8 月 21 日 AICon 深圳站，Zilliz 联合创始人郭人通将公开一套内部实践：当业务多倍增长时，用 Agentic-Native 组织让客户支持团队不随工单线性扩张——核心不是用 AI 替人，而是用 Agent 降低组织增长的边际协调成本。
Zilliz 内部把 Agent 演进拆成四个阶段，每一阶段都对应组织对 Agent 角色的重新定义：
解决"信息散落在各系统"的问题，Agent 作为统一入口聚合企业知识。
Agent 不再只读知识，而是能调用业务系统——从被动查询到主动操作。
Agent 进入业务执行链路，承担客户支持、问题分析、用户教育等重复认知工作。
Agent 成为外部用户与内部系统之间的默认交互层——从 Copilot 走向 Operator。
郭人通对"Agentic-Native 组织"的定义很克制——不是用 AI 替代人，而是用 Agent 降低组织增长的边际协调成本。
工单、客户问题、内部知识随业务线性增长，支持团队只能跟着线性扩张；核心人才被重复事务淹没。
Agent 承担重复认知与跨系统协调，人调度 Agent、Agent 调度系统；Agent 能力随企业扩张持续成长。
关键区别在于：传统模式下每新增一份工单就消耗一份人力；Agentic-Native 模式下，工单增长主要消耗 Agent 算力，人力只投入在 Agent 无法覆盖的判断与决策环节。这才是"超线性增长"得以成立的前提。
服务好一个客户需要的是企业级 Context，而非独立 Session。上下文窗口是有限预算，不是无限空间——必须做上下文分层与预算管理。
工具越多，模型越容易乱选。解法是把工具封装成业务能力——Skills 不是工具清单，而是面向业务语义的能力单元。
构建人与 Agent 的流程迭代闭环。关键决策：哪些事情可以自动做，哪些必须 human-in-the-loop——这既是工程问题，也是组织设计问题。
大量幕后同学需要适应走到台前——团队角色重定位，组织架构需配合 Agent 落地做调整，不是纯技术工程。
Agent 从即时响应走向持续协作——实时任务与离线任务并存，Agent 需要支持跨时段、跨系统的异步协调。
一个常被忽略的连锁反应：Agent 从简单问答演进为业务执行主体后，对数据基础设施提出了全新要求。郭人通将这一点列为独立篇章，Agent-Native Data Infrastructure 会成为下一代企业智能系统的底座。
长期 Memory 需要底座能同时支撑企业级上下文与单次会话，并在两者间持续双向迭代。
实时响应与离线分析不再割裂，统一检索层 + 混合搜索成为标配。
Agent 代替人调用系统，必须继承人的权限边界——权限感知不是附加项，是底座能力。
Lake-native 架构支撑 Agent 的按需计算与持续 AI 迭代，而非传统静态数据仓库。
郭人通本人正是开源向量数据库 Milvus 的核心架构师之一，长期专注于大规模 AI 数据基础设施与 lake-native 系统设计——这一视角的分量在于：他不是从应用层倒推底座需求，而是从底座与应用的交叉领域给出判断。
本文素材源自大会主办方前瞻通稿，核心数据与案例均由 Zilliz 单方披露，未见第三方复测或同业对照——"超线性增长""边际成本下降"等结论宜作为一家之言的实践参考来读，而非行业共识。
通稿未给出具体量化指标（如工单量、支持团队规模、Agent 自动化率），建议读者带着"这套框架的适用边界在哪"的问题去听现场。郭人通作为 Milvus 核心架构师谈数据底座升级，立场与产品强相关，但技术判断仍有参考价值。
8 月 21 日—22 日，AICon 深圳站「超级个体与蜂群智能的共生进化」专题，郭人通将作完整分享。早鸟票 9 折立减 580 元。
aicon.infoq.cn → 报名入口票务咨询：13269078023（票务经理）