多年前，我写过关于我在德国的学徒经历。我 16 岁辍学，去一家西门子子公司工作，那里最有趣的人坐在地下室，使用 Delphi 而不是公司强制的 Rosie SQL（两者都基本被时间和进步遗忘了）。我通过观察他们学习成为程序员。通过给他们泡咖啡。通过在附近待足够长的时间，让他们的判断渗入我的判断。
在过去的一年里，我经常想到那段经历，因为我们在 Shopify 构建了一个基于相同原则的东西。
她叫 River。
River 是什么
River 是一个生活在我们公司 Slack 中的 AI 智能体。你与她交谈的方式与与队友交谈相同：通过在 Slack 频道中提及 River。她可以读取代码、运行测试、编写代码、打开 pull request、查询我们的数据仓库、查看生产追踪，以及更多。我们不断地使用她。
在过去 30 天里，5,938 名 Shopify 员工在 4,450 个不同的 Slack 频道中与 River 协作。她在上周单独在我们的主 monorepo 中开了 1,870 个 pull request。上周合并到我们代码库的大约八分之一的 pull request 是由 River 编写、由我们审查的。
世界上有很多编码智能体。让 River 特别的是一个约束：她只在公开场合工作。
一个成为功能的约束
当我们开始构建 River 时，显而易见的事情是让人们私下使用她。那是许多其他 AI 助手的工作方式。ChatGPT 是私人窗口。Claude 是私人窗口。Cursor 是你和 IDE 之间。
我们做出了相反的决定。River 生活在 Slack 中，我们公司的聊天工具。River 不响应私信。她礼貌地拒绝，并建议创建一个公共频道让你和她开始工作。我自己在 #tobi_river 频道中与 River 工作，许多人遵循了这个模式。
因此，每次对话都是可搜索的。Shopify 的任何人都可以跳进来。在我自己的频道中，有 100 多人，他们对线程做出反应、添加色彩和上下文、接过火炬、帮助审查、提醒我有多生锈，以及重要的是，通过观察学习。
起初这很奇怪。人们习惯了与工具的私人工作空间。当整个公司都能看到问题时，寻求帮助感觉不同。但发生了一些我们希望发生但没有完全预测到影响的事情：
人们开始互相学习。
#help_checkout 中的一个支持工程师会观看另一个频道中的后端工程师让 River 找到正确的日志查询，第二天她也会做同样的事情。一个新员工会在发送第一个请求之前，滚动浏览 #river 查看资深人员如何界定请求范围。
德语中有一个词来形容这种环境：Lehrwerkstatt。字面意思：教学车间。整个车间地板就是教室。你通过靠近工作来学习。成为持续学习者是公司的核心价值观之一。
Shopify 希望在大规模上成为 Lehrwerkstatt，River 现在让我们比以往任何时候都更接近这个理想。这是渗透学习，因为它不需要课程、培训计划或经理。它只需要每个人的工作尽可能可见。每个人互相学习。
为什么这随着 AI 更重要，而不是更少
关于 AI 的一个常见担忧是，它会让人们停止思考。如果智能体为他们调试，初级开发人员为什么要学习调试？如果他们可以只是问，为什么要阅读代码库？
我认为担忧是真实的，但框架是错误的。风险不是 AI 做工作。风险是 AI 做工作，我们从未从中学习。如果与智能体的每次交互都发生在私人窗口中，唯一学到任何东西的人是键盘前的人。其他人都被排除在学徒制之外。
当人们在公开场合与他们的智能体一起工作时，相反的事情发生了。最好的提示模式传播，知识传播。一个开发人员调查 Slack 权限 bug 的聪明方式成为其他所有人调查的模板。某人写的教 River 关于公司结账数据仓库的技能被十二个其他团队重用。River 自己也学习：每个频道可以预加载其团队需要的区域、技能和指令，由最接近工作的人编写。River 也有一个不断学习和忘却关于公司和最佳工作方式的关键信息的记忆。
智能体不取代学徒，也不取代导师。智能体使整个公司成为学徒，因为每个人都在不断观看最资深的人与它一起工作。
这也是为什么合并率不断攀升的原因。我们没有重新训练模型。我们没有切换模型。从 36% 到 77% 的改进在两个月内来自人们观看 River 工作，注意到她卡住的地方，并写下她应该知道什么，帮助使 River 本身成为更好的队友。每个团队积累的味道流入智能体。智能体在成为 Shopify 方面变得更好。
公司以其最慢的秘密通道速度移动
当我思考为什么这很重要时，它回到了我长期相信的东西：组织的速度由其最低带宽的通信通道和节奏决定。会议很慢。邮件很慢。私人 DM 很慢。也许对参与其中的人来说不是，但对组织来说是。来自它们的信息和决策永远不会完全扩散到组织的其余部分，除非付出巨大的额外沟通努力。
人类或与 competent 智能体的公共对话不是这些东西。它快速、可搜索、可教学，并且复利。下一个有同样问题的人不需要问它。
我不认为工作的未来是人类被智能体取代。我在 2018 年写了一篇名为《人类卓越的未来角色》的文章，关于国际象棋在计算机学会下棋后变得更受欢迎，而不是更少。同样的教训适用于这里。正确的模型不是人类或机器。它是学徒和大师，互相观看对方学习，两者都在车间地板上变得更好。
这就是 River。这是我们的 Lehrwerkstatt。