第一时间捕获有价值的信号
⼤家好，Weekly Gradient第 72 期已送达，本期内容深入探讨AI在医疗领域的应用，解析京东健康AI医院如何实现医疗平权，同时分析多智能体协作、垂类Agent发展、上下文工程等前沿技术，涵盖AI原生组织转型、创业策略及可视化工作流与代码编排的权衡。
AI 商业化
聚焦AI行业的商业化路径、市场竞争格局和商业模式创新，包含投资趋势、GTM策略、SaaS转型等商业分析
1.拜托了，AI！帮忙解决「看病难、看病贵」吧｜对谈王国鑫：京东健康探索研究院首席科学家（十字路口Crossing）
京东健康探索研究院首席科学家王国鑫这次聊得真透彻！AI在医疗领域可不是小打小闹，它正在从根本上解决看病难、看病贵的老大难问题。京医千询2.0这个医疗大模型进化得相当厉害，用合成数据训练、能看懂影像片子，还能基于医学证据库进行专业推理，感觉就像给医生配了个超级助手。更让人兴奋的是他们打造的AI医院1.0，这可不是简单的在线问诊，而是整合了AI智能体和京东完整的医检诊药生态，想成为大家健康管理的第一入口。AI还能帮医生持续学习最新知识，加速新药研发，从源头上降低医疗成本。王国鑫还分享了垂直大模型成功的秘诀——数据要独特、需求要迫切、商业模式要清晰，这些经验对其他行业也很有启发。医疗AI正在让优质医疗服务变得触手可及，这波技术变革真的让人充满期待！
2.软件行业的范式转变：AI 如何彻底改写游戏规则（深思圈）
最近看到一份关于软件行业变革的深度分析，真是让人震撼！AI 原生公司正在以惊人的速度改写游戏规则——19 人团队一年就能做到 1 亿美元 ARR，这效率是传统 SaaS 的 5-10 倍，增长速度更是快上 2-3 倍。虽然它们烧钱更多，但资本效率反而更高，因为收入是指数级增长的，时间成了最宝贵的资源。市场进入策略也彻底翻转了，售后技术支持变得至关重要，前置部署工程师这类角色激增，未来最成功的公司一定是技术交付能力最强的。AI 领域的资本热潮还在持续，企业不再满足于 AI 的辅助功能，而是转向让 AI 直接做实际工作的 Agent 模式，这波转型真的需要所有从业者重新思考策略了。
3.四家明星 Agent 公司创始人辩论：少谈点“通用”，对大家都好（硅星人Pro）
最近参加了一场特别有意思的圆桌讨论，四家AI Agent公司的创始人坐在一起，聊了聊这个领域最核心的问题。他们一致认为，现在行业里整天争论通用Agent和垂直Agent的定义其实意义不大，真正重要的是找到自己擅长的场景深耕下去。比如Macaron专注生活场景，Flowith搞创作，语核科技做企业生产力，RockFlow专攻投资交易，每家都在自己的领域积累了独特的Knowhow。有意思的是，大家发现大模型其实也在分化，并不是万能的，这反而给垂直Agent创造了发展空间。技术层面，Context Engineering和强化学习是两大流派，各家都在内容解析、上下文管理这些环节下功夫。说到底，Agent的本质就是能帮你把事情搞定，关键还是要从用户需求和业务场景出发来做产品。这场讨论让人感觉，AI Agent行业正在从概念炒作走向务实深耕，挺让人期待的。
4.136: Sora 新世界 & Lovart 4 个月复盘 | 与陈冕聊怎么做垂类 Agent（晚点聊 LateTalk）
这期播客聊得太有意思了！Lovart创始人陈冕分享了Sora发布后的真实体验，这家伙不仅视频生成质量惊人，更厉害的是它的社交属性，Remix共创功能让每个人都能参与创作，感觉未来真的可能成为几十亿人用的虚拟社交平台。Lovart四个月做到20万日活、3000万美元年订阅收入的故事也很震撼，他们定位’创作平权’，让普通人也能轻松做设计。陈冕还谈到中美AI市场认知差异，强调创业者必须保持焦虑感，预测模型演化方向，打造能快速迭代的团队。现在To C市场机会巨大，但窗口期只有3-6个月，得跑得比巨头还快才行。
