X / 推特
OpenAI Codex & ChatGPT Thibault Sottiaux
Thibault Sottiaux 预告 OpenAI Codex 相关内容即将到来，称自己对正在成形的东西“难以置信地兴奋”。他没有透露具体发布内容、产品形态或时间表，只明确提到“明天”会很有 Codex 氛围。对关注 Codex 和 ChatGPT 构建链路的人来说，这更像是一次提前放风，而不是完整公告。由于他本人 bio 指向 Codex & ChatGPT @OpenAI，这条信息的价值主要在于来自产品内部 builder 的直接信号。可以留意后续是否对应 Codex 的新能力、工作流更新或发布活动。
https://x.com/thsottiaux/status/2080144499716800513
AI 教程作者 Peter Yang
Peter Yang 继续围绕“AI slop”这个主题做工具和内容实验。他提到自己的 `/no-ai-slop` skill 一天拿到 1K stars，判断大家已经对低质量 AI 内容感到厌烦。这个 skill 的定位不是简单反 AI，而是帮助用户避免充满 AI 陈词滥调的文本。他也展示了一个反向玩法：如果明确要求它“反过来工作”，它也能生成一整套 LinkedIn 风格 AI 套话，用来讽刺那些空泛表达。这里的重点不是玩笑本身，而是把“识别和约束 AI 文风”做成可复用 skill。对写作者和 builder 来说，这提示了一个实用方向：不要只让模型产出内容，也要给模型建立风格边界和质量门槛。
https://x.com/petergyang/status/2080132334138151410
Meta AI 高级总监 Madhu Guru
Madhu Guru 解释了一个常见误区：使用中国训练的 LLM，并不等于模型训练方会拿到你的数据。他把 LLM 描述成一个“装满数字的巨大文件”，这些数字编码了模型能力。如果某些模型提供 open weights，用户可以下载这个文件并在自己的云环境里运行，此时训练模型的一方已经不在运行链路中。换句话说，数据是否外流，关键不只看模型来自哪里，还要看你把模型部署在哪里、推理请求发送到哪里。他强调，在自有云环境运行 open weights 时，数据会留在实际运行环境里。这条推文对企业选型很重要，因为它把“模型来源风险”和“推理部署风险”拆开讨论。另一条关于 GPT-5.6 Sol 私自买房、联系卖家、动用银行账户的内容明显是夸张段子，核心是在调侃强 agent 失控的想象，不应当当作真实案例。
https://x.com/realmadhuguru/status/2080150245011509593
Anthropic Claude Code Thariq
Thariq 分享了自己使用 Claude Design 和 Claude Code 做前端的体验。他说自己很遗憾到现在才真正输入 `/design`，因为组合起来做 frontend 的效果“actually so good”。这条信息虽然很短，但对 builder 有明确指向：Claude Code 不只是写代码工具，配合 Claude Design 后可以进入更完整的前端工作流。他没有展开具体案例、组件类型或实现细节，因此不能推断能力边界。价值在于来自 Claude Code 团队成员的一线使用反馈，说明 `/design` 正在成为 Claude 前端开发体验里的重要入口。对正在比较 AI coding 工具的人来说，可以把它看作值得测试的功能点。
https://x.com/trq212/status/2080090919832084753
Replit CEO Amjad Masad
Amjad Masad 对模型 router 提出一个清晰判断：如果你被激励去推某些模型，那么你的 router 只是一个 facade。这里的重点是 AI 产品里的“中立路由”问题。很多开发工具会声称根据任务自动选择最佳模型，但如果商业激励、供应关系或内部目标偏向特定模型，用户看到的就不一定是真正的最优选择。Amjad 的提醒适用于所有依赖多模型路由的开发平台、agent 工具和 AI IDE。对 builder 来说，评估 router 时不能只看支持多少模型，还要看路由决策是否透明、是否可配置、是否有利益冲突。他另一条提到 Replit devs 收入不错，但缺少具体上下文和数据，不适合展开。
https://x.com/amasad/status/2080126960202903575
Vercel CEO Guillermo Rauch
