三千五百個工程師教不完，她乾脆只教五十個
TL;DR
- Block 前工程主管 Angie Jones 被交付一個任務：教會全公司一萬兩千人用 AI agent，包含財務、行銷、設計、HR
- 工程端她沒有硬推，用 1-9-90 法則挑出五十個代表，每人撥出三成工時，前端、後端、iOS、Android 每個關鍵 repo 都要有人
- 真正的解法是把有效做法寫進 repo（AGENTS.md、agent skills、context 設定），讓 agent 一進來就照那個團隊的規矩做事，不用逐一教人
- 非工程部門的突破口是資料存取：本來要跨部門送申請等報表，現在幾秒拿到
- MCP、AGENTS.md、goose、agentgateway、A2A 現在全部搬進 Linux Foundation 底下的 Agentic AI Foundation，找一個中立的家
- 母公司在網路上互吵，工作組裡的工程師照樣把規格寫完，因為兩邊的產品都等著上線
這集在 2026 年 8 月 28 日播出的 Practical AI，主持人 Chris Benson 單飛主持（另一位固定主持人 Daniel Whitenack 這次缺席）。這個節目走的是「把 AI 講到能落地」的路線，不太碰論文，專門聊企業真的怎麼用。
來賓 Angie Jones 是 Agentic AI Foundation 的副總裁，負責開發者體驗這一塊。Agentic AI Foundation 是 Linux Foundation 在 2025 年底成立的新基金會，由 Anthropic、OpenAI、Block 三家共同發起，把各自手上的 agent 相關開源專案交出來託管。Angie 的資歷很硬：IBM 出身，是 IBM Master Inventor（公司內部授予的發明家頭銜），手上有二十幾項專利，後來待過 Twitter，再被 Jack Dorsey 拉到 Block 做工程領導與開發者關係。Block 就是 Square 跟 Cash App 的母公司，做的是錢的生意。
一萬兩千人的教學任務
2024 年，Block 內部做了一個叫 goose 的 AI agent，工程師拿它自動化開發工作。Angie 的團隊負責教工程師怎麼用。教到一半 Jack Dorsey 說了一句話：你既然在教工程師，我希望全公司的人都學會。
於是範圍從工程部門擴大到財務、行銷、設計、HR。那個時間點沒有現在這些漂亮的桌面應用，你要接一個 MCP server（Model Context Protocol，讓 agent 連上工具跟資料的協定），得自己貼 JSON 進設定檔，然後在終端機裡摸索。
Angie 說這其實是兩件完全不同的難題疊在一起。技術層面只是工具難用，這好解決。真正難的是變革管理：你在叫一群做了二十年、在自己領域是專家的人，把手上的流程丟掉、換一種方式工作。裡面混雜著恐懼、抗拒、面子問題。
她的破口很聰明：先給資料。
不管你在哪個部門，都需要資料。以前的流程是跑去找另一個團隊、填一張申請單、等他們出一份報表，然後你還要自己看懂那份報表。她跟同事說，我用一個 agent 接上 MCP server，你幾秒鐘就拿得到，然後你可以拿這些資料去做你真正該做的事。
這件事本身不是任何人的核心工作，但每個人都被它卡過。從這裡切進去，人們願意試。試完之後開始建立信任，然後才慢慢把更多事情交出去，直到自己摸出邊界：這個可以丟給它，那個它做不好，我自己來。
她也講了一句我覺得很值得抄下來的話。市場上有兩種極端，一種覺得 AI 無所不能，一種覺得 AI 完全沒用。她刻意站在中間，因為她不是要你喝下什麼神奇藥水，她只是在告訴你有另一種做法會讓你快一點。這種姿態反而讓抗拒的人願意坐下來聽。
三千五百個工程師，她只挑五十個
工程部門是她的主場，也是最難的地方。三千五百個工程師都在用 AI，但開發速度根本沒有明顯提升。
這件事其實跟之前那篇談 AI Agent 從 demo 到 production 那道溝講的是同一個病灶：工具給了，人也開了，但落不了地。
她的判斷是同時抬起三千五百個人不可能，情緒成本太高。所以她套用了 1-9-90 法則：任何社群裡，1% 是創造者，9% 是會東摸西摸的實驗者，剩下 90% 是消費者。
她花了一週跑遍整個組織，挑出五十個人。挑選標準很務實，不是找最狂熱的 AI 信徒，而是要涵蓋每一個關鍵的 repo 跟每一種技術棧。前端要有人、後端要有人、iOS 跟 Android 都要有人。這些人不是她的直屬，所以她得先去說服每一個一線主管：你手上有「讓團隊用 AI」的 KPI，給我一個人，我要他三成的工時。
五十個人一起把當時所有的新東西灌下去試。這裡有個細節我覺得特別真實：她說在 Twitter 上看到的那些 demo 都很漂亮，但他們面對的是塞了幾百個服務的巨型 mono repo，而且處理的是別人的錢。企業系統得用完全不同的謹慎程度來碰。
所以他們的做法是分頭實測。某個技巧在 web 專案上表現極好，搬到 mobile 就完全不能用，那就記下來，不要浪費別人的時間。iOS 那邊有人找到有效的做法，其他 iOS repo 的人直接拿去用。
真正的關鍵：把知識寫回 repo，不是塞進人腦
這五十個人做的最重要的事，不是回去開課教同事。
他們把驗證過的做法直接埋進程式碼庫裡：context engineering（脈絡工程，幫 agent 準備好它需要的背景資訊）的設定、AGENTS.md 檔案、agent skills，全部 commit 進去。
