The Most AI-Pilled 深度访谈

访谈开场提出一个核心立场：遇到生活或工作中的任何问题，都应先问能否用 AI 解决。Pedro 认为 CEO 不能把 AI 仅视为工程或产品团队的职责，而应成为公司的 chief AI officer，亲自理解技术边界。主持人介绍 Brex 在企业 AI 使用上的深入程度，并提到 Pedro 的个人 AI 工作流曾促使 YC 团队重新思考软件工厂和 agent 使用方式。讨论还批评了把 LLM 当作昂贵、脆弱资源来过度控制的做法，认为许多软件团队仍在用旧范式限制 agent。

Pedro 回顾自己接触大语言模型的路径：疫情期间拿到 GPT-3 API 时，他觉得它很酷但仍像研究项目；ChatGPT 出现后大家开始关注，但真正让他震撼的是推理模型和工具调用的结合。他把某次模型能力跃迁比作“电力在十二月被发明”，认为从那时起编码 harness 才真正可用。OpenClaw 则让他进一步意识到，优秀 AI 产品的本质往往是带工具的 agentic loop。个人层面，他通过 markdown、自动化和工具调用，让 AI 完成如购票等日常任务，并由此开始思考如何改变 Brex 的产品构建和公司运行结构。

Pedro 详细讲述了他从个人 OpenClaw 使用走向企业级部署的过程。最初他给 agent 只读权限，让它访问邮件、Slack 等系统，发现只读能力已能产生很大价值。随后 Brex 想让 agent 写入系统，最大障碍变成安全问题。他们花数周研究后认为，应在网络层解决 agent 边界控制，而不是只限制工具调用。Brex 因此开源了 Crab Trap：通过 HTTP proxy 审计 agent 的全部网络请求，再用另一个模型分析流量并生成策略。实际使用中，招聘 agent Jim 的 98% 请求可自动通过，其余由 LLM 判断。

Pedro 将公司内部 AI 采用分成三层：第一层是 token maxers，通常是高频使用编码 harness、不断推代码的工程师；第二层是普通工程师，也在使用 AI，但生产力提升远不及第一层；第三层是公司其他大多数员工，他们多以“Google 搜索模式”使用 AI，即在聊天机器人或少量 MCP 工具中查询信息。Brex 的判断是，非技术团队真正需要的不是几个工具接口，而是类似虚拟员工的系统：它在 Slack 上、有邮箱、能被邀请进会议、能记笔记，并能通过可编辑技能和 markdown 自我扩展能力。

主持人举例说明 YC 团队如何把 Pedro 的思路用于真实协作场景：他们安装语音输入工具，将 Claw 接入 Telegram 或 Slack，让多名成员通过对话规划 Startup School 的 60 场晚餐安排，包括参会者、YC 合伙人和访问合伙人的匹配。整个过程中，团队并没有直接打开 Cloud Code，而是由 agent 生成 markdown、做分析并推进任务。Pedro 借此强调，Cloud Code 本身并不是魔法，而只是围绕同一批模型构建的 harness；关键在于如何把模型、工具和上下文组织成能行动的环境。

最后一段讨论为何 token maxing 尚未广泛普及。Pedro 承认 token 成本是现实因素，但他认为即便如此，真正沉浸式使用 AI 的人仍太少；一个迹象是抱怨 max plan 限额的人比例很低。他设想如果自己 12 或 14 岁时拥有今天的技术，会想尽办法用最低成本最大化 token 使用。访谈还提到本地 LLM、游戏显卡和个人 GPU 农场等低成本方案。Pedro 提出“AI pill test”：当任何问题出现时，人是否会本能地先用 AI，而不是把 AI 当作偶尔查询的工具。