DeepSeek Harness (DSH) 开发者预览版（v0.1）已正式面向全球开发者开放，并以 MIT 协议开源。该项目旨在通过“一切皆插件”的设计理念，构建一个高度灵活、可组合的 Agent 基础设施。DeepSeek Harness 基于 Cordis 插件系统开发，允许开发者在无需修改源码的情况下，对模型、工具、技能、存储及 UI 等所有核心组件进行自由替换和扩展。目前，该版本提供四种运行模式以适应不同应用场景，并具备完善的会话追踪与日志回放能力，标志着开源 Agent 基础设施向高度模块化方向迈出的重要一步。 核心设计哲学：“一切皆插件” DeepSeek Harness 的技术核心在于其极度的模块化设计。这一设计确保了系统的灵活性与可扩展性，使其能够适应快速演进的 AI 技术环境。 * 基于 Cordis 的插件架构： DeepSeek Harness 构建于具有“时空可组合性”的 Cordis 元框架之上。 * 职责分离： Cordis 框架仅负责插件的生命周期管理（加载与卸载）及依赖关系处理。 * 组件化实现： Agent 的所有具体能力（包括模型、工具、会话管理、沙箱、调度等）均作为独立的 Cordis 插件存在。 * 开发者友好性： 开发者可以通过配置层自由组合插件，实现对任一能力的独立选择、替换或扩展，而无需改动 DeepSeek Harness 的核心源代码。 多样化的运行模式 为了覆盖从基准测试到自由创作的多种需求，DeepSeek Harness 预设了四种运行模式，每种模式配置了特定的插件集合： 模式名称 核心功能与应用场景 标准模式 提供完整的工具组合，适用于通用的 Agent 任务。 PTC 模式 即“程序化工具调用”（Programmatic Tool Calling），通过模型生成的代码片段来驱动多轮工具调用。 极简模式 仅保留单一的 shell 工具与文件编辑工具，专为最小环境下的模型基准测试设计。 创造模式 允许开发者检查当前运行时并在内存中试验插件，用于组合与创作全新的运行模式。 可观测性与溯源机制 DeepSeek Harness 强调运行过程的透明度，确保每一次模型决策和执行都有迹可循。 * 仅追加（Append-only）会话日志： 系统将模型接触到的所有信息写入持久化日志，确保数据的不可篡改性和完整性。 * 全方位追踪： 日志记录内容涵盖系统提示词、思维链（CoT）、工具调用及其结果、子 Agent 调度以及每一次上下文注入。 * 轨迹视图（Trajectory View）： 开发者可以按来源查看信息流，并基于同一份事件流实现以下功能： * 恢复与回放： 重新审视或恢复特定的运行状态。 * 分叉（Forking）： 从特定节点开启新的实验分支。 * 检索： 对过往会话进行高效的信息提取。 快速上手与生态愿景 DeepSeek Harness 目前处于 v0.1 的早期阶段，致力于通过开源合作探索智能上限。 安装与启动 * 快速体验： 支持通过 Node.js 工具链一键启动： npx @deepseek-ai/dsh web * 源码安装： 开发者可以通过 GitHub 仓库（deepseek-ai/deepseek-harness）获取完整源码进行深入开发。 未来展望 DeepSeek 团队强调，当前版本是构建开源、开放、可复用基础设施的起点。未来将通过快速迭代改进核心插件与基础接口，并号召全球开发者共建 DSH 插件生态，共同推动 Agent 能力的演进。

面对日新月异的AI工具，你是否感到焦虑和不知所措？本期节目，我们邀请到知名AI专家Alex Finn，他将为你一劳永逸地解决这个难题，为你揭晓2026年8月最顶级的AI工具矩阵，让你彻底告别选择困难，精准掌握未来的生产力密码。 Alex Finn将分享他如何将AI深度融入日常工作流，从使用“地球上最聪明”的规划模型Fable 5 Medium解决ChatGPT无法处理的网络难题，到仅凭语音指令让AI智能体自动部署新模型到本地服务器，其实战经验颠覆了我们对AI工具的传统认知。他将用一个令人震惊的案例证明，为何你每天都在使用的ChatGPT桌面应用，其强大的电脑控制能力已悄然超越Hermes和OpenClaw，成为当下最强的AI智能体框架。 您将了解到： * 在2026年，当AI工具层出不穷时，究竟哪款模型才是规划、执行和设计的王者？ * 当下的AI智能体大战中，为什么说一款你每天都在用的桌面应用，已经悄然超越了Hermes和OpenClaw？ * 如何仅通过语音对话，就能在散步时完成过去需要坐在电脑前数小时才能完成的复杂工作？ 💡时点内容 | Key Topics * [01:33] 最强规划模型：Fable 5：Alex Finn指出，Fable 5 Medium是当前地球上最聪明的规划模型，适用于任何计划、纲要或头脑风暴。他分享了用它解决ChatGPT 5.6无法处理的网络设置问题的经历，并强调Medium版本是“最佳平衡点”，因为它既能保证足够的使用量，又能得到可读性很强的内容，避免了高阶版本的过度思考和高昂成本。 * [02:11] 执行力之王：ChatGPT 5.6：Alex Finn宣布，专为日常工作和执行任务设计的最佳模型是ChatGPT 5.6 SoMedium。他透露自己所有执行层面的工作都由它驱动，并认为从代码编写角度看，它与Fable 5不相上下但性价比更高，强调“Hermes已经过时了，ChatGPT 5.6 SoMedium才是王道”。 * [02:50] AI交互的未来：语音模式：Alex Finn分享了他最喜爱的工具ChatGPT Voice，并坚信它“就是AI未来的交互界面”。他描述了自己每天花数小时戴着AirPod散步，通过语音对话完成大量工作的工作流，指出用户只需说出“启动一个新线程”，就能将任务委派给其他代理，实现颠覆性的多任务处理。 * [09:15] 最强AI代理框架：Alex Finn回答了关于最佳AI代理的疑问，并断言目前地球上最强的AI智能体框架是ChatGPT桌面应用。他回顾了让ChatGPT自动部署新模型的经历，强调其强大的电脑控制能力已超越Hermes和OpenClaw，并指出“其他智能体能做到的事情，ChatGPT没有做不到的”。 * [13:07] UI/UX设计的首选：Alex Finn指出，在构建UI、UX或任何图形相关任务时，他的首选是在Claude Code中使用Opus 5。尽管承认该模型存在说话方式奇怪等缺点，但他强调“每当我在做任何跟UI或者UX相关的工作时，Opus 5都是最强的”，尤其对于需要惊艳UI的商业级应用而言更是如此。 * [13:45] 本地模型的可靠选择：Alex Finn分享了他在本地模型上的首选是Qwen 3 627B，并将其比作一匹任劳任怨的“老黄牛”，因为它在速度和智能之间取得了完美平衡。他建议，如果用户拥有本地模型，最好设置一个Hermes智能体来运行它，并推荐使用LM Studio来方便地下载和加载模型。 * [16:58] 多人协作AI的未来：Alex Finn推荐了一款名为Buzz的必备工具，并将其描述为一个专为AI智能体协作而生的平台。他透露自己正通过Buzz将本地算力分享给社区成员，并预测“‘多人协作AI’这个概念，就是未来”，相信让多个人共享智能体和上下文共同构建项目将成为巨大趋势。 📺相关链接与资源 [视频来源]https://www.youtube.com/watch?v=u0_5qgc3k0Y

