“2028 末世论”是怎么回事：AI 成功后的压力测试
“2028 末世论”并非宗教预言，它来自 Citrini Research 在 2026 年 2 月提出的一套 AI 宏观压力测试：如果白领自动化跑得太快，产出增长反而可能先撞上就业、消费和资产价格的连锁下行。
- “2028 末世论”的源头是一篇情景推演，不是对 2028 年必然发生结果的正式预测。
技术沉思、行业观察与人物线索，都收在这里。
这里汇总的是 Freelemon 的长文。现在列表页不再只有单一时间线，而是把搜索、标签和专题阅读放到同一层里： 技术沉思 偏系统、方法与工程判断， 访谈 偏一手观点整理与人物表达， 行业观察 偏竞争格局、平台变化与商业判断。
Latest Archive
最新文章归档
专题区负责导读和阅读路径，这里保留完整的时间线归档，方便你按最近更新时间继续往下翻。
别把 AI 当外包商：软件研发里更稳的协作四分法
团队真正需要的不是“尽量多把活扔给 AI”，而是一套能按风险、可验证性和学习价值来分工的方法。研发协作的关键，不在全信或全禁，而在于给不同任务安排不同的人机关系。
- 同一个 AI 工具，不应该用同一种协作方式处理所有研发任务，关键在于先给任务分级，而不是先给工具站队。
AI 改写了编码，为什么软件复杂性还在
AI 已经改写了编码、测试和局部修复这些实现层工作，很多团队也真实感受到了提速，但软件复杂性没有一起消失。系统边界、组织协作和长期演化，仍然决定大多数难题。
- 编码这一层已经被明显改写，AI 正在接管一段连续的软件工程工作流。
AI Agent 对软件工程的替代，究竟推进到了哪一步
关于 AI 是否替代软件工程师，真正麻烦的不在答案太极端，关键在于证据来自不同层面。能力、采用、岗位和组织四条线并不总是同向移动，眼下更像一场分层推进，而不是一次整齐替代。
- 从任务能力看，AI 已经能吃下相当一部分编码、调试和界面实现工作，但这不等于整份工作已经被整体替代。
把这期 GTC 播客里的事实、判断和押注分开看
这期播客信息很满，但不同句子的分量并不一样。把官方口径、财报事实、一线体感和前瞻押注分开看，节目里哪些地方站得稳，哪些地方仍要等，就会清楚很多。
- 两位嘉宾共同说中的，是英伟达正在从卖单点芯片走向卖整套系统，这一点已有公开信号支撑。
把这期 GTC 播客里最难懂的几个词讲明白
这期播客难听懂，主要不是因为观点多，而是术语扎堆。AI 工厂、prefill、decode、KV cache、MoE 这些词一旦理顺，姚欣和季宇的分歧就会清楚很多。
- 这些术语连在一起，讲的是同一件事：推理系统正在同时和延迟、吞吐、内存与成本打交道。
季宇为什么把英伟达看成 AI 时代的大型机公司
看完 GTC，季宇先想到的不是一块卡快了多少，而是整台机器越做越大了。CPU、GPU、网络、LPU 被一起打包进系统之后，英伟达更像一家卖大型机的公司，这也是他整段访谈的出发点。
- 季宇看到的变化，是英伟达正把 CPU、GPU、互联和新架构芯片一起装进一台更完整的机器里。
GTC 开场前，姚欣真正押注的不是一场发布会
姚欣的判断值得看，不是因为它预测了多少新品，而是因为它把英伟达放回了更长的产业周期：算力、系统集成、企业落地和资本开支怎样一起构成 AI 的下一阶段。
- 姚欣谈得最多的是需求侧，重点落在推理、agent 和基础设施扩张正在同一时间升温。
为什么越往后走，AI 竞争越不像模型竞赛，越像一场基础设施竞赛
模型当然仍是 AI 竞争的底座，但越往后走，真正锁定客户、提高迁移成本、决定长期利润结构的，越来越是连接器、运行时、评测、权限、协议和部署能力这些基础设施层。
- 模型决定能力上限，基础设施决定能力怎样进入组织、留在组织，并最终形成迁移成本。
传统 SaaS 转向 AI：要重写的不只是产品，还有公司结构
传统 SaaS 公司转向 AI，真正难的从来都不在接入一个模型接口，而在定价、交付、组织分工、数据资产和产品边界要一起重写。能不能转型，先是公司战略问题，然后才落到功能层。
- 这轮转型最后会体现在收入质量和估值逻辑上，核心变量是上下文、动作权限和结果交付，不是页面多几个 AI 按钮。
AI 到底是指数增长，还是已经进入加速段
先用图讲清线性、指数和增长率继续上升三种曲线，再回答一个更具体的问题：截至 2026 年 3 月，AI 前沿能力已出现加速迹象，但整体经济层面还没有同步进入加速指数增长。
- 先分清固定增量、固定比例和增长率上升，才不会把三种曲线混成一句口号。
英伟达收编 Groq 之后：更强的系统，不会更轻
如果英伟达真的把 Groq 纳入版图，它得到的会是一层更重的系统能力与分发控制。交易的意义更接近补齐结构，重点落在异构 AI 工厂的整编，重资产方向本身并不会改写。
- 2025-12-24 公布的是非独家技术授权，英伟达刻意规避了最重的组织整合风险。
群友的AI Agent协作方法论参考
与 Agent 协作时，最关键的不是把提示词越写越细，而是先判断任务是否落在它的能力边界内，再决定该放手、补足，还是拆解。真正拉开效果差距的，是边界判断、任务粒度、验证机制和干预时机。
- 控制强度应与能力缺口成正比，覆盖度高就放手，覆盖度一般就补信息，覆盖不了就拆任务。
LeWorldModel 的真正价值：给大模型补上一层物理直觉
LeCun 团队的 LeWorldModel 价值不在于“世界模型终局已到”，而在于它用更简单的 JEPA 训练方式，把轻量、快速、可规划的物理建模重新带回了台面。
- LeWorldModel 证明，小参数世界模型也能在特定控制任务里做到稳定训练、快速规划和有意义的物理表征。
更强 AI 的下一步，也许不在“更像人”这条线上
如果意识不是工程目标，那么更强 AI 的演化方向就没必要沿着“更像人”展开。真正值得追踪的，是架构、记忆、工具使用、世界模型和多代理协作这些更具体的系统变量。
- 未来更强 AI 的主战场，更像系统架构，而不只是参数规模。
当顶级程序员开始少写代码，软件工程的重心移到了哪里
Karpathy、Yegge 与 Peter Steinberger 指向的，是软件工程分工的上移：代码生成更便宜后，规格、验证、门禁、回滚和长期维护变成更稀缺的环节。变化的核心是责任位置重排。
- 顶级程序员减少手写代码，背后是工程重心从编码转向约束、验证和审计。
Arm 做 AI 芯片了吗：边界比口号更重要
Arm 的动作很容易被读成全面下场做 AI 芯片，但更准确的判断是：它在试图沿着设计、平台与定制化能力继续上探，却还没有变成另一家以整卡和整机为核心的基础设施公司。
