# Goose 在给自己写代码：Block 每周省 8 到 10 小时的 AI 改造记

> Training Data No. 66 中文精读

- 原标题：Block CTO Dhanji Prasanna: Building the AI-First Enterprise with Goose, their Open Source Agent
- 发布日期：2025-09-30
- 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等
- 网页版：https://trainingdata.qiaomu.ai/ep/066-block-cto-dhanji-prasanna-building-the-ai-first-enterprise-w-64J2lH.html
- 精读字数：约 5548 字（阅读约 12 分钟）

> 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。

先说一个有点绕的事实：Block 的开源 AI 代理 goose，它自己的大部分新代码是 goose 写的，每一个打开的 PR（代码合并请求）都出自它之手。团队的下一个目标更激进，让每个新版本都由它从零重写一遍。

这是红杉资本播客 Training Data 九月底的一期，嘉宾是 Block 的 CTO Dhanji Prasanna，提问的是红杉资深合伙人 Roelof Botha，他从 2010 年底就进了 Block 董事会。Block 是 Jack Dorsey 创办的那家公司，做 Square 和 Cash App，服务小微商户和消费者。

今年早些时候 Block 把 goose 开源了。公司内部每周追踪一个指标：goose 替员工省下的手工工时。年初这个数字是 0%，年底目标 25%。工程师自报的数字是每周省 8 到 10 小时。

节目开头 Roelof 问了个尖锐的问题：很多人说 AI 会彻底颠覆金融服务，小企业再也不需要 Block 这样的公司了。AI 到底是朋友还是敌人？Dhanji 打了个核能的比方，核医学救人，核武器杀人，取决于谁拿着它、拿来干什么。具体到 Block，他的判断很干脆：**Block 从来都把自己当技术公司**，从第一代靠刷卡速度供电的读卡器，到后来的区块链，一直在第一时间拥抱新技术。AI 只有在他们睡着的时候才会成为威胁。

## 一封邮件换来 CTO 职位

Dhanji 跟 Block 的缘分比外界以为的长。2011 年他就给公司仓库提交过代码，2015 年 1 月正式入职，中间离开过，2018 年全职回来。接任 CTO 之前，他给 Jack 写了一封长邮件，核心意思三条：公司必须重投 AI，必须集中力量干，必须把整个公司改造成干这个的。

邮件里他建议 Jack：「招一个人来做 CTO，不是我，让他把公司改造成用 AI 的公司，我们已经落后了。」Jack 同意了一半，另一半的结局是，他把 Dhanji 本人任命成了 CTO，还专门飞到悉尼，跟他在办公室待了两天，把方案从头到尾捋了一遍。

改造分两步。第一步，先立 8 个特别项目，每个配 2 到 5 个工程师，点子有的来自 Dhanji，有的来自黑客周。goose 就是这么被翻出来的。第二步，拆掉按业务线划分的 GM 结构，把 Square、Cash App、Tidal 锁在筒仓里的价值放出来，平台团队一并合并，改成职能制组织。

有意思的是，当年从职能制拆成 GM 制，Dhanji 就是操盘者之一。他把 Cash App 的工程团队从 10 个人带到 200 多人，跟时任 Cash App CEO 的 Brian 一起完成了那次拆分。他的解释很实在：组织结构像马配鞍，不同阶段干不同的活。当年拆分是为了让两条业务线各自聚焦，现在行业每周都在发生地震级变化，公司需要技术纵深和单一的组织焦点。

顺便把一个概念分清楚。Block 用机器学习很多年，但那些模型全用在风险侧，反欺诈、反垃圾、反滥用。Dhanji 划的分界线是：**传统 ML 做分类和聚类，生成式 AI 打开了公司每一个业务和职能的门**。

公司的另一个底层选择也常被质疑：远程优先。Dhanji 本人在悉尼办公。他承认茶水间闲聊确实加速协作，但有些领域的顶尖人才只有远程才招得到，瑞典、悉尼都有这样的人，而且这些市场没有硅谷那种竞争烈度，工程师能留住六七八年。澳大利亚的工程办公室开了快十年，没后悔过。

## 给罐装大脑装上手和脚

goose 是一个通用 AI 代理，下载到笔记本上就能用，有命令行和图形界面两种形态。主持人 Sonya 的类比是命令行像 Claude Code，界面像 ChatGPT，Dhanji 认可这个理解，两者底下跑的是同一套能力，只是皮肤不同。goose 构建在 MCP（模型上下文协议）之上，Block 是这个协议最早一批采用者，出现在 MCP 的首发公告里，还做过几处扩展。

Dhanji 用一个比喻解释它和模型的关系：

> 「大模型像个罐装大脑，除了跟你聊天什么都做不了。goose 给它装上手和脚，让它能出去对真实的数字系统做事。」

举个节目里的例子。你对 goose 说，给我一份第三季度的营销报告。它会自己去 Snowflake 拉数据，去 Looker、Tableau 里翻，用它会用的编程工具画一堆图表，打包成 PDF 或 Google 文档交给你，还能顺手发邮件。全程没人盯着。

goose 的核心设计是把自主性推到极限，撞墙了就退回来换条路走。Dhanji 说后来很多 AI 代理都借鉴了这个思路。

这个项目差点被埋没。Dhanji 刚上任时去翻公司的「后储藏室」，看工程师们在偷偷捣鼓什么，goose 是八九个点子之一。作者叫 Brad Axen，他押的判断是：代理会成为我们从 AI 里兑现价值的载体。判断对了，Block 给他围出一块保护区，配了六七个人的团队。名字致敬电影《壮志凌云》，因为 Brad 长得像片中的 Goose。