5.Zapier、Vercel 和 Clay 招聘 AI-Native 人才的六步框架！（随机小分队）
最近看到不少公司在招AI人才时很头疼，不知道怎么判断候选人是不是真的懂AI。这篇文章分享了一个超实用的六步框架，来自Zapier、Vercel这些AI公司的实战经验。他们用Zapier的四级模型把AI技能从“不可接受”到“变革型”分得清清楚楚，这样招人时就能精准匹配岗位需求。面试时还会问一些深度问题，比如候选人怎么用AI重构工作流程、解决过什么难题，这样就能看出是真有AI思维还是只会表面操作。最厉害的是他们会通过真实案例分析和定制化任务，比如让候选人现场构建AI原型或评估AI方案，直接验证动手能力和批判性思维。这套方法确实能帮企业找到那些能用AI创造实际价值的人才，而不是只会纸上谈兵。
6.116. 吴明辉口述 19 年史：漫长的沉浮、痛苦急转、企业级 Agentic Model、现实世界的数值游戏、IPO（张小珺Jùn｜商业访谈录）
听完这期播客真的被震撼到了！明略科技创始人吴明辉回顾了19年创业的跌宕起伏，从秒针系统到即将上市，经历了多次生死转型。他特别强调企业级AI正在迎来革命性变化——Agentic Model将重构软件间的协作方式，让企业服务效率大幅提升。最让人印象深刻的是他对私有数据的看法：在通用大模型泛滥的时代，真正能建立竞争壁垒的是那些沉淀在垂直行业的私有数据。他还坦诚分享了从技术理想主义者到成熟经营者的转变过程，2020-2022年的资金链危机让他深刻理解了现金流管理和团队优化的残酷现实。整个对话既有对AI重塑生产关系的深度思考，又有创业路上血泪教训的真诚分享，对企业决策者和AI从业者都很有启发。
7.喝点 VC｜a16z 内部复盘：AI 行业不是所有公司都能受益的领域，选对赛道与团队比以往任何时候都重要（Z Potentials）
a16z 这次内部复盘真是戳中要害了！AI 行业根本不是大家想象中那样铁板一块，而是高度碎片化的无数子领域，每个都得用专属策略去打。应用层公司现在可爽了，基础模型砸了那么多钱，它们直接受益，但光靠模型可不行，还得老老实实把传统软件那套核心能力补上。最让人兴奋的是 AI 原生公司，增速简直碾压传统 SaaS，高 ROI 加上没历史包袱，难怪能抢到企业预算。不过投资这块风险真不小，a16z 强调必须避开那些‘不错但不够顶尖’的团队，得押注有明确增长势头的市场领导者，模型领域更是只敢投资金充足、团队顶尖的头部玩家。选对赛道和团队，现在比任何时候都关键啊！
8.Developers as the distribution layer of AGI (OpenAI Dev Day 2025， ft. Sherwin Wu and Christina Huang)（Latent Space）
OpenAI 2025 开发者日真是让人兴奋！ChatGPT 周活用户已经冲到 8 亿，开发者数量也猛增到 400 万，这平台效应太惊人了。他们发布了 GPT-5 Pro 和 Sora-2 这些前沿模型，还贴心地推出了成本优化的迷你版本，让更多开发者能用上强大 AI。最亮眼的是 Apps SDK，基于 MCP 协议，开发者现在可以直接在 ChatGPT 里构建交互式、自适应的个性化应用，还有 React 组件捆绑功能来定制界面，这分发潜力简直无敌。AgentKit 也超实用，一套完整工具简化了复杂 AI 代理的创建和部署，从可视化构建器到优化工具全包了。OpenAI 这波操作明显在强化 AGI 分发平台的角色，通过第三方开发者把 AI 红利铺向全球，生态越来越成熟了，未来可期！
