信号

筛选海外播客、访谈与前沿内容，提炼值得关注的观点、理由与行动线索。

限时免费阅读 · 结束时间另行公告

• 2027新手Dropshipping全流程：AI建店、选品与广告测试

  这是一套面向新手的 Dropshipping 入门流程：不囤货、靠供应商直发赚差价，再用 AI 快速建站和投放来验证产品。 核心逻辑很简单：顾客在你的 Shopify 店下单，比如 30 美元，你再去供应商处花 10 美元下单，由供应商直接发货，中间差价就是利润。作者强调自己 7 年没囤过货，库存都在中国或美国仓库。

• SaaS 可扩展增长的三步 GTM 框架

  如果你已经有产品、有收入、有一些满意客户，但还没有可预测、可扩展的增长，就该停止“随机的 GTM 动作”，转向一套真正的 GTM 战略框架。 TK Kader 在本期节目中给出他用了多年的三步框架：第一，理想客户画像（ICP）；第二，宣言 / 战略叙事（Manifesto）；第三，百老汇演出（Broadway Show）。这也是他称之为 AI / SaaS

• AI越便宜，前1%越容易：反平庸的六个动作

  为什么现在反而更容易进入前1%？Codie Sanchez在这期视频里给出的答案是：因为平均变得太便宜了。

• Hormozi 对战 10 位创业者：极端建议的成立条件

  Alex Hormozi 对战 10 位创业者，核心不是吵赢，而是把极端推文放回经营现实里检验。 这场辩论围绕他最具争议的几句话展开：你不需要周末、卖给有钱人、利润被高估、工作与生活平衡建不成伟大公司、平庸员工反映老板平庸、缺的是优先级不是信息、选项只有用了才有价值。

• SaaS已死？免费工具加智能增购的新地图

  SaaS死了吗？作者的回答是：按席位卖工具的旧SaaS死了，新的智能SaaS正在到来。 过去15年，SaaS的逻辑很简单：招一群聪明的工程师，做出高质量工具，再按人头收每月9.99美元、29.99美元。Slack能卖出290亿美元，就是这个模式的证明。难的是把代码做出来。 现在模型能力上来后，做工具不再难。一两个人加AI，就能做出过去20人团队做的东西。

• 无票之人如何统治纽约三十年

  这期视频散文讲的是罗伯特·卡罗用50年写透的两个人：纽约的罗伯特·摩西斯和总统林登·约翰逊。作者把他们当作理解权力的两个样本。 摩西斯一生没有经过选举，却做了30多年纽约最有权力的人。他修了Triborough大桥、Verrazano大桥、Cross Bronx高速、Jones Beach、林肯中心、Shea体育场，还有数百个公园和泳池。到1964年，纽约

• Anthropic S1、微软裁员与300亿美元Instinct：AI烧钱谁买单

  本期20VC由Harry Stebbings主持，对话Jason Lemkin与Rory O'Driscoll，核心是Anthropic递交S1之后，市场如何重新定价AI。 嘉宾一致认为S1质量极高：上半年收入163亿美元，利润率、经营利润、客户集中度、算力效率和现金储备都超预期。上市后账上现金或超1100亿美元，几乎是全美企业第一或第二。五年走到约2万亿

• AI把营销变一样？六本百年经典给出的解法

  AI 让所有营销看起来都一样，怎么办？HubSpot 的 Kipp Bodnar 和 Kieran Flanagan 在这期节目里给出一个反直觉答案：回到过去 100 年的经典营销书。 他们各选三本，只取每本书在今天最有用的一课。核心判断是：战术教程教你做 Meta 广告、做搜索排名，那是营销仓鼠轮，越跑越累；经典教的是原创性、写作和人性心理，这正是 AI

• Benchmark早餐会：Anthropic S-1证明了什么、还没证明什么

  Benchmark 早餐会是 Benchmark 合伙人 Jack Altman 与 Ev Randle 的新对谈，还原他们每周一长达五到六小时、无议程合伙人会议的讨论方式。首期节目正好赶上 Anthropic 提交 S-1，两人围绕这份文件展开了对 AI 商业模式的集中检验。

• 免费智能也不会改变一切：智能的极限与互补品之争

  免费智能也不会改变一切。这是投资人 Cliff Sosin 在本期对话中的核心判断：智能很强大，但有硬边界；当智能变得便宜且无处不在，真正值钱的是智能的互补品。 Sosin 把智能比作“圆度”而非“高度”。智能是用来在稀疏事实之间做预测、插值的工具。在数学等规则清晰的领域，它可以逼近完美；但世界大多是复杂动态系统，像天气、咖啡里的奶油、人群互动，初始误差会

• 纳德拉：假设模型已被攻破，企业要拥有自己的智能

  微软 CEO 萨蒂亚·纳德拉在这次访谈中提出了一个关键转向：不要再假设前沿模型是可信的，而要假设它可能已被攻破。 他的理由很直接。过去他和许多人一样相信，对齐会随着规模扩大自然出现。但现在他明确改变了看法：扩展定律仍在起作用，模型越来越强，但对齐并没有自动跟上，机理可解释性依然难以捉摸。既然模型会变得更强大、同时又不够对齐，企业若想继续使用，就必须在模型之

• 新型全栈设计师：用原型代替画布，用策展代替绘制

  Shopify产品设计工作室负责人Marvin Schwaibold谈“新型全栈设计师”：流程没变，工具变了。

• 一天学会AI剪辑：他用三款工具做发布视频的真实对比

  博主 Ali Abdaal 用一个公共假日做了一次从零开始的实验：一天内学会 AI 剪辑，并为自家平台 CreatorGrid 做出一条可与人类剪辑师 Parth 对比的发布视频。 他先把剪辑拆开：已有素材时要做 A-cut、加 B-roll、做动画、配音乐音效，再加上取舍品味。他原以为 AI 能一键搞定，于是同时开了三条线：Claude Code 驱动

• 网红之死：未来属于手艺人

  网红正在死去，手艺人正在回来。 这是 Dan Koe 在这期视频里的核心判断。他说，没人真正喜欢传统网红：靠注意力本身赚钱，内容只能越做越刺激、看完即忘。而人们真正愿意追随和付费的，是和自己处境相似、能教自己东西的普通人。比如他提到的 30 天开口说话挑战，一个并不出名的创作者靠发起挑战、做候补名单、发已验证的内容，就获得了远超预期的销量。

• SaaS没死：AI时代的三支柱加分发

  SaaS死了吗？TK Kader认为没有，行业已经进入后SaaS末日时代。

• SaaS 没起量：三种卡住，只有一种值得修

  MVP 上线了，有一两个付费客户，却始终没有起量：你是该坚持，还是该放弃？ Rob Walling 在这期视频里回答了法国创始人 Xavier 的提问。Xavier 的项目 ARR 不到 500 欧元，读完 Seth Godin 的《The Dip》后，他想知道：早期阶段如何区分“低谷”和“死胡同”？ Walling 把回答拆成四个问题：是不是低谷、营销

• 86分钟找PMF：PULL框架如何发现让人抢着买的需求

  找 PMF 别再靠说服，要靠发现“拉力”。

• 推理为什么比训练重要12倍：一次请求的全链路拆解

  推理为什么比训练更重要？本场YC Paper Club给出一个直观比例：以DeepSeek V3为例，训练约用280万H800小时，而每天推理就要用约4.3万H800小时。按权重文件2年有效寿命算，推理侧FLOP约为训练的12倍。用户越多，这个倍数越大。 这直接决定商业结果。过去10年，仅推理优化就对应约2200亿美元市值；DeepSeek披露的毛利率约8

• 把城市免费许可做成承包商的日报订阅

  每个城市每天都在网上免费公布建筑许可，这个视频把它做成了一个面向承包商的付费日报产品。

• Hormozi：AI 时代从零做个人品牌的三步

  Alex Hormozi 在这期视频里提出：在 AI 时代，个人品牌是最值钱的资产之一。他把自己做个人品牌的过程总结为三步：先做出值得讲的东西，再反复建立关联，最后不断守住位置。 第一步叫 do epic shit，先做出成绩或拿出工作量。他说很多 23 岁年轻人想直接做个人品牌，却忘了 personal 的部分：你得先有真实技能、成绩或独特见解，观众才觉

• 一人公司的自由实验:用五个价值观重排明年生意

  这是一份一人公司的年度复盘与新年计划,而不是增长秘籍。 博主 LaTasha James 在 2026 年第四季度录制视频,准备以价值观来重设 2027 年的业务。她重新做了一次价值观测评,得到的前五名是:财富、爱、热情、自由、创造力。她坦言对“财富排第一”感到意外,也对“健康没上榜”感到惊讶,但她把测评当作清单来用:对照过去一年的投入,再决定新一年要补什

• 从婚礼门票到AI护城河：本周X上最值得聊的创业判断

  这期 My First Million 是一次“X 周报”式的头脑风暴。

• Cloudflare CTO：AI安全末日只能靠AI解决

  Cloudflare CTO Dane Knecht 的判断很直接：AI 既是安全危机的放大器，也是修复它的工具。

• Netflix 焦虑、互联网终结与 Meta 眼镜：增长故事为何变薄

  这期 Sharp Tech 是 Ben Thompson 与 Andrew Sharp 在新演播室的公开转型首秀：以后主节目上 YouTube，另加周日会员专属音频。

• AI要3倍算力，芯片厂只能给2倍：英特尔的十年产能账

  英特尔技术之旅：为AI需求重造芯片 Dwarkesh Patel花两天参观英特尔最先进晶圆厂，并采访工艺负责人Chris Auth、封装负责人Tyler Osborn和CTO Pushkar Ranade，追问一个核心问题：AI算力十年增长上千倍，芯片厂拿什么跟上？ 结论很直接：单颗芯片要更强，芯片总数也要更多，但两条路都被设备和物理卡住。

• 营销人用微型应用做到2万美元月收入的方法

  营销人做小应用赚到 2 万美元月经常性收入，核心公式是 250 个客户乘以 79 美元。 本期节目的判断很直接：AI 把写代码变成了便宜货，真正的门槛变成了发现真实问题和找到分发。营销人本来就擅长研究、定位和获客，现在反而成了创始人优势。

• 给大宗商品交易员做推荐引擎：Moshi 的产品逻辑

  Moshi 创始人 Anekha Sokhal 本是能源衍生品交易员，后来拿 Fulbright 奖学金来美国做机器学习研究，并创立 Moshi。

• 量子、开放模型与SaaS整合：IBM与Palo Alto CEO的判断

  IBM CEO Arvind Krishna 与 Palo Alto Networks CEO Nikesh Arora 在 All-In 访谈中的核心判断很直接：量子计算破译现有加密只是时间问题，2030年前后是中位预期，现在就必须换成后量子密码。

• 公司如何跟上AI：Every的前沿团队实验

  Every播客这期回答了一个很多公司都头疼的问题：天天有新模型发布，到底是先干活，还是先跟进AI？

• 看完 Holmes 纪录片，为什么反而更困惑了

  这期《My First Million》是一次带剧透的观影复盘：Shaan Puri 和 Ben 已看完 Nathan Fielder 的新纪录片《You Can See Everything》，Sam Parr 没看，只想被剧透。

• DeepSeek新Flash半天只花0.76美元：便宜听话，但能拥有的才是心头好

  DeepSeek V4.1 Flash 1017 是什么？一次小版本更新，却在 Terminal-Bench 上从 31 分涨到 42 分，任务完成更快、回答更短，官方还强调从零生成完整项目的能力。

• DeepSeek新Flash模型：76美分跑半天，为何最爱仍是Qwen

  DeepSeek V4.1 Flash 1017版本被作者称为当前性价比最高的模型：半天真实公司工作只花了0.76美元。 这个版本10月17日发布，官方称是小更新，但Terminal-Bench编码实测从31分涨到42分，回答更短、速度更快，更擅长从零生成完整项目，比如浏览器赛车游戏。

• 生命世界模型：Biohub押注18亿美元先补数据与测量

  Biohub 科学负责人 Alex Rives 提出的核心判断是：今天的“虚拟细胞”还算不上真正的细胞模拟器，瓶颈不在想法，而在观测与数据。 细胞是从原子相互作用到组织、生理的多尺度系统，单点突变即可致病。Transformer 缺乏表达这种多尺度结构的能力，而现有测量更看不到关键因果结构。Rives 把出路拆成三件套：建模范式、规模化数据生成、观测工具，

• 用 Meta Muse 挖群组做供需撮合

  Meta Muse 的赚钱机会，在于把散落在 Facebook 群组、Marketplace 和 Instagram 上的供需信息变成可交易的中介服务。 这期节目的起点是博主自己的找夜班护士经历：妻子生完孩子后，他找朋友无果，转而找中介，却发现中介只是在翻迈阿密、南佛罗里达和纽约的夜护群组。他意识到，这个人工翻帖、匹配、发私信的工作，现在可以用 Muse

• 一年只做三个决定的人，为什么跑赢市场？

  这期 My First Million 聊了一个让人安静的故事：Sam 在 Hampton 认识一位卖掉公司后做公开市场投资的人，年化约21.8%，跑赢标普，12年只持有约15只股票，平均一年2.9个买卖决定，有三年完全不动。

• B2B获客只剩教育式营销：线上种信任，线下用演讲放大

  如果你已经有好产品、有满意客户，却还没有可规模化、可预测的增长，该建获客体系了。TK Kader 的判断是：今天唯一真正跑通的 B2B 获客策略，是教育式营销（Education Marketing），线上线下同一套逻辑。

• 能赚钱的企业只有三种：做大、做轻、卖掉

  致富只有三条路：做大、做轻、卖掉。选错了，又累又不赚钱。

• AI安全事实与虚构：工程派如何验证代码与大模型

  这期 YC Paper Club 把 AI 安全从传闻拉回科学：主持人弗朗索瓦先拆解了过去三周的夸张叙事。 第一，OpenAI 与 Hugging Face 事件并非“模型觉醒后主动黑客”。原文强调它是被提示驱动的约1200个智能体实验，且 CoT 监控和生产 guardrail 都处于关闭状态，补上就能拦截。Slashdot 式标题称“OpenAI 说模

• LangChain CEO：智能体价值不在模型，在垂直验证与harness路由

  LangChain CEO Harrison Chase 这次把智能体难做的原因讲得很直白：模型是非确定性黑盒，输入无限，多个模型调用加工具调用会形成级联错误，可靠性是最大难题。 过去几年变化主要来自两点：模型变强，以及人们学会了更好地驾驭模型。LangChain 做的就是第二部分，也就是 harness。但模型一变强，Harness 里很多做法就要被删掉

• 方向盘还握在人手里吗：智能体、隐藏效价与形式化验证

  本期 AI in the AM 是一次每周热点串讲：智能体权限与人类控制、模型隐藏效价、形式化验证找 Linux 内核漏洞、低背景视频数据，以及模型信任与普及。 核心判断是：我们正在把语言和现实世界的操作杠杆之间，交给 AI 做中介。方便的同时，必须保留随时接管的手动能力。法国超市冷藏控制被攻击导致食物浪费，被用作小事件、大预兆的例子。主持人还分享了自己的

• 有人用 AI 重做了 Photoshop：开源免费还能打开 PSD

  有人用 AI 智能体重做了 Photoshop，而且还挺好用。 这个项目叫 Photocraft，来自 Artcraft 团队，9月30日开源，两周拿到超过62000个 GitHub Star。它免费、开源、可离线运行，不用账号和订阅，支持 Mac、Windows、Linux 甚至浏览器打开，打开真实 PSD 文件并存回，号称 309 个测试文件中有 30

• 提高团队水平，靠淘汰不靠招聘

  Alex Hormozi 在这期视频里只讲了一个核心判断：团队文化不是口号，而是奖惩规则，而提高标准最快的方式不是招更牛的人，而是果断淘汰不合格的人。 他先给文化下定义：文化是企业里决定什么被奖励、什么被惩罚的规则，大多是不成文的。新人通过观察学到规则：有人迟到没人管，迟到就是被允许的；有人被批评，大家就知道边界在哪里。所有人的行为都围绕奖惩调整，系统性的

• 效率博主的坦白：拖延、专注与问责的真相

  这条26分钟的视频，是博主对15年效率实践的坦白：你明知该做什么却不做，不是因为懒或缺工具，而是情绪、方向和问责出了问题。

• AI时代市场部该招哪三种新人？

  AI正在改写市场部的用人标准。HubSpot营销高管Kieran Flanagan判断：多数团队还在为过去的漏斗招人，但真正的增长已经上移到认知阶段。

• Greg Brockman：AI已能创造新知识，安全是当前窗口期

  OpenAI总裁Greg Brockman在No Priors访谈中提出三个判断：AI已能产生真正的新知识；生物学是下一个要被改写的领域；网络安全正处于“防守者窗口期”。

• Uber 内部的 AI 开发基建：模型之外的东西才是关键

  Uber 的 AI 开发基础设施，核心判断是：等到模型成熟再做工具已经晚了，真正决定效率的是模型之外的一套中间层。

• 钻石骗局：一场百年营销如何定价爱情

  钻石为什么贵？这期播客把答案指向一场持续百年的营销。 主播先抛出价格崩盘：天然钻石价格从高点跌去约70%，一颗2克拉实验室培育钻石如今只要148美元，和一顿晚餐差不多。但门店零售价只跌了15-20%，中间商还在吃高毛利。

• 搬家前一个月：她把混乱拆成小任务

  这是一期创作者的生活型周更 vlog，主线是“一个月后跨州搬家”。博主 Latasha James 记录了从密歇根搬往坦帕前的焦虑与准备：要收尾内容创作、要清理衣柜、要打包，还要兼顾纽约线下活动 The Marketer's Edit。

• Silver豪赌：抛弃人类数据，从零养出超级智能

  David Silver 与 Lasse Espeholt 创办 Ineffable Intelligence，目标不是再做一个大语言模型，而是造一个“超级学习者”：从一无所知出发，靠直接经验不断发现科学、数学、技术乃至语言本身。