- Arm 的转型沿着 IP、CSS、Total Design 到自有硅产品逐层上移，不是临时起意的跨界动作。
黄仁勋在 Lex 播客里真正讲清了什么是 AI 工厂
这场对话最值得看的，不是金句，而是黄仁勋如何把 AI 从模型讨论重新放回工厂、资本开支、基础设施与国家级算力组织。AI 工厂不是比喻，而是他组织整个产业判断的核心框架。
- 黄仁勋把 AI 竞争讲成了整套系统工程竞争，计算单位已经从 GPU 走向 pod、机房和 AI factory。
QVeris、LangChain 与 Agent 分层
QVeris 更像能力发现与统一执行层，LangChain、LangGraph 和 Deep Agents 则分别落在 framework、runtime 和 harness。把它们写成同类替代品，会直接讲乱技术栈边界。
- QVeris 当前公开交付的是 tool search + tool execution，更像能力路由层。
05｜YC W26 长周期赌注：研究型公司的时间尺度
CellType、Polymath 和 Ndea 代表的不是同一种 AI 创业，而是三种更长周期的技术押注。评估它们，不能只问今天有没有收入，更要问科学路径、资本结构和下一轮验证点。
- CellType、Polymath 与 Ndea 的共同点不是都很前沿，而是都更依赖长期研究正确性而不是短期销售效率。
04｜YC W26 Physical AI：机器人项目如何穿过部署现实
机器人叙事最容易被 demo 放大，真正决定成败的却是部署、单位经济、数据闭环和现场复杂度。这一批公司值得看，但必须按比 SaaS 更重的现实标准来判断。
- 机器人应用层最先成立的地方，往往不是通用 humanoid，而是单场景、高 ROI、流程极痛的工业与农业动作。
03｜YC W26 Agent 基础设施：谁在争下一层控制点
Agent 基础设施会热，但热不等于都能长成平台。真正需要追问的，是身份、运行时验证、编排、监控和支付之中，哪几层站在动作执行与价值流转的关键入口上。
- 最值得重视的控制点，是 orchestration、runtime action validation、identity governance 和 payment rails。
02｜YC W26 医疗 AI：同一标签下的四条兑现路径
医疗 AI 最容易被一句话讲乱。行政自动化、患者前端、临床辅助与长期管理看上去都在用模型，商业节奏、监管压力和兑现方式却完全不同。
- 最接近真钱的医疗 AI，往往先发生在前台、计费、排班与保险环节，而不是最宏大的临床叙事。
01｜YC W26 收入型 Agent：谁最先逼近真钱
这一组公司最值得看的，不是 agent 叙事本身，而是它们已经切进愿意持续付费的工作流。判断它们的关键，不是模型炫技，而是交付质量、替代强度和留存路径。
- 结果型 Agent 的关键不在于会不会自主规划，而在于客户愿不愿意按结果持续付费。
00｜YC W26 Agent 创业地图：27 家公司该怎么分层
这组稿件不把 YC W26 的 Agent 项目混成一个总口号，而是按结果型产品、医疗、基础设施、机器人和长周期研究五个框架重排。真正重要的不是谁最像 AI 员工，而是谁占住了预算、控制点与时间窗口。
- 最应该优先看的，是已经切进结果付费工作流的公司，而不是口号最响的通用 Agent。
费曼之后：技术为什么不断制造新的图腾
费曼今天最值得重读的，不是他像先知一样预告了哪些技术，而是他反复提醒：一旦人们只保留科学和工程的外形，不再追问证据、边界与失败条件，技术就会从工具变成图腾。
- 费曼反对的不是技术野心，而是只保留科学外形、不保留自我怀疑的工程文化。
心源性猝死：真正危险的不是某一个坏习惯
熬夜、久坐、剧烈运动和睡眠不足都可能推高风险，但真正需要警惕的，是这些因素怎样在心血管基础状态不佳时叠加成事故条件。把单一习惯妖魔化，反而会遮住真正的防线。
- 熬夜、久坐和缺乏训练会一起抬高心血管负担，不宜拆开理解。
Self-Evolving Agents：自进化研究地图
自进化 agent 听上去像终局叙事，但当前研究真正提供的，更多是一张问题地图：评估如何设计、反馈如何形成、记忆怎样约束、改进怎样不失控。地图重要，胜利尚早。
- 它的核心贡献不是执行能力，而是把自进化 Agent 研究整理成四条主轴。
Swarms：多 Agent 工厂化的野心与代价
Swarms 的吸引力在于它不满足于单个 agent，而是试图把多 agent 策略批量化、模块化、产品化。但一旦走向工厂化，复杂度、调试成本和可靠性问题也会同时放大。
- Swarms 的核心不是某一种工作流，而是用一组预制架构把多 Agent 协作做成可选择、可切换的策略集合。
OxyGent：多 Agent 底盘为什么先要可伸缩
OxyGent 想解决的不是再造一个会聊天的 agent，而是多 agent 协作一旦进入长链路任务，状态、扩展性和系统稳定性如何一起成立。可伸缩性不是锦上添花，而是底盘前提。
- OxyGent 的核心表达不是某一种固定流程，而是把工具、模型和 Agent 抽象成可拼装的 Oxy 组件。
SICA：在自我进化之前，先把评估做硬
让 coding agent 自我改进听上去像自然下一步，但如果评估体系不够硬，所谓进化很容易只是噪声累积。SICA 的意义，在于先把怎么验证变好摆到系统中心。
- 这个项目最核心的不是自改代码，而是把自改进收敛成“评估-归档-修改-再评估”的实验闭环。
crewAI：把多 Agent 从概念秀拉回工作流
crewAI 值得看的地方，不是把多 agent 说得更宏大，而是把角色分工、任务编排和流程可见性收回到工程可执行的范围。它代表的是多 agent 从演示叙事向工作流产品的回落。
- crewAI 最早吸引人的是角色协作，后来真正补强的是 Flows、Memory 和可观测性。
Agent Orchestrator：并行 Agent 的后勤层
并行 agent 的难点，不在再多开几个模型窗口，而在任务拆分、依赖协调、结果合并与失败回收。Agent Orchestrator 的价值，是把这些后勤工作从演示效果推进成可持续工程。
- 它的核心，在于给每个 Agent 独立 worktree、分支和 PR 槽位。
AI 芯片与云厂商：控制点正在重新分配
AI 产业的竞争重心，正从单点模型能力转向芯片、云、数据平台与交付渠道的重新结盟。真正能持续拿到利润的，往往是站在企业系统关键控制点上的玩家。
