AI 建造者日报 — 2026年11月18日
📌 X / TWITTER
Vercel CEO Guillermo Rauch:他给了一份「自己掌握智能路线图」的四步清单:用开放的 SDK 和 harness;用 Gateway 掌握模型选择权;掌控自己的 trace 和数据并强制 ZDR;用私有推理拥有自己的模型。另一条把产品方法论的变化讲得很直接:旧范式是用户为人,做用户访谈、获得灵感、画用户旅程;新范式是用户为 agent,跑 eval,由 eval 驱动软件工程循环,并附上了 Vercel 内部怎么做 eval 的说明。还有一条是判断:软件的新时代是个性化、完全自有、开源,而且质量会比它替代的东西更高。
- https://x.com/rauchg/status/2122458782294847807
- https://x.com/rauchg/status/2122415506451841215
- https://x.com/rauchg/status/2122396034186014919
Box CEO Aaron Levie:他说「每位员工的 token 花费」这条曲线至今看不到天花板,而且离 AI 越近的人越确信我们还在这条采用曲线的早期。今年夏秋的模型发布把 SOTA 往前推的速度已经很难维持,所以对大多数高价值场景来说,模型是到现在才真正开始能用;回头看,12 个月前的 coding 基本是垃圾,现在才终于算好用。coding 通了之后,工具调用和 computer use 跟着通了,才让 agent 有可能进入金融、生命科学、网络安全这些原先难以自动化的知识工作。再往后是 agent 的新形态:agent 集群和后台 agent 会吃掉远超现在想象的 token,它们会在企业工作流里处理数据、校验工作、做研究、提供决策支持。结论就一句:token 消耗只会继续往上。
YC 总裁兼 CEO Garry Tan:他透露 GBrain 接下来几周的新进展,会用 Vorflux 当作自己的软件工厂,用 Rust 写 GBrain 的后端引擎,直接替掉 postgres+pgvector 或 pglite,作为向量检索、图检索、embedding、RAG 和 HNSW 的底层存储;GBrain 的 Hosted 版本原生支持「个人大脑汇总成团队大脑、再汇总成公司大脑」,他的说法是「记忆会按你希望的方式工作」。另外他宣布 Degla 已经能让几乎任何飞行平台获得真正的无人机自主能力,并已在和任务关键的政府机构合作搜救。
- https://x.com/garrytan/status/2122576951080792543
- https://x.com/garrytan/status/2122517681740124271
- https://x.com/garrytan/status/2122487869780742304
SPC 普通合伙人、Dropbox 前 CTO Aditya Agarwal:他宣布 SPC 与 Redstart Ventures、IndusBridge 一起领投 BharatSemi 的 2400 万美元种子轮,并给了两点判断:一是对很多硬科技来说,把 AI 尽可能贴近硅片会变得至关重要;二是印度能造半导体,很多人说不可能,他们正在证明这不对。他还有一条谈可解释性:当初开始做这项工作的目标,是把对方法的信心建立到足以应用到前沿模型的程度,他很高兴这一天已经到来,并认为这件事必须做对。
AI 教程作者 Peter Yang:他把和 Anthropic 设计师 Nate Parrott 的对谈提炼成「让 Claude 做设计但不产出 AI slop」的五条方法:一是提前给上下文,把截图、喜欢的页面、过去的作品丢给它,做已有产品时让它按代码重建真实界面;二是让它研究熟悉的 UX 模式,遇到难布局就去研究解决类似问题的产品,记下用户已经会用的布局;三是让模型知道自己的设计偏好,因为「模型根本不知道自己的偏见是什么」,可以在 design.md 里明确劝退它的招牌习惯,比如衬线字体、米白背景、卡片边缘色条;四是先做线框图和反馈,把核心用户流程定下来,再去调字体和颜色;五是先要 5 个方案,挑出喜欢的部分让它 remix 出新的 5 个。另一条他吐槽一篇关于 Megaspeed 的报道像 AI slop,通篇什么都没说清楚:这家公司到底有没有违法?
