AI 把「执行」变得越来越便宜，但便宜不等于高效。这一周最值得注意的几个案例，都指向同一个变化：当模型能快速产出代码、报告和候选答案，真正稀缺的东西会向下游转移——什么叫好、如何验收、反馈能否回流，以及人类如何接过关键判断。
■ INSIGHT 观点
别再问「哪个模型最强」，先做一套自己的 AI Benchmark
via Mike Taylor / Every
通用榜单只能告诉你模型在别人的题目上表现如何，回答不了「它能不能做好我的工作」。Mike Taylor 的方法很实用：收集过去失败、反复修改或被放弃的真实任务，保留必要上下文，让多个模型重复执行，再把主观品味改写成可重复的通过／不通过标准。
好的个人评测集，其实是一份「我认为什么叫好工作」的可执行定义。与其对每次模型发布凭感觉换工具，不如先从 10 个自己真正在做的任务开始，尤其保留那些「上一代模型做不好」的案例。
—
AI 让执行力变得廉价之后，稀缺的是问题选择和品味
via 少数派
当代码、设计和内容的边际生产成本继续下降，「会使用工具」就很难成为长期壁垒。真正拉开差距的，会是选什么问题、如何判断结果、能否累积专属上下文，以及有没有让成果到达用户的分发能力。
这也是为什么「个人 Benchmark」值得做：它不只是选模型的工具，而是把注意力从产出速度拉回方向与标准。
■ CASE 案例
Loop Engineering：让 Codex 连续工作 6.5 小时，靠的不是更长的提示词
via 飞书技术闪光
这个实践让 Codex 连续运行约 6.5 小时，完成 31 个埋点场景、覆盖两个平台，并在自验证中发现和修复 6 个问题。关键不是让 Agent 「多坚持一会儿」，而是提前定义完成标准，接入外部反馈，先跑通单场景闭环，再放大到长时间执行。
无人值守的第一设计变量不是时长，而是反馈能不能回流。没有客观证据的长跑，只是更慢被发现的失败。
—
AI 编程加快之后，Linear 发现瓶颈跑到了 CI
via Mufeez Amjad / Linear
Linear 的代码吞吐量被 Agent 推高，但验证速度没有同步增长。团队从更快的 runner、关键路径上的小任务、重复 setup 到测试分片重做整条流水线；在测试套件接近四倍增长的同时，PR 等待从 6 分钟以上降到 5 分钟出头，单项测试的 runner 时间大约减半。
这个案例提醒了一个很容易被忽略的问题：每一次 AI 加速，都可能只是把队列推到下一环。不要只统计生成了多少代码，要追踪等待时间转移到了 review、CI、部署，还是协作。
—
949 个 Claude Agent 找到候选酶系统，重点是它最后进了湿实验
via Anthropic
Anthropic 称，949 个 Claude Agent 在约 21.5 小时内并行搜索了近 20 亿个蛋白质簇，找到一类与 CRISPR 式重复序列相邻的候选酶系统，再由实验室做实体验证。这还不等于完成科学发现；系统的生物学功能和可重复性仍需要更多研究。
但它展示了 Agent 进入专业生产线的一个可信模板：把大规模搜索拆成并行任务，保留过程和候选证据，最后用昂贵但更确定的现实反馈做验收。对普通知识工作来说，「湿实验」可能是真实用户、运行数据、代码测试，或者可追责的专业审核。
■ PRODUCT 产品
Notion Custom Agents 走进微型工厂：先做上下文编排，不急着替人决策
via Notion / Unspun
Unspun 尝试用本地微型工厂和 3D 编织设备按需生产服装。这个案例里，Custom Agents 连接客户需求、测试计划和设备运行信息，提前准备好人类判断所需的上下文。
这也许是企业 Agent 更快成熟的形态：不是立刻抢走决策权，而是把分散信息组装成可执行的交接包，让对的人在对的节点作出判断。对客户成功、制造、PMO 和复杂项目都很有参考价值。
—
本周这些信号放在一起，可以得到一个简单的工作流重构方法：先标出 AI 让哪一步更快，再寻找新出现的队列，最后为那个队列配上可观测的验收标准和交接机制。AI 生产力不是产出数量，而是端到端通过的优质结果。
暂无评论内容