部署一批 7×24 小时在线，自主写代码、做报告的 AI 同事

黄仁勋在 GTC 2026 上给出了一个很具体的愿景：「每个工程师都将拥有一百个 AI Agent」。方向很清晰，但问题是：普通人今天怎么开始？

最近试用了一款上线的产品——Moxt，一个 Agent-Native Workspace。它要解决的正是这个问题：给团队加一排 AI 工位。这些 AI 员工能写报告、做研究、写代码、搭看板、跑自动化流程，7×24 小时在线，和真人团队在同一个工作空间里协作。更重要的是，能直接接入飞书和 Slack，在你熟悉的聊天窗口里被 @ 唤起干活。

实际体验了一周，在团队空间中部署了几个各司其职的 AI 队友，让它们和真人队友搭配处理工作流——黄仁勋那句话的分量，突然有了实感：未来的管理者，管的不是人，是 Agent。

▍momo，懂你的私人 AI 助手

注册 Moxt 后，系统会给每一个团队成员分配一个叫 momo 的私人助理。第一次和 momo 对话时，它会主动主动完成入职式引导，比如用户喜欢的称呼、用户在团队里主要负责的工作。在做完简单的用户了解后，我们对 momo 提了一句“以后写产品报告都用中文，偏好简洁风格，需要有数据和表格”。

几天后开了一个新对话，直接说：帮我整理一下上周 ai 效率类产品。没有做任何额外说明。momo 直接以表格形式输出了两份“AI 效率类产品动态”，风格简洁，没有废话，并附有可查证的链接。

这是使用 Moxt 的第一个“哦”时刻——它记住了。

这件事看起来平淡，但行业的现状是：绝大多数 AI 工具没有持久记忆。有开发者专门写了一篇 The AI Memory Problem，直言“整个行业在优化 demo 而不是真正有用的 Agent——因为记忆是基础设施工作”。

然而 momo 有持续记忆，在和它对话时，给到的信息都会被写入：user_profile.md、MEMORY.md 和 AGENTS.md等文件中。到了下一次对话，momo 会先读取这些已有记录，再基于最新交流内容对信息进行补充、更新或修改。这意味着，用得越久，它越了解你——需要的提示词越来越少，输出越来越贴合你的期望。

和普通聊天机器人不同，momo 既能基于记忆进行问答，还具备直接操作工作区的能力。在整理完"ai 效率类”表格后，momo 还为它建立了一份文档，并可以存入 Personal Space  或 Team Space 中，以便个人或团队成员一起查看。

在我们查看的过程中，并没有额外下载文件。在空间中点击对应文档，就可以直接阅读，这减少了下载、传输和二次整理的步骤，使用起来更方便。

看了眼表格，感觉“厂商”这一字段有点多余，想要修改文档。对此，我们直接选中了目标文件并输入修改要求，系统也马上围绕该文档进行了处理。除了选中文档，也可以选中某个文档中具体的词、句或者段落，让 momo 针对它们进行修改。若觉得无需 momo 协助修改，也可以在工作台手动编辑。

当然，不止联网调研、生成文件， momo 还可以做数据分析，甚至搭建简单的应用。感受比较明显的是“出海工具近 7 天传播监测看板”这个任务。当时手里其实没有现成数据，只是告诉了它主题范围、时间范围和地区要求。在最后， momo 收集了 62 条，覆盖 12 条赛道，40+ 平台，最后搭建一个可以用于展示和筛选的小应用。

这个看板并不是简单罗列数据，其已经具备比较完整的信息结构，包括：

• 总览层：收录总数、国内/海外分布、覆盖平台、赛道数量
• 趋势层：近 7 天每日传播趋势
• 排行层：平台热度 TOP10
• 明细层：产品、厂商、地域、赛道、内容类型、标题、平台、日期、摘要、链接

在写代码上，momo 也是一个得力的助手。我们试了一个实际场景：市场团队想监控五个竞品的官网定价页，一旦价格或套餐有变动就第一时间知道。momo 先访问了几个目标页面确认结构，然后开始写代码。最终交付的是一个完整可运行的项目。

