Episodes
Newest firstAll episodes
FDE(Forward Deployed Engineer)调研报告解读
5d ago00:13:29Tap to summarize一篇关于FDE(Forward Deployed Engineer)前沿部署工程师的深度报告。摘要：一，FDE 不是驻场工程师，也不是咨询顾问。 三者的分水岭在"反馈去向"：没有反馈闭环的 FDE 就是外包，没有落地承诺的 FDE 就是咨询。咨询赚认知的钱，外包赚效率的钱，FDE 赚复利的钱。二，它的爆发不是因为 AI 变强了，而是因为 AI 落地失败得太惨。 MIT 的调研显示，企业在生成式 AI 上投入 300 至 400 亿美元后，约 95% 的组织没有看到任何可衡量的损益变化。而这些失败极少输在模型能力上。三，挡在 AI 和业务之间的是三道非技术的墙：语言错位、隐性知识未被数字化、组织层面的人的抵制。FDE 的全部工作就是拆这三道墙。四，这个模式最著名的支持者，也是它最严厉的警告者。 FDE 模式的发明人之一 Bob McGrew 被问到创业者是否该复制它时，回答是"不要"——它极容易滑成一家低毛利的咨询公司。五，重模式在中国算不过账，但一个轻模式的变体正在出现。 中国企业服务市场的付费习惯、最低价中标制度和行业鄙视链，共同否决了"由高毛利软件公司长期供养驻场团队"这套打法。但 AI 编程和 Agent 基础设施把定制成本打穿之后，"一个人加一组 Agent"构成一条完整交付线成为可能——养 FDE 的角色从公司换成了 AI 本身。六，FDE 是一个以让自己过时为目标的岗位。 每解决一个问题，方案就被沉淀，下一个客户需要的定制就更少。做得越好，行业对它的需求就越少。来源：https://getperspective.ai/blog/state-of-forward-deployed-engineering-2026-survey-report-1500-fdes；Codex深度调研报告在小宇宙查看该单集文稿
Transcribe →Kimi K3开源模型技术报告解读
2w ago00:14:35Tap to summarizeMoonshot 发布的 Kimi K3 技术报告：一个 2.8 万亿参数、1M 长上下文、原生多模态、完全开源权重的前沿 MoE 大模型。摘要：在类似规模的预训练基础上反复堆叠，开源进展有收敛风险，而与最强闭源系统之间的差距却在继续拉大。」「Kimi K3 试图在两条轴线上同时冲到前沿：把预训练基础扩展到前所未有的 3T 级参数规模，同时把强化学习、推理努力和 100 万上下文长程交互一并拉满。」「我们训练了一个 2.8T 参数的原生多模态 MoE 模型，激活参数 104B，支持 100 万 Token 上下文，并通过架构、数据和训练配方的改进，相比 Kimi K2 实现了约 2.5× 的整体缩放效率提升。」「Kimi K3 的后训练阶段被明确地设计为服务于 100 万上下文的测试时扩展：跨长程代码、通用 Agent、推理与知识任务做强化学习，并覆盖多个推理努力等级。」「在长程代码、Agent、知识、推理与视觉任务的基准上，Kimi K3 在整体上仍落后于最强的闭源系统——Claude Fable 5 与 GPT-5.6 Sol——但在我们评估的其它开源与闭源模型中，它表现最为稳定且总体领先。」「Kimi K3 结合了三大系统挑战：混合 KDA 注意力、3T 级稀疏多模态训练与推理、以及百万 Token 级的 Agent 工作负载——我们的基础设施在这三条战线上做了联合协同设计。」来源：https://github.com/MoonshotAI/Kimi-K3在小宇宙查看该单集文稿
Transcribe →
毕业时连邮箱都没有，却回母校劝文科生做开发者
4w ago00:09:20Tap to summarize大学毕业提交论文时，我连邮箱都没有。很多年后，我却回到母校，劝一群外语专业的学弟学妹去做开发者。这期节目来自一次两个半小时的母校分享。我回头整理了自己从俄语生、翻译、产品经理，到AI创业者和builder的几次转变，也试着回答一个对文科生越来越重要的问题：当自然语言开始成为编程语言，我们曾经学过的文学、历史、文化和审美，究竟是过时的知识，还是新的创造力？你会听到：一个“文科生中的文科生”，为什么开始靠近技术对于曾经做翻译模型的我们，The Bitter Lesson为什么如此苦涩为什么翻译的昨天，可能就是Coding的今天文科生做软件，真正的优势是什么为什么非要做“作品型产品”为什么说未来没有人问你的title，只问你有什么独特作品这不是一个文科生终于变成技术人的故事，只是我又找到了一支新的毛笔，而我想把它，传递给更多曾经的自己。相关内容：公众号文字版：《毕业时连邮箱都没有，今天我却回母校劝文科生做开发者》草诀歌AI Labs官网：https://www.caojuege.com说明：音频的开头是我录的，后面是AI用我的音色生成的。在小宇宙查看该单集文稿
Transcribe →GPT 5.6模型发布信息汇总
