本期内容整理自 Linear 联合创始人兼 CEO Karri Saarinen 的专访。Karri 曾担任 Airbnb 首席设计师和 Coinbase 创始设计师，以对产品体验的极致追求闻名。在这场对话中，他详细分享了 Linear 如何在 AI 热潮中保持定力，花两年时间研究工作流而非盲目上线聊天机器人，最终将产品从传统项目管理工具重构为原生 Agent 协作系统的完整思考过程。
拒绝盲从：Linear 的 AI 转型路径 04:01
Linear 最初作为面向软件开发团队的项目管理工具进入市场，凭借极简的设计、流畅的交互和高效的工作流，迅速成为硅谷高增长团队的标配。ChatGPT 发布后，整个 SaaS 行业都在上线 AI 聊天功能，但 Linear 团队没有跟风。 他们花了两年时间研究一个核心问题：用户在实际工作流中，到底需要什么样的 AI 辅助？最终得出的结论是：用户不需要一个额外的聊天窗口，而是需要 AI 能够原生融入到现有的工作流程中，自动帮他们处理重复劳动，减轻工作负担，而不是增加新的操作步骤。 这一判断直接决定了 Linear 的 AI 转型方向：不是在现有产品上叠加 AI 功能，而是从底层重构产品架构，打造原生的 Agent 协作系统。
AI 优先的底层设计原则 05:15
Linear 在 AI 功能的设计上始终遵循三个核心原则：
- AI 优先而非 AI 附加：所有新功能设计从 AI 能力出发，思考 AI 如何重新定义这个功能的交互方式，而不是在现有功能上叠加 AI 聊天窗口。
- 最小认知负担原则：AI 功能不对用户产生额外的学习成本。用户不需要改变现有的工作习惯，也不需要学习新的交互方式，AI 功能会在后台自动运行，或者以用户熟悉的界面元素呈现。
- 确定性输出原则：AI 结果可预测、可解释、可干预。Linear 不追求 AI 能够解决所有问题，而是限定 AI 在明确的边界内工作，输出结果有明确的来源依据，用户可以随时干预和修正 AI 的工作。
Agent 协作系统的核心架构 06:44
Linear 的 Agent 协作系统设计围绕人机分工的清晰边界展开，目标是让 Linear 成为引导 Agent 工作的上下文系统：
- 角色分工：人类负责决策和创意，AI 负责执行和信息处理。人类的工作重点是判断哪些工作值得做、定义工作的目标和标准，AI 负责具体的信息整理、任务分配、代码生成、bug 修复等执行类工作。
- 交互范式：自然语言交互与结构化操作的无缝衔接。用户可以用自然语言下达指令，AI 会将其转化为结构化的任务和工作流，执行过程和结果都以结构化的方式呈现，方便用户审核和干预。
- 信任机制：建立可追溯的 AI 操作历史，明确责任边界。所有 AI 的操作都有完整的日志记录，用户可以查看 AI 的思考过程、数据源、修改内容，出现问题时可以快速定位和回滚。Linear 的定位不是取代其他 Agent 工具，而是成为所有 Agent 的上下文中枢。现在市面上大多数编程 Agent 都已经和 Linear 集成，用户可以在 Linear 中统一管理所有 Agent 的工作。
零 Bug 政策：AI 时代的质量观 13:30
Karri 提出了一个非常激进的观点：既然现在有了编程 Agent，产品里简直没有理由再有 Bug 了。 Linear 内部推行零 Bug 政策，任何新发现的 Bug 都会进入专门的分流队列，首先由编程 Agent 尝试自动修复，修复完成后再由工程师做最终的质量审核。整个流程的处理周期从原来的几天缩短到几小时，大幅提升了产品质量。 Linear 不追求虚荣的 AI 指标，比如”AI 生成了多少行代码”、“AI 处理了多少个任务”，而是关注真正的结果指标：产品的 Bug 率有没有下降、用户的工作效率有没有提升、核心体验有没有变好。
慢思考与快执行的工作流平衡 17:47
在 AI 让一切变快的时代，Karri 反而特别强调慢的价值：
- 寻找问题的过程要慢：应该花时间深入理解用户需求，找到真正值得解决的问题，而不是有了想法就立刻动手做，最后产出没人需要的功能。
- 执行解决的过程要快：一旦确定了要做的事情，就要用 AI 工具全速推进，尽可能缩短迭代周期。 Linear 内部有一个”概念车”理论：很多时候构建原型不是为了发布，而是为了更好地理解问题。就像汽车厂商做概念车不是为了量产，而是为了探索新的设计方向和技术可能性。 即使有了 AI 的帮助，Karri 仍然坚持手工做产品设计：“我还是会开着 Figma，有了问题或想法就直接在里面画。亲手画每一笔的时候，你都得审视自己：为什么我要这样画，是不是该换种画法。这个思考过程是 AI 替代不了的。“
产品策略转变：从工单追踪到项目记忆平台 23:15
传统的项目管理工具被看作是工单追踪系统，就像厨房里的票据系统：订单进来，分配给厨师，做完就核销。但 Linear 的定位远不止于此。 Karri 认为，Linear 应该成为团队的项目记忆平台：所有的需求、讨论、决策、代码变更都集中在这里，形成完整的上下文。有了这些上下文，AIAgent 才能真正理解团队的工作目标和历史背景，准确地执行任务。 现在 Linear 已经内置了两种 Agent：
- 产品助理 Agent：拥有组织的完整工作背景，可以辅助产品经理分析需求、整理用户反馈、制定产品规划。
- 编码 Agent：可以直接理解产品需求，自动生成代码、提交 PR、运行测试，人类只需要做最终的代码审核。
商业模式思考：粘性界面与用量计费的平衡 26:54
在 AI 时代，Linear 的商业模式有天然的优势：它是所有工作的入口，用户粘性极强，同时不需要承担通用 AI 产品的高额代币成本。 对于新增的 AI 功能，Linear 采用差异化的计费策略：
- 基础的 AI 辅助功能，比如需求分析、任务建议等，包含在现有订阅费中，不额外收费。
- 资源消耗较大的编码 Agent 功能，采用基于用量的计费模式，根据实际使用量收取费用，避免给不需要这部分功能的用户增加负担。 Linear 不会做通用的 Agent 平台，而是专注于产品工作流场景，成为团队产品研发的”操作系统”。
未来展望：AI 无法取代的人类价值 36:51
对于未来五年的产品开发趋势，Karri 认为会出现更多”自动驾驶”特征：产品功能本身就像 Agent，可以根据用户反馈自动迭代、自动修复问题，只需要在关键节点由人类做决策。 但他坚定地认为，人类的核心价值是 AI 无法取代的：
- 战略思考：判断什么事情值得做，定义产品的长期方向，这些需要基于对行业的深刻理解和直觉判断，AI 无法替代。
- 审美与体验判断：产品设计是一门手艺，什么是好的体验，什么是符合品牌调性的设计，这些主观判断是 AI 学不会的。
- 决策的勇气：很多重要的产品决策没有数据支撑，需要依靠决策者的经验和勇气拍板，这也是 AI 无法做到的。 “打造产品仍然像是一种手艺或艺术。很多时候我们谈论直觉，我们只是根据对问题的理解来做决定，几乎不使用任何数据。最好的产品从来不是数据驱动堆出来的，而是由人创造出来的。”