X / 推特
Latent Space 主理人 Swyx
观察到 Anthropic 内部之外没多少人在用 ultracode，这个工具烧 token 的速度吓人，但前提是 repo 要设置好能让 subagent 充分并行 fanout 才发挥威力。他把 subagent 比成"有判断力的 subroutine"，意思是 knowledge work 里大量任务都是 yakshave 套 yakshave，每一层都需要一点 intelligence 来推进。Swyx 引申说，这种 dynamic workflow 远不止用于 coding，对几乎所有需要判断的工作都成立。同一天他还转发了 Microsoft CEO Satya Nadella 关于 loop as IP 的发言，强调真正的护城河不在于挑选最好的模型，而在于在模型之上构建 learning loop，让 human capital 和 token capital 一起复利。Satya 的原话被 Swyx 单独摘出："你可以 offload 一个 task 甚至一个 job，但你永远 offload 不了自己的 learning。"他把这条总结成 frontier ecosystem 比 frontier model 更重要的赌注。
https://x.com/swyx/status/2066415484149633329
https://x.com/swyx/status/2066235625695850526
OpenAI Codex / ChatGPT 团队的 Thibault Sottiaux
分享了 Codex 现在可以自己看到并设定 /goal。也就是说 Codex agent 可以基于用户给的意图，自己生成具体的任务目标。他把这看成 meta prompting 的一种推广：以往是人写提示告诉 agent 怎么做，现在变成 agent 自己根据上下文决定该追求什么目标。Sottiaux 强调了一个内部哲学："我们建的每一个东西，也都是给 agent 自己用的工具"，意思是工程团队不再只造给人用的界面，而是把每个能力都设计成 agent 也能消费的接口。这条推文 24 小时内拿到 2232 个赞、151 条回复，反映出社区对 agent 自主性边界的兴趣正在上升。对建 agent 系统的开发者来说，"goal setting from intent" 是从 prompt engineering 走向 agent engineering 的一个明显信号。
https://x.com/thsottiaux/status/2066270561081454989
Vercel CEO Guillermo Rauch
官宣 ChatGPT 的 skills 生态系统已经突破 700,000 个 skill，全部 organic、社区驱动。他用 "open⎵ai ecosystem" 来形容这件事，言下之意是这股增长曲线已经具备平台级生态的特征。389 个赞、19 次 retweet 不算特别炸，但对关心 platform 飞轮的 builder 是个关键信号：当 skill 数突破六位数，意味着 ChatGPT 不再只是一个对话产品，而是一个允许第三方持续往里加能力的平台。Rauch 本人是 Vercel 的 CEO，自家正在押注 AI 模型分发和 agent 部署，这条相当于隔空认可 OpenAI 的 platform strategy。对建 AI 产品的人来说，可以观察的是：当 ChatGPT skills 这种 marketplace 体量到 700K，独立 SaaS 工具会不会被吸进生态、还是会切到不同分发渠道。
https://x.com/rauchg/status/2066299732277031042
Box CEO Aaron Levie
今天发了两条长帖。第一条接 Satya 的 learning loop 论，论点是未来胜出的企业是那些能把自己独有的 IP、institutional knowledge 和 data 用合适的架构喂给 AI，让 human capital 和 token capital 在公司内部一起复利的企业。他特别强调一个架构要求："企业要能在不丢掉积累的 company veteran 专家知识的前提下，随时把底层 generalist model 换掉"，意思是未来企业 AI 系统得把 learning loop 跟具体某个模型彻底解耦。第二条是政治和地缘视角，主张 open weights model 才是这一轮的最大赢家：一旦"某个模型可以在某天对某国关停"成为既成先例，其他国家就有更强的动机去发展 sovereign AI 和自己的开源模型栈。他直接给美国政策圈递话："如果美国把 AI 监管挂在 model layer 而不是 applied layer，全球开源模型的供给端会越来越不在美国，美国在 AI 栈里的领导地位会被慢慢稀释。"Levie 的整体立场是 applied AI layer 在未来几年会拿走最多增量价值，这也是 Box 自己当前的押注方向。
https://x.com/levie/status/2066237607244427761
https://x.com/levie/status/2066167615618466060
Y Combinator CEO Garry Tan
今天连发三条，把"长期主义 + agent 时代年轻人技能栈"两个主题串起来。他转发了一条关于商业 AI 自主权的讨论，明确表态"open source 才是企业长期掌握自己命运的逃生舱"，意思是闭源模型一旦被供应商随意调整、定价或关停，business 的命脉就被卡住，open weights 是唯一可控的退路。另一条更值得 builder 反复看：他认为下一代真正改变世界的年轻人，几乎肯定是那些在 long-running、multi-stage、multi-team agent task 上做得最好的人，而且要做到大规模、高频次、横跨工作和生活每一个角落。他强调 "high volume" 和 "across every part of their personal and work lives" 两个词，暗示真正的 agent 能力不是偶尔跑个工作流，而是日常 7x24 让 agent 持续处理上百条并行任务。Garry 自己也提到 gbrain 用户是这套打法的早期画像。对 founder 来说，这是 YC 老大画出的一个 talent profile：会用 agent 编排复杂任务的人，会拿到不成比例的回报。