結果是不管誰把哪個 agent 指向這個 repo，agent 都會照那個團隊想要的方式做事，因為規則已經在系統裡了。你不需要每個人都懂怎麼調教 agent，你只需要有人把它調好一次。
這跟之前寫過那篇談從使用者變成建造者的 AI 熟練度分級是同一條邏輯：組織裡真正划算的投資，不是讓所有人都變成專家，是讓少數人把成果固化成別人可以直接享用的基礎設施。
順帶一提，她也很老實地說，直到 2025 年十一月左右模型才真的變得好用。在那之前，很多工程師試過一次覺得爛，就再也不回來了。但她那時已經有任務在身，不能等。
為什麼 MCP 要從 Anthropic 搬出來
Block 內部到處都需要 MCP server，Anthropic 那邊也意識到一件事：這種東西不該只有一家公司在管。
於是 Anthropic、OpenAI、Block 三家在 2025 年底聯手，在 Linux Foundation 底下成立了 Agentic AI Foundation。目前託管的專案：
| 專案 | 來源 | 在做什麼 |
|---|---|---|
| MCP | Anthropic | 讓 agent 連上工具跟資料的協定 |
| AGENTS.md | OpenAI | 標準化程式碼庫怎麼告訴 agent 自己的規矩 |
| goose | Block | 最早的開源 AI agent 之一，提供 agent 執行環境 |
| agentgateway | Solo | 管制 MCP 與 A2A 流量，做權限跟可觀測性 |
| A2A | agent 之間互相協調、委派工作的協定 |
A2A 是 2026 年八月才加進來的最新成員。
Angie 對這件事的說法很直白：如果一個標準住在某一家公司裡，你要不要把自家產品蓋在上面？你不知道他們會不會哪天砍掉它，也不知道 roadmap 會不會只反映他們自己的目標。搬到中立的地方，別人才敢往上蓋。
她還有一個比喻我很喜歡。基金會裡有一堆工作組，agentic commerce（agent 幫你在網路上買東西）那組要把 Visa、PayPal、Stripe 全部找齊。因為 PayPal 不會想讓 Stripe 一個人把規則訂完。這些公司在一起做的事，是先把遊戲規則跟棋盤畫出來，畫完之後才各自入座開打。
母公司在吵架，工程師照樣把規格寫完
主持人問了一個所有人都好奇的問題：這些人在外面是死對頭，坐進同一個房間會不會很尷尬？
Angie 說完全相反，這些人彼此非常友善。心態大概是「對啦我們公司昨天剛在網路上互轟，但你跟我今天得把這個標準搞定，就讓那群瘋子去吵吧」。
她推薦想看看開源之美的人去 MCP 的 Discord 逛一圈。裡面有幾十個小組在動，而且不是在丟想法，是真的在做事，因為每個人的公司都靠這些東西吃飯。
這也回答了另一個問題：基金會通常慢得要命，這個領域卻快得離譜，兩者怎麼相容？她說當初成立時內部真的辯論過要不要做。結論是關鍵條件已經滿足：工作組裡的人不是志工，不是下班用業餘時間玩，這就是他們的工作，而且他們的產品正等著這個標準上線。有人在等你出貨，你就快得起來。
順帶一提，所有工作組都是開放的，會議公開，任何人都能進去聽，甚至發言。安全、身分認證都有各自的組。
從中國的 mobile-first 看標準會偏食
Angie 現在的工作範圍變成全球，她要看的是日本、中國、非洲各自怎麼用 agent。
一個具體的例子：北美是 SaaS 文化，什麼都是網頁應用。中國是 mobile-first，一切都在手機上。這導致中國對 A2A 這種協定的需求比北美急迫得多，因為那邊真正的場景是「這個 app 裡的 agent 要跟那個 app 裡的 agent 講話」，像 WeChat 的生態就長這樣。
主持人接著追問機器人。在中國跟日本，實體機器人的密度遠高於美國，這意味著他們對協定的需求裡有一整塊「物理世界」的考量，是矽谷那幾家不會優先想到的。Angie 的回答很簡短：所以你需要所有人都在桌上。如果制定規則的只有美國那幾家大公司，那個視角就直接消失了。
歐盟那邊則是 EU AI Act 上路，只要你要服務歐洲用戶就得遵守。基金會裡有一組在研究能不能做出共用的系統或標準，免得每家公司都自己重新發明一遍。她很坦白地說，那組還沒解出來，但每週都在開會。
我的看法
這集裡最值得帶走的是 Angie 那套 1-9-90 的操作。台灣很多公司現在也在做同一件事：老闆丟下一句「大家都要用 AI」，然後買一堆授權、辦幾場教育訓練，三個月後發現沒人在用。
問題在於教育訓練預設每個人都要變成專家，這件事在三千五百人的規模下根本不可能，在三十人的公司也未必划算。真正會留下來的是 Angie 那五十個人做的事：把有效的做法固化進系統，讓後面的人不需要知道原理也能享受成果。
另外一個我一直在想的問題，她在節目最後也講了。我們這種每天泡在 AI 裡的人活在一個小泡泡裡，泡泡外面的一般人可能只問過 ChatGPT 幾個問題，然後看過 Google 搜尋上面跳出來的摘要，就這樣。她說希望我們最後能停在一個中間的位置：就算 AI 做得到，也要判斷這件事值不值得交出去，不要哪天回過神來發現人類變成了 agent 的工人。
這句話從一個花了兩年在公司裡推 AI 的人嘴裡講出來，比從任何評論家嘴裡講出來都有份量。
如果覺得這類產業第一線的操作筆記有幫助，我在 wilsonhuang.xyz 會持續更新，歡迎訂閱追蹤。
Sources:
推薦閱讀
喜歡這篇文章嗎？
訂閱電子報，每週收到精選技術文章與產業洞察，直送你的信箱。
💌 隨時可以取消訂閱，不會收到垃圾郵件