從兼職工程師直接跳到CTO，他用兩個月讓一款Agent干掉60%複雜工作並放話：「代碼質量與產品成功沒有直接關係」

當大多數公司仍在摸索如何讓開發人員有效使用 AI 編程工具時，金融科技公司 Block 已在 8 周內將 AI 智能體部署給全體員工，覆蓋規模達 1.2 萬人。

Block 是由美國知名互聯網企業家、Twitter 聯創 Jack Dorsey 與合夥人於 2009 年創立的金融科技公司，當時公司名為 Square, Inc。

該公司初期的核心產品是 Square 支付設備——一個可插入手機、將手機變為刷卡終端的方形讀卡器。該產品誕生於 Dorsey 與合夥人 Jim McKelvey 在聖路易斯的一個小辦公室中，爲了解決小商户無法接受信用卡的問題而設計。

隨着業務不斷擴展，公司於 2015 年在紐約證券交易所上市。2021 年 12 月 10 日，公司正式將名稱由 Square, Inc. 更名為 Block, Inc.，以體現其從支付服務擴展至更廣泛金融與區塊鏈生態的戰略意圖。至 2024 年，Block 在美國已服務約 5,700 萬用户、約 400 萬商户。

在 AI 與自動化方面，Block 在 2025 年初推出了一個名為 「Goose」 的開源 AI Agent 框架。Goose 的設計初衷是：將大型語言模型輸出與實際系統行為（如讀取／寫入文件、運行測試、自動化工作流）連接起來，從而不僅讓模型能「聊」而且能「干活「。

近日，Block（原 Square）的 CTO Dhanji R. Prasanna 做客了一檔名為《Lenny‘s Podcast》的訪談節目，分享瞭如何內部開源工具 Goose 如何為員工每周搶回 10 小時黃金時間以及從 Google Wave、Google+ 等失敗產品中淬鍊出的生存法則等內容。

作為 Block（原 Square）的首席技術官，Dhanji R. Prasanna 在過去兩年間領導着超過 4000 名工程師團隊，將公司打造成全球 AI 原生程度最高的大型企業之一。而這一切變革的起點，源於他寫給 CEO Jack Dorsey 的那份引發組織震盪的「AI 宣言」——正是這份綱領性文件推動了公司級轉型，也讓他本人走上了 CTO 的崗位。

Lenny Rachitsky 是播客主持人，曾在 Airbnb 擔任產品經理，現在運營自己的科技與創業領域的通訊和播客。

以下為對話實錄，經由 AI 前線翻譯並整理：

Lenny：我想從一封信開始。據說你曾寫過一封信給 Jack Dorsey，勸説他和 Block 應該更加重視人工智能。你稱它為你的 「AI 宣言」，看起來它確實起了作用。能説説那封信寫了什麼？你發給 Jack 之后發生了什麼？ 

Dhanji： 大約兩年半前，Jack 意識到公司需要一些改變。他察覺到整個行業的方向正在發生轉變，於是他召集了公司大約 40 名高管，每周開一次會，深入討論公司的發展。我當時也被邀請加入這個小組。那時候我注意到，大家談了很多深刻的問題，也討論了各種戰略方向，但幾乎沒人關注 AI。於是，我寫下了那封信。

老實説，那封信其實很簡單，主要的意思就是：我們必須認真對待 AI，要在公司層面集中投入，並且要成為一個「AI 原生（AI-native）」的公司——因為那是未來整個行業前進的方向。

Lenny：要特別説明的是，當時你還不是 CTO，對嗎？ 

Dhanji： 沒錯。當時我只是一個兼職的高級工程師，因為剛有了孩子，正在慢慢回到工作中，幫一個工程團隊處理一些事情。后來 Jack 來到悉尼，我們一起散步聊了兩天，幾乎走遍了整個城市。他向我詳細談了對公司未來的設想，最后邀請我擔任 CTO。我覺得那是一次難得的機會，於是答應了。

Lenny：在 Jack 和高管團隊都認可了你的想法之后，你做了哪些重大變革？其他公司如果也想向 AI 轉型，可以從中學到什麼？ 

Dhanji： 我首先想讓 Block 重新以「科技公司」的身份去思考自己。過去一段時間，我們的定位有點漂移，開始更多地把自己當作一家金融服務公司，甚至自稱「金融科技公司（fintech）」。但我剛加入 Square（Block 舊名）時，我們一直把自己看作科技公司——像 Google 或 Facebook 那樣。我想讓公司回到這種狀態。