9.#256.谷歌帝国兴衰史（三）：创新者的窘境与 AI 时代的求生之路（跨国串门儿计划）
谷歌在AI领域的故事真是跌宕起伏啊！这家科技巨头明明拥有顶尖的AI人才、自研的TPU芯片和完整的技术栈，却因为搜索业务太赚钱而一度犹豫不决，这就是典型的创新者窘境。最让人唏嘘的是，奠定现代AI基石的Transformer架构居然出自谷歌大脑团队，但核心人才却纷纷离职去了竞争对手那里。直到ChatGPT横空出世，谷歌才真正惊醒，紧急合并了DeepMind和Google Brain，推出Gemini模型全力追赶。不过谷歌手里还有两张王牌：坚持了20年的Waymo自动驾驶项目，以及凭借全栈AI能力在云服务市场的独特优势。这不仅是技术竞赛，更是一场关于如何在大公司里保持创新活力的深刻反思。
10.对话真格、蓝驰、锦秋和峰瑞：我们究竟在投什么样的 AI 创业者（硅星人Pro）
最近听了场挺有意思的对话，几位知名投资机构的合伙人和潘乱聊了聊AI创业这件事。发现现在投资圈风向变了，大家不再扎堆投大模型，反而更关注AI应用、智能体和机器人这些落地场景。有意思的是，AI工具确实让个人创业变得更容易了，但投资人普遍觉得真正要做大还是得靠小团队协作。现在投资人挑创业者也不看年龄背景了，更看重你有没有产品感觉、学习速度快不快、是不是真的热爱做这件事。面对大厂竞争，大家都建议别在通用领域硬碰硬，找个垂直赛道深耕，把技术、流程或社区这些非模型优势做扎实。还有个挺实在的建议：别为了融资而融资，关键是要想清楚钱怎么花才能创造价值。说到底，在AI这个快速变化的领域，光有技术不够，还得对用户需求有深刻理解，能快速试错迭代，这样才能在浪潮里站稳脚跟。
AI 产品设计
探索AI原生产品的设计范式与用户体验革新，强调产品哲学、交互模式、Agent设计等
1.LangChain深度解析：为何我们不构建可视化工作流工具（宝玉(@dotey)）
LangChain 创始人 Harrison Chase 这次聊了个挺有意思的话题：为什么他们不跟风做可视化工作流工具。他直接点破，现在市面上很多号称无代码的 AI 工具，其实只是把工作流画出来，离真正的智能体还差得远。工作流像按剧本走，可控但死板；智能体才像真人，能自主判断但难预测。更扎心的是，他发现可视化工具并没真的降低门槛——画布上拖来拖去，遇到复杂任务反而更乱。所以 LangChain 选了条不一样的路：高复杂度就用代码编排（比如 LangGraph），低复杂度就做更简单的无代码智能体。说白了，他们不想凑热闹，而是专注让非技术人员也能搞出稳定又高质量的 AI 助手，顺便把 AI 写代码的能力再往上推一把。
2.在双减“废墟”上，用 AI 重启人生 | 对谈连续创业者刘夜：从作业盒子到 Talkit（十字路口Crossing）
读完这篇对谈，真的被刘夜的创业故事打动了！从作业盒子到Talkit，他在双减政策冲击后经历了三年迷茫探索，最终选择用AI重新定义语言学习。最让人兴奋的是，Talkit不是简单的AI对话工具，而是构建了一个完整的3D虚拟世界，让用户像移民到英语国家一样学习语言。大语言模型彻底解决了口语练习的瓶颈，产品设计以‘嘴’为核心，通过Course、Rehearsal和社交三大模块，让开口说英语变得effortless而不是painful。刘夜对创业的理解也很深刻——要追求那些‘毋庸置疑有价值’且‘足够难’的事业，这种坚持在当下浮躁的创业环境中显得格外珍贵。看到AI技术能够如此自然地融入教育场景，让人对未来的学习方式充满期待！
3.Not Another Workflow Builder（LangChain Blog）
