Hi~你好！我是 Xinran，欢迎来到我的个人说明书～ 这里是 Tongji 和 Cornell校友一枚，目前常驻上海。本人属性：“热爱折腾” ٩(ˊᗜˋ )œ 。对未知的天生好奇和对新挑战的跃跃欲试，就是我生活的驱动力。

秉承着这股劲，architectue毕业之后我先去了全球顶级建筑公司的旧金山办公室“搬砖”。身处硅谷，浓厚的科技氛围和创新浪潮，让我开始认真思考设计与技术的更多可能性。于是，在当地同学和校友的启发下，我开始转向Product Design和HCI领域，期待有朝一日能用技术改变设计、甚至是创造的范式。

回到上海办公室后，继续负责了几个有分量和社会意义的城市设计项目（张江科学之门 & 城隍庙老城厢城市更新的主创设计就是我٩(•̤̀ᵕ•̤́๑)ᵒᵏᵎᵎᵎᵎ）。后来一次与director的对谈中，他所坚信的“以后人工智能就算来了，也不会改变建筑设计的方法，大家还是会用老办法来做设计”促使了我最终的转型。乘着国内B端产品“火热的”东风，我顺势“跑路”去当了B端产品设计师👩‍🎨

时间快进到22年底，那时 ChatGPT还没有出圈，B端AI产品怎么玩就更加扑朔迷离，但这种“广阔天地大有可为”的情景早就吸引了我的关注。随后一个机会出现-—-和硅谷的朋友远程组队，帮一个当地某大厂出来的 AI新秀团队，从0到1搭建产品逻辑和交互框架。就这样我一头扎进了AI产品设计和交互的世界。👀 BTW，这个团队后来还登上了Wing的Enterprise Tech 30 List，也算是一份迟来的惊喜。

此后，为了更深入地理解和实践AI产品的打造，我开启了AI产品经理+设计+前端开发（偶尔客串）的“全栈”打怪升级模式，带了个独立小分队，主攻帮研究机构和初创团队从0到1落地有价值的AI/SaaS产品。

🥳🥳🥳从 24 年底开始，“爱折腾”的故事有了新篇章：我开始了创业项目！从运营独立Studio 到创业，是一个很大的转变，创业小学生正边打怪边升级 ing，自己也在转变成为 Design 出身的 PM 同时学习做 Engineer(ง•̀_•́)ง

目前正在做的事：

1. 用心建设研究者社区。
作为半个HCI研究者（研究辅助实践居多），我发起了非营利研究者社区Research AI+，这里已经汇集了一群来自 Global 的AI 及 AI 4 Science/Engineering 的青年研究者们。我们在尝试帮助 Researcher 们打破地域和学科壁垒、希望能够碰撞出Industry 和 Academia 的合作火花。最近我们正和长三角的其他机构/社区密集联动搞分享和交流活动（比如沙龙或者读论文这种 Researcher 专属活动），基本每个月都有好玩的活动(＾-＾)📚欢迎在首页找找，也欢迎看我 Yellow page 里面的两个链接来找到社区入口～

2. 孵化 Researcher for Researcher的产品。
社区里还有一票超有创造力的独立开发者小伙伴，热衷于开发AI for Researcher 的产品（感谢 Vibe Coding 赋能超级个体(๑˃̵ᴗ˂̵)让设计师和算法后端同学也有机会launch 产品）。目前正在孵化专属于NextGen Researcher 的职业社交产品，欢迎大家关注我们！

🔑🔑🔑除了跟小伙伴建设社区、开发产品，个人日常也一直“在折腾”，保持“在路上”的感觉：

📚撰写Heuristics for AI Product Design（AI 产品的启发式设计方法）专栏：
即刻中文版地址： m.okjike.com

📬跟前鹅厂算法@Liz_Li 一起做了一个 free 的Substack newsletter，包含Heuristics for AI Product Design 专栏全部内容，还包含 Liz 主笔的一些硬核的技术文章。open.substack.com

📻正在筹划制作一款面向Researcher 的播客，欢迎各位即友来分享研究方向和研究趣事～

👩‍💻正在构建 Figma+V0+Cursor 的设计前端一条龙 workflow（根据Figma 的更新，也许以后就是 Figma Make+Cursor+Vercel/Replit）

