摘要

10x 的创立洞见是：AI 原生工程让按小时计酬变得荒谬——产出更快的工程师创造的价值越多，反而可能赚得越少。 在一次裁掉90%工程团队的重组后，Arman Hezarkhani 被迫用 AI 重建 Parthean 的产品与工程流程，生产级产出随后“提升了10倍”。如今，公司按 story point 产出付费，试图为顶尖工程师提供“上不封顶的收益空间”。
仅靠 story point 薪酬，这套模式就可能带来个人百万美元级别的现金收入。 Arman Hezarkhani 表示，10x 明年“可能”会有不止1名工程师赚到100万美元，而且“非常有可能”会有超过少数几名工程师跨过这一门槛。
Story point 仍然可以被操纵，因此10x把激励和招聘，而非计量本身，视为真正的控制系统。 公司筛选“自利，但着眼长期的自利者”（“selfish but long-term selfish”），再让工程师与按 NRR、留存率和账户增长获得激励的技术策略师搭档。这种内部张力会在客户看到成果前形成最后一道质量关。
最有说服力的证据，是把原型开发周期从几个季度压缩到几周，甚至几小时。 10x 用两周将多个量化后的零售视觉模型部署到 Raspberry Pi 4、Jetsons 和 Nanos 上；一个月内做出全球排名第20的移动应用；还把一次被拒的销售提案在大约4小时内变成可运行的健身、健康和营养教练。Hezarkhani 仍提醒：“我们没有声称自己是什么魔法生物。”
10x 当前受限于人，而不是 agent，顶尖技术人才招聘因此成为增长的硬约束。 公司设计了一道“难得不讲理”的 take-home 测试，约50%的候选人不会回复，但通过者最快可以在1周内完成整个流程。
这套技术栈围绕 agent 反馈回路优化，但工具选择仍有意保持流动。 共享的 TypeScript schema 为 agent 提供约束和有用的错误信息；Claude Code、Codex 和 Cursor 会根据任务甚至当天的情况切换。Swyx 质疑这种基于个案的比较，追问是否有全面评测，随后用武士刀作比：工具一旦足够好，手感与匹配度就更重要；Hezarkhani 表示认同。
全自主工程能否实现，关键可能不在原始智能，而在于防止小错误不断累积。 Hezarkhani 认为模型智能是主要瓶颈；Alex Lieberman 指向 context engineering；10x 工程师 Dan 则将问题重新定义为“控制熵”（“controlling entropy”），因为即使错误率只有1%，也可能不断累积，最终让自主回路失控。谈到 MCP，Hezarkhani 称它是“用3个字母表达 API 的词”，Lieberman 则认为它有用，但批评围绕这一标签的炒作和过高融资，同时强调更广义的协议并不只是 API wrapper。

精读

1. 一次被迫裁掉90%工程团队的重组，暴露了 AI 真正的工程杠杆

Lieberman 在2020年投资 Parthean 后结识 Hezarkhani。Parthean 是一家 AI 金融工具公司，业务从面向消费者转向金融顾问和 RIA。转折性的对话发生在这次访谈前大约9个月：Hezarkhani 将工程团队缩减了90%，旧有的产品与工程流程已无法维持。
现实迫使公司以 AI 为核心重构流程。Hezarkhani 表示，生产级软件产出随后“提升了10倍”——Lieberman 起初并不相信，因为尽管 ChatGPT 和 Grok 带给他改变人生的体验，他此前从未亲眼见过这种程度的杠杆效应。
由此形成的经济学判断是：一个产出达到原来10倍的工程师，不可能合理地按“每小时1000美元”报价，而按小时计费反而奖励低效工作。因此，10x 改为按产出付费，并追问如何让顶尖工程师获得“上不封顶的收益空间”。

