本文整理自2025 年底张小珺对朱啸虎（金沙江创投主管合伙人）的最新访谈。朱啸虎是一个非常有意思的投资人，每次访谈中抛出的观点都非常的犀利且具有前瞻性。对于 AI 我们既要仰望星空，也要脚踏实地，如果说萨姆奥特曼和梁文锋是在仰望星空，目标是实现 AGI，而朱啸虎就是那个最佳脚踏实地的人。在 Gemini 3 Pro 的帮助下，我把本次采访中最核心的内容转成了一篇精彩的文章，以下为文章内容。 最近很多人都在问同一个问题：站在2025年的门槛上，AI是不是已经有泡沫了？ 对此，我的回答很干脆：至少三年内，我看不到泡沫。 当菜市场的大妈都在聊泡沫的时候，泡沫肯定还没破；当大家都还是像现在这样将信将疑、甚至二级市场还在故意回调吓唬人的时候，这反而是进场的好时机。 为什么这么笃定？看数据。现在不仅是OpenAI，中国很多并不知名的创业公司，每天的Token消耗量都在几百亿的级别。这种十几倍的爆发式增长，说明应用端是真的有人在用，而且用的量极大。 这就是为什么这甚至不能被称为泡沫，我们现在的算力、GPU卡甚至电力都已经跟不上需求的爆发了。 在这场近46分钟的深度复盘中，我想和大家分享一下这一年来我的观察，以及在这个“如果不搞现实主义就要饿死”的当下，创业者该如何在巨头的夹缝中求生。 一、 Sam Altman 变现实了：AGI是梦，DAU才是命 今年最大的变化，就是大家越来越“现实”了。 你看OpenAI的Sam Altman，今年几乎不怎么提AGI（通用人工智能）那种宏大叙事了。为什么？因为AGI太难了，那个饼画得太远。现在的OpenAI像极了一个成熟的VC投资人做出来的公司——务实。 ChatGPT最近的动作非常清晰：做Search（搜索）、做Canvas（浏览器）、甚至推出了群聊功能。这一连串动作背后的逻辑只有一个：从周活（WAU）向日活（DAU）转型。 纯粹的AI对话很容易变成一种“周活”甚至“月活”工具（这也是为什么像Kimi这类产品其实很难防守），只有切入高频场景，哪怕是做个群聊里的“点赞氛围组”，也是在争夺流量入口。 OpenAI现在的野心不是取代人类，而是想成为下一个超级入口（Super App）。一旦群聊生态建立，它下一步就是要重构社交关系链。这才是Meta（Facebook）最害怕的事情。 所以，这不再是模型之争，而是类似当年移动互联网时代的微信、WhatsApp之争。 二、 中国市场的“六小龙”与“扫地僧” 回到国内，格局还处于早期，但我非常看好字节跳动（豆包）。他们的流量优势太明显，产品体验打磨得也极好。阿里的通义千问虽然动作稍微慢了点，在“既要电商又要AI”的双线作战中有点纠结，但底子很厚，模型能力绝对处于第一梯队。 这里必须要特别提一下DeepSeek（深度求索）。 如果在2024年初你问我，我也许还看不准，但现在回看，DeepSeek简直是中国AI界的“功臣”。如果没有他们的开源，人类的AI技术很可能就被几家美国私有公司垄断了。DeepSeek的存在，不仅让中国建立了独立的开源生态，也倒逼了模型价格的快速下降。 虽然这对做模型的商业化公司来说是个噩耗——当Token价格被大厂（如字节火山引擎、阿里云）打到地板价，甚至“送”的时候，创业公司靠卖API基本没戏了。 但对做应用的人来说，这简直是黄金时代。 三、 投资逻辑：偏离“共识”15度 现在的VC圈很卷，美国和中国的投资人都在盯着同样的几个赛道（比如人形机器人）。当一个赛道所有人都看明白、都想投的时候，我就不碰了。 我的策略是**“偏离共识15度”**。你要找那些大厂看不上、不想干、或者还没反应过来的“脏活累活”。 这一年我投了十几家公司，有些非常有意思： 不投人形机器人，投“牛马机器人”：大家都在卷那个双足行走的人形机器人，太贵且没场景。我投什么？