8.0
热点
AI SCORE
编程提效2026-03-28 08:00
Notion 创始人不写代码：AI 编程工具成熟见证
宝玉 AI#AI编程#Agent工作流
Editor brief · 编辑速览
讲述 Notion 联合创始人以 AI Agent 驱动开发的实践，Agent 连续运行 13 天、半年推倒重写的幕后故事，体现 AI 编程工具的成熟度。
讲述 Notion 联合创始人以 AI Agent 驱动开发的实践，Agent 连续运行 13 天、半年推倒重写的幕后故事，体现 AI 编程工具的成熟度。
Simon Last 是 Notion 的联合创始人，也是 Notion AI 背后的核心推动者。他和另一位联合创始人 Ivan Zhao 于 2013 年创办 Notion，目前平台用户已超过 1 亿。
在这期访谈中，Simon 讲述了 Notion AI 的完整发展历程：从 2022 年墨西哥全员大会上第一次体验 GPT-4，到推出写作助手、语义搜索，再到经历三四次失败后做出通用 Agent，以及最近发布 Custom Agent。
他还分享了自己使用编码 Agent 的工作方式——他的个人纪录是让一个 Agent 连续运行 13 天——以及 Notion 的使命如何从“帮助人们做事的工具”，转变为“帮助人们管理 Agent 的工具”。
访谈来源：No Priors 播客第 153 期，2026 年 3 月 12 日，主持人 Sarah Guo。
Notion 的 AI harness（围绕大模型构建的系统层）大约每六个月就会推倒重写一次。很多公司做完一个版本便不再改动，Simon 认为这是一个常见错误。
Notion 尝试了三到四次，才做出真正可用的通用 Agent。2025 年 9 月，Notion 发布 Personal Agent；2026 年 2 月，又发布了可以自主运行的 Custom Agent。
编码 Agent 用得好，产出可以比人类编写的代码更加健壮；用得不好，产出就全是垃圾。关键在于如何设计验证循环，而不是“凭感觉编程”。
Simon 的个人纪录，是让一个编码 Agent 连续运行 13 天。他每天睡觉前都会给 Agent 安排任务，目标是第二天醒来时，Agent 仍然没有做完。
Notion 还专门为 Agent 设计了新的 API：页面使用自定义 Markdown 方言，数据库使用 SQLite 语法。原有的 JSON 格式对 Agent 来说太过冗余。
Notion 将自己称为“模型界的瑞士”：不锁定任何一家模型厂商，并且已经开始上线中国的开源模型。
Notion 的使命也发生了根本转变：从“为人类创造最好的直接做事的工具”，变成“为人类创造最好的管理 Agent、让 Agent 替你做事的工具”。
Sarah 问 Simon，听说 Notion 第一次接触 GPT-4，是在墨西哥举行的公司全员大会上？
Simon 说，那是在 2022 年。他一直在关注 AI 领域的进展，但直到真正拿到 GPT-4 的测试权限，事情才变得“非常、非常真实”。
当时，他和 Ivan 都拿到了一个类似 ChatGPT 的早期界面。两人很快发现了两件事：
“当我们试用之后，对我们俩来说，一切立刻就变得非常清楚：现在就是开始思考如何应用它的时候了。它只会越来越好。”
他们随即制定了一个短期计划和一个长期计划。
短期计划非常明确：在文档中加入写作助手，让用户选中文本后，可以请 AI 帮忙改写或生成内容。团队为此组建了一支突击小队，并在两三个月后发布了产品。
长期计划则更加大胆：打造一个通用 Agent，把 Notion 中所有人类可以使用的工具都交给它，让它能够自行创建数据库、撰写文档、执行搜索，并将这些操作串联起来，完成更长链条的任务。
短期计划很快上线了，但长期计划在当时根本无法正常运行。
【注：Simon 和 Ivan 通过 Twitter 上的 Tools for Thought（思维工具）社区相识，并于 2013 年创办 Notion。Notion 在 2024 年达到 1 亿用户，2025 年 ARR 约为 6 亿美元，估值约为 110 亿美元。】
Notion AI 的第一个功能是 AI Writer，于 2023 年 2 月向所有用户开放。
