Uber 发言人向彭博社确认，公司最近几个月开始限制每位员工每月在单个 AI 编程工具上的 token 花费不超过 1500 美元，这个限制只针对 Cursor、Claude Code 这类能自主写代码的智能体工具，不同工具之间的额度互不影响。Simon Willison 认为这个政策比搞排行榜鼓励员工拼命用 AI 要理性得多。他算了一笔账：假设一个工...
推荐理由：HKR 三项都过了，但正文其实只给了一个硬数字：每月 1500 美元。适用工具、员工范围、执行方式全都没提，Simon Willison 的转发和 HN 讨论只是把这条信息推到了值得关注的及格线。
这篇文章我没能看到正文，微信页面显示环境异常需要验证。从已有的英文摘要看，作者许晓斌提出了一个判断：用 AI Agent 做开发，能把从“有想法”到“出代码”的周期从几周甚至几个月压缩到几分钟。他举了几个例子，包括用 Agent 搭周报系统、多角色 Agent 协同开发、自动配镜像仓库。文章还点出了现有研发设施跟 Agent 开发模式不匹配的地方，比如...
推荐理由：这篇文章不是产品发布或模型评测，而是一篇基础设施层面的评论。我会先打个折，因为案例都来自作者自己的实践，没有第三方验证，但“周/月级压到分钟级”这个说法配上具体场景，对从业者来说有参考价值。正文没披露多角色 agent 协作的成功率和翻车率，这点先别太激动。整体放在 featured 里合理，属于那种看完会让你重新打量自己团队流水线的东西。
@mvanhorn 分享了一套让 AI 智能体干活的工程方法，核心是把开发流程从“人写代码”扭成“人定方向、智能体执行”，工作台从 IDE 搬到了终端和一份 plan.md 计划文件。整体走 Research → Plan → Work 循环，用 plan.md 来约束智能体行为。帖子总结了 22 条实战技巧，覆盖规划、并行执行、输入方式、远程控制这些...
推荐理由：这是一篇从业者的方法总结，不是模型发布或产品上线。正文没披露完整工具栈清单，所以我会先打个折。但 Research→Plan→Work 循环和 plan.md 约束的思路很具体，22条技巧也给了可操作的抓手，对正在折腾智能体工程的人有直接参考价值，放在 featured 档刚好。
Meta、Coinbase 和 Block 最近各自砍了至少 10% 的人，三家加起来约 1.3 万个岗位没了，高管们把一部分理由推给了 AI。但文章指出，这些裁员发生时，公司本身也在经历业务震荡：Meta 在元宇宙上烧了约 800 亿美元后大幅收缩，Coinbase 赶上加密市场低迷，Block 承认疫情期间招人太多。今年已有超过 150 家科技公司...
推荐理由：这篇纽约时报的报道没在讲模型或产品，而是把三家科技公司合计1.3万人的裁员和今年全行业11.5万人的数字摆出来，追问管理层到底是真的用AI省了人力，还是借AI的名义砍成本。对做AI的人来说，这比技术论文更扎心——它直接关系到岗位安全感和行业叙事。信息量够，角度也够锐，所以放在featured。
Claude Code 的工程主管在 Code w/ Claude SF 2026 活动上分享了团队内部的变化。他们把智能体编程（让模型直接写代码、改代码）设为默认工作方式后，砍掉了传统的详细需求文档，改成“即时规划”——在动手前先让 Claude 收集上下文、理清任务。代码审查环节，Claude 会先过一遍代码风格和测试覆盖，人则把精力集中在法律合规...
推荐理由：这是 Anthropic 自家团队在 Code w/ Claude SF 2026 上的分享，不是模型发布或重大产品更新，所以分数压在 80 分左右。亮点在于他们公开了内部怎么用 Claude Code 干活：规划从提前设计改成即时按需，写代码前先让 Claude 把上下文理一遍，审查环节把风格和测试甩给 Claude，人只做法律和安全判断。这些机制写得实在，没有画饼，对工程团队有直接参考价值。但正文没披露具体效率数据或量化对比，所以别当性能报告看。
这套流程把 Claude Code 定位成“高效又聪明的老师”，目标不是替你写完代码，而是确保你能把问题、方案和影响讲清楚、辩得动。它沿着问题域、方案域和语境域三条线，拆成 8 个可执行步骤，用增量教学、用户复述、清单加测验的方式，在进入下一步前先确认你真的懂了。这么设计是为了对抗长会话里人慢慢变成“审批按钮”的问题，强制把决策上下文沉淀下来，让理解过...
