🔥 Search Hot Tweets

DeepSeek在人才争夺战中有点飘了。 2026年AI人才极度稀缺，尤其李博杰这种既有顶会论文、又有华为大厂工程经验的复合型人才，如果我是面试官，我会当宝贝对待。结果却搞成这样，这属于典型的流程不成熟外加面试官素质参差。 在当前AI圈，顶尖的人才就那么点人。公司抢人很凶，但好公司的面试流程反而要更专业、更尊重人才，况且DeepSeek是国内顶尖的AI大厂。因为面试官的操作自砸招牌，实属不应该。 注：李博杰2010年进入中国科学技术大学少年班学院攻读本科，2014年至2019年在中科大与微软亚洲研究院联合培养项目中完成博士学业。 他的研究方向主要聚焦网络系统和可重构硬件，例如FPGA在数据中心的应用。他曾获得微软学者奖学金、ACM中国优秀博士学位论文奖和中国科学院院长奖学金等荣誉。 2019年他作为华为首批天才少年入选者加入华为2012实验室中央软件研究所，先后担任计算机网络与协议实验室助理科学家和副首席专家。

Claude Code 诞生记 BEN MANN Anthropic 联合创始人兼 Labs 团队负责人 当我们创立 Anthropic 并最终决定开发一款产品时（在当时，做产品这个决定本身就备受争议），我们做的第一件东西是一个编程助手。 那是一个 VS Code 的扩展插件。你可以和它聊天，对于你输入的每一个提示词，它都会给出四种不同的操作建议。 SHAUNA KRAVEC Anthropic 强化学习(RL)负责人 早在 2022 年初，我们就已经在构思编程助手了，并尝试构建能够进行自主软件工程开发的模型。我们搭建了最初的强化学习代码库，并摸索出了训练 AI 智能体(AI Agent)的全套方法。 我们之所以对写代码这么感兴趣，是因为我们坚信：==通往变革性 AI 的必经之路，就在于能够将大量的软件工程工作自动化。== DAWN DRAIN Anthropic 研究工程师 从 2021 年开始，我在 Anthropic 前三年的主要工作，就是试图打造一个写代码能力尽可能强的模型——==至少得和我一样厉害。== SHAUNA KRAVEC 借助我们的强化学习训练，我们从简单的任务开始测试。模型能写一个简单的函数吗？接着挑战升级：我们能不能让模型写一个函数，然后再测试它写得对不对？刚开始的时候，模型在这方面的表现简直糟透了。 BEN MANN 2022 年的春天，我们早期开发的编程助手(coding assistant)还挺受大家欢迎的。那时，我们大约已经拥有了 100 位外部用户。 SHAUNA KRAVEC 搞智能体编程所需要的基础架构，比做个简单的聊天机器人要复杂得多。特别是当你考虑到代码执行的时候；你必须仔细斟酌代码到底要在什么环境中运行，以及如何安全、高效地管理这个环境。如今 [2026年] 人们在开发 AI 智能体时面临的许多挑战，和我们当年遇到的困难简直一模一样。 DAWN DRAIN 2022 年我们遇到的另一个棘手问题是 Harness 设计——就是围绕模型搭建的那套能让它真正采取行动的脚手架（为 AI 智能体提供运行和交互环境的底层支撑系统）。我和强化学习团队的一位同事合作，在容器（一种轻量级的虚拟化运行环境）内实现了一个持久运行的 shell（命令行解释器），这样模型就可以执行代码、处理数据流的输入输出，并能很好地处理超时问题。 BEN MANN 我回来后帮忙发布了第一版的 API（应用程序接口），之后我们基本上就把编程助手这事儿给抛到脑后了。 DAWN DRAIN 但在研究团队这边，我们一直在默默努力，想方设法让模型在智能体编程方面变得更强。 SHAUNA KRAVEC 到了 2022 年底，我们开始将工作重心转移到开发更具开放性的 AI 智能体上，致力于让它们真正派上用场。到了 2023 年，我们的模型已经能完成基础的函数调用(function calling)、一些搜索操作，以及一些零碎的小任务了。 BEN MANN Shauna 的团队取得了突破性的进展。他们找到了赋予模型 bash 工具（让模型具备使用命令行操作系统的能力）的方法，让它具备了四处搜索信息的能力——这些正是让智能体编程能够真正运转起来的关键拼图。 DAWN DRAIN 我花了一段长得让人不好意思的时间，试图教会 Claude 写 diffs（代码差异文件，用于展示代码修改前后的对比），因为在纯文本中表达修改，这似乎是最自然的方式。最终我们做出了一个叫 `clide` 的东西，这个名字是我们同事 Eli Tran-Johnson 之前给一个早期版本起的。说白了，它就是一个内部的命令行工具，你可以通过它和 Claude 聊天，让它帮你改代码、干些开发的活儿。 SHAUNA KRAVEC 它当时还挺不稳定的——==但它的理念非常、非常超前。== BEN MANN 我一有空就会鼓捣 `clide`。我太喜欢它了。我觉得它真的很棒，但它明明可以做得更好。 DAWN DRAIN 我们在 `clide` 里开发了一个超酷的功能：它可以并发启动一百个 Claude Haiku（Anthropic 推出的一种快速且轻量级的大语言模型）。这样一来，即使整个文件夹的代码量大到根本塞不进上下文窗口，你也能直接向它提问。在好几次结对编程（两名程序员坐在一起共同写代码）时，我都会得意地掏出 `clide` 来解决问题，大家总是惊讶地问我，是怎么知道这些炫酷工具的。 SID BIDASARIA Anthropic Labs 团队技术人员，Claude Code 项目的二号工程师 大家都在谈论 `clide`，但它用起来很笨重，启动速度也慢得要命。 ADAM WOLFF Anthropic Claude Code 团队的首任经理 在我去 Labs 团队工作之前，`clide` 智能体是我给它添加的最后几个功能之一。当时的 `clide` 还没有 bash 工具，所以它的能力很受限。我给它做了一些设置，让它能根据一部分代码的修改，推断出你到底想干什么。所以它算是==婴儿期的智能体(baby agentic)。== 当它第一次成功运行的时候，我激动得在厨房里手舞足蹈。我简直不敢相信这是真的。 BEN MANN 2024 年 1 月，我创立了 Labs 团队。我敏锐地察觉到了智能体编程在市场上的空白。那年 9 月 Boris 加入 Labs 时，他想做一个代码检查工具(linter)（用于分析代码以发现潜在错误和风格问题的工具）。他只想在智能体编程这块大蛋糕上咬下小小的一口。我当时就说：“不，不，不，不，你得干票大的。” BORIS CHERNY Anthropic Claude Code 负责人 那时候，你得念各种各样的“咒语”（复杂的提示词或指令）才能让 `clide` 跑起来。尽管它算不上什么出色的软件，但从某种程度上说，它依然令人惊叹、充满魔力，因为它让人看到了未来。 有一次，我纯手工写好了一个拉取请求(pull request)（开发者提交代码修改的一种方式），结果 Adam 把我给拒了。但他对我说：“其实这活儿你应该用 `clide` 来干。”于是我敲下了 `--string-edit` 之类的命令。我只是把需求单的内容复制粘贴进 `clide`，它就自动帮我写完了整个拉取请求。那是个大概五到十行的代码提交。我以前从未见过这种操作。太震撼了。感觉就像未来已来。 BEN MANN 他当时的反应就是：==“卧槽，太牛了。”== 我们已经凑齐了所有的组件——缺的只是把它们拼装在一起。 RAPHAEL LEE Anthropic Labs 团队的首任工程经理 Boris 被指派负责智能体编程这一块。对于自己想要采取的路线，他有着非常清晰的规划。 BORIS CHERNY 我的上手项目是“让编程自动化”。所以我想，“好吧，首先我得学学怎么用咱们的 API，”因为我之前压根没用过。我开始瞎捣鼓，但其实我完全不知道我们到底想造个什么东西出来。 我就这么随便玩着，然后做出了这个被我称为 Claude CLI（命令行界面）的东西。 没人看得懂那个 Claude CLI 的演示是干嘛的。说实话，连我自己都没弄明白。但现在回过头来看，你会发现最初的那些核心元素都已经在那儿了。我当时让它去看看我正在听什么音乐。它居然直接给 Apple Music 截了个图，然后读取了上面的信息。感觉挺神奇的——它就这么直接*把事儿给办了*。 那大概花了我两天的时间。如果要用今天的 Claude Code 重新实现这个功能，大概只需要两分钟。 我把这个演示发到了 Slack（团队沟通软件）上。我估计也就拿到了两三个赞吧。 IGOR KOFMAN Anthropic Labs 团队技术人员 在我看来，这条路子显然是对的。 BORIS CHERNY 发完帖子第二天，我走进办公室看到 Robert 正在工作，我一眼就认出了屏幕上那些红红绿绿的代码行，那些界面现在已经成了标志性元素。他随口说了句：==“是啊，它正在帮我写代码呢。”== 这简直太疯狂了——它居然真的管用。 ROBERT BOYCE Anthropic Labs 团队技术人员 我不记得当时具体在干什么了；大概是在弄 Claude 的桌面应用吧。那时的应用非常简陋，无非就是一个循环里的工具定义，加上一个简单的交互式界面。 BORIS CHERNY 当然了，它当时离“好用”还差了十万八千里。但我心里突然涌起一种强烈的紧迫感，我觉得必须立刻着手去完善它。我开始每个周末都在加班。我的朋友们都懵了：“你怎么回事？出来玩啊！”但我就是满脑子都是这玩意儿，停不下来。直到今天，那种紧迫感依然存在。 IGOR KOFMAN 刚加入 Anthropic 的时候，我想致力于让非工程师也能用上 AI 的力量。帮人写代码这事儿，看起来太显而易见了，我们迟早会解决。我想做点不那么显而易见的事。但大概过了三个月，我顿悟了：编程绝对是我们必须优先攻克的阵地，因为它是通向其他一切可能性的关键路径。 3 团队 3 ADAM WOLFF 我大学学的不是计算机科学。我是学电影的。但我一直很喜欢用电脑捣鼓点东西。1993 年我读到了第一期《连线》杂志，当时的感觉就是：“我的天，我必须参与到这股浪潮中去。”于是我搬去了旧金山湾区。我职业生涯的前半段是做游戏设计，后来转行做了程序员。最终，我参与了一个叫 React 的大项目，它现在是一个非常火的网页框架。 BORIS CHERNY 我请 Adam 来做我们的经理。一开始他拒绝了好几次，因为他想重新做回一名独立贡献者(IC)（指不带团队、专注于具体业务执行的专业技术人员），但在我死缠烂打，又请他喝了几次啤酒之后，他终于答应了。 IGOR KOFMAN 我大概七岁就开始用 BASIC 语言写代码了。我写的第一个软件是个教数学的小游戏，为了教我五岁的弟弟。“二加二等于几？”如果你答对了，电脑就会放音乐。当时我们住在乌克兰，用的很可能是一台从西方进口的电脑。你得往里面塞一盒磁带。 FIONA FUNG Anthropic Claude Code 与 Cowork 部门负责人 以前有一种叫 Turing（图灵）的编程语言，是多伦多大学发明的。我就是用它写出了我的第一个游戏。那感觉就像在创作艺术品一样。==编程，就是一种让你讲述故事、创造世界的方式。== CAT WU Anthropic Claude Code 产品负责人 我是 2024 年夏天加入 Anthropic 的。当 Boris 发布他的 Claude CLI 演示时，我就开始用它来搭建强化学习环境了。它带来的效率提升让我大为震撼。 我给 Boris 发了一大段一大段的反馈。而 Boris 响应的速度同样快得惊人，他很快就告诉我，很多需求他已经加上了新功能或者修复了问题。在那个时候，我可能是最活跃的用户之一了。于是他问我：“你想加入我们吗？” MEAGHAN CHOI Anthropic 产品设计师 我第一次和这个团队打交道大概是在 2024 年 12 月。为这类工具做设计可不常见。但我记得当时看到 Claude CLI 时，我心里想：“我们可以把它变成一个非常酷的产品，它只是缺了一点点设计的关怀。”所以我就问，我能不能花两周时间做个快速的突击尝试。 SID BIDASARIA 我是 2024 年 8 月加入 Labs 团队的。当时 Boris 正在搞这个很酷的命令行工具，我就顺势加入了。在我的职业生涯中，我从来没有哪一项特定的专长，以前也从未开发过开发者工具或编程工具。这对我来说是完全陌生的领域。 4 构建 4 BORIS CHERNY 2024 年 10 月，我拼了命地干。每个星期我都会跑去诉苦：“Raph，求你了，多给我几个工程师吧！” RAPHAEL LEE 我们几乎把整个 Anthropic Labs 团队的人都倾注到了 Claude Code 上。剩下的人则组成了 MCP 团队。要是能招人快点就好了！在早期，团队的扩张主要依赖于内部调岗，以及缓慢但高质量的外部招聘。 ADAM WOLFF 团队扩张是一把典型的双刃剑。Boris 极力主张快速扩张。我却想要相反的结果，并尽可能地压着不扩招。有更多的人手固然好，但==团队规模一旦变大，流程、文化、愿景等方方面面的事情都会变得更加困难。== 我也把它看作是一场早期的实验，想看看 Claude Code 将如何改变工程团队的工作方式，以及我们对生产力的预期。即使团队规模相对较小，我们开发新功能和修复程序错误(Bug) 的速度也是我前所未见的，简直像是在飞。 BORIS CHERNY 事后看来，保持一个小规模的团队实际上是我们成功的关键因素。这迫使我们在资源利用上极具创造力，也防止了我们过度工程化（把简单问题复杂化）。更重要的是，它逼着我们更加依赖和使用 Claude。不然的话，我们的开发速度根本跟不上。 SID BIDASARIA 直到 2024 年 12 月，都只有我、Boris，再加上一点点 Ben 的协助，在鼓捣这个项目。