Block 如何成为全球最 AI 原生的大型企业

摘要

Dhanji R. Prasanna 是 Block（原 Square）的首席技术官，管理超过 3500 名工程师。在他主导下，Block 完成了从金融公司定位回归科技公司定位的转型，并成为全球最 AI 原生的大型企业之一。本期对话从一封写给 Jack Dorsey 的"AI 宣言"讲起，详述了 Block 如何通过组织架构从 GM（General Manager）模式转向职能制（Functional Structure）来重塑技术基因，以及由此催生的开源 AI 代理 Goose。Goose 基于 MCP（Model Context Protocol）构建，赋予大语言模型"手和脚"，使其能够跨系统编排任务——从生成营销报告到自动提交代码，从非技术团队自行构建工具到移动端 UI 测试自动化。目前，Block 内部最前沿的工程团队自报每周节省 8 至 10 小时，全公司范围内约 20%至 25%的人工工时被节省。Dhanji 还分享了颠覆性观点：代码质量与产品成功毫无关系，组织结构比工具效能更重要，以及他如何在 Vibe Coding（氛围编程）之外推动 AI 代理走向长时间自主工作。从 Google Wave 和 Google+ 的失败，到 Cash App 的成功，再到他对开源与开放协议的坚定信仰，本期节目为所有试图在大型企业中推动 AI 转型的人提供了蓝图。

正文

一封 AI 宣言：从兼职工程师到 CTO

大约两年半以前，Jack Dorsey 感到公司需要变革。他把大约 40 名高管召集在一起，每周开会讨论公司方向，Dhanji 也被加入了这个小组。然而他注意到，所有人都在谈论各种深度话题，却没有人真正关注 AI。于是他写了一封信——后来被公司内部称为"AI 宣言"——核心内容非常简洁：我们应该认真投入 AI，应该以集中的方式推进，成为 AI 原生公司，因为行业正朝这个方向走去。

这封信的影响远超预期。Jack Dorsey 专程飞到悉尼与 Dhanji 进行了两天长谈，两人在城市中漫步行走、反复讨论，最终 Jack 邀请他担任 CTO。当时 Dhanji 刚有了孩子，处于兼职状态，只是在帮一个工程团队做些辅助工作。他形容这次机会为"千载难逢"，于是接受了。

回归技术公司定位：从身份漂移到技术优先

Dhanji 上任后的首要目标是让 Block 重新像一家技术公司一样思考。公司曾长期存在"身份漂移"——对外自称金融服务公司，有人称其为 FinTech，但在 Dhanji 最初加入还叫 Square 的时代，这里一直被视为与 Google、Facebook 一样的技术公司。他想让公司回归这一本质。

具体措施包括：将公司顶级 IC（Individual Contributor，个人贡献者）聚集在一起交流；启动 8 至 9 个特别项目，每个项目 2 到 5 名工程师；恢复全公司范围的黑客周（Hack Week）。所有这些举措重新点燃了"我们又在打造技术了、又在推动前沿了"的火花。

关键转型：从 GM 结构到职能制组织

更为根本的变化是从 GM 结构转向职能制组织。在成熟期，Square 和 Cash App 各自独立运营，几乎像一个独立公司的组合：各自有 CEO、各自向 Jack 汇报、有独立的工程和设计团队，仅共享法律等基础资源。这种模式在当时的公司发展阶段行之有效，但当需要深入技术、应对行业级变革时，就需要单一焦点。

转型后，所有工程师向一个统一的工程团队汇报，所有设计师向一个统一的设计团队汇报，有单一工程负责人和单一设计负责人。这意味着公司可以真正全面推进 AI、推进平台建设和技术深度。Dhanji 指出，这与乔布斯重返 Apple 时的做法如出一辙——将 Apple 重组为职能制结构。Block 并非照搬剧本，而是在探索如何让团队更技术化、回归工程与设计优先的基因时，发现了同样的答案。他建议其他公司：找到自己的 DNA，用最简单清晰的方式优化它。