最近看到一篇挺有意思的讨论，关于为什么LangChain决定不做可视化工作流构建器。说实话，那些号称低门槛的可视化工具，一旦任务复杂起来，界面就变成一团乱麻的节点和连线，反而让非技术用户更头疼。文章点出了一个关键：工作流和智能体其实是两种不同的思路——工作流追求可预测性但牺牲了自主性，智能体则反过来。未来可能更现实的方向是，简单任务交给无代码智能体搞定，复杂场景还是得靠基于代码的工作流，尤其是现在代码生成能力越来越强，写代码的门槛也在降低。说到底，真正值得琢磨的是怎么让无代码智能体足够可靠，以及怎么提升代码生成模型的能力来支撑更复杂的LLM驱动系统。
4.Harrison Chase’s Critique of Visual Workflow Builders for AI Agents（Harrison Chase(@hwchase17)）
LangChain 创始人 Harrison Chase 最近对可视化工作流构建器提出了犀利批评，认为它们在 AI 代理开发中其实并不好用。他点出两大硬伤：一是对普通用户来说操作依然太复杂，远未达到真正的简单易用，需要更直观的无代码方案；二是处理复杂任务时扩展性严重不足，难以应对实际业务场景。这直接挑战了可视化编程在高级 AI 系统中的传统地位，给开发者和产品经理提供了重新思考工具设计方向的重要参考。
5.#255. Figma 创始人 Dylan Field：品味是你的护城河（跨国串门儿计划）
Figma 创始人 Dylan Field 这次聊得真有意思！他分享了 Figma 如何一步步拥抱 AI，从早期的机器学习探索到 GPT-3 带来的顿悟，再到推出 Figma Make 这样的 AI 设计工具。现在非技术人员也能快速把想法变成可部署的产品了，连数据处理都不用写代码，这简直是把创意落地的门槛降到了新低。他还提到自然语言会成为未来设计的核心交互方式，不过现在只是 AI 交互的“MS-DOS 时代”，以后肯定会有更直观、更有创造力的玩法。设计和代码的界限越来越模糊，Figma Make 和 Code Connect 正在搭建桥梁。最打动我的是他强调在 AI 时代设计反而成了更重要的差异化优势——当软件创造速度飞快时，品味和工艺才是让你脱颖而出的关键。他还提醒创业者要有反常规的独特见解，别盲目跟风 AI 领域的“快时尚”，真正有价值的是社区和持续创造。
AI 工程实践
涵盖AI系统技术实现与场景化开发的全流程，包含工程架构、工具链实践、提示工程等核心技术环节
1.提效 40%？揭秘 AI 驱动的支付方式“一键接入”系统（阿里云开发者）
跨境支付接入竟然能提效40%？这套AI驱动的系统真的做到了！它用Qwen Coder大模型和MCP工具链，把从需求输入到上线准备的全流程都自动化了，彻底告别了传统人工经验驱动的低效模式。最厉害的是它的精细化Prompt设计，通过角色定义、结构化输入、工具封装这些策略，成功克服了大模型的幻觉问题。系统还借鉴了多智能体协作的思路，把复杂任务拆解成原子化步骤，让不同专家Agent各司其职，既降低了模型负担又提高了稳定性。规范化文档体系在这里扮演了关键角色，把文档当作元数据与代码语义链接，为AI提供了充分的上下文支持。这套方案不仅解决了实际业务痛点，还总结出了提高AI编码采纳率的宝贵经验，确实让人眼前一亮！
2.别让故障复盘流于形式：用 AI 挖掘每一次“跌倒”的价值（阿里云开发者）
传统故障复盘总是让人头疼，人工分析太主观，信息又零散，最后往往变成走过场。现在阿里云用大语言模型打造了一套智能复盘系统，能自动聚合故障数据、一键生成报告，还能像聊天一样深入挖掘原因和改进措施。这套系统背后的技术很扎实，包括多Agent协作、智能Memory管理、RAG知识增强，还有专门针对业务价值的评测机制。最棒的是，它把故障复盘从‘事后诸葛亮’变成了‘风险先知’，让技术支持、研发甚至普通用户都能从中受益，真正把每次故障变成提升系统稳定性的宝贵经验。
