Arm开始做AI芯片了吗：转型边界与真正目标
Arm 确实已经开始从“只卖架构授权”走向“更高集成度的 AI 计算平台和自有硅产品”。它当前最重要的目标，是拿下 AI 基础设施里的 CPU、CSS、chiplet 与系统级入口。
- 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。
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。
黄仁勋在 Lex 播客里讲透 AI 工厂
Lex Fridman 这期长访谈里，黄仁勋真正讲透的不是某一代 GPU，而是英伟达如何把 AI 竞争重新定义成工厂级系统工程，以及为什么预训练之后，后训练、测试时计算和 agentic AI 都会继续拉高算力需求。
- 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 技术分层
QVeris 更像 Agent 的能力发现与统一执行层，LangChain 和 LangGraph 则分别是 framework 与 runtime。把它们写成同一种产品，会直接讲乱 agent 栈里最关键的边界。
- QVeris 当前公开交付的是 tool search + tool execution，更像能力路由层。
05｜YC W26 长周期研究赌注：CellType、Polymath 与 Ndea
CellType、Polymath 与 Ndea 是这组里最不该用普通 SaaS 尺子去量的三家公司。它们共同押注长期能力边界，而不是近端工作流替代，因此更像 deep tech 或 frontier lab 的长期期权。
- 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：6 个机器人项目的部署现实
W26 里的 Physical AI 不是一个方向，而是至少两层：面向真实部署的机器人应用，以及面向训练与数据的底层供给。创投上最该先看的，不是故事大小，而是 deployment、单位经济和数据闭环到底在哪里。
- 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：8 家公司在争什么控制点
Agent 基础设施最容易热，也最容易被高估。IncidentFox、Terminal Use、Agentic Fabriq、Clam、Salus、Sentrial、Moda、Sponge 这八家公司看起来都在补“Agent 生产层”，但真正能拿到控制点价值的，通常只有离执行、身份或资金最近的那几层。
- 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：4 个项目，四条完全不同的兑现路径
医疗是 W26 里最热闹的垂直之一，但真正重要的不是“医疗很大”，而是这些项目根本不在同一层。Patientdesk.ai、Overdrive Health、Prana、Mango Medical 分别对应诊所运营、RCM、消费者持续健康管理和临床规划四条不同路线。
- 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：6 家最接近真钱的创业公司
如果只从离真钱最近的地方看 YC W26，这一组最值得优先研究。Cardinal、Balance、FullSeam、General Legal、Vector Legal、Avoice 的共同点不是模型最前沿，而是都在替代已经存在预算的人力工作流。
- 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 项目追踪：先看懂 27 家 Agent 创业公司怎么分层
这组文章不再把 YC W26 的 Agent 项目混成一个大口号，而是拆成结果型 Agent、医疗、基础设施、Physical AI 和长周期研究赌注五层来看。真正值得追踪的，不是“谁最像 AI 员工”，而是谁占住了预算、控制点和时间窗口。
- 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，科技为什么总会长出新拜物教
费曼真正值得今天重读的，不是他像先知一样“预言”了哪些技术，而是他反复提醒的一件事：一旦我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，技术就会很快从工具变成信仰。
- 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：熬夜、久坐与运动习惯，真正该警惕什么
真正危险的，通常不是某一晚熬夜或某一次运动，而是长期睡眠不足、久坐不动、缺乏训练、慢病风险未管理、基础心脏问题未筛查后又突然高强度发力的组合。
- 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
CharlesQ9 的 Self-Evolving-Agents 不是一个直接可部署的框架，而是一份围绕“什么进化、何时进化、如何进化、在哪里进化”的研究地图。它的价值在于帮人建立自进化 Agent 的问题坐标系，而不是提供一键运行的系统。
- 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 的野心，是把多 Agent 策略做成工厂
Swarms 最大的特点不是某一个爆款架构，而是同时提供 Sequential、Concurrent、AgentRearrange、SwarmRouter 和 AOP 等多种编排结构。它想做的不是单一框架，而是一座多 Agent 策略工厂。
- 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 想做的，是可伸缩的多 Agent 底盘
OxyGent 的重点不只是把多个 Agent 接起来，而是试图把工具、模型、Agent、调度和评估统一到一套可组合的 Oxy 组件里。它更像一块多 Agent 协作底盘，而不是单一工作流模板。
- 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：让 Coding Agent 自我进化前先评估
Self-Improving Coding Agent 最有价值的地方，不是“Agent 会改自己”这个口号，而是把自改进拆成评估、归档、修改、再评估的闭环。它说明自进化系统的真正难点不是自修改，而是能不能稳定地度量改进。
- 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 之所以流行，不只是因为它会“多 Agent 协作”，而是因为它把角色分工、流程控制、记忆和可观测性逐步收敛成了一套接近生产环境的工作流框架。它真正回答的是“多 Agent 怎么落地”，不是“多 Agent 怎么演示”。
- 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
Agent Orchestrator 最重要的发明，不是把更多 Agent 拉起来，而是把 worktree、分支、PR、CI 和 review comment 串成持续运转的后勤系统。它回答的是并行编码怎么不失控。
- 它的核心不是多开 Agent，而是给每个 Agent 独立 worktree、分支和 PR 槽位。
AI芯片与云厂商：一场重新分配控制点的竞赛
这轮 AI 竞争的核心，已经从模型能力对比转向芯片、云、数据平台与交付渠道之间的联盟重组。真正持续兑现收入的，不是单点技术，而是占住企业控制点的那一层。
- 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。
WordPress 和 Hexo 之外，独立博主还需要什么
