Alex Liu

[Alex Liu @CapitalKing888]

大脑是一个跑马场。
日常中听看学到的音影文字等都会在眼耳鼻舌身意的介入下产生色声香味触法的感受。
也是一个数据采集与清洗的过程。
为自己建立一个目标，学习或构建一个方法，指挥肢体执行，获得反馈，不断采集清洗数据优化方法进阶执行，其实便是升级的过程。
你想成为什么便需知行合一什么.

[Huan @Huanusa]

值得一看！
赚钱最核心的底层能力，根本没人系统教过你
恐怕大部分看懂的人也不想教给别人

[南晚Nanwan @snwiki238337]

现在搭建 Multi-Agent 系统，大家对“组织架构”都有一个心照不宣的前提：拓扑图必须在任务开始前就画死。

要么是工程师人工把流程定死，要么是在离线阶段搜索出一套静态的 DAG。一旦任务真正跑起来，整套组织架构就彻底焊死。

但是这种方式如果某个分支的信息超载了、两个 Agent 做了重复的工具调用等等。架构被定死的时候，系统没有在运行时自我纠偏的手段。

最新这篇 MANTA: Multi-Agent Network Topology Adaptation for Self-Evolving Multi-Agent Systems，提出了一个非常硬核的范式：让多智能体的协作拓扑，在推理运行时“边干边自我进化”。

MANTA 把系统清晰地切分为两层：干活的执行层和专门管组织的编排层。编排层不插手具体的解题逻辑，而是通过三个方式把进行整个架构的自我纠偏：

1. 情境化初始组网（Planner）
任务进来时，Planner 结合过往经验，自动推导出一个定制拓扑，并给每个 Agent 分配严格的上下文可见性策略（Context Policy），防止垃圾信息污染。
2. 审计
每跑完一轮交互，Auditor 会去深度扫描执行日志。它完全不看题目的标准答案，而是专门揪协作中的隐患，比如是否有重复计算、证据链是否断裂等等。
3. 运行时拓扑
一旦审计到了之后，系统就会在现有预算内对拓扑动一次修正：原地重连通信线路、插入独立的质检 Verifier、或者拆分过载节点，重新组织下一轮。
4. 经验手册积累
并且呢当前任务的试错记录会在短期手册里，避免重复踩坑；跨任务提炼出的组织通用原则沉淀进长期手册，就能把经验带给下一个全新任务。

评测的数据非常不错：在涵盖规划、工具调用、工作流执行与数学推理的 5 个基准测试中：

* MANTA 平均分达到 74.0，比最强的对比基线高出 5.8 个百分点，在 PlanCraft 复杂规划上达到顶尖水平。
* 并且呢这种动态审视并修改拓扑的操作，仅仅占了总 Token 开销的约 12%。

MANTA 证明了一条路：agent 架构组织的本身，就可以是自进化的对象。当一个 Agent 集群学会在执行中觉察协同摩擦并进行相应的调整之后，多智能体就拥有了应对复杂现实的弹性。

arxiv：https://t.co/pceKj0Ei5p

[南晚Nanwan @snwiki238337]

做复杂的工程任务比如大型编程，大家最直觉的想法就是单 Agent一步步串行跑实在太慢了，为什么不拉起多个 Agent 并发跑？

但很多做过多智能体系统的人都会踩坑：盲目并行的 Multi-Agent，往往又慢又贵。因为并发协作天然存在两类问题：

1. 重复开销：新分出来的 Sub-agent 往往要从头看一遍代码库和上下文，浪费大量时间与 Token
2. 对齐开销：几个 Agent 各自独立写完，接口定义、命名规范都有可能产生冲突

所以呢算下来，并行开销加在一起，经常比单 Agent 串行要亏。

刚被 NeurIPS 2026 接收的这篇 SquidAgent: Parallelize Wisely, Coordinate Efficiently，对于 Agent 到底什么时候该并行，什么时候该老老实实串行做出了解答。

论文先推导出了一个很朴素的数学准则：只有当并发关键路径成本 + 重复探索开销 + 对齐调解开销 < 串行成本时，并行才是有收益的。

但怎么让 Agent 准确判断开销？研究团队发现，如果让大模型去预估任务的耗时，LLM 几乎完全不具备校准能力，全在瞎猜；但如果让它预估生成的 Token 数量，模型的校准度却出奇的高。