於是我推動了很多內部舉措，比如組織頂尖工程師定期交流，啟動多個特別項目，每個項目有兩到五名工程師，共有八九個項目同步推進。同時我們恢復了公司範圍的 Hack Week（黑客周）。這些舉措重新點燃了團隊的創造熱情——大家重新覺得自己是在「造技術」，在推動前沿。

接下來，我們進行了一個關鍵性的組織變革：從「總經理制」（GM structure）轉向「職能制」（functional structure）。這一步，是我們成為 AI 原生公司的重要轉折點。

Lenny：能解釋一下這意味着什麼？為什麼這很重要？ 

Dhanji： 在 Square 的成熟階段，我們採用的是 GM 模式。比如 Square、Cash App、Afterpay、Tidal（音樂流媒體）等業務，都像獨立公司一樣運作，各自有 CEO、獨立的工程和設計團隊，只共享少量基礎資源，如法務和平臺技術。這種架構在當時很合適，讓業務快速成長。

但當你想真正深入技術、參與到行業級的技術變革中時，就需要「統一的技術焦點」。因此我們調整了組織結構——所有工程師歸屬於同一個工程部門，所有設計師歸屬於統一的設計團隊。我們設立了統一的工程負責人、統一的設計負責人。

這種轉型讓我們可以集中力量推進 AI、平臺建設以及整體技術深度。這也是我們真正變得 AI 原生的基礎。

Lenny：總結下來，就是兩點：一是重新把自己看作科技公司，二是讓工程師向工程領導匯報，而不是向不懂技術的總經理匯報。對嗎？ 

Dhanji： 對，這正是我們做的。其實這也和喬布斯當年重組蘋果的做法類似，他回到蘋果后也改成了職能型結構。我們並沒有照搬誰的做法，而是在探索過程中發現這是讓團隊重新聚焦技術的關鍵。所謂「技術優先」，其實就是把工程與設計重新放到公司核心位置。

Lenny：那麼，這些改變帶來了什麼不同？現在的工程團隊和兩三年前相比，最大的區別是什麼？ 

Dhanji： 這場變革並不輕松，並不是所有人一開始都同意。過程中我體會最深的是 「康威定律」 的力量——你的組織結構會直接影響你產出的產品結構。

過去我們的各個產品線（Cash App、Afterpay、Square、Tidal）各自為政，沒有統一的技術戰略，也沒有共同的長期目標。而現在，我們至少講着同一種「技術語言」，使用統一的工具、政策和評估體系。工程師可以在不同團隊之間靈活流動，整個公司也把「技術卓越」視為共同目標。兩三年前，這種技術導向還並不明顯。

Lenny：能具體説説，現在工程團隊在日常工作中有哪些變化？ 

Dhanji： 那些「AI 原生」的團隊與兩三年前完全不同。他們使用像 Vibe Code 這樣的工具，幾乎不再手寫代碼，而是通過 AI 輔助生成和修改。這在兩年前根本不可能實現。

而那些還依賴舊系統的團隊，也在慢慢引入后臺 AI 工具，比如自動檢測漏洞、在夜間生成補丁。工程師第二天上班就能直接查看修復結果。不同團隊的應用深度不同，但總體上 AI 已經深入到我們的日常開發流程中。

Lenny：接下來談談 AI 部分。你們開發了自己的 AI 智能體 「Goose」。外界對 AI 提升生產力的討論很多，一派認為 AI 將帶來 10 倍加速，另一派覺得這是炒作。你怎麼看？你們團隊實際看到了哪些成效？ 

Dhanji： 我們的首要目標是「讓 Block 實現自動化」，也就是讓 AI 滲透到公司的每個角落。現在還只是剛起步階段，但我們已經看到顯著成效。

那些深度使用 Goose 的工程團隊，每周平均節省 8～10 小時人工工作時間。我們通過多維度數據驗證，比如 PR 數量、功能吞吐量等，估算公司整體的人工節省率約為 20%～25%。而這僅僅是開始。