海里洗船的机器人。这活儿人类干着危险，海水浑浊又腐蚀，但需求是刚性的；我还投了按摩机器人，不仅能按得舒服，还能一边按一边陪你聊天，甚至给你推销办卡，性价比极高。 AI陪伴与玩具：这是一个被严重低估的市场。成年人，特别是男性，其实非常需要情绪价值。我们投的一家AI陪伴公司，不到半年数据就爆了，用户粘性和付费意愿高得吓人。 垂直SaaS出海：不需要一定要做大模型，拿一个开源的7B或30B小模型，做私有化部署，去解决一个极度垂直的问题。比如我们投的给第三方做智能穿戴解决方案的公司，生意好得不得了。 四、 给创业者的忠告：活在夹缝里 如果你是创业者，现在不要再跟我讲什么“中国版OpenAI”或者“千亿美金”的故事了。讲这种宏大叙事的，我一般聊10分钟就结束了。 现在的机会在“夹缝”里。 当年的移动互联网，大厂看不上打车（滴滴）、看不上送外卖（美团/饿了么），所以给了创业者几年“猥琐发育”的时间。 但AI时代不同，大厂太焦虑了，反应速度极快。你做一个功能，如果是纯工具（比如修图、润色），大厂的模型升级一次你就没了。 生存法则： 离大厂三条马路：不要做大厂主业延伸线上的东西，要做大厂觉得苦、脏、累，或者数据极其封闭垂直的领域。 不要迷信SOTA（State Of The Art）：现在的创业公司去刷榜、去搞模型排名没有任何意义。你花几千万美金训练出来的模型，可能也就领先大厂一个月。对于绝大多数应用场景，一个低成本的、响应快的开源小模型完全够用。 一定要有商业化能力：不要想着先烧钱再赚钱。今天的资本市场环境，如果你不能证明你的造血能力，不管是港股上市还是后续融资，都会非常困难。 五、 未来推演：2026年，中国有机会 如果不确定性是唯一的确定性，那么只有把时间拉长来看才清晰。 短期看，美国在模型层面的确还领先3-6个月。但是限制美国AI发展的最大瓶颈即将到来——电力和基础设施。 美国的电网建设、核电站审批极其缓慢。而中国在光伏、核电以及数据中心建设上的执行力是惊人的。未来拼的不是谁的模型参数大，而是谁能更便宜、更稳定地提供大规模算力。 我相信，凭借中国的开源生态和基础设施优势，三五年后，中国的AI应用完全有机会反超美国。 所以，别管那个所谓“泡沫”的争论了。对于中国创业者来说，现在的策略应该非常简单直接： 别想大故事，找到那个缝隙，全速前进。这是属于实干家的时代。

本文整理自 9 年前也就是 2016 年萨姆奥特曼（当时还是 YC 的总裁）对埃隆·马斯克（Elon Musk）的一次非常经典的访谈，时至今日来看这次访谈依然不过时，且非常具有前瞻性。马斯克在采访中不仅谈到了年轻人该如何选择人生方向，还深入剖析了他对AI、火星殖民以及克服恐惧的底层逻辑。在 Gemini 3 Pro 的辅助下，我把本次采访的内容转成了一篇精彩的文章，以下为文章内容。 埃隆·马斯克给年轻人的建议：别总以此为目标去“改变世界” 如果你现在22岁，正站在人生的十字路口，马斯克并没有建议你上来就去挑战“改变世界”这种宏大叙事。 1. 重新定义“有用” 马斯克认为，判断一件事是否有价值，核心在于它是否对社会有用。这不一定非得是惊天动地的大事。哪怕你只是开发了一个小游戏，或者改进了照片分享的功能，只要它能给很多人带来一点点快乐或便利，这就是有价值的。 他提出了一个很有趣的计算方式：实用性的增量（Utility Delta） × 受众数量。 做一件对少数人有巨大改变的事是极好的。 做一件对无数人有微小改变的事，同样伟大。 两者的“曲线下面积”其实是相当的。所以，不要因为事情看起来微不足道就觉得没意义。 2. 只有这三件事值得现在的年轻人全力以赴 虽然马斯克年轻时有五个想解决的问题（多行星生存、可持续能源、互联网、以及接下来的两项），但他认为如果你现在入局，有三个领域最能影响人类未来： 人工智能（AI）：这是近期内对人类影响最大的单一变量。