Cotera 团队的一个员工意外构建了一个自我进化产品。不是营销话术，是真实的生产系统：AI 代理观察每个用户会话，评分体验，生成改进建议，自动提交修复 PR。
三层架构
第一层：上下文收集者（CX AI 代理）
每个用户会话的数据（点击、错误、停留时间、路由）进入数据仓库。LLM 读取会话，理解用户路径，评分输出：
- 注册后长时间使用 AI 代理、构建工作流、停留 15 分钟以上 → 9/10
- 遇到工具错误、沮丧离开 → 1 或 2
关键设计：从未询问用户感受。一切在后台完成，基于行为数据推断满意度——"隐含 NPS"。
LLM 还分析：Cotera 是否适合这个用户？如果不适合，为什么？如果适合但没正常工作，发生了什么？
第二层：产品经理代理
每周，另一个代理读取第一层所有输出，在 Linear 中创建工单：
- 40 个会话在同一问题上失败 → 高优先级工单
- 2 个人遇到边缘情况 → 标记但不工单
工单不只是 bug，还包括改进建议："用户尝试上传大 CSV 并程序化更新，但网站内存不足"。这些需要进一步评估和优先级排序。
第三层：Skynet（工程师代理）
周末运行。读取产品经理的工单，识别纯 bug（非功能请求、非"重新思考流程"）。工具超时、JSON 响应不通过 schema 验证等——自动分配给 Skynet，由 Cursor 或 Devin 代理修复，提交 PR 供人工审查。
每周节奏
每周一早上，团队回顾：
- 上周发生了什么？
- 哪些 bug？
- 需要深思熟虑的产品管理任务分配给真人
- AI 代理周末修复的 bug？边喝咖啡边审查 PR
确保人类员工只花时间在最高杠杆的事情上。AI 能做的，让 AI 做。
为什么不是所有公司都做这个？
架构难度：
- 从混合的定量和定性数据中创建真正合格的可行动作点
- 解析为具体任务
- 没有 20 个工程师的闲置时间
Cotera 的优势：公司和产品的所有数据已在数据仓库，工具已接入平台。只需要给系统上下文并连接。
未来：从自我进化产品到自我进化业务
产品只是故事的一半。同样的反馈循环将接入客户成功和销售团队：
- 销售代表哪些做法有效？哪些无效？每周 1:1 时，能否给销售经理 1-2 个改进点？
- 哪些客户不满？哪些账户产品和 CSM 都有最大问题？谁有流失风险？
- 外部信号：哪个现有客户有新用户从非当前组织注册？哪个客户裁员了？
所有团队都有同样的问题：数据很多，但很难转化为可行动的情报。
成果
Skynet 已实现 200% 生产力提升。如果同样的思维扩展到业务其余部分，会怎样？
这不是未来愿景，是已经运行的系统。关键洞察：AI 代理的价值不在于替代人类判断，而在于把人类从"观察-分类-优先级排序"的机械工作中解放出来，专注于需要真正思考和创造力的决策。