AI 替代关键在手册，不在模型
昨天晚上，我做了一个测试。
我让一直负责系统日常工作的爱马仕暂时下线，改由claude code代替爱马仕，执行每天晚上的系统结算。
结果是，晚间结算成功跑通了。
今天早上，我又继续测试，让claude code替爱马仕，执行早间的“今日修行”流程。
流程也能运行。
从表面上看，这次替换已经成功了：爱马仕不在线，换一个 AI，工作照样能够继续。
但是在测试过程中，我发现了一个非常重要的问题。
一、AI 能执行流程，不代表它真正理解这个岗位
今天早上，我对claude code说：
“开始今日修行。”
它收到指令以后，马上就替我生成了今天的修行安排，并且直接写进了系统。
这看起来好像很积极，执行速度也很快。
但实际上，它做错了。
因为在我的系统里，“开始今日修行”并不代表 AI 可以直接替我决定今天要做什么。
正确的工作方式应该是：
先读取我现在的状态，了解我今天有什么安排，询问我最重要的事情是什么，再和我一起确认今天的修行内容。
只有我确认以后，它才能正式落案。
AI 的职责不是替我擅自做决定，而是辅助我完成决策。
这个问题，爱马仕以前也出现过。
后来经过不断磨合、纠正和积累，爱马仕才逐渐知道应该怎样和我对接。
它知道哪些事情可以自己做，哪些事情必须先问我；哪些内容可以自动写入，哪些内容必须经过确认；它也逐渐熟悉了我的表达方式、工作习惯和系统规则。
但是当爱马仕下线，换成可乐扣以后，这些经验并没有自动转移过去。
可乐扣虽然能够读取文件、执行脚本，也能把整套流程跑通，但它并不知道爱马仕过去是怎样和我工作的。
这让我意识到：
一个 AI 能够运行某套流程，和它能够真正接替另一个 AI 的岗位，是两回事。
流程只是工作的骨架。
真正决定工作质量的，是那些没有写出来的细节、边界、习惯和判断标准。
二、模型可以替换，但岗位经验不能丢失
现在很多人讨论 AI 系统时，都会讨论模型路由。
例如一个模型不可用，就自动切换到另一个模型；一个模型成本太高，就换成更便宜的模型；一个模型擅长推理，另一个模型擅长写代码，根据任务进行分工。
这些当然很重要。
但我今天发现，单纯做到“模型可替换”还远远不够。
因为模型更换以后，新的 AI 可能知道要做什么，却不知道应该怎样做。
它知道今天要生成“今日修行”，却不知道生成之前必须先和我确认。
它知道晚上要进行系统结算，却不一定知道遇到数据缺失时应该暂停、询问，还是按照旧数据继续。
它知道要更新系统文件，却不一定知道哪些文件可以直接写，哪些属于核心文件，必须先备份或者经过审批。
这就像一家公司的员工突然请假。
公司不能只是随便找一个会使用电脑的人坐到他的工位上，然后告诉他：
“你今天代替他工作。”
因为真正的岗位交接，不只是把电脑账号和文件夹交给对方。
还要告诉他：
这个岗位每天负责什么；
工作的先后顺序是什么；
遇到不同情况应该怎样判断；
哪些事情可以自己决定；
哪些事情必须请示；
老板平时是怎样沟通的；
哪些细节最容易出错；
过去出现过哪些问题；
最终做到什么程度才算完成。
AI 也是一样。
模型只是员工的大脑，工作手册才是岗位经验。
三、每一个 AI，都应该拥有自己的“员工手册”
所以，我今天形成了一个新的系统设计：
我的系统里，每一个长期工作的 AI，都必须拥有一份属于自己的员工手册。
爱马仕要有爱马仕的工作手册。
claude code要有claude code的工作手册。
Codex 也要有 Codex 的工作手册。
这份手册不能只写一句“你负责总控”或者“你负责编程”。
它应该完整记录这个 AI 的岗位信息。
包括它负责哪些工作、擅长哪些任务、不适合处理什么事情、每天怎样和我对接、执行任务的标准流程是什么、哪些环节需要确认、哪些文件可以写入、出现异常时怎样处理。
还要把那些通过长期磨合才形成的小细节写进去。
比如“今日修行”不能直接替我安排。
比如晚间结算发现数据缺失时，不能为了完成流程而自己补数据。
比如系统已经存在正式结论时，不能因为换了一个模型，就重新发明一套规则。
比如执行结束以后，要明确告诉我做了什么、修改了哪里、还有什么没有完成。
这些内容，过去可能只存在于我和某一个 AI 的聊天记录里。
时间长了以后，这个 AI 好像越来越“懂我”。