Conway 定律的威力

转型过程并非一帆风顺。Dhanji 坦言"并非所有人都同意"，这是一次相当痛苦的变革。他从中深刻体会到 Conway 定律（Conway's Law）的威力——你交付的产品就是你的组织结构的映射。团队的编排方式、协作组的构成、运营模式，深刻影响着你能构建什么。

过去各个业务线——Cash App、Afterpay、Square、TIDAL——各自为政，没有人真正在技术战略上对齐，也没有人讨论五年后公司作为整体想成为什么。现在情况不同了：大家说着同一种语言，使用相同的工具，遵循统一的政策，同一级别的资深工程师在全公司意味着相同的能力，人员可以在不同团队之间流转到需求最大的地方。用 Dhanji 的话总结：现在 Block 在技术上是聚焦的，以推进技术卓越为目标，而两三年前并非如此。

AI 代理 Goose：给大语言模型装上"手和脚"

Goose 是 Block 开发的通用 AI 代理（AI Agent），可以下载安装到桌面，拥有聊天式界面。用户可以吩咐它做任何事——从按类别整理照片到编写软件。Goose 的核心能力来自 MCP（Model Context Protocol，模型上下文协议），这是 Anthropic 提出的协议，Block 是早期贡献者。MCP 本质上是一组标准化的封装器，可以将现有工具——无论是 Salesforce、Snowflake、SQL 还是其他企业系统——包装起来暴露给大语言模型，使其能够操控这些系统。

在此之前，大语言模型只能聊天，Goose 则给这些"大脑"装上了"手和脚"，让它们能在数字世界中行动。Goose 完全开源，任何人都可以下载、扩展、编写自己的 MCP。Block 内部的核心成功正是通过 Goose 实现的。Goose 采用可插拔的提供商系统，用户可以自带 API 密钥使用 Claude 家族模型或 OpenAI 家族模型，也可以使用开源模型通过 Ollama 等工具直接运行。

一个典型用例：用户让 Goose 生成营销报告，它会通过 MCP 连接 Snowflake、Tableau 和 Looker，编写 SQL 提取数据，在本地编写 Python 代码进行分析，使用 JavaScript 图表库生成图表，最终汇总为 PDF 或 Google Doc，甚至自动发送邮件。全程无需人工干预，用户只需说"我需要这份报告，发到这里，我要漂亮的图表"。

Goose 如何重塑 Block 的工作方式

在 Block 内部，Goose 是与所有系统整合最深的工具，因为 MCP 让为现有系统添加 AI 自动化变得极为简单。以前，团队若想为某个问题追踪工具添加 AI 能力，必须等待供应商实现，或者依赖 OpenAI、Anthropic 等提供通用能力。现在，只需几行 MCP 代码，所有系统就能在一夜之间被 AI 编排。更令人惊叹的是，Goose 能自己编写 MCP，具备自举能力。

Goose 的名字源自电影《壮志凌云》（Top Gun）——创建它的工程师与片中角色 Goose 容貌惊人相似。此后 Block 延续了鸟类主题，Gosling 就是"移动端 Goose"，通过 Android 无障碍 API 操作手机系统，用于自动化 UI 测试，取代了过去需要大量承包商或 QA 人工点击每个屏幕的做法。

让 Goose 盯着你的屏幕：一个极端实验

Block 内部有一位极度 AI 前沿的工程师，他构建了一个系统让 Goose 持续监控自己的一切操作。Goose 通过截图理解屏幕内容，同时具备语音处理能力，始终在听他说话。当他在 Slack 或邮件中与同事讨论某个功能时，几小时后就会发现 Goose 已经尝试实现了该功能并提交了 PR。当他的会议超时即将迟到时，Goose 会主动提醒。当他说"我要去接孩子"时，Goose 会自动重新安排日历，而无需他手动操作。

