⼤家好，Weekly Gradient第 101 期已送达，本期内容围绕杨斌提出的AI次方变革概念，探讨组织如何应对技术青春期；涵盖Karpathy的Software 3.0、Demis的AGI时间表、工程实践应用及企业生产实战，深入思辨Skill蒸馏与Agent范式。
聚焦 AI 行业的商业化路径、市场竞争格局和商业模式创新，包含投资趋势、GTM 策略、SaaS 转型等商业话题。
微软和OpenAI的合作又有了新动向，这次修订后的协议透露了不少信号。微软依然是OpenAI的主力云合作伙伴，但OpenAI现在可以自由选择其他云服务商了，除非微软接不住需求。知识产权许可延长到2032年，但不再是独家，微软可以继续用模型但没法独占了。收入分成这边，微软不再给OpenAI钱，反而是OpenAI要付给微软分成，不过设了上限到2030年。整体看起来，OpenAI在关系里争取到了更多自主权，微软也保住了大股东地位和优先权。两家公司还会在数据中心、芯片和网络安全上继续砸钱合作，但这次的调整明显是在给双方松绑，为未来各自的新动作留出空间。
涵盖 AI 工程技术实现与场景化开发的全流程，包含 Agent 工程架构、工具实践、上下文工程等核心技术话题。
Karpathy最近在Sequoia的访谈中分享了他对AI编程的深刻见解。他提到2025年底自己进入了完全Vibe Coding的状态，AI生成的代码可以直接用了，但这只是抬高了编程的下限。真正重要的是Agentic Engineering——一种在使用AI Agent加速开发的同时，确保质量、安全和责任的工程纪律。他还深入探讨了Software 3.0的本质（上下文就是程序），LLM能力的锯齿状不均衡，以及那个震撼的MenuGen案例：模型直接吞掉了中间层App。人类工程师的核心价值在于系统理解、规格设计和品味判断，这些是AI替代不了的。他打了个比方：LLM像个幽灵，不是动物式智能，能力全靠实验室的数据和强化学习覆盖。智能变便宜后，最贵的是理解力，学习的重心要从死记硬背转向系统理解和问题定义。
很多AI团队把精力都花在搭工作流上，但真正拉开差距的其实是领域知识。这篇文章来自一个AI工程交付团队，他们分享了一套分层知识体系，让团队知识不再是个人脑袋里的黑匣子，而是共建共享的结构化资产。特别有意思的是，他们用远程操控解决了人机交互瓶颈，保证知识沉淀不遗漏、不扭曲。读完之后你会明白，工具可以复制，但知识才是护城河。
如果你正在搭建智能体系统，这篇文章是你的工程实战指南。作者基于一手经验，犀利指出很多团队忽略的关键：稳定的Agent循环，能力扩展靠工具和提示而非改核心逻辑；测试约束设施比模型本身更影响稳定性；上下文要分层管理，避免信息过载淹没信号；工具设计要围绕Agent目标而非API操作，并提供错误反馈；记忆要区分工作记忆、程序性记忆等类型，通过MEMORY.md和Skill实现跨会话一致性；多Agent协作必须先定通信协议和边界；评测从20个真实失败案例起步，先检查评测系统再改Agent。最后用一个真实案例OpenClaw展示了这些原则。读完你会对Agent工程有更落地的认识。
这篇文章拆解了Claude Code的源码，用硬核工程数据告诉你：为什么在AI编程工具里，Grep这种老古董反而比RAG更香。它把LLM驱动的多轮搜索循环、ripgrep的性能优势、和Cursor/Codex的架构差异以及token成本控制全画在了一张图里，结论有实证支撑。如果你在做AI编码、代码搜索或Agent检索架构，这篇值得细读，别被“RAG已死”的标题骗了，它其实是在讲搜索的回归逻辑。