AI 原生的公司，比如從 AI 創業起家的企業，更容易獲得這種成效。但確實，AI 不是萬能藥——它仍在快速進化，價值每天都在變化。企業需要靈活地順勢而為，持續探索 AI 最有效的落地場景。

舉個例子，我們發現 Goose 特別適合讓非技術團隊自建小工具。比如企業風險管理部門現在能自己開發內部系統，以前這要花上幾周、等待應用團隊排期，現在幾個小時就能完成。

另一個讓我興奮的應用是 「Gling」——可以理解為 Goose 的移動端版本。它通過 Android 的輔助功能接口直接操作系統，用於自動化 UI 測試。過去我們需要一整支 QA 團隊來手動點測試，現在都能自動完成並生成報告。

當然，AI 目前仍不擅長高層次的架構和設計決策，這些仍需要資深工程師來思考。但我相信，隨着模型能力的提升，這些界限也會逐步模糊。

Lenny：聽起來 Goose 不只是一個工具，而是 Block 轉型為真正「AI 原生公司」的象徵。對嗎？ 

Dhanji： 是的。它不只是技術項目，更是一種文化信號——讓每一位員工，無論是否工程師，都能用 AI 去構建、去創造。我們希望讓 AI 成為公司最自然的「操作系統」。

如何衡量 AI 在團隊中的生產力提升 

Lenny：你剛纔提到了一個很有意思的指標，用來衡量 AI 在你們團隊中的影響。能具體説説嗎？比如，是按照「節省的人類人工工時」來計算的嗎？ 

Dhanji： 沒錯，我們主要用「節省的人工工時」來衡量 AI 帶來的生產力提升。根據目前的數據，大約相當於節省了一名工程師四分之一的時間。

Lenny：這個指標是隻針對工程團隊，還是整個公司？ 

Dhanji： 是針對所有團隊的，包括支持團隊、法務團隊、風控團隊等的綜合數據。不過在工程團隊內部，這個比例會有波動。比如，從零開始的新項目或新平臺應用，AI 的效率提升會非常明顯；而在已有的、複雜度高的老代碼庫中，提升就相對有限。

Lenny：這已經很驚人了。而且可以預見，這只是 AI 能力最「差」的時候，未來只會更強。 

Dhanji： 沒錯，現在只是一個起點。后面會「瘋狂」得多。

Goose 是什麼，以及它如何工作 

Lenny：你剛剛多次提到「Goose」，但還沒解釋它到底是什麼。聽起來像是件大事。能詳細介紹一下嗎？ 

Dhanji：Goose 是一個通用型 AI 代理（AI Agent），你可以把它理解成一款桌面應用。安裝后，它有一個類似聊天機器人的界面，你可以直接跟它對話，比如説：「Goose，幫我把照片按類別整理一下。」

它能識別照片中的內容，比如有很多樹的會被分成「自然風光」，有很多人像的會歸類到「人像攝影」。除此之外，它還能幫你寫代碼、生成報告、處理數據等各種任務。

Lenny：聽起來像一個能動手干活的 AI，不只是聊天。 

Dhanji： 對，關鍵是我們基於一個叫「模型上下文協議」（Model Context Protocol，簡稱 MCP）的框架構建了它。這個協議最早由 Anthropic 提出，我們很早就參與了貢獻。

MCP 的作用是：為現有的企業工具（比如 Salesforce、Snowflake、SQL 等）提供一層封裝，讓這些工具能被大模型直接調用和操作。換句話説，過去大模型只能「聊天」，而現在它有了「手和腳」，能在數字世界中執行實際任務。

Lenny：Goose 是開源的嗎？ Dhanji：  是的，完全開源。任何人都可以下載、使用、甚至擴展它，編寫自己的 MCP 模塊。目前已經出現了大量基於 MCP 的擴展。 

Lenny：所以 Goose 本質上是一個桌面應用，有 UI，可以連接各種雲服務和開源模型，對嗎？ 

Dhanji： 對。Goose 支持接入任何模型。你可以自己帶 API Key 來用 OpenAI 或 Anthropic 的雲模型，也可以使用開源模型（通過 Olama 等工具本地運行）。它能把大模型的語言理解與生成能力，真正用在現實場景中。比如，你可以讓 Goose 生成一份營銷報告：會自動連接到 Snowflake、Tableau、Looker，寫 SQL 抽數據，用 Python 處理，生成圖表、導出 PDF 或 Google 文檔，甚至還能自動發郵件發送報告。而這些任務完全由它自主完成。

