Perplexity上线AI同事，替人值夜班写修复

Perplexity 在 11 月 8 日为 Max 会员上线 Teammates，一个能进 Slack 接活、整夜盯着监控、出事自己拉日志写修复的 AI 同事。月付 200 美元、年付折合每月 167 美元。它卖的不是更聪明的模型，而是把“有人守着”这件事变成了可以按订阅购买的服务。

一、凌晨六点的那条报警，暴露了一个老问题

官方演示里有一个细节值得反复看：从美东时间晚上六点到第二天早上八点，这个 AI 同事一直挂在后台。凌晨系统报警，它自己去拉日志、定位到根因是“重试额度被设成了 0”，然后附上修复方案和回滚方案，等人早上上班点一下批准。

这段演示真正解决的，不是“AI 会不会修 bug”，而是一个更朴素的问题：夜里十四小时，谁在看？大多数中小团队的做法是轮值，或者干脆不看，等早上用户投诉再说。轮值意味着一个人整晚处于半睡半醒状态，第二天效率打折；不看的代价是故障平均发现时间被拉长到数小时。

AI 同事切入的正是这段无人值守的时间。它不要求比人聪明，只要求比人清醒。

二、它到底能做什么：五个能力边界

1. 在 Slack 里接活，而不是在独立窗口里等指令

Teammates 不是一个需要你打开的新 App，而是被拉进 Slack 频道的一个成员。你可以像给同事派活一样 @ 它，它会追问、会报进度、会在完成后回帖。这一点看起来只是交互形式，实际决定了它能不能进入真实工作流——工具要他打开，同事只要被拉进群。

2. 24 小时后台运行，只在交代过的情况下叫人

这是它和聊天机器人最本质的区别。对话式 AI 是“你问它答”，任务结束关系就断了；AI 同事是“你交代它盯”，在没人提问的时间里持续工作。演示中的设定是只在明确交代过的条件下才通知人，避免把值班变成被警报轰炸。

3. 每个队友有独立环境和浏览器

独立环境意味着它可以登录系统、打开网页、点击按钮，操作过程全部记录在线程里。人能随时接管，也能回看它每一步做了什么。对运维场景来说，“可回放”比“自动化”更重要，因为故障复盘需要证据链。

4. 上线必须人批准

它写修复、写方案、写回滚步骤，但不自己按下发布键。这条设计红线决定了它现在的定位：一个能干的执行者，不是一个有权限的决策者。企业真正害怕的不是 AI 做错事，而是 AI 在没人看着的时候做错事且无法撤回。

5. 计费方式：按月买“一个人”

Max 会员月付 200 美元，年付折合每月 167 美元，目前仅网页版。这个价格锚点很有意思：它不对标 API 调用费，而是对标一个初级工程师的月薪。言下之意是，你买的不是 token，是一个岗位。

三、横向对比：AI 同事和它旁边的三类角色

对比维度	聊天机器人	自动化脚本	夜班工程师	AI 同事
启动方式	人提问	定时或事件触发	排班到岗	被拉进群、交代任务
运行时长	单轮对话	7×24，但路径固定	8 至 12 小时	7×24，可持续跟进
异常处理	无	按预设分支	靠经验判断	拉日志、定位、给方案
权限边界	无系统权限	固定凭证	完整权限	独立环境，上线需人批准
过程可追溯	聊天记录	日志零散	靠人写复盘	操作全程留在线程
月成本	几十元起	人力维护成本	一两万元起	约 1400 元起

这张表里最值得看的是“异常处理”和“过程可追溯”两行。脚本能处理已知问题，人擅长处理未知问题，AI 同事的位置刚好在中间：它能处理“没见过但能推理”的问题，同时把推理过程留痕，让人事后判断对不对。

很多采购决策会栽在最后一行上。看到 200 美元的月费，第一反应是“比人便宜太多”，于是把原本三个人的活压给一个账号。正确的算法应该反过来：先算清哪些任务可以完全交出，再算这些任务占了多少人力，最后才是比价。顺序搞反，省下的钱会以另一种形式还回去。

四、为什么“值夜班”是这一轮最聪明的切入口

它卖的不是智力，是待命时间

大模型的智力已经卷到边际收益很低，但“待命”这件事一直很贵。一个团队要保证夜里有人响应，付出的不只是工资，还有排班成本、交接成本、人的健康成本。AI 同事把这些成本打包成一个固定月费，卖的是覆盖率，不是智商。

这也是为什么它的定价敢于对标岗位而不是对标接口。按 token 收费，客户会算“这次调用值不值”；按岗位收费，客户算的是“这个人比招一个人便宜多少”。后者的心理账户大得多。