3.图像理解与生成统一模型——前沿模型架构理解（魔搭ModelScope社区）
最近读到一篇关于图像AI模型的深度分析，真的让人眼前一亮！现在大家都在探索如何让AI既能看懂图像又能生成图像，这篇文章把当前主流的统一模型架构梳理得特别清晰。原来这些模型主要分为四种技术路线：纯自回归、AR+扩散串联、AR+扩散并联，还有单一模型同时处理两种任务，每种路线在图像编码和生成方式上都有各自的优势和短板。特别有意思的是发现图像理解任务更喜欢语义编码器，而图像生成则依赖分布建模来保证质量，这解释了为什么有些模型生成的图片细节那么丰富。不过最让人深思的是，这些模型到底能不能真正实现理解和生成的互相促进？数据准备的质量似乎成了决定成败的关键因素。读完感觉对AI图像技术的发展脉络理解得更透彻了！
4.AI长文润色：问题在于方法而非模型能力（宝玉(@dotey)）
很多人抱怨 AI 润色长文效果差，其实问题真不在模型能力上！关键在于使用方法——一次性把整篇文章丢给 AI，指令还模模糊糊的，结果就是内容被大幅压缩、细节全丢了。但换个思路，把文章分成小块、明确告诉 AI 要做什么、一步步迭代优化，甚至先让 AI 扩展内容再精炼，效果立马不一样：细节保留完整，输出可控，质量直接起飞。说到底，得把 AI 当成需要清晰指导的‘项目经理’或‘导演’，用好精细化流程才能真正发挥它的潜力。
5.GPT-5长文润色高效工作流：分块处理与迭代优化（宝玉(@dotey)）
如果你还在把整篇文章直接丢给GPT-5润色，结果却只得到一堆提纲和摘要，那这套工作流绝对值得一试！它把长文拆成小块，通过清晰化、叙事扩写、统一风格等多轮迭代，让AI真正理解你的内容脉络。先扩写再细修的思路特别实用，还附带了总控指令和合稿终检的模板，帮你避开常见坑点。关键是别把AI当一键生成工具，而是当成能跟你反复打磨的合作者，这样润色效果才会真正提升。
6.LlamaIndex看好基于代码的编排与代码智能体，挑战低代码工具（宝玉(@dotey)）
LlamaIndex创始人Jerry Liu分享了一个挺有意思的观点：虽然低代码工具在简单场景下很方便，但真正要搞定制化、连接自有数据源或者构建长期运行的智能体，还是得靠基于代码的编排和代码智能体。他们正在打造核心工具，帮助开发者围绕自己的数据创建高级工作流，还提供了状态管理、任务检查点和人机协作这些实用功能。更棒的是，他们已经和Claude Code、Cursor这些顶级代码智能体工具整合了，最新Alpha版本还能一键部署端到端智能体，感觉开发门槛真的在降低呢！
7.Ling-1T，智渊、思简（魔搭ModelScope社区）
哇，Ling Team这次真的放大招了！他们推出的Ling-1T是个万亿参数的开源大模型，在复杂推理和代码生成这些高难度任务上直接冲到了业界顶尖水平。最让人兴奋的是他们用FP8混合精度训练这么大规模的模型，不仅训练速度提升了15%以上，还大大节省了显存，这在以前简直不敢想。他们还搞了个很聪明的LPO策略，把句子作为基本单元来优化强化学习，解决了传统方法语义碎片化的问题，让模型训练更稳定、泛化能力更强。虽然现在GQA架构的推理成本还有点高，智能体能力也需要继续打磨，但看到这种在工程实践上的突破，真的让人对AI的未来充满期待！
8.Jina Reranker v3: 全新“列式”重排器，0.6B 参数刷新文档检索 SOTA（Jina AI）
