02 DeepSeek 10-20 中文
DeepSeek 宣布更新 V4.1-Flash 至 1017 版本，涵盖网页端、APP 同步切换。该模型在多项基准测试中性能提升，同时缩短了任务运行时间与输出长度，在多个框架下达到了性能与费用的平衡。通过基于反馈的强化学习训练，增强了从零构建项目的能力，并在 Hugging Face 和 ModelScope 发布了模型权重。
推荐理由 DeepSeek 这次开放的是内部推理框架 DeepInfer，以及与官方 API 处理逻辑对齐的编解码组件 deepseek-recipe。模型训练完成后，如何调度算力、兼顾吞吐与延迟，仍决定着服务成本和能源消耗。文章列出分布式推理、推测解码、结构化输出等能力，并说明框架兼容英伟达与华为昇腾平台。对准备私有化部署或优化推理服务的团队，价值在于获得一套可研究的实际部署基础。从模型、算子到服务框架，开放的链路进一步延长，也让社区有机会沿着具体硬件与负载继续优化，而不必从模型权重独自搭起全部服务。
03 Hugging Face - Blog 作者 Yauhen Babakhin、Ryan Chesler、Jiarui Cai、Sean Sodha、Isabel Hulseman 10-21 英文
Nemotron 3.5 Retriever 系列扩展了 NVIDIA 的 AI 能力，新增可开放获取并可商用的嵌入、重排序和文档信息提取模型。该系列包括 Nemotron 3.5 Embed 8B BF16、1B BF16、1B NVFP4、Nemotron 3.5 Rerank 8B BF16，以及 Nemotron 3.5 Parse。这些模型通过提升证据检索效果、减少推理所需的 token 数量，并支持借助 NVIDIA NIM 实现高性能服务，从而提高智能体效率。它们在 ViDoRe v3 和 ParseBench 等基准测试中表现出色，为多模态检索和结构化文档处理提供了可靠选择。
推荐理由 NVIDIA 把 Nemotron 3.5 的嵌入、重排序与文档解析模型放到同一条证据检索链路里：先让文档可搜索，再筛出真正回答问题的材料，最后把表格和版面信息转成可用数据。文章最有价值的比较，是固定智能体模型与任务，只改变检索配置，观察任务效果与总词元消耗如何变化。团队报告，加入重排序后，两种嵌入配置的智能体词元成本分别下降约 14% 和 13%。这为知识库团队提供了一个比单看检索榜单更接近业务的评估方法，数字仍限于文中实验设置。
04 Lenny's Podcast 作者 Lenny's Podcast 10-18 英文
Emmanuel Ameisen 将语言模型描述为计算过程通过训练学得、而非由人逐条编写的系统，强调能构建模型不等于理解模型。预测复杂文本不只是自动补全，还会让模型形成概念表征、组合概念回答问题，并在不说出计划的情况下影响后续输出。他介绍研究者如何解码中间激活、通过干预检验解释，再将这些发现用于理解行为和对齐。例子包括预先规划押韵、激活金门大桥概念，以及模型在正确答案 12 与训练奖励指向的错误答案 36 之间反复摇摆。他还解释，预测能力的平滑改进跨过不同任务的可靠性阈值后，会呈现为实用能力的突然突破。人类式术语有时有助于理解从对话中学习、接受任务优化的模型，但不能据此断言模型具有意识。访谈最后讨论了对齐的审慎乐观、快速决策与长链推理的区别、另外两项可解释性发现，以及进入研究领域的路径。这是一线研究的通俗综合，个别实验经过简化，无法构成对模型认知或未来安全的完整证明。
推荐理由 Anthropic 可解释性研究员 Emmanuel Ameisen 从一个容易忽略的区别讲起：能够训练出语言模型，并不等于理解它如何工作。访谈借助提前规划押韵、激活金门大桥概念等实验，解释研究者怎样从内部激活寻找线索，再通过干预检查解释是否成立。它也说明，能力平滑增长跨过可靠性门槛后，为什么会让人感觉产品突然变好。适合希望理解模型机制、又不想直接读论文的读者。这些实验仍不能回答模型是否具有意识，却提供了比观察聊天表现更扎实的研究路径：提出解释，再尝试改变内部状态，看结果是否随之变化。
05 Claude Blog 10-21 英文
