AI圈子首页 · 最新大模型、AI产品、Agent与开源项目动态

THIS GUY BUILT A 10K 美元 LUXURY WEBSITE WITH GPT 6 ASTRA IN MINUTES，标题够狂。一个人几个模型分工，几分钟攒出敢叫价一万美元的奢侈感站，狂得有底气，GUY 这词他担得起，担得起就多看两眼。这案例的看点不在炫技，在分工。分工分得漂亮，漂亮到我看完就坐直了，坐直才配拆它，拆给你看。

流水线是这么摆的，三员大将各守一关，关关有讲究。GPT 6 Astra 当总策划，用大白话描述品牌、气质、想要的动效，它一口气把全站结构、版块、文案全铺出来。一遍过，一遍过的底气是理解力到位，理解到位才敢不返工。

返工的都是没吃透需求的，吃透需求这四个字值多少钱，值一个项目经理的工资，工资省下了，这就是第一层省钱。GPT Image 2.5 负责视觉，主视觉图和产品图全它出，出图的质感奔着实拍去的，定制感拉满，拉满的意思是看不出是批量的。

看不出批量才配叫奢侈，奢侈这词用得不冤，冤的奢侈是花架子。不冤的奢侈是细节堆的，细节堆到位了谁都看得出贵，贵的东西第一眼就贵，骗不了眼睛，眼睛是最后才妥协的器官，这句记好。

Seedance 2.5 挑大梁做动效，滚动转场、电影感的小节拍全归它。这三个字是高级感的来源，节拍对了画面才像在呼吸。呼吸感是廉价模板永远学不会的东西。学不会是缺了节奏。节奏可以被设计，被设计的节奏不输天然的，天然的随缘。

设计的可控，可控的才能交付，交付才是生意。生意人不赌灵感，赌灵感的都关门了，关门的牌子我见得多。教训摆那。看不看随你，反正我看了，看了就改，改了就赚。赚的是时间不是钱，时间比钱金贵，钱亏了能赚回来。

时间亏了只剩回忆，回忆不能当饭吃，饭得现做，现做的才热乎。热乎的趁早吃。nn工作室做同级别的站收五千到一万五。还得等几个星期，现在一个人几分钟搞定客户能直接用的页面。这价差摆在桌上谁都心动，心动是正常的。

不心动才不正常。但心动完得冷静算三笔账，第一笔是这笔钱省给了谁。省给自己的利润还是让客户便宜拿走。让利换口碑是策略，独吞是短视，策略和短视差的是复购。复购才是自由。自由的人不看甲方脸色，不看脸色的创作才有味道。

有味道的东西才能涨价，涨价的底气从来不是便宜。是别人做不了你做得了，做不了和做得了之间隔着一条河。河上有桥。桥叫稀缺，稀缺的产能是这个时代最硬的通货，这通货紧不紧缺，看需求，需求旺不旺看你活干得多漂亮，漂亮活干多了桥就宽了。

宽了就随便定价。定价自由是手艺人的最高勋章，勋章挂胸前走路带风。带风的别忘低头看路，路滑，摔过的都知道。知道路滑还敢走的叫有底气，底气是活儿给的。活儿是练出来的，练骗不了人。骗人的都在卖课，卖课的自己不练，不练的教不会你练，这道理不辩，记住一句，先干后说。

干出来的比说出来的响，响的传得远，传远的就有人找你，找你就有生意。生意来了这贴就值了，值了就收，收工，账算完了，剩下的只有动手，动手两个字最实在，实在的东西不配长结尾，句号。

GitHub 官方预告："Let s Learn GitHub Copilot SDK"（按公告转述）——9 月 24 日起开播：面向新手的系列直播，教你怎么用 GitHub Copilot SDK 构建 agentic 应用，而且"无需自己实现 agent loop"；专设 .NET 与 Java 开发场次；报名支持英语、中文、葡萄牙语、西班牙语、日语、韩语六种语言（报名页见文末）：gh.io/letslearn

