2026年10月15日，O'Reilly创始人蒂姆·奥莱利（Tim O'Reilly）与技术总监安德鲁·奥德万（Andrew Odewahn）在直播节目中对谈，深入探讨如何将AI从单纯的效率工具升级为组织的“决策智慧”。奥德万分享了过去一年团队构建“专家智能”（Expert Intelligence）套件的实践，该套件通过AI代理连接组织内部系统，基于从业者框架提供具备推理逻辑的分析。
构建研究代理：映射组织“真相来源”
奥德万的研究代理并非源于顶层战略规划，而是为解决工程负责人的实际痛点——如评估项目迁移耗时。他通过四步构建该代理：将组织信息系统映射为层级结构，利用模型上下文协议（MCP）进行连接，编写指导代理使用系统的“技能文件”，最后叠加“专家智能”层。
工程工作流中的“真相来源”地图是核心。奥德万向模型解释了各数据源的关系：Productboard中的战略目标与优先级，转化为Jira中的史诗与故事，进而对应GitHub中的代码；服务目录则描述了约300个服务及其所有者，结合可观测性工具监控服务等级目标（SLO）。技能文件还编码了本地规则，例如明确不同团队对“史诗完成”的定义差异，并限定代理职责为撰写报告而非编码。
针对MCP连接的繁琐过程，奥德万建议从供应商列表入手，让模型识别产品及相关信息并排序。目前，O'Reilly正将此流程转化为“专家智能技能中心”的一项标准技能。尽管有观众质疑MCP相较于语义搜索的优势，奥德万指出，其核心价值在于赋予模型跨系统搜索的能力，“有时有总比没有好”。
从招聘案例看“专家智能”的价值
演示核心是一个招聘决策案例。起初，数据分析代理生成了一份详尽但冗长的报告，指出某团队存在产能问题，建议招聘。随后，奥德万引入“专家智能”，要求代理扮演顾问角色重新分析。新报告引用Google《站点可靠性工作手册》中的“琐碎工作”（Toil）概念，指出该团队的问题实质是“结构性运营开销”，而非人员短缺。
代理建议进行结构化审计，设定减少琐碎工作的目标，并将运行手册所有权视为一等工程产物。团队采纳建议后，有效消除了认知负担并清理了大量积压任务。报告进一步引用吉姆·海史密斯（Jim Highsmith）的观点，论证技术债务的复利增长。奥德万强调，这种分析将抽象框架与具体的Django升级项目结合，比单纯的管理建议更具可操作性。
在跨团队服务分析中，代理借鉴肯特·贝克（Kent Beck）关于耦合的理论，将视频元数据服务诊断为“复杂子系统问题”。奥德万要求代理提取引文并注明出处，显著提升了报告的可信度。他表示：“我不需要LLM增加代码，我需要它们减少代码。”当分析引用工程师熟悉的专家观点时，文档变得更加人性化，团队参与度显著提升。
调用专家：AI编程如同“施法”
奥莱利将这种方法与“氛围编程”或“黑暗工厂”模式对比，主张回归专业知识。他引用Anthropic费利克斯·里斯伯格的文章，指出大多数AI讨论聚焦于“速度”，而奥德万的实践通过“调用专家”实现了思考的“高度”与“深度”。
奥莱利提出一个隐喻：AI编程类似施法。正如奇异博士 invoking 古老力量，开发者通过引用经典著作（如SRE手册或肯特·贝克的理论），将模型指向特定专业知识体系，从而提升产出标准。这反驳了“苦涩教训”中认为人类专业知识将不再重要的观点，证明专业知识仍是关键的聚焦机制。
奥德万补充道，他的提示词策略是“保持挑剔”，要求模型查找并审视经典资源，如同商学院学习框架以组织事实，而非接受模型的第一个想法。
模型局限与方向引导
双方指出，缺乏引导时模型表现不佳。奥莱利观察到，即使前沿模型在搜索时也常陷入试错，随机选择非权威来源。奥德万分享了一个案例：因未连接VPN，代理曾引用陌生的“Robusto公司”框架；连接后，则转而引用《哈佛商业评论》。这表明模型倾向于基于首先找到的信息建立思维路径，无论其质量如何。
奥莱利还批评了部分AI公司为避免内容付费而限制引用的做法，称其为AI早期的“恶化”。相比之下，O'Reilly采用版税模型，作者因内容被引用而获得回报，从而激励高质量专家内容的生产。目前，“专家智能”处于测试阶段，面向创始合作伙伴开放。
SuperAnswers：版本控制的决策共识
决策需要共识，而AI生成的分析需经人类审查。为解决Google Docs中评论线程无法被代理读取及合并的问题，O'Reilly工程总监道格·霍根构建了基于Git和GitHub的替代方案“SuperAnswers”。文档存储在Git仓库，讨论在GitHub Discussions中进行，所有更改均有版本控制。
该系统允许代理在不丢失历史记录的情况下整合评论，重建决策时间及背景信息，并生成范围声明或会议议程等衍生文档。图形视图还能聚类讨论主题并标记未决事项。奥莱利将其总结为：连接真相来源的研究助理、提供背景的专业知识层，以及版本控制的讨论区。奥德万表示计划开源这一Git之上的薄层。
人机协作与技能重塑
针对观众关于“AI黑洞”导致人际交流减少的担忧，奥德万认为Git中心化的做法提供了回溯工作的可能，但他更关注让人类以AI支持的方式交流。他承认，早期错误在于未充分考虑人类如何审查AI文档。若报告存在事实错误，读者往往否定整份文档。因此，AI工具应被视为收集证据的辅助，而非决策者。
奥莱利将完全依赖AI导致的技能脱节比作看不懂地图或无法简单修理水管。他强调，用户有义务随工具进化持续学习。对于寻求重塑技能的工程师，奥德万建议选择一个项目深入研究，让AI充当导师，同时结合书籍或现场活动建立深度。
对话最终区分了两种AI系统：一种仅提升速度，另一种提升决策质量。后者依赖于三个模型无法单独提供的要素：组织知识地图、受信任的专业知识体系，以及人类与AI产出进行辩论的场所。