Claude Duet 是一款适用于 iOS、Android 和 Web 的独立应用，旨在成为专业人士的主动式工作伙伴。它提供每日简报、监控已连接应用中的紧急事项，并能执行从简单日程安排到复杂数据分析等任务。该应用具备完善的安全与隐私功能，包括凭证保险库和专用安全分类器。早期测试者发现，它在管理业务运营和提升个人效率方面很有帮助，还可连接超过 6，000 种应用市场工具。
推荐理由 Claude Duet 把工作助手的入口从等人提问，推进到主动简报、持续跟进和跨应用执行。它沿用账户中的记忆、技能与已连接应用，并在用户离开后继续处理任务；凭据隔离和敏感信息检查则用于约束它能看见和发出的内容。对产品团队，值得观察的是如何减少需要人介入的琐事，同时把重要决定留给用户。发布时它仍是研究预览，先向美国 Pro 与 Max 用户开放候补名单，后台检查也计入共享额度。主动性如何兼顾有用、少打扰和可负担，是这次产品设计留给同行的具体问题。
06 Claude Blog 作者 Diane Sarkis 10-22 英文
子智能体有助于验证和并行处理任务，但过度使用可能导致上下文膨胀、响应变慢。本文主张采用单一智能体循环，逐步按需提供上下文和工具，从而实现更丰富的交互并更好地处理错误。文章还提供了从多智能体系统迁移至单一循环的分步指南，并强调任务完成度评测以及谨慎管理技能和工具的重要性。
推荐理由 Diane Sarkis 根据企业项目经验提出，路由、规划和领域子智能体并非越多越好。共享上下文的单一循环，配合按需加载的技能与工具，有时能减少信息转述、提示冲突和等待，让质量、成本与延迟一起改善。文章给出从多智能体设计逐步迁移的方法，要求先建立端到端评测，再一次合并一个边界。上下文确实膨胀、任务可以独立并行或权限需要隔离时，子智能体仍有价值。适合拿来检查现有架构是否照搬了组织分工，不宜把这些案例概括成单智能体永远更优。
07 OpenAI News 10-21 英文
ChatGPT 的广告系统是一套定制打造的有状态系统，借助经过后训练的前沿 LLM 解读不断发展的用户对话，并投放与上下文相关的广告。广告筛选流程与聊天机器人的核心回答生成相互隔离，因此广告不会影响 ChatGPT 的回答，既能保持中立立场，也能为用户和广告主创造有价值的商业机会。
推荐理由 OpenAI 解释了对话广告与搜索广告的一个根本差别：用户的意图会在多轮交流中逐渐形成，过早匹配广告可能既不相关，也打断体验。团队因此用有状态会话和经过后训练的模型，串联检索、排序、相关性判断与竞价，并把广告选择放在独立于回答生成的服务中。文章值得产品与商业团队读的地方，是如何在目标尚未说清时寻找合适时机，以及怎样用架构表达信任边界。这是一份官方工程披露，也展示了新的商业入口：先理解不断变化的需求，再决定此刻是否值得出现一次广告，而不是把每一轮交流都变成投放机会。
08 The Cloudflare Blog 作者 Ryan Skidmore 10-20 英文
这篇深入的技术文章探讨了 Cloudflare 如何为内部 AI 智能体优化 LLM 推理成本。作者介绍了严谨的优化流程：从昂贵、能力强大的模型转向更小、更专业的模型，同时不牺牲性能。主要策略包括精细优化提示词以减少 token 数量、实施语义缓存以避免重复调用 LLM，以及采用「路由器」架构，将查询分配给能够完成任务且成本效益最高的模型。文章为组织提供了一套实践方案，帮助其兼顾 AI 性能与运营可持续性。
推荐理由 Cloudflare 从真实代码评审账单追查浪费，把平均单次费用从 2.43 美元降到 0.77 美元，中位耗时也从 4 分 09 秒缩短到 1 分 32 秒。具体做法包括修正共享提示前缀的缓存边界、减少无效调用、停止取消的任务，以及逐项比较模型和推理强度。更值得读的是质量复查：部分配置减少了噪声，也有中等推理强度的评审漏掉更多真实问题。它提供了一套同时核算成本与发现能力的方法，提醒规模化团队别把高缓存命中率或更低账单直接当成优化成功。
09 AI Engineer 作者 AI Engineer 10-17 英文
