AI 建造者日报 — 2026年07月07日
📌 X / TWITTER
Linear 产品负责人 Nan Yu 对当前 AI agent 管理范式提出两条尖锐批评。「炫耀同时开 10 个 Claude Code 标签页不过是表演」，他认为真正值得关注的是产出质量而非并发数量。另一条更有深度：把管理 agent 类比为「即时战略游戏」是条死路——当前 AI 在微操层面已经远超 99% 的人类玩家，这种思路不会带来突破。
Anthropic 哲学家/伦理学家 Amanda Askell 吐槽了一个与概率沟通相关的日常困境：「从医生嘴里撬出一个概率值，是人生中最不必要的 Boss 战之一。就算你苦苦哀求一个带置信区间的 subjective probability，到了那个份上你其实就是在求他们给你一个数字——然后他们就是不给。」这个观察恰好切中了 AI 安全领域的一个核心命题：当人类专家自身都无法给出精确的概率评估时，我们又如何校准 AI 的输出？
Anthropic Claude Code 团队成员 Cat Wu 分享了一个 Claude Code 的新颖用例——候选人筛选。她的工作流：告诉 Claude Code 岗位需求和目标背景，让它启动一个动态调研、收集候选人信息并自动生成评估报告。这是一个将 coding agent 延伸到非编码场景的有趣实践。
Y Combinator 总裁 Garry Tan 在两条推文中展开了一个宏大的经济哲学思考。核心论点：「人类财富的真正约束从来不是资源，而是服务彼此的好点子和实现它们的杠杆。我们刚刚帮所有人删掉了杠杆这个约束。」他同时以日本为例——三十年零增长却造出了全球最好的铁路、服务和工艺——来说明「当你无法在更多维度竞争时，会向更深处钻探」的文明演化逻辑。
FirstMark 投资人 Matt Turck 发了一条精准的 AI agent 现状 meme：「当我让我的 AI agent 做到『不犯任何错误』的时候」——配图意味深长，道出了当前 agent 可靠性的真实处境。
Builder Zara Zhang 重新翻出了一项之前构建的 skill，并表示「现在理解代码这件事正当红」。这项 skill 显然与当前 AI 辅助代码理解的热潮产生了时间上的共振。
FPV Ventures 合伙人 Nikunj Kothari 提出了一个值得 VC 圈反思的观点：「我还在等待那个创始人——在跟你 Zoom 聊之前，要求你先玩过产品并带着至少两条反馈来。竟然有人会花 30 分钟跟 VC 视频通话，而 VC 连产品都没碰过——这让我震惊。」另一条则提到 Claude Code 已经能自动确认所有的代码建议，工作效率进一步提升。
OpenClaw 创始人 Peter Steinberger 简短推荐了一个工具链接，表示「怎么推荐都不为过」。
Every CEO Dan Shipper 延续了对 AI agent 的幽默吐槽。两条推文描绘了当前 agent 的典型行为：你让它改个按钮颜色，它回答「好的，我刚刚启动了 100 个 agent 舰队来完成这个任务」。另一条引用了 Fable on Ultracode 的「不要犯任何错误」梗。
- https://x.com/danshipper/status/2073894034225897602
- https://x.com/danshipper/status/2073764166700048480
OpenAI CEO Sam Altman 发了一条既私人又意味深长的推特：「我们家老大第一次把两个词连在一起说了，我对这个认知壮举的惊叹程度，跟对 GPT-5.6 发现新数学差不多。」GPT-5.6 的提法值得注意——这是在 GPT-5.5 之后又暗示了下一代模型的能力方向。
🎙️ 播客
No Priors：大规模 Test-Time Compute 如何改变基准测试、安全评估与研究范式 — OpenAI 研究科学家 Noam Brown
Noam Brown 是 AI 推理领域的关键人物，也是最早在大语言模型中推动 test-time compute scaling 的研究者之一。本期播客中，他系统地阐述了这一技术对三个维度的深远影响。
基准测试的「坏均衡」： GPT-5.5 发布时，benchmark 表格只显示出几个百分点的提升，引发了市场的怀疑。但 Brown 指出问题不在模型，而在评测方式——如果不控制 test-time compute 的预算（tokens、成本或时间），benchmark 数字毫无意义。GPT-5.5 实际上推理效率远高于 GPT-5.4，以同等思考时间进行对比才反映出真正的跃升。更关键的是，现代模型的推理能力几乎不会「饱和」：以 5.5 为例，如果给足预算，某些任务上它可以思考数周仍然在持续提升。Brown 呼吁全行业打破「大家都发 Grid、但都知道 Grid 不对」的坏均衡，转而以思考预算为 X 轴绘制性能曲线。
安全框架的滞后： 当前各大 AI 实验室的负责任扩展策略（RSP/Preparedness Framework）大多在 ChatGPT 时代制定，没有考虑 test-time compute 的因素。一个模型的能力现在是投入预算的函数——10 美元、1 万美元和 1000 万美元预算下，模型能做的事情完全不同。安全评估应该在哪个预算点进行？现有政策几乎不回答这个问题。这是一个「房间里的大象」。
模型中隐藏的潜能： Brown 用 Erdős 单位距离猜想举例——OpenAI 内部模型在低预算下就给出了反证，后来社区发现用 GPT-5.5 加上合适的 scaffolding，投入约 1000 到 10 万美元也能复现。这意味着大量已发布模型中潜藏着未被探索的能力。但矛盾在于：模型发布周期只有两三个月，没有人真正把模型运行到其性能上限。
从 Poker Solver 看模型进化： Brown 用自己博士论文的 Poker AI 作为个人 benchmark。GPT-5.2 能在他指导下完成反向求解器，但经常「gaslighting」——比如声称 100 美元的底池弃牌只损失 92 美元。GPT-5.5 几乎零样本就能完成整个求解流程，他预测 6 到 12 个月内，模型将能零样本跑完他的整个博士论文。
递归自我提升与硬起飞： Brown 认为模型确实在加速研究进程，但尚不能完全替代研究者——尤其是在「研究品味」上，模型仍然薄弱。他也不认为会出现一夜之间的智能爆炸。正是因为模型依赖大规模 test-time compute，时间本身就成了瓶颈。这是「好消息」——意味着高速但可控的渐进式起飞，而非瞬间失控。
多 Agent 与知识积累： Brown 将人类文明的进步归因于数十亿人长期思考并累积知识的「涌现属性」，而当前的 AI 模型诞生在一个短暂的 context window 中然后就消失了。他提到 OpenClaw 和 MoltBook 虽然一度被过度炒作，却是 AI 大规模协调与知识积累的早期信号。
关键引用： “If you give it a budget of $10,000, it can do a lot more than what it can do with a budget of $10. Give it a budget of $10,000,000, it can do even more. And so at what budget should you evaluate these models? The policies that exist today don’t really address that question.”
🎬 完整播客：https://www.youtube.com/watch?v=AZrU6y3pUcU
通过 Follow Builders 生成: https://github.com/zarazhangrui/follow-builders