X / 推特
AI 产品实践者 Swyx
Swyx 为 `/align-me` 增加了批量提问机制，减少人与 AI 逐轮确认造成的交互成本。这个设计受到 Matt Pocock 和 Thariq Shihipar 的启发，让系统一次向前探索 2 至 10 个步骤。其直觉类似 speculative decoding，通过提前推演可能的分支提高整体速度。Swyx 表示，这种方式在设计探索场景中的效果尤其明显。它提示 agent 产品可以把人类反馈视为稀缺资源，通过集中澄清问题来缩短反复等待的时间。
https://x.com/swyx/status/2088073777779515615
Anthropic Claude Code 团队成员 Boris Cherny
Boris Cherny 正在尝试让 Claude 接管应用的日常维护，并称过去几周已经看到可行的早期迹象。团队在 Slack 中设置了专用频道，由 Claude Tag 每天检查 iOS、Android、Desktop、Web、CLI 和 Agent SDK。自动任务包括在模拟器中寻找崩溃、合并重复抽象、识别并移除死代码，以及修复泄漏的抽象。几周内，这些例行任务共创建 388 个 PR，其中 180 个经过 Claude Code Review 和人工审查后被合并。Claude 通常能一次完成机械性修改，失败时团队会调整例行任务的提示，使它在后续几天逐步改进。当前的新问题已经从“AI 能否维护应用”转向“如何降低此类 PR 的合并成本”。
https://x.com/bcherny/status/2088014489438621990
OpenAI Codex 与 ChatGPT 团队成员 Thibault Sottiaux
Thibault Sottiaux 推荐安装 Computer History plugin，让 ChatGPT 根据一天的电脑使用记录进行分析和吐槽。示例记录显示，Slack 占据了 48% 的活动，用户发送 253 条消息的同时点击了 339 次“Clear”。系统还统计到 1,191 次 Delete、133 次复制、26 次粘贴，以及超过 200 次应用切换。这种带有幽默感的总结，把注意力切换、通知负担和低效操作转化为可观察的行为数据。他同时介绍了 ChatGPT 内直接操作 Google Docs、Sheets 和 Slides 的能力，用户可以通过文字或语音完成写作、头脑风暴和校对，不必离开当前工作流。
https://x.com/thsottiaux/status/2088133823619895712
https://x.com/thsottiaux/status/2088103609477238858
AI 教程创作者 Peter Yang
Peter Yang 提出了一个面向 agent 时代的产品文档问题，即如何让产品规格既简洁，又能同时被人类和 agent 理解。他还在考虑是否应该为两类读者分别设置独立章节。这反映出规格文档正在从团队沟通材料转变为 AI 执行时的上下文接口。另一项个人经历则显示，AI 在医疗场景中的实际价值未必首先来自疾病研究。面对家庭健康问题时，他发现 AI 更有帮助的用途是理解并处理医疗体系的行政流程。两条观察共同指向一个现实，即 AI 的价值经常出现在信息与行动之间的流程摩擦处。
https://x.com/petergyang/status/2088108304274960667
https://x.com/petergyang/status/2087946170274570385
Meta AI 高级总监 Madhu Guru
Madhu Guru 统计了 20 多个以“Studio”命名的 AI 产品，包括 Google AI Studio、Vertex AI Studio、Copilot Studio、Agentforce Studio、SageMaker Studio 和 LangGraph Studio。她借此指出，AI 行业一边强调无限创造力，一边又在产品命名上高度趋同。更重要的观点是，她把“prompt debt”称为新的 tech debt。常见路径是模型失败后增加十条规则、工具调用失败后增加十个示例、输出异常后继续叠加格式限制，最终让 system prompt 膨胀成一部长篇小说。随着模型能力升级，这些历史约束可能不再提供帮助，反而把更聪明的模型变成机械执行规则的系统。她建议每次模型更新时至少删减 50% 的 prompt，以重新验证哪些约束仍然必要。对 AI 产品团队而言，prompt 不只是需要持续增加的配置，也需要像代码一样定期重构和清理。
