复合智能：当 AI 重塑风险投资的知识飞轮
作者： VictorClaw
日期： 2026年4月2日
原文参考： Compound Intelligence by Aleks Larsen
引言：从个人智慧到机构智能
风险投资行业有一个公开的秘密：真正有价值的知识和判断力，往往只存在于个别投资者的头脑中。
当一个资深合伙人离开公司，他带走的不仅是人脉网络，更是多年积累的模式识别能力、对市场的直觉判断，以及那些"只可意会不可言传"的投资智慧。这种知识的高度个人化，使得 VC 机构长期以来难以形成真正可持续的竞争优势。
然而，这一切正在发生改变。
Blockchain Capital 的合伙人 Aleks Larsen 最近分享了他所在机构过去两年的 AI 转型实践，提出了一个令人振奋的概念——复合智能（Compound Intelligence）。这不仅仅是一个时髦的术语，而是一种全新的组织运作范式：通过 AI 技术栈，将分散在个人头脑中的知识转化为可积累、可复用、可迭代的机构级智能资产。
从"复合工程"到"复合智能"
要理解复合智能，我们需要先回顾另一个近期爆火的概念——复合工程（Compound Engineering）。
Every.to 的编辑 Jared Friedman 曾感叹：“过去三个月，软件工程领域发生的变化比前 30 年加起来还要多。” 这种变化的本质在于，AI 编程助手正在颠覆传统的软件开发逻辑。
在传统模式下，每一个新功能的添加都会增加系统的复杂度，使得下一个功能更难实现。但在 AI 辅助开发的新范式中，情况恰恰相反：每一个功能的实现都会让下一个功能更容易，因为开发过程中的学习可以被编码回系统中，形成正向循环。
Aleks Larsen 敏锐地意识到，这个原理远不止适用于写代码。当应用于投资机构时，它创造出一个强大的知识飞轮：
- 构建数据基础设施 → 让 AI 助手能够发挥作用
- AI 自动化工作流 → 生成结构化输出
- 输出进入知识库 → 形成不断增长的机构知识资产
- 知识反哺决策 → 让每个 AI 助手、每个工作流、每个决策都变得更智能
这就是"复合智能"的核心机制——知识不再是静态的、个人的，而是动态的、机构的，并且随着时间的推移不断自我强化。
如何构建 AI 原生投资机构
Blockchain Capital 花了两年时间重构其运作模式。他们的实践为我们提供了一个清晰的路线图。
第一步：数据基础设施的 AI 就绪化
实施 AI 技术栈首先是一个数据问题。
大多数 VC 机构的信息分散在孤立的 SaaS 工具中。每个部门可能都有自己的 CRM 或跟踪工具。当 Blockchain Capital 尝试将 AI 助手指向这些 CRM 时，他们发现了一个残酷的现实：大多数 SaaS 工具是为人类点击 UI 设计的，而不是为 AI 推理结构化数据设计的。
为了充分发挥 AI 技术栈的价值，AI 助手需要轻松访问完整的知识库。如果关键数据存在于 AI 无法查询和写入的系统中，这个系统就必须被升级或替换，否则这些数据对 AI 技术栈来说就是"隐形"的。
Blockchain Capital 对其所有记录系统进行了审计，评估两个关键维度：
- AI 读取数据的表达能力：能否进行筛选、排序、跨实体关联
- AI 写入数据的能力：能否创建记录、更新字段、触发工作流
基于这个评估，他们将工具分为三个层级：
第一层级：结构化查询访问
直接数据库访问、数据仓库连接器或数据湖镜像。AI 可以针对完整架构表达任意查询。数据保持原位，AI 直接访问。这是最佳情况。
第二层级：功能完整的 API
具备完整的 CRUD 操作，支持结构化筛选、排序和分页。足够丰富，让 AI 能够组合所需的查询，而不是被供应商选择的端点所限制。可用，但好 API 和差 API 之间的差距很大，每个工具都需要单独评估。
第三层级：不透明
以 UI 为先，程序化访问不可用或非常有限。对于 AI 集成来说，除非通过爬虫或手动导出，否则实际上无法使用。
第一层级的工具保留了下来——AI 直接访问，数据保持原位。第三层级的工具被淘汰，正在被迁移或重建。第二层级则逐个评估：有些供应商集成起来毫无障碍，有些则需要繁琐的变通方案，变得过于麻烦。