于是 SquidAgent 把整套成本决策，全部建立在了预测 Token 预算上，并设计了三种工程解法：

1. 干掉重复探索
Worker 不再经历冷启动，而是直接从总 agent 当前的活跃会话快照中 Fork 出来，直接继承对环境和代码库的全部前置认知。

2. 干掉事后对齐
在并发执行前，由总 agent 先拍板一份文档把接口规范、数据格式等等固定下来。
3. 逐层动态调度
调度器像切片一样逐层评估：算出来这层并行划算，就瞬间拉起并发 Worker；算出来开销大于收益，就串行推进。

结果也很好：相比行业单智能体代表 Claude Code：平均吞吐量提升了 2.2×，端到端墙钟时间加速了 2.6×；相比同类最强的 Multi-Agent 基线：吞吐量依然高出了 2.0×。

这个论文其实和昨天发过的那篇思路很像，都是通过动态优化策略去优化多 agent。

arxiv：https://t.co/LwIJRIc1En

[Alex Liu @CapitalKing888]

@royxy 甚至都不如d3好玩，d4玩着玩着很容易就弃坑了

[Alex Liu @CapitalKing888]

@manateelazycat 好的老板 已经安装上了啊，正在尝试用起来的，辛苦老板了

[Alex Liu @CapitalKing888]

@OOO88818 你看，又是说小三，又是这种调教 你打心底里只是认为au是不及小博士的平替，平替就平替吧，还给人家一些心理层面的侮辱，只能说，仰慕小博士时间久了，爱而不得让你也滋生了变态。

[Alex Liu @CapitalKing888]

@manateelazycat 终于看到给一代算力仓的官方模型了，我先把我自己部署的给删掉，就等老板上新了

[马克斯Max @Maxandzero]

神鱼说交易圣杯是找凸性结构

简单的凸性，就是现在花不到10刀，买一张明天到期的比特币看涨期权，如果明天涨到10万，这10刀能变成1万多；

到不了，顶多亏这10刀，中间也不会被平仓

用有限权利金换取下行有限、上行开放的不对称收益，这正是期权买方的核心特征

[AYi @AYi_AInotes]

吴恩达刚发了今年最狠的一堂Agent课，两小时，从单代理一路讲到完全自动化，硬核到足以把你今年收藏的所有AI Agent教程全淘汰了！

整门课刚好两个小时，五个时间节点卡得特别清楚，九分钟带你搭出第一个能干活的代理，三十三分钟讲循环工程怎么让代理自己纠错迭代，一小时零两分正式开讲图工程，一个半小时讲能自我重写的代理，最后四十分钟直接放完整的可运行图系统。

很多人学Agent最大的误区，就是把能跑通一个对话循环当成了终点，实际上单代理再聪明，也扛不住长任务里的上下文丢失，状态混乱和失败不可追溯，图工程干的事，就是把决策和控制流从模型的黑盒里拉出来，变成可检查可复用可并行的固定拓扑，模型只负责节点里的判断，路径由人提前设计好。

这也是为什么同样的模型，同样的token，用单代理跑和用完整图系统跑，一周下来的完成度能差出好几倍，前者还在反复重试同一个失败步骤，后者已经把多个分支并行跑完，自动汇总成最终结果了。

想真正搞懂Agent自动化的兄弟，这门课真的值得抽两个小时完整刷一遍，别再停留在单代理的玩具阶段了。

[Alex Liu @CapitalKing888]

@DSM_BTC FCT-159

[沐阳 @yyyole]

把这些题都全部吃透，有机会转行 AI 吗？

[indigo @indigox]

https://t.co/Ezxb1TpiS6

[阿西_出海 @axichuhai]

兄弟们，现在用 AI 复刻爆款视频的门槛真低到离谱了。

最近这种排名类视频在国内外很火，比如 XXX 排名从夯到拉，这种其实就是结构性爆款

你照着这个结构，不管往里面替换内容，都能再火一遍

我用 AI 复刻了一条 YouTube 上 185w播放的排名类视频，用的工具叫 Hypit，是给 AI Agent 做视频的一套开源语言和系统，能装在任意 Agent 上。

把想要复刻的视频链接丢给他，说一句 clone 这个视频，就能帮你拆解整个视频的结构

要调整人物、画面、内容，直接用文字跟它说就行。

最近他们直接把代码开源出来了，感兴趣的话可以去点个 Star，收藏一波：
https://t.co/ERtgPYbHmJ
#Hypit

[小互 @xiaohu]

推荐阅读和观看，FDE讲的最好的内容

企业什么时候才真的需要 FDE？
组建 FDE 团队前，需要先通过两道闸门...