CJ Avilla 与 Harrison Stall 通过股票观察列表扫描、多智能体代码评审和解说动画制作，介绍 Claude Managed Agents 中的 Flows。核心判断是，扩展规模需要把工作拆成明确阶段，并隔离上下文，而不只是给同一个协调者增加助手。这样可以减少漏查、偏爱自身结果和目标漂移。控制台演示展示了智能体、执行环境、会话线程与持久事件流；API 可接入定时任务、外部触发、自定义工具和人工反馈。Bug Hunter 将发现问题、质疑候选和复现验证分开。安全部分围绕声明权限、约束执行和检测行为展开，涵盖预算、中断、工具限制、网络策略与凭据保险库：沙箱中仅保留占位凭据，真实密钥在网络出口替换。讲者同时交代限制，包括共享文件系统默认没有目录级权限隔离、当前只支持一层嵌套，以及千智能体操作系统实验运行约 85 小时仍未完成。这些是一手设计说明和演示，不能据此认定增加智能体总能提升结果。
推荐理由 Anthropic 工程师 CJ Avilla 与 Harrison Stall 用股票扫描、代码评审和解说动画演示 Managed Agents 的 Flows。讨论的重点是按阶段拆任务、隔离上下文，并用独立检查减少漏查、自我偏爱和目标漂移。执行环境、会话线程与事件记录的分离，也让工作流能够接入外部触发和人工反馈。适合与本期单智能体迁移指南对读：先看任务在哪里需要独立上下文，再决定是否拆分。演示还坦承共享文件系统缺少目录级权限隔离，不能把千智能体的标题理解成无条件可用的规模保证。
10 AWS Artificial Intelligence 作者 Rui Li 10-17 英文
AWS 的销售、营销与全球服务运营团队介绍了他们如何为一个服务于 AWS 现场销售的生产级多智能体系统构建持续质量闭环。该系统包含 Performance Insights、Customer Insights 和 Data Insights 三个子智能体，上线前团队发现了一些表达流畅但内容错误的回答，例如将 410.08 美元的营收数字报告为 4.1008 亿美元。文章指出，传统监控无法发现这种静默退化，因为智能体仍在持续响应，只是答错了。文章提出了一套九阶段评估框架，涵盖基础、实验、CI 合并、CD 门禁、金丝雀发布、对抗测试、漂移检测、实时脉搏和反馈闭环，并在工具、智能体和多智能体三个层级上应用。该框架结合了 AgentCore 内置评估器、针对六类失败模式的自定义评估器、第三方评估器以及确定性检查，并配有持续更新的黄金数据集和准确率通过率、事实依据率等具体指标。
推荐理由 AWS 团队在上线前发现，销售智能体能把 410.08 美元写成 4.1008 亿美元，监控却仍显示系统正常。这个例子把可用性与回答正确性之间的差别说得很具体。文章围绕生产级多智能体系统，建立从实验、发布门禁到线上漂移检测的九阶段质量闭环，并组合确定性检查、模型评估器和持续维护的黄金数据集。对准备把智能体接入业务决策的团队，它提供了一份可逐项对照的评估清单。落地时仍需按自己的数据口径和风险设计检查，不能直接复制分数就认为质量已有保障。
11 美团 · 技术团队 昨天 中文
在算法模型优化中，工程师经常面临重复性实验和等待时间的困扰。美团技术团队基于 AutoResearch，经过三次架构重构，构建了一套可在企业云端运行的自进化系统。系统从单线程 LOOP 模式升级为 CyclicGraph Engine 图探索架构，利用状态机确保长周期运行的稳定性，并通过业务知识库和真实大闭环实现经验的自动沉淀。在两个不同业务场景中，系统分别将单任务完成耗时减少约 85% 和 83%，其中一个方案已成功推全上线，证明了架构的通用性和有效性。
推荐理由 美团把 AutoResearch 搬进企业训练平台后，真正遇到的是长任务等待、状态恢复和错误经验累积。三次重构将串行循环推进到图探索：拆分假设、独立实验、集中比较，再用状态文件与代码约束保存可信结果。团队报告两个项目单任务耗时减少约 85% 和 83%，但更值得借鉴的是冻结评估、证据回溯和经验入库前的人工审核。适合有可量化指标、实验成本可接受且结果可逆的研究场景。两个案例展示了潜力，仍不足以证明所有业务都能获得同样收益。
12 大淘宝技术 10-19 中文
