想象一下：某家市值千亿公司的 CEO，深夜对着电脑屏幕，不是在批报表，而是在和 AI Agent 一起疯狂敲代码，连夜跑完上百轮实验。
这就是Shopify的 Tobi Lütke，和 Y Combinator 的 Garry Tan 正在电脑前做的事。
硅谷不养闲人，CEO 狠起来连自己都卷。
YC 的 Garry Tan 这几天一直没闲着，他白天管团队，晚上就用自己开源的 Gstack（把 Claude Code 配成 CEO、工程经理、QA、设计师等一整套虚拟团队），花费 60 天时间写出 60 万+行生产代码，日均写 1-2 万行，眼看 GitHub stars 蹭蹭上涨，Garry Tan 自己都兴奋得每天只睡 4 小时。
另一位 Shopify 的老大 Tobi Lütke，亲自用 AI Coding Agent，对着自己 20 年前写的 Liquid 引擎反复实验，把解析渲染速度提速到 53%，内存节省到 61%。
一个越来越清晰的变化是：这些原本处在决策层的企业管理者，正在亲自跑实验、开源工具、优化生产代码、搭建 Agent 团队，直接参与到这场 AI 的实际使用之中。
类似的动作，也开始在更多公司中出现。只是不少企业管理者对 AI 的接触还停留在基础问答层面，更多是寄希望于招募懂技术的团队来解决问题。
但 AI 从来不是一个静态工具，而是一种必须通过亲手试错、长期协作才能摸清真实边界的系统。
也正是这种认知差，开始拉开分水岭：有人还在“使用” AI，有人已经和 AI 一起“干活”。
在国内，360 集团创始人周鸿祎就是后者的典型代表。
01
AI 的不可预测，必须得亲自试用和踩坑过去一段时间，管理者理解技术的方式是必要且稳定的：通过传递的信息获取认知后，再依靠汇报形成判断，而无需亲自参与研发和执行。
在这种模式下，技术的功能、性能、进度，都可以被整理成报告，被压缩进 PPT，再转化为决策依据。
但当 AI 开始进入真实开发与生产流程，想要建立精准的技术判断，仅仅依赖常规信息传递机制可能还不够。
在与耶鲁创新学者交流时，周鸿祎也进一步解释，如果没有深度参与 AI 的实际使用，很难在关键节点上做出有效判断。
也正因如此，他选择持续亲自参与智能体开发、流程调试与 Skill 调整——其核心目的并非展示技术能力，而是获取更接近真实使用环境的一线体感。
周鸿祎在一次媒体访谈中提到，自己原本并不相信 AI 真能写复杂软件，直到今年亲自与 AI 合作写出一个复杂的软件智能体后，才改变了这一看法。
在真实的协作环境中，他观察到 AI 明显的两面性：它聪明时，就是“合作过水平最高的程序员”，理解力强，能快速写出几千行代码；但同时它也会犯错，不按常理出牌，甚至误删代码。
有次，在一项具体的开发过程中，周鸿祎也直观感受到 AI “出错”的一面：原本交付的 1200 多行代码，在最终核对时只剩下约 600 行。他当时的第一反应是：“是不是智能体又把代码改掉了？”
也正是在这些反复试错中，他逐渐意识到，很多问题不仅存在于开发者侧，在普通用户那里会被进一步放大。
这种认知，随后开始反过来影响产品形态。
普通用户在接触 AI 时，面临的不只是“会不会用”的问题，更多却是“装不装得上”“能不能稳定运行”“敢不敢长期使用”等具体而复杂的现实情况。
围绕这些真实需求，团队推出了“360 安全龙虾”，试图降低用户在部署和使用过程中的门槛与不确定性。
这些真实的协作体验让周鸿祎再次确认了一个事实：“AI作为生产力新物种，它的系统边界和协作成本，需要亲自使用和踩坑来建立真实判断。
02
当企业家彻底开始一场“长期体感课”外界看到的，是老周的“突然下场”；而实际上，周鸿祎的这条实践路径已经探索了有一段时间。
早在 2024 年 11 月，他就开始尝试将 AI 带入实际生产场景：出演 AI 主题短剧《重燃人生》，用 AI 工具参与内容制作，同时通过直播演示纳米搜索，展示 AI 在信息获取与处理上的能力。
但真正的转折，发生在老周开始深度参与 AI 开发之后。
“春节期间，我基本上是不眠不休，不吃不喝，每天所有的精力都用来跟 AI 一起在苦战。”周鸿祎曾对媒体表示。
也是从那之后，周鸿祎逐渐回到了一个更接近产品一线的位置，在听得见炮火声的地方，砥砺躬行。
