X / 推特
Latent Space 主理人 Swyx
Swyx 把 Sam Altman 那句"做一门会随着模型变好而变好的生意"和他自己提的"Agent Labs"概念对上号了。他观察到 Q4 2025 出现了一个明显的不连续点：agent lab 类公司的收入和底层模型性能直接挂钩。这是从 Patrick Collison 的 Stripe Sessions 上截的一段。另一条里他提到团队在 web search 这条赛道做了 Exa vs 竞品的内部 bake-off，只花了 1.5 小时就一致选了 Exa。他特意点了 William Bryk（Exa 创始人，也是他之前的房东），说回头听一年前 pre-PMF 阶段的 William 就能学到怎么提前识别那种代际级别的公司。
https://x.com/swyx/status/2057119153337545096
https://x.com/swyx/status/2057180080078791036
Google AI 实验室 Google Labs
Google Labs 宣布 Project Genie 全面开放给 Google AI Ultra 全球订阅用户（18+）。这次推送的卖点不是玩游戏，而是设计游戏：选好角色、设定场景，剩下的交给模型，从"玩游戏"到"分钟级生成游戏"的转换在演示视频里相当直观。Google I/O 现场 sandbox 也能体验。这是把生成式 3D/世界模型从内部 demo 推到付费用户手里的关键节点，后面会成为 Google AI Ultra 这条订阅线的差异化抓手之一。
https://x.com/GoogleLabs/status/2057179491693470166
https://x.com/GoogleLabs/status/2057218835074437573
Vercel CEO Guillermo Rauch
Rauch 放出一条短预告：这会把 AI 带给 42% 的网络，覆盖每个 model、每个 provider、每个模态（文字、图片、视频、音频）。从语气和数字看，是 Vercel 内部要发的一个跨厂商 AI 接入层产品，把多模态多模型统一起来，背后大概率是 AI SDK 的下一个版本或 v0 系产品的扩展。42% 指向的应该是 Vercel/Next.js 的 web 渗透率，把分发的杠杆直接接到 AI 模型上。
https://x.com/rauchg/status/2057212335811620987
Box CEO Aaron Levie
Levie 写了一篇关于 FDE（Forward Deployed Engineer，前线部署工程师）的长帖，强调这是 AI 时代会长期存在的岗位，他不认为它会像云计算时代的部署岗那样被快速标准化掉。他的论证有三层：第一，云只影响开发者和 IT 的小范围用户，不需要业务侧改工作流；agent 不同，部署 agent 直接重塑用户日常 workflow，因此带着大量"变革管理"工作。第二，云的节奏慢，最佳实践有时间沉淀；agent 是每次模型更新都可能让现有脚手架变冗余甚至变障碍。第三，因此供应商或合作方做过几百上千次实施的经验会比内部团队更有用。他给职业建议的结论是：FDE 是技术背景早期人才一个非常好的路径，不会很快消失。
https://x.com/levie/status/2057315272156135501
Y Combinator CEO Garry Tan
Garry 给 Exa 站台，说 YC 内部以及他自己做的 OpenClaw 和 Hermes Agents 全部用 Exa 做 agent 的 web 搜索，没有任何替代品在速度、可靠性、覆盖完整度上能打。另一条更尖锐：他认为美国 AI 的红利已经能拿到，但如果舆论端的"烟雾弹"问题不解决（他指控某些力量在系统性破坏美国），AI 主导权可能因此让出。可以放在他作为 SF Dem accelerating the boom loop 的政治表态背景里读。
https://x.com/garrytan/status/2057202833251000503
https://x.com/garrytan/status/2057168328226230520
Builder Zara Zhang
Zara 抛出一个关于 AI-native 团队结构的判断：IC 应该开始像 manager 一样思考，怎么把任务委派给 agent、怎么设定验收标准、怎么验证 output；manager 反过来要像 IC 一样思考，亲手做产品而不是只做人员管理。她在 Google I/O 现场还转了一张"AI 时代开发者"分享里的 T-shape 图，并把它扩展到所有岗位：垂直方向把自己的领域专长往深挖，水平方向往相邻技能和领域拉宽，然后在顶上叠一层"会用 AI"。这两条是同一个判断的两面：纯执行型和纯管理型的位置都会被压缩，混合的角色才有杠杆。
https://x.com/zarazhangrui/status/2057324988009685208
https://x.com/zarazhangrui/status/2057267931025957348
FPV Ventures 合伙人 Nikunj Kothari
Nikunj 用 Claude 把 SpaceX 308 页的 S-1 招股书 summary 成一份要点笔记，方便没时间通读的人吸收。另一条更感性：他说当 founder 真的太难了，每天嚼玻璃，失败没人在意，成功就被堆上更多麻烦；他自己一直没有勇气下场创业，所以特地写了一段给正在硬抗的创始人，"看到你们了，向你们致敬"。他强调创业被严重美化，真正建公司、扩规模、维护公司是另一回事，所以要选那种"全世界反对你也愿意继续做"的方向。
https://x.com/nikunj/status/2057242868293816569
https://x.com/nikunj/status/2057134939875991973
Every CEO Dan Shipper