Lenny：那你們在 Block 內部也都是用 Goose 來做事的嗎？ 

Dhanji： 我們允許員工自由選擇任何 AI 工具，但 Goose 因為和內部系統的整合最好，所以用得最廣。過去如果我們想在某個系統（比如 Bug 追蹤工具）中加入 AI 功能，要麼等廠商更新，要麼依賴外部 API。現在有了 Goose，只需幾行代碼就能實現 AI 自動化。甚至，Goose 可以自己生成新的 MCP 擴展。

Lenny：而且其他公司也可以直接用你們的 Goose？ 

Dhanji： 是的。我們有很多合作伙伴和競爭對手都在用它，包括像 Databricks 這樣的公司。

Goose 是完全開放的，我們相信開源的力量。我們的目標不是隻讓 Block 受益，而是讓這些工具超越 Block 的生命周期，成為開放生態的一部分。

Lenny：那「Goose」這個名字是怎麼來的？ 

Dhanji： 是電影《壯志凌雲》（Top Gun）的梗。起這個名字的工程師長得也像片中的 Goose，我們乾脆就順勢用了這個名字。

Lenny：哈哈，有意思。我聽説你們有個工程師甚至讓 Goose「看着他工作」？ 

Dhanji： 是的，他非常痴迷 AI 實驗。他讓 Goose 實時觀察他的屏幕——Goose 能識別截圖內容。

有時候他在 Slack 或郵件里討論某個功能，幾小時后就發現 Goose 已經自動幫他寫好代碼、提交 PR 了。甚至如果他在會議中超時，Goose 會提醒他該去開下一個會。更厲害的是，如果他臨時要接孩子，Goose 會自動幫他重排會議日程。這些功能原本要靠日曆廠商去做，但現在 AI 已經能自己協調完成了。

AI 在工程和生產力的未來 

Lenny：你覺得未來兩三年，AI 會怎樣改變工程師和產品團隊的工作方式？ 

Dhanji： 我認為關鍵取決於大模型性能的提升。現在所謂「對話式編程」（vibe coding）還很原始——需要不停地來回對話，等待迴應。我們正在做的實驗是讓 AI 有更強的自主性。現在 Goose 平均一次交互大約持續 5 分鍾，我們希望它能持續幾個小時甚至幾天工作。比如，AI 可以在夜間或周末繼續工作，提前構建我們第二天要用的功能。未來，我們可以一次性描述多個實驗方向，讓 AI 在夜里全部實現。第二天醒來，我們只需挑出最好的方案。

Lenny：這意味着工程師可以大量「重寫」，甚至每次版本發佈都重建整個應用？ 

Dhanji： 是的。過去我們講「不要輕易重寫代碼」，因為代價太大。但 AI 可以讓這一點成為可能。未來我們可能每次發佈都能「刪除再重建」，用 AI 生成最優的新版本。關鍵是讓 AI 能保留那些細微的經驗和優化。

Lenny：你甚至讓 Goose 自己改進自己？ 

Dhanji： 沒錯，我最近就在試。讓 Goose 提出改進建議並在夜間實現。雖然有時會「跑偏」，但總體上有大約 60% 的任務能成功完成，剩下的需要人類介入。

人類的「品味」仍然關鍵 

Lenny：聽起來未來 AI 可能連增長和營收都能自己優化了。不過，這會不會讓人類失業？ 

Dhanji： 我不這麼認為。AI 仍然需要人類的「品味」和判斷來防止跑偏。我們團隊的設計負責人一直提醒我們：AI 的工作要有「人味」，要真正對人有價值。這將成為下一階段的關鍵差異點。

Lenny：能舉個例子嗎？什麼時候你們會覺得必須由人來做決定？ 

Dhanji： 比如流程自動化。很多團隊會提需求説要買新的廠商工具，另一部分團隊則主張用 Goose 自建。但有時我會問：我們真的需要這個流程或工具嗎？如果只是調整一下流程，也許什麼都不用做。AI 還做不到這種全局判斷——它不會思考「什麼纔是真正重要的」。這些領域仍然需要人類決策。