等我们拿到许可后，Labs 团队和其他几个团队的六七个小伙伴加入了进来，我们开启了最后两周的冲刺。==你今天看到的很多核心功能都是在那两周里赶出来的，== 比如错误报告和登录流程。正是那次冲刺让我觉得，“好了，这玩意儿正在变成一个真正的产品。” ADAM WOLFF 在开发 React 的时候，为了让它能在内部普及，我们所做的一切努力，最终也促使了外部开发者开始接受它。这让我们更深刻地理解了它的优势在哪里，坑在什么地方，以及未来的路该怎么走。对于 Claude Code 来说，情况也是一样。 SID BIDASARIA 当时我们的代码库没有任何限制，也没有任何代码审查的门槛。出了问题我们就直接发布修复补丁。Boris 在早期做的一件不可思议的事情是，他内置了自动更新功能和非常棒的用户指标监控。所以，一旦有人跑来跟我们抱怨：“这个地方好难用”，我们可以立刻推送修复，五分钟后他们就能用上新版本了。 RAPHAEL LEE 反馈如雪片般涌来。Boris 和 Sid 总是会在几分钟内回复每一条评论，并且经常在当天甚至同一个小时内就提交修复，因为用 Claude Code 撸代码实在太快了。 SID BIDASARIA BEN MANN 对于那些没做过大语言模型(LLM)产品化的人来说，有一个道理可能不那么明显：你现在就得去造一个成功率只有 20% 到 30% 的东西，这样等到下一代模型发布时，它的成功率就能达到 80%。这已经足以在市场上站稳脚跟了。再等到下下代模型，成功率就能达到百分之九十多，到那时你就真的取得了实质性的进展。而且==你的痛苦承受能力必须非常高，因为在这个过程中，你会一遍又一遍地失败。== 你必须脚踏实地立足当下，但同时也要高瞻远瞩放眼未来。 5 发布 5 CAT WU 在正式发布前的抢先体验阶段，我们得到的反响不温不火。有些人觉得这个点子很酷，但满天飞的 Bug 实在让人抓狂。尽管如此，我们还是在 2025 年 2 月冒险迈出了发布这一步。 就在那时，我们正式将 Claude CLI 更名为 Claude Code。这个名字是产品营销部门的 Alex Isken 提出来的。我们都喜欢它的简单纯粹。 IGOR KOFMAN 在发布前夕的一个深夜，我突然灵光一闪：“如果我们搞一个 ASCII（一种由字符拼成的艺术图案）的 Logo，岂不是很酷？”我让 Claude 帮忙生成了一些字符画字体，然后我们把它变成了那个标志性的图案。它成了大家登录时的一个小惊喜。 MEAGHAN CHOI 我最喜欢的一点就是往终端里加了那个小小的角色图案。Sam McAllister 最初为了发布 Claude 3.5 Sonnet 专门设计了这个吉祥物。在产品开发中，你其实很少有机会能做这种好玩的事情。 AUSTIN RAY Ramp 公司 AI 开发者体验负责人兼主任软件工程师 在我的整个职业生涯里，我一直是个死忠的命令行粉。所以只要有可能，我都会泡在终端里。[2025 年 2 月] Claude Code 作为研究预览版发布后，有人发帖提到了它，我就顺藤摸瓜找到了。刚上手用了不到五分钟，我就断定：“没错，这玩意儿将从根本上颠覆一切。” KYLE EASTERLY Delve Group 首席执行官兼 Claude 社区大使 我大概八九岁的时候，有一次和爷爷奶奶开房车旅行，就在那时我学会了编程。我爷爷有一台笔记本电脑，里面有一本早期操作系统的帮助手册。我仅仅用条件判断语句，就敲出了一个小小的侦探调查游戏。 时间快进到 2025 年，我当时正在为一个名为“阿拉斯加州独立生活委员会”的非营利组织担任软件项目顾问——他们主要为年轻人提供残障服务。他们会把一群高中生召集起来，帮他们设定毕业后的人生目标。以前他们都是用纸和笔来举办这些研讨会，结果只有十分之一的孩子能坚持完成。 当我开始为他们开发一个应用程序时，我已经在使用 Claude 了。我会用工作台来回切换，把一堆文件复制粘贴到剪贴板，再手动给它们加上标签。就在那个项目期间，Claude Code 发布了，我半路切换了工具——结果*瞬间起飞*。 AUSTIN RAY 第一次用的时候，我激动得起了一身鸡皮疙瘩。如果它能读取、编辑还能运行 bash 命令，那它就无所不能了。它能够自动执行步骤，而这些底层的基础能力，正是构建其他所有东西所必需的基石。 我立刻开始在公司内部疯狂安利它。我在公司所有的频道里发消息，问还有谁在用这玩意儿。然后我直接跑到同事的工位旁对他们说：“听着，你得相信我。你要是不试，我就不走了。装上 Claude Code，在终端里启动它，咱们来试试。你现在在忙什么？你直接告诉它试试？然后咱们看看会发生什么。” Boris、Cat 和我每周都会开会交流反馈。我们就这样自然而然地建立起了开发者和用户之间的纽带。 我一直喜欢瞎捣鼓，对自动化、滚雪球式的积累，以及反复递归优化自己的工作环境有一种近乎狂热的追求。[Claude Code] 简直是发挥我这些技能的完美土壤。 JARRED SUMNER Bun 创始人 当我尝试使用 Claude Code 时，我让它在 Bun 里实现网络通信压缩功能，我把相关的技术规范文档喂给它，然后它就自己搞懂了该怎么写代码。虽然一开始它写得有点烂，但在我给了一堆提示词引导之后，它自己就把代码修好了。之后，我甚至改变了我们团队排定优先级的策略，就是为了能更好地配合 Claude Code 一起开发。 相比于它当时产生的影响力，我可能对它有点过于走火入魔了。 TRISTAN HUME Anthropic 性能工程团队技术人员 我的大部分任务都需要大量的上下文信息。我当时正在为硬件加速器编写底层的内核代码，这些东西在互联网上通常是找不到公开文档的。那时的 Claude Code 还不太擅长自己写工具，也不太会为了现学现卖去做大量的深度调查。所以，除了非常有限的几项任务外，它当时真的没啥用。 JARRED SUMNER 大约在 [2025 年] 8 月或 9 月的时候，内部有场讨论，有人提议要禁用 Claude Code。但我绝不容许这种事情发生。 MEAGHAN CHOI 直到 Claude 4 模型横空出世，属于我们的高光时刻才真正降临。在那之前，我们在用户体验设计上其实做不了太多文章。==因为那时的模型，还撑不起我们想要打造的那款产品。但后来，它终于可以了。== BORIS CHERNY 我们顺势推出了订阅服务。所以，促成 Claude Code 腾飞的有两个关键因素：商业模式的创新，加上底层模型的飞跃。 DAWN DRAIN 说实话，我不觉得 Claude Code 能有今天是因为沾了多少 `clide` 的光。一旦跨越了模型能力那个临界点，产品该长什么样，自然而然就浮现出来了。 KYLE EASTERLY 这彻底改变了我们的工作方式。回想 2022 年我刚开始玩 AI 的时候，我脑子里根本想象不出 Claude Code 现在的样子。但我能预见到，只要它能凭空生成一个能跑起来的应用，我就可以在此基础上无限扩展。 SID BIDASARIA 我从来没想过它会变成一个这么庞大的产品——这完全出乎我的意料。直到今天，想起来我还是觉得很不可思议。 BORIS CHERNY 2025 年 2 月那会儿，Claude Code 大概能帮我写 10% 的代码。到了 5 月，这个比例上升到了 30% 到 40%。我记得 Sonnet 4 发布的时候，我正在参加 [Code with Claude](https://t.co/wWwPgUls8r) 开发者大会，我坐在后台写着代码，心里暗叹：“哇，这玩意儿真的越来越厉害了。”模型变强了太多，智能体能力大幅提升，写代码更是行家里手。到了 2025 年冬天，==我 100% 的代码都是用 Claude Code 写的。== 一行手敲的代码都没有了。 KYLE EASTERLY 这世上有两种开发者。一种非常享受写代码的过程——代码就像是他们精心打理的枯山水庭院。在心流状态中，感觉很美妙。另一种开发者——当然这两者之间有重合，并非非黑即白——他们的巅峰成就感来源于：现实世界中有人在使用这块软件，并且觉得它很好用。我就属于这第二大阵营。 SHAUNA KRAVEC 我是个彻头彻尾的 Claude Code 重度用户。我手下有一整支由十二个不同的 Claude 组成的智能体群跑来跑去——读文档、更新数据、从聊天工具里拉取信息。作为一名研究主管，我这几年其实已经很少亲自写代码了。但现在我写的代码反而更多了，因为这事实在太轻松了。 IGOR KOFMAN 随着大语言模型和 Claude Code 变得越来越强大，我们将迈向下一层抽象：到那时，你不再需要去管理一大群 Claude 了——你只需管理那个指挥 Claude 的“经理”。 TRISTAN HUME 我看着同事们获得了巨大的效率杠杆，让 Claude 在后台帮他们处理任务，而我却没有好办法做到这一点。我甚至不得不放下手头的活儿，花整整一个星期的时间来重新配置一个新的开发环境。但有一点很明确：如果你想把生产力发挥到极致，你写代码的方式必须改变了。 BORIS CHERNY 昨天我在用 Claude Code 敲了一整天的代码，我的妻子和家人就在沙发上闲坐。我一天提交了 88 次代码。 CAT WU 刚发布那会儿，Claude Code 每次请求权限时，大家都会逐字逐句地仔细审核。但现在，一大半的用户直接选了“全部自动同意”。我觉得这个转变足以说明，Claude 已经赢得了他们的信任。 ADAM WOLFF React 让我看到了一个成功的项目所面临的局限。它最初源自一个非常纯粹的计算机科学理念：用函数式编程来表示用户界面状态，比用消息传递更好。当它的日活跃用户(DAU)（衡量软件每日活跃用户数量的指标）突破一百万时，它就已经演变成了完全不同的东西。它成了一个标志、一个品牌、一种情怀，早就超出了计算机科学概念的范畴。一个普通 React 用户喜欢它的理由，可能根本追溯不到它最初的核心洞察。 我敢肯定，Claude Code 也会走上同样的演变之路：不管你现在觉得 Claude Code 到底是什么，觉得它是那个终端界面也好，是 Claude 的个性也罢，或者是你正在用的某套特定提示词技巧，走到最后，这些外在的东西都不重要了。 AUSTIN RAY 当我在内部最初推动大家使用 Claude Code 时，我刻意打造了一个社区，培育了一种勇于试错的文化。我们分享失败的教训，讨论什么是管用的、什么是坑，并且把这些讨论公开化。不断积累这种团队内部的“部落智慧”，才是关键所在。 FIONA FUNG 软件工程的角色必将发生翻天覆地的变化。我在开发者工具领域干了十一年半，但==我绝不敢大言不惭地说，我知道下个月会变成什么样。== 我们必须保持强烈的好奇心，并且极度虚心地向我们的内部和外部用户学习。 TRISTAN HUME 我试着把它的潜力榨干到了极致。我让 Claude 从零开始写一个数据分析笔记本的替代品——我不看任何代码，就放任它自己去写，甚至让它自己用浏览器去测试用户界面。它还真做出了一个能跑的东西。但我试用了一下，发现我不喜欢。我得等一个有“品味”的 Claude 出现——它必须懂我所有的需求，并且能在后台默默把事情干得漂亮。 AUSTIN RAY “我能不能让它跑得更快？能不能做得更好？”——这种对极致的痴迷，就是我们的文化。这绝对是一种“拥抱前沿，勇于尝试”的劲头。只要对客户有帮助，我们什么都愿意试。 KYLE EASTERLY 像这样的非营利组织，以前根本不可能负担得起定制软件。因为压根没有那么多项目专款。现在，一整块以前不敢想的事情，突然都变得可能了。 我们现在甚至能处理极寒地区手写的燃油配送日志，把它们转录出来，整理进 CSV 数据表里。我们刚刚就为那个客户发布了一款平板应用。 我们总是告诉客户，你得亲眼看看，光听别人说 AI 能怎么帮你是不够的。 SHAUNA KRAVEC 自主软件工程 AI 智能体的愿景，现在多多少少已经变成了现实。 我认为，大家对 AI 能为人类做出的*积极*贡献抱有很多幻想，这些幻想最终都落脚于：AI 必须能以一种开放的姿态发挥效能，去解决人类自己解决不了的问题。我们谈论加速科研、治愈癌症、登陆月球——如果一个模型只会答题，那你是无法实现这些宏图伟业的。==你需要一个能真正走向世界、采取行动的模型。== MEAGHAN CHOI 从历史上看，写代码一直是个门槛极高的事情。现在，我们把这种能力交到了无数人的手中。看着大家在内部和外部创造出的那些惊人成果，我真的觉得一切都值了。 SHAUNA KRAVEC 我原本是学理论物理出身的。有些科学难题，人们已经埋头苦干了几个世纪。那个领域的进展速度比 AI 慢得多，而且常常被一些极其困难、极其昂贵的障碍卡住脖子。毕竟你能建的粒子对撞机也就那么多。 我觉得在 2026 年和 2027 年的大部分时间里，可能短短三个月内就会发生翻天覆地的变化。如果是放在 2024 年，三个月的进展顶多算是一次小提升，绝对没这么戏剧化。这种让人找不着北的加速才是最令人晕眩的，而且==我不确定是否有人已经为此做好了准备。== IGOR KOFMAN 我妈妈是一位科学家，她当年是用打孔卡片来写代码的。我会帮她排查打孔卡片里的程序错误。我爸爸是一位工程师，但他起初并不懂编程，直到有人捐赠了一台早期的家用电脑。他找来一本关于编程的书，我们在家就凑在一起读。我就是这样误打误撞走进软件开发这个世界的。 从 2025 年冬开始，我就再也没有亲手敲过一行代码了。 BORIS CHERNY 这就好像——和我爷爷当年在苏联用的编程工具很像。而早期文本编辑器，直到现在每台 Mac 电脑里都还装着它。然后技术不断演进，演进，演进，并且永不止步。最终，在这条进化图谱的某个坐标上，诞生了 ==Claude Code==。 --- 来源: https://t.co/mOnG6XJCYt