现在的关键是确保它的发展方向是良性的。 基因工程：如果我们能通过基因重编程解决遗传疾病、治愈老年痴呆或失智症，那将是人类的福音。 脑机接口（高带宽人脑接口）：这是马斯克非常看重的一点。他认为人类其实已经是“半机器人”了——我们的手机、电脑、邮件就是我们的“数字延伸”。但问题在于带宽。我们的大脑（皮层）和数字设备之间的连接太慢了（想想你用手指打字的速度）。解决这个“输入输出瓶颈”，是未来的关键。 3. 关于读博的建议 想要变得有用，非得读个博士吗？马斯克的回答很干脆：大多数情况下，不需要。 除非你研究的技术正处于爆发的临界点（inflection point），否则很多时候，在这个快速变迁的时代，学术研究可能会让你与实际应用脱节。 直面恐惧与“熵增”定律 很多人觉得马斯克是无所畏惧的，毕竟只有疯子才会同时搞火箭和电动车。但他在采访中坦白：“我其实经常感到恐惧，而且是很强烈的恐惧。” 即使只有10%的成功率，也要去做 不管是SpaceX还是Tesla，马斯克在起步时给自己估算的成功率都不到10%。他甚至已经做好了“最后会失去一切”的心理准备。 那为什么还要做？这时候**“宿命论”**反而帮了大忙。既然已经接受了大概率会失败的结果，恐惧感就减轻了。他的想法很简单：只要能把球往前推一点点，就算公司倒闭了，也许后来者能接过接力棒继续跑，那也是有意义的。 技术不会自动进步 这是一个非常深刻的历史观。马斯克提醒我们，“熵”也是站在我们对立面的。 很多人误以为技术会随着时间推移自动变好。大错特错。 古埃及人曾建造了金字塔，後來忘记了怎么建，甚至忘记了怎么读象形文字。 古罗马人曾拥有惊人的水道和道路系统，後來也都遗失了。 1969年我们能登月，后来只能飞近地轨道，航天飞机退役后，美国甚至一度无法载人上天。 如果没有一群聪明人发疯似地（work like crazy）去维护和创新，技术实际上是会倒退的。 火星殖民与AI的终局 火星：从“不可能”到“十年内” 几年前，马斯克自己都不确定火星殖民是否只是个幻想。但现在，他非常确定这是可行的。他预测在未来大概10年（甚至9年）内，我们有望把足够多的人送上火星。 有趣的小知识：去火星的“网速”会有延迟。地球到火星光速大概需要4到20分钟（取决于两者的位置），所以你在火星上跟地球视频通话会有明显的滞后。 AI的最佳结局：民主化与人机共生 关于AI的未来，马斯克最担心的不是AI这技术本身产生自我意识，而是权力的集中。如果超级AI掌握在某个独裁者、某个国家的情报机构或极少数人手中，那是极其危险的。 他提出的解决方案是：AI技术的民主化。 这也是OpenAI成立的初衷（尽管当时才成立六个月）——让技术尽可能普及，而不是被垄断。 更进一步，人类如何不被淘汰？答案还是回到脑机接口。 人类的大脑分两部分： 边缘系统（Limbic System）：原始大脑，负责本能、情绪。 大脑皮层（Cortex）：负责理性思考。 目前这两者在我们脑子里配合得还不错。未来的方向是将AI变成我们的“第三层大脑”。通过高带宽接口，让人类与AI共生。既然我们就是AI，就不存在“AI控制人类”的问题了。 真实的马斯克：我不是个“生意人” 很多外界的年轻人想成为“下一个埃隆·马斯克”，往往是看到了光鲜亮丽的一面。在采访的最后，马斯克透露了他真实的工作状态。 他根本不觉得自己在做传统意义上的“商业（Business）”。 在SpaceX，虽然他是CEO，但他把法务、财务、销售都交给了Gwynne Shotwell。 他80%的时间都花在了工程和设计上。 并不是坐在办公室签文件 如果你去SpaceX或Tesla找他，你大概率会在设计室或工厂产线上看到他。...

