X / 推特
AI builder Swyx
Swyx 分享了自己当前在“大项目”里使用不同模型的分工方式：Sol Ultra 用来规划，Fable 5 用来批判，Sonnet 5、Terra Ultra、SWE 1.7 用来做 ultracode 或 slop cannon，Devin Review 则用 Kakuna 做 review。这个列表有价值的地方不在模型名字本身，而在于他把模型当成不同认知角色来调度，而不是只追求一个“最强模型”。他还强调，自己几乎总会使用 Matt Pocock 的 grill-me 或 Thariq 的 interview-me 变体，在正式执行前先逼模型把决策问清楚。这说明 builder 工作流正在从“直接让 agent 干活”转向“先用 prompt 结构把需求、约束和判断标准拉出来”。另一条关于 Resend API key 的吐槽则反映了 agent 工具链的现实摩擦：当一个工具反复要求同一个服务密钥时，使用者会很快把它感知成基础设施层面的噪音。
https://x.com/swyx/status/2076811977918484795
Claude Code Thariq
Thariq 关注的是 Claude artifacts 的表达能力提升，以及它们和本地 Claude Code session 之间的组合方式。他举的例子是，在 Claude Tag 里为一个项目创建 dashboard，这个 dashboard 可以被其他人编辑，也可以被本地 Claude Code session 编辑。这个模式把 artifact 从一次性的展示物，推进到可以多人协作、也可以被 agent 持续维护的项目界面。对 builder 来说，关键点是 dashboard 不再只是“AI 生成的页面”，而是项目状态、操作入口和 agent 协作的共享对象。如果这类 artifact 能稳定承载编辑和同步，Claude Code 的使用边界就会从命令行任务扩展到更接近团队工作台。
https://x.com/trq212/status/2076790799011131735
Replit CEO Amjad Masad
Amjad Masad 展示了自己在模型训练过程中获取实时进度更新的体验。他把这种感觉类比为早期 vibe coding，只不过对象从写软件变成了“做个人模型”。这条信息值得注意，因为它暗示模型训练也正在被产品化成一种更即时、更可反馈的 builder 工作流。过去训练模型通常是离线、慢反馈、偏研究或平台工程的事情；现在他强调的是个人化模型训练过程中的实时可见性。对开发者来说，真正的变化不是“能不能训练模型”，而是训练过程能否像 coding agent 一样变成可观察、可迭代、可随时介入的体验。
https://x.com/amasad/status/2076776737074184661
Vercel CEO Guillermo Rauch
Guillermo Rauch 提到，目前 https://v0.app 最受欢迎的两个特性是易用性、filesystem API，以及 observability，Vercel 会继续加倍投入这些方向。这说明 v0 的核心吸引力不仅是生成界面，而是让生成结果进入开发者熟悉的文件系统和可观测工作流。另一条推文里，他把 feature flags 和 agents 连接起来，认为 agents 可以设置并调优实验，从而成为 autonomous、self-optimizing websites and applications 的构建块。这是一个很清晰的产品方向：agent 不只是生成代码，也可以参与运行期实验和优化闭环。他还引用数据称，open-weight models 已经运行了 29% 的 gateway tokens，相比 4 月的 11% 明显增长。整体看，他关注的是 AI 应用从生成、部署、观测到自优化的完整链路。
https://x.com/rauchg/status/2076817174073880957
Box CEO Aaron Levie
Aaron Levie 对 AI stack 的结构做了一次长线判断：frontier intelligence 会继续推动行业前进，顶级实验室仍会购买最多数据、建设最多 compute，并保持训练突破的前沿位置。与此同时，open weights 会快速吸收 frontier breakthroughs，提供更低成本的 intelligence，也允许针对具体 workflow 和 domain 做 post-training。他认为 Applied AI layer 的机会在于把 frontier intelligence、open models 和便宜的 closed models 组合起来，为具体行业编排工作流，并在性能和成本之间做优化。企业自身的重点则不是“人人训练一个模型”，而是持续把企业上下文、数据和工作流接入各种 AI 系统。他还强调，用 frontier 模型当 manager，用低成本模型做 workhorse tasks，会成为未来 model routing 的模板。关于企业自训模型，他提醒最有价值的信息往往最敏感、也一直在变化，不能简单塞进模型里，更不能把权限和安全层放进模型或 agent 内部。结论是，AI 不是零和栈，而是 frontier、open weights、applied layer、enterprise context 每一层都有大量机会。