他不仅亲自“养龙虾”，还在龙虾安全媒体交流会上系统聊安全风险、配置门槛和未来方向，甚至推动 360推出 OpenClaw 一键安装版，让普通人也能轻松上手。
这种状态并不是体验式的尝试，而是一种持续高强度的投入，周鸿祎在多个场合里提到，自己经常和 AI 一起编程。
有时一整天十几个小时，老周都在对着电脑不断给模型下指令，让它写代码、改程序、构建智能体、调整 Skill，再一遍遍调试流程。系统里一部分智能体和 Skill，并不是团队直接交付的结果，而是他一点点改出来的。
比如，当下很多人都在讨论“龙虾”运行时的 Token 消耗，但如果只是听别人提起，很难对这种消耗建立具体感知。
“纳米漫剧流水线”，更像是一个典型的阶段性案例——它标志着多智能体开始真正进入具体生产场景，并驱动一个垂类内容行业的完整流程。
在这一过程中，周鸿祎深度参与智能体的构建与调试：前后“手搓”近百个智能体，对话超过 5000 次，总计消耗约 12 亿 Token。
在完整跑通系统之后，他更切实感受到，一个能够稳定运行的智能体，单次执行往往就需要消耗上千万 Token，而整套系统，也是在两三百个版本的反复迭代中才逐步成型。
这意味着，很多关键能力并不是一开始就设计完成的，而是在不断试错中被“跑出来”的：智能体逻辑需要反复调整，流程需要一遍遍重构，Skill 结构也在使用过程中不断被修改。
这种工程级别的参与，并不只停留在过程本身，也开始沉淀为具体结果。
前边提到的“纳米漫剧流水线”，正是在这样的反复试错中逐步形成。它基于多智能体协同运行，覆盖剧本、分镜、生图、配音与剪辑等环节，整套流程并非预设，而是在大量 Token 消耗和数百轮迭代中逐步跑通并稳定下来。
目前，这一流水线已经进入规模化使用阶段，并与国内头部影视、短剧公司和AI短剧创作者展开合作。
在这个过程中，周鸿祎发现，自己面对的不是一个可以被调用的 AI 工具，而是一整套复杂的协作系统——从任务拆解、模型调用，到流程衔接与结果验证，每一个环节都可能出现偏差，也都需要人为持续介入。
这种体验，在硅谷开发者社区中也有一个更形象的说法——“保姆式体验（BabysitterExperience）”。
开发者需要花大量时间与 AI 反复交互，纠正错误、补充上下文、修复问题。表面上看，效率似乎提升了，但实际投入的时间并未减少：AI 生成代码很快，但理解代码、调试错误以及修复问题，往往会把节省下来的时间再次消耗掉。
即便是 Garry Tan，在每天生成上万行代码的同时，也不得不为此专门搭建一套复杂的工作流框架（Gstack），用来约束 AI 的输出，避免系统在不知不觉中走向失控。
这些来自一线的真实体验，正在改写人们理解 AI 的方式。
03
AI 时代，判断力是最贵的资产当全民养虾成为浪潮，“焦虑”也伴随而来：要不要参与？以及该怎么参与。
很多人困惑的是，面对一项快速变化的新技术，很难仅凭外部信息建立清晰判断。
这也正是 AI 对行业造成的核心冲击：面对同一套先进的工作流技术系统，无论企业老板还是基层员工，如果不亲自动手、不亲身入局，都将面临被技术淘汰的风险。在这场洗牌面前，没有任何人拥有特权，也不存在所谓的“角色豁免”。
破解这种“FOMO（错失恐惧）”感，唯一的解法就是亲自下场。当真正开始使用智能体，参与到具体任务中，才会逐渐理解它在工作中的作用方式，以及像 Token 消耗这样的关键成本是如何在实际运行中体现出来的。
这种一手体验的重要性，也在于 AI 的演进速度，从模型到 Agent，再到更复杂的协作系统，每一轮变化都在重构既有的工作方式。对于个体而言，很难长期置身事外。正如周鸿祎此前所说，拒绝使用AI的人可能会被时代淘汰。
以前是“遇事不决问模型”，现在 Agent 逐渐进入生产流程之后，人和 AI 的关系正在发生变化。智能体就像是人的“手和脚”，负责调用工具，而人转向目标设定、过程约束和结果评估。在这种结构下，决定效率上限的，是人对系统的理解和调度能力。
理解了这一层，就能懂得周鸿祎动手实践背后的深意。作为企业管理者，他需要对 AI 效率、成本与边界形成稳定判断，抛开管理者身份，作为普通人，他在多 Agent 协同、流程调试中遇到的问题，本质上也是所有使用者都会面对的问题——只是规模不同。
从这个意义上说，周鸿祎最近修的并不是一次个人层面的“补课”，更是一门 AI 时代稀缺的判断课。在这场技术变革中，真实体感永远比二手经验更值钱。
