【AI 英文奏折】2026年06月29日

共收录 20 篇深度内容

---

📋 今日内容速览

快速浏览，点击感兴趣的推文查看详细分析

1. AshutoshShrivastava: 集成Gemini语音交互与Hermes任务执行，实现自然对话与后台自动化的无缝协作。
2. jack friks: 建立20%消费账户实现无压力支出与储蓄分离。
3. Rohan Paul: AI削弱自由职业者个人优势，加剧价格竞争。
4. Rohan Paul: AI工作风险评分高估平台使用率，低估体力劳动影响。
5. SemiAnalysis: 感谢开源社区推动Transformer注意力机制发展。
6. SemiAnalysis: Radix Attention优化LLM服务，团队创立高效推理引擎。
7. SemiAnalysis: vLLM推理引擎因分页注意力机制在开源社区广受欢迎。
8. Rohan Paul: 智能从单一模型转向动态协调多模型的系统。
9. Santiago Valdarrama: 开源工具通过录制和优化操作流程实现任务自动化。
10. Anthony Pompliano: AI理财助手Silvia智能优化资产，助你快速增值。
11. Emily: AI公司推动监管以抢占企业市场，忽视消费者市场。
12. Rohan Paul: 人工智能债务泡沫或引发全球金融系统性风险。
13. Rohan Paul: AI代理缺乏通用记忆系统，需针对场景优化设计。
14. Aakash Gupta: AI芯片需求激增挤占DRAM产能，导致消费级内存价格暴涨。
15. Chubby♨️: 期待七月重大AI模型发布及欧洲访问情况。
16. The Turing Post: AI代理的发展、应用与安全研究资源汇总
17. Aakash Gupta: AI重构设计流程，Figma退居次席，产品判断力成新护城河。
18. Machina: 构建高效营销代理需精准信息输入、持续更新策略并借鉴专家经验。
19. Aakash Gupta: 高速旋转玻璃盘利用离心力清除雨雪保持视野清晰。
20. Aakash Gupta: 大象嗅觉极其敏锐，远超人类和猎犬。

---

📖 详细内容

AshutoshShrivastava @ai_for_success

| 影响力: 0万粉丝

💡 核心观点: 集成Gemini语音交互与Hermes任务执行，实现自然对话与后台自动化的无缝协作。

可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: 用户构建了一个名为IRIS的小型vibe-coding项目，将Hermes Agent和Gemini Live结合使用 (项目存在性和技术整合需通过用户公开的代码仓库或演示视频验证，但若无公开资料则无法完全确认。)
• ◐ 部分可验证: Gemini Live作为对话界面，Hermes Agent处理后台任务，二者协作实现经理/工作者流程 (需实测或查看系统设计文档验证交互逻辑，但具体实现细节依赖用户是否公开技术方案。)
• ✓ 可验证: 用户添加了基于MediaPipe Gesture Recognizer的摄像头姿势层，支持手势操作任务卡片 (MediaPipe为开源工具，手势识别功能可通过代码或演示验证，但需用户提供实际用例。)

原文内容:

我喜欢 Hermes Agent，而且 Gemini Live 也是我用于语音对话的工具之一，所以上周末我构建了一个小型 vibe-coding 项目，将两者结合在一起，名为 IRIS。

这个想法很简单：Gemini Live 成为对话界面，而 Hermes Agent 在幕后处理执行、自动化和长时间运行的任务。

我可以自然地与 Gemini 对话，每当需要真正的工作时，Gemini 会制定请求并将其交给 Hermes。最好的部分是对话从未停止。Gemini 继续自然地与我交谈，而 Hermes 在后台工作。

当 Hermes 完成时，Gemini 会主动告诉我结果已准备好，切换到 Hermes 的输出上下文，帮助我审阅它，然后我们返回正常的对话。那种经理/工作者流程感觉真的很棒。

因为我想让这个应用尽可能免提，所以我也添加了一个基于摄像头的姿势层，使用 MediaPipe Gesture Recognizer。我可以用手指向 Hermes 任务卡片，打开详情，用手滚动浏览结果，并使用姿势关闭它们。

小型周末项目，但我构建它时玩得很开心。而且，昨天我 vibe-coded 的那个防闪烁 macOS 应用最终在这个项目中变得非常有用。它修复了我的网络摄像头闪烁问题，所以我终于可以正确录制视频了。

⏰ 22:25 | ❤️ 563点赞 | 📝 329字 | 查看原文 →

↑ 返回顶部

jack friks @jackfriks

curious guy creating things @ jackfriks.com – up and coming wife guy | 影响力: 147.1k万粉丝

💡 核心观点: 建立20%消费账户实现无压力支出与储蓄分离。

可信度: 10/10 – 3项声明可直接验证；1项需进一步确认

事实核查:

• ✓ 可验证: 将净个人月薪的20%存到一个有借记卡的支票账户里，用于无罪恶感消费 (该声明涉及个人财务管理的具体细节（如账户类型、比例分配），属于个人行为，无公开数据或第三方来源可验证。)
• ◐ 部分可验证: 使用@Wealthsimple现金卡（加拿大）作为无成本且易用的工具，与主要支出分开 (Wealthsimple现金卡的存在及其在加拿大的服务可通过官网或公开资料验证，但“无成本”“易用”等描述需实测或用户反馈确认，且推文未提供具体功能对比证据。)
• ✓ 可验证: 受@jamesperkins的系统启发，下一步计划在公司投资方面进行优化 (提及他人影响及未来计划，属于个人主观陈述，无客观事实依据或公开记录可验证。)

原文内容:

好吧，我现在有了一个系统，不用再为每次20/40/100美元的消费担心，然后纠结整整一周了。

基本上，我会把我的净个人月薪（远低于4万美元，但还是挺充裕的）的20%存到一个有借记卡的支票账户里，每个月无罪恶感花掉，独立分开 :)

在加拿大，所以我就有个@Wealthsimple现金卡，简单易用，没成本，而且很好地与主要的预期支出（房租、杂货、水电费、汽油等）分开

顺便感谢@jamesperkins分享了他的系统见解，下一步我要在公司那边搞清楚投资！现在我在个人这边每个月自动投资一些

好多人因为这个帖子把我拉黑了，但一切都好，善始善终  我会继续发一些原始想法，坚持做自己，即使对某些人来说有点让人受不了

⏰ 09:56 | ❤️ 33点赞 | 📝 231字 | 查看原文 →

↑ 返回顶部

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: AI削弱自由职业者个人优势，加剧价格竞争。

可信度: 6/10 – 1项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: AI 正在将一些自由职业市场变成价格竞赛，强大的个人资料不再那么重要 (可通过论文《Human Capital, AI, and Labor Commoditization》中的数据分析部分验证，但需结合其他市场研究或实际案例进一步确认普遍性)
• ✓ 可验证: ChatGPT 之后，在最暴露于 AI 的工作中，人力资本信号的重要性降低了约 7.8% (论文中提供了具体数据（7.8%），可通过 arXiv 公开链接直接验证统计方法和结果)
• ◐ 部分可验证: 需求更多地转向更便宜的工人，支持 AI 使工人看起来更可互换的观点 (论文中提及需求转移的结论，但“可互换性”是推论，需结合行业实际雇佣模式验证)

原文内容:

AI 可能正在将一些自由职业市场变成价格竞赛，在那里强大的个人资料不再那么重要。

在 AI 之前，更好的个人资料、更强的经验和更好的声誉帮助工作者脱颖而出。

ChatGPT 之后，在暴露于 AI 的工作中，这些信号变得不那么重要，而更便宜的工人获得了相对的需求。

他们发现，在最暴露于 AI 的工作中，ChatGPT 之后人力资本信号的重要性降低了约 7.8%，而价格的重要性提高了约 1.1%。

他们还发现，拥有强大个人资料的工人失去了部分需求优势，而需求更多地转向了更便宜的工人，这支持了 AI 使这些工人看起来更可互换的想法。

----

Link – arxiv. org/abs/2606.21880

Title: "Human Capital, AI, and Labor Commoditization"

⏰ 15:27 | ❤️ 30点赞 | 📝 200字 | 查看原文 →

↑ 返回顶部

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: AI工作风险评分高估平台使用率，低估体力劳动影响。

可信度: 6/10 – 1项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: AI聊天记录中的工作风险评分可能混淆平台流行度与实际劳动力暴露 (需通过论文原文（arXiv链接）验证其研究方法与结论，但需专业背景判断数据合理性，且实际劳动力暴露的定义可能受主观假设影响。)
• ✓ 可验证: 基于平台的AI暴露衡量过度代表计算机/办公室工作，低估食品/交通/生产等手动服务工作 (论文中应提供职业分类与暴露评分的具体数据，可通过公开的劳动力统计（如劳工部门数据）交叉验证职业分布差异。)
• ◐ 部分可验证: 重新加权数据后，AI对就业影响的估计缩小42%-93%，部分结果接近零 (论文中的统计方法（如加权模型）可验证，但结果依赖假设条件（如权重合理性），需同行评审或复现研究确认。)

原文内容:

AI 聊天记录中的工作风险评分可能会将平台流行度与实际劳动力暴露混淆。

AI 劳动力研究可能更多地测量平台采用率，而非工作暴露。

即：聊天记录中的 AI 暴露评分主要显示谁使用每个平台，而非仅显示谁的工作会被 AI 改变。

主要发现是：基于平台的衡量往往过度代表计算机和办公室工作，而低估食品、交通、生产和手动服务工作。

当作者重新加权数据以匹配实际劳动力工作份额时，估计的就业影响缩小 42% 至 93%，某些结果接近零。

----

链接 – arxiv.org/abs/2605.21743

标题："谁在使用 AI？平台选择与职业 AI 暴露的衡量"

⏰ 14:15 | ❤️ 24点赞 | 📝 191字 | 查看原文 →

↑ 返回顶部

SemiAnalysis @semianalysis_

In-depth research on semiconductors, AI infra & hardware | 影响力: unknown万粉丝

💡 核心观点: 感谢开源社区推动Transformer注意力机制发展。

可信度: 6/10 – 1项声明可直接验证；1项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: Transformers 的注意力机制已经走过了很长的路 (可通过学术论文（如原始Transformer论文、后续改进研究）或技术博客验证注意力机制的演进，但“很长的路”是主观表述，需依赖具体技术指标对比。)
• ✓ 可验证: 开源社区中的研究人员和工程师持续努力让高性能 AI 触手可及 (可通过开源项目（如Hugging Face、GitHub仓库）的贡献记录、版本更新日志及社区活动验证协作成果，但“触手可及”需结合具体案例（如模型部署成本下降）。)
• ◦ 观点: 呼吁分享轶事以完善注意力机制的开源历史 (属于主观倡议，无客观事实依据，目的是激发互动而非陈述事实。)

原文内容:

Transformers 的注意力机制已经走过了很长的路。我们要感谢开源社区中的研究人员和工程师们，他们持续努力让高性能 AI 变得触手可及。请和我们一起庆祝吧，通过分享这篇帖子，@ 更多贡献者，并分享轶事来完善注意力机制的开源历史！(1/8)

