企业 ANC 与个人 ANC：让 AI 围绕目标组织工作的同一套架构

我做数字分身的理念，来自 ANC。

ANC 是 AI Native Company，也就是“AI 原生公司”。在 Lawted 对 ANC 的讨论中，有一个我很认同的表达：做树干，让不同的应用和能力从上面长出来。

随着思考逐渐深入，我越来越觉得，数字分身就是个人版的 ANC。

企业和个人面对的规模不同，但底层问题是一致的：怎样把目标、上下文、工作方法和可用能力组织起来，让 AI 能够理解该做什么，并持续推进。

要理解这件事，需要先看看人现在承担着什么。

今天，人承担着组织 AI 的工作

假设我们要完成一个招聘项目。

AI 可以帮助分析岗位、整理简历、比较候选人、起草沟通内容。但在实际工作中，通常仍然需要一个人不断安排：

先分析哪份资料，分析时参考什么背景，哪些要求更重要，结果交给谁，收到反馈以后又该做什么。

这些安排背后，还有很多没有写出来的信息。

客户虽然说看重行业经验，但也许更在意销售模式是否匹配；某个候选人暂时没有回复，但负责人才知道应该继续等，还是调整方向；一次推荐被否定，也需要判断问题出在候选人、岗位标准，还是对客户需求的理解。

人同时承载着目标、背景、判断依据和当前进度，并负责把不同能力连接起来。

所以，即使每一个 AI 工具都变得更强，整体工作仍然可能被人的协调速度限制。生成一份分析只需要很短时间，决定分析什么、解释背景、检查结果和安排下一步，却依然占用人的注意力。

这正是我理解 ANC 的起点：把这些原本依赖人来承载和连接的信息，逐步组织到一个 AI 可以使用的环境中。

企业 ANC：让公司的目标和工作方式可以被 AI 使用

我理解的企业 ANC，是一套围绕企业目标组织信息、能力和协作的架构。

在这套架构里，Agent 需要知道：

公司正在追求什么目标，某项任务为什么重要，业务事实是什么，有哪些做事方法，可以调用哪些工具，哪些事情需要谁参与，以及工作已经推进到哪里。

这些信息共同构成 AI 行动所需的上下文。

继续用招聘举例，可以设想这样一种工作方式：

Agent 接到招聘目标后，读取客户背景、岗位标准和已有候选人记录，判断哪些工作可以开始，哪些信息还缺失。它发现一条关键要求存在矛盾，于是请负责人向客户确认，并说明这个问题会影响什么判断。

