文 | 赵京娜
访谈 编辑 | 海若镜
36 氪获悉，近日奇点逃逸完成千万级种子轮融资，由星连资本与水木创投联合领投，奇绩创坛跟投。其正在研发 AI 原生团队协作操作系统 Nexus，让人、Agent、任务、知识和工具基于同一份组织状态持续协作，并让系统从每一次协作中有证据地变强。
奇点逃逸创始人兼 CEO 薛传奕，本科、博士阶段均在清华大学就读，研究方向覆盖强化学习与多智能体，曾以第一作者身份在 NeurIPS、CJA 等学术会议和期刊发表论文；在商汤、鉴智机器人实习期间，参与自动驾驶算法研发与实车部署。
"今天，Agent 已经像能力出众的个体，但它们还没有真正进入组织，" 薛传奕介绍道。
一个越来越常见的工作日可能是这样开始的：产品经理把需求交给一个 Agent 梳理，研发同时让另一个 Agent 修改代码，运营则在第三个对话窗口里研究发布方案。几个小时后，每个 Agent 都完成了自己的部分，也各自拥有一段完整的上下文。但当三项工作需要合并时，团队才发现，没人清楚另一个 Agent 做过什么、为什么这样做，哪些结论已经被确认，哪些变化又会影响后续任务。
于是，人重新回到信息中转站的位置：复制对话、补充背景、核对版本、拼接结果，再把同一件事向不同 Agent 解释一遍。
这是 Agent 能力快速提升之后，一种颇具反差的场景。当 Agent 开始写代码、处理文档、调用工具，甚至连续执行长程任务，新的瓶颈也随之出现：一个能力很强的 Agent，仍然只是一个能力很强的单人助手。它掌握的上下文属于某个用户和某次会话，执行过程分散在不同工具里，任务结束后，经验也很难自然成为团队下一次工作的起点。
那么，当越来越多智能进入生产环境，它们如何理解彼此的角色和关系？组织怎样保留 Agent 的工作过程？一次任务中的反馈，又如何转化为下一次协作可以复用的能力？这些问题最终汇聚为奇点逃逸的两条主线：协作与自进化。
若 Agent 成为组织成员
在传统团队里，一个新成员加入项目，需要理解目标、分工、历史决策和协作规则。Agent 同样如此。它不仅要知道做什么，还要知道任务从哪里来、与谁有关、依赖哪些信息、什么结果才算完成。
现有 AI 产品大多围绕会话组织信息，一段对话结束，Agent 对任务的理解、执行依据和失败经验往往也停留在那段会话中。当任务跨越不同模型、不同成员和不同时间周期，团队不得不反复重建上下文。
薛传奕将其称为 AI 的 " 协作断层 "。他认为，解决这个问题的关键不是让所有 Agent 同时开始工作，而是先让它们面对同一份事实。
协作首先是对事实的协作。如果每个 Agent 理解的目标、任务状态和验收标准都不一样，能力越强，可能只是更快地朝不同方向执行。
因此，Nexus 从组织状态而非单次对话出发。人、Agent、任务、知识和工具被表示为相互关联的对象；一项工作不再只是一段自然语言指令，还包含目标、负责人、依赖关系、权限、当前状态、执行证据和验收结果。
在这样的系统中，产品、研发和运营不是分别与三个互不相识的 Agent 对话，而是围绕同一项工作持续推进。新加入的 Agent 可以理解前序任务发生了什么，找到相关决策和上下游依赖；新的过程和结果，也会重新成为组织状态的一部分。
Agent 由此从个人拥有的工具，变成组织可以分工、授权、审阅和接续的协作对象。
这也是薛传奕所理解的 "AI 进入组织 "：不是企业采购了多少 AI 账号，也不是员工调用了多少次模型，而是 AI 的工作能否进入组织的任务、知识和责任体系。
静态 Agent 遇上动态世界
协作与自进化其实是同一个问题的两面。多个主体要在组织中持续协作，Agent 就必须能够适应不断变化的目标、成员、工具和约束；Agent 要持续积累智能，又必须进入真实生产环境，在具体任务中获得反馈、接受检验。
今天的大模型，通常通过大规模预训练和后训练获得能力。部署之后，再通过提示词、工作流、工具和记忆系统进入具体应用。这个过程的核心逻辑仍然是：人预先设计系统，Agent 在给定边界内执行。
它在稳定任务中有效，却很难覆盖真实组织的全部变化。一个项目的目标可能被修改，工具会更新，成员会变化，新的约束随时出现。昨天有效的任务拆解方式，今天未必仍是最优选择；一个 Agent 在某次任务中犯过的错误，也可能在另一段会话里再次发生。
