> ## Documentation Index
> Fetch the complete documentation index at: https://base.bangwu.me/llms.txt
> Use this file to discover all available pages before exploring further.

# 工程团队组织

> 字节跳动与美团的工程组织设计、招聘哲学和团队建设经验——对比 Google 式精英突击与 Amazon 式精密协作两种截然不同的组织逻辑。

# 工程团队组织

2026 年播客「42章经 × 魏小康」中，一位先后在字节跳动（2017-2020，经历抖音爆发期）和美团（2020-2024，招聘负责人兼 AI 产品经理）工作的 hiring leader，分享了这两家中国最成功科技公司截然不同的组织建设逻辑。

## 两种组织哲学

字节和美团代表了两种根本不同的模式：

| | 字节跳动 | 美团 |
| - | - | - |
| **模式** | Google 式：精英驱动、高自主性、"大力出奇迹" | Amazon 式：精密协作、运营卓越、"干苦活累活" |
| **优势** | 创新速度、个人影响力 | 系统可靠性、可规模化的执行力 |
| **劣势** | 规模扩大后协调成本高 | 转型速度慢 |

核心洞察：没有哪种模式绝对更好。选择取决于你在做什么。AI 应用层产品需要大量交付和集成，走的是美团模式："你一定要把它做苦、做累、做重。"

## 招聘原则

### 721：战场就是最好的训练

美团的人才培养理念：

* **70%** — 在实战中学习（给人真正的 ownership）
* **20%** — 跟高手学（师徒制）
* **10%** — 正式培训

> "最重要的事情是给大家战场。好的人自动杀出来。"

这不是"不培养人"，而是"战场本身就是培养方式"。

### 招精英，付溢价

字节的薪资策略：市场价 100，跳槽通常给 120-130。字节给 140-150 加大小周。拼多多给 170-180 加单休。

逻辑："招一个最强的人解决业务问题，花的代价比招一堆人小。"从时薪角度看，溢价是划算的。

### 扩供给靠圈子，不靠猎头

创业公司影响力不够，熟人内推才是主要渠道。把最好的人当 CRM 管——播客中提到为了挖一个高管，从对方入职对手公司那天起，每三个月见一次，两年半后才等到机会。

> "你周围有靠谱的人，把他周围靠谱的人给弄完。"

反向操作：不是只挖一个人，是顺着靠谱的人把整个圈子端过来。

### 今天是最好招人的一天

> "今年之后的每一天都是你最好招人的时候。今天给多少钱都是赚的。不是'现在贵'，是'以后更贵'。"

人才供需矛盾是结构性的，且在加剧。早期招聘投入的复利效应显著。

## 沟通成本

> "十个人最少搞错 10% 的信息。"

三个人干活，理解的东西就不一样。十个人，问每个人公司在做什么，答案全不同。字节花大量时间把 OKR 讨论清楚——不是大公司病，是止损。

## 文化 = 创始人做事方式

> "创业公司不需要搞文化，所有头部公司文化本质差不多。创始人怎么干活，公司就怎么干活。塑造一个好氛围就够了。"

文化不是文档，不是工作坊。是创始人每天在做什么，被观察、被复制。

## AI 时代的组织变化

播客中提到的早期信号：

* AI 应用层需要的不是更聪明的模型，而是更深的行业交付能力
* 交付和集成工作无法被完全自动化
* 领域专长 + AI 工具的团队，会比纯 AI-native 但缺乏行业知识的创业公司更有优势

一个互补的观点（2026 年 8 月）：编码执行正在被工业化，但程序员的价值不会自动消失，也不会自动上移。新的分水岭在于：

1. **谁能定义值得解决的问题**
2. **谁能把组织知识变成机器可用的上下文**
3. **谁能用独立验证约束高速执行**
4. **谁对进入真实世界的结果负责**

执行速度正在变成大宗商品。稀缺的是问题定义、上下文工程、验证纪律和结果问责。

OpenAI 2026 年 9 月的内部视角为这个判断补充了一个具体数据点。他们把 AI 研究建模为六个阶段——**Decide → Design → Build → Run → Analyze → Communicate**——发现 coding agent 用量在所有六个阶段都在增长，但在 **Decide（研究方向）** 和 **Design（决策）** 两个关键节点涨得最少。每日中位数用量达到 600 美元，P90 达到 7000 美元。

