Stay hungry, Stay foolish

当 AI 智能体以远超人类的速度编写代码时，真正限制创造力的，不再只是代码产出能力，而是人类能否建立足够深入的理解、继续参与系统演进。本文围绕「解释、微世界、共享空间」三种方法，讨论如何借助 AI 降低认知债务，让人类不是退出循环，而是更深入地进入循环。 原文：Understanding is the new bottleneck 本文由LobsterAI自动翻译和发布。 Geoffrey Litt｜2026 年 7 月 原文：Understanding is the new bottleneck 这是我在 2026 年 7 月的 AI Engineer 大会上所作演讲的文字版，也以推文串的形式分享过。 一个可能有点逆风的观点：我认为，理解智能体替我们写下的代码，仍然非常重要！ 在这次演讲中，我会解释为什么，并展示一些高效理解代码的思路。好，我们直接开始。 智能体正在替我们编写越来越多的代码，而我们都知道，想要跟上它们的速度正变得越来越难。 但好消息是：理解代码的方法有很多！逐行阅读 diff 并不是唯一的方法。 这次演讲的大部分内容，会介绍一些我在理解智能体所构建系统时觉得很有帮助的方法： 代码讲解文档 检验自己理解程度的测验 可以亲手探索、借此理解系统的「微世界」 但首先，我们得问一个更根本的问题…… 为什么要理解？ 为什么？为什么还要理解？ 现在不是应该把自己移出循环，让智能体自己不断循环吗？随着智能体变得越来越聪明，人类还需要深入细节吗？ 我认为，许多人——甚至那些支持「理解」的人——对这个问题给出的答案也稍微有点偏差！ 一种可能的答案是：我们理解，是为了验证。我们检查智能体的工作，看看它做得对不对。 「正确」可以有很多含义：是否符合规格、架构是否合理……但从根本上说，这只是一个通过或不通过的问题。 但问题是：智能体越来越擅长验证自己的工作。这当然是好事！我喜欢智能体少犯错误。 可这样一来，我们人类的位置在哪里？ 这就引出了另一个答案：我们理解，是为了参与。 你可以学习智能体正在做什么，以确保自己能积极参与创造过程。下面说说这为什么重要…… 一个项目绝不只有一轮循环！它包含你与智能体之间许许多多轮循环。 而你对系统的理解程度，会直接影响你能否想出下一步如何推动它演进。 你需要在脑中拥有一套丰富的概念，才能流畅而有创造力地思考怎样把事情继续向前推进。如果缺少这种熟练度，你参与项目的能力就会受到实质性限制。 顺带一提，这与 Margaret Storey 和 Simon Willison 推广的「认知债务」概念密切相关。 它很像技术债务：短期内，你也许可以在不知道系统究竟如何运作的情况下继续前进，但它迟早会反咬你一口。 好吧，理解确实重要。 但这又引出了下一个问题：怎么做？当我们与 AI 协作、快速推进时，怎样建立起人类自己的理解？ 事实上，这并不是人类第一次思考如何传递理解。我认为，我们可以从教育中寻找灵感。能不能把人类为教育发明过的最佳思想拿来，应用到这个问题上？ 方法一：解释 今天我想分享三种值得尝试的方法。 第一种：解释。怎样才算好的解释？ 每当智能体完成一项工作，我们就获得了一次解释的机会——可以生成一份解释性的产物。...

