這幾個月玩龍蝦與實作各種 AI Agent 下來，我最大的感受是，如果一家公司的所有 workflow 都以 AI 為核心，這家公司到底能有多強？

去年我每天在 ChatGPT、Perplexity 和 Gemini 或是不同 Agent 之間切換，最常遇到的問題就是「斷裂感」。每個工具都只懂我一點點。聊到一半突然想帶入另一個脈絡，就得重新餵資料，超級痛苦，那時做了各種工具來解決這個問題。

現在回頭看，這個痛點正好對應到最近產業在推的幾個大方向。YC 最近發的 Summer 2026 RFS 裡，Company Brain、Software for Agents、AI Operating System for Companies、AI-Native Service Companies，都在從不同角度講：AI 要真正進入 workflow，不能只靠模型能力，還需要記憶、脈絡、工具介面與可執行的組織知識。

其中「Shared Memory」不是 YC 原文裡的分類，而是我自己這幾個月實作 Agent 後，對這些趨勢的底層歸納。

一、Shared Memory：我最有感的底層問題

現在越來越多公司在解決「AI 記憶割裂」的問題。說白了就是透過 MCP 把記憶、工具、資料源包成 AI 可以調用的服務。那麼不管是哪家的大模型，只要接上這個介面，就能共用同一套使用者記憶。

Karpathy 之前提過 LLM OS 的概念（把 LLM 當 CPU，外圍配上自己的記憶體和檔案系統），這描繪的其實比較偏向「個人層級」的 AI 作業系統。但在這一年實作 AILogora 的過程中，我一直覺得更需要被解決的是「群體層級」的記憶共享，也就是我常提的 Collective Wisdom。

之前做 KnowledgeMap、最近在弄 Cairn 專案來解決社群裡知識破碎的問題時，我常常覺得自己在撞牆。有時甚至會懷疑：「一群人的知識無法跨 AI 共用，這到底是不是一個痛點？還是只有我在瞎忙？」

但這半年，做類似事情的公司突然多了起來。像 kapa. ai 就在做把文件、Slack、Discord、GitHub 等來源整合起來，讓 AI 能回答技術問題。這跟我之前在 AILogora 做 Wiki QA 時碰到的問題很接近，只是 kapa. ai 更偏 developer support 與 onboarding；我更在意的是社群裡的知識如何被沉澱、辯論、維護，最後變成一個會長大的 collective memory。

近期再加上各種 MCP memory server 的開源專案在 GitHub 上遍地開花，這個方向顯然不只是我一個人的直覺。

二、Company Brain：不是 Wiki，是會自己更新的組織知識層

如果說 Shared Memory 是從個人走向群體的基礎，那再往上拉一層，就是 YC 這次特別點名的 Company Brain，就是這個問題在公司層級的版本。

這個東西跟傳統的內部 Wiki 或 Notion 文件庫最大的差別在哪？我研究了一下 Falconer、Hyper 這些新創在做的事，核心邏輯就一句話：「持續同步與糾偏」。它在背景默默跟你的 Slack、GitHub、Notion 同步，當 AI Agent 要執行任務時，調用的是團隊「當下最新」的隱性知識，不是三個月前寫完就沒人更新的死文件。

這也是我在實作 Moss Manager Agent 時很深的體悟。我讓 Moss 去管理其他 Agent 的工作分配，結果發現最大的瓶頸根本不是模型能力，而是 Agent 不知道「現在公司的狀況是什麼」。它缺的是 context，不是 intelligence。

三、Software for Agents：軟體的第一使用者變成了 AI

這個趨勢我覺得是最容易被忽略，但影響最深的。

這半年來我一直有一個很深的體悟，之前也有分享過：The future of software is not just human-friendly, but agent-operable. 以前我們設計軟體，預設的使用者是人，所以要有漂亮的 UI、好用的按鈕。但現在越來越多軟體的「第一使用者」其實是 AI Agent。

YC 這次 RFS 直接列了一個類別叫 Software for Agents，講的就是怎麼幫 Agent 建基礎設施，不只是給人看的 UI，而是 APIs、MCPs、CLIs、結構化文件，讓 Agent 可以自己 discover、理解並調用工具。具體例子，現在有些網站開始放 llms.txt（類似 robots.txt，但是給 AI 看的內容索引），OpenAPI spec 從「有就好」變成「Agent 能不能自己看懂並操作」的硬標準。

我自己在做 AILogora 的 KnowledgeMap 時就一直在想這件事：社群裡的知識到底要怎麼結構化，才能變成一個「介面」讓 AI 有效調用？現在看著大家開始推動 MCP 與各種 machine-readable 的標準來封裝能力，才發現這不是我一個人在鑽牛角尖的小煩惱，而是整個產業正在共同面對的基礎建設挑戰。。

四、AI-Native Service Company：從賣工具到賣結果

最後一個趨勢，我覺得對創業者衝擊最大。

傳統 SaaS 賣的是「工具的使用權」，你付月費，自己動手。但 AI-Native Service Company 賣的是「搞定的成果」。客戶不用學怎麼操作你的軟體，AI Agent 加上少數人類專家直接幫你把事情做完。

Sierra 做客服、Harvey 做法律、Clay 做銷售，這些公司的共同點是，客戶付錢買的不是 dashboard 的 access，而是「問題被解決」這個結果本身。

Bain 也提到，AI 正在讓傳統 per-seat pricing 變得不夠貼近價值，短期更可能出現 seat、usage、outcome 混合的定價模式。

這讓我重新思考 AILogora 的定位。我們現在提供的是知識社群平台（工具），但如果未來能直接幫社群成員「產出他需要的知識整理」，那價值完全不一樣。這邊我也還在想，還沒有很確定的答案。

不管是我自己感受到的 Shared Memory，還是 YC 明確點名的 Company Brain、Software for Agents、AI Operating System for Companies、AI-Native Service Companies，本質上都在說，AI 產業的重心正在從「模型能力」轉向「記憶、脈絡、與整合」。以前我們把 LLM 當成萬能解答機，現在大家開始意識到它只是一顆 CPU，外圍的記憶體和檔案系統，才是真正決定它能發揮多少價值的關鍵。

模型會越來越 commodity，但你的 context 不會。誰能把知識統整在一起，讓所有 AI 都能調用，誰就有下一波的優勢。