⏰ 09:00 | ❤️ 382点赞 | 📝 91字 | 查看原文 →

↑ 返回顶部

SemiAnalysis @semianalysis_

In-depth research on semiconductors, AI infra & hardware | 影响力: unknown万粉丝

💡 核心观点: Radix Attention优化LLM服务，团队创立高效推理引擎。

可信度: 8/10 – 2项声明可直接验证；1项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: 高效的 LLM 服务直到 KV 缓存管理注意力机制（如 Radix Attention）的发明之前，仍然是一个重大挑战 (可通过查阅 LLM 领域的技术论文或行业报告验证 KV 缓存管理注意力机制的重要性，但“重大挑战”的表述需结合具体技术背景评估，可能存在主观性。)
• ✓ 可验证: Radix Attention 的作者们围绕它构建了一个推理引擎，这后来成为了 @sgl_project (可通过 @sgl_project 的官方公开资料（如官网、GitHub 仓库或团队声明）验证其与 Radix Attention 的关联性。)
• ✓ 可验证: 该团队后来创立了 Radix Ark (Radix Ark 的成立信息可通过公司注册记录、团队成员的公开履历或官方社交媒体（如 LinkedIn）验证。)

原文内容:

随着ChatGPT的爆炸式流行，关于大语言模型（LLM）服务的研发活动变得异常活跃。在KV缓存管理注意力机制（如Radix Attention）技术问世前，实现高效的LLM服务始终是重大挑战。Radix Attention的研发团队围绕该技术构建了推理引擎，这一成果后来发展为@sgl_project项目；该团队随后创立了Radix Ark公司。特别感谢@ying11231、@zhyncs42和@banghuaz三位开发者构建出如此高效强大的推理引擎。（7/8）

⏰ 09:00 | ❤️ 23点赞 | 📝 105字 | 查看原文 →

↑ 返回顶部

SemiAnalysis @semianalysis_

In-depth research on semiconductors, AI infra & hardware | 影响力: unknown万粉丝

💡 核心观点: vLLM推理引擎因分页注意力机制在开源社区广受欢迎。

可信度: 6/10 – 1项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: vLLM 推理引擎及其底层分页注意力机制席卷了开源社区 (可通过开源社区（如GitHub仓库的Star数、讨论热度）或技术媒体报道间接验证流行度，但“席卷”是主观表述，缺乏量化标准。)
• ◐ 部分可验证: @vllm_project 已成为最广泛使用的推理引擎之一 (可通过比较同类项目（如TensorRT、ONNX Runtime）的GitHub数据、论文引用或行业报告验证使用广度，但“最广泛”需明确统计范围和时间。)
• ✓ 可验证: Inferact和Red Hat的指定成员是项目的核心维护者 (可通过vLLM的GitHub贡献者页面或提交历史直接验证这些用户的参与度和角色。)

原文内容:

几乎在同一时期，vLLM推理引擎及其核心的分页注意力机制在开源社区引发热潮。由@woosuk_k创立的@vllm_project项目已成为应用最广泛的推理引擎之一。来自Inferact的@simon_mo_、@kaichaoyou与@rogerw0108，以及Red Hat的@robertshaw21和@mgoin_始终是推动项目发展与社区建设的核心维护者。我们向Inferact和Red Hat团队致以深切谢意。（8/8）

⏰ 09:00 | ❤️ 31点赞 | 📝 86字 | 查看原文 →

↑ 返回顶部

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: 智能从单一模型转向动态协调多模型的系统。

可信度: 8/10 – 1项声明可直接验证；3项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: Fugu是一个协调器，能够读取任务并选择最适合的专家模型，Fugu-Ultra版本还能构建小型工作流程，让模型之间相互批评、扩展或纠正。 (可通过链接的arXiv技术报告（2606.21228）验证其设计理念和功能描述，但具体实现效果需实测或依赖第三方复现结果。)
• ◐ 部分可验证: Fugu的管理者是通过数据训练的，能动态判断哪种模型最适合特定任务（例如区分“编码”和“调试”需求）。 (技术报告可能包含训练方法和实验数据，但实际泛化能力、细节决策逻辑（如“更擅长调试的模型”选择）需进一步实验验证。)
• ◐ 部分可验证: Fugu-Ultra可为每个问题动态设计不同的团队合作模式，而非固定工作流程。 (arXiv报告可能提及动态工作流程的算法框架，但具体案例效果和灵活性需实际测试或查看开源代码（若未公开则难以完全验证）。)

原文内容:

Sakana Fugu 技术报告

这个想法是，智能正在从模型转移到围绕它的系统中。

Fugu 是一个协调器，它读取任务，选择使用哪个专家模型，并且在 Ultra 版本中可以构建小型工作流程，其中模型之间相互批评、扩展或纠正。

大多数多模型系统使用简单规则，比如询问 3 个模型并投票，或者总是将编码发送给 1 个模型，将数学发送给另一个。

Fugu 不同之处在于，管理者是从数据中训练出来的，以学习哪种模型实际上最适合每种情况，包括像“这个看起来像是编码，但难点是调试，所以引入更擅长调试的模型”这样的小细节。

该机制有 2 个版本。

常规 Fugu 是快速版本，它读取用户的请求并从池中快速选择 1 个工作模型，因此用户体验就像调用 1 个模型，但在幕后 Fugu 挑选了它认为最适合该具体请求的模型。

