BestBlogs 早报 · 07-30
Sam Altman / GPT-5.6 / 推理效率 / Skill Harness / 智能体产品
【1】 ★ 精讲|Sam Altman：为什么现在可能是创办公司的最佳时机 【视频】 在 YC Startup School 2026 的完整访谈中，Sam Altman 把 AI 带来的创业机会落到三个条件：技术版图快速变化、成本下降、迭代周期缩短。更值得参考的是他的判断方法：寻找刚出现而多数人尚未更新认知的能力，用持续数据建立逆共识，再把智能体节省的时间投入更大、更难的问题。 来源：Y Combinator https://www.bestblogs.dev/video/9486a453e
【2】 ★ 精讲|GPT-5.6 如何将前沿智能与前沿效率融合 OpenAI 将 GPT-5.6 的效率拆到模型训练、推理栈与 agentic harness 三层：生产内核优化让端到端服务成本下降 20%，改进的推测解码让 token 生成效率提升超过 15%。文章还解释了路由、缓存、上下文控制与避免重复工作的复利效应，适合用来理解智能与成本如何共同推进。 来源：OpenAI News https://www.bestblogs.dev/article/1237e03a4e
【3】 ★ 精讲|技能即新功能：构建以技能为中心的智能体 Harness 【视频】 这场完整演讲把智能体产品中的 prompt、tool 与 skill 分别定义为谁、能连接什么、如何完成任务，并给出最小 harness：skill registry、system prompt 与文件读取。讲者进一步指出，模型升级必须重跑 eval；技能超过十个后要引入检索，达到数百个时则需要层级、元数据、所有权与生命周期治理。 来源：AI Engineer https://www.bestblogs.dev/video/fd0779622
【4】 相关性 ≠ 因果性：因果推断在 AI 评测归因中的方法与实践 本文深入探讨了如何利用因果推断与博弈论方法，通过组件级归因、扰动实验及因果 A/B 测试，精准定位复杂 AI Agent 系统（如 LLM、工具调用、规划能力等）的性能瓶颈。 来源：阿里技术 https://www.bestblogs.dev/article/6e41628f05
【5】 生产环境中 MCP 的安全防护：超越网关的纵深防御 本文认为，生产环境中的 MCP 安全需要四个独立的控制层--安全执行、管理平面隔离、出站信任边界和语义完整性--而不是依赖单一的网关。 来源：InfoQ https://www.bestblogs.dev/article/f839ba7461
【6】 Morgan Stanley Alpha Lab：从自动化量化研究到自我改进的研究环境 【视频】 Morgan Stanley 的 Alpha Lab 展示了一套智能体量化研究工具链，如何通过严格的环境、评测与研究流程量规，从自主实验走向自我改进。 来源：AI Engineer https://www.bestblogs.dev/video/b2dab0d7e
【7】 当所有人都在给 AI 造缰绳，马厩正在消失 本文深入探讨了 AI 时代下「执行」能力的贬值与「承担」责任的稀缺，指出技术颠覆往往发生在被优化的维度之外，呼吁从业者在追求工程效率的同时，警惕被降维打击的风险，并寻找人机协作中不可替代的价值。 来源：腾讯云开发者 https://www.bestblogs.dev/article/f822c922e3
【8】 微软面向 AKS 上 AI 智能体的三层 LLM 路由架构 微软在 AKS 上推出三层参考架构，通过语义路由、策略管理与 GPU 感知的负载均衡，优化 AI 智能体流量调度。 来源：InfoQ https://www.bestblogs.dev/article/82f4072abb