全部 · 2026-07-02

这场讨论的核心是把AI编程助手从“一次性工具”变成“持续干活的工人”。swyx开场就点明，行业已经从聊天、工具调用，走到了定时任务和循环自动化阶段。微软的Pablo Castro管这叫“学习循环”，OpenAI的Codex团队则强调把代理接入需求、审查、部署全流程，让它能接手更多工作。 但最值得留意的是“软件工厂”这个提法。Tereza Tížková的定义不只是自动写代码，还包括收集用户反馈、看日志、排优先级，相当于把整个开发生命周期交给代理。Warp的Zach Lloyd说得更直白：未来软件工程师是“建造那个建造产品的东西”的人。我在展台问他，这种工厂化会不会让开发者反感，他承认不同团队对自动化代码审查、人工写核心代码的偏好会不一样。 这篇文章的价值在于捕捉到了行业情绪的转向，但缺了关键信息：没提任何一家公司用这套方法后，交付速度或质量到底提升了多少。全是概念和愿景，没有数字支撑。如果你在考虑把开发流程改成代理驱动，这篇只能当风向标看，落地前还得自己测。

Cursor 这次发布的 CursorBench 3.1 挺实在，题目不是人造的，直接从真实用户会话里扒出来的——需求模糊、要改多个文件的那种。3.1 版还加了理解代码库、找 bug、做计划和代码审查这几类题，比纯改代码更贴近实际工作。 榜首 Fable 5 Max 得分 72.9%，但每跑一个任务平均要花 18 美元、用掉 6.3 万个 token、执行 76 步，成本不低。反观 GPT-5.5 High，得分 62.6%，只差 10 个百分点，但每次只要 3.59 美元，性价比高出一大截。最省的是 Composer 2.5，63.2% 的得分只要 0.55 美元一次。 不过正文没披露总共有多少道题，也没说评分具体怎么打的。分数之间差一两个百分点，可能只是统计波动，别太当真。另外这些成本是按官方标价算的，实际用起来可能还有折扣。

这条新闻的核心是欧盟在监管上退了一步。一份修订草案显示，原本要求数据中心强制披露能效、水耗等关键指标的规定会被拿掉，改成让企业自己看着报。这对亚马逊、微软、谷歌这些在欧猛建 AI 基础设施的巨头来说，直接省了一笔合规成本和公关风险。 环保组织骂这是在开倒车，因为 AI 算力需求正让数据中心的能耗和水耗飙升。欧盟官员的辩解是原方案太繁琐，但正文没给出具体是哪些指标“繁琐”，也没说自愿报告怎么保证数据不注水。这点先别太激动，最终文本还在谈，正文没披露投票时间表，变数还在。 还缺什么：没看到大厂们具体游说了什么，也没说如果改成自愿，有没有最低披露标准或审计要求。如果是真的完全靠自觉，那这份报告的可比性基本就没了。

这条新闻说的不是 AI 让维权变容易了，而是它让法院系统更堵了。DoNotPay、JusticeDirect 这类应用让员工不用找律师，几分钟就能自动生成一份起诉书。结果 EEOC 指控去年多了 9%，联邦劳动案件多了 10%。法官们发现很多 AI 写的诉状会引用错法条，或者把不相关的事实拼在一起，导致大量案件堆在法院，真正有价值的案子反而被埋在里面。 文章没给撤案率数据，这点很关键。如果大部分 AI 诉状最后都被驳回了，那这些工具其实是在帮倒忙，让员工以为告了就能赢，实际上只是给法院增加了垃圾工作量。法官的警告也说明，目前这些工具在法律引用和事实梳理上还很不靠谱。 还缺一个视角：这些工具到底帮员工赢了多少钱，还是只制造了更多被驳回的案子。如果是后者，那它更像一个情绪宣泄工具，而不是维权工具。

阿宝这次公测，核心是把支付宝里原本要点好几步的操作，折叠成一句对话。比如查公积金，你说句话，它直接帮你把对应的小程序入口摆出来，你点一下确认就行。这本质上是让模型去跑业务流程、调服务窗口，而不是只陪你聊天。支付宝也明确说了，所有涉及资金变动的环节，最后那一下“确认”还是用户自己来，阿宝不碰支付决策。这点对金融类产品很重要，能降低用户对安全性的顾虑。 但文章没透露几个关键信息：阿宝背后用的是什么模型，是蚂蚁自研还是接的第三方；目前到底接入了多少小程序和服务，覆盖范围有多大；以及公测结束后会不会收费。这些缺口让“一句话办事”的实际可用性打了折扣——如果支持的服务很少，那它目前更像一个语音快捷方式，而不是真正的办事助手。另外，从“陈列式”到“对话式”的切换，对中老年用户的学习成本有多高，也没提。如果是真的能覆盖高频刚需场景且保持免费，那对支付宝的打开率会有直接拉动，但这点先别太激动，等看后续数据。