但是这种理解其实非常脆弱。
一旦窗口丢失、上下文清空、模型更换，或者这个 AI 暂时无法使用，过去积累的经验就可能一起消失。
所以，真正可靠的做法不是让某个 AI 一直记住，而是把它已经学会的东西沉淀成文件。
不要把岗位经验放在某个 AI 的记忆里，要把它写进系统的共享层。
四、工作手册要放在共享层，而不是放在个人记忆里
这份工作手册必须放在所有 AI 都能够读取的共享层。
当爱马仕正常工作时，爱马仕按照自己的手册执行任务。
当爱马仕暂时下线，需要可乐扣代班时，我不应该从头向可乐扣解释爱马仕每天是怎样工作的。
我只需要告诉它：
“你现在临时代替爱马仕。先读取爱马仕的岗位手册、工作流程和当前交接状态，读取完成以后，再开始工作。”
可乐扣读取完手册以后，就能够知道：
爱马仕平时负责什么；
每天什么时候执行什么流程；
怎样和我进行早间、晚间对接；
哪些动作必须经过我的确认；
哪些文件是它负责维护的；
上一次工作推进到了哪里；
目前还有哪些任务没有闭环。
这样，它才算真正接过了这个岗位。
这就像一个标准化的企业。
员工可以请假，可以离职，也可以更换。
但是岗位不能随着某个人的离开而瘫痪。
因为岗位的职责、流程和经验已经沉淀在公司的系统里。
未来我的 AI 系统也应该做到这一点：
AI 可以更换，模型可以更换，但工作不能中断，经验不能丢失，规则不能变形。
五、每个 AI 不仅要有工作手册，还要有交接记录
只有工作手册还不够。
工作手册解决的是“这个岗位长期应该怎样工作”。
但临时接班时，还需要知道“现在工作进行到了哪里”。
因此，每一个 AI 还应该维护一份交接记录。
员工手册相当于岗位说明书。
交接记录相当于当前现场状态。
交接记录里应该写清楚：
最近完成了什么；
现在正在处理什么；
哪些任务还没有完成；
有哪些风险或者异常；
哪些决定已经得到我的确认；
下一位 AI 接手以后，第一步应该做什么。
以后当某一个 AI 下线时，替代它的 AI 应该先读取三类信息：
第一类是岗位手册，了解这个岗位应该怎样工作。
第二类是当前交接记录，了解工作推进到了哪里。
第三类是系统的公共规则，了解所有 AI 都必须遵守的底线。
只有这三部分同时存在，AI 之间才可能真正实现稳定交接。
六、真正的 AI 多智能体系统，不是几个 AI 同时说话
现在很多所谓的多智能体系统，只是同时调用几个模型。
一个模型提出方案，一个模型进行批评，另一个模型进行总结。
这可以提高思考质量，但还不是真正的组织。
真正的组织必须具备岗位、职责、权限、流程、交接和替代机制。
谁负责总控；
谁负责编程；
谁负责复核；
谁可以修改哪些文件；
谁在什么情况下拥有决定权；
某个角色掉线以后由谁接替；
接替之前必须读取什么；
这些都要被明确规定。
否则，所谓的多智能体系统，只是几个人同时坐在一个会议室里聊天。
而我真正想做的，是一支能够长期运转的 AI 团队。
它不依赖某一个模型，不依赖某一个聊天窗口，也不依赖某一个 AI 永远在线。
任何一个角色暂时离开，其他 AI 都能够按照制度完成交接。
新的模型加入以后，也不需要重新训练几个月。
它只需要先读取岗位手册、系统规则和历史交接记录，就能够快速进入工作状态。
七、AI 系统真正的稳定性，来自组织能力
通过这次测试，我确认了一件事：
让爱马仕下线，让claude code代替它执行结算和早间流程，这个方向是可行的。
但“跑通流程”只是第一步。
真正要解决的是，怎样让替代者继承原来岗位的经验和工作方式。
所以，我下一步要做的，不只是继续增加模型，也不是继续增加功能。
而是为每一个 AI 建立一份正式的员工手册。
把过去那些依赖聊天磨合形成的隐性经验，全部变成系统能够读取的显性规则。
今后，我的 AI 团队里不会再有“只有它自己知道怎样做”的岗位。
每一个角色都要能够被理解、被检查、被交接、被替代。
因为一个真正成熟的系统，不应该害怕某个 AI 掉线。
模型可以换，角色可以换，执行者可以换。
但系统积累下来的经验，不能每换一次 AI，就重新归零。
这才是我理解的“AI 可替代”。
不是找到另一个更强的模型。
而是让任何一个合格的 AI，在读取完整的岗位手册以后，都能接过工作，并且知道应该怎样继续往下做。