▪️PREFACE 卷首语
1/ 上周咨询了我的 AI Coach（一个灌入了我很多上下文，又模拟了各种历史上专家/大师/大佬的个人专属教练），说我自娱自乐「build」太多了，让我赶紧出来「卖」，跟市场和真实的商业反馈接轨…
被灵魂暴击的我，意识到了自己的问题，于是这周果然卖得比较频繁了，产出了几篇我自认为质量挺高的内容——
一本 FDE 开源书的意外爆火：AI Native 的写作出版应该是什么样的？（https://mp.weixin.qq.com/s/xNMpvqQZRAM-Gg-8Jky6Ew）
一场「企业如何落地 AI」的私密群聊，没想到搞成了最懂行情的吐槽大会（https://mp.weixin.qq.com/s/4oR6kPo5G_UxNYJPYo60pw）
上面两篇都是关于企业如何落地 AI（/前沿部署工程师 FDE）的。关于 FDE 的更多内容还是去我免费开源书官网看吧：FDE4.ai
2/ 这周还看了 YC 在旧金山 Chase Center 举办的新一期 Startup School，现任总裁 Garry Tan（陈嘉兴，YC 历史上首位华裔掌门）做了一场 42 分钟的演讲，题目叫《Own Your Intelligence》（拥有你的智能）。
跟我一直推崇的「你应该搭建自己的贾维斯助手」呼应上了。我也做了个精华转述：
租来的智能不会产生复利，拥有的才会（https://mp.weixin.qq.com/s/S43k32syK6DqDoyNZnPNwA）
遂有朋友翻出我之前做的「我如何搭建自己的贾维斯助手」课程来求折扣码。我想了下，因为 AI / Agents 迭代太快，我的大半年前的内容也有所贬值（整体框架和核心观点都是不变的，但工具层面的变化确实挺快），所以干脆降价了，299 → 99 元，方便更多感兴趣的朋友入门。
「我如何搭建自己的贾维斯助手」课程官网：http://diy-jarvis.com/
买的早的朋友也别沮丧，早买早享受，另外这课后面如果更新 2026 版（有这个想法，弄个重制版或 DLC？），之前买过的朋友肯定是给大幅优惠的。
OK，以下是本周正刊内容，Enjoy——
▪️OPINION 观点
🎙️ Travis Kalanick 沉寂八年首次开口：Uber 复盘与「第二次工业革命」
原链 · a16z.simplecast.com · 约 43 分钟读完
Uber 创始人 Travis Kalanick 沉寂近八年，第一次公开露面，选了 Ben Horowitz 的 a16z 播客。整场对话既是 Uber 复盘，也是重新出发的宣言。
他坦言当年没收购 Lyft 是因为文化差异太大，不后悔，也愿意继续背这个骂名。同时他也承认当年管理 2 万人时自己还处于「生存模式」，这本身就是很危险的信号。
Ben 在场贡献了一个反直觉判断：事情开始变顺时，恰恰该拼命推进，否则很快会挨打。
Travis 把筹码押在工业 AI 上——食品、采矿这些数万亿美元的产业将被自动化，他称之为「第二次工业革命」级别的机会，新团队已经吸引大批 Uber 旧将。组织设计上，他的心得是区分可共享的基础职能与必须独立的专业领域。他还透露，写战略文档的时间从数百小时压缩到了 45 分钟，并感谢 Elon Musk 买下 Twitter 让言论更自由，自己正从沉默中回归。
🤖 红杉闭门判断：所有 AI 应用公司，终将成为 Neo-Lab
原链 · 公众号 · 约 9 分钟读完
红杉美国合伙人 Sonya Huang 在一场闭门分享里给出判断：AI 应用公司的竞争已经从应用层转向智能层，每一家最终都会演变成新一代实验室——Neo-Lab（红杉你是造词驱动的科技公司吧？）。
「主权 AI（Sovereign AI）」是下一代护城河，但它不要求你从零训练基础模型，而是掌握对产品最关键智能链路的控制权：数据、模型适配、评测迭代、部署，四层自主权。Neo-Lab 和传统实验室的区别在于，它由业务驱动，研究为产品服务，数据来自真实业务，评判标准是产品指标。
她还点了创始人最常见的三个误区：以为需要大量 GPU 和博士、以为拿到开源权重就是主权、以为套 API 能长期躺赢。
落地路径则很务实：先盘点产品核心差异化，先建评测集再微调，从小处切入，组织上让研究团队和业务绑定。说到底，主权 AI 不是奢侈品，是护城河本身。
🏭 大模型是残酷的制造业：领先优势最多维持一个月
原链 · 公众号 · 约 10 分钟读完