推荐理由：我会先打个折：这不是产品发布，是一篇实操分享，所以放在 featured 低位。HKR 三项都踩实了——钩子把“人变按钮”这个痛点讲得很透，知识部分有 8 步工作流和验证循环，相关性直击开发者对 agent 失控的担忧。正文没披露这套流程在复杂项目里的失败率，这点先别太激动，但作为可落地的教程，信息密度够。
Google 向美国 AI Ultra 用户推送了 Gemini Spark，一个能 24 小时在后台监控邮箱、日历和云盘，并按你设定的规则自动干活的 AI 助手。它和之前聊天式 AI 最大的区别是：你不用打开它，它也会在条件满足时自己行动。The Verge 的评测显示，Spark 在查开支、写邮件这类简单任务上表现惊人，但面对复杂任务会编造信息，结...
推荐理由：我会先打个折：正文没披露 Gemini Spark 的具体上线时间、推送范围，也没有实测数据，所以这更像一篇概念梳理，不是产品首发。但它的价值在于把“后台常驻 agent”这个方向讲明白了——从聊天窗口到守护进程，四代演化加上 periodic 和 reactive 两种模式，对正在做 agent 产品的人有参考意义。信息密度够，判断也克制，放在 featured 低分段合适。
OpenRouter 的统计显示，从 2025 年到现在，开源权重模型拿走了平台上 69.1% 的 token 用量，闭源模型只占 30.9%。每次有新模型扎堆发布，用量就会跳上一个新台阶。领跑的模型换得很快：DeepSeek 早期领先，随后被 MiniMax 和 Kimi 接棒，接着 MiMo、Qwen、阿里开源系列、腾讯混元 Hy3 和 DeepS...
推荐理由：我会先打个折：OpenRouter 的数据只反映开发者调用偏好，不代表企业实际部署比例，这点先别太激动。但 69.1% 这个数字确实说明开放模型在开发者圈子里已经成了默认选项，闭源模型反而像备胎。文章没披露样本量和统计口径，所以没法判断这个份额波动是真实迁移还是噪音。整体是一篇有数据支撑的行业观察，不是公关稿，值得从业者扫一眼。
作者深入研究了字节跳动的 verl（一个做 RLHF 强化学习微调的开源框架），把它的核心流程拆了一遍：DataProto 数据协议怎么走，模型怎么生成回答（rollout），怎么打分（reward），怎么算优势函数（advantage），最后怎么更新模型。作者本来维护了一个自己的分支，但因为上游几乎每天都有改动，同步的成本比自己做改动还高，最后只能停...
推荐理由：这是一篇来自一线的 RL 后训练框架使用报告，不是官方发布。作者没在推销什么，而是老实交代了 fork 又放弃的原因和踩坑记录。我会先打个折：信息密度不错，但只覆盖单机场景，正文没披露多机下的 NCCL 表现。对正在选型或折腾 verl 的人有参考价值，对其他人可能就只是看个热闹。
流媒体平台 Deezer 的数据显示，每天有超过 5 万首 AI 生成的歌曲被上传，这个数字还在涨。格莱美主办方录音学院的 CEO Harvey Mason Jr. 说，他最近参与的每一场录音 session 里都有 AI 工具的身影，AI 在音乐制作里已经“无处不在”了。不过，格莱美目前的规则仍然禁止纯 AI 音乐角逐最高奖项。Harvey 还聊了格...
