01原理
专业化分工说的是：同样一群人，把一件大事拆成若干道工序，每人固定做其中一道，总产出会远远超过每人从头做到尾。亚当·斯密在《国富论》开篇就用别针作坊证明了这一点，并给出三条原因：熟能生巧，省掉在不同活之间切换的时间，以及专注于一道工序的人更容易想出工具来替代手工。
斯密同一本书第三章还有一句常被忽略的话：分工的程度受市场大小的限制。活不够多，就没人能专做一件事，因为专做的产出卖不掉、用不完。这句话对小公司格外要紧。一个 6 人团队的“内部市场”很小，客服、财务、运维每样都只够半个人干，硬分工只会让人闲着或排队。所以小团队的分工问题不是“分得越细越好”，而是“哪一块的量已经大到值得让一个人或一个工具专门去做”。
芒格把分工和规模连在一起看：规模给了分工的余地，分工又让每个人更强。他也提醒，先要有宽的底子，再去钻窄的手艺。对创始人来说，这意味着两件事都要做：把重复量大的工作交给专人或专门的系统，同时自己保留看全局的能力。
为什么成立
分工的收益来自三处：重复带来的熟练和数据积累，减少切换带来的时间节省，以及工序被拆清楚之后才能被机器或模型接手。分工的成本也来自三处：工序之间要交接，交接会丢信息；每道工序要有人协调，协调本身要花人和时间；每个人只看到自己那一段，没人对整体结果负责。分工划不划算，就是看前三项是不是大于后三项。
放到 AI 时代，这笔账的两边都变了。模型把很多工序的边际成本压得很低，等于把“内部市场”放大了，小团队也能把一部分活拆给专门的代理；但代理之间交接丢上下文的问题比人与人之间更严重，因为模型不会在走廊里顺口问一句“你那边是怎么想的”。
02芒格怎么说
芒格在 1994 年南加大商学院的演讲里，把专业化放在规模优势的段落里讲：规模大了，公司内部才能分得更细，每个人只管自己最熟的一块；他还拿连锁店举例，总部的专职买手比一个什么都要采购的小店主少犯很多错。同一场演讲他也说，先要有通才式的“普世智慧”，再去钻一门窄手艺。2005 年修订的《人类误判心理学》里，他借经济学家雅各布·瓦伊纳的比喻提醒专业化的另一面：训练得太窄，人就只会干一件事。
Similarly, all these huge advantages of scale allow greater specialization within the firm. Therefore, each person can be better at what he does.
同样，这些巨大的规模优势让公司内部可以分工更细。因此，每个人都能把自己做的事做得更好。
If one little guy is trying to buy across 27 different merchandise categories influenced by traveling salesmen, he’s going to make a lot of poor decisions.
如果一个小店主要在 27 个不同的商品品类里采购，还受着上门推销员的影响，他会做出很多糟糕的决定。
many an academic is like the truffle hound, an animal so trained and bred for one narrow purpose that it is no good at anything else.
许多学者就像松露猎犬，这种动物为了一个狭窄的用途被训练、被培育，结果别的什么都干不了。
03怎么用
- 01
先数量，再分工
按斯密“分工受市场大小限制”的道理，拿出过去一个月的工作记录，把每类工作的次数和耗时列出来。只有那些每周反复出现、加起来够一个人干上一两天的工作，才值得设专人、写专门的流程或交给一个专门的代理。量不够的，宁可让一个多面手兼着，也不要为了“组织完整”去招一个只做它的人。
- 02
像连锁店总部一样集中“难而重复”的决策
芒格说连锁店的好处之一是让懂冰箱的人去买冰箱。小团队里对应的是：定价、合同条款、模型和供应商选型这类决策，不要让每个人各自拍板，指定一个人专门负责、积累判断，其他人遇到就转给他。这样既减少乱买乱签，也让这个人的经验真正复利。
- 03
拆任务之前先问：各段之间要共享多少上下文
能并行、彼此独立的工作（比如同时调研十个竞品）适合拆给多人或多个子代理；前后高度依赖、每一步都隐含设计决定的工作（比如写一个完整功能）更适合一个人或一个代理从头做到尾。拆之前把“这一段需要知道前面哪些决定”写出来，写不清的就先别拆。
- 04
给每道工序配一个对整体结果负责的人