https://x.com/levie/status/2076882332821373381
Cursor 设计师 Ryo Lu
Ryo Lu 用 Cursor 做了一个自定义电子书阅读器 firmware，把 AI coding 拉到了硬件 hacking 场景里。这个 firmware 面向漂亮的 Latin 和 CJK typography，支持竖排、禁则处理、大字符集、书籍和阅读进度与 ryOS 同步，以及更快的渲染和缓存。信息密度最高的点是，他不是用 AI 做一个网页 demo，而是在排版、字符集、缓存、同步这些真实阅读体验细节上动手。这类项目说明 AI coding 工具对设计师的价值不只是“更快写前端”，也可以进入固件、硬件体验和个人操作系统层面的实验。他还提到 Jenny 将加入并领导团队，让自己重新获得专注和 mental space 去做更大的设想。对 builder 来说，这是一种典型信号：当团队管理补位后，创始型设计者会把注意力重新转向更长周期的产品想象。
https://x.com/ryolu_/status/2076713331113734641
Builder Zara Zhang
Zara Zhang 提出组织采用 AI 有三个层级，并判断大多数公司目前处在 level 2。素材没有展开三个层级的具体定义，但这个判断本身反映了她对企业 AI adoption 成熟度的观察：多数组织可能已经越过了最初的试用阶段，却还没有进入更深的组织级重构。她还分享了 3 月和 Ashe 的一段 45 分钟户外对谈，主题包括 building in public、如何在 X 上增长受众但不制造 slop，以及她对 vibe coding 的看法。这里值得关注的是，她把 audience building 和 AI builder 实践放在同一个框架里讨论，而不是把内容增长视为单独的 marketing 工作。对独立 builder 来说，这类经验通常比“发更多内容”更实用，因为重点在于如何保持真实产出和公开叙事之间的张力。
https://x.com/zarazhangrui/status/2076862290985730481
FPV Ventures Partner Nikunj Kothari
Nikunj Kothari 发布了 Ramp-Autofill skill，用 tryramp CLI 和 Claude Fable 构建，并开源了 repo。这个 skill 针对的是报销流程里很具体的痛点：自动从 iMessage 和 Gmail 找收据，如果收据在链接里，就用 Playwright 把网页转成 PDF 并附到 receipt 上。它还会根据 Google Calendar events 填写你和谁见面、学习你过去 memo 和分类的写法，再自动分类缺失交易。更重要的是，它会验证自己的工作、标记差异，并且可以作为 scheduled job 运行，让用户不用反复处理费用报销。他补充说，其中一个版本是在去 SF 的车上用 voice prompt 让 Fable one-shot 出来的，后续再做 steering 和 edits。这个案例很适合作为“agent skill 商品化”的样本：不是炫技，而是把 CLI、邮件、短信、日历、浏览器和企业报销系统串成一个可复用自动化。
https://x.com/nikunj/status/2076775924650107151
OpenClaw 与 OpenAI Peter Steinberger
Peter Steinberger 提到自己把 maintainer agent 移到了 cloud，然后这些 agent 已经开始“打架”。虽然语气是玩笑，但它指向一个真实问题：当多个维护型 agent 在云端持续运行时，协调、冲突解决和状态一致性会变得比单次任务更重要。他另一条说 “stress test” 是一个好 prompt，这也很符合 agent 工程里的实践经验。相比只要求模型完成任务，stress test 会逼它寻找边界条件、失败路径和隐藏假设。把这两条放在一起看，他关注的是从本地单 agent 工作流走向云端多 agent 维护时，如何用更强的 prompt 和测试习惯控制质量。
https://x.com/steipete/status/2076923300593422560
官方博客
Building intelligent apps for Apple platforms with Claude in the Foundation Models framework