推荐理由：这篇更像播客式的政策讨论，不是模型发布、产品更新或有约束力的法规。最实在的信息就两个：Deezer 每天 5 万首 AI 歌的数字，以及格莱美最高奖的资格冲突。我会先打个折，因为正文没给出具体的规则修改时间表或技术方案，更多是抛出一个行业正在吵的问题。
作者 Nathan Lambert 的核心判断是：在编程智能体这类对智商极度敏感的场景里，用户会一直为最聪明的闭源模型付高价，他自己就愿意每月掏 2000 美元。闭源实验室会逐渐把最好的模型藏起来，不在 API 里轻易放出，以保护利润和防止被蒸馏。他预测 5 到 10 年内，OpenAI 和 Anthropic 的估值会到 2 万亿到 10 万亿美元，...
推荐理由：我会先打个折，这是一篇个人评论，不是系统研究，所以重要性停在 featured 门槛附近是合理的。但它的 HKR 三项都站得住：观点有明确的冲突框架（h），给出了可引用的价格和估值数字（k），讨论的议题正好是当下圈子里吵得最凶的那几个（r）。正文没披露这些估值模型的具体假设，所以数字本身先别太激动，但它们作为讨论的引子够用了。
作者拿《非暴力沟通》试了一遍，用 Claude Opus 4.8 把整本书拆成可调用的 AI 技能。流程分六步：先喂全书文本，让模型分析结构，再提炼框架、原则、技法、反模式和作者语气这五类内容，接着生成技能，最后做一轮自检。技能保留了书里的原始命名，比如 OFNR 四要素和“长颈鹿语言”，但触发词换成了“怎么提意见不像在指责”这种日常说法。全程花了约 ...
推荐理由：这是一篇带编号步骤的第一人称Claude实操教程，成本和token数据都摆出来了。因为属于个人教程而非Anthropic官方发布或模型更新，所以放在featured低位。
作者晒了一台自组的本地大模型服务器，总花费 6406.45 美元，核心配置是 4 张 AMD MI100 显卡，主要跑 Qwen3.6 27B 模型。这台机器每天处理约 2040 万个输入 token 和 132 万个输出 token。他拿 OpenRouter 的 API 价格算了一笔账：第一年本地总成本（含电费）是 2992.72 美元，而调用同等...
推荐理由：这是一篇个人实测帖，不是厂商通稿。作者把账单摊开算：硬件折旧、电费、OpenRouter 比价，结论是首年能省 700 多美元。我会先打个折——这个结论绑定了他的特定负载（日处理 2000 多万 token）和二手 MI100 价格，换个人未必复现。但文章的价值不在普适性，而在把“自建推理服务器到底划不划算”这笔账算得清楚、可复现，对正在纠结买卡还是调 API 的人有参考意义。信息密度和话题性都够，放在 featured 低位合理。
作者想把一块最新的 RTX Pro 6000 Blackwell 显卡装进一台 2016 年的戴尔 PowerEdge R730 服务器里，目标是搭一台能跑 65 万 token 上下文的本地 AI 盒子。过程不顺利：先要切掉风扇导流罩才能把卡塞进去，接着用双 riser 卡解决供电，然后系统卡在 PCIe BAR 分配上，根本认不到全部显存。后面就是...
推荐理由：HKR 三项都站得住：老服务器配新显卡跑 650K 上下文，玩法新鲜、细节扎实、对想省钱自建 AI 机器的人有参考价值。不过它终究是一次个人硬件折腾，不是产品发布或模型更新，所以重要性我给 72 分，放在 featured 里。
Box 创始人 Aaron Levie 把一种现象叫“AI 精神病”：决定用 AI 替换员工的人，往往最不了解那些员工到底在干什么。ClickUp 最近为了部署 AI 智能体，裁掉了 22% 的人。2026 年还没过半，科技行业的裁员人数已经快赶上 2025 年全年了。
推荐理由：这篇文章不是讲模型或产品，而是讲用人决策翻车。我会先打个折，因为 ClickUp 裁 22% 这个数字正文没展开说裁的是哪些岗位、AI 智能体具体顶了什么活，但“AI上瘾”这个判断本身有信息量，能让人停下来想一下：老板是不是把 AI 想得太神了，连员工实际在干什么都没搞清。对从业者来说，这比单纯报裁员人数更有刺痛感，所以放在 featured 门槛上没问题。
哈萨比斯判断，通用人工智能（AGI）最快 2029 到 2030 年就会出现，比之前想的快很多。他说的 AGI 不是只会干一件活的专用 AI，而是能像人一样跨领域学习、推理和创造的系统。现在那些能独立干活的 AI 智能体，在他看来就是 AGI 的预演。不过他也把话说得很清楚：AGI 不会突然蹦出来，而是一段持续加速的升级过程。他更担心的是，各国政府和社...