在等待期间，它记录正在等谁、等什么结果，同时继续推进不受影响的工作。确认结果回来后，它更新岗位理解，重新评估候选人，再安排后续行动。

这里，“通知人”只是协作中的一个环节。完整的过程还包括提出问题、保存等待状态、理解返回结果，以及接着往下做。

人提供现实信息、必要授权和关键判断，Agent 承担能力范围内的组织与执行责任。

这也解释了“树干”的含义。

岗位分析、候选人评估、面试报告，可以看成不同的树叶。它们共享的客户认知、业务标准、任务状态、权限和反馈机制，就是支撑它们共同工作的树干。

增加一个新能力时，它能够沿用已有积累；完成一次工作后，产生的有效经验又能帮助后面的工作。

个人 ANC：把同样的架构用于一个人

个人也有自己的目标、经验、原则、项目和工作方法。

只是这些信息经常分散在脑子里、文档里、聊天记录里，以及不同工具中。每次使用 AI，我们都要重新选择材料、解释背景，并告诉它下一步做什么。

我所说的个人 ANC，就是逐步把这些信息组织成一个能够持续维护、被不同 AI 使用的个人上下文体系。

这也是数字分身的定位。

例如，一个人希望持续写作。他拥有的上下文，远远超过一句“帮我写篇文章”：

为什么要写，想让谁理解什么，哪些观点来自真实经历，哪些表达已经过时，过去的文章为什么被否定，当前有哪些稿件正在推进。

当这些信息能够被适当地组织和调用，Agent 才有条件判断：这次应该直接成稿，还是补充案例；收到“不满意”的反馈后，应该修改表达，还是重新检查论证。

换一个 AI，换一次会话，相关理解也应当能够接续。

企业 ANC 和个人 ANC，可以放在同一张表里看：

两者共享的是同一种组织逻辑：围绕目标提供上下文，组织能力开展行动，再根据结果修正理解。

企业还需要处理多人的责任、权限和目标冲突；个人则更需要延续对一个人的长期理解。这些差异会影响具体设计，但不改变共同的底层逻辑。

信息组织的关键，在于保留关系

“把信息外置”很容易被理解为：把文档和聊天记录都存起来。

但存下来，只完成了其中一步。

一份客户反馈，需要知道它对应哪个项目、修正了什么判断、适用于什么范围。一条个人经验，需要知道它产生于什么条件，现在是否仍然成立。一个任务，需要知道它服务于哪个目标，为什么暂停，什么结果能够让它继续。

这些关系决定了 AI 应该怎样使用信息。

例如，“这个客户更看重某类经验”与“所有岗位都应该优先考虑这类经验”，会导向完全不同的行动。如果丢失适用范围，一次正确的反馈也可能变成后续工作的错误规则。

因此，这套架构需要同时回答几个问题：

这是什么信息？为什么重要？什么时候适用？与当前目标有什么关系？新的反馈会改变什么？

知识、Skill、任务记录和 Context，可以分别承载不同用途的内容。它们之间如何关联、何时提供给 AI，以及如何更新，才是信息组织方法需要解决的核心问题。

而且，信息可用之后，还要有相应的工具、授权和执行机制，Agent 才能把判断落实为行动。框架的有效性，最终需要在实际工作中检验。

上下文要在合作中逐渐形成

这件事很难通过一次访谈，或者一份完整的个人资料表完成。

因为我们知道的，往往比能够直接说出来的多。

一个人可能说不清自己怎样判断候选人，却能指出某份推荐哪里不合适；也可能无法提前定义什么叫好文章，却能在看到具体内容后，解释为什么这篇准确、那篇偏离。

这些选择和纠正，会让原本隐含的判断依据逐渐显现。

因此，上下文外置需要一个持续过程：

先带着已有理解开展工作，在真实任务中发现缺口；通过人的反馈补充信息，再由 Agent 整理、判断适用范围，并在后续工作中检查是否有用。

一次纠正未必能推广为通用方法。一次成功也未必说明已经理解。框架需要允许认识更新、保留例外，以及撤回错误结论。

整理和维护这些内容，也应该由 Agent 主动承担。如果每次都要求用户亲自总结经验、填写背景和更新流程，信息外置本身就会成为新的负担。

AI 越强，这套架构为什么越重要

我做数字分身，有一个基本判断：AI 能承担的工作还会继续增加。

随着能力变化，今天需要人完成的某些步骤，未来可能交给 Agent。但如果目标、背景和工作之间的联系始终只存在于人的脑子里，每一次能力升级仍然需要人重新组织，才能产生实际价值。

因此，人机分工应当能够随着实际能力和授权调整。上下文也需要独立于某一个模型持续积累，让新的能力可以接续已有工作。

模型升级能够带来更强的通用能力，但一个企业为什么这样经营、一个人为什么追求某个目标，以及过去的判断为何改变，仍然需要从真实活动中获得。

这就是企业 ANC 与个人 ANC 共同要解决的问题。

企业 ANC 组织一家公司的目标、上下文与协作；个人 ANC 组织一个人的目标、上下文与行动。它们都在为 AI 提供持续理解和推进工作所需的基础。

对我来说，数字分身就是沿着这个方向探索个人版 ANC：让个人的经验与目标逐渐拥有一个可以被 AI 理解和使用的载体，并在长期合作中不断修正。

这套方法还在摸索。判断它是否有效，要看 AI 能不能据此作出更合适的决定、接着推进工作，以及让人少一些反复解释和逐步指挥。