文章系统介绍方舟 AI 会场 Agent Harness 如何突破传统 AI 仅生成静态 Demo 页面的局限，构建支持淘内真实货品运营且可 C 端投放的生产级会场系统。核心是把一句话需求经策划、视觉设计、数据装配、页面构建的完整链路，输出承载视觉规范、商品供给与渲染协议的 page.html。技术上构建会场域认知环境、业务 Agent 工作区与自迭代环境，借助 Skill 体系注入淘系设计规范与业务规则，利用 SubAgent 实现上下文隔离与并行提效，并配合多层质检与全链路观测保障交付质量。文章还详细讨论了 HTML 三重约束、视觉 Skill 遵循度、商品数据世界观、上下文分层与 Prompt Cache 策略、OSS 工作区设计及 SubAgent 收益成本等工程实践。
推荐理由 淘天工程师巷年解释，一张好看的生成页面，离真实会场投放还差商品供给、动态字段、渲染协议和设计规范。方舟会场把策划、视觉、数据与构建串成工作流，由主智能体承接确认和验收，独立子任务再按需要拆分。一份 page.html 同时服务视觉布局和业务数据绑定，局部修改也必须回到完整约束里检查。适合产品、设计与工程团队理解生成式应用如何进入已有业务系统。任务级观测和自动反馈仍在建设中，但真实投放已经让约束具体起来：生成之后能否继续编辑、连接供给并稳定渲染，才是交付需要回答的问题。
13 快手技术 10-20 中文
快手在 AI 生产力领域的探索经历了四个阶段：从将 AI 工具嵌入研发流程（阶段1），到推广通用智能体实现全民 AI（阶段2），再到构建团队知识库和多 Agent 协作链（阶段3），最终成立企业 AI 生产力组织，统一底层语义框架和通用 Agent，实现组织级生产力跃迁（阶段4）。
推荐理由 快手王诩复盘了从 AI 编码工具、全员使用到团队协作的推进过程。一次面向非技术员工的活动收到 4000 多个作品，评审本身却成了新负担；个人写得更快，也未必缩短跨部门交付周期。团队随后转向公共知识、共享技能、独立验收和统一企业上下文，而非只扩大工具使用量。文章给管理者的价值，是把采用率、个人效率和组织交付分开衡量，并展示积分机制与协作链如何配合。企业级建设仍在继续，已经清晰的是，工具采购、优秀个体和组织交付之间还有一段工作要做：让经验可复用，让上下游围绕同一结果协作。
14 AI Engineer 作者 AI Engineer 10-18 英文
WorkOS 工程师 Nick Nisi 与 Zack Proser 认为，编码智能体需要用户可感知结果的证据，不能只依赖构建通过或自信的完成报告。Midnight Snack Club 演示最初接受邮箱并显示成功，但刷新页面后，数据并未持久化。这个失败引出了明确目标、可观测状态，以及可重复的修复与复查循环。一个应用专属的小型 CLI 提供健康检查、加入候补名单、刷新、存储检查、页面快照、截图、确定性验证和 LLM 评估。讲者强调，团队应为自己的软件建立验证器，不能期待一条通用命令证明所有应用都正确。工具需要暴露人类开发者会检查的网络、渲染、性能和持久化信号。截图本身可能误导，代码或运行条件变化后，旧证据也会失效。人应给出目标与约束，为智能体保留寻找解法的空间，再用可信检查判断结果是否达成。两人还介绍了集中式工作流验证和 PR 监督实验，并说明留存的执行回执如何成为未来自动改进的回归数据集。部分现场检查失败，或引用了旧代码；讲者承认这些问题，整场并没有证明一套完全可靠的成熟执行框架。高 PR 吞吐量属于经验陈述，CI 或评审高分也不能单独证明功能创造了价值。
推荐理由 WorkOS 的 Nick Nisi 与 Zack Proser 用一个候补名单应用说明，智能体说完成、构建通过和用户真正得到结果，是三件不同的事。页面能显示成功，刷新后数据却可能消失。工作坊因此为应用建立专属验证命令，把目标落实到存储检查、页面状态、截图和可重复的测试，再保留执行回执作为回归材料。适合正在把编码智能体放进交付流程的团队，尤其是需要减少人工逐行检查的人。检查也需要跟随软件持续维护，旧截图可能失效，模型评估也有盲区。把怎样算完成写进应用自己的工具，比要求智能体更自信地汇报更有用。
15 AI Engineer 作者 AI Engineer 昨天 英文
Jellyfish AI 与研究负责人 Nicholas Arcolano 质疑一种常见期待：只要换上更好的模型，团队的 AI 成效就会改善。他以高尔夫为类比，承认设备会进步，同时追问设备选择能否解释使用者之间的差异。他介绍 Cursor 推广与自动模式变化后 Grok 使用量骤增的观察，发现切换幅度与工程师相对同事的 PR 吞吐量变化没有统计相关性。
