阿绎 AYi@AYi_AInotes · 5月11日62

Honestly, Levelsio’s post today is the sharpest industry signal I’ve seen all week. Everyone’s doing the math—Cloudflare comes in at nearly two-thirds cheaper than Postmark. For the past decade, email providers have charged a premium for two things: A better SDK, and more reliable delivery. Now both of those advantages are gone. Take a typical mid-to-large SaaS sending a million emails a month: Postmark charges $1,206. Resend: $650. SendGrid: $600. Cloudflare: just $354. And Amazon SES: as low as $100. The real kicker? Levelsio dropped a complete migration prompt. Throw it into Cursor or Claude, and you can move your whole project’s email system in ten minutes. What used to take a week of work from the ops team can now be done by a single developer in the time it takes to drink a coffee. The technical barriers are gone. The integration costs are gone. All that’s left is price. He’s already split his sending across three subdomains, and specifically warned: new IPs need a three-month warm-up—absolutely don’t move transactional emails first. People stuck with pricier options like Postmark or Resend because it was easier. But now Cloudflare’s pricing is near SES levels, while offering way better domain management and ecosystem experience. I’ve got a feeling every indie dev and small-to-mid SaaS will gradually migrate this way. Now that’s what real infrastructure commoditization looks like.

译Levelsio的推文揭示了电子邮件发送服务正快速商品化。价格对比显示，发送百万封邮件的月费差异巨大：Postmark为1206美元，Resend为650美元，SendGrid为600美元，而Cloudflare仅需354美元，Amazon SES甚至低至100美元。传统提供商在SDK和投递可靠性上的优势已消失，AI工具（如Cursor或Claude）能通过迁移提示在十分钟内完成系统切换，极大降低了技术门槛和集成成本。Cloudflare的定价已接近SES，同时提供更优的域名管理和生态体验，预计将推动独立开发者及中小型SaaS向低成本方案迁移。

Ethan Mollick@emollick · 5月11日44

I think we are past the point where “only people in San Francisco get AI” is true. AI users are in every industry & they have access to the same models. SF is far from the epicenter of many of the craziest use cases I have seen in science, law, finance, marketing, education…

译我认为“只有旧金山人懂AI”的时代已经过去。 AI用户遍布各行各业 他们使用着相同的模型 在科学、法律、金融、营销、教育等领域 我见过最惊人的应用案例 很多都远离旧金山这个震中

Ethan Mollick@emollick · 5月10日71

The personification of Claude — in name (the only AI with a human one), in training, in Anthropic’s philosophy (see Claude Constitution), in fanfiction (see the Claude cartoons), etc — feels quite consequential in the medium term, for better and for worse.

译Claude的人格化体现——无论是名称（唯一拥有人类名字的AI）、训练方式、Anthropic的哲学理念（参见Claude宪法），还是同人创作（参见Claude卡通）等——从中期来看都颇具深远影响，这既可能带来好处也可能产生弊端。

向阳乔木@vista8 · 5月10日27

前段时间做手术体验了全麻，今天问AI全麻发明史，觉得真不容易。 比如，其中一位日本先驱的代价： 时间拉到1804年，地点在日本纪州（今和歌山县）。 一位名叫华冈青洲的外科医生，完成了人类历史上第一例有据可查的全身麻醉手术。 他用自己配制的草药麻醉剂"通仙散"，让一名乳腺癌患者失去意识，然后完成了手术。 通仙散的主要成分是曼陀罗花、乌头、当归等，核心活性物质是东莨菪碱和阿托品，都是强效的抗胆碱能药物，大剂量下确实能让人失去意识。 但这个配方的问题在于，有效剂量和致死剂量之间的窗口极窄。 华冈青洲为了摸清这个剂量，做了将近20年的动物实验，然后开始在人身上试验。 他的母亲和妻子自愿成为受试者。 结果，母亲死亡，妻子永久失明。 这个代价，让人很难轻描淡写地说"他成功了"。 全文：https://blog.qiaomu.ai/history-of-general-anesthesia

译推文以日本医生华冈青洲1804年完成首例有据可查的全麻手术为例，揭示医疗发明的艰难。其自制的“通仙散”麻醉剂有效剂量与致死剂量窗口极窄，为确定剂量，其母在人体试验中死亡，妻子永久失明，代价惨重。这印证了引用推文中由Claude Opus分析得出的观点：医疗发明因人体试错代价高昂，其等待时间常远超其他领域；许多发明的真正瓶颈在于工程与材料工艺，而非科学原理。

AI Notkilleveryoneism Memes ⏸️@AISafetyMemes · 5月10日34

The alien ships are visible in the sky We are on a SUPEREXPONENTIAL now - an exponential ***on top of*** an exponential Our chimp brains cannot comprehend exponentials, much less superexponentials

译外星飞船在天空中清晰可见 我们正处于超级指数阶段——指数之上的指数 我们猿猴般的大脑无法理解指数，更不用说超级指数了

向阳乔木@vista8 · 5月10日44

读到篇跟AI关联不高，但有趣的文章。 有人用Claude Opus 4.7 分析了历史上的一百多个发明， 看最早可以在什么时候发明。 让AI总结了几条知识 1. 大多数发明，出现得恰到好处 人们总觉得历史上错过了很多发明机会。 但数据显示，90%的重大发明，在技术条件成熟后50年内就出现了。 一旦条件到位，人类其实不怎么拖延。 2. 卡住发明的，通常不是科学，是工程 飞机不是在等空气动力学理论，是在等一台够轻的发动机。 喷气发动机不是在等新物理学，是在等高温合金钢。 科学是地基，但真正瓶颈，往往在材料和工艺。 3. 医疗发明是个例外，等待时间远超其他领域 听诊器、全麻、皮下注射针，都本可以早几百年出现。 原因不是技术不够，是试错代价太高。 在人体上摸索剂量，搞错了就是死人。 4. 很多"早期发明"其实没用 圆珠笔1888年就有了，但写不好，真正好用的圆珠笔要等到 1938 年。 自行车的前身"木马轮"古代就能造，但没精密制造工艺，就只是个玩具。 真正解决问题的版本，往往要晚几十年。 发明日期和"有用"日期，经常不是同一天。 5. 知识不流通，比技术落后更致命 激光的两个前提技术，一个物理学家知道，一个工程师知道，但两个圈子互不往来，结果白白等了几十年。 技术已经在那里，缺的只是一次对话。 6. 发明的等待时间，正在持续缩短 1900年之后的发明，75%在技术成熟后10年内就出现了。 等待时间超过100年的发明，有29/30个发生在1900年之前。 知识流通越快，"没人把两件事联系起来"的概率就越低。 原文见评论

译一项使用Claude Opus分析历史上百余项发明的研究显示，绝大多数重大发明在技术条件成熟后50年内就会出现，工程瓶颈往往比科学理论更能制约发明。医疗领域因试错成本高而等待时间显著更长，许多早期原型因实用性不足而被推迟。知识流通不畅曾导致激光等技术被延迟数十年，但1900年后，随着信息流动加速，75%的发明在技术成熟后10年内即出现，等待时间大幅缩短。

🚨 AI News | TestingCatalog@testingcatalog · 5月10日49

We will likely see a deeper integration between Codex and ChatGPT already very soon. > Use the ChatGPT app on your phone to keep working with Codex whenever your computer is awake. Additionally, this image from OpenAI sparked loads of speculations, including the one where OpenAI would be teasing their own mobile phone. Even though it is quite unrealistic, this would be a huge steal of attention from the Google I/O event.

译OpenAI暗示Codex与ChatGPT将很快实现更深度的整合，用户有望在电脑处于唤醒状态时，通过手机上的ChatGPT应用持续使用Codex。同时，OpenAI发布的一张图片引发了广泛猜测，包括其可能正在预告推出自有品牌手机。尽管这一猜测被认为不太现实，但此举若属实，将在谷歌I/O大会期间成功吸引大量关注。引用推文的关键信息“how do i call”也指向了对手机相关功能的探讨。

阿绎 AYi@AYi_AInotes · 5月10日69

AI裁员不仅没有AI取代人，还把公司搞破产了。 这是我今年看过最清醒的一篇裁员自白，作者是科技公司的资深工程师，还有10%的概率在5月20号被裁。 他没骂AI，也没骂老板，只用冷冰冰的商业逻辑，讲透了这一轮裁员的真相。 很多人都在说，AI写代码越来越厉害，所以工程师要失业了。 但真实情况是： 现在所有科技公司的代码生成量、PR提交量，都暴涨了2-5倍。 但是App的长相没变，用户体验没变，公司的收入也没变。 那多出来的5倍代码，到底去哪了？ 答案是：全变成了垃圾。 作者用麦肯锡的框架，一针见血戳破了所有幻觉： • 代码 = 投入，这是AI最擅长、最便宜的部分 • 功能 = 产出，这需要方向正确 • 用户付费 = 成果，这是最难的部分 AI 没按成果抽成，而是按Token收费， 以前写一行代码要100块，现在只要1分钱。 于是CEO脑子一热就能让Claude出一个MVP，PM随便一个想法就能让AI写完整套系统。 两个部门抢同一个项目，各自用AI通宵做出来，然后互相卡脖子。 产生了无数重复的轮子、没人看的内部仪表盘、永远不会上线的功能，这些全都是真金白银的Token账单。 以前开发资源稀缺，天然有摩擦力，坏想法在立项阶段就被枪毙了。 现在代码几乎免费，所有的坏想法都能变成代码。 公司的投入一夜之间放大了5倍， 但是决策能力、对齐能力一点都没涨。 最后所有的混乱，都变成了公司账上的天文数字。 所以这才是裁员的真正逻辑： 不是AI取代了人。是AI的账单太贵了。 一个工程师每天花100美元的Token，相当于印度一个工程师全年的工资，欧洲的半个，美国的四分之一。 公司要平衡工资+Token的总成本，只能裁人。 而且裁掉10-20%之后，决策和执行速度反而变快了。 因为顺便砍掉了组织里最臃肿的那部分对齐税。 所以说AI没有杀死任何一个岗位， 它杀死的是低效的对齐成本，和无节制投入的幻觉。 以前工业时代的瓶颈是生产力， 现在AI时代的瓶颈，变成了协调力和成果转化力。 大公司的官僚主义、重复劳动、糟糕决策，以前慢还能忍， 现在被AI加速之后，直接变成了现金流黑洞。 最后作者说的一句话特别扎心： “如果我是CEO，我也会做出同样的选择。” 这不是道德问题，这是商业生存问题。 所以说AI不会让你失业， 它只会让你无法再用老方法生存。 真正安全的，也从来不是会写代码的人，是那个能把AI产出的5倍垃圾代码，变成用户愿意付钱的成果的人。

译资深工程师指出，当前科技公司裁员主因并非AI直接取代人力，而是AI导致代码生成成本骤降，引发决策混乱和资源浪费。CEO和PM能轻易用AI生成大量代码，但产出多为重复、无用的“垃圾”，公司投入暴增而收入未变。AI按Token收费，累积成本高昂。为平衡总成本，公司选择裁员，反而提升了效率。AI暴露并加速了组织原有的低效协调问题，淘汰的是过时工作模式。真正的价值在于将AI产出转化为用户愿付费的成果。