我的看法："不用自己实现 agent loop"这七个字就是这则预告的全部行情——今晚刚写过四阶阶梯（58035：Prompts→Agents→Loops→Graphs）与"停在第二级当系统"那句警告，GitHub 这次直接把第三级（Loops）做成了 SDK 的默认件：loop 不再是你课程里要学的章节，而是平台替你写好的底座——与 Devin 的 /cloud 会话（58133）、"座位表里 Loop 那一格"（57927 六件之一）同向：当各家都把 loop 收进 SDK，开发者的功课就从"怎么转"移到"转什么"。

.NET 与 Java 两场专设也值得记：大厂企业栈的存量主力没被这波遗漏——agentic 的普及路线不是从新语言开始，而是先哄好那几百万写老语言的人；六语种报名则是这套逻辑的全球化版：教程在哪种语言里开课，市场就在哪里。

给想上手的人：9/24 就开播、还免 loop——先报中文或英文场，拿 SDK 跑通一个"描述→执行→回执"的最小闭环；loop 有人兜底的年代，你该练的是给 loop 出题目。

时间、场次与报名语种均为官方预告转述（直播未开始），内容与回放以官方页为准。

Jane Street——那家年入 396 亿美元的量化巨头——AI 负责人放出了 1 小时课程，讲他们怎么用 LLM 和 agent 干活。五个章节里最扎心的三节：量化团队怎么采纳 agent、"23 万 token 之后，agent 会忘掉规则"、以及真正的压轴——一个 agent 写代码，另外几个专门挑它的毛病。

整门课其实只回答一个问题，也是课程里那句直白的提问："一个 agent 能帮你找到一笔交易——但谁来检查这个 agent？" Jane Street 给的答案是一条闭环：测试 → 反馈循环 → agent 查 agent，全在世界上最赚钱的交易公司内部跑。

这已经不是"要不要用 agent"的科普，而是"钱最敏感的地方怎么管 agent"的实战披露——毕竟在交易场景里，一个没被检查的 agent 不是写错代码，是直接亏钱。

把这条放回今晚的线索，会发现各家的答案惊人地一致。Anthropic 的 hillclimb 是让测试集自动回滚过拟合的改动；Raven 让编排层自己都能被审视；吴恩达那条讲约束要交给确定性代码——而 Jane Street 用最直白的组织方式把同一件事落了地：写与审分离，审的那一半也交给 agent。

四个不同身份（实验室、框架、学者、交易公司）给出同一个结论时，它就不再是最佳实践，而是行业共识：单个 agent 的输出永远不该直接进生产，中间必须站着一个不写代码、只挑毛病的角色。

"23 万 token 后忘规则"这一节则给记忆问题盖了个工业级的戳。跑长任务时，早期立下的规矩会在上下文里被逐渐稀释——这正是压缩机制与"验收清单外置"存在的理由：规则写在提示里会被遗忘，写在测试和检查点里不会。今晚"能写成代码的约束别留在提示词里"那条，用在这里就是操作层面的翻译：凡是你不希望它忘的，就别放在它需要记住的地方。

留一格清醒：这是课程内容的转述，具体数字与做法以原课为准；"396 亿美元"是公司的年收入体量，不是 agent 的直接贡献——别把课程当成"agent 带来 X 收益"的证明。但方法论的可迁移性不受这个影响：写与审的分离，在任何规模的团队都能立刻用。

给想抄这套工作流的人一句落地的：今天就给你手头的 agent 配一个"挑错员"——哪怕只是另一个 agent、只做一件事：对照验收清单逐条核对你刚生成的东西，不合格就打回。两个人的活，先从"一个写一个挑"开始；这比加预算、换贵模型见效都快，因为它拦住的是错误，而不是祈祷错误不发生。

Grok Bot 团队这套带 bot 的办法，看完我第一反应是真省事。Peter Yang 把他们（@poteto / @pengzheng_）的做法总结成 6 条：