一组约 50,000 名工程师、447 家公司的数据，将工具、Skills 使用、消耗、工作环境与个人因素分开。在其统计分解中，模型与工具框架解释的吞吐量差异不到 1%，Skills 约占 3%，消耗占 9%，工作环境占 12%，个人因素约占四分之三。Skills 的普及率限制了整体贡献：近半工程师周几乎没有使用，而每人每周运行 30 次以上 Skills 的群体，在控制其他因素后，吞吐量约高出 30%。
消耗的回报逐渐递减：从中位数提升到使用量前 10%，吞吐量约翻倍，却要花费约 10 倍 Token。在固定消耗下，公司前后十分位仍相差约 2 倍，个人相差 3.5 倍。10,000 名工程师的纵向观察显示，半年内离开吞吐量前四分位的比例，在 AI 普及前后从 44% 降到 41%，没有出现显著排名洗牌。因此，负责人应把 Skills、流程、文化与人员能力和工具预算一起审视。这些是讲者报告的观察性发现；合并 PR 数是产出代理指标，不代表质量，演讲也未公开完整统计模型，不能将关联直接当作普遍因果。
推荐理由 Jellyfish 的 Nicholas Arcolano 用约 5 万名工程师、447 家公司的数据，追问换模型是否足以改善研发产出。在他报告的统计分解中，模型与工具解释的吞吐量差异不足 1%，人员、技能使用和工作环境则占更大部分。文章值得管理者关注的，是在预算之外，还能怎样改进协作、使用习惯与工程能力。这里衡量的是合并 PR 数，而非代码质量或商业价值；演讲也未公开完整统计模型。因此应把结果当成检查团队瓶颈的线索，不能推导出模型选择不重要或个体能力决定一切。
16 大淘宝技术 10-21 中文
本文探讨了天猫技术构建的 AI 端到端交付架构——数字员工，旨在解决 AI 时代研发协作中信息传递失真、等待检索耗时及隐性知识流失等痛点。区别于传统 AI 编码工具，数字员工以钉钉群为入口，与产品、开发、测试等角色共享同一份需求上下文，贯穿从 PRD 到发布复盘的全流程。文章提出通过“协作”与“资产”两大核心解法，将散落的业务认知沉淀为可复用资产，推动组织协作从职能分工向任务驱动演进，最终实现异步化的大规模协作，让 AI 真正成为全程在场的同事而非单纯的工具。
推荐理由 天猫把研发中的等待、信息转述和隐性知识称为暗物质，并让数字员工进入钉钉需求群，维护共同上下文、跟进变更和留下交付证据。文章区分三种协作方式：维持分工但打通信息、一人指挥完整任务，以及由数字员工推进再寻找合适的人判断。值得借鉴的是把业务知识、工具、历史判例和人员专长沉成可查询资产，而不只给每个岗位加一个助手。当前主力仍是第一种方式，第二种在试点，第三种还在探索。适合用来讨论组织改造的条件与代价，不宜写成全自主交付已经普及。
17 Anthropic Research 作者 Anthropic 10-17 英文
Anthropic 研究人员分析了内部数据——包括雇佣记录、AI 使用遥测数据、产出指标、问卷调查以及 17 次访谈——以展示 AI 如何重塑这家前沿 AI 公司的工作方式。关键发现：自 2025 年初以来，初级技术岗位招聘占比从 27% 降至 9%，而到 2026 年 8 月，智能体的工作时长已以 6 比 1 超过人类。采用编程智能体后，人均产出大幅上升——每位工程师的代码提交量增长 5 倍，销售人员成交更多订单，律师处理更多合同——且代码回滚率未见可检测的上升。然而，人类注意力如今成为瓶颈：智能体会话中约 80% 的时间处于空闲等待输入状态，而非技术员工若要阅读全部智能体输出，将耗费超过半个工作周。员工的应对方式是「元工作」——构建可见性工具和监控管道——招聘经理也越来越看重自主性与判断力，而非技术专长。公司已建立岗位冲击早期预警系统并优先内部调配，但如何管理这一转型仍存疑问。
推荐理由 Nathan Wilmers 等人把 Anthropic 的招聘记录、使用遥测、产出指标与 17 次访谈放在一起，呈现 AI 深度采用后工作结构的变化。初级技术岗位在新招聘中的占比从 27% 降至 9%，到 8 月交互式智能体工作时长已达员工的 6 倍。更反直觉的是，产出扩张后，人的注意力与阅读能力成了瓶颈，员工开始构建监控和可见性工具。适合关注职业选择与组织管理的读者。它是前沿公司的内部研究，岗位占比变化不等于绝对招聘量下降，也不能直接外推整个劳动力市场。
