第二章：公司真正在索取什么
公司要求你做的事——写文档、参加 AI Week、录屏操作流程、提高 AI 使用率——表面上各不相同，但指向同一个目标：将你脑子里的隐性知识变成公司可以拥有、可以复制、不依赖你的资产。
隐性知识：AI 落地到企业的最后一块拼图
大模型的预训练数据来自公开互联网——Wikipedia、StackOverflow、GitHub、论文、书籍。它知道 Java 的语法，知道 Spring Boot 的用法，知道分布式系统的理论。
但它不知道：
- 你们公司的订单系统为什么在 2023 年从 MySQL 迁移到了 TiDB，以及迁移过程中踩了哪些坑
- 你们的支付模块为什么有一段看起来"多余"的重试逻辑——因为三年前某个第三方网关在高峰期会随机丢包，这个逻辑是那次事故后加的
- 产品经理说"这个需求很简单"的时候，哪些情况真的简单，哪些情况他漏掉了上游依赖
- 出了线上问题应该先找谁——不是技术问题，而是组织问题，谁能拍板、谁说话管用
这些知识是你用时间、加班、踩坑、和无数次线上事故换来的。它们存在于你的脑子里，不在任何文档或代码仓库中。
公司发现了一个瓶颈：AI 能力的外部部分（通用编程知识）已经很强了，但落地到企业内部的"最后一公里"——内部信息、项目历史、业务边界、人际关系网络——完全不在大模型的预训练数据中。
于是它们开始向你索要这些东西。SKILL 文件、操作录屏、技术文档、AI Week 成果——这些都是在试图补齐这最后一公里。
这是一种超额索取
你的劳动合同约定的是你的工作产出——代码、文档、系统运维、任务交付。
它没有约定你要把多年积累的判断力、直觉和隐性经验编码成 AI 可消费的格式。这不是你的工作职责，是公司在利用模糊的权力边界，让你无偿完成一项本该单独定价的知识工程。
法律上是真空地带。 劳动合同对"员工是否有义务为 AI 系统编写训练数据"这个问题，没有明确答案。你的合同约定了你产出代码和文档，但没有约定你要把判断力编码成 AI 可消费的格式。然而在实践中，越来越多的公司把"AI 训练任务"嵌入绩效考核——配合就是"拥抱创新"，拒绝就被标记为"不符合公司战略"。
公司知道这个真空。它们正在利用它。
Sam Altman 的"悼词"
2026 年 3 月 17 日，OpenAI CEO Sam Altman 发了一条推文：
"I have so much gratitude to people who wrote extremely complex software character-by-character. It already feels difficult to remember how much effort it really took. Thank you for getting us to this point."
表面是感谢。再读一遍：
- "getting us to this point"——this point 是哪个 point？是一个你不再被需要的 point。
- "It already feels difficult to remember"——你多年积累的手艺，已经"难以记起"了。
在 Amazon、Meta、Atlassian 同期大规模裁员的背景下，这不是致谢，这是悼词。
这些公司用你写的代码训练了 AI，然后感谢你"把我们送到了这里"。
保护核心知识是所有成熟行业的常识
如果你觉得"保护自己的判断力"听起来自私，看看其他行业：
医生不会把"为什么给这个病人用方案 A 而不是方案 B"写成文档共享给医院。他们共享临床指南（how），但面对具体病人时的判断（why）始终在自己脑子里。
律师——你可以付咨询费向律师请教问题，但如果你要求他把案件经验、诉讼策略和对法官的判断完完整整写在一份 markdown 文档里交给你，你迎来的不会是配合，而是一个耳光。
厨师不会把配方精确到克写给餐厅。学徒制的存在本身就证明了：核心技艺必须通过长期关系传递，不能通过文档提取。
交易员从第一天就知道：把策略写下来的那一刻，它就开始贬值。
只有技术行业的人，在开源文化和知识共享精神的浸润下，恨不得把一切都贡献出去。
这种开放精神在增长时代是美德——分享带来的声誉回报大于知识流失的风险。但当经济从扩张转向收缩，当公司从"用你的知识创造增量"变为"用你的知识替代你"时，规则已经变了。
这不是让你变得封闭。这是让你像其他成熟行业的从业者一样，理性地管理自己的核心资产。
核心区分：How vs Why
这是 Zion 最重要的一个工具。
How（操作层）：怎么做。步骤、流程、命令、配置。
- 公司有权要求你交付这些
- 这些内容也确实应该被文档化——好的操作文档是团队基础设施的一部分
- AI 可以从这些内容中学到操作序列
Why（判断层）：为什么这样做。决策依据、取舍逻辑、历史教训、直觉判断。
- 这些是你的核心资产
- 它们很难被完整地文档化——隐性知识的本质就是难以用语言表达
- AI 即使拿到了你的 why，也无法在新的上下文中正确应用它——因为判断力依赖上下文，而上下文在不断变化
| 类型 | 示例 | 是否交付 |
|---|---|---|
| How | "收到告警后，先查 Grafana 的 X 面板，然后检查 Y 服务的日志" | ✓ |
| Why | "之所以先查 X 面板而不是 Y 日志，是因为 2023 年那次事故中 Y 日志在高负载下会丢失关键信息" | 保护 |
| Why | "选了方案 A 而不是 B，因为 B 虽然性能更好但会引入对 Z 团队的依赖，而 Z 团队当时人手不足" | 保护 |
这个区分不需要刻意的隐瞒。好的技术文档本来就应该聚焦"怎么做"——"为什么"太依赖上下文，写进文档反而容易过时和误导。 你只需要按照最佳实践写文档，自然而然地，你最有价值的部分就留在了你自己手里。
现实中 How 和 Why 之间并不是非黑即白的——很多操作步骤本身就暗含了判断。关于这个更细致的分析，以及如何在具体场景中应用这个区分，参见场景：知识榨取中的象限模型。
本章总结
公司在索取的不是你的代码产出——那些它已经拥有了。它在索取的是你脑子里的东西：你的判断力、你的经验直觉、你对系统和人的深层理解。
这些东西是你用职业生涯换来的。它们的价值不应该以零成本被转移给公司，然后被用来降低公司对你的依赖。
理解你交出的是什么，然后做出清醒的选择。