一位17年经验的老程序员找到了用AI管理70万行代码的秘诀——就像带新人一样引导Claude。他专门为AI建了独立的上下文库，教它领域专业知识，还集成了MCP工具。这套方法不仅让开发速度快了不少，还顺手解决了积压多年的技术债。如果你也在发愁怎么让AI搞定复杂的大型项目，这篇实战经验你应该看看。
Claude Code团队带着血泪教训告诉你：prompt caching不是锦上添花的API优化，而是决定agent产品能否活下去的硬约束。他们用亲身经历拆解了为什么system prompt、工具集设计、会话分叉乃至plan mode都得先算清缓存命中率这笔账——这对所有做长上下文、多轮对话的智能体产品来说，是比模型选择更底层的架构决策。别以为这只是工程细节，搞错了，你的agent会又贵又慢又蠢。
OpenAI 博客介绍了 Symphony，一个用于编排编码智能体的开源规范。它解决了多编码会话间人类注意力瓶颈的问题，通过将 Linear 项目管理看板作为控制平面，自动监控任务并分配给专用智能体工作空间，处理从执行到 PR 合并的完整生命周期。实施后有些团队 PR 数量提升 500%。核心思想是从管理编码会话转向管理可交付成果（工单），虽然失去了中途提示智能体的能力，但推动更强大的护栏和文档建设。Symphony 的核心是 SPEC.md 文件，定义问题和解决方案，让智能体更自主地工作，而不是遵循僵硬的状态转换。
OpenAI把Codex定位成了软件工程智能体，不只写代码，还能在读取-规划-执行循环里跑测试、调度子智能体。这期59分钟的技术讲解把子智能体并行执行、插件生态、Guardian安全门控和MCP集成讲透了——难怪它能冲到300万周活。想评估AI工程智能体平台的团队，这篇内容能帮你理解它背后的工程底气。
这篇稿子把「长时间运行的 Agent」从概念落到工程实现，没有炒冷饭，而是直指持久状态、恢复机制和验证闭环这三大真正的拦路虎。它还横向对比了 Anthropic、Cursor、Google 的收敛架构，最后提炼出五种可以直接抄作业的生产设计模式。如果你正在搭 Agent 底座或多智能体系统，这篇是你需要的实战手册。
Cloudflare和Stripe Projects联手搞了个新协议，让AI智能体自己能注册Cloudflare账号、买域名、部署应用，全程不需要人动手。这相当于给开发者配了个自动化的超能力，从零到上线完全交给AI搞定，开发效率和便利性直接拉满。
京东这篇实战分享把生成式推荐从概念拉到了工业级约束下，重点不是模型多牛，而是广告场景里怎么同时搞定低时延、可控性、知识增强和业务ROI。GRAM架构、快慢双链路、知识工程和工程优化讲得很细，对搞推荐系统、搜索广告和行业大模型落地的人特别有参考价值。
在Java生态里，大模型集成一直有点‘野路子’：直接调用API，出了问题才补救，安全、治理、可观测性样样缺位。这篇内容介绍了一个叫MCP（模型上下文协议）的东西，它给LLM集成套上了标准化的框架，划清了架构边界，让大模型不再是外部‘黑盒’，而是企业架构里受管控、可扩展的一等公民。如果你正在头疼怎么把LLM规整地融入现有Java系统，这篇文章给的思路值得一看。
PostHog 的 Danilo Campos 在演讲里掏心窝子分享了他们做 coding agent 时踩过的坑和总结出的实战原则。不画大饼，全是控制层面的干货：把最新的 markdown 文档直接塞进 context 防止模型跑偏，维护轻量级的 model airplanes 展示正确集成姿势，用 breadcrumbing 把大任务拆成顺序小步骤，每次跑完追问 agent 什么条件能让它更成功，以及用窄工具替代大范围读敏感文件。最颠覆的观点是，纯文本和文档已经成了 LLM 系统的耐用品基础设施，往往比复杂的脚手架代码更有价值。如果你在搞 coding agent、自动化 onboarding 或集成助手，这场分享的迁移价值非常高，值得认真听。