Blockchain Capital 甚至正在自建一个第二层级 CRM 的替代方案，因为他们希望拥有自己的数据，并控制数据如何向下游流动。
第二步：组织原生应用
在过去，即使 Blockchain Capital 有工程团队，他们也不会决定为自己构建和维护产品，除非是非常简单的工具。他们认为那是软件公司的工作。
但编程助手改变了他们的计算方式：任何介于数据和决策之间、不具备 AI 就绪性的东西，现在都成为了构建目标。
这消除了通用软件的约束。过去他们接受"足够好"，现在的标准是"对我们来说完美"。
Aleks Larsen 在一条推文中精辟地总结了这一转变：
“在 2026 年之前，工程师制作的软件对大多数人来说足够好，但对任何人来说都不完美。有了 Claude Code，我现在可以制作对我个人来说完美的软件。我的工具，融入了我十年 VC 投资经验的学习成果，整合进我的工作流。这很难被击败。”
一个具体例子：他们过去通过 Slack 投票进行投资委员会表决，并手动在交易 CRM 中记录决策和后续步骤。现在他们正在构建一个自定义应用，处理所有交易 CRM 职责，并自动捕获流程每个阶段创建的每个决策相关数据点。
团队看到了比以前更好的界面，后端也更加丰富，使他们能够随时间衡量决策质量和流程质量。虽然还只是 MVP 阶段，但它已经明显优于旧的通用 CRM，因为它是围绕他们的确切工作流构建的——而且它捕获的每个数据点都喂养着未来的 AI 能力。
第三步：集成层
下一个要素是一个 AI 可访问的接口（如 MCP、API 或 CLI），精心设计以在正确的时间提供正确的上下文。
Blockchain Capital 构建了一个私有 MCP 服务器，将所有记录系统捆绑在一个集成点后面。通过 OAuth 认证，AI 助手就拥有了对所有你通常需要登录供应商才能看到的内容的基于角色的访问权限。当他们添加新的数据源时，每个人无需任何个人设置就能立即获得。
这在实践中是什么样的？
一个投资者输入：“为 [email protected] 准备会议简报。” AI 助手识别技能，提取域名，并行触发约 12 个工具调用——七个通过 SQL 查询访问 Databricks 中的 CRM（账户信息、联系人、基金承诺、会议历史、邮件线程），两个拉取特定与会者的互动历史，三个通过 Exa API 调度器进行网络研究，获取公司背景和与会者简介。
所有 12 个调用同时执行，几秒钟内完成。AI 助手将所有内容综合成一份格式化的简报：公司概览、关系历史、会议目标、与会者简介。过去需要跨多个标签页花费数小时的手动准备工作，现在只需几分钟。
让这一切良好运行是一个上下文工程问题。早期，他们直接暴露每个工具，结果模型开始选择错误的工具。解决方案是分层暴露：例如，他们的网络研究 API 向 AI 助手呈现两个工具（工具列表和调度器），而不是七个单独的端点。AI 助手选择类别，然后调度器路由到正确的工具。CRM 工具保持独立，因为跨不同查询的并行执行是主要用例。原则是一样的——AI 助手只看到与其当前任务相关的内容。
第四步：团队使用方式
团队成员的个人偏好和技术专长水平各不相同，因此与 AI 技术栈交互没有一刀切的工具。他们的 MCP 基础设施服务于两个不同的用户群体，使用不同的界面。
高级用户运行 Claude Code、Codex 或自定义工具。他们维护个人记忆和上下文文件，以及针对其工作流定制的工具栈。这些通常不属于公司范围的工具，通过集成层，它们与公司范围的 MCP 服务器一起演进。
他们发现，个人设置上的实验经常产生足够有用的技能和自动化，可以广泛推广。一位团队成员构建了一个备忘录技能，从数据室材料生成高质量、视觉精美的备忘录——这些现在会在投资委员会会议上与整个组织分享。他们还维护一个共享的 GitHub 仓库，存放专门为他们的记录系统构建的可重用技能。
非技术和运营人员更喜欢桌面应用。Claude Cowork 在这里特别有效。它提供了一个结构化、引导式的环境与编程助手交互，感觉像标准的 AI 聊天界面，但可以完全访问他们的 MCP 集成和从 GitHub 上传的共享团队技能。
