大家好，我是 Sunday。
现在，用 AI 写代码，已经不算什么新鲜事了。写个组件、补个函数、改个 Bug，几句话交给模型就能搞定。
但是，大家有没有想过一个问题：如果我不只是用一个 AI，而是用一群 AI，会发生什么？
我们现在用 AI，本质上只是把它当成“高级工具”，即：我遇到问题 → 我问 AI → 它给我答案。
那么如果我们把脑洞放大一点呢？
既然我可以调用一个 AI，那是不是也可以 同时调用多个 AI ？既然 AI 可以写代码，那它是不是也可以完成：产品经理、设计师、测试、运维，甚至是 财务、人事 的工作？
换句话说： 我能不能，用一群 AI，组建一家“只有我一个人类员工”的公司？
多个 AI，各自承担不同角色：
- 产品负责拆需求：告诉产品我的需求，然后产品帮我把需求拆解成可以具体执行的步骤
- 开发负责编码：把具体的步骤告诉开发，开发负责把整个功能落地
- 测试负责验收：开发的代码，交给测试进行验收。验收失败则重新打回开发，开发负责修改 BUG
- 运维负责部署：最终完成的项目，运维负责部署上线，构建整个自动化部署的流程
- 财务负责算账：每天的 token 支出 和 营收，并给出更省钱的财务方案
- 人事负责管理：哪个 AI 员工“不合格”，人事负责把它“开掉”，并根据我的需求重新“招聘（生成）”新的 AI 员工
并且，我还希望它们之间可以独立思考，互相沟通，而我只负责：下目标、做决策。
如果这件事真的可行，那意味着什么？意味着一个人，或许可能真的可以撬动一整家公司级别的生产力。
说干就干。
AI 选择
市面上的 AI 模型已经非常多了：Claude、GPT Coder、Gemini、GLM、DeepSeek。。。有的贵，有的便宜，有的擅长推理，有的擅长编码。
最理想的状态其实很明确：
- 贵的 AI，承担复杂任务：产品设计、系统架构、核心编码
- 便宜的 AI，承担简单任务：统计、对账、流程、输出财务报表
只要这些 AI 之间可以互相沟通，以上这些都不是问题。
但是，Sunday 在经过一系列的测试之后，发现了一个很残酷的事，就是 不同模型的 AI 之间完全无法沟通。特别是不同厂商的 AI，每一个都被作为了独立的个体。虽然可以通过“协调者”方式强行拼接，但是实现复杂，并且效果也不理想。
额。。。好像这个一人公司的梦想就直接破灭了...
不行，不能那么容易放弃。
所以，在第一阶段，我只能选择一个更“粗暴但稳定”的方案：全部使用 Claude。
因为 Claude 提供了一个非常关键的工具：Claude Code：一个运行在纯终端里的 AI 编码智能体。我们只需要打开终端就可以直接通过语言对话的方式调用 AI 模型。
而接下来，我要做的事情是：用 Claude Code，一步步搭出一家“AI 员工公司”的雏形。
启动多个 AI 终端
一个终端窗口作为一个员工，如果我们想要多个员工那么就只需要启动多个终端就可以。然后我们要给他们赋予角色。一开始，我们可以先从最小可行方案开始：
我们先制定两个角色，他们分别是：
- 张三：产品经理
- 李四：程序员
然后，就出现了 大型翻车现场....
在我尝试给 Claude 提示词，让他变成 张三 的时候。Claude 给我的回复是：我是 Claude，我不是张三....
不是，咱说好的玩角色扮演呢...你就这么不配合的吗？
因为在我的设想里，这一步应该是最简单、最“理所当然”的：起个名字、设个背景、分配个角色。然后 AI 就会自动进入对应的工作模式。
结果现实就是这么现实：“我能帮你完成工作，但是我就不承认我是张三，我就是 Claude”
这不是能力问题，这赤裸裸的就是个 态度问题 啊！ 看来 AI 也不想当牛马啊。。。
没办法，我只能尝试修改下提示词：
好的，产品经理已就位。然后我们可以从一个小的 todolist 的需求开始：
现在我们已经有了一个 todolist 的需求文档了。接下来最好的方案就是 产品经理的 AI 可以直接通知 程序员 AI，完成代码实现。
但是，可惜 不同窗口之间 AI 无法直接通讯。所以，我就必须要承担起这个通讯员的角色。
最终实现的效果如下：
整个功能完善、可用。并且还提供了 主题变化 的功能。。。
反思
可是如果我们仔细去分析上面整个流程，我们可以发现：这个流程远没有我们想象的那么顺畅。甚至有点 多此一举。
因为以上这些需求完全可以在一个 Claude code 中完成，没有必要进行这样的划分。甚至可以说：在任务简单时，多 AI 协作不仅没有提升效率，反而增加了沟通成本。
而这样的一种调度+协作的方式，如果任务变得复杂了，恐怕 AI 没有乱呢，我们自己就已经先手忙脚乱了。
这让我开始怀疑：最初设想的这种全 AI 员工的方式，会不会从一开始，就是错的？
但是，当我仔细思考过之后，我发现问题不在于“多角色”这个想法本身，而在于：当前这种“多终端 + 人工调度”的协作方式，本质上是一个非常低效的协作模型。
如果我们换一个角度，从“协作工具”入手，情况可能会完全不同。
这时，我注意到了一个开源项目：vibekanban。
它提供了一种非常典型的多人协作看板模式，和我们熟悉的 Teambition、Jira、Trello 几乎一致，包含了：任务可视化、状态流转清晰、每个角色只关注自己的列
通过 vibekanban 这种工具，我们至少可以做到：多任务并行更清晰、角色边界更稳定、协作过程可追踪、可回溯。
但即便如此，我很快又意识到一个更现实的问题：这，依然离“全 AI 员工的一人公司”，依旧差得很远。
全 AI 员工的难点在哪里？
根据 Sunday 的实验，其实我们可以发现，全 AI 员工的最大难点就是 如何高效的完成 AI 之间的自动协作。
更具体一点说，核心难点只有一个：如何让多个 AI，在几乎没有人工干预的情况下，自动完成“上下文传递 + 状态对齐 + 任务接力”？
那么这个功能可以实现吗？
答案是 绝对可以
学习过咱们的 商业级 AI 课程 的同学都知道，在 AI 的持续对话中，我们可以通过记录上下文的方式完成跨角色的连续对话。
那么同样的道理，如果我们可以记录不同 AI 沟通上下文的 关键内容，然后通过上述的同样逻辑呼叫下一个 AI（让代码通过指令自动传输关键上下文，并调起 AI 服务），那么全 AI 员工的功能就可以实现。只不过在这样的完美的流转过程中，我们还需要做很多的努力才可以。
总结
这一通折腾下来，收获还是很明显的。三个关键：
- 单模型，已经足够强
- 多模型，真正难的是系统设计
- “全 AI 员工”，本质是一个 调度系统 + 状态系统 + 协作协议 的问题
而这，也意味着：下一阶段的探索重点，已经不再是“哪个模型更强”，而是：如何设计一套真正可自动运行的“AI 组织系统”。
