Meta 首席 AI 官亚历山大王，在 YC Startup School 上说： Meta 内部已经出现一群智能体，比100人的工程师团队干得还多的情况 ⬇️ 1️⃣ 他说：“我们在Meta内部看到过，一些案例，只要你搭对了智能体循环，再有对的评估，或者对的指标，让智能体去优化，你就能让一群智能体，比100个工程师的团队干得还多”。 2️⃣ 他还补了一句：“而且其实非常轻松，非常非常容易”。 3️⃣ 至于怎么搭，他说一点都不玄：“操…

事件核心：发生了什么

在 YC Startup School 的一场分享中，Meta 首席 AI 官亚历山大·王（Alexander Wang）给出了一个来自公司内部的观察：当智能体的循环结构搭对、评估标准或优化指标设置正确时，一群智能体可以完成比 100 人工程师团队更多的工作。他补充称，这件事”非常轻松，非常非常容易”。

关于具体做法，他的描述相当朴素——先想清楚指标是什么，然后落地的无非是技能（skills）、Markdown 文件、定时任务这几样东西。换言之，工程复杂度不高，真正的门槛在目标定义环节。

为什么重要

这番话的分量不在于”AI 替代工程师”的旧叙事，而在于它给出了一个可操作的判据：智能体的规模化产出，取决于你有没有把任务拆成可被反复评估的指标。Meta 作为同时押注开源模型（Llama 系列）和内部 AI 基础设施的大厂，其一线实践比 Demo 更有参考价值。

它也在提示一条分工变化：大模型负责推理与生成，评估体系负责方向校准，中间层的”技能 + Markdown + 定时任务”承担编排。对创业公司而言，这意味着竞争焦点可能从模型能力转向评估设计和任务分解——这恰恰是 API 调用之外、更难被复制的能力。目前公开信息显示，Meta 未披露这些案例涉及的具体团队、产品线或量化口径。

对用户/开发者/创作者的影响

对开发者，这句话的实际含义是：与其继续堆 prompt 技巧，不如先把可量化的验收标准写出来，再让智能体围绕它迭代。评估脚本、回归测试、指标看板这些”老派”工程资产，正在变成智能体系统的核心零件。对创作者和企业采购方，值得关注的不是订阅哪个 AI 应用，而是自己手上有没有一组稳定的指标——比如内容产能、线索转化、审核通过率——能交给智能体持续优化。没有指标，智能体只是一堆更贵的自动化脚本。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

一是 Meta 是否会在后续分享中给出更具体的案例细节，包括涉及的指标类型和团队规模口径；二是”技能 + Markdown + 定时任务”这套轻量编排思路，是否会被其他厂商的产品化形态吸收，例如 Agent 平台或工作流工具；三是当智能体产出开始计入团队 KPI，工程组织的绩效与协作方式会如何调整。

来源：@XAngus