即刻App年轻人的同好社区
下载
我只敲了60个词，AI制作出了10万播放的短视频。用Codex做视频的初次经历
开场镜头
单支视频，24 小时，播放冲过 10 万。
而我为它发出的全部指令，加起来只有 6 次拍板，大概 60 个词。
专业剪辑软件，我从头到尾没打开过——我压根不会。
知道数据炸裂的那一刻，我正在外面吃饭。
这支视频发出去才 3 小时，就打破了我账号的历史最高纪录。
盯着疯涨的曲线，我的第一反应不是狂喜，而是心虚。
因为剩下的全部工作——找素材、画图、配音、剪辑、上字幕、切竖屏——全是一个能自己操作电脑的 AI 员工（codex）独立干完的。
我在整件事里的角色，只是一个负责点头和摇头的甲方。
这篇文章不教你任何视频软件，一个AI智能体足矣。
看完你只需要搞清楚几件事：要准备什么，该在哪几个时刻开口，以及那几句拍板原话到底说了什么。
先把丑话说在前面：过程一点都不顺利——它交出的初版样片，就被我当场毙掉了。
一·我这样的人
我手里的家底，只有单篇文章和一张猫图。
文章是我收藏的深度解析，猫咪图是我用 ChatGPT 随手生成的，权当视频的卡通代言人。
加上书桌上静静躺着的那台小电脑，这就是我的全部本钱。
你肯定有过相似的无力感。
一个好想法在脑海里翻腾，甚至把每一帧画面都构思好了。
可当你坐在屏幕前，看着那些庞大又冷漠的剪辑软件时，满腔的热情瞬间被浇灭。
为了加一个简单的过渡效果，你要在浩如烟海的教程里翻找半天。
久而久之，那些闪光的念头就像被闷死的火星，再也没有亮起过。
我就是千千万万个这样被软件无情劝退的普通人之一。
在正式讲述这个故事前，我毫无保留地把底牌亮给你。
下面这张分层清单，记录了我在整个流程里说过的话。
素材交付阶段：交出图文，让它做图。
需求描述阶段：描述画面切换感觉，中途纠偏要求加入年代影像。
修改意见与选择阶段：挑出满意的配音，指出配图位置不对，放宽选材规矩，要求增加竖屏和字幕。
拍板放行阶段：仅仅保留那六句原话。 中间穿插了几条折腾远程操控看效果的杂项消息，与创作毫无关系。
二·它开始干活
我的初始需求刚发送，系统底层就悄然建立了一个独立项目目录。
AI 员工不需要人类画大饼。
它默默翻出我提前喂给它的“教科书”（methods），提取了那只猫的神态特征。
紧接着，它画出了多张风格高度统一的插图。
画完图，它钻进电脑文件夹深处，翻出了让电脑开口念稿的配音服务（TTS）隐藏钥匙。
为了提高效率，它自己临时雇了帮手分头并行运转。
几个不同嗓音的试听页面做好了，它像管家一样端到我面前。
在把长文转成语音时，它并没有生成一段长音频敷衍了事。
它把每个字的出生时间（timestamps）精准记了账。
后续所有的画面踩点、字幕出现，全部依赖这本账本严丝合缝地对齐。
三·第一次失望
它交出的 14 秒初版样板间，完全是纯靠卡通插画堆砌出来的。
从技术角度看，视频无懈可击。
每个画面精准踩在声音重音上，平滑得没有瑕疵。
但这根本不是我想要的厚重历史质感。
就像你花钱请设计师，装潢完毕却透着塑料味。
我想要正片画面和穿插画面相互交织。
我想要真实年代影像与插画来回闪现。
短暂的失望过后，我突然意识到问题的核心。
在传统的人事管理中，员工没做好往往是因为能力不足。
但在这个没有情绪的赛博空间里，唯一的原因是我没把需求定义清楚。
我用直白的话描述了真实影像穿插的理想状态，让正片与配图形成视觉上的错落交织。
换做普通人类员工，大概率会抱怨。
但它没有情绪，不觉得委屈，更没有丝毫反抗。
它默默清理掉刚才所有的心血，毫不犹豫地推倒重来。
四·六次拍板
决定这个爆款命运的，仅仅是下方的这几句指令原话。
“这机子上有几个tts的apikey你可以用 ，继续吧”
就这么简单的一句指引，它满负荷运转，挖出密钥生成了完美的试听库。
“语加快到1.5倍，因为现代人都很没有耐心。”
这句话发出后，它立刻加速所有音频，并把八百多条时间账逐条重新对齐。
“声音可以了，继续吧”
拿到通行证后，它才放开手脚把声音和画面牢牢绑定。
“没看出问题来，继续吧”
当时的画面角落，其实漏出了半个不该出现的残缺文字。
我还没开口，它自己抽帧检查时就发现了瑕疵。
它一言不发地退回去自己完成了返工，才把干净的画面呈交给我。
“把1080版本发我吧”
网络受限的环境里，它想尽办法把高清底片传递到了我手上。
期间我随口叮嘱历史素材绝对不能重复。
它立刻给自己立了规矩。
后来它新画的三张配图仅仅因为构图越界，就被它自己立下的死规矩无情拦下重做。
“做吧”
最后的许可下达，它自动切出了完美适配手机屏幕的竖屏版本。
当我离开电脑去处理生活琐事时，它就安静地停留在系统深处。
不急躁，不邀功，静静等待着我回来指明方向。
人的价值正收缩成品味和决断，这就足够了。
五·发布与那条曲线
我没有寻找任何发布玄学，仅仅是拖入文件并点击了上传。
拿着那 两分零八秒 的最终成品，心里只觉得完成了一桩日常的小事。
没有任何投流，也没有精心设计的互动引导标签。
发完我就把这事抛在了脑后。
紧接着，就是文章开头那一幕。
后台评论像雪花一样飘落。
观众在评论区刷屏式地留言，夸赞视频“说得太好了”。
面对爆炸性的结果，我必须诚实地复盘。
这绝非我拥有化腐朽为神奇的魔法。
它来源于选题自带的庞大国民度。
来源于干练明快的剪辑节奏带来的超高完播率。
更来源于平台流量池里不可预测的随机运气。
我可以把方法交给你，但运气那部分我不能承诺你。
但我必须肯定这位不会说话的伙伴。
它对待版权的洁癖程度远胜于我。
每条素材的出处它都记了详尽台账，甚至主动放弃了授权带有传染性风险的素材。
六·你能学走的
剥开虚荣的数据外衣，下面这张卡片里的生存法则你现在就能直接带走。
在技巧格里，你必须记住：
说感受不说参数，我全程只说“太慢”或者“别重复”这种人话。
先要样板间再要毛坯房，看准了再让它铺开做。
平时给它存好教科书，关键时刻才能一句话调用。
标准只说一遍，剩下的让它自己立规矩自己查。
用一张专属的卡通代言人统一全片气质，这是最便宜的记忆点。
最核心的是：敢于推翻。因为推翻的代价，已经从三天苦工变成了一句话。
在避坑格里，你要做好充足的心理准备：
初稿几乎必然不是你要的，甚至会相差甚远，务必把推翻编进预算。
它就像个不知变通的老实人，不会大喊“我卡住了”，你得主动去问进度。
素材版权它比你谨慎百倍，这种合规审核会拖慢速度，但这是好事，千万别嫌它慢。
当然，这世界没有绝对的零门槛：你需要一台能联网的电脑、已有的 AI 订阅额度，以及平时攒下的审美直觉。
在经验格里，请永远记住：
说清“想要的感觉”比教它“怎么做”要值钱得多。
人不再是执行的瓶颈，人是品味的瓶颈。
终·坦白局
那些被观众夸“说得好”的深刻文案，其实也是 GPT 写出来的。
在这个光鲜亮丽的爆款项目里，我亲手敲出的核心字符，真的只有那 6 次拍板，60 个词。