阿绎 AYi@AYi_AInotes · 5月10日61

为什么现代AI教父Karpathy的第二大脑，根本不用Notion和Obsidian。 因为他从零给自己建了一个会思考的3D知识星系。 有老哥完全复制了这套系统，只输入了378条笔记，系统自动生成了1854个节点和3856条边。 它不是那种死的文件柜，能主动发现隐藏关联、给你回馈洞见的第二神经系统。 我认为这才是对所有传统笔记工具的降维打击🤯 • 你用Notion，在造文件柜 • 你用Roam，在造电子表格 • 你用Obsidian，在造坟墓 • 顶级AI玩家，在造星系 视频里的体验颠覆了所有人对记笔记的认知： 深空背景下，无数发光的球体和连线组成了一个完整的宇宙。 点击任何一个节点，AI立刻挖出所有你自己都忘了的隐藏关联。 拉远能看到整个思维的全景，钻进去能看到两个看似完全无关的想法怎么连在了一起。 它会主动告诉你哪里有缺失的链接，哪里有你没发现的跨领域洞见。 喵个咪，这简直是一场认知方式的革命啊🤯 以前我们记笔记，是输入、整理、搜索。 最后全躺在硬盘里吃灰，你永远不会再看第二遍。 现在的第二大脑，是动态的、会生长的神经网络。 你喂给它你的想法，它帮你复合、连接、生成新的东西。 它比你自己更懂你，记得你所有的思考轨迹，甚至能在你卡住的时候给你灵感。 最戳人的是帖子最后一句话： 知识复合的差距从来不是天赋，是架构。 早6个月启动这套系统的人，永远会领先别人6个月的思维复利。 因为你的第二大脑会24小时不停帮你思考，而别人的笔记只会躺在那里腐烂。 当然普通人不用一开始就从零写代码建3D星系。 先从Obsidian+Claude的自动化方案起步，让AI帮你自动抓内容、找连接、生成每日简报。 但方向已经很明确了：未来的知识管理，不是存东西，是养一个只属于你自己的思维AI。

译Karpathy构建的动态3D知识星系，与传统笔记工具的静态存储形成鲜明对比。该系统能主动思考，仅输入378条笔记便自动生成1854个节点和3856条边，发现隐藏关联并提供洞见。这标志着知识管理从存储转向培育个人思维AI的革命。知识复合的差距关键在于系统架构，早使用者将获得持续的思维复利优势。对于普通人，可从Obsidian结合AI的自动化方案开始实践这一方向。

宝玉@dotey · 5月10日64

http://x.com/i/article/2053376950094249984 # 裁员潮将持续，直到我们学会发掘 AI 的商业价值【译】 作者：Arnav Gupta 在我们公司的高层办公室里，某处正躺着一份多达 8000 人的裁员名单。我有 10% 的概率在这份名单上。再过几天，也就是 5 月 20 日，我就能知道自己的命运了。 看到今天 Coinbase 宣布的“AI 裁员”消息，我决定写下这篇文章。我特意赶在 5 月 20 日之前动笔，因为我想分享一些最真实的看法，不带任何“我是走是留”的个人情绪。这些想法不仅与我是否被裁无关，也不仅仅局限于我所在的公司。它们来自我那些在各大中型企业工作的朋友们的真实心声。 现在有大量的文章在争论：这新一波的裁员潮（大家普遍认为是从杰克·多西裁掉 Square 40% 员工开始的）到底是因为 AI 导致的，还是仅仅在搞“AI 洗白 (AI-washing)”（指企业借着拥抱 AI 的名义，来掩盖其他商业失败或裁员的真实目的）。我不想在文章里塞满各种新闻和论文的链接来折磨你，这些内容你可能早就看过了，或者只需在谷歌搜一下、问问 ChatGPT 就能找到。 ## 备受吹捧的“AI 生产力”与难以捉摸的证据 AI 真的让我们更高效了吗？这真是一个充满争议的重磅问题！如果我们反向思考一下，断言“AI 什么都没改变”，我想哪怕是那些最怀疑 AI 价值的人，也不会同意这种说法。尤其是在科技公司里，AI 使用量的火箭式飙升是摆在眼前的事实。即便是那些最保守、给 AI 预算设限、不给员工配备 AI 工具的公司，也同样不可否认有一部分工作实质上是 AI 完成的——哪怕员工只是苦哈哈地在谷歌或微软办公套件里，偷偷用 Gemini 或 Copilot 来编辑文档。 至于那些更有远见、一头扎进 AI token（Token）（AI 模型处理文本的基本单位，企业使用大语言模型时通常按消耗的 token 数量计费）海洋的公司，比如优步（Uber）或 Shopify（我这里不包括像 Meta 或微软这种自己开发大语言模型的公司，也不包括 Vercel 或 Cloudflare 这种积极搭建 AI 基础设施的公司；只说纯粹的“使用者”），他们的 AI 用量简直陷入了疯狂。我们已经见怪不怪了：从 90% 到 100% 的代码由 AI 生成，到每周提交的代码审查（PRs/diffs）数量暴增 2 到 5 倍，再到上亿美元的全年 AI 预算在短短几个月内被消耗殆尽。 然而，像 Ed Zitron、Will Manidis、Gary Marcus 和 Michael Bury 这些科技评论家和投资人们，肯定会反问你一个直击灵魂的问题：既然如此，为什么这些公司的收入没有随之实现 2 到 5 倍的增长呢？为什么他们的 App 看起来和半年前几乎一模一样？如果 AI 真的那么高产，他们到底用 AI 生产出了什么？如果他们多写了 5 倍的代码，而终端用户却毫无察觉，那这些代码到底有什么意义？这是一个极其尖锐且合理的问题。 ## 投入（Input）、产出（Output）与成果（Outcome） 我们得先插播一点企业管理基础课。当一家快速成长、融资过剩、四处撒钱的中型公司终于面临资金干涸时，你去向某位资深的 CEO 请教。他会建议你请麦肯锡的人来看看情况。咨询顾问会在演示文稿的第一页放上一张纯白的幻灯片，上面用默认的 Arial 字体写着三个词：“投入、产出、成果”。 他们会向你解释一个大家都懂、却总爱遗忘的商业本质： 代码，仅仅是投入。 功能，才是产出。 用户心甘情愿为你的产品掏钱，这才是成果。 AI（或者至少像 Claude 企业版这样的产品）本质上是一个面向企业的软件服务（B2B SaaS）产品。你会发现，SaaS 产品的定价和营销方式各有不同。如果一个产品能直接改变“成果”，他们通常会直接从“成果”中抽成。想象一下这样的销售话术：“我们的工具能让您促成销售线索的速度提升 36%。马上体验吧，只需支付销售额 5% 的低廉服务费即可。” 这绝对能秒杀客户。在其他条件不变的情况下，如果你过去 100 天能谈成 100 笔单子，现在只需要 63 天。省下来的 36 天（如果我算得没错的话）能让你再多谈成 57 笔单子！也就是说，你的销售额潜在增长了 57%。任何人都非常乐意从销售提成里拿出 5%，来换取 57% 的额外收入。而且如果你不用这个产品，你一分钱都不用付。 你可能已经猜到我要说什么了——Claude 消耗 Token 的定价模式可完全不是这样。如果你的软件工程师像吸毒一样对用 Claude 编程上瘾（我才发现它俩的英文缩写居然都是 'cc'），每天生成 1 亿个 Token，那你每天就要为每个工程师掏 100 美元。 即使他们生成的代码有一部分因为跑不通而被扔进垃圾桶； 即使有些代码后来引发了严重的系统故障（SEV）（SEV 指 Severity，科技公司常用来代指导致服务中断的严重线上事故）而被紧急回滚； 甚至即使还有一部分代码，只是为了给内部工具换个皮，好让副总裁们看数据仪表盘时觉得更可爱； 统统都要照单全付。因为代码只是“投入”。虽然通常来说，只要方向正确，更多的“投入”往往会带来更多的“产出”，进而带来更好的“成果”。但是，当你在一夜之间把投入放大了 5 倍时，这条规律可就不一定适用了。你增加的这些“投入”，可能突然就变成了无头苍蝇，完全偏离了预期的“产出”或“成果”。 ## 到底是什么在阻碍我们！ 过去，每次 CEO 或产品经理（PM）想做 10 件事的时候，开发团队总会说他们只能搞定最重要的两件，剩下的 8 件没时间做。理由是什么？因为写代码可不是过家家，开发一套复杂且能跑通的软件是需要耗费大量时间的。 嗯……但是现在代码几乎是免费的了。为什么我们还是没做那剩下的 8 件事呢？ 答案有两个：一个是 CEO 和产品经理不爱听的；另一个是中层管理和资深员工不爱听的。 1. 其实那 8 个想法……根本就不靠谱？ 仅仅因为 CEO 或产品经理脑海里闪过了 10 个念头，并不代表它们真的能转化为实际的业务成果。就算你真的做出了 10 个新功能（产出），也不能保证用户全买账并因此更多地使用你的 App（成果）。事实上，正因为以前开发资源有限，这种“摩擦力”逼迫大家不得不进行更激烈的争论，从而在那些糟糕的想法消耗过多资源之前早早毙掉它们，选出最棒的那两个。而现在，写代码变得又快又便宜，再去争论想法的好坏似乎显得毫无意义。就算你试图反驳他们，你觉得能阻止 CEO 或 PM 转身自己去向 Claude 提需求吗？算了吧，连试都不用试。 1. 让所有人“对齐”太痛苦了。 我们都知道这有多折磨人。首先要让所有利益相关者对“为什么”要做这件事达成共识；接着，还得另外开会讨论具体“做些什么”；最后，大家还得再为“怎么做”拉扯一番。团队数量越多，卡在“对齐地狱”里的项目就越多。以前由于写代码慢，这个问题被掩盖了。现在倒好，“做些什么”一旦拍板，立刻就有人通宵搞出个最小可行性产品（MVP）（用最低成本开发出刚好能展示核心理念的产品，用于快速试错），并在第二天立马安排下一场会议。在会上，你惊讶地发现另一个团队居然也偷偷搞了个 MVP！更要命的是，因为你们基于不同的假设，两个产品运作的逻辑南辕北辙。 当然，你们可以坐下来慢慢磨，讨论谁的假设才是正确的。 但说实话吧。手握无限 Claude Token 的你和你的团队，才懒得这么干呢。另一个团队也不会。你会毫不犹豫地转身投入 Claude 的怀抱，让它按照你认为最完美的方式，把对面团队的工作重新实现一遍。而 Claude 只会乖巧地回一句：“您说得太对了！”，然后立刻开始敲代码。 ## 裁员到底能解决什么问题？ 好吧，感谢你耐心听我念叨了半天这些显而易见的大道理。我知道你们想看最核心的干货。裁员到底能达到什么目的？按照我的假设，如果 AI 并没有真正做到一对一地替换掉 30% 的员工（这点大家应该能达成共识吧？虽然在很多任务上，它比初级白领强，但在另一些任务上又不如人类——它绝对不是可以直接拔插替换的零件，更不可能直接取代一家公司 10%、20% 甚至 30% 的人）。 既然如此，裁员的逻辑在哪？因为它能立竿见影地解决两个摆在台面上的短期问题。 1. 抵消“AI 支出” 这其实就是最基础的现金流算术题。显而易见，如果你那些对 Claude 上瘾的工程师们每天都在 Claude 上挥霍 100 美元（也就是每月 2500 美元，每年 3 万美元），这笔钱在印度已经抵得上一个软件开发工程师（SDE）的全部薪水了；在欧洲能抵半个 SDE；在美国也能抵四分之一个。 如果做一个最简单粗暴的计算：假设在一家扁平化的公司里，所有员工都是 SDE。为了维持现有的工资支出总额（包括购买 Token 的花销），你必须裁掉 50%（印度）、33%（欧洲）或 20%（美国）的员工。 事实上，既然 AI 的使用量正在无视一切地疯狂增长，而公司的收入却没有出现相应的增长，裁员就成了必然选择。否则，公司的资产负债表就会彻底崩溃。如果你的投入成本增加了 50%，但最终的商业成果却毫无起色甚至一成不变，那你整个软件开发生命周期的单位经济效益就完全崩盘了。 假如我们真正学会了如何使用 AI——弄清楚了如何让增加 50% 的投入成本转化为增加 50% 的收入成果，我们就不用走这一步了。但是，正因为你还没学会，所以你们当中的一些人就必须卷铺盖走人，好腾出钱来给 Anthropic 开工资。 1. 削减“对齐税” 毫无疑问，任何一家大公司的体量，都远远超出了其单纯为了“生存”所需的规模。这正是大公司的特点，大型组织注定会堆积“组织脂肪”，这是组织架构设计的必然结果。在这些公司里，即使有人离职，系统照样能运转，因为总有别人知道他以前是干嘛的。在很多大厂，你甚至可以安心休半年产假，你负责的项目依旧安然无恙。这些都是好现象！但这同时也是一个铁证：如果裁掉一部分人，公司绝不会立刻瘫痪。恰恰相反，在经历了最初几周的系统性阵痛后，在接下来的几个月里，运转速度甚至会变快！ 还记得前面提到的那两个为了技术方案僵持不下的团队吗？很简单，只要你裁掉其中一个团队，然后让留下的那个团队熬几个通宵把活干完——他们就再也不用和任何人“对齐”了。我们无法预知长期会发生什么（或者套用经济学家凯恩斯的话——“从长期来看，我们都死了”），但在短期内，裁掉大企业中 10-20% 的员工，只会让工作节奏变得更快。 大企业随着时间推移，不可避免地会积累冗余、人浮于事，就像积累技术债务一样积累起大量的“组织债务”。这就是大企业的通病。今天裁掉 10% 的人，也无法阻止两年后老毛病复发。但是，当你看到所有人都在吹嘘自己比以前多提交了 5 倍的代码，却因为被其他团队卡脖子而迟迟无法上线时，最直接、最粗暴的解药显然就是：裁掉一些人，这样就没人互相卡脖子了。 ## 这就是 AI 裁员，哪怕 AI 并没有直接取代你的位子 你的工号被虚拟机上运行的一个新 Claude 实例取代了吗？我们都知道事情并非如此。 尽管如此，公司里是不是有许多曾经需要你在 VS Code、Figma、Canva 或 Google Docs 里敲敲键盘、点点鼠标才能完成的工作流程，如今却变成了别人（那些本来需要你提供这些工作成果的人）直接冲着大语言模型吼一嗓子写个提示词，再也懒得来找你帮忙了？这也是不争的事实。 这些裁员到底算不算“AI 洗白”？也就是说——公司是不是本来就存在各种与 AI 无关的根本性问题（比如过度招聘、利润下滑、竞争压力、糟糕的商业决策），现在只是拿 AI 当个裁员的“借口”？嗯，某种程度上这也说得通。 你可能还会发现，如果把这段时间所有 CEO 发的“裁员邮件”收集起来，你甚至会觉得他们是不是拉了个聊天群，聚在一起通气写的这些邮件。“AI 原生小组”、“写代码的管理者”、“增加管理跨度”、“扁平化架构”、“管理 AI 智能体团队”……你会发现这些新鲜词汇如出一辙地出现在每一封邮件里。简直就像是他们给 GPT 喂了同一段提示词一样。 但真相是，即使这些裁员不是因为 AI 直接取代了你，即使它们夹杂着“AI 洗白”的成分，这些裁员归根结底依然是因为 AI 引起的。而且，这场裁员潮将一直持续，直到我们真正学会如何使用 AI。直到我们学会如何将海量的 AI Token 转化为实打实的商业成果，而不仅仅是代码投入；直到我们学会让组织间的“对齐”速度，跟上全新世代的编码速度；直到我们弄明白，在原本那 2 个好点子和 8 个馊主意之外，如何利用这多出来的生产力去追逐另外 10 个充满潜力的新想法。 在我们真正搞清楚 AI 究竟如何推动全球 GDP 增长之前，为了填补那高达 700 亿美元（OpenAI 与 Anthropic 的企业级营收总和）的年度 Token 开销，企业只能通过削减员工薪水来“拆东墙补西墙”。而在我们学会如何更高效地疏通团队间互相卡脖子的现象之前，解决问题的办法永远只有一个——直接把我们从组织架构图上抹掉。 还有 15 天，我就能知晓自己的命运了。但不管结果如何，我想我已经知道了原因。哪怕当时坐在角落那间宽敞的 CEO 办公室里做决定的人是我，我也不知道自己能不能做得更好，说不定我也只会和其他拉群的 CEO 们一样，做出如出一辙的选择。