夜班是标准化程度最高的时段

白天的工作充满沟通、协调、临时变更，AI 很难完整接管；夜间的任务高度标准化：监控、告警、初判、止血、留记录。任务越标准，AI 的胜率越高。选择夜班切入，不是退而求其次，而是找到了能力与场景匹配度最高的缝隙。

它把“AI 替代人”变成了“AI 填补空缺”

大部分企业并没有为夜班专门设岗，而是让白天的人轮流扛。这意味着 AI 同事进入时，不是在抢谁的饭碗，而是在填一个本来就没人愿意干的坑。组织阻力最小的位置，往往也是价值最容易被看见的位置。

为什么是现在：能力刚好跨过“能用”这条线

三年前做同样的事，需要写大量规则、接一堆接口，最后还是要人兜底。现在模型能自己读日志、自己开网页、自己判断下一步，工程成本从“做一个系统”降到“配一个同事”。这条线一旦跨过，产品形态就会从工具变成人力。

另一边的推力是成本。推理价格这两年持续下行，让“整夜挂着”在经济上成立。如果一次夜间值守的推理成本高于请人，这个产品根本不会存在。所以它不是模型公司的一厢情愿，而是成本曲线走到某个点之后自然长出来的东西。

一个更深的变化：排班表开始被重新设计

当夜里有人守着，白班的工作方式也会变。以前早上第一件事是处理 overnight 的积压，现在第一件事是审批 AI 给出的方案。工作从“救火”变成“审核”，对人的能力要求也从执行力转向判断力。这种转变不会一夜发生，但一旦发生，团队的编制结构会跟着变。

排班表的变化还会带来一个连锁反应：招聘标准。过去招值班工程师，看重的是熟悉系统和抗压能力；以后招同一个岗位，看重的可能是“能不能把规则写清楚”。同一个岗位名称，内核已经换了。

谁最先感受到压力

不是资深工程师，而是“只会照着手册操作”的岗位。手册能写清楚的流程，正是 AI 最容易学会的部分。

谁反而更值钱

能定义“什么情况下必须叫人”的人。这条规则的边界划得越准，AI 同事越好用。判断力成了新的管理杠杆。

五、三个可以照着抄的用法

用法一：夜间告警初判

把监控系统的告警接到 Slack 频道，交代清楚三件事：哪些告警必须立刻叫人、哪些可以先拉日志、日志要拉哪几个指标。AI 同事夜间按这套规则跑，早上交一份带时间线的初判报告。人不需要它修好，只需要它把“发生了什么”整理清楚。

用法二：客服工单的隔夜清理

夜间进来的工单，先做分类、查知识库、起草回复，标出需要人工确认的部分。第二天客服上班时，手里是一叠已经写好草稿的工单，而不是一个空收件箱。

用法三：数据对账与异常标注

财务和运营的日结对账，最耗时的不是计算，是找差异。让 AI 同事夜里跑一遍比对，把差异项、可能原因、涉及订单列出来，人早上只看差异清单。这类任务规则清晰、容错空间大，是最容易见到效果的一类。

用法四：竞品与舆情巡检

让它在夜里定时打开指定页面，记录价格、库存、活动文案的变化，早上给一份变更摘要。这类工作不需要多高的智能，但需要耐心和稳定，恰好是 AI 同事最擅长的部分。很多团队把这件事交给实习生，结果是人一走，数据就断档。

落地时的第一个动作：写一份“委托说明书”

不要直接从“帮我盯一下”开始，而是写清楚四件事：盯什么、多久看一次、什么情况必须叫人、什么情况只记录不打扰。这份说明书越像给新员工的交接文档，AI 同事的表现越稳定。它的能力上限由模型决定，产出质量由这份文档决定。

六、必须算清的三笔风险账

第一笔：权限账

能给建议和能给权限，是两件事。落地时建议从只读权限开始，让它能看日志、看数据、看工单，但不能改配置、不能发布、不能删数据。等规则跑顺了，再逐项开放写权限，并且保留人工审批。

权限设计可以借用“最小必要”原则：先问“这个任务最少需要看到什么”，而不是“它有可能会用到什么”。前者能跑通流程，后者会留下巨大的攻击面。尤其是浏览器能力，它能点开的每一个页面，都是潜在的出口。

第二笔：审计账

AI 的每一步操作都要能回放：看了什么、判断依据是什么、改了哪里。没有留痕的自动化，出事之后无法定责，也无法改进。演示里强调“操作全记在线程上”，本质上是在卖可审计性。

审计不只是为了追责，更是为了训练。把出错的任务记录整理出来，回头补充到委托说明书里，下一次它就不会在同一个地方摔倒。这个过程和带新人几乎一样：先给边界，再给反馈。

第三笔：责任账

如果 AI 给出的修复方案导致故障扩大，责任在谁？目前的答案是“批准的人”。这也是为什么它被设计成必须人批准才上线。企业采购时要问清楚一件事：审批环节能不能强制，能不能留下审批人和时间。