Dhanji 表示这目前还是一个实验，这位工程师是 Goose 核心团队成员，这是他在主业之外的探索。一旦这种能力演变为 Goose 的原生功能或企业工具的标准特性，将大有可为。但它已经展示了可能性的边界。

生产力量化：每周节省 8 至 10 小时

Block 的头号优先事项是"通过自动化 Block"，即将 AI 和 AI 形式的自动化贯穿全公司。最前沿的工程团队自报每周节省 8 至 10 小时，这还是自我报告的数据。公司还有一系列检查指标来验证：审查 PR、功能吞吐量等，数据科学家用复杂公式将其提炼为有意义的衡量。全公司范围（包括支持团队、法务、风控等），大约 20%至 25%的人工工时被节省。

Dhanji 特别强调：这是"最差时刻"的数据——当前是基准线，能力还在持续提升。AI 的价值每天都在变化，企业需要跟上这波浪潮，审视今天的价值在哪里，规划明天的价值会是什么，逐步扩展到最有效的领域。

非技术团队才是最大受益者

最令人惊讶的发现是：非技术人员使用 AI 代理和编程工具构建自己的软件系统，效果最为显著。企业风控团队用 Goose 构建了完整的自营企业风险评估系统，将数周工作压缩为数小时。以往他们要等待内部应用团队将其排入 Q2 路线图，所有人只能干等，现在可以自行解决。

但这引发了一个现象：如同修建更宽的高速公路只会带来更多车流，所有人都在构建软件意味着需要更多软件、更多协调，整体速度和功能需求反而在上升。

AI 的局限与人类判断的不可替代性

AI 在深度领域仍然不及人类。当资深工程师思考架构设计、竞态条件（Race Condition）、编排等深层问题时，AI 还不够格。AI 不擅长"组合判断"——无法从全局视角判断什么才是真正重要的。

Dhanji 给出一个实例：一个团队要求购买新供应商工具，另一个团队说可以用 Goose 自己构建。而作为人，你坐在那里思考的是："这件事本身有必要吗？如果我们改变流程，还需要考虑构建工具吗？"AI 无法做出这种跨领域的全局判断。他对信息安全团队也常说：与其绞尽脑汁去加固某个功能，不如直接让构建团队换一种方式做，或者如果不重要就不做，从而减少安全攻击面。

自建还是购买：不要偏离核心使命

关于 AI 时代是否会取代 SaaS 应用的问题，Dhanji 认为存在一个陷阱——偏离公司的核心目的。Block 的核心使命是经济赋能：让商户完成一笔交易、让艺术家上传作品到 TIDAL。任何服务于这一目的的事都应该鼓励和投入，但如果纯粹比拼美元成本，自建替代供应商工具节省的钱，可能不值得损失的心智带宽和技术聚焦度。

他以 Cash Card 为例：整个 Cash Card 功能基本在一个周末到一周内就构建完成，但后续花了很长时间处理边界情况——有人给的小费是账单金额的两倍、加油站有不同的刷卡计费方式等等。这就是经典的 80/20 问题，先把 80%的核心功能快速做出来，然后花大量时间处理 20%的长尾问题。

招聘与面试：学习心态胜过 AI 技能

Block 在招聘时不再将工程师视为可以随意增加 100 人去建下一个产品的商品。他们寻找的是拥抱 AI 工具、渴望学习和尝试的人——不管是刚毕业的大学生还是已经掌握这些工具的资深工程师。面试也在发生变化，从传统的 CoderPad 白板编程，到开始考察候选人能否用 Vibe Code 构建东西、是否熟悉这些工具。但 Dhanji 也指出，批判性思维和对技术问题本质的深度理解，仍然比会不会用某个特定 AI 工具更重要。