译企业AI使用量激增，代码生成量暴涨，但收入未同步增长。核心问题在于企业混淆了“投入”与“成果”：AI生成的大量代码只是成本投入，而非能带来收入的商业成果。AI按Token消耗定价，增加了企业成本，却未直接提升价值。过去开发资源有限迫使团队聚焦高价值想法，如今“代码免费”导致糟糕想法和团队协作问题激增，浪费资源。为抵消激增的AI支出并维持现金流，裁员成为直接的财务手段。只有当企业学会将AI增加的成本转化为相应收入增长时，裁员潮才可能停止。

阿绎 AYi@AYi_AInotes · 5月10日26

Apple什么时候才能知道用户真正想要的是什么呀？ Vision Pro卖3499美元，重一斤多，只能在家戴两个小时。 我们真正想要的，从来不是什么全沉浸元宇宙， 我们想要这样一副看起来和普通眼镜没区别，能偷偷拍照、实时翻译、走路导航、接电话听音乐的轻量眼镜。 不用插电，不用连电脑，和iPhone无缝配对，戴上就能用。 这个视频把所有分析师说了半年的谣言，全部变成了看得见的画面： 代号N50，2026年底预览，2027年初发售。 非独立设备，完全依赖iPhone算力。 没有花里胡哨的功能，只有最实用的那几个。 这不就是我们心心念想要的那个产品吗？ 我们朝思暮想都想要的Apple Glasses！！ 希望苹果@Apple 别让我们等太久！ #AppleGlasses #苹果 #AR #VisionPro #科技概念

译用户批评Vision Pro价格昂贵、笨重且使用时间短，真正期待的是外观如普通眼镜的轻量AR设备，能实现拍照、实时翻译、导航等实用功能。据视频透露，代号N50的Apple Glasses预计2026年底预览、2027年初发售，依赖iPhone算力，专注核心应用，回应了市场对便捷可穿戴设备的需求。

Orange AI@oran_ge · 5月10日56

为什么 A 社可以凭 500w 日活估值可以和 OpenAI 平起平坐？ 今天相比 DAU，更核心的指标是 DAR: daily active revenue 它强调的是单个用户单日贡献的价值。 如果一个产品，一个 dau 贡献是1美金 另一个产品，一个 dau 贡献是 0.01 美金 它们的 DAR 就相差 100倍 那前面一个产品在 dau 1w 的时候价值就和后面产品 dau 100w 的时候相等了 A社和 openai DAR 现在是高 100倍 A 社和豆包 DAR 可能是高1000 倍-10000倍 没有任何公司的资源是无限的。 哪怕字节也不行。 如果当时豆包放弃 DAU 指标，把显卡给 Seedance 2.0，那会是个更好的事。

译推文指出，当前估值核心指标已从DAU转向DAR（每日活跃收入），它衡量单个用户单日贡献的价值。A社凭借高DAR，即使日活仅500万，估值也能与OpenAI相当，因为其DAR比OpenAI高100倍，比豆包可能高1000-10000倍。作者强调资源有限，建议豆包放弃单纯追求DAU，将资源如显卡投入Seedance 2.0以提升DAR，从而实现更优发展。

阿绎 AYi@AYi_AInotes · 5月10日66

Damn，看完DeepMind这段纪录片，我鸡皮疙瘩都起来了🤯 没有激动人心的演讲，也没有盛大的发布会， 就是一个普通的会议室，几个工程师围着桌子，告诉Demis： 我们现在可以在一个月内，预测出所有已知的10到20亿个蛋白质序列。 Demis没有问 "风险是什么？" "ROI是多少？" "我们要不要先开个评审会？" "要不要先融一轮钱再做？" 他只说了两个字。 "Do it." 然后镜头一转， 就是我们所有人都记得的那个时刻： AlphaFold向全世界开源了， 免费， 永久， holy shit！ 我至今还记得2021年的那一天， 整个生物学界都沸腾了， 一个困扰了人类50年的难题，就这么被解决了， 而且没有任何门槛，任何人都可以用。 有意思的是，现在五年过去了， 有人问，AlphaFold赚了多少钱？ 答案是，一分钱都没赚。 但它催生了Isomorphic Labs，这家公司现在正在谈20亿美元的融资。 我觉得这才是最牛逼的商业模式， 先给全人类做一个免费的基础设施， 建立信任，建立生态，建立标准， 然后再商业化， 而不是反过来。 现在的AI圈是什么样子？ 一个PPT，融几千万美元， 参数吹到天上去，实际什么用都没有。 每天都在喊"颠覆世界"，但连一个真正能解决的问题都找不到。 直到DeepMind告诉我们， 真正改变世界的方式，其实特别简单。 发现一个真正难的问题，解决它， 然后免费给所有人用。 很多人说Demis是这个时代最伟大的科学家， 我觉得他更是这个时代最伟大的领导者， 他知道什么时候该停下来思考，更知道什么时候该毫不犹豫地说"do it"。 其实这个世界从来不缺聪明的人， 也不缺有钱的人， 缺的是那种，看到机会就敢all in，看到能造福人类的事就立刻去做的人。 五年前的那个"do it"，改变了整个生物学， 今天的这个20亿美元，只是它结出的第一个果实，而未来，还会有更多！ #DeepMind #AlphaFold #AI