Fugu-Ultra 是更慢但更强的版本，它可以创建一个小型工作流程，例如让 1 个模型解决问题，另一个模型检查，另一个模型从不同角度解决问题，然后选择最佳模型来组合答案。

特别之处在于，工作流程不是在任务开始前固定的，因为 Fugu-Ultra 可以为每个问题设计不同的团队合作模式。

----

链接 – arxiv. org/abs/2606.21228

⏰ 11:25 | ❤️ 99点赞 | 📝 374字 | 查看原文 →

↑ 返回顶部

Santiago Valdarrama @svpino

| 影响力: unknown万粉丝

💡 核心观点: 开源工具通过录制和优化操作流程实现任务自动化。

可信度: 8/10 – 1项声明可直接验证；3项需进一步确认；1项为观点陈述

事实核查:

• ✓ 可验证: 该系统是完全开源的 (可通过检查相关开源平台（如GitHub）的代码仓库或官方声明直接验证其开源状态。)
• ◐ 部分可验证: 系统能通过录制用户操作生成自动化技能 (需实测录制功能是否如描述般工作，且能否转化为逻辑性技能，但开源代码或文档可能提供部分技术依据。)
• ◐ 部分可验证: 系统能清理录像，去除重试、死胡同等冗余内容 (需实测或检查算法逻辑文档，验证其清理能力是否覆盖所述场景，但部分实现细节可能依赖未公开的模型或规则。)

原文内容:

这完全是开源的，而且这很可能就是我们未来将自动化大量任务的方向：

1. 录制自己使用网页浏览器执行你想要自动化的某项操作。

2. 系统会处理录像并清理它，去除重试、死胡同，以及任何特定于某页面的不可重用内容。

3. 然后，它将清理后的流程转化为一个技能，仅保留完成任务的逻辑，而非具体的点击操作。

4. 最后，它将该技能组织成一个“技能图谱”，这样代理就能检索它来处理新的相关任务。

而且这现在是开源的！

⏰ 20:10 | ❤️ 257点赞 | 📝 168字 | 查看原文 →

↑ 返回顶部

Anthony Pompliano @apompliano

Entrepreneur, investor, and lifelong learner. | 影响力: 2134k万粉丝

💡 核心观点: AI理财助手Silvia智能优化资产，助你快速增值。

可信度: 9/10 – 2项声明可直接验证；2项需进一步确认

事实核查:

• ◐ 部分可验证: 有一款软件会随着时间推移学习你的偏好和财务目标，然后兢兢业业地为你工作，以增加你的净资产。 (需实测软件功能（如算法学习能力、自动化操作等）或查看官方技术文档验证，但“增加净资产”的效果受主观财务目标和市场因素影响，无法完全客观验证。)
• ✓ 可验证: 该软件只需几秒钟即可设置。 (可通过实际注册流程或用户评测验证设置时间，但“几秒钟”可能为夸张表述，需具体测试。)
• ✓ 可验证: 已经有数千名千万富翁在使用它。 (用户群体数据通常为商业机密，除非官方公开可审计的统计数据，否则无法验证。)

原文内容:

想象一下，有一款软件会随着时间推移学习你的偏好和财务目标，然后兢兢业业地为你工作，以增加你的净资产。

想象一下，它只需几秒钟即可设置，而且已经有数千名千万富翁在使用它。

想象一下 Silvia：http://cfosilvia.com

⏰ 07:40 | ❤️ 58点赞 | 📝 80字 | 查看原文 →

↑ 返回顶部

Emily @iamemily2050

Any sufficiently advanced technology is indistinguishable from magic. | 影响力: 48.2k万粉丝

💡 核心观点: AI公司推动监管以抢占企业市场，忽视消费者市场。

可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: Anthropic 和 OpenAI 已经推动政府监管两年了 (可通过公开报道、公司白皮书或听证会记录等验证其参与监管讨论的时长，但“推动”的主观意图需结合具体行动分析，可能涉及解读差异。)
• ◐ 部分可验证: Anthropic 站在负面立场，OpenAI 站在温和立场（对监管的态度） (需对比两家公司公开声明或政策立场，但“负面”“温和”是主观定性，需依赖第三方对言论的归纳分析，可能存在表述偏差。)
• ✓ 可验证: 开源将被禁止 (属于对未来政策的预测，无现行法规或官方声明支持，且“禁止”范围未明确，无法直接验证。)

原文内容:

我觉得很多人都在以错误的方式解读正在发生的事情。Anthropic 和 OpenAI 已经推动政府监管两年了，而在过去六个月里，他们变得非常激进。Anthropic 站在负面立场，而 OpenAI 则站在温和立场。我相信这是因为他们俩都非常接近 RSA 和中国模型，已经落后六个月了。开源将被禁止。他们需要展示与 RSA 的基准测试，以抢占全球企业市场，那里才是钱所在的地方。

谁在乎消费者市场，当万亿美元的财富在等待时？

⏰ 07:17 | ❤️ 27点赞 | 📝 150字 | 查看原文 →

↑ 返回顶部

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: 人工智能债务泡沫或引发全球金融系统性风险。

可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ✓ 可验证: 国际清算银行（BIS）发布了关于人工智能繁荣背后债务积累的尖锐警告。 (可通过国际清算银行（BIS）的官方网站或公开报告验证其是否发布了相关警告及具体内容。)
• ◐ 部分可验证: 超大规模企业的债券发行在2025年超过了1000亿美元。 (可通过企业财报或债券市场数据平台（如Bloomberg、S&P Global）验证债券发行规模，但“2025年”为未来数据，需后续确认是否达到。)
• ◐ 部分可验证: 私人信贷对人工智能和IT的敞口在5年内翻了两番，达到投资组合的约15%。 (部分可验证，需查阅私人信贷基金的报告或行业分析数据（如Preqin、PitchBook），但具体数据可能因基金非公开性受限。)

