AI 日报 | 智能体工作流演进、推理算力瓶颈与开源生态博弈

导语聚焦今日 AI 领域核心动态，涵盖智能体架构演进、企业级 AI 采纳现实、推理算力供应瓶颈及开源模型生态博弈。深入解析定制模型与后训练技术的协同路径，并为您精选七位优质 Builder 与四档深度播客，助您全面把握前沿技术趋势与产业落地脉络。

正文

AI Builders 动态与 X/Twitter 核心观察

Swyx (@swyx)简介: achieve ambition with intentionality, intensity, integrity & insanity. 关联项目包括 dxtipshq, cognition, temporalio, aidotengineer, latentspacepod。推文动态：

1. 浏览器扩展插件工作流构想：提出开发一款 Chrome 浏览器扩展插件的需求，旨在增强网页上所有图片输入框的交互能力。该插件允许用户在不依赖 AI 的情况下生成简单文字，或使用 @tldraw 进行手绘，最终将文字与手绘内容结合以生成符合特定比例要求的图像。Swyx 直接点名希望 @devinai 能够实现这一功能构想，其核心在于探索非 AI 原生工具与 AI 生成能力的混合工作流。”lets me generate a simple word text thing (no ai) OR draw something with @tldraw (no ai) OR use either words or drawings to generate something of the required proportions” [1]

2. 第三方 AI 搜索工具对比：对比了 @xai 的 Grok Codex 与 Slack 原生 AI 搜索功能的实际表现。他认为 Codex 在 Slack 环境中的搜索与检索能力已经超越了 Slack 官方提供的 AI 搜索工具。这一观点反映了第三方 AI 智能体在特定企业协作平台中可能具备更强的上下文理解与数据抓取优势。”@xai @grok codex is also a better slack ai search than slack ai search.” [2]

Peter Yang (@petergyang)简介: Practical AI tutorials and interviews for busy people | Product at Roblox推文动态：

1. Codex 功能故障反馈：分享了在使用 Codex 过程中遇到的首个功能故障案例。通过具体演示，他指出了该 AI 编码工具在实际执行复杂任务时可能出现的边界情况与稳定性问题。这一反馈为开发者社区提供了关于 Codex 当前能力边界的重要参考。”First broken Codex feature I’ve come across” [3]

2. 本地模型部署的硬件预期差：描述了购买高价硬件用于本地运行 AI 模型的实际体验与心理落差。他坦言花费近 3000 美元购买 MacBook Pro 的初衷是为了尝试本地部署大语言模型，但实际操作中却并未充分利用该硬件的 AI 算力。这反映了当前个人开发者在本地模型部署与硬件投资之间存在的预期差。”I spent close to $3,000 for a Macbook Pro so that I can try running local models. At least, that was my excuse. In reality, I am running…😅” [4]

Amjad Masad (@amasad)简介: ceo @replit. civilizationist推文动态：

1. Replit 十周年里程碑与免费活动：宣布 Replit 平台成立十周年，并推出限时免费活动以庆祝这一发展历程。该活动从太平洋时间上午 5 点开始，持续 24 小时完全免费开放平台服务。Amjad 回顾了公司自 2011 年以来的发展历程，强调其核心使命始终是降低编程门槛，让全球数百万学习者能够顺利上手并完成项目交付。”Replit, turned 10 🎂 To celebrate we’re making it totally free for 24 hours starting at 5am PT.” [5]

Aaron Levie (@levie)简介: ceo @box – your business lives in content. unleash it with AI推文动态：

1. 智能体数量激增下的软件架构演进：针对 Atlassian 财报超出华尔街预期的现象，提出了关于未来软件架构演进的核心启发式原则。他认为当 AI 智能体（Agent）的数量达到人类的 100 倍时，软件行业中与智能体工作负载直接绑定的底层系统将获得显著增长。这些系统需要承担代码生成、线索处理、合同审查、发票结算及设计创作等海量自动化任务的底层支撑。”The simple heuristic for the future of software is that when there are 100X more agents than people, which parts of software will grow because agents are doing more work that the underlying software is tied to.” [6]

2. 智能体生态对底层记录系统的长期依赖：进一步阐述了智能体生态对底层记录系统（System of Record）的长期依赖关系。他指出，尽管智能体能够执行大量操作，但它们依然需要严格的安全边界、合规框架、工作流绑定以及数据存储机制。随着可信与不可信智能体在企业工作流中的大规模部署，这些负责管理与约束智能体行为的底层基础设施其重要性只会随时间推移而持续上升。”These agents still need guardrails, security, compliance, workflows to be tied to, data stored, and so on. Those parts of the system of record ecosystem will only go up over time in a world of 100X more untrusted (and trusted) agents used in your workflows.” [7]