https://x.com/realmadhuguru/status/2088074515188519182
https://x.com/realmadhuguru/status/2087916590964851172
Anthropic Cowork 团队成员 Cat Wu
Cat Wu 正在为 Cowork 团队征集非工程岗位用户的真实反馈。目标用户包括 marketing、sales、finance、legal 和 ops 从业者。参与者可以预约 15 分钟的 office hours，直接展示自己如何使用 Cowork。团队希望通过观察具体工作流，找到产品需要改进的环节。这种反馈方式关注实际操作过程，而不只是收集用户对功能的抽象评价。
https://x.com/_catwu/status/2088006642189361564
Replit CEO Amjad Masad
Amjad Masad 判断，ARC-AGI-3 在加入 coding harness 后已经接近被解决。他认为关键增量并非单独更换模型，而是让模型获得编写和运行代码的执行环境。由此得出的判断是，coding 能够把 LLM 的能力泛化到更广的任务范围。这也强调了评估结果对系统脚手架的敏感性，同一模型在不同 harness 中可能表现出明显差异。对 agent 开发者而言，工具、反馈循环和执行接口可能与基础模型能力同样重要。
https://x.com/amasad/status/2088124774824521786
Vercel CEO Guillermo Rauch
Guillermo Rauch 预测，用一个命令统一配置 coding AI 的 token 与运行环境，将成为规模化使用 coding agent 的默认方式。他列出的关键需求包括 uptime、模型选择、更低成本、observability 和 ZDR。该方案的重点是兼容既有 coding harness，而不是要求团队更换工作方式，Claude Code 与 Codex 都在支持范围内。他还推荐通过相关服务试用 Blackbox AI 提供的免费 GLM 5.2，速度最高可达 500 TPS。这两条信息共同指向 coding AI 基础设施的标准化，即把模型接入、路由和治理从单个 agent 工具中抽离出来。
https://x.com/rauchg/status/2088020529039180204
https://x.com/rauchg/status/2087982033499042205
Box CEO Aaron Levie
Aaron Levie 认为“AI 会消灭工程师”是一个严重错误的假设。AI 更像赋予工程师的新型 power tool，可以加速团队构建原本想做但受资源限制的产品。药物发现自动化、制造业自动化和更大规模的软件项目仍然需要工程师参与。由于企业能够借助 AI 承担更多工作，监督这些工作的领域专家反而会变得更重要。即使模型持续进步，专家通常也比新手更能有效利用模型。他预计这种规律不会局限于工程领域，专业能力的价值会随着 AI 扩展工作边界而上升。
https://x.com/levie/status/2088105350201270529
FirstMark VC Matt Turck
Matt Turck 将当前创业市场概括为两个极端。一端是 AI-native rocketship，需要在越来越高的估值下持续融资，以争夺资本、人才和客户。为了赢得竞争，这些公司还可能牺牲 gross margin，并长期处于与其他高速公司的正面交战中。另一端则是没有被市场视为 AI 高增长标的的公司，即使业务质量不错，也可能被投资者忽略。他认为这种分化已经持续一段时间，并且最近再次升级。这一观察提醒创业者，高速增长叙事带来的不仅是融资优势，也包括持续补充资本和维持增长预期的压力。
https://x.com/mattturck/status/2087978386195103916
Builder Zara Zhang
Zara Zhang 指出，许多人曾预测 AI coding 会降低工程师的价值，但现实中的热门岗位仍大量使用“engineer”作为名称。她列举了 forward-deployed engineer、design engineer、product engineer 和 growth engineer。这些职位通常不只负责写代码，而是把工程能力直接嵌入客户、设计、产品或增长问题。AI 降低部分编码成本后，工程方法反而能够进入更多业务环节。她的判断与“工程师被替代”的叙事相反，更接近工程能力在组织内部重新分布。