责任边界清楚了，使用才会大胆。很多团队不敢让 AI 碰生产环境，不是因为技术不成熟，而是因为出了事没人说得清。把“谁批准、批准了什么、当时看到的信息是什么”三件事固定下来，比任何能力演示都更能推动落地。

七、谁该买，谁可以再等等

适合马上试的团队

• 有稳定线上系统、夜间告警频繁的中小技术团队。
• 客服与运营有大量夜间工单、白天积压明显的公司。
• 已经在用 Slack 协作、流程相对规范的组织。

暂时不适合的团队

• 系统权限高度集中、无法为 AI 开独立环境的公司。
• 业务规则还没写清楚、靠老师傅经验运转的团队。
• 对数据出境和合规有极严格要求的行业，需要先做评估。

验收标准：用两周做一次小实验

先挑一个低风险、高频次的夜间任务，跑两周，只看三个指标：夜间问题的平均发现时间有没有缩短、早上处理积压的时间有没有减少、误报率高不高。三个指标里有两个改善，就值得扩大范围；只有一个改善，先修规则；一个都没改善，说明任务选错了，不是工具不行。

交接：被忽略的第四个成本

夜班交给 AI 之后，真正的新增工作量出现在早上。人需要读它的判断过程、核对它的结论、决定要不要采纳。如果这份交接材料写得含糊，白班的人要花更多时间去还原现场，省下的夜班时间又被吃回去了。

所以评估这类工具时，除了看它“能不能干”，还要看它“会不会交接”。好的交接应该包含三样东西：时间线、判断依据、待确认事项。缺一样，人就得重新查一遍。这也是为什么演示里强调“操作全记在线程上”——那不是给审计看的，是给第二天上班的人看的。

八、FAQ：关于 AI 同事的常见疑问

Q1：Teammates 现在谁能用？

目前面向 Perplexity Max 会员，仅网页版，月付 200 美元，年付折合每月 167 美元。

Q2：它会自己发布代码上线吗？

不会。演示中的流程是它给出修复与回滚方案，上线动作需要人批准。

Q3：和普通的自动化运维脚本有什么区别？

脚本走预设分支，遇到没见过的报错就停；AI 同事会拉日志、推理根因、给方案，并把过程留痕。

Q4：夜里会不会频繁打扰人？

可以设定只在明确交代的条件下通知。规则越清晰，夜间打扰越少。

Q5：一个账号能同时干几件事？

每个队友有独立环境和浏览器，适合按职责拆分，比如一个盯线上、一个清工单，而不是让一个什么都知道一点。

Q6：小团队值得买吗？

如果夜间故障会直接影响收入，值得。若业务本身没有 7×24 的连续性要求，先把白天流程跑顺更划算。

Q7：它会不会把日志里的敏感数据带出去？

取决于部署方式与数据条款。采购前要确认日志、客户信息是否用于训练，以及数据留存周期，最好先用脱敏数据试跑。

Q8：一个人能带几个 AI 同事？

按职责拆分比按数量堆叠更有效。一个工程负责人同时带三到五个，分别盯线上、工单、对账、巡检，是当前比较现实的配置。

九、写在最后：真正的竞争，是谁能买到“清醒”

AI 同事这个概念被讲了很多年，大部分产品停在“能对话”的阶段。Teammates 的进步不在于模型更强，而在于它把交付物从“回答”换成了“值守”——一个有开始时间、有交接记录、有审批环节的工作班次。

这也提醒所有做企业级 AI 的团队：客户愿意付钱的，从来不是能力本身，而是能力被组织吸收的方式。能进群、能接活、能留痕、能被接管，这四件事看起来都是工程细节，合起来才是“可以雇”的前提。

至于人会不会被替代，短期答案是不会，因为现在被替代的是那段没人愿意值的时间。长期答案取决于一件事：当 AI 把夜里的活干完，白天的人有没有把省下来的时间用在更值钱的判断上。用不好，省下来的时间会变成更多的会；用得好，一个团队能用同样的人手，守住两倍大的盘子。

还有一个更现实的判断标准：如果一项工作能被写成清晰的交接文档，它迟早会被 AI 同事接走；如果一项工作需要临场权衡、需要承担后果、需要说服别人，它就会留在人手里。与其担心被替代，不如先把自己的工作拆开看看，哪一部分其实只是“待命”和“照做”。

这两部分交出去之后，剩下的才是真正的职业护城河。

最后提醒一句：这类产品的价值不在“省了几个人”，而在“把响应时间从小时压到分钟”。故障处理里，早十分钟定位和晚十分钟定位，损失可能差一个数量级。用人力成本去衡量它，往往会低估它的真实回报。