Lenny：那你怎麼看「自己開發 vs 購買 SaaS 工具」這個問題？AI 會讓企業不再需要那些軟件嗎？ 

Dhanji： 我認為要回到公司的核心使命。對 Block 來説，我們的使命是「經濟賦能」——幫助商家、藝術家和個人實現收入和創作。只要能推動這個目標的，無論是自己開發還是購買現成工具，都值得投資。如果只是爲了節省成本去自建，而讓團隊分心、偏離使命，那是得不償失的。所以關鍵不是省錢，而是保持專注：持續做對用户真正有意義的事。

Lenny：所以，總的來説，現在你們在招聘時最看重的變化，是不是在於尋找那些願意主動擁抱 AI 的人？不是那種覺得「我自己是個超強工程師，不需要用什麼 Cursor、Goose 之類 AI 工具」的人？ 

Dhanji： 沒錯。我們更看重的是一種「學習型思維」。這是我們 CEO Jack Dorsey 經常提到的。他希望 Block 成為一個「學習優先」的公司。無論我們在做什麼實驗、發佈什麼功能，最重要的問題始終是：我們從中學到了什麼？我們有沒有盡力去嘗試？ 對 Jack 來説，這比每次都得出「正確的商業答案」還要重要。

Lenny：那在招聘環節，你們會鼓勵工程師在做面試題時使用 AI 工具嗎？比如，看看他們怎麼藉助這些工具解決問題？這和過去一兩年相比有什麼變化？ 

Dhanji： 是的，我們現在開始這樣做了。傳統上，我們會用像 CoderPad 這樣的在線白板工具，讓候選人手寫偽代碼或講解解題思路。但現在我們會觀察他們是否會使用 AI 工具，比如「vibe coding」（與 AI 協作式編程）去構建某些功能，看看他們對這些工具的熟悉度，以及他們如何思考 AI 的協同作用。

當然，現在還處於早期階段。就我個人看法而言，一個人是否熟練使用 Goose 或 Cursor，並不一定能決定他是不是一個好工程師。真正重要的，仍然是他們是否具備批判性思維，能否深入理解技術問題的本質。這些能力比是否是「AI 原生程序員」更關鍵。

Lenny：我一直在想一個問題——AI 工具到底對哪一層級的工程師幫助最大？有人認為是初級工程師，因為他們能快速完成大量工作；也有人認為是資深工程師，因為他們更懂系統架構，能指揮「上千個 AI 代理」為自己服務。你怎麼看？ 

Dhanji： 其實兩種觀點都對。我的觀察是：資歷越深的工程師，和剛入行的新手，反而是最願意使用 AI 工具的兩類人。

資深工程師因為深知系統的複雜性，他們對 AI 的到來幾乎是「如釋重負」——終於有工具能自動完成那些他們已經做了一百萬遍、不想再重複的事。而年輕工程師，就像我侄女侄子玩 iPhone 那樣，上手極快、毫無包袱，他們「閃電般」地使用這些工具，比我們老一輩敲鍵盤要高效太多。

不過，真正讓我感到驚訝的是那些「非技術崗位」的人。比如法務、風險控制或設計團隊，他們開始用 AI 代理和編程工具來完成任務，效率驚人。這也預示了未來崗位的界限會越來越模糊——法務可能也在寫代碼，工程師也可能在做設計。能主動利用 AI 來優化自己工作流程的人，往往能帶來最大的影響力。

Lenny：這點很有意思——大家談論工程師生產力時，往往忽略了一個關鍵點：AI 幫工程師減少了來自其他部門的隨機需求。比如法務或市場團隊臨時讓他們「寫個小工具」，AI 幫忙后，這部分負擔大大降低了。這是不是工程師生產力提升的重要來源？ 

Dhanji： 完全正確。這其實是一種「隱形紅利」。不過，它也有點像「修更寬的公路」：一旦你提高了產能，就會有更多車上路。因為現在每個部門都能自己構建軟件，所以反而帶來了更多協作需求，更多的開發任務，大家都更急於發佈新功能、更快地交付結果。結果就是：整體開發速度在提升，但任務量也在增加。