Roelof 在这里插了一句大公司观察：大公司最大的风险是亲手扼杀自己的点子。Block 能长出 Cash App 和 goose，靠的是 Jack 带出来的实验文化。Dhanji 补了句实话，试的东西远比成的多，跑出来的还有硬件钱包 Bitkey 和比特币矿机 Proto。

安全是早期用户问得最多的问题。Dhanji 的经验是，担心远大于实际。goose 有分档的安全结构，从「每一步都要人确认」到「完全自主」可以调；就算开到自主档，做破坏性操作前它也会自己停下来提醒，随时可以打断它换个路子。更关键的一条：**goose 以你的身份行事，权限跟你本人完全一致**。销售的 goose 碰不到财务数据，它的爆炸半径被压到和个人一样大。

还有个衍生版本叫 Headless goose，跑在 CI 流水线里。安全团队每提交一个漏洞工单，它就自动去修，修完仍要过人工审查才能进生产环境。

最疯的用法来自 goose 团队自己的一位工程师。他让 goose 观察他做的一切，Slack 消息、Google Meet 会议，全部。然后事情开始变得有点惊人：他跟同事聊了个新功能点子，几小时后发现 goose 已经试着把这个功能做出来并开了 PR，没人叫它这么干。他开会要迟到，goose 会打断他提醒留出路上时间；他说改期，日历自动改好。Dhanji 的原话是，这种用法你得有点胆量。

## 最大的意外来自不会写代码的人

goose 团队没料到的一件事：用得最有创意的，是一群不会写代码的人。

有人把 Figma 设计稿丢给 goose，让它变成能跑的网站。有位要去巴黎度假的员工，让 goose 做了一张景点地图，还排了一条旅行商问题的最优路线，旅行时当导游应用使。财务的人自己做资金仪表盘，做一键分享的报表工具。Jack Dorsey 的去中心化蓝牙聊天应用 Bitchat，第一版就是用 goose 写的。

销售和财务在给自己写软件，这在以前不成立。Dhanji 说，不会写代码的人靠 goose 也能做出相当能用的软件，因为代理循环会自己试错、自己绕坑。

这里藏着他认为最值钱的一条经验：**别为 AI 过度改造你的系统，让代理直接上手干活**。goose 有个叫 recipes 的功能，你试出一个顺手的工作流，可以把它固化成脚本分享给同事。但 Block 没专门给内部工具做「goose 友好化」，因为 goose 自己摸索出来的路子经常超出人的想象，还更快。你今天为某个工具搭的脚手架，下个大模型版本发布可能就整个作废，它自己就会了。

他的原话：「你得停止像工程师那样思考，开始更像数据科学家那样思考。」他承认这是自己学得最费劲的一课。

写代码这件事本身也在变。Dhanji 认为 goose 基本上开创了 vibe coding，至少是最早一批。他自己每天写代码，全靠 goose，很少手敲。Roelof 反问：支付系统这种要性能、要密码学、要安全的地方，资深工程师手写的紧凑代码，模型还追不上吧？Dhanji 承认极窄的场景里可能成立，但他坚持就算这种场景，人也该先让模型写个骨架出来再改，跟雕塑先搭架子一个道理。

边界他讲得清楚。上下文窗口装不下千万行的遗留代码库；私有 API 不在训练集里，模型会犯糊涂；竞态条件、高层架构设计、跨系统编排，这些还得人来。数据也分层：最积极用 goose 的工程师，在遗留代码库里能产出 30% 到 40% 的代码；而 AI 优先的团队基本全程 vibe coding，goose 的代码库就是典型。

## 从 0 到 25%：AI 的价值怎么算

Roelof 抛了一个行业质疑：MIT 有报告说，真正从 AI 里赚到价值的财富 500 强公司寥寥无几。大公司实验做了一堆，价值在哪？

Dhanji 给的答案是那个每周追踪的指标：goose 省下的手工工时。年初 0%，年底目标 25%，目前正按计划走。这个指标混合了多个定性和定量信号，工程师自报每周省 8 到 10 小时，算上 Headless goose 这类系统，他预期还会往上走。

为什么有些地方灵有些地方不灵？他的观察是，大模型本质上是通才。问它苏联历史，秒答；让他妻子那种神经科学研究者查某类痴呆症的细分问题，它就开始吃力。**把有深度的人和大模型放在一起，人加模型会跑赢模型单干**。所以关键是找到模型的长处，对准企业的活。Block 选的主战场是自动化工作流，把「关于工作的工作」，那些杂活和手工活，先清出去。