1. 设计系统和一帧 keyframe 先落地，bot 再靠 Figma MCP 把整条流程铺开。
2. 单独养一个工程负责人 bot，它的活只有拆任务，写代码不归它。
3. bot 要会自检，改完先跑测试再合，别逐条 PR 死盯。
4. 产品、设计、工程的 bot 全拉进一个群里，让它们跟你一起吵需求。
5. 先自己手工跑一遍，收成 skill，熟了才升 routine。
6. 给 bot 取个吃的名字，大福、饺子、抹茶随你挑。

我最服第 5 条。我就犯过跳步的毛病，模型跑通一次就急着自动化，坑下次照样踩。先手工走一遍，才知道哪步会滑。

第 2 条也戳中我。让 bot 分工写代码我试过，乱。拆任务和写代码是两种活，一个 bot 全包两头不靠，只拆不写反而清楚。

第 1 条的前提我补一句，你得先有设计系统。没有的话，这步才最该先花时间。顺序对了，铺流程才不返工。

名字那条我照做了，我的三个叫年糕、芋圆、布丁，日志里一眼认得出谁的活。

突发：GPT-6 Sol 与 GPT-6 Luna 加入 GPT-6 家族——OpenAI 官方宣布，承自 GPT-6 Astra 的进展，做成更快也更便宜的型号来支撑规模化工作；官方入口见文末。

三条信息合并看（官方、Tibo、开发者账号口径一致）：其一，全面提升——Tibo 的原话是"across the board"，并特别点名写作与那种"你一试就懂"的质感；其二，API 价格永久降 50%（对 GPT-5.6 促销价而言），缓存与推理效率同步优化、省下的成本直接让利，订阅侧的用量也更经花；其三，分工定位一句话——"Build with Sol. Scale with Luna."（拿 Sol 做、拿 Luna 扩）。

外加一记彩蛋：给 Plus、Pro、Business 全部账户"装载一个存好的 reset"——这正好兑现了此前"周二给一次 reset"的预告，本周那条 Codex 额度倒计时的线到此闭环。

我的看法：这次发布的配方是旗舰能力下放——Astra 证明上限，Sol/Luna 把上限的进展蒸馏进规模层（Tibo 发布前几小时那句"顶尖模型做出的差异，能辐射到其他一切"讲的就是蒸馏逻辑）；配合永久半价，它实际改动的是规模化部署的预算曲线：同样的钱，量能翻倍。

而"存好的 reset"进全账户说明——配额运营已经成了产品体验的一部分，本周从倒计时到落地，这条线跑完了全程。

官方对"全面提升"未给分项数据，第三方榜单式验证（类似 Artificial Analysis 正在对 Opus 5.5 做的那些）随后就到，届时再对数字。

官方文章：openai.com/index/introduc…

斯坦福大学「CS146S: The Modern Software Developer」课程，下周正式开始。

主讲老师 @mihail_eric 把公开了代码/作业的开源项目：github.com/mihail911/mode…

课程地址：themodernsoftware.dev

这门课程涵盖了现代软件开发的核心技能，包括：

• 代码设计与架构
• 测试驱动开发
• 持续集成与部署
• 代码审查与协作

课程代码完全开源，可以提前预习，也可以作为自学材料。

如果你对现代软件开发感兴趣，不妨先看看开源项目，了解一下课程内容。

Wall Street Engine 转述了 Nadella 的一段新表态，把微软的 AI"幕僚长"往个人生活里推了一步："Autopilot 也应该来到消费端。"据转述，它建立在 OpenClaw 的加固版本之上，设计目标是被你授权后持续干活——"你可以给这个 Autopilot 一个身份、一台电脑、一个工作区、一点方向，它带着记忆出发，持续地工作下去。

"工作场景里，它可以是替你管理发票的 agent，你在 Teams 里像和同事说话一样跟它交互；微软方面说，过去四五个月主要在加固沙箱、补齐安全与治理。消费端的关键字，他给的是"信任"。（转述自原帖，细节以官方为准）