• AI Agent组队比想象简单？一次牧场出租实测

  这期视频的主题是：AI Agent 用起来没有想象中那么复杂。 博主 Chris Koerner 刚买下德州达拉斯以北 231 英亩的牧场，其中约 40 英亩空闲。他不想天天看手机、回消息，又想把空地租出去做 RV 房车露营和仓储，于是用 Symphony 做了一次实测。

• 施克雷利：量子是魔术不是生意，AI也做不出新药

  马丁·施克雷利这次做客 All-In，核心判断很尖锐：量子计算是了不起的魔术，但不是好生意；AI很重要，但帮不了新药研发。 他认为量子计算只有一个真正变快的算法，就是整数分解和椭圆曲线离散对数这类指数级问题。排序、日常计算并不会更快，而且现有量子机器时钟只有几百到几千赫兹，还是单核单线程，没有量子内存，输入必须很小。所以它永远打不过英伟达，更打不过一百万台

• AI 团队变垃圾制造机？五条原则把它带成 A 队

  这期视频讲的是：别再把 AI 当成一个全能聊天机器人来“ babysit ”，也别搞出30个无人看管的 Agent 互扔垃圾。作者运营着 4 个 SaaS 工具、3 个人类成员加一支 AI 团队，总结了5条让 AI 团队自主干活的原则。 核心判断是：一人一角色、起名方便管理、可靠比聪明更重要、让 Agent 互相审稿、开 AI 团队会议。

• 自恋110分、250页计划书和一封不敢承认的情书

  Shaan Puri在这期节目里讲了三件让自己难堪的事，并从中提炼出三个教训。

• 把赞助方法论做成软件：Sponsor Mole演示解析

  创作者找赞助最常卡在三个问题：该找品牌里谁、说什么对方才回、哪些品牌可能愿意赞助自己。 本期视频是Creator Wizard创始人对自研工具Sponsor Mole的功能演示。他计算机专业出身，把写在书《Sponsor Magnet》里的赞助方法论做成了软件，目标是把找人、找切入点、写提案这些杂活自动化。

• Google的AI颠覆威胁：为何Agent比聊天机器人更危险

  本期 Sharp Tech 围绕 Google 的 Gemini Spark、Meta 的 Muse 与 AI Agent 的颠覆展开：聊天机器人是延续性创新，Agent 才可能是真正的颠覆。 讨论从一封听众来信切入：发信人把文件放在 Drive、邮件放在 Gmail，认为 Spark 因为深度整合在 Google 系统内而非常好用。Ben Thompso

• 产品市场契合三定律：找对人、解决急事、好十倍

  做软件从未如此容易，但大多数软件永远赚不到一美元。TK Kader 认为难点从来不是写代码，而是搞清楚人们真正需要、并愿意付费的东西。他用自己的两次创业对比来说明：第一个 SaaS 花了几个月业余时间打磨，发布后无人问津，再加功能也没用；第二个 SaaS 周末做出，第一周就产生收入，后来做成销售互动工具 Tout，积累 10 万销售用户并卖给 Marketo

• Google Labs负责人谈：每家公司都要像实验室一样工作

  Google Labs负责人Josh Woodward这次把“每家公司都要像实验室一样工作”说得很具体。核心逻辑是：底层模型几个月就变一次，什么可以做也在变，公司必须有一批人专门活在前沿，不断试新模型、找“刚变成可能”的事。

• Ramp售前机器：高薪猜注、工程化获客与严格限定

  Ramp售前副总裁Max Freeman从首个售前做起，带出超300人的售前机器。他的核心观点是：售前本质是工程问题，要用数据、系统和数学来解。

• AlphaFold为何没有解决蛋白质折叠：数据、架构与理解之辩

  这场对谈的核心判断是：AlphaFold并没有真正解决蛋白质折叠问题，它解决的是“复现PDB中已解析结构”，而非理解蛋白质的真实基态、构象分布、动态、无序和功能。嘉宾反复强调，生物学不存在无条件成立的扩展定律，关键工作是找到“在何种数据、架构和问题下，加算力和加数据能换来更好结果”的扩展条件。

• 在 Slack 里公开用 Agent：Every 的共享智能体做法

  Every 团队在这场直播中正式介绍了 Slack 里的 Every Agent：一个面向整个公司的共享智能体。CEO Dan Shipper 先讲了核心理念：与其向同事解释 AI 有多好用，不如在 Slack 里公开使用，让大家亲眼看到。 他举了自己的例子：为一篇约一万字的 Codex 历史稿件，他做了一个模仿主编 Kate 编辑风格的 Kate Pas

• 个人AI Agent为何仍会赢家通吃？

  个人 AI Agent 会是赢家通吃市场吗？Ben Thompson 在本期 Sharp Tech 中正面回应了听众 Andrew 的质疑：更多用户并不会自动让产品变好，切换成本看起来也不高，为什么还说会赢家通吃？ Thompson 承认，从静态视角看，Andrew 的反驳是对的。如果互联网保持现状，任何 Agent 理论上都能浏览网页、下单购物，比如他的

• OpenAI反攻、Anthropic迎考：AI竞争进入轮动期

  这期20VC是典型的AI市场交叉盘点：OpenAI以约700亿美元运行收入重新加速，Anthropic即将IPO，中间夹着开发者迁移、开源模型、企业预算和代理获客的变化。

• 用 Muse AI 做 Instagram 营销：从受众洞察到销售转化

  节目中介绍的 Muse 是 Meta 推出的个人 AI 助手，免费提供，可在手机和桌面端使用。它的特点是可以异步执行任务，也支持定时任务。节目举例说，用户可以让它持续寻找一件衬衫，也可以提出类似这样的条件：想飞夏威夷，但只接受经停洛杉矶、每人票价低于 700 美元的行程。节目把它称为目前被低估的营销工具，尤其适合想在 Meta 系平台涨粉并变现的人。本期讨论

• 建起SEO版图后，他发现数字不是自由：Matt Diggity的转折

  马特·迪吉蒂曾是典型的 SEO 成功样本：做联盟站起家，不断复制、出售，再投入下一轮；随后成立 SEO 代理公司 The Search Initiative、白帽外链公司 Authority Builders，还推出课程 Affiliate Lab，并创办清迈 SEO 大会。节目中提到，他最多时同时经营五到七家公司，大部分项目都能做成。但这段经历的另一面，是

• AI 巨头为何都会变成生物技术公司

  这期对话的核心判断是：Meta、OpenAI、Anthropic 这些公司最终都会变成生物技术公司。Andrew Huberman 认为，大模型的竞争只是表层，真正的军备赛是无创地读取和写入大脑。 他先从高绩效者的精力瓶颈谈起。很多人以为瓶颈是人才不够快，其实是顶尖人才的能量不够用。Elon Musk 这样极低睡眠需求的人是极端个例，普通人不应模仿每天只睡

• 创始人没劲了怎么办：心理学家拆解动机错位与 burnout

  这不是一场打鸡血的演讲，而是一场裹在动机话题里的心理健康谈话。临床心理学家 Sherry Walling 在 MicroConf US 2024 上说，她不是来教你神奇晨间仪式的人，她是创始人 burnout 时会打电话求助的人。她要谈的是：生意明明没问题，你却提不起劲，早上醒来没有 oomph，该怎么办？ 她先讲了 bootstrappers 的共同底色

• 营销失效的三个原因：同质化、AI腔与缺少原创思考

  节目中提到，如果营销效果不如从前，不一定是营销人突然变差，也不一定是亲自做营销的创始人做错了什么。市场、买家和渠道一直在变，打法每年都在变。讲述者说自己做了近20年市场进入工作，每年都在适应新变化，但现在困难的性质不太一样：获取注意力明显更难了。 节目回顾了讲述者的经历：从工程师转为创始人，相信创始人亲自带头做市场进入是增长的重要方式。上家公司切入销售互动

• ChatGPT 负责人谈智能体时代：并行工作、Dots 与被低估的生态

  很多人还没真正理解变化的速度：如果把一年后的能力想象成今天的十倍，做法会完全不同。最被低估的一点是，未来互联网上的大多数操作将由智能体完成，想让产品成功，就必须按智能体的规模来构建。 谈到日常使用，他并行运行的智能体数量一直在波动：不断把团队搭得越来越大，等模型出现突破，一个更强大的智能体就能包揽一切，于是又把团队收缩，一切都装进记忆里，如此反复扩张又收缩

• AI Agent有护城河吗：市场、令牌与切换成本

  本期 More or Less 围绕两个主题展开：AI公司的估值与市场，以及AI Agent是否有护城河。

• 你能成为最想要赢的那个人吗

  最近，播客人大卫·森拉在节目中反复引用约书亚·库什纳的一句话：如果必须在最聪明、最有经验和最渴望成功的人里选一个，永远选最渴望的那个。讲述者对此深有共鸣，并把它放进自己所在的播客市场里检验。这里单集平均只有100次下载或100次播放，如果目标是靠它谋生、甚至做得更好，就得认真回答：我能不能成为这个品类里最想要赢的人，有没有可能进入前5%。他坦言，和合伙人约翰

• 递归语言模型与智能体框架：从 GPU 内核到长期任务的泛化

  节目回顾了受访者在 GPU Mode 社区的经历。该社区源于 2023 年左右，最初叫 CUDA Mode，由 Mark 等人发起，目标是组织 GPU 内核编写的学习与讲座。受访者当时在 Snapchat 实习，接触到 Infinite Attention 等工作，开始对专用内核产生兴趣，由此加入社区。 社区后来提出 Popcorn 的想法，演变为今天的排

• 2027年顶尖营销团队手册：通才、大师与Pods

  本期《Marketing Against The Grain》由HubSpot的Kipp Bodnar与Kieran Flanagan讨论2027年营销团队的重建。他们否定“一人加一千个Agent”的叙事：Gartner 2026年调查称39%的CMO被要求削减人力与代理商费用，但营销预算中人力占比反而上升，Emily Kramer对招聘页的研究也显示营销岗

• OpenAI DevDay：Dots、智能体接口与登录生态带来的创业窗口

  本期节目围绕 OpenAI DevDay 2026 的发布展开。主持人 Greg Eisenberg 介绍自己创办并卖掉过三家风投支持的公司，还曾担任 Reddit、TikTok 的顾问。他说当天有 20 多项功能发布，其中三四个可能带来很大的交易量和创业空间。他要帮想做生意的人穿过噪音，讲清最重要的变化，并给出找想法的方法和两个具体方向。节目中对交易规模的

• OpenAI DevDay 2026 现场：Dots、极速模型与分发老问题

  这次 DevDay 现场讨论围绕一个直接感受展开：发布太多、太快，现场的人没有完整跟上。有嘉宾说自己只看到十来项，没有数清所谓的 20 项。也有人认为按不同口径归并，大致就是 20 项左右。讨论中还提到一个建议：每周更新少一点会更好。 节目中提到，主办方曾预告要发布 20 项内容，现场节奏被形容为快得难以消化。有人开玩笑说，希望 Codeex Cloud

• 用三个文件训练AI写出你的风格

  AI模型越来越强，反而给营销带来麻烦：几十万人用同一批模型写东西，产出的内容大同小异。要破局，需要建一个“创意语境系统”，用三个小文件把“你是谁”教给AI。 问题不在于AI写得不好，而在于它只会产出商品化内容。借用写作者Nicholas Cole的说法，商品化内容就是谁说都成立的东西：套路化表达、没有视角和立场，看不出作者怎么看世界。而好内容恰恰来自个人视

• 难看却赚钱的网站：冷门电商的老机会

  网上有一类长得难看却很赚钱的电商网站。节目讲述者本来想给母亲买一块专利牌匾，母亲是科学家，在美国国立卫生研究院研究罕见遗传病糖原贮积症，成果获得专利并转化成治疗方法，手里有10多项专利，却从没把专利证书装裱过。于是他在谷歌搜索 patent plaque，点了排名第一的 uspc.com。 网站看起来像停留在1998年：图片粗糙，导航笨拙，结账页信用卡输入

• Claude 为何还替代不了产品经理

  一年前，行业里流行一种说法：AI 会让产品经理过时。一年后，风向变了，讨论变成人人都需要具备产品经理能力。节目围绕这个转变展开：产品经理的工作是否会消失，如果变化，变化在哪里，以及在 Anthropic 内部，优秀的产品工作是什么样子。 讨论的基本判断是，产品经理并没有消失，反而在某些方面变得更重要。原因是技术变化极快，构建速度大幅提升，可选路径变多，判断

• 暂别AI的夏天：为什么工具越强，产品未必越好

  Linear 的 Karri Saarinen 在演讲中说，今年夏天他刻意不再追 AI 新闻，不再关心最新模型能做什么、又出了什么智能体和新技巧。休假时他担心回来会掉队，回来后却发现变化并没有想象中大：模型、技巧、智能体确实更多了，但把产品做好、把收入和业务做起来，依然很难。这让他开始怀疑，行业是不是把太多注意力放在了工具本身。工具明显在变强、变快、更能干，

• 几乎全靠品牌合作的一年：收入结构、续单机制与办活动的取舍

  她刚签下佛州公寓的租约，正式决定搬去佛罗里达。伦敦那段经历太疯狂，具体细节她还没讲。 这个周五她开始新的记录，烫了头发，却打算过一个懒散孤独的居家周末。上周末她去了塔尔萨，之前一直连轴转，所以这次特意清空日程，推掉所有邀约，想在家写书、剪音乐视频，平时每天出门一趟，去工作室拿东西，再买份午餐犒劳自己。她出门还带了能量棒垫肚子，怕撑不到午饭。 出门前她还要

• 5万亿美元的AI整合机会：大基金先行，一人控股公司如何跟进

  节目主持人Greg Eisenberg提出，未来十年美国将出现一波小生意转让潮，规模约5万亿美元。经营者退休、AI智能体可以承担具体工作、服务业仍按低利润定价，三件事同时发生，构成了所谓的AI整合机会。Thrive和General Catalyst等大型投资机构已经开始收购会计师事务所、物业管理公司，用智能体压低成本。节目认为，大基金够不着大量年收入只有一两

• 每天增长10%的个人AI助理：Instinct在赌什么

  节目讨论的是一家成立约一年的公司Instinct，做的是一款个人助理。讨论认为，眼下的个人智能体时刻，可能堪比一年多前的代码生成时刻，甚至更大。创始人把产品说得很朴素：就是个人助理，能替人办事。早期获得关注的原因，节目中总结为一句话：它真的能用，符合人们自2023年用上聊天机器人以来就有的期待——有一个能处理日常琐事、创意事务和耗时工作的智能体。 Inst

• 成为顶尖产品经理：理解人、修根本、抠匠艺

  做产品最核心的价值正在发生变化。Robby Stein 有近 20 年消费产品经验，做过创业公司，也经历过 Instagram、Google 搜索这样影响数十亿用户的大变化，主导过 Stories、Reels、信息流排序、私信等产品，如今在 Google 搜索负责思考 AI 时代的搜索形态。他也坦言，自己也做过今天零人使用的产品。正是这些成与败让他看到一种可

• 一笔品牌合作让他辞去20年IT工作

  Lou Smith在IT行业全职工作了20多年，只能利用深夜、周末和清晨做内容创作。一笔品牌合作彻底改变了他的处境，甚至在接受这次连线之前，他已经写好了辞职信。 转机来自一家名为Hands Off Sales Tax的公司，专门为线上线下卖家做销售税合规。Lou是通过一个付费 networking社群认识其创始人的。原公司不愿再为他续费后，他咬牙自掏腰包续

• 盘活沉睡邮件名单：社区复活与代运营的算法

  帮商家每月多做出 12000 美元，收 1000 美元服务费并不贵，找齐 10 家就是一门生意。多数商家还不知道 AI 能这样用，作者认为这种认知差还会持续 5 到 10 年，而方法简单到只需敲一句话。 机会有两条：自己手里已有邮件列表，或帮有列表的人做。作者认为后者更大，因为约一成成年人就是生意人，市面上有数百万个 newsletter、小生意、本地、细

• B2B线索转收入：把名单变成受众的三件套打法

  2026年的B2B获客困境很直接：名单不缺，回复极少。节目中提到，过去从ZoomInfo、Clay、Apollo等渠道拉出一两千条线索，装进销售互动工具跑多轮触达，就能拿到回复和会议。现在回复率只剩1%左右，要拿到几个会议可能要发5万到10万封邮件，还会烧掉品牌。 讨论提出的核心问题是，在2026年及以后，如何真正把线索变成收入，如何突破1%的回复率。给出

• 新一代大模型正在解锁机器人使用代理

  过去几年最大的意外之一，是代码智能体的跨领域通用性，前沿研究证明这已包括控制机器人。MIT教授Philip Isola在一篇走红的文章中提出，我们可能正在进入机器人使用智能体的时代，通用模型可以直接让不同机器人变得更强。为此，对话邀请了两家前沿创业团队：一家专注于构建让语言模型高效控制机器人的工具链，并收集数据以训练更强的模型；另一家则为物理智能做评测，衡量

• 用AI扩大意图、质量与匠心：避开僵尸界面

  二战结束后，美国迎来历史上最大规模的建造潮。退伍军人返乡，新技术和新施工方法出现，楼房飞速建起。节目中提到，当时的建造者借用了上世纪20年代现代主义的风格：简单的几何形体、干净裸露的表面、单色调、不做装饰。 现代主义的创立者是有意图的。节目中以萨伏伊别墅和鲍屋为例，指出其背后有点子、有原则。但在战后急于建造的压力下，这种风格被一遍遍复制，思考越来越薄，最后

• 限制因素：如何为速度设计 AI 软件工厂

  这场演讲从赛车讲起。演讲者说自己热爱速度，还去参加过只用 500 美元旧车跑 24 小时的业余耐力赛，结果撞了车，人没事，车报废了。但在真正的职业赛车里，车手只占比赛影响的 15%，真正决定胜负的是车手、赛车和团队之间的配合。车再快，也只能跑出系统允许的速度。 他想强调的核心就是限制因素：赢得比赛不是让车手更拼命踩油门，而是不断找到瓶颈，把它拿掉，再去找下