行业前沿与开源生态，整合行业深度洞察与开源技术动态的复合型主题，技术哲学、AGI 讨论、领袖观点。
小马智行CTO楼天城在量子位的专访里聊了他们的PonyWorld 2.0世界模型，观点相当炸裂：一旦AI驾驶超越人类，人类驾驶数据不仅没用甚至可能拖后腿，工程师也得从“教练”变成“打工人”和“数据采集员”。这个新模型不走寻常路——跳过语言直接拿传感器数据映射动作，还搞了个“意图”语义层当中间人，AI自己能诊断问题、自动找数据补短板，甚至主动提出进化方向。楼天城还呛了声VLA路线的天花板，聊了Scaling Law在自动驾驶里的极限，最后放话：AI已经能自我演进，物理AGI的大门开了，未来最值钱的就是懂得怎么“驾驭”AI的人。
Karpathy 这场演讲是理解当下 AI 编程范式最清晰的框架。他把 Software 1.0 到 3.0 的演进、Vibe Coding 和 Agentic Engineering 的分野，以及可验证性、锯齿形能力这些概念整合到一起，重新校准了行业的关键认知。对于工程师、产品人和工具构建者来说，他把‘理解什么不能外包’和‘锯齿形能力’连成了一个统一框架，看完你会对 AI 编程的边界和可能性有更踏实的判断，而不是被 buzzwords 带着跑。
Demis Hassabis 这位诺贝尔奖得主、DeepMind 的掌舵人，亲口拆解了 AGI 剩下的硬骨头：持续学习时会灾难性遗忘、长期推理能力匮乏、高效记忆系统还没影。他把当前智能体最要命的毛病称为“锯齿状智能”——时不时掉链子。好消息是，通过蒸馏技术，前沿级智能很快就能塞进你的手机里。想押注 AGI 时间线的创始人和研究者，这篇是第一手权威判断，错过血亏。
这期播客请来了俄亥俄州立大学的苏煜教授，他可是Agent技术演化史的见证人。节目从AI从Chat到Agent的演进讲起，系统梳理了Language Agent过去三年的飞速发展，聊到了通用数字代理的愿景、OpenClaw时刻，也毫不避讳当前Agent面临的瓶颈和未来预期。如果你是那种想搞懂Agent技术原理和行业趋势的人，这期内容绝对值得一听。
GitHub上「同事Skill」项目火爆，但你真的了解Skill能偷走你多少本事吗？最新评测显示，在医疗领域Skill能显著提效，到软件工程却可能帮倒忙，堪称“偏见放大器”。文章借认知科学把知识拆成“知道什么”和“知道怎么干”，发现Skill最擅长处理确定性规则（比如固定流程），一旦遇到凭经验直觉判断的活儿（比如该不该改需求、这个方案靠不靠谱），它就彻底抓瞎。换句话说，Skill能顶替你60%-80%的搬砖时间，却只覆盖30%-40%的实际价值——真正值钱的核心判断力，根本没法靠语言写进指令。更扎心的是，别以为藏得住，RL和偏好对齐这类技术正在绕过语言，直接学你的行为习惯和隐性偏好。想防蒸馏？文章最后给了四种策略，其中“反蒸馏”可能是最狠的：故意把低级流程包装成高级抽象，让AI学个寂寞。
杨斌教授提出的“AI次方变革”狠狠打了那些把AI当插件的企业一巴掌。他点出了一个扎心的现实：组织像进入中年的油腻大叔，只盯着短期业绩、线性增长，而技术却像个青春期叛逆少年，疯狂迭代、充满不确定性。这种错配才是转型痛苦的根源。他给出的解法是“生成式涌现变革”——别再试图控制每个细节，而是创造能让创新自然涌现的环境和上下文。对任何正在摸索AI转型的管理者来说，这很可能是一针清醒剂。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。