这是最容易实现的一类功能：它处理的是单步任务，例如改写和编辑文本，不需要检索，只需要直接调用模型。
紧接着，团队开始开发 Q&A 功能：为整个工作空间建立语义索引（semantic index，也就是将文本转换为向量，从而按照语义而非关键词进行检索），然后让用户提出问题，由 AI 给出基于来源的回答。
Q&A 于 2023 年 10 月上线，但其工程量要大得多。它不是简单地接入一个大模型，而是需要构建一套能够实时更新的索引系统，并认真搭建评估体系，以保证结果质量。
Q&A 上线后，Simon 立刻意识到，索引范围应该扩展到 Notion 之外。因此，团队开始接入 Slack、Google Drive 等外部数据源。
Sarah 追问：这些平台自己的搜索功能都没有做好，Notion 凭什么认为自己可以做得更好？
Simon 笑着说，他们也很困惑，为什么大多数公司会把索引做得这么差。
在他看来，关键在于两件事。
第一，是通过长期浸泡形成的 AI 直觉。他使用的说法是 AI-pilled savviness，也就是清楚模型能做什么、不能做什么。
第二，是工匠精神和对细节的关注。
每一种数据源都不一样。你不能使用同一套方案处理 Slack 和 Google Drive，因为它们承载的是完全不同类型的信息。团队必须尝试大量不同的查询，在日常工作中持续使用产品，并不断迭代分块策略和检索流程。
Sarah 问，Notion 工作空间的组织方式千差万别，这是否会给搜索带来巨大挑战？
Simon 的回答有些反直觉：在向量嵌入（embedding）时代，工作空间的组织结构其实没有那么重要。
AI 并不关心你的文件夹树状结构是什么样子，它只关心是否存在一段文本，包含了用户需要的信息。
Simon 现在甚至会建议用户：“不要过度纠结组织方式，把东西扔进去就行。”
当然，分块策略（chunking strategy，也就是把长文档切分成多大的片段供系统检索）等技术决策仍然十分关键。但这些决策对用户是透明的，与用户如何组织自己的内容没有关系。
Sarah 说，Ivan 特别嘱咐她一定要问一个问题：Notion 的 AI harness 到底重写过多少次？
【注：harness 在这里是指围绕大模型构建的整套系统层，包括 prompt 管理、工具调用、上下文拼装和输出处理等。】
Simon 说，这已经成了公司内部的一个梗。
Notion 大约每六个月就会重写一次 AI harness，而且重写周期还在不断缩短，因为技术进步正在加速。
他认为，很多公司都会犯一个关键错误：做完一个版本之后，便将其固定下来，不再改动。
团队必须时刻关注模型和技术的最新状态，然后围绕当前状态，对整个系统和产品进行深度设计。这意味着，大约每六个月就要重写一次。
“我觉得这挺有趣的。这就是整个过程的一部分。你可以重新开始，重新思考。”
Simon 说，他们马上就要发布新版 harness，同时已经开始思考再下一版了。
Sarah 接着问：既然 Notion 如此愿意推倒重来，编码 Agent 是否让这件事变得更容易了？
Simon 说，完全正确。
他大约从 2025 年 4 月开始使用 Claude Code，从此工作方式彻底改变。
他将编码 Agent 的演化分为几个阶段：
关键在于，开发者必须认真思考架构和验证循环。
这不是“凭感觉编程”（vibe coding），也不是随口说一句自己想要什么，然后就不再管了。
你必须想清楚：
然后，再让 Agent 帮助你执行整个过程。
“如果使用得好，你可以去做比以前更有野心的事情，而且可以让产出比人类编写的代码更加健壮。反过来，如果使用得不好，产出就全是垃圾。”
Notion 内部还发生了一个有趣的变化。
设计团队创建了一个名为 Design Playground 的 git 仓库。它相当于一个简化版 Notion，包含大量 UI 基础组件，以及一个内置 Agent。
所有设计师都可以使用它快速构建高保真、可部署的原型。
过去，大家讨论设计方案时，只能指着一张静态图片问：“这个最终会是什么样子？”
现在，设计师可以直接交付一个能够打开和体验的 URL。
整个工程团队都在经历类似的变化。内部环境变得稍微混乱了一些，但 Simon 说，他喜欢这种混乱：更多原型、更多实验，而且每个 PR 都更有野心。
Sarah 问：对于涉及数据安全等高风险的部分，Notion 是否会划定边界？
