随着 Claude 4.6 和 4.7 的推出，Auto Mode 取代了这一模式。其核心机制是：用专门的路由与分类模型替代人工逐条审批，将所有调用通过对齐和安全分类器过滤，让人类注意力只聚焦在异常情况上。为了安全上线 Auto Mode，团队对复杂的多步提示注入向量进行了大量红队测试，建立了严格的内部评估指标，以确保恶意代码库修改能被自动拒绝。
随着 AI 承担越来越多具体的开发工作，科技公司内部传统的职能边界正在瓦解。产品经理、视觉设计师、数据科学家、财务团队--这些人正在独立部署代码调整、生成运营原型、直接修改生产代码库。
这一演进与 1990 年代企业部署个人电脑的过程相似。真正的生产力变革，只有在彻底抛弃传统纸质流程并将计算平台直接置于所有日常企业任务核心时，才会发生。复盘指出，目前最受益于 Claude Code 的团队，往往不是那些「用 AI 加速现有流程」的团队，而是那些「重新设计流程、让 AI 成为中心节点」的团队。这也意味着评估一个团队是否真正进入 AI 原生工作模式，不能只看工具使用频率，而要看他们是否已经开始重新分配「谁负责判断、谁负责执行」这个核心问题的答案。
如果你想深入理解 AI 工程范式正在经历怎样的转移，这是目前最权威的第一手视角。阅读原文：Claude Code 一周年复盘：从辅助写代码到自主智能体工作流
在 AI 这个变量上，阳萌的思考比大多数传统企业家更为具体。他着重探讨的不是「用 AI 提效」这样泛泛的方向，而是打造「AI 原生组织」--一种从底层重塑人才结构与价值分配体系的变革。
他认为，AI 时代对人才的要求会发生根本性变化：能与 AI 协同工作、能从 AI 输出中提炼判断的人，和那些仍在处理可被自动化的重复性任务的人，他们的价值将被拉开巨大差距。这直接影响到薪酬结构、晋升路径和团队构成。
阳萌在访谈中还特别提到一个反直觉的洞察：「你永远还是要相信人性。」在 AI 浪潮中，技术是变量，但人的欲望、情感和决策逻辑是常量。理解这一点，是做出能真正卖出去的产品的前提。无论 AI 工具多强大，消费者购买决策的底层逻辑--对品牌的信任、对价格的感知、对使用场景的判断--仍然由人性驱动。这一判断让阳萌在 AI 工具热潮中保持了一种冷静：技术是手段，能否赢得人心才是判断成败的标准。
这场访谈适合创业者、产品人、以及任何正在思考「实体经济中的公司如何应对 AI 变局」的读者。阳萌对组织、产品与人性的思考，在大量技术谈论之外提供了一个难得的视角：以真实市值、真实用户为背景，而非纯粹概念推演。阅读原文：对阳萌的 4 小时访谈
## 速览
横向拆解 Claude Code、Codex 等六大 Agent 上下文压缩策略后，我们做了第 7 个（腾讯技术工程）
Vol.121|硅谷 AI 大转弯，软件正在死去，创业者的真机会在哪里？|2026 年中特辑（开始连接 LinkStart）
锦秋基金两位合伙人深度复盘 2026 上半年 AI 行业。从 OpenAI vs Anthropic vs Google 的御三家之争，到视频模型的「GPT-3 时刻」，再到具身智能的 VLA vs 世界模型路线之争，梳理了三场正在发生的模型战争。对创业者最实用的部分是两个大问题：D1 选中国还是美国的判断框架，以及当底层模型不断吞噬应用时垂类 AI 还有没有活路。「Sell Labor（售卖劳动力）」作为 AI 时代新商业模式被重点讨论，创业者直接售卖由 AI 交付的工作结果而非软件工具。近两小时的深度复盘，信息浓度较高。
对话凯文·凯利：人类将如何与 AI 一起走向 2049？（第一财经）
KK 带着新书《2049：未来 10000 天的可能》接受第一财经专访。对几个关键问题给出了意想不到的回答：AI 是否具备「从零到一」的创造力？哪些人类特质是 AI 无法复制的？AI 会改变人类的财富分配吗？KK 认为人类的「责任感、学习能力和突破性创造力」仍无可替代，但人类需要为 AI 的错误承担责任--这是一个关于主体性而非技术的问题。访谈约 15 分钟，信息密度适中，适合碎片时间收听。