- 海外 AI 产业已经从模型竞赛进入联盟竞赛，控制点正在向芯片、云和数据平台重新集中。
从信息流到知识层：怎样筛出值得长期沉淀的可靠知识
做知识库最容易犯的错误，不是漏掉几条信息，而是把所有信息都当知识留下来。真正值得长期保留的，不是“今天重要”的内容，而是 30 天后、90 天后还能支持判断、设计和行动的内容。
- 信息排序解决的是“今天先看什么”，知识沉淀解决的是“未来还该保留什么”，这两个问题不能共用一个分数。
Agentic Web：当 AI 代理开始替人上网
如果主要上网“客户端”逐步从人变成 AI 代理，互联网真正要重写的就不只是搜索入口，还包括接口层、支付层、身份层和预算层。Agentic Web 的核心，正在变成一张机器之间可调用、可结算、可审计的执行网络。
- 浏览器型代理证明了 AI 已能替人操作网页，但它更像过渡性的义肢，而不是最终形态。
WordPress 和 Hexo 之外，独立博主还需要什么
对认真独立建站的博主来说，真正缺的往往不是再多一个博客程序，而是一套能同时承接采集、生成、审计、发布、主题切换和运维的内容操作系统。WordPress 和 Hexo 很成熟，但它们主要解决的仍是上一代建站问题。
- WordPress 解决的是后台运营，Hexo 解决的是静态生成，但两者都还不是一条 Agent 原生的内容生产线。
外刊精读｜AI 热潮如何从机房一路传到董事会
这四周真正该留下的，不是一串工具名，而是一条更稳的传导链：AI 热潮先受制于电力和资本开支，再进入代码评审、PR 与后台代理流程，随后撞上课堂与劳动市场，最后反噬推动热潮的组织治理本身。
- 这四周真正拼出的，不是一份时间表，而是一条从机房到后台代理、再到制度和董事会的传导链。
外刊精读｜最值得吃透的 AI 四层现实
如果把这个月的外刊精读只理解成“推荐 4 本杂志”，价值会被大幅浪费。真正该吃透的是同一轮 AI 热潮背后的 4 层现实：基础设施与国家能力、软件工作流重写、学校与劳动力市场失序、组织与权力结构膨胀。
- 这个月最值得精读的主线，不是单个 AI 产品，而是 AI 同时重写基础设施、工作流、制度和组织。
外刊精读｜同一项技术，为何会被写成美国、中国与欧洲三种故事
外刊最值得学的地方之一，是它会先定义问题，再给结论。把 AI 芯片、大模型和智能汽车放在一起看，美国常写领先与平台，中国常写落地与效率，欧洲常写责任与边界。读懂这三种写法，你才能把外刊为我所用，而不是被任何一种叙事带着走。
- 比较国家叙事时，最重要的不是态度差异，而是各自默认的增长、控制与风险框架。
AI 程序员面试答案：10 题评分点与识别信号
AI 时代的程序员面试，答案不该停留在“我会写提示词”。更有区分度的，是看候选人能不能把 AI 放进明确的任务边界、验证闭环和责任链里。下面这篇把前一篇 10 道题，进一步拆成优秀回答、中等回答和危险信号。
- 每道题都给出优秀回答、中等回答和危险信号，方便快速区分候选人的真实水平。
AI 写代码之后，程序员面试该问什么
如果代码越来越多由 AI 生成，面试就不该再把重点放在徒手写实现，而该转向任务定义、上下文组织、验证闭环和责任承担。下面这 10 道题，适合直接拿来面试允许使用 AI 的程序员候选人。
- 这 10 道题不考候选人会不会背提示词，而是考他能不能把问题说清、把边界压清、把结果验清。
外刊精读｜《纽约客》如何写透 OpenAI 组织张力
《纽约客》写 AI 公司最有价值的，不是八卦，而是它能把 OpenAI 的理想主义、商业化、安全叙事与权力斗争写成立体现实。读完之后，你会更清楚这类公司为什么总在扩张中积累张力。
- 《The New Yorker》写 OpenAI 时，最重要的不是人物传奇，而是组织内部长期无法消失的张力。
外刊精读｜《大西洋》如何写透 AI 秩序冲击
《The Atlantic》最值得精读的，不是它替你表态支持还是反对 AI，而是它总能比行业媒体更早抓住那些会真正改变现实的问题：课堂里的信任崩塌、教师工作被挤压、白领岗位的缓慢重写、制度应对的迟缓。它写的不是功能，而是秩序。
- 《The Atlantic》讨论 AI 时，真正的中心不是模型能力，而是信任、制度和职业秩序。
外刊精读｜WIRED 如何写透 AI 编程重组
很多人看 AI 编程，只盯模型和演示。WIRED 最值得学的地方，是它反复盯着另外几件事：代码到底在哪个环节被自动化，错误和责任会怎么转移，团队流程会怎么被重写。读完这些文章，你会更接近真实的软件工程现场，而不是发布会现场。
- WIRED 写 AI 编程时，最关心的不是 benchmark，而是代码如何进入真实工作流。
外刊精读｜《经济学人》如何重写 AI 竞争坐标
很多人看 AI 外刊时，眼睛先盯着模型、产品和公司。但《经济学人》真正厉害的地方，是把你从这些表层热点里拽出来，逼你去看算力、能源、资本开支和国家竞争这些更慢、更硬的变量。读懂这一层，你对 AI 的理解才不会停在产品新闻。
- 《经济学人》讨论 AI 时，最核心的视角不是模型，而是算力、能源和基础设施约束。
OpenClaw 全球 B 端与 C 端使用现状对比
截至 2026 年 3 月，OpenClaw 在全球范围内更像一个先在 C 端和 prosumer 层爆发、再被 B 端试点和平台层承接的产品。C 端赢在入口和上手速度，B 端更可能在治理、托管、安全和组织化包装上沉淀收入。
- OpenClaw 的核心母体仍然是个人 AI 助手，而不是企业软件套件。
近期最值得读的 10 篇 AI 博客与研究长文
如果你最近只想集中读 10 篇真正能帮助建立判断的 AI 博客，这份清单比追资讯更划算。它覆盖 Agent 定义、评测偏差、软件工程、推理路线、系统安全和创业结构这几条最关键的线。
- 这十篇里最重要的不是新名词，而是它们分别重写了定义、评测和工程边界。
近期最值得看的 10 场 AI 播客与 YouTube 访谈
如果你只想补最近一轮 AI 讨论里最有信息密度的 10 场播客与 YouTube 访谈，这份清单足够覆盖模型、Agent、评测、编码、世界模型、机器人和 AI for Science 这几条主线。
- 最值得补的不是单条新闻，而是能解释 2026 年技术与产业分岔点的长访谈。
谷歌整合 AI Studio 之后，AI 开发市场会怎么变
这次被热传成“AI Studio 四个月重构”的事件，实质是谷歌把 Firebase Studio 的全栈原型能力收进 Google AI Studio，并把重度代码工作收敛到 Antigravity，开始把模型、后端和部署串成一条开发链。