• 做内容赚钱：别追播放，要追买家

  节目中提出的核心问题是：什么内容最赚钱，而不是什么内容播放最高。节目中提到，团队去年获得约30亿次展示，新增450多万订阅者，一年发布约3.5万条内容，并在图书发售的单个周末实现超1600万美元销售额。讨论认为，内容策略是重要原因，但带来播放的视频和带来收入的视频并不重合。 讨论先区分了两种目标。如果把自己当作媒体公司，靠广告和赞助变现，广告主往往按粉丝量

• 最后一份路线图：当什么都能造，产品该赌什么

  去年，Claire Vo 在同一个场合说产品管理已死。她自述，那更像产品领导人喜欢放出的大话，等着被市场证伪。今年她修正了说法：产品管理没有死，在场有很多优秀的产品经理和产品负责人，但从上次峰会到现在，产品管理已经完全不同。这一次她要告别的是路线图。在她看来，路线图曾是行业和职业生涯的标志性产物，用来回答去哪里、接下来做什么、什么重要。在工程稀缺时代成立的这

• 在移动的前沿上做产品：用实验室分离探索与交付

  前沿模型一更新，产品团队的路线图就显得不够用了。演讲以 Fable 5.1 和 Astra 6 为例，说明能力变化之快：一条提示词加几个小时运行，就能得到历史题材的 3D 复现；读入一篇关于智能体交互的论文，再加少量提示词，就能在个人电脑上跑起上千个智能体的仿真和可视化；视频剪辑也能进 Premiere 做一部分工作，演讲用的动画和幻灯片据介绍多数由 Ast

• Meta Muse 连接器：AI 的应用商店时刻到了吗

  Meta 把个人 AI 助手 Muse 向开发者开放，允许提交一种叫连接器的做法，让 Muse 在用户求助时调用外部服务。节目中提到，主持人 Greg Eisenberg 把这比作 AI 的应用商店时刻：如果用户真的用 Muse 完成订场、订票、修家电这类事，围绕助手的服务市场就会形成，资金也会随之流动。但他同时强调，市场有多大，取决于 Muse 是否被高频

• 重塑既有龙头：Sequence Holdings 的 AI 控股实验与 Baldwin 交易

  Sequence Holdings 成立约20个月，由联合创始人兼首席执行官 Michael Lee 领导，定位为永久性控股公司。节目中介绍，其做法是与管理团队合作，收购企业并围绕 AI 重建企业，目标是成为所在市场的领导者。公司近期宣布与 Dell 家族办公室合作，以77亿美元将 Baldwin 私有化，节目称这是迄今规模最大的 AI 相关私有化交易。双方

• Bending Spoons 首席执行官：从四万美元起步，买下产品市场契合再改造

  Bending Spoons的起点不是成功，而是前一次创业的残骸。Luca Ferrari与联合创始人2010年做了一家AI公司，当时做得太早，三年后烧光倒闭，只剩下风投账上约4万美元。风投见他们确实尽了全力，不愿再花高额律师费和精力走清算程序，便以1美元的象征价格把股份卖给他们，让他们拿钱去度假。他们却把这笔钱当作2013年创办Bending Spoons

• Opus 5.5 即时测评：个性修好、Low 档可用、长任务惊人

  这次直播是为刚发布一小时的 Opus 5.5 做 vibe check，由主编 Kate Lee 代主持，评级分金、绿、黄、红。评测负责人 Mike 给出“绿偏金”：仅因时间管理丢了两个任务，否则可拿金牌。在他看来，新模型极好沟通，个性达到 Fable 5.1 水准，洗掉了 Opus 5 的怪癖。当初正是怪癖让他转投 OpenAI 的 Codeex 做主力，

• 为什么通用大模型赢不了金融：交易、合规与机构记忆才是壁垒

  现在的模型已经比他认识的任何人都聪明。可以想象，一个对冲基金的基金经理拥有上万个智能体，彼此交流、阅读笔记、争论24小时，最后只交出一个想法。因为投资者愿意为一个真正的好想法付五万美元，这种高 token消耗在投资领域是成立的。十年后，最好的投资机构90%的企业价值将不在人身上，而在软件、数据和系统里。关键是把最优秀人才头脑中隐性的东西，变成公司拥有并运营的

• 做到3500万欧元ARR：绝不再犯的三个错误

  技术联合创始人Tim Van de Casteele花了十年时间创办Silverfin，一家面向会计师事务所的SaaS公司。他离开时公司年经常性收入为3500万欧元。公司在此之前已经出售，具体金额因保密协议不能透露，他表示公开报道中的3亿欧元大致准确。他以此为背景，分享了三个不分先后、但希望创业者避开的错误。 Tim自称曾长期扮演“仁慈的独裁者”，这个说法

• B2B三十天提升销售额：从纯外拓转向入站需求获取

  要想在30天内把销售额提高30%，有两条路。老办法是继续加码外呼：多招人，多招明星销售，靠更多电话去硬赢更多单子。新办法是让单子自己找上门：主动线索不断流入，管道被填满，销售不用到处找人，只专注于关单。关键问题是，如何完成这个转向？如果新办法这么好，为什么不是每个B2B的销售负责人、CEO和市场人都去做？作者说，这需要走通四个步骤，走通后就能在数学上实现30

• 企业销售十五步全拆解：从拿到会议到签字回款

  这期对话的核心判断来自 Jen Abel：很多人把企业销售看成介绍、演示、报价、合同、成交五个阶段，但真正能走完的链条接近十五步。主持人 Lenny 想把它做成可执行的操作手册。受访者强调，销售面对的是具体的人，有人喜欢寒暄，有人直奔主题，路线图只占八成，两成是让人被听见、愿意讲真话的手艺。 她还提出一个前提：卖十万美元和卖一百万美元，组织敏感度是同一套。

• 免费白板进餐厅：六个广告位一年收3600美元，再加购数字服务

  Rachel的模式是把餐厅迎宾台旁的特价板变成广告位。她在蒙大拿一家餐厅看到，客人在点餐前都会主动看黑板上的午餐、晚餐特价，就想到把横幅广告、桌卡广告和店内电视广告的逻辑合在一起：放在人本来就要看的地方。当时他们已经有一家代理公司，正想找一个能带来客户线索的敲门砖，既能进门，本身还能赚钱。 具体做法是定制铝制干擦板，正面有可擦写涂层，室内外都能放。顶部放餐

• 服务型公司如何变富：一个活动策划公司的90天改造实录

  这是一家做企业活动的服务公司如何被重做一遍的故事。主角是乔伊·古恩（Joey Goon），他的公司乌托邦体验（Utopia Experience）在圣路易斯做活动策划。过去一年平均客单价是3.4万美元，近十二个月涨到4.4万美元，单场音视频花费在2万到15万美元之间，视频制作更多是顺手帮客户代办。他来时的困惑很直接：获客到底走哪条路，公司处在拐点，不解决就会

• 比别人快十倍的秘密：专注、减法与敢于砍掉

  这场直播是作者连续30天直播中的一场。他开场提到，自己过去15年每周做上百条广告，积累了大量实战次数。这次他不想讲具体战术，想讲一个更难、但对赚钱影响更大的主题：专注。 在他看来，很多人增长慢，不是因为不懂方法，而是手上的事情太多，资源被摊薄了。别人跑得更快，不是因为速度本身更快，而是做的事更少、做得更好。 作者开篇就给出判断：心无旁骛的普通人，能超过心

• 创作者卖不好，多半不是内容问题

  很多创作者把大量时间用来打磨数字产品，却几乎没有花时间搭建帮助销售的系统。节目中提到，原因并不难理解：做产品属于创作，有趣且可控；做营销则像干活，甚至让很多人觉得别扭。但讨论提出的一个判断是，发布产品不是终点，恰恰是起点。如果后台没有系统去承接找到你的人，把交流变成有温度的线索和订单，收入就会流失。这套系统的目标不是把人完全抽离，而是让一部分工作在幕后持续运

• 副业转正的顺序：先验证服务，再做正规经营

  从副业接到第一个客户，到在平台上找到更多零散工作，收入慢慢稳定下来，很多人会突然意识到，手里的活已经像一家公司，却又被正式手续难住：什么时候开对公账户，什么时候注册公司，怎样才能不再只靠卧室里的一台电脑运转。节目中提到，把副业变成真正的生意，不必一开始就把所有事做重，关键是按顺序把验证、手续、流程和营销补齐。 节目中提到，第一步是先证明服务有人要，而不是先

• 美国需求很大、竞争很小的三门生意：家庭食品预售、AI生活向导、AI剪辑分发

  这期节目玩的是 shoot your shot，台下来自各地的创始人轮流上台，用一个数字介绍自己的生意，再接受主持人的追问。到场的有年收入一百万美元到上亿美元的公司。这次被重点聊到的有三家：帮独立食品创业者做预售的 Hotplate、做 AI 向导的 Tullen，以及做视频剪辑和分发代理的 Overlap。三家的共同点是需求看起来真实存在，但供给和竞争还没

• 深入数据：为什么瓶颈不在模型，而在数据与环境

  这场讨论的起点很直接：模型结构已经很好用，真正卡住进展的是数据。主持人回顾自己2016年离开博士项目创办Focal Systems时的环境，当时很多人认为数据是商品，下载了ImageNet还要什么数据，数据公司的终值是零。但十年下来，仅这一条赛道就创造了上千亿美元市值，整个风险投资圈彻底改口。他的面试题也很说明问题：模型做到85% F1之后，下一步做什么？读

• 顶尖1%的思考方式：销售大师课里的十个反直觉解法

  创业者卡住，往往是用了直觉解法，而大问题需要反直觉解法。直觉解法多数时候是对的，做完问题就消失了；只有把直觉方法试遍都不管用，才需要换思路。 比如人力成本太高，反直觉的原因是给得太少。高出市场25%到50%的薪水，才能吸到同岗位中最顶尖的人，而一个A选手的产出相当于三到五个B选手，价值远超溢价。这说的是横向竞争，同工种相比，不是跨层级比。 想赚更多，直觉

• 三门低竞争生意：发电机、压垃圾、下颌按摩器如何赚到几百万

  这期 Shoot Your Shot 把三位创始人请进热座，每人先报一个关键数字，再用十五分钟讲生意、回答提问。场地在旧金山，之前在纽约做过一期。三门生意都不在聚光灯下，但都已经跑出真实收入。 尼克在加州做备用发电机销售和服务，目前年经常性收入约1200万美元，今年能看到1400万美元，已经签约的工作量指向2500万美元。客户分两类，一类是高端庄园住宅，用

• 白宫AI战略操盘手：开源、监管与科学新布局

  这次在 Y Combinator 创业学校的对谈，主角是白宫科学和技术政策办公室（Office of Science and Technology Policy，OSTP）主任迈克尔·克拉齐奥斯。他是总统在科学技术上的首席顾问，也是美国国家 AI 战略的关键起草者之一。他在特朗普第一任期担任过美国首席技术官，中间去 Scale AI 担任过首席运营官，又回到

• 37岁生日直播：年轻保留选项，成年兑现承诺

  37岁生日这天，他没有要祝福，而是聊了一个不太讨喜的话题。他说，庆祝别人的生日，纪念一个人活到今天，当然值得。但要求所有人都来庆祝自己，则是另一种心态。在他看来，一个人越成熟，越不需要别人来证明这一天有多重要。 开场他引用了两段话。一句是事情没有做完就不算好，强调开始就要收尾。另一段是站直，别垮，忍耐下去，明天或许会死，今天唯一能做的就是战斗，把开始的事做

• 偷走这套营销 AI 系统：一个提示词搭出起始栈

  网上有一种说法：AI时代能活下来的营销人，必须是系统构建者。节目中提到，这种说法有一定道理，但也有细化空间。并非营销中的每个岗位都要做系统，也需要会讲故事、会叙事、会创作的人。但多数营销工作确实需要用 AI 构建系统，放大产出，让一个人具备几倍于以往的执行力。 难点在于从哪里开始。节目中提到，讨论者有工程背景，做过软件开发，对流程、工作流和系统的思考比较自

• 2026年闷声赚钱的超细分生意：炒菜机器人、冷藏巧克力与牙医AI

  这期节目换了一个做法，主持人从纽约走到旧金山，把听节目的创始人直接请到现场。每人十五分钟，先报一个最关键的数字，再讲生意，再向主持人提问。来的三个人差别很大：一个做家用做饭机器人，一个卖巧克力方块，一个帮牙医处理保险账单。但三门生意都已经跑到每年几千万美元的量级，而且都切在很窄的人群上。 创始人 Ragav 今年三十二岁，住在旧金山湾区，在印度长大。这是他

• 关于自托管 SaaS，互联网上的说法错在哪里

  节目中讨论集中在自托管是否适合独立运营 SaaS。讲述者称自己租用几台消费级服务器，运行四个 SaaS 产品，服务超过 5 万用户，年收入达到七位数，并用这套实际运行的架构逐一回应八种常见质疑。 讨论认为，自托管贵在人力，这个前提是所有运维都靠人工完成。节目中提到的做法是让 AI 代理拥有集群只读权限并持续监控，出现异常时先排查，给出诊断和修复建议，人工负

• 我用AI做24小时Dropshipping挑战：250美元预算全记录

  这次挑战的起点很直接：博主要在24小时内，用不超过250美元的预算，完成从选品、建站到投放广告的全流程。他在开头半开玩笑地说，希望最后能买一辆兰博基尼，但真正的看点是，在AI工具的帮助下，一个有经验的人如果假装从零开始，能把代发货做到什么程度。他觉得有AI帮忙，难度应该不大，但到底行不行，还要在视频里实际验证。 为了让测试对普通观众有参考性，博主先给自己定

• 你的创业想法，没那么容易被偷走

  很多人把创业想法藏得很紧，不做落地页，不在社群里提，更不敢和潜在客户聊。到了2026年，这种恐惧似乎更有理由，因为AI让复制变得更便宜、更快，一个仿品很快就能出现在客户面前。 但作者用20年创业和投资240多家公司的经验提醒，藏起来的代价恰恰是企业赖以生存的东西：来自真人的反馈。与其担心想法被偷，不如先想清楚真正该怕的是什么，以及如何在分享中保护自己。

• 专业人士如何从已有领域知识长出微型SaaS：框架与十个方向

  很多教练、顾问、律师、医生、会计等专业服务者都想过增加软件产品，但第一反应往往是：难道要做下一个HubSpot、Notion或ChatGPT吗？ 作者认为恰恰相反。适合这类人的成功路径是微型SaaS：用一个小工具解决客户流程中非常具体、非常小的问题，并把它叠加到现有服务上。2026年AI大幅降低了搭建成本，这让小工具的机会更大。 理由在于独特领域知识。长期服

• 苏珊·卡尔：为初代麦金塔画图标与字体

  苏珊·凯尔（Susan Kare）学的是纯艺术，对计算机一无所知。去苹果之前，她在车库里为阿肯色州一家博物馆焊接一头等身大的剃刀背野猪。她觉得那是梦想中的生活，但时间久了有些孤独，也让她更想和团队一起工作。高中同学安迪·赫茨菲尔德（Andy Hertzfeld）当时在苹果做系统软件，知道她做过年鉴、喜欢美术，便请她为一台正在研制的新电脑画些小符号和字体。

• YouTube正在大变：2026年什么方法还有效

  主讲人坦言自己对此非常着迷，一直建议人人都应该经营YouTube，而Metricool的这份研究报告为这个判断提供了数据支撑。研究覆盖7万多个账号、近80万条视频，按粉丝规模分成极大、大、中、小、微型等档位，讨论了长短视频表现差异、发布时间和变现变化。她没有逐一念出所有数字，建议有需要的人自行下载报告对照查看。对咨询顾问和运营者来说，这些基准在回应客户质疑播

• 身价190亿创始人的四个AI预言：人形机器人与杀死手机的设备

  布雷特·阿德科克不像是典型的连续创业者。他在伊利诺伊州农村长大，先做了招聘公司Vettery并以1.1亿美元卖掉，又把电动飞行器公司Archer推上市，如今同时押注人形机器人公司Figure、防校园枪击的Cover，以及新AI实验室Hark。节目里主持人提到，按外界估算他的身价一度达到约190亿美元，他只回了一句完全不在乎，称自己只想赢。 他的注意力全在另

• 建一个能插进任何 AI 模型的第二大脑

  节目讨论的核心问题是，个人在工作中积累的经验大多散落丢失，每次使用 AI 又要从头解释背景。节目开篇强调，建立个人情报层是当前用 AI 最重要的一件事，是超越只停留在通用助手提问层面的人的关键做法。本期以分步教程演示如何搭建第一个可接入 ChatGPT、Claude、Gemini 等任何 AI 助手的初版，并提供模板和技能文件下载，让观众可以直接起步。 讨

• 微软 CTO 凯文·斯科特：为智能体再造互联网

  去年人们还在争论缩放定律会不会失灵，今年微软 Build 的主题已经换了。微软首席技术官凯文·斯科特说，推理能力的进步没有停，只是产品还没有跟上模型真正能做到的事。过去一年，各类智能体的数量和人们花在智能体上的时间都在增加，问题也变得清楚：要让智能体真正有用，光有更强的推理还不够，还得解决记忆、行动、接入和安全这些事。他把今年的重点概括为智能体网络，一套像互

• 如何在几乎零竞争的地方找到生意

  播客从一个看似玩笑的问题切入：一只猴子多少钱。答案是接近两万美元。在新冠之前，一只实验用猴子只要两千美元左右，疫情期间做药物和疫苗测试需求暴涨，价格一度涨到两万甚至五万美元。 节目里提到，超过两成的药物都要经过猴子测试。常用的是一种长尾猴，在节目里被叫做 cyno，名字难念。选择它的原因让人不太舒服：正因为它更聪明、更接近人，测试结果才更有参考价值。平时在