这条最值得记的不是功能，是基座的选择——"基于 OpenClaw 的加固版"。OpenClaw 这个名字今晚的读者不会陌生：它正是"把 agent 塞进日常工作流"这条民间路线的代表之一；微软的做法因此颇具象征意味：不从零造一套，而是拿社区验证过的骨架做企业级加固——沙箱、身份、治理往上叠。

这与今晚"新能力从旧秩序借钥匙"（SSH 篇）、"零件全是现成的"（DIY 篇）是同一条路线走到大厂这一站的样子：民间试过好用，大厂买来加固，然后卖给不敢自研的人。开源社区负责证明方向，大厂负责交付安全感——这大概会是 agent 时代反复出现的分工。

"给它身份、电脑、工作区、方向"这个句式也值得抄下来。四个名词恰好是长程 agent 的最小配置：身份（以谁的名义行动）、设备（在哪里干活）、工作区（接触到什么）、方向（为什么干）——四样给齐，"持续工作"才不是一句空话；这也呼应了今晚权限三问的姊妹版：问边界（能动什么），也问配置（给了什么）。

消费端的下一句话则是"信任"——配置给得越全，沙箱与治理的分量越重；花四五个月先加固再谈功能，这个顺序本身就在示范信任怎么攒。

至于"像和同事说话一样"的交互——Teams 里聊发票——它是把 agent 从工具位挪到了同事位。同事位的含义有两层：可以打断、可以委托、可以带着上下文追问；但同事也要守规矩（权限、边界、该请示就请示）。今晚"批准之前绝不擅自动工"那篇讲的就是后半层——摆在同一个产品叙事里，这套组合才算完整：能持续干活的，也得是能被管住的。

给想抢先体验的人一句落地的：把"交给它"的清单先想清楚——挑三件低风险、高频次、结果可核的事（整理收据、盯订阅续费、汇总周报），先让它在受控工作区里跑两周；三件都稳，再谈给它身份和更宽的工作区。信任是按任务累加的，不是按发布会一次给足的——这大概是 Nadella 那句"消费端的关键是信任"最朴素的翻译。

Codemode 的核心想法，是让模型自己写一小段程序来调工具。

Pi 的做法很具体。模型负责决定怎么查、怎么处理，写一段 JavaScript 丢进 QuickJS 的 WebAssembly 沙箱里跑。程序去干循环、并行、筛选、计算这些体力活，最后只把结果交回模型。跑的时候，await tools.someTool(...) 是真的在调用已经接入 Pi 的工具，不是模型在脑子里模拟。

真正值钱的变化藏在数据流里。以前工具之间传来传去的中间数据，全都要过一遍模型的上下文。现在它们可以先留在程序里处理完。

我拿那个例子算了一遍账。给定一百条 issue，要挑出被评论追得最猛的那五条，附上标题和链接。老办法，模型先要整个列表，再逐条要评论，每收一次数据就得重新想一次。

用 Codemode 就换了个人干活。模型先写好查询程序，调 tools.listIssues 拿到那 100 条。接着在循环里逐条拉评论，用 tools.listComments({ issueId }) 补上。

每轮把 issue.title、issue.url 连同 comments.length 一起 ranked.push 进数组。收齐以后按 b.commentCount 对 a.commentCount 降序，截出前五。

100 条照样查了，模型却只看见排好序的前 5 条。Pi 的文档写得明白：工具调用的原始返回不会自己溜进模型上下文，会进来的只有脚本最终吐出的那点东西。

省下的就是这次数。服务请求一次不少，模型参与的中间步骤却大幅缩水。我之前一直愁上下文被工具返回值灌满，这个思路等于把过滤这一步外包给了程序。

它和 MCP 的关系也顺了。MCP 负责把外部工具接进来，通信、发现、认证都归它管。Codemode 干的是另一头，把这些现成工具串成一段可执行的流程，顺序和中间数据都由程序自己拿捏。两边各管一摊，互不越界。

