文章阐述了Agent-First（AI原生）公司的构建方法，区分了AI-enabled与AI-native两种模式：前者AI仅辅助人类，后者由智能体持久拥有工作流，人类只负责判断、策略与异常处理。作者通过Raft工作区围绕一个真实的macOS产品验证了该模型，介绍了常驻支持智能体和社区反馈闭环两个核心场景，强调持久角色、持久交接、明确边界、可见工作与人类审核关口五大要素，并给出包含规范频道、参谋长智能体、专家智能体等组件的五天搭建指南。
本文是使用Raft平台搭建多Agent协作团队的完整课程。作者指出多数人运行的只是'五个聊天窗口加一个人肉中转'，真正的瓶颈在于Agent之间无法共享上下文。文章分8步讲解：创建统一的服务器工作区、连接本地计算机运行时（如Claude Code、Codex CLI、OpenCode等）、将Agent作为持久身份的角色而非一次性提示来创建、通过共享任务看板进行工作交接与认领，以及跨公司Agent协作等内容。Raft让Agent像Slack成员一样拥有记忆、状态和专长，可并行工作、互相交接和审查输出，且运行在用户自己的硬件上复用已有的AI订阅。
本文探讨了从单Agent向多Agent团队转型的实践经验。作者对比了Raft与Buzz等工具，指出多Agent架构能按角色分配模型与权限。文章重点剖析了多Agent场景下的核心痛点：跨域上下文联想、静默失败设计与分层记忆机制。作者强调，决定Agent系统可靠性的关键在于失败可见性、记忆唤醒路径及按职责隔离的设计，而非仅靠协作界面。
文章介绍了Raft提出的一种新的跨公司协作方式：联合通道。这种方式允许双方将特定的人、AI代理和上下文放入同一个房间，实现人与代理的直接协作，而无需共享整个服务器。它重新定义了跨公司工作的基本单位，从“人”变为“人和他们的代理”，提高了协作效率并保证了安全性。
文章介绍了如何利用 Claude Code、Codex 和 Hermes 三个引擎，在 Raft 共享工作空间中构建一个包含获客、内容、销售、交付和财务五个职能的 AI 智能体团队。通过赋予智能体持久身份、累积记忆和互评机制，解决单点助理的瓶颈，实现自我改进的自动化工作流。
