周一上午 9:12。一条颇具潜力的销售线索出现在 Gmail 收件箱中。市场部调研该公司背景，运营部核查其是否符合理想客户画像，销售部起草回复邮件，主管审阅切入角度并要求提供更有力的佐证。
这正是 AI 团队协作出现断层的地方：工作在流转，但背后的推理逻辑却鲜少完整地随之传递。
每个人都要从消息、文档、历史案例和记忆中重新拼凑出任务的一部分。最终发出的邮件或许质量不错，但产生它的方法依然分散在四个人和五个工具之间。下一条线索到来时，大量工作又得从头再来。
团队协作软件花了二十年时间优化人们协调配合的场景。然而更难解决的问题出现在会议或 Slack 讨论结束之后：工作本身能否承载塑造决策的上下文、标准与权限？
这正是 Zero 背后的核心理念。AI 团队协作的质量，取决于有多少意图能在交接中得以保留。
每一项有意义的任务都承载着四个要素：
- 上下文：团队对客户、市场、项目和约束条件的了解。
- 方法：工作应如何完成，以及应使用哪些来源或工具。
- 标准：合格交付物的样貌，以及哪些内容应被否决。
- 权限：谁可以访问哪些系统、执行哪些操作、审批哪些结果。
大多数交接摩擦都源于上述要素之一的缺失。Zero 帮助团队在工作于人员、工具和时间之间流转时，始终保持这四个要素与工作紧密相连。
1. 共同的起点消除了第一轮重复说明
协作往往始于重建。
一位同事打开任务，搜索最新的策略文档，发现两个版本的客户定义，从同事那里复制一段提示词，再询问哪个模板是当前版本。此时还没有任何实质性工作开始执行，团队已经在为达成共同起点而支付协调成本。
在 Zero 中，团队可以围绕重复性工作创建共享智能体，并为其配备完成该工作所需的上下文、指令和连接器。可复用的工作流可以承载团队商定的操作流程。下一位成员从相同的工作上下文出发，而不是面对一个空白的对话框。
这在知识分布不均时尤为重要。经验丰富的操作者已经知道哪些来源可信、哪些客户细分应排除、最终报告应如何结构化。一旦这些选择被明确记录下来，新成员从第一天起就能以团队当前的方法开展工作。
共享上下文并不意味着每个人都使用同一个通用助手，而是意味着团队拥有一个可以支持不同人员和角色的共同基础。
一个公共 Zero 智能体和按角色划分的专属智能体，为团队提供共同起点，同时无需将所有工作强行纳入一个通用助手。
2. AI 团队协作需要跨工具的共享执行
典型的 AI 交接往往会制造另一次交接。助手生成答案，然后由人工将答案搬运到 Gmail、GitHub、Notion、电子表格或浏览器中。上下文再次被复制，细微的决策在途中悄然消失。
Zero 运行在云端计算机上，可访问浏览器、文件、终端和已授权的连接器。它能够调研公司背景、对比信息来源、转换文件格式、起草邮件、创建 Pull Request、更新表格或发布报告，所有这些都作为一项连贯的工作完成。
协作价值体现在工作成果落地的位置。Zero 可以将结果直接交付到团队已共享的系统中：GitHub Pull Request、Notion 页面、共享 Google 表格、Slack 讨论串或已发布的报告。
这个共享工作区并非需要在 Zero 内部另行创建的新目的地，它早已存在于公司每天使用的 SaaS 产品中。云端浏览器让 Zero 能够通过这些产品的 Web 界面进行操作，超过 2,000 个连接器和 API 为其提供对相同系统的结构化访问，沙箱环境则在任务执行期间将文件和中间状态统一保存。
这些能力共同使 Zero 能够将任务从调研推进到执行，无需人工在工具之间复制输出结果。协作的实际单元变成了团队已共享系统中的一个可交付物。工程师可以审查 Pull Request，利益相关者可以在 Notion 页面上评论，运营人员可以基于共享表格开展工作，团队可以在 Slack 中推进下一步。每一次审阅、编辑和决策都附着在共享产物上，而不是通过另一次交接被复制传递。
这改变了接收交接方的角色。他们花在重建执行路径上的时间减少了，而花在判断输出是否有用、准确且可以推进的时间增多了。
Zero 的 2,000 多个连接器将团队已共享的 SaaS 工具栈转化为协作界面。
3. 复杂工作需要高质量数据和执行框架