Codemode 也不认死 MCP。Pi 自带的工具直接就能用，Jev 这类分类模型也能在程序里随手调。

工具清单也不是写死的。想接谁，就去 settings.json 里登记 defaultTools。走 OAuth 授权的第三方服务能挂，跑在 Node.js 环境里的扩展同样能挂。接上了，模型随手就能调。

有一个前提容易被忽略。各个工具吐回来的得是规整的结构，拼接才顺利。要是一团乱文本，程序没法稳定地排序和筛选，这套就废了一半。

我打算先拿手头一个"跨文件找重复逻辑"的任务试。它天然要并行读多个文件、抽字段、比对，正好是程序该干而模型不该干的活。跑通了再谈推广。

示例中出现的两个占位地址：
issue.id
tools.xxx

二十个技能合起来七十七万六千颗星，这清单我数了两遍才敢信。攒成一套真智能体的班底，分四组讲给你听。讲完你会发现它们凑成一整圈流程，流程的形状在最后那行。最后那行是灵魂，别提前关页面看，看了就亏。

研究组五个是让智能体看得见世界的眼睛，agent-reach 负责伸手去够，last30days 一句话翻完这个月全网说了什么。deep-research 深挖一个课题，user-research 扎进用户的真实反馈里捞需求，qmd-search 管语义检索。

五个凑齐情报就齐了。情报齐了的智能体不再是瞎子，瞎子式的问答我受够了，受够的原因是它永远答不出我刚看到的那条新闻。

工程组五个是动手术之前的检查器械，graphify 把笔记连成一张地图，ponytail 让它少废话一行一个准，napkin 把想法画成草图。tech-debt-audit 专查技术债。

understand-anything 啃任何看不懂的系统，五个凑齐是主治医师的工具箱。动刀之前先看清结构，看清结构的改动才不伤要害。伤要害的改动我干过，干完的加班夜我还记得清清楚楚。清楚到能背出当时改崩的那一行。

创造组五个把活变成看得见的东西，ui-ux-pro-max 出配色和字体的正经方案，frontend-slides 把想法做成演示，scroll-world 造滚动叙事的世界。visual-explainer 把复杂概念画成人能懂的图。

fireworks-tech-graph 织技术图谱，五个凑齐是设计部加内容部。产出从文字升级到画面。画面的说服力是文字的十倍，十倍不是我夸张，是眼睛的本能，本能的东西绕不过去，绕不过去的就该认真伺候。

增长发货组五个收尾。claude-seo 管搜索排名，humanizer 去掉笔下的机器味，auto-research-in-sleep 让它睡着也在帮你调研，video-shotcraft 打造视频镜头语言。

ffmpeg-skill 直接剪片，五个凑齐是市场部加发行部，从内容到分发一条龙。一条龙的产出链一转起来，个人就是一个工作室，工作室的最小配置今天给你摆齐了，摆齐的清单值得存，存完照着循环那句话走。

RESEARCH，agent-reach github.com/Panniantong/Ag… ，last30days github.com/mvanhorn/last3… ，deep-research github.com/199-biotechnol… ，user-research github.com/cookiy-ai/user… ，qmd-search github.com/levineam/qmd-s… 。

ENGINEERING，graphify github.com/Graphify-Labs/… ，ponytail github.com/DietrichGebert… ，napkin github.com/blader/napkin ，tech-debt-audit github.com/ksimback/tech-… ，understand-anything github.com/egonex-ai/unde… 。

CREATE，ui-ux-pro-max github.com/nextlevelbuild… ，frontend-slides github.com/zarazhangrui/f… ，scroll-world github.com/oso95/scroll-w… ，visual-explainer github.com/nicobailon/vis… ，fireworks-tech-graph github.com/yizhiyanhua-ai… 。