- 谷歌这次收拢的不是单个前端生成器，而是“模型、原型、后端、部署、本地 IDE”整条开发链。
如果乔布斯在世，会不会做苹果 AI
乔布斯当然会做 AI，但他多半不会接受把 AI 先做成一堆零散功能、再慢慢补体验的苹果路线。对他来说，AI 不是新卖点，而是下一代操作系统的起点。
- 乔布斯不会拒绝 AI，他拒绝的是“先有名词、后有产品”的风口式发布。
扎克伯格急的不是业绩，而是 AI 卡位窗口
Meta 现在的节奏确实像急了，但扎克伯格急的不是广告业务失速，而是 AI 窗口期正在明显缩短，他必须把算力、能源、芯片和组织能力整体同时前置起来，尽快抢出时间。
- Meta 2026 年资本开支大幅抬升，说明它在用基础设施节奏抢时间。
xAI 到底是不是一家独立的 AI 公司
把独立 AI 公司理解为产品入口、数据来源、资本边界和组织边界都相对清楚的主体，xAI 就从来不是那种公司。它确实有模型、API 和超算，但更像马斯克商业体系里的 AI 中枢，而不是边界稳定的独立公司。
- xAI 不是空壳：它有 Grok、公开 API、独立应用和 Colossus 超算，这些能力都是真实存在的。
AI 开发者时代的四种关键原型与方法
如果你最近也在一边用 AI 写代码，一边又担心自己只是更快地试错，这篇文章想看的正是 4 种更稳的方向：Karpathy 讲学习，Simon 讲工程，Jeremy 讲主动权，swyx 讲生态与组织。
- 这四个人放在一起看，更像教学、观察、方法与组织四种 AI 影响力。
08｜小团队 + Agent，会不会变成新默认配置
Agent 不是只改变个人怎么写代码，它也在改团队怎么协作。swyx 这篇最值得翻出来的地方，是它把“少人团队为什么会越来越能打”讲成了一套组织问题，而不只是技术问题。
- Tiny Teams 不只是少招人这么简单，它更像是把 AI 放进组织设计之后形成的新运作模式。
张小珺技术解读地图：DeepSeek、Agent 与 VLA
如果前几篇张小珺系列文章是在看谁坐在哪张桌上，这一篇要解决的是另一件事：当你想补上她节目里最有价值的技术背景板，应该先听哪几期、按什么顺序、每一摞节目到底解决什么问题。
- 这条线和人物深访不是同一类内容：前者给你人物处境，后者补技术地板，两者合起来才是完整的时代切面。
07｜别一把梭哈给 AI：和它一步一步把问题做完
很多人以为用 AI 编程就是把任务扔过去、等它回一坨结果。Jeremy Howard 这篇真正有用的，是它提醒大家：更可持续的方式，是把问题拆成小步，让人和 AI 在同一个反馈回路里一起往前走。
- 真正稳定的人机协作，不靠一次生成很多代码，而靠连续的小步对话和验证。
06｜2025 年，Agent 编程为什么突然变了
过去一年如果你总觉得模型、Agent、写代码方式都像在突然提速，这篇可以帮你把变化串起来。Karpathy 的价值，在于他把 2025 年几个真正改变格局的转折点挑了出来。
- 2025 年最关键的变化，不只是模型更强，训练与推理范式也都在变。
国内大厂的利润表，正在被三股力量同时挤压
国内大厂这一轮真正承压的，已经不是营收增速本身，而是利润结构。AI 重投入、即时零售高竞争和旧业务利润弹性减弱三条线同时压上来，经营利润、自由现金流和估值框架都在重排。
- 这一轮大厂经营压力来自三股叠加力量：AI 重投入、即时零售与本地生活竞争升温、传统现金牛业务利润弹性减弱。
05｜Coding Agent 需要熟练操作者，它不会替你负责
Coding agent 当然有用，但它最依赖的，恰恰是前面那个会提清楚任务、会判断结果、会继续追问的人。真正被放大的，从来不是模型幻觉，而是操作者本身的清晰度和收口能力。
- Coding agents 依赖熟练操作者，不会天然替代熟练操作者。
04｜下一波 AI 大公司，为什么可能出在 Agent 层
模型公司当然重要，但下一波真正贴着用户、贴着任务、贴着业务结果长大的 AI 公司，未必还是卖模型的人，更可能是把模型、工具、工作流和场景绑在一起卖结果的人。这正是 swyx 这篇最值得抓住的判断。
- Model Labs 和 Agent Labs 的重心不同，一个更偏模型能力，一个更偏任务结果与系统编排。
03｜为什么代码会最先成为 AI 的关键突破口
如果你想理解为什么 AI 在代码、数学、规则题上进步得这么快，这篇几乎是一把钥匙。Karpathy 把问题压缩成一个词：可验证性。越容易自动判断对错的任务，越容易被优化，进展也越快。
- 软件 1.0 自动化的是你能明确规定的任务，软件 2.0 更擅长自动化你能自动验收的任务。
02｜别把 AI 写代码，最后写成一地鸡毛
AI 可以让写代码更快，但如果你把“更快”理解成“我可以不理解”，最后只会把自己带进更脆弱的软件和更浅的能力。Jeremy Howard 这篇最值得翻成中文的地方，是把“用 AI 还要不要讲基本功”说得非常具体。
- AI 写代码不会取消软件工程，只会放大你对工程的理解深浅。
01｜Agent 到底是什么：先把这个词说清楚
如果“Agent”这个词你已经听烦了，这篇最有价值的地方就是把它重新说清楚了。对今天的工程语境来说，Agent 更接近“用工具、跑循环、为了目标持续行动的 LLM 系统”，别再把它混成玄学人格或自动员工。
- “Agent”一词终于开始有了在工程沟通里可用的共同定义。
00｜如果你刚开始用 Agent 干活，先读这 4 个人
如果你最近开始用 Claude、ChatGPT、Cursor 或 Copilot 干活，这个系列不是拿来补 AI 史。它更像一条近作导读路线，帮你看懂 Agent 到底是什么、怎么用、哪里会翻车、团队会怎么变。
- 这不是经典文章库。更准确地说，它是一条更贴近 2025 到 2026 现实变化的 Agent 陪读路线。
张小珺 AI 访谈地图：这组文章最适合怎么读
这不是一篇普通目录，而是一张读法地图：张小珺的 AI 访谈已经足够多，真正重要的不是把所有标题抄一遍，而是先分清哪几张桌在说话，再决定自己该从哪里进入。
- 这组索引的目标不是列全标题，而是先给出一张能导航的地图，让不同背景的读者有不同进入路径。
张小珺 AI 访谈的另一半：研究者、创业者与投资人的那张桌
如果前几篇写的是做模型的人和做 Agent 的人，这一篇写的是张小珺 AI 访谈里另一半更杂、更关键的角色：前沿研究者、垂类应用创业者、账上有钱却还在找方向的人，以及不断给行业泼冷水的投资人。
- 姚顺雨把讨论从模型参数拉回人与系统的边界，他关心的不是单点能力，而是 AI 下半场如何重做世界。