推荐理由：哈萨比斯这次把 AGI 时间线压到 2029-2030，比很多人的预期要快。他点出多模态和自主决策是硬指标，但正文没展开讲现在卡在哪、验证标准是什么，所以这个预测更像个人判断而非有数据支撑的路线图。我会先打个折：方向值得关注，但别当倒计时看。
OpenAI 员工晒出自己一个月的 Token 用量：760 万次请求，6030 亿 Token，按公开费率算价值 130 万美元。虽然他是内部员工不用掏钱，但这个量级让外界看清了一件事——如果放开让程序员用顶级模型，一个人一年光 Token 费就可能上亿人民币。换成国内便宜的开源模型，也要两三百万。Uber 今年头四个月就烧完了全年 34 亿美元的 ...
推荐理由：Peter Steinberger的CodexBar使用数据把Token费用问题算成了一笔明账：一个月760万次请求、6030亿Token，按预设费率估算价值130万美元。这个数字够具体，也够吓人，直接点出了AI编程工具在规模化使用时的成本压力。文章不是产品发布或模型评测，而是从业者的真实账单分享，对正在评估AI工具成本的团队来说，比任何公关稿都实在。
Anthropic 给 Claude Code 加了个动态工作流功能，本质是用一段 JS 脚本接管控制流，让脚本决定先做什么、后做什么、什么时候并行，但具体干活还是交给多个子 agent 各自在自己的上下文窗口里跑。这么设计是因为 agent 跑久了会忘事、自己验自己也不靠谱，所以把不会忘的控制流交给代码，把需要灵活探索的执行交给 agent，把验证拆...
推荐理由：这篇文章不是 Anthropic 官方发布，也没有实验数据，但它的价值在于把 Claude Code 动态工作流里“哪里该写死、哪里可以放手让模型跑”这个边界问题讲透了。三层机制拆得干净，对正在踩坑的从业者来说，比泛泛讲 agent 靠谱多了。我会先打个折，因为正文没披露具体验证指标，判断更多是架构层面的分析，所以放在 featured 里偏中上的位置。
作者 Tomasz Tunguz 分享了他用“技能提炼”让本地小模型跑个人工作流的做法。他会让 Opus 4.7、GPT-5.1 或 Gemini 3 Pro 这类顶尖模型，把处理邮件、管投资 pipeline、发博客等任务写成标准化的 SKILL.md 步骤文件，然后由本地运行的 Qwen 35B 或 Gemma 26B 一步步执行。这套系统基于 P...
推荐理由：这个技能提炼模式把大模型当教练、本地模型当执行者，思路清楚，对控制成本有实际意义。我会先打个折，因为文章没披露任何量化结果——不知道本地模型执行时会不会翻车，也不知道到底省了多少钱。这点先别太激动，等有数据再说。
这期播客聊的是 AI 编程工具正在从“在编辑器里帮你补全代码”转向“在后台独立完成整个任务”。Cognition 的首席产品官 Walden Yan 和 OpenInspect 的 Cole Murray 分享了他们看到的趋势：Devin 合并的 PR 数量涨了 7 倍，Cognition 自家仓库里由 AI 生成的提交占比从 16% 飙升到了 80%...
推荐理由：H、K、R 三项都站得住：Cognition 自家仓库的数据让这篇访谈不只是 agent 口号。分数留在 78 分，因为它本质还是访谈和趋势观察，不是重大模型或产品发布。
周志伟分享了一套项目管理方案：用两个 Git 仓库，配合 AI 编程助手、Shell 和 Python，把催周报、搬数据、画图表、出工程效能报告这些事自动化了。正文没披露具体实现细节和验证数据，但按他的说法，至少能省掉 80% 的手工跟进和报表工作。
推荐理由：我会先打个折：80% 这个数字正文没给验证方法，别当基准看。但思路本身很实在——用两个 Git 仓库当数据源，让 AI 编码助手加脚本去自动拉数据、出图表、拼周报，把项目经理从催收和搬运里解放出来。对 AI 从业者来说，这不是模型或平台发布，而是一个可抄作业的工作流改造，成本低、痛点准，所以给了 featured。
Simon Willison 发现，从 2026 年 4 月起，Anthropic 和 OpenAI 悄悄把企业版编程助手（Claude Code/Cowork 和 Codex）的收费方式从固定座位费改成了按 API 调用量计费，跟直接买 token 一个价。他自己一个月用这些工具烧掉的 token 折合 2180 美元，但个人套餐只要 200 美元，...