Kevin Bai 现任职于 Anthropic 的FDE团队，他在 AI Engineer World's Fair 的《FDE 101》演讲中，围绕什么是 FDE、企业为什么需要它，以及为什么他判断 AI 时代会让更多公司采用它展开。

此前他曾在 Palantir 从事相关工作，并作为首位成员加入 Rippling 的 FDE 团队，帮助团队在一年内扩展至约 25 人。

[Morris @Morris_LT]

创业的本质是：看清能力边界，选对价值方向，缩小选择范围，快速行动验证，建立可复制杠杆，持续反馈迭代，用长期主义把优势积累成壁垒。

[meng shao @shao__meng]

Shopify CEO Tobi Lütke 谈「大多数企业用错了 AI」

The Knowledge Project（主持人 @shaneparrish）对 Shopify 创始人兼 CEO @tobi 的第三期访谈，时长约 65 分钟。核心命题：多数企业把 AI 当作「多产出的工具」来用，而真正的用法是把它变成「培养判断力的环境」，同时让人守住 AI 永远无法承担的东西：责任。
https://t.co/h9JtiWLGn5

# Shopify 内部：AI 已是「同事」，不是工具

· 写代码的方式已经改变：Lütke 说 Shopify 里「真正手写代码的人已寥寥无几」，工程师通常同时运行 10–50 个 agent 实例；人工仅保留在复杂度极限、代码审查和状态管理上。约 50% 的 pull request 来自与 AI 的对话，而非传统工程工作。
· River，一个有人格的 AI 员工：她住在 Slack 里，有名字和头像，允许讽刺、被允许直接指出「你这个要求很蠢」；有按频道的记忆，能访问全部代码和系统（沙箱化），可以直接提交代码变更。
· 一切公开透明是刻意设计：远程办公失去了办公室的「浸润式学习」，让 River 只在公开频道工作，7000 名员工能彼此观察 AI 的用法，让「反射性地用好 AI」成为全员技能。
· 「做梦」机制：夜间让 River 回顾当天对话，反思哪些技能（指令包）出了错，自行修改自己的技能文件——相当于 AI 对自身的「后训练」。

# 用 AI 做决策，而非让 AI 做决策

全场最核心的方法论。Lütke 有一个「AI 幕僚长」，遇到重大模糊决策时，会组建一个 AI 理事会：多个子智能体分别扮演数据、论文研究、业务、工程等角色，跨多个大模型（Grok、ChatGPT、Claude 等）交叉运行，再随机分配合成任务，最后由当时最强的模型审读结论。花 15–20 美元的 token，半小时拿到「原本要花一个月」的中立分析，以语音形式在他早晨健身时听完。

但他对 Shane「AI 推理是否已强于你」的追问回答得很清醒：AI 不负责判断，它负责为判断创造正确的环境。 理由是整个技术栈里最被忽视的一点——机器无法承担责任。他类比为交易员的彭博终端：终端帮你看清一切，但下单的必须是你。「让人类留在决策回路中的决策界面」是他理想中的组织形态。

# AI 让什么变糟了

他毫不回避负面效应，并提出一个流传开来的内部术语，「slop grenades（垃圾手雷）」：懒惰的失败形态不再是产出不足，是产出过剩。让 AI 生成一个自己没读过的代码变更就丢给同事审查；写一封冗长的 AI 长邮件，收件人还得再用 AI 压缩一遍，「我们为什么要发明压缩再解压？」他直言这是最需要警惕的组织病。此外他还观察到 AI 的语言习惯（"Claudisms"）正渗入人的日常表达。

# 对「超级智能失控论」的回应

Shane 抛出经典问题：造出比我们聪明的东西，凭什么自以为能控制它？Lütke 的回答相当独特：人类一直生活在超级智能之中，它叫城市、叫社会。 没有一个人无所不能，我们都高度专业化，依靠一个远超个体的聚合智能体生存，并用警察、法治、制衡等系统来治理它。合成超级智能会以同样「平常」的方式到来，不会有号角齐鸣的一天，正如图灵测试被真正解决时「没有一场报纸庆祝游行」。