当一家顶尖AI公司的内部PR有65%都由AI开启时，这不仅是效率的提升，更是一场工作范式的革命。在本期节目中，我们邀请到Anthropic技术团队成员Lamis Mukta，她将为我们揭示这款名为Claude Tag的“主动型队友”如何将开发工作流从IDE彻底解放出来，并分享Anthropic产品哲学背后的深刻洞见——为模型未来的能力而设计。 Claude Tag 远不止是Slack中的一个简单@机器人，它是一个拥有持久记忆、能够跨频道理解上下文、并主动发起任务的智能协作者。Lamis Mukta分享了Anthropic内部令人惊叹的实践：Claude Tag能够自主捕捉用户反馈、创建工单，甚至启动沙箱环境编写代码，将整个开发流程无缝串联。它就像团队的“总指挥”，不仅自动化了繁琐的技术任务，更通过独特的“智能体身份”架构，将产品、销售等跨职能同事无缝整合进开发协作中，真正实现了端到端的智能体驱动工作（Agentic Work）。 您将了解到： * Anthropic内部65%的PR竟由AI开启，开发者真的要告别IDE，在Slack里完成所有工作了吗？ * 为什么说为当下最强的AI模型设计产品是错误的？Anthropic的产品开发哲学揭示了什么未来趋势？ * 如何让AI智能体像人一样“做梦”并实现自我进化？揭秘Anthropic用于优化智能体的持续学习黑科技。 💡时点内容 | Key Topics * [04:42] 主动型队友Claude Tag：Lamis Mukta将Claude Tag定义为一个“主动性很强的队友”，它在Slack中工作，拥有持久性和跨频道的记忆与上下文。她强调，与简单的@Claude机器人不同，Claude Tag能“自己去执行一项任务，而且是长时间地执行，直到任务完成后再回来通知你”，甚至能够主动发起对话，突破了单次会话的限制。 * [07:47] 端到端自动化工作流：Lamis Mukta描述了Claude Tag如何实现从捕捉用户反馈、创建工单到启动沙箱编写代码的完整工作流，将开发者从繁琐流程中解放出来。她将Claude Tag比作“总指挥”，指出它不仅能自动化技术任务，还能赋能“多人协作”，将产品、销售等跨职能同事无缝整合到开发流程中。 * [17:03] 智能体能力的指数级增长：Lamis Mukta探讨了AI智能体能力的指数级增长，并引用研究称“大概每四个月，智能体能够自主运行的时间就会翻一番”。她认为，这种能力的提升，加上模型在自我验证方面的进步，是开发者敢于在远离代码的协作环境（如Slack）中工作的信任基础。 * [29:24] Claude Code的诞生与启示：Lamis Mukta回顾了Claude Code源于一个内部业余项目，并分享了其成功的关键在于模型能力达到了某个临界点。她从中总结出一个重要的产品开发原则，即应该“为模型未来的形态去构建产品，而不是为它们今天的样子”，因为技术的发展速度远超预期。 * [35:35] 企业级AI的权限架构：Lamis Mukta透露，为了将Claude Tag扩展到企业级应用，团队设计了“智能体身份”这一核心架构。她解释说，团队版的智能体拥有“自己独立的权限和密钥”，代表整个团队而非个人进行操作，这使得审计和追溯变得更容易，是实现大规模安全协作的关键。 * [51:02] “做梦”：智能体的持续学习：Lamis Mukta介绍了Managed Agents产品中的“Dreaming”功能，将其描述为一种持续学习机制。她解释道，该功能会派一个审查智能体去分析另一个智能体的工作记录和记忆，“寻找其中任何不一致的地方”，从而提出优化建议，实现智能体性能的自动化迭代和提升。 📺相关链接与资源 [视频来源]《How Claude Tag Is Changing Agentic Work》 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

英伟达，这家市值万亿的AI帝国，竟是从一个完全错误的技术设想起家？在本期节目中，创始人兼CEO黄仁勋将亲自揭示这段鲜为人知的创业史，分享他如何带领公司从濒临破产的边缘，凭借“直面现实”和“终身学习”的心态，一步步构建起今天的商业传奇。 很少有人知道，英伟达的起点是选择了一条完全错误的技术路线，濒临破产。面对危机，黄仁勋没有放弃，而是亲自跑到书店买回教科书，带领团队从零学起。更具戏剧性的是，他曾向客户世嘉坦诚项目失败，却大胆请求对方支付全款以挽救公司。正是这段“向客户要救命钱”的经历，让他深刻领悟到，一个伟大公司的核心并非技术，而是一个独特且坚信不疑的宏大构想，以及直面现实、不断学习的强大心态。 您将了解到： * 英伟达是如何从一个完全错误的技术设想起家，最终成长为万亿市值AI帝国的？ * 当项目失败、公司濒临破产时，黄仁勋为何敢向客户承认失败并要求对方支付全款？这个大胆的请求如何奇迹般地拯救了英伟达？ * 为什么黄仁勋坚信，AI非但不会摧毁就业，反而会通过自动化“任务”来创造更多更有价值的“工作”？ 💡时点内容 | Key Topics * [04:04] 错误的起点：黄仁勋透露，英伟达创立之初所依赖的核心技术是完全错误的。他分享了公司濒临失败时，自己去买教科书从零开始学习3D图形技术的经历，并强调真正的教训是“只要你能够直面现实，只要你愿意去学习，技术本身是什么，其实并不重要。” * [06:58] 算法，而非芯片：黄仁勋指出，英伟达早期最精准的宏大构想并非制造芯片，而是通过加速计算来解决特定算法领域的问题。他认为，成就伟大公司的核心是“对世界有一个独特且坚信不疑的看法”，这甚至比技术和市场更重要，而英伟达坚信的正是加速计算的未来。 * [07:21] 濒临破产的转折：黄仁勋回顾了公司早期因技术路线错误而无法履行与世嘉合同的危机。他分享了自己如何坦诚地向客户承认失败，并请求对方支付合同款以挽救公司的经历，并认为对方的投资最终是“投的是人，而不是公司”，这笔钱让英伟达得以存活。 * [09:20] AI的顿悟时刻：黄仁勋分享了他对AlexNet出现的看法，指出真正的突破点是认识到其背后是一种全新的软件开发方式。他将深度学习比作“通用函数逼近器”，并解释了这一认知如何让英伟达在15年前就开始布局计算机视觉、机器人和自动驾驶等领域。 * [14:53] CEO的赛车手哲学：黄仁勋将CEO比作F1赛车手，强调创始人应根据自己的驾驭方式来打造和调整公司这辆“赛车”。他认为，不应拘泥于传统的管理方法，而应不断重塑业务流程和工作方式，让组织适应自己，从而为公司创造最大价值，实现“创始人模式”的长期成功。 * [24:59] AI创造就业：黄仁勋反驳了“AI摧毁就业”的论调，认为AI消除的是“任务”而非“工作”。他以软件工程师和放射科医生为例，指出生产力的提升会促进增长，从而创造更多就业机会，因为人类积压的雄心和抱负远超当前生产力所能满足的范畴。 * [27:22] 物理AI的黎明：黄仁勋预测，物理AI将成为继自动驾驶汽车之后，下一个千亿美金级别的业务。他透露，机器人领域的“ChatGPT时刻”其实几年前就已发生，并介绍了英伟达通过“从现实到模拟”再“从模拟到现实”的框架来训练机器人，加速其商业化进程。 * [37:12] 创业者的终极心态：黄仁勋分享了他认为企业家应有的核心心态。他鼓励创业者面对未知和挑战时，不要被困难吓倒，而是要抱持一种“能有多难呢？”的态度去开始，并坚信学习是“最强大的超能力”。他认为，坚韧不拔是最终成功的关键。 📺相关链接与资源 [视频来源]《Jensen Huang: The Mindset That Built NVIDIA》 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

一个AI智能体如何仅用11天重写十万行代码，完成工程师团队数年的工作量？本期节目，我们邀请到Claude Code的创造者Boris Cherny，他将分享一套颠覆传统软件工程的AI开发新范式，揭示顶尖用户如何通过“激进删减”和“自我验证”释放模型的真正潜力。 Boris Cherny分享了一个令人震惊的案例：一个Opus 5模型仅用11天，就将Bun项目的十万行Zig代码重写为Rust，这项任务过去需要顶尖团队耗时数年。这背后是他将大模型开发视作与“活的生物”打交道的独特哲学，他认为当前产品形态严重“束缚”了模型能力（即“产品悬置”），而Claude Code的诞生正是为了打破这种限制，去探索模型能力的真正边界。他提倡一种经验主义的科学方法：大胆尝试，观察结果，然后快速迭代。 您将了解到： * 为什么Claude Code的创造者每次发布新模型，都会删掉80%的系统提示？ * 一个AI智能体如何仅用11天就重写了十万行代码，完成了工程师团队数年的工作量？ * 顶尖AI用户究竟掌握了什么秘诀，能让一个任务持续运行数周并调度上千个智能体？ 💡时点内容 | Key Topics * [00:03] Opus 5的全新境界：Boris Cherny透露了Opus 5模型的两项突破性能力：无需“脚手架”即可持续运行数周乃至数月，以及通过结合对齐模型和神经元层面的分类器，达到了前所未有的“提示词注入”攻击免疫。他指出，“我们现在已经完全无法复现提示注入攻击了。” * [03:04] 激进的提示词删减法：Boris Cherny分享了他们为适应新模型而采取的“消融实验”方法，即每次模型更新后都删除超过80%的系统提示，再逐行加回以评估效果。他建议开发者和用户也应勇敢按下删除键，因为“在没有这些提示的情况下，模型本身的表现反而会更智能一些。” * [06:05] 模型开发的新范式：Boris Cherny将为大模型开发比作与一个“活的生物”打交道，强调这与传统软件工程截然不同，后者注重宏大架构和预先设计。他认为，新范式更像是一个经验主义的科学探索过程，开发者必须“抱着非常科学的心态来对待它，就是你先尝试一些东西，观察结果，然后再基于结果去迭代。” * [12:06] 为Claude松绑：Boris Cherny介绍了“产品悬置”的概念，指出当前模型的能力远超现有产品所能激发的范围，而产品本身反而成了模型的“束缚”。他回顾了Claude Code的诞生正是为了打破这种限制，并认为“即使是今天的这些先进模型，仍然存在大量的‘产品潜力悬空’现象。” * [15:07] 重写十万行代码：Boris Cherny分享了一个惊人案例：Opus 5模型在11天内，仅凭一个提示词和动态工作流，就将Bun项目的十万行Zig代码重写为了Rust。他强调，这项过去需要顶尖团队耗时数年的工作，如今模型已能胜任，这证明了“你应该交给模型一些比你想象中它能做的、要稍微难一点的任务。” * [15:37] 编排数千智能体：Boris Cherny揭示了通过“动态工作流”和“例程”来扩展智能体能力的方法，可以调度成千上万个智能体协同完成复杂任务。他分享了利用这些工具实现代码库自我维护的实践，例如自动清理无用代码和统一抽象，并称之为“一种组织‘测试时计算’的全新方式”。 * [21:07] 自我验证的关键：Boris Cherny指出，顶尖用户的秘诀并非提示工程技巧，而是为模型设定一个高难度任务，并赋予其自我验证的能力。他以一个持续运行两周多的Swift应用重写任务为例，强调关键在于让模型能像人一样检查工作成果，并认为“这个‘验证’环节，可能就是大家最容易忽略，但又恰恰是最关键的一步。” 📺相关链接与资源 [视频来源]《Boris Cherny: Stop Hobbling Your AI》 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

本报告基于《开放模型与美国人工智能领导力》文件的核心观点，探讨了开放权重模型在维护国家竞争力和推动创新中的关键作用。报告指出，美国的人工智能（AI）领导力不仅取决于单一的前沿模型，更取决于一个强大且开放的生态系统。开放权重模型允许任何组织下载、检查、修改并在其自有基础设施上运行，是这一生态系统的基石。通过借鉴 20 世纪 80 年代开源软件运动的成功经验，开放权重被视为促进经济扩散、加强市场竞争、确保技术主权以及提升系统安全性的核心驱动力。 历史背景与开源精神的传承 20 世纪 80 年代的开源软件先锋挑战了“软件进步必须依赖企业严密控制代码”的观念。 * 透明生态系统： 开源运动推动了透明的生态建设，使全球开发者能够学习、修改和改进软件。 * 关键基础设施支撑： 开源软件现已支持大部分互联网运作，并成为大型科技公司、美国军方及联邦机构执行关键任务（如科学研究、网络安全）的基础。 * 知识共同体： 开源不仅降低了成本，还创造了共享的知识基础，帮助美国工程师和企业家建立了制度主权。 开放权重模型的定义与核心价值 开放权重模型是指那些允许任何人下载、检查、修改并在其自有基础设施上运行的 AI 模型。 1. 扩大 AI 经济的可及性 * 降低准入门槛： 初创公司、大学和公共机构可以在先进模型基础上进行开发，无需从头开始训练或为每项任务支付高昂的前沿模型使用费。 * 经济可持续性： 组织可以根据具体任务匹配合适的模型（将前沿能力用于解决真正的前沿问题，在日常任务中运行高效的专业模型），使 AI 在大规模应用中更具经济性。 * 跨行业扩散： 开放权重使 AI 能够融入工厂、医院、农场、教室和普通企业的日常工作流程。 2. 加强竞争与防止垄断 * 利益共享： 通过允许众多组织构建和部署模型，防止 AI 收益集中在少数公司手中。 * 全产业链竞争： 开放权重不仅在模型开发商之间产生竞争，还推动了云芯片、应用程序和服务领域的创新与价格下降。 3. 增强用户控制权与主权 * 避免供应商锁定： 开放权重确保组织不会受困于单一服务商，保护其长期积累的知识和能力。 * 数据与价值控制： 组织可以完全控制自己的数据，根据需求调整模型，并通过自我改进的模型和专业能力拥有所创造的价值。 安全性、风险与防御能力 文件指出，尽管开放权重具有独特性风险，但“透明度”是实现 AI 安全的最重要路径之一。 政策建议与未来展望 为了确立强大的 AI 生态系统，政策制定者应把握时机，采取以下行动： * 扩大算力访问： 为初创企业和研究人员提供更多算力资源。 * 投资共享资产： 投入资源开发共享的训练数据集、工具和评估框架。 * 保持前沿多样性： 避免过早实施可能抑制竞争或导致创新流向海外的限制性措施。 * 区分合法技术与侵权： * 蒸馏（Distillation）： 应被视为一种合法的模型改进和验证技术，符合学习与创新的传统。 * 非法提取： 对非法从闭源模型中提取价值的行为，应通过针对性的法律和商业框架解决，而非采取一刀切的限制措施。 结论 人工智能时代有望成为一个繁荣的时代。通过正确的选择，开放权重 AI 可以扩大机遇、加强竞争、延伸美国的领导地位并减轻风险。通过将 AI 收益广泛扩散至整个经济领域，可以确保这一非凡技术造福于全社会。 📺播客说明 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

AI工程领域正经历一场从理论到实践的剧烈变革，成本从“事后优化”变为“首要约束”，而AI智能体也正悄然获得系统“写入”权限。本期节目，我们邀请到Amplify Partners的Barr Yaron，他将基于年度AI工程现状调查的独家数据，深度解读顶级团队如何在这场浪潮中调整航向，重新定义工程师的核心价值。 作为深耕AI领域的风险投资机构，Amplify Partners每年发布的《AI工程现状报告》已成为行业风向标。在本期节目中，Barr Yaron分享了报告中的惊人发现：高达95%的团队已在使用AI智能体，其中近九成拥有“写入”权限，这意味着AI正从信息助理进化为系统行动者。同时，报告揭示了成本已成为仅次于质量的核心指标，而开源模型在生产环境中更多扮演“增强”角色，超过九成的团队仍依赖闭源模型。这些基于真实数据的洞察，为我们描绘了一幅与主流叙事不尽相同的AI工程实践图景。 您将了解到： * AI应用的成本为何正从“事后优化”变为“首要约束”？当无限智能遇上有限预算，顶级团队如何调整航向？ * AI智能体正悄然获得系统“写入”权限，这一飞跃式进化，对产品安全和团队控制力提出了哪些前所未有的挑战？ * 当非工程师也能交付面向客户的功能时，AI如何颠覆传统的团队分工，并重新定义软件工程师的核心价值？ 💡时点内容 | Key Topics * [00:01] AI工程新浪潮：嘉宾分享了年度AI工程现状调查的背景，指出一个显著趋势：许多拥有超过10年经验的资深工程师接触AI的时间却不足三年，他们正在实时地学习一个全新的技术范式，而新一代工程师则“从一开始接触软件开发，就已经离不开AI了”。 * [03:03] 音频与图像的崛起：嘉宾分析了AI模态的应用趋势，指出文本仍占主导，但音频的“采用意愿”连续两年最强，今年高达56%。他同时强调，图像生成是变化最大的领域，满意用户比例从18%翻倍至36%，这展示了当一个模态跨过某个关键门槛后会发生什么：“过去大家总觉得图像生成是高效产出‘奇怪的手’的工具，现在它正日益成为实际工作的一部分。” * [06:05] 开源模型的真实定位：嘉宾揭示了生产环境中模型选型的真实情况，报告称94%的团队使用闭源模型，而使用开源模型的团队中超过90%也同时使用闭源模型。他强调，开源与否并非核心考量，模型选择的核心驱动因素是质量与成本，开源模型目前更像是“一种增强，团队们正在进行混合搭配”。 * [06:35] 成本成为首要约束：嘉宾指出，AI成本已成为一个首要的工程约束，这与一年前截然不同。他分享的调查数据显示，约四分之三的受访者会根据成本调整AI的使用方式，并且在生产环境监控中，成本是仅次于质量的核心指标，他认为“无限的智能，最终还是要附带一张按使用量计费的账单”。 * [09:06] 智能体的“写入”革命：嘉宾强调了智能体（Agents）领域的巨大转变，报告称使用智能体的团队比例已高达95%。他特别指出，更关键的变化是拥有“写入”权限的智能体比例从去年的52%飙升至89%，这意味着智能体“不再仅仅是读取、总结、起草文件了，它们开始在系统内部……采取实际行动了”。 * [15:07] 模糊的组织边界：嘉宾探讨了AI对团队的深远影响，指出高达81%的受访者认为AI正在模糊工程师与产品、营销等角色间的界限。他分享了一个惊人的数据：超过三分之一的团队里已有非开发人员在负责功能交付，这表明“交付软件这件事，已经不再是工程师的专属了”。 📺相关链接与资源 [视频来源]《AI Evaluations Clearly Explained in 50 Minutes (Real Example) | Hamel Husain》 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

你耗费心血构建的AI智能体，为何不到半年就面临淘汰？Inngest CTO Dan Farrelly一针见血地指出，AI架构的半衰期仅有六个月，并揭示了构建一个能稳定数年的“长寿”系统架构的秘诀。 在AI技术浪潮中，开发者常常陷入不断重构的循环。Dan Farrelly基于他在Inngest的实践经验，创新性地提出了智能体架构的“大脑-知识-手”三层心智模型。他强调，问题的关键在于将易变的提示词、模型与稳定的执行流程解耦，通过打造一个可恢复、可组合、可观测的执行层作为架构的“稳定核心”，才能在快速变化的环境中立于不败之地。 您将了解到： * 为什么说你精心构建的AI智能体架构，在短短六个月后就可能过时？ * 在AI技术飞速迭代的今天，如何设计一个能够稳定数年、而非频繁重写的智能体系统核心？ * 如何利用执行层的可观测性，打造出能自我评估、自我改进的智能体闭环？ 💡时点内容 | Key Topics * [00:06] AI架构的六个月半衰期：Dan Farrelly分享了他提出的核心观察，即AI智能体架构的半衰期只有六个月。他指出，由于新模型、新框架和新设计模式的快速涌现，开发者会发现“你原来的架构就不再适用了”。他认为这并非抱怨，而是当前技术发展的现实。 * [00:36] 智能体架构的三层模型：Dan Farrelly提出了一个思考智能体架构的心智模型，将其比作人的“大脑、知识和手”。他将架构划分为三个概念层面：负责流程与状态的“执行层”（大脑），包含模型与工具的“上下文层”（知识），以及用于自动化的“计算层”（手）。 * [03:07] 分层解耦与稳定核心：Dan Farrelly将不同架构层的半衰期进行对比，指出提示词可能只有几周寿命，而设计得当的执行层可以稳定数年。