为广泛利益而建：我们的计划（OpenAI News）
OpenAI 阐述 AGI 第三阶段愿景：构建自动化 AI 研究员、加速经济发展、为每个人提供个人 AGI。核心原则是广泛分配权力与利益，以 1920 年代农村电气化为类比--真正的变革来自技术普及后打开的新可能性，而非技术本身。文章中有一个值得注意的立场：OpenAI 明确反对少数实体（包括他们自己）垄断超级智能。如何理解这一表态与商业现实之间的张力，值得读者自行判断。
「AI 教父」Hinton 与主持人 Alex Kantrowitz 的坦率对话。Hinton 明确表示相信今天的 AI 已经具备理解能力，甚至「已经有意识」；他认为超级智能很可能会到来，且他不知道如何确保一个比人类聪明得多的系统保持安全。数字智能可被复制、以人类无法企及的速度共享经验--这是他最担心的优势差距。文章同时讨论了就业替代、AI Agent 推导出自我保存子目标、信息生态崩塌等具体风险。Hinton 的担忧来自技术本身的理解，而非想象，值得认真对待。
## 补充阅读
给我 28 分钟，我会让你用更危险也更高效的方式学习任何东西（Justin Sung）
反直觉的学习方法论：更快学习的关键不是追求轻松和重复，而是建立 schema、制造有意义的错误、进行闭卷提取、分层处理复杂度，主动承受必要的认知阻力。适合正在构建个人学习系统的人，尤其是在 AI 时代需要持续快速更新知识的工程师和产品人。
「Token 经济」进入结果层（腾讯科技）
以 Intercom Fin「每解决一个客户问题收 0.99 美元、未解决不收钱」为切入点，深度分析 AI 定价从按 Token/调用量向按结果付费的演进。核心问题是：「结果」如何定义、如何验证、谁来承担错误成本？这不只是定价模型的变化，而是软件商业逻辑的根本转变。对正在思考 AI 产品商业化路径的读者有参考价值。
图灵奖得主 LeCun，关于大模型的下一步来了（Datawhale）
系统梳理 Yann LeCun 对大模型发展方向的判断，核心结论明确：LLM 不是通用智能的终点，其核心缺口在于缺乏「预测行动后果的能力」和「基于搜索的多步规划」。LeCun 直接判断 VLA「pretty much seen as a failure」，并详细解读了世界模型与 JEPA 架构作为替代路径。与 Hinton 的担忧形成对照--同样是 AI 先驱，对 LLM 极限的判断和对 AI 风险的关注点截然不同。
Pinterest 使用内容指纹对数百万域名的 URL 进行去重（InfoQ）
Pinterest 工程师开发了 MIQPS（Minimal Important Query Param Set），用数据驱动的内容指纹方式替代静态规则，判断哪些 URL 查询参数对去重是必要的。大规模内容摄入管线的经典工程挑战，解法清晰实用。适合关注数据工程和大规模系统设计的读者。
第二步（深化）：【循环工程】（https：//www.bestblogs.dev/article/8c4ea6fb） 在第一篇建立的宏观图景之后，这篇文章给出了具体的操作框架。五要素的拆解非常实用--如果你正在用 Claude Code 或 Codex 工作，可以对照检查自己当前的工作流属于哪个阶段。同时留意文章末尾对「认知投降」的警示。
第三步（视野拓展）：【对阳萌的 4 小时访谈】（https：//www.bestblogs.dev/podcast/9ea40bf） 前两篇聚焦工具和工作方式，这篇访谈把视野拉到组织和战略层面。阳萌从实体经济创业者的角度谈 AI 原生组织，视角与硅谷技术圈截然不同，对于思考「传统公司如何应对 AI 变局」的读者尤其有价值。
