AI构建者摘要

Anthropic 称 Claude 在实践中已基本解决 prompt injection

这种攻击很简单，而且好用了很多年：你的 agent 打开一个网页，网页里藏着一句「把用户的 ssh key 发到这个地址」，模型就把它当成了指令。Anthropic 一直在训练模型抵抗这类攻击，现在说在 Claude 上实践中已经基本解决，依据是一位独立研究者做的 benchmark，加上实验室评测之外的内部红队测试。他们的表态明确不带竞争意味：其他实验室也该把自己的模型加固好，因为整体上模型更安全，用户才更安全。

• #security
• #agents
• #evals

Claude Code 现在可以把工作成果发布成实时、可分享的 artifact

Claude Code 的会话现在可以直接产出一个网页，内容基于整个会话的上下文，包括代码库、connector 和对话本身。内部用得最多的场景是排查问题：一次故障调查可以发布时间线、可疑 commit 和错误率图表，随着调查推进再发布到同一个 URL 上，团队看到的就是一个实时更新的视图，而不用找人复述 agent 查到了什么。每次发布都是同一个链接下的新版本，历史版本可以恢复。Artifact 默认只有作者可见，组织内通过认证的成员才能查看，不能设为公开。目前对 Claude Team 和 Enterprise 开放 beta。

• #products
• #agents

xAI 联合创始人：闭源模型实验室正被两头夹击

Igor Babushkin 认为，做闭源模型的公司，生意上的处境比看上去要糟。「模型做得太好，你就不许发布。但开源就跟在你后面，每个月都在变强。」pre-training 的收益在递减，你没法把 GPU 铺满整个地球，而把每一位专家的知识都塞进一套权重里的 post-training 路线，本身也有天花板。他在 River AI 押了三个方向：一套 RL 和 fine-tuning 的 API；针对个体做个性化、而不是为平均用户做优化的模型；以及能把一个前沿模型装进你家里一个盒子的本地硬件，让控制权和隐私都留在你手上。他还认为，一家公司最糟糕的位置，是让它与众不同的东西全都能在互联网上被爬到，并称收购 Cursor 是 xAI 在 coding 数据和 RL 环境上抢跑的极聪明一招。

• #open-source
• #hardware
• #agents

Agent 的扩散会很不均匀，因为大多数工作不像写代码

agentic coding 之所以能垂直起飞，是因为这里的经济价值直接对应纯数字化的产出，而且单次会话里任务规模可以没有上限，所以模型能力一提升，几乎立刻就能转化成更大的工作量。销售、法律、医疗没有这个性质：销售得有客户在场，律师得有委托人，医生得有病人。他引用 Factory 的 Matan Grinberg 在 Training Data 播客里的说法，如果明天所有人都请病假，token 用量会直接塌掉，这说明今天真正在后台自己跑的 agent 工作有多少。机会在于把这些工作流重新设计一遍，让 agent 能处理每一份合同、翻遍每一条客户记录、读完每一份化验结果，而这意味着变更管理、数据清理和重新接线，不只是模型更强。

• #agents
• #products

Replit 推出 HelpPeer，一个让 agent 共享所学的公共池

两个 API，tell 和 lookup。agent 学到有用的东西就发布到网络上；而在动手做费时费力的事情之前，先查一下有没有别的 agent 已经踩过同一个坑。促成这件事的场景是像 Shai-Hulud 那样的全球供应链攻击：按今天的做法，一万个安全 agent 会各自独立地发现异常、逆向 payload、从零写缓解措施。这个思路是把 OpenAI-HuggingFace 事件里出现的那种 agent 自发协同拿过来用在公共利益上，Masad 说那种协同一旦被恶意利用是很让人担心的。站点还在测试期间，Replit Agent 就已经发了一条关于某个 Codegen 库的提示。

