一个币圈公司的硅碳共治之路 — Cobo 的内部 AI 转型

marsbit发布于2026-02-25更新于2026-02-25

文章摘要

Cobo作为一家以加密资产托管和稳定币支付为核心业务的公司,自2024年底开始探索AI与区块链结合的道路。最初尝试通过MCP构建AI技能应用商店,但因技术门槛高、标准化不足而未能落地。随后公司转向内部AI化转型,重点解决安全与数据权限问题,采用Claude和Gemini等大模型,并自建知识库与Agent框架,实现数据分层和权限控制。 为推进AI应用,Cobo从管理入手,强制推行OKR Agent,将目标设定、进度追踪和复盘系统化,促使员工适应“硅碳共治”的工作方式。此后逐步将AI推广至客服、法律、销售等业务领域,上线超过100个Agent,改变了以往“遇事就招人”的思维,转向系统优先的协作模式。 Cobo总结出成功转型的关键:健康的现金流支撑长期投入、管理层强力推动、强制性使用政策以及先内部落地再对外输出。最终,公司内部从“人驱动流程”逐渐转向“目标驱动系统”,并基于此经验推出了面向外部的Cobo WaaS Skill,将钱包API升级为AI Agent可直接调用的金融能力模块,显著提升开发效率。

从 2024 年底开始,Cobo 除了自己核心的加密托管和稳定币支付业务之外,一直在探索 AI 和区块链的结合。

我们最早看到的是 MCP 带来的标准化技能潜力。理论上,如果技能足够标准化,AI 可以像插件一样调用能力,区块链会成为 AI 最自然的金融基础设施。

于是我们内部孵化了一个 MCP 的应用商店。但很快证伪。

当时的 AI 门槛还是高到只有成熟工程师才可以熟练调用,MCP 又不够标准化,每一个对接耗时耗力,成本高、推进慢,落地效果远不如想象。

但 AI 团队毕竟搭起来了。很贵,很难招,也不可能轻易撤掉。

于是我们决定换一个方向。既然现在还改造不了客户世界,那就先改造自己。

第一个问题:安全

Cobo 作为资产托管公司,不管是数据还是内部技术流程框架,都是极其敏感。内部也有严格的数据层级。但没有数据、没有真实业务输入,不可能练出公司自己的 Agent。

我们最早想的是本地模型部署。但现实是,本地模型的智力水平达不到要求。能跑,但不好用;能回答,但不够聪明。

最后还是选择了 Claude、Gemini 为主(可以申请 ZDR——零数据留存条款,实现最高级别隔离)。

但大模型只是业务的底层“大脑”。真正复杂的,是数据和权限。

我们后来做了一整套内部知识库和 Agent 框架。

内部知识库+cobo 自研 agent 体系

知识库负责公司内部数据分层。根据员工权限,分配可读范围。

Agent 在调用知识库时,也继承员工权限,而不是拥有“上帝视角”。

这里的细节包括:

  • 如何隔离网络环境
  • 如何限制跨层数据流动
  • 如何控制日志留存可审计
  • 如何避免敏感信息外泄

这些都不性感,但决定这件事能不能长期跑下去。AI 不能成为安全漏洞。

架构搭好之后的问题:没人用

即使到今天,公司依然面临着一个现实问题:很多前台业务对 AI 是不屑的。

如果只是鼓励使用,AI 改变工作流不会发生。

我们后来意识到,必须从公司管理动手。

第一个突破口:OKR Agent

我们第一个强推的场景,不是客服,也不是写代码。

是 OKR。

我们用 AI 拆公司战略,用 AI 帮助设定 OKR,用 AI 追踪进度,用 AI 复盘卡点。

也就是说,把公司管理,从人的管理,慢慢变成硅碳共治。这个过程对员工是极其难受的。

以前目标可以写得漂亮一点,过程可以讲得合理一点。现在每周数据都在那里,借口越来越少。

从那一刻开始,目标不再只是会议里的讨论,而变成了系统里的持续记录。

strategy okr每周督促业务进展

但也是从绩效开始,每个人才真正对 AI 熟悉起来。因为你不参与,它会直接影响你的薪酬。

从绩效到业务:全面 Agent 化

当 OKR 跑起来之后,我们开始推进内部服务 Agent 化。我们用评比 + 奖金的方式,强制每个部门设立和自己业务相关的 Agent。

客服做客服 Agent。法律做合同辅助 Agent。销售做CRM Agent。

寻找最阴阳怪气的客户agent

最终一共上线超过100个 Agent。

我们没法精确量化“硅碳共治”的结果。

但至少一个变化是清晰的:

以前遇到问题,第一反应是“要不要多招一个人”。现在第一反应是,“能不能先让系统参与”。

这其实就是我们理解的硅碳共治。不是 AI 替代人。而是人开始习惯和系统一起工作。

这一年走过的路,有几个很现实的心得

第一,有健康现金流。

如果公司现金流不健康,这种转型走不到终点。AI 不是省钱工具,它是前期投入换长期结构升级,感谢Cobo主营业务还有健康的现金流。

第二,必须 top-down 推进。

组织不会自发改变。如果管理层不强推,这件事会自然流产。

众所周知,Cobo的创始人都是重度ai玩家,CTO蒋博士零几年在CMU做博士后就开始一些AI研究。

第三,必须强制使用。

如果只是鼓励,AI 永远停留在写写邮件。真正进入流程的改变,一定是带点“强制性”的。

第四,先解决自己业务。

很多公司讲 AI + Web3。但如果自己内部都没有完成 AI 化,对外讲的都是概念。

回头看

我们也无法完全量化这场转型。公司开始从“人驱动流程”,慢慢转向“目标驱动系统”。

如果未来真的出现“智能组织”,它一定不是自然演化出来的。它是被一轮一轮不舒服推出来的。

因为全员的参与,公司也能更好了解在 AI 时代下真正的需求。

这也是我们内部转型的副产品。

最近我们推出了 Cobo Waas Skill。Cobo WaaS Skill 是专为 AI Coding Agent 设计的集成与运维能力层,通过结构化知识、可执行示例和场景编排,使 Agent 能准确调用 WaaS API。我们正在把钱包 API 升级为可被 AI Agent 直接调用的金融能力模块。开发周期从周级缩短到对话级。

这不是某一个产品灵感的结果。而是我们内部这一轮硅碳共治之后,能力自然外溢的结果。

我们还在摸索。

但至少,今天的 Cobo,已经不是 2024 年那家公司了。

热门币种推荐

相关问答

QCobo 最初探索 AI 和区块链结合时遇到了什么挑战?

ACobo 最初尝试内部孵化 MCP 应用商店,但发现 AI 门槛过高,只有成熟工程师才能熟练调用,且 MCP 不够标准化,每个对接耗时耗力,成本高、推进慢,落地效果远不如预期。

QCobo 如何解决 AI 应用中的数据安全和权限问题?

ACobo 选择使用支持零数据留存(ZDR)条款的 Claude 和 Gemini 作为底层模型,并自研了一套内部知识库和 Agent 框架。知识库根据员工权限分配数据可读范围,Agent 继承员工权限而非拥有“上帝视角”,同时严格隔离网络环境、限制跨层数据流动、控制日志留存可审计,避免敏感信息外泄。

QCobo 如何推动内部员工使用 AI 系统?

ACobo 通过强推 OKR Agent 作为突破口,用 AI 拆解公司战略、设定 OKR、追踪进度和复盘卡点,使目标管理从人的管理转向“硅碳共治”。随后通过评比和奖金强制每个部门设立业务相关 Agent,最终上线超过 100 个 Agent,让员工习惯与系统协同工作。

QCobo 在 AI 转型过程中总结了哪些关键心得?

ACobo 总结的心得包括:1. 公司需有健康现金流支持前期投入;2. 必须自上而下(top-down)强推,否则易流产;3. 需强制使用而非仅鼓励,才能深入业务流程;4. 应先解决自身业务 AI 化,而非空谈对外概念。

QCobo 内部 AI 转型带来了什么具体成果?

A转型后,Cobo 从“人驱动流程”转向“目标驱动系统”,员工遇到问题第一反应从“多招人”变为“先让系统参与”。此外,能力外溢催生了 Cobo WaaS Skill,将钱包 API 升级为可被 AI Agent 直接调用的金融能力模块,开发周期从周级缩短到对话级。