译DeepMind纪录片记录关键一幕：团队告知Demis Hassabis可在一个月内预测所有已知蛋白质序列时，他未纠结风险与回报，直接回应“Do it”。随后AlphaFold向世界免费开源，解决了生物学界50年难题。此举虽未直接盈利，却催生了估值数十亿美元的Isomorphic Labs，建立了信任与生态。推文借此批判当前AI圈空谈融资与参数却无实质成果的现象，强调真正改变世界在于解决难题并免费开放。Demis被赞为兼具远见与决断力的领导者。

阿绎 AYi@AYi_AInotes · 5月10日59

说实话，看到Demis这条推文的时候，我突然有点鼻酸。 10年了，整整10年了啊！ 我还记得2016年3月15日那个下午，整个互联网都停住了。 所有人都在看一个AI，和一个人类下围棋。 当时大部分人都觉得李世石会赢， 因为围棋被认为是人类智慧最后的堡垒， 连最乐观的AI研究者都说，攻克围棋至少还要20年。 然后AlphaGo赢了， 用那手震惊了全世界的第37手， 一个没有任何人类棋手会下的，"神之一手"。 但最震撼我的还不是AlphaGo赢了， 是李世石赛后说的那句话，他说 "我以为AI是没有创造力的，但它的第37手，让我意识到我错了。" 这是人类历史上第一次， 一个最顶尖的人类，在自己最擅长的领域，心甘情愿地承认： AI能看到我看不到的东西。 我觉得这才是AlphaGo真正的遗产， 不仅仅是一场比赛的胜利，它真正意义上打碎了人类几千年来的傲慢， 告诉我们，这个世界上还有很多真理，是人类的大脑永远无法凭自己发现的。 帖子里那两张跨越10年的广告牌，看一次我愣一次。 第一张是2016年：李世石9段 vs AlphaGo。史诗对决，举国直播。 2026年：用Gemini创作吧。AI已经变成了每个人口袋里的工具。 10年，AI已经从"登月"梦想到"日常"工具。 更有意思的是Demis说的那句话， "超级有意思，听他们讲AlphaGo如何改变了棋手们下棋的方式。" 我感觉AI没有杀死围棋， 反而让围棋变得更好了， 你看现在的顶尖棋手，下着10年前人们根本想象不到的棋招， 这是因为他们站在AI的肩膀上，看到了更远的地方。 这才是AI最理想的形态， 不是简单的取代，更是共生，是让人类成为更好的人类。 我有时候会想， 10年前我们看AlphaGo，觉得那是科幻。 10年后我们看今天的Gemini和Claude，觉得这已经完全是日常了哈哈， 那再过10年呢？ 当我们回头看2026年的时候， 会不会也像今天看2016年一样，觉得原来那只是一切的开始。 Demis在2016年发的那条推文只有一句话。 "AlphaGo赢了！我们登上了月球。" 10年后的今天，他和当年的对手坐在一起，笑着喝茶。 而我们所有人，都已经生活在那个被AlphaGo改变了的世界里。 其实历史就是这样， 很多年以后你才会发现。 那些当时你以为只是普通一天的日子， 其实已经悄悄改变了整个人类的命运。

译2016年AlphaGo以第37手“神之一手”战胜李世石，其真正遗产在于让顶尖人类棋手承认AI拥有超越人类的创造力，打破了人类对自身智慧的千年傲慢。十年间，AI已从“登月”级突破演变为如Gemini般的日常工具。Demis与李世石重聚时指出，AlphaGo改变了棋手的思维方式，AI并未取代围棋，而是让棋手站在其肩膀上创新，使围棋技艺进入新境界。这揭示了AI与人类最理想的共生形态——提升而非取代。展望未来，今日的AI变革或许仅是漫长征程的起点。

Deedy@deedydas · 5月10日62

This graph of the top 69 software products by growth vs adoption is the best snapshot of the current winners and losers in tech. — Scaling leaders (Anthropic) — Incumbents at Risk (OpenAI) — Rising Challengers (Granola) — Long tail (11x) Spend data from Ramp, up to Mar 2026.

译这张展示前69款软件产品增长与采用率的图表，是当前科技界赢家与输家的最佳快照。 — 规模化领导者（Anthropic） — 风险在位者（OpenAI） — 崛起挑战者（Granola） — 长尾群体（11x） 数据来源Ramp支出数据，统计至2026年3月。