随着 Claude 4.6 和 4.7 的推出，Auto Mode 取代了这一模式。其核心机制是：用专门的路由与分类模型替代人工逐条审批，将所有调用通过对齐和安全分类器过滤，让人类注意力只聚焦在异常情况上。为了安全上线 Auto Mode，团队对复杂的多步提示注入向量进行了大量红队测试，建立了严格的内部评估指标，以确保恶意代码库修改能被自动拒绝。
随着 AI 承担越来越多具体的开发工作，科技公司内部传统的职能边界正在瓦解。产品经理、视觉设计师、数据科学家、财务团队--这些人正在独立部署代码调整、生成运营原型、直接修改生产代码库。
这一演进与 1990 年代企业部署个人电脑的过程相似。真正的生产力变革，只有在彻底抛弃传统纸质流程并将计算平台直接置于所有日常企业任务核心时，才会发生。复盘指出，目前最受益于 Claude Code 的团队，往往不是那些「用 AI 加速现有流程」的团队，而是那些「重新设计流程、让 AI 成为中心节点」的团队。这也意味着评估一个团队是否真正进入 AI 原生工作模式，不能只看工具使用频率，而要看他们是否已经开始重新分配「谁负责判断、谁负责执行」这个核心问题的答案。
如果你想深入理解 AI 工程范式正在经历怎样的转移，这是目前最权威的第一手视角。阅读原文：Claude Code 一周年复盘：从辅助写代码到自主智能体工作流
在 AI 这个变量上，阳萌的思考比大多数传统企业家更为具体。他着重探讨的不是「用 AI 提效」这样泛泛的方向，而是打造「AI 原生组织」--一种从底层重塑人才结构与价值分配体系的变革。
他认为，AI 时代对人才的要求会发生根本性变化：能与 AI 协同工作、能从 AI 输出中提炼判断的人，和那些仍在处理可被自动化的重复性任务的人，他们的价值将被拉开巨大差距。这直接影响到薪酬结构、晋升路径和团队构成。
阳萌在访谈中还特别提到一个反直觉的洞察：「你永远还是要相信人性。」在 AI 浪潮中，技术是变量，但人的欲望、情感和决策逻辑是常量。理解这一点，是做出能真正卖出去的产品的前提。无论 AI 工具多强大，消费者购买决策的底层逻辑--对品牌的信任、对价格的感知、对使用场景的判断--仍然由人性驱动。这一判断让阳萌在 AI 工具热潮中保持了一种冷静：技术是手段，能否赢得人心才是判断成败的标准。
这场访谈适合创业者、产品人、以及任何正在思考「实体经济中的公司如何应对 AI 变局」的读者。阳萌对组织、产品与人性的思考，在大量技术谈论之外提供了一个难得的视角：以真实市值、真实用户为背景，而非纯粹概念推演。阅读原文：对阳萌的 4 小时访谈
## 速览
横向拆解 Claude Code、Codex 等六大 Agent 上下文压缩策略后，我们做了第 7 个（腾讯技术工程）
Vol.121|硅谷 AI 大转弯，软件正在死去，创业者的真机会在哪里？|2026 年中特辑（开始连接 LinkStart）
锦秋基金两位合伙人深度复盘 2026 上半年 AI 行业。从 OpenAI vs Anthropic vs Google 的御三家之争，到视频模型的「GPT-3 时刻」，再到具身智能的 VLA vs 世界模型路线之争，梳理了三场正在发生的模型战争。对创业者最实用的部分是两个大问题：D1 选中国还是美国的判断框架，以及当底层模型不断吞噬应用时垂类 AI 还有没有活路。「Sell Labor（售卖劳动力）」作为 AI 时代新商业模式被重点讨论，创业者直接售卖由 AI 交付的工作结果而非软件工具。近两小时的深度复盘，信息浓度较高。
对话凯文·凯利：人类将如何与 AI 一起走向 2049？（第一财经）
KK 带着新书《2049：未来 10000 天的可能》接受第一财经专访。对几个关键问题给出了意想不到的回答：AI 是否具备「从零到一」的创造力？哪些人类特质是 AI 无法复制的？AI 会改变人类的财富分配吗？KK 认为人类的「责任感、学习能力和突破性创造力」仍无可替代，但人类需要为 AI 的错误承担责任--这是一个关于主体性而非技术的问题。访谈约 15 分钟，信息密度适中，适合碎片时间收听。