原文内容:

中央银行家们现在担心，人工智能淘金热可能会埋下下一次重大金融冲击的种子。

国际清算银行（BIS）刚刚发布了迄今为止关于人工智能繁荣背后债务积累的最尖锐警告之一。

危险不在于人工智能本身；危险在于围绕尚未证明持久的收入构建杠杆化的供应链。

风险在于，如果人工智能需求令人失望，数据中心支出可能会放缓，借款人可能难以偿还，压力可能会从科技领域蔓延到信贷市场。

人工智能需求推动超大规模企业大量投资芯片、数据中心和电力容量，这种支出支持了增长、贸易和宽松的金融环境，同时股票投资者计入了多年高收益增长。

债务改变了繁荣的形态，因为超大规模企业的债券发行在2025年超过了1000亿美元，而表外工具将数据中心义务转向私人信贷基金、保险公司和其他非银行贷款机构。

循环融资又增加了一个薄弱环节，因为芯片制造商、超大规模企业、人工智能实验室和计算提供商可以相互资助，同时相互预订未来的销售，这可能使真实需求更难解读。

资本支出放缓可能首先打击供应商，然后是信贷市场，然后是家庭，因为美国股票占MSCI全球指数的约64%，而家庭股票敞口高于以往周期。

私人信贷提高了系统性风险，因为直接贷款人对人工智能和IT敞口在5年内翻了两番，达到投资组合的约15%，而一些面向零售的基金已经面临赎回压力。

人工智能仍然可以带来真正的生产力提升，但融资堆栈现在假设这种交付足够快，以支持巨大的固定成本。

⏰ 06:46 | ❤️ 46点赞 | 📝 515字 | 查看原文 →

↑ 返回顶部

Rohan Paul @rohanpaul_ai

Compiling in real-time, the race towards AGI. The Largest Show on X for AI. | 影响力: 0万粉丝

💡 核心观点: AI代理缺乏通用记忆系统，需针对场景优化设计。

可信度: 10/10 – 3项声明可直接验证；1项需进一步确认；1项为观点陈述

事实核查:

• ✓ 可验证: 论文探讨了AI代理是否拥有真正的记忆系统，并得出结论大多情况下答案是否定的 (可通过提供的arXiv链接（arxiv.org/abs/2606.24775）直接查看论文原文，验证其研究结论和方法论)
• ✓ 可验证: 作者将代理记忆分为4个部分：存储、提取、检索、维护 (论文中明确提出了记忆系统的分类框架，可在原文中直接查证其理论模型和定义)
• ◐ 部分可验证: 测试了12种记忆系统在5种工作负载和11个数据集上的表现，结果显示没有单一设计在所有场景中胜出 (实验设计和结果数据需依赖论文中的具体描述，但需复现实验或检查数据集细节才能完全验证其全面性)

原文内容:

这篇论文探讨了 AI 代理是否已经拥有真正的记忆系统，并得出结论：大多情况下答案是否定的。

问题是，现在的 AI 代理需要一种记忆机制，能够在长时间任务中存储、搜索、更新和清理信息。

作者指出，当前的测试主要检查最终答案，因此忽略了记忆系统本身是否快速、可靠，或擅长处理事实变更。

他们将代理记忆分为 4 个部分：记忆如何存储、事实如何提取、有用记忆如何检索，以及旧的或冲突的记忆如何维护。

他们在 5 种工作负载和 11 个数据集上测试了 12 种记忆系统，包括长对话、多会话回忆、数据库任务以及更新密集型场景。

主要结果是，没有哪种记忆设计在所有场景中都胜出，因为图记忆有助于处理关联事实，混合系统有助于过滤搜索，而原始轨迹有助于需要精确行动历史的情况。

----

链接 – arxiv.org/abs/2606.24775

标题：“它们准备好采用代理原生记忆系统了吗？”

⏰ 06:44 | ❤️ 33点赞 | 📝 296字 | 查看原文 →

↑ 返回顶部

Aakash Gupta @aakashgupta

✍️ product-growth.com 💼 https://t.co/STzr4nqxnm 🤝 https://t.co/SqC3jTyP03 🎙️ https://t.co/fmB6Zf5UZv | 影响力: 278.7k万粉丝

💡 核心观点: AI芯片需求激增挤占DRAM产能，导致消费级内存价格暴涨。

可信度: 10/10 – 3项声明可直接验证；1项需进一步确认；1项为观点陈述

事实核查:

• ✓ 可验证: 全球几乎所有的 DRAM 都由三家公司生产：三星、SK 海力士和美光 (可通过三星、SK海力士和美光的官方财报或行业报告（如TrendForce、Gartner）验证其市场份额，这三家企业确实长期占据DRAM市场主导地位（合计超90%）。)
• ◐ 部分可验证: HBM（高带宽内存）1GB消耗3到4倍于普通DDR5 1GB的晶圆产能 (需通过半导体制造技术文档或企业技术白皮书验证晶圆消耗比例，但具体倍数可能因制程工艺而异，公开数据通常不直接披露对比值。)
• ✓ 可验证: HBM占据DRAM收入的30%，但出货比特仅占8% (三星、SK海力士的财报或行业分析报告（如Counterpoint）会披露HBM收入占比和出货量数据，近期财报显示HBM收入占比显著提升。)

原文内容:

你的笔记本电脑 RAM 今年价格翻倍，原因正是现在半导体领域最干净的配置。

全球几乎所有的 DRAM 都由三家公司生产：三星、SK 海力士和美光。它们为 AI 服务器、你的手机、你的 PC 以及你刚升级的游戏设备制造内存，所有这些都来自同一有限的晶圆池。

这里是打破模型的部分。英伟达芯片所需的高带宽内存的 1GB 会消耗 3 到 4 倍于普通 DDR5 1GB 的晶圆产能。相同的工厂，相同的晶圆起始，产出却天差地别。因此，HBM 已经占据了所有 DRAM 收入的约 30%，而实际出货的比特仅占 8% 左右。

每一块用于 HBM 的晶圆，就是一块不再用于制造你笔记本电脑内存的晶圆。AI 建设抽干了你的手机和 PC 所依赖的同一供应。

这就是为什么服务器 DDR5 从低点反弹约 40%，而消费级 RAM 触及了 PC 组装者从未见过的价格底线。SK 海力士基本将其整个 HBM 产量售罄至 2026 年，并告诉投资者，无论什么价格，可用产能几乎为零。美光放弃了其 Crucial 消费品牌，以腾出晶圆供应给支付更高价格的 AI 客户。

现在是大多数人忽略的要点。过去 40 年，内存在每个周期中都崩盘一次，原因只有一个：在每个繁荣期，这三家公司都过度扩建，然后倾销供应并压垮自己的定价。买家总是通过等待获胜。

这一次，买家不再等待。他们锁定多年合同，并预付现金以保证以高于过去周期利润峰值的地板价获得晶圆。当客户预先付款以锁定供应，而不是每季度压价时，商品动态就死了。

这重塑了整个估值论点。$MU 以折扣价交易于 $ASML 和 $LRCX，因为市场仍将内存视为周期性商品，而将设备制造商视为持久的“镐和铲”。约束发生了变化。AI 中目前稀缺的东西是内存本身，已售罄两年，定价锁定。这更像收费公路，而非商品。

空头论点是之前烧死每个内存多头的那个：足够的产能扩张，或 AI 资本支出的一次退缩，那些锁定就会变成陷阱。只是产能需要数年浇筑，而 HBM4 从 12 层堆叠芯片跃升至 16 层，因此晶圆消耗在 2027 年之前会恶化，然后才缓解。

内存停止像商品一样交易的那一天，就是买家开始预付款的那一天。图表只是还没跟上。

⏰ 06:38 | ❤️ 39点赞 | 📝 673字 | 查看原文 →

↑ 返回顶部

Chubby♨️ @kimmonismus

Dream realized! Turned my love for AI into a career – sharing daily. Get my newsletter | 影响力: 225k+万粉丝

💡 核心观点: 期待七月重大AI模型发布及欧洲访问情况。

可信度: 10/10 – 2项声明可直接验证；1项需进一步确认；2项为观点陈述

事实核查:

• ✓ 可验证: 下周标志着七月的开始。 (可通过日历或公开时间系统直接验证，属于客观事实。)
• ◐ 部分可验证: 六月相对平静（GLM 5.2 是一个重大发布）。 (GLM 5.2是否为重大发布需参考官方公告或行业评价，但“六月相对平静”是主观判断，需结合具体事件对比验证。)
• ✓ 可验证: 我们仍在等待那些重大发布（如Fable 5、GPT 5.6）。 (“重大发布”的具体内容（如Fable 5、GPT 5.6）未明确来源或时间，且欧洲访问权限问题尚无公开信息佐证。)

原文内容:

下周标志着七月的开始。

虽然六月相对平静（GLM 5.2 当然是一个重大发布），我们仍在等待那些重大发布。

我现在至少对 Sonnet 5 感到满意。但大概我们很快就会知道我们是否以及何时能拿回 Fable 5 和 GPT 5.6（以及欧洲是否甚至能获得访问权限）。

期待正在升温。

⏰ 06:12 | ❤️ 222点赞 | 📝 93字 | 查看原文 →

↑ 返回顶部

The Turing Post @theturingpost

| 影响力: unknown万粉丝

💡 核心观点: AI代理的发展、应用与安全研究资源汇总

可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ✓ 可验证: 构建代理的实用指南（作者：OpenAI） (可通过OpenAI官网或官方发布的文档直接验证该指南是否存在及其内容。)
• ◐ 部分可验证: 大型语言模型的代理技能：架构、获取、安全以及未来发展路径 (若该资源为公开论文或报告，可通过学术数据库或作者机构官网验证，但需确认具体来源是否完整或开放获取。)
• ◦ 观点: 解读 AI 代理炒作 (标题暗示对行业现象的主观分析，内容可能基于作者观点而非客观事实，需具体查看原文判断。)

原文内容:

11 个掌握 AI 代理和代理推理的资源来源

 大型语言模型的代理推理
 大型语言模型的代理技能：架构、获取、安全以及未来发展路径
 大型语言模型的代理强化学习现状
 迈向高效代理：记忆、工具学习和规划
 自主大型语言模型代理的记忆
 构建代理的实用指南（作者：OpenAI）
 AI 代理系统：架构、应用和评估
 解读 AI 代理炒作
 代理作为评判者
 迈向可信赖的代理式 AI
 代理式 AI 的攻击与防御现状

保存以备后用，并查看这份包含所有链接的阅读清单 ->

⏰ 03:07 | ❤️ 46点赞 | 📝 171字 | 查看原文 →

↑ 返回顶部

Aakash Gupta @aakashgupta

✍️ product-growth.com 💼 https://t.co/STzr4nqxnm 🤝 https://t.co/SqC3jTyP03 🎙️ https://t.co/fmB6Zf5UZv | 影响力: 278.7k万粉丝