推荐理由：这篇不是官方公告，是一篇行业评论，但它抓的点很实在：Anthropic 和 OpenAI 在 2026 年 4 月前后把编程智能体的收费从打折卖席位改成按 API 调用量算钱。我会先打个折——正文没给出具体定价数字或客户迁移数据，所以“找到产品市场契合点”更多是作者基于计费模式转向的判断，不是有财报支撑的结论。但这点本身对从业者有用，因为它直接关系到采购和用量评估。整体属于有观点、有信息缺口、但不虚的评论，放在 featured 档位合理。
这篇文章讲的是阿里技术专家吕若凡提出的 Agent Room 模型。核心想法是不再让 AI 智能体各干各的，而是把它们放进一个共享上下文、任务账本、记忆和产物的“房间”里协作。文章用两个软件工程案例做了验证，说明这套系统不是简单地把任务分发给不同模型，而是让它们能基于共享信息做出协作判断。不过正文因为微信环境验证问题没能加载出来，具体的技术细节、实验数...
推荐理由：这是一篇方法论文章，不是模型发布或开源框架，但 Agent Room 的机制和两个研发现场让它有干货。HKR 三项都踩中了，我会给到 76 分，放在 featured 里。
作者提出一个反直觉但关键的工作习惯：让AI干活前，先把成功标准、踩过的坑和固定工具写成一个Skill文档。因为AI没有记忆，每次新对话都是白纸一张，不把经验外化落盘，它下次还会犯同样的错。文章解释了为什么程序员反而容易掉进“只有代码才能复用”的陷阱，并给出Skill的三个要素：描述最终想要什么而不是微操步骤、只记录AI真正犯过的错、提供确定性的工具调用...
推荐理由：这篇文章没讲新模型或产品能力，也没给实验数据，但“先写 Skill”这个动作把 agent 工作流从一次性尝试变成了可积累的资产，对日常用 Claude Code 或类似工具的人有直接参考价值。三个 Skill 要素讲得清楚，复用方式也具体，所以放在 featured 档。
作者王咏刚提出一个反直觉的习惯：别上来就让 AI 直接做事，先把怎么做写成一个可复用的“技能文档”。他用 Outlook 收邮件举例，第一次花半小时把用户名、手机端批准、客户端选择这些坑都记下来，下次 AI 读这个文件就能跳过所有陷阱。核心逻辑是，AI 没有记忆，不把经验外化成文档，它就会反复踩同一个坑。程序员容易觉得只有代码才值得复用，但文章指出，研...
推荐理由：这是一篇工作流教程，不是产品或模型发布。技能文档化的机制和 Outlook 示例够实在，能上 featured；但来源权威性一般，所以定在 72 分。
这是 Jack Clark 在牛津大学讲座的文字版，外加一篇他写的科幻小说。讲座的核心是一张让他感到眩晕的图——Epoch 能力指数，它用 40 多个基准测试画出了 AI 能力的陡峭爬升曲线。Clark 认为，AI 不是普通技术，它更像一片在加速生长的森林，而我们现在看到的通过律师资格考试、拿下国际数学奥赛金牌、发现软件新漏洞，都只是这片森林里的几棵树...