当系统无法消化这些反馈，" 长期运行 " 就只是不断累积规则。Prompt 越来越长，Workflow 越来越复杂，人工维护成本随之上升。Agent 做了很多工作，却没有真正从工作中学会什么。
奇点逃逸认为，真实协作提供了自进化所需的高质量反馈，而自进化又让 Agent 能够适应组织持续变化的环境。
与静态数据不同，组织任务中天然存在目标、约束和结果。人的修正说明哪里出现了偏差，验收判断给出结果是否可用，失败记录揭示任务拆解、上下文或工具调用中存在的问题。这些信号不是抽象的偏好，而是与具体工作过程绑定的因果证据。
" 脱离真实任务，自进化缺少高质量反馈；没有持续改进，协作系统也只会变成静态流程工具，" 薛传奕认为。
在 Nexus 的设计中，协作与自进化的循环可以拆解为：组织协作产生真实任务与反馈， 独立评测筛选有效改进 ，经过验证的能力进入下一轮协作， 更强的 Agent 扩大组织的协作边界。
系统可以根据反馈提出候选改进，例如调整上下文组织方式、模型路由、任务拆解或工作流配置。但这些变化不会直接进入真实生产环境，而要先通过独立评测，比较效果、稳定性、成本和风险，再由治理机制决定采用、限制、拒绝或回滚。
这与系统自由改写自己有本质区别。在薛传奕看来，自进化的前提不是赋予 Agent 无限自主权，恰恰是建立更严格的证据和治理边界。系统必须能够回答：为什么要改、改了什么、是否真的更好、有没有损害原有能力，以及出现问题时能否撤回。
因此，奇点逃逸所说的自进化，可以被概括为三个环节：真实反馈驱动、独立评测、治理采用。
协作，是自进化发生的环境
在 AI 行业，协作和学习长期属于两套不同的语言。
协作软件谈任务、权限、流程和知识管理；机器学习研究则谈数据、训练、评测和泛化。一边负责组织如何运转，另一边负责模型如何变强。两者很少在同一套产品架构里相遇。
Agent 改变了这条边界。当 AI 只能生成一段文字，它与组织的关系更接近工具；当它开始拆解目标、调用资源、执行任务并与其他主体接续时，它的每一次行动都会进入组织流程。执行结果不仅是业务产出，也成为判断 Agent 能力的反馈。
这意味着，未来的协作系统不只是承载工作，也可能成为智能持续学习的环境。
一个能够从反馈中改进的 Agent，也会改变组织可以承担的任务。它不再只是在固定流程中替代某个步骤，而是可以随着目标、成员和工具的变化调整协作方式。人的注意力则从重复执行转向判断、创造和协调。
" 我们关心的不只是 Agent 单方面变强，而是团队整体能不能处理过去难以承载的复杂目标。" 这也是Nexus 选择 " 图结构 " 作为底层组织方式的原因。
在 Agent 系统内部，目标、规划、专业能力、执行、记忆、工具和验证可以成为不同节点。改进发生在哪里、影响哪些能力，能够被定位和追踪。新 Agent 和新工具也可以作为节点接入，而不必重写整个系统。
在组织层面，人员、Agent、任务和知识又形成另一张相互连接的工作图。Agent 的观察边界不再局限于一段对话，而是可以在授权范围内理解相关人员、历史决策、上下游任务和可调用资源。
两层图结构连接起来，协作反馈才可能指向具体的能力节点，经过验证的改进也才能重新进入具体工作。
单个 Agent 功能很容易随着模型升级被追平，更值得看重的是组织在持续使用中积累的状态、对象关系、评测基线和协作策略。它们来自真实任务中的判断和反馈，又不断被下一轮工作重新调用。
这是一种不同于模型参数的数据资产：它不只记录答案是什么，还记录一项工作为什么这样完成。
奇点逃逸团队的研究背景覆盖智能体、强化学习、LLM Post-training 和认知科学。看起来分散的方向，实际都在追问相似的问题：智能如何在环境中形成，多个智能主体如何彼此协作，以及一次经验如何改变之后的行为。
这种研究取向也让奇点逃逸没有从某一个垂直 Agent 切入，而是把目标放在更底层的组织方式上。
薛传奕把 Nexus 的长期方向概括为 "AI 时代的组织基础设施 "。这并不是一个关于 AI 取代多少人的故事。它更接近另一种变化：当组织中出现越来越多非人类智能，原有的软件和协作方式需要被重新设计。
" 协作和自进化不是两条平行路线，也不是先后发生的两个阶段。" 薛传奕说，"Agent 只有具备自进化机制，才能适应组织的动态环境；只有进入真实生产环境，它的能力才能被释放，并在持续反馈中积累新的智能。两者相互依赖，也相互强化。"
