Notion 团队：为什么真正难的不是做 Agent，而是重做整个工作系统

📌 一句话摘要

本文总结了 Notion 团队在 Latent Space 播客中的核心观点，揭示了构建 AI Agent 产品的真正挑战在于重构底层工作系统，而非单纯叠加模型能力，并分享了他们在可靠性、权限、检索和产品判断上的实践经验。

📝 详细摘要

本文是对 Notion 团队核心成员 Sarah Sachs 和 Simon Last 在 Latent Space 播客访谈的深度总结。文章指出，Notion 的目标并非为文档软件添加一个聊天助手，而是将整个企业工作系统（记录、协作、检索、推进）改造为同时服务于人类和 AI Agent 的底座。核心挑战在于围绕可靠性、后台运行、权限管理和检索逻辑进行系统性重构。文章分享了 Notion 在 Custom Agents 开发上的多次迭代教训，强调了产品判断的关键在于“不逆着模型能力游泳”，并深入探讨了 MCP 与 CLI 的适用场景、Eval 与工具质量的重要性，以及当流量主要来自 Agent 时，搜索、索引等底层设施必须重写的现实。最终结论是，未来工作软件的竞争将取决于谁能率先将整个系统改造为 Agent 真正能工作的环境。

💡 主要观点

- 构建 AI Agent 产品的核心挑战是系统性重构，而非功能叠加。 Notion 的经验表明，难点不在于模型本身，而在于将权限、检索、协作、任务推进等底层工作流整合成一个 Agent 可理解、可调用的可靠系统，这需要重做整个产品底座。

正确的产品判断是“不逆着模型能力游泳”，并提前搭建基础设施。 团队需区分问题是源于模型能力的极限，还是源于未提供正确的信息、工具和基础设施。一旦确认方向正确，就应提前构建产品能力，以免在模型成熟时措手不及。

当 Agent 成为主要用户时，搜索、索引和排序逻辑必须彻底重写。 Agent 的查询方式和需求与人类不同（如更关注 top-k 召回率和并行搜索），这迫使 Notion 将传统搜索优化转变为一条完整的“agentic find”链路，涉及索引、排序和上下文压缩的底层改造。

Agent 的地基是 Eval、Harness 和工具质量，而非过度依赖模型微调。 Notion 踩过重度训练的坑后，发现外循环（模型与系统交互）更为关键。通过回归测试、质量评估和修复工具 bug 来提升可靠性，比将模型微调到理解频繁变化的工具更有效。

未来的工作软件必须为人和 Agent 进行双重设计。 Notion 预测其大部分流量将来自 Agent，这意味着产品界面、数据库、权限系统等所有层面都需要同时考虑人类和 Agent 的可调用性与可理解性，这将成为未来竞争的核心。

💬 文章金句

- Notion 真正在构建的，不是一堆孤立的 AI feature，而是一个让企业知识、流程、权限和协作关系可被 Agent 理解的工作底座。

• 一个关键能力是别让自己一直逆流而上。你得尽快判断，自己到底是在对抗模型当前的极限，还是只是还没给它对的信息、对的工具和对的基础设施。
• MCP 就是那个笨但简单、而且能工作的东西。对于窄能力、轻量级的 Agent，这其实非常有价值。
• 99% 的时候，问题其实出在某个工具的 bug 上，那就把 bug 修掉。
• 未来，我们的大多数流量会来自使用我们界面的 Agent，而不是人类。

📊 文章信息

AI 初评：88

来源：晚点再听LaterCast

作者：晚点再听LaterCast

分类：人工智能

语言：中文

阅读时间：17 分钟

字数：4211

标签： AI Agent, Notion, 工作系统, MCP, 产品设计

阅读完整文章