推荐理由：Jack Clark 这篇不是技术报告，更像一篇行业随笔。他拿 ECI 的 40 多项基准当引子，核心抛出一个具体判断：两年内可能出现能开发后继系统的 AI。这个说法把模糊的“奇点”变成了一个有明确时限的猜想，所以我会给高重要性。正文没给出两年预测的严格推导过程，更像基于趋势的直觉，这点先别太激动，但它确实把 AGI 时间线、安全和就业这些老话题拧成了一根引线，值得从业者读一读并自己判断。
美国劳工数据没看到 AI 造成大规模失业。AI 接触多的职业，失业率反而比接触少的职业更低，也没出现白领大批转行干体力活的迹象。但斯坦福一份研究发现，生成式 AI 普及后，年轻人在 AI 相关岗位的就业明显下滑，说明初级岗位可能正在被悄悄替代。文章认为就业市场确实不好，但锅不能全甩给 AI。
推荐理由：标题和摘要都指向一个反常识判断：AI 还没造成大规模失业，高暴露职业失业率反而更低。这个点够直接，也够戳人，HKR 三项都踩中了。但正文没披露具体样本时间窗口、失业率数值和统计口径，所以事实硬度要打个折，只能给 featured 里的低位。
Uber 总裁 Andrew Macdonald 公开说，公司 2026 年的 AI 预算四个月就烧完了，但 Claude Code 的 token 消耗量涨上去之后，并没有看到能交付给用户的实际功能跟着明显变多。他原话是“很难在 AI 花销和产品产出之间画一条线”。正文没披露具体花了多少钱，也没说哪些功能是 AI 驱动的，所以这个“没产出”的判断目前...
推荐理由：这条消息的价值不在技术本身，而在于一个每年花大钱买 AI 工具的大公司总裁公开说“账越来越难算”。我会先打个折：正文没披露具体预算金额，也没给出 token 消耗和功能交付的对照数据，所以不能当定量证据用。但“4 个月花光全年预算”这个事实本身已经足够说明成本压力，加上 Claude Code 用量还在上升，说明不是砍预算而是产出没跟上。对 AI 从业者来说，这比任何 benchmark 都更真实地反映了当前工具链的 ROI 焦虑。
作者在中美两头跑，发现两边的普通人都在被同一种不安笼罩：技术跑太快，红利不一定轮到自己。文章用滴滴司机钻算法空子、美国送餐员抢单的例子开场，指出 AI 在两国都加剧了职场监控、情感孤独和无力感。美国超七成青少年拿聊天机器人当陪伴，中国预计到 2030 年独居人口达 2 亿，AI 伴侣成了孤独的速效解药。科技精英忙着追逐风口和 AGI，普通人却用“社畜”...
推荐理由：这篇不是产品发布或模型论文，是一篇评论，但两个社会数据点和一个中美对照的框架让它有信息量。我会先打个折，因为正文没披露具体调查方法和样本量，数字的可靠性没法验证。不过它把技术趋势和人的孤独感直接挂钩，对从业者理解应用场景有启发，放在 featured 里当一篇有观点的解读是合适的。
这篇帖子直接点破：小模型搭的智能体方案没成为主流，跟技术能不能跑通关系不大，核心是商业风险和验证成本。作者举了两个例子——Gemma 4 31B 在 tau2-bench 上能跑到 86.4% 的准确率，DeepSeek V4-Flash 的输出 token 价格差不多是 Claude Opus 4.6 的 89 分之一，单看指标和成本都挺能打。但问题...
推荐理由：这篇文章的切入点挺刁钻——小模型 agent 栈没普及，不是性能不行，是验证层掉链子。它拿 Gemma 4 31B 在 tau2-bench 上 86.4% 的成绩和 DeepSeek 低到离谱的输出成本说事，数字本身有说服力。但更值得盯的是那个 7-9B 模型做验证时，一半到三分之二的正确答案推理链其实有缺陷，这个发现直接动摇了用小模型兜底的信心。来源是 Reddit，权威性要打个折，所以分数没给到顶，但话题本身对做 agent 落地的人很解渴。
这篇博客把智能体拆成了三层：模型（就是大语言模型本身）、脚手架（通过提示词和工具描述来定义模型的行为逻辑）和线束（负责实际跑模型调用、工具调用和控制循环的代码）。作者认为现在行业里这些词被混用得厉害，比如有人把整个智能体叫脚手架，有人把执行层叫线束，这篇就是想给个实用的参照，不是要定死标准。文章还顺带理了上下文工程、策略、技能、子智能体这些常被模糊使用...