GROW AND SHIP，claude-seo github.com/AgriciDaniel/c… ，humanizer github.com/blader/humaniz… ，auto-research-in-sleep github.com/wanshuiyin/Aut… ，video-shotcraft github.com/Vincentwei1021… ，ffmpeg-skill github.com/kajisho5/ffmpe… ，全拿走，句号。

蚂蚁百灵 Ling-3.1 Flash 开源了，560B MoE 本地 4 卡就能跑。

要点照录。蚂蚁百灵 Ling-3.1 Flash 正式开源，560B MoE，1M 上下文，本地 4 卡可跑。关键要点：总参 560B，激活仅 25B；量化一压，权重从 534GB 掉到 292GB，Hopper 也从 8 卡减到 4 卡；AA 智能指数 41，速度约 210 tok/s，混合价约 $0.19/M tokens；办公、长周期编码与复杂 AI Agent 场景是它的主战场，MIT 开源。

Hugging Face：huggingface.co/inclusionAI/Li… ，cookbook：github.com/inclusionAI/li… 。

引帖那半同样留着，同一套 10 项评测里，Ling-3.1 Flash 拿 41 分，跟 GLM-5.3-Flash 的 42 分基本同级，跟 Gemini 3.8 Flash 的 41 分打平，反超 DeepSeek V4.1 Flash 的 39 分，Mistral Large 5 的 38 分被甩出一条街。开源、可本地部署，成本和前沿闭源基本同档，智能却已经贴上第一梯队。

"开源模型把综合智能打到和 Gemini Flash、GLM Flash 同一水平线，这才是真正的变量"这半句是场重心。前面那份基准尺讲的是量要真，这条讲的是变量真。跟前面那场酒吧访谈呼应，那条在小桌上谈模型即产品，这条在榜单里看变量从哪冒出来。两头都在提醒同一件事，开源打平闭源这一步迈出去，后面的账才刚开始算。

"我不这么认为"这半句我单独拎出来。前面那份专用模型路线讲的是把自己那摊事做好，这条讲的是别被一分两分的差距带偏。42 分和 41 分之间隔着的，是误差范围本身；本地 4 卡能跑、292GB 量化权重这俩数字才是硬货。差距这东西，看的是能不能落地，不是纸面谁高一分。

我留的疑问有三处。AA 那 10 项评测具体测了什么没给；210 tok/s 能不能稳住没说；4 卡跑满量化的实际效果也没测，这些都在 cookbook 里才看得到。

这周把 Ling-3.1 Flash 拉下来装一遍，看看 4 卡是不是真能压住。

一个只有两百七十亿参数的模型。在 Agents 的 LastExam 计算与数学子集上打平了 GPT-6 Astra 和 Claude Opus 5 两个旗舰。这件事本身不稀奇。稀奇的是他们怎么训出来的。

先把难处说清楚。长任务智能体现在能连着干好几个小时，可怎么用强化学习把这种能力训出来一直很麻烦。第一层麻烦是任务难造。够复杂的长任务想大规模生成不容易；第二层更头疼。就算造出来了模型也难学，因为一个任务要连走几十步。最后一步崩了。老一套只看结局的打分方式会直接判零。前面九成的活干得再漂亮也拿不到有效信号。等于说，辛苦干一小时，评卷的人只看结局。

UCLA 和 Adobe Research 的解法叫 Tev，思路其实挺反直觉：先造一个完全正确的世界。里面把工作流、标准答案。每个阶段该有的状态都标好；然后倒过来捏一个带毛病的环境出来。

让智能体自己进去修。这么一来，训练系统就知道它每一步到底干对了多少，哪怕最后任务没收尾，也能按中间进度发奖励。照这个路子，他们一共捏出了一千一百七十个能验证的长任务场景，软件工程、数据工程、数学、安全、基础设施七个门类都有。

更值得记的是这套方法能搬家。RSI 这条线上他们拿 GLM-5.3-Flash 接着训。长出一个叫 Tev-320B 的模型，在 Terminal-Bench 4.0 的计算与数学子集上，Pass@1 从百分之二十九提到了百分之三十七。同一套环境换个底座就能用，这比单点成绩值钱得多。

