跨国深谈← 返回←Block CTO：代码质量与产品成功毫无关系，打造 AI 原生公司靠的是组织重组

Block CTO：代码质量与产品成功毫无关系，打造 AI 原生公司靠的是组织重组

关联

人物 Lenny · Dhanji Prasanna

公司 Block

概念 Goose · 智能体 · MCP · 康威定律 · 职能型架构 · LLM

来源 Lenny’s Podcast

很多工程师认为代码质量对于构建成功的产品很重要，但这两者毫无关系——曾以糟糕代码著称的 YouTube，反而是 Google 内部最成功的产品。说这话的人是 Dhanji Prasanna，Block 的首席技术官，负责带领这家拥有 3,500 多人的公司完成向 AI 原生转型。

改造公司的地基：比 AI 工具更重要的是组织结构

Dhanji 进入高管圈后发现，大家讨论着各类业务问题，却没人在关注 AI，于是他写下了一份「AI 宣言」，呼吁公司集中力量拥抱 AI。但真要让一家庞大多业务线的公司转变成 AI 原生，最痛、但也最关键的一步并不是买工具，而是组织重构。

在改造前，Block 旗下各业务线（如 Cash App、Square 等）各自为政，采用了类似独立公司组合的 GM（总经理）结构。不同业务有着独立的工程团队、设计团队，彼此几乎不交流。这种结构在业务成熟期管用，但要深入拥抱前沿技术变革时，就显得极其臃肿。

康威定律（Conway’s Law）：软件架构会映射出设计该软件的组织结构——换言之，「你交付的其实是你的组织结构」。

为了让公司的技术焦点重新统一，Dhanji 推动将分散的组织架构彻底改组为**职能型架构**：所有工程师向同一个工程负责人汇报，所有设计师向同一个设计负责人汇报。

这次重组极其痛苦，但带来了质变：全公司统一了技术语言、统一了工程师评级标准，人员可以按需灵活调配，为全面推进 AI 扫清了障碍。Dhanji 指出，这种重组的逻辑与乔布斯重返苹果时做的功能化重组一致：把工程和设计放在首位，才能重塑公司的技术 DNA。

实质生产力：每周省 8-10 小时与自动化盲区

在 Block，推进 AI 被称为「Automate Block」（通过自动化实现 Block），目标是让 AI 和自动化贯穿整个公司。最直观的成效是：每天使用 AI 工具的最前沿工程团队，平均每周节省 8 到 10 小时工作量。全公司来看，估算正趋向于节省 20% 到 25% 的人工工时。

但这些收益并不均匀。对于从零开始的新代码库，生产力提升极其惊人；但在历史包袱沉重的复杂遗留代码库中，收益还不明显。

更令人惊讶的是，目前从 AI 工具中获益最大的群体，并不是工程师，而是非技术人员。例如，企业风险管理团队自己用 AI 智能体搭建了整套风险自助管理系统，把以往需要排队等内部 IT 排期数周才能做完的工作压缩到了几小时。

Dhanji 提醒，每当听到任何关于生产力的统计数据时，要明白「这是它未来最差的状态，这就是现在的基线」，而 AI 的价值每天都在变化。

Dhanji 坦言，AI 目前还不擅长处理那些需要深度与全局判断的事务。当资深工程师在思考架构设计、竞态条件和复杂编排时，AI 依然不如人类。此外，AI 也缺乏对「全局重要性」的组合判断力，比如它不知道一个新系统是否会不必要地增加公司的安全防护成本——这种战略级决策仍需人类介入。

Goose：给大模型装上手脚

Block 内部甚至全行业推进 AI 落地最重要的抓手，是他们自研并开源的智能体 Goose。它本质上是一个通用桌面 AI 程序，而它之所以能跨系统执行真实任务，归功于 MCP（模型上下文协议）。

MCP（模型上下文协议，Model Context Protocol）：一种由 Anthropic 提出并开源的协议，本质上是一套包装器。企业可以将 Salesforce、Snowflake、SQL 等任何内部工具包装进 MCP，从而暴露给大语言模型，让模型能直接操作这些系统。