复杂任务的失败，很少是因为提示词太短，更多是因为输入质量太差或执行中途中断。一项市场进入决策可能依赖于最新的公司数据、搜索需求、竞争对手动态、招聘信号、客户历史记录和内部产品使用情况。没有任何一位团队成员或系统能掌握完整的全貌。如果不同的人基于不同版本的事实开展工作，再多的消息沟通也无法形成共识。
Zero 不仅依赖团队 SaaS 工具栈中已有的数据，还内置了高质量数据 API，涵盖网络调研、公司与人员数据、社交动态、搜索与 SEO、金融市场、地图、天气及其他专业数据源。Zero 可以在任务执行过程中查询这些来源，将其与团队 CRM、收件箱、文档、代码和文件中的数据相结合，对相互矛盾的结果进行比对，并将来源与结论保持关联。最终呈现的是团队可以直接使用的证据，而非一份仍需人工逐一研究的链接清单。
获取优质数据只是解决了产品问题的一半。模型在一次搜索后就能生成一份看似合理的市场报告。但一个面向复杂任务的产品必须能够审查多个市场、保留工作文件、重新核查存疑的结论、在查询失败时自动恢复、委托验证工作，并交付一份他人可以审计的报告。这需要围绕模型构建完整的工程框架：隔离的云端计算机、浏览器、终端、文件系统、连接器、权限控制、长时运行状态、并行智能体线程，以及将产物可靠交付到团队工具中的机制。
4. 精准的反馈循环让人员与智能体保持一致
反馈只有在下一位接收者——无论是人还是智能体——清楚知道问题所在和应如何改进时，才能真正发挥作用。"让它更好一点"只会引发新一轮的理解偏差。"排除员工人数少于 50 人的公司，并为每项事实性陈述注明来源"则给了接收者可以直接执行的指令。这一原则同样适用于人与 AI 以及人与人之间的协作：反馈一旦与其所指向的工作内容分离，价值便会大打折扣。
Zero 的引用功能可以将修改意见锚定到被审阅的具体句子、结论或建议上。审阅者可以引用"Acme 公司有 240 名员工"并要求 Zero 核实来源，或同时标注多个段落。下一轮对话中，每条评论都与其对应的内容一同呈现。
引用功能将反馈锚定到被审阅的具体段落，使下一条指令始终携带其指向的对象。
精准的反馈还需要传达给正确的执行方。借助 Zero 的智能体间协作能力（A2A），调研线程可以核实某项结论，分析线程可以质疑相关数据，写作线程可以修改叙述内容。它们可以并行工作，并将结果汇总到协调对话中。
线程提及将问题及其上下文路由到另一个智能体对话，工作可在其中独立推进并反馈结果。
引用功能与 A2A 共同构建了清晰的闭环：识别问题、携带上下文路由、返回修正结果、审阅输出。人员花在重复说明意见上的时间减少了，智能体收到的则是可以直接执行的指令。
如果反复出现的反馈揭示了更优的方法，成员可以选择更新工作流。这一步骤是有意为之的。反馈首先改善当前的协作；只有当团队决定将其应用于未来工作时，它才会成为可复用的标准。
5. 工作流将共识转化为可执行的团队能力
团队已经习惯将操作流程存储在文档中。问题出现在流程需要被执行的时候。
文档可以写道："调研客户账户，查看 CRM，寻找近期招聘信号，起草个性化回复。"但操作者仍然需要将每个句子转化为具体行动，选择合适的工具，并组装最终输出。
Zero 中的工作流是一种无需触发器、可复用的任务执行方式。它可以定义需要查阅的来源、遵循的步骤顺序、需要遵守的约束条件，以及交付物的形态。团队成员可以按需运行，其他共享智能体也可以使用根据其角色调整的副本。
这使工作流不仅仅是一个保存的提示词，而是团队对某项重复性工作应如何完成的可执行共识。
一个人可以持续优化每周竞争对手扫描，直到其达到公司标准。下一位成员无需观看录屏、解读旧讨论串或询问"真正的"流程版本，直接运行商定的方法、审阅结果，并在业务变化时加以改进。
复利效应来自复用。每一个经过验证的工作流，都在提升团队无需从头重建方法就能完成的工作量。
工作流将商定的方法转化为可复用的任务执行方式，让下一位团队成员的起点不止于文档中的一段说明。
6. 共享方法可以与个人权限并存
当共享流程意味着共享凭证或消除个人责任时，团队协作就会面临风险。
Zero 将可复用的方法与启动条件分离开来。工作流承载操作流程，自动化则将触发器、工作流和智能体组合在一起，并在创建者的身份、权限和已连接服务的范围内运行。