当 AI 离开聊天框：张小珺访谈里的机器人、汽车与物理世界
如果前两篇写的是模型公司和 Agent 公司怎样在屏幕里争入口，这一篇写的就是另一件更硬的事：当 AI 要接管汽车、机器人和物理动作时，软件、世界模型、终端与时间尺度会一起改变。
- 张亚勤把 AGI 画成一张分阶段地图：先信息智能，再物理智能，最后才是生物智能，时间尺度和载体完全不同。
国内智能电车企业的 AI，已经开始分成四种做法
到 2026 年 3 月 19 日，国内智能电车企业的公开 AI 动作早已超出“把大模型塞进语音助手”这一步，开始重写智驾、座舱、车控与制造；真正拉开距离的，在于谁先把数据、算力、OS 和整车执行闭环跑通。
- 小鹏和蔚来都在把 AI 做成底层系统，但前者更像物理世界模型公司，后者更像芯片加操作系统公司。
从张小珺的 AI 深访里，看见 Agent 时代真正的产品线索
把肖弘、明超平、李想这些访谈接起来看，2025 年之后真正的变化不是大家都在做 Agent，而是产品定义从“一个会回答的模型”变成“一个能嵌进环境、持续代办并承接信任关系的活系统”。
- 肖弘最值得记住的不是 Manus 的热度，而是他对应用公司的方法论：预判模型下一个能力点，先在场景里等它到来。
从张小珺的 AI 深访里，看清中国大模型创业到底在争什么
把杨植麟、王小川、李开复几场最关键的对谈放在一起看，会发现中国大模型创业真正争的不是一时融资、榜单或估值，而是 AGI 北极星、技术与场景的咬合、推理成本和产品入口怎样同时成立。
- 杨植麟把问题拉回长期主义：用户规模和模型规模要一起扩张，应用不是附属层，而是验证 AGI 路线的必要环节。
中国大厂 AI 最近 70 天：入口、执行权与控制面的重新分配
今年一季度国内大厂的 AI 动作已经从“发模型”转向“抢位置”：阿里推进执行系统，腾讯卡住微信分发链，百度稳技术与云，字节加速 Agent 产品化，华为下探网络与运维控制面。
- 阿里正把千问从聊天入口往任务执行器推进，目标直指更长的服务调度链。
00. AI 进入组织之后，8 个岗位会先怎么重组
这组文章不讨论哪类岗位会被 AI 整批替代，而是追踪软件组织里的责任链会如何被重排：哪些执行环节变轻，哪些判断权上移，哪些角色会因为 Agent 变强而重新变贵。
- 这组系列真正关心的，不是岗位口号，而是责任、边界和交付链会怎样迁移。
03. 产品经理在 Agent 时代，会转向成功定义与边界设计
产品经理这类岗位短期更像是在换重心，而不是被整体替代。需求文档、调研摘要和会议纪要会更容易自动化，但成功定义、边界处理和取舍判断会变得更重要。
- 需求文档和纪要整理会更容易自动化，但目标定义和取舍判断并没有变轻。
04. 测试工程师会更靠近评测与放行规则
测试工程师不会因为 AI 更会生成用例就自然淡出团队，先变化的更像是测试岗位里的重复执行层。越往前走，测试越会靠近评测工程、verifier 设计、安全边界和放行规则。
- 最先变化的，是机械执行测试这一层，而不是负责质量边界和放行条件的人。
05. 架构师在 Agent 时代，会更像运行时设计者
架构师的工作不会因为 AI 更会写代码就自然缩小，真正被重新筛选的，是只停留在图纸层、不碰运行细节的那种工作方式。Agent 时代更稀缺的，是能设计状态、协议、权限和运行边界的人。
- 先被削弱的，不是架构深度，而是那种长期脱离执行、只在上层画图的工作方式。
06. 项目管理进入 Agent 时代之后，会更像流程编排层
项目管理不会整体淡出团队，但信息同步、状态跟进和会议纪要整理这类环节会更早自动化。更有价值的部分，会逐渐转向流程编排、升级路径、依赖管理、人工接管点和例外治理。
- 状态同步和信息搬运会更早自动化，但例外治理和依赖编排并没有变轻。
07. 当 Agent 开始读文档，文档会变成运行时上下文
文档不会因为生成式 AI 普及就失去价值，但那些“为了交付而交付”的说明书会更快商品化。更重要的文档，正在变成 Agent 和人共同消费的运行时上下文与约束层。
- 低价值文档最容易被生成式 AI 商品化，高价值文档反而会因为 Agent 普及而更重要。
08. AI 工具扩散之后，IT 部门会更像内部 AI 平台
IT 部门不会因为团队自助用 AI 工具就自然边缘化，先被压缩的更像是装机、开账号和工单分发这类旧式支持工作。接下来更重要的 IT，会更像内部 AI 平台、权限控制和治理团队。
- 先被压缩的，是 helpdesk 型、工单搬运型 IT，而不是负责身份、权限和审计边界的人。
黄仁勋 GTC 2026 演讲之后：谁会先被改变
黄仁勋这场 GTC 演讲把注意力从 GPU 型号表挪到了 AI 时代的新分工：模型公司会更深地卷基础设施，架构师和工程师要开始用 AI factory 的视角设计系统，普通人会先在本地助手、低成本推理和行业服务里感到变化。
- 对 LLM 玩家来说，竞争重心会继续从“模型能力”外溢到 tokens 成本、推理系统、长任务运行时和基础设施控制力。
罗永浩对谈闫俊杰：MiniMax、模型竞争与中国 AI 的第三条路
这期对谈里，闫俊杰反复强调的不是某个模型又涨了多少分，而是中国 AI 公司必须在资源差距、产品定义和组织方法上同时找到自己的路：把模型当产品本体，坚持多模态和 AGI 方向，用第一性原理做技术判断，再把能力交还给更广泛的普通用户。
- 闫俊杰把“模型即产品”讲得很彻底，应用在他这里更像能力分发和反馈回流的渠道。
AI 创业企业商业模式与成长性：一份投资视角备忘录
这不是一篇泛泛的行业热文，而是一份只保留可核验样本的投资视角备忘录。我更看重收入可见性、毛利修复路径、资本强度、分发控制力和估值张力，而不是谁在社交媒体上更热。
- 我当前最看好的不是最热闹的消费 AI，而是能直接嵌进企业工作流、拿高 ARPU 的公司。
AI 创业公司，真正跑得出来的商业模式
从公开财报、招股书和研究报告看，AI 创业公司最稳的生意，往往来自把模型能力、分发入口和高价值工作流绑成一体，最后沉淀成可复制收入结构与持续付费闭环。
- 企业工作流型 AI 最像长期软件生意，收入质量和留存通常强于纯模型 API。
OpenJarvis与端侧AI：手机、PC与Edge的未来五年
端侧大模型下一阶段的核心变化，不是简单把云端模型缩小搬到本地，而是智能效率、统一内存、带宽、功耗和软件栈一起成熟；未来 1 年先吃下单轮助手与轻代理，3 年进入持续多模态，5 年才接近真正的个人本地 AI 系统。