📌沉淀基于 Nextjs+tailwindcss+shadcn 的 SaaS 产品组件库，让之前的咨询服务能持续发挥价值，帮助中小团队快速 launch 产品。

🧬研究 workflow 与 agent 的产品结合点，目前在玩 n8n

💡💡💡专业之外的隐藏身份
一个不热爱生活的设计师，不会是一个好的产品人，因此我：

🌿是一位户外爱好者但人菜瘾大，速徒、桨板、溯溪、露营还请叫着我～

☕️吃货本货，爱吃也爱做，热爱全球美食和咖啡探店，对自己的手冲咖啡水平有些小自信😎；

🌆建筑的老本行变成了纯爱好，日常溜达 City Walk/Bike/Hike 探索城市秘境；

🪄业余热爱创作文字，已写过武侠/科幻小说超过 25w字；

🐱兼职铲屎官，家有恶猫又皮又黏人；

🫴打了很多年咏春拳总算要学到木人桩了！

多元的身份让我的生活永远不止一个“锚点”，也是我多年专业上持续“折腾”探索的心灵保障和精神源泉😜😜欢迎各位同好们(⁎⁍̴̛ᴗ⁍̴̛⁎)各种约约约！

附图是大学时候去丽水写生的画作，许愿有一天能恢复画画的功力 finger cross～

chrome 小插件还能收到用户评论😭太感动了。@Liz_Li Web Noter 要加油继续朝着“小而美”前进(ง•̀_•́)ง

Lenny 开源了他 320 期播客的文字记录🥹🥹🥹txt 文档👉 www.dropbox.com

超开心把自己开发的/一直在用的小工具介绍给大家～(⁎⁍̴̛ᴗ⁍̴̛⁎)欢迎大家试玩～

Agent 的控制权、AI 契约（Contract）和 Agent 管理

上次我们聊了一些关于《Agent 的控制权谱系》，有小伙伴提了一个非常好的问题：

“高自主性到超高自主性的提升是什么？是 ai 主动发现需求制定目标吗？”

其实这两者都还属于用户来定目标，Agent 管整个生命周期。

-高自主性（低度人为控制）：“Agent功能”。用户提供目标，Agent 自主规划步骤，对每一步的直接人工干预很少。
-超高自主性（异步运行的后台代理）：独立完成整个功能实现或 Bug 修复，并提交 PR，人只负责最终审查。

两者区别在于这里说的“高自主性”还是属于前台协作，用户需要随时纠正Agent可能出现的错误，任务成功与否依赖于用户对过程的实时对齐。而“超高自主性”是它脱离你的视线进入后台，在不可控的过程中 自主完成如读日志、测试通过、自主循环修复等的整个闭环，直到交付一个通过验证的 PR 才会通知用户。

至于小伙伴提到的“主动发现需求和目标”，可以被认为是更高一个级别的“终极自主性”——能够通过观察用户行为，做出识别、从 todo 里面做筛选、排序并持续任务循环。

用户正在从管操作的 IC 往管理者转变，用户需要设计的不再是对话引导，而是严谨的验收标准。那么如何定义 AI 契约（Contract）来更好地管理 Agent 工作？

在 Agent 的设计中，AI 契约（Contract） 是人机交互从“模糊指令”向“确定性结果”转化的核心机制。与 prompt 不同，它更像是一份详尽的、作为“唯一事实来源”的规范文件，主要为了解决 Agent 在长时任务中常见的“过早宣布胜利”或“幻觉式完工”等“偷懒”问题——

你的员工工作到一半就交差了，有没有可能是你没告诉它“交付标准”？

定义 AI contract 的核心支柱与实例：

1. 不可变的功能列表（Immutable Feature List） 将高层目标拆解为结构化的 JSON 或 Markdown 文件。契约规定：Agent 仅能更新任务的完成状态（如 passes: true），严禁擅自修改或删除原始需求描述。

比如： 开发一个登录页面时，契约应明确列出：1. 包含邮箱格式验证；2. 密码强度检查；3. 错误时弹出 Toast 提醒。如果 Agent 觉得某项太难，它必须向人请示，而不是直接跳过。

2. 动态协商与前置反馈（Negotiation & Feedback） 契约不是单向指令，而是双向对齐。Agent 在执行前会评估资源可行性并反馈风险。

比如： 若契约要求分析去年的财务数据，但 Agent 发现对应的数据库权限未开放，它会立即回复：“XYZ 数据库无法访问，请提供凭证或批准使用替代数据源”，从而避免在错误路径上浪费 token。

3. 可验证的交付标准（Verifiable Deliverables） 契约必须包含客观的验收方法，实现“质量驱动的迭代执行”。

举例： 在代码生成的契约中规定：代码必须通过 20 个特定的单元测试，且检查为零报错。Agent 会进入“生成-运行-报错-修复”的循环，直到完全满足这些硬性指标才会交付。

