Garry Tan: Own Your Intelligence

YC 总裁 Garry Tan 提出"个人 AGI"：AI 不是等来的神，而是你拥有的、每天变强的私人资产。他靠这套系统实现 400 倍产出，并呼吁"技能文件归你所有"。

---

source_name: Y Combinator

youtube_url: https://www.youtube.com/watch?v=eRrc1pUY5oU

---

AGI 不会突然降临，它会先变成你自己的工作系统

Garry Tan 是 Y Combinator 总裁，也是长期投资和支持创业公司的投资人。他这次不是在介绍某个新模型，而是在提出一套个人工作系统：把自己的记忆、经验和工作流程整理出来，再交给 agent 持续执行。演讲里有很强的号召性，也有不少需要谨慎看待的效率数字；真正值得拆开的，是“个人 AGI”到底意味着什么，以及一个人怎样把 AI 从聊天窗口变成会复利的基础设施。

这期回答了 7 个问题：

1. 为什么 Garry Tan 说 AGI 可能已经以另一种形式出现？
2. 为什么同一个模型，有人只能得到 2 倍效率，有人却能得到 100 倍？
3. 个人知识库为什么不能只是一个“资料仓库”？
4. Skill file 为什么可以被看成一种新的编程方式？
5. 一个人怎样从今晚开始搭建会复利的 agent 系统？
6. 当模型越来越强时，真正的差异化会转移到哪里？
7. 为什么“拥有自己的智能”最后会变成一个职业和权力问题？

演讲一开始，Garry Tan 借斯宾诺莎的故事做了一个类比。人们总在等待 AGI 作为一个重大事件出现：某家公司宣布某个模型达到了某条线，世界从那天开始改变。但他的判断是，真正的变化不会长成一个坐在数据中心里的“神”，而是分散在个人电脑、文件夹、自动任务和 agent 里。

他的原话是：“AGI isn't arriving as an event. It's arriving diffused as your agent running on your context doing your work.”（AGI 不会以一个事件到来，而会扩散成运行在你的上下文之上、替你做事的 agent。）这里的 personal AGI，不是一个所有人同时使用的公共超级智能，而是一个只对你有用的个人系统。它能读取你拥有的记忆，执行你写下的流程，并且在每次工作后积累新的经验。

这意味着我们不该只用“模型聪不聪明”判断 AI 的进展。一个普通模型，如果知道你过去做过什么、为什么这样决策、哪些例外不能碰，它在你的工作里可能比一个更强但完全不了解你的模型更有用。AI 的变化不一定先发生在模型排行榜上，也可能先发生在一个人的工作流里：早上醒来时，收件箱已经被按关系和上下文整理过；开会前，过去的承诺和未解决事项已经被拉出来；昨晚临时想查的资料，第二天已经有了初步答案。

Garry Tan 用自己的编码经历说明这个判断。他说，2013 年自己作为 YC 合伙人做 Bookface 时，每天大约只能交付 14 行有用代码；现在在相同的大脑和相近的时间约束下，他自称产出提高到约 400 倍。随后他主动给这个数字泼冷水：如果把 agent 写出的冗余代码、脚手架和自我夸大的部分全部算进去，最保守也许仍有 8 倍，中间区间可能更高。

这个数字不能直接当成普遍生产力结论。它混合了任务类型、软件工程熟练度、管理权限和个人选择，演讲者自己也承认不能证明 AI 生成代码导致了 YC 公司增长。但他真正想强调的不是 400 倍这个数字，而是同一个模型用户之间的差距。他说：“leverage is not in the weights. It's in what context you give it, how relevant it is, and does it happen at the right step.”（杠杆不在模型权重里，而在你给它什么上下文、上下文有多相关，以及它是否在正确的步骤出现。）

这把 AI 使用从“选哪个模型”改成了“设计什么工作系统”。如果你每次都从一张白纸开始提问，模型只能给你通用答案；如果它能接上项目背景、历史决策、用户反馈和下一步目标，它就可以少做重复理解，多做真正的判断。对产品、增长、研究工作来说，差异化未必是更会写 prompt，而是有没有把上下文放在正确的位置，并让 agent 在需要行动的节点出现。