https://x.com/garrytan/status/2066307697574862905
https://x.com/garrytan/status/2066269412391637050
Builder Zara Zhang
连发两条把"怎么做出好 skill"这个话题拆得很锋利。她的反直觉观点是："好 skill 不是写出来的，是用出来的"。具体说就是先去亲手把那件事干一遍，搞砸 20 次、不断修，然后再让 AI 把你刚走完的整个流程"装瓶"成 skill。另一句更短："you make a skill by ending with one, not starting with one"，等于直接把"我要先写一个 skill 然后再去用"这种顺序颠倒过来。这跟典型 AI prompt engineering 的"先写好 prompt 然后调"思路完全相反，她主张 skill 的来源是真实的、被反复迭代的 ground truth 工作流。对正在搭 Claude Code 或自定义 agent 工具链的人，这是一个很实用的反模式：别一上来就 SKILL.md 设计，先把事干通再回头沉淀。
https://x.com/zarazhangrui/status/2066388749244854771
https://x.com/zarazhangrui/status/2066394505037926426
OpenClaw 与 OpenAI 关联 builder Peter Steinberger
分享了一个非常实用的 in-flight 工作流：Mosh 配 tmux 或 zellij 是飞机上糟糕网络环境下的救命工具。他个人偏好 zellij 但 tmux 也完全够用，两个工具都能配合 Mosh 用。Mosh 是基于 UDP 的 SSH 替代，针对高丢包和断线场景做了重连优化。再叠加 tmux/zellij 的 session 持久化，相当于无论网络怎么抖，远端 session 不丢、命令行可以接着干。这条 80 个赞看起来不大，但对所有靠 cloud devbox 或远程 Claude Code 工作的 builder 是直接可抄的配置。Steinberger 一直在折腾 OpenClaw 和 OpenAI 相关工具栈，他推荐的开发环境配置往往领先一两步。
https://x.com/steipete/status/2066427449551036469
播客
Training Data — LIVE: Jensen Huang on Building the Dynamo of the Intelligence Age
核心要点： AI 已经从两年前的"会生成内容"升级到"按小时计费帮你干活"，整个计算行业从 retrieval-based 翻新成 generation-based；接下来 $1T 的 capex 会从能源、芯片、基础设施、模型层一路堆到应用层。
NVIDIA 创始人兼 CEO Jensen Huang 面向 60 个国家、128 个家庭的跨行业投资人和企业家给出了一份"AI 投资版图入门"，密度被他主动压成"非技术人也能据此判断下一笔投资"的程度。Sequoia Capital 的 Training Data 把它直接 LIVE 放了出来，背景是当前一年 $1T 的 AI 资本支出已经落地，接下来钱要往哪一层堆是最实际的投资决策问题。
把 AI 的进化分成两步：两年前的 ChatGPT 只是"翻译"，把一种信息形式映射成另一种；今天的 agentic AI 多了一层"思考 + 用工具"，所以才真正值钱。他举例说企业现在按每小时 $20 到 $30 雇 AI 干活，这是"人类有史以来增长最快的软件业务"。Jensen 的判断是 AI 不再是 cute 玩具，而是按 token 计费的真劳动力。
把"为什么 AI 工厂值钱"算得很具体：NVIDIA 今年要造 8 million 颗芯片，每 72 颗装成一个 rack，每个 rack 两吨重、150 万个零件、单价 $4M。一个 gigawatt 的 AI 工厂造价 $50B，但每年能产出 $300B 到 $400B 的"智能"，ROI 极快。整个全球今年要往 AI 生态投 $1T，他猜未来稳态会是每年 $20T。
把投资版图分成 5 层蛋糕。第一层是能源，Siemens、Mitsubishi、GE Vernova 等老巨头一百年没见过的窗口，核电、风、光、氢只要能发电就拿得到钱。第二层是芯片、网络和 silicon photonics。第三层是基础设施层，土地、电、外壳、数据中心运营每一项现在都缺。第四层是模型层，OpenAI 和 Anthropic 之外还有蛋白质、基因、细胞、物理这种"非语言"语料，他特别提醒物理世界对应的 $80T 存量产业才是更大的 frontier。第五层是应用层，去年单年 $100B VC 全压在这里，是有史以来 VC 单年投入最高的一年。
反驳了流行的"AI 抢工作"叙事，给出一个反直觉的案例。十年前一位顶级 AI 科学家公开预言放射科 (radiology) 会被 computer vision 灭掉，结果 12 年过去 radiologist 需求反而上升。原因是生产力提升后医院能接更多病人、放射科变得更赚钱，于是又招了更多 radiologist。他用同样的逻辑回敬"软件工程师会被 AI 替代"：coding 不是工程师的工作，解决问题才是。最金句的一条原话是："你不一定会被 AI 抢走工作，但你一定会被另一个会用 AI 的人抢走工作。"
最后给政策层和家长两句话。第一，把"AI 末日 / Terminator / singularity"那套科幻框架放一边，他直接说这"完全是 nonsense"，工程师每天都在让模型变得更安全、hallucination 比两年前几乎归零。第二，要主动让自己的孩子、公司、国家拥抱 AI，因为过去 40 年里只有 2% 人会写 C++，而 AI 第一次让人人都能用人话编程，是他四十年职业生涯里"消除技术鸿沟最强的一股力量"。