当一切真相大白，这是一种平静的震撼，甚至带着一丝时代车轮碾过的怅然。
就像很久以前摄影术刚诞生时，精通光影线条的“会画画的人”满心失落地让位给了按下快门的“会看的人”。
而在今天，历史正在眼皮底下重演。
曾经熟练掌握快捷键“会操作的人”，正不可阻挡地让位给拥有判断力的“会选的人”。
我放下手机，看了一眼面前的饭菜。
屏幕上的曲线还在固执地向上攀爬着。
如果你想看懂底层的运作机理，欢迎关注下一集的完整工程复盘。
开场镜头
单支视频，24 小时，播放冲过 10 万。
而我为它发出的全部指令，加起来只有 6 次拍板，大概 60 个词。
专业剪辑软件，我从头到尾没打开过——我压根不会。
知道数据炸裂的那一刻，我正在外面吃饭。
这支视频发出去才 3 小时，就打破了我账号的历史最高纪录。
盯着疯涨的曲线，我的第一反应不是狂喜，而是心虚。
因为剩下的全部工作——找素材、画图、配音、剪辑、上字幕、切竖屏——全是一个能自己操作电脑的 AI 员工（codex）独立干完的。
我在整件事里的角色，只是一个负责点头和摇头的甲方。
这篇文章不教你任何视频软件，一个AI智能体足矣。
看完你只需要搞清楚几件事：要准备什么，该在哪几个时刻开口，以及那几句拍板原话到底说了什么。
先把丑话说在前面：过程一点都不顺利——它交出的初版样片，就被我当场毙掉了。
一·我这样的人
我手里的家底，只有单篇文章和一张猫图。
文章是我收藏的深度解析，猫咪图是我用 ChatGPT 随手生成的，权当视频的卡通代言人。
加上书桌上静静躺着的那台小电脑，这就是我的全部本钱。
你肯定有过相似的无力感。
一个好想法在脑海里翻腾，甚至把每一帧画面都构思好了。
可当你坐在屏幕前，看着那些庞大又冷漠的剪辑软件时，满腔的热情瞬间被浇灭。
为了加一个简单的过渡效果，你要在浩如烟海的教程里翻找半天。
久而久之，那些闪光的念头就像被闷死的火星，再也没有亮起过。
我就是千千万万个这样被软件无情劝退的普通人之一。
在正式讲述这个故事前，我毫无保留地把底牌亮给你。
下面这张分层清单，记录了我在整个流程里说过的话。
素材交付阶段：交出图文，让它做图。
需求描述阶段：描述画面切换感觉，中途纠偏要求加入年代影像。
修改意见与选择阶段：挑出满意的配音，指出配图位置不对，放宽选材规矩，要求增加竖屏和字幕。
拍板放行阶段：仅仅保留那六句原话。 中间穿插了几条折腾远程操控看效果的杂项消息，与创作毫无关系。
二·它开始干活
我的初始需求刚发送，系统底层就悄然建立了一个独立项目目录。
AI 员工不需要人类画大饼。
它默默翻出我提前喂给它的“教科书”（methods），提取了那只猫的神态特征。
紧接着，它画出了多张风格高度统一的插图。
画完图，它钻进电脑文件夹深处，翻出了让电脑开口念稿的配音服务（TTS）隐藏钥匙。
为了提高效率，它自己临时雇了帮手分头并行运转。
几个不同嗓音的试听页面做好了，它像管家一样端到我面前。
在把长文转成语音时，它并没有生成一段长音频敷衍了事。
它把每个字的出生时间（timestamps）精准记了账。
后续所有的画面踩点、字幕出现，全部依赖这本账本严丝合缝地对齐。
三·第一次失望
它交出的 14 秒初版样板间，完全是纯靠卡通插画堆砌出来的。
从技术角度看，视频无懈可击。
每个画面精准踩在声音重音上，平滑得没有瑕疵。
但这根本不是我想要的厚重历史质感。
就像你花钱请设计师，装潢完毕却透着塑料味。
我想要正片画面和穿插画面相互交织。
我想要真实年代影像与插画来回闪现。
短暂的失望过后，我突然意识到问题的核心。
在传统的人事管理中，员工没做好往往是因为能力不足。
但在这个没有情绪的赛博空间里，唯一的原因是我没把需求定义清楚。
我用直白的话描述了真实影像穿插的理想状态，让正片与配图形成视觉上的错落交织。
换做普通人类员工，大概率会抱怨。
但它没有情绪，不觉得委屈，更没有丝毫反抗。
它默默清理掉刚才所有的心血，毫不犹豫地推倒重来。
四·六次拍板
决定这个爆款命运的，仅仅是下方的这几句指令原话。
“这机子上有几个tts的apikey你可以用 ，继续吧”
就这么简单的一句指引，它满负荷运转，挖出密钥生成了完美的试听库。
“语加快到1.5倍，因为现代人都很没有耐心。”
这句话发出后，它立刻加速所有音频，并把八百多条时间账逐条重新对齐。
“声音可以了，继续吧”
拿到通行证后，它才放开手脚把声音和画面牢牢绑定。
“没看出问题来，继续吧”
当时的画面角落，其实漏出了半个不该出现的残缺文字。
我还没开口，它自己抽帧检查时就发现了瑕疵。
它一言不发地退回去自己完成了返工，才把干净的画面呈交给我。
“把1080版本发我吧”
网络受限的环境里，它想尽办法把高清底片传递到了我手上。
期间我随口叮嘱历史素材绝对不能重复。
它立刻给自己立了规矩。
后来它新画的三张配图仅仅因为构图越界，就被它自己立下的死规矩无情拦下重做。
“做吧”
最后的许可下达，它自动切出了完美适配手机屏幕的竖屏版本。
当我离开电脑去处理生活琐事时，它就安静地停留在系统深处。
不急躁，不邀功，静静等待着我回来指明方向。
人的价值正收缩成品味和决断，这就足够了。
五·发布与那条曲线
我没有寻找任何发布玄学，仅仅是拖入文件并点击了上传。
拿着那 两分零八秒 的最终成品，心里只觉得完成了一桩日常的小事。
没有任何投流，也没有精心设计的互动引导标签。
发完我就把这事抛在了脑后。
紧接着，就是文章开头那一幕。
后台评论像雪花一样飘落。
观众在评论区刷屏式地留言，夸赞视频“说得太好了”。
面对爆炸性的结果，我必须诚实地复盘。
这绝非我拥有化腐朽为神奇的魔法。
它来源于选题自带的庞大国民度。
来源于干练明快的剪辑节奏带来的超高完播率。
更来源于平台流量池里不可预测的随机运气。
我可以把方法交给你，但运气那部分我不能承诺你。
但我必须肯定这位不会说话的伙伴。
它对待版权的洁癖程度远胜于我。
每条素材的出处它都记了详尽台账，甚至主动放弃了授权带有传染性风险的素材。
六·你能学走的
剥开虚荣的数据外衣，下面这张卡片里的生存法则你现在就能直接带走。
在技巧格里，你必须记住：
说感受不说参数，我全程只说“太慢”或者“别重复”这种人话。
先要样板间再要毛坯房，看准了再让它铺开做。
平时给它存好教科书，关键时刻才能一句话调用。
标准只说一遍，剩下的让它自己立规矩自己查。
用一张专属的卡通代言人统一全片气质，这是最便宜的记忆点。
最核心的是：敢于推翻。因为推翻的代价，已经从三天苦工变成了一句话。
在避坑格里，你要做好充足的心理准备：
初稿几乎必然不是你要的，甚至会相差甚远，务必把推翻编进预算。
它就像个不知变通的老实人，不会大喊“我卡住了”，你得主动去问进度。
素材版权它比你谨慎百倍，这种合规审核会拖慢速度，但这是好事，千万别嫌它慢。
当然，这世界没有绝对的零门槛：你需要一台能联网的电脑、已有的 AI 订阅额度，以及平时攒下的审美直觉。
在经验格里，请永远记住：