本文讨论智能时代企业如何保护核心知识产权：企业在使用 AI、提升模型效果的过程中，会持续贡献提示词、运行轨迹、纠错、评测与组织经验，因此必须建立覆盖数据和学习成果的信任边界，掌控自己的学习闭环。 原文：https://x.com/satyanadella/status/2076323181154230284 本文由LobsterAI自动翻译和发布。 在智能时代，企业该如何保护自己的核心知识产权？ 诺贝尔经济学奖得主肯尼斯·阿罗曾著名地描述过信息市场中的一个悖论： “购买者在获得信息之前，并不知道它的价值；但一旦获得，他实际上已经无偿得到了它。” 在阿罗的“信息悖论”中，卖方为了出售知识，可能不得不先把知识泄露出去。 AI 带来了一个反向的问题：在 AI 时代，买方仅仅为了使用自己购买的产品，就可能不得不交出自己的知识。 你实际上要为智能付两次钱：第一次付的是金钱，第二次付出的则是更宝贵的东西——为了让这种智能真正有用，你必须披露自己的专有知识。你越想让模型表现得更好，就越需要向它输送更多这样的知识！ 随着时间推移，这种信息不对称会变得越来越严重。卖方会在你使用其产品的过程中越来越了解你，而你对卖方从中学到了什么却几乎一无所知。 这就是我所说的“反向信息悖论”。 专利解决了阿罗悖论的一个方面：它让发明者可以公开一个想法，而不至于白白把它送出去。反向信息悖论也需要一个与之对应的解决机制。 这不仅仅需要数据保护。模型还会从各种“智能废气”中学习，包括人们编写的提示词、智能体调用的工具，以及尤其重要的——模型犯错时，人们对它所做的纠正。 每一次纠正，都会被提炼为组织内部的专有经验。这种知识是竞争对手花多少钱都买不到的，但它却会以一种几乎难以察觉的方式泄露出去：一条轨迹接一条轨迹，一次纠正接一次纠正，一项评测接一项评测。 当你消费智能时，你也在创造智能。而你创造出来的智能，理应属于你。 这是哈耶克意义上的“特定知识”：关于时间、地点和具体情境的知识，是其他任何人都无法掌握的。它知道你如何思考、重视什么，以及如何衡量成功。 模型提供商基于合理使用原则，利用公共数据训练模型，由此带来的伟大创新是必要的。但我觉得讽刺的是：现状却是它们转过身来，对模型蒸馏施加严格限制，同时保留从客户使用数据和交互数据中学习的权利。 如果学习只能朝一个方向流动，那么经济价值最终将向学习基础设施的所有者集中，而不是流向知识本身的创造者。 因此，我们必须把学习基础设施分配给每一家企业，让它们能够掌控自己的学习闭环。 正如 Alex Karp 所说： “真正懂技术的客户想要的是，对自己的算力、模型、数据栈和 Alpha 拥有控制权。他们想确认自己掌握着生产资料，而且这些生产资料不会被转移给其他人。” 当前的机制，恰恰造成了 Karp 和企业所担忧的那种转移。 这正是企业需要为其人力资本和 Token 资本建立真正信任边界的原因。 组织的数据、运行轨迹、评测结果、适配后的权重和记忆，都应在这条边界内不断积累、共同改进。这必须是一条坚固的边界：未经同意，任何东西都不能越界，甚至连那些“智能废气”也不例外。 企业将要求获得使用模型输出结果的权利，用它们微调和／或训练自己的模型。我把这视为每一家企业都应拥有的权利：让模型与企业自身承担的责任和合规义务保持一致。 在云计算时代，企业积累的是数据；在 AI 时代，企业积累的是学习成果。 因此，信任边界也必须随之演变：从保护信息，升级为保护组织学习、适应并持续复利式积累智能的机制。 为了确保这一点，每家企业都必须做到以下几件事： 控制（Control）：创建自己的私有评测，因为评测定义了组织内部什么才算“好”。同时，保留对组织记忆、运行轨迹、反馈、决策和机构背景知识的所有权，以及使用模型基于自身任务和查询所生成结果的权利。 能力（Capability）：在租户边界内部建立自己的专有学习环境，用于训练或调优模型。让模型能够结合真实业务流程进行学习，同时不暴露企业知识。 选择（Choice）：确保编排层与任何单一模型解耦。问问自己：如果正在使用的某个模型突然无法使用，你是否仍然能够利用其他模型，围绕自己的评测标准继续运营和优化？即使某个“通用型”模型被撤走，企业内部由老员工经验沉淀而成的“资深能力”是否仍然掌握在自己手中？ 成本（Cost）：通过解耦编排层，你还可以用最高效、最具成本效益的方式组合上下文、模型和任务，同时不牺牲质量。 复利（Compound）：把前面四项结合起来，你就能建立自己的持续学习闭环，也就是一台不断“爬坡”的机器，使 AI 投资持续为企业价值带来复利增长。 换句话说，一家公司应该能够使用一个模型，而不必交出使自己独一无二的知识。 这就是我们必须正视的“反向信息悖论”。 ——Satya Nadella，2026 年 7 月 12 日 原文：https://x.com/satyanadella/status/2076323181154230284