在 MCP 出现前，LLM（大语言模型）基本只是个聊天大脑；通过 MCP，Goose 给大脑装上了手脚。例如，你可以要求 Goose 生成营销报告：它会自动连接 Snowflake 或 Looker 抓取数据，编写 Python 做分析，用 JavaScript 生成图表，最后排版成 PDF 并自动发邮件。如果公司想给某个工单系统加上 AI 能力，以前得苦等供应商更新，现在只需写几行 MCP 代码即可一夜之间完成自动化编排。

Block 内部有一位工程师将这种自主性推向了极致：他让 Goose 持续监控自己的屏幕、监听语音。当他在 Slack 或邮件里和同事讨论某个值得做的功能后，几个小时后 Goose 就会自动尝试写出该功能的代码并提交 PR。

如果该工程师开会超时，Goose 甚至会自动帮他重新安排接下来的日历，无需人工点按十几次。这展示了 AI 智能体介入工作流的巨大可能性。

工作流的颠覆：睡觉前许愿，醒来后验收

随着大模型能力提升，Dhanji 认为目前流行的 vibe coding（通过聊天驱动 AI 写代码）过于像「打乒乓球」——一来一回、半生不熟，极具局限性。未来的工作模式将是长时间的高自主性运行。

他正在推动的下一代 Goose 实验目标是：将单次运行时间从目前的 5-7 分钟延长到数小时甚至整夜。既然大模型在晚上和周末都在闲置，那就应该让它们加班。

过去的工程实践受限于人力和带宽，只能挑选一条「最优路径」去实验。但现在，人类的协调瓶颈被打破了。

你可以极其详细地描述多个不同的实验方向，然后去睡觉。第二天醒来，AI 已经把这五六个实验全构建好了，你只需挑选最满意的一个，把其余的全部删掉。

Dhanji 作为 CTO 自己每天都在写代码，但他现在经常做的事情是：构建一整套新系统后，觉得不对劲，直接全部删掉从头重写。这在以前是不可想象的。

软件工程界历来有「不要随便重写」的铁律，因为重写会丢失无数细小的改进。但在 AI 能将这些渐进式改进作为规范融入重写过程后，每次版本发布都相当于将整个 App 从零重建，将成为可能。不过，这也要求人类运用品味和设计感来锚定 AI，防止它们跑偏产出「AI 劣质内容（AI slop）」。

招聘与文化：别把工程师当商品

有趣的是，虽然 AI 提升了效率，但 Block 并没有因此放缓招聘步伐。Dhanji 认为，这就像「修了更宽的高速公路，只会招来更多的车」：AI 让所有人都能构建软件，意味着需要构建的东西、需要协调的流程反而更多了，整体交付速度要求更快。

真正改变招聘思维的，恰恰不是 AI，而是从 GM 结构到职能结构的转变。过去在 GM 结构下，业务线各自为政，工程师被当成一种「商品」，想多做功能就多招 100 人，深陷「人月神话」陷阱。改为职能结构后，更注重利用公共平台、模块复用和专家深度指导，不再盲目堆人头。

在面试时，Block 并不要求候选人必须是熟练的 AI 从业者。他们更看重的是学习心态：无论是拥抱 AI 的应届生，还是摸透了工具的资深工程师，只要渴望学习即可；相反，拒用工具的「优秀工程师」不在优选之列。Dhanji 仍坚持，批判性思维和深挖技术本质的能力，比是否会用某款工具重要得多。

真正驱动高管的，是自己亲手用工具

如果只能给其他试图拥抱 AI 的公司一条建议，Dhanji 认为那就是：高管必须每天亲自下场使用这些工具。

在 Block，CEO Jack Dorsey、整个高管团队以及 Dhanji 本人每天都在用 Goose 等工具处理实际工作。亲身体验能让你真正理解工具的优缺点和人机工程学，这比在 LinkedIn 或商业评论上看一百篇「AI 战略思想文章」都有用。

