真正在做 AI 的人今天说了什么。一页读完，约 6 分钟。
今天有两件事值得马上拿去用：一份关于什么时候该从 frontier model 撤下来的具体打法，以及 Chai Discovery 的那组数字，抗体设计的命中率从 0.1% 做到了大约 15%。串起这两件事的一条线是，智能本身已经便宜到不值钱了，价值转移到了它的互补品上，可能是知识图谱，可能是 orchestration 层，也可能是那些不体面的活儿，比如怎么让一家公司真的把东西用起来。
Chai Discovery 把抗体设计的命中率从 0.1% 拉到了 15% 左右
公司刚起步的时候，抗体设计的业界最好水平是一千个分子里大概能结合上一个，弱到大部分靶点根本一个都命中不了，你也永远没法从结果里看出成药性。Chai-2 做到了 15% 左右，筛一千个候选能回来一百五十个，你终于可以从输出里读出真正的统计规律。这套做法是直接从 LLM 那边搬过来的：拒绝再加第二十四个子模块，把架构保持得足够简单，简单到 scaling law 能被找出来，然后把抗体、mini protein 以及其他所有东西都当成同一个模型的不同 prompt。他们有个反共识的判断，生物比代码更可验证，因为结合能力和可制造性都是客观读数，而代码的品味不是。这对人的要求也说得很直白：“在生物领域，你太容易把自己骗过去了。”
先用最贵的模型做原型，6 到 8 周后再迁到开源权重
他看到创业者身上正在成形的打法是，第一版就用最好的 frontier model 来做，成本和延迟完全不管，先搞清楚用户到底想要什么，再谈优化。等 workflow 和 UX 都验证过了，才开始动真格地做 prompt engineering、模型路由、harness、小模型和 fine tuning。他给的时间判断很具体：开源权重模型大约会在六到八周后追上来，那才是把生产负载迁过去的时机。一上来就用最便宜的模型是把顺序搞反了，而他接触到的大多数团队，还卡在第一步。
问 10 个 IT 负责人的 coding agent 策略，会得到 5 种不同答案
企业 AI 现在完全没有云计算早期那种两三套主流部署范式，当年是少数几家基础设施厂商把选择空间框死了。有的公司统一用 ChatGPT 或 Claude，有的给员工一份菜单自己挑，还有不少自己搭了一层 orchestration，让员工可以接到任何模型。在数据访问这件事上分歧更大：有的企业让 agent 直接以用户的身份行事，有的给 agent 发独立身份，护栏则从极重到完全没有都有。他的结论是，现在谁要预测这个市场最终的赢家，大概率是错的，因为什么都还没定下来。
技术采用是情绪驱动的，别再拿效率当卖点
人们采用一项新技术，不是因为它让自己效率更高。真正的原因是，某个跟自己相似的人用了，而且明显过得更好了；或者是感觉身边人都已经在用了，自己再不跟上就要被落下。所以正确的说服方式是社会证明，不是 10 倍生产力这类说法，技术扩散本质上是个社会过程，不是理性过程。她给的落地版本是：最好的 AI 培训不是课程，而是把一个 agent 拉进团队群里，让大家看着它干活。
知识图谱回潮，因为智能已经便宜到不值得计量
本体和图谱知识是现在火起来、而不是三年前火，原因只有一个：构建知识图谱最难的部分一直是智能本身，而够用的智能终于便宜到不值得计量了。智能越是商品化，它的互补品就越值钱，这就是知识图谱的分享突然开始有人听的原因。他是在一场 Midjourney 的聚会上感受到这一点的，这本身就是个不错的信号，说明一线实践者的话题重心已经挪了。
“Vercel 就是后端的 Vercel”，Factory AI 已经跑到每月数十亿请求
这轮定位主推的是 Fluid compute 让 Vercel 成为一个后端平台，而不只是前端平台，Factory AI 的 API 服务就跑在上面，每月数十亿请求。另外他还说，在 AI SDK 里改一行代码，就能把经过 AI Gateway 的 DeepSeek v4 Flash token 花费降低 90% 以上。
SPC 投了 Rivo：用 agent 把活期账户里的闲钱扫进国债收益
Rivo 把 agent 接到你已有的活期账户上，学习你的现金流，把闲置的钱挪进有国债背书的收益产品，再赶在账单扣款前把钱调回来，让每一块钱在你花掉它之前都在生息。难的地方在于这是个代价不对称的预测问题：钱提前一天回来，损失的只是一点收益；晚一天回来，账单就跳票了，信任也就没了。这笔投资赌的是创始人 Ambrish，他在 Cruise 带过 L4 自动驾驶，一直做到 robotaxi 上线，逻辑是自动驾驶的钱和自动驾驶的车是同一类问题，只不过失败的后果温和得多。Agarwal 本周还提出，大规模部署的 AI 不必是个黑箱，理解这些模型是怎么工作的是前提条件，不是加分项。
vibe coding 做出来的 SaaS，本质是服务生意的获客漏斗
他对 micro SaaS 经济模型的判断是，产品本身多半已经不是赚钱的地方了。它更适合当成一个自助式漏斗，把用户导向价格更高的服务业务，不过他也马上点破了代价：做服务就又回到了拿时间换钱。他还提到，现在靠 X 的分成赚钱都比做 micro SaaS 容易。另外他听说 GPT 5.6 Luna High 便宜很多，用量基本无上限，他自己没搞清楚的是它能不能搞定复杂的浏览器自动化，那差不多占了他用 Codex 的一半场景。
用 AI 会变成默认前提，不再重要，主角还是人
他的预测是，现在这种“AI 在干活”带来的别扭感只是暂时的。等他所说的 agency rupture 弥合、AI 重新变回隐形的东西，我们就只会去想人，以及人做成了什么。用 AI 会变成一个默认前提，平淡无奇，既不值得表扬，也不用来打折扣。
源数据来自 zarazhangrui 的开源项目 follow-builders，以 MIT 许可发布。摘要由 LLM 基于该项目的公开 feed 生成，摘要 prompt 亦改编自该项目。上面每一条都链接到原始出处。
摘要由程序自动生成。据此做判断前请先看原文。