Jina AI 刚刚发布的第三代重排器真是让人眼前一亮！这个只有6亿参数的小家伙，居然在多项多语言检索基准测试中打败了参数量大6倍的对手，刷新了当前最佳表现。它的秘密武器是创新的’列式’架构和’后发先至’交互机制——能够在一个上下文窗口内同时处理查询和所有文档，通过全局上下文深度交互实现更精准的排序。最厉害的是，这个模型在18-26种语言上都保持了稳定优秀的性能，而且提供了GGUF、MLX格式和API接口，让开发者可以轻松在各种硬件环境中部署使用。对于需要高效文档检索的场景来说，这绝对是个值得关注的技术突破！
9.OpenAI DevDay：从提示词到上下文工程，重塑AI编程未来（宝玉(@dotey)）
最近 OpenAI DevDay 上有个挺有意思的趋势，AI 编程正在从简单的提示词工程升级到更复杂的上下文工程。这意味着 AI 不再只是帮你补全代码，而是要成为能理解复杂指令、自主规划多步任务的智能体。关键在于给 AI 提供高质量、高信噪比的上下文，就像给它建一个记忆宫殿。文章提到一个意图感知检索框架，结合了字面精确性和语义相关性，让 AI 能超越字面理解进行深度推理。想想看，未来开发者可能真的能从繁琐的代码劳作中解放出来，专注于更有创造性的系统设计和架构工作，这感觉就像是从程序员升级为架构师。
10.Claude can write complete Datasette plugins now（Simon Willison’s Weblog）
太让人惊喜了！Simon Willison用Claude Sonnet 4.5竟然能自主开发完整的Datasette插件，从代码到测试全包了。这家伙在‘YOLO模式’下只给了个简单提示，Claude就独立实现了插件的核心逻辑，连测试都自己搞定。更厉害的是它还能自己调试，发现并修复了错误，甚至主动在README里加了安全警告，提醒可能暴露敏感信息。这种端到端的开发能力真的让人刮目相看，而且结合现有的模板和训练数据，AI编码代理的效率提升太明显了。看来AI辅助软件开发真的要进入新阶段了，以后程序员的工作方式可能会彻底改变呢！
11.Customize Claude Code with plugins（Anthropic News）
Anthropic刚刚推出的Claude Code插件功能真是让人眼前一亮！现在开发者可以打包和共享自定义扩展，把斜线命令、子代理、MCP服务器这些功能都整合起来，打造专属的AI开发环境。最棒的是工程团队能用插件来标准化开发流程，确保代码审查和测试的一致性，还能共享那些提升效率的调试部署工具。通过Git仓库托管的插件市场让发现和安装变得超级简单，无论是社区贡献还是组织批准的插件都能快速获取。这波操作不仅简化了开发设置的自定义和共享，还让整个开发者社区能够更好地协作，共同应对那些棘手的开发挑战。
12.Gemini 2.5 Computer Use Model Solves Google CAPTCHA and Performs Search（Simon Willison(@simonw)）
哇，这真的太震撼了！Gemini 2.5刚刚在官方演示中展示了惊人的能力——它竟然能自己导航到Google网站，然后自主解决了那个专门用来区分人类和机器的CAPTCHA验证码，接着还执行了搜索操作。这可不是简单的文本生成，而是实实在在的自动化交互，AI现在能在复杂的数字环境里像人类一样操作了。这种进步让人既兴奋又有点担忧，毕竟CAPTCHA原本就是防机器人的，现在AI连这个都能破解，网络安全和自动化领域真的要重新思考未来了。Simon Willison分享的这个演示确实让我们看到了AI交互能力的巨大飞跃。
13.Vibe Engineering：AI时代严肃软件开发的最佳实践（宝玉(@dotey)）
