Mode 2：制造

构建一次，它就能在没有你的情况下工作。你制造的是一个耐用的 worker（Digital FTE），它会一次次自己完成这项工作。

你从 From One-Off to Worker 来到这里，手里有两样东西：一个你已经在 Mode 1 里验证过的解决方案，以及一张把它通过四次提升变成永久 worker 的蓝图。Mode 1 教你手动把问题解决一次。Mode 2 则是你构建那个替你永远解决问题的 worker 的地方。

这是整本书围绕的转折点：从把劳动看成一项 task（每次都由你花时间）转向把劳动看成一项 asset（构建一次，然后它在你睡觉时也会产出）。你制造的 worker 在本书里有一个名字：Digital FTE，也就是「数字全职员工」。它能无人值守地运行，可靠到足以让组织依赖它；你可以把它扩展成一整支 workforce，也可以出售它。

最后再看一次两种 mode：

• Mode 1：解决一次。 你来驾驭。工作是一次性的。（上一节。）
• Mode 2：制造一个 worker（本节）。你为长期而构建。工作在没有你的情况下运行。

本节比 Mode 1 更大，也更技术化，这一点很诚实：构建耐用可信的东西，比一次性解决问题更难。但你不需要是程序员。和本书其他部分一样，你来指挥，agent 写大部分代码。你的任务，是把这些部件理解到足以设计它们、判断它们。这个部分是一条清晰的进阶路线，不是一堆主题。

本节分三阶段

它映射你已经在 Mode 1 走过的路径（诊断、解决、跨越），但提升了一个层级：收集 building blocks，把它们组装成一个可信 worker，然后把这个 worker 扩展成一支 workforce。

阶段 1：Building Blocks

在你拥有完整的 agent loop 之前，先收集 worker 的组成部件：它用什么语言写成，它最先接入哪些小而完整的东西，它基于哪些知识工作，以及让它能代表你行动的 identity。

• AI 时代的 Python：worker 构建所用的语言，用现代方式学习：你负责指挥，agent 写出大部分代码，你学习阅读并引导它产出的内容。
• Connector-Native Apps：在拥有 loop 之前先交付一个完整东西：一个远程 server，由宿主模型调用，带 tools、state、identity，并在 claude.ai 中真实运行。这是最温和的第一次构建，它让你准确感受到没有 loop 的 app 会在哪里撞上天花板，从而自然进入下一门课。
• AI Searchable Context：给 worker 一个可搜索的 memory，让它能基于你的全部知识工作，而不是只基于单个 prompt 里放得下的内容。
• 构建 Context Layer：范围跃迁：从一个 worker 自己的 store，到整支 workforce 都要读取的 corpus。你会连接一家公司的四类数据源并让它们彼此分开，自己构建那道权限 gate，并让这一层对它返回的每一项都回答三个问题：它从哪里来，这个人是否可以看到它，它现在是否仍然具有约束力？
• AI Agents 的 Plugins：前一门课的镜像：那里你扩展的是 chat app；这里你扩展的是 coding agent。把四个 lever（skill、subagent、MCP server、hook）打包，用 exit-2 hook 把 must-always 规则变成确定性保证，然后交付，让队友一条命令就能安装整套东西。
• AI Identity：identity 和 access 层：先拥有自己的登录（email 和 social login、sessions、two-factor、OAuth/OIDC server），再给 AI worker 自己的 credential，以及一种安全、限定范围、可撤销、经人类批准的方式代表你行动。贯穿全课的是一个你可以问任何系统的问题：这是谁的 identity，authority 又如何从人类传给 agent？

阶段 2：Build Workers

现在你拥有 loop。你拿起这些 building blocks，组装出一个 worker：它自己运行任务，基于你在阶段 1 给它的知识工作，并在没人看着时也能经受真实世界。 （第一项提升，也就是把你的 brief 变成书面 spec，你已经在 General Agents 里的 Spec-Driven Development 学过，并把它带到这里。）

• Build AI Agents：核心 worker：它自己运行 loop，并在边界处停下来升级给人类。这就是你的 you-in-the-loop 提升，真正落地。
• Building a Digital FTE：把核心部件（portable Skills、作为 system of record 的 Postgres、作为连接线的 MCP、audit trails，以及作为 authority model 的 approval）组装成一个组织真的可以信任的 worker。
• AI Agent Nervous System：durable execution：worker 感知 events，出错时 retry，零成本等待，并为 human approval 暂停。这让它在没人看着时也能经受真实世界。

阶段 3：Scale the Workforce

一个可信 worker 是单位。Workforce 才是业务。这一阶段把一个变成多个：为赢得人的信任而设计，用 grading 保持可靠，部署后持续运行，受到治理，并能赚钱。

• Human-Agent Teams：把人类和 Digital FTEs 作为一个团队运行的 operating model：公开工作、一张角色清楚的 roster、一个 north star，以及随着验证过的 reliability 增长的 trust。你会带走一份今天就能运行的真实团队 operating manual。
• Designing Agent Experiences：agent product 同时有两个用户：一个必须信任它的人类，以及必须能 parse 它的其他 agents。你会学习让它的 judgment 可读、autonomy 可调、mistakes 可承受，然后交付一个 MCP App。
• Workforce with Paperclip：一个 worker 变成团队：lead agent 在 budgets、approvals 和完整 audit trail 之下雇用并运行一组 workers。
• Self-Expanding Workforce：当工作增长时自己扩张的 workforce，而不是由你手动添加每个 worker。
• Identic AI：安全的 owner delegation：签名 identity 在你设定的 limits 内清理 routine approvals，只把 consequential decisions 提出来，让你不用逐步盖章也能治理 workforce。
• Eval-Driven Development：自动给 workforce 评分并在 drift 出现时立即抓住它的 eval。你的 eyeball-check 提升，真正落地。
• Deploy the Agent Harness：workers 所在的 runtime，让它们在你离开时继续运行。你的 session-becomes-runtime 提升，真正落地。
• Choosing Agentic Architectures：当出现设计决策时打开的参考（一个 agent 还是多个，哪个 pattern 适合这份工作）：关于任务的五个问题映射到四种核心 patterns，让你按 fit 选择，而不是按看起来是否厉害。
• Payment-Enabled Agents：能交易的 workers，让 worker 也能 earn。这是从节省成本的 workforce 走向带来收入的 workforce 的一步。

你需要先具备什么

从 From One-Off to Worker 进入。带着已经验证过的解决方案和可构建的蓝图进入 Mode 2，会比带着一个冷冰冰的想法容易得多。你也应该已经完成 Spec-Driven Development（spec 是你的第一次提升）。Python 会在这里的阶段 1 教，所以你不需要提前会。

它通向哪里

一个 Digital FTE 是一个 worker。workforce 是许多个 worker。越过本节之后，本书会沿着这条线走到尽头：一家公司建立在 Digital FTE workforce 之上的 AI-native company，以及销售你现在已经能构建的 worker 的业务。你进来时会一次性解决一个问题。你离开时能制造那个永远解决它的东西，并把它卖出去。

从 AI 时代的 Python 开始。