AI构建者摘要

OpenAI 一周内发了五个 Astra 产品，并点名质量下降的三个原因

Images 2.5、GPT-Live-1、一套 Agents API、Data Agent，还有面向金融行业的 ChatGPT，全都赶在 DevDay 之前落地，下周还有更多。这轮质量投诉没有被含糊带过，而是给了一份真正的复盘：为老模型写的 skills 触发得太频繁，反而挡住了模型检查自己工作的机会；一项需要主动开启的上下文管理实验，导致大约 4000 到 5000 名用户遇到提前中断、以及回复到更早那条消息的情况，现在已经关掉；另外还有一批配置有问题的引擎在拖累长尾流量，已经下线。OpenAI 还请来了 Git AI 团队的 Aidan 和 Sasha，他们那个开源工具能衡量 coding agent 对代码库到底做出了多少实际贡献，OpenAI 承诺会继续让它保持开源。

• #products
• #agents

agent 商业支付里有 76% 不到 30 美分，低于刷卡渠道能承载的下限

刷卡渠道大约是 30 美分固定费再加一个百分比，所以碰上 agent 真正会发生的那类交易就彻底跑不通。Brian Armstrong 的说法是：「我们不希望这些 AI 成为没有银行账户的人。」现在只要粘贴一句 prompt，Coinbase 就能给任意 agent 开一个自托管钱包，不需要 KYC，支付走 x402，这个协议由 Coinbase 孵化后捐给了 Linux Foundation，Google、Cloudflare 和 AWS 都有参与。公司内部则在追求递归式的自我改进：按仓库、按团队维护一个「大脑」，把每一次事故、每一项财务管控、每一个 AB test、每一个通过或被拒的 PR 都记进去，并强制要求人对 agent 工作的任何一次纠正都要写回这个大脑。另外还披露了几个数字：非 Bitcoin 交易已经占到 88% 的收入，预测市场上线几个月就做到 1 亿美元的年化规模，代币化股票已经在美国以外上线，是真实证券并按 1:1 托管。

• #agents
• #payments

企业 AI 的失败，往往是中央团队在替业务做，而不是和业务一起做

三种失败模式：一是 CEO 找来一位信得过的副手，副手又拉来信得过的同事，于是把一套为「十五年渐进式改良」设计的团队结构和发布流程，原封不动搬到了一件需要实验和发明的事情上。二是长期不在 evals 上投入，大多数公司甚至说不清什么才算好。三是中央 AI 团队自封为平台，做出来的工具和真正干活的人的工作流、判断完全脱节，最后换来的是勉强的采用率和零生产力提升。解法是把你最好的 AI builder 放进财务、销售和客服内部，而不是站在外面对着他们造东西。

• #evals
• #enterprise

Every 把三年的模型体感测试变成了每个人自己的 benchmark

benchmark 分数更高，几乎说明不了这个模型处理你真实工作的能力，所以 Every 这三年一直在做的是另一件事：每出一个新模型，就写一篇上手实测的长文评测。现在这些体感测试要量化了，Hammer 和 Nityesh 搭了一个内部平台，团队里每个人都从自己的日常工作出发，构建一套属于自己的 benchmark。

• #evals

软件工厂目前还跑不通，而且没人拿得出反例

除了验证和测试之外，AI 还做不到在没有人参与的情况下自我改进一个产品，或者端到端做出一个新功能。失败方式很具体：让它挂在那里跑一整夜，只要有一个假设是错的，整轮下来就全是烧掉的 token。这个公开挑战值得认真对待，因为到现在也没有人能说出哪个产品或功能是全程端到端做出来的，既没有人定义需求，也没有人检查结果。另外是一个很干净的工具分工：本地的定时任务留在 Codex，云端任务交给 Grok Bot。

• #agents

Claude Code 加入 plugin evals，让 skills 扛得住模型升级

在 plugin 目录下跑一句 `claude plugin eval init`，就能回答「换了新模型之后我的 skills 还好不好使」这个问题。更深一层的意思是，单纯的通过/失败分数已经几乎没法解读了：很多 benchmark 上的失败其实来自过于严苛的隐藏测试，有些情况下模型给出的答案反而比标准答案更合理。

