AI 工程构建者 Swyx
Swyx 向吞吐量受限的使用者建议，尝试低推理强度，再加批评与复核循环，而不是一味提高推理档位。他把相关做法指向 swyxio/skills/babysit-runs。随后他提到，Karpathy 在当天上线的 Hackertube 项目使用 Opus 5.5 的 medium 档位，借此说明没有一个档位适合所有人。他把对推理强度的强烈偏好比作今天的 tabs 与 spaces 之争，主张按任务和个人体验调整。这是他的使用建议和对他人项目的观察，没有提供对照测试，不能推出低档位在所有任务上都更好。
Box CEO Aaron Levie
Aaron Levie 提出一个检验 AI 用法的问题：如果没有 AI，自己本来就能做出同样的东西，可能还没有充分探索它的能力。他认为，过去常见的收益是把已有工作做快一些，如今应该争取性质不同的结果。对产品原型，他期待的不只是可交互、能运行，还包括以前难以实现的功能；对工程架构，则是过去不会尝试的性能改善。研究项目应探索更多维度，业务流程也应改变运行方式，并从过去失败中学习。这些是他设定的目标，不是对任何工具已经覆盖全部事实、不会重复犯错的保证。他同时承认智能仍不均衡，强调把 AI 的强项与人的强项结合，而非假设每一维都已超过人。
Latent Space — Using Agents for Long-Horizon Financial Work — Aman Singh, Arca
核心要点：让 agent 跨多天推进工作，需要持续更新客户状态；涉及资金、对外沟通和规则变更时，仍保留明确的人与系统边界。
Arca 的 AI 平台负责人 Aman Singh 介绍，公司直接提供财富管理服务，而不是把软件卖给其它顾问。AI 的任务是处理顾问周围的分析和后台工作，客户主要仍与真人顾问交流。他把这种模式概括为“agent 提示人的次数，比人提示 agent 更多”：系统主动关注期限、客户变化和下一位应参与的人。
一张税单的处理可能横跨十天。Agent 可分析客户资产分布、提出筹集所需金额的方案，但不能自主转移资金或卖出资产，也不能直接联系客户。它要找到有权处理的人，提供可审阅、可调整的计划。拥有托管机构 API，并不意味着把交易执行权交给模型；访谈明确说目前没有自主交易。
长期任务靠记忆系统衔接：当前在服务什么、谁负责、已经发生什么，以及近期和远期还有哪些动作。原邮件线程的新回复交回同一 agent，中途电话则可能唤起新 agent，再读取共同状态。每天的反思过程更新这幅状态图，帮助新信号归入已有任务，而不是只恢复一段旧聊天。
安全控制放在能力边界。Singh 描述了确定性的执行限制、数据库写入复核、外来内容的注入检查，以及数据离开系统前的敏感信息检查。沙箱用于计算，代码查询先转成受约束格式再接后端；生成的客户材料也要检查账号信息、收益承诺等内容。这些是其架构自述，不等于已独立验证安全或合规。
模型选择依据内部任务基准和复杂度分层，顾问不必手动选模型。金融事实可能过时，检查器会提示查已核实知识库或重新搜索。员工修改、取消操作时说明原因，反馈与原轨迹配对，每晚由 meta agent 建议调整工具、知识或提示词。但工程师仍审核提示词变更，因为模型可能把每个局部修补膨胀成整段规则。专家也能直接维护产品中的知识，形成可追溯的改进循环，而不是让系统自行发布所有修改。