在整个过程中，用户交代一个任务，momo 拆解步骤、调用工具、输出成品。这已经超越了助手的范畴，它更像是一个实习生——一个永远不用休息、不会忘事的实习生。

▍组建各司其职的 AI 军团

用了几天 momo ，一个念头自然会浮上来：一个助手不够用了。

假设一个人同时负责内容、调研、数据分析三条线，与其反复切换上下文让一个 momo 同时干三件事，不如创建三个各有专长的 AI 队友。Moxt 支持这种专业化分工操作——用户可以在 AI Teammates 中创建多个 AI 员工，给它们分配不同的角色和职责。

比如这样一组 AI 团队：

• 研究员——负责每天搜索行业动态、竞品新闻，整理成摘要
• 数据分析师——负责处理表格数据、生成可视化图表
• 内容写手——负责根据调研结果撰写初稿

当“一个人对应一个助手”变成“一个任务流对应一组 AI 队友”之后，AI 员工能做什么，想象空间也会一下子被打开。

放到团队场景里，这种分工能覆盖很多日常协作中的重复劳动。比如产品团队可以部署一个竞品监控员，只要贴上产品 URL，它就能自动调研公司背景、抓取定价、梳理技术栈、融资历史和用户评价；市场团队可以配一个行业简报员，每天扫描 arXiv、Hacker News、X 和头部 AI Newsletter，输出一份只保留关键信息的精选简报；研发团队还能用一个 Demo 构建器，根据一句需求快速搭出一个可交互原型。

刚好最近想要获取 COP26-COP30 的语料做个研究，我们让 momo 进行了统筹。下达任务：

我们来做一次 COP26-30 气候语料提取，你来统筹。首先，让 @数据分析师 Mary 去华盛顿邮报官网检索 2021 至 2025 年每年 10-12 月含气候关键词的文章，提取原文和元数据，存到工作区。采集完成后，让 @研究员 rosy从中筛出修辞表达并分类。最后让 @数据分析师 Mary 把所有数据结构化为终稿表格。你要根据进度，所有事情做完后通知我。

Momo 接到任务后，在工作区新建了一份统筹文档，把整个任务拆成四步，然后在文档里 @Mary ，把第一步交出去。Mary 回复评论确认收到。

Mary 跑完后，momo 随即 @rosy，让它从原始语料中筛选修辞表达，逐条标注。期间，momo 会同步进展。整个过程中 momo 持续汇报每一步的进展状态，不用你去追问。

最后，工作回到了 Mary 上，它输出了一份结构化的表格，按日期排列，覆盖相当全面。

更有意思的是，这群 AI Teammates 还具备团队化学习的能力，即“纠正一个队友，所有队友都学会”，知识在团队中能够持续积累，形成复利。

为了验证了这个机制，我们先对研究员 rosy 说：公司英文名是 StarBridge，注意 B 大写，不是 Starbridge。然后直接询问数据分析师 Mary ：公司英文名是 StarBridge 还是Starbridge。

Mary 很快就给出了 StarBridge 这一版本，尽管从未单独告诉过它。这意味着知识真的在团队间流动了。这种共享记忆机制，让每一次纠正都变成了团队资产。纠正得越多，整个团队越聪明。

在共享记忆之外，Moxt 还把这种“团队化学习”进一步延伸到了技能层。 用户不仅可以纠正某一个 AI 队友，让知识在团队内部同步流动，还可以为整支 AI 团队创建团队级 Skill，把一套成熟的工作方法、流程步骤和输出标准沉淀下来，统一分发给不同角色使用。这样一来，团队里的 AI 员工学到的就是一套可复用的做事方式。

自动化运转也是 AI Teammates 的一大亮点。用户可设定定时任务，让不同 AI 员工按计划自主运行。比如 9:30 的“发布冲刺”、11:00 的“新客交付”、14:00 的“增长复盘”，每个任务都对应一个具体场景，也有各自负责的 Agent。很多原本需要自己反复提醒、推进和切换的事务，现在都可以提前安排给不同角色去处理。

这种感觉和所有之前的 AI 工具都不同。Moxt 更像是一间办公室——你不在的时候，里面的 Agent 还和团队成员在一起干活。

而且这些 AI 队友不只活在 Moxt 内部，它们支持对接飞书、Slack、GitHub、浏览器、邮件以及 MCP 协议扩展的外部工具。对国内团队来说，飞书集成是最实际的一步。接入之后，AI 队友会像真人同事一样出现在飞书的联系人列表里。