说清“想要的感觉”比教它“怎么做”要值钱得多。
人不再是执行的瓶颈，人是品味的瓶颈。
终·坦白局
那些被观众夸“说得好”的深刻文案，其实也是 GPT 写出来的。
在这个光鲜亮丽的爆款项目里，我亲手敲出的核心字符，真的只有那 6 次拍板，60 个词。
当一切真相大白，这是一种平静的震撼，甚至带着一丝时代车轮碾过的怅然。
就像很久以前摄影术刚诞生时，精通光影线条的“会画画的人”满心失落地让位给了按下快门的“会看的人”。
而在今天，历史正在眼皮底下重演。
曾经熟练掌握快捷键“会操作的人”，正不可阻挡地让位给拥有判断力的“会选的人”。
我放下手机，看了一眼面前的饭菜。
屏幕上的曲线还在固执地向上攀爬着。
如果你想看懂底层的运作机理，欢迎关注下一集的完整工程复盘。
0 00
用AI制作了一个金庸解读视频。
从一个空白文件夹开始，codex完成了图像生成，语音生成，视频素材下载，组织和对齐，最后还配上了字幕。
我全程只对它说了几句话，讲解了一下我想要的大概效果，没有用任何软件。
不得不说gpt 5.6干活儿是真细致，每个边缘情况都要查一遍。
从一个空白文件夹开始，codex完成了图像生成，语音生成，视频素材下载，组织和对齐，最后还配上了字幕。
我全程只对它说了几句话，讲解了一下我想要的大概效果，没有用任何软件。
不得不说gpt 5.6干活儿是真细致，每个边缘情况都要查一遍。
02:08
2 00
我让Fable5替我学习Agent Harness，终于不怕学的AI技术过时了
我不再亲自去追每一条人工智能的更新了，这份体力活现在被我完全外包给了 AI 自己。它不仅能自己上网查资料、写笔记，还能自己去寻找反证材料，更能在知识过时的时候自动给卡片打上过期标记。把日常学习的苦力活全部交出去，唯一的底线是，判断和否决的权力仍然牢牢攥在我手里。这套依靠机器来追赶机器的机制目前已经在实际运转中。回想起来，这一切的起点，其实只是我曾经发过的一句普通牢骚。
过去几年，追赶 AI 发展的步伐把人拖得很累。2023 年春天，AutoGPT 突然在技术圈爆红，在 GitHub 上迅速斩获了十几万颗星，这是开源项目里最头部的量级，可短短半年之后，就很少有人再提起了。当年“让我们一步一步思考”这句提示词从每个人必须掌握的秘籍变成了过时技巧，而那时候，把这句话奉为至宝并工工整整抄下来当秘籍到处用的正是我自己。微调、检索和长上下文之争轮流霸占着技术社区的热搜。到了 2024 年底，MCP 协议（一种能让 AI 接上外部工具的统一接口）才刚出现，2025 年就已经变成了行业标配。每天跟在这些新概念屁股后面跑，追赶这份体力活非常累。
转折来得很平常：有一次，我把这句憋了很久的抱怨完整说出了口——“每天学这些很快就可能过时的 agent 知识，非常累，可不学又不行。”（这里的 agent，指那种会自己查资料、调工具、连着做事的 AI，而不是光陪聊的机器人）。说完我自己愣住了。这句话的后半截，答案就藏在前半截里：累的是“追时效”这份体力活，体力活恰恰是 AI 干得动的——凭什么这份苦役由我来服？让 agent 自己学去。当然，光会学其实不算数，机器还得能分辨真伪和时效，毕竟在信息爆炸的环境里，分辨比单纯去学要紧得多。
要让机器自己学习，得先看看现有的路子。预训练模型动辄几千亿参数，重新训练一次的周期要以月来计算。微调技术可以让模型适应特定的行业领域、专业术语或者具体任务，也能给它灌进去一批新材料，但它做不到的是随着现实世界持续自动更新。仅仅依靠刻在参数里的旧知识，模型并不会自动知道“现在”发生了什么。接入外部工具后它确实能查到“现在”，但仍需一套机制判断：新资料可信吗？和旧结论冲突吗？什么时候过期？早在 2025 年 5 月 11 日，OpenAI 创始成员、特斯拉前 AI 总监 Andrej Karpathy 就发帖提出：预训练管知识，微调管习惯性行为，这里缺少了第三种学习范式，也就是让模型自己编辑显式的文本，他把这叫作 system prompt learning。2026 年 4 月 4 日，他发布了一份 LLM（大语言模型）wiki 的构想稿，那是一个发布在代码网站上的单页便签。他设想了一种“持久的、能复利生长的”知识库，分工很明确：人类负责管选题、探索和提问，模型去干“全部”的粗活。那份文档本身没再改过。2026 年 5 月 19 日，Karpathy 加入了 Anthropic。
机器自己学其实有四种学歪的风险：要么学错，要么把过时的东西当成新鲜事，要么不同的结论互相打架，或者记完笔记就再也不更新。在 Karpathy 构想稿的评论区里，社区批评它正好缺了三样关键设计：矛盾消解、定期维护以及 AI 优先的页面结构。不过评论区如今也已经长出了一批社区实现，比如各种命令行工具、MCP 服务、笔记软件的工作流接法等。这个让模型持续学习的大方向是大家共同的方向。我们的差异在于，把过期、反证、置信度和复查机制放在了系统的正中心，绝不去抢“第一个想到”的虚名。
为了管住 AI，我立了四道机制。第一道是明确的分工。AI 负责上网调研、写笔记并互相审查，目前的干活主力是 Anthropic 今年发布的 Claude Fable 5（后文简称 Fable 5）。这一条只是纯粹的分工，它本身不去假充最终的质量关卡，真正卡住质量的是互相审查和后面那几道机制。第二道是置信度与反证，每一条知识都有“已核验”、“初步”和“有争议”三档，并且必须配有一个反证栏，专门用来记录不利证据，这答复了“结论打架”的问题。第三道是复查标记，每条知识都有复查日期，到期必须重查，过期就地标红。这正好解决把过时当新鲜和记完不更新的毛病。第四道机制，在这套流程里我不写一个字，只立规矩、抽查和否决。我知道有人会批评这些页面是“AI 优先”，觉得笔记是 AI 写给 AI 审的，人读着确实糙，这个批评我诚实认下，先跑通机制远比表面好看重要。
空口说机制没用，直接看一条知识在库里的活法——下面是一张真实卡片的切片：
卡片名称：把推理的功夫前移到入库时，经济上划算吗
置信度：已核验（三票）
结论：反复查询+聚焦检索场景成立（同等准确率约 1/5 查询算力、约 10 次查询摊回本），一次性查小语料不成立。
反证栏：一篇不利论文 + 一次自家对照实测（那个场景每次查询多花约 21 倍 token）。
履历：入库后曾因反证降档“有争议”，人工划清适用边界后改回“已核验”。
复查日期：2027-01-03（原理类似罐头，放得住）。
现在，这个今年开张的作坊里，只有我一个人类和一群 AI 在干活。库里的活教科书已经有四百页出头，厚度接近一本大学教材了。定期盘账时，系统会自动列出“到期待查”和“新反证”的清单。目前库里有 131 张断言卡片，其中 107 张的反证栏是非空的，也就是说，每 5 张卡里就有 4 张随身带着不利证据。这套系统改变了我的生活，让我从四处追新闻的记者，变成了专心审案卷的法官。