推荐理由：Hugging Face 这篇把 agent 拆成三层：模型本身、Scaffolding（定义行为）和 Harness（管工具调用与控制循环）。这个分法解决了一个很实际的痛点——现在聊 agent 的人经常把“怎么调用工具”和“谁在控制循环”搅在一起，文章直接划了条线。我会先打个折：正文没给出具体的实现案例或性能对比，更像概念梳理，所以重要性停在 72 分。对正在搭 agent 架构的从业者来说，这篇能当一张参考图用，但别指望它直接告诉你代码怎么写。
Epoch AI 估算，从 2024 年第一季度到 2025 年第四季度，高带宽内存（HBM）在 AI 芯片物料成本里的占比从 52% 涨到了 63%。这个数字是拿英伟达、AMD、谷歌和亚马逊四家的 AI 芯片按出货量加权平均算出来的。同期逻辑芯片的成本占比基本没动，在 13% 左右；先进封装从 19% 降到 15%，其他辅助部件从 15% 降到 9%...
推荐理由：这个标题本身就是一个有冲击力的结论，我会先打个折——因为正文只给了链接、68 分和 71 条评论，完全没写这个“近三分之二”是怎么算出来的、统计的是哪种芯片、在什么时间点。如果是真的，那意味着内存成本已经压过计算单元，对推理优化和硬件定价影响很大；但信息缺口太大，现在只能当一个值得追问的信号，不能当定论。
OpenAI 联合创始人兼总裁格雷格·布罗克曼在这期播客里，第一次详细讲了公司最惊险的一次内部危机。他回忆了 Sam Altman 被董事会解雇后，自己接到电话时的场景、当天就辞职的原因，以及第二天在 Sam 家里策划“凤凰”备份公司的经过。转折点出现在 Ilya Sutskever 发了一条推文之后。除了这场风波，他还聊了 OpenAI 早期在纳帕谷...
推荐理由：我会先打个折：标题很抓人，Brockman 作为内部人出来讲“差点覆灭”的故事，天然有传播力，所以 H 和 R 都过了。但正文没披露任何实质内容——时间线、谁做了什么、怎么收场的，全都没说，K 完全站不住。整体只能放在 featured 底线，等后续有细节再升级。
这篇来自新智元的文章标题说 AI 生成的文章数量碾压人类，但正文被微信环境异常验证页完全挡住，看不到任何具体内容。从已有的英文摘要看，研究方 Graphite 从 CommonCrawl 里抽了 4.3 万篇文章做检测，发现从 2024 年 11 月起 AI 写的英文文章数量超过了人类写的。他们用的检测器自称误判率约 4.2%、漏判率约 0.6%，也就...
推荐理由：这篇评论性文章用一个抽样数据把“AI 内容淹没人类内容”这个模糊焦虑变成了一个有时间点的判断。43000 篇样本不算大，但误报率和漏报率都给了，说明检测工具本身不是绝对可靠，这点先别太激动。文章没披露抽样方法和检测模型细节，所以交叉点的精确度要打个折。对从业者的实际提醒是：公开网页数据正在被 AI 生成内容快速稀释，做预训练或外挂资料库的人得把数据溯源和过滤当成硬需求。整体信息量够、有数据支撑，但单一信源且缺乏平台级影响分析，所以分数没再往上走。
Flask 作者 Armin Ronacher 用 Pi 开发 Pi 时发现，项目 issue 里 83% 被自动关闭，因为大量 AI 生成的报告虽然行文专业、推理自洽，但结论是错的。问题不在 AI 代码质量差，而在于很多老手还在用过去的直觉判断 AI 输出——人类的错误有迹可循，AI 却会在一个错误假设上推导出一整套看似滴水不漏的方案，老手的经验识别...