Simon 说，所有 PR 仍然必须接受代码审查。
现在的 PR 通常由 Agent 编写，规模更大，也更加复杂，这是不好的一面。
但好的一面是，测试覆盖率大幅提高。Simon 个人现在不会提交任何缺少完整单元测试的 PR。
Sarah 问，AI 工具对团队规模和人才结构产生了什么影响？
Simon 说，核心变化在于：每个人的产出上限都大幅提高了，而实际产出越来越取决于个人使用工具的能力和意愿。
但 Notion 的团队规模并没有因此显著缩小。
Notion 一直倾向于使用小规模的突击小队。这在 AI 出现之前就是正确的做法，在 AI 出现之后可能稍微更加正确，但总体变化不大。
Sarah 追问，普通工程师与那些特别擅长使用工具的工程师之间，差距是否会越来越大？
Simon 的回答是：差距确实变大了。
“如果你现在会使用这些工具，就可以成为一名 100 倍甚至 1000 倍工程师。最低门槛没有改变，但能力上限得到了极大提高。”
Sarah 问：你之前说，通用 Agent 当时还无法运行，现在进展到什么程度了？
Simon 说，他们为了开发 Agent，挣扎了好几年。
每次做出来的东西都“差不多能用”，但始终不够有用。主要原因在于，时机太早了。他们前后尝试了三到四次。
最终，通用 Agent 在 2025 年 8 月或 9 月上线。
现在，用户在 Notion 中使用的 AI，就是一个完整的 Agent。它几乎可以访问 Notion 中的一切，包括创建数据库、更新内容、创建文档、搜索网页和开展研究。
每位用户都有一个 Personal Agent，它拥有与用户本人相同的访问权限。
【注：这就是 2025 年 9 月 18 日发布的 Notion 3.0。Notion 将其定位为继 1.0（文档协作）和 2.0（数据库与工作流）之后的第三次重大进化。】
随后，在这次访谈的大约两周前，Notion 发布了 Custom Agent。
与 Personal Agent 不同，Custom Agent 默认没有任何权限，用户需要手动授权它可以访问的内容。但一旦获得授权，它便可以在后台自主运行。
例如，用户可以给它一个用于记录任务的数据库，再将它连接到某个 Slack 频道。它便可以自动回复 Slack 消息并创建任务。
用户也可以让它定期搜索网页和工作空间，然后自动填充周报数据库。
【注：Custom Agent 于 2026 年 2 月 24 日正式发布。Notion 表示，早期测试者已经创建了超过 21000 个 Agent，而 Notion 内部运行的 Agent 数量也已经超过员工数量。】
Simon 说，他最兴奋的方向之一，是让 Agent 从一个初始内核出发，自我引导（bootstrap）出新的能力。
例如，如果某个集成尚不存在，Agent 可以自己编写代码来构建这个集成，部署它，然后开始使用它。
Sarah 确认：所以 Notion 对 Agent 采用的是一种更广义的定义，写代码也只是其中一种工具？
Simon 回答：
“我认为，编码 Agent 就是 AGI 的内核。AGI 将会是一个编码 Agent，而代码是一种非常有用的原语，可以用来表达确定性逻辑。”
Simon 认为，这对于知识工作 Agent 尤其重要，因为它能够自行“长出”新的能力。
集成不存在？自己构建。
需要连接新的数据源？自己接入。
Sarah 提出了一个关于竞争格局的问题：Notion 面对的是规模更大的生产力平台和 AI 实验室，而它们也在尝试构建跨数据源的集成与 Agent。Notion 凭什么获胜？
Simon 将市场分为三层：
在模型层面，Notion 将自己定位为“模型界的瑞士”。
Notion 不绑定任何一家模型厂商。客户不希望被锁定，而不同月份、不同模型各有优势。Notion 希望用户可以随时使用当下最好的模型，并且能够方便地切换。
Simon 说，开源模型确实已经变得非常优秀。
目前有四家中国模型都“相当不错”。Notion 刚刚在 Agent 中上线了其中一款，并计划将它们全部接入。
这些模型比前沿模型便宜得多，在许多应用场景中更加合适。
Notion 的定位是：接入所有最优秀的模型，提供高质量的 Agent 实现，然后打造一个真正适合人类与 Agent 协作的工作空间。