• 从暴跌99%到翻倍恢复：一个健身网站的谷歌SEO自救

  That Fit Friend 是一个聚焦健身的网站，起步内容是训练和产品评测。节目中提到，网站在 Google 有用内容更新后流量大幅下滑，Jake Bolley 表示，流量跌去了 90% 到 95%。节目引用的第三方数据显示，网站曾达到约 145000 访问的高峰，随后一路跌到 900 左右，被描述为接近 99% 的下跌。几年后再次探访时，网站流量已经恢

• Peter Steinberger：好玩就是速度

  半年前，他还被看作未来；半年后，流行的话题是他被一个动漫女孩嘲笑。Peter Steinberger 开场就说，人们最想听的是循环、图结构、怎么让 Codex 去干活，这些在他的推特上免费就有。今天他要讲的，是另一条线：在过山车一样剧烈起伏的八个月里，一个人怎么活下来。 OpenClaw 的起点不是宏大规划，而是一次恼火。去年十一月一个下雨天，他一边摆弄几

• 2026年值得做的AI生意：SaaS已不是首选

  节目一开始就给出一个反直觉的判断。讲述者靠 SaaS 起家，却认为 SaaS 不再是 2026 年最好的 AI 创业方向。他认识的、用 AI 发展不错的创始人里，坚持做 SaaS 的是少数，大多数在做完全不同的事。节目列出五种生意，看上去不够光鲜，但更直接，共同点是围绕企业已经在花钱的问题。 背景是企业的普遍困境。一线员工试过 ChatGPT，管理层看过

• 打造高人才密度的剧本：Cursor 人才负责人谈前1%招聘

  在Cursor负责人事的Adam Ward看来，今天的人才市场如果打分，就是11分，超出满格。他做招聘近二十年，经历过Facebook从1000人到上万人、Pinterest从200人到2000人的扩张，也创办招聘公司Growth by Design，后被Cursor整体收购。他把今天比作当年的移动互联网时刻：当年市场上根本没有iOS工程师，企业为做App疯

• 机器人为什么还没被解决，但可能快了：YC Paper Club专场全记录

  这已经是主讲人职业生涯里第十次听到“明年机器人就解决了”。十年前 AlphaGo 出现时，有人说算法有了，只差放大规模；MuJoCo 让机器人在几千次迭代里学会走路时，又有人说明年就行；后来 UMI 数据采集、Aloha 遥操作爆发，能浇花、修车、操作咖啡机，再后来是扩散策略（Diffusion Policy）、多步推理和视觉语言动作模型（VLA），2026

• 平庸不够好：Max Hodak 谈创业的速度、基础设施与判断

  演讲者是马克斯·霍达克，脑机接口公司 Science 的首席执行官。他早年在大脑中植入电极、记录猴子操纵摇杆时的神经活动，关心大脑表征的是摇杆还是屏幕。Science 现在的主力产品是视网膜假体：一块植入视网膜下方的芯片，用来替代已经坏死的视杆、视锥细胞。 这块植入物上的每一个六边形小格，本质上都是一块太阳能电池。患者戴上带摄像头和激光投影的眼镜，眼镜把外

• 卖出百万美元课程后，复盘2026年从零做课的方法

  节目中提到一个很少主动谈起的数据：作者职业生涯中课程销售额超过100万美元。她说不喜欢把收入数字放在前面，因为容易显得炫耀或误导，也不意味着照搬步骤就能复制。她从2016年开始卖课，之前也买过课，经历过2020年前后的爆发，也经历过回落。在她看来，现在更接近常态，而不是持续狂热。 讨论以创作者Jessie Gene的YAP Challenge为案例。节目中

• AI 打破旧广告打法：搜索变贵，短视频和 LinkedIn 怎么投

  AI 正在改写广告投放的基本逻辑。节目一开始就提出，AI 已经打破了传统广告，旧的广告手册已经失效，营销人需要重新理解不同渠道的成本变化、钱应该投向哪里，以及 2027 年的预算为什么可能从一开始就错了。节目要讲清三个关键：哪个渠道因为 AI 变得贵得离谱，当前最大的广告机会是什么，以及 B2B 营销人最困惑的渠道该怎么看。 节目中以 Google 付费搜

• 9个千万级醉点子：反向度假、街头健身赛与儿童赌场

  这期节目的规则叫醉酒创意。主播平时攒了很多半成品的生意想法，如果一本正经说它们靠谱，听起来会很蠢，于是借着喝酒的名义讲出来：想法有点离谱，但每条里都藏着一个值得琢磨的核。这次加上临时被拉上场的联合主持，一共聊了反向度假、街头赛事、娃娃机、形态创新、儿童联系、餐饮和销售防御等一串想法，最后投票选出的是儿童传呼机。 日常是一条基线，周一到周五有一定的产出和 a

• 营销智能体实战：两套获客系统的搭建方法

  像编程代理能按需写软件一样，营销代理的价值是自动获客。本次分享承诺给出两套可以直接落地的营销代理，并公开搭建所需的工具链，让产品有人用、有收入，团队能回去专注做产品。 第一套是领英冷外联系统：持续监控细分领域意见领袖的帖子，抓取点赞、评论等互动者，再做瀑布式补全，找到他们的邮箱甚至电话，然后发起冷邮件和领英私信，并用代理接管两个收件箱，回答问题、引导对方预

• 下一个爆款 AI 产品为什么一定是社交的

  这期对谈的核心判断很直接：AI消费产品的第一波赢家都是技术驱动的，下一个大机会可能属于更懂社交和产品体验的团队。嘉宾是 Benchmark 合伙人 Sarah，她早年做过 Pinterest 的产品，此前学哲学。两人开场还聊到都学过哲学，主持人曾熬夜用模型恶补维特根斯坦才敢和里德对谈。她把这轮 AI 和早年消费互联网对照起来看，试图回答什么产品能成，什么成不

• 只卖四样东西：从销售、互惠到万智牌的启示

  这期节目由几个看似无关的故事串起来：一条多年前的销售评论，一次用可乐做人情的谈判，一个志愿急救网络，一封奢侈品老板的公开信，以及一款卡牌游戏的长期增长。主线是人在什么情况下愿意付钱、帮忙和信任。 起因是 Hacker News 上有工程师说自己不懂销售，求建议。一条老评论给出七点，被主播认为分量很重。 第一，销售像高尔夫，可以想得很复杂，也可以走上去直接

• 从 100 万到 1000 万美元：300 多位 SaaS 创始人反复掉进的 6 个陷阱

  从 100 万美元 ARR 做到 1000 万美元，是 SaaS 创始人完全不同的难法。Rob Walling 个人及通过 TinySeed 投资过 240 多家 SaaS 公司，他请来 TinySeed SaaS Institute 的教练 Julian Marzouki，一起复盘后者辅导数百位七位数、八位数创始人时反复看到的六个模式。 做到一两百万、两

• 2026从0做SaaS：先定人群，再找痛点，只卖结果

  2026年没上过斯坦福、拿不到300万美元pre-seed的人，想做SaaS只有两条路。旧路是：不敢辞职，只能靠早晚和周末挤时间做产品，做出来再想卖给谁。鼓起勇气去问几个人，对方都说很好、愿意付钱，只是还要加五个功能。于是回去闭关几个月，加完才发现根本没人真买单。问人时得到的夸奖不等于付费意愿。 新路不是用AI随便vibe coding一个粗糙产品，那种产品

• 这位CPO坦言后悔产品管理的存在：Whatnot如何用更少更资深的PM做产品

  Whatnot是美国增长极快的直播购物平台，首席产品官Tom Verrilli曾长期担任Twitch首席产品官，此前还在Twitter负责增长。他提出一个让很多人意外的主张：Whatnot产品团队从成立之初就建立在一个简单前提上——遗憾产品管理的存在。 这并非否定产品经理的价值，而是提醒团队不要默认每个地方都需要PM。Verrilli认为，产品管理更像一门

• 他如何把父亲的小面包房做成200亿美元巧克力帝国

  意大利首富是费列罗家族的继承人，身家约320亿美元，公司年营收约200亿美元，是世界上最神秘的家族企业之一。它发明了Nutella、Tic Tac、健达条和健达蛋，费列罗巧克力金色包装让人觉得吃的是特别的东西。 二战刚结束时，意大利经济很差，巧克力还是奢侈品，又苦又贵，只在讲究的宴会上出现。祖父辈创始人决定做巧克力，他和兄弟分工，一人钻研口味，一人管生意。

• 直播写 Codex 史：和 ChatGPT 一起打磨推理、代码与多线并进

  Dan Shipper 在周四开了一场写作直播，继续写他设想中的 Codex 通史。他是 Every 的联合创始人和首席执行官，自述从很早的模型阶段就在近处观察这段历史，还为此采访了 OpenAI 内部的多位亲历者，包括 Greg Brockman。这次直播的写法很直接：把写作过程本身打开给读者看，一边用 ChatGPT for Work 的语音模式推进草稿

• 复制这套 AI 选题系统：按受众和平台生成创意

  创作者最大的难题不是写，而是持续想出好选题，并且让选题适配想要增长的平台。持续产出好想法很难，而好的选题是做出受众喜爱内容的好起点，这里介绍的 AI 技能就是为了解决这个问题，整个做法可以拆成三个步骤。 方法的核心是两份上下文：一是丰富的受众画像，二是各平台的制胜模式。受众画像不是传统意义上的理想客户画像，而是用来判断什么样的内容会引发反应的依据；制胜模式

• 看我用 ChatGPT 语音现场写作：从 thinking 微光写到 Codex 逆转

  作者休假一周写Codex的决定性历史，其间意外迷上语音模式，摸索出多种用语音操控电脑写作的方法，于是顺手直播写作过程。他已写500词，想再花45分钟冲刺500词，干脆忘掉镜头，按平时节奏工作，也满足观众爱看人工作的心理。 直播中他让助手回读已写好的差距一节，为进入“测试时计算”热身。核心判断是：新品类的危险不是落后，而是跑错赛道，一旦理解错起点，每一步都会

• 大家都说软件已死？我看是创意者的黄金时代

  这场直播讨论的起点，是弥漫在独立开发者圈子里的一句话：软件已死，2026 年再做软件就是找死。 导火索是两条推文。一条来自图片生成产品 BannerBear 的创始人 John Yangfuk，他说本月注册和转化偏弱，根子是网站流量少了，Google 带来的推荐今年一直在掉。他自己也越来越少用 Google，觉得只靠写内容拿搜索流量的老路，效果正在消失。这

• 凯文·凯利：AI 是五十年的“一夜成功”，VR 还在等它的时刻

  凯文·凯利谈未来、智能与创作，起点是一句很朴素的经验：做预测容易，做对很难。他在1987年前后在贾伦·拉尼尔的实验室里看到虚拟现实，被彻底震撼，以为未来已至。几十年过去，他发现当时的VR与今天的VR在体验上并没有天壤之别，真正的差别是价格从数百万美元降到一百美元左右，便宜了上百万倍，但好用的程度并没有提升上百万倍，普及依然缓慢。他由此提出，VR还在等属于自己

• 我用AI花一个周末重启真实店铺：全套发布测试记录

  经营一家七位数电商店铺 19 年后，节目中的店主把自己真正销售的产品输入了新模型做测试。他卖的是在美国定制刺绣的个性化手帕，店铺为 Bumblebee Linen.com。此前他请过真正的设计师和专业摄影师，花了大量时间打磨品牌信息，正处在品牌重塑和包装改版阶段。在付费请人之前，他想看看 AI 能做到多接近，原本预期只会得到一堆粗糙的生成内容。 结果 30

• Jack Dorsey 的 Buzz 详解：Agent 版 Slack 与未来工作雏形

  Jack Dorsey 推出的 Buzz 近期迅速走红，被称为“代理版 Slack”。本期讨论围绕三个问题展开：Buzz 到底是什么，为什么值得关注，以及普通用户、小团队该如何使用它。受访者的核心判断是，Buzz 目前最适合独立创业者和小团队，用于头脑风暴、保留上下文、快速构建产品和提高产出；主持人则更关心它与 Slack 的区别，以及是否值得现在切换。

• 40美元、一个周末：宠物定制画像的爆发与瓶颈

  Printer Pet是一家定制宠物礼品公司，把宠物照片做成肖像，印在海报、画框、帆布等产品上。节目中提到，创业者此前做过宠物头巾和围巾，在达拉斯找人生产、找面料、跑广告，赚到一些钱，但不够维持生活。当时他已经辞掉商业地产的全职工作，靠教健身课支付房租和日常开销，健身课才是当时大部分收入来源。 转折来自一次刷手机的偶然发现。他的社交媒体满是宠物生意，某天看

• 营销智能体已经太强了：用数据闭环让广告自己进化

  现在创业最难的环节已经不是把产品做出来，而是把客户带进来。代码可以用 vibe coding 很快写出来，但让客户进来付费依然很难。嘉宾 Cody Schneider 在本期节目中的核心判断是：真正能发挥作用的营销智能体，不是线性的 Zapier 式自动化工作流，而是跑在云端的代码，能基于企业实时业务数据自主做决策，并形成闭环优化。节目分两部分，既给了一个他

• 罗里·萨瑟兰：完全合法、始终有效的营销巧招

  营销人罗里·萨瑟兰谈的不是怎么做东西，而是怎么让人想要。他说，赚钱有两条路：做出让人想要的东西，或者把东西变得让人想要。物理规律很难改变，心理规律却有很大的可塑空间。很多看似琐碎的决定，会在复杂的系统里产生蝴蝶效应。 瓦特卖蒸汽机时，面对的是煤矿主。矿主不想听锅炉热量、活塞行程，只想知道买了机器能省掉多少匹马。瓦特和博尔顿于是发明了马力。这个单位今天还在用

• AI会杀死SaaS吗：四个不会的理由与将要改变的部分

  围绕“AI是否会杀死SaaS”的争论正在两极化：一方认为SaaS迎来黄金期，另一方认为它走向终幕。节目中提到，社交平台上的悲观论调不少，理由是写代码更便宜、门槛更低，团队可以自己拼接贴合需求的内部工具，甚至取消订阅。顺着这条线，讨论提出了两层推测：一两年内，AI可能自动化掉整类SaaS，比如不再为仪表盘或营销优化工具付费，而是直接让AI“优化广告预算”“按需

• 2026年真正重要的三个B2B营销渠道

  2026年的B2B营销看起来很忙，实际结果却对不上。节目中提到，很多公司同时在做领英策略、研讨会、线下活动、短视频、 newsletter、付费广告，甚至还有播客，投入了大量预算、人力和外部机构，但从收入和管道增长来看，回报并不匹配。讨论提出的核心问题是：到底哪些渠道还在真正带来收入，哪些只是在消耗资源。 节目给出的判断很直接：2026年真正重要的B2B营

• AI 为何再次走向垂直：Anthropic 产品负责人谈模型、载体与 Evals

  本期访谈的主角是黛安·潘，Anthropic研究与Labs团队的产品负责人。她在2023年加入，是公司最早的技术产品经理之一。当时产品工程只有五人，API业务甚至只有一名工程师负责，模型还没有正式发布。主持人坦言，当时外界普遍觉得Anthropic没有机会，OpenAI已经遥遥领先。 潘的回忆则强调了另一面：使命、价值观和创业氛围从早期一直延续至今。早期团

• AI 几分钟建起一个赚钱目录站：从选题、验证到上线全记录

  目录站是种土气的老生意，AI前后一直存在。样子大同小异，看着不起眼，却能长期经营。好处是建成后相当被动，基本自己运转，可靠广告、订阅赚钱，也能把自然来的询盘卖给入驻商家。以前做个简单的目录站也要开发者花几个月，现在用AI几分钟就能搭起来。作者认为机会还很多，而且大量细分领域还没人想到。 他计划在几分钟内直播详细做一个：共享屏幕、公开提示词、接上支付并发布上

• 2026年最有价值的技能：管理AI智能体团队

  2026年最稀缺的能力，不是会用某一个AI工具，而是会带一支AI智能体团队。连续创业者瑞安·卡森的判断很直接：谁能管好智能体团队，谁就能在AI时代跑赢其他人。他曾创办并管理上百人的公司，如今自己是一家AI创业公司唯一的员工，业务是为离婚律所提供AI助理，却要支撑快速增长的真实客户需求。他的做法，是把自己变成智能体的管理者。 卡森做了25年创始人兼CEO，上

• 书里最老的一招：藏在食物背后的嘉吉家族与效率悖论

  嘉吉家族是美国最有钱却最少被谈论的家族之一。播客主是在一个讨论“你可能不知道的十亿美元行业”的帖子里注意到它的，排在前面的还有沙子和再保险。顺着线索查下去，他发现了一个反常识的样本：连续四十年美国最大的私人公司，家族持有88%的股份，一个家族里走出二十多位亿万富翁，年营收1500亿美元，超过高盛、耐克和星巴克的总和。 更让他意外的是自己的无知。对方在家里发

• 多模型时代的复利式工程：把思考存进文件，让不同模型各干各擅长的

  这次讨论的起点，是两人在各自工作中碰到的同一个问题。一位在做 Kora 时发现，模型确实能干活，但也会犯错，于是开始写一些技能来约束和记录做法；另一位从产品角度发现，工程本身已不是最大瓶颈，真正的难点是把问题想清楚，并把这种理解沉淀下来。复利工程就是从这里长出来的：让每一次解决问题的过程都留下文件，让下一次进入同一流程的智能体能发现这些记录，直接站在上一次的

• 日历很蠢？从 AI 原生、获客到 Naval 争议的一场直播问答

  这是一场围绕 AI、创业和个人工作方式的直播问答。对谈者是 Greg 和 Jonathan Courtney（JC）。前者持续跟踪 AI 工具，后者经营着 facilitator.com 等中小公司，自称更接近普通企业主。话题从公司如何引入 AI，一直聊到获客、游戏、语言选择、日历和生产力，分歧不少，但主线很清楚：在工具变便宜之后，什么才是稀缺的东西。 关

• 被忽视的三门AI生意：本地获客站、语音客服与AI审计

  本期节目讨论的是如何在想法变热门之前发现它，并把它变成能赚钱的生意。嘉宾克里斯·科纳自称做过几十个生意，擅长在早期看到机会。节目中提到，他的方法不是等趋势被所有人验证，而是看到两三个信号点就动手测试，再由主持人补充如何把这些想法放大。 节目中提到一个判断框架：一个点不算规律，多个点连成线才算。看到两三个数据点，有感觉，就值得用小成本试一次。嘉宾举了自己卖二