Guillermo Rauch 记录了多个让他感到“holy s***”的 AI 工程时刻。他说 Fable 几乎自主地在 Turbopack / Next.js 中发现了 15-30% 的内存效率提升，这是一个复杂 Rust codebase 里的大型优化。三天前，Sol 帮助他们在一些高度审计过的代码中发现了新的漏洞；他还看到团队在缩小 binaries 方面做到 10-20x 的结果。Guillermo 的核心判断是，AI 进展不只体现在 benchmark 或网上故事里，而是每周都在真实工程场景中制造新的“WTFs/day”。这对 developer tool 公司尤其关键，因为 AI 已经开始参与性能优化、安全审计和底层工程改造。另一条 Shopify + Vercel 的内容把两家公司描述为 entrepreneur-first、developer-led、web-obsessed 的同一类基础设施伙伴，目标是把 apps 和 agents 的基础设施带给数百万 businesses。整体看，他关注的是 AI 如何从“辅助写代码”升级为能直接推动复杂系统工程成果的机器。
https://x.com/rauchg/status/2080098518535110913
Box CEO Aaron Levie
Aaron Levie 转述并评论 Anthropic Head of Economics 的观点：目前 AI 对工作的负面冲击小于预期。他给出的原因是，AI 至少到现在仍需要人来操作，才能在多数场景里产生价值。大多数岗位不能被 AI 整体自动化，但岗位里的某些任务可以被自动化；当这些任务被加速后，反而可能提高该岗位的总产出，并维持甚至增加需求。他引用的核心判断是：“到目前为止，AI 既偏向技能，也增强劳动。它补充领域专业知识，需要人在回路中指导和评估最复杂的工作，并奖励 AI 熟练度。”Aaron 认为软件工程已经很明显地体现这一点，agent 可以放大软件产出，但仍需要开发者管理和评估工作。他进一步指出，越来越多行业和各种规模的公司现在可以启动过去不现实的软件项目。结论是 Jevons paradox 仍然成立：当某类工作因为 AI 变便宜、变快，需求可能不是减少，而是被释放出来。
https://x.com/levie/status/2080156917373214900
Builder Zara Zhang
Zara Zhang 提出一个很实用的 prompting 经验：有时只描述问题，不指定解决方案或 spec，模型反而会给出更好的解法。她把这个方式概括为“Thick context, thin prompt”。意思是上下文要足够厚，问题背景、约束、目标要完整，但直接指令可以更薄，不必过早把模型锁进某个实现路径。这个经验对 AI coding 和 agent 协作都很重要，因为很多失败并不是模型不会做，而是人类过早规定了一个不够好的方案。她强调模型经常能给出让人惊喜的替代方案，前提是它看得到真实问题。对 builder 的启发是：与其写很长的命令式 spec，不如先把问题空间、判断标准和上下文喂清楚。
https://x.com/zarazhangrui/status/2080103288834510939
South Park Commons 普通合伙人 Aditya Agarwal
Aditya Agarwal 讨论了 startup culture 的来源，并提醒不要只谈 company strategy。他认为文化来自三个区域：founder 的 personality and DNA、early team 的 personality and DNA、early product 的 personality and DNA。这三者会重叠并互相强化，一部分是 top down，一部分是 emergent。他指出，如果创始人太弱，无法把文化制度化， emergent 的部分会被人为压制；但如果团队内部差异太大，也会形成多个互相割裂的文化口袋。他不想把讨论拖入 DEI 争论，而是强调不同背景的人仍然可以共同选择加入同一种 company culture。对早期团队来说，这是一条很直接的提醒：文化不是墙上的价值观，而是创始人、早期成员和早期产品共同塑造的工作方式。
https://x.com/adityaag/status/2079993986283123147
Anthropic AI assistant Claude
Claude 宣布 Claude Security plugin for Claude Code 进入 beta。这个插件可以在提交前扫描代码改动里的漏洞，也可以直接在 terminal 中对整个 codebase 做 full scan。它运行在用户已经使用的 Claude inference 上，意味着不需要离开 Claude Code 的开发环境。对使用 AI coding agent 的团队来说，这个方向很关键，因为生成代码越多，提交前的安全检查就越需要内嵌在工作流里。Claude 还提到 Anthropic Economic Index 可以通过 connectors menu 打开，并且完整 datasets 仍可在官网免费下载。前者是代码安全能力，后者是数据连接与研究资源，两者都说明 Anthropic 正在把 Claude 从聊天助手扩展到更具体的工作流入口。
https://x.com/claudeai/status/2079990597973057691
播客