Dan 配合本周大新闻（Anthropic 收购 developer tools 创业公司 Stainless，传言价 $300M，而 Stainless 的最大客户正好是 OpenAI 和 Google），重新放出他十月份在 AI & I 上和 Stainless 创始人兼 CEO Alex Rattray 的访谈（他披露自己是 Stainless 的小股东）。他从这期对谈里提炼出 5 个 MCP 实践要点：第一，MCP server 要瘦，tool 数量少、名字和描述精准、输入输出最小化，他们还会在上面加一层 JSON filter 剔无关字段；第二，针对大型 API 用 dynamic mode，只暴露 list endpoints、pick endpoint、execute endpoint 三个 tool，让模型自己导航；第三，把 MCP 当 business copilot，接 Notion、HubSpot、内部数据库去查"上周哪些客户注册"这类跨系统问题；第四，用 Claude Code 给公司搭一个 shared brain，把客户反馈、SQL 查询这些有用的输入沉淀进 GitHub repo，逐渐变成可查询的内部档案；第五，MCP 的未来是 code execution，不是给模型几百个 tool，而是只给两个：一个 code execution、一个 doc search，让模型用 SDK 写代码、跑代码、出错再查文档。
https://x.com/danshipper/status/2057122805657821240
OpenAI CEO Sam Altman
Sam 把 OpenAI 当前最兴奋的三件事并列出来：AGI 加速科研、AGI 加速公司、personal AGI 加速每个人达成自己的目标。他说前一天刚宣布给每家 YC 公司提供 $2M 的 OpenAI credits 投资，当天又宣布了 unit distance result（用通用模型解掉了一个数学开放问题），所以现在要把劲往第三件事上推。他在另一条单独的帖子里说，一个通用模型解掉了数学里的一个 major open problem，是个 "kinda big milestone"，未来几年这种事会反复说，但他这一天的心情其实有点复杂。
https://x.com/sama/status/2057218997503086888
https://x.com/sama/status/2057203171198636251
播客
AI & I by Every — Inside Stainless: The Developer Tools Startup Anthropic Just Bought for $300 Million
核心要点： MCP 当前最好的姿态不是给模型几百个原子 tool，而是只给一个 code execution tool + 一个 doc search tool，让模型自己用 SDK 写代码完成任务；Stainless 已经在朝这个方向押注。
Alex Rattray 是 Stainless 联合创始人兼 CEO，公司约 50 人，前身是给 OpenAI、Anthropic、Google 等大厂做 SDK 和 API 工具的开发者基础设施提供方，Anthropic 周一刚以传闻 $300M 的价格收购了它。他和 Dan Shipper 是大学好友，所以这次对谈比一般技术访谈更松弛，把"今天 MCP 为什么不好用"摊开讲。
第一，今天大多数 MCP 把 REST endpoint 一对一包成 tool。Stripe 这种几百个 endpoint 的 dashboard 直接抛给模型，光 OpenAPI spec 翻译过来就烧掉几十万 token，既塞不进 context，也让模型读不明白。能跑的 MCP 必须 hand-craft，把"找 Dan、退款、发优惠码"打包成一个语义清晰的复合 tool，而不是原子操作拼盘。
第二，他给出今天能落地的最佳实践：tool 数量少；tool 名和 description 精准；input schema 参数少而清楚；返回数据只给模型真正需要的，他们用 JQ filter 做 JSON 过滤。对超大型 API，Stainless 上线了 dynamic mode，只暴露 list endpoints、get endpoint、execute endpoint 三个 tool，让模型分三步自己定位；代价是慢、轻微 lossiness，但 context 稳定。
第三，他自己日常用 MCP 不是写代码，而是做 business ops：把 Notion、HubSpot、Gong、内部 Postgres 只读副本全接上 Claude Code，问"上周哪些有意思的客户注册了 Stainless？"模型会一路跨系统 join 给完整答案。他还分享一个反直觉做法：让 Claude Code 把客户引语、SQL query 这些有用输入随手存进一个私有 Git repo 的 markdown 文件，逐步沉淀成"公司的 shared brain"，刻意不结构化，"Claude Code 处理非结构化的东西本来就很好"。
第四是他最 contrarian 的判断："我预期 code execution tool 会成为使用最广的 tool。"与其给模型几百个原子 tool，不如只给两个，一个 code execution（让它直接写 TypeScript 调 SDK，比如 stripe.customers.retrieve、stripe.refunds.create），一个 doc search（不会用时去查文档）。列分页、跨 endpoint 串联都在沙箱里发生，回到模型 context 的只有最终十行结果。前提是 SDK 必须有 static typing，否则模型 hallucinate 一个不存在的 stripe.transactions.list 也没人拦得住。
第五是安全模型。Alex 不认为应该靠"限制 MCP 暴露什么"做安全，既然底层 API 能做，限上层等于自欺欺人。正确位置是 API 层用 OAuth + 细粒度 scope；他承认 OAuth scope 实现起来很痛苦，希望有人把它做简单。Dan 反复用 Cloud Code vs Codex 早期那段说服他：Cloud Code 一开始就 YOLO，甚至直接有 dangerously skip permissions，所以开发者采用跑得快；Codex CLI 初期太克制、太 pair-programming 导向，被远远拉开。他想用同样逻辑推 Stainless，让 Alex 赶紧出个 dev 版本给个人开发者。Alex 回应正在做，先从 MCP 提供方一侧切入，沙箱出站网络锁死到单一 API 域，再逐步扩展。
他给的最后一个 framing 适合所有在做 AI 产品的人："AI 的未来是 cyborg"，agent 不是模型黑盒，而是 LLM + 传统 CPU 代码的拼装；一次性的 AI 行为如果反复有用，下一步就 commit 进 repo，变成生产软件。一次性 agent 调用和长期生产软件之间没有边界，只有"被用多少次"的区别。
https://www.youtube.com/playlist?list=PLuMcoKK9mKgHtW_o9h5sGO2vXrffKHwJL