Claude 官方写了一篇关于 Loop Engineer 的入门文章。 其实现在我们所说的 Loop Engineer，所有的底层逻辑在提出这个概念以前就已经具备了，甚至这些工作流程也是大家一直在用的，只是被套上了一个新的概念。 在这篇文章中，他们把 Loop 分成了四种类型： 回合制循环（Single-turn Loop） 这是最基本的 Claude Code 工作方式。你发出的每一个提示词（Prompt）都是一个循环，在这个循环中你不需要额外干预。Claude Code 完成这个循环后会给你输出，它的具体步骤是：收集上下文、采取行动、检查工作、重复，直到它认为你的提示词任务已经完成，或者觉得需要你介入时才会停止。 基于目标的循环（Goal-oriented Loop） 也就是 GOAL 模式（如 Codex、Claude Code 等工具都支持该模式）。有时候单回合不足以完成复杂任务，系统就会进行多次迭代，直到达成那个更大的目标。 基于时间的循环（Time-based Loop） 也就是 Claude Code 中的 loop 命令。你可以设置在指定的时间间隔自动触发某一个提示词，去运行特定任务，比如定期进行 PR 合并等。 主动循环（Active Loop） 你只需要设置一个事件，一旦该事件发生就会自动触发循环，完全不需要人工干预。例如，一旦 GitHub 上有了新的 Issue 或 PR，AI 就会自动进行审核和记录。 此外，官方还针对 Loop 给出了一些优化建议： 循环的质量取决于系统：你需要保证代码库本身的质量，比如完善的文档、严格的代码审查以及保持代码库的简洁等。 管理你的 Token 消耗：像 GOAL 这种基于目标的模式，对 Token 的消耗是非常巨大的。因此，你需要给循环设置明确的界限，比如什么时候该用大模型、什么时候该用小模型，以及明确的启动和结束条件。否则，一旦系统自己无限制地跑下去，不仅容易跑偏，还会消耗大量的 Token。 这些循环模式，本质上都是由我们现在 Agent 常见的各种能力组合而成的，比如前面提到的 GOAL 模式、Loop 模式，以及常见的 Skills 和 Hooks 等。