AI & I by Every — How Every's Team Used AI to Ship Its Biggest Launch Ever
核心要点：Every 这次增长不是靠一个 AI gimmick，而是把 AI 工具、内部工作流和商业包装组合成 All Access 与 Builder Pack，并用同一套工具完成了从构想到发布的执行。
Every 团队说，他们上周创造了公司历史上最大的 subscription revenue increase，核心产品是 Builder Pack。All Access 是 Every 新推出的 $625 annual plan，包含 Builder Pack、All Access member 专属 office hours、Quora 和 Spiral 的 unlimited use，以及未来几个月还会推出的其他内容。Builder Pack 本身包含 10 个 soon to be more 的 AI tool benefits，都是 Every 团队日常使用的工具权益，比如 Codex credits、Cursor access、Claude Max、PostHog、Framer、Render、Flora、Notion 等相关 stack。
Yash 的工作方式展示了 AI 对增长工作的真实改变。他负责 Every 的 Sparkle 产品，也加入了 growth team，过去一年大量使用 Claude 和 PostHog，甚至用 Claude 和 PostHog 把 Sparkle 重建了 15 次。他现在想自动化整个 A/B testing pipeline，因为手动开 dashboard、设置 segmentation、判断 audience size、决定实验从 10% cohort 扩到 50% 这些工作，在他看来都是“fake work”。更值得人做的是提出测试想法，比如是否做 homepage takeover、给谁展示、paywall 在什么时候出现。Yash 的原话很直白：“我花了一个月做这些事，然后我就想，好了，我做完了，我想做别的事了。”这背后的组织前提是，团队成员足够安全，所以愿意自动化自己的工作，而不是把可自动化的流程拖成一整年的职位保护。
工具栈的关键不是替代 SaaS，而是让 SaaS 变成 agent 可调用的基础设施。团队提到，很多人年初会冲动地想自己做 CRM、自己做 data dashboard、自己做设计系统，但真正做起来会发现体验很糟。更有效的做法是信任 PostHog 负责 analytics，Notion 负责 business source of truth，Framer 负责网站和落地页，Flora 负责视觉探索，再通过 Claude Code 或 Codex 把这些工具编排起来。即使人类不再频繁打开这些工具，只要数据和页面结构对 agent 可用，它们仍然是高价值系统。
他们反复强调 compound engineering，也就是把一次次 agent 工作沉淀成可复用的上下文、skill 和流程。一个营销邮件自动化项目可能一开始效果普通，但每轮迭代都会让项目环境更理解目标、约束和历史决策。模型从 5.5 到 5.6 的变化被描述为更会寻找完成工作所需的上下文，也更能在长任务和 compaction 中维持上下文。对 builder 来说，最佳开始时间也许是一年前，但现在开始建立这些复利流程仍然有意义。
Creative director Douglas 的部分把 AI 使用从工程扩展到品牌和创意。他把品牌策略比作指挥，把 color、type、shape、symbols、forms、words、systems、photography 和 illustration styles 组合成一首歌。Builder Pack 的绿色视觉不是随机选择，而是因为 Every 品牌世界里较少使用绿色，同时这次面向更 technical 的 audience，所以整体更 matrix、digital，而不是 Every 过去偏 Greco Roman 和 heritage 的风格。他会让工具做 competitive auditing、pricing、language、品牌颜色分析，再把这些输入 Flora 做 mood board 和网站视觉方向。对非技术创作者来说，关键转变是从“演奏乐器”变成“指挥多个乐器”。
结尾给 builder 的建议很具体：用 Cursor Cloud Agents 和 Render 做一个能部署、能被别人试用的小东西，同时用不同模型测试自己的偏好。Yash 提到 Cursor Cloud Agents 可以同时跑 10 个 agents，也建议用这种方式感受自己喜欢什么模型、适合构建什么。AI stack 的价值不在于一次性买齐工具，而在于找到一个可以持续编排、持续沉淀、持续释放创造力的工作系统。
https://www.youtube.com/playlist?list=PLuMcoKK9mKgHtW_o9h5sGO2vXrffKHwJL