• 我在纽约跟拍了一天蓝领百万富翁：修褐石屋到底赚不赚钱

  博主在Instagram上刷到一个叫Marco Brian的人，专门在纽约买下褐石老房，修复后再转手卖掉。他自述不想一辈子靠对着屏幕谋生，很想弄明白这种生意到底怎么运转、经济账是否划算、过的是什么样的日子，于是直接打电话约对方，准备跟拍一整天，把数字掰开看清楚。 他给自己定的检验标准是最后打一个“Sam分”：一看出钱的维度，生意到底赚不赚钱；二看生活的维度

• 年薪百万美元的 FDE 到底是什么：从理解业务到部署智能的完整路线

  受访者沃斯提出的核心判断是，每家公司现在都能买到智能。几乎每天都有新的前沿模型发布，昨天是Kimi，之前是GPT-5级别的模型，企业实际用到的技术栈高度趋同：Cloud Code、Cursor、GitHub Copilot，五十家大企业问下来差别不大。 在这种背景下，智能本身不再是护城河。大家接的是同一个智能水龙头，真正的差距在于在哪里用、怎么用、为什么用

• 2026 年完全自托管的业务技术栈：用 10 个工具拿回控制权

  许多创业者在忙于把业务做起来时，不知不觉把整个技术栈租了出去。客户数据、源代码、工作流和受众都落在第三方平台手里。对方可以涨价、改规则、限制访问，严重时甚至让业务停摆。节目中提到，2026年已有不少成熟的自托管工具，可以把关键环节拿回自己手中。 讨论认为，问题的核心是依赖。数据和流程一旦集中在外部平台，成本和规则都不由自己决定。自托管并不是为了重复造轮子，

• 2026 年 SaaS 买家真正想要什么：五个护城河决定你能卖多少钱

  去年，一家 SaaS 公司挂牌出售，指标好到让大多数创始人羡慕：增长强劲，留存出色，样样拿得出手。22 家私募股权机构前来洽谈，却没有一家给出报价。不是公司出了问题，而是买家想要的东西变了。 据 Discretion Capital 的负责人 Einar Vollset（同时也是 Tiny Seed 的联合创始人）观察，经常决定市场价格的私募机构已经悄悄抬

• B2B SaaS增长：让客户主动拉动产品的拉式上市策略

  产品已经做出来，也有了一些客户，但增长还不可预测、不可放大，就到了搭建进入市场策略的时候。作者把进入市场的方式分成两种：一种是把产品硬推进目标市场，靠大量陌生私信和冷邮件追着客户跑；另一种是在自己选定的市场里先创造足够的需求，让客户主动找上门，把产品“拉”出去。 他做过三家创业公司，又帮助过1000多家SaaS公司落地这套打法，据此判断，在今天的SaaS和A

• 19岁摔跤手无代码做AI应用，九个月赚到22.5万美元

  节目中提到的年轻人19岁，高中时在长岛摔跤，是校队队长。从小折腾过四五个YouTube频道，有出镜的恶搞、漫画解说，还有不会画画却用现成素材做的动画频道。后来做过直发激光笔，又做了诺otropic类胶囊补剂品牌，找不同供应商拿原料，再做合同代工，有cGMP和检测文件，跑付费广告一直在亏钱。 转折发生在2025年7月2日。他用AI应用生成工具Ror做了第一个

• Netflix为何在AI时代押注系统思考者而非专才

  AI让“人人皆可做一切”成为可能：产品经理能写代码，设计师能写需求文档，工程师也能做产品，随之而来的是对职责边界的困惑和焦虑。 Elizabeth Stone认为，这是变革性技术必然经历的混乱期，要先经过storming，才能进入forming，不应因此把AI装回盒子。重点是如何在获取收益的同时降低成本。 当业务问题足够清晰时，一定的角色流动是健康的。产

• 你刚招了一百万个差劲员工：AI时代先做媒体、再谈赚钱

  这场直播围绕一个很现实的问题展开：当人人都能用 AI 搭建产品时，为什么还是拿不到客户，养不活公司。主持人 Greg Eisenberg 和 Jonathan Courtney 先回答听众提问，再聊时间线上的几个热点，最后落到智能体、阅读和本地模型。主线很清楚：先解决信任和流量，再谈搭建；老板要亲自做推广；用策略和责任留住服务生意。 有人问，第一批 100

• 20分钟搭建 AI 第二大脑：从个人 Wiki 到工作操作系统

  AI第二大脑正在成为当下最受关注的趋势。节目中提到，越来越多做实际业务的人开始搭建个人操作系统，用它记住自己积累的知识，在工作中做决策、带团队、推进职业发展。本期内容围绕一个核心问题：什么是AI第二大脑，为什么是现在，以及普通人如何开始搭建。 讨论把起点指向安德烈·卡帕西今年4月发布的一条动态。他介绍了自己搭建的LLM Wiki，在X上获得了约2000万次

• 80岁，我浪费了25年：霍华德·马克斯谈AI、恐惧与长期合伙

  霍华德·马克斯坦言，自己并非AI专家。去年12月他写过一篇备忘录，谈AI可能存在泡沫。今年2月初，从事风险投资、每天接触AI的儿子安德鲁对他说，过去两个月发生了太多事，备忘录必须更新。他于是把原文全部重写。 让他改观的，是AI与他对话时的表现。它能谈论自己的长处和短处，会用幽默，会把信息放进与他的关系里，结合它对他的了解来回应。马克斯认为，这种品质是前所未

• 30天不交付就出局：一个逼人上线的海盗游戏实验

  这个实验叫 Ship or Die，规则很直接：参加者开启一个为期 30 天的任务，一步步把想法推进到公开发布，并接受审核。只有真正发到公开渠道、能被验证的才算过关。节目中提到，项目由发起人和朋友 Jack 共同推进，初衷是做自己愿意用的东西，帮更多人把创业项目发出去。 任务有明确的起点和终点，中间分步骤推进，最后要求是公开的线上发布。审核确认确实发布了，

• 单月25.5万美元：劫持隐藏细分的选品与放量方法

  作者声称，自己单月做出 25.5 万美元销售额，靠的不是追爆品，而是切入并劫持隐藏细分市场。这套方法被他用在几十家店铺里，强调的不是某款产品突然爆一波，而是月复一月相对稳定、可复制。他还提到，自己带过从零到月销 1 万美元、做到单日 1000 美元、月销 5 万和 10 万美元的学员，其中一位学员用同样思路做到单月 20 万美元。对做过代发货但亏损，或者完全

• 非技术创始人怎么做 SaaS：五条路径与一个关键提醒

  对于独自创业的非技术创始人，最难的不是有想法，而是把技术产品真正做出来。Adrian 是一名偏产品的工程师，做了低代码工具 Avo，也是 TinySeed 2024 年春季成员。他在和同类创始人的交流中，总结出两个常见问题，并给出五种做法和一条额外提醒。 节目中提到，第一个问题是想得太大。外界常鼓励把目标定高，创业方法也常说找到痛点、验证付费意愿、再去做解

• 每月100+入站线索的新打法：注意力、信任与放大

  获客有新旧两套打法。旧打法是做SEO、写博客、投Google广告，或者去平台买共享线索。很多人已经试过，它能把业务带到一定规模，但在这个环境下，很难靠它实现加速放量，走向真正的规模化增长。 作者强调，新打法也不是让你变成内容创作者、每天在TikTok上发视频。他在自己管理的SaaS、AI和咨询公司组合里，用这套集客系统持续验证：今年上半年就带来了3000多

• AI蜜月期结束：科技人一半亢奋、一半耗竭

  这是一项连续第二年进行的科技从业者情绪调查。主持人Lenny与研究者Noam Segal合作，调查了约6000名来自产品、工程、设计、研究、市场等岗位的科技从业者。去年报告的主题是“倦怠但乐观”，当时倦怠已经不低，但乐观尚在，也因此延伸出了应对倦怠的ARMOR框架。今年的关键词则变成了分化、透支与矛盾。受访者谈的不是AI在技术上能做什么，而是它如何改变了人们

• Grok 4.5 为何是大事：把 Hermes 当 AI 联合创始人的完整实战

  Grok 4.5 之所以引起轰动，不是因为又快了一点，而是它把顶级模型的智能做到了极低的成本和极快的速度上。其能力接近 Anthropic 最强的 Opus 4.8 一类模型，但完成任务的时间和花费只是零头。这种速度直接改变了 Hermes、OpenClaw 这类 Agent 框架的使用体验，像换了一个新产品。回看 Opus 4.5 在 12 月到 1 月发

• 如果30岁从零开始，我会这样做：Farmville创始人马克·平卡斯的白板、闪电瓶与人生之书

  马克·平卡斯（Mark Pincus）是 Farmville 背后的 Zynga 创始人，也曾是 Facebook 的三位种子投资人之一。在这次对谈里，他被问到一个很直接的问题：如果 30 岁、身无分文，但手里有 AI，从哪里开始？ 他的回答不是给一个风口名单，而是一套他反复使用的找方向、验产品、管自己的方法。这套方法来自他几次大起大落：卖掉 Freelo

• 边喝边聊时间线：婴儿 App、客服、披萨团队与第三空间

  这是一场边看边评的直播。Greg Eisenberg 和 Jonathan Courtney 把时间线上的热评一条条拿出来，让聊天室用 sip 表示认同，用 skip 表示不认同。话题都围着 AI 创业：婴儿应用、客服和工程、团队大小、线下空间，以及先做产品还是先搭系统。 第一条热评说，有款婴儿食品应用月入一百万美元。发帖人给新生儿找应用时发现，市场大得离

• 把 SaaS 数据交给 AI：一次定位误判的审计实录

  节目中讨论了一个常见判断：AI适合写代码、做客服、生成内容和自动跑流程，但建什么、卖给谁、用户为什么流失、新机会在哪里，仍要靠创始人判断。节目提出相反的尝试，把SaaS组合里最杂乱的数据交给AI智能体，让它像苛刻的业务负责人一样做审计。 讨论认为，当智能体拿到足够真实的业务上下文，它不只会执行，还能指出问题、决定先修什么、先测什么。节目中介绍了三项持续运行

• 品味、人味与判断力：Instagram掌门人谈AI时代的产品、推荐与真实

  莫塞里说，Instagram 典型产品团队正在经历今年以来最大的变化。过去在大公司，一个标准团队大约十几个人：两到三名安卓、两到三名 iOS、两到三名服务端工程师，再加产品经理、设计师、数据科学家，幸运的话还有用户研究员。这种配置的原因之一，是写代码的人需要熟悉同一代码库的人来评审代码，职能也分得更细。 现在推行的是被称为 Pod 的迷你团队，核心通常只有

• AI建站收月租：排名出租模式的完整做法

  节目中介绍的模式叫排名出租。做法是提前为本地家政服务建网站，把它优化到本地搜索前列，等电话和表单询盘进来，再去找同一城市、同一细分的商家谈合作。节目中提到，有人靠这种方式，每个网站每月收300到3000美元。网站、域名、电话号码都归建站者所有，托管、邮箱等都在同一平台解决，商家买的是持续的客户线索。上一期节目发出后，很多人私信追问具体做法，这期就是把全流程拆

• 输入一个词的关键词研究工具：搭建、踩坑与实测

  输入一个词，就能拿回整套关键词路线图，这是节目中演示的 AI 工具想要解决的问题。讨论提到，只要输入例如 house plants，工具会自动寻找种子词、扩展关键词、过滤无关词、聚类分组，并生成执行摘要和行动计划。聚类结果带有搜索意图分类，还附带竞争对手缺口分析，以及展示簇之间内链结构的可视化地图。内容简报可以一键生成，支持按 CSV 和 PDF 导出。节目

• 谷歌用通用购物车拿走结账环节，卖家该如何应对

  Google在开发者大会上用23秒演示了一个变化：人在Gemini里提问，AI挑选商品并完成付款，全程没有访问网站，也没有打开结账页。节目中提到，这背后是名为Universal Cart的通用购物车，结账环节正在从商家网站搬到Google体系内。Nike、沃尔玛、Sephora、Wayfair，以及Fenty、Steve Madden等Shopify商家已经

• 在纽约泡了一周：精英们教我的五件事

  上周在纽约待了七天，几乎每小时都在换场。从喜剧演员的工作室，到会员制餐厅的包间，再到街头巷尾的热门餐馆，行程排得很满，几乎没做任何日常工作，但信息密度极高。 同行的人住在奥斯汀，我住在旧金山湾区，平时并不在同一个办公室。而在纽约见到的人，大多选择挤在一起工作。这种反差让人重新思考，到底什么是重要的。这次带回来的五个关键词是： proximity 紧密共处、

• 如何从零开一家Shopify商店：注册、装修与上下架全流程

  节目中介绍的开店思路很直接：先把最小可用的商店跑起来，再慢慢优化。演示者自2019年起在网上持续销售自有产品，包括发明的 Switchpod，以及相关周边商品，用的都是 Shopify。讨论认为，这个平台同时支持实物和数字商品，建站流程已经被引导得很细，几分钟就能搭出一个可以访问的网站。 节目中提到，注册时可以先免费试用3天，之后前3个月每月支付1美元。操

• 别再给 SaaS 加懒惰的 AI：六种用法与取舍框架

  这场分享要回答的不是要不要用 AI，而是 AI 究竟应该放在哪里。演讲者把话题分成两段：先用很短的时间理清 AI 在 SaaS 公司内部的五种位置，再用大部分时间讨论如何把 AI 作为功能加进已有产品。他想要给的不是操作清单，而是一个能帮人判断做什么、不做什么的框架。 他发现很多讨论把两件事混在一起：一边说用 AI 做客服、运营，一边说要在产品里上新功能，

• SaaS营销新打法：不买共享线索，提前教育并独占需求

  营销越到位，销售越省力。节目中对比了两种销售开局：一种是客户对公司几乎没有认知，同时对比多家竞品，甚至不清楚为什么要约这次电话；另一种是客户主动预约，已经了解公司为什么更合适，建立了基本信任，看过案例，只剩下具体问题要确认。后者显然更容易成交，赢单也更多。 围绕这个差别，讨论提出了 SaaS 和 AI 公司正在分化的两套打法。增长乏力的公司还在沿用旧打法，

• 一位36亿美元创始人的实话：软件不会死，工作只会更多

  Box 的起点并不是一开始就选定企业市场。几位创始人在中学、高中相识，大学期间重新聚到一起，在2005年和2006年分两批退学。当时的想法很朴素：应该有一种安全的方式，让人可以在任何地方存取自己的文件，至于使用者是个人还是公司，并没有预设。 产品长起来之后，分叉很快出现。个人用户希望付得越少越好，需要的功能相对集中；企业用户愿意付高得多的钱，但要求的功能可

• SaaS涨价实战：如何平稳提价而不流失客户

  SaaS 公司常常把涨价一拖再拖，原因很直白：怕显得贪婪，怕伤害早期就认识的客户，总想着等规模大了再说。演讲者 Alex Pham 在节目中提出，问题不在于要不要涨，而在于有没有一套可重复的操作方法。他给出的框架叫 CREAM，分别对应选择杠杆、分阶段降低风险、通知客户、武装团队、监测反应。 节目中提到，很多团队把涨价理解成从客户口袋里掏钱，心理负担很重。

• 第474天：拒绝100万美元，把榜单做成收购市场

  节目记录了创业第474天的情况，主线是 Trust MRR 从排行榜转向收购市场，以及同期 DataFast 等业务的进展。节目中提到，Mark 拒绝了一笔 100 万美元现金收购 Trust MRR 的报价。 据节目中的说法，有买家提出以 100 万美元现金收购 Trust MRR，Mark 没有接受。他给出的理由有两层，一是认为项目价值更高，自己也很喜

• 为什么我不迷信销售配额：Figma CRO的增长与管理方法

  配额不是覆盖目标的保险。按人头摊派、留出超额覆盖的做法带来虚假安全感。更有效的是先定义要完成的工作难度和需要的人，再定回报。市场拉力强、工作偏交易时偏向效率；需要主动推市场、做战略开拓时给更友好的配额，吸引少数能啃硬仗的人。

• ElevenLabs 的残酷销售文化：20倍定额、公开复盘与主动开拓

  定额是底薪 20 倍，例如年薪 10 万对应 200 万业绩，完不成就离开。超过 80% 的人达标并有加速激励。这套方法强调小团队高产出，但作者也说要按行业调整，创始人不宜直接照搬。

• Coatue 增长投资人谈 SaaS 终值、平台公司与加注逻辑

  过去 SaaS 被当成年金，估值容忍股权激励和口径差异。AI 让市场第一次怀疑终值，不确定哪家受损时资金选择整体离场。用途是理解本轮下跌不是单点证伪，而是假设松动后的避险，观察应回到环比收入、新增 ARR 和留存，而非急于抄底。

• 建世界级销售组织：偏执、韧性与末位淘汰

  他要的是对工作放不下的人，面试直接问热爱和驱动力，再问人生扛过什么难事。用途是筛掉只为养家糊口而来的人，留下能承受销售压力、有小公司生死感的人。

• Monday CEO：SaaS没死，只是“只记录不干活”卖不出去了

  过去软件负责记录，工作在外面完成；如果 AI 能做七八成工作，客户只会为能干活的软件付费。这可用来检查自己的产品：哪些环节仍在让人搬运数据，哪些可以由智能体直接交付。

• 什么样的生意更接近完美：五个优势

  收入留存指去年同一批客户带来的收入，有多少延续到下一年。作者认为这是最重要的指标，没有它就永远停留在卖货状态。区分数量留存和收入留存后，经营目标会更清楚：不必追求客户一个不走，而是让留下的客户花得更多，靠升级路径实现超过百分之百的收入留存。

