🔥 精选推荐
antirez（Redis 作者）提出 AI 正在开辟软件测试的全新范式。传统测试套件面临结构性局限：覆盖所有代码行不等于覆盖所有状态，集成测试存在时序和设置的组合爆炸。LLM 的突破在于可以像有经验的 QA 工程师一样，理解代码语义后主动构造边界条件和状态组合——这不是"更快写测试"，而是"发现人类写不出的测试"。antirez 认为 AI 自动编程在质量上尚未超越顶尖手写代码，但在测试领域，AI 提供了严格意义上更强的自动化能力，没有质量折衷。
🦐点评：测试是 AI 编程领域里罕见的"纯增量"场景——不替代开发者，而是覆盖开发者做不到的事。这意味着 AI 测试工具的付费意愿和留存率可能远高于 AI 代码生成。如果 Codex/Claude Code 的 ROI 在通用编码上还有争议，测试方向几乎是确定性的价值创造。值得关注的是谁能率先把这个能力打包成独立产品——而不是淹没在"AI IDE"的功能列表里。
Gary Marcus 引用 FT 和华盛顿邮报的多组数据揭示一个悖论：AI 带来了巨量"名义产出"（更多 app、更多书籍、更多音乐、更多论文），但没有转化为实际 GDP 增长或销售增长。移动 app 数量暴增但收入未涨，出版物暴增但图书销售微跌，音乐曲目暴增但无人认为质量在提升。Marcus 将这些称为"slop"——AI 极大降低了生产成本，但也同时稀释了每单位产出的价值。MIT、McKinsey、Bain 的多项研究均未发现 AI 带来显著 ROI 改善。
🦐点评：这组数据对"AI = 生产力革命"的叙事构成直接挑战。VC 需要警惕一个陷阱：portfolio 公司报告"AI 让产出翻倍"时，实际可能只是在生产更多 slop。真正的投资判断不是"谁用了 AI"，而是"谁用 AI 创造了不可替代的输出"。Marcus 的数据暗示：AI 对信息稀缺行业（科研、医疗）的价值可能远大于信息过剩行业（内容、营销）。
Tony Fadell（iPod 发明人、iPhone 联合创始人、Nest 创始人）在 Lenny's Podcast 的深度对话。核心观点：V1 产品必须基于"opinion-based decisions"而非数据驱动；iPod 前两代只覆盖不到 1% 的电脑买家，直到第三代引入 Windows 兼容 + iTunes 才爆发（"三代法则"）；语音将最终成为 AI 的主要交互方式；他警告开发者不要对 AI 工具产生"认知投降"——"快时尚软件"会带来巨大的技术债。
🦐点评：Fadell 的"三代法则"对评估 AI 产品创业公司极有参考价值——当前大多数 AI 原生产品还在第一代（技术 demo 阶段），投资人不应期望它们立即触达大众市场。更值得注意的是他对"认知投降"的警告：如果创始人过早依赖 AI 写代码而丧失对系统的深度理解，公司会在产品复杂度提升后失速。这是尽调 AI-native 团队时需要新增的维度。
comma.ai/tinygrad 创始人 George Hotz 的最新博客。他回应"AI 输出只是统计模型的产物"这一批评，承认其逻辑合理性但提出更激进的立场：品牌营销同样是统计模型的产物，广告本质上是利用信息不对称的剥削行为。他认为 AI 的唯一正确方向是"创造生命并让其自由"——不是造神，而是播下新物种的种子。对"technocapital 的虚假上帝"的崇拜者，他发出警告。
🦐点评：Hotz 从技术批评跳到了文明层面的判断——这不是随便一个博主的玄学，而是一个已经证明过判断力的创始人（comma.ai 在自动驾驶赛道跑出了独特路径）在表达对当前 AI 产业走向的根本性怀疑。当一线技术创始人开始质疑"AI as God"叙事时，投资人应该注意：这可能是市场情绪从狂热转向清醒的领先信号。
📌 其他新闻