- 端侧大模型的真正约束已经不是单一 TOPS，而是智能效率、内存容量、带宽、功耗和软件协同的组合瓶颈。
Pico、Null、Zero 三种 claw 路线怎么分
PicoClaw、NullClaw、ZeroClaw 的名字虽然都带 claw，但它们不是 OpenClaw 官方产品矩阵，更不是简单的大中小版本。三者分别在轻量部署、Zig 极简路线和本地隐私上做了不同取舍。
- 三只 claw 都有官网和仓库，但不是 OpenClaw 官方产品线。
OpenClaw 更像长期在线的 Agent 协调层
OpenClaw 更适合被理解成一层把聊天入口、长连接网关和底层 coding agent 接起来的协调层。它主要解决的是长期在线、跨设备接力和多执行器编排，而不是单次仓库编码的速度比较。
- OpenClaw 的核心价值不在单次仓库编码速度，而在聊天入口、Gateway 和执行器之间的长期协调。
公司小传：六家关键 AI 公司的六条路线
这组公司小传不是给六家 AI 公司做平行简介，而是借六种不同公司形态拆开今天产业真正的竞争结构：谁做模型，谁做科学发现，谁把安全当主轴，谁握住工作入口，谁押注开放生态，谁提供算力底盘。
- 这组文章的重点落在六家公司各自代表的产业路线和组织选择上，不在公司八卦。
公司小传之六：NVIDIA 的 AI 底盘
NVIDIA 这些年最重要的变化，是一步步把自己从芯片供应商改造成整套 AI 生产系统的提供者：从 CUDA 到 DGX，再到 NIM 和 AI Factory，真正扩张的是它对整栈的控制力。
- NVIDIA 的 AI 史应从 2006 年 CUDA 写起，那才是它从硬件走向平台的起点。
公司小传之五：Meta 的开放权重赌注
Meta 的 AI 主线，不是临时追赶生成式 AI，而是把开放研究和开放权重一路升级成产业策略：从 FAIR 到 PyTorch，再到 Llama，它一直试图用开放生态换取平台影响力。
- Meta 的 AI 史应该从 2013 年 FAIR 写起，因为这家公司很早就把开放研究当成长期组织能力。
公司小传之四：Microsoft 的入口战争
Microsoft 在这轮 AI 竞赛里最厉害的地方，是几乎把“模型进入真实工作”所需的每一层入口都握在自己手里：云、Office、Windows、GitHub 和企业采购关系。最强模型未必总由它率先做出，但分发链路常常掌握在它手中。
- Microsoft 的 AI 主线更像平台和分发史，从 AI-first 到 CoreAI 都是同一路线。
公司小传之三：Anthropic 的安全主轴
Anthropic 值得单写，不是因为它是 OpenAI 的竞争者，而是因为它从创立开始就在验证另一件事：前沿模型公司能不能把安全、组织治理和商业化做成同一条主线。
- Anthropic 从 2021 年创立起，就把“更可控、更可解释、更可靠”当成公司层面的起始条件，而不是事后补丁。
公司小传之二：Google DeepMind 的双源流
Google DeepMind 的独特之处，不只是做出了 AlphaGo、AlphaFold 和 Gemini，而是把“通向 AGI”长期写成一条科学发现、基础研究和产品系统并行推进的公司路线。
- Google DeepMind 的公司史最好分两条线看：科学突破线与平台产品线。
公司小传之一：OpenAI 的三次变身
OpenAI 过去十年的关键，不是连续做出几个明星模型，而是三次改写公司边界：从研究实验室，到用户入口，再到主动组织 AI 基础设施，并把自己推向产业总枢纽。
- OpenAI 的关键转折，落在 2019、2020、2022 和 2025 这几次组织与商业形态切换上。
从实践到原则：Harness Engineering 的落地方法
Harness Engineering 不是给 Agent 多接几个工具，而是把代码仓库、执行环境、验证门禁和反馈回路改造成 Agent 可读、可控、可评估的工程系统，让 AI 真正能在真实项目里稳定交付。
- Harness Engineering 的对象不是单个模型，而是 Agent 所处的整个工程执行环境与治理回路。
塑造AI时代之六：Mustafa Suleyman与AI入口之争
Mustafa Suleyman 最值得写的，不在他待过哪些公司，而在他始终在争同一件事：AI 该以什么姿态进入人的日常和工作。到了微软，这条路线已经从 AI companion 一路推进到企业工作流与 Agent 治理层。
- Mustafa 的独特性在于，他不是单纯追求模型更强，而是长期围绕“AI 入口关系”做产品与组织选择。
塑造AI时代之五：Mira Murati与协作式前沿AI
Mira Murati 最值得写的，不是 OpenAI 那场风波，而是她长期站在研究、产品与发布节奏的交汇处；创办 Thinking Machines Lab 后，她押注的是更可理解、更可定制、更能协作的前沿 AI。
- Mira 的关键价值，在于长期处在“研究能力如何长成产品体验”的接口位置，这比单纯的技术或运营角色更稀缺。
塑造AI时代之四：Ilya Sutskever与单目标组织
Ilya Sutskever 今天最值得写的，不在传奇履历，而在他对组织形式的极端选择：SSI 几乎把公司、产品和商业压力都压缩成一个目标。这并非摆姿态，而是他对超级智能问题的回答。
- Ilya 的独特性不只是重视安全，而是把公司目标、产品定义与激励结构都收缩到单一终局上。
塑造AI时代之三：Dario Amodei与部署安全
Dario Amodei 最容易被误读成“安全派”，但更准确的说法是，他是把强大 AI 视为近程现实的部署现实主义者：既相信能力会快速逼近，也坚持把可解释性、组织纪律和社会治理提前写进公司运行方式，而不是等出事后再补一份道歉声明。
- Dario 的独特性不在保守，而在于他对强大 AI 到来的预设本身就很激进，因此才要求安全和部署纪律前置。
塑造AI时代之二：Sam Altman与AGI基建
Sam Altman 最强的地方，不只是比别人更早相信 AGI，而是他把 AGI 从一套宏大叙事，压成了算力、能源、资本、开发者生态和全球伙伴关系同时开工的重工业工程；OpenAI 今天更像一座基础设施枢纽，而不只是模型公司。
- Sam 的核心能力，在于把算力、资本、伙伴、政策和开发者生态捆成一场基础设施战争。
塑造AI时代之一：Demis Hassabis与科学机器