Vibe Coding 的局限与自主代理的未来

Dhanji 认为 Vibe Coding 虽然令人兴奋，但高度受限——本质上是一来一回的乒乓球模式：你说一句话，等三四分钟它返回半成品，你不断引导和修正。他正在推动下一版 Goose 走向真正的自主性。当前 Goose 的中位会话长度为 5 分钟，平均 7 分钟，他们正在将其推向小时级甚至过夜级。

核心洞察：所有 LLM 在夜间和周末都处于空闲状态，这是浪费。它们应该全天候工作，提前构建我们需要的东西。他还描绘了一种全新的工作方式——人类不再需要选择唯一的实验路径，而是可以详细描述多个实验，然后去睡觉，第二天早上所有实验都已经构建完成，只需丢弃其中五六个不理想的。Dhanji 自己每天写代码，现在经常删除大量代码——不是修修补补，而是构建了整个新系统后觉得不对就全部推倒重来。他甚至在推动团队思考：如果每次发布都是 rm -rf 删掉整个应用然后从头重建，世界会是什么样？

这颠覆了软件工程中的铁律"永远不要重写"。传统智慧认为重写会丢失所有微小改进和 bug 修复，但 AI 时代的关键在于让 AI 在重写时尊重所有这些增量改进，将它们作为规格说明的一部分纳入。

亲自使用是最好的推广方式

Dhanji 分享了推动 AI 采用最有效的方法：领导者亲自使用。Jack Dorsey 用 Goose，Dhanji 自己用 Goose，整个高管团队每天都在用。通过亲自使用来理解工作流如何改变，远比阅读 LinkedIn 或《哈佛商业评论》上的文章然后让团队照做更有效。

他举了一个个人案例：儿子有大量治疗费用收据需要整理给妻子向保险公司报销，这些收据散落在截图、PDF 等各种格式中。他让 Goose 处理，Goose 先尝试了几种方法失败后自动退回寻找替代路线，最终通过 Apple Script 控制电脑，将所有收据放入 Apple Notes 的单条笔记中，转换为 HTML 格式以便与手机无缝同步，从而可以轻松分享。这是 Dhanji 自己都没想到的方案。

代码质量与产品成功无关

这是 Dhanji 职业生涯中最反直觉的教训。很多工程师认为代码质量对构建成功产品至关重要，但两者毫无关系。他最喜欢的例子是 YouTube：他当时在 Google 工作，YouTube 被收购后，内部一片哀嚎——代码库有多糟糕、架构有多差、视频居然以 blob 形式存储在 MySQL 中，整个技术栈是 Python，运行速度远不如 Google 精心优化的 C++ 和 Java 服务器。然而 YouTube 可能是 Google 最成功的产品，甚至比许多其他产品的总和还要成功。

反例是 Google Video——它在 YouTube 之前就存在，支持更多格式、更高分辨率、可以上传长视频，而 YouTube 最初只有一两分钟的短视频功能。YouTube 彻底击败了对手。关键在于产品是为人解决特定问题而建的，在 Block 的案例中，是让 Square 商户完成一笔交易。Android 平台的性能好不好，只在于它是否服务于这个需求。

从失败中学习：Google Wave、Google+ 与 Cash App

Dhanji 的职业生涯基本上是一连串的失败产品。Google Wave 试图成为所有人的万能工具，七八十名工程师在还没有外部用户之前就大规模构建——这是一个"起步就大、第一天就想做大"的典型案例，缺乏与现实接触后的适应调整。Google+ 是又一个重大失败。他还曾在匿名社交应用 Secret 工作，这个产品短暂火爆后迅速崩溃；与 Canva 联合创始人一起做过邮件创业项目，最终也无疾而终。

Cash App 则是从失败中吸取教训后的巨大成功。在 Cash App 早期，Dhanji 从 10 名工程师带到 200 多人，用户增长到一两千万。从外部看一切都像在混乱中运行——人们随意构建实验然后发布，软件生命周期管理几乎没有严格策略，而且确实如此。Dhanji 的理念是：拥有这么多优秀工程师，强行将他们套入严格狭窄的框架可能弊大于利。如果他们在某些地方浪费时间，但同时产出惊人成果，这是可以接受的。关键是构建"受控的混乱"——确保基础不会崩溃（不会出现重大责任问题或资金损失），同时给工程师自由去实验和迭代。