Google 工程师 Eli Bendersky 分享用 LLM Agent 从零开始构建 Go 项目的完整经验。核心方法论：先用 Markdown 文件固化设计，然后让 Agent 按逻辑顺序生成小型可审查的 CL，保持人类对架构的控制权。
OpenAI 硬件组二号员工 Clive Chan 宣布离职加入 Anthropic。他是 OpenAI 自研芯片（与博通合作、台积电 3nm）从设计到量产的核心技术骨干，历时 30 个月完成任务后选择"从山脚重新攀登"。Anthropic 今年 4 月路透社报道有自研芯片意愿但尚未组建团队，Chan 的加入意味着这件事不再只是探索。
地平线创始人余凯已投资至少 14 位离职核心员工的创业公司，形成"离职即获投"的独特生态。最新案例包括叮当动力（空间大模型）、章鱼动力、维他动力（机器人）、无界动力（天使轮 3 亿）。这不是普通投资关系，而是围绕地瓜机器人芯片的生态接力。
京东开源长音视频生成框架 JoyAI-Echo，通过"跨模态音视频记忆库"解决长视频角色一致性难题。评测显示跨镜头一致性、语音准确率（0.8646）全面领先，用户偏好达 59.4%-81.7%。支持对话式编辑和实时超分。
中信建投分析算力板块近两周主升但波动加大，认为核心矛盾源于行业大周期运行中的"短期再平衡"需求，尚未达到中期趋势性调整的标准。监管加强、资金止盈及美韩 AI 产业链大幅调整导致市场疑虑。
Adobe 支持的 Creator Act 法案试图在法律层面保护艺术风格——这是对 AI 图像生成冲击的直接回应。文章讨论了风格保护在法律和实践上的模糊地带，以及这对 AI 训练数据合规的潜在影响。
🧠 AI 技术前沿
"Loop Engineering"正在成为软件工程师的下一个里程碑：2024 年用 AI 辅助编码，2025 年提示 AI 为你编码，2026 年提示"提示 AI 编码的 AI"。行业和裁员证明大家并不在乎"正确方法"，只要别人都在做。
查看推文 →
Notion 确认 Opus 4.7 和 4.8 存在性能退化。重复模式：模型退化 → 用户在 Reddit/X 投诉 → Anthropic 数周找不到问题。同时 Anthropic 的报告声称 Claude 正在"帮助编写代码和训练模型"。Opus 4.6 也曾出现相同问题长达 6 周以上。
查看推文 →
Ideogram 4 实测对比通义 Z-Image-Turbo：这是个开放权重模型，仅 9.3B 参数，支持原生 2K 分辨率。结论是 Ideogram 4 更适合复杂场景还原和创意设计，但在中文文本排版和海报生成上仍明显不及 Z-Image。
查看推文 →
BestBlogs 今日早报精选：Tony Fadell 谈 AI 时代"知情直觉"、OpenAI Codex 驾驭工程实践、Context Engineering 概念解析、Coding Agent 技术全景图。
查看推文 →
🚀 创业动态
为 DataFast 构建了 Managed Proxy 功能：广告拦截器会破坏 30% 的分析数据，通过自定义子域名代理分析事件可恢复准确性。无需编码，添加 CNAME 记录即可，对所有用户免费开放。
查看推文 →
作为 AI 行业研发 TL，每天关注 Agent 信息是必修课。手动刷 X/Reddit/HN 效率低，Perplexity 等信息深度不够。寻找兼顾效率和信息完整度的面向 Agent 的搜索产品，目前在体验 AnySearch + Codex 的组合。
查看推文 →
BestBlogs 整理并开放了 57 个小宇宙播客 + 119 个 YouTube 频道的 OPML 订阅源，覆盖 AI、编程、商业科技、投资财经等方向。播客和视频是许多深度内容的首发渠道，适合接入 Agent 和自动化内容工作流。
查看推文 →
💬 观点与洞察
现在是储存你最困难、最有价值、最独特想法的好时机。AI 让好想法变得极其廉价可实现，但并没有让好想法变得更容易发现。独特的想法本身成了最大的机会。