在同一份建造任务的对照考试里，接上知识库的 agent 连考三次，次次拿满分；而不带库的 agent 三次都差了一两分，而且每次栽的居然都是完全相同的两个坑——那恰好是库里明确记载着，但模型参数里根本没有的两条经验。带着库的最低分，硬是高过了空白组的最高分。不仅如此，哪怕把这套库整个交给一个全新且零历史记忆的 agent，它也能稳稳通过 13 道探针题，甚至连“某条结论目前有争议、正反两边证据是什么”这种细节题都能答得明明白白。
在这场属于我的小试验里，把追赶新知这份苦役交出去之后，最真实的体感是一阵彻底的松快。每个人的生活里，想必都塞满了一些类似于“不学不行、学了又快过期”的讨厌差事。顺着这份松快往远处想，我盼着有一天，人和知识的关系能变得再轻盈一点。当背诵与跟进的重担被剥离，省下来的心力也许会顺理成章地流向提出好问题和行使否决权。我赌在几年之内，人人都会养一个替自己翻阅案卷、替自己辨别真伪的专属作坊，到那时，我们面对信息洪流的姿态一定会从容得多。当然，把学习外包这件事究竟灵不灵，现在下定论还嫌太早。至于刚才提到的那场对照考试到底是怎么设计的，它又诚实地暴露出了这个库现阶段的哪些短板，下一集咱们接着摊开细说。
我不再亲自去追每一条人工智能的更新了，这份体力活现在被我完全外包给了 AI 自己。它不仅能自己上网查资料、写笔记，还能自己去寻找反证材料，更能在知识过时的时候自动给卡片打上过期标记。把日常学习的苦力活全部交出去，唯一的底线是，判断和否决的权力仍然牢牢攥在我手里。这套依靠机器来追赶机器的机制目前已经在实际运转中。回想起来，这一切的起点，其实只是我曾经发过的一句普通牢骚。
过去几年，追赶 AI 发展的步伐把人拖得很累。2023 年春天，AutoGPT 突然在技术圈爆红，在 GitHub 上迅速斩获了十几万颗星，这是开源项目里最头部的量级，可短短半年之后，就很少有人再提起了。当年“让我们一步一步思考”这句提示词从每个人必须掌握的秘籍变成了过时技巧，而那时候，把这句话奉为至宝并工工整整抄下来当秘籍到处用的正是我自己。微调、检索和长上下文之争轮流霸占着技术社区的热搜。到了 2024 年底，MCP 协议（一种能让 AI 接上外部工具的统一接口）才刚出现，2025 年就已经变成了行业标配。每天跟在这些新概念屁股后面跑，追赶这份体力活非常累。
转折来得很平常：有一次，我把这句憋了很久的抱怨完整说出了口——“每天学这些很快就可能过时的 agent 知识，非常累，可不学又不行。”（这里的 agent，指那种会自己查资料、调工具、连着做事的 AI，而不是光陪聊的机器人）。说完我自己愣住了。这句话的后半截，答案就藏在前半截里：累的是“追时效”这份体力活，体力活恰恰是 AI 干得动的——凭什么这份苦役由我来服？让 agent 自己学去。当然，光会学其实不算数，机器还得能分辨真伪和时效，毕竟在信息爆炸的环境里，分辨比单纯去学要紧得多。
要让机器自己学习，得先看看现有的路子。预训练模型动辄几千亿参数，重新训练一次的周期要以月来计算。微调技术可以让模型适应特定的行业领域、专业术语或者具体任务，也能给它灌进去一批新材料，但它做不到的是随着现实世界持续自动更新。仅仅依靠刻在参数里的旧知识，模型并不会自动知道“现在”发生了什么。接入外部工具后它确实能查到“现在”，但仍需一套机制判断：新资料可信吗？和旧结论冲突吗？什么时候过期？早在 2025 年 5 月 11 日，OpenAI 创始成员、特斯拉前 AI 总监 Andrej Karpathy 就发帖提出：预训练管知识，微调管习惯性行为，这里缺少了第三种学习范式，也就是让模型自己编辑显式的文本，他把这叫作 system prompt learning。2026 年 4 月 4 日，他发布了一份 LLM（大语言模型）wiki 的构想稿，那是一个发布在代码网站上的单页便签。他设想了一种“持久的、能复利生长的”知识库，分工很明确：人类负责管选题、探索和提问，模型去干“全部”的粗活。那份文档本身没再改过。2026 年 5 月 19 日，Karpathy 加入了 Anthropic。
机器自己学其实有四种学歪的风险：要么学错，要么把过时的东西当成新鲜事，要么不同的结论互相打架，或者记完笔记就再也不更新。在 Karpathy 构想稿的评论区里，社区批评它正好缺了三样关键设计：矛盾消解、定期维护以及 AI 优先的页面结构。不过评论区如今也已经长出了一批社区实现，比如各种命令行工具、MCP 服务、笔记软件的工作流接法等。这个让模型持续学习的大方向是大家共同的方向。我们的差异在于，把过期、反证、置信度和复查机制放在了系统的正中心，绝不去抢“第一个想到”的虚名。
为了管住 AI，我立了四道机制。第一道是明确的分工。AI 负责上网调研、写笔记并互相审查，目前的干活主力是 Anthropic 今年发布的 Claude Fable 5（后文简称 Fable 5）。这一条只是纯粹的分工，它本身不去假充最终的质量关卡，真正卡住质量的是互相审查和后面那几道机制。第二道是置信度与反证，每一条知识都有“已核验”、“初步”和“有争议”三档，并且必须配有一个反证栏，专门用来记录不利证据，这答复了“结论打架”的问题。第三道是复查标记，每条知识都有复查日期，到期必须重查，过期就地标红。这正好解决把过时当新鲜和记完不更新的毛病。第四道机制，在这套流程里我不写一个字，只立规矩、抽查和否决。我知道有人会批评这些页面是“AI 优先”，觉得笔记是 AI 写给 AI 审的，人读着确实糙，这个批评我诚实认下，先跑通机制远比表面好看重要。
空口说机制没用，直接看一条知识在库里的活法——下面是一张真实卡片的切片：
卡片名称：把推理的功夫前移到入库时，经济上划算吗
置信度：已核验（三票）
结论：反复查询+聚焦检索场景成立（同等准确率约 1/5 查询算力、约 10 次查询摊回本），一次性查小语料不成立。
反证栏：一篇不利论文 + 一次自家对照实测（那个场景每次查询多花约 21 倍 token）。
履历：入库后曾因反证降档“有争议”，人工划清适用边界后改回“已核验”。
复查日期：2027-01-03（原理类似罐头，放得住）。
现在，这个今年开张的作坊里，只有我一个人类和一群 AI 在干活。库里的活教科书已经有四百页出头，厚度接近一本大学教材了。定期盘账时，系统会自动列出“到期待查”和“新反证”的清单。目前库里有 131 张断言卡片，其中 107 张的反证栏是非空的，也就是说，每 5 张卡里就有 4 张随身带着不利证据。这套系统改变了我的生活，让我从四处追新闻的记者，变成了专心审案卷的法官。