从小事做起：Goose 和 Cash App 的共同起点

Dhanji 的核心原则之一是从小事做起。Goose 就是一个例子——它只是一个工程师利用自己的时间，试图验证一个论点：代理（Agent）将是从 LLM 中释放价值的方式。创建者 Brad 构建了概念验证，分享给 Databricks 和 Anthropic，从反馈中学习，逐步积累势能。Cash App 也类似，最初是一个黑客周想法，逐步成长壮大。Block 还成为了第一家上市公司推出比特币产品的公司，而这个产品也是黑客周由 Jack Dorsey、Dhanji 和另一名工程师三人团队完成的——他们用比特币通过 Cash Card 买了一杯 Blue Bottle 咖啡，Dhanji 打趣说这大概是史上最贵的一杯咖啡。

反面教材则是 Google Wave——70 到 80 名工程师在连外部用户都没有的情况下大规模构建，是"起步即大"却缺乏与现实碰撞的经典失败。

质疑基础假设

Dhanji 反复强调要质疑一切基础假设。专业人士常常陷入当天的构建工作中，忘了停下来问：我们到底应不应该建这个？建它的目的是什么？有没有完全不同的东西更值得我们投入？信息安全团队经常为了加固某个功能绞尽脑汁，而 Dhanji 的建议是直接让构建团队换一种方式做，或者如果不重要就不做。AI 在这类全局判断上表现不佳，人类需要持续发挥这种判断力。

闪电问答

推荐书籍：Dhanji 认为不应阅读与日常工作相关的书，而应读小说、经典、诗歌、哲学和历史——这些书能拓展思维、激发创意、帮助审视人类处境。他推荐布尔加科夫的《大师与玛格丽特》（The Master and Margarita）——俄罗斯文学的杰作，以及丁尼生的诗歌——在他最不确定或悲伤的时刻，丁尼生的诗总能帮他找到内心中心。

最近喜欢的影视：《异形：地球》（Alien Earth），由《冰血暴》剧作者 Noah Hawley 执导，用高级艺术电影手法拍摄通俗科幻，每一帧都像在观赏画作；以及《流人》（Slow Horses），认为是当下最好的剧集之一。

最近喜欢的产品：Steam Deck OLED。Valve 证明了在封闭锁定用户体验的大趋势下，完全可以构建一个既美观好用又完全可扩展的设备——可以安装竞争商店、可以装 Windows、可以当电脑用、可以自己写程序在上面运行。

人生座右铭：如果早上醒来对当天的工作不感到兴奋，那就改变一些东西，必要时辞职也可以。不要接受命运分配给你的东西。当犹豫不决时，告诉自己：一年后再回头看，这个看似巨大的问题会显得微不足道。

最喜欢的疯狂科学家：《回到未来》中的布朗博士（Doc Brown）——因为他身上那种必须建造时间机器的疯狂冲动，以及整部电影都在试图修复它所造成的问题，这种形象始终令 Dhanji 难忘。

开源与开放协议的信仰

Dhanji 在节目最后表达了坚定的立场：在 AI 时代，每个人都在把自己锁进围墙花园，试图占领正在涌现的平台份额。他呼吁人们对自己的公司、雇主和团队提出更高要求。在 Block，他们始终追问："我们能默认将这个开源吗？我们能为不只是自己和客户的人构建吗？能让所有人受益吗？"互联网作为开放共享信息以惠及所有人的承诺，应当由 AI 来实现。对开放和开源的坚守，是 Block 从 AI 浪潮开始之前就秉持的核心价值观，Goose 只是在这一传统中的最新传承。