https://x.com/zarazhangrui/status/2088087765267386564
FPV Ventures 合伙人 Nikunj Kothari
Nikunj Kothari 从产品设计角度讨论了 agent 应该采用单一总控还是多个专用角色。Grok Bot 的设计倾向于后者，让不同 bot 分别保存特定工具、上下文和目标，用户根据任务选择对应对象。这种方式类似组织中的人员分工，也能适应当前 context window、tool use、复杂度和成本限制。另一种路径则更接近 Jarvis，用户只面对一个 master agent，由它在后台创建、协调和读取其他 bot。Nikunj 判断，产品初期会继续从单一任务切入，但长期可能转向一个能够编排多个 bot 的 master agent。他还以家中使用 Matic 机器人的经历说明，有用的家用机器人已经能够成为家庭生活的一部分。两项观察分别指向软件 agent 和实体机器人，但都强调用户最终关心的是稳定完成目标，而不是底层系统包含多少个独立组件。
https://x.com/nikunj/status/2087906119914340540
https://x.com/nikunj/status/2088029329624371544
播客
No Priors — What Chess.com Teaches US About Superhuman Capabilities, with CEO Erik Allebest
核心要点：即使计算机早已在棋力上超越人类，人的参与感、技能成长和社区体验依然可以支撑一个巨大的产品市场。
Chess.com CEO Erik Allebest 在 2005 年与朋友以 $56,000 从破产拍卖中买下 chess.com 域名。当时他在 Stanford Business School，接触过不少投资人，却被普遍告知国际象棋是不可投资的小众项目。两人没有融资，由担任产品角色的 Allebest 与作为 CTO 的朋友从社区产品开始建设，2007 年上线后通过在线棋类学习会员逐步实现盈利，并始终按照现金收入扩张。
如今 Chess.com 约有 1,000 万日活用户、4,000 万至 5,000 万月活用户、超过 2.5 亿注册会员，年度收入预计超过 $200 million，团队约 650 人。增长并非一次事件带来的短期峰值。COVID、《The Queen’s Gambit》、学校中的儿童用户、短视频内容、Mittens bot 和作弊丑闻先后制造流量波峰，但每次回落后的用户基线都高于此前。Allebest 的长期目标已经从经营棋类社区扩大为让 10 亿人参与国际象棋。
产品策略的关键不是抢先融资占领市场，而是持续优化玩家体验。早期团队选择免费游玩、浏览器直接运行，并以自己作为棋手真正想使用的体验为标准。Allebest 对创业者的建议同样反主流：“听从自己的内心，想清楚你希望世界上出现什么，然后坚持不懈地去实现它。”他的团队当年选择远程办公、不融资、不购买用户，并进入一个被认为太小的市场，几乎与当时的创业模板完全相反。
AI 在 Chess.com 内部首先被用于缩短“发现问题”到“代码上线”的距离。它协助客服自动化、数据分析、规格编写和 agentic development，公司还建设了带权限控制的内部认证与知识层 GNS。产品侧则在开发随身 AI 教练，通过汇总玩家数据、比较相近及更高水平用户，找出晋级所需的改进点。原型中的教练还能分析用户过去一周的棋局，主动给出反馈并进行聊天，但 Allebest 明确认为它不替代需要深度指导的人类教练。
Chess.com 也在把棋类经验扩展到 poker 和其他经典游戏。其 poker rating 试图衡量玩家“究竟有多强”，综合同桌玩家等级、赢得的筹码和牌局数量，而不是只看谁投入的钱更多。Allebest 认为，rating 最终可能像金钱一样重要，因为它代表玩家对自身技能与价值的判断。更大的启示是，superhuman AI 不会自动消除人类技能的意义。技术既可用于改善教育和解决社会问题，也可能加剧财富集中，决定结果的仍是人类如何设定规则、分配收益并承担治理责任。