Challenger 数据显示 5 月科技行业裁员创单月新高，AI 是主因。但 SignalFire 追踪 8000 万企业员工轨迹后发布报告称，大型科技企业整体招聘量较 2019 年下降 25%，工程岗位降幅仅 11%；2025 年新入职员工中工程师占比达 55%，高于 2019 年的 46%。初创企业工程师总人数较 2019 年增长 7%。Anthropic 首席执行官曾警示 AI 或淘汰半数入门级白领，但其首席经济学家表示尚未观测到显著冲击。英伟达 CEO 黄仁勋称工程师使用 AI 后更忙碌，印证杰文斯悖论。
《经济学人》报道，大型人工智能实验室正在招聘哲学家。该帖在 Hacker News 上获得 101 个 HN Points，引发业界关注。
SemiAnalysis@SemiAnalysis_This is correct, I think a number of people on the tl didn't read past the title and made inferences and comparisons tha...
宝玉@dotey针对长达3小时播客访谈用AI生成文章时容易遗漏细节的问题，常见做法是连续追问“还有什么细节需要补充？”三次左右（甚至可做成Agent Skill）。但作者采用不同策略：同时让AI生成2-3份稿子，挑选最佳一份作为底稿，再将其它稿子的内容手动合并进来。这样既能避免细节遗漏，也能防止单次生成质量差导致后续追问难以提升质量。
长达3个小时的播客访谈,如果原文提供给AI生成文章。 经常会漏掉一些细节,所以我会连续追问几次: "还有什么细节需要补充吗?" 一般三次左右就差不多,感觉应该做成一个Agent Skill。 哪怕同一个模型,连续追问也能改善质量。 当然,目...
NVIDIA 推出的 45C 冷却设计将数据中心用水量降至接近零，大幅降低水资源消耗。该方案源自 NVIDIA 官方博客。
karminski-牙医@karminski3作者在自研的硅基骑手参考评测（silicon-rider-bench）中累计测试30个模型，发现智谱GLM系列Agent能力持续进化：GLM-5首次实现反思自身行为并主动少接单提准时率；GLM-5.1首创送顺路单，路径效率低于单次配送理论值；GLM-5.2只需看一次地图便记住全部地点与换电站位置，无需调用search_nearby_battery_stations()，大部分tool_call用于推进任务，分数断崖式领先。直至kimi-k2.7-code出现前，无模型超越GLM-5（2月发布），智谱Agent训练领先其他国产模型2-4个月、最大2个代差。故市值破万亿从技术层面并非高估。
jason@jxnlco风投机构SignalFire追踪8000万家公司数百万员工数据发现，工程是2025年最具韧性的岗位。大型科技公司总招聘较2019年下降25%，工程岗仅降11%；工程岗占Alphabet、Meta等12家“Tech Majors”新招员工的55%（2019年为46%）。早期初创公司2025年工程师招聘比2019年增长7%。Anthropic CEO警告AI可能消灭一半入门级白领，但该公司经济主管称尚未看到显著影响。NVIDIA CEO黄仁勋表示AI让工程师更忙碌，是杰文斯悖论的典型例证。
Rohan Paul@rohanpaul_ai前高盛高管Raoul Pal在访谈中指出，若产品仅是软件，智能体AI可随时复刻、优化并重新部署。他将智能体AI比作专家网站Fiverr，能自动完成建站、编码、域名注册、品牌策划、营销及邮件列表等全流程。他设想用户只需对AI说“把Steven的网站做得更好”，AI便能在3分钟内完成。这引发了关于AI将吞噬软件、软件创业者未来出路的讨论。
Orange AI@oran_geAI 行业商业化的核心是“2boss”——付费方不是使用者（程序员、抽卡员），而是他们的老板。以 Claude/Codex 和 Seedance 为例，老板愿为提升效率的工具付费。中国 2B 市场进入“2boss”时刻，老板买单意愿强烈；独立开发者等自费者也扮演自己的老板。
karminski-牙医@karminski3GLM-5.2 自带 MTP（推测性解码）头因采用 DSA（动态稀疏注意力），导致 vLLM、llama.cpp、mlx 等推理引擎难以支持。原始 bf16 精度需 1.5TB，4bit 量化仅 430GB。社区作者 dnhkng 制作了 GLM-5.2-AWQ-INT4-FP8-MTP-delta 魔改版：底座用 INT4（Marlin 算子）+ MTP 用 FP8，使 vLLM 支持 MTP，速度从 2 token/s 提升至 43.39 token/s（绑定 NUMA+MTP-3）。SGLang 因支持混合精度可直接使用 GLM-5.2-W4AFP8；llama.cpp 和 mlx 用户仍需等待社区适配。