这一区分解决了一个实际的治理问题。销售团队可以共享同一套客户调研工作流，同时每位销售代表使用各自的 Gmail 访问权限。财务负责人可以授权智能体读取某个系统，而不授权敏感的写入操作。管理员可以通过团队工作区控制决定哪些连接器和操作可用，同时各团队成员仍对自己创建的自动化负责。
团队获得了一致性，而无需将所有人合并到同一个账户下。方法是共享的，权限仍可追溯到个人。
7. 自动化让工作在无人值守时持续推进
许多协作习惯本质上是同步习惯的变体。有人发布状态请求，三个人汇总更新，第四个人整理报告，所有人都在等待同一个时间节点的到来。
自动化为共享工作流添加了触发器。它可以按计划启动，或在某个事件发生时触发，然后由指定的智能体完成任务。晨间简报可以在站会前收集日历、产品、支持和工程方面的信号；新客户邮件可以启动调研和起草流程；每周竞争对手回顾可以附带信息来源发送到团队频道。
其价值远不止于节省时间。工作可以在团队开会、休息或专注于其他事务时持续推进。人们重新聚焦时面对的是一个具体的产物，而不是又一次更新请求。
异步协作的前提是输出结果足够可预期，值得信任和审查。这正是共享工作流、人工审阅标准和权限模型至关重要的原因。将一个不清晰的流程自动化，只会更频繁地产生不清晰的工作结果。
自动化为工作流附加计划或事件触发器，使重复性工作无需等待人工提示即可自动启动。
一条线索，一个协作闭环
回到周一早上到来的那条销售线索。
团队的共享智能体已经具备理想客户画像、已批准的定位策略和调研规则。销售代表运行线索资质评估工作流。Zero 读取入站邮件，通过浏览器和已连接的数据源调研该公司，核查所需标准，并生成一份附带回复草稿的客户简报。
销售主管审阅后发现一个薄弱的假设。她要求 Zero 排除未经证实的员工人数估计，为每项资质判断注明来源，并以与潜在客户当前产品相关的使用场景作为开场。Zero 重新生成简报并更新草稿。
团队决定将这些改动应用于未来的线索，于是更新了工作流。其他销售代表现在可以运行改进后的版本。每位代表还可以为新入站邮件创建个人自动化，使用各自的凭证和权限。
这封邮件草稿本身是有价值的。但更大的收益在于：这次交接提升了团队可重复处理下一条线索的能力。
这不只是传统意义上的自动化
显而易见的质疑是：企业自动化工作流已经有多年历史了。这是事实，对于许多流程而言，稳定的、基于规则的自动化仍然是正确答案。
协作性工作往往不那么固定。输入内容杂乱无章，调研开始后路径会发生变化，质量取决于从未被明确记录的判断力。主管可能一眼就能看出一份客户简报质量不佳，却难以在看到初稿之前完整表达出评判标准。
Zero 让团队从用自然语言描述任务开始，审查真实的交付物，并通过审阅过程使方法更加明确。一旦流程足够稳定，团队可以将其保存为工作流，并决定是否通过自动化来运行。
当然也存在局限。Zero 并不能消除对责任归属、审阅或艰难对话的需要。创意方向、战略权衡和敏感审批仍然属于人的职责范畴。它也不应声称能够从每次交互中自动学习公司知识。目前，持久性学习步骤是有意为之的：由人工保存或编辑工作流。
这些局限是设计的一部分。良好的团队协作需要清晰的人工判断和清晰的机器职责边界。
AI 团队协作的新单元是可执行的标准
消息帮助人们沟通，文档帮助人们记忆，任务帮助人们追踪责任。Zero 增加了一个团队一直缺失的单元：一个能够执行工作的标准。
这改变了团队评估协作软件的方式。不妨思考以下问题：
- 下一位成员是继承了上下文，还是需要重新构建？
- 系统能否跨越所需工具完整执行方法？
- 人工反馈能否转化为明确、可审阅的标准？
- 方法能否在不共享他人身份的情况下被复用？
- 工作能否在无人推动时继续推进？
如果答案是肯定的，协作便开始产生复利效应。一项完成的工作留下的不只是一个产物，而是让团队更有准备再次完成这项工作。
从一个重复性的交接场景开始：每周简报、入站线索、支持升级或发布报告。为其设定清晰的交付物、指定的审阅者，以及所需系统的访问权限。用 Zero 运行一次，审阅工作成果，保存经过验证的方法。
目标很简单：每次工作经过交接，丢失的意图应该越来越少。