解读：Agent 在执行、排查、实验上表现出色，但研究方向与关键决策仍需要人类输入。这符合"研究实习生"的类比——AI 越来越多地承担执行者角色，而人类掌握方向和问责。组织层面的含义与上面一致：投资于定义问题的人，而不只是执行问题的人。

Databricks CEO Ali Ghodsi 在 2026 年 9 月的播客里给出了同一判断的企业版：大多数公司用 AI 还停在"高级谷歌搜索"加写代码，瓶颈不是模型不够聪明，而是模型缺少**组织上下文**——它没参加过任何一场会，不知道决策怎么做出，也不知道那些"一离职公司就慌"的老员工脑子里装的东西。他把解法叫做 Ontology：把组织的概念、目标、部门、人员、项目关系数字化成一张图谱。

他的类比很准：今天 Agent 逐个调 MCP 服务器检索，就像谷歌当年不建索引、每次搜索实时爬十个网页再总结——又贵又慢质量又差。Ontology 是企业版的"离线计算的 PageRank"，只是难得多，因为涉及权限、访问控制和异构对象。Thorsten Ball 同期给出了更激进的表述：当模型产出超过人工审查能力时，code review、单测、终端这些围绕"人写代码"建立的工艺都会失去存在基础，大多数 bug 将不再是编码 bug，而是"你要错了东西"的 bug。两家判断收敛到同一点：**瓶颈正在从写代码转移到定义问题与组织知识结构化。**

经济侧的证据也在同一个方向：Harvey（法律 AI 公司）的毛利率从约 50% 跌到 -50%，原因是 agent 的 token 用量暴涨二十倍，而底层智能全部租自 OpenAI 和 Anthropic。这给了"own your intelligence stack"一个具体注脚——\*\*租来的智能没有规模效应，成本随用量线性上涨；自有的模型、harness、evals 才是资产。\*\*对重度用 AI 的产品，单位经济模型里必须有一行"智能成本随用量的曲线"，而它通常是线性甚至超线性的。

个人到团队的 gap 具体是什么？阿里官方《AI Native 研发范式实践手册》（68 页，2026 年 9 月，基于三个内部案例）列出了五个能活过真实团队检验的挑战：

1. **环境与验证**——可复现的共享验证是瓶颈，代码生成不是
2. **平台能力**——个人从工具里免费拿到的，团队要当基础设施来建
3. **度量**——AI 到底有没有提效？没有基线，"感觉变快了"就是全部论证
4. **数字员工的自主性**——团队 Agent 无人值守能走多远才变成负债
5. **组织配套**——角色、评审门、值班都要围绕 Agent 重新定义

个人 Vibe Coding 五条全跳过；服务上亿用户的团队一条都跳不过。

## 参考资料

* [42章经 × 魏小康 播客笔记](https://x.com/dotey/status/2072149043757637916) — 宝玉的详细笔记（原始推文 by [yan5xu](https://x.com/yan5xu/status/2072146139999264940)）
* [Databricks CEO：AI 生存风险与组织本体](https://x.com/shao__meng/status/2101493948917456960) — 组织上下文是企业 AI 落地的真正瓶颈，Ontology 是离线计算的 PageRank
* [Thorsten Ball：预测](https://x.com/shao__meng/status/2101476906629841156) — 瓶颈从写代码转移到定义问题
* [Own your intelligence stack](https://x.com/omarsar0/status/2102483718958973392) — Harvey 毛利率 50% → -50%：token 用量涨 20 倍，智能全靠租
* [Cloudflare: Monetization Gateway](https://blog.cloudflare.com/monetization-gateway-beta/) — HTTP 402 按 Agent 消费单位收费
* [阿里 AI Native 研发范式实践手册](https://x.com/shao__meng/status/2105279963922338258) — 个人到团队 gap 的五个挑战


This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.