他强调，多数团队将所有层次耦合在一起，导致“某一个层的短暂半衰期会‘泄露’出去”，并认为解耦的关键在于将执行层作为稳定核心。 * [06:11] 执行层的三大职责：Dan Farrelly详细阐述了执行层的核心职责，强调它必须具备三大能力。他指出，执行层需要保证“可恢复性”，能在故障后从断点恢复；提供“组合性”，以支持定时、异步等多种调用模式；并实现端到端的“可观测性”，以进行完整的会话追踪和调试。 * [12:13] 构建自我改进闭环：Dan Farrelly通过一个系统健康检查的例子，展示了如何构建自我改进的智能体闭环。他描述了一个由定时检查、分类处理和定期审查三个功能组成的系统，并强调该系统必须具备“执行感知”能力，能够回顾和分析自身行为，从而实现迭代优化。 * [15:14] 以执行层为评估枢纽：Dan Farrelly认为，执行层是衡量智能体表现的理想枢纽。他解释说，由于用户的反馈、行动和所有会话结果都流经执行层，它“自然而然地成了可观测性的中心”。这使得创建基于真实业务结果的评分体系成为可能，而不再是简单的“点赞”或“踩”。 📺相关链接与资源 [视频来源]《Your agent architecture has a half-life of 6 months — Dan Farrelly, CTO, Inngest》

为什么投入巨资的大模型和海量数据，却依然无法打造出真正可靠的企业级AI智能体？来自特斯拉的 Ishita Daga 尖锐地指出，我们一直在错误的方向上努力，问题的根源不在于“更大”，而在于“结构”——她将为你揭示一套全新的层级化框架，彻底解决企业AI的结构性难题。 当所有人都痴迷于追逐更大的模型时，Ishita Daga 却冷静地将目光投向了问题的底层结构。她将企业智能体难以落地的困境，精准归纳为“模糊性”、“过时性”和“偏好性”三大结构性挑战。在本期节目中，她将分享如何通过构建从“语义层”到“数据库图谱”的层级化“真实之源”来对抗数据混乱，并引入“上下文生命周期”管理机制，确保AI的知识永不过时。这套系统性的思考框架，为所有致力于构建强大企业AI的团队提供了清晰的路线图。 * 当不同团队对同一个指标有截然不同的定义时，AI智能体应该如何应对？我们距离为AI构建“集体心智”还有多远？ 您将了解到： * 为什么盲目追求更大的模型和更全的数据，反而会让企业级AI智能体陷入困境？ * 如何通过构建一个从“语义层”到“数据库图谱”的层级化结构，让AI智能体在混乱的数据源中精准找到“真实之源”？ * 面对快速变化的业务需求，如何建立一套“上下文生命周期”管理机制，确保AI智能体的知识永远保持最新状态？ 💡时点内容 | Key Topics * [00:01] 对更大模型的迷思：嘉宾指出，当智能体表现不佳时，人们的第一反应是追求更大的模型或扩充知识库，但她认为这些方案并未从根本上解决问题，因为“它们却没能真正解决如何从根本上改进数据智能体本身的问题”。 * [00:31] 智能体的三大挑战：嘉宾将企业智能体面临的结构性问题归纳为三个核心挑战。她分享了这三个挑战分别是“模糊性”、“过时性”和“偏好性”，并强调这些是导致智能体难以在企业环境中成功落地的根本原因。 * [03:01] “真实之源”的层级化：嘉宾为解决“模糊性”问题，提出了一种层级化框架。她将“真实之源”分为语义层、规范化数据表和数据库图谱三类，并建议企业从最干净、最易搭建的“语义层”开始，逐步解决问题。 * [06:03] 上下文生命周期：嘉宾针对数据“过时性”挑战，提出了“上下文生命周期”的解决方案。她强调该方案包含两个关键部分：嵌入实时更新的数据源，以及建立一个常被企业忽略的、用于持续评估和更新的“反馈闭环”。 * [06:33] 评估闭环的重要性：嘉宾强调，许多企业智能体项目之所以失败，是因为忽视了评估环节。她指出，必须建立一个反馈闭环来持续追踪性能，因为“你根本不知道代理的进展如何，性能有没有提升，你没有持续追踪这些指标”。 * [07:03] 捕捉主观偏好的难题：嘉宾将“偏好性”定义为捕捉个人或团队特定习惯的难题。她举例说明不同团队对同一指标可能有不同计算方法，并认为“这里面有大量的‘主观性’需要被捕捉到，但要在个人或者团队层面实现这一点，其实挺有挑战的”。 * [09:07] 偏好问题的未解之谜：嘉宾坦言，行业尚未找到解决“偏好性”的完美方案。她分析了语义层和智能体记忆等思路的局限性，并总结称这是一个开放性问题，需要更多研究来为智能体构建一种能理解个人偏好的“集体心智”。 📺相关链接与资源 [视频来源]《Enterprise Agents Have a Structure Problem - Ishita Daga, Tesla》 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

AI行业坐拥万亿估值，为何我们仍未创造出与之匹配的真实价值？本期节目，我们邀请到Anthropic的Claude Code团队成员Thariq，他将带我们深入探讨为何我们可能正因自我设限而“束缚”了Claude的真正潜力，并分享如何通过打破常规思维，释放AI惊人的“能力冗余”，从而弥合巨大的价值鸿沟。 从YC创始人到Anthropic核心工程师，Thariq的职业轨迹让他对AI的价值创造有着独到的见解。他分享了Anthropic一个核心价值观——“绝不自我设限”，挑战了我们对技术权衡的固有认知。Thariq认为，大模型的潜力远超我们想象，存在巨大的“能力冗余”。他通过一个惊人的案例——让Claude独立完成从素材筛选到成片剪辑的全流程视频制作——生动展示了AI的能力边界远非提示词工程所能概括，真正的突破在于我们是否敢于向AI提出“不合理”的要求。 您将了解到： * AI的万亿估值背后，为何依然存在巨大的价值鸿沟？我们是否因为自我设限而错失了真正的增长点？ * 为何大模型有时连简单问题都答错，却能独立完成复杂的视频剪辑？解锁其惊人“能力冗余”的关键技巧是什么？ * 真正的“智能体工程”远不止于写提示词，那么决定成败的关键——处理“未知的未知”——到底该如何实践？ 💡时点内容 | Key Topics * [01:25] AI的价值鸿沟：Thariq指出，尽管AI降低了软件和知识工作的成本，但它尚未创造出足够多的价值来证明其高估值。他认为创造价值依然非常困难，并强调“说实话，我们还没有真正挣到我们这么高的估值，我们投入到AI里的钱，也还没有完全挣回来。” * [01:52] 智能体工程的真谛：Thariq认为，真正的智能体工程远不止于编写提示词和循环。他以自己学习色彩校正的过程为例，强调了深入学习、消除自身“未知的未知”的重要性，并指出“我们需要真正清楚自己在做什么。我们需要去学习更多，然后才能更好地运用提示。” * [04:07] 打破心智模型：Thariq分享了Anthropic“绝不自我设限”的价值观，并挑战了“好、快、省”不可兼得的传统权衡观念。