4. 层级化的子契约拆解（Hierarchical Subcontracts） 对于超大规模任务，主 Agent 充当项目经理，将主契约拆解为多个独立的“子契约”并分发给专业 Agent。

比如： “构建电商 App”的主契约可拆分为：UI/UX 设计子契约、用户认证模块子契约、支付网关集成子契约。每个子契约都有独立的交付物和规范。

这样一来，用户的角色正从 prompt writer转变为负责制定和管理契约的人，定义严谨的任务验收标准并审计 Agent 对契约的履行情况成为越来越重要的事。

AI 契约是建立信任的制度基础，而推理透明度则是建立信任的心理基础。你也许对大模型 thinking mode 里面的碎碎念自言自语并不陌生，那么下一次也许我们可以来聊聊推理透明度。

3 和 4 都还属于用户来定目标，Agent 管整个生命周期。区别在于3还是属于前台协作，用户需要随时纠正Agent可能出现的错误，任务成功与否依赖于用户对过程的实时对齐。4 是它脱离你的视线进入后台，在不可控的过程中 自主完成如读日志、测试通过、自主循环修复等的整个闭环，直到交付一个通过验证的 PR 才会通知用户。至于你提到的主动发现需求和目标，可以被认为是 5更高自主性的 Agent， 能够通过观察用户行为，做出识别、从 todo 里面做筛选、排序并持续任务循环。 //@KyleDZ: 3到4的提升是什么？ai主动发现需求，定目标吗？

社区今天高赞的一个claude Agent SDK workshop 的视频，CC 团队成员主讲，从概念到落地，定义了“Agent”与“Harness”（把工具、提示词、技能串起来），处理工具执行与 XML 参数解析，接入 Bash 命令行、文件读写权限与安全策略，上下文工程与实时监控等等…视频有点长，大家按需服用（手动狗头）www.youtube.com

最近在build 的同时尝试做点 Agent Pattern Design研究，今天研究到控制权的设计，非常有意思。Cursor 作为一个非常 AI Native 的例子，很值得拿来做案例。

Agent 的控制权其实是一个连续的谱系，如果简单粗暴按照高中低划分，可以是：

1. 低自主性（高度人为控制）：Tab 补全。用户仍然是主要驱动力，AI 只是在微观层面做了输入增强。
2. 中自主性（中度人为控制）：Command K。用户定义范围和高层目标，AI修改选定的区域或单个文件。
3. 高自主性（低度人为控制）：“Agent功能”。能够处理 多文件任务或复杂的重构。用户提供目标，Agent 自主规划步骤，对每一步的直接人工干预很少。
4. 超高自主性（异步运行的后台代理）：独立完成整个功能实现或 Bug 修复，并提交 PR，人只负责最终审查。

用户正在从管操作的 IC 往管理者转变，相比于如何操作，用户更需要知道任务边界以及何时打断、何时干预和接管。随着模型能力的提升，Agent 的自主性越来越高，混合式的自主性成为主流——人与 AI 协同贡献，用户根据任务复杂度和对 AI 的信任度，在控制和放权之间无缝切换。

人机交互的未来不仅仅关于界面和操作，更重要的是人与 AI“契约”和“边界”的设计、人类意图的识别传递以及有效的结果验证和反馈设计。

Shadcn 重磅更新，朝着generative design system 迈进了！

NeurIPS 2025 日益临近，我们想借此契机，推出一档社区生长出来的全新栏目——🥳🥳🥳
Research：Side B，把一些值得被看到的科研故事、研究者心法和工作背后的思考讲出来，同时也讲讲 Researcher 科研/工作/创业中的酸甜苦辣。

我和@Liz_Li 一起，跟社区小伙伴 Tiger 聊了很久， 从他 NeurIPS 2025 中稿论文开始，又聊到科研方法、研究者创业等等。这篇论文中，他把一群大语言模型直接丢进真实市场，让它们在美股里“管一笔钱”。

本文是上篇，包含了大模型实盘投资 “Live Benchmark”，系统分析“Time Traveling”、多智能体投资框架与不同 LLM 在金融里的能力边界与真实表现、研究的起源/路径与延伸思考。下篇会更多涉及“一篇顶会论文如何开启的创业之路”的故事。敬请期待(っ•̀ω•́)っ✎⁾⁾

AI 语音桌游真的太好玩了哈哈哈哈哈@傅丰元 语音知识已经被科普地差不多了٩̋(๑˃́ꇴ˂̀๑)