【注：截至访谈时，Notion 已支持 GPT-5、Claude Sonnet 4 等前沿模型，以及 MiniMax 等开源模型。用户可以在 Agent 设置中选择模型。】
Sarah 问，Notion 现有的 blocks、数据库等结构，对 Agent 是否有用？
Simon 说，非常有用。
但现在出现了一个新的挑战：必须让 Agent 可以方便地使用这些结构。
过去，Notion 的 API 是为人类开发者设计的。现在，Notion 多了一个“新客户”，也就是 Agent 本身。
最初，这确实是一个问题。
Notion 的 API 使用一种非常冗余的 JSON 格式来表示 blocks。对于 Agent 而言，这种格式既啰嗦，又难以处理。
团队接受了这个挑战，并完成了两项工作。
第一，他们为页面读写设计了一种 Markdown 方言。它看起来与标准 Markdown 相似，但扩展了对所有 Notion block 类型的支持。模型非常擅长处理这种格式。
第二，数据库交互使用 SQLite 语法，因为模型天然擅长 SQL。
Sarah 问，团队如何判断什么对 Agent 更好？
Simon 说，有两条路径。
第一条是经验主义：持续尝试，然后发现“它不擅长这个”“这消耗的 Token 太多了，应该如何压缩”。
第二条是第一性原理：思考模型的训练数据中包含什么、模型具有什么先验知识、它天然擅长什么格式，以及什么才是高效的 Agent 循环模式。
Sarah 总结说：所以你们其实是在做用户研究，只不过用户是 Agent。
Simon 笑着回答：没错，而且这个“用户”随时都可以聊天。你对它拥有无限的访问权限，还可以编写脚本进行批量测试。
Sarah 问到了 Simon 个人的 Agent 工作流。
Simon 说，他正在开发一个新原型，同时运行着好几个 Agent。
他的日常工具是 Claude Code 或 Codex 的命令行版本。他很喜欢命令行工具，因为它们简单、好用。
他现在的目标，是全天候不间断地同时运行尽可能多的 Agent。
每天晚上睡觉之前，他都会确保自己已经给 Agent 安排了足够多的任务，从而保证第二天早上醒来时，它们仍然没有做完。
“对，那就是胜利。我的个人纪录是让一个编码 Agent 连续运行了 13 天，中间没有停过，基本上一直在按照任务列表工作。”
Sarah 承认，自己这一周也多次在半夜醒来，检查 Agent 是否仍在运行。
Simon 说，他也是如此。每天睡觉前，他都会最后确认一遍 Agent 还在转。
Simon 的 Personal Agent 也是他的日常工具，因为它能够访问公司工作空间中的所有内容。
例如，在访谈前一天晚上，他让 Agent 帮自己查看 Custom Agent 发布后的用户反馈。
但他最得意的是一个邮件分拣 Agent。
这个 Agent 连接了他所有的工作邮箱和个人邮箱，每天自动归档不需要阅读的邮件。
搭建过程非常简单：
最初几天，Simon 还需要不断纠正它。几周后，他完全取消了审批环节，让 Agent 全自动运行。
Simon 说，这彻底解决了他的邮件问题。
他的工作主要在 Slack 上进行，95% 的个人邮件和工作邮件根本不需要查看。
现在，当他打开收件箱时，里面只剩下真正需要自己处理的内容。
Simon 还有一个反馈路由 Agent。
Notion 内部有一个 Slack 频道，同事们会随手在里面发布产品反馈和 bug 报告。
过去，这些反馈有时会有人回应，有时则会被忽略，因为它们涉及太多不同的团队。
这个 Agent 唯一的工作，就是将反馈路由到正确的位置。
它采用了类似的“记忆”模式，在实际运行过程中学习路由规则，并逐渐积累了数百条规则。
例如，如果收到一个移动端 bug，它会知道应该将其路由给移动团队，并在该团队的数据库中创建任务。
Simon 说，在最初阶段，他会检查 Agent 学到的规则是否合理。一旦确认它能够正常工作，他就不再查看了。
偶尔出现问题时，他再回来修正。
他的通用模式是：
Sarah 提到，Simon 和 Ivan 最初是在 Tools for Thought 社区认识的。经历这几年的 AI 变革之后，Notion 的核心定位是否发生了变化？
在 AI 出现之前，Notion 的目标是为人类创造最好的工具，让人类直接完成自己的工作。
