施工企业里有个反复出现的场面：一个项目上，商务口的同事用 AI 半天就把一份往来函件理清楚了，技术口的同事用 AI 一晚上做完了三套方案的比对，个人效率确实上去了，可到了周例会，该卡的流程还是卡着，该等的人还在等。常见的解释是“工具没铺开”，于是继续买账号、办培训、建提示词库。这周看到的两组材料给了另一种拆法：问题可能不在工具铺得够不够广，而在这些工作从一开始就发生在各自的私人窗口里，团队既没看见，也没法接着往下做。
一个人快了，团队没动
Atlassian 在阿姆斯特丹的 Team ’26 Europe 上发布 AMP 时，把现状直接叫“单人模式”：一个人对着笔记本上的聊天窗口打字。公司在自己的调研里给出一对数字——85% 的知识工作者在用 AI，只有 6% 的高管看得到全组织层面的回报。这是厂商自述的调研，样本与问法都没公开，但那一对数字的形状值得停一下：用的比例和见效的比例之间隔着一大段，而这段距离不长在模型能力上。
AMP 的名字里 multiplayer 是冲着这段距离去的。它不是又一个模型或又一个对话框，是一套规则，规定智能体以什么身份、在多大的权限内、在什么场合里参与人的协作。Atlassian 的说法是，智能体不是在替代人，是在加入团队，所以设计对象要从一对一的人机交互换成混合团队的协作。
三层：在场、身份、接地
第一层是让智能体出现在工作发生的地方。可以在 Confluence 文档里 @ 它，可以在 Jira 的评论串里跟它争方案，可以录一段 Loom 当任务说明——Atlassian 的说法是录的时候你的声音、光标和圈选范围会变成一份带验收标准的结构化说明。也可以经 MCP 把 Figma 或 IDE 接进来。这一层解决的不是能力问题，是位置问题：智能体做的事要落在别人看得见的地方。
第二层是身份与共同在场。每个智能体有具名责任人、自己的档案和实时的归属标注；编辑文档或看白板时，它的光标就显示在你的光标旁边；开发者在自己笔记本上起的智能体会话，会被桥接进 Jira 看板，本地的工作对全队可见。Atlassian 同期推出的非人类身份目录把这件事做成了可管理的对象：每一个智能体、应用与服务账号都在一处登记，管理员能看到哪些在活动、能碰什么、归谁管，也能一键吊销。
第三层是上下文与治理。智能体一律接地到 Teamwork Graph，权限要么继承提问者的访问范围，要么走独立的服务账号；动作留审计，记录谁触发的、碰了哪些数据，并配人工卡点。这里还有个细节值得抄走：Interactive PR Reviews 让智能体给自己的代码改动录一段讲解，说明做了什么、关键取舍在哪，评审的人先听这段再决定看不看代码。
数字里最该看的是那一对
平台侧的数字相对硬：人与智能体每月协作超过 1000 万次，Teamwork Graph 从半年前的 1500 亿涨到 2500 亿个对象与关系，MCP 服务器近 200 万月活、每天 1500 万次工具调用（六个月 15 倍），新版做同样的 Jira 与 Confluence 任务少用最多 25% 的 token（Claude 模型上的内部基准）。
效果侧要打折扣看。Atlassian 称把智能体接地到 Teamwork Graph 之后，答案质量提高 44%、token 消耗减少 48%，这是内部测试，口径没公开。更有参考价值的其实是同批公布的另一个项目：公司把资深应用 AI 工程师嵌进客户现场做 12 周一轮的前置部署，Expedia 用这批人归档了 60 万页 Confluence，称每年省下约 3200 小时，同时在 50 个活跃项目上每月跑一万次以上智能体调用。
这一条把前面那对 44% 和 48% 的前提补上了：接地不是接一根线，是先有人把该接的东西整理出来。60 万页旧文档这个量级，靠提示词工程解决不了，靠换个更强的模型也解决不了。Archived 之后，智能体才有东西可查。Kaplan 的企业敏捷与交付执行总监 Jose Ramirez 在官方材料里那句话说得比数字清楚：一个接了组织上下文的好模型，总会胜过在真空里跑的强模型。
一个反向校准：别急着往上搭
如果只看到这里，容易得出“那就多搭点东西”的结论。同一周 Apple ML Research 的一项研究提供了反方向的证据。论文题为《How Much of a Harness Does a Strong Agent Need for Autonomous ML Engineering?》，9 月 30 日提交到 arXiv，作者是 Kirill Brilliantov、Alejandro Hernández-Cano 与 Emmanuel Abbé（EPFL 与 Apple）。
他们做的事很直接。Malena 是个被压到极简的智能体：单会话，只能读文件、写文件、跑 bash 三条原语。对手是四个结构复杂得多的系统——MLEvolve、AiScientist、Arbor、ScienceFlow，都有多智能体编排、专用检索子智能体这类机械层。关键在对照条件：时间预算相同，底层前沿模型也相同，这样比较出来的差异才归给框架而不是模型。
结果是 Malena 在 MLE-bench 上拿到 62.5% 的得牌率，四个复杂系统里表现较好的 AiScientist 是 47.1%，差 15.4 个百分点。作者又做了大规模消融，逐个拆换组件，结论是：一旦智能体能直接接触执行环境，再加多智能体协调或额外的自主机制，在现有基准上没有显著收益；性能的主要驱动因素是底层模型本身，为强模型手工精制框架的投入回报很低。作者自己标了局限——算力预算有限导致重复实验次数偏少，噪声偏大，结论也只限于这些基准。