4w ago00:10:27Tap to summarizeGPT‑5.6被定位为一个按能力与成本分层的模型家族，Sol、Terra、Luna在编码、知识工作、网络安全、科学与内部研究加速上整体优于 GPT‑5.5，并强调“更高的每美元性能”和“按需提升能力”。摘要：1. GPT‑5.6 家族正式包含三个型号：Sol 是旗舰，Terra 面向日常工作，Luna 是“最具成本效率”的型号2. 在 Agents’ Last Exam 上，GPT‑5.6 Sol 得分 53.6，比 Claude Fable 5 高 13.1 分；即使在 medium reasoning 下，也以大约四分之一的估计成本领先 11.4 分。3. 在编码方面，GPT‑5.6 Sol 在 Artificial Analysis Coding Agent Index 上达到 80，比 Fable 5 高 2.8 分，同时“输出 token 不到一半、耗时不到一半、成本约低...去小宇宙查看完整单集简介在小宇宙查看该单集文稿
Transcribe →Fable5实战心法：发现自己的未知
Jul 500:14:09Tap to summarizeThariq 是 Anthropic 的产品与工程实践者，长期在一线用 Claude 做「代理式编码」和复杂工程协作。这是他分享的Fable 5经验：用 Claude Fable 5 做「代理式编码」时，真正的瓶颈不是模型，而是你有没有搞清楚自己的「未知（unknowns）」。作者把整个工作流程拆成前、中、后三个阶段，重点都围绕一件事：系统性地发现和澄清 unknowns，让模型在真实「领地」（代码、业务约束）里少踩坑，多发挥。模型的极限，不在于它能做什么，而在于你有没有看见自己的未知。Prompt 是地图，代码库是真实领地，卡住的地方，永远藏着你没说清的未知。与其让 Claude 乱猜，不如先让它做一轮『盲区巡检』，帮你把不会问的问题问出来。真正的高手，不是没有 unknowns，而是把 unknowns 变成可以被发现、被记录、被迭代的资产。当长链路任务跑偏时，大多数时候错的不是 Claude，而是你从一开始就没画对地图。一段改动只有在你能通过 Claude 给你的『闭卷测验』时，才算真正被你掌握。越强大的模型，越逼着我们承认：最大的不确定性，从来不在机器，而在自己。来源：https://x.com/trq212/status/2073100352921215386在小宇宙查看该单集文稿
Transcribe →
Paul Graham：如何成就伟大工作？
Jun 2900:12:33Tap to summarize保罗·格雷厄姆关于"如何做出伟大工作"（How to do great work)的长文精华，核心论点是：选择你既有天赋又极度好奇的领域，通过持续努力到达知识前沿，发现别人忽视的裂缝并大胆探索，同时保持真诚、独立思考和迭代优化的工作方式，让好奇心驱动整个过程。摘要：1. "如果你问一个神谕做出伟大工作的秘诀，而神谕只回答一个词，我会赌是'好奇心'。"2. "伟大的工作通常需要在一个问题上花费大多数人看来不合理的时间。你不能把时间当作成本，否则它会显得太高。"3. "四个步骤：选择一个领域，学到足够到达前沿，注意到裂缝，探索有希望的裂缝。这就是几乎所有做出伟大工作的人的方式。"4. "做你自己想要的东西。写你自己想读的故事；造你自己想用的工具。"5. "新想法通常由看到就在你眼皮底下的东西组成。一旦你看到了一个新想法，它往往显得显而易见。"6. "如果你不想成为最好的，你甚至不会变得好。"来源：https://explainx.ai/blog/how-to-earn-a-billion-dollars-paul-graham-2026在小宇宙查看该单集文稿
Transcribe →成功产品背后的隐藏框架：Proven Better New
Jun 2100:15:55Tap to summarize分享一个有意思的产品框架：Proven Better New。作者是Mark Pincus，Zynga创始人，十个大型游戏发布里有八个成为大爆款，触达超过十亿玩家。Mark在新书《Life at the Speed of Play》中提出了提升产品创新成功率的思维框架：Proven Better New。摘要：我不再迷信灵感式创新：我会先把“真正新颖的想法”隔离出来做实验，用最快速度换来最真实的客户反馈。我允许自己在法律范围内坦然复制：省下“重造轮子”的时间，才能把精力砸在真正让用户兴奋的创新上。我会把 Proven 当作底盘：做足够多的 Proven，产品才不会“因为错误原因失败”。我对 New 保持敬畏：我默认“所有 New 都会失败”，所以更要隔离它、单独测试它。我对 Better 的标准很粗暴：必须强到让目标用户 10/10 都说“我靠，这太好了！”，否则就别自嗨。我提醒自己别偷换概念：我以为的 Better，往往其实是 New——主观的“更好”不算数，必须是客观上更好。我宁愿“最好地推向市场”，也不执着“最先推向市场”：先把有效机制匹配到位，再在关键处创新。我相信顶级产品是艺术+科学：艺术是品味，科学是流程；从已验证出发、纪律性构建、在关键处创新，必要时再打破规则去交付魔法。来源：https://www.youtube.com/watch?v=7eh9C3TUotc在小宇宙查看该单集文稿
Transcribe →
Vibe Coding是我的草诀歌｜和时旭聊AI时代的“毛笔”