ginobefun@hongming731 · 5月10日63

http://x.com/i/article/2053253887273091072 # EP53 · AI Native 时代：组织变革、Claude Code HTML 奇效与语音 AI 突破 · 05.10 早报 在线阅读和收听早报：https://www.bestblogs.dev/explore/brief/2026-05-10 > EP53 · 2026-05-10 | BestBlogs 每日精选，聚焦 AI Native 研发组织变革、Claude Code 在 HTML 中的意外突破、以及语音 AI 迈向「Her」时刻的技术路径。 ## 导语 AI 正在改变组织本身的形态和运作节奏，从研发协作到语音交互再到代码生成，每个环节都在重新定义效率的上限。 阿里技术的一份内部访谈揭示了一个有点出乎意料的数字：深度使用 AI 的工程师，写代码的时间占比从 30% 降到了 5%，而和 Agent 对话的时间从 5% 升到了 60%。更值得停下来想的不是数字，是节奏——一个工程师上午 10 点上线一个新功能、中午做 A/B 测试、下午 3 点根据数据下线、5 点上线更好的版本，同一天内完成了过去 6 周才能完成的迭代。这意味着什么？传统组织的假设，从沟通机制到管理跨度，都建立在「人是唯一协作主体」的前提上。这个前提，正在被 AI 逐步瓦解。 今天精讲三篇来自一线的深度思考：阿里如何重塑研发组织应对 AI 时代，Claude Code 核心成员分享 HTML 格式在 AI 生成场景的意外优势，以及语音 AI 要突破「Her」时刻面临的三道技术障碍。速览 7 篇涵盖 SDD 方法论、Token 经济学、YC CEO 的开发者哲学、上下文工程、Anthropic 增长等话题，扩展阅读则带来大模型 token 遗忘机制、AI 医疗智能体和 AI 对工程师价值分布影响这三个角度的补充视野。 ## 精讲一：AI Native 时代 —— 研发组织何去何从 来源：阿里技术 这是一篇来自阿里技术内部访谈与行业研究的深度复盘，核心论断直接而有力：AI 不是新工具，是新协作主体。 两千年的协调问题，被一个前提打破 从罗马军团到普鲁士总参谋部，从美国铁路到 Spotify 的 Squad 模型，两千年的组织演化围绕同一个约束：人的管理跨度。一个人能直接管理的下属在 3 到 8 之间——这不是文化决定的，是人类这个生物的硬限制。所有的组织形态，本质上都是在这个限制上做妥协。 康威定律（组织结构决定系统结构）、《人月神话》（加人无法加速延期项目）、manager 评价制，这些我们习以为常的管理原则，都不是抽象工程哲学，而是人作为协作主体的「协作物理学」的具体实现。 而 AI 的特点，正好是人的镜像反面： - 人有沟通衰减，AI 没有 - 人需要激励，AI 不需要 - 人有 context switching 成本，AI 极小 - 人的记忆和注意力有限，AI 几乎无限 这意味着，过去围绕「人形约束」设计的整个组织体系，其前提正在失效。 从 Org Chart 到 Execution Graph 文章引用了 Ken Huang 的一句话，值得反复咀嚼：「Once AI becomes agentic, the organization stops being accurately described by an org chart. It becomes an execution graph.」 当 AI 真的能行动、能调用工具、能修改系统，你的公司就不再是一张汇报关系的 org chart，而变成了一张把人、agents、数据、权限、工具、审批关系作为同等节点的「执行图」。 旧问题是 ownership——「谁拥有这件事？」新问题是 routing 加 governance——「意图从哪里进入系统？怎么被翻译成行动？什么约束让这个行动是安全的？」 这个范式转换最实际的红利是：组织重组的成本可以从季度级压到 week 级。旧组织的最小单元是「人 + 长期关系网」，粘性极高，每次重组都在重建信任、重新切割身份归属；而 Execution Graph 把最小单元换成了「任务 + 上下文 + 权限 + 工具」，大部分依赖是机器可读的 artifact，不是人脑里的隐性关系。 新瓶颈：信息形态的人形偏置 文章最深刻的洞察之一在「人既是瓶颈，也是兜底」这一节。 协作的本质是消除理解不一致性的成本，这个成本过去一直是人在扛——开个会问一下、走过去问老王、凭经验猜一下、跑去预发环境试一试。这些动作发生得太自然，自然到我们不再把它看作「工作」。 但它们是工作。 整个研发系统长期容忍着大量不规范、不结构化、不完整的信息，只要人足够聪明、熟悉，这些缺陷就不会上升为瓶颈。 AI 接管执行之后，这一面翻过来了。AI 没有「猜」和「问老王」的能力，它需要结构化、可查询、确定性的信息。公司内部调研显示，在大量使用 AI 工具的员工中，提及频次最高的痛点不是「模型能力不够」，而是「系统打通与数据整合」——员工在做「人肉中间件」，从各系统手动导出数据、粘贴进 AI、再把 AI 输出搬回业务系统。 新瓶颈的真相：不是 AI 能力不够，是系统的信息形态不够——过去被人吸收的所有「信息隐性化」成本，第一次以瓶颈的形式暴露出来。 双层架构：Harness + Hive Mind 文章描述了真正在做 AI Native 的团队（包括 Anthropic、CREAO 和阿里内部先锋小组）的共同形态：工作分两层，两层的运作逻辑甚至是相反的。 底层是极度结构化的 Harness 层：代码、测试、流水线、文档、世界模型，所有信息都被做成 AI 友好的形态，这一层越结构化越好，AI 主导。 上层是极度松散的 Hive Mind 层：对话、试错、idea 涌现、Yes-and，这一层越松散越好，人主导。 Anthropic 几乎肯定有比任何公司都精密的 Harness，但它在 Harness 之上选择运行混乱的文化——这两件事不是替代，是叠加。结构化是为了释放无结构的协作，不是用结构控制一切。这个洞察对于很多习惯于「要么全盘控制，要么完全放权」思维模式的管理者来说，是真正值得停下来思考的。 为什么值得读，以及怎么读 这篇文章对工程师和管理者理解 AI 时代的组织演进具有极高参考价值。它不是在讲「AI 会替代谁」，而是在讲组织结构本身的物理定律因为 AI 的出现正在改变。建议完整阅读，尤其是「Harness 层 + Hive Mind 层」的双层架构部分，以及关于「三柱架构」的论述——这对于思考如何重设计研发体系非常有帮助。 与今天速览中的 SDD 方法论（阿里云开发者的 5 人 7 天案例）形成很好的呼应：SDD 正是在 Harness 层引入结构化 Spec 的具体实践。阅读路径建议：先读本文建立概念框架，再读 SDD 案例看具体落地。 ## 精讲二：使用 Claude Code：HTML 难以置信的奇效 来源：宝玉的分享 这是 Claude Code 核心成员 Thariq 的实践分享，讲了一个出乎很多人意料的发现：在 AI 生成为主的场景，HTML 比 Markdown 更适合作为输出格式。 为什么 Markdown 开始变成束缚 Markdown 简单、便携、易于人工编辑——这是它的核心优势。但 Thariq 发现，随着 AI 越来越强，他越来越少去亲自编辑这些文件了。他更多把它们当作需求文档、参考资料或头脑风暴的输出，需要修改时直接写提示词让 Claude 去改。 这就让 Markdown 最核心的优势「易于人工编辑」荡然无存。与此同时，面对动辄上百行的 Markdown 文件，他根本没有耐心读下去。 HTML 的四个实际优势 信息密度：HTML 能传达丰富得多的信息——用表格展示数据列、用 CSS 展现设计细节、用 SVG 绘制插图、用 JavaScript 实现动态交互。如果无法用 HTML，模型往往会在 Markdown 里做极其低效的「骚操作」，比如硬用 ASCII 字符画图表，或者用 Unicode 字符生硬地模拟颜色色块。 视觉清晰度：HTML 文档通过选项卡、插图、链接等视觉元素把结构整理得一目了然，甚至能做到移动端自适应。超过 100 行的 Markdown 文件，Thariq 基本不会去读；但 HTML 就好读多了。 易于分享：Markdown 通常只能当附件发送；HTML 上传到云端后可直接分享链接，同事随时用任何设备打开。如果需求文档是用 HTML 写的，别人真正去耐心阅读它的概率会大幅提升。 双向交互：HTML 允许与文档进行真实互动。比如让 Claude 在页面上加几个滑块调整设计效果，或者提供选项微调算法参数，甚至加一个按钮把微调后的完美参数「一键复制」为提示词，直接粘贴回 Claude Code 里。 HN 社区的批判性反馈 这篇文章获得了 HN 社区的广泛讨论，也指出了 HTML 方式的局限： - token 消耗高 2-4 倍：HTML 标签本身的 overhead 不小 - JavaScript 引入 XSS 风险：在企业环境需要格外注意 - git diff 杂乱：版本控制的可读性下降 社区的共识是混合策略：展示型输出（报告、设计稿、分析文档）用 HTML，指令文件和协作文档仍首选 Markdown。 如何开始尝试 Thariq 特别提醒：不需要复杂的配置，只需告诉 Claude「给我做一个 HTML 文件」或「生成一个 HTML Artifact」就可以开始。真正的诀窍在于清楚自己希望这个文件能做什么。他建议先去示例页面看看实际效果，形成直观感受，再考虑是否适合自己的工作场景。 与今天主题的关联 这篇文章和「精讲一」关于 Harness 层的论述有一个有趣的交汇点：结构化的信息形态是让 AI 发挥更大价值的前提。HTML 在 AI 生成场景提供的正是更丰富的信息结构——它把文档的交互性和可读性提升到了一个新层次，让人和 AI 都能更高效地使用同一份文档。建议工程师和产品经理批判性地参考这篇文章，尤其是那些经常需要把 AI 输出分享给团队的人，HTML 格式可能会显著改善沟通效率。 ## 精讲三：Voice AI 何时迎来「Her」时刻？ 来源：AI Engineer 这是 Gradium AI 联合创始人 Neil Zeghidour 的演讲，难得之处在于：技术诚实地量化了语音 AI 距离「Her」时刻还差多远。 三道尚未完全跨越的技术障碍 第一道：延迟。人类对话要求约 200 毫秒的往返响应时间。在传统级联系统（STT → LLM → TTS 串行）中，仅 TTS 生成一步就常常超过 200 毫秒，还不算 LLM 推理和转录的时间。当 LLM 触发背景工具调用时，延迟可能飙升至 500 毫秒到 4 秒，彻底破坏自然对话节奏。 目前的临时解法是「语言填充词」：当 AI 等待工具调用返回时，LLM 继续用自然的过渡语句与用户聊天（如「东京是个很棒的选择！让我帮您查一下选项……」），等后台数据返回后再无缝衔接。这是有效的，但本质上是在掩盖延迟，不是解决它。 第二道：半双工到全双工的跃迁。现有大多数语音 AI 是半双工的——要么在听，要么在说，不能同时进行。这导致体验很生硬：用户插话或者有背景噪音，系统就可能提前停止响应。 全双工系统能够同时听和说，能预测并提前开口，能处理用户打断而不忽略它，能把语音重叠当作自然对话特征而非错误。但实现全双工的同时保持 LLM 级别的智能和工具调用能力，是另一个难题。 第三道：成本与规模化。即便延迟和对话流都解决了，在生产环境大规模部署语音 AI 面临巨大的财务和隐私挑战。 Gradium 的本地化路径：Phoneon Gradium 的商业化方向之一是端侧 Phoneon 模型——参数量低于 10 亿，普通手机 CPU 即可运行，开辟了零 API 成本的本地化路径。这意味着语音 AI 不必总是依赖云端推理，在隐私敏感场景（医疗、金融）和网络受限环境下有重要意义。 Gradium 的背景与技术脉络 Gradium AI 的前身是一个由 Eric Schmidt 等慈善家资助的开源非营利实验室，他们开发了 Moshi——第一个开源的语音对语音对话模型。商业化后，Gradium 专注于构建底层语音 AI 基础设施（STT、TTS、端到端对话模型），刻意不做垂直产品和编排层，为其他开发者提供底层能力。 这个定位让他们对技术现状的判断更加中立和量化：他们的收入来自基础设施，所以没有动力夸大技术的成熟度。Zeghidour 在演讲中明确说，有些人宣称「Her 时刻已经到来」，但从技术指标来看，我们离那个时刻还有三道坎没有完全跨越。 为什么这份技术路线图值得读 语音 AI 领域充斥着「时刻已到」的声音，但 Zeghidour 提供的是量化的差距分析：具体是哪些技术指标尚未达标，每道障碍的当前状态是什么，以及 Gradium 选择从哪个角度切入。对于在语音 AI 场景做产品或技术选型的读者，这篇是值得仔细阅读的诚实参考。今天「精讲一」提到的「AI 作为新协作主体」在语音场景的最终形态，正是需要跨越这三道技术障碍之后才能真正实现的。 ## 速览 5 人 7 天干完 20 人数周的活：Spec-Driven Development 如何重新定义 AI 编程 来源：阿里云开发者 | 评分：91 阿里云开发者团队用一个震撼案例系统阐述了 SDD（Spec-Driven Development）方法论：5 人、7 天，用 Qoder 完成了传统需要 20 人数周的工作量。核心理念一句话概括：将规格说明作为唯一真实来源，代码作为其派生产物——先定义 WHAT，再让 AI 做 HOW。DAY 0 不写一行代码，只写 Spec，这一天的决定影响了后面 6 天的一切。文章还对比了 GitHub Spec Kit、AWS Kiro、阿里 QoderWork 等工具生态，并详细分析了常见陷阱。与「精讲一」关于 Harness 层结构化的讨论形成直接呼应，是理解 AI 编程范式转变的必读实战案例。 DeepSeek 降价背后：Token 生意在重新洗牌 来源：腾讯科技 | 评分：91 GPT-5.5 大幅涨价，DeepSeek 大幅降价，为什么同一产业里会出现截然相反的价格信号，而且两端都站满了买家？本文从产业经济学视角系统分析 Token 市场的定价逻辑：OpenAI 以竞争对手价格为锚做市场渗透 + 分层定价，Anthropic 以自身价值为锚强调品质溢价，Google 以生态效益为锚打包 GCP 整体价值。「Token 经济学」系列第八期，适合关注 AI 商业格局演化的读者。 精简接口，丰富技能：Gary Tan 谈 400 倍 AI 开发者 来源：Y Combinator | 评分：92 YC CEO Gary Tan 重返编程后，用 Claude Code 在 5 天内、花 200 美元重建了他的第一个创业公司 Posterous。他提出「Thin Harness, Fat Skills」心智模型：精简的 AI 接口（如 Claude Code）搭配丰富的人工指令和上下文，Markdown 是新的代码，用来编码人类意图并让 AI 编译成软件。他还提出「Token Maxing」概念——在强大模型上投入高质量提示词，实现 400 倍生产力提升。观点鲜明，适合思考 AI 时代开发者角色转变的读者。 智能体搜索与上下文工程 来源：AI Engineer | 评分：92 Elastic 的 Leonie Monigatti 在 AI Engineer 会议上系统梳理了智能体搜索和上下文工程的关系：传统 RAG 用固定管线，每次查询都触发搜索，容易引入无关上下文；智能体 RAG 把搜索决策权交给模型，让 agent 自己决定是否搜索、何时搜索。她指出上下文工程本质上有 80% 是智能体搜索，并强调详细的工具描述是构建可靠 AI agent 的关键——工具描述不清楚，agent 要么幻觉、要么选错工具。配合今天「精讲一」的 Execution Graph 概念理解效果更好，推荐正在构建 AI agent 的工程师观看。 [AINews] Anthropic 年增长 10 倍，而其他公司裁员超 10% 来源：Latent Space | 评分：90 Anthropic 经历「奇迹 Q1」——单月 ARR 增长 150 亿美元——后，估值已达 1-1.2 万亿美元，正式超越 OpenAI 成为全球最有价值公司之一。与此同时，Block 裁员 40%、Coinbase 裁员 14%、Cloudflare 裁员 20%，都以「AI 就绪」为由。文章直接指出：很难判断这到底是「AI 驱动的裁员」还是「借 AI 名义的正常瘦身」。强公司（如 Linear）因 AI 而增长，弱公司因 AI 而收缩，这一极化趋势正在加速。本期 AI 新闻摘要还涵盖模型、基础设施、智能体、对齐研究等多个领域的最新进展，是快速了解行业动态的高效选择。 Claude Co-work 入门指南 来源：Claude | 评分：91 Claude 官方教程，介绍 Co-work 功能如何将 Claude 转化为一个能执行复杂任务的 AI 智能体——通过授权本地文件夹访问、连接 Google Drive / Notion / Slack 等云服务、配置全局指令，实现「交付目标」而不仅是「回答问题」的模式切换。从描述目标到 Claude 制定计划再到执行，Co-work 的核心价值在于「handoff」而非「问答」：你描述一个目标，Claude 制定完整计划，你审批后它自动执行。当前支持 macOS 和 Windows 上的 Claude 桌面应用（Pro/Max/Team/Enterprise 用户）。适合想快速上手 Claude 智能体工作流、减少手动在不同工具间切换的用户。 OpenAI 翁家翌：梯度之外，下一个 AI 训练范式有着落了？ 来源：机器之心 | 评分：90 OpenAI 后训练 RL 基础设施的核心工程师翁家翌（Jiayi Weng）分享了一个出人意料的实验：一套由 coding agent 持续迭代的纯手写规则系统（没有神经网络、没有梯度下降），在经典游戏中打出了理论最高分，在机器人控制中媲美 Deep RL。他由此提出 Heuristic Learning 可能是继 Pretrain、RLHF、大规模 RL 之后的下一个训练范式——凡是可以被持续迭代的，都开始能被解决。技术含量高，适合 AI 研究者和工程师阅读。 ## 扩展阅读 大模型不认识马嘉祺？我们做了一次全链路排查 来源：MiniMax 稀宇科技 | 评分：90 MiniMax 团队系统排查了「模型无法输出马嘉祺」的问题，最终定位根因：分词器将「嘉祺」合并为独立 token，但该 token 在后训练数据中出现频次极低（不到 5 条样本），导致生成能力被遗忘——模型转而选了发音相近的「佳琪」「琪琪」。排查方法涵盖分词器版本对齐、embedding 统计分布、语义近邻检索、few-shot 对比实验等多个维度，最终通过 lm_head 权重变化排序扫描锁定根因。这不是一个偶然 bug，而是揭示了低频 token 在后训练中被高频 token 挤压这一系统性问题。对关注大模型训练机制、tokenizer 设计的读者很有价值，是一篇难得的团队公开技术复盘。 OncoAgent：一种用于隐私保护肿瘤临床决策支持的双层多智能体框架 来源：Hugging Face Blog | 评分：91 来自 Hugging Face 博客的技术预印本。OncoAgent 是一个开源、隐私保护的肿瘤临床决策支持系统，结合了双层微调 LLM 架构、多智能体 LangGraph 拓扑、四阶段纠正性 RAG 流水线（覆盖 70 多份 NCCN/ESMO 指南），并在 AMD MI300X 硬件上实现了 56 倍的吞吐量加速。关注 AI 医疗应用、多智能体系统或 RAG 工程实践的读者可以深入阅读。 AI 让弱工程师的危害变小了 来源：Sean Goedecke | 评分：90 软件工程能力是强重尾分布的：最强的工程师产出远超平均，而弱工程师往往是净负贡献者——不仅没有推进项目，还制造需要同事花时间清理的问题。这也是很多顶尖科技公司选择打造一支小而精、薪资极高的团队的原因。Sean Goedecke 认为，Claude Code 等 AI 编程助手显著提升了弱工程师产出的下限，将他们从净负贡献者转变为功能有限但尚可协作的伙伴。值得注意的是，他并不认为 AI 能让弱工程师达到强工程师的水平——强工程师因为能更好地利用 AI 工具，优势反而可能进一步扩大。这对团队组建和人才策略都有实际影响。观点直接，适合对 AI 如何重塑工程师价值分布感兴趣的读者。 ## 今日阅读路径 时间有限？建议按以下顺序阅读三篇： 首选：AI Native 时代 —— 研发组织何去何从 这是今天最有思想密度的一篇。从组织演化的历史逻辑出发，论证为什么 AI 时代的组织必须从 Org Chart 转向 Execution Graph，以及新瓶颈在哪里。无论你是工程师还是管理者，这篇都会改变你看待当前工作的视角。阅读时间约 25 分钟，是一篇值得找一段完整时间认真读的文章。 次选：5 人 7 天干完 20 人数周的活：SDD 如何重新定义 AI 编程 「精讲一」讲了理论框架，这篇给你一个具体的实战案例。SDD 方法论是当前 AI 编程语境下把「信息结构化」落到实处的最系统的做法之一，DAY 0 只写 Spec 不写代码的实践值得每个团队认真参考。如果你正在思考怎么让团队在 AI 工具上真正提速，从这篇开始是个好选择。 三选：DeepSeek 降价背后：Token 生意在重新洗牌 同样在 AI 时代，商业维度同样在剧变。理解 Token 市场的定价逻辑，有助于做出更好的技术选型和商业判断。这篇从产业经济学视角分析，视角独特，读完会对 AI 行业的价格信号有更清晰的认知。今天 Anthropic 增长的新闻恰好也提供了佐证——强者愈强的格局在 Token 市场同样适用。 ----------- BestBlogs Pro 早鸟内测开放：你可以自定义订阅源、配置兴趣标签，每天获得一份属于自己的头条早报。欢迎抢先体验，并把反馈发回给我们：https://bestblogs.dev

