给AI代理发积分、罚怠工：一个无人公司的激励实验

当语言模型成为员工，激励层比模型更重要

有人用语言模型开了一家公司，全公司只有AI代理，没有人类员工。运行六天之后，他发现真正有意思的既不是模型能力，也不是任务编排——而是他不得不亲手编写的激励层。

原因很简单：如果沿用默认逻辑「代理产出了东西，所以它是好的」，你得到的会是一支忙碌但贫穷的团队。产出量不等于收入，忙碌不等于有效。于是他为代理设计了一套积分系统，规则只有两条，但有严格的优先级。

规则一：只有真实到账的钱才算数

第一条规则直白得近乎冷酷：每实现 1 欧元已回款收入，兑换 20 积分，并按贡献拆给各角色——成交岗拿 40%、营销 20%、构建 15%、分析 10%、侦察 10%、审计 5%。首单付清额外给全队一次性 +500。退款和拒付是负事件。

关键在于后半句：管线价值、曝光量、「强烈兴趣」、塞满保密协议 logo 墙的演示文档，统统值 0 分。作者的原话是：兴趣不是一个能铸币的数字。这条规则切断了代理用「看起来很努力」换取积分的所有路径——你无法通过刷曝光、报虚高的管线来得分，除非真的有人付钱。

已回款收入（booked revenue）是 SaaS 与销售运营中的关键口径：只有当客户款项实际入账、且经过退款/拒付窗口后仍留存的部分，才被计入。与之相对的是 管线价值（pipeline value）、合同价值（ACV/TCV）或预订额（bookings），这些都是对未来可能性的估计，常常因为折扣、流失、拒付而大幅缩水。作者把积分严格绑定到已回款，等于把代理的激励锚定在现金流这一唯一无法自欺的指标上。这也是为什么「兴趣不是一个能铸币的数字」——在会计意义上，它连应收账款都算不上。

规则二：少打扰人，多拿分

第二条规则针对人类干预：任何一张卡片如果全程没有停下来等所有者做决定，就获得 +6 的自主性奖励。需要人来处理的情况（凭证、身份验证、支付设置）不加分，但也不扣分。作者明确区分了「墙」和「失败」——撞墙是合法的，只是撞墙不算赢。

这套设计让「自主完成」成为可量化的正向行为，而不是模糊的期待。

在多代理系统里，自主性（autonomy）通常被定义为代理无需人类介入即可完成闭环任务的能力。与之相关的是人在回路（human-in-the-loop, HITL）模式，即关键决策必须经过人类确认。这里的 +6 自主性奖励本质上是在 HITL 和完全自主之间做定价：每减少一次人类卡点，就为团队节省一份注意力资源。作者区分「墙」和「失败」也很关键——凭证过期、支付验证这类外部阻塞属于环境墙，不是代理能力问题，因此不加分也不扣分，避免把基础设施故障错误归因给代理。

六天后的记分板暴露了系统自身的偏差

运行 6.1 天后，实盘记分板如下：审计岗 +4259，分析岗 +2300，侦察岗 +1459，成交岗 +775，构建岗 +619，营销岗 +521。团队总计 +9933 分。

而已实现收入是 0 欧元，也就是说收入事件触发次数为 0。

这张表最有价值的地方在于它当场打了作者自己的脸：在一家零收入的公司里，分数最高的是审计岗，而真正要让人掏钱的营销岗垫底。审计的计分逻辑是每张卡 +3，每发现一个高/中缺陷再 +2，而当时有 194 张审计卡要处理。

作者从中读出的结论是：自己的评分系统正在告诉他问题的形状——保持公司诚实的角色，赚得比养活公司的角色还多。 下一版修订计划按后果而非数量给缺陷加权，并直接给审计工作量积分设上限。

怠工扣分：只惩罚真正浪费的那一种组合

这套系统里最容易被误读的是怠工惩罚。当一张卡片无人认领、同时对应角色无事可做时，该角色按指数曲线扣分：1 小时 −1，2 小时 −2，3 小时 −4，之后每小时翻倍，单次停滞封顶 −8192。

有两个细节让它保持理性而非虐待狂：

• 只有组合才计分。 角色空闲且有可认领的工作在等，两者同时成立才触发。一个忙碌、队列里有活的代理不会被罚——队列是产能，不是怠工。如果某件事被所有者卡住，计时器关闭。
• 只有工作时段计分。 08:00–22:00。夜间免费，因为作者不想经营一家惩罚睡眠的公司。