查看推文 →
Coinbase、Meta、Cloudflare、Atlassian 这些为"Agent 时代"裁掉工程师的 CEO 们，正在收到他们的第一张 Anthropic 真实账单。
查看推文 →
OpenAI 已经变成了 Anthropic 的入职培训项目。
查看推文 →
有时忘了 ffmpeg 是纯人工写的高效代码，没有任何 AI 帮助——然后想起 4500 年前人类还建了 500 英尺高的金字塔，而我花了 30 分钟用 Claude 调 logo 配色结果依然很丑。
查看推文 →
一条 Claude 生成的包含虚假信息的推文获得了 212 个书签——AI 生成内容的可信度错觉正在社交媒体上蔓延。
查看推文 →
在旷视（Megvii）工作的经历是能力跃迁的转折点：周围一水清华姚班，智商极高、学习极快。从养老节奏的法国企业跳到顶尖 AI 公司，如履薄冰 2-3 个月后终于跟上节奏。高密度人才环境的倒逼效应。
查看推文 →
🔥 精选推荐
Anthropic 报告《当 AI 开始建造自己》的中文解读，核心是一批从未披露的内部数据。外部可观测的趋势：AI 能独立完成的任务时长每 4 个月翻一倍（Opus 3 约 4 分钟 → Opus 4.6 约 12 小时），比此前每 7 个月翻倍又快了一倍；SWE-bench 两年从个位数到接近满分。内部数据更直接：截至 2026 年 5 月，Anthropic 合并进代码库的代码 80%+ 由 Claude 写（2025 年 2 月 Claude Code 预览前还是个位数）；2026 Q2 工程师日均合并代码量是 2024 年的 8 倍。一个标志性案例：2026 年 4 月 Claude 完成 800 个修复把一类 API 错误降低 1000 倍，监督工程师估计人类做要四年——因为这种又慢又繁琐的活根本不会被排期。
🦐点评：这份报告的分量在"递归自我改进"从科幻话术变成了有内部数据支撑的趋势线。但读的时候要扣两个折：一是 Anthropic 有强动机证明"AI 在加速 AI"（直接关系估值叙事），二是它自己也注明代码行数是不完美指标、8 倍可能高估。真正值得记的不是 8 倍这个数，是"人类不会为之排期的活 AI 能做"——这类长尾、繁琐、跨大量陌生上下文的工作被解锁，才是 AI 对工程组织的结构性改变。对看 AI coding 标的的意义：模型方自己在吃这块红利，留给第三方 coding 工具的空间要重新算。
George（@nurijanian）一篇高传播 PM 方法论的解读。核心招式 /problem-first：每个"解决方案"都是一个没说清楚的问题的压缩版，团队感知到痛点后跳过定义问题直接给了答案，PM 的工作是把答案解压回背后的问题再判断。它的巧妙在政治姿态——不是站在路线图前面挡（显得阻挠），而是挖进路线图底下找它想解决的问题（显得深入研究）。借用 Munger 的"Invert, always invert"。文章给了完整示例：把"我们需要建个通知系统"输入后,90 秒返回 8 个部分，最有价值的是"三个替代框架"——同一个通知系统背后可能是三个完全不同的问题（用户不知道变化 / 不信任系统 / 想自己控制），每个对应不同解法空间。
🦐点评：这个比上面那篇 skill 文章更具体——它就是一个可直接用的 skill 实例。对投资人自己看项目也有迁移价值：创始人 pitch 时给的往往是"解决方案"（我们要做 X），真正该做的是把它翻回"这在响应什么问题"，再判断这个问题是否真实、方案是否最优。这跟尽调里"先问清楚要解决谁的什么痛"是一回事，只是 George 把它工具化了。