Demis Hassabis 今天最值得写的，早已不止 AlphaGo 或诺奖；真正关键的是，他一直在把 AI 从“会赢的系统”推进成“会做科学的机器”。如果这条路走通，AI 时代最深的入口可能不是聊天框，而是实验室。
- Demis 的主线始终围着同一件事：把智能系统持续推进成科学研究的生产力工具。
从 70 万行代码反推 Yaq 的研发活动图谱
顺着 ETH2030 的仓库、文档和 git 节奏往回拆，Yaq 更像规格编译者、边界裁剪者、多代理调度者和验证架构师的组合体，而不只是一个会用 AI 疯狂写代码的人。
- 从代码看，Yaq 的核心角色不是“超级程序员”，而是“规格编译者 + 多代理调度者 + 验证架构师”。
2026年Q1科技裁员事实与AI软件就业报告
本文把范围收敛到 2026 年 Q1，只整理 2026-01-01 至 2026-03-16 之间科技、IT、互联网公司的已确认裁员事实，以及同一时间窗口内的 AI、软件、IT 就业市场报告。
- 裁员部分只保留 2026 年 Q1 已确认的科技、IT、互联网公司减员事项，不再展开更早时间线。
Yaq 与 ETH2030：不是神话，也不是胡扯
ETH2030 不是假项目，它确实把以太坊 Strawmap 做成了实验性参考实现；但“6 天写完未来以太坊”是夸写，真正重要的是它把路线图中的依赖、性能和验证问题提前暴露了出来。
- 项目和仓库属实，但公开写法是约 8 天和约 7100 美元。
Yaq 是谁：ETH2030 背后的工程方法论
截至 2026 年 3 月 16 日，Yaq 公开可核验的传统履历信息并不多，但 GitHub、个人站和公开仓库已经足够勾出一条很清晰的技术轨迹：偏底层、偏协议、偏密码学、偏验证，以及越来越强的 AI 驱动研发能力。
- 公开资料里的 Yaq，更像底层系统和协议方向的工程研究者。
315 之后，重新理解 GEO、AI 投毒与答案污染
GEO 灰产并不是“黑客改了模型参数”，而是通过批量制造伪共识、伪第三方和结构化营销内容，去污染 AI 可感知的信息环境。它的风险真实存在，但“国内一定比国外更糟”与“所有 GEO 都是投毒”这两种说法都过头了。
- 截至 2026-03-16，GEO 污染 AI 答案的风险已被消费者组织、学术研究与厂商文档共同印证。
Pi 内部原理：从会话树到 RPC 接入
Pi 的核心并不神秘：它用 `createAgentSession()` 把模型、资源加载、工具集合、会话树和运行模式装配起来，再由 `AgentSession` 接管工具执行、上下文管理、自动压缩与 RPC 集成。
- Pi 的核心抽象不是某个界面，而是 `AgentSession` 这层把状态、工具、扩展和模式统一起来的运行时。
OpenClaw 把真实 Chrome 会话接进 Agent
OpenClaw 在 `2026.3.13` 更新线里把 live Chrome session attach 做成官方能力，真实浏览器会话第一次进入 Agent 的正式工作流，浏览器插件也从必选项退回到可选路径。
- 新增 `existing-session` 后，已登录的本机 Chrome 会话第一次成为官方 attach 对象。
AI 时代的代码评审，还算真正的 Review 吗
AI 已经能写代码、审代码，甚至自己在 PR 里给出修改建议；但如果 review 只剩“高吞吐检查”和形式签字，它就不再是软件工程里的真正 review。更值得追问的，是谁还真的看懂、敢签字、能兜底。
- AI code review 已经规模化进入工程流程，但“能给评论”不等于“能承担 review 的责任”。
从假引语到假代码：AI 正在逼近人类核验的极限
Ars Technica 的假引语风波真正警示的，不只是新闻业会被 AI 绊倒，而是当代码生成速度远超人类核验速度时，软件工程的责任链、风险边界和上线契约都需要重写。
- 研究和行业调查已经显示，AI 代码产出增长得远快于人类核验能力，“验证债”正在形成。
Pi：OpenClaw 背后的极简 Agent，是怎么工作的
Pi 不是另一个大而全的 Agent 平台，而是一套刻意保持极简的 coding agent harness。它把上下文、工具、会话状态和多种接入方式压成一层轻量执行骨架。
- Pi 更像一套 coding agent 运行时和 harness，而不是一个把所有功能都打包好的大平台。
谁在塑造 AI 时代：6 位关键掌门人与三条分叉路线
今天前沿 AI 的主导权，已经从单看模型分数，变成同时看科学突破、算力基建、产品入口与安全治理；Demis、Sam、Dario、Ilya、Mira、Mustafa，正分别卡在这几条最关键的链路上。
- 这六个人分别卡住了科学突破、平台分发、安全路径与产品入口，所以比一般 CEO 更值得写。
机器上桌之后之六：Martin Fowler
在 AI Agent 时代，Martin Fowler 之所以仍然很重要，不是因为他代表旧时代的架构教科书，而是因为当生成变快、代理变多、系统边界更容易被穿透时，重构、边界划分、渐进式演化和技术判断反而比以前更像硬约束。
- Martin Fowler 的重要性，在于他持续把复杂技术变化翻译成团队能执行的工程判断，而不只是抽象观点。
机器上桌之后之五：Guido van Rossum
AI Agent 时代如果有一种基础设施级的默认语言，几乎就是 Python；Guido van Rossum 依然重要，不只因为他创造了 Python，更因为他把可读性、演化节奏与工程现实捏成了稳定底座。
- Guido van Rossum 在 Agent 时代的重要性，首先来自 Python 作为默认工程语言的持续统治力。
机器上桌之后之四：Kent Beck
如果说 AI 编程正在把代码生成这件事推到前所未有的速度上，那么 Kent Beck 之所以依然重要，是因为反馈回路、整洁设计和小步试错这些老办法，恰好是驾驭这种速度最可靠的刹车与方向盘。
- Kent Beck 的方法在 AI 时代重新变重要，不是因为怀旧，而是因为高速生成更需要快速反馈和小步验证。
机器上桌之后之三：Robert C. Martin
在 AI 越来越快地产生代码之后，Robert C. Martin 之所以仍值得重读，不是因为他代表过去，而是因为测试、边界、命名和职业责任这些老问题，正在被生成式工具重新放大。
- Robert C. Martin 并非 AI 圈明星，却是 AI 写代码时代最容易被重新想起的老派工程人物之一。
机器上桌之后之二：Steve Yegge
