如果我们在一家公司中拥有比员工多100倍的AI代理，那么我们实际上更有可能适应代理的最佳工作方式，而不是代理适应我们的工作方式。 AI代理在本质上依赖于上下文，而你从它们那里获得的结果的差异几乎完全与上下文的质量有关。这意味着我们工作的新方式将很大程度上是为了给代理提供正确的上下文。 在AI出现之前，接受某些事情的工作方式有有限文档是相对容易的，因为你可以直接问同事。当然，这有巨大的缺点，因为这使得新员工的培训变得更加困难，对现有人才造成了负担，并且随着时间的推移，你会失去大量的机构知识。 AI代理没有这种奢侈。AI代理没有人所拥有的所有情境意识和渗透的好处。默认情况下，它们不知道你的目标、公司标准、风格、正在进行的其他项目等等。 随着我们在Box中优先考虑AI，当同事们构建Box AI代理时，他们本质上是在捕捉多年的流程知识，并最终将其记录下来，以供代理操作。即使在我们有某些事情的文档的领域，这些文档也在以对代理友好的方式进行更新。但这仅仅是开始。 由于需要提高代理的生产力，工作可能需要逐步改变的领域有很多： * 所有关键工作的文档。我们将开始以对代理友好的方式写下更多重要工作流程的清晰描述。与人类工作流程中发生的文档漂移不同，我们需要确保这些文档保持最新，因为每次代理运行都是代理知识和经验的重启。 * 对代理的明确规则和指示。每家公司都有不同的风格指南、不同的代码库标准、内部政策等，代理必须遵守。正如我们在Cursor规则中看到的那样，我们可以期待在所有知识工作领域都出现这种情况。 * 对代理记忆的新方法。我们可能需要更简单的方式来提升代理，使其能够根据用户在公司中执行的不同模式或工作访问记忆库。然后问题是我是否可以在以后带走这些记忆，从企业知识产权的角度来看，这不太可能。 * 更好结构化的技术栈。由于AI代理容易偏离轨道，因此公司IT架构的质量、数据的整洁性、访问控制的更新程度等将变得极为重要。这里的小偏差将显著限制你能推动代理做多少事情，否则你将得到糟糕的结果或真正的商业风险。 * AI代理的上下文将超越典型的组织结构。在一个代理需要跨多个技术栈（后端和前端）或业务流程（法律和销售运营）协作的世界中，我们可能无法仅将AI代理的工作流程和数据访问映射到现有员工和职能，这将带来全新的影响。 观察公司如何随着时间的推移而改变以支持代理的生产力，以及这对未来工作的意义，将会非常有趣。