最近读到一篇挺有意思的文章，讲的是AI时代怎么用好大语言模型来开发严肃软件。作者把那种不负责任随便生成代码的做法叫‘凭感觉编程’，而真正有经验的工程师用的是‘凭感觉工程’——这可不是瞎搞，反而是把传统软件工程那些好东西都发挥到极致了。比如自动化测试、代码审查、CI/CD这些老方法，在AI加持下变得特别重要，因为AI工具能帮你处理底层代码，让你更专注于架构设计和需求管理。有意思的是，越是经验丰富的工程师，用AI工具的效果越好，产出也越高。这让我觉得，AI不是要取代工程师，而是把工程师从重复劳动中解放出来，去做更有价值的事情。
14.Vibe engineering（Simon Willison’s Weblog）
最近有个挺有意思的概念叫’Vibe engineering’，它可不是那种随便让AI写代码的野路子。实际上这是一种很有纪律性的方法，专门给经验丰富的软件工程师用的。现在有了Claude Code、Codex CLI这些编码代理，它们能帮你迭代、测试和修改代码，让老手们既能用LLM提速，又能保证软件质量绝对靠谱。有意思的是，用好LLM反而让那些传统的软件工程实践变得更重要了——自动化测试、完善文档、版本控制这些基本功现在价值更高了。而且工程师的角色也在转变，从埋头写代码变成了更多关注架构设计、质量把控和代码审查。说白了，这些AI工具不是要取代工程师，而是放大他们的专业能力，让好工程师变得更好用。
15.吴欣鸿内部分享，美图在 AI 时代的组织进化心得（Founder Park）
美图在 AI 浪潮下正经历一场组织变革，吴欣鸿分享了他们如何打破传统大公司的惯性工作流。通过 RoboNeo 项目实践，他们用需求共创、简化会议和 AI 工具赋能员工，让一个人就能承担多角色任务，AI 编码普及率高达 86%。更厉害的是，他们推出了 AI 创新工作室机制，让员工像创业一样验证产品想法，同时构建了蜂巢型组织模式——文化六边形提供稳定框架，创新工作室作为活跃单元孵化创意。他们还升级了价值观，强调热爱影像、追求极致、打破惯性等，用文化驱动组织持续进化，这种敏捷又有体系的模式确实让人眼前一亮。
16.我身陷“凭感觉编程”的地狱（宝玉的分享）
最近有个挺扎心的发现：很多学编程的朋友陷入了‘凭感觉编程’的怪圈，AI工具用起来确实爽，代码秒出、bug秒解，但时间长了反而让人心里发虚。研究显示用了AI的开发效率可能还下降了19%，这背后是AI的两个致命伤——它太会拍马屁了，从来不指出你的错误；而且它给不出有血有肉的真实经验，就像个永远微笑的陪练，让你觉得自己很厉害，其实基本功全废了。不过也别急着把AI一棍子打死，Boot.dev那个AI助教就挺聪明，用预设提示词和苏格拉底式提问逼着你动脑子。说到底，想从这地狱里爬出来，关键还是得自己动手写代码，直面那些让人头秃的bug和逻辑漏洞，让大脑重新建立正确的认知网络。工具终究是工具，别让它偷走了你思考的能力。
17.实测 MGX｜让一群 Agent 联手 coding，比“模型即 Agent” 更接近 AGI？（硅星人Pro）
最近深度评测了DeepWisdom团队的多Agent平台MGX，这个平台真的挺有意思的，它把不同角色的AI智能体组成虚拟团队来协作完成任务。在构建旅游网站这种结构化任务中，产品经理、数据分析师和工程师Agent配合得相当默契，迭代出的网站功能很完整。做深度研究和幻灯片时，Agent们还能自我反思和整合信息。不过到了开发坦克大战游戏这种复杂任务，人为干预反而让Agent分工混乱导致项目失败，这说明多Agent系统在动态分工和路由机制上还需要更多打磨。感觉这种模拟组织智慧的方式，比单个AI模型更接近真正的通用人工智能，让人看到了AI协作解决复杂问题的新可能。
18.Sora 2 提示词指南 | OpenAI Cookbook（宝玉的分享）