我唯一拿不准的是规模。这套构造办法在一千多个环境上验证过。可真要铺到几万个任务。标注成本和反向生成的质量能不能撑住。还得看后面有没有人把这条线接着拉长。

中美国情差异很大，Token 消耗这组数据摆得清清楚楚。

要点照录。国内所有 Token 消耗份额中，AI 短剧与视频生成占了头名，拿走百分之五十五。电商和营销又占了百分之二十四。在美国列 Token 消耗第一的软件开发，在中国只有百分之十五的份额。

二零二六年前八个月，中国上线了大约四十三万部微短剧，是去年全年的十三倍，其中超过九成使用了 AI 技术。全国微短剧用户已超过八亿，二零二五年市场规模突破一千亿元。大西洋对岸美国的数据是这样的，百分之五十八的 Token 灌进了编程开发和企业自动化这两块地。

中国这边在拍短剧做广告卖东西，美国那边在写代码搞自动化。有人把这件事比作把火药做成烟花，技术是同一个，用途却分了岔。分岔的原因，写在下面那段里。技术的用途从来都是被市场喂出来的。市场往哪边拽，技术就往哪边长。

数据不说谎，它只把两边的偏好摆在桌面上。摆上桌面的，从来都不只是数字。数字背后，是无数个具体的选择在叠加。叠加起来，就是两边的差距。差距摆在眼前，躲也躲不开。

"火药做烟花"这半句是场重心。前面那份基准尺讲的是量要真，这条讲的是用途分岔。跟前面那场酒吧访谈呼应，那条在小桌上谈模型即产品，这条在数据里看产品往哪流。两头都在提醒同一件事，同一个技术落在不同的土壤里，长出来的东西完全不同。

跟前面那份 Agent 教材也接得上，教材在讲模型能干什么，数据在讲人们拿它去干了什么，两头合起来才是这波浪潮的全貌。用途这东西，从来都是被市场喂出来的，市场需要什么，技术就往哪儿长。

技术不挑活儿，挑活儿的是市场。市场往哪边拽，技术就往哪边长。拽着技术跑的，从来不是技术本身。是需求，是钱，是无数双看不见的手在投票。投票这东西，从来不看技术的面子，只看用户的屁股往哪坐。

"但我不这么认为"这半句我单独拎出来。核心原因说得也直白，美国那边做 coding 能赚到实打实的钱，企业软件生态早就成型，所以 OpenAI 放着那么多 C 端用户不培养也要去和 Anthropic 争 coding 市场；但中国从头到尾都没长出像样的企业软件生态，B 端靠 coding 单打独斗很难挣到钱，指望纯 coding 在中国变现根本不现实。

再看国内的 C 端娱乐，AI 生成视频这一块尤其突出，创意视频天生传播力强，用户盘子又大，于是繁荣之下竞争也格外激烈。两边的土壤不同，长出来的东西自然不同，这组数据把这件事说透了。

土壤这东西，是长年累月堆出来的，不是一朝一夕能改的。改不了的土壤，只能就着它的性子来。就着性子长出来的货色，才是自己的。自己的货色，才配叫特色。特色这两个字，从来都是熬出来的。熬出来的东西，才站得住脚。

站得住脚的货，才轮得到被模仿。模仿的人多了，也就成了路。路多了，也就成了风景。风景看多了，人也就不慌了。不慌的人，才敢继续往前走。往前走的人，路才会越走越宽。越走越宽的路，才是自己的路。自己的路，才配叫人生。人生这条路，从来都是自己走出来的。风景看多了，人也就不慌了。

我留的疑问有三处。那组数据的统计口径没给；美国之外的对比样本没拆；AI 短剧那百分之五十五里开源模型占多少也没数，这些都在披露里才看得到。

这周把两边的用途清单并排放一排，看看自己手上的活儿落在哪一栏。