本文翻译自一位印度工程师在博客上发布的文章：I Reverse Engineered ChatGPT’s Memory System, and Here’s What I Found!。作者通过逆向工程发现了 ChatGPT 的记忆系统的实现方式，与普遍猜测不同，ChatGPT 并没有使用复杂的向量数据库或针对对话历史的 RAG（检索增强生成）技术。相反，它采用了一种分层架构，主要由以下四个核心部分组成： 会话元数据 (Session Metadata) 这是在会话开始时一次性注入的临时信息，包括设备类型、浏览器信息、大致位置、订阅等级以及使用模式（如活跃频率）。 这些信息帮助模型根据用户当前的软硬件环境调整回复，但不会在会话结束后保留。 用户记忆 (User Memory) 这是一个专门用于存储长期事实的工具，例如用户的姓名、职业目标、健身习惯及个人偏好。 作者的案例中存储了 33 个事实。这些信息通常在用户明确要求（如“记住这个”）或模型检测到关键信息并获得隐含确认时被存储。 这些记忆作为一个独立的模块，会被注入到每一次未来的提示词（Prompt）中。 近期对话摘要 (Recent Conversations Summary) 系统不会检索过去对话的完整记录，而是保留一份轻量级的摘要列表。 该列表包含时间戳、对话标题以及用户消息的片段。 这种方法充当了用户近期兴趣的“粗略地图”，在避免高延迟和 Token 成本的同时，维持了跨对话的连续性。 当前会话消息 (Current Session Messages) 这是当前对话的完整历史记录，采用滑动窗口机制。 其容量基于 Token 数量限制而非消息条数。当达到限制时，旧消息会被移除，但用户记忆和对话摘要依然保留，以确保当前对话的连贯性。 传统的 RAG 系统需要对每条过去的消息进行嵌入（Embedding）和相似度搜索，成本高且延迟大。ChatGPT 的方法通过预计算轻量级摘要并直接注入，牺牲了部分历史细节，换取了更快的响应速度和更高的效率。 原文 当我问 ChatGPT 它记得关于我的什么时，它列出了从我的名字和职业目标到我目前的健身计划等 33 个事实。但它实际上是如何存储和检索这些信息的呢？为什么感觉如此无缝？ 经过广泛的实验，我发现 ChatGPT 的记忆系统比我预期的要简单得多。没有向量数据库。没有基于对话历史的 RAG（检索增强生成）。相反，它使用四个不同的层：适应你环境的会话元数据、长期存储的显式事实、最近聊天的轻量级摘要以及当前对话的滑动窗口。 这篇博客详细剖析了每一层是如何工作的，以及为什么这种方法可能优于传统的检索系统。这里的所有内容都来自于通过对话对 ChatGPT 行为的逆向工程。OpenAI 并没有公布这些实现细节。 ChatGPT 的上下文结构 在理解记忆之前，重要的是要理解 ChatGPT 接收到的每条消息的完整上下文。结构如下： [0] 系统 指令 [1] 开发者 指令 [2] 会话 元数据 (临时的) [3] 用户 记忆 (长期 事实) [4] 最近 对话 摘要 (过去的 聊天, 标题 + 片段) [5] 当前 会话 消息 (本次 聊天) [6] 你的 最新 消息 前两个组件定义了高级行为和安全规则。它们不是本博客的重点。有趣的部分始于会话元数据。...

这份报告基于 OpenRouter 平台超过 100 万亿 token 的数据，深入分析了截至 2025 年底的大型语言模型（LLM）使用现状。报告揭示了 AI 领域正从简单的文本生成向复杂的多步推理转变，开源模型正在重塑市场格局，且用户的使用习惯呈现出明显的全球化和多样化趋势。 主要观点 从模式匹配到多步推理的范式转变 随着 2024 年 12 月 5 日 OpenAI 发布 o1 模型，AI 领域迎来了转折点。行业重心从单次前向传递的模式生成，转移到了包含内部多步思考和规划的“推理”模型。这种转变加速了代理式（Agentic）工作流的部署。 开源模型与专有模型的双重生态 虽然专有模型（如 Anthropic 和 OpenAI 的产品）在高端任务中仍占主导，但开源模型（OSS）已占据约 30% 的市场份额。特别是来自中国的模型（如 DeepSeek 和 Qwen ）增长迅速，不仅在成本上具有优势，在性能上也日益强劲，促使市场形成了多元化的竞争格局。 编程与角色扮演主导应用场景 与普遍认为 AI 主要用于生产力工具的印象不同，数据表明“创造性角色扮演”和“编程辅助”是两大核心用例。开源模型在角色扮演领域尤为流行，而编程任务则推动了长上下文和复杂推理的需求。 “灰姑娘水晶鞋”留存效应 用户留存率分析揭示了一种被称为“灰姑娘水晶鞋”的现象：当一个新模型首次完美解决某类用户的特定痛点（即“合脚”）时，这些早期用户群体会形成极高的忠诚度和长期留存，即使后续有新模型推出也不易流失。 