在同一份建造任务的对照考试里，接上知识库的 agent 连考三次，次次拿满分；而不带库的 agent 三次都差了一两分，而且每次栽的居然都是完全相同的两个坑——那恰好是库里明确记载着，但模型参数里根本没有的两条经验。带着库的最低分，硬是高过了空白组的最高分。不仅如此，哪怕把这套库整个交给一个全新且零历史记忆的 agent，它也能稳稳通过 13 道探针题，甚至连“某条结论目前有争议、正反两边证据是什么”这种细节题都能答得明明白白。
在这场属于我的小试验里，把追赶新知这份苦役交出去之后，最真实的体感是一阵彻底的松快。每个人的生活里，想必都塞满了一些类似于“不学不行、学了又快过期”的讨厌差事。顺着这份松快往远处想，我盼着有一天，人和知识的关系能变得再轻盈一点。当背诵与跟进的重担被剥离，省下来的心力也许会顺理成章地流向提出好问题和行使否决权。我赌在几年之内，人人都会养一个替自己翻阅案卷、替自己辨别真伪的专属作坊，到那时，我们面对信息洪流的姿态一定会从容得多。当然，把学习外包这件事究竟灵不灵，现在下定论还嫌太早。至于刚才提到的那场对照考试到底是怎么设计的，它又诚实地暴露出了这个库现阶段的哪些短板，下一集咱们接着摊开细说。
0 00
最近，Anthropic放出了一段内部聊天的视频。也就是搞出Claude、现在跟OpenAI神仙打架的那家公司。
参与聊天的三位大佬，可不是只会念稿子的公关，而是真正在一线拧螺丝、写代码、扛压力的产品和技术负责人。他们坐在一起，实打实地聊了聊AI Agent的现状和未来。听完这场聊天，最核心的结论其实就一句话：AI Agent正在从“你戳一下它才动的小工具”，变成“支撑整个公司运转的电网”。
工具和电网有什么区别呢？工具你得主动伸手去拿；但电网是你每天都在用电，你却根本不会去注意它的存在。Agent的终点，就是要变成这样的基础设施。
咱们把这场干货满满的对谈拆开揉碎，好好盘一盘。
为了怕有的朋友还不太熟，咱们先补个课，到底什么是Agent？像ChatGPT那种，咱们叫问答。你问一句，它答一句，像个高级计算器。计算器再好用，也得你自己按键。但Agent不一样，它更像个机灵的实习生。你跟它说，去把这件事办好，然后你就可以去喝咖啡了。它会自己拆解任务、上网查资料、甚至自己调用工具，干完活再跑来找你交差。这三位大佬今天聊的，就是这个实习生是怎么从偶尔犯迷糊，进化到能承包整个部门工作的。
回看这短短六个月啊，简直太疯狂了。半年前，Claude平台也就是卖卖API，提供点算力。但现在，他们干了一件大事，就是把最让程序员头疼的底层外围工程给全包了。打个比方，AI模型是一匹千里马。但光有马你做不了运输生意啊，你还得配上马鞍、缰绳、车厢，这套外围装备也就是行话里说的Harness。以前，每个程序员都得自己苦哈哈地去打铁做马鞍；现在Anthropic直接发话说，脏活累活我们全包了，你们直接骑马就行。
而这个直接骑马的服务，就是现在平台上最火的新功能，叫“托管代理”。啥叫托管呢？就像你不用自己在家里建机房，直接用云服务器一样。Anthropic把Agent养在他们的系统里，你只管使唤。其中一位负责人Angela说，她听到过一句最开心的用户反馈，听起来特别朴实，那个用户说，我真的太喜欢现在的抽象层级了。外行听不懂，但内行一听就知道这是绝对的情书。因为对程序员来说，最高级的夸奖从来不是这AI好聪明，而是谢天谢地，我终于不用操心底层那些破事儿了。底层管线、网络状态全被隐藏起来了，清清爽爽。
聊完了托管，他们接下来聊的这点就特别超前了，那就是以后啊，Agent也要有自己的工牌了。现在AI干活，用的都是你的账号。万一它搞砸了，或者乱动了不该动的数据，这锅算谁的？所以未来的设想是，Agent得像正经员工一样，有自己的专属工号。未来的工作流会变成这样：你派给它一个活儿，它跑回来问你，老板，我需要访问公司的A、B、C库。你说行，去吧，但别碰D库。它乖乖干完活，整个过程系统里都有它的打卡记录和操作日志。这解决的是让AI落地的核心痛点，也就是信任。你敢不敢放权给它，不取决于它多聪明，而是取决于你能不能随时查它的账。
那有了身份之后，不同公司的Agent碰面了，该怎么交朋友、怎么交流呢？Anthropic搞出了一个大动作，叫模型上下文协议，简称MCP。你可以把它理解成AI界的Type-C接口。以前，每接一个新工具，程序员就得重新焊一根线；现在好了，一个标准接口全通用。不仅人可以连工具，现在的趋势是Agent连Agent。别人家的Agent只要插上这个接口，就能顺畅地和你家的Agent沟通。它们交朋友不靠情商，靠的是标准化。
听到这儿你可能会问，为什么偏偏是现在，这些玩法才真正跑通呢？主要有两个原因。首先是AI变聪明了。以前的AI像个三岁小孩，你得给它写保姆级说明书，告诉它先按开机键，再输入密码。现在的AI，你只要划好边界，它自己会琢磨分几步做比较好，有了自由发挥的能力。其次是基础设施跟上了。现在的Agent可以像个待命的保安，静静待在后台，一旦触发某个条件，立马跳出来干活，干完再向你汇报。脑子变聪明了，手脚也麻利了，这两个条件缺一不可。
接下来，Angela说了一段我认为全场含金量最高的话。她说，束缚AI的笼子，正在变薄。几个月前，大家还在热衷于画特别复杂的流程图来控制AI，规定它必须先做A，再做B，满足条件才能做C。大家生怕它乱跑，给它织了一张密不透风的网。结果呢，系统脆得一塌糊涂。你本来想要的是AI的聪明才智，结果你亲手给它造了个牢笼。随着AI越来越聪明，你就会发现，是时候把那些死板的框架拆掉一点了。如果你现在还在花大精力搞那些极其复杂的流程编排，小心啦，半年后AI一升级，你这些精装修的笼子可能全成了负资产。
那既然笼子不用了，咱们怎么驾驭这匹更聪明的马呢？只要套个马鞍就行了。现在给AI套马鞍有好几种聪明的玩法。比如左右互搏，就是安排两个Agent，一个写方案，一个专门找茬，吵着吵着方案就完美了。再比如广撒网，同一个问题，让十几个Agent同时去做，谁做得好就用谁的。遇到卡壳的时候，还可以求助外援，让Agent主动停下来，去呼叫一个更聪明的AI来帮忙。以后的比拼，不再是谁家单个的AI更强，而是看谁更会排兵布阵。
光说理论太干，咱们来看两个超级生动的落地例子。第一个例子，是关于老厂长退休了，但他的手感留下了。工厂里最宝贵的财富是老师傅听声音辨故障的经验。师傅一退休，经验就断层了。于是有个团队就把操作手册全传进AI，接上工厂的传感器，让Agent去学习老师傅的判断逻辑。人退休了，但他的大脑备份留在了厂里。Agent解决的正是这种真正要命的知识断层问题。
第二个例子，是全自动流水线才是王道。现在AI帮你写代码已经不稀奇了，像Shopify这样的大型电商公司，他们从项目一开始就让AI介入，环境怎么配置、需求文档怎么写、测试怎么做，全链路都交给Agent来自动串联。在这个阶段，写代码的AI只是个小兵，端到端的系统才是集团军。