再往下一层，是那套代理中间件架构。Jack 在董事会上讲过一个拆法：一家公司由能力和界面组成。能力是收款、转比特币、买股票、开发票、听 Tidal；公司内部的能力是建工单、开 PR。Dhanji 说这个洞察是去年年底他和 Jack 深聊出来的，人们容易高估能力，低估界面。Block 从第一代 Square 读卡器起就把设计和工程供在一起，读卡器漂亮、极简，藏掉了天大的复杂度；Cash App 界面上只有一个余额，后台调度着五花八门的钱。

这个想法最后长成了一套架构：所有能力之上铺一层代理中间件，就是 goose，所有界面逐步改成通过这层代理去调用能力。Dhanji 说这一步解锁的价值巨大，现在才刚开始。

面向客户的部分已经开跑。Square AI 不久前进入公测，商户可以直接跟一个懂自家财务的 goose 类机器人对话。节目里有个真实案例：一个开酒吧的老板问，周四提前一小时打烊会损失多少。一算才发现，服务员小费的大头恰恰在最后一小时，于是打烊计划取消了。

## 开源的算盘，和蚂蚁造飞船

开源 goose 这个决定，在 Block 内部几乎不需要辩论。Dhanji 本人就是靠开源贡献被招进来的，他的引路人 Bob Lee 是 Block 第一任 CTO。他给工程师算的账很简单：关起门干，是你 3000 多名工程师在干活；开源出去，是 3 万多名外部工程师帮你看、帮你改、顺手把想法送上门。Block 的技术在全世界接近 40 亿台移动设备上运行，goose 走的是同一条路。

模型他也是开放派，希望所有模型都开源开放权重，尽管万亿参数的模型确实没法下载回家跑。他点名夸了 Qwen，最近又快又能打，工具调用能力进步飞快。Block 自己不训大模型，但训小模型，用在客服和风控；还在做一个语音到语音的前沿模型，纯研究性质，将来会开源并发表全部发现。他的态度是，模型该像公共设施一样人人可用，就像互联网当初被设想的样子。

goose 本身用可插拔的供应商系统，任何支持工具调用的模型都能接，官方网关支持十到二十个模型。在乎隐私的人用 Qwen、DeepSeek，一个 token 都不出本机；写代码的场景大家偏爱 Claude 系列；GPT-5 也追得很近了。开源模型普遍没有原生工具调用，Block 写了个叫 Toolshim 的适配层让它们也能用 MCP。Dhanji 甚至在飞来录节目的飞机上写了个嵌入式模型插件，在新款 MacBook 上跑得飞快。

Sonya 问，开源模型会不会永远比最好的闭源模型慢一年？Dhanji 的回答绕开了这个问题：他押的是群体智能。现在的代理是一个副驾驶，goose 的核心工具调用循环平均一轮跑 2 到 3 分钟。他的问题是，如果让 50 个、100 个 goose 实例一起干活几个小时呢？能不能造出 Cash App 规模的应用？到那时，比拼的就不再是单个开源模型追不追得上闭源模型，而是**你能不能把一个足够小、足够便宜的开源模型跑上几百上千份，让累积能力压过任何一个单独的大模型**。可能的形态是分层蜂群，强模型负责规划和整合，把任务切成小模型啃得动的纳米级任务。

他给这个赌注配了一个哲学问题：

> 「无数只蚂蚁能不能造出一艘飞船？」

这是他们内部很热的研究方向，答案他也不知道。

## 明天就能用上的几件事

结尾聊到预测。Dhanji 判断，明年的行业主题会是「解锁实用性」。很多公司一窝蜂冲进 AI，没想明白怎么从里面兑现价值，最后得出 AI 是炒作的错误结论。Roelof 引了 Amara 定律：人们总是高估新技术的短期影响，低估它的长期影响，这条定律来自未来学家 Roy Amara。他猜 2026 年会是幻灭低谷，2030 年前会超预期反弹。Dhanji 基本同意，只留了个小概率：如果扩散模型和 Transformer 的组合让大模型保持现在的改进速度，事情可能直接起飞。他的收尾建议是，盯着核心使命的公司会赢，追热钱和热度的公司会被甩下。

预测归预测，这期节目里能直接搬走的东西不少：

- 别急着为 AI 改造工具链。先让代理直接上手，观察它自己怎么用你的系统，它经常比你聪明。
- 把跑顺的工作流固化成 recipe 分享给团队，一个人的摸索变成全组的默认动作。
- 现在就开始记一个指标：AI 每周替你省下的手工小时数。从 0 记起，Block 记到 25% 用了一年。
- 给代理配分档权限，先全程人工确认，熟了再放开自主档。代理的权限严格等于使用者本人的权限。
- 让非技术同事也拿到代理。仪表盘、报表、小工具，他们自己就能做，这是被验证过的最大红利。
- 能力攒得再多，界面跟不上就等于零。先想清楚用户在哪一步碰到你的 AI。

Dhanji 在节目末尾说，三年后也许「代理」这个词都不存在了，会有新东西接棒。他赌 Block 会站在那波浪潮的前排。至少从 goose 自己给自己开 PR 这件事看，这家公司的实验文化还在生效。