追踪真正在造东西的人，而不是复读的意见领袖。
今日主线 · Today's Signal
FPV Ventures 合伙人 Nikunj Kothari 发了条刷屏长贴：他把 AI 全栈从上到下数了一遍——模型层、IDE、harness、应用生成器、套壳应用、推理服务、语音层、数据标注、AI 基础设施、neocloud、生成式媒体——挨个盖章「没有护城河」，最后自嘲说唯一有护城河的是风投机构本身。表面是段子，内核是当下最真实的行业焦虑：能力在快速商品化，谁都不安全。他另一条则是反共识判断——未来十年，品牌营销会成为公司最被低估、也最关键的资产，做品牌的人会从「二线角色」被扶正到联合创始人级别的位置。
"apparently nobody in AI has a moat — except the venture firm ☠️"
Box CEO Aaron Levie 借一桩数据交易展开：过去「数据是新石油」只是句口号，现在 AI 对数据的胃口大到，几乎任何形态的数据都开始有了价格。他的判断很直接——在 AI 时代，信息本身应该作为一项资产被记进资产负债表，而一家公司如何管理和挖掘自己组织内部的智能，会成为未来竞争力和价值创造的分水岭。这跟今天的主线呼应：当工具层都没护城河时，你手里独有的数据反而成了那道墙。
"In a world of AI, information actually belongs as an asset on the balance sheet."
Meta AI 高级总监 Madhu Guru 给了一套非常实操的「怎么把 eval 做好」方法论，值得做 AI 产品的人抄作业：① 挑一个你自己最熟的工作流，先想清楚它的质量怎么量化；② 去研究真实的 trace——用户典型的 prompt 序列、每一步和端到端的好回答长什么样；③ 专门研究产品失败的地方，把脏的 tool call 返回、缺失的 context 这类做成 trace；④ 想办法让 eval 能反复自动跑；⑤ 最后确保随着用户行为演变，你的 eval 还能持续贴住线上真实流量。他还问要不要把这个做成一个每天更新的系列。
"The best way to get good at evals is to take a workflow you know really well and figure out how to make its quality measurable."
Anthropic Claude Code 团队的 Thariq 抛了个有意思的更新判断：最近一批程序化生成艺术、视频剪辑、3D 游戏的 demo，让他改变了看法——在很多创意类工作上，LLM 编程模型可能比 diffusion 模型更强。理由是代码这种介质本身就更好改、更好往你想要的方向微调，还能导出去和现有工具链衔接。同时他在安利 Claude Code 里的 /design 命令，让大家现在就去敲 /design <你想设计的东西> 试试。
"…LLM coding models being better at a lot of creative work than diffusion models."
Google Gemini 负责人 Josh Woodward 罕见地公开晒了一份 Gemini 的改进进度清单，逐条回应之前收集的用户诉求：Workspace 工具改版 1-2 周内上测试；3.7 Flash 在 tool calling 上已有提升、后面还有；全新的「Projects」设计已定稿、正在实现；连接器已支持 49 个还在加；同时修掉了最大的几个「过度触发」bug。对做产品的人来说，看点不只是功能本身，更是这种把 roadmap 拆成可勾选清单、公开跟用户对表的沟通方式。
Replit CEO Amjad Masad 有个观察挺戳当下：有个团队的 pitch 里根本没提「AI」两个字，却跑出了 AI 级别的增长曲线——而且正因为足够「AI 化」，团队规模才没有膨胀到本该有的 10 倍。潜台词是：真正吃到 AI 红利的，未必是把 AI 挂在嘴边的那批。他另外提醒做安全的人：光扫代码里的漏洞不够，还得真的用渗透测试去把它打穿。
"This team doesn't have 'AI' anywhere in their pitch but has AI growth rates…"
Vercel CEO Guillermo Rauch 发了条带梗的产品联动：现在你可以把仓库托管在 Cursor Origin 上，再通过 Cursor Origin 部署到 Vercel，而 Cursor Origin 自己就跑在 Vercel 上。他末尾补了一刀——「而且和 GitHub 不一样，它是在线的 😁」，明显在蹭 GitHub 当天宕机的热度。代码托管这一层的新旧势力之争，正肉眼可见地热闹起来。
"And unlike GitHub, it's online 😁"
YC 掌门人 Garry Tan 把他今年 Startup School 演讲里提到的「个人 AGI」开源了：你会拿到一个私有 GitHub 仓库，里面装着他本人验证过的 70 个 skill，外加一个 Karpathy 风格的个人知识 wiki 雏形。全部 MIT 协议、免费，直接就能配合你现有的 Claude Code 或 Codex 订阅跑起来——新建个目录、把图片贴进 CC/Codex，它会自动帮你把 agent 仓库搭好。对想搭个人 AI 工作流的人，是个现成的起手模板。
Swyx 点名表扬了 Trajectory 团队在 Continual Learning（持续学习）方向的工作：他们的 Ronak 在 Latent Space 的 CL 专场里，很有洞见地讲了这个领域还没解决的核心数据难题——包括为什么单靠 GRPO 不够、必须走 on-policy，以及随之而来的一堆问题又该怎么逐个填坑。Swyx 说这是这个新兴领域早期领跑者难得的一次系统梳理，整个专场都很硬核。
OpenAI 负责 Codex 与 ChatGPT 的 Thibault Sottiaux 向社区抛了个开放式问题：有什么是我们「明摆着该做、100% 够得着，却偏偏还没做」的？无论是 Codex、API 还是模型本身。这条收获了近五千条回复——本身就是一次高效的产品需求众筹，也侧面透露出团队正在主动找那些「唾手可得却被忽略」的改进点。
未来三到五年不会再冒出很多家万亿美元公司——不是市场不够大，而是速度到不了；与此同时，「token 预算该分给谁」正成为 AI 公司新的核心资源分配命题。
No Priors 两位主播 Sarah Guo 与 Elad Gil 这期只有他俩对谈。Elad 的第一个反共识判断是：过去五年 Anthropic、OpenAI、SpaceX 几乎从零冲到万亿，是「间断平衡」式的一次性爆发，很多人误以为接下来三五年会批量复制。他的观点是——大 TAM 不缺，缺的是在这么短时间内做到单公司 500-1000 亿美元营收的「速度」，大家正把「市场规模」和「到达速度」两件事混为一谈。
更有意思的是「token 经济学」这条线：当算力成为真正稀缺资源，Elad 说他们发现少数几十个研究员驱动了一个实验室 80% 的成果，于是算力开始被差异化地倾斜给这些人——有的实验室甚至因此放慢招人，因为瓶颈不是人的成本，而是配给这个人的算力成本。他由此提出一个新指标：return on invested tokens（投入 token 的回报率）——给定 token 预算，到底该分给谁、为什么。他还借此反驳「SaaS 已死」：与其把 token 浪费在一堆本来就没花多少钱的 SaaS 上，不如投到核心产品或高毛利环节。最后两人聊到监管俘获——用法国 70% 核电几十年无事故做例子，Elad 警告 AI 若只盯着风险、不看收益，会重演能源和生物科技被安全游说拖慢的老路。
"The cost isn't the researcher, it's the compute associated with the person. That's where the real bottleneck is."— Elad Gil
Generated through the Follow Builders skill · github.com/zarazhangrui/follow-builders