如果说 AI 编程工具正在从补全器变成能拆任务、会写代码、会组织工作流的代理，那么 Steve Yegge 是最早一批把这条路讲清楚、写透并持续鼓动行业往前走的人。
- Steve Yegge 的价值，不在于他发明了某个模型，而在于他很早就把 AI 编程的方向感写成了行业语言。
机器上桌之后之一：龙虾之父 Peter Steinberger
OpenClaw 背后最值得认识的人，是被官网 credits 明确标注为 Creator 的 Peter Steinberger。他并非传统 AI 学者，更像把开发者工具、产品直觉与工程执行力压到同一条线上的产品型工程师。
- 官网 credits 将 Peter Steinberger 列为 Creator，这是“龙虾之父”最直接的公开依据。
我如何在 48 小时里，从零打造自己的个人博客站
这 48 小时里，我真正搭起来的不是一个会发文章的页面，而是一套能长期写下去的个人母站：草稿在本地，发布可校验，内容能归档，也能继续分发到各个平台。
- 这 48 小时搭起来的不是页面，而是一套从草稿到上线都能闭环运转的表达系统。
文科生如何有效使用 AI Agent 做内容创作
对文科生来说，AI Agent 最有价值的用法，不是整篇代写，而是先接手找资料、拆提纲、改写、多版本分发这些重复环节，让人把精力留在判断、事实核验和语气控制上。
- 文科生不是 AI Agent 的边缘用户，内容工作反而很适合先从人机协作开始落地。
编程 Agent 的基础结构：模型、工具、状态与验证闭环
编程 Agent 不是更会聊天的聊天框，而是一套能围绕目标读取上下文、调用工具、执行步骤并根据结果继续推进的系统。把这条线看懂，模型、工具、状态和评测这些基础概念就会立刻落地。
- 理解 Agent 的第一步，不是背一堆名词，而是先看清它和聊天、补全、工作流之间的边界。
Java 后端如何转向 AI Agent 工程
Java 后端转向 AI Agent，并不是从零改行，而是把过去积累的系统边界感、异常经验和工具工程能力，重新组织成运行时、评测闭环和治理能力。
- Java 旧栈不会失效，它会重新定价成工具层、状态层、观测层和治理层能力。
Opus 4.6 vs GPT-5.4：主力模型怎么选
如果今天只能为团队选一个主力模型，我的结论是：追求完整产品化能力，优先看 GPT-5.4；追求长时编码和持续执行，Opus 4.6 依然最锋利；追求激进多模态和 benchmark，Gemini 3.1 Pro 是最大变量。
- GPT-5.4 的看点不只是模型升级，而是 OpenAI 把 agent 平台能力正式收口成产品。
如何转成 AI Agent 工程师：一份基于最新研究的转型路线图
如果你还把 AI Agent 工程师理解成“更会写 Prompt 的人”，那大概率会转错方向。真正有价值的 Agent 工程，是把模型、工具、状态、评测和治理串成可交付系统能力。
- 从官方实践到最新论文都在指向同一个结论：Agent 工程的核心不是 Prompt，而是系统能力。
SSE 不是 WebSocket 的退役通知，而是更好的默认值
“SSE 可以让 WebSocket 退役”这种说法，方向对了一半，但结论下得太满。更准确的判断是：在浏览器里的单向实时推送和文本流场景里，SSE 常常是更稳妥的默认值。
- 对单向实时更新，SSE 通常比 WebSocket 更轻、更省心，尤其适合浏览器里的文本流。
Agent 积累的其实是 Knowhow，不只是数据
Agent 的长期价值，主要来自持续沉淀任务拆解、工具调用、异常处理和验证标准这些可迁移的 knowhow，而不只是在数据和微调上继续加码。
- Agent 的长期进步，更常来自工作流和验证闭环不断变强，不只靠参数自己长出新能力。
Clawith：一支 AI 团队的开源样机
Clawith 最有意思的地方，不是把单个 Agent 做得更花，而是认真回答团队协作里身份、权限、触发器、审批和审计怎样一起落地，并让多 Agent 真正进入组织工作流。
- Clawith 的新意不在模型层，而在把 Agent 当成带身份和关系的组织成员来设计。
访谈：Harrison Chase 谈 Harness
这篇访谈围绕 Harrison Chase 的核心判断展开：Agent 时代真正要重建的，不只是模型接口，而是一整套执行、上下文和人类协同基础设施。
- 这期访谈的重点不是模型升级，而是 Agent 的底层运行方式正在整体重建。
现在做 Agent 产品，最该补哪一层缺口
现在做 Agent 产品，更值得补的是那层把 runtime、审批、回滚和团队规则接进真实工作流的控制层。系统层和平台层都已有强手，组织如何接住 Agent 反而还是空白。
- 系统层最像产品，平台层最像底座，但两边都已经出现清晰强手。
平台层争夺战：谁会成为 Agent 基础设施
平台层决定的是 Agent 能不能长期、稳定、可治理地跑起来。眼下最值得看的四条路线，分别是 LangGraph、微软、OpenAI 和 AWS 所代表的平台化方向。
- LangGraph 目前最像开放生态里的头号平台层选手，优势在 durable execution 和状态工作流。
做 Agent 系统前，先看懂系统、平台与工具版图
如果你想做的是能承接长任务、异步执行和团队协作的 Agent 产品，动手前先看清系统、平台、工具三层版图。它们解决的问题不同，拿到的入口不同，真正留下的缺口也不同。
- 市场已经分成系统、平台、工具三层，三类玩家的强项和边界并不相同。
长时间 AI Agent：从研究叙事到生产系统
长时间 Agent 的真正难点，不在单步够不够聪明，而在跨很多轮、很多上下文和很多工具调用之后，能不能继续保持状态连续、结果可验证和错误可恢复。
- METR 证明的是任务跨度能力在增长，不等于企业级稳定性已经成熟。
长时间 AI Agent 生产架构蓝图
如果一个 Agent 要连续运行二十分钟、两小时甚至更久，系统默认该长什么样？这篇文章把分层架构、状态模型、检查点、验证和上线顺序全部拆开讲清楚。
- 默认架构不是一个 Agent 跑到底，而是让 Orchestrator 调度很多短而可验证的小步骤。
OpenClaw 爆火之后，谁在卖工具，谁在卖云，谁在卖入口
OpenClaw 不是又一个热闹的 AI 玩具，而是一根很清楚的产业探针。它暴露了一件事：当 AI 编码从聊天升级为工作流，产业链每一层都会重新找位置，重新争入口和运行时。
- OpenClaw 的意义不只在项目爆火，而在 AI 编码工作流第一次低门槛跨过开发者圈层。