AI 世界今日之变

OpenAI 的 Thibault Sottiaux 用一条简短预告引爆全场——"戴上墨镜。Sol 来了。😎"——配上一张太阳镜 emoji 和一段引用内容。4150 赞、230 转推、368 条回复，说明整个社区都在等待这个消息。"Sol" 很可能是 OpenAI 的下一个重大产品发布——也许是新模型、新的 agent 能力、或是 Codex 的重大升级。

Box CEO Aaron Levie 在与数十位企业 IT 领袖密集会面后，总结出 AI Agent 在企业落地的七大核心命题：

① 组织孤岛 vs 跨职能 Agent：大多数企业的组织架构按职能分隔，但 Agent 最有效时是跨越这些边界绑定到流程上的。谁来管理这些跨职能 Agent？如何部署和采纳？

② 数据碎片化：只要数据仍然高度分散且非标准化，Agent 给出的答案就难以准确或符合企业实际。这同时涉及结构化数据（产品指标、收入数据）和非结构化数据（产品路线图、客户合同）。

③ 数据护城河：如果每个人都能获得大致相同的超级智能模型，那么你喂给模型的上下文就成了未来的专有价值。捕获这些数据并让 Agent 可用变得至关重要——"数据确实是新的石油"。

④ 指标困境：大家都在找正确的 AI 采纳衡量指标。共识是 token 数不是正确指标，倾向于业务成果（收入增长、产品交付量），但这需要深入每个工作流来判断是否真正被 AI 转化了。

⑤ 多模型世界：企业越来越倾向生活在多模型世界中，对可以在成本或性能层面路由工作负载到不同模型的层表现出浓厚兴趣。

⑥ 人才短缺：驱动 AI 采纳和实施的人才仍然严重不足，多数企业认为必须内部培训。

⑦ 真正改变工作：最好的 AI 用例是那些从根本上改变了工作方式的，而不仅仅是替代现有流程并做得更高效。

Anthropic Claude Code 团队的 Thariq 展示了一个意外惊艳的用例：Claude 自主决定将幻灯片转化为 YouTube Shorts。他从一个 PPT 演示文稿开始，Claude 自动：① 将静态幻灯片转为动画效果；② 生成多镜头布局和镜头切换；③ 制作短视频片段。他评价道"我特别喜欢它如何把静态幻灯片变成动画"，并表示会在让 Claude 做完整渲染后继续汇报。这个用例将 Agent 的能力从代码扩展到了创意视频制作，且是 Claude 自己主动选择的媒介形式。

前 Google Gemini 和 Veo 产品负责人 Madhu Guru 发表了一段关于模型生命周期的深度解析，直指一个行业误解："人们认为数据和 eval 是低技能的体力活，买来塞进模型就行。" 实际情况是：模型策略 → eval 设计 → 预训练/后训练 + RL 对齐 eval → 上市。像任何产品策略一样，你需要在前端有强烈的主张——但这比普通产品难 100 倍，因为 LLM 的诱惑在于"什么都能做"。下一个挑战是：在整个模型构建过程中保持对目标 eval 集聚焦，同时应对架构变化、性能回退、竞争数据贡献和最新竞争对手消息。最终你在多个 checkpoint 之间权衡目标 eval、回归 eval 和早期客户反馈。

另一条推文中，他半开玩笑地说："别在给 AI 的 prompt 里纠正拼写错误和语音转录错误了——它们连 IMO 都搞定了，当然知道 'teh' 是什么。"

Vercel CEO Guillermo Rauch 本周连续放出重磅消息。最引人关注的是欢迎 Better Auth 创建者 Bereket（bekacru）加入 Vercel——"开发者值得更好的 auth，服务人类和 agent，以开源和有品味的方式构建。这正是 Bereket 所实现的。" 这暗示 Vercel 将把 auth 能力深度融入其 Open SDK 愿景。

另一条推文中，他展示 Eve 平台的文件系统架构：在 tools/ 目录下定义 github.ts 并导出 createGithubTools()，即可让 agent 获得 GitHub 能力。Rauch 强调"文件系统是美的"和"Eve 的存在是为了塑造一个可插拔模型、技能、频道和工具的开放生态系统"。

Peter Yang 今天抛出两个有意思的讨论。第一，他追问 OpenAI "Sol" 的早期访问资格标准是什么——这条回复建立在 Thibault Sottiaux 的预告之上，反映了开发者社区对新功能的强烈饥渴。

第二，他提出了一个非常实践性的 agent 基础设施问题："我一直把大多数 cron job 跑在本地 Mac Mini 上，因为它已经认证了 Google Workspace 等应用。但我是应该把这些 job 迁移到云端，让这些应用 OAuth 到我的 Claude 或 ChatGPT 账户呢？怎么判断哪些 job 留在本地、哪些上云？" 这是一个典型的 AI agent 时代基础设施选择困境——认证便利性 vs 可扩展性之间的权衡。

Builder Zara Zhang 重提一个经典话题——"AI 时代如何学习"——并引用了一条之前的推文。在 AI 工具日新月异的当下，这个问题的紧迫性有增无减：当 AI 可以生成代码、写作、分析和总结时，人类学习的本质是什么？这条推文获得了 293 赞和 26 次转推，说明"AI 时代的学习方式"仍然是 builder 社区的核心关切。

FPV Ventures 合伙人 Nikunj Kothari 发出投资人视角的尖锐提醒："GMV 不是 ARR。让我们最后一次把定义搞清楚……或者至少诚实地承认它是什么 🤦‍♂️" 这条推文直指 AI 创业公司中常见的指标混淆——用 GMV（总交易额）冒充 ARR（年经常性收入），误导估值和增长叙事。

他还分享了最实用的 Fable 用例：在 Claude Code 中生成 /insights，喂给 Claude，然后让它进行分析和决策。

Levie 在另一条推文中深化了"数据是新的石油"的论述：公开网络上的有用数据只占很小一部分，大部分数据存在于组织内部——营销计划、产品路线图、合同、财务数据、战略、企业知识。无论是用于训练模型还是作为 Agent 的上下文，这些数据将越来越有价值。能够安全地将正确的数据交给 Agent 来操作，将成为未来企业竞争的决定性特征。

Swyx 分享了一个 "it_happening.gif" 时刻——引用了一条关于 AI 行业重大进展的推文。虽然原文内容被截断，但 Swyx 的引用暗示某件他长期预测或期待的事情正在成为现实。

FirstMark 的 VC Matt Turck 发了一条黑色幽默的 VC 日常："VC 向他的顶级 AI 组合公司打招呼 vs 向那家 8 年前的 SaaS 投资打招呼——后者快烧完现金了。" 这条 meme 精准捕捉了 VC 行业的残酷现状：AI 投资光芒万丈，传统 SaaS 在阴影中挣扎。