这不是说 Atlassian 那套错了。两件事说的是不同的层：AMP 解决的是智能体怎么进入人的协作（身份、上下文、痕迹），Apple 那篇说的是在这一层之下，能干活的那一层该有多少零件。前者是横向的接入，后者是纵向的厚度。把它们放在一起读，得到的顺序是先定位置、再验证最小能力，最后才谈要不要往上加。
迁移到施工企业：先给哪个岗位发工牌
把这个顺序放到施工企业的具体场景里看更清楚。以项目部的变更与签证往来为例：一份变更从提出到落地，要经过技术负责人判可行性、商务口算量价、项目经理批、监理与设计方确认、分包执行，每一环都有人要在自己那份文件上补一段。现在多数用 AI 的做法是各环节的人各自打开聊天窗口，把上一环的文字贴进去，问一句“帮我写个回复”，写完再贴回流程。这就是单人模式——每个环节都快了，流程一点没变，而且中间那些判断没有任何一处留下来。
要改成多人模式，几件事的顺序是这样的。先定位置：智能体不另开窗口，它就在变更单的那条流转记录里，技术负责人 @ 它，它给出的可行性意见附在那条记录下面，商务口的人接着往下做时能看到前面那段话是怎么来的。再定身份：每个智能体写清楚归谁管，是项目总工名下的技术复核助手，还是商务部名下的量价助手，权限要么跟着使用者走，要么走独立账号，不能是个谁都能叫、出事找不到人的公共账号。然后定痕迹：谁在什么时候触发了它、它读了哪些图纸和函件、给出了什么，都要能查。这一步做完，才轮到接上下文——把项目自己的施工组织设计、合同清单、历史变更和往来函件整理成能检索的东西给到它，这一步对应 Expedia 那 60 万页，是慢活，也是绕不过去的活。
能力这一层反而应该最后加，而且是先验证最薄的那一版能不能成。按 Apple 那篇的提示，先给一个只会读文件、写文件和跑命令的最小智能体，配上项目真实的资料，看它在变更单上能不能把一件事做完整；做成了再考虑要不要加检索、加编排、加多智能体分工。反过来做的代价是：框架先搭起来，一旦效果不好，分不清是框架没搭对、资料没整理、还是底层模型就没这个能力。Apple 那篇里更值得抄走的是对照方法——换框架的时候把底层模型固定住，换模型的时候把框架固定住，否则说不清是哪一层起了作用。
这两个试验都不需要先买平台。它们验证的是同一件事：把智能体从私人窗口移到公共流程里，值不值那点麻烦。
来源与说明
[1]: The End of Single-Player AI（AMP 三层机制、Teamwork Graph 更新、Record for Agent 与 Interactive PR Reviews）—— Atlassian 官方博客 / 2026-10-07 (https://www.atlassian.com/blog/company-news/team26-europe-founder-update) [2]: The Atlassian platform is for multiplayer human-agent work（2500 亿对象、权限继承与服务账号、审计、非人类身份目录与吊销）—— Atlassian 官方博客 / 2026-10-07 (https://www.atlassian.com/blog/company-news/team26-europe-ai-platform) [3]: Atlassian unveils Agentic Multiplayer Protocol to let AI agents work alongside humans（1000 万次月度协作、MCP 月活与日调用、Agent Sessions）—— Digitalisation World / 2026-10-07 (https://www.digitalisationworld.com/news/24150-atlassian-unveils-agentic-multiplayer-protocol-and-expands-openai-tie-up) [4]: Atlassian Corporation Introduces AMP: The Agentic Multiplayer Protocol（Run as User、审计范围、Code Search 与 Artifacts）—— MarketScreener / 2026-10-07 (https://au.marketscreener.com/news/atlassian-corporation-introduces-amp-the-agentic-multiplayer-protocol-to-power-human-ai-collaborati-ce785dded88ff527) [5]: Atlassian AMP Explained: Agentic Multiplayer Protocol（单人模式与多人模式对照、上线前五项准备）—— ONETEEM / 2026-10-07 (https://www.oneteem.com/blog/atlassian-rovo-and-ai-15/atlassian-amp-agentic-multiplayer-protocol-42) [6]: Atlassian launches AMP protocol for human and AI collaboration（1000 万次协作、MCP 近 200 万月活、日 1500 万次调用与 15 倍增长）—— El Fondo / 2026-10-07 (https://www.el-fondo.com/en/news/atlassian-launches-amp-protocol-for-human-and-ai-collaboration) [7]: Atlassian launches enterprise AI engineering program（85%／6% 调研、44%／48% 内部测试、Expedia 60 万页与 3200 小时、12 周一轮）—— El Fondo（转述 Yahoo Finance）/ 2026-10-07 (https://el-fondo-dev.alpha-nex.de/en/news/atlassian-launches-enterprise-ai-engineering-program) [8]: Apple study finds minimal agent matches or beats multi-agent ML engineering systems（Malena 结构、四个对照系统、62.5% 与 47.1%、消融结论与局限、7 月那项 41.1% 的研究）—— CryptoBriefing / 2026-10-07 (https://cryptocortex-ai.com/news/a9354eca-1049-4fac-ae8a-c570f8a15c80) [9]: Apple study finds minimal coding agent matches or beats multi-agent ML systems（论文标题、三位作者、9 月 30 日提交 arXiv、两组预算设置）—— LeoDex News / 2026-10-07 (https://news.leodex.io/news/apple-study-finds-minimal-coding-agent-matches-or-beats-multi-agent-ml-systems) [10]: Apple research asks: how much harness does a strong agent need for autonomous ML engineering?（研究问题与机械层冗余的表述）—— AGI Hunt / 2026-10-07 (https://agihunt.info/en/p/1a0f7e2ad25e296aa9f3fff8846) [11]: Kirill Brilliantov: elaborate agent harnesses add nothing（等时间预算同 backbone 条件下无优势、作者机构为 EPFL 与 Apple）—— Hello Marvis AI Today / 2026-10-07 (https://hellomarvisaitoday.com/articles/8b6646df-c752-4905-b6dc-6cd8ff2a4724) [12]: AI agents leak 13,000 screenshots, exposing enterprise approval gaps（1.3 万张截图与 343 家公司、Gravitee 2026 调研的 14.4%、82% 与 47.1%）—— TechRepublic / 2026-10-06 (https://www.techrepublic.com/article/news-ai-agents-screenshot-leak-enterprise-governance/)
说明：AMP 的三层结构（工作发生之处的协作、身份与共同在场、上下文与治理）、Loom 录屏转为带验收标准的结构化说明、非人类身份目录与一键吊销、Interactive PR Reviews 让智能体给自己的改动录讲解、Record for Agent，出自 Atlassian 官方博客与三篇独立转述。1000 万次月度协作、Teamwork Graph 的 2500 亿对象与半年前 1500 亿、MCP 近 200 万月活与日 1500 万次调用及六个月 15 倍、同任务少用最多 25% token，出自官方博客与两篇独立转述，其中 token 数字为 Claude 模型上的内部基准。85% 与 6% 的调研、44% 与 48% 的接地效果为 Atlassian 内部测试或自述调研，问法与样本未公开，本文已标注口径；Expedia 的 60 万页归档、约 3200 小时与每月一万次以上调用、12 周一轮的前置部署形式，由公司对外公布并经两篇转述；Jose Ramirez 的引语出自 Atlassian 官方材料。Apple 研究的论文标题与提交日期、三位作者与 EPFL 与 Apple 的机构归属、Malena 仅具备读写文件与 bash 三条原语、四个对照系统名称、MLE-bench 上 62.5% 与 47.1% 的得牌率及 15.4 个百分点差距、两组预算设置（30 题 24 小时与 40 题 8 小时）、消融结论与“底层模型是主要驱动因素”的判断、算力预算有限导致重复次数偏少的局限，出自论文经四篇转述，本文未取得 arXiv 原文编号与同行评议版本；7 月那项“自组织多智能体团队比最优单个专家智能体低约 41.1%“的研究由转述提及，未独立核到原文。1.3 万张截图与 343 家公司出自 Cybernews 首报经 TechRepublic 转述，Gravitee 调研的三项比例由 TechRepublic 引用。本文的迁移段落为编辑设想，未在任何组织内实施，两个小范围试验为建议而非已验证结论；施工企业场景为一般化描述，不含具体企业、项目与个人信息。