Hy3这次正式发布，最值得看的是它用更小的体量做到了接近甚至超过更大模型的效果。官方说参数量是对手的1/5到1/2，在推理、智能体（让模型进业务流程干活）和长文本任务上跑分能打平。内部270人盲测里，Hy3均分2.67，赢了GLM5.1的2.51分，说明在实际工作场景里确实有竞争力。 产品体验上修了几个硬伤：幻觉率从12.5%降到5.4%，多轮对话出错率从17.4%降到7.9%。WorkBuddy这个产品的任务完成率从72%跳到了90%，耗时还少了34%。API价格也便宜，输入1块钱/百万token，输出4块，命中缓存只要两毛五。 但正文没披露具体参数量，也没说训练数据和方法细节。跑分图里对比的模型也不全，缺少和同尺寸其他模型的直接对比。这些信息缺口让“小模型打大模型”的说法得打个折。如果是真的，这性价比确实挺省钱，但得等第三方实测和更多技术细节放出来才能下判断。

这条推文的价值在于把“设计感”翻译成了 AI 能执行的硬约束，而不是泛泛说“让 AI 做动画”。Kowalski 给的规则很具体：每天点击上百次的操作直接禁用动画，UI 动效卡在 300 毫秒以内，只动 transform 和 opacity 两个不触发重排的属性，元素进场统一从 scale(0.95) 加 opacity:0 开始，还强制尊重系统的“减少动态效果”设置。review-animations 这个 Skill 会输出 Before/After/Why 表格，相当于让 AI 自己解释为什么改、改了什么；animation-vocabulary 则把“弹一下”这种模糊描述转成专业动效术语，这对跟设计师协作很有用。 不过正文没披露这些 Skill 是开源还是付费，也没说在真实项目里跑过多大规模、误判率怎么样。三个 Skill 目前只适配了 Codex、Claude Code 和 Cursor，其他工具能不能用还不清楚。另外，规则本身偏保守，适合工具型产品，如果是品牌营销页面那种需要夸张动效的场景，这套规则可能太紧。整体看，思路对，但落地效果还得看实际跑出来的代码质量和设计师的接受度。

这条分析用 OpenRouter 的逐日 token 数据算了一笔账，结论很直接：蛋糕在变大，但 Anthropic 没吃到，反而被 GLM 抢走了。Fable 5 下线期间，平台总流量从 24T 涨到 32T，Anthropic 的份额却丢了 3.1 个百分点，绝对流量从 5.95T 降到 5.63T。GLM 的份额翻了四倍，从边缘玩家冲到第四。一个有意思的细节是，GLM-5.1 在 GLM-5.2 发布当天流量突然暴涨，48 小时后又崩塌，被新版接管，这很像是开发者紧急找替代品时的试错痕迹。 不过，这个数据只抓到了 API 层，没算官网订阅。而且 GLM 的 token 价格只有 Fable 5 的十分之一，用 token 量算份额会夸大它的实际收入占比。社区情绪也值得看，开发者对 Anthropic 的同情在两周内就变成了嘲讽，解禁后带着限制条件回归的 Fable 5 被骂成 bait and switch。 还缺什么？正文没披露 GLM-5.2 的 token 消耗量比 GPT-5.5 高出一倍多，task 级别的成本优势没有 headline 价格差那么大。另外，开发者是临时切换还是永久迁移，现在下结论还太早。

这条新闻把AI行业当前最拧巴的定价矛盾摊开了。买方Uber四个月烧光全年AI编码预算，微软财年最后一天砍掉Claude Code许可，GitHub Copilot一改token计费就引发退订潮。这些动作指向同一个问题：企业受不了不可预测的token账单，也说不清花出去的钱到底换来了什么。卖方这边，OpenAI预计2026年亏140亿美元，Anthropic月算力成本12.5亿美元，亏损压力逼着他们把成本显性化。亚马逊甚至把给Anthropic的付款从按小时改成按token，逼得自己团队赶紧蒸馏小模型省钱。 Karp的炮轰有商业算计。他上电视骂token计费的前两天，Palantir刚发布主权AI产品，按席位和部署合同收费，贬低token能直接抬高自家产品线。但Uber和微软的撤退是独立发生的，从买方印证了token收费跟真实商业价值严重脱钩。 夹在中间的产品开发者正在用架构手段填这个坑。OpenRouter上编程流量前四全是开源模型，Claude Opus份额跌到4.7%。开发者用多模型路由把闭源请求压到26%，加prompt缓存能砍掉41%到80%的输入成本，语义缓存再省40%到70%。正文没披露这些缓存技术在生产环境的实际落地率和稳定性数据，这点先别太激动。方向是清楚的：token不会消失，但会退到后台，前台收费单位必须更接近客户买到的结果。