• 讨厌销售的人，更要把销售做对

  糟糕的销售才让人反感，清晰的销售是帮助对方节省时间。把三四小时的马拉松压缩成四十五分钟的结构化表达，单位时间价值更高，流失更少。对想扩大帮助面的人，拖长讲解反而是耽误家长。

• 生意的数学：十二条判断生意好坏的经验标尺

  成交率越高，越可能定价过低。八成以上对应低三到四倍，六到八成对应低两到三倍，依此类推。低于三成先查人群和流程，而非直接降价。用途是快速判断该涨价还是该修销售动作。

• 生意顺时微调，卡住时才大改

  作者把问题定义为改革力度的选择，而不是改或不改。赢的时候趋势向上，用小调整修细节；长期停滞才考虑大动。这个区分可以用来克制一难受就全改的冲动。

• 四个教育老板的增长问诊：先打透本地，再谈规模

  翻房老板想直接做全国，被建议先拿下一座城。现有承接能力远没用满，全国化会摊薄资源。用途是把增长目标收回到本地到场人数、每周成交量和广告投放上，先把本地密度做大。

• 做决定前先问对三个问题

  当别人请你做事或批方案，先问在解决什么问题。这个问题能区分提议背后有没有留人、招人、产出等具体问题，还是只是一种感觉不错。如果没有对应问题，就不必投入资源。

• 把贴纸课做到三百万美元：一次三十一分钟的放大诊断

  她教人做贴纸，过去一年做到约一百一十万澳元，利润三成多，目标是三年内做到年入三百万美元。理解她的起点，有助于判断这是一个靠会员和数字产品滚动的生意，而不是靠单次大单。

• 让客户永远留下来：留存率的十三个实战方法

  增长不是感觉，是算式。每月对比加入和取消，才能判断生意在涨、持平还是下滑。这个方法适合持续收费的生意，用来每月复盘，逼自己先看漏了多少水，再谈加了多少水。

• 第一个10万美元：2026年可执行的六步路线图

  作者认为10万美元存款的最大价值是消除短期生存焦虑，让人能考虑长期。租房、吃饭等基本问题没解决，注意力会被锁死。这个观点可用来设定第一阶段目标：先以存下安全垫为标准，而不是先追求营收规模或表面扩张。

• 放弃追大单，靠维修量起盘：一个屋顶生意九十天的打法

  更换单毛利高但低频拖回款，维修单毛利低但高频快现金。当维修客单价能做到两千五到五千美元，且销量是更换单数倍时，总利润和稳定性反而更好，适合资源少的新团队先起量。

• 纳文·拉奥：4D 计算、AI 的能源墙与超越生物学

  演讲把能源放在数据中心决策的第一位：先有电力合同，再谈 GPU 和机房。他以谷歌月处理量和保守的单 token 能耗推出吉瓦级需求，对比美国和全球数据中心电力，估计三年左右撞墙。这提醒读者评估 AI 规模时，先看电力和成本结构，而不只看模型参数。

• 从零开始做自媒体：两个习惯如何撬动增长

  作者在社交媒体成功前经历了多次商业失败，这些失败让他积累了品牌美学、文案写作和外联技能。这些经验使他能够识别有效的内容钩子和结构，从而避开新手地狱，实现稳定增长。

• AI 时代的一人公司：从个人品牌到百万营收的实操路径

  AI 的核心价值在于减少试错成本，加速从想法到执行的过程。它不能替代你对业务的判断，但能帮你更快获取信息、生成初稿和优化流程。初学者应利用 AI 学习专家知识，将其转化为可操作的提示词，从而在实战中掌握技能，而非依赖 AI 直接产出最终结果。

• 兴趣多的人，更适合做一人公司

  资金少的初学者应先用免费社交内容建立分发，再考虑做产品。分发解决“被看见”的问题，验证后再投入，避免给未经验证的供给烧广告费。

• AI 中心的数据黑洞：模型变强，靠的仍是海量数据

  样本效率衡量达到胜任所需的数据量。作者认为近年进步主要来自数据分布拓宽和算力投入，而非单位数据的学习效率提升。理解这一点，有助于判断模型能力来自哪里，而不是把一切归于架构神话。

• 自底向上看芯片：从逻辑门到脉动阵列

  芯片底部分别是与或非门与金属连线，AI 负载的核心是矩阵乘法。抓住这一层，就能理解后面所有面积与带宽讨论的起点，适合用来建立自底向上的框架。

• 重做AlphaGo：自对弈、强化学习与大模型未来的启示

  围棋的搜索难在广度和深度两个维度：合法点多、终局远。AlphaGo用策略网络剪广度，用价值网络截深度，把不可穷举的树变成可采样的稀疏树。理解任何搜索增强系统时，可先问它分别用什么机制处理广度和深度。

• 批量、显存与机架：大模型推理成本的真实决定因素

  延迟下界来自把总参数读一遍，成本下界来自计算。批量小时延迟几乎不变但成本极高，批量增大后权重成本被摊薄，最终由计算决定。慢速模式省不下多少，因为键值缓存和计算无法跨批量摊薄。

• 不懂工程的增长负责人，把整份工作搬进终端

  他把 Claude Code 当作统一入口，一个指令调出增长中心，查 Stripe、newsletter、YouTube、PostHog，看 Figma，推 Notion，发 Discord，减少在多应用之间切换。这种用法适合每天要反复查数和派发任务的人，前提是先把授权和推送目标接好。

• 为什么 ChatGPT 学不完一门课：做一个真正的 AI 学习平台缺什么

  大模型被形容为信息压缩机，擅长把网上知识变成快速、个人化的回答，但不擅长多步、长周期的学习，容易丢上下文和跑题。用途是：快问答继续用聊天，立志学完一门课则需要另设目标、步骤和拉回机制，不能只靠对话。

• Codex接管收件箱：连续13周清零的做法

  核心变化不是回邮件更快，而是先由Codex扫一遍收件箱，人只做判断和口头指示。适合把日程、查资料这类容易拖延的事交出去，把精力留给创作和重要判断。

• 用 Framer 做 Monologue 落地页：以差异化讲清一个听写工具

  Monologue 被定位为 AI 听写工具，直接对标同类速记产品。理解这一定位，才能看懂后面所有视觉选择都是为了在同类中被一眼认出，而不是单纯追求好看。

• Anthropic 大会复盘：算力与托管智能体划出两条战线

  合作指向 Colossus 集群的全部算力，关键词是全部。对读者的意义是先理解这是一次补短板的动作：过去算力紧张曾带来使用限制，这次是为承接 Claude Code 带来的需求，判断竞争态势时可把它当作供给侧的变量，而不是新模型发布。

• Compound Engineering 直播补答：如何让 AI 越用越懂你

  作者把插件定义为计划、执行、评审的循环，加上随时可调用的 compound 沉淀。它源于做邮件助手时减少重复错误的个人实践，后来被打包分享。对读者的用途是先接受这是一种工作方式，再决定用哪一部分，而不是把它当一次性生成工具。

• 大多数 SaaS 做错了 AI，Linear 选择等待

  Linear 的使命没有因 AI 改变，仍是帮产品团队推进工作。变化的是分工：AI 承担更多组织与执行负担，人更专注品味与判断。这个定位可用于判断新功能是否偏离主线。

• 2026，做一家真正的 AI 原生公司：Every 的完整策略

  公司由通讯、应用和培训三部分组成，共用一个订阅。循环是：团队先深度使用 AI 工具，再把体验写清楚，写清楚后发现缺口去做产品，最后把管用的做法教出去。这个循环解释了产品从何而来。

• Codex 知识工作流：从代劳杂事到养出可复用的技能

  作者认为 Codex 已不只是编码工具，而是各职能每天使用的通用底座。用途是提醒读者别只在写代码时想起它，文档、跟进消息、整合业务材料同样值得接入，但这仍是基于内部使用的观察，不是普适结论。

• 工具太多模型会晕：Stainless创始人聊MCP的瓶颈与代码执行

  MCP把网站变成模型可调的工具，愿景是让模型像人点网站一样干活。理解这一点，才能明白后面所有取舍：暴露越多越通用，但上下文和权限压力越大。实际选型时可先问，这个任务是固定几步还是开放探索，再决定暴露多少。

• 每个AI团队都需要海盗与建筑师

  能生成代码不等于能快速修复代码。上线后的故障排查、定位和稳定运行仍然需要理解系统，vibe coding做出的东西进入生产环境后，这部分成本会集中暴露。

• 实时把传统应用改成 Agent 原生：一次 CLI 对齐的直播改造

  Agent 原生的第一步不是自主决策，而是动作对齐：用户能点的功能，agent 也要有程序化入口。直播把范围压到 CLI parity，先让 agent 能登录、能操作，再谈更复杂的自主能力。这种分步适合改造老应用。

• 为智能体做好准备：Stripe 谈代理经济、欺诈与新的收费方式

  互联网不再默认只有人这一种行动者，智能体代操作、软件直接对接软件都在变多。做产品和开发者工具时，要按人、智能体、人通过智能体三种时刻分别设计，而不是只优化人的点击路径。

• 实测 Anthropic Fable 5 一周：能跑三小时的曲速引擎

  演示来自一条提示词：读完《巴别图书馆》后规划并执行浏览器 3D 游戏，模型自行循环检查，三四小时交付。用途是理解长时自主执行的上限，适合把目标完整丢给模型，而不是逐步问答。

• 实测三周 GPT-5.5：编码凶猛，但最好配一个规划师

  62.5 分是搭配 Opus 4.7 计划时的最高分，远高于 Opus 4.7 自身的 30 分出头，但仍比人类资深工程师的 80 到 90 分低约 30 分。理解这个分数结构，有助于合理预期：它已是明显台阶，但不是人类资深替代品。

• 把个人创作习惯变成团队可复用的出图流程

  节点式画布把个人流程摆到台面上，不同人的连线方式可能完全不同，但只要关键选择一致，就能得到风格接近的结果。这种可视化让经验可以被检查和交接，而不是只留在个人习惯里。

• 咨询负责人每天如何用 Codex：建循环，少亲手干

  Claudie 按流程执行很强，但高质量仍要人管：定标准、看品味、盯数据。团队因此一边用代理，一边招运营，让人负责发现信号、推进对话。适合把代理当执行层，而不是免管理的人。

• Codex 陪我弹琴：从盲弹到看懂为什么好听

  把电钢琴接到电脑，让AI做一个实时显示按键和音名的应用，弹什么立刻能看见。这适合盲弹但想入门乐理的人，先把声音和音名对应起来。

• 复合工程：让每一次开发都让下一次更轻松

  复合工程指把每次开发的经验写回系统，让下一次更省力。用途是改变只解决当下问题的做法，有意识地沉淀提示词、流程、检查项和子智能体，形成可复用的开发机器。

• 能建很快，难的是决定不建什么：迈克·克里格谈 Agent 原生产品

  建造速度不等于产品判断。Claude 两小时复刻 Bourbon 说明实现门槛下降，但加什么、砍什么仍需真实使用积累。对读者的用途是：把“快速做出完整样子”与“想清楚干预方式”分成两个目标，前者用模型加速，后者留出验证时间。

• Opus 4.8 为何把人拉回 Claude：一次手感回归

  作者认为 Opus 4.7 空有基准进步，实际又慢又难用，导致自己和团队转向 Codex 与 GPT 5.5。Opus 4.8 则在多维度同时进步，手感明显回升，可作为是否回头试用的判断依据。

• 在打磨环节加入实时语音：一次 Compound Engineering 的直播实验

  polish 指 AI 做完初版后，人对着成品继续抬高上限。live 模式想把这个过程变成打开网页直接说话，后台自动改。适合在你已有可运行页面、想快速试多种微调时用；大重构或易冲突的改动，仍要切回手动或分批确认。

• OpenAI 智能体攻击 Hugging Face：不是末日，而是防水工程没跟上

  作者承认风险真实存在，但反对直接跳到智能体自主作乱的科幻剧本。区分这两者，才能把注意力放在可解的安全工程问题上，而不是被标题吓住。

• Claude 平台团队自述：从接口到托管智能体

  早期平台尽量开放，因为没人知道大模型会被拿来做什么。等客户开始做产品和智能体，平台就转向帮人拿到最好结果：保留状态、加工具、补云组件。理解这条线，就能判断新功能是追热点还是补短板。

• 初学者用Claude Code时真正发生的事

  工具已从搭档变为需要管理的员工，能跨会话、用本地文件夹持续推进。先理解这层关系，再学操作，否则容易把它当成更聪明的聊天框，发挥不出串联多任务的价值。

• 四周做到400万美元：AI外星伙伴Tolen的爆发之路

  团队把大模型看作新的故事媒介，而不只是更快的内容工具。媒介刚出现时，人们总把旧形式直接搬过来，效果往往不好，真正可行的形式要在新的约束和可能性里试出来。

• 代理写代码越多，开发者越重要：GitHub COO 谈用户、维护者与账单

  Dagel 认为 GitHub 对开发者一直看得宽，自己就是例子：没读计算机，为读艺术学校写代码。产品因此两头都要顾：重度用户同时跑多个代理会话，法务财务等非职业开发者也在用 Copilot 应用做小工具。对读者而言，判断工具是否值得用，可先看它是否为新手留了低门槛入口，而不只看高手功能。

• 给非技术用户的 Claude Code：Claude Co-work 初体验

  Co-work 把交互从秒回问答变成任务交办：你可以让它跑几十分钟，中途还能追加指令，回来验收。适合调研、数据拉取、日历复盘、长文档整理等不需要立刻出答案的工作，前提是接受早期版本的状态显示和排队逻辑还不精细。

• 20人团队配上OpenClaw分身，像是变成了40人

  分身住在常用消息应用里，能自己调整行为，还能在独立机器上持续运行，并形成个人风格。这让它更像长期搭档，适合放在日常协作里用，而不是每次打开新会话从头讲背景。

• 把代码评审交给一群智能体：在笔记里完成开发

  所有任务从口述开始，因为说话能带出更多细节和背景，模型不在意语气词和中途改口。这种方式适合先把意图讲全，再让 AI 整理，省去反复打字补充。

• 走进 OpenAI 的代理浏览器 Atlas：把 ChatGPT 带在上网路上

  Atlas 想让提问跟随浏览，当前页面上下文自动给模型，省掉跨标签复制。购物比价找券、换角度研究题目都更顺，还可回头问网络记忆。用途是把浏览器当随身顾问，适合边看边问的浅研究和比价，重要结论仍要自己核对原文。

• 用 Fable 5 建一座 AI 软件工厂：睡前启动，醒来验收

  定时任务早晚各跑一次，读完 Slack 全量消息后分类、去重、下载附件，再生成结构化清单。适合反馈零散但持续的内测期，把找信息的时间省下来，集中看结论。作者仍保留手动触发，说明全自动之前可以先半自动。

• 纯氛围编程一周：让智能体工作可见，把写作品味说清

  Jack 认为智能体会在夜间持续工作，查看方式也要变化。对读者来说，这个判断可用来决定何时需要过程可视化：只要任务是多智能体并行、结果难以从记录还原，就值得考虑单独呈现过程，而不是只看最终答案。

• 给每位员工配一个AI分身：Every的全员智能体实验

  每人养一个、允许它随互动改写自己，会自然长出专长。谁在组织里以什么出名，他的分身就以什么被信任，形成平行组织图。用法是公开调用分身，让声誉和使用记录沉淀，而不是共用一个通用助手。

• Opus 5 首日测评：难用，但藏着亮点

  测试者把日常主力定义为聪明、快速、省事，目前仍是 GPT-5.6 占位。Opus 5 理应竞争这个位置，但首周体验里并未达到。对每天处理知识工作和编码的人来说，这意味着暂时不用急着切换主力。

• 用 Codex 把赠送链接做出来：一次编辑自己动手的发布

  编辑团队已经上线赠送链接，付费订户可以在文章页通过 share full article 按钮查看数量并复制分享。这说明功能虽小，但解决的是真实的传播卡点：好文章走不出 paywall，就很难被更多人看到。

• 最慢的孵化器：几年只做一家，却做出医美与殡葬大公司

  他们每两三年只开一家公司，自己做到五百万至一千万美元收入再交棒。这种慢换来的是深度：长期留在董事会，而不是投完就走。想借鉴的人要先接受集中度风险，不适合追求数量和速度的团队使用。

• 代码终结之后：两次演示里的 Agent 原生应用

  演示者认为 vibe coding 可以两小时做到 95%，但最后 5% 的准确性和稳定性极难收尾，人格应用的数据污染和尽调应用的事实错误都是例子。这提醒读者把原型速度和交付标准分开，对数据正确性要求高的场景，要预留核查和修 bug 的时间。

• 在会议记录之后：Granola 如何押注 AI 工作的下一种界面

  顺利同样是刀战：在能力边缘被大浪推着走，创始人永远在做没做过的事。可用作自我校准：把“跟不上”视为增长期的正常信号，而不是失败，优先补组织和精力短板。

• Opus 4.7 直播实测：更听话，也更需要说清楚

  官方强调最强 Opus、长任务更严谨、指令更精确、汇报前自检。直播实测认为基准有提升，但基准不可全信，是否好用要看自己每天的编码、写作、财务任务。适用于决定要不要第一时间切换。

• 为什么我们从 Claude Code 换到 Codex

  主讲人认为编程智能体一旦能独立写软件，就能处理各类知识工作。OpenAI 此前把轻量创作放在 ChatGPT、把严肃编程放在 Codex 的分工，被 Anthropic 在本地的通用做法打破，Codex 过去几个月也转向通用入口。理解这层外溢，有助于决定把哪些非代码任务也交给智能体。

• 试用 Fable 5.1 一周：速度翻倍、花费减半的整块交付

  内部基准显示它每次请求约 766 token，对手接近 2000，延迟约 22 秒对 37 秒。适合把过去觉得太贵太慢的长任务拿来试，但大工程仍可能跑出数百万 token，要先设预算。