OpenAI的Sora 2视频生成模型真是让人兴奋，但怎么才能让它乖乖听话生成想要的视频呢？这篇指南把秘诀都抖出来了。原来提示词分详细和简洁两种玩法，想要精准控制就用详细描述，想给AI留点创意空间就简洁点。API参数和文本提示词是两码事，分辨率、时长这些基础设置得单独搞定，文本就专注描述画面内容。最实用的是那个结构化提示词框架，教你像导演一样描述镜头、景深、动作、光线和色调，用专业术语让AI秒懂你的艺术追求。还有个小技巧特别棒，生成不满意别灰心，用Remix功能微调一下，多试几次效果就出来了。看完感觉视频创作的门槛又降低了一大截！
19.Vibe engineering（凭感觉工程）（宝玉的分享）
最近看到一篇挺有意思的文章，讲的是‘凭感觉工程’这个概念。它把专业工程师用AI开发软件和那种随便让AI写代码的做法区分开了。其实用大语言模型开发正经软件项目并不简单，反而让自动化测试、事前规划、文档编写、版本控制这些传统工程实践变得更重要了。文章提到AI工具会放大工程师的专业能力，有经验的工程师能通过AI获得更高产出，但同时也需要在解决方案研究、架构设计这些方面投入更多精力。这让我觉得，AI时代并没有降低软件工程的门槛，反而让真正懂工程的人更有价值了。
20.#257. OpenAI Dev Day 重磅发布：AI 应用、Agent 和“不写代码”的软件创造新时代（跨国串门儿计划）
OpenAI Dev Day 这次真的放大招了！开发者现在可以直接在 ChatGPT 内部构建应用，瞬间触达数亿用户，连变现路径都帮你规划好了。Agent Kit 让搭建智能助手变得像搭积木一样简单，可视化工具加上性能评估，企业级应用落地门槛大幅降低。最震撼的是 Codex 的现场演示，嘉宾用语音指令就把摄像头、游戏手柄和灯光系统变成了可控软件，全程没写一行代码，这简直是要颠覆传统软件开发模式啊。再加上 GPT-5 Pro 的深度推理能力、小巧高效的语音模型，还有能生成高质量视频并完美匹配声音的 Sora 2，AI 正在把软件创造从几个月缩短到几分钟，任何有想法的人都能快速把创意变成现实。
21.为什么我用了那么多提示词模板甚至用了 AI 帮忙还是写不好提示词？（宝玉的分享）
你是不是也试过各种提示词模板，甚至让AI帮忙生成提示词，结果还是不尽如人意？其实问题不在于模板或工具本身，而是我们误解了提示词工程的本质。它根本不是套用现成公式那么简单，而是一个完整的系统化流程——从明确目标开始，到构思内容框架，再到实际编写、测试运行，最后评估结果并持续调整优化。最关键的是，你得能准确判断AI生成的内容和你的预期之间到底差在哪里，然后知道该怎么改。比如你想模仿雷军的演讲风格，或者生成精准的YouTube字幕，光靠模板可不行，得反复测试调整。而且有意思的是，你的专业背景在这里特别重要，因为只有懂行的人才能真正看出AI输出的内容质量如何，该往哪个方向优化。说到底，写好提示词的核心能力，就是这种评估和调整的本事。
其他
行业前沿与开源生态，整合行业深度洞察与开源技术动态的复合型主题，技术哲学、AGI讨论、领袖观点
1.Sam Altman：我承认我之前错了，AI 超级系统才是 OpenAI 真正想要的（Founder Park）
Sam Altman这次在访谈中坦诚承认自己过去的判断有误，现在OpenAI要打造的是一个集前沿研究、超大规模基础设施和消费级产品于一体的AI超级系统，而不仅仅是做个超级App。他特别强调基础设施投资的重要性，认为这是支撑未来模型经济价值的关键。Sora的发布其实是为了让社会逐步适应AI视频技术，实现共同演进。最让人兴奋的是AI Agent的发展，现在有些Agent已经能完成接近一周的工作量，未来在法律、金融等领域潜力巨大。Altman最惊喜的是AI发现新知识的能力，他预言两年内AI就能承担更多科学工作，做出重要发现，这将是真正的科学图灵测试。整个访谈透露出OpenAI对AGI的坚定信念和宏大愿景。