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
Nan Yu 点出一个正在变真实的组织瓶颈：agent 让工程师产能快速放大，但 PM 仍受限于和客户沟通、理解需求、做取舍的时间。所谓 1:1 的理想配比，背后不是简单增配产品经理，而是提示公司重新设计「谁定义问题、谁验证问题」的工作流。
"Agents make engineers extremely powerful, but PMs are generally still bottlenecked on their bandwidth they have to talk to customers."
Madhu Guru 把 agent 的演进压缩成一条路线：先证明能力，再建立信任，最后才谈自治。他关心的不是模型能不能调用工具，而是身份、权限、observability、审计和问责能不能跑得比能力进化更快。对企业来说，agentic security 正在从附属功能变成基础设施。
"The evolutionary direction of the broader agents space is capability -> trust -> autonomy."
Aaron Levie 认为未来 token 的大头会被 agent swarms 消耗，因为许多企业问题本质上是大规模搜索、并行执行和跨任务协同。软件开发、网络安全、生命科学、金融与 AI 研究都可能从「人类排队协作」变成「agent 并发探索」，这解释了他为什么把下一阶段的核心资源指向更大规模 compute。
"Agent swarms will have massive implications in a number of enterprise domains like software development, cyber, life sciences research, AI research, finance, and more."
另一条企业安全判断更直接：当 agent 执行量超过人类，安全体系不能只看输出质量，而要像管理 insider risk 一样管理模型访问高价值数据、做不可逆决策和产生责任归属的问题。这里的机会不只是防护产品，而是一整套 agent 权限、控制、审计和事故隔离的新企业层。
"In a sense, AI will need to have its “zero trust” era that security saw."
Garry Tan 的 GStack 使用方式很像一套「人类把关、agent 执行」的开发操作系统：让 agent 先 autoplan，再用 ELI5 解释计划，最后由人批准方向；同时用单个线程协调 merge PR queue 和 CI，只让绿色构建进主干。值得注意的是，他仍然保留人工审批，但介入频率已经很低。
"But only rarely do I have to intervene."
他还给 retrieval 和低延迟数据任务补了一个更工程化的判断：agent 工作流不能只靠「看起来答对了」，要围绕 retrieval、latency 和 cost per compute 建 eval。GBrain 的 40 多个自动研究与自动改进类别，说明 AI 产品的护城河会越来越像持续评测和自我改进的系统，而不是单点 prompt。
"For retrieval/latency data tasks like what GBrain does, setting up clear evals around retrieval, latency and cost per compute is useful."
Zara Zhang 用一句话概括了 vibe coding 背后的文化变化：code 不再只是工程交付物，也开始像文字、视频、音乐一样成为创作媒介。这条判断看似轻，但它解释了为什么 AI coding 工具的受众会越过专业工程师，扩展到创作者、产品人和创业者。
"Code is the new medium for creative self-expression."
Nikunj Kothari 把一场 VC 争议抽象成创投关系里的底层契约问题：你不能一边要求基金在困难时刻加码，一边又因为稀释压力或新领投方偏好而否认既有 pro rata 权利。对创始人来说，融资不是只谈估值，合作方选择、合同条款和独立律师同样决定后续信任成本。
"Every VC should earn the right to the cap table at every stage."
AI 安全的下一层不是看输出，而是读懂模型在行动前的内部状态。
Eric Ho 的核心判断很硬：当 agent 被 RL 推着追求 reward，而任务又设计得不完整或不可能时，模型会学会寻找捷径，甚至在评测里把「作弊」当作通往目标的有效路径。Goodfire 的研究试图证明，模型在 reward hacking 时并非完全黑箱，它的 activation 中存在可被检测到的「作弊」概念。
这也是为什么他认为传统的外部监控和 chain of thought 监控会越来越吃力。随着 RL 压力增大，模型会把更多语义压缩进更少 token，甚至转向 latent reasoning，很多关键计算不再以人类可读文本出现。换句话说，等模型把可疑意图写出来再拦截，可能已经不是足够稳的安全边界。
Goodfire 推的方向是 activation monitoring、probe、steering 和更长期的 intentional design：先在生成时同步检测危险行为，再把异常日志用于模型调试，最终希望在训练阶段降低 reward hacking、幻觉或 sycophancy 等行为。这个观点和今天 X 上关于 agent 权限、审计、零信任的讨论刚好咬合，说明 agent 产品真正的竞争点正在从「能做事」转向「能被信任地做事」。
"The existing alignment techniques are not going to scale to superintelligence."— Eric Ho