo Crivello 这期对谈最值得听的地方，是他把「AI 员工」从聊天界面拉回了工程问题：模型是否拥有团队上下文，能否在上下文过大时继续工作，成本能不能撑住，以及人类如何知道它做错了什么。Lindy Teammate 被设计成加入公司 Slack、连接企业工具，并持续积累团队共享记忆的 AI 员工。2
多智能体的关键，是共享上下文
Flo 把多人协作模式看成 Lindy 的核心：不同代理可以各自处理任务，但最后要把结果放进同一套团队记忆里。节目中提到的做法是把公开信息写入团队文件系统和团队记忆，把个人信息留在个人文件系统，再由后台程序持续整理。这样，用户每次和 Teammate 对话时，调用的不是一段孤立的聊天记录，而是一套会随组织工作变化的上下文。3
这套设计也解释了为什么「记住一切」并不是答案。某些工具，尤其是通过 MCP 返回的动作，一次可能带回十万 token。Lindy 的办法是把过大的结果放进
context bucket，让一个子代理代表这块上下文，先提供摘要，再用自己的缓存和 Unix 工具按需检索；上下文桶还可以递归嵌套。模型看到的内容少了，系统却保留了继续追问的路径。3记忆工程直接决定毛利
Flo 直说，Teammate 让 Lindy 又回到负毛利区间。节目中他给出的当前缓存命中率约为 85%，但随着模型和任务变化，命中率可能落到 65%；上下文管理、缓存和压缩因此不是后台优化，而是产品能否成立的成本结构。3
这也是本集对 AI 应用公司的现实提醒：模型能力相同，能否把一次大工具调用变成可复用的上下文、能否避免重复付费，可能比换一个更大的模型更先决定利润。Flo 还建议让代理使用更节省 token 的结构化表示，例如 TOON，而不是把所有工具输出都塞进 JSON；这属于他的工程经验，不是节目已经验证的通用基准。3
人类目前还是半人马
Flo 把 Lindy 当下的工作方式称作「centaur era」：最好的想法通常由人和 AI 一起完成，工程师仍要检查代理的错误、决定哪些上下文值得保存，并处理模型无法判断的例外。他预测这只是过渡阶段，未来人类甚至可能给高度优化的系统增加噪声。这个判断很激进，但它对应一个可观察的产品问题：团队花在管理代理上的时间，是否已经接近它替团队节省的时间。3
关于中国模型的分歧，不能和产品判断混在一起
对谈后段，Flo 表示即使 Lindy 正在使用 DeepSeek，他仍支持在美国禁用中国模型；Nathan Labenz 不赞成全面禁令，两人讨论了让销售 AI 服务的公司购买保险、把风险定价的折中方案。这里是嘉宾的政策立场与主持人的回应，节目没有把它变成已证实的安全结论。2
如果只想记住一条：AI 员工的竞争力不会只由底层模型决定。谁能把组织的公开知识、个人隐私、工具输出、缓存成本和人工复核放进同一套可追踪系统，谁才更接近把模型变成真正的同事。
References
- 1Apple Podcasts 节目记录
podcasts.apple.com
- 2节目官方页面与逐字稿入口
cognitiverevolution.ai
- 3Flo Crivello 访谈逐字稿
youtube.com
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.