讲到这儿，你可能会好奇，既然这么好，为啥很多大公司现在还不敢放开用？两位大佬的看法非常一致，卡脖子的根本不是技术。首先是因为安全合规体系太老了。很多公司的安全审核表，还是二十年前基于人类操作者制定的。现在换成AI来操作，根本没法填表。技术三个月迭代一次，规章制度三年才更新一次，这是管理问题。其次是因为没有考卷。如果没有一套科学的方法来评估Agent干得好不好，老板哪敢放心让它上岗。没有考卷，就没有上岗证。
所以老板们在引进Agent的时候，算账一定得一步步来。很多老板一听Agent这么厉害，激动地想一口气把公司一百多个业务流程全换成AI，结果摊子太大，死在半路上。真正接地气的做法是，首先算一个人的账，看看一个员工用上Agent后效率提了多少，这是最快能算清的。接着看一个小团队的账，把这种效率推广开。最后才去搞跨部门的流程连通。大工程不是一口气规划出来的，而是从一个人的效率提升里慢慢长出来的。
那有了Agent，这帮程序员会失业吗？答案是不会，但对他们的要求变了。团队还是原来那帮人，锅还是得有人背。最大的变化是，每个人都被Agent涡轮增压了。以前是一个主管出主意，一帮人敲键盘写代码；现在，几乎每个人都成了总指挥，手底下管着一堆AI在干活。简单来说，未来只会敲键盘的手不值钱了，能出主意、定标准、做验收的脑子越来越值钱了。
不过这里也要给大家拉个翻车预警，如果太依赖Agent，每个人都可能变成没有规划的包工头。以前试错成本高，大家会谨慎规划方向。现在AI干活成本太低了，大家的反应变成了，管他呢，全跑一遍试试看。对个人来说爽爆了，但对公司来说，每个人都在建自己的小工具，谁也不顾全局。最后就长出了一大片没有规划的违章建筑。方向散了，这笔账早晚要还。
那解决完这些问题，Agent的终极目标到底是什么呢？这就回到了咱们开头说的那句话，它会深深地隐藏起来。未来，Agent会变成一种公共底座。你只要随手叫它一下，它就在后台默默把事办了，你根本意识不到自己在使用工具，就像你察觉不到电网的存在一样。甚至它会非常主动地跑来找你汇报说，老板，刚才有个小系统崩了，我找出了问题并写好了修复代码，您看一眼要不要发布。到那天，AI就不再是一个工具了，而是整个团队的操作系统。
为了实现这个目标，Claude这次直接亮出了杀手锏，也就是一个叫“结果”的新功能。玩法很简单，你告诉AI什么叫好结果，给它个评分标准，再给个预算上限，然后说，去干吧。中间的过程，你完全不用费一点脑子。这不就是当老板嘛。只不过以前当老板要发工资，以后当老板就是按算力计费。
最后咱们来总结两句。这场对谈虽然没有发布会那种敲锣打鼓的热闹，但全是大白话里的真知灼见。建议大家记住这三个核心信号。首先，别过度装修你的工作流。AI越来越聪明，死板的流程就越来越累赘，留点空间让它自己发挥。其次，竞争的维度变了。以后不比谁的模型好，比的是谁的排兵布阵好，谁能最先变成别人离不开的基础设施。最后，真正的拦路虎是规章制度。谁能先把公司的安全审查和考试标准更新了，谁就能抢先吃上这波红利。
至于说Agent最终会让你感觉不到它的存在，等到它真的隐身那天，赚钱的机会也就跟咱们大多数人没啥关系了，就像今天没人靠“我会开灯”来赚钱一样。真正充满机会的窗口期，恰恰就在这几年，在它还能被我们看见、还需要我们去折腾的日子里。
参与聊天的三位大佬，可不是只会念稿子的公关，而是真正在一线拧螺丝、写代码、扛压力的产品和技术负责人。他们坐在一起，实打实地聊了聊AI Agent的现状和未来。听完这场聊天，最核心的结论其实就一句话：AI Agent正在从“你戳一下它才动的小工具”，变成“支撑整个公司运转的电网”。
工具和电网有什么区别呢？工具你得主动伸手去拿；但电网是你每天都在用电，你却根本不会去注意它的存在。Agent的终点，就是要变成这样的基础设施。
咱们把这场干货满满的对谈拆开揉碎，好好盘一盘。
为了怕有的朋友还不太熟，咱们先补个课，到底什么是Agent？像ChatGPT那种，咱们叫问答。你问一句，它答一句，像个高级计算器。计算器再好用，也得你自己按键。但Agent不一样，它更像个机灵的实习生。你跟它说，去把这件事办好，然后你就可以去喝咖啡了。它会自己拆解任务、上网查资料、甚至自己调用工具，干完活再跑来找你交差。这三位大佬今天聊的，就是这个实习生是怎么从偶尔犯迷糊，进化到能承包整个部门工作的。
回看这短短六个月啊，简直太疯狂了。半年前，Claude平台也就是卖卖API，提供点算力。但现在，他们干了一件大事，就是把最让程序员头疼的底层外围工程给全包了。打个比方，AI模型是一匹千里马。但光有马你做不了运输生意啊，你还得配上马鞍、缰绳、车厢，这套外围装备也就是行话里说的Harness。以前，每个程序员都得自己苦哈哈地去打铁做马鞍；现在Anthropic直接发话说，脏活累活我们全包了，你们直接骑马就行。
而这个直接骑马的服务，就是现在平台上最火的新功能，叫“托管代理”。啥叫托管呢？就像你不用自己在家里建机房，直接用云服务器一样。Anthropic把Agent养在他们的系统里，你只管使唤。其中一位负责人Angela说，她听到过一句最开心的用户反馈，听起来特别朴实，那个用户说，我真的太喜欢现在的抽象层级了。外行听不懂，但内行一听就知道这是绝对的情书。因为对程序员来说，最高级的夸奖从来不是这AI好聪明，而是谢天谢地，我终于不用操心底层那些破事儿了。底层管线、网络状态全被隐藏起来了，清清爽爽。
聊完了托管，他们接下来聊的这点就特别超前了，那就是以后啊，Agent也要有自己的工牌了。现在AI干活，用的都是你的账号。万一它搞砸了，或者乱动了不该动的数据，这锅算谁的？所以未来的设想是，Agent得像正经员工一样，有自己的专属工号。未来的工作流会变成这样：你派给它一个活儿，它跑回来问你，老板，我需要访问公司的A、B、C库。你说行，去吧，但别碰D库。它乖乖干完活，整个过程系统里都有它的打卡记录和操作日志。这解决的是让AI落地的核心痛点，也就是信任。你敢不敢放权给它，不取决于它多聪明，而是取决于你能不能随时查它的账。
那有了身份之后，不同公司的Agent碰面了，该怎么交朋友、怎么交流呢？Anthropic搞出了一个大动作，叫模型上下文协议，简称MCP。你可以把它理解成AI界的Type-C接口。以前，每接一个新工具，程序员就得重新焊一根线；现在好了，一个标准接口全通用。不仅人可以连工具，现在的趋势是Agent连Agent。别人家的Agent只要插上这个接口，就能顺畅地和你家的Agent沟通。它们交朋友不靠情商，靠的是标准化。
听到这儿你可能会问，为什么偏偏是现在，这些玩法才真正跑通呢？主要有两个原因。首先是AI变聪明了。以前的AI像个三岁小孩，你得给它写保姆级说明书，告诉它先按开机键，再输入密码。现在的AI，你只要划好边界，它自己会琢磨分几步做比较好，有了自由发挥的能力。其次是基础设施跟上了。现在的Agent可以像个待命的保安，静静待在后台，一旦触发某个条件，立马跳出来干活，干完再向你汇报。脑子变聪明了，手脚也麻利了，这两个条件缺一不可。