这篇文章的类比很狠：大模型不是神秘炼金术，是残酷的制造业，遵循工程规律。大模型厂之间的领先优势，最多维持一个月。
决定能力的变量只有三个：算力、数据、组织能力。所以任何创新都会被快速跟进——智谱的后训练编程路径、Kimi 的参数量大跃进，都在短期内被对手复制。
真正被低估的是产品化能力。Kimi K3 靠定义前端场景和搭建数据管线，在编程和 Agent 场景跑了出来；MiniMax 的 H3 视频模型死磕影视后期和提示词工程，在 meme bench 上超越 Seedance 2.5。
作者类比吹风机和新能源车行业：应用公司比模型研究员更懂产品定义，所以当下正是应用爆发的好时机，数据公司则是最佳生意，应用公司还能拿真实用户数据反哺模型。
🏭 万能 Agent 到企业全线翻车：卡住落地的不是聪明，是三件不性感的事
原链 · 公众号 · 约 31 分钟读完
实验室里表现完美的 Agent，为啥一到企业生产环境就全线翻车？
非凡大赏圆桌上，PPIO 姚欣、魔联科技潘勇、SandBase.AI 的 David、TiDB 李粒四位 infra 从业者的结论一致：卡住落地的不是模型聪明程度，而是信任、算账和商业模式这三件不性感的事。
姚欣先算了笔账：单次成功率 99.9% 的任务，循环 20 次后失败率可能到 2%，严肃场景无法接受。潘勇补了企业视角：企业不怕 agent 出错，怕的是出错后查无此人——身份、审计、授权会从加分项变成准入门槛。David 复盘了云原生胖容器的教训，认为 agent 运行时需要拆分状态与沙盒，而且 to B 企业先求可控，开源是心理刚需。李粒则用 TiDB 客户案例说明，企业采购真正关心的是省几个人、算不算得过账。
落地建议也很具体：先找能自循环的单点业务，然后盯紧 token 账单。human on the loop 的团队，token 消耗是其他团队的 100 到 1000 倍；而识别变革信号，要贴近最想偷懒的年轻人。
▪️CASE 案例
💻 Cherry Studio 推倒重来：边开飞机边换发动机
原链 · 公众号 · 约 24 分钟读完
AI 产品形态从 Chat 转向 Agent，为聊天设计的旧架构怎么办？Cherry Studio 创始人 Yinsen 的答案是推倒重来——难的不是技术，是怎么在已有用户和生态的情况下边开飞机边换发动机。
他的判断是，Chat 只是过渡阶段，Agent 的核心是完成任务而非生成答案。所以软件设计要从「围绕功能」转向「围绕目标」：系统内部可以越来越复杂，但用户体验必须越来越简单。1.x 的架构没有错，只是不再适合新阶段；2.0 的底层重构包括重新设计数据存储、引入数据库、规划数据生命周期，撑住 Agent 的复杂任务执行。
团队同时明确了不做什么：不做视频生成，不做情感陪伴，聚焦成为最大化 AI 能力的工作入口，靠开源和 BYOK 保持开放。Agent 建设上，2.0 支持 Pi Agent、Claude Agent SDK 等不同框架，还把 Code Two 升级为 Code Mate，想成为 Agent 的管理中心。
Yinsen 的终局判断是：Agent 的价值在于替用户管理复杂度，让用户从「操作软件」变成「委托任务」。
✍️ 刀法的内容七步法：AI 管采集，人管观点
原链 · 公众号 · 约 16 分钟读完
做行内人爱看的内容为什么难？因为要既懂行业、又会写作。刀法创始人把自己的内容生产拆成了七步法，原则就一条：AI 管繁复，人管洞察。
七步分别是：选题、采集业内人真实观念、输出逐字稿、形成观点和洞察、脑暴会加 AI 工具验证、烹饪呈现、运营摆盘。分工的边界划得很清楚——AI 只做信息采集、整理和初步加工，观点形成必须由人完成，再沉淀私有知识库和方法论当壁垒。
她还有两条提醒。内容的核心是高质量观点、信息和逻辑案例，不是好看；原创性上不建议模仿别人，应该拆解自己的爆款，做自我复制与超越。
公司护城河则在于方法论、水下信息、高质量信息源和团队采访流程——内容和咨询结合，才能持续产出。
⚡ 将军赶路不追小兔：一套三层递进的多 Agent 调度体系
原链 · zj1123581321.com · 约 41 分钟读完
Agent 的注意力是宝贵资源，应该花在高质量决策上，而不是琐碎执行。社群小伙伴投稿了这篇优质内容，他从成本倒逼的分工逻辑出发，在使用中自然长出了一套三层递进的多 Agent 调度体系。
