在 AI 浪潮席卷全球的当下，许多公司将 AI 功能视为锦上添花的插件，但 Notion 却选择了一条更为激进的道路。从 2022 年墨西哥全员大会上的 GPT-4 初体验，到 2026 年推出可自主运行的 Custom Agent，Notion 的进化史就是一部 AI 应用的实战教科书。

结合 Notion 联合创始人 Simon 的深度分享，我们将为您拆解这套系统背后的逻辑，并提供具体的落地解决方案，助您利用 AI 实现生产力的指数级跃升。

核心策略：拥抱“半年重写”的迭代文化

许多企业在开发 AI 系统（Harness）时，往往陷入“做一版就定型”的误区。Simon 指出，这是致命的。由于底层模型技术每六个月就会发生剧变，Notion 的内部策略是每六个月将 AI 系统推倒重写一次。

落地建议：

• 保持技术敏锐度： 不要固守旧的 Prompt 或工作流。定期审视你使用的 AI 工具是否利用了最新的模型能力。
• 模块化思维： 在设计工作流时，将“模型层”与“应用层”解耦。就像 Notion 自称为“模型界的瑞士”一样，保持中立，随时准备接入更强、更便宜的模型（如近期上线的中国开源模型），避免被单一厂商锁定。

关键转折：从“辅助写作”到“自主运行”

Notion 的 AI 演进经历了三个阶段，这也是企业引入 AI 的标准路径：

1. 辅助阶段（2023）： 推出 AI Writer，解决单点任务（改写、生成），无需检索。
2. 连接阶段（2023-2025）： 引入语义索引（Semantic Index），打通 Slack、Google Drive 等外部数据，实现跨平台问答。
3. 代理阶段（2025-2026）： 发布 Personal Agent 和 Custom Agent。Agent 拥有了“手”和“脚”，能自主创建数据库、回复消息、甚至在后台连续运行 13 天处理任务。

落地实操：如何构建你的“100倍工程师”工作流？

Simon 提出的“100倍工程师”概念并非空谈，而是基于对 AI 能力的深度驾驭。以下是具体的落地步骤：

第一步：重构交互界面——为 AI 设计 API
传统的 JSON 格式对 AI 来说过于冗余。Notion 的做法是回归本质：

• 页面读写： 使用 Markdown 方言。模型对 Markdown 的理解天然优于复杂代码。
• 数据查询： 使用 SQLite 语法。利用模型对 SQL 的熟练掌握来操作数据库。
• 行动指南： 如果你在使用或开发 AI 工具，尝试用自然语言结合 Markdown 表格来管理数据，而不是依赖复杂的表单系统。

第二步：建立“验证循环”——拒绝“凭感觉编程”
编码 Agent（如 Claude Code）的出现改变了游戏规则，但 Simon 强调，关键在于验证循环的设计。

• 错误做法： 随口说一句需求，直接采纳结果（Vibe Coding）。
• 正确做法： 设计“任务-验证-部署”的闭环。让 AI 编写代码后，必须自动生成单元测试。只有测试通过，才允许合并。
• 数据支撑： Notion 内部现在所有 PR（代码合并请求）都由 Agent 编写，但测试覆盖率反而大幅提高。

第三步：实施“人机协作”的三阶段管理法
对于非技术人员，Simon 在人力资源团队（People Team）的实践中总结了一套 Agent 驯化流程：

1. 原型与审批（Prototype & Approve）： 搭建 Agent（如邮件分拣器），初期所有操作需人工确认。
2. 反馈与学习（Feedback Loop）： 当 Agent 犯错时（如误判邮件），人工纠正。Agent 会将这些反馈存入“记忆”数据库，生成规则。
3. 自主运行（Autopilot）： 当准确率达标后，取消审批环节。例如 Simon 的邮件 Agent，现在能自动归档 95% 的邮件，只保留真正重要的内容。

未来展望：管理 Agent 的工具

Notion 的使命已发生根本转变：从“为人类创造做事的工具”转变为“为人类创造管理 Agent 的工具”。

这意味着未来的工作空间将不再是静态的文档库，而是动态的指挥中心。你将拥有：

• Personal Agent： 你的数字分身，拥有你的权限，帮你处理琐事。
• Custom Agent： 专项员工，如“周报填充员”或“Bug 路由员”，它们在后台不知疲倦地运行。

总结：
AI 时代的生产力差距，不再取决于你“做”得有多快，而取决于你“管”得有多好。通过建立严格的验证机制、采用适合 AI 的数据格式（Markdown/SQL），并保持系统的持续迭代，你也能像 Simon 一样，实现每天睡前安排任务，醒来收获成果的“睡后生产力”。