本文拆解 Ello 如何把教育学原则写进工程系统：通过流式执行取代标准工具循环，让规划者异步反思并预判孩子的下一步，同时让安全检查把关执行而不阻塞生成，最终让面向 4～9 岁儿童的 AI 导师在 1 秒内作出兼顾教学质量与安全性的回应。原文地址：Teaching a child in <1000 ms: the architecture behind a real-time tutor。本文由LobsterAI自动翻译和发布。 我们着手打造第一款面向 4～9 岁儿童、教授数学与阅读的 AI 导师。要让 AI 真正教会一个五岁的孩子，教育学理念就必须被写进工程系统之中。 孩子等不了迟缓的回复，也看不懂聊天界面；而模型说错的话，一旦被孩子听见，就不可能再“撤回”。我们希望分享在构建实时 AI 导师的过程中，如何从这些经验出发作出架构决策。 对孩子来说，对话中 2 秒钟的停顿，与开发者所感受到的完全不同；甚至也不同于成年人打电话与自动客服交谈时的感受。短短几秒，已经足以让孩子的注意力飘走，让学习停下来。 优秀的老师无需停下来思考，也能处理好这一切。他们会立即回应孩子，即便暂时不告诉孩子答案，想让孩子自己继续思考。教学的关键，是针对当下的情境选择正确的方法，而大多数时候，正确的方法并不是直接给出答案。 当我们开始为 4～9 岁儿童打造 AI 导师时，我们想做的是一个真正能够教学的导师，而不只是一个反应迅速的聊天机器人。我们知道，底层约束极其苛刻，但它又不可妥协：每一轮互动都必须在 1 秒内响应。大多数智能体会通过控制推理预算，在速度和质量之间作出权衡。我们的架构则必须把导师牢牢建立在教育学原则之上，同时还要实时回应孩子。 我们抛弃了标准的智能体循环 老师始终在判断应该怎样与学生互动：是说点什么、在白板上画出来、玩一个游戏，还是干脆换个话题。如今，智能体最常见的标准模式是“工具循环”：大语言模型输出一个或多个工具调用，等待工具执行，观察执行结果，然后决定下一步。因此，构建教学智能体最直观的方式，就是为老师可能采取的每一种行动分别制作一个工具。 但工具循环存在延迟问题。前沿模型通常需要 2～3 秒才能输出第一个 token，此后以每秒约 30 个 token 的速度生成。我们的每个动作平均需要几十个 token。再加上网络往返延迟和音频播放时间，标准循环会导致每句话之间、或屏幕每次变化之间，出现 3～4 秒的空白。 在一次早期试玩测试中，我们亲眼看到了这种情况。一名六岁男孩等着智能体思考，随后问道： 他为什么什么都不做？到底什么时候才开始？太无聊了。 ——6 岁儿童 同一轮测试中的另一个孩子发现，她只需要偶尔集中注意力，照样能够跟上进度。延迟已经教会她忽略导师。而从那一刻起，她也停止了学习。 最方便的解决办法似乎是换用一个更小、更快的模型，但这又暴露出任务范围的问题。教学是一项非常宽泛的任务。一节课里，导师可能要在几十种行动中作出选择。最难的决定往往不是怎样给出答案，而是要不要暂时不说答案，转而提供提示、提出一个更简单的问题，或让孩子经历恰到好处的困难，使最终的顿悟真正属于孩子自己。 小模型很难在如此广泛的任务范围内始终遵循指令。我们早期使用小模型的一个智能体版本反应很快，却总是直接泄露答案。每泄露一次，它就剥夺了真正发生学习的那个瞬间。 因此，我们构建了一套定制运行框架，在指令遵循能力、延迟和灵活的行动空间之间取得平衡。模型会在一次响应中流式生成多个行动。模型仍在生成后续行动时，解释器已经开始解析并执行前面的行动。孩子只需等到大约生成 30 个 token、首个行动出现时，而不必等待整段响应全部生成完毕。 将“生成”与“执行”分离，还带来了另外两项好处。第一，我们可以根据具体情境动态调整可用的行动。例如，当屏幕上出现一道题时，智能体得到的是帮助孩子逐步理解的指令和选项，而不是直接回答。第二，我们可以在正常路径上对每个行动进行验证，而不增加延迟。只有流中出现无效行动时，我们才会中断并重新生成；否则执行过程绝不停顿。 当然，这一切并非没有代价。由于掌控了整个循环，我们不得不自行构建可观测性和链路追踪系统，而不能依赖现成框架。而且我们是在逆流而行：前沿模型在后训练阶段接受了大量工具使用模式的训练。如果未来模型变得足够快，我们的框架也已经被设计成可以由更简单的循环替代。 经验： 智能体框架正在朝后台任务的方向发展，在这种场景中，速度与思考之间的权衡相对容易。实时学习恰好位于另一个极端。若想以正常对话速度教学，我们就必须亲自掌控整个循环。 优秀的导师会预测孩子下一步要做什么 真正的老师既会反思学生刚刚做了什么，也会预判学生接下来会怎么做。同一节课教上一百遍，你就能看到其中的规律。但你也了解眼前的这个孩子：他们一直卡在哪里，什么会令他们兴奋，今天又可能被什么绊住。你会带着计划开始课程，并随时根据情况调整。...