接下来，Angela说了一段我认为全场含金量最高的话。她说，束缚AI的笼子，正在变薄。几个月前，大家还在热衷于画特别复杂的流程图来控制AI，规定它必须先做A，再做B，满足条件才能做C。大家生怕它乱跑，给它织了一张密不透风的网。结果呢，系统脆得一塌糊涂。你本来想要的是AI的聪明才智，结果你亲手给它造了个牢笼。随着AI越来越聪明，你就会发现，是时候把那些死板的框架拆掉一点了。如果你现在还在花大精力搞那些极其复杂的流程编排，小心啦，半年后AI一升级，你这些精装修的笼子可能全成了负资产。
那既然笼子不用了，咱们怎么驾驭这匹更聪明的马呢？只要套个马鞍就行了。现在给AI套马鞍有好几种聪明的玩法。比如左右互搏，就是安排两个Agent，一个写方案，一个专门找茬，吵着吵着方案就完美了。再比如广撒网，同一个问题，让十几个Agent同时去做，谁做得好就用谁的。遇到卡壳的时候，还可以求助外援，让Agent主动停下来，去呼叫一个更聪明的AI来帮忙。以后的比拼，不再是谁家单个的AI更强，而是看谁更会排兵布阵。
光说理论太干，咱们来看两个超级生动的落地例子。第一个例子，是关于老厂长退休了，但他的手感留下了。工厂里最宝贵的财富是老师傅听声音辨故障的经验。师傅一退休，经验就断层了。于是有个团队就把操作手册全传进AI，接上工厂的传感器，让Agent去学习老师傅的判断逻辑。人退休了，但他的大脑备份留在了厂里。Agent解决的正是这种真正要命的知识断层问题。
第二个例子，是全自动流水线才是王道。现在AI帮你写代码已经不稀奇了，像Shopify这样的大型电商公司，他们从项目一开始就让AI介入，环境怎么配置、需求文档怎么写、测试怎么做，全链路都交给Agent来自动串联。在这个阶段，写代码的AI只是个小兵，端到端的系统才是集团军。
讲到这儿，你可能会好奇，既然这么好，为啥很多大公司现在还不敢放开用？两位大佬的看法非常一致，卡脖子的根本不是技术。首先是因为安全合规体系太老了。很多公司的安全审核表，还是二十年前基于人类操作者制定的。现在换成AI来操作，根本没法填表。技术三个月迭代一次，规章制度三年才更新一次，这是管理问题。其次是因为没有考卷。如果没有一套科学的方法来评估Agent干得好不好，老板哪敢放心让它上岗。没有考卷，就没有上岗证。
所以老板们在引进Agent的时候，算账一定得一步步来。很多老板一听Agent这么厉害，激动地想一口气把公司一百多个业务流程全换成AI，结果摊子太大，死在半路上。真正接地气的做法是，首先算一个人的账，看看一个员工用上Agent后效率提了多少，这是最快能算清的。接着看一个小团队的账，把这种效率推广开。最后才去搞跨部门的流程连通。大工程不是一口气规划出来的，而是从一个人的效率提升里慢慢长出来的。
那有了Agent，这帮程序员会失业吗？答案是不会，但对他们的要求变了。团队还是原来那帮人，锅还是得有人背。最大的变化是，每个人都被Agent涡轮增压了。以前是一个主管出主意，一帮人敲键盘写代码；现在，几乎每个人都成了总指挥，手底下管着一堆AI在干活。简单来说，未来只会敲键盘的手不值钱了，能出主意、定标准、做验收的脑子越来越值钱了。
不过这里也要给大家拉个翻车预警，如果太依赖Agent，每个人都可能变成没有规划的包工头。以前试错成本高，大家会谨慎规划方向。现在AI干活成本太低了，大家的反应变成了，管他呢，全跑一遍试试看。对个人来说爽爆了，但对公司来说，每个人都在建自己的小工具，谁也不顾全局。最后就长出了一大片没有规划的违章建筑。方向散了，这笔账早晚要还。
那解决完这些问题，Agent的终极目标到底是什么呢？这就回到了咱们开头说的那句话，它会深深地隐藏起来。未来，Agent会变成一种公共底座。你只要随手叫它一下，它就在后台默默把事办了，你根本意识不到自己在使用工具，就像你察觉不到电网的存在一样。甚至它会非常主动地跑来找你汇报说，老板，刚才有个小系统崩了，我找出了问题并写好了修复代码，您看一眼要不要发布。到那天，AI就不再是一个工具了，而是整个团队的操作系统。
为了实现这个目标，Claude这次直接亮出了杀手锏，也就是一个叫“结果”的新功能。玩法很简单，你告诉AI什么叫好结果，给它个评分标准，再给个预算上限，然后说，去干吧。中间的过程，你完全不用费一点脑子。这不就是当老板嘛。只不过以前当老板要发工资，以后当老板就是按算力计费。
最后咱们来总结两句。这场对谈虽然没有发布会那种敲锣打鼓的热闹，但全是大白话里的真知灼见。建议大家记住这三个核心信号。首先，别过度装修你的工作流。AI越来越聪明，死板的流程就越来越累赘，留点空间让它自己发挥。其次，竞争的维度变了。以后不比谁的模型好，比的是谁的排兵布阵好，谁能最先变成别人离不开的基础设施。最后，真正的拦路虎是规章制度。谁能先把公司的安全审查和考试标准更新了，谁就能抢先吃上这波红利。
至于说Agent最终会让你感觉不到它的存在，等到它真的隐身那天，赚钱的机会也就跟咱们大多数人没啥关系了，就像今天没人靠“我会开灯”来赚钱一样。真正充满机会的窗口期，恰恰就在这几年，在它还能被我们看见、还需要我们去折腾的日子里。
1 00
AI 时代的职业与技能建议。
Phil Chen（前 OpenAI、Google DeepMind、Scale AI 等公司背景，现创始人）刚刚发布了长帖，核心主题是 AI 时代（尤其是 agent-native 公司）下的职业与技能建议。
核心观点：AI 擅长一切能写 loss function（可明确评判）的事。学校考试、LeetCode 等都属于此类，因此未来10年最有价值的工作是无法在模型训练周期内被评判的事（即难以 grading 的模糊、长期、人类判断类工作）。
6条实用建议（针对早职业/有野心的人）：
1专注真正稀缺的资源：时间、人际关系、声誉。金钱和资本现在更容易获得，优先做有意义的事、建立高质量网络，比短期高薪更重要。
2学会找问题，而非只解决问题：AI/agents 能高效执行，面试和工作中最关键的是问题选择 + 资源分配。优秀候选人能在混乱环境中快速识别值得解决的问题，并用 agents 协作。
3选择最野心勃勃的问题形式：遵循 “bitter lesson”—— scaling + 通用方法胜过特定优化。选公司/角色时，看对方是否在攻克问题的最前沿。
4冲刺最后一公里：AI 让 median（中位数）结果变得廉价，价值在于细节打磨、迭代和 polish。练习在项目中多花精力做完美收尾。
5提升 xG（机会质量）和 efficiency（转化率）：职业如足球——要选对高潜力机会（团队、市场优先于当前产品），同时提升执行效率。声誉是关键，能带来好机会。
6研究门槛已降低：现在就能用模型做实验、蒸馏直觉、参与公开 leaderboard。研究是一种心态（好奇 + 执行 + 调试 + 沟通），不一定非要进大厂。