Anthropic 发布了面向 Apple Foundation Models framework 的 Claude Swift package，让 Apple 开发者可以在 Swift 里把更复杂的请求交给 Claude。Apple 的 Foundation Models framework 原本适合本地、快速任务，比如 summarization、extraction，并且能通过 guided generation 和 @Generable annotations 返回 typed Swift values。Claude 的加入让同一个应用可以先用 Apple on-device models 处理轻量任务，再在需要 multi-step reasoning、code generation、web search 或 data analysis 时 hand off 给 Claude。博客强调，typed outputs 会让传给 Claude API 的输入更干净，而不是直接把原始用户文本丢给云端模型。它给出的场景包括 journaling app 先本地生成每日提示，再让 Claude 找出几个月记录里的主题线索；study app 先本地解释术语，再让 Claude 回答“这为什么和其他内容有关”。该支持将通过 Anthropic API key 使用，并把 streaming、tool calls、structured responses 接回 SwiftUI view。支持平台包括 iOS 27、iPadOS 27、macOS 27、visionOS 27 和 watch OS 27。
https://claude.com/blog/claude-for-foundation-models
播客
The MAD Podcast with Matt Turck — Inside Nemotron & NVIDIA’s AI Lab | Bryan Catanzaro
核心要点：AI 继续变强的关键不只是堆更多算力，而是在算力、功耗和成本都接近极限时，用更高效率换更多 intelligence。
Bryan Catanzaro 负责 NVIDIA 的 Nemotron open foundation models。他的背景横跨 GPU for AI 的早期研究、NVIDIA research，以及曾在 Baidu Silicon Valley AI Lab 与 Andrew Ng、Dario Amodei 等人共事的经历。这个身份让他的判断有两个层面的价值：一方面他站在 NVIDIA 的 accelerated computing 视角看模型训练，另一方面他也亲历过中美 AI 研究社区的差异与相互学习。
他对 open source AI 的第一判断是，开放技术之所以重要，不是因为它一定要和 closed source 做一场输赢比赛，而是因为 AI 像 Internet 一样会被不同行业以完全不同的方式应用。零售、医疗、制造业对 Internet 的使用方式不同，AI 也一样；当企业要把模型深入接进自己的数据、客户理解、guardrails 和 workflows 时，open technologies 给了它们定制空间。他没有把 open 和 closed 描述成简单对立，而是强调整个 AI community 在过去三个月都进展极快，具体差距没有“这个领域整体移动速度”那么重要。
关于中国模型和 distillation 的争议，他的态度很明确。他承认大家会相互学习，但反对把其他国家的技术进步归结为 copycat mentality。因为他曾在 Baidu 工作两年半，亲眼看到中国同事的聪明、勤奋和创造力，所以他认为把中国 AI 成果简单说成复制是不准确的。更进一步，他认为中国在 open AI 社区协作上某种程度已经领先，其他地区也需要理解共同建设开放技术的好处。
Nemotron 的产品线被他解释成 Nano、Super、Ultra 三档。Nano 是 30B total、3B active parameters，Super 是 120B total、12B active，Ultra 是 550B total、55B active，分别对应小、中、大部署场景。Super 因为在成本和 intelligence 之间平衡较好，是很受欢迎的模型。NVIDIA 最关心的 LLM 用途是 agents，也就是让 agent 日夜代表用户解决问题；Nemotron 的目标就是为 agentic workflows 做得足够快、足够强。
效率是他最强调的技术主线。Nemotron Ultra 和 Super 使用 MVFP4 做 four bit pretraining，这不是简单压缩，而是要发明能让模型在很粗粒度 arithmetic 下仍然收敛到优秀结果的算法。Four bit 只有 16 个值，但在 Blackwell Ultra 上能带来更高 throughput，也能节省大量能源。他的原话很锋利：“如果你接受我们会运行在极限这个事实，那么获得更多 intelligence 的方式就是变得更高效。”这也是他把 AI 称为“外部大脑”的原因：人类一直在建造外部器官来解决问题，厨房是外部胃，AI 可能是外部脑，而它的影响还没有人真正知道。
安全问题上，他提出一个略反直觉的 framing：open technologies 通常更安全，因为有更多 sunlight。更多人可以评估、质疑并贡献安全改进，比少数人替所有人决定安全边界更稳健。他还认为，AI 本质上是在探索 ideas，因此 diversity 比 monoculture 更安全；真正的多样性不是轻松一致，而是允许深层分歧存在并被检验。对 builders 的启示很直接：未来竞争点不会只在最大模型，而在如何把开放模型、企业秘密、agent workflow、效率工程和安全评估组合成可持续系统。