Lenny：聽起來你們的招聘節奏並沒有因為 AI 而放慢。現在各團隊對工程師和產品經理的需求仍然很旺盛？ 

Dhanji： 對，不過我們更有策略地去思考「怎麼招人」。在過去，我們把工程師數量與產品功能數量掛鉤，比如 Square 或 Cash App 的功能越多，就要更多工程師。但現在我們更關注「結構性優化」——比如在哪些領域可以深入挖掘、模塊化、重用，從系統層面去加速我們的重點業務。換句話説，AI 讓我們更關注「深度」和「效率」，而不是簡單地擴張團隊。

Lenny：你這觀點太棒了——「想提升生產力，不只是用 AI，還要重新組織結構」。 

Dhanji： 確實有點道理。舉個例子，我們最近想提升構建速度，就同時使用了 Goose 和其他工具，效果非常顯著。我們開發了一個工具，能智能分析測試套件，只運行與代碼改動相關的測試，從而減少了 50% 的測試運行量。這不僅節省了時間，也降低了能耗（CPU 周期不再被浪費）。

而進一步的優化，比如把測試轉移到雲端，或者刪除那些已經沒意義的測試，甚至能再額外節省兩到三倍的資源。所以最終你需要的是一種「組合策略」——就像我之前提到的，有時我們要問自己：「這個流程我們還需要嗎？」在某些情況下，組織結構的合理性，比你用什麼 AI 工具更重要。

先親自用 AI，再推動團隊用 

Lenny：在聊你職業生涯的經驗之前，我想問最后一個問題：對於那些正在嘗試更深入擁抱 AI 的團隊，你有什麼建議？ 

Dhanji： 最重要的一點是——一定要 自己先用 這些 AI 工具。我們能推動內部廣泛採用 AI，關鍵就在於：Jack Dorsey 自己每天都在用 Goose，我自己也用，我們整個高管團隊都用。我們親自去體驗 AI 助手、AI 編程工具的使用場景，每天都在實踐。這樣我們才能真正理解 AI 如何改變我們的工作流。這種親身體驗，比在 LinkedIn 或哈佛商業評論上讀十篇分析文章都管用。只有自己去感受 AI 產品的優缺點、操作體驗，才能找到適合團隊的應用方式。

Lenny：我完全同意。其實別光聽我們聊 AI，真正的訣竅是「別想太多，直接動手」。去做點什麼、解決一個真實問題，你就會學得更快。比如前幾天我想從 Google 文檔中導出圖片。衆所周知，Google 文檔就像「數字版的加州旅館」——圖片能放進去，卻很難拿出來。於是我用 AI 工具 Lovable 寫了個小程序，只要輸入文檔 URL，就能一鍵下載所有圖片，幾分鍾搞定。 

Dhanji： 太棒的例子！我前陣子也遇到類似的事。我兒子需要做一些康復治療，我要整理所有治療的收據發給我太太，好去保險報銷。問題是，這些收據有的是截圖，有的是 PDF，還有郵件附件，格式混亂。於是我讓 Goose 幫我整理。它識別出這些文件都在我筆記本里，然后自動將所有收據整合到 Apple Notes 里的一個筆記中。更厲害的是，它還把內容轉成 HTML 格式，讓我能在 iPhone 上無縫查看，並直接分享給我太太。

整個過程是 Goose 自己在后台用 Apple Script 控制我的電腦完成的。這完全是我自己不會想到的解決方案。

Lenny：聽起來真的很酷。那普通人也能直接下載 Goose 來用嗎？ 

Dhanji： 當然可以。Goose 可以在我們的官網上直接下載，我們會把鏈接放在節目備註里。它支持 Mac、Windows 和 Linux，是個 Electron 應用，也提供命令行版本，方便喜歡用命令行的用户操作。

Lenny：那 Goose 和類似 Cloud Code 這樣的工具比，有什麼不同？ 

Dhanji：Goose 的核心是 MCP（Model Context Protocol）平臺，這讓它具有動態可擴展性。它既能自動化辦公任務，比如整理 Google 文檔或筆記，也能通過其他 MCP 執行編程任務，比如索引和處理代碼。可以説，它介於傳統的 AI 助手（回答天氣、做計算）與專注於代碼生成的工具（如 Cursor、Cloud Code）之間，是一個「可擴展的智能平臺」。