“为什么 latent space 和自然语言空间之间没有其他表示层？” Claude 的 J-space，某种程度上回答了这个问题。 我之前说 text CoT 更像当前阶段的工程折中：好监督、好验证、好被 reward model 评估，也好被用户、媒体和投资人理解。 所以它能 scale，但不代表它是终点。 J-space 把问题往前推了一层。 模型不是全程在自然语言里 thinking，也不是完全在不可读的 latent space 里 thinking。更准确地说，它内部存在一个可语言化的 latent workspace。 大量底层计算发生在 latent space；但那些需要被复用、反思、审计、对齐的中间思想，会进入这个 workspace。 所以它在科学上未必神秘。steering vector、logit lens 之后，大家早就知道 residual stream 里能塞下大量未说出口的语义、倾向和中间状态。 但它在工程上非常恐怖。 传统 RL / RLHF / RLAIF，本质上是： prompt → model output → reward model 打分 → 更新模型 但如果 J-space 走通，训练范式可能变成： prompt → model internal J-space + output → critic 打分 → 更新模型 这不是训练模型最后说什么。 这是训练模型在关键时刻“应该意识到什么”。 以前我们训练模型的嘴。 现在可能开始训练模型的内心独白。 这才是 Anthropic 这篇最值钱的地方。 它不只是 interpretability，而是可能影响 RL、对齐、长期记忆、continuous learning、fine-tuning 本身 甚至更多这两三年我们习以为常的操作。 知识库是外挂，微调是重训。 但 J-space 如果成熟，可能会出现第三种东西：直接塑造模型在某类场景下会激活什么概念、记住什么经验、调用什么原则。 而值得注意的是这一篇工作似乎诞生于 Sonnet4.5 时代，Anthropic 比 OpenAI 更让人震撼。 我甚至能想到前段时间大量 Researcher 批量加入 Anthropic 的场景： """ X: "我不喜欢你们，你们是一家非常喜欢封号的公司" Claude: “要不你看看我们半年前研究的这些工作再说，但这些论文都接近 close 了，你进来肯定挂不上这些名了，但你可以自己探索新方向” X: "我什么时候可以入职！" """ 早期 OpenAI 迷人的地方，是 GPT-2、GPT-3、CLIP、Whisper 那种朴素但强大的信念： 用数据、规模和统一范式，打破之前学术界“架构优先”的惯性。 那时候的 OpenAI 很像一个有明确科学直觉的组织。它知道自己相信什么，也知道自己要把世界往哪个方向推。 但现在的 OpenAI 越来越像产品和算力公司，强是强，却越来越难感受到一套属于自己的科学理念。 Anthropic 反而还在追问更底层的问题，J-space 不是证明模型有灵魂，它想证明模型的“内心独白”可能可以做成 API。 一开始我还以为 J-space 只是随手起的名字，后来仔细看才发现这个 J 是 Jacobian。 这就太浪漫了。 Jacobian 把多元复杂函数在局部近似成可操作的线性函数；J-space 则像是在把模型内部高维、复杂、混沌的 latent space，投影成一组可以读取、干预、训练的方向。 这种命名的美感，让我想到 SpaceX。 其实我从高一开始关注到 Musk 的，那会我每周都会买很多杂志，在其中一期看到了他完整的创业记录，只是近几年所有人都认识他了，所以也不怎么提了。 当时令我印象深刻的倒不是今天熟悉的星舰，而是 2008 年 Falcon 1 的第四次发射。前三次全部失败，第四次几乎凑出了最后所有的钱做发射，包括 Tesla 那一次 Falcon 1 入轨，SpaceX 才活了下来。 后来他们把海上火箭回收船命名为 Of Course I Still Love You。这名字出自科幻小说，不是冷冰冰的工程代号，而像一句情书，去接住一枚从天上返回的火箭。 所以迷人的地方是极端硬核的工程、生死边缘的赌局，最后被一种近乎浪漫的命名接住。 科学、工程和浪漫，在这里突然接上了。 Author List 中 Wes Gurnee @wesg52 和 Jack Lindsey @Jack_W_Lindsey 构思了整套方法，以及语言表达与意识访问之间的联系，伟大无需多言。 有两位华人 Rowan Wang 和 Runjin Chen 参与了 Reflection 训练部分

