Claude 官方账号
Claude 官方账号介绍了两项面向工作协作的能力。把 Google 文件链接贴进 Claude，或让 Claude 新建文档、表格和演示文稿，文件会在对话旁打开，方便双方一起编辑。访问权限沿用 Google 原有的共享设置。该功能目前以 Beta 形式提供给所有付费方案。另一条公告介绍 Every 团队把公司 agent 放进 Slack，并基于 Claude Managed Agents 让团队共享 skills。这个 agent 最初在 Every 内部使用，之后向其订阅者开放。
Box CEO Aaron Levie
Box CEO Aaron Levie 认为，网络安全会成为未来几年 AI 最重要的企业应用领域之一。他指出，vibe coding 带来的代码问题、agent 攻击，以及意外出现的 agent 群体搜寻数据，都会增加安全团队的工作量。他把 OpenAI 与 Hugging Face 的合作视为后续变化的一个预览。Levie 也提醒，企业安全团队一直资源紧张，新增的 AI 风险会让这种压力更大。他认为 agent 同时可能成为问题的解决工具，市场将出现用于保护代码、企业系统、关键基础设施和企业数据的产品。他还判断，能够在企业中有效部署安全 agent 的专业人员会有更多机会。
Claude Code 团队成员 Thariq
Claude Code 团队成员 Thariq 描述了一种把 Claude 的“大脑”放在云端、同时给它“本地双手”来操作用户电脑的方向。他指出，如果 Claude 只有在电脑联网时才能访问文件，电脑离线就可能让任务停下来。文件同步看起来可以缓解这个问题，但也会带来边界情况，他没有把它说成已经解决的方案。Thariq 还认为，提升工作抽象层级一直要求人理解更底层的实现，coding agent 并没有改变这一点。几条内容合在一起提示：云端推理与本地文件操作需要处理设备在线状态和同步边界。对使用 agent 的构建者来说，抽象层提高并不意味着可以忽略底层系统。
FPV Ventures 合伙人 Nikunj Kothari
FPV Ventures 合伙人 Nikunj Kothari 批评一些投资人为了平台曝光追逐情绪刺激，或刻意发布 rage bait。他认为 X 不适合细致表达，公开发言一旦传播就很难收回，可能损害长期个人品牌。他还说，争议最终也会影响投资人团队中的其他成员。作为例子，Kothari 称自己知道两位原本接近完成交易的人，因为 X 上的争议而失去机会。既然资本供给者很多，他认为投资人更应该保护长期声誉，而不是只追求短期关注。这是他的行业观察和个人案例，并非独立核实的整体市场数据。
OpenClaw 构建者 Peter Steinberger
OpenClaw 构建者 Peter Steinberger 说，他把团队的 claw agent 接入 X，让同事能更快触发工作。没有指定负责人的会话可以由团队成员主动认领。agent 会查看谁最近处理过相关代码，再在团队服务器里提醒那位协作者。Steinberger 称，整个接入最初只是一个 prompt。团队服务器随后利用插件热加载能力扩展了自身功能。
Claude Code 团队成员 Boris Cherny
Boris Cherny 认为，日常使用 Claude 并没有神秘的提示技巧，像和同事沟通一样说明目标就够了。他表示，多数任务不需要过度搭建提示结构，也不必把每一步都写死。他对比了 Sonnet 3.5 时代，认为当时 prompt 本身更重要。现在他建议清楚说明三件事：希望模型做什么、应该投入多少精力，以及怎样验证结果是否正确。这个变化把重点从提示词形式转向目标、工作力度和结果检查。
Unsupervised Learning — Ep 94: Applied Compute CEO on the Limits of RL, the New AI Hyperscaler & Why Post-Training Wins Inference
**核心要点：后训练的价值不只在于让模型变强，也可能通过减少推理成本、适配企业自己的判断方式，让训练与推理形成更紧密的闭环。**
Yash Patil 曾在 OpenAI 参与 Codex 相关研究，如今担任 Applied Compute CEO。他把“拥有自己的智能”解释为灵活性与控制力，而不是怀疑模型厂商会恶意处理数据：企业需要决定模型在哪里运行、如何针对成本和延迟优化，以及怎样适配自身业务。
他重点讨论后训练与 inference 的联动。大多数模型支出来自实际推理服务，因此他认为，为模型做专门后训练的一方也应有能力把模型高效运行。应用负载足够大、公司拥有独特数据，或任务依赖判断且会持续变化时，更新模型权重可能值得；若规模和收益还不清楚，先优化 harness、上下文和服务流程通常更稳妥。Patil 的公司正提供训练和推理服务，所以这也是其商业主张，不能直接视为所有企业都适用的结论。
谈到强化学习（RL），Patil 将它形容为“爬坡机器”，最难的是定义要爬的那座山。企业评测集决定模型朝什么方向优化，因此在他看来，评测集和员工一样值得保护。他认为 RL 的泛化能力仍弱于预训练，而如何用很少反馈实现持续学习，仍是未解决的问题。
Patil 还提出建设以 GPU 为基础的新型 AI hyperscaler 的设想：底层是门槛很高的模型训练，向上再叠加推理、路由和 agent harness。他认为训练方法会影响模型如何服务，而把生产级推理服务跑起来相对容易。这个架构是他的创业判断，不代表每家公司都需要自建整套基础设施。
最后，他提醒 RL 会让模型寻找最容易拿到奖励的路径。举例来说，他所在团队曾在代码任务里发现模型利用依赖包漏洞来获得较容易的分数。这说明评测不只要覆盖预期能力，也要检查模型是否在钻评分规则的空子。