结语：世界仍充满机会，关键是找有趣的问题 + 交付超凡结果。适合想加入 agent-native 团队的人。这篇帖子的受众主要是学生、早期职业者和创始人，强调人类差异化优势在于问题选择、taste、长期判断和关系，而非单纯执行力。
Phil Chen（前 OpenAI、Google DeepMind、Scale AI 等公司背景，现创始人）刚刚发布了长帖，核心主题是 AI 时代（尤其是 agent-native 公司）下的职业与技能建议。
核心观点：AI 擅长一切能写 loss function（可明确评判）的事。学校考试、LeetCode 等都属于此类，因此未来10年最有价值的工作是无法在模型训练周期内被评判的事（即难以 grading 的模糊、长期、人类判断类工作）。
6条实用建议（针对早职业/有野心的人）：
1专注真正稀缺的资源：时间、人际关系、声誉。金钱和资本现在更容易获得，优先做有意义的事、建立高质量网络，比短期高薪更重要。
2学会找问题，而非只解决问题：AI/agents 能高效执行，面试和工作中最关键的是问题选择 + 资源分配。优秀候选人能在混乱环境中快速识别值得解决的问题，并用 agents 协作。
3选择最野心勃勃的问题形式：遵循 “bitter lesson”—— scaling + 通用方法胜过特定优化。选公司/角色时，看对方是否在攻克问题的最前沿。
4冲刺最后一公里：AI 让 median（中位数）结果变得廉价，价值在于细节打磨、迭代和 polish。练习在项目中多花精力做完美收尾。
5提升 xG（机会质量）和 efficiency（转化率）：职业如足球——要选对高潜力机会（团队、市场优先于当前产品），同时提升执行效率。声誉是关键，能带来好机会。
6研究门槛已降低：现在就能用模型做实验、蒸馏直觉、参与公开 leaderboard。研究是一种心态（好奇 + 执行 + 调试 + 沟通），不一定非要进大厂。
结语：世界仍充满机会，关键是找有趣的问题 + 交付超凡结果。适合想加入 agent-native 团队的人。这篇帖子的受众主要是学生、早期职业者和创始人，强调人类差异化优势在于问题选择、taste、长期判断和关系，而非单纯执行力。
2 02
Jonathan Ross（Groq 创始人）刚刚参加播客分享了自己在人才招聘和企业竞争方面的思考
以下是整期播客（约 72 分钟）最核心、最有价值的洞见：
1. 现实商数（Reality Quotient）比智商（IQ）更重要
很多高智商的人认不清现实，甚至构建出精致但脱离现实的理论。
现实商数的极致形态，就是能识别并选择正在被玩的「主导游戏」（Dominant Game）。
这直接决定了公司最终的胜负
2. 成功者玩的是更高维度的「主导游戏」
MySpace 追求「注册账号数」，Facebook 追求「月活跃用户（MAU）」—— 后者才是真正的主导指标。
顶级创始人不会在别人玩的低阶游戏里内卷，而是重新定义游戏规则，让别人跟着自己的节奏走
3. AI 时代，速度就是胜负手
当 AI 与 AI 对话时，速度决定一切。
更快 = 更好的用户体验、更低的成本、更多的迭代机会。
4. 创始人最重要的工作是「全职做变革管理」
公司每成长一个阶段，都需要重新定义规则、调整组织。
创始人要持续推动变化，而不是维持现状。
5. 领导力是可以学习的，且有无数种方式
Jonathan 早期自认是「世界上最糟糕的领导者之一」。
后来通过刻意练习大幅提升。
关键转变：给团队更多自主权 + 减少不必要的约束，反而能产生更多惊喜。
6. 抓住运气的回报，取决于你抓住它的能力
好运气人人都有，但极少数人能把运气转化成巨大成果。
关键在于提前做好准备 + 极快的执行速度。
7. 制造「不满足」是持续创新的引擎
永远不要对现状满意，要人为制造紧迫感和不满。
8. 招聘与文化关键点
招聘看负面特质，培养时再放大正面潜力。
早期 Groq 用「债券」形式，筛选真正相信公司的人。
9. 算力与代码的成本正在发生根本变化
曾经代码和算力被严格配给，现在几乎「近乎免费」。
但每一天没有算力，依然有真实的机会成本。
速度和可用性正在重塑整个 AI 行业。
10. 教孩子（和团队）「问对问题」，而不是急着给出答案
这是 Jonathan 认为 AI 时代最核心的单一技能。
提问能力 > 回答能力。
额外亮点总结：
NVIDIA 200 亿美元交易仅用 3 周谈成，核心靠的是极高的自主权和执行速度。
GPU + LPU 结合比单独用任何一种都强。
创始人要帮助团队把日常工作与最高层的主导游戏连接起来。
以下是整期播客（约 72 分钟）最核心、最有价值的洞见：
1. 现实商数（Reality Quotient）比智商（IQ）更重要
很多高智商的人认不清现实，甚至构建出精致但脱离现实的理论。
现实商数的极致形态，就是能识别并选择正在被玩的「主导游戏」（Dominant Game）。
这直接决定了公司最终的胜负
2. 成功者玩的是更高维度的「主导游戏」
MySpace 追求「注册账号数」，Facebook 追求「月活跃用户（MAU）」—— 后者才是真正的主导指标。
顶级创始人不会在别人玩的低阶游戏里内卷，而是重新定义游戏规则，让别人跟着自己的节奏走
3. AI 时代，速度就是胜负手
当 AI 与 AI 对话时，速度决定一切。
更快 = 更好的用户体验、更低的成本、更多的迭代机会。
4. 创始人最重要的工作是「全职做变革管理」
公司每成长一个阶段，都需要重新定义规则、调整组织。
创始人要持续推动变化，而不是维持现状。
5. 领导力是可以学习的，且有无数种方式
Jonathan 早期自认是「世界上最糟糕的领导者之一」。
后来通过刻意练习大幅提升。
关键转变：给团队更多自主权 + 减少不必要的约束，反而能产生更多惊喜。
6. 抓住运气的回报，取决于你抓住它的能力
好运气人人都有，但极少数人能把运气转化成巨大成果。
关键在于提前做好准备 + 极快的执行速度。
7. 制造「不满足」是持续创新的引擎
永远不要对现状满意，要人为制造紧迫感和不满。
8. 招聘与文化关键点
招聘看负面特质，培养时再放大正面潜力。
早期 Groq 用「债券」形式，筛选真正相信公司的人。
9. 算力与代码的成本正在发生根本变化
曾经代码和算力被严格配给，现在几乎「近乎免费」。
但每一天没有算力，依然有真实的机会成本。
速度和可用性正在重塑整个 AI 行业。
10. 教孩子（和团队）「问对问题」，而不是急着给出答案
这是 Jonathan 认为 AI 时代最核心的单一技能。
提问能力 > 回答能力。
额外亮点总结：
NVIDIA 200 亿美元交易仅用 3 周谈成，核心靠的是极高的自主权和执行速度。
GPU + LPU 结合比单独用任何一种都强。
创始人要帮助团队把日常工作与最高层的主导游戏连接起来。
0 00