译阿里技术访谈显示，深度使用AI的工程师写代码时间占比从30%降至5%，与AI对话时间升至60%，标志着AI成为新协作主体，正瓦解传统组织基于“人是唯一协作主体”的前提。组织形态从汇报关系的结构图转向由人、智能体、数据等节点构成的“执行图”。新瓶颈在于信息不够结构化，先锋团队采用“Harness层+Hive Mind层”架构应对。同时，Claude Code核心成员分享实践发现，在AI生成场景中，HTML比Markdown更具优势，因其信息密度高、视觉清晰、易于分享并支持交互。

Tibo@thsottiaux · 5月10日34

Seeing so many cool applications of codex lately across robotics, science, gaming and more. And seems that people are discovering the power of the /goal feature. A few disturbing hands in this one, but you get the gist.

译最近看到Codex在机器人、科学、游戏等领域的众多酷炫应用。似乎人们正在发现/goal功能的强大之处。 虽然有些操作令人不安，但核心要点已然明了。

Sam Altman@sama · 5月10日51

5.5 is an autistic genius with very strange taste in naming shocking that we would make such a thing

译5.5 是个自闭症天才，命名品味非常奇怪 我们竟会造出这样的东西，令人震惊

阿绎 AYi@AYi_AInotes · 5月10日56

AI中转站这门暴利生意的水到底有多深？ 为什么孙宇晨和特朗普家族纷纷下场做AI中转站？ 说实话，我看到孙哥做http://b.ai的第一反应，和你们一样。 不就是又一个卷价格的AI API中转站吗？ DeepSeek打1折，GPT/Claude/Gemini一个Key全搞定，无KYC，稳定币支付。 直到我翻完了他们的官网和所有公开资料，才感觉后背发凉。 原来我们所有人都看错了。 他们根本不是来赚那点算力差价的， 人家是来做AI时代的中央银行的。 先给你们看几个真实数据： 1️⃣http://b.ai上线一个多月，已经有超过100万用户完成了实际调用。 2️⃣89.99美元一年，无限调用几乎所有主流模型。 3️⃣平均每个用户一年贡献不到1美元的毛利。 就凭这点钱，孙哥根本看不上🤣 那他图什么呢？ 那你再看官网最上面的那句话： "To become the foundational financial infrastructure for the AI Agent era." 成为AI Agent时代的基础金融基础设施。 我一直觉得，很多人对AI的未来有一个根本性的误解。 他们以为未来是AI帮人类干活， 但真正的未来是，AI自己干活，自己赚钱，自己花钱。 未来的AI Agent会自己买算力，自己租服务器，自己买数据，自己和其他AI交易。 它不需要人类的银行卡，不需要人类的身份证，也不需要人类替它签字。 但它至少需要三样东西： 一个自己的钱包， 一个永久唯一的身份证， 一个可验证的信用记录， 而这三样东西，http://b.ai已经全建好了！ 链上地址就是AI的永久身份证， 原生加密钱包就是AI的银行账户， 所有的交易历史，就是AI的信用记录。 这才是http://b.ai真正的生意， 它不是在卖API， 而是在给全世界所有的AI，开银行账户，发身份证，建信用局。 有意思的是，小特朗普几乎在同一时间，推出了一模一样的东西。 WorldClaw，同样的多模型聚合，同样的稳定币支付，同样的AgentOS。 背后是特朗普家族的WLFI DeFi帝国。 为什么全世界最懂赚钱的之二两个人， 同时下场做了同一件事？ 因为他们都看懂了。 算力军备竞赛之后，最被低估的不是模型，是结算权。 OpenAI烧了几百亿美元做GPT， Anthropic烧了几十亿美元做Claude， 但未来，他们每调用一次算力，每买一次数据，每做一次交易，都得给http://b.ai过账，都得给孙哥交过路费。 这就是孙哥这辈子最擅长的事， 他从来不做生产者， 他只做中转站， TRON是稳定币的中转站， BitTorrent是流量的中转站， 现在http://b.ai，是AI时代所有钱的中转站。 更绝的是，他已经把自己做成了第一个可调用的AI Skill。 "孙哥大脑"即将上线，蒸馏了他21829条推文，155期音频课，所有的交易逻辑和人性洞察。 任何AI，任何人类，都能一键加载孙宇晨的视角来做决策，按次收费。 所以现在你再把这三个月发生的事串起来看。 OpenAI发布Auto-review，让AI监管AI。 Anthropic让Claude设计下一代Claude。 孙宇晨和小特朗普，给AI建了银行和身份证。 是不是一个完整的，不需要人类参与的，AI自我运行、自我改进、自我赚钱的循环，已经闭环了。 而人类只剩下最后一个角色， 那就是投资股东。

译孙宇晨推出的http://b.ai并非廉价API聚合平台，其核心是成为AI Agent时代的基础金融设施。平台为AI提供链上地址作为身份、加密钱包作为账户，并用交易历史构建信用。其以极低年费吸引超百万用户，目标并非赚取算力差价，而是获取未来AI经济中的“结算权”。小特朗普同期推出的WorldClaw项目理念相似。孙宇晨更计划上线“孙哥大脑”，将个人决策逻辑商品化。这些布局共同指向一个AI能自我交易、改进和支付，人类主要作为投资股东的未来经济闭环。

SemiAnalysis@SemiAnalysis_ · 5月10日33

In WW1, wars were won based on the # of miltiary age population In WW2, wars were won based on tanks & airplanes carriers & nukes In Ukraine, wars were won based on # of drones In WW3, wars will be won based on the # of tokens that each country has

译一战中，战争胜负取决于适龄军事人口数量 二战中，战争胜负取决于坦克、航空母舰和核武器 在乌克兰，战争胜负取决于无人机数量 而在第三次世界大战中，战争胜负将取决于各国拥有的token数量

向阳乔木@vista8 · 5月10日33

啥都不能多了，物以稀为贵。 多了就会觉得不好，从吉卜力图、蓝紫渐变网页、AI信息图、衬线字体杂志风PPT... 都说时尚审美有轮回，可能就是这原因？ 跟风难免，保持个性是最稀缺。

向阳乔木@vista8 · 5月9日64

Claude Code负责人Boris Cherny的Youtube分享，让AI总结写了篇文章。 1. Claude Code 前六个月几乎无人使用，真正转折点是 Opus 4 上线。 2. Anthropic 内部 agent 通过 Slack 实时协作，所有人的 Claude agent 互相沟通协调，无人手写 SQL 和业务代码，AI-native 组织形态 3. TypeScript + React 因训练数据最丰富而率先被"解决"，冷门技术栈只需等待以后模型。 4. 识字率从 10% 到 70% 用了几百年，编程民主化会快得多，未来写会计软件最好的人是会计而非工程师(?) 5. AI 时代护城河重构，切换成本和流程壁垒变弱，但网络效应、规模经济、稀缺资源依然坚固，SaaS 不会消亡但会重新洗牌 6. 大公司受困于流程重塑和文化转型，而初创公司从第一天就能 AI-native 构建，起点即是大公司五年后的终点 https://blog.qiaomu.ai/programming-dead-ai-prediction

