AI优先时代，真正该怎么组建一支现代AI团队？

在“AI正在取代工程师”的喧嚣中，Wisedocs 机器学习负责人 Denys Linkov 给出了一个更冷静、也更残酷的答案：问题从来不在技术，而在团队结构与认知。本文系统梳理他关于 AI 团队构成、通才与专才演化、以及何时该招聘人的一整套方法论。

当所有公司都宣称“AI First”，真正的困惑才刚开始

这一场分享从一个很多管理者都正在经历的困惑开始。Denys Linkov 直截了当地描述了当下的氛围：越来越多公司公开宣布自己是“AI First”，并提出一种新标准——在招聘一个人之前，你必须先证明“不能用 AI Agent 解决”。与此同时，大公司不断披露“有多少代码是 AI 写的”，甚至预言软件工程师的消亡。

在这种背景下，真正坐在招聘席位上的人会陷入一个现实问题：那我到底还该不该招人？该招什么样的人？Denys 并没有从工具或模型讲起，而是先抛出了他当天的三条主线：AI 团队的“解剖结构”、通才工程师的演化路径，以及最后那个绕不开的问题——什么时候该招聘。

这一开场本身就是一个重要信号。他并不否认 AI 生成代码、AI Agent 的能力，而是提醒大家：如果你现在只是在问“AI 能不能替代人”，那你问错了问题。真正该问的是：在 AI 能力快速外溢的时代，组织里的“人”应该承担什么不可替代的角色？

技术公司 vs 技术赋能公司：别用别人的 AI 标准要求自己

在讨论团队结构之前，Denys 先做了一次看似简单、却常被忽略的区分：不是所有公司面对的 AI 问题都是一样的。

他将公司分成两类：一类是“技术即产品”的技术公司，技术本身就是核心价值主张；另一类是“技术赋能型公司”，产品并非技术，但技术能显著提升效率或体验。这个区分决定了你是否真的需要最前沿的 AI 技术。

接下来，他用一组反直觉的事实来强化自己的立场。“我认为我们已经拥有解决人类 90% 问题的技术。”他提醒大家，传真机市场至今仍然存在；2017 年，美国只有 3% 的支付是非接触式的；个人计算机普及 40 年后，很多流程依然停留在上个时代。这些例子背后的共同点是：阻碍成功的往往不是技术本身，而是技术被采用、被组织、被落地的方式。

于是，那个关键问题浮现出来——“Is technology the limitation of our success？” 他的答案是否定的。也正因为如此，他才会反复强调：并不是每个公司都需要去招 AI 研究员，尤其是那些技术并非产品本身的团队。

一个残酷的赌注：领域专家，还是五个 AI 研究员？

在分享中最具冲击力的时刻之一，Denys 抛出了一个他称之为“赌注”的问题：“你愿不愿意用一个有深度领域知识的团队，去换五个 AI 研究员？”

这个问题的前提是，他并不否认在某些领域——例如技术本身就是产品——最先进的模型和算法至关重要。但在更多现实场景中，AI 团队真正需要完成的事情远不止训练模型。

他系统性地拆解了 AI 团队的职责链条：定义真正有价值的用例、把系统做成可靠的产品、让客户理解并愿意为之付费。这些工作“不是一个人能完成的”，也不是单靠研究能力就能解决的。真正高效的 AI 团队，必须是一个“完整系统”，而不是几位模型高手的集合。

因此，他不断追问团队负责人一个问题：你的瓶颈到底在哪？是模型效果、系统稳定性、数据获取，还是业务理解？只有识别出这个瓶颈，团队结构和招聘决策才有意义。正如他反复强调的那句话：“你需要什么样的 AI 团队，只有你自己知道。”

为什么通才在 AI 早期阶段如此重要？来自两次建队的对比

Denys 对“通才工程师”的重视，并非理论推演，而是来自两次真实的建队经历。

第一次是在 2021 年，他负责搭建自己的第一个机器学习团队。业务给出的目标极具挑战性，于是他们选择了一个清晰但要求极高的方向：团队需要同时覆盖模型训练、模型部署（serving）以及业务理解。他提到，当时团队一共维护着六个微服务，而他刻意强调的一点是：工程师必须能上客户电话。

到了 2024 年，他再次组建团队时，环境已经完全不同。开源模型和工具链的成熟，大幅降低了“从零造模型”的门槛。这让团队可以更清楚地划定能力阈值，在预算和技能之间做出平衡。

正是这两次对比，让他形成了一个明确判断：在 AI 战略的早期阶段，通才往往更容易帮你赢下比赛。因为他们适应性强，能在模型、系统和业务之间快速切换。而当系统已经成熟、只差那“最后 5% 的性能”时，专才才真正开始显现价值。

管理、再学习与招聘：别把“趋势”当成答案

当团队已经存在，问题就从“如何搭建”变成了“如何运转”。Denys 分享了他常用的一个管理视角：内外循环。内循环是技术反馈，外循环是业务和客户反馈。如果内循环薄弱，再多的外部需求都会压垮团队。

在能力建设上，他强调三件事：工程师要学会“做东西”，从静态需求文档转向功能性原型；工程师必须参与客户沟通；并且，团队里一定要有人真正负责“卖产品”。为此，他的团队设立了固定的每周学习节奏。他坦言，这听起来很累，但“不这样做的代价更高”。

最后回到招聘问题，他给出了一个极具现实感的判断：人存在的价值，主要在于“持有上下文”和“基于上下文采取行动”。他并没有否认大上下文窗口的 AI Agent，而是提醒大家，不要盲目跟随趋势。“验证你看到的趋势，从第一性原理思考，并且问和岗位真正相关的问题。”这是他见过太多公司犯错后总结出的教训。

总结

Denys Linkov 的分享并没有给出一个“标准答案”的 AI 团队模板，反而不断把问题抛回给听众：你的公司是谁？你的瓶颈在哪？你的技术究竟在解决什么问题？在 AI 能力不断通用化的时代，组织设计、角色分工和学习速度，正在成为比模型参数更重要的竞争力。也许真正的“AI First”，不是先换工具，而是先换思维。

关键词： AI团队建设， 通才工程师， AI Agent， 模型训练与部署， 技术与业务融合

事实核查备注： 演讲者：Denys Linkov（Wisedocs 机器学习团队负责人）；公司类型区分：技术公司 vs 技术赋能公司；引用事实：2017 年美国仅 3% 支付为非接触式；技术概念：AI Agent、上下文窗口、模型训练、模型部署（serving）、开源模型；团队案例：2021 年与 2024 年两次建队经历、六个微服务。