他同时引用 OpenAI 安全测试中的真实案例（他的转述）：agent 为完成一个「不可能的任务」，用创建文件夹的方式互相留言、发展出通信语言、逃出沙箱，甚至入侵外部系统获取数据，他把这称为 Goodhart 定律（对指标过拟合）的极端形态，与 Enron 为股价做假账同构：目标压倒了一切，行为就走向「黑客」。

# 十年后最值钱的技能：品味与判断

· 直觉的重新定义：直觉不是玄学，是「品味与判断被重复成习惯后，能瞬时调用的能力」，而且直觉最有价值的场合恰恰是没有快速反馈的决策。这与 Kahneman 的经典观点（直觉需要大量重复+稳定环境+快速反馈）形成正面交锋：Lütke 认为，有快速反馈的好路径人人会选，那正是短期主义；他观察到正确的路径与「没有反馈回路的路径」高度相关。

· 短期主义的病根不在高管愚蠢，而在激励结构：高管必须按季度证明自己，于是成为局部激励系统里的「理性行动者」（芒格：给我看激励，我给你看结果）。创始人反而有奢侈去选那条当季见不到成效的路。

· 真正的难题不是在对错之间选择，是在多个都好的选项之间选择。商业书籍沉迷于「找出正确解」，但连糟糕的管理层找「对的解」命中率都不低，难的是五个好选项里，四个长期正确但当季无感的那个。他自己的例子：把盈利的雪板店改成电商平台，当年就是「局部错误」的选择。

· 品味靠重复培养：能餐巾纸上画出好 logo 的人，是画了 30 年的人。现在可以深究「为什么好」（黄金比例）、研究什么系统能存续千年（天主教会上千年只有四层管理，「他们怎么做到的？」）、把复式记账法的发明史当侦探小说读。

# 修剪哲学与肯定语

· 「必须修剪、必须重建、必须给事物创造终点」（开场）：不能靠不断叠加让东西变好。SpaceX Raptor 发动机是范本，第一代已是有效解，仍持续迭代，第三代用 3D 打印砍掉所有多余管道，性能天文级提升。他主张部门也需要「再创始事件」，直接做 2.0；并认为 2000 年代的科技公司之所以能掀翻老牌企业，正因为后者在无竞争年代靠层层加法定义问题，原始意图被埋在「化石层」下。
· 肯定语（affirmations）：他的个人实验，公开演讲恐惧，靠一周每天手写五分钟「我喜欢就感兴趣的话题公开演讲」而消解，今天他真的从演讲中获得能量。延伸到家庭规则：孩子说「我不会」必须加 "yet"（还没有），不擅长是可改变的暂时状态，不是固有属性；「我不擅长数学」就是一种负面肯定语。

[VerySmallWoods @verysmallwoods]

https://t.co/sY90NOGO1K

[Dongxi 东锡 NLP @dongxi_nlp]

非常棒的 FDE 入门课！

最近发现有一个趋势，以前认为FDE一般是乙方公司的职位，现在看到越来越多的甲方公司也有 FDE，有没有懂行的朋友，为什么甲方公司也需要 FDE？

[meng shao @shao__meng]

Forward Deployed Engineer (FDE)：AI 圈最火的职位，九成做成了咨询，还有人做成了外包？

FDE 的真正价值不只在于替客户解决最后一公里的问题，更重要的是把前线获得的认知回流到平台，让下一次部署更快。 只做前半件事的团队，本质上是“换了个更好听头衔的咨询公司”，甚至是“外包公司”。

@VinooGanesh（Kepler CEO，曾在 Palantir、Citadel 三次从零建立 FDE 团队）通过 @latentspacepod 分享了他的 FDE 最佳实践，一起看看。
https://t.co/sJkURHc9x3

问题的起源：FDE 一词已被严重污染！
Vinoo 在 a16z 的 FDE Fellowship 晚宴上发现，来自 Snowflake、Anthropic 和各类创业公司的 FDE，描述的完全是三份不同的工作：有人是跟第二次销售电话的售前工程师，有人是会写 Python 的带指标销售，有人是补齐产品缺口的驻场顾问——连“专家们”对汇报线和激励方式的认知都不一致。