关键细节 数据来源与规模 数据基础：研究基于 OpenRouter 平台上的真实交互元数据，涵盖超过 100 万亿 token 的流量，时间跨度主要集中在 2024 年底至 2025 年底。 隐私保护：分析仅基于元数据（如 token 数量、模型类型、地理位置标签），不涉及具体的提示词或生成内容。 开源模型的崛起与演变 市场份额：开源模型的使用量稳步上升，其中中国开发的开源模型在 2025 年下半年增长显著，部分周次占总流量的近 30% 。 竞争格局：市场不再由单一模型垄断。DeepSeek 曾占据主导，但目前 Qwen 、 Meta LLaMA 、 Mistral AI 等多家厂商均占有重要份额。 模型尺寸：市场出现了“中间地带”。用户不再只选择极小或极大的模型， 150 亿至 700 亿参数的“中等”模型因平衡了能力与效率而受到青睐。 代理式推理（Agentic Inference）的兴起 推理模型占比：到 2025 年底，经过推理优化的模型处理了超过 50% 的 token 流量。 序列长度增加：平均 Prompt（提示词）长度增加了约 4 倍，主要由编程任务驱动。编程任务的输入通常包含大量代码上下文，远超一般对话。 复杂性提升：用户不再只是进行单轮问答，而是越来越多地使用多步工具调用和长上下文交互。 应用类别深度分析 编程（Programming）：是增长最快且最具战略意义的类别。 Anthropic 的 Claude 系列在此领域长期占据 60% 以上的份额，但正面临来自 OpenAI 和 MiniMax 等对手的激烈竞争。 角色扮演（Roleplay）：在开源模型使用中占比超过 50% 。这表明开源模型因其灵活性和较少的限制，成为互动娱乐和创意写作的首选。 其他类别：科技、翻译和一般知识问答构成了长尾需求。 地理分布与全球化 亚洲崛起：亚洲地区的支出占比从早期的 13% 激增至 31% ，成为重要的 AI 消费和创新中心。 全球格局：虽然英语占主导（ >80% ），但中文（简体）是第二大语言，占比近 5% 。北美以外的地区贡献了超过一半的使用量。 成本与使用量的关系 价格弹性弱：整体上，价格降低并未直接带来同比例的使用量激增。市场呈现两极分化： 高价高值：专有模型（如 GPT-4 ）价格高昂，但因其在关键任务上的可靠性，需求依然强劲（缺乏弹性）。 低价高量：开源模型以极低的成本承接了海量的、对价格敏感的任务（如角色扮演）。 Jevons 悖论：在某些高效模型（如 Gemini Flash ）上观察到了 Jevons 悖论，即成本降低反而导致总 token 消耗量大幅上升。 原文：AI 现状报告 一项基于 OpenRouter 的 100 万亿 Token 实证研究...

本次对话是 Core Memory 播客主持人 Ashley Vance 与 OpenAI 首席研究官 Mark Chen 之间的深度访谈。访谈内容涵盖了 OpenAI 在激烈的 AI 人才争夺战中的立场、公司的核心研究策略、AGI（通用人工智能）的发展进程、以及 Mark Chen 个人的职业背景和对未来的展望。 关键细节 激烈的招聘战术 汤的故事： 为了挖角 OpenAI 的研究人员，Mark Zuckerberg 曾亲自手写信件并送去“亲手煮的汤”（虽然后来 Mark Chen 调侃这可能只是某种策略）。 薪资反击： Mark Chen 透露，OpenAI 明确告知员工不会与 Meta 进行“一美元对一美元”的薪资对抗，但员工因相信公司的研究前景而选择留下。 技术竞争与评估 Gemini 3 与基准测试： 针对 Google 发布的 Gemini 3 ，Mark Chen 表示 OpenAI 内部已有性能相当甚至更好的模型。他提到基准测试只能说明一部分问题，他个人喜欢用一个关于“42”的数学难题（模 42 随机数生成器问题）来测试模型，目前尚无模型能完美解决。 预训练的回归： 过去两年 OpenAI 在 RL（强化学习）和推理模型（如 o1）上投入巨大，导致预训练的“肌肉”稍有萎缩。最近半年，团队已重新将重心放回“超级预训练”（Supercharging Pre-training）上，并认为 Scaling Law（缩放定律）并未失效。 个人背景与成长 从金融到 AI： Mark Chen 毕业于 MIT，曾在华尔街从事高频交易（HFT）。他在看到 AlphaGo 的比赛后受到启发，转行进入 AI 领域。 OpenAI 的早期岁月： 他在 2018 年加入 OpenAI，当时公司仅有约 20 人。他最初作为一名“驻场研究员”（Resident）加入，后来负责了 Codex 和 ImageGPT 等重要项目。 组织动荡的回忆 Sam Altman 事件： 在 Sam Altman 被解雇期间，Mark Chen 与其他核心成员（如 Jakub）起草了请愿书，并在凌晨 2 点获得了超过 90% 研究员的签名支持。他描述那段时间大家为了保护团队不被挖角，甚至睡在办公室，展现了极高的忠诚度。 