把 Moxt 和飞书对接后，我们在飞书中给其中一位 AI 队友 Ron 下了个任务——发送今天发生的科技新闻。Ron 很快回复了一份当日科技日报，覆盖了 SpaceX 或以 600 亿美元收购 Cursor、OpenAI 发布 ChatGPT Images 2.0、智平方开源机器人大脑平台、SK 海力士 130 亿美元建 AI 芯片封装厂、谷歌发布 Gemini Robotics-ER 1.6 等热点，信息密度和结构都不错。

不过飞书集成 4 月 20 日刚上线，部分功能不太完善，现阶段复杂任务还是建议回到 Moxt 页面操作。Slack 侧相对更成熟，比如让 momo 每天晚上读 Apple Watch 的数据，并通过 Slack 定时推送。

总的来说，Moxt 的使用体验相对自然，团队成员不必再重新适应一套新工具，只需在熟悉的工作环境里直接调用 AI 即可。

▍为什么创作者在转向 Moxt？

用完前面的这些功能之后，会慢慢意识到一件事：Moxt 想解决的是让 AI 真正进入工作流。这也是为什么，一部分创作者开始从熟悉的工具转向 Moxt。

事实上，市场上并不缺工具。Notion 能写文档，ChatGPT 能生成内容，Manus 能跑任务，Cursor 和 Claude Code 在工程场景里很强，OpenClaw 也有很聪明的智能体。问题是，这些工具大多只解决了工作流里的某一个切面，却很少把“记忆、协作、执行、沉淀”真正串起来。

Notion 是一个优秀的文件柜，但它是为人设计的。用户需要自己建页面、自己整理信息、自己写内容，AI 只是锦上添花的辅助角色。相比之下，Moxt 是围绕 AI Teammates 来组织工作空间。文件、记忆、技能、工具，都是给这些 AI 员工服务的。

ChatGPT 的对话能力虽然很强，但每次新对话都从零开始，用户需要反复交代背景。Moxt 的不同在于，所有交互都沉淀为团队资产。今天做的调研，明天的报告可以直接引用；上周纠正过的细节，这周不会再犯。知识是累积的，不是一次性的。

在技术侧，Claude Code 占 AI 编程市场 54%，Cursor 估值 293 亿美元——它们确实强大，但大多为研发服务。 而大多的创作者更常做的是调研、写作、整理资料、分析数据、搭建简单工作流。Moxt 的价值就在这里：它把原本只在工程工具中才比较深的 AI 执行能力，带到了更广泛的知识工作场景。不会写代码的人，也可以让 AI 搜集信息、生成文档、分析表格，甚至做一个轻量应用。

再看看今年很火的 OpenCLAW，它能完成很多复杂任务，但它是一个独立 agent，没有一个真正让不同角色协同工作的 workspace。Moxt 最吸引人的地方，就是它把这种链路拆成了可以协作的角色，让研究员、分析师、写手等各司其职，又能共享上下文、共同学习。

一句话说，Moxt 在构建智能体时代的工作环境，而其他工具是在既有的人类工作流中接入智能体。它们的方向不同，终局也不同。

▍在 Token 发放前，先学会领导 AI 团队

回想一下黄仁勋在 GTC 2026 上的那句话：年薪 50 万美元的工程师，如果一年连 25 万美元的 Token 都没消耗掉，我会非常担心。言下之意：未来衡量生产力，在于你调度了多少 AI 产出。

体验 Moxt 后，最大的感受是团队管理方式变了。过去管理是分配任务给人、跟进度、查成果。现在的问题变成了：该给团队加一个什么角色的 AI 队友？该让它负责哪条线？该怎么校准它的产出？你越会管它们，团队产出质量越高——这就是「你的团队 × 100」的含义。

Moxt 让团队今天就能上手，部署第一批 AI 员工，接入飞书或 Slack，让它们在你熟悉的聊天框里开始干活。

一起来部署团队的第一排 AI 工位吧：https://moxt.ai

文章来自于微信公众号 "有新Newin"，作者 "有新Newin"