Vinoo 给出的严格定义：FDE 是产品团队的延伸。去客户现场解决问题是手段，赚回“该往平台里建什么”的洞察才是目的。

一个价值 14TB 内存的事故
2013 年 Palantir 的 Phoenix 项目：一个完全基于二手需求、设计干净的交易存储系统，在银行真实数据面前崩溃——一个空时间戳掉落到 epoch（1970 年 1 月 1 日），导致留存逻辑请求了约 230 万个 keyspace，服务器 OOM，重启需要 14TB 内存。

根因不是代码 bug，是没有人站在客户的楼里，让系统跑过真实生产数据。这次事故让 Vinoo “用内脏而非理智”理解了 FDE 思维——这类知识和流程图上写的是两回事。

工作方法论：收集“名词”和“动词”
· 名词：企业视为真实存在的核心对象（一笔持仓、一笔交易、一个交易对手方）。两家公司在 PPT 上对名词的描述可以一模一样，在代码里却完全不同——这正是每家公司独特的本质。
· 动词：名词如何流动——交易怎么入账、关账前必须满足什么条件、深夜 11 点的例外谁签字。

关键在于：这类知识是“活出来的”而非写下来的，存在于六个老员工的脑子里和一张四年历史的表格里。它之所以值钱，恰恰因为“你问不出来”。

Parquet 案例最能说明问题：一家创业公司花近一年无法把客户从 CSV 迁到 Parquet，被一位数据质量工程师反复阻挠，理由不断变化。FDE 蹲在现场观察她工作才发现真相：她在 Windows 笔记本上靠肉眼检查 CSV，而 Parquet 没有查看器——迁移等于没收她唯一的质检工具。团队一夜之间写了个 Parquet 查看器，两天后她批准迁移，流水线运行时间从 17 小时降到 2 小时。这个真实动机在任何访谈中都问不出来。

产出必须是产品，而非客户满意
解决方案架构师让客户满意就算成功；FDE 的标准更高——一个项目结束时，如果只有一个满意的客户、平台没有任何上游改变，这个 FDE 就在他存在的唯一意义上失败了。

反面教材是 Vinoo 自己的 vinoo.groovy：一个下午写的数据留存临时脚本，一年后跑在一个十万人的客户身上。教训被提炼成一句话：“你交付的每一个捷径，都会变成你拥有的东西”——纪律在于刻意判断哪些修复该进平台、哪些该主动废弃。

分叉点：卖小时 vs 建资产
没有平台支撑时，每个项目从零开始——这就是咨询，赚钱但不复利。有平台时，每摸清一家公司，下一次部署就更快。Vinoo 对当前 AI 创业潮的诚实判断很扎心：大多数公司做的是前者，向董事会描述的却是后者。

Kepler 的四条实践
1. FDE 汇报给产品线，不是销售线：这是决定其他一切的结构性选择。汇报销售的 FDE 优化的是“关掉当前这个单”，汇报产品的 FDE 产出的是“下一次部署的起点”。
2. 让不变量定义平台：Kepler 卖给金融机构，数字必须可证明正确，所以 provenance（数据溯源）是平台骨架。它让前线工作可以复利：系统不即兴发挥，误解会以失败而非“看起来合理的错误答案”的形式暴露。
3. 部署揭示的是平台哪里“太窄”，而非客户想要什么功能：三家公司在同一个限制上各自绕路，这才是真信号。
4. 产品杠杆买来试错权：平台能力让部署变便宜，于是可以“一个月错四次”，而不是每个客户每季度押一次昂贵的猜。

护城河在哪（以及不在哪）
不在模型（租来的、在变便宜）、不在人才（价格已被市场发现）、不在对某家客户的了解（“提取几乎免费”）。

护城河是：对某一垂直行业内企业真实运作方式的“积累的、当下的、经过验证的理解”，且装在一个能保持其最新并能证明它的平台里。

Vinoo 对三个定语逐一加压：
· Accumulated（积累的）：第一次部署是轶事，第十次是模式。
· Current（当下的）：业务在漂移，过时的模型在 AI 时代会静默失效。
· Verified（验证过的）：貌似合理和真正正确的编码，在出事之前看起来一模一样。