2. 只有当激励延伸到 sprint 之外，Story point 才能发挥作用

Swyx 的核心质疑非常直接：软件产出的计量单位是什么——PR，还是 story point？“被计量的东西”难道不会被操纵？Hezarkhani 承认这套系统可以被利用；如果把每一行代码都等同于更多点数，薪酬就会被机械性推高。
他的辩护建立在长期合作关系之上。工程师可以操纵今天的点数，但糟糕的交付会导致客户流失，机会也随之终结。因此，10x 招聘“自利，但着眼长期的自利者”（“selfish but long-term selfish”），同时也招募那些单纯享受与优秀同行一起写代码的人。
Lieberman 补充了一道组织层面的制衡：每个项目都配备一名 AI 工程师和一名技术策略师。策略师的激励指标包括 NRR、留存率和账户增长，并在 sprint 开始前对工程计划作最终批准——“以一种健康的方式让两个人彼此对立”，在客户看到任何成果前形成最后一道质量防线。
10x 尚未遇到客户就点数分配或所谓故意压低交付量提出争议，不过 Lieberman 强调，公司还很年轻。Swyx 的解读是：交付不顺时，点数分配会变成政治问题；交付顺利时，所有人都会继续“一路狂奔”。

3. 原型速度正同时成为交付优势和销售武器

最具技术含量的案例来自一家零售科技客户，该客户在门店使用 Raspberry Pi 4。10x 将现成模型与内部训练模型结合并完成量化，再让多个模型并行运行在 Raspberry Pi 4、Jetsons 和 Nanos 上，用于生成热力图、识别排队情况、判断货架补货需求，并通过身体分析支持盗窃检测。
这个原型耗时两周，而 Hezarkhani 表示，以前由成熟工程团队完成可能需要几个季度。他同时保留了限制条件：这仍是一个研究项目，需要长期进行准确率和指标优化，并不能证明团队是“魔法生物”。
快速原型也改变了销售方式。一名健身领域的网红认为10x还太早而拒绝合作，且10x 当时没有内置设计团队；随后，一名工程师在大约4小时内做出了一个可运行的个性化健身、健康和营养教练。该应用尚未上线，但10x 已在客户候选名单中升至首位，获得了开发机会。

4. 结构化代码有助于 agent，但没有哪一个编码 agent 能长期称王

10x 的默认选择是前后端都使用 TypeScript，并共享类型和 schema。其吸引力在于，既保留 JavaScript 的灵活性，又利用 TypeScript 的约束和错误信息，让 Claude Code、Cursor 或其他 agent 可以运行代码、检查失败原因并继续迭代。
Hezarkhani 否认团队存在“年度、月度，甚至周度最爱 agent”。团队今天下午4:42可能更偏好 Claude Code，明天却会发现 Codex 在特定任务上更好。
Swyx 反驳称，这些判断带有个案性质，如果没有全面评测，就容易受到“抽签运气”的影响。他也提出了另一种基于实际体验的看法：编码 agent 一旦足够强，最终取决于它是否适合使用者——包括协作方式，以及它写出的代码是否符合工程师偏好的风格。Hezarkhani 表示认同。
尽管工具带来了巨大杠杆，Hezarkhani 仍称10x“100%受人力约束”。眼下的瓶颈是找到足够多的优秀工程师，并建立能够维持交付质量的流程；打造10x 自有技术则是更长期的目标。

5. 当错误在自主回路中不断累积，自治就会被熵拖垮

许多同行已经放弃 take-home 面试，但10x 仍然保留，并将题目设计得“难得不讲理”；约50%的候选人不会回复。代价换来的是更短的流程：两次通话、take-home 测试、评审，以及1至2次最终面试，最快可能在1周内完成。
当被问及什么阻碍了一个完全自主的高级工程师时，Hezarkhani 认为主要瓶颈是模型智能，并指出现有训练对 Python 和 Django 的泛化明显优于对完整后端分布式服务的泛化。Lieberman 则强调 context engineering，即把正确的信息输入 LLM，并准确引导其注意力。工程师 Dan 将问题进一步概括为“控制熵”（“controlling entropy”）：即使准确率达到99%，剩余的1%也可能在自主回路中不断放大，直到累积误差令 agent 偏离轨道。
MCP 的讨论体现了双方关注点的差异。Hezarkhani 称 MCP 是“用3个字母表达 API 的词”，并以一种不作价值判断的社会学视角看待技术社群如何创造术语。Lieberman 认为 MCP 有用，但批评围绕一个改名概念展开的炒作和过高融资，同时强调更广义的协议并不只是 API wrapper。他还认为，真正的争论比一场无人质疑的演讲更能暴露问题。

No Priors 第141期｜与 Sunday Robotics 联合创始人 Tony Zhao 和 Cheng Chi 对谈 Ari Emanuel押注现场娱乐的“反AI”赌局