对想认真独立建站的博主来说，真正缺的往往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，而不只是多一个博客程序。WordPress 和 Hexo 很成熟，但它们解决的仍主要是上一代建站问题。
- 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｜这个月最值得吃透的 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真正沉淀收入。
- 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 不会替你负责，它只会放大你的水平
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。Simon 这篇最好的地方，是把“人为什么还在回路里”说得特别直接。
- 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、贴着业务在变大的，未必还是卖模型的人，而更可能是把模型、工具、工作流和场景绑在一起卖结果的人。这就是 swyx 这篇的核心判断。
- 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，这个系列不是教你补 AI 史，而是帮你用 4 位作者的近作，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，而是一条更贴近 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 个岗位会先怎么变化
这组文章想看的，不是哪类岗位会被 AI 整批替代，而是软件组织里的责任、判断权和交付链会怎样迁移。比“谁先消失”更值得追的，是哪些环节会变轻，哪些角色会往上移。
- 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，会从写需求转向什么
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，但目标定义、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. 测试工程师在 Agent 时代，会更靠近哪一层
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 设计和安全边界。
- 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，会更像哪一种角色
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，会先变化什么
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，文档的角色会怎么变
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。
- 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 部门会回到哪一层
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
这组公司小传先把当下全球 AI 产业里最重要的六条路线拆开来看：研究、科学、安全、分发、开源生态和算力底盘。它关心的重点不在热度排位，真正要看的是这些路线最后长成了什么样的公司。
- 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。卖出更多 GPU 只是结果，背后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 发展史，真正的主线落在长期坚持的开放研究与开放权重策略上：从 FAIR 到 PyTorch，再到 Llama，它一直在试图用开放生态换取平台影响力，而不只是追逐一两个爆款模型。
- 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，是它几乎把“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。最强模型并不总由它率先做出，但分发链路往往掌握在它手中。
- 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 之所以值得单写，是因为它从创立开始就在回答另一个问题：前沿模型公司能不能把安全、组织治理和商业化做成同一件事。它与 OpenAI 的竞争当然重要，但那不是这家公司的全部意义。
- 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，不只在于它做出了 AlphaGo、AlphaFold 和 Gemini，而在于它始终把“通向 AGI”写成一条科学发现、基础研究与产品系统并行推进的路线。
- 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 最值得写的，是它在 2015 到 2025 这十年里连续完成了三次身份变化：研究实验室、产品公司、基础设施公司。单个明星模型固然重要，但真正改变格局的是公司边界不断外扩。
- 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项。
- 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。真正的问题不是 AI 能不能看，而是谁还真的看懂、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。
AI Agent 入门：把编程 Agent 的基础一次讲清
AI Agent 不是更会聊天的聊天框，而是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。先把编程 Agent 这条线看懂，很多基础概念都会立刻落地。
- 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，主要不在喂了多少数据，也不在反复微调模型，而在持续沉淀任务拆解、工具调用、异常处理和验证标准这些可迁移的 knowhow。
- Agent 的长期进步，更像工作流和验证闭环在变强，而不是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
如果现在要做 Agent 产品，最值得补的往往不是再造系统层或平台层，而是把平台能力真正翻译进团队工作流、审批链路和成本治理里的那层协作缺口。
- 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
平台层真正决定的是 Agent 能不能长期、稳定、可治理地跑起来。今天最值得看的四条路线，是 LangGraph、微软、OpenAI 和 AWS 各自代表的平台化方向。
- 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
如果你要做的不是聊天框，而是能承接长任务和团队协作的 Agent 系统，动手前最重要的事，是先看懂系统、平台和工具三层今天各自做到什么程度。
- 今天已经有局部成型的 Agent 系统，但还没人同时吃下工作流、治理和生态分发。
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。
- 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。