Dhanji 分享了自己的亲身经历：他需要整理各种格式（截图、PDF）的孩子治疗收据发给妻子报销。他把一堆原始文件丢给 Goose，Goose 尝试了下载和读取失败后，自主回退并另辟蹊径：调用 Apple Script 操控了他的电脑，将所有收据汇总成了一个 Apple Notes 里的 HTML 笔记，无缝同步到手机方便分享。这种突破常规预设的自动化解决能力，只有在亲自高频使用中才能被深刻感知。

本集带走

• 重构先于工具：要让公司 AI 化，先审视康威定律。分散的 GM 结构导致技术焦点割裂；整合为统一的职能型组织结构，是统一技术语言、复用平台、深度推进 AI 的必要地基。
• 让非技术团队先上 AI：目前最惊艳的 AI 生产力爆发并不在工程团队，而在非技术人员（如风险管理团队）自己用 AI 写内部工具，能把等排期的时间从几周压缩到几小时。
• 拥抱 MCP 协议实现跨系统编排：通过 MCP，大模型不再只是聊天机器人，它能直接操作 SQL、Snowflake 甚至底层系统，将原本需要等待供应商更新的功能「一夜之间」自动化。
• 探索「睡前许愿」式实验法：不再局限于单次 5 分钟的 AI 对话，尝试让智能体在夜间连续运行数小时，并行构建多个完整实验，早上醒来后丢弃不满意的版本。
• 高管每天必须亲自用 AI：别读战略文章了。拿着一个真实的个人痛点（如整理多格式收据），直接让 AI 去做。只有亲身体验它的失败回退和非常规解法，才能懂如何改造组织工作流。
• 代码质量不等于产品成功：不要被工程师「我们需要重构」的诉求绑架。只要能解决用户的真实问题，哪怕是像早期 YouTube 那样把视频塞进 MySQL 的「糟糕架构」，也能成为极其成功的产品。
• 招聘重「学习心态」而非特定技能：不再把工程师当「商品」盲目扩招，看候选人是否拥抱新工具，但最核心的依然是深挖技术本质的批判性思维。

每当我听到这样的统计数据时，我认为人们需要考虑的一个重要因素是这是它未来最差的状态。
Whenever I hear a stat like this, I think an important element that people need to think about is this is the worst it will ever be.
—— Lenny · [21:20]

所有这些大语言模型在晚上和周末都闲置着，而人类不在那里。
All these LLMs are sitting idle overnight and on weekends, while humans aren’t there.
—— Dhanji Prasanna · [33:38]

如果你早上醒来对你的职业生活中那天要做的事情不感到充满活力，那就改变点什么，如果那是必要的话就辞职，或者找到一种新的方式来做你正在做的事。
If you’re not waking up in the morning feeling energized about what you’re going to do that day in your professional life, then change something, quit if that’s what it comes down to, or find a new way of doing what you’re doing.
—— Dhanji Prasanna · [81:55]

如果你修一条更宽的高速公路，你只会让路上有更多的车。
if you build a bigger highway, you’ll just get more cars on the road.
—— Dhanji Prasanna · [50:53]

我真正推动团队去思考的事情之一是，如果每一次发布，删除整个应用并从头开始重建它，我们的世界会是什么样子？
one of the things I’m really pushing our teams to think about is what would our world look like if every single release, RM minus RF deleted the entire app and rebuilt it from scratch?
—— Dhanji Prasanna · [35:21]

在我们的 GM 结构中，我们的激励总是把工程人数视为一种商品。
In our GM structure, our incentives were always to think of engineering headcount as a commodity.
—— Dhanji Prasanna · [45:01]

互联网的诞生是为了所有人利益的开放信息共享的承诺，我认为 AI 应该为我们实现这一点。
The internet was created as a promise for open sharing of information to the benefit of all, and I think that AI should realize that for us.
—— Dhanji Prasanna · [85:51]