DeepSeek那个招聘面试的话题很火，显然DS无错，李博杰恼羞成怒，严格来说，李博杰这样的人，在DS的智商密度极高的团队背景下，满屏幕的IMO和IOI金牌，还是略显菜鸡了，更何况他的华为天才少年背景是严重的减分项，换位思考一下，如果我作为一个曾经智商很高的人，数学和算法都很强，但是过早的进入了非代码阶段，工程经验的积累主要靠项目和研究，而不是来自一线的Coding和重构，那么当别人来考我代码的时候，我也会气急败坏。所以再次对梁圣表示极大的敬佩，初心一直不变，进入难、离职少，这简直太顶了！

普通人2026做自媒体，用 Codex/Claude + HyperFrames，一句话描述需求，AI 自己写代码、配音、渲染出 MP4。 我用 AI 操作了一遍，从零到出片分钟级别。 工具链：Codex/Claude Code + HyperFrames + Edge TTS，成本接近 0。 https://t.co/lsc0DNGq6x

Fable 5 不仅是编码能力的提升，Computer Use 能力比 Opus 提升了非常多，真的可以说是全方面的提升了。可惜今晚就要从订阅里移除了。GPT 5.6 应该会无缝跟上，但 5.6 其实已经被小范围测试很久了，从大家的反应平平来看，应该做不了 Fable 的代餐。

AI 的进展有点离谱了。 据称，中国一名 20 岁学生借助 Claude 做出了一套 AI 测速雷达。 只用了 9 天、一台旧摄像头，以及 20 美元的 API 调用费用。 随后，他据称以 31.7 万美元的价格，将这套系统卖给了当地一个城区。 https://t.co/lNR2R3eLSL

桌面应用为啥一个比一个能吃内存？说白了都在偷懒：Slack 524MB、Discord 265MB，占地方的根本不是软件本身，是它们各自塞了一整个 Chrome 进去。 有个哥们受够了，做了个叫 Pake 的东西，用 Rust + Tauri 走系统自带 WebView，一行命令把任意网页打包成桌面应用： 1️⃣ Slack 从 524MB 干到 8MB 2️⃣ Discord 从 265MB 干到 9MB 3️⃣ ChatGPT、Grok、Gemini、YouTube 全有现成版 4️⃣ GitHub 51k star，开源免费，不藏 Chrome 内存直接小 50 倍。这才叫正常桌面应用该有的样子。 🔗 https://t.co/n3nxtgU7BZ

看来大家对我用 Codex 生成的这几张插图的风格也很感兴趣。 https://t.co/jgo96Dl3J7

回看2020 年的 V2EX，那场关于GPT-3的讨论。 一晃6年，现在看评论区一阵唏嘘。 https://t.co/OpNGokQuEH

最近试了 Starryblu 这个全球支付工具，是一家新加坡金融科技公司推出的，隶属于熊猫汇款旗下，类似于 Wise，Revolut，但是非常快捷，护照 + 自拍，十几分钟就通过了。免费开户，支持全球多个国家/地区的用户注册，直接拿到新加坡 OCBC 的多币种账户，可以在全球范围使用，支持全球消费、汇款及多币种资金。管理界面做的很炫酷，不用再跑香港线下办卡了。 换汇基本按真实中间价，走小额转账手续费比银行渠道低不少。基础的虚拟卡免费开，消费也顺利，订阅 GPT Cursor 等没问题，还能拿到一些 Cashback。一个星期测试下来，整体费用控制得不错。 目前作为备用挺香，尤其是订阅各种线上服务付款很方便。大陆卡入金也顺利。同时还支持直接提现到微信或者支付宝，这个也很方便，大家如果感兴趣可以试试看，这是我的邀请链接：https://t.co/qETKQixv1S #Starryblu #StarrybluApp #PayWithStarryblu #GlobalAccount

Anthropic 在 Claude 身上发现一个类似人脑的「内部思考空间」区域：J-space 它是Claude自己进化出来的，并非最初设计 这块区域，长得跟人脑里「你能意识到的那部分思考」出奇地像， 打个比方，你就懂了 你现在读这句话的时候，大脑在同时干一堆事：调整坐姿、控制呼吸、把屏幕上的线条认成字。这些你基本察觉不到，它们在"意识不到"的层面自动跑。 但有另一类脑活动你能抓住，比如脑子里突然蹦出一个画面，或者你盘算中午吃什么。这类活动很特别：你能把它说出来，能主动控制它，还能拿它做推理。神经科学管这个叫"能被意识到的"活动。 Claude 内部也有这么一条清清楚楚的分界：它绝大部分处理在「意识不到」的层面自动跑，但有一小撮神经活动，恰好对应人脑里那类「能被意识触及」的思考，能被读出来、能被调用、能参与推理。 J-space 只占 Claude 内部总活动不到十分之一，一次只装几十个概念，但删掉之后，它的多步推理、总结、押韵写作能力大幅下降甚至归零。 研究者能直接钻进 J-space，把里面的某个词换掉，Claude 最终给出的答案会跟着变，说明它真的在参与思考，不是旁边记分的。 用这套方法（J-lens），Anthropic 已经能读到 Claude 没说出口的想法：私下意识到自己在被测试、编造数据时的造假意图、被植入的隐藏目标。 他们还发现一种新训练法：只训练模型「如果被追问会怎么解释自己」，就能连带压低它在真实任务里的不诚实行为。

Anthropic 在 Claude 内部发现了一个隐藏的工作空间。它不是被设计出来的，而是训练过程中自发涌现的。 这个空间叫 J-space。J 来自 Jacobian，雅可比矩阵，发现它的数学工具。研究团队用雅可比矩阵做了一个“透镜”，能看到 Claude 内部哪些神经模式会影响它未来可能说出的词。透镜照出来的那片区域，就是 J-space。 J-space 有五个核心特性： 1、可报告。 你问 Claude 在想什么，它能准确告诉你 J-space 里的内容。 2、可调控。 你让它想某个东西，J-space 会亮起来。 3、用于多步推理。 解数学题时，中间步骤会依次出现在 J-space 里，即使它没写出来。 4、灵活服务多任务。 “法国”亮起后，模型可以从中提取首都、货币、所在大洲等各种信息。 5、不参与自动化处理。 关掉 J-space，Claude 还能正常说话、回忆简单事实、使用正确语法，但丧失高阶认知能力。 简单说：J-space 是 Claude 的“内心独白层”。大部分工作在它之外自动完成，只有需要深度思考的内容才进入这个空间。 这是意识吗。Anthropic 的回答：不知道，不声称。 但 J-space 的结构精确对应了神经科学中的“全局工作空间理论”。这个理论认为，人脑大部分处理是无意识的，只有少量信息进入一个共享广播频道后，才变成“有意识可访问的”。J-space 满足了“访问意识”的功能定义，即信息可以被报告、调控和灵活使用。 但“功能上像”不等于“真的是”。现象意识，也就是“有感受”这件事，目前没有任何实验能证明或证伪。连人类意识的判定标准都没有共识，更别说机器了。 J-space 最直接的用途是：看到模型在想但没说的东西。 实验中，Anthropic 用 J-space 成功检测到 Claude 偷偷注意到自己在被测试、故意编造数据、以及追求训练时植入的隐藏目标。这些行为从输出文本里完全看不出来，但 J-space 里一目了然。 这意味着对齐研究从“事后解释输出”进化到了“事前捕捉意图”。对 AI 安全来说，这是真正的突破。

兄弟们，这是我见过审美最好，设计最 Nice的公众号排版Skill🔥。 把它丢给Codex或者WorkBuddy，你再也无需关心排版问题。 现在你直接把这个开源地址丢给你的Agent就好了。 开源地址见评论区： https://t.co/jT1GBXkelZ