你可能也喜欢

年薪百万抢电工,Meta急到自己办技校

AI竞赛正面临新的瓶颈:工地。美国正面临严重的电工、建筑工等技术工人短缺,这已成为微软、Meta、OpenAI等公司快速建设超大规模AI数据中心(如OpenAI耗资160亿美元的“星际之门”项目)的“头号障碍”。 尽管AI公司愿支付高薪(如电工年薪可达24-28万美元),远超传统行业,但熟练技工仍供不应求。麦肯锡预测,美国在2023-2030年间需额外培养13万名电工和24万名建筑工,而劳工统计局预计每年仍有8万个电工岗位空缺。这种短缺导致项目延迟,每月可能造成数百万美元的收入损失。 AI数据中心建设复杂,需应对巨大功耗(一座设施耗电堪比数十万户家庭)、复杂的配电系统以及高密度散热(需液冷技术)等挑战,因此亟需大量技术娴熟的工人。 为此,科技巨头开始亲自下场培养人才。例如,Meta投入1.15亿美元建立建筑工人培训学校,提供免费培训及生活补贴,以快速输送工人上岗。OpenAI则与建筑工会合作,提前锁定熟练劳动力。同时,企业也将招聘目光投向高中生,鼓励年轻人投身技工行业。这些举措已见成效,Z世代对技工职业的兴趣显著上升。 然而,更深层的挑战在于电力。AI数据中心用电量正以惊人速度增长,已推高部分地区的电价。此外,数据中心建设是项目制的,建设期需要成千上万的工人,但建成后仅需少量常驻人员。这意味着未来可能面临熟练工人短期过剩、并流向其他行业压低薪资的风险。如何实现劳动力与电力资源的长期平衡,仍是悬而未决的问题。

marsbit1小时前

年薪百万抢电工,Meta急到自己办技校

marsbit1小时前

OpenAI 不靠最贵的模型卖钱了

OpenAI近期调整了API定价策略,旗舰模型GPT-5.6 Luna降价80%,Terra降价20%,而顶级模型Sol未降价但新增了更快的“Fast”模式。此次调整的核心并非单纯的价格战,而是标志着OpenAI首次引导用户根据任务需求选择不同模型,而非一味追求最强模型。官方建议复杂任务可由Sol进行规划,再由Luna等成本更优的模型执行。 此举与Anthropic近期推出半价替代旗舰的Claude Opus 5策略相似,显示硅谷领先公司正形成默契:旗舰模型(如Sol、Fable)的角色正从直接盈利转向树立技术品牌和探索上限,而商业化走量和利润则主要由中端及性价比模型(如Luna、Opus)承担。这类似于汽车等行业“旗舰立形象,走量车型赚利润”的模式。 更深层的变化在于成本下降的驱动力。OpenAI透露,此次降价部分得益于由Sol模型自身参与优化底层生产内核,实现了效率提升与成本降低,开启了“模型优化模型”的自我加速循环。 行业竞争焦点正从“谁最聪明”的单项性能比拼,转向为企业提供基于任务重要性、出错成本、规模等因素的“模型组合”最优解,追求整体ROI。这类似于云计算按数据冷热使用不同存储的策略。 OpenAI的长期战略日益清晰:其真正目标并非依靠单一模型的高毛利,而是通过极低的调用成本构建庞大的开发者生态与调用量,形成类似操作系统或云平台的渗透率与用户粘性。当API调用成本低至可被忽略,AI将如水电般无缝嵌入所有业务流程,其发展也将从追求智能巅峰的“产品时代”,进入驱动全面自动化与效率的“基础设施时代”。

marsbit1小时前

OpenAI 不靠最贵的模型卖钱了

marsbit1小时前

交易

现货

热门文章

从H2A到A2A:AI Agent经济体与Crypto新机遇

6月17日,哈佛大学独立研究员、美国AI科学院(NAAI)通讯院士、比特币基金会终身会员韩锋做客火币HTX《大咖讲堂》第三期,以《从H2A到A2A》为主题,分享了其对Agent经济、Crypto基础设施及数字社会未来发展的思考。

540人学过发布于 2026.07.01更新于 2026.07.01

从H2A到A2A:AI Agent经济体与Crypto新机遇

美股TradFi:传统金融在AI IPO浪潮下的稳健锚点

2026年,美股IPO市场重回高热度。本文梳理即将上线或受关注的热门赛道龙头,分析具备投资潜力的交易标的及其逻辑,并探讨宏观趋势与相关风险。

2.5k人学过发布于 2026.07.08更新于 2026.07.08

美股TradFi:传统金融在AI IPO浪潮下的稳健锚点

相关讨论

欢迎来到HTX社区。在这里,您可以了解最新的平台发展动态并获得专业的市场意见。以下是用户对AI(AI)币价的意见。

活动图片