• #evals
• #agents

Replit 收购了一家完全建在 Replit 上的公司

这家被收购的公司从头到尾都是在平台上做出来的，Amjad Masad 认为这只是第一个，后面还会有更多。Routines 现在也支持预算设置了。

• #funding
• #products

Box 现在可以直接挂进 agent 的沙箱里读写文件

把 Box 挂进沙箱之后，agent 就能在自己的电脑上读写文件。背后的理由是：agent 正在接手企业里的关键工作流，它们需要人一直拥有的那些基本能力，首先就是一个真正的文件系统。

• #agents
• #products

Tailscale 的 model router 跑在 Vercel AI Gateway 上

AI gateway 正在变成当年的 CDN：你当然可以直连源站，但很脆弱，而自己造一套既痛苦又贵。Tailscale 的 model router 现在就以 Vercel AI Gateway 作为底层基础设施。

• #products

Cursor 上线长时运行的 agent，用来干需要持续投入的活

能跨越长时间工作、一直存活的 agent 现在在 Cursor 里可以用了，针对的是那些一次会话装不下的更大的想法。

• #agents
• #products

未来两年，VC 的业绩记录会被悄悄改写

大额退出和大幅估值提升本来就稀少，而这恰恰是募下一期基金的依据，所以成功的 VC 会为热门项目的归属权争得很凶。预测很具体：会有人的名字被从记录里抹掉，或者被「恰好」略过，因为大家都在修改历史，好把赢家算到自己头上。新晋 GP 受伤最重，业绩记录是他们面对未来 LP 时唯一拿得出手的东西。防守方式是和你的创始人保持紧密关系，他们才是真正的背景调查人。

• #funding

一人公司被高估了，因为一个人做东西真的很孤独

AI 确实让一个人能做的事情多了很多，但这没说到 cofounder 真正的意义。做一件全新的事是一种极其孤独的体验，你需要有人一起头脑风暴、一起熬、一起庆祝。如果没有和另一个人把自己绑在同一根桅杆上，动力是很容易崩掉的。

• #startups

Astra 靠 computer use 在云端会话里玩起了 Doom

把 Astra 跑在 OpenClaw 上，开一个云端会话，让 CUA 去操作机器，模型就把 Doom 玩起来了。Peter Steinberger 的评价是：算不上 AGI，但大概能赢过一只苍蝇的大脑。为了跑通这件事，他给 trycua 提了个补丁，让按键在 Linux 下能稳定生效，不过他仍然认为这整体上是个靠谱的框架。

• #agents
• #open-source

选了 53 层而不是 104 层，一家在 9/11 里幸存下来的创业公司

TripleHop 是一家 25 人的企业搜索创业公司，做的事情大致就是今天 Glean 在做的，当时把办公室设在了北塔，因为世界贸易中心正拿优惠条件招揽年轻的 dot-com 公司。他们选了更便宜的 53 层，而没有选 104 层附近的那处空间，那里视野好得难以置信，但等电梯要等到天荒地老。8 点 46 分那一刻，办公室里只有一名员工 Kenton Beerman，他毫发无伤地脱了身；CTO 做的备份让公司在当天结束前就重新运转起来。几周前第一次去纪念馆，心里想的是，其实只差一点点：晚一个小时，低几层楼，或者换成另一处办公室。

• #startups

考到 1600 应该解锁一张更难的卷子，而不是让衡量就此结束

SAT 满分正好卡在这套工具不再提供任何信息的地方，所以应该有第二张更难的考试，在 1600 之上再叠一个分数。而现实是考试被取消，招生变成随机抽签，卓越也就再没办法被识别出来。

• #policy

SPC 开启秋季系列，聊科技监管和加州的两党格局

摆在桌面上的问题是：怎么在加州鼓励真正的创新，怎么让加州变成一个两党竞争的州，以及科技应该被怎样监管。整个秋天会有决策者陆续参与，第一位是 9 月 23 日的 Steve Hilton。另外还有一段关于 9/11 的回忆：当时他正在 CMU 的 Wean Hall 7500 教室里上课听到消息，周围的人因为有一架飞机接近匹兹堡而陷入恐慌，而他希望自己那时能有 United 93 上那些乘客的勇气。

• #policy