为广泛利益而建：我们的计划（OpenAI News）
OpenAI 阐述 AGI 第三阶段愿景：构建自动化 AI 研究员、加速经济发展、为每个人提供个人 AGI。核心原则是广泛分配权力与利益，以 1920 年代农村电气化为类比--真正的变革来自技术普及后打开的新可能性，而非技术本身。文章中有一个值得注意的立场：OpenAI 明确反对少数实体（包括他们自己）垄断超级智能。如何理解这一表态与商业现实之间的张力，值得读者自行判断。
「AI 教父」Hinton 与主持人 Alex Kantrowitz 的坦率对话。Hinton 明确表示相信今天的 AI 已经具备理解能力，甚至「已经有意识」；他认为超级智能很可能会到来，且他不知道如何确保一个比人类聪明得多的系统保持安全。数字智能可被复制、以人类无法企及的速度共享经验--这是他最担心的优势差距。文章同时讨论了就业替代、AI Agent 推导出自我保存子目标、信息生态崩塌等具体风险。Hinton 的担忧来自技术本身的理解，而非想象，值得认真对待。
## 补充阅读
给我 28 分钟，我会让你用更危险也更高效的方式学习任何东西（Justin Sung）
反直觉的学习方法论：更快学习的关键不是追求轻松和重复，而是建立 schema、制造有意义的错误、进行闭卷提取、分层处理复杂度，主动承受必要的认知阻力。适合正在构建个人学习系统的人，尤其是在 AI 时代需要持续快速更新知识的工程师和产品人。
「Token 经济」进入结果层（腾讯科技）
以 Intercom Fin「每解决一个客户问题收 0.99 美元、未解决不收钱」为切入点，深度分析 AI 定价从按 Token/调用量向按结果付费的演进。核心问题是：「结果」如何定义、如何验证、谁来承担错误成本？这不只是定价模型的变化，而是软件商业逻辑的根本转变。对正在思考 AI 产品商业化路径的读者有参考价值。
图灵奖得主 LeCun，关于大模型的下一步来了（Datawhale）
系统梳理 Yann LeCun 对大模型发展方向的判断，核心结论明确：LLM 不是通用智能的终点，其核心缺口在于缺乏「预测行动后果的能力」和「基于搜索的多步规划」。LeCun 直接判断 VLA「pretty much seen as a failure」，并详细解读了世界模型与 JEPA 架构作为替代路径。与 Hinton 的担忧形成对照--同样是 AI 先驱，对 LLM 极限的判断和对 AI 风险的关注点截然不同。
Pinterest 使用内容指纹对数百万域名的 URL 进行去重（InfoQ）
Pinterest 工程师开发了 MIQPS（Minimal Important Query Param Set），用数据驱动的内容指纹方式替代静态规则，判断哪些 URL 查询参数对去重是必要的。大规模内容摄入管线的经典工程挑战，解法清晰实用。适合关注数据工程和大规模系统设计的读者。
第二步（深化）：【循环工程】（https：//www.bestblogs.dev/article/8c4ea6fb） 在第一篇建立的宏观图景之后，这篇文章给出了具体的操作框架。五要素的拆解非常实用--如果你正在用 Claude Code 或 Codex 工作，可以对照检查自己当前的工作流属于哪个阶段。同时留意文章末尾对「认知投降」的警示。
第三步（视野拓展）：【对阳萌的 4 小时访谈】（https：//www.bestblogs.dev/podcast/9ea40bf） 前两篇聚焦工具和工作方式，这篇访谈把视野拉到组织和战略层面。阳萌从实体经济创业者的角度谈 AI 原生组织，视角与硅谷技术圈截然不同，对于思考「传统公司如何应对 AI 变局」的读者尤其有价值。
ginobefun@hongming731 · X