行业关键人物在想什么：创始人访谈、研究者论战、投资人判断的观点集合。
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。