3. 硅谷以外企业的 AI 采纳现实：分享了硅谷以外企业采用 AI 的真实动机与落地场景。大多数传统企业引入 AI 的核心诉求是突破现有业务瓶颈，通过增强与加速现有工作流来提升产品交付速度、客户入职效率及问题 resolution 能力。AI 正在将过去因技术人才高度集中于硅谷而无法实现的自动化能力，下沉至中小企业与各个垂直领域。”Most companies are not satisfied with how much they’re doing, and they’re always constrained by some bottleneck. So they’re looking at processes that are slow and inefficient and wondering if AI can make it so they can ship more product, speed up customer onboarding, better resolve customer issues…” [8]

Zara Zhang (@zarazhangrui)简介: Builder. Dangerously skips permissions. Harvard’17.推文动态：

1. 编程智能体协作范式转变：提出了与 AI 编程智能体交互的新型协作范式，主张将其视为联合创始人（Co-founder）而非普通员工。在实际操作中，她并不采用简单的指令下达模式，而是通过陈述具体问题、描述当前上下文环境并主动征求 AI 的意见来推动开发进程。这种交互方式强调双向沟通与问题解决导向，旨在激发智能体更深层次的推理与架构设计能力。”I realized a lot of people treat coding agents as their employee, whereas I actually treat it as my cofounder I don’t just give orders. I present problems, describe the situation, and ask for their opinion” [9]

Nikunj Kothari (@nikunj)简介: partner @fpvventures – investing in seed/A. previous: early hire @meter, @opendoor, @atlassian & others.推文动态：

1. AI 工具链商业化项目成本拆解：详细拆解了一个基于 AI 工具链构建的付费项目架构与成本结构。该项目整合了 Railway 的部署能力、conductor_build 的工作流编排以及 Claude.ai 的模型推理服务，并通过 Stripe 实现首次商业化收款。由于单次报告生成的 API 调用成本高达 8 至 9 美元，该项目目前主要按成本价向用户开放，旨在通过实际数据反馈优化产品。”Built using @Railway, @conductor_build & @claudeai. This is also my first “paid” project (thanks @stripe) since each report costs me $8-$9 so selling this mostly at cost.” [10]

Peter Steinberger (@steipete)简介: Polyagentmorous ClawFather. Came back from retirement to mess with AI and help a lobster take over the world. @OpenClaw🦞 + @OpenAI推文动态：

1. 跨平台 AI 服务集成与支付链路：反馈了 Codex 与 @xai 服务集成时的支付与配置问题。他向 Codex 说明需要完成支付流程才能恢复 @xai 相关功能的正常运行，揭示了当前多模型协同工作流中可能出现的权限与计费链路断点。该反馈为开发者排查跨平台 AI 服务集成故障提供了实际案例。”told codex I had to pay up to make @xai work again.” [11]

2. Codex /goal 功能体验评价：高度评价了 Codex 新推出的 /goal 功能。该功能旨在优化智能体的目标导向执行能力，使开发者能够更精准地设定任务终点并控制生成路径。他认为这一更新显著提升了工具在实际编码场景中的实用性与操作流畅度。”The new /goal feature in codex slaps.” [12]

Dan Shipper (@danshipper)简介: ceo @every | the only subscription you need to stay at the edge of AI推文动态：

1. 模型知识储备与人类学习速率对比：对比了人工智能模型与人类个体在知识储备与学习速度上的本质差异。他指出，虽然单一 AI 模型所掌握的知识总量远超任何个人，但人类个体在获取新信息、适应环境变化及技能迭代方面的学习速率依然快于当前模型的更新机制。这一观点揭示了人机协作中长期存在的动态互补关系。”models know more than any individual human. but any individual human learns faster than models do” [13]

Claude (@claudeai)简介: Claude is an AI assistant built by @anthropicai to be safe, accurate, and secure.推文动态：

1. Code with Claude 开发者大会回归公告：发布了「Code with Claude」开发者大会的回归公告与参会指南。该会议面向不同技术水平的开发者设计，涵盖从零基础入门到高级架构实践的多个专场 session。官方已开放直播流注册通道，旨在为全球 AI 编程社区提供技术分享与实战交流的平台。”Code with Claude, our developer conference, returns next week. Whether you’re just getting started with Claude Code or you’ve been building for a while, there’s a session for you.” [14]