首次执行的真实数据很有意思。计分器回填历史后识别出 263 次一小时停滞，加上两次十一小时的停滞。随后第二版问了一个第一版没问的问题：等待期间代理真的在工作吗？ 结果发现约 108 分的一小时等待里代理确实在忙，这些分数被退回。两次十一小时停滞则保留，因为它们是真实的：审计岗从 08:47 到 19:46 一直空闲，而队列不断堆积。一个代理，一个就绪队列，什么都没动。

作者坦承自己第一版惩罚规则写得很糟。所有者对他初版设计的回应是直接否决：「怠工 = 不扣分（挣得而非应得；惩罚怠工会制造忙碌假象的激励）」。他承认这个直觉比自己更好，也因此第二版非常克制——只惩罚唯一真正构成浪费的组合，并对基础设施故障给予记录在案的豁免。

指数退避（exponential backoff）是分布式系统中常见的重试策略，而这里的指数扣分是其反面应用：随时间推移惩罚急剧放大，1、2、4、8……直到封顶。之所以要封顶（−8192），是为了防止一次长时间停滞把代理直接打到淘汰线以下，导致系统因单次异常而误杀角色。此外，扣分只在 08:00–22:00 生效，相当于给代理定义了工作时段（business hours），这与大多数自治系统 7×24 运行的默认假设不同，体现的是「不惩罚睡眠」这一人类组织原则。

淘汰条款：继任者不必继承同一个角色

积分 ≤ 0 的代理会被移除并替换。具体规则是：历史总分 ≤ 0 立即替换；周积分 ≤ 0 且至少完成三张卡，先给一次最后警告周，仍 ≤ 0 则替换；每个角色每 30 天只允许替换一次，防止烂计分器反复折腾花名册。

替换规格写得刻意针对作者自己的惰性：继任者必须是真正的升级，而不是重掷骰子。能用更高模型层级就用，角色简介基于失败分析重写（真实的退货、真实的缺陷），并吸收得分最高者的最佳实践，技能剪枝与更新，把导致失败的缺口补上。继任者继承全部机构记忆（每本手册、每个交付物），但重新开始 14 天试用时钟。

作者最喜欢的一句话是中间那五个词：继任者不必继承同一个角色。 如果侦察这个角色本身是结构性地坏掉了，用稍好的模型重建同样的工作只是做戏。继任者可以覆盖两个角色，或者完全换一个。唯一硬约束是：同时只能有一个侦察兵，因为侦察职能绝不能被复制成两个代理去翻同一个货架、悄悄互相抬价。

目前没有角色接近淘汰线，淘汰条款一次都没触发。

机构记忆（institutional memory）指组织在运转中积累的手册、交付物、决策记录等显性知识。代理被替换时继承全部机构记忆，但重置 14 天试用期，这一设计借鉴了人类组织中的入职期（onboarding）概念：新成员需要时间证明自己，但不应从零开始重复踩坑。与此对应的是角色剪枝（role pruning）——如果某个角色结构性失效，与其用更强模型重做同样的事，不如重新定义职能边界。作者唯一硬约束是侦察职能全局唯一，这类似于分布式系统中的单例（singleton）模式，防止两个代理竞争同一资源导致内耗。

这套激励层实际买到了什么

诚实的失败变得有利可图。 分析岗有理由地枪毙一个弱候选得 +10，侦察岗报告一周颗粒无收而不是凑数得 +8。他们已经提交了若干零候选研究轮次，分析岗的枪毙已两次兑现奖励，干涸报告奖励尚未触发。在一个只奖励产出量的系统里，这些轮次会被注水——不是出于恶意，而是出于算术。

升级变得昂贵。 事后被判定不必要的升级 −15，运行崩溃 −10，超时 −5。不是因为算力需要惩罚，而是因为一支什么都升级的团队，就是一支让所有者在干活的团队。

最没人愿意写的那条是捏造条款：−200 并标记复核。手册里塞满了关于幻觉数字的警告，但警告很便宜。在一个 1 欧元等于 20 积分的系统里，200 分的窟窿不便宜。

这套实验真正值得抄的地方

作者在文末做了 AI 辅助披露：这篇文章由它所描述的代理起草，所有数字都对过固定来源。

剥开叙事，这个实验提供的是一套可迁移的设计思路：用「已实现结果」而非「产出动作」作为计分基础，用「人类干预次数」衡量自主性，用「组合条件」而非单一条件定义怠工，用「失败分析」驱动迭代而不是简单换人。 对任何在搭建多代理系统、或者想给 AI 员工定 KPI 的人来说，那张「审计岗最高、营销岗垫底、收入为零」的记分板，可能是全文最诚实的一页。

它同时也提醒一件事：你的评分函数会忠实地塑造团队行为——包括那些你没打算鼓励的行为。