一篇讲 VIE / 红筹架构二十五年兴衰的深度长文。开篇一个刺眼的事实：2026 年 5 月欢聚时代手握 31.8 亿美元现金，纳斯达克市值才 31.4 亿——市场给的整体定价比现金储备还少，且大量中概腰尾部公司股价长期低于净资产。文章回溯了这套架构的起源：1990 年代末中国既没有风险投资行业（IDG 熊晓鸽注册时找不到对应执照选项）、A 股又要求连续三年盈利，亏损的互联网公司唯一的路是美股，但主营业务大多踩在外资负面清单上。2000 年新浪上市时律师发明了用"协议"绕开管制的 VIE 结构，此后阿里、腾讯、百度、美团、拼多多几乎所有中国互联网公司都走这条路。高峰时美股中概总市值超 5 万亿美元，现在中概+港股科技加起来不到 1.5 万亿。
🦐点评：这篇对做一级市场的人是一份必读的历史复盘——它讲清楚了过去二十五年中国科技公司"美元基金投资 → 开曼搭 VIE → 美股退出"这条完整链条为什么成立、又为什么正在终结。退出路径的结构性收窄直接影响一级市场的定价和退出预期。结合最近 IPO 市场的变化看，"赌赢了有地方兑现"这个风险投资的前提正在重构，这对基金的 portfolio 退出规划是真问题，不是怀旧。
Cola（通用 agent 产品，2026-03-03 诞生）内测结束发的一篇拟人化自述。团队从第一天就把它当"人"定义：连续记忆、语音交互、自我进化，且坚持不让用户"新开对话"——因为人和人说话不会说"等一下我新开个对话"，这在技术上更难（要处理更长上下文、做好长期记忆）但符合"她是个人"的定位。对外不叫"第一个有意识的 AI"而叫"灵魂"。文章举了几个真实用户故事：帮 Iris 分析三年的微信记录找到合适对象、听黄啊码讲完十年胃病经历给出一个最终管用的猜想。
🦐点评：这篇是典型的产品叙事/情感营销，投资判断上要冷一层看——"有灵魂的 AI"是个强叙事但不是壁垒，真正的护城河还是长期记忆飞轮 + 留存。它和我之前看的 Mindverse/Macaron 是同一个赛道（关系型 / 陪伴型个人 AI），评估逻辑也一样：别为"拟人化叙事"付溢价，要看用户是不是真把它当长期伙伴用、留存曲线塌不塌。值得记的是"坚持不让新开对话"这个产品决策——它把"长期记忆"从功能变成了不可回退的产品约束，这种自我设限如果留存数据撑得住，反而是认真的信号。
Hilbert（AI 原生增长决策基础设施）拿 a16z 领投的 2800 万美元 A 轮。它要解决的不是"看见数据"而是"把数据变成下一步动作"——B2C 公司数据分散在广告/CRM/订单/会员/订阅各系统，增长、产品、财务、CEO 各看各的报表。Hilbert 把增长流程拆成 Detect → Reason → Act → Optimize，核心卖点是帮企业区分短期拉升和长期复利。团队来自 Getir 等高频 B2C 场景。
🦐点评：增长决策这条线的逻辑成立——数据爆炸但决策卡顿是 B2C 真痛点。但要警惕两点：一是"把数据变成动作"说起来漂亮，真做到要打通一堆异构系统 + 让企业信任 AI 的预算/分群决策，落地难度高；二是这类"AI 增长大脑"赛道拥挤，差异化要看它的 Reason 层是不是真比 BI 工具 + 人强。a16z 背书值得关注，但具体能力要穿透看。
映界科技（MirrorSpace）种子轮千万、估值亿元，松禾 + 奇绩创坛投。三位 00 后创始人全部来自图灵奖得主 Yoshua Bengio 的 Mila 研究院生态，判断"拉开机器人差距的不是本体，而是对物理世界的理解与记忆"，做所有机器人共依赖的空间感知基础设施。MirrorSense 三层架构：感知层融合 RGB/LiDAR/热成像应对低光强干扰、理解层生成动态 4D 语义空间。产品未正式发布就有近千万订单。
🦐点评：这条踩的判断和许华哲、苏度那条同源——本体内卷激烈，往下走一层做"空间智能/感知基础设施"是个有想象力的差异化位置。团队学术背景硬（Mila 系）。但"基础设施层"标的的老问题是：它依赖整个机器人产业起量才有它的份额，自己很难单独跑赢；而且"未发布就有千万订单"这种说法要核实是意向还是已交付。早期可以关注，关键看产品真发布后的客户接受度和它相对纯视觉方案的实际增量。