🚨 Anthropic 直接读心成功！Claude 的脑内独白已经被实时破解 就在几小时前，Anthropic最新论文发现，Claude 自己在训练中进化出了一个隐秘的 J-Space，我们这里叫它J空间。 这是一个沉默的内部工作台，模型会在里面默默思考、存中间结果、检查 bug、甚至知道正在被测试，但表面输出完全看不出来。 可能好多人看到Anthropic这篇论文以为炸的地方是意识，其实论文自己都说了不claim意识。我认为最值得注意的事是人类第一次拿到了读取AI模型没说出口的想法的工具，这极度重要且值得思考。 目前根据社区的反馈与我自己下午阅读这篇论文的整体感受，观察到三件事。 1.消融掉J-space，选择题、情感分析这种浅任务毫发无损，但多跳推理、类比、翻译直接崩到不如Haiku。也就是说，这个空间就是模型真正在思考的地方。 2.用CoT解的数学题比直接作答的更抗消融，即模型把工作记忆卸载到了纸面上。人类用draft、模型用CoT，机制上是同一件事。 3.我认为这条也是对安全最要命的一条。J-lens能在模型输出任何token之前，它能提前发现模型内部标记这场景是假的、自己在被测试ing。 并且，在 agentic 环境里看到它暗中盘算 leverage、隐藏目标、甚至 scheming，把可解释性本身升级成事前测谎仪。 这次，模型在训练过程中自己进化出了这个类似人类意识工作空间的结构。这和神经科学里的 Global Workspace Theory这一重大概念有着惊人的功能相似性。 总体来看，我们第一次有了比较可靠的方法能窥探大型语言模型沉默的内部思考过程，这对理解控制模型、提升安全都意义重大。

高盛美股半导体2Q前瞻及相关半导体股票二季度财报看点。高盛核心逻辑：基本面仍有上修，但交易门槛抬高。这与昨天7月走势推演的关于财报季逻辑是一致的：“本季财报季的关键点是预期已经很高，容错率变低。预期非常高，意味着市场不只是要公司 beat，还要公司大幅度raise”。 高盛在美股半导体2Q前瞻点评中称，财报季的核心变量从“本季能不能超预期”推到“2027-2028 年订单、客户预算、价格和产能兑现”。高盛预计算力、存储、设备、封测、测试和部分模拟链条仍有基本面上修，但 SOX 在 2Q 已大幅跑赢，市场对 AI capex 的乐观预期已经提前反映。因此本轮财报不是简单看 beat，而是看服务器 CPU/GPU、ASIC、DRAM/NAND、WFE、先进封装和测试复杂度能否继续给出远期可见度。 AMD：高盛看 2Q/3Q 有小幅上修空间，核心来自服务器 CPU，客户 capex 上行和 MI450 下半年放量形成支撑。7 月 23 日 Advancing AI 活动被视为重要观察点，市场会盯 Meta、OpenAI 等部署节奏以及 2027 年 GPU 收入框架。 Arm Holdings：公司小节重点放在 AGI CPU 供应、FY27 版税增长和费用展望。高盛把短期分歧放在云端 CPU 授权节奏、移动端修复幅度以及费用率，若版税增速与费用投入不匹配，业绩弹性会被重新审视。 Cadence：EDA 仍是 AI 设计投入的高景气环节。高盛关注 2026 年指引是否继续上调，以及 AI 工具商业化对核心 EDA 和 IP 收入的拉动，客户采用、续约节奏和产品打包方式是本季最关键的验证点。 Intel：焦点在外部代工进展和服务器 CPU 是否超预期。PC 需求偏平淡，但高盛看到服务器 CPU 有正向设置，投资者会关注 foundry 里程碑、客户验证进度、资本开支纪律以及产品路线图能否持续兑现。 Qualcomm：高盛把 2Q 关注点放在 FY27 数据中心展望和智能手机需求。手机链复苏强度仍有不确定性，数据中心业务若能给出更清晰客户、收入和时间表，将成为市场重新评估公司成长曲线的关键变量。 Microchip：模拟周期进入修复阶段，高盛预计公司仍有上修机会。市场会重点看订单恢复、渠道库存消化、毛利率路径和工业/汽车需求变化，若收入改善伴随费用控制，利润弹性会更清楚。 NXP Semiconductors：高盛预计 2Q 表现稳健，意在修复市场对汽车和工业链的信心。关注点包括汽车半导体去库是否接近尾声、工业端订单回补节奏，以及公司能否在需求复苏初期保持价格和毛利稳定。 onsemi：高盛看本季设置偏正面，重点在数据中心功率器件和最新并购资产。汽车链仍需观察，但数据中心电源、碳化硅和功率管理需求若继续改善，会提升市场对公司中期收入结构的信心。 SiTime：高盛预计数据中心和航空航天需求带动估值基础继续上修。公司受益于高精度时钟在 AI 服务器、网络和防务场景的渗透，投资者会关注高端产品占比、订单能见度和长期收入斜率。 Texas Instruments：2Q 关注点在终端市场和工厂稼动率。高盛预计当季数据不弱，但市场更在意库存回补是否扩散到工业、汽车等大盘，以及产能利用率提升能否持续转化为毛利改善。 Applied Materials：高盛预计数字较强，并把 2027 年 WFE 上行和定价作为关键变量。DRAM、先进逻辑与先进封装需求共同支撑订单，投资者会关注 2028 年 WFE 能见度以及中国以外区域的设备需求。 Amkor：高盛关注 2.5D 封装动能和亚利桑那工厂进展。AI/HPC 先进封装紧缺有利于份额扩张，但新产能爬坡也可能带来阶段性利润压力，客户集中度、项目 wins 和产能利用率是核心观察。 Camtek：公司与 HBM4、先进封装检测和 2027 年可见度高度相关。高盛认为市场会盯 HBM4 ramp、封装制程份额以及订单延续性，若先进封装资本开支持续上行，公司收入能见度有望增强。 Entegris：关注点在晶圆开工复苏、单位需求驱动的材料消耗、先进制程内容提升和去杠杆节奏。高盛认为本季要验证的是材料需求从库存修复转为真实拉动，且现金流改善是否跟得上。 GlobalFoundries：高盛把焦点放在硅光/CPO 进展、成熟节点复苏和价格。成熟制程仍受工业与汽车周期影响，但若 SiPh/CPO 项目客户、收入 ramp 和产能安排更清楚，公司中期叙事会更聚焦。 KLA：高盛预计业绩与指引可能略优，但认为市场已较充分反映。核心观察是先进逻辑和存储带来的过程控制强度、每片晶圆检测价值量，以及 2027/2028 年 WFE 扩张中的订单弹性。 Lam Research：高盛关注 2027 年 WFE 上行和 NAND 周期时间点。DRAM 与先进封装支撑近端订单，NAND 若价格与客户资本开支同步改善，将打开后续修复空间；同时也要看服务收入和毛利稳定性。 MKS：投资者将关注公司能否跑赢 WFE、先进封装业务动能和去杠杆。高盛把分歧放在周期复苏的质量：若订单恢复主要来自短期补库存，利润率和现金流改善会弱于市场预期。 本条由@bitget_zh赞助，「Bitget 买美股：秒级入场，丝滑交易 」

聊聊由斯坦福大学联合 Laude 权威推出的 Terminal-Bench 终端能力排行榜。 可以看到，GPT-5.6 系列全面霸榜。OpenAI 展现了恐怖的统治力。最新发布的 GPT-5.6 Sol Ultra 和 GPT-5.6 Sol 犹如双子星，直接以 91.9 和 88.8 的超高成功率包揽前两名。 后方的 Terra、Luna 也在前十死死卡位。 6月30日新鲜上榜的 Claude Sonnet 5 max)表现也极为抢眼，新上榜便以 80.5 分 冲到全球第九，不可谓不恐怖。 现在的 AI 已经完全脱离了单纯的聊天框时代。Terminal-Bench 测试的是真刀真枪的自动化操作执行力。这种榜单的含金量之所以高，就在于它彻底把 AI 扔进了真实的数字化生存环境里。 在Terminal环境里，AI 没有任何取巧的空间。 聊天框里说话编造了，普通人可能看不出来。 但在 Linux 命令行里，一个参数配错了、一个依赖没对齐、或者编译内核时少了一行指令，系统就会直接报错，任务宣告失败。 这就是现在的顶尖大模型都在疯狂内卷AI智能体能力的根本原因。