第一层是单 Agent 内部的主脑与子代理分工，用配置文件实现规划与执行分离。第二层是产品化的多 Agent 编排工具，适合大多数用户。第三层是自定义命令行编排，满足深度定制——包括配额感知调度、任务卡和归因追踪。
有意思的是，这套体系不是预先设计出来的：监控面板长着长着成了调度仪表盘，调度系统慢慢演变成了完整基础设施。他的态度是，Agent 时代应该允许想法浪费，好奇心会驱动工具持续演化。
读者可以按自己的需求选层级，配置模板还能直接交给 Agent 自动设置。
📊 把投资组合交给 AI 三年：Alpha 会衰减，沉淀下来的是 Ontology 和 Taste
原链 · 公众号 · 约 28 分钟读完
把真金白银的投资组合交给 AI 管了三年之后，Intelligent Alpha 创始人 Doug Clinton 的结论变了：能不能产生 Alpha，关键已经从模型能力转向 Context、数据、Taste 和整个研究系统。
几个实操判断值得记下来。AI 带来的 Alpha 会快速衰减，更可行的形态介于基本面与量化之间：持有几百只股票，允许模型做高确信度下注。公开信息越来越便宜，渠道调查、客户访谈这类难复制的专有信息会越来越值钱。当前模型已接近 B+ 分析师，短板在研究创造力，但它能处理远超人类的信息量。
真正值得机构沉淀的是投资判断背后的定义体系（Ontology）：EBITDA、KPI 这些概念必须有机构自定义口径，模型才调得动。Taste 则是通用模型和机构自身能力的差距所在，得由人把 Alpha 定义、证据重视标准写进系统。
他的基建建议反常识：默认系统会快速过时，别花六个月搭完美系统，快速上线、模块化设计，模型选择用自己的任务做 Benchmark 而不是看排行榜。最终竞争的是研究系统的复利速度——人把品味注入系统，才能把模型从 B+ 推到 A。
随便看看：
《奥特曼谈育儿，又又又被喷》：Altman 建议家长用 ChatGPT 给孩子生成个性化播客上学路上听，《怪诞小镇》创作者回怼「如果你直接和你的孩子谈谈呢？」，拿下 23 万点赞，是原帖的近 20 倍。
《蒸馏风暴：AI 公司不愿公开谈论的技术竞赛》：访谈近十位研究员还原蒸馏竞赛：80 万条数据微调 Qwen2.5-32B，AIME 2024 得分 72.6%，远超大规模强化学习的 47.0%；它既是开源逼近闭源的捷径，也被视为知识产权偷窃。
《跳槽去机器人吗？赚一波快钱》：智驾人才正大规模迁往机器人行业，薪酬涨幅从 3 倍回落到 50% 左右；初创基础设施匮乏、路线不明，但原行业边际递减，冒险者仍众。
《理想的 AI 改造，和离开它的人》：转型期间超 20 名技术骨干出走，至少 6 人曾任高级管理者，创办或加入至少 6 家具身智能公司、两家估值超 10 亿美元——他们被李想的物理 AI 热情感染，内部却没有正式立项。
《AI 做电影，远比想象中难》：《Hell Grind》前 22 分钟生成上万张图片、1.6 万段视频，仅 253 个镜头合格；模型价格涨超 20 倍、一升级经验就作废，唯一的确定性是人。
《当一家具身智能公司穷到只剩 10 万元》：清华副研究员创业做触觉机器人，账上只剩 10 万元仍坚持「本能驱动」路线；转型「生产即服务」后完成近亿元种子轮，已有 4 个标杆客户。
《「怕被落下」的普通人，搭建生活里的 AI 系统》：三位普通人把 AI 搬进厨房、衣橱和孩子的作业本，又各自退回了人性一边——效率能外包，感受、选择与陪伴不能。
《一月吃掉 100 多万，他决定让 AI 管管这群羊》：前华为工程师用 Qoder 花 3 万多元 token 费、3 个多月独自开发出养殖系统，年营收 2 亿多元的羊场饲草成本降 10%、年省上百万元，成本核算效率提升约 50 倍。
适合个人上手的教程/评测/资源：
《macOS Harness 让 AI 操控 Mac》：browser-use 团队开源项目，只给模型 see、key、type、click、ax、script 六个原语，缺工具就自己写 Python 补上；提示词丢给 Codex 或 Claude Code 即可自动安装，MIT 许可。
《开源 AI 内容操作系统》：Ruby Wang 开源的自进化系统，自动读取 100 多个信息源、按个人定位筛选选题并生成推文草稿；接 Typefully MCP 后还能分析历史发布数据，持续优化下一轮内容。
《双向钢人论证 Prompt》：数字生命卡兹克设计的深度思考 Prompt，四步逼 AI 强化正反双方最强论证、找出关键变量、给出明确判断，专治 AI 谄媚。