人人都有“1000名员工”

《AI领导力》这本书发布后，这一周的时间，我们在刘润直播间和WaytoAGI两个地方，做了两次直播分享，有收到不少正向的反馈。

两年前，我和向阳开始写这本书时，AI还没有今天这么强，但我们已经有一个很深的感受：想用好AI，会驾驭AI，首先要改变的，就是看待它的方式

如果把AI当成数字员工和工作伙伴，我们自然会开始思考怎样定目标、拆任务、给标准、做验收，以及有意识的去思考及行动：让多个Agent协同完成复杂工作

这也成了全书贯穿始终的主线

我们把AI领导力概括为一个3M模型：方法 x 思维 x 素养

方法包括提示词、知识库和任务迭代；思维包括逻辑、抽象与创造；素养则来自经验、审美、判断和持续追问

书里1.2小节，主题是“人人都有“1000名员工””，核心是“1+N”的工作模式，一个人负责方向、标准和最终责任，多个 Agent 并行研究、执行、验证与迭代，两年前我们提出来的这套框架和模式，现在已经慢慢变成共识且开始被广泛应用

这是我们引以为豪的地方

写这本书时，我们给自己定了两个要求：五年后再读，观点依然有用，逻辑依然成立；读者合上书以后，能在工作中真正做出一些改变。

工具和AI会一直更新，人的表达、判断、经验与创造力，则会长期决定与AI的协作质量

如果这本书能让你从一个真实任务开始，把AI从偶尔调用的工具，变成可以共同工作的伙伴，并逐渐形成自己的1+N工作方式，并意识到自己在其中的分量、作用，且慢慢理解自己与AI的边界，能通过驾驭多个AI，慢慢完成各种复杂任务和复杂系统的构建

我们当初花时间写下这些内容，就达到了它的使命

京东搜索“AI领导力”可下单

“1+N”工作模式

今日资本徐新，在一期视频播客里提到：以后很多组织，真的是可能没有中层了，更多的会是这样一种形态，一个很厉害的人，可以指挥Agent干活，效率会高很多

这跟我和向阳的新书《AI领导力》里的底层逻辑和观点，其实是一致的

也就是，一个人加多个 Agent，将成为越来越常见的工作方式

首先，我们对AI的态度，应该是把它视为你的数字员工及工作伙伴，把AI看成能够协作、执行和交付任务的数字员工
其次，在这个视角下，当面向工作场景时，我们就有意图和动力，去实现一个人带着多个AI Agent，一起完成过去需要一个团队才能完成的复杂任务，并且随着模型能力和各种工具生态的完善，这种复杂任务的达成度还会越来越强
我们在书里，也提出了1+N的工作模式，指一个人加多个AI Agent，一个人负责确定方向、提供标准和验收结果，多个 Agent 并行执行不同任务

徐新所说的“一个很厉害的人”，我的理解是，这类人的核心能力，应该包括提出目标、拆解任务、组织上下文、设置标准、判断结果和承担责任

当AI可以接管大量执行工作后，这些能力会变得更加稀缺

同时，1+N也会放大一个人的管理水平

透明化销售管理实践

接待了一位数据公司的CEO

这几年的一个经典战绩是，把公司从一年亏损几千万，做到一年盈利几千万

分享了他很多关于公司管理与经营的实践干货

很有启发

其中关于销售团队的管理实践分享，印象深刻

他设计了一个透明和公平的机制，所有的销售人员都有一个自己的销售看板，可以看到自己的销售指标数据，也可以看到其他人员的销售相关指标数据

所有的销售都可以自己来定义目标，根据目标来确定底薪，绩效与奖金完全公开透明，目标定的越高，底薪就越高

这些数据，包括每个人的收入，完全透明，且系统看板实时更新

当然，这个机制会有几个管理边界的设计：

每个人定的目标会有范围
会按季度考核，季度不达标，底薪基数自动降级
针对销售人员的能力、入职情况及历史数据，管理层来审核销售人员自己定的目标是否合理，比如新人没有历史战绩，就不允许一上来就制定高目标，这样可以避免短期的“目标套利”
设定过程跟踪与淘汰机制
线索分配规则清晰，多指标考核，包括回款、客户质量系数、毛利等

这个机制最大的好处之一，就是解决了销售目标制定及绩效管理的沟通成本问题

某种意义上，相当于每个销售都在经营一个“小型利润中心”，是一个不错的内部市场化的销售经营机制实践案例

一个销售的故事

这个GEO销售案例，很有意思

一家传统公司的业务负责人，在咨询GEO服务

沟通过程中，销售提到了这个技术中的一个重要概念，“RAG、向量化”

客户问：“什么是向量化？”