Garry Tan 用人的工作记忆和 agent 的上下文能力做了一个很直观的对比。他说，人一次大约只能在脑中同时保持 7 件事；一个 agent 却可以在上下文里放进约 1,000 页内容，并且在其中搜索和综合。问题是，你的生活不只有 1,000 页，而是一整座图书馆。每封邮件、每次会议、每个做过的决定，都是这座图书馆的一部分。

他把自己的系统叫作 GBrain，里面有约 22 万页 Markdown，包含 25 年的日记、邮件、会议、照片、草稿以及做错的事情。他描述的重点并不是“存得越多越好”，而是 agent 能在新问题出现时找到相关的旧经验。例如一个创始人发来危机邮件，agent 不只看这封邮件，还会调出过去与这个人的沟通、其他三家遇到类似问题的公司，以及当时什么办法真正有效。

他把这个设计概括成一句话：“The library plus the librarian.”（图书馆加图书管理员。）单纯的知识库只是把人的混乱搬进电脑。真正的价值在于，系统知道哪些内容与当前问题有关，哪些事实已经过时，哪些判断彼此冲突，哪些经验应该被提升成可重复的流程。

这意味着个人知识管理的核心动作不是“把所有东西导进去”，而是建立检索、归档、校验和淘汰机制。没有整理的记忆库，会变成“搜索能力很强的垃圾场”：过时事实会被 agent 自信地找出来，错误流程会被重复执行。个人 AGI 的第一道门槛不是文件数量，而是你是否愿意维护上下文的质量。

演讲中最具体的一段，是 Garry Tan 展示 skill file 的样子。它不是复杂程序，而是一页英文指令：会议录音进来后，先转写并标记说话人；提取每个人的承诺和截止时间；把名字和已有资料对照；如果新内容与旧判断冲突，就标记出来，不要直接覆盖。

他的判断很激进：“Markdown is actually code. If you can write clear instructions in English, you're a programmer. The compiler is a language model.”（Markdown 实际上就是代码。如果你能用英文写清楚指令，你就是程序员；语言模型就是编译器。）这句话不是说传统软件工程消失了，而是说越来越多的业务流程可以先用自然语言表达，再由 agent 负责执行和调用工具。

他同时给了一个重要边界：模糊判断可以放在模型里，精确计算不能只靠模型。比如“这个客户真正想解决什么问题”可以由 agent 根据上下文判断；算术、SQL 查询、给 6,000 人安排座位，则应该交给数据库和脚本。模型负责理解和选择，确定性工具负责计算和记录。

这意味着 skill file 不是万能的自动化按钮，而是外部化的工作方法。它能让经验重复使用，也能让错误重复发生。一个糟糕的流程一旦被写成 skill，就可能稳定地制造错误；所以每个 skill 都需要样例、例外、来源和人工复核。真正的“非工程师编程”，不是少了规则，而是规则从代码语法变成了可以被人读懂的流程语言。

Garry Tan 给出的落地方法只有五步。先选一个能运行 agent 的 harness；再建一个小型个人资料库；挑一个每周都会做、又最讨厌的任务写成 skill；把它设成定时任务；最后，每次任务完成后都让 agent 把新经验提炼成可复用的 skill。

他特别反对一开始就建设宏大的个人操作系统。他说：“Nobody builds the warehouse first. First, you build one shelf.”（没人会先把仓库建好；先做出一层货架。）第一层货架可以只是几个项目页面、几个人物页面、几条过去的决策和一个固定的周报流程。重点不是系统看起来多完整，而是它第一次用你的上下文完成了一个任务。

他还提出一个很实用的判断：“The person who captures what they learn gets smarter every single day.”（把学到的东西捕捉下来的人，每一天都会变得更聪明。）这里的失败不是 agent 没有回答好，而是第一次回答结束后，没有把规则、例外和判断依据沉淀下来。一次性工作会随着窗口关闭而消失；skill 化之后，它才会变成下一次工作的起点。

