# AI原生公司已经把Agent当操作系统了？OpenAI给出3个样本

## 摘要

OpenAI 在 2026 年 9 月 1 日发布 Enterprise Signals 文章《How AI-native companies turn workflows into operating capability》，展示 Basis、Clay、Exa Labs 如何把 Agent 从单点助手变成可复制的工作流能力。最值得研发团队关注的，不是这些公司“用了 AI”，而是它们把 Agent 放进真实流程：有触发条件、有上下文、有工具、有权限、有证据、有评估，也有人工接管点。

OpenAI 提到，AI 使用最靠前的企业，活跃用户平均输出 token 已经达到普通企业的 8.3 倍，而今年 1 月这个差距还是 2.6 倍。差距背后，是领先团队更愿意把 Agent 连接到公司上下文和工具中。

## 背景：从助手到工作流能力

很多团队引入大模型后，第一阶段通常是问答、总结、写邮件、写代码片段。这些场景有价值，但很难形成组织级壁垒，因为它们大多依赖个人提示词水平，结果也很难复用。

OpenAI 这篇文章给出的信号是：AI-native 团队正在把 Agent 当作工作流的一部分，而不是临时聊天窗口。一个稳定流程被拆成“触发、输入、工具、权限、输出、验收、异常处理”之后，就可以变成可复制的技能、插件、共享工作区或子 Agent。

## 技术要点一：Basis 把入职流程做成可教的技能

Basis 的案例很具体：过去新员工第一天入职大约需要 2 小时，现在通过 Codex 和公司特定 onboarding skill，把流程压缩到约 30 分钟。员工入职时，Codex 会介绍关键公司概念，并在后台协助完成集成设置。

这背后的工程重点不是“让 Agent 欢迎新人”，而是把一个重复流程变成稳定技能。一个好技能至少要包含触发条件、目标状态、已知步骤、需要访问的工具、异常处理和完成定义。当 HR 发现常见问题或边界情况时，可以更新技能，让下一批员工直接受益。

这类模式可以迁移到开发环境初始化、项目脚手架、权限申请、CI 接入、值班交接等流程。只要流程重复、依赖上下文、需要跨系统操作，就适合抽象为 Agent skill。

## 技术要点二：Clay 给每个账号一个持久上下文空间

Clay 的案例面向销售和 GTM，但对研发也有启发。它为每个客户账号建立持久工作区和专用 subagent。每晚，subagent 会检查 CRM、邮件、Slack、通话、演示材料和客户 champion 的信息，并更新账号文件夹。第二天，协调 Agent 把所有账号变化压缩成优先行动清单。

这个模式的关键是持久上下文。很多 Agent 失败，不是模型不聪明，而是每次都从零开始。一个账号、一个项目、一个仓库、一个客户问题，都需要长期状态：当前目标、历史决策、未解决问题、相关证据、下一步动作。

研发场景里，可以把这个模式用于“每个仓库一个维护 Agent”“每个线上服务一个运维 Agent”“每个大客户集成一个技术支持 Agent”。它们不一定自动执行所有动作，但可以每天刷新事实、聚合证据、提出下一步建议。

## 技术要点三：Exa 把机会信号推进到可测试行动

Exa Labs 的目标是让自己的搜索 API 出现在更多开发者可能使用的地方。过去这需要团队监控仓库和生态，发现集成机会，收集上下文，再协调开发。OpenAI 强调，Exa 的模式不是只发现线索，而是让 Agent 把机会推进到 bounded execution：收集证据、提出集成方案、生成代码或文档草案，并进入测试和 review。

这对技术团队很关键。Agent 的价值上限不在“提醒你可能有机会”，而在“把机会推进到一个可验证状态”。例如：发现某个开源项目适合集成 SDK，Agent 应该给出接口位置、适配方案、最小 PR 草案、测试命令和风险说明。

## 研发视角：Agent 工作流要像产品一样设计

第一，明确 Agent 的 job description。它什么时候启动，目标是什么，能用哪些上下文和工具，哪些动作必须停下来让人确认，输出必须带什么证据。这些要写清楚，不能只靠一句“帮我处理一下”。

第二，把证据留在建议旁边。Agent 给出行动建议时，支撑证据要离建议足够近。否则人类 reviewer 只能重新翻系统，节省的时间又被吃回去。

第四，衡量工作流结果，而不是只看 token 用量。真正要看的指标是周期时间、质量、成本、收入、风险、review 负担和异常率。

## 实践建议

1. 选择一个高频且有明确价值的端到端流程，例如环境初始化、发版检查、客户问题跟进、代码迁移。
2. 写出 Agent 的任务说明：触发条件、输入、工具、权限、完成定义、停止条件。
3. 建立持久上下文目录，把关键事实、历史决策、证据链接和下一步动作结构化保存。
4. 把成功流程打包成 skill、插件或共享工作区，避免只停留在个人提示词里。
5. 为每个工作流设置评估指标，包括完成率、人工接管率、错误率、耗时和可复用次数。
6. 定期复盘异常，把异常变成下一版流程改进。

## 风险与限制

OpenAI 文章中的案例来自 AI-native 公司，不能直接等同于传统企业的落地速度。领先团队通常有更高的工具开放度、更强的自动化文化，也更愿意让员工试错。普通团队照搬时，可能会遇到权限割裂、系统数据不一致、流程责任不清、review 成本上升等问题。

更稳妥的路径是从一个清晰流程开始，不要一开始就做“全能 Agent”。先把上下文、工具、证据、权限、评估和人工接管点设计清楚，再逐步扩大责任范围。Agent 真正进入组织，不是因为它能回答更多问题，而是因为它能把一段工作稳定地做完、留下证据，并让下一次执行更容易。

## 参考来源

- OpenAI：How AI-native companies turn workflows into operating capability，2026-09-01  
  https://openai.com/index/ai-native-company-workflows/