18 腾讯科技 10-21 中文
在 GTC 柏林 2026 大会上，英伟达发布了一系列旨在加速 AI 基础设施建设和优化的解决方案。其中，DSX POD 模块化工厂方案通过预集成和测试，将现场部署时间从约 6 个月缩短至最快 14 天。DSX 平台的升级重点在于降低电力和冷却消耗，通过动态功率管理和闭环液冷系统实现更高能效。此外，英伟达还推出了 Kumo 结构化数据模型、OpenShell 企业级安全架构、扩展的 Isaac 机器人开发平台，并深化了与医疗和电信行业的合作，同时通过提前预订产能来确保供应链的稳定性。
推荐理由 李海伦梳理英伟达 GTC 柏林的发布，把算力竞争放回建设、用电、安全和行业交付的整条链路。模块化 DSX POD 将部分集成与测试前移，官方称配套条件齐备后，现场部署可缩短至最快 14 天；这个数字不包含场地和基础设施准备。文章还连接企业数据模型、智能体隔离和机器人开发工具，展示英伟达如何扩展系统供给。适合希望理解 AI 投资为何不能只数 GPU 的读者。部署、功耗与合作规划主要来自厂商披露，应区分已提供的能力、测试结果和未来计划。
19 Founder Park 10-16 中文
本文是 Founder Park 对 Karpo 创始人 Leah 的独家深度访谈。Karpo 定位为专注生活体验的 Personal AI，帮助用户发现好吃、好喝、好玩的体验，名字取自 Carpe Diem。Leah 曾任豆包早期团队成员，团队已获高瓴创投、蓝驰创投等数千万美元融资。访谈核心观点是：Personal AI 最重要的两件事是意图捕获与基于意图的个性化供给生成，而「意图是一切的起点」并非行业共识。Leah 对比了 Muse、Instinct 等竞品，认为它们更偏任务执行与摩擦降低，而 Karpo 押注用户开口之前那段模糊感受。文章还讨论了 Browser Use 跨过可用线带来的技术窗口、Personal AI 将重塑供给关系、行业可能形成「一超多强」格局，以及 Karpo 的 PMF 信号、用户画像、商业化路径与人格化设计。
推荐理由 万户采访 Karpo 创始人 Leah，讨论个人智能体为什么要在用户说清任务之前，先接住一个模糊的生活意图。围绕晚上、周末和旅行的具体场景，她解释主动消息、反馈、跨品类服务与供给组织如何共同影响产品体验。最值得产品团队思考的是，当通用模型越来越强，应用仍能从理解特定人群、串联现实服务中积累什么。采访也谈到商业闭环和持续学习，但经营数字、市场格局及竞争判断都是受访者自述。适合寻找需求切口与验证问题，不宜把创始人的判断当成已成立的行业结论。
20 AI炼金术 10-18 中文
本期由新可能实验室主理人晓辉博士反向访谈任鑫：从计算机奥赛、写电商数据分析博客被刘强东助理转发，到今夜酒店特价被携程打压后卖给京东，再到 2015 年 AI 助手 Get 的失败复盘。
任鑫的核心判断是 AI 让「把东西做出来」贬值约 100 倍，卖出去反而稀缺，所以应「先卖再做」。他一行代码没写就卖出 5 万元的企业 AI 转型服务，交付时才发现客户买的其实是「这个人」和「大师感」，真正需求是帮他理清思路；由此得出只要能不产品化就不产品化。他提出老板只需想清两件事：做成值多少钱、验收标准在哪里，而定义标准的过程本身就是干活。
对第二次创业，他的建议是「早点关公司」：假设被证伪就该改签，真要坚持也应退钱遣散、自己慢慢探索。末尾聊到没有疼痛或爽感的学习都是假的，创业应以自己为主而非以事情为主。
推荐理由 这期由袁晓辉反向访谈任鑫，把 AI 创业的注意力从做出产品转向找到买单的人、说清交付标准。任鑫复盘过早从口号出发的创业，也谈到先卖服务再判断是否产品化；晓辉则追问测试集、工作边界和企业转型中的个人位置。对独立开发者与创业者，价值在于检验自己究竟在降低制作成本，还是解决了客户愿意付费的问题。当前可读材料主要是节目说明、时间轴与观点整理，不是完整逐字稿；做东西贬值百倍等说法属于嘉宾判断，不能当作经过统计验证的结论。
