X / 推特
Anthropic Claude
Claude Managed Agents 的 Memory 功能正式进入公开 beta 阶段，支持 web、桌面和移动端，面向所有订阅计划开放。agent 现在可以从每次会话中学习，使用经过智能优化的记忆层，在性能与灵活性之间取得平衡。记忆以文件形式存储，开发者可以导出记忆、通过 API 管理，并对 agent 保留的内容保持完全控制。
https://x.com/claudeai/status/2047421844311949513
https://x.com/claudeai/status/2047421846463623579
OpenAI CEO Sam Altman
OpenAI 与 NVIDIA 合作，尝试在整个公司范围内推广 Codex，取得了不错的效果。Sam 表示如果有其他公司想要进行同样的全公司推广，可以联系他们。
https://x.com/sama/status/2047395562501411058
Box CEO Aaron Levie
GPT-5.5 上线。Box 过去两周在最复杂的知识工作评测上对模型进行了测试，发现与 GPT-5.4 相比，企业内容任务的准确率提高了 10 个百分点。具体数据：金融服务场景从 64% 提升到 83%，医疗保健从 61% 到 78%，公共部门从 59% 到 72%，媒体娱乐从 57% 到 70%。GPT-5.5 在高级推理、数据分析和处理复杂 context 方面有显著提升，现已在 Box AI Studio 向所有客户开放。
https://x.com/levie/status/2047387742951313910
Vercel CEO Guillermo Rauch
Guillermo 就 Vercel 平台遭受的安全攻击发布了详细进展报告。团队对近 1 petabyte 的 Vercel 网络和 API 日志进行了深入分析，超出了最初 Context.ai 泄露事件的范围。调查发现，威胁行为者的活动远不止于此，威胁情报显示他们在多个 startup 中分发恶意软件，专门寻找 Vercel 账户和其他云服务商的 token 和 API key。一旦获取这些 key，日志显示攻击者会迅速枚举非敏感的环境变量。Vercel 已与 Microsoft、AWS 和 Wiz 深化合作，并主动通知了其他受波及的受害者，建议他们轮换凭证、采用安全最佳实践。
https://x.com/rauchg/status/2047150411170320808
Replit CEO Amjad Masad
Replit Agent 现在可以从 Gemini Enterprise 直接调用。同时，Replit 的 Security Agent 正在上线，用于对 app 进行安全审查。Amjad 还发布了一份白皮书，展示即使没有 Mythos 这样的前沿模型，通过将现有 LLM 与静态分析工具结合，部分场景下也能获得 90% 以上的性能提升。
https://x.com/amasad/status/2047149103294091301
https://x.com/amasad/status/2047150876423516384
https://x.com/amasad/status/2047156858214035590
Y Combinator CEO Garry Tan
Garry 分享了关于 Claude Code skill 设计的实践心得：当两个 skill 有相似功能时，与其保留两个独立 skill，不如把它们合并成一个带参数分支的更大 skill。更少、更胖的 skill 能让 resolver 更短，而短 resolver 意味着更少的 context 消耗，性能更好。
https://x.com/garrytan/status/2047183884266402275
https://x.com/garrytan/status/2047184243164651648
FPV Ventures 合伙人 Nikunj Kothari
Nikunj 分享了他目前认为最强的个人开发栈：用 Claude Opus 做规划和前端设计，用 OpenAI Codex 做工程实现，用 Conductor 做编排，用 Railway 部署。他认为现在构建东西比任何时候都更容易和有趣。他还分析了当前 M&A 热潮的成因：seed 到 A 轮的成功率持续恶化，2021 年的 zombiecorn 陆续清算，大模型工厂在大量招聘，IPO 市场低迷，扁平化组织让更多人离职创业又加剧了 seed-Series A 的断层。他引用了一句话总结："有很多 founder，但真正的 entrepreneur 很少。"
https://x.com/nikunj/status/2047382587258364204