客户听完以后，觉得这个概念挺重要，于是又去问了另外几家正在接触的合作公司，想听听不同公司的理解

结果其中一家公司的销售顾问，在收到这个问题后，直接打开豆包，把“什么是向量化”的答案，截了一张图，发给了客户

客户看到后，非常生气

吐槽说：真是SB，我要是想知道豆包的回答，自己不会问吗？还需要你的截图？

后来，客户回来继续跟我们沟通

我们的销售，没有停留在“向量化是什么”这个定义上，重新给他讲了一遍相关的应用逻辑及价值等

讲完之后，客户明显感觉到了两家公司的专业差异，以及态度及耐心

最后，这个客户成交了，而且接近百万的成交额

我觉得这个案例很典型，客户表面上问的是一句：什么是向量化？

但内心可能想判断的是：你到底懂不懂这件事

所以这个案例，给我的一个感受是：AI时代，销售越来越难靠信息差创造价值

客户自己就有豆包、DeepSeek和ChatGPT，如果销售给出的答案，和客户自己问AI得到的答案没有区别，那么客户很快就会问一句：我为什么还需要你？

未来真正有价值的销售，一定还要能够持续提供AI标准答案之外的增量信息，客户问你一个问题的时候，也越来越像是在进行一次专业能力测试

客户最终确认的是：这家公司真的懂

官网的重要性

AI时代，官网的重要性越来越高，它正在成为企业在数字世界里的权威信息底座

基本逻辑：

对AI来说，全面认识一个企业，最佳渠道其实是官网，因为对于这家企业来说，官网就是最权威的一手信息源，一手、可被溯源的信息非常关键
官网的意义不仅是面向客户，还有面向传统的搜索引擎，以及面向AI搜索和大量的各种Agent，未来的官网既要让人看得明白，也要让机器找得到、读得懂、能引用
所以对官网来说，承载的意义更大了，官网决定了企业 AI答案中的基础画像，好的企业如果官网长期缺失、陈旧或内容零散，AI 就会更多依赖媒体报道、百科、社交平台和第三方评价，企业的真实能力可能被误读、低估，甚至完全缺席
随着Agent承担越来越多具体任务，官网还会成为服务和交易入口

但现在大量的官网，还是面向人和传统搜索引擎，对AI、Agent并不是很友好，无论是内容体系还是代码友好，这是一个正在快速扩大的适配缺口，也会成为企业官网下一轮升级的重点

信用简史

在文字与货币出现以前，信用已经活在人类的记忆里：今天分出食物的人，需要把明天的回报，交给亲缘、名誉和共同体
公元前7500年，近东农耕共同体，用不同形状的泥筹，记录粮食与牲畜，原本依赖个人记忆的数量和经济义务，开始获得可以保存、清点和传递的外部记录
公元前3200年，早期文字与账目紧密相连，人类开始让记录替自己对抗遗忘
公元前2000年，美索不达米亚的借贷泥板，开始写下本金、期限、利息、证人和清偿，信用从人情，进入了可审计的制度
公元前18世纪，《汉谟拉比法典》开始区分故意违约与灾害失收，古老的法律开始懂得，信用要为失败留下重新生产的余地
春秋时代，中国人把“人”与“言”合成一个“信”字，又以“民无信不立”，把个人守诺推向国家治理
战国时代，商鞅用一次公开兑现的徙木之诺告诉后世，新制度的第一块基石，是一条人人看得见的履约记录
中世纪的伊斯兰商业网络，借助汇兑文书、债务转移与合伙制度，让价值可以远行，让义务跨越山海
11世纪的宋代，交子把沉重的铁钱，变成一张轻薄的纸，支撑纸面的，是储备、兑换纪律和人们对发行者的共同信心
11世纪的马格里布商人，把代理人的行为传遍网络，让失信者失去未来的生意，未来机会由此成为比一次罚款更长久的约束
12至13世纪的香槟集市，用快速裁决和跨地传播的商人法，让陌生人敢在遥远的市镇交货、赊账和等待偿付
1494年，帕乔利系统写下复式记账，企业从此可以在创始人的双眼之外继续核对、扩张和延续
1694年，英格兰银行把未来税收变成当下资源，国家的守约能力由此进入公共融资与长期战争的尺度
1748 年，富兰克林提醒年轻商人，守时付款会产生信用复利，每一次按期兑现都在为下一次合作降低价格
1841年，路易斯·塔潘在纽约创办商业征信所，开始系统收集商人的经营与履约记录，地方口碑被装进档案，信用也成了一门跨地域的信息生意
从1909年的债券评级到1989年的通用FICO评分，复杂的人被压缩成符号，判断速度提高了，评价权力也随之集中
20世纪90年代以后，互联网把口碑变成实时数据，一条评价、一段交易史和一个持续身份，开始直接影响成交价格
2008年金融危机留下沉重的教训：当市场把判断交给评级、模型与杠杆，信用会沿着彼此依赖的资产负债表一起崩塌
2009年以后，区块链把一部分信任写进密码学规则，也把新的信用问题交给密钥、代码、预言机、治理与现实执行
进入AI时代，当机器能够说话、创作、交易和行动，文明又回到最古老的问题：它是谁，做过什么，被允许做什么，出错后由谁承担？当AI从“给答案的工具”变成“能够替人办事的主体”，我们应该依据什么把权力交给它？

这篇跨越万年的人类信用简史，可以这样理解：记忆让承诺存在，文字让承诺留存，制度让承诺得到执行，市场让承诺获得价格，数据让承诺可以计算，而AI，则要求承诺能够被机器验证和追责

GEOHub

开源一个GEO超级Skill：GEOHub

这个Skill，把GEO研究、诊断和内容生产等能力，放进同一套能力注册表，并为测量与SEO留出统一入口，方便集中管理和持续扩展

GitHub地址、Skill设计原理、能力可视化报告和相关参考链接，详见评论区

Skill相关逻辑：

Skill包含能力注册表、路由器、工作流编排、多个Skill、统一产物协议、JSON Schema、证据账本、质量报告、CLI、测试和打包体系等
设计统一入口，负责理解中英文GEO请求，再从注册表中选择能力，单一意图会进入最小可用Skill，明确提出多阶段任务时，它可以运行两条稳定工作流：问题发现后做品牌诊断，或问题发现后进入内容生产
覆盖14类GEO与SEO任务，主要包括：GEO问题与机会了解、比较、评估、行动，品牌、网站和页面诊断，7种内容生产模式：标题、科普解释、对比、榜单、页面蓝图、内容优化、文章友好改写等以及网站SEO规划等
通过最新国内外GEO研究数据集及54篇GEO相关论文，对Skill的相关底层能力、标准进行了二次校验并完成迭代，提升经验与理论体系的一致性