他认为大语言模型是一个需要我们去学习理解的新物种，并指出我们必须发展出一套全新的“人与智能体交互”技术。 * [09:30] 巨大的能力冗余：Thariq提出了“能力冗余”这一核心概念，指模型能做到的事远超我们实际利用的范畴，这造成了巨大的价值错位。他认为，要弥合这一差距，关键在于要尝试“设身处地地站在Claude的视角想问题”，并为其提供更丰富的上下文。 * [12:11] AI的惊喜能力：视频剪辑：Thariq展示了一个完全由Claude驱动的视频剪辑工作流，从素材筛选、转写到UI界面生成，整个过程无需人工剪辑师。他以此为例，说明了AI的能力边界常常超出我们的想象，并坦言“如果你去问大多数人，‘嘿，Claude能剪视频吗？’，我猜他们都会说不可能。” * [22:58] 超越瀑布式开发：Thariq针对AI开发流程的提问，分享了自己避免陷入传统“瀑布式”陷阱的方法。他建议开发者利用AI快速、低成本地“构建大量的原型”，从而在项目早期就迭代和发现真实需求，避免后期代价高昂的路线调整。 📺相关链接与资源 [视频来源]《Thariq (Claude Code) @ Anthropic》 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

在AI智能体竞赛中，过度依赖复杂的提示词工程可能正是你落后的原因。本期节目，Jared Zoneraich将彻底颠覆你的认知，揭示构建和管理AI智能体的正确范式——让模型自由发挥，并利用云端异步工作流，指挥上百个智能体并行作战，重塑软件开发的未来。 Jared Zoneraich认为，对于AI初创公司而言，传统的“护城河”概念已不再适用，真正的壁垒是极致的行动速度和交付能力。他分享了Cognition公司采用的“前置部署工程师”模式，强调在大多数客户尚未被AI“点化”的当下，亲眼见证“魔力”是建立信任的唯一途径。Jared还尖锐地指出了开发者普遍存在的“AI综合征”——在展示前过度追求完美。他提倡“完成比完美更重要”，因为AI能轻松搞定80%的工作，而剩下的20%才是考验人类“技艺与品味”的地方。 您将了解到： * 为什么说依赖复杂的提示词工程，反而会让你在AI竞赛中落后？ * 当大多数企业还不懂AI时，如何才能有效地向他们展示智能体的真正魔力？ * 如何让一个AI智能体扮演“指挥官”，同时管理和协调上百个“下属”智能体并行工作？ * 未来的软件工程师，是否真的不再需要键盘和显示器，只用一个按钮就能完成所有工作？ 💡时点内容 | Key Topics * [03:01] AI智能体构建原则：Jared将构建智能体分为面向用户和内部使用两类，并指出公司最常犯的错误是“逆势而为”。他强调，依赖复杂的提示词技巧不会成为公司的护城河，因为模型本身的能力会快速迭代，他认为正确的做法是“让模型自由发挥，不要试图把它推向某个特定的方向”。 * [09:02] 护城河的虚与实：Jared对传统的“护城河”概念提出质疑，认为对于AI公司而言，真正的优势在于快速行动和交付。他分享了Cognition采用的“前置部署工程师”（FDE）模式，并强调这种模式的必要性，因为大多数人尚未被AI“点化”，需要亲眼见证“那种魔力”才能相信其能力。 * [12:04] 敏捷智能体开发：Jared指出了开发者中普遍存在的“AI综合征”，即在展示给客户前过度设计和评估系统。他强调“完成比完美更重要”，建议团队直接动手，因为模型能轻松达到80%的完成度，而最后的20%则考验人的“技艺和品味”，不应成为启动的障碍。 * [18:08] 云端异步工作流：Jared将Devin的核心优势归结为云端智能体范式，并分享了其独特的异步工作流。他透露，一个关键的用法是让一个主Devin扮演“指挥官”，启动并协调一群子Devin并行工作，并指出“由其他Devin或程序化方式启动的Devin数量，已经超过了由人类手动启动的数量”。 * [27:12] 智能体并行工作：Jared在演示中展示了Devin的“智能体分发”模式，即一个主Devin启动多个子Devin并行重新设计落地页。他解释说，这种模式的真正威力在于处理代码迁移等大型项目，因为它能将任务分解成可测试的小块，让每个智能体“有非常明确的焦点，专注于测试那一件具体的事情”。 * [39:18] 编程智能体的幂律：Jared在分析激烈的市场竞争时，将构建编程智能体视为一个遵循“幂律分布”的核心问题。他认为，如果能解决这个难题，就掌握了解决其他所有问题的关键，因为其他应用都只是它的“下游应用”。他预测市场将分化为“硬核工程”与“轻量级工程”两个方向。 * [39:48] 人机交互的终局：Jared预测，未来代码本身将成为“二阶产物”，人类将与更高阶的概念交互。他描绘了一个激进的未来图景：显示器、键盘和鼠标将被淘汰，取而代之的是一个简单的按钮和语音流程来管理AI智能体，因为当工作是管理智能体时，“你根本就不需要这些东西”。 📺相关链接与资源 [视频来源]《How to Build AI Agents That Check Their Own Work | Jared Zoneraich》 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

AI智能体的“幻觉”不仅是技术难题，更是吞噬预算的无底洞，每一次错误回应都在悄无声息地增加你的运营成本。来自AWS的专家伊丽莎白·富恩特斯（Elizabeth Fuentes）将为你揭示五种超越传统提示词优化的硬核技术与生产级模式，从根源上拦截幻觉，实现降本增效。 在AI智能体大规模应用的今天，我们常常陷入一个误区：以为优化提示词就能解决一切。然而，伊丽莎白·富恩特斯指出，真正的生产级解决方案需要在代码和架构层面建立“护栏”。她分享了如何通过“语义工具选择”将API调用的Token消耗从数千个锐减至不足300个，以及为何在处理数据统计类问题时，能够进行精确计算的“图谱RAG”远胜于传统RAG。本期节目将深入探讨这些从单一技术到多智能体协作验证，再到代码层强制规则执行的完整模式，为你构建一个既智能又可靠的AI系统提供清晰蓝图。 您将了解到： * AI智能体产生的“幻觉”正在如何悄悄地耗费你的预算？ * 除了优化提示词，还有哪些代码层面的“硬核”技术能从根本上杜绝AI幻觉？ * 为什么传统的RAG在处理数据统计类问题时容易“一本正经地胡说八道”，而图谱RAG却能给出精确答案？ * 如何让AI智能体在遇到规则限制时，不是粗暴地中断任务，而是智能地自我纠正并找到替代方案？ 💡时点内容 | Key Topics * [00:00] 幻觉的成本代价：伊丽莎白·富恩特斯指出，AI智能体的每一次回应都在消耗以token计费的资源，而不准确的输入不仅会导致幻觉，还会直接增加成本。她强调，她将介绍的五种技术旨在“减少token的浪费，提高准确性，并且在智能体提交错误答案之前就把它拦截下来”。 * [03:03] 语义工具选择降本：伊丽莎白·富恩特斯分享了第一种技术“语义工具选择”，通过创建一个工具向量数据库，在每次调用前先筛选出最相关的少数工具。她透露，这种方法能将每次调用的token消耗从几千个骤降到不足300个，并认为关键在于“在把信息交给AI代理之前，先筛选出它可能需要的工具”。 * [15:09] 生产环境部署方案：伊丽莎白·富恩特斯分享了将这些技术部署到生产环境的方案，推荐使用Amazon Bedrock Agent Core。她介绍称，该服务提供了一个完整的托管运行时环境，集成了网关、记忆和可观测性，并强调其灵活性，规则更新无需重新部署整个应用。 * [18:10] 超越文本的图谱RAG：伊丽莎白·富恩特斯介绍了“图谱RAG”技术，用于处理需要精确聚合或计数的查询。她指出，传统RAG只能基于检索到的文本片段进行估算，而GraphRAG通过查询知识图谱，能让模型得到一个“可以计算和验证的答案，而不是一个抽样的文本片段”，从而避免幻觉。 * [27:14] 多智能体交叉验证：伊丽莎-富恩特斯解释了“多智能体验证”模式，以解决单个智能体自我合理化错误并伪造成功响应的问题。她介绍了一个由执行者、验证者和评判者组成的智能体“Swarm”，并强调这种责任分离的架构能确保“用户就绝不会看到一个伪造出来的成功响应”。 * [36:21] 代码强制规则执行：伊丽莎-富恩特斯对比了两种代码层面的规则执行方式。她指出，“神经符号守卫”通过钩子实现硬性约束，能“直接阻止”违规操作；而“运行时守卫”则更加灵活，可以在不中断任务的情况下“引导”智能体自我纠正，找到替代方案。 📺相关链接与资源 [视频来源]《Stop AI Agent Hallucinations: 5 Techniques + Production Patterns - Elizabeth Fuentes, AWS》 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

当开发速度能够跟上创意的产生速度，会是怎样的体验？在本期节目中，来自Snapchat的Jeffrey Lee-Chan将揭示他如何通过名为“Open Claw”的理念，实现与AI的“无摩擦沟通”，将软件开发效率提升至前所未有的新高度。 Jeffrey Lee-Chan分享了一种革命性的AI协作工作流，其核心理念“OpenClaw”并非一个具体工具，而是一种追求极致效率的开发哲学。他详细阐述了为何将AI工具“专门化”至关重要，这能避免宝贵的上下文空间被实现细节占用。更重要的是，他提出开发者应从“程序员”转变为AI“管理者”，利用多代理视角做出更客观、无偏见的技术决策，同时在追求顶尖性能与控制高昂token成本之间找到巧妙的平衡点。 您将了解到： * 如何通过“无摩擦沟通”让AI助手理解整个项目上下文，从而将开发速度提升到新高度？ * 为什么说将AI工具“专门化”能解决大模型上下文空间被实现细节占用的痛点？ * 如何从“程序员”转变为AI“管理者”，利用多代理视角消除偏见并做出更优的技术决策？ * 在AI开发中，如何在追求顶尖模型性能的同时，通过智能切换策略有效控制高昂的token成本？ 💡时点内容 | Key Topics * [00:01] 高效AI协作工作流：主讲人介绍了他的高层级工作流，解释了在70%的情况下仅需描述任务即可。他强调，“Open Claw一个很棒的地方在于，它能记住上下文和历史记录，所以它明白你正在讨论什么”，这种能力实现了简洁的沟通，并减少了重复解释背景信息的需求。 * [03:02] Open Claw的核心理念：主讲人将Open Claw定义为一种理念而非特定工具，其核心是“无摩擦的沟通”。他指出，这种方式能让你轻松地与AI对话，无需局限于特定设备，从而“获得更高层次的开发速度”。他还分享了以tmux和代理编排器为中心的“中心轴”技术栈。 * [03:32] Open Claw的专门化优势：主讲人回答了为何选择Open Claw而非直接使用Claude，强调其关键优势在于“专门化”。他认为，Open Claw能将AI的上下文聚焦于任务规格和目标，避免被实现细节占据宝贵的上下文空间，并指出后者会“等于你 25% 的上下文空间，一开始就被实现细节给占用了”。 * [06:02] 代理驱动的自动化测试：主讲人分享了他在代理驱动浏览器测试方面的经验，透露其可靠性在近半年内已大幅提升。他回顾了代理过去常遇到的困难，并指出现在“agent已经能非常出色地帮我完成大量的浏览器测试”，这极大地减少了繁琐的手动测试工作。 * [06:32] 管理者视角与无偏见AI：主讲人透露，他使用AI工具时的角色更像是一位“管理者”而非“程序员”。他认为，这种视角带来了一个独特的好处，即消除单个AI执行者的偏见。他通过PR审批的例子说明，“管理者和执行者拥有不同的上下文信息”，从而能做出更客观的决策。 * [12:05] 沙盒环境与开发流程：主讲人阐述了他对沙盒模式的理解，将其分为Docker隔离环境和用于并行测试的“预发布环境”。他分享了理想的开发流程：本地开发、预发布环境集成测试、最后部署到生产。他认为，这种方式虽然会增加token消耗，但“系统的可靠性可能会更高一些”。 * [15:07] AI模型的成本控制策略：主讲人分享了他管理AI模型成本的实用策略。他透露，自己会先使用一个高性能模型直至预算耗尽，然后切换到一个更经济的替代模型来处理其他任务。他强调，这“主要还是出于成本的考虑”，是一种在不牺牲所有任务性能的前提下平衡开销的务实方法。 📺相关链接与资源 [视频来源]《Develop at Idea Velocity - Jeffrey Lee-Chan, Snapchat》 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

本报告《Prompting》旨在总结 OpenAI 开发者平台关于提示词（Prompting）的核心方法论、ChatGPT 在工作场景中的应用策略，以及 Codex 针对开发者的专项工作流。提示词工程的本质在于清晰地描述目标而非技术语法。一个高效的提示词通常由目标、上下文、输出要求和边界设定四个核心要素构成。随着系统能力的扩展，通过连接外部插件、模型上下文协议（MCP）及 SDK，用户可以将简单的对话转化为复杂的、多步骤的自动化工作流。 1. 提示词核心框架与方法论 提示词是与 ChatGPT 沟通的核心手段，其目的在于告知系统需要了解、创作或更改的内容。 1.1 四大核心要素 对于复杂任务，一份完整的提示词应包含以下要素： 1.2 迭代与优化策略 * 初次尝试： 无需追求完美，可从描述预期结果开始，而非罗列详细步骤。 * 后续跟进： 利用后续消息调整细节、添加缺失来源或改变语气。 * 引导与排队（Steer & Queue）： * 引导 (Steer)： 在 Codex 工作时发送消息以改变方向或添加细节。 * 排队 (Queue)： 将后续任务保存，待当前任务完成后执行。 * 语音输入： 在桌面端通过快捷键（Ctrl + M）进行语音转文字输入，提高效率。 2. ChatGPT Work：企业级应用与效率 ChatGPT Work 专为处理涉及多来源、多步骤、需要生成较大交付物或执行更改的任务而设计。 2.1 高效工作准则 * 结果导向： 提供源材料，指明受众，并解释审查方式。 * 任务拆解： 要求 ChatGPT 先制定计划，在得到批准后再执行发送、发布或修改信息的行为。 * 资源管理： 仅包含相关来源并限制日期范围，以优化额度使用。 * 自动化： 细化提示词使其稳定后，可利用“计划工作”（Scheduled tasks）功能实现自动化运行。 2.2 个性化与上下文连接 * 自定义指令： 在“设置 > 个性化”中定义适用于所有任务的偏好。 * 连接源： 使用 @ 符号调用特定插件（如 Google Drive, Slack, GitHub）或通过连接的项目共享本地文件夹。 3. Codex：开发者专项工作流 Codex 为代码、代码库及开发工具的操作提供了深度集成，支持 IDE 插件、CLI 及云端环境。 3.1 核心开发场景应用 3.2 进阶功能与指令 * 斜杠命令： * /plan：要求 Codex 在编辑前调查并提出方案。 * /goal：在目标模式下设定持久目标。 * /mention：在 CLI 中附加特定文件。 * 云端委托： 在 IDE 中制定计划后，可将耗时的实现任务委托给云端环境（Cloud environment）并行运行。 * 沙箱机制： Codex 在本地运行时受到沙箱限制，跨越边界（如访问网络）需遵循审批政策。 4. 扩展生态与系统架构 文档揭示了 OpenAI 开发者生态的深度，涵盖了从基础 API 到高级代理（Agents）的全面支持。 4.1 核心 SDK 与工具 * Apps SDK： 用于构建扩展 ChatGPT 能力的应用，支持 MCP 应用、UI 组件设计及商业化流程。 * Agents SDK： 专注于代理定义、编排（Orchestration）、护栏（Guardrails）及语音代理的构建。 * MCP（模型上下文协议）： 允许将私有 MCP 服务器连接到 OpenAI 产品，实现数据的安全访问。 4.2 专用模型与功能 * 推理模型： 提供专门的推理能力与最佳实践。 * 多模态： 涵盖文本、代码、图像（Vision）、语音及视频生成。 * 安全与合规： 提供红队测试、内容审核（Moderation）、HIPAA 配置及工作负载身份联邦（Workload identity federation）。 4.3 开发者动态 * 模型演进： 提及了 GPT-5.4 与 GPT-5.6 的最新应用方向，如利用 GPT-5.4 设计前端界面。 * 实时能力： 实时 API（Realtime API）支持语音搜索、实时转录及翻译。 5. 结论 OpenAI 提供的工具链正在从单一的对话框转向全方位的开发与办公环境。成功的提示词不再依赖于“咒语”，而是依赖于对目标、上下文、输出格式和安全边界的清晰定义。无论是通过 Codex 在 IDE 中进行自动重构，还是通过 ChatGPT Work 协调复杂的市场发布，其核心价值在于利用 AI 强大的计划、搜索和执行能力，将人类从繁琐的重复性任务中解放出来。 📺播客说明 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。

在AI浪潮席卷、市场噪音日益喧嚣的今天，初创公司最强大的护城河可能就藏在创始人自己身上。本期节目，来自知名产品开发咨询公司 Evil Martians 的 Victoria Melnikova 将颠覆你的传统认知，揭示为何“你本人”就是这个时代最被低估的竞争优势。 从 PlanetScale CEO 仅凭个人 Twitter 就斩获大客户，到 Sentry 创始人眼中旧金山无可匹敌的“不公平优势”，Victoria Melnikova 深入剖析了一系列看似疯狂却极其有效的营销战术。她认为，无论是高速公路旁的巨型广告牌，还是从小型晚宴演变而来的用户大会，其核心都在于抢占用户心智，建立品牌信誉。更出人意料的是，她指出一个精彩的失败故事，其品牌吸引力甚至远超完美的成功叙事，因为在内容泛滥的时代，真实与个性才是最稀缺的资源。 您将了解到： * 为什么说创始人的个人品牌，正在成为初创公司最被低估的竞争优势？ * 在AI生成内容泛滥的时代，创始人如何通过“做自己”来建立真正的品牌护城河？ * 为何说旧金山拥有“不公平的优势”？广告牌、用户大会和疯狂的营销活动对早期公司究竟意味着什么？ 💡时点内容 | Key Topics * [00:00] 创始人即竞争优势：Victoria Melnikova回顾了与PlanetScale CEO的对话，分享了其通过个人Twitter账号获取客户的经历，并由此提出核心观点：“2026年初创公司最被低估的一个竞争优势……是你本人”，强调了创始人个人品牌的重要性。 * [03:03] 旧金山的不公平优势：Victoria Melnikova引用Sentry创始人David Cramer的观点，指出旧金山在人脉资源上拥有绝对优势，并强调对于想创业或融资的人来说，能接触到这些资源本身就是一种“巨大的不公平优势”，建议创始人“来就对了”。 * [06:03] 广告牌的品牌信号：Victoria Melnikova分析了在旧金山投放广告牌的作用，认为这不仅是向世界宣告“你存在”，也是在争取用户的心智份额。她引用一位嘉宾的经历，说明广告牌能有效建立公司信誉，让外界认为“哇，我都没意识到你们公司规模这么大”。 * [06:33] 从小型聚会到用户大会：Victoria Melnikova分享了举办活动的多种方式，从板网球、晚宴等小型聚会到技术交流会和产品发布派对。她还指出，早期创业公司举办自己的用户大会正变得越来越普遍，并以Supabase为例，强调“每家公司最终都渴望能举办自己的用户大会”。 * [09:03] 失败故事的品牌价值：Victoria Melnikova认为，失败反而能为品牌吸引更多关注，因为“完美其实挺无聊的，人们就是喜欢听一个精彩的失败故事”。她通过与一位放弃30万美元年收入从零开始的创始人对话，展示了拥抱失败并成功翻盘的强大吸引力。 * [09:33] AI时代的个人品牌：Victoria Melnikova指出，尽管AI自动化工具盛行，但人们依然偏爱精心打造的体验。她认为AI无法真正取代创始人，而是可以“放大你的信号”，并建议创始人深入思考如何利用AI放大个人特质，打造独特的品牌护城河。 📺相关链接与资源 [视频来源]《GTM Is You - Victoria Melnikova, Evil Martians》 本播客采用虚拟主持人进行播客翻译的音频制作，因此有可能会有一些地方听起来怪怪的。如想了解更多信息，请关注微信公众号"AI西经东译"获取AI最新资讯。如有后续想要听的其他外文播客，也欢迎联系微信：mayday2303。