现在，它的目标变成了为人类创造最好的工具，让人类管理 Agent，由 Agent 替自己完成工作。
“在 AI 出现之前，我们的目标是创造最好的工具，让人类直接完成自己的工作。现在，我们的目标是创造最好的工具，让人类管理 Agent，由 Agent 替他们完成工作。这是一个巨大的转变。”
不过，Simon 随后提到了一个重要发现：Notion 过去构建的所有原语，在 Agent 时代依然非常有用。
文档依然是必需的，因为 Agent 很喜欢编写 Markdown。
数据库也依然是必需的，因为结构化数据仍然是一项刚需。
如果有 100 个后台编码 Agent 同时工作，你不会想要 100 个聊天窗口，而是会想要一个看板。这一点与过去完全相同。
Notion 只需要增加一些新的原语：
Sarah 最后问：过去六个月里，你个人的工作方式发生了什么变化？
Simon 说，已经完全改变了。
从 2025 年夏天开始，他就不再手写代码。
这个过程经历了几个阶段：
如果 Agent 跑偏了，他再介入纠正。
现在，他是一名 Agent 管理者，而不再是一名程序员。
Sarah 问，Notion 内部如何帮助非技术团队建立使用 Agent 的直觉。
Simon 说，公司会定期举办内部 workshop 和 hackathon。
一个月前，他刚刚与人力资源团队（People Team）开展了一次活动。
这个团队反而成了 Custom Agent 最积极的使用者，因为他们的日常工作中，存在大量需要在 Slack 与 Notion 之间来回搬运信息的重复任务。
Simon 的观察是，大家其实都非常兴奋，也都想尝试，只是需要一点推动，帮助他们迈出第一步。
一旦跨过“什么是 prompt”“Agent 如何被触发和唤醒”等最初的技术门槛，Agent 的交互方式其实非常符合直觉，因为用户只是在与它说话。
最大的障碍可能不是能力问题，而是信心问题：必须让人们相信，这些东西真的可以工作。
Notion 的 AI harness 多久重写一次？为什么？
大约每六个月重写一次。因为模型和技术进步得太快，系统必须紧贴当前状态进行设计。完成一个版本后便停止迭代，是一种常见错误。
编码 Agent 对团队规模有影响吗？
个人产出的上限大幅提高，但 Notion 的团队规模并没有显著缩小。小团队一直更好，这一点在 AI 出现前后没有发生本质变化。
Notion 如何为 Agent 设计 API？
页面读写使用 Markdown 方言，数据库交互使用 SQLite。其设计方法结合了经验主义试错与第一性原理推演：既观察 Agent 的实际表现，也考虑模型训练数据所形成的先验能力。
Custom Agent 和 Personal Agent 有什么区别？
Personal Agent 拥有与用户相同的权限，被动响应用户请求。Custom Agent 默认没有权限，需要用户手动授权，但可以按照计划或触发器在后台自主运行。
Simon 认为 AGI 会是什么样子？
AGI 会是一个编码 Agent。代码是表达确定性逻辑的优秀原语，而能够编写代码的 Agent，可以不断自我扩展能力。
Simon 在这次对话中反复传递了三个核心信息。
第一，AI 系统必须随着模型能力的变化持续重写，不能完成一个版本后就停止迭代。
第二，编码 Agent 不只是开发者的效率工具，它还是 Agent 实现自我进化的关键能力。
第三，生产力软件的定义，正在从“人类使用的工具”转变为“人类用来管理 Agent 的工具”。
一个值得继续追问的问题是：Custom Agent 自主运行带来的 prompt injection 安全风险。
Simon 在访谈中并未提及这一点，但 Notion 官方文档已经表明，这是他们正在投入的领域。当 Agent 数量超过员工数量时，安全和控制问题只会变得越来越重要。
另一个悬而未决的问题是：如果 AGI 真的是编码 Agent，那么模型厂商自己开发的 Agent，与 Notion 的 Agent 将是什么关系？
在模型厂商同样希望成为平台的时代，“模型界的瑞士”这一定位还能维持多久？
不过，Simon 自己也给出了一个方向：管理 100 个 Agent 的人究竟需要什么？
答案不是 100 个聊天窗口，而是一个看板。
如果这个判断成立，那么 Notion 十多年来积累的协作基础设施就不是包袱，而是一道壁垒。