Nan Yu
Nan Yu 认为，除少数情形外，群聊是很差的多人 AI 体验，很容易产生套路化输出。这条是他的产品判断，原文没有展开具体失败案例或替代设计。
Thariq
Thariq 使用一周后的体会是，做出好工作不需要无限 tokens，200 美元档位已经很好用。他还判断，智能当前的价格会是未来最高的水平；前半句是个人体验，后半句是价格趋势判断。
Dan Shipper
Every CEO Dan Shipper 觉得 argon 的表现很好，同时把一部分吸引力归于 Antigravity 仍像停留在 2025 年，尚未增加大量复杂功能。他另附 Every 对 argon 的 vibe check，供读者进一步查看。这是他的使用观感和阅读推荐，没有给出可复现的对照测试。
Nikunj Kothari
Nikunj Kothari 预告旧金山线下活动 Slice for Thought，首位嘉宾是 OpenRouter 洞察负责人 Peter Walker，时间为 11月4日中午。活动每次 60 分钟，前 45 分钟由他提问，后 15 分钟让嘉宾向他询问 venture 相关问题。每周三提供披萨午餐，开放 10–12 位听众参与并提问，遵守不公开记录及 Chatham House Rules，报名链接在原帖。另一条调侃说，创业公司模糊晒营收到启动融资相隔约 11 天，标注 n=17 并称用了 Grok Bot。这是他的小样本观察，不足以推出普遍融资规律；活动日期属于预告时点，恢复发布时已经过去。
Thibault Sottiaux
OpenAI 的 Thibault Sottiaux 说，团队终于可以开始谈他们的 Git 工作，并向相关团队致意，但这条没有展开技术细节。他另一条介绍，dot 会按任务选择模型，并在工作不同部分调用不同模型。可确定的是这项路由主张，具体支持模型、选择规则和开放时间原文没有说明。
Guillermo Rauch
Vercel CEO Guillermo Rauch 认为，无状态沙箱不是合适的评测基准，因为 agent 需要随身带着身份、skills、代码仓和记忆等工作空间。他说 Vercel Sandbox 团队在优先考虑可靠性与安全的同时，兑现延迟与吞吐量目标。他还提到，集群已覆盖 19 个全球区域、每周推出功能，并面对每周两位数百分比的客户需求增长。这里的区域和增长数字均来自他的陈述。他强调评测对象要涵盖真实工作空间，原帖未提供各项服务目标的具体数值或独立测试。
Garry Tan
Y Combinator CEO Garry Tan 关注小模型的一种新用法，即直接操作权重，并附上相关链接。另一条更新说，Capy Captains 让他的 issue 修复吞吐量一夜间提高约 5X。他把关键变化归于能够跨 captains 与 subthreads 协调。这是他的个人工作结果，原文没有给出任务集合、计时口径或对照条件。
Peter Yang
Peter Yang 认为，写作与编辑模型的表现可能被 harness 限制。他让 ChatGPT 与 Gemini 对同一篇帖子提出修改，觉得 ChatGPT 的建议大多不好，Gemini 的建议则很好。但他当时没能在 Antigravity 中获得可用的浏览器操作，只能把 Gemini 修改建议贴回 ChatGPT，让后者在浏览器里执行。他希望 Antigravity 尽快改进。这个例子区分了改稿质量与操作界面能力，结论限于他这次使用体验。
Aditya Agarwal
Aditya Agarwal 预告 WisprFlow 联合创始人兼 CEO Tanay Kothari 将于 11月12日回到 SPC 交流。他介绍对方是四次创业者和 IOI 奖牌得主，并称公司近期以 2B 美元估值完成 280M 美元 Series B。活动名额有限，另帖提供申请入口；融资数字按预告归属，不冒充独立核验。
Amjad Masad
Replit CEO Amjad Masad 主张，AI agents 应在专用、由组织控制的环境中运行，只能接触各自任务需要的资源。他强调环境归组织管理，资源权限随任务限定。原文没有给出某项产品的具体实现或完整安全审计，不能把这一原则写成已经验证的防护保证。
Latent Space — Building Legal Agents When You Can't See the Data - Jacob Lauritzen, CTO of Legora
核心要点：看不到客户的真实工作轨迹，也要把法律 agent 的评测、引用核查和权限边界做成产品的一部分。
Legora CTO Jacob Lauritzen 介绍，产品从接入瑞典法律与搜索的问答工具，扩展到起草、文件编辑、批量审查和工作编排。法律工作经常涉及客户保密材料，软件供应商并不能因为服务律所就查看全部数据。他说：“我们基本上看不到任何轨迹。”因此改进产品不能默认把线上原文交给工程师。
评测先拆任务与执业领域。工程师与律师一起构造接近实际项目的环境，例如一万文件的数据室，再分别检查风险识别、分析和报告起草。模型升级可能改善一类任务、却让另一类退步，不能只看总体排名。线上信号尽量收敛到任务类别和已知失败类型；只去掉姓名未必足够保护保密材料，需要客户愿意提供可重现的匿名样例。
Tabular Review 把每份合同放到一行，每列是终止期、知识产权等问题。系统先跑前十行，让用户调整问题和检查结果，再放大到全量。单元格可以标记已审阅、风险和评论，并沿引用回到原文件。Agent 引用表格结果时，还能继续向下追到原始证据；提供可点引用也不代表每位使用者都会认真复核。
工作编排采用可组合构件。Intake 从 Slack 接入请求、写入 Lists，律师和 agents 在产品里推进，完成后返回 Slack。法律工程师像资深用户一样配置流程，前线部署工程师则为复杂集成写代码，并把缺失能力反馈给核心产品。后者通常仍不接触客户正文；必要时需按客户员工方式正式接入。
模型选择还要同时考虑延迟、成本、治理和地区可用性。团队考虑针对边界明确的检索任务做后训练，而不是重造主 agent 的通用模型。长合同跨段修改、定义一致性和分块检索仍有难题。Lauritzen 所谈的 agent 充当 API 只是探索，执行成本、延迟和不确定性都待解决；律所业务与岗位变化也属于判断，不能据此宣称初级律师已经被替代。