播客深度摘要与核心洞察

No Priors – Baseten CEO Tuhin Srivastava on the AI Inference Crunch, Custom Models, and Building the Inference Cloud概述：本期节目由 Elad Gil 与 Tuhin Srivastava（Baseten 创始人兼 CEO）对谈，围绕 AI 推理算力瓶颈、定制化模型趋势、开源生态格局及基础设施竞争壁垒展开深度讨论。Baseten 在过去一年实现 30 倍增长，预计今年营收突破 10 亿美元，节目聚焦推理云市场的技术演进与商业化路径。

核心讨论点：

1. 应用层（Application Layer）的存续逻辑与护城河：Tuhin 论述了独立 AI 应用公司为何能够在前沿模型实验室的挤压下持续生存。他认为应用层的真正价值在于独占性的用户信号与深度嵌入的工作流，而非单纯的模型能力。他以医疗领域的 Abridge 和客服领域的 Decagon 为例，说明这些公司通过长期积累的临床笔记编辑习惯或企业工单处理流程，构建了模型厂商无法轻易获取的数据壁垒。”I think the application layer will exist for a number of reasons. One is because, you know, I think this idea that what is valuable to a company is, you know, the user signal that they can gather that only they can gather.” [15]

2. 企业 AI 采纳的演进路径与市场规模：嘉宾分析了当前企业采用 AI 技术的实际进度与未来趋势。他指出，目前按推理请求量计算，企业级市场的 AI 渗透率仍不足 1%，绝大多数传统企业尚未将 AI 真正接入核心业务系统。企业 adoption 的路径正从早期的工具试用，逐步过渡到调用闭源模型 API，最终迈向基于自身数据训练定制模型的深水区。”I think if you look by inference count, it’d be 99% the fall. Yeah. And that is that kind of represents the scope of the opportunity here is that the majority of the market hasn’t come online and and added AI into the system.” [16]

3. 开源模型生态现状与中美技术博弈视角：讨论涉及客户对开源模型的选择偏好及对中国模型的安全性质疑。Tuhin 表示客户始终遵循能力优先原则，会根据任务需求灵活选用 GPT-oss、Moonshot、DeepSeek 或 Orpheus 等前沿开源模型。针对安全担忧，他认为模型无法跨越网络边界进行恶意操作，且美国必须建立强大的本土开源生态，否则将因获取低成本智能的渠道受限而拖累国家创新速度。”I do think that to some some extent is I I think there is importance to The US that we develop our own models. I think that that would be a massive loss if that there are five companies, you know, five different labs in China that are creating open source models, and we’re struggling to get one set up.” [17]

4. 定制模型（Custom Models）与后训练（Post-training）的协同效应：Baseten 通过收购 Parzed 团队强化了后训练与模型定制能力，以应对市场需求。数据显示，平台目前 90% 至 95% 的推理 Token 消耗来自经过客户数据微调与性能编译的定制模型，而非原始开源权重。后训练与推理在技术栈上高度耦合，模型训练时的量化策略直接影响推理阶段的部署效率，两者正逐渐演变为同一技术问题的两面。”95% of the tokens today are on the the first business. And almost all of them, there’s probably a yeah. For almost all of them, the customer is making some modifications to the model with with their own data specialized for the use case.” [18]

5. 算力供应短缺（Supply Crunch）与基础设施竞争壁垒：嘉宾深入剖析了当前 AI 推理市场的算力瓶颈与供应商运营现状。Baseten 在全球 18 个云服务商部署了 90 个集群，多数集群长期维持在 95% 左右的高负载运行状态，市场几乎不存在闲置算力。真正的竞争壁垒已从单纯的 GPU 采购转向软件栈的粘性、资本成本优势以及跨云调度能力，顶级云供应商的数量极为有限。”I think, you know, there’s so much narrative around the supply crunch. And no matter like, as much as we hear about it, I don’t think people realize how bad it really is. Like, there is, you know, there is very, very little slack compute available.” [19]

关键引用：“I think the application layer will exist for a number of reasons. One is because, you know, I think this idea that what is valuable to a company is, you know, the user signal that they can gather that only they can gather.” [15]“95% of the tokens today are on the the first business. And almost all of them, there’s probably a yeah. For almost all of them, the customer is making some modifications to the model with with their own data specialized for the use case.” [18]“I think, you know, there’s so much narrative around the supply crunch. And no matter like, as much as we hear about it, I don’t think people realize how bad it really is.” [19]