分工后最常见的事故是每一段都“按要求完成了”，拼起来却不对。每条流水线指定一个人看最终交付，而且定期亲自从头走一遍，哪怕其中大部分步骤平时由别人或模型完成。
- 05
让专才保留一块通才时间
芒格主张先有宽的底子再专精。给团队里最专的人每周留出时间去看客户对话、看别人那一段的代码或数据，避免他变成只认一种问题的“松露猎犬”。对小公司来说，这也是有人请假时还能顶上的备份。
04案例
斯密的别针作坊：十个人，一天四万八千根
斯密在《国富论》第一卷第一章写道，做一根别针被分成大约 18 道工序。他见过一家只雇 10 个人的小作坊，卖力干的时候一天能做大约 12 磅别针，一磅中等别针有 4000 多根，合计一天 4.8 万根以上，平均每人 4800 根。他估计，如果每人各自从头做到尾、又没受过这门手艺的训练，一天连 20 根都做不出来，甚至可能一根也做不出。几乎同样的人手，分工与否的差别是两个数量级以上。值得注意的是，斯密在第五卷又写到另一面：一辈子只做几个简单动作的人，没有机会动脑解决新问题，会慢慢变得迟钝。同一个作者，在同一本书里，把分工的好处和代价都写了。[3]
肖尔代斯医院：八十年只做疝修补
加拿大安大略省的肖尔代斯医院由爱德华·肖尔代斯医生在 1945 年创办，官网说它只做腹壁疝修补，“这是我们做的全部”。按官网的数字，医院累计完成了 40 多万例疝修补，原发性腹股沟疝修补的成功率是 98.5%，外科医生平均每年做 700 多例，现任团队合计做过 10 万多例；医生都要接受同一套自家术式的训练，用补片的病例不到 2%。这是典型的“窄而深”：病种固定，流程固定，每个医生的手术量远超普通外科医生，经验就能在同一类问题上不断叠加。它的代价也很明显：别的病一律不收，病人必须先符合它的条件。[4][5]
Anthropic 的多代理研究系统：拆开以后好 90%，但多烧 15 倍 token（大公司案例）
这不是小团队案例，但它把 AI 分工的账算得很清楚。Anthropic 工程团队在 2025 年 6 月 13 日的文章里介绍了 Claude 的“研究”功能：一个由 Claude Opus 4 担任的主代理负责拆题，再派出由 Claude Sonnet 4 驱动的子代理并行检索。在他们的内部研究评测上，这套多代理系统比单个 Opus 4 代理的成绩高 90.2%。代价是成本：文章说代理通常比普通聊天多用约 4 倍 token，多代理系统约多用 15 倍；在 BrowseComp 评测里，光 token 用量就解释了 80% 的表现差异。文章同时写明，需要所有代理共享同一份上下文、或代理之间依赖很多的任务并不适合这样拆，并点名大多数编程任务里真正能并行的部分比研究少。分工在这里成立，是因为研究任务天然可以拆成彼此独立的检索方向。[6]
Cognition：“不要做多代理”，因为每个动作里都藏着决定
就在 Anthropic 那篇文章发出前一天，做编程代理 Devin 的创业公司 Cognition 发表了 Walden Yan 写的《Don’t Build Multi-Agents》。文章提出两条原则：共享上下文，而且要共享完整的代理轨迹，不只是单条消息；动作里带着隐含的决定，互相冲突的决定会带来坏结果。他举了一个例子：让系统做一个 Flappy Bird 小游戏，拆成“背景和水管”与“小鸟”两个子任务，一个子代理误解了任务，做出了像《超级马里奥》的背景，另一个做的小鸟既不像游戏素材，动起来也不像 Flappy Bird，最后的代理只能去拼两个对不上的结果。即使把原始任务也交给子代理，风格仍然冲突，因为各自的假设彼此看不见。他们的建议是先用单线程、线性的代理，任务太长时再加一个专门压缩历史的模型。这正是斯密没写到的那部分账：工序之间交接的信息损耗，在高度耦合的工作里会吃掉分工的全部好处。[7]
05误用与边界
在量不够的地方硬分工
小团队照搬大公司的岗位表，每个职能配一个人，结果多数人一半时间在等上下游。斯密早就说过分工受市场大小限制；量不够时，多面手加清晰的优先级通常比一排专才更快。
把耦合紧的工作拆碎
设计、实现、测试之间每一步都带着隐含决定，拆给不同的人或代理，交接文档永远写不全。Cognition 的例子说明，看起来各自都完成了，拼起来才发现不对。拆不拆，要看接口能不能写清楚，而不是看能不能并行。
专精到看不见整体
芒格借瓦伊纳的“松露猎犬”比喻批评的正是这一点：越专，越容易只用自己那一门的模型看问题。创始人如果也只盯着自己最擅长的那一段，比如只看模型效果、不看销售和留存，公司就没人对整体负责了。
06检查清单
下次做相关决策前逐条过一遍。勾选只保存在你的浏览器里。
08来源
- 1
- 2
- 3
- 4
- 5
- 6
- 7