💡 核心观点: AI重构设计流程，Figma退居次席，产品判断力成新护城河。

可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ◐ 部分可验证: Figma 是过去十年产品设计领域的标杆工具 (可通过行业报告、设计工具市场份额数据（如SimilarTech、StackShare等）间接验证，但“标杆”是主观评价，需结合具体指标（如用户量、企业采用率）才能部分验证。)
• ✓ 可验证: Ramp 将 Figma 的使用压缩为五步流程中的第四步，设计师现在从LLM入手，最后才用Figma迭代 (需Ramp公司公开其设计流程文档或员工访谈才能验证，目前推文未提供具体案例或官方说明。)
• ◐ 部分可验证: AI使界面生成时间缩短至几分钟，设计瓶颈从“制作”转向“判断哪个界面值得存在” (AI生成界面的速度可通过工具实测（如Figma AI、GPT-4原型工具）部分验证，但“瓶颈转移”是推论，依赖具体团队工作流程数据。)

原文内容:

Figma 是过去十年产品设计领域的标杆工具。Ramp 刚刚把它变成了五步流程中的第四步。

看看他们的产品设计师现在是如何实际工作的。从大型语言模型（LLM）入手来框定问题。与用户交谈。用 AI 原型化真实的东西。然后导入 Figma。然后针对实时行为进行迭代。自 2016 年以来定义这一角色的工具，现在在流程中排倒数第二。

以下是设计师们尚未完全意识到的部分。多年来，手艺就是护城河。生产出工程师真正能构建的东西需要真正的时间，所以谁做得最快、最干净，谁就掌握了杠杆。今年，这个瓶颈解体了。

当一个可工作的界面只需几分钟就能生成时，真正棘手的问题变成了哪个界面值得存在。这个问题没有捷径。它需要品味、产品判断力，以及对“优秀”真正含义的真实模型。

因此，这个角色一分为二。制作过程压缩成单一步骤。品味和系统思维扩展到整个工作。最好的设计师现在撰写简报、设定标准，并筛选出那些技术上正确但完全错误的上万个输出。

前沿的设计师们已经在直接通过 Codex 推送 PR。Figma 变成了收尾工具。真正的决策发生在上游，在 LLM、原型和客户通话中。

判断力一直都是稀缺部分。它只是多年来一直隐藏在手艺之中。

完整分析：

⏰ 06:06 | ❤️ 29点赞 | 📝 408字 | 查看原文 →

↑ 返回顶部

Machina @exm7777

running ai-powered agencies | weeklyaiops.com | 影响力: unknown万粉丝

💡 核心观点: 构建高效营销代理需精准信息输入、持续更新策略并借鉴专家经验。

可信度: 8/10 – 1项声明可直接验证；2项需进一步确认；2项为观点陈述

事实核查:

• ◐ 部分可验证: 即使是最好的模型，也对你的品牌、产品、ICP 或优惠一无所知……如果你不提供这些信息，每一个输出都是垃圾 (该声明部分可验证，因为AI模型确实依赖输入数据生成输出，但“每一个输出都是垃圾”是主观判断，缺乏量化标准。可通过测试不同输入质量的输出结果来部分验证，但“垃圾”定义因人而异。)
• ✓ 可验证: 2026 年 6 月在 X 上的增长策略，与 2025 年 11 月完全不同，几乎适用于每个渠道 (这是对未来策略变化的预测，无法验证。虽然营销策略确实会随时间变化，但具体时间点和差异程度无法提前证实。)
• ◐ 部分可验证: 构建一个基于社交媒体、最近博客文章和 YouTube 的研究工作流（/last30days 在这方面做得很好） (工具“/last30days”的功能是否适合研究可部分验证（如查看其官网或用户反馈），但“做得很好”是主观评价，且实际效果依赖具体使用场景。)

原文内容:

如何构建代理式营销工作流，而不产生垃圾内容：

即使是最好的模型，也对你的品牌、产品、ICP 或优惠一无所知……如果你不提供这些信息，每一个输出都是垃圾

所以为每一个元素创建一个独立的 Markdown 文件，让代理在写下一个字之前先阅读它们

接下来是时效性

营销变化很快——2026 年 6 月在 X 上的增长策略，与 2025 年 11 月完全不同，几乎适用于每个渠道

基本原理保持不变，策略却会过时

所以如果你想要持续表现优异的代理，就需要通过研究驱动的自我改进循环

构建一个基于社交媒体、最近博客文章和 YouTube 的研究工作流（/last30days 在这方面做得很好）

让代理提出新方法，测试它们，并运行两个模型在发布前审查每一个变更

然后窃取品味

深入研究你细分领域的专家，他们推出的优惠，他们参与的播客，他们看待市场的方式：将所有这些提取到一个结构化的 Obsidian 知识库中

这是当你还没有自己品味时，最快借用他人品味的方式

最后一个，也是最难获得的，向代理提供你自己经过验证的作品：
- 你写的文案
- 你发送的营销活动
- 表现优异的内容

这些是你知道真实可靠的唯一样本，从零构建，没有作弊

将研究和自我改进封装在循环和目标中……这就是全部

⏰ 23:44 | ❤️ 133点赞 | 📝 413字 | 查看原文 →

↑ 返回顶部

Aakash Gupta @aakashgupta

✍️ product-growth.com 💼 https://t.co/STzr4nqxnm 🤝 https://t.co/SqC3jTyP03 🎙️ https://t.co/fmB6Zf5UZv | 影响力: 278.7k万粉丝