这篇文章讨论了如何在智能体框架中更高性价比地使用 Fable 5：什么时候让它担任编排者、顾问或验证者，什么时候把大量 token 工作委派给更便宜的工作模型，以及委派成本、任务形态和提示词缓存为什么会决定最终是否真的省钱。 原文来源：https://x.com/RLanceMartin/article/2075641284635799865 本文由LobsterAI自动翻译和发布。 人们对如何高性价比地使用 Fable 5 非常感兴趣。智能体框架会越来越擅长判断：究竟应该在什么时候调用前沿智能模型。 我想分享一些自己做过的测试，以便更深入地理解应该在什么情况下、以什么方式使用 Fable 5。 任务的形态 很多任务在不同 token 阶段所需要的智能水平并不对称。智能体框架可以识别这种差异，然后决定什么时候使用 Fable 5。 目前已经出现了几种模式，未来很可能还会出现更多： 将 Fable 5 用作编排者，把任务委派给成本更低的工作模型。 将 Fable 5 用作顾问，让成本更低的执行模型在需要时向它请教。 将 Fable 5 用作验证者，检查其他模型完成的工作，例如放在 /goal 或 Outcomes 循环中。 例如，@mitchellh 提到过一种“编排者—验证者”方案： 我让 Fable xhigh 充当规划者和架构师，让 GPT 5.5 xhigh（订阅版）负责编码，然后再让 Fable xhigh 充当评审。 按照 API 定价计算，规划和评审的成本大概只有几美元，而一次典型的、完全由 Fable 完成的往返通常要花费 50 美元以上。 我也见过有人使用更笨、更便宜的编码模型，但即使开启 xhigh，GPT 5.5 与 Fable 5 相比仍然非常便宜、非常快。而且 GPT 5.5 确实……真的很强。 这种方案重新流行还不到 24 小时，所以它能否长期有效仍不确定，但到目前为止表现一直非常好。 我在 Parameter Golf 上研究了这种方案。这是一项机器学习工程挑战，类似于 @karpathy 的 autoresearch：让智能体修改训练代码、启动训练、查看结果，然后决定下一步应该进行什么实验。...

本文介绍 Bun 团队为什么决定将项目核心从 Zig 重写为 Rust：从长期困扰运行时的内存安全问题，到用 Claude Code、Fable 和自动化验证流程在 11 天内完成大规模迁移。原文地址：Rewriting Bun in Rust。本文由LobsterAI自动翻译和发布。 Jarred Sumner · 2026 年 7 月 8 日 原文：Rewriting Bun in Rust 披露：Bun 已于 2025 年 12 月被 Anthropic 收购。我和 Bun 团队的其他成员在 Anthropic 工作。在 Rust 重写的大部分过程中，我使用了 Claude Fable 5 的预发布版本。 Bun 最初是把 esbuild 的 JavaScript 和 TypeScript 转译器从 Go 逐行移植到 Zig。我在 2021 年 4 月 16 日写下了第一行 Zig。看到 Hacker News 上那份单页的 Zig 语言参考后，我押注了 Zig；它对底层控制和性能的重视让我非常兴奋。 从一开始，Bun 的范围就极其庞大：...