Lenny：而且它是免費的？ 

Dhanji： 對，Goose 本身是免費的，你只需要為使用的大模型 tokens 付費。我們主要基於開源模型開發，所以用户門檻很低。

漂亮的代碼不代表會成功 

Lenny：你現在擔任 Block 的 CTO 已經大約兩年了。如果能回到兩年前給當時的自己提點建議，你最希望自己知道什麼？ 

Dhanji： 有兩點。第一是 康威定律（Conway’s Law） 的力量——如果不改變組織中人與人之間的關係結構，就很難改變結果。我以前「知道」這個道理，但直到親身感受到它的影響，才真正理解。

第二是，作為 CTO，你通常只在事情出問題時纔會聽到反饋。當一切順利時，反而會陷入「安靜」的不安中，不確定自己是否在關注正確的問題。所以要學會定期退后一步，從整體上反思方向和重點。

Lenny：很多人還不太清楚 Block 和 Square 的關係，你能簡單解釋一下嗎？ 

Dhanji： 當然。Block 是母公司，旗下有四大主要品牌：Square、Afterpay、Cash App 和 TIDAL。此外，我們還有 BitKey 和 Proto 兩個專注於比特幣硬件的團隊。

Lenny：在你看來，關於產品開發或團隊建設，你學到的最「反直覺」的經驗是什麼？ 

Dhanji： 我覺得是「代碼質量與產品成功沒有直接關係」。工程師通常認為高質量代碼等於成功的產品，但事實完全不是這樣。舉個例子，YouTube 被 Google 收購時，很多人抱怨它的代碼結構糟糕——視頻數據存 MySQL 里、架構混亂。但它成爲了 Google 最成功的產品之一。

相反，Google 自己的 「Google Video」 技術更先進、功能更多，卻被 YouTube 徹底擊敗。

所以關鍵不在代碼，而在：產品是否真正解決了用户的問題。

Lenny：哈哈，這個例子太經典了。你還提到，有時候團隊看起來亂七八糟，其實那種「受控的混亂」反而有價值？ 

Dhanji： 沒錯。在我負責 Cash App 的早期，我們團隊從 10 個工程師擴張到 200 多個，看起來非常混亂——大家同時做實驗、快速上線，沒有嚴格流程。但這種自由讓工程師們充滿創造力。當然，你得確保基礎系統穩固，不會出可靠性事故或損失資金，然后在安全的邊界內，讓工程師們自由探索。受控的混亂（controlled chaos），往往能激發最有價值的創新。

Lenny：你覺得有哪些核心的領導力經驗，是你一路以來最受用的？ 

Dhanji： 最重要的一條是：從小處開始（Start small）。如果你想泡一杯茶，卻非要「煮沸整個海洋」，那你永遠也泡不成茶。要專注在眼前能完成的小目標。

比如 Goose 的起點，只是一個工程師的業余項目，他相信「Agent 會是釋放大模型價值的關鍵」。他做了個原型，分享給 Databricks、Anthropic，逐漸形成共鳴和合作，最終發展成現在的 Goose。Cash App 也是從一次 Hack Week 小實驗開始的。

我們甚至連最早的比特幣項目，也是我、Jack Dorsey 和另一位工程師在 Hackathon 上做出來的——用 Cash Card 買了一杯 Blue Bottle 的咖啡，那大概是我人生中最貴的一杯咖啡。

Lenny：是個精彩的故事。那反過來，有哪些項目是你參與但失敗了的？ 

Dhanji： 太多了。Google Wave、Google+、Secret（一個匿名社交應用）、還有一個郵件創業項目（后來 Canva 的聯合創始人也參與過），都失敗了。

但每一次失敗都教會我一些東西，也讓我更謙遜——學會傾聽別人的觀點，而不是以為自己全都懂。真正的成功，比如 Cash App，就是在那些失敗的經驗基礎上建立起來的。

Lenny：我猜那些失敗的項目，代碼質量都特別好？ 

Dhanji： 哈哈，有些確實很漂亮，有些則各方面都糟糕透頂。失敗的原因很多，但漂亮的代碼從來不是決定因素。

參考鏈接：

https://www.youtube.com/watch?v=JMeXWVw0r3E

https://thenewstack.io/how-block-got-12000-employees-using-ai-agents-in-two-months/

本文來自微信公眾號「AI前線」，整理：冬梅，36氪經授權發佈。