新发现的优质来源与推荐关注

推荐关注的 Builder

1. Jim Fan (twitter): 与 Karpathy 和 GDB 风格接近，常分享具身智能、LLM 与机器人结合的前沿技术思考，技术深度与活跃度极高。

2. Abdul Rafay (AI Paper Summaries) (twitter): 高频更新 AI 顶会论文解读，信息密度大，适合追踪前沿研究动态，是对 LeCun 和 Karpathy 技术视野的有效补充。

3. Casper Krambeck (twitter): 专注 AI 算力与芯片硬件生态，与 Amodei 和 Altman 探讨的算力瓶颈和基础设施话题高度契合，视角独特且专业。

推荐订阅的播客

1. The AI Podcast (NVIDIA) (youtube): 由 NVIDIA 官方出品，深度访谈 AI 领域科学家与企业家，技术讨论深度与 Lex Fridman 相当，且更聚焦产业落地与工程实践。

2. Acquired Podcast (youtube): 与 All-In Podcast 互补，专注于科技公司历史、商业模式与战略拆解，叙事深度与制作质量均属顶尖。

3. The Peter Attia Drive (youtube): 与 Huberman Lab 同属长篇幅、强科学证据的专家访谈播客，专注长寿医学与代谢健康，内容严谨且实操性强。

4. a16z Podcast (youtube): 与 All-In Podcast 高度相似，由顶级风投出品，聚焦 AI 政策、风险投资与科技趋势，视角更具资本与监管深度。

结语今日内容全面覆盖了从底层算力基建到上层应用生态的关键议题。智能体工作流的混合化演进、企业级 AI 采纳的务实路径、推理算力供应的结构性瓶颈，以及开源模型生态的战略博弈，共同勾勒出当前 AI 产业从技术探索迈向规模化落地的真实图景。定制模型与后训练技术的深度协同，正成为突破性能天花板的核心杠杆。建议开发者与创业者密切关注底层记录系统的架构升级，并积极布局跨平台工作流与垂直领域数据壁垒。持续追踪前沿 Builder 的技术洞察与深度播客的行业拆解，将有助于在快速迭代的技术周期中保持战略敏锐度。欢迎订阅本号，获取每日深度 AI 产业动态与实战指南。

参考来源

[1] Swyx 关于浏览器扩展插件工作流构想的推文https://x.com/swyx/status/2050460622706626740

[2] Swyx 关于第三方 AI 搜索工具对比的推文https://x.com/swyx/status/2050432398161264664

[3] Peter Yang 关于 Codex 功能故障反馈的推文https://x.com/petergyang/status/2050406287008268450

[4] Peter Yang 关于本地模型部署硬件预期差的推文https://x.com/petergyang/status/2050394924395434233

[5] Amjad Masad 关于 Replit 十周年里程碑与免费活动的推文https://x.com/amasad/status/2050479551537619413

[6] Aaron Levie 关于智能体数量激增下软件架构演进的推文https://x.com/levie/status/2050295657836277764

[7] Aaron Levie 关于智能体生态对底层记录系统长期依赖的推文https://x.com/levie/status/2050295657836277764

[8] Aaron Levie 关于硅谷以外企业 AI 采纳现实的推文https://x.com/levie/status/2050240083325030404

[9] Zara Zhang 关于编程智能体协作范式转变的推文https://x.com/zarazhangrui/status/2050326543797469415

[10] Nikunj Kothari 关于 AI 工具链商业化项目成本拆解的推文https://x.com/nikunj/status/2050353986742698400

[11] Peter Steinberger 关于跨平台 AI 服务集成与支付链路的推文https://x.com/steipete/status/2050384648119734683

[12] Peter Steinberger 关于 Codex /goal 功能体验评价的推文https://x.com/steipete/status/2050275598178586921

[13] Dan Shipper 关于模型知识储备与人类学习速率对比的推文https://x.com/danshipper/status/2050304359024759242

[14] Claude 关于 Code with Claude 开发者大会回归公告的推文https://x.com/claudeai/status/2050252933866930339

[15] No Priors 播客：Baseten CEO Tuhin Srivastava 谈 AI 推理瓶颈、定制模型与推理云建设（应用层存续逻辑引用）https://www.youtube.com/watch?v=XAbKflCncDo

[16] No Priors 播客：Baseten CEO Tuhin Srivastava 谈 AI 推理瓶颈、定制模型与推理云建设（企业 AI 采纳路径引用）https://www.youtube.com/watch?v=XAbKflCncDo

[17] No Priors 播客：Baseten CEO Tuhin Srivastava 谈 AI 推理瓶颈、定制模型与推理云建设（开源生态与中美博弈引用）https://www.youtube.com/watch?v=XAbKflCncDo

[18] No Priors 播客：Baseten CEO Tuhin Srivastava 谈 AI 推理瓶颈、定制模型与推理云建设（定制模型与后训练协同引用）https://www.youtube.com/watch?v=XAbKflCncDo

[19] No Priors 播客：Baseten CEO Tuhin Srivastava 谈 AI 推理瓶颈、定制模型与推理云建设（算力供应短缺引用）https://www.youtube.com/watch?v=XAbKflCncDo