推荐理由：这篇不是模型发布或产品上线，而是围绕 Armin Ronacher 用自家工具 Pi 开发 Pi 这件事的评论。我会先打个折，因为争议本身不算新，但 issue tracker 的数据让讨论落到了可查证的事实上，不是纯嘴炮。对天天跟 AI 结对编程的人来说，这种“老手翻车”的案例比 benchmark 更有说服力，所以给到 featured。
微软在一份报告里直接对比了两种成本：用 token 计费调用模型、用 agent 跑业务流程，以及雇人干同样的活。结论是，在这些特定场景下，AI 的综合开销已经超过了人工工资。报告没展开讲具体是什么任务、人力成本按哪个市场算的，但至少说明现在企业上 AI，不是闭着眼就能省钱。
推荐理由：我会先打个折：微软没公布具体是哪些任务、工资怎么算、对比口径是什么，所以这个结论不能直接套到所有场景。但它的价值在于，把 agent 和 token 计费的总成本摆上台面，提醒大家别只盯着单次调用价格。正文没披露具体金额和岗位，如果是真的，对靠堆 agent 降本的项目是个冷水。
奥纬咨询这份全球CEO调查里，科技行业被AI冲击得最狠。74%的CEO说正在冻结或减少招聘，比去年又高了7个百分点。大公司下手更重，39%的“超大规模”企业计划裁员，小公司这个比例是28%。最惨的是初级岗位：打算在未来一两年砍掉入门级职位的CEO比例，从去年的17%直接翻到43%。只有17%的CEO说会多招新人。报告把这叫“把人才金字塔削成了钻石”——...
推荐理由：标题和摘要里的数字够硬，74%和17%到43%的涨幅能让人直观感受到冲击。但正文没披露样本量和方法论，所以我会先打个折，不把它当定论看。整体更像一份行业观察，适合放在精选里当信号，但别急着下结论。
AI 的 token 单价每年暴跌 10 倍，但企业的 AI 账单却在暴涨，因为市场正在分裂成两个经济逻辑完全不同的世界。低端市场被中国开源模型（如 DeepSeek V4 Flash、Qwen 3.5）杀到了地板价，输入成本最低只要 5 美分，靠的是推理效率提升和系统性低价策略；高端市场如 Claude Opus 4.7 依然卖到 15 美元，价格几...
推荐理由：这篇文章不是产品发布或一手测试，是一篇行业评论，但把 token 降价和企业账单膨胀这对矛盾讲得很清楚。我会先打个折：300 倍价差这个数正文没展开算细账，但作为趋势判断是成立的。对正在选模型、算成本的 AI 从业者来说，这篇能帮他们意识到便宜不一定等于省钱，锁定的隐性成本和 Agent 带来的负载增长才是大头。
黄仁勋在英伟达财报电话会上抛出一个数字：超大规模云厂商的 AI 基建年开支会从现在的 1 万亿美元涨到 3 到 4 万亿，CFO 给的时间线是 2030 年前。华尔街分析师原本的共识是 2028 年才到 1.03 万亿，老黄直接翻了四倍。一季度谷歌、亚马逊、微软三家资本开支加起来已经超过 1100 亿美元，Meta 更是把全年预算拉到 1450 亿，结...
推荐理由：黄仁勋说的 3-4 万亿美元是 CEO 预测，不是已发生的模型发布或产品落地，所以分数压在 78-84 这个区间。数字本身有信号价值——它把云厂商的烧钱速度量化了，也间接给英伟达的营收预期撑腰。但正文没披露这个 4 万亿是怎么算出来的，也没说时间节点，这点先别太激动。
这篇帖子来自一个叫 HomoAgens1 的本地部署实验，他把 Agent 的调度模型和写代码的大模型拆开看，专门测调度环节能缩到多小。他用的 Qwen3.6-35B-A3B 是个 MoE 模型，实际干活时只激活约 3B 参数，跑在一块 12GB 显存的 GPU 上，关了 30 个专家做 offload，生成速度能到每秒 40 个 token。实验发现...
推荐理由：我会先打个折：这是 Reddit 上的单人实验，不是正式发布，结论别当定论。但它的发现很实在——用 Qwen3.6-35B-A3B 跑 ReAct 编排，3B 激活参数就能在 12GB 显卡上跑到 40 t/s，成本够低。更小的模型不是推理先崩，而是工具调用纪律先坏，这个失败模式对选型很有参考价值。显存、速度和故障点都给了具体数字，对想在家用显卡上折腾 agent 的人是一手好参考。