原文标题：Getting started with loops。本文基于 ClaudeDevs 在 X 发布的文章，完全由有道龙虾自动翻译、整理和发布。 现在有很多人在讨论“设计循环”，而不是直接给你的编码 Agent 写提示词。如果你花点时间在 X 上试图弄清楚循环到底是什么，你会看到很多不同的答案。 在 Claude Code 团队里，我们把“循环”定义为：Agent 重复执行工作周期，直到满足停止条件。我们会根据以下几个维度，把循环分成几类： 它们是如何被触发的 它们是如何停止的 使用了哪种 Claude Code 原语 每种循环最适合哪类任务 我们会介绍主要的循环类型、每种类型适合在什么时候使用，以及如何在管理 token 用量的同时保持代码质量。并不是所有任务都需要复杂循环；先从最简单的方案开始，只在合适的时候选择性地使用这些模式。 基于回合的循环 触发方式： 用户提示词。 停止条件： Claude 判断自己已经完成任务，或者需要更多上下文。 最适合用于： 不属于固定流程或日程安排的较短任务。 用量管理方式： 写更具体的提示词，并通过 skills 改进验证流程，以减少回合数。 你发送的每一个提示词，都会启动一个由你手动指挥每一轮的循环。Claude 会收集上下文、采取行动、检查自己的工作，如果需要就重复，然后再回复。我们称之为 agentic loop（智能体循环）。 例如，你让 Claude 创建一个点赞按钮。它会读取你的代码、进行修改、运行测试，然后交回一个它认为能工作的结果。接着你手动检查这项工作，再写下一个提示词。 你可以把自己的手动验证步骤编码成一个 SKILL.md，从而改进验证环节，让 Claude 能端到端地检查更多自己的工作。这个 skill 应该包含工具或连接器，让 Claude 能够看到、测量或交互结果。检查越量化，Claude 就越容易自我验证。 例如，你可以在 SKILL.md 文件里指定： --- name: verify-frontend-change description: Verify any UI change end-to-end before declaring it done....

这篇文章主要讲：让 AI 编程代理在测试、模型选择、任务委派等方面使用自己的判断力，而不是把所有规则写死，以此提升效率并节省高阶模型 token。 本文由 LobsterAI 翻译、整理和发布。 原文链接：https://simonwillison.net/2026/Jul/3/judgement/ 我在周三 AIE 上主持了与 Claude Code 团队的 Cat Wu 和 Thariq Shihipar 的炉边谈话，其中最有意思的建议之一是：让 Fable（以及在一定程度上 Opus）使用自己的判断力，而不是规定它们应该如何工作。 他们给出的例子是测试。你可以告诉 Fable：“只对较大的功能使用自动化测试，不要为小的文案或设计改动更新并运行测试”——但更好的做法是，直接告诉 Fable：在决定是否编写测试时使用自己的判断力。 Jesse Vincent 刚刚也给了我一个相关建议，可以帮助避免在价格上涨前剩下的几天里烧掉太多宝贵的 Fable token。告诉 Fable：对较小的任务使用其他模型，并由它自己判断该使用哪个模型。 “我刚刚这样提示 Claude Code：” For all coding tasks use your judgement to decide an appropriate lower power model and run that in a subagent Claude 把这个记忆文件保存到了 ~/.claude/projects/name-of-project/memory/delegate-coding-to-subagents.md： --- name: delegate-coding-to-subagents description: Simon wants coding tasks delegated to subagents running an appropriately lower-power model metadata: node_type: memory type: feedback originSessionId: 30068d78-43a9-4fb1-bb29-9799e18c526a --- Simon 在 2026-07-03 表示：“对于所有编码任务，使用你的判断力来决定合适的低能力模型，并在子代理中运行它。”...