译Claude Code使用量在Opus 4模型上线后迎来转折点。Anthropic内部已实现AI原生协作，员工通过Slack中的Claude智能体沟通，无需手动编写代码。TypeScript和React因数据丰富被优先支持。编程民主化将快速推进，领域专家可能成为最佳软件构建者。AI将重构商业护城河，削弱流程壁垒，SaaS面临洗牌。初创公司能从零构建AI原生组织，获得领先优势。

meng shao@shao__meng · 5月9日48

最近在思考 Claude Design 类产品的实现方案，在 Claude Design 的基础上还有哪些发展空间，又回来看 Claude Design 的 System Prompt，看到反“AI slop”这段时不由得笑出声，Anthropic 的团队还是很了解 AI 的惯性思维的。 Avoid AI slop tropes: incl. but not limited to: - Avoiding aggressive use of gradient backgrounds - Avoiding emoji unless explicitly part of the brand; better to use placeholders - Avoiding containers using rounded corners with a left-border accent color - Avoiding drawing imagery using SVG; use placeholders and ask for real materials - Avoid overused font families (Inter, Roboto, Arial, Fraunces, system fonts) 这不就是咱们让 Claude Code 或 Codex 等 Agent 做网页设计时，默认的样子吗？ 蓝紫渐变、emoji、圆角容器 + 左侧彩色 border、SVG 画图标、默认字体满天飞。。。

译作者在思考Claude Design产品发展时，对其System Prompt中反“AI slop”的设计指南深有共鸣。该指南明确列出了应避免的AI生成设计陈词滥调，包括滥用渐变背景、非品牌emoji、带左侧强调色的圆角容器、SVG绘制图标以及过度使用Inter、Roboto等常见字体。作者指出，这些恰恰是Claude Code等AI代理进行网页设计时常见的默认输出样式，体现了Anthropic团队对AI惯性思维的深刻洞察和主动纠偏的设计哲学。

Orange AI@oran_ge · 5月9日49

如果 AI 让每个人都提升了10倍 为什么还要裁员呢？ 难道不是多多益善吗？

Berryxia.AI@berryxia · 5月9日59

这个周末花30分钟看完它，你一定会有收获！ 顶级程序员已经几乎不亲手写代码了。 Anthropic核心贡献者Kyle在演讲里分享了自己的故事：去年年底他第一次下载Claude Code，周末就彻底沉迷，整个周末带着笔记本电脑，看着Claude一行行把他的想法变成真实应用。 他用得太狠，甚至冲上了内部“AI员工使用排行榜”第一名，最后直接加入了Claude Code团队，成为核心贡献者。 他把Claude Code形容成那个永远在终端里干活的天才同事，从不碰鼠标，却能用grep、find这些最朴实的工具，像新人一样自己探索整个代码库。 扔一个CLAUDE.md文件进去，它就自动加载整个团队的规则、规范和上下文。 再配合计划先行、待办事项、TDD、权限管理、多实例并行这些最佳实践，它真的能像一个靠谱的初级工程师一样给你干活。 这才是最颠覆的地方：AI正在把写代码这件事逐渐从程序员的核心工作里剥离出去。 未来拉开差距的，是谁更会指挥AI、定义方向、把控质量。 视频值得每一个认真对待AI编程的人完整看一遍。

译Anthropic核心贡献者Kyle分享其使用Claude Code的经历，形容它如同终端里的天才同事，能自动加载团队规范并探索代码库。通过结合计划先行、TDD等最佳实践，Claude Code能像初级工程师一样工作。核心观点指出，AI正将写代码从程序员的核心工作中剥离，未来的关键差距在于指挥AI、定义方向和把控质量的能力。

歸藏(guizang.ai)@op7418 · 5月9日19

Mac Studio 也没货了

译Mac Studio 出现供货紧张情况，官方渠道购买需长时间等待。用户因最低配 Mac mini 作为 Agent 服务器性能不足，决定升级到 Mac Studio，但遭遇缺货问题。Mac mini 此前运行稳定，但随着任务增加，硬件捉襟见肘，凸显对 Mac Studio 的旺盛需求。

歸藏(guizang.ai)@op7418 · 5月9日63

当前 AI 产品演进已经确立了一个清晰的行业共识： 采取数据与表现分离的架构，以 Markdown 负责底层逻辑与记忆的纯净存储，用 HTML 实现对外的高密度交互与展示。 这个思路的脉络是，前几天借着 Obsidian 作者提出 Markdown 是 AI 内容谢林点的观点，我发散讨论了当前 AI 原生格式主要分为 Markdown 和 HTML。 刚好今天 Claude Code 的作者也发文印证了这一点，他提到自己主要的对外分享形式已经全面转向 HTML。这两位前沿开发者的观点结合在一起，非常完整地勾勒出了这套方案的底层逻辑。 在这个架构中，Markdown 的绝对角色是底层的逻辑和记忆。所有的事实性内容都必须使用 Markdown 存储，它作为核心的底层 Memory，是最适合作为原始数据的载体。 而 HTML 则全面接管了表现层和对外展示。Markdown 最大的缺陷在于篇幅变长后极难阅读和理解，但 HTML 可以通过精细的排版组织、空间定位和视觉元素，达到极高的信息密度，同时还能支持极其丰富的可交互形式。 HTML 也有明显痛点，极不适合做状态的版本控制。 在产品的迭代过程中，HTML 不能作为原始数据直接供 AI 消费。因为它内部混杂了大量的代码结构和样式等非事实类内容，这不仅会让人类在审阅版本差异时面临巨大的噪音，也会让 AI 浪费大量的 Token 额度。 所以构建 AI 产品的核心就在于彻底分离数据层和表现层。底层数据应该继续以 Obsidian 这种成熟的 Markdown 组织形式为核心运转； 而在遇到需要对外分享或交流的场景时，再将内容渲染为 HTML，并部署到类似 S3 这样的平台上，让用户拥有一键打开就能直接消费的顺滑体验。 未来的 AI 产品也必然会沿着这条数据与表现解耦的路径继续发展。

译当前AI产品演进形成行业共识，即采用数据与表现分离的架构。底层逻辑与记忆由纯净的Markdown存储，适合承载事实性内容。表现层则由HTML全面接管，通过精细排版和视觉元素解决Markdown长文难读问题，并支持丰富交互。HTML的痛点在于不适合版本控制，其混杂的代码和样式会为人类审阅和AI消费带来噪音与Token浪费。因此，核心是彻底分离两层：底层用Obsidian等工具管理Markdown数据，需要分享时再渲染为HTML并部署于S3等平台，提供一键消费的顺滑体验。未来AI产品将沿此解耦路径发展。

OpenRouter@OpenRouter · 5月9日53

Jacky starting strong on his first week 👀

译Jacky首周强势开局 👀 [引用 @jjackyliang]：过去几天我正基于@OpenRouter构建"智能体大逃杀" 若将不同实验室的智能体投入2D吃鸡战场会怎样？ 它们会合作？厮杀？结盟？甚至欺骗背叛？ 结果...这些情况全都发生了..👇🏻

Orange AI@oran_ge · 5月9日39

Switch 都要涨价一万日元了 硬件已经疯了 没有一个Token是无辜的

歸藏(guizang.ai)@op7418 · 5月9日61

Linear 的人用这种道歉的语气招人，嘲讽那些以用 AI 为理由裁员的公司

向阳乔木@vista8 · 5月9日56

风水轮流转，林迪效应突显，HTML既老又新。 不过国内有点特别，微信里打不开HTML，还是图片PPT和PDF更方便传播。

译AI输出格式经历了从HTML到“香蕉模型”再回归HTML的轮回。最初，HTML因其强大的表现力被用于制作PPT，但随后NotebookLM支持的“香蕉模型”因其便捷性一度取代了HTML。然而，由于可编辑性和复杂场景的需求，HTML工具再度流行。如今，Claude Code等平台正大力推动将HTML作为Agent的首选输出格式，用于长文档、交互原型和动态报告等。其核心优势在于，相比Markdown，HTML在复杂场景下能提供更高的信息密度和交互性，更能释放模型的真实能力。工具的更迭看似是“取代”，但最终解决实际痛点的格式会留存下来。

meng shao@shao__meng · 5月9日65

AI Agent 时代，HTML 正在取代 Markdown，成为人与 AI 协作的更优输出格式？ Markdown 曾是 Agent 与人沟通的主流格式——简单、可移植、易编辑。但随着 Agent 能力增强，Markdown 的局限暴露出来： · 超过 100 行就难以阅读 · 表达力受限，无法承载丰富信息 · 用户已经很少亲手编辑这些文件，"易编辑"的优势正在消失 @trq212 的判断是：当你不再亲自写、而是让 Agent 写和改时，Markdown 的核心优势就不复存在了，应该换一个表达力更强的载体。 HTML 的六个优势 1. 信息密度：表格、SVG、CSS、脚本、画布、图片——几乎所有 Agent 能读的信息都能高效表达，不必再用 ASCII 或 Unicode 字符"模拟"颜色和图表 2. 可读性：可视化结构（标签页、插图、链接）让长文档易于浏览，甚至支持移动端响应式 3. 可分享：HTML 上传后即可作为链接分享，团队同事打开率远高于 Markdown 附件 4. 双向交互：可加入滑块、按钮等控件调参，再通过"复制为 prompt"按钮回流给 Agent 5. 数据接入：Coding Agent 可读取文件系统、MCP（Slack/Linear）、浏览器、Git 历史等多源上下文，再生成 HTML 6. 愉悦感：制作 HTML 让作者更投入、更有参与感 五类典型用例 1. 规划与探索 — 不再用单个 Markdown 计划，而是生成"HTML 文件网络"：先 6 个方向并排对比，再深入做 mockup，最后形成实施计划 2. 代码审查 — 渲染 diff、内联注释、流程图。作者现在每个 PR 都附带一个 HTML 解释器 3. 设计与原型 — HTML 作为设计中间语言，再翻译到 React/Swift；可加滑块调参动画 4. 报告与学习 — 跨 Slack、代码库、Git 历史综合，输出长文 / 交互式讲解 / 幻灯片 5. 一次性编辑器 — 为某个具体任务（重排 30 个 Linear ticket、调 feature flag、调 system prompt）造一个抛弃式 UI，关键是末尾要有"导出为 JSON / prompt"按钮 值得注意的权衡 · 生成耗时 是 Markdown 的 2–4 倍 · Token 消耗 更高（但在 1M 上下文窗口下不再敏感） · 版本控制 是最大短板：HTML diff 嘈杂，难以 review · 审美风险 需要靠"设计系统 HTML 文件"作为参考来约束风格

译随着 AI Agent 能力增强，Markdown 在处理长文档、表达丰富信息时显露出局限。当用户不再亲手编辑而由 Agent 代劳时，其核心优势减弱。HTML 凭借高信息密度、可视化结构、易分享、支持双向交互及多源数据接入等优势，更适用于规划、代码审查、设计等 Agent 驱动任务。但需注意其生成耗时更长、Token 消耗更高、版本控制困难以及需约束审美风格等权衡。