未来产品形态 与 Jony Ive 的合作： Mark Chen 认为目前的 ChatGPT 交互方式很“笨”，缺乏记忆和深度思考。未来的设备应该能理解用户的深层意图，并具有持续的记忆功能。 安全研究细节： 在 o1 模型的开发中，OpenAI 决定不人工干预或监管模型的“思维过程”（Thinking Process），以确保模型不会为了取悦人类而学会撒谎或隐藏真实意图。 原文 在该行业最激烈的时刻，Ashley Vance坐下来与OpenAI目前最核心的研究主管之一、高级副总裁Mark Chen进行了一场深度对话。从硅谷的抢人大战到AGI的终极形态，从备受争议的“宫斗”风波到与前苹果设计总监Jony Ive的神秘硬件合作，这场对话揭示了OpenAI在这场世纪竞赛中的真实心态。...

本文翻译自 Kilo Code 官方撰写的博客：Benchmarking Gpt 51 vs Gemini 30 vs Opus 45。其中对比了三大 AI 巨头于同月发布的最新编程模型： OpenAI 的 GPT-5.1 、 Google 的 Gemini 3.0 和 Anthropic 的 Opus 4.5 。通过三项不同的编程任务测试，结果显示 Claude Opus 4.5 是表现最全面、得分最高且速度最快的模型，适合追求一次性完成度和生产就绪代码的场景； GPT-5.1 倾向于防御性编程，注重安全性和详细文档；而 Gemini 3.0 则以最低的成本和最严格的指令遵循度著称，适合需要精确控制和极简代码的场景。 模型风格差异 Claude Opus 4.5 ：代码组织严密，功能最完整，自动包含环境配置和错误处理，但成本最高。 GPT-5.1 ：风格“防御性”强，会自动添加未请求的安全检查、详细注释和类型定义，代码较为冗长。 Gemini 3.0 ：风格极简，严格按字面意思执行指令，不添加多余功能，成本最低。 关键细节 测试方法 测评使用了 Kilo Code 平台，设计了三个涵盖不同挑战的测试： 提示词遵循测试：编写具有严格规则的 Python 速率限制器。 代码重构测试：修复一个充满漏洞的 TypeScript API 遗留代码。 系统扩展测试：理解现有通知系统架构并添加电子邮件处理程序。 具体测试表现 测试 1（Python 速率限制器）： Gemini 3.0 得分最高（99/100），严格遵循了所有指令，未添加多余代码。 GPT-5.1 添加了未请求的输入验证和安全检查，虽然出于好意但违反了“严格遵循”的初衷。 Opus 4....

本文由 Anthropic 工程师 Justin Young 撰写：Effective harnesses for long-running agents。本文探讨了随着 AI Agent能力增强，在处理跨越数小时或数天的复杂任务（如软件工程）时面临的核心挑战：如何在多个有限的上下文窗口（context windows）之间保持工作的连贯性。作者指出，仅靠上下文压缩不足以解决问题，Agent 容易出现试图一次性完成任务（one-shotting）或过早宣布任务完成的失败模式。 为了解决上述问题，作者提出了一套基于 Claude Agent SDK 的双重解决方案： 初始化Agent （Initializer agent）：负责在首次运行时设置环境和规划任务。 编码Agent （Coding agent）：负责在后续会话中进行增量开发，并为下一次会话留下清晰的记录。 这一方案通过结构化的环境设置、详细的功能列表和严格的增量工作流，确保Agent 能够像人类工程师轮班一样，在没有先前记忆的情况下高效接手工作。 关键细节 核心挑战与失败模式 上下文限制：Agent 在离散的会话中工作，新会话开始时没有之前的记忆。 常见错误：在使用 Opus 4.5 等前沿模型时，若仅给出高层级提示，Agent 倾向于试图一次性构建整个应用，导致上下文耗尽、功能半途而废且缺乏文档；或者在仅完成部分功能后误判项目已完成。 解决方案的具体实施 环境初始化：Initializer agent 会创建关键的基础设施，包括： init.sh 脚本：用于启动开发环境。 claude-progress.txt 文件：记录Agent 的操作日志。 初始的 git 提交：建立版本控制基础。 功能列表（Feature List）：创建一个包含详细需求的 JSON 文件（例如 claude.ai 克隆项目包含 200 多个功能点）。选择 JSON 而非 Markdown 是为了防止模型意外覆盖文件结构。 增量工作流与状态管理 快速上手（Getting up to speed）：Coding agent 在每个会话开始时执行标准化步骤： 运行 pwd 确认工作目录。 读取 git 日志和进度文件以了解最近的工作。 读取功能列表，选择优先级最高且未完成的功能。 运行 init....