Jun 1001:35:49Tap to summarize这是一期串台，对谈对象是时旭（他的播客叫“起飞前”），草诀歌 AI Labs 里那位一个月烧掉 8.8 亿 token（2025年）的分享人，也是一期反向采访。我们聊了过去的经历，翻译行业的“纺织机时刻”，对“OPC”的看法，以及为什么一个 AI 社区会叫草诀歌……你会听到草诀歌这个名字背后的书法、SEO 和社区隐喻为什么我会从俄语文学、翻译、机器翻译走到 AI 产品Smartcat、Trados、LanguageX 和机器翻译行业的几次变化ChatGPT为什么也是翻译行业的分水岭大模型如何照出很多垂直行业的“纸老虎”为什么行业知识会在 AI 时代重新变重要Vibe Coding 为什么让我有“重新拿起毛笔”的感觉人为什么会成为 AI Coding 的瓶颈One-person Company 真正困难的地方雇佣制、项目制、Few-person Company 的可能变化草诀歌 AI Labs 接下来可能服务什么样的人创业为什么要做“不得不做”的事情时间轴00:00 正式开场：Max 和 David 的第一次串台01:17 草诀歌是什么：一个帮助非技术背景者 Vibe Coding 的社区02:45 为什么叫“草诀歌”：书法口诀、AI Coding 和 SEO04:19 美第奇效应：为什么 AI 社区需要多元背景08:20 从俄语文学到翻译、创业和 AI 产品10:59 理科生为什么最后选择了俄语专业14:59 文学、自由和一次职业转向20:24 裸辞之后，第一次用互联网方式做翻译公司21:37 Smartcat：一个工具如何长成三端市场26:18 LanguageX 的起点：机器翻译、人和专业流程29:42 ChatGPT 之后，机器翻译为什么超过普通人32:37 语言服务行业的地基为什么变了33:17 翻译行业的“纺织机时刻”34:48 从兰亭译到 LanguageX：AI 1.0时代的机器翻译创业37:58 大模型正在侵蚀垂直行业文本处理39:25 行业人什么时候会重新获得优势42:52 文理交叉的人，为什么更适合 AI 时代48:13 自然语言是不是最好的编程语言49:48 Cursor 之后，David 如何进入 Vibe Coding54:30 Vibe Coding 最大的吸引力：创作可控性回到自己手里56:02 AI Coding 像一支新的毛笔59:05 人变成了 Vibe Coding 的瓶颈01:02:39 One-person Company 真的成立吗01:04:35 真正难的是 company：如何建立商业系统01:08:24 OPC、agent 和商业协作环节01:11:42 AI 会如何改变雇佣制和项目制01:14:22 Few-person Company 可能比 OPC 更现实01:15:25 草诀歌接下来想服务什么样的人01:19:07 烧 token 的经验为什么对社区有价值01:20:52 如果用 Vibe Coding 重做过去的项目，会发生什么01:24:37 为什么我暂时跳出翻译行业01:29:34 小白视角有时反而能看见行业人看不见的需求01:32:16 创造阶段为什么最快乐01:36:41 喜欢创造，但不一定喜欢运营和守成01:37:50 Vibe Coding 不是让工作时间变短，而是变长相关链接：草诀歌AI Labs：一个多元背景的作品型产品vibe coding社区LanguageX：大模型和译者协作翻译平台在小宇宙查看该单集文稿
Transcribe →Claude Fable 5官方博文精华
Jun 1000:05:48Tap to summarize今天，我们正式推出了 Claude Fable 5——一款属于 Mythos 类的人工智能模型。来源：https://www.anthropic.com/news/claude-fable-5-mythos-5在小宇宙查看该单集文稿
Transcribe →
Anthropic长文《When AI builds it self 》精华
Jun 700:15:06Tap to summarizeAnthropic最近发布的万字长文，“AI 加速 AI”这一趋势已经在现实中出现，讨论了这种潜在的“递归自改进”对生产力、风险与治理的深远影响。摘要：一旦 AI 能够完全自主地设计和开发自己的下一代，它将成为科技史上的重大转折点。在 Anthropic，如今超过 80% 合入代码都是由 Claude 写的，工程师更多是在指挥与审阅，而不是亲自敲代码。目前人类仍然保有的比较优势，在于看见更大的图景，并且能跳出眼前任务的边界去思考。所谓“研究品味”也许只是另一种 AI 能力：先在一段时间里做不好，随后逐渐变得擅长。未来一种很可能的图景是：一百人的公司可以做一万甚至十万人的事，因为每个人身后都站着一座由智能体构成的“金字塔”。让世界真正拥有“可以按下慢速键或暂停键”的选项，前提是我们先打造出一整套可验证他方确已刹车的制度与技术。我们尚不了解，如果模型能递归地自我改进并快速扩散，一个由这种智能主导的经济，会以何种方式与人类社会相遇与碰撞。来源：https://www.anthropic.com/institute/recursive-self-improvement在小宇宙查看该单集文稿
Transcribe →