https://x.com/nikunj/status/2047336067972624870
Every CEO Dan Shipper
Dan 做了 GPT-5.5 的 vibe check，核心发现是：很多模型能写出一个好计划，但随后又退缩了，不敢真正执行。GPT-5.5 直接去做。
https://x.com/danshipper/status/2047388883823087633
Anthropic Claude Code 工程师 Cat Wu
Cat 与 Lenny Rachitsky 对话，聊了 Claude Code 如何维持产品迭代速度、AI 时代产品管理角色的演变，以及工作的未来。
https://x.com/_catwu/status/2047427510091366533
播客
No Priors — SAP: Bringing the 'Operating System' of a Company into the AI Era with CTO Philipp Herzig
核心要点：SAP CTO Philipp Herzig 认为 AI 对企业软件的冲击正在三个层面同时发生，而 LLM 本身不适合做预测类任务，企业真正的挑战不是引入 AI，而是让 AI 在万亿级数据规模下可靠运行。
Philipp Herzig 是 SAP 的首席技术官，SAP 服务 40 万家企业客户，横跨财务、HR、供应链、制造、物流、采购、销售等全流程，是全球最大的企业软件提供商，他将 SAP 比作企业的"操作系统"。
SAP 为何能穿越多个技术周期
SAP 从 1972 年成立，经历了大型机到客户端服务器、互联网、移动、再到 AI 的每一次技术浪潮。Philipp 认为 SAP 的持久性不是因为它在某个时代做对了什么，而是因为客户真正需要的始终是"结果和投资回报"。软件形态在变，但 order-to-cash、source-to-pay 这类业务流程的本质需求不变。他把 AI 时代的迁移类比于 on-prem 到云的转型，那次转型中大家最初以为只是把软件"搬上网"，但很快发现必须重新理解 CI/CD、多租户、弹性伸缩，从根本上重写软件。AI 也在发生同样的事。
AI 正在三个层面重塑 SAP
第一个层面是 UI。Philipp 认为"需要人类智慧坐在屏幕前点击 UI 才能完成任务"的软件时代已经结束。SAP 正在推行"生成式 UI"，界面动态生成，例如供应链分析时，只需用自然语言描述问题（如"新关税对我的供应链意味着什么"），系统就能结合 SAP 内部数据进行深度分析，而不是像 Perplexity 那样做通用检索。系统可以在夜间自主运行，早上主动告知异常，附上建议，这种主动性是之前无法实现的。第二个层面是业务流程。过去的标准作业程序是刚性的，现在 agent 可以融合结构化和非结构化数据，让"software as a service"演变为"service as a software"，outcome 即服务。第三个层面是数据层。SAP 积累了大量结构化的核心业务数据（总账、发票、库存等），正在用 SAP Knowledge Graph 打通自然语言与结构化数据的桥梁，实现统一的语义视图，让 AI 能够驾驭这些数据。
规模是真正的工程挑战
Philipp 指出，在 10 个文档上做 RAG demo 很容易让 CEO 眼前一亮，但 1000 个文档就是真正的工程挑战，1 万个 API（SAP 有 2 万个 API）会让 MCP context 直接爆炸。他认为，做 AI 不难，难的是让 AI 在企业级规模下做对的事情。他特别强调 eval 的重要性，认为 agentic coding 能工作的根本原因是可以验证输出（代码能编译、单测通过）。企业 AI 同样需要建立 eval，用历史系统数据构建"给定这个输入，期待这个输出"的验证集，才能让 coding agent 在业务场景中真正可靠。他把这比喻为"测试驱动开发"的回归，以前没人真正执行，现在变成了硬性要求。
LLM 不适合做预测，需要传统 ML
LLM 在非结构化文本和知识工作上表现优异，但需求预测、现金流预测、应收账款分类等本质上是回归和分类问题。传统 ML（XGBoost、AutoML 等）更适合这类任务，但这些方法不适合企业规模。SAP 正在构建自研的预测和 tabular 模型，直接嵌入业务流程，而不是让用户在聊天界面里用自然语言触发工具调用来凑合做预测。他认为结构化与非结构化数据的结合，是当前企业 AI 落地最难但也最有价值的地方。
agent mining 与数据飞轮
Philipp 提出了"agent mining"的概念，类比于之前的流程挖掘（process mining）。agent 在需要澄清时会来询问用户，这些决策轨迹和输入被记录下来，成为新的训练数据和 eval 来源。通过识别异常决策和总结优秀实践，企业可以把某个地区团队的优秀做法推广到全球，形成数据飞轮，持续优化 agent 的行为边界。