2025 年 12 月 1 号，DeepSeek 正式开源 DeepSeek V3.2 系列模型：DeepSeek-V3.2 和 DeepSeek-V3.2-Speciale，该系列模型架构仍然沿用 DeepSeek 的 V3 架构（拥有 671B 总参数/37B 激活参数）。 DeepSeek-V3.2 的目标是平衡推理能力与输出长度，适合日常使用，例如问答场景和通用 Agent 任务场景。在公开的推理类 Benchmark 测试中，DeepSeek-V3.2 达到了 GPT-5 的水平，仅略低于 Gemini-3.0-Pro；相比 Kimi-K2-Thinking，V3.2 的输出长度大幅降低，显著减少了计算开销与用户等待时间。 DeepSeek-V3.2-Speciale 的目标是将开源模型的推理能力推向极致，探索模型能力的边界。V3.2-Speciale 是 DeepSeek-V3.2 的长思考增强版，同时结合了 DeepSeek-Math-V2 的定理证明能力。该模型具备出色的指令跟随、严谨的数学证明与逻辑验证能力，在主流推理基准测试上的性能表现媲美 Gemini-3.0-Pro（见下表）。 更令人瞩目的是，V3.2-Speciale 模型成功斩获 IMO 2025（国际数学奥林匹克）、CMO 2025（中国数学奥林匹克）、ICPC World Finals 2025（国际大学生程序设计竞赛全球总决赛）及 IOI 2025（国际信息学奥林匹克）金牌。其中，ICPC 与 IOI 成绩分别达到了人类选手第二名与第十名的水平。 Tips：在高度复杂任务上，Speciale 模型大幅优于标准版本，但消耗的 Tokens 也显著更多，成本更高。目前，DeepSeek-V3.2-Speciale 仅供研究使用，不支持工具调用，暂未针对日常对话与写作任务进行专项优化。 思考融入工具调用 不同于过往版本在思考模式下无法调用工具的局限，DeepSeek-V3.2 是 DeepSeek 推出的首个将思考融入工具使用的模型，并且同时支持思考模式与非思考模式的工具调用。DeepSeek 团队提出了一种大规模 Agent 训练数据合成方法，构造了大量「难解答，易验证」的强化学习任务（1800+ 环境，85,000+ 复杂指令），大幅提高了模型的泛化能力。 DeepSeek-V3.2 模型在以上 Agent 评测中达到了当前开源模型的 SOTA。...