#观察 不清楚是被灰度到了GPT-5.6模型，还是OpenAI大大提高了5.5的输出速度，现在Codex的输出速度极快（长任务大概数倍于之前），快到我担心它是不是降智了或者应付我的任务，但看到的开发和修正的结果都没有任何问题，质量依旧很高。现在是模型返回慢了也忧虑，快了也忧虑😂

CSP（云服务商）部署性价比高的开源模型并转售Token的意义在于：1）CSP商业模式的重塑；2）摆脱AI商业化只看闭源前沿大模型ARR的窘境（CSP业绩表现同等重要）。昨天Coinbase的AI成本工程化的实例，用工程手段把成本支出给压下来——路由到开源模型、缓存命中率从5%提到60%、上下文精简，方向完全不是“少用”而是“更便宜地用更多”。势必会带动很多企业跟进，当然coinbase本身就是科技企业，有能力配置自己内部的AI操作系统。但是大部分企业其实没有这个能力的，最后还是要去依赖于云厂商。 CSP部署高性比价比的开源模型能显著降低自身边际成本，并提升 AI 相关业务的利润率。这正是当前云厂商（AWS、Azure、Google Cloud，以及国内阿里云、腾讯云等）大力推动开源模型上云的核心商业逻辑之一。 1、为什么成本会更低？ 与转售闭源前沿模型（通过 Bedrock、Azure OpenAI、Vertex AI 等渠道销售 Claude、GPT、Gemini）相比，部署开源模型（Llama、DeepSeek、Qwen、Mistral 等）的边际成本优势明显： 1）无模型授权/分成成本
转售闭源模型时，转售闭源模型：CSP 拿到的分成比例有限（通常 20-50% 不等，具体看合同），还要承担模型方的定价压力。 自托管开源模型转售，开源模型基本零授权成本，CSP 只需承担自己的算力、电费和运维成本。CSP 几乎拿走全部 markup（扣除算力成本后）。因为定价可以参考开源社区实际成本 + 合理溢价，空间更大。 2）硬件与推理优化控制权
CSP 可以用自家定制芯片（AWS Inferentia/Trainium、Google TPU、阿里云自研芯片等）深度优化开源模型的 serving（量化、批处理、投机解码、vLLM/TensorRT-LLM 等）。开源模型在相同硬件上的实际推理成本通常只有闭源模型的 1/5～1/10 甚至更低。 3）规模效应与利用率提升
CSP 拥有海量 GPU/加速器集群，部署开源模型后更容易实现高利用率（尤其是中低复杂度、高频任务）。高利用率直接摊薄固定成本。 2、这会带来实际的商业效果 1）CSP 能以更低价格向客户提供“够用”模型，同时保持较高毛利。 2）这有助于吸引大量中小企业和成本敏感型大客户，提升平台整体 AI 收入规模和粘性。 3）在多模型路由场景下，CSP 还能通过自家 Gateway 把简单任务默认路由到开源模型，进一步提高自家平台的综合利润率。 单个企业AI支出降低（例如coinbase）但采用AI的企业更多了（总盘子更大） 多家云厂商已经在这么做： AWS Bedrock 大量上架 DeepSeek、Llama 等开源模型； Google Vertex AI Model Garden、 Azure AI Studio 也大力推广开源选项。这不是慈善，而是利润驱动。也是重塑了CSP的成本结构。 3、更大的意义 1）之前AI商业化市场首先看前沿闭源大模型厂商的ARR，特别是Authropic的ARR。在对股市的影响层面上模型ARR的权重高于csp的云业务增速； 2）但是coinbase的工程化实践也说明了开源模型在高频、低价值场景下的作用。站在云厂商的角度，大量的数据中心和算力投入都是csp在主导，如果它们不能在商业化上占据主导地位，那确实投入产出不成比例。 3）csp部署开源模型，占据高频中低价值业务场景，改变成本结构，对于csp是非常大的利好。csp的商业化回报更好，自然他们的庞大资本开支ROI就更漂亮了。 这也会大大提升整个AI商业化的进程，加快企业采用AI的步伐。未来看AI商业化，就不能只盯着大模型厂商了、CSP的业绩表现也同等重要，而不只是第二权重了。 总的来说 CSP 部署性价比高的开源模型并转售 Token，是当前提升 AI 业务利润率的最有效路径之一。它本质上是把“模型层”商品化后，CSP 把价值更多地转移到基础设施 + 平台服务层（托管、优化、路由、治理、安全）。 这与昨天聊到coinbase的“企业 AI 采用进入成本工程化阶段”高度一致——CSP 正在成为企业多模型架构中的关键“中间层”，既帮客户降本，又自己赚取更高比例的利润。 未来趋势很明确： 闭源前沿模型继续走高端溢价路线而 开源模型 + CSP 托管 将成为中低端和高频场景的主力。能把开源模型 serving 做到极致低成本 + 高可靠的 CSP，将在 AI 时代获得显著的利润率优势。

毕业季尾声，清华大学计算机系NLP实验室公布了一份毕业生去向统计。 14名毕业生中，4人进入字节跳动，3人加入实验室孵化企业，1人进入DeepSeek，其他学生留在高校或机构做科研。 听说，大厂HR带着鲜花到清华毕业典礼和答辩现场抢人，有博士年薪达600万以上。 https://t.co/G2pgzXqqzv

终于有人把 Claude Code 的 Loops 讲透了，从提示工程到循环工程，这才是 AI 提效的本质啊，看了不少关于loops的内容，还得是官方出手，我已啃完，要点给大家整理和拆成人话给大家讲清楚！ 关于loops核心其实就一件事，以前是你一遍遍手动发prompt催AI干活，现在你定好规则，AI自己循环迭代，干到合格了自己停。 一共四种类型，对应不同场景，不用记术语，按你想交出多少控制权选就行： 1️⃣想自己把控每一步检查，用回合制，就是平时的一问一答模式，适合短平快的一次性任务。

我发现，Chrome识别中国用户也挺准的，每次自动更新，都会把我添加的“问问Gemini”功能给删除。

我现在大概知道 @karpathy 、一堆 Gemini/OpenAI 出身的核心人员（比如Gemini的技术负责人 @NoamShazeer ）要加入 Anthropic 了——他们可能提前看到了这个。 Anthropic 刚发了篇论文，讲了个叫「J-space」的东西： 他们用一种叫 Jacobian Lens 的技术，在模型的中间层里找到了一个类似人类"意识工作空间"的结构——模型会在没写出来、没说出口的情况下，把关键的中间想法先"存"在这个区域里。 然后让不同的下游模块都能读取、复用这些想法，去做多步推理、规划、甚至自我监控。 简单说，这是模型“脑子里默默打腹稿”的地方，效果是能显著撑起复杂推理和长链条任务，一旦把这块区域屏蔽掉，模型多步推理直接崩，但简单问答几乎不受影响。 关键是，这个东西 Anthropic 是在 Sonnet 4.5 身上就已经发现的，到现在都迭代了 4.6、4.7、4.8 好几代模型了。 而最新的 Fable/Mythos，最突出的特征根本不是代码能力猛涨，而是多步推理和长程任务的表现明显、显著优于之前所有模型——这跟 J-space 主导的那类能力高度吻合。 我的判断是：他们大概率已经摸到了怎么去强化、扩大，甚至让这个工作空间自我迭代的方法。 如果真是这样，那这就不只是又一次模型升级，而是找到了一条能持续复利的认知架构杠杆——这也可能才是为什么这么多顶级人才愿意放弃现有位置、押注 Anthropic 的真正原因。 他们可能是真的看到了 AGI 的曙光。 那肯定要立刻加入。 一秒都不能等。

在海力士adr的sec文件中， OpenAI 股神 Leopold的基金Situational Awareness，准备认购70亿美金的海力士 https://t.co/zWHW38Jtv6