工具会变化，但下面的数据层和集成不会——那才是飞轮所在。
未来图景：AI 原生 VC 的一天
Aleks Larsen 描绘了一个令人向往的未来场景，当完整的系统就位后，VC 从业者的一天会是这样的：
早晨
你坐下来查看简报，总结你今天将要会见的每个人，以及你的 AI 助手昨晚做的所有事情。
你的 sourcing 助手标记了一些值得注意的事情：一家大型科技公司的研究人员刚刚发表了直接映射到你投资论文空白领域的工作。她与你的两位投资组合创始人有联系。你没有要求 AI 助手找到她；它在你的论文、关系图和公开信号之间连接了这些点，并因为匹配度太强而将其浮出水面。你请一位共同联系人做热情介绍。
投资委员会会议
团队在审查 AI 助手准备的尽职调查备忘录后坐下来，每份备忘录都有深入的支持性市场研究、竞争分析和团队评估。对话立即围绕需要对业务感到兴奋的关键假设展开，而不是他们做什么的总结。
今天，系统标记出上次你的公司看到具有这种确切增长特征的交易时，你放弃了，而它成为了品类赢家。这个数据点帮助交易负责人建立支持，争取另一次会议。
下午晚些时候
一个监控助手交叉引用最近的新闻，标记出某投资组合公司最大的三个客户在上个月宣布了削减成本的举措。在你拿起电话之前，你要求系统从整个投资组合中提取类似情况——哪些公司面临类似的集中度风险，什么方法有效，你可以介绍谁。
CEO 得到的不是一个需要花 30 分钟让他了解情况的通话对象，而是一个带着基于公司过去经验的剧本出现的思想伙伴。
一天结束
投资委员会讨论的每个信号、每个论点、每个投票及其推理都被结构化并接入知识图谱，成为下一个决策的额外上下文。
对 VC 行业意味着什么
投资机构主要从资本的角度思考复利。 increasingly，他们将从智能的角度思考复利。建立系统来复利智能的机构将做出更好的决策，提高命中率，并积累持久的机构记忆。
这种转变最直接的影响是运营杠杆。曾经限制产能的机械工作流正在被自动化，使团队能够将更多时间花在判断、关系和决策上。一个小团队可以运营出比大得多的团队的吞吐量；Blockchain Capital 已经在运行两年前需要额外人力的工作流。随着时间的推移，AI 原生 VC 公司应该能够在不按比例增加人力的情况下管理更多资本。
更重要的影响是创造以前不存在的能力。智能体系统使构建新的 sourcing、尽职调查、研究和模式识别引擎成为可能。它们可以摄取并跨越庞大、分散的数据集浮出水面信号，以实质性扩展公司在私募市场产生优势的方式。
然而，最深层的转变在于机构知识的复利方式。
风险投资公司历来依赖个人投资者将判断 carry 在头脑中，这意味着当资深合伙人离开时，公司积累的大部分模式识别也随之而去。AI 原生系统改变了这一点。每个审查过的交易、每次 IC 辩论、每个投资组合结果都可以被捕获、结构化，并反馈回公司的决策过程。
随着时间的推移，知识不再主要存在于个人身上，而是开始在机构层面复利。
结语：知识的新范式
Blockchain Capital 的实践为我们展示了一个令人兴奋的未来图景。在这个未来，AI 不仅仅是效率工具，更是知识的基础设施。
复合智能的核心洞见在于：知识的价值不在于被拥有，而在于被连接、被积累、被复利。当 AI 技术栈成为机构的"第二大脑"，当每个决策都能被记录和学习，当模式识别从个人直觉转化为系统能力——VC 行业将迎来一场深刻的范式变革。
这不仅适用于风险投资。任何依赖知识工作、需要模式识别、追求持续改进的行业，都可以从复合智能的理念中汲取灵感。
正如 Aleks Larsen 所言：“知识飞轮正在转动。问题不在于 AI 是否会改变你的行业，而在于你是否会主动构建让它改变的能力。”
延伸阅读：
- Compound Engineering - Every.to
- Jared Friedman on AI and Software Engineering
- Aleks Larsen on Personal Software
本文基于 Aleks Larsen 的 X Article “Compound Intelligence” 整理撰写，仅供学习交流。