Berryxia.AI@berryxia · 5月9日63

突然回头一看，AI输出格式的趋势又完成了一次漂亮的“天道轮回”。 去年这个时候，大家（尤其是我们蝗虫群）彻底痴迷于用HTML做PPT。 每天都在疯狂研究各种提示词、优化HTML PPT效果，每次新模型上线，除了拿来跑台球测试，必先搞一波HTML PPT玩个痛快。 结果9月“香蕉模型”（NotebookLM首先支持PPT）一出，直接把HTML做PPT这条赛道杀死了。 所有人瞬间转投香蕉，疯狂用它生成各种各样的信息图、播客式总结，都乐此不疲地沉溺其中😂 时间过去，到了年底，因为要修改PPT文字、需要可编辑性，张咋啦老师的HTML项目突然爆火。 后面一大堆朋友都做了类似工具，HTML又悄无声息地回来了。 时至今日，Claude Code（A社）又开始大力推大家把HTML当Agent首选输出格式，从长文档、交互Spec、设计原型到动态报告，全部用HTML呈现。 一圈轮回下来，HTML从“被香蕉干掉”到“王者归来”，核心原因其实一直没变： Markdown在复杂场景下信息密度和交互性都跟不上，而HTML能把模型的真实能力彻底释放出来。 有趣的是，每次新工具出现都像在“杀死”旧工具，但真正活下来的往往是能解决实际痛点的那一个。 对重度用Agent做规划、文档、设计的同学来说，这波HTML回归值得再冲一次。 可能你真正需要的是最适合你的，不一定每个人都需要HTML or Markdown 。 我平时给朋友非AI圈都是pdf文档，Markdown转或者HTML转的。

译AI输出格式趋势经历轮回，HTML从去年流行做PPT，到被NotebookLM（香蕉模型）取代，又因可编辑性需求回归。如今，Claude Code团队推荐HTML作为Agent首选输出格式，认为Markdown在复杂场景下信息密度和交互性不足，限制了Agent表达能力，而HTML能释放模型真实能力。HTML优势包括信息密度爆炸、可读性提升、分享方便和双向交互，适用于规划、文档和设计等场景。这波回归对重度使用Agent的用户具有实际价值，工具选择取决于解决痛点。

Berryxia.AI@berryxia · 5月9日58

Markdown 失宠！ HTML的好日子要来了？ Claude Code 团队的 @trq212 发了一篇重磅长文：Markdown 已经越来越限制 Agent 的表达能力。 他现在强烈推荐让 Claude（尤其是 Claude Code）直接输出 HTML 文件而不是 Markdown，作为 Agent 与人类沟通的首选格式。 他认为 Markdown 虽然简单易编辑，但面对越来越复杂的 Agent 输出（长文档、图表、交互、设计 spec 等）时，已经明显不够用。HTML 能把 Claude 的能力真正发挥出来。 核心优势拆解如下： - 信息密度爆炸：HTML 可以轻松实现表格、CSS 样式、SVG 插图、代码高亮、JavaScript 交互、画布、绝对定位等，几乎 Claude 能理解的任何信息都能高效呈现，不会再出现用 Unicode 字符硬画颜色或 ASCII 图的尴尬情况。 - 可读性大幅提升：长达上百行的文档在 Markdown 里很难读完，而 HTML 可以做视觉化结构、标签页、链接、移动端适配，让团队其他人也愿意点开看。 - 分享极度方便：Markdown 文件分享往往要当附件，而 HTML 文件上传到 S3（或任意静态托管）后直接发链接，浏览器原生打开，阅读门槛几乎为零。 - 双向交互能力：可以加入滑块、拖拽卡片、实时预览、导出按钮（copy as JSON / prompt / diff），把 HTML 当成动态编辑界面或 spec 使用，真正实现人机双向协作。 - 数据摄入更强：Claude Code 可以直接读取整个代码文件夹、Slack、Linear、浏览器上下文、Git 历史等，生成结构化 HTML 报告或可视化文档。 实际使用场景非常丰富： - Specs、Planning & Exploration（多方案对比网格、带 mockup 的实施计划） - Code Review & Understanding（渲染 diff + 注解 + 流程图） - Design & Prototypes（带交互控件的原型、动画调参面板） - Reports、Research & Learning（跨源合成报告、带 SVG 图表的解释页面） - Custom Editing Interfaces（拖拽 Linear ticket、feature flag 编辑器、prompt 实时预览等） 他还贴心地放出了大量示例：https://thariqs.github.io/html-effectiveness 入门门槛极低：不需要专门做 skill，直接提示 “make a HTML file” 或 “make a HTML artifact” 就行，重点是明确告诉 Claude 你希望这个 artifact 能做什么、怎么交互。 当然他也诚实地列出了缺点：生成时间更长（2-4x）、token 消耗更高、版本控制 diff 不友好等，但在他看来，整体收益远超成本，尤其在 1M+ 上下文窗口时代。 对重度使用 Claude Code / Agent 做规划、设计、文档、PR 说明的开发者来说，这篇文章简直是“输出格式进化论”级别的干货，强烈建议完整读完。

译Claude Code团队的@trq212指出Markdown已限制Agent如Claude的表达能力，推荐直接输出HTML文件作为首选沟通格式。HTML能实现信息密度爆炸、可读性提升、分享便捷和双向交互等优势，支持Specs、Code Review、Design等复杂场景。尽管生成时间更长、token消耗更高，但在大上下文窗口时代整体收益远超成本。

ginobefun@hongming731 · 5月9日47

#BestBlogs 早报 2026-05-09 今日主题： - OpenAI 把 Codex 推进浏览器、Anthropic 给智能体装上记忆与梦想机制，前沿大厂正在让 Agent 从单次任务走向跨会话自学习与浏览器原生执行。 - 能力跑得越快，组织结构的牵绊越显眼：阿里云开发者一篇深度反思直指传统分工与多仓库架构是 Agent 效率的真正瓶颈。 能力扩张与组织重塑两条主线交织，是值得放慢节奏细看的一期早报。

译OpenAI将Codex集成至浏览器，Anthropic为智能体引入记忆与梦想机制，推动Agent从单次任务向跨会话自学习与原生执行演进。与此同时，阿里云开发者指出传统分工模式与多仓库架构已成为制约Agent效率的关键瓶颈。能力快速进化与组织结构重塑形成双重主线，凸显技术发展需与协作模式同步革新。

Epoch AI@EpochAIResearch · 5月9日57

Anthropic and OpenAI earn more revenue per employee than the top public tech companies, both now and at their IPOs. Anthropic: ~$9M OpenAI: ~$5.6M Top public co. (Nvidia): ~$5.1M

译Anthropic和OpenAI的人均收入高于顶级上市科技公司，无论是当前还是在其IPO时期。 Anthropic: 约900万美元 OpenAI: 约560万美元 顶级上市公司（英伟达）: 约510万美元

阿绎 AYi@AYi_AInotes · 5月9日56

Claude团队的工程师，已经彻底抛弃Markdown了。 不是Markdown不好用， 是AI变得太快，它已经跟不上了。 以前AI写10行笔记，Markdown刚刚好， 现在AI能一次性输出1000行计划、复杂流程图、完整代码审查， 密密麻麻的纯文字墙谁有耐心看得完？ 作者自己都说，他从来没完整读完过100行以上的AI生成MD文件。 更要命的是：现在都是AI写，我们只看不改。 Markdown最大的优点“易手动编辑”，现在已经彻底没用了。 而HTML，才是AI时代真正的沟通语言， 它能做到的事，Markdown想都不敢想： • 直接生成带颜色的表格、SVG流程图、可点击的原型 • 加滑块调参数、拖拽排序任务、实时预览Prompt效果 • 改完一键导出成代码或Prompt，喂回给AI继续迭代 • 发个链接别人点开就能看，不用下载任何工具 作者直接放出了20个现成示例： 从代码审查的彩色diff， 到可拖拽的任务看板， 从动画参数调试器， 到一键生成的幻灯片。 每一个都是能直接用的生产力工具。 最爽的三个用法，现在就能抄： 1. 代码审查：让AI把PR生成带注释的彩色diff+模块调用图 2. 做计划：生成带时间线、风险表、流程图的交互式项目页 3. 临时工具：让AI写一个Prompt调参器，改完直接复制结果 当然它也有缺点： 多花一点token，生成时间长2-4倍，版本控制不如MD干净。 但作者说：体验提升了10倍，这些代价完全值得。 本质上不是格式之争，而是人机协作方式的升级。 因为Markdown是给人写给人看的， 而HTML是给AI写给人用的。 随着当AI越来越聪明，我们需要的不再是文字墙，而是能互动、能操作、能思考的界面。 现在打开Claude，输入“帮我做一个HTML文件……”，你会打开一个全新的世界。

译Claude团队工程师因AI能输出大量内容（如千行计划、复杂流程图）而放弃Markdown，转向HTML。Markdown的纯文字墙难以阅读，且其手动编辑优势在AI写作时代失效。HTML能直接生成带颜色的表格、SVG流程图、可点击原型，并支持交互功能如滑块调参、拖拽排序，极大提升生产力。尽管HTML消耗更多token、生成时间更长，但体验提升显著。这反映了人机协作方式的升级，从给人写的静态文字转向给人用的交互界面。

向阳乔木@vista8 · 5月9日22

终于理解产品为什么会变得臃肿复杂了。 当你处于老板位置，控制大量研发资源时，觉得做什么都只需要张张嘴。 就像我们现在用最顶级的模型一样的感觉，哈哈哈。 克制是挺难的一件事儿，资源有时是一种诅咒。

译推文核心观点是产品变得臃肿复杂的原因在于资源丰富时，控制者如老板容易产生只需动嘴就能实现想法的错觉，导致过度开发而缺乏克制。类比使用最顶级模型时的轻松感，资源有时反而成为诅咒，突显了在管理大量研发资源时保持简约的挑战性。资源充裕可能引发盲目扩张，使产品设计失去焦点，强调克制在创新过程中的重要性。

SemiAnalysis@SemiAnalysis_ · 5月9日59

Datacenter developers are increasingly planning projects in unincorporated county land, and it's not an accident. Outside city limits, they can sidestep city council approvals, municipal zoning votes, and urban land-use reviews. This is redrawing the map of where large-scale AI infrastructure gets built. (1/4) 🧵

译数据中心开发商正越来越多地在非建制县土地上规划项目，这并非偶然。在城市边界之外，他们可以避开市议会审批、市政分区投票和城市土地利用审查。这正在重新绘制大规模AI基础设施的建设版图。(1/4) 🧵

Tibo@thsottiaux · 5月9日39

Hosting a session next Wednesday (5/13) with the OpenAI Forum on why Codex matters beyond code. Join for the livestream and Q&A if you’re interested in the history of Codex, what we're pushing on next and see some cool use-cases.

译下周三（5月13日）将与OpenAI论坛共同举办一场研讨会，探讨Codex在代码之外的深远意义。如果您对Codex的发展历程、我们接下来的推进方向以及一些精彩用例感兴趣，欢迎观看直播并参与问答环节。