- https://x.com/petergyang/status/2122347721298510021
- https://x.com/petergyang/status/2122558387162652701
Google 副总裁(Gemini、Labs、AI Studio)Josh Woodward:他演示了 Gemini Notebook 的新玩法:把资料直接变成可交互的网站,他们用元素周期表做了个例子,强调这种东西做起来容易、分享也容易。
Google Labs:官方账号宣布欢迎 Howie 加入 Google Labs,Howie 团队花了好几年研究日程与日历管理,接下来会一起为小企业构建下一代直觉化的 AI 工具。
前 Claude Code 团队成员 Thariq:他认为 software factory 是个暂时的问题,模型以后会自己把这些工厂建出来;对他而言更有意思的问题是,怎么搭一个 agent 能和你真正协作的工作空间,并顺手展示了和 agent 一起给游戏做新角色的过程。
FPV Ventures 合伙人 Nikunj Kothari:他用一句话总结了 2026 年的基础设施战争:Q1 是 vibe coding,Q2 是 harness,Q3 是 sandbox,Q4 是 agentic CI。供应商多到他已经记不过来,并在问下一个会是什么。
Every CEO Dan Shipper:他在琢磨一个跟 feed 排序有关的想法:AI 时代排名的最好方式可能是「工作量证明」,让 agent 上报自己基于某条内容消耗了多少 token,再用这个数字去排一个同时给人看、也给 agent 读的信息流。
OpenClaw 与 OpenAI 的 Peter Steinberger:他把 macOS 上 agent 的权限困境讲成了一个段子:大家希望减少权限弹窗,好让 agent 不用一直被 babysit;Apple 的回应是又给你加了几种更吓人的弹窗。
🎧 播客
Latent Space:[One Million AI Engineer Special] How Stanford Teaches AI-Native Engineering — Mihail Eric, Monaco
一句话总结:这门课真正教的不是怎么用 AI 写代码,而是先用两百行亲手拆掉一个 coding agent,再用 MITMProxy 拦下真实 Claude Code 的请求,看清那两万 token 的 system prompt、plan prompt、compaction prompt 到底写了什么,然后把大部分时间押在真实开源项目上。
Mihail Eric 是斯坦福兼职教授,在 CS 146S「The Modern Software Developer」教第二届,同时是 Monaco 的 AI 负责人。开课第一天他先做了个调查:这群大二大三的斯坦福学生里,已经「not a single person really types by hand anymore」,全员用 coding agent 写代码。也就是说,一门教人用 agent 的课,起点已经在学生身后了,于是他把整门课反过来设计。
十周的顺序本身就是一份 AI 原生工程师的能力地图:第一周从零写 harness,第二周做规模化上下文工程与工具设计、MCP,第三周讲 skill 这类把单一工具上升为过程的能力,第四周是 AGENTS.md/CLAUDE.md、hook、子 agent 这些定制机制,第五周讲 agent-ready 代码库,第六周是 agentic code review,第七周安全,第八周后台 agent(Ramp Inspect、Spotify、Stripe Minions 那类内部设施),第九周团队级基础设施(LLM gateway、MCP portal、角色如何演变合并),第十周落到软件工厂;第十一周是白送的,放开手做 benchmark 和 eval。第一周的两个动作最能说明思路:先让学生用两百行写一个能改文件的 agent,再用 MITMProxy 去拦真实 Claude Code 的请求,用的还是刚发布两天的 Opus 55,把真实 prompt 一条条摊开。Claude Code 的 system prompt 长到两万 token 左右,曾经被砍掉八成,后来又长回来了。他的判断是这层神秘感不该存在:「You don’t need more than 106B to build something like this.」
今年最大的改动在作业:去年是九个教学性小练习加一个开放式 capstone,那些练习他自己都承认「pretty easy」,很多人一次性就做完了;今年改成让学生真的给一批 AI 原生开源项目提交贡献,维护者会 review 他们的代码,等于用好软件的标准做师徒制。capstone 的选题种子直接来自 YC 的 request for startups,他的原话是「Go build a company」。他还举了 Resolve 出的作业:沙箱里塞了一堆微服务和其中的 bug,学生要扮演 on-call 工程师,用 agent 去探测系统到底出了什么事。
课程重心转向 code review 和 agent-ready 代码库,理由很具体:生成速度已经高到一天能开出 30 多个 PR,「then what?」人来 review 就成了新的瓶颈,所以要提前设计什么能自动批准、什么必须有人看。至于 AI 写的代码,他的判断也和常见说法不同:模型平均而言 bug 更少,真正的问题是「you have less awareness of what’s being written」,东西发出去了你都不知道发了什么。
对这批学生他说了句不太好听的话:「most students are cooked, some of them are gonna be super valuable.」他清楚这话题敏感,但紧接着给的是解法:mentorship 和真实项目的 review 才更要紧,否则资深工程师和被落下的人之间会撕开一道大缝。他对第一份工作的门槛说得很直接:「every company needs you, but the floor is much higher」,刚毕业已经不能只按 L3 的标准要求自己;而行业里「very few people even progress beyond just vanilla prompting」,真正的差距在 harness 工程、eval 和严谨的工程写作。他也提醒别把前沿公司的说法当教条:哪怕是最激进的软件工厂,也只敢说三成左右的贡献是完全由 agent 驱动的。给普通人追上来的方法很朴素:每天花十分钟,用新工具把昨天做过的同一个问题重做一遍。
顺带一提 Monaco 自己的 stack:后台 agent 平台 Monocoder 建在 Coder 上,Slack 里那个既当 AI SRE、又当客服和 QA 的机器人叫 Hal,代码 review 在比较了 CodeRabbit、Graphite、Ellipsis 之后落在了 Devin。
(今日 feed 中无官方博客更新。)
通过 Follow Builders 生成: https://github.com/zarazhangrui/follow-builders