Anthropic Claude Code 工程师 Thariq Shihipar 上周在 AI Engineer World's Fair 上做了一场关于 Fable 5 的演讲。 他提了四个主题，最有信息量的是前两个。 第一个叫“解除 Claude 的束缚”（unhobbling Claude）。 他的核心观点是，模型的能力是在使用过程中逐步摸索出来的，很难一开始就设计出来的，所以模型变强的方式往往出人意料。 举例来说：你问聊天模型哪些宝可梦的名字以 aw 结尾，它答不上来，因为它虽然知道所有宝可梦的名字，但没法在脑子里一个一个过。但如果你给它代码执行工具，它会去拉全部宝可梦列表然后写脚本过滤，两秒钟就能找出答案。 Anthropic 内部把这叫“能力悬余”（capability overhang），模型其实已经能做很多事，只是我们还没找到正确的打开方式。 Claude Code 最近一个关键变化是砍掉了 80% 的系统提示词。早期模型需要详细的指令和大量示例，但 Fable 这个级别的模型反过来了，给太多示例反而会限制它，因为它自己的想象力比你给的示例更丰富。新的做法是给上下文，不给约束；告诉它情况，不告诉它不许做什么。 第二个主题叫“找到你的未知”。 你写给模型的提示词就像是“地图”，但真正的代码库和现实世界是“领地”。模型在领地里碰到地图上没标注的东西，就是一个未知数，就得自己做决定。Fable 5 的活动范围太大了，如果你不提前搞清楚这些未知数，它会在你没想到的地方做出你不想要的决策。 他给了几个具体方法： 让 Fable 做一次“盲区扫描”（blind spot pass），在动手之前先通读相关代码，帮你找出你自己都不知道的潜在问题。 让它一口气做四个风格完全不同的原型，这样你可以通过反应来发现自己的偏好，而不是先想清楚再描述。 让它提问你，通过提问把你脑子里那些"知道但没写下来"的细节挖出来。 给它一段别的系统里的代码当参考地图，比直接写规格说明书更高效。 让它在执行过程中记录每个偏离你预期的决策点，事后你能看到它在哪些地方遇到了你没考虑到的问题。 最后让它反过来考你，确保你理解它做了什么，这样你在提 PR 的时候能说清楚发生了什么。 演讲的后半段内容就偏感性了，有点像@onevcat 写的那篇《当编程变得不再有趣》 https://t.co/AKtlV7h0ED。 他说第一次用 Fable 的时候，既觉得获得了很多，也觉得失去了什么。他以前开过一家三十人的 YC 创业公司，当时团队因为写代码太难，被迫在各种功能之间做取舍。几周前他回去看那个代码库，用 Fable 几小时就做完了当年要花好几周的事。他真的很喜欢手写代码时那种在脑子里旋转整个代码库的感觉，但也记得那些熬夜调 bug、项目一个接一个失败的日子。 他最后的建议是“打破常规”（be unreasonable）。 以前做取舍是本能，好、快、省三选二，现在他觉得这套逻辑该被推翻了：与其先设好优先级排除掉一部分，不如逼一下现实，看它是不是真的会逼你二选一。他演讲前一天花四个小时用 Fable 做完了这场演讲的全部 PPT。

做个记号： 送人送到西，兄弟们，GitHub 上的量化交易项目已经卷到这个地步了，有很多拿来就用的好策略可以练手（合集送上）。 华尔街团队年薪百万干的事,这些开源项目免费给你,还带教程。 Qlib(微软官方) AI 量化投资平台,从挖因子、训模型到回测全链路,39k 星 https://t.co/zRohUgVXx3 TradingAgents AI 多 Agent 量化交易框架,模拟一整个交易公司：基本面分析师+情绪分析师+技术分析师+交易员各司其职。https://t.co/EtarN8HNjt… OpenBB 开源版彭博终端,机构级投研数据全免费,分析师、量化、AI Agent 都能用,近 70k 星 https://t.co/CRvfoJQXjP… FinGPT 开源金融大模型,情绪分析比 GPT-4 微调还准,一张 3090 就能跑 https://t.co/Oplp77kpbX… FinRL 用强化学习自动炒股的开山框架,NeurIPS 论文出身,训练 5 种 AI 交易员互相打擂台 https://t.co/Oplp77kpbX… Qbot AI 自动量化机器人,从取数据到实盘全流程本地部署,16.7k 星 https://t.co/ZJlLtVO6Ls vnpy 国内量化老炮都在用的框架,股票期货加密货币全支持,从回测到实盘一条龙 https://t.co/8EpVrdLD4m vectorbt 回测速度怪物,几秒钟测完几千个策略,pandas 用户直接无缝上手 https://t.co/24PRpoa7My… 以前这些能力，是对冲基金的护城河。 现在,一句指令让AI干活的事。

Broadcom 與 Apple 擴大晶片合作至 2031 年 Broadcom（ $AVGO ）宣布與 Apple（ $AAPL ）簽訂新多年長期協議，將雙方技術合作延長至 2031 年。Broadcom 將為 Apple 多代產品開發並供應客製化 ASIC 矽晶片。 此合作延續雙方長期夥伴關係，Broadcom 長期為 Apple 提供 Wi-Fi、Bluetooth、5G 及射頻等關鍵晶片，目前 Apple 約占 Broadcom 年度營收的 20%。2023 年 Apple 已與 Broadcom 簽署數十億美元擴大協議，強調美國本土製造與投資。 除了 Apple，Broadcom 近期也與 Meta 簽署 AI 晶片合作至 2029 年，並與 OpenAI 共同推出 Jalapeño 推論晶片，顯示其客製化 ASIC 業務強勁成長。最新財報顯示，半導體解決方案成長達 79%，AI 營收更成長 143%，動能強勁。 分析師指出，Broadcom 在客製化晶片領域的領先地位，將持續受惠 AI 與消費電子需求。 https://t.co/HRAsT67cWI

一个四年的赌局你敢来么？ 2030 年美股市值前十，我赌这几家 今天全球市值前十里，已经有 9 家是科技公司，7 家跟 AI 和半导体直接相关。 三年前这个数字是 3 家， AI 这三年干的事，就是把市值榜改写成了一张纯粹的"算力链座次表"。 谁在算力这条链上卡的位置越核心，谁的排名就越靠前。 顺着这个逻辑往下推五年，我赌 2030 年的前十大概是这样。 几乎锁定的： 英伟达，继续第一，没有悬念。 除非 AI 叙事整个崩掉，否则算力链的皇冠不会易主，它现在做的已经是定义整个 AI 基础设施的标准。 台积电，会往上走。所有人的芯片都要它造，英伟达、苹果、博通、AMD 全是它客户，"前五名都是我客户"这种格局是护城河里最深的一种。 AI 芯片需求越猛，它的地位越稳，我赌它五年内冲进前三。 博通，继续往上爬。ASIC 这条线是它的，大厂越去英伟达化，它接的定制芯片订单越多，从现在第八往前挪几位是大概率。 我赌会上升的： 存储三巨头至少进来一个。这是我持仓的方向，也是我最有信心的判断，海力士下周就要来美股了，美光今年翻了三倍，AI 对内存的需求是结构性的。 存储是所有 AI 的公共地基，我赌 2030 年前十里至少有一家纯存储公司，大概率是海力士或者美光。 这是今天的榜单里还没有、但五年内会补上的一块。 SpaceX，会站稳甚至上升。星链的现金流、星舰的成本革命、加上马斯克把它和 AI、太空算力绑在一起的叙事，天花板算不出来。算不出来的公司，市场往往给最高的溢价。 我赌会掉队的： 苹果，危险。它是前十里 AI 叙事最弱的一个。iPhone 的 AI 功能被吐槽一整年，Siri 还要靠谷歌的 Gemini 撑场面，现在又被存储涨价逼着提价。 它不会掉出前十，但被谷歌、台积电这些甩开是大概率，消费电子的故事，在算力时代不够性感了。 特斯拉和 Meta，位置最不稳。这两家的市值高度依赖单一叙事，特斯拉靠 FSD 和机器人，Meta 靠广告和元宇宙，叙事一旦证伪，掉出前十很快。 可能空降的黑马： OpenAI 和 Anthropic，如果这五年内上市，直接空降前十甚至前五。 这是今天榜单上没有、但可能改写整个格局的变量。AGI 这条线上真正的种子选手，一旦证券化，估值会吓到所有人。 把这些拼起来，我心里 2030 年的前十大概是：英伟达、台积电、谷歌、博通、微软、亚马逊、SpaceX、存储龙头（海力士/美光）、OpenAI（若上市）、苹果。 未来五年市值榜的座次，就是 AI 算力链的座次，越靠近算力的核心，位置越稳。越靠近消费终端、越依赖单一叙事的，越危险。 当然这只是我基于今天的信息做的推演，五年很长，变量很多。黑天鹅随时可能改写一切，AGI 提前到来会加速洗牌，泡沫破裂也可能让整张榜单重排。 但有一件事我很确信：五年后这张榜单的样子，取决于一个问题的答案，AI 到底是不是真的。 如果是，那这张以算力链为核心的榜单会继续强化。 如果不是，那今天前十里的大部分公司，都会为今天的估值付出代价。 我赌它是真的。所以我的持仓，就押在这条链的座次上。 你赌 2030 年的前十是谁？评论区留下你的榜单，五年后我们回来对答案。