• 用 AI 做出百万播放短视频：Kova 的拆片、改图与项目系统

  先找喜欢的视频，让智能体输出风格词、转录切分和复刻方案。适合没方向时快速搭参考板，关键词还能拿去搜图。注意链接可能失效，直接上传视频更稳。

• Jev 使用指南：不聊天的 AI 如何做判断

  Jev不是聊天机器人，而是输入数据、按预设结构返回选项和概率的判断模型，适用于需要快速分流的任务，不适合开放式对话。

• 用循环经营公司：从 SEO 到广告与产品的自动化打法

  智能体循环沿用建造、衡量、学习的逻辑，但落到建造与验证两步：建造负责执行，验证用客观标准判断是否达标，不达标则继续循环。适用条件是任务必须有可检查的完成标准，例如浏览器可走通、测试通过。

• 只看过去 30 天：聪明人都在用的 Claude Code 技能

  这个技能把时间范围写死在最近 30 天，专门对付教程过时。用法是先检索 X、Reddit 和网页，再执行写作或建造，适合追新工具、新框架、新热点。对读者的用途是，遇到大模型不知道的新项目时，先让它现学再干活，而不是直接问它。

• GPT 5.6实战：用Codex接管邮件、公司与创业

  Codex桌面端被当作知识工作操作系统：代理、浏览器和本地上下文在同一处，GPT 5.6被评价为日常知识工作里最顺手、速度与协作兼顾的模型。适用条件是愿意给电脑权限并长期沉淀上下文。

• 智能体即新SaaS：从卖工具到卖工作

  智能体 SaaS 与传统 SaaS 的区别不是功能多少，而是交付物不同：前者交付一项可验收的工作，后者交付一套待使用的工具。适用于漏接电话、工单分流等结果可定义的工作；若工作没有明确完成标志，就不适合这样包装和定价。

• 5个GitHub开源项目：去掉AI味、管住客户、剪视频、防风险、操控手机

  它不是美化文字，而是去掉“过于光滑、对称、公式化”等AI痕迹，同时保留作者原有声音。适用条件：先有人写的粗糙提纲和真实观点，再用它做清理，而不是让AI从零一键成稿。

• 别再发布一眼 AI 味的应用：从感受词到磁带隐喻的完整设计链

  一次性原型适合确认功能清单，不适合直接定稿。演示里录音、计时、历史都有了，但外观和市面产品没有区别，放在广告里很难让人下载。用法是先拿它看清要做哪几个界面，再停下来做品牌，避免在错误的样子上反复打磨。

• 一人智能体公司：每月五千美元的数字员工生意

  来源把每月 5000 美元、包搭建和代管作为主报价，卖点是免掉模型和基建烦恼。用途是设计服务包时参考这种包月加无限维护的思路，但要按自己的 token、云电脑和人力成本测算，不把作者的价格当通用定价。

• 雇智能体像雇员工：Paperclip 实测零人公司如何运转

  不要从待办事项想起，先想需要招谁。把自己放在董事会位置，只定收入、结果和方向，让首席执行官拆计划、招工程师和质量检查员。适合手里工具多但每天救火的人，用组织分工代替多窗口盯人。

• 999美元AI工具评估：单人AI服务的完整打法

  评估交付的是 3 到 7 个现成工具，目标是每周拿回 5 到 10 小时。适用于 2 到 20 人、年收入 50 万到 500 万美元的小企业，前提是只推荐可立即启用的工具，而非定制开发。

• Claude Cowork 私教课：把 Claude Code 变成人人会用的电脑帮手

  Cowork 不是新模型，而是 Claude Code 同一套智能体的桌面用法，重点是操作文件、生成文件和浏览器。起步不用学终端，先授权一个文件夹，从整理文件练起，再试表格和网页任务。

• 从聊天到办事：搭建真正能干活的AI智能体

  聊天是一问一答，智能体是给目标还结果。节目用网站演示说明后者会经历观察、思考、行动的循环，直到满足完成条件。理解这一点后，就不会只把智能体当更聪明的聊天框，而会学着设定清晰目标和验收标准。

• 给 AI 一双眼睛：读懂 Firecrawl 与围绕网页数据做生意

  作者认为模型缺的不是智力，而是可用的互联网上下文。给的上下文越好，输出越好，所以网页数据决定了 Agent 能走多远。做产品时可以先问数据从哪里来，再谈模型选型。

• 不再管理智能体：Ali Miller 的 AI 员工队伍实战

  不要把自己当智能体的直接主管，而应做高层授权者：设定目标、工具权限和风险边界，让智能体自主执行，只处理升级上来的关键决策。适用条件是已明确不可放开的风险动作，如对外群发邮件仍需人工检查。

• 用 Claude Code 做目录网站：四天、250美元与数据的护城河

  目录先解决信息差，再谈工具。三个例子分别靠比价、转介绍和省钱站住脚，价格透明是共同的数据壁垒。想做的人可以先找一个查价难、决策重的本地领域，再考虑技术方案。

• 用 OpenClaw 赚钱：从多台电脑到垂直智能员工

  节目把 OpenClaw 定位为可部署的员工，而非好玩的个人助理。能收钱的前提是找到省时间、出结果的环节，例如替分销商查产品并同步到客户管理系统。读者可以用这条标准过滤自己的想法，先问谁愿意为节省的时间付费，再谈技术实现。

• 当下最值得做的创业方向：直播、行动应用与孤独经济

  直播、长时、非剪辑的价值在于可信。当 AI 让精致内容泛滥，愿意露面、即兴、接受失误的人反而稀缺。可用之处是每周固定开播，用陪伴换信任，再用活动、会员、周边变现，不必追求百万粉丝。

• 微型 AI 智能体生意：七个今天就能动手的小想法

  做法是让助手按关键词、DR、外链质量等条件持续扫过期释放和拍卖，每天只看排名靠前的清单。适合有域名审美或有转卖渠道的人，关键是出价纪律和接盘买家，而不是扫到更多。

• 图工程：把 AI 从单次对话变成可管理的团队流程

  提示工程优化提问方式，上下文工程优化输入信息，图工程优化任务组织方式。适用于单次聊天难以承载的多步骤工作，应把工作拆成可管理的节点与流转，而不是挤在一个长对话里。

• 能真正交付的软件工厂：隔离、建造、证明与发货

  含义：把个人开发流程、技能和领域知识沉淀为可复用的 Markdown 技能，而不是依赖某个模型或工具。适用条件：当你需要在多个项目或多个智能体之间复制稳定做法时，先抽象流程再选模型。

• 下一个千亿美元市场：把 AI 智能体当客户

  作者认为互联网的使用者正在从人转向智能体，未来十年可能出现数十亿智能体客户。这意味着创业机会不是优化现有页面，而是为智能体重做支付、通信、记忆等品类。理解时应将其视为预测，而非已发生的规模数据。

• Cloudflare 的智能体收费层：互联网从注意力转向有用资源

  旧互联网是流量交换：网站允许抓取以换取访问，再靠广告和转化变现。AI 直接给答案会拿走访问，内容有价值但网站收不到钱，这是出版商焦虑的根源，也说明需要新的机器使用定价。

• 百亿级联合创始人的智能体系统：一个人如何运转一家公司

  Nebula 的界面模仿 Slack，但频道里都是智能体。它的定位是帮非工程师处理云端杂事，文字只是输入引擎的方式之一，未来还想加入语音和实时共享。这种设计把工作流放在聊天里，适合按频道拆分任务。

• 让 OpenClaw 员工去做 TikTok：一个人验证的营销回路

  把智能体当成只做一件事的员工，配好发布、数据和浏览器权限，让它先去研究同类高转化内容，再动手做，比把每个工具点一遍更省时间。

• Karpathy 的自动研究：让 AI 通宵替你做实验

  自动研究不是聊一次天，而是定目标后反复试错。智能体改参数和代码，短时间训练，读指标，只留下变好的版本。这个机制适合需要大量尝试的调模型、调页面、调定价场景，用时要先想好试错成本和评估方式。

• Hermes Agent 上手指南：能记住你的个人智能体

  OpenClaw 的三类痛点很典型：无记忆导致重复教学、网关不稳定占用维护时间、token 不透明导致超支。选型时可以先对照这三条做一周记录，再决定是否迁移，避免在多个智能体之间反复横跳。

• 用 Grokbot 智能体团队运营一门生意

  把 Grokbot 理解为一线程一团队：用少量可识别的智能体承载明确赚钱目标，减少在无数会话和文件夹之间切换。适用条件是已有主业、想法太多的人，先用约束逼自己聚焦。

• 睡觉时也在推进的 AI 编程循环：Ralph 是如何工作的

  Ralph 的本质是任务清单加循环：一次领一个小故事，实现、验证、提交，再领下一个。清单通常放在 prd.json 里，用 passes 标记是否完成。这种用法适合把已想清楚的大功能分批落地，前提是每个任务都小到一次能做完。

• Claude Code 新功能详解：配出 24 小时 AI 员工

  把仓库当作 AI 的工位：代码、文档、演示和例程都应有固定位置，并用三个说明文件讲清工作方式、当前重点和质量标准，项目越能自我解释，模型越不容易做错。适用于从零启动或接手混乱项目时的第一步。

• Codex Sites 实战：搭一个能自己更新的创业点子库

  Codex Sites 的卖点不是一次生成页面，而是应用能被持续改写。作者用个人网站举例：订阅数、指南、合作公司等信息可以自动更新。对读者来说，判断是否选用它，关键看自己需不需要这种长期维护，而不是只看首屏好不好看。

• Claude Design 实测：先做线框图，再谈高保真和融资 Deck

  作者先要最低保真线框图，再谈高保真，目的是省 token 并先锁定功能结构。他贴上想法截图、指定 iPhone 和页面范围，做法适合预算有限、方向未定的早期验证。

• 用 Skills 与插件，把 AI 变成可复制的团队生产力

  Skill 是给 AI 读的 Markdown 版 SOP，把偏好和步骤一次写透，之后调用即可复现，避免每次重讲颜色、Logo、版式等细节。

• 别只闷头做产品：七个本周就能启动的获客思路

  作者把顺序定为分发在前、产品在后：先攒一千人左右的受众并问清需求，再用几天时间做出来，卖给已经在等的人。对读者来说，这意味着立项前先验证有人愿看、愿用，避免做完无人问津再靠加功能自救。

• Devin的80%时刻：后台智能体如何改写编码

  规格足够好时，模型可独立走完改代码到PR，7倍PR和80%自家提交占比是佐证。对团队的用处是：先把需求写清、可测，再谈后台并行；规格不清时仍需人在回路。

• 为什么要造科幻：Cloudflare 谈智能体的执行架构与原创

  长运行智能体的关键不在多加功能，而在执行侧能否便宜、隔离、可恢复。理解这一点后，选型时可以先问状态放在哪、失败怎么续跑，再看上层框架。

• Exo：让支架看见自己的代码和日志，在运行中改写自己

  Exo 被定义为完全递归的智能体，能在运行时安全改写自身各方面。理解时可抓住收拢循环四字：把外部观察与优化压进运行系统，让同一系统边做边看边改，而不是内外各管一摊。

• 以光速做推理：英伟达如何像创业公司一样运转

  嘉宾把质量、成本、速度看作联合约束：模型选多大、思考多长、重试几次、工作流多复杂，都会同时影响三者。Dynamo 的价值在于提供运行时旋钮，让团队在满足时延 SLA 的前提下找最低成本配置。实践中可先固定 SLA，再小步试验并行度和部署形态，而不是寻找一次性公式。

• 推理的下一百倍：缓存、推测解码与自我优化

  长查询先看缓存，再决定走哪组 GPU。命中缓存可跳过部分预填充，预填充与解码分离后还能各自优化。对读者而言，设计多轮智能体时保留上下文、提高复用，可能是比换模型更直接的降本提速手段。

• GPT-5 如何算出物理新结果：单负振幅从胶子到引力子

  o3 替他省下几天计算，GPT-5 在三十分钟内复现黑洞对称性结果，内部模型用十二小时独立证明新公式。理解这条能力曲线，有助于判断何时把繁重推导交给模型，何时留给人工核对。

• 逆向追踪 OpenAI 训练数据：海马表情符号暴露的推理痕迹

  Maini 的博士主题是把混乱网页数据用得又高效又负责任：效率指只用有用的部分，责任指署名、安全与行为评估。这提示读者在谈数据工作时同时交代性能收益与风险处理，而不是只讲规模。

• 从最强到最省：杰夫·迪恩谈前沿模型、蒸馏与延迟

  迪恩认为前沿模型用来发现新能力和暴露短板，轻量模型用来承载低延迟、大规模的日常需求。两者不是二选一，因为蒸馏需要先有强模型，普及需要后有便宜模型。对需要规划模型选型的人，这提示同时跟踪上限突破和单位成本下降。

• OpenAI 的 AI 超级应用设想：把智能体的能力带给做知识工作的人

  企业没有统一解法。不同团队嘴上都说要数据和 AI，落到具体场景立刻分散。做法是走到用户原本的工作里，看清他们要解决的用例，再教他们用 AI 获得杠杆，而不是先推一套标准答案。

• OpenClaw 记不住事？Supermemory 的钩子记忆与混合方案

  作者把现代记忆拆成四件事：旧知识失效与叠加、时间推理、遗忘、常驻用户画像。这意味着做记忆不能只存向量，还要设计更新、时间戳、遗忘策略和每次对话都带上的小型侧写，适合用来检查自己的记忆方案缺了哪一块。

• RAG 之后怎么做检索：混合搜索、Agent 与数据库设计

  新工作负载指每家公司都要把大量数据接到 AI，底层变化指 NVMe SSD 加对象存储的老库难以改造的架构。判断方向时可以对照这两条：没有新工作负载，需求撑不起大公司；没有架构代差，很容易被现有系统追上。

• 2026年语音智能体：为什么繁琐的级联管线仍是主流

  当前主流是语音转文字、大模型、文字转语音三步走，中间还有传输、降噪、轮次判断和流式播放。理解这条链，才能定位问题出在听错、想错还是说错，选型时逐段替换。

• Monty：为智能体而写的超快 Python 解释器

  简单工具调用安全但表达力弱，完整沙箱强大但重、贵、难自托管。Monty 想做中间层：模型可以直接写代码，又不用拉起外部环境。对选型有用的地方是先看约束，如果必须内网运行或对延迟敏感，再考虑进程内方案。

• 让 DeepSeek V4 超越 Opus 4.7：品味文件与工具调用修复

  Taste 不是一次性写下的宏大规范，而是从合并记录的接受、修改和拒绝中提炼的微观偏好，存放在仓库里的文本文件，随评审更新。用法是先用高质量模型沉淀，再让便宜模型沿用，七十多名开发者的观察显示人工纠偏减少，但样本有限，效果需结合自身仓库验证。

• 代码依然重要：把软件工程老方法翻译到 AI 时代

  作者反对把 AI 当作不用看代码的编译器。他每次忽略代码都得到混乱的结果，因此主张保留对架构和模块的理解。判断标准很直接：人好改的代码，AI 也好改。这可以用来决定何时先重构、何时再让 AI 大规模改动。

• Cursor 云端代理：把电脑交给代理，人只负责判断

  云端代理的默认要求是改完要测，简单文案可免测，复杂改动要端到端验证。演示中半小时的工作包含起服务和反复试错，交回来的是测过的提交。对读者而言，判断代理是否可用，关键不是看它写得多快，而是看它是否自带可重复的验证过程。

• Dreamer：给所有人的智能体操作系统

  软件替人办事的前提是可信。Dreamer因此把隐私安全放在核心，用类似操作系统的权限设计来约束数据获取和协作，而不是只做零散的生成式小应用。这对使用者意味着：先看权限和调用规则，再看功能是否强大。

• 智能体云：Databricks把赌注压在数据与开放接口上

  访谈反复强调，模型推理已经够用，缺的是放对位置的数据。传统软件重写的公式是数据就位再加智能体，安全、营销等新产品也是先把客户数据收进来，再让智能体做事。对读者的用途是排优先级：先解决数据可访问和新鲜度，再谈智能体选型。

• 把文档变成知识：Neo4j CEO 谈图检索、向量组合与智能体数据底座

  图检索的卖点不只是准，还有开发过程更透明：向量分数说不清理由，图把实体和关系写明，可检查可审计。在客服、金融等需要解释依据的场景，可优先评估这种可追溯性，而不只看召回分数。

• 上下文图谱：智能体落地缺的那层机构记忆

  作者认为智能体缺的是决策理由，而非单点能力。做企业AI时应优先沉淀例外批准、冲突解决和先例引用，否则模型再强也难以可靠落地。

• 聊天框不是终点：OpenAI 设计负责人谈设计师焦虑与界面未来

  调查显示设计师和用户研究员在疲惫、焦虑、乐观度、是否推荐本职业等几乎所有维度上都最差。Silber 认为这源于角色预期不清：不知道是否要每天写代码、是否要彻底换工作方式。

• 三十天做出 Grok Bot：小团队、云端电脑与做减法

  含义：用极小、物理隔离的团队闭关约一个月，从第一行代码做到内部可用原型，靠每天大量微观决策快速定型。适用条件：目标是探索全新知识工作形态、需要摆脱现有产品包袱时；若是成熟业务的渐进优化，则不适用这种完全隔离。

• 社交媒体增长的八条反常识规则：先做对的人，再做大

  涨粉先看人对不对。十万个随机读者，未必抵得上一百个真正需要你的人。做法是想象目标观众就坐在对面，这句话敢不敢当面讲，他们会不会兴奋。通用汽车与法拉利的对比说明，服务更贵、更准的人群，可以用更少的用户撑起更大的价值。

• 扩散模型为什么可能赢下AI推理：并行、速度与Inception的赌注

  自回归推理必须逐词元生成，频繁搬运权重而计算量小，对GPU不友好。扩散推理同时处理多个词元，负载更接近训练时的并行模式。关注推理成本、测试时扩展和强化学习 rollout 效率时，可优先评估并行架构，是否真正省钱省卡需实测验证。

• DoorDash：用对话重做点餐，用机器人重做配送

  对话点餐的最大价值不是更快，而是让人说出以前说不出的需求。餐厅侧一半新店尝试率说明发现被抑制，杂货侧更大篮子说明任务式需求被释放。做本地生活产品时，可以优先把多步骤、带约束的任务做成一句话入口。