企业此前鼓励员工最大化使用AI预算并设立内部排行榜，如今发现token消耗高昂收益甚微，开始进入token配给时代。咨询公司Accenture试图阻止员工用AI完成PDF转PPT等基础任务，而此前该公司曾以"不晋升"威胁员工使用AI。Accenture智能体AI战略负责人Justice Kwak透露，AI支出变得不可预测，领导层正质疑其投入价值。token成本已引发"AI抛售"，冲击相关企业，AI行业必须证明自身价值而非仅靠新鲜感。
Greptile观察OpenClaw项目发现，AI编码智能体正大量生成低质量PR。提交量从去年12月每周2个飙升至今年2月每周3400个，合并率从约48%降至9.3%以下。一名贡献者一天内提交106个PR，中位间隔仅3秒。项目开始依据贡献者信誉过滤：首次贡献者合并率8.2%，5次以上为18.6%。Ghostty作者Mitchell Hashimoto因此限制AI贡献并发布信誉管理工具Vouch。此外，多个贡献者使用相同AI工具（Claude/Codex/Cursor/Devin）独立提交相同功能PR，导致思路同质化。数据显示重构类PR合并率35%，远高于新功能类的9%，表明对代码库深度理解更重要。
OpenRouter 的零数据留存（ZDR）保证用户提示词和模型响应不被存储，元数据一般安全。自 1 月以来新增 97 款支持 ZDR 的模型，月度 token 量增长 4.3 倍，约占全部路由流量一半。ZDR 在三个层面执行：账户级（整个供应商开启）、护栏级（按 API Key 或组织成员限定）、单次请求级（传参数仅路由至 ZDR 端点）。企业用户可灵活选择控制粒度，避免锁定单一供应商。
swyx 🔜 @aiDotEngineer@swyxswyx 在 Data+AI Summit 上采访了 Databricks 联合创始人 Matei Zaharia 和 Reynold Xin。访谈亮点包括：Databricks 为何击败 Snowflake；行业正纷纷构建“元 harness”（共享智能体框架）；LTAP 与 Lakebase 重新思考操作型与分析型数据库划分，解决 HTAP 愿景；Omnigent 为编码智能体和自定义智能体提供统一框架；智能体安全需要上下文策略与支出控制；MosaicML 与 DBRX 的后续；在 1750 亿美元大公司中维持研究/创业文化；以及在智能体云竞赛中数据库、操作系统与网络的重要性。核心观点：未来软件只需让数据就绪，智能体置于其上。
Why the Frontier Ecosystem must be Open - Matei Zaharia and Reynold Xin, Databricks https://www.latent.space/p/databrick...
Rohan Paul@rohanpaul_aiGLM-5.2 from @Zai_org on ARC-AGI (Verified) - ARC-AGI-2: 22.8%, $0.25 - ARC-AGI-1: 77.0%, $0.19 Performance is comparabl...
本教程从零构建OpenHarness，一个可运行的Agent运行时，展示完整控制流：接收用户任务、模型决策、验证并执行工具调用、返回观察结果、循环直至任务完成。覆盖核心模块：工具使用与类型化工具架构、权限控制、生命周期钩子、记忆管理、技能、上下文压缩、重试逻辑、Token成本跟踪及多智能体协调。实现采用纯Python，无需API密钥或复杂基础设施即可实验，包含Token成本估算。
François Chollet@fcholletGLM-5.2 from @Zai_org on ARC-AGI (Verified) - ARC-AGI-2: 22.8%, $0.25 - ARC-AGI-1: 77.0%, $0.19 Performance is comparabl...
Rohan Paul@rohanpaul_ai该论文认为当前AI主要建立在网络数学而非知识理论上。人脑以极低功耗做出快速自适应决策，而前沿AI依赖巨大算力。生物智能高效是因为围绕目标、上下文和决策组织意义。论文将心智活动分为物理认知、情绪认知、心智认知和智能，其中智能指在情境仍有效时做出有用决策。提出的“合成智能”将使用结构化语义知识（信息与目的绑定），而非仅依赖语法、统计或神经网络权重。通过不对称信息解析模型展示如何将知识组织成决策图，以捕食者-猎物为例，每个状态仅包含少数可能动作。
Ethan Mollick@emollickGLM-5.2 from @Zai_org on ARC-AGI (Verified) - ARC-AGI-2: 22.8%, $0.25 - ARC-AGI-1: 77.0%, $0.19 Performance is comparabl...