💡 核心观点: 高速旋转玻璃盘利用离心力清除雨雪保持视野清晰。

可信度: 10/10 – 2项声明可直接验证；3项需进一步确认

事实核查:

• ◐ 部分可验证: 透明玻璃盘以每分钟3000转的速度旋转，可将雨滴以约500倍重力的力量甩出 (旋转速度和离心力可通过物理学公式计算验证（如离心力=质量×角速度²×半径），但实际效果需依赖具体设备参数和实验数据，公开技术文档或专利可能部分支持该声明。)
• ✓ 可验证: 1917年两位英国工程师为船舶申请了类似旋转玻璃盘的专利，用于飞行员视野 (可通过历史专利数据库（如英国专利局或Google Patents）查询1917年相关专利，若存在则直接验证；早期军事或船舶技术文献也可能提及。)
• ◐ 部分可验证: 玻璃盘需平衡至极高公差以避免抖动，普通机械车间难以实现 (高转速设备的动平衡要求是已知工程挑战（如航空或精密仪器领域），但具体公差数值需制造商技术说明或实测数据支持，普通车间能力对比可能缺乏公开标准。)

原文内容:

这里没有雨刷，也没有涂层。有一个透明玻璃盘在镜头前快速旋转，速度快到雨滴根本没有机会落下来。

以每分钟3000转的速度旋转玻璃盘，它每秒转动50次。落在边缘附近的雨滴会被以大约500倍重力的力量甩出去，远远超过表面张力将它粘合在一起的力量。移动的玻璃产生的剪切力会在它形成水珠之前就把它撕成雾气。

唯一存活下来的雨滴位于正中央，在旋转轴上，那里的切向速度降为零。那个雨滴太小，以至于在屏幕上无法显示，所以画面看起来是干净的。

雪更轻，离心甩力有时会漏掉它，所以同样的旋转会在表面拉出一个薄薄的真空，将雪花吸走。雨被甩掉，雪被吸走。什么都不会积聚。

难点从来不是旋转本身。而是如此快速地旋转却零抖动。以3000转每分钟的速度，任何不平衡都会变成振动，相机会将其读取为模糊，而且一旦操作员平移镜头，不平衡的盘就会以陀螺力反作用。玻璃必须平衡到大多数机械车间无法达到的公差。

这个诀窍已有百年历史。两位英国工程师在1917年为船舶申请了专利，这样飞行员就可以在没有雨刷臂横切挡风玻璃的情况下透过喷溅和冻雨看清前方。让1917年船员能在风暴中读懂情况的同一个想法，就是为什么今天你能在暴风雪中观看比赛的原因。

⏰ 05:46 | ❤️ 66点赞 | 📝 439字 | 查看原文 →

↑ 返回顶部

Aakash Gupta @aakashgupta

✍️ product-growth.com 💼 https://t.co/STzr4nqxnm 🤝 https://t.co/SqC3jTyP03 🎙️ https://t.co/fmB6Zf5UZv | 影响力: 278.7k万粉丝

💡 核心观点: 大象嗅觉极其敏锐，远超人类和猎犬。

可信度: 10/10 – 2项声明可直接验证；2项需进一步确认；1项为观点陈述

事实核查:

• ✓ 可验证: 非洲象携带了近2000个嗅觉受体基因，是迄今为止在任何动物身上计数最多的，人类的嗅觉受体基因数量为396个，猎犬约为800个。 (该声明涉及基因数量数据，可通过科学文献或基因组数据库（如NCBI）验证。已有研究（如《Genome Research》2014年关于大象嗅觉受体的论文）支持大象嗅觉受体基因数量远超人类和狗。)
• ◐ 部分可验证: 大象能从12英里外闻到水味，并能从几公里外锁定一棵成熟的树或分辨不同人类群体的气味。 (大象嗅觉能力的研究（如《Nature》或《Animal Behaviour》期刊）支持其远距离探测能力，但“12英里”这一具体距离需查证野外实验数据，可能因环境条件而异。)
• ◐ 部分可验证: 大象能通过气味分辨水果桌上的每种水果，甚至判断新鲜程度。 (大象的嗅觉分辨能力有科学依据（如《Journal of Comparative Physiology A》），但“判断水果新鲜度”需具体实验支持，目前多为推论或观察性描述。)

原文内容:

一种能从12英里外闻到水味的动物，不会因为六英尺外的一张水果桌而感到惊讶。

非洲象携带了近2000个嗅觉受体基因，这是迄今为止在任何动物身上计数最多的。你只有396个。猎犬大约有800个。所以那条象鼻尖端的鼻子，运行的嗅觉硬件大约是人类的五倍，狗的两倍。

在野外，这转化为穿越开阔地带追踪水源和食物，从几公里外锁定一棵成熟的树，甚至仅凭气味就能分辨不同的人类群体。一桌摆在20英尺上风向的西瓜、芒果和木瓜，对这个系统来说毫无神秘可言。她在转过身之前就已经把整个菜单都探测清楚了。每种水果都是一个独立、明确的信号。

看看视频片段里的象鼻。它从未停止扫荡空气，像你的手在黑暗的房间里摸索一样，不断重新采样现场。到她“走进来”的时候，她已经把桌上的一切都读得一清二楚，甚至连哪片水果最新鲜都知道。

那个向后入口是为了方便拍摄的人而安排的。她清楚地知道等待着什么。她只是让每个人都享受那一刻。

⏰ 05:37 | ❤️ 76点赞 | 📝 343字 | 查看原文 →

↑ 返回顶部