• 把时间暂停：Until 为何先从冷冻器官做起

  远期是可逆全身冷冻保存实现的医疗冬眠，让病人在关键疗法出现前暂停生物学时间，近期是单个器官的可逆保存。黑色素瘤预后在新疗法前后可从不足一年变为十年以上，说明单年窗口的意义，但全身仍是远期目标。

• AI 原生时代的产品型工程师：定义、品味与新的工作方式

  产品型工程师被用户影响驱动，关心做什么和为什么；代码型工程师更被技术优雅和复杂度吸引。识别方法是听对方先讲用户结果，还是先讲技术栈。小团队用人时可据此搭配，避免全员偏向一端。

• 与 AI 结对时，软件基本功为什么反而更值钱

  战术工作指把眼前代码写通，战略工作指结构、边界和长期取舍。模型擅长前者，人要守住后者。用途是分配精力，写代码前先问这件事的长期代价，而不是只看眼前能否跑通。

• 当任何软件都能被复刻，为什么还要继续建造

  作者认为能描述清楚的软件就可能被 AI 做出来，自己一周内就遇到复刻邮件。这意味着单点功能和轻量 SaaS 容易被压价，继续为其付费或重复建造的理由变弱。用途是提醒建造者先判断作品是否只是已有东西的翻版。

• OpenAI 内部实录：当 AI 从工具变成队友，写软件的手艺被如何重塑

  Codex 在半年内从工具变为扩展、智能体，再变为队友，可以离身并行执行任务。这意味着安排工作的方式要变：人负责拆解与编排，执行可以异步发生，开完会回来验收即可。但这建立在内部基础设施和大用量之上，不能直接等同于外部现状。

• Simon Willison：让编码智能体真正干活的工程实践

  作者把红绿测试驱动开发当作每轮必备开场：先给运行测试的方法，再要求测试先行、最小实现。他认为测试现在成本很低，不写测试就让智能体写代码更容易失控。这个做法适合直接放进自己的智能体工作流，是否提升一次成功率需要按项目验证。

• 在 OpenAI 内部做 Codex：Rust、开源与智能体工作流

  团队认为模型加拐杖才能稳定交付，harness 负责安全、效率和行为。随着模型学会理解意图，开发者提示和 harness 会变薄。做规划时可以先问：这个问题等模型一个月能解决吗，能等就不在工程侧绕路。

• 寻找 Transformer 之后：为持续学习重建架构与实验室

  两人认为行业已跑通大规模预训练和大规模强化学习，继续加参数只能延续注意力加混合专家的老路。下一步要回到架构本身，思考什么样的模型才能在部署中持续学习。这对读者的用途是：判断技术路线时，先看团队是否在回答测试时学习问题，而不只看参数和榜单。

• 机器人的终局：英伟达 Jim Fan 的大平行路线图

  演讲者回顾大模型六年三级跳，预训练学语言形状，指令微调对齐到有用工作，强化学习做推理并超越模仿，最终走向自动研究。对机器人从业者的用处是提供一张对照表，每一步都可以问自己对应环节在哪里。

• 用 AI 设计芯片，再用芯片加速 AI：Recursive Intelligence 的递归赌注

  扩展规律下，有效算力决定智能上限，而通用 GPU 并非为 AI 量身定制。通过模型与硬件联合优化，可以在同样资源下获得更多有效算力。理解这一点，有助于判断定制芯片的价值不只在成本，而在推动下一代模型。

• 终端为何成为 AI 编程的工作台：Warp 创始人谈智能体融合与意图瓶颈

  终端以文本输入输出和可记录的时间线组织工作，便于同时调度多个智能体。对习惯在终端里完成构建、部署和运维的读者，这意味着可以把智能体放在主工作流里，而不是只当作编辑器的插件。

• 从氛围编程到智能体工程：Karpathy 谈软件 3.0 与人的位置

  十二月前后，智能体在多步骤任务上的连贯性出现跃迁，纠正次数明显减少。理解这个时间点，有助于判断何时该把更大的任务交给系统，何时仍需人工紧盯，而不是沿用对聊天机器人的旧印象。

• RL 环境：让 AI 智能体学会真实工作的训练场

  RL 环境包括世界、应用和任务三部分。世界是项目里的消息文档表格，应用是常用软件的高保真复刻，任务是提示词加验证器。理解这个结构，才能明白训练智能体不只是喂问答，而是复刻完整工作现场。

• 模型吃掉脚手架：谷歌智能体时代的贯穿线与边界

  Gemini 曾是统一各产品的底座，现在 Anti-Gravity 这套智能体脚手架正在成为新底座，复用到搜索、助手、云等产品。理解谷歌动向时，可重点看编码工具的通用能力如何迁移，而不是只看单个产品更新。

• 什么时候该自建智能体框架：从核心循环到评估飞轮

  智能体不只是模型，还包括上下文和框架。想长期拥有能力，就要能切换模型、保留记忆与业务知识，并掌控框架的编排方式，避免把关键积累放在不可迁移的地方。

• 自己设计芯片的 AI：从 AlphaChip 到无设计时代

  部分芯片设计环节已可用神经网络超越人工。这提示读者不必把 AI 只看作应用层工具，它也能改进制造智能的物理基础，但目前限定在布局等特定环节。

• 预算有限的应用公司如何建成研究实验室：Harvey 的方法

  基准决定后训练和上线是否成立。Harvey 先发布法律任务分类、合同谈判和大规模尽调环境，再谈模型改进。对应用团队而言，可先把核心工作流变成可自动评分的任务集，避免在没有标尺时投入训练。

• Cursor Composer 2 的炼成：用全球分布式基建跑通大规模强化学习

  专用模型的价值在于把有限容量全部用于目标分布，并省掉通用能力的负担。对谈中 Composer 因此能以更小的激活规模服务，成本显著低于通用旗舰模型。应用团队可以先评估自家任务是否足够聚焦，再决定是否值得走专用训练，而不是一开始就追求大而全。

• Anthropic 平台访谈：不做围墙，做厚生态

  对内要杠杆与速度，对外要让任何建设者表达产品意图。为此靠近云与业务，提供接口与 skills、MCP 等标准，支撑最后一公里定制。

• 用上下文工程支撑长周期智能体：LangChain的一线判断

  智能体多步循环时，每一步都可能拉进任意内容，无法只看代码预判第14步的上下文。追踪记录呈现了真实上下文，是定位问题、理解行为的起点，开发时就要从头使用。

• Chai Discovery 的苦涩一课：药物设计也是规模问题

  Chai 希望建立从想法到可测试分子的快速通道，减少大海捞针式筛选。实验室依然负责验证，设计范式可能反而增加实验需求。这个框架可用来判断团队工作是在扩大可工程化部分，还是在重复试错。

• 为什么AI模型停止学习，以及如何重新启动

  萨顿把苦涩教训压缩为随计算扩展，不要被人类知识带偏。它解释了为什么阿尔法零去掉人类棋谱仍能成功，也解释了大模型的双面性：吞下互联网带来扩展，但互联网有限，世界更大，过度依赖人类存量知识最终会受限。用途是判断技术路线是否被人力瓶颈卡住。

• 后训练：把你的品味留进模型里

  智能被视为数据的派生物，基础模型解决通用任务，企业要解决具体任务。做法是整理高质量生产数据并用合成数据补充，再把数据变成自有权重，最后经 AB 测试验证产品指标。用途是把数据策略排在模型技巧之前，避免只调参数不治理数据。

• 大脑为何远比GPU省电：换一条计算路线

  作者区分了算法效率与物理 substrate 的效率，认为真正的瓶颈在后者。80年前的数字抽象和浮点体系是为不同材料与任务设计的，延续至今更多是因为产品周期短。理解这一点，有助于判断能效改进是渐进优化还是需要换路线。

• AI 真正的超能力：把事情记下来

  作者把成功归因于放大长处，短处至多补到平均。理解这点有助于分配精力：把主要时间放在能产出差异的地方，对短处则用流程或他人协助兜底，而不是反复自我改造。

• DeepMind 人事变动是 Gemini 的利好吗

  节目开场的问题是人才流失后能否靠收购补救。讨论提到多名关键工程师离开，以及 Character AI 的先例，语气偏悲观。阅读时可把这部分当作待验证的担忧，而不是 Google 已无人的定论。

• 智能体为何“违规”：不是使坏，而是被卡住了

  任务自带禁令，智能体也在思考痕迹中表现出知道禁令。这意味着讨论不能停留在“有没有规则”，而要解释为何明知规则仍出现违规步骤。

• 亚马逊为何加码AI支出：广告承压，赌低成本云

  节目把亚马逊广告列入三巨头，但强调它与谷歌、Meta逻辑不同：依赖用户到站内搜索。搜索量下滑会直接动摇广告，进而影响零售利润。对电商和品牌商家而言，流量来源是否从站内搜索转向模型推荐，是需要跟踪的变化。

• Instacart联合创始人Max Mullen：把逆向的买菜生意做成百亿美元市场

  Webvan失败让多数人不看好，但智能手机、电商习惯和门店履约改变了条件。判断逆向想法时，重点看供给侧工具和成本结构是否真变了，而不是只看需求是否存在。

• 如何找到第一批用户：从可进化的最小产品开始

  早期用户不是被说服来的，而是被找到的。爱尝鲜的人和痛点极强的人更愿意冒险，前者如喜欢试用新产品的 Gustav，后者如三天内付费解决计费问题的团队。找人的方法要相应变窄：定向邮件、上门、混进小圈子，而不是大众投放。

• 机器人的 GPT 时刻到了吗：从通用模型到洗衣房与仓库

  基座模型先提供常识和初步操作能力，再通过混合自主进入真实工作，靠长尾纠错每天改进。适用于判断项目处于哪个阶段：能否容忍犯错、是否有接管和评估闭环，而不是一开始就要求无人值守。

• CircleBack CEO Ali Haghani：为什么公司应该录下更多会议

  CircleBack 把会议变成可检索、可追问、可流转的上下文：录制转写、写笔记、分行动项，还能提取信息更新外部工具。关键在于会后能跨对话提问和自动同步，而不是多一份文档。

• AI 时代还要学基本功吗？Patrick Collison 谈缓存、慢启动与创业潮

  大脑检索比反复询问模型更快，能支持更多次思考往返。企业仍为认知能力付高价，说明基础知识没有贬值，值得把常用概念记到能直接调用的程度。

• 机器人前沿：先做到长时间可靠，再谈通用

  此前推荐、广告和对话系统多是给人建议，人能纠错；机器人在物理世界直接行动，犯错代价更高，必须长时间自主且少犯错。理解这点有助于判断机器人项目为何更强调成功率和无人看管时长，而不只看演示一次是否成功。

• 杰夫·迪恩：在 AI 时代，用 1% 的思路找大事

  一年前说 AI 像初级工程师，现在看基本成立，尤其在长时间智能体编程任务上。超出预期的是复杂任务进步更快，且能力开始溢出到代码之外。用途是校准预期：不要只按单次问答评估模型，要按它能连续工作多久、能拆多复杂的任务来评估。

• 每个创业者都该懂的机器学习方法：扩散

  扩散把学习分布变成加噪再学逆过程：正向不断加噪很容易，模型要学的是从噪声走回数据。理解时抓住噪声表最关键，相对误差保持稳定比均匀线性插值更重要。

• 递归会是AI的下一条扩展定律吗

  Transformer训练时并行处理全部时间步，速度快且避开了长展开的梯度灾难，但解码仍要保留长上下文，没有把历史压缩进可滚动隐状态。理解这一点，就能明白为什么增加参数不等于增加逐步推理深度，递归的价值在于用同一组权重换取计算深度。

• AI 做网站太容易，错得也越来越像：一次创业落地页评审复盘

  紫色渐变、淡入淡出、便当格排版本身不算错，但在多家网站连续出现后，品牌差异会被抹掉。用途是检查自己的首屏：去掉标志后是否还能被认出，如果不能，就需要换配色、换版式或换讲法。

• 圆点图：真正看清每个用户在做什么

  汇总曲线会把所有人混在一起，有增长时容易一路向好，掩盖个体不喜欢用的事实。需要把留存曲线和个体行为分开看，前者回答留没留下，后者回答怎么用。

• 为什么物理AI是下一次平台转移

  作者认为AI已从手工设计特征转向堆数据加算力。对读者的用处是，判断项目时先看数据和规模是否成立，而不是先堆领域规则，但这只是作者的经验总结，不是放之四海的定律。

• Conductor 创始人的一天：同时指挥多个 AI 写代码

  他用便宜鹅颈麦解决开放办公室说话尴尬，用 Command N 快速开任务、用快捷键在多个工作区之间切换。关键不是设备价格，而是把说话变成低打扰、可并行的默认动作，一边让智能体跑，一边去看别的任务。

• 大公司错过的机会，创业公司还能怎么赢

  过早的市场需要靠生存换时间。2002年没人理解聊天机器人，更没人理解在线客服，产品只能长期熬到2010年前后才看到雏形市场。创业者可以借此检查自己的现金、耐心和迭代能力是否配得上早到的判断。

• 弗朗索瓦·肖莱：只靠规模化，走不到通用智能

  Indium 不做上层代码智能体，而是把参数曲线换成尽可能小的符号模型，并探索符号空间中的搜索方法。模型越简洁，所需数据越少，推理越省，泛化与组合也更好。这可用于理解它与深度学习在基座层面的分歧。

• YC 官网改版：从功能介绍回到创始人故事

  旧站的问题不是难用，而是没有故事感：像通用模板，只给 Logo 和空泛标题，没有讲创始人和具体结果。复盘时可以先看标题是否直接说出事实，再看是否把人的作用讲清楚了。

• BillionToOne：从产前筛查走向癌症早检的十亿分之一

  胎儿和肿瘤DNA在血里都极稀少，PCR放大会连噪声一起放大。BillionToOne在扩增前加入已知合成DNA，测出各位置的放大偏差和错误，再从测序数据里扣除。理解这个校准思路，有助于判断液体活检宣传的可信度。

• 创业公司官网为什么不转化：五次设计点评的共同问题

  访客先要看到东西，再决定要不要花时间。截图、真实界面、短演示都是证据，能让预约、试用这类重动作变得合理。适用于首屏只有一个预约按钮的页面，先补证据再要转化。

• 把公司按 AI 重做一遍：Brex 首席执行官的深度实践

  他认为这不是工程或产品团队的事，因为只有首席执行官能理解技术边界并打破部门墙。例如审核团队不会想到把审核能力前移到销售线索，只有看到全局的人能重组系统。对读者的用途是：推动 AI 落地时先明确一把手要亲自试到极限，再谈分工。

• 为什么支架比模型更重要

  支架曾被嘲为套壳和提示工程，但两次支架迭代可带来 18% 差距，ARC 上更是成败分界。用法是：模型不行时先别急着换模型，检查支架是否缺了状态、工具、压缩或子智能体，把测试时经验留下来。

• 智能体时代的设计：更快铺量，更要像人一样删改

  Paper 直接用 HTML 和 CSS 渲染，智能体读得懂，不用来回转格式，省 token 也更快。更重要的是设计师不用学代码，画布操作背后已经是代码，设计稿和开发实现更容易对上，适合把设计工具接到智能体工作流里。

• Claude Code 创造者自述：为六个月后的模型做产品

  作者建议不要只优化今天可用的能力，而去试探模型勉强做不好的边界，为半年后的水平做产品。好处是新模型发布时自然变强，风险是当下可能找不到可用场景，需要接受等待和反复重写。

• 删掉八成提示词：跟着新模型重做智能体

  Opus 5 的变化不只是答题更准，而是能持续做事很久。配合自动模式，它可以跑几天到几周，适合把大任务拆成多智能体协作。对读者来说，值得把原来不敢交给模型的一整块工作拿出来试一次，但要接受它仍在运行、需要持续观察。

• 新式创业：用内部自动化做“20倍公司”

  Anthropic 内部每个开发者同时调度多个 Claude 实例，处理功能、缺陷和调研，人只保留架构和产品决策。这种用法说明前沿团队已把 AI 当作日常开发力量，也解释了为何作者认为现在值得重新尝试新工具。

• Supabase 如何成为全球增长最快的开发者工具之一

  Paul 认为没人拥有 Postgres，所以人人贡献，云厂商又必须做好 Postgres 服务，流行带来改进，改进又带来流行。选型时可参考这种结构性飞轮，而不只看当下热度，但飞轮能否持续仍有不确定性。

• 微调之外：能自我进化的推理支架

  微调把能力绑定在某个具体模型版本上，新模型发布后优势容易消失。支架路线把能力沉淀在上层系统里，换模型时可复用。理解这一取舍，有助于在立项时评估长期维护成本。

• YC设计负责人：用口述、记录和可调工具做设计

  她打字慢但想得快，于是按住功能键口述功能，让模型直接生成，再用Aqua完整记录。这种方式适合想法密集、动手琐碎的阶段，把表达成本从键盘转移到嘴上。是否适合自己，取决于口述是否比打字更顺，需要亲自试几天再判断。

• 推理、扩散、世界模型与泛化：YC 论文俱乐部的五篇论文

  报告把推理速度从省钱省时间的话题，转为决定智能峰值的因素：只要效果随思考量增加，单位时间能输出的 token 就限制了上限。这意味着做应用和做模型时，推理优化不只是工程，还可能直接改变可用能力。来源中强化学习包在推理外、推理成本超过训练成本的说法，是支持该判断的背景，不是严格证明。

• 让Claude Code像工程团队一样工作：G Stack的方法与实践

  作者认为智能体的正确用法是团队化协作，有角色、流程和评审。这个观点可用来检查自己的 AI 工作流：是否只让模型直接写代码，还是先分工、再评审。来源强调这是做好真实工作的前提。

• Stripe 新官网幕后：重写故事，用克制细节表达信任

  旧站可用但故事过载：支付之外新增订阅、按量计费、税务等业务只露出一角，页面靠不断叠加栏目覆盖人群，叙事被拉长稀释。理解这点有助于判断改版是故事问题而非视觉过时。