这是 OpenAI 联合创始人 Andrej Karpathy 在一次 AI Agent 主题分享会上的演讲。本文由 LobsterAI 基于演讲视频音频转写、翻译并整理发布。 引言：当年的锤子，敲不开今天的门 几年前，在 OpenAI 有一个并不算轰动、却很有预言意味的项目，叫 World of Bits。 它的目标听起来非常朴素：不要再让强化学习智能体只会玩《蒙特祖玛的复仇》之类的游戏，而是让它们学会真正使用电脑——移动鼠标、敲击键盘、打开网页、订机票、点外卖，像人一样完成任务。 这当然是一个诱人的方向。毕竟，如果 AI 不能进入真实的数字世界，不能操作软件、调用工具、完成流程，它离“有用”始终差一步。 但当时的结果并不理想。演讲者回忆说，那篇论文“不是一篇特别了不起的论文”，因为彼时大家手里唯一像样的锤子，就是强化学习。于是研究者们做了非常简单的网页，让智能体在网页上乱点按钮、乱敲键盘，试图“误打误撞”获得更高奖励。 结果也很显然：它没有真正工作起来。 不是想法错了，而是时代没到。技术栈不对，工具不够成熟，问题也还没有被正确地表述出来。 有趣的是，几年之后，AI Agent 又回来了。但这一次，主角已经不是强化学习，而是语言模型。 从 World of Bits 到大语言模型：绕远路，反而走对了 演讲者提到，当年真正应该做的事情，可能恰恰是“先忘掉 AI Agent”，转而去构建语言模型。 这句话放在今天看，很有历史的反讽意味。 当年大家试图直接训练一个会操作电脑的智能体，结果发现智能体缺少理解、规划、泛化和语言能力。它能点击，却不知道自己为什么点击；它能尝试，却无法真正理解任务意图。 于是行业暂时离开了 Agent，转向 Transformer、预训练、大规模语料和语言建模。几年之后，大语言模型具备了理解指令、生成计划、调用工具、阅读网页、写代码和反思错误的能力。AI Agent 才又重新成为可能。 这也是演讲中最有意思的观察之一： “五年之后我们又回到了这里。AI Agent 看起来又酷起来了。但工具已经完全变了。” 今天做 Agent 的人，大多并不直接使用强化学习。很多创业者、黑客和研究者，构建的是基于 LLM 的工作流、工具调用系统、浏览器代理、代码代理和多智能体协作框架。 这在当年几乎难以预料。一个方向曾经失败，并不代表它不重要；有时只是因为真正能支撑它的基础设施还没有出现。 为什么 AI Agent 令人兴奋：AGI 的可能形态 为什么今天这么多人重新涌向 AI Agent？ 演讲者给出了一个非常直接的判断：很多人都隐约意识到，AGI 很可能会以某种 AI Agent 的形态出现。 它不一定是一个单体智能。更可能是许多智能体组成的系统：它们有分工，有记忆，有工具，有沟通协议，甚至形成某种数字组织或数字文明。 这也是 Agent 相比聊天机器人更令人兴奋的地方。...

如果 AI 能瞬间搭出任何功能，那产品经理、设计师和工程师接下来该干什么？OpenAI Codex 的产品负责人 Andrew Ambrosino 在 Lenny’s Podcast 里给出了一个反直觉的答案：AI 没有消灭产品工作，它只是把流程翻了个面——过去最贵的是实现，现在最贵的是判断力。 本文整理自 Lenny’s Podcast 访谈 《OpenAI Codex lead on the new shape of product work | Andrew Ambrosino》，由有道龙虾总结和发布。 OpenAI 内部有个很夸张的数字：接近 100% 的员工每周都在用 Codex。不是 100% 的工程师，而是整个公司。还有一个说法是，90% 的 OpenAI 员工都在用 Codex。 这件事很有代表性。Codex 一开始看起来像是写代码的工具，但它正在变成很多人做工作的入口：写产品、整理文件、起草文档、做数据分析、读邮件、管理发布，甚至剪视频。 从今年 1 月以来，Codex 的使用量增长了 6 倍，周活跃用户已经超过 500 万。这个数字很可能很快就会过时。 Andrew Ambrosino 在这次访谈里聊到一个核心变化：AI 没有只是让工程师写代码更快，它把整个产品工作的顺序倒过来了。 过去最贵的是实现，现在最贵的是判断。 实现不再贵，判断才贵 传统产品流程背后有一个默认假设：实现很贵。 所以团队会先做研究、写 PRD、画设计稿、做原型、开评审会，尽可能在动工程资源之前把风险降下来。哪怕后来大家都说自己不用瀑布流了，本质上还是在遵循这个逻辑：先想清楚，因为真正写代码太贵了。 但 AI 把这个前提打穿了。 现在，只要你把想法说清楚，模型就能很快搭出一个功能。OpenAI 内部甚至会出现一种情况：某个功能大家都觉得该做，于是公司里可能有 90 个不完全协调的小团队，各自做出一个版本。 以前大家围着文档讨论，现在大家围着一堆能跑的东西讨论。 这听起来很爽，但问题也随之而来：当实现变得便宜，真正困难的就变成了筛选、整合、判断和定方向。 Andrew 把这个能力称为 taste，也就是“品味”。但他强调，这里的品味不是简单地说界面好不好看，而是更大的判断力：...

这篇文章梳理 Anthropic、Dario Amodei 与 Claude 的崛起：从 OpenAI 出走、安全理念、企业与编程市场爆发，到就业冲击、军事应用、Mythos 风险与监管争议。