这套方法的关键不是自动化数量，而是复利速度。第一周，资料少，skill 粗糙，修正成本可能比节省的时间还高；第四周，agent 开始能用你的语境回答；第十二周，十几个小 skill 可能已经接管你原来最不想做的重复工作。对个人来说，最小可行的 agent 系统不是“完整的大脑”，而是一个能每天留下新能力的循环。

演讲里有一个很重要但容易被忽略的判断：模型变好，不会让个人上下文变得不重要，反而可能让它更重要。因为当很多人都能租用相近的 frontier model 时，模型本身越来越像一种公共能力；真正稀缺的是你的历史、偏好、判断和工作现场。

Garry Tan 把未来的组合写成：租来的前沿模型，加上自己拥有的上下文，再加上把两者连接起来的 harness。他还回应了“这不就是 RAG 吗”的质疑。RAG 可以粗略理解为让模型从外部资料里检索内容，但他认为检索只是原语，不是完整产品。困难在于哪些内容值得写下来、如何互相链接、什么时候放进热记忆、两条事实冲突时由谁仲裁。

他的原话是：“The better the models get, the more the differentiator moves to context.”（模型越好，差异化越会转移到上下文。）这不是说模型能力不重要，而是说模型能力会越来越容易被获得。相反，一个人过去五年的客户沟通、失败记录、产品判断和未完成承诺，不会自动存在于任何公共模型里。

这也给个人知识系统设了一个边界：上下文越私密，风险越高；上下文越重要，越不能只放在别人控制的服务里。你需要知道数据在哪里、谁能访问、如何导出、错误怎样纠正。否则所谓个人 AI 只是把自己的记忆交给一个会变化的订阅产品，方便是有了，控制权却没有。

演讲后半段从效率转向了更尖锐的职业问题。Garry Tan 设想一位叫 Maya 的支持工程师：她花两年时间教 agent 处理 P0 事故、安抚即将流失的客户、写能防止事故重演的复盘，一共形成 40 个 skill。

如果这些 skill 在 Maya 自己控制的仓库里，她换工作时可以带走自己的判断资产。她的经验会随着每次工作继续增加。如果 skill 全部存在公司仓库里，Maya 离开后，公司仍然可以让这 40 个文件继续执行她的判断，而她自己什么都没有带走。Garry Tan 把后者称为一种“extraction”：不是职业经验被积累，而是人的经验被抽取。

他把这件事和工匠拥有工具联系起来，并给出结论：“Personal AGI is how you stay under your own power in the age of agents.”（个人 AGI 是你在 agent 时代保持自己掌握力量的方式。）这已经超出“如何提高效率”的范围。谁拥有上下文、skill、密钥和运行基础设施，谁就拥有这套认知系统的控制权。

这里也需要保留一个现实边界：不是所有工作经验都能由个人带走，公司的客户数据、内部流程和商业秘密仍然有明确的归属边界。Garry Tan 的论点更适合作为一个提醒：如果你从不整理自己的方法，别人就更容易替你整理；如果你把所有判断都沉淀在别人控制的系统里，你的效率可能提高了，但长期议价能力未必提高。

这篇演讲表面上在讲 agent，底层其实在讲“什么才算你的能力”。第一条说 AGI 会先扩散到个人工作系统；第二条说效率差距来自上下文和流程；第三、四条说明上下文必须被整理成一个有管理员的知识库，并进一步变成可执行的 skill；第五条给出从一个小任务开始的复利路径；第六条指出模型越公共，个人上下文越稀缺；第七条则把问题推到最底层：这些上下文和 skill 到底由谁拥有。

对你现在的工作，最直接的落点不是立刻搭建 22 万页的 GBrain，而是选一个反复出现的任务，把它拆成“输入、判断、动作、验证、沉淀”五步。比如一次精读、一次每日验收或一次内容索引，先让 agent 做出第一版，再把你纠正过的规则写回去。这样才是在建立属于你的工作资产，而不是每次重新打开一个聊天窗口。