DeepSeek 于 2025 年 11 月 27 日发布 DeepSeekMath-V2 模型，并开源到 HuggingFace。该模型构建于 DeepSeek-V3.2-Exp-Base 之上，模型参数为 685B。 大型语言模型在数学推理方面取得了显著进展，这不仅是人工智能的重要试验场，若能进一步发展，还将对科学研究产生深远影响。通过利用奖励正确最终答案的强化学习来扩展推理能力，大语言模型（LLM）在短短一年内从表现不佳发展到在 AIME 和 HMMT 等定量推理竞赛中达到饱和状态。然而，这种方法面临着根本性的局限性：追求更高的最终答案准确率并未解决一个关键问题：正确的答案并不保证推理过程是正确的。此外，许多数学任务（如定理证明）需要严谨的逐步推导而非数值答案，这使得基于最终答案的奖励机制不再适用。为了突破深度推理的极限，我们认为有必要验证数学推理的全面性和严谨性。自我验证对于扩展测试时计算（test-time compute）尤为重要，特别是针对那些没有已知解的开放性问题。为了实现可自我验证的数学推理，我们研究了如何针对定理证明训练一个准确且忠实的大模型验证器。随后，我们使用该验证器作为奖励模型来训练证明生成器，并激励生成器在定稿之前尽可能多地识别并解决自身证明中的问题。随着生成器变得更强，为了维持生成与验证之间的差距，我们提出扩展验证计算规模，自动标注那些难以验证的新证明，从而创建训练数据以进一步改进验证器。我们的最终模型 DeepSeekMath-V2 展示了强大的定理证明能力，在扩展测试时计算的情况下，在 IMO 2025 和 CMO 2024 中获得了金牌级分数，并在 Putnam 2024 中取得了近乎完美的 118/120 分。尽管仍有许多工作要做，但这些结果表明，可自我验证的数学推理是一个可行的研究方向，可能有助于开发能力更强的数学 AI 系统。 2. 评估结果 以下是在 IMO-ProofBench（由开发 DeepThink IMO-Gold 的 DeepMind 团队开发）以及近期的数学竞赛（包括 IMO 2025、CMO 2024 和 Putnam 2024）上的评估结果。 IMO-ProofBench 数学竞赛 3. 快速开始 DeepSeekMath-V2 构建于 DeepSeek-V3.2-Exp-Base 之上。 关于推理支持，请参阅 DeepSeek-V3.2-Exp GitHub 仓库。

本文来自于 Youtube 博主 Dwarkesh Patel 对 Ilya Sutskever（SSI 创始人、前 OpenAI 首席科学家）的最新深度访谈。访谈中，Ilya 谈到为何 Scaling Law 遭遇瓶颈？什么是 AI 真正缺失的“泛化”能力？SSI 为何选择不发产品的“直通”路线？并给出了 AI 未来 5-20 年的终极推演。本文由我和 Gemini 3 Pro 共同整理完成。 身处旧金山湾区，有时候你会觉得这一切都很魔幻。我们正处在科幻小说变成现实的中心，但一切发生得又是如此“平淡”。这或许就是所谓的“缓慢起飞”（Slow Takeoff）——即使我们正把 GDP 的 1% 投入到 AI 中，对于大多数普通人来说，除了新闻里那些令人咋舌的融资数字，生活似乎并没有什么翻天覆地的变化。 但这种平静可能只是暴风雨前的宁静。 最近，Ilya Sutskever 对 AI 行业的现状、技术的瓶颈以及他新公司 SSI (Safe Superintelligence) 的路线图进行了一次极高密度的分享。如果你厌倦了市面上千篇一律的“Scaling Law（缩放定律）万岁”论调，这篇深度解读或许能给你通过迷雾的指引。 一、 悖论：为什么 AI 既聪明又“智障”？ 我们现在面临一个非常令人困惑的现象：模型在各种高难度基准测试（Evals）中表现极其出色，看似智商爆表，但在实际经济应用中，甚至在一些简单任务上，却显得笨手笨脚。 举个很典型的“写代码”例子：你让 AI 修复一个 Bug，它说“好哒我修好了”，结果引入了一个新 Bug；你指出新 Bug，它说“哎呀我错了”，结果又把旧 Bug 改回来了。这种死循环在真实开发中并不罕见。 为什么会这样？Ilya 提出了两个解释： RL（强化学习）的副作用：现在的模型经过了大量的 RL 训练。这让它们变得像那种“钻牛角尖”的学生。如果预训练（Pre-training）是让模型通过阅读海量数据来“理解世界”，那么 RL 就像是为了应试而刷题。 “做题家”与“天才”的区别： 现在的 AI 就像一个**“顶级竞赛选手”**，为了拿金牌，它刷了 1 万小时的题，背下了所有解题套路。如果你出的题在它的题库范围内，它秒杀全场。 但我们真正想要的是那种**“有天赋的学生”**，哪怕只学了 100 小时，但他真正“懂”了，具备了举一反三的泛化能力。 目前的业内做法是：为了让模型在编程竞赛中拿高分，就把所有的竞赛题都喂给它，甚至通过数据增强造出更多的题。结果我们得到了一堆“做题机器”，但当你把它放到真实世界那种从未见过的复杂代码库中时，它就因为缺乏真正的“泛化能力”而露馅了。...