Tom MacWright 观察到近期出现大量明显由大语言模型协作完成的求职申请：从简历、作品集网站到 GitHub 项目和 commit 信息均由 AI 生成。他认为这种“完美的”提示词驱动简历高度通用且缺乏个性，除了表明候选人“使用了某些工具”之外，完全无法让招聘方了解这个人的真实能力或特质。求职者没有展示真实的自己，也没有输出任何有个人价值的内容。
DogeDesigner@cb_dogeAnthropic 推出 Claude Tag，支持多用户与同一 AI 智能体在同一工作空间协作。智能体具备持久记忆、独立于人类的凭证及广泛信息访问权限。经验：工作公开化并给予智能体广泛上下文，通过工作区级安全边界让信息对人和 AI 均可用；为每位成员（含 AI）分配明确角色与相应工具。用户可通过 @Claude 私信进行敏感交互，对话保持私密。该方法已在 Slack 等团队协作工具中实践，旨在使人类与智能体高效协作完成共享目标。
同一事件，精选展示《Anthropic 推出 Claude Tag：在 Slack 中通过 @Claude 协作》Yann LeCun 在联合国开源周演讲中主张，开源 AI 是全球数字主权和文化多样性的唯一可行路径。他指出专有 AI 系统被美中少数大公司控制，对民主和人权构成威胁。LeCun 推出 Project Tapestry，一个基于 GitHub 的开源联邦协作项目，各参与方保留数据主权，仅交换参数向量来训练全球模型。已有欧洲、印度、日本、韩国及 IBM、NVIDIA、AMD、Intel 等参与，目标 2027 年初投入生产。
François Chollet@fchollet
AYi@AYi_AInotes推文认为Prompt Engineering终结，Loop Engineering取而代之。典型场景：@karpathy晚上设好研究循环，自动改脚本、跑测试、保留正确结果、丢弃错误，人睡觉机器跑。四大支柱均来自生产环境：1）硬性退出条件与独立验证，防止模型“自认为完成”；2）上下文当有限预算管理，定期压缩、用子Agent隔离子任务；3）工具少而精、可安全重试、错误信息可读；4）Maker-Checker模式（如Claude Code已用），干活与检查分离。@bcherny总结：不再prompt Claude，而是写loops让它们跑。模型正成为标准件，工程价值转向长期自治系统设计。
http://x.com/i/article/2069072431252434944
Nathan Lambert@natolambertEthan Mollick@emollickSnowflake 内部基准测试显示，在每项任务三次尝试下，GLM-5.2 解决 66% 的编程问题，Anthropic 的 Opus 4.7 解决 67%，两者几乎持平。首次尝试准确率 Opus 为 53.7%，GLM 为 47.6%；GLM 每任务平均迭代 99 次、消耗 8.6 亿 token，Opus 则为 80 次、4.39 亿 token。成本方面，GLM-5.2 输出 token 价格为 $4.40/百万，远低于 Opus 的 $25 和 GPT-5.5 的 $30；输入 token 仅 $1.40/百万。GLM 存在过早放弃和过度检查等弱点，但其定价优势可能对西方 AI 公司的高估值构成压力。
Berryxia.AI@berryxiaMatt Pocock 推出 /loop-me 技能，旨在帮你梳理日常工作中的重复“循环”。它采用“严苛面试法”逐一追问直到模糊点消除，最终输出清晰的 workflows/.md 规范文件，任何实施者（人类或AI）看完即可执行。核心包括定义 Trigger、Checkpoint、输出等要素，确保达到“完成的定义”。技能目前仍处于进行中状态，但已可直接使用。它强调先打磨工作流程，使之能被 AI 精确理解，从而降低认知负荷，将重复劳动真正委托出去。
New in-progress skill: /loop-me Interviews you about your work and finds opportunities for delegating your day-to-day wo...
Berryxia.AI@berryxiaOpenAI 发布首颗自研 AI 芯片 "Jalapeño"，专为 LLM 推理设计，与 Broadcom 合作生产。从设计到流片仅 9 个月，且由自身 AI 模型辅助设计。首批样片已到手，性能功耗比显著优于当前顶级加速器，Broadcom CEO 称性能媲美 NVIDIA Blackwell 与 Google TPU，同时成本降低约一半。目标 2026 年底实现吉瓦级部署，推理成本有望下降约 50%。该芯片将驱动 ChatGPT、Codex、API 及未来 Agent 产品，标志着 OpenAI 从模型公司向全栈 AI 基础设施公司转型。
We've designed and built our first AI chip: Jalapeño. Designed from the ground up by OpenAI and brought to production wi...
Berryxia.AI@berryxiaBerryxia.AI@berryxiaEmil Kowalski 的 /emil-design-eng 技能安装量突破 10 万次，近期陆续开发更多细分设计工程 skills，目标是让 agent 输出更精准可控。他重点投入测试环节，反复验证答案的正确性与一致性，这是打造高质量 agent skills 最难也最关键的一环。
向阳乔木@vista8近期多名朋友的Mac电脑遭Cookie盗用，即便开启两步验证也无济于事。用户使用Codex进行安全扫描，虽未发现明显木马或恶意软件，但检测到OpenClaw、AutoClaw等“龙虾类产品”已年久失修，存在多个问题。修复这些软件可释放部分存储空间，并减少反复的硬盘读写。
elvis@omarsar0作者从打字提示转向完全用语音与AI智能体交互，发现通过音频能提供更丰富的细节，语音越长越详细，结果越好。这种交互方式还能并行化更多工作，让智能体执行更长时间任务。作者开发了新功能：录制屏幕、截图、追踪鼠标动作、用语音标注解释智能体难以处理的设计和精确功能开发。结论是提示模态越丰富，智能体结果越可靠，虽然消耗更多token成本更高，但可靠性值得。这些模式可存储为可重用技能，效果天差地别。