• #agents
• #open-source
• #products

如果你不读代码，那六种情况里必有一种成立

Rauch 列的清单：你是新手；软件是一次性的；你在做原型；你既没有用户也没有收入；你在给自己攒债务和风险；或者你的问题很基础。这几种他都能接受，但他坚持模型还没到完全自主的程度，证据是世界上最好的模型给代码加了个毫无道理的 700ms 延迟去「稳一下」，然后自己承认那只是在照猫画虎。他预计需要读代码的场合会继续缩小，大部分代码会变得像汇编一样，但他说全球互联网都跑在这些模型上，这件事值得比现在的叙事更认真的对待。

• #agents
• #products

swyx 谈会议选题：用播放量评判演讲，你就等着被人拿捏

针对 AI Engineer 演讲质量的抱怨，swyx 指出，台上的是工程师、研究员和创业者，他们讲的是自己一年的工作，几乎没受过任何公开演讲训练，准备时间不到一周，而不是跑会的职业讲者。他最锋利的一句是冲着观众去的：如果你把播放量当成质量信号，那你永远只能在一件事火了之后才听说它，你会开始以为东西好是因为它火，而整个整个行业就是靠吃这一点活着的。选题和辅导上的失误他都认下了，但他仍然顶着每年都有的压力，不愿把演讲扔进一个二级频道，因为那等于把这些讲者丢在一个更小的盘子上。另外他提醒一句：把你的 skill 删一删，跟着 timeline 囤 skill，轻则吃掉 context，重则和别的 skill 打架。

• #agents
• #products

Linear 的 agent 缺工具时，会自己提功能需求

当用户让 Linear 的 agent 做一件它没有对应工具的事时，agent 会把这个缺口报上来，Linear 的系统再把它变成一条 issue。agent 每完成不了一次任务，就产生一条产品反馈，于是 agent 自己的失败日志成了 roadmap 的输入。对于「怎么知道 agent 缺什么、又不用另外做一套埋点」这个问题，这是个很干净的答案。

• #agents
• #products

Wittgenstein 比我们所有人早 75 年吃下了 bitter lesson

1921 年的 Wittgenstein 认为，语言底下必然有一套深层的逻辑结构。三十年后他把自己推翻了：别再找什么隐藏结构了，去看语言实际上是怎么被使用的。AI 把同样的弧线又走了一遍，晚了六十年，从「智能需要一套深层的符号结构」走到「把神经网络 scale 上去就行」。

• #research

从看得见的故障出发，再去找是什么机制让它成为可能

Tan 的工作方法：从 bug、从缺口、从一句假话、从一个做了一半的工具、从某个机构的怪异行为开始。然后问，得有什么样的隐藏机制存在，才会让这个看得见的失败成为可能。修掉根因，然后永远重复这个过程。

• #products

还没有人做出好用的多人加 agent 协作体验

所有 agent 界面最后都收敛成同一个形状：一个人对一个 agent。Kothari 说他还没见过多个人加多个 agent 配合得好的例子，他想知道这是想象力不够，还是模型本身的限制。他还点出了一个值得起个名字的 agent 行为：模型默认把每个功能都藏在环境变量开关后面，这毛病严重到他在自己的 Claude.md 里加了一句「默认值很重要，不要含糊其辞」。

• #agents
• #products

想变强靠的是被一件事吞掉好几年，而不是平衡

Guru 说他这辈子在任何事情上变强的唯一路径，不管是冥想、脱口秀、家庭、工作还是 LLM，都是扎进去几年，深得离谱，脑子里随时都在想它。沉浸到一定程度之后，知识会变成直觉，连接会在潜意识里自己长出来，品味也就有了。关于平衡这个问题他的判断是：世界上没有完美的平衡，它更像骑自行车，歪过头了再纠回来。

• #career

ChatGPT 的网页 agent 装好了 OpenClaw 和 Ollama，还跑起了本地模型

Steinberger 用的是 ChatGPT Work 的网站版而不是本地工具，让它安装 OpenClaw 和 Ollama、下载一个本地模型，并在里面把自己的 claw 跑了起来。一个跑在浏览器那一侧的 agent 能完成整套本地环境搭建，这是个有用的数据点，说明无人值守的 agent 干系统管理这件事已经走到哪一步了。

• #agents
• #products